CN116230212A - 基于数据处理的术后脑卒中复查用的诊断决策系统 - Google Patents
基于数据处理的术后脑卒中复查用的诊断决策系统 Download PDFInfo
- Publication number
- CN116230212A CN116230212A CN202310350327.0A CN202310350327A CN116230212A CN 116230212 A CN116230212 A CN 116230212A CN 202310350327 A CN202310350327 A CN 202310350327A CN 116230212 A CN116230212 A CN 116230212A
- Authority
- CN
- China
- Prior art keywords
- pathological
- data
- pathology
- sequence
- period
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G16H50/70—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)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Pathology (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明公开了基于数据处理的术后脑卒中复查用的诊断决策系统,涉及健康管理技术领域,解决了现有技术忽略了术后病理参数的变化趋势对识别术后脑卒中的积极作用,无法对术后脑卒中进行全面准确识别的技术问题;本发明将同类型病理系数持续拼接,生成单类病理序列;基于若干单类病理序列整合获取病理特征序列,输入至病理分析模型结合,获取病理评估分数;本发明能够识别病理系数的变化趋势,进而提高对术后脑卒中评估的准确性;本发明在病理特征序列和标准输入数据中插入了特征时段标识,通过特征时段标识来表示对应数据在警戒期限内的位置;本发明通过特征时段标识的设置能够对病理系数进行筛选剔除,提高病理分析模型的准确性。
Description
技术领域
本发明属于健康管理领域,涉及术后脑卒中的识别决策技术,具体是基于数据处理的术后脑卒中复查用的诊断决策系统。
背景技术
术后脑卒中一般是指术后三十天内发生的缺血性或出血性脑血管时间,其对应的高风险手术类型包括颈动脉手术、心脏手术、主动脉手术等。但由于术中药物的影响以及脑卒中的隐匿性,医生往往难以及时发现术后脑卒中,更无法预测是否会发展成术后脑卒中。因此,术后脑卒中的识别和预测非常重要。
目前针对术后脑卒中复查时,一般是对手术患者的各项病理参数进行检测,将各项病理参数与术后脑卒中的标准参数进行比较,判断病理参数是否异常进而判断术后脑卒中风险。现有技术在对术后脑卒中进行检测识别时,一般对手术患者的当前病历参数进行分析,忽略了术后病理参数的变化趋势对识别术后脑卒中的积极作用,无法对术后脑卒中进行全面准确识别;因此,亟须一种基于数据处理的术后脑卒中复查用的诊断决策系统。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一;为此,本发明提出了基于数据处理的术后脑卒中复查用的诊断决策系统,用于解决现有技术忽略了术后病理参数的变化趋势对识别术后脑卒中的积极作用,无法对术后脑卒中进行全面准确识别的技术问题。
为实现上述目的,本发明的第一方面提供了基于数据处理的术后脑卒中复查用的诊断决策系统,包括中枢分析模块,以及与之相连接的数据交互模块和决策展示模块;中枢分析模块在警戒期限内通过数据交互模块定时采集患者术后的若干类病理数据,将若干类病理数据与对应标准范围比较获取若干病理系数;以及将同类型病理系数持续拼接,生成单类病理序列;基于若干单类病理序列整合获取病理特征序列,输入至病理分析模型结合,获取病理评估分数;控制决策展示模块根据病理评估分数预警。
本发明并非用于术后脑卒中的诊断或者治疗,而是根据对病理数据的分析为医生决策提供数据基础。本发明仍然与现有技术的技术路线一致,主要通过分析患者的病理数据来提供决策建议;与现有技术的区别在于,本发明并不仅以单一时刻或者多个单一时刻的病理数据来给出决策建议,而是持续分析病理数据在警戒期限内的变化趋势,能够挖掘出各类病理数据之间的相互影响,以及病理数据变化趋势与术后脑卒中之间的关联。
本发明中的警戒期限主要根据经验设定,可根据术后脑卒中的定义将术后三十天作为警戒期限。本发明中的病理数据为与术后脑卒中存在关联身体数据,主要包括心率、血压、血糖、血脂、尿常规、肝功能、肾功能等,而且根据手术类型对病理数据进行针对性筛选。
优选的,所述中枢分析模块分别与数据交互模块和决策展示模块通信和/或电气连接;所述决策展示模块用于展示分析结果,并根据分析结果进行预警;所述数据交互模块通过数据库或者智能终端获取患者术后的病理数据。
本发明中的中枢分析模块主要负责对病理数据进行处理和结合病理分析模块获取决策建议,通过数据交互模块获取病理数据以及其他相关数据,并通过决策展示模块将决策建议展示出来。数据交互模块通过数据库或者智能终端来获取数据;数据库中存储有患者的病理数据,在经过患者和院方允许的情况下,可自主从中提取患者的病理数据;智能终端主要是智能手机或者智能穿戴设备,如智能手表、智能手环等,通过智能穿戴设备可以随时获取患者的病理数据。
优选的,所述中枢分析模块在警戒期限内通过数据交互模块定时采集患者术后的若干类病理数据,包括:确定采集周期;基于采集周期定时采集患者的若干类病理数据,根据手术类型确定警戒期限;在警戒期限内按照采集时刻将若干病理数据打包上传至中枢分析模块。
病理数据的类型指的是数据不同,如心率、血糖等各作为一类病理数据,只是将这些数据统称为病理数据。数据交互模块采集病理数据时不需要进行连续采集,仅需要根据采集周期采集对应时刻的病理数据即可。而且,在警戒期限内采集患者的病理数据即可,只要在警戒期限内就需要定时采集病理数据。
本发明的采集周期根据患者的手术类型和病情程度确定,手术类型和病情程度与术后脑卒中的关联性越大,则采集周期应越小。将手术类型标记为SL,将病情程度标记为BC,可通过公式CZ=α/[SL×exp(BC)]确定采集周期CZ;α为大于0的比例系数,exp()为以自然数e为底的指数函数。在警戒期限内根据采集周期可以确定若干采集时刻,在若干采集时刻采集患者的病理数据,并打包发送至中央分析模块。
优选的,所述将若干类病理数据与对应标准范围比较获取若干病理系数,包括:提取若干类病理数据,以及基于采集时刻确定对应的标准范围;将若干类病理数据与对应的标准范围进行比较;判断病理数据是否在对应标准范围内;是,则将其病理系数设置为0;否,则将其病理系数设置为1。
本发明在若干采集时刻获取病理系数之后,基于采集时刻提取各类病理数据对应的标准范围。可以理解的是,标准范围随着患者术后时间会进行动态调整,如某些病理数据的标准范围在刚做完手术后普遍表现较大,术后半个月以后则回归到正常范围,则刚做完手术和术后半个月该病理数据对应的标准范围不同。
将各类病理数据与对应采集时刻的标准范围进行比较,若落在标准范围之内,则说明该采集时刻该类病理数据正常,否则判定该类病理数据异常,进而为各采集时刻的各类病理数据设置病理系数。
值得注意的是,某病理数据对应病理系数在警戒期限内均正常,无法代表术后脑卒中不会发病;某采集时刻各类病理数据对应的病理系数均正常,也无法代表术后脑卒中不会发病;在警戒期限内所有病理数据的病理系数均正常也无法代表术后脑卒中不会发病,还需要分析各病理系数在警戒期限内的变化趋势。
优选的,所述将同类型病理系数持续拼接,生成单类病理序列,包括:依次提取同类型病理数据对应的病理系数;按照生成时间将各类型病理数据的病理系数拼接起来,获取单类病理序列。
本发明将每种病理数据在当前时刻已经获取的病理系数依次拼接起来,作为其单类病理序列。因此,在单类病理序列中已然包含了病理系数的变化趋势,这对于挖掘术后脑卒中的发病概率具有非常重要的意义。而且,本发明中的单类病理序列并不是一开始就包含警戒期限内所有采集时刻对应的数据,而是每获取一个病理系数,则对建立的单类病理序列进行延伸,只不过单类病理序列中的病理系数越多,越能够增加术后脑卒中的决策准确性。
优选的,所述基于若干单类病理序列整合获取病理特征序列,输入至病理分析模型结合,获取病理评估分数,包括:分析已经获取的单类病理序列,生成病理特征序列;将病理特征序列输入至病理分析模型中,获取对应的病理评估分数。
本发明以最后获取病理系数的采集时刻以基准,将已有的单类病理特征序列整合成病理特征序列,将其输入至训练好的病理分析模型中可以得到对应的病理评估分数,病理评估分数可以帮助医生对术后脑卒中进行合理准确判断。
优选的,所述病理分析模型基于人工智能模型构建,包括:获取标准训练数据;分析标准输入数据,并为其插入特征时段标识;之后,通过标准训练数据对人工智能模型进行训练,获取病理分析模型。
本发明中标准训练数据根据临床数据获取,包括标准输入数据和标准输出数据,且标准输入数据和病理特征序列的内容属性一致,标准输出数据则和病理评估分数的内容属性一致。而且,标准输入数据与病理特征序列一样,并不一定覆盖临床患者的整个术后警戒期限。因此,需要在标准输入数据和病理特征序列中插入特征时段标识,用于表明该数据在警戒期限内的位置。
优选的,所述特征时段标识基于单类病理序列或者标准输入数据对应时长范围和在警戒期限中所处位置设置;以及单类病理序列或者标准输入数据在警戒期限中所处位置根据时长范围的中间时刻在警戒期限中的位置确定。
本发明的特征时段标识根据单类病理序列或者标准输入数据对应时长范围以及在警戒期限中的位置来设置;如警戒周期为术后三十天,单类病理序列的时长范围从术后开始记为三天,则特征时段标识可以设置为[0.1,1/15];当单类病理序列的时长范围从术后第三天开始记,为三天,则特征时段标识可以设置为[0.1,2/15]。需要注意的是,单类病理序列可以全部纳入到病理特征序列中,也可以进行时间筛选之后纳入到病理特征序列中。
与现有技术相比,本发明的有益效果是:
1.本发明将若干类病理数据与对应标准范围比较获取若干病理系数;将同类型病理系数持续拼接,生成单类病理序列;基于若干单类病理序列整合获取病理特征序列,输入至病理分析模型结合,获取病理评估分数;本发明能够识别病理系数的变化趋势,进而提高对术后脑卒中评估的准确性。
2.本发明在病理特征序列和标准输入数据中插入了特征时段标识,通过特征时段标识来表示对应数据在警戒期限内的位置;本发明通过特征时段标识的设置能够对病理系数进行筛选剔除,提高病理分析模型的准确性。
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为本发明的系统原理示意图;
图2为本发明的方法步骤示意图。
具体实施方式
下面将结合实施例对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
请参阅图1-图2,本发明第一方面实施例提供了基于数据处理的术后脑卒中复查用的诊断决策系统,包括中枢分析模块,以及与之相连接的数据交互模块和决策展示模块;中枢分析模块在警戒期限内通过数据交互模块定时采集患者术后的若干类病理数据,将若干类病理数据与对应标准范围比较获取若干病理系数;以及将同类型病理系数持续拼接,生成单类病理序列;基于若干单类病理序列整合获取病理特征序列,输入至病理分析模型结合,获取病理评估分数;控制决策展示模块根据病理评估分数预警。
本实例的第一步是获取病理特征序列。确定警戒期限为三十天,采集周期为一天,则理论上在警戒期限内单类病理序列中对应三十个病理系数。以字母A、B、C等来表示各类病理数据,用A1、A2、A3…等表示病理数据A在各采集时刻(或者各采集周期)对应的病理系数。这样病理数据A对应的单类病理序列为[A1,A2,A3…],病理数据B对应的单类病理序列为[B1,B2,B3…],病理数据C对应的单类病理序列为[C1,C2,C3…]。
在生成病理特征序列之前,可以根据手术类型以及病情程度来对单类病理序列进行筛选,如某手术术后第一天的病理数据没有参考意义,则将单类病理数据中第一天对应的病理系数剔除,生成的病理特征序列为[(A2,A3),(B2,B3),(C2,C3),…]。当然,另外一些优选的实施例中也可以不对单类病理序列进行筛选,则病理特征序列为[(A1,A2,A3),(B2,B2,B3),(C1,C2,C3),…]。
本实施例的第二步是为病理特征序列设置特征时段标识。特征时段标识是为了弥补标准输入数据的不够充分设置的,标准训练数据根据临床经验提取总结而来,难以实现在警戒期限内对所有病理数据所有采集周期的覆盖,因此通过特征时段标识来表达标准输入数据在警戒期限中处于何位置。
沿用第一步的数据举例:单类病理序列[A1,A2,A3]的特征时段标识可以设置为[0.1,1/15],其中,3/30=0.1,2/30=1/15,这里的3是指单类病理序列中病理系数的时长范围为3天,2为单类病理序列中的中间时刻在三十天中的位置。如上述,单类病理序列[A2,A3]的特征时段标识可以设置为[1/15,1/12]。
当然,可以针对各单类病理序列进行分别筛选,则每个单类病理序列均对应一个特征时段标识;也可以对所有单类病理序列进行一致筛选,则病理特征序列对应一个特征时段标识。可知,将特征时段标识纳入病理特征序列[(A2,A3),(B2,B3),(C2,C3),…]后,病理特诊序列变为[(1/15,1/12),(A2,A3),(B2,B3),(C2,C3),…];纳入病理特征序列[(A1,A2,A3),(B2,B2,B3),(C1,C2,C3),…]后,病理特征序列变为[(0.1,1/15),(A1,A2,A3),(B2,B2,B3),(C1,C2,C3),…]。
本实施例的第三步是结合病理分析模块获取病理评估分数。将当前时刻得到的病理特诊序列输入至训练好的病理分析模型即可得到对应的病理评估分数。接着通过决策展示模块展示病理评估分数,为医生对术后脑卒中的判断提供数据基础。
上述公式中的部分数据均是去除量纲取其数值计算,公式是由采集的大量数据经过软件模拟得到最接近真实情况的一个公式;公式中的预设参数和预设阈值由本领域的技术人员根据实际情况设定或者通过大量数据模拟获得。
本发明的工作原理:在警戒期限内定时采集患者术后的若干类病理数据,将若干类病理数据与对应标准范围比较获取若干病理系数。将同类型病理系数持续拼接,生成单类病理序列。基于若干单类病理序列整合获取病理特征序列,输入至病理分析模型结合,获取病理评估分数;控制决策展示模块根据病理评估分数预警。
以上实施例仅用以说明本发明的技术方法而非限制,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法进行修改或等同替换,而不脱离本发明技术方法的精神和范围。
Claims (8)
1.基于数据处理的术后脑卒中复查用的诊断决策系统,包括中枢分析模块,以及与之相连接的数据交互模块和决策展示模块;其特征在于:
中枢分析模块在警戒期限内通过数据交互模块定时采集患者术后的若干类病理数据,将若干类病理数据与对应标准范围比较获取若干病理系数;其中,病理数据为与术后脑卒中存在关联身体数据;以及
将同类型病理系数持续拼接,生成单类病理序列;基于若干单类病理序列整合获取病理特征序列,输入至病理分析模型结合,获取病理评估分数;控制决策展示模块根据病理评估分数预警;其中,病理分析模型基于人工智能模型构建。
2.根据权利要求1所述的基于数据处理的术后脑卒中复查用的诊断决策系统,其特征在于,所述中枢分析模块在警戒期限内通过数据交互模块定时采集患者术后的若干类病理数据,包括:
确定采集周期;其中,采集周期根据患者的手术类型和病情程度确定;
基于采集周期定时采集患者的若干类病理数据,根据手术类型确定警戒期限;在警戒期限内按照采集时刻将若干病理数据打包上传至中枢分析模块。
3.根据权利要求2所述的基于数据处理的术后脑卒中复查用的诊断决策系统,其特征在于,所述将若干类病理数据与对应标准范围比较获取若干病理系数,包括:
提取若干类病理数据,以及基于采集时刻确定对应的标准范围;
将若干类病理数据与对应的标准范围进行比较;判断病理数据是否在对应标准范围内;是,则将其病理系数设置为0;否,则将其病理系数设置为1。
4.根据权利要求1所述的基于数据处理的术后脑卒中复查用的诊断决策系统,其特征在于,所述将同类型病理系数持续拼接,生成单类病理序列,包括:
依次提取同类型病理数据对应的病理系数;
按照生成时间将各类型病理数据的病理系数拼接起来,获取单类病理序列;其中,单类病理序列在生成病理特征序列之前随着病理系数的获取而延伸。
5.根据权利要求1所述的基于数据处理的术后脑卒中复查用的诊断决策系统,其特征在于,所述基于若干单类病理序列整合获取病理特征序列,输入至病理分析模型结合,获取病理评估分数,包括:
分析已经获取的单类病理序列,生成病理特征序列;其中,病理特征序列包含特征时段标识,特诊时段标识表示各单类病理序列在警戒期限中的对应阶段;
将病理特征序列输入至病理分析模型中,获取对应的病理评估分数。
6.根据权利要求5所述的基于数据处理的术后脑卒中复查用的诊断决策系统,其特征在于,所述病理分析模型基于人工智能模型构建,包括:
获取标准训练数据;其中,标准训练数据根据临床数据获取,包括标准输入数据和标准输出数据,且标准输入数据和病理特征序列的内容属性一致;
分析标准输入数据,并为其插入特征时段标识;之后,通过标准训练数据对人工智能模型进行训练,获取病理分析模型;其中,人工智能模型包括BP神经网络模型或者RBF神经网络模型。
7.根据权利要求6所述的基于数据处理的术后脑卒中复查用的诊断决策系统,其特征在于,所述特征时段标识基于单类病理序列或者标准输入数据对应时长范围和在警戒期限中所处位置设置;以及
单类病理序列或者标准输入数据在警戒期限中所处位置根据时长范围的中间时刻在警戒期限中的位置确定。
8.根据权利要求1所述的基于数据处理的术后脑卒中复查用的诊断决策系统,其特征在于,所述中枢分析模块分别与数据交互模块和决策展示模块通信和/或电气连接;所述决策展示模块用于展示分析结果,并根据分析结果进行预警;
所述数据交互模块通过数据库或者智能终端获取患者术后的病理数据;其中,数据库是经过授权的医院数据库,智能终端包括智能手机或者智能穿戴设备。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310350327.0A CN116230212A (zh) | 2023-04-04 | 2023-04-04 | 基于数据处理的术后脑卒中复查用的诊断决策系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310350327.0A CN116230212A (zh) | 2023-04-04 | 2023-04-04 | 基于数据处理的术后脑卒中复查用的诊断决策系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116230212A true CN116230212A (zh) | 2023-06-06 |
Family
ID=86582640
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310350327.0A Pending CN116230212A (zh) | 2023-04-04 | 2023-04-04 | 基于数据处理的术后脑卒中复查用的诊断决策系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116230212A (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109864745A (zh) * | 2019-01-08 | 2019-06-11 | 国家康复辅具研究中心 | 一种新型的脑卒中风险评估方法与系统 |
US20190336085A1 (en) * | 2018-04-10 | 2019-11-07 | Hill-Rom Services, Inc. | Patient risk assessment based on data from multiple sources in a healthcare facility |
CN113192642A (zh) * | 2021-04-01 | 2021-07-30 | 四川大学华西医院 | 外科患者术后恢复状态预测模型构建方法 |
CN113270196A (zh) * | 2021-05-25 | 2021-08-17 | 郑州大学 | 一种脑卒中复发风险感知与行为决策模型构建系统及方法 |
CN113506630A (zh) * | 2021-07-08 | 2021-10-15 | 上海中医药大学附属龙华医院 | 一种乳腺癌术后全程全方位智能管理系统 |
CN113611428A (zh) * | 2021-08-16 | 2021-11-05 | 新乡医学院第一附属医院 | 一种脑卒中高危人群筛选方法和系统 |
CN114052670A (zh) * | 2021-11-17 | 2022-02-18 | 深圳市盛景基因生物科技有限公司 | 一种健康风险评估方法及疾病预警系统 |
CN114188015A (zh) * | 2021-10-26 | 2022-03-15 | 北京清华长庚医院 | 基于人工智能的脑卒中疾病预测方法及装置 |
CN114360720A (zh) * | 2021-11-25 | 2022-04-15 | 北京清华长庚医院 | 卒中筛查评估系统及评估方法 |
CN115083604A (zh) * | 2022-06-07 | 2022-09-20 | 中山大学孙逸仙纪念医院 | 一种术后不良事件预测模型的构建方法、系统和预测装置 |
-
2023
- 2023-04-04 CN CN202310350327.0A patent/CN116230212A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190336085A1 (en) * | 2018-04-10 | 2019-11-07 | Hill-Rom Services, Inc. | Patient risk assessment based on data from multiple sources in a healthcare facility |
CN109864745A (zh) * | 2019-01-08 | 2019-06-11 | 国家康复辅具研究中心 | 一种新型的脑卒中风险评估方法与系统 |
CN113192642A (zh) * | 2021-04-01 | 2021-07-30 | 四川大学华西医院 | 外科患者术后恢复状态预测模型构建方法 |
CN113270196A (zh) * | 2021-05-25 | 2021-08-17 | 郑州大学 | 一种脑卒中复发风险感知与行为决策模型构建系统及方法 |
CN113506630A (zh) * | 2021-07-08 | 2021-10-15 | 上海中医药大学附属龙华医院 | 一种乳腺癌术后全程全方位智能管理系统 |
CN113611428A (zh) * | 2021-08-16 | 2021-11-05 | 新乡医学院第一附属医院 | 一种脑卒中高危人群筛选方法和系统 |
CN114188015A (zh) * | 2021-10-26 | 2022-03-15 | 北京清华长庚医院 | 基于人工智能的脑卒中疾病预测方法及装置 |
CN114052670A (zh) * | 2021-11-17 | 2022-02-18 | 深圳市盛景基因生物科技有限公司 | 一种健康风险评估方法及疾病预警系统 |
CN114360720A (zh) * | 2021-11-25 | 2022-04-15 | 北京清华长庚医院 | 卒中筛查评估系统及评估方法 |
CN115083604A (zh) * | 2022-06-07 | 2022-09-20 | 中山大学孙逸仙纪念医院 | 一种术后不良事件预测模型的构建方法、系统和预测装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112365978B (zh) | 心动过速事件早期风险评估的模型的建立方法及其装置 | |
Zamzmi et al. | An approach for automated multimodal analysis of infants' pain | |
CN106037720B (zh) | 混合连续信息分析技术的医学应用系统 | |
KR20190105210A (ko) | 통합 의료 진단 서비스 제공 시스템 및 그 방법 | |
CN105611872A (zh) | 用于评估多通道ecg信号的装置和方法 | |
EP3653109A1 (en) | Aggravation estimation device and aggravation estimation program | |
KR102494309B1 (ko) | 인공지능 모델의 생체 정보 이미지 분석을 통한 쇼크 발생 감지 방법, 장치 및 컴퓨터프로그램 | |
CN114129169B (zh) | 一种生物电信号数据识别方法、系统、介质和设备 | |
CN107495947A (zh) | 一种血压动态分析方法及血压测量装置 | |
CN111684540A (zh) | 监护设备中生理参数的统计显示方法及监护设备 | |
CN109674474B (zh) | 睡眠呼吸暂停识别方法、设备及计算机可读介质 | |
CN112674770B (zh) | 基于图像的显著性差异和情绪分析的抑郁人群眼动鉴别方法 | |
CN113128585B (zh) | 一种基于多尺寸卷积核的深度神经网络实现心电异常检测分类方法 | |
CN112992355A (zh) | 一种食管癌患者的术前评估方法及系统 | |
CN116230212A (zh) | 基于数据处理的术后脑卒中复查用的诊断决策系统 | |
CN116211306A (zh) | 基于眼动和心电信号的心理健康自评估系统 | |
KR102595429B1 (ko) | 장 정결도의 자동화 계산 장치 및 방법 | |
CN113903470A (zh) | 一种血液透析后患者的生活智能提醒方法及系统 | |
CN116246776B (zh) | 一种辅助脑卒中诊断决策的方法及系统 | |
CN111898468A (zh) | 孕妇运动监控告警方法、装置、计算机设备及存储介质 | |
CN114711790B (zh) | 新生儿电惊厥类型确定方法、装置、设备和存储介质 | |
CN114271799B (zh) | 一种基于智能终端的心血管检测方法 | |
CN116936109A (zh) | 心脏衰竭程度预测模型的建模方法和装置 | |
CN117017301A (zh) | 基于穿戴式心电监护报警系统及方法 | |
CN117116486A (zh) | 一种主客观多维睡眠行为评价量化方法、系统和装置 |
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 |