CN114792564A - 一种基于多中心研究的右到左分流筛查系统和方法 - Google Patents

Abstract

本公开描述了一种基于多中心研究的右到左分流筛查系统，包括：云处理平台、右到左分流筛查平台、医生终端、以及患者终端，医生终端和患者终端与云处理平台不通信。云处理平台具有通过来自于不同医疗机构的右到左分流的病例信息训练得到且基于人工智能的识别模型，并将训练好的识别模型上传至右到左分流筛查平台。云处理平台在病例信息中获取第一病症基础风险概率和第二病症正概率，进而获得对于患病的风险概率并产生样本病例。患者终端获得右到左分流的病症信息。右到左分流筛查平台利用识别模型基于病症信息生成右到左分流的评估结果，并发送给患者终端。本公开还描述了右到左分流筛查方法。本公开利用大数量样本可增加结果的准确性和客观性。

Description

一种基于多中心研究的右到左分流筛查系统和方法

技术领域

本公开涉及一种基于多中心研究的右到左分流筛查系统和方法。

背景技术

在目前的医疗行为中，患者在就医时，经常无法提供有效的病症发展状态的描述，导致无法在就医时进行针对性的检查而难以识别出一些特殊病种。而在医生层面来看，病症表述由于仅通过主观表述而不能结构化，导致病症表述缺乏客观性、完整性，因此，在实际就医过程中，经常由于无法准确了解患者病症信息而导致对某些特殊病症例如右到左分流发生误诊或漏诊的现象。

目前，也有通过互联网以及人工智能的辅助筛查来进行特殊病症的筛查。特别是通过临床试验中多中心研究的成果，可对患者多项具有复杂相关性的生理状况因素进行具有某种病种风险的初判。然而，尽管多中心研究可以针对不同患者采集了的多种病症数据，形成更加客观的研究，但是其研究的成果往往无法有效地应用到整个上述特殊病症的筛查医疗行为中。而且，多中心研究中的数据处理通常会涉及大量的患者隐私，在样本数据处理上稍有不慎则容易泄漏患者隐私。

发明内容

本公开是有鉴于上述现有技术的状况而提出的，其目的在于提供一种能够有效利用多中心研究中的样本的右到左分流风险筛查系统和筛查方法。

为此，本公开第一方面提供了一种基于多中心研究的右到左分流筛查系统，包括：基于多中心研究的云处理平台、与所述云处理平台通信的右到左分流筛查平台、与所述右到左分流筛查平台通信的医生终端、以及与所述右到左分流筛查平台通信的患者终端，所述医生终端和所述患者终端与所述云处理平台不通信；所述云处理平台具有通过来自于不同医疗机构的右到左分流的病例信息训练得到且基于人工智能的识别模型，并将训练好的识别模型上传至所述右到左分流筛查平台，所述云处理平台在所述病例信息中获取第一病症对于所述右到左分流患病的基础风险概率，在获得所述基础风险概率后，根据所述病例信息获取第二病症对于所述基础风险概率的修正概率，按照预定规则基于所述基础风险概率和所述修正概率获得对于所述右到左分流患病的风险概率，基于所述对于右到左分流患病的风险概率形成样本病例；所述患者终端获得与患者有关的右到左分流的病症信息，所述病症信息包括问诊表、病史记录和生理数据；所述右到左分流筛查平台利用所述识别模型基于来自所述患者终端的病症信息生成所述右到左分流的评估结果，并将所述评估结果发送给所述患者终端，若所述评估结果超过预定值，则所述患者终端提示患者前往部署有所述医生终端的医疗机构进行确诊，所述医生终端将患者的确诊信息上传至所述右到左分流筛查平台，所述右到左分流筛查平台根据所述确诊信息判断是否将所述确诊信息上传至所述云处理平台以对所述识别模型进行更新。

在本公开所涉及的右到左分流筛查系统中，基于多中心研究的云处理平台接收各医疗机构的病例数据，在多中心研究的大规模样本基础上生成右到左分流的基于人工智能的识别模型，并将其发送到右到左分流筛查平台，患者终端收集患者的病症信息并汇聚到右到左分流筛查平台，由识别模型进行模式识别，进而向患者终端输出评估结果，在这种情况下，就能在筛查中利用多中心研究中大数量样本所产生的研究成果，从而增加结果的准确性和客观性。而且，样本形成的识别模型在右到左分流筛查平台上使用，患者终端和医生终端都不与云处理平台通信，这样可以有效隔离应用层和样本本身，提高了样本所涉及患者的隐私安全性。在获得患者右到左分流的确诊信息后，反馈到右到左分流筛查平台，在需要时输入到云处理平台上，可对识别模型进行验证、调整和优化，使得人工智能识别模型的使用形成闭环，其准确性能持续得到提高。

另外，在本公开所涉及的右到左分流筛查系统中，可选地，所述云处理平台获取来自不同医疗机构的病例信息，对所述病例信息进行病种分类，并基于病种分类和审核的结果训练所述识别模型。在这种情况下，云处理平台在完成病例信息获取后，由多中心专家进行病种分类和审核，这样标签化后的病例能够作为训练识别模型的样本。

另外，在本公开所涉及的右到左分流筛查系统中，可选地，所述右到左分流筛查平台对所述评估结果进行质控。在这种情况下，能够通过质控手段确保评估结果的准确性和安全性。

另外，在本公开所涉及的右到左分流筛查系统中，可选地，所述问诊表记录患者症状的主观信息，所述病史记录记录患者与所述右到左分流相关的病史，所述生理数据为患者的体征信息。在这种情况下，通过问诊表、病史和生理数据可从主观、客观和时间等维度获得与右到左分流有关的结构化信息。

另外，在本公开所涉及的右到左分流筛查系统中，可选地，所述患者终端包括获取所述生理数据的智能设备，所述智能设备包括可穿戴式智能设备，所述体征信息包括体动信息、心率或血氧中的至少一种。在这种情况下，患者可选择可穿戴式智能设备检测其体征信息。

另外，在本公开所涉及的右到左分流筛查系统中，可选地，所述患者终端包括获取所述生理数据的智能设备，所述智能设备包括非穿戴式智能设备，所述体征信息包括脉搏、心率或打鼾信息中的至少一种。在这种情况下，患者可选择非穿戴式智能设备检测其睡眠相关的体征信息。

另外，在本公开所涉及的右到左分流筛查系统中，可选地，所述评估结果包括风险概率和与所述评估结果关联的检查指示，在所述风险概率大于预定值时判定为高风险。在这种情况下，在风险达到一定值时，提示高风险，并给出进一步的检查指示，兼顾了安全和效率。

另外，本公开的第二方面提供了一种基于多中心研究的右到左分流风险筛查方法，利用云处理平台接收来自于不同医疗机构的右到左分流的病例信息并利用所述病例信息训练基于人工智能的识别模型。所述云处理平台将训练好的识别模型上传至右到左分流筛查平台。患者终端获得与患者有关的右到左分流的病症信息，所述病症信息包括问诊表、病史记录和生理数据。所述患者终端将所述病症信息上传至所述右到左分流筛查平台。利用所述右到左分流筛查平台中的识别模型基于来自所述患者终端的病症信息生成所述右到左分流的评估结果并将所述评估结果发送给所述患者终端，若所述评估结果超过预定值，则提示患者前往部署有医生终端的医疗机构进行确诊并利用所述医生终端将患者的确诊信息上传至所述右到左分流筛查平台。利用所述右到左分流筛查平台根据所述确诊信息判断是否将所述确诊信息上传至所述云处理平台以对所述识别模型进行更新。

在本公开所涉及的右到左分流筛查方法中，基于多中心研究的云处理平台接收各医疗机构的病例数据，在多中心研究的大规模样本基础上生成右到左分流的基于人工智能的识别模型，并将其发送到右到左分流筛查平台，患者终端收集患者的病症信息并汇聚到右到左分流筛查平台，由识别模型进行模式识别，进而向患者终端输出评估结果，在这种情况下，就能在筛查中利用多中心研究中大数量样本所产生的研究成果，从而增加结果的准确性和客观性，并减少医疗资源的消耗。而且，样本形成的识别模型在右到左分流筛查平台上使用，患者终端和医生终端都不与云处理平台通信，这样可以有效隔离应用层和样本本身，提高了样本所涉及患者的隐私安全性。在获得患者右到左分流的确诊信息后，反馈到右到左分流筛查平台，在需要时输入到云处理平台上，可对识别模型进行验证、调整和优化，使得人工智能识别模型的使用形成闭环，其准确性能持续得到提高。

另外，在本公开所涉及的右到左分流筛查方法中，可选地，获取第一病症对于所述右到左分流患病的基础风险概率，在获得所述基础风险概率后，根据所述病例信息获取第二病症对于所述基础风险概率的修正概率，按照预定规则基于所述基础风险概率和所述修正概率获得对于所述右到左分流患病的风险概率，基于所述对于右到左分流患病的风险概率形成样本病例。在这种情况下，就能在识别模型中引入对于右到左分流患病风险概率不同的各种因素，包括密切相关的基础风险概率和弱相关的修正概率。

此外，在本公开所涉及的右到左分流筛查方法中，可选地，利用所述右到左分流筛查平台对所述评估结果进行质控。在这种情况下，能够通过质控手段确保评估结果的准确性和安全性。

根据本公开的基于多中心研究的右到左分流筛查系统和方法，能够有效并安全地使用多中心研究的样本病例，并通过筛查结果的反馈，持续对识别模型进行更新和优化。

附图说明

现在将仅通过参考附图的例子进一步详细地解释本公开，其中：

图1是示出了本公开的示例所涉及的基于多中心研究的右到左分流筛查系统的结构框图。

图2是示出了本公开的示例所涉及的云处理平台的结构框图。

图3是示出了本公开的示例所涉及的右到左分流筛查平台的结构框图。

图4是示出了本公开的示例所涉及的患者终端的结构框图。

图5是示出了本公开的示例所涉及的基于多中心研究的右到左分流筛查系统的应用流程图。

图6是示出了本公开的示例所涉及的基于多中心研究的右到左分流筛查方法的流程图。

图7是示出了本公开的示例所涉及的识别模型处理流程图。

图8是示出了本公开的示例所涉及的病症获取流程图。

图9是示出了本公开的示例所涉及的筛查评估流程图。

图10是示出了本公开的示例所涉及的确认反馈流程图。

具体实施方式

以下，参考附图，详细地说明本公开的优选实施方式。在下面的说明中，对于相同的部件赋予相同的符号，省略重复的说明。另外，附图只是示意性的图，部件相互之间的尺寸的比例或者部件的形状等可以与实际的不同。

需要说明的是，本公开中的术语“包括”和“具有”以及它们的任何变形，例如所包括或所具有的一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可以包括或具有没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

另外，在本公开的下面描述中涉及的小标题等并不是为了限制本公开的内容或范围，其仅仅是作为阅读的提示作用。这样的小标题既不能理解为用于分割文章的内容，也不应将小标题下的内容仅仅限制在小标题的范围内。

图1是示出了本公开示例所涉及的基于多中心研究的右到左分流筛查系统1的结构框图。如图1所示，本公开的示例所涉及的基于多中心研究的右到左分流筛查系统1包括基于多中心研究的云处理平台10、与该云处理平台10通信的右到左分流筛查平台20、与右到左分流筛查平台20通信的医生终端30、以及与右到左分流筛查平台20通信的患者终端40。其中，医生终端30和患者终端40与云处理平台10不通信。在这种情况下，由于医生终端30和患者终端40与云处理平台10不直接通信，因此，能够有效地隔离医生终端30和患者终端40与云处理平台10的隐私数据，保护患者隐私。

在一些示例中，云处理平台10可以具有通过来自于不同医疗机构的右到左分流的病例信息训练得到且基于人工智能的识别模型，并将训练好的识别模型上传至右到左分流筛查平台20。

在一些示例中，识别模型可以是基于人工神经网络的识别模型。在另一些示例中，识别模型可以是基于机器学习的识别模型。在一些示例中，识别模型可以通过聚类算法生成。

另外，患者终端40可以获得与患者有关的右到左分流的病症信息，该病症信息包括问诊表、病史记录和生理数据。

在一些示例中，右到左分流筛查平台20可以利用识别模型基于来自患者终端40的病症信息生成右到左分流的评估结果，并将该评估结果发送给患者终端40。在一些示例中，若评估结果超过预定值，例如高风险值，则患者终端40提示患者前往部署有医生终端30的医疗机构进行确诊。在一些示例中，通过在医疗机构进行确诊，可以获得针对上述右到左分流的确诊信息，例如该确诊信息包括上述右到左分流的诊断书。在一些示例中，诊断书可以写明针对右到左分流(Right-to-Left Shunt，RLS)的医学结论。

在一些示例中，医生终端30可以将患者的确诊信息上传至右到左分流筛查平台20，右到左分流筛查平台20根据确诊信息判断是否将该确诊信息上传至云处理平台10以对识别模型进行更新。

图2是示出了本公开的示例所涉及的云处理平台10的结构框图。如上所述，云处理平台10可以具有通过来自于不同医疗机构的右到左分流的病例信息训练得到且基于人工智能的识别模型，并将训练好的识别模型上传至右到左分流筛查平台20。在一些示例中，如图2所示，云处理平台10可以包括输入病例信息的输入模块11、对输入的病例信息进行分类审核以及标签化处理获得样本病例的分类模块12、使用样本病例进行训练的训练模块13、生成识别模型的生成模块14和对识别模型进行调整优化的调优模块15。

在一些示例中，云处理平台10可以部署为与客户端50通过网络例如互联网相连接的软件即服务(Software As A Service：SAAS)或平台即服务(Platform As A Service：PAAS)云服务平台。在一些示例中，客户端50可以为多中心研究人员输入病例的终端设备。作为示例，客户端50可以包括客户端51、客户端52、客户端53等多个客户端。在另一些示例中，多中心研究人员也可以通过云处理平台10的输入模块11进行病例信息的输入。在另一些示例中，多中心研究人员也可以直接在云处理平台10上通过输入模块11输入病例样本。

在一些示例中，多中心专家可以通过客户端50对输入的病例样本的病例信息进行信息、病种分类审核以及数据整理和标注，形成标签化的可供云处理平台10训练的病例信息。

在一些示例中，云处理平台10在病例信息中获取第一病症对于右到左分流患病的基础风险概率，在获得基础风险概率后，根据病例信息获取第二病症对于基础风险概率的修正概率，按照预定规则基于基础风险概率和修正概率获得对于右到左分流患病的风险概率，基于对于右到左分流患病的风险概率形成样本病例。

以下，详细说明云处理平台10的样本病例的形成。表1示出第一病症对于患RLS的风险概率，表2示出第二病症对于患RLS的修正概率。

一般而言，患者患有RLS的风险与先兆性偏头痛、睡眠呼吸暂停、隐源性卒中有较强的相关性，且通过先兆性偏头痛能高概率的判定患者具有RLS风险，若患者同时表现有睡眠呼吸暂停和/或隐源性卒中，都会增加患者具有RLS的风险等级。作为RLS风险的判定，例如超过预定值时则被认为是高风险的。

在一些示例中，第一病症分包括先兆性偏头痛、无先兆性偏头痛、原发性咳嗽性头痛、不满足其他分类的人群。在一些示例中，第二病症包括睡眠呼吸暂停、隐源性卒中。在一些示例中，第二病症也可以包括与RLS的风险概率相关联的其他病症。

如表2所示，在一些示例中，睡眠呼吸暂停对应的修正概率为10％。在一些示例中，隐源性卒中对应的修正概率为10％。但本公开不限于此，在一些示例中，睡眠呼吸暂停对应的修正概率可以为10％+x％。x的大小可以根据云处理平台的病例信息进行调整。

根据统计数据，例如可以将第一病症中的先兆性偏头痛患RLS的基础风险概率设为48％，而先兆性偏头痛与第二病症有关，且第二病症分为两种，若经过患者终端40获取到该患者具有睡眠呼吸暂停和隐源性卒中的信息，则按照第二病症中的每种病症按照修正概率进行叠加，因此，经过第二病症的修正后，先兆性偏头痛对于RLS的患病风险概率就是48％+10％+10％＝68％。

表1第一病症对于患RLS的风险概率

表2第二病症对于患RLS的修正概率

第二病症	修正概率
		睡眠呼吸暂停	10％
隐源性卒中	10％

在另一些示例中，多中心研究人员也可以直接在云处理平台10上通过分类模块12进行上述分类审核工作。在一些示例中，客户端50可以是人工智能专家或知识工程师进行样本训练、模型生成和调优的终端设备。在这种情况下，人工智能专家或知识工程师可通过训练模块13使用训练样本对识别模型进行训练。在一些示例中，训练可使用一些常见的训练方法，例如人工神经网络的训练。

在一些示例中，云处理平台10会收到医生终端30(参见图1)经右到左分流筛查平台20(参见图3)发回的患者病症确诊信息。调优模块15按照预定规则配备相应的对照组，例如该患者确诊信息为右到左分流阳性时，调优模块15确定将其纳入训练组，并为训练组配备对应数量的正常组。

图3是示出了本公开的示例所涉及的右到左分流筛查平台20的结构框图。

如上所述，右到左分流筛查平台20可以利用识别模型基于来自患者终端40的病症信息生成右到左分流的评估结果，并将该评估结果发送给患者终端40。在一些示例中，若评估结果超过预定值，例如高风险值，则患者终端40提示患者前往部署有医生终端30的医疗机构进行确诊。

如图3所示，右到左分流筛查平台20可以包括利用识别模型基于患者病症信息进行右到左分流评估的评估模块21、对评估结果进行质量控制的质控模块22和根据患者确诊信息反馈对识别模型进行验证的验证模块23。在一些示例中，评估模块21在给出评估结果后，即风险级别和进一步的检查指示，质控模块22在该风险级别达到预定值时进行质控操作，例如发送给医生或专家进行人工复检。该预定值可由医生确定，例如可为高风险。

在一些示例中，医生可在医生终端30(如图1所示)上通过质控模块22对评估结果进行复检。验证模块23根据病症确诊信息验证识别模型的特性，即特异性和灵敏度。根据验证结果决定是否将该患者确诊信息上传给云处理平台10。

图4是示出了本公开的示例所涉及的患者终端40的结构框图。参见图4，本公开示例所涉及的患者终端40包括智能设备41。在一些示例中，患者终端40可为手持式移动终端，例如手机、平板电脑等。在一些示例中，患者终端40可在其内置的软件，例如APP中，设置一些问诊表，以与患者交互从而获得一些主观信息。在一些示例中，患者终端40还存储有患者的一些历史信息。智能设备41可获取患者的体征信息，可以有多个。在一些示例中，这些智能设备41为可穿戴智能设备，例如手环、心率带或运动智能手表等，这些设备带有各种传感器，例如体动传感器、心率传感器、血氧传感器等，可对诸如体动、心率和血氧等信息进行监测，因而可以监控睡眠和日常活动。在另一些示例中，这些设备可为非穿戴智能设备，例如智能床垫、智能枕头、智能床带、智能别扣等。这种单独仅为监测睡眠设计的智能硬件产品一般都会内置高灵敏度传感器，记录用户的睡眠信息，例如睡眠质量(体动)、心率、呼吸频率和打鼾情况等。

下面详述本公开所涉及的基于多中心研究的右到左分流筛查系统1的工作原理。参见图5，图5是示出了本公开的示例所涉及的基于多中心研究的右到左分流筛查系统的应用流程图，包括：患者问诊、病史调查和体征测量(步骤S101)，右到左分流筛查评估(步骤S102)，患者检查确认(步骤S103)，识别模型验证调优(步骤S104)。以下结合附图1-图5对各步骤进行详细说明。

在步骤S101中，患者通过患者终端40，打开相应的手机APP，通过移动网络连接到右到左分流筛查平台20，开始问诊，问诊的内容如表3所示。

在一些示例中，问诊的内容如表3所示。但本公开不限于此，问诊的内容也可以包括头痛发作持续时间、头痛频率、头痛部位、头痛程度、头痛性质(例如脉搏性头痛、闷胀性头痛、或针刺性头痛等)、伴随症状(例如恶心、畏光、鼻充血或流涕等)等项目。

表3 RLS问诊示例

患者终端40的APP通过手机蓝牙利用患者佩戴的手环采集当前患者的呼吸频率、心率、血氧及一段时间的睡眠等参数，并发送给右到左分流筛查平台20。

在步骤S102中，右到左分流筛查平台20对问诊信息、病史记录及采集的体征信息利用云处理平台10上传的识别模型进行评估，该识别模型包括历史问诊的信息。给出评估结果后，若结果提示为高风险，根据预定规则，需要医生通过医生终端30对评估结果进行质控，即人工复检，医生复检后同意该评估结果，右到左分流筛查平台20将评估结果发送给患者终端40。

在步骤S103中，患者通过患者终端40获知筛查评估结果，按照进一步检查的指示到医院有关科室进行物理学检查，检查结果显示为RLS阳性或阴性，该结果通过医院网络，例如医院信息系统(Hospital Information System：HIS)，传送到医生终端30上，医生将该确诊信息上传到右到左分流筛查平台20上进行识别模型的灵敏度和特异性验证判断，确定可以上传到云处理平台10上。

在步骤S104中，云处理平台10对其进行分类审核，人工智能专家为该阳性样本配备对应数量的正常组，对识别模型进行训练，获得更新的识别模型，并将该更新后的识别模型发送给右到左分流筛查平台20。

图6是示出了本公开的示例所涉及的基于多中心研究的右到左分流筛查方法的流程图。参见图1和图6，本公开示例所涉及的基于多中心研究的右到左分流风险筛查方法包括：训练并生成识别模型(步骤S201)。上传识别模型(步骤S202)。获得患者病症信息(步骤S203)。上传患者病症信息(步骤S204)。模式识别筛查评估(步骤S205)。上传确诊信息(步骤S206)。反馈优化识别模型(步骤S207)。以下结合附图，对各个步骤进行详细说明。

在步骤S201中，利用云处理平台10接收来自于不同医疗机构的右到左分流的病例信息并利用病例信息训练基于人工智能的识别模型。参见图7，其是示出了本公开示例所涉及的识别模型处理流程图。如图7所示，结合图1-图4，识别模型处理流程可以包括：病例信息输入(步骤S2011)，病例信息的分类和审核(步骤S2012)，训练并生成识别模型(步骤S2013)。

在一些示例中，如上所述，云处理平台10可以部署为与客户端50通过网络例如互联网相连接的软件即服务(Software As A Service，SAAS)或平台即服务(Platform As AService，PAAS)云服务平台。

在步骤S2011中，多中心研究人员可以使用客户端51输入病例信息。在另一些示例中，多中心研究人员也可以直接在云处理平台10上输入病例信息。

在步骤S2012中，多中心专家可以使用客户端52对输入的病例信息进行信息、病种等分类审核和数据整理及标注工作，形成可供训练用的病例样本。在另一些示例中，多中心专家也可直接在云处理平台10上进行上述分类审核和数据整理及标注工作。在一些示例中，云处理平台10在病例信息中获取第一病症对于右到左分流患病的基础风险概率，在获得基础风险概率后，根据病例信息获取第二病症对于基础风险概率的修正概率，按照预定规则基于基础风险概率和修正概率获得对于右到左分流患病的风险概率，基于对于右到左分流患病的风险概率形成样本病例。

在步骤S2013中，人工智能专家或知识工程师可以使用客户端53进行样本训练、模型生成。在一些示例中，训练可使用一些常见的训练方法，例如人工神经网络训练等。

在步骤S202中，云处理平台10可以将训练好的识别模型上传到右到左分流筛查平台20上，也包括在原有识别模型的基础上进行更新，将更新后的识别模型上传到右到左分流筛查平台20上以替代原有的模型。云处理平台10上可以处理与多中心研究病例有关的工作，其将训练好的识别模型放到右到左分流筛查平台20上使用，并不和患者终端40和医生终端30直接通信，确保了多中心研究中所涉及的患者隐私安全。

在步骤S203中，患者终端40可以获得与患者有关的右到左分流的病症信息，病症信息包括问诊表、病史记录和生理数据。参见图8，其是示出了本公开的示例所涉及的病症获取流程图。如图8所示，结合图1-图4，病症获取流程可以包括：问诊(步骤S2031)、病史回顾(S2032)和体征获取(步骤S2033)。在一些示例中，患者终端40可为手持式移动终端，例如手机、平板电脑等。

在步骤S2031中，可以在患者终端40上设置一些问答与患者交互从而获得一些主观信息。

在步骤S2032中，病史可以存储在患者终端40上，随同问诊结果和体征一同上传到右到左分流筛查平台20。

在步骤S2032中，患者终端40的APP可以通过与智能设备连接获取这些设备测量的体征信息。在一些示例中，这些智能设备可以为可穿戴智能设备，例如手环、心率带或运动智能手表等，这些设备带有各种传感器，例如体动传感器、心率传感器、血氧传感器等，可对诸如体动、心率和血氧等信息进行监测，因而可以监控睡眠和日常活动。在另一些示例中，这些设备可为非穿戴智能设备，例如智能床垫、智能枕头、智能床带、智能别扣等。这种单独仅为监测睡眠设计的智能硬件产品一般都会内置高灵敏度传感器，记录用户的睡眠信息，例如睡眠质量(体动)、心率、呼吸频率和打鼾情况等。

在步骤S204中，患者终端40可以将问诊结果、病史和体征信息上传到右到左分流筛查平台20上。

在步骤S205中，利用右到左分流筛查平台20中的识别模型基于来自患者终端40的病症信息生成右到左分流的评估结果并将评估结果发送给患者终端40。参见图9，其是示出了本公开的示例所涉及的筛查评估流程图。如图9所示，结合图1-图4，筛查评估流程可以包括：接收识别模型(步骤S2051)，接收病症信息(步骤S2052)，模式识别(步骤S2053)，评估质保(步骤S2054)，输出评估结果(步骤S2055)。

在步骤S2051中，右到左分流筛查平台20可以接收来自于云处理平台10的验证模型并存储更新。

在步骤S2052中，右到左分流筛查平台20可以接收来自于患者终端40的与患者有关的病症信息并存储更新。

在步骤S2053中，右到左分流筛查平台20可以利用识别模型对病症信息进行模式识别，并给出评估结果。一些示例中，评估结果可以包括风险级别和进一步的检查指示。

在步骤S2054中，在评估结果所提示的风险级别达到预定阈值时可以进行人工复检，该预定阈值可由医生确定，例如可为高风险。

在步骤S2055中，可以将评估结果发送给患者终端40。

在步骤S206中，若评估结果超过预定值，则提示患者前往部署有医生终端30的医疗机构进行确诊并利用医生终端30将患者的确诊信息上传至右到左分流筛查平台20。参见图10，其是示出了本公开的示例所涉及的确认反馈流程图。如图10所示，结合图1-图4，确认反馈流程可以包括：确诊信息输入上传(步骤S2061)和识别模型特性验证(步骤S2062)。

在步骤S2061中，患者可以按照评估结果中的检查指示进行进一步的检查确诊，医生可以在医生终端30上输入检查确诊的结果，例如，RLS诊断书，或者通过医院网络获得检查确诊信息，将该信息上传到右到左分流筛查平台20上。

在步骤S2062中，右到左分流筛查平台20可以根据病症确诊信息验证识别模型的特性，即特异性和灵敏度。确定是否将该病例作为识别模型的病例信息上传给云处理平台10。

在步骤S207中，在确定将患者作为样本病例并上传给云处理平台10后，云处理平台10可以按照预定规则配备相应的对照组，例如该患者确诊信息为阳性，确定将其纳入训练组，并为训练组配备对应数量的正常组，对识别模型进行调整优化，优化更新后的识别模型可以上传到右到左分流筛查平台20上。若该患者确诊信息为阴性，则将其纳入对照组。

本公开所涉及的系统和方法以医学多中心研究为基础，将多中心研究的数据电子化、结构化，打破了医疗信息的信息孤岛现象，建立了基于多中心研究的患者全面检查信息的大数据。通过将多中心研究形成的成果进行数据挖掘和人工智能训练形成基于右到左分流筛查的云服务，为广大人民群众提供基于问诊、病史、历史生命体征记录的智能疾病筛查和防治建议，并通过疾病状况监控、高风险病症预警、检查方案和检查指引服务，解决了人民群众急乱投医的窘迫，降低了医生在疾病诊治中的风险。

虽然以上结合附图和示例对本公开进行了具体说明，但是可以理解，上述说明不以任何形式限制本公开。本领域技术人员在不偏离本公开的实质精神和范围的情况下可以根据需要对本公开进行变形和变化，这些变形和变化均落入本公开的范围内。

Claims (10)

1.一种基于多中心研究的右到左分流筛查系统，其特征在于，包括：基于多中心研究的云处理平台、与所述云处理平台通信的右到左分流筛查平台、与所述右到左分流筛查平台通信的医生终端、以及与所述右到左分流筛查平台通信的患者终端，所述医生终端和所述患者终端与所述云处理平台不通信；所述云处理平台具有通过来自于不同医疗机构的右到左分流的病例信息训练得到且基于人工智能的识别模型，并将训练好的识别模型上传至所述右到左分流筛查平台，所述云处理平台在所述病例信息中获取第一病症对于所述右到左分流患病的基础风险概率，在获得所述基础风险概率后，根据所述病例信息获取第二病症对于所述基础风险概率的修正概率，按照预定规则基于所述基础风险概率和所述修正概率获得对于所述右到左分流患病的风险概率，基于所述对于右到左分流患病的风险概率形成样本病例；所述患者终端获得与患者有关的右到左分流的病症信息，所述病症信息包括问诊表、病史记录和生理数据；所述右到左分流筛查平台利用所述识别模型基于来自所述患者终端的病症信息生成所述右到左分流的评估结果，并将所述评估结果发送给所述患者终端，若所述评估结果超过预定值，则所述患者终端提示患者前往部署有所述医生终端的医疗机构进行确诊，所述医生终端将患者的确诊信息上传至所述右到左分流筛查平台，所述右到左分流筛查平台根据所述确诊信息判断是否将所述确诊信息上传至所述云处理平台以对所述识别模型进行更新。

2.根据权利要求1所述的右到左分流筛查系统，其特征在于，

所述云处理平台获取来自不同医疗机构的病例信息，对所述病例信息进行病种分类和审核，并基于病种分类和审核的结果训练所述识别模型。

3.根据权利要求1所述的右到左分流筛查系统，其特征在于，

所述右到左分流筛查平台对所述评估结果进行质控。

4.根据权利要求1-3中的任一项所述的右到左分流筛查系统，其特征在于，

所述问诊表记录患者症状的主观信息，所述病史记录记录患者与所述右到左分流相关的病史，所述生理数据为患者的体征信息。

5.根据权利要求4所述的右到左分流筛查系统，其特征在于，

所述患者终端包括获取所述生理数据的智能设备，所述智能设备包括可穿戴式智能设备，所述体征信息包括体动信息、心率或血氧中的至少一种。

6.根据权利要求4所述的右到左分流筛查系统，其特征在于，

所述患者终端包括获取所述生理数据的智能设备，所述智能设备包括非穿戴式智能设备，所述体征信息包括脉搏、心率或打鼾信息中的至少一种。

7.根据权利要求1所述的右到左分流筛查系统，其特征在于，

所述评估结果包括风险概率和与所述评估结果关联的检查指示，在所述风险概率大于预定值时判定为高风险。

8.一种基于多中心研究的右到左分流筛查方法，其特征在于，包括：

利用云处理平台接收来自于不同医疗机构的右到左分流的病例信息并利用所述病例信息训练基于人工智能的识别模型；

所述云处理平台将训练好的识别模型上传至右到左分流筛查平台；

患者终端获得与患者有关的右到左分流的病症信息，所述病症信息包括问诊表、病史记录和生理数据；

所述患者终端将所述病症信息上传至所述右到左分流筛查平台；

利用所述右到左分流筛查平台中的识别模型基于来自所述患者终端的病症信息生成所述右到左分流的评估结果并将所述评估结果发送给所述患者终端；

若所述评估结果超过预定值，则提示患者前往部署有医生终端的医疗机构进行确诊并利用所述医生终端将患者的确诊信息上传至所述右到左分流筛查平台；

利用所述右到左分流筛查平台根据所述确诊信息判断是否将所述确诊信息上传至所述云处理平台以对所述识别模型进行更新。

9.根据权利要求8所述的右到左分流筛查方法，其特征在于，

获取第一病症对于所述右到左分流患病的基础风险概率，在获得所述基础风险概率后，根据所述病例信息获取第二病症对于所述基础风险概率的修正概率，按照预定规则基于所述基础风险概率和所述修正概率获得对于所述右到左分流患病的风险概率，基于所述对于右到左分流患病的风险概率形成样本病例。

10.根据权利要求8所述的右到左分流筛查方法，其特征在于，

利用所述右到左分流筛查平台对所述评估结果进行质控。

Images