CN112863692B - 一种围术期药物不良反应评估模型构建方法 - Google Patents
一种围术期药物不良反应评估模型构建方法 Download PDFInfo
- Publication number
- CN112863692B CN112863692B CN202110034899.9A CN202110034899A CN112863692B CN 112863692 B CN112863692 B CN 112863692B CN 202110034899 A CN202110034899 A CN 202110034899A CN 112863692 B CN112863692 B CN 112863692B
- Authority
- CN
- China
- Prior art keywords
- data
- physiological index
- postoperative
- adverse reaction
- index 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.)
- Active
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
- 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
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Epidemiology (AREA)
- Biomedical Technology (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Data Mining & Analysis (AREA)
- Chemical & Material Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Medicinal Chemistry (AREA)
- Pharmacology & Pharmacy (AREA)
- Toxicology (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明公开了一种围术期药物不良反应评估模型构建方法,通过采集术前术中以及术后的数据作为训练集来构建训练评估模型,评估模型即可提取数据中的相关特征与术后数据进行关联,进行较为准确的药物不良反应预测。
Description
技术领域
本发明涉及医疗检测技术领域,尤其是涉及一种围术期药物不良反应评估模型构建方法。
背景技术
需要外科手术治疗的患者,通常需要在围术期使用多种药物,以调整患者的状态使其能够适应手术。然而在药物使用过程中,常会因为药物使用的剂量不准确或药物作用时间的差异导致各种不良反应。减少围术期不良反应的发生,需要医生熟悉药物的药理学特点,对不同病情的患者使用精确的药物剂量,并对患者的生理指标进行严密的监测分析。
现阶段对人类生理病理进程的研究存在不足,对人类大脑的研究存在局限,各项人体指标(如脑电图等)在药物作用下的各种细微变化仍然无法得到准确研究。随着研究水平的提高,对药物或其他治疗手段的不良反应的研究不断获得进展,目前未被关注的现象或者症状未来可能会被定义为不良反应。在长时间使用某些药物而未发生具有临床症状的不良反应时,临床医师无法精准判断这些药物的长时间使用导致的潜在的不良反应。在长时间使用麻醉药物对患者进行麻醉而人体未发生明显的不良反应时,临床医师无法精准判断长时间的药物暴露对人体的损伤。因此,如何提取生理指标中的未知特征并与不良反应进行关联,及时、准确的评估药物治疗相关的不良反应,具有较大的临床意义。
发明内容
本发明所要解决的技术问题是提供一种围术期药物不良反应评估模型构建方法,该方法能够提取生理指标中的未知特征与术后不良反应进行关联,对手术对象过程中可能产生的不良反应进行准确评估。
本发明所采用的技术方案是,一种围术期药物不良反应评估模型构建方法,包括以下步骤:
S1、在术前采集手术对象的术前生理指标数据;
S2、在术中采集手术对象术中生理指标数据、手术药物的使用数据;
S3、跟踪采集手术对象的术后症状表现数据与术后生理指标数据;
S4、构建评估模型,将S1、S2以及S3中得到的所有数据作为训练集对评估模型进行训练。
本发明的有益效果是:通过采集术前术中以及术后的数据作为训练集来构建训练评估模型,评估模型即可提取数据中的相关特征与术后数据进行关联,进行较为准确的围术期药物不良反应预测。
作为优先,步骤S3的跟踪采集动作包括下列步骤:
A1、在手术开始时,再次采集手术对象的术前生理指标数据进行手术可执行确认;
A2、在手术过程中对手术对象的术中生理指标数据和手术药物的使用数据进行实时采集;
A3、将每一个时刻的术中生理指标数据作为该时刻环境,同时刻的手术药物的使用数据作为该时刻动作,从而构建每一个时刻的环境动作对;
A4、按手术时间顺序对环境动作对进行排列,从而得到该手术对象的术中流程序列数据,并存入数据库中。
采用上述方法,手术开始时再次采集数据一方面可以保证手术对象生理状况正常,另一方面可以在后续的数据处理中找出手术开始时状态与不良反应的关联性。收集环境动作对存入数据库中,方便后续数据处理,其中,每一个时刻指瞬时时间。
作为优先,步骤S1的术前生理指标数据和步骤A1的术前生理指标数据包括客观医学检验数据、基于医生经验的主观评估数据以及基于手术对象感受的主观描述数据。针对上述数据进行采集能够全面的判别手术对象的术前生理状况。
作为优先,步骤S3跟踪采集手术对象的症状表现数据与术后生理指标数据包括下列步骤:
B1、在手术结束的N个小时内,采集手术对象的客观医学检验数据、基于医生经验的主观评估数据以及基于手术对象感受的主观描述数据;
B2、在手术结束后的住院观察期间内,采集手术对象的客观医学检验数据、基于医生经验的主观评估数据以及基于手术对象感受的主观描述数据;
B3、在手术对象出院后的一段时间内,定期手术采集对象的客观医学检验数据、基于医生经验的主观评估数据以及基于手术对象感受的主观描述数据。
采集上述数据,能够对手术对象的术后情况进行较好的评估。
作为优先,步骤S4的构建评估模型包括下列步骤:
C1、构建并训练得到只提取与动作相关环境特征的特征提取器;
C2、使用完成训练后的特征提取器对数据库中环境动作对中的环境数据进行特征提取,并对所有提取到的特征表示进行聚类分析,为每一条环境数据标注聚类分析的分类结果标签;
C3、构建预测模型,所述预测模型的输入为基于步骤S1的术前生理指标数据、步骤A1中再次采集的术前生理指标数据以及步骤S2中术中生理指标数据构建的输入数据序列,所述预测模型的输出预测对象为步骤S3中的症状表现数据与术后生理指标数据;
C4、根据步骤S3得到的每个手术对象的术后症状表现数据与术后生理指标数据,为每个手术对象指定符合手术对象情况的多个术后不良反应标签,并将术后不良反应标签与该手术对象对应的环境数据的所有聚类分析结果标签关联;
C5、统计每个聚类分析结果标签下的不同不良反应标签数量,归一化得到每个聚类分析结果标签对与自己关联的每个不良反应标签的影响概率;
C6、对与每个手术对象的所有聚类分析结果标签关联的不良反应标签影响概率进行统计分析,得到手术对象术后发生对应的术后不良反应概率;将预测得到的术后症状表现数据与术后生理指标数据与术后不良反应概率进行比对,给出术后不良反应概率可信度。
采用上述方法,能够从数据中提取只和药物使用相关的特征信息,避免其他的无关信息干扰。使用聚类算法可以将相似度高的信息归为一类,将其作为分类结果标签,将手术对象手术流程中出现分类结果标签与该手术对象的术后不良反应进行关联,从而可以统计得到手术对象术后不良反应的发生概率,该不良反应并不局限于已知的药物不良反应,包括任意非常规生理状态的不良反应表现。并且,由于基于聚类算法的分类可以任意指定分类数量,使得该方法能够挖掘出当前经验中尚未归入药物不良反应,但是却又确实存在的一些问题,经过进一步检验确认后能够进一步的扩充对药物不良反应范围的认知。
作为优先,所述步骤C1中的构建并训练特征提取器包括下列步骤:
D1、使用词向量转换技术,将数据库中基于序列的每个环境动作对中的环境数据转换为词向量的形式;
D2、使用数据库中多个手术对象的术中流程序列数据、手术对象在步骤S1中采集的术前生理指标数据以及步骤A1中采集的术前生理指标数据构建仿真药物使用环境;
D3、构建具有动作预测器和特征提取器的强化学习模型,在仿真药物使用环境中训练得到只提取与动作相关环境特征的特征提取器,所述强化学习模型的环境输入为转换后的环境词向量,强化学习模型的输出动作为数据库中已有的药物使用数据。
采用上述方法,将环境数据视为序列,采用词向量嵌入的方法,能够使得到的词向量具有环境前后的关联信息,在后续进行与动作信息相关的特征提取时能够更为有效的提取特征,排除不相关信息的干扰。
附图说明
图1为本发明流程示意图。
具体实施方式
以下参照附图并结合具体实施方式来进一步描述发明,以令本领域技术人员参照说明书文字能够据以实施,本发明保护范围并不受限于该具体实施方式。
本领域技术人员应理解的是,在本发明的公开中,术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”等指示的方位或位置关系是基于附图所示的方位或位置关系,其仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此上述术语不能理解为对本发明的限制。
本发明公开了一种围术期药物不良反应评估模型构建方法,包括:
S1、在术前采集手术对象的术前生理指标数据;
S2、在术中采集手术对象术中生理指标数据、手术药物的使用数据;
S3、跟踪采集手术对象的术后症状表现数据与术后生理指标数据;
S4、构建评估模型,将S1、S2以及S3中得到的所有数据作为训练集对评估模型进行训练。
本发明通过采集术前术中以及术后的数据作为训练集来构建训练评估模型,评估模型即可提取数据中的相关特征与术后数据进行关联,进行较为准确的围术期药物不良反应预测。
步骤S3的跟踪采集动作包括下列步骤:
A1、在手术开始时,再次采集手术对象的术前生理指标数据进行手术可执行确认;
A2、在手术过程中对手术对象的术中生理指标数据和手术药物的使用数据进行实时采集;
A3、将每一个时刻的术中生理指标数据作为该时刻环境,同时刻的手术药物的使用数据作为该时刻动作,从而构建每一个时刻的环境动作对;
A4、按手术时间顺序对环境动作对进行排列,从而得到该手术对象的术中流程序列数据,并存入数据库中。
采用上述方法,手术开始时再次采集数据一方面可以保证手术对象生理状况正常,另一方面可以在后续的数据处理中找出手术开始时状态与不良反应的关联性。收集环境动作对存入数据库中,方便后续数据处理,其中,每一个时刻指瞬时时间。
步骤S1的术前生理指标数据和步骤A1的术前生理指标数据包括客观医学检验数据、基于医生经验的主观评估数据以及基于手术对象感受的主观描述数据。针对上述数据进行采集能够全面的判别手术对象的术前生理状况。
步骤S3跟踪采集手术对象的症状表现数据与术后生理指标数据包括下列步骤:
B1、在手术结束的N个小时内,采集手术对象的客观医学检验数据、基于医生经验的主观评估数据以及基于手术对象感受的主观描述数据;
B2、在手术结束后的住院观察期间内,采集手术对象的客观医学检验数据、基于医生经验的主观评估数据以及基于手术对象感受的主观描述数据;
B3、在手术对象出院后的一段时间内,定期采集手术对象的客观医学检验数据、基于医生经验的主观评估数据以及基于手术对象感受的主观描述数据。
采集上述数据,能够对手术对象的术后情况进行较好的评估,N的取值为1~12个小时。
步骤S4的构建评估模型包括下列步骤:
C1、构建并训练得到只提取与动作相关环境特征的特征提取器;
C2、使用完成训练后的特征提取器对数据库中环境动作对中的环境数据进行特征提取,并对所有提取到的特征表示进行聚类分析,为每一条环境数据标注聚类分析的分类结果标签;
C3、构建预测模型,所述预测模型的输入为基于步骤S1的术前生理指标数据、步骤A1中再次采集的术前生理指标数据以及步骤S2中术中生理指标数据构建的输入数据序列,所述预测模型的输出预测对象为步骤S3中的症状表现数据与术后生理指标数据;
C4、根据步骤S3得到的每个手术对象的术后症状表现数据与术后生理指标数据,为每个手术对象指定符合手术对象情况的多个术后不良反应标签,并将术后不良反应标签与该手术对象对应的环境数据的所有聚类分析结果标签关联;
C5、统计每个聚类分析结果标签下的不同不良反应标签数量,归一化得到每个聚类分析结果标签对与自己关联的每个不良反应标签的影响概率;
C6、对与每个手术对象的所有聚类分析结果标签关联的不良反应标签影响概率进行统计分析,得到手术对象术后发生对应的术后不良反应概率;将预测得到的术后症状表现数据与术后生理指标数据与术后不良反应概率进行比对,给出术后不良反应概率可信度。
采用上述方法,能够从数据中提取只和药物使用相关的特征信息,避免其他的无关信息干扰。使用聚类算法可以将相似度高的信息归为一类,将其作为分类结果标签,将手术对象手术流程中出现分类结果标签与该手术对象的术后不良反应进行关联,从而可以统计得到手术对象术后不良反应的发生概率,该不良反应并不局限于已知的药物不良反应,包括任意非常规生理状态的不良反应表现。并且,由于基于聚类算法的分类可以任意指定分类数量或自动生成分类数量,使得该方法能够自主挖掘出当前经验中尚未归入药物不良反应,但是却又确实存在的一些问题,经过进一步检验确认后能够进一步的扩充对药物不良反应范围的认知。
在一个实施例中,先使用数据库中所有的数据统计得到每一个聚类结果标签所对应的术后不良反应标签概率,然后在进行评估时针对一位手术对象,针对其术中出现过的聚类结果标签,进行概率统计,得到术后不良反应的概率,然后使用预测模型对术后数据进行预测并对预测得到的术后数据进行不良反应分类,最后将概率统计得到的术后不良反应与预测得到的术后不良反应进行比对,若结果基本一致,则可信度较高,若结果出入较大,则将两种情况下的不良反应进行综合考虑,制定术后康复方案。
步骤C1中的构建并训练特征提取器包括下列步骤:
D1、使用词向量转换技术,将数据库中基于序列的每个环境动作对中的环境数据转换为词向量的形式;
D2、使用数据库中多个手术对象的术中流程序列数据、手术对象在步骤S1中采集的术前生理指标数据以及步骤A1中采集的术前生理指标数据构建仿真药物使用环境;
D3、构建具有动作预测器和特征提取器的强化学习模型,在仿真药物使用环境中训练得到只提取与动作相关环境特征的特征提取器,所述强化学习模型的环境输入为转换后的环境词向量,强化学习模型的输出动作为数据库中已有的药物使用数据。
采用上述方法,将环境数据视为序列,采用词向量嵌入的方法,能够使得到的词向量具有环境前后的关联信息,在后续进行与动作信息相关的特征提取时能够更为有效的提取特征,排除不相关信息的干扰。
在一个实施例中,关于动作预测器,是指,将前一时刻和后一时刻的环境数据作为动作预测器的输入,输出为对前一时刻和后一时刻之间强化学习模型执行的动作的预测。
在一个实施例中,词向量转换技术使用Word2vec技术。
在一个实施例中,聚类分析可以使用K-mean聚类、DBSCAN聚类、层次聚类或高斯混合模型(GMM)的期望最大化(EM)聚类等等。
在一个实施例中,在收集完所有数据后,对数据进行预处理,包括不限于初步排除噪声,删去无效数据,对数据进行归一化等处理。
在一个实施例中,在进行对手术对象的术后数据进行预测时,预测模型使用基于自注意力的预测模型,该模型能够关注到序列前后数据对某一症状的贡献,进一步增强预测的准确性。
在一个实施例中,术前的数据采集工作包括医生要求手术对象进行常规行为,由医生观察来给出评估数据。
在完成评估模型的构建后,当每次手术对象完成手术时,将已经采集到的术前数据与术中数据作为输入,输入到评估模型中,即可自动输出手术对象后续可能会出现的术后不良反应,以及每个术后不良反应的出现概率。
Claims (4)
1.一种围术期药物不良反应评估模型构建方法,其特征在于,包括以下步骤:
S1、在术前采集手术对象的术前生理指标数据;
S2、在术中采集手术对象术中生理指标数据、手术药物的使用数据;
S3、跟踪采集手术对象的术后症状表现数据与术后生理指标数据;
S4、构建评估模型,将S1、S2以及S3中得到的所有数据作为训练集对评估模型进行训练;
步骤S3的跟踪采集动作包括下列步骤:
A1、在手术开始时,再次采集手术对象的术前生理指标数据进行手术可执行确认;
A2、在手术过程中对手术对象的术中生理指标数据和手术药物的使用数据进行实时采集;
A3、将每一个时刻的术中生理指标数据作为该时刻环境,同时刻的手术药物的使用数据作为该时刻动作,从而构建每一个时刻的环境动作对;
A4、按手术时间顺序对环境动作对进行排列,从而得到该手术对象的术中流程序列数据,并存入数据库中;
步骤S4的构建评估模型包括下列步骤:
C1、构建并训练得到只提取与动作相关环境特征的特征提取器;
C2、使用完成训练后的特征提取器对数据库中环境动作对中的环境数据进行特征提取,并对所有提取到的特征表示进行聚类分析,为每一条环境数据标注聚类分析的分类结果标签;
C3、构建预测模型,所述预测模型的输入为基于步骤S1的术前生理指标数据、步骤A1中再次采集的术前生理指标数据以及步骤S2中术中生理指标数据构建的输入数据序列,所述预测模型的输出预测对象为步骤S3中的症状表现数据与术后生理指标数据;
C4、根据步骤S3得到的每个手术对象的术后症状表现数据与术后生理指标数据,为每个手术对象指定符合手术对象情况的多个术后不良反应标签,并将术后不良反应标签与该手术对象对应的环境数据的所有聚类分析结果标签关联;
C5、统计每个聚类分析结果标签下的不同不良反应标签数量,归一化得到每个聚类分析结果标签对与自己关联的每个不良反应标签的影响概率;
C6、对与每个手术对象的所有聚类分析结果标签关联的不良反应标签影响概率进行统计分析,得到手术对象术后发生对应的术后不良反应概率;将预测得到的术后症状表现数据与术后生理指标数据与术后不良反应概率进行比对,给出术后不良反应概率可信度。
2.根据权利要求1所述的一种围术期药物不良反应评估模型构建方法,其特征在于,步骤S1的术前生理指标数据和步骤A1的术前生理指标数据包括客观医学检验数据、基于医生经验的主观评估数据以及基于手术对象感受的主观描述数据。
3.根据权利要求2所述的一种围术期药物不良反应评估模型构建方法,其特征在于,步骤S3跟踪采集手术对象的症状表现数据与术后生理指标数据包括下列步骤:
B1、在手术结束的N个小时内,采集手术对象的客观医学检验数据、基于医生经验的主观评估数据以及基于手术对象感受的主观描述数据;
B2、在手术结束后的住院观察期间内,采集手术对象的客观医学检验数据、基于医生经验的主观评估数据以及基于手术对象感受的主观描述数据;
B3、在手术对象出院后的一段时间内,定期采集手术对象的客观医学检验数据、基于医生经验的主观评估数据以及基于手术对象感受的主观描述数据。
4.根据权利要求1所述的一种围术期药物不良反应评估模型构建方法,其特征在于,所述步骤C1中的构建并训练特征提取器包括下列步骤:
D1、使用词向量转换技术,将数据库中基于序列的每个环境动作对中的环境数据转换为词向量的形式;
D2、使用数据库中多个手术对象的术中流程序列数据、手术对象在步骤S1中采集的术前生理指标数据以及步骤A1中采集的术前生理指标数据构建仿真药物使用环境;
D3、构建具有动作预测器和特征提取器的强化学习模型,在仿真药物使用环境中训练得到只提取与动作相关环境特征的特征提取器,所述强化学习模型的环境输入为转换后的环境词向量,强化学习模型的输出动作为数据库中已有的药物使用数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110034899.9A CN112863692B (zh) | 2021-01-12 | 2021-01-12 | 一种围术期药物不良反应评估模型构建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110034899.9A CN112863692B (zh) | 2021-01-12 | 2021-01-12 | 一种围术期药物不良反应评估模型构建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112863692A CN112863692A (zh) | 2021-05-28 |
CN112863692B true CN112863692B (zh) | 2023-02-14 |
Family
ID=76002739
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110034899.9A Active CN112863692B (zh) | 2021-01-12 | 2021-01-12 | 一种围术期药物不良反应评估模型构建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112863692B (zh) |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7269516B2 (en) * | 2001-05-15 | 2007-09-11 | Psychogenics, Inc. | Systems and methods for monitoring behavior informatics |
US10796801B2 (en) * | 2006-02-13 | 2020-10-06 | David G. Silverman | Method and system for assessing, quantifying, coding and communiicating patient's health and perioperative risk |
CN105279393B (zh) * | 2015-10-12 | 2018-08-28 | 厦门大学 | 一种基于权重网络评估药物不良反应的方法 |
CN105787261B (zh) * | 2016-02-19 | 2018-09-28 | 厦门大学 | 一种基于分子指纹图谱快速评估药物不良反应的方法 |
CN107145735B (zh) * | 2017-05-04 | 2019-08-06 | 中国药科大学 | 一种评估药物发生不良反应倾向的方法 |
CN111009322B (zh) * | 2019-10-21 | 2022-08-02 | 四川大学华西医院 | 围术期风险评估和临床决策智能辅助系统 |
CN111415758A (zh) * | 2020-03-18 | 2020-07-14 | 南京邮电大学 | 基于adr监测报告和离群点检测技术的药物风险评估方法 |
CN111524598A (zh) * | 2020-04-21 | 2020-08-11 | 赵述武 | 一种围术期并发症预测方法及系统 |
CN111724910B (zh) * | 2020-05-25 | 2023-04-18 | 北京和兴创联健康科技有限公司 | 一种适用于围手术期患者血液管理的检测评估方法 |
-
2021
- 2021-01-12 CN CN202110034899.9A patent/CN112863692B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN112863692A (zh) | 2021-05-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Saibene et al. | Expert systems: Definitions, advantages and issues in medical field applications | |
CN112365978B (zh) | 心动过速事件早期风险评估的模型的建立方法及其装置 | |
CN110348019B (zh) | 一种基于注意力机制的医疗实体向量转化方法 | |
US11170310B2 (en) | Systems and methods for automatic segment selection for multi-dimensional biomedical signals | |
Chen et al. | Heterogeneous postsurgical data analytics for predictive modeling of mortality risks in intensive care units | |
Liu et al. | TOP-Net prediction model using bidirectional long short-term memory and medical-grade wearable multisensor system for tachycardia onset: algorithm development study | |
Midani et al. | DeepArr: An investigative tool for arrhythmia detection using a contextual deep neural network from electrocardiograms (ECG) signals | |
Denysyuk et al. | Algorithms for automated diagnosis of cardiovascular diseases based on ECG data: A comprehensive systematic review | |
Li et al. | Automatic heartbeat classification using S-shaped reconstruction and a squeeze-and-excitation residual network | |
CN111199796A (zh) | 一种疾病辅助决策方法、装置及电子设备 | |
CN103619240A (zh) | 用于确定hrv和rrv并且用来识别潜在病症发作的方法和系统 | |
Erdoğan et al. | Objective pain assessment using vital signs | |
Ashu et al. | A novel approach of telemedicine for managing fetal condition based on machine learning technology from IoT-based wearable medical device | |
Serhani et al. | ECG-based arrhythmia classification & clinical suggestions: An incremental approach of hyperparameter tuning | |
CN112863692B (zh) | 一种围术期药物不良反应评估模型构建方法 | |
Jothiramalingam et al. | Review of Computational Techniques for the Analysis of Abnormal Patterns of ECG Signal Provoked by Cardiac Disease. | |
Georgieva-Tsaneva | Effective information methods for description and storage of data in health care | |
Akbar et al. | The deep convolutional networks for the classification of multi-class arrhythmia | |
Hedman et al. | Developing and comparing machine learning models to detect sleep apnoea using single-lead electrocardiogram (ECG) monitoring | |
Fernandez-Blanco et al. | Ensemble of convolution neural networks on heterogeneous signals for sleep stage scoring | |
Mayabee et al. | ECG Signal Classification Using Transfer Learning and Convolutional Neural Networks | |
Sun | Learning Models for Diagnosis and Prognosis from Electrocardiogram Data | |
BuhmannJoachim | Automatic Detection of Atrial Fibrillation from Single-Lead ECG Using Deep Learning of the Cardiac Cycle | |
Bashir et al. | Superiority real-time cardiac arrhythmias detection using trigger learning method | |
Guerra | Parkinson's Disease Diagnosis: A Machine Learning and Data Mining based Approach |
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 |