CN111899867A - 基于深度学习的手术并发症预测及规避辅助决策系统 - Google Patents
基于深度学习的手术并发症预测及规避辅助决策系统 Download PDFInfo
- Publication number
- CN111899867A CN111899867A CN202010738142.3A CN202010738142A CN111899867A CN 111899867 A CN111899867 A CN 111899867A CN 202010738142 A CN202010738142 A CN 202010738142A CN 111899867 A CN111899867 A CN 111899867A
- Authority
- CN
- China
- Prior art keywords
- data
- module
- risk
- medical
- deep learning
- 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 19
- 238000001514 detection method Methods 0.000 claims abstract description 22
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 8
- 238000012545 processing Methods 0.000 claims description 44
- 238000000034 method Methods 0.000 claims description 21
- 230000008569 process Effects 0.000 claims description 14
- 238000001356 surgical procedure Methods 0.000 claims description 14
- 238000003672 processing method Methods 0.000 claims description 13
- 238000012502 risk assessment Methods 0.000 claims description 13
- 206010002091 Anaesthesia Diseases 0.000 claims description 12
- 230000037005 anaesthesia Effects 0.000 claims description 12
- 238000011156 evaluation Methods 0.000 claims description 9
- 239000003814 drug Substances 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 229940079593 drug Drugs 0.000 claims description 6
- 238000003556 assay Methods 0.000 claims description 3
- 238000003066 decision tree Methods 0.000 claims description 3
- 238000003384 imaging method Methods 0.000 claims description 3
- 238000001802 infusion Methods 0.000 claims description 3
- 238000007477 logistic regression Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims description 3
- 238000007637 random forest analysis Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 239000012530 fluid Substances 0.000 claims 1
- 230000002265 prevention Effects 0.000 abstract description 5
- 238000012360 testing method Methods 0.000 abstract description 5
- 206010051055 Deep vein thrombosis Diseases 0.000 abstract description 4
- 206010047249 Venous thrombosis Diseases 0.000 abstract description 4
- 208000024891 symptom Diseases 0.000 abstract description 4
- 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
- 238000012937 correction Methods 0.000 description 6
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 230000000474 nursing effect Effects 0.000 description 3
- 230000002980 postoperative effect Effects 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
- 230000007547 defect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000002059 diagnostic imaging Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 208000015181 infectious disease Diseases 0.000 description 2
- 239000007788 liquid Substances 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000008764 nerve damage Effects 0.000 description 2
- 230000036407 pain Effects 0.000 description 2
- 238000010882 preoperative diagnosis Methods 0.000 description 2
- 238000011897 real-time detection Methods 0.000 description 2
- 239000012925 reference material Substances 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 208000035965 Postoperative Complications Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 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
- 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
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)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明公开了基于深度学习的手术并发症预测及规避辅助决策系统,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手术并发症预测及规避辅助决策系统。
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手术并发症预测及规避辅助决策系统,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:
基于深度学习的手术并发症预测及规避辅助决策系统,包括云端服务器、医学检测模块、医学影像模块、医学病例模块、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;
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历史病例和/或家族史病例的相关数据;
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;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。
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,风险评估模块还用于包括显示相关风险的具体信息。
在上述优选方案中,风险评估模块显示具体的风险信息,简单的信息可以是直接告诉医护人员相应的处理信息,然后通过具体信息获取相应的判定依据;这样可以在平时减少医护人员需要获取的信息,医护人员可通过针对性的数据做针对性的处理,避免因数据过多,浪费医护人员大量的浏览时间,而造成处理效率过低的情况,进而提高医护人员的处理效率;对于主治医生来说,可以获取具体信息,然后通过自身的经验,与给出的处理方式进行印证和判定,进而得到更加精确的处理方式。
作为一种优选方案,云端服务器还包括ROM模块和RAM模块,RAM模块用于存储即时的风险数据,即时的风险数据包括不能够清除的风险数据和可以清除但还没有清除的风险数据及其风险数据的处理方法,ROM模块用于存储所有风险数据相关,包括RAM中的数据和可以清除且已经清除的风险数据及其风险数据的处理方法。
在上述优选方案中,RAM模块用于存储即时的信息,在使用后,关闭相应程序后,会自动对数据进行清除,可以提高整个系统的运行效率,减少系统的开发难度,降低整个系统的复杂程度,进而实现使用寿命长,出错率低和便于维护的优点。ROM用于长期存储当前患者所有体征数据、历史病例、家族史、风险数据和自动生成的相应的处理方式,ROM还可以存储处理方式相应的判定依据,以及医护人员在对相应风险进行的处理方式的详情记录,以便于对整个过程进行记录跟踪。
上述优选方案中ROM的设置可以实现,对整个过程进行记录跟踪,在出现意料之外的突发情况时,可以及时排查相应的原因,使得突发情况的处理更加高效和快捷;还可以对相应的病例进行分析,针对不同的情况进行医学矫正,筛选特殊病例和通用病例,给与整个医学界作为参考素材。
作为一种优选方案,医学检测模块、医学病例模块和云端服务器输出的数据包括文字和图像,云端服务器对于文字和图像进行数值化处理,处理算法包括决策树、Logistic回归、随机森林或贝叶斯网络模型,特征缺失值采用均值填充法。
作为一种优选方案,医师终端对于文字和图像的处理并得到相应的风险数据的过程中,通过同样的处理算法得到相应风险数据的每项预测因素的重要性排序。
作为一种优选方案,风险评估模块根据获取的数据对所有的风险数据进行等级排序。
作为一种优选方案,RAM模块还包括用于获取风险评估模块的等级排序数据,对RAM模块中现有的数据进行等级排序。
作为一种优选方案,医学检测模块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,云端服务器获取的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。
作为一种优选方案,医师终端包括时间模块,时间模块用于显示可以清除的风险相应的处理时间。
在上述优选方案中,通过时间模块,结合患者的具体情况,医护人员可以在对风险数据进行二次矫正的过程中,选取最合适的处理方式,在时间和条件允许的情况下,得到最佳的二次矫正方案。
综上所述,本发明具有以下有益效果:
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%。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手术并发症预测及规避辅助决策系统的结构示意图。
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。
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。
基于深度学习的手术并发症预测及规避辅助决策系统,包括云端服务器、医学检测模块、医学影像模块、医学病例模块、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;
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历史病例和/或家族史病例的相关数据;
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;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。
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,风险评估模块还用于包括显示相关风险的具体信息。
在上述优选方案中,风险评估模块显示具体的风险信息,简单的信息可以是直接告诉医护人员相应的处理信息,然后通过具体信息获取相应的判定依据;这样可以在平时减少医护人员需要获取的信息,医护人员可通过针对性的数据做针对性的处理,避免因数据过多,浪费医护人员大量的浏览时间,而造成处理效率过低的情况,进而提高医护人员的处理效率;对于主治医生来说,可以获取具体信息,然后通过自身的经验,与给出的处理方式进行印证和判定,进而得到更加精确的处理方式。
作为一种优选方案,云端服务器还包括ROM模块和RAM模块,RAM模块用于存储即时的风险数据,即时的风险数据包括不能够清除的风险数据和可以清除但还没有清除的风险数据及其风险数据的处理方法,ROM模块用于存储所有风险数据相关,包括RAM中的数据和可以清除且已经清除的风险数据及其风险数据的处理方法。
在上述优选方案中,RAM模块用于存储即时的信息,在使用后,关闭相应程序后,会自动对数据进行清除,可以提高整个系统的运行效率,减少系统的开发难度,降低整个系统的复杂程度,进而实现使用寿命长,出错率低和便于维护的优点。ROM用于长期存储当前患者所有体征数据、历史病例、家族史、风险数据和自动生成的相应的处理方式,ROM还可以存储处理方式相应的判定依据,以及医护人员在对相应风险进行的处理方式的详情记录,以便于对整个过程进行记录跟踪。
上述优选方案中ROM的设置可以实现,对整个过程进行记录跟踪,在出现意料之外的突发情况时,可以及时排查相应的原因,使得突发情况的处理更加高效和快捷;还可以对相应的病例进行分析,针对不同的情况进行医学矫正,筛选特殊病例和通用病例,给与整个医学界作为参考素材。
作为一种优选方案,医学检测模块、医学病例模块和云端服务器输出的数据包括文字和图像,云端服务器对于文字和图像进行数值化处理,处理算法包括决策树、Logistic回归、随机森林或贝叶斯网络模型,特征缺失值采用均值填充法。
作为一种优选方案,医师终端对于文字和图像的处理并得到相应的风险数据的过程中,通过同样的处理算法得到相应风险数据的每项预测因素的重要性排序。
作为一种优选方案,风险评估模块根据获取的数据对所有的风险数据进行等级排序。
作为一种优选方案,RAM模块还包括用于获取风险评估模块的等级排序数据,对RAM模块中现有的数据进行等级排序。
作为一种优选方案,医学检测模块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,云端服务器获取的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。
作为一种优选方案,医师终端包括时间模块,时间模块用于显示可以清除的风险相应的处理时间。
在上述优选方案中,通过时间模块,结合患者的具体情况,医护人员可以在对风险数据进行二次矫正的过程中,选取最合适的处理方式,在时间和条件允许的情况下,得到最佳的二次矫正方案。
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 (9)
1.基于深度学习的手术并发症预测及规避辅助决策系统,其特征在于,包括云端服务器、医学检测模块、医学影像模块、医学病例模块、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;
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历史病例和/或家族史病例的相关数据;
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;
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。
2.根据权利要求1所述的基于深度学习的手术并发症预测及规避辅助决策系统,其特征在于,所述风险评估模块还用于包括显示相关风险的具体信息。
3.根据权利要求2所述的基于深度学习的手术并发症预测及规避辅助决策系统,其特征在于,所述云端服务器还包括ROM模块和RAM模块,RAM模块用于存储即时的风险数据,即时的风险数据包括不能够清除的风险数据和可以清除但还没有清除的风险数据及其风险数据的处理方法,ROM模块用于存储所有风险数据相关,包括RAM中的数据和可以清除且已经清除的风险数据及其风险数据的处理方法。
4.根据权利要求3所述的基于深度学习的手术并发症预测及规避辅助决策系统,其特征在于,所述医学检测模块、医学病例模块和云端服务器输出的数据包括文字和图像,云端服务器对于文字和图像进行数值化处理,处理算法包括决策树、Logistic回归、随机森林或贝叶斯网络模型,特征缺失值采用均值填充法。
5.根据权利要求4所述的基于深度学习的手术并发症预测及规避辅助决策系统,其特征在于,所述医师终端对于文字和图像的处理并得到相应的风险数据的过程中,通过同样的处理算法得到相应风险数据的每项预测因素的重要性排序。
6.根据权利要求5所述的基于深度学习的手术并发症预测及规避辅助决策系统,其特征在于,所述风险评估模块根据获取的数据对所有的风险数据进行等级排序。
7.根据权利要求6所述的基于深度学习的手术并发症预测及规避辅助决策系统,其特征在于,所述RAM模块还包括用于获取风险评估模块的等级排序数据,对RAM模块中现有的数据进行等级排序。
8.根据权利要求7所述的基于深度学习的手术并发症预测及规避辅助决策系统,其特征在于,所述医学检测模块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,云端服务器获取的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。
9.根据权利要求1所述的基于深度学习的手术并发症预测及规避辅助决策系统,其特征在于,所述医师终端包括时间模块,时间模块用于显示可以清除的风险相应的处理时间。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010738142.3A CN111899867B (zh) | 2020-07-28 | 2020-07-28 | 基于深度学习的手术并发症预测及规避辅助决策系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010738142.3A CN111899867B (zh) | 2020-07-28 | 2020-07-28 | 基于深度学习的手术并发症预测及规避辅助决策系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111899867A true CN111899867A (zh) | 2020-11-06 |
CN111899867B CN111899867B (zh) | 2022-08-05 |
Family
ID=73182225
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010738142.3A Active CN111899867B (zh) | 2020-07-28 | 2020-07-28 | 基于深度学习的手术并发症预测及规避辅助决策系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111899867B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112614598A (zh) * | 2021-01-06 | 2021-04-06 | 尚林梅 | 基于大数据的医疗信息处理方法和系统 |
CN113053533A (zh) * | 2021-03-17 | 2021-06-29 | 曜立科技(北京)有限公司 | 一种基于大数据分析的心血管手术风险评估系统 |
TWI798926B (zh) * | 2021-11-09 | 2023-04-11 | 國立臺北護理健康大學 | 脊椎手術術後狀況評估決策輔助方法與系統 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104951894A (zh) * | 2015-06-25 | 2015-09-30 | 成都厚立信息技术有限公司 | 医院疾病管理智能分析和评估系统 |
US20170125114A1 (en) * | 2013-12-20 | 2017-05-04 | Seagate Technology Llc | Read retry operations with estimation of written data based on syndrome weights |
CN109166105A (zh) * | 2018-08-01 | 2019-01-08 | 中国人民解放军南京军区南京总医院 | 人工智能医学影像的肿瘤恶性风险分层辅助诊断系统 |
CN110289101A (zh) * | 2019-07-02 | 2019-09-27 | 京东方科技集团股份有限公司 | 一种计算机设备、系统及可读存储介质 |
CN110415812A (zh) * | 2018-04-28 | 2019-11-05 | 冀瑞俊 | 基于人工智能和互联网技术的智能脑卒中辅助诊疗机器人系统 |
-
2020
- 2020-07-28 CN CN202010738142.3A patent/CN111899867B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170125114A1 (en) * | 2013-12-20 | 2017-05-04 | Seagate Technology Llc | Read retry operations with estimation of written data based on syndrome weights |
CN104951894A (zh) * | 2015-06-25 | 2015-09-30 | 成都厚立信息技术有限公司 | 医院疾病管理智能分析和评估系统 |
CN110415812A (zh) * | 2018-04-28 | 2019-11-05 | 冀瑞俊 | 基于人工智能和互联网技术的智能脑卒中辅助诊疗机器人系统 |
CN109166105A (zh) * | 2018-08-01 | 2019-01-08 | 中国人民解放军南京军区南京总医院 | 人工智能医学影像的肿瘤恶性风险分层辅助诊断系统 |
CN110289101A (zh) * | 2019-07-02 | 2019-09-27 | 京东方科技集团股份有限公司 | 一种计算机设备、系统及可读存储介质 |
Non-Patent Citations (2)
Title |
---|
WANG SHIYING等: "Research on Syndrome Classification Prediction Model of Tibetan Medicine Diagnosis and Treatment Based on Data Mining", 《2016 12TH INTERNATIONAL CONFERENCE ON SIGNAL-IMAGE TECHNOLOGY & INTERNET-BASED SYSTEMS》 * |
张雪玉 等: "基于知识图谱的糖尿病足领域研究态势分析", 《护理研究》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112614598A (zh) * | 2021-01-06 | 2021-04-06 | 尚林梅 | 基于大数据的医疗信息处理方法和系统 |
CN113053533A (zh) * | 2021-03-17 | 2021-06-29 | 曜立科技(北京)有限公司 | 一种基于大数据分析的心血管手术风险评估系统 |
TWI798926B (zh) * | 2021-11-09 | 2023-04-11 | 國立臺北護理健康大學 | 脊椎手術術後狀況評估決策輔助方法與系統 |
Also Published As
Publication number | Publication date |
---|---|
CN111899867B (zh) | 2022-08-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
US11410758B2 (en) | Medical scan artifact detection system | |
US5277188A (en) | Clinical information reporting system | |
RU2630122C2 (ru) | Способ непрерывного прогнозирования тяжести заболевания у пациента, летального исхода и длительности госпитализации | |
US7895055B2 (en) | Method and system to optimize and automate clinical workflow | |
CN111899866B (zh) | 基于深度学习的外科手术并发症评测系统 | |
JP6671322B2 (ja) | 医療情報提供装置および医療情報提供装置の作動方法並びに医療情報提供プログラム | |
WO2022099668A1 (zh) | 一种基于家族遗传病与体征数据关联的精准健康管理与风险预警方法及系统 | |
GB2437106A (en) | Case based outcome prediction in a real-time monitoring system | |
AU2006218889A1 (en) | A system and method for improving hospital patient care by providing a continual measurement of health | |
US20060259329A1 (en) | System and Method for Determining the Degree of Abnormality of a Patient's Vital Signs | |
CN111899837A (zh) | 一种基于数字化手术室的手术报告协同方法及系统 | |
CN116844733B (zh) | 一种基于人工智能的医疗数据完整性分析方法 | |
CN115579107A (zh) | 一种基于围手术期医护最优行为的智能辅助决策模型 | |
CN112037896A (zh) | 一种面向血液透析的智能云护士助理系统 | |
CN114974590A (zh) | 一种多维度监控重症患者的预测护理方法及系统 | |
CN117831699B (zh) | 一种用于心脏影像检查的结构化报告系统 | |
US20030191666A1 (en) | System and method for evaluating pretest probabilities of life-threatening diseases | |
CN117198533A (zh) | 基于大数据分析的围术期患者麻醉风险评估和预警系统 | |
JPH11232359A (ja) | 在宅血液検査における血液の検査結果の処理方法とその処理システム | |
US20090070144A1 (en) | Method and system for stroke prevention and care | |
Liu et al. | Application of the clinical decision support systems in the management of chronic diseases | |
Navas et al. | Procedure for Reconstruction of a Predictive Score of Severe Deterioration in Inpatients | |
CN116965776A (zh) | 基于pews分级的儿童重症监控系统及其方法 | |
CN118430729A (zh) | 一种基于智慧医疗信息管理系统及方法 |
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 |