CN117809857A - 一种基于人工智能的vr设备运行数据分析方法 - Google Patents
一种基于人工智能的vr设备运行数据分析方法 Download PDFInfo
- Publication number
- CN117809857A CN117809857A CN202410228416.2A CN202410228416A CN117809857A CN 117809857 A CN117809857 A CN 117809857A CN 202410228416 A CN202410228416 A CN 202410228416A CN 117809857 A CN117809857 A CN 117809857A
- Authority
- CN
- China
- Prior art keywords
- treatment
- patient
- diagnosis
- symptom
- analysis
- 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
- 238000007405 data analysis Methods 0.000 title claims abstract description 20
- 238000000034 method Methods 0.000 title claims abstract description 20
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 17
- 238000011282 treatment Methods 0.000 claims abstract description 268
- 208000024891 symptom Diseases 0.000 claims abstract description 198
- 238000004458 analytical method Methods 0.000 claims abstract description 103
- 230000000694 effects Effects 0.000 claims abstract description 25
- 201000010099 disease Diseases 0.000 claims abstract description 17
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 17
- 238000003745 diagnosis Methods 0.000 claims description 111
- 238000012512 characterization method Methods 0.000 claims description 25
- 230000008859 change Effects 0.000 claims description 16
- 238000009826 distribution Methods 0.000 claims description 9
- 230000036387 respiratory rate Effects 0.000 claims description 9
- 238000011269 treatment regimen Methods 0.000 claims description 9
- 238000012790 confirmation Methods 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 6
- 238000013210 evaluation model Methods 0.000 claims description 6
- 238000011221 initial treatment Methods 0.000 claims description 6
- 230000003993 interaction Effects 0.000 claims description 5
- 238000012544 monitoring process Methods 0.000 claims description 4
- 101100272279 Beauveria bassiana Beas gene Proteins 0.000 claims description 3
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 238000005520 cutting process Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000009098 adjuvant therapy Methods 0.000 claims description 2
- 230000002452 interceptive effect Effects 0.000 claims description 2
- 238000012106 screening analysis Methods 0.000 claims description 2
- 238000010200 validation analysis Methods 0.000 claims description 2
- 230000007547 defect Effects 0.000 abstract description 6
- 230000007774 longterm Effects 0.000 abstract description 4
- 238000012216 screening Methods 0.000 description 3
- 238000002560 therapeutic procedure Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000029058 respiratory gaseous exchange Effects 0.000 description 2
- 238000004904 shortening Methods 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000000241 respiratory effect Effects 0.000 description 1
Landscapes
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明属于设备运行数据分析技术领域,具体公开提供的一种基于人工智能的VR设备运行数据分析方法,该方法包括:提取各分析患者的VR使用跟踪日志和电子病历表;对各分析患者进行各症状级别归类;分析所述VR使用跟踪日志,输出各症状级别内各分析患者的VR疗效趋向度;进行各症状级别的VR推荐有效判断;将VR推荐有效判断结果为有效的症状级别记为关注症状级别,确认关注症状级别的推荐VR治疗方案,并进行触发标签设置和反馈;本发明有效解决了当前及时性分析模式存在的不足,实现了病患的长期跟踪式分析,还便于后续病患治疗方式的及时调整,显著提升了相同病症级别病患的疗效,从而满足了不同级别病患的治疗需求。
Description
技术领域
本发明属于设备运行数据分析技术领域,涉及一种基于人工智能的VR设备运行数据分析方法。
背景技术
VR设备是一种虚拟现实技术的硬件装置,用于创造并模拟逼真的虚拟环境,使用户可以身临其境地进行交互和体验,被广泛应用于游戏、教育、医疗等领域,为了提升VR设备的使用性能,需要对其运行数据进行分析。
目前对于医疗领域的VR设备运行数据分析主要根据用户在VR设备使用场景中的使用时间、用户活动、用户视线焦点、交互方式、心率等数据,从而分析用户的疗效,很显然,当前这种方式属于用户个体式优化,还存在以下几个方面的不足:
1、属于及时性分析模式,缺乏长期跟踪式分析,不利于用户治疗方式的及时调整,进而使得疗效提升不明显。
2、缺乏与实际诊断的融合,当前主要测评用户对VR治疗方式的兴趣度、关注度以及执行情况等,未结合实际疗效情况进行综合性分析,不便于对用户治疗方案的优化。
3、缺乏疗效规律性分析,无法全面了解VR设备对患者的治疗效果,也无法发现可能存在的治疗模式和趋势,进而无法为医疗专业人员提供更深入的洞察和指导,使得后续相似或者相同症状人员的治疗效率的提升不够明显,增加了患者的试错几率,进而可能延迟患者的治疗周期。
发明内容
鉴于此,为解决上述背景技术中所提出的问题,现提出一种基于人工智能的VR设备运行数据分析方法。
本发明的目的可以通过以下技术方案实现:本发明提供一种基于人工智能的VR设备运行数据分析方法,该方法包括:步骤1、设备使用数据提取:将目标诊疗室内VR设备的各使用患者记为各分析患者,提取各分析患者的VR使用跟踪日志。
步骤2、患者病历信息提取:提取各分析患者的电子病历表。
步骤3、患者病症归类:对各分析患者进行各症状级别归类。
步骤4、设备使用数据分析:分析所述VR使用跟踪日志,输出各症状级别内各分析患者的VR疗效趋向度。
步骤5、VR使用模式推荐判断:将VR疗效趋向度大于设定值的分析患者记为目标患者,统计各症状级别的目标患者数目,进行各症状级别的VR推荐有效判断。
步骤6、VR治疗推荐确认:将VR推荐有效判断结果为有效的症状级别记为关注症状级别,确认关注症状级别的推荐VR治疗方案。
步骤7、VR治疗方案反馈:将关注症状级别的推荐VR治疗方案设置为VR体验推荐触发标签,并反馈至VR设备推荐页面。
进一步地,所述对各分析患者进行各症状级别归类,具体归类规则如下:
从各分析患者的电子病历表中定位出VR设备对应辅助治疗病症的累计年限,同时定位出各次诊断的诊断日期和诊断症状级别,/>表示分析患者编号,/>;
对比各次诊断的诊断日期得到各次诊断的间隔天数,并以诊断次序为横坐标,以诊断症状等级和间隔天数分别为纵坐标,构建各分析患者的诊断分布曲线和诊断间隔变化曲线;
设定各分析患者的病症设定干扰因子,并与各病症设定干扰因子区间的补偿症状级别数目进行匹配对比,得到各分析患者的补偿症状级别数目;
从各分析患者对应各次诊断的诊断症状等级中定位出首次诊断的症状级别和末次诊断症状级别,分别记为级别Ⅰ和级别Ⅱ;
若某分析患者的级别Ⅰ高于或者等于级别Ⅱ,将该分析患者的补偿症状级别数目记为,从信息库中定位出级别Ⅰ所处位置前/>个的症状级别,作为该分析患者的分类界定症状级别,反之从信息库中定位出级别Ⅰ所处位置后/>个的症状级别,作为该分析患者的分类界定症状级别,以此对各分析患者进行各症状级别归类。
进一步地,所述设定各分析患者的病症设定干扰因子,包括:
从各分析患者的诊断分布曲线中进行波动点数目提取,记为;
将所述诊断间隔变化曲线进行三等划分,并按照诊断次序先后依次记为第一曲线段、第二曲线段和第三曲线段;
将第一曲线段与第二曲线段进行重合对比,得到重合曲线长度,并与第一曲线段长度进行作比,将比值记为;
按照的获取方式同理获取得到第一曲线段与第三曲线段的重合长度比以及第二曲线段和第三曲线段的重合长度比/>;
将、/>和/>导入诊断规律度评估模型中,输出诊断规律度/>,诊断规律度评估模型表示如下:
,/>为各评估因子,/>为/>、/>和/>均大于或者等于/>,/>为/>、/>和/>中存在两个大于或者等于/>,/>为/>、/>和/>中存在一个大于或者等于/>,/>表示/>、/>和/>均小于/>;
通过诊断规律度评估模型依次评估得到各分析患者的诊断规律度,/>取值为或者/>或者/>或者/>;
将作为各分析患者的病症设定干扰因子/>,分别为设定参照的波动点数目、诊断规律度、病症年限。
进一步地,所述分析所述VR使用跟踪日志,包括:
从所述VR使用日志中提取各治疗日内的治疗跟踪数据,统计各症状级别内各分析患者在各治疗日的VR治疗表征治疗有效度,/>表示症状级别编号,/>,/>表示症状级别内的分析患者编号,/>,/>表示治疗日编号,/>;
将各治疗日按照时间先后进行排序,将排序第一位和最后一位的治疗日分别记为起始治疗日和截止治疗日;
某诊断日期位于起始治疗日之前,将该诊断日期所属诊断次序作为起点诊断次序;
若某诊断日期位于截止治疗日之后,且该诊断日期所属诊断次序之前的诊断日期位于截止治疗日之前,将该诊断日期所属诊断次序作为终点诊断次序;
从各症状级别内各分析患者的诊断分布曲线中截选出位于起点诊断次序和终点诊断次序之间的曲线段,记为分析曲线段,统计各症状级别内各分析患者的VR疗效趋向度。
进一步地,所述统计各症状级别内各分析患者的VR疗效趋向度,包括:
以治疗日为横坐标,以VR治疗表征治疗有效度为纵坐标,构建各症状级别内各分析患者的VR治疗表征变化曲线;
从各症状级别内各分析患者的VR治疗表征变化曲线以及分析曲线段中分别进行峰值点数目、谷值点数目和斜率提取,并分别记为、/>和/>以及/>、/>和/>;
统计各症状级别内各分析患者的VR疗效趋向度,/>分别为设定许可偏差的峰谷点数目、斜率值。
进一步地,所述统计各症状级别内各分析患者在各治疗日的VR治疗表征治疗有效度,包括:
从所述治疗跟踪数据中定位出实际移动路径、实际交互类目数目以及设置各可访问路径和设置可体验类目数目,并提取实际移动路径长度和设置各访问路径的长度,据此分析各症状级别内各分析患者在各治疗日的访问丰富度;
从所述治疗跟踪数据中提取停留时长,将各症状级别内各分析患者在各治疗日的停留时长记为;
从所述治疗跟踪数据中提取心理特征数据,进而提取各监测时间点的心率值和呼吸频率值,统计各症状级别内各分析患者在各治疗日的治疗接受度;
将作为各症状级别内各分析患者在各治疗日的VR治疗表征治疗有效度/>,/>为设定有效停留时长,/>分别为设定参照访问丰富度、治疗接受度。
进一步地,所述分析各症状级别内各分析患者在各治疗日的访问丰富度,包括:
将实际移动路径与设置各可访问路径进行对比,若某设置可访问路径位于实际移动路径内,将该可访问路径进行实际访问标记,统计各症状级别内各分析患者在各治疗日的实际访问标记数目;
将各症状级别内各分析患者在各治疗日的实际移动路径的长度、设置各可访问路径的长度、实际交互类目数目和设置可体验类目数目分别记为、/>、/>和/>,/>表示可访问路径编号,/>;
统计各症状级别内各分析患者在各治疗日的访问丰富度,,/>表示第/>个症状级别内第/>个分析患者在第/>个治疗日设置的可访问路径数目。
进一步地,所述进行各症状级别的VR推荐有效判断,包括:
将目标患者数目和分析患者数目的比值记为患者达标比;
若某症状级别的患者达标比小于,将无效作为该症状级别的VR推荐有效判断结果,反之将有效作为该症状级别的VR推荐有效判断结果。
进一步地,所述确认关注症状级别的推荐VR治疗方案,包括:进行分析患者和治疗日筛选,将选取的分析患者和治疗日分别记为参照患者和目标治疗日。
从关注症状级别内各参照患者在各目标治疗日的治疗跟踪数据中提取治疗主题,构建治疗主题展示表。
从治疗主题展示表中定位出各参照患者在第一个目标治疗日的治疗主题。
若某治疗主题对应多个参照患者且对应参照患者数目最多,将该治疗主题作为首次治疗的推荐治疗主题,若各参照患者的治疗主题均互不相同,将VR治疗表征治疗有效度最大的参照患者的治疗主题作为首次治疗的推荐治疗主题。
将目标治疗日数目记为,按照首次治疗对应推荐治疗主题的确认方式依次确认得到前/>次治疗的推荐治疗主题,并作为关注症状级别的推荐VR治疗方案。
进一步地,所述进行分析患者和治疗日筛选,包括:
统计各分析患者的治疗日数目,将VR治疗表征治疗有效度大于0的治疗日作为选取的治疗日,进而统计选取的治疗日数目;
将的分析患者作为选取的分析患者。
相较于现有技术,本发明的有益效果如下:
(1)本发明通过根据各分析患者的VR使用跟踪日志和电子病历表,进行患者病症归类以及进行不同症状级别的VR疗效趋向度分析,有效解决了当前及时性分析模式存在的不足,实现了病患的长期跟踪式分析,同时还便于后续病患治疗方式的及时调整,显著提升了相同病症级别病患的疗效,从而满足了不同级别病患的治疗需求。
(2)本发明在进行患者病症归类时,通过结合患者病症的累计年限以及患者各次诊断时的波动情况、病症归类情况设置病症设定干扰因子,同时通过将首次诊断的症状级别和末次诊断症状级别进行对比分析确认分类界定症状级别,打破了当前仅依据当前症状级别或者仅依据初始症状级别进行归类的误差,尽可能的提升了患者分类的精准性和针对性,从而便于为后续同类病症级别患者提供治疗参考,进而提高了后续同类病症级别患者的治疗借鉴有效度和可靠度。
(3)本发明在进行VR疗效趋向度分析时,通过结合实际诊断结果以及患者的VR跟踪情况,弥补了当前测评方式未融合实际诊断的欠缺,进而提高了VR疗效趋向度分析结果的说服力,同时也便于对后续患者治疗方案的优化。
(4)本发明通过对患者在不同治疗日的治疗情况进行规律性分析,进而确认关注症状级别的推荐VR治疗方案,便于医护人员全面了解VR设备对患者的治疗效果,并且还提升了医护人员对可能存在的治疗模式和趋势的觉察及时性,进而为医疗专业人员提供更深入的洞察和指导,同时还大幅度提升后续相似或者相同症状人员的治疗效率,降低了患者治疗的试错几率,从而为治疗周期的缩减提供了可能。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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的附图。
图1为本发明系统各模块连接示意图。
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作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
请参阅图1所示,本发明提供了一种基于人工智能的VR设备运行数据分析方法,该方法包括:步骤1、设备使用数据提取:将目标诊疗室内VR设备的各使用患者记为各分析患者,提取各分析患者的VR使用跟踪日志。
步骤2、患者病历信息提取:提取各分析患者的电子病历表。
步骤3、患者病症归类:对各分析患者进行各症状级别归类。
具体地,对各分析患者进行各症状级别归类,具体归类规则如下:S1、从各分析患者的电子病历表中定位出VR设备对应辅助治疗病症的累计年限,同时定位出各次诊断的诊断日期和诊断症状级别,/>表示分析患者编号,/>。
S2、对比各次诊断的诊断日期得到各次诊断的间隔天数,并以诊断次序为横坐标,以诊断症状等级和间隔天数分别为纵坐标,构建各分析患者的诊断分布曲线和诊断间隔变化曲线。
S3、设定各分析患者的病症设定干扰因子,并与各病症设定干扰因子区间的补偿症状级别数目进行匹配对比,得到各分析患者的补偿症状级别数目。
进一步地,设定各分析患者的病症设定干扰因子,包括:S31、从各分析患者的诊断分布曲线中进行波动点数目提取,记为。
需要说明的是,波动点指曲线中左右增长趋势相反的点,如左侧上升右侧下降或者右侧上升左侧下降的点。
S32、将所述诊断间隔变化曲线进行三等划分,并按照诊断次序先后依次记为第一曲线段、第二曲线段和第三曲线段。
S33、将第一曲线段与第二曲线段进行重合对比,得到重合曲线长度,并与第一曲线段长度进行作比,将比值记为。
S34、按照的获取方式同理获取得到第一曲线段与第三曲线段的重合长度比以及第二曲线段和第三曲线段的重合长度比/>。
S35、将、/>和/>导入诊断规律度评估模型中,输出诊断规律度/>,诊断规律度评估模型表示如下:/>,/>为各评估因子,/>为、/>和/>均大于或者等于/>,/>为/>、/>和/>中存在两个大于或者等于/>,/>为/>、/>和/>中存在一个大于或者等于/>,/>表示/>、/>和/>均小于/>。
S36、通过诊断规律度评估模型依次评估得到各分析患者的诊断规律度,/>取值为/>或者/>或者/>或者/>。
在一个具体实施例中,为了便于理解,取值可以为0.9,/>取值可以为0.5,/>取值为0.3,/>取值可以为0.1。
S37、将作为各分析患者的病症设定干扰因子/>,分别为设定参照的波动点数目、诊断规律度、病症年限。
S4、从各分析患者对应各次诊断的诊断症状等级中定位出首次诊断的症状级别和末次诊断症状级别,分别记为级别Ⅰ和级别Ⅱ。
S5、若某分析患者的级别Ⅰ高于或者等于级别Ⅱ,将该分析患者的补偿症状级别数目记为,从信息库中定位出级别Ⅰ所处位置前/>个的症状级别,作为该分析患者的分类界定症状级别,反之从信息库中定位出级别Ⅰ所处位置后/>个的症状级别,作为该分析患者的分类界定症状级别,以此对各分析患者进行各症状级别归类。
在一个具体实施例中,症状级别越高表示症状越严重,且症状级别为升序排序方式,即症状级别1、症状级别2、症状级别3、症状级别4......症状级别q,当某分析患者末次诊断的症状级别为3,初次诊断的症状级别为1,且补偿症状级别数目为1时,症状级别1所处位置后1个症状级别为2,即将症状级别2作为该分析患者的分类界定症状级别,当某分析患者末次诊断的症状级别为2,初次诊断的症状级别为4,且补偿症状级别数目/>为1时,症状级别4所处位置前1个症状级别为3,进而将症状级别3作为该分析患者的分类界定症状级别。
需要补充的是,当症状级别不稳定时,进行分类需要综合考虑多个因素来进行分类和评估病情,即仅根据末次的初次的均存在一定的偏差,在此基础上需要进行不稳定情况的补偿。
本发明实施例在进行患者病症归类时,通过结合患者病症的累计年限以及患者各次诊断时的波动情况、病症归类情况设置病症设定干扰因子,同时通过将首次诊断的症状级别和末次诊断症状级别进行对比分析确认分类界定症状级别,打破了当前仅依据当前症状级别或者仅依据初始症状级别进行归类的误差,尽可能的提升了患者分类的精准性和针对性,从而便于为后续同类病症级别患者提供治疗参考,进而提高了后续同类病症级别患者的治疗借鉴有效度和可靠度。
步骤4、设备使用数据分析:分析所述VR使用跟踪日志,输出各症状级别内各分析患者的VR疗效趋向度。
示例性地,分析所述VR使用跟踪日志,包括:G1、从所述VR使用日志中提取各治疗日内的治疗跟踪数据,统计各症状级别内各分析患者在各治疗日的VR治疗表征治疗有效度,/>表示症状级别编号,/>,/>表示症状级别内的分析患者编号,,/>表示治疗日编号,/>。
进一步地,统计各症状级别内各分析患者在各治疗日的VR治疗表征治疗有效度,包括:G11、从所述治疗跟踪数据中定位出实际移动路径、实际交互类目数目以及设置各可访问路径和设置可体验类目数目,并提取实际移动路径长度和设置各访问路径的长度,据此分析各症状级别内各分析患者在各治疗日的访问丰富度。
更进一步地,分析各症状级别内各分析患者在各治疗日的访问丰富度,包括:Q1、将实际移动路径与设置各可访问路径进行对比,若某设置可访问路径位于实际移动路径内,将该可访问路径进行实际访问标记,统计各症状级别内各分析患者在各治疗日的实际访问标记数目。
Q2、将各症状级别内各分析患者在各治疗日的实际移动路径的长度、设置各可访问路径的长度、实际交互类目数目和设置可体验类目数目分别记为、/>、/>和,/>表示可访问路径编号,/>。
Q3、统计各症状级别内各分析患者在各治疗日的访问丰富度,,/>表示第/>个症状级别内第/>个分析患者在第/>个治疗日设置的可访问路径数目。
G12、从所述治疗跟踪数据中提取停留时长,将各症状级别内各分析患者在各治疗日的停留时长记为。
G13、从所述治疗跟踪数据中提取心理特征数据,进而提取各监测时间点的心率值和呼吸频率值,统计各症状级别内各分析患者在各治疗日的治疗接受度。
需要说明的是,统计各症状级别内各分析患者在各治疗日的治疗接受度的具体统计过程如下:D1、以监测时间点为横坐标,以心率值和呼吸频率值分别为纵坐标,构建心率曲线和呼吸频率曲线,并与设定有效治疗下的参照心率变化曲线和参照呼吸频率曲线进行重合对比,得到重合心率曲线长度和重合呼吸频率曲线长度。
D2、将重合心率曲线长度与心率曲线长度的比值作为重合心率比,将重合呼吸频率曲线长度与呼吸频率曲线长度的比值作为重合呼吸比。
D3、将各症状级别内各分析患者在各治疗日的重合心率比和重合呼吸比分别记为和/>。
D4、统计各症状级别内各分析患者在各治疗日的治疗接受度,,/>、/>分别为设定的参照重合心率比、重合呼吸比。
G14、将作为各症状级别内各分析患者在各治疗日的VR治疗表征治疗有效度/>,/>为设定有效停留时长,/>分别为设定参照访问丰富度、治疗接受度。
G2、将各治疗日按照时间先后进行排序,将排序第一位和最后一位的治疗日分别记为起始治疗日和截止治疗日。
G3、某诊断日期位于起始治疗日之前,将该诊断日期所属诊断次序作为起点诊断次序。
G4、若某诊断日期位于截止治疗日之后,且该诊断日期所属诊断次序之前的诊断日期位于截止治疗日之前,将该诊断日期所属诊断次序作为终点诊断次序。
G5、从各症状级别内各分析患者的诊断分布曲线中截选出位于起点诊断次序和终点诊断次序之间的曲线段,记为分析曲线段,统计各症状级别内各分析患者的VR疗效趋向度。
进一步地,统计各症状级别内各分析患者的VR疗效趋向度,包括:G51、以治疗日为横坐标,以VR治疗表征治疗有效度为纵坐标,构建各症状级别内各分析患者的VR治疗表征变化曲线。
G52、从各症状级别内各分析患者的VR治疗表征变化曲线以及分析曲线段中分别进行峰值点数目、谷值点数目和斜率提取,并分别记为、/>和/>以及/>、/>和/>。
G53、统计统计各症状级别内各分析患者的VR疗效趋向度,/>分别为设定许可偏差的峰谷点数目、斜率值。
需要说明的是,当前VR治疗表征治疗有效度增加时,对应症状级别应该是减轻,因此,VR治疗表征变化曲线和分析曲线段在理想状态呈反向关系。
还需要说明的是,斜率指曲线对应回归线的斜率。
本发明实施例在进行VR疗效趋向度分析时,通过结合实际诊断结果以及患者的VR跟踪情况,弥补了当前测评方式未融合实际诊断的欠缺,进而提高了VR疗效趋向度分析结果的说服力,同时也便于对后续患者治疗方案的优化。
步骤5、VR使用模式推荐判断:将VR疗效趋向度大于设定值的分析患者记为目标患者,统计各症状级别的目标患者数目,进行各症状级别的VR推荐有效判断。
具体地,进行各症状级别的VR推荐有效判断,包括:将目标患者数目和分析患者数目的比值记为患者达标比。
若某症状级别的患者达标比小于,将无效作为该症状级别的VR推荐有效判断结果,反之将有效作为该症状级别的VR推荐有效判断结果。
步骤6、VR治疗推荐确认:将VR推荐有效判断结果为有效的症状级别记为关注症状级别,确认关注症状级别的推荐VR治疗方案。
示例性地,确认关注症状级别的推荐VR治疗方案,包括:U1、进行分析患者和治疗日筛选,将选取的分析患者和治疗日分别记为参照患者和目标治疗日。
具体地,进行分析患者和治疗日筛选,包括:统计各分析患者的治疗日数目,将VR治疗表征治疗有效度大于0的治疗日作为选取的治疗日,进而统计选取的治疗日数目。
将的分析患者作为选取的分析患者。
U2、从关注症状级别内各参照患者在各目标治疗日的治疗跟踪数据中提取治疗主题,构建治疗主题展示表。
需要说明的是,治疗主题展示表具体如表1所示。
表1治疗主题展示表
需要补充的是,如表1中所示,在第一个目标治疗日中治疗主题a对应的参照患者有两个,即选用主题a作为首次治疗的推荐治疗主题,在第二个目标治疗日中,各治疗主题均不相同,即将在该目标治疗日内VR治疗表征治疗有效度最大的参照患者对应的治疗主题作为第二次治疗的推荐治疗主题,h表示第h个目标治疗日,w表示第w个参照患者。
U3、从治疗主题展示表中定位出各参照患者在第一个目标治疗日的治疗主题。
U4、若某治疗主题对应多个参照患者且对应参照患者数目最多,将该治疗主题作为首次治疗的推荐治疗主题,若各参照患者的治疗主题均互不相同,将VR治疗表征治疗有效度最大的参照患者的治疗主题作为首次治疗的推荐治疗主题。
U5、将目标治疗日数目记为,按照首次治疗对应推荐治疗主题的确认方式依次确认得到前/>次治疗的推荐治疗主题,并作为关注症状级别的推荐VR治疗方案。
还需要补充的是,在图1中Y表示存在某症状级别的VR推荐有效判断结果为有效,N表示各症状级别的VR推荐有效判断结果均为无效。
本发明实施例通过对患者在不同治疗日的治疗情况进行规律性分析,进而确认关注症状级别的推荐VR治疗方案,便于医护人员全面了解VR设备对患者的治疗效果,还提升了医护人员对可能存在的治疗模式和趋势的觉察及时性,进而为医疗专业人员提供更深入的洞察和指导,同时还大幅度提升后续相似或者相同症状人员的治疗效率,降低了患者治疗的试错几率,从而为治疗周期的缩减提供了可能。
步骤7、VR治疗方案反馈:将关注症状级别的推荐VR治疗方案设置为VR体验推荐触发标签,并反馈至VR设备推荐页面。
本发明实施例通过根据各分析患者的VR使用跟踪日志和电子病历表,进行患者病症归类以及进行不同症状级别的VR疗效趋向度分析,有效解决了当前及时性分析模式存在的不足,实现了病患的长期跟踪式分析,同时还便于后续病患治疗方式的及时调整,显著提升了相同病症级别病患的疗效,从而满足了不同级别病患的治疗需求。
以上内容仅仅是对本发明的构思所作的举例和说明,所属本技术领域的技术人员对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,只要不偏离发明的构思或者超越本发明所定义的范围,均应属于本发明的保护范围。
Claims (10)
1.一种基于人工智能的VR设备运行数据分析方法,其特征在于:该方法包括:
步骤1、设备使用数据提取:将目标诊疗室内VR设备的各使用患者记为各分析患者,提取各分析患者的VR使用跟踪日志;
步骤2、患者病历信息提取:提取各分析患者的电子病历表;
步骤3、患者病症归类:对各分析患者进行各症状级别归类;
步骤4、设备使用数据分析:分析所述VR使用跟踪日志,输出各症状级别内各分析患者的VR疗效趋向度;
步骤5、VR使用模式推荐判断:将VR疗效趋向度大于设定值的分析患者记为目标患者,统计各症状级别的目标患者数目,进行各症状级别的VR推荐有效判断;
步骤6、VR治疗推荐确认:将VR推荐有效判断结果为有效的症状级别记为关注症状级别,确认关注症状级别的推荐VR治疗方案;
步骤7、VR治疗方案反馈:将关注症状级别的推荐VR治疗方案设置为VR体验推荐触发标签,并反馈至VR设备推荐页面。
2.如权利要求1所述的一种基于人工智能的VR设备运行数据分析方法,其特征在于:所述对各分析患者进行各症状级别归类,具体归类规则如下:
从各分析患者的电子病历表中定位出VR设备对应辅助治疗病症的累计年限,同时定位出各次诊断的诊断日期和诊断症状级别,/>表示分析患者编号,/>;
对比各次诊断的诊断日期得到各次诊断的间隔天数,并以诊断次序为横坐标,以诊断症状等级和间隔天数分别为纵坐标,构建各分析患者的诊断分布曲线和诊断间隔变化曲线;
设定各分析患者的病症设定干扰因子,并与各病症设定干扰因子区间的补偿症状级别数目进行匹配对比,得到各分析患者的补偿症状级别数目;
从各分析患者对应各次诊断的诊断症状等级中定位出首次诊断的症状级别和末次诊断症状级别,分别记为级别Ⅰ和级别Ⅱ;
若某分析患者的级别Ⅰ高于或者等于级别Ⅱ,将该分析患者的补偿症状级别数目记为,从信息库中定位出级别Ⅰ所处位置前/>个的症状级别,作为该分析患者的分类界定症状级别,反之从信息库中定位出级别Ⅰ所处位置后/>个的症状级别,作为该分析患者的分类界定症状级别,以此对各分析患者进行各症状级别归类。
3.如权利要求2所述的一种基于人工智能的VR设备运行数据分析方法,其特征在于:所述设定各分析患者的病症设定干扰因子,包括:
从各分析患者的诊断分布曲线中进行波动点数目提取,记为;
将所述诊断间隔变化曲线进行三等划分,并按照诊断次序先后依次记为第一曲线段、第二曲线段和第三曲线段;
将第一曲线段与第二曲线段进行重合对比,得到重合曲线长度,并与第一曲线段长度进行作比,将比值记为;
按照的获取方式同理获取得到第一曲线段与第三曲线段的重合长度比/>以及第二曲线段和第三曲线段的重合长度比/>;
将、/>和/>导入诊断规律度评估模型中,输出诊断规律度/>,诊断规律度评估模型表示如下:
,/>为各评估因子,/>为/>、/>和/>均大于或者等于/>,/>为/>、/>和/>中存在两个大于或者等于/>,/>为/>、/>和中存在一个大于或者等于/>,/>表示/>、/>和/>均小于/>;
通过诊断规律度评估模型依次评估得到各分析患者的诊断规律度,/>取值为/>或者或者/>或者/>;
将作为各分析患者的病症设定干扰因子/>,分别为设定参照的波动点数目、诊断规律度、病症年限。
4.如权利要求2所述的一种基于人工智能的VR设备运行数据分析方法,其特征在于:所述分析所述VR使用跟踪日志,包括:
从所述VR使用日志中提取各治疗日内的治疗跟踪数据,统计各症状级别内各分析患者在各治疗日的VR治疗表征治疗有效度,/>表示症状级别编号,/>,/>表示症状级别内的分析患者编号,/>,/>表示治疗日编号,/>;
将各治疗日按照时间先后进行排序,将排序第一位和最后一位的治疗日分别记为起始治疗日和截止治疗日;
某诊断日期位于起始治疗日之前,将该诊断日期所属诊断次序作为起点诊断次序;
若某诊断日期位于截止治疗日之后,且该诊断日期所属诊断次序之前的诊断日期位于截止治疗日之前,将该诊断日期所属诊断次序作为终点诊断次序;
从各症状级别内各分析患者的诊断分布曲线中截选出位于起点诊断次序和终点诊断次序之间的曲线段,记为分析曲线段,统计各症状级别内各分析患者的VR疗效趋向度。
5.如权利要求4所述的一种基于人工智能的VR设备运行数据分析方法,其特征在于:所述统计各症状级别内各分析患者的VR疗效趋向度,包括:
以治疗日为横坐标,以VR治疗表征治疗有效度为纵坐标,构建各症状级别内各分析患者的VR治疗表征变化曲线;
从各症状级别内各分析患者的VR治疗表征变化曲线以及分析曲线段中分别进行峰值点数目、谷值点数目和斜率提取,并分别记为、/>和/>以及/>、/>和/>;
统计各症状级别内各分析患者的VR疗效趋向度,/>分别为设定许可偏差的峰谷点数目、斜率值。
6.如权利要求4所述的一种基于人工智能的VR设备运行数据分析方法,其特征在于:所述统计各症状级别内各分析患者在各治疗日的VR治疗表征治疗有效度,包括:
从所述治疗跟踪数据中定位出实际移动路径、实际交互类目数目以及设置各可访问路径和设置可体验类目数目,并提取实际移动路径长度和设置各访问路径的长度,据此分析各症状级别内各分析患者在各治疗日的访问丰富度;
从所述治疗跟踪数据中提取停留时长,将各症状级别内各分析患者在各治疗日的停留时长记为;
从所述治疗跟踪数据中提取心理特征数据,进而提取各监测时间点的心率值和呼吸频率值,统计各症状级别内各分析患者在各治疗日的治疗接受度;
将作为各症状级别内各分析患者在各治疗日的VR治疗表征治疗有效度/>,/>为设定有效停留时长,/>分别为设定参照访问丰富度、治疗接受度。
7.如权利要求6所述的一种基于人工智能的VR设备运行数据分析方法,其特征在于:所述分析各症状级别内各分析患者在各治疗日的访问丰富度,包括:
将实际移动路径与设置各可访问路径进行对比,若某设置可访问路径位于实际移动路径内,将该可访问路径进行实际访问标记,统计各症状级别内各分析患者在各治疗日的实际访问标记数目;
将各症状级别内各分析患者在各治疗日的实际移动路径的长度、设置各可访问路径的长度、实际交互类目数目和设置可体验类目数目分别记为、/>、/>和/>,/>表示可访问路径编号,/>;
统计各症状级别内各分析患者在各治疗日的访问丰富度,,/>表示第/>个症状级别内第/>个分析患者在第/>个治疗日设置的可访问路径数目。
8.如权利要求1所述的一种基于人工智能的VR设备运行数据分析方法,其特征在于:所述进行各症状级别的VR推荐有效判断,包括:
将目标患者数目和分析患者数目的比值记为患者达标比;
若某症状级别的患者达标比小于,将无效作为该症状级别的VR推荐有效判断结果,反之将有效作为该症状级别的VR推荐有效判断结果。
9.如权利要求4所述的一种基于人工智能的VR设备运行数据分析方法,其特征在于:所述确认关注症状级别的推荐VR治疗方案,包括:
进行分析患者和治疗日筛选,将选取的分析患者和治疗日分别记为参照患者和目标治疗日;
从关注症状级别内各参照患者在各目标治疗日的治疗跟踪数据中提取治疗主题,构建治疗主题展示表;
从治疗主题展示表中定位出各参照患者在第一个目标治疗日的治疗主题;
若某治疗主题对应多个参照患者且对应参照患者数目最多,将该治疗主题作为首次治疗的推荐治疗主题,若各参照患者的治疗主题均互不相同,将VR治疗表征治疗有效度最大的参照患者的治疗主题作为首次治疗的推荐治疗主题;
将目标治疗日数目记为,按照首次治疗对应推荐治疗主题的确认方式依次确认得到前/>次治疗的推荐治疗主题,并作为关注症状级别的推荐VR治疗方案。
10.如权利要求9所述的一种基于人工智能的VR设备运行数据分析方法,其特征在于:所述进行分析患者和治疗日筛选,包括:
统计各分析患者的治疗日数目,将VR治疗表征治疗有效度大于0的治疗日作为选取的治疗日,进而统计选取的治疗日数目;
将的分析患者作为选取的分析患者。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410228416.2A CN117809857B (zh) | 2024-02-29 | 一种基于人工智能的vr设备运行数据分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410228416.2A CN117809857B (zh) | 2024-02-29 | 一种基于人工智能的vr设备运行数据分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117809857A true CN117809857A (zh) | 2024-04-02 |
CN117809857B CN117809857B (zh) | 2024-06-07 |
Family
ID=
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150332020A1 (en) * | 2014-05-16 | 2015-11-19 | Corcept Therapeutics, Inc. | Systems and methods of managing treatment of a chronic condition by symptom tracking |
US20180046773A1 (en) * | 2016-08-11 | 2018-02-15 | Htc Corporation | Medical system and method for providing medical prediction |
CN109243605A (zh) * | 2018-09-20 | 2019-01-18 | 段新 | 一种基于人工智能的精神障碍诊断治疗系统 |
US20190065970A1 (en) * | 2017-08-30 | 2019-02-28 | P Tech, Llc | Artificial intelligence and/or virtual reality for activity optimization/personalization |
CN111275093A (zh) * | 2020-01-17 | 2020-06-12 | 上海优加利健康管理有限公司 | 一种用于多标签标注心电信号的心搏分类方法和装置 |
US20210319558A1 (en) * | 2020-01-07 | 2021-10-14 | Cleerly, Inc. | Systems, methods, and devices for medical image analysis, diagnosis, risk stratification, decision making and/or disease tracking |
CN114220537A (zh) * | 2022-02-18 | 2022-03-22 | 橙意家人科技(天津)有限公司 | 一种基于互联网医院的ai智能在线诊断方法及云系统 |
US20220392065A1 (en) * | 2020-01-07 | 2022-12-08 | Cleerly, Inc. | Systems, methods, and devices for medical image analysis, diagnosis, risk stratification, decision making and/or disease tracking |
CN116246768A (zh) * | 2022-12-30 | 2023-06-09 | 中国人民解放军海军第九七一医院 | 一种基于人工智能的mri影像检查智能分析管理系统 |
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150332020A1 (en) * | 2014-05-16 | 2015-11-19 | Corcept Therapeutics, Inc. | Systems and methods of managing treatment of a chronic condition by symptom tracking |
US20180046773A1 (en) * | 2016-08-11 | 2018-02-15 | Htc Corporation | Medical system and method for providing medical prediction |
US20190065970A1 (en) * | 2017-08-30 | 2019-02-28 | P Tech, Llc | Artificial intelligence and/or virtual reality for activity optimization/personalization |
CN109243605A (zh) * | 2018-09-20 | 2019-01-18 | 段新 | 一种基于人工智能的精神障碍诊断治疗系统 |
US20210319558A1 (en) * | 2020-01-07 | 2021-10-14 | Cleerly, Inc. | Systems, methods, and devices for medical image analysis, diagnosis, risk stratification, decision making and/or disease tracking |
US20220392065A1 (en) * | 2020-01-07 | 2022-12-08 | Cleerly, Inc. | Systems, methods, and devices for medical image analysis, diagnosis, risk stratification, decision making and/or disease tracking |
CN111275093A (zh) * | 2020-01-17 | 2020-06-12 | 上海优加利健康管理有限公司 | 一种用于多标签标注心电信号的心搏分类方法和装置 |
CN114220537A (zh) * | 2022-02-18 | 2022-03-22 | 橙意家人科技(天津)有限公司 | 一种基于互联网医院的ai智能在线诊断方法及云系统 |
CN116246768A (zh) * | 2022-12-30 | 2023-06-09 | 中国人民解放军海军第九七一医院 | 一种基于人工智能的mri影像检查智能分析管理系统 |
Non-Patent Citations (1)
Title |
---|
张颖;纪文迪;周毅萍;王晓玲;: "基于隐语义模型的中医在线辅助诊疗系统", 计算机应用, no. 1, 15 June 2017 (2017-06-15) * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Bakeman et al. | Observer agreement for timed-event sequential data: A comparison of time-based and event-based algorithms | |
Morrow et al. | Fifth-grade children’s daily experiences of peer victimization and negative emotions: Moderating effects of sex and peer rejection | |
Jarabek et al. | Dosimetric adjustments for interspecies extrapolation of inhaled poorly soluble particles (PSP) | |
Caris-Verhallen et al. | Observation of nurse–patient interaction in oncology: Review of assessment instruments | |
CN110680326A (zh) | 基于深度卷积神经网络的尘肺病鉴别及分级判定方法 | |
CN111695835A (zh) | 用于评估临床试验风险的方法 | |
Faulconer et al. | An eight-step method for assessing diagnostic data quality in practice: chronic obstructive pulmonary disease as an exemplar. | |
CN103003817A (zh) | 临床数据的自动化注释 | |
CN111695834A (zh) | 临床试验质量实时管控优化方法和系统 | |
Merkle et al. | Hierarchical models of simple mechanisms underlying confidence in decision making | |
LeBlanc et al. | Procedures and accuracy of discontinuous measurement of problem behavior in common practice of applied behavior analysis | |
CN111708816A (zh) | 一种基于贝叶斯模型的多真值冲突消解方法 | |
CN117809857B (zh) | 一种基于人工智能的vr设备运行数据分析方法 | |
CN117809857A (zh) | 一种基于人工智能的vr设备运行数据分析方法 | |
Eyde et al. | 4. The Validity of ComputerBased Test Interpretations of the MMPI | |
CN117497149A (zh) | 一种基于人工智能的医院管理方法及系统 | |
Wu et al. | Toward effective automated content analysis via crowdsourcing | |
CN116434979A (zh) | 生理状态云监测方法、监测系统及储存介质 | |
CN115881259A (zh) | 病历数据处理方法、装置、设备及存储介质 | |
CN116417141A (zh) | 基于人工智能的1型糖尿病健康评估模型及方法 | |
CN113517044A (zh) | 基于药代学评价胞二磷胆碱的临床数据处理方法及系统 | |
Oliveira et al. | Predicting plateau pressure in intensive medicine for ventilated patients | |
CN113223708A (zh) | 病症风险预测模型的构建方法和相关设备 | |
Chae et al. | Comparison of alternative knowledge model for the diagnosis of asthma | |
Song et al. | Un-apriori: A novel association rule mining algorithm for unstructured EMRs |
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 |