CN115714022B - 基于人工智能的新生儿黄疸健康管理系统 - Google Patents
基于人工智能的新生儿黄疸健康管理系统 Download PDFInfo
- Publication number
- CN115714022B CN115714022B CN202211375305.1A CN202211375305A CN115714022B CN 115714022 B CN115714022 B CN 115714022B CN 202211375305 A CN202211375305 A CN 202211375305A CN 115714022 B CN115714022 B CN 115714022B
- Authority
- CN
- China
- Prior art keywords
- jaundice
- data
- neonatal
- risk
- data set
- 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
- 206010023138 Jaundice neonatal Diseases 0.000 title claims abstract description 127
- 201000006346 Neonatal Jaundice Diseases 0.000 title claims abstract description 127
- 230000036541 health Effects 0.000 title claims abstract description 42
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 23
- 206010023126 Jaundice Diseases 0.000 claims abstract description 176
- 238000012544 monitoring process Methods 0.000 claims abstract description 49
- 238000004458 analytical method Methods 0.000 claims abstract description 24
- 238000007726 management method Methods 0.000 claims description 78
- 238000000034 method Methods 0.000 claims description 38
- 238000012545 processing Methods 0.000 claims description 32
- 238000012549 training Methods 0.000 claims description 17
- 238000005259 measurement Methods 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 15
- 238000007781 pre-processing Methods 0.000 claims description 14
- 238000012216 screening Methods 0.000 claims description 12
- 238000001514 detection method Methods 0.000 claims description 11
- 238000010276 construction Methods 0.000 claims description 10
- 201000010099 disease Diseases 0.000 claims description 9
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000013517 stratification Methods 0.000 claims description 6
- 208000024891 symptom Diseases 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000003759 clinical diagnosis Methods 0.000 claims description 5
- 238000005065 mining Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 5
- 230000001364 causal effect Effects 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 230000007246 mechanism Effects 0.000 claims description 4
- 239000000203 mixture Substances 0.000 claims description 4
- 238000012502 risk assessment Methods 0.000 claims description 4
- 230000007717 exclusion Effects 0.000 claims description 3
- 238000009533 lab test Methods 0.000 claims description 3
- 238000000611 regression analysis Methods 0.000 claims description 3
- 210000002700 urine Anatomy 0.000 claims description 3
- 206010023129 Jaundice cholestatic Diseases 0.000 claims description 2
- 201000005267 Obstructive Jaundice Diseases 0.000 claims description 2
- 208000003251 Pruritus Diseases 0.000 claims description 2
- 210000003608 fece Anatomy 0.000 claims description 2
- 238000013507 mapping Methods 0.000 claims description 2
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 238000011161 development Methods 0.000 abstract description 18
- 230000001575 pathological effect Effects 0.000 abstract description 14
- 238000005516 engineering process Methods 0.000 abstract description 8
- 230000001717 pathogenic effect Effects 0.000 abstract description 4
- BPYKTIZUTYGOLE-IFADSCNNSA-N Bilirubin Chemical compound N1C(=O)C(C)=C(C=C)\C1=C\C1=C(C)C(CCC(O)=O)=C(CC2=C(C(C)=C(\C=C/3C(=C(C=C)C(=O)N\3)C)N2)CCC(O)=O)N1 BPYKTIZUTYGOLE-IFADSCNNSA-N 0.000 description 22
- 230000006870 function Effects 0.000 description 7
- 238000003860 storage Methods 0.000 description 7
- 238000004590 computer program Methods 0.000 description 6
- 238000000513 principal component analysis Methods 0.000 description 6
- 239000008280 blood Substances 0.000 description 5
- 210000004369 blood Anatomy 0.000 description 5
- 238000003745 diagnosis Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 230000002829 reductive effect Effects 0.000 description 4
- 238000007689 inspection Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 208000021130 Bilirubin encephalopathy Diseases 0.000 description 2
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 2
- 230000006378 damage Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 208000015181 infectious disease Diseases 0.000 description 2
- 208000006663 kernicterus Diseases 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 210000000653 nervous system Anatomy 0.000 description 2
- 229910052760 oxygen Inorganic materials 0.000 description 2
- 239000001301 oxygen Substances 0.000 description 2
- 230000036961 partial effect Effects 0.000 description 2
- 238000010827 pathological analysis Methods 0.000 description 2
- 238000001126 phototherapy Methods 0.000 description 2
- 230000035935 pregnancy Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 208000032170 Congenital Abnormalities Diseases 0.000 description 1
- 206010010356 Congenital anomaly Diseases 0.000 description 1
- 206010014080 Ecchymosis Diseases 0.000 description 1
- 208000016908 Female Genital disease Diseases 0.000 description 1
- 206010070538 Gestational hypertension Diseases 0.000 description 1
- 241001662043 Icterus Species 0.000 description 1
- 206010024652 Liver abscess Diseases 0.000 description 1
- 208000036626 Mental retardation Diseases 0.000 description 1
- 206010030113 Oedema Diseases 0.000 description 1
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 238000008050 Total Bilirubin Reagent Methods 0.000 description 1
- 208000025865 Ulcer Diseases 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 206010000269 abscess Diseases 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000003556 assay Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000003445 biliary tract Anatomy 0.000 description 1
- 230000007698 birth defect Effects 0.000 description 1
- 208000029028 brain injury Diseases 0.000 description 1
- 210000003169 central nervous system Anatomy 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000556 factor analysis Methods 0.000 description 1
- 230000001605 fetal effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 208000004104 gestational diabetes Diseases 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000008774 maternal effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 208000036236 obstetric disease Diseases 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 201000011461 pre-eclampsia Diseases 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
- 231100000241 scar Toxicity 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 210000002966 serum Anatomy 0.000 description 1
- 238000010186 staining Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 231100000397 ulcer Toxicity 0.000 description 1
- 210000004291 uterus Anatomy 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Classifications
-
- 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
- Medical Treatment And Welfare Office Work (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明涉及一种基于人工智能的新生儿黄疸健康管理系统,系统包括黄疸管理云、以及与黄疸管理云实现信息互通的便携式监测终端和医疗信息系统;通过黄疸管理云采集与新生儿黄疸相关的历史数据,根据历史数据构建新生儿黄疸预测模型;将黄疸测量值输入到新生儿黄疸预测模型中获得预测结果;将预测结果输入到黄疸知识图谱中获取黄疸分析结果和相应的干预措施。本发明基于大数据技术综合分析新生儿临床医疗数据,精确寻找与新生儿病理性黄疸发生相关的因素,并用人工智能对新生儿病理性黄疸发展趋势进行预测,不仅能够及时、全面地分析黄疸的致病因素、提高了分析精度,还达到在有效监测新生儿黄疸的同时做到提前进行干预治疗遏制黄疸发展的目标。
Description
技术领域
本发明涉及黄疸监测技术领域,特别是涉及基于人工智能的新生儿黄疸健康管理系统。
背景技术
黄疸(即胆红素)是新生儿期最常见的症状,通常新生儿的黄疸水平在出生96小时以后才逐渐达到峰值,而此时大多数产妇已经出院。由于现有条件的限制,出院后对新生儿健康缺乏完善的监测和管理措施,若出现病理性黄疸,往往不能被及时发现并得到治疗,因此一旦出现明显症状并被家属发现就医时,可能对中枢神经系统已经造成损伤,严重者可导致胆红素脑病、智力低下、脑损伤等后遗症。完善出院新生儿健康监测,尤其是加强新生儿黄疸监测,有效预警新生儿黄疸并及时发现病理性黄疸对新生儿健康发育极为重要,即早期的识别、监测和预警,可以避免产生胆红素脑病等严重不良结局。
黄疸检查主要有血清总胆红素值TSB、经皮胆红素值TCB、拍照识别胆红素值AIB。TSB需要抽取血液并借助于生化检测仪器获得结果,常用于实验室检查;TCB因检测仪器便于携带、监测结果不失敏感性和特异度,是各大医院常规的黄疸检测手段,但仪器价格昂贵,多限于住院期间进行;AIB凭借其便捷和廉价的优势成为新生儿黄疸监测的新方法,但受到光线强度、比色卡反光度、患儿抖动等因素而影响,准确性不高。
因此,以数字卫生技术为特色的黄疸健康管理新技术、新应用成为当下国内外热点。如,英国伦敦大学的学者提出了一种名为new SCB的APP应用程序,基于智能收集对巩膜成像来筛查新生儿黄疸,其不依赖于彩色校准,具有较高的可推广性;日本横滨国立大学的学者开发了一种用于连续测量胆红素的可穿戴的经皮胆红素计,结合氧饱和度和心率的监测,应用光疗设备优化对黄疸进行检测;美国莱斯大学的学者面向资源匮乏地区人群设计了一款低成本的手持式胆红素检测设备(BiliSpec),利用一次性测流卡快速检测一滴全血中的量化胆红素水平;新加坡国立大学的学者则发明一种用于黄疸监测的非侵入式光学检测传感器,在不受皮肤等组织中沉积的胆红素干扰的情况下测定血液中的胆红素水平;我国东南大学附属徐州医院儿童诊疗中心杨波等人则设计了基于智能手机软件拍照监测新生儿黄疸的应用程序,通过更简便的方式实现对胆红素浓度的检测和风险研判。
上述研究均是实现新生儿黄疸院外监测的有效手段,为新生儿黄疸的早期防治提供基础,但是,这些技术都只围绕新生儿黄疸的临床重点指标,不能及时、全面地分析致病因素或分析精度尚显不足;此外,这些研究更是缺乏配套的健康管理手段,不能及时对出现的风险进行预警和干预。
发明内容
本发明实施例提供了一种基于人工智能的新生儿黄疸健康管理系统,以至少解决相关技术中不能及时、全面地分析黄疸致病因素,分析精度较低的问题。
第一方面,本发明实施例提供了一种基于人工智能的新生儿黄疸健康管理系统,所述系统包括:
所述系统包括黄疸管理云、以及与所述黄疸管理云实现信息互通的便携式监测终端和医疗信息系统;其中,
所述便携式监测终端用于对新生儿黄疸进行测量得到黄疸测量值,并将所述黄疸测量值上传至黄疸管理云;
所述医疗信息系统用于向所述黄疸管理云提供新生儿和产妇的档案数据;
所述黄疸管理云用于采集与新生儿黄疸相关的历史数据,并将所述历史数据形成用于同一分析的待处理数据;对所述待处理数据进行处理后得到特征数据集;根据所述特征数据集构建新生儿黄疸预测模型;基于与新生儿黄疸相关的临床共识、历史实际案例和专利文献构建黄疸知识图谱;通过便携式监测终端获取当前检测新生儿的黄疸测量值,并将所述黄疸测量值输入到所述新生儿黄疸预测模型中获得预测结果;将所述预测结果输入到预先构建的黄疸知识图谱中获取黄疸分析结果和相应的干预措施。
优选地,所述黄疸管理云包括数据采集模块、数据处理模块、模型构建模块、知识图谱生成模块;其中,
所述数据采集模块用于采集与新生儿黄疸相关的历史数据,形成用于同一分析的待处理数据并发送到所述数据处理模块;
所述数据处理模块用于对所述待处理数据处理得到特征数据集,并发送到模型构建模块;
所述模型构建模块用于根据所述特征数据集构建新生儿黄疸预测模型;
所述知识图谱生成模块用于构建黄疸知识图谱。
优选地,所述数据采集模块采集与新生儿黄疸相关的历史数据包括:
通过便携式监测终端获取新生儿的黄疸测量值;
通过医疗信息系统获取新生儿和产妇的档案数据;其中,所述档案数据包括产检病历、新生儿档案、实验室检验检测数据、超声影像和住院病历。
优选地,所述数据处理模块包括预处理模块,所述数据处理模块对所述待处理数据进行预处理得到预处理数据集,包括:
对所述待处理数据进行数据筛选处理,其中,从所述待处理数据中提取符合预设样本标准的数据构成第一数据集,所述预设样本标准由用户设定;
将所述第一数据集中错误的数据进行剔除,并将同一指标不同格式的数据转换为相同格式的数据,得到第二数据集;
筛选出所述第二数据集中单条记录有缺失值的记录并进行缺失值填补,得到第三数据集;其中,若所述单条记录为固定变量,则其缺失值通过人工校验原始数据直接填补;若所述单条记录为连续性变量,则采用拉格朗日插值法填补;
将所述第三数据集中不同指标的数据分别进行归一化处理得到预处理数据集作为所述特征数据集。
优选地,所述数据处理模块还包括特征选择模块,所述特征选择模块基于特征工程对所述预处理数据进行处理得到所述特征数据集。
优选地,所述模型构建模块根据所述特征数据集构建新生儿黄疸预测模型,包括:
利用回归分析算法,构建基准的风险评估模型,并通过标准化的回归系数对特征数据集中的各个影响因素的重要程度进行评价,筛选出新生儿黄疸的独立影响因素构成自变量数据集;
通过GBDT模型对自变量数据集进行训练,其中用于训练模型的自变量为自变量数据集中的变量,经过多次迭代训练后得到最优的新生儿黄疸预测模型。
优选地,所述知识图谱生成模块构建所述黄疸知识图谱包括:
基于与新生儿黄疸相关的临床共识、历史实际案例和专利文献构建黄疸知识图谱;其中,
首先进行知识图谱Schema构造,通过专家咨询以层级的方式初始化知识图谱本体,将主题划分为分类层、概念层、实体层和事件层;
基于LSTM-RNNs模型端到端的实体关系的提取,形成网状的知识结构,并从不同信息源中采集特定实体的属性信息,挖掘实体属性和属性值之间的关系模式,据此实现对属性名和属性值在文本中的定位;
利用深度神经网络解析时序的、高维的、异构的临床诊疗数据,挖掘疾病机制表现演变情况,进而推导背后的逻辑规则,基于因果逻辑、条件逻辑、反转逻辑、顺承逻辑、上下位逻辑、组成逻辑和并发逻辑构建智能逻辑引擎,构建黄疸知识图谱。
优选地,所述黄疸管理云还包括风险分层模块,所述风险分层模块黄疸测量值用于接收所述新生儿黄疸预测模型输出的风险值并进行风险划分,包括:
将所述黄疸测量值输入到所述新生儿黄疸预测模型进行计算,得到量化的风险值;
根据所述风险值和预设规则判断该新生儿的黄疸风险等级,所述黄疸测量值、风险值和风险等级构成预测结果。
具体地,所述根据所述风险值和预设规则判断该新生儿的黄疸风险等级,包括:
将新生儿黄疸预测模型输出的量化风险值进行排序,分别取25%、50%、75%百分位数的样本作为3个初始质心点,输出三个风险等级:低风险、中风险和高风险。
优选地,所述便携式监测终端为经皮黄疸仪,所述医疗信息系统包括医院内部的HIS系统和电子病历系统、院外的随访系统。
相比于相关技术,本发明实施例提供的基于人工智能的新生儿黄疸健康管理系统,能够通过互联网技术构建黄疸管理云,通过云端与便携式监测终端结合实现实时监测新生儿黄疸,然后基于大数据技术综合分析母亲和新生儿临床医疗数据,精确寻找与新生儿病理性黄胆发生发展相关的高危因素,并用人工智能技术对新生儿病理性黄疸发展趋势进行精准预测,从而建立新生儿黄疸预测模型,并将预测模型和黄疸知识图谱进行结合,不仅能够及时、全面地分析黄疸的致病因素、提高了分析精度,还达到在有效监测新生儿黄疸的同时做到提前进行干预治疗遏制黄疸发展的目标。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本发明的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是本发明一实施例基于人工智能的新生儿黄疸健康管理系统的结构图;
图2是本发明另一实施例基于人工智能的新生儿黄疸健康管理系统的结构图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行描述和说明。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。基于本发明提供的实施例,本领域普通技术人员在没有作出创造性劳动的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。此外,还可以理解的是,虽然这种开发过程中所作出的努力可能是复杂并且冗长的,然而对于与本发明公开的内容相关的本领域的普通技术人员而言,在本发明揭露的技术内容的基础上进行的一些设计,制造或者生产等变更只是常规的技术手段,不应当理解为本发明公开的内容不充分。
在本发明中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域普通技术人员显式地和隐式地理解的是,本发明所描述的实施例在不冲突的情况下,可以与其它实施例相结合。
除非另作定义,本发明所涉及的技术术语或者科学术语应当为本发明所属技术领域内具有一般技能的人士所理解的通常意义。本发明所涉及的“一”、“一个”、“一种”、“该”等类似词语并不表示数量限制,可表示单数或复数。本发明所涉及的术语“包括”、“包含”、“具有”以及它们任何变形,意图在于覆盖不排他的包含;例如包含了一系列步骤或模块(单元)的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可以还包括没有列出的步骤或单元,或可以还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。本发明所涉及的“连接”、“相连”、“耦接”等类似的词语并非限定于物理的或者机械的连接,而是可以包括电气的连接,不管是直接的还是间接的。本发明所涉及的“多个”是指大于或者等于两个。“和/或”描述关联对象的关联关系,表示可以存在三种关系,例如,“A和/或B”可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。本发明所涉及的术语“第一”、“第二”、“第三”等仅仅是区别类似的对象,不代表针对对象的特定排序。
在本发明一实施例中,提供了一种基于人工智能的新生儿黄疸健康管理系统,如图1所示,本发明的系统包括黄疸管理云、以及与所述黄疸管理云实现信息互通的便携式监测终端和医疗信息系统。所述便携式监测终端为经皮黄疸仪,所述医疗信息系统包括医院内部的HIS(即医院的信息管理)系统和电子病历系统、院外的随访系统。
其中,所述便携式监测终端用于对新生儿黄疸进行测量得到黄疸测量值,并将所述黄疸测量值上传至黄疸管理云;所述医疗信息系统用于向所述黄疸管理云提供新生儿和产妇的档案数据;所述黄疸管理云用于采集与新生儿黄疸相关的历史数据,并将所述历史数据形成用于同一分析的待处理数据;对所述待处理数据进行处理后得到特征数据集;根据所述特征数据集构建新生儿黄疸预测模型;基于与新生儿黄疸相关的临床共识、历史实际案例和专利文献构建黄疸知识图谱;通过便携式监测终端获取当前检测新生儿的黄疸测量值,并将所述黄疸测量值输入到所述新生儿黄疸预测模型中获得预测结果;将所述预测结果输入到预先构建的黄疸知识图谱中获取黄疸分析结果和相应的干预措施。
在优选的实施例中,所述黄疸管理云包括数据采集模块、数据处理模块、模型构建模块、知识图谱生成模块。其中,所述数据采集模块用于采集与新生儿黄疸相关的历史数据,形成用于同一分析的待处理数据并发送到所述数据处理模块;所述数据处理模块用于对所述待处理数据处理得到特征数据集,并发送到模型构建模块;所述模型构建模块用于根据所述特征数据集构建新生儿黄疸预测模型;所述知识图谱生成模块用于构建黄疸知识图谱。
所述数据处理模块包括预处理模块和特征选择模块,所述数据处理模块对所述待处理数据进行预处理得到预处理数据集;所述数据处理模块还包括特征选择模块,所述特征选择模块基于特征工程对所述预处理数据进行处理得到所述特征数据集。所述黄疸管理云还包括风险分层模块,所述风险分层模块黄疸测量值用于接收所述新生儿黄疸预测模型输出的风险值并进行风险划分。
本发明实施例的新生儿黄疸健康管理系统中的黄疸管理云通过执行以下步骤来实现新生儿黄疸发展趋势的预测和病理分析:
步骤S1,数据采集模块采集与新生儿黄疸相关的历史数据,形成用于同一分析的待处理数据。
在本实施例中,对于历史数据主要通过以下两个方面进行采集:其一是通过便携式监测终端获取新生儿的黄疸测量值,所述便携式监测终端在生成黄疸测量值后立即上传至所述黄疸管理云;其二是通过医院内部的HIS系统和电子病历系统、院外的随访系统获取新生儿和产妇的档案数据;其中,所述档案数据包括产检病历、新生儿档案、实验室检验检测数据、超声影像和住院病历。
具体地,便携式监测终端是能够居家使用的黄疸测量设备,本发明实施例的便携式监测终端可以采用经皮黄疸仪,需要先将便携式的经皮黄疸仪通过黄疸管理云与医院的HIS系统、电子病历系统、病人随访工作的管理系统(随访系统)等系统进行数据互通,形成“云端结合监测体系”,即基于人工智能的新生儿黄疸健康管理系统。
在运用过程中,通过标准BLE4.0蓝牙将便携式经皮黄疸仪与黄疸管理云进行绑定,且黄疸管理云与HIS系统、电子病历系统和随访系统通过有线或无线方式实现网络连接,从而实现经皮黄疸仪与医院信息安全同步。医院的信息系统会根据设定的时间周期来提醒用户定时经皮黄疸仪定期进行监测,每次数据采集都实时传输至黄疸管理云;黄疸管理云与区域妇幼信息系统(如HIS系统、电子病历系统和随访系统)的互联互通,结合影像、诊断、检验检查等多源异构医疗数据,基于院内电子病历系统及院外随访系统汇总产科、新生儿科临床高危评估因素,形成可用于统一分析的数据集,即待处理数据。
步骤S2,预处理模块对所述待处理数据进行预处理得到预处理数据集。
在本发明实施例中,需要对步骤S1采集得到的待处理数据进行预处理,本实施例的预处理过程包括数据筛选、数据清理转换、缺失值填补、归一化等操作。具体地,预处理过程包括以下步骤:
步骤S21,对所述待处理数据进行数据筛选处理,其中,从所述待处理数据中提取符合预设样本标准的数据构成第一数据集,所述预设样本标准由用户设定。本实施例设定的预设样本标准包括入选标准和排除标准,其中,入选标准包括三个条件:①年龄<28天;②胎龄≥35周;③临床病例资料完整;排除标准包括六个条件:①有严重出生缺陷;②经皮血氧饱和度<0.85或毛细血管再充盈时间>3s;③出生后严重感染者;④测定部位皮肤瘀斑、水肿、破溃、感染等异常;⑤入组前48h内接受过光疗或换血治疗;⑥患儿家长拒绝签署知情同意书。
步骤S22,将所述第一数据集中错误的数据进行剔除,并将同一指标不同格式的数据转换为相同格式的数据,得到第二数据集。
步骤S23,筛选出所述第二数据集中单条记录有缺失值的记录并进行缺失值填补,得到第三数据集。其中,若所述单条记录为固定变量,则其缺失值通过人工校验原始数据直接填补;若所述单条记录为连续性变量,则采用拉格朗日插值法填补。具体地,本实施例会筛选出单条记录中含30%以上缺失值的记录,并对缺失值进行填补,对于固定变量的缺失值可通过人工校验原始数据直接填补;而类似经皮黄疸仪采集的连续性变量,则采用拉格朗日插值法填补。
步骤S24,将所述第三数据集中不同指标的数据分别进行归一化处理得到预处理数据集。具体地,由于第三数据集中的样本特征数据具有不同的量纲和量纲单位,数值间的差距会对模型造成影响,因此需要对数据进行归一化处理,避免值域较大的特征影响其他特征,同时提升模型的收敛速度,本文采用min-max标准化,使得第三数据集中的每一种样本特征数据的结果映射到[0,1]之间,得到预处理数据集。
步骤S3,特征选择模块基于特征工程对所述预处理数据集进行处理后得到特征数据集。
当数据预处理完成后,需要在预处理数据集中选择有意义的特征数据输入机器学习的算法和模型进行训练。通常来说,从两个方面考虑来选择特征:第一,特征是否发散,如果一个特征不发散,例如方差接近于0,也就是说样本在这个特征上基本上没有差异,这个特征对于样本的区分并没有什么用;第二,特征与目标的相关性,这点比较显见(例如,采用方差法),与目标相关性高的特征,应当优选选择。
根据特征选择的形式又可以将特征选择方法分为3种:
(1)Filter,过滤法,按照发散性或者相关性对各个特征进行评分,设定阈值或者待选择阈值的个数,选择特征;
(2)Wrapper,包装法,根据目标函数(通常是预测效果评分),每次选择若干特征,或者排除若干特征;
(3)Embedded,集成法,先使用某些机器学习的算法和模型进行训练,得到各个特征的权值系数,根据系数从大到小选择特征。类似于Filter方法,但是是通过训练来确定特征的优劣。
当特征选择完成后,可能存在由于特征矩阵过大,而出现计算量大、训练时间长等问题,因此需要降低特征矩阵的维度。常见的降维方法主要有主成分分析法(PCA)和线性判别分析(LDA),线性判别分析本身也是一个分类模型。PCA和LDA有很多的相似点,其本质是要将原始的样本映射到维度更低的样本空间中,但是PCA和LDA的映射目标不一样:PCA是为了让映射后的样本具有最大的发散性;而LDA是为了让映射后的样本有最好的分类性能。所以说PCA是一种无监督的降维方法,而LDA是一种有监督的降维方法。
步骤S4,模型构建模块根据所述特征数据集构建新生儿黄疸预测模型。
步骤S41,利用回归分析算法,构建基准的风险评估模型,并通过标准化的回归系数对特征数据集中的各个影响因素的重要程度进行评价,筛选出新生儿黄疸的独立影响因素构成自变量数据集。
在上述的特征数据集服从正太分布和满足方差齐的前提下,本实施例还需要进行单因素分析,包括产妇的个人基本资料,如身高、年龄、体重、妇产科疾病史等;分娩相关资料,如妊娠周期、分娩方式、胎儿出生体重、第一产程时长等;妊娠高危相关因素,如妊娠期糖尿病、妊娠期高血压、瘢痕子宫等;以及新生儿相关资料,如Apgar评分、经皮黄疸仪测量值等。通过T校验初步筛选出有统计学意义的变量,并将这些变量纳入多重线性回归模型中,采用逐步回归法进行变量筛选,逐一计算标准化特征变量和偏回归平方和,F校验在显著性水平α下拒绝域如公式(1)所示:
其中V为偏回归平方和,r为关系系数矩阵,n为全部变量的个数,k为已选择的变量数,p为各自的标准化变量个数,依此方法重复进行,每次从未引入回归模型的自变量中选取一个,直到经检验没有变量引入为止。
步骤S42,通过训练模型,如GBDT模型(梯度提升决策树算法)对自变量数据集进行训练,其中用于训练模型的自变量为自变量数据集中的变量,经过多次迭代训练后得到最优的新生儿黄疸预测模型。
本发明实施例采用GBDT模型对回顾性的数据集进行训练,源自我国应用当地地区性的妇幼数据中心的真实世界数据(即步骤S1中收集的历史数据),其样本量满足建模分析的需求,其中数据集的自变量为步骤S1得到的具有统计学意义的变量,应变量为该新生儿后续是否发展为黄疸的实际结果。计算损失函数的负梯度在当前模型的值,在当前模型Fj(x)=Fj-1(x)的值近似替代残差,则负梯度rij的计算公式如公式(2)所示:
其中当前模型为Fj(x),训练样本为i(i=1,2,3…,n),迭代次数j(j=1,2,3…,m),损失函数为L(yi,F(xi))。在训练过程中,本实施例将特征数据集的样本按照4:1划分为训练样本和测试样本,其中训练样本含n个样本,通过网格搜索法和交叉验证确认最佳的迭代次数m,即,Fm(x)就是最后一轮迭代,也就是模型的最终的、最优的输出,即,Fm(x)是本发明所需要的新生儿黄疸预测模型。
使用基学习器hj(x)拟合损失函数的负梯度,求出使损失函数最小的最佳拟合值,从而进行模型更新,本轮的强学习器如下:
最终黄疸预测梯度提升树是由每轮产生的基学习器通过线性相加的方式求得:
步骤S43,风险分层模块通过sklearn框架中的y_score函数将所述新生儿黄疸预测模型输出的值转化成量化的风险值。具体地,先将所述黄疸测量值输入到所述新生儿黄疸预测模型进行计算,得到量化的风险值;根据所述风险值和预设规则判断该新生儿的黄疸风险等级,所述黄疸测量值、风险值和风险等级构成预测结果。
以步骤42中输出通过sklearn框架中的y_score函数转化成量化的风险值,基于全局的模型可解释性框架将筛查模型中输出的量化风险值进行排序,分别取25%,50%,75%百分位数的样本作为3个初始质心点,输出3个目标簇,即低风险、中风险和高风险三类人群,最后根据人群疾病的发病率评价风险分层方案的成效。
步骤S5,通过便携式监测终端获取当前监测的新生儿的黄疸测量值,并将所述黄疸测量值输入到所述新生儿黄疸预测模型中获得预测结果。即在新生儿黄疸预测模型的构建完成之后,可以获取经皮黄疸仪当前检测到的黄疸测量值输入预测模型中,预测模型即可预测该新生儿黄疸水平的发展情况和健康风险级别。
步骤S6,将所述预测结果输入到预先构建的黄疸知识图谱中获取黄疸分析结果和相应的干预措施(管理手段)。本发明实施例的知识图谱是通过获取新基于临床共识、案例、专利等文献库构建而成的专科知识图谱,能够根据新生儿黄疸预测模型输出的预测结果进行健康指导,并向使用新生儿黄疸管理系统的家庭提供相关的医学知识。由上述内容可知,预测模型输出的风险概率值可基于百分位划分为低风险、中风险、高风险三个等级。若黄疸知识图谱接收到的等级为低风险,则知识图谱仅向用户反馈相应的黄疸宣教内容即可;若为中风险,则需要提醒用户需要对新生儿的黄疸连续进行监测,并持续随访;若为高风险,则建议立即就诊,并提供心理关怀等健康管理服务。
本发明的基于人工智能的新生儿黄疸健康管理系统利用体格检查、临床诊断、检验检查等多源异构医疗信息,结合经皮黄疸仪等移动健康设备采集的实时数据,设计并构建基于集成学习的新生儿黄疸预测模型,能够对新生儿黄疸早期风险进行评估和预警,即在新生儿发生黄疸前期量化其风险值,并基于黄疸知识图谱生成风险分层的应对方案,为实现新生儿黄疸分级健康管理和干预提供依据。本发明提供的基于人工智能的新生儿黄疸健康管理系统能够方便快捷检测和识别新生儿早期黄疸并及时将检测结果反馈给医护人员及家属,达到快速识别病理性黄疸并及时获得有效治疗的目的,从而避免出现新生儿因病理性黄疸诊断不及时带来的神经系统损伤等不良后果。另外,本发明通过这种人工智能手段不仅可以实时监测单个新生儿黄疸发展的过程做到及时诊断和治疗,更为有利的是通过对收集到的大量信息进行大数据分析,能够精确寻找与新生儿病理性黄胆发生发展的高危因素,并能够对新生儿病理性黄疸发展趋势进行精准预测,从而建立新生儿黄疸高危预警模型,在有效监测新生儿黄疸的同时甚至可以达到提前进行干预治疗遏制黄疸发展的效果。最后,本发明通过采用医学知识图谱技术自动生成并持续更新适宜的健康管理方案,实现从传统集中就诊转向个性化健康管理、远程咨询、健康教育等新方式,提升人群对新生儿黄疸的健康素养。
在本发明提供的一实施例中,黄疸知识图谱是知识图谱生成模块基于与新生儿黄疸相关的临床共识、历史实际案例和专利文献进行构建的,构建过程主要包括以下步骤:
步骤1,首先进行知识图谱Schema构造,通过专家咨询以层级的方式初始化知识图谱本体,划分主题分类层、概念层、实体层、事件层等,用于更好地在推理过程中,针对医学名词实体较长、识别边界困难以及过度依赖人工标注等问题,实现新生儿黄疸领域长命名实体的识别。比如在分类层中可以定义出可隐形黄疸或亚临床黄疸(肉眼不可显式看出)和显性黄疸;在概念层中可以定义出溶血性黄疸、肝细胞性黄疸、阻塞性黄疸等;在实体层中可以定义出与黄疸症状相关的不同症状部位,比如胆红素、皮肤状况、大小便样、巩膜组织情况等;在事件层上可以定义出皮肤瘙痒、巩膜组织黄染、浓茶样尿、陶土样便等事件。
步骤2,基于自回归模型,如LSTM-RNNs模型(基于神经网络的自回归模型)端到端的实体关系的提取,形成网状的知识结构,并从不同信息源中采集特定实体的属性信息,挖掘实体属性和属性值之间的关系模式,据此实现对属性名和属性值在文本中的定位。具体地,基于LSTM-RNNs模型对实体和关系联合建模的方法,实现端到端的实体关系的提取,形成网状的知识结构,并从不同信息源中采集特定实体的属性信息,挖掘实体属性和属性值之间的关系模式,据此实现对属性名和属性值在文本中的定位。比如在“黄疸伴于胆道结石或肝脓肿”一段文本中,通过LSTM-RNNs模型可以抽取出“胆道-伴有-结石”和“肝-伴有-脓肿”等实体属性与属性值的关系。
步骤3,最后利用深度神经网络解析时序的、高维的、异构的临床诊疗数据,挖掘疾病机制表现演变情况,进而推导背后的逻辑规则,基于因果逻辑、条件逻辑、反转逻辑、顺承逻辑、上下位逻辑、组成逻辑、并发逻辑等构建智能逻辑引擎,构建大规模的知识推理模型与方法。
具体地,利用深度神经网络解析时序的、高维的、异构的临床诊疗数据,挖掘疾病机制表现演变情况,进而推导背后的逻辑规则,基于因果逻辑、条件逻辑、反转逻辑、顺承逻辑、上下位逻辑、组成逻辑、并发逻辑等构建智能逻辑引擎,构建大规模的知识推理模型与方法。比如可以根据患者的结构化检查数据或非结构化检查数据,通过上述步骤2中的信息抽取模型获得数据中的实体与其属性值,利用实体链接的方法将识别出的实体与图谱中的实体做映射,然后实现在图谱上的推导。
本发明通过便携式监测终端监测新生儿黄疸、构建新生儿黄疸预测模型和黄疸知识图谱形成黄疸管理的“监测-预警-干预”体系,嵌入新生儿黄疸健康管理平台,降低疾病发生率,优化管理流程,提高管理效率,提升相关人群对的黄疸的健康素养。根据本发明实例建立的监测-预警-干预体系,可以在产褥期实现精准的新生儿黄疸健康管理,为医护人员或家属提供有效、合理的决策;并且根据监测-预警-干预体系,可以实现新生儿黄疸居家管理的“流程规范化、服务均等化”,建立贯穿产褥期的新生儿黄疸居家监控体系,实现居家监测、智能随访,并通过各系统的互联互通。
本发明另一实施例提供了一种基于人工智能的新生儿黄疸健康管理系统,所述系统包括黄疸管理云、以及与所述黄疸管理云实现信息互通的便携式监测终端、HIS系统、电子病历系统和/或院外的随访系统。
其中,所述便携式监测终端用于对新生儿黄疸进行测量得到黄疸测量值,并将所述黄疸测量值上传至黄疸管理云;所述HIS系统、电子病历系统和院外的随访系统用于向所述黄疸管理云提供新生儿和产妇的档案数据;所述黄疸管理云用于采集与新生儿黄疸相关的历史数据,并将所述历史数据形成用于同一分析的待处理数据;对所述待处理数据进行预处理得到预处理数据集;基于特征工程对所述预处理数据集进行处理后得到特征数据集;根据所述特征数据集构建新生儿黄疸预测模型;基于与新生儿黄疸相关的临床共识、历史实际案例和专利文献构建黄疸知识图谱;通过便携式监测终端获取当前检测新生儿的黄疸测量值,并将所述黄疸测量值输入到所述新生儿黄疸预测模型中获得预测结果;将所述预测结果输入到预先构建的黄疸知识图谱中获取黄疸分析结果和相应的干预措施(管理手段)。
在一优选的实施例中,具体如图2所示,基于人工智能的新生儿黄疸健康管理系统(在应用在可命名为数字化黄疸健康管理平台)包括云端100、便携式经皮黄疸仪200、医疗信息系统300和文献系统400,便携式经皮黄疸仪200一般居家使用,在检测新生儿黄疸后将相应的黄疸测量值上传至云端100,医疗信息系统300(一般包括院内的HIS系统、电子病历系统和/或院外的随访系统),医疗信息系统中有真实的医疗数据,主要有母体档案、分娩记录、产妇的生活方式和化验检查结果等信息。云端100可从医疗信息系统中获取这些数据,并通过集成学习建模的方式构建黄疸早期风险模型(即新生儿黄疸预测模型),同时云端100包含黄疸高危风险分层模块,该模块能够将黄疸早期风险模型输出的预测结果进行风险分层,一般分为低风险、中风险和高风险三个风险等级来对新生儿黄疸的发展趋势进行判断。云端100还可以从文献系统(如文献库、专利库等)中获取与黄疸相关的医学知识,如专家共识和论著专著等,然后通过知识表示建模方式来构建黄疸专病知识图谱,知识图谱模块在接收到黄疸高危风险分层模块输出的风险等级后,可根据该风险等级输出相应的黄疸致病病理分析结果和对应的干预手段,新生儿家属可根据这些分析结果和干预手段来应对。
本发明提供的系统方便快捷检测和早期识别新生儿黄疸并及时将检测结果反馈给医护人员及家属,达到快速识别病理性黄疸并及时获得有效治疗,降低因新生儿病理性黄疸诊断不及时带来的神经系统损伤。尤其是通过这种人工智能手段不仅可以实时监测单个新生儿黄疸发展的过程做到及时诊断和治疗,更为有利的是通过对收集到的大量信息进行大数据分析,能够精确寻找与新生儿病理性黄胆发生发展的高危因素,并能够对新生儿病理性黄疸发展趋势进行精准预测,从而建立新生儿黄疸高危预警模型,在有效监测新生儿黄疸的同时甚至可以达到提前进行干预治疗遏制黄疸发展的效果。
本发明通过便携式监测终端、医院的信息系统和黄疸管理云形成黄疸管理的“监测-预警-干预”体系,嵌入新生儿黄疸健康管理平台,降低疾病发生率,优化管理流程,提高管理效率,提升相关人群对的黄疸的健康素养,在地区医院开展系统的临床推广验证,对实际使用效果进行卫生技术学评价。根据本发明实例建立的监测-预警-干预体系,在产褥期实现精准的新生儿黄疸健康管理,为有效、合理的决策提供支持。
需要说明的是,本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例,本实施例在此不再赘述。
另外,结合上述实施例中的基于人工智能的新生儿黄疸健康管理系统,本发明实施例可提供一种存储介质来实现。该存储介质上存储有计算机程序;该计算机程序被处理器执行时实现上述实施例中的任意一种基于人工智能的新生儿黄疸健康管理系统。
本发明的一个实施例中还提供了一种电子设备,该电子设备可以是终端。该电子设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中,该电子设备的处理器用于提供计算和控制能力。该电子设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该电子设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于人工智能的新生儿黄疸健康管理系统。该电子设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该电子设备的输入装置可以是显示屏上覆盖的触摸层,也可以是电子设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,该计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本发明所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
本领域的技术人员应该明白,以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (9)
1.一种基于人工智能的新生儿黄疸健康管理系统,其特征在于,所述系统包括黄疸管理云、以及与所述黄疸管理云实现信息互通的便携式监测终端和医疗信息系统;其中,
所述便携式监测终端用于对新生儿黄疸进行测量得到黄疸测量值,并将所述黄疸测量值上传至黄疸管理云;
所述医疗信息系统用于向所述黄疸管理云提供新生儿和产妇的档案数据;并用于提醒用户定期进行黄疸测量;
所述黄疸管理云用于采集与新生儿黄疸相关的历史数据,并将所述历史数据形成用于同一分析的待处理数据;对所述待处理数据进行处理后得到特征数据集;根据所述特征数据集构建新生儿黄疸预测模型;基于与新生儿黄疸相关的临床共识、历史实际案例和专利文献构建黄疸知识图谱;通过便携式监测终端获取当前检测新生儿的黄疸测量值,并将所述黄疸测量值输入到所述新生儿黄疸预测模型中获得预测结果;将所述预测结果输入到预先构建的黄疸知识图谱中获取黄疸分析结果和相应的干预措施;
其中,数据处理模块对所述待处理数据进行预处理得到预处理数据集,包括:对所述待处理数据进行数据筛选处理,其中,从所述待处理数据中提取符合预设样本标准的数据构成第一数据集,所述预设样本标准包括入选标准和排除标准;将所述第一数据集中错误的数据进行剔除,并将同一指标不同格式的数据转换为相同格式的数据,得到第二数据集;筛选出所述第二数据集中单条记录有缺失值的记录并进行缺失值填补,得到第三数据集;其中,若所述单条记录为固定变量,则其缺失值通过人工校验原始数据直接填补;若所述单条记录为连续性变量,则采用拉格朗日插值法填补;将所述第三数据集中不同指标的数据分别进行归一化处理得到预处理数据集作为所述特征数据集;
所述黄疸管理云包括知识图谱生成模块;其中,所述知识图谱生成模块用于构建黄疸知识图谱;所述知识图谱生成模块构建所述黄疸知识图谱包括:基于与新生儿黄疸相关的临床共识、历史实际案例和专利文献构建黄疸知识图谱;其中,首先进行知识图谱Schema构造,通过专家咨询以层级的方式初始化知识图谱本体,将主题划分为分类层、概念层、实体层和事件层;其中,在所述分类层中定义出可隐形黄疸或亚临床黄疸且肉眼不可显式看出和显性黄疸;在所述概念层中定义出溶血性黄疸、肝细胞性黄疸、阻塞性黄疸;在所述实体层中定义出与黄疸症状相关的不同症状部位;在所述事件层上定义出皮肤瘙痒、巩膜组织黄染、浓茶样尿、陶土样便的事件;基于LSTM-RNNs模型端到端的实体关系的提取,形成网状的知识结构,并从不同信息源中采集特定实体的属性信息,挖掘实体属性和属性值之间的关系模式,据此实现对属性名和属性值在文本中的定位;利用深度神经网络解析时序的、高维的、异构的临床诊疗数据,挖掘疾病机制表现演变情况,进而推导背后的逻辑规则,基于因果逻辑、条件逻辑、反转逻辑、顺承逻辑、上下位逻辑、组成逻辑和并发逻辑构建智能逻辑引擎,构建黄疸知识图谱;其中,根据患者的结构化检查数据或非结构化检查数据,通过信息抽取模型获得数据中的实体与其属性值,利用实体链接的方法将识别出的实体与图谱中的实体做映射,然后实现在图谱上的推导;
所述将所述预测结果输入到预先构建的黄疸知识图谱中获取黄疸分析结果和相应的干预措施包括:预测模型输出的风险概率值可基于百分位划分为低风险、中风险、高风险三个等级;若黄疸知识图谱接收到的等级为低风险,则知识图谱仅向用户反馈相应的黄疸宣教内容即可;若为中风险,则需要提醒用户需要对新生儿的黄疸连续进行监测,并持续随访;若为高风险,则建议立即就诊,并提供心理关怀健康管理服务。
2.根据权利要求1所述的系统,其特征在于,所述黄疸管理云包括数据采集模块、数据处理模块、模型构建模块;其中,
所述数据采集模块用于采集与新生儿黄疸相关的历史数据,形成用于同一分析的待处理数据并发送到所述数据处理模块;
所述数据处理模块用于对所述待处理数据处理得到特征数据集,并发送到模型构建模块;
所述模型构建模块用于根据所述特征数据集构建新生儿黄疸预测模型。
3.根据权利要求2所述的系统,其特征在于,所述数据采集模块采集与新生儿黄疸相关的历史数据包括:
通过所述便携式监测终端获取新生儿的黄疸测量值;
通过所述医疗信息系统获取新生儿和产妇的档案数据;其中,所述档案数据包括产检病历、新生儿档案、实验室检验检测数据、超声影像和住院病历。
4.根据权利要求2所述的系统,其特征在于,所述数据处理模块包括预处理模块。
5.根据权利要求4所述的系统,其特征在于,所述数据处理模块还包括特征选择模块,所述特征选择模块基于特征工程对所述预处理数据进行处理得到所述特征数据集。
6.根据权利要求2所述的系统,其特征在于,所述模型构建模块根据所述特征数据集构建新生儿黄疸预测模型,包括:
利用回归分析算法,构建基准的风险评估模型,并通过标准化的回归系数对特征数据集中的各个影响因素的重要程度进行评价,筛选出新生儿黄疸的独立影响因素构成自变量数据集;
通过GBDT模型对自变量数据集进行训练,其中用于训练模型的自变量为自变量数据集中的变量,经过多次迭代训练后得到最优的新生儿黄疸预测模型。
7.根据权利要求3所述的系统,其特征在于,所述黄疸管理云还包括风险分层模块,所述风险分层模块黄疸测量值用于接收所述新生儿黄疸预测模型输出的风险值并进行风险划分,包括:
将所述黄疸测量值输入到所述新生儿黄疸预测模型进行计算,得到量化的风险值;
根据所述风险值和预设规则判断该新生儿的黄疸风险等级,所述黄疸测量值、风险值和风险等级构成预测结果。
8.根据权利要求7所述的系统,其特征在于,所述根据所述风险值和预设规则判断该新生儿的黄疸风险等级,包括:
将新生儿黄疸预测模型输出的量化风险值进行排序,分别取25%、50%、75%百分位数的样本作为3个初始质心点,输出三个风险等级:低风险、中风险和高风险。
9.根据权利要求1所述的系统,其特征在于,所述便携式监测终端为经皮黄疸仪,所述医疗信息系统包括医院内部的HIS系统和电子病历系统、院外的随访系统。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211375305.1A CN115714022B (zh) | 2022-11-04 | 2022-11-04 | 基于人工智能的新生儿黄疸健康管理系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211375305.1A CN115714022B (zh) | 2022-11-04 | 2022-11-04 | 基于人工智能的新生儿黄疸健康管理系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115714022A CN115714022A (zh) | 2023-02-24 |
CN115714022B true CN115714022B (zh) | 2024-02-23 |
Family
ID=85232183
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211375305.1A Active CN115714022B (zh) | 2022-11-04 | 2022-11-04 | 基于人工智能的新生儿黄疸健康管理系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115714022B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116439661B (zh) * | 2023-03-24 | 2023-09-29 | 中国人民解放军总医院第六医学中心 | 一种围产期的产妇生理状态监测评估方法及系统 |
CN116779190B (zh) * | 2023-06-25 | 2024-02-13 | 急尼优医药科技(上海)有限公司 | 一种基于物联网的医疗平台用户随访管理系统及方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107242858A (zh) * | 2017-07-10 | 2017-10-13 | 郑州航空工业管理学院 | 一种个性化孕婴监护方法及系统 |
CN109669994A (zh) * | 2018-12-21 | 2019-04-23 | 吉林大学 | 一种健康知识图谱的构建方法及系统 |
CN112820409A (zh) * | 2021-01-27 | 2021-05-18 | 五八到家有限公司 | 健康预测方法、设备及存储介质 |
CN113505243A (zh) * | 2021-07-29 | 2021-10-15 | 深圳万海思数字医疗有限公司 | 基于医疗知识图谱的智能问答方法和装置 |
CN113742493A (zh) * | 2021-09-01 | 2021-12-03 | 志诺维思(北京)基因科技有限公司 | 一种病理知识图谱的构建方法及装置 |
CN114757786A (zh) * | 2020-12-29 | 2022-07-15 | 天津幸福生命科技有限公司 | 数据的预测方法、装置、电子设备及计算机可读介质 |
CN115062162A (zh) * | 2022-06-21 | 2022-09-16 | 新疆大学 | 一种基于代谢病的事理知识图谱的构建方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11748555B2 (en) * | 2021-01-22 | 2023-09-05 | Bao Tran | Systems and methods for machine content generation |
-
2022
- 2022-11-04 CN CN202211375305.1A patent/CN115714022B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107242858A (zh) * | 2017-07-10 | 2017-10-13 | 郑州航空工业管理学院 | 一种个性化孕婴监护方法及系统 |
CN109669994A (zh) * | 2018-12-21 | 2019-04-23 | 吉林大学 | 一种健康知识图谱的构建方法及系统 |
CN114757786A (zh) * | 2020-12-29 | 2022-07-15 | 天津幸福生命科技有限公司 | 数据的预测方法、装置、电子设备及计算机可读介质 |
CN112820409A (zh) * | 2021-01-27 | 2021-05-18 | 五八到家有限公司 | 健康预测方法、设备及存储介质 |
CN113505243A (zh) * | 2021-07-29 | 2021-10-15 | 深圳万海思数字医疗有限公司 | 基于医疗知识图谱的智能问答方法和装置 |
CN113742493A (zh) * | 2021-09-01 | 2021-12-03 | 志诺维思(北京)基因科技有限公司 | 一种病理知识图谱的构建方法及装置 |
CN115062162A (zh) * | 2022-06-21 | 2022-09-16 | 新疆大学 | 一种基于代谢病的事理知识图谱的构建方法及系统 |
Non-Patent Citations (3)
Title |
---|
"互联网+"儿童健康管理监测系统设计研究;朱梦雅;陈登凯;杨倩;李炳超;;包装工程(第22期);71-75 * |
基于知识实体的突发公共卫生事件数据平台构建研究;冯鑫;李雪;闫月;李佳培;刘梦瑶;吴晔;;知识管理论坛;20200630(第03期);175-190 * |
慢阻肺知识图谱的构建研究与实现;贾辛洪;宋文爱;李伟岩;王青;雷毅;陈志华;常宗平;;小型微型计算机系统;20200710(第07期);1371-1374 * |
Also Published As
Publication number | Publication date |
---|---|
CN115714022A (zh) | 2023-02-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115714022B (zh) | 基于人工智能的新生儿黄疸健康管理系统 | |
US20190287661A1 (en) | Related systems and method for correlating medical data and diagnostic and health treatment follow-up conditions of patients monitored in real-time | |
CN109524069A (zh) | 医疗数据处理方法、装置、电子设备和存储介质 | |
US11529105B2 (en) | Digital twin updating | |
CN114023441A (zh) | 基于可解释机器学习模型的严重aki早期风险评估模型、装置及其开发方法 | |
Venkatasubramanian | Ambulatory monitoring of maternal and fetal using deep convolution generative adversarial network for smart health care IoT system | |
CN113838577B (zh) | 便捷化分层老年mods早期死亡风险评估模型、装置及建立方法 | |
CN116844733B (zh) | 一种基于人工智能的医疗数据完整性分析方法 | |
CN111063448A (zh) | 输血不良反应数据库建立方法、存储系统以及主动预警系统 | |
CN115099331A (zh) | 基于可解释性机器学习算法的恶性胸腔积液辅助诊断系统 | |
CN116864104A (zh) | 基于人工智能的慢性血栓栓塞性肺动脉高压风险分级系统 | |
CN112185558A (zh) | 基于深度学习的心理健康及康复评定方法、装置及介质 | |
CN117116477A (zh) | 基于随机森林和XGBoost的前列腺癌患病风险预测模型的构建方法及系统 | |
CN117438087A (zh) | 基于健康监测数据分析的健康管理方法及系统 | |
WO2023110477A1 (en) | A computer implemented method and a system | |
CN112331340A (zh) | 育龄夫妇妊娠概率的智能预测方法及系统 | |
CN116797572A (zh) | 基于多模态数据的类风湿关节炎活动度分级装置 | |
CN116189866A (zh) | 一种基于数据分析的远程医用护理分析系统 | |
CN118173253A (zh) | 一种基于病患数据分析管理系统及方法 | |
Chen et al. | PREDICTIVE MODELING OF POSTOPERATIVE OUTCOMES | |
CN116098595B (zh) | 一种心源性及脑源性猝死监测预防系统和方法 | |
JP2024061599A (ja) | 階層図ニューラルネットワークに基づく疾患診療過程異常識別システム | |
CN117116475A (zh) | 缺血性脑卒中的风险预测方法、系统、终端及存储介质 | |
CN116543917A (zh) | 一种针对异构时间序列数据的信息挖掘方法 | |
CN114550896A (zh) | 基于人工神经网络的头晕患者急诊预检分诊决策方法、装置及模型 |
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 |