CN114388121A - 心脏标志物poct系统及医疗器材 - Google Patents

心脏标志物poct系统及医疗器材 Download PDF

Info

Publication number
CN114388121A
CN114388121A CN202210298481.3A CN202210298481A CN114388121A CN 114388121 A CN114388121 A CN 114388121A CN 202210298481 A CN202210298481 A CN 202210298481A CN 114388121 A CN114388121 A CN 114388121A
Authority
CN
China
Prior art keywords
poct
cardiac marker
host
server
marker
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
Application number
CN202210298481.3A
Other languages
English (en)
Other versions
CN114388121B (zh
Inventor
马骦
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Shengkun Kangru Medical Equipment Co ltd
Original Assignee
Beijing Shengkun Kangru Medical Equipment Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Shengkun Kangru Medical Equipment Co ltd filed Critical Beijing Shengkun Kangru Medical Equipment Co ltd
Priority to CN202210298481.3A priority Critical patent/CN114388121B/zh
Publication of CN114388121A publication Critical patent/CN114388121A/zh
Application granted granted Critical
Publication of CN114388121B publication Critical patent/CN114388121B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
    • G16H40/67—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for remote operation
    • 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
    • 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
    • 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
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/06—Protocols specially adapted for file transfer, e.g. file transfer protocol [FTP]
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/14—Session management
    • H04L67/141—Setup of application sessions
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L69/00—Network arrangements, protocols or services independent of the application payload and not provided for in the other groups of this subclass
    • H04L69/16—Implementation or adaptation of Internet protocol [IP], of transmission control protocol [TCP] or of user datagram protocol [UDP]
    • H04L69/163—In-band adaptation of TCP data exchange; In-band control procedures
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04Q—SELECTING
    • H04Q9/00—Arrangements in telecontrol or telemetry systems for selectively calling a substation from a main station, in which substation desired apparatus is selected for applying a control signal thereto or for obtaining measured values therefrom

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Signal Processing (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Pathology (AREA)
  • Databases & Information Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Business, Economics & Management (AREA)
  • General Business, Economics & Management (AREA)
  • Evolutionary Computation (AREA)
  • Computer Security & Cryptography (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

本发明公开了一种心脏标志物POCT系统及医疗器材。其中，心脏标志物POCT系统，包括：多个心脏标志物POCT仪器，其分别包括壳体、通信芯片和心脏标志物检测模块；多个心脏标志物POCT仪器中的至少一个心脏标志物POCT仪器设置为主机，除主机外的其他心脏标志物POCT仪器采集的生物学参数均传输至主机，主机将接收的生物学参数传输至服务器。通过设置主机，其它仪器通过主机与服务器进行通信，从而避免每个仪器都与服务器通信，减轻服务器的压力，而主机通过网络适配仪器，保证每个主机连接的仪器通信总量不超过主机的网络上限，从而达到减轻服务器的压力，又提高通信效率的目的。

Description

心脏标志物POCT系统及医疗器材
技术领域
本发明涉及医疗器材领域，尤其涉及一种心脏标志物POCT系统及医疗器材。
背景技术
心脏标志物POCT检测能够满足心脏病检测的时效性要求，可以在10-20分钟内快速检测出心脏病相关指标，对于临床有着重要的意义。但是心脏标志物POCT检测仪器通常部署在临床科室，并且不会并入医院检测系统，因而每台仪器都是一座信息孤岛，检测结果无法系统保存，检测数据无法为临床科室共享及科研复用；另外，对诊断结果的判断取决于医生的经验水平，尤其是当心脏标志物检测结果处于临界状态时，诊断结果难免出现偏差。
现有心脏标志物POCT仪器的通信方式为每台仪器都会和server（服务器）通信，但是由于所有医院的所有仪器都需要和server通信，随着数量的增加，客户端连接越来越多，使得服务器的压力逐渐增大，造成通信拥塞，影响仪器与服务器的通信效率。
发明内容
有鉴于此，本发明实施例提供了一种心脏标志物POCT系统及医疗器材，至少部分的解决现有技术中存在的通信效率低的问题。
第一方面，本发明实施例提供了一种心脏标志物POCT系统，包括：
多个心脏标志物POCT仪器，所述心脏标志物POC仪器包括壳体、通信芯片和心脏标志物检测模块，所述通信芯片和检测模块设置在壳体内，所述检测模块用于检测心脏的至少一个生物学参数，所述通信芯片用于数据传输，所述检测模块与所述通信芯片电连接；
多个心脏标志物POCT仪器中的至少一个心脏标志物POCT仪器设置为主机，除主机外的其他心脏标志物POCT仪器采集的生物学参数均传输至主机，所述主机将接收的生物学参数传输至服务器；
所述服务器的数据经所述主机传输至除主机外的其他心脏标志物POCT仪器；
所述多个心脏标志物POCT仪器的更新文件经所述服务器推送给主机后，下载更新文件至所述主机，所述服务器对心脏标志物POCT系统的通信网络及每个心脏标志物POCT仪器的工作量进行监测，当监测到心脏标志物POCT仪器工作量低于设定第一阈值且通信网络繁忙度低于设定第二阈值时，将所述更新文件传输至相应的心脏标志物POCT仪器。
可选的，所述主机与服务器之间数据传输方式为TCP长连接。
可选的，所述服务器包括患者心血管疾病风险计算模块和样本判断模块；
所述患者心血管疾病风险计算模块，用于基于选定的自变量和因变量，通过回归模块预测疾病风险；
所述样本判断模块，用于基于所述疾病风险和预训练的样本判断模型对样本数据进行判断。
可选的，所述患者心血管疾病风险计算模块，用于基于选定的自变量和因变量，通过回归模块预测疾病风险中：
所述自变量包括年龄、血压、总胆固醇、高密度胆固醇、是否吸烟和是否为糖尿病；
所述因变量包括发病或死亡。
可选的，所述疾病风险基于发病率P进行判断；
所述发病率
Figure 100002_DEST_PATH_IMAGE001
，
其中，
Figure 100002_DEST_PATH_IMAGE002
为各影响因素的偏回归系数，
Figure 752117DEST_PATH_IMAGE003
为每个人各影响因素的大小，
Figure 100002_DEST_PATH_IMAGE004
为人群中各影响因素的平均大小。
Figure 747886DEST_PATH_IMAGE005
为在时间t的平均生存函数。
可选的，
Figure 100002_DEST_PATH_IMAGE006
0.0533(a-48.3)+0.0948(b 1-0.2)+0(b 2-0.24)+0.4225(b 3-0.2)+
0.6596(b 4-0.23)+0.8964(b 5-0.13)+(-0.3781)(c 1-0.07)+0(c 2-0.31)+
0.5696(c 3-0.39)+0.7438(c 4-0.17)+0.8284(c 5-0.06)+0.6074(h 1-0.19)+
0.3684(h 2-0.36)+0(h 3-0.15)+0.0(h 4-0.19)+(-0.4608)(h 5-0.11)+0.7277(s-0.4)+
0.5252(d-0.05)，
其中，a为年龄值；b为血压分类，b1为最佳血压，b2为正常血压，b3为正常高值血压，b4为一级高血压，b5为二级高血压；c为总胆固醇分类，c 1为<160类，c 2为160-199类，c 3为200-239类，c 4为240-279类，c 5为≥280类；h为高密度胆固醇分类，h 1为<35类，h 2为35-44类，h 3为45-49类，h 4为50-59类，h 5为≥60类；s为吸烟者；d为糖尿患者病，b、c、h、s、d中满足条件为1，否则为0。
可选的，所述预训练的样本判断模型以心梗三联检测结果及发病率P为特征进行算法学习。
可选的，所述样本判断模型包括强分类器和弱分类器；
所述强分类器基于所有弱分类器的加权表决；
即
Figure 589940DEST_PATH_IMAGE007
，
其中，
Figure 100002_DEST_PATH_IMAGE008
是弱分类器的权重，t为弱分类器的数量，
Figure 63778DEST_PATH_IMAGE009
为弱分类器。
可选的，所述弱分类器的权重基于弱分类器在训练集上的加权误差率得到。
第二方面，本发明实施例还提供了一种医疗器材，包括：第一方面任一所述的心脏标志物POCT系统。
本发明实施例提供的心脏标志物POCT系统，通过设置主机，其它仪器通过主机与服务器进行通信，从而避免每个仪器都与服务器通信，从而减轻服务器的压力，而主机通过网络适配仪器，保证每个主机连接的仪器通信总量不超过主机的网络上限，从而达到减轻服务器的压力，又提高通信效率的目的。
上述说明仅是本发明技术方案的概述，为了能更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为让本发明的上述和其他目的、特征和优点能够更明显易懂，以下特举较佳实施例，并配合附图，详细说明如下。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，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它的附图。
图1为本发明实施例提供的一种心脏标志物POCT系统的原理框图；
图2为本发明实施例提供的一种样本判断模块的工作流程图。
具体实施方式
下面结合附图对本发明实施例进行详细描述。
应当明确，以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。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。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动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。
需要说明的是，下文描述在所附权利要求书的范围内的实施例的各种方面。应显而易见，本文中所描述的方面可体现于广泛多种形式中，且本文中所描述的任何特定结构及/或功能仅为说明性的。基于本发明，所属领域的技术人员应了解，本文中所描述的一个方面可与任何其它方面独立地实施，且可以各种方式组合这些方面中的两者或两者以上。举例来说，可使用本文中所阐述的任何数目个方面来实施设备及/或实践方法。另外，可使用除了本文中所阐述的方面中的一或多者之外的其它结构及/或功能性实施此设备及/或实践此方法。
还需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
另外，在以下描述中，提供具体细节是为了便于透彻理解实例。然而，所属领域的技术人员将理解，可在没有这些特定细节的情况下实践所述方面。
为了便于理解，如图1所示，本实施例公开了一种心脏标志物POCT系统，包括：
多个心脏标志物POCT仪器，所述心脏标志物POC仪器包括壳体、通信芯片和检测模块，所述通信芯片和检测模块设置在壳体内，所述检测模块用于检测心脏的至少一个生物学参数，所述通信芯片用于数据传输，所述检测模块与所述通信芯片电连接；
多个心脏标志物POCT仪器中的至少一个心脏标志物POCT仪器设置为主机，除主机外的其他心脏标志物POCT仪器采集的生物学参数均传输至主机，所述主机将接收的生物学参数传输至服务器；
所述服务器的数据经所述主机传输至除主机外的其他心脏标志物POCT仪器；
所述多个心脏标志物POCT仪器的更新文件经所述服务器推送给主机后，下载更新文件至所述主机，所述服务器对心脏标志物POCT系统的通信网络及每个心脏标志物POCT仪器的工作量进行监测，当监测到心脏标志物POCT仪器工作量低于设定第一阈值且通信网络繁忙度低于设定第二阈值时，将所述更新文件传输至相应的心脏标志物POCT仪器。
本实施例的心脏标志物POCT系统将POCT仪器的检测数据上传至服务器，并将数据上传至云端数据中心保存，解决数据系统存储问题；同时使用局域网主机通信的方式减小服务器的通信压力；使用机器学习算法对检测结果进行判断，给出诊断建议，计算患者心脏病风险，将大量风险因素转化为一个特征，使其在对心梗三项标志物检测结果使用机器学习算法时提高算法的运算效率，提升检出率。
在一个具体的应用场景中，一个医院有多台仪器处于一个局域网，该局域网内设置一台仪器为主机，一台为备用主机；
数据上传时，局域网内其他仪器的数据传给主机，由主机上传给服务器，数据下发时，由服务器下发给主机，主机再传给目标仪器；
软件/固件更新时，版本由服务器推给主机，主机下载好后在空闲时间推给局域网内的其他仪器进行更新；
当服务器在规定时间内得不到主机应答时，服务器尝试和备用主机通信，备用主机正常响应后，该备用机被视为主机和服务器进行通信，同时上报主机异常的信息提示处理。
可选的，所述主机与服务器之间数据传输方式为TCP长连接。
现有的通信方式为每台仪器都会和server通信，传输方式为TCP，若为短连接，请求频繁，将在TCP的建立和关闭操作上浪费时间和带宽；若为长连接，可以省去较多的TCP建立和关闭的操作，减少浪费，节约时间，但是由于所有医院的所有仪器都需要和server通信，仪器与server之间的连接如果一直不关闭，随着数量的增加，客户端连接越来越多，server会吃不消。因而现有的传输方式需要改善，使用局域网主机通信模式，既能减轻server的压力，又能提高通信效率。
可选的，所述服务器包括患者心血管疾病风险计算模块和样本判断模块；
所述患者心血管疾病风险计算模块，用于基于选定的自变量和因变量，通过回归模块预测疾病风险；
所述样本判断模块，用于基于所述疾病风险和预训练的样本判断模型对样本数据进行判断。
可选的，所述患者心血管疾病风险计算模块，用于基于选定的自变量和因变量，通过回归模块预测疾病风险中：
所述自变量包括年龄、血压、总胆固醇、高密度胆固醇、是否吸烟和是否为糖尿病；
所述因变量包括发病或死亡。
可选的，所述疾病风险基于发病率P进行判断；
所述发病率
Figure DEST_PATH_IMAGE010
，
其中，
Figure DEST_PATH_IMAGE011
为各影响因素的偏回归系数，
Figure DEST_PATH_IMAGE012
为每个人各影响因素的大小，
Figure DEST_PATH_IMAGE013
为人群中各影响因素的平均大小。
Figure DEST_PATH_IMAGE014
为在时间t的平均生存函数。
可选的，
Figure DEST_PATH_IMAGE015
0.0533(a-48.3)+0.0948(b 1-0.2)+0(b 2-0.24)+0.4225(b 3-0.2)+
0.6596(b 4-0.23)+0.8964(b 5-0.13)+(-0.3781)(c 1-0.07)+0(c 2-0.31)+
0.5696(c 3-0.39)+0.7438(c 4-0.17)+0.8284(c 5-0.06)+0.6074(h 1-0.19)+
0.3684(h 2-0.36)+0(h 3-0.15)+0.0(h 4-0.19)+(-0.4608)(h 5-0.11)+0.7277(s-0.4)+
0.5252(d-0.05)，
其中，a为年龄值，b为血压分类，b1为最佳血压，b2为正常血压（基准血压），b3为正常高值血压，b4为一级高血压，b5为二级高血压；c为总胆固醇分类，c 1为<160类，c 2为160-199类（基类），c 3为200-239类，c 4为240-279类，c 5为≥280类；h为高密度胆固醇分类，h 1为<35类，h 2为35-44类，h 3为45-49类（基类），h 4为50-59类，h 5为≥60类；s为吸烟者；d为糖尿患者病，b、c、h、s、d中满足条件为1，否则为0。即如c 1为<160类，则公式中的c 1为1，c 2、c 3、c 4、c 5则为0，h同理，如患者吸烟则s为1，不吸烟则为0，d同理。
心血管疾病发病是多种因素造成的，相关报告指出心血管病的主要危险因素为高血压、吸烟、血脂、糖尿病，另外年龄也是心血管疾病的重要因素，若建立风险评估模型需采用多元回归方法，并且由于研究数据经常会出现缺失及截尾等情况，因而本实施例采用Cox回归模型解决该类问题。Cox模型是一种处理多因素生存分析方法，另外也可以对缺失数据进行分析，当病人各因素为已知条件时，可预测风险率指标，并且Cox模型不受数据分布影响，适用于任何分布，是一种理想的用于风险评估的模型。
以年龄，血压，总胆固醇，高密度胆固醇，吸烟，糖尿病为自变量，以发病或死亡作为因变量，通过Cox回归模型预测心血管疾病发病或死亡的可能性，即绝对危险度。
一般病人在t时刻的生存率为
Figure DEST_PATH_IMAGE016
，发病率为
Figure DEST_PATH_IMAGE017
，亦即
Figure DEST_PATH_IMAGE018
，
Figure DEST_PATH_IMAGE019
为各影响因素的偏回归系数，
Figure DEST_PATH_IMAGE020
为每个人各影响因素的大小，
Figure DEST_PATH_IMAGE021
为人群中各影响因素的平均大小。
Figure DEST_PATH_IMAGE022
为在时间t的平均生存函数。使用历史数据统计分析，
Figure DEST_PATH_IMAGE023
。
可选的，所述预训练的样本判断模型以心梗三联检测结果及发病率P为特征进行算法学习。
可选的，所述样本判断模型包括强分类器和弱分类器；
所述强分类器基于所有弱分类器的加权表决；
即
Figure DEST_PATH_IMAGE024
，
其中，
Figure DEST_PATH_IMAGE025
是弱分类器的权重，t为弱分类器的数量，
Figure DEST_PATH_IMAGE026
为弱分类器。
可选的，所述弱分类器的权重基于弱分类器在训练集上的加权误差率得到。
样本判断模型使用机器学习算法进行样本训练。
针对同一个训练集训练不同的弱分类器，然后把这些弱分类器集合起来，构成一个更强的最终分类器（强分类器）。分类精度很高，且构造简单，非常灵活，原理可理解，不容易发生过拟合。
待测样本包括正样本和负样本，正样本和负样本比例为1：3，训练集与测试集比例为7：3。
定义弱分类器为
Figure DEST_PATH_IMAGE027
，x为输入样本，弱分类器的输出值为1或-1，-1表示输出为负类，1表示正类。预测结果为
Figure DEST_PATH_IMAGE028
，括号表达式即
Figure DEST_PATH_IMAGE029
为正时sign(*)取1，否则取-1。
选取cTnI（ct），CK-MB（ck），Myo（my）检测结果以及心血管病风险等级R（r）为特征。
训练集样本是：
Figure DEST_PATH_IMAGE030
，
Figure DEST_PATH_IMAGE031
对应类标（取值为±1）。
训练集在第k个弱学习器的样本权重为
Figure DEST_PATH_IMAGE032
。
则第k个弱分类器
Figure DEST_PATH_IMAGE033
在训练集上的加权误差率为
Figure DEST_PATH_IMAGE034
。
第k个弱分类器
Figure DEST_PATH_IMAGE035
的权重系数为：
Figure DEST_PATH_IMAGE036
。
也就是，误差率小的弱分类器权重系数越大。
第k+1个弱分类器的样本集权重系数为：
Figure DEST_PATH_IMAGE037
。
Figure DEST_PATH_IMAGE038
是规范化因子：
Figure DEST_PATH_IMAGE039
。
从w的计算公式可以看出，如果第i个样本分类错误，则
Figure DEST_PATH_IMAGE040
，导致样本的权重在第k+1个弱分类器中增大，如果分类正确，则权重在第k+1个弱分类器中减少。亦即之前分类错误的数据在下一个弱分类器中着重训练，以期分类正确。
最终的强分类器为所有弱分类器的加权表决，即
Figure DEST_PATH_IMAGE041
，
Figure DEST_PATH_IMAGE042
是弱分类器的权重，t为弱分类器的数量。
图2为样本判断模块的工作流程图，如图2所示，经上述训练之后形成算法，应用该算法先分类出阴性和阳性，再对阳性样本分类，分类ACS（急性冠脉综合征）和AMI（急性心肌梗死）。
本实施公开的系统具有以下优点：
1、该系统可以实时接收检测数据，使得数据信息得以保留和计算。
2、区域局域网内所有仪器组成一个单元小组，其中一台设定为主机，一台为备用主机，局域网内其他仪器数据传给主机，由主机负责和实时数据中心交互，当仪器数量大时提高仪器和云端的通信效率。
3、心脏病的诊断除考虑检测结果外还要结合患者的各种风险因素，且风险因素众多，在机器学习中要引入如此多的特征消耗机器学习时间和运算力，且分类性能变差。本实施例通过Cox回归模型首先将各风险因素计算成患者心血管病的发病率P，从而将各风险因素合并为一个特征应用于4中的机器学习中，降维的同时没有减损重要特征，因而降低了算法的复杂度，提升运算效率.
4、以心梗三联 - cTnI，CK-MB，Myo检测结果及发病率P为特征进行算法学习，可以提高检出率，给出阴性，心肌损伤，心梗的诊断提示，帮助临床诊断。
另外本实施例还公开了医疗器材，包括：本实施例公开的心脏标志物POCT系统。
以上结合具体实施例描述了本发明的基本原理，但是，需要指出的是，在本发明中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本发明的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本发明为必须采用上述具体的细节来实现。
在本发明中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序，本发明中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
另外，如在此使用的，在以“至少一个”开始的项的列举中使用的“或”指示分离的列举，以便例如“A、B或C的至少一个”的列举意味着A或B或C，或AB或AC或BC，或ABC（即A和B和C）。此外，措辞“示例的”不意味着描述的例子是优选的或者比其他例子更好。
还需要指出的是，在本发明的系统和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本发明的等效方案。
可以不脱离由所附权利要求定义的教导的技术而进行对在此所述的技术的各种改变、替换和更改。此外，本发明的权利要求的范围不限于以上所述的处理、机器、制造、事件的组成、手段、方法和动作的具体方面。可以利用与在此所述的相应方面进行基本相同的功能或者实现基本相同的结果的当前存在的或者稍后要开发的处理、机器、制造、事件的组成、手段、方法或动作。因而，所附权利要求包括在其范围内的这样的处理、机器、制造、事件的组成、手段、方法或动作。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本发明。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本发明的范围。因此，本发明不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本发明的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。

Claims (10)

1.一种心脏标志物POCT系统，其特征在于，包括：
多个心脏标志物POCT仪器，各心脏标志物POCT仪器包括壳体、通信芯片和检测模块，所述通信芯片和所述检测模块设置在壳体内，所述检测模块用于检测心脏的至少一个生物学参数，所述通信芯片用于数据传输，所述检测模块与所述通信芯片电连接；
所述多个心脏标志物POCT仪器中的至少一个心脏标志物POCT仪器设置为主机，除主机外的其他心脏标志物POCT仪器采集的生物学参数均传输至主机，所述主机将接收的生物学参数传输至服务器；
所述服务器的数据经所述主机传输至除主机外的其他心脏标志物POCT仪器；
所述多个心脏标志物POCT仪器的更新文件经所述服务器推送给主机后，下载更新文件至所述主机，所述服务器对心脏标志物POCT系统的通信网络及每个心脏标志物POCT仪器的工作量进行监测，当监测到心脏标志物POCT仪器工作量低于设定第一阈值且通信网络繁忙度低于设定第二阈值时，将所述更新文件传输至相应的心脏标志物POCT仪器。
2.根据权利要求1所述的心脏标志物POCT系统，其特征在于，所述主机与服务器之间数据传输方式为TCP长连接。
3.根据权利要求1所述的心脏标志物POCT系统，其特征在于，所述服务器包括患者心血管疾病风险计算模块和样本判断模块；
所述患者心血管疾病风险计算模块，用于基于选定的自变量和因变量，通过回归模块预测疾病风险；
所述样本判断模块，用于基于所述疾病风险和预训练的样本判断模型对样本数据进行判断。
4.根据权利要求3所述的心脏标志物POCT系统，其特征在于，所述患者心血管疾病风险计算模块，用于基于选定的自变量和因变量，通过回归模块预测疾病风险：
所述自变量包括年龄、血压、总胆固醇、高密度胆固醇、是否吸烟和是否为糖尿病；
所述因变量包括发病或死亡。
5.根据权利要求4所述的心脏标志物POCT系统，其特征在于，所述疾病风险基于发病率P进行判断；
所述发病率
Figure DEST_PATH_IMAGE001
，
其中，
Figure DEST_PATH_IMAGE002
为各影响因素的偏回归系数，
Figure DEST_PATH_IMAGE003
为每个人各影响因素的大小，
Figure DEST_PATH_IMAGE004
为人群中各影响因素的平均大小，
Figure DEST_PATH_IMAGE005
为在时间t的平均生存函数。
6.根据权利要求5所述的心脏标志物POCT系统，其特征在于，
Figure DEST_PATH_IMAGE006
0.0533(a-48.3)+0.0948(b 1-0.2)+0(b 2-0.24)+0.4225(b 3-0.2)+
0.6596(b 4-0.23)+0.8964(b 5-0.13)+(-0.3781)(c 1-0.07)+0(c 2-0.31)+
0.5696(c 3-0.39)+0.7438(c 4-0.17)+0.8284(c 5-0.06)+0.6074(h 1-0.19)+
0.3684(h 2-0.36)+0(h 3-0.15)+0.0(h 4-0.19)+(-0.4608)(h 5-0.11)+0.7277(s-0.4)+
0.5252(d-0.05)，
其中，a为年龄值；b为血压分类，b1为最佳血压，b2为正常血压，b3为正常高值血压，b4为一级高血压，b5为二级高血压；c为总胆固醇分类，c 1为<160类，c 2为160-199类，c 3为200-239类，c 4为240-279类，c 5为≥280类；h为高密度胆固醇分类，h 1为<35类，h 2为35-44类，h 3为45-49类，h 4为50-59类，h 5为≥60类；s为吸烟者；d为糖尿患者病，b、c、h、s、d中满足条件为1，否则为0。
7.根据权利要求3所述的心脏标志物POCT系统，其特征在于，所述预训练的样本判断模型以cTnI、CK-MB和Myo的检测结果及发病率P为特征进行算法学习。
8.根据权利要求7所述的心脏标志物POCT系统，其特征在于，所述样本判断模型包括强分类器和弱分类器；
所述强分类器基于所有弱分类器的加权表决；
即
Figure DEST_PATH_IMAGE007
，
其中，
Figure DEST_PATH_IMAGE008
是弱分类器的权重，t为弱分类器的数量，
Figure DEST_PATH_IMAGE009
为弱分类器。
9.根据权利要求8所述的心脏标志物POCT系统，其特征在于，所述弱分类器的权重基于弱分类器在训练集上的加权误差率得到。
10.一种医疗器材，其特征在于，包括：权利要求1至9任一所述的心脏标志物POCT系统。
CN202210298481.3A 2022-03-25 2022-03-25 心脏标志物poct系统及医疗器材 Active CN114388121B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210298481.3A CN114388121B (zh) 2022-03-25 2022-03-25 心脏标志物poct系统及医疗器材

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210298481.3A CN114388121B (zh) 2022-03-25 2022-03-25 心脏标志物poct系统及医疗器材

Publications (2)

Publication Number Publication Date
CN114388121A true CN114388121A (zh) 2022-04-22
CN114388121B CN114388121B (zh) 2022-06-03

Family

ID=81205580

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210298481.3A Active CN114388121B (zh) 2022-03-25 2022-03-25 心脏标志物poct系统及医疗器材

Country Status (1)

Country Link
CN (1) CN114388121B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110144914A1 (en) * 2009-12-09 2011-06-16 Doug Harrington Biomarker assay for diagnosis and classification of cardiovascular disease
CN105187536A (zh) * 2015-09-15 2015-12-23 贵阳朗玛信息技术股份有限公司 一种数据上传的方法及数据转发服务器
CN105193406A (zh) * 2015-09-29 2015-12-30 滕大志 一种医用检测装置
CN205594633U (zh) * 2016-04-20 2016-09-21 吉林大学 一种高效的急诊护理服务系统
CN112386226A (zh) * 2020-10-16 2021-02-23 中国科学院大学温州研究院(温州生物材料与工程研究所) 一种基于poct的疾病预防控制方法及系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110144914A1 (en) * 2009-12-09 2011-06-16 Doug Harrington Biomarker assay for diagnosis and classification of cardiovascular disease
CN105187536A (zh) * 2015-09-15 2015-12-23 贵阳朗玛信息技术股份有限公司 一种数据上传的方法及数据转发服务器
CN105193406A (zh) * 2015-09-29 2015-12-30 滕大志 一种医用检测装置
CN205594633U (zh) * 2016-04-20 2016-09-21 吉林大学 一种高效的急诊护理服务系统
CN112386226A (zh) * 2020-10-16 2021-02-23 中国科学院大学温州研究院(温州生物材料与工程研究所) 一种基于poct的疾病预防控制方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
魏炜 等: "用SUS在局域网内更新windows安全补丁", 《广东气象》 *
魏炜 等: "用SUS在局域网内更新windows安全补丁", 《广东气象》, no. 4, 31 December 2005 (2005-12-31), pages 45 - 47 *

Also Published As

Publication number Publication date
CN114388121B (zh) 2022-06-03

Similar Documents

Publication Publication Date Title
CN111782472B (zh) 系统异常检测方法、装置、设备及存储介质
WO2020181805A1 (zh) 糖尿病的预测方法及装置、存储介质、计算机设备
Han et al. Diabetes data analysis and prediction model discovery using rapidminer
TWI689871B (zh) 梯度提升決策樹（ｇｂｄｔ）模型的特徵解釋方法和裝置
CN112435714B (zh) 一种肿瘤免疫亚型分类方法及系统
CN109785973B (zh) 一种手术患者在围手术期发生并发症的定量预测方法
CN105488539B (zh) 分类模型的生成方法及装置、系统容量的预估方法及装置
Farrell et al. Network model of human aging: Frailty limits and information measures
Boehringer et al. Automated syndrome detection in a set of clinical facial photographs
CN110379521B (zh) 基于信息论的医疗数据集特征选择方法
CN113782183B (zh) 一种基于多算法融合的压力性损伤风险预测装置及方法
JP4254892B1 (ja) 特徴量候補作成装置および特徴量候補作成方法
CN113593697A (zh) 一种基于呼吸气味判断疾病的系统、设备及介质
CN111986814A (zh) 一种红斑狼疮患者的狼疮性肾炎预测模型的建模方法
CN114388121B (zh) 心脏标志物poct系统及医疗器材
Xia et al. Benchmarking uncertainty quantification on biosignal classification tasks under dataset shift
CN109509517A (zh) 一种医学检验检查指标自动修正的方法
CN110728315B (zh) 一种实时质量控制方法，系统和设备
TWI790479B (zh) 生理狀態評估方法與生理狀態評估裝置
Riyaz et al. Ensemble Learning for Coronary Heart Disease Prediction
US11289202B2 (en) Method and system to improve clinical workflow
CN114145844A (zh) 一种基于深度学习算法的腹腔镜手术人工智能云辅助系统
CN113069108A (zh) 用户状态监测方法、装置、电子设备及存储介质
Gorzałczany et al. Cluster analysis via dynamic self-organizing neural networks
Gültepe et al. A Study of Data Mining Methods for Breast Cancer 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
GR01 Patent grant
GR01 Patent grant