CN113679347B - 基于数据统计的诊疗效果评判方法 - Google Patents
基于数据统计的诊疗效果评判方法 Download PDFInfo
- Publication number
- CN113679347B CN113679347B CN202110977038.4A CN202110977038A CN113679347B CN 113679347 B CN113679347 B CN 113679347B CN 202110977038 A CN202110977038 A CN 202110977038A CN 113679347 B CN113679347 B CN 113679347B
- Authority
- CN
- China
- Prior art keywords
- data
- experience
- grade
- diagnosis
- target
- 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.)
- Active
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 73
- 230000000694 effects Effects 0.000 title claims abstract description 63
- 238000000034 method Methods 0.000 title claims abstract description 31
- 239000003814 drug Substances 0.000 claims abstract description 48
- 238000011156 evaluation Methods 0.000 claims abstract description 48
- 238000004458 analytical method Methods 0.000 claims abstract description 36
- 238000012545 processing Methods 0.000 claims abstract description 9
- 201000010099 disease Diseases 0.000 claims description 29
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 29
- 230000002159 abnormal effect Effects 0.000 claims description 17
- 210000003205 muscle Anatomy 0.000 claims description 17
- 208000024891 symptom Diseases 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 14
- 208000002193 Pain Diseases 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000001514 detection method Methods 0.000 claims description 9
- 230000005856 abnormality Effects 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 239000000203 mixture Substances 0.000 claims description 6
- 230000000007 visual effect Effects 0.000 claims description 4
- 230000036772 blood pressure Effects 0.000 claims description 3
- 230000036760 body temperature Effects 0.000 claims description 3
- 230000000241 respiratory effect Effects 0.000 claims description 3
- 230000007012 clinical effect Effects 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 7
- 238000007405 data analysis Methods 0.000 abstract description 4
- 239000000463 material Substances 0.000 description 4
- 210000000323 shoulder joint Anatomy 0.000 description 4
- 206010019468 Hemiplegia Diseases 0.000 description 3
- 206010028391 Musculoskeletal Pain Diseases 0.000 description 3
- 208000007613 Shoulder Pain Diseases 0.000 description 3
- 208000006011 Stroke Diseases 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 206010049816 Muscle tightness Diseases 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 230000006866 deterioration Effects 0.000 description 2
- 230000009916 joint effect Effects 0.000 description 2
- 206010006074 Brachial plexus injury Diseases 0.000 description 1
- 241001260012 Bursa Species 0.000 description 1
- 206010008190 Cerebrovascular accident Diseases 0.000 description 1
- 206010008334 Cervicobrachial syndrome Diseases 0.000 description 1
- 208000014094 Dystonic disease Diseases 0.000 description 1
- 206010023204 Joint dislocation Diseases 0.000 description 1
- 206010062575 Muscle contracture Diseases 0.000 description 1
- 208000000112 Myalgia Diseases 0.000 description 1
- 201000001947 Reflex Sympathetic Dystrophy Diseases 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000033115 angiogenesis Effects 0.000 description 1
- 230000002547 anomalous effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 208000006111 contracture Diseases 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 208000010118 dystonia Diseases 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 201000002818 limb ischemia Diseases 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 208000013465 muscle pain Diseases 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 208000011580 syndromic disease Diseases 0.000 description 1
- 210000001103 thalamus Anatomy 0.000 description 1
- 238000002560 therapeutic procedure Methods 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/48—Other medical applications
- A61B5/4848—Monitoring or testing the effects of treatment, e.g. of medication
Landscapes
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明公开了基于数据统计的诊疗效果评判方法,涉及诊疗效果评价技术领域,解决了现有方案完全通过数据分析技术与采集的表象数据结合实现诊疗效果的评判,没有发挥出中西医的传统经验优势,导致评判标准不够全面和准确的技术问题;本发明通过目标数据进行数据处理获取初评等级,将目标数据和经验数据库结合获取经验等级,通过初评等级和经验等级交叉分析来获取评定等级,能够保证评定等级的合理性和准确性,将采集的数据和经验数据联合分析,更能够发挥出中西医的传统经验优势;本发明构建了经验数据库,经验数据库包括中医经验库和西医经验库,将经验数据库作为诊断的标准数据,能够保证诊断的准确性,便于对诊疗效果的评价。
Description
技术领域
本发明属于诊疗效果评价领域,涉及数据统计的诊疗效果评判技术,具体是基于数据统计的诊疗效果评判方法。
背景技术
随着劳动方式和工作内容的变革,人们出现了各种各样的不适症状。在对这些不适症状进行诊断治疗的过程当中,如何实时评价诊疗效果一直是一个难题。医生在进行评判时,首先是通过对病人的观察和询问获取信息,在根据这些信息来进行判断。这导致了诊断结果具有一定的主观性,准确性不易确保,因此,如何科学评价患者的状态,一直困扰着医疗行业。
现有方案通新兴技术来分析疾病或者治疗效果,如通过图像识别技术评价牙科临床诊疗效果,通过数据统计/数据分析方法评价血管新生疗法的重症肢体缺血病人的治疗效果;简单直接地将新兴技术与医疗行业相结合,则偏离了医疗领域,不能很好地利用中西医的优势,因此,如何在充分发挥中西医优势的基础上,结合新兴技术实现对诊疗效果的合理评价是一个亟待解决的问题。
发明内容
本发明提供了基于数据统计的诊疗效果评判方法,用于解决现有方案完全通过数据分析技术与采集的表象数据结合实现诊疗效果的评判,没有发挥出中西医的传统经验优势,导致评判标准不够全面和准确的技术问题,本发明通过建立经验数据库以及初评等级和经验等级的交叉校验解决了上述问题。
本发明的目的可以通过以下技术方案实现:基于数据统计的诊疗效果评判方法,包括:
通过采集传感器和/或医师实时获取诊断数据;对诊断数据进行数据检测,将数据检测结果标记为目标数据;
构建经验数据库;所述经验数据库包括中医经验库和西医经验库;
对目标数据进行数据处理获取初评等级,将目标数据和经验数据库结合获取经验等级;
对初评等级和经验等级进行对比分析获取分析结果,当分析结果异常时,则对目标数据重新分析,当目标数据的分析结果异常超过两次时,则进行目标数据异常预警;当分析结果正常时,则将初评等级/经验等级标记为评定等级,将评定等级和目标等级进行比较判定诊疗效果;所述目标等级为患者上一次的评定等级。
优选的,所述数据检测包括去除重复数据和异常数据。
优选的,所述中医经验库根据通过中医医案生成,所述中医经验库包括疾病名称、疾病症状、症候、疾病治法和药物组成;所述西医经验库包括疾病名称、疾病症状、疾病表征、疾病治法和药物组成。
优选的,所述经验数据库中中医经验库和西医经验库的对应内容之间相互映射。
优选的,所述初评等级和所述经验等级均包括1-10级;其中,从等级1到等级10所代表病情逐渐严重,等级1表示正常。
优选的,进行数据处理获取所述初评等级包括医师对目标数据进行经验分析获取初评等级;或者
根据目标数据和等级计算公式获取初评等级。
优选的,所述等级计算公式的获取方法包括:
获取N条标准数据以及医师给N条标准数据判定的初评等级;其中,N为大于100的整数,所述标准数据和目标数据所包含的内容相同;
对N条标准数据及对应的初评等级进行拟合获取拟合公式,当拟合公式的决定系数大于0.97时,则将所述拟合公式标记为等级计算公式。
优选的,根据经验数据库获取所述经验等级包括:
对经验数据库进行提取生成训练数据;所述训练数据包括症状数据和对应的经验等级,所述症状数据和目标数据所包含的内容一致;
构建人工智能模型;所述人工智能模型包括误差逆向反馈神经网络、RBF神经网络和深度卷积神经网络中的一种或者多种;
通过训练数据对人工智能模型进行训练获取经验模型;
将目标数据输入至经验模型获取对应的经验等级。
优选的,根据评定等级和目标等级评判诊疗效果,包括:
获取目标等级;
当评定等级小于目标等级时,表明诊疗效果良好;
当评定等级大于目标等级时,表明诊疗效果恶化;
当评定等级等于目标等级时,表明诊疗效果无变化。
优选的,所述诊断数据包括通过采集传感器获取的体温、血压、呼吸参数、脉搏参数和肌力等级;以及
通过医师诊断获取的肌张力等级、疼痛强度等级和关节活动度。
优选的,所述疼痛强度等级的评定方法包括目测类比评分法、口述分级评分法、数字评分法和恒定疼痛强度的疼痛缓解目测类比评分法;所述疼痛强度等级通过评定方法中的一种或者多种获取。
优选的,所述采集传感器包括温度传感器、血压计、呼吸测试仪、脉搏测试仪和肌力测试仪。
优选的,所述肌力等级通过等级0-Ⅴ表示;其中,等级0表示肌肉无任何收缩,等级Ⅰ表示肌肉可轻微收缩,但不能活动关节,仅在触摸肌肉时感觉到,等级Ⅱ表示肌肉收缩可引起关节活动但不能对抗地心引力,肢体不能抬离床,等级Ⅲ表示肢体能抬离床面,但不能对抗阻力,等级Ⅳ表示能做对抗阻力的活动,但较正常差,等级Ⅴ表示正常肌力。
与现有技术相比,本发明的有益效果是:
1、本发明通过目标数据进行数据处理获取初评等级,将目标数据和经验数据库结合获取经验等级;对初评等级和经验等级进行对比分析获取分析结果,当分析结果正常时,则将初评等级/经验等级标记为评定等级,将评定等级和目标等级进行比较判定诊疗效果;通过初评等级和经验等级交叉分析来获取评定等级,能够保证评定等级的合理性和准确性,将采集的数据和经验数据联合分析,更能够发挥出中西医的传统经验优势。
2、本发明构建了经验数据库,经验数据库包括中医经验库和西医经验库;根据类似于医案的材料建立经验数据库,且针对中医经验库和西医经验库中相同内容不同表达建立映射关系,将经验数据库作为诊断的标准数据,能够保证诊断的准确性,便于对诊疗效果的评价。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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的附图。
图1为本发明的步骤示意图。
具体实施方式
下面将结合实施例对本发明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。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
这里使用的术语用于描述实施例,并不意图限制和/或限制本公开;应该注意的是,除非上下文另有明确指示,否则单数形式的“一”、“一个”和“该”也包括复数形式;而且,尽管属于“第一”、“第二”等可以在本文中用于描述各种元件,但是元件不受这些术语的限制,这些术语仅用于区分一个元素和另一个元素。
请参阅图1,本申请公开了基于数据统计的诊疗效果评判方法,包括:通过采集传感器和/或医师实时获取诊断数据;对诊断数据进行数据检测,将数据检测结果标记为目标数据。本申请中诊断数据的获取方式多样,既可以通过采集传感器获取,也可以通过医师的诊断获取,当然还可以将采集传感器和医师诊断联合起来获取诊断数据,这样能够保证诊断数据的可靠性和全面性。本实施例中的数据检测主要包括去除重复数据和异常数据,保证基础数据的可靠性,为后期的数据分析和应用奠定基础。
本申请公开的诊疗效果评判方法还包括构建经验数据库,本实施例中构建的经验数据库包括中医经验库和西医经验库。具体地,中医经验库和西医经验库均可通过医案类材料生成,中医经验库包括疾病名称、疾病症状、症候、疾病治法和药物组成;西医经验库包括疾病名称、疾病症状、疾病表征、疾病治法和药物组成。值得注意的是,经验数据库中中医经验库和西医经验库的对应内容之间相互映射,如当中医经验库和西医经验库中,针对同一个疾病却有两个疾病名称,则通过在这两个疾病名称之间建立映射关系,或者将表示同一内容的两个不同词汇用同一个标签表示,能够保证经验数据库中数据的简洁和准确。
本申请公开的诊疗效果评判方法还包括对目标数据进行数据处理获取初评等级,将目标数据和经验数据库结合获取经验等级。
本实施例中,获取初评等级既可以通过医师对目标数据进行经验分析人工标注初评等级,又可以将目标数据和等级计算公式获取初评等级;
其中,等级计算公式的获取方法具体包括:
获取1000条标准数据以及医师给这1000条标准数据判定的初评等级;
对1000条标准数据及对应的初评等级进行拟合获取拟合公式,当拟合公式的决定系数大于0.97时,则将所述拟合公式标记为等级计算公式。本实例中的多项式拟合次数大于等于2。
根据目标数据和等级计算公式获取初评等级包括:
提取目标数据中的体温、血压、呼吸参数、脉搏参数、肌力等级、肌张力等级、疼痛强度等级和关节活动度,将上述数据带入等级计算公式即可获取初评等级。
本实施例中根据经验数据库获取经验等级具体通过人工智能模型获取,具体为:
提取经验数据库中数据生成训练数据;本实施例中的训练数据包括疾病的症状以及症状对应的经验等级,这里面的经验等级可通过人工进行标注;
通过训练数据完成对人工智能模型的训练获取经验模型;
将目标数据输入至经验模型即可获取对应的经验等级。
本申请公开的诊疗效果评判方法还包括对初评等级和经验等级进行对比分析获取分析结果。分析结果异常时,则对目标数据重新分析,当目标数据的分析结果异常超过两次时,则进行目标数据异常预警;当分析结果正常时,则将初评等级标记为评定等级。本实施例中分析结果异常是指初评等级和经验等级之间相差超过一个等级,如初评等级为2,经验等级为5,则判定分析结果异常;本实施例中分析结果正常时,将初评等级标记为评定等级,在另外一些实施例中,可以将经验等级标记为评定等级。当分析结果异常时,则对目标数据重新按照分析步骤进行分析,当分析结果仍然异常时,则判定诊断数据/目标数据异常;既避免了分析故障导致的预警,又能够尽可能地减少分析步骤,保证处理效率。
本申请公开的诊疗效果评判方法还包括将评定等级和目标等级进行比较判定诊疗效果;本实施例中的目标等级为患者上一次的评定等级;
具体为:
当评定等级小于目标等级时,表明诊疗效果良好;
当评定等级大于目标等级时,表明诊疗效果恶化;
当评定等级等于目标等级时,表明诊疗效果无变化。
本实施例中还可以根据评定等级和目标等级的差距详细划分诊疗效果,具体可参考下表;
评定等级与目标等级的差值 | 诊疗效果 |
-5 | 诊疗效果非常好 |
-4 | 诊疗效果比较好 |
-3 | 诊疗效果良好 |
-2 | 诊疗效果一般好 |
-1 | 诊疗效果微弱 |
0 | 诊疗效果无变化 |
1 | 诊疗效果微弱恶化 |
2 | 诊疗效果一般恶化 |
3 | 诊疗效果恶化较大 |
4 | 诊疗效果恶化严重 |
5 | 诊疗效果恶化异常 |
接下来通过具体的病情案例来阐述本申请的技术方案。
中风偏瘫后肩痛是由多种原因引起,既往研究总结,本病病因包括肩-手综合征、肌张力异常、肩关节半脱位、丘脑综合征、关节囊挛缩、臂丛损伤等。中风偏瘫后肩痛的治疗之后,对诊疗效果评判难度较大。
研究表明肩关节活动度、肌力、肌张力及疼痛强度等级用来评估诊疗效果较为准确。
通过采集传感器和/或医师实时获取诊断数据,这里的诊断数据包括肩关节活动度、肌力、肌张力和疼痛强度等级;对上述诊断数据进行数据检测获取目标数据;
构建经验数据库;这里的经验数据库中包括中风偏瘫后肩痛及其不同程度下的肩关节活动度、肌力、肌张力、疼痛强度等级。
对目标数据进行数据处理获取初评等级,将目标数据和经验数据库结合获取经验等级;对初评等级和经验等级进行对比分析获取分析结果,当分析结果异常时,则对目标数据重新分析,当目标数据的分析结果异常超过两次时,则进行目标数据异常预警;当分析结果正常时,则将初评等级/经验等级标记为评定等级,将评定等级和目标等级进行比较判定诊疗效果。
将诊疗效果进行周期性记录并定时反馈;本实施例中的反馈可通过智能终端实现,通过如智能手机、平板电脑、笔记本电脑等智能终端及时获取评定等级和诊疗效果。
本发明的工作原理:
通过采集传感器和/或医师实时获取诊断数据;去除诊断数据中重复数据和异常数据,并标记为目标数据;构建经验数据库,经验数据库中包括中医经验库和西医经验库,且针对中医经验库和西医经验库中对应内容建立映射关系。
医师对目标数据进行经验分析获取初评等级,或者根据目标数据和等级计算公式获取初评等级;经验数据库进行提取生成训练数据,构建人工智能模型,通过训练数据对人工智能模型进行训练获取经验模型,将目标数据输入至经验模型获取对应的经验等级。
对初评等级和经验等级进行对比分析获取分析结果,当分析结果异常时,则对目标数据重新分析,当目标数据的分析结果异常超过两次时,则进行目标数据异常预警;当分析结果正常时,则将初评等级/经验等级标记为评定等级;获取目标等级,当评定等级小于目标等级时,表明诊疗效果良好,当评定等级大于目标等级时,表明诊疗效果恶化,当评定等级等于目标等级时,表明诊疗效果无变化。
在本说明书的描述中,参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上内容仅仅是对本发明结构所作的举例和说明,所属本技术领域的技术人员对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,只要不偏离发明的结构或者超越本权利要求书所定义的范围,均应属于本发明的保护范围。
Claims (4)
1.基于数据统计的诊疗效果评判方法,其特征在于,包括:
获取采集传感器实时获取诊断数据;对诊断数据进行数据检测,将数据检测结果标记为目标数据;
构建经验数据库;所述经验数据库包括中医经验库和西医经验库;
对目标数据进行数据处理获取初评等级,将目标数据和经验数据库结合获取经验等级;
对初评等级和经验等级进行对比分析获取分析结果,当分析结果异常时,则对目标数据重新分析,当目标数据的分析结果异常超过两次时,则进行目标数据异常预警;当分析结果正常时,则将初评等级/经验等级标记为评定等级,将评定等级和目标等级进行比较判定诊疗效果;所述目标等级为患者上一次的评定等级;
所述中医经验库根据通过中医医案生成,所述中医经验库包括疾病名称、疾病症状、疾病治法和药物组成;所述西医经验库包括疾病名称、疾病症状、疾病治法和药物组成;
所述经验数据库中中医经验库和西医经验库的对应内容之间相互映射;
所述初评等级和所述经验等级均包括1-10级;其中,从等级1到等级10所代表病情逐渐严重,等级1表示正常;
进行数据处理获取所述初评等级,包括:
医师对目标数据进行经验分析获取初评等级;或者
根据目标数据和等级计算公式获取初评等级;
所述等级计算公式的获取方法包括:
获取N条标准数据以及医师给N条标准数据判定的初评等级;其中,N为大于100的整数,所述标准数据和目标数据所包含的内容相同;
对N条标准数据及对应的初评等级进行拟合获取拟合公式,当拟合公式的决定系数大于0.97时,则将所述拟合公式标记为等级计算公式;
根据经验数据库获取所述经验等级包括:
对经验数据库进行提取生成训练数据;所述训练数据包括症状数据和对应的经验等级,所述症状数据和目标数据所包含的内容一致;
构建人工智能模型;所述人工智能模型包括误差逆向反馈神经网络、RBF神经网络和深度卷积神经网络中的一种或者多种;
通过训练数据对人工智能模型进行训练获取经验模型;
将目标数据输入至经验模型获取对应的经验等级。
2.根据权利要求1所述的基于数据统计的诊疗效果评判方法,其特征在于,根据评定等级和目标等级评判诊疗效果,包括:
获取目标等级;
当评定等级小于目标等级时,表明诊疗效果良好;
当评定等级大于目标等级时,表明诊疗效果恶化;
当评定等级等于目标等级时,表明诊疗效果无变化。
3.根据权利要求1所述的基于数据统计的诊疗效果评判方法,其特征在于,所述诊断数据包括通过采集传感器获取的体温、血压、呼吸参数、脉搏参数和肌力等级;以及
通过医师诊断获取的肌张力等级、疼痛强度等级和关节活动度。
4.根据权利要求3所述的基于数据统计的诊疗效果评判方法,其特征在于,所述疼痛强度等级的评定方法包括目测类比评分法、口述分级评分法、数字评分法和恒定疼痛强度的疼痛缓解目测类比评分法;所述疼痛强度等级通过评定方法中的一种或者多种获取。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110977038.4A CN113679347B (zh) | 2021-08-24 | 2021-08-24 | 基于数据统计的诊疗效果评判方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110977038.4A CN113679347B (zh) | 2021-08-24 | 2021-08-24 | 基于数据统计的诊疗效果评判方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113679347A CN113679347A (zh) | 2021-11-23 |
CN113679347B true CN113679347B (zh) | 2024-03-19 |
Family
ID=78582232
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110977038.4A Active CN113679347B (zh) | 2021-08-24 | 2021-08-24 | 基于数据统计的诊疗效果评判方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113679347B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103584852A (zh) * | 2012-08-15 | 2014-02-19 | 深圳中科强华科技有限公司 | 个性化心电图智能辅助诊断装置与方法 |
CN103767691A (zh) * | 2014-02-17 | 2014-05-07 | 张雅儒 | 基于移动终端的实时诊断系统 |
CN109431463A (zh) * | 2018-10-23 | 2019-03-08 | 南开大学 | 基于中西医样本标记的深度学习中医智能诊疗系统 |
CN109740848A (zh) * | 2018-11-30 | 2019-05-10 | 平安医疗健康管理股份有限公司 | 老年病治疗效果考核方法、装置、设备及存储介质 |
CN111724895A (zh) * | 2020-05-16 | 2020-09-29 | 张东 | 一种基于人工智能的个性化中医诊疗机器人系统 |
CN111883250A (zh) * | 2020-07-21 | 2020-11-03 | 广州华见智能科技有限公司 | 一种中医辅助诊疗系统及其方法 |
CN113223703A (zh) * | 2021-05-19 | 2021-08-06 | 中科彭州智慧产业创新中心有限公司 | 一种基于大数据评估中医理疗的方法及装置 |
CN113257424A (zh) * | 2021-07-16 | 2021-08-13 | 成都厚信健科技有限公司 | 一种基于大数据的远程医疗系统 |
-
2021
- 2021-08-24 CN CN202110977038.4A patent/CN113679347B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103584852A (zh) * | 2012-08-15 | 2014-02-19 | 深圳中科强华科技有限公司 | 个性化心电图智能辅助诊断装置与方法 |
CN103767691A (zh) * | 2014-02-17 | 2014-05-07 | 张雅儒 | 基于移动终端的实时诊断系统 |
CN109431463A (zh) * | 2018-10-23 | 2019-03-08 | 南开大学 | 基于中西医样本标记的深度学习中医智能诊疗系统 |
CN109740848A (zh) * | 2018-11-30 | 2019-05-10 | 平安医疗健康管理股份有限公司 | 老年病治疗效果考核方法、装置、设备及存储介质 |
CN111724895A (zh) * | 2020-05-16 | 2020-09-29 | 张东 | 一种基于人工智能的个性化中医诊疗机器人系统 |
CN111883250A (zh) * | 2020-07-21 | 2020-11-03 | 广州华见智能科技有限公司 | 一种中医辅助诊疗系统及其方法 |
CN113223703A (zh) * | 2021-05-19 | 2021-08-06 | 中科彭州智慧产业创新中心有限公司 | 一种基于大数据评估中医理疗的方法及装置 |
CN113257424A (zh) * | 2021-07-16 | 2021-08-13 | 成都厚信健科技有限公司 | 一种基于大数据的远程医疗系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113679347A (zh) | 2021-11-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Falder et al. | Core outcomes for adult burn survivors: a clinical overview | |
Marras et al. | The quantification of low back disorder using motion measures: Methodology and validation | |
US6280395B1 (en) | System and method for determining muscle dysfunction | |
Cartwright et al. | Cross‐sectional area reference values for nerve ultrasonography | |
CN110322947A (zh) | 一种基于深度学习的高血压老年人运动处方推荐方法 | |
JPH08501713A (ja) | 関節と、それに関連する筋肉の作用を計測する方法 | |
Hersek et al. | Acoustical emission analysis by unsupervised graph mining: A novel biomarker of knee health status | |
JP2004503316A (ja) | 自律神経系機能の指標を与えるための方法及び装置 | |
US10869606B2 (en) | Method and apparatus for human health evaluation | |
Herrera-González et al. | Knee functional state classification using surface electromyographic and goniometric signals by means of artificial neural networks | |
CN110575178B (zh) | 一种运动状态判断的诊断监控综合医疗系统及其判断方法 | |
CN117153379B (zh) | 一种胸廓出口综合征的预测装置 | |
CN113679347B (zh) | 基于数据统计的诊疗效果评判方法 | |
Macêdo et al. | Correlation between electromyography and perineometry in evaluating pelvic floor muscle function in nulligravidas: A cross‐sectional study | |
CN1923131A (zh) | 人体疼痛生物信息多参数整合即时评估系统 | |
Frigo et al. | A procedure for the automatic analysis of high-resolution manometry data to support the clinical diagnosis of esophageal motility disorders | |
CN108324272A (zh) | 一种基于lzc复杂度测查焦虑程度的装置 | |
Moghadam et al. | Quantification of Parkinson tremor intensity based on EMG signal analysis using fast orthogonal search algorithm | |
Lu et al. | A new blood pressure estimation method based on neural network algorithm model | |
de Holanda et al. | Statistical Properties of Upper Limb Accelerometer Signals of Patients with Amyotrophic Lateral Sclerosis | |
Gopu et al. | Digestive System Disorder Diagnosis using Electrogastrogram Signal Classification: Subtitle as needed (DSDD using EGG) | |
US20210090460A1 (en) | Information Processing System | |
Farago | Biomedical Signal Quality Analysis for Electromyography | |
Komorowski et al. | A NEW APPROACH TO PREPROCESSING OF EMG SIGNAL TO ASSESS THE CORRECTNESS OF MUSCLE CONDITION. | |
Bąk | The role of ultrasound imaging in disease diagnosis and monitoring the effects of physiotherapeutic treatment of the lumbosacral spine: an overview of research |
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 |