基于人工智能的多维度脑卒中预防筛查方法
技术领域
本发明涉及涉及存储于云平台的数据库,脑卒中预防筛查方案软件和脑卒中预防筛查硬件设备,属于人工智能、大数据、生物医疗三大领域的交叉学科相关技术的应用,尤其涉及一种基于人工智能的多维度脑卒中预防筛查系统。
背景技术
脑卒中作为一种急性脑血管病,其主要临床表现症状有脑组织缺血及出血性损伤,具体表现为高发病率、高致残率、高死亡率和高复发率。作为一个不可逆的、复杂的、循序渐进的疾病过程,脑卒中没有特定的金标准,家庭,社会危害性很大。通过对脑卒中预防筛查分析系统进行脑卒中筛查可以有效预防中风和对治疗效果评估,提高病人预防意识。如果延缓中风发病年龄5-10年,将会减轻对家庭、国家、社会的经济负担和就医负担。
目前研究和论文成果可知,高血压病、房颤或明显的脉搏不齐、高胆固醇血症及颈动脉狭窄被认为是脑卒中的致病因素,因为临床结果证实对这些疾病的积极治疗和控制可以明显降低脑卒中的发生概率。吸烟、酗酒、胰岛素抵抗以及糖尿病也被认为是脑卒中的致病因素。还有研究发现,环境污染、儿童时期糟糕的健康状况、高风险饮食、营养摄入不足、缺乏运动、肥胖、血压波动、睡眠呼吸障碍、慢性炎症、慢性肾脏疾病、偏头痛、激素紊乱、社会心理压力、抑郁,工作压力以及工作时间过长都会增加脑卒中的发生概率。
除了可引起早发性卒中的罕见高度穿透性孟德尔突变外,一些遗传位点被证明与脑卒中的发生有关,例如12号染色体q24.12上靠近ALDH2基因区域与缺血性卒中有关;16号染色体q22上的ZFHX3基因以及4号染色体q25上的PITX2基因与心源性栓塞卒中有关;7号染色体p21上的HDAC9基因和1号染色体p13.2上靠近TSPAN2基因区域与大血管中风有关;6号染色体p25上靠近FOXF2基因区域与小血管疾病有关。
近年来寻找和筛查脑卒中高危人群血液生化标志物的研究逐渐引起人们的注意。在脑卒中早期病变、发病过程和干预治疗过程中一些特异性的生化物质会释放到血液中,或者血液中的一些常规指标浓度水平长期处于异常水平。现阶段研究较多且关联关系明确的脑卒中致病、发病生化因子主要有:LP-PLA2脂蛋白相关磷脂酶A2、HCY同型半胱氨酸、LP(a)脂蛋白a、hs-CRP超敏C反应蛋白、D-DD-二聚体、FDP纤维蛋白(原)降解产物、ACE血管紧张素转换酶、IMA缺血修饰白蛋白、CHO胆固醇、TG甘油三酯、HDL-C高密度脂蛋白胆固醇、LDL-C低密度脂蛋白胆固醇、APOE载脂蛋白E、FFA游离脂肪酸、GSP糖化血清蛋白、GA糖化白蛋白等。目前这些生化指标的研究虽然有初步进展,但在临床使用过程中都不是特别理想,单个生化指标虽然一般情况下都可以成为脑卒中致病或发病后的独立风险因子或进展性指标,但是特异性不强,存在很大的误差。由于脑卒中致病因素复杂,因此单独的生化指标很难反映出疾病的进展情况。
目前临床当中使用较广的风险评估主要是弗莱明翰脑卒中风险评估量表,但是该评估方法由于其便捷性较高,采集对象的数据信息较少,因此对于脑卒中预防筛查能力十分有限。
因此,脑卒中预防筛查系统吸纳一定量的量化血液生化生物标志物指标和日常监测指标有利于增加脑卒中预防筛查的精准性。由于纳入脑卒中预防筛查系统指标的复杂多样,就需要借助人工智能技术,找到数据中人不容易总结的组合规律,学习各种组合的可能性。随着近些年机器学习与人工智能技术的高速发展,人工智能应用于脑卒中预防筛查系统成为可能,而且在临床研究中取得了很好的效果。
发明内容
为解决现有技术中存在的技术问题,本发明提供了一种由存储于云平台的数据库,脑卒中预防筛查方案软件和脑卒中预防筛查硬件设备等组成的人工智能脑卒中预防筛查方法,利用脑卒中预防筛查对象的医生临床问诊数据、血液生化生物标志物、日常监测指标等共计34项脑卒中相关指标,并根据所建立的人工智能算法模型,在系统设备上输出脑卒中预防筛查报告,在APP、小程序等软件输出医疗关怀和预警。本方法优势在于可帮助脑卒中预防筛查对象和医生进行脑卒中风险管控,实现脑卒中预防全生命周期管理,有利于防范于未然,降低脑卒中发病率,减轻社会负担。
本发明提供了一种基于人工智能的多维度脑卒中预防筛查方法,包括如下步骤:
S1:将收集到的脑卒中三大维度的数据,通过网络传输到云计算服务平台,建立脑卒中病例数据库;
S2:根据步骤S1中建立的脑卒中病例数据库,建立脑卒中预防筛查人工智能算法模型,根据脑卒中病例实际发病情况,验证脑卒中预防筛查人工智能算法模型;
S3:将脑卒中三大维度的数据输入脑卒中相关数据输入报告输出设备中,并根据预防筛查人工智能算法模型,输出脑卒中预防筛查报告。
优选地,步骤S1中建立脑卒中病例数据库的具体方法,包括如下步骤:
S11:收集脑卒中三大维度的数据;所述脑卒中三大维度包括医生临床问诊数据、血液生化生物标志物、日常监测指标;
S12:将收集到的脑卒中三大维度的数据信息依据唯一ID存储到云服务平台的病例库,记录生命周期内的检测指标、医生诊断与用户日常状态跟踪数据,形成脑卒中病例数据库;
S13:对步骤S12中形成的脑卒中病例数据库的数据进行预处理;
S14:对脑卒中病例数据库的数据进行划分,70%的数据用作训练数据集,30%的数据用作验证数据集。
优选地,步骤S12中的预处理包括:
特征聚合,对脑卒中风险因素中具有相关性的多个潜在因素特征进行聚合,使其对脑卒中风险评估占相同的比重,具有相关性的多个潜在因素特征如吸烟和嗜酒,房颤和明显脉搏不齐等;
数据筛选,去除数据缺失比例超过阈值的训练样本和特征;
特征选择,选取特征子集;特征子集分别为医生临床问诊数据、血液生化生物标志物和日常监测指标;
数据推演,对部分不完整的特征子集进行缺失特征子集推演。其中,举例说明,特征子集为34个指标,特征子集的数据缺少1-2个,特征子集缺的数据可根据其他相似数据,进行缺失特征子集推演。如临床指标中缺少血脂相关信息,可根据血清生化指标的甘油三酯、总胆固醇等指标推演。
优选地,所述医生临床问诊数据包括:脑卒中病史、脑卒中家族史、房颤或瓣膜性心脏病、年龄、糖尿病、血脂、血压、体育锻炼、BMI和吸烟酗酒情况;所述血液生化生物标志物包括:D二聚体、纤维原蛋白降解产物、脂蛋白a、载脂蛋白E、同型半胱氨酸、超敏C反应蛋白、脂蛋白相关磷脂酶A2、胆固醇、甘油三酯、高密度脂蛋白胆固醇、低密度脂蛋白胆固醇、血管紧张素转换酶、缺血修饰白蛋白、糖化白蛋白、糖化血清蛋白和游离脂肪酸;所述日常监测指标包括:血糖、血压、体重、饮食、心率、睡眠、体温和运动情况。所述饮食是根据每日摄入总热量是否超标进行自我评价的。
优选地,步骤S2中的建立脑卒中预防筛查人工智能算法模型具体方法,包括如下步骤:
S21:建立模型:根据步骤S1中建立的脑卒中病例数据库,运用人工智能的深度神经网络算法,结合Adanet AutoML技术,得出脑卒中病例数据库的检测数据与脑卒中风险之间的对应关系,建立脑卒中预防筛查人工智能算法模型;
S22:模型优化:对步骤S21中得到的脑卒中预防筛查人工智能算法模型进行优化:在模型训练过程中同时优化线性模型和深度神经网络模型的参数,将线性模型的浅层线性划分与深度神经网络模型的深层语义学习结合,从而达到整体脑卒中预防筛查人工智能算法模型的预测能力最优;
S23:参数调整:模型训练采用自动调优,采用Adanet AutoML技术,自动调整网络结构,提高模型对脑卒中风险的识别精度;
S24:模型训练:脑卒中预防筛查人工智能算法模型训练包括风险预测模型、早期诊断模型和预后评估模型;
S25:模型评估:模型有效性评估将采用“双盲法”进行,以评价模型预测结果是否与医学指南预测结果有统计学差异,通过自动调优,直至模型预测结果的准确度优于医学指南。其中,医学指南划归为高危人群的比重偏高,而实际的致病率低于20%。
优选地,所述风险预测模型的有效性评估阳性数据将筛选自数据集中1年内发病的患者历史数据以及2年内发病的患者历史数据;阴性数据选自数据集中3年均未发病的样本历史数据;有效性评估阳性数据由统计人员筛选并消除患病与否相关信息后交予实验人员,并由实验人员交予医疗从业人员及模型预测人员对发病概率进行预测,预测结果由实验人员交由统计人员进行检验;
早期诊断模型数据集的构成为已发病患者历史数据及发病早期数据,以脑卒中的最终诊断结果为标记采用监督学习模式进行模型训练;
预后评估模型数据集的构成为已发病患者的历史数据、发病期数据及恢复期数据,以患者的愈后情况为标记采用监督学习模式进行模型训练。
优选地,所述脑卒中相关数据输入报告输出设备包括:基于全自动生化分析仪的终端设备、移动端程序软件,所述移动端程序软件包括APP、小程序。
优选地,脑卒中相关数据输入报告输出设备的终端设备结果输出流程为:终端设备进行血液生化生物标志物检测分析得到定量的血液生化结果,与云服务平台连接,同时结合该筛查对象的日常监测指标、医生临床问诊数据,并根据脑卒中预防筛查人工智能算法模型,最终呈现智能脑卒中预防筛查系统报告,预防筛查系统报告包括:医生临床问诊数据、血液生化生物标志物、日常监测指标的具体情况,风险系数,结果解释,处理意见信息。
优选地,脑卒中相关数据输入报告输出设备的移动端程序软件结果输出流程为:移动端程序软件获取日常监测指标,移动端数据通过网络与云服务平台建立连接,日常监测指数据上传至云服务平台,系统根据该筛查对象的医生临床问诊数据和血液生化生物标志物信息,并根据脑卒中预防筛查人工智能算法模型,结合领域医疗知识库给出相应的个人健康信息记录、医疗关怀和医疗预警。
优选地,所述领域医疗知识库的资源信息一方面来自于病例库中的医生就指标的诊断结果,另一方面来自于线上医疗社区的问答知识。
与现有技术相对比,本发明的有益效果如下:
(1)本发明提供的预防筛查方法可帮助脑卒中预防筛查对象和医生进行脑卒中风险管控,实现脑卒中预防全生命周期管理,有利于防范于未然,降低脑卒中发病率,减轻社会负担。
(2)本发明提供的方法使得人工智能应用于脑卒中预防筛查系统成为可能,而且在临床研究中取得了很好的效果。
(3)本发明提供的数据库中包括脑卒中三大维度的数据;脑卒中三大维度包括医生临床问诊数据、血液生化生物标志物、日常监测指标;脑卒中预防筛查系统吸纳一定量的量化血液生化生物标志物指标和日常监测指标有利于增加脑卒中预防筛查的精准性。
(4)本发明模型有效性评估采用“双盲法”进行,以评价模型预测结果是否与医学从业人员预测结果有统计学差异,如果有差异,统计学差异的模型预测结果是是显著优于还是显著劣于医学从业人员预测结果,该方法评估准确度高,结果可靠性好。
附图说明
图1为本发明提供的脑卒中病例数据库建立流程图;
图2为本发明提供的脑卒中预防筛查人工智能算法模型建立流程图;
图3为本发明提供的脑卒中相关数据输入报告输出设备的终端设备结果输出流程图;
图4为本发明提供的脑卒中相关数据输入报告输出设备的移动端程序软件结果输出流程图;
图5为本发明提供的基于人工智能的多维度脑卒中预防筛查系统工作流程图;
具体实施方式
下面结合附图1-5,对本发明的具体实施方式作详细的说明。
本发明提供了一种基于人工智能的多维度脑卒中预防筛查方法,包括如下步骤:
S1:将收集到的脑卒中三大维度的数据,通过网络传输到云计算服务平台,建立脑卒中病例数据库;
S2:根据步骤S1中建立的脑卒中病例数据库,建立脑卒中预防筛查人工智能算法模型,根据脑卒中病例实际发病情况,验证脑卒中预防筛查人工智能算法模型;
S3:将脑卒中三大维度的数据输入脑卒中相关数据输入报告输出设备中,并根据预防筛查人工智能算法模型,输出脑卒中预防筛查报告。
如图1所示,本发明提供的步骤S1中建立脑卒中病例数据库的具体方法,包括如下步骤:
S11:收集脑卒中三大维度的数据;所述脑卒中三大维度包括医生临床问诊数据、血液生化生物标志物、日常监测指标;
S12:将收集到的脑卒中三大维度的数据信息依据唯一ID存储到云服务平台的病例库,记录生命周期内的检测指标、医生诊断与用户日常状态跟踪数据,形成脑卒中病例数据库;
S13:对步骤S12中形成的脑卒中病例数据库的数据进行预处理;
S14:对脑卒中病例数据库的数据进行划分,70%的数据用作训练数据集,30%的数据用作验证数据集。
作为优选实施方式,本发明提供的步骤S12中的预处理包括:
特征聚合,对脑卒中风险因素中具有相关性的多个潜在因素特征进行聚合,使其对脑卒中风险评估占相同的比重,具有相关性的多个潜在因素特征如吸烟和嗜酒,房颤和明显脉搏不齐等;
数据筛选,去除数据缺失比例超过阈值的训练样本和特征;
特征选择,选取特征子集;特征子集分别为医生临床问诊数据、血液生化生物标志物和日常监测指标;
数据推演,对部分不完整的特征子集进行缺失特征子集推演。其中,举例说明,特征子集为34个指标,特征子集的数据缺少1-2个,特征子集缺的数据可根据其他相似数据,进行缺失特征子集推演。如临床指标中缺少血脂相关信息,可根据血清生化指标的甘油三酯、总胆固醇等指标推演。作为优选实施方式,本发明提供的医生临床问诊数据包括:脑卒中病史、脑卒中家族史、房颤或瓣膜性心脏病、年龄、糖尿病、血脂、血压、体育锻炼、BMI和吸烟酗酒情况;所述血液生化生物标志物包括:D二聚体、纤维原蛋白降解产物、脂蛋白a、载脂蛋白E、同型半胱氨酸、超敏C反应蛋白、脂蛋白相关磷脂酶A2、胆固醇、甘油三酯、高密度脂蛋白胆固醇、低密度脂蛋白胆固醇、血管紧张素转换酶、缺血修饰白蛋白、糖化白蛋白、糖化血清蛋白和游离脂肪酸;所述日常监测指标包括:血糖、血压、体重、饮食、心率、睡眠、体温和运动情况。
如图2所示,本发明提供的步骤S2中的建立脑卒中预防筛查人工智能算法模型具体方法,包括如下步骤:
S21:建立模型:根据步骤S1中建立的脑卒中病例数据库,运用人工智能的深度神经网络算法,结合Adanet AutoML技术,得出脑卒中病例数据库的检测数据与脑卒中风险之间的对应关系,建立脑卒中预防筛查人工智能算法模型;
S22:模型优化:对步骤S21中得到的脑卒中预防筛查人工智能算法模型进行优化:在模型训练过程中同时优化线性模型和深度神经网络模型的参数,将线性模型的浅层线性划分与深度神经网络模型的深层语义学习结合,从而达到整体脑卒中预防筛查人工智能算法模型的预测能力最优;
S23:参数调整:模型训练采用自动调优,采用Adanet AutoML技术,自动调整网络结构,提高模型对脑卒中风险的识别精度;
S24:模型训练:脑卒中预防筛查人工智能算法模型训练包括风险预测模型、早期诊断模型和预后评估模型;
S25:模型评估:模型有效性评估将采用“双盲法”进行,以评价模型预测结果是否与医学指南预测结果有统计学差异,通过自动调优,直至模型预测结果的准确度优于医学指南。
作为优选实施方式,本发明提供的所述风险预测模型的有效性评估阳性数据将筛选自数据集中1年内发病的患者历史数据以及2年内发病的患者历史数据;阴性数据选自数据集中3年均未发病的样本历史数据;有效性评估阳性数据由统计人员筛选并消除患病与否相关信息后交予实验人员,并由实验人员交予医疗从业人员及模型预测人员对发病概率进行预测,预测结果由实验人员交由统计人员进行检验;
早期诊断模型数据集的构成为已发病患者历史数据及发病早期数据,以脑卒中的最终诊断结果为标记采用监督学习模式进行模型训练;
预后评估模型数据集的构成为已发病患者的历史数据、发病期数据及恢复期数据,以患者的愈后情况为标记采用监督学习模式进行模型训练。
作为优选实施方式,本发明提供的所述脑卒中相关数据输入报告输出设备包括:基于全自动生化分析仪的终端设备、移动端程序软件,所述移动端程序软件包括APP、小程序。
如图3所示,本发明提供的脑卒中相关数据输入报告输出设备的终端设备结果输出流程为:终端设备进行血液生化生物标志物检测分析得到定量的血液生化结果,与云服务平台连接,同时结合该筛查对象的日常监测指标、医生临床问诊数据,并根据脑卒中预防筛查人工智能算法模型,最终呈现智能脑卒中预防筛查系统报告,预防筛查系统报告包括:医生临床问诊数据、血液生化生物标志物、日常监测指标的具体情况,风险系数,结果解释,处理意见信息。
如图4所示,本发明提供的脑卒中相关数据输入报告输出设备的移动端程序软件结果输出流程为:移动端程序软件获取日常监测指标,移动端数据通过网络与云服务平台建立连接,日常监测指数据上传至云服务平台,系统根据该筛查对象的医生临床问诊数据和血液生化生物标志物信息,并根据脑卒中预防筛查人工智能算法模型,结合领域医疗知识库给出相应的个人健康信息记录、医疗关怀和医疗预警。
作为优选实施方式,本发明提供的所述领域医疗知识库的资源信息一方面来自于病例库中的医生就指标的诊断结果,另一方面来自于线上医疗社区的问答知识。
实施例1:脑卒中病例数据库建立流程
如图1所示:人工智能的多维度脑卒中预防筛查系统以脑卒中三大维度的数据作为建库的主要数据。
第一方面纳入系统的是医生临床问诊数据,包括:脑卒中病史、脑卒中家族史、房颤或瓣膜性心脏病、年龄、糖尿病、血脂、血压、体育锻炼、BMI和吸烟酗酒情况等共10项。医生临床问诊数据主要通过医生对筛查对象进行问诊,根据筛查对象对上述10项脑卒中相关定性指标的描述,以“是”与“否”记录结果。医生输入脑卒中相关数据输入报告输出终端设备,终端设备通过网络与云服务平台建立连接,医生临床问诊数据上传至云服务平台,并进行数据存储。
第二方面纳入系统的是血液生化生物标志物,包括:D二聚体、纤维原蛋白降解产物、脂蛋白a、载脂蛋白E、同型半胱氨酸、超敏C反应蛋白、脂蛋白相关磷脂酶A2、胆固醇、甘油三酯、高密度脂蛋白胆固醇、低密度脂蛋白胆固醇、血管紧张素转换酶、缺血修饰白蛋白、糖化白蛋白、糖化血清蛋白和游离脂肪酸等共16项。脑卒中相关数据输入报告输出终端设备的硬件为全自动生化分析仪,筛查对象提供自身血液进行上述16项的血液生化检测,设备检测分析并得出16项血液生化定量检测结果,同时与16个项目各自的正常参考范围进行比较,终端设备通过网络与云服务平台建立连接,血液生化生物标志物数据上传至云服务平台,并进行数据存储。
第三方面纳入系统的是日常监测指标,包括:血糖、血压、体重、饮食、心率、睡眠、体温和运动情况等共8项。筛查对象通过使用脑卒中相关数据输入报告输出移动端程序软件,把相应的上述8项日常监测指标主动输入或者直接被移动端程序软件测得,移动端数据通过网络与云服务平台建立连接,日常监测指数据上传至云服务平台,并进行数据存储。
依据筛选对象唯一ID,云服务平台接收病例信息并存储后,脑卒中病例数据库的数据进行预处理。包括四个方面的处理:特征聚合,对较弱的但具有相关性的特征取平均;数据筛选,去除数据缺失比例超过阈值的训练样本和特征;特征选择,选取最合适的特征子集;数据推演,对部分不是很完整的数据进行缺失数据推演。
最后对脑卒中病例数据库数据进行划分,数据的70%用作训练数据集,30%用作验证数据集。
实施例2:脑卒中预防筛查人工智能算法模型建立流程
如图2所示,样本数据同时包含医生临床问诊数据的定性数据和脑卒中生物标志物结果与日常监测指标的定量数据,样本数据中定性结果以0表示“否”,以1表示“是”,样本定量结果以数据原始值作为模型特征值输入模型进行计算。依据样本特征值可能包含非线性因素,因此比较随机森林、支持向量机、深度神经网络等算法,通过输出层采用Softmax,同时采用Dropout避免模型过拟合。采用交叉验证(Cross Validation)方法、混淆矩阵(Confusion Matrix)作为结果评价方法并计算准确率,召回率及F值,确立了采用多层神经网络,ADAM优化算法的深度神经网络。
Wide&Deep模型结合线性模型的浅层规则拟合记忆能力(memorization)和深度神经网络模型的多因素组合下深层表达泛化能力(generalization),在训练过程中同时优化2个模型的参数,将浅层线性划分与深层语义学习结合,从而达到整体模型的预测能力最优。其中Wide模型是线性模型,计算公式:y=WTx+b其中,x是输入模型的特征集合,WT是每个特征的权重,y是线性模型的输出结果。);Deep模型即深度神经网络模型,输入的是经过向量化层的特征向量,计算公式:al+1=f(Wlal+bl)其中,l是隐藏层数,f是激活函数,al、bl、Wl别分是第l层的输出、偏倚、权重。经过联合训练,得出Wide&Deep模型的基础预测计算公式:P(Y=1|x)=σ(wT wide[x,Φ(x)]+wT deepalf+b)其中,Y是输出结果,σ是激活函数,wT wide是Wide模型的权重,wT deep是Deep模型的权重。
模型训练采用自动调优,有别于人工设定超参,采用业内领先的谷歌AdanetAutoML技术,自动调整网络结构,进一步提高模型对脑卒中风险的识别精度。其中风险预测模型有效性评估阳性数据将筛选自数据集中1年内发病的患者历史数据以及2年内发病的患者历史数据;阴性数据选自数据集中3年均未发病的样本历史数据。(样本量确定,统计方法及显著性确定)数据由统计人员筛选并消除患病与否相关信息后交予实验人员,并由实验人员交予医疗从业人员及模型预测人员对发病概率进行预测,预测结果由实验人员交由统计人员进行检验;早期诊断模型数据集的构成为已发病患者历史数据及发病早期数据,以脑卒中的最终诊断结果为标记采用监督学习模式进行模型训练;预后评估模型数据集的构成为已发病患者的历史数据、发病期数据及恢复期数据,以患者的愈后情况为标记采用监督学习模式进行模型训练;模型有效性评估将采用“双盲法”进行,以评价模型预测结果是否与医学从业人员预测结果有统计学差异,如果有统计学差异那么模型预测结果是显著优于还是显著劣于医学从业人员预测结果。最后模型有效性评估将采用“双盲法”进行,选取10000(5000例患者)例病例库数据AUC达到0.91,召回率为84%,精确率为90%,F1-Score为87%。
实施例3:脑卒中相关数据输入报告输出设备的终端设备结果输出流程
如图3所示,医生临床问诊数据输入,筛查对象提供自身血液,终端设备一部分的全自动生化仪进行16项血液生化生物标志物检测分析得到定量的血液生化结果,与云服务平台连接,同时结合该筛查对象的日常监测指标,并根据脑卒中预防筛查人工智能算法模型,最终呈现智能脑卒中预防筛查系统报告,包括:医生临床问诊数据、血液生化生物标志物、日常监测指标这三个维度的具体情况,风险系数,结果解释,处理意见等信息。
实施例4:脑卒中相关数据输入报告输出设备的移动端程序软件结果输出流程
如图4所示,筛查对象使用APP、小程序等移动端软件程序,移动端程序软件获得相应的8项日常监测指标,筛查对象主动输入或者直接被移动端程序软件测得的数据,移动端数据通过网络与云服务平台建立连接,日常监测指数据上传至云服务平台,系统根据该筛查对象的医生临床问诊数据和血液生化生物标志物等其他信息,程序结合领域医疗知识库给出相应的个人健康信息记录、医疗关怀和医疗预警。
实施例5:基于人工智能的多维度脑卒中预防筛查系统工作流程
如图5所示,筛查对象提供自身血液,终端设备一部分的全自动生化仪进行16项血液生化生物标志物检测分析得到定量的血液生化结果,医生在终端设备输入筛查对象的医生临床问诊数据,移动端程序软件获取筛查对象的日常监测指标。三大数据接收汇总到云服务平台的病例数据库,诊断模型根据数据输出包括诊断危急度和医疗辅助建议在内的智能脑卒中预防筛查系统报告。在移动端程序软件,筛查对象主动输入或者直接被移动端程序软件测得的数据,系统结合该筛查对象的医生临床问诊数据和血液生化生物标志物等其他信息,程序结合领域医疗知识库给出相应的个人健康信息记录、医疗关怀和医疗预警。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均包含在本发明的保护范围之内。