CN116246768A - 一种基于人工智能的mri影像检查智能分析管理系统 - Google Patents

一种基于人工智能的mri影像检查智能分析管理系统 Download PDF

Info

Publication number
CN116246768A
CN116246768A CN202211723715.0A CN202211723715A CN116246768A CN 116246768 A CN116246768 A CN 116246768A CN 202211723715 A CN202211723715 A CN 202211723715A CN 116246768 A CN116246768 A CN 116246768A
Authority
CN
China
Prior art keywords
patient
appointed
date
planned
appointed patient
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202211723715.0A
Other languages
English (en)
Other versions
CN116246768B (zh
Inventor
王海兵
宫玲玲
王翼
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
971st Navy Hospital Of People 's Liberation Army Of China
Original Assignee
971st Navy Hospital Of People 's Liberation Army Of China
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 971st Navy Hospital Of People 's Liberation Army Of China filed Critical 971st Navy Hospital Of People 's Liberation Army Of China
Priority to CN202211723715.0A priority Critical patent/CN116246768B/zh
Publication of CN116246768A publication Critical patent/CN116246768A/zh
Application granted granted Critical
Publication of CN116246768B publication Critical patent/CN116246768B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • 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
    • 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
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
    • 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
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Epidemiology (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • Pathology (AREA)
  • Databases & Information Systems (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

本发明属于MRI影像检查管理技术领域，具体公开提供的一种基于人工智能的MRI影像检查智能分析管理系统，该MRI影像检查智能分析管理系统包括病患基础信息提取模块、住院病历信息采集模块、病患MRI检查影像提取模块、病患疗效解析模块、病理信息库、治疗方案修正评定模块和治疗修正信息反馈终端。本发明通过根据指定病患对应的MRI影像检查数据、住院病例信息和指定病患的基础信息这个三个维度进行恢复效果解析，有效解决当前技术没有根据MRI影像的内容进行分析与管理的问题，打破了当前技术存在的局限性，并且还为医生的后续诊断提供了有效辅助，提高了医生的诊断速率和诊断简便性，同时保障了医生对病患病情更改的觉察力。

Description

一种基于人工智能的MRI影像检查智能分析管理系统
技术领域
本发明属于MRI影像检查管理技术领域，涉及到一种基于人工智能的MRI影像检查智能分析管理系统。
背景技术
随着各种不同的快速扫描序列和三维取样扫描技术的研究和成功地应用于临床，MRI影像检查技术通过无辐射损伤、软组织分辨率高等多处独到的优势，逐渐成为最热门的影像检查技术之一，为了保证MRI影像检查效果，需要对其进行分析和管理。
目前对MRI影像检查进行分析与管理主要集中在MRI影像的成像质量层面进行分析与管理，如对MRI影像的视野、影像的拍摄角度和成片的质量质量的等进行分析，由此对MRI影像的质量进行管理，很显然，当前的分析管理方式还存在以下几个方面的问题：1、当前多为MRI影像的使用前端管理，即对MRI影像的质量要素进行分析管理，没有根据MRI影像的内容进行分析与管理，存在一定的局限性，无法为医生后续的诊断提供有效辅助，进而无法有效提高医生的诊断速率和诊断简便性。
2、当前对MRI影像的病情层面分析多为医生人工分析的方式，会存在一定的误差性，且当病患较多而部分病患的病情发生改变时，医生治疗方案会存在更改不及时的情况，无法保障医生对病患病情更改的觉察力和更改的及时性。
3、当前对MRI影像进行分析时，没有结合病患药物、作息等多方面的因素进行综合性的分析，维度较为单一，使得MRI影像分析不够深度化，无法提高MRI影像分析结果的可靠性和精准性，从而无法提高对病患的管理规范性和管理针对性。
发明内容
鉴于此，为解决上述背景技术中所提出的问题，现提出一种基于人工智能的MRI影像检查智能分析管理系统。
本发明的目的可以通过以下技术方案实现：本发明提供一种基于人工智能的MRI影像检查智能分析管理系统，该系统包括：病患基础信息提取模块，用于提取指定病患对应的基础信息，其具体包括入院日期、年龄、病灶位置、病症累计发作时长、主治医生和初步治疗方案。
住院病历信息采集模块，用于从医院住院科室管理后台提取指定病患对应的住院病历信息，其中，住院病历信息包括治疗信息、作息信息以及运动信息。
MRI检查影像提取模块，用于统计指定病患进行MRI影像检查的次数，并提取指定病患在各次MRI影像检查对应的检查影像数据。
病患疗效解析模块，用于基于指定病患在各次MRI影像检查对应的检查影像数据、指定病患对应的住院病历信息和指定病患对应的基础信息，解析得到指定病患对应的恢复效果评估指数。
病理信息库，用于存储各身体部位在MRI影像中的常规轮廓，并存储各身体部位在T1WI影像中的常规信号值和各身体部位在T2W2影像中的常规信号值。
治疗方案修正评定模块，用于基于指定病患对应的恢复效果评估指数，进行治疗方案修正评定。
治疗修正信息反馈终端，用于将指定病患对应的治疗方案修正评定结果反馈至指定病患对应的主治医生。
优选地，所述初步治疗方案包括计划治疗天数、计划起始运动日期、计划治疗药物信息和计划运动信息。
其中，计划治疗药物信息包括各计划治疗日期内对应的计划药物服用次数、各计划治疗日期内各次计划药物服用对应的服用剂量和各计划治疗日期内各次计划药物服用对应的服用时间段。
其中，计划运动信息包括计划运动次数、计划运动频率和计划运动时长。
优选地，所述解析得到指定病患对应的恢复效果评估指数，具体解析过程包括:从指定病患在对应的治疗信息中提取各住院日期内对应的药物服用次数、各次药物服用对应的服用剂量以及各次药物服用对应的服用时间点，解析得到指定病患对应的药物服用精确指数，记为β1。
从指定病患对应的作息信息中提取各住院日期内对应的睡眠时间段、醒动次数和最长连续睡眠时长，解析得到指定病患对应的作息精确指数，记为β2。
从指定病患对应的运动信息中提取运动次数、各次运动对应的所处日期、各次运动对应的运动时长，解析得到指定病患对应的运动精确指数，记为β3。
提取指定病患对应的年龄和病症累计发作时长，设定恢复效果干扰因子，由此将指定病患对应的恢复效果干扰因子记为η。
从指定病患在各次MRI影像检查对应的检查影像数据中分别提取病灶区域轮廓、T1WI影像中的信号值和T2W2影像中的信号值，解析得到指定病患对应的恢复达标指数，记为λ。
基于指定病患对应的药物服用精确指数β1、作息精确指数β2、运动精确指数β3、恢复效果干扰因子η和恢复达标指数λ，得到指定病患对应的恢复效果评估指数，并记为HX。
优选地，所述指定病患对应的恢复效果评估指数具体计算过程包括：将指定病患对应的药物服用精确指数β1、作息精确指数β2、运动精确指数β3导入公式
Figure BDA0004030509540000041
中，得到指定病患对应治疗干扰因子/>
Figure BDA0004030509540000042
y1、y2、y3分别表示为药物服用、作息、运动对应的治疗干扰评估占比权重，β1′、β2′、β3′分别为设定的参考药物服用精确指数、参考作息精确指数、参考运动精确指数。
依据分析公式
Figure BDA0004030509540000043
分析得到指定病患对应的恢复效果评估指数HX，e表示自然常数，ξ为设定的效果评估补偿因子。
优选地，所述解析得到指定病患对应的药物服用精确指数，具体解析过程包括：从指定病患对应的初步治疗方案中提取各计划治疗日期内对应的计划药物服用次数、各计划治疗日期内各次计划药物服用对应的服用剂量和各计划治疗日期内各次计划药物服用对应的服用时间段。
将指定病患对应的各住院日期与其各计划治疗日期进行对比，设定指定病患对应各住院日期内的参照药物信息。
将指定病患在各住院日期内对应的药物服用次数、各次药物服用对应的服用剂量以及各次药物服用对应的时间点记为实际药物信息，并将指定病患在各住院日期内对应的实际药物信息与其参照药物信息进行对比，统计差异日期数目、累计差异服用剂量次数、累计差异服用时间次数，分别记为M0、M1、M2。
对指定病患在各住院日期内各次药物服用对应的服用时间点进行分析，得到指定病患对应的服药时间稳定度，记为W。
基于分析公式
Figure BDA0004030509540000051
分析得到指定病患对应的药物服用精确指数β1，a1、a2、a3分别表示为设定的差异日期数目、差异服用剂量次数、差异服用时间次数对应的药物服用精确评估占比权重，p表示住院日期数目，Ct表示指定病患在第t个住院日期内对应的药物服用次数，t表示住院日期编号，t＝1,2,......p，k0、k1、k2分别表示为设定的许可差异日期比、许可差异剂量次数比、许可差异时间比，σ为设定的药物服用评估修正因子。
优选地，所述解析得到指定病患对应的作息精确指数，具体解析过程包括以下步骤：从指定病患各住院日期内对应的睡眠时间段中提取起始睡眠时间点和结束睡眠时间点，分析得到指定病患对应的睡眠时间均衡度，并记为δ。
将指定病患在各住院日期内对应的睡眠时间段与设定的病患标准睡眠时间段进行对比，得到指定病患在各住院日期内对应的标准重合时间长，记为Lt。
基于指定病患在各住院日期内对应的睡眠时间段，得到指定病患在各住院日期内对应的睡眠时长，记为T睡 t，基于病患标准睡眠时间段，得到病患标准睡眠时长，记为L0。
将指定病患在各住院日期内对应的醒动次数和最长连续睡眠时长分别记为Dt和T连 t，依据分析公式
Figure BDA0004030509540000061
分析得到指定病患对应的作息精确指数β2，b1、b2、b3、b4分别表示为设定的重合长度、睡眠时长、醒动次数、最长连续睡眠时长对应的作息精确评估占比权重，T′、D′、T″分别表示为设定的病患参考最低睡眠时长、参考醒动次数、参考最低连续睡眠时长，ω为设定的作息评估修正因子。
优选地，所述解析得到指定病患对应的运动精确指数，具体解析过包括以下步骤:从指定病患对应的初步治疗方案中提取计划起始运动日期，同时从指定病患各次运动对应的所处日期中提取首次运动所处日期，由此设定起始运动干扰权重因子，记为μ。
从指定病患对应的初步治疗方案中提取计划运动次数、计划运动频率和计划运动时长，分别记为Y、f和T动。
将指定病患的运动次数记为Y0，基于指定病患的运动次数和各次运动对应的所处日期，计算得到指定病患的实际运动频率，记为f实；
从指定病患各次运动对应的运动时长中提取最高运动时长和最低运动时长，分别记为(T动)max和(T动)min，同时通过均值计算得到指定病患的平均运动时长，记为
Figure BDA0004030509540000071
依据分析公式
Figure BDA0004030509540000072
分析得到指定病患对应的运动精确指数β3，d1、d2、d3、d4分别表示为设定的运动次数、频率、时长、时长极限差对应的运动精确评估占比权重，f0、T0分别表示为设定的补偿频率、补偿运动时长。
优选地，所述设定恢复效果干扰因子，具体设定过程包括以下步骤：将指定病患对应的年龄和病症累计发作时长分别记为N和T发。
依据分析公式
Figure BDA0004030509540000073
分析得到指定病患对应的恢复效果干扰因子η，u1、u2分别表示为设定的年龄、病症发作时长对应的恢复效果评估占比权重，N′、T′发设定的常规恢复效果下的参照病患年龄、参照病症发作时长，ψ为设定的恢复干扰评估补偿因子。
优选地，所述解析得到指定病患对应的恢复达标指数，具体获取过程包括以下步骤：基于指定病患对应的病灶位置，从病理信息库中定位出指定病患对应病灶位置在MRI影像中的常规轮廓，同时从病理信息库中定位出指定病患对应病灶位置在T1WI影像中的常规信号值和T2W2影像中的常规信号值，分别记为w1′和w2′。
基于指定病患在各次MRI影像检查对应的病灶区域轮廓和其对应病灶位置在MRI影像中的常规轮廓，得到各次MRI影像检查对应的形态符合度，记为Fj，j表示第j次MRI影像检查，j＝1,2,......m。
从指定病患在各次MRI影像检查对应的检查影像数据中分别T1WI影像中的信号值和T2W2影像中的信号值，分别记为(w1)j和(w2)j。
依据分析公式
Figure BDA0004030509540000081
分析得到指定病患对应的恢复达标指数λ，z1、z2、z3分别表示为设定的T1WI影像信号值、T2W2影像信号值、形态符合度对应的恢复达标评估占比权重因子，F0表示为设定的参照形态符合度。/>
优选地，所述进行治疗方案修正评定,具体评定过程为：将指定病患对应的恢复效果评估指数与设定的参照恢复效果评估指数进行作差，得到指定病患对应的恢复效果评估指数差，并将指定病患对应的恢复效果评估指数差与设定的许可恢复效果评估指数差进行对比，若指定病患对应的恢复效果评估指数差大于许可恢复效果评估指数差，则判定指定病患需要进行治疗方案修正，且修正方向为恢复超前方向。
若指定病患对应的恢复效果评估指数差等于许可恢复效果评估指数差，则判定指定病患不需要进行治疗方案修正。
若指定病患对应的恢复效果评估指数差小于许可恢复效果评估指数差，则判定指定病患需要进行治疗方案修正，且修正方向为恢复缓慢方向。
相较于现有技术，本发明的有益效果如下：(1)本发明通过根据指定病患对应的MRI影像检查数据、住院病例信息和指定病患的基础信息这个三个维度进行恢复效果解析，有效解决当前技术没有根据MRI影像的内容进行分析与管理的问题，打破了当前技术存在的局限性，并且还为医生的后续诊断提供了有效辅助，提高了医生的诊断速率和诊断简便性。
(2)本发明通过对MRI影像检查数据进行自动化的解析，有效降低了当前人工分析方式中存在的误差性，同时当病患较多且部分病患病情发生改变时，能够及时提醒医生进行治疗方案更改，大幅度降低了治疗方案更改不及时情况的发生概率，保障医生对病患病情更改的觉察力和更改的及时性。
(3)本发明在对MRI影像进行分析，通过与病患的治疗信息、作息信息以及运动信息进行协同分析，实现了MRI影像检查的多方位和深度化分析，不仅丰富了MRI影像检查分析依据，还有效提高MRI影像分析结果的可靠性和精准性，同时还实现了病患的规范性和针对性管理，为病患的后续治疗提供了可靠的参考方向。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述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为本发明系统各模块连接示意图。
具体实施方式
下面将结合本发明实施以上内容仅仅是对本发明的构思所作的举例和说明，所属本技术领域的技术人员对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，只要不偏离发明的构思或者超越本权利要求书所定义的范围，均应属于本发明的保护范围。
请参阅图1所示，本发明提供了一种基于人工智能的MRI影像检查智能分析管理系统，该系统包括病患基础信息提取模块、住院病历信息采集模块、MRI检查影像提取模块、病患疗效解析模块、病理信息库、治疗方案修正评定模块和治疗修正信息反馈终端。
其中，病患疗效解析模块分别与病患基础信息提取模块、住院病历信息采集模块、MRI检查影像提取模块、病理信息库、治疗方案修正评定模块连接，治疗方案修正评定模块和治疗修正信息反馈终端连接。
所述病患基础信息提取模块，用于提取指定病患对应的基础信息，其具体包括入院日期、年龄、病灶位置、病症累计发作时长、主治医生和初步治疗方案。
具体地，初步治疗方案包括计划治疗天数、计划起始运动日期、计划治疗药物信息和计划运动信息。
其中，计划治疗药物信息包括各计划治疗日期内对应的计划药物服用次数、各计划治疗日期内各次计划药物服用对应的服用剂量和各计划治疗日期内各次计划药物服用对应的服用时间段。
其中，计划运动信息包括计划运动次数、计划运动频率和计划运动时长。
所述住院病历信息采集模块，用于从医院住院科室管理后台提取指定病患对应的住院病历信息，其中，住院病历信息包括治疗信息、作息信息以及运动信息。
具体地，治疗信息包括各住院日期内对应的药物服用次数、各次药物服用对应的服用剂量和各次药物服用对应的服用时间段。
作息信息包括各住院日期内对应的睡眠时间段、醒动次数和最长连续睡眠时长。
运动信息包括运动次数、各次运动对应的所处日期、各次运动对应的运动时长。
所述MRI检查影像提取模块，用于统计指定病患进行MR I影像检查的次数，并提取指定病患在各次MRI影像检查对应的检查影像数据，其中，检查影像数据包括病灶区域轮廓、T1WI影像中的信号值和T2W2影像中的信号值。
所述病患疗效解析模块，用于基于指定病患在各次MRI影像检查对应的检查影像数据、指定病患对应的住院病历信息和指定病患对应的基础信息，解析得到指定病患对应的恢复效果评估指数。
示例性地，解析得到指定病患对应的恢复效果评估指数，具体解析过程包括:步骤1、从指定病患在对应的治疗信息中提取各住院日期内对应的药物服用次数、各次药物服用对应的服用剂量以及各次药物服用对应的服用时间点，解析得到指定病患对应的药物服用精确指数，记为β1。
可理解地，解析得到指定病患对应的药物服用精确指数，具体解析过程包括：步骤1-1、从指定病患对应的初步治疗方案中提取各计划治疗日期内对应的计划药物服用次数、各计划治疗日期内各次计划药物服用对应的服用剂量和各计划治疗日期内各次计划药物服用对应的服用时间段。
步骤1-2、将指定病患对应的各住院日期与其各计划治疗日期进行对比，设定指定病患对应各住院日期内的参照药物信息。
需要说明的是，设定指定病患对应各住院日期内的参照药物信息的具体设定依据为：若某住院日期与某计划治疗日期为同一日期，则将该计划治疗日期内计划药物服用次数、各次计划药物服用对应的服用剂量和服用时间段作为该住院日期内的参照药物信息，由此设定指定病患对应各住院日期内的参照药物信息。
步骤1-3、将指定病患在各住院日期内对应的药物服用次数、各次药物服用对应的服用剂量以及各次药物服用对应的时间点记为实际药物信息，并将指定病患在各住院日期内对应的实际药物信息与其参照药物信息进行对比，统计差异日期数目、累计差异服用剂量次数、累计差异服用时间次数，分别记为M0、M1、M2。
需要说明的是，统计差异日期数目、累计差异药物服用次数、累计差异服用剂量次数、累计差异服用时间次数，具体统计过程包括以下步骤：若指定病患在某住院日期中实际药物信息与其参照药物信息中存在不一致的信息，则将则判断该住院日期为差异日期，由此得到累计差异日期数目。
将指定病患在各住院日期内对应各次药物服用对应的服用剂量与其计划药物服用对应的服用剂量进行对比，若指定病患在某住院日期内某次药物服用对应的服用剂量与其计划药物服用对应的服用剂量不一致，则判定指定病患在该住院日期内该次药物服用的服用剂量记为差异服用剂量，由此统计得到累计差异服用剂量次数。
将指定病患在各住院日期内对应各次药物服用对应的服用时间点与其计划药物服用对应的服用时间段进行对比，若指定病患在某住院日期中某次药物服用对应的服用时间点不处于其计划药物服用对应的服用时间段，则判定指定病患在该住院日期内该次药物服用的时间点记为差异服用时间，由此统计得到累计差异服用时间次数。
步骤1-4、对指定病患在各住院日期内各次药物服用对应的服用时间点进行分析，得到指定病患对应的服药时间稳定度，记为W。
需要说明的是，指定病患对应的服药时间稳定度具体分析过程为：将指定病患在第一个住院日期内各次药物服用对应的服用时间点作为各参考药物服用时间点。
将指定病患在其他各住院日期内各次药物服用对应的服用时间点与其各参考药物服用时间点进行对应对比，得到指定病患在其他各住院日期内各次药物服用对应服用偏差时长，并将其进行均值计算，得到指定病患对应的平均服用药物偏差时长，记为
Figure BDA0004030509540000131
从指定病患在其他各住院日期内各次药物服用对应服用偏差时长中提取最高服用偏差时长和最低服用偏差时长，分别记为Tmax和Tmin。
依据分析公式
Figure BDA0004030509540000141
分析得到指定病患对应的服药时间稳定度，a5、a6分别表示设定的最高偏差时长、最低偏差时长对应的稳定评估占比权重，ΔT1、ΔT2分别表示为设定的参照最高时长偏差、参照最低时长偏差，M3′为设定的许可差异服用时间次数。
步骤1-5、基于分析公式
Figure BDA0004030509540000142
分析得到指定病患对应的药物服用精确指数β1，a1、a2、a3分别表示为设定的差异日期数目、差异服用剂量次数、差异服用时间次数对应的药物服用精确评估占比权重，p表示住院日期数目，Ct表示指定病患在第t个住院日期内对应的药物服用次数，t表示住院日期编号，t＝1,2,......p，k0、k1、k2分别表示为设定的许可差异日期比、许可差异剂量次数比、许可差异时间比，σ为设定的药物服用评估修正因子。/>
步骤2、从指定病患对应的作息信息中提取各住院日期内对应的睡眠时间段、醒动次数和最长连续睡眠时长，解析得到指定病患对应的作息精确指数，记为β2。
可理解地，解析得到指定病患对应的作息精确指数，具体解析过程包括以下步骤：步骤2-1、从指定病患各住院日期内对应的睡眠时间段中提取起始睡眠时间点和结束睡眠时间点，分析得到指定病患对应的睡眠时间均衡度，并记为δ。
需要说明的是，分析得到指定病患对应的睡眠时间均衡度具体分析过程包括以下步骤：将指定病患在各住院日期内对应的起始睡眠时间点分别进行对比，得到指定病患在各住院日期之间的起始睡眠偏差时长，并进行均值计算，得到平均起始睡眠偏差时长，记为
Figure BDA0004030509540000151
将指定病患在各住院日期内对应的的结束睡眠时间点分别进行对比，得到指定病患在各住院日期之间的结束睡眠偏差时长，并通过均值计算得到平均结束睡眠偏差时长，记为
Figure BDA0004030509540000152
依据分析公式
Figure BDA0004030509540000153
分析得到指定病患对应的睡眠时间均衡度δ，q1、q2分别表示为设定的起始偏差时长差、结束偏差时长差对应的评估占比权重因子，L1′、L2′分别表示为设定的参考起始睡眠偏差时长、参考结束睡眠偏差时长，e表示自然常数。
步骤2-2、将指定病患在各住院日期内对应的睡眠时间段与设定的病患标准睡眠时间段进行对比，得到指定病患在各住院日期内对应的标准重合时间长，记为Lt。
步骤2-3、基于指定病患在各住院日期内对应的睡眠时间段，得到指定病患在各住院日期内对应的睡眠时长，记为T睡 t，基于病患标准睡眠时间段，得到病患标准睡眠时长，记为L0。
步骤2-4、将指定病患在各住院日期内对应的醒动次数和最长连续睡眠时长分别记为Dt和T连 t，依据分析公式
Figure BDA0004030509540000161
分析得到指定病患对应的作息精确指数β2，b1、b2、b3、b4分别表示为设定的重合长度、睡眠时长、醒动次数、最长连续睡眠时长对应的作息精确评估占比权重，T′、D′、T″分别表示为设定的病患参考最低睡眠时长、参考醒动次数、参考最低连续睡眠时长，ω为设定的作息评估修正因子。
步骤3、从指定病患对应的运动信息中提取运动次数、各次运动对应的所处日期、各次运动对应的运动时长，解析得到指定病患对应的运动精确指数，记为β3。
可理解地，解析得到指定病患对应的运动精确指数，具体解析过包括以下步骤:步骤3-1、从指定病患对应的初步治疗方案中提取计划起始运动日期，同时从指定病患各次运动对应的所处日期中提取首次运动所处日期，由此设定起始运动干扰权重因子，记为μ。
需要说明的是，设定起始运动干扰权重因子的具体设定过程为：将指定病患首次运动所处日期与其计划起始运动日期进行对比，若指定病患首次运动所处日期与其计划起始运动日期不为同一日期，且在其计划起始运动日期之前，则将起始运动干扰权重因子记为τ0。
若指定病患首次运动所处日期与其计划起始运动日期不为同一日期，且在其计划起始运动日期之后，则将起始运动干扰权重因子记为τ1。
若指定病患首次运动所处日期与其计划起始运动日期为同一日期，则将起始运动干扰权重因子记为τ2，由此得到指定病患对应的起始运动干扰权重因子μ，μ取值为τ0或者τ1或者τ2，其中τ0>τ1>τ2,并且在一个具体实施例中，τ0取值可以为1，τ1取值可以为0.6，τ2取值可以为0。
步骤3-2、从指定病患对应的初步治疗方案中提取计划运动次数、计划运动频率和计划运动时长，分别记为Y、f和T动。
需要说明的是，指定病患的实际运动频率的计算过程为：基于指定病患各次运动对应的所处日期，得到指定病患首次运动和末次运动对应的间隔时长，通过频率公式
Figure BDA0004030509540000171
分析得到指定病患的实际运动频率。
步骤3-3、将指定病患的运动次数记为Y0，基于指定病患的运动次数和各次运动对应的所处日期，计算得到指定病患的实际运动频率，记为f实。
步骤3-4、从指定病患各次运动对应的运动时长中提取最高运动时长和最低运动时长，分别记为(T动)max和(T动)min，同时通过均值计算得到指定病患的平均运动时长，记为
Figure BDA0004030509540000172
步骤3-5、依据分析公式
Figure BDA0004030509540000181
分析得到指定病患对应的运动精确指数β3，d1、d2、d3、d4分别表示为设定的运动次数、频率、时长、时长极限差对应的运动精确评估占比权重，f0、T0分别表示为设定的补偿频率、补偿运动时长。
步骤4、提取指定病患对应的年龄和病症累计发作时长，设定恢复效果干扰因子，由此将指定病患对应的恢复效果干扰因子记为η。
可理解地，设定恢复效果干扰因子，具体设定过程包括以下步骤：将指定病患对应的年龄和病症累计发作时长分别记为N和T发。
依据分析公式
Figure BDA0004030509540000182
分析得到指定病患对应的恢复效果干扰因子η，u1、u2分别表示为设定的年龄、病症发作时长对应的恢复效果评估占比权重，N′、T′发设定的常规恢复效果下的参照病患年龄、参照病症发作时长，ψ为设定的恢复干扰评估补偿因子。
步骤5、从指定病患在各次MRI影像检查对应的检查影像数据中分别提取病灶区域轮廓、T1WI影像中的信号值和T2W2影像中的信号值，解析得到指定病患对应的恢复达标指数，记为λ。
可理解地，解析得到指定病患对应的恢复达标指数，具体获取过程包括以下步骤：步骤5-1、基于指定病患对应的病灶位置，从病理信息库中定位出指定病患对应病灶位置在MRI影像中的常规轮廓，同时从病理信息库中定位出指定病患对应病灶位置在T1WI影像中的常规信号值和T2W2影像中的常规信号值，分别记为w1′和w2′。
步骤5-2、基于指定病患在各次MRI影像检查对应的病灶区域轮廓和其对应病灶位置在MRI影像中的常规轮廓，得到各次MRI影像检查对应的形态符合度，记为Fj，j表示第j次MRI影像检查，j＝1,2,......m。
需要说明的是，各次MRI影像检查对应的形态符合度的具体获取过程包括以下步骤：将指定病患在各次MRI影像检查对应的病灶区域轮廓和其对应病灶位置在MRI影像中的常规轮廓进行重叠对比，得到指定病患在各次MRI影像检查对应病灶区域轮廓重合面积，记为S重 j；
依据分析公式
Figure BDA0004030509540000191
分析得到各次MRI影像检查对应的形态符合度，/>
Figure BDA0004030509540000193
表示为设定的第j次MRI影像检查对应的预计病灶区域轮廓重合面积，ΔS重 j为设定的第j次MRI影像检查对应许可病灶区域轮廓重合面积偏差。
步骤5-3、从指定病患在各次MRI影像检查对应的检查影像数据中分别T1WI影像中的信号值和T2W2影像中的信号值，分别记为(w1)j和(w2)j。
步骤5-4、依据分析公式
Figure BDA0004030509540000192
分析得到指定病患对应的恢复达标指数λ，z1、z2、z3分别表示为设定的T1WI影像信号值、T2W2影像信号值、形态符合度对应的恢复达标评估占比权重因子，F0表示为设定的参照形态符合度。
本发明实施例在对MRI影像进行分析，通过与病患的治疗信息、作息信息以及运动信息进行协同分析，实现了MRI影像检查的多方位和深度化分析，不仅丰富了MRI影像检查分析依据，还有效提高MRI影像分析结果的可靠性和精准性，同时还实现了病患的规范性和针对性管理，为病患的后续治疗提供了可靠的参考方向。
步骤6、基于指定病患对应的药物服用精确指数β1、作息精确指数β2、运动精确指数β3、恢复效果干扰因子η和恢复达标指数λ，得到指定病患对应的恢复效果评估指数，并记为HX。
进一步地，指定病患对应的恢复效果评估指数具体计算过程包括：将指定病患对应的药物服用精确指数β1、作息精确指数β2、运动精确指数β3导入公式
Figure BDA0004030509540000201
中，得到指定病患对应治疗干扰因子/>
Figure BDA0004030509540000202
y1、y2、y3分别表示为药物服用、作息、运动对应的治疗干扰评估占比权重，β1′、β2′、β3′分别为设定的参考药物服用精确指数、参考作息精确指数、参考运动精确指数。
依据分析公式
Figure BDA0004030509540000203
分析得到指定病患对应的恢复效果评估指数HX，ξ为设定的效果评估补偿因子。
所述病理信息库，用于存储各身体部位在MRI影像中的常规轮廓，并存储各身体部位在T1WI影像中的常规信号值和各身体部位在T2W2影像中的常规信号值。
所述治疗方案修正评定模块，用于基于指定病患对应的恢复效果评估指数，进行治疗方案修正评定，其具体评定过程为：将指定病患对应的恢复效果评估指数与设定的参照恢复效果评估指数进行作差，得到指定病患对应的恢复效果评估指数差，并将指定病患对应的恢复效果评估指数差与设定的许可恢复效果评估指数差进行对比，若指定病患对应的恢复效果评估指数差大于许可恢复效果评估指数差，则判定指定病患需要进行治疗方案修正，且修正方向为恢复超前方向。
若指定病患对应的恢复效果评估指数差等于许可恢复效果评估指数差，则判定指定病患不需要进行治疗方案修正。
若指定病患对应的恢复效果评估指数差小于许可恢复效果评估指数差，则判定指定病患需要进行治疗方案修正，且修正方向为恢复缓慢方向。
所述治疗修正信息反馈终端，用于将指定病患对应的治疗方案修正评定结果反馈至指定病患对应的主治医生。
本发明实施例通过根据指定病患对应的MRI影像检查数据、住院病例信息和指定病患的基础信息这个三个维度进行恢复效果解析，一方面有效解决当前技术没有根据MRI影像的内容进行分析与管理的问题，打破了当前技术存在的局限性，并且还为医生的后续诊断提供了有效辅助，提高了医生的诊断速率和诊断简便性；另一方面效降低了当前人工分析方式中存在的误差性，同时当病患较多且部分病患病情发生改变时，能够及时提醒医生进行治疗方案更改，大幅度降低了治疗方案更改不及时情况的发生概率，保障医生对病患病情更改的觉察力和更改的及时性。
以上内容仅仅是对本发明的构思所作的举例和说明，所属本技术领域的技术人员对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，只要不偏离发明的构思或者超越本权利要求书所定义的范围，均应属于本发明的保护范围。

Claims (10)

1.一种基于人工智能的MRI影像检查智能分析管理系统，其特征在于：该系统包括：
病患基础信息提取模块，用于提取指定病患对应的基础信息，其具体包括入院日期、年龄、病灶位置、病症累计发作时长、主治医生和初步治疗方案；
住院病历信息采集模块，用于从医院住院科室管理后台提取指定病患对应的住院病历信息，其中，住院病历信息包括治疗信息、作息信息以及运动信息；
MRI检查影像提取模块，用于统计指定病患进行MRI影像检查的次数，并提取指定病患在各次MRI影像检查对应的检查影像数据；
病患疗效解析模块，用于基于指定病患在各次MRI影像检查对应的检查影像数据、指定病患对应的住院病历信息和指定病患对应的基础信息，解析得到指定病患对应的恢复效果评估指数；
病理信息库，用于存储各身体部位在MRI影像中的常规轮廓，并存储各身体部位在T1WI影像中的常规信号值和各身体部位在T2W2影像中的常规信号值；
治疗方案修正评定模块，用于基于指定病患对应的恢复效果评估指数，进行治疗方案修正评定；
治疗修正信息反馈终端，用于将指定病患对应的治疗方案修正评定结果反馈至指定病患对应的主治医生。
2.根据权利要求1所述的一种基于人工智能的MRI影像检查智能分析管理系统，其特征在于：所述初步治疗方案包括计划治疗天数、计划起始运动日期、计划治疗药物信息和计划运动信息；
其中，计划治疗药物信息包括各计划治疗日期内对应的计划药物服用次数、各计划治疗日期内各次计划药物服用对应的服用剂量和各计划治疗日期内各次计划药物服用对应的服用时间段；
其中，计划运动信息包括计划运动次数、计划运动频率和计划运动时长。
3.根据权利要求1所述的一种基于人工智能的MRI影像检查智能分析管理系统，其特征在于：所述解析得到指定病患对应的恢复效果评估指数，具体解析过程包括:
从指定病患在对应的治疗信息中提取各住院日期内对应的药物服用次数、各次药物服用对应的服用剂量以及各次药物服用对应的服用时间点，解析得到指定病患对应的药物服用精确指数，记为β1；
从指定病患对应的作息信息中提取各住院日期内对应的睡眠时间段、醒动次数和最长连续睡眠时长，解析得到指定病患对应的作息精确指数，记为β2；
从指定病患对应的运动信息中提取运动次数、各次运动对应的所处日期、各次运动对应的运动时长，解析得到指定病患对应的运动精确指数，记为β3；
提取指定病患对应的年龄和病症累计发作时长，设定恢复效果干扰因子，由此将指定病患对应的恢复效果干扰因子记为η；
从指定病患在各次MRI影像检查对应的检查影像数据中分别提取病灶区域轮廓、T1WI影像中的信号值和T2W2影像中的信号值，解析得到指定病患对应的恢复达标指数，记为λ；
基于指定病患对应的药物服用精确指数β1、作息精确指数β2、运动精确指数β3、恢复效果干扰因子η和恢复达标指数λ，得到指定病患对应的恢复效果评估指数，并记为HX。
4.根据权利要求3所述的一种基于人工智能的MRI影像检查智能分析管理系统，其特征在于：所述指定病患对应的恢复效果评估指数具体计算过程包括：
将指定病患对应的药物服用精确指数β1、作息精确指数β2、运动精确指数β3导入公式
Figure FDA0004030509530000031
中，得到指定病患对应治疗干扰因子/>
Figure FDA0004030509530000032
y1、y2、y3分别表示为药物服用、作息、运动对应的治疗干扰评估占比权重，β1′、β2′、β3′分别为设定的参考药物服用精确指数、参考作息精确指数、参考运动精确指数；
依据分析公式
Figure FDA0004030509530000033
分析得到指定病患对应的恢复效果评估指数HX，e表示自然常数，ξ为设定的效果评估补偿因子。
5.根据权利要求3所述的一种基于人工智能的MRI影像检查智能分析管理系统，其特征在于：所述解析得到指定病患对应的药物服用精确指数，具体解析过程包括：
从指定病患对应的初步治疗方案中提取各计划治疗日期内对应的计划药物服用次数、各计划治疗日期内各次计划药物服用对应的服用剂量和各计划治疗日期内各次计划药物服用对应的服用时间段；
将指定病患对应的各住院日期与其各计划治疗日期进行对比，设定指定病患对应各住院日期内的参照药物信息；
将指定病患在各住院日期内对应的药物服用次数、各次药物服用对应的服用剂量以及各次药物服用对应的时间点记为实际药物信息，并将指定病患在各住院日期内对应的实际药物信息与其参照药物信息进行对比，统计差异日期数目、累计差异服用剂量次数、累计差异服用时间次数，分别记为M0、M1、M2；
对指定病患在各住院日期内各次药物服用对应的服用时间点进行分析，得到指定病患对应的服药时间稳定度，记为W；
基于分析公式
Figure FDA0004030509530000041
分析得到指定病患对应的药物服用精确指数β1，a1、a2、a3分别表示为设定的差异日期数目、差异服用剂量次数、差异服用时间次数对应的药物服用精确评估占比权重，p表示住院日期数目，Ct表示指定病患在第t个住院日期内对应的药物服用次数，t表示住院日期编号，t＝1,2,......p，k0、k1、k2分别表示为设定的许可差异日期比、许可差异剂量次数比、许可差异时间比，σ为设定的药物服用评估修正因子。
6.根据权利要求5所述的一种基于人工智能的MRI影像检查智能分析管理系统，其特征在于：所述解析得到指定病患对应的作息精确指数，具体解析过程包括以下步骤：
从指定病患各住院日期内对应的睡眠时间段中提取起始睡眠时间点和结束睡眠时间点，分析得到指定病患对应的睡眠时间均衡度，并记为δ；
将指定病患在各住院日期内对应的睡眠时间段与设定的病患标准睡眠时间段进行对比，得到指定病患在各住院日期内对应的标准重合时间长，记为Lt；
基于指定病患在各住院日期内对应的睡眠时间段，得到指定病患在各住院日期内对应的睡眠时长，记为T睡 t，基于病患标准睡眠时间段，得到病患标准睡眠时长，记为L0；
将指定病患在各住院日期内对应的醒动次数和最长连续睡眠时长分别记为Dt和T连 t，依据分析公式
Figure FDA0004030509530000051
分析得到指定病患对应的作息精确指数β2，b1、b2、b3、b4分别表示为设定的重合长度、睡眠时长、醒动次数、最长连续睡眠时长对应的作息精确评估占比权重，T′、D′、T″分别表示为设定的病患参考最低睡眠时长、参考醒动次数、参考最低连续睡眠时长，ω为设定的作息评估修正因子。
7.根据权利要求4所述的一种基于人工智能的MRI影像检查智能分析管理系统，其特征在于：所述解析得到指定病患对应的运动精确指数，具体解析过包括以下步骤:
从指定病患对应的初步治疗方案中提取计划起始运动日期，同时从指定病患各次运动对应的所处日期中提取首次运动所处日期，由此设定起始运动干扰权重因子，记为μ；
从指定病患对应的初步治疗方案中提取计划运动次数、计划运动频率和计划运动时长，分别记为Y、f和T动；
将指定病患的运动次数记为Y0，基于指定病患的运动次数和各次运动对应的所处日期，计算得到指定病患的实际运动频率，记为f实；
从指定病患各次运动对应的运动时长中提取最高运动时长和最低运动时长，分别记为(T动)max和(T动)min，同时通过均值计算得到指定病患的平均运动时长，记为
Figure FDA0004030509530000061
依据分析公式
Figure FDA0004030509530000062
分析得到指定病患对应的运动精确指数β3，d1、d2、d3、d4分别表示为设定的运动次数、频率、时长、时长极限差对应的运动精确评估占比权重，f0、T0分别表示为设定的补偿频率、补偿运动时长。
8.根据权利要求3所述的一种基于人工智能的MRI影像检查智能分析管理系统，其特征在于：所述设定恢复效果干扰因子，具体设定过程包括以下步骤：
将指定病患对应的年龄和病症累计发作时长分别记为N和T发；
依据分析公式
Figure FDA0004030509530000063
分析得到指定病患对应的恢复效果干扰因子η，u1、u2分别表示为设定的年龄、病症发作时长对应的恢复效果评估占比权重，N′、T′发设定的常规恢复效果下的参照病患年龄、参照病症发作时长，ψ为设定的恢复干扰评估补偿因子。/>
9.根据权利要求4所述的一种基于人工智能的MRI影像检查智能分析管理系统，其特征在于：所述解析得到指定病患对应的恢复达标指数，具体获取过程包括以下步骤：
基于指定病患对应的病灶位置，从病理信息库中定位出指定病患对应病灶位置在MRI影像中的常规轮廓，同时从病理信息库中定位出指定病患对应病灶位置在T1WI影像中的常规信号值和T2W2影像中的常规信号值，分别记为w1′和w2′；
基于指定病患在各次MRI影像检查对应的病灶区域轮廓和其对应病灶位置在MRI影像中的常规轮廓，得到各次MRI影像检查对应的形态符合度，记为Fj，j表示第j次MRI影像检查，j＝1,2,......m；
从指定病患在各次MRI影像检查对应的检查影像数据中分别T1WI影像中的信号值和T2W2影像中的信号值，分别记为(w1)j和(w2)j；
依据分析公式
Figure FDA0004030509530000071
分析得到指定病患对应的恢复达标指数λ，z1、z2、z3分别表示为设定的T1WI影像信号值、T2W2影像信号值、形态符合度对应的恢复达标评估占比权重因子，F0表示为设定的参照形态符合度。
10.根据权利要求1所述的一种基于人工智能的MRI影像检查智能分析管理系统，其特征在于：所述进行治疗方案修正评定,具体评定过程为：
将指定病患对应的恢复效果评估指数与设定的参照恢复效果评估指数进行作差，得到指定病患对应的恢复效果评估指数差，并将指定病患对应的恢复效果评估指数差与设定的许可恢复效果评估指数差进行对比，若指定病患对应的恢复效果评估指数差大于许可恢复效果评估指数差，则判定指定病患需要进行治疗方案修正，且修正方向为恢复超前方向；
若指定病患对应的恢复效果评估指数差等于许可恢复效果评估指数差，则判定指定病患不需要进行治疗方案修正；
若指定病患对应的恢复效果评估指数差小于许可恢复效果评估指数差，则判定指定病患需要进行治疗方案修正，且修正方向为恢复缓慢方向。
CN202211723715.0A 2022-12-30 2022-12-30 一种基于人工智能的mri影像检查智能分析管理系统 Active CN116246768B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211723715.0A CN116246768B (zh) 2022-12-30 2022-12-30 一种基于人工智能的mri影像检查智能分析管理系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211723715.0A CN116246768B (zh) 2022-12-30 2022-12-30 一种基于人工智能的mri影像检查智能分析管理系统

Publications (2)

Publication Number Publication Date
CN116246768A true CN116246768A (zh) 2023-06-09
CN116246768B CN116246768B (zh) 2023-09-22

Family

ID=86630560

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211723715.0A Active CN116246768B (zh) 2022-12-30 2022-12-30 一种基于人工智能的mri影像检查智能分析管理系统

Country Status (1)

Country Link
CN (1) CN116246768B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116612891A (zh) * 2023-07-14 2023-08-18 营动智能技术(山东)有限公司 一种慢性病患者数据处理系统
CN117809857A (zh) * 2024-02-29 2024-04-02 广州市品众电子科技有限公司 一种基于人工智能的vr设备运行数据分析方法
CN117809857B (zh) * 2024-02-29 2024-06-07 广州市品众电子科技有限公司 一种基于人工智能的vr设备运行数据分析方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190221310A1 (en) * 2018-01-16 2019-07-18 James Stewart Bates System and method for automated diagnosis and treatment
CN112951406A (zh) * 2021-01-27 2021-06-11 安徽理工大学 一种基于ct影像组学的肺癌预后辅助评估方法及系统
CN115083607A (zh) * 2022-07-07 2022-09-20 武汉一格美容咨询有限公司 一种人体健康指标状况监测分析方法、系统及存储介质
CN115185936A (zh) * 2022-07-12 2022-10-14 曜立科技(北京)有限公司 一种基于大数据的医疗临床数据质量分析系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190221310A1 (en) * 2018-01-16 2019-07-18 James Stewart Bates System and method for automated diagnosis and treatment
CN112951406A (zh) * 2021-01-27 2021-06-11 安徽理工大学 一种基于ct影像组学的肺癌预后辅助评估方法及系统
CN115083607A (zh) * 2022-07-07 2022-09-20 武汉一格美容咨询有限公司 一种人体健康指标状况监测分析方法、系统及存储介质
CN115185936A (zh) * 2022-07-12 2022-10-14 曜立科技(北京)有限公司 一种基于大数据的医疗临床数据质量分析系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
李广俊: "MRI在原发性肝癌介入 治疗指导、肝储备功能 评估及预后诊断中的应用观察", 《中国CT和MRI杂志》, pages 107 - 110 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116612891A (zh) * 2023-07-14 2023-08-18 营动智能技术(山东)有限公司 一种慢性病患者数据处理系统
CN116612891B (zh) * 2023-07-14 2023-09-29 营动智能技术(山东)有限公司 一种慢性病患者数据处理系统
CN117809857A (zh) * 2024-02-29 2024-04-02 广州市品众电子科技有限公司 一种基于人工智能的vr设备运行数据分析方法
CN117809857B (zh) * 2024-02-29 2024-06-07 广州市品众电子科技有限公司 一种基于人工智能的vr设备运行数据分析方法

Also Published As

Publication number Publication date
CN116246768B (zh) 2023-09-22

Similar Documents

Publication Publication Date Title
US20200211706A1 (en) Intelligent traditional chinese medicine diagnosis method, system and traditional chinese medicine system
US10791978B2 (en) Classifying individuals using finite mixture markov modelling and test trials with accounting for item position
US20180260706A1 (en) Systems and methods of identity analysis of electrocardiograms
EP3783619A1 (en) Human body health assessment method and system based on sleep big data
CN111951965B (zh) 基于时序知识图谱的全景式健康动态监测与预测系统
CN114220514B (zh) 互联网医院病人诊疗数据分析处理方法、设备及存储介质
WO2021073255A1 (zh) 基于时序聚类的用药提醒方法及相关设备
CN116246768B (zh) 一种基于人工智能的mri影像检查智能分析管理系统
WO2021151302A1 (zh) 基于机器学习的药品质控分析方法、装置、设备及介质
CN115862819B (zh) 一种基于图像处理的医学图像管理方法
Tang et al. Deep adaptation network for subject-specific sleep stage classification based on a single-lead ECG
Pham et al. Respiratory artefact removal in forced oscillation measurements: A machine learning approach
CN117542474A (zh) 基于大数据的远程护理监测系统及方法
CN108766573A (zh) 一种医患症状评估系统
CN116469148A (zh) 一种基于面部结构识别的概率预测系统及预测方法
CN116561704A (zh) 一种基于多模态融合的可信联邦建模方法
Usman et al. The diabetic buddy: a diet regulator and tracking system for diabetics
WO2023226369A1 (zh) 预测机械通气脱机的方法、装置、设备及存储介质
CN110415778B (zh) 一种基于云数据的个人健康数据管理方法及系统
Syafaah et al. Self-Monitoring and Detection of Diabetes with Smart Toilet based on Image Processing and K-Means Technique
CN109480842B (zh) 用于诊断功能性消化不良的系统及设备
CN115312200A (zh) 生理生化指标的预测及预测模型的构建方法、系统
Lei et al. Intelligent generation technology of sub-health diagnosis case based on case reasoning
CN117831731B (zh) 基于人工智能的医院线上智能推进系统
CN117238439B (zh) 一种健康用药智能管理系统及方法

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