CN113284618A - 婴幼儿健康评估方法 - Google Patents
婴幼儿健康评估方法 Download PDFInfo
- Publication number
- CN113284618A CN113284618A CN202110398787.1A CN202110398787A CN113284618A CN 113284618 A CN113284618 A CN 113284618A CN 202110398787 A CN202110398787 A CN 202110398787A CN 113284618 A CN113284618 A CN 113284618A
- Authority
- CN
- China
- Prior art keywords
- evaluation
- information
- item
- infant
- result
- 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
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
- G16H50/30—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
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明公开了一种婴幼儿健康评估方法,包括:确定待评估项,待评估项包括病史项、体检项及发育里程碑项;基于评估复杂度由低到高将待评估项划分至不同的项目类别;获取第一评估项目的第一评估信息,第二评估项目的第二评估信息,第三评估项目的第三评估信息;将第一评估信息与标准评估规则匹配确定第一评估结果;根据标准评估结果、地域评估结果及与对比评估结果确定第二评估结果;提取第三评估信息的特征信息,将特征信息送入人工智能模型确定第三评估结果;基于第一评估结果、第二评估结果及第三评估结果确定婴幼儿健康评估结果。本发明的技术方案可以从多个维度对对婴幼儿健康进行全面的评估,评估结果准确度高,便于识别出婴幼儿健康风险。
Description
技术领域
本发明涉及健康评估技术领域,具体而言,涉及一种婴幼儿健康评估方法。
背景技术
随着经济的发展,人们的生活水平不断提高,对健康的关注度也越来越高,尤其是婴幼儿的健康;
目前来讲,现有技术中针对成人对健康医疗监控的技术更多,例如:中国专利CN107145704B-一种面向社区的健康医疗监护、评测系统及其方法(即现有技术1),并具体公开了如下技术内容:中央业务服务器为用户提供多个层次的健康服务,包括以下步骤组成:第一步,健康数据标准异常分析服务:健康数据标准异常分析,指的是系统解析出用户当前上传的健康数据后,根据体征标准指标进行判断是否超出正常范围,如果超出正常范围则进行异常标记,触发报警其他业务,所述的体征标准指标包括三个标准,包括医学标准指标、居民个人历史健康数据标准指标以及在社区环境一致的群体中的群体历史标准指标,医学指标是指医学规定的各项体征的正常范围指标;居民的个人历史标准指标通过对居民的历史数据进行分析,得出居民健康处于正常状态下体征均值作为个人健康指标;群体历史指标是指外部环境一致情况下,整个聚集群体中健康处于正常状态下的样本的体征均值指标;
第二步,居民健康变化趋势分析服务:系统根据居民的历史健康数据,分析居民各项指标随时间的变化趋势,系统在获取到居民的最新时刻健康数据的同时,会动态更新变化趋势曲线,并给出预定周期内的预测值,系统根据预定周期内的预测值的变化,并和标准指标进行比较,进而触发报警其他业务;
第三步,基于健康模糊认知图(HFCM)的健康指标关系分析以及健康整体趋势分析部分:HFCM健康模糊认知图各个影响因子的权重反应了对居民健康状态产生影响的各个因素的影响作用,通过对这些权重和作用指向的分析,系统可以得出居民各个健康指标分别受到哪些环境或者其他健康指标的作用以及对整体健康状态的影响,系统根据居民具体的的健康指标和相互影响权重,分析出居民当前的健康整体评分,评分直接反应了居民的健康状态;
上述技术方案是对现有的社区居民各类参数进行整合分析,形成完善的健康影响因子集,利用特定的权重分析理论实现增强健康预测能力。但是很显然,上述现有技术1所要解决问题是构建健康医疗监护系统,实现的技术手段也非常简单。对此,研究人员也发现成人的完善的检查设备,检查方案不同,婴幼儿往往不能做比较复杂的检查,所以,如何认识婴幼儿的健康风险成为人们健康评估的一个难题。同时,现有的婴幼儿健康评估当前的婴幼儿健康评估往往针对单项的信息进行评估,比如对婴幼儿身高的评价,主要是针对婴幼儿身高和现有的身高评价表格来得到身高评价结果,该种针对单项的评估结果比较片面,未形成婴幼儿健康的整体评价系统。
另外,婴幼儿健康评估也具有特殊性(特定的应用场景,特定的影响因素等),由于婴幼儿年龄较小,对很多体检项目来说,认为只要能做就达标,缺乏准确且有效的评价模型,评估结果误差大,不能准确识别出健康风险。
发明内容
鉴于上述问题,本发明实施例的目的在于提供一种婴幼儿健康评估方法,以解决现有技术的不足。
根据本发明的一个实施方式,提供一种婴幼儿健康评估方法,该方法包括:
确定待评估项,其中,所述待评估项包括病史项、体检项及发育里程碑项,所述病史项包括婴幼儿既往病史;
基于评估复杂度由低到高将所述婴幼儿既往病史、所述体检项及所述发育里程碑项划分至不同的项目类别,其中,所述项目类别包括第一类评估项目、第二类评估项目及第三类评估项目;
获取所述婴幼儿既往病史、体检项及发育里程碑项各自对应的待评估信息,将第一评估项目对应的待评估信息作为第一评估信息,将第二评估项目对应的待评估信息作为第二评估信息,将第三评估项目对应的待评估信息作为第三评估信息;
将所述第一评估信息与预先设定的标准评估规则进行匹配确定第一评估结果;
对于所述第二类评估项目,根据标准评估结果、地域评估结果及与对比评估结果确定第二评估结果,其中,所述标准评估结果是根据所述第二评估信息与所述标准评估规则进行匹配来确定,所述地域评估结果是根据所述第二评估信息与该地域内多个婴幼儿样本在第二类评估项目中的历史统计信息之间的偏差确定;所述对比评估结果根据本次婴幼儿健康评估的第二评估信息及与本次婴幼儿健康评估时间距离最近的一次婴幼儿健康评估的第二评估信息之间的偏差确定;
对于所述第三类评估项目,提取第三评估信息的特征信息,将所述特征信息送入预先训练好的人工智能模型确定第三评估结果;
基于所述第一评估结果、第二评估结果及第三评估结果确定婴幼儿健康评估结果。
在上述的婴幼儿健康评估方法中,所述将所述第一评估信息与预先设定的标准评估规则进行匹配确定第一评估结果包括:
判断所述第一类评估项目是否为一级项目;
在所述第一类评估项目为一级项目的情况下,根据所述第一评估信息查找所述标准评估规则中对应记录,将该对应记录中的分值作为所述第一评估结果;
在所述第一类评估项目不是一级项目的情况下,基于该第一评估信息对一级项目之后级别的项目进行继续匹配,直至匹配到最后一级项目,将最后一级项目的第一评估信息在所述标准评估规则中对应的分值作为所述第一评估结果。
在上述的婴幼儿健康评估方法中,根据所述第二评估信息与该地域内多个婴幼儿样本在第二类评估项目中的历史统计信息之间的偏差确定地域评估结果包括:
计算多个婴幼儿样本的历史评估信息对应的均值;
计算该第二评估信息与所述均值的标准差;
根据所述标准差查找地域评估规则中对应记录,将该对应记录中的分值作为所述地域评估结果。
在上述的婴幼儿健康评估方法中,根据所述第二评估信息与该地域内多个婴幼儿样本在第二类评估项目中的历史统计信息之间的偏差确定地域评估结果包括:
基于所述第二评估信息及所述历史统计信息进行排序确定所述第二评估信息对应的排名;
基于所述排名及所述多个婴幼儿样本的数量计算该第二评估信息与所述历史统计信息的距离;
基于所述距离查找地域评估规则中对应记录,将该对应记录中的分值作为所述地域评估结果。
在上述的婴幼儿健康评估方法中,所述历史统计信息包括多个婴幼儿样本的总数,所述第二评估信息与所述历史统计信息的距离通过以下公式计算:
其中,PR为所述第二评估信息与所述历史统计信息的距离,N为所述多个婴幼儿样本的总数,R为所述第二评估信息对应的排名。
在上述的婴幼儿健康评估方法中,所述第三类评估项目包括过敏项,所述第三评估信息包括图片信息,所述提取第三评估信息的特征信息,将所述特征信息送入预先训练好的人工智能模型确定第三评估结果包括:
在所述图片信息中提取特征信息,所述特征信息包括RGB值、连通区域像素坐标、连通区域的个数及各连通区域之间的距离;
将所述特征信息送入预先训练好的神经网络模型,根据神经网络模型的输出结果确定第三评估结果。
在上述的婴幼儿健康评估方法中,所述第三类评估项目包括语言项,所述第三评估信息包括语音信息,所述提取第三评估信息的特征信息,将所述特征信息送入预先训练好的人工智能模型确定第三评估结果包括:
将所述语音信息进行傅里叶变换得到频谱信息;
对所述语音信息及所述频谱信息中提取特征信息,所述特征信息包括幅度信息、相位信息及频率信息;
将所述特征信息送入预先训练好的神经网络模型,根据神经网络模型的输出结果确定第三评估结果。
在上述的婴幼儿健康评估方法中,所述病史项还包括婴幼儿父母的所有直系亲属病史,所述基于所述第一评估结果、第二评估结果及第三评估结果确定婴幼儿健康评估结果包括:
将获取的所述直系亲属病史对应的待评估信息作为亲属病史信息;
基于所述亲属病史信息及马尔科夫链模型确定所述直系亲属病史的遗传概率,基于所述第一评估结果、第二评估结果、第三评估结果及所述遗传概率确定婴幼儿健康评估结果。
在上述的婴幼儿健康评估方法中,所述基于所述亲属病史信息及马尔科夫链模型确定所述直系亲属病史的遗传概率包括:
基于直系亲属病史中的各个病史项对应基因特性及遗传特性确定遗传的马尔科夫转移矩阵,所述基因特性包括基因显性或者基因隐性;
根据直系亲属病史中的各个病史项目对应的亲属病史信息、所述马尔科夫转移矩阵及遗传距离确定所述遗传概率,其中,所述遗传距离为所述亲属病史信息中出现该疾病的亲属的个数。
在上述的婴幼儿健康评估方法中,所述病史项还包括婴幼儿喂养项、生活作息项及养育场所项,所述基于所述第一评估结果、第二评估结果及第三评估结果确定婴幼儿健康评估结果包括:
将获取的婴幼儿喂养项、生活作息项及养育场所项对应的待评估信息作为病史筛选信息;
将所述病史筛选信息与各自对应的筛查规则进行匹配,将匹配到的各最后一级项目对应的分值作为病史筛选结果;
基于所述病史筛选结果、第一评估结果、第二评估结果及第三评估结果确定婴幼儿健康评估结果。
根据本发明的另一个实施方式,提供一种婴幼儿健康评估装置,该装置包括:
确定模块,用于确定待评估项,其中,所述待评估项包括病史项、体检项及发育里程碑项,所述病史项包括婴幼儿既往病史;
分类模块,用于基于评估复杂度由低到高将所述婴幼儿既往病史、所述体检项及所述发育里程碑项划分至不同的项目类别,其中,所述项目类别包括第一类评估项目、第二类评估项目及第三类评估项目;
获取模块,用于获取所述婴幼儿既往病史、体检项及发育里程碑项各自对应的待评估信息,将第一评估项目对应的待评估信息作为第一评估信息,将第二评估项目对应的待评估信息作为第二评估信息,将第三评估项目对应的待评估信息作为第三评估信息;
第一评估模块,用于将所述第一评估信息与预先设定的标准评估规则进行匹配确定第一评估结果;
第二评估模块,用于对于所述第二类评估项目,根据标准评估结果、地域评估结果及与对比评估结果确定第二评估结果,其中,所述标准评估结果是根据所述第二评估信息与所述标准评估规则进行匹配来确定,所述地域评估结果是根据所述第二评估信息与该地域内多个婴幼儿样本在第二类评估项目中的历史统计信息之间的偏差确定;所述对比评估结果根据本次婴幼儿健康评估的第二评估信息及与本次婴幼儿健康评估时间距离最近的一次婴幼儿健康评估的第二评估信息之间的偏差确定;
第三评估模块,用于对于所述第三类评估项目,提取第三评估信息的特征信息,将所述特征信息送入预先训练好的人工智能模型确定第三评估结果;
健康评估模块,用于基于所述第一评估结果、第二评估结果及第三评估结果确定婴幼儿健康评估结果。
根据本发明的再一个实施方式,提供一种电子设备,所述电子设备包括存储器以及处理器,所述存储器用于存储计算机程序,所述处理器运行所述计算机程序以使所述电子设备执行上述的婴幼儿健康评估方法。
根据本发明的又一个实施方式,提供一种计算机可读存储介质,其存储有所述电子设备中所用的所述计算机程序。
本公开的实施例提供的技术方案可以包括如下有益效果:
本发明中一种婴幼儿健康评估方法,该方法包括:确定待评估项,该待评估项包括多个维度的数据:病史项、体检项及发育里程碑项,该病史项包括婴幼儿既往病史;由于多个维度的数据中各待评估项的评估复杂度不同,有的待评估项仅能得到是否的结果,有的待评估项能得到程度的结果,还有一些待评估项需要考虑地域因素等,因此,将该待评估项病史项、体检项及发育里程碑项按照评估复杂度由低到高划分至不同的项目类别,其中,所述项目类别包括第一类评估项目、第二类评估项目、及第三类评估项目,第一类评估项目、第二类评估项目、及第三类评估项目的评估复杂度依次增加;针对各项目类别分别对应不同的评估标准,将所述第一评估信息与预先设定的标准评估规则进行匹配确定第一评估结果;对于所述第二类评估项目,根据标准评估结果、地域评估结果及与对比评估结果确定第二评估结果,其中,所述标准评估结果是根据所述第二评估信息与所述标准评估规则进行匹配来确定,所述地域评估结果是根据所述第二评估信息与该地域内多个婴幼儿样本在第二类评估项目中的历史统计信息之间的偏差确定;所述对比评估结果根据本次婴幼儿健康评估的第二评估信息及与本次婴幼儿健康评估时间距离最近的一次婴幼儿健康评估的第二评估信息之间的偏差确定;对于所述第三类评估项目,提取第三评估信息的特征信息,将所述特征信息送入预先训练好的人工智能模型确定第三评估结果,最后,基于所述第一评估结果、第二评估结果及第三评估结果确定婴幼儿健康评估结果;本发明的上述技术方案可以从多个维度对对婴幼儿健康进行全面的评估,评估结果准确度高,便于识别出婴幼儿健康风险。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对本发明保护范围的限定,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他相关的附图。
图1示出了本发明第一实施例提供的一种婴幼儿健康评估方法的流程示意图;
图2示出了本发明第二实施例提供的一种婴幼儿健康评估方法的流程示意图;
图3示出了本发明第三实施例提供的一种婴幼儿健康评估方法的流程示意图;
图4示出了本发明第四实施例提供的一种婴幼儿健康评估方法的流程示意图;
图5示出了本发明第五实施例提供的一种婴幼儿健康评估方法的流程示意图;
图6示出了本发明第六实施例提供的一种婴幼儿健康评估装置的结构示意图。
主要元件符号说明:
600-婴幼儿健康评估装置;610-确定模块;620-分类模块;630-获取模块;640-第一评估模块;650-第二评估模块;660-第三评估模块;670-健康评估模块。
具体实施方式
下面将结合本发明实施例中附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例1
图1示出了本发明第一实施例提供的一种婴幼儿健康评估方法的流程示意图。
该婴幼儿健康评估方法包括以下步骤:
在步骤S110中,确定待评估项,其中,所述待评估项包括病史项、体检项及发育里程碑项,所述病史项包括婴幼儿既往病史。
具体地,为了更全面的对婴幼儿的健康进行评估,首先需要确定待评估项,待评估项越多,基于所有待评估项进行婴幼儿健康评估的评估结果越全面,评估结果的准确率越高。
所述待评估项主要包括三个大块:病史项、体检项及发育里程碑项,其中,所述病史项主要是基于婴幼儿既往病史对当前健康状况的影响进行评估;所述体检项主要是对婴幼儿身体生长、发育的评估;所述发育里程碑项主要是对婴幼儿运动、心理、认知等方面进行评估;结合上述的病史因素、生长发育因素及运动心理认知因素来对婴幼儿的健康进行比较全面的评估。值得注意的是,每一个待评估项中还可以包括多个条目,具体如下:
所述病史项可以包括婴幼儿的既往病史,所述既往病史的疾病主要涉及心、肺、肝、脾、肾等一些重大脏器的病史、癫痫史、精神病史及重大手术病史等条目,所述重大手术病史包括何时、何处做过何种手术,目前状况如何等信息。
所述体检项可以包括皮肤、头部、颈部、眼睛、耳、鼻、喉、心脏、呼吸、腹部、泌尿生殖系统、肌肉骨骼、身高、体重及神经等条目。
所述发育里程碑项可以包括社交心理、语言、沟通、认知及运动等条目。
值得注意的是,所述发育里程碑项和婴幼儿的年龄息息相关,婴幼儿的成长速度是非常快的,婴儿在一定周期内(比如一年、一个月、一个季度等)的变化是非常明显的,比如,婴幼儿在十月龄的时期内仅能爬行、坐下及站立等,在十一月龄的时期内可以行走、爬行、坐下及站立。
在步骤S120中,基于评估复杂度由低到高将所述婴幼儿既往病史、所述体检项及所述发育里程碑项划分至不同的项目类别,其中,所述项目类别包括第一类评估项目、第二类评估项目及第三类评估项目。
具体地,由于婴幼儿的健康评估具有其特殊性,婴幼儿的年龄较小,医院内有很大一部分的检查项目暂不支持给婴幼儿进行检查,因此,针对一些待评估项可能仅包括是否的选项(以下称为是否评类估项),也就是说仅评估是否能不能做,能做就认为达标,比如,在发育里程碑项社交心理条目中,婴幼儿不高兴时是否可以被安抚,就是一个只有是否的待评估项。
有些待评估项的评估内容包括程度值的选项(以下称为程度类评估项 ),也就是说该待评估项处于哪种程度,可以根据程度的值进行健康评估,比如,在体检项头部的条目中,判断是否前囟平坦,如果是否的话,继续在以下选项中进行选择:前囟膨隆、张力高;前囟凹陷。
有些待评估项的评估内容不能仅依据当前时间点的数据对婴幼儿健康进行评估,还需要需要结合历史数据、地域数据等综合进行评估(以下称为综合类评估项),比如,在体检项身高条目中,则需要根据婴幼儿当前身高、历史身高、地域身高标准等信息得到最终的评估结果。
还有些待评估项的评估内容仅仅依靠简单的计算无法确定,还需要根据复杂的人工智能模型进行识别(以下称为智能类评估项),比如,在体检项皮肤条目中,判断婴幼儿是否有湿疹,则可以拍摄婴幼儿皮肤照片,将该婴幼儿皮肤照片送入训练好的识别湿疹的神经网络模型中即可确定婴幼儿是否患有湿疹。
由上述描述可以知道,智能类评估项、综合类评估项、程度类评估项及是否类评估项的评估复杂度是逐渐降低的,也就是说,是否类评估项的评估复杂度最低,程度类评估项的评估复杂度比是否类评估项的评估复杂度高,综合类评估项的评估复杂度比程度类评估项的评估复杂度高,智能类评估项的评估复杂度比综合类评估复杂度高。
在一种实施例中,可以预先设定智能类评估项、综合类评估项、程度类评估项及是否类评估项的评估复杂度,然后将评估复杂度低的是否类评估项及程度类评估项划分至第一类评估项目,将综合类评估项划分至第二类评估项目,将评估复杂度最高的智能类评估项划分至第三类评估项目,以基于不同的项目类别执行不同的评估方案。
在步骤S130中,获取所述婴幼儿既往病史、体检项及发育里程碑项各自对应的待评估信息,将第一评估项目对应的待评估信息作为第一评估信息,将第二评估项目对应的待评估信息作为第二评估信息,将第三评估项目对应的待评估信息作为第三评估信息。
值得注意的是,获取所述婴幼儿既往病史、体检项及发育里程碑项各自对应的待评估信息的操作可以在步骤S110之后,步骤S140之前执行,具体不做限定。
其中,所述婴幼儿既往病史的待评估信息可以为:
在婴幼儿既往病史中的哮喘条目中,获取的该条目的待评估信息可以为是或否的信息;在婴幼儿既往病史中的湿疹条目中,获取的该条目的待评估信息可以为存在湿疹或者不存在湿疹(即可能皮肤过敏导致)等等。
所述体检项的待评估信息可以为:
在体检项中身高条目中,获取的该条目的待评估信息可以为婴幼儿当前身高信息、婴幼儿当前时间之前采集的历史身高信息及婴幼儿所在地域内的多个婴幼儿样本的身高信息;在体检项中皮肤条目中,获取的该条目的待评估信息可以为婴幼儿皮肤的图片信息等等。
值得注意的是,有一些待评估项内的每一个条目内,还可以包含至少一个子条目。比如,所述发育里程碑项的待评估信息可以为:
在发育里程碑项的社交心理条目中,可以有一个子条目为不高兴时是否可以被安抚,该子条目的待评估信息可以为是或否的信息;在发育里程碑项的认知条目中,可以有一个子条目为是否开始笑,该子条目的待评估信息可以为是或否的信息;在发育里程碑项的认知条目中,还可以有一个子条目为是否开始哭,该子条目的待评估信息同样可以为是或否的信息,在等等。
另外,本发明的技术方案可以以APP的形式运行在用户终端,该用户可以为体检机构、医院、妇幼保健院等,还可以为婴幼儿亲属等。
本实施例中,获取所述婴幼儿既往病史、体检项及发育里程碑项各自对应的待评估信息可以通过用户终端上的APP上传的方式获得,还可以通过婴幼儿体检,或医院的病史库中获取。
在确定了所有待评估项的待评估信息后,可以将第一类评估项目中所有条目和/或子条目对应的待评估信息作为第一评估信息;将第二类评估项目中所有条目和/或子条目对应的待评估信息作为第二评估信息;第三类评估项目中所有条目和/或子条目对应的待评估信息作为第三评估信息,以便作为后续评估中的数据基础。
在步骤S140中,将所述第一评估信息与预先设定的标准评估规则进行匹配确定第一评估结果。
具体地,对于第一类评估条目,由于该第一类评估条目仅包括是否的选项或者程度的选项,那么该评估标准可以针对是或否的选项及不同程度的选项分别设置分值,基于对选项选择的结果确定第一评估结果。
比如,在发育里程碑项的社交心理条目下面的不高兴时是否可以被安抚的子条目中,如果选择是的选项,对应的分值为2分,可以将2分作为第一评估结果;如果选择否的选项,对应的分值为0分,可以将0分作为第一评估结果。
又如,在体检项头部的条目中,前囟平坦的选项是2分,前囟不平坦的选项则会存在两个子选项:前囟膨隆、张力高子选项,对应的分值为-2分;前囟凹陷子选项,对应的分值为-3分。
需要说明的是,各条目及子条目下的各选项及子选项的分值可以根据有经验的大夫根据实际情况进行设置。
在步骤S150中,对于所述第二类评估项目,根据标准评估结果、地域评估结果及与对比评估结果确定第二评估结果。
其中,所述标准评估结果是根据所述第二评估信息与所述标准评估规则进行匹配来确定,所述地域评估结果是根据所述第二评估信息与该地域内多个婴幼儿样本在第二类评估项目中的历史统计信息之间的偏差确定;所述对比评估结果根据本次婴幼儿健康评估的第二评估信息及与本次婴幼儿健康评估时间距离最近的一次婴幼儿健康评估的第二评估信息之间的偏差确定。
具体地,对于第二类评估项目,不仅需要与预先设定的标准评估规则进行匹配,还需要考虑各地域的因素及与上一次比较结果。比如,在体检项身高条目中,身高BMI(身体质量指数)虽然正常,与该地域内的多个婴幼儿样本的生长基线也未偏离,但是当前身高和上一次评估的身高差距不大,也就意味着当前时间距离上一次评估的时间之间,该婴幼儿的生长过慢,也是不正常的。
本实施例中,所述第二评估结果可以为标准评估结果、地域评估结果及对比评估结果的和;当然,在一些其他的实施例中,所述第二评估结果还可以为:将标准评估结果、地域评估结果及对比评估结果进行线性运算后得到的值,在此不做限定。
对于标准评估结果,可以将第二评估信息与预设的标准评估规则进行匹配来确定。比如,对于名叫小苹果的婴儿当前身高100cm,年龄4周岁,将4周岁对应的多个婴幼儿样本的身高均值作为标准身高。
标准评分规则 | 评分 |
身高高于标准身高 | 2 |
身高低于标准身高的值小于或等于2cm | -2 |
身高低于标准身高的值大于2cm | -4 |
参见上表,如果小苹果的身高低于标准身高的值小于或等于2cm,则标准评估结果的值为-2;如果小苹果的身高低于标准身高的值大于2cm,则标准评估结果的值为-4;如果小苹果的身高高于标准身高,则标准评估结果的值为2。
对于地域评估结果,可以将该地域内多个婴幼儿的身高信息进行统计,得到该地域内婴幼儿在各年龄段的身高范围,将该身高范围作为历史统计信息,基于当前婴幼儿的真实身高和历史统计信息进行对比,计算该当前婴幼儿的真实身高和历史统计信息之间的差值作为偏差,基于该偏差来确定地域评估结果。
差值大于或等于0 | 2 |
差值大于-2cm且小于0 | -2 |
差值小于-2cm | -4 |
比如,在婴幼儿的真实身高大于或等于该地域内历史统计信息的情况下,说明该婴幼儿的身高符合该地域内婴幼儿身高-年龄趋势,则对应的地域评估结果的值为2;如果在婴幼儿的真实身高低于该地域内历史统计信息2cm以内,那么对应的地域评估结果的值为-2,如果婴幼儿的真实身高低于该地域内历史统计信息2cm以外,说明该婴幼儿的身高发育水平远远低于该地域内同龄婴幼儿的发育水平,那么对应的地域评估结果的值为-4。
对于对比评估结果,将该婴幼儿的身高(以下称为本次身高)与该婴幼儿在上一次体检时的身高(以下称为上一次身高)进行对比,基于本次身高、上一次身高及本次评估与上一次评估之间的时间区间确定对比评估结果。
比如,可以依据下式确定对比参数z:
其中,S1为本次身高,S2为上一次身高,t为本次评估与上一次评估之间的时间区间,r为单位时间内增长高度。
那么,可以基于对比参数z确定对比评估结果。
比如,z>0,对比评估结果的值为2;z>=-2,对比评估结果的值为-2;z<-2,对比评估结果的值为-4。
在步骤S160中,对于所述第三类评估项目,提取第三评估信息的特征信息,将所述特征信息送入预先训练好的人工智能模型确定第三评估结果。
具体地,由于该第三类评估项目仅仅依靠简单的计算无法确定,还需要根据复杂的人工智能模型进行识别,该人工智能模型可以包括神经网络模型,决策树模型等。
比如,在病史项过敏条目中是否有湿疹的子条目中,不确定婴幼儿是否有湿疹的情况下,可以将拍摄的婴幼儿的皮肤图片送入神经网络模型识别该婴幼儿皮肤表面是否具有湿疹。该神经网络模型是根据多个皮肤样本图片进行训练得到的,该皮肤样本图片包括具有湿疹的皮肤图片及不具有湿疹的皮肤图片。
在步骤S170中,基于所述第一评估结果、第二评估结果及第三评估结果确定婴幼儿健康评估结果。
本实施例中,可以将第一评估结果的值、第二评估结果的值及第三评估结果的值进行叠加,基于叠加的和确定婴幼儿健康分值。
在一些其他的实施例中,还可以基于第一评估结果、第二评估结果及第三评估结果对婴幼儿健康评估的影响程度设定第一评估结果、第二评估结果及第三评估结果各自对应的权重值,基于所述第一评估结果、第二评估结果及第三评估结果及各自对应的权重值进行加权求和得到婴幼儿健康分值,健康分值越高,该婴幼儿的健康程度越高。
基于预设的健康等级及健康分值之间的对应关系,确定该婴幼儿健康分值对应的健康区域,可以基于该婴幼儿健康分值对应的健康区域确定婴幼儿健康评估结果。
比如,可以预计医生的诊断经验划出三条线,四个区域,其中三条线为:严重线、合格线、优秀线,其对应的四个区为:严重警戒区域、警戒区域、合格区域和优秀区域,健康分值小于或等于严重线对应的值,则处于严重警戒区域,健康分值处于合格线对应的值与严重线对应的值之间,则处于警戒区域,健康分值处于合格线对应的值与优秀线对应的值之间,则处于合格区域,健康分值大于或等于优秀线对应的值,则处于优秀区域。设置为四个区主要考虑到婴幼儿发育的不确定性,婴幼儿的发育特点有很大波动性,一个阶段没满足当前发育的要求,偏离度不高的话,在下一个阶段的发育中就很容易赶上来,这里称为警戒区,但是如果偏离度太高,那么很可能就有问题,称为严重警戒区,在下一个阶段的发育中是没有办法追赶上来的,这种情况就要引起极大的重视。
另外,在该婴幼儿健康评估结果处于严重警戒区域内的情况下,或者当前婴幼儿健康评估的评估结果与上一次婴幼儿健康评估的评估结果之间跨越了两个区域(比如,上一次的评估结果处于优秀区域,当前的评估结果处于优秀区域;又如,上一次的评估结果处于合格区域,当前的评估结果处于严重警戒区域),则需要重点关注。
进一步地,所述将所述第一评估信息与预先设定的标准评估规则进行匹配确定第一评估结果包括:
判断所述第一类评估项目是否为最后一级项目;在所述第一类评估项目为最后一级项目的情况下,根据所述第一评估信息查找所述标准评估规则中对应记录,将该对应记录中的分值作为所述第一评估结果;在所述第一类评估项目不是最后一级项目的情况下,基于该第一评估信息对一级项目之后级别的项目进行继续匹配,直至匹配到最后一级项目,将最后一级项目的第一评估信息在所述标准评估规则中对应的分值作为所述第一评估结果。
具体地,如下表所示展示了一级项目、二级项目及三级项目。
上图中,由于在匹配一级项目的情况下,该一级项目还包括多个二级项目(该二级项目可以认为是待评估项对应的条目),需要继续对该二级项目继续进行匹配,该二级项目还包括多个三级项目(该三级项目可以认为是待评估项对应的条目的子条目),如果该三级项目中未包含其他的四级条目,那么该最后一级项目即为三级项目。
如果该第一类评估项目为最后一级项目的情况下,根据所述第一评估信息查找所述标准评估规则中对应记录,将该对应记录中的分值作为所述第一评估结果;在所述第一类评估项目不是最后一级项目的情况下,基于该第一评估信息对一级项目之后级别的项目进行继续匹配,直至匹配到最后一级项目,将最后一级项目的第一评估信息在所述标准评估规则中对应的分值作为所述第一评估结果。其中,所述标准评估结果中包含各第一评估信息对应的分值。
其中,最后一级项目中未包含任何选项,仅包含针对该最后一级项目的待评估信息。比如,在过敏情况条目中,仅包含是否过敏的结果,未包含继续判断的子条目,那么,过敏情况条目即为最后一级项目,将该是或否对应的分值作为该过敏情况条目对应的分值。又如,在婴幼儿喂养项条目中,还包括需要继续判断的是否母乳喂养项目的子条目,该是否母乳喂养项目的子条目下仅包含是或否的结果,未包含其他需要继续判断的子条目,那么,该是否母乳喂养项目的子条目即为最后一级项目,在该婴幼儿喂养项条目中将是否母乳喂养项目的子条目下是或否对应的分值作为该婴幼儿喂养项条目的分值。
进一步地,所述第三类评估项目包括过敏项,所述第三评估信息包括图片信息,所述提取第三评估信息的特征信息,将所述特征信息送入预先训练好的人工智能模型确定第三评估结果包括:
在所述图片信息中提取特征信息,所述特征信息包括RGB值、连通区域像素坐标、连通区域的个数及各连通区域之间的距离;将所述特征信息送入预先训练好的神经网络模型,根据神经网络模型的输出结果确定第三评估结果。
具体地,在不能明确判断是否过敏的情况下,可以依据训练好的人工智能模型对过敏项进行判断,来应对不能通过人眼识别或者简单计算得到结果的待评估项。
在是否过敏的情况下,可以采集皮肤的图片信息,在图片信息中提取出RGB值、连通区域像素坐标、连通区域的个数及各连通区域之间的距离等特征信息,将该特征信息组合作为输入向量,输入到训练好的神经网络模型中,得到输出结果。
神经网络模型对图片分类,识别具有非常好的效果,因此,本实施例采用神经网络模型对过敏项进行评估。
所述连通区域可以解释如下:
如果图像信息中,像素点A与像素点B邻接,称像素点A与像素点B连通;如果像素点A与像素点B连通,像素点B与像素点C连通,则像素点A与像素点C连通。
在视觉上看来,彼此连通的像素点形成了一个区域,而不连通的像素点点形成了不同的区域。这样的一个彼此连通的所有的像素点构成的集合,称为一个连通区域。
本实施例中,任意两个连通区域之间的距离可以为各连通区域的中心像素点之间的距离。
进一步地,所述第三类评估项目包括语言项,所述第三评估信息包括语音信息,所述提取第三评估信息的特征信息,将所述特征信息送入预先训练好的人工智能模型确定第三评估结果包括:
将所述语音信息进行傅里叶变换得到频谱信息;对所述语音信息及所述频谱信息中提取特征信息,所述特征信息包括幅度信息、相位信息及频率信息;将所述特征信息送入预先训练好的神经网络模型,根据神经网络模型的输出结果确定第三评估结果。
具体地,在语言项的评估中,对于小月龄的婴儿来说,该语言项包含两个子条目:是否能用眼睛追随父母,是否能识别父母的声音。然而对于对于能够讲话的幼童来说,该语言项可以包括1个子条目,讲话清晰度。
本实施例中,可以预先设定练习内容,该练习内容可以包括一句话或者几个汉字,获取该幼童复述该练习内容的语音信息。
由于不同幼童讲话的声音大小、音色均有不同,可以针对该语音信息进行傅里叶变换得到频谱信息,基于该频谱信息提取出特征信息,并基于统一的神经网络模型对不同的幼童的语音信息对应的特征信息进行评估得到第三评估结果。
比如,将幅度信息、相位信息及频率信息等特征信息组合为特征向量,将该特征向量送入预先训练好的神经网络模型得到该特征向量对应的汉字,将该识别出来的汉字和练习内容对应汉字进行对比,如果相同,则匹配成功,如果不同,则匹配失败,将匹配成功的汉字的个数除以练习内容中汉字的总个数得到第三评估结果。
本实施例中的神经网络模型是多个汉字及该汉字对应的特征向量进行训练的,能够识别出该特征向量对应的汉字。
实施例2
图2示出了本发明第二实施例提供的一种婴幼儿健康评估方法的流程示意图。
该方法包括以下步骤:
在步骤S210中,确定待评估项,其中,所述待评估项包括病史项、体检项及发育里程碑项,所述病史项包括婴幼儿既往病史。
此步骤与步骤S110相同,在此不再赘述。
在步骤S220中,基于评估复杂度由低到高将所述婴幼儿既往病史、所述体检项及所述发育里程碑项划分至不同的项目类别,其中,所述项目类别包括第一类评估项目、第二类评估项目及第三类评估项目。
此步骤与步骤S120相同,在此不再赘述。
在步骤S230中,获取所述婴幼儿既往病史、体检项及发育里程碑项各自对应的待评估信息,将第一评估项目对应的待评估信息作为第一评估信息,将第二评估项目对应的待评估信息作为第二评估信息,将第三评估项目对应的待评估信息作为第三评估信息。
此步骤与步骤S130相同,在此不再赘述。
在步骤S240中,将所述第一评估信息与预先设定的标准评估规则进行匹配确定第一评估结果。
此步骤与步骤S140相同,在此不再赘述。
在步骤S241中,将该地域内多个婴幼儿样本的身高及年龄进行统计,拟合成该地域内的婴幼儿年龄-身高生长基线,基于婴幼儿身高确定其与年龄-身高生长基线的偏离程度,基于偏离程度确定地域评估结果。
具体地,可以将年龄作为自变量x,身高作为因变量f(x),年龄-身高可以用多个分段的三次函数来进行拟合,这种三次函数可定义如下:,其中:f(x)为定义在区间[a,b]上的分段函数, ai,bi,ci,di为每个分段待定需要计算的参数;
举例说明,在[0月,6月]上计算年龄-身高生长基线,可以取两个具体分段,分别为[0月,3月],(3月,6月],这里a=0月,b=6月,可以得到在[0月,6月]上计算年龄-身高生长基线对应函数为:
其中,f(x)为分段定义的年龄-身高生长基线对应的多项式函数,确定这个多项式函数的参数的基本思想是确定一个函数使得和样本的残差平方和最小,因此,我们定义代价函数为:
其中,n为分段函数数量;为和样本, 是真实身高和预测身高的损失, 为了防止过拟合增加的惩罚项,为第i个通过年龄-身高生长基线的数学模型拟合得到的拟合身高值,为函数的二次导数,为第i个婴幼儿样本对应的真实身高值,min为求最小值。
通过最小二乘法进行拟合,可以得到n个三元函数,将对应的三元函数绘制出来,就是对应的该地域内的婴幼儿年龄-身高生长基线。
在确定了年龄-身高生长基线后,该婴幼儿的年龄代入对应区段对应的三元函数中,就得到年龄-身高生长基线的数学模型中得到对应的拟合身高值,计算该婴幼儿的真实身高与拟合身高值的差值,基于该差值确定所述地域评估结果。
差值大于或等于0 | 2 |
差值大于-2cm且小于0 | -2 |
差值小于-2cm | -4 |
比如,在婴幼儿的真实身高大于或等于拟合身高值的情况下,说明该婴幼儿的身高符合该地域内婴幼儿身高-年龄趋势,则对应的地域评估结果的值为2;如果在婴幼儿的真实身高低于拟合身高值2cm以内,那么对应的地域评估结果的值为-2,如果婴幼儿的真实身高低于拟合身高值2cm以外,说明该婴幼儿的身高发育水平远远低于该地域内同龄婴幼儿的发育水平,那么对应的地域评估结果的值为-4。
在步骤S242中,计算多个婴幼儿样本的历史评估信息对应的均值;计算该第二评估信息与所述均值的标准差;根据标准差查找地域评估规则中对应记录,将该对应记录中的分值作为地域评估结果。
具体地,可以根据该婴幼儿的第二评估信息与该该婴幼儿所在地域内多个婴幼儿样本在第二类评估项目中的历史统计信息的偏差来确定地域评估结果。
比如,可以基于该婴幼儿所在地域内多个婴幼儿样本在第二类评估项目中的历史统计信息计算该地域内的多个婴幼儿样本在第二类评估项目中的均值,基于该均值计算标准差,该标准差即表示该婴幼儿的第二评估信息与该该婴幼儿所在地域内多个婴幼儿样本在第二类评估项目中的历史统计信息的偏差。
该地域评估规则中包括标准差与分值的对应关系,可以在计算到标准差后以该标准差为键值查找地域评估规则中对应记录,将该对应记录中的分值作为所述地域评估结果。
在步骤S243中,基于第二评估信息及历史统计信息进行排序确定第二评估信息对应的排名;基于排名及多个婴幼儿样本的数量计算第二评估信息与历史统计信息的距离;基于距离查找地域评估规则中对应记录,将对应记录中的分值作为地域评估结果。
具体地,可以基于婴幼儿对应的第二评估信息在多个婴幼儿样本对应的第二评估信息内进行排序,得到该婴幼儿的第二评估信息对应的排名。
进一步地,所述历史统计信息包括多个婴幼儿样本的总数,所述第二评估信息与所述历史统计信息的距离通过以下公式计算:
其中,PR为所述第二评估信息与所述历史统计信息的距离,N为所述多个婴幼儿样本的总数,R为所述第二评估信息对应的排名。
例如: 以身高举例,婴幼儿样本的数量是30000,名叫小苹果的婴幼儿身高为100cm,小苹果的身高排在第5000名,那么该二评估信息与所述历史统计信息的距离PR为;
PR=100-{(100*5000-50)/300000}=83.3,也就意味着,在100名婴幼儿身高中,低于小苹果身高的大约有100-83=17人。
地域评估规则如下:
PR | 评分 |
0--15 | -4 |
25-40 | -2 |
40-60 | 0 |
60-80 | 2 |
80-100 | 4 |
可以基于计算得到的PR值查找上述表格,得到对应的评分,将该评分作为所述地域评估结果。
需要特殊说明的是,可采用步骤S241、步骤S242及步骤S243中的任意一种方式计算地域评估结果;当然,也可以将步骤S241、步骤S242及步骤S243中至少任意两种方式得到值的平均值作为地域评估结果,在此不做限定。
在步骤S250中,对于所述第二类评估项目,根据标准评估结果、地域评估结果及与对比评估结果确定第二评估结果。
此步骤与步骤S150相同,在此不做赘述。
在步骤S260中,对于所述第三类评估项目,提取第三评估信息的特征信息,将所述特征信息送入预先训练好的人工智能模型确定第三评估结果。
此步骤与步骤S160相同,在此不做赘述。
在步骤S270中,基于所述第一评估结果、第二评估结果及第三评估结果确定婴幼儿健康评估结果。
此步骤与步骤S170相同,在此不做赘述。
实施例3
图3示出了本发明第三实施例提供的一种婴幼儿健康评估方法的流程示意图。
该婴幼儿健康评估方法包括以下步骤:
在步骤S310中,确定待评估项,其中,所述待评估项包括病史项、体检项及发育里程碑项,所述病史项包括婴幼儿既往病史。
该步骤与步骤S110相同,在此不再赘述。
在步骤S320中,基于评估复杂度由低到高将所述婴幼儿既往病史、所述体检项及所述发育里程碑项划分至不同的项目类别,其中,所述项目类别包括第一类评估项目、第二类评估项目及第三类评估项目。
该步骤与步骤S120相同,在此不再赘述。
在步骤S330中,获取所述婴幼儿既往病史、体检项及发育里程碑项各自对应的待评估信息,将第一评估项目对应的待评估信息作为第一评估信息,将第二评估项目对应的待评估信息作为第二评估信息,将第三评估项目对应的待评估信息作为第三评估信息。
该步骤与步骤S130相同,在此不再赘述。
在步骤S340中,将获取的直系亲属病史对应的待评估信息作为亲属病史信息,基于所述亲属病史信息及马尔科夫链模型确定所述直系亲属病史的遗传概率。
具体地,婴幼儿的健康还与直系亲属病史有很大的关联,比如,父母一方有先天性的色盲,那么婴幼儿遗传先天性色盲的几率也非常大。
因此,本实施例中,在病史项中还考虑了直系亲属病史信息。为了选取的数据量更大,评估更准确,选取婴幼儿父母各自对应的直系亲属的病史作为亲属病史信息,即,亲属病史信息中包括婴幼儿父亲的所有直系亲属的病史信息及婴幼儿母亲的所有直系亲属的病史信息。
进一步地,所述基于所述亲属病史信息及马尔科夫链模型确定所述直系亲属病史的遗传概率包括:
基于直系亲属病史中的各个病史项对应基因特性及遗传特性确定遗传的马尔科夫转移矩阵,所述基因特性包括基因显性或者基因隐性;根据直系亲属病史中的各个病史项目对应的亲属病史信息、所述马尔科夫转移矩阵及遗传距离确定所述遗传概率,其中,所述遗传距离为所述亲属病史信息中出现该疾病的亲属的个数。
具体地,马尔科夫链是一种动态随机数学模型,通过分析随机变量现时的运动情况来预测这些变量未来的运动情况。
基于马尔科夫链原理对遗传概率分析如下:
由于生物的表型由相应的基因特性决定,基因特性分为基因线性或者基因隐性,根据遗传特性,每种表型由两个基因决定,每个基因可能是隐性也可能是线性,于是形成了三种基因类型:第一种为显性纯合体D,第二种为杂合体H及第三种为隐性纯合体R,基因型为显性纯合体和杂合体时表征呈显性,基因型呈隐性纯合体时,表型呈隐性。生物反之后代以随机概率继承父母的各一个基因,形成后代的基因,父母的基因类型决定后代基因型的概率。
比如,如果初始一代基因型比例D:H:R=e:2f:g,e+2f+g=1,如果令p=e+f,q=f+g,则群体中优势基因和劣势基因比例d:r=p:q,p+q=1。
令Jn=1,2,3分别表示第n代的一个婴幼儿个体属于D、H、R基因类型;
值得注意的是,该遗传距离为所述亲属病史信息中出现该疾病的亲属的个数,也就是上述的n值,也可以称为遗传代数,比如,祖父母为1代,父母为2代,父母的孩子为3代。
在步骤S350中,将所述第一评估信息与预先设定的标准评估规则进行匹配确定第一评估结果。
该步骤与步骤S140相同,在此不再赘述。
在步骤S360中,对于所述第二类评估项目,根据标准评估结果、地域评估结果及与对比评估结果确定第二评估结果。
该步骤与步骤S150相同,在此不再赘述。
在步骤S370中,对于所述第三类评估项目,提取第三评估信息的特征信息,将所述特征信息送入预先训练好的人工智能模型确定第三评估结果。
该步骤与步骤S160相同,在此不再赘述。
在步骤S380中,基于所述第一评估结果、第二评估结果、第三评估结果及遗传概率确定婴幼儿健康评估结果。
具体地,遗传概率越大,说明婴幼儿遗传父母的疾病的概率越大,因此,可以基于父母对应的待评估项中疾病的的条目对应的分值乘以该遗传概率的值作为遗传评估结果,将该遗传评估结果的值、第一评估结果的值、第二评估结果的值及第三评估结果的值相加(或者加权求和)得到该健康评分,基于该健康评分确定该婴幼儿健康评估结果。
实施例4
图4示出了本发明第四实施例提供的一种婴幼儿健康评估方法的流程示意图。
该婴幼儿健康评估方法包括以下步骤:
在步骤S410中,确定待评估项,其中,所述待评估项包括病史项、体检项及发育里程碑项,所述病史项包括婴幼儿既往病史。
该步骤与步骤S110相同,在此不再赘述。
在步骤S420中,基于评估复杂度由低到高将所述婴幼儿既往病史、所述体检项及所述发育里程碑项划分至不同的项目类别,其中,所述项目类别包括第一类评估项目、第二类评估项目及第三类评估项目。
该步骤与步骤S120相同,在此不再赘述。
在步骤S430中,获取所述婴幼儿既往病史、体检项及发育里程碑项各自对应的待评估信息,将第一评估项目对应的待评估信息作为第一评估信息,将第二评估项目对应的待评估信息作为第二评估信息,将第三评估项目对应的待评估信息作为第三评估信息。
该步骤与步骤S130相同,在此不再赘述。
在步骤S440中,将获取的婴幼儿喂养项、生活作息项及养育场所项对应的待评估信息作为病史筛选信息;将所述病史筛选信息与各自对应的筛查规则进行匹配,将匹配到的各最后一级项目对应的分值作为病史筛选结果。
具体地,所述病史项还包括婴幼儿喂养项、生活作息项及养育场所项。其中,婴幼儿喂养项至少包括两个条目;是否母乳喂养及是否奶粉喂养;所述生活作息项至少包括四个条目:排便情况、睡眠情况、活动时间及喂养量,其中,排便情况包括排便次数及排便颜色,睡眠情况包括睡眠时间及睡眠次数;所述养育场所项至少包括一个条目:是否家庭养育。
将所述病史筛选信息与各条目对应的筛查规则进行匹配,将匹配到的各最后一级项目对应的分值作为病史筛选结果。
比如,在是否母乳喂养条目中,如果是则将2分作为病史筛选结果;如果否则将0分作为病史筛选结果;在排便情况的条目中包括排便次数及排便颜色是否正常两个子条目,该排便次数及该排便颜色即为最后一级项目,比如该排便次数8次对应的分值为2分,排便颜色正常对应的分值为2分,那么该排便情况的病史筛选结果为4分。
在步骤S450中,将所述第一评估信息与预先设定的标准评估规则进行匹配确定第一评估结果。
该步骤与步骤S140相同,在此不再赘述。
在步骤S460中,对于所述第二类评估项目,根据标准评估结果、地域评估结果及与对比评估结果确定第二评估结果。
该步骤与步骤S150相同,在此不再赘述。
在步骤S470中,对于所述第三类评估项目,提取第三评估信息的特征信息,将所述特征信息送入预先训练好的人工智能模型确定第三评估结果。
该步骤与步骤S160相同,在此不再赘述。
在步骤S480中,基于所述第一评估结果、第二评估结果、第三评估结果及病史筛选结果确定婴幼儿健康评估结果。
具体地,可以将所有病史筛选结果的和的值、第一评估结果的值、第二评估结果的值及第三评估结果的值相加(或者加权求和)得到该健康评分,基于该健康评分确定该婴幼儿健康评估结果。
实施例5
图5示出了本发明第五实施例提供的一种婴幼儿健康评估方法的流程示意图。
该婴幼儿健康评估方法包括以下步骤:
在步骤S510中,确定待评估项,其中,所述待评估项包括病史项、体检项及发育里程碑项,所述病史项包括婴幼儿既往病史。
该步骤与步骤S110相同,在此不再赘述。
在步骤S520中,基于评估复杂度由低到高将所述婴幼儿既往病史、所述体检项及所述发育里程碑项划分至不同的项目类别,其中,所述项目类别包括第一类评估项目、第二类评估项目及第三类评估项目。
该步骤与步骤S120相同,在此不再赘述。
在步骤S530中,获取所述婴幼儿既往病史、体检项及发育里程碑项各自对应的待评估信息,将第一评估项目对应的待评估信息作为第一评估信息,将第二评估项目对应的待评估信息作为第二评估信息,将第三评估项目对应的待评估信息作为第三评估信息。
该步骤与步骤S130相同,在此不再赘述。
在步骤S540中,将所述第一评估信息与预先设定的标准评估规则进行匹配确定第一评估结果。
该步骤与步骤S140相同,在此不再赘述。
在步骤S550中,对于所述第二类评估项目,根据标准评估结果、地域评估结果及与对比评估结果确定第二评估结果。
该步骤与步骤S150相同,在此不再赘述。
在步骤S560中,对于所述第三类评估项目,提取第三评估信息的特征信息,将所述特征信息送入预先训练好的人工智能模型确定第三评估结果。
该步骤与步骤S160相同,在此不再赘述。
在步骤S570中,基于所述第一评估结果、第二评估结果及第三评估结果确定婴幼儿健康评估结果。
该步骤与步骤S170相同,在此不再赘述。
在步骤S580中,基于所述婴幼儿健康评估结果生成评估报告。
具体地,该评估报告可以包括婴幼儿健康评估结果、该婴幼儿健康评估的异常项、针对该异常项的诊断建议及针对该异常项的下一阶段的注意事项。该异常项即为在各待评估项的各个条目、各条目的各个子条目中得分为负值的项;诊断建议包括转诊建议及治疗计划;下一阶段的注意事项包括下一次筛查具体时间及下一个阶段中的预期指导。
比如,拿婴儿前囟闭合的时间点来说,足月婴儿前囟约在1-1.5岁时闭合。通常前囟早闭或者是过小,见于小头畸形;前囟迟闭过大见于佝偻病、甲状腺功能减低症;前囟饱满常提示颅内压增高,见于脑积水、脑炎、脑膜炎、脑肿瘤等疾病;而前囟凹陷,则见于极度的消瘦或者是脱水的患儿。因此,可以根据上述的诊断给出诊断建议,及针对该诊断下一次筛查时间、及下一个阶段中的预期指导等。
实施例6
图6示出了本发明第五实施例提供的一种婴幼儿健康评估装置的结构示意图。该婴幼儿健康评估装置600对应于实施例1中的婴幼儿健康评估方法,实施例1中的婴幼儿健康评估方法同样也适用于该婴幼儿健康评估装置600,在此不再赘述。
该婴幼儿健康评估装置600包括确定模块610、分类模块620、获取模块630、第一评估模块640、第二评估模块650、第三评估模块660及健康评估模块670。
确定模块610,用于确定待评估项,其中,所述待评估项包括病史项、体检项及发育里程碑项,所述病史项包括婴幼儿既往病史。
分类模块620,用于基于评估复杂度由低到高将所述婴幼儿既往病史、所述体检项及所述发育里程碑项划分至不同的项目类别,其中,所述项目类别包括第一类评估项目、第二类评估项目及第三类评估项目。
获取模块630,用于获取所述婴幼儿既往病史、体检项及发育里程碑项各自对应的待评估信息,将第一评估项目对应的待评估信息作为第一评估信息,将第二评估项目对应的待评估信息作为第二评估信息,将第三评估项目对应的待评估信息作为第三评估信息。
第一评估模块640,用于将所述第一评估信息与预先设定的标准评估规则进行匹配确定第一评估结果。
第二评估模块650,用于对于所述第二类评估项目,根据标准评估结果、地域评估结果及与对比评估结果确定第二评估结果,其中,所述标准评估结果是根据所述第二评估信息与所述标准评估规则进行匹配来确定,所述地域评估结果是根据所述第二评估信息与该地域内多个婴幼儿样本在第二类评估项目中的历史统计信息之间的偏差确定;所述对比评估结果根据本次婴幼儿健康评估的第二评估信息及与本次婴幼儿健康评估时间距离最近的一次婴幼儿健康评估的第二评估信息之间的偏差确定。
第三评估模块660,用于对于所述第三类评估项目,提取第三评估信息的特征信息,将所述特征信息送入预先训练好的人工智能模型确定第三评估结果。
健康评估模块670,用于基于所述第一评估结果、第二评估结果及第三评估结果确定婴幼儿健康评估结果。
本发明另一实施例还提供了一种电子设备,所述电子设备包括存储器以及处理器,所述存储器用于存储计算机程序,所述处理器运行所述计算机程序以使所述电子设备执行上述的婴幼儿健康评估方法或上述的婴幼儿健康评估装置中各模块的功能。
存储器可包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序等;存储数据区可存储根据计算机设备的使用所创建的数据等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
本实施例还提供了一种计算机存储介质,用于储存上述的电子设备中所使用的婴幼儿健康评估方法。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,附图中的流程图和结构图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,结构图和/或流程图中的每个方框、以及结构图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本发明各个实施例中的各功能模块或单元可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或更多个模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是智能手机、个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本发明的具体实施方式,但本发明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揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种婴幼儿健康评估方法,其特征在于,该方法包括:
确定待评估项,其中,所述待评估项包括病史项、体检项及发育里程碑项,所述病史项包括婴幼儿既往病史;
基于评估复杂度由低到高将所述婴幼儿既往病史、所述体检项及所述发育里程碑项划分至不同的项目类别,其中,所述项目类别包括第一类评估项目、第二类评估项目及第三类评估项目;
获取所述婴幼儿既往病史、体检项及发育里程碑项各自对应的待评估信息,将第一评估项目对应的待评估信息作为第一评估信息,将第二评估项目对应的待评估信息作为第二评估信息,将第三评估项目对应的待评估信息作为第三评估信息;
将所述第一评估信息与预先设定的标准评估规则进行匹配确定第一评估结果;
对于所述第二类评估项目,根据标准评估结果、地域评估结果及与对比评估结果确定第二评估结果,其中,所述标准评估结果是根据所述第二评估信息与所述标准评估规则进行匹配来确定,所述地域评估结果是根据所述第二评估信息与该地域内多个婴幼儿样本在第二类评估项目中的历史统计信息之间的偏差确定;所述对比评估结果根据本次婴幼儿健康评估的第二评估信息及与本次婴幼儿健康评估时间距离最近的一次婴幼儿健康评估的第二评估信息之间的偏差确定;
对于所述第三类评估项目,提取第三评估信息的特征信息,将所述特征信息送入预先训练好的人工智能模型确定第三评估结果;
基于所述第一评估结果、第二评估结果及第三评估结果确定婴幼儿健康评估结果。
2.根据权利要求1所述的婴幼儿健康评估方法,其特征在于,所述将所述第一评估信息与预先设定的标准评估规则进行匹配确定第一评估结果包括:
判断所述第一类评估项目是否为最后一级项目;
在所述第一类评估项目为最后一级项目的情况下,根据所述第一评估信息查找所述标准评估规则中对应记录,将该对应记录中的分值作为所述第一评估结果;
在所述第一类评估项目不是最后一级项目的情况下,基于该第一评估信息对一级项目之后级别的项目进行继续匹配,直至匹配到最后一级项目,将最后一级项目的第一评估信息在所述标准评估规则中对应的分值作为所述第一评估结果。
3.根据权利要求1所述的婴幼儿健康评估方法,其特征在于,根据所述第二评估信息与该地域内多个婴幼儿样本在第二类评估项目中的历史统计信息之间的偏差确定地域评估结果包括:
计算多个婴幼儿样本的历史评估信息对应的均值;
计算该第二评估信息与所述均值的标准差;
根据所述标准差查找地域评估规则中对应记录,将该对应记录中的分值作为所述地域评估结果。
4.根据权利要求1所述的婴幼儿健康评估方法,其特征在于,根据所述第二评估信息与该地域内多个婴幼儿样本在第二类评估项目中的历史统计信息之间的偏差确定地域评估结果包括:
基于所述第二评估信息及所述历史统计信息进行排序确定所述第二评估信息对应的排名;
基于所述排名及所述多个婴幼儿样本的数量计算该第二评估信息与所述历史统计信息的距离;
基于所述距离查找地域评估规则中对应记录,将该对应记录中的分值作为所述地域评估结果。
6.根据权利要求1所述的婴幼儿健康评估方法,其特征在于,所述第三类评估项目包括过敏项,所述第三评估信息包括图片信息,所述提取第三评估信息的特征信息,将所述特征信息送入预先训练好的人工智能模型确定第三评估结果包括:
在所述图片信息中提取特征信息,所述特征信息包括RGB值、连通区域像素坐标、连通区域的个数及各连通区域之间的距离;
将所述特征信息送入预先训练好的神经网络模型,根据神经网络模型的输出结果确定第三评估结果。
7.根据权利要求1所述的婴幼儿健康评估方法,其特征在于,所述第三类评估项目包括语言项,所述第三评估信息包括语音信息,所述提取第三评估信息的特征信息,将所述特征信息送入预先训练好的人工智能模型确定第三评估结果包括:
将所述语音信息进行傅里叶变换得到频谱信息;
对所述语音信息及所述频谱信息中提取特征信息,所述特征信息包括幅度信息、相位信息及频率信息;
将所述特征信息送入预先训练好的神经网络模型,根据神经网络模型的输出结果确定第三评估结果。
8.根据权利要求1所述的婴幼儿健康评估方法,其特征在于,所述病史项还包括婴幼儿父母的所有直系亲属病史,所述基于所述第一评估结果、第二评估结果及第三评估结果确定婴幼儿健康评估结果包括:
将获取的所述直系亲属病史对应的待评估信息作为亲属病史信息;
基于所述亲属病史信息及马尔科夫链模型确定所述直系亲属病史的遗传概率,基于所述第一评估结果、第二评估结果、第三评估结果及所述遗传概率确定婴幼儿健康评估结果。
9.根据权利要求8所述的婴幼儿健康评估方法,其特征在于,所述基于所述亲属病史信息及马尔科夫链模型确定所述直系亲属病史的遗传概率包括:
基于直系亲属病史中的各个病史项对应基因特性及遗传特性确定遗传的马尔科夫转移矩阵,所述基因特性包括基因显性或者基因隐性;
根据直系亲属病史中的各个病史项目对应的亲属病史信息、所述马尔科夫转移矩阵及遗传距离确定所述遗传概率,其中,所述遗传距离为所述亲属病史信息中出现该疾病的亲属的个数。
10.根据权利要求1所述的婴幼儿健康评估方法,其特征在于,所述病史项还包括婴幼儿喂养项、生活作息项及养育场所项,所述基于所述第一评估结果、第二评估结果及第三评估结果确定婴幼儿健康评估结果包括:
将获取的婴幼儿喂养项、生活作息项及养育场所项对应的待评估信息作为病史筛选信息;
将所述病史筛选信息与各自对应的筛查规则进行匹配,将匹配到的各最后一级项目对应的分值作为病史筛选结果;
基于所述病史筛选结果、第一评估结果、第二评估结果及第三评估结果确定婴幼儿健康评估结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110398787.1A CN113284618B (zh) | 2021-04-14 | 2021-04-14 | 婴幼儿健康评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110398787.1A CN113284618B (zh) | 2021-04-14 | 2021-04-14 | 婴幼儿健康评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113284618A true CN113284618A (zh) | 2021-08-20 |
CN113284618B CN113284618B (zh) | 2022-07-22 |
Family
ID=77276666
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110398787.1A Active CN113284618B (zh) | 2021-04-14 | 2021-04-14 | 婴幼儿健康评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113284618B (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5692501A (en) * | 1993-09-20 | 1997-12-02 | Minturn; Paul | Scientific wellness personal/clinical/laboratory assessments, profile and health risk managment system with insurability rankings on cross-correlated 10-point optical health/fitness/wellness scales |
CN101346724A (zh) * | 2005-11-26 | 2009-01-14 | 吉恩安全网络有限责任公司 | 清除干扰遗传数据,并使用遗传数据进行预测的方法和体系 |
CN107220505A (zh) * | 2017-06-01 | 2017-09-29 | 深圳家族领袖教育科技有限公司 | 儿童发育能力评估方法及装置 |
CN108172294A (zh) * | 2017-12-28 | 2018-06-15 | 济南尚健信息技术有限公司 | 一种基于互联网的儿童综合发展管理应用平台 |
CN108256698A (zh) * | 2018-03-29 | 2018-07-06 | 苏州中科先进技术研究院有限公司 | 一种用于预测儿童多维能力的综合评估方法和系统 |
CN109785964A (zh) * | 2018-12-13 | 2019-05-21 | 平安科技(深圳)有限公司 | 一种健康评估方法、健康评估装置及计算机可读存储介质 |
CN109859812A (zh) * | 2019-01-22 | 2019-06-07 | 重庆众兄共创科技有限公司 | 智能育儿云服务系统 |
CN110111882A (zh) * | 2011-10-24 | 2019-08-09 | 哈佛大学校长及研究员协会 | 通过人工智能和移动健康技术、在不损害准确性的情况下对病症进行增强诊断 |
CN110472883A (zh) * | 2019-08-21 | 2019-11-19 | 上海信立德教育科技集团有限公司 | 幼儿社会性发展水平评估方法、装置、系统及存储介质 |
CN110507335A (zh) * | 2019-08-23 | 2019-11-29 | 山东大学 | 基于多模态信息的服刑人员心理健康状态评估方法及系统 |
CN111048206A (zh) * | 2019-12-24 | 2020-04-21 | 新绎健康科技有限公司 | 一种多维度健康状态的评估方法及装置 |
CN111798978A (zh) * | 2019-04-09 | 2020-10-20 | Oppo广东移动通信有限公司 | 用户健康评估方法、装置、存储介质及电子设备 |
CN112016844A (zh) * | 2020-09-04 | 2020-12-01 | 平安科技(深圳)有限公司 | 区域健康建设进程评估方法、装置、设备及存储介质 |
-
2021
- 2021-04-14 CN CN202110398787.1A patent/CN113284618B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5692501A (en) * | 1993-09-20 | 1997-12-02 | Minturn; Paul | Scientific wellness personal/clinical/laboratory assessments, profile and health risk managment system with insurability rankings on cross-correlated 10-point optical health/fitness/wellness scales |
CN101346724A (zh) * | 2005-11-26 | 2009-01-14 | 吉恩安全网络有限责任公司 | 清除干扰遗传数据,并使用遗传数据进行预测的方法和体系 |
CN110111882A (zh) * | 2011-10-24 | 2019-08-09 | 哈佛大学校长及研究员协会 | 通过人工智能和移动健康技术、在不损害准确性的情况下对病症进行增强诊断 |
CN107220505A (zh) * | 2017-06-01 | 2017-09-29 | 深圳家族领袖教育科技有限公司 | 儿童发育能力评估方法及装置 |
CN108172294A (zh) * | 2017-12-28 | 2018-06-15 | 济南尚健信息技术有限公司 | 一种基于互联网的儿童综合发展管理应用平台 |
CN108256698A (zh) * | 2018-03-29 | 2018-07-06 | 苏州中科先进技术研究院有限公司 | 一种用于预测儿童多维能力的综合评估方法和系统 |
CN109785964A (zh) * | 2018-12-13 | 2019-05-21 | 平安科技(深圳)有限公司 | 一种健康评估方法、健康评估装置及计算机可读存储介质 |
CN109859812A (zh) * | 2019-01-22 | 2019-06-07 | 重庆众兄共创科技有限公司 | 智能育儿云服务系统 |
CN111798978A (zh) * | 2019-04-09 | 2020-10-20 | Oppo广东移动通信有限公司 | 用户健康评估方法、装置、存储介质及电子设备 |
CN110472883A (zh) * | 2019-08-21 | 2019-11-19 | 上海信立德教育科技集团有限公司 | 幼儿社会性发展水平评估方法、装置、系统及存储介质 |
CN110507335A (zh) * | 2019-08-23 | 2019-11-29 | 山东大学 | 基于多模态信息的服刑人员心理健康状态评估方法及系统 |
CN111048206A (zh) * | 2019-12-24 | 2020-04-21 | 新绎健康科技有限公司 | 一种多维度健康状态的评估方法及装置 |
CN112016844A (zh) * | 2020-09-04 | 2020-12-01 | 平安科技(深圳)有限公司 | 区域健康建设进程评估方法、装置、设备及存储介质 |
Non-Patent Citations (3)
Title |
---|
KURNIAWAN TEGUH MARTONO ET AL.: "The Evaluation of Child’s Health Monitoring System Using the Usability Testing Approach", 《2018 5TH INTERNATIONAL CONFERENCE ON INFORMATION TECHNOLOGY, COMPUTER, AND ELECTRICAL ENGINEERING (ICITACEE)》 * |
孙利华主编: "《药物经济学》", 31 August 2015, 北京:中国医药科技出版社 * |
彭荣春等: "缺铁性贫血对婴幼儿智能发育的影响", 《中国儿童保健杂志》 * |
Also Published As
Publication number | Publication date |
---|---|
CN113284618B (zh) | 2022-07-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109350032B (zh) | 一种分类方法、系统、电子设备及存储介质 | |
Hampton | Similarity-based categorization and fuzziness of natural categories | |
CN109754012A (zh) | 实体语义关系分类方法、模型训练方法、装置及电子设备 | |
Aragon et al. | Detecting mental disorders in social media through emotional patterns-the case of anorexia and depression | |
Chitra et al. | Heart attack prediction system using fuzzy C means classifier | |
CN110032631B (zh) | 一种信息反馈方法、装置和存储介质 | |
CN109903851A (zh) | 一种基于社交网络的心理异常变化的自动观测技术 | |
CN115316991B (zh) | 一种激惹情绪的自适应识别预警方法 | |
CN113392918A (zh) | 一种基于多源信息融合的抑郁障碍相关因素识别方法 | |
Li et al. | Introduce structural equation modelling to machine learning problems for building an explainable and persuasive model | |
He | Text mining and IRT for psychiatric and psychological assessment | |
CN111477328A (zh) | 一种非接触式的心理状态预测方法 | |
Klüver | Steering clustering of medical data in a Self-Enforcing Network (SEN) with a cue validity factor | |
Nishikawa et al. | Detecting system Alzheimer’s dementia by 1d CNN-LSTM in Japanese speech | |
CN113284618B (zh) | 婴幼儿健康评估方法 | |
Ramachandran et al. | Performance evaluation of different machine learning techniques using Twitter data for identification of suicidal intent | |
Akbar et al. | Comparison of Machine Learning Techniques for Heart Disease Diagnosis and Prediction | |
Putra et al. | Classification of childhood diseases with fever using fuzzy K-nearest neighbor method | |
Agarwal et al. | Enrichment of machine learning based activity classification in smart homes using ensemble learning | |
Pratama et al. | Machine learning algorithm for improving performance on 3 AQ-screening classification | |
Hasan et al. | Early stage autism spectrum disorder detection of adults and toddlers using machine learning models | |
Saravanan et al. | The BMI and mental illness nexus: a machine learning approach | |
Nguwi et al. | Support-vector-based emergent self-organising approach for emotional understanding | |
JP6801902B1 (ja) | 子供虐待兆候判別プログラム及びシステム | |
Sunsirikul et al. | Associative classification mining in the behavior study of autism spectrum disorder |
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 |