CN118039103A - 一种胸外科手术信息管理方法、设备及介质 - Google Patents
一种胸外科手术信息管理方法、设备及介质 Download PDFInfo
- Publication number
- CN118039103A CN118039103A CN202410253229.XA CN202410253229A CN118039103A CN 118039103 A CN118039103 A CN 118039103A CN 202410253229 A CN202410253229 A CN 202410253229A CN 118039103 A CN118039103 A CN 118039103A
- Authority
- CN
- China
- Prior art keywords
- chest
- patient
- preoperative
- data
- formal
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000001356 surgical procedure Methods 0.000 title claims abstract description 41
- 238000007726 management method Methods 0.000 title claims abstract description 30
- 238000011156 evaluation Methods 0.000 claims abstract description 57
- 239000003814 drug Substances 0.000 claims abstract description 54
- 238000010801 machine learning Methods 0.000 claims abstract description 34
- 201000010099 disease Diseases 0.000 claims abstract description 33
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 33
- 238000012549 training Methods 0.000 claims abstract description 33
- 229940079593 drug Drugs 0.000 claims abstract description 25
- 238000004458 analytical method Methods 0.000 claims abstract description 23
- 210000000038 chest Anatomy 0.000 claims description 112
- 238000000034 method Methods 0.000 claims description 31
- 238000004422 calculation algorithm Methods 0.000 claims description 29
- 210000000115 thoracic cavity Anatomy 0.000 claims description 23
- 230000008569 process Effects 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 16
- 230000015654 memory Effects 0.000 claims description 16
- 238000002601 radiography Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 9
- 238000005516 engineering process Methods 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 8
- 238000013480 data collection Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 7
- 206010066902 Surgical failure Diseases 0.000 claims description 6
- 208000035474 group of disease Diseases 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 5
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 4
- 238000010191 image analysis Methods 0.000 claims description 4
- 238000012986 modification Methods 0.000 claims description 3
- 230000004048 modification Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000011369 optimal treatment Methods 0.000 description 2
- 230000002685 pulmonary effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000000481 breast Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000013479 data entry Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 238000002483 medication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 238000011282 treatment Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明属于手术信息管理技术领域,本发明公开了一种胸外科手术信息管理方法、设备及介质;包括:收集术前检查胸片、正式手术前胸片、患病程度数据、手术时长数据、约定手术时刻、当前时刻、手术台空闲状态、患者排号序号、进手术台时刻与手术药品数量;基于术前检查胸片与正式手术前胸片分析生成差异评估度;基于差异评估度判定手术原方案状态;训练实时预测手术时长数据的机器学习模型;基于患者排号序号、手术时长数据、当前时刻、进手术台时刻与约定手术时刻生成手术允许状态;在手术允许状态生成后,检查手术药品数量生成手术预计成功状态,以手术预计成功状态进行手术,否则生成手术失败指令。
Description
技术领域
本发明涉及手术信息管理技术领域,更具体地说,本发明涉及一种胸外科手术信息管理方法、设备及介质。
背景技术
胸外科是一门医学专科,专门研究胸腔内器官,主要指食道、肺部、纵隔病变的诊断及治疗,乳腺外科领域也被归入这个专科,其中又以肺外科和食道外科为主。
授权公告号CN114428873B的中国专利公开了一种胸外科检查数据整理方法,使得胸片图像在整理后便于读写与存储以及相关数据特征的快速查询,使得医生能够对病情快速分析,增加医院的接诊效率。
但该专利未能有效考虑正式手术前患者的生理特征是否发生异常的情况,未能精确有效的分配手术资源让手术顺利进行。
鉴于此,本发明提出一种胸外科手术信息管理方法、设备及介质以解决上述问题。
发明内容
为了克服现有技术的上述缺陷,本发明的实施例提供一种胸外科手术信息管理方法、设备及介质。
为实现上述目的,本发明提供如下技术方案:
一种胸外科手术信息管理方法,所述方法包括:
收集术前检查胸片、正式手术前胸片、患病程度数据、手术时长数据、约定手术时刻、当前时刻、手术台空闲状态、患者排号序号、进手术台时刻与手术药品数量;
基于术前检查胸片与正式手术前胸片分析生成差异评估度;
将差异评估度与预设的差异评估度阈值比较,差异评估度小于差异评估度阈值时判定为手术原方案状态,否则生成手术方案更改指令;
基于患病程度数据与手术时长数据训练实时预测手术时长数据的机器学习模型;
手术原方案状态下,手术台空闲状态为非空闲时,基于患者排号序号、手术时长数据、当前时刻、进手术台时刻与约定手术时刻生成手术允许状态;
在手术允许状态生成后,检查手术药品数量是否大于预设的手术药品数阈值,当大于等于手术药品数阈值时,生成手术预计成功状态,以手术预计成功状态进行手术,否则生成手术失败指令。
优选的,术前检查胸片为患者在确定执行胸外科手术前拍摄的胸片;正式手术前胸片为患者确定执行胸外科手术后,正式执行手术当天所拍摄的胸片;
所述手术方案更改指令包括医生重新对患者进行手术评估;
患病程度数据收集过程包括:使用OCR技术将病历转化为可供计算机识别的文字;设置关键字集合,所述关键字集合包括表示病情恶劣的文字,设置初始为0的一级计数器J与二级计数器JJ,使用NLP技术遍历病历,当病历出现关键字集合中的关键字时,一级计数器J加一,每识别到一个字时,二级计数器JJ加一,患病程度数据
手术时长数据为患病程度数据对应的正式手术所用的时长;约定手术时刻为医生在术前检查时与患者约定的正式手术时间;当前时刻为患者在手术当天,判定为手术原方案状态后实时时刻;
手术台空闲状态为手术台是否有人使用的状态;患者排号序号包括当天预备做手术的患者排号序号;进手术台时刻为患者排号序号为z的实际开始手术的时间Tz;
优选的,所述生成差异评估度的过程包括:
使用特征点提取算法分别提取术前检查胸片特征点与正式手术前胸片特征点;
将术前检查胸片特征点与正式手术前胸片特征点进行特征点匹配;
使用RANSAC算法对特征点匹配结果进行剔除离群点;
基于剔除离群点后的特征点匹配结果进行图像配准;图像配准的方式包括仿射变换;
使用差值哈希算法计算术前检查胸片与正式手术前胸片的差异评估度;
优选的,所述差值哈希算法的过程包括:
步骤A1、将术前检查胸片缩放为行数为8像素点,列数为9像素点的像素图片;
步骤A2、将像素图片转化为灰度图片;在计算机图像处理中,灰度是指图像中每个像素的亮度级别;
步骤A3、将灰度图片左边的像素点灰度值与邻近右边的像素点比较;若左边的像素点灰度值大则设置为1,反之则设置为0;若邻近右边已经无像素点则不比较;每行生成8个值,整张灰度图片生成64个值,构成一个矩阵。
步骤A4、将矩阵中每一行第一个值与上一行最末尾值依次相连构成字符串;将字符串用十六进制表示,并标记字符串为图像指纹。
步骤A5、将正式手术前胸片重复上述步骤,分别收集术前检查胸片图像指纹与正式手术前胸片图片指纹。
步骤A6、计算术前检查胸片图片指纹与正式手术前胸片图片指纹的汉明距离,将汉明距离的平方作为差异评估度。
优选的,所述机器学习模型的训练过程包括:
将手术时长数据作为对应的患病程度数据的标签,将一组患病程度数据与标签作为一组样本,将多组样本构建为数据集,所述数据集分为训练集、验证集和测试集,其中训练集占数据集的70%,验证集和测试集各占数据集的15%;
将所述训练集作为机器学习模型的输入,所述机器学习模型以患者的患病程度数据对应的手术时长数据作为输出;以患者手术时长数据作为预测目标,以最小化机器学习模型损失函数值作为训练目标;当机器学习模型损失函数值小于等于预设的目标损失值时停止训练;
所述机器学习模型损失函数为均方误最小化为目标来训练模型,mse为损失函数值,i为样本组号;u为样本组数;yi为第i组患病程度数据对应的标签,/>为第i组患病程度数据预测的手术时长数据。
优选的,生成手术允许状态的过程包括:
患者排号序号为z,与患者对应的机器学习模型得出的手术时长数据为SCz;当前正在手术患者的患者排号序号设置za,待手术的患者排号序号设置为zb,当前时刻为TD,患者排号序号zb的患者约定手术时刻为对于患者排号序号zb的患者,当时,生成手术允许状态,否则生成手术失败指令;
手术失败指令包括:医生重新对患者进行手术预约与手术药品补货。
一种胸外科手术信息管理设备,包括:
数据收集模块,收集术前检查胸片、正式手术前胸片、患病程度数据、手术时长数据、约定手术时刻、当前时刻、手术台空闲状态、患者排号序号、进手术台时刻与手术药品数量;
图像分析模块,基于术前检查胸片与正式手术前胸片分析生成差异评估度;
第一分析模块,将差异评估度与预设的差异评估度阈值比较,差异评估度小于差异评估度阈值时判定为手术原方案状态,否则生成手术方案更改指令;
模型训练模块,基于患病程度数据与手术时长数据训练实时预测手术时长数据的机器学习模型;
第二分析模块,手术原方案状态下,手术台空闲状态为非空闲时,基于患者排号序号、手术时长数据、当前时刻、进手术台时刻与约定手术时刻生成手术允许状态;
第三分析模块,在手术允许状态生成后,检查手术药品数量是否大于预设的手术药品数阈值,当大于等于手术药品数阈值时,生成手术预计成功状态,以手术预计成功状态进行手术,否则生成手术失败指令。
一种电子设备,包括:处理器和存储器,其中,所述存储器中存储有可供处理器调用的计算机程序;所述处理器通过调用所述存储器中存储的计算机程序,执行上述的一种胸外科手术信息管理方法。
一种计算机可读存储介质,储存有指令,当所述指令在计算机上运行时,使得计算机执行上述的一种胸外科手术信息管理方法。
本发明一种胸外科手术信息管理方法、设备及介质的技术效果和优点:通过对比评估术前检查的胸片与手术当天的胸片判断是否需要更改手术方案,并根据机器学习模型预测每一位患者的预计手术时长,并基于当前时刻、患者排号序号以及预计手术时长判定患者是否能够按照约定手术时刻进行手术,达到更优的手术效果,并且对手术药品进行数量评估,使得患者能够精确的得到医生的最佳治疗,降低手术意外情况的发生概率,大大提高手术成功率。
附图说明
图1为本申请的一种胸外科手术信息管理设备示意图;
图2为本申请的一种胸外科手术信息管理方法示意图;
图3为本申请一个实施例提供的电子设备结构示意图;
图4为本申请一个实施例提供的计算机可读存储介质结构示意图;
图5为本申请一个实施例提供的一种灰度图片示意图。
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。
实施例1
请参阅图2所示,本实施例所述一种胸外科手术信息管理方法,包括:
收集术前检查胸片、正式手术前胸片;
术前检查胸片为患者在确定执行胸外科手术前拍摄的胸片;正式手术前胸片为患者确定执行胸外科手术后,正式执行手术当天所拍摄的胸片;术前检查胸片与正式手术前胸片具体由x射线摄影机拍摄。医生将根据术前检查胸片设计胸外科手术方案并准备手术药物。
可以理解的是,术前检查到正式手术当天往往具有一周至半月的等待期,术前检查的状态不能反应正式手术当天的患者状态,而正式手术当天,医生由于忙碌,有时会疏于对比患者术前检查状态与当天状态的不同,术前检查时设计的胸外科手术方案未必适用于患者当天状态,需要根据正式手术前胸片调整。
基于术前检查胸片与正式手术前胸片分析生成差异评估度;
所述生成差异评估度的过程包括:
使用特征点提取算法分别提取术前检查胸片特征点与正式手术前胸片特征点;
在计算机视觉和图像处理领域,特征点(或称关键点)是指图像中具有明显变化或独特性质的位置,通常代表图像中的显著、重要的局部结构。特征点提取算法是一种用于从图像中检测和描述具有独特性质的局部结构或目标的方法。所述特征点提取算法为SIFT算法或SURF算法中的一个;SIFT算法或SURF算法均为较成熟的特征点提取算法,在此不再赘述。
将术前检查胸片特征点与正式手术前胸片特征点进行特征点匹配;
特征点匹配是指在两张图像中找到相互对应的特征点。在特征点匹配过程中,根据特征点的描述子(即特征点周围像素的特征向量),通过计算特征点描述子之间的相似度或距离,将两张图像中的特征点进行对应。本申请所述特征点匹配使用最近邻算法。
使用RANSAC算法对特征点匹配结果进行剔除离群点;由于存在噪声和误匹配,特征点匹配结果中可能存在错误的匹配对称之为离群点;RANSAC算法通过随机抽样和迭代的方式,能在包含离群点的数据集中找到最优参数,并排除那些与最优参数不一致的离群点;RANSAC算法能够鲁棒地应对数据中存在的噪声和异常值,适用于各种模型拟合和离群点剔除的场景。鲁棒是指对于异常值、噪声或模型假设的偏离具有较好的稳定性和韧性。
基于剔除离群点后的特征点匹配结果进行图像配准;图像配准的方式包括仿射变换;仿射变换是指在二维或三维空间中,通过对原始图像进行平移、旋转、缩放和错切等线性变换的组合,得到一个新的图像的过程。通过图像配准将术前检查胸片特征点与正式手术前胸片特征点重叠,使得术前检查胸片与正式手术前胸片拍摄角度与大小统一,便于后续差异评估度的生成。
可以理解的是,术前检查胸片与正式手术前胸片由于患者贴合x射线摄影机的角度与位置不同,因此术前检查胸片与正式手术前胸片需要经过上述处理,有利于更加精准的生成相似度评估。
使用差值哈希算法计算术前检查胸片与正式手术前胸片的差异评估度;
所述差值哈希算法的过程包括:
步骤A1、将术前检查胸片缩放为行数为8像素点,列数为9像素点的像素图片;
步骤A2、将像素图片转化为灰度图片;在计算机图像处理中,灰度是指图像中每个像素的亮度级别;灰度值通常在0到255之间,其中0代表黑色,255代表白色。本申请一种灰度图片示意图如图5所示。
步骤A3、将灰度图片左边的像素点灰度值与邻近右边的像素点比较;若左边的像素点灰度值大则设置为1,反之则设置为0;若邻近右边已经无像素点则不比较;每行生成8个值,整张灰度图片生成64个值,构成一个矩阵。
步骤A4、将矩阵中每一行第一个值与上一行最末尾值依次相连构成字符串;将字符串用十六进制表示,并标记字符串为图像指纹。
步骤A5、将正式手术前胸片重复上述步骤,分别收集术前检查胸片图像指纹与正式手术前胸片图片指纹。
步骤A6、计算术前检查胸片图片指纹与正式手术前胸片图片指纹的汉明距离,将汉明距离的平方作为差异评估度。汉明距离是一种用于衡量两个等长字符串之间差异的度量方式,表示在相同位置上两个字符串不同的位数或字符数。汉明距离越小代表术前检查胸片与正式手术前胸片越相似,差异评估度越小,将汉明距离的平方作为差异评估度有助于直观观测。
差值哈希算法相对于其他哈希算法简单、相对准确、计算效率高;在同等测试样本下,相比感知哈希算法,均值哈希算法的速度要更快。在使用差值哈希算法前,通过一系列步骤对不同图像进行配准,有效的克服了差值哈希算法对于图像的旋转和缩放敏感性,提高了差异评估度的准确性。
将差异评估度与预设的差异评估度阈值比较,差异评估度小于差异评估度阈值时判定为手术原方案状态,否则生成手术方案更改指令,所述手术方案更改指令包括医生重新对患者进行手术评估。
收集患病程度数据与手术时长数据。
患病程度数据收集过程包括:使用OCR技术将病历转化为可供计算机识别的文字;设置关键字集合,所述关键字集合包括“严重”等表示病情恶劣的文字,设置初始为0的一级计数器J与二级计数器JJ,使用NLP技术遍历病历,当病历出现关键字集合中的关键字时,一级计数器J加一,每识别到一个字时,二级计数器JJ加一,患病程度数据
OCR技术可以将图像或扫描文档中的文字转化为可编辑和可搜索的文本格式,提高文档的可读性和可处理性。应用场景包括扫描文档的数字化、自动化数据输入等。
NLP技术可以对文本进行语义分析,包括情感分析、主题提取、关键词提取等,帮助理解文本的含义和内容。
一级计数器与二级计数器越大,患病程度数据越大,二级计数器计数为病历的总字数,可以理解的是,病历字数越长,患者可能患病程度更严重,手术难度可能越大,但是为了控制病历字数的不确定性,降低二级计数器在患病程度数据中的比重,使得患病程度数据更加准确。
手术时长数据为患病程度数据对应的正式手术所用的时长;具体由设置在手术台四周的计时器获取。
基于患病程度数据与手术时长数据训练实时预测手术时长数据的机器学习模型;
所述机器学习模型的训练过程包括:
将手术时长数据作为对应的患病程度数据的标签,将一组患病程度数据与标签作为一组样本,将多组样本构建为数据集,所述数据集分为训练集、验证集和测试集,其中训练集占数据集的70%,验证集和测试集各占数据集的15%。
将所述训练集作为机器学习模型的输入,所述机器学习模型以患者的患病程度数据对应的手术时长数据作为输出;以患者手术时长数据作为预测目标,以最小化机器学习模型损失函数值作为训练目标;当机器学习模型损失函数值小于等于预设的目标损失值时停止训练。
所述机器学习模型损失函数为均方误差(MSE)或交叉熵(CE);
示例性的,均方误差(MSE),通过将损失函数最小化为目标来训练模型,使得机器学习模型更好地拟合数据,从而提高模型的性能和准确率;损失函数中mse为损失函数值,i为样本组号;u为样本组数;yi为第i组患病程度数据对应的标签,/>为第i组患病程度数据预测的手术时长数据。
收集约定手术时刻与当前时刻;约定手术时刻为医生在术前检查时与患者约定的正式手术时间,由医院医疗系统获取;当前时刻为患者在手术当天,判定为手术原方案状态后实时的时刻;具体由互联网时钟实时获取。
收集手术台空闲状态与患者排号序号;手术台空闲状态为手术台是否有人使用的状态;由医院医疗系统实时获取;患者排号序号包括所有当天预备做手术的患者排号序号;由医院医疗系统实时获取;
收集进手术台时刻;进手术台时刻为患者排号序号为z的实际开始手术的时间Tz;由医院医疗叫号系统实时获取;
手术台空闲状态为非空闲时,检查当前正在手术的患者排号序号,并收集当前正在手术患者的进手术台时刻与机器学习模型得到的手术时长数据,患者排号序号为z,与患者对应的机器学习模型得出的手术时长数据为SCz;设当前正在手术患者的患者排号序号设置za,待手术的患者排号序号设置为zb,当前时刻为TD,患者排号序号zb的患者约定手术时刻为TYzb;
对于患者排号序号zb的患者,当时,生成手术允许状态,否则生成手术失败指令;
在手术允许状态生成后,检查手术药品数量是否大于预设的手术药品数阈值,当大于等于手术药品数阈值时,生成手术预计成功状态,否则生成手术失败指令。手术药品数量由医院药房管理系统实时获取。
手术失败指令包括:医生重新对患者进行手术预约与手术药品补货等。
实施例1通过对比评估术前检查的胸片与手术当天的胸片判断是否需要更改手术方案,并根据机器学习模型预测每一位患者的预计手术时长,并基于当前时刻、患者排号序号以及预计手术时长判定患者是否能够按照约定手术时刻进行手术,达到更优的手术效果,并且对手术药品进行数量评估,使得患者能够精确的得到医生的最佳治疗,降低手术意外情况的发生概率,大大提高手术成功率。
实施例2
请参阅图1所示,本实施例未详细叙述部分见实施例1描述内容,提供一种胸外科手术信息管理设备及介质,包括:数据收集模块、图像分析模块、第一分析模块、模型训练模块、第二分析模块与第三分析模块。各个模块之间通过有线和/或无线网络方式连接。
数据收集模块,收集术前检查胸片、正式手术前胸片、患病程度数据、手术时长数据、约定手术时刻、当前时刻、手术台空闲状态、患者排号序号、进手术台时刻与手术药品数量;
图像分析模块,基于术前检查胸片与正式手术前胸片分析生成差异评估度;
第一分析模块,将差异评估度与预设的差异评估度阈值比较,差异评估度小于差异评估度阈值时判定为手术原方案状态,否则生成手术方案更改指令;
模型训练模块,基于患病程度数据与手术时长数据训练实时预测手术时长数据的机器学习模型;
第二分析模块,手术原方案状态下,手术台空闲状态为非空闲时,基于患者排号序号、手术时长数据、当前时刻、进手术台时刻与约定手术时刻生成手术允许状态;
第三分析模块,在手术允许状态生成后,检查手术药品数量是否大于预设的手术药品数阈值,当大于等于手术药品数阈值时,生成手术预计成功状态,以手术预计成功状态进行手术,否则生成手术失败指令。
实施例3
请参阅图3所示,根据本申请的又一方面还提供了一种胸外科手术信息管理方法、设备及介质电子设备500。该电子设备500可包括一个或多个处理器以及一个或多个存储器。其中,存储器中存储有计算机可读代码,计算机可读代码当由一个或多个处理器运行时,可以执行如上所述的一种胸外科手术信息管理方法、设备及介质。
根据本申请实施方式的方法或系统也可以借助于图3所示的电子设备电子设备的架构来实现。如图3所示,电子设备500可包括总线501、一个或多个CPU502、只读存储器(ROM)503、随机存取存储器(RAM)504、连接到网络的通信端口505、输入/输出组件506、硬盘507等。电子设备500中的存储设备,例如ROM503或硬盘507可存储本申请提供的一种胸外科手术信息管理方法。一种胸外科手术信息管理方法可例如包括:收集术前检查胸片、正式手术前胸片、患病程度数据、手术时长数据、约定手术时刻、当前时刻、手术台空闲状态、患者排号序号、进手术台时刻与手术药品数量;基于术前检查胸片与正式手术前胸片分析生成差异评估度;
将差异评估度与预设的差异评估度阈值比较,差异评估度小于差异评估度阈值时判定为手术原方案状态,否则生成手术方案更改指令;
基于患病程度数据与手术时长数据训练实时预测手术时长数据的机器学习模型;
手术原方案状态下,手术台空闲状态为非空闲时,基于患者排号序号、手术时长数据、当前时刻、进手术台时刻与约定手术时刻生成手术允许状态;
在手术允许状态生成后,检查手术药品数量是否大于预设的手术药品数阈值,当大于等于手术药品数阈值时,生成手术预计成功状态,以手术预计成功状态进行手术,否则生成手术失败指令。
进一步地,电子设备500还可包括用户界面508。当然,图3所示的架构只是示例性的,在实现不同的设备时,根据实际需要,可以省略图3示出的电子设备中的一个或多个组件。
实施例4
请参阅图4所示,是根据本申请一个实施方式的计算机可读存储介质600。计算机可读存储介质600上存储有计算机可读指令。当计算机可读指令由处理器运行时,可执行参照以上附图描述的根据本申请实施方式的一种胸外科手术信息管理方法、设备及介质。存储介质600包括但不限于例如易失性存储器和/或非易失性存储器。易失性存储器例如可包括随机存取存储器(RAM)和高速缓冲存储器(cache)等。非易失性存储器例如可包括只读存储器(ROM)、硬盘、闪存等。
另外,根据本申请的实施方式,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本申请提供了非暂时性机器可读存储介质,所述非暂时性机器可读存储介质存储有机器可读指令,所述机器可读指令能够由处理器运行以执行与本申请提供的方法步骤对应的指令,例如:收集术前检查胸片、正式手术前胸片、患病程度数据、手术时长数据、约定手术时刻、当前时刻、手术台空闲状态、患者排号序号、进手术台时刻与手术药品数量;基于术前检查胸片与正式手术前胸片分析生成差异评估度;
将差异评估度与预设的差异评估度阈值比较,差异评估度小于差异评估度阈值时判定为手术原方案状态,否则生成手术方案更改指令;
基于患病程度数据与手术时长数据训练实时预测手术时长数据的机器学习模型;
手术原方案状态下,手术台空闲状态为非空闲时,基于患者排号序号、手术时长数据、当前时刻、进手术台时刻与约定手术时刻生成手术允许状态;
在手术允许状态生成后,检查手术药品数量是否大于预设的手术药品数阈值,当大于等于手术药品数阈值时,生成手术预计成功状态,以手术预计成功状态进行手术,否则生成手术失败指令。在该计算机程序被中央处理单元(CPU)执行时,执行本申请的方法中限定的上述功能。
上述实施例,可以全部或部分地通过软件、硬件、固件或其他任意组合来实现。当使用软件实现时,上述实施例可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令或计算机程序。在计算机上加载或执行所述计算机指令或计算机程序时,全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以为通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线网络或无线网络方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集合的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质。半导体介质可以是固态硬盘。
本领域普通技术人员可以意识到,结合本发明中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本发明所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种胸外科手术信息管理方法、设备及介质,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
最后: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,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 (9)
1.一种胸外科手术信息管理方法,其特征在于,包括:
收集术前检查胸片、正式手术前胸片、患病程度数据、手术时长数据、约定手术时刻、当前时刻、手术台空闲状态、患者排号序号、进手术台时刻与手术药品数量;
基于术前检查胸片与正式手术前胸片分析生成差异评估度;
将差异评估度与预设的差异评估度阈值比较,差异评估度小于差异评估度阈值时判定为手术原方案状态,否则生成手术方案更改指令;
基于患病程度数据与手术时长数据训练实时预测手术时长数据的机器学习模型;
手术原方案状态下,手术台空闲状态为非空闲时,基于患者排号序号、手术时长数据、当前时刻、进手术台时刻与约定手术时刻生成手术允许状态;
在手术允许状态生成后,检查手术药品数量是否大于预设的手术药品数阈值,当大于等于手术药品数阈值时,生成手术预计成功状态,以手术预计成功状态进行手术,否则生成手术失败指令。
2.根据权利要求1所述的一种胸外科手术信息管理方法,其特征在于,
术前检查胸片为患者在确定执行胸外科手术前拍摄的胸片;正式手术前胸片为患者确定执行胸外科手术后,正式执行手术当天所拍摄的胸片;
所述手术方案更改指令包括医生重新对患者进行手术评估;
患病程度数据收集过程包括:使用OCR技术将病历转化为可供计算机识别的文字;设置关键字集合,所述关键字集合包括表示病情恶劣的文字,设置初始为0的一级计数器J与二级计数器JJ,使用NLP技术遍历病历,当病历出现关键字集合中的关键字时,一级计数器J加一,每识别到一个字时,二级计数器JJ加一,患病程度数据
手术时长数据为患病程度数据对应的正式手术所用的时长;约定手术时刻为医生在术前检查时与患者约定的正式手术时间;当前时刻为患者在手术当天,判定为手术原方案状态后实时时刻;
手术台空闲状态为手术台是否有人使用的状态;患者排号序号包括当天预备做手术的患者排号序号;进手术台时刻为患者排号序号为z的实际开始手术的时间Tz。
3.根据权利要求2所述的一种胸外科手术信息管理方法,其特征在于,
所述生成差异评估度的过程包括:
使用特征点提取算法分别提取术前检查胸片特征点与正式手术前胸片特征点;
将术前检查胸片特征点与正式手术前胸片特征点进行特征点匹配;
使用RANSAC算法对特征点匹配结果进行剔除离群点;
基于剔除离群点后的特征点匹配结果进行图像配准;图像配准的方式包括仿射变换;
使用差值哈希算法计算术前检查胸片与正式手术前胸片的差异评估度。
4.根据权利要求3所述的一种胸外科手术信息管理方法,其特征在于,
所述差值哈希算法的过程包括:
步骤A1、将术前检查胸片缩放为行数为8像素点,列数为9像素点的像素图片;
步骤A2、将像素图片转化为灰度图片;在计算机图像处理中,灰度是指图像中每个像素的亮度级别;
步骤A3、将灰度图片左边的像素点灰度值与邻近右边的像素点比较;若左边的像素点灰度值大则设置为1,反之则设置为0;若邻近右边已经无像素点则不比较;每行生成8个值,整张灰度图片生成64个值,构成一个矩阵。
步骤A4、将矩阵中每一行第一个值与上一行最末尾值依次相连构成字符串;将字符串用十六进制表示,并标记字符串为图像指纹。
步骤A5、将正式手术前胸片重复上述步骤,分别收集术前检查胸片图像指纹与正式手术前胸片图片指纹。
步骤A6、计算术前检查胸片图片指纹与正式手术前胸片图片指纹的汉明距离,将汉明距离的平方作为差异评估度。
5.根据权利要求4所述的一种胸外科手术信息管理方法,其特征在于,
所述机器学习模型的训练过程包括:
将手术时长数据作为对应的患病程度数据的标签,将一组患病程度数据与标签作为一组样本,将多组样本构建为数据集,所述数据集分为训练集、验证集和测试集,其中训练集占数据集的70%,验证集和测试集各占数据集的15%;
将所述训练集作为机器学习模型的输入,所述机器学习模型以患者的患病程度数据对应的手术时长数据作为输出;以患者手术时长数据作为预测目标,以最小化机器学习模型损失函数值作为训练目标;当机器学习模型损失函数值小于等于预设的目标损失值时停止训练;
所述机器学习模型损失函数为均方误最小化为目标来训练模型,mse为损失函数值,i为样本组号;u为样本组数;yi为第i组患病程度数据对应的标签,/>为第i组患病程度数据预测的手术时长数据。
6.根据权利要求5所述的一种胸外科手术信息管理方法,其特征在于,生成手术允许状态的过程包括:
患者排号序号为z,与患者对应的机器学习模型得出的手术时长数据为SCz;当前正在手术患者的患者排号序号设置za,待手术的患者排号序号设置为zb,当前时刻为TD,患者排号序号zb的患者约定手术时刻为TYzb;对于患者排号序号zb的患者,当时,生成手术允许状态,否则生成手术失败指令;
手术失败指令包括:医生重新对患者进行手术预约与手术药品补货。
7.一种胸外科手术信息管理设备,其特征在于,
数据收集模块,收集术前检查胸片、正式手术前胸片、患病程度数据、手术时长数据、约定手术时刻、当前时刻、手术台空闲状态、患者排号序号、进手术台时刻与手术药品数量;
图像分析模块,基于术前检查胸片与正式手术前胸片分析生成差异评估度;
第一分析模块,将差异评估度与预设的差异评估度阈值比较,差异评估度小于差异评估度阈值时判定为手术原方案状态,否则生成手术方案更改指令;
模型训练模块,基于患病程度数据与手术时长数据训练实时预测手术时长数据的机器学习模型;
第二分析模块,手术原方案状态下,手术台空闲状态为非空闲时,基于患者排号序号、手术时长数据、当前时刻、进手术台时刻与约定手术时刻生成手术允许状态;
第三分析模块,在手术允许状态生成后,检查手术药品数量是否大于预设的手术药品数阈值,当大于等于手术药品数阈值时,生成手术预计成功状态,以手术预计成功状态进行手术,否则生成手术失败指令。
8.一种电子设备,其特征在于,包括:处理器和存储器,其中,所述存储器中存储有可供处理器调用的计算机程序;
所述处理器通过调用所述存储器中存储的计算机程序,执行权利要求1~6任一项所述的一种胸外科手术信息管理方法。
9.一种计算机可读存储介质,其特征在于:储存有指令,当所述指令在计算机上运行时,使得计算机执行如权利要求1~6任意一项所述的一种胸外科手术信息管理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410253229.XA CN118039103A (zh) | 2024-03-06 | 2024-03-06 | 一种胸外科手术信息管理方法、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410253229.XA CN118039103A (zh) | 2024-03-06 | 2024-03-06 | 一种胸外科手术信息管理方法、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118039103A true CN118039103A (zh) | 2024-05-14 |
Family
ID=90994853
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410253229.XA Pending CN118039103A (zh) | 2024-03-06 | 2024-03-06 | 一种胸外科手术信息管理方法、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118039103A (zh) |
-
2024
- 2024-03-06 CN CN202410253229.XA patent/CN118039103A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10810735B2 (en) | Method and apparatus for analyzing medical image | |
Rajpurkar et al. | Chexnet: Radiologist-level pneumonia detection on chest x-rays with deep learning | |
US11900647B2 (en) | Image classification method, apparatus, and device, storage medium, and medical electronic device | |
CN111160367B (zh) | 图像分类方法、装置、计算机设备和可读存储介质 | |
Sander et al. | Automatic segmentation with detection of local segmentation failures in cardiac MRI | |
CN111462049B (zh) | 一种乳腺超声造影视频中病灶区形态自动标注方法 | |
WO2021151302A1 (zh) | 基于机器学习的药品质控分析方法、装置、设备及介质 | |
CN111080583B (zh) | 医学图像检测方法、计算机设备和可读存储介质 | |
CN111986182A (zh) | 辅助诊断方法、系统、电子设备及存储介质 | |
CN112530550A (zh) | 影像报告生成方法、装置、计算机设备和存储介质 | |
CN111627531A (zh) | 一种基于人工智能的医学影像分类处理系统 | |
CN114913942A (zh) | 患者招募项目智能匹配方法及装置 | |
WO2019124836A1 (ko) | 제1 의료 영상의 관심 영역을 제2 의료 영상 위에 맵핑하는 방법 및 이를 이용한 장치 | |
CN112971718A (zh) | 证候识别方法、装置、电子设备及存储介质 | |
CN112102235A (zh) | 人体部位识别方法、计算机设备和存储介质 | |
CN110570425A (zh) | 一种基于深度强化学习算法的肺结节分析方法及装置 | |
EP3467770B1 (en) | Method for analysing a medical imaging data set, system for analysing a medical imaging data set, computer program product and a computer-readable medium | |
CN111462203B (zh) | Dr病灶演化分析装置和方法 | |
CN111863206A (zh) | 一种图像预处理方法、装置、设备及存储介质 | |
KR102036052B1 (ko) | 인공지능 기반으로 비규격화 피부 이미지의 의료 영상 적합성을 판별 및 변환하는 장치 | |
CN110197722B (zh) | Ai-cpu系统平台 | |
KR101923962B1 (ko) | 의료 영상의 열람을 지원하는 방법 및 이를 이용한 장치 | |
CN118039103A (zh) | 一种胸外科手术信息管理方法、设备及介质 | |
US20180082427A1 (en) | Method and system for image compression | |
CN114972297A (zh) | 口腔健康监测方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |