CN116246776B - 一种辅助脑卒中诊断决策的方法及系统 - Google Patents

Abstract

本发明公开了一种辅助脑卒中诊断决策的方法及系统，涉及健康管理技术领域，解决了现有技术难以全面掌握与患者相关联的脑卒中影响因素，影响诊断决策准确性的技术问题；本发明持续采集或监测患者的关联因素数据；根据关联因素数据中各影响因素随时间的变化状态建立并更新因素波动图，关联因素波动图和患者电子档案；本发明通过多种途径持续获取与脑卒中存在关联的数据，为脑卒中的诊断决策提供准确完整的数据，提高决策可靠性；本发明获取辅助决策信号，根据辅助决策信号从因素波动图中筛选提取目标数据；将目标数据与决策辅助模型结合生成辅助决策信号；本发明通过挖掘因素波动图获取目标数据，并以目标数据为基础提供决策建议，提高了决策效率。

Description

一种辅助脑卒中诊断决策的方法及系统

技术领域

本发明属于健康管理领域，涉及脑卒中的辅助识别和决策技术，具体是一种辅助脑卒中诊断决策的方法及系统。

背景技术

脑卒中是一种急性脑血管疾病，由于脑部血管突然破裂或者因血管阻塞导致血液不能流入大脑而引起脑组织损伤的一组疾病。因为缺乏有效的治疗手段，所以普遍认为预防是应对脑卒中的最有效方式。

脑卒中的发生时间不固定，其影响因素也包括可干预影响因素和不可干预影响因素。可干预影响因素包括高血压、心脏病、糖尿病、吸烟酗酒等，不可干预影响因素包括年龄、性别和家族遗传病等。目前在进行脑卒中诊断决策时，一般是通过问询以及相关检查数据作为诊断决策的数据基础，而无论是问询还是临时检查均难以全面了解与患者相关联的脑卒中影响因素，影响诊断决策的准确性；因此，亟须一种辅助脑卒中诊断决策的方法及系统。

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，本发明提出了一种辅助脑卒中诊断决策的方法及系统，用于解决现有技术难以全面掌握与患者相关联的脑卒中影响因素，影响诊断决策准确性的技术问题。

为实现上述目的，本发明的第一方面提供了一种辅助脑卒中诊断决策的系统，包括中枢处理模块，以及与之相连接的数据交互模块和辅助决策模块；中枢处理模块通过数据交互模块获取患者基础信息，解析患者基础信息并与标准参考数据进行比较，建立患者电子档案；以及通过数据交互模块持续采集或监测患者的关联因素数据；根据关联因素数据中各影响因素随时间的变化状态建立并更新因素波动图，关联因素波动图和患者电子档案；辅助决策模块获取辅助决策信号，根据辅助决策信号从因素波动图中筛选提取目标数据；将目标数据与决策辅助模型结合生成辅助决策信号。

本发明主要针对脑卒中的预防进行数据处理，不涉及脑卒中的诊断方法或者治疗方法。脑卒中的预防需要建立在对患者的各项身体特征以及生活习惯均明确知晓的情况下。医生可通过医疗设备及时检查获取患者的各项身体特征，如血糖、血脂、高血压等与脑卒中密切关联的病症，还可以通过问询的方式通过患者或者患者家属来获取患者的生活习惯。但是，通过医疗设备检查存在一定局限性，不能排除患者在检查之前的某种行为对检查结果的影响，而且也通过单次检查结果来判定脑卒中概率也是不严谨的；问询方式则可能会受到隐私因素影响难以得到准确结果。这样得到的基础数据不准确，也难以保证脑卒中预防诊断的准确性。

本发明的主要目的是为脑卒中预防过程中提供完整可靠的基础数据，该基础数据主要包括两个方面：一是与脑卒中发病相关的各种生活习惯，也就是前文所说的不可干预因素；二是与脑卒中发病相关的各种病症，即前文所说的可干预因素。在日常生活中，吸烟酗酒、不良饮食习惯或者肥胖等均会增加脑卒中发病概率，但这些数据很多无法通过医疗设备直接检查出来，即使检查出来也不是连续数据。各种病症的检查结果会受到各种因素影响，如患者在吃饭后检查血糖，血糖会明显升高，则这些数据的准确性无法保证，当然也无法做出基础数据来预防脑卒中。

本发明中的所述中枢处理模块分别与数据交互模块和辅助决策模块通信和/或电气连接；所述辅助决策模块与智能终端通信和/或电气连接；所述数据交互模块与各数据库或者智能监测设备通信和/或电气连接。中枢处理模块主要负责数据处理，可通过云技术搭建；数据交互模块负责数据的采集和预处理，可与医院的数据库和智能监测设备进行数据交互。辅助决策模块与智能手机、电脑等智能终端进行数据交互，根据要求提供与脑卒中相关的数据，必要时可根据数据提供一些决策建议。

本发明中的数据库是指各医疗机构或者医院的数据库，里面存储着患者的检查数据。为了提高数据整合效率和提高数据连续性，在经过患者和对应数据建库所有者的授权下，可直接数据库中提取患者的数据。而生活习惯这些无法从数据库中提取，则通过智能监测设备来获取，如血压计、血糖仪等来获取患者的各项身体指标，摄像头可以持续监测患者的行为。

优选的，所述解析患者基础信息并与标准参考数据进行比较，建立患者电子档案，包括：解析患者基础信息获取患者的年龄和遗传病史，同时提取标准参考数据；当患者的年龄处于年龄范围之内，且在遗传病范围内匹配到患者遗传病史中的任一遗传病时，则基于患者标识建立患者电子档案。

本发明需要先建立获取患者电子档案，后续在获取数据时与患者电子档案进行关联即可。在建立患者电子档案之前，需要根据患者基础信息进行初步筛选，主要是根据患者年龄、性别、遗传病史等来判断是否存在脑卒中概率的可能，其判断依据是标准参考数据。当患者的年龄和遗传病史均有可能导致脑卒中发生时，则基于姓名、身份证号或者生物特征生成患者标识，进而建立患者电子档案。

本发明中的标准参考数据是分析若干患者数据得到的，如男性脑卒中一般发生在多少岁，男性存在某遗传病史容易发生脑卒中。本发明中的患者标识根据姓名、身份证号或者生物特征中的一个或者多个生成，具体可通过哈希算法获取哈希值作为患者标识。

优选的，所述通过数据交互模块持续采集或监测患者的关联因素数据，包括：在经过授权的情况下，数据交互模块基于患者标识从数据库患者的影响因素数据，以及通过智能监测设备监测获取患者的影响因素数据；对两种情况获取的影响因素数据进行归类整理，生成关联因素数据。

本发明在患者电子档案建立之后，通过两种途径同时来获取影响因素数据。一方面在数据库中根据患者标识来检索提取影响因素数据，如患者在医院中进行血液检查时记录下来的血糖和血脂等；另一方面通过智能监测设备来获取患者的高血压、血糖等数据，然后直接上传给数据交互模块。

本发明的数据交互模块对两种途径获取的数据进行归类，即将同一种影响因素对应的数据归为一类，再按照采集时刻对该类数据进行排序，这样就可以获取关联因素数据。

两种情况下获取的影响因素数据存在部分数据属性相同，如数据库中会获取患者的血糖数据，患者在家通过血糖仪也测量获取了血糖数据，通过各自方式上传至数据交互模块，数据交互模块需要对血糖这种影响因素对应的数据进行归来处理，保证数据的可靠性和连续性。

优选的，所述根据关联因素数据中各影响因素随时间的变化状态建立并更新因素波动图，关联因素波动图和患者电子档案，包括：将关联因素数据中的影响因素标记为i；从关联因素数据中提取影响因素i对应的原始数据，将原始数据与标准数据范围进行比较，根据比较结果获取影响因素i对应的影响数据组YZi；在采集时刻和影响因素i的基础上排列影响数据组YZi，生成因素波动图。

本发明对关联因素数据中的各影响因素进行标记，提取影响因素对应的所有原始数据，这些原始数据存在时间先后顺序，但是并不一定是连续的。将这些原始数据分别与标准数据范围(也就是该影响因素的正常数值范围)进行比较，即可得到若干个比较结果，将这些比较结果简化生成影响数据组。

每个影响因素均对应一个影响数据组，而且影响数据组会随着新的关联因素数据的获取而不断扩充。将所有影响因素的影响数据组按照采集时刻严格对齐，则生成了因素波动图。因素波动图实际表示各影响因素在若干采集时刻是否异常以及持续时长。

优选的，所述辅助决策模块获取辅助决策信号，根据辅助决策信号从因素波动图中筛选提取目标数据，包括：确定辅助决策信号的生成时间；根据生成时间对因素波动图中的各影响数据组进行截取，对截取结果进行筛选整合生成目标数据。

本发明在需要进行辅助决策时，确定辅助决策信号的生成时间，以该生成时间为界限从因素波动图中截取之前的若干影响因素的影响数据组，筛选截图结果并整合成目标数据。目标数据包括各影响因素的异常状态，可以多种形式来对目标数据进行筛选，如统计所截取的影响数据组中各异常状态所占的比例。

优选的，所述将目标数据与决策辅助模型结合生成辅助决策信号，包括：通过标准训练数据训练人工智能模型获取辅助决策模型；将目标数据输入至辅助决策模型，根据输出结果生成辅助决策信号。

本发明中标准训练数据包括与目标数据内容属性一致的标准输入数据，以及表示标准输入数据与发生脑卒中相关性的标准输出数据，标准输出数据可以理解为标准输入数据情况下患者发生脑卒中的可能性，标准输入数据可通过专家打分方式设定获取。

人工智能模型包括BP神经网络模型或者RBF神经网络模型等，以标准输入数据为输入，以标准输出数据为输出对人工智能模型进行训练，将训练完成的人工智能模型标记为辅助决策模型。

优选的，所述中枢处理模块分别与数据交互模块和辅助决策模块通信和/或电气连接；所述辅助决策模块与智能终端通信和/或电气连接；所述数据交互模块与各数据库或者智能监测设备通信和/或电气连接；其中，数据库在经过授权后与数据交互模块进行数据交互，智能监测设备包括血压计、血糖仪或者摄像头。

本发明的第二方面提供了一种辅助脑卒中诊断决策的方法，包括：获取患者基础信息，解析患者基础信息并与标准参考数据进行比较，建立患者电子档案；持续采集或监测患者的关联因素数据；根据关联因素数据中各影响因素随时间的变化状态建立并更新因素波动图，关联因素波动图和患者电子档案；根据辅助决策信号从因素波动图中筛选提取目标数据；将目标数据与决策辅助模型结合生成辅助决策信号。

与现有技术相比，本发明的有益效果是：

1.本发明解析患者基础信息并与标准参考数据进行比较，建立患者电子档案；持续采集或监测患者的关联因素数据；根据关联因素数据中各影响因素随时间的变化状态建立并更新因素波动图，关联因素波动图和患者电子档案；本发明通过多种途径持续获取与脑卒中存在关联的数据，为脑卒中的诊断决策提供准确完整的数据，提高决策的可靠性。

2.本发明获取辅助决策信号，根据辅助决策信号从因素波动图中筛选提取目标数据；将目标数据与决策辅助模型结合生成辅助决策信号；本发明通过挖掘因素波动图获取目标数据，并以目标数据为基础提供决策建议，提高了决策效率。

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；

图3为本发明的因素波动图。

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一种辅助脑卒中诊断决策的系统，包括中枢处理模块，以及与之相连接的数据交互模块和辅助决策模块；中枢处理模块通过数据交互模块获取患者基础信息，解析患者基础信息并与标准参考数据进行比较，建立患者电子档案；以及通过数据交互模块持续采集或监测患者的关联因素数据；根据关联因素数据中各影响因素随时间的变化状态建立并更新因素波动图，关联因素波动图和患者电子档案；辅助决策模块获取辅助决策信号，根据辅助决策信号从因素波动图中筛选提取目标数据；将目标数据与决策辅助模型结合生成辅助决策信号。

本实施例的第一步是解析患者基础信息并与标准参考数据进行比较，建立患者电子档案。假设患者A的患者基础信息包括年龄20岁，性别女，遗传病史为高血压；标准参考数据为18-70岁，性别不限，遗传病史包括高血压、糖尿病等。则可以判断年龄、遗传病史均有可能引起脑卒中，则获取患者A的姓名、身份证号以及生物特征，进行数字化处理之后计算其哈希值，作为患者标识。基于该患者标识建立患者电子档案，患者电子档案与患者基础信息进行关联。

本实施例的第二步是通过数据交互模块持续采集或监测患者的关联因素数据；根据关联因素数据中各影响因素随时间的变化状态建立并更新因素波动图，关联因素波动图和患者电子档案。

本实施例通过数据库或者直接监测的方式来获取患者A的关联因素数据，将关联因素数据中的各影响因素数值与标准数据范围进行比较，判断影响因素是否正常。针对一个影响因素而言，可以获取多个时刻的数据状态，即可生成影响数据组。根据影响数据组即可生成因素波动图。

请参阅图3，该波动变化图中包括影响因素1、2和3，在时刻T1-T10对影响数据进行了采集和比较。各时刻垂直方向上实心点表明状态异常，空心点表明状态正常。则可以逆推出影响因素1对应的影响数据组YZ1为[1，0，1，0，1，0，1，1，0，1]，影响因素2对应的影响数据组YZ2为[1，0，1，1，1，0，1，1，0，0]，影响因素3对应的影响数据组YZ3为[0，1，0，1，1，1，0，1，0，0]；1表示对应时刻数据异常，0表示对应时刻数据正常。

本实施例的第三步是获取辅助决策信号，根据辅助决策信号从因素波动图中筛选提取目标数据；将目标数据与决策辅助模型结合生成辅助决策信号。

假设根据辅助决策信号采集时刻提取的因素波动图如图3所示，则根图3可获取目标数据。如提取各影响因素的异常频率整合成目标数据，则目标数据为[(1，0.6)，(2，0.6)，(3，0.5)]。在另外一些实施例中还可以加入各影响因素之间的采集时刻的关联关系来生成目标数据，如在时刻T5和T8所有影响因素均异常，则目标数据中可以插入所有影响因素均异常对应的概率，则目标数据为[(1，0.6)，(2，0.6)，(3，0.5)，0.2]。

值得注意的是，有些影响因素会随着时间的推移而与脑卒中发生概率的关联变小，则生成目标数据时，则可以根据采集时刻对影响数据组进行截取，以剔除无用或者影响不大的数据。

本发明的工作原理：获取患者基础信息，解析患者基础信息并与标准参考数据进行比较，建立患者电子档案。持续采集或监测患者的关联因素数据；根据关联因素数据中各影响因素随时间的变化状态建立并更新因素波动图，关联因素波动图和患者电子档案。根据辅助决策信号从因素波动图中筛选提取目标数据；将目标数据与决策辅助模型结合生成辅助决策信号。

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 (5)

1.一种辅助脑卒中诊断决策的系统，包括中枢处理模块，以及与之相连接的数据交互模块和辅助决策模块；其特征在于：

中枢处理模块通过数据交互模块获取患者基础信息，解析患者基础信息并与标准参考数据进行比较，建立患者电子档案；其中，患者基础信息包括患者标识、年龄和遗传病史，标准参考数据通过统计分析若干患者基础数据建立；以及

通过数据交互模块持续采集或监测患者的关联因素数据；根据关联因素数据中各影响因素随时间的变化状态建立并更新因素波动图，关联因素波动图和患者电子档案；其中，因素波动图中各影响因素的变化状态相互独立；

辅助决策模块获取辅助决策信号，根据辅助决策信号从因素波动图中筛选提取目标数据；将目标数据与决策辅助模型结合生成辅助决策信号；其中，决策辅助模型基于人工智能模型构建，辅助决策信号作为决策的数据基础；

所述根据关联因素数据中各影响因素随时间的变化状态建立并更新因素波动图，关联因素波动图和患者电子档案，包括：

将关联因素数据中的影响因素标记为i；其中，i＝1，2，…，n，n为正整数；

从关联因素数据中提取影响因素i对应的原始数据，将原始数据与标准数据范围进行比较，根据比较结果获取影响因素i对应的影响数据组YZi；

在采集时刻和影响因素i的基础上排列影响数据组YZi，生成因素波动图；

所述辅助决策模块获取辅助决策信号，根据辅助决策信号从因素波动图中筛选提取目标数据，包括：

确定辅助决策信号的生成时间；

根据生成时间对因素波动图中的各影响数据组进行截取，对截取结果进行筛选整合生成目标数据；其中，目标数据包括各影响因素的异常状态；

所述将目标数据与决策辅助模型结合生成辅助决策信号，包括：

通过标准训练数据训练人工智能模型获取辅助决策模型；其中，标准训练数据包括与目标数据内容属性一致的标准输入数据，以及表示标准输入数据与发生脑卒中相关性的标准输出数据；

将目标数据输入至辅助决策模型，根据输出结果生成辅助决策信号。

2.根据权利要求1所述的一种辅助脑卒中诊断决策的系统，其特征在于，所述解析患者基础信息并与标准参考数据进行比较，建立患者电子档案，包括：

解析患者基础信息获取患者的年龄和遗传病史，同时提取标准参考数据；其中，标准参考数据包括年龄范围和遗传病范围；

当患者的年龄处于年龄范围之内，且在遗传病范围内匹配到患者遗传病史中的任一遗传病时，则基于患者标识建立患者电子档案；其中，患者标识是基于姓名、身份证号或者生物特征生成的唯一加密标识。

3.根据权利要求1所述的一种辅助脑卒中诊断决策的系统，其特征在于，所述通过数据交互模块持续采集或监测患者的关联因素数据，包括：

在经过授权的情况下，数据交互模块基于患者标识从数据库中提取患者的影响因素数据，以及通过智能监测设备监测获取患者的影响因素数据；

对两种情况获取的影响因素数据进行归类整理，生成关联因素数据；其中，两种情况下获取的影响因素数据存在部分数据属性相同。

4.根据权利要求1所述的一种辅助脑卒中诊断决策的系统，其特征在于，所述中枢处理模块分别与数据交互模块和辅助决策模块通信和/或电气连接；所述辅助决策模块与智能终端通信和/或电气连接；其中，智能终端包括手机或者电脑；

所述数据交互模块与各数据库或者智能监测设备通信和/或电气连接；其中，数据库在经过授权后与数据交互模块进行数据交互，智能监测设备包括血压计、血糖仪或者摄像头。

5.一种辅助脑卒中诊断决策的方法，基于权利要求1至4任意一项所述的一种辅助脑卒中诊断决策的系统运行，其特征在于，包括：

获取患者基础信息，解析患者基础信息并与标准参考数据进行比较，建立患者电子档案；其中，患者基础信息包括患者标识、年龄和遗传病史，标准参考数据通过统计分析若干患者基础数据建立；

持续采集或监测患者的关联因素数据；根据关联因素数据中各影响因素随时间的变化状态建立并更新因素波动图，关联因素波动图和患者电子档案；其中，因素波动图中各影响因素的变化状态相互独立；

根据辅助决策信号从因素波动图中筛选提取目标数据；将目标数据与决策辅助模型结合生成辅助决策信号；其中，决策辅助模型基于人工智能模型构建，辅助决策信号作为决策的数据基础。