CN114566293B - 一种crrt停机决策辅助系统及方法 - Google Patents
一种crrt停机决策辅助系统及方法 Download PDFInfo
- Publication number
- CN114566293B CN114566293B CN202210195742.9A CN202210195742A CN114566293B CN 114566293 B CN114566293 B CN 114566293B CN 202210195742 A CN202210195742 A CN 202210195742A CN 114566293 B CN114566293 B CN 114566293B
- Authority
- CN
- China
- Prior art keywords
- crrt
- data
- patient
- physiological parameter
- shutdown
- 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
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
- G16H80/00—ICT specially adapted for facilitating communication between medical practitioners or patients, e.g. for collaborative diagnosis, therapy or health monitoring
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
- A61M1/00—Suction or pumping devices for medical purposes; Devices for carrying-off, for treatment of, or for carrying-over, body-liquids; Drainage systems
- A61M1/14—Dialysis systems; Artificial kidneys; Blood oxygenators ; Reciprocating systems for treatment of body fluids, e.g. single needle systems for hemofiltration or pheresis
- A61M1/16—Dialysis systems; Artificial kidneys; Blood oxygenators ; Reciprocating systems for treatment of body fluids, e.g. single needle systems for hemofiltration or pheresis with membranes
- A61M1/1601—Control or regulation
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
- A61M1/00—Suction or pumping devices for medical purposes; Devices for carrying-off, for treatment of, or for carrying-over, body-liquids; Drainage systems
- A61M1/14—Dialysis systems; Artificial kidneys; Blood oxygenators ; Reciprocating systems for treatment of body fluids, e.g. single needle systems for hemofiltration or pheresis
- A61M1/16—Dialysis systems; Artificial kidneys; Blood oxygenators ; Reciprocating systems for treatment of body fluids, e.g. single needle systems for hemofiltration or pheresis with membranes
- A61M1/1601—Control or regulation
- A61M1/1603—Regulation parameters
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
- G01N33/483—Physical analysis of biological material
- G01N33/487—Physical analysis of biological material of liquid biological material
- G01N33/49—Blood
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
- G01N33/483—Physical analysis of biological material
- G01N33/487—Physical analysis of biological material of liquid biological material
- G01N33/493—Physical analysis of biological material of liquid biological material urine
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
-
- 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
- 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
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
- A61M2230/00—Measuring parameters of the user
- A61M2230/20—Blood composition characteristics
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
- A61M2230/00—Measuring parameters of the user
- A61M2230/20—Blood composition characteristics
- A61M2230/205—Blood composition characteristics partial oxygen pressure (P-O2)
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
- A61M2230/00—Measuring parameters of the user
- A61M2230/30—Blood pressure
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- Urology & Nephrology (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Hematology (AREA)
- Pathology (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Primary Health Care (AREA)
- Molecular Biology (AREA)
- Epidemiology (AREA)
- Chemical & Material Sciences (AREA)
- Heart & Thoracic Surgery (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Animal Behavior & Ethology (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Veterinary Medicine (AREA)
- Software Systems (AREA)
- Emergency Medicine (AREA)
- Anesthesiology (AREA)
- Vascular Medicine (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- General Business, Economics & Management (AREA)
- Bioinformatics & Cheminformatics (AREA)
Abstract
本发明涉及数据挖掘技术领域,公开了一种CRRT停机决策辅助系统及方法,其中的系统包括有患者生理参数监测设备、数据采集器、中间设备、医护工作站设备和中心服务器,其中,所述中心服务器用于对上传数据进行病历档案记录,并根据所有已治患者的且在CRRT停机前采集的第一生理参数监测数据及在CRRT停机后针对关注指标的检测值和在治患者的且当前采集的第二生理参数监测数据,估算得到所述在治患者的且在假定CRRT停机后针对所述关注指标的预测数值,最后通过向医护人员展示该预测数值,可在对所述在治患者做出是否进行CRRT停机的决策时,为医护人员提供参考辅助信息,进而可丰富参考信息量,辅助临床医生准确做出CRRT停机决策。
Description
技术领域
本发明属于数据挖掘技术领域,具体地涉及一种CRRT停机决策辅助系统及方法。
背景技术
连续性肾脏替代治疗(Continuous Renal Replacement Therapy,CRRT)是一项每天进行24小时或接近24小时的长时间、连续的新型血液净化技术。连续性肾脏替代治疗(CRRT) 技术的发展已经有40余年,治疗理念已经从单纯的“肾脏替代”逐渐过渡到“脏器支持”的体外辅助生命支持治疗手段,特别是在危重症患者的救治中,CRRT扮演着极其重要的角色,已经成为危重症患者不可或缺的一项体外生命支持治疗技术。
CRRT作为血液净化的重大进步,是治疗AKI(Acute Kidney Injury,急性肾损伤)的重要医疗手段,但是其也作为一种较新的治疗方法,在许多方面仍存在较多争议,包括开始及结束的时机、作用模式及透析计量等问题。在CRRT治疗AKI患者的预后,若停机7天后未再接受CRRT治疗,则判定停机成功,可以增加患者生存率、加快肾脏恢复速度、缩短ICU(Intensive Care Unit,重症加强护理病房)住院时间、减少CRRT并发症和大大降低治疗费用等,而若停机7天内再次接受CRRT治疗,则判定停机失败,将会导致患者死亡率增加、肾脏恢复概率降低、延长ICU住院时间和增加CRRT并发症及治疗费用等。目前,对于CRRT 停机时机主要取决于临床医生临床诊治经验,并受到诊疗中心医疗资源及病人包括经济因素在内的一些自身因素的影响。恰当的CRRT停机时机不仅能够改善患者预后,还能有助于合理分配医疗资源和降低患者经济压力等。
在当前的临床实践中,主要是通过观测患者日内尿量及血肌酐水平等来评估患者肾功能恢复情况,从而选择停机时机,即在对在治患者做出是否进行CRRT停机的决策时,临床医生主要参考已测得的患者日内尿量及血肌酐水平等信息,存在参考信息量不足以及停机时机判断准确性有限的问题。因此,如何基于数据挖据技术得到在治患者的且在假定CRRT停机后针对关注指标(例如日内尿量及血肌酐水平等)的预测数值,以便丰富参考信息量,辅助临床医生准确做出CRRT停机决策,是本领域技术人员亟需研究的课题。
发明内容
为了解决现有在对在治患者做出是否进行CRRT停机的决策时,所存在参考信息量不足以及停机时机判断准确性有限的问题,本发明目的在于提供一种CRRT停机决策辅助系统及方法,可根据所有已治患者的且在CRRT停机前采集的第一生理参数监测数据及在CRRT停机后针对关注指标的检测值和在治患者的且当前采集的第二生理参数监测数据,估算得到所述在治患者的且在假定CRRT停机后针对所述关注指标的预测数值,并通过向医护人员展示该预测数值,可在对所述在治患者做出是否进行CRRT停机的决策时,为医护人员提供参考辅助信息,进而可丰富参考信息量,辅助临床医生准确做出CRRT停机决策,如此不仅利于改善患者预后,还能有助于合理分配医疗资源和降低患者经济压力等。
第一方面,本发明提供了一种CRRT停机决策辅助系统,包括有患者生理参数监测设备、数据采集器、中间设备、医护工作站设备和中心服务器,其中,所述中间设备包括有路由器和/或交换机;
所述患者生理参数监测设备,用于在连续性肾脏替代治疗CRRT过程中实时获取在治患者的生理参数监测数据;
所述数据采集器,用于实时采集由所述患者生理参数监测设备获取的所述生理参数监测数据;
所述中间设备,分别通信连接所述数据采集器和所述中心服务器,用于将来自所述数据采集器的所述生理参数监测数据集中传送至所述中心服务器;
所述医护工作站设备,通信连接所述中心服务器,用于录入已治患者的且在CRRT停机后针对关注指标的检测值,并将录入数据传送至所述中心服务器;
所述中心服务器,一方面用于将所述生理参数监测数据记录到所述在治患者的病例档案中,以及将所述录入数据记录到所述已治患者的病例档案中,另一方面用于根据所有已治患者的且在CRRT停机前采集的第一生理参数监测数据及在CRRT停机后针对所述关注指标的检测值和所述在治患者的且当前采集的第二生理参数监测数据,估算得到所述在治患者的且在假定CRRT停机后针对所述关注指标的预测数值,并将所述预测数值传送至所述医护工作站设备进行输出展示,以便在对所述在治患者做出是否进行CRRT停机的决策时,为医护人员提供参考辅助信息。
基于上述发明内容,提供了一种能够丰富停机参考信息量的CRRT辅助决策方案,即包括有患者生理参数监测设备、数据采集器、中间设备、医护工作站设备和中心服务器,其中,所述患者生理参数监测设备、所述数据采集器和中间设备用于在连续性肾脏替代治疗CRRT 过程中实时获取在治患者的生理参数监测数据并实现监测数据的上传,所述医护工作站设备用于录入已治患者的且在CRRT停机后针对关注指标的检测值并实现录入数据的上传,所述中心服务器用于对上传数据进行病历档案记录,并根据所有已治患者的且在CRRT停机前采集的第一生理参数监测数据及在CRRT停机后针对所述关注指标的检测值和所述在治患者的且当前采集的第二生理参数监测数据,估算得到所述在治患者的且在假定CRRT停机后针对所述关注指标的预测数值,最后通过向医护人员展示该预测数值,可在对所述在治患者做出是否进行CRRT停机的决策时,为医护人员提供参考辅助信息,进而可丰富参考信息量,辅助临床医生准确做出CRRT停机决策,不仅利于改善患者预后,还能有助于合理分配医疗资源和降低患者经济压力等。
在一个可能的设计中,所述患者生理参数监测设备包括有血压器、血气分析仪和/或床旁血滤机。
在一个可能的设计中,当所述患者生理参数监测设备包括有床旁血滤机时,所述数据采集器包括有摄像头模块、处理模块、WiFi通信模块和电池模块,其中,所述摄像头模块安装在所述床旁血滤机的机器屏幕一侧,并使镜头侧视所述机器屏幕;
所述摄像头模块,用于采集所述机器屏幕的实时监测图像;
所述处理模块,通信连接所述摄像头模块,用于在收到所述实时监测图像后,根据所述实时监测图像识别得到在所述机器屏幕中显示的且与多个参数指标一一对应的多个实时数值;
所述WiFi通信模块,分别通信连接所述处理模块和具有WiFi无线通信功能的路由器,用于通过所述路由器,将所述多个实时数值作为所述生理参数监测数据传送至所述中心服务器;
所述电池模块,分别电连接所述摄像头模块、所述处理模块和所述WiFi通信模块的供电端。
第二方面,本发明提供了一种CRRT停机决策辅助方法,适用于如第一方面或第一方面中任意可能设计所述的CRRT停机决策辅助系统的中心服务器执行,包括:
获取M个已治患者的且在CRRT停机前采集的第一生理参数监测数据及在CRRT停机后针对关注指标的检测值,其中,所述第一生理参数监测数据包含有与N个生理参数一一对应的 N个第一数值,M表示不小于300的自然数,N表示不小于64的自然数;
针对所述M个已治患者中的各个已治患者,将对应的所述N个第一数值分别编码为红绿蓝RGB三通道颜色值,得到对应的且包含有N个RGB值的生理数据样本;
针对所述各个已治患者,根据预设的至少两个数值区间和对应的检测值,确定对应的所属数值区间;
从M个生理数据样本中抽取m个生理数据样本作为训练样本,并将与同一个已治患者对应的所属数值区间作为训练样本的分类标签,得到训练样本集,其中,m为不小于200的自然数,并使m/M介于0.6~0.8之间;
针对所述训练样本集中的各个生理数据样本,根据对应的N个RGB值,绘制得到对应的且像素矩阵为n*n的训练样本图像,其中,n为不小于N的平方根的自然数;
将所有训练样本图像及对应的分类标签输入卷积神经网络CNN模型中进行训练,并在训练过程中出现训练集准确率达到预设高值区间且变化幅度小于预设幅度阈值的情况时,采用自适应梯度AdaGrad算法调整学习率,然后继续训练,直到学习率调整幅度小于预设调整阈值时,停止训练,得到完成训练的CNN模型;
获取在治患者的且当前采集的第二生理参数监测数据,其中,所述第二生理参数监测数据包含有与所述N个生理参数一一对应的N个第二数值;
将所述N个第二数值分别编码为红绿蓝RGB三通道颜色值,得到包含有N个RGB值的当前生理数据;
根据所述当前生理数据中的N个RGB值,绘制得到像素矩阵为n*n的待分类图像;
将所述待分类图像输入所述完成训练的CNN模型,得到分类标签识别结果;
根据所述分类标签识别结果,确定所述在治患者的且在假定CRRT停机后针对所述关注指标的预测数值区间;
将所述预测数值区间传送至所述医护工作站设备进行输出展示,以便在对所述在治患者做出是否进行CRRT停机的决策时,为医护人员提供参考辅助信息。
在一个可能的设计中,所述CNN模型采用蝶形反馈神经网络BF-net,其中,所述蝶形反馈神经网络BF-net包括有依次串联的个蝶形反馈块、全连接层和输出层,所述个蝶形反馈块中各个蝶形反馈块分别包含有块输入层、左路第一卷积层、左路第二卷积层、右路第一卷积层、右路第二卷积层和块输出层,所述块输入层分别连接所述左路第一卷积层、所述右路第一卷积层和所述块输出层,所述左路第一卷积层连接所述左路第二卷积层且采用线性整流ReLu函数作为所述左路第二卷积层的激活函数,所述右路第一卷积层连接所述右路第二卷积层且也采用线性整流ReLu函数作为所述右路第二卷积层的激活函数,所述左路第二卷积层和所述右路第二卷积层分别连接所述块输出层,所述块输出层用于对收到的多个图像素据进行相加处理并输出相加结果,为介于16~32之间的自然数,所述输出层采用归一化指数Softmax函数。
在一个可能的设计中,所述左路第一卷积层和所述左路第二卷积层分别采用大小为3*3 的卷积核,所述右路第一卷积层和所述右路第二卷积层分别采用大小为5*5的卷积核。
在一个可能的设计中,在针对所述训练样本集中的各个生理数据样本,根据对应的N个 RGB值,绘制得到对应的且像素矩阵为n*n的训练样本图像之前,所述方法还包括:
针对各个分类标签,判断所述训练样本集中的对应训练样本数是否小于预设样本数阈值,若是,则采用合成少数过采样技术SMOTE算法对训练样本进行数值均衡处理,得到训练样本数增加的训练样本集。
在一个可能的设计中,针对所述M个已治患者中的各个已治患者,将对应的所述N个第一数值分别编码为红绿蓝RGB三通道颜色值,得到对应的且包含有N个RGB值的生理数据样本,包括:
通过变换数值单位的方式,将所述第一数值变换为介于在区间[0,16777215]内的待转数值;
将所述待转数值从十进制数字转换为二进制数字;
从左至右对所述二进制数字进行补0,得到24位二进制数字;
将所述24位二进制数字中的前8位二进制数字转换为十进制数字,得到所述红绿蓝RGB 三通道颜色值中的红色通道颜色值;
将所述24位二进制数字中的中8位二进制数字转换为十进制数字,得到所述红绿蓝RGB 三通道颜色值中的绿色通道颜色值;
将所述24位二进制数字中的后8位二进制数字转换为十进制数字,得到所述红绿蓝RGB 三通道颜色值中的蓝色通道颜色值。
在一个可能的设计中,所述关注指标包含有日内尿量、血肌酐浓度、中性粒细胞明胶酶相关脂质运载蛋白NGAL浓度、金属蛋白酶组织抑制因子TIMP-2浓度和/或胰岛素样生长因子结合蛋白IGFBP7浓度。第六方面,本发明提供了一种包含指令的计算机程序产品,当所述指令在计算机上运行时,使所述计算机执行如第一方面或第一方面中任意可能设计所述的方法。
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是本发明提供的CRRT停机决策辅助系统的结构示意图。
图2是本发明提供的在CRRT停机决策辅助系统中数据采集器的原理结构示意图。
图3是本发明提供的在数据采集器中处理模块进行屏幕参数实时采集的方法流程示意图。
图4是本发明提供的实时屏幕图像、待校正屏幕图像、待切屏幕图像、待切字符串图像及字符图像的依次获取示例图。
图5是本发明提供的数值显示区标准图像与K对字符切割线的位置关系示例图。
图6是本发明提供的CRRT停机决策辅助方法的流程示意图。
图7是本发明提供的蝶形反馈神经网络BF-net的结构示意图。
上述附图中:1-患者生理参数监测设备;11-血压器;12-血气分析仪;13-床旁血滤机; 2-数据采集器;31-路由器;32-交换机;4-医护工作站设备;5-中心服务器。
具体实施方式
下面结合附图及具体实施例来对本发明作进一步阐述。在此需要说明的是,对于这些实施例方式的说明虽然是用于帮助理解本发明,但并不构成对本发明的限定。本文公开的特定结构和功能细节仅用于描述本发明示例的实施例。然而,可用很多备选的形式来体现本发明,并且不应当理解为本发明限制在本文阐述的实施例中。
应当理解,尽管本文可能使用术语第一和第二等等来描述各种对象,但是这些对象不应当受到这些术语的限制。这些术语仅用于区分一个对象和另一个对象。例如可以将第一对象称作第二对象,并且类似地可以将第二对象称作第一对象,同时不脱离本发明的示例实施例的范围。
应当理解,对于本文中可能出现的术语“和/或”,其仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A、单独存在B或者同时存在A和B等三种情况;对于本文中可能出现的术语“/和”,其是描述另一种关联对象关系,表示可以存在两种关系,例如,A/和B,可以表示:单独存在A或者同时存在A和B等两种情况;另外,对于本文中可能出现的字符“/”,一般表示前后关联对象是一种“或”关系。
如图1所示,本实施例第一方面提供的所述CRRT停机决策辅助系统,包括但不限于有患者生理参数监测设备1、数据采集器2、中间设备、医护工作站设备4和中心服务器5,其中,所述中间设备包括但不限于有路由器31和/或交换机32;所述患者生理参数监测设备1,用于在连续性肾脏替代治疗CRRT过程中实时获取在治患者的生理参数监测数据;所述数据采集器2,用于实时采集由所述患者生理参数监测设备1获取的所述生理参数监测数据;所述中间设备,分别通信连接所述数据采集器2和所述中心服务器5,用于将来自所述数据采集器2的所述生理参数监测数据集中传送至所述中心服务器5;所述医护工作站设备4,通信连接所述中心服务器5,用于录入已治患者的且在CRRT停机后针对关注指标的检测值,并将录入数据传送至所述中心服务器5;所述中心服务器5,一方面用于将所述生理参数监测数据记录到所述在治患者的病例档案中,以及将所述录入数据记录到所述已治患者的病例档案中,另一方面用于根据所有已治患者的且在CRRT停机前采集的第一生理参数监测数据及在CRRT停机后针对所述关注指标的检测值和所述在治患者的且当前采集的第二生理参数监测数据,估算得到所述在治患者的且在假定CRRT停机后针对所述关注指标的预测数值,并将所述预测数值传送至所述医护工作站设备4进行输出展示,以便在对所述在治患者做出是否进行CRRT停机的决策时,为医护人员提供参考辅助信息。
如图1所示,在所述CRRT停机决策辅助系统的具体结构中,所述患者生理参数监测设备1为用于连续性肾脏替代治疗CRRT的现有设备,包括但不限于有血压器11、血气分析仪12和/或床旁血滤机13等,其中,所述血压器11可以实时获取所述在治患者的血压监测数据,所述血气分析仪12可以实时获取所述在治患者的血气分析结果监测数据(例如血气的主要指标:PaO2、PaCO2、CaO2、SaO2、TCO2和P50等,酸碱平衡的主要指标:pH、PaCO2、 HCO3-、TCO2、ABE和SBE,以及电解质K+、Na+、Cl-和AG等),所述床旁血滤机13可以实时获取所述在治患者的诸如平均动脉压(英文缩写:MAP,是指心动周期的平均血压,正常值为70~105mmHg)、中心静脉压(英文缩写:CVP,是测定上、下腔静脉或右心房内的压力,评估血容量、右心前负荷及右心功能的重要指标,正常值为5~12cmH2O)、肺动脉楔压(英文缩写:PAWP,能比较准确地反映整个循环情况,有助于判定左心室功能,反映血容量是否充足,正常值为0.8~1.6kPa)、肺毛细血管楔压(英文缩写:PCWP,在一般情况下,能较好地反映左心房平均压及左心室舒张末期压)、平均肺动脉压(英文缩写:MPAP,正常值为 1.47~2.0kPa)、心排血量(英文缩写:CO,指每分钟心脏的射血量,由心脏每搏排出量×心率而得,是监测左心功能的最重要指标,正常值为5~6L/min)、每搏排出量(英文缩写: SV,指一次心搏由一侧心室射出的血量)和/或心脏指数(英文缩写:CI,是指每分钟每平方米体表面积的心排血量)等血液动力学数据。由此所述生理参数监测数据会包含有数十种参数指标的实时数值,以便后续进行综合分析和数据挖掘。
所述数据采集器2可以具体由通信电路、物联网芯片主板(其详细电路可采用Raspberry Pi Zero W低功耗芯片方案,并支持WiFi蓝牙数据传输)、电池模块及壳体等组成,其中,所述通信电路可以但不限于包括有WiFi通信模块、串口通信模块、RJ45通信模块和/或USB 通信模块等,以便使所述数据采集器2既可与所述患者生理参数监测设备1的数据导出接口对接,又可与所述路由器31和/或所述交换机32等中间设备建立通信链路。如此所述数据采集器2在与所述患者生理参数监测设备1通信对接后,可实时采集到由所述患者生理参数监测设备1获取的所述生理参数监测数据,然后对所述生理参数监测数据进行编码,最后将编码结果传送至所述中间设备及所述中心服务器5,实现数据上传目的。
所述中间设备和所述医护工作站设备4可具体采用现有软硬件结构实现。所述中心服务器5可具体采用现有的服务器结构,以便一方面用于病历档案记录(即将所述生理参数监测数据记录到所述在治患者的病例档案中,以及将所述录入数据记录到所述已治患者的病例档案中),另一方用于大数据分析/数据挖掘(即根据所有已治患者的且在CRRT停机前采集的第一生理参数监测数据及在CRRT停机后针对所述关注指标的检测值和所述在治患者的且当前采集的第二生理参数监测数据,估算得到所述在治患者的且在假定CRRT停机后针对所述关注指标的预测数值)。所述中心服务器5在针对所述关注指标进行数值预估时,可以具体运用机器深度学习技术(例如基于卷积神经网络等的深度学习模型)来估算得到所述在治患者的且在假定CRRT停机后针对所述关注指标的预测数值,最后通过向医护人员展示该预测数值,可在对所述在治患者做出是否进行CRRT停机的决策时,为医护人员提供参考辅助信息,进而可丰富参考信息量,辅助临床医生准确做出CRRT停机决策,不仅利于改善患者预后,还能有助于合理分配医疗资源和降低患者经济压力等。此外,所述关注指标是指用于在 CRRT停机后观察患者恢复情况的相关指标,可以包含但不限于有日内尿量(其单位为mL/日)、血肌酐浓度、中性粒细胞明胶酶相关脂质运载蛋白NGAL(NeutrophilGelatinase-Associated Lipocalin)浓度、金属蛋白酶组织抑制因子TIMP-2(TissueInhibitor of MetalloProteinases-2)浓度和/或胰岛素样生长因子结合蛋白IGFBP7(Insulin-like Growth Factor-Binding Protein 7)浓度等。
由此基于上述的CRRT停机决策辅助系统,提供了一种能够丰富停机参考信息量的CRRT 辅助决策方案,即包括有患者生理参数监测设备、数据采集器、中间设备、医护工作站设备和中心服务器,其中,所述患者生理参数监测设备、所述数据采集器和中间设备用于在连续性肾脏替代治疗CRRT过程中实时获取在治患者的生理参数监测数据并实现监测数据的上传,所述医护工作站设备用于录入已治患者的且在CRRT停机后针对关注指标的检测值并实现录入数据的上传,所述中心服务器用于对上传数据进行病历档案记录,并根据所有已治患者的且在CRRT停机前采集的第一生理参数监测数据及在CRRT停机后针对所述关注指标的检测值和所述在治患者的且当前采集的第二生理参数监测数据,估算得到所述在治患者的且在假定 CRRT停机后针对所述关注指标的预测数值,最后通过向医护人员展示该预测数值,可在对所述在治患者做出是否进行CRRT停机的决策时,为医护人员提供参考辅助信息,进而可丰富参考信息量,辅助临床医生准确做出CRRT停机决策,不仅利于改善患者预后,还能有助于合理分配医疗资源和降低患者经济压力等。
如图2~4所示,本实施例在前述第一方面的技术方案基础上,还提供了一种如何实现屏幕参数实时采集的可能设计一,即针对有些床旁血滤机13无法提供数据接口通信协议来支持对外输出屏幕显示参数实时数值的情况,可以通过如下设计的且具有屏幕参数实时采集功能的数据采集器2对所述生理参数监测数据进行实时采集:所述数据采集器2包括但不限于有摄像头模块、处理模块、WiFi通信模块和电池模块,其中,所述摄像头模块安装在所述床旁血滤机13的机器屏幕一侧(例如左侧或右侧),并使镜头侧视所述机器屏幕;所述摄像头模块,用于采集所述机器屏幕的实时监测图像(即在无遮挡展示画面内容的同时,拍摄到在倾斜视角下所述机器屏幕的全程显示画面,如图2所示);所述处理模块,通信连接所述摄像头模块,用于在收到所述实时监测图像后,根据所述实时监测图像识别得到在所述机器屏幕中显示的且与多个参数指标一一对应的多个实时数值;所述WiFi通信模块,分别通信连接所述处理模块和具有WiFi无线通信功能的路由器31,用于通过所述路由器31,将所述多个实时数值作为所述生理参数监测数据传送至所述中心服务器5;所述电池模块,分别电连接所述摄像头模块、所述处理模块和所述WiFi通信模块的供电端。
如图2所示,在所述数据采集器2的具体结构中,所述摄像头模块、所述处理模块、所述WiFi通信模块和所述电池模块均可采用现有的常规硬件结构实现,例如,所述摄像头模块可以但不限于采用基于CMOS(Complementary Metal Oxide Semiconductor,互补金属氧化物半导体)图像传感器的摄像头,所述处理模块可以但不限于采用型号为STM32F105系列的微处理器及其外围电路,所述电池模块可以但不限于采用锂电池。具体的,如图3所示,在收到所述实时监测图像后,根据所述实时监测图像识别得到在所述机器屏幕中显示的且与多个参数指标一一对应的多个实时数值,包括但不限于有如下步骤S100~S700。
S100.采用目标检测算法对所述实时监测图像进行屏幕识别处理,得到实时屏幕图像。
在所述步骤S100中,所述目标检测算法是一种用于在图片中将里面的物体识别出来且标记出物体位置的现有人工智能识别算法,具体可以但不限于采用Faster R-CNN(Faster Regions with Convolutional Neural Networks features,由何凯明等在2015年提出目标检测算法,该算法在2015年的ILSVRV和COCO竞赛中获得多项第一)目标检测算法、SSD (Single Shot MultiBox Detector,单镜头多盒检测器,是Wei Liu在ECCV 2016上提出的一种目标检测算法,是目前流行的主要检测框架之一)目标检测算法或YOLO(Youonly look once,目前最新已经发展到V4版本,在业界的应用也很广泛,其基本原理是:首先对输入图像划分成7x7的网格,对每个网格预测2个边框,然后根据阈值去除可能性比较低的目标窗口,最后再使用边框合并的方式去除冗余窗口,得出检测结果)目标检测算法等。因此通过常规的样本训练方式和识别处理方式,可从所述实时监测图像中识别出屏幕,并根据识别结果剪切得到所述实时屏幕图像(如图4所示)。
S200.采用直线检测算法对所述实时屏幕图像进行直线检测处理,确定出四根屏幕边界直线,并在所述实时屏幕图像中将被所述四根屏幕边界直线包围的画面区域剪切出来,得到待校正屏幕图像,其中,所述四根屏幕边界直线包括有左侧边界直线、上侧边界直线、右侧边界直线和下侧边界直线。
在所述步骤S200中,由于所述摄像头模块是在倾斜视角下拍摄所述机器屏幕,因此即使根据屏幕识别结果剪切得到了所述实时屏幕图像,其所包含的图像信息除了屏幕显示区内的图像信息(即所得的屏幕显示画面呈梯形或不规则四边形)外,还包含有位于屏幕显示区周围的部分图像信息,因此需要再次精确剪切得到屏幕显示区内的图像信息(即待梯形校正的屏幕图像)。此外,所述直线检测算法是一种在图像处理领域内用于从图像中检测出直线的基本方法,可以但不限于采用霍夫直线检测(Hough Line Detection)算法。
在所述步骤S200中,还考虑通过所述直线检测算法可能检测出多于四根的直线,为了从这些直线中精准确定出用于限定屏幕显示区边界的所述四根屏幕边界直线,优选的,采用直线检测算法对所述实时屏幕图像进行直线检测处理,确定出四根屏幕边界直线,包括但不限于有如下步骤S201~S203:S201.采用直线检测算法对所述实时屏幕图像进行直线检测处理,得到T根直线,其中,T表示不小于4的正整数;S202.针对基于所述T根直线的各个四根直线组合,分别计算对应的且在所述实时屏幕图像中所围像素点的像素亮度总值;S203. 将与最大像素亮度总值对应的四根直线组合确定为四根屏幕边界直线,其中,所述四根屏幕边界直线包括有左侧边界直线、上侧边界直线、右侧边界直线和下侧边界直线。由于已经根据屏幕识别结果剪切得到实时屏幕图像,并且屏幕显示区的像素亮度普遍高于周围区域,因此通过计算所述各个四根直线组合在所述实时屏幕图像中所围像素点的像素亮度总值,可从所围区域大小和像素亮度两个维度,来确保与最大像素亮度总值对应的四根直线组合必然为四根屏幕边界直线,以便保障后续所得待校正屏幕图像(如图4所示)的剪切准确性。
S300.对所述待校正屏幕图像进行梯形校正处理,得到与屏幕标准图像对齐的待切屏幕图像,其中,所述屏幕标准图像包含但不限于有与参数指标对应的数值显示区标准图像。
在所述步骤S300中,可基于传统的坐标旋转变换和拉伸对齐等方式,对呈梯形或不规则四边形的所述待校正屏幕图像进行梯形校正处理,使得其被校正为方形屏幕图像(如图4 所示)。同时在所述梯形校正处理的过程中,还需根据所述机器屏幕的尺寸大小,对所述方形屏幕图像进行进一步地拉伸对齐,得到与所述屏幕标准图像(其具有所述机器屏幕的尺寸大小)对齐的所述待切屏幕图像。所述参数指标是指在所述机器屏幕上展示的屏幕显示参数指标。所述屏幕标准图像中的所述数值显示区标准图像用于作为与所述参数指标对应的数值显示区切割模板,以便后续切割得到与所述参数指标对应的待切字符串图像,如图4所示,所述待切屏幕图像包含有多个不同参数指标(例如血液、血泵前泵、透析液、置换液、病人脱水量、废液、废液剂量、输入压力、过滤器压力、废液压力和回输压力等)的实时监测数值,因此在所述屏幕标准图像中可以包含有与所述多个不同参数指标一一对应的多个不同数值显示区标准图像;具体的,所述参数指标可以但不限于包含有血液动力学的多个不同监测参数指标,例如包含但不限于有平均动脉压、中心静脉压、肺动脉楔压、肺毛细血管楔压、平均肺动脉压、心排血量、每搏排出量、心脏指数、体循环阻力指数、肺循环阻力指数、左室做功指数和/或右室做功指数等参数指标。
S400.根据所述数值显示区标准图像在所述屏幕标准图像中的位置对所述待切屏幕图像进行数值显示区切割处理,得到与所述参数指标对应的待切字符串图像。
在所述步骤S400中,所述数值显示区标准图像一般为方形图像(即数值显示区为方形区),因此可以根据方形图像边框在所述屏幕标准图像中的位置对所述待切屏幕图像进行切割处理,将切割后位于边框内部的图像作为与所述参数指标对应的待切字符串图像,如图4 所示。
S500.根据切割线标准模板对所述待切字符串图像进行字符切割处理,得到与所述参数指标对应的K个字符图像,其中,K表示与所述参数指标对应的显示数字总数,所述切割线标准模板包含有K对字符切割线分别在所述数值显示区标准图像中的坐标,所述K对字符切割线与所述参数指标的K个显示数字一一对应,所述K对字符切割线中的各对字符切割线是指用于在所述数值显示区标准图像中将对应显示数字的字符图像切割出来的所需两根切割线。
在所述步骤S500中,如图4所示,举例的,针对某个参数指标“废液”,由于对应的显示数字总数从左至右共有4位,可以使用对应的4对字符切割线来切割对应的待切字符串图像,得到对应的4个字符图像。进一步地,考虑所述摄像头的图像采集速度远高于参数指标的显示数字变动速度,例如所述摄像头可以在1秒内采集30帧监测图像,而参数指标在1 秒内的显示数字变动次数可能仅为1次,同时考虑所述机器屏幕在显示不同参数指标的当前数值时,会以不同颜色(例如用红色、浅蓝色、黄色或绿色等)来标记对应参数指标的当前重要性,因此为了降低在屏幕参数采集过程中对计算资源的实时需求,可以在参数指标以不同颜色显示时,配置不同的显示参数采集速度,即优选的,根据切割线标准模板对所述待切字符串图像进行字符切割处理,得到与所述参数指标对应的K个字符图像,包括但不限于有如下步骤S501~S503。
S501.统计所述待切字符串图像中各种彩色的像素占比,并将与像素占比最大值对应的彩色确定为与所述参数指标对应的字符串颜色。
在所述步骤S501中,所述各种彩色可以但不限于为红色、浅蓝色、黄色或绿色等,但不能是背景色,例如黑色等。
S502.判断字符切割间隔时长是否大于或等于与所述字符串颜色对应的预设采集周期,其中,所述字符切割间隔时长是指从与所述参数指标对应的前一次字符切割处理时刻至当前时刻的时长。
在所述步骤S502中,所述预设采集周期可以举例为1秒,即要求每秒采集1次所述参数指标的显示数值。由于每进行一次字符切割处理,就意味着后续会采用字符识别算法识别得到一个与所述参数指标对应的采集数值,因此可通过所述字符切割间隔时长与所述预设采集周期的比较结果来作为是否继续本次屏幕参数采集的判断依据。
S503.若是,则根据切割线标准模板对所述待切字符串图像进行字符切割处理,得到与所述参数指标对应的K个字符图像,否则终止采集所述参数指标的当前数值,其中,K表示与所述参数指标对应的显示数字总数,所述切割线标准模板包含有K对字符切割线分别在所述数值显示区标准图像中的坐标,所述K对字符切割线与所述参数指标的K个显示数字一一对应,所述K对字符切割线中的各对字符切割线是指用于在所述数值显示区标准图像中将对应显示数字的字符图像切割出来的所需两根切割线。
在所述步骤S503中,所述终止采集所述参数指标的当前数值是指终止执行步骤S500及后续步骤S600~S700,然后等待获取下一帧的实时监测图像,重新执行步骤S100~S500及步骤S501~S503,进而可降低在屏幕参数采集过程中对计算资源的实时需求,利于对所述计算机设备进行边缘布置。
S600.针对所述K个字符图像中的各个字符图像,采用字符识别算法识别得到对应的且与所述参数指标对应的数字。
在所述步骤S600中,所述字符识别算法可采用常规的且基于深度模型的识别算法,例如采用残差网络ResNet等深度模型。进一步地,考虑当所述参数指标的显示数值有多位数字时,低位数字的变动频繁度远高于高位数字的变动频繁度(其中的低位与高位是一个相对概念,例如个位为低位时,十位为高位;十位为低位时,百位为高位,仅在低位有进位或退位时,高位才会变动),因此为了降低在屏幕参数采集过程中对计算资源的实时需求,还可以针对不同位序的字符图像,根据实际情况采用不同的字符识别策略,即当K等于或大于二时,针对所述K个字符图像中的各个字符图像,采用字符识别算法识别得到对应的且与所述参数指标对应的数字,包括但不限于有:按照显示数字的从低位到高位顺序,先采用字符识别算法对所述K个字符图像中的低位字符图像进行字符识别处理,得到与所述参数指标对应的当前低位数字,然后判断所述当前低位数字是否与前一次采集时所得的对应低位数字相同,若是,则将与所述参数指标对应的当前高位数字赋值为前一次采集时所得的对应高位数字,否则再采用所述字符识别算法对所述K个字符图像中的高位字符图像进行字符识别处理,得到所述当前高位数字。举例的,假设前一次采集时所得的数值为“121”,先针对与个位对应的字符图像,采用字符识别算法进行字符识别处理,若得到个位数字为“0”,则由于“0”与前一次采集时所得的个位数字“1”不同,会针对与十位对应的字符图像,再采用所述字符识别算法识别进行字符识别处理,若再次得到十位数字为“2”,则直接将前一次采集时所得的百位数字“1”作为本次采集所得的百位数字,由此可节省一次使用所述字符识别算法所需的计算资源,利于对所述计算机设备进行边缘布置。
S700.组合与所述参数指标对应的K个数字,得到与所述参数指标对应的当前数值。
在所述步骤S700中,由于所述K个数字对应有不同的显示数字序号,因此可以基于显示数字顺序进行常规地数字组合,得到所述当前数值,完成一次对所述参数指标的实时数值采集,然后等待获取下一帧的实时监测图像,重新执行步骤S100~S700。此外,还可以在得到所有参数指标的实时数值后,通过数据容错处理进行结构化输出。
由此基于前述数据采集器及由步骤S100~S700所描述的可能设计一,还可在获取由摄像头模块对机器屏幕采集的实时监测图像后,依次通过屏幕识别处理、图像剪切处理、梯形校正处理、数值显示区切割处理和字符切割处理,可以得到与屏幕显示参数指标对应的若干字符图像,然后通过对所有字符图像进行字符识别以及进行字符识别结果的数字组合,可最终得到与所述屏幕显示参数指标对应的当前数值,从而无需人工实时观察,也无需医疗设备厂商提供数据接口通信协议,也可以完成对屏幕显示参数指标的实时数值采集;同时由于是在切割得到字符图像后再进行单个字符的识别,可以将识别所需的计算资源需求降至最低,利于在机器屏幕侧布置集成有摄像头和计算机设备的采集终端,便于实际应用和推广。
本实施例在前述可能设计一的技术方案基础上,还提供了一种如何精准切割字符图像的可能设计二,即根据切割线标准模板对所述待切字符串图像进行字符切割处理,得到与所述参数指标对应的K个字符图像,包括但不限于有如下步骤S510~S560。
S510.将所述待切字符串图像转换成灰度图像。
在所述步骤S510中,可通过常规的灰度化处理方式进行灰度转换处理,得到所述灰度图像。
S520.根据切割线标准模板确定在多个模板缩小系数中的各个模板缩小系数的滑动位置集合,其中,所述切割线标准模板包含有K对字符切割线分别在所述数值显示区标准图像中的坐标,K表示与所述参数指标对应的显示数字总数,所述K对字符切割线中的各对字符切割线是指用于在所述数值显示区标准图像中将对应显示数字的字符图像切割出来的所需两根切割线,所述模板缩小系数为实数且取值范围为(0,1],所述滑动位置集合中的各个滑动位置分别为整数,所述滑动位置是指在所述切割线标准模板沿字符串排列方向滑动的过程中,所述K对字符切割线中的且沿所述字符串排列方向的首根字符切割线在所述数值显示区标准图像中的动态坐标。
在所述步骤S520中,具体的,所述切割线标准模板用所述K对字符切割线的坐标集合 {x11,x12,x21,x22,…,xk1,xk2,…,xK1,xK2}表示,其中,k为整数且取值范围为[1,K],xk1为整数且表示沿所述字符串排列方向依次排列的且第k对字符切割线中的一根字符切割线在所述数值显示区标准图像中的坐标,xk2为整数且表示沿所述字符串排列方向依次排列的且所述第k 对字符切割线中的另一根字符切割线在所述数值显示区标准图像中的坐标。所述切割线标准模板可以但不限于是根据各个数字字符在所述数值显示区标准图像中的实际位置,通过人工方式标注得到,即人工标注出所述K对字符切割线分别在所述数值显示区标准图像中的坐标,如图5所示。
在所述步骤S520中,所述多个模板缩小系数是指基于所述切割线标准模板而得的多个待选切割线模板相对于所述切割线标准模板的缩小系数,例如为1(即对应的待选切割线模板为所述切割线标准模板)、0.9、0.85、0.8、0.77、0.74、0.71和0.68等。考虑在实际的识别过程中,字符串图像的像素往往控制在100p之内,因此针对在所述多个模板缩小系数中的每对相邻两模板缩小系数,可采用使对应的切割结果(即所有字符图像)在字符串排列方向上的平均像素之差为1的控制方式来进行缩小,即通过模板缩小系数的配置,使与前一模板缩小系数对应的所有字符图像在字符串排列方向上的平均像素个数,比与后一模板缩小系数对应的所有字符图像多一个像素,其中,所述前一模板缩小系数和所述后一模板缩小系数为所述多个模板缩小系数中的一对相邻两模板缩小系数。按照这种逐步缩小方式,通常配置几个模板缩小系数就可以覆盖屏幕关键点检测环节的引入误差。
在所述步骤S520中,具体的,当所述字符串排列方向与像素坐标轴方向一致时,根据切割线标准模板确定在多个模板缩小系数中的各个模板缩小系数的滑动位置集合,包括但不限于有:针对多个模板缩小系数中的各个模板缩小系数,根据在所述待切字符串图像中的且在所述字符串排列方向上的最末像素坐标,确定对应的滑动位置集合,其中,所述滑动位置集合用{x′m1,x′m2,…,x′mn,…,x′mN}表示,m和n分别为正整数,x′mn表示满足条件 IF(εm(x′mn+xK2-x11))≤X的且与所述多个模板缩小系数中的第m个模板缩小系数对应的第 n个滑动位置,N表示满足条件IF(εm(x′mn+xK2-x11))≤X的整数总个数,IF()表示取整函数,εm表示所述第m个模板缩小系数,X表示所述最末像素坐标。如图5所示,所述字符串排列方向与所述像素坐标轴方向均向右,所述最末像素坐标即为最右侧像素点的坐标。由于x′mn满足条件IF(εm(x′mn+xK2-x11))≤X,可在所述切割线标准模板沿所述字符串排列方向滑动的过程中,确保所述K对字符切割线中的且沿所述字符串排列方向的最后一根字符切割线仍然在所述数值显示区标准图像中,否则将无法准确切割沿所述字符串排列方向的最后一个字符。由于N表示满足条件IF(εm(x′mn+xK2-x11))≤X的整数总个数,虽然会使得所述各个模板缩小系数的滑动位置个数可能不同,但是针对所述各个模板缩小系数,可使对应的滑动过程是沿所述字符串排列方向逐个像素地进行滑动,确保后续能无遗漏地查找到使所有字符切割线的投影灰度累加总值最小的滑动位置。此外,所述取整函数可以但不限于采用四舍五入的取整函数,所述滑动位置集合{x′m1,x′m2,…,x′mn,…,x′mN}可举例为{0,1,2,…,x′mN}。
S530.针对所述各个模板缩小系数,根据所述切割线标准模板和对应的滑动位置集合,对所述灰度图像进行沿所述字符串排列方向的滑动检索,并在滑动检索过程中计算得到当所述首根字符切割线位于对应的所述各个滑动位置时的且所述K对字符切割线的投影灰度累加总值。
在所述步骤S530中,具体的,在滑动检索过程中计算得到当所述首根字符切割线位于对应的所述各个滑动位置时的且所述K对字符切割线的投影灰度累加总值,包括:在滑动检索过程中,按照如下公式计算得到当所述首根字符切割线位于所述各个滑动位置时的且所述 K对字符切割线的投影灰度累加总值:
式中,Smn表示针对所述多个模板缩小系数中的第m个模板缩小系数,当所述首根字符切割线位于对应的第n个滑窗位置时的所述投影灰度累加总值,i为正整数,xmi,1和xmi,2表示与所述第m个模板缩小系数对应的且第i对字符切割线的坐标,Gray(xmi,1)表示在所述待切字符串图像中位于坐标xmi,1处的像素灰度值累加结果,Gray(xmi,2)表示在所述待切字符串图像中位于坐标xmi,2处的像素灰度值累加结果,IF()表示取整函数,εm表示所述第m个模板缩小系数,x′mn表示与所述第m个模板缩小系数对应的第n个滑动位置,xi1和xi2为整数且表示沿所述字符串排列方向依次排列的第i对字符切割线在所述数值显示区标准图像中的坐标。如图5所示,当所述数值显示区标准图像的左下角顶点为像素坐标系原点时,式中,j为整数,Y表示在所述数值显示区标准图像中最大的像素纵坐标,gray(xmi,1,j)表示在所述待切字符串图像中位于坐标(xmi,1,j)处的像素灰度值(每个像素灰度值的取值范围为0~255,其中,0表示全黑,255表示全白)。
S540.在计算所得的所有投影灰度累加总值中,查找到最小值。
在所述步骤S540中,考虑在字符间隔处会有投影谷值,则可确保后续根据查找结果得到的且在所述待切字符串图像中的所述K对字符切割线,能够在所述待切字符串图像中位于最佳的字符间隔处,从而得到最佳的字符切割方案。
S550.根据所述切割线标准模板以及与所述最小值对应的模板缩小系数和滑动位置,计算得到所述各对字符切割线在所述待切字符串图像中的坐标。
在所述步骤S550中,具体的,根据所述切割线标准模板以及与所述最小值对应的模板缩小系数和滑动位置,计算得到所述各对字符切割线在所述待切字符串图像中的坐标,包括但不限于有:根据所述切割线标准模板以及与所述最小值对应的模板缩小系数和滑动位置,按照如下公式计算得到所述各对字符切割线在所述待切字符串图像中的坐标:
S560.根据所述各对字符切割线在所述待切字符串图像中的坐标,对所述待切字符串图像进行字符切割处理,得到与所述参数指标对应的K个字符图像。
在所述步骤S560中,由于根据查找结果得到的且在所述待切字符串图像中的所述K对字符切割线,能够在所述待切字符串图像中位于最佳的字符间隔处,因此基于此最佳的字符切割方案对所述待切字符串图像进行字符切割,可以使切割结果能够抗拒因反光、污点、轻微变形和屏幕关键点检测环节的引入误差等所带来的干扰,提升切割精度和准确性,保障最终数值采集结果的精度和准确性。
由此基于前述步骤S510~S560所描述的可能设计二,还可根据切割线标准模板确定在多个模板缩小系数中的各个模板缩小系数的滑动位置集合,并根据该滑动位置集合对所述待切字符串图像进行沿字符串排列方向的滑动检索,并在滑动检索过程中计算得到当首根字符切割线位于对应的各个滑动位置时的且所有字符切割线的投影灰度累加总值,然后根据计算结果查找到使所有字符切割线的投影灰度累加总值最小的模板缩小系数和滑动位置,最后根据查找结果得到最佳的字符切割方案,进而使得各单字符切割线的寻找方式能够抗拒因反光、污点、轻微变形和屏幕关键点检测环节的引入误差等所带来的干扰,提升字符切割结果的精度和准确性,保障最终字符识别结果的精度和准确性。
如图6~7所示,本实施例第二方面在前述第一方面或第一方面中任意可能设计的技术方案基础上,提供了一种CRRT停机决策辅助方法,适用于如第一方面或第一方面中任意可能设计所述的CRRT停机决策辅助系统的中心服务器5执行,包括但不限于有如下步骤S1~ S12。
S1.获取M个已治患者的且在CRRT停机前采集的第一生理参数监测数据及在CRRT停机后针对关注指标的检测值,其中,所述第一生理参数监测数据包含有与N个生理参数一一对应的N个第一数值,M表示不小于300的自然数,N表示不小于64的自然数。
在所述步骤S1中,所述第一生理参数监测数据可以具体是在CRRT停机前一段时间采集的生理参数监测值,例如将在CRRT停机前7日中采集的各日生理参数监测值(若某日内针对某项生理参数有多个不同监测值,则取平均值为该日在该项生理参数上的监测值)作为所述第一生理参数监测数据。为了丰富监测数据的数据量,所述N个生理参数还可以在时间维度上进行区分,例如针对某项生理参数,可以将停机前一日的该生理参数、停机前两日的该生理参数和停机前三日的该生理参数等作为不同的生理参数。所述关注指标包含但不限于有日内尿量、血肌酐浓度、中性粒细胞明胶酶相关脂质运载蛋白NGAL浓度、金属蛋白酶组织抑制因子TIMP-2浓度和/或胰岛素样生长因子结合蛋白IGFBP7浓度等,其中,针对不同的关注指标,需要分别执行步骤S1~S12来得到对应的预测结果。同样的,为了丰富预测结果,所述关注指标也可以在时间维度上进行区分,例如针对某项关注指标,可以将停机后第一日的该关注指标、停机后第二日的该关注指标和停机后第三日的该关注指标等作为不同的关注指标,分别执行步骤S1~S12来得到对应的预测结果。
S2.针对所述M个已治患者中的各个已治患者,将对应的所述N个第一数值分别编码为红绿蓝RGB三通道颜色值,得到对应的且包含有N个RGB值的生理数据样本。
在所述步骤S2中,具体的编码方式可以但不限于包括:通过变换数值单位的方式,将所述第一数值变换为介于在区间[0,16777215]内的待转数值;将所述待转数值从十进制数字转换为二进制数字;从左至右对所述二进制数字进行补0,得到24位二进制数字;将所述 24位二进制数字中的前8位二进制数字转换为十进制数字,得到所述红绿蓝RGB三通道颜色值中的红色通道颜色值;将所述24位二进制数字中的中8位二进制数字转换为十进制数字,得到所述红绿蓝RGB三通道颜色值中的绿色通道颜色值;将所述24位二进制数字中的后8 位二进制数字转换为十进制数字,得到所述红绿蓝RGB三通道颜色值中的蓝色通道颜色值。
S3.针对所述各个已治患者,根据预设的至少两个数值区间和对应的检测值,确定对应的所属数值区间。
在所述步骤S3中,所述至少两个数值区间可以但不限于划分为达标区和非达标区,或者划分为正常区、低值区和高值区,等等;划分区间越多,后续预测结果的精度会越高,使得参考信息量会越丰富。
S4.从M个生理数据样本中抽取m个生理数据样本作为训练样本,并将与同一个已治患者对应的所属数值区间作为训练样本的分类标签,得到训练样本集,其中,m为不小于200 的自然数,并使m/M介于0.6~0.8之间。
在所述步骤S4中,至于剩下的生理数据样本,可作为测试样本,得到测试样本集。此外,考虑在训练样本集中,针对不同的分类标签,对应的样本数存在差异较大和数据不均衡,进而影响训练模型的识别准确率问题,有必要对所述训练样本集进行均衡处理,即在得到训练样本集之后,优选的,所述方法还包括:针对各个分类标签,判断所述训练样本集中的对应训练样本数是否小于预设样本数阈值,若是,则采用合成少数过采样技术SMOTE(Synthetic Minority Oversampling Technique)算法对训练样本进行数据均衡处理,得到训练样本数增加的训练样本集。所述SMOTE算法是一种现有的综合采样人工合成数据算法,用于解决数据类别不平衡问题(Imbalanced class problem),以Over-sampling少数类和Under-sampling 多数类结合的方式来合成数据,由于对于少数类中每一个样本x,可以欧氏距离为标准计算它到少数类样本集中所有样本的距离,得到其k近邻,因此这样处理不会改变数据的分布,相比较于Undersample、Oversample、Ensembleresampling和Classweight方法等,更具有优势。此外,对于测试样本集,由于需要保证样本真实性,无需进行均衡处理。
S5.针对所述训练样本集中的各个生理数据样本,根据对应的N个RGB值,绘制得到对应的且像素矩阵为n*n的训练样本图像,其中,n为不小于N的平方根的自然数。
在所述步骤S5中,绘制所述训练样本图像的具体方式可以但不限于为将第X个RGB值作为第floor(X/n)行且第X-n*floor(X/n)列像素的RGB值,其中,X为介于1~N之间的自然数,floor()表示下取整函数,至于其它的像素,可以采取补零或补平均RGB值等常用方式进行补值处理,从而可以得到一个矩形的训练样本图像,例如针对有240个生理参数的情况,可以得到一个像素矩阵为16*16的训练样本图像。此外,考虑初始得到的训练样本图像的尺寸大小可能过小,对于卷积神经网络的训练效果不太理想,因此在得到所述训练样本图像后,所述方法还包括:当N小于预设数量阈值时,对所述训练样本图像进行放大处理,得到具有标准尺寸大小的训练样本图像。例如放大得到尺寸大小为24*24的图像。
S6.将所有训练样本图像及对应的分类标签输入卷积神经网络CNN模型中进行训练,并在训练过程中出现训练集准确率达到预设高值区间且变化幅度小于预设幅度阈值的情况时,采用自适应梯度AdaGrad算法调整学习率,然后继续训练,直到学习率调整幅度小于预设调整阈值时,停止训练,得到完成训练的CNN模型。
在所述步骤S6中,所述卷积神经网络CNN(Convolutional Neural Networks)模型是一种基于卷积计算且具有深度结构的前馈神经网络(Feedforward Neural Networks)的深度学习(deep learning)模型,具有由输入层、卷积层、激活层、池化层、全连接层和输出层构成的前馈神经网络结构,并可通过输出层使用归一化指数Softmax函数来做图像识别的分类,因此在完成训练后,可将待分类图像导入完成训练的CNN模型,得到对应的分类标签识别结果——即在假定CRRT停机后针对所述关注指标的预测数值区间,其正确率及误判率可通过测试样本集进行实验得到。所述自适应梯度AdaGrad算法为现有算法,即利用每次迭代历史的梯度平方根的和来修改学习率。此外,所述CNN模型可以但不限于采用基于Resnet50网络结构、Mobile-net网络结构或VGG16网络结构等的现有模型。
在所述步骤S6中,由于典型的且用于图像识别的卷积神经网络架构基本上都是运用于对真实图像的分类识别,而本实施例要处理的是由采集的生理参数监测数据通过编码而来的数据图像,具有如下特点:由于采集的生理参数监测数据呈现稀疏和无规则状态,不同患者的图像之间存在细微的差异,直观的观察无法找出各个图像的区别,对于卷积神经网络而言,通过训练模型结构找出图像之间的差异同样存在一定的困难。因此所述CNN模型优选采用蝶形反馈神经网络BF-net,其中,所述蝶形反馈神经网络BF-net包括有依次串联的个蝶形反馈块、全连接层和输出层,所述个蝶形反馈块中各个蝶形反馈块分别包含有块输入层、左路第一卷积层、左路第二卷积层、右路第一卷积层、右路第二卷积层和块输出层,所述块输入层分别连接所述左路第一卷积层、所述右路第一卷积层和所述块输出层,所述左路第一卷积层连接所述左路第二卷积层且采用线性整流ReLu函数作为所述左路第二卷积层的激活函数,所述右路第一卷积层连接所述右路第二卷积层且也采用线性整流ReLu函数作为所述右路第二卷积层的激活函数,所述左路第二卷积层和所述右路第二卷积层分别连接所述块输出层,所述块输出层用于对收到的多个图像素据进行相加处理并输出相加结果,为介于 16~32之间的自然数,所述输出层采用归一化指数Softmax函数。
如图7所示,所述蝶形反馈神经网络BF-net的工作原理如下:网络结构由若干个蝶形反馈块block组成,每一个block包含各自不同随机参数的卷积层,同时运用Relu函数作为激活函数,在两条不同的线路上做了卷积以后,与输入图像数据做加法,然后再将新的数据图像传递到下一层进行训练,从而由block的个数组成网络的深度,例如可通过串联的24个block,形成深度为48层的卷积神经网络。同时在训练过程中,由于所有图像数据在和卷积核做运算之前,会在周围均填充一列数据,可避免丢失边缘图像数据信息。优化的,为了使数据图像保持原有的特征进而更好的向下传递,在所述个蝶形反馈块的串联方向上,使首个蝶形反馈块的块输入层分别连接第2k个蝶形反馈块的块输出层,其中,k=1,2,3,…且使 2k不大于如此可使网络不会因为卷积层多次的特征提取而失去原有的特征,避免出现网络过拟合。此外,所述左路第一卷积层和所述左路第二卷积层分别采用大小为3*3的卷积核,所述右路第一卷积层和所述右路第二卷积层分别采用大小为5*5的卷积核,以保证用不同的感受野在上一层输入数据中提取图像的特征。
S7.获取在治患者的且当前采集的第二生理参数监测数据,其中,所述第二生理参数监测数据包含有与所述N个生理参数一一对应的N个第二数值。
在所述步骤S7中,所述第二生理参数监测数据具体是在当前一段时间采集的生理参数监测值,所述当前一段时间的时长需与所述在CRRT停机前一段时间保持一致,例如也将当前7日中采集的各日生理参数监测值作为所述第二生理参数监测数据。
S8.将所述N个第二数值分别编码为红绿蓝RGB三通道颜色值,得到包含有N个RGB值的当前生理数据。
在所述步骤S8中,具体编码方式可参见前述步骤S2,于此不再赘述。
S9.根据所述当前生理数据中的N个RGB值,绘制得到像素矩阵为n*n的待分类图像。
在所述步骤S9中,具体绘制方式可参见前述步骤S5,于此不再赘述。此外,为了与具有标准尺寸大小的训练样本图像保持相同尺寸大小,则在得到所述待分类图像后,所述方法还包括:当N小于预设数量阈值时,对所述待分类图像进行放大处理,得到具有标准尺寸大小的待分类图像。
S10.将所述待分类图像输入所述完成训练的CNN模型,得到分类标签识别结果。
S11.根据所述分类标签识别结果,确定所述在治患者的且在假定CRRT停机后针对所述关注指标的预测数值区间。
S12.将所述预测数值区间传送至所述医护工作站设备4进行输出展示,以便在对所述在治患者做出是否进行CRRT停机的决策时,为医护人员提供参考辅助信息。
本实施例第二方面提供的前述方法的技术效果,可以参见第一方面或第一方面中任意可能设计所述的CRRT停机决策辅助系统,于此不再赘述。
最后应说明的是,本发明不局限于上述可选的实施方式,任何人在本发明的启示下都可得出其他各种形式的产品。上述具体实施方式不应理解成对本发明的保护范围的限制,本发明的保护范围应当以权利要求书中界定的为准,并且说明书可以用于解释权利要求书。
Claims (10)
1.一种CRRT停机决策辅助系统,其特征在于,包括有患者生理参数监测设备(1)、数据采集器(2)、中间设备、医护工作站设备(4)和中心服务器(5),其中,所述中间设备包括有路由器(31)和/或交换机(32);
所述患者生理参数监测设备(1),用于在连续性肾脏替代治疗CRRT过程中实时获取在治患者的生理参数监测数据;
所述数据采集器(2),用于实时采集由所述患者生理参数监测设备(1)获取的所述生理参数监测数据;
所述中间设备,分别通信连接所述数据采集器(2)和所述中心服务器(5),用于将来自所述数据采集器(2)的所述生理参数监测数据集中传送至所述中心服务器(5);
所述医护工作站设备(4),通信连接所述中心服务器(5),用于录入已治患者的且在CRRT停机后针对关注指标的检测值,并将录入数据传送至所述中心服务器(5);
所述中心服务器(5),一方面用于将所述生理参数监测数据记录到所述在治患者的病例档案中,以及将所述录入数据记录到所述已治患者的病例档案中,另一方面用于根据所有已治患者的且在CRRT停机前采集的第一生理参数监测数据及在CRRT停机后针对所述关注指标的检测值和所述在治患者的且当前采集的第二生理参数监测数据,估算得到所述在治患者的且在假定CRRT停机后针对所述关注指标的预测数值,并将所述预测数值传送至所述医护工作站设备(4)进行输出展示,以便在对所述在治患者做出是否进行CRRT停机的决策时,为医护人员提供参考辅助信息。
2.如权利要求1所述的CRRT停机决策辅助系统,其特征在于,所述患者生理参数监测设备(1)包括有血压器(11)、血气分析仪(12)和/或床旁血滤机(13)。
3.如权利要求2所述的CRRT停机决策辅助系统,其特征在于,当所述患者生理参数监测设备(1)包括有床旁血滤机(13)时,所述数据采集器(2)包括有摄像头模块、处理模块、WiFi通信模块和电池模块,其中,所述摄像头模块安装在所述床旁血滤机(13)的机器屏幕一侧,并使镜头侧视所述机器屏幕;
所述摄像头模块,用于采集所述机器屏幕的实时监测图像;
所述处理模块,通信连接所述摄像头模块,用于在收到所述实时监测图像后,根据所述实时监测图像识别得到在所述机器屏幕中显示的且与多个参数指标一一对应的多个实时数值;
所述WiFi通信模块,分别通信连接所述处理模块和具有WiFi无线通信功能的路由器(31),用于通过所述路由器(31),将所述多个实时数值作为所述生理参数监测数据传送至所述中心服务器(5);
所述电池模块,分别电连接所述摄像头模块、所述处理模块和所述WiFi通信模块的供电端。
4.一种CRRT停机决策辅助方法,其特征在于,适用于如权利要求1~3中任意一项所述的CRRT停机决策辅助系统的中心服务器(5)执行,包括:
获取M个已治患者的且在CRRT停机前采集的第一生理参数监测数据及在CRRT停机后针对关注指标的检测值,其中,所述第一生理参数监测数据包含有与N个生理参数一一对应的N个第一数值,M表示不小于300的自然数,N表示不小于64的自然数;
针对所述M个已治患者中的各个已治患者,将对应的所述N个第一数值分别编码为红绿蓝RGB三通道颜色值,得到对应的且包含有N个RGB值的生理数据样本;
针对所述各个已治患者,根据预设的至少两个数值区间和对应的检测值,确定对应的所属数值区间;
从M个生理数据样本中抽取m个生理数据样本作为训练样本,并将与同一个已治患者对应的所属数值区间作为训练样本的分类标签,得到训练样本集,其中,m为不小于200的自然数,并使m/M介于0.6~0.8之间;
针对所述训练样本集中的各个生理数据样本,根据对应的N个RGB值,绘制得到对应的且像素矩阵为n*n的训练样本图像,其中,n为不小于N的平方根的自然数;
将所有训练样本图像及对应的分类标签输入卷积神经网络CNN模型中进行训练,并在训练过程中出现训练集准确率达到预设高值区间且变化幅度小于预设幅度阈值的情况时,采用自适应梯度AdaGrad算法调整学习率,然后继续训练,直到学习率调整幅度小于预设调整阈值时,停止训练,得到完成训练的CNN模型;
获取在治患者的且当前采集的第二生理参数监测数据,其中,所述第二生理参数监测数据包含有与所述N个生理参数一一对应的N个第二数值;
将所述N个第二数值分别编码为红绿蓝RGB三通道颜色值,得到包含有N个RGB值的当前生理数据;
根据所述当前生理数据中的N个RGB值,绘制得到像素矩阵为n*n的待分类图像;
将所述待分类图像输入所述完成训练的CNN模型,得到分类标签识别结果;
根据所述分类标签识别结果,确定所述在治患者的且在假定CRRT停机后针对所述关注指标的预测数值区间;
将所述预测数值区间传送至所述医护工作站设备(4)进行输出展示,以便在对所述在治患者做出是否进行CRRT停机的决策时,为医护人员提供参考辅助信息。
5.如权利要求4所述的CRRT停机决策辅助方法,其特征在于,所述CNN模型采用蝶形反馈神经网络BF-net,其中,所述蝶形反馈神经网络BF-net包括有依次串联的个蝶形反馈块、全连接层和输出层,所述个蝶形反馈块中各个蝶形反馈块分别包含有块输入层、左路第一卷积层、左路第二卷积层、右路第一卷积层、右路第二卷积层和块输出层,所述块输入层分别连接所述左路第一卷积层、所述右路第一卷积层和所述块输出层,所述左路第一卷积层连接所述左路第二卷积层且采用线性整流ReLu函数作为所述左路第二卷积层的激活函数,所述右路第一卷积层连接所述右路第二卷积层且也采用线性整流ReLu函数作为所述右路第二卷积层的激活函数,所述左路第二卷积层和所述右路第二卷积层分别连接所述块输出层,所述块输出层用于对收到的多个图像素据进行相加处理并输出相加结果,为介于16~32之间的自然数,所述输出层采用归一化指数Softmax函数。
7.如权利要求5所述的CRRT停机决策辅助方法,其特征在于,所述左路第一卷积层和所述左路第二卷积层分别采用大小为3*3的卷积核,所述右路第一卷积层和所述右路第二卷积层分别采用大小为5*5的卷积核。
8.如权利要求4所述的CRRT停机决策辅助方法,其特征在于,在针对所述训练样本集中的各个生理数据样本,根据对应的N个RGB值,绘制得到对应的且像素矩阵为n*n的训练样本图像之前,所述方法还包括:
针对各个分类标签,判断所述训练样本集中的对应训练样本数是否小于预设样本数阈值,若是,则采用合成少数过采样技术SMOTE算法对训练样本进行数值均衡处理,得到训练样本数增加的训练样本集。
9.如权利要求4所述的CRRT停机决策辅助方法,其特征在于,针对所述M个已治患者中的各个已治患者,将对应的所述N个第一数值分别编码为红绿蓝RGB三通道颜色值,得到对应的且包含有N个RGB值的生理数据样本,包括:
通过变换数值单位的方式,将所述第一数值变换为介于在区间[0,16777215]内的待转数值;
将所述待转数值从十进制数字转换为二进制数字;
从左至右对所述二进制数字进行补0,得到24位二进制数字;
将所述24位二进制数字中的前8位二进制数字转换为十进制数字,得到所述红绿蓝RGB三通道颜色值中的红色通道颜色值;
将所述24位二进制数字中的中8位二进制数字转换为十进制数字,得到所述红绿蓝RGB三通道颜色值中的绿色通道颜色值;
将所述24位二进制数字中的后8位二进制数字转换为十进制数字,得到所述红绿蓝RGB三通道颜色值中的蓝色通道颜色值。
10.如权利要求4所述的CRRT停机决策辅助方法,其特征在于,所述关注指标包含有日内尿量、血肌酐浓度、中性粒细胞明胶酶相关脂质运载蛋白NGAL浓度、金属蛋白酶组织抑制因子TIMP-2浓度和/或胰岛素样生长因子结合蛋白IGFBP7浓度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210195742.9A CN114566293B (zh) | 2022-03-01 | 2022-03-01 | 一种crrt停机决策辅助系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210195742.9A CN114566293B (zh) | 2022-03-01 | 2022-03-01 | 一种crrt停机决策辅助系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114566293A CN114566293A (zh) | 2022-05-31 |
CN114566293B true CN114566293B (zh) | 2022-08-19 |
Family
ID=81715998
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210195742.9A Active CN114566293B (zh) | 2022-03-01 | 2022-03-01 | 一种crrt停机决策辅助系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114566293B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117771460B (zh) * | 2024-02-27 | 2024-05-03 | 中国人民解放军东部战区总医院 | 一种便携式血液透析设备远程监测方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110517763A (zh) * | 2019-08-21 | 2019-11-29 | 武汉联析医疗技术有限公司 | 一种用于crrt的远程监测系统和设备 |
CN111584095A (zh) * | 2020-04-21 | 2020-08-25 | 中国人民解放军海军军医大学 | 原发性肝癌患者参与治疗决策辅助支持系统 |
CN113744832A (zh) * | 2021-09-06 | 2021-12-03 | 复旦大学附属中山医院 | 连续性肾脏替代治疗智慧决策及质量控制系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100198618A1 (en) * | 2009-01-30 | 2010-08-05 | Oliver Medical Management Inc. | Dialysis information management system |
US20210110411A1 (en) * | 2019-10-11 | 2021-04-15 | Adobe Inc. | Utilizing a tailored machine learning model applied to extracted data to predict a decision-making group |
-
2022
- 2022-03-01 CN CN202210195742.9A patent/CN114566293B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110517763A (zh) * | 2019-08-21 | 2019-11-29 | 武汉联析医疗技术有限公司 | 一种用于crrt的远程监测系统和设备 |
CN111584095A (zh) * | 2020-04-21 | 2020-08-25 | 中国人民解放军海军军医大学 | 原发性肝癌患者参与治疗决策辅助支持系统 |
CN113744832A (zh) * | 2021-09-06 | 2021-12-03 | 复旦大学附属中山医院 | 连续性肾脏替代治疗智慧决策及质量控制系统 |
Non-Patent Citations (3)
Title |
---|
The Prospective Pediatric Continuous Renal Replacement Therapy (ppCRRT) Registry: a critical appraisal;Scott M. Sutherland 等;《Pediatric Nephrology》;20130828;第29卷;2069-2076 * |
三种评分在心脏术后接受连续性肾脏替代治疗患者预后评价中的应用;张海 等;《上海交通大学学报》;20150430;第35卷(第4期);540-545 * |
连续心输出量监测技术联合连续性肾脏替代治疗在急性肾损伤患者中的应用;孙才智等;《实用医学杂志》;20190425(第08期);115-119 * |
Also Published As
Publication number | Publication date |
---|---|
CN114566293A (zh) | 2022-05-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110175502A (zh) | 一种脊柱Cobb角测量方法、装置、可读存储介质及终端设备 | |
CN109859203B (zh) | 基于深度学习的缺陷牙齿图像识别方法 | |
US20200211706A1 (en) | Intelligent traditional chinese medicine diagnosis method, system and traditional chinese medicine system | |
WO2022198761A1 (zh) | 一种基于决策树和改进smote算法的哮喘病诊断系统 | |
CN111598853B (zh) | 针对肺炎的ct影像评分方法、装置及设备 | |
CN110767293B (zh) | 一种脑部辅助诊断系统 | |
CN114445784B (zh) | 一种crrt屏幕参数实时采集的方法和系统 | |
CN114566293B (zh) | 一种crrt停机决策辅助系统及方法 | |
CN112396605B (zh) | 网络训练方法及装置、图像识别方法和电子设备 | |
CN115831364B (zh) | 基于多模态特征融合的2型糖尿病风险分层预测方法 | |
CN111340094A (zh) | 基于深度学习的胶囊内窥镜图像辅助分类系统和分类方法 | |
CN112862830A (zh) | 一种多模态图像分割方法、系统、终端及可读存储介质 | |
CN111797901A (zh) | 一种基于拓扑结构估计的视网膜动静脉分类方法及装置 | |
CN110992309B (zh) | 基于深层信息传递网络的眼底图像分割方法 | |
CN115035127A (zh) | 一种基于生成式对抗网络的视网膜血管分割方法 | |
CN117036288A (zh) | 一种面向全切片病理图像的肿瘤亚型诊断方法 | |
CN115035028A (zh) | 一种基于超声图像的左心室射血分数自动计算方法 | |
CN110200620A (zh) | 多模态心脏数据检测方法、装置、存储介质及终端设备 | |
CN116309235A (zh) | 一种针对糖尿病预测的眼底图像的处理方法和系统 | |
CN111261283B (zh) | 基于金字塔型卷积层的心电信号深度神经网络建模方法 | |
CN116739988A (zh) | 一种基于多难度课程学习的深度学习脑出血分类方法 | |
CN113487611B (zh) | 基于人工智能的牙片图像处理方法及系统 | |
CN113554641B (zh) | 一种儿科咽部图像采集方法及装置 | |
CN115409857A (zh) | 一种基于深度学习的三维脑积水ct图像分割方法 | |
CN113902738A (zh) | 一种心脏mri分割方法及系统 |
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 |