CN111009322B - 围术期风险评估和临床决策智能辅助系统 - Google Patents
围术期风险评估和临床决策智能辅助系统 Download PDFInfo
- Publication number
- CN111009322B CN111009322B CN201911002673.XA CN201911002673A CN111009322B CN 111009322 B CN111009322 B CN 111009322B CN 201911002673 A CN201911002673 A CN 201911002673A CN 111009322 B CN111009322 B CN 111009322B
- Authority
- CN
- China
- Prior art keywords
- perioperative
- data
- risk
- decision
- subsystem
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明公开一种围术期风险评估和临床决策智能辅助系统,包括围术期风险结构化评估预测子系统、围术期决策智能辅助子系统、术后随访及质量管理子系统、云服务器和智能终端,所述围术期风险结构化评估预测子系统包括结构化临床数据获取装置、风险分析装置;所述围术期决策智能辅助子系统包括预防性干预预案决策智能辅助平台、围术期管理巡航与智能决策辅助平台。本发明构建针对于个体患者术前‑术中‑术后全周期数据参数结构化、标准化采集和风险预测报告平台,克服当前风险评估工具碎片化、异质性及偏移度大的问题,并实现与临床决策管理的对接。
Description
技术领域
本发明涉及一种医疗辅助系统,尤其涉及一种围术期风险评估和临床决策智能辅助系统。
背景技术
2018年全球手术超过3亿台次,我国住院患者手术逾5700万台次。并且随着医疗技术发展及经济水平的提高,我国手术量呈现快速增长趋势。目前,围术期死亡已上升为全球人群死亡原因的前五位。降低围术期死亡及严重不良事件发生率是目前临床医学及公共卫生等行业需共同实现的重要目标。
除死亡外,围术期严重不良事件还包括主要心血管不良事件、肺部并发症、卒中、感染、认知功能障碍、中重度疼痛等。不同的围术期不良事件具有不同的相关风险因素,其因素来源包括患者基本情况,并存疾病,脏器功能状态,既往病史,异常实验室检查结果等。
识别并准确评估围术期死亡及严重不良事件的风险,是防控的重要前置条件。目前,临床广泛采用的围术期风险评估方法为外科医师和麻醉医师通过询问、查阅患者既往病史,实验室及影像学等辅助检查结果等资料,根据指南、专家共识、个人经验等为依据,判断该患者总体健康状况和风险。上述方式存在风险评估语言标准化欠缺、采集信息结构化程度低、评估过程主观性强、评估结果个体差异大等不足,缺少大样本的累计分析和临床高适用的量化风险评估工具,限制临床个体化、针对性管理。
围术期管理方案是麻醉医师及外科医师基于手术需求、麻醉方式、既往病史等多方面信息分析,参照教科书、指南、专家共识、循证医学证据、个人经验等,制定的围术期综合管理策略和内容,涉及生命体征监测、麻醉/手术操作,药物应用,系统功能评估与调控等。这一临床决策过程在不同医院、不同级别、不同认知水平的医师之间差异明显,导致围术期临床管理方案同质化水平低。尽管目前有大量临床管理指南、建议等文献资料,以及up-to-date等临床循证医学信息平台,但针对围术期瞬时多源数据并发环境下进行个体化分析,以形成标准化、科学可行的围术期管理方案的技术手段尚未建立。
现有技术包括以下方法,存在相应的缺陷:
一、术前评估与风险预测,包括电子化术前评估清单、文献发表的评估模型、风险或功能评价计算器(包括NSQIP数据库等)评估以个体器官脏器为目标,碎片化,无结构化、标准化输出显示,评估结果与临床管理预案决策割裂,无连续性、系统化评估与决策辅助平台。
二、临床预警方面,目前应用的手术麻醉信息系统仅具有数据采集记录功能,无法提供数据实时分析及个体化预警和辅助决策功能。
三、辅助临床决策方面,麻醉围术期管理涉及麻醉、外科、护理等多专业、机体多系统,信息瞬时变异度高,决策过程复杂,目前无相关实用性工具。
发明内容
本发明旨在提供一种围术期风险评估和临床决策智能辅助系统,构建针对于个体患者术前-术中-术后全周期数据参数结构化、标准化采集和风险预测、监测、预警-决策辅助平台,克服当前风险评估工具碎片化、异质性及偏移度大的问题,并实现评估与临床决策管理的对接。
为达到上述目的,本发明是采用以下技术方案实现的:
本发明公开的围术期风险评估和临床决策智能辅助系统,包括围术期风险结构化评估预测子系统、围术期决策智能辅助子系统,所述围术期风险结构化评估预测子系统包括结构化临床数据获取装置、风险分析装置;
所述结构化临床数据获取装置用于标准化语义定义,结构化采集围术期参数数据;
所述风险分析装置根据预先建立的围术期风险评估和预测模型对术前临床数据进行分析处理,得到患者相应整体健康状况、围术期不良事件风险、转归质量评估预测结果;
所述围术期决策智能辅助子系统包括预防性干预预案决策智能辅助平台、围术期管理巡航与智能决策辅助平台;
所述预防性干预预案决策智能辅助平台包括、数据接收装置、类别分析装置;
所述数据接收装置用于接入围术期风险结构化评估预测子系统输出的风险评估预测结果;
所述类别分析装置用于根据接收的患者围术期风险评估预测结果及术前参数信息、拟行手术及麻醉信息,判定对应的不良事件类别及风险级别;
所述围术期管理巡航与智能决策辅助平台包括第二数据接入装置、数据实时捕获装置、第一计算分析装置、第二调用装置;
所述第二数据接入装置用于接入读取预防性干预预案决策智能辅助平台输出的建议干预预案;
所述数据实时捕获装置用于实时捕获医用设备提供的参数数据,所述医用设备包括但不限于手术麻醉中监护仪和/或麻醉机和/或手术麻醉信息系统和/或输液泵和/或电子病历系统和/或检验设备,所述参数数据包括但不限于基本生命体征监测数据和/或药物使用数据和/或麻醉技术数据和/或药物数据和/或液体数据和/或手术数据和/或操作数据和/或不良事件数据和/或医嘱录入数据;
所述第二计算分析装置包括比对单元、规则单元、分析归类单元所述比对单元用于构建识别标签,比对获得的实际采用的监测参数数据和/或药物参数数据和/或技术参数数据与建议干预预案参数数据的重合度;
所述规则单元用于根据患者特征及评估结果,定义现时风险事件个体化判定规则,所述现时风险事件包括但不限于但不限于麻醉过深和/或麻醉过浅和/或低血压和/或高血压和/或心脏骤停和/或心律失常和/或大出血和/或凝血功能障碍和/或低体温和/或低血糖和/或低氧血症和/或酸碱代谢电解质紊乱;
所述分析归类单元用于实时累计分析接入的术中监测数据,根据前述所定义规则,分析判断现时危险事件类别;
所述第二调用装置用于根据计算分析判断的危险事件发生类别,从服务器干预技术方案数据库中调用与所述危险事件对应的治疗性干预技术方案集。
进一步的,所述预防性干预预案决策智能辅助平台还包括第一调用装置、过滤装置;
所述第一调用装置用于根据所述围术期风险评估预测结果中的不良事件类别、风险等级判定结果,从所述干预技术方案数据库中调用与所述不良事件类别和危险级别对应的预防性干预预案集;
所述过滤装置用于针对干预预案集中所述人员、设备、监测、技术、药物、管理目标,采用患者一般情况、病史、辅助检查、拟行手术及麻醉信息,定义过滤规则,判断干预预案集滤过分析结果。
所述定义过滤规则包括定义滤网相关指标参数、定义过滤通过/不通过规则;所述滤网相关指标参数包括现病史、既往病史、体格检查、影像学、实验室检查、术中参数辅助检查结果;
所述过滤装置包括规则调取模块、滤网模块、分析模块,
所述规则调取模块用于调取服务器中的过滤规则,所述过滤规则包括滤网层数、滤网层参数集、滤网层优先级;
所述滤网模块用于根据过滤规则,组成过滤网络;
所述分析模块用于根据过滤规则,采用人工智能算法分析围术期参数数据,判断干预预案集中适宜应用的内容。
所述滤网模块包括参数调用单元、网络单元;
所述调用单元用于根据规则模块所定义滤网相关指标参数,调取相关围术期参数数据;
所述网络单元用于根据规则模块所定义滤网层数、滤网层参数集、滤网层优先级,形成过滤网络。
进一步的,所述围术期管理巡航与智能决策辅助平台还包括输出第二显示装置;
所述第二输出显示装置用于结构化输出显示得到的危险事件干预方案及术中实际管理应用的管理技术方案单元以及干预预案中未采纳及未建议执行技术方案。
进一步的,本发明还包括术后随访及质量管理子系统,所述术后随访及质量管理子系统包括信息获取装置、第三计算分析装置;
所述信息获取装置用于术后临床管理、并发症或不良事件、卫生经济学参数数据的结构化获取;
所述第二计算分析装置用于按时间、病种、年龄等参数数据自动化汇总分析获取的相关数据。
进一步的,所述术后随访及质量管理子系统还包括集成显示装置,所述集成显示装置用于汇总不同信息获取装置端口来源数据,按不同分类要求,集成或分类别显示。
所述服务器为云服务器,所述云服务器包括第三数据接入装置、数据存贮装置、运算处理装置、技术方案数据库、输出装置;
所述数据接入装置用于接入所述围术期风险结构化评估预测子系统、围术期智能决策辅助子系统、术后随访及质量控制子系统获取的一般信息、合并症、干预及时方案、术后危险事件;
所述数据存贮装置用于存储所述围术期风险结构化评估预测子系统、围术期智能决策辅助子系统、术后随访及质量控制子系统获取的数据;
所述运算处理装置用于运行人工智能算法处理前述获取的术前参数数据、建议干预预案、围术期监测及管理方案等参数数据与预后和危险事件的关系,建立可持续优化的风险预测模型及干预措施评价模型,所述人工智能算法为决策树、Logistic回归、随机森林或神经网络算法;
所述技术方案数据库用于结构化存储围术期不良事件预防性干预预案和干预技术方案单元。
所述运算处理装置包括规则单元、计算单元、优化单元;
所述规则单元用于定义规则参数,所述规则参数包括上述评估方法或模型的因变量指标库、定义自变量指标库、定义编码、解码、降维、映射;
所述计算单元用于按照上述规则,计算模型中因变量与自变量之间的量化关系,构建模型及标准;
所述优化单元用于持续接入新增数据到计算单元,运行机器学习训练,持续优化调整评估模型、干预预案决策算法。
所述输出装置,用于输出围术期风险结构化评估预测子系统、围术期决策智能辅助子系统所涉及的风险评估方法和预测模型、干预预案、过滤规则算法等参数数据。
进一步的,本发明还包括智能终端,所述智能终端固化有所述风险评估预测与决策智能辅助系统。
本发明的有益效果如下:
1、本发明构建针对于个体患者术前-术中-术后全周期数据参数结构化、标准化采集和风险预测报告平台,克服当前风险评估工具碎片化、异质性及偏移度大的问题,并实现与临床决策管理的对接。
2、本发明应用决策树、规则引擎、神经网络等方法构建智能围术期管理预案辅助决策体系,突破围术期管理方案决策可视化难题,实现围术期临床管理技术路径标准化并持续优化,转化培训教学辅助工具。
3、本发明构建麻醉手术中多源数据采集、融合、分析平台,实现围术期自动化辅助监测及预警,降低干预延迟度,提升围术期管理的个体化、标准化、及时性。
4、本发明建立云数据平台及移动终端应用,实现围术期管理系统规则算法的自我学习和持续优化,为我国围术期管理医疗质量控制、科学研究相关大数据库的构建提供平台技术和工具。
附图说明
图1为本发明的系统架构图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下对本发明进行进一步详细说明。
本发明具体包括以下部分:
一、围术期风险结构化评估预测子系统
1.结构化临床数据获取装置:用于标准化语义定义,用于结构化采集围术期参数数据,包括基本情况、既往病史、现病史、体格检查、实验室检查、影像学数据等数据。
2.风险分析装置:根据预先建立围术期风险评估和预测模型对所述前瞻性术前临床数据进行分析处理,得到患者相应围术期不良事件风险评估预测结果。
其特征包括:
(1)数据接收模块:用于接收并筛选所述获取装置发送的围术期风险预测相关参数数据,得到风险评估预测模型参数数据,参数数据包括但不限于基本情况、既往病史、现病史、体格检查、实验室检查、影像学数据、拟行手术操作及麻醉方式。
(2)模型处理模块:用于基于(云)服务器中预设的逻辑回归模型及神经网络等算法,对所述风险评估参数数据进行分析处理,得到对应的脏器功能和危险事件风险评估预测结果。其特征在于:
1)算法调取单元:用于调取(云)服务器中处理形成的风险评估方法和模型。
2)计算分析单元:用于根据风险评估方法和模型,纳入相关参数数据,进行风险评估和计算。
3.输出报告装置:用于结构化输出显示患者围术期信息及风险评估结果,包括基本信息、手术麻醉方式、基本生命体征、辅助检查结果、病史信息、重要脏器功能状态、整体健康/疾病状态、围术期风险及预后评估结果。
二、围术期决策智能辅助子系统
(一)预防性干预预案决策智能辅助平台
1.数据接入装置:用于接入围术期风险结构化评估预测子系统输出的风险评估预测结果及前述病史信息、辅助检查、麻醉方式、手术方式等参数数据。
2.类别分析装置:用于根据接收的患者围术期风险评估预测结果及术前参数信息、拟行手术及麻醉信息,判定对应的不良事件类别及风险级别。
3.调用装置:用于根据所述围术期风险评估预测结果中的不良事件类别、风险等级判定结果,从所述干预技术方案数据库中调用与所述不良事件类别和危险级别对应的预防性干预预案集。
4.过滤装置:用于针对干预预案集中所述人员、设备、监测、技术、药物、管理目标和其他要点,采用患者一般情况、病史、辅助检查、拟行手术及麻醉信息等参数信息,定义过滤规则,判断干预预案集滤过分析结果。所述定义过滤规则,包括定义滤网相关指标参数,包括现病史、既往病史、体格检查、辅助检查结果等参数数据;定义滤网层数,单层或多层;定义滤网层参数集,根据评估,定义不同层级滤网的参数组合;定义滤网层优先级,第一优先级,第二优先级等;定义过滤通过/不通过规则。
(1)规则调取模块:用于调取(云)服务器中过滤规则,包括:定义滤网参数,定义滤网层参数集,定义滤网参数优先级、定义过滤通过/不通过规则。
(2)滤网模块:用于根据过滤规则,组成过滤网络。
1)参数调用单元:用于根据规则模块所定义滤网相关指标参数,调取相关围术期参数数据。
2)网络单元:用于根据规则模块所定义滤网层数、滤网层参数集、滤网层优先级,形成过滤网络。
(3)分析模块:用于根据过滤规则,采用人工智能算法——决策树算法分析围术期参数数据,判断前述干预预案集中适宜应用的内容。
5.优化处理装置:用于分析干预预案数据库中干预预案单元与围术期不良事件的关系,根据分析所得结果,优化调整干预预案数据库内容、过滤规则。其特征包括:
(1)调用单元:用于调取所述临床参数数据库中围术期监测方式、干预技术、药物等围术期干预技术方案参数数据和围术期预后和不良事件参数数据。
(2)分析单元:用于机器学习建模,基于大数据的R语言计算分析干预技术方案参数数据与围术期不良事件参数数据之间的关系。
(3)优化单元:用于根据分析得到的数据关系,利用卷积神经网络算法学习并优化干预预案数据库内容、过滤规则。
6.输出显示装置:用于按照人员、设备、监测、药物、调控目标等诸单元结构化输出显示智能辅助决策得到的干预预案。
(二)围术期管理巡航与智能决策辅助平台
1.数据接入装置:用于接入读取预防性干预预案决策智能辅助平台输出的建议干预预案。
2.数据实时捕获装置:用于实时捕获手术麻醉中监护仪、麻醉机、手术麻醉信息系统、输液泵、电子病历系统、床旁检验设备等设备提供的基本生命体征监测、药物使用、麻醉技术、药物、液体、手术、操作、不良事件、医嘱录入等参数数据。
3.计算分析装置
1)比对单元:用于构建识别标签,比对获得的实际采用的监测、检查、药物、技术等参数数据与建议干预预案参数数据的重合度。
2)规则单元:用于根据患者特征及评估结果,定义现时风险事件个体化预测和判定规则,所述现实风险事件包括但不限于:低血压、高血压、心脏骤停、大出血、凝血功能障碍、低体温、低血糖、低氧血症等。
3)分析归类单元:用于实时累计分析接入的术中监测数据、检验检查数据,根据前述所定义规则,预测事件风险、分析判断现时危险事件类别。
4.调用装置:用于根据计算分析判断的危险事件发生类别,从(云)服务器干预技术方案数据库中调用与所述危险事件对应的干预技术方案集。
5.输出显示装置:用于结构化输出显示得到的危险事件干预方案及术中实际管理应用的管理技术方案单元以及干预预案中未建议和未采纳执行技术方案。
三、术后随访及质量管理子系统
1.信息获取装置:用于术后临床管理、并发症或不良事件、卫生经济学参数数据结构化获取,包括但不限于:术后24h内死亡,术后在院期间死亡,术后30天内死亡,术后30天内心血管系统、呼吸系统、消化系统、神经系统、泌尿系统等系统或重要脏器相关并发症及危险事件,术后ICU停留时间,术后住院时间,术后住院费用,住院总费用,生活质量等参数。
2.计算分析装置:用于按时间、病种、年龄等标签数据自动化汇总分析获取的相关数据。
3.集成显示装置:用于汇总不同信息获取装置端口来源数据,按不同分类要求,集成或分类别显示术后24h内死亡,术后在院期间死亡,术后30天内死亡,术后30天内心血管系统、呼吸系统、消化系统、神经系统、泌尿系统等系统或重要脏器相关并发症及危险事件。
四、云服务器:
1.数据接入装置:用于接入前述围术期风险结构化评估预测子系统、围术期智能决策辅助子系统、术后随访及质量控制子系统获取的一般信息、合并症、干预及时方案、术后危险事件等参数数据。
2.数据存贮装置:用于存储前述围术期风险结构化评估预测子系统、围术期智能决策辅助子系统、术后随访及质量控制子系统获取的数据。
3.运算处理装置:用于运行决策树、Logistic回归、随机森林、神经网络算法等处理术前参数数据、建议干预预案、围术期监测及管理方案等参数数据与预后和危险事件的关系,建立可持续优化的风险预测模型及干预措施评价模型。
(1)规则单元:用于定义评估方法或模型的因变量指标库、定义自变量指标库、定义编码、解码、降维、映射等规则参数。
(2)计算单元:用于按照上述规则,计算模型中因变量与自变量之间的量化关系,构建模型及标准。
(3)优化单元:用于持续接入新增数据至计算单元,运行机器学习训练,持续优化调整评估模型、干预预案决策算法。
具体的神经网络算法处理如下:
从病人数据生成特征向量,向量的每个元素填充了不同数据项量化后的内容,为浮点型数值数据.量化规则由前一阶段的医学领域专家制定,本阶段解决数值计算问题。
目标是根据某个病人数据的特征向量,预测出这个病人的手术风险大小,称为风险值,取值范围是[0,1]区间,对应着一个事件的概率。
将特征向量看作多个自变量,那么预测问题就是多元回归分析问题。由于数据和手术风险的对应关系复杂,因此这是非线性多元回归分析问题。
模型的分层设计如下(层数和每层神经元数可根据特征向量维度的增加而增加):
第一层:输入层(入口是N维特征向量)
第二层:全连接层(16个神经元)
第三层:激活层(激活函数是双曲正切函数tanh)
第四层:全连接层(16个神经元)
第五层:激活层(激活函数是双曲正切函数tanh)
第六层:全连接层(1个神经元)
第七层:输出层(激活函数是双曲正切函数tanh)
训练策略:
损失函数采用均方误差函数MSE(Mean Square Error),系数优化采用随机梯度下降优化算法SGD(Stochastic gradient descent optimizer),使用批量数据多次迭代训练。
训练数据:
从患者数据库中随机抽取病人样本,经过量化得到特征向量,构成一批样本,组合为输入张量,对应于这批样本的风险值标记,组合为输出张量。输入和输出张量同时填入模型对应层(输入层、输出层),应用上面的训练策略进行优化迭代,每次会得到损失值:模型输出和真实标记之间的误差(MSE),损失值会逐渐减小,在一定程度趋于稳定即可结束训练,同时保存当前模型。
测试数据:
从病人数据库中选取一批没有被训练过的病人样本,变换为特征向量,输入到模型中,经过模型预测计算输出风险值,将预测的风险值和实际风险值对比,估计出预测的准确度。
3.技术方案数据库:用于结构化存储不同种类围术期不良事件以及相应事件不同危险级别对应的围术期预防性干预技术方案单元。所述围术期不良事件包括但不限于前述心血管不良事件、大出血、术后肺部并发症、急性肾损伤、卒中等。所述不同危险级别如低危、中危、高危。所述技术方案单元包括人员、设备、监测、技术、药物、管理目标和其他要点诸单元。
4.输出装置:用于对接“围术期风险结构化评估预测子系统”中“算法调取单元”、“预防性干预预案决策智能辅助平台”中“调用单元”及“围术期管理巡航与智能决策辅助平台”所涉及的风险评估方法及和预测模型、干预预案单元集、过滤规则算法等参数数据。
五、一种智能终端
智能终端预先嵌入上述所述风险评估预测与决策智能辅助系统。具体的,上述基于大数据云分析的围术期风险结构化预测评估与智能化决策辅助系统可应用为APP、软件插件或者网站的形式,用户可通过智能终端打开使用上述系统,在上述系统对应的平台位置输入对应的参数数据,然后通过该系统进行预测危险事件风险分级,判定现时发生的危险事件,并查看预测的风险级别及干预技术预案。
当然,本发明还可有其它多种实施例,在不背离本发明精神及其实质的情况下,熟悉本领域的技术人员可根据本发明作出各种相应的改变和变形,但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。
Claims (7)
1.围术期风险评估和临床决策智能辅助系统,其特征在于:包括围术期风险结构化评估预测子系统、围术期决策智能辅助子系统;
所述围术期风险结构化评估预测子系统包括结构化临床数据获取装置、风险分析装置;
所述结构化临床数据获取装置用于标准化语义定义,结构化采集围术期参数数据;
所述风险分析装置根据预先建立的围术期风险评估和预测模型对术前临床数据进行分析处理,得到患者相应整体健康状况、围术期不良事件风险、转归质量评估预测结果;
所述围术期决策智能辅助子系统包括预防性干预预案决策智能辅助平台、围术期管理巡航与智能决策辅助平台;
所述预防性干预预案决策智能辅助平台包括第一数据接入装置、类别分析装置、第一调用装置、过滤装置;
所述第一数据接入装置用于接入围术期风险结构化评估预测子系统输出的风险评估预测结果;
所述类别分析装置用于根据接收的患者围术期风险评估预测结果及术前参数信息、拟行手术及麻醉信息,判定对应的不良事件类别及风险级别;
所述第一调用装置用于根据所述围术期风险评估预测结果中的不良事件类别、风险等级判定结果,从服务器干预技术方案数据库中调用与不良事件类别和危险级别对应的预防性干预预案集;
所述过滤装置用于针对干预预案集中人员、设备、监测、技术、药物、管理目标,采用患者一般情况、病史、辅助检查、拟行手术及麻醉信息,定义过滤规则,判断干预预案集滤过分析结果;
所述定义过滤规则包括定义滤网相关指标参数、定义过滤通过/不通过规则;所述滤网相关指标参数包括现病史、既往病史、体格检查、影像学、实验室检查、术中监护及检验辅助检查结果;
所述过滤装置包括规则调取模块、滤网模块、分析模块,
所述规则调取模块用于调取服务器中的过滤规则,所述过滤规则包括滤网层数、滤网层参数集、滤网层优先级;
所述滤网模块用于根据过滤规则,组成过滤网络;
所述滤网模块包括参数调用单元、网络单元;
所述参数调用单元用于根据规则调取模块所定义滤网相关指标参数,调取相关围术期参数数据;
所述网络单元用于根据规则调取模块所定义滤网层数、滤网层参数集、滤网层优先级,形成过滤网络;
所述分析模块用于根据过滤规则,采用人工智能算法分析围术期参数数据,判断干预预案集中适宜应用的内容;
所述围术期管理巡航与智能决策辅助平台包括第二数据接入装置、数据实时捕获装置、第一计算分析装置、第二调用装置;
所述第二数据接入装置用于接入读取预防性干预预案决策智能辅助平台输出的建议干预预案;
所述数据实时捕获装置用于实时捕获医用设备提供的参数数据,所述医用设备包括手术麻醉中监护仪和/或麻醉机和/或呼吸机和/或麻醉信息系统和/或输液泵和/或电子病历系统和/或检验设备,所述参数数据包括基本生命体征监测数据和/或药物使用数据和/或麻醉技术数据和/或药物数据和/或液体数据和/或手术数据和/或操作数据和/或不良事件数据和/或医嘱录入数据;
所述第一计算分析装置包括比对单元、规则单元、分析归类单元;
所述比对单元用于构建识别标签,比对获得的实际采用的监测参数数据和/或药物参数数据和/或技术参数数据与建议干预预案参数数据的重合度;
所述规则单元用于根据患者特征及评估结果,定义现时风险事件个体化判定和预测规则,所述现时风险事件包括麻醉过深和/或麻醉过浅和/或低血压和/或高血压和/或心脏骤停和/或心律失常和/或大出血和/或凝血功能障碍和/或体温异常和/或低血糖和/或高血糖和/或低氧血症和/或酸碱电解质失衡和/或低氧血症和/或肾功能障碍;
所述分析归类单元用于实时累计分析接入的术中监测数据,根据所定义规则,分析判断现时风险事件类别;
所述第二调用装置用于根据计算分析判断的现时风险事件发生类别,从服务器干预技术方案数据库中调用与所述现时风险事件对应的治疗性干预技术方案集。
2.根据权利要求1所述的围术期风险评估和临床决策智能辅助系统,其特征在于:所述围术期管理巡航与智能决策辅助平台还包括输出显示装置;
所述输出显示装置用于结构化输出显示得到的危险事件干预方案及术中实际管理应用的管理技术方案单元以及干预预案中未采纳及未建议执行技术方案。
3.根据权利要求1-2任一项所述的围术期风险评估和临床决策智能辅助系统,其特征在于:还包括术后随访及质量管理子系统,所述术后随访及质量管理子系统包括信息获取装置、第三计算分析装置;
所述信息获取装置用于术后临床管理、并发症或不良事件、卫生经济学参数数据的结构化获取;
所述第三计算分析装置用于按时间、病种、年龄的参数数据自动化汇总分析获取的相关数据。
4.根据权利要求3所述的围术期风险评估和临床决策智能辅助系统,其特征在于:所述术后随访及质量管理子系统还包括集成显示装置,所述集成显示装置用于汇总不同信息获取装置端口来源数据,按不同分类要求,集成或分类别显示。
5.根据权利要求1-2任一项所述的围术期风险评估和临床决策智能辅助系统,其特征在于:所述服务器为云服务器,所述云服务器包括第三数据接入装置、数据存贮装置、运算处理装置、技术方案数据库、输出装置;
所述第三数据接入装置用于接入所述围术期风险结构化评估预测子系统、围术期决策智能辅助子系统、术后随访及质量管理子系统获取的一般信息、合并症、干预及时方案、术后危险事件;
所述数据存贮装置用于存储所述围术期风险结构化评估预测子系统、围术期决策智能辅助子系统、术后随访及质量管理子系统获取的数据;
所述运算处理装置用于运行人工智能算法处理获取的术前参数数据、建议干预预案、围术期监测及管理方案的参数数据与预后和危险事件的关系,建立可持续优化的风险预测模型及干预措施评价模型,所述人工智能算法为决策树、Logistic回归、随机森林或神经网络算法;
所述技术方案数据库用于结构化存储围术期不良事件预防性干预预案和干预技术方案单元;
所述输出装置,用于输出围术期风险结构化评估预测子系统、围术期决策智能辅助子系统所涉及的风险评估方法和预测模型、干预预案、过滤规则算法参数数据。
6.根据权利要求5所述的围术期风险评估和临床决策智能辅助系统,其特征在于:所述运算处理装置包括规则单元、计算单元、优化单元;
所述规则单元用于定义规则参数,所述规则参数包括评估方法或模型的因变量指标库、定义自变量指标库、定义编码、解码、降维、映射;
所述计算单元用于按照上述规则,计算模型中因变量与自变量之间的量化关系,构建模型及标准;
所述优化单元用于持续接入新增数据到计算单元,运行机器学习训练,持续优化调整评估模型、干预预案决策算法。
7.根据权利要求1-2任一项所述的围术期风险评估和临床决策智能辅助系统,其特征在于:还包括智能终端,所述智能终端固化有所述围术期风险结构化评估预测子系统与围术期决策智能辅助子系统。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911002673.XA CN111009322B (zh) | 2019-10-21 | 2019-10-21 | 围术期风险评估和临床决策智能辅助系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911002673.XA CN111009322B (zh) | 2019-10-21 | 2019-10-21 | 围术期风险评估和临床决策智能辅助系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111009322A CN111009322A (zh) | 2020-04-14 |
CN111009322B true CN111009322B (zh) | 2022-08-02 |
Family
ID=70110961
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911002673.XA Active CN111009322B (zh) | 2019-10-21 | 2019-10-21 | 围术期风险评估和临床决策智能辅助系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111009322B (zh) |
Families Citing this family (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111524598A (zh) * | 2020-04-21 | 2020-08-11 | 赵述武 | 一种围术期并发症预测方法及系统 |
CN111464793B (zh) * | 2020-05-15 | 2022-06-10 | 哈尔滨工业大学 | 一种基于人工智能对实验装置进行监控预警的方法和系统 |
CN111739639A (zh) * | 2020-06-19 | 2020-10-02 | 杭州联众医疗科技股份有限公司 | 一种基于时间编码的围手术期并发症的数据预测系统 |
CN111986776A (zh) * | 2020-07-06 | 2020-11-24 | 北京欧应信息技术有限公司 | 围手术期治疗风险智能提示方法 |
CN112017743B (zh) * | 2020-08-20 | 2024-02-20 | 姚香怡 | 一种疾病风险评测报告自动生成平台及应用 |
CN112002395A (zh) * | 2020-08-30 | 2020-11-27 | 段炼 | 一种基于心脏大血管手术围术期的心脏保护推荐方法 |
CN111933238B (zh) * | 2020-08-31 | 2024-04-02 | 深圳赛安特技术服务有限公司 | 信息推送方法、装置、电子设备及存储介质 |
TWI807223B (zh) * | 2020-10-13 | 2023-07-01 | 奇美醫療財團法人奇美醫院 | 手術麻醉風險評估輔助系統、程式產品及其建立與使用方法 |
CN112418436B (zh) * | 2020-11-19 | 2022-06-21 | 华南师范大学 | 基于人类决策的人工智能伦理虚拟仿真实验方法和机器人 |
CN112562857A (zh) * | 2020-12-28 | 2021-03-26 | 上海蓬海涞讯数据技术有限公司 | 基于k均值聚类实现高危手术预测的方法、装置、处理器及其存储介质 |
CN112863692B (zh) * | 2021-01-12 | 2023-02-14 | 宁波大学医学院附属医院 | 一种围术期药物不良反应评估模型构建方法 |
CN113035296A (zh) * | 2021-02-25 | 2021-06-25 | 四川大学华西医院 | 用于icu后综合征的随访方法及系统 |
CN113611382A (zh) * | 2021-08-06 | 2021-11-05 | 浙江海心智惠科技有限公司 | 一种肿瘤科用于术前访视的医疗数据演示系统 |
CN114242234B (zh) * | 2021-12-15 | 2023-06-30 | 四川大学 | 基于聚合神经网络的tavr术后并发症风险值预测方法 |
CN116936072A (zh) * | 2022-04-11 | 2023-10-24 | 北京优理医疗器械有限公司 | 生理数据的分类处理装置和方法 |
CN115083604B (zh) * | 2022-06-07 | 2023-06-20 | 中山大学孙逸仙纪念医院 | 一种术后不良事件预测模型的构建方法、系统和预测装置 |
CN114864094A (zh) * | 2022-07-06 | 2022-08-05 | 湖南尚医康医疗科技有限公司 | 重症监护室智能控制方法、设备及介质 |
CN115862874B (zh) * | 2023-02-22 | 2023-06-02 | 首都医科大学宣武医院 | 高龄外科多学科围术期辅助决策系统 |
CN116153504B (zh) * | 2023-04-20 | 2023-07-04 | 青岛市第五人民医院 | 一种医用护理数据交叉互引用方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015157573A2 (en) * | 2014-04-10 | 2015-10-15 | Parkland Center For Clinical Innovation | Holistic hospital patient care and management system and method for automated staff monitoring |
CN107145755A (zh) * | 2017-05-16 | 2017-09-08 | 陈韵岱 | 基于智能决策支持技术的心血管慢病管理方法 |
CN107341345A (zh) * | 2017-06-22 | 2017-11-10 | 厦门大学 | 一种基于电子病历大数据的临床合理用药风险评估方法 |
CN109903848A (zh) * | 2019-03-04 | 2019-06-18 | 北京大学人民医院(北京大学第二临床医学院) | 关节周围骨折临床智能决策支持系统 |
CN110021429A (zh) * | 2019-03-04 | 2019-07-16 | 北京大学人民医院(北京大学第二临床医学院) | 踝关节周围骨折临床智能决策支持系统 |
CN110289095A (zh) * | 2019-06-28 | 2019-09-27 | 青岛百洋智能科技股份有限公司 | 一种股骨颈骨折临床智能辅助决策方法及系统 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2007124523A (ru) * | 2004-12-30 | 2009-02-10 | ПРОВЕНТИС, Инк., (US) | Способы, системы и компьютерные программные продукты для разработки и использования прогнозных моделей для прогнозирования большинства медицинских случаев, оценки стратегий вмешательства и для одновременной оценки нерегулярности биологических маркеров |
US8333696B2 (en) * | 2006-12-13 | 2012-12-18 | Watermark Medical, Inc. | Systems and methods for automated prediction of risk for perioperative complications based on the level of obstructive sleep apnea |
US20190237201A1 (en) * | 2016-10-03 | 2019-08-01 | Mirus Llc | Systems and methods for clinical planning and risk management |
CN106971071A (zh) * | 2017-03-27 | 2017-07-21 | 为朔医学数据科技(北京)有限公司 | 一种临床决策支持系统及方法 |
-
2019
- 2019-10-21 CN CN201911002673.XA patent/CN111009322B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015157573A2 (en) * | 2014-04-10 | 2015-10-15 | Parkland Center For Clinical Innovation | Holistic hospital patient care and management system and method for automated staff monitoring |
CN107145755A (zh) * | 2017-05-16 | 2017-09-08 | 陈韵岱 | 基于智能决策支持技术的心血管慢病管理方法 |
CN107341345A (zh) * | 2017-06-22 | 2017-11-10 | 厦门大学 | 一种基于电子病历大数据的临床合理用药风险评估方法 |
CN109903848A (zh) * | 2019-03-04 | 2019-06-18 | 北京大学人民医院(北京大学第二临床医学院) | 关节周围骨折临床智能决策支持系统 |
CN110021429A (zh) * | 2019-03-04 | 2019-07-16 | 北京大学人民医院(北京大学第二临床医学院) | 踝关节周围骨折临床智能决策支持系统 |
CN110289095A (zh) * | 2019-06-28 | 2019-09-27 | 青岛百洋智能科技股份有限公司 | 一种股骨颈骨折临床智能辅助决策方法及系统 |
Non-Patent Citations (5)
Title |
---|
2014年欧美心脏病患者非心脏手术围术期评估管理指南解读;吴镜湘;《中华胸部外科电子杂志》;20151231;第2卷(第4期);第213-217页 * |
Clinically Localized Prostate Cancer: AUA/ASTRO/SUO Guideline. Part I: Risk Stratification, Shared Decision Making, and Care Options;Sanda, MG 等;《JOURNAL OF UROLOGY》;20180331;第199卷(第3期);第683-690页 * |
石学银.围术期风险分层评估.《 第十二届华东六省一市麻醉学术会议暨2013年福建省麻醉学术会议论文汇编》.2013,第193-213页. * |
结构化信息系统在风险评估教学中的应用;欧梦婵;《教育教学论坛》;20210724(第27期);第45-48页 * |
高龄患者围术期多学科协作全程管理模式探讨;赵国光 等;《中国医院》;20181130;第22卷(第11期);第59-61页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111009322A (zh) | 2020-04-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111009322B (zh) | 围术期风险评估和临床决策智能辅助系统 | |
Kim et al. | A deep learning model for real-time mortality prediction in critically ill children | |
US20200258608A1 (en) | Medical database and system | |
CA3126455A1 (en) | Systems and methods for assessing and evaluating renal health diagnosis, staging, and therapy recommendation | |
CN111553478B (zh) | 基于大数据的社区老年人心血管疾病预测系统与方法 | |
CN112967803A (zh) | 基于集成模型的急诊患者早期死亡率预测方法及系统 | |
CN113674858A (zh) | 在线医疗处方用药智能检查方法、装置、设备及存储介质 | |
CN114927230B (zh) | 基于机器学习的重症心衰患者预后决策支持系统及方法 | |
CN112259232B (zh) | 一种基于深度学习的vte风险自动评估系统 | |
Junger et al. | Automatic calculation of a modified APACHE II score using a patient data management system (PDMS) | |
CN116403714B (zh) | 脑卒中end风险预测模型建立方法、装置、end风险预测系统、电子设备及介质 | |
CN116959715A (zh) | 一种基于时序演进过程解释的疾病预后预测系统 | |
CN112366002A (zh) | 一种基于知识库对院内真实世界不良用药的评估方法 | |
US20210350933A1 (en) | General and personal patient risk prediction | |
CN111696662A (zh) | 疾病预测方法、装置及存储介质 | |
CN113990502A (zh) | 一种基于异构图神经网络的icu心衰预测系统 | |
Levonevskiy et al. | Automation of data processing for patient monitoring in the smart ward environment | |
US20160034619A1 (en) | Systems and Methods for Comparative Analysis | |
Teixeira et al. | A goal-based framework for supporting medical assistance: The case of chronic diseases | |
Umut et al. | Prediction of sepsis disease by Artificial Neural Networks | |
CN114550855A (zh) | 基于人工智能的静脉血栓栓塞症预测方法、装置、终端及介质 | |
Zhao et al. | External validation of a deep learning prediction model for in-hospital mortality among ICU patients | |
CN115762698B (zh) | 一种医疗慢病检查报告数据提取方法及系统 | |
US20240120107A1 (en) | Data processing system and method for predicting a score representative of a probability of a sepsis for a patient | |
Chen et al. | Construction and effect evaluation of prediction model for red blood cell transfusion requirement in cesarean section based on artificial intelligence |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |