CN113284132A - 一种内镜清洗液的定向处理方法及系统 - Google Patents
一种内镜清洗液的定向处理方法及系统 Download PDFInfo
- Publication number
- CN113284132A CN113284132A CN202110663861.8A CN202110663861A CN113284132A CN 113284132 A CN113284132 A CN 113284132A CN 202110663861 A CN202110663861 A CN 202110663861A CN 113284132 A CN113284132 A CN 113284132A
- Authority
- CN
- China
- Prior art keywords
- endoscope
- cleaning
- endoscope cleaning
- obtaining
- scheme
- 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.)
- Withdrawn
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2455—Query execution
- G06F16/24553—Query execution of query operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Computational Linguistics (AREA)
- Databases & Information Systems (AREA)
- Endoscopes (AREA)
Abstract
本发明公开了一种内镜清洗液的定向处理方法及系统,其中,所述方法包括:对所述第一内镜进行新旧程度分析,获得第一内镜磨损度;对内镜表面生物膜面积进行积分运算,获得第一生物膜覆盖面积;将所述第一内镜类型信息、所述第一内镜磨损度和所述第一生物膜覆盖面积输入内镜清洗评估模型,获得第一内镜清洗评估结果;将所述第一内镜清洗等级和所述内镜清洗液配方数据库进行匹配,获得第一内镜清洗液配方;对内镜清洗进行标签化分类,获得第一内镜清洗方案;根据所述第一内镜清洗液配方和所述第一内镜清洗方案,对所述第一内镜清洗液进行定向处理。解决了现有技术内镜清洗方案无针对性,导致清洗效果不达标,清洗液无定向处理的技术问题。
Description
技术领域
本发明涉及医疗处理领域,尤其涉及一种内镜清洗液的定向处理方法及系统。
背景技术
内镜的清洗、消毒与灭菌是否彻底,从表面上很难识别,被检查者也无从知晓,另一方面,内镜的消毒清洗需要医务人员自觉执行各种操作规程和消毒技术规范,因此,医务人员的操作规范直接影响到内镜的清洗、消毒和灭菌质量。
但本申请发明人在实现本申请实施例中发明技术方案的过程中,发现上述技术至少存在如下技术问题:
现有技术内镜清洗方案无针对性,导致清洗效果不达标,清洗液无定向处理的技术问题。
发明内容
本申请实施例通过提供一种内镜清洗液的定向处理方法及系统,解决了现有技术内镜清洗方案无针对性,导致清洗效果不达标,清洗液无定向处理的技术问题,达到结合内镜具体情况进行特定性清洗,保证清洗效果和消毒灭菌合格率,进而对内镜清洗液进行定向处理,无污染环保的技术效果。
鉴于上述问题,提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的。
第一方面,本申请实施例提供了一种内镜清洗液的定向处理方法,所述方法包括:通过所述图像采集装置获得第一图像信息,所述第一图像信息为第一内镜的图像信息;根据所述第一图像信息,获得第一内镜类型信息;对所述第一内镜进行新旧程度分析,获得第一内镜磨损度;通过所述图像采集装置获得第二图像信息,所述第二图像信息为所述第一内镜的表面特征;根据所述第二图像信息,对内镜表面生物膜面积进行积分运算,获得第一生物膜覆盖面积;将所述第一内镜类型信息、所述第一内镜磨损度和所述第一生物膜覆盖面积输入内镜清洗评估模型,获得第一内镜清洗评估结果;根据预定等级划分规则对所述第一内镜清洗评估结果进行等级划分,获得第一内镜清洗等级;构建内镜清洗液配方数据库;将所述第一内镜清洗等级和所述内镜清洗液配方数据库进行匹配,获得第一内镜清洗液配方;根据所述第一内镜类型信息和第一内镜使用情况,对内镜清洗进行标签化分类,获得第一内镜清洗方案;根据所述第一内镜清洗液配方和所述第一内镜清洗方案,对所述第一内镜清洗液进行定向处理。
另一方面,本申请还提供了一种内镜清洗液的定向处理系统,所述系统包括:第一获得单元,所述第一获得单元用于通过图像采集装置获得第一图像信息,所述第一图像信息为第一内镜的图像信息;第二获得单元,所述第二获得单元用于根据所述第一图像信息,获得第一内镜类型信息;第三获得单元,所述第三获得单元用于对所述第一内镜进行新旧程度分析,获得第一内镜磨损度;第四获得单元,所述第四获得单元用于通过所述图像采集装置获得第二图像信息,所述第二图像信息为所述第一内镜的表面特征;第五获得单元,所述第五获得单元用于根据所述第二图像信息,对内镜表面生物膜面积进行积分运算,获得第一生物膜覆盖面积;第六获得单元,所述第六获得单元用于将所述第一内镜类型信息、所述第一内镜磨损度和所述第一生物膜覆盖面积输入内镜清洗评估模型,获得第一内镜清洗评估结果;第七获得单元,所述第七获得单元用于根据预定等级划分规则对所述第一内镜清洗评估结果进行等级划分,获得第一内镜清洗等级;第一构建单元,所述第一构建单元用于构建内镜清洗液配方数据库;第八获得单元,所述第八获得单元用于将所述第一内镜清洗等级和所述内镜清洗液配方数据库进行匹配,获得第一内镜清洗液配方;第九获得单元,所述第九获得单元用于根据所述第一内镜类型信息和第一内镜使用情况,对内镜清洗进行标签化分类,获得第一内镜清洗方案;第一处理单元,所述第一处理单元用于根据所述第一内镜清洗液配方和所述第一内镜清洗方案,对所述第一内镜清洗液进行定向处理。
第三方面,本发明实施例提供了一种电子设备,包括总线、收发器、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述收发器、所述存储器和所述处理器通过所述总线相连,所述计算机程序被所述处理器执行时实现上述任意一项所述的控制输出数据的方法中的步骤。
第四方面,本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述任意一项所述的控制输出数据的方法中的步骤。
本申请实施例中提供的一个或多个技术方案,至少具有如下技术效果或优点:
由于采用了对所述第一内镜进行新旧程度分析,获得第一内镜磨损度;对内镜表面生物膜面积进行积分运算,获得第一生物膜覆盖面积;将所述第一内镜类型信息、所述第一内镜磨损度和所述第一生物膜覆盖面积输入内镜清洗评估模型,获得第一内镜清洗评估结果;根据预定等级划分规则对所述第一内镜清洗评估结果进行等级划分,获得第一内镜清洗等级;构建内镜清洗液配方数据库;将所述第一内镜清洗等级和所述内镜清洗液配方数据库进行匹配,获得第一内镜清洗液配方;根据所述第一内镜类型信息和第一内镜使用情况,对内镜清洗进行标签化分类,获得第一内镜清洗方案;根据所述第一内镜清洗液配方和所述第一内镜清洗方案,对所述第一内镜清洗液进行定向处理,进而达到结合内镜具体情况进行特定性清洗,保证清洗效果和消毒灭菌合格率,进而对内镜清洗液进行定向处理,无污染环保的技术效果。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
图1为本申请实施例一种内镜清洗液的定向处理方法的流程示意图;
图2为本申请实施例一种内镜清洗液的定向处理系统的结构示意图;
图3为本申请实施例所提供的一种用于执行控制输出数据的方法的电子设备的结构示意图。
附图标记说明:第一获得单元11,第二获得单元12,第三获得单元13,第四获得单元14,第五获得单元15,第六获得单元16,第七获得单元17,第一构建单元18,第八获得单元19,第九获得单元20,第一处理单元21,总线1110,处理器1120,收发器1130,总线接口1140,存储器1150和用户接口1160。
具体实施方式
在本发明实施例的描述中,所属技术领域的技术人员应当知道,本发明实施例可以实现为方法、装置、电子设备及计算机可读存储介质。因此,本发明实施例可以具体实现为以下形式:完全的硬件、完全的软件(包括固件、驻留软件、微代码等)、硬件和软件结合的形式。此外,在一些实施例中,本发明实施例还可以实现为在一个或多个计算机可读存储介质中的计算机程序产品的形式,该计算机可读存储介质中包含计算机程序代码。
上述计算机可读存储介质可以采用一个或多个计算机可读存储介质的任意组合。计算机可读存储介质包括:电、磁、光、电磁、红外或半导体的系统、装置或器件,或者以上任意的组合。计算机可读存储介质更具体的例子包括:便携式计算机磁盘、硬盘、随机存取存储器、只读存储器、可擦除可编程只读存储器、闪存、光纤、光盘只读存储器、光存储器件、磁存储器件或以上任意组合。在本发明实施例中,计算机可读存储介质可以是任意包含或存储程序的有形介质,该程序可以被指令执行系统、装置、器件使用或与其结合使用。
申请概述
本发明实施例通过流程图和/或方框图描述所提供的方法、装置、电子设备。
应当理解,流程图和/或方框图的每个方框以及流程图和/或方框图中各方框的组合,都可以由计算机可读程序指令实现。这些计算机可读程序指令可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器,从而生产出一种机器,这些计算机可读程序指令通过计算机或其他可编程数据处理装置执行,产生了实现流程图和/或方框图中的方框规定的功能/操作的装置。
也可以将这些计算机可读程序指令存储在能使得计算机或其他可编程数据处理装置以特定方式工作的计算机可读存储介质中。这样,存储在计算机可读存储介质中的指令就产生出一个包括实现流程图和/或方框图中的方框规定的功能/操作的指令装置产品。
也可以将计算机可读程序指令加载到计算机、其他可编程数据处理装置或其他设备上,使得在计算机、其他可编程数据处理装置或其他设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机或其他可编程数据处理装置上执行的指令能够提供实现流程图和/或方框图中的方框规定的功能/操作的过程。
下面结合本发明实施例中的附图对本发明实施例进行描述。
实施例一
如图1所示,本申请实施例提供了一种内镜清洗液的定向处理方法,其中,所述方法包括:
步骤S100:通过所述图像采集装置获得第一图像信息,所述第一图像信息为第一内镜的图像信息;
步骤S200:根据所述第一图像信息,获得第一内镜类型信息;
具体而言,内镜是一个配备有灯光的管子,可以经口腔进入胃内或经其他天然孔道进入体内,或者是经手术做的小切口进入人体内,利用内镜可以看到X射线不能显示的病变,因此借助内镜医生可以观察胃内的溃疡或肿瘤,据此制定出最佳的治疗方案。通过所述图像采集装置可采集获得内镜的结构特征信息,如内镜型号类型等。所述内镜类型为内镜的适用场景类型,如胃镜、肠镜、十二指肠镜、支气管镜、结肠镜等。
步骤S300:对所述第一内镜进行新旧程度分析,获得第一内镜磨损度;
进一步而言,其中,所述对所述第一内镜进行新旧程度分析,获得第一内镜磨损度,本申请实施例步骤S300还包括:
步骤S310:获得第一内镜购买基本信息;
步骤S320:根据所述第一内镜购买基本信息,获得第一内镜预计使用年限;
步骤S330:对所述第一内镜使用次数进行统计,获得第一内镜使用频次;
步骤S340:根据所述第一内镜使用频次和所述第一内镜类型信息,获得第一内镜预计磨损率;
步骤S350:构建磨损度计算公式:内镜磨损度=(1-内镜预计磨损率)/内镜预计使用年限×100%;
步骤S360:将所述第一内镜预计使用年限和所述第一内镜预计磨损率输入所述磨损度计算公式,计算获得第一内镜磨损度。
具体而言,所述第一内镜磨损度为内镜的磨损程度,表明内镜的新旧程度,磨损度越高内镜的清洗消毒程度也就相应越高。所述第一内镜购买基本信息为购买内镜时的基本信息,包括生产日期、内镜保修期、型号类型等。根据所述内镜购买基本信息,确定内镜预计使用年限,对所述内镜的治疗使用次数进行统计,获得所述内镜的使用频次,使用次数越高内镜的磨损程度也越高。所述第一内镜预计磨损率为内镜的预计磨损程度占总体的比重,根据内镜的使用次数和内镜所属类型共同确定。所述磨损度计算公式为计算内镜的磨损程度公式,即内镜磨损度=(1-内镜预计磨损率)/内镜预计使用年限×100%,将所述内镜预计使用年限和所述内镜预计磨损率输入所述磨损度计算公式,计算获得所述内镜磨损度。达到通过对内镜磨损度的准确计算,为后续的内镜清洗等级确定提供基础依据的技术效果。
步骤S400:通过所述图像采集装置获得第二图像信息,所述第二图像信息为所述第一内镜的表面特征;
步骤S500:根据所述第二图像信息,对内镜表面生物膜面积进行积分运算,获得第一生物膜覆盖面积;
具体而言,所述第一内镜的表面特征为内镜的表面结构特征,通过所述图像采集装置对内镜表面结构特征进行图像采集,内镜作为一种侵入性、微创性的诊治工具已广泛应用于临床,但由于其结构复杂、材质多数不耐高温、易腐蚀,给使用后内镜的清洗、消毒、灭菌带来困难,因而易形成生物膜。内镜生物膜是由于细菌生物膜生成,粘附于非生物或生物的表面,是引起医院交叉感染的重要原因之一,根据所述图像信息,对内镜表面生物膜面积进行积分运算,获得内镜表面生物膜覆盖面积,以为后续生物膜清洗提供依据。
步骤S600:将所述第一内镜类型信息、所述第一内镜磨损度和所述第一生物膜覆盖面积输入内镜清洗评估模型,获得第一内镜清洗评估结果;
进一步而言,其中,所述将所述第一内镜类型信息、所述第一内镜磨损度和所述第一生物膜覆盖面积输入内镜清洗评估模型,获得第一内镜清洗评估结果,本申请实施例步骤S600还包括:
步骤S610:将所述第一内镜类型信息、所述第一内镜磨损度和所述第一生物膜覆盖面积作为输入信息,输入至所述内镜清洗评估模型;
步骤S620:所述内镜清洗评估模型通过多组训练数据训练获得,所述多组训练数据中的每一组训练数据均包括:所述第一内镜类型信息、所述第一内镜磨损度、所述第一生物膜覆盖面积和用来标识第一内镜清洗评估结果的标识信息;
步骤S630:获得所述内镜清洗评估模型中第一输出结果,所述第一输出结果包括所述第一内镜清洗评估结果。
具体而言,所述内镜清洗评估模型为神经网络模型,所述神经网络模型即机器学习中的神经网络模型,神经网络(Neural Networks,NN)是由大量的、简单的处理单元(称为神经元)广泛地互相连接而形成的复杂神经网络系统,它反映了人脑功能的许多基本特征,是一个高度复杂的非线性动力学习系统。神经网络模型是以神经元的数学模型为基础来描述的。人工神经网络(Artificial Neural Networks,ANN),是对人类大脑系统的一阶特性的一种描述。简单地讲,它是一个数学模型。通过大量训练数据的训练,将所述第一内镜类型信息、所述第一内镜磨损度和所述第一生物膜覆盖面积输入神经网络模型,则输出所述第一内镜清洗评估结果。
更进一步而言,所述训练的过程实质为监督学习的过程,每一组监督数据均包括所述第一内镜类型信息、所述第一内镜磨损度、所述第一生物膜覆盖面积和用来标识第一内镜清洗评估结果的标识信息,将所述第一内镜类型信息、所述第一内镜磨损度和所述第一生物膜覆盖面积输入到神经网络模型中,根据用来标识第一内镜清洗评估结果的标识信息,所述神经网络模型进行不断的自我修正、调整,直至获得的第一输出结果与所述标识信息一致,则结束本组数据监督学习,进行下一组数据监督学习;当所述神经网络模型的输出信息达到预定的准确率/达到收敛状态时,则监督学习过程结束。通过对所述神经网络模型的监督学习,进而使得所述神经网络模型处理所述输入信息更加准确,进而使得输出的所述第一内镜清洗评估结果信息更加合理、准确,进而达到通过多因素对内镜清洗评估结果更加准确,进而保证清洗效果和消毒灭菌合格率的技术效果。
步骤S700:根据预定等级划分规则对所述第一内镜清洗评估结果进行等级划分,获得第一内镜清洗等级;
步骤S800:构建内镜清洗液配方数据库;
步骤S900:将所述第一内镜清洗等级和所述内镜清洗液配方数据库进行匹配,获得第一内镜清洗液配方;
具体而言,所述预定等级划分规则为对内镜的清洗强度等级,按照所述预定等级划分规则对所述内镜清洗评估结果进行等级划分,获得所述内镜的清洗强度等级。所述内镜清洗液配方数据库为内镜清洗液的配方数据库,如多酶洗液、乙醇、邻苯二甲醛、戊二醛等消毒剂清洗液配方。将所述内镜清洗等级和所述内镜清洗液配方数据库进行匹配,获得相应适合的内镜清洗液配方,保证清洗液清洗效果。
步骤S1000:根据所述第一内镜类型信息和第一内镜使用情况,对内镜清洗进行标签化分类,获得第一内镜清洗方案;
进一步而言,其中,所述根据所述第一内镜类型信息和第一内镜使用情况,对内镜清洗进行标签化分类,获得第一内镜清洗方案,本申请实施例步骤S1000还包括:
步骤S1010:构建内镜清洗方案坐标系,以各内镜类型信息为横坐标,内镜历史使用情况为纵坐标;
步骤S1020:对所述内镜清洗方案坐标系进行区域标签化分类,获得第一标签分类结果;
步骤S1030:将所述第一内镜类型信息和第一内镜使用情况输入所述内镜清洗方案坐标系,获得内镜清洗方案向量;
步骤S1040:根据所述第一标签分类结果和所述内镜清洗方案向量进行映射匹配,获得第一内镜清洗方案。
具体而言,构建内镜清洗方案坐标系,所述内镜清洗方案包括清洗方式、清洗时间、清洗环境等,以各内镜类型信息为横坐标,内镜历史使用情况为纵坐标,所述内镜历史使用情况为内镜用于患者治疗的使用情况。对所述内镜清洗方案坐标系进行区域标签化分类,不同的区域对应不同的标签分类结果,如不同区域对应内镜不同的清洗方案。将所述第一内镜类型信息和第一内镜使用情况输入所述内镜清洗方案坐标系,获得所述内镜对应的内镜清洗方案向量,根据所述内镜清洗方案向量在所述第一标签分类结果进行映射匹配,获得相匹配的所述内镜清洗方案。以对应的内镜清洗方案对所述内镜进行清洗,达到通过构建清洗方案坐标系进行向量映射的方法,使得方案分类结果更加准确,确保内镜清洗效果更加有效的技术效果。
步骤S1100:根据所述第一内镜清洗液配方和所述第一内镜清洗方案,对所述第一内镜清洗液进行定向处理。
具体而言,按照所述内镜清洗液配方和所述内镜清洗方案,对所述内镜清洗液进行定向处理,如使用多酶洗液、戊二醛消毒剂、乙醇对胃镜、肠镜、十二指肠镜清洗浸泡不少于10分钟,支气管镜清洗浸泡不少于20分钟,对所述内镜进行清洗完成后按成分进行处理回收,保证清洗液无污染处理,具有环保性。
进一步而言,其中,所述根据所述第一标签分类结果和所述内镜清洗方案向量进行映射匹配,获得第一内镜清洗方案,本申请实施例步骤S1040还包括:
步骤S1041:对所述内镜清洗方案向量进行距离计算,获得欧氏距离数据集;
步骤S1042:根据所述欧氏距离数据集,获得内镜清洗分类数据集,所述内镜清洗分类数据集为所述欧氏距离数据集中最短k个距离;
步骤S1043:根据所述内镜清洗分类数据集和所述第一标签分类结果进行映射匹配,获得第一分类结果;
步骤S1044:根据所述第一分类结果,获得第一内镜清洗方案。
具体而言,所述欧氏距离数据集为欧几里得度量距离数据集合,即坐标系中两点之间的直线距离,对所述内镜清洗方案向量进行距离计算,获得所述向量与其他清洗方案之间的欧氏距离数据集。所述内镜清洗分类数据集为所述欧氏距离数据集中最短的k个距离,k值为所述欧氏距离数据集的一部分,可自行设定。根据所述内镜清洗分类数据集和所述标签分类结果进行映射匹配,获得所述向量对应的分类标签,并根据所述分类结果,确定所述向量对应的内镜清洗方案。达到通过计算向量距离的分类方法,对清洗方案进行分类确定,确保内镜清洗效果和消毒灭菌合格率的技术效果。
进一步而言,本申请实施例还包括:
步骤S1210:获得所述第一内镜的内部结构;
步骤S1220:对所述第一内镜的内部结构进行几何分析,获得第一内镜几何形状;
步骤S1230:根据所述第一内镜几何形状,获得第一清洗角度;
步骤S1240:根据所述第一清洗角度,对所述第一内镜清洗评估结果进行调整。
具体而言,所述第一内镜的内部结构为所述内镜的内部组成结构及其附件构成,如软式内镜,包括消化内镜、呼吸内镜等,其结构特点是软而长,有细长的小孔,有交叉连接、闭塞的盲端、锐角和阀门,不易清洗消毒与灭菌。对所述第一内镜的内部结构进行几何分析,获得所述内镜的内部结构几何形状,根据所述内镜几何形状,确定内镜清洗角度,并根据所述清洗角度,对所述内镜清洗评估结果进行调整,以对于内镜的弯曲部,轴节部等进行彻底的清洗。达到结合内镜内部结构调整清洗评估结果,保证内镜清洗效果更加彻底的技术效果。
进一步而言,本申请实施例步骤S1240还包括:
步骤S1241:获得所述第一内镜的各结构材料;
步骤S1242:根据所述第一内镜的各结构材料,获得所述各结构材料对应的第一材料表面摩擦系数;
步骤S1243:根据所述第一材料表面摩擦系数,获得第一清洗影响参数;
步骤S1244:根据所述第一清洗影响参数,对所述第一内镜清洗评估结果进行调整。
具体而言,所述第一内镜的各结构材料为内镜各结构部分的医用材料特性,如软式内镜,其镜身材料不耐高温。不同的材料构成具有不同的材料特性,同时也对应不同的材料表面摩擦系数,即材料表面的粗糙程度。内镜材料表面的摩擦系数会对清洗效果造成影响,摩擦系数越大,内镜表面越难清洗,根据内镜表面摩擦系数这一清洗影响参数对所述内镜清洗评估结果进行调整。达到结合内镜材料表面特性对清洗评估结果进行调整,保证内镜清洗效果更加彻底的技术效果。
综上所述,本申请实施例所提供的一种内镜清洗液的定向处理方法及系统具有如下技术效果:
由于采用了对所述第一内镜进行新旧程度分析,获得第一内镜磨损度;对内镜表面生物膜面积进行积分运算,获得第一生物膜覆盖面积;将所述第一内镜类型信息、所述第一内镜磨损度和所述第一生物膜覆盖面积输入内镜清洗评估模型,获得第一内镜清洗评估结果;根据预定等级划分规则对所述第一内镜清洗评估结果进行等级划分,获得第一内镜清洗等级;构建内镜清洗液配方数据库;将所述第一内镜清洗等级和所述内镜清洗液配方数据库进行匹配,获得第一内镜清洗液配方;根据所述第一内镜类型信息和第一内镜使用情况,对内镜清洗进行标签化分类,获得第一内镜清洗方案;根据所述第一内镜清洗液配方和所述第一内镜清洗方案,对所述第一内镜清洗液进行定向处理,进而达到结合内镜具体情况进行特定性清洗,保证清洗效果和消毒灭菌合格率,进而对内镜清洗液进行定向处理,无污染环保的技术效果。
实施例二
基于与前述实施例中一种内镜清洗液的定向处理方法同样发明构思,本发明还提供了一种内镜清洗液的定向处理系统,如图2所示,所述系统包括:
第一获得单元11,所述第一获得单元11用于通过图像采集装置获得第一图像信息,所述第一图像信息为第一内镜的图像信息;
第二获得单元12,所述第二获得单元12用于根据所述第一图像信息,获得第一内镜类型信息;
第三获得单元13,所述第三获得单元13用于对所述第一内镜进行新旧程度分析,获得第一内镜磨损度;
第四获得单元14,所述第四获得单元14用于通过所述图像采集装置获得第二图像信息,所述第二图像信息为所述第一内镜的表面特征;
第五获得单元15,所述第五获得单元15用于根据所述第二图像信息,对内镜表面生物膜面积进行积分运算,获得第一生物膜覆盖面积;
第六获得单元16,所述第六获得单元16用于将所述第一内镜类型信息、所述第一内镜磨损度和所述第一生物膜覆盖面积输入内镜清洗评估模型,获得第一内镜清洗评估结果;
第七获得单元17,所述第七获得单元17用于根据预定等级划分规则对所述第一内镜清洗评估结果进行等级划分,获得第一内镜清洗等级;
第一构建单元18,所述第一构建单元18用于构建内镜清洗液配方数据库;
第八获得单元19,所述第八获得单元19用于将所述第一内镜清洗等级和所述内镜清洗液配方数据库进行匹配,获得第一内镜清洗液配方;
第九获得单元20,所述第九获得单元20用于根据所述第一内镜类型信息和第一内镜使用情况,对内镜清洗进行标签化分类,获得第一内镜清洗方案;
第一处理单元21,所述第一处理单元21用于根据所述第一内镜清洗液配方和所述第一内镜清洗方案,对所述第一内镜清洗液进行定向处理。
进一步的,所述系统还包括:
第十获得单元,所述第十获得单元用于获得第一内镜购买基本信息;
第十一获得单元,所述第十一获得单元用于根据所述第一内镜购买基本信息,获得第一内镜预计使用年限;
第十二获得单元,所述第十二获得单元用于对所述第一内镜使用次数进行统计,获得第一内镜使用频次;
第十三获得单元,所述第十三获得单元用于根据所述第一内镜使用频次和所述第一内镜类型信息,获得第一内镜预计磨损率;
第二构建单元,所述第二构建单元用于构建磨损度计算公式:内镜磨损度=(1-内镜预计磨损率)/内镜预计使用年限×100%;
第十四获得单元,所述第十四获得单元用于将所述第一内镜预计使用年限和所述第一内镜预计磨损率输入所述磨损度计算公式,计算获得第一内镜磨损度。
进一步的,所述系统还包括:
第三构建单元,所述第三构建单元用于构建内镜清洗方案坐标系,以各内镜类型信息为横坐标,内镜历史使用情况为纵坐标;
第十五获得单元,所述第十五获得单元用于对所述内镜清洗方案坐标系进行区域标签化分类,获得第一标签分类结果;
第十六获得单元,所述第十六获得单元用于将所述第一内镜类型信息和第一内镜使用情况输入所述内镜清洗方案坐标系,获得内镜清洗方案向量;
第十七获得单元,所述第十七获得单元用于根据所述第一标签分类结果和所述内镜清洗方案向量进行映射匹配,获得第一内镜清洗方案。
进一步的,所述系统还包括:
第十八获得单元,所述第十八获得单元用于对所述内镜清洗方案向量进行距离计算,获得欧氏距离数据集;
第十九获得单元,所述第十九获得单元用于根据所述欧氏距离数据集,获得内镜清洗分类数据集,所述内镜清洗分类数据集为所述欧氏距离数据集中最短k个距离;
第二十获得单元,所述第二十获得单元用于根据所述内镜清洗分类数据集和所述第一标签分类结果进行映射匹配,获得第一分类结果;
第二十一获得单元,所述第二十一获得单元用于根据所述第一分类结果,获得第一内镜清洗方案。
进一步的,所述系统还包括:
第二十二获得单元,所述第二十二获得单元用于获得所述第一内镜的内部结构;
第二十三获得单元,所述第二十三获得单元用于对所述第一内镜的内部结构进行几何分析,获得第一内镜几何形状;
第二十四获得单元,所述第二十四获得单元用于根据所述第一内镜几何形状,获得第一清洗角度;
第一调整单元,所述第一调整单元用于根据所述第一清洗角度,对所述第一内镜清洗评估结果进行调整。
进一步的,所述系统还包括:
第二十五获得单元,所述第二十五获得单元用于获得所述第一内镜的各结构材料;
第二十六获得单元,所述第二十六获得单元用于根据所述第一内镜的各结构材料,获得所述各结构材料对应的第一材料表面摩擦系数;
第二十七获得单元,所述第二十七获得单元用于根据所述第一材料表面摩擦系数,获得第一清洗影响参数;
第二调整单元,所述第二调整单元用于根据所述第一清洗影响参数,对所述第一内镜清洗评估结果进行调整。
进一步的,所述系统还包括:
第一输入单元,所述第一输入单元用于将所述第一内镜类型信息、所述第一内镜磨损度和所述第一生物膜覆盖面积作为输入信息,输入至所述内镜清洗评估模型;
第二十八获得单元,所述第二十八获得单元用于所述内镜清洗评估模型通过多组训练数据训练获得,所述多组训练数据中的每一组训练数据均包括:所述第一内镜类型信息、所述第一内镜磨损度、所述第一生物膜覆盖面积和用来标识第一内镜清洗评估结果的标识信息;
第二十九获得单元,所述第二十九获得单元用于获得所述内镜清洗评估模型中第一输出结果,所述第一输出结果包括所述第一内镜清洗评估结果。
前述图1实施例一中的一种内镜清洗液的定向处理方法的各种变化方式和具体实例同样适用于本实施例的一种内镜清洗液的定向处理系统,通过前述对一种内镜清洗液的定向处理方法的详细描述,本领域技术人员可以清楚的知道本实施例中一种内镜清洗液的定向处理系统的实施方法,所以为了说明书的简洁,在此不再详述。
此外,本发明实施例还提供了一种电子设备,包括总线、收发器、存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,该收发器、该存储器和处理器分别通过总线相连,计算机程序被处理器执行时实现上述控制输出数据的方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
示例性电子设备
具体的,参见图3所示,本发明实施例还提供了一种电子设备,该电子设备包括总线1110、处理器1120、收发器1130、总线接口1140、存储器1150和用户接口1160。
在本发明实施例中,该电子设备还包括:存储在存储器1150上并可在处理器1120上运行的计算机程序,计算机程序被处理器1120执行时实现上述控制输出数据的方法实施例的各个过程。
收发器1130,用于在处理器1120的控制下接收和发送数据。
本发明实施例中,总线架构(用总线1110来代表),总线1110可以包括任意数量互联的总线和桥,总线1110将包括由处理器1120代表的一个或多个处理器与存储器1150代表的存储器的各种电路连接在一起。
总线1110表示若干类型的总线结构中的任何一种总线结构中的一个或多个,包括存储器总线以及存储器控制器、外围总线、加速图形端口、处理器或使用各种总线体系结构中的任意总线结构的局域总线。作为示例而非限制,这样的体系结构包括:工业标准体系结构总线、微通道体系结构总线、扩展总线、视频电子标准协会、外围部件互连总线。
处理器1120可以是一种集成电路芯片,具有信号处理能力。在实现过程中,上述方法实施例的各步骤可以通过处理器中硬件的集成逻辑电路或软件形式的指令完成。上述的处理器包括:通用处理器、中央处理器、网络处理器、数字信号处理器、专用集成电路、现场可编程门阵列、复杂可编程逻辑器件、可编程逻辑阵列、微控制单元或其他可编程逻辑器件、分立门、晶体管逻辑器件、分立硬件组件。可以实现或执行本发明实施例中公开的各方法、步骤及逻辑框图。例如,处理器可以是单核处理器或多核处理器,处理器可以集成于单颗芯片或位于多颗不同的芯片。
处理器1120可以是微处理器或任何常规的处理器。结合本发明实施例所公开的方法步骤可以直接由硬件译码处理器执行完成,或者由译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存取存储器、闪存、只读存储器、可编程只读存储器、可擦除可编程只读存储器、寄存器等本领域公知的可读存储介质中。所述可读存储介质位于存储器中,处理器读取存储器中的信息,结合其硬件完成上述方法的步骤。
总线1110还可以将,例如外围设备、稳压器或功率管理电路等各种其他电路连接在一起,总线接口1140在总线1110和收发器1130之间提供接口,这些都是本领域所公知的。因此,本发明实施例不再对其进行进一步描述。
收发器1130可以是一个元件,也可以是多个元件,例如多个接收器和发送器,提供用于在传输介质上与各种其他装置通信的单元。例如:收发器1130从其他设备接收外部数据,收发器1130用于将处理器1120处理后的数据发送给其他设备。取决于计算机系统的性质,还可以提供用户接口1160,例如:触摸屏、物理键盘、显示器、鼠标、扬声器、麦克风、轨迹球、操纵杆、触控笔。
应理解,在本发明实施例中,存储器1150可进一步包括相对于处理器1120远程设置的存储器,这些远程设置的存储器可以通过网络连接至服务器。上述网络的一个或多个部分可以是自组织网络、内联网、外联网、虚拟专用网、局域网、无线局域网、广域网、无线广域网、城域网、互联网、公共交换电话网、普通老式电话业务网、蜂窝电话网、无线网络、无线保真网络以及两个或更多个上述网络的组合。例如,蜂窝电话网和无线网络可以是全球移动通信系统、码分多址系统、全球微波互联接入系统、通用分组无线业务系统、宽带码分多址系统、长期演进系统、LTE频分双工系统、LTE时分双工系统、先进长期演进系统、通用移动通信系统、增强移动宽带系统、海量机器类通信系统、超可靠低时延通信系统等。
应理解,本发明实施例中的存储器1150可以是易失性存储器或非易失性存储器,或可包括易失性存储器和非易失性存储器两者。其中,非易失性存储器包括:只读存储器、可编程只读存储器、可擦除可编程只读存储器、电可擦除可编程只读存储器,或闪存。
易失性存储器包括:随机存取存储器,其用作外部高速缓存。通过示例性但不是限制性说明,许多形式的RAM可用,例如:静态随机存取存储器、动态随机存取存储器、同步动态随机存取存储器、双倍数据速率同步动态随机存取存储器、增强型同步动态随机存取存储器、同步连接动态随机存取存储器和直接内存总线随机存取存储器。本发明实施例描述的电子设备的存储器1150包括但不限于上述和任意其他适合类型的存储器。
在本发明实施例中,存储器1150存储了操作系统1151和应用程序1152的如下元素:可执行模块、数据结构,或者其子集,或者其扩展集。
具体而言,操作系统1151包含各种系统程序,例如:框架层、核心库层、驱动层等,用于实现各种基础业务以及处理基于硬件的任务。应用程序1152包含各种应用程序,例如:媒体播放器、浏览器,用于实现各种应用业务。实现本发明实施例方法的程序可以包含在应用程序1152中。应用程序1152包括:小程序、对象、组件、逻辑、数据结构以及其他执行特定任务或实现特定抽象数据类型的计算机系统可执行指令。
此外,本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述控制输出数据的方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
以上所述,仅为本发明实施例的具体实施方式,但本发明实施例的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明实施例披露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明实施例的保护范围之内。因此,本发明实施例的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种内镜清洗液的定向处理方法,其中,所述方法应用于一内镜清洗液的定向处理系统,所述系统包括一图像采集装置,所述方法包括:
通过所述图像采集装置获得第一图像信息,所述第一图像信息为第一内镜的图像信息;
根据所述第一图像信息,获得第一内镜类型信息;
对所述第一内镜进行新旧程度分析,获得第一内镜磨损度;
通过所述图像采集装置获得第二图像信息,所述第二图像信息为所述第一内镜的表面特征;
根据所述第二图像信息,对内镜表面生物膜面积进行积分运算,获得第一生物膜覆盖面积;
将所述第一内镜类型信息、所述第一内镜磨损度和所述第一生物膜覆盖面积输入内镜清洗评估模型,获得第一内镜清洗评估结果;
根据预定等级划分规则对所述第一内镜清洗评估结果进行等级划分,获得第一内镜清洗等级;
构建内镜清洗液配方数据库;
将所述第一内镜清洗等级和所述内镜清洗液配方数据库进行匹配,获得第一内镜清洗液配方;
根据所述第一内镜类型信息和第一内镜使用情况,对内镜清洗进行标签化分类,获得第一内镜清洗方案;
根据所述第一内镜清洗液配方和所述第一内镜清洗方案,对所述第一内镜清洗液进行定向处理。
2.如权利要求1所述的方法,其中,所述对所述第一内镜进行新旧程度分析,获得第一内镜磨损度,包括:
获得第一内镜购买基本信息;
根据所述第一内镜购买基本信息,获得第一内镜预计使用年限;
对所述第一内镜使用次数进行统计,获得第一内镜使用频次;
根据所述第一内镜使用频次和所述第一内镜类型信息,获得第一内镜预计磨损率;
构建磨损度计算公式:内镜磨损度=(1-内镜预计磨损率)/内镜预计使用年限×100%;
将所述第一内镜预计使用年限和所述第一内镜预计磨损率输入所述磨损度计算公式,计算获得第一内镜磨损度。
3.如权利要求1所述的方法,其中,所述根据所述第一内镜类型信息和第一内镜使用情况,对内镜清洗进行标签化分类,获得第一内镜清洗方案,包括:
构建内镜清洗方案坐标系,以各内镜类型信息为横坐标,内镜历史使用情况为纵坐标;
对所述内镜清洗方案坐标系进行区域标签化分类,获得第一标签分类结果;
将所述第一内镜类型信息和第一内镜使用情况输入所述内镜清洗方案坐标系,获得内镜清洗方案向量;
根据所述第一标签分类结果和所述内镜清洗方案向量进行映射匹配,获得第一内镜清洗方案。
4.如权利要求3所述的方法,其中,所述根据所述第一标签分类结果和所述内镜清洗方案向量进行映射匹配,获得第一内镜清洗方案,包括:
对所述内镜清洗方案向量进行距离计算,获得欧氏距离数据集;
根据所述欧氏距离数据集,获得内镜清洗分类数据集,所述内镜清洗分类数据集为所述欧氏距离数据集中最短k个距离;
根据所述内镜清洗分类数据集和所述第一标签分类结果进行映射匹配,获得第一分类结果;
根据所述第一分类结果,获得第一内镜清洗方案。
5.如权利要求1所述的方法,其中,所述方法包括:
获得所述第一内镜的内部结构;
对所述第一内镜的内部结构进行几何分析,获得第一内镜几何形状;
根据所述第一内镜几何形状,获得第一清洗角度;
根据所述第一清洗角度,对所述第一内镜清洗评估结果进行调整。
6.如权利要求5所述的方法,其中,所述方法包括:
获得所述第一内镜的各结构材料;
根据所述第一内镜的各结构材料,获得所述各结构材料对应的第一材料表面摩擦系数;
根据所述第一材料表面摩擦系数,获得第一清洗影响参数;
根据所述第一清洗影响参数,对所述第一内镜清洗评估结果进行调整。
7.如权利要求1所述的方法,其中,所述将所述第一内镜类型信息、所述第一内镜磨损度和所述第一生物膜覆盖面积输入内镜清洗评估模型,获得第一内镜清洗评估结果,包括:
将所述第一内镜类型信息、所述第一内镜磨损度和所述第一生物膜覆盖面积作为输入信息,输入至所述内镜清洗评估模型;
所述内镜清洗评估模型通过多组训练数据训练获得,所述多组训练数据中的每一组训练数据均包括:所述第一内镜类型信息、所述第一内镜磨损度、所述第一生物膜覆盖面积和用来标识第一内镜清洗评估结果的标识信息;
获得所述内镜清洗评估模型中第一输出结果,所述第一输出结果包括所述第一内镜清洗评估结果。
8.一种内镜清洗液的定向处理系统,其中,所述系统包括:
第一获得单元,所述第一获得单元用于通过图像采集装置获得第一图像信息,所述第一图像信息为第一内镜的图像信息;
第二获得单元,所述第二获得单元用于根据所述第一图像信息,获得第一内镜类型信息;
第三获得单元,所述第三获得单元用于对所述第一内镜进行新旧程度分析,获得第一内镜磨损度;
第四获得单元,所述第四获得单元用于通过所述图像采集装置获得第二图像信息,所述第二图像信息为所述第一内镜的表面特征;
第五获得单元,所述第五获得单元用于根据所述第二图像信息,对内镜表面生物膜面积进行积分运算,获得第一生物膜覆盖面积;
第六获得单元,所述第六获得单元用于将所述第一内镜类型信息、所述第一内镜磨损度和所述第一生物膜覆盖面积输入内镜清洗评估模型,获得第一内镜清洗评估结果;
第七获得单元,所述第七获得单元用于根据预定等级划分规则对所述第一内镜清洗评估结果进行等级划分,获得第一内镜清洗等级;
第一构建单元,所述第一构建单元用于构建内镜清洗液配方数据库;
第八获得单元,所述第八获得单元用于将所述第一内镜清洗等级和所述内镜清洗液配方数据库进行匹配,获得第一内镜清洗液配方;
第九获得单元,所述第九获得单元用于根据所述第一内镜类型信息和第一内镜使用情况,对内镜清洗进行标签化分类,获得第一内镜清洗方案;
第一处理单元,所述第一处理单元用于根据所述第一内镜清洗液配方和所述第一内镜清洗方案,对所述第一内镜清洗液进行定向处理。
9.一种内镜清洗液的定向处理系统,包括总线、收发器、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述收发器、所述存储器和所述处理器通过所述总线相连,其特征在于,所述计算机程序被所述处理器执行时实现如权利要求1-7中任一项所述的控制输出数据的方法中的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-7中任一项所述的控制输出数据的方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110663861.8A CN113284132A (zh) | 2021-06-16 | 2021-06-16 | 一种内镜清洗液的定向处理方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110663861.8A CN113284132A (zh) | 2021-06-16 | 2021-06-16 | 一种内镜清洗液的定向处理方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113284132A true CN113284132A (zh) | 2021-08-20 |
Family
ID=77284622
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110663861.8A Withdrawn CN113284132A (zh) | 2021-06-16 | 2021-06-16 | 一种内镜清洗液的定向处理方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113284132A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114494406A (zh) * | 2022-04-13 | 2022-05-13 | 武汉楚精灵医疗科技有限公司 | 医学图像处理方法、装置、终端及计算机可读存储介质 |
-
2021
- 2021-06-16 CN CN202110663861.8A patent/CN113284132A/zh not_active Withdrawn
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114494406A (zh) * | 2022-04-13 | 2022-05-13 | 武汉楚精灵医疗科技有限公司 | 医学图像处理方法、装置、终端及计算机可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Esteva et al. | A guide to deep learning in healthcare | |
Ozden et al. | Diagnosis of periodontal diseases using different classification algorithms: A preliminary study | |
CN111767963A (zh) | 一种基于内镜筛查提高质量评估的方法及装置 | |
Holme et al. | Cost-efficient vaccination protocols for network epidemiology | |
CN111161254A (zh) | 一种骨龄预测方法 | |
US20190216334A1 (en) | Emotion representative image to derive health rating | |
Kribus-Shmiel et al. | How many strides are required for a reliable estimation of temporal gait parameters? Implementation of a new algorithm on the phase coordination index | |
CN111292328A (zh) | 一种基于内镜筛查的图像信息处理方法及装置 | |
CN113284132A (zh) | 一种内镜清洗液的定向处理方法及系统 | |
CN112466426A (zh) | 一种心血管手术风险评估系统及方法 | |
CN111403029A (zh) | 一种提高评估质量的信息处理方法及装置 | |
Gillmann et al. | How to deal with uncertainty in machine learning for medical imaging? | |
CN111640093A (zh) | 医学图像的质控方法和计算机可读存储介质 | |
Alevizakos et al. | Artificial intelligence system for training diagnosis and differentiation with molar incisor hypomineralization (MIH) and similar pathologies | |
CN114512235A (zh) | 一种骨折创伤信息处理方法及系统 | |
Chaisangmongkon et al. | External validation of deep learning algorithms for cardiothoracic ratio measurement | |
Moon et al. | A deep learning approach for fully automated measurements of lower extremity alignment in radiographic images | |
CN110555472B (zh) | 基于主动学习的心电信号数据标注方法 | |
Tsai et al. | Deep learning of birth-related infant clavicle fractures: a potential virtual consultant for fracture dating | |
CN113345558A (zh) | 一种提高骨科诊断决策效率的辅助系统及方法 | |
JP2019508080A (ja) | 医療モニタリングデバイスを較正するための方法及び装置 | |
CN111584086A (zh) | 一种基于bp神经网络的红外热源信息反演方法 | |
CN112401846B (zh) | 一种口腔内粘膜的护理系统及方法 | |
Chakravarti et al. | PIN68 Estimating Effects in Observational Real-World Data, From Target Trials to Targeted Learning: Example of Treating COVID-Hospitalized Patients | |
Ferdous | On the effect of ignoring within-unit infectious disease dynamics when modelling spatial transmission |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20210820 |
|
WW01 | Invention patent application withdrawn after publication |