CN113140326A - 一种新冠肺炎检测装置、干预装置及检测干预系统 - Google Patents

一种新冠肺炎检测装置、干预装置及检测干预系统 Download PDF

Info

Publication number
CN113140326A
CN113140326A CN202011627671.2A CN202011627671A CN113140326A CN 113140326 A CN113140326 A CN 113140326A CN 202011627671 A CN202011627671 A CN 202011627671A CN 113140326 A CN113140326 A CN 113140326A
Authority
CN
China
Prior art keywords
user
information
disease
detection
pneumonia
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
Application number
CN202011627671.2A
Other languages
English (en)
Other versions
CN113140326B (zh
Inventor
钟南山
樊代明
姚娟娟
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.)
Shanghai Mingping Medical Data Technology Co ltd
Original Assignee
Shanghai Mingping Medical Data Technology Co ltd
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 Shanghai Mingping Medical Data Technology Co ltd filed Critical Shanghai Mingping Medical Data Technology Co ltd
Priority to CN202011627671.2A priority Critical patent/CN113140326B/zh
Priority to PCT/CN2021/086311 priority patent/WO2022141928A1/zh
Publication of CN113140326A publication Critical patent/CN113140326A/zh
Application granted granted Critical
Publication of CN113140326B publication Critical patent/CN113140326B/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
    • G16H50/80—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for detecting, monitoring or modelling epidemics or pandemics, e.g. flu
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G16H50/70—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
    • 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

本发明提供一种新冠肺炎检测装置、干预装置及检测干预系统。所述新冠肺炎检测装置包括：存储模块，存储有第一关联模型；所述第一关联模型包括多种疾病和疾病信息；其中，所述多种疾病包括新冠肺炎，且每种疾病至少与一个所述疾病信息相关联；健康信息获取模块，用于获取用户的健康信息；所述用户的健康信息与所述第一关联模型中的疾病信息相关联；新冠肺炎检测模块，与所述健康信息获取模块和所述存储模块相连，用于根据所述用户的健康信息和所述第一关联模型生成用户的检测结果；所述用户的检测结果包括用户的异常信息以及用户患有新冠肺炎的概率。所述新冠肺炎检测装置能够以定量的方式给出用户患有新冠肺炎的概率。

Description

一种新冠肺炎检测装置、干预装置及检测干预系统
技术领域
本发明属于医疗或健康数据处理领域，涉及一种疾病的检测干预装置，特别是设计一种新冠肺炎检测装置、干预装置及检测干预系统。
背景技术
新型冠状病毒肺炎(Corona Virus Disease 2019，COVID-19)简称新冠肺炎，以其高传染性、高危害性等特点受到了越来越多的关注。新冠肺炎以发热、干咳、乏力等为主要表现，少数患者伴有鼻塞、流涕、腹泻等上呼吸道和消化道症状。现阶段，为了减少接触、避免人员聚集并减少前往医院的频率，公众倾向于通过自测的方式实现新冠肺炎的自我检测。现有的自我检测方案多为定性的检测方案，即：通过问卷的方式获取用户的症状、旅行史等信息，并根据获取的信息定性的给出用户的检测结果。例如，对于仅出现发热、干咳症状而无疫区域旅行史和新冠患者接触史的用户，其检测结果为疫情安全状态；对于出现多种症状并具有新冠患者接触史的用户，其检测结果为高风险状态。然而，发明人在实际应用中发现，这种定性的检测方案提供给用户的信息相对较少，用户很难通过现有的检测方案获取新冠肺炎的患病概率。
发明内容
鉴于以上所述现有技术的缺点，本发明的目的在于提供一种新冠肺炎检测装置、干预装置及检测干预系统，用于解决现有技术中用户无法获取新冠肺炎患病概率的问题。
为实现上述目的及其他相关目的，本发明的第一方面提供一种新冠肺炎检测装置；
于所述第一方面的一实施例中，所述新冠肺炎检测装置包括：存储模块，存储有第一关联模型；所述第一关联模型包括多种疾病和疾病信息；其中，所述多种疾病包括新冠肺炎，且每种疾病至少与一个所述疾病信息相关联；健康信息获取模块，用于获取用户的健康信息；所述用户的健康信息与所述第一关联模型中的疾病信息相关联；新冠肺炎检测模块，与所述健康信息获取模块和所述存储模块相连，用于根据所述用户的健康信息和所述第一关联模型生成用户的检测结果；所述用户的检测结果包括用户的异常信息以及用户患有新冠肺炎的概率。
于所述第一方面的一实施例中，所述新冠肺炎检测模块包括：权重计算单元，与所述健康信息获取模块和所述存储模块相连，用于根据所述第一关联模型和所述用户的异常信息计算用户疾病信息的权重值；其中，所述用户疾病信息是指与所述用户的异常信息相关联的疾病信息；概率计算单元，与所述权重计算单元和所述存储模块相连，用于根据所述用户疾病信息的权重值和所述第一关联模型计算用户患有新冠肺炎的概率。
于所述第一方面的一实施例中，所述新冠肺炎检测模块包括：训练数据获取单元，与所述存储模块相连，用于获取训练数据；所述训练数据来源于所述第一关联模型和检测案例数据库；神经网络训练单元，与所述训练数据获取单元相连，用于利用所述训练数据对一神经网络模型进行训练，以获得训练好的概率计算神经网络模型；神经网络处理单元，与所述神经网络训练单元和所述健康信息获取模块相连，用于利用所述概率计算神经网络模型对用户疾病信息进行处理，以获取用户患有新冠肺炎的概率；其中，所述用户疾病信息是指与所述用户的异常信息相关联的疾病信息。
于所述第一方面的一实施例中，所述健康信息获取模块包括：自测模板生成单元，用于生成一新冠自测模板；所述新冠自测模板用于提示用户输入健康信息；健康信息接收单元，与所述自测模板生成单元相连，用于获取用户输入的健康信息；自测模板更新单元，与所述自测模板生成单元、所述健康信息接收单元和所述存储模块相连，用于根据所述用户的健康信息和所述第一关联模型对所述新冠自测模板进行更新；更新后的新冠自测模板用于提示用户继续输入健康信息。
于所述第一方面的一实施例中，所述健康信息接收单元还用于根据一医学标准词语库对所述用户输入的健康信息进行标准化。
于所述第一方面的一实施例中，所述第一关联模型还包括所述疾病的亚型，和/或所述疾病信息的子类。
于所述第一方面的一实施例中，所述健康信息获取模块包括：检测报告接收单元，用于获取用户的检测报告；检测报告识别单元，与所述检测报告接收单元相连，用于对所述用户的检测报告进行识别，以获取用户的健康信息。
于所述第一方面的一实施例中，所述健康信息获取模块还包括：医学影像接收单元，用于获取用户的胸部影像；医学影像识别单元，与所述医学影像接收单元相连，用于对所述用户的胸部影像进行处理，以获取用户的健康信息。
于所述第一方面的一实施例中，所述新冠肺炎检测装置还包括：疑似疾病获取模块，与所述健康信息获取模块和所述存储模块相连，用于根据所述用户的健康信息和所述第一关联模型获取疑似疾病。
于所述第一方面的一实施例中，所述新冠肺炎检测装置还包括：科普信息获取模块，与所述疑似疾病获取模块相连，用于根据所述疑似疾病获取用户科普信息。
于所述第一方面的一实施例中，所述新冠肺炎检测装置还包括：检测报告获取模块，与所述疑似疾病获取模块和所述存储模块相连，用于根据所述疑似疾病和所述第一关联模型生成用户的检测报告；所述用户的检测报告包括所述疑似疾病及其疾病信息。
于所述第一方面的一实施例中，所述新冠肺炎检测装置还包括：新冠肺炎预警模块，与所述新冠肺炎检测模块相连，用于根据所述用户的检测结果确定用户的风险等级，并根据所述用户的风险等级生成预警信息。
本发明的第二方面提供一种新冠肺炎干预装置；所述新冠肺炎干预装置包括：检测结果获取模块，用于获取用户的检测结果；所述用户的检测结果包括用户的异常信息以及用户患有新冠肺炎的概率；干预方案生成模块，与所述检测结果获取模块相连，用于根据所述用户的检测结果和第二关联模型获取用户的干预方案；所述第二关联模型包括多种疾病、疾病信息和干预措施；其中，每种疾病至少与一个疾病信息相关联，并至少与一个干预措施相关联；所述多种疾病包括新冠肺炎；所述疾病信息与所述用户的异常信息相关联。
于所述第二方面的一实施例中，所述干预方案生成模块包括：习惯干预单元，与所述检测结果获取模块相连，用于根据所述用户患有新冠肺炎的患病概率和所述第二关联模型生成生活习惯干预方案；和/或药物干预单元，与所述检测结果获取模块相连，用于根据所述用户患有新冠肺炎的患病概率和所述第二关联模型生成用药干预方案；和/或就医干预单元，与所述检测结果获取模块相连，用于根据所述用户患有新冠肺炎的患病概率和所述第二关联模型生成就医干预方案。
本发明的第三方面包括一种新冠肺炎检测干预系统。所述新冠肺炎干预系统包括：本发明所述的新冠肺炎检测装置，用于获取用户的检测结果；本发明所述的新冠肺炎干预装置，与所述新冠肺炎检测装置通信相连，用于根据所述用户的检测结果获取用户的干预方案。
如上所述，本发明所述新冠肺炎检测装置、干预装置及检测干预系统的一个技术方案具有以下有益效果：
所述新冠肺炎检测装置能够根据用户的健康信息和所述第一关联模型生成用户的检测结果；其中，所述用户的检测结果包括用户的异常信息以及用户患有新冠肺炎的概率。因此，所述新冠肺炎检测装置能够以定量的方式为用户提供患有新冠肺炎的概率，以便为用户接下来采用干预措施提供更加详细的信息。
附图说明
图1显示为本发明所述新冠肺炎检测装置于一具体实施例中的结构示意图。
图2显示为本发明所述新冠肺炎检测装置于一具体实施例中的第一关联模型示例图。
图3A显示为本发明所述新冠肺炎检测装置于一具体实施例中新冠肺炎检测模块的结构示意图。
图3B显示为本发明所述新冠肺炎检测装置于一具体实施例中新冠肺炎检测模块的结构示意图。
图3C显示为本发明所述新冠肺炎检测装置于一具体实施例中获取训练数据的流程图。
图4A显示为本发明所述新冠肺炎检测装置于一具体实施例中健康信息获取模块的结构示意图。
图4B显示为本发明所述新冠肺炎检测装置于一具体实施例中获取用户健康信息的流程图。
图5显示为本发明所述新冠肺炎检测装置于一具体实施例中的结构示意图。
图6显示为本发明所述新冠肺炎干预装置于一具体实施例中的第二关联模型示例图。
元件标号说明
1 新冠肺炎检测装置
11 存储模块
12 健康信息获取模块
121 自测模板生成单元
122 健康信息接收单元
123 自测模板更新单元
13 新冠肺炎检测模块
131 权重计算单元
132 概率计算单元
133 训练数据获取单元
134 神经网络训练单元
135 神经网络处理单元
14 疑似疾病获取模块
15 科普信息获取模块
16 检测报告获取模块
2 第一关联模型
3 第二关联模型
S31～S33 步骤
S41～S46 步骤
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，图示中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
为了减少接触、避免人员聚集并减少前往医院的频率，公众倾向于通过自测的方式实现新冠肺炎的自我检测。现有的自我检测方案多为定性的检测方案，即：通过问卷或AI问答的方式获取用户的症状、旅行史等信息，并根据获取的信息定性的给出用户的检测结果。例如，对于仅出现发热、干咳症状而无疫区域旅行史和新冠患者接触史的用户，其检测结果为疫情安全状态；对于出现多种症状并具有新冠患者接触史的用户，其检测结果为高风险状态。然而，发明人在实际应用中发现，这种定性的检测方案提供给用户的信息相对较少，用户很难通过现有的检测方案获取新冠肺炎的患病概率。针对这一问题，本发明提供一种新冠肺炎检测装置，所述新冠肺炎检测装置能够根据用户的健康信息和所述第一关联模型生成用户的检测结果；其中，所述用户的检测结果包括用户的异常信息以及用户患有新冠肺炎的概率。因此，所述新冠肺炎检测装置能够以定量的方式为用户提供患有新冠肺炎的概率，以便为用户接下来采用干预措施提供更加详细的信息。
请参阅图1，于本发明的一实施例中，所述新冠肺炎检测装置1包括存储模块11、健康信息获取模块12和新冠肺炎检测模块13。
所述存储模块11存储有第一关联模型；所述第一关联模型包括多种疾病和疾病信息；其中，所述多种疾病包括新冠肺炎，且所述第一关联模型中的每种疾病至少与一个所述疾病信息相关联。优选地，所述疾病信息包括症状体征、检查指标和/或档案相关信息。
具体地，与新冠肺炎相关联的症状体征包括：发热、干咳、乏力、鼻塞、流涕、咽痛、腹泻、呕吐、呼吸困难、呼吸急促、低氧血症和/或精神弱；与新冠肺炎相关联的指标子信息包括：淋巴细胞计数减少、肝酶增高、乳酸脱氢酶(LDH)增高、肌酶和肌红蛋白增高、肌钙蛋白增高、C反应蛋白(CRP)和血沉升高、D-二聚体升高、外周血淋巴细胞进行性减少和/或炎症因子升高；与新冠肺炎相关联的档案相关信息包括：年龄、旅行史或居住史、患者接触史、疾病史等。
所述健康信息获取模块12用于获取用户的健康信息；其中，所述用户的健康信息与所述第一关联模型中的疾病信息相关联。所述健康信息获取模块12可以通过用户的自测报告获取用户的健康信息，也可以通过健康采集设备采集到的用户数据获取用户的健康信息。其中，所述健康采集设备例如智能手环、智能手表、血压仪等。优选地，所述用户的健康信息包括用户的症状子信息、指标子信息和档案子信息，其中，用户的症状子信息与所述第一关联模型的症状体征相关联，用户的指标子信息与所述第一关联模型的检查指标相关联，用户的档案子信息与所述第一关联模型的档案相关信息相关联。其中，所述用户的健康信息是指获取到的原始信息，所述第一关联模型中的疾病信息为标准信息
对所述原始信息进行处理后获取到的疾病信息即为与所述用户的健康信息相关联的疾病信息。例如，若用户的健康信息包括发热，则与该健康信息相关联的疾病信息为发热；若用户的健康信息包括体温为37.5℃，则与该健康信息相关联的疾病信息为发低烧；若用户的健康信息包括曾经与感染者接触，则与该健康信息相关联的疾病信息为
具体地，所述症状子信息包括用户身体或心理表现出的相关症状体征，例如：发热、干咳、乏力、呼吸困难等，用户可以通过自己的身体表现确定所述症状子信息。当用户的身体表现出某种症状体征时，所述用户的健康信息通过症状子信息的形式对该症状体征进行记录。例如，当用户出现咳嗽这一症状体征时，所述用户的健康信息中包括咳嗽这一症状子信息。
所述指标子信息包括身体指标，所述身体指标通过定量的方式对用户的身体状况进行描述，例如：血压、体温、白细胞计数、血红蛋白等；用户可以通过相应的医疗设备获得所述指标子信息，也可以通过医院体检等方式获得所述指标子信息。例如，当用户通过血压计测得血压值时，所述用户的健康信息以指标子信息的形式对该血压值进行记录。
所述档案子信息包括用户的健康档案中的相关信息，例如：性别、年龄、居住地、疾病史、旅行史、过敏史、用药史等。
所述新冠肺炎检测模块13与所述健康信息获取模块12和所述存储模块11相连，用于根据所述用户的健康信息和所述第一关联模型生成用户的检测结果；所述用户的检测结果包括用户的异常信息以及用户患有新冠肺炎的概率。具体地，所述新冠肺炎检测模块13从所述用户的健康信息中获取用户的异常信息，并根据所述用户的异常信息获取用户患有新冠肺炎的概率。
当用户的健康信息中包含症状子信息时，所有症状子信息均为所述异常信息；例如，发热、干咳、乏力、呼吸困难等症状均为异常信息。当用户的健康信息中包含指标子信息时，指标值在正常值范围之外的指标子信息为所述异常信息；例如，体温大于37.3℃时，体温为异常信息；所述正常值范围可以通过权威医学专家进行定义。当用户的健康信息中包含档案子信息时，与健康人群不同的档案子信息为所述异常信息；例如，健康人群普遍没有疫区旅行史，而用户的档案子信息中包含疫区旅行史，则疫区旅行史这一档案子信息为异常信息。
根据以上描述可知，本实施例所述新冠肺炎检测装置能够根据用户的健康信息和所述第一关联模型获取用户的检测结果，所述用户的检测结果包括用户的异常信息以及用户患有新冠肺炎的概率；其中，所述用户患有新冠肺炎的概率根据所述用户的异常信息计算得到。因此，用户可以通过本实施例所述新冠肺炎检测装置获取其患有新冠肺炎的概率，从而为接下来采用干预措施提供详细的依据。
请参阅图2，于本发明的一实施例中，所述第一关联模型2包括的疾病为新冠肺炎、疾病1和疾病2，且所述第一关联模型2包括的症状体征为症状1至症状6，其包括的检查指标为指标1至指标4，其包括的档案相关信息为档案信息1至安敢信息3。此外，所述第一关联模型2还定义了疾病与所述症状体征、所述检查指标和所述档案相关信息之间的关联关系。
具体地，对于任一疾病和任一症状体征，若该疾病会使用户出现该症状体征，则认为该疾病与该症状体征之间存在关联关系，在图中用疾病和症状体征之间的直线表示该关联关系，例如：所述第一关联模型2中新冠肺炎和症状2；若该疾病不会使用户出现该症状体征，则认为该疾病与该症状体征之间不存在关联关系，例如：所述第一关联模型2中的新冠肺炎和症状3。因此，在检测过程中，如果用户出现了该症状体征，则可以根据该关联关系认为用户可能患有该疾病。例如，对于新冠肺炎来说，新冠肺炎患者一般都会出现干咳症状，因而新冠肺炎疾病与干咳症状之间存在关联关系；基于此，在检测过程中，若用户出现干咳症状，则可以认为用户可能患有新冠肺炎。
对于任一疾病和任一检查指标，若该疾病会使该检查指标出现异常，则认为该疾病和该检查指标存在关联关系，在图中用疾病和检查指标征之间的直线表示该关联关系，例如：所述第一关联模型2中的新冠肺炎和指标1；否则认为该疾病和该检查指标不存在关联关系，例如：所述第一关联模型2中的新冠肺炎和指标4。因此，在检测过程中，如果用户的该检查指标存在异常，则可以根据该关联关系认为用户可能患有该疾病。例如，对于新冠肺炎来说，该疾病会导致用户的体温超出正常值范围，因而新冠肺炎疾病与体温指标之间存在关联关系；基于此，在检测过程中，若用户出现体温偏高时，则认为用户可能患有新冠肺炎。
对于任一疾病和任一档案相关信息，该档案相关信息可能导致用户出现该疾病，则认为该疾病和该档案相关信息存在关联关系，在图中用疾病和档案相关信息之间的直线表示该关联关系，例如，所述第一关联模型2中的新冠肺炎和档案信息3；否则认为该疾病和该档案相关信息不存在关联关系，例如，所述第一关联模型2中的新冠肺炎和档案信息1。因此，在检测过程中，如果发现用户存在该档案相关信息，则可以根据该关联关系认为用户可能患有该疾病。例如，疫区旅行史可能会导致用户患有新冠肺炎，因而新冠肺炎疾病与疫区旅行史这一档案相关信息之间存在关联关系；基于此，在检测过程中，若用户存在疫区旅行史，则认为用户可能患有新冠肺炎。
请参阅图3A，于本发明的一实施例中，所述新冠肺炎检测模块13包括权重计算单元131和概率计算单元132。
所述权重计算单元131与所述健康信息获取模块12和所述存储模块11相连，用于根据所述第一关联模型和所述用户的异常信息计算用户疾病信息的权重值；其中，所述用户疾病信息是指与所述用户的异常信息相关联的疾病信息。
具体地，对于任一疾病信息m，其在新冠肺炎疾病中的权重值Wm为
Figure BDA0002877851210000081
其中，Nm为与所述用户疾病信息m相关联的所有疾病的数量；例如在所述第一关联模型2中，与指标3相关联的所有疾病的数量为2，与症状1相关联的所有疾病的数量为3。Ni为与用户疾病信息i相关联的所有疾病的数量；M为与新冠肺炎相关联的所有疾病信息的数量。上述参数Nm、Ni以及M均可以从所述第一关联模型中获取。
与新冠肺炎相关联的疾病信息由所述第一关联模型决定，而所述第一关联模型是由本领域权威专家定义并维护。根据所述第一关联模型，若用户疾病信息中包含了与新冠肺炎相关联的所有疾病信息，则认为用户患有新冠肺炎的概率为100％。
所述概率计算单元132与所述权重计算单元131和所述存储模块11相连，用于根据所述用户疾病信息的权重值和所述第一关联模型计算用户患有新冠肺炎的概率。具体地，假如在所有的用户疾病信息中，与新冠肺炎相关联的用户疾病信息组成的集合为Q，则用户患有新冠肺炎的概率P为：
Figure BDA0002877851210000091
表示所有包含于集合Q中的用户疾病信息的权重值之和，Wj表示用户疾病信息j在新冠肺炎疾病中的权重值。由于用户疾病信息为疾病信息的子集，因此，疾病信息权重值的计算方法同样适用于用户疾病信息。
接下来将在所述第一关联模型2的基础上，通过一个具体的实例对上述患病概率的计算过程进行介绍。基于所述第一关联模型2可知，与新冠肺炎相关联的疾病信息包括：症状1(命名为疾病信息1)，与其相关联的所有疾病的数量N1＝3；症状2(命名为疾病信息2)，与其相关联的所有疾病的数量N2＝1；症状5(命名为疾病信息3)，与其相关联的所有疾病的数量N3＝1；指标1(命名为疾病信息4)，与其相关联的所有疾病的数量N4＝2；指标2(命名为疾病信息5)，与其相关联的所有疾病的数量N5＝1；指标3(命名为疾病信息6)，与其相关联的所有疾病的数量N6＝2；档案信息3(命名为疾病信息7)，与其相关联的所有疾病的数量N7＝2。
若用户疾病信息包括：症状1、症状2、症状6和指标3，则用户疾病信息中与新冠肺炎相关联的用户疾病信息组成的集合Q包括：症状1(疾病信息1)、症状2(疾病信息2)和指标3(疾病信息6)，并且：
疾病信息1的权重为：
Figure BDA0002877851210000092
疾病信息2的权重为：
Figure BDA0002877851210000093
疾病信息6的权重为：
Figure BDA0002877851210000094
因此，用户患有新冠肺炎的概率P＝W1+W2+W6＝34.5％。
请参阅图3B，于本发明的一实施例中，所述新冠肺炎检测模块13包括训练数据获取单元133、神经网络训练单元134和神经网络处理单元135。
所述训练数据获取单元133与所述存储模块11相连，用于获取训练数据；其中，所述训练数据来源于所述第一关联模型和检测案例数据库，即：所述训练数据包括两类，一是来源于所述第一关联模型的训练数据，二是来源于检测案例数据库的训练数据。所述检测案例数据库包含大量真实的检测案例，该真实的检测案例包括但不限于线上问诊案例以及线下检测案例。所述训练数据获取单元133按照不同的混合比例对上述两类训练数据进行混合，能够实现理论数据与实际数据相结合，以保证所述概率计算神经网络模型的准确性和实用性。
此外，来源于所述第一关联模型的训练数据是指根据所述第一关联模型生成的训练数据。请参阅图3C，对于新冠肺炎，根据所述第一关联模型生成训练数据的实现方法包括：
S31，根据所述第一关联模型获取与新冠肺炎相关联的所有疾病信息。例如，基于所述第一关联模型2，与新冠肺炎相关联的所有疾病信息包括症状1、症状2、症状5、指标1、指标2、指标3和档案信息3。
S32，对步骤S31获取的疾病信息进行组合式选取，从而获得不同的疾病信息组合。具体地，根据数学中排列组合的概念，从所有疾病信息中选取出多个疾病信息组合，其中，各疾病信息组合所包含的疾病信息各不相同。例如，若步骤S31中获取的所有疾病信息包括疾病信息1、疾病信息2和疾病信息3，则步骤S32中获取的一个疾病信息组合可以是疾病信息1，还可以是疾病信息1和疾病信息2，也可以是疾病信息2和疾病信息3，等等。对于新冠肺炎，步骤S32能够获取的疾病信息组合的数量最多为2M-1；其中，M为新冠肺炎关联的所有疾病信息的数量。
S33，计算各所述疾病信息组合对应的患病概率；所述患病概率可以通过上述权重计算单元131和概率计算单元132实现，也可以通过其他方式实现，此处不做限制。各所述疾病信息组合及其对应的患病概率即为所述训练数据。
所述神经网络训练单元134与所述训练数据获取单元133相连，用于利用所述训练数据对一神经网络模型进行训练，以获得训练好的概率计算神经网络模型；其中，利用所述训练数据对神经网络模型进行训练可以利用现有的训练方法实现，此处不再赘述。
所述神经网络处理单元135与所述神经网络训练单元134和所述健康信息获取模块12相连，用于利用所述概率计算神经网络模型对用户疾病信息进行处理，以获得所述新冠肺炎的患病概率。具体地，所述神经网络处理单元135将所述用户疾病信息作为所述概率计算神经网络模型的输入，所述概率计算神经网络模型的输出即为新冠肺炎的患病概率。其中，所述用户疾病信息是指与所述用户的异常信息相关联的疾病信息。
本实施例中，所述训练数据获取单元133通过选取检测案例数据库的训练数据作为第一类训练数据，并根据所述第一关联模型生成第二类训练数据。其中，所述第一类训练数据为实际检测中采集到的数据，所述第二类训练数据为理论推导出的数据。在此基础上，所述训练数据获取单元133还根据一混合比例将所述第一类训练数据和所述第二类训练数据进行结合，使得所述概率计算神经网络模型具有较高的准确性和实用性，进而保证根据所述患病概率得出的科普信息优先级能够适用于真实案例。
于一些实施例中往往只针对新冠肺炎进行检测，因而其只收集新冠肺炎的疾病信息并根据收集到的疾病信息给出针对新冠肺炎的检测结果。然而，现实中存在许多疾病与新冠肺炎有着相似的疾病信息，例如：急性上呼吸道感染、结核性胸膜炎、肺结核、支气管扩张等。对于上述疾病的患者，如果仅按照新冠肺炎进行疾病信息的收集和自我检测可能会导致错误用药、情绪恐慌等问题。例如，对于肺结核患者，因为其具有部分症状与新冠肺炎相似，因此根据这些实施例中的检测方案获得的检测结果可能是新冠肺炎中风险，此时可能会导致患者不必要的情绪恐慌和错误用药等问题。
针对这一问题，请参阅图4A，于本发明的一实施例中，所述健康信息获取模块12包括自测模板生成单元121、健康信息接收单元122和自测模板更新单元123。
其中，所述自测模板生成单元121用于生成一新冠自测模板，该新冠自测模板为初始自测模板，用于提示用户输入健康信息。
所述健康信息接收单元122用于接收用户输入的健康信息。
所述自测模板更新单元123与所述自测模板生成单元121、所述健康信息接收单元122和所述存储模块相连，用于根据用户的健康信息和所述第一关联模型对所述新冠自测模板进行更新；所述更新后的新冠自测模板用于提示用户继续输入健康信息。其中，所述用户的健康信息包括用户输入的健康信息以及所述健康信息获取模块从检测报告、医学影像和/或健康采集设备获取的健康信息。
具体地，请参阅图4B，所述健康信息获取模块12获取用户的健康信息的工作流程包括：
S41，所述自测模板生成单元121生成一新冠自测模板，用户根据该新冠自测模板输入健康信息；其中，所述健康信息包括症状子信息、指标子信息和/或档案子信息。
S42，所述健康信息接收单元122接收用户输入的健康信息。
S43，所述自测模板更新单元123从所述健康信息接收单元122获取用户输入的健康信息，并根据一关联关系获取相关的疾病信息。其中，所述相关的疾病信息是指与用户输入的健康信息相关联的所有的疾病信息，其包括症状体征、检查指标和/或档案相关信息。所述关联关系包括：症状体征与症状子信息相关联，检查指标与指标子信息相关联，档案相关信息与档案子信息相关联。例如，若用户输入的健康信息为体温39℃，则与该健康信息相关的疾病信息为发烧症状，以及体温39℃这一检查指标。
S44，所述自测模板更新单元123根据所述相关的疾病信息在所述第一关联模型中查找相关疾病。所述相关疾病是指与所述相关的疾病信息所包含的全部或者部分疾病信息相关联的疾病。
S45，所述自测模板更新单元123根据所述第一关联模型获取所述相关疾病的全部疾病信息，并根据所述相关疾病的全部疾病信息获取与之关联的健康信息。
S46，对当前的自测模板进行更新以获得更新后的新冠自测模板；所述更新后的新冠自测模板包括步骤S45中获取到的健康信息，并提示用户从中选取与自身符合的健康信息进行输入。
S47，重复执行步骤S42～S46，直到所述健康信息获取模块12获取到足够的健康信息。
根据以上描述可知，本实施例中所述健康信息获取模块通过新冠自测模板的方式，能够提示用户输入多种相关疾病的全部疾病信息。因此，所述健康信息获取模块获取到的健康信息较为全面。例如，对于肺结核患者，本实施例所述健康信息获取模块获取到的疾病信息不仅包括肺结核与新冠肺炎相似的疾病信息，还包括肺结核与新冠肺炎不同的疾病信息。在此基础上，所述新冠肺炎检测装置能够获取新冠肺炎的患病概率和肺结核的患病概率，显然地，所述肺结核的患病概率要高于所述新冠肺炎的患病概率，因而避免了患者误以为自己患有新冠肺炎而导致不必要的情绪恐慌和错误用药等问题。
由于所述自测模板更新单元根据所述用户的健康信息从所述第一关联模型中查找相关疾病，因而所述健康信息必须与所述第一关联模型中的疾病信息相匹配。然而，用户根据所述新冠自测模板输入的健康信息中往往存在口语、俗语等不标准的词语，所述自测模板更新单元根据这些不标准的词语很难查找到相关疾病。针对这一问题，于本发明的一实施例中，所述健康信息接收单元还用于根据一医学标准词语库对所述用户输入的健康信息进行标准化。其中，所述医学标准词语库为权威医务人员所建立并维护，其包含了常用的症状子信息标准词、指标子信息标准词和档案子信息标准词，上述子信息分别与所述第一关联模型中的症状体征、检查指标和相关档案信息相对应。本实施例中，当用户输入的健康信息不属于所述医学标准词语库时，所述健康档案生成模块将其转化为所述医学标准词语库中的标准词，以提升所述健康信息和/或档案子信息的标准化程度。
于本发明的一实施例中，在所述第一关联模型中，各所述疾病至少包括一种亚型，各疾病信息包括至少一个子类。具体地，对于发烧这一症状体征，所述第一关联模型中包括低烧、高烧等子类；对于体温这一检查指标，所述第一关联模型中包括36～37℃、37.3～38℃、38.1～40℃和大于40℃等子类。所述亚型是指症状体征、检查指标、家族遗传、疾病史、用药史、年龄和/或性别等的组合，该组合可以用来对疾病类型进行判断，例如：发烧大于40℃加白细胞计数大于1000可以作为一种亚型，发烧大于37℃加白细胞计数大于500可以作为另一种亚型。
本实施例对所述第一关联模型中的疾病和疾病信息进行了进一步细分，使得所述新冠肺炎检测模块根据所述第一关联模型获取的异常信息更加精确，进而提升了对用户患有新冠肺炎的概率的计算准确度。
于本发明的一实施例中，所述健康信息获取模块包括检测报告接收单元和检测报告识别单元。其中，所述检测报告接收单元用于获取用户的检测报告。其中，所述检测报告是指用户通过医院或体检机构获得的报告单；对于新冠肺炎，所述检测报告的内容包括鼻咽拭子、痰、血液、粪便、IgM抗体、IgG抗体等。所述检测报告识别单元通过OCR(OpticalCharacter Recognition，光学字符识别)等技术能够提取所述检测报告中的相关信息，进而将所述相关信息添加到用户的健康信息中，以使所述用户的健康信息更加全面。优选地，所述新冠自测模板中包括检测报告上传标签，用于提示用户上传所述检测报告。
于本发明的一实施例中，所述健康信息获取模块还包括医学影像接收单元和医学影像识别单元。其中，所述医学影像接收单元用于获取用户的胸部影像；所述医学影像识别单元与所述医学影像接收单元相连，用于对所述用户的胸部影像进行处理，以获取用户的健康信息。具体地，对于新冠肺炎，所述医学影像识别单元判断所述用户的胸部影像中是否存在小斑片影、间质改变、磨玻璃影、浸润影、肺实变等信息，并将判断的结果添加到用户的健康信息中。本实施例中，对所述用户的胸部影像进行处理可以通过卷积神经网络、图像识别等技术实现。优选地，所述新冠自测模板中包括医学影像上传标签，用于提示用户上传胸部影像。
请参阅图5，于本发明的一实施例中，所述新冠肺炎检测装置1还包括疑似疾病获取模块14。所述疑似疾病获取模块14与所述健康信息获取模块12和所述存储模块11相连，用于根据所述用户的健康信息和所述第一关联模型获取疑似疾病。具体地，所述疑似疾病获取模块14从所述用户的健康信息中获取用户的异常信息，进而获取用户疾病信息；在此基础上，所述疑似疾病获取模块14从所述第一关联模型中选取疑似疾病；所述疑似疾病是指与M个以上的用户疾病信息相关联的疾病。其中，M为正整数，其取值可以根据经验设置；M的值越大所述疑似疾病获取模块14获得的疑似疾病越多，M的值越小所述疑似疾病获取模块14获取的疑似疾病越少。
优选地，所述新冠肺炎检测模块获取所有疑似疾病的患病概率；所述用户的检测结果还包括所有疑似疾病的患病概率，以克服一些实施例中仅给出新冠肺炎的检测结果而导致不必要的情绪恐慌和错误用药等问题。
于本发明的一实施例中，所述新冠肺炎检测装置还包括科普信息获取模块15。所述科普信息获取模块15与所述疑似疾病获取模块14相连，用于根据所述疑似疾病获取用户科普信息。具体地，所述科普信息获取模块15从所述第一关联模型中获取与所述疑似疾病相关联的部分疾病信息或全部疾病信息，进而获取与所述疑似疾病相关的科普信息作为用户科普信息。其中，与所述疑似疾病相关的科普信息包括与所述部分疾病信息相关的疾病信息，或与所述全部疾病信息相关的疾病信息。所述科普信息获取模块15可以通过网络爬虫获取网络中与所述疑似疾病相关的科普信息作为所述用户科普信息，也可以从一科普信息数据库中查找与所述疑似疾病相关的科普信息作为所述用户科普信息，还可以从相应的专业文献中查找与所述疑似疾病相关的内容作为所述用户科普信息，具体方式此处不做限制。
本实施例中，当所述疑似疾病包含新冠肺炎时，所述用户科普信息中包含新冠肺炎的预防、检测、情绪调节等方面的科普信息。此外，所述用户科普信息中还包含新冠肺炎与其相似疾病的区别方法。
根据以上描述可知，本实施例所述科普信息获取模块15根据所述疑似疾病关联的疾病信息和患病概率确定所述用户科普信息的内容。因此，所述科普信息获取模块15获取到的用户科普信息充分考虑了用户的健康状况，更容易被用户所接受，因而科普效果更好。
实际应用中，当所述健康信息获取模块通过用户的自测报告获取用户的健康信息时，由于用户医疗知识的不足，其自测报告中的信息往往不够全面，甚至会有错误信息，例如：普通用户很难区分咯血、鼻咽部出血以及呕血这三种症状，在其填写自测报告时很容易出现不填或错填。针对这一问题，于本发明的一实施例中，所述新冠肺炎检测装置1还包括检测报告获取模块16。所述检测报告获取模块16与所述疑似疾病获取模块14和所述存储模块11相连，用于根据所述疑似疾病和所述第一关联模型生成用户的检测报告。所述检测报告包括所述疑似疾病及其疾病信息；用户可以根据所述检测报告的内容进行二次自测，以便提供更加全面和准确的健康信息。其中，所述疑似疾病的疾病信息是指与所述疑似疾病相关联的疾病信息。例如，若所述疑似疾病获取模块14根据用户的初次自测报告中的健康信息确定用户的疑似疾病为新冠肺炎或肺结核，则所述用户的检测报告中包括新冠肺炎及其关联疾病信息的详细说明，并包括肺结核及其关联疾病信息的详细说明。用户通过该检测报告能够得知自己在初次自测时漏填或错填的疾病信息，从而在二次自测中提供更加全面和准确的信息。
本发明还提供一种新冠肺炎干预装置，用于根据用户的检测结果生成用户针对新冠肺炎的干预方案。
于本发明的一实施例中，所述新冠肺炎干预装置包括检测结果获取模块和干预方案生成模块。所述检测结果获取模块用于获取用户的检测结果；所述用户的检测结果包括用户的异常信息以及用户患有新冠肺炎的概率。所述干预方案生成模块与所述检测结果获取模块相连，用于根据所述用户的检测结果和第二关联模型获取用户的干预方案。其中，所述第二关联模型包括多种疾病、疾病信息和干预措施；每种疾病至少与一个疾病信息相关联，并至少与一个干预措施相关联；所述多种疾病包括新冠肺炎；所述疾病信息与所述用户的异常信息相关联。
优选地，在所述第二关联模型中，新冠肺炎包括轻型、普通型以及重型三种子类型；针对各种子类型，所述第二关联模型中定义了关联的干预措施。所述干预方案生成模块根据用户患有新冠肺炎的概率确定相应的子类型，进而根据该子类型获取用户的干预措施；在此基础上，所述干预方案生成模块将多种用户的干预措施进行组合即可生成用户的干预方案。
请参阅图6，于本发明的一实施例中，所述第二关联模型3包含的疾病为疾病1、疾病2以及新冠肺炎，包含的疾病信息为症状1至症状6、指标1至指标4、档案信息1至档案信息3。此外，所述第二关联模型3还包括与上述疾病相关联的干预措施1至干预措施7；其中，干预措施可以直接与疾病相关联，也可以通过相应的疾病信息与疾病相关联；干预措施可以只关联一种疾病信息，也可以关联多种疾病信息。例如，干预措施5同时与症状2和症状5相关联，若症状2为乏力、症状5为肠胃不适，则干预措施5可以是推荐使用藿香正气胶囊。
对于新冠肺炎来说，干预措施2为针对轻型新冠肺炎这一子类型定义的干预措施，干预措施6为针对普通型新冠肺炎这一子类型定义的干预措施，干预措施7为针对危重型新冠肺炎这一子类型定义的干预措施。本实施例中，基于用户的异常信息、用户患有新冠肺炎的概率以及所述第二关联模型，所述检测结果获取模块能够获取至少一种干预措施，进而生成用户的干预方案。例如，如果用户的异常信息包括指标2和症状2，且该用户患有新冠肺炎的概率较低，则所述干预方案生成模块根据指标2和症状2分别获取干预措施1和干预措施5，并根据用户患有新冠肺炎的概率确定用户可能为轻型新冠肺炎，进而获取干预措施2。在此基础上，所述干预方案生成模块对干预措施1、干预措施2和干预措施5进行组合即可得到用户的干预方案。
于本发明的一实施例中，所述干预方案生成模块包括习惯干预单元、药物干预单元和就医干预单元。
所述习惯干预单元与所述检测结果获取模块相连，用于根据所述用户患有新冠肺炎的患病概率和所述第二关联模型生成生活习惯干预方案。其中，所述习惯干预单元从所述第二关联模型中选取与用户的生活习惯相关的、且与新冠肺炎相关联的干预措施，在此基础上生成所述生活习惯干预方案。所述生活习惯干预方案例如：避免前往人流密集的区域、减少人员聚集、外出佩戴口罩、经常测量体温等。无论所述相关疾病的患病概率如何，所述生活习惯干预方案均适用。
所述药物干预单元与所述检测结果获取模块相连，用于根据所述用户患有新冠肺炎的患病概率和所述第二关联模型生成用药干预方案。所述药物干预方案包括用药推荐，用于患病概率大于第一阈值的情况。其中，所述第一阈值为经验值，其取值可以根据实际需求设置。
就医干预单元，与所述检测结果获取模块相连，用于根据所述用户患有新冠肺炎的患病概率和所述第二关联模型生成就医干预方案。所述就医干预方案包括就医科室、病症、医院等的推荐，用于所述患病概率大于第二阈值的情况。其中，所述第二阈值也为经验值，其取值可以根据实际需求设置。
基于以上对所述新冠肺炎检测装置和所述新冠肺炎干预装置的描述，本发明还提供一种新冠肺炎检测干预系统。所述新冠肺炎检测干预系统包括本发明所述的新冠肺炎检测装置以及本发明所述的新冠肺炎干预装置。其中，所述新冠肺炎检测装置用于获取用户的检测结果，所述用户的检测结果包括用户的异常信息以及用户患有新冠肺炎的概率；所述新冠肺炎干预装置与所述新冠肺炎检测装置相连，用于根据所述用户的检测结果获取用户的干预方案。
本发明所述新冠肺炎检测装置能够根据用户的健康信息和所述第一关联模型生成用户的检测结果；其中，所述用户的检测结果包括用户的异常信息以及用户患有新冠肺炎的概率。因此，所述新冠肺炎检测装置能够以定量的方式为用户提供患有新冠肺炎的概率，以便为用户接下来采用干预措施提供更加详细的信息。
本发明所述新冠肺炎检测装置能够通过新冠自测模板获取更为全面的健康信息，并根据所述更为全面的健康信息确定多种疑似疾病，且能给出所述多种疑似疾病的患病概率。避免了一些方案中仅收集新冠肺炎相关的健康信息以及仅对新冠肺炎进行检测所造成的不必要的情绪恐慌和错误用药等问题。
本发明所述新冠肺炎检测装置中，所述健康信息接收单元能够根据一医学标准词语库对用户输入的健康信息进行标准化，从而能够获取更为标准的用户健康信息。
综上所述，本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。
上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。

Claims (15)

1.一种新冠肺炎检测装置，其特征在于，所述新冠肺炎检测装置包括：
存储模块，存储有第一关联模型；所述第一关联模型包括多种疾病和疾病信息；其中，所述多种疾病包括新冠肺炎，且每种疾病至少与一个所述疾病信息相关联；
健康信息获取模块，用于获取用户的健康信息；所述用户的健康信息与所述第一关联模型中的疾病信息相关联；
新冠肺炎检测模块，与所述健康信息获取模块和所述存储模块相连，用于根据所述用户的健康信息和所述第一关联模型生成用户的检测结果；所述用户的检测结果包括用户的异常信息以及用户患有新冠肺炎的概率。
2.根据权利要求1所述的新冠肺炎检测装置，其特征在于，所述新冠肺炎检测模块包括：
权重计算单元，与所述健康信息获取模块和所述存储模块相连，用于根据所述第一关联模型和所述用户的异常信息计算用户疾病信息的权重值；其中，所述用户疾病信息是指与所述用户的异常信息相关联的疾病信息；
概率计算单元，与所述权重计算单元和所述存储模块相连，用于根据所述用户疾病信息的权重值和所述第一关联模型计算用户患有新冠肺炎的概率。
3.根据权利要求1所述的新冠肺炎检测装置，其特征在于，所述新冠肺炎检测模块包括：
训练数据获取单元，与所述存储模块相连，用于获取训练数据；所述训练数据来源于所述第一关联模型和检测案例数据库；
神经网络训练单元，与所述训练数据获取单元相连，用于利用所述训练数据对一神经网络模型进行训练，以获得训练好的概率计算神经网络模型；
神经网络处理单元，与所述神经网络训练单元和所述健康信息获取模块相连，用于利用所述概率计算神经网络模型对用户疾病信息进行处理，以获取用户患有新冠肺炎的概率；其中，所述用户疾病信息是指与所述用户的异常信息相关联的疾病信息。
4.根据权利要求1所述的新冠肺炎检测装置，其特征在于，所述健康信息获取模块包括：
自测模板生成单元，用于生成一新冠自测模板；所述新冠自测模板用于提示用户输入健康信息；
健康信息接收单元，与所述自测模板生成单元相连，用于获取用户输入的健康信息；
自测模板更新单元，与所述自测模板生成单元、所述健康信息接收单元和所述存储模块相连，用于根据所述用户的健康信息和所述第一关联模型对所述新冠自测模板进行更新；更新后的新冠自测模板用于提示用户继续输入健康信息。
5.根据权利要求4所述的新冠肺炎检测装置，其特征在于：所述健康信息接收单元还用于根据一医学标准词语库对所述用户输入的健康信息进行标准化。
6.根据权利要求1所述的新冠肺炎检测装置，其特征在于：所述第一关联模型还包括所述疾病的亚型，和/或所述疾病信息的子类。
7.根据权利要求1所述的新冠肺炎检测装置，其特征在于，所述健康信息获取模块包括：
检测报告接收单元，用于获取用户的检测报告；
检测报告识别单元，与所述检测报告接收单元相连，用于对所述用户的检测报告进行识别，以获取用户的健康信息。
8.根据权利要求1所述的新冠肺炎检测装置，其特征在于，所述健康信息获取模块还包括：
医学影像接收单元，用于获取用户的胸部影像；
医学影像识别单元，与所述医学影像接收单元相连，用于对所述用户的胸部影像进行处理，以获取用户的健康信息。
9.根据权利要求1所述的新冠肺炎检测装置，其特征在于，所述新冠肺炎检测装置还包括：
疑似疾病获取模块，与所述健康信息获取模块和所述存储模块相连，用于根据所述用户的健康信息和所述第一关联模型获取疑似疾病。
10.根据权利要求9所述的新冠肺炎检测装置，其特征在于，所述新冠肺炎检测装置还包括：
科普信息获取模块，与所述疑似疾病获取模块相连，用于根据所述疑似疾病获取用户科普信息。
11.根据权利要求9所述的新冠肺炎检测装置，其特征在于，所述新冠肺炎检测装置还包括：
检测报告获取模块，与所述疑似疾病获取模块和所述存储模块相连，用于根据所述疑似疾病和所述第一关联模型生成用户的检测报告；所述用户的检测报告包括所述疑似疾病及其疾病信息。
12.根据权利要求1所述的新冠肺炎检测装置，其特征在于，所述新冠肺炎检测装置还包括：
新冠肺炎预警模块，与所述新冠肺炎检测模块相连，用于根据所述用户的检测结果确定用户的风险等级，并根据所述用户的风险等级生成预警信息。
13.一种新冠肺炎干预装置，其特征在于，所述新冠肺炎干预装置包括：
检测结果获取模块，用于获取用户的检测结果；所述用户的检测结果包括用户的异常信息以及用户患有新冠肺炎的概率；
干预方案生成模块，与所述检测结果获取模块相连，用于根据所述用户的检测结果和第二关联模型获取用户的干预方案；所述第二关联模型包括多种疾病、疾病信息和干预措施；其中，每种疾病至少与一个疾病信息相关联，并至少与一个干预措施相关联；所述多种疾病包括新冠肺炎；所述疾病信息与所述用户的异常信息相关联。
14.根据权利要求13所述的新冠肺炎干预装置，其特征在于，所述干预方案生成模块包括：
习惯干预单元，与所述检测结果获取模块相连，用于根据所述用户患有新冠肺炎的患病概率和所述第二关联模型生成生活习惯干预方案；和/或
药物干预单元，与所述检测结果获取模块相连，用于根据所述用户患有新冠肺炎的患病概率和所述第二关联模型生成用药干预方案；和/或
就医干预单元，与所述检测结果获取模块相连，用于根据所述用户患有新冠肺炎的患病概率和所述第二关联模型生成就医干预方案。
15.一种新冠肺炎检测干预系统，其特征在于，所述新冠肺炎检测干预系统包括：
权利要求1-12任一项所述的新冠肺炎检测装置，用于获取用户的检测结果；
权利要求13或14所述的新冠肺炎干预装置，与所述新冠肺炎检测装置通信相连，用于根据所述用户的检测结果获取用户的干预方案。
CN202011627671.2A 2020-12-31 2020-12-31 一种新冠肺炎检测装置、干预装置及检测干预系统 Active CN113140326B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202011627671.2A CN113140326B (zh) 2020-12-31 2020-12-31 一种新冠肺炎检测装置、干预装置及检测干预系统
PCT/CN2021/086311 WO2022141928A1 (zh) 2020-12-31 2021-04-10 一种新冠肺炎检测装置、干预装置及检测干预系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011627671.2A CN113140326B (zh) 2020-12-31 2020-12-31 一种新冠肺炎检测装置、干预装置及检测干预系统

Publications (2)

Publication Number Publication Date
CN113140326A true CN113140326A (zh) 2021-07-20
CN113140326B CN113140326B (zh) 2023-03-24

Family

ID=76809857

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011627671.2A Active CN113140326B (zh) 2020-12-31 2020-12-31 一种新冠肺炎检测装置、干预装置及检测干预系统

Country Status (2)

Country Link
CN (1) CN113140326B (zh)
WO (1) WO2022141928A1 (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106407699A (zh) * 2016-09-28 2017-02-15 湖南老码信息科技有限责任公司 一种基于增量式神经网络模型的冠心病预测方法和预测系统
CN108245161A (zh) * 2017-12-26 2018-07-06 北京医拍智能科技有限公司 肺部常见疾病的辅助诊断系统
CN111354469A (zh) * 2020-03-31 2020-06-30 浙江禾连网络科技有限公司 一种用户健康状况综合评测方法与系统
CN111413492A (zh) * 2020-04-30 2020-07-14 山东大学 一种用于检测新型冠状病毒covid-2019肺炎的方法及系统
CN111462100A (zh) * 2020-04-07 2020-07-28 广州柏视医疗科技有限公司 基于新型冠状病毒肺炎ct检测的检测设备及其使用方法
CN111681757A (zh) * 2020-06-03 2020-09-18 广西壮族自治区人民医院 一种基于25(oh)d水平的新冠肺炎疾病严重程度的预测系统及其构建与使用方法
CN111816312A (zh) * 2020-09-14 2020-10-23 杭州憶盛医疗科技有限公司 基于模型解释的健康状态检测方法、设备及可读存储介质
CN112037876A (zh) * 2020-09-16 2020-12-04 陈俊霖 慢性病病程阶段分析系统、装置和存储介质
CN112150442A (zh) * 2020-09-25 2020-12-29 帝工(杭州)科技产业有限公司 基于深度卷积神经网络及多实例学习的新冠诊断系统

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120232016A1 (en) * 2011-03-08 2012-09-13 Coleman Paul D Method and system to detect and diagnose alzheimer's disease
CN109192299A (zh) * 2018-08-13 2019-01-11 中国科学院计算技术研究所 一种基于卷积神经网络的医疗分析辅助系统
CN109920541A (zh) * 2019-03-21 2019-06-21 武汉千屏影像技术有限责任公司 一种基于数据分析的病理诊断方法
CN111081372B (zh) * 2019-12-14 2023-06-20 中国科学院深圳先进技术研究院 疾病诊断装置、终端设备及计算机可读存储介质

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106407699A (zh) * 2016-09-28 2017-02-15 湖南老码信息科技有限责任公司 一种基于增量式神经网络模型的冠心病预测方法和预测系统
CN108245161A (zh) * 2017-12-26 2018-07-06 北京医拍智能科技有限公司 肺部常见疾病的辅助诊断系统
CN111354469A (zh) * 2020-03-31 2020-06-30 浙江禾连网络科技有限公司 一种用户健康状况综合评测方法与系统
CN111462100A (zh) * 2020-04-07 2020-07-28 广州柏视医疗科技有限公司 基于新型冠状病毒肺炎ct检测的检测设备及其使用方法
CN111413492A (zh) * 2020-04-30 2020-07-14 山东大学 一种用于检测新型冠状病毒covid-2019肺炎的方法及系统
CN111681757A (zh) * 2020-06-03 2020-09-18 广西壮族自治区人民医院 一种基于25(oh)d水平的新冠肺炎疾病严重程度的预测系统及其构建与使用方法
CN111816312A (zh) * 2020-09-14 2020-10-23 杭州憶盛医疗科技有限公司 基于模型解释的健康状态检测方法、设备及可读存储介质
CN112037876A (zh) * 2020-09-16 2020-12-04 陈俊霖 慢性病病程阶段分析系统、装置和存储介质
CN112150442A (zh) * 2020-09-25 2020-12-29 帝工(杭州)科技产业有限公司 基于深度卷积神经网络及多实例学习的新冠诊断系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
李新等: "深度学习在肺炎检测中的研究综述", 《桂林理工大学学报》 *
郭金英等: "新型冠状病毒肺炎的实验室检测及防护", 《长治医学院学报》 *

Also Published As

Publication number Publication date
CN113140326B (zh) 2023-03-24
WO2022141928A1 (zh) 2022-07-07

Similar Documents

Publication Publication Date Title
Kim Measuring frailty in health care databases for clinical care and research
KR102237449B1 (ko) 환자 진단 학습 방법, 서버 및 프로그램
CN109310317A (zh) 用于自动医学诊断的系统和方法
Liu et al. Development and validation of a machine learning algorithm and hybrid system to predict the need for life-saving interventions in trauma patients
US20090259487A1 (en) Patient Data Mining
US20090030290A1 (en) Method and apparatus for automated differentiated diagnosis of illness
US20150324523A1 (en) System and method for indicating the quality of information to support decision making
Mohanty et al. Machine learning for predicting readmission risk among the frail: Explainable AI for healthcare
CN111475713A (zh) 医生信息推荐方法、装置、电子设备、系统及存储介质
CN115497616B (zh) 一种感染性疾病辅助决策的方法、系统、设备及存储介质
CN111564223A (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
Abbassy et al. Mobile Expert System to Detect Liver Disease Kind
Xiang et al. Integrated Architectures for Predicting Hospital Readmissions Using Machine Learning
CN114121266A (zh) 一种智能化的辅助诊断方法和系统
CN113707253A (zh) 医疗方案推荐方法、装置、设备及介质
Wong et al. Machine learning methods to predict acute respiratory failure and acute respiratory distress syndrome
Ribeiro et al. A machine learning early warning system: multicenter validation in Brazilian hospitals
CN115116612A (zh) 一种儿童患者病情智能风险评估系统及方法
CN109192312B (zh) 一种心力衰竭患者不良事件智能管理系统及方法
Jiang et al. An aided diagnosis model of sub-health based on rough set and fuzzy mathematics: A case of TCM
Khajehali et al. The prediction of mortality influential variables in an intensive care unit: a case study
Hansen et al. Assigning diagnosis codes using medication history
CN113223734A (zh) 基于算法、医学影像和大数据的疾病诊断和大健康管理平台
CN113140326B (zh) 一种新冠肺炎检测装置、干预装置及检测干预系统
Chiwariro et al. Comparative analysis of deep learning convolutional neural networks based on transfer learning for pneumonia detection

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