CN117727448A - 一种基于医联体的压力性损伤智能决策防治系统 - Google Patents
一种基于医联体的压力性损伤智能决策防治系统 Download PDFInfo
- Publication number
- CN117727448A CN117727448A CN202410171335.3A CN202410171335A CN117727448A CN 117727448 A CN117727448 A CN 117727448A CN 202410171335 A CN202410171335 A CN 202410171335A CN 117727448 A CN117727448 A CN 117727448A
- Authority
- CN
- China
- Prior art keywords
- data
- pressure injury
- medical
- unit
- intelligent
- 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.)
- Granted
Links
- 208000027418 Wounds and injury Diseases 0.000 title claims abstract description 163
- 230000006378 damage Effects 0.000 title claims abstract description 102
- 208000014674 injury Diseases 0.000 title claims abstract description 100
- 230000036541 health Effects 0.000 claims abstract description 38
- 230000000007 visual effect Effects 0.000 claims abstract description 17
- 238000012552 review Methods 0.000 claims abstract description 16
- 238000012502 risk assessment Methods 0.000 claims abstract description 14
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 8
- 239000013598 vector Substances 0.000 claims description 52
- 230000000474 nursing effect Effects 0.000 claims description 31
- 230000006870 function Effects 0.000 claims description 16
- 238000013527 convolutional neural network Methods 0.000 claims description 14
- 230000002265 prevention Effects 0.000 claims description 13
- 238000000034 method Methods 0.000 claims description 10
- 230000004927 fusion Effects 0.000 claims description 7
- 230000003993 interaction Effects 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 7
- 230000015572 biosynthetic process Effects 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000004806 packaging method and process Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 230000010365 information processing Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 5
- 238000003062 neural network model Methods 0.000 description 2
- 230000002035 prolonged effect Effects 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 208000025865 Ulcer Diseases 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 210000004872 soft tissue Anatomy 0.000 description 1
- 238000007920 subcutaneous administration Methods 0.000 description 1
- 230000000451 tissue damage Effects 0.000 description 1
- 231100000827 tissue damage Toxicity 0.000 description 1
- 231100000397 ulcer Toxicity 0.000 description 1
Landscapes
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明涉及医疗大数据信息处理技术领域，其具体公开了一种基于医联体的压力性损伤智能决策防治系统。该系统包括基础支撑模块和应用服务模块，其中基础支撑模块包括大数据单元、人工智能单元和可视化知识图谱单元；应用服务模块包括智能风险评估和复评单元、智能决策分期单元、医联体单元和健康教育推送单元。本发明利用大数据和人工智能算法对压力性损伤进行分期预测，并且实现了压力性损伤的智能决策，结合人工智能算法给出的压力性损伤分期和经典的Braden Scale项目评分，提升了决策的智能性和便捷性；从院内外联合会诊的角度建立了医联体四级模型，以线上服务平台作为数字化信息的支撑，实现不同分期决策场景下的医联体服务。
Description
技术领域
本发明属于医疗大数据信息处理技术领域，具体涉及一种基于医联体的压力性损伤智能决策防治系统。
背景技术
压力性损伤(Pressure Injury，简称PI)是由于剧烈或/和长期的压力或压力联合剪切力，造成骨隆突处或医疗器械设备接触处的皮肤或/和潜在皮下软组织发生局限性损伤，表现为深部组织受损但皮肤完整或开放性溃疡，并伴有疼痛感。压力性损伤发生率高，一旦发生，会加重患者病情，延长住院时间，同时增加家庭负担、消耗大量的医疗资源，甚至导致死亡和引发医疗纠纷。在医院管理中，早期快速识别压力性损伤高风险患者，并提供最佳预防干预和及时有效的处理措施是节约医疗成本的关键。
目前在压力性损伤防治决策方面，借助信息化手段提高工作效率和保障患者安全一直是近年来护理研究的热点。现有技术中研究的系统只在单一的医疗机构内进行建设和应用，没有将医联体的优势利用起来，并且目前大多依靠传统人工方式判断压力性损伤的分期，效率低且判断结果依赖于医护人员的经验，判断耗时长，且误判概率高，本发明旨在提供一种在医联体内的压力性损伤智能决策防治系统。
发明内容
本发明的目的在于克服现有技术中存在的上述问题，提供了一种基于医联体的压力性损伤智能决策防治系统，该系统综合实现了压力性损伤风险评估、智能预警、伤口分级评估、综合会诊、规范化预防和治疗。在系统内采用压力性损伤防治的标准规范以及医护工作者的培训标准，从而实现医联体内压力性损伤防治的同质性，并借助医联体实现不同医院之间的互联互通，使医联体内护理工作者的工作效率得到提升，并减少因不同护理工作者的主观判断造成的结果差异性，从而提升压力性损伤患者的护理质量。
为了实现上述发明目的，本发明提供了以下技术方案：
一种基于医联体的压力性损伤智能决策防治系统，其特征在于，包括如下功能模块：
基础支撑模块：包括大数据单元、人工智能单元和可视化知识图谱单元；
所述大数据单元用于对压力性损伤患者历史健康数据和入院后临床数据的采集、分类、存储、检索；
所述人工智能单元用于对压力性损伤患者的历史健康数据和入院后临床数据进行智能分析和压力性损伤风险预判；
所述人工智能单元具体包括算法框架组件和算法接口组件；
所述算法框架组件包括：利用过往的压力性损伤患者的样本数据，对人工卷积神经网络模型进行训练，并且利用不断扩充的样本数据周期性地更新所述人工卷积神经网络模型；
所述算法接口组件包括：将训练好的所述人工卷积神经网络模型打包成函数，以供应用服务模块直接调用；
所述可视化知识图谱单元利用领域知识库和护理规则库的融合，构建压力性损伤分期和护理知识图谱，实现可视化展示、交互和宣教；
应用服务模块：包括智能风险评估及复评单元、智能决策分期单元、医联体单元和健康教育推送单元；
所述智能风险评估及复评单元，用于实现Braden Scale项目评分，根据项目评分生成自动生成风险预警、复评任务和时间节点，并将所述复评任务分配给主管医务人员，将评分结果、风险预警和复评任务进行可视化展示；
所述智能决策分期单元，将待评估的压力性损伤患者的历史健康数据和入院后临床数据分别进行特征提取，调用所述算法接口组件中训练好的人工智能模型，对所述待评估的压力性损伤患者进行风险预判，得到患者压力性损伤智能分期；结合所述智能风险评估及复评单元中的Braden Scale项目评分，实现综合智能决策；
所述医联体单元，用于根据压力性损伤患者的风险等级和并发症情况，启动相应专科会诊或多学科会诊，以实现规范化治疗；
所述健康教育推送单元：用于识别压力性损伤患者的宣教需求，生成PDA端和手机端的双路径宣教资料。
进一步地，所述大数据单元具体包括：
采集不同分期下的压力性损伤患者的历史健康数据和入院后的临床数据，所述历史健康数据包括性别、年龄、身高、体重、自身和家族既往病史；所述入院后的临床数据包括治疗护理数据和伤口皮肤数据，所述治疗护理数据包括治疗项目数据、生命体征数据和护理项目数据；所述伤口皮肤数据包括同一伤口的多角度伤口皮肤图像数据、以及描述伤口部位、长度、宽度、面积、深度、颜色的文本数据；
对采集后的所述历史健康数据和所述治疗护理数据进行清洗、去重、数据格式转换和分类，得到预处理后的结构化数据，以键值对的形式存储入结构化数据库中。
进一步地，所述大数据单元具体包括：
将预处理后的历史健康数据的键值对进行属性提取并编码表示为历史健康数据属性特征向量；
将预处理后的治疗护理数据的键值对进行属性提取并编码表示为治疗护理数据属性特征向量；
对采集后的所述伤口皮肤数据进行预处理，包括：将多角度的伤口皮肤图像数据进行目标分割后再融合，得到融合后的伤口皮肤图像数据，融合方式为R、G、B三个通道上进行均值处理，融合后的伤口皮肤图像中每个通道上某个坐标的像素值等于多张伤口皮肤图像在对应坐标上该通道对应的像素值相加取平均；
将描述伤口部位、长度、宽度、面积、深度、颜色的文本数据分别进行编码表示成伤口属性特征向量。
进一步地，所述人工智能单元具体包括：
对所述融合后的伤口皮肤图像数据进行特征提取以得到颜色特征向量和面积特征向量；其中，颜色特征向量采用颜色直方图的方式获取；面积特征向量提取时，首先通过边缘识别得到伤口的轮廓，计算轮廓的最小外接矩形，将最小外接矩形的面积作为伤口的面积，将统计出的伤口面积归一化映射到[0,1]区间范围内，从而得到面积特征向量；
将所述颜色特征向量、所述面积特征向量、所述历史健康数据属性特征向量、所述治疗护理数据属性特征向量以及所述伤口属性特征向量进行拼接，整合得到压力性损伤特征向量，将所述压力性损伤特征向量输入到人工卷积神经网络模型中进行训练迭代。
进一步地，所述人工智能单元具体包括：
所述人工卷积神经网络模型包括一个输入层、一个输出层、4个隐藏层，采用relu作为激活函数，采用交叉熵作为损失函数；
模型输入为从患者的历史健康数据和入院后的临床数据中提取的压力性损伤特征向量，模型输出为患者分别属于压力性损伤各个分期概率组成的概率向量，将最大概率对应的分期作为待评估患者的压力性损伤分期。
进一步地，所述可视化知识图谱单元具体包括：
所述领域知识库中存储有压力性损伤易发人群、易发部位、形成原因、分期评估标准的理论数据；所述护理规则库存储有不同压力性损伤分期下的护理流程、潜在风险提醒、转诊条件；
对所述领域知识库和护理规则库中的文本数据进行结构化处理并建立索引，以实现所述领域知识库和护理规则库中文本数据的检索和展示；
将不同压力性损伤分期作为一级节点，不同分期对应的护理流程、潜在风险提醒、转诊条件作为二级节点，易发人群、易发部位、形成原因、分期评估标准作为三级节点，建立层级式的知识图谱，用于可视化展示、交互和宣教。
进一步地，所述智能决策分期单元具体包括：
将所述患者压力性损伤智能分期和Braden Scale项目评分结果进行加权融合后得到患者风险评级，根据预设的患者风险评级和预防、护理、治理之间的对应关系，生成决策方案并提供给主管医务人员，作为实际治疗的参考依据。
进一步地，所述医联体单元具体包括：
建立医联体线上服务平台，搭建“本院同科室+本院其他科室+外院同科室+外院其他科室”的四级医联体服务模型，分别用于响应不同的患者风险等级；根据实际需求在医联体的每一级中设置组长和组员，为每个角色分配具体操作权限和具体责任分工；平台支撑相关医务人员对于患者数据、转诊会诊记录、护理治疗方案的信息共享，为后续业务功能预留信息化接口，实现不同场景下的医联体智能化管理。
本申请利用大数据和人工智能算法对压力性损伤进行分期预测，进一步提升压力性损伤识别的效率和准确性。
本申请实现了压力性损伤的智能决策，结合人工智能算法给出的压力性损伤分期和经典的Braden Scale项目评分，提升了决策的智能性和便捷性。
本申请从院内外联合会诊的角度建立了医联体四级模型，以线上服务平台作为数字化信息的支撑，实现不同分期决策场景下的医联体服务，进一步整合和提升现有医疗资源的利用率。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定， 对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本申请基于医联体的压力性损伤智能决策防治系统功能模块图；
图2为本申请大数据单元的功能流程图；
图3为本申请人工智能单元的功能流程图；
图4为本申请可视化知识图谱单元的功能流程图；
图5为本申请医联体单元功能流程图。
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、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本发明及其应用或使用的任何限制。基于本发明中的实施例，本领域普通技术人员在没有作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1
如图1所示，本实施例提供一种基于医联体的压力性损伤智能决策防治系统，包括如下功能模块：
基础支撑模块：包括大数据单元、人工智能单元和可视化知识图谱单元；
所述大数据单元用于对压力性损伤患者历史健康数据和入院后临床数据的采集、分类、存储、检索；
所述人工智能单元用于对压力性损伤患者的历史健康数据和入院后临床数据进行智能分析和压力性损伤风险预判；
所述人工智能单元具体包括算法框架组件和算法接口组件；
所述算法框架组件包括：利用过往的压力性损伤患者的样本数据，对人工卷积神经网络模型进行训练，并且利用不断扩充的样本数据周期性地更新所述人工卷积神经网络模型；
所述算法接口组件包括：将训练好的所述人工卷积神经网络模型打包成函数，以供应用服务模块直接调用；
所述可视化知识图谱单元利用领域知识库和护理规则库的融合，构建压力性损伤分期和护理知识图谱，实现可视化展示、交互和宣教；
应用服务模块：包括智能风险评估及复评单元、智能决策分期单元、医联体单元和健康教育推送单元；
所述智能风险评估及复评单元，用于实现Braden Scale项目评分，根据项目评分生成自动生成风险预警、复评任务和时间节点，并将所述复评任务分配给主管医务人员，将评分结果、风险预警和复评任务进行可视化展示；
所述智能决策分期单元，将待评估的压力性损伤患者的历史健康数据和入院后临床数据分别进行特征提取，调用所述算法接口组件中训练好的人工智能模型，对所述待评估的压力性损伤患者进行风险预判，得到患者压力性损伤智能分期；结合所述智能风险评估及复评单元中的Braden Scale项目评分，实现综合智能决策；
所述医联体单元，用于根据压力性损伤患者的风险等级和并发症情况，启动相应专科会诊或多学科会诊，以实现规范化治疗；
所述健康教育推送单元：用于识别压力性损伤患者的宣教需求，生成PDA端和手机端的双路径宣教资料。
实施例2
如图2所示，本实施例提供一种基于医联体的压力性损伤智能决策防治系统，其中，所述大数据单元具体包括：
采集不同分期下的压力性损伤患者的历史健康数据和入院后的临床数据，所述历史健康数据包括性别、年龄、身高、体重、自身和家族既往病史；所述入院后的临床数据包括治疗护理数据和伤口皮肤数据，所述治疗护理数据包括治疗项目数据、生命体征数据和护理项目数据；所述伤口皮肤数据包括同一伤口的多角度伤口皮肤图像数据、以及描述伤口部位、长度、宽度、面积、深度、颜色的文本数据。
为了获取更加全面的伤口图片数据，对于患者的同一个伤口分别进行多角度拍摄得到多张伤口数据，后期通过对这些多角度图像进行处理，可以将伤口的形态、颜色、纹理、面积等特征表达的更为全面可靠。
对采集后的所述历史健康数据和所述治疗护理数据进行清洗、去重、数据格式转换和分类，得到预处理后的结构化数据，以键值对的形式存储入结构化数据库中。
将预处理后的历史健康数据的键值对进行属性提取并编码表示为历史健康数据属性特征向量；
将预处理后的治疗护理数据的键值对进行属性提取并编码表示为治疗护理数据属性特征向量。
对于表示成键值对的文本属性，采用01编码的方式将其数值化，编码根据编码字典来对应实现，每一个文本属性词对应一个编码值。
对采集后的所述伤口皮肤数据进行预处理，包括：将多角度的伤口皮肤图像数据进行目标分割后再融合，得到融合后的伤口皮肤图像数据，融合方式为R、G、B三个通道上进行均值处理，融合后的伤口皮肤图像中每个通道上某个坐标的像素值等于多张伤口皮肤图像在对应坐标上该通道对应的像素值相加取平均。
由于伤口图片拍摄原因可能会包含除伤口之外的其他对象，首先需要进行伤口目标分割后，再对多角度伤口图片进行融合处理。
将描述伤口部位、长度、宽度、面积、深度、颜色的文本数据分别进行编码表示成伤口属性特征向量。
实施例3
如图3所示，本实施例提供本实施例提供一种基于医联体的压力性损伤智能决策防治系统，其中，所述人工智能单元具体包括：
对所述融合后的伤口皮肤图像数据进行特征提取以得到颜色特征向量和面积特征向量；其中，颜色特征向量采用颜色直方图的方式获取；面积特征向量提取时，首先通过边缘识别得到伤口的轮廓，计算轮廓的最小外接矩形，将最小外接矩形的面积作为伤口的面积，将统计出的伤口面积归一化映射到[0,1]区间范围内，从而得到面积特征向量。
压力性损伤的伤口在颜色和面积上面呈现出一定的规律性，能够较为准确的反映压力性损伤的分期情况，本申请通过提取伤口图片的颜色特征和面积特征，用于表达伤口图片的相应特点。
将所述颜色特征向量、所述面积特征向量、所述历史健康数据属性特征向量、所述治疗护理数据属性特征向量以及所述伤口属性特征向量进行拼接，整合得到压力性损伤特征向量，将所述压力性损伤特征向量输入到人工卷积神经网络模型中进行训练迭代。
为了更为全面的表达患者数据和分期情况之间的关联性，本申请除了采集伤口图片之外，还提取了患者的历史健康数据、治疗护理数据以及伤口特点的描述数据，利用多源属性特征来综合表达患者的特征向量，融合文本和图像数据的特征表达优势，进一步提升患者特征数据的准确性和全面性。
本申请所用人工卷积神经网络结构如下：
所述人工卷积神经网络模型包括一个输入层、一个输出层、4个隐藏层，采用relu作为激活函数，采用交叉熵作为损失函数；
模型输入为从患者的历史健康数据和入院后的临床数据中提取的压力性损伤特征向量，模型输出为患者分别属于压力性损伤各个分期概率组成的概率向量，将最大概率对应的分期作为待评估患者的压力性损伤分期。
实施例4
如图4所示，本实施例提供本实施例提供一种基于医联体的压力性损伤智能决策防治系统，其中，所述可视化知识图谱单元具体包括：
所述领域知识库中存储有压力性损伤易发人群、易发部位、形成原因、分期评估标准的理论数据；所述护理规则库存储有不同压力性损伤分期下的护理流程、潜在风险提醒、转诊条件。
前期对压力性损伤相关的理论知识进行搜集整理归类存储进领域知识库中，该知识库由专门人员进行管理并实现最新数据的搜集、分类入库并周期性的动态更新。
对所述领域知识库和护理规则库中的文本数据进行结构化处理并建立索引，以实现所述领域知识库和护理规则库中文本数据的检索和展示；
将不同压力性损伤分期作为一级节点，不同分期对应的护理流程、潜在风险提醒、转诊条件作为二级节点，易发人群、易发部位、形成原因、分期评估标准作为三级节点，建立层级式的知识图谱，用于可视化展示、交互和宣教。
为了更为便捷清晰的访问知识库，本申请对知识库的数据进行提取和展示，实现了基本的检索功能，并建立了层级式的知识图谱式展示功能，设置节点的层级关系和交互方式，根据实际需要可以灵活的增加、修改、删除相关节点。
实施例5
如图5所示，本实施例提供本实施例提供一种基于医联体的压力性损伤智能决策防治系统，其中，所述医联体单元具体包括：
建立医联体线上服务平台，搭建“本院同科室+本院其他科室+外院同科室+外院其他科室”的四级医联体服务模型，分别用于响应不同的患者风险等级；根据实际需求在医联体的每一级中设置组长和组员，为每个角色分配具体操作权限和具体责任分工；平台支撑相关医务人员对于患者数据、转诊会诊记录、护理治疗方案的信息共享，为后续业务功能预留信息化接口，实现不同场景下的医联体智能化管理。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、计算机设备或计算机可读存储介质。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，依据本发明的技术实质，在本发明的精神和原则之内，对以上实施例所作的任何简单的修改、等同替换与改进等，均仍属于本发明技术方案的保护范围之内。
Claims (10)
1.一种基于医联体的压力性损伤智能决策防治系统，其特征在于，包括如下功能模块：
基础支撑模块：包括大数据单元、人工智能单元和可视化知识图谱单元；
所述大数据单元用于对压力性损伤患者历史健康数据和入院后临床数据的采集、分类、存储、检索；
所述人工智能单元用于对压力性损伤患者的历史健康数据和入院后临床数据进行智能分析和压力性损伤风险预判；
所述人工智能单元具体包括算法框架组件和算法接口组件；
所述算法框架组件包括：利用过往的压力性损伤患者的样本数据，对人工卷积神经网络模型进行训练，并且利用不断扩充的样本数据周期性地更新所述人工卷积神经网络模型；
所述算法接口组件包括：将训练好的所述人工卷积神经网络模型打包成函数，以供应用服务模块直接调用；
所述可视化知识图谱单元利用领域知识库和护理规则库的融合，构建压力性损伤分期和护理知识图谱，实现可视化展示、交互和宣教；
应用服务模块：包括智能风险评估及复评单元、智能决策分期单元、医联体单元和健康教育推送单元；
所述智能风险评估及复评单元，用于实现Braden Scale项目评分，根据项目评分生成自动生成风险预警、复评任务和时间节点，并将所述复评任务分配给主管医务人员，将评分结果、风险预警和复评任务进行可视化展示；
所述智能决策分期单元，将待评估的压力性损伤患者的历史健康数据和入院后临床数据分别进行特征提取，调用所述算法接口组件中训练好的人工智能模型，对所述待评估的压力性损伤患者进行风险预判，得到患者压力性损伤智能分期；结合所述智能风险评估及复评单元中的Braden Scale项目评分，实现综合智能决策；
所述医联体单元，用于根据压力性损伤患者的风险等级和并发症情况，启动相应专科会诊或多学科会诊，以实现规范化治疗；
所述健康教育推送单元：用于识别压力性损伤患者的宣教需求，生成PDA端和手机端的双路径宣教资料。
2.如权利要求1所述一种基于医联体的压力性损伤智能决策防治系统，其特征在于，所述大数据单元具体包括：采集不同分期下的压力性损伤患者的历史健康数据和入院后的临床数据，所述历史健康数据包括性别、年龄、身高、体重、自身和家族既往病史；所述入院后的临床数据包括治疗护理数据和伤口皮肤数据。
3.如权利要求2所述一种基于医联体的压力性损伤智能决策防治系统，其特征在于，所述治疗护理数据包括治疗项目数据、生命体征数据和护理项目数据；所述伤口皮肤数据包括同一伤口的多角度伤口皮肤图像数据、以及描述伤口部位、长度、宽度、面积、深度、颜色的文本数据；对采集后的所述历史健康数据和所述治疗护理数据进行清洗、去重、数据格式转换和分类，得到预处理后的结构化数据，以键值对的形式存储入结构化数据库中。
4.如权利要求3所述的一种基于医联体的压力性损伤智能决策防治系统，其特征在于，所述大数据单元具体包括：将预处理后的历史健康数据的键值对进行属性提取并编码表示为历史健康数据属性特征向量；将预处理后的治疗护理数据的键值对进行属性提取并编码表示为治疗护理数据属性特征向量；对采集后的所述伤口皮肤数据进行预处理，包括：将多角度的伤口皮肤图像数据进行目标分割后再融合，得到融合后的伤口皮肤图像数据，融合方式为R、G、B三个通道上进行均值处理，融合后的伤口皮肤图像中每个通道上某个坐标的像素值等于多张伤口皮肤图像在对应坐标上该通道对应的像素值相加取平均；将描述伤口部位、长度、宽度、面积、深度、颜色的文本数据分别进行编码表示成伤口属性特征向量。
5.如权利要求4所述的一种基于医联体的压力性损伤智能决策防治系统，其特征在于，所述人工智能单元具体包括：对所述融合后的伤口皮肤图像数据进行特征提取以得到颜色特征向量和面积特征向量；其中，颜色特征向量采用颜色直方图的方式获取；面积特征向量提取时，首先通过边缘识别得到伤口的轮廓，计算轮廓的最小外接矩形，将最小外接矩形的面积作为伤口的面积，将统计出的伤口面积归一化映射到[0,1]区间范围内，从而得到面积特征向量。
6.如权利要求5所述的一种基于医联体的压力性损伤智能决策防治系统，其特征在于，所述人工智能单元具体包括：将所述颜色特征向量、所述面积特征向量、所述历史健康数据属性特征向量、所述治疗护理数据属性特征向量以及所述伤口属性特征向量进行拼接，整合得到压力性损伤特征向量，将所述压力性损伤特征向量输入到人工卷积神经网络模型中进行训练迭代。
7.如权利要求6所述的一种基于医联体的压力性损伤智能决策防治系统，其特征在于，所述人工卷积神经网络模型包括一个输入层、一个输出层、4个隐藏层，采用relu作为激活函数，采用交叉熵作为损失函数；模型输入为从患者的历史健康数据和入院后的临床数据中提取的压力性损伤特征向量，模型输出为患者分别属于压力性损伤各个分期概率组成的概率向量，将最大概率对应的分期作为待评估患者的压力性损伤分期。
8.如权利要求1所述一种基于医联体的压力性损伤智能决策防治系统，其特征在于，所述可视化知识图谱单元具体包括：所述领域知识库中存储有压力性损伤易发人群、易发部位、形成原因、分期评估标准的理论数据；所述护理规则库存储有不同压力性损伤分期下的护理流程、潜在风险提醒、转诊条件；对所述领域知识库和护理规则库中的文本数据进行结构化处理并建立索引，以实现所述领域知识库和护理规则库中文本数据的检索和展示；将不同压力性损伤分期作为一级节点，不同分期对应的护理流程、潜在风险提醒、转诊条件作为二级节点，易发人群、易发部位、形成原因、分期评估标准作为三级节点，建立层级式的知识图谱，用于可视化展示、交互和宣教。
9.如权利要求1所述一种基于医联体的压力性损伤智能决策防治系统，其特征在于，所述智能决策分期单元具体包括：将所述患者压力性损伤智能分期和Braden Scale项目评分结果进行加权融合后得到患者风险评级，根据预设的患者风险评级和预防、护理、治理之间的对应关系，生成决策方案并提供给主管医务人员，作为实际治疗的参考依据。
10.如权利要求1所述的一种基于医联体的压力性损伤智能决策防治系统，其特征在于，所述医联体单元具体包括：建立医联体线上服务平台，搭建“本院同科室+本院其他科室+外院同科室+外院其他科室”的四级医联体服务模型，分别用于响应不同的患者风险等级；根据实际需求在医联体的每一级中设置组长和组员，为每个角色分配具体操作权限和具体责任分工；平台支撑相关医务人员对于患者数据、转诊会诊记录、护理治疗方案的信息共享，为后续业务功能预留信息化接口，实现不同场景下的医联体智能化管理。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410171335.3A CN117727448B (zh) | 2024-02-06 | 2024-02-06 | 一种基于医联体的压力性损伤智能决策防治系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410171335.3A CN117727448B (zh) | 2024-02-06 | 2024-02-06 | 一种基于医联体的压力性损伤智能决策防治系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117727448A true CN117727448A (zh) | 2024-03-19 |
| CN117727448B CN117727448B (zh) | 2024-04-19 |
Family
ID=90205622
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410171335.3A Active CN117727448B (zh) | 2024-02-06 | 2024-02-06 | 一种基于医联体的压力性损伤智能决策防治系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117727448B (zh) |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110186353A1 (en) * | 2010-02-01 | 2011-08-04 | Aps Technology, Inc. | System and Method for Monitoring and Controlling Underground Drilling |
| CN111370127A (zh) * | 2020-01-14 | 2020-07-03 | 之江实验室 | 一种基于知识图谱的跨科室慢性肾病早期诊断决策支持系统 |
| CN111916196A (zh) * | 2020-08-14 | 2020-11-10 | 上海交通大学医学院附属仁济医院 | 一种基于人工智能技术的伤口及皮肤压力性损伤辅助诊断系统 |
| CN111986799A (zh) * | 2020-07-06 | 2020-11-24 | 北京欧应信息技术有限公司 | 一种以关节运动功能为核心的骨科知识图谱的构建系统 |
| CN112992368A (zh) * | 2021-04-09 | 2021-06-18 | 中山大学附属第三医院（中山大学肝脏病医院） | 重症脊髓损伤预后的预测模型系统及记录媒体 |
| CN113593703A (zh) * | 2021-07-29 | 2021-11-02 | 甘肃省人民医院 | 一种构建压力性损伤风险预测模型的装置及方法 |
| CN113674234A (zh) * | 2021-08-13 | 2021-11-19 | 扬州大学 | 一种压力性损伤检测方法及系统 |
| CN113744865A (zh) * | 2021-07-29 | 2021-12-03 | 甘肃省人民医院 | 基于回归分析的压力性损伤风险预测模型校正方法 |
| CN113782183A (zh) * | 2021-07-29 | 2021-12-10 | 甘肃省人民医院 | 一种基于多算法融合的压力性损伤风险预测装置及方法 |
| CN114400103A (zh) * | 2021-12-14 | 2022-04-26 | 成都数医科技有限公司 | 一种基于人工智能算法的医疗随访方法 |
| CN116327130A (zh) * | 2023-04-10 | 2023-06-27 | 甘肃省人民医院 | 一种用于压力性损伤的表皮下水分测量装置 |
| CN117292840A (zh) * | 2023-07-27 | 2023-12-26 | 北京未来云服科技有限公司 | 融合深度学习的医疗数据挖掘方法与系统 |
| CN117438029A (zh) * | 2023-12-20 | 2024-01-23 | 深圳市龙岗区第三人民医院 | 一种骨科创伤患者创伤严重程度智能评估系统 |
-
2024
- 2024-02-06 CN CN202410171335.3A patent/CN117727448B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110186353A1 (en) * | 2010-02-01 | 2011-08-04 | Aps Technology, Inc. | System and Method for Monitoring and Controlling Underground Drilling |
| CN111370127A (zh) * | 2020-01-14 | 2020-07-03 | 之江实验室 | 一种基于知识图谱的跨科室慢性肾病早期诊断决策支持系统 |
| CN111986799A (zh) * | 2020-07-06 | 2020-11-24 | 北京欧应信息技术有限公司 | 一种以关节运动功能为核心的骨科知识图谱的构建系统 |
| CN111916196A (zh) * | 2020-08-14 | 2020-11-10 | 上海交通大学医学院附属仁济医院 | 一种基于人工智能技术的伤口及皮肤压力性损伤辅助诊断系统 |
| CN112992368A (zh) * | 2021-04-09 | 2021-06-18 | 中山大学附属第三医院（中山大学肝脏病医院） | 重症脊髓损伤预后的预测模型系统及记录媒体 |
| CN113782183A (zh) * | 2021-07-29 | 2021-12-10 | 甘肃省人民医院 | 一种基于多算法融合的压力性损伤风险预测装置及方法 |
| CN113593703A (zh) * | 2021-07-29 | 2021-11-02 | 甘肃省人民医院 | 一种构建压力性损伤风险预测模型的装置及方法 |
| CN113744865A (zh) * | 2021-07-29 | 2021-12-03 | 甘肃省人民医院 | 基于回归分析的压力性损伤风险预测模型校正方法 |
| CN113674234A (zh) * | 2021-08-13 | 2021-11-19 | 扬州大学 | 一种压力性损伤检测方法及系统 |
| CN114400103A (zh) * | 2021-12-14 | 2022-04-26 | 成都数医科技有限公司 | 一种基于人工智能算法的医疗随访方法 |
| CN116327130A (zh) * | 2023-04-10 | 2023-06-27 | 甘肃省人民医院 | 一种用于压力性损伤的表皮下水分测量装置 |
| CN117292840A (zh) * | 2023-07-27 | 2023-12-26 | 北京未来云服科技有限公司 | 融合深度学习的医疗数据挖掘方法与系统 |
| CN117438029A (zh) * | 2023-12-20 | 2024-01-23 | 深圳市龙岗区第三人民医院 | 一种骨科创伤患者创伤严重程度智能评估系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117727448B (zh) | 2024-04-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111369576B (zh) | 图像分割模型的训练方法、图像分割方法、装置及设备 | |
| Panda et al. | Big data in health care: A mobile based solution | |
| CN111666477A (zh) | 一种数据处理方法、装置、智能设备及介质 | |
| US10268784B2 (en) | Real-time predictive simulation modeling | |
| WO2021135449A1 (zh) | 基于深度强化学习的数据分类方法、装置、设备及介质 | |
| Lin et al. | Analysis by data mining in the emergency medicine triage database at a Taiwanese regional hospital | |
| CN111506723A (zh) | 问答响应方法、装置、设备及存储介质 | |
| CN114639479A (zh) | 一种基于医疗知识图谱的智能诊断辅助系统 | |
| CN112349369A (zh) | 医疗影像大数据智能分析方法、系统及存储介质 | |
| CN113707299A (zh) | 基于问诊会话的辅助诊断方法、装置及计算机设备 | |
| CN115579104A (zh) | 一种基于人工智能的肝癌全病程数字化管理方法及系统 | |
| Srikanth et al. | Protecting Tribal Peoples Nearby Patient Care Centres Use a Hybrid Technique Based on a Distribution Network | |
| CN110033191B (zh) | 一种商业人工智能的分析方法及系统 | |
| CN114254084A (zh) | 心理疾病专业术语无监督聚类方法、装置和系统 | |
| CN117727448B (zh) | 一种基于医联体的压力性损伤智能决策防治系统 | |
| CN110222057A (zh) | 一种气溶胶文献格式化数据库的构建方法 | |
| CN116431827A (zh) | 信息处理方法、装置、存储介质及计算机设备 | |
| CN116246781A (zh) | 基于物联网技术的j2ee老年人监护系统 | |
| CN115762721A (zh) | 一种基于计算机视觉技术的医疗影像质控方法和系统 | |
| CN114400103A (zh) | 一种基于人工智能算法的医疗随访方法 | |
| CN114550930A (zh) | 疾病预测方法、装置、设备及存储介质 | |
| CN114661985A (zh) | 患者健康管理平台的信息推送方法、平台、设备及介质 | |
| CN113553396A (zh) | 图向量化方法、装置及电力网图向量化方法 | |
| CN114612246A (zh) | 对象集合识别方法、装置、计算机设备及存储介质 | |
| US7519521B2 (en) | Population analysis using linear displays |
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 |