CN112466459B - 静脉血栓栓塞症主动预测、预警及全周期智能化管理系统 - Google Patents

静脉血栓栓塞症主动预测、预警及全周期智能化管理系统 Download PDF

Info

Publication number
CN112466459B
CN112466459B CN202010485529.2A CN202010485529A CN112466459B CN 112466459 B CN112466459 B CN 112466459B CN 202010485529 A CN202010485529 A CN 202010485529A CN 112466459 B CN112466459 B CN 112466459B
Authority
CN
China
Prior art keywords
vte
data
layer
prediction
medical
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.)
Active
Application number
CN202010485529.2A
Other languages
English (en)
Other versions
CN112466459A (zh
Inventor
曾国军
赵纪春
梁继良
张涛
程志新
刘杰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Uxsino Software Co ltd
West China Hospital of Sichuan University
Original Assignee
Beijing Uxsino Software Co ltd
West China Hospital of Sichuan University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Uxsino Software Co ltd, West China Hospital of Sichuan University filed Critical Beijing Uxsino Software Co ltd
Priority to CN202010485529.2A priority Critical patent/CN112466459B/zh
Publication of CN112466459A publication Critical patent/CN112466459A/zh
Application granted granted Critical
Publication of CN112466459B publication Critical patent/CN112466459B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G16H50/20—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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
    • G06F16/367—Ontology
    • 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
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
    • 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
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/10—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to patients
    • 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
    • G16H50/70—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
    • 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
    • G16H70/00—ICT specially adapted for the handling or processing of medical references
    • G16H70/40—ICT specially adapted for the handling or processing of medical references relating to drugs, e.g. their side effects or intended usage

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)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Medicinal Chemistry (AREA)
  • Pathology (AREA)
  • Chemical & Material Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Animal Behavior & Ethology (AREA)
  • Pharmacology & Pharmacy (AREA)
  • Toxicology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Computational Linguistics (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Medical Treatment And Welfare Office Work (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

本发明公开一种静脉血栓栓塞症主动预测、预警及全周期智能化管理系统，包括AI VTE智能预测诊疗流程，所述AI VTE智能预测诊疗流程包括以下步骤：a、通过医疗大数据引擎自动获取数据，所述数据包括静脉血栓栓塞症患者的病历；b、AI病情分析和VTE特征提取；c、AI智能模型评估；d、输出评估评估结果至血管中心。本发明采用大数据与人工智能的结合，可以针对VTE进行可能存在的风险进行主动预测、主动预警，并构建临床辅助决策系统，帮助医护人员进行有效、合理的干预措施，减少进而避免漏诊、误诊、错误用药等，最终实现VTE防控的高效、精准、主动与智能化。

Description

静脉血栓栓塞症主动预测、预警及全周期智能化管理系统
技术领域
本发明涉及AI技术领域，尤其涉及一种静脉血栓栓塞症主动预测、预警及全周期智能化管理系统。
背景技术
人工智能的浪潮正席卷着各个行业，而作为行业中相对成熟的领域，医疗被认为是人工智能最先落地的部分。伴随着经济快速发展、民众生活水平的提升，以及人口老龄化的到来，人们对于医疗健康的需要日益增长。这就催生了对人工智能(AI)医疗的巨大需求，可以说，人工智能技术已成为解决医疗问题的突破口。
事实上，早在1972年，人工智能在医疗领域的应用就已开始，英国利兹大学尝试用人工智能的算法进行腹部疼痛的判断。2011年，IBM公司正式启动人工智能认知系统Watson，IBM Watson可以在10分钟内阅读和剖析20万份医学文献、论文和病理，协助医生提供个性化专业治疗建议。2015年，谷歌对企业架构进行调整，成立母公司Alphabet。Verily、DeepMind和Calico是Alphabet旗下专注于使用AI来解决疾病，从监测、检测到生活方式管理。其中，DeepMind开发的系统依照光学相干断层扫描(OCT)数据进行诊断，可以识别50种左右的眼部疾病。2016年，微软公布了研发微软人工智能医疗项目Hanover，该项目涉及开发计算方法推动癌症治疗、采用机器学习和图像处理技术帮助放射医生了解肿瘤扩展过程。2018年，亚马逊成立了一个医疗健康团队，将通过Alexa智能语音助手，对新生儿、产妇照顾、糖尿病管理，以及衰老问题等提供各种医疗保健服务。
在国内，人工智能在医疗领域的发展同样是如火如荼。虽然我国医疗人工智能领域的研究比发达国家晚，但是发展速度却十分迅猛。2016年，百度推出了人工智能在医疗健康领域的最新成果-百度医疗大脑。百度医疗大脑是通过海量的数据、专业文献的采集与分析，进行人工智能化的产品设计，模拟医生问诊流程，根据用户症状，提出可能出现的问题，经过反复验证最终给出建议。节省了医生的时间，提升了问诊过程效率。2017年，阿里巴巴旗下阿里云宣布推出了人工智能系统ET医疗大脑。ET医疗大脑可在患者虚拟助理、医学影像、药效挖掘、新药研发、健康管理等领域承担医生助手的角色。目前，ET医疗大脑可以辅助医生判断甲状腺结节点，通过计算机视觉技术，在甲状腺B超影像上圈出结节点，并给出良性或者恶性的判断。2017年，腾讯公司推出了将人工智能技术应用到医学领域的AI医学影像产品：腾讯觅影。通过人工智能技术，让癌症的早期筛查变得更加精准。目前，腾讯觅影已经能够支持肺癌、宫颈癌、糖尿病视网膜病变等筛查。此外，腾讯旗下的微信用户在2018年突破了10亿，截至2018年大约有3.8万家医疗机构开设了微信账号，其中约有60％允许用户在线挂号，超过两千家医院接受微信支付。
静脉血栓栓塞症(VTE)是指血液在静脉内不正常凝结，导致静脉完全或部分阻塞，包括深静脉血栓形成(DVT)和肺动脉栓塞(PE)，是同一种疾病的不同部分和不同阶段，常急性发作，一旦发生严重肺动脉栓塞，可危及生命。VTE是继缺血性心脏病和卒中之后位列第三的最常见的心血管疾病，全球范围内每年的VTE例数可达近1000万例，多达60％的VTE事件发生在住院期间或出院后，已成为主要的可预防的院内死亡原因。我国VTE患病率在ICU患者中为27％，脑卒中患者中为12.4％～21.7％，骨科甚至达到40％，构成了重大的公共健康问题。中国住院患者发生VTE的风险比例和欧美相仿，但仅有极少数(内科2.20％、外科4.00％)完全依从指南采取预防措施，这意味着相当一部分患者最终将真正发生VTE，其中一部分因深静脉血栓脱落可能形成肺栓塞(PE)并危及生命。针对VTE，预防甚至比治疗更重要，我们需要及时发现VTE高危、极高危以及确诊患者，及时给予有效的干预措施，目前针对VTE的风险评估主要应用的是Caprini评分，然而一方面全国大多数医院还是停留在纸质版评分表，缺乏信息化手段，更谈不上大数据、人工智能主动预测预警；同时患者VTE的高危因素远远不止Caprini评分量表上的几十个危险因素，大量的潜在风险，包括海量的临床数据、组学数据、健康档案数据、循证医学数据、生活方式数据、遗传因素、气候因素、社会因素、医疗因素等都可能影响VTE的发生几率，而这些都需要大数据与人工智能的支撑和实现。
大数据时代，疾病管理模式需要与时俱进，国家卫健委提出搭建中国VTE患者管理信息平台，驱动人工智能应用，推进全程VTE疾病管理，目前全国大多数医院针对VTE缺乏有效的信息化评估手段，利用人工智能技术对VTE的预防诊断处于探索阶段。
VTE：静脉血栓栓塞症(VTE)是指血液在静脉内不正常凝结，导致静脉完全或部分阻塞，包括深静脉血栓形成(DVT)和肺动脉栓塞(PE)。VTE是继缺血性心脏病和卒中之后位列第三的最常见的心血管疾病。致病因素有血流缓慢、静脉壁损伤和高凝状态三大因素。VTE若不能及时诊断和处理，一旦血栓脱落导致PE，可危及生命，或者演变为血栓形成后遗症，长时间影响患者的生活质量。
大数据(Big Data)，是指无法在一定时间范围内用常规软件工具进行采集、管理和处理的数据集合，需要新的处理模式才能具有更强决策力、洞察力和优化能力的海量、多样化的信息资产。大数据不用随机分析法进行抽样调查这样的捷径，而是对所有数据进行分析处理，具有大量、高速、多样、价值、质量、可变等特点。
人工智能：人工智能(Artificial Intelligence)，英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。人工智能是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。
目前针对VTE风险评估包括团体风险和个人风险评估。团体风险是将患者从总体上进行风险分类，个人风险是通过风险评分方法来确定个人的风险。个人风险评估包括Autar血栓风险评估量表、JFK医学中心血栓评估表、Caprini血栓评估表、Padua预测评分表、RAP评分法。目前针对VTE风险评估应用比较多的是Caprini评分，尤其是外科患者，针对内科患者，Caprini评分也同样适用，2015年《内科住院患者VTE预防的中国专家建议》中针对内科患者也推荐了Padua评估量表。目前国内多数医院应用的评分表是Caprini血栓评估表(表1)和Padua预测评分表(表2)。
表1 Caprini血栓评估表
Figure BDA0002519033010000041
风险因素总分:
Figure BDA0002519033010000042
Figure BDA0002519033010000051
□门诊小手术，无需VTE预防
□VTE预防禁忌症
抗凝药物的使用禁忌
Figure BDA0002519033010000052
物理预防的使用禁忌]9[
·充血行心力衰竭，肺水肿或下肢水肿
·下肢静脉血栓症，血栓(性)静脉炎或肺栓塞
·间歇充气加压装置和梯度压力弹力袜不适用于下肢局部情况异常(如皮炎，坏疸，近期接受皮肤移植手术)，下肢血管严重动脉硬化或其他缺血性血管病，下肢严重畸形等。
表2 Padua预测评分表
Figure BDA0002519033010000053
现有技术存在下述缺陷：
1、人工针对VTE的预防与诊断具有技术瓶颈，需要专业培训
VTE高危、极高危和确诊患者可能存在于所有的科室，对于VTE风险因素各个科室的医生护士都要熟悉，有的甚至需要专业培训。
2、人工预测效率低下
人工评估需要针对每一个患者进行各个风险逐项核查，有的评分项还要去核查病例、检验或者影像检查结果，并对阳性的评分项进行计算分值，效率较低。
3、人工无法实现的对VTE的精准预测
VTE的预测预防是目前针对VTE最有效的方法，但是人工仅通过传统的表格统计等无法做到精准的预测，实际工作中存在医护人员难以认真逐项核查每个评分项，而且对核查后的评分项进行人工计算总分时存在计算错误的概率。
4、人工无法精准跟踪具体某个患者VTE的发展趋势
从患者入院到术后康复，VTE一直是患者的潜在风险，目前人工无法做到对患者VTE的全程动态跟踪。
5、人工缺少智能临床辅助决策
繁重的临床工作中，有时候医护人员难以全面了解患者是否存在抗凝禁忌，或者使用不同药物存在的药物禁忌，比如血小板低，凝血功能障碍，肝功能障碍，肾功能障碍等。
6、人工无法主动预测
针对患者人工只能进行风险评估，无法主动预测未来时间段发生VTE的概率，更无法通过改变现在的高危因素来主动预测未来发生VTE概率的变化。
7、人工预警效率低下
针对VTE高危、极高危和确诊患者，通过人工手段，耗时耗力，容易遗漏，缺少办公自动化OA系统的流程设计与提醒、反馈、报警等功能。
8、人工无法实现对VTE大数据的综合分析从而得出整体性的分析结果
VTE的影响因素有很多，随着大数据技术的应用与发展，越来越需要对已有的VTE大数据进行智能分析，从而得出符合医疗需求的整体性分析结果，但是目前传统的方法显然无法做到。
9、人工无法实现后台强制执行
很多医院，VTE防控工作难以落实到位，这和人工模式无法实现强制执行有关。人力难以监督和管控每一个患者是否都进行了风险评估，是否每一个高危、极高危患者都实现进行了预防措施，是否每一个VTE患者都给予了及时、规范、合理的治疗。
10、人工难以实现过去、现在、未来不同时间节点、时间段的统计管理与预测。
大数据，通过人工，几乎无法实现对过去某个时间段、现在以及未来时间段VTE发生的风险统计、监控和预测等。
发明内容
本发明旨在提供一种静脉血栓栓塞症主动预测、预警及全周期智能化管理系统，采用大数据与人工智能的结合，通过数据挖掘、数据科学、机器学习、深度学习，将大量的临床数据、组学数据、健康档案数据、循证医学数据、生活方式数据进行分析，以现有的信息系统为基础，开辟不同系统间数据通道，对现在的、过去的、分散的各种数据进行钻取和整合，迅速激活大量电子数据，可以针对VTE进行可能存在的风险进行主动预测、主动预警，并构建临床辅助决策系统，帮助医护人员进行有效、合理的干预措施，减少进而避免漏诊、误诊、错误用药等，最终实现VTE防控的高效、精准、主动与智能化。
为达到上述目的，本发明是采用以下技术方案实现的：
本发明公开的静脉血栓栓塞症主动预测、预警及全周期智能化管理系统，包括AIVTE智能预测诊疗流程，所述AI VTE智能预测诊疗流程包括以下步骤：
a、通过医疗大数据引擎自动获取数据，所述数据包括静脉血栓栓塞症患者的病历；
b、AI病情分析和VTE特征提取；
c、AI智能模型评估；
d、输出评估评估结果至血管中心。
优选的，所述病历包括前期的静脉血栓栓塞症患者的VTE诊断信息，步骤a还包括AI自动根据病情变化重复通过医疗大数据引擎自动获取数据。
进一步的，步骤c还包括通过AI接受评价反馈完善模型。
优选的，所述病历通过AI病历提取模块提取，所述AI病历提取模块包括数据层、知识层和应用层，所述数据层包括数据准备以及人机协同图谱构建平台，所述知识层包括可视化辅助推理系统、专家规则知识库和医疗图谱，所述医疗图谱包括VTE图谱，所述应用层包括概率图模型，所述概率图模型包含深度学习；应用层调用知识层，知识层调用数据层。
优选的，本发明的系统构架包括UI界面层、VTE展示层、VTE业务层、VTE数据层以及VTE数据库层，所述VTE业务层、VTE数据层共享日志记录，所述VTE展示层、VTE业务层、VTE数据层共享权限控制。
优选的，所述UI界面层包括以下模块：Html、CSS、jQuery、图片。
优选的，所述VTE展示层包括以下模块：模板引擎渲染、Ajax交互，所述Ajax交互用于发出POST请求和Get请求。
优选的，所述VTE业务层包括以下模块：VTE电子病历、VTE嵌入式预警、VTE专病数据库、反馈管理中心、数据与检查中心、经验同步引擎、多算法协同引擎、多中心管理、系统配置、用户管理、系统日志。
优选的，所述VTE数据层包括以下模块：存储过程、书记缓存、自定义函数、事务、读写数据库、数据备份。
优选的，所述VTE数据库层包括数据库集群和服务器集群，以及连接数据库集群和服务器集群的运行环境，所述数据库集群和服务器集群位于云端。
本发明的有益效果如下：
1、解决人工针对VTE的预防与诊断具有技术瓶颈问题
VTE的预防与诊断存在于各个科室，各个医生护士都要掌握相应的知识从而应用于术前准备以及术后恢复等，对于各个医生护士专业性的要求本身存在一定的技术瓶颈。
本发明的应用使得各个医生和护士可以突破自己的技术瓶颈，利用软件系统的辅助医疗，只需要在手机或者电脑上打开该应用，即可根据系统中患者的各种检查数据，以及人工智能辅助决策系统提供的结果进行决策，并且大部分评估项目通过系统自动识别结构化的电子病历和检查检验结果自动得出，从而打破了目前存在的医生护士的技术瓶颈问题。
2、解决人工预测效率低下的问题
本发明应用医护人员在电脑或手机端打开后，大部分风险评分项目后台已经自动识别，医护人员只需要审核或对有修改的项调整即可，并且实时更改风险评估总分，点击确认即可，耗时可以少到数秒。
3、解决VTE的精准预测问题
VTE的微信因素众多，远远不是我们看到的数十个危险因素决定，还存在很多危险因素，需要通过大数据和人工智能的帮助，纳入大量的真实数据来深度挖掘和学习，逐步实现精准预测。
人工仅通过传统的表格统计等无法做到精准的预测，或者预测准确率比较底。
计算和分析是计算机人工智能的优势，因为传统方式，必然存在人为因素，以及本身VTE传统预测方法的影响，而使得预测准确率相对低，人工智能辅助预测发挥起计算优势，综合对所有动态的因素进行动态的分析，从而使得计算的范围增大，时效性增强，从而准确率提高。
4、解决宏观上公共卫生统计与微观精准跟踪单个患者VTE的发展趋势问题
宏观上，VTE的风险需要从公共卫生统计角度，统计区域乃至全国高危VTE人群，并进行防控，预警。可以是一个医疗组患者，科室，内外科，医院，市、省、区域、全国等不同范围，从宏观上实时统计和把控。
微观上，单个患者，从患者入院到术后康复，VTE一直是患者的潜在风险，目前人工无法做到对患者VTE的全程动态跟踪。
人工智能可以从患者入院开始对他的每时每刻的身体指标等进行动态的分析，一直到患者出院、甚至终生都可以对其数据进行跟踪，从而做到对患者个性化的全程的动态跟踪
5、解决智能临床辅助决策问题
通过智能系统自动读取患者电子病历和检查检验结果数据，整理相关风险，提醒医护人员患者是否存在抗凝禁忌，或者使用不同药物存在的药物禁忌，比如血小板低，凝血功能障碍，肝功能障碍，肾功能障碍等，在医护人员用药存在用药疏漏甚至错误时，及时提醒医护人员，辅助临床决策。
6、解决主动预测问题
在大数据基础上，人工智能可以通过不断学习，预测未来时间段发生VTE的概率，还可以通过改变现在的高危因素来主动预测未来发生VTE概率的变化。
7、高效的自动预警
通过平台，与HIS系统整合，互联网医院平台、微信企业号、电话短信等多种方式，以办公自动化OA系统的流程设计与提醒、反馈、报警等功能，实现VTE高危、极高危和确诊的快速自动预警，可以达到0延误。
8、解决人工无法实现对VTE大数据的综合分析从而得出整体性的分析结果问题
VTE的影响因素有很多，随着大数据技术的应用与发展，越来越需要对已有的VTE大数据进行智能分析，从而得出符合医疗需求的整体性分析结果，但是目前传统的方法显然无法做到。
从海量VTE数据中获得人工无法获得的某些因素对VTE的预测结果的影响是大数据的优势所在，除此之外利用大数据技术，可以为VTE专家对于VTE整体预测预防工作的宏观决策提供重要的辅助，从而整体上影响VTE预测工作的标准和方法。
9、通过后台强制执行以及临床路径流程化解决VTE防控落实问题
后台一是可以检测电子病历，如果没有完成VTE风险评估、处理等工作，电子病历质量检测考核不通过，该患者病例无法完成提交归档；二是可以在系统实现临床路径流程强制化，医护人员必须在相应页面完成相应操作，比如选择物理治疗、药物治疗、手术(不定项)等方案路径，并按相应路径完成医嘱执行，该流程才算结束，系统不再强制性弹出报警窗口。
10、解决过去、现在、未来不同时间节点、时间段的VTE高危和确诊患者的统计、监控和预测
通过大数据和人工智能，实现对过去、现在、未来不同时间节点、时间段的统计管理、风险统计、监控和预测等。
11、区域VTE防控
VTE防控，不局限于单个医院，在不同区域，跨越县、市、省、地区甚至全国，在互联网平台支撑下都可以实现主动预测、预警和全关管理、防控。
12、医联体VTE防控
VTE防控，不局限于单个医院，对于医联体单位，多个医疗机构，在互联网平台支撑下都可以实现主动预测、预警和全关管理、防控。
13、国际VTE防控
VTE防控，不局限于某一个国家，对于全球多国及其所在国家医疗机构，在互联网平台支撑下都可以实现主动预测、预警和全关管理。
14、整体上打破医院VTE预测预防的技术瓶颈，特别是对于医疗技术落后地区的医疗部门
本发明的实践应用，以及在全国各个医院的推广将会整体上打破医院VTE预测预防的技术瓶颈，是短时间内解决整体性医疗困境的最好尝试。特别是对于医疗技术落后地区，VTE预测预防手段落后、医生护士技术不可能在短时间内得到快速提升，该系统的应用相当于为这些医院配备了无数个VTE预测预防医学博士机器人，可以在短时间内实现快速的与现有医疗人员工作的无缝斜街。
15、提高VTE预测诊断的准确率和精准度，降低患者死亡率
目前VTE的预测与预防是公认的降低患者死亡率的主要方法和手段，当该系统得到普遍应用后，其动态的精准性跟踪患者指标、动态性给出智能化预测结果以及相应的辅助建议、以及系统本身具有的人工智能自我学习功能对自身辅助决策功能的自我完善等等将大大提高VTE预测诊断的准确率和精准度，从而降低患者的死亡率。
16、建立起全国VTE大数据平台，对于VTE诊断预测的研究和应用有不可估量的价值
目前我国尚未建立起针对VTE的专业的大数据平台，本系统在全国医院的普及应用，可以建立起我国VTE专业的大数据平台，实现VTE海量数据的动态维护与分析，为VTE预测诊断的整体性研究提供重要的数据支持，对于VTE预测诊断标准的更新提供重要依据。
17、随着5G技术的广泛应用，本发明更是可以广泛应用于与各种互联网医院平台的整合，更大范围内实现其作用，是全国互联网医疗事业发展的重要技术实践。
随着5G技术的商业应用的广泛推广，国家对于互联网医院发展的推进，本系统可以实现和各种互联网医院平台的整合，实现数据的互联共享，为医生决策提供更快更精准的数据支持，更大范围内实现其作用，同时也是全国互联网医疗事业发展的重要技术实践。
附图说明
图1为本发明的构架图；
图2为本发明涉及深度学习部分的示意图；
图3为AI病历提取的技术方案示意图；
图4为AI VTE智能预测诊疗技术方案流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图，对本发明进行进一步详细说明。
本发明主要是以应用与电脑端的软件系统和应用于手机端的手机客户端为最终应用形式。通过利用计算机软件技术实现对VTE的辅助预防与诊断。
如图1所示，本发明的整个系统总架构上总体性分为五个层次：即前端的UI界面层、VTE展示层、VTE业务层、VTE数据层以及VTE数据库层,VTE数据库为云端数据库。具体如下：
包括UI界面层、VTE展示层、VTE业务层、VTE数据层以及VTE数据库层，VTE业务层、VTE数据层共享日志记录，VTE展示层、VTE业务层、VTE数据层共享权限控制。UI界面层包括以下模块：Html、CSS、jQuery、图片。VTE展示层包括以下模块：模板引擎渲染、Ajax交互，所述Ajax交互用于发出POST请求和Get请求。VTE业务层包括以下模块：VTE电子病历、VTE嵌入式预警、VTE专病数据库、反馈管理中心、数据与检查中心、经验同步引擎、多算法协同引擎、多中心管理、系统配置、用户管理、系统日志。VTE数据层包括以下模块：存储过程、书记缓存、自定义函数、事务、读写数据库、数据备份。VTE数据库层包括数据库集群和服务器集群，以及连接数据库集群和服务器集群的运行环境，数据库集群和服务器集群位于云端。
如图2所示，从系统架构设计来看，整个系统突出多中心经验协同办公、实现了整个过程中的利用人工智能学习监督闭环反馈达到对整个技术的不断自我完善、多场景的细化算法保证的最终VTE预测的准确率和实用性、多层次混合算法突出了大数据应用的优势，也是整个系统核心所在。
如图3所示，AI病历提取的技术方案是基于人工智能目前表现优秀的知识图谱、深度学习等技术来实现。具体的：
病历通过AI病历提取模块提取，AI病历提取模块包括数据层、知识层和应用层，所述数据层包括数据准备以及人机协同图谱构建平台，所述知识层包括可视化辅助推理系统、专家规则知识库和医疗图谱，医疗图谱包括VTE图谱，应用层包括概率图模型，概率图模型包含深度学习；应用层调用知识层，知识层调用数据层。
如图4所示，AI VTE智能预测诊疗技术的每个环节的实现背后都有一套AI智能技术作为支撑。具体的：
AI VTE智能预测诊疗流程包括以下步骤：
a、通过医疗大数据引擎自动获取数据，所述数据包括静脉血栓栓塞症患者的病历；
b、AI病情分析和VTE特征提取；
c、AI智能模型评估；
d、输出评估评估结果至血管中心。
步骤a还包括AI自动根据病情变化重复通过医疗大数据引擎自动获取数据。
当然，本发明还可有其它多种实施例，在不背离本发明精神及其实质的情况下，熟悉本领域的技术人员可根据本发明作出各种相应的改变和变形，但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。

Claims (8)

1.静脉血栓栓塞症主动预测、预警及全周期智能化管理系统，其特征在于，包括AI VTE智能预测诊疗流程，所述AI VTE智能预测诊疗流程包括以下步骤：
a、通过医疗大数据引擎自动获取数据，所述数据包括静脉血栓栓塞症患者的病历；
b、AI病情分析和VTE特征提取；
c、AI智能模型评估；
d、输出评估结果至血管中心；
所述病历通过AI病历提取模块提取，所述AI病历提取模块包括数据层、知识层和应用层，所述数据层包括数据准备以及人机协同图谱构建平台，所述知识层包括可视化辅助推理系统、专家规则知识库和医疗图谱，所述医疗图谱包括VTE图谱，所述应用层包括概率图模型，所述概率图模型包含深度学习；应用层调用知识层，知识层调用数据层；
所述AI VTE智能预测诊疗流程的系统构架包括UI界面层、VTE展示层、VTE业务层、VTE数据层以及VTE数据库层，所述VTE业务层、VTE数据层共享日志记录，所述VTE展示层、VTE业务层、VTE数据层共享权限控制。
2.根据权利要求1所述的静脉血栓栓塞症主动预测、预警及全周期智能化管理系统，其特征在于，所述病历包括前期的静脉血栓栓塞症患者的VTE诊断信息，步骤a还包括AI自动根据病情变化重复通过医疗大数据引擎自动获取数据。
3.根据权利要求1所述的静脉血栓栓塞症主动预测、预警及全周期智能化管理系统，其特征在于，步骤c还包括通过AI接受评价反馈完善模型。
4.根据权利要求1所述的静脉血栓栓塞症主动预测、预警及全周期智能化管理系统，其特征在于，所述UI界面层包括以下模块：Html、CSS、jQuery、图片。
5.根据权利要求1所述的静脉血栓栓塞症主动预测、预警及全周期智能化管理系统，其特征在于，所述VTE展示层包括以下模块：模板引擎渲染、Ajax交互，所述Ajax交互用于发出POST请求和Get请求。
6.根据权利要求1所述的静脉血栓栓塞症主动预测、预警及全周期智能化管理系统，其特征在于，所述VTE业务层包括以下模块：VTE电子病历、VTE嵌入式预警、VTE专病数据库、反馈管理中心、数据与检查中心、经验同步引擎、多算法协同引擎、多中心管理、系统配置、用户管理、系统日志。
7.根据权利要求1所述的静脉血栓栓塞症主动预测、预警及全周期智能化管理系统，其特征在于，所述VTE数据层包括以下模块：存储过程、数据缓存、自定义函数、事务、读写数据库、数据备份。
8.根据权利要求1所述的静脉血栓栓塞症主动预测、预警及全周期智能化管理系统，其特征在于，所述VTE数据库层包括数据库集群和服务器集群，以及连接数据库集群和服务器集群的运行环境，所述数据库集群和服务器集群位于云端。
CN202010485529.2A 2020-06-01 2020-06-01 静脉血栓栓塞症主动预测、预警及全周期智能化管理系统 Active CN112466459B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010485529.2A CN112466459B (zh) 2020-06-01 2020-06-01 静脉血栓栓塞症主动预测、预警及全周期智能化管理系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010485529.2A CN112466459B (zh) 2020-06-01 2020-06-01 静脉血栓栓塞症主动预测、预警及全周期智能化管理系统

Publications (2)

Publication Number Publication Date
CN112466459A CN112466459A (zh) 2021-03-09
CN112466459B true CN112466459B (zh) 2023-05-23

Family

ID=74832859

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010485529.2A Active CN112466459B (zh) 2020-06-01 2020-06-01 静脉血栓栓塞症主动预测、预警及全周期智能化管理系统

Country Status (1)

Country Link
CN (1) CN112466459B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113643795B (zh) * 2021-07-16 2022-06-07 上海交通大学医学院附属第九人民医院 基于人工智能的口腔颌面头颈肿瘤康复护理系统
CN114974592A (zh) * 2022-07-04 2022-08-30 中南大学湘雅医院 一种vte防治与预警管理系统
CN117877738B (zh) * 2024-03-13 2024-05-07 简阳市人民医院 一种基于知信行健康教育模式的copd患者静脉血栓预防系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2014156371A1 (ja) * 2013-03-29 2014-10-02 ソニー株式会社 血液状態解析装置、血液状態解析システム、血液状態解析方法及びプログラム
WO2018215590A1 (en) * 2017-05-24 2018-11-29 Gendiag.Exe, S.L. Cancer-associated venous thromboembolic events

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2975841A1 (en) * 2014-07-17 2016-01-20 HTC Corporation Method for performing a video talk enhancement function and an electric device having the same
CN107145755A (zh) * 2017-05-16 2017-09-08 陈韵岱 基于智能决策支持技术的心血管慢病管理方法
CN108498076A (zh) * 2018-04-19 2018-09-07 金华市中心医院 住院病人静脉血栓栓塞症安全管理系统及应用
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
CN108877926A (zh) * 2018-05-15 2018-11-23 中山市徕康医疗信息软件技术有限公司 一种适合家庭医生的快速诊疗及分诊的智能辅助系统
CN209500539U (zh) * 2018-05-31 2019-10-18 北京上达医疗科技有限公司 用于预防静脉血栓栓塞症的智能电刺激止疼仪
CN110491492A (zh) * 2019-08-27 2019-11-22 江南大学附属医院（无锡市第四人民医院） 一种基于移动互联网的智能外科手术期vte管理系统
CN110808096B (zh) * 2019-10-30 2022-04-19 北京邮电大学 基于卷积神经网络的心脏病变自动检测系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2014156371A1 (ja) * 2013-03-29 2014-10-02 ソニー株式会社 血液状態解析装置、血液状態解析システム、血液状態解析方法及びプログラム
WO2018215590A1 (en) * 2017-05-24 2018-11-29 Gendiag.Exe, S.L. Cancer-associated venous thromboembolic events

Also Published As

Publication number Publication date
CN112466459A (zh) 2021-03-09

Similar Documents

Publication Publication Date Title
CN112466459B (zh) 静脉血栓栓塞症主动预测、预警及全周期智能化管理系统
Piri et al. A data analytics approach to building a clinical decision support system for diabetic retinopathy: Developing and deploying a model ensemble
CN111863267B (zh) 数据信息获取方法、数据分析方法、装置以及存储介质
US20180011980A1 (en) Differential medical diagnosis apparatus adapted in order to determine an optimal sequence of diagnostic tests for identifying a pathology by adopting diagnostic appropriateness criteria
CN109920547A (zh) 一种基于电子病历数据挖掘的糖尿病预测模型构建方法
Pal et al. Deep learning techniques for prediction and diagnosis of diabetes mellitus
CN112562808B (zh) 患者画像的生成方法、装置、电子设备及存储介质
CN112967803A (zh) 基于集成模型的急诊患者早期死亡率预测方法及系统
Xu et al. Applying clinical guidelines to conformance checking for diagnosis and treatment: a case study of ischemic stroke
Faisal et al. A machine learning approach for analyzing and predicting suicidal thoughts and behaviors
CN114334175A (zh) 医院疫情监测方法、装置、计算机设备及存储介质
Mainenti et al. Machine Learning Approaches for Diabetes Classification: Perspectives to Artificial Intelligence Methods Updating.
Hassani et al. An approach of predicting heart disease using a hybrid neural network and decision tree
CN116959715A (zh) 一种基于时序演进过程解释的疾病预后预测系统
hamzah Abed et al. Diabetic retinopathy diagnosis based on convolutional neural network
KASUKURTHI Big data analytics in pharmacovigilance-A global trend
Shanthi A novel machine learning approach to predict sepsis at an early stage
AU2021102832A4 (en) System & method for automatic health prediction using fuzzy based machine learning
Nguyen Data mining in medical diagnostic support system
Alhazmi et al. Prediction of Risk Takers in Arterial Hypertension Patients with Data Mining Application
Srinath et al. Classification of Diabetic Disorder using Machine Learning Approaches
Chandrasekar et al. ANALYSIS FOR HEART DISEASE PREDICTION USING DEEP NEURAL NETWORK AND VGG_19 CONVOLUTION NEURAL NETWORK.
Alqarni et al. Big data framework for heart diseases prediction in Saudi Arabia
Rekha et al. Hyphema Eye Disease Prediction with Deep Learning
Koshy et al. A Review on AI methods for the Prediction of Infertility in Women

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