CN117238452B - 一种区域医学影像云及检查检验结果互认共享平台 - Google Patents
一种区域医学影像云及检查检验结果互认共享平台 Download PDFInfo
- Publication number
- CN117238452B CN117238452B CN202311292335.0A CN202311292335A CN117238452B CN 117238452 B CN117238452 B CN 117238452B CN 202311292335 A CN202311292335 A CN 202311292335A CN 117238452 B CN117238452 B CN 117238452B
- Authority
- CN
- China
- Prior art keywords
- data
- medical
- case
- model
- patient
- 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
- 238000007689 inspection Methods 0.000 title claims abstract description 27
- 238000003745 diagnosis Methods 0.000 claims abstract description 28
- 238000012549 training Methods 0.000 claims abstract description 25
- 208000035473 Communicable disease Diseases 0.000 claims abstract description 20
- 201000010099 disease Diseases 0.000 claims abstract description 19
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 19
- 238000013136 deep learning model Methods 0.000 claims abstract description 18
- 238000001514 detection method Methods 0.000 claims abstract description 18
- 238000000034 method Methods 0.000 claims abstract description 14
- 230000008569 process Effects 0.000 claims abstract description 11
- 230000002265 prevention Effects 0.000 claims abstract description 8
- 230000002159 abnormal effect Effects 0.000 claims description 23
- 238000004458 analytical method Methods 0.000 claims description 18
- 208000015181 infectious disease Diseases 0.000 claims description 14
- 238000011161 development Methods 0.000 claims description 12
- 238000012360 testing method Methods 0.000 claims description 5
- 238000007405 data analysis Methods 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000002591 computed tomography Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 239000003814 drug Substances 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 238000003384 imaging method Methods 0.000 claims description 3
- 238000012502 risk assessment Methods 0.000 claims description 3
- 230000001360 synchronised effect Effects 0.000 claims description 3
- 230000008520 organization Effects 0.000 claims 2
- 238000002059 diagnostic imaging Methods 0.000 claims 1
- 230000036541 health Effects 0.000 abstract description 4
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 230000005540 biological transmission Effects 0.000 abstract description 3
- 230000007246 mechanism Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006806 disease prevention Effects 0.000 description 1
- 230000002458 infectious effect Effects 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000005180 public health Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- 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
- Medical Treatment And Welfare Office Work (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明公开了一种区域医学影像云及检查检验结果互认共享平台，涉及医疗技术领域，本发明集成了来自不同医疗机构的医学影像和检查报告数据，通过医学数据标准更新模块实时同步和标准化这些数据，采用深度学习模型，对可能的传染病进行检测和识别，同时为避免训练模型过程中出现由于病症诊疗方案、过程均类似，造成的疾病误判，模型特征训练加入患者个体特征、地区疫情情况和旅行历史，减少误判并提高传染病的检测效率，然后基于深度学习模型的预测结果，生成风险预警和防控建议，有助于医生和卫生决策者更快速地采取措施，防止传染病的传播。
Description
技术领域
本发明涉及医疗技术领域，具体为一种区域医学影像云及检查检验结果互认共享平台。
背景技术
区域医学影像检查互认及共享平台是指内各医疗机构的影像检查报告及DICOM影像互联互通，能互相调阅，同时近期相同的检查项目各医疗机构支持检查互认的平台，共享调阅作为居民健康档案系统影像数据池，实现包含患者历次影像检查数据档案资料。
检查检验是医疗中诊疗环节的重要依据，也是医疗费用的重要组成部分，目前，我国医疗机构间检查检验结果的互认程度低，导致患者在不同医疗机构就诊时，经常需要重复进行相同或类似的检查检验，重复检查检验不仅增加了患者的就医时间、经济成本和身体伤害，也增加了医疗资源的浪费和医疗风险，影响了医生的诊疗效率和质量，因此提高互认共享利用率成为目前区域医学影像检查互认共享领域的研究方向之一。
然而传统的互认共享平台，对于来自不同医疗机构的数据的存储方式太过分散，标准化程度有限，导致数据整合和比较变得困难，也无法基于共享数据进行大数据分析，导致共享效果不佳，无法充分利用互认共享检查结果，因此亟需一种可以提高互认共享资源的为医疗机构提供传染病预防决策支持的区域医学影像云及检查检验结果互认共享平台来解决此类问题。
发明内容
（一）解决的技术问题
针对现有技术的不足，本发明提供了一种区域医学影像云及检查检验结果互认共享平台，解决现有技术中存在的存储方式太过分散，标准化程度有限，无法充分利用互认共享检查结果的问题。
（二）技术方案
为实现以上目的，本发明通过以下技术方案予以实现，本发明提供了一种区域医学影像云及检查检验结果互认共享平台，包括：
影像报告共享模块，影像报告共享模块中纳入不同医疗机构的医学影像和检查报告，并对授权人员共享患者的医学影像和检查报告，所述影像数据至少包括X射线成像诊断、CT扫描图、MRI造影，所述影像数据还包括影像对应的医生诊断和建议；
共享标准库模块，用于存储不同机构所上传的患者医学影像和检查报告，共享标准库基于云服务器建立；
医学数据标准更新模块，该模块基于卫健委所颁布最新的新一代医院数据中心建设指南、疾病分类与代码、手术、操作分类与代码对医学数据标准进行医学数据更新，医学数据标准更新模块包括实时数据同步单元，对不同机构之间的数据进行实时同步，于同步后存储在共享标准库模块中，并将源数据进行备份；
数据分析模块，对共享标准库模块中的患者病例进行检测分析，输出异常病例报告，此处异常病例指潜在高传染风险病例；
趋势识别模块，基于异常病例报告，对输出的所有异常病例报告进行分析，基于分析结果建立患者群体病情发展趋势模型，并输出风险预警和防控建议。
本发明进一步地设置为：所述影像报告共享模块中，授权人员定义为，经过机构的管理人员审批通过后的用户，通过机构的管理人员为医护人员创建唯一的用户帐户，包括用户名和密码；
本发明进一步地设置为：所述授权人员申请步骤包括：
提交个人的身份验证信息，包括身份证、职称、医疗机构单位；
由机构的管理人员核实审批；
共享平台中，为每个角色分配特定的权限，包括查看患者数据的类型、范围，以及可执行操作类型；
所述用户帐户同时采用用户名和密码双因素身份验证；
本发明进一步地设置为：所述病例检测分析步骤包括：
从共享标准库模块中获取患者病例的数据，包括医学影像、检查报告以及与病例数据相关的医疗数据；
进行数据清洗和特征提取，特征包括病人基本信息、疾病病史、诊疗方案、诊疗过程、诊断结果；
基于深度学习模型识别高传染风险病例；
本发明进一步地设置为：所述深度学习模型中的传染病包括国家卫健委发布确定的40种传染病，将来自不同地区、不同职业、不同性别、不同年龄的人群高传染风险相关的特征作为模型训练、预测特征；
所述深度学习模型加入旅行历史、患者当地疫情流行情况，同时引入噪声对训练数据进行增强；
本发明进一步地设置为：所述病例检测分析步骤还包括：
基于预测结果，设置阈值判断是否认为是异常病例；
将被判断为高传染风险的异常病例，生成报告，包括病例信息、诊断结果、风险评估；
本发明进一步地设置为：所述病例检测分析步骤中，深度学习每层的模型为，
输入层：X；
隐藏层：；
输出层：；
其中和b分别是i层的权重和偏置；
基于交叉熵损失定义损失函数，具体为：
，
其中，N是训练样本数量即不同地区、不同职业、不同性别、不同年龄的人群高传染风险相关的特征，C表示样本类别的数量，为真实病例特征，Y表示模型的预测概率；
本发明进一步地设置为：所述病例检测分析步骤中，优化器参数更新规则为：
；
；
；
；
；
其中，和/>是超参数，/>、/>和/>、/>分别表示一阶和二阶矩估计；
所述病例检测分析步骤中：
基于深度学习模型和优化器进行概率预测训练，并进行训练迭代，当迭代次数得到阈值停止训练；
本发明进一步地设置为：所述趋势识别模块中，收集异常病例报告数据，将报告数据整理为病例数据集；
进行数据集特征提取，包括患者的年龄、性别、疾病病史、诊断结果编码、治疗方案和药物使用情况，基于时间戳进行提取；
选用自回归整合滑动平均模型和循环神经网络建立患者群体病情发展趋势模型；
使用模型预测每个患者的未来病情趋势，得到预测结果，同时计算每个患者的风险概率，表示患者病情发展风险。
（三）有益效果
本发明提供了一种区域医学影像云及检查检验结果互认共享平台。具备以下有益效果：
本申请所提供的区域医学影像云及检查检验结果互认共享平台集成了来自不同医疗机构的医学影像和检查报告数据，并通过医学数据标准更新模块实时同步和标准化这些数据，采用深度学习模型，对可能的传染病进行检测和识别，同时为避免训练模型过程中出现由于病症诊疗方案、过程均类似，造成的疾病误判，模型特征训练加入患者个体特征、地区疫情情况和旅行历史，减少误判并提高传染病的检测效率。
然后基于深度学习模型的预测结果，生成风险预警和防控建议，有助于医生和卫生决策者更快速地采取措施，防止传染病的传播。
在患者资料安全方面，本申请通过授权人员的定义和身份验证流程，保证了只有授权医护人员可以访问患者数据，采用双因素身份验证进一步增强了安全性，此外采用了医学数据标准更新模块实现不同机构数据的实时同步，同时进行源数据备份，以确保数据的安全性和可用性。
最后通过趋势识别模块分析异常病例报告，建立患者群体病情发展趋势模型，并输出风险预警和防控建议。
综上所述，本申请所提供的区域医学影像云及检查检验结果互认共享平台，在影像云检查结果互认共享的基础上，提高对于患者隐私的安全保护，同时基于所共享的多来源患者病例，对可能发生的传染病进行了筛查检测，再生成详细的报告，为医疗机构提供决策支持。
解决了现有技术中存在的存储方式太过分散，标准化程度有限，无法充分利用互认共享检查结果的问题。
附图说明
图1为本发明的区域医学影像云及检查检验结果互认共享平台框架图。
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、完整的描述，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
请参阅图1，本发明提供一种区域医学影像云及检查检验结果互认共享平台，包括：
影像报告共享模块，影像报告共享模块中纳入不同医疗机构的医学影像和检查报告，并对授权人员共享患者的医学影像和检查报告，影像数据至少包括X射线成像诊断、CT扫描图、MRI造影，影像数据还包括影像对应的医生诊断和建议；
影像报告共享模块中，授权人员定义为，经过机构的管理人员审批通过后的用户，通过机构的管理人员为医护人员创建唯一的用户帐户，包括用户名和密码；
授权人员申请步骤包括：
提交个人的身份验证信息，包括身份证、职称、医疗机构单位；
由机构的管理人员核实审批；
共享平台中，为每个角色分配特定的权限，包括查看患者数据的类型、范围，以及可执行操作类型；
用户帐户同时采用用户名和密码双因素身份验证；
共享标准库模块，用于存储不同机构所上传的患者医学影像和检查报告，共享标准库基于云服务器建立；
医学数据标准更新模块，该模块基于卫健委所颁布最新的新一代医院数据中心建设指南、疾病分类与代码、手术、操作分类与代码对医学数据标准进行医学数据更新，提高共享平台数据的一致性和互操作性，医学数据标准更新模块包括实时数据同步单元，对不同机构之间的数据进行实时同步，于同步后存储在共享标准库模块中，并将源数据进行备份；
数据分析模块，对共享标准库模块中的患者病例进行检测分析，输出异常病例报告，此处异常病例指潜在高传染风险病例；
病例检测分析步骤包括：
从共享标准库模块中获取患者病例的数据，包括医学影像、检查报告以及与病例数据相关的医疗数据；
进行数据清洗和特征提取，特征包括病人基本信息、疾病病史、诊疗方案、诊疗过程、诊断结果；
基于深度学习模型识别高传染风险病例；
深度学习模型中的传染病包括国家卫健委发布确定的40种传染病，将来自不同地区、不同职业、不同性别、不同年龄的人群高传染风险相关的特征作为模型训练、预测特征；
深度学习模型加入旅行历史、患者当地疫情流行情况，同时引入噪声对训练数据进行增强，避免训练模型过程中出现由于病症诊疗方案、过程均类似，造成的疾病误判；
病例检测分析步骤还包括：
基于预测结果，设置阈值判断是否认为是异常病例；
将被判断为高传染风险的异常病例，生成报告，包括病例信息、诊断结果、风险评估；
病例检测分析步骤中，深度学习每层的模型为，
输入层：X；
隐藏层：；
输出层：；
其中和b分别是i层的权重和偏置；
基于交叉熵损失定义损失函数，具体为：
，
其中，N是训练样本数量即不同地区、不同职业、不同性别、不同年龄的人群高传染风险相关的特征，C表示样本类别的数量，为真实病例特征，Y表示模型的预测概率；
病例检测分析步骤中，优化器参数更新规则为：
；
；
；
；
；
其中，和/>是超参数，/>、/>和/>、/>分别表示一阶和二阶矩估计；
病例检测分析步骤中：
基于深度学习模型和优化器进行概率预测训练，并进行训练迭代，当迭代次数得到阈值停止训练；
趋势识别模块，基于异常病例报告，对输出的所有异常病例报告进行分析，基于分析结果建立患者群体病情发展趋势模型，并输出风险预警和防控建议，为公共卫生决策提供支持，帮助医生迅速识别疾病的发展和治疗效果；
趋势识别模块中，收集异常病例报告数据，将报告数据整理为病例数据集；
进行数据集特征提取，包括患者的年龄、性别、疾病病史、诊断结果编码、治疗方案和药物使用情况，基于时间戳进行提取；
选用自回归整合滑动平均模型和循环神经网络建立患者群体病情发展趋势模型；
使用模型预测每个患者的未来病情趋势，得到预测结果，同时计算每个患者的风险概率，表示患者病情发展风险。
综合以上内容，在本申请中：
本申请所提供的区域医学影像云及检查检验结果互认共享平台集成了来自不同医疗机构的医学影像和检查报告数据，并通过医学数据标准更新模块实时同步和标准化这些数据，采用深度学习模型，对可能的传染病进行检测和识别，同时为避免训练模型过程中出现由于病症诊疗方案、过程均类似，造成的疾病误判，模型特征训练加入患者个体特征、地区疫情情况和旅行历史，减少误判并提高传染病的检测效率。
然后基于深度学习模型的预测结果，生成风险预警和防控建议，有助于医生和卫生决策者更快速地采取措施，防止传染病的传播。
在患者资料安全方面，本申请通过授权人员的定义和身份验证流程，保证了只有授权医护人员可以访问患者数据，采用双因素身份验证进一步增强了安全性，此外采用了医学数据标准更新模块实现不同机构数据的实时同步，同时进行源数据备份，以确保数据的安全性和可用性。
最后通过趋势识别模块分析异常病例报告，建立患者群体病情发展趋势模型，并输出风险预警和防控建议。
综上所述，本申请所提供的区域医学影像云及检查检验结果互认共享平台，在影像云检查结果互认共享的基础上，提高对于患者隐私的安全保护，同时基于所共享的多来源患者病例，对可能发生的传染病进行了筛查检测，再生成详细的报告，为医疗机构提供决策支持。
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。
Claims (4)
1.一种区域医学影像云及检查检验结果互认共享平台，其特征在于，包括：
影像报告共享模块，影像报告共享模块中纳入不同医疗机构的医学影像和检查报告，并对授权人员共享患者的医学影像和检查报告，所述影像数据至少包括X射线成像诊断、CT扫描图、MRI造影，所述影像数据还包括影像对应的医生诊断和建议；
共享标准库模块，用于存储不同机构所上传的患者医学影像和检查报告，共享标准库基于云服务器建立；
医学数据标准更新模块，该模块基于卫健委所颁布最新的新一代医院数据中心建设指南、疾病分类与代码、手术、操作分类与代码对医学数据标准进行医学数据更新，医学数据标准更新模块包括实时数据同步单元，对不同机构之间的数据进行实时同步，于同步后存储在共享标准库模块中，并将源数据进行备份；
数据分析模块，对共享标准库模块中的患者病例进行检测分析，输出异常病例报告，此处异常病例指潜在高传染风险病例；
趋势识别模块，基于异常病例报告，对输出的所有异常病例报告进行分析，基于分析结果建立患者群体病情发展趋势模型，并输出风险预警和防控建议；
所述病例检测分析步骤包括：
从共享标准库模块中获取患者病例的数据，包括医学影像、检查报告以及与病例数据相关的医疗数据；
进行数据清洗和特征提取，特征包括病人基本信息、疾病病史、诊疗方案、诊疗过程、诊断结果；
基于深度学习模型识别高传染风险病例；
所述深度学习模型中的传染病包括国家卫健委发布确定的40种传染病，将来自不同地区、不同职业、不同性别、不同年龄的人群高传染风险相关的特征作为模型训练、预测特征；
所述深度学习模型加入旅行历史、患者当地疫情流行情况，同时引入噪声对训练数据进行增强；
病例检测分析步骤中，深度学习每层的模型为，
输入层：X；
隐藏层：Z(i)＝σ(WiZ(i-1)+b(i)),i＝1,2...,L；
输出层：Y＝softmax(W(L+1)ZL+b(L+1))；
其中σ和b分别是i层的权重和偏置；
基于交叉熵损失定义损失函数，具体为：
其中N是训练样本数量即不同地区、不同职业、不同性别、不同年龄的人群高传染风险相关的特征，C表示样本类别的数量，yij为真实病例特征，Y表示模型的预测概率；
病例检测分析步骤中，优化器参数更新规则为：
其中，β1和β2是超参数，mt+1、vt+1和分别表示一阶和二阶矩估计；
病例检测分析步骤中：
基于深度学习模型和优化器进行概率预测训练，并进行训练迭代，当迭代次数得到阈值停止训练；
所述趋势识别模块中，收集异常病例报告数据，将报告数据整理为病例数据集；
进行数据集特征提取，包括患者的年龄、性别、疾病病史、诊断结果编码、治疗方案和药物使用情况，基于时间戳进行提取；
选用自回归整合滑动平均模型和循环神经网络建立患者群体病情发展趋势模型；
使用模型预测每个患者的未来病情趋势，得到预测结果，同时计算每个患者的风险概率，表示患者病情发展风险。
2.根据权利要求1所述的一种区域医学影像云及检查检验结果互认共享平台，其特征在于，所述影像报告共享模块中，授权人员定义为，经过机构的管理人员审批通过后的用户，通过机构的管理人员为医护人员创建唯一的用户帐户，包括用户名和密码。
3.根据权利要求2所述的一种区域医学影像云及检查检验结果互认共享平台，其特征在于，所述授权人员申请步骤包括：
提交个人的身份验证信息，包括身份证、职称、医疗机构单位；
由机构的管理人员核实审批；
共享平台中，为每个角色分配特定的权限，包括查看患者数据的类型、范围，以及可执行操作类型；
所述用户帐户同时采用用户名和密码双因素身份验证。
4.根据权利要求3所述的一种区域医学影像云及检查检验结果互认共享平台，其特征在于，所述病例检测分析步骤还包括：
基于预测结果，设置阈值判断是否认为是异常病例；
将被判断为高传染风险的异常病例，生成报告，包括病例信息、诊断结果、风险评估。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311292335.0A CN117238452B (zh) | 2023-10-08 | 2023-10-08 | 一种区域医学影像云及检查检验结果互认共享平台 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311292335.0A CN117238452B (zh) | 2023-10-08 | 2023-10-08 | 一种区域医学影像云及检查检验结果互认共享平台 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117238452A CN117238452A (zh) | 2023-12-15 |
| CN117238452B true CN117238452B (zh) | 2024-05-17 |
Family
ID=89082483
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311292335.0A Active CN117238452B (zh) | 2023-10-08 | 2023-10-08 | 一种区域医学影像云及检查检验结果互认共享平台 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117238452B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117540432B (zh) * | 2024-01-05 | 2024-03-19 | 河北数港科技有限公司 | 一种互联网的数据隐私保护方法及系统 |
| CN117635616A (zh) * | 2024-01-26 | 2024-03-01 | 江西科技学院 | 用于医学检查结果互认的影像诊断系统 |
| CN118072959A (zh) * | 2024-04-17 | 2024-05-24 | 浙江之科智慧科技有限公司 | 一种基于深度学习模型的重疾判定方法 |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106709252A (zh) * | 2016-12-26 | 2017-05-24 | 重庆星空云医疗科技有限公司 | 预测、诊断、治疗和控制医院感染的智能决策辅助系统 |
| CN106909796A (zh) * | 2017-03-10 | 2017-06-30 | 广东省妇幼保健院 | 一种医疗机构内传染病主动监测预警系统 |
| CN109903839A (zh) * | 2019-02-22 | 2019-06-18 | 武汉凯德维斯生物技术有限公司 | 一种基于云平台的医疗影像阅片系统 |
| CN111627510A (zh) * | 2020-05-18 | 2020-09-04 | 赵小红 | 传染病例自动上报方法、系统、设备及可读存储介质 |
| CN112309566A (zh) * | 2020-09-30 | 2021-02-02 | 中国地质大学（武汉） | 影像智能识别与医学智能推理的远程自动诊断系统及方法 |
| KR102232807B1 (ko) * | 2020-09-28 | 2021-03-25 | 이다은 | 감염병 관리 어플리케이션 제공 시스템 |
| CN112802000A (zh) * | 2021-02-06 | 2021-05-14 | 上海集迈实业有限公司 | 多模态医学影像智能辅助诊疗系统 |
| CN113362959A (zh) * | 2021-06-03 | 2021-09-07 | 重庆南鹏人工智能科技研究院有限公司 | 一种区域疫情防控用突发呼吸道传染病风险预测模型 |
| CN113555077A (zh) * | 2021-09-18 | 2021-10-26 | 北京大学第三医院（北京大学第三临床医学院） | 疑似传染病预测方法及装置 |
| CN113688205A (zh) * | 2021-08-25 | 2021-11-23 | 辽宁工程技术大学 | 一种基于深度学习的疾病检测方法 |
| CN114048343A (zh) * | 2021-11-10 | 2022-02-15 | 杭州联众医疗科技股份有限公司 | 一种涵盖患者全病程医学影像信息的分类平台 |
| CN114386807A (zh) * | 2021-12-30 | 2022-04-22 | 中国电信股份有限公司 | 一种公共卫生事件应急系统及方法 |
| CN115168669A (zh) * | 2022-09-07 | 2022-10-11 | 杭州杏林信息科技有限公司 | 传染病筛查方法、装置、终端设备及介质 |
| WO2022222458A1 (zh) * | 2021-04-19 | 2022-10-27 | 温州医科大学 | 一种面向医学影像的人工智能辅助诊断模型构建系统 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20210327562A1 (en) * | 2020-04-20 | 2021-10-21 | PredictMedix Inc. | Artificial intelligence driven rapid testing system for infectious diseases |
| US20220013241A1 (en) * | 2020-07-08 | 2022-01-13 | Cognizant Technology Solutions U.S. Corporation | AI Based Optimized Decision Making For Epidemiological Modeling |
| US20220384056A1 (en) * | 2021-05-27 | 2022-12-01 | International Business Machines Corporation | Hypothetical Scenario Evaluation in Infectious Disease Dynamics Based on Similar Regions |
| CN115511501A (zh) * | 2021-06-03 | 2022-12-23 | 腾讯云计算（北京）有限责任公司 | 一种数据处理方法、计算机设备以及可读存储介质 |
-
2023
- 2023-10-08 CN CN202311292335.0A patent/CN117238452B/zh active Active
Patent Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106709252A (zh) * | 2016-12-26 | 2017-05-24 | 重庆星空云医疗科技有限公司 | 预测、诊断、治疗和控制医院感染的智能决策辅助系统 |
| CN106909796A (zh) * | 2017-03-10 | 2017-06-30 | 广东省妇幼保健院 | 一种医疗机构内传染病主动监测预警系统 |
| CN109903839A (zh) * | 2019-02-22 | 2019-06-18 | 武汉凯德维斯生物技术有限公司 | 一种基于云平台的医疗影像阅片系统 |
| CN111627510A (zh) * | 2020-05-18 | 2020-09-04 | 赵小红 | 传染病例自动上报方法、系统、设备及可读存储介质 |
| KR102232807B1 (ko) * | 2020-09-28 | 2021-03-25 | 이다은 | 감염병 관리 어플리케이션 제공 시스템 |
| CN112309566A (zh) * | 2020-09-30 | 2021-02-02 | 中国地质大学（武汉） | 影像智能识别与医学智能推理的远程自动诊断系统及方法 |
| CN112802000A (zh) * | 2021-02-06 | 2021-05-14 | 上海集迈实业有限公司 | 多模态医学影像智能辅助诊疗系统 |
| WO2022222458A1 (zh) * | 2021-04-19 | 2022-10-27 | 温州医科大学 | 一种面向医学影像的人工智能辅助诊断模型构建系统 |
| CN113362959A (zh) * | 2021-06-03 | 2021-09-07 | 重庆南鹏人工智能科技研究院有限公司 | 一种区域疫情防控用突发呼吸道传染病风险预测模型 |
| CN113688205A (zh) * | 2021-08-25 | 2021-11-23 | 辽宁工程技术大学 | 一种基于深度学习的疾病检测方法 |
| CN113555077A (zh) * | 2021-09-18 | 2021-10-26 | 北京大学第三医院（北京大学第三临床医学院） | 疑似传染病预测方法及装置 |
| CN114048343A (zh) * | 2021-11-10 | 2022-02-15 | 杭州联众医疗科技股份有限公司 | 一种涵盖患者全病程医学影像信息的分类平台 |
| CN114386807A (zh) * | 2021-12-30 | 2022-04-22 | 中国电信股份有限公司 | 一种公共卫生事件应急系统及方法 |
| CN115168669A (zh) * | 2022-09-07 | 2022-10-11 | 杭州杏林信息科技有限公司 | 传染病筛查方法、装置、终端设备及介质 |
Non-Patent Citations (4)
| Title |
|---|
| 健康大数据在精准健康风险评估中的应用;武轶群，等;中国慢性病预防与控制;20200315;第28卷(第03期);226-229 * |
| 医院人工智能传染病预警系统的设计与应用;杨友林，等;中国医学装备;20200515;第17卷(第05期);162-164 * |
| 疫情防控医学影像检查互认共享技术规范研究与制定;刘景鑫，等;中国医疗设备;20200610;第35卷(第06期);80-83 * |
| 突发疫情远程智能防控诊断平台设计的研究;高长曌，等;中国医疗设备;20200610;第35卷(第06期);97-99、116 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117238452A (zh) | 2023-12-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117238452B (zh) | 一种区域医学影像云及检查检验结果互认共享平台 | |
| Arias-Londono et al. | Artificial intelligence applied to chest X-ray images for the automatic detection of COVID-19. A thoughtful evaluation approach | |
| US11631175B2 (en) | AI-based heat map generating system and methods for use therewith | |
| Wells et al. | Artificial intelligence in dermatopathology: Diagnosis, education, and research | |
| US20210366106A1 (en) | System with confidence-based retroactive discrepancy flagging and methods for use therewith | |
| Waghade et al. | A comprehensive study of healthcare fraud detection based on machine learning | |
| Morozov et al. | Clinical acceptance of software based on artificial intelligence technologies (radiology) | |
| US20220037019A1 (en) | Medical scan artifact detection system and methods for use therewith | |
| CN109615012A (zh) | 基于机器学习的就诊数据异常识别方法、设备及存储介质 | |
| Shen et al. | Guest editorial: special issue on imaging-based diagnosis of COVID-19 | |
| US20220005565A1 (en) | System with retroactive discrepancy flagging and methods for use therewith | |
| US20220253592A1 (en) | System with report analysis and methods for use therewith | |
| CN110085288A (zh) | 一种基于互联网的肝胆外科治疗信息共享系统及共享方法 | |
| de Vries et al. | Impact of different mammography systems on artificial intelligence performance in breast cancer screening | |
| CN111882533A (zh) | 决策模型诊断方法、装置及计算机可读存储介质 | |
| Xue et al. | A Bayesian spatial model to predict disease status using imaging data from various modalities | |
| Hammed et al. | Unlocking the potential of autism detection: integrating traditional feature selection and machine learning techniques | |
| Xia et al. | Dynamic viewing pattern analysis: towards large-scale screening of children with ASD in remote areas | |
| WO2022005934A1 (en) | Medical scan viewing system with roc adjustment and methods for use therewith | |
| Dhanalakshmi et al. | Convolutional Neural Network Model based Deep Learning Approach for Osteoporosis Fracture Detection | |
| CN108710901B (zh) | 一种基于深度学习的脊柱畸形筛查系统及方法 | |
| KR20180002229A (ko) | 치매 정보 데이터베이스 구축을 위한 에이전트 장치 및 그 운영방법 | |
| Zeng et al. | New roles for clinicians in the age of artificial intelligence | |
| CN111913871A (zh) | 一种基于深度学习的肺结节检出软件测试方法 | |
| Gant et al. | Artificial neural networks: practical considerations for clinical applications |
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 |