CN111951964A - 一种快速检测新型冠状病毒肺炎的方法及系统 - Google Patents
一种快速检测新型冠状病毒肺炎的方法及系统 Download PDFInfo
- Publication number
- CN111951964A CN111951964A CN202010753816.7A CN202010753816A CN111951964A CN 111951964 A CN111951964 A CN 111951964A CN 202010753816 A CN202010753816 A CN 202010753816A CN 111951964 A CN111951964 A CN 111951964A
- Authority
- CN
- China
- Prior art keywords
- human body
- pneumonia
- novel coronavirus
- subject
- algorithm
- 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
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
- G16H50/30—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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Public Health (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Pathology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Epidemiology (AREA)
- Evolutionary Biology (AREA)
- Primary Health Care (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
- Investigating Or Analysing Biological Materials (AREA)
- Apparatus Associated With Microorganisms And Enzymes (AREA)
Abstract
本发明提供一种快速检测新型冠状病毒肺炎的方法及系统,属于生物医学和数据处理技术领域。本发明通过以COVID‑19肺炎患者和健康人这两类人作为分类目标,将呼气NO浓度与人体基本特征同时作为特征量来对COVID‑19肺炎患者和健康人进行分类,诊断正确率高达90%以上。本发明检测成本低,速度快,准确率高,因此具有良好的实际应用之价值。
Description
技术领域
本发明属于生物医学和数据处理技术领域,具体涉及一种快速检测新型冠状病毒肺炎的方法及系统。
背景技术
公开该背景技术部分的信息仅仅旨在增加对本发明的总体背景的理解,而不必然被视为承认或以任何形式暗示该信息构成已经成为本领域一般技术人员所公知的现有技术。
一种新型呼吸系统疾病,主要临床症状表现为发热、乏力、干咳。经分离鉴定,确认其病原为一种新型冠状病毒,国际病毒分类学委员会将其命名为“SARS-CoV-2”。这是目前在人体中发现的第七种冠状病毒。2020年2月11日,世界卫生组织在日内瓦召开的全球研究与创新论坛将新型冠状病毒导致的疾病正式命名为COVID-19。
根据当前新型冠状病毒肺炎诊疗方案(试行第七版)的规定,疑似病例同时具备以下病原学或血清学证据者之一:实时荧光RT-PCR检测新型冠状病毒核酸阳性、病毒基因测序,与已知新型冠状病毒高度同源、血清新型冠状病毒特异性IgM和IgG抗体阳性、血清新型冠状病毒特异性抗体IgG抗体由阴性转为阳性或恢复期较急性期4倍及以上升高,即可确诊为新型冠状病毒肺炎患者。但是发明人发现,采用实时荧光RT-PCR或者病毒基因组测序对技术、设备,操作人员的要求较高,且耗时较长,同时采样过程繁琐极易引起人体不适;而特异性抗体检测则需要较长窗口期。
发明内容
针对上述现有技术的不足,本发明提供一种快速检测新型冠状病毒肺炎的方法及系统,本发明通过以COVID-19肺炎患者和健康人这两类人作为分类目标,将呼气NO浓度与人体基本特征同时作为特征量来对COVID-19肺炎患者和健康人进行分类,诊断正确率高达90%以上。本发明检测成本低,速度快,准确率高,因此具有良好的实际应用之价值。
本发明是通过如下技术方案实现的:
本发明的第一个方面,提供一种快速检测新型冠状病毒肺炎的方法,所述检测方法包括:
获取受试者的人体基本体征信息和呼气NO浓度数据作为特征量;
根据预先基于特征量建立的新冠肺炎人体检测模型,判断受试者患病概率。
其中,新冠肺炎人体检测模型的构建方法包括:基于算法对于采集到的人体特征量进行训练,获得新冠肺炎人体检测模型,从而实现对健康人和新冠肺炎患者的分类。
需要说明的是,新冠肺炎人体检测模型的构建方法中,人体特征量采集来源包括健康人、新型冠状病毒肺炎患者或新型冠状病毒肺炎疑似患者。
所述受试者可以是健康人、新型冠状病毒肺炎患者或新型冠状病毒肺炎疑似患者;优选为新冠肺炎疑似患者。
所述算法是本领域技术人员公知的,由于本发明中处理对象为不连续的分类标签值,因此优选算法为机器学习分类算法,所述机器学习分类算法包括随机森林方法,支持向量机算法,K临近算法等,优选为随机森林算法。
所述特征量包括人体基本体征信息和呼气NO浓度;
所述人体基本体征信息包括但不限于身高、体重、年龄、性别、体重身高指数、体表面积、血型、有无吸烟史、有无其他肺部或呼吸道疾病等;
所述判断受试者患病概率的具体方法为:将受试者基本体征信息和呼气NO浓度数据导入上述新冠肺炎人体检测模型中,基于新冠肺炎人体检测模型判断该受试者患病概率。
本发明的第二个方面,提供一种用于检测新型冠状病毒肺炎的系统,所述检测系统至少包括:
数据处理模块,用于对受试者的医疗数据进行处理,以获得所述受试者的特征量,其中,所述特征量包括受试者呼气NO浓度数据和人体基本体征信息;
数据分析模块,用于通过预设分析模型处理所述特征量,以确定所述受试者的新冠肺炎检测结果;
所述预设分析模型,其是基于算法对于采集到的人体特征量进行训练获得,从而实现对健康人和新冠肺炎患者的分类。
其中,NO浓度数据可通过呼出气NO检测仪获得;
所述人体基本体征信息包括但不限于身高、体重、年龄、性别、体重身高指数、体表面积、血型、有无吸烟史、有无其他肺部或呼吸道疾病等;
所述算法是本领域技术人员公知的,由于本发明中处理对象为不连续的分类标签值,因此优选算法为机器学习分类算法,所述机器学习分类算法包括随机森林方法,支持向量机算法,K临近算法等,优选为随机森林算法。
人体特征量采集来源包括健康人、新型冠状病毒肺炎患者或新型冠状病毒肺炎疑似患者。
人体特征量包括人体呼气NO浓度数据和人体基本体征信息。
本发明的第三个方面,提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述的用于快速检测新型冠状病毒肺炎的方法。
本发明的第四个方面,提供一种电子设备,包括:
存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述用于快速检测新型冠状病毒肺炎的方法。
以上一个或多个技术方案的有益技术效果:
上述技术方案提出的检测用于快速检测新型冠状病毒肺炎的方法及系统中,模型建立时选取的对象既包括COVID-19患者又包括健康人,受试者预测的对象也是包括健康人和COVID-19患者,同时基于随机森林方法进行模型的构建,从而使得检测结果准确度大大提高,经检测,准确度达到90%以上。
上述技术方案具有成本低、快速、无损、检测准确度高等优点,受试者无痛苦,顺从性好,具有良好的实际应用之价值。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解,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。
图1为本发明新型冠状病毒肺炎检测的流程示意图。
图2为本发明实施例1中COVID-19患者和健康人的特征量统计分布图其中,(a)-(f)分别为本发明实施例1中COVID-19患者和健康人的身高、体重、BMI、体表面积、年龄和FeNO的统计分布图。
图3为本发明实施例1中建立的基于呼气NO浓度、身高体重指数、体表面积、年龄的机器学习分类模型;其中,(a)为受试者特征曲线,(b)为该模型的训练效果图,(c)是该模型在测试集中的预测结果。
图4为本发明实施例2中建立的基于呼气NO浓度、年龄、身高以及体重的机器学习分类模型;其中,(a)为受试者特征曲线,(b)为该模型的训练效果图,(c)为该模型在测试集中的预测结果。
图5为本发明实施案例3中建立的基于呼气NO浓度、身高、体重、身高体重指数、体表面积、年龄的机器学习分类模型;其中,(a)为受试者特征曲线,(b)为该模型的训练效果图,(c)是该模型在测试集中的预测结果。
具体实施方式
应该指出,以下详细说明都是例示性的,旨在对本发明提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本发明的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。应理解,本发明的保护范围不局限于下述特定的具体实施方案;还应当理解,本发明实施例中使用的术语是为了描述特定的具体实施方案,而不是为了限制本发明的保护范围。
本发明的一个具体实施方式中,提供一种快速检测新型冠状病毒肺炎的方法,所述检测方法包括:
获取受试者的人体基本体征信息和呼气NO浓度数据处理后作为特征量;
根据预先基于特征量建立的新冠肺炎人体检测模型,判断受试者患病概率。
需要说明的是,新冠肺炎人体检测模型的构建方法中,人体特征量采集来源包括健康人、新型冠状病毒肺炎患者或新型冠状病毒肺炎疑似患者。
所述算法是本领域技术人员公知的,由于本发明中处理对象为不连续的分类标签值,因此优选算法为机器学习分类算法,所述机器学习分类算法包括随机森林方法,支持向量机算法,K临近算法等,优选为随机森林算法。随机森林是一个包含多个决策树的分类器,并且其输出的类别是由个别树输出的类别的众数而定。
所述特征量包括人体基本体征信息和呼气NO浓度;
所述人体基本体征信息包括但不限于身高、体重、年龄、性别、体重身高指数、体表面积、血型、有无吸烟史、有无其他肺部或呼吸道疾病等;
其中,新冠肺炎人体检测模型的构建方法包括:基于算法对于采集到的人体特征量进行训练,获得新冠肺炎人体检测模型,从而实现对健康人和新冠肺炎患者的分类。
具体的,新冠肺炎人体检测模型的构建方法中,从整个数据中抽取25%作为测试集,剩下的75%作为训练集,采用10折交叉验证(10-fold Cross-validation)方法进行训练,从而选择最佳的随机森林分类参数。
以训练好的模型计算测试集中样本的患病概率。分类准确率可以达到90%以上,阳性检出率90%以上,阴性判断正确率也可以达到90%以上。受试者特征曲线线下面积90%以上。本申请的新冠肺炎人体检测模型用于诊断时会输出受试者患病的概率,根据概率值的大小来判断受试者是否患COVID-19。
所述受试者可以是健康人、新型冠状病毒肺炎患者或新型冠状病毒肺炎疑似患者。
所述检测受试者患病概率具体方法为:将受试者基本体征信息和呼气NO浓度数据导入上述新冠肺炎人体检测模型中,基于新冠肺炎人体检测模型判断该受试者患病概率。
其中,呼气NO浓度的测定需要严格遵照美国胸科学会(ATS)与欧洲呼吸学会(ERS)2005年共同制定的技术标准。
饮食方面:要求测试者前3小时不得饮食;环境方面:要求测试者测试时避免吸入NO>10ppb的空气。
其他方面:测试前1小时不得吸烟、饮酒,避免运动或做其他肺部功能检测或其他检测,除此之外测试时还应避免漏气、换气、憋气以及喷口水等。
关于仪器方面,测试时需要监控呼气压力、时间以及流速,呼出气NO检测仪的检测限要低于5ppb,分析准确性/重复性小于等于5(10)ppb或10%(20%)。仪器必须定期及时标定,保证仪器的准确性与稳定性。
本发明的又一具体实施方式中,提供一种用于检测新型冠状病毒肺炎的系统,所述检测系统至少包括:
数据处理模块,用于对受试者的医疗数据进行处理,以获得所述受试者的特征量,其中,所述医疗数据包括受试者呼气NO浓度数据和人体基本体征信息;
数据分析模块,用于通过预设分析模型处理所述特征量,以确定所述受试者的新冠肺炎检测结果;
所述预设分析模型,其是基于算法对于采集到的人体特征量进行训练获得,从而实现对健康人和新冠肺炎患者的分类。
在一些实施方式中,NO浓度数据可通过呼出气NO检测仪获得;
在一些实施方式中,所述人体基本体征信息包括但不限于身高、体重、年龄、性别、体重身高指数、体表面积、血型、有无吸烟史、有无其他肺部或呼吸道疾病等;
所述算法是本领域技术人员公知的,由于本发明中处理对象为不连续的分类标签值,因此优选算法为机器学习分类算法,所述机器学习分类算法包括随机森林方法,支持向量机算法,K临近算法等,优选为随机森林算法。
在一些实施方式中,人体特征量采集来源包括健康人、新型冠状病毒肺炎患者或新型冠状病毒肺炎疑似患者。
本发明的又一具体实施方式中,提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述的用于快速检测新型冠状病毒肺炎的方法。
本发明的又一具体实施方式中,提供一种电子设备,包括:
存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述用于快速检测新型冠状病毒肺炎的方法。
以下通过实施例对本发明做进一步解释说明,但不构成对本发明的限制。应理解这些实施例仅用于说明本发明而不用于限制本发明的范围。另外,实施例中未详细说明的生物学方法均为本领域常规的方法,具体操作可参看生物指南或产品说明书。下述实施例在华中科技大学同济医学院附属梨园医院进行,于2020年3月7号开始采集,包括109个未患COVID-19的样本和46个罹患COVID-19的样本。记录了他们的身高、体重、年龄、性别、血型、患病时间、有无其他肺部疾病等信息。然后通过对样本进行处理得到了分析的结果。呼气NO浓度的测定需要严格遵照美国胸科学会(ATS)与欧洲呼吸学会(ERS)2005年共同制定的技术标准。饮食方面:要求测试者前3小时不得饮食;环境方面:要求测试者测试时避免吸入NO>10ppb的空气。其他方面:测试前1小时不得吸烟、饮酒,避免运动或做其他肺部功能检测或其他检测,除此之外测试时还应避免漏气、换气、憋气以及喷口水等。关于仪器方面,测试时需要监控呼气压力、时间以及流速,呼出气NO检测仪的检测限要低于5ppb,分析准确性/重复性小于等于5(10)ppb或10%(20%)。仪器必须定期及时标定,保证仪器的准确性与稳定性。
实施例1
采集受试者的基本体征信息并测得呼气NO浓度。NO浓度测试参数设置及流程为:
NO浓度由呼出气NO检测仪在室温,相对湿度范围不大于80%的环境下测试得到。测试人员分别记录了非新冠肺炎患者人群的身高、体重、年龄、性别、疾病史等基本体征信息,同时测量了呼出气中NO浓度等信息。
图3是本发明采用FeNO、年龄、身高体重指数、体表面积为描述符建立的机器学习分类模型的受试者曲线,由图可得,受试者曲线下面积达到了AUC=1.0。图3(b)是该模型训练示意图,图3(c)是该模型在测试集中的预测结果。由模拟结果可得该模型阳性检出率可达91.7%,阴性判断正确率为91.3%。
实施例2
采集非新冠肺炎患者的基本体征信息并测得呼气NO浓度。NO浓度测试参数设置及流程为:
NO浓度由呼出气NO检测仪在室温,相对湿度范围不大于80%的环境下测试得到。测试人员分别记录了非新冠肺炎患者人群的身高、体重、年龄、性别、疾病史等基本体征信息,同时测量了呼出气中NO浓度等信息。
图4(a)是本发明采用FeNO、年龄、身高、体重为描述符建立的机器学习分类模型的受试者曲线,由图可得,受试者曲线下面积达到了AUC=1.0。图4(b)是该模型训练示意图,图4(c)是该模型在测试集中的预测结果。由模拟结果可得该模型阳性检出率可达83.3%,阴性判断正确率为87.0%。
实施例3
采集非新冠肺炎患者的基本体征信息并测得呼气NO浓度。NO浓度测试参数设置及流程为:
NO浓度由呼出气NO检测仪在室温,相对湿度范围不大于80%的环境下测试得到。测试人员分别记录了非新冠肺炎患者人群的身高、体重、年龄、性别、疾病史等基本体征信息,同时测量了呼出气中NO浓度等信息。
图5(a)是本发明采用FeNO、年龄、身高、体重、身高体重指数、体表面积为描述符建立的机器学习分类模型的受试者曲线,由图可得,受试者曲线下面积达到了AUC=1.0。图5(b)是该模型训练示意图,图5(c)是该模型在测试集中的预测结果。由模拟结果可得该模型阳性检出率可达83.3%,阴性判断正确率为87.0%。
在另一实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如图1所示的快速检测新型冠状病毒肺炎方法中的步骤。
在另一实施例中,提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如图1所示的快速检测新型冠状病毒肺炎方法中的步骤。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(RandomAccessMemory,RAM)等。
应注意的是,以上实例仅用于说明本发明的技术方案而非对其进行限制。尽管参照所给出的实例对本发明进行了详细说明,但是本领域的普通技术人员可根据需要对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种快速检测新型冠状病毒肺炎的方法,其特征在于,所述检测方法包括:
获取受试者的人体基本体征信息和呼气NO浓度数据处理后作为特征量;
根据预先基于特征量建立的新冠肺炎人体检测模型,判断受试者患病概率;
其中,新冠肺炎人体检测模型的构建方法中,人体特征量采集来源包括健康人、新型冠状病毒肺炎患者或新型冠状病毒肺炎疑似患者;
所述特征量包括人体基本体征信息和呼气NO浓度。
2.如权利要求1所述的方法,其特征在于,所述人体基本体征信息包括身高、体重、年龄、性别、体重身高指数、体表面积、血型、有无吸烟史、有无其他肺部或呼吸道疾病。
3.如权利要求1所述的方法,其特征在于,新冠肺炎人体检测模型的构建方法包括:基于算法对于采集到的人体特征量进行训练,获得新冠肺炎人体检测模型,从而实现对健康人和新冠肺炎患者的分类;
优选的,新冠肺炎人体检测模型的构建方法中,从整个数据中抽取25%作为测试集,剩下的75%作为训练集,采用10折交叉验证方法进行训练。
4.如权利要求1所述的方法,其特征在于,所述受试者是健康人、新型冠状病毒肺炎患者或新型冠状病毒肺炎疑似患者;优选为新型冠状病毒肺炎疑似患者。
5.如权利要求1所述的方法,其特征在于,所述判断受试者患病概率具体方法为:将受试者基本体征信息和呼气NO浓度数据导入所述新冠肺炎人体检测模型中,基于新冠肺炎人体检测模型判断该受试者患病概率。
6.一种用于检测新型冠状病毒肺炎的系统,其特征在于,所述检测系统至少包括:
数据处理模块,用于对受试者的医疗数据进行处理,以获得所述受试者的特征量,其中,所述医疗数据包括受试者呼气NO浓度数据和人体基本体征信息;
数据分析模块,用于通过预设分析模型处理所述特征量,以确定所述受试者的新冠肺炎检测结果;
所述预设分析模型,其是基于算法对于采集到的人体特征量进行训练获得,从而实现对健康人和新冠肺炎患者的分类。
7.如权利要求6所述的系统,其特征在于,所述人体基本体征信息包括身高、体重、年龄、性别、体重身高指数、体表面积、血型、有无吸烟史、有无其他肺部或呼吸道疾病。
8.如权利要求6所述的系统,其特征在于,所述算法为机器学习分类算法;优选的,所述机器学习分类算法包括随机森林方法,支持向量机算法,K临近算法;进一步优选为随机森林算法;
人体特征量采集来源包括健康人、新型冠状病毒肺炎患者或新型冠状病毒肺炎疑似患者;
人体特征量包括人体呼气NO浓度数据和人体基本体征信息。
9.一种计算机可读存储介质,其特征在于,其上存储有计算机程序,所述计算机程序被处理器执行时实现权利要求1-5任一项所述的用于快速检测新型冠状病毒肺炎的方法。
10.一种电子设备,其特征在于,包括:
存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现权利要求1-5任一项所述用于快速检测新型冠状病毒肺炎的方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010753816.7A CN111951964A (zh) | 2020-07-30 | 2020-07-30 | 一种快速检测新型冠状病毒肺炎的方法及系统 |
PCT/CN2020/127489 WO2022021664A1 (zh) | 2020-07-30 | 2020-11-09 | 一种快速检测新型冠状病毒肺炎的方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010753816.7A CN111951964A (zh) | 2020-07-30 | 2020-07-30 | 一种快速检测新型冠状病毒肺炎的方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111951964A true CN111951964A (zh) | 2020-11-17 |
Family
ID=73338775
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010753816.7A Pending CN111951964A (zh) | 2020-07-30 | 2020-07-30 | 一种快速检测新型冠状病毒肺炎的方法及系统 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN111951964A (zh) |
WO (1) | WO2022021664A1 (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112525804A (zh) * | 2020-11-21 | 2021-03-19 | 烟台智医医药科技有限公司 | 全血细胞计数在预测SARS-CoV-2感染中的应用 |
CN112766352A (zh) * | 2021-01-13 | 2021-05-07 | 大连海事大学 | 一种基于极端梯度提升算法的新型冠状病毒分类方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109817328A (zh) * | 2018-12-29 | 2019-05-28 | 上海依智医疗技术有限公司 | 一种判别哮喘的方法及装置 |
US20190355473A1 (en) * | 2017-01-08 | 2019-11-21 | Henry M. Jackson Foundation For The Advancement Of Military Medicine | Systems and methods for using supervised learning to predict subject-specific pneumonia outcomes |
CN111041089A (zh) * | 2020-03-13 | 2020-04-21 | 广州微远基因科技有限公司 | Covid-19感染的宿主标志物的应用 |
CN111261282A (zh) * | 2020-01-21 | 2020-06-09 | 南京航空航天大学 | 一种基于机器学习的脓毒症早期预测方法 |
CN111413492A (zh) * | 2020-04-30 | 2020-07-14 | 山东大学 | 一种用于检测新型冠状病毒covid-2019肺炎的方法及系统 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11783947B2 (en) * | 2016-09-26 | 2023-10-10 | University Of Queensland | Method and apparatus for automatic disease state diagnosis |
CN111261281A (zh) * | 2020-01-18 | 2020-06-09 | 中国医学科学院北京协和医院 | 一种模型训练方法、机械通气表型识别方法及呼吸机 |
CN111297403B (zh) * | 2020-02-25 | 2021-08-27 | 中国矿业大学 | 尘肺群体快速精准筛查及肺部纤维化病变早期预警系统 |
CN111402347A (zh) * | 2020-03-20 | 2020-07-10 | 吴刚 | 一种基于物联网的新冠肺炎疫情防控系统 |
-
2020
- 2020-07-30 CN CN202010753816.7A patent/CN111951964A/zh active Pending
- 2020-11-09 WO PCT/CN2020/127489 patent/WO2022021664A1/zh active Application Filing
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190355473A1 (en) * | 2017-01-08 | 2019-11-21 | Henry M. Jackson Foundation For The Advancement Of Military Medicine | Systems and methods for using supervised learning to predict subject-specific pneumonia outcomes |
CN109817328A (zh) * | 2018-12-29 | 2019-05-28 | 上海依智医疗技术有限公司 | 一种判别哮喘的方法及装置 |
CN111261282A (zh) * | 2020-01-21 | 2020-06-09 | 南京航空航天大学 | 一种基于机器学习的脓毒症早期预测方法 |
CN111041089A (zh) * | 2020-03-13 | 2020-04-21 | 广州微远基因科技有限公司 | Covid-19感染的宿主标志物的应用 |
CN111413492A (zh) * | 2020-04-30 | 2020-07-14 | 山东大学 | 一种用于检测新型冠状病毒covid-2019肺炎的方法及系统 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112525804A (zh) * | 2020-11-21 | 2021-03-19 | 烟台智医医药科技有限公司 | 全血细胞计数在预测SARS-CoV-2感染中的应用 |
CN112766352A (zh) * | 2021-01-13 | 2021-05-07 | 大连海事大学 | 一种基于极端梯度提升算法的新型冠状病毒分类方法 |
CN112766352B (zh) * | 2021-01-13 | 2024-03-29 | 大连海事大学 | 一种基于极端梯度提升算法的新型冠状病毒分类方法 |
Also Published As
Publication number | Publication date |
---|---|
WO2022021664A1 (zh) | 2022-02-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111413492A (zh) | 一种用于检测新型冠状病毒covid-2019肺炎的方法及系统 | |
CN106725532A (zh) | 基于语音特征与机器学习的抑郁症自动评估系统和方法 | |
Shykhon et al. | Clinical evaluation of the electronic nose in the diagnosis of ear, nose and throat infection: a preliminary study | |
CN105603066A (zh) | 精神障碍的肠道微生物标志物及其应用 | |
CN104856679A (zh) | 用于哮喘、肺结核及肺癌诊断及疾病管控的呼吸分析系统及方法 | |
CN112331344B (zh) | 免疫状态评估方法及应用 | |
CN111951964A (zh) | 一种快速检测新型冠状病毒肺炎的方法及系统 | |
CN111816321B (zh) | 基于法定诊断标准智能识别传染病的系统、设备及存储介质 | |
CN106338597A (zh) | 呼吸气体测量的方法及系统 | |
Infante et al. | Classification of voluntary coughs applied to the screening of respiratory disease | |
CN112466402A (zh) | 一种使用血液标志物预测年龄的方法 | |
JP5963198B2 (ja) | 動的ネットワークバイオマーカーの検出装置、検出方法及び検出プログラム | |
CN117116475A (zh) | 缺血性脑卒中的风险预测方法、系统、终端及存储介质 | |
Shapiro | Guidelines for developing and testing clinical decision rules | |
JP6198161B2 (ja) | 動的ネットワークバイオマーカーの検出装置、検出方法及び検出プログラム | |
JP6948722B2 (ja) | 検出装置及び検出プログラム | |
JP2023145811A (ja) | 学習モデルの生成方法、プログラム、演算装置 | |
Zamora-Mendoza et al. | Determination of global chemical patterns in exhaled breath for the discrimination of lung damage in postCOVID patients using olfactory technology | |
RU2299439C1 (ru) | Способ диагностики инфекционного мононуклеоза | |
Rahim et al. | System identification of nonlinear autoregressive models in monitoring dengue infection | |
WO2016200244A1 (ko) | 호흡가스 분석에 기반하여 미병 분류를 보조하는 컴퓨팅 시스템 및 방법 | |
Kuchmenko et al. | Analysis of the volatile compounds’ condensate exhaled air “electronic nose” based on piezoelectric sensor to assess the status of calves | |
US20230215569A1 (en) | Systems and methods for detecting diseases based on the presence of volatile organic compounds in the breath | |
CN114317784B (zh) | 白塞病标志微生物及其应用 | |
CN111351942B (zh) | 肺癌肿瘤标志物筛选系统及肺癌风险分析系统 |
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 |