CN113299361A - 一种基于病人临床表现的档案构建方法及系统 - Google Patents
一种基于病人临床表现的档案构建方法及系统 Download PDFInfo
- Publication number
- CN113299361A CN113299361A CN202110588869.2A CN202110588869A CN113299361A CN 113299361 A CN113299361 A CN 113299361A CN 202110588869 A CN202110588869 A CN 202110588869A CN 113299361 A CN113299361 A CN 113299361A
- Authority
- CN
- China
- Prior art keywords
- information
- disease
- disease condition
- condition
- clinical
- 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- Withdrawn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
- 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
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Evolutionary Biology (AREA)
Abstract
本发明公开了一种基于病人临床表现的档案构建方法及系统,其中,所述方法包括:根据所述病情类别特征决策树对所述第一属性信息进行分类,获得各类别病情信息;将所述各类别病情信息和所述各类别病情严重等级输入第一病情评估模型,获得第一病情状态;将所述第一病情状态和所述第一分割图像数据信息输入病情特征匹配模型,获得所述第一用户的第一临床表现信息;对所述第一病情评估模型进行增量学习,获得第二病情评估模型;根据所述第一存档指令将所述第一基础信息和所述第二病情状态进行存档,获得第一临床档案。解决了现有技术患者档案构建智能化程度不高,导致更新不及时,影响患者治疗的技术问题。
Description
技术领域
本发明涉及档案构建领域,尤其涉及一种基于病人临床表现的档案构建方法及系统。
背景技术
医疗档案是临床医生对患者进行的问诊,查体,影像和实验室检查以及诊断治疗护理等方面信息的记录,医疗档案的开发与管理对基层医院提升管理水平,改进医疗教研工作以及减少医疗事故,保障患者的合法权益等发挥着重要作用。
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:
现有技术患者档案构建智能化程度不高,导致更新不及时,影响患者治疗的技术问题。
发明内容
本申请实施例通过提供一种基于病人临床表现的档案构建方法及系统,解决了现有技术患者档案构建智能化程度不高,导致更新不及时,影响患者治疗的技术问题,达到对患者临床表现进行实时智能化监控,通过模型提高监控准确度和档案更新及时性,从而提高患者治疗效果的技术效果。
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基于病人临床表现的档案构建方法,所述方法包括:根据历史用户诊疗信息,构建患者分析数据库;根据所述患者分析数据库,获得第一用户的第一基础信息;根据所述第一基础信息进行特征提取,获得第一属性信息;构建病情类别特征决策树;根据所述病情类别特征决策树对所述第一属性信息进行分类,获得各类别病情信息;根据预定等级划分规则对所述各类别病情信息进行等级划分,获得各类别病情严重等级;将所述各类别病情信息和所述各类别病情严重等级输入第一病情评估模型,获得第一病情状态;通过所述视频监控装置对所述第一用户进行监控,获得第一用户监控视频信息;对所述第一用户监控视频信息进行图像分割,获得第一分割图像数据信息;将所述第一病情状态和所述第一分割图像数据信息输入病情特征匹配模型,获得所述第一用户的第一临床表现信息;根据所述第一临床表现信息对所述第一病情评估模型进行增量学习,获得第二病情评估模型;根据所述第二病情评估模型,获得所述第一用户的第二病情状态;获得第一存档指令,根据所述第一存档指令将所述第一基础信息和所述第二病情状态进行存档,获得第一临床档案。
另一方面,本申请还提供了一种基于病人临床表现的档案构建系统,所述系统包括:第一构建单元,所述第一构建单元用于根据历史用户诊疗信息,构建患者分析数据库;第一获得单元,所述第一获得单元用于根据所述患者分析数据库,获得第一用户的第一基础信息;第二获得单元,所述第二获得单元用于根据所述第一基础信息进行特征提取,获得第一属性信息;第二构建单元,所述第二构建单元用于构建病情类别特征决策树;第三获得单元,所述第三获得单元用于根据所述病情类别特征决策树对所述第一属性信息进行分类,获得各类别病情信息;第四获得单元,所述第四获得单元用于根据预定等级划分规则对所述各类别病情信息进行等级划分,获得各类别病情严重等级;第五获得单元,所述第五获得单元用于将所述各类别病情信息和所述各类别病情严重等级输入第一病情评估模型,获得第一病情状态;第六获得单元,所述第六获得单元用于通过视频监控装置对所述第一用户进行监控,获得第一用户监控视频信息;第七获得单元,所述第七获得单元用于对所述第一用户监控视频信息进行图像分割,获得第一分割图像数据信息;第八获得单元,所述第八获得单元用于将所述第一病情状态和所述第一分割图像数据信息输入病情特征匹配模型,获得所述第一用户的第一临床表现信息;第九获得单元,所述第九获得单元用于根据所述第一临床表现信息对所述第一病情评估模型进行增量学习,获得第二病情评估模型;第十获得单元,所述第十获得单元用于根据所述第二病情评估模型,获得所述第一用户的第二病情状态;第十一获得单元,所述第十一获得单元用于获得第一存档指令,根据所述第一存档指令将所述第一基础信息和所述第二病情状态进行存档,获得第一临床档案。
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:
由于采用了根据所述第一基础信息进行特征提取,获得第一属性信息;构建病情类别特征决策树;根据所述病情类别特征决策树对所述第一属性信息进行分类,获得各类别病情信息;获得各类别病情严重等级;将所述各类别病情信息和所述各类别病情严重等级输入第一病情评估模型,获得第一病情状态;对所述第一用户监控视频信息进行图像分割,获得第一分割图像数据信息;将所述第一病情状态和所述第一分割图像数据信息输入病情特征匹配模型,获得所述第一用户的第一临床表现信息;根据所述第一临床表现信息对所述第一病情评估模型进行增量学习,获得第二病情评估模型;根据所述第二病情评估模型,获得所述第一用户的第二病情状态;获得第一存档指令,根据所述第一存档指令将所述第一基础信息和所述第二病情状态进行存档,获得第一临床档案,进而达到对患者临床表现进行实时智能化监控,通过模型提高监控准确度和档案更新及时性,从而提高患者治疗效果的技术效果。
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基于病人临床表现的档案构建方法的流程示意图;
图2为本申请实施例一种基于病人临床表现的档案构建系统的结构示意图;
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:第一构建单元11,第一获得单元12,第二获得单元13,第二构建单元14,第三获得单元15,第四获得单元16,第五获得单元17,第六获得单元18,第七获得单元19,第八获得单元20,第九获得单元21,第十获得单元22,第十一获得单元23,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基于病人临床表现的档案构建方法,其中,所述方法包括:
步骤S100:根据历史用户诊疗信息,构建患者分析数据库;
具体而言,所述历史用户诊疗信息是患者在诊疗过程中的全面记录,客观地反映疾病病情、检查、诊断、治疗及其转归的全过程,是医务人员在医疗活动过程中形成的所有文字、数据、图表、影像等资料的有机整合,包括医疗机构信息。根据患者诊疗信息构建按照信息分析数据库,用于记录存储患者诊疗信息。
步骤S200:根据所述患者分析数据库,获得第一用户的第一基础信息;
步骤S300:根据所述第一基础信息进行特征提取,获得第一属性信息;
具体而言,根据所述患者分析数据库,可以获得患者的基础信息,包括姓名、年龄、性别、身份证、诊疗病症等基础信息。对所述基础信息进行特征提取,获得各特征对应的属性信息,如患者诊疗信息特征属性,以对患者特征属性进行匹配。
步骤S400:构建病情类别特征决策树;
步骤S500:根据所述病情类别特征决策树对所述第一属性信息进行分类,获得各类别病情信息;
步骤S600:根据预定等级划分规则对所述各类别病情信息进行等级划分,获得各类别病情严重等级;
具体而言,决策树(Decision Tree)是在已知各种情况发生概率的基础上,通过构成决策树来求取净现值的期望值大于等于零的概率,评价项目风险,判断其可行性的决策分析方法,是直观运用概率分析的一种图解法,这种分类器能够对新出现的对象给出正确的分类,由根节点、内部节点以及叶节点组成。病情类别特征可作为所述病情类别特征决策树的内部节点,通过对其进行信息熵的计算,可对熵值最小的特征进行优先分类,以此方法对所述病情类别特征决策树进行递归构建,直至无法对最后的特征叶节点进行再分,说明分类结束,以此构成了病情类别特征决策树。根据所述病情类别特征决策树,对患者所述属性信息进行分类,按照病情特征分类得到相应的患者所患的各类别病情信息,如高血压、哮喘、胰腺炎等类别病情信息。所述预定等级划分规则为病情严重程度划分规则,如可按照患者生理状态情况对所述各类别病情信息进行等级划分,获得与各类别病情相对应的病情严重等级。
步骤S700:将所述各类别病情信息和所述各类别病情严重等级输入第一病情评估模型,获得第一病情状态;
进一步而言,其中,所述将所述各类别病情信息和所述各类别病情严重等级输入第一病情评估模型,获得第一病情状态,本申请实施例步骤S700还包括:
步骤S710:将所述各类别病情信息和所述各类别病情严重等级作为输入信息,输入至所述第一病情评估模型;
步骤S720:所述第一病情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:所述各类别病情信息、所述各类别病情严重等级和用来标识第一病情状态的标识信息;
步骤S730:获得所述第一病情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病情状态。
具体而言,所述第一病情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,将所述各类别病情信息和所述各类别病情严重等级输入神经网络模型,则输出所述第一病情状态。
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各类别病情信息、所述各类别病情严重等级和用来标识第一病情状态的标识信息,将所述各类别病情信息和所述各类别病情严重等级输入到神经网络模型中,根据用来标识第一病情状态的标识信息,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病情状态信息更加合理、准确,进而达到对患者病情状态把控更加准确,以提高患者病情治疗效果的技术效果。
步骤S800:通过所述视频监控装置对所述第一用户进行监控,获得第一用户监控视频信息;
具体而言,通过所述视频监控装置对患者病房和平时活动状态进行实时监控,获得相关的患者监控视频信息,以进行后续监控视频图像分割,进而对患者临床病情表现进行分析。
步骤S900:对所述第一用户监控视频信息进行图像分割,获得第一分割图像数据信息;
进一步而言,其中,所述对所述第一用户监控视频信息进行图像分割,获得第一分割图像数据信息,本申请实施例步骤S900还包括:
步骤S910:获得预定时间阈值;
步骤S920:根据所述预定时间阈值对所述第一用户监控视频信息进行图像获取,获得第一监控图像集;
步骤S930:对所述第一监控图像集中的各图像进行图像分割,获得N个子图像像素信息;
步骤S940:对所述N个子图像像素信息进行连续性分析,获得第一图像连续性;
步骤S950:当所述第一图像连续性达到预定图像连续性,根据所述N个子图像像素信息,获得第一分割图像数据信息。
具体而言,所述预定时间阈值为所述监控视频信息进行图像获取的预定间隔时间,如所述时间阈值可以为1秒,按照所述预定时间阈值对患者的监控视频信息进行图像获取,获得患者的所述监控图像集合。对所述第一监控图像集中的各图像进行图像分割,图像分割就是把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程,是由图像处理到图像分析的关键步骤,对监控图像信息进行图像分割,获得N个子图像像素信息。对所述N个子图像像素信息进行连续性分析,获得所述图像的连续性,确保监控图像之间具有连续性,不会间断从而遗漏信息。判断所述第一图像连续性是否达到预定图像连续性,当所述图像连续性达到预定图像连续性,表明图像之间的信息连续性达到标准,不会遗漏信息,根据所述N个子图像像素信息,获得代表患者临床状况的监控视频的所述分割图像数据信息。达到采用图像分割分析处理技术,对监控视频图像进行分析,确保患者临床信息的持续准确性的技术效果。
步骤S1000:将所述第一病情状态和所述第一分割图像数据信息输入病情特征匹配模型,获得所述第一用户的第一临床表现信息;
进一步而言,其中,所述病情特征匹配模型,本申请实施例步骤S1000还包括:
步骤S1010:获得所述第一用户的历史病情图像信息;
步骤S1020:根据所述第一用户的历史病情图像信息,获得对应图像信息的第一病情特征信息;
步骤S1030:获得所述第一用户的历史病情状态;
步骤S1040:将所述历史病情状态和所述对应图像信息的第一病情特征信息输入神经网络进行训练,获得病情特征匹配模型。
具体而言,所述第一用户的历史病情图像信息为患者在发病时的历史图像,并根据所述历史病情图像信息,获得对应图像信息的病情特征信息,如肢体抽搐等特征。所述第一用户的历史病情状态为患者的历史所患疾病和病情严重等级,将所述历史病情状态和所述对应图像信息的第一病情特征信息输入神经网络进行数据训练,以患者历史病情状态和实时监控状态对患者临床病情特征进行匹配,获得训练后的病情特征匹配模型,所述病情特征匹配模型为神经网络模型。将所述第一病情状态和所述第一分割图像数据信息输入病情特征匹配模型,获得模型输出信息即患者的临床表现信息。达到对患者临床状态进行实时智能化监控,通过模型使得输出的患者临床信息更加合理准确的技术效果。
步骤S1100:根据所述第一临床表现信息对所述第一病情评估模型进行增量学习,获得第二病情评估模型;
进一步而言,其中,所述根据所述第一临床表现信息对所述第一病情评估模型进行增量学习,获得第二病情评估模型,本申请实施例步骤S1100还包括:
步骤S1110:将所述第一临床表现信息输入所述第一病情评估模型中,获得第一预测病情;
步骤S1120:通过对所述第一预测病情进行数据损失分析,获得第一损失数据;
步骤S1130:将所述第一损失数据输入到所述第一病情评估模型中进行训练,获得所述第二病情评估模型。
具体而言,所述第一预测病情是基于所述第一临床表现信息在所述第一病情评估模型中进行病情评估获得的对应预测病情,由于所述第一病情评估是基于所述各类别病情信息和所述各类别病情严重等级进行数据训练获得的,因此,通过引入损失函数完成数据损失的分析进而获得所述第一损失数据,其中,所述第一损失数据是代表所述第一病情评估模型对于所述第一临床表现信息的相关数据知识损失数据,再基于所述第一损失数据完成对所述第一病情评估模型的增量学习,由于所述第一病情评估模型是多个神经元相互连接组成构成神经网络获得的,因此,通过损失数据的训练使得所述第二病情评估模型保留了所述第一病情评估模型的基本功能,并维持模型不断更新的性能,从而提高了病情评估的更新性能,保证病情评估结果准确性的技术效果。
步骤S1200:根据所述第二病情评估模型,获得所述第一用户的第二病情状态;
步骤S1300:获得第一存档指令,根据所述第一存档指令将所述第一基础信息和所述第二病情状态进行存档,获得第一临床档案。
具体而言,基于所述第二复发风险评估模型,获得对应的输出信息即所述第一用户的第二病情状态,其中,所述第二复发风险评估模型为增量学习后的更新后的模型,从而达到了对于延时特征进行增量学习,以提高病情评估更新性能的技术效果。并根据所述第一存档指令将患者的所述第一基础信息和所述第二病情状态进行存档,构建获得相应的患者临床档案。
进一步而言,本申请实施例还包括:
步骤S1410:构建患者临床病情坐标系,所述患者临床病情坐标系为多维坐标系;
步骤S1420:对所述患者临床病情坐标系进行区域标签化分类,获得第一标签分类结果;
步骤S1430:将所述第一属性信息和所述第二病情状态输入所述患者临床病情坐标系,获得临床病情向量;
步骤S1440:根据所述第一标签分类结果和所述临床病情向量进行映射匹配,获得第一分类结果;
步骤S1450:获得第二存档指令,根据所述第二存档指令将所述第一分类结果存入所述第一临床档案。
具体而言,所述患者临床病情坐标系为多维坐标系,包括患者的基本属性信息如年龄、性别和患者病情状态。对所述患者临床病情坐标系进行区域标签化分类,不同的区域对应不同的分类结果,如不同区域对应患者不同的治疗效果。将所述第一属性信息和所述第二病情状态输入所述患者临床病情坐标系,获得患者对应的所述临床病情向量,根据所述临床病情向量在所述第一标签分类结果进行映射匹配,获得相匹配的临床病情向量分类结果。根据所述存档指令将所述分类结果存入所述临床档案,作为患者的临床档案信息。达到通过构建多维坐标系进行向量映射的方法,使得分类结果更加准确,患者档案更加及时有效的技术效果。
进一步而言,本申请实施例步骤S1450还包括:
步骤S1451:获得预定权重值,所述预定权重值相加之和为1;
步骤S1452:按照所述预定权重值对所述临床病情向量的模进行计算,获得临床病情治疗评估结果;
步骤S1453:获得第三存档指令,所述第三存档指令用于将所述临床病情治疗评估结果存入所述第一临床档案。
具体而言,所述预定权重值为所述患者临床病情坐标系各坐标轴的所占重要程度,各坐标轴的所述预定权重值相加之和为1,按照所述预定权重值对所述临床病情向量的模进行加权计算,获得计算后的患者所述临床病情治疗评估结果。根据所述存档指令将所述临床病情治疗评估结果存入所述临床档案,即患者的临床病情治疗评估效果。达到通过对患者临床治疗评估结果更加科学合理,从而使得患者档案更加完整有效的技术效果。
综上所述,本申请实施例所提供的一种基于病人临床表现的档案构建方法及系统具有如下技术效果:
由于采用了根据所述第一基础信息进行特征提取,获得第一属性信息;构建病情类别特征决策树;根据所述病情类别特征决策树对所述第一属性信息进行分类,获得各类别病情信息;获得各类别病情严重等级;将所述各类别病情信息和所述各类别病情严重等级输入第一病情评估模型,获得第一病情状态;对所述第一用户监控视频信息进行图像分割,获得第一分割图像数据信息;将所述第一病情状态和所述第一分割图像数据信息输入病情特征匹配模型,获得所述第一用户的第一临床表现信息;根据所述第一临床表现信息对所述第一病情评估模型进行增量学习,获得第二病情评估模型;根据所述第二病情评估模型,获得所述第一用户的第二病情状态;获得第一存档指令,根据所述第一存档指令将所述第一基础信息和所述第二病情状态进行存档,获得第一临床档案,进而达到对患者临床表现进行实时智能化监控,通过模型提高监控准确度和档案更新及时性,从而提高患者治疗效果的技术效果。
实施例二
基于与前述实施例中一种基于病人临床表现的档案构建方法同样发明构思,本发明还提供了一种基于病人临床表现的档案构建系统,如图2所示,所述系统包括:
第一构建单元11,所述第一构建单元11用于根据历史用户诊疗信息,构建患者分析数据库;
第一获得单元12,所述第一获得单元12用于根据所述患者分析数据库,获得第一用户的第一基础信息;
第二获得单元13,所述第二获得单元13用于根据所述第一基础信息进行特征提取,获得第一属性信息;
第二构建单元14,所述第二构建单元14用于构建病情类别特征决策树;
第三获得单元15,所述第三获得单元15用于根据所述病情类别特征决策树对所述第一属性信息进行分类,获得各类别病情信息;
第四获得单元16,所述第四获得单元16用于根据预定等级划分规则对所述各类别病情信息进行等级划分,获得各类别病情严重等级;
第五获得单元17,所述第五获得单元17用于将所述各类别病情信息和所述各类别病情严重等级输入第一病情评估模型,获得第一病情状态;
第六获得单元18,所述第六获得单元18用于通过视频监控装置对所述第一用户进行监控,获得第一用户监控视频信息;
第七获得单元19,所述第七获得单元19用于对所述第一用户监控视频信息进行图像分割,获得第一分割图像数据信息;
第八获得单元20,所述第八获得单元20用于将所述第一病情状态和所述第一分割图像数据信息输入病情特征匹配模型,获得所述第一用户的第一临床表现信息;
第九获得单元21,所述第九获得单元21用于根据所述第一临床表现信息对所述第一病情评估模型进行增量学习,获得第二病情评估模型;
第十获得单元22,所述第十获得单元22用于根据所述第二病情评估模型,获得所述第一用户的第二病情状态;
第十一获得单元23,所述第十一获得单元23用于获得第一存档指令,根据所述第一存档指令将所述第一基础信息和所述第二病情状态进行存档,获得第一临床档案。
进一步的,所述系统还包括:
第十二获得单元,所述第十二获得单元用于获得预定时间阈值;
第十三获得单元,所述第十三获得单元用于根据所述预定时间阈值对所述第一用户监控视频信息进行图像获取,获得第一监控图像集;
第十四获得单元,所述第十四获得单元用于对所述第一监控图像集中的各图像进行图像分割,获得N个子图像像素信息;
第十五获得单元,所述第十五获得单元用于对所述N个子图像像素信息进行连续性分析,获得第一图像连续性;
第十六获得单元,所述第十六获得单元用于当所述第一图像连续性达到预定图像连续性,根据所述N个子图像像素信息,获得第一分割图像数据信息。
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患者临床病情坐标系,所述患者临床病情坐标系为多维坐标系;
第十七获得单元,所述第十七获得单元用于对所述患者临床病情坐标系进行区域标签化分类,获得第一标签分类结果;
第十八获得单元,所述第十八获得单元用于将所述第一属性信息和所述第二病情状态输入所述患者临床病情坐标系,获得临床病情向量;
第十九获得单元,所述第十九获得单元用于根据所述第一标签分类结果和所述临床病情向量进行映射匹配,获得第一分类结果;
第二十获得单元,所述第二十获得单元用于获得第二存档指令,根据所述第二存档指令将所述第一分类结果存入所述第一临床档案。
进一步的,所述系统还包括:
第二十一获得单元,所述第二十一获得单元用于获得预定权重值,所述预定权重值相加之和为1;
第二十二获得单元,所述第二十二获得单元用于按照所述预定权重值对所述临床病情向量的模进行计算,获得临床病情治疗评估结果;
第二十三获得单元,所述第二十三获得单元用于获得第三存档指令,所述第三存档指令用于将所述临床病情治疗评估结果存入所述第一临床档案。
进一步的,所述系统还包括:
第二十四获得单元,所述第二十四获得单元用于将所述第一临床表现信息输入所述第一病情评估模型中,获得第一预测病情;
第二十五获得单元,所述第二十五获得单元用于通过对所述第一预测病情进行数据损失分析,获得第一损失数据;
第二十六获得单元,所述第二十六获得单元用于将所述第一损失数据输入到所述第一病情评估模型中进行训练,获得所述第二病情评估模型。
进一步的,所述系统还包括:
第二十七获得单元,所述第二十七获得单元用于获得所述第一用户的历史病情图像信息;
第二十八获得单元,所述第二十八获得单元用于根据所述第一用户的历史病情图像信息,获得对应图像信息的第一病情特征信息;
第二十九获得单元,所述第二十九获得单元用于获得所述第一用户的历史病情状态;
第三十获得单元,所述第三十获得单元用于将所述历史病情状态和所述对应图像信息的第一病情特征信息输入神经网络进行训练,获得病情特征匹配模型。
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各类别病情信息和所述各类别病情严重等级作为输入信息,输入至所述第一病情评估模型;
第三十一获得单元,所述第三十一获得单元用于所述第一病情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:所述各类别病情信息、所述各类别病情严重等级和用来标识第一病情状态的标识信息;
第三十二获得单元,所述第三十二获得单元用于获得所述第一病情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病情状态。
前述图1实施例一中的一种基于病人临床表现的档案构建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基于病人临床表现的档案构建系统,通过前述对一种基于病人临床表现的档案构建方法的详细描述,本领域技术人员可以清楚的知道本实施例中一种基于病人临床表现的档案构建系统的实施方法,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)
1.一种基于病人临床表现的档案构建方法,其中,所述方法应用于一基于病人临床表现的档案构建系统,所述系统包括一视频监控装置,所述方法包括:
根据历史用户诊疗信息,构建患者分析数据库;
根据所述患者分析数据库,获得第一用户的第一基础信息;
根据所述第一基础信息进行特征提取,获得第一属性信息;
构建病情类别特征决策树;
根据所述病情类别特征决策树对所述第一属性信息进行分类,获得各类别病情信息;
根据预定等级划分规则对所述各类别病情信息进行等级划分,获得各类别病情严重等级;
将所述各类别病情信息和所述各类别病情严重等级输入第一病情评估模型,获得第一病情状态;
通过所述视频监控装置对所述第一用户进行监控,获得第一用户监控视频信息;
对所述第一用户监控视频信息进行图像分割,获得第一分割图像数据信息;
将所述第一病情状态和所述第一分割图像数据信息输入病情特征匹配模型,获得所述第一用户的第一临床表现信息;
根据所述第一临床表现信息对所述第一病情评估模型进行增量学习,获得第二病情评估模型;
根据所述第二病情评估模型,获得所述第一用户的第二病情状态;
获得第一存档指令,根据所述第一存档指令将所述第一基础信息和所述第二病情状态进行存档,获得第一临床档案。
2.如权利要求1所述的方法,其中,所述对所述第一用户监控视频信息进行图像分割,获得第一分割图像数据信息,包括:
获得预定时间阈值;
根据所述预定时间阈值对所述第一用户监控视频信息进行图像获取,获得第一监控图像集;
对所述第一监控图像集中的各图像进行图像分割,获得N个子图像像素信息;
对所述N个子图像像素信息进行连续性分析,获得第一图像连续性;
当所述第一图像连续性达到预定图像连续性,根据所述N个子图像像素信息,获得第一分割图像数据信息。
3.如权利要求1所述的方法,其中,所述方法包括:
构建患者临床病情坐标系,所述患者临床病情坐标系为多维坐标系;
对所述患者临床病情坐标系进行区域标签化分类,获得第一标签分类结果;
将所述第一属性信息和所述第二病情状态输入所述患者临床病情坐标系,获得临床病情向量;
根据所述第一标签分类结果和所述临床病情向量进行映射匹配,获得第一分类结果;
获得第二存档指令,根据所述第二存档指令将所述第一分类结果存入所述第一临床档案。
4.如权利要求3所述的方法,其中,所述方法包括:
获得预定权重值,所述预定权重值相加之和为1;
按照所述预定权重值对所述临床病情向量的模进行计算,获得临床病情治疗评估结果;
获得第三存档指令,所述第三存档指令用于将所述临床病情治疗评估结果存入所述第一临床档案。
5.如权利要求1所述的方法,其中,所述根据所述第一临床表现信息对所述第一病情评估模型进行增量学习,获得第二病情评估模型,包括:
将所述第一临床表现信息输入所述第一病情评估模型中,获得第一预测病情;
通过对所述第一预测病情进行数据损失分析,获得第一损失数据;
将所述第一损失数据输入到所述第一病情评估模型中进行训练,获得所述第二病情评估模型。
6.如权利要求1所述的方法,其中,所述病情特征匹配模型,包括:
获得所述第一用户的历史病情图像信息;
根据所述第一用户的历史病情图像信息,获得对应图像信息的第一病情特征信息;
获得所述第一用户的历史病情状态;
将所述历史病情状态和所述对应图像信息的第一病情特征信息输入神经网络进行训练,获得病情特征匹配模型。
7.如权利要求1所述的方法,其中,所述将所述各类别病情信息和所述各类别病情严重等级输入第一病情评估模型,获得第一病情状态,包括:
将所述各类别病情信息和所述各类别病情严重等级作为输入信息,输入至所述第一病情评估模型;
所述第一病情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:所述各类别病情信息、所述各类别病情严重等级和用来标识第一病情状态的标识信息;
获得所述第一病情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病情状态。
8.一种基于病人临床表现的档案构建系统,其中,所述系统包括:
第一构建单元,所述第一构建单元用于根据历史用户诊疗信息,构建患者分析数据库;
第一获得单元,所述第一获得单元用于根据所述患者分析数据库,获得第一用户的第一基础信息;
第二获得单元,所述第二获得单元用于根据所述第一基础信息进行特征提取,获得第一属性信息;
第二构建单元,所述第二构建单元用于构建病情类别特征决策树;
第三获得单元,所述第三获得单元用于根据所述病情类别特征决策树对所述第一属性信息进行分类,获得各类别病情信息;
第四获得单元,所述第四获得单元用于根据预定等级划分规则对所述各类别病情信息进行等级划分,获得各类别病情严重等级;
第五获得单元,所述第五获得单元用于将所述各类别病情信息和所述各类别病情严重等级输入第一病情评估模型,获得第一病情状态;
第六获得单元,所述第六获得单元用于通过视频监控装置对所述第一用户进行监控,获得第一用户监控视频信息;
第七获得单元,所述第七获得单元用于对所述第一用户监控视频信息进行图像分割,获得第一分割图像数据信息;
第八获得单元,所述第八获得单元用于将所述第一病情状态和所述第一分割图像数据信息输入病情特征匹配模型,获得所述第一用户的第一临床表现信息;
第九获得单元,所述第九获得单元用于根据所述第一临床表现信息对所述第一病情评估模型进行增量学习,获得第二病情评估模型;
第十获得单元,所述第十获得单元用于根据所述第二病情评估模型,获得所述第一用户的第二病情状态;
第十一获得单元,所述第十一获得单元用于获得第一存档指令,根据所述第一存档指令将所述第一基础信息和所述第二病情状态进行存档,获得第一临床档案。
9.一种基于病人临床表现的档案构建系统,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 |
---|---|---|---|
CN202110588869.2A CN113299361A (zh) | 2021-05-28 | 2021-05-28 | 一种基于病人临床表现的档案构建方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110588869.2A CN113299361A (zh) | 2021-05-28 | 2021-05-28 | 一种基于病人临床表现的档案构建方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113299361A true CN113299361A (zh) | 2021-08-24 |
Family
ID=77325781
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110588869.2A Withdrawn CN113299361A (zh) | 2021-05-28 | 2021-05-28 | 一种基于病人临床表现的档案构建方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113299361A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117558391A (zh) * | 2024-01-11 | 2024-02-13 | 天津市胸科医院 | 基于主动脉夹层病历数据的术后病情深度学习方法及系统 |
-
2021
- 2021-05-28 CN CN202110588869.2A patent/CN113299361A/zh not_active Withdrawn
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117558391A (zh) * | 2024-01-11 | 2024-02-13 | 天津市胸科医院 | 基于主动脉夹层病历数据的术后病情深度学习方法及系统 |
CN117558391B (zh) * | 2024-01-11 | 2024-03-12 | 天津市胸科医院 | 基于主动脉夹层病历数据的术后病情深度学习方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xu et al. | Partially-connected neural architecture search for reduced computational redundancy | |
CN112365171B (zh) | 基于知识图谱的风险预测方法、装置、设备及存储介质 | |
WO2021151351A1 (zh) | 一种数据处理方法、装置、计算机设备及存储介质 | |
CN111506723B (zh) | 问答响应方法、装置、设备及存储介质 | |
CN110929807A (zh) | 图像分类模型的训练方法、图像分类方法及装置 | |
WO2021151295A1 (zh) | 患者治疗方案的确定方法、装置、计算机设备及介质 | |
CN113434483B (zh) | 一种基于时空大数据的可视化建模方法及系统 | |
CN113380392A (zh) | 一种基于妇科检查安全评估的就诊管理方法及系统 | |
CN111816300A (zh) | 基于深度强化学习的数据分类方法、装置、设备及介质 | |
CN113344552A (zh) | 一种基于工程造价的多项目联合管理方法及系统 | |
CN114141349A (zh) | 一种icu护理人员的智能调配方法及系统 | |
CN114512235A (zh) | 一种骨折创伤信息处理方法及系统 | |
CN113299361A (zh) | 一种基于病人临床表现的档案构建方法及系统 | |
CN113420722B (zh) | 一种机场安全管理平台的突发事件联动方法及系统 | |
CN113421174A (zh) | 一种基于大数据的知识产权价值评估参考方法及系统 | |
CN113729657A (zh) | 一种基于智能穿戴装置的数据监测方法及系统 | |
CN117370565A (zh) | 一种信息检索方法及系统 | |
Xu et al. | Hierarchical continuous time hidden markov model, with application in zero-inflated accelerometer data | |
CN113689959B (zh) | 基于人工智能的疫情防控决策方法、装置、设备及介质 | |
Permanasari et al. | A web-based decision support system of patient time prediction using iterative dichotomiser 3 algorithm | |
Sato et al. | Probabilistic graphic models applied to identification of diseases | |
CN113113124A (zh) | 一种神经外科多患者的整合护理方法及系统 | |
CN111785388A (zh) | 医疗数据处理方法及装置、存储介质及电子设备 | |
Martínez-Flórez et al. | Unit-bimodal Birnbaum-Saunders distribution with applications | |
Scheltjens et al. | Client Recruitment for Federated Learning in ICU Length of Stay Prediction |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20210824 |