CN117133450B - 基于数据共享的宠物医疗智能诊断方法、系统及存储介质 - Google Patents
基于数据共享的宠物医疗智能诊断方法、系统及存储介质 Download PDFInfo
- Publication number
- CN117133450B CN117133450B CN202311403167.8A CN202311403167A CN117133450B CN 117133450 B CN117133450 B CN 117133450B CN 202311403167 A CN202311403167 A CN 202311403167A CN 117133450 B CN117133450 B CN 117133450B
- Authority
- CN
- China
- Prior art keywords
- pet
- risk
- disease
- medical
- data
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 122
- 238000000034 method Methods 0.000 title claims abstract description 48
- 201000010099 disease Diseases 0.000 claims abstract description 218
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 218
- 230000007613 environmental effect Effects 0.000 claims abstract description 97
- 238000004458 analytical method Methods 0.000 claims abstract description 60
- 238000012512 characterization method Methods 0.000 claims abstract description 52
- 239000011159 matrix material Substances 0.000 claims abstract description 35
- 238000007405 data analysis Methods 0.000 claims abstract description 29
- 238000001514 detection method Methods 0.000 claims abstract description 16
- 238000002405 diagnostic procedure Methods 0.000 claims abstract description 9
- 238000010606 normalization Methods 0.000 claims description 20
- 238000012549 training Methods 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 15
- 238000013058 risk prediction model Methods 0.000 claims description 9
- 238000012163 sequencing technique Methods 0.000 claims description 9
- 238000007477 logistic regression Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 6
- 238000007476 Maximum Likelihood Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 claims description 3
- 230000007721 medicinal effect Effects 0.000 abstract description 5
- 208000018569 Respiratory Tract disease Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 210000001035 gastrointestinal tract Anatomy 0.000 description 1
- 238000002649 immunization Methods 0.000 description 1
- 230000003053 immunization Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 208000036236 obstetric disease Diseases 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- 230000035479 physiological effects, processes and functions Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- 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
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
-
- 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)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Computing Systems (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Nuclear Medicine (AREA)
Abstract
本发明公开了基于数据共享的宠物医疗智能诊断方法、系统及存储介质，涉及宠物医疗技术领域，包括：设定一宠物医疗数据共享距离；建立宠物医疗数据共享云端；采集宠物医疗数据并上传至宠物医疗数据共享云端；设定医疗数据分析区域；设定一数据分析时长；调取宠物医疗分析样本数据；确定若干环境诱因；建立环境诱因矩阵；确定宠物医疗场所接诊的宠物表征数据；综合分析预测宠物的若干个高风险宠物疾病；基于高风险宠物疾病，安排宠物进行对应的诊断检测项目。本发明的优点在于：通过分析宠物表征数据和环境诱因，可以智能预测宠物可能患有的疾病，并安排相应的诊疗检测，快速精准定位病因，提高宠物医疗效果。
Description
技术领域
本发明涉及宠物医疗技术领域，具体是涉及基于数据共享的宠物医疗智能诊断方法、系统及存储介质。
背景技术
宠物医疗是专门为宠物提供的医疗服务，其包括宠物解剖生理、宠物病理、宠物疾病诊断与治疗、宠物免疫接种的医疗项目，需要对宠物进行宠物内科病诊疗、宠物外产科病诊疗、宠物疫病防控的多项宠物医疗诊断。
宠物的医疗诊断通常与区域环境因素存在着明显的关联，如空气质量较差的区域，宠物易患有呼吸道疾病，水质较差的区域，宠物易患有消化道疾病，现有的宠物医疗诊断系统，缺乏对于区域内宠物医疗数据的共享手段，难以实现对于区域内的宠物医疗诊断数据的合理分析，在进行宠物医疗诊断时，难以合理化的结合区域环境因素，导致对于宠物的病因难以实现精准定位，影响宠物医疗效果。
发明内容
为解决上述技术问题，提供基于数据共享的宠物医疗智能诊断方法、系统及存储介质，本技术方案解决了上述的现有的宠物医疗诊断系统，缺乏对于区域内宠物医疗数据的共享手段，难以实现对于区域内的宠物医疗诊断数据的合理分析，在进行宠物医疗诊断时，难以合理化的结合区域环境因素，导致对于宠物的病因难以实现精准定位，影响宠物医疗效果的问题。
为达到以上目的，本发明采用的技术方案为：
一种基于数据共享的宠物医疗智能诊断方法，包括：
设定一宠物医疗数据共享距离；
建立宠物医疗数据共享云端；
采集宠物医疗数据并上传至宠物医疗数据共享云端；
将当前宠物医疗场所为圆心，以设定的宠物医疗数据共享距离为半径构成的圆形区域设定为医疗数据分析区域；
设定一数据分析时长；
从宠物医疗数据共享云端中调取医疗数据分析区域内在数据分析时长内的所有宠物医疗数据，记为宠物医疗分析样本数据；
基于宠物诊疗经验，确定每一个宠物医疗分析样本数据的宠物诊断结果的若干环境诱因；
统计所有宠物医疗分析样本数据中出现的每一个环境诱因的次数，建立环境诱因矩阵；
确定宠物医疗场所接诊的宠物表征数据；
结合宠物表征数据和环境诱因矩阵进行综合分析预测宠物的若干个高风险宠物疾病；
基于高风险宠物疾病，安排宠物进行对应的诊断检测项目。
优选的，所述统计所有宠物医疗分析样本数据中出现的每一个环境诱因的次数，建立环境诱因矩阵具体包括：
基于宠物医疗分析样本数据中出现的所有环境诱因的次数，通过归一化计算公式计算环境诱因的次数归一化指标；
以宠物医疗分析样本数据中出现的所有环境诱因的次数归一化指标作为元素，组成环境诱因矩阵G，，/>为宠物医疗分析样本数据中出现的第i个环境诱因的次数归一化指标，/>为宠物医疗分析样本数据中出现的环境诱因总数；
其中，所述归一化计算公式具体为：
式中，为宠物医疗分析样本数据中出现的第i个环境诱因的次数。
优选的，所述结合宠物表征数据和环境诱因矩阵进行综合分析预测宠物的若干个高风险宠物疾病具体包括：
构建宠物疾病与宠物表征数据之间的诊断拟合模型，所述诊断拟合模型以宠物表征数据为输入，以宠物患有每一种宠物疾病的患病概率为输出；
将宠物医疗场所接诊的宠物表征数据输入诊断拟合模型，确定宠物患有每一种宠物疾病的患病概率；
筛选出患病概率大于风险预设值的若干个宠物疾病，记为高风险宠物疾病；
确定每个高风险宠物疾病的疾病诱因，建立与高风险宠物疾病一一对应的高风险疾病诱因集合；
基于高风险疾病诱因集合和环境诱因矩阵，计算每个高风险宠物疾病的环境诱因指标；
基于高风险宠物疾病的环境诱因指标和高风险宠物疾病的患病概率，通过诊断指标计算公式计算宠物患有每一个高风险宠物疾病的诊断指标；
按照诊断指标的大小依次对高风险宠物疾病进行排序；
其中，所述诊断指标计算公式具体为：
式中，为第j个高风险宠物疾病的诊断指标，/>为第j个高风险宠物疾病的环境诱因指标，/>为第j个高风险宠物疾病的患病概率。
优选的，所述构建宠物疾病与宠物表征数据之间的诊断拟合模型具体包括：
基于Logistic回归模型构建每一个宠物疾病与宠物表征数据之间的疾病风险预测模型；
将所有宠物疾病与宠物表征数据之间的疾病风险预测模型整合为诊断拟合模型；
所述疾病风险预测模型具体为：
式中，为患有宠物疾病的患病概率，/>为第k个宠物表征的表征指标，若宠物具有第k个宠物表征，则/>为1，若宠物不具有第k个宠物表征，则/>为0，均为模型系数。
优选的，所述模型系数的确定方法为：
基于宠物历史诊疗经验，调取若干个模型训练数据；
根据宠物历史诊疗经验中，诊断为宠物患有宠物疾病与否，将模型训练数据分为患病训练数据和未患病训练数据；
基于患病训练数据和未患病训练数据中宠物的体征数据，以最大似然法求解模型系数。
优选的，所述基于高风险疾病诱因集合和环境诱因矩阵，计算每个高风险宠物疾病的环境诱因指标具体包括：
将宠物医疗分析样本数据中出现的所有环境诱因组成环境诱因集合；
对高风险疾病诱因集合和环境诱因集合进行求交集，得到环境诱因拟合交集；
记环境诱因拟合交集中的元素为拟合环境诱因；
确定环境诱因矩阵中，每个拟合环境诱因的次数归一化指标；
将所有拟合环境诱因的次数归一化指标进行求和，得到高风险宠物疾病的环境诱因指标。
优选的，所述基于高风险宠物疾病，安排宠物进行对应的诊断检测项目具体包括：
确定每一个高风险宠物疾病的诊断检测项目；
按照高风险宠物疾病的排序，依次进行高风险宠物疾病对应的诊断检测项目，并基于诊断检测结果判断宠物是否患有对应的高风险宠物疾病。
进一步的，提出一种基于数据共享的宠物医疗智能诊断系统，用于实现如上述的基于数据共享的宠物医疗智能诊断方法，具体包括：
云端服务器，所述云端服务器用于存储采集的宠物医疗数据；
医疗共享数据分析模块，所述医疗共享数据分析模块与所述云端服务器进行通讯连接，所述医疗共享数据分析模块用于从宠物医疗数据共享云端中调取医疗数据分析区域内在数据分析时长内的所有宠物医疗数据，记为宠物医疗分析样本数据、基于宠物诊疗经验，确定每一个宠物医疗分析样本数据的宠物诊断结果的若干环境诱因和统计所有宠物医疗分析样本数据中出现的每一个环境诱因的次数，建立环境诱因矩阵；
患病分析模块，所述患病分析模块与所述医疗共享数据分析模块电性连接，所述患病分析模块用于结合宠物表征数据和环境诱因矩阵进行综合分析预测宠物的若干个高风险宠物疾病；
诊疗规划模块，所述诊疗规划模块与所述患病分析模块电性连接，所述诊疗规划模块用于基于高风险宠物疾病，安排宠物进行对应的诊断检测项目。
可选的，所述患病分析模块具体包括：
诊断模型单元，所述诊断模型单元用于构建宠物疾病与宠物表征数据之间的诊断拟合模型；
体征预测单元，所述体征预测单元用于将宠物医疗场所接诊的宠物表征数据输入诊断拟合模型，确定宠物患有每一种宠物疾病的患病概率和筛选出患病概率大于风险预设值的若干个宠物疾病，记为高风险宠物疾病；
风险疾病分析单元，所述风险疾病分析单元用于确定每个高风险宠物疾病的疾病诱因，建立与高风险宠物疾病一一对应的高风险疾病诱因集合；
环境拟合单元，所述环境拟合单元用于基于高风险疾病诱因集合和环境诱因矩阵，计算每个高风险宠物疾病的环境诱因指标；
综合分析单元，所述综合分析单元用于基于高风险宠物疾病的环境诱因指标和高风险宠物疾病的患病概率，通过诊断指标计算公式计算宠物患有每一个高风险宠物疾病的诊断指标；
排序单元，所述排序单元用于按照诊断指标的大小依次对高风险宠物疾病进行排序。
再进一步的，提出一种计算机可读存储介质，其上存储有计算机可读程序，所述计算机可读程序被调用时执行如上述的基于数据共享的宠物医疗智能诊断方法。
与现有技术相比，本发明的有益效果在于：
本发明提出一种基于数据共享的宠物医疗智能诊断方案，通过对医疗数据分析区域内的宠物医疗数据进行分析，进而得出宠物医疗场所所处区域内的会导致宠物患病的若干环境诱因，在进行宠物医疗诊断时，可结合宠物表征数据和环境诱因进行综合化智能分析出宠物可能患有的疾病，进而安排宠物进行对应的诊疗检测，可实现对于宠物的病因的快速精准定位，进而有效的提高宠物接受的宠物医疗效果。
附图说明
图1为本发明提出的基于数据共享的宠物医疗智能诊断方法流程图；
图2为本发明中的建立环境诱因矩阵的方法流程图；
图3为本发明中的分析预测宠物的高风险宠物疾病的方法流程图；
图4为本发明中的构建宠物疾病与宠物表征数据之间的诊断拟合模型的方法流程图；
图5为本发明中的模型系数的确定方法流程图；
图6为本发明中的计算高风险宠物疾病的环境诱因指标的方法流程图；
图7为本发明中的安排宠物进行对应的诊断检测项目的方法流程图。
具体实施方式
以下描述用于揭露本发明以使本领域技术人员能够实现本发明。以下描述中的优选实施例只作为举例，本领域技术人员可以想到其他显而易见的变型。
参照图1所示，一种基于数据共享的宠物医疗智能诊断方法，包括：
设定一宠物医疗数据共享距离；
建立宠物医疗数据共享云端；
采集宠物医疗数据并上传至宠物医疗数据共享云端；
将当前宠物医疗场所为圆心，以设定的宠物医疗数据共享距离为半径构成的圆形区域设定为医疗数据分析区域；
设定一数据分析时长；
从宠物医疗数据共享云端中调取医疗数据分析区域内在数据分析时长内的所有宠物医疗数据，记为宠物医疗分析样本数据；
基于宠物诊疗经验，确定每一个宠物医疗分析样本数据的宠物诊断结果的若干环境诱因；
统计所有宠物医疗分析样本数据中出现的每一个环境诱因的次数，建立环境诱因矩阵；
确定宠物医疗场所接诊的宠物表征数据；
结合宠物表征数据和环境诱因矩阵进行综合分析预测宠物的若干个高风险宠物疾病；
基于高风险宠物疾病，安排宠物进行对应的诊断检测项目。
本方案通过对医疗数据分析区域内的宠物医疗数据进行分析，进而得出宠物医疗场所所处区域内的会导致宠物患病的若干环境诱因，在进行宠物医疗诊断时，可结合宠物表征数据和环境诱因进行综合化智能分析出宠物可能患有的疾病，进而安排宠物进行对应的诊疗检测，可实现对于宠物的病因的快速精准定位。
参照图2所示，统计所有宠物医疗分析样本数据中出现的每一个环境诱因的次数，建立环境诱因矩阵具体包括：
基于宠物医疗分析样本数据中出现的所有环境诱因的次数，通过归一化计算公式计算环境诱因的次数归一化指标；
以宠物医疗分析样本数据中出现的所有环境诱因的次数归一化指标作为元素，组成环境诱因矩阵G，，/>为宠物医疗分析样本数据中出现的第i个环境诱因的次数归一化指标，/>为宠物医疗分析样本数据中出现的环境诱因总数；
其中，归一化计算公式具体为：
式中，为宠物医疗分析样本数据中出现的第i个环境诱因的次数。
本方案对宠物医疗分析样本数据中出现的环境诱因的次数进行归一化计算出每个环境诱因出现的次数归一化指标，通过此方式可有效的将环境诱因进行标准化处理，次数归一化指标越大，则说明在医疗数据分析区域内，该环境诱因的影响越大。
参照图3所示，结合宠物表征数据和环境诱因矩阵进行综合分析预测宠物的若干个高风险宠物疾病具体包括：
构建宠物疾病与宠物表征数据之间的诊断拟合模型，诊断拟合模型以宠物表征数据为输入，以宠物患有每一种宠物疾病的患病概率为输出；
将宠物医疗场所接诊的宠物表征数据输入诊断拟合模型，确定宠物患有每一种宠物疾病的患病概率；
筛选出患病概率大于风险预设值的若干个宠物疾病，记为高风险宠物疾病；
确定每个高风险宠物疾病的疾病诱因，建立与高风险宠物疾病一一对应的高风险疾病诱因集合；
基于高风险疾病诱因集合和环境诱因矩阵，计算每个高风险宠物疾病的环境诱因指标；
基于高风险宠物疾病的环境诱因指标和高风险宠物疾病的患病概率，通过诊断指标计算公式计算宠物患有每一个高风险宠物疾病的诊断指标；
按照诊断指标的大小依次对高风险宠物疾病进行排序；
其中，诊断指标计算公式具体为：
式中，为第j个高风险宠物疾病的诊断指标，/>为第j个高风险宠物疾病的环境诱因指标，/>为第j个高风险宠物疾病的患病概率。
通过结合宠物表征状态和环境诱因因素，进行计算宠物患有每个高风险宠物疾病的诊断指标，该诊断指标综合考虑了宠物自身身体状态因素和区域环境因素，该指标越大，则说明患有高风险宠物疾病的概率越大，按照诊断指标的大小进行宠物的高风险宠物疾病排序，并依次排查检测宠物患有高风险宠物疾病，可实现对于宠物疾病的高效准确的诊疗。
参照图4所示，构建宠物疾病与宠物表征数据之间的诊断拟合模型具体包括：
基于Logistic回归模型构建每一个宠物疾病与宠物表征数据之间的疾病风险预测模型；
将所有宠物疾病与宠物表征数据之间的疾病风险预测模型整合为诊断拟合模型；
疾病风险预测模型具体为：
式中，为患有宠物疾病的患病概率，/>为第k个宠物表征的表征指标，若宠物具有第k个宠物表征，则/>为1，若宠物不具有第k个宠物表征，则/>为0，均为模型系数。
参照图5所示，模型系数的确定方法为：
基于宠物历史诊疗经验，调取若干个模型训练数据；
根据宠物历史诊疗经验中，诊断为宠物患有宠物疾病与否，将模型训练数据分为患病训练数据和未患病训练数据；
基于患病训练数据和未患病训练数据中宠物的体征数据，以最大似然法求解模型系数。
logistic回归又称logistic回归分析，是一种广义的线性回归分析模型，常用于数据挖掘，疾病自动诊断，经济预测等领域。 逻辑回归根据给定的自变量数据集来估计事件的发生概率，由于结果是一个概率，因此因变量的范围在 0 和 1 之间，本方案中，以宠物表征的表征指标作为输入，可通过Logistic回归模型进行计算宠物表患上对应疾病的概率。
参照图6所示，基于高风险疾病诱因集合和环境诱因矩阵，计算每个高风险宠物疾病的环境诱因指标具体包括：
将宠物医疗分析样本数据中出现的所有环境诱因组成环境诱因集合；
对高风险疾病诱因集合和环境诱因集合进行求交集，得到环境诱因拟合交集；
记环境诱因拟合交集中的元素为拟合环境诱因；
确定环境诱因矩阵中，每个拟合环境诱因的次数归一化指标；
将所有拟合环境诱因的次数归一化指标进行求和，得到高风险宠物疾病的环境诱因指标。
将疾病存在的环境诱因与区域内统计的环境诱因进行比对求交集，并将交集中的次数归一化指标进行累加得到高风险宠物疾病的环境诱因指标，该环境诱因指标越大，则说明该区域的环境因素导致宠物患有该高风险宠物疾病的风险越高。
参照图7所示，基于高风险宠物疾病，安排宠物进行对应的诊断检测项目具体包括：
确定每一个高风险宠物疾病的诊断检测项目；
按照高风险宠物疾病的排序，依次进行高风险宠物疾病对应的诊断检测项目，并基于诊断检测结果判断宠物是否患有对应的高风险宠物疾病。
可以理解的是，通过按照高风险宠物疾病的排序，对宠物进行每一种高风险宠物疾病的诊断检测，可以有效地实现对于宠物疾病的高效且准确的诊疗。这种诊疗方式基于宠物自身的体征数据和宠物所生活的区域的环境因素，能够最大程度地保障对于宠物病因定位的高效性。
进一步的，基于与上述基于数据共享的宠物医疗智能诊断方法相同的发明构思，本方案还提出一种基于数据共享的宠物医疗智能诊断系统，包括：
云端服务器，云端服务器用于存储采集的宠物医疗数据；
医疗共享数据分析模块，医疗共享数据分析模块与云端服务器进行通讯连接，医疗共享数据分析模块用于从宠物医疗数据共享云端中调取医疗数据分析区域内在数据分析时长内的所有宠物医疗数据，记为宠物医疗分析样本数据、基于宠物诊疗经验，确定每一个宠物医疗分析样本数据的宠物诊断结果的若干环境诱因和统计所有宠物医疗分析样本数据中出现的每一个环境诱因的次数，建立环境诱因矩阵；
患病分析模块，患病分析模块与医疗共享数据分析模块电性连接，患病分析模块用于结合宠物表征数据和环境诱因矩阵进行综合分析预测宠物的若干个高风险宠物疾病；
诊疗规划模块，诊疗规划模块与患病分析模块电性连接，诊疗规划模块用于基于高风险宠物疾病，安排宠物进行对应的诊断检测项目。
患病分析模块具体包括：
诊断模型单元，诊断模型单元用于构建宠物疾病与宠物表征数据之间的诊断拟合模型；
体征预测单元，体征预测单元用于将宠物医疗场所接诊的宠物表征数据输入诊断拟合模型，确定宠物患有每一种宠物疾病的患病概率和筛选出患病概率大于风险预设值的若干个宠物疾病，记为高风险宠物疾病；
风险疾病分析单元，风险疾病分析单元用于确定每个高风险宠物疾病的疾病诱因，建立与高风险宠物疾病一一对应的高风险疾病诱因集合；
环境拟合单元，环境拟合单元用于基于高风险疾病诱因集合和环境诱因矩阵，计算每个高风险宠物疾病的环境诱因指标；
综合分析单元，综合分析单元用于基于高风险宠物疾病的环境诱因指标和高风险宠物疾病的患病概率，通过诊断指标计算公式计算宠物患有每一个高风险宠物疾病的诊断指标；
排序单元，排序单元用于按照诊断指标的大小依次对高风险宠物疾病进行排序。
再进一步的，本发明还提出一种计算机可读存储介质，其上存储有计算机可读程序，计算机可读程序被调用时执行如上述的基于数据共享的宠物医疗智能诊断方法；
可以理解的是，计算机可读存储介质可以是磁性介质，例如，软盘、硬盘、磁带；光介质例如，DVD；或者半导体介质例如固态硬盘SolidStateDisk，SSD等。
综上所述，本发明的优点在于：可结合宠物表征数据和环境诱因进行综合化智能分析出宠物可能患有的疾病，进而安排宠物进行对应的诊疗检测，实现对于宠物的病因的快速精准定位，进而有效的提高宠物接受的宠物医疗效果。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是本发明的原理，在不脱离本发明精神和范围的前提下本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明的范围内。本发明要求的保护范围由所附的权利要求书及其等同物界定。
Claims (7)
1.一种基于数据共享的宠物医疗智能诊断方法，其特征在于，包括：
设定一宠物医疗数据共享距离；
建立宠物医疗数据共享云端；
采集宠物医疗数据并上传至宠物医疗数据共享云端；
将当前宠物医疗场所为圆心，以设定的宠物医疗数据共享距离为半径构成的圆形区域设定为医疗数据分析区域；
设定一数据分析时长；
从宠物医疗数据共享云端中调取医疗数据分析区域内在数据分析时长内的所有宠物医疗数据，记为宠物医疗分析样本数据；
基于宠物诊疗经验，确定每一个宠物医疗分析样本数据的宠物诊断结果的若干环境诱因；
统计所有宠物医疗分析样本数据中出现的每一个环境诱因的次数，建立环境诱因矩阵；
确定宠物医疗场所接诊的宠物表征数据；
结合宠物表征数据和环境诱因矩阵进行综合分析预测宠物的若干个高风险宠物疾病；
基于高风险宠物疾病，安排宠物进行对应的诊断检测项目；
所述结合宠物表征数据和环境诱因矩阵进行综合分析预测宠物的若干个高风险宠物疾病具体包括：
构建宠物疾病与宠物表征数据之间的诊断拟合模型，所述诊断拟合模型以宠物表征数据为输入，以宠物患有每一种宠物疾病的患病概率为输出；
将宠物医疗场所接诊的宠物表征数据输入诊断拟合模型，确定宠物患有每一种宠物疾病的患病概率；
筛选出患病概率大于风险预设值的若干个宠物疾病，记为高风险宠物疾病；
确定每个高风险宠物疾病的疾病诱因，建立与高风险宠物疾病一一对应的高风险疾病诱因集合；
基于高风险疾病诱因集合和环境诱因矩阵，计算每个高风险宠物疾病的环境诱因指标；
基于高风险宠物疾病的环境诱因指标和高风险宠物疾病的患病概率，通过诊断指标计算公式计算宠物患有每一个高风险宠物疾病的诊断指标；
按照诊断指标的大小依次对高风险宠物疾病进行排序；
其中，所述诊断指标计算公式具体为：
；
式中，为第j个高风险宠物疾病的诊断指标，/>为第j个高风险宠物疾病的环境诱因指标，/>为第j个高风险宠物疾病的患病概率；
所述构建宠物疾病与宠物表征数据之间的诊断拟合模型具体包括：
基于Logistic回归模型构建每一个宠物疾病与宠物表征数据之间的疾病风险预测模型；
将所有宠物疾病与宠物表征数据之间的疾病风险预测模型整合为诊断拟合模型；
所述疾病风险预测模型具体为：
，
式中，为患有宠物疾病的患病概率，/>为第k个宠物表征的表征指标，若宠物具有第k个宠物表征，则/>为1，若宠物不具有第k个宠物表征，则/>为0，均为模型系数；
所述基于高风险疾病诱因集合和环境诱因矩阵，计算每个高风险宠物疾病的环境诱因指标具体包括：
将宠物医疗分析样本数据中出现的所有环境诱因组成环境诱因集合；
对高风险疾病诱因集合和环境诱因集合进行求交集，得到环境诱因拟合交集；
记环境诱因拟合交集中的元素为拟合环境诱因；
确定环境诱因矩阵中，每个拟合环境诱因的次数归一化指标；
将所有拟合环境诱因的次数归一化指标进行求和，得到高风险宠物疾病的环境诱因指标。
2.根据权利要求1所述的一种基于数据共享的宠物医疗智能诊断方法，其特征在于，所述统计所有宠物医疗分析样本数据中出现的每一个环境诱因的次数，建立环境诱因矩阵具体包括：
基于宠物医疗分析样本数据中出现的所有环境诱因的次数，通过归一化计算公式计算环境诱因的次数归一化指标；
以宠物医疗分析样本数据中出现的所有环境诱因的次数归一化指标作为元素，组成环境诱因矩阵G，，/>为宠物医疗分析样本数据中出现的第i个环境诱因的次数归一化指标，/>为宠物医疗分析样本数据中出现的环境诱因总数；
其中，所述归一化计算公式具体为：
；
式中，为宠物医疗分析样本数据中出现的第i个环境诱因的次数。
3.根据权利要求2所述的一种基于数据共享的宠物医疗智能诊断方法，其特征在于，所述模型系数的确定方法为：
基于宠物历史诊疗经验，调取若干个模型训练数据；
根据宠物历史诊疗经验中，诊断为宠物患有宠物疾病与否，将模型训练数据分为患病训练数据和未患病训练数据；
基于患病训练数据和未患病训练数据中宠物的体征数据，以最大似然法求解模型系数。
4.根据权利要求3所述的一种基于数据共享的宠物医疗智能诊断方法，其特征在于，所述基于高风险宠物疾病，安排宠物进行对应的诊断检测项目具体包括：
确定每一个高风险宠物疾病的诊断检测项目；
按照高风险宠物疾病的排序，依次进行高风险宠物疾病对应的诊断检测项目，并基于诊断检测结果判断宠物是否患有对应的高风险宠物疾病。
5.一种基于数据共享的宠物医疗智能诊断系统，其特征在于，用于实现如权利要求1-4任一项所述的基于数据共享的宠物医疗智能诊断方法，具体包括：
云端服务器，所述云端服务器用于存储采集的宠物医疗数据；
医疗共享数据分析模块，所述医疗共享数据分析模块与所述云端服务器进行通讯连接，所述医疗共享数据分析模块用于从宠物医疗数据共享云端中调取医疗数据分析区域内在数据分析时长内的所有宠物医疗数据，记为宠物医疗分析样本数据、基于宠物诊疗经验，确定每一个宠物医疗分析样本数据的宠物诊断结果的若干环境诱因和统计所有宠物医疗分析样本数据中出现的每一个环境诱因的次数，建立环境诱因矩阵；
患病分析模块，所述患病分析模块与所述医疗共享数据分析模块电性连接，所述患病分析模块用于结合宠物表征数据和环境诱因矩阵进行综合分析预测宠物的若干个高风险宠物疾病；
诊疗规划模块，所述诊疗规划模块与所述患病分析模块电性连接，所述诊疗规划模块用于基于高风险宠物疾病，安排宠物进行对应的诊断检测项目。
6.根据权利要求5所述的一种基于数据共享的宠物医疗智能诊断系统，其特征在于，所述患病分析模块具体包括：
诊断模型单元，所述诊断模型单元用于构建宠物疾病与宠物表征数据之间的诊断拟合模型；
体征预测单元，所述体征预测单元用于将宠物医疗场所接诊的宠物表征数据输入诊断拟合模型，确定宠物患有每一种宠物疾病的患病概率和筛选出患病概率大于风险预设值的若干个宠物疾病，记为高风险宠物疾病；
风险疾病分析单元，所述风险疾病分析单元用于确定每个高风险宠物疾病的疾病诱因，建立与高风险宠物疾病一一对应的高风险疾病诱因集合；
环境拟合单元，所述环境拟合单元用于基于高风险疾病诱因集合和环境诱因矩阵，计算每个高风险宠物疾病的环境诱因指标；
综合分析单元，所述综合分析单元用于基于高风险宠物疾病的环境诱因指标和高风险宠物疾病的患病概率，通过诊断指标计算公式计算宠物患有每一个高风险宠物疾病的诊断指标；
排序单元，所述排序单元用于按照诊断指标的大小依次对高风险宠物疾病进行排序。
7.一种计算机可读存储介质，其上存储有计算机可读程序，其特征在于，所述计算机可读程序被调用时执行如权利要求1-4任一项所述的基于数据共享的宠物医疗智能诊断方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311403167.8A CN117133450B (zh) | 2023-10-27 | 2023-10-27 | 基于数据共享的宠物医疗智能诊断方法、系统及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311403167.8A CN117133450B (zh) | 2023-10-27 | 2023-10-27 | 基于数据共享的宠物医疗智能诊断方法、系统及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117133450A CN117133450A (zh) | 2023-11-28 |
| CN117133450B true CN117133450B (zh) | 2024-02-06 |
Family
ID=88854946
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311403167.8A Active CN117133450B (zh) | 2023-10-27 | 2023-10-27 | 基于数据共享的宠物医疗智能诊断方法、系统及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117133450B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20200084807A (ko) * | 2019-01-03 | 2020-07-13 | 서울대학교산학협력단 | 만성신장 질환 발생 예측 장치 및 방법 |
| CN111681755A (zh) * | 2020-04-28 | 2020-09-18 | 北京农业信息技术研究中心 | 一种生猪疾病诊疗系统及方法 |
| CN114098655A (zh) * | 2022-01-25 | 2022-03-01 | 慕思健康睡眠股份有限公司 | 一种智能睡眠风险监测方法及系统 |
| CN116631638A (zh) * | 2023-05-11 | 2023-08-22 | 上海麦色医疗科技有限公司 | 一种基于人工智能的医疗数据多通路搜索系统 |
| CN116705300A (zh) * | 2023-06-12 | 2023-09-05 | 哈尔滨海吉雅科技有限公司 | 基于体征数据分析的医疗决策辅助方法、系统及存储介质 |
| CN116934088A (zh) * | 2023-07-24 | 2023-10-24 | 瑞安市致富鸽业有限公司 | 一种基于分析模型的鸽子养殖智能管理方法及其系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10872684B2 (en) * | 2013-11-27 | 2020-12-22 | The Johns Hopkins University | System and method for medical data analysis and sharing |
-
2023
- 2023-10-27 CN CN202311403167.8A patent/CN117133450B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20200084807A (ko) * | 2019-01-03 | 2020-07-13 | 서울대학교산학협력단 | 만성신장 질환 발생 예측 장치 및 방법 |
| CN111681755A (zh) * | 2020-04-28 | 2020-09-18 | 北京农业信息技术研究中心 | 一种生猪疾病诊疗系统及方法 |
| CN114098655A (zh) * | 2022-01-25 | 2022-03-01 | 慕思健康睡眠股份有限公司 | 一种智能睡眠风险监测方法及系统 |
| CN116631638A (zh) * | 2023-05-11 | 2023-08-22 | 上海麦色医疗科技有限公司 | 一种基于人工智能的医疗数据多通路搜索系统 |
| CN116705300A (zh) * | 2023-06-12 | 2023-09-05 | 哈尔滨海吉雅科技有限公司 | 基于体征数据分析的医疗决策辅助方法、系统及存储介质 |
| CN116934088A (zh) * | 2023-07-24 | 2023-10-24 | 瑞安市致富鸽业有限公司 | 一种基于分析模型的鸽子养殖智能管理方法及其系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117133450A (zh) | 2023-11-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20040242972A1 (en) | Method, system and computer product for prognosis of a medical disorder | |
| CN112309576A (zh) | 基于深度学习ct影像组学的结直肠癌生存期预测方法 | |
| CN110141219A (zh) | 基于导联融合深度神经网络的心肌梗死自动检测方法 | |
| US20130166267A1 (en) | Diagnostic factor set determination apparatus and method | |
| CN110141220A (zh) | 基于多模态融合神经网络的心肌梗死自动检测方法 | |
| CN113239279B (zh) | 一种慢性病医疗数据采集分析管理方法及云平台 | |
| CN110739076A (zh) | 一种医疗人工智能公共训练平台 | |
| CN112967803A (zh) | 基于集成模型的急诊患者早期死亡率预测方法及系统 | |
| CN110993096B (zh) | 一种脓毒血症的预警装置、设备及存储介质 | |
| CN111639743A (zh) | 一种以用户为核心的智慧医院信息智能采集方法及系统 | |
| CN117133450B (zh) | 基于数据共享的宠物医疗智能诊断方法、系统及存储介质 | |
| CN116258373B (zh) | 一种基于大数据的病虫害测报预警系统及方法 | |
| Ieva et al. | Mining administrative health databases for epidemiological purposes: a case study on acute myocardial infarctions diagnoses | |
| CN115858820B (zh) | 一种基于医疗知识图谱的预测方法、装置、电子设备和存储介质 | |
| Neumann et al. | Analyzing uncertainties in model response using the point estimate method: Applications from railway asset management | |
| CN110911011A (zh) | 一种脓毒血症的预警装置、设备及存储介质 | |
| CN113610415B (zh) | 一种核磁设备综合评价方法及系统 | |
| CN116052889B (zh) | 一种基于血液常规指标检测的sFLC预测系统 | |
| CN113593694A (zh) | 一种重症患者预后的预测方法 | |
| CN109637670A (zh) | 数据处理方法、装置、介质及电子设备 | |
| Hossain et al. | A hybrid neural network model for brain tumor detection in brain MRI images | |
| CN116936103B (zh) | 一种基于同向网络的用户健康预测管理方法及系统 | |
| Saleena | Analysis of machine learning and deep learning prediction models for sepsis and neonatal sepsis: A systematic review | |
| AU2021102832A4 (en) | System & method for automatic health prediction using fuzzy based machine learning | |
| Шуляк et al. | PROGRAM PROCEDURES FOR TRAINING A RECOGNITION SYSTEM FOR THE DIFFERENTIAL DIAGNOSIS OF PATIENTS BASED ON HETEROGENEOUS SYMPTOM COMPLEXES |
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 |