CN116864060B - 一种早癌手术围手术期数据管理系统及方法 - Google Patents
一种早癌手术围手术期数据管理系统及方法 Download PDFInfo
- Publication number
- CN116864060B CN116864060B CN202310866789.8A CN202310866789A CN116864060B CN 116864060 B CN116864060 B CN 116864060B CN 202310866789 A CN202310866789 A CN 202310866789A CN 116864060 B CN116864060 B CN 116864060B
- Authority
- CN
- China
- Prior art keywords
- data
- patient
- monitoring
- perioperative
- state
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 69
- 206010028980 Neoplasm Diseases 0.000 title claims abstract description 27
- 201000011510 cancer Diseases 0.000 title claims abstract description 27
- 238000001356 surgical procedure Methods 0.000 title claims abstract description 17
- 238000013523 data management Methods 0.000 title claims abstract description 14
- 238000012544 monitoring process Methods 0.000 claims abstract description 220
- 238000004458 analytical method Methods 0.000 claims abstract description 63
- 230000004044 response Effects 0.000 claims abstract description 8
- 230000002159 abnormal effect Effects 0.000 claims description 53
- 230000008569 process Effects 0.000 claims description 52
- 230000000474 nursing effect Effects 0.000 claims description 20
- 201000010099 disease Diseases 0.000 claims description 12
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 12
- 238000007405 data analysis Methods 0.000 claims description 8
- 208000024891 symptom Diseases 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000011835 investigation Methods 0.000 claims description 6
- 238000011160 research Methods 0.000 claims description 6
- 238000013473 artificial intelligence Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002980 postoperative effect Effects 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
- 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
-
- 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
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明涉及围手术期数据管理技术领域，具体为一种早癌手术围手术期数据管理系统及方法，包括早癌手术特征存储模块、状态特征集合分析模块、差异影响指数分析模块和实时预警响应模块；早癌手术特征存储模块用于获取医疗数据库中心存储的早癌手术特征数据；状态特征集合分析模块用于提取围手术期监测单元内的围手术期期限时长，分析围手术期监测单元内患者的监测特征并生成状态特征集合；差异影响指数分析模块用于基于医护治疗数据，分析状态特征集合中每类状态特征的可识别医护数据和可识别医护数据的差异影响指数；实时预警响应模块用于获取实时监测的目标患者状态数据进行分析判断是否进行预警。
Description
技术领域
本发明涉及围手术期数据管理技术领域，具体为一种早癌手术围手术期数据管理系统及方法。
背景技术
人工智能在医疗领域的应用日益盛行，为推动快速精准的智能医疗体系的建立，医疗行业亟需开展前沿技术应用，积极快速运用人工智能技术，充分融合医疗数据和医疗专家经验，加快围手术期人工智能治疗新模式新手段的推广应用，提升医疗效率和质量，促进民生健康安全；但是随着人工智能应用到围手术期的监测中时也伴随着很多问题的出现，如不同医生存在对关联患者的差异化治疗，且体现在围手术期中护理数据的差异化，很难在整个围手术期中基于医生个性化去分析评估围手术期的期限波动合理性，以及由于患者自身差异和病症客观性，对不同患者很难做到一对一的精准监测。
发明内容
本发明的目的在于提供一种早癌手术围手术期数据管理系统及方法，以解决上述背景技术中提出的问题。
为了解决上述技术问题，本发明提供如下技术方案：一种早癌手术围手术期数据管理方法，包括以下分析步骤：
步骤S1：获取医疗数据库中心存储的早癌手术特征数据，特征数据是指患者确定围手术期内记录的患者状态数据和医护治疗数据；以任一医生关联患者的特征数据为一监测数据库，划分监测数据库对应的围手术期监测单元；关联是指医生与存在执行患者手术之间的关系；
步骤S2：提取围手术期监测单元内的围手术期期限时长，并确定围手术期监测单元的单元期限阈值，基于单元期限阈值结合患者状态数据，分析围手术期监测单元内患者的监测特征并生成状态特征集合，状态特征集合包括常规状态特征集合和异常状态特征集合；
步骤S3：基于医护治疗数据，分析状态特征集合中每类状态特征的可识别医护数据，并基于属于同一类状态特征下的不同患者，分析可识别医护数据的差异影响指数；
步骤S4：获取实时监测的目标患者状态数据，将目标患者状态数据与状态特征集合进行比较，判断实时目标患者的围手术期进程是否异常；在判断结果为进程正常时，分析实时医护治疗数据是否需要第一预警；在判断结果为进程异常时，存储实时目标患者状态数据为异常状态特征并进行第二预警。
进一步的，步骤S1中划分监测数据库对应的围手术期监测单元，包括以下分析步骤：
步骤S11：获取监测数据库中患者确定围手术期开始节点时的患者状态数据，患者状态数据包括患者病症和患者病程阶段；获取监测数据库中患者确定围手术期开始节点时的医护治疗数据，医护治疗数据包括患者手术方案；
步骤S12：以任一患者为起始分析患者，提取起始分析患者的患者病症、患者病程阶段和患者手术方案为目标三要素，遍历监测数据库中除去起始分析患者外剩余患者的目标三要素为待分析三要素；
步骤S13：将与目标三要素相似度大于等于第一相似度阈值的待分析三要素进行标记，输出已标记的待分析三要素与目标三要素对应的患者为一监测单元，并存储记录患者围手术期的监测单元为围手术期监测单元；
步骤S14：当划分一个围手术期监测单元后仍存在未划分患者，输出未划分患者为等待划分患者；返回步骤S12，以任一等待划分患者为起始分析患者，直至监测数据库中不存在未划分患者。
对同一医生关联的患者进行划分，是在考虑到医生的个性化带来差异的同时，也要考虑到疾病的病程、病情的多样性造成围手术期长短的客观差异，为分析患者个体的围手术期预警事件给出可靠依据。
进一步的，步骤S2包括以下分析步骤：
获取围手术期监测单元内记录的期限时长最小值A1和最大值A2，构成围手术期监测单元的初始期限阈值[A1,A2]，计算初始期限阈值的期限偏差P，P=A2-A1，设置期限偏差阈值P0；
当P≤P0时，输出单元期限阈值[A1,A2]为无差异化单元期限阈值；并提取围手术期监测单元记录患者状态数据中的监测特征以及输出患者为常规患者，监测特征是指患者在围手术期内记录有参数变化可以反应身体状态的数据特征；基于监测特征生成常规状态特征集合；
当P>P0时，计算围手术期监测单元除去A1和A2后记录的平均期限时长A0，A0=[1/(k-2)]∑A，A表示除去A1和A2后记录的期限时长，k表示围手术期监测单元内记录的用户个数；
在｜A0-A1｜<｜A0-A2｜时，输出单元期限阈值[A1,A1+2*｜A0-A1｜]为差异化单元期限阈值；并标记期限时长的区间为[A1+2*｜A0-A1｜,A2]对应的患者为考察患者，标记期限时长的区间为[A1,A1+2*｜A0-A1｜]对应的患者为常规患者；
提取常规患者的监测特征生成常规状态特征集合和考察患者的监测特征生成异常状态特征集合。
围手术期监测单元在数据上限制了患者的客观差异，所以当存在围手术期的期限时长差异较大时，说明存在患者自身状态特征的区别；分析患者的状态特征可以有效的作为后续对实时监测患者关于围手术期的进程做判断。
进一步的，常规状态特征集合和异常状态特征集合包括以下分析步骤：
步骤Sa1：获取常规患者的历史监测特征序列Q，Q={q1、q2、q3、...、qm}，q1、q2、q3、...、qm表示常规患者按照记录顺序的第1、2、3、...、m个监测特征，m表示常规患者监测特征的总个数；
步骤Sa2：比较N个常规患者的历史监测特征序列，生成第一集合W，W={Q1∩Q2∩Q3∩...∩QN}，Q1、Q2、Q3、...、QN表示第1、2、3、...、N个常规患者的历史监测特征序列；输出第一集合中的监测特征以及对应监测特征的围手术期进程为监测数据组，并以监测数据组构建常规状态特征集合；
步骤Sa3：获取考察患者的历史监测特征序列E，∅
当E∩W=时，输出历史监测特征序列E中的监测特征以及对应监测特征的围手术期进程为考察数据组，并以考察数据组构建为异常状态特征集合；
当E∩W≠时，输出E∩W的监测特征为重点特征，获取考察患者重点特征的参数区间[u1,v1]和常规患者重点特征的参数区间[u2,v2]，当存在｜u1-u2｜、｜v1-v2｜和｜v1-u2｜中任一差值大于第一差值阈值时，输出差值大于第一差值阈值的重点特征和与第一集合不同的监测特征分别对应的围手术期进程为重点数据组，并以重点数据组构建异常状态特征集合；
当不存在｜u1-u2｜、｜v1-v2｜和｜v1-u2｜中任一差值大于第一差值阈值的重点特征时，输出与第一集合不同的监测特征和对应的围手术期进程为重点数据组，输出重点数据组为异常状态特征集合。
进一步的，步骤S3包括以下分析步骤：
步骤S31：分别获取状态特征集合中常规状态特征集合和异常状态特征集合在相邻监测特征中所记录医护治疗数据中的护理数据，提取相邻监测特征中任一监测特征参数波动值大于波动阈值时对应的护理数据为可识别医护数据；分析可识别医护数据是更有效的作为判断患者在围手术期中治疗的阶段以及存在数据差异时的影响较大所带来的重点监测区分；
虽然上述分析特征集合包含的都是不同属性的特征，但是在围手术期中特征并不是只采集一次，在每次出现新的特征时之前的特征也会进行二次采集，所以这里只需分析在集合中对应特征在每次采集时参数的波动超过监测阈值时，说明医护治疗存在一定效果；
步骤S32：获取常规状态特征集合和异常状态特征集合中处于同一相邻监测特征下的不同可识别医护数据分别构建第一可识别数据集合和第二可识别数据集合；基于可识别数据集合，提取可识别医护数据记录时所处围手术期的进程周期T1，利用公式：
G=(T0-T1)/T0
计算可识别医护数据的差异影响指数G，其中T0表示实时获取的可识别医护数据对应的患者监测特征与相同监测特征所处状态特征集合中的可识别医护数据不同时，患者所处围手术期的进程周期，T1则表示状态特征集合中与患者实时可识别医护数据相似度大于第二相似度阈值时对应的围手术期的进程周期。G表示越小越好。
进一步的，步骤S4包括以下分析步骤：
获取实时监测的目标患者状态数据以及患者所处围手术期的进程周期，提取实时监测的目标患者状态数据与常规状态特征集合或异常状态特征集合中记录的监测状态相同时对应的数据组；
若实时围手术期的进程周期与数据组中的围手术期进程差值大于等于进程差异阈值时，输出判断结果为异常，提取实时监测的目标患者状态数据为异常状态特征并进行第二预警，第二预警是对存储数据进行预警；第二预警是已经造成影响，存储当前的状态为了后续的实时监测围手术期的估算和数据分析依据；
若实时围手术期的进程周期与数据组中的围手术期进程差值小于进程差异阈值，输出判断结果为正常；获取实时医护治疗数据，若实时医护治疗数据与对应数据组记录的医护治疗数据相同时，继续监测；
若实时医护治疗数据与对应数据组记录的医护治疗数据不同时，判断状态特征集合中是否存在与实时医护治疗数据相似度大于第二相似度阈值的可识别医护数据，若存在则计算可识别医护数据的差异影响指数，当G<G0，输出监测正常，G0表示差异影响指数阈值；当G≥G0时，传输第一预警信号；
若不存在，传输第一预警信号，第一预警信号是指实时可识别医护数据会对围手术期的期限造成影响。当前的医护治疗数据不存在于历史对照的可识别医护数据时，判断不具有方向性也作出预警以有效的提醒医护人员注意监测当前患者的围手术期状态。
围手术期数据管理系统，包括早癌手术特征存储模块、状态特征集合分析模块、差异影响指数分析模块和实时预警响应模块；
早癌手术特征存储模块用于获取医疗数据库中心存储的早癌手术特征数据；
状态特征集合分析模块用于提取围手术期监测单元内的围手术期期限时长，并确定围手术期监测单元的单元期限阈值，基于单元期限阈值结合患者状态数据，分析围手术期监测单元内患者的监测特征并生成状态特征集合；
差异影响指数分析模块用于基于医护治疗数据，分析状态特征集合中每类状态特征的可识别医护数据，并基于属于同一类状态特征下的不同患者，分析可识别医护数据的差异影响指数；
实时预警响应模块用于获取实时监测的目标患者状态数据进行分析判断是否进行预警。
进一步的，状态特征集合分析模块包括围手术期监测单元确定单元、监测特征分析单元和状态特征集合生成单元；
围手术期监测单元确定单元用于获取任一患者的患者病症、患者病程阶段和患者手术方案，分析确定围手术期监测单元；
监测特征分析单元用于区分围手术期监测单元内的差异特征；
状态特征集合生成单元用于提取常规患者的监测特征生成常规状态特征集合和考察患者的监测特征生成异常状态特征集合。
进一步的，差异影响指数分析模块包括可识别医护数据分析单元和差异影响指数计算单元；
可识别医护数据分析单元用于分别获取状态特征集合中常规状态特征集合和异常状态特征集合在相邻监测特征中所记录医护治疗数据中的护理数据，提取相邻监测特征中任一监测特征参数波动值大于波动阈值时对应的护理数据为可识别医护数据；
差异影响指数计算单元用于获取常规状态特征集合和异常状态特征集合中处于同一相邻监测特征下的不同可识别医护数据分别构建第一可识别数据集合和第二可识别数据集合；基于可识别数据集合，提取可识别医护数据记录时所处围手术期的进程周期，计算差异影响指数。
与现有技术相比，本发明所达到的有益效果是：本发明提出一种关于围手术期的数据管理方法，将同一医生关联不同患者的历史数据进行提取分析，在考虑到医生的个性化带来差异的同时，也要考虑到疾病的病程、病情的多样性造成围手术期长短的客观差异，为分析患者个体的围手术期预警事件给出可靠依据；本发明还对患者作出状态特征提取，可以有效的作为后续对实时监测患者关于围手术期的进程做判断；以及基于围手术期执行方案的可调节性和医护人员执行护理的差异性分析差异影响指数，进一步全面的判断分析实时监测患者所处围手术期的进程是否异常，对存在异常的可能进行预警，可以有效的帮助医护人员进行调整和监测，作为评估期限合理性的参考依据，实现对患者围手术期一对一的精准监测分析。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1是本发明一种早癌手术围手术期数据管理系统的结构示意图。
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。
请参阅图1，本发明提供技术方案：一种早癌手术围手术期数据管理方法，包括以下分析步骤：
步骤S1：获取医疗数据库中心存储的早癌手术特征数据，特征数据是指患者确定围手术期内记录的患者状态数据和医护治疗数据；以任一医生关联患者的特征数据为一监测数据库，划分监测数据库对应的围手术期监测单元；关联是指医生与存在执行患者手术之间的关系；
步骤S1中划分监测数据库对应的围手术期监测单元，包括以下分析步骤：
步骤S11：获取监测数据库中患者确定围手术期开始节点时的患者状态数据，患者状态数据包括患者病症和患者病程阶段；获取监测数据库中患者确定围手术期开始节点时的医护治疗数据，医护治疗数据包括患者手术方案；
步骤S12：以任一患者为起始分析患者，提取起始分析患者的患者病症、患者病程阶段和患者手术方案为目标三要素，遍历监测数据库中除去起始分析患者外剩余患者的目标三要素为待分析三要素；
步骤S13：将与目标三要素相似度大于等于第一相似度阈值的待分析三要素进行标记，输出已标记的待分析三要素与目标三要素对应的患者为一监测单元，并存储记录患者围手术期的监测单元为围手术期监测单元；
步骤S14：当划分一个围手术期监测单元后仍存在未划分患者，输出未划分患者为等待划分患者；返回步骤S12，以任一等待划分患者为起始分析患者，直至监测数据库中不存在未划分患者。
对同一医生关联的患者进行划分，是在考虑到医生的个性化带来差异的同时，也要考虑到疾病的病程、病情的多样性造成围手术期长短的客观差异，为分析患者个体的围手术期预警事件给出可靠依据。
步骤S2：提取围手术期监测单元内的围手术期期限时长，并确定围手术期监测单元的单元期限阈值，基于单元期限阈值结合患者状态数据，分析围手术期监测单元内患者的监测特征并生成状态特征集合，状态特征集合包括常规状态特征集合和异常状态特征集合；
步骤S2包括以下分析步骤：
获取围手术期监测单元内记录的期限时长最小值A1和最大值A2，构成围手术期监测单元的初始期限阈值[A1,A2]，计算初始期限阈值的期限偏差P，P=A2-A1，设置期限偏差阈值P0；
当P≤P0时，输出单元期限阈值[A1,A2]为无差异化单元期限阈值；并提取围手术期监测单元记录患者状态数据中的监测特征以及输出患者为常规患者，监测特征是指患者在围手术期内记录有参数变化可以反应身体状态的数据特征；基于监测特征生成常规状态特征集合；
当P>P0时，计算围手术期监测单元除去A1和A2后记录的平均期限时长A0，A0=[1/(k-2)]∑A，A表示除去A1和A2后记录的期限时长，k表示围手术期监测单元内记录的用户个数；
在｜A0-A1｜<｜A0-A2｜时，输出单元期限阈值[A1,A1+2*｜A0-A1｜]为差异化单元期限阈值；并标记期限时长的区间为[A1+2*｜A0-A1｜,A2]对应的患者为考察患者，标记期限时长的区间为[A1,A1+2*｜A0-A1｜]对应的患者为常规患者；不考虑｜A0-A1｜>｜A0-A2｜时的数据是因为在此时表示平均值偏向最大值，基于实际应用，围手术期越短在一定程度上说明患者状态偏向好，未存在异常特征，故在本申请中不予考虑；
提取常规患者的监测特征生成常规状态特征集合和考察患者的监测特征生成异常状态特征集合。
围手术期监测单元在数据上限制了患者的客观差异，所以当存在围手术期的期限时长差异较大时，说明存在患者自身状态特征的区别；分析患者的状态特征可以有效的作为后续对实时监测患者关于围手术期的进程做判断。
常规状态特征集合和异常状态特征集合包括以下分析步骤：
步骤Sa1：获取常规患者的历史监测特征序列Q，Q={q1、q2、q3、...、qm}，q1、q2、q3、...、qm表示常规患者按照记录顺序的第1、2、3、...、m个监测特征，m表示常规患者监测特征的总个数；
步骤Sa2：比较N个常规患者的历史监测特征序列，生成第一集合W，W={Q1∩Q2∩Q3∩...∩QN}，Q1、Q2、Q3、...、QN表示第1、2、3、...、N个常规患者的历史监测特征序列；输出第一集合中的监测特征以及对应监测特征的围手术期进程为监测数据组，并以监测数据组构建常规状态特征集合；
步骤Sa3：获取考察患者的历史监测特征序列E，
当E∩W=时，输出历史监测特征序列E中的监测特征以及对应监测特征的围手术期进程为考察数据组，并以考察数据组构建为异常状态特征集合；
当E∩W≠时，输出E∩W的监测特征为重点特征，获取考察患者重点特征的参数区间[u1,v1]和常规患者重点特征的参数区间[u2,v2]，当存在｜u1-u2｜、｜v1-v2｜和｜v1-u2｜中任一差值大于第一差值阈值时，输出差值大于第一差值阈值的重点特征和与第一集合不同的监测特征分别对应的围手术期进程为重点数据组，并以重点数据组构建异常状态特征集合；
当不存在｜u1-u2｜、｜v1-v2｜和｜v1-u2｜中任一差值大于第一差值阈值的重点特征时，输出与第一集合不同的监测特征和对应的围手术期进程为重点数据组，输出重点数据组为异常状态特征集合。
步骤S3：基于医护治疗数据，分析状态特征集合中每类状态特征的可识别医护数据，并基于属于同一类状态特征下的不同患者，分析可识别医护数据的差异影响指数；
步骤S3包括以下分析步骤：
步骤S31：分别获取状态特征集合中常规状态特征集合和异常状态特征集合在相邻监测特征中所记录医护治疗数据中的护理数据，护理数据可以分为病情护理和用药护理。也可从术前护理、术中护理和术后护理出发；提取相邻监测特征中任一监测特征参数波动值大于波动阈值时对应的护理数据为可识别医护数据；分析可识别医护数据是更有效的作为判断患者在围手术期中治疗的阶段以及存在数据差异时的影响较大所带来的重点监测区分；
虽然上述分析特征集合包含的都是不同属性的特征，但是在围手术期中特征并不是只采集一次，在每次出现新的特征时之前的特征也会进行二次采集，所以这里只需分析在集合中对应特征在每次采集时参数的波动超过监测阈值时，说明医护治疗存在一定效果；
步骤S32：获取常规状态特征集合和异常状态特征集合中处于同一相邻监测特征下的不同可识别医护数据分别构建第一可识别数据集合和第二可识别数据集合；基于可识别数据集合，提取可识别医护数据记录时所处围手术期的进程周期T1，利用公式：
G=(T0-T1)/T0
计算可识别医护数据的差异影响指数G，其中T0表示实时获取的可识别医护数据对应的患者监测特征与相同监测特征所处状态特征集合中的可识别医护数据不同时，患者所处围手术期的进程周期，T1则表示状态特征集合中与患者实时可识别医护数据相似度大于第二相似度阈值时对应的围手术期的进程周期。G表示越小越好。
因为只有在实时数据与历程数据存在差异时，需要分析不同情况下的可识别医护数据替换的影响性，且上述差异影响指数也是基于状态特征集合进行的，若状态特征集合中咩有相对于的T1则分析不出差异影响指数。
步骤S4：获取实时监测的目标患者状态数据，将目标患者状态数据与状态特征集合进行比较，判断实时目标患者的围手术期进程是否异常；在判断结果为进程正常时，分析实时医护治疗数据是否需要第一预警；在判断结果为进程异常时，存储实时目标患者状态数据为异常状态特征并进行第二预警。
步骤S4包括以下分析步骤：
获取实时监测的目标患者状态数据以及患者所处围手术期的进程周期，提取实时监测的目标患者状态数据与常规状态特征集合或异常状态特征集合中记录的监测状态相同时对应的数据组；
若实时围手术期的进程周期与数据组中的围手术期进程差值大于等于进程差异阈值时，输出判断结果为异常，提取实时监测的目标患者状态数据为异常状态特征并进行第二预警，第二预警是对存储数据进行预警；第二预警是已经造成影响，存储当前的状态为了后续的实时监测围手术期的估算和数据分析依据；
若实时围手术期的进程周期与数据组中的围手术期进程差值小于进程差异阈值，输出判断结果为正常；获取实时医护治疗数据，若实时医护治疗数据与对应数据组记录的医护治疗数据相同时，继续监测；
若实时医护治疗数据与对应数据组记录的医护治疗数据不同时，判断状态特征集合中是否存在与实时医护治疗数据相似度大于第二相似度阈值的可识别医护数据，若存在则计算可识别医护数据的差异影响指数，当G<G0，输出监测正常，G0表示差异影响指数阈值；当G≥G0时，传输第一预警信号；说明实时进行的可识别医护数据与对应历史数据中所处围手术期内的进程差异较大；则当前可能会对完整围手术期的期限造成影响；
若不存在，传输第一预警信号，第一预警信号是指实时可识别医护数据会对围手术期的期限造成影响。当前的医护治疗数据不存在于历史对照的可识别医护数据时，判断不具有方向性也作出预警以有效的提醒医护人员注意监测当前患者的围手术期状态。
围手术期数据管理系统，包括早癌手术特征存储模块、状态特征集合分析模块、差异影响指数分析模块和实时预警响应模块；
早癌手术特征存储模块用于获取医疗数据库中心存储的早癌手术特征数据；
状态特征集合分析模块用于提取围手术期监测单元内的围手术期期限时长，并确定围手术期监测单元的单元期限阈值，基于单元期限阈值结合患者状态数据，分析围手术期监测单元内患者的监测特征并生成状态特征集合；
差异影响指数分析模块用于基于医护治疗数据，分析状态特征集合中每类状态特征的可识别医护数据，并基于属于同一类状态特征下的不同患者，分析可识别医护数据的差异影响指数；
实时预警响应模块用于获取实时监测的目标患者状态数据进行分析判断是否进行预警。
状态特征集合分析模块包括围手术期监测单元确定单元、监测特征分析单元和状态特征集合生成单元；
围手术期监测单元确定单元用于获取任一患者的患者病症、患者病程阶段和患者手术方案，分析确定围手术期监测单元；
监测特征分析单元用于区分围手术期监测单元内的差异特征；
状态特征集合生成单元用于提取常规患者的监测特征生成常规状态特征集合和考察患者的监测特征生成异常状态特征集合。
差异影响指数分析模块包括可识别医护数据分析单元和差异影响指数计算单元；
可识别医护数据分析单元用于分别获取状态特征集合中常规状态特征集合和异常状态特征集合在相邻监测特征中所记录医护治疗数据中的护理数据，提取相邻监测特征中任一监测特征参数波动值大于波动阈值时对应的护理数据为可识别医护数据；
差异影响指数计算单元用于获取常规状态特征集合和异常状态特征集合中处于同一相邻监测特征下的不同可识别医护数据分别构建第一可识别数据集合和第二可识别数据集合；基于可识别数据集合，提取可识别医护数据记录时所处围手术期的进程周期，计算差异影响指数。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
最后应说明的是：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，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。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 (5)
1.一种早癌手术围手术期数据管理方法，其特征在于，包括以下分析步骤：
步骤S1：获取医疗数据库中心存储的早癌手术特征数据，所述特征数据是指患者确定围手术期内记录的患者状态数据和医护治疗数据；以任一医生关联患者的特征数据为一监测数据库，划分监测数据库对应的围手术期监测单元；所述关联是指医生与存在执行患者手术之间的关系；
步骤S2：提取围手术期监测单元内的围手术期期限时长，并确定围手术期监测单元的单元期限阈值，基于单元期限阈值结合患者状态数据，分析围手术期监测单元内患者的监测特征并生成状态特征集合，所述状态特征集合包括常规状态特征集合和异常状态特征集合；
所述步骤S2包括以下分析步骤：
获取围手术期监测单元内记录的期限时长最小值A1和最大值A2，构成围手术期监测单元的初始期限阈值[A1,A2]，计算初始期限阈值的期限偏差P，P＝A2-A1，设置期限偏差阈值P0；
当P≤P0时，输出单元期限阈值[A1,A2]为无差异化单元期限阈值；并提取围手术期监测单元记录患者状态数据中的监测特征以及输出患者为常规患者，所述监测特征是指患者在围手术期内记录有参数变化可以反应身体状态的数据特征；基于监测特征生成常规状态特征集合；
当P>P0时，计算围手术期监测单元除去A1和A2后记录的平均期限时长A0，A0＝[1/(k-2)]∑A，A表示除去A1和A2后记录的期限时长，k表示围手术期监测单元内记录的用户个数；
在|A0-A1|<|A0-A2|时，输出单元期限阈值[A1,A1+2*|A0-A1|]为差异化单元期限阈值；并标记期限时长的区间为[A1+2*|A0-A1|,A2]对应的患者为考察患者，标记期限时长的区间为[A1,A1+2*|A0-A1|]对应的患者为常规患者；
提取常规患者的监测特征生成常规状态特征集合和考察患者的监测特征生成异常状态特征集合；
所述常规状态特征集合和异常状态特征集合包括以下分析步骤：
步骤Sa1：获取常规患者的历史监测特征序列Q，Q＝{q1、q2、q3、...、qm}，q1、q2、q3、...、qm表示常规患者按照记录顺序的第1、2、3、...、m个监测特征，m表示常规患者监测特征的总个数；
步骤Sa2：比较N个常规患者的历史监测特征序列，生成第一集合W，W＝{Q1∩Q2∩Q3∩...∩QN}，Q1、Q2、Q3、...、QN表示第1、2、3、...、N个常规患者的历史监测特征序列；输出所述第一集合中的监测特征以及对应监测特征的围手术期进程为监测数据组，并以监测数据组构建常规状态特征集合；
步骤Sa3：获取考察患者的历史监测特征序列E，
当时，输出历史监测特征序列E中的监测特征以及对应监测特征的围手术期进程为考察数据组，并以考察数据组构建为异常状态特征集合；
当时，输出E∩W的监测特征为重点特征，获取考察患者重点特征的参数区间[u1,v1]和常规患者重点特征的参数区间[u2,v2]，当存在|u1-u2|、|v1-v2|和|v1-u2|中任一差值大于第一差值阈值时，输出差值大于第一差值阈值的重点特征和与第一集合不同的监测特征分别对应的围手术期进程为重点数据组，并以重点数据组构建异常状态特征集合；
当不存在|u1-u2|、|v1-v2|和|v1-u2|中任一差值大于第一差值阈值的重点特征时，输出与第一集合不同的监测特征和对应的围手术期进程为重点数据组，输出重点数据组为异常状态特征集合；
步骤S3：基于医护治疗数据，分析状态特征集合中每类状态特征的可识别医护数据，并基于属于同一类状态特征下的不同患者，分析可识别医护数据的差异影响指数；
所述步骤S3包括以下分析步骤：
步骤S31：分别获取状态特征集合中常规状态特征集合和异常状态特征集合在相邻监测特征中所记录医护治疗数据中的护理数据；提取相邻监测特征中任一监测特征参数波动值大于波动阈值时对应的护理数据为可识别医护数据；
步骤S32：获取常规状态特征集合和异常状态特征集合中处于同一相邻监测特征下的不同可识别医护数据分别构建第一可识别数据集合和第二可识别数据集合；基于可识别数据集合，提取可识别医护数据记录时所处围手术期的进程周期T1，利用公式：
G＝(T0-T1)/T0
计算可识别医护数据的差异影响指数G，其中T0表示实时获取的可识别医护数据对应的患者监测特征与相同监测特征所处状态特征集合中的可识别医护数据不同时，患者所处围手术期的进程周期，T1则表示状态特征集合中与患者实时可识别医护数据相似度大于第二相似度阈值时对应的围手术期的进程周期；
步骤S4：获取实时监测的目标患者状态数据，将目标患者状态数据与状态特征集合进行比较，判断实时目标患者的围手术期进程是否异常；在判断结果为进程正常时，分析实时医护治疗数据是否需要第一预警；在判断结果为进程异常时，存储实时目标患者状态数据为异常状态特征并进行第二预警。
2.根据权利要求1所述的一种早癌手术围手术期数据管理方法，其特征在于：所述步骤S1中划分监测数据库对应的围手术期监测单元，包括以下分析步骤：
步骤S11：获取监测数据库中患者确定围手术期开始节点时的患者状态数据，所述患者状态数据包括患者病症和患者病程阶段；获取监测数据库中患者确定围手术期开始节点时的医护治疗数据，所述医护治疗数据包括患者手术方案；
步骤S12：以任一患者为起始分析患者，提取起始分析患者的患者病症、患者病程阶段和患者手术方案为目标三要素，遍历监测数据库中除去起始分析患者外剩余患者的目标三要素为待分析三要素；
步骤S13：将与目标三要素相似度大于等于第一相似度阈值的待分析三要素进行标记，输出已标记的待分析三要素与目标三要素对应的患者为一监测单元，并存储记录患者围手术期的监测单元为围手术期监测单元；
步骤S14：当划分一个围手术期监测单元后仍存在未划分患者，输出未划分患者为等待划分患者；返回步骤S12，以任一等待划分患者为起始分析患者，直至监测数据库中不存在未划分患者。
3.根据权利要求2所述的一种早癌手术围手术期数据管理方法，其特征在于：所述步骤S4包括以下分析步骤：
获取实时监测的目标患者状态数据以及患者所处围手术期的进程周期，提取实时监测的目标患者状态数据与常规状态特征集合或异常状态特征集合中记录的监测状态相同时对应的数据组；
若实时围手术期的进程周期与数据组中的围手术期进程差值大于等于进程差异阈值时，输出判断结果为异常，提取实时监测的目标患者状态数据为异常状态特征并进行第二预警，所述第二预警是对存储数据进行预警；
若实时围手术期的进程周期与数据组中的围手术期进程差值小于进程差异阈值，输出判断结果为正常；获取实时医护治疗数据，若实时医护治疗数据与对应数据组记录的医护治疗数据相同时，继续监测；
若实时医护治疗数据与对应数据组记录的医护治疗数据不同时，判断状态特征集合中是否存在与实时医护治疗数据相似度大于第二相似度阈值的可识别医护数据，若存在则计算可识别医护数据的差异影响指数，当G<G0，输出监测正常，G0表示差异影响指数阈值；当G≥G0时，传输第一预警信号；
若不存在，传输第一预警信号，所述第一预警信号是指实时可识别医护数据会对围手术期的期限造成影响。
4.应用权利要求1-3中任一项所述的一种早癌手术围手术期数据管理方法的围手术期数据管理系统，其特征在于，包括早癌手术特征存储模块、状态特征集合分析模块、差异影响指数分析模块和实时预警响应模块；
所述早癌手术特征存储模块用于获取医疗数据库中心存储的早癌手术特征数据；
所述状态特征集合分析模块用于提取围手术期监测单元内的围手术期期限时长，并确定围手术期监测单元的单元期限阈值，基于单元期限阈值结合患者状态数据，分析围手术期监测单元内患者的监测特征并生成状态特征集合；
所述差异影响指数分析模块用于基于医护治疗数据，分析状态特征集合中每类状态特征的可识别医护数据，并基于属于同一类状态特征下的不同患者，分析可识别医护数据的差异影响指数；
所述差异影响指数分析模块包括可识别医护数据分析单元和差异影响指数计算单元；
所述可识别医护数据分析单元用于分别获取状态特征集合中常规状态特征集合和异常状态特征集合在相邻监测特征中所记录医护治疗数据中的护理数据，提取相邻监测特征中任一监测特征参数波动值大于波动阈值时对应的护理数据为可识别医护数据；
所述差异影响指数计算单元用于获取常规状态特征集合和异常状态特征集合中处于同一相邻监测特征下的不同可识别医护数据分别构建第一可识别数据集合和第二可识别数据集合；基于可识别数据集合，提取可识别医护数据记录时所处围手术期的进程周期，计算差异影响指数；
所述实时预警响应模块用于获取实时监测的目标患者状态数据进行分析判断是否进行预警。
5.根据权利要求4所述的围手术期数据管理系统，其特征在于：所述状态特征集合分析模块包括围手术期监测单元确定单元、监测特征分析单元和状态特征集合生成单元；
所述围手术期监测单元确定单元用于获取任一患者的患者病症、患者病程阶段和患者手术方案，分析确定围手术期监测单元；
所述监测特征分析单元用于区分围手术期监测单元内的差异特征；
所述状态特征集合生成单元用于提取常规患者的监测特征生成常规状态特征集合和考察患者的监测特征生成异常状态特征集合。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310866789.8A CN116864060B (zh) | 2023-07-14 | 2023-07-14 | 一种早癌手术围手术期数据管理系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310866789.8A CN116864060B (zh) | 2023-07-14 | 2023-07-14 | 一种早癌手术围手术期数据管理系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116864060A CN116864060A (zh) | 2023-10-10 |
| CN116864060B true CN116864060B (zh) | 2024-05-24 |
Family
ID=88233834
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310866789.8A Active CN116864060B (zh) | 2023-07-14 | 2023-07-14 | 一种早癌手术围手术期数据管理系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116864060B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118197650B (zh) * | 2024-05-17 | 2024-07-30 | 长春中医药大学 | 一种用于评估妇科微创手术安全的智能监测系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114052683A (zh) * | 2022-01-17 | 2022-02-18 | 武汉久乐科技有限公司 | 一种围手术期连续无感健康监护预警装置及方法 |
| CN115040093A (zh) * | 2022-06-29 | 2022-09-13 | 南通市第一老年病医院(上海大学附属南通医院、南通市第六人民医院、南通市肺科医院) | 一种用于内科高龄患者的护理干预方法及系统 |
| CN115565697A (zh) * | 2022-10-25 | 2023-01-03 | 深圳雅尔典环境技术科技有限公司 | 一种基于数据分析的围术期流程监测管控系统 |
| CN116417140A (zh) * | 2023-02-13 | 2023-07-11 | 湖南省肿瘤医院 | 一种肿瘤患者全病程营养健康管理系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170147759A1 (en) * | 2015-11-24 | 2017-05-25 | Raj R. Iyer | Patient Centered Medical Home for Perioperative Hospital Surgical Care |
-
2023
- 2023-07-14 CN CN202310866789.8A patent/CN116864060B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114052683A (zh) * | 2022-01-17 | 2022-02-18 | 武汉久乐科技有限公司 | 一种围手术期连续无感健康监护预警装置及方法 |
| CN115040093A (zh) * | 2022-06-29 | 2022-09-13 | 南通市第一老年病医院(上海大学附属南通医院、南通市第六人民医院、南通市肺科医院) | 一种用于内科高龄患者的护理干预方法及系统 |
| CN115565697A (zh) * | 2022-10-25 | 2023-01-03 | 深圳雅尔典环境技术科技有限公司 | 一种基于数据分析的围术期流程监测管控系统 |
| CN116417140A (zh) * | 2023-02-13 | 2023-07-11 | 湖南省肿瘤医院 | 一种肿瘤患者全病程营养健康管理系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116864060A (zh) | 2023-10-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10872131B2 (en) | Progression analytics system | |
| CN112365978B (zh) | 心动过速事件早期风险评估的模型的建立方法及其装置 | |
| CN116864060B (zh) | 一种早癌手术围手术期数据管理系统及方法 | |
| RU2507575C2 (ru) | Способ и устройство для выявления взаимосвязей в данных на основе зависящих от времени взаимосвязей | |
| RU2707720C2 (ru) | Система для автоматизированного анализа результатов лабораторных исследований и оповещения о риске в отделении интенсивной терапии | |
| WO2005109334A2 (en) | Systems and methods for automatic and incremental learning of patient states from biomedical signals | |
| CN107252313A (zh) | 一种安全驾驶的监测方法及系统、汽车、可读存储介质 | |
| JP2013513846A (ja) | 医学データの自動注釈 | |
| CN113796874B (zh) | 一种基于张量分解模型的多元脑电数据识别分析方法 | |
| CN102026577A (zh) | 生理数据的形态特征分析的系统和方法 | |
| CN103370629A (zh) | 临床质量分析系统 | |
| Goshvarpour et al. | An innovative information-based strategy for epileptic EEG classification | |
| Alotaiby et al. | Channel selection and seizure detection using a statistical approach | |
| CN115414054A (zh) | 基于前馈脉冲神经网络的癫痫脑电检测系统 | |
| Lai et al. | Channel-wise characterization of high frequency oscillations for automated identification of the seizure onset zone | |
| Tanner et al. | Decision Trees as a Method for Forecasting Seizure Precipitants and Identifying Their Influences on Seizure Outcome | |
| Moss et al. | A linked data approach to assessing medical data | |
| CN106647707A (zh) | 一种简易的医疗设备管理控制系统 | |
| Parui et al. | A study on seizure detection performance in an automated process by extracting entropy features | |
| CN118078215B (zh) | 一种生命体征监测方法及系统 | |
| CN117438083B (zh) | 一种基于人工智能的中老年疾病预测系统 | |
| CN118173231B (zh) | 一种医疗隐患排查管理系统 | |
| KR102673765B1 (ko) | 다중 환자별 맞춤형 심전도 판독 장치 | |
| Mera-Gaona et al. | Towards a selection mechanism of relevant features for automatic epileptic seizures detection | |
| CN117958763B (zh) | 一种基于时间轴的患者360度指标检测方法 |
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 |