CN112289464A - 基于人工智能辅助诊断的云端心电图诊断系统 - Google Patents
基于人工智能辅助诊断的云端心电图诊断系统 Download PDFInfo
- Publication number
- CN112289464A CN112289464A CN202011108883.XA CN202011108883A CN112289464A CN 112289464 A CN112289464 A CN 112289464A CN 202011108883 A CN202011108883 A CN 202011108883A CN 112289464 A CN112289464 A CN 112289464A
- Authority
- CN
- China
- Prior art keywords
- diagnosis
- electrocardiogram
- artificial intelligence
- cloud
- data
- 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
- G16H80/00—ICT specially adapted for facilitating communication between medical practitioners or patients, e.g. for collaborative diagnosis, therapy or health monitoring
-
- 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
Abstract
本发明公开了一套基于人工智能辅助诊断的云端心电图诊断系统,包括了医生确诊平台和任务管理平台,利用专业的心电图机对病人进行数据采集后上传心电数据到云端,并记录任务状态,再使用人工智能算法服务对心电图诊断类别进行初步诊断分类;记录记录用户确认或者修改后的辅助诊断数据,确认云端心电图诊断结果真实有效,最生成诊断报告。本发明通过人机协同,利用利用人工智能算法,高效、准确的初步判读,提升医生工作效率,算法准确度能达到90%以上。
Description
技术领域
本发明涉及医疗诊断系统领域,尤其涉及一种基于人工智能辅助诊断的云端心电图诊断系统。
背景技术
云心电,顾名思义,是将心电信息通过云平台部署,实现远程监测和诊断。近年来心脑血管疾病(包括心肌梗死、脑卒中、冠心病等)、高血压和糖尿病等慢病急症发病和死亡率居高不下。然而心血管疾病作为威胁健康和生命的主要疾病之一,其往往具有“隐匿性”和“突发性”,需要实时的心电监测和诊断。
基于人工智能辅助诊断的云端心电诊断系统可以通过AI技术、深度学习助力心电图自动分析,实现心电异常事件的检测、心血管疾病判别、预测心脏风险的目标。目前云心电检测平台可以依据心电图机多导联的数据,以及病患年龄、性别等因素,用统计学、机器学习、深度学习等方式探索挖掘心电波形与心电异常事件之间的关系,构建精准预测模型。
目前,远程心电诊断已经进行了良好的运用实践。采用的大部分远程心电解决方案是在大型医院或者高等医疗院所部署专业的心电检查和监控、以及数据分析系统,用以支持远程心电会诊平台的日常运行,同时安排指定的医生进行远程会诊,以此对病人的心电图进行诊断。
但是,传统的远程心电解决方案,需要在大型院所内部署设备仪器、专门的医生定岗的诊断,耗费大量人力物力。并且由于心电图诊断是一个标准化非常高的诊断过程,对于医师的从业经验并不是非常高,所以各地的远程心电诊断服务需求并不是很多。因此,建设一个更加合理高效的远程心电诊断平台是非常有必要的。
发明内容
本发明的目的是针对现有技术的缺陷,提供了一种可以进行人机协同,提高心电图诊断效率以及准确性的基于人工智能辅助诊断的云端心电图诊断系统。
为了实现以上目的,本发明采用以下技术方案:
一种基于人工智能辅助诊断的云端心电图诊断系统,包括医生确诊平台、任务管理平台及终端,所述任务管理平台包括人工智能算法服务引擎,
云端心电图诊断系统包括下述步骤:
步骤一:任务管理平台接收仪器采集并处理后的心电图波形数据并存储至后台服务器中;
步骤二:人工智能算法服务引擎从后台服务器中提取步骤一中的心电图波形数据并进行辅助诊断,辅助诊断后的数据存储至任务池中;
步骤三:医生确诊平台进行用户身份验证;
步骤四:医生确诊平台将任务池中辅助诊断的数据根据数据生成时间依次分配至已通过身份验证的用户;
步骤五:医生确诊平台记录用户确认或者修改后的辅助诊断数据;
步骤六:确认或者修改后的辅助诊断数据传输至终端进行展示或打印。
进一步的,所述步骤一中,心电图波形数据通过相应接口以固定的格式进行数据传输到后台服务器中。
进一步的,所述步骤二中人工智能算法服务引擎采用了包括却不限于Resnet34在内的深度学习算法。
进一步的,步骤三中户身份验证包括姓名、密码和/或执业证号。
进一步的,所述的步骤五中用户确认或者修改后的辅助诊断数据后还包括签章确认。
进一步的,步骤四中包括设定分配至用户的辅助诊断的数据的最终处理时间。
采用本发明技术方案,本发明的有益效果为:本发明系统利用人工智能算法,在心电图诊断医生工作量大的现实状况下,高效、准确的提供心电图的初步判读,能大大提升医生的工作效率。基于云端的心电图服务,可以在医生不在现场的情况下,有效的完成心电图的诊断,非常适合无接触的远程医疗环境,而且可以将各地零散的诊断需求集中到云端进行处理,提升了诊断效率也调节了地区性医疗资源不平衡的问题。
附图说明
图1是本发明提供的一种基于人工智能辅助诊断的云端心电图诊断系统的服务框架图。
图2是本发明提供的一种基于人工智能辅助诊断的云端心电图诊断系统的任务状态逻辑图;
图3是本发明提供的一种基于人工智能辅助诊断的云端心电图诊断系统诊断输出报告示意图。
具体实施方式
结合附图对本发明具体方案具体实施例作进一步的阐述。
随着人工智能AI技术的发展应用,AI也被应用在了心电相关服务中。而本发明利用人工智能技术对心电图进行辅助诊断,再利用专业医生的确诊服务,建立了一个人机协同,高效、准确的云端心电图诊断系统。整个系统的优点在于通过人工智能算法的辅助诊断后,再提供给医生进行确诊,大大提高了心电图诊断的效率和准确性。此外,本系统由于构架于云端,应用终端可以在基层调用,可以配合社区医生、社区巡诊车等服务,大大提升心电图诊断的范围,改善了了地区医疗资源的平衡以及偏远地区就医难的不便,真正做到提供社区内、家庭内的专业医疗服务。另一方面,由于系统可以对互联网医生进行开放,也促进了执业医生就业的选择面,让医生可以利用空余时间可以发挥更多专业特长。
如图1所示,一种基于人工智能辅助诊断的云端心电图诊断系统框架包括应用终端,如PC端、移动端,其他终端机物联网端;接口,应用终端分别通过相应的接口与医生确诊平台、任务管理平台及终端进行数据通信,医生确诊平台、任务管理平台及终端还包括数据存储模块,例如redis缓存,MySQL数据库、SQL sever数据库等,以及文件存储系统,如NFS等。整体系统通过各种环境进行运行操作,例如Linux服务器,jdk、python等。
如图2所示,一种基于人工智能辅助诊断的云端心电图诊断系统,包括医生确诊平台、任务管理平台及终端,所述任务管理平台包括人工智能算法服务引擎,
云端心电图诊断系统包括下述步骤:
步骤一:任务管理平台接收仪器采集并处理后的心电图波形数据并存储至后台服务器中;心电图波形数据通过相应接口以固定的格式进行数据传输到后台服务器中。心电图波形数据是利用专业的心电图机对病人进行数据采集,采集的原始数据需要进行去噪以及初步滤波,得到有效的心电图波形数据。
数据内容包括心电图任务的任务采集来源,任务采集时间,任务采集病人的性别、年龄等基础身份信息,还有包括人工智能算法引擎计算后得到的心电信号数据,包括了心率、PR间期、QRS间期、QT间期、QTC间期、QRS时限、P波电轴角度、QRS电轴角度、T波电轴角度、RV5电压、SV1电压以及算法诊断结果等。
步骤二:人工智能算法服务引擎从后台服务器中提取步骤一中的心电图波形数据并进行辅助诊断,辅助诊断后的数据存储至任务池中;采用了包括却不限于Resnet34在内的深度学习算法,结合病人的基础数据,可以有效的进行心电图的辅助诊断,诊断准确度能力55心电图诊断类别可以达到0.83以上,常见的34类诊断疾病可以达到0.93以上。
具体的,人工智能算法服务引擎可以提供最多支持55种心电图诊断类别,不同种类疾病独立检测,包括了窦性心律、电轴左偏、不完全性右束支传导阻滞、T波改变、心房颤动、ST段异常、右心室肥大等疾病,其总体诊断精度已经可以达到0.83以上。对于部分常见的34类诊断疾病,甚至已经可以达到0.93以上,包括了快心室率、房性早搏、室性早搏、右心房矿大、ST-T改变、电轴左偏、窦性心动过缓、下壁异常Q波等。准确的人工智能算法诊断可以帮助医生进行更快初步判断,再反馈给医生,结合临床医学知识,进行进一步的诊断。
步骤三:医生确诊平台进行用户身份验证;户身份验证包括姓名、密码和/或执业证号。实际操作过程中用户是需要线下对医生的执业资质进行详细审核后再提供的。
步骤四:医生确诊平台将任务池中辅助诊断的数据根据数据生成时间依次分配至已通过身份验证的用户;包括设定分配至用户的辅助诊断的数据的最终处理时间。即例如设定在30分钟内,该医师需要诊断并将确认结果提交,超时将重新分配至新的医生,提高了诊断的效率以及资源的合理分配。
步骤五:医生确诊平台记录用户确认或者修改后的辅助诊断数据;用户确认或者修改后的辅助诊断数据后还包括签章确认。即在实际操作中,医生会在医生确诊界面上修改或同意人工智能辅助诊断计算得出的诊断结果,会要求医生进行签名认证,之后医生通过签名确认此次云端心电图诊断的结果真实有效。
该签名将会被当前处理的心电图诊断任务作为依据的标识,被提供给心电服务展示终端,表明此次云端心电图诊断的结果真实有效。
步骤六:确认或者修改后的辅助诊断数据传输至终端进行展示或打印,如图3所示。最终心电图诊断结果将会按照一个诊断报告图页的形式返回给云心电服务终端,可进行展示或打印。
每一个被采集到的心电图波形数据,都会使用一个“status”字段来进行任务阶段标记。其中,状态1表示的是已上传心电图数据,但数据有误,无法输入模型;状态2表示的是已上传心电图,算法尚未诊断;状态3表示的是算法已完成诊断,等待分配给医生;状态4表示的是已分配任务,等待医生确诊;状态5表示的是医生完成确诊,任务完成。
该系统利用人工智能技术,进行心电图的初步诊断,再通过界面,显示给互联网医生进行确诊,使云端心电图诊断具有现实的可信性,可作为诊断依据。目前人工智能算法已经可以达到一般心电图医生的诊断水平,再加上进一步的互联网医生的确诊、签名,最终的诊断报告是具有非常高的可信度的。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (6)
1.一种基于人工智能辅助诊断的云端心电图诊断系统,其特征在于,包括医生确诊平台、任务管理平台及终端,所述任务管理平台包括人工智能算法服务引擎,
云端心电图诊断系统包括下述步骤:
步骤一:任务管理平台接收仪器采集并处理后的心电图波形数据并存储至后台服务器中;
步骤二:人工智能算法服务引擎从后台服务器中提取步骤一中的心电图波形数据并进行辅助诊断,辅助诊断后的数据存储至任务池中;
步骤三:医生确诊平台进行用户身份验证;
步骤四:医生确诊平台将任务池中辅助诊断的数据根据数据生成时间依次分配至已通过身份验证的用户;
步骤五:医生确诊平台记录用户确认或者修改后的辅助诊断数据;
步骤六:确认或者修改后的辅助诊断数据传输至终端进行展示或打印。
2.如权利要求1所述的一种基于人工智能辅助诊断的云端心电图诊断系统,其特征在于,所述步骤一中,心电图波形数据通过相应接口以固定的格式进行数据传输到后台服务器中。
3.如权利要求1所述的一种基于人工智能辅助诊断的云端心电图诊断系统,其特征在于,所述步骤二中人工智能算法服务引擎采用了包括却不限于Resnet34在内的深度学习算法。
4.如权利要求1所述的一种基于人工智能辅助诊断的云端心电图诊断系统,其特征在于,步骤三中户身份验证包括姓名、密码和/或执业证号。
5.根据权利要求1所述的一种基于人工智能辅助诊断的云端心电图诊断系统,其特征在于,所述的步骤五中用户确认或者修改后的辅助诊断数据后还包括签章确认。
6.根据权利要求1所述的一种基于人工智能辅助诊断的云端心电图诊断系统,其特征在于,步骤四中包括设定分配至用户的辅助诊断的数据的最终处理时间。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011108883.XA CN112289464A (zh) | 2020-10-16 | 2020-10-16 | 基于人工智能辅助诊断的云端心电图诊断系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011108883.XA CN112289464A (zh) | 2020-10-16 | 2020-10-16 | 基于人工智能辅助诊断的云端心电图诊断系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112289464A true CN112289464A (zh) | 2021-01-29 |
Family
ID=74497410
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011108883.XA Pending CN112289464A (zh) | 2020-10-16 | 2020-10-16 | 基于人工智能辅助诊断的云端心电图诊断系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112289464A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107491632A (zh) * | 2017-07-10 | 2017-12-19 | 成都琅瑞医疗技术股份有限公司 | 心电诊断后服务方法 |
CN108836314A (zh) * | 2018-07-13 | 2018-11-20 | 希蓝科技(北京)有限公司 | 一种基于网络和人工智能的动态心电图分析方法及系统 |
CN109326347A (zh) * | 2018-10-15 | 2019-02-12 | 广州市三锐电子科技有限公司 | 一种基于人工智能的心电图远程监护系统 |
CN111096735A (zh) * | 2018-10-26 | 2020-05-05 | 深圳市理邦精密仪器股份有限公司 | 可迭代更新的心电图分析系统 |
CN111276263A (zh) * | 2020-02-19 | 2020-06-12 | 挂号网(杭州)科技有限公司 | 一种支持健共体的基层医生智能执业云平台 |
-
2020
- 2020-10-16 CN CN202011108883.XA patent/CN112289464A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107491632A (zh) * | 2017-07-10 | 2017-12-19 | 成都琅瑞医疗技术股份有限公司 | 心电诊断后服务方法 |
CN108836314A (zh) * | 2018-07-13 | 2018-11-20 | 希蓝科技(北京)有限公司 | 一种基于网络和人工智能的动态心电图分析方法及系统 |
CN109326347A (zh) * | 2018-10-15 | 2019-02-12 | 广州市三锐电子科技有限公司 | 一种基于人工智能的心电图远程监护系统 |
CN111096735A (zh) * | 2018-10-26 | 2020-05-05 | 深圳市理邦精密仪器股份有限公司 | 可迭代更新的心电图分析系统 |
CN111276263A (zh) * | 2020-02-19 | 2020-06-12 | 挂号网(杭州)科技有限公司 | 一种支持健共体的基层医生智能执业云平台 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8352018B2 (en) | Multi-tier system for cardiology and patient monitoring data analysis | |
JP2022523741A (ja) | 描写および分類のための心電図処理システム | |
JP4159285B2 (ja) | 心血管リスクの術中評価方法及び装置 | |
AU3421889A (en) | Cardiac death probability determining device | |
US20110112413A1 (en) | Method for automated ekg analysis | |
WO2011056367A1 (en) | Automated ekg analysis | |
US20060161067A1 (en) | Complexity scores for electrocardiography reading sessions | |
Lv et al. | A multi-task group Bi-LSTM networks application on electrocardiogram classification | |
US11571161B2 (en) | Systems and methods for electrocardiogram diagnosis using deep neural networks and rule-based systems | |
CN108926343B (zh) | 基于cnn神经网络的急性心肌梗死定性自动判别系统 | |
CN107016248A (zh) | 一种心电数据分析系统及分析方法 | |
Zhao et al. | Analysis of an adaptive lead weighted ResNet for multiclass classification of 12-lead ECGs | |
JP7253380B2 (ja) | Ecgトレーニング及びスキル向上 | |
CN112289464A (zh) | 基于人工智能辅助诊断的云端心电图诊断系统 | |
CN115607166B (zh) | 一种心电信号智能分析方法及系统、智能心电辅助系统 | |
Herman et al. | Validation of an automated artificial intelligence system for 12‑lead ECG interpretation | |
Ribeiro et al. | Challenges to implementation of the ECG reading center in ELSA-Brasil | |
Chazard et al. | One million electrocardiograms of primary care patients: a descriptive analysis. | |
Liu et al. | Accurate detection of arrhythmias on raw electrocardiogram images: An aggregation attention multi-label model for diagnostic assistance | |
US20240099638A1 (en) | Electrocardiogram interpretation | |
CN102314541A (zh) | 一种心电智能分析系统的临床检验方法 | |
Ribeiro et al. | Automatic diagnosis of short-duration 12-lead ECG using a deep convolutional network | |
Filatova et al. | Functional Model of an Electrocardiological Study | |
Lomoio et al. | AUTAN-ECG: An AUToencoder bAsed system for anomaly detectioN in ECG signals | |
Jin et al. | Cardiologist-level interpretable knowledge-fused deep neural network for automatic arrhythmia diagnosis |
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 |
Application publication date: 20210129 |
|
RJ01 | Rejection of invention patent application after publication |