CN115985491B - 一种介入式心室导管泵的医学信息处理系统 - Google Patents
一种介入式心室导管泵的医学信息处理系统 Download PDFInfo
- Publication number
- CN115985491B CN115985491B CN202310272212.4A CN202310272212A CN115985491B CN 115985491 B CN115985491 B CN 115985491B CN 202310272212 A CN202310272212 A CN 202310272212A CN 115985491 B CN115985491 B CN 115985491B
- Authority
- CN
- China
- Prior art keywords
- model
- network
- event detection
- value
- adverse event
- 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
- 230000002861 ventricular Effects 0.000 title claims abstract description 49
- 230000010365 information processing Effects 0.000 title claims abstract description 28
- 238000001514 detection method Methods 0.000 claims abstract description 75
- 238000011282 treatment Methods 0.000 claims abstract description 67
- 238000000034 method Methods 0.000 claims abstract description 25
- 238000010276 construction Methods 0.000 claims abstract description 17
- 230000002411 adverse Effects 0.000 claims abstract description 16
- 230000008569 process Effects 0.000 claims abstract description 12
- 238000012549 training Methods 0.000 claims description 77
- 238000003062 neural network model Methods 0.000 claims description 26
- 238000004891 communication Methods 0.000 claims description 17
- 238000013528 artificial neural network Methods 0.000 claims description 14
- 238000009472 formulation Methods 0.000 claims description 14
- 239000000203 mixture Substances 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 9
- 238000011156 evaluation Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 8
- 238000011269 treatment regimen Methods 0.000 claims description 8
- 230000002068 genetic effect Effects 0.000 claims description 7
- 230000035772 mutation Effects 0.000 claims description 7
- 238000007476 Maximum Likelihood Methods 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 14
- 238000005065 mining Methods 0.000 description 9
- 238000004458 analytical method Methods 0.000 description 7
- 238000011285 therapeutic regimen Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 230000009471 action Effects 0.000 description 3
- 229940079593 drug Drugs 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 235000012054 meals Nutrition 0.000 description 2
- 238000002483 medication Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000035790 physiological processes and functions Effects 0.000 description 2
- 238000001356 surgical procedure Methods 0.000 description 2
- 206010019280 Heart failures Diseases 0.000 description 1
- 206010067171 Regurgitation Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000004872 arterial blood pressure Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000000740 bleeding effect Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 230000000747 cardiac effect Effects 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000002513 implantation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010921 in-depth analysis Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 230000001225 therapeutic effect Effects 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
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明实施例提供了一种介入式心室导管泵的医学信息处理系统，涉及医疗器械技术领域，上述系统包括：知识图谱构建装置、不良事件检测装置以及治疗方案辅助制定装置，知识图谱构建装置，用于构建并存储用于表征已知医学概念之间关系的知识图谱；不良事件检测装置，用于将介入式心室导管泵运行过程中预设参数项的参数数据输入事件检测模型，得到事件检测模型输出的不良事件；治疗方案辅助制定装置，用于将不良事件检测装置的检测结果和/或患者的属性信息输入贝叶斯网络模型，得到贝叶斯网络模型输出的干预决策。应用本实施例提供的系统，能够全面对医学数据进行分析以及处理。
Description
技术领域
本发明涉及医疗器械技术领域，特别是涉及一种介入式心室导管泵的医学信息处理系统。
背景技术
介入式心室导管泵可以辅助心衰患者的心室泵血，介入式心室导管泵植入患者体内全过程中产生大量数据，如导管泵的运行监测数据、患者的生理参数数据等。上述医学数据中隐藏大量的深层次知识信息，因此，亟需一种医学信息处理系统，以对介入式心室导管泵相关联的医学数据进行全面深入分析。
发明内容
本发明实施例的目的在于提供一种介入式心室导管泵的医学信息处理系统，以全面深入分析介入式心室导管泵相关联的医学数据。具体技术方案如下：
第一方面，本发明实施例提供了一种介入式心室导管泵的医学信息处理系统，所述系统包括：知识图谱构建装置、不良事件检测装置以及治疗方案辅助制定装置，其中：
所述知识图谱构建装置，用于基于介入式心室导管泵相关联的已知医学概念，构建并存储用于表征已知医学概念之间关系的知识图谱；
所述不良事件检测装置，用于基于所述知识图谱，训练得到用于预测所述介入式心室导管泵所发生不良事件的事件检测模型；将所述介入式心室导管泵运行过程中预设参数项的参数数据输入所述事件检测模型，得到所述事件检测模型输出的不良事件；
所述治疗方案辅助制定装置，用于基于所述知识图谱，训练得到用于预测干预决策的贝叶斯网络模型；将所述不良事件检测装置的检测结果和/或患者的属性信息输入所述贝叶斯网络模型，得到所述贝叶斯网络模型输出的干预决策。
本发明的一个实施例中，上述不良事件检测装置，包括第一模型训练模块、不良事件检测模块，其中，
所述第一模型训练模块，用于将所述知识图谱中各节点所表征的已知医学概念以及各节点之间的关系作为训练数据，采用遗传算法，对初始BP神经网络模型进行训练，得到用于对不良事件进行检测的不良事件检测模型；
所述不良事件检测模块，用于获取所述介入式心室导管泵运行过程中的预设参数项的参数数据，将所述参数数据输入所述不良事件检测模型，得到所述不良事件检测模型输出的检测结果。
本发明的一个实施例中，上述第一模型训练模块包括：组合生成单元、模型训练单元、模型构建单元，其中：
所述组合生成单元，具体用于确定所述初始BP神经网络模型中每一网络参数的备选取值，生成包含每一网络参数的一个备选取值的备选组合；
所述模型训练单元，具体用于针对每一备选组合，将该备选组合中每一备选取值作为所述初始BP神经网络的网络参数项的取值，将所述知识图谱中各节点所表征的已知医学概念以及各节点之间的关系作为训练数据，对初始BP神经网络模型进行训练；
所述模型构建单元，具体用于基于初始BP神经网络的输出层所输出的预测数据与实际数据，计算每一备选组合的置信度；基于所计算的置信度，从所述备选组合中选择预设数量个目标组合，对目标组合进行交叉、变异操作，确定最终组合，作为所述初始BP神经网络的网络参数项的最终取值，将网络参数项的取值更新为所述最终取值的初始BP神经网络模型作为不良事件检测模型。
本发明的一个实施例中，上述模型构建单元，具体用于按照以下表达式计算每一备选组合的置信度：
；
其中，表示每一备选组合的置信度，K表示所述初始BP神经网络模型的输入数据的数量，i表示所述输入数据的标识，/>表示预测数据，/>表示实际数据，n表示预设常数。
本发明的一个实施例中，上述治疗方案辅助制定装置，包括第二模型训练模块、治疗方案辅助制定模块，其中：
所述第二模型训练模块，用于基于所述知识图谱中各节点所表征的已知医学概念以及各节点之间的关系，训练得到用于预测干预决策的贝叶斯网络模型；
所述治疗方案辅助制定模块，用于基于将所述不良事件检测装置的检测结果和/或患者的属性信息输入所述贝叶斯网络模型，得到所述贝叶斯网络模型输出的治疗方案。
本发明的一个实施例中，上述第二模型训练模块，包括网络结构确定单元、参数确定单元以及模型训练单元，其中：
所述网络结构确定单元，用于基于所述知识图谱中各节点所表征的已知医学概念以及各节点之间的关系，生成初始网络结构；
所述参数确定单元，用于采用最大似然估计法，确定所述初始网络结构中每一节点的网络参数的目标值；
所述模型训练单元，用于将节点的网络参数的取值确定为目标值的初始网络结构确定为训练结束的贝叶斯网络模型。
本发明的一个实施例中，上述网络结构确定单元，具体用于基于所述知识图谱中每一节点所连接的节点数量，从所述知识图谱中确定多组候选网络结构；针对每一组候选网络结构，基于该候选网络结构中包含的节点数量以及每一节点的取值，计算该候选网络结构的置信度；基于每组候选网络结构的置信度，从多个候选网络结构中选择目标网络结构，作为贝叶斯网络模型的初始网络结构。
本发明的一个实施例中，上述网络结构确定单元，具体用于按照以下表达式计算候选网络结构的置信度：
；
其中，表示候选网络结构的置信度，/>表示预设常数，r表示候选网络结构中节点的数量，q表示候选网络结构中节点的标识，/>表示候选网络结构中节点的取值。
本发明的一个实施例中，上述治疗方案辅助制定装置还包括方案评价模块，其中：
所述方案评价模块，用于在所述治疗方案辅助制定模块输出治疗方案后，基于治疗方案的历史采用量以及表征历史采用治疗方案治疗患者的治疗效果的有用程度的量化值，计算所述治疗方案的效用值；基于所计算的效用值，从所述治疗方案中选择目标方案，作为用于辅助医生对患者进行治疗的方案。
第二方面，本发明实施例提供了一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序时，实现上述第一方面所述系统的功能。
第三方面，本发明实施例提供了一种计算机可读存储介质，该计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面所述系统的功能。
由以上可见，在本发明实施例提供的医学信息处理系统中包括知识图谱构建装置、不良事件检测装置以及治疗方案辅助制定装置。其中，知识图谱构建装置用于提取已知医学概念的深层次信息；不良事件检测装置结合神经网络模型，用于对介入式心室导管泵运行时所产生的数据进行深层次挖掘，检测得到不良事件；治疗方案辅助制定装置则是综合患者属性信息以及不良事件，辅助医生为患者制定治疗方案。可以看到，医学信息处理系统对各类医学数据以及医疗数据进行全面、多角度分析，挖掘数据的深层次信息，并且利用挖掘得到的深层次信息进行不良事件检测以及辅助医生为患者制定治疗方案，实现对医学数据进行全面充分分析、挖掘、处理。
当然，实施本发明的任一产品或方法并不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本申请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申请的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的实施例。
图1为本发明实施例提供的第一种介入式心室导管泵的医学信息处理系统的结构示意图；
图2为本发明实施例提供的第二种介入式心室导管泵的医学信息处理系统的结构示意图；
图3为本发明实施例提供的第三种介入式心室导管泵的医学信息处理系统的结构示意图；
图4为本发明实施例提供的第四种介入式心室导管泵的医学信息处理系统的结构示意图；
图5为本发明实施例提供的第五种介入式心室导管泵的医学信息处理系统的结构示意图；
图6为本发明实施例提供的第六种介入式心室导管泵的医学信息处理系统的结构示意图；
图7为本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员基于本申请所获得的所有其他实施例，都属于本发明保护的范围。
参见图1，图1为本发明实施例提供的第一种介入式心室导管泵的医学信息处理系统的结构示意图，上述系统包括：知识图谱构建装置101、不良事件检测装置102以及治疗方案辅助制定装置103。
知识图谱构建装置101，用于基于介入式心室导管泵相关联的已知医学概念，构建并存储用于表征已知医学概念之间关系的知识图谱。
上述介入式心室导管泵相关联的已知医学概念可以包括：与介入式心室导管泵相关联的临床症状、不良事件、治疗、用药、手术、膳食等，如需要使用介入式心室导管泵的临床症状，植入介入式心室导管泵时可能发生的不良事件以及手术操作方案，植入介入式心室导管泵后需要服用的药物、膳食等。上述已知医学概念可以从已有的医疗数据库以及医学理论知识中获取得到。
知识图谱中包括节点以及各节点之间的关系，各节点的关系可以包括：因果关系、上下位关系、并列关系、治疗关系等。在本实施例中，知识图谱中每一节点表征已知医学概念，每一节点之间的关系则表征已知医学概念之间的关系。
在构建上述知识图谱时，可以基于已有医学知识，确定已知医学概念之间的关系，基于上述关系，构建知识图谱，上述已有医学知识包括医学理论知识、已有医嘱等。
上述知识图谱存储于知识图谱构建装置101中，在获取新的医学概念后，可以对上述医学概念进行语义信息提取，基于所提取的语义信息确定与知识图谱中相关联的关联节点，在知识图谱中添加新的节点，并与上述关联节点建立关系，上述新的节点用于表征上述新的医学概念，这样能够维持知识图谱的更新。
不良事件检测装置102，用于基于知识图谱，训练得到用于预测介入式心室导管泵所发生不良事件的事件检测模型；将介入式心室导管泵运行过程中预设参数项的参数数据输入事件检测模型，得到事件检测模型输出的不良事件。
上述不良事件可以包括抽吸、反流、出血量过大、心率异常等事件。
具体的，上述不良事件检测装置102可以包括以下模块：第一模型训练模块1021、不良事件检测模块1022。
上述第一模型训练模块1021，用于将知识图谱中各节点所表征的已知医学概念以及各节点之间的关系作为训练数据，采用遗传算法，对初始BP（Back Propagation，反向传播）神经网络模型进行训练，得到用于对不良事件进行检测的不良事件检测模型。
具体来说，可以将知识图谱中与表征不良事件的节点相关联的节点所表征的医学概念作为训练样本，以医学概念相关联的的实际不良事件作为训练基准，采用遗传算法，对初始BP神经网络模型进行训练。
遗传算法是基于达尔文遗传进化理论、用于确定最优解的算法。在利用上述训练数据对初始BP神经网络模型进行训练的过程中，可以采用遗传算法，确定初始BP神经网络模型中各网络参数的最优取值，实现网络模型的训练，从而得到用于对不良事件进行检测的不良事件检测模型。
上述第一模型训练模块1021中还包括多个单元，在后续实施例中进行具体说明，在此不进行详述。
上述不良事件检测模块1022，用于获取介入式心室导管泵运行过程中的预设参数项的参数数据，将参数数据输入不良事件检测模型，得到不良事件检测模型输出的检测结果。
上述预设参数项可以为介入式心室导管泵的运行状态参数项、患者生理状态参数项，具体的，运行状态参数项可以包括：电机电流、转速、心输出量等参数项，患者生理状态参数项可以包括：心率、主动脉压等参数项。
上述参数数据可以是介入式心室导管泵相连接的位于体外的控制器采集得到的，控制器可以将上述参数数据存储于存储器内，上述不良事件检测模块1022可以从上述存储器内读取所存储的参数数据。
由于不良事件检测模型是将知识图谱中的数据作为训练数据，采用遗传算法进行训练得到的，不良事件检测模型学习到提取不良事件的特点，从而利用上述不良事件检测模型能够准确地检测不良事件。
治疗方案辅助制定装置103，用于基于知识图谱，训练得到用于预测干预决策的贝叶斯网络模型；将不良事件检测装置的检测结果和/或患者的属性信息输入贝叶斯网络模型，得到贝叶斯网络模型输出的治疗方案。
上述治疗方案辅助制定装置103用于辅助医生为患者制定治疗方案。上述治疗方案辅助制定装置103具体包括第二模型训练模块1031以及治疗方案辅助制定模块1032。
上述第二模型训练模块1031，用于基于知识图谱中各节点所表征的已知医学概念以及各节点之间的关系，训练得到用于预测干预决策的贝叶斯网络模型。
贝叶斯网络模型的模型结构与知识图谱中的节点结构具有相似性，基于此，可以基于知识图谱中的节点结构，生成得到贝叶斯网络模型。
上述第二模型训练模块1032还可以包括多个单元，结合上述多个单元用于训练贝叶斯网络模型，关于上述多个单元的说明参见后续实施例，在此不进行详述。
上述治疗方案辅助制定模块1032，用于基于将不良事件检测装置的检测结果和/或患者的属性信息输入贝叶斯网络模型，得到贝叶斯网络模型输出的干预决策。
在不良事件检测装置的检测结果表征检测得到不良事件时，可以将所检测得到的不良事件和/或患者属性信息输入贝叶斯网络模型；在不良事件检测装置的检测结果表征未检测得到不良事件时，可以将患者属性信息输入贝叶斯网络模型。
贝叶斯网络模型是将知识图谱中的数据作为训练数据训练得到的模型，贝叶斯网络模型学习到提取治疗方案的特点，从而利用上述贝叶斯网络模型能够准确地进行治疗方案的自动推理。
由以上可见，在本实施例提供的医学信息处理系统中包括知识图谱构建装置、不良事件检测装置以及治疗方案辅助制定装置。其中，知识图谱构建装置用于提取已知医学概念的深层次信息；不良事件检测装置结合神经网络模型，用于对介入式心室导管泵运行时所产生的数据进行深层次挖掘，检测得到不良事件；治疗方案辅助制定装置则是综合患者属性信息以及不良事件，辅助医生为患者制定治疗方案。可以看到，医学信息处理系统对各类医学数据以及医疗数据进行全面、多角度分析，挖掘数据的深层次信息，并且利用挖掘得到的深层次信息进行不良事件检测以及辅助医生为患者制定治疗方案，实现对医学数据进行全面充分分析、挖掘、处理。
前述图1对应实施例中不良事件检测装置102包括第一模型训练模块1021、不良事件检测模块1022可以参见图2所示的示意图。在上述图2基础上，图2中第一模型训练模块1021还可以包括多个单元，基于此，参见图3，图3为本发明实施例提供的第三种介入式心室导管泵的医学信息处理系统的结构示意图。在前述图2对应实施例的基础上，上述第一模型训练模块1021还可以包括组合生成单元301、模型训练单元302、模型构建单元303。
组合生成单元301，具体用于确定初始BP神经网络模型中每一网络参数的备选取值，生成包含每一网络参数的一个备选取值的备选组合。
初始BP神经网络中每一网络层中有多个网络参数，当确定网络参数的取值后，即可认为实现神经网络模型的训练。在确定上述备选取值时，可以从每一网络参数的预设取值范围内，确定初始BP神经网络模型中每一网络参数的备选取值。上述预设取值范围可以预先基于理论知识确定的。例如，网络参数的预设取值范围为[-2，2]，那么该网络参数的备选取值分别为：-2、-1、0、1、2。
上述备选组合中包含每一网络参数的一个备选取值，例如：网络参数分别为a、b，其中，a对应的备选取值有3个，分别为：a1、a2、a3，b对应的备选取值有2个，分别为：b1、b2，那么备选组合的数量为：3*2=6，分别为：[a1,b1]、[a1,b2]、[a2,b1]、[a2,b2]、[a3,b1]、[a3,b2]。
模型训练单元302，具体用于针对每一备选组合，将该备选组合中每一备选取值作为初始BP神经网络的网络参数项的取值，将知识图谱中各节点所表征的已知医学概念以及各节点之间的关系作为训练数据，对初始BP神经网络模型进行训练。
上述训练是采用迭代训练方式，迭代训练时采用遍历备选组合的方式，即每一次迭代训练选择一个备选组合作为网络参数的取值集，采用训练数据进行训练。在进行训练时，将训练数据输入初始BP神经网络中，初始BP神经网络中各网络层基于训练数据以及备选组合中的备选取值，进行数据更新与传递，并输出预测数据，上述预测数据包括介入式心室导管泵是否发生不良事件的标识，还包含在检测到发生不良事件时所发生的的不良事件的标识。
模型构建单元303，具体用于基于初始BP神经网络的输出层所输出的预测数据与实际数据，计算每一备选组合的置信度；基于所计算的置信度，从备选组合中选择预设数量个目标组合，对目标组合进行交叉、变异操作，确定最终组合，将网络参数的取值作为最终组合中相对应的取值的初始BP神经网络模型确定为不良事件检测模型。
上述实际数据表征初始BP神经网络的输入数据所对应的真实值，上述实际数据为预先针对训练数据标记的真实值。
上述置信度表示备选组合作为上述初始BP神经网络的网络参数组合的可靠程度，当置信度越高，表示可靠程度越高；当置信度越低，表示可靠程度越低。
在计算置信度时，第一种实施方式中，可以提取预测数据的第一特征与实际数据的第二特征，计算第一特征与第二特征之间的距离，将计算得到的距离转换为预测数据与实际数据之间的相似度，作为置信度。
当两个特征之间的距离越大，表示两个数据相似度越低；当两个特征之间的距离越小，表示两个数据相似度越高。具体的，可以预先确定距离与相似度之间的对应关系，从上述对应关系中，确定所计算的距离相对应的相似度。
第二种实施方式中，还可以按照以下表达式计算每一备选组合的置信度：
；
其中，表示每一备选组合的置信度，K表示初始BP神经网络模型的输入数据的数量，i表示输入数据的标识，/>表示预测数据，/>表示实际数据，n表示预设常数。
在得到每一备选组合的置信度时，按照置信度由大到小的顺序，选择预设数量个备选组合。对上述预设数量个备选组合进行交叉、变异操作，具体的，可以对多个备选组合进行重组，实现交叉操作，并对重组后的组合中的元素进行随机化更改，实现变异操作。交叉、变异操作的具体实现方式可以参见现有技术中任意一种方式，在此不进行赘述。在进行交叉、变异操作后，可以计算经过操作后的每一组合的置信度，选择置信度最高的备选组合作为最终组合。
可以看到，在上述第一模型训练模块中，利用初始BP神经网络模型输出的预测数据以及实际数据，计算得到每一备选组合的置信度，由于预测数据表征初始BP神经网络的预测能力，实际数据则是表征输入数据对应的真实值，基于上述两类数据，能够准确地衡量初始BP神经网络模型的预测能力，使得所计算的置信度准确度较高，在此基础上进行变异、交叉操作，能够得到准确地网络参数的取值组合，从而使得训练得到的网络模型能够较好地掌握不良事件检测功能。
前述图1对应实施例中治疗方案辅助制定装置103包括第二模型训练模块1031、治疗方案辅助制定模块1032可以参见图4所示的示意图。在上述图4基础上，图4中第二模型训练模块1031还可以包括多个单元，基于此，参见图5，图5为本发明实施例提供的第五种介入式心室导管泵的医学信息处理系统的结构示意图，在前述图4对应实施例的基础上，上述第二模型训练模块1031还可以包括网络结构确定单元501、参数确定单元502以及模型训练单元503。
网络结构确定单元501，用于基于知识图谱中各节点所表征的已知医学概念以及各节点之间的关系，生成初始网络结构。
知识图谱中包括节点以及节点之间的关系，所以知识图谱自身已具有网络结构，因此，可以基于知识图谱中各节点以及各节点之间的关系生成初始网络结构。一种实施方式中，可以基于医学理论知识，从知识图谱中提取得到网络结构，作为初始网络结构。
在知识图谱本身结构较为复杂的情况下，采用上述方式难以提取得到网络结构，基于此，上述网络结构确定单元，还可以具体用于基于知识图谱中每一节点所连接的节点数量，从知识图谱中确定多组候选网络结构；针对每一组候选网络结构，基于该候选网络结构中包含的节点数量以及每一节点的取值，计算该候选网络结构的第二置信度；基于每组候选网络结构的置信度，从多个候选网络结构中选择目标网络结构，作为贝叶斯网络模型的初始网络结构。
在确定多组候选网络结构时，一种实施方式中，可以采用预设搜索策略，确定知识图谱中的多个节点中所连接的节点的数量大于或者等于预设数量的节点，作为父节点，将每一父节点所连接的节点拓扑结构确定为候选网络结构。
候选网络结构的置信度表征候选网络结构作为贝叶斯网络的最终网络结构的可能性大小，当置信度越高，表示可能性越高。
候选网络结构中每一节点的取值并非固定，而是在一定取值范围内。候选网络结构所包含的节点数量以及每一节点的取值影响网络结构进行数据推理的准确性以及网络结构的稳定性，因此，基于节点数量以及节点取值能够准确地确定候选网络结构的置信度。
在计算候选网络结构的置信度时，第一种实施方式中，可以计算每一节点的取值的和值，计算上述和值以及节点数量之间的乘积，作为候选网络结构的置信度。
第二种实施方式中，还可以按照以下表达式计算上述候选网络结构的置信度：
；
其中，表示每一组候选网络结构的置信度，/>表示预设常数，r表示候选网络结构中节点的数量，q表示候选网络结构中节点的标识，/>表示候选网络结构中节点的取值。
这样，由于候选网络结构所包含的节点数量以及每一节点的取值影响网络结构进行数据推理的准确性以及网络结构的稳定性，因此，基于节点数量以及节点取值能够准确地确定候选网络结构的置信度，进而基于置信度能够准确地选择得到贝叶斯网络模型的初始网络结构。
在确定候选网络结构的置信度后，可以将置信度最大的网络结构确定为目标网络结构，作为贝叶斯网络模型的初始网络结构。
参数确定单元502，用于采用最大似然估计法，确定初始网络结构中每一节点的网络参数的目标值。
上述网络参数用于更新与传递网络结构的输入数据，从而得到输出数据。在贝叶斯网络模型中，每一节点均有相应的网络参数。
最大似然估计法在确定网络参数的目标值时，不需要遍历每一节点，而是同时估计一定数量个节点的网络参数的取值，大大节省网络参数取值的估计效率。采用最大似然估计法确定网络参数的取值的具体方式可以参见现有技术中任意一种方式，在此不进行详述。
模型训练单元503，用于将节点的网络参数的取值确定为目标值的初始网络结构确定为训练结束的贝叶斯网络模型。
在确定贝叶斯网络模型的网络结构以及网络结构中各节点的网络参数的取值后，可以认为结束贝叶斯网络模型的训练。
由于贝叶斯网络模型的网络架构与知识图谱的网络结构相似，基于知识图谱中节点以及节点之间的关系，能够快速地生成初始网络结构，并且使得初始网络结构的稳定性较高。并且，采用最大似然估计法在确定网络参数的目标值时，不需要遍历每一节点，而是同时估计一定数量个节点的网络参数的取值，大大节省网络参数取值的估计效率，并且提高所确定的取值准确性。因此，采用上述方法既可以加快贝叶斯网络模型的生成速率。还可以使得所生成的贝叶斯网络模型进行数据推理的准确度。
在前述图4或者图5对应实施例的基础上，本发明的一个实施例中，在前述治疗方案辅助制定模块中输出得到的治疗方案后，需要对治疗方案进行评价，通过评价结果确定该治疗方案的效果，尤其是在输出多个治疗方案后，可以基于评价结果选择一个治疗方案，基于此，本发明的一个实施例中，参见图6，图6为本发明实施例提供的第六种介入式心室导管泵的医学信息处理系统的结构示意图，图6在图4或图5基础上，治疗方案辅助制定装置还可以包括方案评价模块1033。
方案评价模块1033，用于在治疗方案辅助制定模块1032输出治疗方案后，基于治疗方案的历史采用量以及表征历史采用治疗方案治疗患者的治疗效果的有用程度的量化值，计算治疗方案的效用值；基于所计算的效用值，从治疗方案中选择目标方案，作为用于辅助医生对患者进行治疗的方案。
上述历史采用量是指历史采用治疗方案的总数量。上述量化值表征历史采用治疗方案治疗患者的治疗效果的有用程度，在治疗患者时，可以实时收集患者的健康状况，医护人员可以基于患者的健康状况，按照医学实践经验确定上述治疗方案的有用程度的量化值。上述历史采用量以及量化值均存储于本地，在计算效用值时，可以从本地读取上述数据。
上述效用值表征治疗方案的可靠程度，效用值越高，表示可靠程度越好，效用值越低，表示可靠程度越差。在计算上述效用值时，可以计算每一次历史采用治疗方案治疗患者的治疗效果的有用程度的量化值之和，将上述和值与历史采用量之间的比值确定为治疗方案的效用值。
在确定目标方案时，可以将效用值最大的方案作为目标方案，进而在医生客户端显示上述目标方案，用以辅助医生进行治疗方案的制定。
这样，由于治疗方案的历史采用量以及治疗效果的量化值均可以衡量治疗方案的质量，因此，基于上述两类数据，能够准确地计算治疗方案的效用值，进而准确地辅助医生制定治疗方案。
与上述介入式心室导管泵的医学信息处理系统相对应，本发明实施例还提供了一种电子设备。
参见图7，图7为本发明实施例提供的一种电子设备的结构示意图，包括处理器701、通信接口702、存储器703和通信总线704，其中，处理器701，通信接口702，存储器703通过通信总线704完成相互间的通信，
存储器703，用于存放计算机程序；
处理器701，用于执行存储器703上所存放的程序时，实现本发明实施例提供的介入式心室导管泵的医学信息处理系统所实现的功能。
上述电子设备提到的通信总线可以是外设部件互连标准（Peripheral ComponentInterconnect，PCI）总线或扩展工业标准结构（Extended Industry StandardArchitecture，EISA）总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器（Random Access Memory，RAM），也可以包括非易失性存储器（Non-Volatile Memory，NVM），例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器，包括中央处理器（Central Processing Unit，CPU）、网络处理器（Network Processor，NP）等；还可以是数字信号处理器（Digital SignalProcessor，DSP）、专用集成电路（Application Specific Integrated Circuit，ASIC）、现场可编程门阵列（Field-Programmable Gate Array，FPGA）或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
在本发明提供的又一实施例中，还提供了一种计算机可读存储介质，该计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现本发明实施例提供的介入式心室导管泵的医学信息处理系统所实现的功能。
在本发明提供的又一实施例中，还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行时实现本发明实施例提供的介入式心室导管泵的医学信息处理系统所实现的功能。
由以上可见，在本实施例提供的医学信息处理系统中包括知识图谱构建装置、不良事件检测装置以及治疗方案辅助制定装置。其中，知识图谱构建装置用于提取已知医学概念的深层次信息；不良事件检测装置结合神经网络模型，用于对介入式心室导管泵运行时所产生的数据进行深层次挖掘，检测得到不良事件；治疗方案辅助制定装置则是综合患者属性信息以及不良事件，辅助医生为患者制定治疗方案。可以看到，医学信息处理系统对各类医学数据以及医疗数据进行全面、多角度分析，挖掘数据的深层次信息，并且利用挖掘得到的深层次信息进行不良事件检测以及辅助医生为患者制定治疗方案，实现对医学数据进行全面充分分析、挖掘、处理。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线（例如同轴电缆、光纤、数字用户线（DSL））或无线（例如红外、无线、微波等）方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质（例如固态硬盘Solid State Disk (SSD)）等。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于电子设备、计算机可读存储介质实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。
Claims (8)
1.一种介入式心室导管泵的医学信息处理系统，其特征在于，所述系统包括：知识图谱构建装置、不良事件检测装置以及治疗方案辅助制定装置，其中：
所述知识图谱构建装置，用于基于介入式心室导管泵相关联的已知医学概念，构建并存储用于表征已知医学概念之间关系的知识图谱；
所述不良事件检测装置，用于基于所述知识图谱，训练得到用于预测所述介入式心室导管泵所发生不良事件的事件检测模型；将所述介入式心室导管泵运行过程中预设参数项的参数数据输入所述事件检测模型，得到所述事件检测模型输出的不良事件；
所述治疗方案辅助制定装置，用于基于所述知识图谱，训练得到用于预测干预决策的贝叶斯网络模型；将所述不良事件检测装置的检测结果和/或患者的属性信息输入所述贝叶斯网络模型，得到所述贝叶斯网络模型输出的干预决策
所述不良事件检测装置，包括第一模型训练模块、不良事件检测模块，其中：
所述第一模型训练模块，用于将所述知识图谱中各节点所表征的已知医学概念以及各节点之间的关系作为训练数据，采用遗传算法，对初始BP神经网络模型进行训练，得到用于对不良事件进行检测的不良事件检测模型；
所述不良事件检测模块，用于获取所述介入式心室导管泵运行过程中的预设参数项的参数数据，将所述参数数据输入所述不良事件检测模型，得到所述不良事件检测模型输出的检测结果；
所述第一模型训练模块包括：组合生成单元、模型训练单元、模型构建单元，其中：
所述组合生成单元，具体用于确定所述初始BP神经网络模型中每一网络参数的备选取值，生成包含每一网络参数的一个备选取值的备选组合；
所述模型训练单元，具体用于针对每一备选组合，将该备选组合中每一备选取值作为所述初始BP神经网络的网络参数项的取值，将所述知识图谱中各节点所表征的已知医学概念以及各节点之间的关系作为训练数据，对初始BP神经网络模型进行训练；
所述模型构建单元，具体用于基于初始BP神经网络的输出层所输出的预测数据与实际数据，计算每一备选组合的置信度；基于所计算的置信度，从所述备选组合中选择预设数量个目标组合，对目标组合进行交叉、变异操作，确定最终组合，作为所述初始BP神经网络的网络参数项的最终取值，将网络参数项的取值更新为所述最终取值的初始BP神经网络模型作为不良事件检测模型。
2.根据权利要求1所述的系统，其特征在于，所述模型构建单元，具体用于按照以下表达式计算每一备选组合的置信度：
；
其中，表示每一备选组合的置信度，K表示所述初始BP神经网络模型的输入数据的数量，i表示所述输入数据的标识，/>表示预测数据，/>表示实际数据，n表示预设常数。
3.根据权利要求1或2所述的系统，其特征在于，所述治疗方案辅助制定装置，包括第二模型训练模块、治疗方案辅助制定模块，其中：
所述第二模型训练模块，用于基于所述知识图谱中各节点所表征的已知医学概念以及各节点之间的关系，训练得到用于预测干预决策的贝叶斯网络模型；
所述治疗方案辅助制定模块，用于基于将所述不良事件检测装置的检测结果和/或患者的属性信息输入所述贝叶斯网络模型，得到所述贝叶斯网络模型输出的治疗方案。
4.根据权利要求3所述的系统，其特征在于，所述第二模型训练模块，包括网络结构确定单元、参数确定单元以及模型训练单元，其中：
所述网络结构确定单元，用于基于所述知识图谱中各节点所表征的已知医学概念以及各节点之间的关系，生成初始网络结构；
所述参数确定单元，用于采用最大似然估计法，确定所述初始网络结构中每一节点的网络参数的目标值；
所述模型训练单元，用于将节点的网络参数的取值确定为目标值的初始网络结构确定为训练结束的贝叶斯网络模型。
5.根据权利要求4所述的系统，其特征在于，所述网络结构确定单元，具体用于基于所述知识图谱中每一节点所连接的节点数量，从所述知识图谱中确定多组候选网络结构；针对每一组候选网络结构，基于该候选网络结构中包含的节点数量以及每一节点的取值，计算该候选网络结构的置信度；基于每组候选网络结构的置信度，从多个候选网络结构中选择目标网络结构，作为贝叶斯网络模型的初始网络结构。
6.根据权利要求5所述的系统，其特征在于，所述网络结构确定单元，具体用于按照以下表达式计算候选网络结构的置信度：
；
其中，表示候选网络结构的置信度，/>表示预设常数，r表示候选网络结构中节点的数量，q表示候选网络结构中节点的标识，/>表示候选网络结构中节点的取值。
7.根据权利要求4-6任一项所述的系统，其特征在于，所述治疗方案辅助制定装置还包括方案评价模块，其中：
所述方案评价模块，用于在所述治疗方案辅助制定模块输出治疗方案后，基于治疗方案的历史采用量以及表征历史采用治疗方案治疗患者的治疗效果的有用程度的量化值，计算所述治疗方案的效用值；基于所计算的效用值，从所述治疗方案中选择目标方案，作为用于辅助医生对患者进行治疗的方案。
8.一种电子设备，其特征在于，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序时，实现权利要求1-7任一所述系统的功能。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310272212.4A CN115985491B (zh) | 2023-03-21 | 2023-03-21 | 一种介入式心室导管泵的医学信息处理系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310272212.4A CN115985491B (zh) | 2023-03-21 | 2023-03-21 | 一种介入式心室导管泵的医学信息处理系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115985491A CN115985491A (zh) | 2023-04-18 |
| CN115985491B true CN115985491B (zh) | 2023-07-18 |
Family
ID=85961102
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310272212.4A Active CN115985491B (zh) | 2023-03-21 | 2023-03-21 | 一种介入式心室导管泵的医学信息处理系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115985491B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116628577B (zh) * | 2023-07-26 | 2023-10-31 | 安徽通灵仿生科技有限公司 | 一种心室辅助设备的不良事件检测方法及装置 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110277167A (zh) * | 2019-05-31 | 2019-09-24 | 南京邮电大学 | 基于知识图谱的慢性非传染性疾病风险预测系统 |
| CN110517770A (zh) * | 2019-08-28 | 2019-11-29 | 中国科学院重庆绿色智能技术研究院 | 基于贝叶斯网络和效用体系的围手术期危重不良事件干预决策方法 |
| CN110968650A (zh) * | 2019-10-30 | 2020-04-07 | 清华大学 | 基于医生协助的医疗领域知识图谱构建方法 |
| CN114093509A (zh) * | 2021-07-14 | 2022-02-25 | 北京好欣晴移动医疗科技有限公司 | 信息处理方法、装置和系统 |
| CN114141379A (zh) * | 2021-08-12 | 2022-03-04 | 北京好欣晴移动医疗科技有限公司 | 基于知识图谱的睡眠障碍归因分析方法、装置和系统 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112037912B (zh) * | 2020-09-09 | 2023-07-11 | 平安科技（深圳）有限公司 | 基于医疗知识图谱的分诊模型训练方法、装置及设备 |
| CN113205504B (zh) * | 2021-05-12 | 2022-12-02 | 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 |
| CN113356916B (zh) * | 2021-07-08 | 2022-09-16 | 长安大学 | 一种基于数字孪生技术的矿井风流调控虚拟系统及智能调控方法 |
-
2023
- 2023-03-21 CN CN202310272212.4A patent/CN115985491B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110277167A (zh) * | 2019-05-31 | 2019-09-24 | 南京邮电大学 | 基于知识图谱的慢性非传染性疾病风险预测系统 |
| CN110517770A (zh) * | 2019-08-28 | 2019-11-29 | 中国科学院重庆绿色智能技术研究院 | 基于贝叶斯网络和效用体系的围手术期危重不良事件干预决策方法 |
| CN110968650A (zh) * | 2019-10-30 | 2020-04-07 | 清华大学 | 基于医生协助的医疗领域知识图谱构建方法 |
| CN114093509A (zh) * | 2021-07-14 | 2022-02-25 | 北京好欣晴移动医疗科技有限公司 | 信息处理方法、装置和系统 |
| CN114141379A (zh) * | 2021-08-12 | 2022-03-04 | 北京好欣晴移动医疗科技有限公司 | 基于知识图谱的睡眠障碍归因分析方法、装置和系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115985491A (zh) | 2023-04-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116370819B (zh) | 一种心室辅助装置的泵血流量估测方法及装置 | |
| Bashir et al. | BagMOOV: A novel ensemble for heart disease prediction bootstrap aggregation with multi-objective optimized voting | |
| Maheswari et al. | Heart disease prediction system using decision tree and naive Bayes algorithm | |
| CN105653859A (zh) | 一种基于医疗大数据的疾病自动辅助诊断系统及方法 | |
| KR20110090919A (ko) | 위험 평가 및 진단을 위해 적용된 복잡성 과학 및 전문 지식을 사용한 의료 데이터의 자동 관리 | |
| CN108242266A (zh) | 辅助诊断装置和方法 | |
| KR20160031026A (ko) | 혈관 기하학적 구조 및 생리학으로부터 혈류 특징들을 추정하기 위한 시스템들 및 방법들 | |
| CN115985491B (zh) | 一种介入式心室导管泵的医学信息处理系统 | |
| Sanchez de la Nava et al. | Artificial intelligence for a personalized diagnosis and treatment of atrial fibrillation | |
| KR20110120962A (ko) | 포인트-어브-케어 인액티브 의료 시스템 및 방법 | |
| CN114049952A (zh) | 一种基于机器学习的术后急性肾损伤智能预测方法及装置 | |
| CN114613497B (zh) | 基于gbdt样例级的病患样本的智能医学辅助诊断方法 | |
| CN113066531B (zh) | 风险预测方法、装置、计算机设备及存储介质 | |
| US20200357524A1 (en) | Apparatus for patient data availability analysis | |
| CN115905960B (zh) | 一种基于心室辅助装置的不良事件检测方法及装置 | |
| Firdous et al. | Handling of derived imbalanced dataset using XGBoost for identification of pulmonary embolism—a non-cardiac cause of cardiac arrest | |
| CN117612660A (zh) | 医疗策略推送系统及其方法、可读存储介质 | |
| US11420039B2 (en) | Tree-based data exploration and data-driven protocol | |
| US20230060794A1 (en) | Diagnostic Tool | |
| Verma et al. | A genetic algorithm based hybrid deep learning approach for heart disease prediction | |
| CN115463336A (zh) | 一种心室导管泵的监测方法及装置 | |
| Liaqat et al. | A Framework for Clustering Cardiac Patient's Records Using Unsupervised Learning Techniques | |
| Kudari | Data analytics to predict, detect, and monitor chronic autoimmune diseases using machine learning algorithms: Preventing diseases with the power of machine learning | |
| Singla et al. | Development of multilayer fuzzy inference system for diagnosis of renal cancer | |
| Baihaqi et al. | Review on fuzzy expert system and data mining techniques for the diagnosis of coronary artery disease |
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 | ||
| REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40092130 Country of ref document: HK |