CN115148330A - Pop治疗方案形成方法及系统 - Google Patents

Pop治疗方案形成方法及系统 Download PDF

Info

Publication number
CN115148330A
CN115148330A CN202210569659.3A CN202210569659A CN115148330A CN 115148330 A CN115148330 A CN 115148330A CN 202210569659 A CN202210569659 A CN 202210569659A CN 115148330 A CN115148330 A CN 115148330A
Authority
CN
China
Prior art keywords
pop
treatment
formula
patient
probability
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202210569659.3A
Other languages
English (en)
Other versions
CN115148330B (zh
Inventor
孙智晶
邓柯
朱兰
刘朝阳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tsinghua University
Peking Union Medical College Hospital Chinese Academy of Medical Sciences
Original Assignee
Tsinghua University
Peking Union Medical College Hospital Chinese Academy of Medical Sciences
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Tsinghua University, Peking Union Medical College Hospital Chinese Academy of Medical Sciences filed Critical Tsinghua University
Priority to CN202210569659.3A priority Critical patent/CN115148330B/zh
Publication of CN115148330A publication Critical patent/CN115148330A/zh
Application granted granted Critical
Publication of CN115148330B publication Critical patent/CN115148330B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/40—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to mechanical, radiation or invasive therapies, e.g. surgery, laser therapy, dialysis or acupuncture
    • 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
    • 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
    • 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)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Urology & Nephrology (AREA)
  • Surgery (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

本发明提供一种POP治疗方案形成方法及系统，属于智慧医疗技术领域，通过整合术式、医生、患者三方的信息，综合专家知识、文献调研和电子病历的信息，给出患者最优的治疗方案推荐；通过将专家知识与数据驱动算法相结合，简化治疗方案推荐程序，降低治疗方案选择的复杂性，避免了不必要的辅助检查，也减少了由于缺少专家经验造成不适宜临床决策的潜在风险，达到使用基础的经济、人力成本以实现对女性盆腔器官脱垂的治疗方案科学推荐的技术效果，进而促进POP治疗的科学化向基层扩展。

Description

POP治疗方案形成方法及系统
技术领域
本发明属于智慧医疗技术领域，具体涉及一种POP治疗方案形成方法、系统、电子设备以及存储介质。
背景技术
女性盆底功能障碍性疾病(PFD)主要包括盆腔器官脱垂(POP)、尿失禁(UI)、肛门失禁、性功能障碍、慢性盆腔疼痛等。而POP作为女性盆底功能障碍性疾病的重要组成部分，定义为由于盆底组织退化、创伤、先天性发育不良或某些疾病引起损伤、张力减低导致盆底支持功能减弱，使女性生殖器官和相邻脏器向下移位；包括阴道前壁脱垂、阴道后壁脱垂、阴道穹隆脱垂和子宫脱垂，可伴有膀胱膨出、肠膨出和肠疝。严重的POP患者可自觉有阴道块状物脱出，有不同程度的腰骶部酸痛或下坠感，站立过久或劳累后症状明显，可伴有排便、排尿困难或不同程度的尿失禁，暴露在外的宫颈或阴道壁长期与衣裤摩擦，可导致局部宫颈或阴道壁出现溃疡、出血、阴道壁粘膜增生变硬失去弹性等，继发感染后还会产生脓性分泌物，对日常生活造成影响。据流行病学调查统计，POP在发展中国家的平均患病率为19.7％，在中国随着年龄的增长，POP的患病率也逐渐增加。妇女健康协会调查发现在美国50-79岁的妇女发生I-III度POP的患病率为41.1％。也就是说，女性一生中会有11％-19％的概率会为恢复盆地功能而接受POP手术。
当前POP手术有多种可选方案，主要分为自身组织修复(Native Tissue Repair，NTR)和加用网片修复(Meshes)两大类；其中，NTR包括阴道封闭/半封闭术(Lefort)、骶棘韧带固定术/坐骨棘筋膜固定术/髂尾肌筋膜固定术(Sacrospinous Ligament Fixation/Ischia Spinous Fascia Fixation,SSLF/ISFF)和骶韧带悬吊术(Uterosacral LigamentSuspension,ULS)，加用网片修复手术主要包括骶前固定术(Sacrocolpopexy,SC)和经阴道网片植入手术(Trans-vaginal Mesh,TVM)。每种术式的有效性和安全性各不相同，选择合适的术式需要综合考虑POP发生的部位、严重程度、患者个体风险、期望花费、医生操作偏好等。而准确的POP治疗方案推荐对减轻患者的并发症风险和提升医疗资源的有效利用具有重要意义。囿于复杂的决策过程，基层医生对术式选择缺乏个体化指导。而专业的盆底疾病专家在大多数国家都是极为匮乏的。在此基础上，充分利用数据驱动的方法来自动推荐POP治疗方式成为一种可行的方案。
在知识驱动POP治疗方面，Naldini et al.[1]基于7年的综合盆底疾病专家组经验及文献调研结果，针对子宫脱垂及阴道穹窿脱垂，提出一种整合多个盆底疾病的综合治疗方案，用于指导复杂的盆底疾病的治疗决策；NICE机构也提供一种针对POP治疗的帮助工具，针对疾病的诊断和治疗帮助患者进行自我教育，涵盖的主要的信息包括手术操作流程、有效性和术后并发症比较等；Bordeianou et al.[2]基于患者的术前检查信息、文献调研结果和专家意见，给出针对直肠脱垂的推荐术式。基于知识的方法对术式的归纳总结较好，可以对术式的效果和风险进行客观评价，但其一方面缺乏对患者个体差异性的评估，另一方面也没有考虑具体医生对术式的偏好程度。
在POP治疗的智能决策方面，Slade et al.[3]聚焦为盆腔前壁脱垂(AnteriorPOP)，通过系统的文献调研收集到27个该疾病的随机化试验数据，通过马尔可夫模型来比较不同手术治疗方案的花费-效用分析；Hullfish et al.[4]采用类似的马尔可夫决策模型来评估和比较子宫切除术后的POP治疗方案的花费-效用分析，效用采用术后一年的生活质量改善情况，该方法同时考虑术式的有效性、复杂性和花费，然而该整合方法仅考虑术式宏观的指标，缺乏对个体维度的特征考虑；Jelovsek[5]针对POP手术过程中是否同时执行尿失禁手术进行预测分析，开发出一种线上的预测分析工具，采用多元逻辑回归方法来预测POP手术过程中同时采用尿失禁手术的风险，模型结果超过医生专家的判断，从而对于指导POP手术是否伴随尿失禁手术的选择提供指导。综上，在现有技术中，关于POP治疗的智能决策存在的弊端如下：
1)目前的POP疾病的治疗方案推荐主要集中于知识驱动的方法，其主要关注术式的安全性和有效性，对患者的需求和医生的倾向缺乏考虑；
2)基于数据驱动的方法目前缺乏深入挖掘，从而无法给出基于患者和医生个体化的有效的量化推荐方案。
因此，亟需一种个体化的多维度的盆腔器官脱垂治疗方案形成方法。
发明内容
本发明提供一种POP治疗方案形成方法、系统、电子设备以及存储介质，用以克服现有技术中存在的至少一个技术问题。
为实现上述目的，本发明提供一种POP治疗方案形成方法，方法包括：
获取患者的治疗信息数据和医生的操作倾向数据；对患者的治疗信息数据和医生的操作倾向数据进行分析，划分为医生对每个POP治疗术式的操作倾向、POP-Q的测量结果、基本特征信息、患者花费意愿信息以及接纳程度信息；
将所述患者的治疗信息数据和医生的操作倾向数据输入预训练的POP治疗方案推测模型；根据患者的治疗信息获取各个POP治疗术式的先验概率和多维度的特征向量；其中，根据接纳程度信息确定POP治疗术式的先验概率；
利用高斯分布参数统计模型训练POP治疗方案推测模型，根据各维度的特征向量获取各维度的似然概率，进而确定各个POP治疗术式的似然概率；
利用贝叶斯公式，根据各个POP治疗术式的先验概率和各个POP治疗术式的似然概率获得各个POP治疗术式的推荐概率；
根据所获得的各个POP治疗术式的推荐概率，确定POP治疗方案。
进一步，优选的，利用高斯分布参数统计模型训练POP治疗方案推测模型的方法，包括，
获取POP治疗数据集，POP治疗数据集包括POP疾病术式指南、POP治疗文献以及POP治疗电子病历数据；将POP治疗数据集划分为训练集和测试集；
构建与各个POP治疗术式相对应的各个维度的POP治疗方案影响变量；确定先验概率、各个维度的POP治疗方案影响变量与POP治疗术式的推荐概率的关联关系；
根据先验概率、各个维度的POP治疗方案影响变量与POP治疗术式的推荐程度的关联关系，构建POP治疗方案推测模型；其中，POP治疗方案推测模型包括每个POP治疗术式对应的POP治疗方案推测子模型；
基于极大似然估计，确定每个POP治疗术式对应的POP治疗方案推测子模型的高斯分布最优参数；
利用交叉熵损失函数对POP治疗方案推测模型的参数进行训练约束，进而确定POP治疗方案推测模型的参数值；
完成POP治疗方案推测模型的训练。
进一步，优选的，所述POP治疗方案推测模型包括术式空间和多维度的特征空间；
所述术式空间
Figure BDA0003659725430000046
其中，s1，…，s6分别表示阴道封闭术、骶棘韧带固定术或坐骨棘筋膜固定术、高位骶韧带悬吊术、骶前固定术、前路TVM全盆底重建术以及后路TVM全盆底重建术；
对于多维度的特征空间
Figure BDA0003659725430000041
其中，
Figure BDA0003659725430000042
是多维度的特征向量，e，c，d，m，o分别表示有效性、患者基本特征、安全性、经济性和医生操作倾向性。
进一步，优选的，利用贝叶斯公式，根据各个POP治疗术式的先验概率和所述各维度的似然概率获得各个POP治疗术式的推荐概率的方法，通过以下公式实现：
p(s|X)∝p(X|s).p(s)？
其中，p(s|X)为推荐概率，p(s)为先验概率，p(X|s)为似然概率；
所述似然概率通过以下公式获取：
Figure BDA0003659725430000043
其中，α，β，γ，η∈[0，+∞)分别表示安全性、经济性、医生操作倾向性、患者基本特征的指数权重，p(e|s)为有效性似然概率，p(c|s)为患者基本特征的似然概率，p(d|s)为安全性似然概率，p(m|s)为经济性似然概率，p(o|s)为医生操作倾向性的似然概率；指标函数I(m)和I(o)分别表示患者的意愿和医生的意愿，可表示为：
Figure BDA0003659725430000044
Figure BDA0003659725430000045
进一步，优选的，所述有效性似然概率p(e|s)的获取方法，包括：
根据POP-Q的测量结果确定POP-Q指示点值向量的取值空间
Figure BDA0003659725430000051
随机获取POP-Q指示点值向量的取值空间中的三个重点部位对应的指示点值向量
Figure BDA0003659725430000052
Figure BDA0003659725430000053
获取所述三个重点部位对应的术前测量值和术后测量值，并根据所获取的三个重点部位对应的术前测量值和术后测量值确定所述三个重点部位(Ba，C，Bp)的改善程度，通过如下公式实现：
Figure BDA0003659725430000054
其中，
Figure BDA0003659725430000055
分别表示术前测量值和术后的测量值，I＝Npre-Npost表示经过手术三个重点部位的改善程度；
对于术式
Figure BDA0003659725430000056
假设I|s～N(μs，∑s)，根据极大似然估计得到改善程度的分布为：
Figure BDA0003659725430000057
针对术式s，对患者的严重脱垂部位
Figure BDA0003659725430000058
的改善的有效性似然概率为：
Figure BDA0003659725430000059
其中，
Figure BDA00036597254300000510
表示正态分布
Figure BDA00036597254300000511
的分布函数；
Figure BDA00036597254300000512
为患者的子宫严重脱垂部位的集合，
Figure BDA00036597254300000513
Figure BDA00036597254300000514
为参数估计；t表示子宫前中后壁的正常阈值。
进一步，优选的，所述患者基本特征的似然概率通过以下公式获取：
Figure BDA00036597254300000515
其中，U(x，δ)表示(x-δ，x+δ]的前开后闭区间，
Figure BDA00036597254300000516
和
Figure BDA00036597254300000517
为参数估计，患者的基本特征向量为c：
Figure BDA00036597254300000518
进一步，优选的，利用交叉熵损失函数对所述POP治疗方案推测模型的参数进行训练约束，进而确定所述POP治疗方案推测模型的参数值的步骤中，所述交叉熵损失函数通过以下公式实现：
Figure BDA00036597254300000519
其中，α，β，γ，η分别表示安全性、经济性、操作倾向性、患者基本特征的指数权重；T1为训练集数据，M1为训练集的样本量；T2为测试集数据，M2为测试集的样本量；yis为术式S的标签向量；p(s|X)为推荐概率。
为了解决上述问题，本发明还提供一种POP治疗方案形成系统，包括：
获取单元，用于获取患者的治疗信息数据和医生的操作倾向数据；对患者的治疗信息数据和医生的操作倾向数据进行分析，划分为医生对每个POP治疗术式的操作倾向、POP-Q的测量结果、基本特征信息、患者花费意愿信息以及接纳程度信息；
分析单元，用于将所述患者的治疗信息数据和医生的操作倾向数据输入预训练的POP治疗方案推测模型；根据患者的治疗信息获取各个POP治疗术式的先验概率和多维度的特征向量；其中，根据接纳程度信息确定POP治疗术式的先验概率；利用高斯分布参数统计模型训练POP治疗方案推测模型，根据各维度的特征向量获取各维度的似然概率，进而确定各个POP治疗术式的似然概率；利用贝叶斯公式，根据各个POP治疗术式的先验概率和各个POP治疗术式的似然概率获得各个POP治疗术式的推荐概率；
方案形成单元，用于根据所获得的各个POP治疗术式的推荐概率，确定POP治疗方案。
为了解决上述问题，本发明还提供一种电子设备，电子设备包括：
存储器，存储至少一个指令；及
处理器，执行存储器中存储的指令以实现上述的POP治疗方案形成方法中的步骤。
为了解决上述问题，本发明还提供一种计算机可读存储介质，计算机可读存储介质中存储有至少一个指令，至少一个指令被电子设备中的处理器执行以实现上述的POP治疗方案形成方法。
本发明的一种POP治疗方案形成方法、系统、电子设备以及存储介质，通过整合术式、医生、患者三方的信息，综合专家知识、文献调研和电子病历的信息，给出患者最优的治疗方案推荐；进一步的，通过将专家知识与数据驱动算法相结合，简化治疗方案推荐程序，降低治疗方案选择的复杂性，避免了不必要的辅助检查，也降低了临床诊疗对于专家经验的依赖程度，达到使用基础的经济、人力成本以实现对女性盆腔器官脱垂的治疗方案科学推荐的技术效果，进而促进POP治疗的科学化向基层扩展。
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为本发明一实施例提供的POP治疗方案形成方法的流程示意图；
图2为本发明一实施例提供的POP治疗方案形成方法的原理示意图；
图3为本发明一实施例提供的POP治疗方案形成方法的推荐流程图；
图4为本发明一实施例提供的POP治疗方案形成方法的输入信息清单；
图5为本发明一实施例提供的POP治疗方案形成系统的模块示意图；
图6为本发明一实施例提供的实现POP治疗方案形成方法的电子设备的内部结构示意图；
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
图1为本发明一实施例提供的POP治疗方案形成方法的流程示意图。该方法可以由一个系统执行，该系统可以由软件和/或硬件实现。
本发明的POP治疗方案形成方法，主要适用于盆腔器官脱垂手术场景中，针对在现有技术中知识驱动POP治疗方面，存在对术式的归纳总结较好，可以对术式的效果和风险进行客观评价的特点，但是，其一方面缺乏对患者个体差异性的评估，另一方面也没有考虑具体医生对术式的偏好程度的弊端。本发明的POP治疗方案形成方法通过整合知识驱动POP治疗方面的现有的专家知识、高质量实证、电子病历等方面的信息，来平衡有效性、安全性、花费、医生偏好等方面信息，建立一个切实可用的个体化的多维度盆腔器官脱垂治疗方案的自动推荐系统。
如图1所示，在本实施例中，POP治疗方案形成方法包括步骤S110～S140。
S110、获取患者的治疗信息数据和医生的操作倾向数据；对患者的治疗信息数据和医生的操作倾向数据进行分析，划分为医生对每个POP治疗术式的操作倾向、POP-Q的测量结果、基本特征信息、患者花费意愿信息以及接纳程度信息。
图2和图3对本发明的POP治疗方案形成方法的原理进行了整体性说明；其中，图2为本发明一实施例提供的POP治疗方案形成方法的原理示意图；图3为本发明一实施例提供的POP治疗方案形成方法的推荐流程图。
本发明的POP治疗方案形成方法是将多维度的信息进行整合后，综合给出治疗方案的推荐；建立了多维度信息评估整合的模型框架。如图2所示，包括框架，框架左侧的输入信息以及框架右侧的输出信息。
具体地说，输入信息包括：POP疾病术式的指南(指南)、并发症信息、治愈标准和其他信息(文献)、术前和术后的电子病历数据(训练数据)、多中心的数据(验证数据)。如图3所示，输入信息包括患者问询、医生操作倾向数据获取以及电子病历。进一步的说，需要对患者以及医生均进行信息采集。图4为本发明一实施例提供的POP治疗方案形成方法的输入信息清单图。如图4所示，采集的问题可以但不限制于包括以下问题。1)脱垂症状的严重程度以及是否进行生活方式干预和盆底肌训练；若患者的脱垂症状严重程度为是，则进入第2、3题；2)是否试戴子宫托；3)试戴子宫托后症状是否有改善；对于试戴子宫托且症状无改善的进入第4-第7题的问询；4)是否在意花费；5)是否存在性生活需求；6)是否保留阴道；7)是否存在网片顾虑。从上述问题采集的信息中提取患者花费意愿信息以及接纳程度信息。另外，还需要采集患者的基本特征信息和POP-Q的测量结果，其中，患者的基本特征信息可以为年龄、身高、体重以及BMI。POP-Q的测量结果可以包括Ba值、C值、Bp值和D值。而对于医生而言，根据医生的操作经验回答是否考虑手术难度的问题，进而获得医生对每个POP治疗术式的操作倾向。
右侧表示框架的输出信息，包括基于模型得到的治疗方案自动推荐系统、在测试集上的准确性表现及人机交互的自动术式推荐界面。需要说明的是，治疗方案自动推荐系统基于框架输出的特定患者的治疗推荐方案获得的治疗方案自动推荐系统；然后治疗方案自动推荐系统的推荐方案可以应用于术式可视化场景以及人机交互界面的场景中。
中间表示模型的核心框架，记
Figure BDA0003659725430000097
为术式空间，其中的s1，…，s6分别表示感兴趣的6种术式，术式可以但不限制于为阴道封闭术、骶棘韧带固定术或坐骨棘筋膜固定术、高位骶韧带悬吊术、骶前固定术、前路TVM全盆底重建术以及后路TVM全盆底重建术。记
Figure BDA0003659725430000091
为多维度信息特征空间，其中，
Figure BDA0003659725430000092
是特征向量，e，c，d，m，o分别表示有效性、患者基本特征、安全性、经济性和医生操作倾向性。因此，基于贝叶斯公式的多维度信息整合，对任何一种术式
Figure BDA0003659725430000093
计算的是基于特征向量X的术式s推荐概率p(s|X)。首先，采用贝叶斯公式进行计算：
p(s|X)∝p(X|s).p(s)？
其中，p(s|X)为推荐概率，p(s)为先验概率，p(X|s)为似然概率；先验信息p(s)为根据患者的接纳程度信息对术式预先赋予的不同权重。
似然概率通过以下公式获取：
Figure BDA0003659725430000094
其中，α，β，γ，η∈[0，+∞)分别表示安全性、经济性、医生操作倾向性、患者基本特征的指数权重，p(e|s)为有效性似然概率，p(c|s)为患者基本特征的似然概率，p(d|s)为安全性似然概率，p(m|s)为经济性似然概率，p(o|s)为医生操作倾向性的似然概率；指标函数I(m)和I(o)分别表示患者的意愿和医生的意愿，可表示为：
Figure BDA0003659725430000095
Figure BDA0003659725430000096
S120、将所述患者的治疗信息数据和医生的操作倾向数据输入预训练的POP治疗方案推测模型；根据患者的治疗信息获取各个POP治疗术式的先验概率和多维度的特征向量；其中，根据接纳程度信息确定POP治疗术式的先验概率。
需要说明的是，不同术式的治疗原理不同，由于患者对网片顾虑、对性生活有要求或者希望保留阴道等患者的具体意愿，对术式选择的概率有直接影响。在具体的实施过程中，首先，对各个POP治疗术式赋予相同的权重，假设为1。基于专家知识对患者询问3个重要问题，基于问题答案来确定术式的先验概率。一是是否有性生活需求，如果有需求，则对术式阴道封闭术Lefort的权重赋为0.001；二是是否保留阴道，如果需要保留，则对术式Lefort的权重赋为0.001；三是是否对网片有顾虑，如果有，则对术式前路TVM全盆底重建术以及后路TVM全盆底重建术的权重赋为0.01。最后，根据各术式的权重做归一化，得到最终各术式的先验概率p(s)。
对于各维度的特征向量进行具体说明。e，c，d，m，o分别表示有效性、患者基本特征、安全性、经济性和医生操作倾向性；p(e|s)为有效性似然概率，p(c|s)为患者基本特征的似然概率，p(d|s)为安全性似然概率，p(m|s)为经济性似然概率，p(o|s)为医生操作倾向性的似然概率。
对于有效性而言，因为POP的诊断主要依赖于POP-Q的测量结果，因此术式的有效性取决于术后POP-Q相对于术前的改善情况。
在一个具体的实施例中，根据POP-Q的测量结果确定POP-Q指示点值向量的取值空间
Figure BDA0003659725430000101
随机获取POP-Q指示点值向量的取值空间中的三个重点部位对应的指示点值向量
Figure BDA0003659725430000102
Figure BDA0003659725430000103
获取所述三个重点部位对应的术前测量值和术后测量值，并根据所获取的三个重点部位对应的术前测量值和术后测量值确定所述三个重点部位(Ba，C，Bp)的改善程度；也就是说，若用
Figure BDA0003659725430000104
分别表示术前和术后的测量值，那么I＝Npre-Npost表示经过手术三个部位的改善程度：
Figure BDA0003659725430000105
利用高斯分布参数统计模型，对于POP治疗术式
Figure BDA0003659725430000111
假设I|s～N(μs，∑s)，那么可以根据极大似然估计得到改善程度的分布为：
Figure BDA0003659725430000112
需要说明的是，对于术式改善效果，并不是改善程度越高越好，而是针对患者的严重脱垂的部位，将其改善到正常阈值内即可。根据临床经验，临床诊断大于等于III度的即为严重脱垂，从POP-Q的结果来看，三个部位的测量值Ba,C,Bp超过阈值1即为严重脱垂，
Figure BDA0003659725430000113
为患者的子宫严重脱垂部位的集合，
Figure BDA0003659725430000114
记子宫前中后壁的正常阈值为t，则：
Figure BDA0003659725430000115
因此，针对POP治疗术式s，对患者的严重脱垂部位
Figure BDA0003659725430000116
的改善有效性似然概率为：
Figure BDA0003659725430000117
其中，
Figure BDA0003659725430000118
表示正态分布
Figure BDA0003659725430000119
的分布函数；
Figure BDA00036597254300001110
为患者的子宫严重脱垂部位的集合，
Figure BDA00036597254300001111
Figure BDA00036597254300001112
为参数估计；t表示子宫前中后壁的正常阈值。
患者基本特征包括患者的年龄和BMI，以上基本特征在POP治疗术式决策中作为需要考虑的主要因素。通过以下方式获取患者基本特征的似然概率。
首先假设为c：
Figure BDA00036597254300001113
利用高斯分布参数统计模型，针对POP治疗术式s，假设患者基本特征服从正态分布：
Figure BDA00036597254300001114
根据极大似然估计，可以得到参数的估计
Figure BDA00036597254300001115
和
Figure BDA00036597254300001116
从而对于患者的基本特征向量c，计算患者基本特征的似然概率为在该特征附近邻域的概率乘积，表示为：
Figure BDA00036597254300001117
其中，U(x，δ)表示在x附近δ的邻域，在一维空间中即为(x-δ，x+δ]的前开后闭区间。
术式安全性通过术后的并发症概率进行度量，由于训练数据中术后并发症案例较少，在具体的实施过程中，通过系统性文献综述来补足安全性评估部分。通过系统分析和比较，最终确定各种术式发生并发症的概率如表1所示。p(d|s)则在上述基础上进行归一化得到。
不同术式的花费有差异，对于需要自费的患者而言，术式的经济性也是需要考虑的因素。术式的花费不仅包括手术操作的费用，同时包括接受该手术的住院费用、检查费用等附加费用。因此，为了综合考虑每种术式带来的整体花费水平，在具体的实施过程中，采用训练数据中采用该术式的患者总花费作为衡量标准，不同术式的患者平均花费如表1所示。p(m|s)则在上述基础上进行归一化得到。
医生操作倾向性的主要来源为手术操作复杂性，因此需要根据盆底疾病专家对术式操作复杂性的打分，对术式的操作难度进行量化。不同术式难度的评分如表1所示。p(o|s)则在上述基础上进行归一化得到。
表1.不同POP治疗术式的并发症概率、平均花费和难度
术式 ATVM LSC SSLF/ISFF ULS PTVM Lefort
并发症概率 0.142 0.124 0.11 0.11 0.142 0.11
平均花费 27644 27242 11553 11699 22447 11250
难度 0.98 1 0.9 0.9 0.98 0.9
其中，ATVM表示TVM全盆底重建术(前路)，LSC表示(腹腔镜)骶前固定术，SLFF表示骶棘韧带固定术，ISFF表示坐骨棘筋膜固定术；ULS表示(高位)骶韧带悬吊术；PTVM表示TVM全盆底重建术(后路)，Lefort表示阴道(半)封闭术。
S130、利用高斯分布参数统计模型训练POP治疗方案推测模型，根据各维度的特征向量获取各维度的似然概率，进而确定各个POP治疗术式的似然概率；利用贝叶斯公式，根据各个POP治疗术式的先验概率和各个POP治疗术式的似然概率获得各个POP治疗术式的推荐概率。
本发明的POP治疗方案推测模型是基于高斯分布参数统计模型和贝叶斯网络实现的。其中，贝叶斯网络(BayesianNetworks)也被称为信念网络(BeliefNetworks)，是描述数据变量之间依赖关系的一种图形模式，是一种用来进行推理的模型。贝叶斯网络提供了一种方便的框架结构来表示因果关系，这使得不确定性推理在逻辑上更为清晰、更容易理解。
对于贝叶斯网络，可以有以下两种表达形式：(1)贝叶斯网络表达了各个节点间的条件独立关系，可以直观地从贝叶斯网络当中得出属性间的条件独立关系以及依赖关系。(2)贝叶斯网络用另一种形式表示出了事件的联合概率分布，根据贝叶斯网络的网络结构以及条件概率表(CPT)，可以快速得到每个基本事件(所有属性值的一个组合)的概率。贝叶斯学习理论利用先验知识和样本数据来获得对未知样本的估计，而概率(包括联合概率和条件概率)是先验信息和样本数据信息在贝叶斯学习理论当中的表现形式。本实施例采用贝叶斯网络中的第二中表现形式，贝叶斯网络由两部分组成：贝叶斯网络结构和条件概率表。贝叶斯网络结构清晰的反映了数据变量间相互关系，条件概率表体现了各关系的节点间影响程度。
对于贝叶斯网络的训练和概率预测的原理为，首先分析具体应用场景中的多维度特征向量，获取各个维度涉及的各类信息要素以及行为要素，了解事件各要素之间的关联关系，建立基于事件信息要素和行为要素的特征样本库；然后将特征样本与专家意见(即作为真值)相结合，确定网络节点的先验概率即风险概率的初始证据；进而将特征样本和初始证据输入到网络结构中，推测网络中非根节点的条件概率分布；最后基于贝叶斯算法准则，将先验概率和条件概率转化为后验概率，即目标事件发生风险的概率预测结果。
在具体的实施过程中，利用高斯分布参数统计模型训练POP治疗方案推测模型的方法，包括以下步骤：
S131、获取POP治疗数据集，POP治疗数据集包括POP疾病术式指南、POP治疗文献以及POP治疗电子病历数据；将POP治疗数据集划分为训练集和测试集。
需要说明的是，在具体的实施过程中，对于获取的原始数据需要进行数据预处理。数据预处理的方法包括但不限于数据清理、数据集成及数据变换，在数据挖掘之前使用此类数据处理技术是会较大提高挖掘效果并在很大程度上降低挖掘所需要的时间。
其中，训练数据集和验证数据集为从协和医院收集的手术住院患者的数据，测试数据集为来自4家不同医院的新患者的数据，试图采用单中心的样本进行训练，提取知识，并将其应用到多中心的数据集中验证模型的可泛化性。
S132、构建与各个POP治疗术式相对应的各个维度的POP治疗方案影响变量；确定先验概率、各个维度的POP治疗方案影响变量与POP治疗术式的推荐概率的关联关系。
S133、根据先验概率、各个维度的POP治疗方案影响变量与POP治疗术式的推荐程度的关联关系，构建POP治疗方案推测模型；其中，POP治疗方案推测模型包括每个POP治疗术式对应的POP治疗方案推测子模型。
S134、基于极大似然估计，确定每个POP治疗术式对应的POP治疗方案推测子模型的高斯分布最优参数。
也就是说，利用极大似然估计，确定有效性似然函数的
Figure BDA0003659725430000141
为参数估计；确定患者的基本特征的似然函数的参数的估计
Figure BDA0003659725430000142
和
Figure BDA0003659725430000143
S135、利用交叉熵损失函数对POP治疗方案推测模型的参数进行训练约束，进而确定POP治疗方案推测模型的参数值；完成POP治疗方案推测模型的训练。
具体地说，通过以上方法确定了p(e|s)为有效性似然概率，p(e|s)为患者基本特征的似然概率，p(d|s)为安全性似然概率，p(m|s)为经济性似然概率，p(o|s)为医生操作倾向性的似然概率，并且基于极大似然估计，确定每个POP治疗术式对应的POP治疗方案推测子模型的高斯分布最优参数。
在基于贝叶斯公式的多维度信息整合框架中，需要估计的参数有多维度整合的安全性、经济性、医生操作倾向性的指数权重α，β，γ，η。在具体的实施过程中，采用格点搜索来最小化交叉熵函数，从而得到最优的参数估计。
在一个具体的实施例中，选取截止2021年6月之前的数据作为组内训练数据
Figure BDA0003659725430000144
假设样本量为M1；采用2021年6月之后的数据作为组内验证数据T2，假设样本量为M2。也就是说，T1为训练集数据，M1为训练集的样本量；T2为测试集数据，M2为测试集的样本量。
基于贝叶斯公式：
p(s|X)∝p(X|s)·p(s)，
根据贝叶斯公式和组内训练数据，可以得到组内验证数据
Figure BDA0003659725430000145
的预测结果，假设
Figure BDA0003659725430000146
中的患者i得到的POP治疗各术式推荐概率为：
pi＝(p(s1|Xi)，…，p(s6|Xi)).
而患者i的真实术式标签向量为yi＝(yi1，…，yi6)，这里yi·取值为0或1，分别表示未采用或采用该种术式。因此，定义交叉熵损失函数为：
Figure BDA0003659725430000151
通过最小化该交叉熵损失函数得到最优的参数估计值。采用基于交叉熵的损失函数优化算法，自动迭代求得最优的整合权重，使得实验结果有较大提升。
在获得训练好的POP治疗方案推测模型之后，还需要利用测试集对POP治疗方案推测模型进行测试。在测试过程中，执行如图2所示的POP治疗方案形成方法的推荐流程。利用测试集测试本发明的POP治疗方案推测模型的结果如下：通过收集4家三甲医院的POP治疗新术式患者数据，并征集4位专家组医生、3位进修组医生、3位未进修组医生进行术式推荐，以专家组的最高频推荐的术式作为金标准，得到的准确率及其标准差如表2所示。
表2.本发明的POP治疗方案推测模型与各分组医生准确率(标准差)结果对比
Figure BDA0003659725430000152
通过观察表2可以看到，本发明的POP治疗方案推测模型推荐准确率较高，除前1推荐的准确率不如专家组外，前2和前3的准确率都明显高于所有分组医生，前3准确率达到98％，在临床上具有较高的准确性和实用意义。
S140、根据所获得的各个POP治疗术式的推荐概率，确定POP治疗方案。
在一个具体的实施例中，本发明的POP治疗方案推测模型可以通过询问患者、医生问题，从而给出患者不同的术式推荐概率，为患者和基层医生提供治疗方案推荐排序。具体的操作流程如下：
首先，患者需要回答至多10个问题和进行1项POP-Q理化检查，同时医生需要回答一个问题。具体的问题清单可以参照图4所示。然后，基于以上问题的回答，本发明的POP治疗方案推测模型可以根据贝叶斯公式进行计算，返回POP治疗方案为保守治疗或手术治疗及其推荐排序，用户不仅可以得到整体的术式推荐概率，同时可以得到在不同维度下术式的推荐概率，从而可以直观了解到不同术式的适用情况。利用本发明的POP治疗方案推测模型获取的具体的POP治疗方案推荐结果如表3所示。
表3.本发明的POP治疗方案推测模型获取的具体的POP治疗方案推荐结果
Figure BDA0003659725430000161
治疗方案自动推荐系统基于框架输出的特定患者的治疗推荐方案获得的治疗方案自动推荐系统；然后治疗方案自动推荐系统的推荐方案可以应用于术式可视化场景以及人机交互界面的场景中。本发明通过将专家知识与数据驱动算法相结合，简化治疗方案推荐程序，降低治疗方案选择的复杂性，我们的治疗模型避免了不必要的辅助检查，也降低了临床诊疗对于专家经验的依赖程度，使用基础的经济、人力成本以实现对女性盆腔器官脱垂的治疗方案科学推荐。
综上，本发明的POP治疗方案形成方法，通过整合术式、医生、患者三方的信息，综合专家知识、文献调研和电子病历的信息，给出患者最优的治疗方案推荐；进一步的，通过将专家知识与数据驱动算法相结合，简化治疗方案推荐程序，降低治疗方案选择的复杂性，避免了不必要的辅助检查，也降低了临床诊疗对于专家经验的依赖程度，达到使用基础的经济、人力成本以实现对女性盆腔器官脱垂的治疗方案科学推荐的技术效果，进而促进POP治疗的科学化向基层扩展。
如图5所示，本发明提供一种POP治疗方案形成系统500，本发明可以安装于电子设备中。根据实现的功能，该POP治疗方案形成系统500可以获取单元510、分析单元520和方案形成单元530。本发明所述单元也可以称之为模块，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
在本实施例中，关于各模块/单元的功能如下：
获取单元510，用于获取患者的治疗信息数据和医生的操作倾向数据；对患者的治疗信息数据和医生的操作倾向数据进行分析，划分为医生对每个POP治疗术式的操作倾向、POP-Q的测量结果、基本特征信息、患者花费意愿信息以及接纳程度信息；
分析单元520，用于将所述患者的治疗信息数据和医生的操作倾向数据输入预训练的POP治疗方案推测模型；根据患者的治疗信息获取各个POP治疗术式的先验概率和多维度的特征向量；其中，根据接纳程度信息确定POP治疗术式的先验概率；利用高斯分布参数统计模型训练POP治疗方案推测模型，根据各维度的特征向量获取各维度的似然概率，进而确定各个POP治疗术式的似然概率；利用贝叶斯公式，根据各个POP治疗术式的先验概率和各个POP治疗术式的似然概率获得各个POP治疗术式的推荐概率；
方案形成单元530，用于根据所获得的各个POP治疗术式的推荐概率，确定POP治疗方案。
本发明的POP治疗方案形成系统500，通过整合术式、医生、患者三方的信息，综合专家知识、文献调研和电子病历的信息，给出患者最优的治疗方案推荐；进一步的，通过将专家知识与数据驱动算法相结合，简化治疗方案推荐程序，降低治疗方案选择的复杂性，避免了不必要的辅助检查，也减少了由于缺少专家经验造成不适宜临床决策的潜在风险，达到使用基础的经济、人力成本以实现对女性盆腔器官脱垂的治疗方案科学推荐的技术效果，进而促进POP治疗的科学化向基层扩展。
如图6所示，本发明提供一种POP治疗方案形成方法的电子设备6。
该电子设备6可以包括处理器60、存储器61和总线，还可以包括存储在存储器61中并可在所述处理器60上运行的计算机程序，如POP治疗方案形成程序62。存储器61还可以既包括POP治疗方案形成系统的内部存储单元也包括外部存储设备。存储器61不仅可以用于存储安装于应用软件及各类数据，例如POP治疗方案形成程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
其中，所述存储器61至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器61在一些实施例中可以是电子设备6的内部存储单元，例如该电子设备6的移动硬盘。所述存储器61在另一些实施例中也可以是电子设备6的外部存储设备，例如电子设备6上配备的插接式移动硬盘、智能存储卡(Smart Media Card，SMC)、安全数字(SecureDigital，SD)卡、闪存卡(Flash Card)等。进一步地，所述存储器61还可以既包括电子设备6的内部存储单元也包括外部存储设备。所述存储器61不仅可以用于存储安装于电子设备6的应用软件及各类数据，例如POP治疗方案形成程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器60在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器60是所述电子设备的控制核心(Control Unit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器61内的程序或者模块(例如POP治疗方案形成程序等)，以及调用存储在所述存储器61内的数据，以执行电子设备6的各种功能和处理数据。
所述总线可以是外设部件互连标准(peripheral component interconnect，简称PCI)总线或扩展工业标准结构(extended industry standard architecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器61以及至少一个处理器60等之间的连接通信。
图6仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图6示出的结构并不构成对所述电子设备6的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备6还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理系统与所述至少一个处理器60逻辑相连，从而通过电源管理系统实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电系统、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备6还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
进一步地，所述电子设备6还可以包括网络接口，可选地，所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该电子设备6与其他电子设备之间建立通信连接。
可选地，该电子设备6还可以包括用户接口，用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备6中处理的信息以及用于显示可视化的用户界面。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
所述电子设备6中的所述存储器61存储的POP治疗方案形成程序62是多个指令的组合，在所述处理器60中运行时，可以实现：获取患者的治疗信息数据和医生的操作倾向数据；对患者的治疗信息数据和医生的操作倾向数据进行分析，划分为医生对每个POP治疗术式的操作倾向、POP-Q的测量结果、基本特征信息、患者花费意愿信息以及接纳程度信息；将所述患者的治疗信息数据和医生的操作倾向数据输入预训练的POP治疗方案推测模型；根据患者的治疗信息获取各个POP治疗术式的先验概率和多维度的特征向量；其中，根据接纳程度信息确定POP治疗术式的先验概率；利用高斯分布参数统计模型训练POP治疗方案推测模型，根据各维度的特征向量获取各维度的似然概率，进而确定各个POP治疗术式的似然概率；利用贝叶斯公式，根据各个POP治疗术式的先验概率和各个POP治疗术式的似然概率获得各个POP治疗术式的推荐概率；根据所获得的各个POP治疗术式的推荐概率，确定POP治疗方案。
具体地，所述处理器60对上述指令的具体实现方法可参考图1对应实施例中相关步骤的描述，在此不赘述。需要强调的是，为进一步保证上述POP治疗方案形成程序的私密和安全性，上述数据库高可用处理数据存储于本服务器集群所处区块链的节点中。
进一步地，所述电子设备6集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或系统、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)。
本发明实施例还提供一种计算机可读存储介质，所述存储介质可以是非易失性的，也可以是易失性的，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现：获取患者的治疗信息数据和医生的操作倾向数据；对患者的治疗信息数据和医生的操作倾向数据进行分析，划分为医生对每个POP治疗术式的操作倾向、POP-Q的测量结果、基本特征信息、患者花费意愿信息以及接纳程度信息；将所述患者的治疗信息数据和医生的操作倾向数据输入预训练的POP治疗方案推测模型；根据患者的治疗信息获取各个POP治疗术式的先验概率和多维度的特征向量；其中，根据接纳程度信息确定POP治疗术式的先验概率；利用高斯分布参数统计模型训练POP治疗方案推测模型，根据各维度的特征向量获取各维度的似然概率，进而确定各个POP治疗术式的似然概率；利用贝叶斯公式，根据各个POP治疗术式的先验概率和各个POP治疗术式的似然概率获得各个POP治疗术式的推荐概率；根据所获得的各个POP治疗术式的推荐概率，确定POP治疗方案。
具体地，所述计算机程序被处理器执行时具体实现方法可参考实施例POP治疗方案形成方法中相关步骤的描述，在此不赘述。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，系统和方法，可以通过其它的方式实现。例如，以上所描述的系统实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或系统也可以由一个单元或系统通过软件或者硬件来实现。第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。

Claims (10)

1.一种POP治疗方案形成方法，其特征在于，包括：
获取患者的治疗信息数据和医生的操作倾向数据；对所述患者的治疗信息数据和医生的操作倾向数据进行分析，划分为医生对每个POP治疗术式的操作倾向、POP-Q的测量结果、基本特征信息、患者花费意愿信息以及接纳程度信息；
将所述患者的治疗信息数据和医生的操作倾向数据输入预训练的POP治疗方案推测模型；
根据所述患者的治疗信息获取各个POP治疗术式的先验概率和多维度的特征向量；其中，根据所述接纳程度信息确定所述POp治疗术式的先验概率；
利用高斯分布参数统计模型训练POP治疗方案推测模型，根据各维度的特征向量获取各维度的似然概率，进而确定各个POP治疗术式的似然概率；
利用贝叶斯公式，根据各个POP治疗术式的先验概率和所述各个POP治疗术式的似然概率获得各个POP治疗术式的推荐概率；
根据所获得的各个POP治疗术式的推荐概率，确定POP治疗方案。
2.根据权利要求1所述的POP治疗方案形成方法，其特征在于，所述高斯分布参数统计模型的训练POP治疗方案推测模型的方法，包括：
获取POP治疗数据集，所述POP治疗数据集包括POP疾病术式指南、POP治疗文献以及POP治疗电子病历数据；将所述POP治疗数据集划分为训练集和测试集；
构建与各个POP治疗术式相对应的各个维度的POP治疗方案影响变量；确定先验概率、各个维度的POP治疗方案影响变量与所述POP治疗术式的推荐概率的关联关系；
根据先验概率、各个维度的POP治疗方案影响变量与所述POP治疗术式的推荐程度的关联关系，构建POP治疗方案推测模型；其中，所述POP治疗方案推测模型包括每个POP治疗术式对应的POP治疗方案推测子模型；
基于极大似然估计，确定所述每个POP治疗术式对应的POP治疗方案推测子模型的高斯分布最优参数；
利用交叉熵损失函数对所述POP治疗方案推测模型的参数进行训练约束，进而确定所述POP治疗方案推测模型的参数值；
完成POP治疗方案推测模型的训练。
3.根据权利要求2所述的POP治疗方案形成方法，其特征在于，
所述POP治疗方案推测模型包括术式空间和多维度的特征空间；
所述术式空间
Figure FDA0003659725420000021
其中，s1，…，s6分别表示阴道封闭术、骶棘韧带固定术或坐骨棘筋膜固定术、高位骶韧带悬吊术、骶前固定术、前路TVM全盆底重建术以及后路TVM全盆底重建术；
对于多维度的特征空间
Figure FDA0003659725420000022
其中，
Figure FDA0003659725420000023
是多维度的特征向量，e，c，d，m，o分别表示有效性、患者基本特征、安全性、经济性和医生操作倾向性。
4.根据权利要求1所述的POP治疗方案形成方法，其特征在于，
利用贝叶斯公式，根据各个POP治疗术式的先验概率和所述各维度的似然概率获得各个POP治疗术式的推荐概率的方法，通过以下公式实现：
p(s|X)∝p(X|s).p(s)？
其中，p(s|X)为推荐概率，p(s)为先验概率，p(X|s)为似然概率；
所述似然概率通过以下公式获取：
Figure FDA0003659725420000024
其中，α，β，γ，η∈[0，+∞)分别表示安全性、经济性、医生操作倾向性、患者基本特征的指数权重，p(e|s)为有效性似然概率，p(c|s)为患者基本特征的似然概率，p(d|s)为安全性似然概率，p(m|s)为经济性似然概率，p(o|s)为医生操作倾向性的似然概率；指标函数I(m)和I(o)分别表示患者的意愿和医生的意愿，可表示为：
Figure FDA0003659725420000025
Figure FDA0003659725420000031
5.根据权利要求4所述的POP治疗方案形成方法，其特征在于，
所述有效性似然概率p(e|s)的获取方法，包括：
根据POP-Q的测量结果确定POP-Q指示点值向量的取值空间
Figure FDA0003659725420000032
随机获取POP-Q指示点值向量的取值空间中的三个重点部位对应的指示点值向量
Figure FDA0003659725420000033
Figure FDA0003659725420000034
获取所述三个重点部位对应的术前测量值和术后测量值，并根据所获取的三个重点部位对应的术前测量值和术后测量值确定所述三个重点部位(Ba，C，Bp)的改善程度，通过如下公式实现：
Figure FDA0003659725420000035
其中，
Figure FDA0003659725420000036
分别表示术前测量值和术后的测量值，I＝Npre-Npost表示经过手术三个重点部位的改善程度；
对于术式
Figure FDA0003659725420000037
假设I|s～N(μs，∑s)，根据极大似然估计得到改善程度的分布为：
Figure FDA0003659725420000038
针对术式s，对患者的严重脱垂部位
Figure FDA0003659725420000039
的改善的有效性似然概率为：
Figure FDA00036597254200000310
其中，
Figure FDA00036597254200000311
表示正态分布
Figure FDA00036597254200000312
的分布函数；
Figure FDA00036597254200000313
为患者的子宫严重脱垂部位的集合，
Figure FDA00036597254200000314
Figure FDA00036597254200000315
为参数估计；t表示子宫前中后壁的正常阈值。
6.根据权利要求4所述的POP治疗方案形成方法，其特征在于，
所述患者基本特征的似然概率通过以下公式获取：
Figure FDA00036597254200000316
其中，U(x，δ)表示(x-δ，x+δ]的前开后闭区间，
Figure FDA0003659725420000041
和
Figure FDA0003659725420000042
为参数估计，患者的基本特征向量为c：
Figure FDA0003659725420000043
7.根据权利要求2所述的POP治疗方案形成方法，其特征在于，
利用交叉熵损失函数对所述POP治疗方案推测模型的参数进行训练约束，进而确定所述POP治疗方案推测模型的参数值的步骤中，所述交叉熵损失函数通过以下公式实现：
Figure FDA0003659725420000044
其中，α，β，γ，η分别表示安全性、经济性、操作倾向性、患者基本特征的指数权重；T1为训练集数据，M1为训练集的样本量；T2为测试集数据，M2为测试集的样本量；yis为术式S的标签向量；p(s|X)为推荐概率。
8.一种POP治疗方案形成系统，其特征在于，包括：
获取单元，用于获取患者的治疗信息数据和医生的操作倾向数据；对所述患者的治疗信息数据和医生的操作倾向数据进行分析，划分为医生对每个POP治疗术式的操作倾向、POP-Q的测量结果、基本特征信息、患者花费意愿信息以及接纳程度信息；
分析单元，用于将所述患者的治疗信息数据和医生的操作倾向数据输入预训练的POP治疗方案推测模型；根据所述患者的治疗信息获取各个POP治疗术式的先验概率和多维度的特征向量；其中，根据所述接纳程度信息确定所述POp治疗术式的先验概率；利用高斯分布参数统计模型训练POP治疗方案推测模型，根据各维度的特征向量获取各维度的似然概率，进而确定各个POP治疗术式的似然概率；利用贝叶斯公式，根据各个POP治疗术式的先验概率和所述各个POP治疗术式的似然概率获得各个POP治疗术式的推荐概率；
方案形成单元，用于根据所获得的各个POP治疗术式的推荐概率，确定POP治疗方案。
9.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至7中任一所述的POP治疗方案形成方法中的步骤。
10.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7中任一所述的POP治疗方案形成方法。
CN202210569659.3A 2022-05-24 2022-05-24 Pop治疗方案形成方法及系统 Active CN115148330B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210569659.3A CN115148330B (zh) 2022-05-24 2022-05-24 Pop治疗方案形成方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210569659.3A CN115148330B (zh) 2022-05-24 2022-05-24 Pop治疗方案形成方法及系统

Publications (2)

Publication Number Publication Date
CN115148330A true CN115148330A (zh) 2022-10-04
CN115148330B CN115148330B (zh) 2023-07-25

Family

ID=83406649

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210569659.3A Active CN115148330B (zh) 2022-05-24 2022-05-24 Pop治疗方案形成方法及系统

Country Status (1)

Country Link
CN (1) CN115148330B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117747092A (zh) * 2024-02-20 2024-03-22 天津医科大学总医院 基于数据分析的骨科影像辅助检测系统及方法

Citations (48)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120021493A1 (en) * 2010-07-06 2012-01-26 University Of Maryland Baltimore County Organic biofilm substrata as a microbial inoculum delivery vehicle for bioaugmentation of persistent organic pollutants in contaminated sediments and soils
CN102982042A (zh) * 2011-09-07 2013-03-20 中国移动通信集团公司 一种个性化内容推荐方法、平台以及系统
CN103052380A (zh) * 2010-08-23 2013-04-17 塔科达有限责任公司 包含治疗活性物质的湿润颗粒
US20140100881A1 (en) * 2012-10-08 2014-04-10 Delaware Valley Outcomes Research Computer method for exploring drugs in disease
US20150105289A1 (en) * 2013-10-15 2015-04-16 The Regents Of The University Of Michigan Biomarkers for lower urinary tract symptoms (luts)
CN105999102A (zh) * 2016-07-01 2016-10-12 宋相珠 治疗剖宫产术后腹壁切口脂肪液化的复方药物
CN107064480A (zh) * 2016-08-12 2017-08-18 株洲千金药业股份有限公司 中药成份对阿奇霉素作用基线提升评价方法及评价妇科千金方的应用
CN108366986A (zh) * 2015-10-15 2018-08-03 N·V·努特里奇亚 用于促进健康生长的具有乳脂的婴儿配方物
CN108615555A (zh) * 2018-04-26 2018-10-02 山东师范大学 基于标记基因和混合核函数svm的结直肠癌预测方法和装置
CN108634956A (zh) * 2018-05-18 2018-10-12 浙江百安医疗科技有限公司 盆底器官脱垂评价装置及使用方法
CN108778477A (zh) * 2016-01-06 2018-11-09 不列颠哥伦比亚大学 分叉混合器及其使用和制造方法
CN108784655A (zh) * 2017-04-28 2018-11-13 西门子保健有限责任公司 针对医疗患者的快速评估和后果分析
CN108926350A (zh) * 2018-05-18 2018-12-04 浙江百安医疗科技有限公司 盆底器官脱垂评估装置及使用方法
CN109036568A (zh) * 2018-09-03 2018-12-18 浪潮软件集团有限公司 一种基于朴素贝叶斯算法的预测模型的建立方法
CN109273099A (zh) * 2018-08-09 2019-01-25 上海交通大学 多源治疗方案推荐的结论合成方法及系统
CN109390057A (zh) * 2018-08-20 2019-02-26 安徽大学 一种基于多目标优化的疾病模块检测方法
CN109390032A (zh) * 2018-11-02 2019-02-26 吉林大学 一种基于进化算法在全基因组关联分析的数据中探索与疾病相关的snp组合的方法
CN109508800A (zh) * 2018-09-28 2019-03-22 佐成爱（江苏）健康管理咨询有限公司 一种门诊预约方法和装置
CN109753601A (zh) * 2018-11-28 2019-05-14 北京奇艺世纪科技有限公司 推荐信息点击率确定方法、装置及电子设备
CN109753997A (zh) * 2018-12-19 2019-05-14 湖南科技大学 一种ct图像中的肝脏肿瘤自动精确鲁棒分割方法
CN109785928A (zh) * 2018-12-25 2019-05-21 平安科技（深圳）有限公司 诊疗方案推荐方法、装置及存储介质
CN110129444A (zh) * 2019-05-23 2019-08-16 青岛市中心医院 一种检测放射性损伤的试剂及其应用
CN110246577A (zh) * 2019-05-31 2019-09-17 深圳江行联加智能科技有限公司 一种基于人工智能辅助妊娠期糖尿病遗传风险预测的方法
CN110459290A (zh) * 2019-08-20 2019-11-15 曹庆恒 一种智能推荐医疗器械的方法、系统和设备
CN110533072A (zh) * 2019-07-30 2019-12-03 浙江工业大学 Web环境下基于Bigraph结构的SOAP服务相似度计算与聚类方法
CN110752032A (zh) * 2019-12-02 2020-02-04 山东浪潮人工智能研究院有限公司 一种基于卷积神经网络和激光测振的中医诊断方法
CN110974480A (zh) * 2019-12-26 2020-04-10 常州市康蒂娜医疗科技有限公司 一种治疗盆底脱垂的悬吊网片
CN111044632A (zh) * 2019-12-27 2020-04-21 江西省肿瘤医院(江西省癌症中心) 一种尿液中腺苷含量的检测方法及其应用
CN111524571A (zh) * 2020-05-21 2020-08-11 电子科技大学 一种脑卒中患者个性化治疗方案推荐方法
CN111596069A (zh) * 2020-06-03 2020-08-28 四川大学华西第二医院 Hsp10在pop早期预警、诊断、预后评估中的应用和产品
CN111596068A (zh) * 2020-06-03 2020-08-28 四川大学华西第二医院 Utrophin在POP早期预警、诊断、预后评估中的应用和产品
CN111739660A (zh) * 2020-05-19 2020-10-02 青岛大学附属医院 帕金森病非运动症状监测平台及其应用
CN111856037A (zh) * 2020-07-31 2020-10-30 四川大学华西第二医院 Unc45a与hsp10的比值在pop早期预警、诊断、预后评估中的应用和产品
CN111856038A (zh) * 2020-07-31 2020-10-30 四川大学华西第二医院 Unc45a在pop早期预警、诊断、预后评估中的应用和产品
CN112037917A (zh) * 2020-09-14 2020-12-04 白银市第一人民医院 一种基于精准健康管理的心脑血管疾病风险预警方法及系统
CN112133425A (zh) * 2020-09-11 2020-12-25 北京欧应信息技术有限公司 一种基于智能推荐辅助医生优化诊疗过程的系统
CN112242187A (zh) * 2020-10-26 2021-01-19 平安科技（深圳）有限公司 基于知识图谱表征学习的医疗方案推荐系统及方法
CN112348908A (zh) * 2019-08-07 2021-02-09 西门子医疗有限公司 用于医学成像中分段的基于形状的生成对抗网络
CN113077873A (zh) * 2021-05-06 2021-07-06 井颐医疗信息技术(杭州)有限公司 一种中医临床决策支持系统及方法
CN113205504A (zh) * 2021-05-12 2021-08-03 青岛大学附属医院 基于知识图谱的人工智能肾肿瘤预测系统
CN113593697A (zh) * 2021-07-31 2021-11-02 吾征智能技术(北京)有限公司 一种基于呼吸气味判断疾病的系统、设备及介质
EP3903692A1 (en) * 2020-04-29 2021-11-03 Coloplast A/S A tissue anchor system including a fixation device and a delivery tool
WO2021222753A1 (en) * 2020-05-01 2021-11-04 Rlmb Group, Llc Modular mobile treatment and precooling apparatus, methods, & systems
CN113706435A (zh) * 2020-05-09 2021-11-26 北京康兴顺达科贸有限公司 基于传统影像组学的胸部增强ct图像处理方法
CN113789396A (zh) * 2021-09-15 2021-12-14 复旦大学附属中山医院 一种用于检测食管癌患者特定肠道菌群占比的基因组合物及其应用
CN114117226A (zh) * 2021-11-29 2022-03-01 平安科技（深圳）有限公司 一种产品推荐方法、系统、设备及介质
US20220096266A1 (en) * 2020-09-28 2022-03-31 Braceability, Inc. Pelvic prolapse treatment belt
CN114416967A (zh) * 2022-01-26 2022-04-29 平安国际智慧城市科技股份有限公司 智能推荐医生的方法、装置、设备及存储介质

Patent Citations (49)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150158064A1 (en) * 2010-07-06 2015-06-11 University Of Maryland Baltimore County Organic biofilm substrata as a microbial inoculum delivery vehicle for bioaugmentation of persistent organic pollutants in contaminated sediments and soils
US20120021493A1 (en) * 2010-07-06 2012-01-26 University Of Maryland Baltimore County Organic biofilm substrata as a microbial inoculum delivery vehicle for bioaugmentation of persistent organic pollutants in contaminated sediments and soils
CN103052380A (zh) * 2010-08-23 2013-04-17 塔科达有限责任公司 包含治疗活性物质的湿润颗粒
CN102982042A (zh) * 2011-09-07 2013-03-20 中国移动通信集团公司 一种个性化内容推荐方法、平台以及系统
US20140100881A1 (en) * 2012-10-08 2014-04-10 Delaware Valley Outcomes Research Computer method for exploring drugs in disease
US20150105289A1 (en) * 2013-10-15 2015-04-16 The Regents Of The University Of Michigan Biomarkers for lower urinary tract symptoms (luts)
CN108366986A (zh) * 2015-10-15 2018-08-03 N·V·努特里奇亚 用于促进健康生长的具有乳脂的婴儿配方物
CN108778477A (zh) * 2016-01-06 2018-11-09 不列颠哥伦比亚大学 分叉混合器及其使用和制造方法
CN105999102A (zh) * 2016-07-01 2016-10-12 宋相珠 治疗剖宫产术后腹壁切口脂肪液化的复方药物
CN107064480A (zh) * 2016-08-12 2017-08-18 株洲千金药业股份有限公司 中药成份对阿奇霉素作用基线提升评价方法及评价妇科千金方的应用
CN108784655A (zh) * 2017-04-28 2018-11-13 西门子保健有限责任公司 针对医疗患者的快速评估和后果分析
CN108615555A (zh) * 2018-04-26 2018-10-02 山东师范大学 基于标记基因和混合核函数svm的结直肠癌预测方法和装置
CN108926350A (zh) * 2018-05-18 2018-12-04 浙江百安医疗科技有限公司 盆底器官脱垂评估装置及使用方法
CN108634956A (zh) * 2018-05-18 2018-10-12 浙江百安医疗科技有限公司 盆底器官脱垂评价装置及使用方法
CN109273099A (zh) * 2018-08-09 2019-01-25 上海交通大学 多源治疗方案推荐的结论合成方法及系统
CN109390057A (zh) * 2018-08-20 2019-02-26 安徽大学 一种基于多目标优化的疾病模块检测方法
CN109036568A (zh) * 2018-09-03 2018-12-18 浪潮软件集团有限公司 一种基于朴素贝叶斯算法的预测模型的建立方法
CN109508800A (zh) * 2018-09-28 2019-03-22 佐成爱（江苏）健康管理咨询有限公司 一种门诊预约方法和装置
CN109390032A (zh) * 2018-11-02 2019-02-26 吉林大学 一种基于进化算法在全基因组关联分析的数据中探索与疾病相关的snp组合的方法
CN109753601A (zh) * 2018-11-28 2019-05-14 北京奇艺世纪科技有限公司 推荐信息点击率确定方法、装置及电子设备
CN109753997A (zh) * 2018-12-19 2019-05-14 湖南科技大学 一种ct图像中的肝脏肿瘤自动精确鲁棒分割方法
CN109785928A (zh) * 2018-12-25 2019-05-21 平安科技（深圳）有限公司 诊疗方案推荐方法、装置及存储介质
CN110129444A (zh) * 2019-05-23 2019-08-16 青岛市中心医院 一种检测放射性损伤的试剂及其应用
CN110246577A (zh) * 2019-05-31 2019-09-17 深圳江行联加智能科技有限公司 一种基于人工智能辅助妊娠期糖尿病遗传风险预测的方法
CN110533072A (zh) * 2019-07-30 2019-12-03 浙江工业大学 Web环境下基于Bigraph结构的SOAP服务相似度计算与聚类方法
CN112348908A (zh) * 2019-08-07 2021-02-09 西门子医疗有限公司 用于医学成像中分段的基于形状的生成对抗网络
CN110459290A (zh) * 2019-08-20 2019-11-15 曹庆恒 一种智能推荐医疗器械的方法、系统和设备
CN110752032A (zh) * 2019-12-02 2020-02-04 山东浪潮人工智能研究院有限公司 一种基于卷积神经网络和激光测振的中医诊断方法
CN110974480A (zh) * 2019-12-26 2020-04-10 常州市康蒂娜医疗科技有限公司 一种治疗盆底脱垂的悬吊网片
CN111044632A (zh) * 2019-12-27 2020-04-21 江西省肿瘤医院(江西省癌症中心) 一种尿液中腺苷含量的检测方法及其应用
EP3903692A1 (en) * 2020-04-29 2021-11-03 Coloplast A/S A tissue anchor system including a fixation device and a delivery tool
WO2021222753A1 (en) * 2020-05-01 2021-11-04 Rlmb Group, Llc Modular mobile treatment and precooling apparatus, methods, & systems
CN113706435A (zh) * 2020-05-09 2021-11-26 北京康兴顺达科贸有限公司 基于传统影像组学的胸部增强ct图像处理方法
CN111739660A (zh) * 2020-05-19 2020-10-02 青岛大学附属医院 帕金森病非运动症状监测平台及其应用
CN111524571A (zh) * 2020-05-21 2020-08-11 电子科技大学 一种脑卒中患者个性化治疗方案推荐方法
CN111596068A (zh) * 2020-06-03 2020-08-28 四川大学华西第二医院 Utrophin在POP早期预警、诊断、预后评估中的应用和产品
CN111596069A (zh) * 2020-06-03 2020-08-28 四川大学华西第二医院 Hsp10在pop早期预警、诊断、预后评估中的应用和产品
CN111856038A (zh) * 2020-07-31 2020-10-30 四川大学华西第二医院 Unc45a在pop早期预警、诊断、预后评估中的应用和产品
CN111856037A (zh) * 2020-07-31 2020-10-30 四川大学华西第二医院 Unc45a与hsp10的比值在pop早期预警、诊断、预后评估中的应用和产品
CN112133425A (zh) * 2020-09-11 2020-12-25 北京欧应信息技术有限公司 一种基于智能推荐辅助医生优化诊疗过程的系统
CN112037917A (zh) * 2020-09-14 2020-12-04 白银市第一人民医院 一种基于精准健康管理的心脑血管疾病风险预警方法及系统
US20220096266A1 (en) * 2020-09-28 2022-03-31 Braceability, Inc. Pelvic prolapse treatment belt
CN112242187A (zh) * 2020-10-26 2021-01-19 平安科技（深圳）有限公司 基于知识图谱表征学习的医疗方案推荐系统及方法
CN113077873A (zh) * 2021-05-06 2021-07-06 井颐医疗信息技术(杭州)有限公司 一种中医临床决策支持系统及方法
CN113205504A (zh) * 2021-05-12 2021-08-03 青岛大学附属医院 基于知识图谱的人工智能肾肿瘤预测系统
CN113593697A (zh) * 2021-07-31 2021-11-02 吾征智能技术(北京)有限公司 一种基于呼吸气味判断疾病的系统、设备及介质
CN113789396A (zh) * 2021-09-15 2021-12-14 复旦大学附属中山医院 一种用于检测食管癌患者特定肠道菌群占比的基因组合物及其应用
CN114117226A (zh) * 2021-11-29 2022-03-01 平安科技（深圳）有限公司 一种产品推荐方法、系统、设备及介质
CN114416967A (zh) * 2022-01-26 2022-04-29 平安国际智慧城市科技股份有限公司 智能推荐医生的方法、装置、设备及存储介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117747092A (zh) * 2024-02-20 2024-03-22 天津医科大学总医院 基于数据分析的骨科影像辅助检测系统及方法

Also Published As

Publication number Publication date
CN115148330B (zh) 2023-07-25

Similar Documents

Publication Publication Date Title
Kao et al. Context-aware symptom checking for disease diagnosis using hierarchical reinforcement learning
Wang et al. Computer-assisted diagnosis of breast cancer using a data-driven Bayesian belief network
Azari et al. Predicting hospital length of stay (phlos): A multi-tiered data mining approach
Zhang et al. Using CatBoost algorithm to identify middle-aged and elderly depression, national health and nutrition examination survey 2011–2018
JP2005319301A (ja) ニューラルネットワーク関連アプリケーションを使用して医療診断テストおよび生化学診断テストを選択する方法
JP6585869B1 (ja) 将来の骨量を予測する方法、情報処理装置、及びコンピュータプログラム
CN109003671A (zh) 一种基于模糊决策的疾病概率计算系统及方法
US20130275050A1 (en) Methods and systems for integrated health systems
CN115148330B (zh) Pop治疗方案形成方法及系统
Holmes et al. Likelihood inference in nearest‐neighbour classification models
Wilk et al. Supporting triage of children with abdominal pain in the emergency room
CN118173253A (zh) 一种基于病患数据分析管理系统及方法
Van Oortmarssen et al. Modelling issues in cancer screening
Kowalski et al. International urogynecological consultation chapter 4.1: definition of outcomes for pelvic organ prolapse surgery
CN110610766A (zh) 基于症状特征权重推导疾病概率的装置和存储介质
Landrum et al. Applying Bayesian ideas to the development of medical guidelines
Tsyganov Artificial intelligence, public control, and supply of a vital commodity like COVID-19 vaccine
Marshall et al. Developing a Bayesian belief network for the management of geriatric hospital care
Komkhao et al. Determining pattern similarity in a medical recommender system
Dukic et al. A hierarchical Bayesian approach to modeling embryo implantation following in vitro fertilization
Robinson et al. Prediction of pelvic organ prolapse using an artificial neural network
Komkhao et al. Recommender systems in telemedicine
CN113658687B (zh) 盆腔器官脱垂自动诊断方法、装置及存储介质
Sivasankar et al. Diagnosing appendicitis using backpropagation neural network and bayesian based classifier
Sufriyana et al. Widely accessible prognostication using medical history for fetal growth restriction and small for gestational age in nationwide insured women

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