CN112466426A - 一种心血管手术风险评估系统及方法 - Google Patents
一种心血管手术风险评估系统及方法 Download PDFInfo
- Publication number
- CN112466426A CN112466426A CN202011633273.1A CN202011633273A CN112466426A CN 112466426 A CN112466426 A CN 112466426A CN 202011633273 A CN202011633273 A CN 202011633273A CN 112466426 A CN112466426 A CN 112466426A
- Authority
- CN
- China
- Prior art keywords
- information
- surgical
- obtaining
- matching degree
- 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.)
- 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
- G16H15/00—ICT specially adapted for medical reports, e.g. generation or transmission thereof
-
- 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
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明公开了一种心血管手术风险评估系统及方法,所述系统包括:获得所述第一用户的检查报告和所述第一手术方案信息。并将这两个信息输入所述第一训练模型中,经过多组数据进行训练。进而获得表示第一手术方案信息与第一检查报告信息的匹配程度的所述第一匹配度。如果满足所述第一匹配度,则按照手术方案进行分析,并获得手术步骤和对应风险程度的所述第一手术流程分解信息,若不满足,获得含有所述第一匹配度的手术步骤和对应风险程度所述第二手术流程分解信息,进而获得第一风险报告。解决了现有技术中存在手术风险评估方式存在局限性、不够全面的技术问题。
Description
技术领域
本发明涉及手术风险评估领域,尤其涉及一种心血管手术风险评估系统及方法。
背景技术
随着经济水平的发展和饮食结构改变,心血管疾病发病率迅速上升,为了使患者的手术效果得到科学客观的评估,因此需要根据心血管患者病情和差异的不同,制定出适应每个患者详细的风险评估,进而根据手术风险评估的结果拟定相应的手术方案,保证了医疗质量,也保障了患者的生命安全。
但本申请发明人在实现本申请实施例中发明技术方案的过程中,发现上述技术至少存在如下技术问题:
现有技术中存在手术风险评估方式存在局限性、不够全面的技术问题。
发明内容
本申请实施例通过提供一种心血管手术风险评估系统及方法,解决了现有技术中存在手术风险评估方式存在局限性、不够全面的技术问题,达到了自主获得安全、合理、详细的汇总风险报告分析,进而提高手术风险评估的针对性和科学性的技术效果。
鉴于上述问题,提出了本申请实施例提供一种心血管手术风险评估系统及方法。
第一方面,本申请实施例提供了一种心血管手术风险评估系统,所述系统包括:第一获得单元,所述第一获得单元用于获得第一检查报告信息,其中,所述第一检查报告信息为第一用户的检查报告;第二获得单元,所述第二获得单元用于获得第一手术方案信息;第一输入单元,所述第一输入单元用于将所述第一检查报告信息、第一手术方案信息输入第一训练模型,其中,所述第一训练模型为多组训练数据训练获得,所述多组中的训练数据中的每一组训练数据均包括:所述第一检查报告信息、第一手术方案信息和用来标识数据匹配度的标识信息;第三获得单元,所述第三获得单元用于获得所述第一训练模型的第一输出信息,其中,所述第一输出信息包括第一匹配度,所述第一匹配度用于表示第一手术方案信息与第一检查报告信息的匹配程度;第一判断单元,所述第一判断单元用于判断所述第一匹配度是否满足第一预定条件;第四获得单元,所述第四获得单元用于当满足所述第一匹配度满足第一预定条件时,根据所述第一手术方案信息,获得第一手术流程分解信息,其中,所述第一手术流程分解信息包括第一手术方案的步骤及对应的风险程度;第五获得单元,所述第五获得单元用于当满足所述第一匹配度不满足第一预定条件时,根据所述第一匹配度,所述第一手术方案信息,获得所述第一手术流程分解信息;第六获得单元,所述第六获得单元用于根据所述第一手术流程分解信息、所述第一检查报告信息,获得第二手术流程分解信息,其中,所述第二手术流程分解信息为第一用户在所述第一手术方案各步骤中对应的风险程度;第七获得单元,所述第七获得单元用于根据所述第二手术流程分解信息,获得第一风险报告。
另一方面,本申请还提供了一种心血管手术风险评估方法,所述方法包括:获得第一检查报告信息,其中,所述第一检查报告信息为第一用户的检查报告;获得第一手术方案信息;将所述第一检查报告信息、第一手术方案信息输入第一训练模型,其中,所述第一训练模型为多组训练数据训练获得,所述多组中的训练数据中的每一组训练数据均包括:所述第一检查报告信息、第一手术方案信息和用来标识数据匹配度的标识信息;获得所述第一训练模型的第一输出信息,其中,所述第一输出信息包括第一匹配度,所述第一匹配度用于表示第一手术方案信息与第一检查报告信息的匹配程度;判断所述第一匹配度是否满足第一预定条件;当满足所述第一匹配度满足第一预定条件时,根据所述第一手术方案信息,获得第一手术流程分解信息,其中,所述第一手术流程分解信息包括第一手术方案的步骤及对应的风险程度;当满足所述第一匹配度不满足第一预定条件时,根据所述第一匹配度,所述第一手术方案信息,获得所述第一手术流程分解信息;根据所述第一手术流程分解信息、所述第一检查报告信息,获得第二手术流程分解信息,其中,所述第二手术流程分解信息为第一用户在所述第一手术方案各步骤中对应的风险程度;根据所述第二手术流程分解信息,获得第一风险报告。
第三方面,本发明提供了一种心血管手术风险评估系统,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,其中,所述处理器执行所述程序时实现第一方面所述系统的步骤。
本申请实施例中提供的一个或多个技术方案,至少具有如下技术效果或优点:
由于采用了通过获得所述第一用户的检查报告和所述第一手术方案信息。并将这两个信息输入所述第一训练模型中,经过多组数据进行训练。进而获得表示第一手术方案信息与第一检查报告信息的匹配程度的所述第一匹配度。如果所述第一匹配度高,则按照手术方案进行分析,并获得对应的所述第一手术流程分解信息,包括手术流程包含的几个步骤,进而获得每个步骤对应的风险程度以及总的风险程度所述第二手术流程分解信息,最后给提供一个风险分析报告的方式。达到了自主获得安全、合理、详细的汇总风险报告分析,进而提高手术风险评估的针对性和科学性的技术效果。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
图1为本申请实施例一种心血管手术风险评估方法的流程示意图;
图2为本申请实施例一种心血管手术风险评估系统的结构示意图;
图3为本申请实施例示例性电子设备的结构示意图。
附图标记说明:第一获得单元11,第二获得单元12,第一输入单元13,第三获得单元14,第一判断单元15,第四获得单元16,第五获得单元17,第六获得单元18,第七获得单元19,总线300,接受器301,处理器302,发送器303,存储器304,总线接口306。
具体实施方式
本申请实施例通过提供一种心血管手术风险评估系统及方法,解决了现有技术中存在手术风险评估方式存在局限性、不够全面的技术问题,达到了自主获得安全、合理、详细的汇总风险报告分析,进而提高手术风险评估的针对性和科学性的技术效果。下面,将参考附图详细的描述根据本申请的示例实施例。显然,所描述的实施例仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
申请概述
随着经济水平的发展和饮食结构改变,心血管疾病发病率迅速上升,为了使患者的手术效果得到科学客观的评估,因此需要根据心血管患者病情和差异的不同,制定出适应每个患者详细的风险评估,进而根据手术风险评估的结果拟定相应的手术方案,保证了医疗质量,也保障了患者的生命安全。
针对上述技术问题,本申请提供的技术方案总体思路如下:
本申请实施例提供了一种心血管手术风险评估系统,所述系统包括:第一获得单元,所述第一获得单元用于获得第一检查报告信息,其中,所述第一检查报告信息为第一用户的检查报告;第二获得单元,所述第二获得单元用于获得第一手术方案信息;第一输入单元,所述第一输入单元用于将所述第一检查报告信息、第一手术方案信息输入第一训练模型,其中,所述第一训练模型为多组训练数据训练获得,所述多组中的训练数据中的每一组训练数据均包括:所述第一检查报告信息、第一手术方案信息和用来标识数据匹配度的标识信息;第三获得单元,所述第三获得单元用于获得所述第一训练模型的第一输出信息,其中,所述第一输出信息包括第一匹配度,所述第一匹配度用于表示第一手术方案信息与第一检查报告信息的匹配程度;第一判断单元,所述第一判断单元用于判断所述第一匹配度是否满足第一预定条件;第四获得单元,所述第四获得单元用于当满足所述第一匹配度满足第一预定条件时,根据所述第一手术方案信息,获得第一手术流程分解信息,其中,所述第一手术流程分解信息包括第一手术方案的步骤及对应的风险程度;第五获得单元,所述第五获得单元用于当满足所述第一匹配度不满足第一预定条件时,根据所述第一匹配度,所述第一手术方案信息,获得所述第一手术流程分解信息;第六获得单元,所述第六获得单元用于根据所述第一手术流程分解信息、所述第一检查报告信息,获得第二手术流程分解信息,其中,所述第二手术流程分解信息为第一用户在所述第一手术方案各步骤中对应的风险程度;第七获得单元,所述第七获得单元用于根据所述第二手术流程分解信息,获得第一风险报告。
在介绍了本申请基本原理后,下面将结合说明书附图来具体介绍本申请的各种非限制性的实施方式。
实施例一
如图1所示,本申请实施例提供了一种心血管手术风险评估方法,其中,所述方法包括:
步骤S100:获得第一检查报告信息,其中,所述第一检查报告信息为第一用户的检查报告;
步骤S200:获得第一手术方案信息;
具体而言,所述第一检查报告信息是第一用户在医院中进行身体检查的报告信息,包括年龄、病历、检查数据等。所述第一手术方案是指所述第一用户根据治疗医生制定的对应治疗方案信息其中,其中,所述第一手术方案信息是医疗人员对所述第一患者的综合情况进行讨论,最终确定的手术方案,包含所述第一用户治疗的替代方案、手术采用的技术手段、以及多种并发症和治疗前护理注意事项等。进一步而言,获得上述所述第一检查报告信息和所述第一手术方案信息的途径具有较高的科学性和准确性。
步骤S300:将所述第一检查报告信息、第一手术方案信息输入第一训练模型,其中,所述第一训练模型为多组训练数据训练获得,所述多组中的训练数据中的每一组训练数据均包括:所述第一检查报告信息、第一手术方案信息和用来标识数据匹配度的标识信息;
具体而言,所述第一训练模型为能给根据训练数据进行不断的自我训练学习的模型,进一步而言,所述第一训练模型为神经网络模型,所述神经网络模型即机器学习中的神经网络模型,它反映了人脑功能的许多基本特征,是一个高度复杂的非线性动力学习系统。其中,训练数据中的每一组训练数据均包括所述第一检查报告信息、第一手术方案信息和用来标识数据匹配度的标识信息;所述神经网络模型不断地自我的修正,当所述神经网络模型的输出信息达到预定的准确率/达到收敛状态时,则监督学习过程结束。通过对所述神经网络模型的数据训练,使得所述神经网络模型处理所述输入数据更加准确,进而使得输出的所述第一匹配度更加准确的方式,达到了准确获得所述第一匹配度信息的技术效果,提高手术风险评估准确性的技术效果。
步骤S400:获得所述第一训练模型的第一输出信息,其中,所述第一输出信息包括第一匹配度,所述第一匹配度用于表示第一手术方案信息与第一检查报告信息的匹配程度;
具体而言,所述第一匹配度是指表示所述第一手术方案信息与所述第一检查报告信息的匹配程度,通过训练数据使机器学习模型自身不断地修正、优化,通过监督学习的过程来提高机器学习模型处理所述数据的准确性。其中,所述第一匹配度越高则表示所述第一用户实行所述第一手术方案可实现性就越大,进而手术风险就越小,实现了能够保证手术方案与所述第一患者患病情况相符合,且安全、高效进行的技术目的。
步骤S500:判断所述第一匹配度是否满足第一预定条件;
具体而言,所述第一预定条件是指提前设定的保障患者进行治疗时安全进行的预定阈值条件,其中,所述第一预定条件的设置能够达到保证患者按照所述第一手术治疗方案进行治疗时的满足自身基本的身体病情的技术效果。
步骤S600:当满足所述第一匹配度满足第一预定条件时,根据所述第一手术方案信息,获得第一手术流程分解信息,其中,所述第一手术流程分解信息包括第一手术方案的步骤及对应的风险程度;
具体而言,所述第一手术流程分解信息是指将所述第一手术方案分成对应的步骤列表信息,其中,所述第一手术方案的每一个手术步骤都会对应标识对应的风险程度信息。由于所述第一匹配度满足第一预定条件时,说明此时患者的年龄、身体状况、病历信息等条件都符合所述第一手术方案的执行,因此,汇总并罗列对应的详细分步骤手术风险评估,达到了自主获得安全、合理、详细的汇总风险报告分析,进而提高手术风险评估准确性的技术效果。
步骤S700:当满足所述第一匹配度不满足第一预定条件时,根据所述第一匹配度,所述第一手术方案信息,获得所述第一手术流程分解信息;
具体而言,如果所述第一匹配度不满足第一预定条件时,说明此时所述患者的身体状况或病情不适于进行所述第一手术方案的执行,因此,获得所述第一手术流程分解信息需要将所述第一匹配度也作为其中一个评估因素。
步骤S800:根据所述第一手术流程分解信息、所述第一检查报告信息,获得第二手术流程分解信息,其中,所述第二手术流程分解信息为第一用户在所述第一手术方案各步骤中对应的风险程度;
步骤S900:根据所述第二手术流程分解信息,获得第一风险报告。
具体而言,所述第二手术流程分解信息是指所述第一匹配度不高的患者对应得到的手术方案各步骤中对应的风险程度,其中,所述第二手术流程分解信息中是将匹配度也加入评价风险里面获得的,最终,再根据所述第二手术流程分解信息,获得一个汇总的整体评估分析信息,进而获得第一风险报告,达到了提高手术风险评估的针对性和科学性的技术效果。
进一步而言,所述根据所述第一手术方案信息,获得第一手术流程分解信息,本申请实施例步骤S700还包括:
步骤S710:根据所述第一手术方案信息,获得第一手术流程;
步骤S720:根据所述第一手术流程,获得第一流程成熟度、第一流程仪器关联性;
步骤S730:判断所述第一流程成熟度是否满足第二预定条件;
步骤S740:当不满足时,获得第一就诊医院信息;
步骤S750:根据所述第一就诊医院信息,获得第一手术仪器信息;
步骤S760:根据所述第一流程仪器关联性、所述第一手术仪器信息,获得第一风险数据;
步骤S770:根据所述第一流程成熟度、所述第一风险数据,获得第一风险程度信息;
步骤S780:根据所述第一手术流程、所述第一风险程度信息,获得所述第一手术流程分解信息。
具体而言,所述第一流程成熟度是指所述第一手术方案中的治疗技术的成熟度,所述第一流程仪器关联性是指所述第一手术方案中手术使用仪器与手术成熟度之间的关联性,所述第二预定条件是指达到一定标准的治疗技术成熟度阈值条件。其中,首先判断这个手术目前技术治疗中的成熟度高不高,因为成熟度越高,代表手术治疗的体系也越完善,如果不满足所述二预定条件也就是指成熟度目前不是很高。就需要进一步根据所述第一就诊医院的所述第一手术仪器的相关风险信息和所述第一流程仪器关联性获取第一风险数据,进而结合所述第一流程成熟度得出对应的风险评估,通过对仪器的关联性和依赖性进行评估,达到了全面获取有效信息,进行有针对性进行手术评估的技术效果。
进一步而言,所述判断所述第一流程成熟度是否满足第二预定条件之后,本申请实施例步骤S730还包括:
步骤S731:当所述第一流程成熟度信息满足所述第二预定条件时,获得所述第一风险报告。
具体而言,判断所述第一流程成熟度是否满足第二预定条件,如果,所述第一流程成熟度信息满足所述第二预定条件时,因为满足所述二预定条件也就是指成熟度很高的手术,如阑尾炎、胆囊炎之类的手术,手术治疗的体系也越完善,从而直接获得所述第一风险报告。
进一步而言,所述根据所述第一就诊医院信息,获得第一手术仪器信息之前,本申请实施例步骤S750还包括:
步骤S751:判断所述第一流程仪器关联性是否满足第三预定阈值;
步骤S752:当满足时,根据所述第一就诊医院信息,获得所述第一手术仪器信息。
具体而言,所述第三预定阈值是指提前设定的所述第一流程仪器与手术成熟度之间的依赖性阈值,在获得第一手术仪器信息之前,考虑评估时的仪器水平,判断所述第一流程仪器关联性是否满足第三预定阈值,心血管疾病的各种治疗方法都需要运用到各种类型的医疗器械,包括血管支架、CT仪、核磁共振仪、心电图机等医疗器械。若满足一定阈值的手术仪器依赖度,说明所述第一就诊医院主要是依赖于手术仪器进行手术治疗,因此就需要相应的对所述第一就诊医院的所述第一手术仪器信息进行分析评估,包括旋磨介入器、心脏支架、球囊导管等,从而获得合理评估数据,提高手术风险评估全面性的技术效果。
进一步而言,当满足时,根据所述第一就诊医院信息,获得所述第一手术仪器信息,本申请实施例步骤S752还包括:
步骤S7521:当所述第一流程仪器关联性不满足所述第三预定阈值时,根据所述第一就诊医院信息、所述第一手术方案信息,获得第一医院历史记录;
步骤S7522:根据所述第一医院历史记录,获得第一医院成功率;
步骤S7523:根据所述第一医院成功率、所述第一流程成熟度,获得所述第一风险程度信息。
具体而言,所述第一医院历史记录是指所述第一就诊医院历史记录中有关所述心血管手术的治疗记录,所述第一医院成功率是指所有的治疗数据统计分析得出的成功率,当所述第一流程仪器关联性不满足所述第三预定阈值时,说明手术成功对于所述第一仪器依赖度不高,因此,就需要进一步对医院的水平、医生的水平等进行评估,进而根据所述第一医院成功率、所述第一流程成熟度得出所述第一风险程度信息,提高手术风险评估的针对性的技术效果。
进一步而言,本申请实施例还包括:
步骤S7524:当所述第一医院成功率低于第四预定阈值时,获得第一用户地址信息;
步骤S7525:根据所述第一用户地址信息、所述第一手术方案信息、所述第一就诊医院信息,获得第一推荐医院;
步骤S7526:根据所述第一推荐医院、所述第一手术方案信息,获得第二风险报告。
具体而言,所述第一用户地址信息不局限于他的居住地,自己输入的地址要求都可作为相应地址。当所述第一医院成功率低于第四预定阈值时,表示所述第一就诊医院不具备治疗的技术手段,风险性相对较高,用户可以在页面上选择推荐,系统根据患者的病情和用户输入的推荐要求进行对应的要求,按照他的输入要求进行对应的医院筛选,并对应的进行风险评估进而得出对应的手术风险报告,即所述第二风险报告。根据本系统的推荐功能,达到了自主获得安全、合理、详细的汇总风险报告分析的技术效果。
进一步而言,本申请实施例还包括:
步骤S310:获得所述多组训练数据中的第一训练数据、第二训练数据直至第N训练数据,其中,N为大于1的自然数;
步骤S320:根据第一训练数据生成第一标识码,所述第一标识码所述第一训练数据一一对应;
步骤S330:根据第二训练数据和第一标识码生成第二标识码,以此类推,根据第N训练数据和第N-1标识码生成第N标识码;
步骤S340:将所述训练数据和标识码复制保存在M台电子设备上,其中,M为大于1的自然数。
具体而言,具体而言,区块链存储是根据所述第一训练数据生成第一标识码,所述第一标识码是与所述第一训练数据一一对应的;据第二训练数据和第一标识码生成第二标识码;以此类推,所述第N训练数据和第N-1标识码生成第N标识码,其中,N为大于1的自然数。将所有训练数据和标识码分别复制保存在M台设备上,其中,M为大于1的自然数。所述第一训练数据和第一标识码作为第一存储单位保存在一台设备上,所述第二训练数据和第二标识码作为第二存储单位保存在一台设备上···所述第N训练数据和所述第N标识码作为第M存储单位保存在一台设备上,当需要调用所述训练数据时,每后一个节点接收前一节点存储的数据后,通过“共识机制”进行校验后保存,通过哈希函数对于每一存储单位进行串接,使得所述训练数据不易丢失和遭到破坏,区块链技术也被称之为分布式账本技术,是一种由若干台计算设备共同参与“记账",共同维护一份完整的分布式数据库的新兴技术。由于区块链技术具有去中心化、公开透明、每台计算设备可以参与数据库记录、并且各计算设备之间可以快速的进行数据同步的特性,使得区块链技术已在众多的领域中广泛的进行应用。通过区块链的逻辑对所述训练数据进行加密处理,保证了所述训练数据的安全性,并存储于多台设备上,所述存储于多台设备上的数据通过共识机制进行处理,能够保证获得精确可靠的数据,进而有效保证所述多组训练数据的准确性和安全性,达到了准确进行手术风险评估的技术效果。
综上所述,本申请实施例所提供的一种心血管手术风险评估系统及方法具有如下技术效果:
1、由于采用了通过获得所述第一用户的检查报告和所述第一手术方案信息。并将这两个信息输入所述第一训练模型中,经过多组数据进行训练。进而获得表示第一手术方案信息与第一检查报告信息的匹配程度的所述第一匹配度。如果所述第一匹配度高,则按照手术方案进行分析,并获得对应的所述第一手术流程分解信息,包括手术流程包含的几个步骤,进而获得每个步骤对应的风险程度以及总的风险程度所述第二手术流程分解信息,最后给提供一个风险分析报告的方式。达到了自主获得安全、合理、详细的汇总风险报告分析,进而提高手术风险评估的针对性和科学性的技术效果。
2、由于采用了将所述第一检查报告信息、第一手术方案信息输入第一训练模型,再由训练模型输出所述第一匹配度的方式,基于训练模型自身能不断优化学习、获得“经验”来处理数据更准确的特点,使得所获得的所述第一匹配度更加准确,进而达到准确获得第一手术方案信息与第一检查报告信息的匹配程度,从而保证所述第一用户的手术风险评估准确性和科学性的技术效果。
3、由于采用了通过区块链的逻辑对所述训练数据进行加密处理的方式,保证所述训练数据信息的安全性,存储于多台设备上,所述存储于多台设备上的数据通过共识机制进行处理,即少数服从多数,当一台或多台设备被篡改时,只要存储正确数据的设备数量大于被篡改的设备数量,则获得的训练数据信息仍然是准确的,进一步的保证了训练数据信息的安全性,从而达到保证通过所述训练数据训练获得的训练模型的准确性,达到了准确进行手术风险评估的技术效果。
实施例二
基于与前述实施例中一种心血管手术风险评估方法同样发明构思,本发明还提供了一种心血管手术风险评估系统,如图2所示,所述系统包括:
第一获得单元11,所述第一获得单元11用于获得第一检查报告信息,其中,所述第一检查报告信息为第一用户的检查报告;
第二获得单元12,所述第二获得单元12用于获得第一手术方案信息;
第一输入单元13,所述第一输入单元13用于将所述第一检查报告信息、第一手术方案信息输入第一训练模型,其中,所述第一训练模型为多组训练数据训练获得,所述多组中的训练数据中的每一组训练数据均包括:所述第一检查报告信息、第一手术方案信息和用来标识数据匹配度的标识信息;
第三获得单元14,所述第三获得单元14用于获得所述第一训练模型的第一输出信息,其中,所述第一输出信息包括第一匹配度,所述第一匹配度用于表示第一手术方案信息与第一检查报告信息的匹配程度;
第一判断单元15,所述第一判断单元15用于判断所述第一匹配度是否满足第一预定条件;
第四获得单元16,所述第四获得单元16用于当满足所述第一匹配度满足第一预定条件时,根据所述第一手术方案信息,获得第一手术流程分解信息,其中,所述第一手术流程分解信息包括第一手术方案的步骤及对应的风险程度;
第五获得单元17,所述第五获得单元17用于当满足所述第一匹配度不满足第一预定条件时,根据所述第一匹配度,所述第一手术方案信息,获得所述第一手术流程分解信息;
第六获得单元18,所述第六获得单元18用于根据所述第一手术流程分解信息、所述第一检查报告信息,获得第二手术流程分解信息,其中,所述第二手术流程分解信息为第一用户在所述第一手术方案各步骤中对应的风险程度;
第七获得单元19,所述第七获得单元19用于根据所述第二手术流程分解信息,获得第一风险报告。
进一步的,所述系统还包括:
第八获得单元,所述第八获得单元用于根据所述第一手术方案信息,获得第一手术流程;
第九获得单元,所述第九获得单元用于根据所述第一手术流程,获得第一流程成熟度、第一流程仪器关联性;
第二判断单元,所述第二判断单元用于判断所述第一流程成熟度是否满足第二预定条件;
第十获得单元,所述第十获得单元用于当不满足时,获得第一就诊医院信息;
第十一获得单元,所述第十一获得单元用于根据所述第一就诊医院信息,获得第一手术仪器信息;
第十二获得单元,所述第十二获得单元用于根据所述第一流程仪器关联性、所述第一手术仪器信息,获得第一风险数据;
第十三获得单元,所述第十三获得单元用于根据所述第一流程成熟度、所述第一风险数据,获得第一风险程度信息;
第十四获得单元,所述第十四获得单元用于根据所述第一手术流程、所述第一风险程度信息,获得所述第一手术流程分解信息。
进一步的,所述系统还包括:
第十五获得单元,所述第十五获得单元用于当所述第一流程成熟度信息满足所述第二预定条件时,获得所述第一风险报告。
进一步的,所述系统还包括:
第三判断单元,所述第三判断单元用于判断所述第一流程仪器关联性是否满足第三预定阈值;
第十六获得单元,所述第十六获得单元用于当满足时,根据所述第一就诊医院信息,获得所述第一手术仪器信息。
进一步的,所述系统还包括:
第十七获得单元,所述第十七获得单元用于当所述第一流程仪器关联性不满足所述第三预定阈值时,根据所述第一就诊医院信息、所述第一手术方案信息,获得第一医院历史记录;
第十八获得单元,所述第十八获得单元用于根据所述第一医院历史记录,获得第一医院成功率;
第十九获得单元,所述第十九获得单元用于根据所述第一医院成功率、所述第一流程成熟度,获得所述第一风险程度信息。
进一步的,所述系统还包括:
第二十获得单元,所述第二十获得单元用于当所述第一医院成功率低于第四预定阈值时,获得第一用户地址信息;
第二十一获得单元,所述第二十一获得单元用于根据所述第一用户地址信息、所述第一手术方案信息、所述第一就诊医院信息,获得第一推荐医院;
第二十二获得单元,所述第二十二获得单元用于根据所述第一推荐医院、所述第一手术方案信息,获得第二风险报告。
进一步的,所述系统还包括:
第二十三获得单元,所述第二十三获得单元用于获得所述多组训练数据中的第一训练数据、第二训练数据直至第N训练数据,其中,N为大于1的自然数;
第一生成单元,所述第一生成单元用于根据第一训练数据生成第一标识码,所述第一标识码所述第一训练数据一一对应;
第二生成单元,所述第二生成单元用于根据第二训练数据和第一标识码生成第二标识码,以此类推,根据第N训练数据和第N-1标识码生成第N标识码;
第一保存单元,所述第一保存单元用于将所述训练数据和标识码复制保存在M台电子设备上,其中,M为大于1的自然数。
前述图1实施例一中的一种心血管手术风险评估方法的各种变化方式和具体实例同样适用于本实施例的一种心血管手术风险评估系统,通过前述对一种心血管手术风险评估方法的详细描述,本领域技术人员可以清楚的知道本实施例中一种心血管手术风险评估系统的实施方法,所以为了说明书的简洁,在此不再详述。
示例性电子设备
下面参考图3来描述本申请实施例的电子设备。
图3图示了根据本申请实施例的电子设备的结构示意图。
基于与前述实施例中一种心血管手术风险评估方法的发明构思,本发明还提供一种心血管手术风险评估系统,其上存储有计算机程序,该程序被处理器执行时实现前文所述一种心血管手术风险评估方法的任一方法的步骤。
其中,在图3中,总线架构(用总线300来代表),总线300可以包括任意数量的互联的总线和桥,总线300将包括由处理器302代表的一个或多个处理器和存储器304代表的存储器的各种电路链接在一起。总线300还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起,这些都是本领域所公知的,因此,本文不再对其进行进一步描述。总线接口306在总线300和接受器301和发送器303之间提供接口。接受器301和发送器303可以是同一个元件,即收发机,提供用于在传输介质上与各种其他系统通信的单元。
处理器302负责管理总线300和通常的处理,而存储器304可以被用于存储处理器302在执行操作时所使用的数据。
本发明实施例提供的一种心血管手术风险评估方法,所述方法包括:获得第一检查报告信息,其中,所述第一检查报告信息为第一用户的检查报告;获得第一手术方案信息;将所述第一检查报告信息、第一手术方案信息输入第一训练模型,其中,所述第一训练模型为多组训练数据训练获得,所述多组中的训练数据中的每一组训练数据均包括:所述第一检查报告信息、第一手术方案信息和用来标识数据匹配度的标识信息;获得所述第一训练模型的第一输出信息,其中,所述第一输出信息包括第一匹配度,所述第一匹配度用于表示第一手术方案信息与第一检查报告信息的匹配程度;判断所述第一匹配度是否满足第一预定条件;当满足所述第一匹配度满足第一预定条件时,根据所述第一手术方案信息,获得第一手术流程分解信息,其中,所述第一手术流程分解信息包括第一手术方案的步骤及对应的风险程度;当满足所述第一匹配度不满足第一预定条件时,根据所述第一匹配度,所述第一手术方案信息,获得所述第一手术流程分解信息;根据所述第一手术流程分解信息、所述第一检查报告信息,获得第二手术流程分解信息,其中,所述第二手术流程分解信息为第一用户在所述第一手术方案各步骤中对应的风险程度;根据所述第二手术流程分解信息,获得第一风险报告。解决了现有技术中存在手术风险评估方式存在局限性、不够全面的技术问题,达到了自主获得安全、合理、详细的汇总风险报告分析,进而提高手术风险评估的针对性和科学性的技术效果。
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,本发明可采用完全硬件实施例、完全软件实施例、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、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、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系统。
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系统的制造品,该指令系统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。尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (9)
1.一种心血管手术风险评估系统,所述系统包括:
第一获得单元,所述第一获得单元用于获得第一检查报告信息,其中,所述第一检查报告信息为第一用户的检查报告;
第二获得单元,所述第二获得单元用于获得第一手术方案信息;
第一输入单元,所述第一输入单元用于将所述第一检查报告信息、第一手术方案信息输入第一训练模型,其中,所述第一训练模型为多组训练数据训练获得,所述多组中的训练数据中的每一组训练数据均包括:所述第一检查报告信息、第一手术方案信息和用来标识数据匹配度的标识信息;
第三获得单元,所述第三获得单元用于获得所述第一训练模型的第一输出信息,其中,所述第一输出信息包括第一匹配度,所述第一匹配度用于表示第一手术方案信息与第一检查报告信息的匹配程度;
第一判断单元,所述第一判断单元用于判断所述第一匹配度是否满足第一预定条件;
第四获得单元,所述第四获得单元用于当满足所述第一匹配度满足第一预定条件时,根据所述第一手术方案信息,获得第一手术流程分解信息,其中,所述第一手术流程分解信息包括第一手术方案的步骤及对应的风险程度;
第五获得单元,所述第五获得单元用于当满足所述第一匹配度不满足第一预定条件时,根据所述第一匹配度,所述第一手术方案信息,获得所述第一手术流程分解信息;
第六获得单元,所述第六获得单元用于根据所述第一手术流程分解信息、所述第一检查报告信息,获得第二手术流程分解信息,其中,所述第二手术流程分解信息为第一用户在所述第一手术方案各步骤中对应的风险程度;
第七获得单元,所述第七获得单元用于根据所述第二手术流程分解信息,获得第一风险报告。
2.如权利要求1所述的系统,其中,其中,所述根据所述第一手术方案信息,获得第一手术流程分解信息,包括:
第八获得单元,所述第八获得单元用于根据所述第一手术方案信息,获得第一手术流程;
第九获得单元,所述第九获得单元用于根据所述第一手术流程,获得第一流程成熟度、第一流程仪器关联性;
第二判断单元,所述第二判断单元用于判断所述第一流程成熟度是否满足第二预定条件;
第十获得单元,所述第十获得单元用于当不满足时,获得第一就诊医院信息;
第十一获得单元,所述第十一获得单元用于根据所述第一就诊医院信息,获得第一手术仪器信息;
第十二获得单元,所述第十二获得单元用于根据所述第一流程仪器关联性、所述第一手术仪器信息,获得第一风险数据;
第十三获得单元,所述第十三获得单元用于根据所述第一流程成熟度、所述第一风险数据,获得第一风险程度信息;
第十四获得单元,所述第十四获得单元用于根据所述第一手术流程、所述第一风险程度信息,获得所述第一手术流程分解信息。
3.如权利要求2所述的系统,其中,所述判断所述第一流程成熟度是否满足第二预定条件之后,包括:
第十五获得单元,所述第十五获得单元用于当所述第一流程成熟度信息满足所述第二预定条件时,获得所述第一风险报告。
4.如权利要求2所述的系统,其中,所述根据所述第一就诊医院信息,获得第一手术仪器信息之前,包括:
第三判断单元,所述第三判断单元用于判断所述第一流程仪器关联性是否满足第三预定阈值;
第十六获得单元,所述第十六获得单元用于当满足时,根据所述第一就诊医院信息,获得所述第一手术仪器信息。
5.如权利要求4所述的系统,其中,所述判断所述第一流程仪器关联性是否满足第三预定阈值之后,包括:
第十七获得单元,所述第十七获得单元用于当所述第一流程仪器关联性不满足所述第三预定阈值时,根据所述第一就诊医院信息、所述第一手术方案信息,获得第一医院历史记录;
第十八获得单元,所述第十八获得单元用于根据所述第一医院历史记录,获得第一医院成功率;
第十九获得单元,所述第十九获得单元用于根据所述第一医院成功率、所述第一流程成熟度,获得所述第一风险程度信息。
6.如权利要求5所述的系统,其中,所述根据所述第一提醒指令,向所述第一监护人发送第一提醒信息,所述系统还包括:
第二十获得单元,所述第二十获得单元用于当所述第一医院成功率低于第四预定阈值时,获得第一用户地址信息;
第二十一获得单元,所述第二十一获得单元用于根据所述第一用户地址信息、所述第一手术方案信息、所述第一就诊医院信息,获得第一推荐医院;
第二十二获得单元,所述第二十二获得单元用于根据所述第一推荐医院、所述第一手术方案信息,获得第二风险报告。
7.如权利要求1所述的系统,其中,所述系统还包括:
第二十三获得单元,所述第二十三获得单元用于获得所述多组训练数据中的第一训练数据、第二训练数据直至第N训练数据,其中,N为大于1的自然数;
第一生成单元,所述第一生成单元用于根据第一训练数据生成第一标识码,所述第一标识码所述第一训练数据一一对应;
第二生成单元,所述第二生成单元用于根据第二训练数据和第一标识码生成第二标识码,以此类推,根据第N训练数据和第N-1标识码生成第N标识码;
第一保存单元,所述第一保存单元用于将所述训练数据和标识码复制保存在M台电子设备上,其中,M为大于1的自然数。
8.一种心血管手术风险评估方法,其中,所述方法包括:
获得第一检查报告信息,其中,所述第一检查报告信息为第一用户的检查报告;
获得第一手术方案信息;
将所述第一检查报告信息、第一手术方案信息输入第一训练模型,其中,所述第一训练模型为多组训练数据训练获得,所述多组中的训练数据中的每一组训练数据均包括:所述第一检查报告信息、第一手术方案信息和用来标识数据匹配度的标识信息;
获得所述第一训练模型的第一输出信息,其中,所述第一输出信息包括第一匹配度,所述第一匹配度用于表示第一手术方案信息与第一检查报告信息的匹配程度;
判断所述第一匹配度是否满足第一预定条件;
当满足所述第一匹配度满足第一预定条件时,根据所述第一手术方案信息,获得第一手术流程分解信息,其中,所述第一手术流程分解信息包括第一手术方案的步骤及对应的风险程度;
当满足所述第一匹配度不满足第一预定条件时,根据所述第一匹配度,所述第一手术方案信息,获得所述第一手术流程分解信息;
根据所述第一手术流程分解信息、所述第一检查报告信息,获得第二手术流程分解信息,其中,所述第二手术流程分解信息为第一用户在所述第一手术方案各步骤中对应的风险程度;
根据所述第二手术流程分解信息,获得第一风险报告。
9.一种心血管手术风险评估系统,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,其中,所述处理器执行所述程序时实现权利要求1-7任一项所述系统的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011633273.1A CN112466426A (zh) | 2020-12-31 | 2020-12-31 | 一种心血管手术风险评估系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011633273.1A CN112466426A (zh) | 2020-12-31 | 2020-12-31 | 一种心血管手术风险评估系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112466426A true CN112466426A (zh) | 2021-03-09 |
Family
ID=74802257
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011633273.1A Pending CN112466426A (zh) | 2020-12-31 | 2020-12-31 | 一种心血管手术风险评估系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112466426A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN113223703A (zh) * | 2021-05-19 | 2021-08-06 | 中科彭州智慧产业创新中心有限公司 | 一种基于大数据评估中医理疗的方法及装置 |
CN113380391A (zh) * | 2021-06-24 | 2021-09-10 | 南通市第一人民医院 | 一种骨科植入物的智能管理方法及系统 |
CN114639478A (zh) * | 2022-03-09 | 2022-06-17 | 曜立科技(北京)有限公司 | 一种基于心脏瓣膜病的超声监测系统 |
CN116936059A (zh) * | 2023-09-15 | 2023-10-24 | 四川省肿瘤医院 | 术前多学科讨论智能审核系统及方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109191508A (zh) * | 2018-09-29 | 2019-01-11 | 深圳阜时科技有限公司 | 一种模拟整容装置、模拟整容方法及设备 |
CN109545388A (zh) * | 2018-10-27 | 2019-03-29 | 平安医疗健康管理股份有限公司 | 一种医学风险控制方法、服务器及存储介质 |
CN111899837A (zh) * | 2020-08-17 | 2020-11-06 | 江苏达实久信数字医疗科技有限公司 | 一种基于数字化手术室的手术报告协同方法及系统 |
CN112098814A (zh) * | 2020-11-04 | 2020-12-18 | 上海菲莱测试技术有限公司 | 一种提高芯片测试温度控制精度的方法和装置 |
CN112133385A (zh) * | 2020-09-14 | 2020-12-25 | 黄军彩 | 一种问诊信息采集分析系统及采集分析方法 |
-
2020
- 2020-12-31 CN CN202011633273.1A patent/CN112466426A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109191508A (zh) * | 2018-09-29 | 2019-01-11 | 深圳阜时科技有限公司 | 一种模拟整容装置、模拟整容方法及设备 |
CN109545388A (zh) * | 2018-10-27 | 2019-03-29 | 平安医疗健康管理股份有限公司 | 一种医学风险控制方法、服务器及存储介质 |
CN111899837A (zh) * | 2020-08-17 | 2020-11-06 | 江苏达实久信数字医疗科技有限公司 | 一种基于数字化手术室的手术报告协同方法及系统 |
CN112133385A (zh) * | 2020-09-14 | 2020-12-25 | 黄军彩 | 一种问诊信息采集分析系统及采集分析方法 |
CN112098814A (zh) * | 2020-11-04 | 2020-12-18 | 上海菲莱测试技术有限公司 | 一种提高芯片测试温度控制精度的方法和装置 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN113223703A (zh) * | 2021-05-19 | 2021-08-06 | 中科彭州智慧产业创新中心有限公司 | 一种基于大数据评估中医理疗的方法及装置 |
CN113380391A (zh) * | 2021-06-24 | 2021-09-10 | 南通市第一人民医院 | 一种骨科植入物的智能管理方法及系统 |
CN114639478A (zh) * | 2022-03-09 | 2022-06-17 | 曜立科技(北京)有限公司 | 一种基于心脏瓣膜病的超声监测系统 |
CN114639478B (zh) * | 2022-03-09 | 2023-01-10 | 曜立科技(北京)有限公司 | 一种基于心脏瓣膜病的超声监测系统 |
CN116936059A (zh) * | 2023-09-15 | 2023-10-24 | 四川省肿瘤医院 | 术前多学科讨论智能审核系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112466426A (zh) | 一种心血管手术风险评估系统及方法 | |
Myers et al. | Artificial intelligence and orthopaedics: an introduction for clinicians | |
Grundmeier et al. | Identification of long bone fractures in radiology reports using natural language processing to support healthcare quality improvement | |
Lee et al. | Automated bone age assessment using artificial intelligence: the future of bone age assessment | |
Barhoom et al. | Deep Learning-Xception Algorithm for Upper Bone Abnormalities Classification | |
Chen et al. | Point/counterpoint: artificial intelligence in healthcare | |
Al-Hammuri et al. | Vision transformer architecture and applications in digital health: a tutorial and survey | |
CN114300079B (zh) | 病例讨论报告的获取方法、电子设备及存储介质 | |
AlGhaithi et al. | Artificial intelligence application in bone fracture detection | |
Gabriel et al. | An ensemble learning approach to improving prediction of case duration for spine surgery: algorithm development and validation | |
CN114512235A (zh) | 一种骨折创伤信息处理方法及系统 | |
Abd-Alrazaq et al. | Wearable artificial intelligence for detecting anxiety: systematic review and meta-analysis | |
Aldhoayan et al. | A machine learning model for predicting the risk of readmission in community-acquired pneumonia | |
Shahn et al. | G-computation and hierarchical models for estimating multiple causal effects from observational disease registries with irregular visits | |
Hussain et al. | Bone fracture detection—Can artificial intelligence replace doctors in orthopedic radiography analysis? | |
Al-Sit et al. | Iomt-based healthcare framework for ambient assisted living using a convolutional neural network | |
CN113066531B (zh) | 风险预测方法、装置、计算机设备及存储介质 | |
Li | Application of BP neural network algorithm in biomedical diagnostic analysis | |
US20160350506A1 (en) | Systems and methods to model and measure joint disorder treatment efficacy | |
Doval et al. | Is our effort appropriately valued? An analysis of work relative value units in immediate breast reconstruction | |
CN113674827A (zh) | 电子病历的生成方法、装置、电子设备及计算机可读介质 | |
Pinkster et al. | Developing a patient satisfaction measure for imaging-based patient information during clinical consultations | |
Abd-Alrazaq et al. | The performance of wearable AI in detecting stress among students: systematic review and Meta-analysis | |
Tanikawa et al. | Machine learning for facial recognition in orthodontics | |
Ali et al. | Cranio-maxillofacial post-operative face prediction by deep spatial multiband VGG-NET CNN |
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: 20210309 |