CN115458148B - 一种用于检伤分类方法的智能选择方法及智能选择装置 - Google Patents
一种用于检伤分类方法的智能选择方法及智能选择装置 Download PDFInfo
- Publication number
- CN115458148B CN115458148B CN202211045379.9A CN202211045379A CN115458148B CN 115458148 B CN115458148 B CN 115458148B CN 202211045379 A CN202211045379 A CN 202211045379A CN 115458148 B CN115458148 B CN 115458148B
- Authority
- CN
- China
- Prior art keywords
- data
- injury
- detection
- classification
- dimension
- 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
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
- G16H40/67—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for remote operation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/20—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the management or administration of healthcare resources or facilities, e.g. managing hospital staff or surgery rooms
-
- 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
- G16H50/30—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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/02—Protocols based on web technology, e.g. hypertext transfer protocol [HTTP]
-
- 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)
- Medical Informatics (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- General Business, Economics & Management (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Signal Processing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computer Networks & Wireless Communication (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了用于检伤分类方法的智能选择方法及智能选择装置,解决现有检伤手段无法适应大规模、广地域、长周期检伤分类的技术问题。方法包括:根据检伤分类全周期的真实检伤数据形成训练数据集;通过训练数据集对人工神经网络进行训练,形成检伤方法智能选择模型;在检伤分类全周期中,根据数据维度变化激活检伤方法智能选择模型接收当前伤员信息,确定当前阶段的检伤分类方法。根据数据采集状态进行检伤分类方法选择。当前阶段的检伤分类方法的选择可以对当前伤员状态数据进行充分处理,可以以阶段数据为基础切换至适配的检伤分类方法。保证检伤分类评估结果的可靠性。有效促进基于专业医生的知识规则进行检伤分类方法的选择。
Description
技术领域
本发明涉及检伤数据处理技术领域,具体涉及一种用于检伤分类方法的智能选择方法及智能选择装置。
背景技术
检伤分类在于区分出哪些伤员需要立即救治,哪些伤员可以延迟处理,哪些伤员可能需要放弃治疗,以求得获救伤员数量最大化,在战时和灾害突发时可以有效提高伤员存活率,降低致残率。常规有效的检伤分类方法包括简单分类和快速处置法(SimpleTriage And Rapid Treatment,START)、类选对照指标(triage checklist,TC)、院前指数(prehospital index,PHI)、格拉斯哥评分、创伤计分法(trauma score,TS)、CRAMS评分法、简易创伤计分法等。现有检伤过程中利用的辅助手段包括提供对伤员伤情进行人工标记的预制色带或标签,用于满足现场伤情分类;对现场采集的伤情数据进行存储和转发的专用数据终端,用于满足对伤情数据的记录和汇总。
在应对大规模、广地域、长时长的突发灾害应急救援现场时,现有辅助技术手段不能有效支持检伤分类全周期的数据保障。在现场检伤数据形成方面,缺乏现场检伤分类的通用数据采集口径,造成应急救援人员受介入时机、人员专业素质和救援协调能力影响,对检伤分类具体方法存在实施模糊性,体现在采用的检伤方法存在版本差异、相同方法中采集项目标定基准存在量化差异等。在数据处理方面,检伤信息数据化手段落后,现场救援阶段的初始检伤分类数据缺乏快捷采集手段和统一采集格式,不利于形成并行采集时的数据构成结构的一致性。在途医护转运和医院救治阶段中离散的监护数据采集方式和医护人力资源动态分配缺乏有效的数据融合手段,使得检伤分类全周期无法形成检伤分类依据和结果的数据连续性。尤其是在检伤分类全周期各阶段的检伤分类方法的适应性主要靠医生自主挑选,缺乏统一有效的检伤分类方法的规范选择。最终导致无法建立救治全过程的有效数据分析,使得应急响应过程中伤情病情的诊治诊断资源分配效率低下,应急医疗体系响应反馈效率得不到保证。无法形成整体救治评估,不利于形成科学救治,对专业救援队能力建设缺乏指导意义。
为了使得有效的医疗资源能够短时间内拯救更多的伤员,需要对检伤分类工具进行改进和创新。
发明内容
鉴于上述问题,本发明实施例提供一种用于检伤分类方法的智能选择方法及智能选择装置,解决现有检伤手段无法适应大规模、广地域、长周期检伤分类的技术问题。
本发明实施例的用于检伤分类方法的智能选择方法,包括:
根据检伤分类全周期的真实检伤数据形成训练数据集;
通过所述训练数据集对人工神经网络进行训练,形成检伤方法智能选择模型;
在检伤分类全周期中,根据数据维度变化激活所述检伤方法智能选择模型接收当前伤员信息,确定当前阶段的检伤分类方法。
本发明一实施例中,所述根据检伤分类全周期的真实检伤数据形成训练数据集包括:
对真实检伤数据进行单一维度提取,形成单一数据维度;
根据人工标记建立单一数据维度间的第一正相关关联,通过第一正相关关联形成第一复合数据维度;
将真实检伤数据归一化,并与各数据维度绑定,形成训练数据集。
本发明一实施例中,所述根据检伤分类全周期的真实检伤数据形成训练数据集还包括:
建立第一复合数据维度与其他单一数据维度间的第二正相关关联,通过第二正相关关联形成第二复合数据维度;
建立第一复合数据维度与其他单一数据维度间的第一负相关关联,通过第一负相关关联形成第三复合数据维度。
本发明一实施例中,所述人工神经网络采用与数据维度数量对应的神经元节点构成输入层,隐层的激活函数选用tanh函数,输出层采用Softmax分类器。
本发明一实施例中,所述根据数据维度变化激活所述检伤方法智能选择模型接收当前伤员信息,确定当前阶段的检伤分类方法包括:
在确定阶段的不同监护节点激活检伤方法智能选择模型进行智能选择,监护节点以确定时间周期标定或以监护设备的变更标定。
本发明实施例的用于检伤分类方法的智能选择装置,包括:
存储器,用于存储如权利要求1至5任一所述的用于检伤分类方法的智能选择方法处理过程的程序代码;
处理器,用于执行所述程序代码。
本发明实施例的用于检伤分类方法的智能选择装置,包括:
采集模块,用于根据检伤分类全周期的真实检伤数据形成训练数据集;
训练模块,用于通过所述训练数据集对人工神经网络进行训练,形成检伤方法智能选择模型;
应用模块,用于在检伤分类全周期中,根据数据维度变化激活所述检伤方法智能选择模型接收当前伤员信息,确定当前阶段的检伤分类方法。
本发明一实施例中,所述采集模块包括:
第一维度生成单元,用于对真实检伤数据进行单一维度提取,形成单一数据维度;
第二维度生成单元,用于根据人工标记建立单一数据维度间的第一正相关关联,通过第一正相关关联形成第一复合数据维度;
数据归一化单元,用于将真实检伤数据归一化,并与各数据维度绑定,形成训练数据集。
本发明一实施例中,所述采集模块还包括:
第三维度生成单元,用于建立第一复合数据维度与其他单一数据维度间的第二正相关关联,通过第二正相关关联形成第二复合数据维度;
第四维度生成单元,用于建立第一复合数据维度与其他单一数据维度间的第一负相关关联,通过第一负相关关联形成第三复合数据维度。
本发明实施例的智能检伤分类平台,利用上述的用于检伤分类方法的智能选择方法形成智能检伤分类平台中后台管理系统的前端服务框架的方法智能选择服务。
本发明实施例的用于检伤分类方法的智能选择方法及智能选择装置根据数据采集状态进行检伤分类方法的智能选择。确定检伤分类全周期中当前阶段的检伤分类方法的选择可以对当前伤员状态数据进行充分处理,可以以阶段数据为基础切换至适配的检伤分类方法。保证检伤分类评估结果的可靠性。
附图说明
图1所示为本发明一实施例智能检伤分类平台的架构示意图。
图2所示为本发明一实施例智能检伤分类平台的后台管理系统的软件架构示意图。
图3所示为本发明一实施例智能检伤分类平台在后台管理系统中提供的业务服务框架示意图。
图4所示为本发明一实施例智能检伤分类平台在APP子系统中提供的前端功能架构示意图。
图5所示为本发明一实施例智能检伤分类平台在后台管理系统中针对检伤分类方法的智能选择方法的流程示意图。
图6所示为本发明一实施例针对检伤分类方法的智能选择装置的架构示意图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚、明白,以下结合附图及具体实施方式对本发明作进一步说明。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。
本发明一实施例智能检伤分类平台如图1所示。在图1中,本实施例包括:
后台管理系统100,用于对APP子系统及交互数据进行管理,提供统一调度的服务过程响应APP子系统的功能需求。
进行管理通过必要的身份验证进行。构成服务的计算资源和存储资源可以通过服务器和与服务器数据连接的数据库提供。管理的内容和对象包括但不限于部署在移动终端上的APP子系统的用户身份、伤员身份,采集数据和服务过程的交互数据的统一存储管理等。服务过程针对功能需求,包括但不限于交互界面及更新服务、预置标准表格及更新服务、检伤方法交互指导信息及更新服务、检伤分类方法智能选择服务、全周期伤员数据融合服务、监护设备数据融合服务、现场语音识别服务等。根据使用频次和优先级,上述部分服务可以缓存在APP子系统中,作为APP子系统的模块化组成部分。
APP子系统200,用于部署在移动终端上,形成检伤分类的数据终端,提供伤员检伤分类全周期的图形交互界面,通过图形交互界面接受后台管理系统的身份管理、数据管理和服务管理,执行服务过程中的数据处理和数据展示。
数据终端的检伤分类功能通过APP子系统提供的交互界面集合实现数据交互。针对各检伤阶段的不同功能形成对应的交互界面集合。交互界面通过预置的前端界面组织框架形成,包括独立界面和局部界面,交互界面形成数据交互输入输出接口和交互数据格式化展示,交互界面与相应的服务数据处理过程或服务调用过程衔接,根据预置的交互对象触发数据处理和数据展示过程。
后台管理系统100和所述数据终端间利用通信公网建立与APP子系统 200的数据交换链路.
通信公网包括但不限于广域网和局域网的异构网络组网形态。移动终端具有必要的无线链路接口和有线链路接口。移动终端包括但不限于手机、电脑或定制数据终端,通过端口适配器移动终端可以与本地设备数据端口形成无线/有线连接。
数据终端受控形成服务缓存。缓存可以使得基于统一规范的数据交互过程稳定,克服数据交换链路受干扰中断时检伤分类中断的几率。服务缓存包括但不限于服务涉及的数据交互界面、受控的服务执行代码和服务过程数据等。
本发明实施例的智能检伤分类平台通过灵活部署的APP子系统适配移动终端的操作系统资源,形成检伤分类全周期中每一个相关医护工作者的数据终端。后台管理系统提供统一的检伤分类全周期各阶段的通用服务过程,通用服务的数据交互界面和数据处理过程,使得检伤数据的采集和处理过程具有统一规范。保证了数据在不同检伤阶段不同数据终端持有者间流转和融合的兼容性。通过智能检伤分类平台对统一规范或局部规则的更新,就可以使相应的完整服务过程或局部数据处理过程在各数据终端中同步更新,为平台服务规模和服务质量的提升提供较强的可伸缩性能。
如图1所示,在本发明一实施例中,还包括WEB端110,用于在部署的浏览器上提供后台管理系统的数据交互界面,通过数据交互界面对后台管理系统的服务和功能进行维护和更新。
后台管理系统100与WEB端形成B/S架构,通过WEB端进行后台管理。后台管理系统100和部署APP子系统200的数据终端形成C/S架构,对海量伤员进行检伤分类全周期的并行检伤分类处理。APP子系统200通过数据终端适配端口与形成伤员身份与初始分类信息显性绑定的标识打印机数据连接,例如可贴附标签打印机。进而通过数据终端适配端口与伤员检伤分类全周期中关联的监护设备数据连接,例如心电监护设备、化验室或实验室的分析仪器连接的检验信息汇总工作站等,以获得各种监护数据。
本发明实施例的智能检伤分类平台以后台管理系统为核心,面向管理者形成B/S架构。以B/S间的交互低内聚性适应后台管理权限限制强制性和接入灵活性的平衡。面向检伤分类全周期的医护工作者形成C/S架构,以C/S 间的系统调度高耦合性适应检伤分类全周期的数据同步和交互并发的调度复杂性。
本发明一实施例的智能检伤分类平台的构成后台管理系统的软件架构如图2所示。在图2中,软件架构包括:
基础设施层110,用于向资源供应商申请网络资源、存储资源和计算资源形成后台可控资源,获取采集设备和监护设备的硬件描述和输入输出数据封装描述形成软件定义设备。
资源供应商提供的资源类型包括但不限于网络资源、存储资源和计算资源,资源包括云端硬件资源或本地硬件资源,通过资源供应商提供管理工具形成后台可控资源。通过获得设备的硬件描述和输入输出数据封装协议,构成对具体硬件外设设备的软件定义设备,根据相应的软件定义设备匹配真实设备获取硬件及协议描述形成后台管理系统与外设的数据交换基础。
在本发明一实施例中,软件定义设备的类型包括但不限于标签打印机、各类监护设备和检验、检查的数据工作站。
数据架构层120,用于配置后台可控资源形成数据缓存存储框架、数据持久化存储框架、分布式文件存储框架和集群计算框架。
通过具有针对性数据处理功能的数据处理软件形成利用后台可控资源的专用资源和资源配置工具集合。满足不同服务对资源的配置需求和配置途径。
在本发明一实施例中,采用Redis(Remote Dictionary Server)形成数据缓存存储框架,采用MySql关系型数据库管理系统形成数据持久化存储框架,采用MongoDB非关系型数据库管理系统形成分布式文件存储框架,采用Hadoop分布式文件系统形成集群计算框架。形成对特定数据类型进行高性能计算的需求。
业务服务层130,用于利用存储框架和计算框架建立检伤分类全周期中各阶段的前端服务,形成前端服务框架。
通过各框架形成的服务资源和服务工具构建与作为前端的WEB端或 APP子系统直接产生数据交互的服务的处理逻辑和逻辑过程封装(代码化)。形成的服务包括但不限于用于前端交互的用户鉴权过程、用户管理过程、数据采集过程和数据融合处理过程等。
在本发明一实施例中,前端服务框架涉及检伤分类全周期中各阶段,包括但不限于涉及前端交互的语音输入、伤员信息录入、标签打印、人工数据录入、设备数据录入、标签信息识别、伤员数据融合、检伤方法回归和检伤分类数据存储、登录鉴权、用户管理、伤员信息检索、智能检伤分类和检伤评估等服务。
业务支撑层140,用于利用存储框架和计算框架建立支持前端服务在不同数据终端并行运行的系统服务框架。
通过各框架提供的资源和工具形成保证前端并行过程的后台管理系统的系统服务过程。
在本发明一实施例中,系统服务过程包括但不限于缓存服务(例如 Redis)、日志服务(例如EFK)、文件服务(例如FastDFS)、数据路由服务(例如)、面向服务架构服务(Dubbo)、消息服务(例如RocketMQ)、检伤方法智能选择服务(例如ANN)和数据传输服务等。
前端表达层150,用于利用图形交互框架形成图形对象,建立图形对象的交互接口,通过交互接口绑定服务过程,通过图形对象构建WEB端或APP 子系统在部署时交换服务数据的数据交互界面。
部署包括在WEB端在浏览器上部署或APP子系统在移动终端上部署。部署过程运行服务在浏览器形成管理交互界面或在移动终端数据形成APP 交互界面。浏览器上的部署随浏览器关闭而结束,根据系统设定,移动终端上的部署可以形成服务和服务数据的缓存。
在本发明一实施例中,针对WEB端形成交互接口采用的图形交互框架包括但不限于Html5、CSS3、layui、Ajax和Jquery等。针对APP子系统形成的交互接口采用的图形交互框架包括但不限于Yue、Recat和Angular等。
本发明实施例的智能检伤分类平台通过利用后台可控资源形成针对前端单一伤员检伤分类全周期的具体服务和保证前端APP子系统间同步并行实施的后台保障服务,使得平台可以根据灾害空间、抢救时间、伤员数量以及抢救资源规模对各类型软硬件资源有效均衡,实现平台应用伸缩性和稳定性。
本发明一实施例的智能检伤分类平台在后台管理系统中提供的业务服务框架如图3所示。在图3中,本实施例的前端服务框架300包括:
数据终端注册管理服务310,用于形成数据交互界面,对部署APP子系统的移动终端进行软硬件环境的数据采集生成终端标识,将APP子系统登录身份与终端标识绑定作为数据终端注册标识进行数据终端管理,完成相应的数据交换和存储。
数据终端的软硬件环境包括但不限于处理器、网络适配器和终端主板的硬件标识,还包括终端操作系统中关键组件的版本号或可信计算形成的离散函数值等。APP子系统登录身份通常采用医生的登录身份和密码。通过身份与终端标识绑定形成使用者与数据终端的绑定,保障检伤分类数据的生成、修改和应用过程安全可控,数据可溯源。
在本发明一实施例中,数据终端注册管理服务的服务过程包括:
在医生登录数据终端时采集当前数据终端的终端标识;
在系统管理的鉴权数据中比对医生身份和终端标识,当比对通过时对数据终端与后台管理系统建立的数据交换链路赋予链路标识;
根据链路标识记录数据终端上行数据和数据终端数据请求。
在本发明一实施例中,链路标识由链路建立时间、终端标识和医生标识组成。
本实施例构造单边需求记录模式,针对数据终端的人为数据行为进行记录,对在现场进行数据生成和获取检伤数据支持的医生提供检伤分类评估的行为基础数据。
医生注册管理服务320,用于形成数据交互界面,对检伤分类全周期中参与的医生进行身份有效性注册,对合规医生提供伤员信息的查询服务、修正服务和统计服务,完成相应的数据交换和存储。
身份有效性注册包括对医生登录身份、所处位置、专业技能、身体承受程度、工作量负荷等检伤分类能力的相关属性进行注册。在检伤分类参与过程中,医生的身份有效性会随参与检伤项目形成量化差异。合规医生是指经过身份有效性评估的符合检伤分类全周期中确定阶段检伤能力需求的医生资源。通过身份有效性注册确定合规医生资源,可以较好地调配稀缺的人力资源和专业技能资源。
在本发明一实施例中,医生注册管理服务的服务过程包括:
对医生登陆身份进行鉴权,身份验证成功后将医生加入可用检伤资源列表;
根据检伤分类的阶段性需求,在可用检伤资源列表中根据身份有效性数据选取合规医生,并向需求匹配度最接近的合规医生分配伤员。
选取合规医生的匹配度策略包括根据距伤员位置-承接伤员时间反映的工作负荷量-专业技能-医生年龄和持续登陆时长反映的身体承受程度的匹配优先级进行。
在本发明一实施例中,查询服务的服务过程包括:
提供对医生名下伤员的检伤分类数据进行检索的检索工具;
提供检索伤员信息的格式化展示模板。
在本发明一实施例中,修正服务的服务过程包括:
在检索伤员信息的格式化展示中提供伤员信息的修改工具;
修改工具记录修改内容形成修改日志数据。
在本发明一实施例中,统计服务的服务过程包括:
提供分类统计工具接口,根据交互指令进行医生名下伤员信息的伤情分类统计和提供分类统计展示模板。
医生注册管理服务利用身份有效性注册使得医生资源的可用性具有量化基础。使得医生资源的分配可以协调兼顾医生身体状况、工作负荷和专业技能,使得医生资源在检伤分类的同一阶段可以人员互补,在不同阶段可以技能复用。利用身份有效性在检伤分类全周期中的变化差异形成医生工作负荷的量化,为进一步医疗资源调配提供准确依据。
伤员注册管理服务330,用于形成数据交互接口,根据初始分配的伤员标识注册伤员身份,根据伤员身份进行伤员监护数据融合形成伤员信息,完成相应的数据交换和存储。
伤员标识由最先接触伤员的医护人员构造分配,作为身份数据和监护数据的锚定。伤员标识作为数字化索引衔接伤员基础身份数据和技术检伤分类数据。
在本发明一实施例中,伤员注册管理服务的服务过程包括:
根据伤员标识提供与伤员标识绑定的键值对数据结构;
在伤员检伤分类全周期中通过键值对数据结构存储检伤分类中身份数据和监护数据;
在伤员检伤分类全周期中持续根据键值对数据结构中的键特征融合身份数据和监护数据形成伤员信息。
在本发明一实施例中,键值对数据结构为:
伤员标识 | 键名 | : | 时间戳 | 采集的数据 |
伤员注册管理服务针对伤员信息补充的时间随机性和容错要求提供键值对数据结构,形成相同信息类型的逐步修正,检伤评估信息类型的逐步完善,使得形成数据的时效性与完整性可以有益分隔、有效融合。充分适应检伤分类第一阶段应急数据采集与其他阶段数据完善的操作兼容性。
硬件连接适配服务340,用于形成数据交互接口,在数据终端与硬件设备进行链路初始化过程中提供软件定义设备适配硬件设备,通过通信参数建立数据链路,通过数据封装协议形成链路数据的解析,完成相应的数据交换和存储。
软件定义设备为后台管理系统提供的系统资源。链路初始化过程存在表达初始参数的握手信号,可以用于通信双方基本硬件类型的识别。
在本发明一实施例中,硬件连接适配服务的服务过程包括:
在与硬件设备连接初始化过程中获取硬件设备的握手信号;
根据解码的握手信号在软件定义设备列表中匹配备选设备类型;
根据备选设备类型匹配备选设备列表,根据备选设备的软件定义通信参数版本的差异设置握手周期数量;
在一个握手周期中提供一种版本的软件定义通信参数进行链路通信,选择适配度最高的软件定义通信参数初始化通信链路,选择对应的硬件设备封装协议建立最终数据交换链路进行数据解析。
硬件连接适配服务利用软件定义设备资源提高与硬件设备数据连接的稳定性。同时使得部署APP子系统的移动终端与外设连接的兼容性得以保证。
诊断辅助编码服务350,用于形成数据交互接口,根据伤情编码表提供伤情的层级诊断交互逻辑,并形成伤情诊断后的标准编码,完成相应的数据交换和存储。
本领域技术人员可以理解,常见伤情通过经验数据可以形成较详细的伤情分类,并对分类伤情进行层次编码形成编码映射结构。根据编码映射结构形成伤情筛选的层级诊断交互逻辑,层级诊断交互导致伤情确定时获得对应的标准编码。
本发明一实施例中,采用ICD-11应急救援诊断编码表构建编码映射结构,编码映射结构为:
在本发明一实施例中,诊断辅助编码服务的服务过程包括:
形成层级诊断交互逻辑交互展示接口,接收交互输入;
根据交互输入从编码映射结构中确定伤情的标准编码并展示伤情描述。
诊断辅助编码服务提供一种基于数据编码映射结构的交互选择方法。在该编码映射结构的基础上可进行快速统计分析,构建疾病谱模型,为救援决策支持提供有力依据。
检伤方法导航服务360,用于形成数据交互接口,建立确定检伤方法的标准流程步骤和步骤指示,形成步骤间的实施限定逻辑,提供检伤过程完整性校验,完成相应的数据交换和存储。
本领域技术人员可以理解,检伤分类方法依据不同的检伤分类诊断模型形成。一些检伤分类方法在局部步骤上可能存在重叠,在其他局部步骤间可能存在矛盾。因此需要为医生提供检伤方法标准流程步骤的伴随指示。
在本发明一实施例中,检伤方法导航服务的服务过程包括:
为确定检伤方法建立标准流程步骤;
建立标准流程步骤对应的伴随指示;
建立当前流程步骤与跟随步骤间的实施限定逻辑;
形成在实施限定逻辑触发时的触发指示;
形成确定检伤方法实施过程中标记完成时的过程完整性校验。
检伤方法导航服务同建立针对具体检伤步骤的伴随提示保证当前检伤过程中干扰因素不发挥负面作用。通过与后续步骤间的实施限定逻辑保证错误检伤行为实施时通过触发指示消除潜在误差或失误。通过过程完整性校验保障鉴赏数据的完整采集。实现运用确定检伤方法时避免环境因素干扰,降低医生对各种检伤分类方法的掌握难度。
方法智能选择服务370,用于形成数据交互接口,根据检伤分类全周期中所处阶段和检伤分类数据采集状态进行检伤方法推荐,完成相应的数据交换和存储。
本领域技术人员可以理解,不同检伤方法具有检伤思路和数据利用的明显差异。检伤分类全周期涉及不同阶段的伤员信息的不断融合。随着伤员信息融合,伤员检伤信息的维度和数据量都会不断累积。而伤员的监护数据量和监护数据类型的累进变化需要检伤方法可以适应数据变化,即针对数据变化形成检伤方法的准确推荐,对数据形成新的检伤分类,提升数据利用率和检伤分类效率和质量。
方法智能选择服务通过利用后台管理系统充分的计算资源和存储资源提供针对APP子系统进行检伤分类方法选择的基于动态大数据的处理模型,利用模型实现对检伤分类方法的智能选择。降低医生应急检伤救治专业能力需求的同时,使得可以参与应急检伤的医生资源得以扩大。通过智能选择可以在检伤分类全周期中根据不同阶段的监护数据的动态变化适时给出检伤分类方法的选择建议,使医生主观检伤诊断经验与数据分析建议相结合形成针对伤员个体的及时检伤诊断,避免延误检伤诊断时机,延宕病情。充分保证了所有数字终端参与的检伤分类过程中都可以获得本服务支持,使得平台整体检伤分类的效率和检伤资源大幅提高。
检伤分类评估服务380,用于形成数据交互接口,根据累计的检伤分类数据形成各阶段的数据分析评估过程,对阶段伤情做出量化评估,完成相应的数据交换和存储。
每个检伤分类方法都包括针对获得的伤情数据进行结果评分评估的过程。对伤情数据逐项量化、加权,将伤情评分评估过程规则化、逻辑化形成评估规则,对量化、加权的伤情数据数据处理,可以形成伤员在各阶段的伤情评估。标准的检伤分类方法具有对应的伤情评估规则。
在本发明一实施例中,根据年龄、GLS评分人工录入,体温、呼吸、血压心率、氧饱和依据监护仪数值进行自动评分,根据设定评估阈值形成量化评估以区分轻度、中度、重度和极危重或濒临死亡的伤员。评估量化规则如下表:
评分 | 3 | 2 | 1 | 0 | 1 | 2 | 3 |
体温(℃) | ≤30 | 30.1-32 | 32.1-35 | 35.1-38 | 38.1-39 | 39.1-41 | ≥41.1 |
呼吸(次/分) | ≤5 | 6-9 | 10-11 | 12-24 | 25-34 | 35-49 | ≥50 |
心率(次/分) | ≤39 | 40-51 | 51-60 | 60-100 | 101-139 | 140-179 | ≥180 |
收缩压(mmHg) | ≤69 | 70-79 | 80-89 | 90-139 | 140-159 | 160-179 | ≥180 |
SPO2(%) | ≤84 | 85-89 | 90-95 | 96-100 | |||
GLS评分 | ≤4 | 5-7 | 8-12 | 13-15 | |||
年龄(岁) | ≤44 | 45-54 | 55-64 | ≥65 |
在本发明一实施例中,检伤分类评估服务的服务过程包括:
向转运目的地转发转运阶段的伤情评估;
接收转运目的地的转运指示,根据转运指示确定新的转运目的地;
根据院内阶段的伤情评估进行后续治疗的医疗资源分配;
当伤情评估发现恶化趋势且到达评估警报阈值时,形成发送给对应的合规医生的警报信息。
检伤分类评估服务实现通用评估过程的程序化。同时将伤情评估与后续联动程序衔接,形成动态医疗资源分配基础和伤情报警流程。使得检伤分类评估伴随检伤分类全周期,伤员监护可以始终处于评估状态,医疗资源可以得到合理的调配。评估结果与平台评价过程相结合可以形成医生或专业救援队能力建设的指导依据。
同步更新服务390,用于对缓存时限和缓存内容进行集中控制,将后台管理系统服务框架提供的服务代码和服务数据在数据终端进行缓存,完成相应的数据传输和日志。
服务代码和服务数据可以受控地随APP子系统部署在数据终端上。通用的数据加密技术和对象序列化技术可以保证服务功能的安全性和完整性。服务框架更新后的服务代码更新根据集中控制策略向数据终端分发,数据终端进行缓存。在数据终端上运行服务代码后形成的阶段性数据和结果数据,根据缓存服务代码与后台管理系统服务框架间的控制策略进行数据同步。
在本发明一实施例中,同步更新服务的服务过程包括:
服务框架根据后台管理系统管理的医生身份和终端标识确定每个数据终端的处理权限和处理能力,形成相应服务代码和服务数据的缓存权限;
根据缓存权限向APP子系统推送相应服务代码和服务数据;
建立缓存服务代码运行过程与服务框架间的数据同步状态;
服务框架对缓存服务代码的上行数据和数据请求进行响应。
同步更新服务实现了集中控制的分布式服务框架架构。服务缓存使得计算资源和存储资源需求较低的服务可以直接部署在数据终端上,提升服务响应效率,同时可以根据数据终端的性能实现缓存服务的差异化,使缓存服务性能得以保证。缓存服务与服务框架的数据同步保证了业务连续性,使得数据终端可以在恶略的离线环境下持续服务处理,在环境改善时及时数据同步,保证了平台服务的健壮性。
在本发明一实施例中,前端服务框架300中的服务包括功能全集和功能子集,受后台管理系统控制可以在不同检伤分类阶段形成功能裁剪。
本发明一实施例的智能检伤分类平台的APP子系统前端功能架构如图 4所示。在图4中,APP子系统包括:
检伤医生管理模块210,用于请求数据终端注册管理服务、医生注册管理服务形成医生资源管理的数据交互界面。
伤员数据管理模块220,用于请求伤员注册管理服务、硬件连接适配服务形成伤员伤情管理的数据交互界面。
检伤诊断辅助模块230,用于请求诊断辅助编码服务、检伤方法导航服务形成检伤分类各阶段的实施检伤分类方法时的数据交互界面。
方法智能选择模块240,用于根据方法智能选择服务形成检伤分类各阶段的根据伤员信息更新状态形成的检伤方法切换的数据交互界面。
检伤分类评估模块250,用于根据检伤分类评估服务形成检伤分类各阶段的分类评估的数据交互界面。
本发明实施例的APP子系统形成检伤分类全周期的远端基础功能模块的数据交互界面,为各阶段检伤分类的具体交互过程提供基础功能裁剪的对应数据交互界面,简化APP子系统功能重构复杂性,丰富具体交互过程的交互复杂性和数据展示丰度。
本发明一实施例的智能检伤分类平台的APP子系统功能架构如图4所示。在图中,APP子系统还包括:
根据检伤分类现场需求形成的:
伤员标识打印模块261,用于利用硬件连接适配服务连接外设形成伤员标识标签并控制外设输出的数据交互界面;
现场人工采集模块262,用于利用硬件连接适配服务连接语音识别组件,结合人工录入的数据交互界面形成现场人工采集过程;
现场检伤分类模块263,用于根据诊断辅助编码服务、检伤方法导航服务形成现场检伤过程。
根据检伤分类转运需求形成的:
伤员标识识别模块271,用于根据伤员注册管理服务建立伤员信息输出的数据交互界面;
第一数据采集模块272,用于根据硬件连接适配服务形成连接监护设备的数据交互界面,根据伤员注册管理服务形成伤员伤情管理的数据交互界面;
伤员信息展示模块273,用于根据医生注册管理服务、伤员注册管理服务形成伤员信息的数据交互界面;
第一方法选择模块274,用于根据方法智能选择模块形成检伤分类转运阶段的分类评估的数据交互界面;
第一分类评估模块275,用于根据检伤分类评估模块形成检伤分类转运阶段的分类评估的数据交互界面。
根据院内处理需求形成的:
第二数据采集模块281,用于根据硬件连接适配服务形成连接监护设备的数据交互界面,根据伤员注册管理服务形成伤员伤情管理的数据交互界面;
第二方法选择模块282,用于根据方法智能选择模块形成检伤分类院内阶段的分类评估的数据交互界面;
第二分类评估模块283,用于根据检伤分类评估模块形成检伤分类院内阶段的分类评估的数据交互界面。
本发明实施例的APP子系统利用前端服务为各阶段检伤分类的具体交互过程提供基础功能裁剪的对应数据交互界面,实现检伤分类全周期的各阶段具体处理过程的数据交互界面。将通过后台管理系统控制的检伤分类全周期在各APP子系统中具体实现,保证检伤分类全过程的处理一致性,提供检伤分类全过程数据交互界面构成的灵活性。
不同的检伤分类方法对特定数据维度的伤情信息更敏感,能够更好地形成检伤分类效果。在检伤分类全周期中,较早阶段的检伤分类方法选择受现场环境干扰和伤情人工采集识别能力及采集偏差影响会存在选择缺陷,在早期不易显现对伤员信息的分类误差。随着较后阶段监护设备、专业领域医生的持续介入,对增加的数据和数据维度会更加丰富,只有充分利用才可能获得更好地检伤分类准确性,而直接利用较早阶段的检伤分类方法往往与数据采集状态不适配。
在上述实施例中,方法智能选择服务根据数据采集状态进行检伤分类方法的智能选择。确定检伤分类全周期中当前阶段的检伤分类方法的选择可以对当前伤员状态数据进行充分处理,可以以阶段数据为基础切换至适配的检伤分类方法。保证检伤分类评估结果的可靠性。
本发明一实施例智能检伤分类平台中后台管理系统的方法智能选择服务所采用的用于检伤分类方法的智能选择方法如图5所示。在图5中,智能选择方法包括:
步骤410:根据检伤分类全周期的真实检伤数据形成训练数据集。
真实检伤数据为既往真实伤员在检伤分类全周期中形成的现场人工检伤数据、转运在途期间经人工修正、医护补录的人工检伤数据和通过监护设备采集的伤员伤情数据。
真实检伤数据还包括医生根据真实检伤数据在各阶段做出正确检伤分类评估时所采用的检伤分类方法的记录。
步骤420:通过训练数据集对人工神经网络(ANN)进行训练,形成检伤方法智能选择模型。
训练数据集中包括所有已知的经过人工标记的数据维度,采用与数据维度数量对应的神经元节点构成输入层。
为了形成隐层中的非线性分类,隐层的激活函数选用tanh函数。
输出层采用Softmax分类器。
z1=xW1+b1
a1=tanh(Z1)
z2=a1W2+b2
通用表达中zi是第i层的输入,ai是第i层激活函数处理后的输出。 W1,b1,W2,b2是神经网络的参数,用来学习和训练用的数据,这里可以把它们当做在网络中的矩阵。如果在隐层中使用100个神经元节点,那么有W1∈R2*100,b1∈R100,W2∈E2*100,b2∈R2,从上述公式可以看出来增加隐层的节点数会大量的增加网络的参数。
利用BP算法求得梯度。使用梯度下降算法寻找损失函数的最小值,使用一个固定的学习速率实现批量梯度下降算法。
步骤430:在检伤分类全周期中根据数据维度变化激活检伤方法智能选择模型接收当前伤员信息,确定当前阶段的检伤分类方法。
数据维度变化是指随着伤员在检伤分类全周期中采集数据的类型,会使得可用数据维度和相关数据逐渐出现。通过在确定阶段的不同监护节点激活检伤方法智能选择模型进行智能选择,可以有效适应伤员伤情发展。
在本发明一实施例中,监护节点以确定时间周期标定。在本发明一实施例中,监护节点以监护设备的变更标定。
如图5所示,在本发明一实施例中,步骤410包括:
步骤411:对真实检伤数据进行单一维度提取,形成单一数据维度。
单一数据维度包括但不限于具有确定数值的理化指标或生化指标,例如心率、体温、呼吸、血压、氧饱等。通过单一数据维度建立对伤员检伤分类全周期中检伤数据的信息维度建立。单一数据维度间保持并列关系。单一数据维度通过人工标记确定。
步骤412:根据人工标记建立单一数据维度间的第一正相关关联,通过第一正相关关联形成第一复合数据维度。
第一正相关关联根据单一数据维度间的因果关系、递进关系和替代关系的肯定性建立。形成的第一复合数据维度与单一数据维度间保持并列关系。第一复合数据维度通过人工标记确定。例如氧饱与呼吸间的单向因果关系具有肯定性。氧饱与呼吸间建立“饱氧-呼吸”的第一复合数据维度。
步骤413:建立第一复合数据维度与其他单一数据维度间的第二正相关关联,通过第二正相关关联形成第二复合数据维度。
第二正相关关联根据第一复合数据维度与其他单一数据维度间的因果关系、递进关系和替代关系的肯定性建立。
其他单一数据维度是指不反映在第一复合数据维度中的单一数据维度。形成的第二复合数据维度与单一数据维度间保持并列关系。第二复合数据维度通过人工标记确定。例如饱氧-呼吸与超声射血指数间的单向递进关系具有肯定性。饱氧-呼吸与超声射血指数间建立“饱氧-呼吸-射血”的第二复合数据维度。
步骤414:建立第一复合数据维度与其他单一数据维度间的第一负相关关联,通过第一负相关关联形成第三复合数据维度。
第一负相关关联根据第一复合数据维度与其他单一数据维度间的因果关系、递进关系和替代关系的否定性建立。
其他单一数据维度是指不反映在第一复合数据维度中的单一数据维度。形成的第三复合数据维度与单一数据维度间保持并列关系。第三复合数据维度通过人工标记确定。例如饱氧-呼吸与体温间具有关联否定性。饱氧-呼吸与体温间建立“饱氧-呼吸-体温”的第三复合数据维度。
步骤415:将真实检伤数据归一化,并与各数据维度绑定,形成训练数据集。
真实检伤数据归一化数值采用一维矩阵为基础进行数据记录,并与各数据维度绑定,各维度的数据记录构成训练数据集。
本发明实施例的智能选择方法通过专业医生的人工标注形成复合数据维度,避免人工神经网络出现隐层中数据维度间的潜在关联过多,而潜在关联往往不能有效专业解释,可以有效提升人工神经网络隐层中显性维度关联的权重。利用相同复合数据维度与单一数据维度间的正相关关联和负相关关联形成存在加强加权和减弱加权的复合数据维度,使得基于专业医生的人工标注在维度间形成指向性传递关联,促进人工神经网络在隐层间传递可识别的关联性。基于复合数据维度进行人工神经网络训练,可以有效促进基于专业医生的知识规则进行检伤分类方法的选择。使得检伤方法智能选择模型参数可控,网络构型稳定。进而体现在应用时对计算资源和存储资源的占用优化,使得检伤方法智能选择模型有可能缓存在数据终端上,提高平台灵活性。
在本发明一实施例中,在上述实施例智能检伤分类平台中后台管理系统的方法智能选择服务所采用的针对检伤分类方法的智能选择方法基础上,形成前端服务框架的方法智能选择服务。
在本发明一实施例中,利用上述方法智能选择服务形成APP子系统的方法智能选择模块。
在本发明一实施例中,根据检伤分类转运需求形成APP子系统的第一方法选择模块。
在本发明一实施例中,根据院内处理需求形成APP子系统的第二方法选择模块。
本发明一实施例用于检伤分类方法的智能选择装置,包括:
存储器,用于存储上述用于检伤分类方法的智能选择方法处理过程的程序代码;
处理器,用于执行上述用于检伤分类方法的智能选择方法初拉力过程的程序代码。
处理器可以采用DSP(Digital Signal Processor)数字信号处理器、FPGA(Field-Programmable Gate Array)现场可编程门阵列、MCU(Microcontroller Unit)系统板、SoC(system on a chip)系统板、包括I/O的PLC(Programmable Logic Controller)最小系统或云计算资源。
本发明一实施例用于检伤分类方法的智能选择装置如图6所示。在图6 中本实施例包括:
采集模块41,用于根据检伤分类全周期的真实检伤数据形成训练数据集;
训练模块42,用于通过训练数据集对人工神经网络进行训练,形成检伤方法智能选择模型;
应用模块43,用于在检伤分类全周期中根据数据维度变化激活检伤方法智能选择模型接收当前伤员信息,确定当前阶段的检伤分类方法。
如图6所示,在本发明一实施例中,采集模块41包括:
第一维度生成单元41a,用于对真实检伤数据进行单一维度提取,形成单一数据维度;
第二维度生成单元41b,用于根据人工标记建立单一数据维度间的第一正相关关联,通过第一正相关关联形成第一复合数据维度;
第三维度生成单元41c,用于建立第一复合数据维度与其他单一数据维度间的第二正相关关联,通过第二正相关关联形成第二复合数据维度;
第四维度生成单元41d,用于建立第一复合数据维度与其他单一数据维度间的第一负相关关联,通过第一负相关关联形成第三复合数据维度;
数据归一化单元41e,用于将真实检伤数据归一化,并与各数据维度绑定,形成训练数据集。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求书的保护范围为准。
Claims (9)
1.一种用于检伤分类方法的智能选择方法,其特征在于,包括:
根据检伤分类全周期的真实检伤数据形成训练数据集,真实检伤数据包括医生根据真实检伤数据在各阶段做出正确检伤分类评估时所采用的检伤分类方法的记录;
通过所述训练数据集对人工神经网络进行训练,形成检伤方法智能选择模型;
在检伤分类全周期中,监护节点以监护设备的变更标定,在当前阶段的不同监护节点,根据数据维度变化激活所述检伤方法智能选择模型,接收当前伤员信息,确定当前阶段的检伤分类方法,所述数据维度变化是指随着伤员在检伤分类全周期中采集数据的类型,可用数据维度和相关数据逐渐出现。
2.如权利要求1所述的用于检伤分类方法的智能选择方法,其特征在于,所述根据检伤分类全周期的真实检伤数据形成训练数据集包括:
对真实检伤数据进行单一维度提取,形成单一数据维度;
根据人工标记建立单一数据维度间的第一正相关关联,通过第一正相关关联形成第一复合数据维度;
将真实检伤数据归一化,并与各数据维度绑定,形成训练数据集。
3.如权利要求2所述的用于检伤分类方法的智能选择方法,其特征在于,所述根据检伤分类全周期的真实检伤数据形成训练数据集还包括:
建立第一复合数据维度与其他单一数据维度间的第二正相关关联,通过第二正相关关联形成第二复合数据维度;
建立第一复合数据维度与其他单一数据维度间的第一负相关关联,通过第一负相关关联形成第三复合数据维度。
4.如权利要求2所述的用于检伤分类方法的智能选择方法,其特征在于,所述人工神经网络采用与数据维度数量对应的神经元节点构成输入层,隐层的激活函数选用tanh函数,输出层采用Softmax 分类器。
5.一种用于检伤分类方法的智能选择装置,其特征在于,包括:
存储器,用于存储如权利要求1至4任一所述的用于检伤分类方法的智能选择方法处理过程的程序代码;
处理器,用于执行所述程序代码。
6.一种用于检伤分类方法的智能选择装置,其特征在于,包括:
采集模块,用于根据检伤分类全周期的真实检伤数据形成训练数据集,真实检伤数据包括医生根据真实检伤数据在各阶段做出正确检伤分类评估时所采用的检伤分类方法的记录;
训练模块,用于通过所述训练数据集对人工神经网络进行训练,形成检伤方法智能选择模型;
应用模块,用于在检伤分类全周期中,监护节点以监护设备的变更标定,在当前阶段的不同监护节点,根据数据维度变化激活所述检伤方法智能选择模型,接收当前伤员信息,确定当前阶段的检伤分类方法,所述数据维度变化是指随着伤员在检伤分类全周期中采集数据的类型,可用数据维度和相关数据逐渐出现。
7.如权利要求6所述的用于检伤分类方法的智能选择装置,其特征在于,所述采集模块包括:
第一维度生成单元,用于对真实检伤数据进行单一维度提取,形成单一数据维度;
第二维度生成单元,用于根据人工标记建立单一数据维度间的第一正相关关联,通过第一正相关关联形成第一复合数据维度;
数据归一化单元,用于将真实检伤数据归一化,并与各数据维度绑定,形成训练数据集。
8.如权利要求6所述的用于检伤分类方法的智能选择装置,其特征在于,所述采集模块还包括:
第三维度生成单元,用于建立第一复合数据维度与其他单一数据维度间的第二正相关关联,通过第二正相关关联形成第二复合数据维度;
第四维度生成单元,用于建立第一复合数据维度与其他单一数据维度间的第一负相关关联,通过第一负相关关联形成第三复合数据维度。
9.一种智能检伤分类平台,其特征在于,利用如权利要求1至4任一所述的用于检伤分类方法的智能选择方法形成智能检伤分类平台中后台管理系统的前端服务框架的方法智能选择服务。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211045379.9A CN115458148B (zh) | 2022-08-30 | 2022-08-30 | 一种用于检伤分类方法的智能选择方法及智能选择装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211045379.9A CN115458148B (zh) | 2022-08-30 | 2022-08-30 | 一种用于检伤分类方法的智能选择方法及智能选择装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115458148A CN115458148A (zh) | 2022-12-09 |
CN115458148B true CN115458148B (zh) | 2023-06-16 |
Family
ID=84300388
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211045379.9A Active CN115458148B (zh) | 2022-08-30 | 2022-08-30 | 一种用于检伤分类方法的智能选择方法及智能选择装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115458148B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116028670B (zh) * | 2023-03-31 | 2023-06-23 | 中国人民解放军总医院第三医学中心 | 一种云边协同的智能检伤分类系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102614021A (zh) * | 2012-04-10 | 2012-08-01 | 金春娣 | 灾害救援检伤处理装置及数据采集检伤处理的方法 |
CN109788907A (zh) * | 2016-09-26 | 2019-05-21 | 昆士兰大学 | 一种用于自动疾病状态诊断的方法和装置 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050071190A1 (en) * | 2003-09-26 | 2005-03-31 | International Business Machines Corporation | Method and system for patient care triage |
CN113257406A (zh) * | 2021-04-30 | 2021-08-13 | 中国人民解放军总医院第一医学中心 | 基于智能眼镜的灾害救援检伤分类及辅助诊断方法 |
CN114420310A (zh) * | 2022-01-18 | 2022-04-29 | 河南大学 | 基于图转换网络的药物ATCCode预测方法 |
-
2022
- 2022-08-30 CN CN202211045379.9A patent/CN115458148B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102614021A (zh) * | 2012-04-10 | 2012-08-01 | 金春娣 | 灾害救援检伤处理装置及数据采集检伤处理的方法 |
CN109788907A (zh) * | 2016-09-26 | 2019-05-21 | 昆士兰大学 | 一种用于自动疾病状态诊断的方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN115458148A (zh) | 2022-12-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20220254493A1 (en) | Chronic disease prediction system based on multi-task learning model | |
US20170293722A1 (en) | Insurance Evaluation Engine | |
Ganzha et al. | Semantic technologies for the IoT-an inter-IoT perspective | |
US8856380B2 (en) | Communication of information between a plurality of network elements | |
CN110051324B (zh) | 一种急性呼吸窘迫综合征死亡率预测方法及系统 | |
CN112151170A (zh) | 用于计算用作医疗决策支持的医疗建议的分数的方法 | |
CN107480450A (zh) | 一种智能分诊方法和系统 | |
WO2021032055A1 (zh) | 临床试验报告自动录入方法及装置、电子设备、存储介质 | |
CN114366030B (zh) | 一种用于麻醉手术的智能辅助系统及方法 | |
CN115458148B (zh) | 一种用于检伤分类方法的智能选择方法及智能选择装置 | |
CN111553478B (zh) | 基于大数据的社区老年人心血管疾病预测系统与方法 | |
US20210313021A1 (en) | Health information exchange system | |
CN114334169B (zh) | 医疗对象的类别决策方法、装置、电子设备及存储介质 | |
CN117238458A (zh) | 基于云计算的重症护理跨机构协同平台系统 | |
Andersen et al. | Point-of-care medical devices and systems interoperability: A mapping of ICE and FHIR | |
CN108090597A (zh) | 医疗预约排队优化方法及装置 | |
US20200321084A1 (en) | Device, system, and method for optimizing pathology workflows | |
CN115458147B (zh) | 一种智能检伤分类平台 | |
CN116646087A (zh) | 一种房颤患者心血管事件风险评估动态随诊系统 | |
CN108320788A (zh) | 医院业务分析方法及装置 | |
CN114925210B (zh) | 知识图谱的构建方法、装置、介质及设备 | |
CN113936804B (zh) | 一种肺癌切除术后持续漏气风险预测模型构建系统 | |
CN114121217A (zh) | 一种手术室调度方法、装置、设备及存储介质 | |
US20220130546A1 (en) | Task-oriented Dialogue System with Hierarchical Reinforcement Learning | |
CN113380414B (zh) | 基于大数据的数据采集方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |