CN114639478B - 一种基于心脏瓣膜病的超声监测系统 - Google Patents
一种基于心脏瓣膜病的超声监测系统 Download PDFInfo
- Publication number
- CN114639478B CN114639478B CN202210231559.XA CN202210231559A CN114639478B CN 114639478 B CN114639478 B CN 114639478B CN 202210231559 A CN202210231559 A CN 202210231559A CN 114639478 B CN114639478 B CN 114639478B
- Authority
- CN
- China
- Prior art keywords
- risk
- marking
- value
- inquiry
- symptoms
- 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
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/08—Detecting organic movements or changes, e.g. tumours, cysts, swellings
- A61B8/0883—Detecting organic movements or changes, e.g. tumours, cysts, swellings for diagnosis of the heart
-
- 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
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
-
- 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
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/30—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to physical therapies or activities, e.g. physiotherapy, acupressure or exercising
-
- 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
-
- 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
Abstract
本发明涉及心衰疾病监测技术领域,解决患者无法结合自身病症情况与历史手术数据对患者手术风险进行分析评估的问题,具体为一种基于心脏瓣膜病的超声监测系统,包括症状问询模块,所述症状问询模块通信连接有超声分析模块;所述症状问询模块用于通过患者的症状对问诊人员进行病症分析得到诊断系数ZD,将诊断系数ZD与诊断阈值ZDmin、ZDmax进行比较并通过比较结果对问诊人员是否确诊进行判定;本发明通过症状问询模块使问诊人员可以结合大数据对自身病症进行在线筛查,节省问诊人员与医生的时间,同时针对于筛查结果中频率适中的问诊人员推荐线下就医,防止筛查结果模糊的问诊人员误诊。
Description
技术领域
本发明涉及心衰疾病监测技术领域,具体为一种基于心脏瓣膜病的超声监测系统。
背景技术
心脏瓣膜病是我国一种常见的心脏病,其中以风湿热导致的瓣膜损害最为常见,随着人口老龄化加重,老年性瓣膜病以及冠心病、心肌梗死后引起的瓣膜病变也越来越常见。
公告号为CN111696664A的发明专利公开了一种心衰疾病检测系统,该心衰疾病检测系统跳过了医生查看检查数据的过程,自动对患者的数据进行筛选,方便病人能够更快的确定自己的就诊方向,而此过程同样没有医生的参与,从一定程度上节约了医生的时间;但是,该心衰疾病检测系统仅能够在病症筛查阶段实现自动筛查,而通过在线问询的方式进行病症筛查在现有技术中已经是非常成熟的技术手段,针对于已经确诊的患者,尤其是重症患者在是否进行手术时极度依赖医生的诊断建议,如何使患者自身可以快速了解手术风险,以及结合自身病症情况与历史手术数据对患者的手术风险进行分析评估,是当前医疗环境亟需解决的技术问题。
发明内容
本发明的目的就在于为了解决患者在是否进行手术时极度依赖医生的诊断建议,无法结合自身病症情况与历史手术数据对患者手术风险进行分析评估的问题,而提出一种基于心脏瓣膜病的超声监测系统。
本发明的目的可以通过以下技术方案实现:一种基于心脏瓣膜病的超声监测系统,包括症状问询模块,所述症状问询模块通信连接有超声分析模块,所述超声分析模块通信连接有风险预估模块;
所述症状问询模块用于通过患者的症状对问诊人员进行病症分析得到诊断系数ZD,将诊断系数ZD与诊断阈值ZDmin、ZDmax进行比较并通过比较结果对问诊人员是否确诊进行判定;
超声分析模块用于通过问诊人员的超声检测报告结果进行病症诊断并得到异常比YB,通过异常比与异常阈值YBmin、YBmax的比较结果对问诊人员的病症等级进行判定;
风险预估模块用于对病症等级为一等级的问诊人员进行手术风险评定,通过风险预估模型对风险等级为低风险的评估对象进行风险预估。
作为本发明的一种优选实施方式,诊断系数ZD的获取过程包括:选取若干个已确诊的患者作为对比人员,获取对比人员的就诊情况并将对比人员出现的症状标记为检测病症u,u=1,2,…,m,将检测病症出现的次数标记为CSu,将问诊人员出现的症状与检测病症相匹配的症状标记为重点病症i,i=1,2,…,n,n为正整数,将重点症状i在检测病症中出现的次数标记为CSi,通过公式得到诊断系数ZD。
作为本发明的一种优选实施方式,诊断系数ZD与诊断阈值ZDmin、ZDmax的比较过程包括:
若ZD≤ZDmin,则判定问诊人员的症状在检测病症中出现的频率较低,症状问询模块向问诊人员的手机终端发送未确诊信号;
若ZDmin<ZD<ZDmax,则判定问诊人员的症状在检测病症中出现的频率适中,病状问询模块向问诊人员的手机终端发送线下检查信号;
若ZD≥ZDmax,则判定问诊人员的症状在检测病症中出现的频率较高,病状问询模块向问诊人员的身份信息以及诊断信号发送至超声分析模块。
作为本发明的一种优选实施方式,异常比YB的获取过程包括:
将问诊人员的超声检测报告中位于正常值范围之外的参数标记为异常参数并将异常参数的数量标记为w,将异常参数与正常值范围之间的差值标记为偏离值,将偏离值逐一与对应异常参数的偏差阈值进行比较,将偏离值不小于偏差阈值的异常参数的数量标记为e,将e与w的比值标记为异常比YB。
作为本发明的一种优选实施方式,异常比YB与异常阈值YBmin、YBmax的比较过程包括:
若YB≤YBmin,则判定问诊人员的病症等级为三等级,超声分析模块向问诊人员的手机终端发送保守治疗信号;
若YBmin<YB<YBmax,则判定问诊人员的病症等级为二等级,超声分析模块向问诊人员的手机终端发送保守治疗信号;
若YB≥YBmax,则判定问诊人员的病症等级为一等级,超声分析模块向风险预估模块发送风险评定信号与问诊人员的身份信息。
作为本发明的一种优选实施方式,风险评定的具体过程包括:将病症等级为一等级的问诊人员标记为评估对象,获取评估对象的年龄并标记为NL,获取评估对象的历史病例中存在的影响疾病的数量并标记为YX,影响疾病包括高血压、糖尿病、肝功能不全以及静脉血栓;通过公式FX=t×(α1×NL+α2×YXe)得到评估对象的风险系数FX,其中α1、α2以及t均权重系数,且α2>α1>0;t的取值判定过程包括:若评估对象有吸烟史,则t的取值为1.2;若评估对象没有吸烟史,则t的取值为1;e为自然常数,e的取值为2.78;
将风险系数FX与风险阈值FXmax进行比较:若风险系数FX大于等于风险阈值FXmax,则判定评估对象的风险等级为高风险,风险预估模块向评估对象的手机终端发送高风险信号;若风险系数FX小于风险阈值FXmax,则判定评估对象的风险等级为低风险。
作为本发明的一种优选实施方式,风险预估模型对风险等级为低风险的评估对象进行风险预估的过程包括:通过风险系数FX获取风险范围,风险范围的最大值与最小值分别为FFmax与FFmin,风险范围的最大值FFmax的数值由公式FFmax=β1×FX计算得到,风险范围的最小值FFmin的数值由公式FFmin=β2×FX计算得到,其中β1与β2均为比例系数,且β1的取值为0.85,β2的取值为1.15;
获取历史手术记录中风险系数数值位于风险范围内的患者并标记为手术患者,将手术患者的数量标记为o,将手术成功的手术患者标记为成功患者,将成功患者的数量标记为p,将p与o的比值标记为历史成功率CG,将历史成功率CG与历史成功阈值CGmin进行比较:若历史成功率CG大于等于历史成功阈值CGmin,风险预估模块将推荐手术信号与历史成功率发送至评估对象的手机终端;若历史成功率CG小于历史成功阈值CGmin,风险预估模块将推荐药疗信号与历史成功率发送至评估对象的手机终端。
作为本发明的一种优选实施方式,所述风险预估模块通信连接有恢复分析模块,所述恢复分析模块用于对完成手术的患者进行术后恢复进度分析:将完成手术的患者标记为恢复对象,获取恢复对象在L1天内的血压值,L1为时间常量,将血压值与血压正常范围进行比较,将L1天内恢复对象血压值位于血压正常范围内的时间标记为v1,单位为小时,将L1天内恢复对象血压值位于血压正常范围外的时间标记为v2,单位为小时;获取恢复对象在L1内天内的血糖值,将血糖值与血糖正常范围进行比较,将L1天内恢复对象血糖值位于血糖正常范围内的时间标记为c1,单位为小时,将L1天内恢复对象血糖值位于血糖正常范围外的时间标记为c2,单位为小时,通过公式HF=γ1×(v1/v2)+γ2×(c1/c2)得到恢复对象的恢复系数HF,其中γ1与γ2均为比例系数,且γ1>γ2>1;恢复分析模块将恢复系数发送至恢复人员责任医师的手机终端。
作为本发明的一种优选实施方式,该基于心脏瓣膜病的超声监测系统的工作方法包括以下步骤:
步骤一:症状问询模块通过患者的症状对问诊人员进行病症分析并得到诊断系数,通过诊断系数与诊断与之的比较结果对问诊人员是否确诊进行判定;
步骤二:超声分析模块通过问诊人员的超声检测报告结果进行病症诊断,通过病症诊断结果得到问诊人员的病症等级;
步骤三:风险预估模块对病症等级为一级的问诊人员进行手术风险评定,通过风险预估模型对风险等级为低风险的评估对象进行风险预估;
步骤四:恢复分析模块对完成手术的患者进行术后恢复进度分析并将得到的恢复系数发送至恢复人员责任医师的手机终端。
与现有技术相比,本发明的有益效果是:
1、通过症状问询模块使问诊人员可以结合大数据对自身病症进行在线筛查,节省问诊人员与医生的时间,同时针对于筛查结果中频率适中的问诊人员推荐线下就医,防止筛查结果模糊的问诊人员误诊。
2、超声分析模块通过超声检测报告结果对问诊人员的病症等级进行判定,将确诊人员的病症等级划分为三个等级,并针对病症等级为一等级的问诊人员进行手术风险评定,结合评估对象的自身情况分析得到评估对象的风险系数,针对于风险较高的评估对象推荐药疗方案,而针对风险较低的评估对象采用风险预估模型进行风险预估,风险预估过程结合病症情况与评估对象相近的患者历史手术数据对评估对象的手术风险进行预估,从而通过风险预估结果向评估对象的治疗方案进行推荐,从病症问诊到检测报告分析以及手术风险评估对问诊对象进行全系列的在线服务。
附图说明
为了便于本领域技术人员理解,下面结合附图对本发明作进一步的说明。
图1为本发明实施例一的原理框图;
图2为本发明实施例二的原理框图;
图3为本发明实施例三的方法流程图。
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作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。
实施例一
请参阅图1所示,一种基于心脏瓣膜病的超声监测系统,包括症状问询模块,症状问询模块通信连接有超声分析模块,超声分析模块通信连接有风险预估模块;
症状问询模块用于通过患者的症状对问诊人员进行病症分析:选取若干个已确诊的患者作为对比人员,获取对比人员的就诊情况并将对比人员出现的症状标记为检测病症u,u=1,2,…,m,将检测病症出现的次数标记为CSu,将问诊人员出现的症状与检测病症相匹配的症状标记为重点病症i,i=1,2,…,n,n为正整数,将重点症状i在检测病症中出现的次数标记为CSi,通过公式得到诊断系数ZD,需要说明的是,诊断系数ZD是一个反应问诊人员确诊可能性的数值,诊断系数ZD的数值越大,则表示问诊人员出现的症状在检测病症中出现的频率越高,进而问诊人员被确诊的可能性也就越高;
将诊断系数与诊断阈值ZDmin、ZDmax进行比较:
若ZD≤ZDmin,则判定问诊人员的症状在检测病症中出现的频率较低,症状问询模块向问诊人员的手机终端发送未确诊信号,问诊人员接收到未确诊信号后继续对其他疾病进行问诊;
若ZDmin<ZD<ZDmax,则判定问诊人员的症状在检测病症中出现的频率适中,病状问询模块向问诊人员的手机终端发送线下检查信号,问诊人员接收到线下检查信号后前往附近的医院进行心脏瓣膜病检查;
若ZD≥ZDmax,则判定问诊人员的症状在检测病症中出现的频率较高,病状问询模块向问诊人员的身份信息以及诊断信号发送至超声分析模块;
问诊人员的身份信息包括问诊人员的姓名、年龄、性别、实名认证的手机号码以及历史病例。
超声分析模块用于通过问诊人员的超声检测报告结果进行病症诊断,具体的病症分析过程包括:将问诊人员的超声检测报告中位于正常值范围之外的参数标记为异常参数并将异常参数的数量标记为w,将异常参数与正常值范围之间的差值标记为偏离值,将偏离值逐一与对应异常参数的偏差阈值进行比较,将偏离值不小于偏差阈值的异常参数的数量标记为e,将e与w的比值标记为异常比YB,异常比YB是一个反映问诊人员异常参数偏差程度的数值,异常比的数值越大表示问诊人员的异常参数偏差程度越大,问诊人员的病症也就越严重,将异常比YB与异常阈值YBmin、YBmax进行比较:
若YB≤YBmin,则判定问诊人员的病症等级为三等级,超声分析模块向问诊人员的手机终端发送保守治疗信号;
若YBmin<YB<YBmax,则判定问诊人员的病症等级为二等级,超声分析模块向问诊人员的手机终端发送保守治疗信号;
若YB≥YBmax,则判定问诊人员的病症等级为一等级,超声分析模块向风险预估模块发送风险评定信号与问诊人员的身份信息。
风险预估模块接收到风险评定信号后对病症等级为一等级的问诊人员进行手术风险评定:将病症等级为一等级的问诊人员标记为评估对象,获取评估对象的年龄并标记为NL,获取评估对象的历史病例中存在的影响疾病的数量并标记为YX,影响疾病包括高血压、糖尿病、肝功能不全以及静脉血栓;通过公式FX=t×(α1×NL+α2×YXe)得到评估对象的风险系数FX,风险系数FX是一个通过评估对象自身情况反映手术风险程度的数值,风险系数FX的数值越高,则表示评估对象的手术风险程度越高,其中α1、α2以及t均权重系数,且α2>α1>0;t的取值判定过程包括:若评估对象有吸烟史,则t的取值为1.2;若评估对象没有吸烟史,则t的取值为1;e为自然常数,e的取值为2.78;
将风险系数FX与风险阈值FXmax进行比较:若风险系数FX大于等于风险阈值FXmax,则判定评估对象的风险等级为高风险,风险预估模块向评估对象的手机终端发送高风险信号,针对风险等级为高等级的评估对象直接进行药疗推荐;若风险系数FX小于风险阈值FXmax,则判定评估对象的风险等级为低风险,采用风险预估模型对风险等级为低风险的评估对象进行风险预估:通过风险系数FX获取风险范围,风险范围的最大值与最小值分别为FFmax与FFmin,风险范围的最大值FFmax的数值由公式FFmax=β1×FX计算得到,风险范围的最小值FFmin的数值由公式FFmin=β2×FX计算得到,其中β1与β2均为比例系数,且β1的取值为0.85,β2的取值为1.15;
获取历史手术记录中风险系数数值位于风险范围内的患者并标记为手术患者,将手术患者的数量标记为o,将手术成功的手术患者标记为成功患者,将成功患者的数量标记为p,将p与o的比值标记为历史成功率CG,在风险范围内的手术患者身体情况与评估对象接近,对风险范围内的手术患者进行历史成功率计算可以对评估对象的手术成功率进行模拟,将历史成功率CG与历史成功阈值CGmin进行比较:若历史成功率CG大于等于历史成功阈值CGmin,风险预估模块将推荐手术信号与历史成功率发送至评估对象的手机终端;若历史成功率CG小于历史成功阈值CGmin,风险预估模块将推荐药疗信号与历史成功率发送至评估对象的手机终端。
实施例二
请参阅图2所示,风险预估模块通信连接有恢复分析模块,恢复分析模块与责任医师的手机终端通信连接,恢复分析模块用于对完成手术的患者进行术后恢复进度分析,具体的术后恢复进度分析过程包括:将完成手术的患者标记为恢复对象,获取恢复对象在L1天内的血压值,L1为时间常量,将血压值与血压正常范围进行比较,将L1天内恢复对象血压值位于血压正常范围内的时间标记为v1,单位为小时,将L1天内恢复对象血压值位于血压正常范围外的时间标记为v2,单位为小时;获取恢复对象在L1内天内的血糖值,将血糖值与血糖正常范围进行比较,将L1天内恢复对象血糖值位于血糖正常范围内的时间标记为c1,单位为小时,将L1天内恢复对象血糖值位于血糖正常范围外的时间标记为c2,单位为小时,通过公式HF=γ1×(v1/v2)+γ2×(c1/c2)得到恢复对象的恢复系数HF,恢复系数HF是一个反应恢复对象在手术完成之后的恢复状态的数值,恢复系数HF的数值越高则表示对应的恢复对象恢复状态越好,其中γ1与γ2均为比例系数,且γ1>γ2>1;恢复分析模块将恢复系数发送至恢复人员责任医师的手机终端,责任医师可根据恢复人员的恢复系数了解恢复对象的具体恢复状态。
实施例三
请参阅图3所示,一种基于心脏瓣膜病的超声监测方法,包括以下步骤:
步骤一:症状问询模块通过患者的症状对问诊人员进行病症分析并得到诊断系数,通过诊断系数与诊断与之的比较结果对问诊人员是否确诊进行判定;
步骤二:超声分析模块通过问诊人员的超声检测报告结果进行病症诊断,通过病症诊断结果得到问诊人员的病症等级;
步骤三:风险预估模块对病症等级为一级的问诊人员进行手术风险评定,通过风险预估模型对风险等级为低风险的评估对象进行风险预估;
步骤四:恢复分析模块对完成手术的患者进行术后恢复进度分析并将得到的恢复系数发送至恢复人员责任医师的手机终端。
本发明在使用时,采用症状问询模块通过患者的症状对问诊人员进行病症分析并得到诊断系数;采用超声分析模块通过问诊人员的超声检测报告结果进行病症诊断,通过病症诊断结果得到问诊人员的病症等级;采用风险预估模块对病症等级为一级的问诊人员进行手术风险评定,通过风险预估模型对风险等级为低风险的评估对象进行风险预估。
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。
上述公式均是采集大量数据进行软件模拟得出且选取与真实值接近的一个公式,公式中的系数是由本领域技术人员根据实际情况进行设置;如:公式FX=t×(α1×NL+α2×YXe);由本领域技术人员采集多组样本数据并对每一组样本数据设定对应的风险系数;将设定的风险系数和采集的样本数据代入公式,任意两个公式构成二元一次方程组,将计算得到的系数进行筛选并取均值,得到α1与α2的取值分别为3.75和1.54;
系数的大小是为了将各个参数进行量化得到的一个具体的数值,便于后续比较,关于系数的大小,取决于样本数据的多少及本领域技术人员对每一组样本数据初步设定对应的风险系数;只要不影响参数与量化后数值的比例关系即可,如风险系数与年龄的数值成正比。
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。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节,也不限制该发明仅为的具体实施方式。显然,根据本说明书的内容,可作很多的修改和变化。本说明书选取并具体描述这些实施例,是为了更好地解释本发明的原理和实际应用,从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。
Claims (5)
1.一种基于心脏瓣膜病的超声监测系统,包括症状问询模块,其特征在于,所述症状问询模块通信连接有超声分析模块,所述超声分析模块通信连接有风险预估模块;
所述症状问询模块用于通过患者的症状对问诊人员进行病症分析得到诊断系数ZD,将诊断系数ZD与诊断阈值ZDmin、ZDmax进行比较并通过比较结果对问诊人员是否确诊进行判定;
超声分析模块用于通过问诊人员的超声检测报告结果进行病症诊断并得到异常比YB,通过异常比与异常阈值YBmin、YBmax的比较结果对问诊人员的病症等级进行判定;
风险预估模块用于对病症等级为一等级的问诊人员进行手术风险评定,通过风险预估模型对风险等级为低风险的评估对象进行风险预估;
风险评定的具体过程包括:将病症等级为一等级的问诊人员标记为评估对象,获取评估对象的年龄并标记为NL,获取评估对象的历史病例中存在的影响疾病的数量并标记为YX,影响疾病包括高血压、糖尿病、肝功能不全以及静脉血栓;通过公式FX=t×(α1×NL+α2×YXe)得到评估对象的风险系数FX,其中α1、α2以及t均权重系数,且α2>α1>0;t的取值判定过程包括:若评估对象有吸烟史,则t的取值为1.2;若评估对象没有吸烟史,则t的取值为1;e为自然常数,e的取值为2.78;
将风险系数FX与风险阈值FXmax进行比较:若风险系数FX大于等于风险阈值FXmax,则判定评估对象的风险等级为高风险,风险预估模块向评估对象的手机终端发送高风险信号;若风险系数FX小于风险阈值FXmax,则判定评估对象的风险等级为低风险;
风险预估模型对风险等级为低风险的评估对象进行风险预估的过程包括:通过风险系数FX获取风险范围,风险范围的最大值与最小值分别为FFmax与FFmin,风险范围的最大值FFmax的数值由公式FFmax=β1×FX计算得到,风险范围的最小值FFmin的数值由公式FFmin=β2×FX计算得到,其中β1与β2均为比例系数,且β1的取值为0.85,β2的取值为1.15;
获取历史手术记录中风险系数数值位于风险范围内的患者并标记为手术患者,将手术患者的数量标记为o,将手术成功的手术患者标记为成功患者,将成功患者的数量标记为p,将p与o的比值标记为历史成功率CG,将历史成功率CG与历史成功阈值CGmin进行比较:若历史成功率CG大于等于历史成功阈值CGmin,风险预估模块将推荐手术信号与历史成功率发送至评估对象的手机终端;若历史成功率CG小于历史成功阈值CGmin,风险预估模块将推荐药疗信号与历史成功率发送至评估对象的手机终端;
诊断系数ZD的获取过程包括:选取若干个已确诊的患者作为对比人员,获取对比人员的就诊情况并将对比人员出现的症状标记为检测病症u,u=1,2,…,m,将检测病症出现的次数标记为CSu,将问诊人员出现的症状与检测病症相匹配的症状标记为重点病症i,i=1,2,…,n,n为正整数,将重点症状i在检测病症中出现的次数标记为CSi,通过公式得到诊断系数ZD;
异常比YB的获取过程包括:将问诊人员的超声检测报告中位于正常值范围之外的参数标记为异常参数并将异常参数的数量标记为w,将异常参数与正常值范围之间的差值标记为偏离值,将偏离值逐一与对应异常参数的偏差阈值进行比较,将偏离值不小于偏差阈值的异常参数的数量标记为e,将e与w的比值标记为异常比YB。
2.根据权利要求1所述的一种基于心脏瓣膜病的超声监测系统,其特征在于,诊断系数ZD与诊断阈值ZDmin、ZDmax的比较过程包括:
若ZD≤ZDmin,则判定问诊人员的症状在检测病症中出现的频率较低,症状问询模块向问诊人员的手机终端发送未确诊信号;
若ZDmin<ZD<ZDmax,则判定问诊人员的症状在检测病症中出现的频率适中,病状问询模块向问诊人员的手机终端发送线下检查信号;
若ZD≥ZDmax,则判定问诊人员的症状在检测病症中出现的频率较高,病状问询模块向问诊人员的身份信息以及诊断信号发送至超声分析模块。
3.根据权利要求1所述的一种基于心脏瓣膜病的超声监测系统,其特征在于,异常比YB与异常阈值YBmin、YBmax的比较过程包括:
若YB≤YBmin,则判定问诊人员的病症等级为三等级,超声分析模块向问诊人员的手机终端发送保守治疗信号;
若YBmin<YB<YBmax,则判定问诊人员的病症等级为二等级,超声分析模块向问诊人员的手机终端发送保守治疗信号;
若YB≥YBmax,则判定问诊人员的病症等级为一等级,超声分析模块向风险预估模块发送风险评定信号与问诊人员的身份信息。
4.根据权利要求1所述的一种基于心脏瓣膜病的超声监测系统,其特征在于,所述风险预估模块通信连接有恢复分析模块,所述恢复分析模块用于对完成手术的患者进行术后恢复进度分析:将完成手术的患者标记为恢复对象,获取恢复对象在L1天内的血压值,L1为时间常量,将血压值与血压正常范围进行比较,将L1天内恢复对象血压值位于血压正常范围内的时间标记为v1,单位为小时,将L1天内恢复对象血压值位于血压正常范围外的时间标记为v2,单位为小时;获取恢复对象在L1内天内的血糖值,将血糖值与血糖正常范围进行比较,将L1天内恢复对象血糖值位于血糖正常范围内的时间标记为c1,单位为小时,将L1天内恢复对象血糖值位于血糖正常范围外的时间标记为c2,单位为小时,通过公式HF=γ1×(v1/v2)+γ2×(c1/c2)得到恢复对象的恢复系数HF,其中γ1与γ2均为比例系数,且γ1>γ2>1;恢复分析模块将恢复系数发送至恢复人员责任医师的手机终端。
5.根据权利要求1-4任一项所述的一种基于心脏瓣膜病的超声监测系统,其特征在于,该基于心脏瓣膜病的超声监测系统的工作方法包括以下步骤:
步骤一:症状问询模块通过患者的症状对问诊人员进行病症分析并得到诊断系数,通过诊断系数与诊断与之的比较结果对问诊人员是否确诊进行判定;
步骤二:超声分析模块通过问诊人员的超声检测报告结果进行病症诊断,通过病症诊断结果得到问诊人员的病症等级;
步骤三:风险预估模块对病症等级为一级的问诊人员进行手术风险评定,通过风险预估模型对风险等级为低风险的评估对象进行风险预估;
步骤四:恢复分析模块对完成手术的患者进行术后恢复进度分析并将得到的恢复系数发送至恢复人员责任医师的手机终端。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210231559.XA CN114639478B (zh) | 2022-03-09 | 2022-03-09 | 一种基于心脏瓣膜病的超声监测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210231559.XA CN114639478B (zh) | 2022-03-09 | 2022-03-09 | 一种基于心脏瓣膜病的超声监测系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114639478A CN114639478A (zh) | 2022-06-17 |
CN114639478B true CN114639478B (zh) | 2023-01-10 |
Family
ID=81947354
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210231559.XA Active CN114639478B (zh) | 2022-03-09 | 2022-03-09 | 一种基于心脏瓣膜病的超声监测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114639478B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115185936B (zh) | 2022-07-12 | 2023-02-03 | 曜立科技(北京)有限公司 | 一种基于大数据的医疗临床数据质量分析系统 |
CN114974576A (zh) * | 2022-07-12 | 2022-08-30 | 曜立科技(北京)有限公司 | 一种基于元数据的心脑血管数疾病诊断管理系统 |
CN117542163B (zh) * | 2024-01-10 | 2024-04-12 | 湖南迅卓实业有限公司 | 一种基于体外监测设备的人体管理监护系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106295180A (zh) * | 2016-08-10 | 2017-01-04 | 中国人民解放军第三军医大学第三附属医院 | 老年骨科手术风险预测方法 |
CN111210914A (zh) * | 2019-12-04 | 2020-05-29 | 北京沃东天骏信息技术有限公司 | 基于可穿戴设备的问诊提醒的方法和装置 |
CN111696664A (zh) * | 2020-06-05 | 2020-09-22 | 中国人民解放军陆军军医大学第一附属医院 | 一种心衰疾病检测系统 |
CN112256754A (zh) * | 2020-10-19 | 2021-01-22 | 柳州市妇幼保健院 | 基于标准模型的超声检测分析系统及方法 |
CN112466426A (zh) * | 2020-12-31 | 2021-03-09 | 曜立科技(北京)有限公司 | 一种心血管手术风险评估系统及方法 |
CN112669972A (zh) * | 2020-12-30 | 2021-04-16 | 华南师范大学 | 基于大数据深度学习的中医个人风险分合协同预测方法 |
CN113178258A (zh) * | 2021-04-28 | 2021-07-27 | 青岛百洋智能科技股份有限公司 | 外科手术术前风险评估方法及系统 |
CN113871026A (zh) * | 2021-10-14 | 2021-12-31 | 曹庆恒 | 一种医疗风险评估系统及方法 |
-
2022
- 2022-03-09 CN CN202210231559.XA patent/CN114639478B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106295180A (zh) * | 2016-08-10 | 2017-01-04 | 中国人民解放军第三军医大学第三附属医院 | 老年骨科手术风险预测方法 |
CN111210914A (zh) * | 2019-12-04 | 2020-05-29 | 北京沃东天骏信息技术有限公司 | 基于可穿戴设备的问诊提醒的方法和装置 |
CN111696664A (zh) * | 2020-06-05 | 2020-09-22 | 中国人民解放军陆军军医大学第一附属医院 | 一种心衰疾病检测系统 |
CN112256754A (zh) * | 2020-10-19 | 2021-01-22 | 柳州市妇幼保健院 | 基于标准模型的超声检测分析系统及方法 |
CN112669972A (zh) * | 2020-12-30 | 2021-04-16 | 华南师范大学 | 基于大数据深度学习的中医个人风险分合协同预测方法 |
CN112466426A (zh) * | 2020-12-31 | 2021-03-09 | 曜立科技(北京)有限公司 | 一种心血管手术风险评估系统及方法 |
CN113178258A (zh) * | 2021-04-28 | 2021-07-27 | 青岛百洋智能科技股份有限公司 | 外科手术术前风险评估方法及系统 |
CN113871026A (zh) * | 2021-10-14 | 2021-12-31 | 曹庆恒 | 一种医疗风险评估系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114639478A (zh) | 2022-06-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114639478B (zh) | 一种基于心脏瓣膜病的超声监测系统 | |
EP2582341B1 (en) | Method for analysing events from sensor data by optimization | |
US20090088606A1 (en) | Systems and methods for patient specific adaptable telemonitoring alerts | |
US20090187082A1 (en) | Systems and methods for diagnosing the cause of trend shifts in home health data | |
CN116344050B (zh) | 一种基于多维度健康管理模型的评测方法 | |
CN109564586B (zh) | 系统监测器及系统监测方法 | |
CN105611872A (zh) | 用于评估多通道ecg信号的装置和方法 | |
CN116779190B (zh) | 一种基于物联网的医疗平台用户随访管理系统及方法 | |
CN107887002A (zh) | 一种医学影像诊断质量管理系统 | |
CN107145715A (zh) | 一种基于推举算法的临床医学智能判别装置 | |
JP2007526029A (ja) | データ拡散及び仮説検定によるicu患者の記録においてアーチファクトを検出する方法及びシステム | |
CN112447293B (zh) | 一种vte风险预警系统 | |
CN115185936A (zh) | 一种基于大数据的医疗临床数据质量分析系统 | |
EP1323376A2 (en) | Method and apparatus for ECG diagnosis | |
Zhang et al. | Phase I study of surgical performances with risk-adjusted Shewhart control charts | |
CN107993693A (zh) | 体检数据管理方法、系统、存储介质及电子设备 | |
CN113171059A (zh) | 多模态监测信息的术后end风险预警及相关设备 | |
CN114898859A (zh) | 急性主动脉夹层院内预后预测系统 | |
Deepika et al. | Deep learning based automated screening for intracranial hemorrhages and grad-cam visualizations on non-contrast head computed tomography volumes | |
CN116019429A (zh) | 基于生理指标的健康监测方法、装置、设备及存储介质 | |
KR20210157444A (ko) | 머신러닝 기반 조현병 진단 방법 및 그 시스템 | |
CN112420190A (zh) | 一种人工智能辅助诊疗系统及其构建方法 | |
JP2010097476A (ja) | 画像検索装置及びその方法 | |
RU2728869C1 (ru) | Компьютеризированный способ неинвазивного выявления нарушений углеводного обмена по электрокардиограмме | |
CN116487049B (zh) | 基于决策分析的非计划重返事件处理系统 |
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 |