CN117504062B - 一种自动计量定量给药的智能化雾化用药器的给药设备 - Google Patents
一种自动计量定量给药的智能化雾化用药器的给药设备 Download PDFInfo
- Publication number
- CN117504062B CN117504062B CN202311497601.3A CN202311497601A CN117504062B CN 117504062 B CN117504062 B CN 117504062B CN 202311497601 A CN202311497601 A CN 202311497601A CN 117504062 B CN117504062 B CN 117504062B
- Authority
- CN
- China
- Prior art keywords
- user
- medicine
- data
- drug
- applicator
- 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
- 238000000889 atomisation Methods 0.000 title claims abstract description 48
- 238000001647 drug administration Methods 0.000 title claims description 13
- 239000003814 drug Substances 0.000 claims abstract description 540
- 238000000034 method Methods 0.000 claims abstract description 48
- 238000011002 quantification Methods 0.000 claims abstract description 5
- 229940079593 drug Drugs 0.000 claims description 184
- 230000000694 effects Effects 0.000 claims description 51
- 238000003066 decision tree Methods 0.000 claims description 43
- 238000012549 training Methods 0.000 claims description 37
- 238000004422 calculation algorithm Methods 0.000 claims description 34
- 238000011282 treatment Methods 0.000 claims description 32
- 230000008859 change Effects 0.000 claims description 24
- 230000004044 response Effects 0.000 claims description 24
- 230000036541 health Effects 0.000 claims description 23
- 206010067484 Adverse reaction Diseases 0.000 claims description 18
- 230000006838 adverse reaction Effects 0.000 claims description 18
- 201000010099 disease Diseases 0.000 claims description 17
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 17
- 238000005516 engineering process Methods 0.000 claims description 14
- 230000007246 mechanism Effects 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 14
- 238000004088 simulation Methods 0.000 claims description 14
- 239000000463 material Substances 0.000 claims description 12
- 230000003993 interaction Effects 0.000 claims description 11
- 238000003064 k means clustering Methods 0.000 claims description 11
- 238000012417 linear regression Methods 0.000 claims description 11
- 239000006199 nebulizer Substances 0.000 claims description 11
- 208000024891 symptom Diseases 0.000 claims description 11
- 238000004458 analytical method Methods 0.000 claims description 10
- 125000004122 cyclic group Chemical group 0.000 claims description 10
- 238000002347 injection Methods 0.000 claims description 10
- 239000007924 injection Substances 0.000 claims description 10
- 238000012544 monitoring process Methods 0.000 claims description 10
- 238000011156 evaluation Methods 0.000 claims description 9
- 238000003062 neural network model Methods 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 8
- 206010020751 Hypersensitivity Diseases 0.000 claims description 7
- 238000004140 cleaning Methods 0.000 claims description 7
- 238000004896 high resolution mass spectrometry Methods 0.000 claims description 7
- 230000004060 metabolic process Effects 0.000 claims description 7
- 208000017667 Chronic Disease Diseases 0.000 claims description 6
- 206010013710 Drug interaction Diseases 0.000 claims description 6
- 206010052804 Drug tolerance Diseases 0.000 claims description 6
- 230000009102 absorption Effects 0.000 claims description 6
- 238000010521 absorption reaction Methods 0.000 claims description 6
- 238000012377 drug delivery Methods 0.000 claims description 6
- 230000029142 excretion Effects 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000004891 communication Methods 0.000 claims description 5
- 239000002245 particle Substances 0.000 claims description 5
- 230000002411 adverse Effects 0.000 claims description 4
- 238000002059 diagnostic imaging Methods 0.000 claims description 4
- 238000005507 spraying Methods 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000001819 mass spectrum Methods 0.000 claims description 3
- 239000002547 new drug Substances 0.000 claims description 3
- 238000007670 refining Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 2
- 239000007921 spray Substances 0.000 description 10
- 238000002790 cross-validation Methods 0.000 description 8
- 208000006673 asthma Diseases 0.000 description 6
- 238000012937 correction Methods 0.000 description 6
- 238000013524 data verification Methods 0.000 description 6
- BPZSYCZIITTYBL-UHFFFAOYSA-N formoterol Chemical compound C1=CC(OC)=CC=C1CC(C)NCC(O)C1=CC=C(O)C(NC=O)=C1 BPZSYCZIITTYBL-UHFFFAOYSA-N 0.000 description 6
- 229960002848 formoterol Drugs 0.000 description 6
- 239000000243 solution Substances 0.000 description 6
- 229910001220 stainless steel Inorganic materials 0.000 description 6
- 239000010935 stainless steel Substances 0.000 description 6
- 238000002663 nebulization Methods 0.000 description 5
- 230000001225 therapeutic effect Effects 0.000 description 5
- VOVIALXJUBGFJZ-KWVAZRHASA-N Budesonide Chemical compound C1CC2=CC(=O)C=C[C@]2(C)[C@@H]2[C@@H]1[C@@H]1C[C@H]3OC(CCC)O[C@@]3(C(=O)CO)[C@@]1(C)C[C@@H]2O VOVIALXJUBGFJZ-KWVAZRHASA-N 0.000 description 4
- 238000012387 aerosolization Methods 0.000 description 4
- 229960004436 budesonide Drugs 0.000 description 4
- 239000000919 ceramic Substances 0.000 description 4
- 238000000546 chi-square test Methods 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- JBDGDEWWOUBZPM-XYPYZODXSA-N ambroxol Chemical compound NC1=C(Br)C=C(Br)C=C1CN[C@@H]1CC[C@@H](O)CC1 JBDGDEWWOUBZPM-XYPYZODXSA-N 0.000 description 3
- 229960005174 ambroxol Drugs 0.000 description 3
- 230000007423 decrease Effects 0.000 description 3
- 230000003203 everyday effect Effects 0.000 description 3
- 238000012847 principal component analysis method Methods 0.000 description 3
- 208000006545 Chronic Obstructive Pulmonary Disease Diseases 0.000 description 2
- 206010031009 Oral pain Diseases 0.000 description 2
- 208000003251 Pruritus Diseases 0.000 description 2
- 206010039085 Rhinitis allergic Diseases 0.000 description 2
- 208000026935 allergic disease Diseases 0.000 description 2
- 201000010105 allergic rhinitis Diseases 0.000 description 2
- 230000007815 allergy Effects 0.000 description 2
- 230000036772 blood pressure Effects 0.000 description 2
- 230000002354 daily effect Effects 0.000 description 2
- 208000019622 heart disease Diseases 0.000 description 2
- 230000007803 itching Effects 0.000 description 2
- 230000002688 persistence Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 206010011224 Cough Diseases 0.000 description 1
- 206010014561 Emphysema Diseases 0.000 description 1
- 102000004190 Enzymes Human genes 0.000 description 1
- 108090000790 Enzymes Proteins 0.000 description 1
- 206010020772 Hypertension Diseases 0.000 description 1
- 206010036790 Productive cough Diseases 0.000 description 1
- 208000030961 allergic reaction Diseases 0.000 description 1
- 230000003276 anti-hypertensive effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000002591 computed tomography Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001727 in vivo Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000003907 kidney function Effects 0.000 description 1
- 210000004185 liver Anatomy 0.000 description 1
- 230000004199 lung function Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000002483 medication Methods 0.000 description 1
- 230000007721 medicinal effect Effects 0.000 description 1
- 239000011259 mixed solution Substances 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 210000002345 respiratory system Anatomy 0.000 description 1
- 208000023504 respiratory system disease Diseases 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000009885 systemic effect Effects 0.000 description 1
- 238000011269 treatment regimen Methods 0.000 description 1
- 230000003442 weekly effect Effects 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
- A61M11/00—Sprayers or atomisers specially adapted for therapeutic purposes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- 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
-
- 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
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- 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
- G16H70/00—ICT specially adapted for the handling or processing of medical references
- G16H70/40—ICT specially adapted for the handling or processing of medical references relating to drugs, e.g. their side effects or intended usage
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
- A61M2205/00—General characteristics of the apparatus
- A61M2205/33—Controlling, regulating or measuring
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Public Health (AREA)
- Evolutionary Biology (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Veterinary Medicine (AREA)
- Animal Behavior & Ethology (AREA)
- Pharmacology & Pharmacy (AREA)
- Medicinal Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Primary Health Care (AREA)
- Probability & Statistics with Applications (AREA)
- Toxicology (AREA)
- Hematology (AREA)
- Heart & Thoracic Surgery (AREA)
- Anesthesiology (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Epidemiology (AREA)
- Medical Informatics (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本申请提供一种自动计量定量给药的智能化雾化用药器及给药方法,包括:根据雾化器自动计量定量的数据,确定每个用户的药物需求,分类出具有相似药物需求的用户群体;通过用户反馈,使雾化用药器更准确地输出用户对配置的偏好;根据每个用户的个性化配置建议,自动为多用户服务创建独立的配置设置和剂量设定;通过每个用户的使用记录,得到用户是否倾向于频繁更新或偏好稳定配置的判断;对于判断为偏好稳定配置的用户,雾化用药器自动调整为长周期更新模式,使设备尽量不进行频繁更新;对于输出判断为倾向频繁更新的用户,雾化用药器自动调整为短周期更新模式,适应用户需求。
Description
技术领域
本发明涉及信息技术领域,尤其涉及一种自动计量定量给药的智能化雾化用药器及给药方法。
背景技术
随着医疗技术的进步,雾化治疗作为一种广泛应用于呼吸道疾病等治疗中的方法,得到了广大患者和医生的认同。它可以使药物迅速、直接地作用于呼吸道,既提高了药效,又减少了系统性药物的副作用。然而,传统的雾化器在给药量控制、使用方便性、个性化设置等方面仍存在诸多局限性。首先,传统的雾化器通常需要手动计量药物,这不仅操作复杂,而且可能因为操作失误导致给药量的不准确,这对于某些疾病的治疗可能造成药效的减少或增加不必要的副作用。其次,对于不同的用户,他们对于药物的需求可能存在差异,但传统雾化器通常采用固定的给药方式和剂量,这导致了大部分用户不能得到最适合自己的治疗。此外,随着物联网技术和人工智能技术的发展,人们对于医疗设备的智能化有着越来越高的期待。如何使雾化器更加智能,以满足不同用户的需求,成为了业界的一大挑战。对于医疗设备来说,更新周期的管理同样至关重要。频繁的更新可能会给用户带来麻烦,而过长的更新周期则可能使设备无法及时适应用户的需求。因此,如何根据用户的使用情况和偏好,自动调整更新周期,是提高用户体验的一个关键问题。再者,现代社会中,家庭中可能拥有多个需要雾化治疗的成员,如何在一个设备上为多个用户提供独立的配置设置和剂量设定,也是传统雾化器无法满足的需求。因此,急需一种能够实现自动计量、定量给药,同时具有智能化、个性化配置功能的雾化用药器的给药方法。
发明内容
本发明提供了一种自动计量定量给药的智能化雾化用药器及给药方法,主要包括:
根据雾化器自动计量定量的数据,确定每个用户的药物需求,分类出具有相似药物需求的用户群体;连接雾化器与雾化用药器,利用蓝牙技术实现雾化用药器与手机APP的无线通信,进行雾化用药器智能调整并执行药物输送任务;根据雾化用药器的运行数据和用户的实际使用情况,建立雾化用药器运行参数的最优更新周期预测模型,调整更新模式的参数,输出最优更新周期;通过用户反馈,使雾化用药器更准确地输出用户对配置的偏好;为确保数据同步,系统在每次用户使用结束后,自动上传雾化用药器配置数据,并在每次使用前自动匹配并下载最新的个性化配置;根据每个用户的个性化配置建议,自动为多用户服务创建独立的配置设置和剂量设定;通过每个用户的使用记录,得到用户是否倾向于频繁更新或偏好稳定配置的判断;对于判断为偏好稳定配置的用户,雾化用药器自动调整为长周期更新模式,使设备尽量不进行频繁更新;对于输出判断为倾向频繁更新的用户,雾化用药器自动调整为短周期更新模式,适应用户需求。
作为优选方案,所述根据雾化器自动计量定量的数据,确定每个用户的药物需求,分类出具有相似药物需求的用户群体,包括:
获取用户的特征数据,包括年龄、性别、症状、疾病历史、过敏反应和健康状况;根据雾化器自动计量,获取用户的药物使用数据;使用描述统计的方法对获取到的数据进行处理,提取用户的药物需求数据,包括药物类型、使用剂量、持续时间和使用频率;根据用户的药物需求数据和用户的特征数据对决策树模型进行训练,确定用户的药物需求;对比雾化器自动计量的数据,确定用户的真实药物使用情况;利用K-means聚类算法,对用户进行分群,分类出具有相似药物需求的用户群体;根据各个用户群体的特点,为每个群体制定个性化的配置建议;对比初步药物需求预测和最终群体配置建议,进行误差修正;结合误差修正和群体配置建议,得到最终的个性化配置建议,并输出给用户;还包括:使用K-means聚类算法将用户分成不同的群体,识别出具有相似药物需求的用户组。
所述使用K-means聚类算法将用户分成不同的群体,识别出具有相似药物需求的用户组,具体包括:
获取用户的药物需求数据,包括药物类型、使用剂量、持续时间和使用频率。对数据进行预处理,包括数据清洗和标准化;使用肘部法则或轮廓系数确定k值,其中,k值为将用户分成多少个群体;随机选择K个数据点作为初始聚类中心;计算每个用户到K个聚类中心的距离,并将用户分配到距离最近的聚类中心所代表的群体。更新每个群体的聚类中心,计算每个群体中用户的平均值。确定每个群体的特征和药物需求模式,识别具有相似需求的用户组。为每个群体分配一个标签或标识符,将用户分为不同的群体。
作为优选方案,所述连接雾化器与雾化用药器,利用蓝牙技术实现雾化用药器与手机APP的无线通信,进行雾化用药器智能调整并执行药物输送任务,包括:
通过对雾化用药器安装一次性面罩的方法,将雾化器和雾化用药器连接,通过蓝牙方式将雾化用药器与手机APP进行连接;雾化用药器内置了一个微处理器,负责接收来自手机APP的药物参数指令,并按照指令进行药物输送;雾化用药器也会向手机APP发送雾化用药器的工作状态信息,包括当前的输出压力,输出流量;根据患者的需求和病情,输入药物类型、剂量、喷射时间和频率到手机APP;手机APP向雾化用药器发送数据,当雾化用药器接收到指令后,其内部的微处理器控制药物泵的工作;药物泵按照预定的参数,从药物储存仓中吸取预定量的药物,并通过雾化器将其转化成气溶胶状的微粒,然后输送给患者吸入。
作为优选方案,所述根据雾化用药器的运行数据和用户的实际使用情况,建立雾化用药器运行参数的最优更新周期预测模型,调整更新模式的参数,输出最优更新周期,包括:
获取雾化用药器药的运行参数,包括药物流速、喷射量、设备温度,并记录用户的实际使用数据,包括持续时间、使用频率;基于梯度提升树的特征重要性评分,确定哪些运行参数与使用雾化用药器的持续时间和使用频率最相关,选择与雾化用药器使用效率和持续性有显著相关性的运行参数作为关键特征;根据雾化用药器的运行参数和用户的使用数据,采用K-means聚类算法对用户的实际使用情况进行分类,得到不同用户群体的使用习惯;基于线性回归模型,根据用户群体的使用习惯和设备运行参数,预测雾化用药器运行参数的最优更新周期;利用交叉验证方法评估模型的准确性,若模型预测准确度未达标,则调整模型的参数,并重新训练线性回归模练;使用重新训练的线性回归模型预测雾化用药器运行参数的最优更新周期。
作为优选方案,所述通过用户反馈,使雾化用药器更准确地输出用户对配置的偏好,包括:
获取雾化用药器用户的反馈数据和对应雾化用药器配置数据,其中雾化用药器用户的反馈数据包括舒适度,雾化用药器配置数据包括药物流速、喷射量、设备温度;若用户反馈数据量大于预设阈值,则采用分布式计算进行数据的并行处理,通过MapReduce算法对原始数据进行清洗和格式化;对清洗后的数据进行特征提取,利用主成分分析的方法减少数据维度,得到关于雾化用药器的配置偏好的有效特征集;采用决策树算法,基于提取的特征集与用户反馈数据进行训练,建立雾化用药器的配置偏好预测模型;通过交叉验证的方法评估模型的预测能力,若准确率未达标,则调整决策树的参数,包括深度、叶子节点数量,优化模型性能;根据优化后的决策树模型预测结果,调整雾化用药器的配置;实施实时用户反馈处理机制,继续获取用户对调整后的雾化用药器输出的评价;基于新获取的用户反馈数据,再次用决策树算法对模型进行训练;定期评估模型预测能力,如果发现模型准确率下降,则再次通过调整决策树参数来优化模型;雾化用药器通过嵌入式系统实时监控决策树模型的输出,并根据决策树模型的输出自动调整雾化用药器配置。
作为优选方案,所述为确保数据同步,系统在每次用户使用结束后,自动上传雾化用药器配置数据,并在每次使用前自动匹配并下载最新的个性化配置,包括:
用户使用结束触发系统的自动上传流程,把当前雾化用药器配置数据上传到中央数据库;中央数据库运用决策树算法对新上传的数据进行整理和分类,得到按用户和配置类型分类的数据集;系统对分类后的数据进行分析,判断是否有新的个性化配置生成;若存在新的个性化配置,触发云服务,并在每次使用前,系统会自动匹配用户和雾化用药器的唯一标识码;自动匹配成功,则触发自动下载流程,中央数据库将按照用户和雾化用药器的唯一标识码,判断具体下载的文件和参数;通过中央数据库将最新的个性化配置传输至用户的雾化用药器中;雾化用药器接收到新配置数据后,本地存储中的旧配置数据被新数据替代,数据更新完成;新配置数据替代旧数据后,系统启动数据验证流程,对新配置数据的完整性和正确性进行检查和验证;数据验证成功,用户在使用雾化用药器时自动应用最新的个性化配置,该配置将指导雾化用药器的操作,直至用户使用结束并触发下一轮的数据上传和同步流程。
作为优选方案,所述根据每个用户的个性化配置建议,自动为多用户服务创建独立的配置设置和剂量设定,包括:
获取用户个性化配置建议,确定对应的具体配置要求;采用决策树回归算法,根据用户个性化配置建议得到具体的配置参数;根据得到的具体的配置参数,为用户制定或更新一个独立的配置设置;同时,基于雾化用药器的配置设置,确定对应的剂量设定;根据用户的剂量设定、体重、年龄、药物性质,使用二室模型进行药代动力学模拟,模拟药物在体内浓度随时间的变化;判断模拟得到的药物浓度是否在安全和有效的范围内;如果基于药代动力学模拟指示剂量是符合标准的,则确定这个剂量设定;系统为每个用户创建独立的服务或会话,并在服务创建过程中,实时监控服务响应;如果服务响应不满足标准,通过药代动力学模拟结果进行配置或剂量的微调;当用户使用新药物时,判断雾化用药器的不同部件与新药物之间的相互作用,确定雾化用药器的哪些部件与特定药物产生不良反应,对雾化用药器部件进行材料的选择和优化;根据用户的健康状况和治疗效果,定期进行调整和优化,以确保药物的有效吸收和持续治疗效果;还包括:根据雾化用药器配置设置和药物剂量,判断用户的健康状况和治疗效果,定期进行调整和优化;利用高分辨质谱技术,确定与特定药物产生不良反应的雾化用药器部件,对雾化用药器部件材料进行优化。
所述根据雾化用药器配置设置和药物剂量,判断用户的健康状况和治疗效果,定期进行调整和优化,具体包括:
根据患者的健康状况,获取患者的病史和相关医疗记录,判断是否存在慢性病或其他严重疾病,并评估其对药物的吸收、代谢和排泄的影响。通过临床检查和医学影像学的手段,确定雾化用药器配置设置和药物剂量对患者疾病的治疗效果。根据患者的健康状况和治疗效果,以及药物的疗效和副作用,确定患者的药物剂量。根据患者的用药频率和药物的半衰期,以及药物在体内的浓度变化和疗效的持续时间,确定患者的用药频率。通过药物相互作用数据库或专业药师的咨询,判断药物相互作用是否会改变药物的代谢和排泄速率,影响药物的浓度和疗效。通过患者自述、医生反馈或药物监测的方式,确定患者的药物遵从性程度。通过医生反馈、患者自述或药物监测的方式,判断药物是否引起不良反应。评估不良反应对药物的剂量调整或更换的影响。通过药物监测、患者反应或相关医疗记录,确定患者的药物耐受性。评估药物耐受性的变化对药物剂量调整或更换的影响。根据得到的患者的健康状况和治疗效果的评估结果,做出药物调整和优化的决策。
所述利用高分辨质谱技术,确定与特定药物产生不良反应的雾化用药器部件,对雾化用药器部件材料进行优化,具体包括:
使用高分辨质谱技术,检测雾化用药器的不同部件与新药物之间的相互作用。确定雾化用药器的哪些部件与特定药物产生不良反应,导致药物的效能降低或产生副作用。根据会与特定药物产生不良反应的雾化用药器部件,对雾化用药器部件材料进行优化。在系统内置一个智能提示功能,当用户输入药物信息时,系统自动提示用户该药物的最佳使用环境和可能存在的与雾化用药器部件的相互作用。当用户使用新药物时,系统为用户推荐特定的雾化用药器配置和部件,确保药物的最佳效果。
作为优选方案,所述通过每个用户的使用记录,得到用户是否倾向于频繁更新或偏好稳定配置的判断,包括:
从用户使用记录中获取用户的雾化用药器配置更改历史数据;记录每次更改之间的时间间隔,计算平均更新频率,识别并去除在预设的时间间隔内的多次更新,排除用户的误操作;提取关键特征,包括用户总的更新次数、平均更新间隔、最长无更新时长,并利用这些特征创建一个训练数据集;使用决策树模型基于提取的特征进行训练,识别出频繁更新和稳定配置的用户行为模式,并利用交叉验证的方法评估模型的表现;根据模型的输出,确定用户是否倾向于频繁更新或偏好稳定配置;如果判断准确率低,采用增加数据特征或调整参数进行模型优化,优化后,再次使用决策树模型进行训练,并对优化后的模型输出结果进行评估;使用优化后的模型,再次判断每个用户是否倾向于频繁更新或偏好稳定配置。
作为优选方案,所述对于判断为偏好稳定配置的用户,雾化用药器自动调整为长周期更新模式,使设备尽量不进行频繁更新,包括:
若判断用户为偏好稳定配置类别,自动将雾化用药器状态设置为长周期更新模式;在长周期更新模式下,获取系统性能指标数据,包括设备响应时间、功耗、故障频率;通过卡方检验的方法进行特征选择,确定性能指标中的关键特征;若系统性能指标表现良好,则采用多元回归模型,使用已获取的数据对模型进行训练,预测最佳的设备参数配置;根据预测结果,自动调整雾化用药器的运行参数;获取用户的满意度和体验数据,根据用户的满意度和体验数据对雾化用药器状态进行相应调整;通过持续获取的用户数据,利用决策树算法进一步精细化用户分类,并根据用户分类,优化设备状态;当系统性能和用户满意度均显示正向增长时,则进一步降低设备的更新频率。
作为优选方案,所述对于输出判断为倾向频繁更新的用户,雾化用药器自动调整为短周期更新模式,适应用户需求,包括:
若判断用户为偏好频繁更新类别,则自动触发雾化用药器调整机制;获取用户的使用数据,包括更新频率、雾化用药器的工作参数、药物种类、使用环境,对数据进行标准化处理;使用用户的使用数据训练循环神经网络模型,预测给定的更新频率下雾化用药器的最佳工作参数;若雾化用药器调整机制被激活,自动通过循环神经网络模型分析用户的更新频率,确定该更新频率下雾化用药器的最佳工作参数,并将结果用于调整雾化用药器的更新模式;获取用户在使用雾化用药器时的行为数据,包括吸入频率、吸入时长、使用时段,同时获取用户对雾化用药器的实时反馈数据,如是否满意吸入效果、是否有不适感,对收集到的数据进行预处理和标准化;使用用户行为数据和实时反馈数据训练循环神经网络,预测雾化用药器的最佳工作参数;若雾化用药器调整机制被激活,自动通过循环神经网络模型分析用户的更新频率,确定该更新频率下雾化用药器的最佳工作参数,并将结果用于调整雾化用药器的更新模式;雾化用药器根据调整后的参数持续监测用户行为,如果检测到新的更新倾向,自动进行调整,适应这一变化;通过实时响应机制,自动获取并处理用户的反馈数据,根据用户的反馈数据训练BERT模型;使用预先训练的BERT模型,对用户的文字反馈进行语义分析,获取用户的满意度以及具体的需求;根据BERT分析的结果,再次优化雾化用药器的工作参数。
本发明实施例提供的技术方案可以包括以下有益效果:
本发明公开了一种自动计量定量给药的智能化雾化用药器及给药方法。该方法通过分析雾化器自动计量的定量数据,对每个用户的药物需求进行分类,找出具有相似药物需求的用户群体。同时,根据雾化用药器的运行数据和用户的实际使用情况,建立了雾化用药器运行参数的最优更新周期预测模型,用于调整更新模式的参数,并输出最优的更新周期。根据每个用户的个性化配置建议,自动为多用户服务创建独立的配置设置和剂量设定。根据用户的使用记录,可以判断用户是否倾向于频繁更新或偏好稳定配置。对于判断为偏好稳定配置的用户,雾化用药器会自动调整为长周期更新模式,尽量避免频繁更新。而对于判断为倾向频繁更新的用户,雾化用药器会自动调整为短周期更新模式,以适应其需求。本发明的雾化用药器配置优化系统能够提供更准确的个性化配置和剂量设定,满足用户的需求,并根据用户的偏好自动调整更新周期,提供更好的用户体验。
附图说明
图1为本发明的一种自动计量定量给药的智能化雾化用药器及给药方法的流程图。
图2为本发明的一种自动计量定量给药的智能化雾化用药器及给药方法的示意图。
图3为本发明的一种自动计量定量给药的智能化雾化用药器及给药方法的又一示意图。
图4为本发明雾化用药器和一次性面罩结构的侧面剖视图。
图5为本发明雾化用药器和一次性面罩的结合结构示意图。
图6为本发明雾化器和雾化用药器和一次性面罩的结合结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面结合附图和具体实施例对本发明进行详细描述。
本实施例一种自动计量定量给药的智能化雾化用药器及给药方法具体可以包括:
S101、根据雾化器自动计量定量的数据,确定每个用户的药物需求,分类出具有相似药物需求的用户群体。
获取用户的特征数据,包括年龄、性别、症状、疾病历史、过敏反应和健康状况;根据雾化器自动计量,获取用户的药物使用数据。使用描述统计的方法对获取到的数据进行处理,提取用户的药物需求数据,包括药物类型、使用剂量、持续时间和使用频率。根据用户的药物需求数据和用户的特征数据对决策树模型进行训练,确定用户的药物需求。对比雾化器自动计量的数据,确定用户的真实药物使用情况。利用K-means聚类算法,对用户进行分群,分类出具有相似药物需求的用户群体。根据各个用户群体的特点,为每个群体制定个性化的配置建议。对比初步药物需求预测和最终群体配置建议,进行误差修正。结合误差修正和群体配置建议,得到最终的个性化配置建议,并输出给用户。例如,获取用户的年龄为30岁,性别为女性,症状为咳嗽、气喘和咳痰,疾病历史包括哮喘和过敏性鼻炎,过敏反应包括对花粉过敏,健康状况良好。根据雾化器自动计量,获取到用户每次使用雾化器的药物剂量为2毫升,持续使用时间为10分钟,使用频率为每天使用两次。使用描述统计的方法对获取到的数据进行处理,提取用户的药物需求数据。根据用户每天使用两次,每次使用2毫升的剂量,可以计算出用户每天需要使用的药物总剂量为4毫升。根据用户的症状、疾病历史和过敏反应,决策树模型可以预测用户可能需要使用的药物类型为哮喘控制药物。而根据用户的药物使用数据,可以初步确定用户每天需要使用的药物剂量为4毫升。对比雾化器自动计量的数据,确定用户的真实药物使用情况。如果用户在一周内实际使用了28毫升的药物,与初步预测的药物需求数据4毫升相比,可以判断用户的真实药物使用情况超过了初步预测,可能需要增加药物剂量或者使用频率。利用K-means聚类算法,根据用户的年龄、性别、症状和疾病历史等特征,将用户分为哮喘患者群体和过敏性鼻炎患者群体。根据各个用户群体的特点,为每个群体制定个性化的配置建议,如对于哮喘患者群体,根据年龄、症状和疾病历史,可以建议使用特定类型的哮喘控制药物,并根据实际药物使用情况调整剂量和使用频率。对比初步药物需求预测和最终群体配置建议,进行误差修正,如果初步预测的药物需求为4毫升,而实际使用情况为6毫升,可以对配置建议进行修正,增加药物剂量或使用频率。结合误差修正和群体配置建议,得到最终的个性化配置建议,并输出给用户,如根据用户的特点和实际药物使用情况,最终的个性化配置建议是每天使用6毫升的药物剂量,每天使用三次。
使用K-means聚类算法将用户分成不同的群体,识别出具有相似药物需求的用户组。
获取用户的药物需求数据,包括药物类型、使用剂量、持续时间和使用频率。对数据进行预处理,包括数据清洗和标准化;使用肘部法则或轮廓系数确定k值,其中,k值为将用户分成多少个群体;随机选择K个数据点作为初始聚类中心;计算每个用户到K个聚类中心的距离,并将用户分配到距离最近的聚类中心所代表的群体。更新每个群体的聚类中心,计算每个群体中用户的平均值。确定每个群体的特征和药物需求模式,识别具有相似需求的用户组。为每个群体分配一个标签或标识符,将用户分为不同的群体。例如,有一组用户的药物需求数据,用户1的药物类型为A,使用剂量为50mg,持续时间为30天,使用频率为2次/天,用户2的药物类型为B,使用剂量为75mg,持续时间为45天,使用频率为3次/天,用户3的药物类型为A,使用剂量为40mg,持续时间为60天,使用频率为1次/天,用户4的药物类型为C,使用剂量为60mg,持续时间为30天,使用频率为2次/天,用户5的药物类型为B,使用剂量为80mg,持续时间为60天,使用频率为3次/天,对数据进行清洗和标准化,将不同单位的持续时间标准化为天,使用肘部法则或轮廓系数来确定K值。若选择K=2,则随机选择两个用户作为初始聚类中心,用户1和用户3。计算每个用户到这两个聚类中心的距离,并将他们分配到距离最近的中心所代表的群体。用户1更接近初始中心1,因此分配给群体1。用户2更接近初始中心2,因此分配给群体2。用户3更接近初始中心1,因此分配给群体1。用户4更接近初始中心1,因此分配给群体1。用户5更接近初始中心2,因此分配给群体2。对于群体1,计算用户1、用户3和用户4的平均值,并将其作为新的聚类中心。同样,对于群体2,计算用户2和用户5的平均值,并将其作为新的聚类中心。根据群体1和群体2的特征和需求模式,可能发现群体1倾向于使用药物类型A,持续时间较短,而群体2倾向于使用药物类型B和C,持续时间较长。因此为群体1分配标签"使用药物类型A的持续时间较短的用户",为群体2分配标签"使用药物类型B和C的持续时间较长的用户"。
S102、连接雾化器与雾化用药器,利用蓝牙技术实现雾化用药器与手机APP的无线通信,进行雾化用药器智能调整并执行药物输送任务。
通过对雾化用药器安装一次性面罩的方法,将雾化器和雾化用药器连接,通过蓝牙方式将雾化用药器与手机APP进行连接。雾化用药器内置了一个微处理器,负责接收来自手机APP的药物参数指令,并按照指令进行药物输送。雾化用药器也会向手机APP发送雾化用药器的工作状态信息,包括当前的输出压力,输出流量。根据患者的需求和病情,输入药物类型、剂量、喷射时间和频率到手机APP。手机APP向雾化用药器发送数据,当雾化用药器接收到指令后,其内部的微处理器控制药物泵的工作。药物泵按照预定的参数,从药物储存仓中吸取预定量的药物,并通过雾化器将其转化成气溶胶状的微粒,然后输送给患者吸入。例如,如图4的雾化用药器1和一次性面罩2,通过如图5的方式对雾化用药器1安装一次性面罩2,将雾化器3和雾化用药器1进行如图6的连接,并通过蓝牙方式将雾化用药器1与手机APP进行连接。雾化用药器内置了一个微处理器,负责接收来自手机APP的药物参数指令,并按照指令进行药物输送。雾化用药器也会向手机APP发送雾化用药器的工作状态信息,包括当前的输出压力为5bar,输出流量为5ml/min。若患者需要输入药物类型为氨溴索,剂量为2mg,喷射时间为10分钟,频率为每6小时一次,到手机APP。手机APP向雾化用药器发送数据,当雾化用药器接收到指令后,其内部的微处理器会对指令进行解析,然后根据解析的结果来控制药物泵的工作。根据指令,药物泵会按照预定的参数从药物储存仓中吸取2mg的氨溴索,并通过雾化器将其转化成气溶胶状的微粒,然后以输出压力5bar和输出流量5ml/min的方式输送给患者吸入。
S103、根据雾化用药器的运行数据和用户的实际使用情况,建立雾化用药器运行参数的最优更新周期预测模型,调整更新模式的参数,输出最优更新周期。
获取雾化用药器药的运行参数,包括药物流速、喷射量、设备温度,并记录用户的实际使用数据,包括持续时间、使用频率。基于梯度提升树的特征重要性评分,确定哪些运行参数与使用雾化用药器的持续时间和使用频率最相关,选择与雾化用药器使用效率和持续性有显著相关性的运行参数作为关键特征;根据雾化用药器的运行参数和用户的使用数据,采用K-means聚类算法对用户的实际使用情况进行分类,得到不同用户群体的使用习惯。基于线性回归模型,根据用户群体的使用习惯和设备运行参数,预测雾化用药器运行参数的最优更新周期。利用交叉验证方法评估模型的准确性,若模型预测准确度未达标,则调整模型的参数,并重新训练线性回归模练。使用重新训练的线性回归模型预测雾化用药器运行参数的最优更新周期;例如,有一个雾化用药器设备,其中药物的流速是每分钟10毫升,喷射量是每次喷射2毫升,设备温度是30摄氏度。记录了用户A使用雾化用药器的实际数据,持续时间为10分钟,使用频率为每天使用一次。现在使用梯度提升树模型来评估各个运行参数对雾化用药器的持续时间和使用频率的影响。通过梯度提升树模型得到了特征重要性评分,药物流速重要性评分为7,喷射量重要性评分为6,设备温度重要性评分为3;根据特征重要性评分,可以看出药物流速和喷射量与持续时间和使用频率之间有较大的相关性,因此,选择药物流速和喷射量作为关键特征。有100个用户的数据,其中20个用户持续时间较短,频率较低,30个用户持续时间较长,频率较高,50个用户持续时间和频率相对中等。通过K-means聚类分析,将用户分为三个群体,其中群体1持续时间较短,频率较低、群体2持续时间较长,频率较高、群体3持续时间和频率中等。基于线性回归模型,可以根据用户群体的使用习惯和设备运行参数来预测雾化用药器运行参数的最优更新周期,如果在群体1中,发现最优更新周期是每周一次,在群体2中,最优更新周期是每天一次,在群体3中,最优更新周期是每两天一次。为了评估模型的准确性,使用交叉验证方法,如将数据集分为训练集和测试集,然后使用训练集训练线性回归模型,并在测试集上评估模型的准确性。如果模型的预测准确度未达到预期,可以调整模型的参数,并重新训练线性回归模型。最后,使用重新训练的线性回归模型来预测雾化用药器运行参数的最优更新周期。根据用户群体的使用习惯和设备运行参数,可以预测在不同群体中,雾化用药器的最优更新周期是每周一次、每天一次或每两天一次。
S104、通过用户反馈,使雾化用药器更准确地输出用户对配置的偏好。
获取雾化用药器用户的反馈数据和对应雾化用药器配置数据,其中雾化用药器用户的反馈数据包括舒适度,雾化用药器配置数据包括药物流速、喷射量、设备温度;若用户反馈数据量大于预设阈值,则采用分布式计算进行数据的并行处理,通过MapReduce算法对原始数据进行清洗和格式化。对清洗后的数据进行特征提取,利用主成分分析的方法减少数据维度,得到关于雾化用药器的配置偏好的有效特征集。采用决策树算法,基于提取的特征集与用户反馈数据进行训练,建立雾化用药器的配置偏好预测模型。通过交叉验证的方法评估模型的预测能力,若准确率未达标,则调整决策树的参数,包括深度、叶子节点数量,优化模型性能。根据优化后的决策树模型预测结果,调整雾化用药器的配置。实施实时用户反馈处理机制,继续获取用户对调整后的雾化用药器输出的评价。基于新获取的用户反馈数据,再次用决策树算法对模型进行训练。定期评估模型预测能力,如果发现模型准确率下降,则再次通过调整决策树参数来优化模型。雾化用药器通过嵌入式系统实时监控决策树模型的输出,并根据决策树模型的输出自动调整雾化用药器配置。例如,有1000个雾化用药器用户的反馈数据,每个用户的舒适度评分范围是1到10。同时,也有这1000个雾化用药器用户的雾化用药器配置数据,包括药物流速,单位为ml/s,喷射量,单位为ml,设备温度,单位为摄氏度。在这种情况下,可以使用分布式计算进行数据的并行处理。若预设阈值为500个用户反馈数据,超过此阈值时,将使用分布式计算。可以将数据分成多个部分,每个部分包含一定数量的用户反馈和对应的配置数据。然后,可以使用MapReduce算法对每个部分的数据进行清洗和格式化,以确保数据的一致性和准确性。选择药物流速、喷射量和设备温度作为特征。可以利用主成分分析的方法减少数据的维度,得到关于雾化用药器配置偏好的有效特征集。因此,可以得到两个主成分,分别表示药物流速和喷射量与用户舒适度之间的关系。接下来,可以使用决策树算法建立雾化用药器的配置偏好预测模型。可以使用提取的特征集和用户反馈数据进行训练。若使用交叉验证的方法评估模型的预测能力,并发现准确率未达标。为了优化模型性能,可以调整决策树的参数,例如增加深度或减少叶子节点数量。通过调整参数,可以提高模型的准确率。根据优化后的决策树模型预测结果,可以调整雾化用药器的配置,如果模型预测某个用户偏好较高的药物流速和喷射量组合,则可以将雾化用药器的配置调整为该组合。同时,还可以实施实时用户反馈处理机制,继续获取用户对调整后的雾化用药器输出的评价。基于新获取的用户反馈数据,可以再次用决策树算法对模型进行训练,以进一步提高模型的预测能力。定期评估模型的预测能力。如果发现模型的准确率下降,可以再次通过调整决策树的参数来优化模型。最后,可以通过嵌入式系统实时监控决策树模型的输出,并根据模型的输出自动调整雾化用药器的配置,如果模型预测某个用户偏好较高的药物流速和喷射量组合,则可以自动调整雾化用药器的配置为该组合。
S105、为确保数据同步,系统在每次用户使用结束后,自动上传雾化用药器配置数据,并在每次使用前自动匹配并下载最新的个性化配置。
用户使用结束触发系统的自动上传流程,把当前雾化用药器配置数据上传到中央数据库。中央数据库运用决策树算法对新上传的数据进行整理和分类,得到按用户和配置类型分类的数据集。系统对分类后的数据进行分析,判断是否有新的个性化配置生成。若存在新的个性化配置,触发云服务,并在每次使用前,系统会自动匹配用户和雾化用药器的唯一标识码。自动匹配成功,则触发自动下载流程,中央数据库将按照用户和雾化用药器的唯一标识码,判断具体下载的文件和参数。通过中央数据库将最新的个性化配置传输至用户的雾化用药器中。雾化用药器接收到新配置数据后,本地存储中的旧配置数据被新数据替代,数据更新完成。新配置数据替代旧数据后,系统启动数据验证流程,对新配置数据的完整性和正确性进行检查和验证。数据验证成功,用户在使用雾化用药器时自动应用最新的个性化配置,该配置将指导雾化用药器的操作,直至用户使用结束并触发下一轮的数据上传和同步流程。例如,用户使用结束触发系统的自动上传流程,把当前雾化用药器配置数据上传到中央数据库。当前用户使用的雾化用药器配置数据为,唯一标识码为123456789,用户名为John,配置类型为A,温度为35℃,流量为5ml/s,持续时间为10分钟;中央数据库运用决策树算法对新上传的数据进行整理和分类,根据上述数据,数据库将数据归类为,用户名为John,配置类型为A,唯一标识码为123456789,温度为35℃,流量为5ml/s,持续时间为10分钟,系统对分类后的数据进行分析,判断是否有新的个性化配置生成。若系统发现当前用户的配置已经存在,没有新的个性化配置生成。若存在新的个性化配置,触发云服务,并在每次使用前,系统会自动匹配用户和雾化用药器的唯一标识码。如果匹配成功,触发自动下载流程,中央数据库将按照用户和雾化用药器的唯一标识码,判断具体下载的文件和参数。系统匹配到用户John和雾化用药器唯一标识码123456789,根据匹配结果,中央数据库传输最新的个性化配置至用户的雾化用药器中。雾化用药器接收到新配置数据后,本地存储中的旧配置数据被新数据替代,数据更新完成。雾化用药器成功接收到新配置数据,将旧的配置数据替换为,温度为38℃,流量为4ml/s,持续时间为15分钟,新配置数据替代旧数据后,系统启动数据验证流程,对新配置数据的完整性和正确性进行检查和验证。系统验证新配置数据的完整性和正确性,确认数据有效。数据验证成功,用户在使用雾化用药器时自动应用最新的个性化配置,该配置将指导雾化用药器的操作,直至用户使用结束并触发下一轮的数据上传和同步流程。若用户再次使用雾化用药器时,系统自动应用最新的个性化配置,指导雾化用药器的操作。
S106、根据每个用户的个性化配置建议,自动为多用户服务创建独立的配置设置和剂量设定。
获取用户个性化配置建议,确定对应的具体配置要求。采用决策树回归算法,根据用户个性化配置建议得到具体的配置参数。根据得到的具体的配置参数,为用户制定或更新一个独立的配置设置。同时,基于雾化用药器的配置设置,确定对应的剂量设定。根据用户的剂量设定、体重、年龄、药物性质,使用二室模型进行药代动力学模拟,模拟药物在体内浓度随时间的变化;判断模拟得到的药物浓度是否在安全和有效的范围内;如果基于药代动力学模拟指示剂量是符合标准的,则确定这个剂量设定。系统为每个用户创建独立的服务或会话,并在服务创建过程中,实时监控服务响应。如果服务响应不满足标准,通过药代动力学模拟结果进行配置或剂量的微调。当用户使用新药物时,判断雾化用药器的不同部件与新药物之间的相互作用,确定雾化用药器的哪些部件与特定药物产生不良反应,对雾化用药器部件进行材料的选择和优化。根据用户的健康状况和治疗效果,定期进行调整和优化,以确保药物的有效吸收和持续治疗效果。例如,为一位患有高血压的中年男性用户提供个性化配置建议。首先,通过决策树回归算法,可以分析用户的个人特征,包括年龄、性别、体重、药物过敏史等,和病情信息,包括血压水平、其他疾病,来确定对应的具体配置要求,如果根据算法分析结果,可以得知该用户需要每天服用一种降压药物,并且建议每次服用的剂量为10毫克。根据得到的具体配置参数,可以为用户制定或更新一个独立的配置设置。因此,可以为该用户制定每日的用药时间表,如早餐后服药,并且设置药物提醒功能,以确保他按时服用药物。基于雾化用药器的配置设置,可以得知该用户每次使用雾化用药器需要喷洒10毫升的药物溶液。接下来,根据用户的剂量设定、体重、年龄和药物性质,可以使用二室模型来模拟药物在体内浓度随时间的变化。若根据模型模拟结果,得知在服药后2小时,该用户体内药物浓度达到峰值,并且在24小时内逐渐降低。然后,可以根据模拟得到的药物浓度判断是否在安全和有效的范围内。如果根据国际标准,该药物在体内的最高浓度应该在安全范围内,并且持续时间应该足够长以确保药物的疗效。如果基于药代动力学模拟结果指示的剂量是符合标准的,可以确定这个剂量设定。根据模拟结果,可以确认每次服药10毫克的剂量是安全和有效的。在为用户创建独立的服务或会话时,可以实时监控服务响应。可以监测用户的用药情况、血压水平等,并及时获取数据用于后续分析和评估。如果服务响应不满足标准,可以通过药代动力学模拟结果进行配置或剂量的微调。如果发现药物浓度没有达到安全范围或疗效不明显,可以调整剂量或用药时间等配置参数,以提高治疗效果。当用户使用新药物时,使用高分辨质谱技术,检测雾化用药器的不同部件与新药物之间的相互作用,确定雾化用药器的哪些部件与特定药物产生不良反应,对雾化用药器部件材料进行优化。根据用户的健康状况和治疗效果,定期进行调整和优化,以确保药物的有效吸收和持续治疗效果。
根据雾化用药器配置设置和药物剂量,判断用户的健康状况和治疗效果,定期进行调整和优化。
根据患者的健康状况,获取患者的病史和相关医疗记录,判断是否存在慢性病或其他严重疾病,并评估其对药物的吸收、代谢和排泄的影响。通过临床检查和医学影像学的手段,确定雾化用药器配置设置和药物剂量对患者疾病的治疗效果。根据患者的健康状况和治疗效果,以及药物的疗效和副作用,确定患者的药物剂量。根据患者的用药频率和药物的半衰期,以及药物在体内的浓度变化和疗效的持续时间,确定患者的用药频率。通过药物相互作用数据库或专业药师的咨询,判断药物相互作用是否会改变药物的代谢和排泄速率,影响药物的浓度和疗效。通过患者自述、医生反馈或药物监测的方式,确定患者的药物遵从性程度。通过医生反馈、患者自述或药物监测的方式,判断药物是否引起不良反应。评估不良反应对药物的剂量调整或更换的影响。通过药物监测、患者反应或相关医疗记录,确定患者的药物耐受性。评估药物耐受性的变化对药物剂量调整或更换的影响。根据得到的患者的健康状况和治疗效果的评估结果,做出药物调整和优化的决策。例如,55岁的李女士提供了过去5年的医疗记录,她有慢性阻塞性肺疾病的病史,并有轻度的心脏病。她的肾功能正常,但她的肝酶水平略高,这可能会影响某些药物的代谢。临床检查和医学影像学显示其肺功能下降,胸部CT扫描显示存在大量的肺气肿。医生建议李女士使用雾化用药器吸入布地奈德和福莫特罗的混合溶液来减轻其COPD的症状。初始设置是每天两次,每次雾化2.5ml的溶液,每ml中包含1mg的布地奈德和6mcg的福莫特罗。经过一周的治疗,李女士反映症状有所改善。根据李女士的健康状况和治疗效果,建议他继续使用初始设置进行雾化用药器治疗。布地奈德的半衰期为2.8小时,福莫特罗为5小时。根据这两种药物在体内的浓度变化和疗效的持续时间,医生决定每日两次吸入。李女士还在服用心脏疾病的药物,经查询,该药物不会与布地奈德或福莫特罗产生显著的相互作用。通过两周的随访,李女士表示她准时完成了所有的雾化治疗,并没有遗漏。李女士在使用雾化用药器后,出现口腔疼痛和嗓子痒的症状。由于出现的不良反应,医生建议李女士在雾化治疗后进行口腔冲洗,并稍微减少了福莫特罗的剂量。在减少福莫特罗剂量后,李女士的口腔疼痛和嗓子痒的症状减轻了。考虑到剂量的调整和李女士的反应,医生决定继续按照调整后的方案进行治疗,并每月随访一次。医生评估了李女士的健康状况、治疗效果和她对药物的反应后,决定维持现有的雾化治疗方案,并在随后的3个月内进行定期随访。
利用高分辨质谱技术,确定与特定药物产生不良反应的雾化用药器部件,对雾化用药器部件材料进行优化。
使用高分辨质谱技术,检测雾化用药器的不同部件与新药物之间的相互作用。确定雾化用药器的哪些部件与特定药物产生不良反应,导致药物的效能降低或产生副作用。根据会与特定药物产生不良反应的雾化用药器部件,对雾化用药器部件材料进行优化。在系统内置一个智能提示功能,当用户输入药物信息时,系统自动提示用户该药物的最佳使用环境和可能存在的与雾化用药器部件的相互作用。当用户使用新药物时,系统为用户推荐特定的雾化用药器配置和部件,确保药物的最佳效果。例如,使用高分辨质谱技术检测一个特定药物在不同雾化用药器部件上的相互作用。若选择了两种常见的雾化用药器部件材料,不锈钢和陶瓷。首先,将药物样品喷雾于不锈钢和陶瓷部件上,并使用高分辨质谱仪测量样品中的药物浓度。发现在不锈钢部件上,药物浓度为100ng/mL,而在陶瓷部件上,药物浓度为50ng/mL。这表明药物在不锈钢部件上的吸附更强,导致药物浓度降低。接下来,评估药物在不同雾化用药器配置下的效果。选择两种不同的喷雾器头,一种具有2mm的喷孔直径,另一种具有5mm的喷孔直径。测量了在两种喷孔直径下药物的雾化效率,结果显示2mm的喷孔直径具有更高的雾化效率,使药物浓度达到150ng/mL,而5mm的喷孔直径只能达到100ng/mL。然后,进行统计分析,发现使用不锈钢部件和2mm的喷孔直径时,药物吸入量显著高于其他配置。此外,还发现在某些特定药物中,使用不锈钢部件可能导致药物降解,从而降低药物的效能。最后,根据分析结果为用户提供智能提示。当用户输入了一种特定药物,系统将自动推荐使用陶瓷部件和2mm的喷孔直径,以确保药物的最佳效果。同时,系统还会提醒用户注意不同雾化用药器部件对药物可能产生的相互作用,以避免不良反应。
S107、通过每个用户的使用记录,得到用户是否倾向于频繁更新或偏好稳定配置的判断。
从用户使用记录中获取用户的雾化用药器配置更改历史数据;记录每次更改之间的时间间隔,计算平均更新频率,识别并去除在预设的时间间隔内的多次更新,排除用户的误操作。提取关键特征,包括用户总的更新次数、平均更新间隔、最长无更新时长,并利用这些特征创建一个训练数据集。使用决策树模型基于提取的特征进行训练,识别出频繁更新和稳定配置的用户行为模式,并利用交叉验证的方法评估模型的表现。根据模型的输出,确定用户是否倾向于频繁更新或偏好稳定配置。如果判断准确率低,采用增加数据特征或调整参数进行模型优化,优化后,再次使用决策树模型进行训练,并对优化后的模型输出结果进行评估。使用优化后的模型,再次判断每个用户是否倾向于频繁更新或偏好稳定配置;例如,有一组用户的雾化用药器配置更改历史数据,我们将使用这些数据来识别用户是否倾向于频繁更新或偏好稳定配置,用户A的配置更改历史为,更新1的时间为2023-01-05,更新2的时间为2023-01-10,更新3的时间为2023-01-15,更新4的时间为2023-01-25;用户B的配置更改历史为,更新1的时间为2023-02-02,更新2的时间为2023-02-10,更新3的时间为2023-02-18;用户C的配置更改历史为,更新1的时间为2023-03-01,更新2的时间为2023-03-15;获取用户使用记录和配置更改历史数据,对于每个用户,计算他们的配置更改时间间隔。因此,对于用户A,更新2和更新1之间的时间间隔是5天,更新3和更新2之间的时间间隔是5天,更新4和更新3之间的时间间隔是10天。然后,计算平均更新频率,这里是(5+5+10)/3=6.67天。提取用户的总更新次数,如用户A有4次更新,用户B有3次更新,用户C有2次更新;提取平均更新间隔,如用户A的6.67天;提取最长无更新时长,如用户A的10天;并将这些提取的特征组成一个训练数据集。使用决策树模型基于提取的特征进行训练。模型将学习用户行为模式,即哪些特征与频繁更新或稳定配置相关。使用交叉验证的方法,评估模型的表现,检查模型是否能够准确地识别用户的倾向。模型的输出可以得到每个用户是否倾向于频繁更新或偏好稳定配置,如模型可以判断用户A倾向于频繁更新,用户B倾向于频繁更新,用户C倾向于偏好稳定配置。如果模型的准确率低,则采用增加数据特征或调整模型参数等方法进行模型优化。然后,再次使用优化后的模型进行训练和评估。使用优化后的模型,再次判断每个用户是否倾向于频繁更新或偏好稳定配置。
S108、对于判断为偏好稳定配置的用户,雾化用药器自动调整为长周期更新模式,使设备尽量不进行频繁更新。
若判断用户为偏好稳定配置类别,自动将雾化用药器状态设置为长周期更新模式。在长周期更新模式下,获取系统性能指标数据,包括设备响应时间、功耗、故障频率。通过卡方检验的方法进行特征选择,确定性能指标中的关键特征;若系统性能指标表现良好,则采用多元回归模型,使用已获取的数据对模型进行训练,预测最佳的设备参数配置。根据预测结果,自动调整雾化用药器的运行参数。获取用户的满意度和体验数据,根据用户的满意度和体验数据对雾化用药器状态进行相应调整。通过持续获取的用户数据,利用决策树算法进一步精细化用户分类,并根据用户分类,优化设备状态。当系统性能和用户满意度均显示正向增长时,则进一步降低设备的更新频率;例如,某个用户的雾化用药器状态设置为长周期更新模式,每隔一个月更新一次。在每次更新时,系统会获取设备的响应时间、功耗和故障频率这三个性能指标。在某次更新中,获取到的性能指标数据为,设备响应时间:2秒、3秒、4秒、2秒、3秒,功耗:100W、110W、105W、100W、108W,故障频率:0次、1次、0次、0次、1次,可以使用卡方检验来确定这些性能指标中的关键特征。若显著性水平为0.05,根据卡方检验的结果,发现设备响应时间和功耗对系统性能的影响最为显著,而故障频率的影响不太显著。接下来,可以使用多元回归模型来预测最佳的设备参数配置。有一组已获取的数据作为训练集,其中包括设备响应时间、功耗和用户满意度的数据。可以使用这些数据来训练模型,然后使用训练好的模型来预测最佳的设备参数配置。得到了以下的回归方程为满意度=5*响应时间+7*功耗-2,根据这个方程,可以根据设备响应时间和功耗的数值来预测用户的满意度,并据此调整雾化用药器的运行参数。同时,还可以持续获取用户的满意度和体验数据,然后使用决策树算法来进一步细分用户分类。根据用户的满意度和体验数据,可以将用户分为满意度高、中、低三个分类,并根据不同分类来优化设备状态。最后,当系统性能和用户满意度都显示正向增长时,可以进一步降低设备的更新频率。如果在连续三个月的更新中,性能指标表现良好且用户满意度持续增长,可以将更新频率从一个月调整为两个月,以减少更新对用户的干扰。
S109、对于输出判断为倾向频繁更新的用户,雾化用药器自动调整为短周期更新模式,适应用户需求。
若判断用户为偏好频繁更新类别,则自动触发雾化用药器调整机制。获取用户的使用数据,包括更新频率、雾化用药器的工作参数、药物种类、使用环境,对数据进行标准化处理;使用用户的使用数据训练循环神经网络模型,预测给定的更新频率下雾化用药器的最佳工作参数。若雾化用药器调整机制被激活,自动通过循环神经网络模型分析用户的更新频率,确定该更新频率下雾化用药器的最佳工作参数,并将结果用于调整雾化用药器的更新模式。获取用户在使用雾化用药器时的行为数据,包括吸入频率、吸入时长、使用时段,同时获取用户对雾化用药器的实时反馈数据,如是否满意吸入效果、是否有不适感,对收集到的数据进行预处理和标准化;使用用户行为数据和实时反馈数据训练循环神经网络,预测雾化用药器的最佳工作参数;若雾化用药器调整机制被激活,自动通过循环神经网络模型分析用户的更新频率,确定该更新频率下雾化用药器的最佳工作参数,并将结果用于调整雾化用药器的更新模式。雾化用药器根据调整后的参数持续监测用户行为,如果检测到新的更新倾向,自动进行调整,适应这一变化。通过实时响应机制,自动获取并处理用户的反馈数据,根据用户的反馈数据训练BERT模型;使用预先训练的BERT模型,对用户的文字反馈进行语义分析,获取用户的满意度以及具体的需求;根据BERT分析的结果,再次优化雾化用药器的工作参数。例如,有一个医疗雾化用药器,用于给患者喷雾药物。收集了用户的使用数据,用户A每天使用雾化用药器3次,使用药物类型是X,雾化用药器参数为温度35℃和喷雾强度中等。将这些数据标准化,确保它们位于相同的范围内。使用这些标准化的数据来训练循环神经网络模型,该模型将预测在给定的更新频率下雾化用药器的最佳工作参数。模型学习了不同更新频率下的药物喷雾温度、强度等参数的优化策略。当雾化用药器调整机制被激活,通常是在用户开始使用新药物或者使用环境变化时,它会自动运行。用户B开始使用雾化用药器,更新频率为每周一次,药物类型为Y。雾化用药器自动通过循环神经网络模型分析用户B的更新频率和药物类型,确定最佳工作参数。模型建议将温度调整为40℃,喷雾强度增加到高等级。用户B开始使用雾化用药器,我们收集吸入频率、吸入时长、使用时段等行为数据,同时也获取他的实时反馈。用户B反馈雾化用药器的吸入效果满意,没有不适感。使用收集到的用户行为数据和实时反馈数据,根据用户的反馈数据训练BERT模型;使用预先训练的BERT模型,对用户的文字反馈进行语义分析,获取用户的满意度以及具体的需求,如“速度”、“粒度”等关键信息。针对用户B的反馈,微调温度至37℃,以确保最佳吸入效果。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本申请中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离本申请构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (7)
1.一种自动计量定量给药的智能化雾化用药器的给药设备,其特征在于,所述设备包括:雾化器和雾化用药器;
根据雾化器自动计量定量的数据,确定每个用户的药物需求,分类出具有相似药物需求的用户群体;连接雾化器与雾化用药器,利用蓝牙技术实现雾化用药器与手机APP的无线通信,进行雾化用药器智能调整并执行药物输送任务;根据雾化用药器的运行数据和用户的实际使用情况,建立雾化用药器运行参数的最优更新周期预测模型,调整更新模式的参数,输出最优更新周期;通过用户反馈,使雾化用药器更准确地输出用户对配置的偏好;为确保数据同步,系统在每次用户使用结束后,自动上传雾化用药器配置数据,并在每次使用前自动匹配并下载最新的个性化配置;根据每个用户的个性化配置建议,自动为多用户服务创建独立的配置设置和剂量设定;通过每个用户的使用记录,得到用户是否倾向于频繁更新或偏好稳定配置的判断;对于判断为偏好稳定配置的用户,雾化用药器自动调整为长周期更新模式,使设备尽量不进行频繁更新;对于输出判断为倾向频繁更新的用户,雾化用药器自动调整为短周期更新模式,适应用户需求;
其中,所述根据每个用户的个性化配置建议,自动为多用户服务创建独立的配置设置和剂量设定,包括:
获取用户配置建议并确定配置要求;使用决策树回归算法得到具体配置参数;为用户制定独立配置设置,及确定剂量设定;使用二室模型进行药代动力学模拟,模拟药物在体内浓度随时间变化;判断模拟浓度是否安全和有效;若符合,确定该剂量设定;创建独立服务为用户,并监控服务响应;若服务响应不达标,微调配置或剂量;还包括:根据雾化用药器配置设置和药物剂量,判断用户的健康状况和治疗效果,定期进行调整和优化;利用高分辨质谱技术,确定与特定药物产生不良反应的雾化用药器部件,对雾化用药器部件材料进行优化;
所述根据雾化用药器配置设置和药物剂量,判断用户的健康状况和治疗效果,定期进行调整和优化,具体包括:根据患者的健康状况,获取患者的病史和相关医疗记录,判断是否存在慢性病或其他严重疾病,并评估其对药物的吸收、代谢和排泄的影响;通过临床检查和医学影像学的手段,确定雾化用药器配置设置和药物剂量对患者疾病的治疗效果;根据患者的健康状况和治疗效果,以及药物的疗效和副作用,确定患者的药物剂量;根据患者的用药频率和药物的半衰期,以及药物在体内的浓度变化和疗效的持续时间,确定患者的用药频率;通过药物相互作用数据库或专业药师的咨询,判断药物相互作用是否会改变药物的代谢和排泄速率,影响药物的浓度和疗效;通过患者自述、医生反馈或药物监测的方式,确定患者的药物遵从性程度;通过医生反馈、患者自述或药物监测的方式,判断药物是否引起不良反应;评估不良反应对药物的剂量调整或更换的影响;通过药物监测、患者反应或相关医疗记录,确定患者的药物耐受性;评估药物耐受性的变化对药物剂量调整或更换的影响;根据得到的患者的健康状况和治疗效果的评估结果,做出药物调整和优化的决策;
所述利用高分辨质谱技术,确定与特定药物产生不良反应的雾化用药器部件,对雾化用药器部件材料进行优化,具体包括:使用高分辨质谱技术,检测雾化用药器的不同部件与新药物之间的相互作用;确定雾化用药器的哪些部件与特定药物产生不良反应,导致药物的效能降低或产生副作用;根据会与特定药物产生不良反应的雾化用药器部件,对雾化用药器部件材料进行优化;在系统内置一个智能提示功能,当用户输入药物信息时,系统自动提示用户该药物的最佳使用环境和可能存在的与雾化用药器部件的相互作用;当用户使用新药物时,系统为用户推荐特定的雾化用药器配置和部件,确保药物的最佳效果;
其中,所述通过每个用户的使用记录,得到用户是否倾向于频繁更新或偏好稳定配置的判断,包括:
获取用户的雾化用药器配置更改历史数据;记录每次更改的时间间隔,计算更新频率,排除误操作;提取特征,包括总的更新次数、更新间隔及最长无更新时长,创建训练数据集;使用决策树模型训练,识别用户行为模式;根据模型输出,确定用户的更新倾向;若判断准确率不高,则进行模型优化,使用优化后的模型重新判断用户更新倾向;
其中,所述对于判断为偏好稳定配置的用户,雾化用药器自动调整为长周期更新模式,使设备尽量不进行频繁更新,包括:
若判断用户为偏好稳定配置类别,自动将雾化用药器状态设置为长周期更新模式;在长周期更新模式下,获取系统性能指标数据,包括设备响应时间、功耗和故障频率;确定性能指标中的关键特征;采用多元回归模型,对模型进行训练,预测最佳的设备参数配置;根据预测结果,自动调整雾化用药器的运行参数;获取用户的满意度和体验数据,对雾化用药器状态进行调整;利用决策树算法精细化用户分类,优化设备状态。
2.根据权利要求1所述的设备,其中,所述根据雾化器自动计量定量的数据,确定每个用户的药物需求,分类出具有相似药物需求的用户群体,包括:
获取用户的特征数据,包括年龄、性别、症状、疾病历史、过敏反应和健康状况;获取用户的药物使用数据;处理获取的数据,提取药物需求数据,包括药物类型、使用剂量、持续时间和使用频率;对决策树模型进行训练,确定药物需求;还包括:使用K-means聚类算法将用户分成不同的群体,识别出具有相似药物需求的用户组;
所述使用K-means聚类算法将用户分成不同的群体,识别出具有相似药物需求的用户组,具体包括:获取用户的药物需求数据,包括药物类型、使用剂量、持续时间和使用频率;对数据进行预处理,包括数据清洗和标准化;使用肘部法则或轮廓系数确定k值,其中,k值为将用户分成多少个群体;随机选择K个数据点作为初始聚类中心;计算每个用户到K个聚类中心的距离,并将用户分配到距离最近的聚类中心所代表的群体;更新每个群体的聚类中心,计算每个群体中用户的平均值;确定每个群体的特征和药物需求模式,识别具有相似需求的用户组;为每个群体分配一个标签或标识符,将用户分为不同的群体。
3.根据权利要求1所述的设备,其中,所述连接雾化器与雾化用药器,利用蓝牙技术实现雾化用药器与手机APP的无线通信,进行雾化用药器智能调整并执行药物输送任务,包括:
通过对雾化用药器安装一次性面罩的方法,将雾化器和雾化用药器连接,通过蓝牙方式将雾化用药器与手机APP进行连接;雾化用药器内置了一个微处理器,负责接收来自手机APP的药物参数指令,并按照指令进行药物输送;雾化用药器也会向手机APP发送雾化用药器的工作状态信息,包括当前的输出压力,输出流量;根据患者的需求和病情,输入药物类型、剂量、喷射时间和频率到手机APP;手机APP向雾化用药器发送数据,当雾化用药器接收到指令后,其内部的微处理器控制药物泵的工作;药物泵按照预定的参数,从药物储存仓中吸取预定量的药物,并通过雾化器将其转化成气溶胶状的微粒,然后输送给患者吸入。
4.根据权利要求1所述的设备,其中,所述根据雾化用药器的运行数据和用户的实际使用情况,建立雾化用药器运行参数的最优更新周期预测模型,调整更新模式的参数,输出最优更新周期,包括:
获取雾化用药器的运行参数,包括药物流速、喷射量和设备温度,同时记录用户实际使用的数据;确定与雾化用药器使用效率相关的关键运行参数;使用K-means聚类算法分类用户实际使用情况;基于线性回归模型预测雾化用药器运行参数的最优更新周期;评估模型准确性,不达标则调整并重新训练。
5.根据权利要求1所述的设备,其中,所述通过用户反馈,使雾化用药器更准确地输出用户对配置的偏好,包括:
获取雾化用药器用户的反馈数据和雾化用药器配置数据;采用分布式计算对数据进行并行处理和清洗;提取有效特征集并减少数据维度;使用决策树算法训练雾化用药器的配置偏好预测模型;评估模型预测能力并进行优化;根据模型预测结果调整雾化用药器配置;实施实时用户反馈处理机制,再次进行模型训练和评估。
6.根据权利要求1所述的设备,其中,所述为确保数据同步,系统在每次用户使用结束后,自动上传雾化用药器配置数据,并在每次使用前自动匹配并下载最新的个性化配置,包括:
用户使用结束后系统自动上传当前雾化用药器配置数据到中央数据库;中央数据库使用决策树算法整理和分类数据,得到分类后的用户与配置类型数据集;系统分析数据,判断是否存在新的个性化配置;若存在,触发云服务,并在每次使用前系统自动匹配用户和雾化用药器唯一标识码;匹配成功后,中央数据库按照标识码,确定下载的文件和参数,并传输至雾化用药器;雾化用药器接收新配置数据,替代本地存储的旧数据;替代后,系统启动验证流程,检查新配置数据的完整性和正确性。
7.根据权利要求1所述的设备,其中,所述对于输出判断为倾向频繁更新的用户,雾化用药器自动调整为短周期更新模式,适应用户需求,包括:
若判断用户为偏好频繁更新类别,触发雾化用药器调整机制;获取用户的使用数据,包括更新频率、雾化用药器的工作参数、药物种类和使用环境,进行标准化处理;使用用户的使用数据训练循环神经网络模型,预测给定的更新频率下雾化用药器的最佳工作参数;获取用户在使用雾化用药器时的行为数据,进行预处理和标准化;使用用户行为数据和实时反馈数据训练循环神经网络,预测雾化用药器的最佳工作参数;雾化用药器根据调整后的参数监测用户行为,若检测到新的更新倾向,自动进行调整;自动获取并处理用户的反馈数据,训练BERT模型;使用BERT模型,对用户的文字反馈进行语义分析,优化雾化用药器的工作参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311497601.3A CN117504062B (zh) | 2023-11-11 | 2023-11-11 | 一种自动计量定量给药的智能化雾化用药器的给药设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311497601.3A CN117504062B (zh) | 2023-11-11 | 2023-11-11 | 一种自动计量定量给药的智能化雾化用药器的给药设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117504062A CN117504062A (zh) | 2024-02-06 |
CN117504062B true CN117504062B (zh) | 2024-07-12 |
Family
ID=89760121
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311497601.3A Active CN117504062B (zh) | 2023-11-11 | 2023-11-11 | 一种自动计量定量给药的智能化雾化用药器的给药设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117504062B (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111081384A (zh) * | 2019-12-06 | 2020-04-28 | 浙江迪谱诊断技术有限公司 | 一种心血管疾病临床用药指导系统及方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
MX2013001744A (es) * | 2010-08-13 | 2013-06-28 | Intellimedicine Inc | Sistema y metodos para la produccion de productos farmaceuticos personalizados. |
CN112041934A (zh) * | 2018-03-23 | 2020-12-04 | 柏奥赛私人有限公司 | 个性化药物治疗管理的系统和方法 |
CN112786140A (zh) * | 2020-12-31 | 2021-05-11 | 医渡云(北京)技术有限公司 | 基于用药数据的慢病管理方法、装置与电子设备 |
CN112802575B (zh) * | 2021-04-10 | 2021-09-03 | 浙江大学 | 基于图形状态机的用药决策支持方法、装置、设备、介质 |
-
2023
- 2023-11-11 CN CN202311497601.3A patent/CN117504062B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111081384A (zh) * | 2019-12-06 | 2020-04-28 | 浙江迪谱诊断技术有限公司 | 一种心血管疾病临床用药指导系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117504062A (zh) | 2024-02-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20200129116A1 (en) | Methods And Devices For Delivering And Monitoring Of Tobacco, Nicotine, Or Other Substances | |
EP3063684B1 (en) | Patient feedback for use of therapeutic device | |
JP6412499B2 (ja) | 数学モデルの関数として患者特有の投与を提供するためのシステムおよび方法 | |
CN102498488B (zh) | 用于慢性病管理的遵守性指示工具及其方法 | |
JP7438494B2 (ja) | 臨床試験実施計画を策定するための方法およびシステム | |
US12036359B2 (en) | Inhaler system | |
US20190298941A1 (en) | Adjunct Diagnostic Device and Method | |
US20180369514A1 (en) | Metered Dose Inhaler | |
EP3962359A1 (en) | Methods for estimating key phenotypic traits for obstructive sleep apnea and simplified clinical tools to direct targeted therapy | |
US11419995B2 (en) | Inhaler system | |
CN117504062B (zh) | 一种自动计量定量给药的智能化雾化用药器的给药设备 | |
KR20200066868A (ko) | 챗봇에 기반한 문진 정보 서비스 방법 및 이를 지원하는 사용자 단말 | |
US20210110904A1 (en) | Apparatus and method for providing patient administered and physician prescribed and monitored drug titration | |
JP7251889B2 (ja) | 生理学的検知及び治療物投与のシステム及び方法 | |
CN115023769A (zh) | 吸入器系统 | |
cheol Jeong et al. | Classification of cycling exercise status using short-term heart rate variability | |
Guttentag | Do E-Cigarettes “Work” for Smokers as a Step on the Way to Cessation? An Analysis of the Temporal and Spatial Correlates of Switching in a Harm Reduction Trial Among Adult Smokers | |
Mabry et al. | Nicotine, cotinine, withdrawal, and craving patterns during smoking and nicotine nasal spray use: results from a pilot study with African American men | |
US20230023805A1 (en) | Drug delivery systems, devices, and methods | |
Armstrong et al. | S113 telephone consultation–the patient perspective | |
WO2023288022A1 (en) | Drug delivery systems, devices, and methods | |
KR20240004809A (ko) | 흡입기 시스템 | |
Mubarani | Public Perception of Electric Cigarettes Based Health Knowledge Level in Palembang | |
Prasad et al. | Modelling nicotine pharmacokinetic profile for e-cigarette using real time monitoring of consumer’s physiological measurements and mouth level exposure | |
Kukafka et al. | Determinants of health behavior choices in patients using computer-mediated decision aid |
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 |