CN116364295A - 一种医疗数据处理方法及系统 - Google Patents

一种医疗数据处理方法及系统 Download PDF

Info

Publication number
CN116364295A
CN116364295A CN202211694881.2A CN202211694881A CN116364295A CN 116364295 A CN116364295 A CN 116364295A CN 202211694881 A CN202211694881 A CN 202211694881A CN 116364295 A CN116364295 A CN 116364295A
Authority
CN
China
Prior art keywords
data
medical
patient
node
environment
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
Application number
CN202211694881.2A
Other languages
English (en)
Inventor
张师嘉
乔桂新
车朝光
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.)
Beijing Aeonmed Co Ltd
Original Assignee
Beijing Aeonmed Co Ltd
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 Beijing Aeonmed Co Ltd filed Critical Beijing Aeonmed Co Ltd
Priority to CN202211694881.2A priority Critical patent/CN116364295A/zh
Publication of CN116364295A publication Critical patent/CN116364295A/zh
Pending legal-status Critical Current

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
    • G16H50/70—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
    • 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
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • 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
    • 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
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/20—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the management or administration of healthcare resources or facilities, e.g. managing hospital staff or surgery rooms
    • 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
    • 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)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • General Business, Economics & Management (AREA)
  • Evolutionary Computation (AREA)
  • Pathology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Business, Economics & Management (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

本发明提供了一种医疗数据处理方法及系统，所述方法包括：数据采集；对患者的健康数据、感知数据进行采集；对多种病例、病症的治疗方案数据进行采集；对患者、环境的物理数据进行采集；对医疗器械中的操作行为数据、监测数据进行采集；数据处理；根据采集的数据形成不同的数据结构存储数据，构建图数据库；对数据进行预处理，构建可进行深度神经网络训练的数据集；数据分析；通过CNN‑RNN算法对经过数据处理的数据集进行训练，得到不同属性预测结果的深度学习模型。本发明的优势在于：提高了医生对患者身体健康情况评估的准确率，提高对治疗方案预测结果的精确率，使得医生能够更加全面地、直观地了解患者信息。

Description

一种医疗数据处理方法及系统
技术领域
本发明属于医疗数据应用技术领域，具体涉及一种医疗数据处理方法及系统。
背景技术
随着计算机技术的发展，智慧医疗的重要性与日俱增，打破信息“孤岛”，发挥医疗数据价值的最大化一直是人们致力攻克的难题。人工智能在放射学诊断设备端，如X光、CT、MRI图像上应用最为广泛。利用这些图像的准确诊断有助于加快治疗进程，提高疾病治愈的可能性。然而，面对具有海量信息的电子病历、检查报告等，人工智能还没有发挥真正的作用。
在重症监护室(ICU)或手术室里，病患的生命体征、医疗器械的操作、以及治疗方案的制定与实施都与病患的健康息息相关。
现有的方法是医生根据不同媒介得到的数据，依据过往的经验、学识来对病患的身体情况进行判断；依靠医生的操作经验对每个医疗器械的操作流程进行控制；依靠经验来对患者的未来情况进行预估。
但是，现有的方法中，没有对患者目标、就医环境目标、治疗流程目标的信息的管理、分析、预测有机地统一起来。现有的方法中，医疗数据的存储方式采用关系数据库来存储数据，但是，传统的关系数据库并不擅长处理数据之间的关系：表状数据模式和呆板的结构难以添加连接或不同类型连接。在复杂的医疗数据和数据关系中，关系数据库利用起来效率低，不利于分析医学数据以及数字孪生体的数据传输交互。现有的方法中，在医学影像上更多的使用人工智能，但是没有将患者的身体数据和医疗器械的操作数据以及其他医疗数据结合起来，利用人工智能的手段为医生提供更多的信息，没有对电子病历中的数据对患者的情况进行预测、没有对于重症监护室(ICU)或手术室中医疗器械的操作行为数据给予提示以及预警，不利于提高工作效率和及时发现不当操作造成的安全隐患；现有的方法中，没有对治疗方案的流程和结果进行预测和仿真，不利于避免由于错误的治疗方案导致的巨大的代价。
发明内容
本发明的目的在于克服现有技术没有将患者的身体数据和医疗器械的操作数据以及其他医疗数据结合起来，利用人工智能的手段为医生提供更多的信息，没有对电子病历中的数据对患者的情况进行预测、没有对于重症监护室(ICU)或手术室中医疗器械的操作行为数据给予提示以及预警的缺陷。
为了实现上述目的，本发明提出了一种医疗数据处理方法，所述方法包括：
步骤S1：数据采集；对患者的健康数据、感知数据进行采集；对多种病例、病症的治疗方案数据进行采集；对患者、环境的物理数据进行采集；对医疗器械中的操作行为数据、监测数据进行采集；
步骤S2：数据处理；根据采集的数据形成不同的数据结构存储数据，构建图数据库；对数据进行预处理，构建可进行深度神经网络训练的数据集；
步骤S3：数据分析；通过CNN-RNN算法对经过数据处理的数据集进行训练，得到不同属性预测结果的深度学习模型。
作为上述方法的一种改进，所述步骤S1中采集数据源包括：医疗信息系统、测量设备、传感器、影像采集设备、生命体征监测设备和生命支持设备。
作为上述方法的一种改进，所述步骤S1中患者相关数据包括个人信息数据和医疗数据；其中，个人信息数据包括：唯一识别码、姓名、年龄、性别、身高、体重和血型；医疗数据包括：住院诊断、会诊记录、住院病历、检验报告、检查报告、传染病报告、外形图像、生命体征监测数据、生命支持设备操作记录数据和生命支持设备运行数据。
作为上述方法的一种改进，所述步骤S1中环境包括重症监护室和手术室；环境的信息包括：房间号、科室、室内温度和相关医生；环境的物理数据包括：环境温度数据、噪声数据、立体空间布局数据和设备数据；
其中，环境中相关设备包括多种床旁设备，具体包括：呼吸机、麻醉机、监护仪、输液泵、注射泵、心电图机、血气分析仪、CRRT和ECMO；设备信息包括：唯一识别码、设备类型、设备所属科室和设备IP地址；设备的运行数据包括：监测数据、设置参数数据、报警数据、事件数据和操作采集数据。
作为上述方法的一种改进，所述步骤S2中构建图数据库过程具体包括：
创建一个患者节点，将该患者个人信息数据作为此节点的属性；将该患者的医疗数据分别创建为报告节点，并将这些医疗数据上的数据项作为该报告节点的属性；
创建一个环境节点；将该环境的信息作为此节点的属性；将该环境中相关设备分别创建为设备节点；将该设备的信息作为此节点的属性；将该设备的运行数据分别创建为数据节点，将数据中的每个参数的值作为该节点的属性；
环境节点与设备节点之间的数据关系定义为单向的所属关系；报告节点与患者节点的数据关系定义为单向的所属关系；患者节点与手术室节点之间的数据关系定义为单向的使用关系；
创建治疗流程节点、治疗手段节点和历史治疗结果节点；
治疗流程节点与治疗手段节点数据关系定义为单向的所属关系；治疗流程节点与历史治疗结果节点数据关系定义为单向的所属关系；
将治疗流程节点与患者节点数据关系定义为单向的所属关系；将治疗流程节点与环境节点数据关系定义为双向的所属关系。
作为上述方法的一种改进，所述步骤S1中治疗方案包括：麻醉科、呼吸科、重症医学科、急诊科和感染科治疗方案；治疗方案数据包括：临床数据库、医学技术知识图谱和各类医学文献数据库的治疗方案数据。
作为上述方法的一种改进，所述CNN-RNN算法具体为CNN-LSTM或CNN-GRU算法。
作为上述方法的一种改进，所述不同属性预测结果包括：就医环境评分、医疗器械异常操作和治疗结果的预算。
作为上述方法的一种改进，所述方法还包括：
步骤S4：通过3D建模技术对患者、环境采集的数据进行3D建模，通过游戏引擎对模型进行渲染、与图数据库进行交互，构建出患者的数字孪生体、就医环境的数字孪生体以及治疗流程的数字孪生体；
作为上述方法的一种改进，所述方法还包括：
步骤S5：提供可视化交互平台，提供用户服务，实现人机交互；所述用户服务包括：实时展示服务、治疗结果预测数字孪生服务、医疗器械操作提示与预警服务和远程操控医疗器械数字孪生服务。
作为上述方法的一种改进，所述实时展示服务具体为：对患者、就医环境的实时数据在数字孪生体上进行实时展示。
作为上述方法的一种改进，所述治疗结果预测数字孪生服务具体为：在患者数字孪生体的交互界面上，输入治疗数据后，选择治疗结果预测模型进行预测，返回的预测结果以及评分显示在交互界面上，同时将预测结果反馈到数字孪生体上，模拟出该治疗方案在患者身上可能出现的效果。
作为上述方法的一种改进，所述医疗器械操作提示与预警服务具体为：将采集到的操作事件数据与报警数据实时地显示在就医环境的数字孪生体上，操作事件数据和报警事件数据输入医疗器械异常操作预测模型中，得到异常操作的预测结果，并根据不良事件的处理方法数据对异常操作做出提示。
作为上述方法的一种改进，所述远程操控医疗器械数字孪生服务具体为：在就医环境的数字孪生体的交互界面上，提供对环境中部分参数的操控，界面上的参数调节首先传输给实际设备，然后再由实际设备反馈到数字孪生体模型上，直观展示就医环境的实时状态。
本发明还提供一种医疗数据处理系统，所述系统包括：
数据采集模块，用于对患者的健康数据、感知数据进行采集；对多种病例、病症的治疗方案数据进行采集；对患者、环境的物理数据进行采集；对医疗器械中的操作行为数据、监测数据进行采集；
数据处理模块，用于根据采集的数据形成不同的数据结构存储数据，构建图数据库；对数据进行预处理，构建可进行深度神经网络训练的数据集；
数据分析模块，用于通过CNN-RNN算法对经过数据处理的数据集进行训练，得到不同属性预测结果的深度学习模型。
作为上述系统的一种改进，所述系统还包括：
数字孪生体建模模块，用于通过3D建模技术对患者、环境采集的数据进行3D建模，通过游戏引擎对模型进行渲染、与图数据库进行交互，构建出患者的数字孪生体、就医环境的数字孪生体以及治疗流程的数字孪生体；
人机交互模块，用于提供可视化交互平台，提供用户服务，实现人机交互；所述用户服务包括：实时展示服务、治疗结果预测数字孪生服务、医疗器械操作提示与预警服务和远程操控医疗器械数字孪生服务。
与现有技术相比，本发明的优势在于：
本发明提出的一种医疗数据处理方法及系统：利用多种医疗信息系统、传感器、测量仪器、医疗器械数据传输等信息采集方式采集数据；经过高速传输网络传输至数据处理模块后存储至基于医疗数据特性设计的图数据库；利用基于超参数优化的CNN-RNN的算法实现医疗数据的特征提取，患者健康状态、医疗器械异常操作、治疗方案结果的预测；利用图数据库与建模技术构建患者目标、就医场景目标、治疗流程的全息数据的数字孪生体，实现更直观地对实时医疗数据和预测数据的展示。在相比于现有的技术中：多数医院信息系统的关系数据库复杂且繁琐，不利于分析医学数据，许多医疗数据中蕴藏的丰富信息的价值没有得以利用，本发明中所设计的图数据库可以将医疗数据的复杂关系都存储起来，极大地保护了医疗数据之间的关联性，为挖掘这些数据中的信息打下基础；本发明中使用的基于超参数优化的CNN-RNN的算法来对医疗数据进行预测，将卷积神经网络在提取特征的优势和循环神经网络处理时间序列时挖掘前后关联信息的优势结合在了一起，为医生提供有效的就医环境评分、医疗器械异常操作、治疗结果等预测数据，并通过数字孪生体更直观地展现患者的实时状态和预测状态，相比于医生的仅依靠实际经验与知识理论的判断与操作，能够提高医生对患者身体健康情况评估的准确率，提高对治疗方案预测结果的精确率，使得医生能够更加全面地、直观地了解患者信息，随时随地了解病患的真实情况，提高工作效率，充分发挥医生的医学才能。
附图说明
图1所示为医疗数据处理方法的流程图；
图2所示为CNN-LSTM数据预测模型图；
图3所示为CNN-GRU数据预测模型图。
具体实施方式
下面结合附图对本发明的技术方案进行详细的说明。
本发明提出了一种医疗数据处理方法及系统，该方法包括：
数据采集：
通过多种医疗信息系统、可穿戴式传感器设备针对患者的健康数据、感知数据进行采集，通过临床数据库、医学知识图谱针对多种病例、病症的治疗数据进行采集；通过多种测量设备、传感器对患者、环境的物理数据进行采集；通过自定义数据传输协议对医疗器械中的操作行为数据、监测数据进行采集；将以上采集到的数据通过统一数据接口进行传送。
数据处理：
按照以患者为中心目标，以监护室、手术室两大场景为主要环境目标，以医疗器械操作、治疗方案为主要流程目标，围绕健康数据、感知数据、医疗器械操作行为数据、治疗方案数据、监测数据形成不同的数据结构存储数据，构建多维度的，能够体现数据关系的图数据库；对以上数据进行数据预处理，构建可进行深度神经网络训练的数据集，构建可进行数字孪生建模的数字表示。
数据分析：
通过基于超参数优化的CNN-RNN的算法对经过数据处理的数据集进行训练，得到针对某项医疗数据的预测结果；按照数据处理后的数据结构，将健康数据、感知数据、医疗器械操作数据、治疗方案等临床数据的数字表示分别用于构建成患者人体全息数字孪生体，监护室、手术室等主要就医环境数字孪生体，治疗流程数字孪生体。
应用服务：
将以上数据分析结果与界面交互相结合，患者身体状态展示数字孪生服务，治疗效果预测数字孪生服务，治疗环境与医疗器械实时展示的数字孪生服务，提供医疗器械操作提示与预警服务，远程操作医疗器械数字孪生服务。
如图1所示，本发明的实施例1提供一种医疗数据处理方法，包括以下步骤：
S1、通过多种方式按照一定频度采集目标患者、目标医疗器械、目标治疗流程的相关信息数据，通过多种数据传输方式将数据传输至数据存储模块。
其中，采集信息源包括但不限于多种医疗信息系统、多种测量设备、多种传感器、影像采集设备、生命体征监测设备和生命支持设备等；
目标患者相关信息数据包括但不限于病人唯一识别码、姓名、年龄、性别、身高、体重、血型、住院诊断、会诊记录、住院病历、检验报告、检查报告、传染病报告、外形图像采集、生命体征监测数据、生命支持设备操作记录数据和生命支持设备运行数据等数据；
目标环境包括但不限于重症监护室、手术室，其中，目标环境中的多种床旁设备包括但不限于呼吸机、麻醉机、监护仪、输液泵、注射泵、心电图机、血气分析仪、CRRT、ECMO等设备，目标环境数据包括但不限于环境温度数据、噪声数据、立体空间布局数据、设备数据等；
目标治疗方案包括但不限于麻醉科、呼吸科、重症医学科、急诊科和感染科等医学学科，数据包括但不限于应用临床数据库、医学技术知识图谱、各类医学文献数据库等；
需要说明的是，多种医疗信息系统包括但不限于HIS、LIS、PACS、EMR等系统；
多种测量设备包括但不限于便携式测量仪、手持式测量仪等；
多种传感器包括但不限于温度计、噪声监测计等；
多种影像采集设备包括但不限于高清工业摄像机等；
多种数据传输方式包括但不限于4G/5G传输、wlan传输、有线网络传输、串口通信传输、蓝牙传输等，通过PLC指令、mqtt、sockett、HL7等协议解析最终得到原始数据。
S2、将采集到的原始数据按照预设的数据协议、数据结构进行存储，构建数字孪生体的图数据库；并处理成可用于数据分析的数据集。
数据结构以目标患者、目标环境、目标治疗流程中心而设计，整合多维度数据，历史数据定期归档、长期保存、支持科研统计和回归分析。面对医疗数据的复杂数据关系，采用图数据库结构来存储数据。传统关系数据库的查询效率会显著低于图数据库。在一些关联查询场景，图数据库能把查询效率提升几千倍甚至几百万倍。常用的图数据库有TigerGraph、Neo4j、Neptune、JanusGraph、ArangoDB等，而且基于图结构的存储在设计上会非常灵活，一般只需要局部的改动即可。
本发明中的数据存储方式采用Neo4j，具体实现方法是：
新增一个目标患者时，首先创建一个患者节点，将该患者相关信息数据作为此节点的属性；患者相关信息数据可以是病人唯一识别码、姓名、年龄、性别、身高、体重、血型等个人信息数据；然后将该病人的住院诊断、会诊记录、住院病历、检验报告、检查报告、传染病报告、生命体征监测数据、生命支持设备操作记录数据和生命支持设备运行数据等医疗数据分别创建为报告节点，并将这些报告上的数据按项作为该报告节点的属性；
新增一个目标环境，以手术室为例，首先创建一个手术室节点，将该手术室的相关数据作为此节点的属性；手术室的相关数据可以是手术室号、科室、室内温度、主刀医生、麻醉医生等信息数据；然后将所用到的麻醉机、输注泵、监护仪、心电图机等设备分别创建为设备节点；以麻醉机为例，首先创建一个麻醉机节点，麻醉机的设备信息作为该节点的属性，设备信息可以是设备唯一识别码、设备类型、设备所属科室、设备IP地址等，将这些数据作为该设备节点的属性；设备的运行数据包括监测数据、设置参数数据、报警数据、事件数据、操作采集数据等数据也分别创建为新的数据节点，将数据中的每个参数的值作为该节点的属性。
手术室节点与设备节点之间的数据关系定义为单向的所属关系，报告节点与患者节点的数据关系定义为单向的所属关系，患者与手术室节点之间的数据关系定义为单向的使用关系。
相同地，创建治疗流程节点与治疗手段节点、历史治疗结果节点等节点；治疗流程节点与治疗手段节点数据关系定义为单向的所属关系；治疗流程节点与历史治疗结果节点数据关系定义为单向的所属关系；并将治疗流程节点与该患者建立单向的所属关系，将治疗流程节点与环境节点建立双向的所属关系。
数据预处理的方法包括但不限于数据清洗、特征工程等，最后根据预测的需求构建成数据集；
以构建预测心脏病数据集为例，从以上构建成的数据库中查询到心脏病患者的数据为：病人唯一识别码(Id)、数据采集日期(date)、年龄(age)、性别(sex)、胸痛类型(cp)、静息血压(trestbps)、血清胆甾醇(chol)、是否空腹血糖>120mg/dl(fbs)、静息心电图结果(restecg)、最大心率(thalach)、运动诱发的心绞痛(exang)、相对于静止状态下，运动引起的ST段压低(oldpeak)、运动峰值ST段的斜率(slope)、荧光透视着色的主要血管数量(ca)、地中海贫血(tahl)、是否可能患心脏病(target)。在以上数据中，病人唯一识别码、数据采集日期、年龄、静息血压、血清胆甾醇、最大心率、相对于静止状态，运动引起的ST段压低、运动峰值ST段的斜率、荧光透视着色的主要血管数量都以实际数值表示；性别由0表示女，由1表示男；胸痛类型由0-3表示四个数值等级；空腹血糖>120mg/dl由0表示否，由1表示是；静息心电图结果由0-3依次表示正常、心律失常、心脏扩大、心室肥厚；运动诱发的心绞痛由0表示否，由1表示是；地中海贫血由0表示正常、1表示固定缺陷；2表示可逆转的缺陷；是否可能患心脏病由0表示心脏病发作的几率较小，由1表示心脏病发作的几率更大。将所有心脏病患者的数据依次排列，以.csv格式存储，便于机器学习算法的训练使用，其他病症患者的数据集构建方式类似。
在训练集数据不够的情况下，可以使用生成对抗网络模型(GAN)，将采集数据作为输入，进行迭代训练，可以丰富数据集，以提高在不同条件下预测结果的准确率。
S3、针对目标患者、目标就医环境、目标治疗流程的带有不同的预测目标的数据集，利用基于超参数优化的CNN-RNN的算法进行训练可以得到——可对目标患者、目标就医环境、目标治疗流程得到不同属性预测结果的深度学习模型。通过启发式算法从预测结果能够求解出目标患者、目标就医环境、目标治疗流程的相关的决策与建议；最终将以上预测结果、决策与建议存入数据库中对应目标的记录中。
本发明中使用的基于超参数优化的CNN-RNN的模型架构包括CNN-LSTM和CNN-GRU两种预测模型，可以根据需求选择评分更高的模型输出结果作为最终预测结果。由于患者的生命体征的变化和就医环境的使用以及治疗流程都是动态过程，同时具有延迟性、属性复杂的特点，所以本发明采用RNN进行病情预测，充分发挥RNN处理时间序列时挖掘前后关联信息的优势。根据时间序列趋势及相关系数选择自变量。
CNN-LSTM和CNN-GRU两种预测模型的共同点是都由卷积神经网络(ConvolutionalNeuralNetworks,CNN)做为特征提取网络。为使模型具有自动提取特征的功能，一般采用深度学习的方法来进行构建。其中，CNN在提取特征这方面能力较强，它通常依靠卷积核来对特征进行提取。CNN网络可提取多维时间序列数据在空间结构上的关系，它主要由卷积层和池化层组成，利用局部连接、权值共享等特征大幅降低模型参数的数量、提取数据特征、加快训练速度、提高泛化性能。
当时间步数较大时，循环神经网络(RecurrentNeuralNetwork,RNN)的历史梯度信息无法一直维持在一个合理的范围内，因此梯度衰减或爆炸几乎是不可避免的，从而导致RNN将很难从长距离序列中捕捉到有效信息。长短期记忆网络(Long Short-TermMemorynetworks，LSTM)和基于门控循环单元(GatedRecurrentUnit，GRU)都属于RNN的变型，它们的提出都是为了解决RNN与长序列训练过程中的梯度消失的问题，它们的内部机制，可以调节信息流，可以学习只保留相关信息来进行预测，并忘记不相关的数据。LSTM是一种特殊的RNN，在数据量很大的情况下，LSTM表达性能更好；GRU则是在LSTM的基础上提出的，它的结构更简单，参数更少，适用于模型与数据匹配的情况下，更容易收敛，学习训练更快。
如图2所示，本发明所使用的CNN-LSTM网络模型结构为：
1)一维卷积神经网络：CNN网络包括卷积层和池化层，各层有卷积核和池化核，大小设定维度向量；激活函数都为ReLu。
2)长短期记忆神经网络：LSTM网络包括层单元，每一层的隐含神经元数目相应设定；激活函数可以选择ReLu。
3)全连接层：采用单隐含层的深度神经网络作为CNN-LSTM网络模型的输出层对数据进行拟合预测，输出结果为预测值。
如图3所示，本发明所使用的CNN-GRU网络模型结构为：
1)一维卷积神经网络：CNN网络包括卷积层和池化层，各层有卷积核和池化核，大小设定维度向量；激活函数都为ReLu。
2)基于门控循环单元的网络：GRU网络包括层单元，每一层的隐含神经元数目相应设定；激活函数可以选择ReLu。
3)全连接层：采用单隐含层的深度神经网络作为CNN-GRU网络模型的输出层对数据进行拟合预测，输出结果为预测值。
在训练“CNN-LSTM”和“CNN-GRU”两种模型时，都加入贝叶斯优化，贝叶斯优化可以充分利用历史调优信息，减少不必要的目标函数评估，并改进参数搜索效率。可选地，在模型训练过程中，使用ADAM优化算法进一步优化网络权重参数，使得预测结果更准确。本发明基于超参数优化的“CNN-LSTM”和“CNN-GRU”模型具有更高的预测精度和泛化能力。可选地，为使预测的结果更加准确，针对不同的预测结果进行预测的时候训练两种模型进行预测，最后经过评估使用评分更高的模型，将其输出结果作为预测结果，延用此模型进行同类问题预测。预测模型的评估方式主要以ROC曲线和AUC得分对模型进行评估。
以上方法适用于对患者身体状态、就医环境评分、医疗器械异常操作、治疗结果等目标进行预测。
S4、通过3D建模技术对目标患者、目标环境测量数据进行3D建模，再通过游戏引擎对模型进行渲染、与数据库进行交互，最终构建出目标患者的数字孪生体、目标就医环境的数字孪生体以及目标治疗流程的数字孪生体。
3D建模技术包括但不限于基于3DstudioMAX平台的3D建模技术；
游戏引擎包括但不限于Unity和虚幻引擎；
交互方法实现方法为：首先将数据采集设备和传感器所采集的原始数据进行数据预处理，再将经过处理后的数据存储在图数据库中，再传输给患者孪生体和就医环境孪生体，以实现实体和孪生体之间的数据传输交互；患者孪生体和就医环境孪生体根据传输的数据实现相应的处理效果，整个三维外观模型和数据交互传输就组成了最终的患者就医系统数字孪生体模型，构建了实体和孪生体之间的映射关系。
S5、提供可视化交互平台，提供用户服务，实现人机交互。可选地，可以通过WebGL技术为数字孪生体和机器学习算法模型实现可视化交互界面，消除单独安装和插件的需要，增强了可访问性，提升了多用户的交互能力。
用户服务包括但不限于实时展示服务，治疗结果预测数字孪生服务，医疗器械操作提示与预警服务，远程操控医疗器械数字孪生服务。
实时展示服务的实现方法具体为：对患者、就医环境的实时数据在数字孪生体上进行实时展示；
治疗结果预测数字孪生服务的实现方法具体为：在患者数字孪生体的交互界面上，输入治疗数据后，选择治疗结果预测模型进行预测，返回的预测结果以及评分显示在交互界面上，同时将预测结果反馈到数字孪生体上，模拟出该治疗方案在患者身上可能出现的效果；
医疗器械操作提示与预警服务的实现方法具体为：当开启此服务后，采集到的操作事件数据与报警数据实时地显示在就医环境的数字孪生体上，操作事件数据和报警事件数据输入医疗器械异常操作预测模型中，得到异常操作的预测结果，并根据不良事件的处理方法数据对异常操作做出提示；
远程操控医疗器械数字孪生服务的实现方法具体为：在就医环境的数字孪生体的交互界面上，提供对环境中部分参数的操控，比如手术室内的温度，呼吸机的通气模式，输注泵的流速等，界面上的参数调节首先传输给实际设备，然后再由实际设备反馈到数字孪生体模型上，直观展示就医环境的实时状态。
本发明的实施例2还提供一种医疗数据处理系统，所述系统包括：
数据采集模块，用于对患者的健康数据、感知数据进行采集；对多种病例、病症的治疗方案数据进行采集；对患者、环境的物理数据进行采集；对医疗器械中的操作行为数据、监测数据进行采集；
数据处理模块，用于根据采集的数据形成不同的数据结构存储数据，构建图数据库；对数据进行预处理，构建可进行深度神经网络训练的数据集；
数据分析模块，用于通过CNN-RNN算法对经过数据处理的数据集进行训练，得到不同属性预测结果的深度学习模型。
数字孪生体建模模块，用于通过3D建模技术对患者、环境采集的数据进行3D建模，通过游戏引擎对模型进行渲染、与图数据库进行交互，构建出患者的数字孪生体、就医环境的数字孪生体以及治疗流程的数字孪生体；
人机交互模块，用于提供可视化交互平台，提供用户服务，实现人机交互；所述用户服务包括：实时展示服务、治疗结果预测数字孪生服务、医疗器械操作提示与预警服务和远程操控医疗器械数字孪生服务。
本发明还可提供的一种计算机设备，包括：至少一个处理器、存储器、至少一个网络接口和用户接口。该设备中的各个组件通过总线系统耦合在一起。可理解，总线系统用于实现这些组件之间的连接通信。总线系统除包括数据总线之外，还包括电源总线、控制总线和状态信号总线。
其中，用户接口可以包括显示器、键盘或者点击设备。例如，鼠标，轨迹球(trackball)、触感板或者触摸屏等。
可以理解，本申请公开实施例中的存储器可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(Read-OnlyMemory，ROM)、可编程只读存储器(ProgrammableROM，PROM)、可擦除可编程只读存储器(ErasablePROM，EPROM)、电可擦除可编程只读存储器(ElectricallyEPROM，EEPROM)或闪存。易失性存储器可以是随机存取存储器(RandomAccessMemory，RAM)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如静态随机存取存储器(StaticRAM，SRAM)、动态随机存取存储器(DynamicRAM，DRAM)、同步动态随机存取存储器(Synchronous DRAM，SDRAM)、双倍数据速率同步动态随机存取存储器(DoubleDataRateSDRAM，DDRSDRAM)、增强型同步动态随机存取存储器(EnhancedSDRAM，ESDRAM)、同步连接动态随机存取存储器(SynchlinkDRAM，SLDRAM)和直接内存总线随机存取存储器(DirectRambusRAM，DRRAM)。本文描述的存储器旨在包括但不限于这些和任意其它适合类型的存储器。
在一些实施方式中，存储器存储了如下的元素，可执行模块或者数据结构，或者他们的子集，或者他们的扩展集：操作系统和应用程序。
其中，操作系统，包含各种系统程序，例如框架层、核心库层、驱动层等，用于实现各种基础业务以及处理基于硬件的任务。应用程序，包含各种应用程序，例如媒体播放器(MediaPlayer)、浏览器(Browser)等，用于实现各种应用业务。实现本公开实施例方法的程序可以包含在应用程序中。
在本上述的实施例中，还可通过调用存储器存储的程序或指令，具体的，可以是应用程序中存储的程序或指令，处理器用于：
执行上述方法的步骤。
上述方法可以应用于处理器中，或者由处理器实现。处理器可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器、数字信号处理器(DigitalSignalProcessor，DSP)、专用集成电路(ApplicationSpecificIntegratedCircuit，ASIC)、现场可编程门阵列(FieldProgrammableGateArray，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。可以实现或者执行上述公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合上述公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。
可以理解的是，本发明描述的这些实施例可以用硬件、软件、固件、中间件、微码或其组合来实现。对于硬件实现，处理单元可以实现在一个或多个专用集成电路(ApplicationSpecificIntegratedCircuits，ASIC)、数字信号处理器(DigitalSignal Processing，DSP)、数字信号处理设备(DSPDevice，DSPD)、可编程逻辑设备(ProgrammableLogicDevice，PLD)、现场可编程门阵列(Field-ProgrammableGate Array，FPGA)、通用处理器、控制器、微控制器、微处理器、用于执行本申请所述功能的其它电子单元或其组合中。
对于软件实现，可通过执行本发明的功能模块(例如过程、函数等)来实现本发明技术。软件代码可存储在存储器中并通过处理器执行。存储器可以在处理器中或在处理器外部实现。
本发明还可提供一种非易失性存储介质，用于存储计算机程序。当该计算机程序被处理器执行时可以实现上述方法实施例中的各个步骤。
最后所应说明的是，以上实施例仅用以说明本发明的技术方案而非限制。尽管参照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，对本发明的技术方案进行修改或者等同替换，都不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (16)

1.一种医疗数据处理方法，所述方法包括：
步骤S1：数据采集；对患者的健康数据、感知数据进行采集；对多种病例、病症的治疗方案数据进行采集；对患者、环境的物理数据进行采集；对医疗器械中的操作行为数据、监测数据进行采集；
步骤S2：数据处理；根据采集的数据形成不同的数据结构存储数据，构建图数据库；对数据进行预处理，构建可进行深度神经网络训练的数据集；
步骤S3：数据分析；通过CNN-RNN算法对经过数据处理的数据集进行训练，得到不同属性预测结果的深度学习模型。
2.根据权利要求1所述的医疗数据处理方法，其特征在于，所述步骤S1中采集数据源包括：医疗信息系统、测量设备、传感器、影像采集设备、生命体征监测设备和生命信息采集设备。
3.根据权利要求1所述的医疗数据处理方法，其特征在于，所述步骤S1中患者相关数据包括个人信息数据和医疗数据；其中，个人信息数据包括：唯一识别码、姓名、年龄、性别、身高、体重和血型；医疗数据包括：住院诊断、会诊记录、住院病历、检验报告、检查报告、传染病报告、外形图像、生命体征监测数据、生命支持设备操作记录数据和生命支持设备运行数据。
4.根据权利要求3所述的医疗数据处理方法，其特征在于，所述步骤S1中环境包括重症监护室和手术室；环境的信息包括：房间号、科室、室内温度和相关医生；环境的物理数据包括：环境温度数据、噪声数据、立体空间布局数据和设备数据；
其中，环境中相关设备包括多种床旁设备，具体包括：呼吸机、麻醉机、监护仪、输液泵、注射泵、心电图机、血气分析仪、CRRT和ECMO；设备信息包括：唯一识别码、设备类型、设备所属科室和设备IP地址；设备的运行数据包括：监测数据、设置参数数据、报警数据、事件数据和操作采集数据。
5.根据权利要求4所述的医疗数据处理方法，其特征在于，所述步骤S2中构建图数据库过程具体包括：
创建一个患者节点，将该患者个人信息数据作为此节点的属性；将该患者的医疗数据分别创建为报告节点，并将这些医疗数据上的数据项作为该报告节点的属性；
创建一个环境节点；将该环境的信息作为此节点的属性；将该环境中相关设备分别创建为设备节点；将该设备的信息作为此节点的属性；将该设备的运行数据分别创建为数据节点，将数据中的每个参数的值作为该节点的属性；
环境节点与设备节点之间的数据关系定义为单向的所属关系；报告节点与患者节点的数据关系定义为单向的所属关系；患者节点与手术室节点之间的数据关系定义为单向的使用关系；
创建治疗流程节点、治疗手段节点和历史治疗结果节点；
治疗流程节点与治疗手段节点数据关系定义为单向的所属关系；治疗流程节点与历史治疗结果节点数据关系定义为单向的所属关系；
将治疗流程节点与患者节点数据关系定义为单向的所属关系；将治疗流程节点与环境节点数据关系定义为双向的所属关系。
6.根据权利要求1所述的医疗数据处理方法，其特征在于，所述步骤S1中治疗方案包括：麻醉科、呼吸科、重症医学科、急诊科和感染科治疗方案；治疗方案数据包括：临床数据库、医学技术知识图谱和各类医学文献数据库的治疗方案数据。
7.根据权利要求1所述的医疗数据处理方法，其特征在于，所述CNN-RNN算法具体为CNN-LSTM或CNN-GRU算法。
8.根据权利要求1所述的医疗数据处理方法，其特征在于，所述不同属性预测结果包括：就医环境评分、医疗器械异常操作和治疗结果的预算。
9.根据权利要求1所述的医疗数据处理方法，其特征在于，所述方法还包括：
步骤S4：通过3D建模技术对患者、环境采集的数据进行3D建模，通过游戏引擎对模型进行渲染、与图数据库进行交互，构建出患者的数字孪生体、就医环境的数字孪生体以及治疗流程的数字孪生体。
10.根据权利要求9所述的医疗数据处理方法，其特征在于，所述方法还包括：
步骤S5：提供可视化交互平台，提供用户服务，实现人机交互；所述用户服务包括：实时展示服务、治疗结果预测数字孪生服务、医疗器械操作提示与预警服务和远程操控医疗器械数字孪生服务。
11.根据权利要求10所述的医疗数据处理方法，其特征在于，所述实时展示服务具体为：对患者、就医环境的实时数据在数字孪生体上进行实时展示。
12.根据权利要求10所述的医疗数据处理方法，其特征在于，所述治疗结果预测数字孪生服务具体为：在患者数字孪生体的交互界面上，输入治疗数据后，选择治疗结果预测模型进行预测，返回的预测结果以及评分显示在交互界面上，同时将预测结果反馈到数字孪生体上，模拟出该治疗方案在患者身上可能出现的效果。
13.根据权利要求10所述的医疗数据处理方法，其特征在于，所述医疗器械操作提示与预警服务具体为：将采集到的操作事件数据与报警数据实时地显示在就医环境的数字孪生体上，操作事件数据和报警事件数据输入医疗器械异常操作预测模型中，得到异常操作的预测结果，并根据不良事件的处理方法数据对异常操作做出提示。
14.根据权利要求10所述的医疗数据处理方法，其特征在于，所述远程操控医疗器械数字孪生服务具体为：在就医环境的数字孪生体的交互界面上，提供对环境中部分参数的操控，界面上的参数调节首先传输给实际设备，然后再由实际设备反馈到数字孪生体模型上，直观展示就医环境的实时状态。
15.一种医疗数据处理系统，所述系统包括：
数据采集模块，用于对患者的健康数据、感知数据进行采集；对多种病例、病症的治疗方案数据进行采集；对患者、环境的物理数据进行采集；对医疗器械中的操作行为数据、监测数据进行采集；
数据处理模块，用于根据采集的数据形成不同的数据结构存储数据，构建图数据库；对数据进行预处理，构建可进行深度神经网络训练的数据集；
数据分析模块，用于通过CNN-RNN算法对经过数据处理的数据集进行训练，得到不同属性预测结果的深度学习模型。
16.根据权利要求15所述的医疗数据处理系统，其特征在于，所述系统还包括：
数字孪生体建模模块，用于通过3D建模技术对患者、环境采集的数据进行3D建模，通过游戏引擎对模型进行渲染、与图数据库进行交互，构建出患者的数字孪生体、就医环境的数字孪生体以及治疗流程的数字孪生体；
人机交互模块，用于提供可视化交互平台，提供用户服务，实现人机交互；所述用户服务包括：实时展示服务、治疗结果预测数字孪生服务、医疗器械操作提示与预警服务和远程操控医疗器械数字孪生服务。
CN202211694881.2A 2022-12-28 2022-12-28 一种医疗数据处理方法及系统 Pending CN116364295A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211694881.2A CN116364295A (zh) 2022-12-28 2022-12-28 一种医疗数据处理方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211694881.2A CN116364295A (zh) 2022-12-28 2022-12-28 一种医疗数据处理方法及系统

Publications (1)

Publication Number Publication Date
CN116364295A true CN116364295A (zh) 2023-06-30

Family

ID=86940788

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211694881.2A Pending CN116364295A (zh) 2022-12-28 2022-12-28 一种医疗数据处理方法及系统

Country Status (1)

Country Link
CN (1) CN116364295A (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116936108A (zh) * 2023-09-19 2023-10-24 之江实验室 一种面向不平衡数据的疾病预测系统
CN117116455A (zh) * 2023-10-24 2023-11-24 湖北大学 一种物联智控方法及系统
CN117133464A (zh) * 2023-10-26 2023-11-28 中国人民解放军总医院第二医学中心 一种老年人健康智能监测系统及监测方法
CN117352118A (zh) * 2023-12-06 2024-01-05 惠医(天津)健康科技有限公司 基于移动互联网的多端诊疗交互方法及装置
CN117789965A (zh) * 2024-02-23 2024-03-29 北京惠每云科技有限公司 基于数字孪生的静脉血栓防治仿真评估方法及系统
CN117976125A (zh) * 2024-04-02 2024-05-03 山东拓庄医疗科技有限公司 一种基于数据分析的医疗设备管理系统及方法
CN118072929A (zh) * 2024-04-22 2024-05-24 中国人民解放军总医院第七医学中心 便携式无菌手术器械包储存设备实时数据智能管理方法

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116936108A (zh) * 2023-09-19 2023-10-24 之江实验室 一种面向不平衡数据的疾病预测系统
CN116936108B (zh) * 2023-09-19 2024-01-02 之江实验室 一种面向不平衡数据的疾病预测系统
CN117116455A (zh) * 2023-10-24 2023-11-24 湖北大学 一种物联智控方法及系统
CN117116455B (zh) * 2023-10-24 2024-01-23 湖北大学 一种物联智控方法及系统
CN117133464A (zh) * 2023-10-26 2023-11-28 中国人民解放军总医院第二医学中心 一种老年人健康智能监测系统及监测方法
CN117133464B (zh) * 2023-10-26 2024-03-12 中国人民解放军总医院第二医学中心 一种老年人健康智能监测系统及监测方法
CN117352118B (zh) * 2023-12-06 2024-03-08 惠医(天津)健康科技有限公司 基于移动互联网的多端诊疗交互方法及装置
CN117352118A (zh) * 2023-12-06 2024-01-05 惠医(天津)健康科技有限公司 基于移动互联网的多端诊疗交互方法及装置
CN117789965A (zh) * 2024-02-23 2024-03-29 北京惠每云科技有限公司 基于数字孪生的静脉血栓防治仿真评估方法及系统
CN117789965B (zh) * 2024-02-23 2024-06-07 北京惠每云科技有限公司 基于数字孪生的静脉血栓防治仿真评估方法及系统
CN117976125A (zh) * 2024-04-02 2024-05-03 山东拓庄医疗科技有限公司 一种基于数据分析的医疗设备管理系统及方法
CN117976125B (zh) * 2024-04-02 2024-06-04 山东拓庄医疗科技有限公司 一种基于数据分析的医疗设备管理系统及方法
CN118072929A (zh) * 2024-04-22 2024-05-24 中国人民解放军总医院第七医学中心 便携式无菌手术器械包储存设备实时数据智能管理方法
CN118072929B (zh) * 2024-04-22 2024-06-21 中国人民解放军总医院第七医学中心 便携式无菌手术器械包储存设备实时数据智能管理方法

Similar Documents

Publication Publication Date Title
CN116364295A (zh) 一种医疗数据处理方法及系统
US11468998B2 (en) Methods and systems for software clinical guidance
Loftus et al. Artificial intelligence and surgical decision-making
US11170881B2 (en) Devices and method for a healthcare collaboration space
CN109805898B (zh) 基于注意力机制时序卷积网络算法的危重症死亡预测方法
Pavel et al. The role of technology and engineering models in transforming healthcare
CN109979587A (zh) 患者健康护理交互设备及其实施方法
KR20210113299A (ko) 대화형 유연한 데이터 제시를 위한 시스템 및 방법
US9081879B2 (en) Matrix interface for medical diagnostic and treatment advice system and method
US20170124279A1 (en) Adaptive Complimentary Self-Assessment And Automated Health Scoring For Improved Patient Care
CN108836285A (zh) 人体疾病自主诊断模型和人工智能体检方法及系统和健康评估直观演示方法
US11061537B2 (en) Interactive human visual and timeline rotor apparatus and associated methods
EP2638489A1 (en) Method of continuous prediction of patient severity of illness, mortality, and length of stay
US20180211730A1 (en) Health information (data) medical collection, processing and feedback continuum systems and methods
KR20190132290A (ko) 환자 진단 학습 방법, 서버 및 프로그램
US20220059238A1 (en) Systems and methods for generating data quality indices for patients
US20230079951A1 (en) System for configuring patient monitoring
CA3153677A1 (en) System and method of treating a patient by a healthcare provider using a plurality of n-of-1 micro-treatments
CN104462761A (zh) 三维可视化数字监护方法和系统
JP2016018224A (ja) 健康状態予測診断利用サービスシステム
US20230053474A1 (en) Medical care system for assisting multi-diseases decision-making and real-time information feedback with artificial intelligence technology
US20200176114A1 (en) System and method for providing a layer-based presentation of a model-generated patient-related prediction
CN111317440A (zh) 患者的预警方法、使用该方法的监护设备及可读存储介质
US11600397B2 (en) Systems and methods for conversational flexible data presentation
Fortier et al. Development of a mobile cardiac wellness application and integrated wearable sensor suite

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