CN111798956A - 一种用于人工智能麻醉的决策确定方法、装置及系统 - Google Patents

一种用于人工智能麻醉的决策确定方法、装置及系统 Download PDF

Info

Publication number
CN111798956A
CN111798956A CN202010598375.8A CN202010598375A CN111798956A CN 111798956 A CN111798956 A CN 111798956A CN 202010598375 A CN202010598375 A CN 202010598375A CN 111798956 A CN111798956 A CN 111798956A
Authority
CN
China
Prior art keywords
anesthesia
decision
user
database
information
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.)
Granted
Application number
CN202010598375.8A
Other languages
English (en)
Other versions
CN111798956B (zh
Inventor
郭长春
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.)
Shenzhen Miguel Medical Technology Research Institute
Original Assignee
Shenzhen Miguel Medical Technology Research Institute
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 Shenzhen Miguel Medical Technology Research Institute filed Critical Shenzhen Miguel Medical Technology Research Institute
Priority to CN202010598375.8A priority Critical patent/CN111798956B/zh
Publication of CN111798956A publication Critical patent/CN111798956A/zh
Application granted granted Critical
Publication of CN111798956B publication Critical patent/CN111798956B/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
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/10—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to patients
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Medicinal Chemistry (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Pathology (AREA)
  • Databases & Information Systems (AREA)
  • Chemical & Material Sciences (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

本发明涉及麻醉医疗技术领域，具体涉及一种用于人工智能麻醉的决策确定方法、装置及系统。该方法、装置及系统通过接收请求终端发送的麻醉决策请求，该麻醉决策请求至少携带有目标用户标识；读取用户数据库，在用户数据库中获取与目标用户标识相对应的用户基本信息；读取决策数据库，在决策数据库中获取与用户基本信息相对应的麻醉决策数据；向麻醉实施装置输出麻醉决策数据，以完成人工智能麻醉操作，本发明用于人工智能麻醉的决策确定方法、装置及系统确定决策的准确率高、效率高。

Description

一种用于人工智能麻醉的决策确定方法、装置及系统
技术领域
本发明涉及麻醉医疗技术领域，具体而言，涉及一种用于人工智能麻醉的决策确定方法、装置及系统。
背景技术
随着医疗改革的发展，医院就诊人次数逐年增加，手术量以及手术难度也在不断增加，手术中几乎都要需要对病人进行麻醉，而麻醉医生的工作是在手术期间和麻醉恢复期对由多种因素(麻醉、手术等、原发疾病)引起的重要生命功能的变化进行监测、诊断，并由此进行治疗，利用病理生理、药理、内科、外科、妇儿、麻醉等基础和临床医学多学科的知识保证围术期病人的安全，维护管理呼吸、心率、血压、心脏、神经系统、肝肾功能等，维持手术期间无痛、生命安全的状态。麻醉医生做不到持续获得麻醉病人麻醉深度的信息、血容量的信息、血流动力学、呼吸和氧供的信息，并判断分析做出指令即刻执行，这些对麻醉医生的技术要求很高，然而，麻醉医生数却明显不足，以及麻醉医生难度大，以及疲劳工作容易增加手术患者的危险，如何减少麻醉医生工作强度、降低麻醉师工作难度的是一个紧迫任务。
现有的获取决策进行麻醉给药的方法，通常是通过麻醉医生依靠常年的临床经验，制定临时决策，并通过数名有经验的麻醉医生对临时决策进行研究讨论，而制定最终的麻醉决策，但是，通过人工依靠临床经验给出决策，容易受到思维客观因素的影响，导致准确率低或者不稳定，以及长时间讨论得出决策，需要的时间成本高，获取决策的效率低，不利于手术进度。
发明内容
本发明实施例提供了一种用于人工智能麻醉的决策确定方法、装置及系统，以至少解决传统的决策确定方法因使用人工依靠临床经验确定决策准确率低的技术问题。
根据本发明的一实施例，提供了一种用于人工智能麻醉的决策确定方法，包括以下步骤：
接收请求终端发送的麻醉决策请求，麻醉决策请求至少携带有目标用户标识；
读取用户数据库，在用户数据库中获取与目标用户标识相对应的用户基本信息；
读取决策数据库，在决策数据库中获取与用户基本信息相对应的麻醉决策数据；
向麻醉实施装置输出麻醉决策数据。
进一步地，该方法还包括：
将麻醉决策数据发送至调整终端，以进行检验调整操作；
接收调整终端发送的麻醉调整决策；
向麻醉实施装置输出麻醉决策数据的步骤，具体包括下述步骤：
向麻醉实施装置输出麻醉调整决策。
进一步地，决策数据库还包括历史麻醉决策，读取决策数据库，在用户数据库中获取与用户基本信息相对应的麻醉决策数据的步骤，具体包括下述步骤：
判断决策数据库中是否存在与用户基本信息相对应的历史麻醉决策；
若决策数据库中存在与用户基本信息相对应的历史麻醉决策，则将历史麻醉决策作为麻醉决策数据；
若决策数据库中不存在与用户基本信息相对应的历史麻醉决策，则基于预设获取方法在所在用户数据库中获取与用户基本信息相对应的麻醉决策数据。
进一步地，该方法还包括：
获取麻醉对象的生命体征信息；
将生命体征信息输入至神经网络模型进行训练操作，获取训练好的神经网络模型；
基于训练好的神经网络模型对麻醉对象的麻醉反应进行预测操作。
进一步地，该方法还包括：
基于设置有有线线路或无线通信RFID芯片CPU群的信息采集装置采集生命体征信息。
根据本发明的另一实施例，提供了一种用于人工智能麻醉的决策确定装置，包括：
请求接收模块，用于接收请求终端发送的麻醉决策请求，麻醉决策请求至少携带有目标用户标识；
基本信息获取模块，用于读取用户数据库，在用户数据库中获取与目标用户标识相对应的用户基本信息；
决策数据获取模块，用于读取决策数据库，在用户数据库中获取与用户基本信息相对应的麻醉决策数据；
决策数据输出模块，用于向麻醉实施装置输出麻醉决策数据。
进一步地，该装置还包括：
决策数据发送模块，用于将麻醉决策数据发送至调整终端，以进行检验调整操作；
调整决策接收模块，用于接收调整终端发送的麻醉调整决策；
调整决策输出模块具体包括：
调整决策输出单元，用于向麻醉实施装置输出麻醉调整决策。
进一步地，决策数据获取模块包括：
决策判断单元，用于判断决策数据库中是否存在与用户基本信息相对应的历史麻醉决策；
历史决策获取单元，用于若决策数据库中存在与用户基本信息相对应的历史麻醉决策，则将历史麻醉决策作为麻醉决策数据；
麻醉决策获取单元，用于若决策数据库中不存在与用户基本信息相对应的历史麻醉决策，则基于预设获取方法在所在用户数据库中获取与用户基本信息相对应的麻醉决策数据。
进一步地，该装置还包括：
体征信息获取模块，用于获取麻醉对象的生命体征信息；
体征信息训练模块，用于将生命体征信息输入至神经网络模型进行训练操作，获取训练好的神经网络模型；
麻醉反应预测模块，用于基于训练好的神经网络模型对麻醉对象的麻醉反应进行预测操作。
根据本发明的另一实施例，提供了一种用于人工智能麻醉的决策确定系统，包括：
数据处理中心以及与数据处理中心通信的监护装置、信息管理中心以及麻醉实施装置，其中，数据处理中心包含有用户数据库、决策数据库；
信息管理中心用于采集用户基本信息，并将用户基本信息发送至用户数据库进行存储；
监护装置用于基于设置有有线线路或无线通信RFID芯片CPU群的信息采集装置采集麻醉对象的生命体征信息，并将生命体征信息发送至数据处理中心；
当接收到请求终端发送的麻醉决策请求时，数据处理中心用于读取用户数据库，在用户数据库中获取与目标用户标识相对应的用户基本信息；
数据处理中心还用于读取决策数据库，在决策数据库中获取与用户基本信息相对应的麻醉决策数据；
数据处理中心还用于向麻醉实施装置输出麻醉决策数据。
本发明实施例中的用于人工智能麻醉的决策确定方法、装置及系统，通过接收请求终端发送的麻醉决策请求，该麻醉决策请求至少携带有目标用户标识；数据处理中心能够读取用户数据库，在用户数据库中快速准确地获取到与目标用户标识相对应的用户基本信息；进而通过读取决策数据库，能够在决策数据库中快速获取与用户基本信息相对应的麻醉决策数据，避免人工临床经验的客观因素的影响，以保证决策确定的准确性；向麻醉实施装置输出麻醉决策数据，以完成人工智能麻醉操作，保证麻醉手术的稳定性，本发明用于人工智能麻醉的决策确定方法、装置及系统确定决策的准确率高、效率高。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1为本发明用于人工智能麻醉的决策确定方法的流程图；
图2为本发明用于人工智能麻醉的决策确定方法的调整决策流程图；
图3为本发明用于人工智能麻醉的决策确定方法的一优选流程图；
图4为本发明用于人工智能麻醉的决策确定方法的麻醉反应预测流程图；
图5为本发明用于人工智能麻醉的决策确定装置的模块图；
图6为本发明用于人工智能麻醉的决策确定装置的调整决策模块图；
图7为本发明用于人工智能麻醉的决策确定装置的一优选模块图；
图8为本发明用于人工智能麻醉的决策确定装置的麻醉反应预测模块图；
图9为本发明用于人工智能麻醉的决策确定系统的原理示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例1
根据本发明一实施例，提供了一种用于人工智能麻醉的决策确定方法，参见图1，包括以下步骤：
S1：接收请求终端发送的麻醉决策请求，麻醉决策请求至少携带有目标用户标识。
在本实施例中，由于麻醉是一个综合复杂的在围术期的重要环节，且存在患者个体的差异，导致麻醉的实施和效果无法实现因人而异，精确到位；又由于现有的医疗体系，通常是麻醉医生在完成规培后上岗，尚无法完全掌握在给药、维持以及麻醉控制等方面的高要求技能，在应对错综复杂的患者情况以及各种并发症等危机情况也存在很大的困难，所以对于麻醉的实施以及对于患者的远期预后也存在不小的风险，因此，可以通过获取麻醉的决策，来辅助麻醉医生进行麻醉。
进一步地，为了麻醉医生能够及时准确地获取到能够辅助麻醉顺利进行的麻醉的决策，本实施例通过接收请求终端的麻醉决策请求，其中，该麻醉决策请求至少携带有目标用户标识，以便于后续能够根据该目标用户标识快速索引到适用于该用户患者的麻醉决策，以降低获取麻醉决策的时间成本，能够在一定程度上提高手术效率。
其中，目标用户标识是与患者用户唯一对应的标识，该目标用户标识是根据实际应用需求进行设置，其具体可以是字母编号、数字编号或者文字编号，还可以是其他形式的标识，此次不作具体限制。
具体地，在用户患者进行就医后，如需要进行麻醉等相关治疗，麻醉医生想要及时获取相对适用于该用户患者的麻醉决策时，会发出获取麻醉决策的请求，即麻醉决策请求，为了能后续能快速获取适用于该用户患者的麻醉决策，该麻醉决策请求中至少会携带有目标用户标识，以供后续能根据该唯一标识快速准确地从数据处理中心获取到与该目标用户标识相对应的用户基本信息，能够在一定程度上提高获取麻醉决策的效率和准确率。
S2：读取用户数据库，在用户数据库中获取与目标用户标识相对应的用户基本信息。
在本实施例中，用户数据库用于存储医护人员录入的病人基本信息，即用户基本信息，具体可以包括身高、体重、姓名、年龄以及病史等基本信息；该用户数据库也用于存储收集到的生命体征信息。
具体地，为了能够快速准确地获取到用户基本信息，进一步地使得后续能够根据该用户基本信息及时获取到用户基本信息相适配的麻醉决策数据，以保证在一定程度上提高获取麻醉决策的效率和准确率，本实施例根据在步骤S1中接收得到的目标用户标识，如标识A001，在用户数据库中进行遍历，能够快速索引到与该目标用户标识A001相对应的用户基本信息，如姓名：李XX；性别：女；身高：165cm；体重：45kg；麻醉前心率(正常值60～100次/分钟)：75；病史：肺栓塞等信息。
S3：读取决策数据库，在决策数据库中获取与用户基本信息相对应的麻醉决策数据。
在本实施例中，决策数据库用于存储医护人员预先从大数据平台中收集并整理后，录入的若干个现有的常用于辅助麻醉的麻醉决策数据；其中，麻醉决策数据是辅助麻醉医生进行麻醉给药、维持以及麻醉控制等方面的数据，例如手术中麻醉剂或其他药物的类别、剂量、注入速度等。
进一步地，在决策数据库中获取与用户基本信息相对应的麻醉决策数据的获取方式，具体可以是采用一一比对的遍历方式，将关键字或关键词相似或相同最多的决策数据，作为与该用户基本信息相对应的麻醉决策数据；或者，采用IK(ikanalyzer分词计算)分词算法计算用户基本信息与决策数据的相似度，并将相似度数值最高对应的决策数据作为与该用户基本信息相对应的麻醉决策数据，其中，相似度的计算还可以使用余弦相似度算法，或者是基于语义和语序相似度计算方法，还可以采用其他方式，此处不作具体限制。
具体地，根据在步骤S2中获取到的用户基本信息，本实施例通过采用IK分词器中的IK分词算法，对该用户基本信息，以及决策数据库中的决策数据进行分词处理，例如，首先，将获取到的信息或数据进行去标点、非中文按照IK分词器中预设的单词格式进行格式转换，如英文单词统一转换为小写格式，得到形式统一的长句；其次，将处理后的形式统一的长句，按照词典的词义和词序进行单词划分，得到若干个具有词义的单词；再者，将这若干个具有词义的单词用向量的形式输出，如向量Ti；然后，对输出的向量进行向量长度的定义，即将向量中词的个数称为该向量的向量长度，可以用函数Len(Ti)表示。
例如，将用户基本信息为“姓名：李XX；性别：女；身高：165cm；体重：45kg；麻醉前心率(正常值60～100次/分钟)：75；病史：肺栓塞”表示为T1，并进行分词处理，首先，T1＝[姓名，李xx，性别，女，身高，165cm，体重，45kg，麻醉，前，心率，正常，值，60，100，次，分钟，75，病史，肺栓塞]；其次，向量表示T1＝{姓名，李xx，性别，女，身高，165cm，体重，45kg，麻醉，前，心率，正常，值，60，100，次，分钟，75，病史，肺栓塞}；然后，该向量T1的向量长度Len(T1)＝20。
假设一决策数据为：适用于年龄段为18岁至30岁患有中度肺水肿的女病患，若肺部周围血管阻力增加，肺循阻力增加，可按比例使用血管扩张药物，表示为T2，进而进行分词处理，首先，T2＝[适用，于，年龄，段，为，18，岁，至，30，岁，患有，中度，肺水肿，的，女，病患，若，肺部，周围，血管，阻力，增加，肺，循，阻力，增加，可，按，比例，使用，血管，扩张，药物]；其次，向量表示T2＝{适用，于，年龄，段，为，18，岁，至，30，岁，患有，中度，肺水肿，的，女，病患，若，肺部，周围，血管，阻力，增加，肺，循，阻力，增加，可，按，比例，使用，血管，扩张，药物}；然后，该向量T2的向量长度Len(T2)＝33。
进一步地，对分词处理后得到的向量，采用基于语义和语序相似度计算方法可以计算向量之间的相似度，具体计算方式为假设有两个向量为Ti和Tj，首先，将Ti、Tj中的所有词进行合并，并对合并后词进行去重复处理，即对相同的词做仅保留一个的处理，得到处理后的向量并集T＝{w1，w2，...，wn}；其次，向量集T中词的个数称为该向量的向量长度，可以用函数Len(T)表示；再者，按照IK分词器中预设的语义相似指标，依次计算将量集T中的词wi与向量Ti中的每个词的相似度，其中，该相似度的值为0到1之间，例如可得到每个词的语义分数Ci，进而，每个词的词义分数组成一个向量，称为Ti的语义向量，表示为Si＝{C1，C2，...，Cn}，同理可得到Sj，其中，以Si作为说明，如对于向量集T中的每一个词wi，如果wi在Ti中出现，则在语义向量中将wi的语义分数Ci设为1；如果wi不存在于Ti中，则在语义向量中将wi的语义分数Ci设为a，其中，a为预先设定的阈值，常用阈值为0.2，若无阈值则设为0；然后，统计Si的分数和，作为向量Ti在向量集T中的语义分数，同理计算向量Tj在向量集T中的语义分数；进而，求两个语义分数之间的百分比，作为向量Ti与向量Tj之间的相似度。
进一步地，通过上述算法可计算该用户基本信息与决策数据库中的每个决策数据之间的相似度，本实施例通过将这些相似度数值进行比较，并将数值最大的相似度对应的决策数据作为该用户基本信息最适配的麻醉决策数据，以保证获取麻醉决策数据的准确率和效率，以及获取到的麻醉决策数据的适配度。
S4：向麻醉实施装置输出麻醉决策数据。
在本实施例中，麻醉实施装置用于依据获取到的麻醉决策数据进行麻醉控制，例如麻醉剂或其他药物的类别、剂量、注入速度等。
具体地，根据在步骤S3中匹配到的麻醉决策数据发送至麻醉实施装置，以使该麻醉实施装置能按照麻醉决策数据进行药物调配以及控制药物输出等，以辅助麻醉医生提高手术效率，以完成人工智能麻醉操作。
需要说明的是，在获取到步骤S3中匹配到的麻醉决策数据并发送至麻醉实施装置之前，本实施例还会向用户患者发送该麻醉决策数据以及包含一些关于该麻醉决策数据的注意事项的提示信息，例如注射的药物的类别、含量、注射在人体的具体位置以及与会出现药物致敏的情况等内容，以供用户患者了解手术中关于麻醉控制的具体操作，便于用户患者进行确认，以保证麻醉决策数据的准确性，保证后续麻醉控制的顺利开展。
本发明实施例中的用于人工智能麻醉的决策确定方法，接收请求终端发送的麻醉决策请求，该麻醉决策请求至少携带有目标用户标识；数据处理中心能够读取用户数据库，在用户数据库中快速准确地获取到与目标用户标识相对应的用户基本信息；进而通过读取决策数据库，能够在用户数据库中快速获取与用户基本信息相对应的麻醉决策数据，避免人工临床经验的客观因素的影响，以保证决策确定的准确性；向麻醉实施装置输出麻醉决策数据，以完成人工智能麻醉操作，保证麻醉手术的稳定性，本发明用于人工智能麻醉的决策确定方法确定决策的准确率高、效率高。
作为优选的技术方案中，参见图2，进一步地，该方法还包括：
S5：将麻醉决策数据发送至调整终端，以进行检验调整操作。
S6：接收调整终端发送的麻醉调整决策。
在步骤S4中具体包括步骤S7，其中：
S7：向麻醉实施装置输出麻醉调整决策。
具体地，为了进一步保证输出的麻醉决策数据与用户患者的适配性，使得麻醉决策数据能更好地辅助麻醉医生进行麻醉控制，本实施例通过将在步骤S3中获取到的麻醉决策数据发送至调整终端，以使麻醉医生能够从调整终端的显示设备中及时获取到该麻醉决策数据，并依据实际应用需求以及用户患者当前的身体状态分析该麻醉决策数据的可实施性，进而做出相应调整，以保证调整后的麻醉调整决策更适用于该用户患者，以保证后续麻醉医生进行麻醉控制的准确率和效率。
进一步地，在麻醉医生对获取到的麻醉决策数据进行检验调整操作后，若该麻醉决策数据无需进行调整，即可以理解为该麻醉决策数据适用于该用户患者，则可以通能调整终端反馈回该麻醉决策数据以及无调整的提示信息，进而，能够将该无调整的麻醉决策数据向麻醉实施装置输出，以保证麻醉决策数据获取的效率，以及在一定程度上保证麻醉决策数据辅助麻醉医生进行麻醉控制的效率；若该麻醉决策数据需要进行调整，即麻醉医生能够根据实际应用需求以及用户患者当前的身体状态对该麻醉决策数据进行相应调整，以保证调整后的麻醉调整决策与该用户患者直接的适配率，则可以通能调整终端反馈回该调整后的麻醉调整决策以及包含调整内容的提示信息，进而，能够将该调整后的麻醉调整决策向麻醉实施装置输出，以保证获取到的麻醉调整决策的准确率。
需要说明的是，本实施例能够将调整后的麻醉调整决策、包含调整内容的提示信息，以及该用户患者的用户基本信息及其目标用户标识对应保存至决策数据库中；进一步地，本实施例也可以将无调整的麻醉决策数据、无调整的提示信息，以及该用户患者的用户基本信息及其目标用户标识对应保存至决策数据库中，不仅便于后续的信息查询、调整和管理，还便于该用户患者再次进行就医，麻醉医生需要及时获取麻醉决策数据时，能够直接从决策数据库进行获取，保证对麻醉决策数据获取的效率和准确率；其中，包含调整内容的提示信息具体可以包括麻醉医生对获取到的麻醉决策数据进行调整的内容信息，以及麻醉医生批注的一些相关的注意事项，以保证麻醉决策数据的实用性和适用性。
作为优选的技术方案中，参见图3，决策数据库还包括历史麻醉决策，读取决策数据库，在用户数据库中获取与用户基本信息相对应的麻醉决策数据的步骤，具体包括下述步骤：
S31：判断决策数据库中是否存在与用户基本信息相对应的历史麻醉决策。
S32：若决策数据库中存在与用户基本信息相对应的历史麻醉决策，则将历史麻醉决策作为麻醉决策数据。
S33：若决策数据库中不存在与用户基本信息相对应的历史麻醉决策，则基于预设获取方法在所在用户数据库中获取与用户基本信息相对应的麻醉决策数据。
在本实施例中，历史麻醉决策是曾经适用于用户患者的麻醉决策数据。
具体地，为了进一步地保证获取麻醉决策数据的效率和准确率，本实施例通过判断决策数据库中是否存在与用户基本信息相对应的历史麻醉决策，能够节约通过算法匹配适用麻醉决策数据的时间成本，以提高获取麻醉决策数据的效率、适用率以及准确率，具体可以是根据用户基本信息在决策数据库中进行遍历，查找是否有与该用户基本信息相同的信息存在。
进一步地，若决策数据库中有与该用户基本信息相同的信息存在，即可以理解为决策数据库中存在与用户基本信息相对应的历史麻醉决策，则将历史麻醉决策作为麻醉决策数据，以保证获取麻醉决策数据的效率；若决策数据库中不存在与该用户基本信息相同的信息，即可以理解为决策数据库中不存在与用户基本信息相对应的历史麻醉决策，则基于预设获取方法在所在用户数据库中获取与用户基本信息相对应的麻醉决策数据，其中，该预设获取方法可以依照步骤S3中获取麻醉决策数据的方式进行获取，此处不再赘述。
作为优选的技术方案中，参见图4，该方法还包括：
S8：获取麻醉对象的生命体征信息。
在本实施例中，麻醉对象的生命体征信息是用户患者在接受麻醉后在手术中以及手术后的身体反馈的血压、心电图、氧饱和度、体温、麻醉深度等参数信息，用于麻醉医生能够准确监测麻醉对象的重要生理功能的变化，以及时进行调控和维持麻醉对象机体内环境的稳态以及为手术中以及术后恢复提供良好的条件。
具体地，数据处理中心中的生命体征接口模块与外部的仪器，如病人监护仪或麻醉深度监护仪等仪器进行连接，以实时获取麻醉对象的生命体征参数，即麻醉对象的生命体征信息。
S9：将生命体征信息输入至神经网络模型进行训练操作，获取训练好的神经网络模型。
S10：基于训练好的神经网络模型对麻醉对象的麻醉反应进行预测操作。
在本实施例中，神经网络模型具体可以是深度学习神经网络模型，或者是卷积神经网络模型，还是采用其他模型，如深度自动编码器模型等，此处不作具体限制，采用神经网络模型进行不断的训练并调整，是为了保证后续对麻醉对象的麻醉反应进行预测的准确性。
进一步地，本实施例利用深度学习神经网络模型对采集到的生命体征信息，如各类麻醉反应数据，进行训练，并在训练过程中对深度学习神经网络模型进行调整，然后，利用调整后的深度学习神经网络模型对麻醉对象的麻醉反应进行预测，以保证麻醉医生能够预测结果及时制定相应的维护措施，避免因麻醉对象出现意外而不可控的现象，能够更好地维持麻醉对象机体内环境的稳态以及为手术中以及术后恢复提供良好的条件。具体包括如下步骤：
①对采集到的生命体征信息进行预处理；
②利用深度学习神经网络模型对预处理后的生命体征信息进行训练，使其能根据决策数据库具有决策学习功能，能“体会”麻醉工作的经验并将所“学”的经验用于麻醉控制中；
③基于监督学习算法对深度学习神经网络模型进行微调；
④根据步骤③得到的最终的深度学习神经网络模型对麻醉对象的新的麻醉反应进行预测。
需要说明的是，采集的生命体征信息具体可以是麻醉期间意识、人体基本循环系统以及呼吸系统等。
其中，采集麻醉期间意识的参数信息，是由于脑功能监测仪等监护仪器还达不到100％预防术中知晓的发生，其中，术中知晓是指在全麻过程中麻醉对象发生意识的恢复；又由于肌肉松驰药可掩盖躯体体征，如体动，但是不使用肌肉松驰药物并不能防止术中知晓发生，因此，本实施例通过采用神经电生理指标，即麻醉期间意识，以使后续能够对该参数信息预测以控制麻醉深度，能够在一定程度上降低术中知晓的发生率。
例如，麻醉期间意识的参数信息包括脑电双频谱指数(BIS)、脑电熵指数(entropyindex)以及听觉诱发电位指数(AAI)等参数信息；其中，对这些参数信息预测以控制麻醉深度，如脑电双频谱指数，维持在40～60之间可有效防止麻醉中知晓，但并不能完全避免术中知晓；麻醉下与BIS有相似功能，满意的麻醉状态变化范围为40～60；听觉诱发电位指数在手术麻醉状态下指数变化范围为15～25，但在此范围内并不能完全保证每个麻醉对象都处于无意识状态。
其中，人体基本循环系统的参数信息具体可以包括心率、血压、中心静脉压(CVP)、动脉压、肺动脉楔压(PCWP)、心脏指数(CI)以及混合静脉血氧饱和度等参数信息；由于心率是最基本的循环生命体征之一，能够直观反映麻醉对象的基本情况以及麻醉及手术刺激对麻醉对象的影响；而血压也是最基本的循环生命体征之一，能较确切地反映麻醉对象的心血管功能，其与心排血量及总外周血管阻力是初步估计循环血容量的基本指标，对指导术中输液、输血和用药都有重要的意义；而中心静脉压是临床上常用于评估麻醉对象的血流动力学状况，是评价右心排出回心血量能力的重要指标；而心脏指数代表心排血量，能够用于评估机体耗氧和代谢率；而肺动脉楔压是用于估计肺循环状态和左心室功能，特别对评估左心室的前负荷提供了可靠而有价值的指标；而混合静脉血氧饱和度可用于连续评估心排血量、全身氧供与氧耗的平衡及确定输血指征，因此，本实施例通过采用麻醉对象的人体基本循环系统的参数信息，以使后续能够对该参数信息预测以指导术中或术后的输液、输血和用药，能够在一定程度上维持麻醉对象机体内环境的稳态。
需要说明的是，在实际应用场景中，心率的正常值为60～100次/分钟；血压的正常范围是收缩压在90～140mmHg之间，舒张压在60～90mmHg之间，而麻醉期间血压升高超过麻醉前血压的20％，或血压在140/95mmHg以上者为高血压；血压降低超过麻醉前血压的20％，或收缩压降到80mmHg以下者为低血压；中心静脉压(CVP)，正常值为4～12cmH2O，正常情况下，而CVP的高低取决于心功能、血容量、静脉血管张力、胸内压、静脉血回流量和肺循环阻力等因素，尤其以静脉回流与右心室排血量之间的平衡关系最为重要，以及在液体输注时，CVP不高，表明右心室能排出回心血量，可作为判断心脏对液体负荷的安全指标，故采集CVP的目的是为麻醉对象提供适当的充盈压以保证其心排血量，具体数据以及对该参数信息进行预测的处理措施可参见表1至表3，其中，表1为麻醉对象的心率、血压、中心静脉压(CVP)以及动脉压相应的参数信息，表2以及表3分别为引起中心静脉压变化的原因及相应的处理措施。
Figure BDA0002558299630000191
表1
Figure BDA0002558299630000192
表2
Figure BDA0002558299630000193
表3
进一步地，需要说明的是，在实际应用场景中，肺动脉楔压的正常值为5～12mmHg，肺栓塞、慢性弥散性肺纤维化以及其他任何原因引进肺血管阻力增加时，肺动脉的收缩压和舒张压均增高，而PCWP正常或反而降低，具体地，当肺动脉舒张压和PCWP之间的压差达到6mmHg以上时，表明麻醉对象有原发性肺部病变存在，若再结合动静脉血氧差，就可以鉴别该麻醉对象为心源性或肺源性呼吸功能衰竭；心脏指数的正常值为2.5～4.0L/(min.m2)，其中，CI＝心排血量/体表面积；混合静脉血氧饱和度，正常值为60％～80％，混合静脉血氧饱和度的产生及原因如表4所示。
Figure BDA0002558299630000201
表4
进一步地，呼吸系统的参数信息包括潮气量(VT)、分钟通气量(VE)、内源性呼气末正压(PEEPi)、气道阻力(AR)、脉搏氧饱和度(SpO2)以及呼气末二氧化碳分压(PETCO2)；其中，潮气量的正常值为男600ml，女490ml，可根据体重可计算出VT＝10ml/kg；分钟通气量的正常值为男6.6L，女4.2L；内源性呼气末正压的正常值小于3cmH2O；气道阻力以每秒钟推动1L的通气量时所需要的压力，其正常值为2～5cmH2O/(L.s)；脉搏氧饱和度(SpO2)，正常值为92％～100％，能够用于间接测定血中血氧浓度，是呼吸循环的重要生理参数；呼气末二氧化碳分压的正常值为35～45mmHg，那个用于评价通气功能、循环功能、肺血流、肺泡通气、细微的重复吸收以及整个气道和呼吸回路的通畅度情况，其中采集PETCO2的参数信息并进行预测，可用于提示肺泡通气过度或不足、输入肺泡CO2的增加或减少，并结合心电图监测可以及时预警肺栓塞或心脏停搏的发生。
作为优选的技术方案中，该方法还包括：基于设置有有线线路或无线通信RFID芯片CPU群的信息采集装置采集生命体征信息。
具体地，信息采集装置上设置有有线线路或无线通信RFID芯片CPU群，本实施例能够通过有线线路或无线通信RFID芯片CPU群接收麻醉对象的生命体征信息，使得数据处理中心能够持续获得麻醉对象的麻醉深度的信息、血容量的信息、血流动力学、呼吸和氧供等生命体征信息，并按照预设的处理措施发出相应的处理指令以保证及时进行调控，以有效维持麻醉对象机体内环境的稳态以及为手术中以及术后恢复提供良好的条件。
实施例2
根据本发明的另一实施例，提供了一种用于人工智能麻醉的决策确定装置，参见图5，包括：
请求接收模块501，用于接收请求终端发送的麻醉决策请求，麻醉决策请求至少携带有目标用户标识；
在本实施例中，由于麻醉是一个综合复杂的在围术期的重要环节，且存在患者个体的差异，导致麻醉的实施和效果无法实现因人而异，精确到位；又由于现有的医疗体系，通常是麻醉医生在完成规培后上岗，尚无法完全掌握在给药、维持以及麻醉控制等方面的高要求技能，在应对错综复杂的患者情况以及各种并发症等危机情况也存在很大的困难，所以对于麻醉的实施以及对于患者的远期预后也存在不小的风险，因此，可以通过获取麻醉的决策，来辅助麻醉医生进行麻醉。
进一步地，为了麻醉医生能够及时准确地获取到能够辅助麻醉顺利进行的麻醉的决策，本实施例通过接收请求终端的麻醉决策请求，其中，该麻醉决策请求至少携带有目标用户标识，以便于后续能够根据该目标用户标识快速索引到适用于该用户患者的麻醉决策，以降低获取麻醉决策的时间成本，能够在一定程度上提高手术效率。
其中，目标用户标识是与患者用户唯一对应的标识，该目标用户标识是根据实际应用需求进行设置，其具体可以是字母编号、数字编号或者文字编号，还可以是其他形式的标识，此次不作具体限制。
具体地，在用户患者进行就医后，如需要进行麻醉等相关治疗，麻醉医生想要及时获取相对适用于该用户患者的麻醉决策时，会发出获取麻醉决策的请求，即麻醉决策请求，为了能后续能快速获取适用于该用户患者的麻醉决策，该麻醉决策请求中至少会携带有目标用户标识，以供后续能根据该唯一标识快速准确地从数据处理中心获取到与该目标用户标识相对应的用户基本信息，能够在一定程度上提高获取麻醉决策的效率和准确率。
基本信息获取模块502，用于读取用户数据库，在用户数据库中获取与目标用户标识相对应的用户基本信息；
在本实施例中，用户数据库用于存储医护人员录入的病人基本信息，即用户基本信息，具体可以包括身高、体重、姓名、年龄以及病史等基本信息；该用户数据库也用于存储收集到的生命体征信息。
具体地，为了能够快速准确地获取到用户基本信息，进一步地使得后续能够根据该用户基本信息及时获取到用户基本信息相适配的麻醉决策数据，以保证在一定程度上提高获取麻醉决策的效率和准确率，本实施例根据在请求接收模块501中接收得到的目标用户标识，如标识A001，在用户数据库中进行遍历，能够快速索引到与该目标用户标识A001相对应的用户基本信息，如姓名：李XX；性别：女；身高：165cm；体重：45kg；麻醉前心率(正常值60～100次/分钟)：75；病史：肺栓塞等信息。
决策数据获取模块503，用于读取决策数据库，在决策数据库中获取与用户基本信息相对应的麻醉决策数据；
在本实施例中，决策数据库用于存储医护人员预先从大数据平台中收集并整理后，录入的若干个现有的常用于辅助麻醉的麻醉决策数据；其中，麻醉决策数据是辅助麻醉医生进行麻醉给药、维持以及麻醉控制等方面的数据，例如手术中麻醉剂或其他药物的类别、剂量、注入速度等。
进一步地，在决策数据库中获取与用户基本信息相对应的麻醉决策数据的获取方式，具体可以是采用一一比对的遍历方式，将关键字或关键词相似或相同最多的决策数据，作为与该用户基本信息相对应的麻醉决策数据；或者，采用IK(ikanalyzer分词计算)分词算法计算用户基本信息与决策数据的相似度，并将相似度数值最高对应的决策数据作为与该用户基本信息相对应的麻醉决策数据，其中，相似度的计算还可以使用余弦相似度算法，或者是基于语义和语序相似度计算方法，还可以采用其他方式，此处不作具体限制。
具体地，根据在基本信息获取模块502中获取到的用户基本信息，本实施例通过采用IK分词器中的IK分词算法，对该用户基本信息，以及决策数据库中的决策数据进行分词处理，例如，首先，将获取到的信息或数据进行去标点、非中文按照IK分词器中预设的单词格式进行格式转换，如英文单词统一转换为小写格式，得到形式统一的长句；其次，将处理后的形式统一的长句，按照词典的词义和词序进行单词划分，得到若干个具有词义的单词；再者，将这若干个具有词义的单词用向量的形式输出，如向量Ti；然后，对输出的向量进行向量长度的定义，即将向量中词的个数称为该向量的向量长度，可以用函数Len(Ti)表示。
例如，将用户基本信息为“姓名：李XX；性别：女；身高：165cm；体重：45kg；麻醉前心率(正常值60～100次/分钟)：75；病史：肺栓塞”表示为T1，并进行分词处理，首先，T1＝[姓名，李xx，性别，女，身高，165cm，体重，45kg，麻醉，前，心率，正常，值，60，100，次，分钟，75，病史，肺栓塞]；其次，向量表示T1＝{姓名，李xx，性别，女，身高，165cm，体重，45kg，麻醉，前，心率，正常，值，60，100，次，分钟，75，病史，肺栓塞}；然后，该向量T1的向量长度Len(T1)＝20。
假设一决策数据为：适用于年龄段为18岁至30岁患有中度肺水肿的女病患，若肺部周围血管阻力增加，肺循阻力增加，可按比例使用血管扩张药物，表示为T2，进而进行分词处理，首先，T2＝[适用，于，年龄，段，为，18，岁，至，30，岁，患有，中度，肺水肿，的，女，病患，若，肺部，周围，血管，阻力，增加，肺，循，阻力，增加，可，按，比例，使用，血管，扩张，药物]；其次，向量表示T2＝{适用，于，年龄，段，为，18，岁，至，30，岁，患有，中度，肺水肿，的，女，病患，若，肺部，周围，血管，阻力，增加，肺，循，阻力，增加，可，按，比例，使用，血管，扩张，药物}；然后，该向量T2的向量长度Len(T2)＝33。
进一步地，对分词处理后得到的向量，采用基于语义和语序相似度计算方法可以计算向量之间的相似度，具体计算方式为假设有两个向量为Ti和Tj，首先，将Ti、Tj中的所有词进行合并，并对合并后词进行去重复处理，即对相同的词做仅保留一个的处理，得到处理后的向量并集T＝{w1，w2，...，wn}；其次，向量集T中词的个数称为该向量的向量长度，可以用函数Len(T)表示；再者，按照IK分词器中预设的语义相似指标，依次计算将量集T中的词wi与向量Ti中的每个词的相似度，其中，该相似度的值为0到1之间，例如可得到每个词的语义分数Ci，进而，每个词的词义分数组成一个向量，称为Ti的语义向量，表示为Si＝{C1，C2，...，Cn}，同理可得到Sj，其中，以Si作为说明，如对于向量集T中的每一个词wi，如果wi在Ti中出现，则在语义向量中将wi的语义分数Ci设为1；如果wi不存在于Ti中，则在语义向量中将wi的语义分数Ci设为a，其中，a为预先设定的阈值，常用阈值为0.2，若无阈值则设为0；然后，统计Si的分数和，作为向量Ti在向量集T中的语义分数，同理计算向量Tj在向量集T中的语义分数；进而，求两个语义分数之间的百分比，作为向量Ti与向量Tj之间的相似度。
进一步地，通过上述算法可计算该用户基本信息与决策数据库中的每个决策数据之间的相似度，本实施例通过将这些相似度数值进行比较，并将数值最大的相似度对应的决策数据作为该用户基本信息最适配的麻醉决策数据，以保证获取麻醉决策数据的准确率和效率，以及获取到的麻醉决策数据的适配度。
决策数据输出模块504，用于向麻醉实施装置输出麻醉决策数据。
在本实施例中，麻醉实施装置用于依据获取到的麻醉决策数据进行麻醉控制，例如麻醉剂或其他药物的类别、剂量、注入速度等。
具体地，根据在决策数据获取模块503中匹配到的麻醉决策数据发送至麻醉实施装置，以使该麻醉实施装置能按照麻醉决策数据进行药物调配以及控制药物输出等，以辅助麻醉医生提高手术效率，以完成人工智能麻醉操作。
需要说明的是，在获取到决策数据获取模块503中匹配到的麻醉决策数据并发送至麻醉实施装置之前，本实施例还会向用户患者发送该麻醉决策数据以及包含一些关于该麻醉决策数据的注意事项的提示信息，例如注射的药物的类别、含量、注射在人体的具体位置以及与会出现药物致敏的情况等内容，以供用户患者了解手术中关于麻醉控制的具体操作，便于用户患者进行确认，以保证麻醉决策数据的准确性，保证后续麻醉控制的顺利开展。
本发明实施例中的用于人工智能麻醉的决策确定装置，接收请求终端发送的麻醉决策请求，该麻醉决策请求至少携带有目标用户标识；数据处理中心能够读取用户数据库，在用户数据库中快速准确地获取到与目标用户标识相对应的用户基本信息；进而通过读取决策数据库，能够在用户数据库中快速获取与用户基本信息相对应的麻醉决策数据，避免人工临床经验的客观因素的影响，以保证决策确定的准确性；向麻醉实施装置输出麻醉决策数据，以完成人工智能麻醉操作，保证麻醉手术的稳定性，本发明用于人工智能麻醉的决策确定装置确定决策的准确率高、效率高。
作为优选的技术方案中，参见图6，该装置还包括：
决策数据发送模块601，用于将麻醉决策数据发送至调整终端，以进行检验调整操作；
调整决策接收模块602，用于接收调整终端发送的麻醉调整决策；
上述调整决策输出模块504具体包括调整决策输出单元603，其中：
调整决策输出单元603，用于向麻醉实施装置输出麻醉调整决策。
具体地，为了进一步保证输出的麻醉决策数据与用户患者的适配性，使得麻醉决策数据能更好地辅助麻醉医生进行麻醉控制，本实施例通过将在决策数据获取模块503中获取到的麻醉决策数据发送至调整终端，以使麻醉医生能够从调整终端的显示设备中及时获取到该麻醉决策数据，并依据实际应用需求以及用户患者当前的身体状态分析该麻醉决策数据的可实施性，进而做出相应调整，以保证调整后的麻醉调整决策更适用于该用户患者，以保证后续麻醉医生进行麻醉控制的准确率和效率。
进一步地，在麻醉医生对获取到的麻醉决策数据进行检验调整操作后，若该麻醉决策数据无需进行调整，即可以理解为该麻醉决策数据适用于该用户患者，则可以通能调整终端反馈回该麻醉决策数据以及无调整的提示信息，进而，能够将该无调整的麻醉决策数据向麻醉实施装置输出，以保证麻醉决策数据获取的效率，以及在一定程度上保证麻醉决策数据辅助麻醉医生进行麻醉控制的效率；若该麻醉决策数据需要进行调整，即麻醉医生能够根据实际应用需求以及用户患者当前的身体状态对该麻醉决策数据进行相应调整，以保证调整后的麻醉调整决策与该用户患者直接的适配率，则可以通能调整终端反馈回该调整后的麻醉调整决策以及包含调整内容的提示信息，进而，能够将该调整后的麻醉调整决策向麻醉实施装置输出，以保证获取到的麻醉调整决策的准确率。
需要说明的是，本实施例能够将调整后的麻醉调整决策、包含调整内容的提示信息，以及该用户患者的用户基本信息及其目标用户标识对应保存至决策数据库中；进一步地，本实施例也可以将无调整的麻醉决策数据、无调整的提示信息，以及该用户患者的用户基本信息及其目标用户标识对应保存至决策数据库中，不仅便于后续的信息查询、调整和管理，还便于该用户患者再次进行就医，麻醉医生需要及时获取麻醉决策数据时，能够直接从决策数据库进行获取，保证对麻醉决策数据获取的效率和准确率；其中，包含调整内容的提示信息具体可以包括麻醉医生对获取到的麻醉决策数据进行调整的内容信息，以及麻醉医生批注的一些相关的注意事项，以保证麻醉决策数据的实用性和适用性。
作为优选的技术方案中，参见图7，决策数据获取模块503包括：
决策判断单元5031，用于判断决策数据库中是否存在与用户基本信息相对应的历史麻醉决策；
历史决策获取单元5032，用于若决策数据库中存在与用户基本信息相对应的历史麻醉决策，则将历史麻醉决策作为麻醉决策数据；
麻醉决策获取单元5033，用于若决策数据库中不存在与用户基本信息相对应的历史麻醉决策，则基于预设获取方法在所在用户数据库中获取与用户基本信息相对应的麻醉决策数据。
在本实施例中，历史麻醉决策是曾经适用于用户患者的麻醉决策数据。
具体地，为了进一步地保证获取麻醉决策数据的效率和准确率，本实施例通过判断决策数据库中是否存在与用户基本信息相对应的历史麻醉决策，能够节约通过算法匹配适用麻醉决策数据的时间成本，以提高获取麻醉决策数据的效率、适用率以及准确率，具体可以是根据用户基本信息在决策数据库中进行遍历，查找是否有与该用户基本信息相同的信息存在。
进一步地，若决策数据库中有与该用户基本信息相同的信息存在，即可以理解为决策数据库中存在与用户基本信息相对应的历史麻醉决策，则将历史麻醉决策作为麻醉决策数据，以保证获取麻醉决策数据的效率；若决策数据库中不存在与该用户基本信息相同的信息，即可以理解为决策数据库中不存在与用户基本信息相对应的历史麻醉决策，则基于预设获取方法在所在用户数据库中获取与用户基本信息相对应的麻醉决策数据，其中，该预设获取方法可以依照决策数据获取模块503中获取麻醉决策数据的方式进行获取，此处不再赘述。
作为优选的技术方案中，参见图8，该装置还包括：
体征信息获取模块801，用于获取麻醉对象的生命体征信息；
在本实施例中，麻醉对象的生命体征信息是用户患者在接受麻醉后在手术中以及手术后的身体反馈的血压、心电图、氧饱和度、体温、麻醉深度等参数信息，用于麻醉医生能够准确监测麻醉对象的重要生理功能的变化，以及时进行调控和维持麻醉对象机体内环境的稳态以及为手术中以及术后恢复提供良好的条件。
具体地，数据处理中心中的生命体征接口模块与外部的仪器，如病人监护仪或麻醉深度监护仪等仪器进行连接，以实时获取麻醉对象的生命体征参数，即麻醉对象的生命体征信息。
体征信息训练模块802，用于将生命体征信息输入至神经网络模型进行训练操作，获取训练好的神经网络模型；
麻醉反应预测模块803，用于基于训练好的神经网络模型对麻醉对象的麻醉反应进行预测操作。
在本实施例中，神经网络模型具体可以是深度学习神经网络模型，或者是卷积神经网络模型，还是采用其他模型，如深度自动编码器模型等，此处不作具体限制，采用神经网络模型进行不断的训练并调整，是为了保证后续对麻醉对象的麻醉反应进行预测的准确性。
进一步地，本实施例利用深度学习神经网络模型对采集到的生命体征信息，如各类麻醉反应数据，进行训练，并在训练过程中对深度学习神经网络模型进行调整，然后，利用调整后的深度学习神经网络模型对麻醉对象的麻醉反应进行预测，以保证麻醉医生能够预测结果及时制定相应的维护措施，避免因麻醉对象出现意外而不可控的现象，能够更好地维持麻醉对象机体内环境的稳态以及为手术中以及术后恢复提供良好的条件。具体包括如下步骤：
①对采集到的生命体征信息进行预处理；
②利用深度学习神经网络模型对预处理后的生命体征信息进行训练，使其能根据决策数据库具有决策学习功能，能“体会”麻醉工作的经验并将所“学”的经验用于麻醉控制中；
③基于监督学习算法对深度学习神经网络模型进行微调；
④根据步骤③得到的最终的深度学习神经网络模型对麻醉对象的新的麻醉反应进行预测。
需要说明的是，采集的生命体征信息具体可以是麻醉期间意识、人体基本循环系统以及呼吸系统等。
其中，采集麻醉期间意识的参数信息，是由于脑功能监测仪等监护仪器还达不到100％预防术中知晓的发生，其中，术中知晓是指在全麻过程中麻醉对象发生意识的恢复；又由于肌肉松驰药可掩盖躯体体征，如体动，但是不使用肌肉松驰药物并不能防止术中知晓发生，因此，本实施例通过采用神经电生理指标，即麻醉期间意识，以使后续能够对该参数信息预测以控制麻醉深度，能够在一定程度上降低术中知晓的发生率。
例如，麻醉期间意识的参数信息包括脑电双频谱指数(BIS)、脑电熵指数(entropyindex)以及听觉诱发电位指数(AAI)等参数信息；其中，对这些参数信息预测以控制麻醉深度，如脑电双频谱指数，维持在40～60之间可有效防止麻醉中知晓，但并不能完全避免术中知晓；麻醉下与BIS有相似功能，满意的麻醉状态变化范围为40～60；听觉诱发电位指数在手术麻醉状态下指数变化范围为15～25，但在此范围内并不能完全保证每个麻醉对象都处于无意识状态。
其中，人体基本循环系统的参数信息具体可以包括心率、血压、中心静脉压(CVP)、动脉压、肺动脉楔压(PCWP)、心脏指数(CI)以及混合静脉血氧饱和度等参数信息；由于心率是最基本的循环生命体征之一，能够直观反映麻醉对象的基本情况以及麻醉及手术刺激对麻醉对象的影响；而血压也是最基本的循环生命体征之一，能较确切地反映麻醉对象的心血管功能，其与心排血量及总外周血管阻力是初步估计循环血容量的基本指标，对指导术中输液、输血和用药都有重要的意义；而中心静脉压是临床上常用于评估麻醉对象的血流动力学状况，是评价右心排出回心血量能力的重要指标；而心脏指数代表心排血量，能够用于评估机体耗氧和代谢率；而肺动脉楔压是用于估计肺循环状态和左心室功能，特别对评估左心室的前负荷提供了可靠而有价值的指标；而混合静脉血氧饱和度可用于连续评估心排血量、全身氧供与氧耗的平衡及确定输血指征，因此，本实施例通过采用麻醉对象的人体基本循环系统的参数信息，以使后续能够对该参数信息预测以指导术中或术后的输液、输血和用药，能够在一定程度上维持麻醉对象机体内环境的稳态。
需要说明的是，在实际应用场景中，心率的正常值为60～100次/分钟；血压的正常范围是收缩压在90～140mmHg之间，舒张压在60～90mmHg之间，而麻醉期间血压升高超过麻醉前血压的20％，或血压在140/95mmHg以上者为高血压；血压降低超过麻醉前血压的20％，或收缩压降到80mmHg以下者为低血压；中心静脉压(CVP)，正常值为4～12cmH2O，正常情况下，而CVP的高低取决于心功能、血容量、静脉血管张力、胸内压、静脉血回流量和肺循环阻力等因素，尤其以静脉回流与右心室排血量之间的平衡关系最为重要，以及在液体输注时，CVP不高，表明右心室能排出回心血量，可作为判断心脏对液体负荷的安全指标，故采集CVP的目的是为麻醉对象提供适当的充盈压以保证其心排血量，具体数据以及对该参数信息进行预测的处理措施可参见表1至表3，其中，表1为麻醉对象的心率、血压、中心静脉压(CVP)以及动脉压相应的参数信息，表2以及表3分别为引起中心静脉压变化的原因及相应的处理措施。
Figure BDA0002558299630000321
表1
Figure BDA0002558299630000331
表2
Figure BDA0002558299630000332
表3
进一步地，需要说明的是，在实际应用场景中，肺动脉楔压的正常值为5～12mmHg，肺栓塞、慢性弥散性肺纤维化以及其他任何原因引进肺血管阻力增加时，肺动脉的收缩压和舒张压均增高，而PCWP正常或反而降低，具体地，当肺动脉舒张压和PCWP之间的压差达到6mmHg以上时，表明麻醉对象有原发性肺部病变存在，若再结合动静脉血氧差，就可以鉴别该麻醉对象为心源性或肺源性呼吸功能衰竭；心脏指数的正常值为2.5～4.0L/(min.m2)，其中，CI＝心排血量/体表面积；混合静脉血氧饱和度，正常值为60％～80％，混合静脉血氧饱和度的产生及原因如表4所示。
Figure BDA0002558299630000333
表4
进一步地，呼吸系统的参数信息包括潮气量(VT)、分钟通气量(VE)、内源性呼气末正压(PEEPi)、气道阻力(AR)、脉搏氧饱和度(SpO2)以及呼气末二氧化碳分压(PETCO2)；其中，潮气量的正常值为男600ml，女490ml，可根据体重可计算出VT＝10ml/kg；分钟通气量的正常值为男6.6L，女4.2L；内源性呼气末正压的正常值小于3cmH2O；气道阻力以每秒钟推动1L的通气量时所需要的压力，其正常值为2～5cmH2O/(L.s)；脉搏氧饱和度(SpO2)，正常值为92％～100％，能够用于间接测定血中血氧浓度，是呼吸循环的重要生理参数；呼气末二氧化碳分压的正常值为35～45mmHg，那个用于评价通气功能、循环功能、肺血流、肺泡通气、细微的重复吸收以及整个气道和呼吸回路的通畅度情况，其中采集PETCO2的参数信息并进行预测，可用于提示肺泡通气过度或不足、输入肺泡CO2的增加或减少，并结合心电图监测可以及时预警肺栓塞或心脏停搏的发生。
作为优选的技术方案中，该装置还包括：基于设置有有线线路或无线通信RFID芯片CPU群的信息采集装置采集生命体征信息。
具体地，信息采集装置上设置有有线线路或无线通信RFID芯片CPU群，本实施例能够通过有线线路或无线通信RFID芯片CPU群接收麻醉对象的生命体征信息，使得数据处理中心能够持续获得麻醉对象的麻醉深度的信息、血容量的信息、血流动力学、呼吸和氧供等生命体征信息，并按照预设的处理措施发出相应的处理指令以保证及时进行调控，以有效维持麻醉对象机体内环境的稳态以及为手术中以及术后恢复提供良好的条件。
实施例3
根据本发明的另一实施例，提供了一种用于人工智能麻醉的决策确定系统，参见图9，包括：
数据处理中心以及与数据处理中心通信的监护装置、信息管理中心以及麻醉实施装置，其中，数据处理中心包含有用户数据库、决策数据库；
信息管理中心用于采集用户基本信息，并将用户基本信息发送至用户数据库进行存储；
监护装置用于基于设置有有线线路或无线通信RFID芯片CPU群的信息采集装置采集麻醉对象的生命体征信息，并将生命体征信息发送至数据处理中心；
当接收到请求终端发送的麻醉决策请求时，数据处理中心用于读取用户数据库，在用户数据库中获取与目标用户标识相对应的用户基本信息；
数据处理中心还用于读取决策数据库，在决策数据库中获取与用户基本信息相对应的麻醉决策数据；
数据处理中心还用于向麻醉实施装置输出麻醉决策数据。
在本实施例中，数据处理中心包含的用户数据库、决策数据库，在实际应用场景中，用户数据库具体可以如病人信息数据库；决策数据库具体可以包括如临床方案知识库以及历史实施方案记录数据库；进一步地，该数据处理中心还包含有决策模块、生命体征接口模块、病人信息接口模块以及麻醉实施控制模块等模块，其中，该决策模块用于基于神经网络模型以及内置的一些常用数据处理算法，如IK分词算法，对数据处理中心接收到的数据或信息进行数据处理并输出；生命体征接口模块用于数据处理中心与监护装置之间连接以及信息传输，该监护装置如病人监护仪、麻醉深度监护仪等；病人信息接口模块用于数据处理中心与信息管理中心之间连接以及信息传输，该信息管理中心如病人信息管理系统等；麻醉实施控制模块用于数据处理中心与麻醉实施装置之间连接以及信息传输，以使麻醉实施装置能够准确进行麻醉控制，如药物剂量、类别或者注射速度的控制。
本发明实施例中的用于人工智能麻醉的决策确定系统，该决策确定系统通过信息管理中心准确采集用户基本信息，并将用户基本信息发送至用户数据库进行存储，以使数据处理中心能够根据目标用户标识在用户数据库中快速准确地获取用户基本信息，并利用决策模块将用户基本信息与决策数据库中的决策数据进行分析匹配处理，以得到处理后的最适配的麻醉决策数据，能够保证获取麻醉决策数据的准确率以及效率，然后，数据处理中心向麻醉实施装置输出该麻醉决策数据，以完成人工智能麻醉操作。
与现有的决策确定方法相比，本发明用于人工智能麻醉的决策确定方法、装置及系统的优点在于：
1.本实施例通过数据处理中心根据目标用户标识在用户数据库中快速准确地获取用户基本信息，并利用决策模块将用户基本信息与决策数据库中的决策数据进行分析匹配处理，以得到处理后的最适配的麻醉决策数据，能够保证获取麻醉决策数据的准确率以及效率；
2.本实施例通过计算用户基本信息与决策数据库中的每个决策数据之间的相似度，以保证获取麻醉决策数据的准确率和效率，以及获取到的麻醉决策数据的适配度；
3.本实施例能够通过有线线路或无线通信RFID芯片CPU群接收麻醉对象的生命体征信息，使得数据处理中心能够按照预设的处理措施发出相应的处理指令以保证及时进行调控，以有效维持麻醉对象机体内环境的稳态以及为手术中以及术后恢复提供良好的条件。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的系统实施例仅仅是示意性的，例如单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种用于人工智能麻醉的决策确定方法，其特征在于，包括以下步骤：
接收请求终端发送的麻醉决策请求，所述麻醉决策请求至少携带有目标用户标识；
读取用户数据库，在所述用户数据库中获取与所述目标用户标识相对应的用户基本信息；
读取决策数据库，在所述决策数据库中获取与所述用户基本信息相对应的麻醉决策数据；
向麻醉实施装置输出所述麻醉决策数据。
2.根据权利要求1所述的用于人工智能麻醉的决策确定方法，其特征在于，在所述读取决策数据库，在所述用户数据库中获取与所述用户基本信息相对应的麻醉决策数据的步骤之后，所述方法还包括：
将所述麻醉决策数据发送至调整终端，以进行检验调整操作；
接收所述调整终端发送的麻醉调整决策；
所述向麻醉实施装置输出所述麻醉决策数据的步骤，具体包括下述步骤：
向所述麻醉实施装置输出所述麻醉调整决策。
3.根据权利要求1所述的用于人工智能麻醉的决策确定方法，所述决策数据库还包括历史麻醉决策，所述读取决策数据库，在所述用户数据库中获取与所述用户基本信息相对应的麻醉决策数据的步骤，具体包括下述步骤：
判断所述决策数据库中是否存在与所述用户基本信息相对应的所述历史麻醉决策；
若所述决策数据库中存在与所述用户基本信息相对应的所述历史麻醉决策，则将所述历史麻醉决策作为所述麻醉决策数据；
若所述决策数据库中不存在与所述用户基本信息相对应的所述历史麻醉决策，则基于预设获取方法在所在所述用户数据库中获取与所述用户基本信息相对应的麻醉决策数据。
4.根据权利要求1所述的用于人工智能麻醉的决策确定方法，其特征在于，在所述向麻醉实施装置输出所述麻醉决策数据，以完成人工智能麻醉操作的步骤之后，所述方法还包括：
获取所述麻醉对象的生命体征信息；
将所述生命体征信息输入至神经网络模型进行训练操作，获取训练好的神经网络模型；
基于所述训练好的神经网络模型对所述麻醉对象的麻醉反应进行预测操作。
5.根据权利要求4所述的用于人工智能麻醉的决策确定方法，其特征在于，在所述获取所述麻醉对象的生命体征信息的步骤之前，所述方法还包括：
基于设置有有线线路或无线通信RFID芯片CPU群的信息采集装置采集所述生命体征信息。
6.一种用于人工智能麻醉的决策确定装置，其特征在于，包括：
请求接收模块，用于接收请求终端发送的麻醉决策请求，所述麻醉决策请求至少携带有目标用户标识；
基本信息获取模块，用于读取用户数据库，在所述用户数据库中获取与所述目标用户标识相对应的用户基本信息；
决策数据获取模块，用于读取决策数据库，在所述决策数据库中获取与所述用户基本信息相对应的麻醉决策数据；
决策数据输出模块，用于向麻醉实施装置输出所述麻醉决策数据。
7.根据权利要求6所述的用于人工智能麻醉的决策确定装置，其特征在于，所述装置还包括：
决策数据发送模块，用于将所述麻醉决策数据发送至调整终端，以进行检验调整操作；
调整决策接收模块，用于接收所述调整终端发送的麻醉调整决策；
所述调整决策输出模块具体包括：
调整决策输出单元，用于向所述麻醉实施装置输出所述麻醉调整决策。
8.根据权利要求6所述的用于人工智能麻醉的决策确定装置，其特征在于，所述决策数据获取模块包括：
决策判断单元，用于判断所述决策数据库中是否存在与所述用户基本信息相对应的所述历史麻醉决策；
历史决策获取单元，用于若所述决策数据库中存在与所述用户基本信息相对应的所述历史麻醉决策，则将所述历史麻醉决策作为所述麻醉决策数据；
麻醉决策获取单元，用于若所述决策数据库中不存在与所述用户基本信息相对应的所述历史麻醉决策，则基于预设获取方法在所在所述用户数据库中获取与所述用户基本信息相对应的麻醉决策数据。
9.根据权利要求6所述的用于人工智能麻醉的决策确定装置，其特征在于，所述装置还包括：
体征信息获取模块，用于获取所述麻醉对象的生命体征信息；
体征信息训练模块，用于将所述生命体征信息输入至神经网络模型进行训练操作，获取训练好的神经网络模型；
麻醉反应预测模块，用于基于所述训练好的神经网络模型对所述麻醉对象的麻醉反应进行预测操作。
10.一种用于人工智能麻醉的决策确定系统，其特征在于，包括：
数据处理中心以及与所述数据处理中心通信的监护装置、信息管理中心以及麻醉实施装置，其中，所述数据处理中心包含有用户数据库、决策数据库；
所述信息管理中心用于采集用户基本信息，并将所述用户基本信息发送至所述用户数据库进行存储；
所述监护装置用于基于设置有有线线路或无线通信RFID芯片CPU群的信息采集装置采集麻醉对象的生命体征信息，并将所述生命体征信息发送至所述数据处理中心；
当接收到请求终端发送的麻醉决策请求时，所述数据处理中心用于读取所述用户数据库，在所述用户数据库中获取与目标用户标识相对应的用户基本信息；
所述数据处理中心还用于读取所述决策数据库，在所述决策数据库中获取与所述用户基本信息相对应的麻醉决策数据；
所述数据处理中心还用于向所述麻醉实施装置输出所述麻醉决策数据。
CN202010598375.8A 2020-06-28 2020-06-28 一种用于人工智能麻醉的决策确定方法、装置及系统 Active CN111798956B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010598375.8A CN111798956B (zh) 2020-06-28 2020-06-28 一种用于人工智能麻醉的决策确定方法、装置及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010598375.8A CN111798956B (zh) 2020-06-28 2020-06-28 一种用于人工智能麻醉的决策确定方法、装置及系统

Publications (2)

Publication Number Publication Date
CN111798956A true CN111798956A (zh) 2020-10-20
CN111798956B CN111798956B (zh) 2024-03-15

Family

ID=72803947

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010598375.8A Active CN111798956B (zh) 2020-06-28 2020-06-28 一种用于人工智能麻醉的决策确定方法、装置及系统

Country Status (1)

Country Link
CN (1) CN111798956B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113133744A (zh) * 2021-04-30 2021-07-20 鹤壁市人民医院 一种多功能麻醉科用麻醉深度监测装置
CN114366030A (zh) * 2021-12-31 2022-04-19 中国科学院苏州生物医学工程技术研究所 一种用于麻醉手术的智能辅助系统及方法
CN116779152A (zh) * 2023-08-21 2023-09-19 瑞鞍星医疗科技(苏州)有限公司 一种麻醉机器人系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107341105A (zh) * 2017-06-20 2017-11-10 北京金山安全软件有限公司 信息处理方法、终端及服务器
CN109754872A (zh) * 2018-12-15 2019-05-14 深圳壹账通智能科技有限公司 门诊预约方法、装置、设备及存储介质
CN110349642A (zh) * 2019-07-09 2019-10-18 泰康保险集团股份有限公司 智能麻醉实施方法、装置、设备及存储介质

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107341105A (zh) * 2017-06-20 2017-11-10 北京金山安全软件有限公司 信息处理方法、终端及服务器
CN109754872A (zh) * 2018-12-15 2019-05-14 深圳壹账通智能科技有限公司 门诊预约方法、装置、设备及存储介质
CN110349642A (zh) * 2019-07-09 2019-10-18 泰康保险集团股份有限公司 智能麻醉实施方法、装置、设备及存储介质

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113133744A (zh) * 2021-04-30 2021-07-20 鹤壁市人民医院 一种多功能麻醉科用麻醉深度监测装置
CN114366030A (zh) * 2021-12-31 2022-04-19 中国科学院苏州生物医学工程技术研究所 一种用于麻醉手术的智能辅助系统及方法
CN114366030B (zh) * 2021-12-31 2024-04-09 中国科学院苏州生物医学工程技术研究所 一种用于麻醉手术的智能辅助系统及方法
CN116779152A (zh) * 2023-08-21 2023-09-19 瑞鞍星医疗科技(苏州)有限公司 一种麻醉机器人系统
CN116779152B (zh) * 2023-08-21 2023-12-05 瑞鞍星医疗科技(苏州)有限公司 一种麻醉机器人系统

Also Published As

Publication number Publication date
CN111798956B (zh) 2024-03-15

Similar Documents

Publication Publication Date Title
Emeriaud et al. Executive summary of the second international guidelines for the diagnosis and management of pediatric acute respiratory distress syndrome (PALICC-2)
Bateman et al. Early high-frequency oscillatory ventilation in pediatric acute respiratory failure. A propensity score analysis
CN111798956B (zh) 一种用于人工智能麻醉的决策确定方法、装置及系统
Merkus et al. Quality of life in patients on chronic dialysis: self-assessment 3 months after the start of treatment
JP4391089B2 (ja) 患者の状態表示
US11972843B2 (en) Systems and methods for predicting adverse events and assessing level of sedation during medical procedures
US10388405B2 (en) Systems and methods for predicting adverse events and assessing level of sedation during medical procedures
CN108738299A (zh) 用于确定针对儿科对象的血流动力学不稳定风险评分的系统和方法
CN110289095A (zh) 一种股骨颈骨折临床智能辅助决策方法及系统
CN114177414A (zh) 一种基于脑电信号监测成人麻醉靶控智能化方法及系统
CN116548920A (zh) 一种基于神经网络的麻醉状态监测系统及方法
WO2017001495A1 (en) Optimal drug dosing based on current anesthesia practice
López-de-Uralde-Villanueva et al. Respiratory dysfunction in patients with chronic neck pain: systematic review and meta-analysis
CN116747377A (zh) 一种闭环的智能麻醉控制系统
CN116685368A (zh) 一种医疗设备系统以及通气治疗辅助设备
CN106250689A (zh) 一种红细胞输注需求量评估与疗效评价的系统和方法
Sheppard The computer in the care of critically III patients
WO2024032811A1 (zh) 生命信息处理系统和生命信息处理方法
CN111282195A (zh) 一种基于整体论指导的自行车训练运动系统
CN110415778A (zh) 一种基于云数据的个人健康数据管理方法及系统
CN117637188B (zh) 基于数字化平台的肿瘤化疗反应监测方法、介质及系统
CN114023411A (zh) 一种适用于重症医学科的医护系统
Fagan et al. A symbolic processing approach to measurement interpretation in the intensive care unit
WO2023107508A2 (en) Lap signal processing to automatically calculate a/v ratio
Collet i Fàbregas Machine learning prediction of burst suppression under general anesthesia

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