CN111192683B - 一种儿童社区获得性肺炎的智能诊断方法 - Google Patents

一种儿童社区获得性肺炎的智能诊断方法 Download PDF

Info

Publication number
CN111192683B
CN111192683B CN202010003962.8A CN202010003962A CN111192683B CN 111192683 B CN111192683 B CN 111192683B CN 202010003962 A CN202010003962 A CN 202010003962A CN 111192683 B CN111192683 B CN 111192683B
Authority
CN
China
Prior art keywords
index
normal
value
determining
detection result
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
Application number
CN202010003962.8A
Other languages
English (en)
Other versions
CN111192683A (zh
Inventor
倪鑫
赵顺英
李惠民
刘原虎
杨海明
徐新
赵琼姝
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Childrens Hospital
Original Assignee
Beijing Childrens Hospital
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Childrens Hospital filed Critical Beijing Childrens Hospital
Priority to CN202010003962.8A priority Critical patent/CN111192683B/zh
Publication of CN111192683A publication Critical patent/CN111192683A/zh
Application granted granted Critical
Publication of CN111192683B publication Critical patent/CN111192683B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

本申请提供了一种儿童社区获得性肺炎的智能诊断方法，本方法获取儿童的电子病历；识别电子病历中的关键数据及基础数据，关键数据为检测的指标数据，基础数据为儿童的身份及历史诊断数据；根据关键数据和基础数据，通过预先训练的典型症状诊断模型，获得诊断结果。本方法识别电子病历中的关键数据及基础数据；根据关键数据和基础数据，通过预先训练的典型症状诊断模型，获得诊断结果，保证了定位的准确性，实现了儿童社区获得性肺炎的智能诊断。

Description

一种儿童社区获得性肺炎的智能诊断方法
技术领域
本发明涉及人工智能技术领域，尤其涉及一种儿童社区获得性肺炎的智能诊断方法。
背景技术
目前，地方医疗结构和社区医疗机构医生水平有限，经历的病例数有限同时也缺乏培训。为提高临床医生的医疗能力实现“医疗专家资源下沉”三级医院主要通过现场培训和专家坐诊方式解决，但此方式时间和人力成本较高，且限于时间和地域限制很难实现针对性辅导，效果并不显著。
另外，市面上的人工智能产品都是基于成人常见病诊断，缺少儿童专科专病疾病诊断，现实中，临床医生对于成人常见病的鉴别诊断及治疗经验相对丰富，但临床医生对于儿童疾病的认知及诊断水平较低，往往延误病情、拖延治疗、危及患者生命，医生的诊治水平难以得到实质提高。
发明内容
为了准确推荐，本申请实施例提出了一种儿童社区获得性肺炎的智能诊断方法。
为了达到上述目的，本发明采用的主要技术方案包括：
S101，获取儿童的电子病历；
S102，识别电子病历中的关键数据及基础数据，所述关键数据为检测的指标数据，所述基础数据为所述儿童的身份及历史诊断数据；
S103，根据所述关键数据和基础数据，通过预先训练的典型症状诊断模型，获得诊断结果。
可选地，所述S102具体包括：
S102-1，从所述电子病历中获取本次的就诊信息及本次检测结果；
S102-2，从所述电子病历中获取最近一次的就诊信息及最近一次检测结果；
S102-3，根据所述本次的就诊信息，本次检测结果，最近一次的就诊信息和最近一次检测结果识别关键数据及基础数据。
可选地，所述S102-3具体包括：
从所述电子病历中确定与本次就诊信息相关的上次就诊信息，若相关的上次就诊信息为最近一次的就诊信息，则
将所述本次就诊信息中的，姓名，性别，年龄，病情以及所述最近一次的就诊信息中的病情，诊断结果，诊治记录作为基础数据；
根据所述本次检测结果和所述最近一次检测结果确定关键数据。
可选地，所述根据所述本次检测结果和所述最近一次检测结果确定关键数据，包括：
获取本次检测结果中的各项指标名称及指标值；
获取最近一次检测结果中的各项指标名称及指标值；
确定各指标值的正常属性，所述正常属性为正常，风险，异常；
将各项指标名称，对应的正常属性，以及异常和风险属性的指标值确定为关键数据。
可选地，所述S102-3具体包括：
从所述电子病历中确定与本次就诊信息相关的上次就诊信息，若相关的上次就诊信息非最近一次的就诊信息，则
获取相关的上次就诊信息及相关的上次检测结果；
将如下信息作为基础数据：本次就诊信息中的姓名、性别、年龄、病情作，最近一次的就诊信息中的病情、诊断结果、诊治记录，相关的上次就诊信息中的病情、诊断结果、诊治记录；
根据所述本次检测结果、所述最近一次检测结果和相关的上次检测结果确定关键数据。
可选地，所述根据所述本次检测结果、所述最近一次检测结果和相关的上次检测结果确定关键数据，包括：
获取本次检测结果中的各项指标名称及指标值；
获取最近一次检测结果中的各项指标名称及指标值；
获取相关的上次检测结果中各项指标名称及指标值；
确定各指标值的正常属性，所述正常属性为正常，风险，异常；
根据各项指标名称，对应的正常属性，以及异常和风险属性的指标值确定关键数据。
可选地，所述根据各项指标名称，对应的正常属性，以及异常和风险属性的指标值确定关键数据，包括：
将本次检测结果中各项指标名称，对应的正常属性，以及异常和风险属性的指标值确定关键数据；
将相关的上次检测结果中各项指标名称，对应的正常属性，以及异常和风险属性的指标值确定关键数据；
确定所述最近一次检测结果中的相关指标的名称，对应的正常属性，以及异常和风险属性的指标值确定关键数据；
其中，所述相关指标为相同指标，且相同指标在所述最近一次检测结果中的指标值与其在本次检测结果中的指标值和/或其在相关的上次检测结果中的指标值不同；
所述相同指标为位于所述最近一次检测结果中，同时位于所述本次检测结果中和/或所述相关的上次检测结果的指标。
可选地，所述确定各指标值的正常属性，包括：
对于任一指标，
1)若所述指标对应阴性，阳性和可疑，则
若所述任一指标的值为阴性，则确定所述任一指标的值的正常属性为正常；
若所述任一指标的值为阳性，则确定所述任一指标的值的正常属性为异常；
若所述任一指标的值为可疑，则确定所述任一指标的值的正常属性为风险；
2)若所述指标对应正常范围，则
确定所述指标的正常范围；
若所述任一指标的值位于正常范围内，则确定所述任一指标的值属性为正常；
若所述任一指标的值位于所述正常范围外，则确定所述正常范围长度L＝b-a，确定比重k＝所述儿童体重/所述儿童年龄对应的平均体重，其中，b为由正常范围确定的上限，a为由正常范围确定的下限；
若k<1，则若所述任一指标位于所述正常范围扩大L*k后的范围内，则所述任一指标的值属于风险，若所述任一指标位于所述正常范围扩大L*k后的范围外，则所述任一指标的值属于异常；
若k＝1，则若所述任一指标位于所述正常范围扩大L*所述儿童年龄/19后的范围内，则所述任一指标的值属于风险，若所述任一指标位于所述正常范围扩大L*所述儿童年龄/19后的范围外，则所述任一指标的值属于异常；
若k>1，则若所述任一指标位于所述正常范围扩大L/k后的范围内，则所述任一指标的值属于风险，若所述任一指标位于所述正常范围扩大L/k后的范围外，则所述任一指标的值属于异常。
可选地，所述若正常范围为存在上下限的区间，则b为上限，a为下限；若正常范围仅存在上限，则b为上限，a为0；若正常范围仅存在下限，则b为5倍下限，a为下限。
可选地，典型症状诊断模型为BP神经网络模型；
BP神经网络模型的输入层节点数与输入向量的维数一致；
学习步长为0.01～0.8；隐藏层节点数为使用节点删除法和扩张法依据网络结构复杂程度和误差需求确定的节点数；
BP神经网络模型的输出层为一层，且节点数与输出向量的个数一致。
本发明的有益效果是：识别电子病历中的关键数据及基础数据；根据关键数据和基础数据，通过预先训练的典型症状诊断模型，获得诊断结果，保证了定位的准确性，实现了儿童社区获得性肺炎的智能诊断。
附图说明
下面将参照附图描述本申请的具体实施例，其中：
图1示出了本申请一实施例提供的一种儿童社区获得性肺炎的智能诊断方法的流程示意图；
图2示出了本申请一个实施例提供的一种儿童社区获得性肺炎的智能诊断方法的界面的示意图。
具体实施方式
现实中，临床医生对于成人常见病的鉴别诊断及治疗经验相对丰富，但临床医生对于儿童疾病的认知及诊断水平较低，往往延误病情、拖延治疗、危及患者生命，医生的诊治水平难以得到实质提高。
基于此，本申请提供一种儿童社区获得性肺炎的智能诊断方法，识别电子病历中的关键数据及基础数据；根据关键数据和基础数据，通过预先训练的典型症状诊断模型，获得诊断结果，保证了定位的准确性，实现了儿童社区获得性肺炎的智能诊断。
具体的，参见图1，本实施例提供的儿童社区获得性肺炎的智能诊断方法为：
S101，获取儿童的电子病历。
本步骤获取儿童的所有就诊病例。
S102，识别电子病历中的关键数据及基础数据。
其中，关键数据为检测的指标数据，基础数据为儿童的身份及历史诊断数据。
具体包括儿童本次就诊的相关病例，和儿童曾经就诊的所有病例。
具体的，
S102-1，从电子病历中获取本次的就诊信息及本次检测结果。
本次就诊信息为儿童本次就医所提供的自述病情，医生诊断结果，儿童本次做的所有检测结果。
S102-2，从电子病历中获取最近一次的就诊信息及最近一次检测结果。
本步骤中获取距本次就诊最近的一次的就诊信息及检测结果。例如，距本次就诊最近的一次的自述病情，医生诊断结果，儿童本次做的所有检测结果。
S102-3，根据本次的就诊信息，本次检测结果，最近一次的就诊信息和最近一次检测结果识别关键数据及基础数据。
本步骤中，从电子病历中确定与本次就诊信息相关的上次就诊信息，
具体实现时有如下两种情况：1)儿童最近一次看过咳嗽，本次又来看咳嗽。2)儿童最近一次看过皮肤，本次看咳嗽。
也就是说，儿童最近一次的就诊信息与本次的就诊信息可以相同也可以不同。
本步骤先获取与本次就诊信息相关的最近一次就诊记录。
·若相关的上次就诊信息为最近一次的就诊信息
则说明儿童上一次看的与本次看的病相关，此时：
1.1，将本次就诊信息中的，姓名，性别，年龄，病情以及最近一次的就诊信息中的病情，诊断结果，诊治记录作为基础数据。
基础数据描述了儿童的一般信息，并非本次的病情信息，基础信息为本次病情诊治提供参考。
1.2，根据本次检测结果和最近一次检测结果确定关键数据。
关键数据描述了儿童本次的病情。
步骤1.2具体实现过程如下：
1.2.1，获取本次检测结果中的各项指标名称及指标值。
指标名称如淋巴细胞百分率，指标值如25％。
1.2.2，获取最近一次检测结果中的各项指标名称及指标值。
1.2.3，确定各指标值的正常属性。
其中，正常属性为正常，风险，异常。
指标值分为两种，一种为阴性，阳性，可疑。一种为数值。
具体的，对于任一指标，
1)若指标对应阴性，阳性和可疑，则
若任一指标的值为阴性，则确定任一指标的值的正常属性为正常。
若任一指标的值为阳性，则确定任一指标的值的正常属性为异常。
若任一指标的值为可疑，则确定任一指标的值的正常属性为风险。
2)若指标对应正常范围，则
确定指标的正常范围。
正常范围有如下几种：正常范围为c-d，或者，正常范围为大于(或大于等于)d，或者，正常范围为小于(小于等于)c。
若任一指标的值位于正常范围内，则确定任一指标的值属性为正常。
若任一指标的值位于正常范围外，则确定正常范围长度L＝b-a，确定比重k＝儿童体重/儿童年龄对应的平均体重。
其中，b为由正常范围确定的上限，a为由正常范围确定的下限。具体的，若正常范围为存在上下限的区间，则b为上限，a为下限；若正常范围仅存在上限，则b为上限，a为0；若正常范围仅存在下限，则b为5倍下限，a为下限。
若k<1，则若任一指标位于正常范围扩大L*k后的范围内，则任一指标的值属于风险，若任一指标位于正常范围扩大L*k后的范围外，则任一指标的值属于异常。
若k＝1，则若任一指标位于正常范围扩大L*儿童年龄/19后的范围内，则任一指标的值属于风险，若任一指标位于正常范围扩大L*儿童年龄/19后的范围外，则任一指标的值属于异常。
若k>1，则若任一指标位于正常范围扩大L/k后的范围内，则任一指标的值属于风险，若任一指标位于正常范围扩大L/k后的范围外，则任一指标的值属于异常。
在确定指标的正常属性值时，属于正常范围内的则为正常，但不属于正常范围内的就是异常，而是稍微不符合正常的范围(如正常范围外，但正常范围扩大L/k后的范围内的范围)作为风险，其他的作为异常。这样对指标值更细致的划分，有助于儿童精细化诊断，提升诊断准确性。
1.2.4，将各项指标名称，对应的正常属性，以及异常和风险属性的指标值确定为关键数据。
对于正常属性的指标，不再记录其数据，对于异常和风险属性的指标则记录其数据。
·若相关的上次就诊信息非最近一次的就诊信息
则说明儿童上一次看的与本次看的病无相关，此时还需要记录相关并且的最近一次就诊信息，如：
2.1，获取相关的上次就诊信息及相关的上次检测结果。
2.2，将如下信息作为基础数据：本次就诊信息中的姓名、性别、年龄、病情作，最近一次的就诊信息中的病情、诊断结果、诊治记录，相关的上次就诊信息中的病情、诊断结果、诊治记录。
2.3，根据本次检测结果、最近一次检测结果和相关的上次检测结果确定关键数据。
具体的，
2.3.1，获取本次检测结果中的各项指标名称及指标值。
2.3.2，获取最近一次检测结果中的各项指标名称及指标值。
2.3.3，获取相关的上次检测结果中各项指标名称及指标值。
2.3.4，确定各指标值的正常属性。
其中，正常属性为正常，风险，异常。
具体的，对于任一指标，
1)若指标对应阴性，阳性和可疑，则
若任一指标的值为阴性，则确定任一指标的值的正常属性为正常。
若任一指标的值为阳性，则确定任一指标的值的正常属性为异常。
若任一指标的值为可疑，则确定任一指标的值的正常属性为风险。
2)若指标对应正常范围，则
确定指标的正常范围。
若任一指标的值位于正常范围内，则确定任一指标的值属性为正常。
若任一指标的值位于正常范围外，则确定正常范围长度L＝b-a，确定比重k＝儿童体重/儿童年龄对应的平均体重。
其中，
若正常范围为存在上下限的区间，则b为上限，a为下限；若正常范围仅存在上限，则b为上限，a为0；若正常范围仅存在下限，则b为5倍下限，a为下限；
若k<1，则若任一指标位于正常范围扩大L*k后的范围内，则任一指标的值属于风险，若任一指标位于正常范围扩大L*k后的范围外，则任一指标的值属于异常。
若k＝1，则若任一指标位于正常范围扩大L*儿童年龄/19后的范围内，则任一指标的值属于风险，若任一指标位于正常范围扩大L*儿童年龄/19后的范围外，则任一指标的值属于异常。
若k>1，则若任一指标位于正常范围扩大L/k后的范围内，则任一指标的值属于风险，若任一指标位于正常范围扩大L/k后的范围外，则任一指标的值属于异常。
2.3.5，根据各项指标名称，对应的正常属性，以及异常和风险属性的指标值确定关键数据。
例如，将本次检测结果中各项指标名称，对应的正常属性，以及异常和风险属性的指标值确定关键数据。将相关的上次检测结果中各项指标名称，对应的正常属性，以及异常和风险属性的指标值确定关键数据。确定最近一次检测结果中的相关指标的名称，对应的正常属性，以及异常和风险属性的指标值确定关键数据。
其中，相关指标为相同指标，且相同指标在最近一次检测结果中的指标值与其在本次检测结果中的指标值和/或其在相关的上次检测结果中的指标值不同。
相同指标为位于最近一次检测结果中，同时位于本次检测结果中和/或相关的上次检测结果的指标。
本步骤中，本次记录以及相似的上次记录中的数据均会被提取。而最近一次记录由于与本次病情无关，仅可作为参考，因此对于上次记录中与本次(或者相似的上次)指标值相同的指标，则不再记录。对于不相同的，则说明需要注意，因此对其进行记录。
S103，根据关键数据和基础数据，通过预先训练的典型症状诊断模型，获得诊断结果。
其中，典型症状诊断模型为BP神经网络模型，
BP神经网络模型的输入层节点数与输入向量的维数一致，
学习步长为0.01～0.8。隐藏层节点数为使用节点删除法和扩张法依据网络结构复杂程度和误差需求确定的节点数。
BP神经网络模型的输出层为一层，且节点数与输出向量的个数一致。
本方法在具体实现时可以通过如图2所示的界面获取信息，并展示信息。
本实施例提供的方法，识别电子病历中的关键数据及基础数据；根据关键数据和基础数据，通过预先训练的典型症状诊断模型，获得诊断结果，保证了定位的准确性，实现了儿童社区获得性肺炎的智能诊断。
需要明确的是，本发明并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见，这里省略了对已知方法的详细描述。在上述实施例中，描述和示出了若干具体的步骤作为示例。但是，本发明的方法过程并不限于所描述和示出的具体步骤，本领域的技术人员可以在领会本发明的精神后，作出各种改变、修改和添加，或者改变步骤之间的顺序。
还需要说明的是，本发明中提及的示例性实施例，基于一系列的步骤或者装置描述一些方法或系统。但是，本发明不局限于上述步骤的顺序，也就是说，可以按照实施例中提及的顺序执行步骤，也可以不同于实施例中的顺序，或者若干步骤同时执行。
最后应说明的是：以上所述的各实施例仅用于说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分或全部技术特征进行等同替换；而这些修改或替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (9)

1.一种儿童社区获得性肺炎的智能诊断方法，其特征在于，所述方法包括：
S101，获取儿童的电子病历；
S102，识别电子病历中的关键数据及基础数据，所述关键数据为检测的指标数据，所述基础数据为所述儿童的身份及历史诊断数据；所述识别电子病历中的关键数据，包括确定各指标值的正常属性，包括：
对于任一指标，
1)若所述指标对应阴性，阳性和可疑，则
若所述任一指标的值为阴性，则确定所述任一指标的值的正常属性为正常；
若所述任一指标的值为阳性，则确定所述任一指标的值的正常属性为异常；
若所述任一指标的值为可疑，则确定所述任一指标的值的正常属性为风险；
2)若所述指标对应正常范围，则
确定所述指标的正常范围；
若所述任一指标的值位于正常范围内，则确定所述任一指标的值属性为正常；
若所述任一指标的值位于所述正常范围外，则确定所述正常范围长度L＝b-a，确定比重k＝所述儿童体重/所述儿童年龄对应的平均体重，其中，b为由正常范围确定的上限，a为由正常范围确定的下限；
若k<1，则若所述任一指标位于所述正常范围扩大L*k后的范围内，则所述任一指标的值属于风险，若所述任一指标位于所述正常范围扩大L*k后的范围外，则所述任一指标的值属于异常；
若k＝1，则若所述任一指标位于所述正常范围扩大L*所述儿童年龄/19后的范围内，则所述任一指标的值属于风险，若所述任一指标位于所述正常范围扩大L*所述儿童年龄/19后的范围外，则所述任一指标的值属于异常；
若k>1，则若所述任一指标位于所述正常范围扩大L/k后的范围内，则所述任一指标的值属于风险，若所述任一指标位于所述正常范围扩大L/k后的范围外，则所述任一指标的值属于异常；
S103，根据所述关键数据和基础数据，通过预先训练的典型症状诊断模型，获得诊断结果。
2.根据权利要求1所述的方法，其特征在于，所述S102具体包括：
S102-1，从所述电子病历中获取本次的就诊信息及本次检测结果；
S102-2，从所述电子病历中获取最近一次的就诊信息及最近一次检测结果；
S102-3，根据所述本次的就诊信息，本次检测结果，最近一次的就诊信息和最近一次检测结果识别关键数据及基础数据。
3.根据权利要求2所述的方法，其特征在于，所述S102-3具体包括：
从所述电子病历中确定与本次就诊信息相关的上次就诊信息，若相关的上次就诊信息为最近一次的就诊信息，则
将所述本次就诊信息中的，姓名，性别，年龄，病情以及所述最近一次的就诊信息中的病情，诊断结果，诊治记录作为基础数据；
根据所述本次检测结果和所述最近一次检测结果确定关键数据。
4.根据权利要求3所述的方法，其特征在于，所述根据所述本次检测结果和所述最近一次检测结果确定关键数据，包括：
获取本次检测结果中的各项指标名称及指标值；
获取最近一次检测结果中的各项指标名称及指标值；
确定各指标值的正常属性，所述正常属性为正常，风险，异常；
将各项指标名称，对应的正常属性，以及异常和风险属性的指标值确定为关键数据。
5.根据权利要求2所述的方法，其特征在于，所述S102-3具体包括：
从所述电子病历中确定与本次就诊信息相关的上次就诊信息，若相关的上次就诊信息非最近一次的就诊信息，则
获取相关的上次就诊信息及相关的上次检测结果；
将如下信息作为基础数据：本次就诊信息中的姓名、性别、年龄、病情，最近一次的就诊信息中的病情、诊断结果、诊治记录，相关的上次就诊信息中的病情、诊断结果、诊治记录；
根据所述本次检测结果、所述最近一次检测结果和相关的上次检测结果确定关键数据。
6.根据权利要求5所述的方法，其特征在于，所述根据所述本次检测结果、所述最近一次检测结果和相关的上次检测结果确定关键数据，包括：
获取本次检测结果中的各项指标名称及指标值；
获取最近一次检测结果中的各项指标名称及指标值；
获取相关的上次检测结果中各项指标名称及指标值；
确定各指标值的正常属性，所述正常属性为正常，风险，异常；
根据各项指标名称，对应的正常属性，以及异常和风险属性的指标值确定关键数据。
7.根据权利要求6所述的方法，其特征在于，所述根据各项指标名称，对应的正常属性，以及异常和风险属性的指标值确定关键数据，包括：
将本次检测结果中各项指标名称，对应的正常属性，以及异常和风险属性的指标值确定关键数据；
将相关的上次检测结果中各项指标名称，对应的正常属性，以及异常和风险属性的指标值确定关键数据；
确定所述最近一次检测结果中的相关指标的名称，对应的正常属性，以及异常和风险属性的指标值确定关键数据；
其中，所述相关指标为相同指标，且相同指标在所述最近一次检测结果中的指标值与其在本次检测结果中的指标值和/或其在相关的上次检测结果中的指标值不同；
所述相同指标为位于所述最近一次检测结果中，同时位于所述本次检测结果中和/或所述相关的上次检测结果的指标。
8.根据权利要求7所述的方法，其特征在于，若所述正常范围为存在上下限的区间，则b为上限，a为下限；若正常范围仅存在上限，则b为上限，a为0；若正常范围仅存在下限，则b为5倍下限，a为下限。
9.根据权利要求1至8任一所述的方法，其特征在于，典型症状诊断模型为BP神经网络模型；
BP神经网络模型的输入层节点数与输入向量的维数一致；
学习步长为0.01～0.8；隐藏层节点数为使用节点删除法和扩张法依据网络结构复杂程度和误差需求确定的节点数；
BP神经网络模型的输出层为一层，且节点数与输出向量的个数一致。
CN202010003962.8A 2020-01-03 2020-01-03 一种儿童社区获得性肺炎的智能诊断方法 Active CN111192683B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010003962.8A CN111192683B (zh) 2020-01-03 2020-01-03 一种儿童社区获得性肺炎的智能诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010003962.8A CN111192683B (zh) 2020-01-03 2020-01-03 一种儿童社区获得性肺炎的智能诊断方法

Publications (2)

Publication Number Publication Date
CN111192683A CN111192683A (zh) 2020-05-22
CN111192683B true CN111192683B (zh) 2023-05-05

Family

ID=70708126

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010003962.8A Active CN111192683B (zh) 2020-01-03 2020-01-03 一种儿童社区获得性肺炎的智能诊断方法

Country Status (1)

Country Link
CN (1) CN111192683B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004261376A (ja) * 2003-02-28 2004-09-24 Institute Of Physical & Chemical Research 身体動揺測定方法、身体動揺測定プログラムおよび身体動揺測定システム
CA2488692A1 (en) * 2004-11-30 2006-05-30 Lms Medical Systems Ltd. Method and apparatus for estimating a likelihood of shoulder dystocia

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002203043A (ja) * 2000-12-28 2002-07-19 Sanyo Electric Co Ltd 診療支援装置
RU2009148236A (ru) * 2009-12-25 2011-06-27 Илья Николаевич Медведев (RU) Способ снижения функциональной активности тромбоцитов у лиц молодого возраста с высоким нормальным артериальным давлением и избыточной массой тела
US20140100883A1 (en) * 2012-10-08 2014-04-10 Cerner Innovation, Inc. Contracts and organization management program
RU2579317C1 (ru) * 2014-12-25 2016-04-10 Федеральное государственное бюджетное учреждение "Дальневосточный научный центр физиологии и патологии дыхания" СО РАМН Способ диагностики нарушения энергетического метаболизма лимфоцитов при внебольничной пневмонии у детей
CA2920246A1 (en) * 2015-02-13 2016-08-13 D. Travis Wilson Therapeutic compositions including chroman derivatives and uses thereof to treat and prevent mitochondrial diseases and conditions
CA2881746A1 (en) * 2015-02-13 2016-08-13 Stealth Peptides International, Inc. Therapeutic compositions including mitochondrial fission inhibitor peptides, variants thereof, and methods of using the same to treat and prevent mitochondrial diseases and conditions
CN106951719A (zh) * 2017-04-10 2017-07-14 荣科科技股份有限公司 临床诊断模型的构建方法及构建系统、临床诊断系统
CN110364233A (zh) * 2018-04-09 2019-10-22 首都医科大学附属北京儿童医院 医疗数据采集管理随访系统
CN109935336B (zh) * 2019-01-15 2023-10-31 北京思普科软件股份有限公司 一种儿童呼吸科疾病的智能辅助诊断系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004261376A (ja) * 2003-02-28 2004-09-24 Institute Of Physical & Chemical Research 身体動揺測定方法、身体動揺測定プログラムおよび身体動揺測定システム
CA2488692A1 (en) * 2004-11-30 2006-05-30 Lms Medical Systems Ltd. Method and apparatus for estimating a likelihood of shoulder dystocia

Also Published As

Publication number Publication date
CN111192683A (zh) 2020-05-22

Similar Documents

Publication Publication Date Title
US11961621B2 (en) Predicting intensive care transfers and other unforeseen events using machine learning
JP6828055B2 (ja) 患者緊急度の臨床医評価の推定及び使用
JP2018503902A (ja) 診断妥当性基準を採用することによって病態を特定するための診断検査の最適なシーケンスを決定することに適合した医用鑑別診断装置
Rostill et al. Technology integrated health management for dementia
Liang et al. Effectiveness of a nurse‐led tele‐homecare program for patients with multiple chronic illnesses and a high risk for readmission: a randomized controlled trial
JP2022527571A (ja) 病状によって影響を受ける可能性がある被験者を識別するための方法およびシステム
US11640858B2 (en) Digital therapeutic platform
CN111568445B (zh) 一种基于谵妄动态预测模型的谵妄风险监测方法及系统
US20110066451A1 (en) Method and apparatus for providing health management information
CN105408905A (zh) 用于患者监测系统的临床规则和定义的计算机化与可视化
Choudhury et al. Human factors: bridging artificial intelligence and patient safety
Mouchabac et al. Prevention of suicidal relapses in adolescents with a smartphone application: Bayesian network analysis of a preclinical trial using in silico patient simulations
Parvin et al. Personalized real-time anomaly detection and health feedback for older adults
Jeong et al. Pivotal challenges in artificial intelligence and machine learning applications for neonatal care
Su et al. The influence of informal caregivers' preparedness on psychological symptoms and quality of life among patients with heart failure and insufficient self-care
CN111192683B (zh) 一种儿童社区获得性肺炎的智能诊断方法
Kalatzis et al. Interactive dimensionality reduction for improving patient adherence in remote health monitoring
Bichindaritz Solving safety implications in a case based decision-support system in medicine
Juliet Investigations on Machine Learning Models for Mental Health Analysis and Prediction
Jiang et al. PercolationDF: A percolation-based medical diagnosis framework
Hine et al. Decision making by emergency room physicians and residents: implications for the design of clinical decision support systems
Parry et al. Fuzzy ontologies for cardiovascular risk prediction-A research approach
Kumar et al. Fuzzy logic applications in healthcare: A review-based study
US20230360780A1 (en) Generating information indicative of an interaction
O’Neill et al. “Sick or not sick?” A mixed methods study evaluating the rapid determination of illness severity in a pediatric emergency department

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