CN117373595A - 一种基于ai的内科患者个性化治疗方案生成系统 - Google Patents
一种基于ai的内科患者个性化治疗方案生成系统 Download PDFInfo
- Publication number
- CN117373595A CN117373595A CN202311417937.4A CN202311417937A CN117373595A CN 117373595 A CN117373595 A CN 117373595A CN 202311417937 A CN202311417937 A CN 202311417937A CN 117373595 A CN117373595 A CN 117373595A
- Authority
- CN
- China
- Prior art keywords
- patient
- treatment scheme
- data
- disease
- personalized treatment
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000011282 treatment Methods 0.000 title claims abstract description 147
- 239000003814 drug Substances 0.000 title claims abstract description 25
- 201000010099 disease Diseases 0.000 claims abstract description 104
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 104
- 238000003745 diagnosis Methods 0.000 claims abstract description 54
- 238000013145 classification model Methods 0.000 claims abstract description 51
- 238000012544 monitoring process Methods 0.000 claims abstract description 27
- 230000004044 response Effects 0.000 claims abstract description 11
- 238000010276 construction Methods 0.000 claims abstract description 9
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 239000003651 drinking water Substances 0.000 claims abstract description 6
- 235000020188 drinking water Nutrition 0.000 claims abstract description 6
- 238000007689 inspection Methods 0.000 claims description 44
- 235000016709 nutrition Nutrition 0.000 claims description 28
- 230000035764 nutrition Effects 0.000 claims description 28
- 230000009466 transformation Effects 0.000 claims description 23
- 230000001133 acceleration Effects 0.000 claims description 22
- 238000003825 pressing Methods 0.000 claims description 18
- 238000000034 method Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 12
- 239000002131 composite material Substances 0.000 claims description 10
- 238000011269 treatment regimen Methods 0.000 claims description 9
- 238000004891 communication Methods 0.000 claims description 8
- 238000011156 evaluation Methods 0.000 claims description 8
- 230000010354 integration Effects 0.000 claims description 8
- 238000004140 cleaning Methods 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 5
- 230000007246 mechanism Effects 0.000 claims description 5
- 238000009826 distribution Methods 0.000 claims description 4
- 230000002776 aggregation Effects 0.000 claims description 3
- 238000004220 aggregation Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000004898 kneading Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000004393 prognosis Methods 0.000 claims 1
- 230000006870 function Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 230000009286 beneficial effect Effects 0.000 description 7
- 238000010606 normalization Methods 0.000 description 7
- 210000000707 wrist Anatomy 0.000 description 6
- 230000005856 abnormality Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 3
- 206010033557 Palpitations Diseases 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000037406 food intake Effects 0.000 description 2
- 235000012631 food intake Nutrition 0.000 description 2
- 210000004247 hand Anatomy 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000011369 optimal treatment Methods 0.000 description 2
- 238000002759 z-score normalization Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 235000015219 food category Nutrition 0.000 description 1
- 208000035474 group of disease Diseases 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010297 mechanical methods and process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 230000026676 system process 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G16H50/70—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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Pathology (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明公开了医疗设备领域的一种基于AI的内科患者个性化治疗方案生成系统,包括:数据库构建模块,构建内科的治疗方案数据库;诊断与预测模块,获取内科患者的电子病历和临床数据,先预处理,再输入疾病分类模型输出诊断结果;个性化治疗方案生成模块,根据诊断结果调取治疗方案,结合患者的个人信息和生活方式匹配个性化治疗方案;监测手环,用于记录患者执行个性化治疗方案的进度和反应,包括监测患者服药、喝水和进食情况,根据执行进度和反应评估治疗方案的有效性,并根据有效性实时调整治疗方案。本方案采取智能化的诊断模式辅助医生对疾病类型进行诊断,提高了医疗资源的利用率,减轻了医生的工作负担。
Description
技术领域
本发明属于医疗设备领域,具体是一种基于AI的内科患者个性化治疗方案生成系统。
背景技术
随着医疗体系的逐渐完善,我国已经建立了以医院、基层医疗卫生机构等为核心的医疗卫生服务体系,然而我们医疗体系还是存在着医疗资源不能满足人民群众日益增长的需求、医疗资源的布局和结构存在不合理等问题。医生在对病人的诊断过程中需要根据病人的主诉、辅助检查、现病史、既往史等记录进行分析决策,但是,生活条件、临床经验等因素可能会影响医生的诊断的准确率。比如,医疗条件较差、医生的临床知识和经验不足都会导致诊断效果不佳,因此,结合人工智能的发展,医疗技术走向信息化和数字化。
公布号为CN109754886A的专利公开了治疗方案智能生成系统、方法及可读存储介质、电子设备,治疗方案智能生成系统,包括:数据库构建模块,用于对过往患者的电子病历信息进行处理,并构建治疗方案数据库;电子病历信息包括过往患者的治疗方案信息;机器学习模块,用于将治疗方案数据库中的电子病历信息进行汇总,并进行机器学习,以得到治疗方案生成模型;治疗方案生成模块,用于基于已获取的当前患者的电子病历信息及治疗方案生成模型,生成与当前患者的疾病匹配的治疗方案。
该系统通过将医疗机构中的所有过往患者的治疗方案进行信息处理,构建对应的治疗方案数据库,利用治疗方案数据库,进行机器学习,进而得到基于人工智能的治疗方案生成算法,即治疗方案生成模型,再将当前患者的基本电子病历信息输入至治疗方案生成模型后,自动生成若干个治疗患者疾病的治疗方案。
然而该系统在生成治疗方案时存在以下问题:患有相同疾病的患者可能存在不同的症状,且不同医生对相同疾病记录的电子病历存在差异,现有系统在匹配治疗方案时仍需要依赖医生根据电子病历确诊疾病类型后再进行治疗方案的匹配,难以提高医疗资源的利用率,减轻医生的工作负担,因此,我们提出了一种基于AI的内科患者个性化治疗方案生成系统。
发明内容
为了解决上述问题,本发明提供一种基于AI的内科患者个性化治疗方案生成系统,以解决现有系统在匹配治疗方案时仍需要依赖医生根据电子病历确诊疾病类型后再进行治疗方案的匹配,难以提高医疗资源的利用率,减轻医生的工作负担的问题。
为了实现上述目的,本发明的技术方案如下:一种基于AI的内科患者个性化治疗方案生成系统,包括:
数据库构建模块,与各医院病历库、文献网站联网,构建内科的治疗方案数据库,存储、更新各疾病类型及对应的治疗方案。
数据处理模块,与各医院病历库联网,获取内科的电子病历、临床数据并对其进行预处理。
疾病分类模型构建模块,包括构建第一疾病分类模型和第二疾病分类模型。
第一疾病分类模型,调取内科的医学文献、疾病检验指南和检验数据,构建疾病-检验数据-检验指标阈值-检验指标的多元组形式的第一疾病分类模型,基于检验数据与检验阈值的对比结果对患者病情进行预判,设检验阈值的区间为[a,b],检验数据为c,预判结果包括是、否和疑似:若a<c<b,则预判结果为是,若c<a或c>b,则预判结果为否,若c=a或b中的任意一个,则预判结果为疑似。
第二疾病分类模型,对预处理后的电子病历基于上下文信息,提取第一特征,对预处理后的临床数据基于注意力机制,提取第二特征,第一特征和第二特征融合获得复合特征,提取复合特征和疾病类型的相关性,构建第二疾病分类模型,用于对第一疾病分类模型预判结果为疑似的患者进行复诊。
诊断与预测模块,获取内科患者的电子病历和临床数据,先输入数据处理模块进行预处理,再将检验数据输入第一疾病分类模型与患者病情进行预判,获得预判结果,根据预判结果判断是否进行复诊:若预判结果为是或否中的任意一个,则以第一疾病分类模型的预判结果为诊断结果,若预判结果为疑似,则将电子病历和检验数据输入第二疾病分类模型进行复诊判断,输出诊断结果。
个性化治疗方案生成模块,医生对诊断结果进行审核,若医生不认可诊断结果,则进行人工诊断并输出患者的个性化治疗方案,若医生认可诊断结果,则根据诊断结果调取治疗方案数据库中对应疾病的若干个治疗方案,结合患者的个人信息和生活方式计算治疗方案的匹配度,以匹配度最高的治疗方案为患者的个性化治疗方案。
监测手环,用于记录患者执行个性化治疗方案的进度和反应,包括监测患者服药、喝水和进食情况,根据执行进度和反应评估治疗方案的有效性,并根据有效性实时调整治疗方案。
采用上述方案的原理及有益效果:
本方案先基于检验数据通过第一疾病分类模型对患有内科疾病患者的病情进行预判,对于预判结果存在疑似问题的进行复诊,再结合人工审核并结合患者个人信息计算治疗方案的匹配度,以获得最优的个性化治疗方案,相较于现有技术,一方面本方案采取智能化的诊断模式辅助医生对疾病类型进行诊断,提高了医疗资源的利用率,减轻了医生的工作负担,另一方面,本方案通过多重诊断实现患者疾病的精准分类,避免误用治疗方案耽误患者的治疗时机。
并且,本方案通过监测手环实时监测患者服药、喝水和进食情况,根据执行进度和反应评估治疗方案的有效性,便于及时调整患者的治疗方案,以适应患者身体素质的变化。
进一步,数据处理模块中预处理包括数据清洗、数据集成、特征标准化和特征变换。
数据清洗包括缺失数据检查、一致性检查和黑名单检查。
数据集成包括清洗后的数据通过结构化引擎进行识别合并,提取有效特征。
特征标准化包括采取Min-Max标准化和Z-score标准化中任意一种进行标准化转换,获得标准特征。
特征变换包括采取矢量转换、区间转换、性质转换和条件转换中任意一种对标准特征进行提取分类,根据分类进行聚合转换,获得能够用于疾病分类诊断的输入特征。
有益效果:本方案通过数据清洗、数据集成、特征标准化和特征变换对电子病历和检验数据进行预处理,一方面能够提高数据的完整性,另一方面能够过滤掉与检验结果无相关性的数据,获得数据量小但是准确度高的输入特征,能够在疾病分类输出结果提高其准确性,以获取最优治疗方案。
进一步,第二疾病分类模型中第一特征的获取包括:以CNN模块为第一支路,提取电子病历中的局部特征A,以BiLSTM模块为第二支路,提取电子病历中的上下文特征B,将局部特征和上下文特征融合获得组合特征C,以α、β和γ分别表示局部特征A、上下文特征B和组合特征C的权重,第一特征定义为M,则M的表达式为:M=αA+βB+γC。
有益效果:本方案以CNN模块和BiLSTM模块的并行网络同时提取特征并进行融合,增强了电子病历的特征维度,解决了采取CNN提取方式获取电子病历特征较为单一的问题。
进一步,第二疾病分类模型中第二特征的获取包括:根据临床数据的异常频率计算临床数据与疾病类别的相关度,对相关度进行排序,以相关度最高的临床数据的特征作为某一疾病的第二特征N。
有益效果:本方案基于注意力机制将临床数据进行高效分配,能够迅速筛选出第二特征,提高诊断效率。
进一步,第二疾病分类模型的表达式为:Pi=softmax(M×N),其中Pi是第i类内科疾病的确诊概率分布,Pi>0.5的疾病类型为诊断结果。
进一步,个性化治疗方案生成模块获取匹配度最高的个性化治疗方案包括:计算不同治疗方案在不同年龄段的成功率,调取与患者年龄段相同的治疗方案的成功率,并对其降序排列,排序最高的为匹配度最高的个性化治疗方案。
有益效果:年龄与身体机能呈负相关,一般来说年龄越大身体机能越弱,身体机能的强弱关系到康复进度,因此以年龄为参考,匹配与身体机能相适应的治疗方案能够辅助患者更快康复。
进一步,监测手环包括手环本体,手环本体可拆卸连接手环腕带。
手环本体远离患者皮肤一侧安装有摄像单元,摄像单元用记录患者服药类别和进食类别。
手环本体内嵌有通讯模块、电源模块、反馈与评估模块、三轴加速度传感器和处理器。
通讯模块,用于与个性化治疗方案生成模块信号连接,获取个性化治疗方案。
反馈与评估模块,用于患者记录执行个性化治疗方案后的身体状况,根据身体状况评估个性化治疗方案的有效性,若无效,则反馈至医生重新匹配治疗方案,若有效,则不调整治疗方案。
三轴加速度传感器用于监测患者手部的运动数据,处理器接收三轴加速度传感器和摄像单元采集的数据,先根据摄像单元采集的类型与三轴加速度传感器的运动频率,计算进食类别的营养摄入量,再判断营养摄入量是否超过治疗方案中营养摄入阈值,若未超过,则不调整治疗方案,若超过,则减少辅助增加该营养类别的药物摄入量。
有益效果:本方案中利用监测手环上设置的通讯模块和反馈与评估模块,能够便于内科患者远程与医生进行交流,及时反馈身体康复情况,利用三轴加速度传感器和摄像单元采集的数据,可以根据拍摄的进食类别以及三轴加速度传感器的运动频率,估算出进食类别的营养摄入量,根据营养摄入量的对比判断是否调整药物用量,使得治疗方案更适应患者体质,以加快康复速度。
进一步,手环本体靠近患者皮肤一侧安装有脉搏传感器,脉搏传感器用于监测患者的脉搏数据并转化为心率数据,脉搏传感器的输入端靠近患者皮肤,脉搏传感器的输出端与处理器信号连接;
手环本体内设有空腔,空腔靠近患者皮肤一侧连通有滑孔,滑孔内滑动连接有按压头,按压头顶部与空腔内壁之间设有弹性件,空腔内侧壁固定连接有电机,电机的输出端固定连接有凸块,凸块边缘与按压头顶部相抵,处理器内设有心率阈值,当脉搏传感器获取的心率数据超过心率阈值,且三轴加速度传感器无运动数据时,判断患者的心率异常,处理器控制电机启动带动按压头进行点揉。
有益效果:手环本体上的脉搏传感器实时监测患者的心率,当患者的心率数据超过心率阈值,且三轴加速度传感器无运动数据时,判断患者的心率异常,处理器控制电机启动,电机带动凸块转动,对按压头间歇性施力,使得按压头对手腕上的灵道穴进行点揉,缓解心悸或心痛引起的心率异常。
附图说明
图1为本发明实施例的基于AI的内科患者个性化治疗方案生成系统的模块示意图。
图2为本发明实施例的监测手环的模块示意图。
图3为本发明实施例的监测手环的轴测图。
图4为本发明实施例的监测手环的剖面图。
具体实施方式
下面通过具体实施方式进一步详细说明:
说明书附图中的附图标记包括:手环本体1、手环腕带2、摄像单元3、三轴加速度传感器4、处理器5、脉搏传感器6、空腔7、滑孔8、按压头9、弹性件10、电机11、凸块12。
实施例一
实施例基本如附图1所示:
一种基于AI的内科患者个性化治疗方案生成系统,包括:
数据库构建模块,与各医院病历库、文献网站联网,构建内科的治疗方案数据库,存储、更新各疾病类型及对应的治疗方案。
数据处理模块,与各医院病历库联网,获取内科的电子病历、临床数据并对其进行预处理。
疾病分类模型构建模块,包括构建第一疾病分类模型和第二疾病分类模型。
第一疾病分类模型,调取内科的医学文献、疾病检验指南和检验数据,构建疾病-检验数据-检验指标阈值-检验指标的多元组形式的第一疾病分类模型,基于检验数据与检验阈值的对比结果对患者病情进行预判,设检验阈值的区间为[a,b],检验数据为c,预判结果包括是、否和疑似:若a<c<b,则预判结果为是,若c<a或c>b,则预判结果为否,若c=a或b中的任意一个,则预判结果为疑似。
第二疾病分类模型,对预处理后的电子病历基于上下文信息,提取第一特征,对预处理后的临床数据基于注意力机制,提取第二特征,第一特征和第二特征融合获得复合特征,提取复合特征和疾病类型的相关性,构建第二疾病分类模型,用于对第一疾病分类模型预判结果为疑似的患者进行复诊。
诊断与预测模块,获取内科患者的电子病历和临床数据,先输入数据处理模块进行预处理,再将检验数据输入第一疾病分类模型与患者病情进行预判,获得预判结果,根据预判结果判断是否进行复诊:若预判结果为是或否中的任意一个,则以第一疾病分类模型的预判结果为诊断结果,若预判结果为疑似,则将电子病历和检验数据输入第二疾病分类模型进行复诊判断,输出诊断结果。
个性化治疗方案生成模块,医生对诊断结果进行审核,若医生不认可诊断结果,则进行人工诊断并输出患者的个性化治疗方案,若医生认可诊断结果,则根据诊断结果调取治疗方案数据库中对应疾病的若干个治疗方案,结合患者的个人信息和生活方式计算治疗方案的匹配度,以匹配度最高的治疗方案为患者的个性化治疗方案。
监测手环,用于记录患者执行个性化治疗方案的进度和反应,包括监测患者服药、喝水和进食情况,根据执行进度和反应评估治疗方案的有效性,并根据有效性实时调整治疗方案。
具体实施过程如下:首先,数据库构建模块与各医院病历库、文献网站联网,调取各医院病历库、文献网站联网的内科信息,构建内科的治疗方案数据库。
然后,第一疾病分类模型,调取内科的医学文献、疾病检验指南和检验数据,构建疾病-检验数据-检验指标阈值-检验指标的多元组形式的第一疾病分类模型,同时,数据处理模块获取内科的电子病历、临床数据并对其进行预处理,预处理后的电子病历基于上下文信息,提取第一特征,对预处理后的临床数据基于注意力机制,提取第二特征,第一特征和第二特征融合获得复合特征,提取复合特征和疾病类型的相关性,构建第二疾病分类模型。
然后,获取内科患者的电子病历和临床数据,先输入数据处理模块进行预处理,再将检验数据输入第一疾病分类模型与患者病情进行预判,基于检验数据与检验阈值的对比结果对患者病情进行预判,设检验阈值的区间为[a,b],检验数据为c,预判结果包括是、否和疑似:若a<c<b,则预判结果为是,则以第一疾病分类模型的预判结果为诊断结果,若c<a或c>b,则预判结果为否,若c=a或b中的任意一个,则预判结果为疑似,则将电子病历和检验数据输入第二疾病分类模型进行复诊判断,输出诊断结果。
医生对诊断结果进行审核,若医生不认可诊断结果,则进行人工诊断并输出患者的个性化治疗方案,若医生认可诊断结果,则个性化治疗方案生成模块根据诊断结果调取治疗方案数据库中对应疾病的若干个治疗方案,结合患者的个人信息和生活方式计算治疗方案的匹配度,以匹配度最高的治疗方案为患者的个性化治疗方案。
最后,个性化治疗方案存入内科患者佩戴的监测手环,包括监测患者服药、喝水和进食情况,以记录患者执行个性化治疗方案的进度和反应,根据执行进度和反应评估治疗方案的有效性,并根据有效性实时调整治疗方案,以适应患者身体素质的变化。
实施例二
本实施例与上述实施例的区别在于:数据处理模块中预处理包括数据清洗、数据集成、特征标准化和特征变换。
数据清洗包括缺失数据检查、一致性检查和黑名单检查。
数据集成包括清洗后的数据通过结构化引擎进行识别合并,提取有效特征。
特征标准化包括采取Min-Max标准化和Z-score标准化中任意一种进行标准化转换,获得标准特征。
特征变换包括采取矢量转换、区间转换、性质转换和条件转换中任意一种对标准特征进行提取分类,根据分类进行聚合转换,获得能够用于疾病分类诊断的输入特征。
具体实施过程如下:将待输入的数据依次进行通过数据清洗、数据集成、特征标准化和特征变换,一方面能够提高数据的完整性,另一方面能够过滤掉与检验结果无相关性的数据,获得数据量小但是准确度高的输入特征,能够在疾病分类输出结果提高其准确性,以获取最优治疗方案。
实施例三
本实施例与上述实施例的区别在于:第二疾病分类模型中第一特征的获取包括:以CNN模块为第一支路,提取电子病历中的局部特征A,以BiLSTM模块为第二支路,提取电子病历中的上下文特征B,将局部特征和上下文特征融合获得组合特征C,以α、β和γ分别表示局部特征A、上下文特征B和组合特征C的权重,第一特征定义为M,则M的表达式为:M=αA+βB+γC。
实施例四
本实施例与上述实施例的区别在于:第二疾病分类模型中第二特征的获取包括:根据临床数据的异常频率计算临床数据与疾病类别的相关度,对相关度进行排序,以相关度最高的临床数据的特征作为某一疾病的第二特征N。
实施例五
本实施例与上述实施例的区别在于:第二疾病分类模型的表达式为:Pi=softmax(M×N),其中Pi是第i类内科疾病的确诊概率分布,Pi>0.5的疾病类型为诊断结果。
具体实施过程如下:首先,通过CNN模块和BiLSTM模块的并行网络同时提取特征并进行融合,增强了电子病历的特征维度,解决了采取CNN提取方式获取电子病历特征较为单一的问题。
然后,通过注意力机制法将临床数据进行高效分配,迅速筛选出第二特征,再将第一特征和第二特征融合作为复合特征,根据复合特征与疾病的相关性,构建第二疾病分类模型,根据内科疾病的确诊分布概率,可以直观、迅速、准确的输出诊断结果,减轻了医生的工作负担,提高治疗方案的生成效率和准确率。
实施例六
本实施例与上述实施例的区别在于:个性化治疗方案生成模块获取匹配度最高的个性化治疗方案包括:计算不同治疗方案在不同年龄段的成功率,调取与患者年龄段相同的治疗方案的成功率,并对其降序排列,排序最高的为匹配度最高的个性化治疗方案。
具体实施过程如下:年龄与身体机能呈负相关,一般来说年龄越大身体机能越弱,身体机能的强弱关系到康复进度,因此以年龄为参考,计算不同治疗方案在不同年龄段的成功率,调取与患者年龄段相同的治疗方案的成功率,并对其降序排列,匹配与身体机能相适应的治疗方案能够辅助患者更快康复。
实施例七
本实施例与上述实施例的区别在于:如附图2和附图3所示,监测手环包括手环本体1,手环本体1可拆卸连接手环腕带2。
手环本体1远离患者皮肤一侧安装有摄像单元3,摄像单元3用记录患者服药类别和进食类别。
手环本体1内嵌有通讯模块、电源模块、反馈与评估模块、三轴加速度传感器4和处理器5。
通讯模块,用于与个性化治疗方案生成模块信号连接,获取个性化治疗方案。
反馈与评估模块,用于患者记录执行个性化治疗方案后的身体状况,根据身体状况评估个性化治疗方案的有效性,若无效,则反馈至医生重新匹配治疗方案,若有效,则不调整治疗方案。
三轴加速度传感器4用于监测患者手部的运动数据,处理器5接收三轴加速度传感器4和摄像单元3采集的数据,先根据摄像单元3采集的类型与三轴加速度传感器4的运动频率,计算进食类别的营养摄入量,再判断营养摄入量是否超过治疗方案中营养摄入阈值,若未超过,则不调整治疗方案,若超过,则减少辅助增加该营养类别的药物摄入量。
具体实施过程如下:监测手环在监测时,内科疾病患者可利用监测手环上设置的通讯模块和反馈与评估模块,远程与医生进行交流,及时反馈身体康复情况,医生根据反馈信息评估治疗方案是否有效,若无效,则反馈至医生重新匹配治疗方案,若有效,则不调整治疗方案。
在继续执行治疗方案的过程中,摄像单元3记录患者服药类别和进食类别,三轴加速度传感器4监测患者手部的运动数据,以获取运动频率,处理器5先根据摄像单元3采集的类型与三轴加速度传感器4的运动频率,估算出进食类别的营养摄入量,根据营养摄入量的对比判断是否调整药物用量,使得治疗方案更适应患者体质,以加快康复速度。
实施例八
本实施例与上述实施例的区别在于:如附图4所示,手环本体1靠近患者皮肤一侧安装有脉搏传感器6,脉搏传感器6用于监测患者的脉搏数据并转化为心率数据,脉搏传感器6的输入端靠近患者皮肤,脉搏传感器6的输出端与处理器5信号连接。
手环本体1内设有空腔7,空腔7靠近患者皮肤一侧连通有滑孔8,滑孔8内滑动连接有按压头9,按压头9顶部与空腔7内壁之间设有弹性件10,空腔7内侧壁固定连接有电机11,电机11的输出端固定连接有凸块12,凸块12边缘与按压头9顶部相抵,处理器5内设有心率阈值,当脉搏传感器6获取的心率数据超过心率阈值,且三轴加速度传感器4无运动数据时,判断患者的心率异常,处理器5控制电机11启动带动按压头9进行点揉。
具体实施过程如下:手环本体1上的脉搏传感器6实时监测患者的心率,当患者的心率数据超过心率阈值,且三轴加速度传感器4无运动数据时,判断患者的心率异常,处理器5控制电机11启动,电机11带动凸块12转动,凸块12对按压头9间歇性施力,凸块12的凸面与按压头9接触时,按压头9向下运动,使得按压头9对手腕上的灵道穴进行点揉,凸块12的凹面与按压头9接触时,按压头9在弹性件10的弹力作用下复位,按压头9离开灵道穴,完成对灵道穴的间歇性点揉,以缓解心悸或心痛引起的心率异常。
以上所述的仅是本发明的实施例,方案中公知的具体结构和/或特性等常识在此未作过多描述。应当指出,对于本领域的技术人员来说,在不脱离本发明结构的前提下,还可以作出若干变形和改进,这些也应该视为本发明的保护范围,这些都不会影响本发明实施的效果和专利的实用性。本申请要求的保护范围应当以其权利要求的内容为准,说明书中的具体实施方式等记载可以用于解释权利要求的内容。
Claims (8)
1.一种基于AI的内科患者个性化治疗方案生成系统,其特征在于:包括:
数据库构建模块,与各医院病历库、文献网站联网,构建内科的治疗方案数据库,存储、更新各疾病类型及对应的治疗方案;
数据处理模块,与各医院病历库联网,获取内科的电子病历、临床数据并对其进行预处理;
疾病分类模型构建模块,包括构建第一疾病分类模型和第二疾病分类模型:
第一疾病分类模型,调取内科的医学文献、疾病检验指南和检验数据,构建疾病-检验数据-检验指标阈值-检验指标的多元组形式的第一疾病分类模型,基于检验数据与检验阈值的对比结果对患者病情进行预判,设检验阈值的区间为[a,b],检验数据为c,预判结果包括是、否和疑似:若a<c<b,则预判结果为是,若c<a或c>b,则预判结果为否,若c=a或b中的任意一个,则预判结果为疑似;
第二疾病分类模型,对预处理后的电子病历基于上下文信息,提取第一特征,对预处理后的临床数据基于注意力机制,提取第二特征,第一特征和第二特征融合获得复合特征,提取复合特征和疾病类型的相关性,构建第二疾病分类模型,用于对第一疾病分类模型预判结果为疑似的患者进行复诊;
诊断与预测模块,获取内科患者的电子病历和临床数据,先输入数据处理模块进行预处理,再将检验数据输入第一疾病分类模型与患者病情进行预判,获得预判结果,根据预判结果判断是否进行复诊:若预判结果为是或否中的任意一个,则以第一疾病分类模型的预判结果为诊断结果,若预判结果为疑似,则将电子病历和检验数据输入第二疾病分类模型进行复诊判断,输出诊断结果;
个性化治疗方案生成模块,医生对诊断结果进行审核,若医生不认可诊断结果,则进行人工诊断并输出患者的个性化治疗方案,若医生认可诊断结果,则根据诊断结果调取治疗方案数据库中对应疾病的若干个治疗方案,结合患者的个人信息和生活方式计算治疗方案的匹配度,以匹配度最高的治疗方案为患者的个性化治疗方案;
监测手环,用于记录患者执行个性化治疗方案的进度和反应,包括监测患者服药、喝水和进食情况,根据执行进度和反应评估治疗方案的有效性,并根据有效性实时调整治疗方案。
2.根据权利要求1所述的基于AI的内科患者个性化治疗方案生成系统,其特征在于:数据处理模块中预处理包括数据清洗、数据集成、特征标准化和特征变换;
数据清洗包括缺失数据检查、一致性检查和黑名单检查;
数据集成包括清洗后的数据通过结构化引擎进行识别合并,提取有效特征;
特征标准化包括采取Min-Max标准化和Z-score标准化中任意一种进行标准化转换,获得标准特征;
特征变换包括采取矢量转换、区间转换、性质转换和条件转换中任意一种对标准特征进行提取分类,根据分类进行聚合转换,获得能够用于疾病分类诊断的输入特征。
3.根据权利要求1所述的基于AI的内科患者个性化治疗方案生成系统,其特征在于:第二疾病分类模型中第一特征的获取包括:以CNN模块为第一支路,提取电子病历中的局部特征A,以BiLSTM模块为第二支路,提取电子病历中的上下文特征B,将局部特征和上下文特征融合获得组合特征C,以α、β和γ分别表示局部特征A、上下文特征B和组合特征C的权重,第一特征定义为M,则M的表达式为:M=αA+βB+γC。
4.根据权利要求1所述的基于AI的内科患者个性化治疗方案生成系统,其特征在于:第二疾病分类模型中第二特征的获取包括:根据临床数据的异常频率计算临床数据与疾病类别的相关度,对相关度进行排序,以相关度最高的临床数据的特征作为某一疾病的第二特征N。
5.根据权利要求1所述的基于AI的内科患者个性化治疗方案生成系统,其特征在于:第二疾病分类模型的表达式为:Pi=softmax(M×N),其中Pi是第i类内科疾病的确诊概率分布,Pi>0.5的疾病类型为诊断结果。
6.根据权利要求1所述的基于AI的内科患者个性化治疗方案生成系统,其特征在于:个性化治疗方案生成模块获取匹配度最高的个性化治疗方案包括:计算不同治疗方案在不同年龄段的成功率,调取与患者年龄段相同的治疗方案的成功率,并对其降序排列,排序最高的为匹配度最高的个性化治疗方案。
7.根据权利要求1所述的基于AI的内科患者个性化治疗方案生成系统,其特征在于:监测手环包括手环本体,手环本体可拆卸连接手环腕带;
手环本体远离患者皮肤一侧安装有摄像单元,摄像单元用记录患者服药类别和进食类别;
手环本体内嵌有通讯模块、电源模块、反馈与评估模块、三轴加速度传感器和处理器:
通讯模块,用于与个性化治疗方案生成模块信号连接,获取个性化治疗方案;
反馈与评估模块,用于患者记录执行个性化治疗方案后的身体状况,根据身体状况评估个性化治疗方案的有效性,若无效,则反馈至医生重新匹配治疗方案,若有效,则不调整治疗方案;
三轴加速度传感器用于监测患者手部的运动数据,处理器接收三轴加速度传感器和摄像单元采集的数据,先根据摄像单元采集的类型与三轴加速度传感器的运动频率,计算进食类别的营养摄入量,再判断营养摄入量是否超过治疗方案中营养摄入阈值,若未超过,则不调整治疗方案,若超过,则减少辅助增加该营养类别的药物摄入量。
8.根据权利要求1所述的基于AI的内科患者个性化治疗方案生成系统,其特征在于:手环本体靠近患者皮肤一侧安装有脉搏传感器,脉搏传感器用于监测患者的脉搏数据并转化为心率数据,脉搏传感器的输入端靠近患者皮肤,脉搏传感器的输出端与处理器信号连接;
手环本体内设有空腔,空腔靠近患者皮肤一侧连通有滑孔,滑孔内滑动连接有按压头,按压头顶部与空腔内壁之间设有弹性件,空腔内侧壁固定连接有电机,电机的输出端固定连接有凸块,凸块边缘与按压头顶部相抵,处理器内设有心率阈值,当脉搏传感器获取的心率数据超过心率阈值,且三轴加速度传感器无运动数据时,判断患者的心率异常,处理器控制电机启动带动按压头进行点揉。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311417937.4A CN117373595A (zh) | 2023-10-30 | 2023-10-30 | 一种基于ai的内科患者个性化治疗方案生成系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311417937.4A CN117373595A (zh) | 2023-10-30 | 2023-10-30 | 一种基于ai的内科患者个性化治疗方案生成系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117373595A true CN117373595A (zh) | 2024-01-09 |
Family
ID=89398087
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311417937.4A Pending CN117373595A (zh) | 2023-10-30 | 2023-10-30 | 一种基于ai的内科患者个性化治疗方案生成系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117373595A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117854670A (zh) * | 2024-03-05 | 2024-04-09 | 四川互慧软件有限公司 | 构建糖尿病个性化治疗方案的方法、装置、计算机及介质 |
-
2023
- 2023-10-30 CN CN202311417937.4A patent/CN117373595A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117854670A (zh) * | 2024-03-05 | 2024-04-09 | 四川互慧软件有限公司 | 构建糖尿病个性化治疗方案的方法、装置、计算机及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20200211706A1 (en) | Intelligent traditional chinese medicine diagnosis method, system and traditional chinese medicine system | |
CN113241196B (zh) | 基于云-终端协同的远程医疗与分级监控系统 | |
Ingolfsson et al. | Ecg-tcn: Wearable cardiac arrhythmia detection with a temporal convolutional network | |
CN113990494B (zh) | 一种基于视频数据的抽动症辅助筛查系统 | |
CN117373595A (zh) | 一种基于ai的内科患者个性化治疗方案生成系统 | |
Pal et al. | Deep learning techniques for prediction and diagnosis of diabetes mellitus | |
CN111544256A (zh) | 基于图卷积和迁移学习的脑控智能全肢体康复方法 | |
Hannan et al. | Prediction of heart disease medical prescription using radial basis function | |
CN115054243B (zh) | 上肢康复训练系统闭环设计方法及系统 | |
CN113035353A (zh) | 一种数字孪生健康管理系统 | |
Hasan et al. | FPGA design and hardware implementation of heart disease diagnosis system based on NVG-RAM classifier | |
Jameil et al. | Efficient cnn architecture on fpga using high level module for healthcare devices | |
Shafi et al. | Prediction of heart abnormalities using deep learning model and wearabledevices in smart health homes | |
Taşkıran et al. | A deep learning based decision support system for diagnosis of Temporomandibular joint disorder | |
Shi et al. | Artificial neural networks: current applications in modern medicine | |
Thai et al. | Toward an IoT-based expert system for heart disease diagnosis | |
Gecili et al. | Functional data analysis and prediction tools for continuous glucose-monitoring studies | |
Hu et al. | Automatic heart sound classification using one dimension deep neural network | |
CN114983341A (zh) | 基于多模态特征融合的阿尔茨海默病多分类预测系统 | |
Patil et al. | Detection of Cardiac Abnormalities and Heart Disease Using Machine Learning Techniques | |
Hasanpoor et al. | Stress Assessment with Convolutional Neural Network Using PPG Signals | |
Wei et al. | Epileptic seizure prediction from multivariate EEG data using Multidimensional convolution network | |
Mitra et al. | Analyzing Clinical 12-Lead ECG Images Using Deep Learning Algorithms for Objective Detection of Cardiac Diseases | |
CN113192598A (zh) | taVNS疗法的疗效预测方法及系统 | |
CN205866740U (zh) | 一种同步获取多维心跳信息的采集装置 |
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 |