CN114864088B - 一种基于医疗健康的数字孪生建立方法、装置和存储介质 - Google Patents
一种基于医疗健康的数字孪生建立方法、装置和存储介质 Download PDFInfo
- Publication number
- CN114864088B CN114864088B CN202210445206.XA CN202210445206A CN114864088B CN 114864088 B CN114864088 B CN 114864088B CN 202210445206 A CN202210445206 A CN 202210445206A CN 114864088 B CN114864088 B CN 114864088B
- Authority
- CN
- China
- Prior art keywords
- data
- digital representation
- user
- digital
- natural entity
- 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
- G16H50/30—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
- 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
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Epidemiology (AREA)
- Pathology (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Primary Health Care (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明涉及一种基于医疗健康的数字孪生建立方法,包括以下步骤:从多源的医疗健康信息系统接收个体用户的健康数据;基于个体用户的健康数据生成个体数字孪生模型,包括人体碳基生化数据的数字表示、人体感知认知数据的数字表示以及自然实体干预数据的数字表示;在个体数字孪生模型中,利用机器学习模块进行全人诊断,获取用户的诊断数据的数字表示;利用机器学习模块,进行自然实体干预的动态匹配,获取与用户匹配的自然实体干预措施的数字表示;利用机器学习模块,进行优化医疗健康决策辅助,获取与用户匹配的优化医疗健康决策的数字表示。
Description
技术领域
本发明涉及一种基于医疗健康的数字孪生建立方法、装置和存储介质,属于数字医防技术领域。
背景技术
大数据、云计算、人工智能等数字信息技术在医疗健康领域的研究应用已成为前沿热点,通过“互联网+”与医疗健康结合,使得健康产业呈现高速发展态势。开展真实世界数据研究,深度融合医疗服务、公共卫生基础信息,推进疾病防控,向全面维护和促进全人群健康转变。健康医疗大数据的发展以卫生服务数字化为基础,将推动卫生服务管理模式的根本转变,提高卫生体系的效率。开展精准医学的实践,势必要推动数字信息技术与医疗健康紧密结合。
但是,现有的健康医疗大数据应用体制机制不健全,还不能有效地推动大数据资源的开发利用,数据信息“烟囱”和“孤岛”问题凸显,医疗健康数据、网络健康信息等仍亟待整合。数字孪生人体为解决卫生保健数字化、网络化、智能化提供方向。人体是一个复杂的巨系统,如何利用数字信息技术将个体医疗保健与健康医疗大数据建立平行互动的系统是当前亟待解决的技术问题。
发明内容
为了解决上述现有技术中存在的问题,本发明提出了一种基于医疗健康的数字孪生建立方法、装置和存储介质。
本发明的技术方案如下:
一方面,本发明提供一种基于医疗健康的数字孪生建立方法,包括以下步骤:
从多源的医疗健康信息系统接收个体用户的健康数据;
基于所述个体用户的健康数据生成个体数字孪生模型,所述个体数字孪生模型包括人体碳基生化数据的数字表示、人体感知认知数据的数字表示以及自然实体干预数据的数字表示,所述人体碳基生化数据的数字表示表征了用户的躯体生理特征,所述人体感知认知数据的数字表示表征了用户的心理感知和认知特征,所述自然实体干预数据的数字表示表征了外界实体暴露及干预的特征;
在所述个体数字孪生模型中,还利用机器学习模块,基于人体碳基生化数据的数字表示和人体感知认知数据的数字表示进行全人诊断,获取用户的诊断数据的数字表示;还利用机器学习模块,基于人体碳基生化数据的数字表示和自然实体干预数据的数字表示进行自然实体干预的动态匹配,获取与用户匹配的自然实体干预措施效应的数字表示;还利用机器学习模块,基于人体感知认知数据的数字表示和自然实体干预数据的数字表示进行优化医疗健康决策辅助,获取与用户匹配的优化医疗健康决策的数字表示。
作为优选,所述人体碳基生化数据的数字表示包括躯体微观结构的数字表示以及宏观体征的数字表示;所述人体感知认知数据的数字表示至少包括心理情绪的数字表示、习性爱好的数字表示以及价值取向的数字表示;所述自然实体干预措施效应的数字表示至少包括饮食的数字表示、活动的数字表示、地理环境的数字表示、医药产品使用的数字表示、医疗健康服务系统的数字表示以及监测设备采集数据的数字表示;
作为优选,所述利用机器学习模块,基于人体碳基生化数据的数字表示和人体感知认知数据的数字表示进行全人诊断,获取用户的诊断数据的数字表示,具体包括以下步骤:
从多个存在健康问题的用户的个体数字孪生模型获取对应用户人体碳基生化数据的数字表示和人体感知认知数据的数字表示,并基于提取出的数据生成特征数据矩阵;
建立循环神经网络模型,将生成的若干特征数据矩阵作为输入,对应用户的健康问题作为输出,对循环神经网络模型进行迭代训练,得到诊断模型;
利用所述诊断模型进行全人诊断,获取对应用户的诊断数据的数字表示。
作为优选,所述利用机器学习模块,基于人体碳基生化数据的数字表示和自然实体干预数据的数字表示进行自然实体干预的动态匹配,获取与用户匹配的自然实体干预措施效应的数字表示,具体包括以下步骤:
建立基于机器学习的预后预测模型,使用所述预后预测模型以及个体数字孪生模型模拟对应用户实施各项自然实体干预措施后对该用户的影响;
基于对应用户实施各项自然实体干预措施后对该用户的影响,对各项自然实体干预措施进行比较,基于比较结果向对应用户动态匹配自然实体干预措施。
作为优选,所述建立基于机器学习的预后预测模型的方法具体为:
从多源的医疗健康信息系统识别并获取曾实施一种自然实体干预措施的多个用户;
从各用户的个体数字孪生模型获取各用户实施对应自然实体干预措施之前的人体碳基生化数据的数字表示和自然实体干预数据的数字表示,以及获取各用户实施对应自然实体干预措施之后的人体碳基生化数据的数字表示和自然实体干预数据的数字表示,并基于实施自然实体干预措施前后的数据建立影响标签,所述影响标签指示了对应自然实体干预措施对对应用户的影响;
建立循环神经网络模型,将各用户实施对应自然实体干预措施前的人体碳基生化数据的数字表示和自然实体干预数据的数字表示作为输入,对应的影响标签作为输出,对循环神经网络模型进行迭代训练,得到所述预后预测模型。
作为优选,所述利用机器学习模块,基于人体感知认知数据的数字表示和自然实体干预数据的数字表示进行优化医疗健康决策辅助,获取与用户匹配的优化医疗健康决策的数字表示,具体包括以下步骤:
从多源的医疗健康信息系统识别并获取曾实施一种自然实体干预措施的多个用户;
从各用户的个体数字孪生模型获取各用户实施对应自然实体干预措施之前的人体感知认知数据的数字表示和自然实体干预数据的数字表示,以及获取各用户实施对应自然实体干预措施之后的人体碳基生化数据的数字表示和自然实体干预数据的数字表示,并基于实施自然实体干预措施前后的数据建立评价标签,所述评价标签指示了对应用户对对应自然实体干预措施的评价;
建立循环神经网络模型,将各用户实施对应自然实体干预措施前的人体感知认知数据的数字表示和自然实体干预数据的数字表示作为输入,对应的评价标签作为输出,对循环神经网络模型进行迭代训练,得到决策优化模型;
利用所述决策优化模型进行全人诊断,获取与用户匹配的优化医疗健康决策的数字表示。
作为优选,在从多源的医疗健康信息系统接收个体用户的健康数据步骤中还包括:
从多源的医疗健康信息系统中接收个体用户的多个原始数据,基于多个原始数据之间的关系,计算至少一个新的丰富数据;将多个原始数据和计算出的丰富数据放入对应用户的健康数据中。
另一方面,本发明还提供一种电子装置,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如本发明任一实施例所述的基于医疗健康的数字孪生建立方法。
再一方面,本发明还提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本发明任一实施例所述的基于医疗健康的数字孪生建立方法。
再一方面,本发明还提供一种生命全周期的健康管理服务系统:
包括协同管理模块以及用户的个体数字孪生模型,所述用户的个体数字孪生模型采用如本发明任一实施例所述的基于医疗健康的数字孪生建立方法建立;
所述协同管理模块从用户的个体数字孪生模型中获取数据,并基于获取的数据为用户提供服务。
本发明具有如下有益效果:
1、本发明一种基于医疗健康的数字孪生建立方法,获取多源的健康数据,归集为由人体碳基生化数据的数字表示、人体感知认知数据的数字表示以及自然实体干预数据的数字表示组成的个体数字孪生模型,能够反映个体全维度交叉平行的宏观微观、内因外因、躯体心理等个体化映射数据。
2、本发明一种基于医疗健康的数字孪生建立方法,在个体数字孪生模型中还通过机器学习模块生成了,诊断数据的数字表示、与用户匹配的自然实体干预措施的数字表示以及与用户匹配的优化医疗健康决策的数字表示,能够辅助进行全方位全周期的精准医疗保健。
3、本发明一种基于医疗健康的数字孪生建立方法,根据从多源的医疗健康信息系统中接收个体用户的多个原始数据还生成了丰富数据,提高医疗健康数据的多面性。
附图说明
图1为本发明实施例的方法流程图;
图2为本发明实施例中个体数字孪生模型的示例图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中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他实施例,都属于本发明保护的范围。
应当理解,文中所使用的步骤编号仅是为了方便描述,不对作为对步骤执行先后顺序的限定。
应当理解,在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
实施例一:
参见图1,本实施例提供一种基于医疗健康的数字孪生建立方法,包括以下步骤:
从多源的医疗健康信息系统接收个体用户的健康数据;多源的医疗健康信息系统包括政府有关部门的数据平台、各级疾控机构的数据平台、医疗机构的数据平台、保险机构的数据平台、养老机构的数据平台、药商的数据平台等等。
基于所述个体用户的健康数据生成个体数字孪生模型,参见图2,本实施例生成的个体数字孪生模型包括人体碳基生化数据的数字表示、人体感知认知数据的数字表示以及自然实体干预数据的数字表示,本实施例将个体用户多源的健康数据归集为由“躯体、数、物”三要素组成的有机整体,构成全维度交叉平行的宏观微观、内因外因、躯体心理等个体化映射数据。
其中,“躯体”(生物物理)为人体碳基生化数据的数字表示,表征了用户的人体碳基理化生物数据,体现生物属性;
“数”(信息物理)为人体感知认知数据的数字表示,表征了用户的心理感知和认知特征,体现社会属性包括科学认识、心理、人文、经济等,融合医学手段辅助感知认知将人体及外因全维度信息获取并表征为直观认知的数据;心理感知和认知特征由“自身心理感知认知”、“医学技术手段感知认知”两部分交互组成,所述“医学技术手段感知认知”还包括多维度大数据分析推断结果的数字表达;所述医学技术手段感知认知是通过医学技术手段辅助感知认知将人体及外界因素多维度信息获取进而表征为直观认知的数字表示;所述医学技术手段多尺度辅助感知认知至少包括常规医学、中医、基因细胞,及可穿戴设备;
“物”(实体物理)为自然实体干预数据的数字表示,表征了外界实体干预的特征,即躯体外部全场景暴露干预影响因素特征及评估评价数据。
在所述个体数字孪生模型中,还利用机器学习模块,基于人体碳基生化数据的数字表示和人体感知认知数据的数字表示进行全人诊断,获取用户的诊断数据的数字表示,所述全人诊断的诊断数据不仅反映躯体特征还至少反映感知、心理、认知、环境、社会、经济、偏好;还利用机器学习模块,基于人体碳基生化数据的数字表示和自然实体干预数据的数字表示进行自然实体干预的动态匹配,获取与用户匹配的自然实体干预措施的数字表示,所述自然实体干预的动态匹配包括监测检验获取用户躯体生理特征,暴露和作用于躯体的自然实体干预,获取自然实体干预措施的特征,以及暴露干预产生的效应或影响;还利用机器学习模块,基于人体感知认知数据的数字表示和自然实体干预数据的数字表示进行优化医疗健康决策辅助,获取与用户匹配的优化医疗健康决策的数字表示;将所述优化医疗健康决策的数字表示更新到人体医学技术手段感知认知的数字表示,迭代循环;输出存储到医疗健康信息系统相应模块。
作为本实施例的优选实施方式,所述人体碳基生化数据的数字表示包括躯体微观结构的数字表示以及宏观体征的数字表示,至少包括理化数据、组学数据、观察数据的数字表示;躯体微观结构的数字表示包括细胞基因、生化分子矿物质、细胞组织器官系统及多维空间结构形态等,宏观体征的数字表示包括性别、年龄、形态等。
所述人体感知认知数据的数字表示包括心理情绪的数字表示、习性爱好的数字表示以及价值取向的数字表示,例如感知心理数据、经济状态数据、行为习惯数据,这些数据通常由用户通过互联网、物联网等渠道自行采集,还包括例如营养活动、叙事情节、自我干预等数据;
所述自然实体干预数据的数字表示包括饮食的数字表示、活动的数字表示、地理环境的数字表示、医药产品使用的数字表示、医疗健康服务系统的数字表示以及监测设备采集数据的数字表示,其中,活动的数字表示是至少包括人体通过重力、运动设备作用力的作用下的暴露或干预,医疗健康服务系统是包含医生、医务工作者在内的健康服务系统。
通过以上个体数字孪生模型的数据,可以围绕“躯体、数、物”三者最佳匹配进行诊断决策,通过用户个体进行组学纵向整合分析、健康医疗大数据多层面系统性分析等实现全方位全周期的精准医健,通过个体数字孪生模型产生“诊断结果、解决方案、细化措施、决策建议”格式和内涵的结构化数据,经过易用性、可视化等处理后直观方式呈现。
作为本实施例的优选实施方式,所述利用机器学习模块,基于人体碳基生化数据的数字表示和人体感知认知数据的数字表示进行全人诊断,获取用户的诊断数据的数字表示,具体包括以下步骤:
从多个存在健康问题的用户的个体数字孪生模型获取对应用户人体碳基生化数据的数字表示和人体感知认知数据的数字表示,并基于提取出的数据生成特征数据矩阵作为训练数据;在本实施例中,以健康问题作为组别,在不同健康问题的分组下收集大量具有该健康问题的用户的人体碳基生化数据的数字表示和人体感知认知数据的数字表示,并相应的生成特征数据矩阵;
建立一个或多个循环神经网络模型,在建立一个循环神经网络模型的情况下,网络模型实际为多分类的模型,将生成的若干特征数据矩阵作为训练样本输入循环神经网络模型,对应用户的健康问题作为循环神经网络模型的输出层,对该循环神经网络模型进行迭代训练,得到可诊断多种健康问题的诊断模型;在建立多个循环神经网络模型的情况下,可以一个循环神经网络模型对应一种健康问题,或者一个循环神经网络模型对应少量多种的健康问题,采用如上所述的训练步骤,可得到多个可分别诊断不同健康问题的诊断模型的集合;
利用生成的一个或多个诊断模型进行全人诊断,获取对应用户的诊断数据的数字表示,本实施例中,诊断数据的数字表示具体为用户罹患不同健康问题的风险。
作为本实施例的优选实施方式,所述利用机器学习模块,基于人体碳基生化数据的数字表示和自然实体干预数据的数字表示进行自然实体干预的动态匹配,获取与用户匹配的自然实体干预措施的数字表示,具体包括以下步骤:
首先确定是否推荐一个或多个不同的自然实体干预措施(自然实体干预措施例如药物治疗、处方、食疗等);将这组自然实体干预措施输入到机器学习模型中,该模型被训练以确定在给定一用户的个体数字孪生模型的数据,基于该数据从机器学习模型获得推荐的自然实体干预措施和与该自然实体干预措施相对应的置信度分数;
建立基于机器学习的预后预测模型,使用所述预后预测模型以及个体数字孪生模型模拟对应用户实施各项推荐的自然实体干预措施后对该用户的影响;
基于对应用户实施各项自然实体干预措施后对该用户的影响,对各项自然实体干预措施进行比较,基于比较结果向对应用户动态匹配自然实体干预措施。
作为本实施例的优选实施方式,所述建立基于机器学习的预后预测模型的方法具体为:
从多源的医疗健康信息系统识别并获取曾实施一种自然实体干预措施的多个用户;
从各用户的个体数字孪生模型获取各用户实施对应自然实体干预措施之前的人体碳基生化数据的数字表示和自然实体干预数据的数字表示,以及获取各用户实施对应自然实体干预措施之后的人体碳基生化数据的数字表示和自然实体干预数据的数字表示,并基于实施自然实体干预措施前后的数据建立影响标签,所述影响标签指示了对应自然实体干预措施对对应用户的影响;
建立循环神经网络模型,将各用户实施对应自然实体干预措施前的人体碳基生化数据的数字表示和自然实体干预数据的数字表示作为输入,对应的影响标签作为输出,对循环神经网络模型进行迭代训练,得到所述预后预测模型。
作为本实施例的优选实施方式,所述利用机器学习模块,基于人体感知认知数据的数字表示和自然实体干预数据的数字表示进行优化医疗健康决策辅助,获取与用户匹配的优化医疗健康决策的数字表示,具体包括以下步骤:
从多源的医疗健康信息系统识别并获取曾实施一种自然实体干预措施的多个用户;
从各用户的个体数字孪生模型获取各用户实施对应自然实体干预措施之前的人体感知认知数据的数字表示和自然实体干预数据的数字表示,以及获取各用户实施对应自然实体干预措施之后的人体碳基生化数据的数字表示和自然实体干预数据的数字表示,并基于实施自然实体干预措施前后的数据建立评价标签,所述评价标签指示了对应用户对对应自然实体干预措施的评价;
建立循环神经网络模型,将各用户实施对应自然实体干预措施前的人体感知认知数据的数字表示和自然实体干预数据的数字表示作为输入,对应的评价标签作为输出,对循环神经网络模型进行迭代训练,得到决策优化模型;
利用所述决策优化模型进行全人诊断,获取与用户匹配的优化医疗健康决策的数字表示。
作为本实施例的优选实施方式,在从多源的医疗健康信息系统接收个体用户的健康数据步骤中还包括:
从多源的医疗健康信息系统中接收个体用户的多个原始数据,基于多个原始数据之间的关系,计算至少一个新的丰富数据;将多个原始数据和计算出的丰富数据放入对应用户的健康数据中。例如基于用户的患病数据、医疗保健服务数据和医师处方记录与以及上述三种数据之间的一种或多种关系,确定并创建至少一个新的丰富数据集或更多关系放入对应用户的健康数据中。
实施例二:
本实施例提供一种电子装置,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如本发明任一实施例所述的基于医疗健康的数字孪生建立方法。
实施例三:
本实施例提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本发明任一实施例所述的基于医疗健康的数字孪生建立方法。
实施例四:
用户通常不具备运用数字孪生模型处理健康问题的专业能力,必然需要借助服务系统直接或间接协助,因此本实施例提供一种生命全周期的健康管理服务系统,基于用户对健康管理的决策辅助数据的需求,构建用户与数字孪生模型的桥梁;“服务”,即数字孪生生命全周期决策辅助系统,用户用于除急诊外的医疗保健;
具体包括协同管理模块以及用户的个体数字孪生模型,所述用户的个体数字孪生模型采用如本发明任一实施例所述的基于医疗健康的数字孪生建立方法建立;
所述协同管理模块从用户的个体数字孪生模型中获取数据,并基于获取的数据为用户提供服务,服务包括了监测分析、诊断预测、预后预测、干预决策、后效评价一体的闭合循环。
数据经迭代而优化个体数字孪生模型,协同管理模块由多学科医务团队临床预防作业产出决策辅助数据,数据纠缠反馈为临床预防作业提供动态“历史数据”支撑,循环反复、迭代优化使之更加契合用户,使干预措施的实施更趋精准,赋予个体或其监护人医疗健康决策能力。形成“基本型个体数字孪生模型+X”的模式,基本型个体数字孪生模型能够满足全人群日常保健与疾病常规治疗,X为前沿技术干预。实时映射身心状况并承载个体化解决方案及干预建议,用户通过互联网等方式随时获取使用,实现生命全周期健康管理。
以上所述仅为本发明的实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (7)
1.一种基于医疗健康的数字孪生建立方法,其特征在于,包括以下步骤:
从多源的医疗健康信息系统接收个体用户的健康数据;
基于所述个体用户的健康数据生成个体数字孪生模型,所述个体数字孪生模型包括人体碳基生化数据的数字表示、人体感知认知数据的数字表示以及自然实体干预数据的数字表示,所述人体碳基生化数据的数字表示表征了用户的躯体生理特征,所述人体感知认知数据的数字表示表征了用户的心理感知和认知特征,所述自然实体干预数据的数字表示表征了外界实体暴露及干预的特征;
在所述个体数字孪生模型中,还利用机器学习模块,基于人体碳基生化数据的数字表示和人体感知认知数据的数字表示进行全人诊断,获取用户的诊断数据的数字表示;还利用机器学习模块,基于人体碳基生化数据的数字表示和自然实体干预数据的数字表示进行自然实体干预的动态匹配,获取与用户匹配的自然实体干预措施效应的数字表示;还利用机器学习模块,基于人体感知认知数据的数字表示和自然实体干预数据的数字表示进行优化医疗健康决策辅助,获取与用户匹配的优化医疗健康决策的数字表示;
所述利用机器学习模块,基于人体碳基生化数据的数字表示和自然实体干预数据的数字表示进行自然实体干预的动态匹配,获取与用户匹配的自然实体干预措施效应的数字表示,具体包括以下步骤:
建立基于机器学习的预后预测模型,使用所述预后预测模型以及个体数字孪生模型模拟对应用户实施各项自然实体干预措施后对该用户的影响;
基于对应用户实施各项自然实体干预措施后对该用户的影响,对各项自然实体干预措施进行比较,基于比较结果向对应用户动态匹配自然实体干预措施;
所述建立基于机器学习的预后预测模型的方法具体为:
从多源的医疗健康信息系统识别并获取曾实施一种自然实体干预措施的多个用户;
从各用户的个体数字孪生模型获取各用户实施对应自然实体干预措施之前的人体碳基生化数据的数字表示和自然实体干预数据的数字表示,以及获取各用户实施对应自然实体干预措施之后的人体碳基生化数据的数字表示和自然实体干预数据的数字表示,并基于实施自然实体干预措施前后的数据建立影响标签,所述影响标签指示了对应自然实体干预措施对对应用户的影响;
建立循环神经网络模型,将各用户实施对应自然实体干预措施前的人体碳基生化数据的数字表示和自然实体干预数据的数字表示作为输入,对应的影响标签作为输出,对循环神经网络模型进行迭代训练,得到所述预后预测模型;
所述利用机器学习模块,基于人体感知认知数据的数字表示和自然实体干预数据的数字表示进行优化医疗健康决策辅助,获取与用户匹配的优化医疗健康决策的数字表示,具体包括以下步骤:
从多源的医疗健康信息系统识别并获取曾实施一种自然实体干预措施的多个用户;
从各用户的个体数字孪生模型获取各用户实施对应自然实体干预措施之前的人体感知认知数据的数字表示和自然实体干预数据的数字表示,以及获取各用户实施对应自然实体干预措施之后的人体碳基生化数据的数字表示和自然实体干预数据的数字表示,并基于实施自然实体干预措施前后的数据建立评价标签,所述评价标签指示了对应用户对对应自然实体干预措施的评价;
建立循环神经网络模型,将各用户实施对应自然实体干预措施前的人体感知认知数据的数字表示和自然实体干预数据的数字表示作为输入,对应的评价标签作为输出,对循环神经网络模型进行迭代训练,得到决策优化模型;
利用所述决策优化模型进行全人诊断,获取与用户匹配的优化医疗健康决策的数字表示。
2.根据权利要求1所述的一种基于医疗健康的数字孪生建立方法,其特征在于:所述人体碳基生化数据的数字表示包括躯体微观结构的数字表示以及宏观体征的数字表示;所述人体感知认知数据的数字表示至少包括心理情绪的数字表示、习性爱好的数字表示以及价值取向的数字表示;所述自然实体干预措施效应的数字表示至少包括饮食的数字表示、活动的数字表示、地理环境的数字表示、医药产品使用的数字表示、医疗健康服务系统的数字表示以及监测设备采集数据的数字表示。
3.根据权利要求1所述的一种基于医疗健康的数字孪生建立方法,其特征在于:所述利用机器学习模块,基于人体碳基生化数据的数字表示和人体感知认知数据的数字表示进行全人诊断,获取用户的诊断数据的数字表示,具体包括以下步骤:
从多个存在健康问题的用户的个体数字孪生模型获取对应用户人体碳基生化数据的数字表示和人体感知认知数据的数字表示,并基于提取出的数据生成特征数据矩阵;
建立循环神经网络模型,将生成的若干特征数据矩阵作为输入,对应用户的健康问题作为输出,对循环神经网络模型进行迭代训练,得到诊断模型;
利用所述诊断模型进行全人诊断,获取对应用户的诊断数据的数字表示。
4.根据权利要求1所述的一种基于医疗健康的数字孪生建立方法,其特征在于,在从多源的医疗健康信息系统接收个体用户的健康数据步骤中还包括:
从多源的医疗健康信息系统中接收个体用户的多个原始数据,基于多个原始数据之间的关系,计算至少一个新的丰富数据;将多个原始数据和计算出的丰富数据放入对应用户的健康数据中。
5.一种电子装置,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-4任一权利要求所述的基于医疗健康的数字孪生建立方法。
6.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-4任一权利要求所述的基于医疗健康的数字孪生建立方法。
7.一种生命全周期的健康管理服务系统,其特征在于:
包括协同管理模块以及用户的个体数字孪生模型,所述用户的个体数字孪生模型采用如权利要求1-4任一权利要求所述的基于医疗健康的数字孪生建立方法建立;
所述协同管理模块从用户的个体数字孪生模型中获取数据,并基于获取的数据为用户提供服务。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210445206.XA CN114864088B (zh) | 2022-04-26 | 2022-04-26 | 一种基于医疗健康的数字孪生建立方法、装置和存储介质 |
PCT/CN2023/089809 WO2023207795A1 (zh) | 2022-04-26 | 2023-04-21 | 一种基于医疗健康的数字孪生建立方法、装置和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210445206.XA CN114864088B (zh) | 2022-04-26 | 2022-04-26 | 一种基于医疗健康的数字孪生建立方法、装置和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114864088A CN114864088A (zh) | 2022-08-05 |
CN114864088B true CN114864088B (zh) | 2023-04-14 |
Family
ID=82632895
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210445206.XA Active CN114864088B (zh) | 2022-04-26 | 2022-04-26 | 一种基于医疗健康的数字孪生建立方法、装置和存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN114864088B (zh) |
WO (1) | WO2023207795A1 (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114864088B (zh) * | 2022-04-26 | 2023-04-14 | 福建福寿康宁科技有限公司 | 一种基于医疗健康的数字孪生建立方法、装置和存储介质 |
CN117831640B (zh) * | 2024-03-05 | 2024-05-14 | 青岛国实科技集团有限公司 | 基于超算的医药产业数字孪生平台 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112669967A (zh) * | 2020-12-24 | 2021-04-16 | 福建福寿康宁科技有限公司 | 一种主动式健康医疗决策辅助方法及设备 |
CN113035353A (zh) * | 2021-01-30 | 2021-06-25 | 周浩 | 一种数字孪生健康管理系统 |
Family Cites Families (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210005324A1 (en) * | 2018-08-08 | 2021-01-07 | Hc1.Com Inc. | Methods and systems for a health monitoring command center and workforce advisor |
US20210202103A1 (en) * | 2014-03-28 | 2021-07-01 | Hc1.Com Inc. | Modeling and simulation of current and future health states |
US20200051679A1 (en) * | 2018-08-08 | 2020-02-13 | Hc1.Com Inc. | Methods and systems for a pharmacological tracking and reporting platform |
US20200303047A1 (en) * | 2018-08-08 | 2020-09-24 | Hc1.Com Inc. | Methods and systems for a pharmacological tracking and representation of health attributes using digital twin |
US20170329905A1 (en) * | 2016-05-12 | 2017-11-16 | Siemens Healthcare Gmbh | Life-Long Physiology Model for the Holistic Management of Health of Individuals |
US20190005195A1 (en) * | 2017-06-28 | 2019-01-03 | General Electric Company | Methods and systems for improving care through post-operation feedback analysis |
US20190005200A1 (en) * | 2017-06-28 | 2019-01-03 | General Electric Company | Methods and systems for generating a patient digital twin |
US10957451B2 (en) * | 2017-12-27 | 2021-03-23 | General Electric Company | Patient healthcare interaction device and methods for implementing the same |
CN108428477A (zh) * | 2018-03-30 | 2018-08-21 | 北京航空航天大学 | 基于数字双胞胎的云医疗仿真平台的构建方法及云医疗系统 |
US10978189B2 (en) * | 2018-07-19 | 2021-04-13 | Optum, Inc. | Digital representations of past, current, and future health using vectors |
US20210151187A1 (en) * | 2018-08-22 | 2021-05-20 | Siemens Healthcare Gmbh | Data-Driven Estimation of Predictive Digital Twin Models from Medical Data |
CN110189097A (zh) * | 2019-05-09 | 2019-08-30 | 福建福寿康宁科技有限公司 | 基于主动健康的医养结合个性化养老服务系统 |
US20210225513A1 (en) * | 2020-01-22 | 2021-07-22 | XY.Health Inc. | Method to Create Digital Twins and use the Same for Causal Associations |
CN112233747A (zh) * | 2020-11-16 | 2021-01-15 | 广东省新一代通信与网络创新研究院 | 一种基于个人数字孪生网络数据分析方法及系统 |
CN112904220B (zh) * | 2020-12-30 | 2021-12-31 | 厦门大学 | 一种基于数字孪生和机器学习的ups健康预测方法、系统、电子设备及可存储介质 |
CN113360941A (zh) * | 2021-06-04 | 2021-09-07 | 深圳市第二人民医院(深圳市转化医学研究院) | 基于数字孪生的医疗数据处理方法、装置和计算机设备 |
CN113782208A (zh) * | 2021-10-19 | 2021-12-10 | 四川省康复辅具技术服务中心 | 基于智能康复设备的家庭健康评估及干预系统 |
CN114864088B (zh) * | 2022-04-26 | 2023-04-14 | 福建福寿康宁科技有限公司 | 一种基于医疗健康的数字孪生建立方法、装置和存储介质 |
-
2022
- 2022-04-26 CN CN202210445206.XA patent/CN114864088B/zh active Active
-
2023
- 2023-04-21 WO PCT/CN2023/089809 patent/WO2023207795A1/zh unknown
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112669967A (zh) * | 2020-12-24 | 2021-04-16 | 福建福寿康宁科技有限公司 | 一种主动式健康医疗决策辅助方法及设备 |
CN113035353A (zh) * | 2021-01-30 | 2021-06-25 | 周浩 | 一种数字孪生健康管理系统 |
Also Published As
Publication number | Publication date |
---|---|
WO2023207795A1 (zh) | 2023-11-02 |
CN114864088A (zh) | 2022-08-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2023202508A1 (zh) | 一种基于认知图谱的全科患者个性化诊疗方案推荐系统 | |
CN110459328B (zh) | 临床监护设备 | |
CN114864088B (zh) | 一种基于医疗健康的数字孪生建立方法、装置和存储介质 | |
JP2018060529A (ja) | コンテキストベースの患者類似性の方法及び装置 | |
JP2016516231A (ja) | 医療意志決定時の支援としての医療提案のスコアを計算する方法 | |
CN102405473A (zh) | 医护点动作医疗系统和方法 | |
CN112562808B (zh) | 患者画像的生成方法、装置、电子设备及存储介质 | |
CN112100286A (zh) | 基于多维度数据的计算机辅助决策方法、装置、系统及服务器 | |
CN111429985B (zh) | 电子病历数据处理方法及系统 | |
Bichindaritz et al. | Case-based reasoning in the health sciences: Foundations and research directions | |
Chatzinikolaou et al. | Smart healthcare support using data mining and machine learning | |
US20230053474A1 (en) | Medical care system for assisting multi-diseases decision-making and real-time information feedback with artificial intelligence technology | |
Das et al. | Application of AI and soft computing in healthcare: a review and speculation | |
CN113096795A (zh) | 多源数据辅助的临床决策支持系统及方法 | |
WO2022141925A1 (zh) | 一种智能医学服务系统、方法及存储介质 | |
Mishra et al. | A review on the applications of fuzzy expert system for disease diagnosis | |
CN116543917A (zh) | 一种针对异构时间序列数据的信息挖掘方法 | |
Awotunde et al. | An Enhanced Medical Diagnosis System for Malaria and Typhoid Fever Using Genetic Neuro-Fuzzy System | |
Basha et al. | Deep learning neural network (DLNN)-based classification and optimization algorithm for organ inflammation disease diagnosis | |
Strobel et al. | Healthcare in the Era of Digital twins: towards a Domain-Specific Taxonomy. | |
CN114743669A (zh) | 用于健康决策的人机交互方法、设备、存储介质和系统 | |
Georgieva-Tsaneva | Effective information methods for description and storage of data in health care | |
CN112233806A (zh) | 一种全信息辅助诊疗方法及系统 | |
Myrzakerimova et al. | APPLICATION OF MATHEMATICAL MODELS IN THE DIAGNOSIS OF DISEASES OF INTERNAL ORGANS | |
Khambampati et al. | CureNet: Improving Explainability of AI Diagnosis Using Custom Large Language Models |
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 |