CN113908362B - 基于大数据的ecmo护理质量控制方法及系统 - Google Patents

Abstract

本发明公开了一种基于大数据的ECMO护理质量控制方法及系统。方法包括：实时获取ECMO设备运行时的运行参数和运行现场视频；对所述运行参数进行分类以形成指标参数和设置参数，以及根据预设的部位类别检测模型实时对所述运行现场视频进行部位检测；将分类后的指标参数输入至校准表格中进行校准并得到校准后的设置参数，以及将实时的部位检测视频输入至视频质量分类模型中进行分类，所述视频质量分类模型输出的分类结果包括操作准确、操作瑕疵和严重操作失误；将校准后的设置参数输入至所述ECMO设备内，以及根据所述分类结果输出指导和纠正措施。本发明既能实现ECMO设备的自动监控运行，也能实现医护人员的操作质量监控，提高了ECMO护理质量控制的准确性。

Description

基于大数据的ECMO护理质量控制方法及系统

技术领域

本发明涉及质量控制技术领域，更具体地说，特别涉及一种基于大数据的ECMO护理质量控制方法及系统。

背景技术

ECMO也称体外膜肺氧合，是以体外循环系统为基本设备，采用体外循环技术进行操作和管理的一种辅助治疗手段，ECMO是将血液从体内引到体外，经膜式氧合器(人工肺)氧合再用泵将血灌入体内，可进行长时间心肺支持。在ECMO治疗期间，心脏和肺得到充分的休息，全身氧供和血流动力学处在相对稳定的状态。此时氧合器可进行有效的二氧化碳排除和氧的摄取，为肺功能和心功能的恢复赢得宝贵时间。

现有技术中，一般是通过医生的专业知识来调节ECMO设备的运行参数，但是由于医生专业知识的水平不同，无法做到运行参数的调整都能达到最优状态，使得救治不能达到最优的治疗效果，现有技术中也有根据ECMO设备运行时的监测参数来调节其运行参数的方法，例如专利号202010908967.5所公开的技术，其采用专家库的方式实现调节，然而这种方法还存在一些问题，虽然实现自动调节，但是还需要医护人员进行辅助调节，但是由于医护人员的水平不同，医护人员在辅助操作时没有一套可行的标准供其参考，也没有一套可以提供技术指导和纠正的方法。为此，有必要开发一种基于大数据的ECMO护理质量控制方法及系统，使其可以根据实际运行时所监测到的参数实时调节ECMO的运行参数且能够对医护人员的操作予以指导和纠正，以达到最优治疗效果的目的。

发明内容

本发明的目的在于提供一种基于大数据的ECMO护理质量控制方法及系统，以克服现有技术所存在的缺陷。

为了达到上述目的，本发明采用的技术方案如下：

基于大数据的ECMO护理质量控制方法，包括以下步骤：

实时获取ECMO设备运行时的运行参数和运行现场视频；

对所述运行参数进行分类以形成指标参数和设置参数，以及根据预设的部位类别检测模型实时对所述运行现场视频进行部位检测；

将分类后的指标参数输入至校准表格中进行校准并得到校准后的设置参数，以及将实时的部位检测视频输入至视频质量分类模型中进行分类，所述视频质量分类模型输出的分类结果包括操作准确、操作瑕疵和严重操作失误；

将校准后的设置参数输入至所述ECMO设备内，以及根据所述分类结果输出指导和纠正措施。

进一步地，所述实时获取ECMO设备现场视频的步骤包括：

识别所述ECMO设备的安装现场；

根据所识别的安装现场架设至少一组拍摄摄像头以使所述拍摄摄像头的拍摄范围至少包括ECMO设备和患者。

进一步地，所述预设的部位类别检测模型的训练步骤包括：

将ECMO设备运行现场按照预设重点监控部位分为若干个部位类别；

将不同ECMO设备运行现场所拍摄的标准部位视频作为第一训练集，并在所述第一训练集中划分设定比例作为第一验证集；

通过卷积神经网络对第一训练集进行训练以形成部位类别检测模型；

通过第一验证集对所述部位类别检测模型进行验证，若验证通过则训练结束，否则增加所述第一训练集的样本数量进行重新训练。

进一步地，所述校准表格包括多组标准指标参数以及对应的标准设置参数，所述将分类后的指标参数输入至校准模型中进行校准并得到校准后的设置参数的具体步骤为：

将分类后的指标参数在标准表格中进行查找，若查找到与其差别小于设定阈值的标准指标参数，则调取与所述标准指标参数对应的标准设置参数；

将所述标准设置参数与分类的后设置参数进行比对，得出所述参数差异值；

所述将校准后的设置参数输入至所述ECMO设备内具体为：

将所述参数差异值输入至所述ECMO设备内；

所述ECMO设备根据所述参数差异值和设置参数进行调整运行。

进一步地，所述视频质量分类模型的训练步骤包括：

采用多个通过部位类别检测模型检测的部位视频作为第二训练集，并在所述第二训练集中划分设定比例作为第二验证集；

通过卷积神经网络对第二训练集进行训练以形成视频质量分类模型；

通过第二验证集对所述视频质量分类模型进行验证，若验证通过则训练结束，否则增加所述第二训练集的样本数量进行重新训练。

进一步地，所述将实时的部位检测输入至视频质量分类模型中进行分类的步骤具体包括：

将实时的部位检测视频输入至视频质量分类模型中；

若部位检测视频与视频质量分类模型匹配，则输出操作准确的结果；

若部位检测视频与视频质量分类模型不匹配，继续判断部位检测视频与视频质量分类模型的相似度，若相似度大于等于预设阈值，则输出操作瑕疵的结果，若相似度小于预设阈值，则输出严重操作失误的结果。

进一步地，所述根据所述分类结果输出指导和纠正措施的具体步骤包括：

若分类输出结果为操作准确则不予提示，若分类输出结果为操作瑕疵则通过语音形式予以指导和纠正，若分类输出结果为严重操作失误，则同时通过语音以及输出标准操作视频予以指导和纠正。

进一步地，若所述视频质量分类模型输出的结果为操作瑕疵时还包括：

在所述部位检测视频中随机截取至少两张图片，并对所述图片按照时间顺序排列；

对至少两张图片进行灰度和二值化处理，并根据所述部位检测视频的类型设定关键特征；

对处理后的至少两张图片进行关键特征的提取，若排序最后的图片中的关键特征值与排序靠前的图片中的关键特征值的差别值小于设定阈值则调整所述分类输出结果为操作准确，否则输出所述分类输出结果为操作瑕疵。

进一步地，在所述通过语音以及输出标准操作视频予以指导和纠正的过程中，还将该部位重新操作的部位检测视频输入至视频质量分类模型中进行分类，在设定次数内达到操作准确或操作瑕疵的结果，否则提示更换操作人员。

本发明还提供基于大数据的ECMO护理质量控制方法的系统，包括：

获取模块，用于实时获取ECMO设备运行时的运行参数和运行现场视频；

分类及部位检测模块，用于对所述运行参数进行分类以形成指标参数和设置参数，以及用于根据预设的部位类别检测模型实时对所述运行现场视频进行部位检测；

校准及视频质量分类模块，用于将分类后的指标参数输入至校准表格中进行校准并得到校准后的设置参数，以及用于将实时的部位检测视频输入至视频质量分类模型中进行分类，所述视频质量分类模型输出的分类结果包括操作准确、操作瑕疵和严重操作失误；

输入及纠正模块，用于将校准后的设置参数输入至所述ECMO设备内，以及用于根据所述分类结果输出指导和纠正措施；

所述获取模块、分类及部位检测模块、校准及视频质量分类模块和输入及纠正模块依次连接。

与现有技术相比，本发明的优点在于：本发明一方面对运行参数进行分类以形成指标参数和设置参数，并对指标参数进行校准并得到校准后的设置参数，通过校准后的设置参数来调整ECMO设备运行，同时对医护人员的实际操作过程进行视频质量分类，再根据分类结果输出指导和纠正措施。本发明既能实现ECMO设备的自动监控运行，也能实现医护人员的操作质量监控，提高了ECMO护理质量控制的准确性。

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是本发明基于大数据的ECMO护理质量控制方法的流程图。

图2是本发明中预设的部位类别检测模型的训练流程图。

图3是本发明中视频质量分类模型的训练流程图。

图4是本发明中将实时的部位检测输入至视频质量分类模型中进行分类的流程图。

图5是本发明中视频质量分类模型输出的结果为操作瑕疵时后的流程图。

图6是本发明基于大数据的ECMO护理质量控制系统的原理图。

具体实施方式

下面结合附图对本发明的优选实施例进行详细阐述，以使本发明的优点和特征能更易于被本领域技术人员理解，从而对本发明的保护范围做出更为清楚明确的界定。

参阅图1所示，本实施例公开了一种基于大数据的ECMO护理质量控制方法，包括以下步骤：

步骤S1：实时获取ECMO设备运行时的运行参数和运行现场视频.

具体的，本实施例中，所述的运行参数包括静脉血氧饱和度、动脉血氧饱和度、血细胞压积、流量、泵转速、气泡、凝血酶元ACT时间和变温水箱温度等。

其中，所述实时获取ECMO设备现场视频的步骤包括：首先、识别ECMO设备的安装现场，现场可以为病房，抢救室，救护车等场合；然后、根据所识别的安装现场架设至少一组拍摄摄像头以使拍摄摄像头的拍摄范围至少包括ECMO设备和患者，拍摄摄像头可以为自身携带的，也可以为临时布置的，其主要目的是为了同时拍摄到ECMO设备(包括ECMO设备的管路连接)和患者。

步骤S2：对所述运行参数进行分类以形成指标参数和设置参数，以及根据预设的部位类别检测模型实时对所述运行现场视频进行部位检测。

具体的，根据实际运行参数的情况将其分为指标参数和设置参数，本实施例中，指标参数包括静脉血氧饱和度、动脉血氧饱和度、血细胞压积、气泡、凝血酶元ACT时间；设置参数包括流量、泵转速、变温水箱温度等。

本实施例中，结合图2所示，所述预设的部位类别检测模型的训练步骤包括：

步骤S20、将ECMO设备运行现场按照预设重点监控部位分为若干个部位类别，其中预设重点监控部位可以根据需要进行设定，例如：出股和入颈位置、泵前采血口、泵后膜前采血口、膜肺、管路等关键位置。

步骤S21、将不同ECMO设备运行现场所拍摄的标准部位视频作为第一训练集，并在所述第一训练集中划分设定比例作为第一验证集。

步骤S22、通过卷积神经网络对第一训练集进行训练以形成部位类别检测模型。

步骤S23、通过第一验证集对所述部位类别检测模型进行验证，若验证通过则训练结束，否则增加所述第一训练集的样本数量进行重新训练。

通过上述步骤，可以得到较为准确的部位类别检测模型，而部位类别检测模型是根据不同类型的ECMO设备设定，例如一种品牌的ECMO设备采用一组训练好的部位类别检测模型。

步骤S3：将分类后的指标参数输入至校准表格中进行校准并得到校准后的设置参数，以及将实时的部位检测视频输入至视频质量分类模型中进行分类，所述视频质量分类模型输出的分类结果包括操作准确、操作瑕疵和严重操作失误。

具体的，所述校准表格包括多组标准指标参数以及对应的标准设置参数，即一组标准指标参数对应一组标准设置参数。

本实施例将分类后的指标参数输入至校准模型中进行校准并得到校准后的设置参数的具体步骤为：首先、将分类后的指标参数在标准表格中进行查找，若查找到与其差别小于设定阈值的标准指标参数，则调取与所述标准指标参数对应的标准设置参数；然后、将所述标准设置参数与分类的后设置参数进行比对，得出所述参数差异值。

具体的，结合图3所示，所述视频质量分类模型的训练步骤包括：

步骤S30、采用多个通过部位类别检测模型检测的部位视频作为第二训练集，并在所述第二训练集中划分设定比例作为第二验证集。

步骤S31、通过卷积神经网络对第二训练集进行训练以形成视频质量分类模型。

步骤S32、通过第二验证集对所述视频质量分类模型进行验证，若验证通过则训练结束，否则增加所述第二训练集的样本数量进行重新训练。

通过上述步骤，可以得到较为准确的视频质量分类模型，该视频质量分类模型也是根据不同类型的ECMO设备设定，例如一种品牌的ECMO设备采用一组训练好的部位类别检测模型和对应的视频质量分类模型。

具体的，结合图4所示，所述将实时的部位检测输入至视频质量分类模型中进行分类的步骤具体包括：

步骤S33、将实时的部位检测视频输入至视频质量分类模型中，以进行分类。

步骤S34、若部位检测视频与视频质量分类模型匹配，则输出操作准确的结果。

步骤S35、若部位检测视频与视频质量分类模型不匹配，继续判断部位检测视频与视频质量分类模型的相似度，若相似度大于等于预设阈值(该预设阈值可以根据需要进行设定)，则输出操作瑕疵的结果，若相似度小于预设阈值，则输出严重操作失误的结果。

步骤S4：将校准后的设置参数输入至所述ECMO设备内，以及根据所述分类结果输出指导和纠正措施。

具体的，所述将校准后的设置参数输入至所述ECMO设备内具体为：首先、将所述参数差异值输入至所述ECMO设备内；然后、所述ECMO设备根据所述参数差异值和设置参数进行调整运行，这样可以在预先运行的基础上更加方便调节。

具体的，所述根据所述分类结果输出指导和纠正措施的具体步骤包括：若分类输出结果为操作准确则不予提示，若分类输出结果为操作瑕疵则通过语音形式予以指导和纠正，若分类输出结果为严重操作失误，则同时通过语音以及输出标准操作视频予以指导和纠正。

作为优选，为了进一步提高分类结果的精度，结合图5所示，本实施例中若所述视频质量分类模型输出的结果为操作瑕疵时还包括：

步骤S40、在所述部位检测视频中随机截取至少两张图片，并对所述图片按照时间顺序排列；例如，拍摄的视频为医护人员检查膜肺，由于需要检查膜肺里面有没有血凝块，因此医护人员操作时需要采用手电筒进行照射，如果在实际操作过程中医护人员确实采用手电筒照片，但是照射不规范也有可能导致看不到血凝块，因此可以输出一个操作瑕疵的结果，此时对于这种结果需要进一步进行处理。

步骤S41、对至少两张图片进行灰度和二值化处理，并根据所述部位检测视频的类型设定关键特征，根据上例，关键特征即为膜肺特征、照射光线特征、膜肺中的阴影特征等。

步骤S42、对处理后的至少两张图片进行关键特征的提取，即提取上述关键特征，若排序最后的图片中的关键特征值与排序靠前的图片中的关键特征值的差别值小于设定阈值则调整所述分类输出结果为操作准确，在两个图片中均可以获得膜肺特征、照射光线特征、膜肺中的阴影特征，如上述两个照片中的阴影特征值差别较大，则在运行过程中可能会出现血凝块，当两个照片中的阴影特征值差别较小，则属于正常现象，可直接输出结果为操作准确，否则输出所述分类输出结果为操作瑕疵，此时可以直接输出操作瑕疵。

本实施例中，在所述通过语音以及输出标准操作视频予以指导和纠正的过程中，还将该部位重新操作的部位检测视频输入至视频质量分类模型中进行分类，在设定次数内达到操作准确或操作瑕疵的结果，否则提示更换操作人员。例如，当重新操作的次数大于两次时，说该操作的医护人员不合格，直接予以更换，以避免其带来更大的损伤。

结合图6所示，本发明还提供一种基于大数据的ECMO护理质量控制方法的系统，包括：

获取模块1，用于实时获取ECMO设备运行时的运行参数和运行现场视频；分类及部位检测模块2，用于对所述运行参数进行分类以形成指标参数和设置参数，以及用于根据预设的部位类别检测模型实时对所述运行现场视频进行部位检测；校准及视频质量分类模块3，用于将分类后的指标参数输入至校准表格中进行校准并得到校准后的设置参数，以及用于将实时的部位检测视频输入至视频质量分类模型中进行分类，所述视频质量分类模型输出的分类结果包括操作准确、操作瑕疵和严重操作失误；输入及纠正模块4，用于将校准后的设置参数输入至所述ECMO设备内，以及用于根据所述分类结果输出指导和纠正措施；所述获取模块1、分类及部位检测模块2、校准及视频质量分类模块3和输入及纠正模块4依次连接。

本发明一方面对运行参数进行分类以形成指标参数和设置参数，并对指标参数进行校准并得到校准后的设置参数，通过校准后的设置参数来调整ECMO设备运行，同时对医护人员的实际操作过程进行视频质量分类，再根据分类结果输出指导和纠正措施。即本发明既能实现ECMO设备的自动监控运行，也能实现医护人员的操作质量监控，提高了ECMO护理质量控制的准确性。

虽然结合附图描述了本发明的实施方式，但是专利所有者可以在所附权利要求的范围之内做出各种变形或修改，只要不超过本发明的权利要求所描述的保护范围，都应当在本发明的保护范围之内。

Claims (10)

1.基于大数据的ECMO护理质量控制方法，其特征在于，包括以下步骤：

实时获取ECMO设备运行时的运行参数和运行现场视频；

对所述运行参数进行分类以形成指标参数和设置参数，以及根据预设的部位类别检测模型实时对所述运行现场视频进行部位检测；

将分类后的指标参数输入至校准表格中进行校准并得到校准后的设置参数，以及将实时的部位检测视频输入至视频质量分类模型中进行分类，所述视频质量分类模型输出的分类结果包括操作准确、操作瑕疵和严重操作失误；

将校准后的设置参数输入至所述ECMO设备内，以及根据所述分类结果输出指导和纠正措施。

2.根据权利要求1所述的基于大数据的ECMO护理质量控制方法，其特征在于，所述实时获取ECMO设备现场视频的步骤包括：

识别所述ECMO设备的安装现场；

根据所识别的安装现场架设至少一组拍摄摄像头以使所述拍摄摄像头的拍摄范围至少包括ECMO设备和患者。

3.根据权利要求1所述的基于大数据的ECMO护理质量控制方法，其特征在于，所述预设的部位类别检测模型的训练步骤包括：

将ECMO设备运行现场按照预设重点监控部位分为若干个部位类别；

将不同ECMO设备运行现场所拍摄的标准部位视频作为第一训练集，并在所述第一训练集中划分设定比例作为第一验证集；

通过卷积神经网络对第一训练集进行训练以形成部位类别检测模型；

通过第一验证集对所述部位类别检测模型进行验证，若验证通过则训练结束，否则增加所述第一训练集的样本数量进行重新训练。

4.根据权利要求1所述的基于大数据的ECMO护理质量控制方法，其特征在于，所述校准表格包括多组标准指标参数以及对应的标准设置参数，所述将分类后的指标参数输入至校准模型中进行校准并得到校准后的设置参数的具体步骤为：

将分类后的指标参数在标准表格中进行查找，若查找到与其差别小于设定阈值的标准指标参数，则调取与所述标准指标参数对应的标准设置参数；

将所述标准设置参数与分类的后设置参数进行比对，得出所述参数差异值；

所述将校准后的设置参数输入至所述ECMO设备内具体为：

将所述参数差异值输入至所述ECMO设备内；

所述ECMO设备根据所述参数差异值和设置参数进行调整运行。

5.根据权利要求1所述的基于大数据的ECMO护理质量控制方法，其特征在于，所述视频质量分类模型的训练步骤包括：

采用多个通过部位类别检测模型检测的部位视频作为第二训练集，并在所述第二训练集中划分设定比例作为第二验证集；

通过卷积神经网络对第二训练集进行训练以形成视频质量分类模型；

通过第二验证集对所述视频质量分类模型进行验证，若验证通过则训练结束，否则增加所述第二训练集的样本数量进行重新训练。

6.根据权利要求5所述的基于大数据的ECMO护理质量控制方法，其特征在于，所述将实时的部位检测输入至视频质量分类模型中进行分类的步骤具体包括：

将实时的部位检测视频输入至视频质量分类模型中；

若部位检测视频与视频质量分类模型匹配，则输出操作准确的结果；

若部位检测视频与视频质量分类模型不匹配，继续判断部位检测视频与视频质量分类模型的相似度，若相似度大于等于预设阈值，则输出操作瑕疵的结果，若相似度小于预设阈值，则输出严重操作失误的结果。

7.根据权利要求1所述的基于大数据的ECMO护理质量控制方法，其特征在于，所述根据所述分类结果输出指导和纠正措施的具体步骤包括：

若分类输出结果为操作准确则不予提示，若分类输出结果为操作瑕疵则通过语音形式予以指导和纠正，若分类输出结果为严重操作失误，则同时通过语音以及输出标准操作视频予以指导和纠正。

8.根据权利要求7所述的基于大数据的ECMO护理质量控制方法，其特征在于，若所述视频质量分类模型输出的结果为操作瑕疵时还包括：

在所述部位检测视频中随机截取至少两张图片，并对所述图片按照时间顺序排列；

对至少两张图片进行灰度和二值化处理，并根据所述部位检测视频的类型设定关键特征；

对处理后的至少两张图片进行关键特征的提取，若排序最后的图片中的关键特征值与排序靠前的图片中的关键特征值的差别值小于设定阈值则调整所述分类输出结果为操作准确，否则输出所述分类输出结果为操作瑕疵。

9.根据权利要求7所述的基于大数据的ECMO护理质量控制方法，其特征在于，在所述通过语音以及输出标准操作视频予以指导和纠正的过程中，还将该部位重新操作的部位检测视频输入至视频质量分类模型中进行分类，在设定次数内达到操作准确或操作瑕疵的结果，否则提示更换操作人员。

10.根据权利要求1-9任意一项所述的基于大数据的ECMO护理质量控制方法的系统，其特征在于，包括：

获取模块，用于实时获取ECMO设备运行时的运行参数和运行现场视频；

分类及部位检测模块，用于对所述运行参数进行分类以形成指标参数和设置参数，以及用于根据预设的部位类别检测模型实时对所述运行现场视频进行部位检测；

校准及视频质量分类模块，用于将分类后的指标参数输入至校准表格中进行校准并得到校准后的设置参数，以及用于将实时的部位检测视频输入至视频质量分类模型中进行分类，所述视频质量分类模型输出的分类结果包括操作准确、操作瑕疵和严重操作失误；

输入及纠正模块，用于将校准后的设置参数输入至所述ECMO设备内，以及用于根据所述分类结果输出指导和纠正措施；

所述获取模块、分类及部位检测模块、校准及视频质量分类模块和输入及纠正模块依次连接。

Images