CN113299396A - 一种便携式青光眼睫状体综合征诊疗仪 - Google Patents
一种便携式青光眼睫状体综合征诊疗仪 Download PDFInfo
- Publication number
- CN113299396A CN113299396A CN202110798694.8A CN202110798694A CN113299396A CN 113299396 A CN113299396 A CN 113299396A CN 202110798694 A CN202110798694 A CN 202110798694A CN 113299396 A CN113299396 A CN 113299396A
- Authority
- CN
- China
- Prior art keywords
- diagnosis
- treatment
- module
- portable
- expert system
- 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
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
-
- 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
- G16H70/00—ICT specially adapted for the handling or processing of medical references
- G16H70/40—ICT specially adapted for the handling or processing of medical references relating to drugs, e.g. their side effects or intended usage
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- Biophysics (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Epidemiology (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Chemical & Material Sciences (AREA)
- Medicinal Chemistry (AREA)
- Pharmacology & Pharmacy (AREA)
- Toxicology (AREA)
- Eye Examination Apparatus (AREA)
- Medicines That Contain Protein Lipid Enzymes And Other Medicines (AREA)
Abstract
本发明属于眼科诊疗设备领域,具体涉及一种便携式青光眼睫状体综合征诊疗仪。本发明便携式青光眼睫状体综合征诊疗仪由检测模块和诊疗模块组成,检测模块包括裂隙灯显微镜模块、眼压测量模块、房水病毒检测模块,诊疗模块包括专家系统,专家系统由专家系统数据库、诊断和治疗模块以及界面显示模块组成,其中检测模块的数据传递至专家系统数据库用于诊疗分析和提供治疗方案,其中诊断和治疗模块采用GA‑BP神经网络模型提高诊断精度,建立病人个人档案,根据其眼压特点、角膜后沉着物的数量和形态、房水病毒感染情况,建立多种主要治疗方法,动态跟踪给出针对性的治疗方案,降低药物过度使用的危害。所述便携式青光眼睫状体综合征诊疗仪误诊率低、实现多种设备一体化、实现病人数据动态跟踪快速给出针对性治疗方案的效果。
Description
技术领域
本发明属于一种眼科诊疗设备领域,具体涉及一种便携式青光眼睫状体综合征诊疗仪。
背景技术
随着社会信息化的快速发展,电子设备的普及率和使用率与日俱增。人们的工作生活中高度依赖电脑、手机等具有电子屏幕的设备,导致众多眼科疾病特别是罕见眼部疾病的发病率,且这种趋势越来越年轻化,眼部疾病的诊断和治疗越来越受到重视。青睫综合征是青光眼睫状体炎的简称,它是以发病时眼压升高,前房轻度炎症反应为主要表现的一种特殊类型的前
葡萄膜炎。早在1948 年,由Posner 和Schlossman 两位学者发现并描述该病的临床特点, 所以该病又名Posner-Schlossman 综合征,因青睫综合征发病时眼压升高,前房轻度葡萄膜炎表现,所以吸引了青光眼学者和葡萄膜炎学者的共同关注。好发于20-50岁的青年男性,以单眼发病为主,房角开放,眼压升高反复发作。一般认为PSS能自行缓解,预后良好,但是病程长、眼压波动大、反复发作的患者也可产生视功能损害。因其致病原因多种多样且致病机理并不清楚,现有诊断和治疗方法都是根据传统的葡萄膜炎或青光眼的临床特征进行,检查过程繁琐,价格昂贵,诊断依赖传统教科书经验,未形成标准的诊断方式和治疗建议,常常与普通葡萄膜炎、Fuchs综合征、角膜炎、虹膜炎、青光眼、结膜炎等混淆,容易导致误诊或不能根据个人差异进行有效治疗,导致病患常常不能得到及时有效的诊断和治疗,导致眼压长时间居高不下或炎症不能彻底消除,引起反复发作、持续周期长的困扰,甚至会损伤视神经最终导致不可逆的视野损失。
文献1(青光眼睫状体炎综合征误诊15例分析,罗莹,《中国误诊学杂志》,2008年12月第8卷第34期,第8428-8429页)分析了15例青睫综合征误诊的案例,分析了误诊的原因,对青睫综合征典型临床性特征进行归纳,提出医生应该加强对本病的认识,仔细检测、重复检查,但其只是普及了该病的典型特征,并未给出快速准确的诊断方法。
文献2(青睫综合征发病后KP 形态的连续观察分析,聂振海,王雷,《临床医药文献杂志》,2016 年第3 卷第47 期,第9364-9367页)对确诊的17例青睫综合征病人进行分析,指出该病显著特征KP随时间的变化其形态和数量也发生变化,指出发病早期眼压升高,KP若不明显,容易被误诊为青光眼,导致随后的葡萄膜炎症加重,会造成病程加长,甚至导致视野缺损。同样的其指出KP形态是诊断青睫综合征的关键因素。
文献3(青光眼睫状体炎综合征的临床特点与治疗预后情况探析,蒋燕铌 等,《锦州医科大学学报》,第40卷第5期,2019年10月,第36-38页)针对青光眼睫状体炎综合征患者的临床特点以及其治疗预后情况进行分析,临床主要是采用抗炎、眼压降低等为患者实施治疗,糖皮质激素的应用,可对炎症发展控制,但是长时间用药,可导致出现激素性青光眼的情况; 若患者眼压过高,则可实施碳酸酐酶抑制剂治疗,不可实施前列腺素类药物治疗,同时实施消炎痛、布洛芬等非甾体类药物治疗,可对前列腺素的合成抑制。 其公开了常规青睫综合征临床特点和治疗方式,但是并未考虑病毒感染导致的青睫综合征的对症治疗方式。
文献4(青光眼睫状体炎综合征的病因分析,黄婧 等,《中国实验诊断学》,第24卷第10期,2020年10月,第1741-1742页)阐述了目前PSS的发病原因尚不明确,可能与以下因素有关:感染、免疫遗传、血管功能障碍、炎症介质、全身疾病等,并就国内外近期的研究结果作出综述。指出近年来大量研究结果支持CMV感染是PSS最主要的病因,还指出可能与幽门螺杆菌HP感染、免疫疾病、过敏性等有关,并指出单一因素不能完全确定为PSS的病因,明确病因可以促进该病的治疗策略得到有效发展。
文献5(2%更昔洛韦滴眼液对巨细胞病毒阳性的青光眼睫状体炎综合征的疗效观察,翟如仪
等,《中华眼科杂志》,2018,54(11))观察并评价2%更昔洛韦滴眼液治疗巨细胞病毒(CMV)阳性的青光眼睫状体炎综合征患者的临床疗效,结论为:2%更昔洛韦滴眼液局部治疗CMV阳性的青睫综合征的短期疗效良好,有助于炎性反应和眼压控制。
中国专利申请号:CN201410800274.9公开了一种基于专家系统的眼表综合分析仪,其采用知识库和推理机进行常见眼表疾病的诊断和治疗建议。知识库分为圆锥角膜诊断模块、干眼症诊断模块、睑板腺功能障碍诊断模块、角膜接触镜适配模块及屈光手术模块,其属于常见眼科基础疾病,具有治疗方式简单和复发性低的特点,与青睫综合征病因和治疗方式差异巨大,也未考虑如何根据复诊的检测情况动态调整治疗方案,如何防止激素过量使用和不科学用药治疗等问题,其采用BP神经网络进行推理,但是其往往预测精度仍有较大的提升空间。
中国专利公开号:CN102961120A公开了一种眼科分析仪器,该眼科分析仪器具有评估装置可以评估眼的多个参数;其包括光圈设备和光源,监测装置连接至评估装置,评估装置对图像进行处理和分析,评估装置中包括数据库,其中数据库可以具有图像的比较数据集或测量参数,通过比较数据集可以获得图像比较的结果并得出眼测量诊断结果的简单结论。但是该眼科分析仪仅仅是作为一个检测仪器,而不能对于疾病进行确诊或者生成具体的治疗方案。
针对现有技术中基本都是通过各种独立的检测设备对眼部各项指标分别进行检测,得出一些分析结果,这些分析结果是由医生进行分析后,得出的具体的诊断结论和治疗方案,或者存在某个眼科分析仪仅仅是作为一个检测仪器,而不能对于疾病进行确诊或者生成具体的治疗方案,可见现有技术通过诸多设备检测和分析存在着耗时耗力、依靠医生经验来诊断,容易出现误诊等情况的产生,针对青睫综合征容易复发的特点,若每次检测时间过长,病人也难以坚持按时进行复查,这样会造成用药不科学,容易导致激素性青光眼、白内障等更为严重的疾病,现有技术并无专门针对青睫综合征这一特殊的眼部疾病的一体化诊断和治疗设备。本申请通过一体化的设备可以根据各个模块中检测或者输入的数据进行分析处理后直接对用户眼部疾病进行诊断,并且对眼部的疾病直接生成具体的治疗方案。因此能够完全脱离医生,甚至用户在家中就可以自行进行眼部的检查,并且根据个人病程发展可以根据有针对性的治疗方案。
发明内容
为解决上述技术问题,本发明一方面提供了一种便携式青光眼睫状体综合征诊疗仪。具体方法如下:一种便携式青光眼睫状体综合征诊疗仪,所述便携式青光眼睫状体综合征诊疗仪由检测模块和诊疗模块组成,检测模块包括裂隙灯显微镜模块、眼压测量模块、房水病毒检测模块,诊疗模块包括专家系统,专家系统由专家系统数据库、诊断和治疗模块以及界面显示模块组成;
专家系统数据库中记录有大量青睫综合征临床数据,并存储病人的测量数据,经过推理得出是否符合青睫综合征的特征,并根据疾病发展阶段提供适合的治疗方案;
其中检测模块的数据传递至专家系统数据库用于诊疗分析和提供治疗方案;
其中专家数据库包括青睫综合征的主要诊断特征,包括眼压、角膜后沉着物形态、角膜后沉着物数量、房角开闭、前房深度、房水病毒检测情况、视野缺失情况、角膜是否水肿、高眼压特点、视力。
进一步的,眼压测量模块为非接触式眼压测量仪。
进一步的,裂隙灯显微镜模块包括检测房角开闭、角膜后沉着物形态和数量、虹膜粘连情况、角膜水肿情况。
进一步的,房水病毒检测模块包括检测巨细胞病毒lgG抗体、HSV1-lgG抗体、HSV2-lgG抗体。
进一步的,专家系统数据库中角膜后沉积物形态包括细小透明状、羊脂状和星状;高眼压特点包括急性、反复型和慢性两种。
进一步的,专家系统数据库还包括将检测模块获取得到以及部分手动输入的参数经过规则化,形成知识规则存入所述专家系统数据库中。
进一步的,部分手动输入的参数包括发病天数、视力、头疼恶心症状程度、反复发作间隔周期。
进一步的,诊断和治疗模块采用GA-BP神经网络模型进行诊断,提高诊断精度,其中BP神经网络采用输入层节点数为17、隐含层节点数为8、输出层节点数为1的三层结构。
进一步的,专家系统还包括建立病人个人档案,根据病程发展和数据变化给出动态有针对性的治疗方案。
进一步的,界面显示模块包括诊断结果显示和治疗方案显示。
本发明的有益效果在于:
(1)针对青睫综合征容易复发的特点,本发明便携式青光眼睫状体综合征诊疗仪通过一体化的设备可以将传统的分室眼压检测、裂隙灯检查、房水病毒检测设备进行集成,大量减少病人繁琐的耗时费力的检测过程,利于病人按时进行复诊,有利于及时跟踪病人的病程发展,给出合适的治疗方案,减少自行给药带来的不必要的副作用如激素性青光眼、白内障等;
(2)检测模块得出的数据或者部分手动输入的数据导入专家系统,在专家系统数据库进行分析处理后直接对用户眼部疾病进行诊断,看是否符合青睫综合征的临床特征,并且直接生成具体的治疗方案,因此能够基本脱离医生,甚至用户在家中就可以自行进行眼部的检查,并且建立病人个人档案数据,根据个人病程发展可以根据有针对性的治疗方案,通过界面显示模块给出诊断结果和治疗方案,便于动态调整药物种类或使用剂量,防止过度用药或自行断药延长发病周期;
(3)专家系统中诊断和治疗模块采用遗传算法优化的BP神经网络预测模型,即GA-BP神经网络,相比人工判断和基于大数据的神经网络其预测精度更高,对提高青睫综合征的诊断准确率更高,减少误诊率;根据其眼压特点、角膜后沉着物的数量和形态、房水病毒感染情况,建立多种主要治疗方法,通过分别设置多种针对性的治疗方案,为医生或病人提供良好的治疗方案,便于及时和有效的治疗,避免延误病情和耽误最佳治疗时机;复诊后根据病人上述三种特征的变化情况动态调整药物的使用,避免激素药物的过度使用,降低副作用。
附图说明
图1是本发明青光眼睫状体综合征诊疗仪组成模块示意图;
图2是专家系统数据库主要结构示意图。
具体实施方式
实施例1
如图1-2,便携式青光眼睫状体综合征诊疗仪由检测模块和诊疗模块组成,检测模块包括裂隙灯显微镜模块、眼压测量模块、房水病毒检测模块,诊疗模块包括专家系统,专家系统由专家系统数据库、诊断和治疗模块以及界面显示模块组成;
专家系统数据库中记录有大量青睫综合征临床数据,并存储病人的测量数据,经过推理得出是否符合青睫综合征的特征,并根据疾病发展阶段提供适合的治疗方案;
其中检测模块的数据传递至专家系统数据库用于诊疗分析和提供治疗方案;
其中专家数据库包括青睫综合征的主要诊断特征包括眼压、角膜后沉着物形态、角膜后沉着物数量、房角开闭、前房深度、房水病毒检测情况、视野缺失情况、角膜是否水肿、高眼压特点、视力。
眼压测量模块为非接触式眼压测量仪。裂隙灯显微镜模块包括检测房角开闭、角膜后沉着物形态和数量、虹膜粘连情况、角膜水肿情况。房水病毒检测模块包括检测巨细胞病毒lgG抗体、HSV1-lgG抗体、HSV2-lgG抗体。专家系统数据库中角膜后沉积物形态包括细小透明状、羊脂状和星状;高眼压特点包括急性、反复型和慢性两种。专家系统数据库还包括将检测模块获取得到以及部分手动输入的参数经过规则化,形成知识规则存入所述专家系统数据库中。
部分手动输入的参数包括发病天数、视力、头疼恶心症状程度、反复发作间隔周期。
专家系统还包括建立病人个人档案,根据病程发展和数据变化给出动态有针对性的治疗方案。界面显示模块包括诊断结果显示和治疗方案显示。
专家系统运行过程如下:首先,专家系统进行知识规则的初始化。专家系统数据库将青睫综合征诊断专家经过大量实践和科学分析论证的临床结果进行规则化,形成知识规则存入专家系统数据库中,同时对所输入的知识规则进行样本化处理,专家系统采用正向推理,通过一定算法实现诊断结果和针对性治疗方案,结果显示给用户。
专家系统数据库主要数据包括眼压、角膜后沉着物形态、角膜后沉着物数量、房角开闭、前房深度、房水病毒检测情况、视野缺失情况、角膜是否水肿、高眼压特点、视力,发病天数、视力、头疼恶心症状程度、反复发作间隔周期,其中房水病毒检测包括巨细胞病毒lgG抗体、HSV1-lgG抗体、HSV2-lgG抗体;角膜后沉积物形态包括细小透明状、羊脂状和星状;高眼压特点包括急性、反复型和慢性两种。通过大量临床结果获取数据,得到专家系统的知识规则化表,形成整个专家系统的基础,采用正向推理策略,根据用户通过检测单元以及手动输入的数据与知识规则进行匹配,通过GA-BP神经网络算法,用于诊断是否为青睫综合征,并根据病人病情程度给予不同的治疗方案。
例如,当检测到病人眼压属于急性、持续天数较长,反复发作间隔周期短,角膜后沉着物数量为0,房角为闭合,则基本判断其不属于青睫综合征的典型特征,考虑为急性闭角型青光眼;当检测到病人眼压正常,角膜后沉着物数量数个呈星状或点状等,房角为开角,则基本判断其不属于青睫综合征的典型特征,考虑为葡萄膜炎等;当检测到病人眼压高,通过患者历史患病特点判断为慢性高眼压、持续天数较长,反复发作间隔周期短,角膜后沉着物数量为0,房水病毒检测巨细胞病毒lgG抗体、HSV1-lgG抗体或HSV2-lgG抗体呈阳性,则基本判断其不属于青睫综合征的典型特征,考虑为病毒性青光眼;当检测到病人眼压正常,角膜后沉着物数量数个呈星状或点状等,房角为开角,房水病毒检测巨细胞病毒lgG抗体、HSV1-lgG抗体或HSV2-lgG抗体呈阳性,则基本判断其不属于青睫综合征的典型特征,考虑为病毒性角膜炎等。
当确诊为青睫综合征后:
(1)当眼压属于急性、持续天数较长,反复发作间隔周期短,角膜后沉着物少呈羊脂状,可以考虑加强降压药物的使用,甚至静脉输入甘露醇,多复诊,动态监测眼压,持续不降压可考虑手术降压;
(2)当眼压正常或者偏高,反复发作间隔周期数月,角膜后沉着物偏多呈羊脂状,可以考虑减量法施加弱降压药物,通过地塞米松、百力特、氟米龙或露达舒不同抗炎效果的激素药物通过减量方式施加方式酌情选择,多复诊,动态监测眼压和角膜后沉着物变化情况;
(3)当眼压正常,反复发作间隔周期长,角膜后沉着物少呈羊脂状,可以考虑采用氟米龙或露达舒两种弱抗炎效果的激素药物以及双氯芬酸钠或者普拉洛芬非甾体类滴眼液,多复诊,动态监测角膜后沉着物变化情况;
(4)当眼压属于急性,刚发作,角膜后沉着物少呈细小透明状,则考虑为发作初期,采用降压药物,先采用氟米龙或露达舒弱激素药物或采用非激素药物通过减量方式施加方式,多复诊观测眼压变化和角膜后沉着物形态和数量变化,若变多呈羊脂状则配合一定地塞米松、百力特,弱减轻或没变,则继续采用非非甾体类药物通过减量施加方式直至症状消失;
(5)当眼压属于急性、持续天数较长,反复发作间隔周期短,角膜后沉着物多呈羊脂状,房水病毒检测巨细胞病毒lgG抗体呈阳性,则考虑采用降压药物,采用激素药物或采用非甾体类药物通过减量方式施加方式的同时,通过一定配置获得2%更昔洛韦滴眼液,局部治疗CMV阳性的青睫综合征,有助于炎性反应和眼压控制,多复诊,当症状减轻后直至停用激素药物或采用非激素药物,还可继续使用2%更昔洛韦滴眼液,有助于控制反复发作间隔周期。
其中诊断和治疗模块中诊断部分的具体运行机理如下:
遗传算法(Genetic Algorithm, GA)是1962年由美国Michigan大学的Holland根据达尔文“优胜劣汰、适者生存”的原理机理提出的,它依据孟德尔遗传变异理论,通过对群体内部染色体信息随机交换来寻求更优结构的全局优化搜索算法。遗传算法的一般流程如下:(1)确定编码方式,初始种群(包括种群规模、选择概率、交叉概率和变异概率)及适应度函数,随机生成初始种群;(2)计算个体适应度,判断是否满足收敛标准,若满足,结束计算,则输出得到最优的神经网络权值和阀值;若不满足,则转向第(3)步;(3)依据适应度高低选择个体,适应度高的个体被选中的概率较大;(4)通过对个体之间进行交叉、变异产生新个体;(5)由交叉变异产生的新个体组成的新的种群,返回到(2)步中,继续优化。通过反复比较研究得到GA基本参数及操作方式如表1所示。
表 1 GA基本参数及操作方式
BP神经网络(Back Propagation neural networks) 即前馈式误差反传播神经网络,是应用较为广泛的神经网络之一。BP网络一般包括三层网络结构,即由输入层、隐含层和输出层组成。本文采用三层网络结构。输入层输入变量由眼压、角膜后沉着物形态、角膜后沉着物数量、房角开闭、前房深度、房水病毒检测情况、视野缺失情况、角膜是否水肿、高眼压特点、视力,发病天数、头疼恶心症状程度、反复发作间隔周期等变量组成,其中部分文字描述的自变量可根据实际情况进行数据化,比如房水病毒检测情况分为巨细胞病毒lgG抗体、HSV1-lgG抗体、HSV2-lgG抗体,各为阴性和阳性共六种情况,可以采用数字1,2,34,5,6来代替其六种情况的原始数据,输出层的变量为青睫综合征。隐含层神经元的个数为4~14之间。经过反复的网络训练学习试验后发现,当隐含层节点数为8时,模型的精度最高。隐含层选择S型函数。本文通过现场数据中的418组训练BP神经网络模型,其余100用来验证模型。模型的建立和预测通过Matlab实现,经反复比较预测值的准确率,最终的到网络最佳参数见表2所示。
表 2 BP神经网络的基本参数表
从表3看出,GA-BP神经网络对青睫综合征的诊断准确率高达92%,相对于医生人工诊断60%和BP神经网络的78%,其诊断精度大大提高,可以得出结论:GA-BP神经网络的诊断精度最高,能够用来给实际青睫综合征诊断提供很好的参考,能够为后续治疗提供最为准确的指导。
表 3 GA- BP神经网络和人工诊断、BP神经网络诊断精度比较
诊断和治疗模块中给出针对性治疗方案具体方法为:
当其被确诊为青睫综合征后,先建立病人个人档案,其中包括病人检测获取和手动输入的重要数据,根据其眼压特点、角膜后沉着物的数量和形态、房水病毒感染情况,建立多种主要治疗方法,比如“高眼压为急性反复发作间隔周期短-角膜后沉着物KP多呈羊脂状-房水病毒检测为阴性”则治疗方案为“降压药阿法根/派力噻/派立明 3滴/天,或静脉输入甘露醇, 地塞米松/百力特/氟米龙,4滴/天,双氯芬酸钠/普拉洛芬 4滴/天,两天复诊”,通过分别设置多种针对性的治疗方案,为医生或病人提供良好的治疗方案,便于及时和有效的治疗,避免延误病情和耽误最佳治疗时机;复诊后根据病人上述三种特征的变化情况动态调整药物的使用,避免激素药物的过度使用,降低副作用,比如当复诊后病人眼压降到正常水平,角膜后沉着物KP羊脂状依然较多,则可以考虑对降压药阿法根/派力噻/派立明改为2滴/天,3天后减量为1滴/天,地塞米松/百力特/氟米龙,4滴/天,双氯芬酸钠/普拉洛芬继续4滴/天,3天后复诊重点观察KP,复诊后若KP有所减少,则可考虑对地塞米松/百力特/氟米龙减量,这样通过动态调整用药,避免激素过度使用,避免造成激素性青光眼或者激素依赖症。
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种便携式青光眼睫状体综合征诊疗仪,其特征在于:便携式青光眼睫状体综合征诊疗仪由检测模块和诊疗模块组成,检测模块包括裂隙灯显微镜模块、眼压测量模块、房水病毒检测模块,诊疗模块包括专家系统,专家系统由专家系统数据库、诊断和治疗模块以及界面显示模块组成;
专家系统数据库中记录有大量青睫综合征临床数据,并存储病人的测量数据,经过推理得出是否符合青睫综合征的特征,并根据疾病发展阶段提供适合的治疗方案;
其中检测模块的数据传递至专家系统数据库用于诊疗分析和提供治疗方案;
其中专家数据库包括青睫综合征的主要诊断特征,包括眼压、角膜后沉着物形态、角膜后沉着物数量、房角开闭、前房深度、房水病毒检测情况、视野缺失情况、角膜是否水肿、高眼压特点、视力。
2.根据权利要求1所述的便携式青光眼睫状体综合征诊疗仪,其特征在于:眼压测量模块为非接触式眼压测量仪。
3.根据权利要求1所述的便携式青光眼睫状体综合征诊疗仪,其特征在于:裂隙灯显微镜模块包括检测房角开闭、角膜后沉着物形态和数量、虹膜粘连情况、角膜水肿情况。
4.根据权利要求1所述的便携式青光眼睫状体综合征诊疗仪,其特征在于:房水病毒检测模块包括检测巨细胞病毒lgG抗体、HSV1-lgG抗体、HSV2-lgG抗体。
5.根据权利要求1所述的便携式青光眼睫状体综合征诊疗仪,其特征在于:专家系统数据库中角膜后沉积物形态包括细小透明状、羊脂状和星状;高眼压特点包括急性、反复型和慢性两种。
6.根据权利要求5所述的便携式青光眼睫状体综合征诊疗仪,其特征在于:专家系统数据库还包括将检测模块获取得到以及部分手动输入的参数经过规则化,形成知识规则存入所述专家系统数据库中。
7.根据权利要求6所述的便携式青光眼睫状体综合征诊疗仪,其特征在于:部分手动输入的参数包括发病天数、视力、头疼恶心症状程度、反复发作间隔周期。
8.根据权利要求1-7任一项所述的便携式青光眼睫状体综合征诊疗仪,其特征在于:诊断和治疗模块采用GA-BP神经网络模型进行诊断,提高诊断精度,其中BP神经网络采用输入层节点数为17、隐含层节点数为8、输出层节点数为1的三层结构。
9.根据权利要求1所述的便携式青光眼睫状体综合征诊疗仪,其特征在于:专家系统还包括建立病人个人档案,根据病程发展和数据变化给出动态有针对性的治疗方案。
10.根据权利要求1所述的便携式青光眼睫状体综合征诊疗仪,其特征在于:界面显示模块包括诊断结果显示和治疗方案显示。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110798694.8A CN113299396B (zh) | 2021-07-15 | 2021-07-15 | 一种便携式青光眼睫状体综合征诊疗仪 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110798694.8A CN113299396B (zh) | 2021-07-15 | 2021-07-15 | 一种便携式青光眼睫状体综合征诊疗仪 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113299396A true CN113299396A (zh) | 2021-08-24 |
CN113299396B CN113299396B (zh) | 2022-04-29 |
Family
ID=77330804
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110798694.8A Active CN113299396B (zh) | 2021-07-15 | 2021-07-15 | 一种便携式青光眼睫状体综合征诊疗仪 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113299396B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116965768A (zh) * | 2023-07-07 | 2023-10-31 | 中山大学中山眼科中心 | 一种自动定量分析眼内前房炎症程度的系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102961120A (zh) * | 2011-08-30 | 2013-03-13 | 欧科路光学器械有限公司 | 眼科分析仪器和方法 |
CN104398234A (zh) * | 2014-12-19 | 2015-03-11 | 厦门大学 | 一种基于专家系统的眼表综合分析仪 |
CN112513999A (zh) * | 2017-10-13 | 2021-03-16 | 人工智能技术公司 | 眼科疾病和病症的基于深度学习的诊断和转诊 |
-
2021
- 2021-07-15 CN CN202110798694.8A patent/CN113299396B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102961120A (zh) * | 2011-08-30 | 2013-03-13 | 欧科路光学器械有限公司 | 眼科分析仪器和方法 |
CN104398234A (zh) * | 2014-12-19 | 2015-03-11 | 厦门大学 | 一种基于专家系统的眼表综合分析仪 |
CN112513999A (zh) * | 2017-10-13 | 2021-03-16 | 人工智能技术公司 | 眼科疾病和病症的基于深度学习的诊断和转诊 |
Non-Patent Citations (3)
Title |
---|
李树宁: "青光眼睫状体炎综合征的临床思考", 《中华眼科医学杂志》 * |
许欢等: "青光眼睫状体炎综合征患者房水病毒情况分析", 《中国眼耳鼻喉科杂志》 * |
许行艳等: "青光眼睫状体炎综合征的临床分析", 《吉林医学》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116965768A (zh) * | 2023-07-07 | 2023-10-31 | 中山大学中山眼科中心 | 一种自动定量分析眼内前房炎症程度的系统 |
CN116965768B (zh) * | 2023-07-07 | 2024-01-19 | 中山大学中山眼科中心 | 一种自动定量分析眼内前房炎症程度的系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113299396B (zh) | 2022-04-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Fujiwara et al. | Risk factors for posterior subcapsular cataract in retinitis pigmentosa | |
Sung et al. | Twenty-four hour ocular perfusion pressure fluctuation and risk of normal-tension glaucoma progression | |
Zlatanović et al. | Ocular manifestation of rheumatoid arthritis-different forms and frequency | |
Yoo et al. | Artificial neural network approach for differentiating open-angle glaucoma from glaucoma suspect without a visual field test | |
Rossi et al. | Ocular surface disease and glaucoma: how to evaluate impact on quality of life | |
Achiron et al. | Predicting refractive surgery outcome: machine learning approach with big data | |
CN113243887B (zh) | 一种老年黄斑变性智能诊疗仪 | |
He et al. | Lens power, axial length-to-corneal radius ratio, and association with diabetic retinopathy in the adult population with type 2 diabetes | |
CN113299396B (zh) | 一种便携式青光眼睫状体综合征诊疗仪 | |
Su et al. | Topical ganciclovir treatment in patients with cytomegalovirus endotheliitis receiving penetrating keratoplasty | |
Chen et al. | An interval-censored model for predicting myopic regression after laser in situ keratomileusis | |
Hallett et al. | Deep learning based unsupervised and semi-supervised classification for keratoconus | |
Fujiwara et al. | Association between aqueous flare and epiretinal membrane in retinitis pigmentosa | |
McMonnies | Screening for keratoconus suspects among candidates for refractive surgery | |
CN115398557A (zh) | 确定和分析患者的眼部生物特征状态的系统和方法 | |
Kabari et al. | Neural networks and decision trees for eye diseases diagnosis | |
Joshi et al. | Glaucoma in Adults-diagnosis, Management, and Prediagnosis to End-stage, Categorizing Glaucoma's Stages: A Review | |
Hirooka et al. | Prevention of visual field defect progression with angiotensin-converting enzyme inhibitor in eyes with normal-tension glaucoma | |
CN113273959B (zh) | 一种便携式糖尿病视网膜病变诊疗仪 | |
Kusumesh et al. | Long-term visual outcome in surgical management of cataract coexistent with corneal opacity in one-eyed patients | |
Yermalitski et al. | Rubella virus-and cytomegalovirus-associated anterior uveitis: Clinical findings and how they relate to the current Fuchs uveitis syndrome classification | |
Huang et al. | Zonule-Associated Gene Variants in Isolated Ectopia Lentis and Glaucoma | |
Santos-García et al. | Using artificial neural networks to identify glaucoma stages | |
Tekouabou et al. | Machine learning aprroach for early detection of glaucoma from visual fields | |
Salgarello et al. | PERG adaptation for detection of retinal ganglion cell dysfunction in glaucoma: a pilot diagnostic accuracy study |
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 |