CN111899866A - 基于深度学习的外科手术并发症评测系统 - Google Patents
基于深度学习的外科手术并发症评测系统 Download PDFInfo
- Publication number
- CN111899866A CN111899866A CN202010737073.4A CN202010737073A CN111899866A CN 111899866 A CN111899866 A CN 111899866A CN 202010737073 A CN202010737073 A CN 202010737073A CN 111899866 A CN111899866 A CN 111899866A
- Authority
- CN
- China
- Prior art keywords
- data
- medical
- module
- deep learning
- risk
- 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
Links
- 238000013135 deep learning Methods 0.000 title claims abstract description 22
- 238000011156 evaluation Methods 0.000 title claims description 25
- 230000002265 prevention Effects 0.000 claims abstract description 20
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 17
- 238000001514 detection method Methods 0.000 claims abstract description 16
- 208000024891 symptom Diseases 0.000 claims abstract description 16
- 238000012545 processing Methods 0.000 claims description 26
- 238000000034 method Methods 0.000 claims description 24
- 230000008569 process Effects 0.000 claims description 17
- 230000011218 segmentation Effects 0.000 claims description 17
- 238000003745 diagnosis Methods 0.000 claims description 15
- 238000003672 processing method Methods 0.000 claims description 15
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- 230000010365 information processing Effects 0.000 claims description 11
- 238000013507 mapping Methods 0.000 claims description 11
- 238000013527 convolutional neural network Methods 0.000 claims description 8
- 230000002980 postoperative effect Effects 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 7
- 238000001356 surgical procedure Methods 0.000 claims description 7
- 230000006698 induction Effects 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000003066 decision tree Methods 0.000 claims description 4
- 238000007477 logistic regression Methods 0.000 claims description 4
- 238000007637 random forest analysis Methods 0.000 claims description 4
- 238000003556 assay Methods 0.000 claims description 3
- 238000003384 imaging method Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 abstract description 6
- 206010051055 Deep vein thrombosis Diseases 0.000 abstract description 5
- 206010047249 Venous thrombosis Diseases 0.000 abstract description 5
- 206010063385 Intellectualisation Diseases 0.000 abstract description 2
- 238000007689 inspection Methods 0.000 abstract description 2
- 230000003449 preventive effect Effects 0.000 abstract description 2
- 238000013459 approach Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000000474 nursing effect Effects 0.000 description 3
- 238000010882 preoperative diagnosis Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 208000028389 Nerve injury Diseases 0.000 description 2
- 208000010378 Pulmonary Embolism Diseases 0.000 description 2
- 208000027418 Wounds and injury Diseases 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000002059 diagnostic imaging Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 208000015181 infectious disease Diseases 0.000 description 2
- 230000008764 nerve damage Effects 0.000 description 2
- 230000000069 prophylactic effect Effects 0.000 description 2
- 238000011897 real-time detection Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 208000035965 Postoperative Complications Diseases 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000001054 cortical effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000002297 emergency surgery Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Image Analysis (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明公开了基于深度学习的外科手术并发症评测系统，涉及医疗辅助决策技术领域，具体方案为：包括云端数据库、云端服务器、医学检测模块、医学病例模块、医师终端；云端数据库包括医疗单位历史临床数据。本发明将人工智能与医疗密切结合，覆盖常见症状670多个，症状同义词700多个，常用体格检查项目600多项，常用检验检查项目1200多项，具有手术并发症预测标准化，预防智能化，管控个体化三大优势。利用深度学习对并发症的种类、时间、严重程度等进行快速检测，在10秒内读完一个病人的病历与化验数据，并给予预防措施(高等级证据)推荐，系统初步测试，产品预测深静脉血栓的准确率达到94.5％。
Description
技术领域
本发明涉及医疗辅助决策技术领域，更具体地说，它涉及基于深度学习的外科手术并发症评测系统。
背景技术
国家卫生健康委统计显示，我国手术数量近年迅速增长，仅2018年手术量就达6171万次。然而，来自急诊科的样本显示，2006年1月至2015年12月期间的150万次急诊手术中，手术并发症造成的医疗费用总计180亿元，占总体医疗经济负担的48％。说明医疗质量体系仍不完善，科学的严密性仍有阶段性缺陷，患者诊前、诊中、诊后常常因并发症加重病情，增加了救治难度，甚至造成患者致死致残致贫，给国家、社会、家庭和患者带来了沉重经济负担和极大的身心痛苦，诱发了一系列的社会问题。这一问题成为医疗史上的顽疾和医疗工作者的痛点，始终没有得到改善。
目前，采用传统方式进行手术并发症的预测预防面临极大挑战。
(1)主观局限：医疗机构一直沿用着凭医生主观经验和患者的表达和体征表象及仪器检查结果的综合判断，由于手术并发症的预测无法拥有统一标准，主观性无法避免，即使同样是经验丰富的临床医师，面对同一位患者，也可能得出不同的诊断意见，从而造成潜在术后并发症危险，甚至导致患者死亡，缺乏一套精准的、科学的、严密的手术并发症预测系统。
(2)客观局限：临床医师需要在约15分钟内评估患者行手术的安全性及一百多种可疑手术并发症可能，每位患者至少有五项术前常规检查，321项化验结果。时间的紧迫使得精准到个人的预测根本无法实现。《Psychol Sci》研究表明，当人脑要面对分析的变量数目超过4个时，大脑分析判断的速度和准确性会严重下降。繁重的工作负担极容易产生神经疲劳，降低工作效率和诊断准确性。如何不遗漏其中隐匿的危险因素，对临床医师来说并非易事。
(3)现有评分预测系统：在现代医疗中,我国目前采用较多的评分系统主要为APACHE-Ⅱ评分、POSSUM评分等,但由于这两种系统仍旧存在局限性高、受众不清晰等弊端,尚未得到医院的普遍应用，APACHE II系统在实际应用中由于其对死亡率过高的估计也饱受批评，而由于POSSUM评分只预测术后30天的死亡率与并发症率，所以POSSUM评分不能预测超过30天的死亡率与并发症率。综上所述，不难发现，在现阶段中国医疗行业中尚未建立起健全的手术后并发症预测体系.因此,建立一个适用科室广、受众人群广、操作便捷的外科手术并发症预测及规避辅助决策AI智能系统迫在眉睫.
(4)手术并发症规避辅助决策方面，外科手术前涉及至少五项术前常规检查，321项化验结果，信息个体化差异强，需外科、护理、康复医学等多专业共同配合预防，决策过程复杂，目前无相关实用性工具帮助医师等医护人员选择最适合的并发症预防方案。
发明内容
为解决上述技术问题，本发明提供一种基于深度学习的外科手术并发症评测系统，通过在手术前期获取的相应数据，对手术以及术后护理进行风险评估，并根据风险评估的数据，进行二次干预，以降低术中和术后的并发症和相应的风险。
本发明的上述技术目的是通过以下技术方案得以实现的：
基于深度学习的外科手术并发症评测系统，包括云端服务器、医学检测模块、医学病例模块、医学影像模块和医师终端；
云端服务器包括医疗单位历史临床数据库，文本数据和图像数据处理服务器，人工智能模块；
文本数据和图像数据处理服务器包括用于对文字型诊断信息要素数据进行归纳收集、分词处理、筛选和保留症状关键词；
文本数据和图像数据处理服务器还包括用于以多层卷积神经网络的非线性映射为基础，得到高度可分的特征组合并用于分类；
人工智能模块包括风险评估模块和智能决策模块，风险评估模块用于包括通过对获取的数据进行分析，反馈出医护操作中的相关风险；智能决策模块用于包括通过对获取的数据进行分析，结合风险评估模块给出的相关风险数据进行划分，得到能够清除的风险和不能够清除的风险，对于可以清除的风险，与手术并发症大数据知识图谱系统结合分析，同时映射到医师终端，并给出相应的处理方法；
医学检测模块用于收集患者体格检查及化验相关数据；
医学影像模块用于收集患者影像学相关数据；
医学病例模块用于收集患者的相关数据；
医师终端用于包括接收医学检测模块、医学影像模块和医学病例模块的相关数据并显示，还用于包括共享云端服务器信息；
医师终端或/和云端服务器还设有手术并发症大数据知识图谱系统。
在上述方案中，云端数据块用于获取其他病例的相应临床数据，包括患者病例、术中和术后产生的相应的风险，以及风险的处理方案，用于对目前治疗的患者的治疗方案进行辅助判定；医学检测模块检测的数据包括术前、术中和术后的检测，包括历史检测数据，也包括实时检测数据；医学病例模块检测的数据包括患者的历史病例，也同样能够获取历史病例的处理方案，以及是否存在相应并发症的数据，还包括患者的家族史等数据；医学影像模块检测的数据包括患者的X片、CT、MRI和报告单等数据，还包括人体相关的其他影响。
云端服务器将上述的数据进行汇总，然后将术前诊断、术中操作和术后护理过程中的相关风险数据进行判定，并显示给医护人员，并结合上述数据自动生成相应的处理方案。
云端服务器在对数据进行汇总，风险数据判定和生成处理方案的过程中，将风险数据进行划分，分为能够清除的风险，比如伤口浅表感染；深静脉血栓；肺栓塞等；已经不能够清除的风险，比如神经损伤等；然后给出能够清除的风险相应的处理方法，医护人员使用该处理方法对患者进行护理，然后医师终端再次对新的数据进行汇总判定，得到新的风险数据，在时间和条件允许的基础上，使得患者的体征参数最利于手术，以减少手术中并发症的风险，降低术后的护理风险，提高患者的治愈率。
作为一种优选方案，分词处理采用HanLP分词工具。
基于深度学习的手术并发症评预测及规避信息处理方法，基于上述的基于深度学习的外科手术并发症评测系统，包括以下步骤：
S1：对文字型诊断信息进行归纳收集、分词处理、筛选和保留症状关键词；
S2：将S1中得到的关键字转换成二元变量数据；
S3：将S2得到的数据通过K临近算法对样本进行分类；
S4：将S3中分类信息映射到云端服务器；
S5：将图像型诊断信息进行特征提取；
S6：将S5得到的特征信息输入至云端服务器中；
S7：将S4和S6得到的信息传输至人工智能模块预测外科手术后可能发生的并发症。
S8：将S7得到的并发症的结论，结合相关处理信息方式，提供术前、术中和术后预防方案；
S9：将S8得到的预防方案呈现在医师终端。
作为一种优选方案，S5古城中图像型诊断信息包括X片、CT和/或MRI图像。
作为一种优选方案，S7过程中，人工智能模块算法包括决策树、Logistic回归、随机森林或贝叶斯网络模型。
作为一种优选方案，S7过程中，根据相应的并发症，将不同并发症的预测因素的重要性进行排序。
作为一种优选方案，S9过程中，根据影响因子高低顺序，将预防方案排序呈现在医师终端。
作为一种优选方案，在患者进行预防方案干预后，再次重复S1至S9步骤。
综上所述，本发明具有以下有益效果：
本项目将人工智能与医疗密切结合，覆盖常见症状670多个，症状同义词700多个，常用体格检查项目600多项，常用检验检查项目1200多项，具有手术并发症预测标准化，预防智能化，管控个体化三大优势。利用深度学习对并发症的种类、时间、严重程度等进行快速检测，在10秒内读完一个病人的病历与化验数据，并给予预防措施(高等级证据)推荐，系统初步测试，产品预测深静脉血栓的准确率达到94.5％。这不仅意味着手术并发症的预测精度上了一个新台阶，救治迈入了智慧医疗一大步，极大减轻了临床医生的工作负荷。同时，上下联动，纵横交流，真正迎来了优质资源共享的智慧时代。
附图说明
图1是本发明实施例的基于深度学习的外科手术并发症评测系统的结构示意图。
具体实施方式
本说明书及权利要求并不以名称的差异来作为区分组件的方式，而是以组件在功能上的差异来作为区分的准则。如在通篇说明书及权利要求当中所提及的“包含”为一开放式用语，故应解释成“包含但不限定于”。“大致”是指在可接收的误差范围内，本领域技术人员能够在一定误差范围内解决所述技术问题，基本达到所述技术效果。
在步骤说明中，如非特别说明，S1至S9不代表顺序。
以下结合附图对本发明作进一步详细说明，但不作为对本申请的限定。
基于深度学习的外科手术并发症评测系统，包括云端服务器、医学检测模块、医学病例模块、医学影像模块和医师终端；
云端服务器包括医疗单位历史临床数据库，文本数据和图像数据处理服务器，人工智能模块；
文本数据和图像数据处理服务器包括用于对文字型诊断信息要素数据进行归纳收集、分词处理、筛选和保留症状关键词；
文本数据和图像数据处理服务器还包括用于以多层卷积神经网络的非线性映射为基础，得到高度可分的特征组合并用于分类；
人工智能模块包括风险评估模块和智能决策模块，风险评估模块用于包括通过对获取的数据进行分析，反馈出医护操作中的相关风险；智能决策模块用于包括通过对获取的数据进行分析，结合风险评估模块给出的相关风险数据进行划分，得到能够清除的风险和不能够清除的风险，对于可以清除的风险，与手术并发症大数据知识图谱系统结合分析，同时映射到医师终端，并给出相应的处理方法；
医学检测模块用于收集患者体格检查及化验相关数据；
医学影像模块用于收集患者影像学相关数据；
医学病例模块用于收集患者的相关数据；
医师终端用于包括接收医学检测模块、医学影像模块和医学病例模块的相关数据并显示，还用于包括共享云端服务器信息；
医师终端或/和云端服务器还设有手术并发症大数据知识图谱系统。
在上述方案中，云端数据块用于获取其他病例的相应临床数据，包括患者病例、术中和术后产生的相应的风险，以及风险的处理方案，用于对目前治疗的患者的治疗方案进行辅助判定；医学检测模块检测的数据包括术前、术中和术后的检测，包括历史检测数据，也包括实时检测数据；医学病例模块检测的数据包括患者的历史病例，也同样能够获取历史病例的处理方案，以及是否存在相应并发症的数据，还包括患者的家族史等数据；医学影像模块检测的数据包括患者的X片、CT、MRI和报告单等数据，还包括人体相关的其他影响。
云端服务器将上述的数据进行汇总，然后将术前诊断、术中操作和术后护理过程中的相关风险数据进行判定，并显示给医护人员，并结合上述数据自动生成相应的处理方案。
云端服务器在对数据进行汇总，风险数据判定和生成处理方案的过程中，将风险数据进行划分，分为能够清除的风险，比如伤口浅表感染；深静脉血栓；肺栓塞等；已经不能够清除的风险，比如神经损伤等；然后给出能够清除的风险相应的处理方法，医护人员使用该处理方法对患者进行护理，然后医师终端再次对新的数据进行汇总判定，得到新的风险数据，在时间和条件允许的基础上，使得患者的体征参数最利于手术，以减少手术中并发症的风险，降低术后的护理风险，提高患者的治愈率。
作为一种优选方案，分词处理采用HanLP分词工具。
基于深度学习的手术并发症评预测及规避信息处理方法，基于上述的基于深度学习的外科手术并发症评测系统，包括以下步骤：
S1：对文字型诊断信息进行归纳收集、分词处理、筛选和保留症状关键词；
S2：将S1中得到的关键字转换成二元变量数据；
S3：将S2得到的数据通过K临近算法对样本进行分类；
S4：将S3中分类信息映射到云端服务器；
S5：将图像型诊断信息进行特征提取；
S6：将S5得到的特征信息输入至云端服务器中；
S7：将S4和S6得到的信息传输至人工智能模块预测外科手术后可能发生的并发症。
S8：将S7得到的并发症的结论，结合相关处理信息方式，提供术前、术中和术后预防方案；
S9：将S8得到的预防方案呈现在医师终端。
作为一种优选方案，S5古城中图像型诊断信息包括X片、CT和/或MRI图像。
作为一种优选方案，S7过程中，人工智能模块算法包括决策树、Logistic回归、随机森林或贝叶斯网络模型。
作为一种优选方案，S7过程中，根据相应的并发症，将不同并发症的预测因素的重要性进行排序。
作为一种优选方案，S9过程中，根据影响因子高低顺序，将预防方案排序呈现在医师终端。
作为一种优选方案，在患者进行预防方案干预后，再次重复S1至S9步骤。
对于电子病历中的文字型诊断信息要素数据(如各种症状和检查结果的自然语言描述等)，在归纳收集并且标准化以后，先使用HanLP分词工具，对症状描述进行分词处理，然后筛选分词处理后的结果，保留症状字典中的词，去除症状字典中不存在的词语，并将筛选好的词集取代原来的症状描述。相比于Jieba、ansj等分词工具，HanLP具有如下优势：(1)自定义分词、词性方便；(2)可分出多单词的英文名称(词典数据可带空格)；(3)可动态增删词库；(4)动态添加词典的速度较快。
进行分词处理后，得到的数据还不是计算机能够直接处理的数值型数据，为了将其转换成计算机或机器学习可识别和处理的格式，可以使用二元变量0和1构成的向量来表示每一个病例的症状及其相应的诊断。
完成对文字信息向数值信息的转换后，可以使用K临近算法对样本进行分类。K近邻算法(KNN，K nearest neighbor algorithm)是机器学习中一种基本的分类与回归方法其主要原理是通过对不同测试样本之间的距离进行量测，而后寻找最为相近的K个样本来进行分类，具有简单、直观、实用、分类准确的特点。
将提取出的文本信息与ICD-11等标准映射。
传统的机器学习方法仅考虑简单的低级特征(例如骨皮质等)，无法进一步挖掘隐藏或潜在的高级信息，更无法分析低级特征之间的内在联系，为此我们引入一种基于深度学习技术的影像提取及分类方法，该方法以多层卷积神经网络的非线性映射为基础，可以自动得到高度可分的特征组合用于分类，免去了繁琐的手动提取特征和设计特征的过程，简化了流程，节约时间。
在多元卷积神经网络对输入的X片、CT和MRI等图像进行特征提取，让多层卷积神经网络自己挑选输入的特征组合得到特征向量给分类器分类以得到最好的分类效果。特征组合过程涉及到权重的训练。我们可以把待训练的权重视为一种过滤器，它可以对于输入的内容发现不同类型之间的关系。通过对低水平特征的加权线性组合进行非线性转换，第一隐藏层的每一个隐藏单元都能够获得一个高层次的特征表达。隐藏层可以从医学影像的功能非线性关系中发现结构非线性关系，第一隐藏层的输出进一步组合在上层隐藏层中，捕获更复杂的关系。以这种方式，多元卷积神经网络分级地捕获输入低级特征固有的潜在复杂信息，这有助于完成并发症的预测，是一种无监督的训练方式。
预训练完成后，为了更好地学习特征，再以监督学习的方式(带有标签的数据)，进行微调。以提高CNN网络模型对X片、CT和MRI等图像的识别准确率。
随后与文本信息一起经云端数据库被输入Softmax分类器。
将前述提取出的信息(包括术前诊断、手术种类、基本信息等)经Softmax分类器输入训练好的人工智能算法，特征缺失值采用均值填充法代替，原则上该手术类别下信息缺失值不应超过10％，否则结果不予输出，所述算法为决策树、Logistic回归、随机森林或贝叶斯网络模型等人工智能算法，预测外科手术后可能发生的并发症(包括深静脉血栓、术中输血等)，并得出每项预测因素的重要性排序。
依托NLP、大数据处理、医学术语标注等技术技术结构化处理的权威临床指南库、临床研究证据库(包括医学杂志、医学教科书等)、医学专家方案库(包括各家医院所采用的预防方案等)建立手术并发症大数据知识图谱系统，根据3中预测出的手术并发症结果，提供术前、术中、术后预防方案，并提供预测因素中最重要的前五项阳性指标。
根据预防方案结果，在Pubmed、SCI、Medline等公开论文数据库抓取预防方案最新相关权威临床指南、专家共识和文献，按影响因子高低顺序排序，在系统中呈现。
医师选择预防方案后，将方案选择结果和上述提取出的信息再次输入人工智能算法，系统二次筛选运算手术并发症的概率与占比。
本具体实施例仅仅是对本发明的解释，其并不是对本发明的限制，本领域技术人员在阅读完本说明书后可以根据需要对本实施例做出没有创造性贡献的修改，但只要在本发明的权利要求范围内都受到专利法的保护。
Claims (8)
1.基于深度学习的外科手术并发症评测系统，其特征在于，包括云端服务器、医学检测模块、医学病例模块、医学影像模块和医师终端；
云端服务器包括医疗单位历史临床数据库，文本数据和图像数据处理服务器，人工智能模块；
文本数据和图像数据处理服务器包括用于对文字型诊断信息要素数据进行归纳收集、分词处理、筛选和保留症状关键词；
文本数据和图像数据处理服务器还包括用于以多层卷积神经网络的非线性映射为基础，得到高度可分的特征组合并用于分类；
人工智能模块包括风险评估模块和智能决策模块，风险评估模块用于包括通过对获取的数据进行分析，反馈出医护操作中的相关风险；智能决策模块用于包括通过对获取的数据进行分析，结合风险评估模块给出的相关风险数据进行划分，得到能够清除的风险和不能够清除的风险，对于可以清除的风险，与手术并发症大数据知识图谱系统结合分析，同时映射到医师终端，并给出相应的处理方法；
医学检测模块用于收集患者体格检查及化验相关数据；
医学影像模块用于收集患者影像学相关数据；
医学病例模块用于收集患者的相关数据；
医师终端用于包括接收医学检测模块、医学影像模块和医学病例模块的相关数据并显示，还用于包括共享云端服务器信息；
医师终端或/和云端服务器还设有手术并发症大数据知识图谱系统。
2.根据权利要求1所述的基于深度学习的外科手术并发症评测系统，其特征在于，所述分词处理采用HanLP分词工具。
3.基于深度学习的手术并发症评预测及规避信息处理方法，基于权利要求1或2所述的基于深度学习的外科手术并发症评测系统，其特征在于，包括以下步骤：
S1：对文字型诊断信息进行归纳收集、分词处理、筛选和保留症状关键词；
S2：将S1中得到的关键字转换成二元变量数据；
S3：将S2得到的数据通过K临近算法对样本进行分类；
S4：将S3中分类信息映射到云端服务器；
S5：将图像型诊断信息进行特征提取；
S6：将S5得到的特征信息输入至云端服务器中；
S7：将S4和S6得到的信息传输至人工智能模块预测外科手术后可能发生的并发症。
S8：将S7得到的并发症的结论，结合相关处理信息方式，提供术前、术中和术后预防方案；
S9：将S8得到的预防方案呈现在医师终端。
4.根据权利要求3所述的基于深度学习的手术并发症评预测及规避信息处理方法，其特征在于，所述S5古城中图像型诊断信息包括X片、CT和/或MRI图像。
5.根据权利要求3所述的基于深度学习的手术并发症评预测及规避信息处理方法，其特征在于，所述S7过程中，人工智能模块算法包括决策树、Logistic回归、随机森林或贝叶斯网络模型。
6.根据权利要求3所述的基于深度学习的手术并发症评预测及规避信息处理方法，其特征在于，所述S7过程中，根据相应的并发症，将不同并发症的预测因素的重要性进行排序。
7.根据权利要求3所述的基于深度学习的手术并发症评预测及规避信息处理方法，其特征在于，所述S9过程中，根据影响因子高低顺序，将预防方案排序呈现在医师终端。
8.根据权利要求3所述的基于深度学习的手术并发症评预测及规避信息处理方法，其特征在于，在患者进行预防方案干预后，再次重复S1至S9步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010737073.4A CN111899866B (zh) | 2020-07-28 | 2020-07-28 | 基于深度学习的外科手术并发症评测系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010737073.4A CN111899866B (zh) | 2020-07-28 | 2020-07-28 | 基于深度学习的外科手术并发症评测系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111899866A true CN111899866A (zh) | 2020-11-06 |
| CN111899866B CN111899866B (zh) | 2022-04-22 |
Family
ID=73189329
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010737073.4A Expired - Fee Related CN111899866B (zh) | 2020-07-28 | 2020-07-28 | 基于深度学习的外科手术并发症评测系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111899866B (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113178258A (zh) * | 2021-04-28 | 2021-07-27 | 青岛百洋智能科技股份有限公司 | 外科手术术前风险评估方法及系统 |
| CN113436717A (zh) * | 2021-06-05 | 2021-09-24 | 四川数字链享科技有限公司 | 一种基于大数据的智慧医疗病情监控管理系统 |
| CN114496233A (zh) * | 2022-04-07 | 2022-05-13 | 广东工业大学 | 一种心肌梗死并发症的辅助诊断系统 |
| CN114724710A (zh) * | 2022-06-10 | 2022-07-08 | 北京大学第三医院（北京大学第三临床医学院） | 突发事件的应急方案推荐方法、装置及存储介质 |
| CN115938555A (zh) * | 2023-01-09 | 2023-04-07 | 北京和兴创联健康科技有限公司 | 一种基于预训练的术中用血预测通用模型及其建立方法 |
| CN118566716A (zh) * | 2024-08-05 | 2024-08-30 | 常州忆隆信息科技有限公司 | 电动吻合器微动开关检测方法及系统 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1973778A (zh) * | 2006-12-08 | 2007-06-06 | 南京大学 | 胃癌术后严重并发症风险度的预测方法 |
| CN106295180A (zh) * | 2016-08-10 | 2017-01-04 | 中国人民解放军第三军医大学第三附属医院 | 老年骨科手术风险预测方法 |
| CN107451390A (zh) * | 2017-02-22 | 2017-12-08 | Cc和I研究有限公司 | 用于预测慢性阻塞性肺疾病急性加重的系统 |
| CN107680676A (zh) * | 2017-09-26 | 2018-02-09 | 电子科技大学 | 一种基于电子病历数据驱动的妊娠期糖尿病预测方法 |
| CN108766563A (zh) * | 2018-05-25 | 2018-11-06 | 戴建荣 | 基于剂量组学的放射治疗结果预测方法和系统 |
| CN109411036A (zh) * | 2017-05-09 | 2019-03-01 | 北京华信诚达科技有限公司 | 一种监测各种疾病手术并发症的云平台系统和方法 |
| CN109411062A (zh) * | 2018-09-30 | 2019-03-01 | 天津科技大学 | 一种基于深度学习技术利用生理参数自动判断糖尿病及其并发症的方法 |
| CN109920547A (zh) * | 2019-03-05 | 2019-06-21 | 北京工业大学 | 一种基于电子病历数据挖掘的糖尿病预测模型构建方法 |
| CN109934415A (zh) * | 2019-03-22 | 2019-06-25 | 中国科学院重庆绿色智能技术研究院 | 一种基于跨模态深度学习的围术期危重事件预测方法 |
| CN110491503A (zh) * | 2019-08-21 | 2019-11-22 | 山东大学第二医院 | 一种基于深度学习的胆石症智能辅助系统 |
-
2020
- 2020-07-28 CN CN202010737073.4A patent/CN111899866B/zh not_active Expired - Fee Related
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1973778A (zh) * | 2006-12-08 | 2007-06-06 | 南京大学 | 胃癌术后严重并发症风险度的预测方法 |
| CN106295180A (zh) * | 2016-08-10 | 2017-01-04 | 中国人民解放军第三军医大学第三附属医院 | 老年骨科手术风险预测方法 |
| CN107451390A (zh) * | 2017-02-22 | 2017-12-08 | Cc和I研究有限公司 | 用于预测慢性阻塞性肺疾病急性加重的系统 |
| CN109411036A (zh) * | 2017-05-09 | 2019-03-01 | 北京华信诚达科技有限公司 | 一种监测各种疾病手术并发症的云平台系统和方法 |
| CN107680676A (zh) * | 2017-09-26 | 2018-02-09 | 电子科技大学 | 一种基于电子病历数据驱动的妊娠期糖尿病预测方法 |
| CN108766563A (zh) * | 2018-05-25 | 2018-11-06 | 戴建荣 | 基于剂量组学的放射治疗结果预测方法和系统 |
| CN109411062A (zh) * | 2018-09-30 | 2019-03-01 | 天津科技大学 | 一种基于深度学习技术利用生理参数自动判断糖尿病及其并发症的方法 |
| CN109920547A (zh) * | 2019-03-05 | 2019-06-21 | 北京工业大学 | 一种基于电子病历数据挖掘的糖尿病预测模型构建方法 |
| CN109934415A (zh) * | 2019-03-22 | 2019-06-25 | 中国科学院重庆绿色智能技术研究院 | 一种基于跨模态深度学习的围术期危重事件预测方法 |
| CN110491503A (zh) * | 2019-08-21 | 2019-11-22 | 山东大学第二医院 | 一种基于深度学习的胆石症智能辅助系统 |
Non-Patent Citations (4)
| Title |
|---|
| ZEYUAN WANG等: "CNN based Multi-Instance Multi-Task Learning for Syndrome Differentiation of Diabetic Patients", 《2018 IEEE INTERNATIONAL CONFERENCE ON BIOINFORMATICS AND BIOMEDICINE (BIBM)》 * |
| 杨海波: "基于深度学习的脑卒中危险等级预测研究", 《中国优秀硕士学位论文全文数据库 (医药卫生科技辑)》 * |
| 沈彬等: "大型综合医院科技成果转化的现状与对策分析", 《转化医学杂志》 * |
| 覃伟等: "机器学习模型在急性缺血性卒中并发症及预后预测中的研究进展", 《中国卒中杂志》 * |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113178258A (zh) * | 2021-04-28 | 2021-07-27 | 青岛百洋智能科技股份有限公司 | 外科手术术前风险评估方法及系统 |
| CN113436717A (zh) * | 2021-06-05 | 2021-09-24 | 四川数字链享科技有限公司 | 一种基于大数据的智慧医疗病情监控管理系统 |
| CN113436717B (zh) * | 2021-06-05 | 2023-09-29 | 四川临丰医疗科技有限公司 | 一种基于大数据的智慧医疗病情监控管理系统 |
| CN114496233A (zh) * | 2022-04-07 | 2022-05-13 | 广东工业大学 | 一种心肌梗死并发症的辅助诊断系统 |
| CN114724710A (zh) * | 2022-06-10 | 2022-07-08 | 北京大学第三医院（北京大学第三临床医学院） | 突发事件的应急方案推荐方法、装置及存储介质 |
| CN115938555A (zh) * | 2023-01-09 | 2023-04-07 | 北京和兴创联健康科技有限公司 | 一种基于预训练的术中用血预测通用模型及其建立方法 |
| CN115938555B (zh) * | 2023-01-09 | 2023-08-29 | 北京和兴创联健康科技有限公司 | 一种基于预训练的术中用血预测通用模型及其建立方法 |
| CN118566716A (zh) * | 2024-08-05 | 2024-08-30 | 常州忆隆信息科技有限公司 | 电动吻合器微动开关检测方法及系统 |
| CN118566716B (zh) * | 2024-08-05 | 2024-10-01 | 常州忆隆信息科技有限公司 | 电动吻合器微动开关检测方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111899866B (zh) | 2022-04-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111899866B (zh) | 基于深度学习的外科手术并发症评测系统 | |
| Sun et al. | Diagnosis and analysis of diabetic retinopathy based on electronic health records | |
| Wasan et al. | The impact of data mining techniques on medical diagnostics | |
| CN107193919A (zh) | 一种电子病历的检索方法及系统 | |
| JP2015524107A (ja) | 患者情報を臨床基準にマッチングするシステム及び方法 | |
| CN111899867B (zh) | 基于深度学习的手术并发症预测及规避辅助决策系统 | |
| CN116844733B (zh) | 一种基于人工智能的医疗数据完整性分析方法 | |
| CN116864104A (zh) | 基于人工智能的慢性血栓栓塞性肺动脉高压风险分级系统 | |
| CN113851208A (zh) | 基于显式主题分配技术的医疗检查推荐系统及方法 | |
| CN113611401A (zh) | 一种围术期血液管理的系统和方法 | |
| CN111524570A (zh) | 一种基于机器学习的超声随访患者筛选方法 | |
| CN118430787A (zh) | 一种医疗信息咨询方法及系统 | |
| CN118098643A (zh) | 一种急诊患者就医指导系统及方法 | |
| Alnaggar et al. | An IoT-based framework for detecting heart conditions using machine learning | |
| Saraei et al. | A different traditional approach for automatic comparative machine learning in multimodality COVID-19 severity recognition | |
| Dhanalakshmi et al. | Convolutional Neural Network Model based Deep Learning Approach for Osteoporosis Fracture Detection | |
| Kumar et al. | Fuzzy Rank-Based Ensemble Model for Accurate Diagnosis of Osteoporosis in Knee Radiographs | |
| KR20180002229A (ko) | 치매 정보 데이터베이스 구축을 위한 에이전트 장치 및 그 운영방법 | |
| Saleh et al. | Comparative analysis of artificial intelligence for predicting covid-19 using diverse chest x-ray images | |
| Karajah et al. | Covid-19 Detection From Chest X-Rays Using Modified VGG 16 Model | |
| Priya et al. | A novel intelligent diagnosis and disease prediction algorithm in green cloud using machine learning approach | |
| Rasool et al. | Disease Identification and Diagnosis Using Artificial Intelligence | |
| AU2021102832A4 (en) | System & method for automatic health prediction using fuzzy based machine learning | |
| Kakulapati et al. | Feature extraction of coronavirus X-ray images by RNN, correlational networks, and PNN | |
| Tsumoto | Web based medical decision support system: application of Internet to telemedicine |
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 | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220422 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |