CN113077893A - 一种智能辅具适配决策系统及方法 - Google Patents
一种智能辅具适配决策系统及方法 Download PDFInfo
- Publication number
- CN113077893A CN113077893A CN202110441092.7A CN202110441092A CN113077893A CN 113077893 A CN113077893 A CN 113077893A CN 202110441092 A CN202110441092 A CN 202110441092A CN 113077893 A CN113077893 A CN 113077893A
- Authority
- CN
- China
- Prior art keywords
- data
- case
- reasoning
- decision
- rule
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 31
- 230000003044 adaptive effect Effects 0.000 title claims abstract description 13
- 230000006978 adaptation Effects 0.000 claims abstract description 56
- 238000007781 pre-processing Methods 0.000 claims abstract description 14
- 238000012545 processing Methods 0.000 claims abstract description 12
- 238000012937 correction Methods 0.000 claims abstract description 11
- 210000003205 muscle Anatomy 0.000 claims description 22
- 208000014674 injury Diseases 0.000 claims description 19
- 230000006378 damage Effects 0.000 claims description 18
- 208000027418 Wounds and injury Diseases 0.000 claims description 16
- 230000001953 sensory effect Effects 0.000 claims description 15
- 206010049816 Muscle tightness Diseases 0.000 claims description 10
- 238000005481 NMR spectroscopy Methods 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 9
- 230000002146 bilateral effect Effects 0.000 claims description 8
- 201000010099 disease Diseases 0.000 claims description 8
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 8
- 210000000436 anus Anatomy 0.000 claims description 7
- 238000003745 diagnosis Methods 0.000 claims description 7
- 238000000638 solvent extraction Methods 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 4
- 206010009346 Clonus Diseases 0.000 claims description 3
- 230000005856 abnormality Effects 0.000 claims description 3
- 230000001149 cognitive effect Effects 0.000 claims description 3
- 238000010219 correlation analysis Methods 0.000 claims description 3
- 230000004064 dysfunction Effects 0.000 claims description 3
- 230000009916 joint effect Effects 0.000 claims description 3
- 230000008733 trauma Effects 0.000 claims description 3
- 230000000740 bleeding effect Effects 0.000 claims description 2
- 238000010079 rubber tapping Methods 0.000 claims description 2
- 230000035807 sensation Effects 0.000 claims description 2
- 239000013589 supplement Substances 0.000 claims description 2
- 238000013501 data transformation Methods 0.000 claims 1
- 230000006735 deficit Effects 0.000 claims 1
- 238000002591 computed tomography Methods 0.000 description 8
- 210000003414 extremity Anatomy 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 208000004210 Pressure Ulcer Diseases 0.000 description 3
- 238000007418 data mining Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 206010011985 Decubitus ulcer Diseases 0.000 description 2
- 208000032843 Hemorrhage Diseases 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000006698 induction Effects 0.000 description 2
- 210000003141 lower extremity Anatomy 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 230000001502 supplementing effect Effects 0.000 description 2
- 208000024891 symptom Diseases 0.000 description 2
- 210000001364 upper extremity Anatomy 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 208000014094 Dystonic disease Diseases 0.000 description 1
- 206010061225 Limb injury Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000036528 appetite Effects 0.000 description 1
- 235000019789 appetite Nutrition 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013479 data entry Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 208000010643 digestive system disease Diseases 0.000 description 1
- 208000010118 dystonia Diseases 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000007717 exclusion Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000009469 supplementation Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Abstract
本发明公开了一种智能辅具适配决策系统和方法，涉及智能康复领域。智能辅具适配决策方法包括CBR推理步骤、RBR推理步骤和临床修正步骤。该系统包括知识库、数据采集模块、数据处理模块、混合推理模块和结果处理模块。数据采集模块采集原始数据并上传至云平台的知识库中的案例库存储备用，还将原始数据传输至数据预处理模块；数据预处理模块根据相关性将采集到的原始数据划分为CBR推理基础数据和RBR推理基础数据两类，并进行预处理。混合推理模块被配置为执行CBR推理步骤和RBR推理步骤。结果处理模块通过界面显示所述辅具适配方案决策结果，以及更新案例库。
Description
技术领域
本发明涉及智能康复领域，尤其涉及一种智能辅具适配决策系统及方法。
背景技术
根据国家政府部门和中国残联于2016年共同制定的《残疾人精准康复服务行动实施方案》指出，“到2020年，有需求的残疾儿童和持证残疾人接受基本康复服务的比例达80％以上”。为实现这一任务目标，各级政府积极展开残疾人精准康复服务行动，行动重点主要在于健全并落实残疾人基本康复服务相关措施。在残障人士的全面康复服务中，辅具适配评估服务是重要内容之一。就我国目前的辅具适配工作而言，残疾人数量多、专业评估适配师少、传统辅具适配程序落后、仍然是行动展开中存在的客观难题。
我国目前面临着康复辅具适配率低和康复人才全国性缺乏和区域性分配不均匀的问题，辅助决策系统在康复辅具适配上的应用能够有效解决当前存在的问题。随着信息技术的发展，医疗机构便捷存储的大量患者的电子病历等信息数据，为智能诊断的研究提供了良好的数据支持。人工智能和大数据分析等技术被引入医疗领域，也为临床决策支持系统的开发提供强大的技术支撑。临床决策支持系统通过运用专家系统的设计原理方法，模拟医学专家诊疗过程，并收集整理临床数据建立逻辑关联知识点来辅助医务人员进行临床决策。
因此，本领域的技术人员致力于开发一种智能辅具适配决策系统及方法，以便为康复医师提供辅助决策支持，为医疗条件欠发达地区的医生提供决策辅助支持，降低工作强度和误诊率。
发明内容
有鉴于现有技术的上述缺陷，本发明所要解决的技术问题是怎样为康复医师提供辅助决策支持。
为实现上述目的，本发明提供了一种智能辅具适配决策系统，包括知识库、数据采集模块、数据处理模块、混合推理模块和结果处理模块；
所述数据采集模块被配置为对病患进行医学检查，采集原始数据，并将检查所得到的原始数据上传至云平台的所述知识库中的案例库存储备用，还将所述原始数据传输至所述数据预处理模块；
所述数据预处理模块根据相关性将采集到的所述原始数据划分为基于案例推理的基础数据和基于规则推理的基础数据两类，并对所述原始数据进行预处理，得到能够被所述智能辅具适配决策系统识别和使用的数据集；
所述混合推理模块被配置为执行基于案例推理步骤和基于规则推理步骤，基于所述数据集利用基于案例推理方法调用云平台知识库中的已有数据进行案例推理，具体为将新患者数据中的四肢肌力、损伤性质、损伤平面、最低感觉平面、四肢肌张力和关节活动度信息作为特征属性，并与知识库中存储的历史病例的所述特征属性进行比较，根据相似度较高的案例得到初步辅具适配方案；然后针对患者存在的一些特殊情况，采用基于规则推理方法调用规则库中的规则对所述初步辅具适配方案进行补充和排除，得到基于混合推理的辅具适配方案决策结果；
所述结果处理模块通过界面显示所述辅具适配方案决策结果，并将所述辅具适配方案决策结果上传至云平台中以更新所述案例库。
进一步地，所述原始数据包括患者基本信息、身体体征指标、相关疾病检查和量表评分；
其中，所述患者基本信息包括姓名、性别、身高、体重；所述身体体征指标包括损伤性质、外伤情况、肌力、肌张力、阵挛情况、双侧最低正常感觉平面；所述相关疾病检查包括CT检查结果、核磁共振检查结果、是否有认知或语言功能障碍、肛门指诊和居住环境情况；所述量表评分包括vas评分，改良Asworth评估。
进一步地，所述损伤性质包括完全性和不完全性；肌力根据改良Asworth共分为6个等级；所述肌张力主要评估是否有异常，以确定辅具的使用限制；所述双侧最低正常感觉平面指根据“轻触法”确定的最低有感觉的脊髓节段；所述vas评分分为4个等级；所述CT检查结果用以判断病灶位置，不同位置对应不同的规则作出诊断；所述核磁共振检查结果用于判断病灶功能学情况，以排查体内出血；所述居住环境情况用于判别康复辅具在环境中的使用限制。
进一步地，所述预处理包括数据结构化、数据划分、数据编码、数据矩阵化和数据归一化。
进一步地，所述数据结构化是将云平台中分散的各类文档式数据按照条目进行结构化，统一数据中含有的特征属性，并对存在属性大量缺失的数据进行舍弃操作，缺失值较少时用NaN或均值进行填充，最终得到结构化数据集；
所述数据划分是基于相关性分析将所述结构化数据集中的属性分类，包括将损伤性质、肌力、肌张力、双侧最低正常感觉平面、vas评分归类为所述基于案例推理的基础数据，以用于基于案例推理；将CT检查结果、核磁共振检查结果，居住环境情况、肛门指诊情况归类为所述基于规则推理的基础数据，以作为基于规则推理的分析依据。
进一步地，所述数据矩阵化包括对用于基于案例推理的所述特征属性进行数据转换，用一个n*m的矩阵A表示，得到n行数据值，m个特征值；
所述数据归一化包括将所述矩阵A的所有数值缩放到[0,1]范围内，使不同的所述特征值具有可比性。
进一步地，包括基于案例推理步骤、基于规则推理步骤和临床修正步骤；
在所述基于案例推理步骤中，调用云平台案例库中的历史案例进行案例推理；
在所述基于规则推理步骤中，调用规则库中的规则进行规则推理；
在所述临床修正步骤中，针对无法识别或解决的情况，由临床医师进行修正。
进一步地，所述基于案例推理步骤包括：
读取当前案例的相关特征参数；
基于案例库历史案例计算出每个所述特征参数所占权重；
计算所述当前案例与历史案例的相似度；
取相似度最高的K个值作为参考用于匹配；
将检索匹配到的历史案例的标记空间作为新案例的标记输出。
进一步地，所述基于规则推理步骤包括：
判断患者是否存在所述基于案例推理步骤无法处理的特殊情况；
如果不存在所述特殊情况，则退出；如果存在所述特殊情况，则利用规则库中的规则对辅具适配方案进行完善，根据患者临床数据中不同于历史案例的情况，对辅具适配方案中的辅具种类予以补充或删除，即补充特殊情况下需要配置的辅具，或者排除某些特殊情况下不适用的辅具。
进一步地，所述规则是一种总结临床医师知识经验制定出的固定逻辑关系，模拟临床医师遇到问题时的思维过程。
与现有技术相比，本发明的有益技术效果在于：利用临床决策支持系统的概念构建智能辅具适配决策系统，可以为康复医师提供辅助决策支持，能够很好地缓解医疗资源不均衡的问题，为医疗条件欠发达地区的医生提供较为完善的决策辅助支持，降低工作强度和误诊率。
以下将结合附图对本发明的构思、具体结构及产生的技术效果作进一步说明，以充分地了解本发明的目的、特征和效果。
附图说明
图1是本发明的一个较佳实施例的智能辅具适配决策系统整体构成示意图；
图2是本发明的一个较佳实施例的智能辅具适配决策系统使用流程图；
图3是本发明的一个较佳实施例的CBR推理工作流程图；
图4是本发明的一个较佳实施例的RBR推理工作流程图。
具体实施方式
以下参考说明书附图介绍本发明的多个优选实施例，使其技术内容更加清楚和便于理解。本发明可以通过许多不同形式的实施例来得以体现，本发明的保护范围并非仅限于文中提到的实施例。
如图1所示，本发明所提的一种智能辅具适配决策系统从构成上看包括：知识库、数据采集模块、数据处理模块、混合推理模块和结果处理模块。
本系统的知识库的构建方法包括机器学习模型法、数据挖掘法和康复专家知识经验归纳法。机器学习模型法是借助机器学习算法构建一个智能辅具适配模型，以病患的特征属性为输入，得到辅具适配方案作为输出。数据挖掘算法是指利用数据挖掘技术从知识库的案例库大量历史案例中找出属性空间和标价空间的关联规则。康复专家知识经验归纳法是指总结康复医师的临床经验并以此制定规则作为系统判定的标准。
数据采集模块负责对病患进行医学检查，采集数据，并将检查所得到的原始数据上传至云平台的知识库中的案例库存储备用，还将这些原始数据传输至数据预处理模块。
数据采集模块采集的数据包括：患者基本信息，身体体征指标，相关疾病检查和量表评分等。患者基本信息包括姓名、性别、身高、体重等。身体体征指标包括损伤性质、外伤情况、肌力、肌张力、阵挛情况、双侧最低正常感觉平面。相关疾病检查包括CT检查结果、核磁共振检查结果、是否有认知或语言功能障碍、肛门指诊和居住环境情况等。量表评分包括vas评分，改良Asworth评估等。
损伤性质包括完全性和不完全性。
肌力根据改良Asworth共分为6个等级。
肌张力主要评估是否有异常，以确定辅具的使用限制。
双侧最低正常感觉平面主要是指，根据“轻触法”确定的最低有感觉的脊髓节段，人体脊柱共33个节段，根据损伤阶段和功能对应的专家经验，共分为C2，C3-C4，C5，C6，C7－T1，T2－T10，T11－T12，L1－L3，L4-Co1，共9个可选区间。
vas评分依据评估量表，分为4个等级，分别是无痛；有轻微疼痛，能忍受；疼痛并影响睡眠，尚能忍受；有渐强烈痛感，疼痛难忍，影响食欲和睡眠。
CT检查结果用以判断病灶位置，不同位置对应不同的规则作出诊断。
核磁共振检查结果用于判断病灶功能学情况，以排查体内出血。
居住环境情况主要用于判别康复辅具在环境中的使用限制。
数据预处理模块根据相关性将采集到的原始数据划分为基于案例推理(Case-based Reasoning,CBR)的基础数据和基于规则推理(Rule-based Reasoning,RBR)的基础数据，并对这些数据进行预处理。预处理包括数据的结构化、数据的划分、数据编码、数据的矩阵化和归一化，最终得到能够被系统识别和使用的数据集。
数据预处理包括：数据结构化、数据的划分、数据编码、数据的矩阵化和归一化。
数据结构化是将云平台中分散的各类文档式数据按照条目表格化，统一数据中含有的特征属性，并对存在属性大量缺失的数据进行舍弃操作，缺失值较少时用NaN或者均值进行填充；
数据的划分是基于相关性分析将结构化数据集中的属性分类，其中损伤性质、肌力、肌张力、双侧最低正常感觉平面、vas评分等数据用于CBR推理，CT检查结果、核磁共振检查结果，肛门指诊情况和居住环境情况等作为RBR推理的分析依据；
数据编码是指通过系统定义的算法和编程语句将输入的信息转换成机器能够接收的形式，从而使计算机能够理解不同文本信息代表的含义；
数据的矩阵化和归一化是针对用于CBR推理的这部分特征属性。此类特征属性经过数据转换之后用一个n*m的矩阵A表示，即n行数据值，m个特征值。归一化是将矩阵A的所有数值缩放到[0,1]范围内，使不同的特征值具有可比性。
混合推理模块基于上述数据集，并利用CBR推理方法调用云平台知识库中的已有数据进行案例推理，具体为通过界面输入新患者的临床病症，包括基本信息、肢体损伤情况、患者四肢关键肌力和肌张力以及肢体异常情况。将新患者数据中的四肢肌力、损伤性质、损伤平面、最低感觉平面、四肢肌张力和关节活动度信息作为特征属性与知识库中存储的历史病例进行比较，根据相似度较高的案例，得到初步辅具适配方案；再针对患者存在的一些特殊情况，采用RBR推理调用规则库中的规则对初步辅具适配方案进行补充和排除，得到基于混合推理的辅具适配方案决策结果。
结果处理模块通过界面显示最终得到的辅具适配方案决策结果。如有需要，可由临床医师对结果进行修正。然后将该辅具适配方案上传至云平台中以更新案例库，由此前数据采集模块中采集的此案例的相关原始数据和该辅具适配方案决策结果构成案例库中的一个新案例。
如图2所示，本发明提供的一种智能辅具适配决策系统的使用流程如下：
用户通过输入账号和密码登录系统；
病患医学检查数据上传至云平台，并传输至本系统用于数据录入和数据的预处理；
CBR推理引擎工作，根据本案例的特征属性，特殊属性包括四肢肌力、损伤性质、损伤平面、最低感觉平面、四肢肌张力和关节活动度，参考案例库中的历史案例针对当前案例给出初步辅具适配方案；
RBR推理引擎工作，基于规则库中规则针对特殊病情对初步辅具适配方案进行完善，根据患者临床数据中不同于历史案例的情况，对辅具适配方案中的辅具种类进行补充或删除，即补充特殊情况下需要配置的辅具，或者排除某些特殊情况下不适用的辅具。
系统在界面显示辅具适配方案，临床医师判断是否合理，如果合理则生成辅具适配方案决策结果并上传至案例库进行更新。案例库中的案例会随着系统的使用而不断的增加新案例，从而提高CBR推理结果的准确性。如果临床医师判断不合理，则可进行修正，得到修正后的辅具适配方案决策结果并上传至案例库进行更新，同时系统还将修正规则上传至规则库进行补充更新。辅具适配方案修正的有益技术效果在于：系统根据算法模型设定给出了辅具适配方案并自我完善，但实际中存在系统没有考虑到的情况，则由临床医师对系统给出的方案进行调整，包括辅具类别的增删，做到人性化和个性化。
本发明提供的基于CBR与RBR混合推理的智能辅具适配决策系统，所述混合推理模块主要包括CBR推理和RBR推理。其中，所述CBR推理工作流程如图3所示。该推理引擎工作流程包括：1、读取当前案例的相关特征参数；2、基于案例库历史案例计算出每个特征参数所占权重即客观权重值的求取；3、计算当前案例与历史案例的相似度；4、确定K值，即取相似度最高的K个值作为参考用于匹配；5、将检索匹配到的历史案例的标记空间作为新案例的标记输出。
1、读取当前案例的相关特征参数
临床医师在系统的主操作界面输入系统所需的相关特征参数，如身高、体重、肌力、肌张力、vas评分等。
2、求取各个特征参数的客观权重
案例库中案例的部分存储结构为：编号N,CBR推理所需数据包括：上/下肢肌力C1、C2，上/下肢肌张力C3、C4，损伤性质C5，双侧最低正常感觉平面C6，vas评分C7，RBR推理所需数据包括：CT检查结果R1，核磁共振检查结果R2，肛门指诊情况R3，居住环境情况R4，辅具适配方案P，见表1。
表1.案例库中案例的存储结构
将案例库中的数据集用n*m的矩阵A表示，即代表数据集有n个案例，m个特征属性；对矩阵中每个元素进行归一化处理，将所有的元素缩放到[0,1]范围内，消除特征值之间量级不同导致的影响：
再计算每个数据的特征值在整列特征属性中占的比重：
由比重算出每个特征属性的熵值：
最后计算每个特征属性的差异系数：每个差异系数除以差异系数和就得到每个特征属性的权重：
3、计算相似度
每个案例具有m个特征属性，将每个案例看成m维向量，利用欧式距离计算公式来计算两个案例的相似度即计算两个m维向量的距离。在本系统中涉及到的属性值有两种类型，分别是确定符号属性和有序枚举属性，其中确定符号属性的相似度计算公式为：
有序枚举属性的相似度计算公式为：
由上述两个相似度计算公式得到两个案例之间的相似度计算公式为：
4、确定K值
在建立智能辅具适配模型时，以命中率和召回率作为参考值，调节K值是命中率和召回率达到最佳。取相似度最高的前K个值作为新案例的参考案例。
5、案例的检索匹配
经过K值选定确认和新案例最相似的K个案例，然后将这些案例的标记空间进行整理，得到一个标记空间集合。此集合即为新案例匹配的标记，作为初步得到的辅具适配方案。
如图4所示，为本发明的RBR推理工作流程。RBR推理引擎工作流程包括：1、判断患者是否存在CBR无法处理的特殊情况；2、如果不存在则RBR推理引擎结束工作，如果存在的话则需要利用规则库中规则进行完善；3、辅具适配方案调整；4、辅具适配方案的审核。具体如下：
1、读取患者数据，系统判定是否存在用于RBR推理的特征属性，包括X线检查结果、MRI检查结果、是否有消化系统障碍等。
2、根据判定结果进行下一步。规则是一种总结临床医师知识经验制定出的固定逻辑关系，模拟临床医师遇到问题时的思维过程，生成规则形式为IF THEN，由原因得到结果。实际规则结构如下：
IF相关疾病a检查结果IS TRUE，THEN诊断建议AND辅具适配方案的排除和补充。
本系统中的规则多来自临床康复医师的临床辅具适配经验知识，用于RBR推理具有很高的实用性和可信性，部分规则示例如表2所示。
表2辅具适配规则示例
| IF | THEN |
| 存在褥疮高发风险 | 新增辅具：防压疮坐垫，防压疮床垫 |
| 居住空间无法通行轮椅 | 排除辅具：轮椅 |
| 存在肌张力异常 | 推荐线下适配 |
3、辅具适配方案调整：根据步骤2中的规则针对相关疾病对辅具适配方案进行补充或排除。
4、临床医师对RBR推理的结果核对，判断是否需要进行更改。如果需要修改则由临床医师做出调整，并将更改的规则上传至规则库中更新，如结果无需更改则输出最终适配方案。
本发明通过CBR推理调用云平台案例库中历史案例进行案例推理得到初步的辅具适配结果，然后针对CBR推理无法处理的数据采用RBR推理，利用规则库中的规则条目，对初步辅具适配结果进行完善，最后由临床医师进行确认或修正，从而能够为临床康复医师提供有效的康复辅具适配辅助决策意见。
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。
Claims (10)
1.一种智能辅具适配决策系统，其特征在于，包括知识库、数据采集模块、数据处理模块、混合推理模块和结果处理模块；
所述数据采集模块被配置为对病患进行医学检查，采集原始数据，并将检查所得到的原始数据上传至云平台的所述知识库中的案例库存储备用，还将所述原始数据传输至所述数据预处理模块；
所述数据预处理模块根据相关性将采集到的所述原始数据划分为基于案例推理的基础数据和基于规则推理的基础数据两类，并对所述原始数据进行预处理，得到能够被所述智能辅具适配决策系统识别和使用的数据集；
所述混合推理模块被配置为执行基于案例推理步骤和基于规则推理步骤，基于所述数据集利用基于案例推理方法调用云平台知识库中的已有数据进行案例推理，具体为将新患者数据中的四肢肌力、损伤性质、损伤平面、最低感觉平面、四肢肌张力和关节活动度信息作为特征属性，并与知识库中存储的历史病例的所述特征属性进行比较，根据相似度较高的案例得到初步辅具适配方案；然后针对患者存在的一些特殊情况，采用RBR推理方法调用规则库中的规则对所述初步辅具适配方案进行补充和排除，得到基于混合推理的辅具适配方案决策结果；
所述结果处理模块通过界面显示所述辅具适配方案决策结果，并将所述辅具适配方案决策结果上传至云平台中以更新所述案例库。
2.如权利要求1所述的智能辅具适配决策系统，其特征在于，所述原始数据包括患者基本信息、身体体征指标、相关疾病检查和量表评分；
其中，所述患者基本信息包括姓名、性别、身高、体重；所述身体体征指标包括损伤性质、外伤情况、肌力、肌张力、阵挛情况、双侧最低正常感觉平面；所述相关疾病检查包括CT检查结果、核磁共振检查结果、是否有认知或语言功能障碍、肛门指诊和居住环境情况；所述量表评分包括vas评分，改良Asworth评估。
3.如权利要求2所述的智能辅具适配决策系统，其特征在于，所述损伤性质包括完全性和不完全性；肌力根据改良Asworth共分为6个等级；所述肌张力主要评估是否有异常，以确定辅具的使用限制；所述双侧最低正常感觉平面指根据“轻触法”确定的最低有感觉的脊髓节段；所述vas评分分为4个等级；所述CT检查结果用以判断病灶位置，不同位置对应不同的规则作出诊断；所述核磁共振检查结果用于判断病灶功能学情况，以排查体内出血；所述居住环境情况用于判别康复辅具在环境中的使用限制。
4.如权利要求1所述的智能辅具适配决策系统，其特征在于，所述预处理包括数据结构化、数据划分、数据编码、数据矩阵化和数据归一化。
5.如权利要求4所述的智能辅具适配决策系统，其特征在于，所述数据结构化是将云平台中分散的各类文档式数据按照条目进行结构化，统一数据中含有的特征属性，并对存在属性大量缺失的数据进行舍弃操作，缺失值较少时用NaN或均值进行填充，最终得到结构化数据集；
所述数据划分是基于相关性分析将所述结构化数据集中的属性分类，包括将损伤性质、肌力、肌张力、双侧最低正常感觉平面、vas评分归类为所述基于案例推理的基础数据，以用于基于案例推理；将CT检查结果、核磁共振检查结果，居住环境情况、肛门指诊情况归类为所述基于规则推理的基础数据，以作为基于规则推理的分析依据。
6.如权利要求4所述的智能辅具适配决策系统，其特征在于，所述数据矩阵化包括对用于基于案例推理的所述特征属性进行数据转换，用一个n*m的矩阵A表示，得到n行数据值，m个特征值；
所述数据归一化包括将所述矩阵A的所有数值缩放到[0,1]范围内，使不同的所述特征值具有可比性。
7.一种智能辅具适配决策方法，其特征在于，包括基于案例推理步骤、基于规则推理步骤和临床修正步骤；
在所述基于案例推理步骤中，调用云平台案例库中的历史案例进行案例推理；
在所述基于规则推理步骤中，调用规则库中的规则进行规则推理；
在所述临床修正步骤中，针对无法识别或解决的情况，由临床医师进行修正。
8.如权利要求7所述的智能辅具适配决策方法，其特征在于，所述基于案例推理步骤包括：
读取当前案例的相关特征参数；
基于案例库历史案例计算出每个所述特征参数所占权重；
计算所述当前案例与历史案例的相似度；
取相似度最高的K个值作为参考用于匹配；
将检索匹配到的历史案例的标记空间作为新案例的标记输出。
9.如权利要求7所述的智能辅具适配决策方法，其特征在于，所述基于规则推理步骤包括：
判断患者是否存在所述基于案例推理步骤无法处理的特殊情况；
如果不存在所述特殊情况，则退出；如果存在所述特殊情况，则利用规则库中的规则对辅具适配方案进行完善，根据患者临床数据中不同于历史案例的情况，对辅具适配方案中的辅具种类予以补充或删除，即补充特殊情况下需要配置的辅具，或者排除某些特殊情况下不适用的辅具。
10.如权利要求7所述的智能辅具适配决策方法，其特征在于，所述规则是一种总结临床医师知识经验制定出的固定逻辑关系，模拟临床医师遇到问题时的思维过程。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110441092.7A CN113077893B (zh) | 2021-04-23 | 2021-04-23 | 一种智能辅具适配决策系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110441092.7A CN113077893B (zh) | 2021-04-23 | 2021-04-23 | 一种智能辅具适配决策系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113077893A true CN113077893A (zh) | 2021-07-06 |
| CN113077893B CN113077893B (zh) | 2024-02-09 |
Family
ID=76618528
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110441092.7A Active CN113077893B (zh) | 2021-04-23 | 2021-04-23 | 一种智能辅具适配决策系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113077893B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113555130A (zh) * | 2021-07-21 | 2021-10-26 | 杭州甘之草科技有限公司 | 一种基于案例推理的中医临床决策支持系统的构建方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101111862A (zh) * | 2004-12-06 | 2008-01-23 | 新科电子（资讯通信系统）私人有限公司 | 用于智能交通事故管理的方法和系统 |
| WO2016093406A1 (en) * | 2014-12-12 | 2016-06-16 | University-Industry Cooperation Group Of Kyung Hee University | Clinical knowledge validation system and method based on case base reasoning |
| CN105912773A (zh) * | 2016-04-08 | 2016-08-31 | 江苏大学 | 一种新的基于数据挖掘技术的智能冲压工艺设计方法 |
| CN108735292A (zh) * | 2018-04-28 | 2018-11-02 | 四川大学 | 基于人工智能的可摘局部义齿方案决策方法和系统 |
-
2021
- 2021-04-23 CN CN202110441092.7A patent/CN113077893B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101111862A (zh) * | 2004-12-06 | 2008-01-23 | 新科电子（资讯通信系统）私人有限公司 | 用于智能交通事故管理的方法和系统 |
| WO2016093406A1 (en) * | 2014-12-12 | 2016-06-16 | University-Industry Cooperation Group Of Kyung Hee University | Clinical knowledge validation system and method based on case base reasoning |
| CN105912773A (zh) * | 2016-04-08 | 2016-08-31 | 江苏大学 | 一种新的基于数据挖掘技术的智能冲压工艺设计方法 |
| CN108735292A (zh) * | 2018-04-28 | 2018-11-02 | 四川大学 | 基于人工智能的可摘局部义齿方案决策方法和系统 |
Non-Patent Citations (3)
| Title |
|---|
| 张奕等: "基于CBR与RBR的应急决策支持系统设计与实现", 《软件导刊》 * |
| 户春影等: "《高速切削加工单元的实例推理机制及数据库系统》", 哈尔滨：哈尔滨工程大学出版社 * |
| 沈龙龙: "基于案例推理的康复训练专家系统的硏究与应用", 《中国优秀硕士学位论文全文数据库》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113555130A (zh) * | 2021-07-21 | 2021-10-26 | 杭州甘之草科技有限公司 | 一种基于案例推理的中医临床决策支持系统的构建方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113077893B (zh) | 2024-02-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105975740B (zh) | 一种带有智能诊断的医疗系统 | |
| Bashinskaya et al. | Arthroplasty utilization in the United States is predicted by age-specific population groups | |
| CN107193919A (zh) | 一种电子病历的检索方法及系统 | |
| Barhoom et al. | Bone Abnormalities Detection and Classification Using Deep Learning-VGG16 Algorithm | |
| Barhoom et al. | Deep Learning-Xception Algorithm for Upper Bone Abnormalities Classification | |
| CN101647696A (zh) | 健康诊疗智能系统 | |
| CN110739076A (zh) | 一种医疗人工智能公共训练平台 | |
| CN110600109B (zh) | 一种彩色图像融合的诊断监控综合医疗系统及其融合方法 | |
| Barhoom et al. | A survey of bone abnormalities detection using machine learning algorithms | |
| CN114947756B (zh) | 基于皮肤图像的特应性皮炎严重程度的智能评估决策系统 | |
| CN112542226A (zh) | 用于肢体功能障碍患者康复辅具适配的决策支持系统 | |
| CN115497616A (zh) | 一种感染性疾病辅助决策的方法、系统、设备及存储介质 | |
| CN113838577A (zh) | 便捷化分层老年mods早期死亡风险评估模型、装置及建立方法 | |
| CN115565660A (zh) | 一种基于特征识别的医疗影像数据共享管理系统 | |
| CN113077893B (zh) | 一种智能辅具适配决策系统及方法 | |
| CN115331779A (zh) | 一种基于大数据的医疗损伤康复方法、系统和介质 | |
| CN110575178A (zh) | 一种运动状态判断的诊断监控综合医疗系统及其判断方法 | |
| Wang et al. | Efficient subject-independent detection of anterior cruciate ligament deficiency based on marine predator algorithm and support vector machine | |
| CN117153379B (zh) | 一种胸廓出口综合征的预测装置 | |
| CN113257410A (zh) | 一种基于中医临床医疗知识库和深度学习模型的问诊方法 | |
| CN110580951B (zh) | 一种通信加密的诊断监控综合医疗系统及其通信加密方法 | |
| CN116664966B (zh) | 一种红外图像处理系统 | |
| CN115295110A (zh) | 一种术后并发症预测系统及方法 | |
| Hamdani et al. | Comparison of Case-Based Reasoning and Certainty Factor Methods for Dengue Diagnosis | |
| TWM631912U (zh) | 呼吸狀態分類系統 |
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 |