CN116825336A - 一种基于ai的医疗信息智能管理方法及系统 - Google Patents
一种基于ai的医疗信息智能管理方法及系统 Download PDFInfo
- Publication number
- CN116825336A CN116825336A CN202311104518.5A CN202311104518A CN116825336A CN 116825336 A CN116825336 A CN 116825336A CN 202311104518 A CN202311104518 A CN 202311104518A CN 116825336 A CN116825336 A CN 116825336A
- Authority
- CN
- China
- Prior art keywords
- data
- medical
- patient
- management
- algorithm
- 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.)
- Withdrawn
Links
- 238000007726 management method Methods 0.000 title claims abstract description 30
- 238000012544 monitoring process Methods 0.000 claims abstract description 38
- 201000010099 disease Diseases 0.000 claims abstract description 24
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 24
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 20
- 238000005516 engineering process Methods 0.000 claims abstract description 19
- 238000003745 diagnosis Methods 0.000 claims abstract description 17
- 238000012800 visualization Methods 0.000 claims abstract description 16
- 238000004458 analytical method Methods 0.000 claims abstract description 11
- 238000007635 classification algorithm Methods 0.000 claims abstract description 9
- 238000011282 treatment Methods 0.000 claims abstract description 9
- 238000004364 calculation method Methods 0.000 claims description 27
- 238000000034 method Methods 0.000 claims description 27
- 238000004140 cleaning Methods 0.000 claims description 15
- 230000036541 health Effects 0.000 claims description 15
- 230000002159 abnormal effect Effects 0.000 claims description 14
- 238000013523 data management Methods 0.000 claims description 11
- 230000003449 preventive effect Effects 0.000 claims description 11
- 238000011269 treatment regimen Methods 0.000 claims description 11
- 238000010586 diagram Methods 0.000 claims description 10
- 238000000586 desensitisation Methods 0.000 claims description 9
- 230000005540 biological transmission Effects 0.000 claims description 8
- 238000003860 storage Methods 0.000 claims description 8
- 238000003064 k means clustering Methods 0.000 claims description 5
- 238000007405 data analysis Methods 0.000 claims description 3
- 238000013500 data storage Methods 0.000 claims description 3
- 238000013079 data visualisation Methods 0.000 claims description 3
- 239000013598 vector Substances 0.000 claims description 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 230000008569 process Effects 0.000 description 12
- 230000006399 behavior Effects 0.000 description 10
- 238000012986 modification Methods 0.000 description 10
- 230000004048 modification Effects 0.000 description 10
- 238000012550 audit Methods 0.000 description 6
- 230000007177 brain activity Effects 0.000 description 6
- 230000008667 sleep stage Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 206010062519 Poor quality sleep Diseases 0.000 description 4
- 230000004931 aggregating effect Effects 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 4
- 238000007621 cluster analysis Methods 0.000 description 4
- 238000003066 decision tree Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 238000009826 distribution Methods 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000005856 abnormality Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 2
- 238000013474 audit trail Methods 0.000 description 2
- 239000008280 blood Substances 0.000 description 2
- 210000004369 blood Anatomy 0.000 description 2
- 230000036772 blood pressure Effects 0.000 description 2
- 230000036760 body temperature Effects 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000013075 data extraction Methods 0.000 description 2
- 238000013524 data verification Methods 0.000 description 2
- 238000012217 deletion Methods 0.000 description 2
- 230000037430 deletion Effects 0.000 description 2
- 238000002059 diagnostic imaging Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 229910052760 oxygen Inorganic materials 0.000 description 2
- 239000001301 oxygen Substances 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 230000036387 respiratory rate Effects 0.000 description 2
- 210000004761 scalp Anatomy 0.000 description 2
- 208000024891 symptom Diseases 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000002618 waking effect Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- 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
- G16H50/30—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
- G16H80/00—ICT specially adapted for facilitating communication between medical practitioners or patients, e.g. for collaborative diagnosis, therapy or health monitoring
-
- 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)
- Epidemiology (AREA)
- Databases & Information Systems (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Pathology (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明公开了一种基于AI的医疗信息智能管理方法及系统，具体涉及人工智能技术领域，使用传感器、医疗设备，采集各种医疗数据，通过AI算法对数据进行清洗，将清洗后的医疗数据存储在数据库中，进行数据集中管理，实现临床医生、研究人员和医疗团队之间的信息共享和协同工作，通过分类算法，预测患者的疾病风险、诊断结果，使用云平台提供的可视化工具，将分析结果以图表形式展示出来，帮助医生提供更准确的治疗建议，结合物联网和AI技术，实现对患者的远程监测和预警，采取技术手段和管理措施，确保数据仅被授权人员访问，保护患者的隐私数据，有助于减少人工操作和错误，提高医疗效率。
Description
技术领域
本发明涉及人工智能技术领域，更具体地说，本发明涉及一种基于AI的医疗信息智能管理方法及系统。
背景技术
在现代社会，医疗行业一直处于不断发展和变革的状态。而与此同时，信息技术的快速发展也为医疗行业提供了更多的可能性。在这个信息时代，运用人工智能技术来提高医疗行业的效率和精度已经变得必要和紧迫。
医疗信息系统的发展，可以帮助医疗机构更加科学地管理医疗资源和信息，优化医疗服务流程，提高医疗资源的使用效率，并且让医疗服务更加便捷和舒适。但医疗信息包含大量敏感个人健康数据，涉及隐私和安全风险。基于AI的医疗信息智能管理方法及系统，可以为医疗行业提供更好的服务和更高的效率。采用加密技术保护数据传输和存储，确保数据仅被授权人员访问，保护患者数据的隐私和安全性。
发明内容
为了克服现有技术的上述缺陷，本发明的实施例提供一种基于AI的医疗信息智能管理方法及系统，采用加密技术保护数据传输和存储，确保数据仅被授权人员访问，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案，一种基于AI的医疗信息智能管理方法，具体包括以下步骤：
101、通过采集医疗数据，帮助医生进行疾病的诊断与评估，使用AI算法对数据进行清洗，确保数据的质量和一致性；
102、将清洗后的医疗数据存储在数据库中，进行数据集中管理，实现医疗团队之间的信息共享和协同工作；
103、将数据对象划分为相似的群组，识别出具有相似特征和表现的患者群，针对性地制定治疗策略和预防措施；
104、使用云平台提供的可视化工具，将分析结果以图表形式展示出来；
105、通过监测患者的行为模式和健康状态，实现对患者的远程监测和预警；
106、采用加密技术保护数据传输和存储，确保数据仅被授权人员访问，保护患者隐私数据。
在一个优选地实施方式中，所述步骤101中，通过生物传感器采集血压、心率、体温、呼吸频率，以及血氧饱和度生理参数数据，监测患者的健康状态，利用医疗影像设备采集各种形式的医学影像数据，包括X光片、CT图像、MRI图像，帮助医生进行疾病的诊断与评估，使用AI算法对数据进行清洗，确保数据的质量和一致性，具体包括以下内容：
S1、异常值检测：利用基于正态分布的方法来识别和处理异常值，通过Z-score模型公式，将数据转化为标准正态分布，计算每个数据点与均值的差异，并除以标准差，得到其Z-score，具体计算公式如下：
；
其中，表示Z-score；/>表示数据点；/>表示数据点的均值；/>表示标准差；Z-score范围在-2~2内视为正常值。
S2、缺失值填充：对于存在缺失值的数据，利用AI算法进行缺失值填充，使用插值法，将采集到的数据，进行插值计算，估计未知数据点的值，将字段缺少的数值进行填充，具体计算公式如下：
；
其中，f(x)表示要估计的未知数据点的值； 表示已知数据点的值；/>表示拉格朗日插值多项式，n 表示已知数据点的数量；拉格朗日插值多项式的公式如下：
；
其中，i 表示当前正在计算的已知数据点的下标，j 表示其他已知数据点的下标；x表示其他已知数据点的横坐标；xi 表示当前正在计算的已知数据点的横坐标。
对于同一实体在不同字段、时间点上的数据不一致，需要进行逻辑校验和修正，对数据进行合理性验证，将数据统一标准化和规范化，确保不同数据源之间的数据兼容性和一致性，记录清洗操作的过程和结果，建立数据清洗的日志，对数据清洗的结果进行审核，确保清洗后的数据质量可靠。
在一个优选地实施方式中，所述步骤102中，将清洗后的医疗数据存储在数据库中，进行数据集中管理，实现临床医生、研究人员和医疗团队之间的信息共享和协同工作，根据医疗数据的结构和关系，设计数据库的表结构，确定需要存储的字段、数据类型和约束条件，为患者信息、病历记录、诊断结果分别创建对应的数据表，并定义关联关系，通过ETL工具将医疗数据导入到数据库中，具体步骤如下：
步骤1、数据抽取：使用ETL工具连接到医疗数据源，配置连接参数建立连接，提取需要导入的数据；
步骤2、数据转换：对抽取的数据进行转换操作，将数日期字段统一转换成特定的日期格式，文本字段转换成编码格式，地址字段拆分为省、市和区三个独立的字段；
步骤3、数据融合：将经过转换的数据加载到数据库中，对数据进行融合和聚合操作，根据患者ID将多个就诊记录进行聚合，生成患者的总体健康情况；
步骤4、数据校验：使用ETL工具提供的转换组件，对转换后的数据进行验证和校验，验证日期字段是否符合规定的范围，校验数值字段是否满足条件，确保数据的完整性和正确性；
步骤5、数据备份与恢复：配置ETL工具的调度功能，定期执行数据库备份操作，避免数据丢失，确保数据的安全性和可靠性。
在一个优选地实施方式中，所述步骤103中，通过分类算法，预测患者的疾病风险、诊断结果，使用K-means聚类算法，将数据对象划分为相似的群组，识别出具有相似特征和表现的患者群，针对性地制定治疗策略和预防措施，具体包括以下内容：
S1、分类与预测：在医疗领域中，通过分类算法根据已有的数据特征，构建决策树模型，预测患者的疾病风险、诊断结果，通过选择最佳的特征进行数据划分，直到达到预定停止条件，具体包括以下步骤：
步骤1、选择根节点：从所有特征中选择一个作为根节点；
步骤2、数据划分：将数据集根据根节点特征的不同取值进行划分，生成子节点，每个子节点对应根节点特征的一个取值，划分之后，每个子节点的数据集会变小；
步骤3、递归构建子树：对每个子节点，重复步骤1和步骤2，选择最佳特征进行划分，生成子节点，直到满足停止条件，达到最大深度；
步骤4、停止条件处理：当满足停止条件，决策树构建结束，生成叶子节点，叶子节点表示分类结果；
S2、聚类分析：将数据对象划分为相似的群组，帮助发现潜在的疾病子群、患者群体，以及医疗事件的聚集模式，通过聚类分析，识别出具有相似特征和表现的患者群，针对性地制定治疗策略和预防措施，具体包括以下步骤：
步骤1、选择初始质心：从数据集中随机选择K个质心作为初始聚类中心；
步骤2、数据点分配：对于每个数据点，计算其与各个质心之间的欧氏距离，将数据点分配给与其最近的质心所在的簇，具体计算公式如下：
；
；
其中，P表示点与点/>之间的欧氏距离；|X|为点到原点的欧氏距离。
步骤3、质心更新：对每个簇，计算其所有数据点的平均值，得到新的质心位置，簇C包含n个数据点 ，具体计算公式如下：
；
；
其中，avg_x是簇C中数据点的经度的平均值，avg_y是簇C中数据点的纬度的平均值；
步骤4、重复步骤2和步骤3，直到满足停止准则，停止准则包括以下内容：
1）达到最大迭代次数；
2）簇的分配不再改变，数据点不再切换簇；
3）簇的质心变化量小于某个阈值；
步骤5、输出结果：得到K个簇，每个簇包含一组数据点，并且每个数据点与一个质心关联。
在一个优选地实施方式中，所述步骤104中，使用云平台提供的可视化工具，将分析结果以图表形式展示出来，利用柱状图比较不同患者群体指标的数值大小，通过饼图表示不同类别之间的占比关系，展示不同疾病在患者中的发生比例，创建一个矩阵形式的数据集，行表示不同的患者，列表示不同的指标，计算不同指标之间的相关系数，使用可视化工具绘制热力图，每个单元格的颜色表示不同指标之间的关联程度，在热力图的单元格中添加标签，标明患者ID、指标名称信息，方便医护人员理解图表的含义，通过整合患者的个体化信息、医疗指南和历史病例，帮助医生提供更准确的治疗建议，具体计算公式如下：
；
其中，x和y分别表示两个不同指标的数据向量，和/>分别表示x和y的均值，和/>分别表示x和y的标准差，n表示数据样本数量。
在一个优选地实施方式中，所述步骤105中，结合物联网和AI技术，实现对患者的远程监测和预警，通过实时监测患者的行为模式和健康状态，并在异常情况下发出预警，及时采取措施，具体包括以下内容：
S1、行为模式监测：通过在头皮上放置多个电极，记录大脑活动的电信号，睡眠期间的不同阶段会产生特定的脑电波模式，在清醒状态下出现β波，在松弛醒着的状态下出现α波，表明身体放松有意识活动，在浅睡眠和深睡眠阶段出现θ波，表明大脑活动减慢，意识降低，在深度睡眠阶段出现δ波，大脑活动最慢，意识完全降低，通过对脑电图信号进行分析，将睡眠分为清醒、浅睡和深睡不同的阶段；
S2、异常检测和预警：根据患者的健康状况和监测数据的正常范围，设定阈值，将监测数据上传至云平台，进行远程监控和管理，通过云平台查看患者的实时监测结果，根据当前的监测数据与设定的阈值比较判断结果，当监测数据超过设定的阈值，视为异常情况，系统触发预警机制，发送通知给患者、医护人员以及监护设备，医护人员接收到预警并根据情况采取相应的干预措施。
在一个优选地实施方式中，所述步骤106中，采用加密技术保护数据传输和存储，确保数据仅被授权人员访问，保护个人隐私信息，具体包括以下内容：
S1、数据分类和标记：对个人临床数据进行分类和标记，识别敏感信息和非敏感信息，包括症状描述、体征信息、实验室检查结果、诊断报告，描述患者的疾病情况和医疗过程，并采取隐私保护措施；
S2、访问控制和权限管理：实施严格的访问控制和权限管理机制，确保只有经过授权的人员能够访问和处理个人数据，通过审计跟踪功能，记录对个人数据的访问和操作活动，包括数据的查询、浏览、修改、删除操作，生成详细的审计日志，追溯个人数据的修改和访问历史，从最初创建状态开始，逐步记录每一次修改和访问活动，及时发现数据被篡改误用情况，管理人员根据审计日志进行检查，确保数据使用符合隐私保护政策和相关法规的要求，通过监控和分析审计日志，及时识别未经授权的数据访问、异常的查询行为、异常的数据修改情况，采取相应的措施进行修复和防范；
S3、数据加密和脱敏：数据在存储、传输和处理过程中，进行数据加密和脱敏技术，保护个人数据的机密性，防止未经授权的访问和泄露，具体步骤如下：
步骤1、非对称加密：RSA算法利用两个大素数的乘积作为公开的密钥，解密过程中需要使用私钥进行计算，选择两个不同的大素数p和q，具体计算公式如下：
；
；
其中，n作为公钥部分的一部分，φ(n) 表示小于n且与n互质的正整数的个数。
选择一个整数e，作为公钥的指数部分，计算d，具体计算公式如下：
；
其中，d作为私钥的指数部分，1 < e < φ(n)，e与φ(n)互质。
加密过程中使用ASCII码，将明文消息转换为数字形式，利用公钥 (n, e) 对明文进行加密，具体计算公式如下：
；
其中，m表示明文消息。
解密过程中利用私钥 (n, d) 对密文进行解密，计算明文消息，将解密得到的数字形式转换为原始的明文消息，具体计算公式如下：
；
其中，c表示密文消息；
步骤2、数据脱敏：对敏感个人数据进行修改，去除直接识别个体的能力，保护个人隐私，将年龄精确到岁数的数据泛化为年龄段，对数据进行模糊处理，提取数据中的关键特征，减少细节信息。
本发明的技术效果和优点：
本发明使用传感器、医疗设备，采集各种医疗数据，通过AI算法对数据进行清洗，将清洗后的医疗数据存储在数据库中，进行数据集中管理，实现临床医生、研究人员和医疗团队之间的信息共享和协同工作，通过分类算法，预测患者的疾病风险、诊断结果，使用云平台提供的可视化工具，将分析结果以图表形式展示出来，帮助医生提供更准确的治疗建议，结合物联网和AI技术，实现对患者的远程监测和预警，采取技术手段和管理措施，确保数据仅被授权人员访问，保护患者的隐私数据，有助于减少人工操作和错误，提高医疗效率。
附图说明
图1为本发明的系统流程图。
图2为本发明的系统结构框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中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他实施例，都属于本发明保护的范围。
实施例1：本实施例提供了如图1所示一种基于AI的医疗信息智能管理方法，具体包括以下步骤：
101、通过采集医疗数据，帮助医生进行疾病的诊断与评估，使用AI算法对数据进行清洗，确保数据的质量和一致性；
102、将清洗后的医疗数据存储在数据库中，进行数据集中管理，实现医疗团队之间的信息共享和协同工作；
103、将数据对象划分为相似的群组，识别出具有相似特征和表现的患者群，针对性地制定治疗策略和预防措施；
104、使用云平台提供的可视化工具，将分析结果以图表形式展示出来；
105、通过监测患者的行为模式和健康状态，实现对患者的远程监测和预警；
106、采用加密技术保护数据传输和存储，确保数据仅被授权人员访问，保护患者隐私数据。
如图2本实施例提供一种基于AI的医疗信息智能管理系统，具体包括数据采集和清洗模块、数据存储和管理模块、数据分析模块、数据可视化模块、远程监测和预警模块，以及数据隐私与安全模块；
数据采集和清洗模块：使用传感器、医疗设备，采集各种医疗数据，帮助医生进行疾病的诊断与评估，使用AI算法对数据进行清洗，确保数据的质量和一致性；
数据存储和管理模块：将清洗后的医疗数据存储在数据库中，进行数据集中管理，实现临床医生、研究人员和医疗团队之间的信息共享和协同工作，根据医疗数据的结构和关系，为患者信息、病历记录、诊断结果分别创建对应的数据表，通过ETL工具将医疗数据导入到数据库中；
数据分析模块：通过分类算法，预测患者的疾病风险、诊断结果，使用K-means聚类算法，将数据对象划分为相似的群组，识别出具有相似特征和表现的患者群，针对性地制定治疗策略和预防措施；
数据可视化模块：使用云平台提供的可视化工具，将分析结果以图表形式展示出来，通过可视化工具绘制热力图，方便医护人员理解图表的含义，帮助医生提供更准确的治疗建议；
远程监测和预警模块：结合物联网和AI技术，实现对患者的远程监测和预警，通过实时监测患者的行为模式和健康状态，并在异常情况下发出预警，及时采取措施；
数据隐私与安全模块：采取技术手段和管理措施，通过数据分类和标记、访问控制和权限管理、数据加密和脱敏，确保数据仅被授权人员访问，保护患者的隐私数据。
101、通过采集医疗数据，帮助医生进行疾病的诊断与评估，使用AI算法对数据进行清洗，确保数据的质量和一致性；
进一步的，通过生物传感器采集血压、心率、体温、呼吸频率，以及血氧饱和度生理参数数据，监测患者的健康状态，利用医疗影像设备采集各种形式的医学影像数据，包括X光片、CT图像、MRI图像，帮助医生进行疾病的诊断与评估，使用AI算法对数据进行清洗，确保数据的质量和一致性，具体包括以下内容：
S1、异常值检测：利用基于正态分布的方法来识别和处理异常值，通过Z-score模型公式，将数据转化为标准正态分布，计算每个数据点与均值的差异，并除以标准差，得到其Z-score，具体计算公式如下：
；
其中，表示Z-score；/>表示数据点；/>表示数据点的均值；/>表示标准差；Z-score范围在-2~2内视为正常值。
S2、缺失值填充：对于存在缺失值的数据，利用AI算法进行缺失值填充，使用插值法，将采集到的数据，进行插值计算，估计未知数据点的值，将字段缺少的数值进行填充，具体计算公式如下：
；
其中，f(x)表示要估计的未知数据点的值； 表示已知数据点的值；/>表示拉格朗日插值多项式，n 表示已知数据点的数量；拉格朗日插值多项式的公式如下：
；
其中，i 表示当前正在计算的已知数据点的下标，j 表示其他已知数据点的下标；x表示其他已知数据点的横坐标；xi 表示当前正在计算的已知数据点的横坐标。
对于同一实体在不同字段、时间点上的数据不一致，需要进行逻辑校验和修正，对数据进行合理性验证，将数据统一标准化和规范化，确保不同数据源之间的数据兼容性和一致性，记录清洗操作的过程和结果，建立数据清洗的日志，对数据清洗的结果进行审核，确保清洗后的数据质量可靠。
102、将清洗后的医疗数据存储在数据库中，进行数据集中管理，实现医疗团队之间的信息共享和协同工作；
进一步的，将清洗后的医疗数据存储在数据库中，进行数据集中管理，实现临床医生、研究人员和医疗团队之间的信息共享和协同工作，根据医疗数据的结构和关系，设计数据库的表结构，确定需要存储的字段、数据类型和约束条件，为患者信息、病历记录、诊断结果分别创建对应的数据表，并定义关联关系，通过ETL工具将医疗数据导入到数据库中，具体步骤如下：
步骤1、数据抽取：使用ETL工具连接到医疗数据源，配置连接参数建立连接，提取需要导入的数据；
步骤2、数据转换：对抽取的数据进行转换操作，将数日期字段统一转换成特定的日期格式，文本字段转换成编码格式，地址字段拆分为省、市和区三个独立的字段；
步骤3、数据融合：将经过转换的数据加载到数据库中，对数据进行融合和聚合操作，根据患者ID将多个就诊记录进行聚合，生成患者的总体健康情况；
步骤4、数据校验：使用ETL工具提供的转换组件，对转换后的数据进行验证和校验，验证日期字段是否符合规定的范围，校验数值字段是否满足条件，确保数据的完整性和正确性；
步骤5、数据备份与恢复：配置ETL工具的调度功能，定期执行数据库备份操作，避免数据丢失，确保数据的安全性和可靠性。
103、将数据对象划分为相似的群组，识别出具有相似特征和表现的患者群，针对性地制定治疗策略和预防措施；
进一步的，通过分类算法，预测患者的疾病风险、诊断结果，使用K-means聚类算法，将数据对象划分为相似的群组，识别出具有相似特征和表现的患者群，针对性地制定治疗策略和预防措施，具体包括以下内容：
S1、分类与预测：在医疗领域中，通过分类算法根据已有的数据特征，构建决策树模型，预测患者的疾病风险、诊断结果，通过选择最佳的特征进行数据划分，直到达到预定停止条件，具体包括以下步骤：
步骤1、选择根节点：从所有特征中选择一个作为根节点；
步骤2、数据划分：将数据集根据根节点特征的不同取值进行划分，生成子节点，每个子节点对应根节点特征的一个取值，划分之后，每个子节点的数据集会变小；
步骤3、递归构建子树：对每个子节点，重复步骤1和步骤2，选择最佳特征进行划分，生成子节点，直到满足停止条件，达到最大深度；
步骤4、停止条件处理：当满足停止条件，决策树构建结束，生成叶子节点，叶子节点表示分类结果；
S2、聚类分析：将数据对象划分为相似的群组，帮助发现潜在的疾病子群、患者群体，以及医疗事件的聚集模式，通过聚类分析，识别出具有相似特征和表现的患者群，针对性地制定治疗策略和预防措施，具体包括以下步骤：
步骤1、选择初始质心：从数据集中随机选择K个质心作为初始聚类中心；
步骤2、数据点分配：对于每个数据点，计算其与各个质心之间的欧氏距离，将数据点分配给与其最近的质心所在的簇，具体计算公式如下：
；
；
其中，P表示点与点/>之间的欧氏距离；|X|为点到原点的欧氏距离。
步骤3、质心更新：对每个簇，计算其所有数据点的平均值，得到新的质心位置，簇C包含n个数据点 ，具体计算公式如下：
；
；
其中，avg_x是簇C中数据点的经度的平均值，avg_y是簇C中数据点的纬度的平均值；
步骤4、重复步骤2和步骤3，直到满足停止准则，停止准则包括以下内容：
1）达到最大迭代次数；
2）簇的分配不再改变，数据点不再切换簇；
3）簇的质心变化量小于某个阈值；
步骤5、输出结果：得到K个簇，每个簇包含一组数据点，并且每个数据点与一个质心关联。
104、使用云平台提供的可视化工具，将分析结果以图表形式展示出来；
进一步的，使用云平台提供的可视化工具，将分析结果以图表形式展示出来，利用柱状图比较不同患者群体指标的数值大小，通过饼图表示不同类别之间的占比关系，展示不同疾病在患者中的发生比例，创建一个矩阵形式的数据集，行表示不同的患者，列表示不同的指标，计算不同指标之间的相关系数，使用可视化工具绘制热力图，每个单元格的颜色表示不同指标之间的关联程度，在热力图的单元格中添加标签，标明患者ID、指标名称信息，方便医护人员理解图表的含义，通过整合患者的个体化信息、医疗指南和历史病例，帮助医生提供更准确的治疗建议，具体计算公式如下：
；
其中，x和y分别表示两个不同指标的数据向量，和/>分别表示x和y的均值，和/>分别表示x和y的标准差，n表示数据样本数量。
105、通过监测患者的行为模式和健康状态，实现对患者的远程监测和预警；
进一步的，结合物联网和AI技术，实现对患者的远程监测和预警，通过实时监测患者的行为模式和健康状态，并在异常情况下发出预警，及时采取措施，具体包括以下内容：
S1、行为模式监测：通过在头皮上放置多个电极，记录大脑活动的电信号，睡眠期间的不同阶段会产生特定的脑电波模式，在清醒状态下出现β波，在松弛醒着的状态下出现α波，表明身体放松有意识活动，在浅睡眠和深睡眠阶段出现θ波，表明大脑活动减慢，意识降低，在深度睡眠阶段出现δ波，大脑活动最慢，意识完全降低，通过对脑电图信号进行分析，将睡眠分为清醒、浅睡和深睡不同的阶段；
S2、异常检测和预警：根据患者的健康状况和监测数据的正常范围，设定阈值，将监测数据上传至云平台，进行远程监控和管理，通过云平台查看患者的实时监测结果，根据当前的监测数据与设定的阈值比较判断结果，当监测数据超过设定的阈值，视为异常情况，系统触发预警机制，发送通知给患者、医护人员以及监护设备，医护人员接收到预警并根据情况采取相应的干预措施。
106、采用加密技术保护数据传输和存储，确保数据仅被授权人员访问，保护患者隐私数据；
进一步的，采用加密技术保护数据传输和存储，确保数据仅被授权人员访问，保护个人隐私信息，具体包括以下内容：
S1、数据分类和标记：对个人临床数据进行分类和标记，识别敏感信息和非敏感信息，包括症状描述、体征信息、实验室检查结果、诊断报告，描述患者的疾病情况和医疗过程，并采取隐私保护措施；
S2、访问控制和权限管理：实施严格的访问控制和权限管理机制，确保只有经过授权的人员能够访问和处理个人数据，通过审计跟踪功能，记录对个人数据的访问和操作活动，包括数据的查询、浏览、修改、删除操作，生成详细的审计日志，追溯个人数据的修改和访问历史，从最初创建状态开始，逐步记录每一次修改和访问活动，及时发现数据被篡改误用情况，管理人员根据审计日志进行检查，确保数据使用符合隐私保护政策和相关法规的要求，通过监控和分析审计日志，及时识别未经授权的数据访问、异常的查询行为、异常的数据修改情况，采取相应的措施进行修复和防范；
S3、数据加密和脱敏：数据在存储、传输和处理过程中，进行数据加密和脱敏技术，保护个人数据的机密性，防止未经授权的访问和泄露，具体步骤如下：
步骤1、非对称加密：RSA算法利用两个大素数的乘积作为公开的密钥，解密过程中需要使用私钥进行计算，选择两个不同的大素数p和q，具体计算公式如下：
；
；
其中，n作为公钥部分的一部分，φ(n) 表示小于n且与n互质的正整数的个数。
选择一个整数e，作为公钥的指数部分，计算d，具体计算公式如下：
；
其中，d作为私钥的指数部分，1 < e < φ(n)，e与φ(n)互质。
加密过程中使用ASCII码，将明文消息转换为数字形式，利用公钥 (n, e) 对明文进行加密，具体计算公式如下：
；
其中，m表示明文消息。
解密过程中利用私钥 (n, d) 对密文进行解密，计算明文消息，将解密得到的数字形式转换为原始的明文消息，具体计算公式如下：
；
其中，c表示密文消息；
步骤2、数据脱敏：对敏感个人数据进行修改，去除直接识别个体的能力，保护个人隐私，将年龄精确到岁数的数据泛化为年龄段，对数据进行模糊处理，提取数据中的关键特征，减少细节信息。
本发明中的公式是去除量纲取其数值计算，通过采集大量数据进行软件模拟得到最接近真实情况的一个公式，公式中的预设比例系数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取。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
最后：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于AI的医疗信息智能管理方法，其特征在于：具体包括以下步骤：
步骤101、通过采集医疗数据，帮助医生进行疾病的诊断与评估，使用AI算法对数据进行清洗，确保数据的质量和一致性；
步骤102、将清洗后的医疗数据存储在数据库中，进行数据集中管理，实现医疗团队之间的信息共享和协同工作；
步骤103、将数据对象划分为相似的群组，识别出具有相似特征和表现的患者群，针对性地制定治疗策略和预防措施；
步骤104、使用云平台提供的可视化工具，将分析结果以图表形式展示出来；
步骤105、通过监测患者的行为模式和健康状态，实现对患者的远程监测和预警；
步骤106、采用加密技术保护数据传输和存储，确保数据仅被授权人员访问，保护患者隐私数据。
2.根据权利要求1所述的一种基于AI的医疗信息智能管理方法，其特征在于：所述步骤101中，使用传感器、医疗设备，采集各种医疗数据，帮助医生进行疾病的诊断与评估，使用AI算法对数据进行清洗，确保数据的质量和一致性，具体计算公式如下：
；
其中，表示Z-score；/>表示数据点；/>表示数据点的均值；/>表示标准差；Z-score范围在-2~2内视为正常值。
3.根据权利要求1所述的一种基于AI的医疗信息智能管理方法，其特征在于：所述步骤102中，将清洗后的医疗数据存储在数据库中，进行数据集中管理，实现临床医生、研究人员和医疗团队之间的信息共享和协同工作，根据医疗数据的结构和关系，为患者信息、病历记录、诊断结果分别创建对应的数据表，通过ETL工具将医疗数据导入到数据库中。
4.根据权利要求1所述的一种基于AI的医疗信息智能管理方法，其特征在于：所述步骤103中，通过分类算法，预测患者的疾病风险、诊断结果，使用K-means聚类算法，将数据对象划分为相似的群组，识别出具有相似特征和表现的患者群，针对性地制定治疗策略和预防措施，具体计算公式如下：
；
；
其中，P表示点与点/>之间的欧氏距离；|X|为点到原点的欧氏距离。
5.根据权利要求1所述的一种基于AI的医疗信息智能管理方法，其特征在于：所述步骤104中，使用云平台提供的可视化工具，将分析结果以图表形式展示出来，通过可视化工具绘制热力图，方便医护人员理解图表的含义，帮助医生提供更准确的治疗建议，具体计算公式如下：
；
其中，x和y分别表示两个不同指标的数据向量，和/>分别表示x和y的均值，/>和/>分别表示x和y的标准差，n表示数据样本数量。
6.根据权利要求1所述的一种基于AI的医疗信息智能管理方法，其特征在于：所述步骤105中，结合物联网和AI技术，实现对患者的远程监测和预警，通过实时监测患者的行为模式和健康状态，并在异常情况下发出预警，及时采取措施。
7.根据权利要求1所述的一种基于AI的医疗信息智能管理方法，其特征在于：所述步骤106中，采取技术手段和管理措施，通过数据分类和标记、访问控制和权限管理、数据加密和脱敏，确保数据仅被授权人员访问，保护患者的隐私数据，具体计算公式如下：
；
；
其中，n作为公钥部分的一部分，φ(n) 表示小于n且与n互质的正整数的个数。
8.一种基于AI的医疗信息智能管理系统,其特征在于：采用权利要求1-7中任一项所述的医疗信息智能管理方法，包括：
数据采集和清洗模块：使用传感器、医疗设备，采集各种医疗数据，帮助医生进行疾病的诊断与评估，使用AI算法对数据进行清洗，确保数据的质量和一致性；
数据存储和管理模块：将清洗后的医疗数据存储在数据库中，进行数据集中管理，实现临床医生、研究人员和医疗团队之间的信息共享和协同工作，根据医疗数据的结构和关系，为患者信息、病历记录、诊断结果分别创建对应的数据表，通过ETL工具将医疗数据导入到数据库中；
数据分析模块：通过分类算法，预测患者的疾病风险、诊断结果，使用K-means聚类算法，将数据对象划分为相似的群组，识别出具有相似特征和表现的患者群，针对性地制定治疗策略和预防措施；
数据可视化模块：使用云平台提供的可视化工具，将分析结果以图表形式展示出来，通过可视化工具绘制热力图，方便医护人员理解图表的含义，帮助医生提供更准确的治疗建议；
远程监测和预警模块：结合物联网和AI技术，实现对患者的远程监测和预警，通过实时监测患者的行为模式和健康状态，并在异常情况下发出预警，及时采取措施；
数据隐私与安全模块：采取技术手段和管理措施，通过数据分类和标记、访问控制和权限管理、数据加密和脱敏，确保数据仅被授权人员访问，保护患者的隐私数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311104518.5A CN116825336A (zh) | 2023-08-30 | 2023-08-30 | 一种基于ai的医疗信息智能管理方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311104518.5A CN116825336A (zh) | 2023-08-30 | 2023-08-30 | 一种基于ai的医疗信息智能管理方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116825336A true CN116825336A (zh) | 2023-09-29 |
Family
ID=88139675
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311104518.5A Withdrawn CN116825336A (zh) | 2023-08-30 | 2023-08-30 | 一种基于ai的医疗信息智能管理方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116825336A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117319084A (zh) * | 2023-11-28 | 2023-12-29 | 遂宁市中心医院 | 基于云端认证的医学检验数据共享方法和系统 |
| CN117352188A (zh) * | 2023-12-06 | 2024-01-05 | 北京中兴正远科技有限公司 | 一种基于大数据分析的临床信息共享方法及系统 |
| CN117809861A (zh) * | 2024-01-18 | 2024-04-02 | 南京裕隆生物医学发展有限公司 | 用于医疗数据管理平台的远程实时监测协作方法及系统 |
| CN118627124A (zh) * | 2024-08-09 | 2024-09-10 | 中国人民解放军国防科技大学 | 基于多方约束医疗数据共享隐私可视化方法、装置及设备 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106778042A (zh) * | 2017-01-26 | 2017-05-31 | 中电科软件信息服务有限公司 | 心脑血管患者相似性分析方法及系统 |
| CN109830303A (zh) * | 2019-02-01 | 2019-05-31 | 上海众恒信息产业股份有限公司 | 基于互联网一体化医疗平台的临床数据挖掘分析与辅助决策方法 |
| EP3547320A2 (en) * | 2016-05-20 | 2019-10-02 | Pulse Participações S.A. | Related systems and method for correlating medical data and diagnostic and health treatment follow-up conditions of patients monitored in real-time |
| CN113345583A (zh) * | 2021-06-01 | 2021-09-03 | 甘肃省卫生健康统计信息中心(西北人口信息中心) | 一种构建全生命周期居民智慧健康档案的方法及系统 |
| CN116313083A (zh) * | 2023-03-06 | 2023-06-23 | 宋超 | 基于算法和大数据的糖尿病智慧互联远程实时监测管理系统 |
| CN116364219A (zh) * | 2023-03-15 | 2023-06-30 | 中国中医科学院西苑医院 | 一种临床医学病例数据采集与分析方法及系统 |
-
2023
- 2023-08-30 CN CN202311104518.5A patent/CN116825336A/zh not_active Withdrawn
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3547320A2 (en) * | 2016-05-20 | 2019-10-02 | Pulse Participações S.A. | Related systems and method for correlating medical data and diagnostic and health treatment follow-up conditions of patients monitored in real-time |
| CN106778042A (zh) * | 2017-01-26 | 2017-05-31 | 中电科软件信息服务有限公司 | 心脑血管患者相似性分析方法及系统 |
| CN109830303A (zh) * | 2019-02-01 | 2019-05-31 | 上海众恒信息产业股份有限公司 | 基于互联网一体化医疗平台的临床数据挖掘分析与辅助决策方法 |
| CN113345583A (zh) * | 2021-06-01 | 2021-09-03 | 甘肃省卫生健康统计信息中心(西北人口信息中心) | 一种构建全生命周期居民智慧健康档案的方法及系统 |
| CN116313083A (zh) * | 2023-03-06 | 2023-06-23 | 宋超 | 基于算法和大数据的糖尿病智慧互联远程实时监测管理系统 |
| CN116364219A (zh) * | 2023-03-15 | 2023-06-30 | 中国中医科学院西苑医院 | 一种临床医学病例数据采集与分析方法及系统 |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117319084A (zh) * | 2023-11-28 | 2023-12-29 | 遂宁市中心医院 | 基于云端认证的医学检验数据共享方法和系统 |
| CN117319084B (zh) * | 2023-11-28 | 2024-01-30 | 遂宁市中心医院 | 基于云端认证的医学检验数据共享方法和系统 |
| CN117352188A (zh) * | 2023-12-06 | 2024-01-05 | 北京中兴正远科技有限公司 | 一种基于大数据分析的临床信息共享方法及系统 |
| CN117352188B (zh) * | 2023-12-06 | 2024-02-27 | 北京中兴正远科技有限公司 | 一种基于大数据分析的临床信息共享方法及系统 |
| CN117809861A (zh) * | 2024-01-18 | 2024-04-02 | 南京裕隆生物医学发展有限公司 | 用于医疗数据管理平台的远程实时监测协作方法及系统 |
| CN118627124A (zh) * | 2024-08-09 | 2024-09-10 | 中国人民解放军国防科技大学 | 基于多方约束医疗数据共享隐私可视化方法、装置及设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116825336A (zh) | 一种基于ai的医疗信息智能管理方法及系统 | |
| CN113643821B (zh) | 一种多中心知识图谱联合决策支持方法与系统 | |
| CN117238458B (zh) | 基于云计算的重症护理跨机构协同平台系统 | |
| US7457731B2 (en) | Early detection of disease outbreak using electronic patient data to reduce public health threat from bio-terrorism | |
| US7292956B1 (en) | Federated sensing, analysis, summarization, and sharing of data for healthcare | |
| US20220051771A1 (en) | Report generating system and methods for use therewith | |
| CN111145844A (zh) | 综合医疗监管平台 | |
| CN111243753B (zh) | 一种面向医疗数据的多因素相关性交互式分析方法 | |
| WO2021032055A1 (zh) | 临床试验报告自动录入方法及装置、电子设备、存储介质 | |
| CN117423459A (zh) | 一种基于人工智能的幼儿体质健康检测平台及其方法 | |
| CN103370629A (zh) | 临床质量分析系统 | |
| CN109859837A (zh) | 一种基于医疗数据的脓毒症预警方法、系统及存储介质 | |
| CN116844733A (zh) | 一种基于人工智能的医疗数据完整性分析方法 | |
| CN101236580A (zh) | 医疗质量的控制方法 | |
| CN118197615B (zh) | 基于大数据和人工智能的术后风险预测方法及系统 | |
| Greatbatch et al. | The impact of artificial intelligence on the current and future practice of clinical cancer genomics | |
| CN117592555B (zh) | 一种面向多源异构医疗数据的联邦学习方法及系统 | |
| CN116779184A (zh) | 疫苗安全性准实时监测的方法、系统及设备和存储介质 | |
| CN116597981A (zh) | 一种结合数字孪生技术进行慢阻肺疾病防治管理的方法 | |
| Nagaraj et al. | Design of Intelligent Healthcare Information System Using Data Analytics | |
| CN116682544B (zh) | 一种人工智能医疗自动化测试集成系统 | |
| Qi et al. | Business Intelligence Data Visualization for Diabetes Health Prediction | |
| US11967402B2 (en) | System and method for offline data collection and synchronization for managing a clinical trial | |
| Hsu et al. | An Early Warning System for Patients in Emergency Department based on Machine Learning | |
| CN117116510A (zh) | 生命体征数据处理方法、装置、计算机设备及存储介质 |
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 | ||
| WW01 | Invention patent application withdrawn after publication | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20230929 |