CN112568911A - 心电数据的分类方法、设备及具有存储功能的装置 - Google Patents
心电数据的分类方法、设备及具有存储功能的装置 Download PDFInfo
- Publication number
- CN112568911A CN112568911A CN201910942957.0A CN201910942957A CN112568911A CN 112568911 A CN112568911 A CN 112568911A CN 201910942957 A CN201910942957 A CN 201910942957A CN 112568911 A CN112568911 A CN 112568911A
- Authority
- CN
- China
- Prior art keywords
- data
- classification
- electrocardiogram
- priority
- electrocardiogram 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
- 238000000034 method Methods 0.000 title claims abstract description 67
- 238000004458 analytical method Methods 0.000 claims abstract description 48
- 230000004927 fusion Effects 0.000 claims abstract description 34
- 238000004364 calculation method Methods 0.000 claims abstract description 23
- 238000012545 processing Methods 0.000 claims abstract description 23
- 230000002159 abnormal effect Effects 0.000 claims description 23
- 238000010801 machine learning Methods 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 11
- 238000002372 labelling Methods 0.000 claims description 9
- 238000007405 data analysis Methods 0.000 description 22
- 230000008569 process Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 9
- 230000008859 change Effects 0.000 description 6
- 206010008479 Chest Pain Diseases 0.000 description 5
- 238000003745 diagnosis Methods 0.000 description 5
- 239000003814 drug Substances 0.000 description 5
- 208000024891 symptom Diseases 0.000 description 5
- 230000005856 abnormality Effects 0.000 description 4
- 229940079593 drug Drugs 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000012163 sequencing technique Methods 0.000 description 3
- 206010020772 Hypertension Diseases 0.000 description 2
- 208000002193 Pain Diseases 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000000747 cardiac effect Effects 0.000 description 2
- 239000002131 composite material Substances 0.000 description 2
- 230000003111 delayed effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000013468 resource allocation Methods 0.000 description 2
- 206010042772 syncope Diseases 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 208000028399 Critical Illness Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 208000029078 coronary artery disease Diseases 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 239000010931 gold Substances 0.000 description 1
- 229910052737 gold Inorganic materials 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000007721 medicinal effect Effects 0.000 description 1
- 230000006386 memory function Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007639 printing Methods 0.000 description 1
- 238000004171 remote diagnosis Methods 0.000 description 1
- 238000012549 training 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
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Fuzzy Systems (AREA)
- Evolutionary Computation (AREA)
- Pathology (AREA)
- Mathematical Physics (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本申请公开一种心电数据的分类方法，设备及具有存储功能的装置，其中，心电数据的分类方法包括：接收病人的心电数据；根据预定分类标准对心电数据进行数据特征分类；采用预设计算方法分析心电数据，获得数据类型分类；对数据类型分类和数据特征分类进行多模态融合分析，得到心电数据的优先级。通过对数据类型分类和数据特征分类进行多模态融合分析，基于多个指标综合判断心电数据，并得到心电数据的优先级。从而可将心电数据按照优先级推送给医生进行处理，以将病情严重或紧急的心电数据、病情一般严重或紧急的心电数据、病情不严重或紧急的心电数据按照优先级高低分类开，可避免病情严重或紧急的病人的心电数据淹没在数据队列中不能及时处理。
Description
技术领域
本申请属于技术领域，具体涉及心电数据的分类方法、设备及具有存储功能的装置。
背景技术
随着网络与信息技术的发展，医院的信息化建设取得了巨大发展并将顺应时代潮流持续推进，以更好地为各项医疗活动服务。心电网络作为医疗信息化的重要一环，也得到越来越广泛的应用。借助心电网络，可以打破物理距离的限制，扩大心电检查服务范围，一定程度上实现医疗资源共享，促进优质医疗资源下沉。人们可以就近选择入网的医疗机构(如社康中心、社区医院等)完成心电图检查，实现医患双方共赢。同时，在院外急救、远程会诊方面，心电网络的优势更加突出。以院外胸痛急救为例，接到病人立即采集常规心电，借助网络上传数据到急救中心或心电诊断中心，医生诊断完成发回报告，这一波操作，最快可能不过1，2分钟，为实施院前急救节约黄金时间，并能提供专业指导意见。
随着心电网络的推广，心电图的应用越来越广泛，诊断中心待分析的心电图数量骤增，心电图医生紧缺的矛盾也将愈加突出。尤其是常规心电图检查操作简单、应用更为广泛，有些诊断中心每天要处理的心电图多达数千份，部分严重或紧急的心电图淹没在数据队列中不能及时处理。
发明内容
本申请提供一种心电数据的分类方法、设备及具有存储功能的装置，以解决病情严重或紧急的病人的心电数据得不到及时处理的技术问题。
为解决上述技术问题，本申请采用的一个技术方案是：一种心电数据的分类方法，所述分类方法包括：接收病人的心电数据；根据预定分类标准对所述心电数据进行数据特征分类；采用预设计算方法分析所述心电数据，获得数据类型分类；对所述数据类型分类和所述数据特征分类进行多模态融合分析，得到所述心电数据的优先级。
根据本申请一实施方式，所述根据预定分类标准对所述心电数据进行数据特征分类，包括：根据预定分类标准对心电数据进行检查类型分类和数据来源分类。
根据本申请一实施方式，所述采用预设计算方法分析所述心电数据，获得数据类型分类，包括：提取与所述心电数据相关联的所述病人的临床数据；对所述心电数据进行波形特征参数的识别；基于专家系统或机器学习分析所述波形特征参数和所述临床数据，得到所述数据类型分类，所述数据类型分类为异常程度分类。
根据本申请一实施方式，所述分类方法还包括：根据所述优先级将所述心电数据推送给对应类别的医生。
根据本申请一实施方式，所述分类方法还包括：接收转医生指令；根据所述转医生指令，将所述心电数据重新推送给指定医生。
根据本申请一实施方式，所述方法还包括：接收所述医生对所述心电数据的排序指令；确定所述排序指令对应的排序标准，所述排序标准为所述数据特征分类、所述数据类型分类或所述优先级，根据所述排序标准对所述心电数据进行排序。
根据本申请一实施方式，所述方法还包括：根据医生处理结果确定所述心电数据的最终优先级，与多模态融合分析得到的所述心电数据的所述优先级对比，若不一致，则进行标注。
根据本申请一实施方式，所述方法还包括：接收所述医生对所述心电数据的挑选指令；保存所挑选的心电数据。
为解决上述技术问题，本申请采用的另一个技术方案是：一种设备，包括处理器、存储器、收发器和人机电路，所述处理器耦接所述存储器、所述收发器和所述人机电路，所述人机电路用来获取人为指令，所述收发器收发信息并储存在所述存储器中，所述存储器中存储有程式指令，所述处理器执行所述程式指令，通过所述程式指令实现如上述任一所述的方法。
为解决上述技术问题，本申请采用的又一个技术方案是：一种设备，包括：接收模块，接收病人的心电数据；判断模块，根据预定分类标准对所述心电数据进行数据特征分类，采用预设计算方法分析所述心电数据，获得数据类型分类，对所述数据类型分类和所述数据特征分类进行多模态融合分析，得到所述心电数据的优先级。
为解决上述技术问题，本申请采用的又一个技术方案是：一种具有存储功能的装置，其特征在于，存储有程序数据，所述程序数据能够被执行以实现如上述中任一所述方法。
本申请的有益效果是：区别于现有技术，通过对数据类型分类和数据特征分类进行多模态融合分析，基于多个指标综合判断心电数据，并得到心电数据的优先级。从而可以按照心电数据的优先级将心电数据推送给医生进行处理，可将病情严重或紧急的心电数据、病情一般严重或紧急的心电数据、病情不严重或紧急的心电数据按照优先级高低分类开，从而对并发的大数据进行合理的分流和队列排序，医生可以针对性地对检查数据进行处理，可避免病情严重或紧急的病人的心电数据淹没在数据队列中不能及时处理，导致延误诊疗。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图，其中：
图1是本申请的心电数据的分类方法的一实施例的流程示意图；
图2是本申请的心电数据的分类方法的另一实施例的流程示意图；
图3是本申请的心电数据的分类方法的又一实施例的流程示意图；
图4是本申请的设备的一实施例的结构示意图；
图5是本申请的具有存储功能的装置的一实施例的结构示意图；
图6是本申请的另一设备的一实施例的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请的一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本申请保护的范围。
请参阅图1，图1是本申请的心电数据的分类方法的一实施例的流程示意图。
本申请一实施例提供了一种心电数据的分类方法，包括：
S11：接收病人的心电数据。
接收病人的心电数据通常为诊断中心接收采集终端发送的病人的心电数据。采集终端可以包括院内各科室，如胸痛中心、急诊科、心内科、体检科、心电图门诊、第一病房、第二病房等；也可能包括院外各医疗机构，如诊断中心所覆盖的第一社区医院、第二社区医院等，第一救护车、第二救护车等，第一远程合作医疗单位、第二远程合作医疗单位等，各终端采集完病人的心电，将数据上传到诊断中心。
S12：根据预定分类标准对心电数据进行数据特征分类。
根据预定分类标准对心电数据进行数据特征分类，可将不同种类的心电数据分开。具体地，可根据预定分类标准对心电数据进行检查类型分类和数据来源分类。
对心电数据进行检查类型分类包括：心电数据中的心电图检测类型可以分为ECG12(12导联常规心电图)、ECG15R(15导联常规心电图附加右胸导联)、ECG15T(15导联常规心电图附加后壁导联)、ECG18(18导联常规心电图)、VCG3(心电向量图)、VCG15(12导联常规心电图+心电向量图)等。通过对相同检查类型的心电图进行标签化处理后，避免因各采集终端命名习惯的区别影响后续分析心电数据效率，通过按照预定的分类标准，对心电数据进行数据特征分类，可大大提高数据分析效率。
对心电数据的数据来源分类包括：根据采集终端所在科室或医疗机构进行分类，包括第一等级、第二等级、第三等级和第四等级。
第一等级包括救护车、急诊科、胸痛中心和(综合性重症监护病房)ICU等对时间要求极高、危重症病患可能性更大的科室；
第二等级包括心内科、冠心病重症监护室(CCU)和介入中心等心脏疾病专科；
第三等级包括心电图门诊；
第四等级包括体检科、社区医院和远程诊断合作点等。
上述等级分类为默认分类，可对默认分类进行修改，从而可根据实际情况适时地做出改变和升级，进行更合理地分类。通过对心电数据的数据来源分类，增加了后续对心电数据进行多模态融合分析的维度，提高后续分析准确度。通过对心电数据的数据来源分类，以对心电数据来源进行标签化处理，可大大提高数据分析效率。
S13：采用预设计算方法分析心电数据，获得数据类型分类。
采用预设计算方法分析心电数据，获得数据类型分类包括如下步骤：
S131：对心电数据进行波形特征参数的识别。
对心电数据，具体为心电数据中的心电图进行波形特征识别和参数计算，例如对各波形幅度、视线、间期等进行特征识别和参数计算。
S132：基于专家系统或机器学习分析波形特征参数，得到数据类型分类。
本实施例中，基于专家系统或机器学习分析波形特征参数。需要说明的是，在其他实施例中，还可以基于其他方法进行自动分析。
基于专家系统或机器学习分析波形特征参数不是对心电数据进行诊断，而是对心电数据自动分析得到数据类型分类，数据类型分类为异常程度分类，是对心电数据自动分析得到的异常程度评价结果。
具体地，基于专家系统或机器学习分析波形特征参数，可首先得到数据自动分析结果，再根据数据自动分析结果确定数据类型分类。数据类型分类，具体可包括第一类、第二类、第三类和第四类。
第一类包括：当前心电图改变危急值高，需要医生立刻进行分析、确认，异常程度最高；
第二类包括：当前心电图呈现多种明显异常，需要医生优先进行分析和确认，异常程度较高；
第三类包括：当前心电图存在常见的心电图异常改变，需要医生确认，异常程度中等；
第四类包括：当前心电图为正常心电图或正常范围心电图，需要医生处理紧急程度最低，异常程度最低。
数据类型分类默认为上述四类，当然上述分类可修改，根据数据自动分析结果的不断更新和进步，将数据类型分类进一步细致划分。通过对数据类型分类，也是对数据类型进行标签化处理，可大大提高后续数据分析效率。
S14：对数据类型分类和数据特征分类进行多模态融合分析，得到心电数据的优先级。
多模态融合分析是指对单一种类信息源和复合信息源进行综合处理，减少环境对结果的干扰，以获取更为准确的分析结果。多模态融合分析主要利用计算机进行多种模态信息的综合处理，依照各种理论和算法，对不同种类的多模态数据特征进行综合处理，提高分析结果的稳定性和可靠性。对于多模态数据融合分析的具体特征识别方法和融合分析算法，现有技术中已经公开的技术可选择性应用至本申请中，此处不在赘述。
本实施例中，对数据类型分类和数据特征分类进行多模态融合分析，基于多个指标综合判断心电数据，并得到心电数据的优先级。从而可以按照心电数据的优先级将心电数据推送给医生进行处理，可将病情严重或紧急的心电数据、病情一般严重或紧急的心电数据、病情不严重或紧急的心电数据按照优先级高低分类开，从而可避免病情严重或紧急的病人的心电数据淹没在数据队列中不能及时处理，导致延误诊疗。
本申请中的心电数据的分类方法对并发的大数据进行合理的分流和队列排序，医生可以针对性地对心电数据进行处理，充分发挥诊断中心的统筹优势，优化医生资源配置，提高工作效率和工作质量，满足不同终端客户的需求，将医生资源的作用最大化。
请参阅图2，图2是本申请的心电数据的分类方法的另一实施例的流程示意图。
本申请另一实施例提供了一种心电数据的分类方法，包括：
S21：接收病人的心电数据。
步骤S21与上述对应步骤基本相同，此处不再赘述。
S22：根据预定分类标准对心电数据进行数据特征分类。
步骤S22与上述对应步骤基本相同，此处不再赘述。
S23：采用预设计算方法分析心电数据，获得数据类型分类。
采用预设计算方法分析心电数据，获得数据类型分类包括如下步骤：
S231：提取与心电数据相关联的病人的临床数据。
提取与心电数据相关联的病人的临床数据，临床数据包括病人信息(性别、年龄)、病史(高血压、晕厥等)、临床症状(是否胸痛、左侧手臂疼痛等)、用药、历史心电图、其他医学资料关键信息(如心脏超声报告、即时检验分析结果等)等相关信息。对提取的临床数据也可进行标签化处理，可大大提高后续数据分析效率。
在一些具体实施方式中，步骤S231中的临床数据可在步骤S21接收到病人的心电数据时同时接收病人的临床数据，此种情况，采集终端通常处理能力较高，具有资源库。在另一些具体实施方式中，步骤S231可在步骤S21后，在接收到采集终端发送的病人的心电数据后，去资源库中提取与心电数据相关联的病人的临床数据，此种情况，采集终端的处理能力较弱，例如救护车等仅具有采集作用的终端。
当然，步骤S231也可在步骤S232前后实施，或与步骤S232同步实施，以提高工作效率。
S232：对心电数据进行波形特征参数的识别。
对心电数据，具体为心电数据中的心电图进行波形特征识别和参数计算，例如对各波形幅度、视线、间期等进行特征识别和参数计算。
S233：基于专家系统或机器学习分析波形特征参数和临床数据，得到数据类型分类。
基于专家系统或机器学习分析波形特征参数，并联合临床数据共同分析，得到数据自动分析结果，根据数据自动分析结果，获得数据类型分类，数据类型分类为异常程度分类。
基于专家系统或机器学习分析波形特征参数不是对心电数据进行诊断，而是对心电数据自动分析得到数据类型分类，数据类型分类为异常程度分类，即对心电数据自动分析得到的一个异常程度评价结果。
具体地，联合病人年龄、性别、临床症状、病史、用药等相关信息，对当前心电数据基于专家系统或机器学习方法进行波形识别和参数计算，若当前心电数据相关联的病人有过往心电图检查记录，则对最近的若干份心电图进行比较分析，以便确认是否有新出现的心电图特征改变，以得出最终的数据自动分析结果。其中，最近的心电图默认选用三份，在其他实施例中，还可以选用两份、四份等，可根据实际情况设定。
数据自动分析可采用基于专家系统或机器学习等方法实现。
通过联合临床数据分析心电数据，使得数据自动分析结果更为客观全面。
根据数据自动分析结果获得数据类型分类，具体可包括第一类、第二类、第三类和第四类。
第一类包括：当前心电图改变危急值高，需要医生立刻进行分析、确认，数据类型分类为异常程度最高；
第二类包括：当前心电图呈现多种明显异常，需要医生优先进行分析和确认，数据类型分类为异常程度较高；
第三类包括：当前心电图存在常见的心电图异常改变，需要医生确认，数据类型分类为异常程度中等；
第四类包括：当前心电图为正常心电图或正常范围心电图，需要医生处理紧急程度最低，数据类型分类为异常程度最低。
数据类型分类默认为上述四类，当然上述分类可修改，根据数据自动分析结果的不断更新和进步，将数据类型分类进一步细致划分。通过对数据类型分类，也是对数据类型进行标签化处理，可大大提高后续数据分析效率。
S24：对数据类型分类、数据特征分类进行多模态融合分析，得到心电数据的优先级。
多模态融合分析是指对单一种类信息源和复合信息源进行综合处理，减少环境对结果的干扰，以获取更为准确的分析结果。多模态融合分析主要利用计算机进行多种模态信息的综合处理，依照各种理论和算法，对不同种类的多模态数据特征进行综合处理，提高分析结果的稳定性和可靠性。对于多模态数据融合分析的具体特征识别方法和融合分析算法，现有技术中已经公开的技术可选择性应用至本申请中，此处不在赘述。
本实施例中，对数据类型分类、数据特征分类进行多模态融合分析，得到心电数据的优先级。具体地，综合病人年龄、性别、临床症状、病史、用药、数据类型分类、数据来源分类等相关信息，进行多模态融合分析，得到心电数据的优先级。从而根据最终的心电数据的优先级，可合理地将心电数据推送给医生进行处理，避免病情严重或紧急的病人的心电数据淹没在数据队列中不能及时处理，导致延误诊疗。
请参阅图3，本申请的心电数据的分类方法的又一实施例的流程示意图。
本申请又一实施例提供了一种心电数据的分类方法，包括：
S31：接收病人的心电数据。
步骤S31与上述对应步骤基本相同，此处不再赘述。
S32：根据预定分类标准对心电数据进行数据特征分类。
步骤S32与上述对应步骤基本相同，此处不再赘述。
S33：采用预设计算方法分析心电数据，获得数据类型分类。
采用预设计算方法分析心电数据，获得数据类型分类包括如下步骤：
S331：提取与心电数据相关联的病人的临床数据。
提取与心电数据相关联的病人的临床数据，临床数据包括病人信息(性别、年龄)、病史(高血压、晕厥等)、临床症状(是否胸痛、左侧手臂疼痛等)、用药、历史心电图、其他医学资料关键信息(如心脏超声报告、即时检验分析结果等)等相关信息。对提取的临床数据也可进行标签化处理，可大大提高后续数据分析效率。
在一些具体实施方式中，步骤S331中的临床数据可在步骤S31接收到病人的心电数据时同时接收病人的临床数据，此种情况，采集终端通常处理能力较高，具有资源库。在另一些具体实施方式中，步骤S331可在步骤S31后，在接收到采集终端发送的病人的心电数据后，去资源库中提取与心电数据相关联的病人的临床数据，此种情况，采集终端的处理能力较弱，例如救护车等仅具有采集作用的终端。
当然，步骤S331也可在步骤S332前后实施，或与步骤S332同步实施，以提高工作效率。
S332：对心电数据进行波形特征参数的识别。
对心电数据，具体为心电数据中的心电图进行波形特征识别和参数计算，例如对各波形幅度、视线、间期等进行特征识别和参数计算。
S333：基于专家系统或机器学习分析波形特征参数和临床数据，得到数据类型分类。
基于专家系统或机器学习分析波形特征参数，并联合临床数据共同分析，得到数据自动分析结果，根据数据自动分析结果，获得数据类型分类，数据类型分类为异常程度分类。
基于专家系统或机器学习分析波形特征参数不是对心电数据进行诊断，而是对心电数据自动分析得到数据类型分类，数据类型分类为异常程度分类，即对心电数据自动分析得到的一个异常程度评价结果。
具体地，联合病人年龄、性别、临床症状、病史、用药等相关信息，对当前心电数据基于专家系统或机器学习方法进行波形识别和参数计算，若当前心电数据相关联的病人有过往心电图检查记录，则对最近的若干份心电图进行比较分析，以便确认是否有新出现的心电图特征改变，以得出最终的数据自动分析结果。其中，最近的心电图默认选用三份，在其他实施例中，还可以选用两份、四份等，可根据实际情况设定。
数据自动分析可采用基于专家系统或机器学习等方法实现。
通过联合临床数据分析心电数据，使得数据自动分析结果更为客观全面。
根据数据自动分析结果获得数据类型分类，具体可包括第一类、第二类、第三类和第四类。
第一类包括：当前心电图改变危急值高，需要医生立刻进行分析、确认，数据类型分类为异常程度最高；
第二类包括：当前心电图呈现多种明显异常，需要医生优先进行分析和确认，数据类型分类为异常程度较高；
第三类包括：当前心电图存在常见的心电图异常改变，需要医生确认，数据类型分类为异常程度中等；
第四类包括：当前心电图为正常心电图或正常范围心电图，需要医生处理异常程度最低，数据类型分类为异常程度最低。
数据类型分类默认为上述四类，当然上述分类可修改，根据数据自动分析结果的不断更新和进步，将数据类型分类进一步细致划分。通过对数据类型分类，也是对数据类型进行标签化处理，可大大提高后续数据分析效率。
S34：对数据类型分类、数据特征分类进行多模态融合分析，得到心电数据的优先级。
步骤S34与上述对应步骤基本相同，此处不再赘述。
S35：根据优先级，将心电数据推送给对应类别的医生。
根据多模态融合分析后得到的心电数据的优先级，将心电数据推送给对应类别的医生。具体地，医生可以设置有三个类别，分别为高级组、中级组和低级组，从而可将心电数据优先级低的推送给低级组、中级组和高级组，心电数据优先级中的推送给中级组和高级组，心电数据优先级高的推送给高级组。当然在其他实施例中，还可以有其他的对应推送方式，此处不作限定。通过将不同优先级的心电数据推送给相应类别的医生进行处理，可以优化资源配置，避免工作资历尚浅的医生对病情严重或紧急的心电数据处理失误。
其中，医生的类别根据医生的工作年限、工作经历和专业水平确定。
在一些实施场景中，本申请的方法还包括：接收转医生指令，根据转医生指令，将检查数据重新推送给指定医生。具体地，级别较低的医生在碰到分析不确定的心电数据时，可以手动将该心电数据推送给同组别的另一个医生或者上一组别的另一个医生进行审核确定。
S361：接收医生对心电数据的排序指令。
医生可对推送给自己的心电数据进行二次排序，排序的依据可以是时间顺序、数据特征分类、数据类型分类、心电数据的优先级等。
S362：确定排序指令对应的排序标准，排序标准为数据特征分类、数据类型分类或优先级，根据排序标准对心电数据进行排序。
确定医生的排序指令对应的排序标准，排序标准为数据特征分类、数据类型分类或优先级，将心电数据根据数据特征分类、数据类型分类或优先级等进行排序。从而心电数据的排序方式更多元化，医生可根据实际需要进行调整。
S371：根据医生处理结果确定心电数据的最终优先级，与多模态融合分析得到的心电数据的优先级对比，判断是否一致。
S372：若根据医生处理结果确定心电数据的最终优先级与多模态融合分析得到的心电数据的优先级不一致，则进行标注。
通过步骤S371和步骤S372，将根据医生处理结果确定心电数据的最终优先级与多模态融合分析得到的心电数据比较，并将不一致的进行标注，从而可以后续作为参考信息对自动分析分类方法，例如对多模态融合分析算法进行优化升级。
步骤S371和步骤S372可以选择是否开启。
S381：接收医生对心电数据的挑选指令。
S382：保存所挑选的心电数据。
通过步骤S381和步骤S382可以接收医生对心电数据的挑选指令，并将所挑选的心电数据进行保存。具体地，医生可挑选典型的心电图编入学习库，用于针对医生们进行培训和学习，不断提升专业技术水平。学习库中的数据，可以打开PDF或JPG等不可编辑的分析报告和/或可临时打开数据文件副本进行实操练习，考虑到存储、数据管理等情况，数据副本不作保存，仅供当次练习使用。诊断中心可根据需要，确认是否开启步骤S381和步骤S382，或者诊断中心可以仅对高级别和中级别的医生开启该步骤。
其中，步骤S381-S382可在步骤S371-S372之前，也在之后，甚至可以同步进行，以提高处理效率。
S39：发送或者直接打印处理报告。
诊断中心向采集终端发送或者直接打印处理报告，具体地，诊断中心根据报告的情况或者采集终端的需要，可以选择向采集终端发送处理报告或者直接打印处理报告。
请参阅图4，图4是本申请的设备的一实施例的结构示意图。
本申请一实施例提供了一种设备，设备40包括处理器41、存储器42、收发器43和人机电路44，处理器41耦接存储器42、收发器43和人机电路44，收发器43收发信息并储存在存储器42中，人机电路44用来获取人为指令，存储器42中存储有程式指令，处理器41执行程式指令，通过程式指令实现上述任一实施例中的心电数据的分类方法。
设备的收发器43接收采集终端发送的病人的心电数据，并存储在存储器42中，处理器41运行存储器42中的程式指令，并执行根据预定标准对心电数据进行数据特征分类；采用预设计算方法分析心电数据，获得数据类型分类；对数据类型分类和数据特征分类进行多模态融合分析，得到心电数据的优先级。人机电路44获取医生的处理报告，以及医生的指令，例如转医生指令、挑选指令等。收发器43还用于将处理报告发送给采集终端。具体流程可以参照上述任一实施例的心电数据的分类方法，此处不再赘述。
请参阅图5，图5是本申请的具有存储功能的装置的一实施例的结构示意图。
本申请一实施例提供了一种具有存储功能的装置，具有存储功能的装置50中存储有至少一个程式数据51，程式数据51用于执行上述任一实施例的心电数据的分类方法，此处不再赘述。在一些实施例中，具有存储功能的装置50可以是终端中的存储芯片、硬盘或者是移动硬盘或者优盘、光盘等其他可读写存储的工具，还可以是服务器等等。
请参阅图6，图6是本申请的另一设备的一实施例的结构示意图。
本申请又一实施例提供了一种设备，设备60包括接收模块61和判断模块62。接收模块61，接收采集终端发送的病人的心电数据；判断模块62，根据预定分类标准对心电数据进行数据特征分类，采用预设计算方法分析心电数据，获得数据类型分类，对数据类型分类和数据特征分类进行多模态融合分析，得到心电数据的优先级。设备60还可以包括推送模块63，推送模块63，根据优先级将心电数据推送给对应类别的医生。对数据类型分类和数据特征分类进行多模态融合分析，基于多个指标综合判断心电数据，并得到心电数据的优先级。从而可以按照心电数据的优先级将心电数据推送给医生进行处理，可将病情严重或紧急的心电数据、病情一般严重或紧急的心电数据、病情不严重或紧急的心电数据按照优先级高低分类开，从而可避免病情严重或紧急的病人的心电数据淹没在数据队列中不能及时处理，导致延误诊疗。
设备60各模块的具体工作原理可参照上述任一实施例的心电数据的分类方法，此处不再赘述。
以上所述仅为本申请的实施例，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其它相关的技术领域，均同理包括在本申请的专利保护范围内。
Claims (11)
1.一种心电数据的分类方法，其特征在于，所述分类方法包括：
接收病人的心电数据；
根据预定分类标准对所述心电数据进行数据特征分类；
采用预设计算方法分析所述心电数据，获得数据类型分类；
对所述数据类型分类和所述数据特征分类进行多模态融合分析，得到所述心电数据的优先级。
2.根据权利要求1所述的分类方法，其特征在于，所述根据预定分类标准对所述心电数据进行数据特征分类，包括：
根据预定分类标准对心电数据进行检查类型分类和数据来源分类。
3.根据权利要求1所述的分类方法，其特征在于，所述采用预设计算方法分析所述心电数据，获得数据类型分类，包括：
提取与所述心电数据相关联的所述病人的临床数据；
对所述心电数据进行波形特征参数的识别；
基于专家系统或机器学习分析所述波形特征参数和所述临床数据，得到所述数据类型分类，所述数据类型分类为异常程度分类。
4.根据权利要求1所述的分类方法，其特征在于，所述分类方法还包括：
根据所述优先级将所述心电数据推送给对应类别的医生。
5.根据权利要求4所述的分类方法，其特征在于，所述分类方法还包括：
接收转医生指令；
根据所述转医生指令，将所述心电数据重新推送给指定医生。
6.根据权利要求4所述的分类方法，其特征在于，所述方法还包括：
接收所述医生对所述心电数据的排序指令；
确定所述排序指令对应的排序标准，所述排序标准为所述数据特征分类、所述数据类型分类或所述优先级，根据所述排序标准对所述心电数据进行排序。
7.根据权利要求4所述的分类方法，其特征在于，所述方法还包括：
根据医生处理结果确定所述心电数据的最终优先级，与多模态融合分析得到的所述心电数据的所述优先级对比，若不一致，则进行标注。
8.根据权利要求4所述的分类方法，其特征在于，所述方法还包括：
接收所述医生对所述心电数据的挑选指令；
保存所挑选的心电数据。
9.一种设备，其特征在于，包括处理器、存储器、收发器和人机电路，所述处理器耦接所述存储器、所述收发器和所述人机电路，所述人机电路用来获取人为指令，所述收发器收发信息并储存在所述存储器中，所述存储器中存储有程式指令，所述处理器执行所述程式指令，通过所述程式指令实现如权利要求1-8中任一项所述的方法。
10.一种设备，其特征在于，包括：
接收模块，接收病人的心电数据；
判断模块，根据预定分类标准对所述心电数据进行数据特征分类，采用预设计算方法分析所述心电数据，获得数据类型分类，对所述数据类型分类和所述数据特征分类进行多模态融合分析，得到所述心电数据的优先级。
11.一种具有存储功能的装置，其特征在于，存储有程序数据，所述程序数据能够被执行以实现如权利要求1-8中任一项所述方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910942957.0A CN112568911A (zh) | 2019-09-30 | 2019-09-30 | 心电数据的分类方法、设备及具有存储功能的装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910942957.0A CN112568911A (zh) | 2019-09-30 | 2019-09-30 | 心电数据的分类方法、设备及具有存储功能的装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112568911A true CN112568911A (zh) | 2021-03-30 |
Family
ID=75116469
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910942957.0A Pending CN112568911A (zh) | 2019-09-30 | 2019-09-30 | 心电数据的分类方法、设备及具有存储功能的装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112568911A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113284598A (zh) * | 2021-07-26 | 2021-08-20 | 深圳理邦智慧健康发展有限公司 | 诊断请求消息的提醒方法、设备及可读存储介质 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20040019501A1 (en) * | 2002-07-27 | 2004-01-29 | White Scott B. | Patient scheduling, tracking and status system |
| CN1639721A (zh) * | 2002-04-04 | 2005-07-13 | 佳能株式会社 | 协作诊断系统 |
| US20080118119A1 (en) * | 2006-11-22 | 2008-05-22 | General Electric Company | Systems and methods for automatic routing and prioritization of exams bsed on image classification |
| JP2015179424A (ja) * | 2014-03-19 | 2015-10-08 | 株式会社日立ソリューションズ | 臨床検査システム、臨床検査処理装置及び臨床検査処理方法 |
| US20160217260A1 (en) * | 2015-01-22 | 2016-07-28 | Koninklijke Philips N.V. | System, method and computer program product for patient triage |
| CN106227880A (zh) * | 2016-08-01 | 2016-12-14 | 挂号网（杭州）科技有限公司 | 医生搜索推荐的实现方法 |
| CN106778475A (zh) * | 2016-11-18 | 2017-05-31 | 同济大学 | 一种最优导联集选择方法及系统 |
| CN107212880A (zh) * | 2017-06-29 | 2017-09-29 | 清华大学 | 动态调整电极配置的植入式动态心电监测仪 |
| CN108335744A (zh) * | 2018-04-03 | 2018-07-27 | 江苏大学附属医院 | 一种心血管急救网络系统及其分类预警方法 |
| CN109543863A (zh) * | 2018-10-27 | 2019-03-29 | 平安医疗健康管理股份有限公司 | 一种就医任务管理方法、服务器及存储介质 |
| CN109589110A (zh) * | 2018-12-28 | 2019-04-09 | 上海联影智能医疗科技有限公司 | 心电导联检测方法、装置、设备和存储介质 |
| CN109691995A (zh) * | 2019-01-31 | 2019-04-30 | 英菲泰克(天津)科技有限公司 | 单导联心电图的心律失常实时数据分析系统和方法 |
-
2019
- 2019-09-30 CN CN201910942957.0A patent/CN112568911A/zh active Pending
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1639721A (zh) * | 2002-04-04 | 2005-07-13 | 佳能株式会社 | 协作诊断系统 |
| US20040019501A1 (en) * | 2002-07-27 | 2004-01-29 | White Scott B. | Patient scheduling, tracking and status system |
| US20080118119A1 (en) * | 2006-11-22 | 2008-05-22 | General Electric Company | Systems and methods for automatic routing and prioritization of exams bsed on image classification |
| JP2015179424A (ja) * | 2014-03-19 | 2015-10-08 | 株式会社日立ソリューションズ | 臨床検査システム、臨床検査処理装置及び臨床検査処理方法 |
| US20160217260A1 (en) * | 2015-01-22 | 2016-07-28 | Koninklijke Philips N.V. | System, method and computer program product for patient triage |
| CN106227880A (zh) * | 2016-08-01 | 2016-12-14 | 挂号网（杭州）科技有限公司 | 医生搜索推荐的实现方法 |
| CN106778475A (zh) * | 2016-11-18 | 2017-05-31 | 同济大学 | 一种最优导联集选择方法及系统 |
| CN107212880A (zh) * | 2017-06-29 | 2017-09-29 | 清华大学 | 动态调整电极配置的植入式动态心电监测仪 |
| CN108335744A (zh) * | 2018-04-03 | 2018-07-27 | 江苏大学附属医院 | 一种心血管急救网络系统及其分类预警方法 |
| CN109543863A (zh) * | 2018-10-27 | 2019-03-29 | 平安医疗健康管理股份有限公司 | 一种就医任务管理方法、服务器及存储介质 |
| CN109589110A (zh) * | 2018-12-28 | 2019-04-09 | 上海联影智能医疗科技有限公司 | 心电导联检测方法、装置、设备和存储介质 |
| CN109691995A (zh) * | 2019-01-31 | 2019-04-30 | 英菲泰克(天津)科技有限公司 | 单导联心电图的心律失常实时数据分析系统和方法 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113284598A (zh) * | 2021-07-26 | 2021-08-20 | 深圳理邦智慧健康发展有限公司 | 诊断请求消息的提醒方法、设备及可读存储介质 |
| CN113284598B (zh) * | 2021-07-26 | 2022-03-15 | 深圳理邦智慧健康发展有限公司 | 诊断请求消息的提醒方法、设备及可读存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10937164B2 (en) | Medical evaluation machine learning workflows and processes | |
| US9254092B2 (en) | Systems and methods for processing and analyzing medical data | |
| Smys et al. | Internet of things and big data analytics for health care with cloud computing | |
| US20170053064A1 (en) | Personalized content-based patient retrieval system | |
| KR20190105210A (ko) | 통합 의료 진단 서비스 제공 시스템 및 그 방법 | |
| US8548823B2 (en) | Automatically determining ideal treatment plans for complex neuropsychiatric conditions | |
| CN110827994B (zh) | 心梗预警方法、装置及设备、存储介质 | |
| CN111564223B (zh) | 传染病生存概率的预测方法、预测模型的训练方法及装置 | |
| US20100010827A1 (en) | Automatically developing neuropsychiatric treatment plans based on neuroimage data | |
| CN110619959A (zh) | 一种智能分诊的方法及系统 | |
| CN114334169B (zh) | 医疗对象的类别决策方法、装置、电子设备及存储介质 | |
| CN103370629A (zh) | 临床质量分析系统 | |
| CN110767283A (zh) | 精神疾病影像学自动化报告系统及其方法 | |
| US20170235913A1 (en) | Image data ingestion applciation of a medical imaging data processing and retrieval system | |
| US20190148006A1 (en) | Registry and image data analytics (rida) system | |
| CN112568911A (zh) | 心电数据的分类方法、设备及具有存储功能的装置 | |
| US20160371457A1 (en) | System and Method for Data Analyzing of Health-Related Data | |
| JP7278256B2 (ja) | 画像獲得ワークフローを最適化するためのデバイス、システム、及び方法 | |
| CN115831298A (zh) | 基于医院管理信息系统的临床试验患者招募方法及装置 | |
| US20220199207A1 (en) | System and Method for Facilitating Data Processing of Physiological Information | |
| WO2021216988A1 (en) | Predictive adaptive intelligent diagnostics and treatment | |
| CN115579104B (zh) | 一种基于人工智能的肝癌全病程数字化管理方法及系统 | |
| US20230047826A1 (en) | Context based performance benchmarking | |
| WO2018077776A1 (en) | Device, system, and method for optimizing usage of prior studies | |
| EP4383273A1 (en) | System and methods for idiopathic arrhythmias monitoring and prediction |
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 |