CN117727456B - 一种基于人工智能的产科心理评估模型塑造系统及方法 - Google Patents
一种基于人工智能的产科心理评估模型塑造系统及方法 Download PDFInfo
- Publication number
- CN117727456B CN117727456B CN202311831347.6A CN202311831347A CN117727456B CN 117727456 B CN117727456 B CN 117727456B CN 202311831347 A CN202311831347 A CN 202311831347A CN 117727456 B CN117727456 B CN 117727456B
- Authority
- CN
- China
- Prior art keywords
- pregnant
- lying
- women
- detected
- index
- 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
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 16
- 238000011835 investigation Methods 0.000 claims abstract description 176
- 238000013210 evaluation model Methods 0.000 claims abstract description 10
- 230000008569 process Effects 0.000 claims abstract description 5
- 238000011156 evaluation Methods 0.000 claims description 41
- 238000012216 screening Methods 0.000 claims description 38
- 230000002159 abnormal effect Effects 0.000 claims description 36
- 238000010276 construction Methods 0.000 claims description 11
- 238000004458 analytical method Methods 0.000 claims description 9
- 230000000994 depressogenic effect Effects 0.000 claims description 6
- 230000008774 maternal effect Effects 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000035935 pregnancy Effects 0.000 claims description 2
- 238000007493 shaping process Methods 0.000 claims 3
- 230000009471 action Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 210000003754 fetus Anatomy 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 230000003340 mental effect Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000009323 psychological health Effects 0.000 description 2
- 208000019901 Anxiety disease Diseases 0.000 description 1
- 201000009916 Postpartum depression Diseases 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000036506 anxiety Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000036244 malformation Effects 0.000 description 1
- 230000004630 mental health Effects 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 208000020016 psychiatric disease Diseases 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及评估模型塑造技术领域，具体为一种基于人工智能的产科心理评估模型塑造系统及方法，所述系统包括指标评估介入分析模块，所述指标评估介入分析模块结合待测孕产妇的调查问卷中各项调查指标分别对应的阶段影响偏重及待测孕产妇的家庭成员中的抑郁病患信息，得到针对待测孕产妇的每个调查指标对应的评估因子介入系数。本发明在进行产科心理评估模型塑造的过程中，考虑到不同的产期阶段内导致孕产妇抑郁的调查指标侧重内容的差异，并结合待测孕产妇的家庭成员中的抑郁病患信息及待测孕产妇当前的调查问卷结果，实现对待测孕产妇的产科心理评估模型的塑造及对待测孕产妇当前时间的抑郁风险系数的预测，确保对孕产妇心理评估的准确性。
Description
技术领域
本发明涉及评估模型塑造技术领域，具体为一种基于人工智能的产科心理评估模型塑造系统及方法。
背景技术
妊娠、分娩和产后恢复是育龄妇女一生中重大的改变，但也是妇女发生抑郁、精神疾病的高危时期。孕产妇精神压力过大，容易导致焦虑、抑郁状态，不仅对其身心健康产生直接的影响，而且对胎儿的健康发育成长也有很大关系，增加产科并发症、早产儿、低体重儿、新生儿畸形、手术产等发生的危险性。产后抑郁症对产妇的身心健康、家庭关系等都会产生不良影响。
然而，当前妇保工作仍偏重于孕妇身体保健和胎儿的生长发育情况，缺乏对孕产妇心理健康情况的重视；现有的临床诊断技术中，孕产妇精神压力的诊断方法主要依赖于问卷评估或量表检查，这种诊断方法很大程度上取决于医生的经验和水平，缺乏客观性和一致性；同时，现有技术未考虑到不同产期阶段内导致孕产妇抑郁的调查指标的侧重点存在差异，进而现有的产科心理评估模型存在较大的缺陷，其对孕产妇的心理评估结果的精度存在较大的偏差。
发明内容
本发明的目的在于提供一种基于人工智能的产科心理评估模型塑造系统及方法，以解决上述背景技术中提出的问题。
为了解决上述技术问题，本发明提供如下技术方案：一种基于人工智能的产科心理评估模型塑造方法，所述方法包括以下步骤：
S1、通过预置的调查问卷对待测孕产妇进行问卷调查，并将调查问卷结果中各项调查指标对应的调查结果进行采集；
S2、获取待测孕产妇的数据信息，构建待测孕产妇的阶段筛选因子集合，记为第一集合；根据历史数据中对应阶段筛选因子集合与第一集合相同的各个孕产妇的历史调查问卷结果，构建待测孕产妇的风险关联指标集，并生成待测孕产妇的调查问卷中各项调查指标分别对应的阶段影响偏重；
S3、结合待测孕产妇的调查问卷中各项调查指标分别对应的阶段影响偏重及待测孕产妇的家庭成员中的抑郁病患信息，得到针对待测孕产妇的每个调查指标对应的评估因子介入系数；
S4、获取针对待测孕产妇的每个调查指标对应的评估因子介入系数，结合待测孕产妇当前的调查问卷结果，塑造针对待测孕产妇的产科心理评估模型，预测待测孕产妇当前时间的抑郁风险系数；
S5、针对待测孕产妇当前时间的抑郁风险系数，对待测孕产妇当前的产科心理状态进行预警管理。
进一步的，所述预置的调查问卷包括多项调查指标，每个调查指标包括相应调查指标对应事件的多个程度划分级别；数据库中每个调查指标对应的划分级别对应一个预置的事件程度评估系数；
所述阶段筛选因子集合包括年龄及当前时间相应孕产妇所属的产期阶段，将待测孕产妇从开始怀孕至相应预产期之后一年构成的时间区间划分成不同的产期阶段，每个产期阶段对应的持续时长不同且每个产期阶段对应的时间区间是预置的。
进一步的，所述S2中构建待测孕产妇的风险关联指标集的方法包括以下步骤：
S201、获取待测孕产妇对应的第一集合及历史数据中各个孕产妇对应的历史调查问卷结果；
S202、获取历史数据中对应阶段筛选因子集合与第一集合相同的各个孕产妇的历史调查问卷结果，将所得各个历史调查问卷结果构成的集合记为关联问卷集合；将所得关联问卷集合中第j个元素对应的历史调查问卷结果记为Bj；将Bj中对应的划分级别相应的事件程度评估系数大于或等于第一阈值的调查指标记为异常指标；所述第一阈值为数据库中预置的常数；
S203、提取Bj中异常指标构成的集合，记为Cj；并获取j为不同值时，关联问卷集合中各个Cj构成的数组，记为第一参照数组；剔除第一参照数组中对应未患有抑郁症的孕产妇的所有元素，得到第二参照数组；
S204、获取第二参照数组中各个元素分别对应集合的并集，记为CB；统计CB内每个元素对应的异常指标在第二参照数组内出现的个数与第二参照数组内元素总个数的比值，记为相应异常指标对应的异常占比；
S205、提取第二参照数组中对应异常占比大于或等于第二阈值的所有异常指标构成的集合，记作为待测孕产妇的风险关联指标集，所述第二阈值为数据库中预置的常数；
本发明考虑不同产期阶段内导致孕产妇抑郁的调查指标的侧重内容存在的差异，实现对调查问卷中符合待测孕产妇当前产期阶段侧重的调查指标内容，同时，孕产妇的每个产期阶段对应的调查指标侧重内容并非一成不变，而是随着历史数据的变化而动态变化的；
所述S2中生成待测孕产妇的调查问卷中各项调查指标分别对应的阶段影响偏重的方法包括以下步骤：
S211、获取待测孕产妇的风险关联指标集，从待测孕产妇的风险关联指标集中任选一个元素对应的异常指标记为M；
S212、将M作为一个节点，分析M所属的任意一个链与待测孕产妇的风险关联指标集中除M之外的剩余元素之间的关联关系，所述链包括多个节点且每个节点对应待测孕产妇的风险关联指标集中的一个元素；不同的链中包括同一异常指标对应的节点；不同链的节点交集中包括0个、1个或多个节点；
将待测孕产妇的风险关联指标集中除M之外的剩余元素中的一个记为M1，若M1属于M所属的相应的链，则不继续判定M1与M所属的相应的链之间的关联关系，反之，则需要判定M1与M所属的相应的链之间的关联关系，
当N1与N2的商大于或等于第三阈值且第三阈值为数据库中预置的常数时，则判定该M所属的相应的链与M1之间存在关联关系，需要对M所属的相应的链进行更新，更新时将M1作为一个节点添加到M所属的相应的链中；反之，则判定该M所属的相应的链与M1之间存在关联关系，不需要对M所属的相应的链进行更新；
N1表示关联问卷集合中同时包含M所属的任意一个链中所有节点及M1的元素个数，N2表示关联问卷集合中同时包含M所属的任意一个链中所有节点的元素个数；
S213、得到多个包含待测孕产妇的风险关联指标集中元素的链，且一个链中节点构成的集合不为其余任意一个链中节点构成的集合的子集；
S214、得到历史调查问卷结果中，除待测孕产妇的风险关联指标集内元素之外的调查指标分别对应的链；所述历史调查问卷结果中，除待测孕产妇的风险关联指标集内元素之外的每个调查指标对应的链唯一且相应链只含有一个节点，该节点为该调查指标本身；
S215、生成待测孕产妇的调查问卷中各项调查指标分别对应的阶段影响偏重，将待测孕产妇的调查问卷中第i项调查指标对应的阶段影响偏重记为Wi，
Wi＝Gi·max{Lid|d∈[1，di]}，
其中，Gi表示待测孕产妇的调查问卷中第i项调查指标对应的评估干扰系数；
所述Gi＝XYi/XZi，XYi表示历史数据库内所有孕产妇的调查问卷中第i项调查指标异常的抑郁人数；XZi表示历史数据库内所有孕产妇的调查问卷中第i项调查指标异常的人数；
max{Lid|d∈[1，di]}表示待测孕产妇的调查问卷中第i项调查指标对应的链关联调校系数；Lid表示含有待测孕产妇的调查问卷中第i项调查指标的第n条链对应的链关联调校系数；di表示含有待测孕产妇的调查问卷中第i项调查指标的链的总个数；
Lid＝G1Lid/G2Lid，
将含有待测孕产妇的调查问卷内第i项调查指标的第d条链记为Hid，
其中，G1Lid表示关联问卷集合中，同时包含Hid内所有节点的历史调查问卷结果中的抑郁人数与同时包含Hid内所有节点的历史调查问卷结果总人数的比值；
G2Lid表示所有阶段筛选因子集合对应的各个孕产妇的历史调查问卷结果中，同时包含Hid内所有节点的历史调查问卷结果中的抑郁人数与同时包含Hid内所有节点的历史调查问卷结果总人数的比值，且G2Lid＞0。
本发明获取待测孕产妇的调查问卷中各项调查指标分别对应的阶段影响偏重时，根据待测孕产妇的风险关联指标集，先实现对调查问卷中属于待测孕产妇的风险关联指标集内的调查指标所属的各条链的构建，再实现对调查问卷中不属于待测孕产妇的风险关联指标集内的调查指标所属的链的构建，并根据调查问卷中每个调查指标对应的链实现对相应的阶段影响偏重的计算，为后续得到针对待测孕产妇的每个调查指标对应的评估因子介入系数提供了数据支撑。
进一步的，所述S3中得到针对待测孕产妇的每个调查指标对应的评估因子介入系数的方法包括以下步骤：
S31、获取待测孕产妇的调查问卷中第i项调查指标对应的阶段影响偏重记为Wi；
S32、获取待测孕产妇的家庭成员中的抑郁病患信息，得到待测孕产妇的家庭干扰影响偏重，记为K；所述K等于待测孕产妇前n代内的血缘亲属中抑郁病患的人数占比；
S33、得到针对待测孕产妇的每个调查指标对应的评估因子介入系数，将针对待测孕产妇的第i个调查指标对应的评估因子介入系数记为Yi，
所述Yi＝Wi+K·r，其中r表示综合转化系数且r为预置的常数。
进一步的，所述S4的具体步骤如下：
S41、获取针对待测孕产妇的每个调查指标对应的评估因子介入系数，将针对待测孕产妇的第i个调查指标对应的评估因子介入系数记为Yi；
S42、获取待测孕产妇当前的调查问卷结果，将待测孕产妇当前的调查问卷结果中，第i个调查指标对应事件的程度划分级别相应的事件程度评估系数记为Pi；
S43、塑造对待测孕产妇的产科心理评估模型，所述产科心理评估模型的输入量为每个调查指标对应的指标输入数据对，所述产科心理评估模型的输出量为相应孕产妇对应的调查结果对应的抑郁风险系数的预测值，所述指标输入数据对由相应调查指标对应评估因子介入系数与相应的时间程度评估系数构成；
S44、预测待测孕产妇当前时间的抑郁风险系数，记为YF，
其中，i1表示待测孕产妇对应的调查问卷中调查指标的总个数。
进一步的，所述S5中对待测孕产妇当前的产科心理状态进行管理时，
若待测孕产妇当前时间的抑郁风险系数小于预设值，则判定待测孕产妇的产科心理状态正常；
若待测孕产妇当前时间的抑郁风险系数大于或等于预设值，则判定待测孕产妇的产科心理状态异常，待测孕产妇存在抑郁风险，并向管理员及待测孕产妇进行预警提醒，辅助管理员后续针对待测孕产妇的管理决策。
一种基于人工智能的产科心理评估模型塑造系统，所述系统包括以下模块：
指标信息采集模块，所述指标信息采集模块通过预置的调查问卷对待测孕产妇进行问卷调查，并将调查问卷结果中各项调查指标对应的调查结果进行采集；
风险关联指标分析模块，所述风险关联指标分析模块获取待测孕产妇的数据信息，构建待测孕产妇的阶段筛选因子集合，记为第一集合；根据历史数据中对应阶段筛选因子集合与第一集合相同的各个孕产妇的历史调查问卷结果，构建待测孕产妇的风险关联指标集，并生成待测孕产妇的调查问卷中各项调查指标分别对应的阶段影响偏重；
指标评估介入分析模块，所述指标评估介入分析模块结合待测孕产妇的调查问卷中各项调查指标分别对应的阶段影响偏重及待测孕产妇的家庭成员中的抑郁病患信息，得到针对待测孕产妇的每个调查指标对应的评估因子介入系数；
模型塑造预测模块，所述模型塑造预测模块获取针对待测孕产妇的每个调查指标对应的评估因子介入系数，结合待测孕产妇当前的调查问卷结果，塑造针对待测孕产妇的产科心理评估模型，预测待测孕产妇当前时间的抑郁风险系数；
风险预警管理模块，所述风险预警管理模块针对待测孕产妇当前时间的抑郁风险系数，对待测孕产妇当前的产科心理状态进行预警管理。
进一步的，所述风险关联指标分析模块包括第一集合获取单元、风险关联指标集合构建单元及阶段影响偏重生成单元，
所述第一集合获取单元获取待测孕产妇的数据信息，构建待测孕产妇的阶段筛选因子集合，记为第一集合；
所述风险关联指标集合构建单元根据历史数据中对应阶段筛选因子集合与第一集合相同的各个孕产妇的历史调查问卷结果，构建待测孕产妇的风险关联指标集；
所述阶段影响偏重生成单元根据风险关联指标集合构建单元构建的待测孕产妇的风险关联指标集，生成待测孕产妇的调查问卷中各项调查指标分别对应的阶段影响偏重。
与现有技术相比，本发明所达到的有益效果是：本发明在进行产科心理评估模型塑造的过程中，考虑到不同的产期阶段内导致孕产妇抑郁的调查指标侧重内容的差异，通过待测孕产妇的风险关联指标集，构建调查问卷中每个调查指标对应的链，实现对待测孕产妇的调查问卷中各项调查指标分别对应的阶段影响偏重的获取，并结合待测孕产妇的家庭成员中的抑郁病患信息及待测孕产妇当前的调查问卷结果，实现对待测孕产妇的产科心理评估模型的塑造及对待测孕产妇当前时间的抑郁风险系数的预测，确保对孕产妇心理评估的准确性。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1是本发明一种基于人工智能的产科心理评估模型塑造方法的流程示意图；
图2是本发明一种基于人工智能的产科心理评估模型塑造系统的结构示意图。
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。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。
请参阅图1，本发明提供技术方案：一种基于人工智能的产科心理评估模型塑造方法，所述方法包括以下步骤：
S1、通过预置的调查问卷对待测孕产妇进行问卷调查，并将调查问卷结果中各项调查指标对应的调查结果进行采集；
所述预置的调查问卷包括多项调查指标，每个调查指标包括相应调查指标对应事件的多个程度划分级别；数据库中每个调查指标对应的划分级别对应一个预置的事件程度评估系数；
S2、获取待测孕产妇的数据信息，构建待测孕产妇的阶段筛选因子集合，记为第一集合；根据历史数据中对应阶段筛选因子集合与第一集合相同的各个孕产妇的历史调查问卷结果，构建待测孕产妇的风险关联指标集，并生成待测孕产妇的调查问卷中各项调查指标分别对应的阶段影响偏重；所述阶段筛选因子集合包括年龄及当前时间相应孕产妇所属的产期阶段，将待测孕产妇从开始怀孕至相应预产期之后一年构成的时间区间划分成不同的产期阶段，每个产期阶段对应的持续时长不同且每个产期阶段对应的时间区间是预置的。
所述S2中构建待测孕产妇的风险关联指标集的方法包括以下步骤：
S201、获取待测孕产妇对应的第一集合及历史数据中各个孕产妇对应的历史调查问卷结果；
S202、获取历史数据中对应阶段筛选因子集合与第一集合相同的各个孕产妇的历史调查问卷结果，将所得各个历史调查问卷结果构成的集合记为关联问卷集合；将所得关联问卷集合中第j个元素对应的历史调查问卷结果记为Bj；将Bj中对应的划分级别相应的事件程度评估系数大于或等于第一阈值的调查指标记为异常指标；所述第一阈值为数据库中预置的常数；
S203、提取Bj中异常指标构成的集合，记为Cj；并获取j为不同值时，关联问卷集合中各个Cj构成的数组，记为第一参照数组；剔除第一参照数组中对应未患有抑郁症的孕产妇的所有元素，得到第二参照数组；
S204、获取第二参照数组中各个元素分别对应集合的并集，记为CB；统计CB内每个元素对应的异常指标在第二参照数组内出现的个数与第二参照数组内元素总个数的比值，记为相应异常指标对应的异常占比；
S205、提取第二参照数组中对应异常占比大于或等于第二阈值的所有异常指标构成的集合，记作为待测孕产妇的风险关联指标集，所述第二阈值为数据库中预置的常数；
本实施例中通过历史数据中各个孕产妇的历史调查问卷结果分别对应阶段筛选因子集合与第一集合的匹配，实现对待测孕产妇对应的关联问卷集合的智能筛选(通过人工智能技术对数据进行匹配)，为后续步骤中准确获取待测孕产妇的风险关联指标集提供了数据依据。
所述S2中生成待测孕产妇的调查问卷中各项调查指标分别对应的阶段影响偏重的方法包括以下步骤：
S211、获取待测孕产妇的风险关联指标集，从待测孕产妇的风险关联指标集中任选一个元素对应的异常指标记为M；
S212、将M作为一个节点，分析M所属的任意一个链与待测孕产妇的风险关联指标集中除M之外的剩余元素之间的关联关系，所述链包括多个节点且每个节点对应待测孕产妇的风险关联指标集中的一个元素；不同的链中包括同一异常指标对应的节点；不同链的节点交集中包括0个、1个或多个节点；
将待测孕产妇的风险关联指标集中除M之外的剩余元素中的一个记为M1，若M1属于M所属的相应的链，则不继续判定M1与M所属的相应的链之间的关联关系，反之，则需要判定M1与M所属的相应的链之间的关联关系，
当N1与N2的商大于或等于第三阈值且第三阈值为数据库中预置的常数时，则判定该M所属的相应的链与M1之间存在关联关系，需要对M所属的相应的链进行更新，更新时将M1作为一个节点添加到M所属的相应的链中；反之，则判定该M所属的相应的链与M1之间存在关联关系，不需要对M所属的相应的链进行更新；
N1表示关联问卷集合中同时包含M所属的任意一个链中所有节点及M1的元素个数，N2表示关联问卷集合中同时包含M所属的任意一个链中所有节点的元素个数；
S213、得到多个包含待测孕产妇的风险关联指标集中元素的链，且一个链中节点构成的集合不为其余任意一个链中节点构成的集合的子集；
S214、得到历史调查问卷结果中，除待测孕产妇的风险关联指标集内元素之外的调查指标分别对应的链；所述历史调查问卷结果中，除待测孕产妇的风险关联指标集内元素之外的每个调查指标对应的链唯一且相应链只含有一个节点，该节点为该调查指标本身；
S215、生成待测孕产妇的调查问卷中各项调查指标分别对应的阶段影响偏重，将待测孕产妇的调查问卷中第i项调查指标对应的阶段影响偏重记为Wi，
Wi＝Gi·max{Lid|d∈[1，di]}，
其中，Gi表示待测孕产妇的调查问卷中第i项调查指标对应的评估干扰系数；
所述Gi＝XYi/XZi，XYi表示历史数据库内所有孕产妇的调查问卷中第i项调查指标异常的抑郁人数；XZi表示历史数据库内所有孕产妇的调查问卷中第i项调查指标异常的人数；
max{Lid|d∈[1，di]}表示待测孕产妇的调查问卷中第i项调查指标对应的链关联调校系数；Lid表示含有待测孕产妇的调查问卷中第i项调查指标的第n条链对应的链关联调校系数；di表示含有待测孕产妇的调查问卷中第i项调查指标的链的总个数；
Lid＝G1Lid/G2Lid，
将含有待测孕产妇的调查问卷内第i项调查指标的第d条链记为Hid，
其中，G1Lid表示关联问卷集合中，同时包含Hid内所有节点的历史调查问卷结果中的抑郁人数与同时包含Hid内所有节点的历史调查问卷结果总人数的比值；
G2Lid表示所有阶段筛选因子集合对应的各个孕产妇的历史调查问卷结果中，同时包含Hid内所有节点的历史调查问卷结果中的抑郁人数与同时包含Hid内所有节点的历史调查问卷结果总人数的比值，且G2Lid＞0。
本实施例中待测孕产妇对应调查问卷内每个调查指标对应的G1Lid存在为0的情况，若获取到的G1Lid为0时，则无需继续获取对应的G2Lid，直接判定相应调查指标对应的Lid＝0。
S3、结合待测孕产妇的调查问卷中各项调查指标分别对应的阶段影响偏重及待测孕产妇的家庭成员中的抑郁病患信息，得到针对待测孕产妇的每个调查指标对应的评估因子介入系数；
所述S3中得到针对待测孕产妇的每个调查指标对应的评估因子介入系数的方法包括以下步骤：
S31、获取待测孕产妇的调查问卷中第i项调查指标对应的阶段影响偏重记为Wi；
S32、获取待测孕产妇的家庭成员中的抑郁病患信息，得到待测孕产妇的家庭干扰影响偏重，记为K；所述K等于待测孕产妇前n代内的血缘亲属中抑郁病患的人数占比；
S33、得到针对待测孕产妇的每个调查指标对应的评估因子介入系数，将针对待测孕产妇的第i个调查指标对应的评估因子介入系数记为Yi，
所述Yi＝Wi+K·r，其中r表示综合转化系数且r为预置的常数。
本实施例中待测孕产妇的血缘亲属包括与待测孕产妇存在血缘关系的长辈及同辈，如父母、爷爷奶奶、姥姥姥爷、叔、姑、舅及姨等；
S4、获取针对待测孕产妇的每个调查指标对应的评估因子介入系数，结合待测孕产妇当前的调查问卷结果，塑造针对待测孕产妇的产科心理评估模型，预测待测孕产妇当前时间的抑郁风险系数；
所述S4的具体步骤如下：
S41、获取针对待测孕产妇的每个调查指标对应的评估因子介入系数，将针对待测孕产妇的第i个调查指标对应的评估因子介入系数记为Yi；
S42、获取待测孕产妇当前的调查问卷结果，将待测孕产妇当前的调查问卷结果中，第i个调查指标对应事件的程度划分级别相应的事件程度评估系数记为Pi；
S43、塑造对待测孕产妇的产科心理评估模型，所述产科心理评估模型的输入量为每个调查指标对应的指标输入数据对，所述产科心理评估模型的输出量为相应孕产妇对应的调查结果对应的抑郁风险系数的预测值，所述指标输入数据对由相应调查指标对应评估因子介入系数与相应的时间程度评估系数构成；
S44、预测待测孕产妇当前时间的抑郁风险系数，记为YF，
其中，i1表示待测孕产妇对应的调查问卷中调查指标的总个数。
S5、针对待测孕产妇当前时间的抑郁风险系数，对待测孕产妇当前的产科心理状态进行预警管理。
所述S5中对待测孕产妇当前的产科心理状态进行管理时，
若待测孕产妇当前时间的抑郁风险系数小于预设值，则判定待测孕产妇的产科心理状态正常；
若待测孕产妇当前时间的抑郁风险系数大于或等于预设值，则判定待测孕产妇的产科心理状态异常，待测孕产妇存在抑郁风险，并向管理员及待测孕产妇进行预警提醒，辅助管理员后续针对待测孕产妇的管理决策。
如图2所示，一种基于人工智能的产科心理评估模型塑造系统，所述系统包括以下模块：
指标信息采集模块，所述指标信息采集模块通过预置的调查问卷对待测孕产妇进行问卷调查，并将调查问卷结果中各项调查指标对应的调查结果进行采集；
风险关联指标分析模块，所述风险关联指标分析模块获取待测孕产妇的数据信息，构建待测孕产妇的阶段筛选因子集合，记为第一集合；根据历史数据中对应阶段筛选因子集合与第一集合相同的各个孕产妇的历史调查问卷结果，构建待测孕产妇的风险关联指标集，并生成待测孕产妇的调查问卷中各项调查指标分别对应的阶段影响偏重；
指标评估介入分析模块，所述指标评估介入分析模块结合待测孕产妇的调查问卷中各项调查指标分别对应的阶段影响偏重及待测孕产妇的家庭成员中的抑郁病患信息，得到针对待测孕产妇的每个调查指标对应的评估因子介入系数；
模型塑造预测模块，所述模型塑造预测模块获取针对待测孕产妇的每个调查指标对应的评估因子介入系数，结合待测孕产妇当前的调查问卷结果，塑造针对待测孕产妇的产科心理评估模型，预测待测孕产妇当前时间的抑郁风险系数；
风险预警管理模块，所述风险预警管理模块针对待测孕产妇当前时间的抑郁风险系数，对待测孕产妇当前的产科心理状态进行预警管理。
所述风险关联指标分析模块包括第一集合获取单元、风险关联指标集合构建单元及阶段影响偏重生成单元，
所述第一集合获取单元获取待测孕产妇的数据信息，构建待测孕产妇的阶段筛选因子集合，记为第一集合；
所述风险关联指标集合构建单元根据历史数据中对应阶段筛选因子集合与第一集合相同的各个孕产妇的历史调查问卷结果，构建待测孕产妇的风险关联指标集；
所述阶段影响偏重生成单元根据风险关联指标集合构建单元构建的待测孕产妇的风险关联指标集，生成待测孕产妇的调查问卷中各项调查指标分别对应的阶段影响偏重。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (4)
1.一种基于人工智能的产科心理评估模型塑造系统，其特征在于，所述系统包括以下模块：
指标信息采集模块，所述指标信息采集模块通过预置的调查问卷对待测孕产妇进行问卷调查，并将调查问卷结果中各项调查指标对应的调查结果进行采集；
风险关联指标分析模块，所述风险关联指标分析模块获取待测孕产妇的数据信息，构建待测孕产妇的阶段筛选因子集合，记为第一集合；根据历史数据中对应阶段筛选因子集合与第一集合相同的各个孕产妇的历史调查问卷结果，构建待测孕产妇的风险关联指标集，并生成待测孕产妇的调查问卷中各项调查指标分别对应的阶段影响偏重；
指标评估介入分析模块，所述指标评估介入分析模块结合待测孕产妇的调查问卷中各项调查指标分别对应的阶段影响偏重及待测孕产妇的家庭成员中的抑郁病患信息，得到针对待测孕产妇的每个调查指标对应的评估因子介入系数；
模型塑造预测模块，所述模型塑造预测模块获取针对待测孕产妇的每个调查指标对应的评估因子介入系数，结合待测孕产妇当前的调查问卷结果，塑造针对待测孕产妇的产科心理评估模型，预测待测孕产妇当前时间的抑郁风险系数；
风险预警管理模块，所述风险预警管理模块针对待测孕产妇当前时间的抑郁风险系数，对待测孕产妇当前的产科心理状态进行预警管理；
所述风险关联指标分析模块包括第一集合获取单元、风险关联指标集合构建单元及阶段影响偏重生成单元，
所述第一集合获取单元获取待测孕产妇的数据信息，构建待测孕产妇的阶段筛选因子集合，记为第一集合；
所述风险关联指标集合构建单元根据历史数据中对应阶段筛选因子集合与第一集合相同的各个孕产妇的历史调查问卷结果，构建待测孕产妇的风险关联指标集；
所述阶段影响偏重生成单元根据风险关联指标集合构建单元构建的待测孕产妇的风险关联指标集，生成待测孕产妇的调查问卷中各项调查指标分别对应的阶段影响偏重；
所述系统的实现过程包括以下步骤：
S1、通过预置的调查问卷对待测孕产妇进行问卷调查，并将调查问卷结果中各项调查指标对应的调查结果进行采集；
S2、获取待测孕产妇的数据信息，构建待测孕产妇的阶段筛选因子集合，记为第一集合；根据历史数据中对应阶段筛选因子集合与第一集合相同的各个孕产妇的历史调查问卷结果，构建待测孕产妇的风险关联指标集，并生成待测孕产妇的调查问卷中各项调查指标分别对应的阶段影响偏重；
S3、结合待测孕产妇的调查问卷中各项调查指标分别对应的阶段影响偏重及待测孕产妇的家庭成员中的抑郁病患信息，得到针对待测孕产妇的每个调查指标对应的评估因子介入系数；
S4、获取针对待测孕产妇的每个调查指标对应的评估因子介入系数，结合待测孕产妇当前的调查问卷结果，塑造针对待测孕产妇的产科心理评估模型，预测待测孕产妇当前时间的抑郁风险系数；
S5、针对待测孕产妇当前时间的抑郁风险系数，对待测孕产妇当前的产科心理状态进行预警管理；
所述预置的调查问卷包括多项调查指标，每个调查指标包括相应调查指标对应事件的多个程度划分级别；数据库中每个调查指标对应的划分级别对应一个预置的事件程度评估系数；
所述阶段筛选因子集合包括年龄及当前时间相应孕产妇所属的产期阶段，将待测孕产妇从开始怀孕至相应预产期之后一年构成的时间区间划分成不同的产期阶段，每个产期阶段对应的持续时长不同且每个产期阶段对应的时间区间是预置的；
所述S2中构建待测孕产妇的风险关联指标集的方法包括以下步骤：
S201、获取待测孕产妇对应的第一集合及历史数据中各个孕产妇对应的历史调查问卷结果；
S202、获取历史数据中对应阶段筛选因子集合与第一集合相同的各个孕产妇的历史调查问卷结果，将所得各个历史调查问卷结果构成的集合记为关联问卷集合；将所得关联问卷集合中第j个元素对应的历史调查问卷结果记为Bj；将Bj中对应的划分级别相应的事件程度评估系数大于或等于第一阈值的调查指标记为异常指标；所述第一阈值为数据库中预置的常数；
S203、提取Bj中异常指标构成的集合，记为Cj；并获取j为不同值时，关联问卷集合中各个Cj构成的数组，记为第一参照数组；剔除第一参照数组中对应未患有抑郁症的孕产妇的所有元素，得到第二参照数组；
S204、获取第二参照数组中各个元素分别对应集合的并集，记为CB；统计CB内每个元素对应的异常指标在第二参照数组内出现的个数与第二参照数组内元素总个数的比值，记为相应异常指标对应的异常占比；
S205、提取第二参照数组中对应异常占比大于或等于第二阈值的所有异常指标构成的集合，记作为待测孕产妇的风险关联指标集，所述第二阈值为数据库中预置的常数；
所述S2中生成待测孕产妇的调查问卷中各项调查指标分别对应的阶段影响偏重的方法包括以下步骤：
S211、获取待测孕产妇的风险关联指标集，从待测孕产妇的风险关联指标集中任选一个元素对应的异常指标记为M；
S212、将M作为一个节点，分析M所属的任意一个链与待测孕产妇的风险关联指标集中除M之外的剩余元素之间的关联关系，所述链包括多个节点且每个节点对应待测孕产妇的风险关联指标集中的一个元素；不同的链中包括同一异常指标对应的节点；不同链的节点交集中包括0个、1个或多个节点；
将待测孕产妇的风险关联指标集中除M之外的剩余元素中的一个记为M1，若M1属于M所属的相应的链，则不继续判定M1与M所属的相应的链之间的关联关系，反之，则需要判定M1与M所属的相应的链之间的关联关系，
当N1与N2的商大于或等于第三阈值且第三阈值为数据库中预置的常数时，则判定该M所属的相应的链与M1之间存在关联关系，需要对M所属的相应的链进行更新，更新时将M1作为一个节点添加到M所属的相应的链中；反之，则判定该M所属的相应的链与M1之间存在关联关系，不需要对M所属的相应的链进行更新；
N1表示关联问卷集合中同时包含M所属的任意一个链中所有节点及M1的元素个数，N2表示关联问卷集合中同时包含M所属的任意一个链中所有节点的元素个数；
S213、得到多个包含待测孕产妇的风险关联指标集中元素的链，且一个链中节点构成的集合不为其余任意一个链中节点构成的集合的子集；
S214、得到历史调查问卷结果中，除待测孕产妇的风险关联指标集内元素之外的调查指标分别对应的链；所述历史调查问卷结果中，除待测孕产妇的风险关联指标集内元素之外的每个调查指标对应的链唯一且相应链只含有一个节点，该节点为该调查指标本身；
S215、生成待测孕产妇的调查问卷中各项调查指标分别对应的阶段影响偏重，将待测孕产妇的调查问卷中第i项调查指标对应的阶段影响偏重记为Wi，
Wi=Gi·max{Lid|d∈[1，di]}，
其中，Gi表示待测孕产妇的调查问卷中第i项调查指标对应的评估干扰系数；
所述Gi=XYi/XZi，XYi表示历史数据库内所有孕产妇的调查问卷中第i项调查指标异常的抑郁人数；XZi表示历史数据库内所有孕产妇的调查问卷中第i项调查指标异常的人数；
max{Lid|d∈[1，di]}表示待测孕产妇的调查问卷中第i项调查指标对应的链关联调校系数；Lid表示含有待测孕产妇的调查问卷中第i项调查指标的第n条链对应的链关联调校系数；di表示含有待测孕产妇的调查问卷中第i项调查指标的链的总个数；
Lid=G1Lid/G2Lid，
将含有待测孕产妇的调查问卷内第i项调查指标的第d条链记为Hid，
其中，G1Lid表示关联问卷集合中，同时包含Hid内所有节点的历史调查问卷结果中的抑郁人数与同时包含Hid内所有节点的历史调查问卷结果总人数的比值；
G2Lid表示所有阶段筛选因子集合对应的各个孕产妇的历史调查问卷结果中，同时包含Hid内所有节点的历史调查问卷结果中的抑郁人数与同时包含Hid内所有节点的历史调查问卷结果总人数的比值，且G2Lid＞0。
2.根据权利要求1所述的一种基于人工智能的产科心理评估模型塑造系统，其特征在于：所述S3中得到针对待测孕产妇的每个调查指标对应的评估因子介入系数的方法包括以下步骤：
S31、获取待测孕产妇的调查问卷中第i项调查指标对应的阶段影响偏重记为Wi；
S32、获取待测孕产妇的家庭成员中的抑郁病患信息，得到待测孕产妇的家庭干扰影响偏重，记为K；所述K等于待测孕产妇前n代内的血缘亲属中抑郁病患的人数占比；
S33、得到针对待测孕产妇的每个调查指标对应的评估因子介入系数，将针对待测孕产妇的第i个调查指标对应的评估因子介入系数记为Yi，
所述Yi=Wi+K·r，其中r表示综合转化系数且r为预置的常数。
3.根据权利要求1所述的一种基于人工智能的产科心理评估模型塑造系统，其特征在于：所述S4的具体步骤如下：
S41、获取针对待测孕产妇的每个调查指标对应的评估因子介入系数，将针对待测孕产妇的第i个调查指标对应的评估因子介入系数记为Yi；
S42、获取待测孕产妇当前的调查问卷结果，将待测孕产妇当前的调查问卷结果中，第i个调查指标对应事件的程度划分级别相应的事件程度评估系数记为Pi；
S43、塑造对待测孕产妇的产科心理评估模型，所述产科心理评估模型的输入量为每个调查指标对应的指标输入数据对，所述产科心理评估模型的输出量为相应孕产妇对应的调查结果对应的抑郁风险系数的预测值，所述指标输入数据对由相应调查指标对应评估因子介入系数与相应的时间程度评估系数构成；
S44、预测待测孕产妇当前时间的抑郁风险系数，记为YF，
，
其中，i1表示待测孕产妇对应的调查问卷中调查指标的总个数。
4.根据权利要求1所述的一种基于人工智能的产科心理评估模型塑造系统，其特征在于：所述S5中对待测孕产妇当前的产科心理状态进行管理时，
若待测孕产妇当前时间的抑郁风险系数小于预设值，则判定待测孕产妇的产科心理状态正常；
若待测孕产妇当前时间的抑郁风险系数大于或等于预设值，则判定待测孕产妇的产科心理状态异常，待测孕产妇存在抑郁风险，并向管理员及待测孕产妇进行预警提醒，辅助管理员后续针对待测孕产妇的管理决策。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311831347.6A CN117727456B (zh) | 2023-12-28 | 2023-12-28 | 一种基于人工智能的产科心理评估模型塑造系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311831347.6A CN117727456B (zh) | 2023-12-28 | 2023-12-28 | 一种基于人工智能的产科心理评估模型塑造系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117727456A CN117727456A (zh) | 2024-03-19 |
| CN117727456B true CN117727456B (zh) | 2024-05-24 |
Family
ID=90203438
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311831347.6A Active CN117727456B (zh) | 2023-12-28 | 2023-12-28 | 一种基于人工智能的产科心理评估模型塑造系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117727456B (zh) |
Citations (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2565742C1 (ru) * | 2014-11-06 | 2015-10-20 | Федеральное государственное бюджетное научное учреждение "Научно-исследовательский институт акушерства, гинекологии и перинатологии" (ФГБНУ "НИИАГП") | Способ прогнозирования развития депрессии у беременных с потерей плода в анамнезе |
| CN107468211A (zh) * | 2010-01-18 | 2017-12-15 | 艾欧敏达有限公司 | 用于分析神经生理学数据的方法和系统以及评估系统 |
| KR20180078844A (ko) * | 2016-12-30 | 2018-07-10 | 서울대학교산학협력단 | 임산부용 건강관리를 운용하는 스마트 시스템 |
| CN109493946A (zh) * | 2018-10-16 | 2019-03-19 | 安徽医科大学 | 一种产后抑郁网络干预系统 |
| WO2020031116A1 (en) * | 2018-08-08 | 2020-02-13 | Seoul National University R&Db Foundation | Method of diagnosing and treating alzheimer disease using plasma tau level in conjunt ion with beta-amyloid level as diagnostic index |
| CN111164705A (zh) * | 2017-10-12 | 2020-05-15 | 费森尤斯医疗护理德国有限责任公司 | 预测从总群体中任意选择的亚群体中测试对象的不利健康状况的风险、发生或发展的医学设备和计算机实施的方法 |
| CN112820371A (zh) * | 2021-04-22 | 2021-05-18 | 北京健康有益科技有限公司 | 一种基于医疗知识图谱的健康推荐系统及推荐方法 |
| CN113436737A (zh) * | 2021-06-24 | 2021-09-24 | 杭州师范大学 | 一种针对硕博群体抑郁水平的预测评估方法及装置 |
| JP6988034B1 (ja) * | 2021-04-13 | 2022-01-05 | 国立大学法人東海国立大学機構 | 妊産婦うつ症状の推定システムおよび推定方法、推定モデル生成装置 |
| WO2022006181A1 (en) * | 2020-06-30 | 2022-01-06 | ResMed Pty Ltd | Systems and methods for generating custom messages to encourage a behavioral response |
| CN114388135A (zh) * | 2022-01-19 | 2022-04-22 | 韩昕倬 | 一种孕妇指标数据分析方法、装置、设备及可读存储介质 |
| WO2022099668A1 (zh) * | 2020-11-16 | 2022-05-19 | 四川大学华西医院 | 一种基于家族遗传病与体征数据关联的精准健康管理与风险预警方法及系统 |
| CN114649075A (zh) * | 2022-03-30 | 2022-06-21 | 首都医科大学附属北京安定医院 | 一种基于机器学习的抑郁症评级系统及方法 |
| JP2022101776A (ja) * | 2020-12-25 | 2022-07-07 | ヒューマン・メタボローム・テクノロジーズ株式会社 | 産後うつの判定方法 |
| CN114780995A (zh) * | 2022-04-27 | 2022-07-22 | 江苏智慧智能软件科技有限公司 | 基于互联网的学生心理健康档案加密管理系统及方法 |
| WO2022165617A1 (zh) * | 2021-02-02 | 2022-08-11 | 同济大学 | 一种基于行为信息的大学生心理状态评估方法 |
| CN115036023A (zh) * | 2022-06-21 | 2022-09-09 | 合肥国卫软件有限公司 | 一种孕产妇围生期心理健康信息化干预系统 |
| CN115474938A (zh) * | 2022-09-29 | 2022-12-16 | 广州大学 | 一种识别与监测产后抑郁的智能可穿戴设备及其实现方法 |
| US11610679B1 (en) * | 2020-04-20 | 2023-03-21 | Health at Scale Corporation | Prediction and prevention of medical events using machine-learning algorithms |
| CN116631629A (zh) * | 2023-07-21 | 2023-08-22 | 北京中科心研科技有限公司 | 一种识别抑郁情绪障碍的方法、装置及可穿戴设备 |
| CN117198516A (zh) * | 2023-03-06 | 2023-12-08 | 杭州市第七人民医院 | 一种大学生抑郁障碍智能评估系统 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120123791A1 (en) * | 2010-09-09 | 2012-05-17 | Steven Earl Calvin | Personalized Coordinated Perinatal Care System |
| US20230138557A1 (en) * | 2017-05-25 | 2023-05-04 | Brain Trust Innovations I, Llc | System, server and method for preventing suicide cross-reference to related applications |
| US20230360766A1 (en) * | 2019-10-03 | 2023-11-09 | Rom Technologies, Inc. | System and method for using ai, machine learning and telemedicine for long-term care via an electromechanical machine |
| US20210375468A1 (en) * | 2020-05-27 | 2021-12-02 | Cornell University | Using Electronic Health Records and Machine Learning to Predict and Mitigate Postpartum Depression |
| US20230045696A1 (en) * | 2021-08-06 | 2023-02-09 | Insight Direct Usa, Inc. | Method of mapping patient-healthcare encounters and training machine learning models |
-
2023
- 2023-12-28 CN CN202311831347.6A patent/CN117727456B/zh active Active
Patent Citations (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107468211A (zh) * | 2010-01-18 | 2017-12-15 | 艾欧敏达有限公司 | 用于分析神经生理学数据的方法和系统以及评估系统 |
| RU2565742C1 (ru) * | 2014-11-06 | 2015-10-20 | Федеральное государственное бюджетное научное учреждение "Научно-исследовательский институт акушерства, гинекологии и перинатологии" (ФГБНУ "НИИАГП") | Способ прогнозирования развития депрессии у беременных с потерей плода в анамнезе |
| KR20180078844A (ko) * | 2016-12-30 | 2018-07-10 | 서울대학교산학협력단 | 임산부용 건강관리를 운용하는 스마트 시스템 |
| CN111164705A (zh) * | 2017-10-12 | 2020-05-15 | 费森尤斯医疗护理德国有限责任公司 | 预测从总群体中任意选择的亚群体中测试对象的不利健康状况的风险、发生或发展的医学设备和计算机实施的方法 |
| WO2020031116A1 (en) * | 2018-08-08 | 2020-02-13 | Seoul National University R&Db Foundation | Method of diagnosing and treating alzheimer disease using plasma tau level in conjunt ion with beta-amyloid level as diagnostic index |
| CN109493946A (zh) * | 2018-10-16 | 2019-03-19 | 安徽医科大学 | 一种产后抑郁网络干预系统 |
| US11610679B1 (en) * | 2020-04-20 | 2023-03-21 | Health at Scale Corporation | Prediction and prevention of medical events using machine-learning algorithms |
| WO2022006181A1 (en) * | 2020-06-30 | 2022-01-06 | ResMed Pty Ltd | Systems and methods for generating custom messages to encourage a behavioral response |
| WO2022099668A1 (zh) * | 2020-11-16 | 2022-05-19 | 四川大学华西医院 | 一种基于家族遗传病与体征数据关联的精准健康管理与风险预警方法及系统 |
| JP2022101776A (ja) * | 2020-12-25 | 2022-07-07 | ヒューマン・メタボローム・テクノロジーズ株式会社 | 産後うつの判定方法 |
| WO2022165617A1 (zh) * | 2021-02-02 | 2022-08-11 | 同济大学 | 一种基于行为信息的大学生心理状态评估方法 |
| JP6988034B1 (ja) * | 2021-04-13 | 2022-01-05 | 国立大学法人東海国立大学機構 | 妊産婦うつ症状の推定システムおよび推定方法、推定モデル生成装置 |
| CN112820371A (zh) * | 2021-04-22 | 2021-05-18 | 北京健康有益科技有限公司 | 一种基于医疗知识图谱的健康推荐系统及推荐方法 |
| CN113436737A (zh) * | 2021-06-24 | 2021-09-24 | 杭州师范大学 | 一种针对硕博群体抑郁水平的预测评估方法及装置 |
| CN114388135A (zh) * | 2022-01-19 | 2022-04-22 | 韩昕倬 | 一种孕妇指标数据分析方法、装置、设备及可读存储介质 |
| CN114649075A (zh) * | 2022-03-30 | 2022-06-21 | 首都医科大学附属北京安定医院 | 一种基于机器学习的抑郁症评级系统及方法 |
| CN114780995A (zh) * | 2022-04-27 | 2022-07-22 | 江苏智慧智能软件科技有限公司 | 基于互联网的学生心理健康档案加密管理系统及方法 |
| CN115036023A (zh) * | 2022-06-21 | 2022-09-09 | 合肥国卫软件有限公司 | 一种孕产妇围生期心理健康信息化干预系统 |
| CN115474938A (zh) * | 2022-09-29 | 2022-12-16 | 广州大学 | 一种识别与监测产后抑郁的智能可穿戴设备及其实现方法 |
| CN117198516A (zh) * | 2023-03-06 | 2023-12-08 | 杭州市第七人民医院 | 一种大学生抑郁障碍智能评估系统 |
| CN116631629A (zh) * | 2023-07-21 | 2023-08-22 | 北京中科心研科技有限公司 | 一种识别抑郁情绪障碍的方法、装置及可穿戴设备 |
Non-Patent Citations (12)
| Title |
|---|
| Application of machine learning in predicting the risk of postpartum depression: A systematic review;Zhong Minhui等;JOURNAL OF AFFECTIVE DISORDERS;20221222;第318卷;364-379 * |
| Development of an Artificial Intelligence-Supported Hybrid Data Management Platform for Monitoring Depression and Anxiety Symptoms in the Perinatal Period: Pilot-Scale Study;Ogur Nur Banu，等;IEEE ACCESS;20230501;第11卷;31456-31466 * |
| Development, Psychometric Assessment, and Predictive Validity of the Postpartum Childcare Stress Checklist;Dennis Cindy-Lee，等;NURSING RESEARCH;20181130;第67卷(第6期);439-446 * |
| Unimodal vs. Multimodal Prediction of Antenatal Depression from Smartphone-based Survey Data in a Longitudinal Study;Zhong Mengyu，等;PROCEEDINGS OF THE 2022 INTERNATIONAL CONFERENCE ON MULTIMODAL INTERACTION;20231028;455-467 * |
| 产前抑郁症影响因素分析;朱冉旭;鲍喜燕;范娟;李燕;金晓忠;;中国计划生育学杂志;20200615(第06期);23-26+30 * |
| 产后抑郁症风险预测模型的系统评价;邵珠燕，等;中国循证医学杂志;20230725;第23卷(第7期);807-813 * |
| 产后抑郁的影响因素及临床干预效果研究;王蕾;马力;王巧玲;;中国妇幼保健;20170801(第15期);60-62 * |
| 任侠，.《大数据的架构技术与应用实践》.中国原子能出版社,2021,90-91. * |
| 围产期抑郁症辅助诊断预测模型的构建及机器学习算法的筛选;王妤，等;实用临床医药杂志;20230923;第27卷(第18期);93-99 * |
| 机器学习算法对抑郁症诊断预测的比较研究;张晨阳;《中国优秀硕士学位论文全文数据库 医药卫生科技辑》;20230115(第1期);E071-235 * |
| 蒋卫祥.《大数据时代计算机数据处理技术探究》.北京工业大学出版社,2019,246-247. * |
| 高危妊娠孕晚期孕妇抑郁状况评估及与家庭支持的相关性分析;钱秋蝉;张丽君;黄倍倍;林微琴;;中国妇幼保健;20200415(第08期);51-53 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117727456A (zh) | 2024-03-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107680676B (zh) | 一种基于电子病历数据驱动的妊娠期糖尿病预测方法 | |
| CN112365978B (zh) | 心动过速事件早期风险评估的模型的建立方法及其装置 | |
| CN111261282A (zh) | 一种基于机器学习的脓毒症早期预测方法 | |
| US20030004906A1 (en) | Method for selecting medical and biochemical diagnostic tests using neural network-related applications | |
| CN112164460A (zh) | 一种基于医疗知识图谱的智能疾病辅助诊断系统 | |
| CN113838577B (zh) | 便捷化分层老年mods早期死亡风险评估模型、装置及建立方法 | |
| CN115714022B (zh) | 基于人工智能的新生儿黄疸健康管理系统 | |
| CN113113152B (zh) | 针对新型冠状病毒肺炎的疾病数据集样本获取处理方法、系统、装置、处理器及其存储介质 | |
| CN111243753A (zh) | 一种面向医疗数据的多因素相关性交互式分析方法 | |
| CN116844733B (zh) | 一种基于人工智能的医疗数据完整性分析方法 | |
| CN111180026A (zh) | 专科诊疗视图系统及方法 | |
| CN108630290A (zh) | 一种面向慢病患者的健康知识个性化推荐方法和系统 | |
| Gabriel | The sensitivity and specificity of computerized databases for the diagnosis of rheumatoid arthritis | |
| CN116884612A (zh) | 疾病风险等级的智能分析方法、装置、设备及存储介质 | |
| CN110993096B (zh) | 一种脓毒血症的预警装置、设备及存储介质 | |
| CN113593708A (zh) | 基于集成学习算法的脓毒症预后预测方法 | |
| CN112331340A (zh) | 育龄夫妇妊娠概率的智能预测方法及系统 | |
| CN115205601A (zh) | 一种基于人工智能与知识图谱的医学检验结果审核系统 | |
| CN117954090A (zh) | 一种基于多模态缺失数据患者的死亡率预测方法及系统 | |
| CN111429985A (zh) | 电子病历数据处理方法及系统 | |
| CN118173253A (zh) | 一种基于病患数据分析管理系统及方法 | |
| CN111524570A (zh) | 一种基于机器学习的超声随访患者筛选方法 | |
| CN117727456B (zh) | 一种基于人工智能的产科心理评估模型塑造系统及方法 | |
| Matenchuk et al. | Emergency department visits during pregnancy | |
| Hüser et al. | A comprehensive ml-based respiratory monitoring system for physiological monitoring & resource planning in the icu |
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 |