CN116453681A - 一种智能化的胰岛素推荐方法、系统及电子设备 - Google Patents

一种智能化的胰岛素推荐方法、系统及电子设备 Download PDF

Info

Publication number
CN116453681A
CN116453681A CN202310202818.0A CN202310202818A CN116453681A CN 116453681 A CN116453681 A CN 116453681A CN 202310202818 A CN202310202818 A CN 202310202818A CN 116453681 A CN116453681 A CN 116453681A
Authority
CN
China
Prior art keywords
insulin
index
scheme
recommendation scheme
clinical
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
CN202310202818.0A
Other languages
English (en)
Inventor
周恒宇
唐娇
熊芳芳
陈智翔
余静雅
范纪莉
杜鑫
王星宇
陈铃瑶
曾凡玲
崔璀
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.)
Chongqing Medical University
Original Assignee
Chongqing Medical University
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 Chongqing Medical University filed Critical Chongqing Medical University
Priority to CN202310202818.0A priority Critical patent/CN116453681A/zh
Publication of CN116453681A publication Critical patent/CN116453681A/zh
Pending legal-status Critical Current

Links

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
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/10—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to patients
    • G16H20/17—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to patients delivered via infusion or injection
    • 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)
  • Chemical & Material Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Medicinal Chemistry (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

本发明属于生理信号处理技术领域，公开了一种智能化的胰岛素推荐方法、系统及电子设备，包括：获取数据库中若干历史临床病例数据；从若干所述历史临床病历数据中提取与新输入临床指标相关联的所述历史临床指标作为关联临床指标；将所述基础临床指标及其对应的历史临床诊断结果作为训练对象进行逐个训练；将所述第一集合与参照文件进行对比结合，定位得到胰岛素推荐方案一级指标；计算胰岛素推荐方案中的每日胰岛素初始总剂量，建立对应的胰岛素剂量调整方案；基于前一次胰岛素注射部位数据，建立对应的胰岛素注射部位轮换调整方案。本发明能够快速定位出有效的胰岛素推荐方案，在实施有效血糖控制的基础上提高使用者的舒适度。

Description

一种智能化的胰岛素推荐方法、系统及电子设备
技术领域
本发明涉及生理信号处理技术领域，具体涉及一种智能化的胰岛素推荐方法、系统及电子设备。
背景技术
妊娠期高血糖主要包括妊娠期糖尿病(gestational diabetes mellitus,GDM)、妊娠显性糖尿病(overt diabetes mellitus,ODM)及孕前糖尿病(pre-gestationaldiabetes mellitus,PGDM)，随着我国糖尿病患病人数的快速增长以及生育政策调整后高龄产妇的增加，妊娠期高血糖已经成为妊娠期最常见的并发症，发病率达17.5％左右。高血糖与妊娠不良结局关系的研究证明，妊娠期即使轻度的血糖升高，也会增加大于胎龄儿、脐血C肽大于90百分位数、剖宫产分娩及新生儿低血糖等母儿不良妊娠结局的风险，而且分娩后子代成年期可能发展为高胰岛素血症、肥胖、高血压等代谢综合征。因此，美国糖尿病学会(American Diabetes Association,ADA)建议在整个妊娠期间严格控制血糖。
控制血糖的常用方法包括生活方式干预与医学营养治疗。通常GDM诊断成立后立即进行生活方式干预，但饮食控制后如反复出现酮症、或血糖达标但出现体重下降、增加热量摄入血糖又超标、或开始饮食和运动疗法一周后血糖检测仍不达标时即可开始胰岛素治疗。胰岛素是人体内唯一一种能降低血糖的激素，在体内与其他升糖激素一起维持血糖正常范围，它属于大分子类物质，不通过胎盘，且能有效地控制血糖，是治疗妊娠期高血糖的首选；同时孕妇体内胰岛素的分泌与调节会受到妊娠影响，妊娠后餐后分泌胰岛素峰值增高并延迟到达，恢复至正常值水平也减慢，甚至会出现胰岛素抵抗状态(IR)。由此可见，在孕妇控制血糖过程中，及时有效的胰岛素治疗尤为重要。
近年来，远程或移动医疗技术被越来越多地应用于妊娠期高血糖领域，利用科技远程且精密地对孕妇进行血糖管理与监测已成为大势所趋。然而，目前妊娠期高血糖患者的胰岛素治疗方案仍主要是由内分泌科医生人工计算给出，由于缺乏规范的临床路径和决策标准，且无法很好兼顾患者间差异性，即使在有效的监测条件下，患者仍难以或延迟获得正确的治疗，导致不必要的母婴风险增加。另一方面，胰岛素治疗是一项长期且精细的血糖控制方法，然而目前医患间沟通较为匮乏，仍主要依赖于面诊，这导致患者控制血糖过程中需要定期多次前往医院，耗费大量时间与精力，同时还不能非常及时地得到有效的管理与帮助。
发明内容
本发明提供一种智能化的胰岛素推荐方法、系统及电子设备，能够及时有效的给妊娠期高血糖患者提供恰当的药物使用决策方案。
本发明通过下述技术方案实现：
一种智能化的胰岛素推荐方法，包括：
S1、获取数据库中若干历史临床病例数据，每个所述历史临床病历数据均包括若干历史临床指标及其对应的历史临床诊断结果；
S2、从若干所述历史临床病历数据中提取与新输入临床指标相关联的所述历史临床指标作为关联临床指标；
S3、计算所述关联临床指标与对应的所述历史临床诊断结果之间的第一相关系数，并提取所述第一相关系数较高的所述关联临床指标作为基础临床指标；
S4、将所述基础临床指标及其对应的历史临床诊断结果作为训练对象进行逐个训练，以得到对各训练对象对应的胰岛素种类、胰岛素使用时间、胰岛素注射方法的预测结果；
S5、计算各训练对象与其对应的预测结果之间的第二相关系数，并提取所述第二相关系数大于第二阈值的预测结果，建立预测结果与对应的历史临床病例数据的第一集合，再将所述第一集合与参照文件进行对比结合，定位得到胰岛素推荐方案一级指标，所述胰岛素推荐方案一级指标包括胰岛素种类、胰岛素使用时间、胰岛素注射方法；
S6、计算胰岛素推荐方案二级指标中的每日胰岛素初始总剂量，以所述参照文件为基础，基于所述每日胰岛素初始总剂量结合相关的所述基础临床指标及其对应的所述历史临床诊断结果，建立对应的胰岛素剂量调整方案，得到胰岛素推荐方案二级指标，所述胰岛素推荐方案二级指标包括每日胰岛素初始总剂量、胰岛素剂量调整方案；
S7、基于前一次胰岛素注射部位数据，对比结合所述参照文件以及对应的所述基础临床指标及其对应的所述历史临床诊断结果，建立对应的胰岛素推荐方案三级指标，所述胰岛素推荐方案三级指标为胰岛素注射部位轮换调整方案；
S8、将所述胰岛素推荐方案一级指标、胰岛素推荐方案二级指标、胰岛素推荐方案三级指标及其对应的历史临床诊断结果作为训练对象进行逐个训练，以得到对各训练对象对应的胰岛素推荐方案预测结果；
S9、存储并输出所述胰岛素推荐方案，所述胰岛素推荐方案包括胰岛素推荐方案一级指标、胰岛素推荐方案二级指标、胰岛素推荐方案三级指标。
作为优化，S3中，所述基础临床指标包括年龄、孕周、孕期体重、体质指数、胰岛素敏感系数、碳水化合物系数、糖尿病分型、糖尿病病程、血常规检查数据、血糖水平、血脂水平、低血糖史、糖尿病并发症情况、联合使用的降糖药物、胰岛素分泌功能、肌酐-血、肌酐-尿、丙氨酸氨基转移酶、谷草转氨酶、血压、糖尿病症状以及胰岛素种类、胰岛素使用时间、胰岛素注射方法、胰岛素初始总剂量、每日胰岛素初始总剂量、每日增加胰岛素剂量、胰岛素注射部位。
作为优化，S4的具体步骤为：
S4.1、将所述基础临床指标及其对应的历史临床诊断结果作为输入参数输入至逻辑斯谛回归模型进行训练，输出对胰岛素种类、胰岛素使用时间、胰岛素注射方法进行预测的第一预测结果，所述第一预测结果包括胰岛素种类、胰岛素使用时间、胰岛素注射方法；
S4.2、将所述基础临床指标及其对应的历史临床诊断结果作为输入参数输入至支持向量机模型进行训练，输出对胰岛素种类、胰岛素使用时间、胰岛素注射方法进行预测的第二预测结果，所述第二预测结果包括胰岛素种类、胰岛素使用时间、胰岛素注射方法；
S4.3、将所述基础临床指标及其对应的历史临床诊断结果作为输入参数输入至K最近邻分类模型进行训练，输出对胰岛素种类、胰岛素使用时间、胰岛素注射方法进行预测的第三预测结果，所述第三预测结果包括胰岛素种类、胰岛素使用时间、胰岛素注射方法；
S4.4、将所述基础临床指标及其对应的历史临床诊断结果作为输入参数输入至深度确定性策略梯度模型进行训练，输出对胰岛素种类、胰岛素使用时间、胰岛素注射方法进行预测的第四预测结果，所述第四预测结果包括胰岛素种类、胰岛素使用时间、胰岛素注射方法。
作为优化，S5的具体实施步骤为：
S5.1、分别计算各所述训练对象与其对应的所述第一预测结果、第二预测结果、第三预测结果、第四预测结果之间的第二相关系数；
S5.2、提取若干第二相关系数中较高的第二相关系数对应的预测结果，并将预测结果与对应的历史临床病例数据分别组合起来，形成第一集合；
S5.3、将所述第一集合与参照文件的进行对比结合，定位得到胰岛素推荐方案一级指标。
作为优化，所述胰岛素种类包括：餐时胰岛素、基础胰岛素、餐时+基础胰岛素联合用药，所述胰岛素使用时间包括：基础胰岛素7：00，即b7；基础胰岛素16：00，即b16；基础胰岛素22:00，即b22；餐时+基础胰岛素联合用药7：30，即p7：30；餐时+基础胰岛素联合用药16:30，即p16:30；餐时胰岛素6:30，即s6:30；餐时胰岛素11:30，即s11:30；餐时胰岛素16:30，即s16:30，所述胰岛素注射方法包括：皮下注射、静脉滴注。
作为优化，S6的具体步骤为：
S6.1、将所述基础临床指标中的胰岛素初始总剂量和与该胰岛素初始总剂量对应的历史临床诊断结果输入至深度确定性策略梯度模型中进行机器学习训练，建立胰岛素初始总剂量与每日胰岛素初始总剂量的函数：y＝k+R，其中，y表示每日胰岛素初始总剂量，k表示胰岛素初始总剂量，范围为0.2～1.0U/(kg*d)，R为每日增加胰岛素剂量，范围为-4～-2U或2～4U，或R≤0.2y，若患者血糖稳定，R为0；
S6.2、以所述参照文件为基础，将各所述临床病历数据中所述基础临床指标和与之对应的所述历史临床诊断结果输入至深度确定性策略梯度模型中进行机器学习训练，以获得胰岛素剂量调整方案。
作为优化，S7的具体实施步骤包括：
S7.1、以所述参照文件为基础，将各所述临床病历数据中所述基础临床指标和与之对应的所述历史临床诊断结果输入至深度确定性策略梯度模型中进行机器学习训练，以获得胰岛素注射部位轮换调整方案。
作为优化，S8的具体实施步骤包括：
S8.1、将所述胰岛素推荐方案及其对应的历史临床诊断结果作为输入参数输入至逻辑斯谛回归模型进行训练，输出对胰岛素推荐方案一级指标、胰岛素推荐方案二级指标、胰岛素推荐方案三级指标进行预测的第五预测结果，所述第五预测结果包括胰岛素推荐方案一级指标、胰岛素推荐方案二级指标、胰岛素推荐方案三级指标；
S8.2、将所述胰岛素推荐方案及其对应的历史临床诊断结果作为输入参数输入至支持向量机模型进行训练，输出胰岛素推荐方案一级指标、胰岛素推荐方案二级指标、胰岛素推荐方案三级指标进行预测的第六预测结果，所述第六预测结果包括胰岛素推荐方案一级指标、胰岛素推荐方案二级指标、胰岛素推荐方案三级指标；
S8.3、将所述胰岛素推荐方案及其对应的历史临床诊断结果作为输入参数输入至K最近邻分类模型进行训练，输出对胰岛素推荐方案一级指标、胰岛素推荐方案二级指标、胰岛素推荐方案三级指标进行预测的第七预测结果，所述第七预测结果包括胰岛素推荐方案一级指标、胰岛素推荐方案二级指标、胰岛素推荐方案三级指标；
S8.4、将所述胰岛素推荐方案及其对应的历史临床诊断结果作为输入参数输入至深度确定性策略梯度模型进行训练，输出对胰岛素推荐方案一级指标、胰岛素推荐方案二级指标、胰岛素推荐方案三级指标进行预测的第八预测结果，所述第八预测结果包括胰岛素推荐方案一级指标、胰岛素推荐方案二级指标、胰岛素推荐方案三级指标。
本发明还公开了一种智能化的胰岛素推荐系统，包括：
数据库，用于存储历史临床病历数据；
输入模块，用于接收新输入临床指标；
数据获取模块，用于从数据库中获取所述历史临床病例数据；
关联指标提取模块，用于将所述输入模块中输入的新输入临床指标与数据获取模块获取的历史临床病例数据进行对比，获取与新输入临床指标相关联的历史临床指标作为关联临床指标；
基础指标提取模块，用于计算所述关联临床指标与对应的所述历史临床诊断结果之间的第一相关系数，并提取所述第一相关系数较高的所述关联临床指标；
训练模块一，用于将所述基础临床指标及其对应的历史临床诊断结果作为训练对象进行逐个训练，以得到对各训练对象对应的胰岛素种类、胰岛素使用时间、胰岛素注射方法的预测结果；
筛选契合模块，用于计算各训练对象与其对应的预测结果之间的第二相关系数，并提取所述第二相关系数较高的预测结果，建立预测结果与对应的临床病例数据的第一集合，再将所述第一集合与参照文件进行对比结合，定位得到胰岛素推荐方案一级指标；
初始总剂量模块，用于计算胰岛素推荐方案二级指标中的每日胰岛素初始总剂量；
胰岛素剂量调整模块，用于基于在每日胰岛素初始总剂量的基础上调整胰岛素注射时的剂量；
注射部位轮换模块，用于获得每一次胰岛素注射的注射部位，且后一次注射部位与前一次不同；
训练模块二，用于将所述胰岛素推荐方案一级指标、胰岛素推荐方案二级指标、胰岛素推荐方案三级指标及其对应的历史临床诊断结果作为训练对象进行逐个训练，以得到对各训练对象对应的胰岛素推荐方案的预测结果；
记忆库，用于存储胰岛素推荐方案一级指标、胰岛素推荐方案二级指标、胰岛素推荐方案三级指标以及得到胰岛素推荐方案一级指标、胰岛素推荐方案二级指标、胰岛素推荐方案三级指标的训练过程；
预测模块，将获取到的存储胰岛素推荐方案一级指标、胰岛素推荐方案二级指标、胰岛素推荐方案三级指标作为胰岛素推荐方案，运用人工智能技术进行人工血糖控制效果预测，并与血糖控制目标值相匹配，完成一次推荐；
审核模块，将所述胰岛素推荐方案及所述预测模块的预测结果结合专家审核意见，完成二次推荐；
输出模块，用于输出与新输入临床指标相关的胰岛素推荐方案和专家审核意见。
本发明还公开了一种电子设备，包括至少一个处理器，以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如上述的一种智能化的胰岛素推荐方法。
本发明还公开了一种存储介质，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的一种智能化的胰岛素推荐方法。
本发明与现有技术相比，具有如下的优点和有益效果：
1.本发明能够快速定位出有效的胰岛素推荐方案，及时根据使用者身体各项指标进行调整，精确定位到每日胰岛素使用剂量，确保为使用者提供更为精准贴切的胰岛素推荐方案；
2.本发明充分考虑胰岛素注射部位的轮换，能够有效减少局部皮肤因为长期注射出现硬结、感染等情况，在实施有效血糖控制的基础上提高使用者的舒适度；
3.本发明将预测模块中给出的胰岛素推荐方案进行两次推荐，将远程或移动医疗技术与医生用药方案最优化结合，确保胰岛素推荐方案具有有效性、可行性，大大提高治疗效果、诊断效率；
4.本发明充分考虑使用者个体差异，建立每位使用者专用的数据档案，全方位结合使用者实际情况并给出一对一的胰岛素推荐方案，能够有效控制血糖，降低不良妊娠结局的发生。
附图说明
为了更清楚地说明本发明示例性实施方式的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。在附图中：
图1为本发明所述的一种智能化的胰岛素推荐方法的流程图；
图2为本发明的一种智能化的胰岛素推荐系统的结构示意图；
图3为基础指标提取模块、训练模块一和筛选契合模块之间的连接结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。
实施例1
在为使用者推荐胰岛素方案时，通过使用者的基础临床指标(如年龄、孕周、体重指数、孕期体重、血脂水平、糖化血红蛋白、尿酮体、血糖控制目标、血糖水平、糖尿病分型)；按照本发明的方法为使用者自动给出胰岛素推荐方案，包括每日胰岛素种类、使用时间、注射方法、初始剂量、剂量调整方案和注射部位的轮换的建议，经审核后发送给使用者，具体的推荐方法如下：
如图1所示，一种智能化的胰岛素推荐方法，包括：
S1、获取数据库中若干历史临床病例数据，每个所述历史临床病历数据均包括若干历史临床指标及其对应的历史临床诊断结果。
S2、从若干所述历史临床病历数据中提取与新输入临床指标相关联的所述历史临床指标作为关联临床指标。
本发明中的数据库所含有的历史临床病例包含了妊娠期高血糖患者的所有临床指标，通过新输入临床指标，可以获取到相应的历史临床病例。
读取数据库中的若干历史临床病例数据，并与新输入临床指标进行关联对比，找出与该新输入临床指标相关联的历史临床病例数据。新输入临床指标是指使用者所需录入的临床指标，包括这个指标对应的数值，比如午餐后血糖和它对应的数值或尿酮体和它是否阳性；将这些指标输入数据库，搜索到输入的临床指标对应的历史临床指标，并提取出来便达到关联的目的，而从数据库提取得到的临床指标则为与新输入临床指标相关联的关联临床指标。
S3、计算所述关联临床指标与对应的所述历史临床诊断结果之间的第一相关系数，并提取所述第一相关系数大于第一阈值的所述关联临床指标作为基础临床指标。相关系数是现有技术，此处不再赘述。这里的第一阈值为0.7。由于提取到的关联临床指标较多，其中的各个关联临床指标及其对应的临床诊断结果的数值或内容相近或有区别，所以需要选取出相关系数较高的(相关系数大于0.7)才能作为基础临床指标。
本实施例中，所述基础临床指标包括年龄、孕周、孕期体重、体质指数、胰岛素敏感系数、碳水化合物系数、糖尿病分型、糖尿病病程、血常规检查数据、血糖水平、血脂水平、低血糖史、糖尿病并发症情况、联合使用的降糖药物、胰岛素分泌功能、肌酐-血、肌酐-尿、丙氨酸氨基转移酶、谷草转氨酶、血压、糖尿病症状以及胰岛素种类、胰岛素使用时间、胰岛素注射方法、胰岛素初始总剂量、每日胰岛素初始总剂量、每日增加胰岛素剂量、胰岛素注射部位。
前述的基础临床指标，在提取关联临床指标时，就会输入指标及其对应数值或指标及其是否为阳性，例如，在提取关联临床指标时，年龄、碳水化合物系数等由数字表示的指标直接输入数字，即输入的是指标及其对应描述方式。
S4、将所述基础临床指标及其对应的历史临床诊断结果作为训练对象进行逐个训练，以得到对各训练对象对应的胰岛素种类、胰岛素使用时间、胰岛素注射方法的预测结果；
本实施例中，S4的具体步骤为：
S4.1、将所述基础临床指标及其对应的历史临床诊断结果作为输入参数输入至逻辑斯谛回归模型进行训练，输出对胰岛素种类、胰岛素使用时间、胰岛素注射方法进行预测的第一预测结果，所述第一预测结果包括胰岛素种类、胰岛素使用时间、胰岛素注射方法。
其训练过程为：收集新样本的特征向量x(基础临床指标及其对应的历史临床诊断结果)，代入到逻辑斯谛回归模型中求决策函数和/>的概率值，其中，w为逻辑斯谛回归模型参数，选出概率大的一项，该项y的取值即为新样本的标签，即胰岛素种类、胰岛素使用时间、胰岛素注射方法。
S4.2、将所述基础临床指标及其对应的历史临床诊断结果作为输入参数输入至支持向量机模型进行训练，输出对胰岛素种类、胰岛素使用时间、胰岛素注射方法进行预测的第二预测结果，所述第二预测结果包括胰岛素种类、胰岛素使用时间、胰岛素注射方法。
其训练过程为：收集新样本的特征向量xi(基础临床指标及其对应的历史临床诊断结果)，代入到支持向量机模型当中，通过预测公式
计算得到第二预测结果即yi的值，即胰岛素种类、胰岛素使用时间、胰岛素注射方法。
S4.3、将所述基础临床指标及其对应的历史临床诊断结果作为输入参数输入至K最近邻分类模型进行训练，输出对胰岛素种类、胰岛素使用时间、胰岛素注射方法进行预测的第三预测结果，所述第三预测结果包括胰岛素种类、胰岛素使用时间、胰岛素注射方法。
其训练过程为：将测试样本(基础临床指标及其对应的历史临床诊断结果)输入K最近邻分类模型中，基于欧式距离找出训练集中与测试样本最靠近的多个训练样本，这里的多个训练样本的数量根据实际情况来设定，然后根据这多个训练样本的信息来进行预测胰岛素种类、胰岛素使用时间、胰岛素注射方法。
S4.4、将所述基础临床指标及其对应的历史临床诊断结果作为输入参数输入至深度确定性策略梯度模型进行训练，输出对胰岛素种类、胰岛素使用时间、胰岛素注射方法进行预测的第四预测结果，所述第四预测结果包括胰岛素种类、胰岛素使用时间、胰岛素注射方法。
其训练过程为：将测试样本(基础临床指标及其对应的历史临床诊断结果)输入深度确定性策略梯度模型中，通过多层由多个神经元通过带权重的连接组成的深度神经网络通过神经元上的阶跃函数处理产生输出，最终得到胰岛素种类、胰岛素使用时间、胰岛素注射方法。
S5、计算各训练对象与其对应的预测结果之间的第二相关系数，并提取所述第二相关系数大于第二阈值的预测结果，建立预测结果与对应的历史临床病例数据的第一集合，再将所述第一集合与参照文件进行对比结合，定位得到胰岛素推荐方案一级指标，所述胰岛素推荐方案一级指标包括胰岛素种类、胰岛素使用时间、胰岛素注射方法。这里的第二阈值也是0.7。
本实施例中，S5的具体实施步骤为：
S5.1、分别计算各所述训练对象与其对应的所述第一预测结果、第二预测结果、第三预测结果、第四预测结果之间的第二相关系数；
S5.2、提取若干第二相关系数中较高的第二相关系数对应的预测结果，并将预测结果与对应的历史临床病例数据分别组合起来，形成第一集合；
S5.3、将所述第一集合与参照文件的进行对比结合，定位得到胰岛素推荐方案一级指标。
将所述第一集合中的胰岛素推荐方案一级指标与参照文件对比搜索出相同或相似的胰岛素使用情况，并提取出来，做到定位出参照文件里的胰岛素推荐方案一级指标，这里的相似或相同，是指胰岛素种类、胰岛素使用时间和胰岛素注射方法相同、胰岛素使用时间差小于A小时，这里的A可以为0.1或者其他数值，根据实际情况来设定。参照文件具体为妊娠期高血糖指南/专家共识/系统评价等(一般是期刊文献)；
具体的，第一集合中的每个数据组合均有胰岛素推荐方案一级指标及其对应的临床病例数据组成。
本实施例中，所述胰岛素种类包括：餐时胰岛素、基础胰岛素、餐时+基础胰岛素联合用药，又根据不同的注射时间将胰岛素使用时间划分为八种类型：基础胰岛素7：00，即b7；基础胰岛素16：00，即b16；基础胰岛素22:00，即b22；餐时+基础胰岛素联合用药7：30，即p7：30；餐时+基础胰岛素联合用药16:30，即p16:30；餐时胰岛素6:30，即s6:30；餐时胰岛素11:30，即s11:30；餐时胰岛素16:30，即s16:30，所述胰岛素注射方法包括：皮下注射、静脉滴注。
S6、计算胰岛素推荐方案二级指标中的每日胰岛素初始总剂量，以所述参照文件为基础，基于所述每日胰岛素初始总剂量结合相关的所述基础临床指标及其对应的所述历史临床诊断结果，建立对应的胰岛素剂量调整方案，得到胰岛素推荐方案二级指标，所述胰岛素推荐方案二级指标包括每日胰岛素初始总剂量、胰岛素剂量调整方案；
本实施例中，S6的具体步骤为：
S6.1、将所述基础临床指标中的胰岛素初始总剂量和与该胰岛素初始总剂量对应的历史临床诊断结果输入至深度确定性策略梯度模型中进行机器学习训练，建立胰岛素初始总剂量与每日胰岛素初始总剂量的函数：y＝k+R，其中，y表示每日胰岛素初始总剂量，k表示胰岛素初始总剂量，范围为0.2～1.0U/(kg*d)，R为每日增加胰岛素剂量，范围为-4～-2U或2～4U，或R≤0.2y，若患者血糖稳定，R为0；
S6.2、以所述参照文件为基础，将各所述临床病历数据中所述基础临床指标和与之对应的所述历史临床诊断结果输入至深度确定性策略梯度模型中进行机器学习训练，以获得胰岛素剂量调整方案。胰岛素剂量调整方案是指在每日胰岛素初始总剂量的基础上，将其按照每日的胰岛素种类、胰岛素使用时间、胰岛素注射方法分配每日胰岛素初始总剂量。
其训练过程为：将测试数据(基础临床指标及其对应的历史临床诊断结果)输入深度确定性策略梯度模型中，设计奖励函数并对数据进行评估，对胰岛素剂量的有效性进行验证，获得奖励函数给予的反馈奖励。对于有效性好的给予正向奖励，对于有效性差的给予惩罚。所有的信息样本都被存储在经验池中，当样本数量达到预定数量时对样本进行随机抽取，利用梯度下降来更新深度确定性策略梯度模型的参数，以此不断调整胰岛素剂量。
S7、基于前一次胰岛素注射部位数据，对比结合所述参照文件以及对应的所述基础临床指标及其对应的所述历史临床诊断结果，建立对应的胰岛素推荐方案三级指标，所述胰岛素推荐方案三级指标为胰岛素注射部位轮换调整方案；
与参照文件对比搜索出前一次胰岛素注射部位数据，并提取出来，做出下次胰岛素注射部位的指导，并建立胰岛素注射部位轮换的调整方案。
本实施例中，S7的具体步骤包括：
S7.1、以所述参照文件为基础，将各所述临床病历数据中所述基础临床指标和与之对应的所述历史临床诊断结果输入至深度确定性策略梯度模型中进行机器学习训练，以获得胰岛素注射部位轮换调整方案。
其训练过程为：将测试数据(基础临床指标及其对应的历史临床诊断结果)输入深度确定性策略梯度模型中。设计奖励函数并对数据进行评估，对注射部位有效性进行验证，获得奖励函数给予的反馈奖励。对于有效性好的给予正向奖励，对于有效性差的给予惩罚。所有的信息样本都被存储在经验池中，当样本数量达到预定数量时对样本进行随机抽取，利用梯度下降来更新模型的参数，以此不断调整注射部位。
胰岛素注射部位轮换调整方案包括环形轮换法进行四肢胰岛素注射和两部四区五指轮换方案注射胰岛素。环形轮换法进行四肢胰岛素注射具体为：每次注射前确定前一次胰岛素注射部位来选择本次的注射部位，环形可以为顺时针或者逆时针，两部四区五指轮换方案注射胰岛素中,两部指下肢和上臂；四区指左下肢、右下肢以及左上臂、右上臂；五指是指操作者的五个手指。
上述区域都可以注射，无强制性的先后顺序，环形轮换法和两部四区五指轮换方案需结合使用，保证1个月内不重复使用同一注射点。
注射推荐方法：每天同一时间注射同一部位(如左下肢)，每次注射点应与上次注射点至少相距1cm，即环形轮换法，每周左右轮换注射部位(如由左下肢轮换至右下肢)，即两部四区五指轮换方案。
S8、将所述胰岛素推荐方案一级指标、胰岛素推荐方案二级指标、胰岛素推荐方案三级指标及其对应的历史临床诊断结果作为训练对象进行逐个训练，以得到对各训练对象对应的胰岛素推荐方案预测结果；
本实施例中，S8的具体实施步骤为：
S8.1、将所述胰岛素推荐方案一级指标、胰岛素推荐方案二级指标、胰岛素推荐方案三级指标及其对应的历史临床诊断结果作为输入参数输入至逻辑斯谛回归模型进行训练，输出对胰岛素推荐方案进行预测的第五预测结果，所述第五预测结果包括胰岛素推荐方案一级指标、胰岛素推荐方案二级指标、胰岛素推荐方案三级指标。
其训练过程为：收集新样本的特征向量x(胰岛素推荐方案一级指标、胰岛素推荐方案二级指标、胰岛素推荐方案三级指标及其对应的历史临床诊断结果)，代入到逻辑斯谛回归模型中求决策函数和/>的概率值，其中，w为逻辑斯谛回归模型参数，选出概率大的一项，该项y的取值即为新样本的标签，即胰岛素推荐方案。
S8.2、将所述胰岛素推荐方案一级指标、胰岛素推荐方案二级指标、胰岛素推荐方案三级指标及其对应的历史临床诊断结果作为输入参数输入至支持向量机模型进行训练，输出对胰岛素推荐方案进行预测的第六预测结果，所述第六预测结果包括胰岛素推荐方案一级指标、胰岛素推荐方案二级指标、胰岛素推荐方案三级指标。
其训练过程为：收集新样本的特征向量xi(胰岛素推荐方案一级指标、胰岛素推荐方案二级指标、胰岛素推荐方案三级指标及其对应的历史临床诊断结果)，代入到支持向量机模型当中，通过预测公式
计算得到第六预测结果即yi的值，即胰岛素推荐方案。
S8.3、将所述胰岛素推荐方案一级指标、胰岛素推荐方案二级指标、胰岛素推荐方案三级指标及其对应的历史临床诊断结果作为输入参数输入至K最近邻分类模型进行训练，输出对胰岛素推荐方案进行预测的第七预测结果，所述第七预测结果包括胰岛素推荐方案一级指标、胰岛素推荐方案二级指标、胰岛素推荐方案三级指标。
其训练过程为：将测试样本(胰岛素推荐方案一级指标、胰岛素推荐方案二级指标、胰岛素推荐方案三级指标及其对应的历史临床诊断结果)输入K最近邻分类模型中，基于欧式距离找出训练集中与测试样本最靠近的多个训练样本，这里的多个训练样本的数量根据实际情况来设定，然后根据这多个训练样本的信息来进行预测胰岛素推荐方案。
S8.4、将所述胰岛素推荐方案一级指标、胰岛素推荐方案二级指标、胰岛素推荐方案三级指标及其对应的历史临床诊断结果作为输入参数输入至深度确定性策略梯度模型进行训练，输出对胰岛素推荐方案进行预测的第八预测结果，所述第八预测结果包括胰岛素推荐方案一级指标、胰岛素推荐方案二级指标、胰岛素推荐方案三级指标。
其训练过程为：将测试样本(胰岛素推荐方案一级指标、胰岛素推荐方案二级指标、胰岛素推荐方案三级指标及其对应的历史临床诊断结果)输入深度确定性策略梯度模型中，通过多层由多个神经元通过带权重的连接组成的深度神经网络通过神经元上的阶跃函数处理产生输出，最终得到胰岛素推荐方案。
S9、存储并输出所述胰岛素推荐方案，所述胰岛素推荐方案包括胰岛素推荐方案一级指标、胰岛素推荐方案二级指标、胰岛素推荐方案三级指标。
实施例2
如图2-3所示，本发明还公开了一种智能化的胰岛素推荐系统，包括：
数据库，用于存储历史临床病历数据；
输入模块，用于接收新输入临床指标；
数据获取模块，用于从数据库中获取所述历史临床病例数据；
关联指标提取模块，用于将所述输入模块中输入的新输入临床指标与数据获取模块获取的历史临床病例数据进行对比，获取与新输入临床指标相关联的历史临床指标作为关联临床指标；
基础指标提取模块，用于计算所述关联临床指标与对应的所述历史临床诊断结果之间的第一相关系数，并提取所述第一相关系数较高的所述关联临床指标；
训练模块一，用于将所述基础临床指标及其对应的历史临床诊断结果作为训练对象进行逐个训练，以得到对各训练对象对应的胰岛素种类、胰岛素使用时间、胰岛素注射方法的预测结果。
具体的，训练模块一包括第一训练单元、第二训练单元、第三训练单元、第四训练单元。
第一训练单元用于将所述基础临床指标及其对应的历史临床诊断结果作为输入参数输入至逻辑斯谛回归模型进行训练，输出对胰岛素种类、胰岛素使用时间、胰岛素注射方法进行预测的第一预测结果；
第二训练单元用于将所述基础临床指标及其对应的历史临床诊断结果作为输入参数输入至支持向量机模型进行训练，输出对胰岛素种类、胰岛素使用时间、胰岛素注射方法进行预测的第二预测结果；
第三训练单元用于将所述基础临床指标及其对应的历史临床诊断结果作为输入参数输入至K最近邻分类模型进行训练，输出对胰岛素种类、胰岛素使用时间、胰岛素注射方法进行预测的第三预测结果；
第四训练单元用于将所述基础临床指标及其对应的历史临床诊断结果作为输入参数输入至深度确定性策略梯度模型进行训练，输出对胰岛素种类、胰岛素使用时间、胰岛素注射方法进行预测的第四预测结果。
筛选契合模块，用于计算各训练对象与其对应的预测结果之间的第二相关系数，并提取所述第二相关系数较高的预测结果，建立预测结果与对应的临床病例数据的第一集合，再将所述第一集合与参照文件进行对比结合，定位得到胰岛素推荐方案一级指标；
初始总剂量模块，用于计算胰岛素推荐方案二级指标中的每日胰岛素初始总剂量；
胰岛素剂量调整模块，用于基于在每日胰岛素初始总剂量的基础上调整胰岛素注射时的剂量；
注射部位轮换模块，用于获得每一次胰岛素注射的注射部位，且后一次注射部位与前一次不同；
训练模块二，用于将所述胰岛素推荐方案一级指标、胰岛素推荐方案二级指标、胰岛素推荐方案三级指标及其对应的历史临床诊断结果作为训练对象进行逐个训练，以得到对各训练对象对应的胰岛素推荐方案的预测结果；训练模块二的训练方式跟训练模块一的训练方式相同，这里就不再赘述了。
记忆库，用于存储胰岛素推荐方案一级指标、胰岛素推荐方案二级指标、胰岛素推荐方案三级指标以及得到胰岛素推荐方案一级指标、胰岛素推荐方案二级指标、胰岛素推荐方案三级指标的训练过程。
具体的，记忆库分别与训练模块一、训练模块二、筛选契合模块、初始总剂量模块、胰岛素剂量调整模块、注射部位轮换模块连接，用于存储训练模块一、训练模块二、筛选集合模块、契合模块、初始总剂量模块、胰岛素剂量调整模块、注射部位轮换模块的参数以及该参数的训练过程。
预测模块，将获取到的存储胰岛素推荐方案一级指标、胰岛素推荐方案二级指标、胰岛素推荐方案三级指标作为胰岛素推荐方案，运用人工智能技术进行人工血糖控制效果预测，并与血糖控制目标值相匹配，完成一次推荐；
输入使用者录入的指标，电脑模拟使用者使用按照本发明上述的流程生成的胰岛素推荐方案使用后的生理环境，与正常生理环境进行比较，预测出胰岛素推荐方案的可行性。
审核模块，将所述胰岛素推荐方案及所述预测模块的预测结果结合专家审核意见，完成二次推荐；
输出模块，用于输出与新输入临床指标相关的胰岛素推荐方案以及专家审核意见。
实施例3
本发明还公开了一种电子设备，包括至少一个处理器，以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如上述的一种智能化的胰岛素推荐方法。
实施例4
本发明还公开了一种存储介质，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的一种智能化的胰岛素推荐方法。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不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，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种智能化的胰岛素推荐方法，其特征在于，包括：
S1、获取数据库中若干历史临床病例数据，每个所述历史临床病历数据均包括若干历史临床指标及其对应的历史临床诊断结果；
S2、从若干所述历史临床病历数据中提取与新输入临床指标相关联的所述历史临床指标作为关联临床指标；
S3、计算所述关联临床指标与对应的所述历史临床诊断结果之间的第一相关系数，并提取所述第一相关系数大于第一阈值的所述关联临床指标作为基础临床指标；
S4、将所述基础临床指标及其对应的历史临床诊断结果作为训练对象进行逐个训练，以得到对各训练对象对应的胰岛素种类、胰岛素使用时间、胰岛素注射方法的预测结果；
S5、计算各训练对象与其对应的预测结果之间的第二相关系数，并提取所述第二相关系数大于第二阈值的预测结果，建立预测结果与对应的历史临床病例数据的第一集合，再将所述第一集合与参照文件进行对比结合，定位得到胰岛素推荐方案一级指标，所述胰岛素推荐方案一级指标包括胰岛素种类、胰岛素使用时间、胰岛素注射方法；
S6、计算胰岛素推荐方案二级指标中的每日胰岛素初始总剂量，以所述参照文件为基础，基于所述每日胰岛素初始总剂量结合相关的所述基础临床指标及其对应的所述历史临床诊断结果，建立对应的胰岛素剂量调整方案，得到胰岛素推荐方案二级指标，所述胰岛素推荐方案二级指标包括每日胰岛素初始总剂量、胰岛素剂量调整方案；
S7、基于前一次胰岛素注射部位数据，对比结合所述参照文件以及对应的所述基础临床指标及其对应的所述历史临床诊断结果，建立对应的胰岛素推荐方案三级指标，所述胰岛素推荐方案三级指标为胰岛素注射部位轮换调整方案；
S8、将所述胰岛素推荐方案一级指标、胰岛素推荐方案二级指标、胰岛素推荐方案三级指标及其对应的历史临床诊断结果作为训练对象进行逐个训练，以得到对各训练对象对应的胰岛素推荐方案的预测结果；
S9、存储并输出所述胰岛素推荐方案，所述胰岛素推荐方案包括胰岛素推荐方案一级指标、胰岛素推荐方案二级指标、胰岛素推荐方案三级指标。
2.根据权利要求1所述的一种智能化的胰岛素推荐方法，其特征在于，S3中，所述基础临床指标包括年龄、孕周、孕期体重、体质指数、胰岛素敏感系数、碳水化合物系数、糖尿病分型、糖尿病病程、血常规检查数据、血糖水平、血脂水平、低血糖史、糖尿病并发症情况、联合使用的降糖药物、胰岛素分泌功能、肌酐-血、肌酐-尿、丙氨酸氨基转移酶、谷草转氨酶、血压、糖尿病症状以及胰岛素种类、胰岛素使用时间、胰岛素注射方法、胰岛素初始总剂量、每日胰岛素初始总剂量、每日增加胰岛素剂量、胰岛素注射部位。
3.根据权利要求1所述的一种智能化的胰岛素推荐方法，其特征在于，S4的具体步骤为：
S4.1、将所述基础临床指标及其对应的历史临床诊断结果作为输入参数输入至逻辑斯谛回归模型进行训练，输出对胰岛素种类、胰岛素使用时间、胰岛素注射方法进行预测的第一预测结果，所述第一预测结果包括胰岛素种类、胰岛素使用时间、胰岛素注射方法；
S4.2、将所述基础临床指标及其对应的历史临床诊断结果作为输入参数输入至支持向量机模型进行训练，输出对胰岛素种类、胰岛素使用时间、胰岛素注射方法进行预测的第二预测结果，所述第二预测结果包括胰岛素种类、胰岛素使用时间、胰岛素注射方法；
S4.3、将所述基础临床指标及其对应的历史临床诊断结果作为输入参数输入至K最近邻分类模型进行训练，输出对胰岛素种类、胰岛素使用时间、胰岛素注射方法进行预测的第三预测结果，所述第三预测结果包括胰岛素种类、胰岛素使用时间、胰岛素注射方法；
S4.4、将所述基础临床指标及其对应的历史临床诊断结果作为输入参数输入至深度确定性策略梯度模型进行训练，输出对胰岛素种类、胰岛素使用时间、胰岛素注射方法进行预测的第四预测结果，所述第四预测结果包括胰岛素种类、胰岛素使用时间、胰岛素注射方法。
4.根据权利要求3所述的一种智能化的胰岛素推荐方法，其特征在于，S5的具体实施步骤为：
S5.1、分别计算各所述训练对象与其对应的所述第一预测结果、第二预测结果、第三预测结果、第四预测结果之间的第二相关系数；
S5.2、提取若干第二相关系数中较高的第二相关系数对应的预测结果，并将预测结果与对应的历史临床病例数据分别组合起来，形成第一集合；
S5.3、将所述第一集合与参照文件的进行对比结合，定位得到胰岛素推荐方案一级指标。
5.根据权利要求3或4所述的一种智能化的胰岛素推荐方法，其特征在于，所述胰岛素种类包括：餐时胰岛素、基础胰岛素、餐时+基础胰岛素联合用药，所述胰岛素使用时间包括：基础胰岛素7：00，即b7；基础胰岛素16：00，即b16；基础胰岛素22:00，即b22；餐时+基础胰岛素联合用药7：30，即p7：30；餐时+基础胰岛素联合用药16:30，即p16:30；餐时胰岛素6:30，即s6:30；餐时胰岛素11:30，即s11:30；餐时胰岛素16:30，即s16:30，所述胰岛素注射方法包括：皮下注射、静脉滴注。
6.根据权利要求1所述的一种智能化的胰岛素推荐方法，其特征在于，S6的具体步骤为：
S6.1、将所述基础临床指标中的胰岛素初始总剂量和与该胰岛素初始总剂量对应的历史临床诊断结果输入至深度确定性策略梯度模型中进行机器学习训练，建立胰岛素初始总剂量与每日胰岛素初始总剂量的函数：y＝k+R，其中，y表示每日胰岛素初始总剂量，k表示胰岛素初始总剂量，范围为0.2～1.0U/(kg*d)，R为每日增加胰岛素剂量，范围为-4～-2U或2～4U，或R≤0.2y，若患者血糖稳定，R为0；
S6.2、以所述参照文件为基础，将各所述临床病历数据中所述基础临床指标和与之对应的所述历史临床诊断结果输入至深度确定性策略梯度模型中进行机器学习训练，以获得胰岛素剂量调整方案。
7.根据权利要求1所述的一种智能化的胰岛素推荐方法，其特征在于，S7的具体实施步骤包括：
S7.1、以所述参照文件为基础，将各所述临床病历数据中所述基础临床指标和与之对应的所述历史临床诊断结果输入至深度确定性策略梯度模型中进行机器学习训练，以获得胰岛素注射部位轮换调整方案。
8.根据权利要求1所述的一种智能化的胰岛素推荐方法，其特征在于，S8的具体实施步骤包括：
S8.1、将所述胰岛素推荐方案及其对应的历史临床诊断结果作为输入参数输入至逻辑斯谛回归模型进行训练，输出对胰岛素推荐方案一级指标、胰岛素推荐方案二级指标、胰岛素推荐方案三级指标进行预测的第五预测结果，所述第五预测结果包括胰岛素推荐方案一级指标、胰岛素推荐方案二级指标、胰岛素推荐方案三级指标；
S8.2、将所述胰岛素推荐方案及其对应的历史临床诊断结果作为输入参数输入至支持向量机模型进行训练，输出对胰岛素推荐方案一级指标、胰岛素推荐方案二级指标、胰岛素推荐方案三级指标进行预测的第六预测结果，所述第六预测结果包括胰岛素推荐方案一级指标、胰岛素推荐方案二级指标、胰岛素推荐方案三级指标；
S8.3、将所述胰岛素推荐方案及其对应的历史临床诊断结果作为输入参数输入至K最近邻分类模型进行训练，输出对胰岛素推荐方案一级指标、胰岛素推荐方案二级指标、胰岛素推荐方案三级指标进行预测的第七预测结果，所述第七预测结果包括胰岛素推荐方案一级指标、胰岛素推荐方案二级指标、胰岛素推荐方案三级指标；
S8.4、将所述胰岛素推荐方案及其对应的历史临床诊断结果作为输入参数输入至深度确定性策略梯度模型进行训练，输出对胰岛素推荐方案一级指标、胰岛素推荐方案二级指标、胰岛素推荐方案三级指标进行预测的第八预测结果，所述第八预测结果包括胰岛素推荐方案一级指标、胰岛素推荐方案二级指标、胰岛素推荐方案三级指标。
9.一种智能化的胰岛素推荐系统，其特征在于，包括：
数据库，用于存储历史临床病历数据；
输入模块，用于接收新输入临床指标；
数据获取模块，用于从数据库中获取所述历史临床病例数据；
关联指标提取模块，用于将所述输入模块中输入的新输入临床指标与数据获取模块获取的历史临床病例数据进行对比，获取与新输入临床指标相关联的历史临床指标作为关联临床指标；
基础指标提取模块，用于计算所述关联临床指标与对应的所述历史临床诊断结果之间的第一相关系数，并提取所述第一相关系数较高的所述关联临床指标；
训练模块一，用于将所述基础临床指标及其对应的历史临床诊断结果作为训练对象进行逐个训练，以得到对各训练对象对应的胰岛素种类、胰岛素使用时间、胰岛素注射方法的预测结果；
筛选契合模块，用于计算各训练对象与其对应的预测结果之间的第二相关系数，并提取所述第二相关系数较高的预测结果，建立预测结果与对应的临床病例数据的第一集合，再将所述第一集合与参照文件进行对比结合，定位得到胰岛素推荐方案一级指标；
初始总剂量模块，用于计算胰岛素推荐方案二级指标中的每日胰岛素初始总剂量；
胰岛素剂量调整模块，用于基于在每日胰岛素初始总剂量的基础上调整胰岛素注射时的剂量；
注射部位轮换模块，用于获得每一次胰岛素注射的注射部位，且后一次注射部位与前一次不同；
训练模块二，用于将所述胰岛素推荐方案一级指标、胰岛素推荐方案二级指标、胰岛素推荐方案三级指标及其对应的历史临床诊断结果作为训练对象进行逐个训练，以得到对各训练对象对应的胰岛素推荐方案预测结果；
记忆库，用于存储胰岛素推荐方案一级指标、胰岛素推荐方案二级指标、胰岛素推荐方案三级指标以及得到胰岛素推荐方案一级指标、胰岛素推荐方案二级指标、胰岛素推荐方案三级指标的训练过程；
预测模块，将获取到的存储胰岛素推荐方案一级指标、胰岛素推荐方案二级指标、胰岛素推荐方案三级指标作为胰岛素推荐方案，运用人工智能技术进行血糖控制效果预测，并与血糖控制目标值相匹配，完成一次推荐；
审核模块，将所述胰岛素推荐方案及所述预测模块的预测结果结合专家审核意见，完成二次推荐；
输出模块，用于输出与新输入临床指标相关的胰岛素推荐方案和专家审核意见。
10.一种电子设备，其特征在于，包括至少一个处理器，以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至8中任一所述的一种智能化的胰岛素推荐方法。
CN202310202818.0A 2023-03-02 2023-03-02 一种智能化的胰岛素推荐方法、系统及电子设备 Pending CN116453681A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310202818.0A CN116453681A (zh) 2023-03-02 2023-03-02 一种智能化的胰岛素推荐方法、系统及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310202818.0A CN116453681A (zh) 2023-03-02 2023-03-02 一种智能化的胰岛素推荐方法、系统及电子设备

Publications (1)

Publication Number Publication Date
CN116453681A true CN116453681A (zh) 2023-07-18

Family

ID=87132786

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310202818.0A Pending CN116453681A (zh) 2023-03-02 2023-03-02 一种智能化的胰岛素推荐方法、系统及电子设备

Country Status (1)

Country Link
CN (1) CN116453681A (zh)

Similar Documents

Publication Publication Date Title
US11626195B2 (en) Labeling medical scans via prompt decision trees
CN111696675B (zh) 基于物联网数据的用户数据分类方法、装置及计算机设备
KR102237449B1 (ko) 환자 진단 학습 방법, 서버 및 프로그램
CN108766561A (zh) 病症信息处理方法、装置、计算机设备和存储介质
KR20170061222A (ko) 건강데이터 패턴의 일반화를 통한 건강수치 예측 방법 및 그 장치
Afsaneh et al. Recent applications of machine learning and deep learning models in the prediction, diagnosis, and management of diabetes: a comprehensive review
CN109686452A (zh) 一种用于糖尿病药物干预策略制定的智能系统及方法
He et al. Machine learning and data mining in diabetes diagnosis and treatment
CN112542242A (zh) 数据转换/症状评分
CN117198512A (zh) 给药量预测方法及相关装置、设备和存储介质
Liao et al. Medical data inquiry using a question answering model
CN116453681A (zh) 一种智能化的胰岛素推荐方法、系统及电子设备
Usman et al. The diabetic buddy: a diet regulator and tracking system for diabetics
WO2022271572A1 (en) System and method for determining a stool condition
Vaidya Diabetes Detection using Convolutional Neural Network through Feature Sequencing
Sarkar et al. Prediction model for diabetes mellitus using machine learning algorithms for enhanced diagnosis and prognosis in healthcare
Manjunathan et al. Cardiovascular disease prediction using enhanced support vector machine algorithm
Chauhan A mobile platform for non-invasive diabetes screening
CN117059231B (zh) 用于机器学习中医医案的方法及智能诊疗系统
CN117316438B (zh) 基于ai的中医专家远程医疗辅助系统
US20240161913A1 (en) Precision biology search with machine learning and digital twin technology
Maimone Data and knowledge acquisition in case-based reasoning for diabetes management
Nithiya et al. A Diabetes Monitoring System and Health-Medical Service Composition Model in Cloud Environment
Montani et al. Multi-modal reasoning in diabetic patient management
Singh et al. An Efficient Deep Learning Technique for Diabetes Classification and Prediction Based on Indian Diabetes Dataset

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