CN111920410A - 基于大数据的糖尿病早期筛查系统及方法 - Google Patents
基于大数据的糖尿病早期筛查系统及方法 Download PDFInfo
- Publication number
- CN111920410A CN111920410A CN202010807926.7A CN202010807926A CN111920410A CN 111920410 A CN111920410 A CN 111920410A CN 202010807926 A CN202010807926 A CN 202010807926A CN 111920410 A CN111920410 A CN 111920410A
- Authority
- CN
- China
- Prior art keywords
- data
- screening
- electromyography
- diabetes early
- electromyogram
- 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.)
- Pending
Links
- 238000012216 screening Methods 0.000 title claims abstract description 73
- 206010012601 diabetes mellitus Diseases 0.000 title claims abstract description 62
- 238000000034 method Methods 0.000 title claims abstract description 22
- 238000001514 detection method Methods 0.000 claims abstract description 59
- 238000002567 electromyography Methods 0.000 claims abstract description 45
- 238000003745 diagnosis Methods 0.000 claims abstract description 34
- 230000002159 abnormal effect Effects 0.000 claims abstract description 13
- 238000011156 evaluation Methods 0.000 claims abstract description 10
- 210000005036 nerve Anatomy 0.000 claims abstract description 9
- 238000012545 processing Methods 0.000 claims abstract description 8
- 230000001953 sensory effect Effects 0.000 claims abstract description 7
- 230000007830 nerve conduction Effects 0.000 claims description 13
- 230000000638 stimulation Effects 0.000 claims description 10
- 238000007405 data analysis Methods 0.000 claims description 6
- 238000007726 management method Methods 0.000 claims description 5
- 238000013500 data storage Methods 0.000 claims description 4
- 238000012986 modification Methods 0.000 claims description 4
- 230000004048 modification Effects 0.000 claims description 4
- 230000003993 interaction Effects 0.000 claims description 3
- 238000012790 confirmation Methods 0.000 claims description 2
- 230000007246 mechanism Effects 0.000 claims description 2
- 208000032131 Diabetic Neuropathies Diseases 0.000 abstract description 12
- 238000013399 early diagnosis Methods 0.000 abstract description 6
- 210000000578 peripheral nerve Anatomy 0.000 description 4
- 208000016192 Demyelinating disease Diseases 0.000 description 2
- 206010012305 Demyelination Diseases 0.000 description 2
- 102000006386 Myelin Proteins Human genes 0.000 description 2
- 108010083674 Myelin Proteins Proteins 0.000 description 2
- 208000028389 Nerve injury Diseases 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 210000003050 axon Anatomy 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 239000008280 blood Substances 0.000 description 2
- 210000004369 blood Anatomy 0.000 description 2
- 238000003759 clinical diagnosis Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 210000005012 myelin Anatomy 0.000 description 2
- 230000008764 nerve damage Effects 0.000 description 2
- 230000036285 pathological change Effects 0.000 description 2
- 231100000915 pathological change Toxicity 0.000 description 2
- 208000024891 symptom Diseases 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 208000002033 Myoclonus Diseases 0.000 description 1
- 208000004974 Rolandic Epilepsy Diseases 0.000 description 1
- 238000002266 amputation Methods 0.000 description 1
- 201000008916 benign epilepsy with centrotemporal spikes Diseases 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 208000033205 childhood epilepsy with centrotemporal spikes Diseases 0.000 description 1
- 230000001684 chronic effect Effects 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 208000015181 infectious disease Diseases 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 210000003007 myelin sheath Anatomy 0.000 description 1
- 210000003666 myelinated nerve fiber Anatomy 0.000 description 1
- 210000004126 nerve fiber Anatomy 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7246—Details of waveform analysis using correlation, e.g. template matching or determination of similarity
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- 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
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
- G16H40/67—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for remote operation
-
- 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
-
- 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
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Heart & Thoracic Surgery (AREA)
- Data Mining & Analysis (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Veterinary Medicine (AREA)
- Animal Behavior & Ethology (AREA)
- Biophysics (AREA)
- Surgery (AREA)
- Molecular Biology (AREA)
- Databases & Information Systems (AREA)
- Business, Economics & Management (AREA)
- General Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明提供了一种基于大数据的糖尿病早期筛查系统及方法，肌电图检测设备终端对筛查人群进行运动神经传导速度、感觉神经传导速度进行检测测定，获得肌电图检测数据，并同时接收评估对象基本数据，肌电图检测数据和评估对象基本数据传输至糖尿病早期筛查云平台；肌电图方面专家终端通过远程录入预设不同筛选条件的正常值筛选线，预设对应的诊断结论语句，以及对异常结果和诊断结论进行确认和修改；糖尿病早期筛查云平台对大量肌电图检测数据进行快速筛查，快速输出处理结果。实现基于大数据的糖尿病早期筛查,实现肌电数据的智能识判水平，提高对早期诊断糖尿病周围神经病变的肌电图检测准确率和普及率。
Description
技术领域
本发明涉及互联网+远程医疗技术领域，具体地，涉及一种基于大数据的糖尿病早期筛查系统及方法。
背景技术
糖尿病周围神经病变(DPN)是糖尿病最常见的慢性并发症，易并发感染或致患者残疾，严重者需截肢控制病变发展，严重影响患者生活质量。但早期糖尿病周围神经损害症状或无症状的人，容易错过由于疾病不及时诊断和治疗。及早进行肌电图检测，可以提高对DPN的诊断率，尤其对无周围神经损害症状的患者早期诊断意义重大。
据文献报道，糖尿病周围神经病变的病理改变主要是有髓神经纤维的髓鞘出现灶性节段性脱失，多数情况为肢体远端神经纤维轴索髓鞘脱失明显。采用神经肌电图的方法测定运动神经传导速度(MCV)，感觉神经传导速度(SCV)的检测测定可反映周围神经的功能状态，对于鉴别周围神经髓鞘损害或轴索损害以及损害的程度具有重要作用，对糖尿病周围神经病的诊断率明显高于临床诊断。神经传导速度测定有助于临床早期诊断糖尿病周围神经病变,对提高糖尿病周围神经病变诊断率具有积极作用,可减少临床对无症状的DPN患者的误诊率，防止延误病情失去治疗机会，值得推广。
目前肌电图设备已经在大型综合性医院普及，而规模较小的数量庞大的社区医院和地区医院受制于专业肌电图医师的缺乏和运营效率成本问题，肌电图开展接近真空。根据国际糖尿病联盟最新发布的数据显示，我国糖尿病患病人群已达到1.14亿，潜在人群可能超过4亿，每分钟新发患者超过10人，中国已经成为名副其实的“全球糖尿病第一大国”。借助互联网技术和大数据优势，降低肌电图推广使用的专业门槛，降低临床医务人员的工作负荷，增加肌电数据的智能识判水平，提高基层医疗结构对早期诊断糖尿病周围神经病变的肌电图检测普及率，具有重要意义。
利用肌电信号检测还在于专利文献CN110236531A中，一种应用于Rolandic癫痫诊断的直立伸臂试验系统及方法，包括用于测量肌电信号的肌电检测系统和用于测量脑电信号的脑电检测系统。通过直立伸臂试验及早发现负性肌阵挛发作，提高阳性率，可协助临床早期诊断，判断预后，提早干预，减少患儿认知的损害。但是其研发仍是停留在肌电信号检测上，并未对检测进行医师干预。
发明内容
针对现有技术中的缺陷，本发明的目的是提供一种基于大数据的糖尿病早期筛查系统及方法。
根据本发明提供的与现有技术相比，本发明具有如下的有益效果：
本发明通过肌电图检测设备对筛查人群进行运动神经传导速度(MCV)，感觉神经传导速度(SCV)的检测测定，获得肌电图相关检测数据，并将数据发送到糖尿病早期筛查云平台进行自动处理，糖尿病早期筛查云平台会将处理结果输出给肌电图检测设备，并将异常结果发送给肌电图方面专家终端，肌电图方面专家对异常结果和诊断结论进行确认和修改，并提交到糖尿病早期筛查云平台，从而实现基于大数据的糖尿病早期筛查,实现肌电数据的智能识判水平，提高对早期诊断糖尿病周围神经病变的肌电图检测准确率和普及率。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1为本发明实施例所述一种基于大数据的糖尿病早期筛查方法的流程图；
图2为本发明实施例所述基于大数据的糖尿病早期筛查系统的原理框图。
图中示出：
肌电图检测设备终端1；糖尿病早期筛查云平台2；肌电图方面专家终端3。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变化和改进。这些都属于本发明的保护范围。
实施例1
目前糖尿病早期筛查都是用不联网的肌电图检测设备来实现，筛查结果依靠肌电图操作师的经验进行判定，本发明引入基于互联网模式依托不断累积的数据进行智能辅助分析，减少对肌电图师个人经验的依赖，降低人为因素引起误差的可能性。本发明所要解决的技术问题是提供一种基于大数据的糖尿病早期筛查系统及方法,实现肌电数据的智能识判水平，提高对早期诊断糖尿病周围神经病变的肌电图检测准确率和普及率。
为实现上述目的，本发明提供了一种基于大数据的糖尿病早期筛查方法，包括以下步骤：
A.医师采用神经肌电图的方法对用户进行运动神经传导速度(MCV)，感觉神经传导速度(SCV)的检测测定，获得肌电图相关检测数据。
B.医师通过客户端将患者信息和采集数据上传到糖尿病早期筛查云平台，形成评估对象数据，患者信息包括但不限于姓名、年龄、体重、身高、血型等，采集数据包括但不限于神经名称、左右侧、刺激点位置、接收点位置、刺激点和接收点之间距离、潜伏期、波幅和传导速度等；
C.糖尿病早期筛查云平台由肌电图方面专家预设不同筛选条件，以及不同筛选条件的正常值筛选线，以及预设对应的诊断结论语句；
D.糖尿病早期筛查云平台根据所述评估对象上传数据选择合适的正常值筛选线，并通过大数据分析生成肌电图检测数据正常值参考上下限；
E.糖尿病早期筛查云平台根据所述肌电图检测数据正常值参考上下限，对所述肌电图检测数据进行对比，并根据对比结果，生成相应的诊断结论语句；根据肌电图检测数据正常值参考上下限，对所述肌电图检测数据进行对比，形成一次诊断结果，所述一次诊断结果中包括对比结果及其对应的诊断结论语句。
F.糖尿病早期筛查云平台将处理异常结果发送给肌电图方面专家终端，经肌电图方面专家对异常结果和诊断结论进行再次确认和修改后，提交到糖尿病早期筛查云平台；
G.糖尿病早期筛查云平台将步骤E和步骤F处理结果发送给肌电图检测数据采集客户端；令对比结果中的异常情况及其对应的诊断结论语句发送至肌电图方面专家终端进行二次确认或修改，形成二次诊断结果，提交至糖尿病早期筛查云平台。
所述采集数据是通过肌电图检测设备终端中的肌电图仪进行采集，采集对象是被监测患者的肌电电生理信号；采集数据包括神经名称、左右侧、刺激点位置、接收点位置、刺激点和接收点之间距离、潜伏期、波幅和传导速度中任一项或任多项。大数据分析方式采用分类、回归、聚类、相似匹配、频繁项集、统计描述等的实时数据分析模式中的任一种或任多种。
所述肌电图方面专家终端可以实时查阅和维护糖尿病早期筛查云平台的数据。所述糖尿病早期筛查云平台中采用AI算法对大量肌电图检测数据进行筛查。AI算法是根据患者的年龄、性别、身高、体重以及神经名称、左右侧、刺激点位置、接收点位置、刺激点和接收点之间距离作为检查条件，对糖尿病早期筛查云平台已有的不断累积的肌电图检测数据进行分类，分析出符合筛选条件下的正常值数据的统计区间，并将患者采集数据与之对比，得出偏差的范围和偏差特征，并根据肌电图专家预设的不同偏差结论，给出描述性结果。其中检查条件包括潜伏期、波幅和传导速度。
实施例2
实施例2可以视为是实施例1的优选例。实施例2说明的基于大数据的糖尿病早期筛查的系统，利用了实施例1说明的基于大数据的糖尿病早期筛查的的方法的步骤。
一种基于大数据的糖尿病早期筛查的系统，包括：
肌电图检测设备：用于对筛查人群进行运动神经传导速度(MCV)，感觉神经传导速度(SCV)的检测测定，获得肌电图相关检测数据，并同时录入评估对象基本数据；
肌电图方面专家终端：用于远程录入和维护正常值筛选线、诊断结论语句，以及对异常结果和诊断结论进行确认和修改；
糖尿病早期筛查云平台：用AI算法对大量肌电图检测数据进行快速筛查，快速输出处理结果。
优选的，所述肌电图检测设备录入的评估对象基本数据包括但不限于用户的姓名、年龄、体重、身高、血型等。
优选的，所述肌电图方面专家终端可以实时查阅和维护糖尿病早期筛查云平台的数据。
在具体实施中，例如潜在糖尿病患者前往肌电图检测设备终端出进行个人基本信息录入和肌电图检测，肌电图检测设备终端将这些数据提交到糖尿病早期筛查云平台，云平台即时将处理结果和诊断结论反馈给肌电图检测设备终端，并形成报告反馈给患者或相关医疗人员；如果云平台形成的处理结果异常或无法给予诊断结论，则将肌电图检测设备终端提交数据转给肌电图方面专家终端，由肌电图方面专家进行人工诊断，并将结果反馈给肌电图检测设备终端。
肌电图检测设备终端包括电脑主机、肌电图仪及配件、肌电图人机交互软件，肌电图人机交互软件为肌电图仪自带软件，它包括病例管理模块、系统设置模块、肌电检测模块、数据回放分析模块、网络传输模块等。
肌电图方面专家终端为互联网软件，支持移动端或PC端访问，专家终端的互联网软件为采用B/S架构开发的软件系统，业务服务和数据库都部署在服务器中，可以直接通过浏览器输入服务器ip地址进行访问，无需安装。
糖尿病早期筛查云平台包括业务服务器、数据存储服务器和备份镜像服务器，业务服务器即应用服务器，它为Web应用程序提供一种简单的和可管理的对系统资源的访问机制，可以使用户通过浏览器输入ip地址即可随时随地进行访问和业务操作。
数据存储服务器专注于文件存储管理、应用数据库管理等服务。
备份镜像服务器与主服务器的服务内容都是一样的，只是放在一个不同的地方，分担主机的负载，或当主服务器无法访问的情况下，其继续保证服务的持续可访问。
本领域技术人员知道，除了以纯计算机可读程序代码方式实现本发明提供的系统、装置及其各个模块以外，完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统、装置及其各个模块以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同程序。所以，本发明提供的系统、装置及其各个模块可以被认为是一种硬件部件，而对其内包括的用于实现各种程序的模块也可以视为硬件部件内的结构；也可以将用于实现各种功能的模块视为既可以是实现方法的软件程序又可以是硬件部件内的结构。
以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本申请的实施例和实施例中的特征可以任意相互组合。
Claims (9)
1.一种基于大数据的糖尿病早期筛查系统，其特征在于，包括肌电图检测设备终端、糖尿病早期筛查云平台、肌电图方面专家终端；
肌电图检测设备终端、肌电图方面专家终端均与糖尿病早期筛查云平台相连；
肌电图检测设备终端对筛查人群进行运动神经传导速度、感觉神经传导速度进行检测测定，获得肌电图检测数据，并同时接收评估对象基本数据，肌电图检测数据和评估对象基本数据传输至糖尿病早期筛查云平台；
肌电图方面专家终端通过远程录入预设不同筛选条件的正常值筛选线，预设对应的诊断结论语句，以及对异常结果和诊断结论进行确认和修改；
糖尿病早期筛查云平台对大量肌电图检测数据进行快速筛查，快速输出处理结果。
2.根据权利要求1所述的基于大数据的糖尿病早期筛查系统，其特征在于，所述肌电图检测设备终端包括电脑主机、肌电图仪及配件、肌电图人机交互软件。
3.根据权利要求1所述的基于大数据的糖尿病早期筛查系统，其特征在于，所述肌电图方面专家终端为互联网软件，支持移动端或PC端访问。
4.根据权利要求1所述的基于大数据的糖尿病早期筛查系统，其特征在于，所述糖尿病早期筛查云平台包括业务服务器、数据存储服务器和备份镜像服务器；
业务服务器即应用服务器，为Web应用程序提供一种资源访问机制，能够使用户通过浏览器输入ip地址即可随时随地进行访问和业务操作；
数据存储服务器专注于文件存储管理、应用数据库管理服务；
备份镜像服务器与主服务器的服务内容都是一样的，只是放在一个不同的地方，分担主机的负载，或当主服务器无法访问的情况下，其继续保证服务的持续可访问。
5.一种基于大数据的糖尿病早期筛查系统方法，其特征在于，包括：
肌电图检测步骤：对用户进行运动神经传导速度检测和感觉神经传导速度检测，获得肌电图检测数据；
上传云端步骤：令患者信息和采集数据上传至糖尿病早期筛查云平台，形成评估对象数据，所述糖尿病早期筛查云平台由肌电图方面专家预设不同筛选条件，以及预设不同筛选条件的正常值筛选线对应的诊断结论语句；
云端匹配步骤：匹配评估对象数据对应的正常值筛选线，通过大数据分析生成肌电图检测数据正常值参考上下限；
云端诊断步骤：根据肌电图检测数据正常值参考上下限，对所述肌电图检测数据进行对比，形成一次诊断结果，所述一次诊断结果中包括对比结果及其对应的诊断结论语句；
下达诊断步骤：令对比结果中的异常情况及其对应的诊断结论语句发送至肌电图方面专家终端进行二次确认或修改，形成二次诊断结果，提交至糖尿病早期筛查云平台。
6.根据权利要求5所述的基于大数据的糖尿病早期筛查系统方法，其特征在于，所述采集数据是通过肌电图检测设备终端中的肌电图仪进行采集，采集对象是被监测患者的肌电电生理信号；采集数据包括神经名称、左右侧、刺激点位置、接收点位置、刺激点和接收点之间距离、潜伏期、波幅和传导速度中任一项或任多项。
7.根据权利要求5所述的基于大数据的糖尿病早期筛查系统方法，其特征在于，所述大数据分析方式采用分类、回归、聚类、相似匹配、频繁项集、统计描述等的实时数据分析模式中的任一种或任多种。
8.根据权利要求5所述的基于大数据的糖尿病早期筛查系统方法，其特征在于，所述糖尿病早期筛查云平台中采用AI算法对大量肌电图检测数据进行筛查。
9.根据权利要求8所述的基于大数据的糖尿病早期筛查系统方法，其特征在于，所述AI算法是根据患者的年龄、性别、身高、体重以及神经名称、左右侧、刺激点位置、接收点位置、刺激点和接收点之间距离作为检查条件，对糖尿病早期筛查云平台已有的不断累积的肌电图检测数据进行分类，分析出符合筛选条件下的正常值数据的统计区间，并将患者采集数据与之对比，得出偏差的范围和偏差特征，并根据肌电图专家预设的不同偏差结论，给出描述性结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010807926.7A CN111920410A (zh) | 2020-08-12 | 2020-08-12 | 基于大数据的糖尿病早期筛查系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010807926.7A CN111920410A (zh) | 2020-08-12 | 2020-08-12 | 基于大数据的糖尿病早期筛查系统及方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111920410A true CN111920410A (zh) | 2020-11-13 |
Family
ID=73312006
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010807926.7A Pending CN111920410A (zh) | 2020-08-12 | 2020-08-12 | 基于大数据的糖尿病早期筛查系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111920410A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112617750A (zh) * | 2020-12-13 | 2021-04-09 | 浙江远翔医疗科技有限公司 | 一种无创智能诊断周围神经检测仪 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6146335A (en) * | 1997-07-01 | 2000-11-14 | Neurometrix, Inc. | Apparatus for methods for the assessment of neuromuscular function of the lower extremity |
| RU2419466C1 (ru) * | 2010-02-24 | 2011-05-27 | Нина Викторовна Болотова | Способ лечения диабетической периферической нейропатии у детей |
| CN106156510A (zh) * | 2016-07-07 | 2016-11-23 | 苏州海神联合医疗器械有限公司 | 一种基于云服务的肌电图诱发电位仪 |
| CN109171756A (zh) * | 2018-06-18 | 2019-01-11 | 广州普麦健康咨询有限公司 | 基于深度置信网络模型的糖尿病指标预测方法及其系统 |
| RU2687019C1 (ru) * | 2018-05-03 | 2019-05-06 | Федеральное государственное бюджетное учреждение "Новосибирский научно-исследовательский институт травматологии и ортопедии им. Я.Л. Цивьяна" Министерства здравоохранения Российской Федерации (ФГБУ "ННИИТО им. Я.Л. Цивьяна" Минздрава России) | Способ диагностики диабетической дистальной нейропатии |
| CN110236531A (zh) * | 2019-01-30 | 2019-09-17 | 南京市儿童医院 | 应用于Rolandic癫痫诊断的直立伸臂试验系统及方法 |
| CN111436933A (zh) * | 2020-04-04 | 2020-07-24 | 上海健康医学院 | 一种大规模产后疾病筛查和追踪治疗的方法及系统 |
-
2020
- 2020-08-12 CN CN202010807926.7A patent/CN111920410A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6146335A (en) * | 1997-07-01 | 2000-11-14 | Neurometrix, Inc. | Apparatus for methods for the assessment of neuromuscular function of the lower extremity |
| RU2419466C1 (ru) * | 2010-02-24 | 2011-05-27 | Нина Викторовна Болотова | Способ лечения диабетической периферической нейропатии у детей |
| CN106156510A (zh) * | 2016-07-07 | 2016-11-23 | 苏州海神联合医疗器械有限公司 | 一种基于云服务的肌电图诱发电位仪 |
| RU2687019C1 (ru) * | 2018-05-03 | 2019-05-06 | Федеральное государственное бюджетное учреждение "Новосибирский научно-исследовательский институт травматологии и ортопедии им. Я.Л. Цивьяна" Министерства здравоохранения Российской Федерации (ФГБУ "ННИИТО им. Я.Л. Цивьяна" Минздрава России) | Способ диагностики диабетической дистальной нейропатии |
| CN109171756A (zh) * | 2018-06-18 | 2019-01-11 | 广州普麦健康咨询有限公司 | 基于深度置信网络模型的糖尿病指标预测方法及其系统 |
| CN110236531A (zh) * | 2019-01-30 | 2019-09-17 | 南京市儿童医院 | 应用于Rolandic癫痫诊断的直立伸臂试验系统及方法 |
| CN111436933A (zh) * | 2020-04-04 | 2020-07-24 | 上海健康医学院 | 一种大规模产后疾病筛查和追踪治疗的方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 庞国明，倪青，温伟波，韩建涛, 北京：中国中医药出版社 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112617750A (zh) * | 2020-12-13 | 2021-04-09 | 浙江远翔医疗科技有限公司 | 一种无创智能诊断周围神经检测仪 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Baek et al. | A new deep learning algorithm of 12-lead electrocardiogram for identifying atrial fibrillation during sinus rhythm | |
| US20050144042A1 (en) | Associated systems and methods for managing biological data and providing data interpretation tools | |
| CN109615633A (zh) | 一种基于深度学习的肠镜下克罗恩病辅助诊断系统及方法 | |
| EP1493115A2 (en) | Systems and methods for managing biological data and providing data interpretation tools | |
| CN108932968A (zh) | 一种临床受试者管理系统 | |
| Omarov et al. | Artificial Intelligence in Medicine: Real Time Electronic Stethoscope for Heart Diseases Detection. | |
| CN112117002A (zh) | 结合虚拟现实技术的新型智能化心理评估干预系统、方法 | |
| CN114566283A (zh) | 基于脑卒中患者日常保护系统及预防方法 | |
| CN111920410A (zh) | 基于大数据的糖尿病早期筛查系统及方法 | |
| Abiodun et al. | Remote health monitoring in clinical trial using machine learning techniques: a conceptual framework | |
| US20060277072A1 (en) | System for creating a medical chart | |
| CN112233816A (zh) | 健康监测方法、装置及计算机可读介质 | |
| CN113223734A (zh) | 基于算法、医学影像和大数据的疾病诊断和大健康管理平台 | |
| CN109717831B (zh) | 一种基于触控手势的非干扰式神经系统疾病辅助检测系统 | |
| CN201750445U (zh) | 远程医疗一体化终端设备 | |
| CN108710901B (zh) | 一种基于深度学习的脊柱畸形筛查系统及方法 | |
| CN115798715A (zh) | 基于数据分析的慢性呼吸疾病防治信息管理系统 | |
| CN115862818A (zh) | 基于深度学习算法的医疗影像设备数据分析系统 | |
| CN115019924A (zh) | 应用人工智能健康机器人的健康数据采集和分析方法 | |
| CN114748072A (zh) | 一种基于脑电的抑郁症辅助诊断的信息分析及康复训练系统及方法 | |
| CN112435764A (zh) | 一种基于大数据技术的医疗健康信息的监测与分析系统 | |
| CN112397179A (zh) | 一种医用心电图智能分析系统及分析方法 | |
| CN111739661A (zh) | 一种妊高征远程预测监控系统及应用方法 | |
| CN114121190A (zh) | 建立慢性心力衰竭患者共病情绪障碍早期预警模型的方法 | |
| Kumar et al. | ISSK-an integrated self service kiosk for health monitoring and management |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201113 |