CN118155858A - 基于cnn模型的ards患者急性呼吸窘迫应急方法 - Google Patents

Abstract

本申请涉及一种基于CNN模型的ARDS患者急性呼吸窘迫应急方法，从ARDS患者的历史临床病情及就诊数据特征中，识别当前患者的病情等级，以快速响应并输出对应的临床急性呼吸窘迫应急方案，并通过决策分配，让护士快速对ARDS患者实施急性呼吸窘迫应急，提高应急效率。采用智能模型进行融合识别并输出ARDS患者的临床应急措施，能够在得到ARDS患者的检验数据之后，由智能模型快速识别并输出对应的临床应急措施，让护士快速参与急救，避免主治医生花费较多时间分析而耽搁ARDS患者的宝贵救助时间，提高对ARDS患者的急性呼吸窘迫急救效率。

Description

基于CNN模型的ARDS患者急性呼吸窘迫应急方法

技术领域

本公开涉及临床医疗技术领域，尤其涉及一种基于CNN模型的ARDS患者急性呼吸窘迫应急方法、系统及其应用和电子设备。

背景技术

急性呼吸窘迫综合征(ARDS，或者ards)是一种严重的呼吸系统疾病，其临床表现为急性呼吸窘迫、难治性低氧血症等。这种疾病的起病急，病情发展迅速，需要及时诊断和治疗。

急性呼吸窘迫综合征的常见症状包括呼吸急促、口唇及指(趾)端发绀、以及不能用常规氧疗方式缓解的呼吸窘迫(极度缺氧的表现)，可伴有胸闷、咳嗽、血痰等症状。病情危重者可出现意识障碍，甚至死亡等。

体格检查时，患者可能会有呼吸急促、鼻翼扇动、三凹征等表现。听诊双肺早期可无啰音，偶闻及哮鸣音，后期可闻及细湿啰音，卧位时背部明显。叩诊可及浊音；合并肺不张叩诊可及实音，合并气胸则出现皮下气肿、叩诊鼓音等。

急性呼吸窘迫综合征的病因包括肺内原因和肺外原因两大类。肺炎、误吸、肺挫伤，全身严重感染、严重多发伤等都可能引起急性呼吸窘迫综合征。

国际上多采用“柏林定义模型”对ARDS作出诊断及严重程度分层，并需与多种疾病进行鉴别诊断。对于急性呼吸窘迫综合征的治疗，需要采取综合治疗措施，包括机械通气、抗炎治疗、液体管理、营养支持等。

采用“柏林定义模型”对ARDS作出诊断及严重程度分层，即通过“ARDS柏林定义”，进行如下诊断：

一、定义：

1、发病时机：已知临床诱因后，或新出现或原有呼吸系统症状加重后1周内发病；

2、胸部影像学检查：通过胸片或CT扫描，可观察到双肺透光度减低，且不能完全用胸腔积液、肺叶不张或结节解释；

3、肺水肿来源：无法用心功能衰竭或液体负荷过多解释的呼吸衰竭，如果没有危险因素，则需要客观评估(如心脏超声检查)排除静水压升高的肺水肿。

二、诊断标准：柏林定义模型依据患者的不同氧合情况，将病情分为轻、中和重度，这三个病情等级：

1、轻度：PEEP/CPAP≥5cmH20时，200mmHg＜PaO2/FiO2≤300mmHg；

2、中度：PEEP/CPAP≥5cmH20时，100mmHg＜PaO2/FiO2≤200mmHg；

3、重度：PEEP/CPAP≥5cmH20时，PaO2/FiO2≤100mmHq；

CPAP即持续气道正压，PEEP即呼气末正压，如果海拔超过1000m，应根据如下公式进行校正：[氧合：PaO2/FiO2 X(大气压/760)]。

柏林定义模型虽然能够ards患者的临床诊断检查报告输出相应的病情等级，用于指导医护人员进行处理，但是对于病人人的具体症状、病情以及及应急救援所需要的具体诊疗方案，有待主治医生分析当前ards患者的各类检查报告，以此给出最终的急性呼吸窘迫应急救援方案。这个过程涉及到检查数据的等待、报告生成和报告上传和分析，需要花费较长时间，最终需要主治医生进行把控，给出最终的急性呼吸窘迫应急救援方案。

但ARDS患者的急性呼吸窘迫应急救援，具有窘迫性，若是在少许时间内得不到应急处理，则会直接导致患者呼吸衰竭而死、缺氧脑死亡等等。因此，传统方案需要花费较多时间进行最终的急性呼吸窘迫应急救援输出，无法让护士等率先介入应急急救，会耽搁ARDS患者的急性呼吸窘迫应急救援。

发明内容

为了解决上述问题，本申请提出一种基于CNN模型的ARDS患者急性呼吸窘迫应急方法、系统及其应用和电子设备。

本申请一方面，提出一种基于CNN模型的ARDS患者急性呼吸窘迫应急方法，包括如下步骤：

构建柏林定义模型；

收集ARDS患者的临床历史大数据，并基于CNN模型训练学习对应的ARDS患者临床诊断模型；

采集ARDS患者的临床检验数据，并分别导入所述柏林定义模型和所述ARDS患者临床诊断模型；

通过所述柏林定义模型识别出ARDS患者的病情等级，并发送至所述ARDS患者临床诊断模型；

通过所述ARDS患者临床诊断模型结合ARDS患者的所述病情等级，输出对应ARDS患者的临床应急措施；

将所述临床应急措施保存在后台数据库中，并通过后台服务器同步下发至对应护士的EDA终端。

作为本申请的一可选实施方案，可选地，构建柏林定义模型，包括：

解析所述柏林定义模型的模型结构；

基于所述模型结构，构建对应的所述柏林定义模型，并进行参数配置；

配置完毕，将所述柏林定义模型部署在所述后台服务器上。

作为本申请的一可选实施方案，可选地，收集ARDS患者的临床历史大数据，并基于CNN模型训练学习对应的ARDS患者临床诊断模型，包括：

检索后台数据库，从中筛选出ARDS患者的所述临床历史大数据，包括：ARDS患者的临床历史大数据，所述临床历史大数据包括：症状描述信息、胸部X光片分析结果、CT扫描结果、CPAP和PEEP数据、肺功能测试数据以及临床上为不同病情等级的ARDS患者所确定的临床应急措施；

对所述临床历史大数据进行预处理，并将预处理后的所述临床历史大数据进行分类，构建对应的训练集数据；

将所述训练集数据导入CNN模型，基于CNN模型的卷积神经网络进行数据特征的提取和学习，让CNN模型学习并识别ARDS患者在不同病情等级下的临床应急措施，得到所述ARDS患者临床诊断模型的初始模型；

实时采集带有标签的ARDS患者的临床数据，对所述ARDS患者临床诊断模型的初始模型进行临床优化训练，并进行模型测试和评估；

当评估发现模型的识别精度达到预设值，则生成最终的所述ARDS患者临床诊断模型；

对所述ARDS患者临床诊断模型进行参数配置；

配置完毕，将所述ARDS患者临床诊断模型部署在所述后台服务器上；

建立所述ARDS患者临床诊断模型与所述柏林定义模型之间的数据接口，所述数据接口用于：将所述柏林定义模型识别出ARDS患者的病情等级发送至所述ARDS患者临床诊断模型。

作为本申请的一可选实施方案，可选地，带有标签的ARDS患者的临床数据，为根据已确诊的ARDS患者的临床检验数据，所标记的对应病情等级以及对应的临床应急措施；

带有标签的ARDS患者的临床数据，采集随机调取的方式，从HIS系统中的若干不同ARDS患者的病历单中调取得到。

作为本申请的一可选实施方案，可选地，通过所述柏林定义模型识别出ARDS患者的病情等级，并发送至所述ARDS患者临床诊断模型，包括：

所述柏林定义模型接收ARDS患者的所述临床检验数据，并对所述临床检验数据进行解析，获得ARDS患者的氧合值和PEEP值；

基于氧合值和PEEP值，输出对应匹配的ARDS患者的第一病情等级D1；

所述后台服务器，将ARDS患者的所述第一病情等级D1绑定在ARDS患者的就诊ID之下，并保存在所述后台数据库中；

同时，通过所述ARDS患者临床诊断模型与所述柏林定义模型之间的数据接口，将ARDS患者的所述第一病情等级D1传输至所述ARDS患者临床诊断模型。

作为本申请的一可选实施方案，可选地，通过所述ARDS患者临床诊断模型结合ARDS患者的所述病情等级，输出对应ARDS患者的临床应急措施，包括：

所述ARDS患者临床诊断模型接收ARDS患者的所述临床检验数据和ARDS患者的所述第一病情等级D1；

对所述临床检验数据进行解析，获得ARDS患者的ARDS症状特征；

基于所述ARDS症状特征，识别并输出ARDS患者的第二病情等级D2以及对应的临床应急措施；

将ARDS患者的所述第一病情等级D1与所述第二病情等级D2进行比对：

若：

D2＜D1，

则由所述ARDS患者临床诊断模型直接输出所匹配的所述临床应急措施k1；

若：

D1≤D2，

则将所述第二病情等级D2替换为所述第一病情等级D1，并由所述ARDS患者临床诊断模型输出与所述第一病情等级D1所匹配的所述临床应急措施k2。

作为本申请的一可选实施方案，可选地，将所述临床应急措施保存在后台数据库中，并通过后台服务器同步下发至对应护士的EDA终端，包括：

所述后台服务器，将ARDS患者的所述临床应急措施k1/k2绑定在ARDS患者的就诊ID之下，并保存在所述后台数据库中；

查找与ARDS患者的就诊ID进行绑定的护士的EDA终端，并向该护士的EDA终端下发报警，同步下发ARDS患者的所述临床应急措施k1/k2；

护士通过EDA终端接收并查看ARDS患者的所述临床应急措施k1/k2，并开始对当前ARDS患者执行对应的所述临床应急措施k1/k2。

本申请另一方面，提出一种实现所述基于CNN模型的ARDS患者急性呼吸窘迫应急方法的系统，包括：

检测系统，用于采集ARDS患者的临床检验数据；

后台服务器，用于调用预先部署的柏林定义模型识别出ARDS患者的病情等级，并发送至所述ARDS患者临床诊断模型；以及调用预先部署的ARDS患者临床诊断模型结合ARDS患者的所述病情等级，输出对应ARDS患者的临床应急措施；

后台数据库，用于存储数据；

EDA终端，用于护士查看当前ARDS患者的临床应急措施，并对当前ARDS患者执行所述临床应急措施。

本申请另一方面，还提出一种所述基于CNN模型的ARDS患者急性呼吸窘迫应急方法的应用，该方法将用于ARDS患者在出现急性呼吸窘迫情况下的应急处理，由护士根据临床应急措施对ARDS患者进行呼吸急救。

本申请另一方面，还提出一种电子设备，包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为执行所述可执行指令时实现所述的一种基于CNN模型的ARDS患者急性呼吸窘迫应急方法。

本发明的技术效果：

本申请通过从ARDS患者的历史临床病情及就诊数据特征中，识别当前患者的病情等级，以快速响应并输出对应的临床急性呼吸窘迫应急方案，并通过决策分配，让护士快速对ARDS患者实施急性呼吸窘迫应急，提高应急效率。采用智能模型进行融合识别并输出ARDS患者的临床应急措施，能够在得到ARDS患者的检验数据之后，由智能模型快速识别并输出对应的临床应急措施，让护士快速参与急救，避免主治医生花费较多时间分析而耽搁ARDS患者的宝贵救助时间，提高对ARDS患者的急性呼吸窘迫急救效率。

根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。

附图说明

包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本公开的示例性实施例、特征和方面，并且用于解释本公开的原理。

图1示出为本发明的实施流程示意图；

图2示出为本发明柏林定义模型的模型结构示意图；

图3示出为本发明所采用的CNN模型的模型网络结构示意图；

图4示出为本发明所采用的柏林定义模型与ARDS患者临床诊断模型配合应用的模型交互示意图；

图5示出为本发明的应用系统示意图；

图6示出为本发明电子设备的应用示意图。

具体实施方式

以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。

在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。

另外，为了更好的说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。

实施例1

如图1所示，本申请一方面，提出一种基于CNN模型的ARDS患者急性呼吸窘迫应急方法，包括如下步骤：

S1、构建柏林定义模型；

S2、收集ARDS患者的临床历史大数据，并基于CNN模型训练学习对应的ARDS患者临床诊断模型；

S3、采集ARDS患者的临床检验数据，并分别导入所述柏林定义模型和所述ARDS患者临床诊断模型；

S4、通过所述柏林定义模型识别出ARDS患者的病情等级，并发送至所述ARDS患者临床诊断模型；

S5、通过所述ARDS患者临床诊断模型结合ARDS患者的所述病情等级，输出对应ARDS患者的临床应急措施；

S6、将所述临床应急措施保存在后台数据库中，并通过后台服务器同步下发至对应护士的EDA终端。

本方案融合了柏林定义模型和基于基于CNN训练学习的ARDS患者临床诊断模型，以此输出ARDS患者的临床应急措施，并让护士对ARDS患者应急响应并执行该临床应急措施，以此节省呼吸急救时间，避免耽搁对ARDS患者的临床应急救援而出现生命危险。

本方案对于ARDS患者，需要考虑到其发病的急性呼吸窘迫情形，即使在急诊救治，也需要采集各样数据，再结合CT或者ECMO、PEEP进行治疗。本方案通过算法模型，从ARDS患者的历史临床病情及就诊数据特征中，识别当前患者的病情等级，以快速响应并输出对应的临床急性呼吸窘迫应急方案，并通过决策分配，让护士快速对ARDS患者实施急性呼吸窘迫应急，提高应急效率。

下面将具体描述本方案的实施方案。

作为本申请的一可选实施方案，可选地，构建柏林定义模型，包括：

解析所述柏林定义模型的模型结构；

基于所述模型结构，构建对应的所述柏林定义模型，并进行参数配置；

配置完毕，将所述柏林定义模型部署在所述后台服务器上。

如图2所示，为柏林定义模型的模型结构，该模型中，针对不同的氧合值和PEEP等，设定了不同的ARDS病程等级，能够评估ARDS患者的病情等级。

具体可以根据表格或者其他公式的建模模式，构建对应的柏林定义模型，并部署在后台服务器上。

柏林定义模型，其具体功能和构建，结合现有柏林定义的模型结构创建即可，本实施例不作限定。

柏林定义模型中，其病情等级值越低，表明病情越严重，死亡率越高，因此，采取病情等级值越低所对应的积极措施进行输出，便于对ARDS患者进行对应症状的临床呼吸急救处理。

本方案需要利用结合柏林定义模型输出对应的病情等级，并与ARDS患者临床诊断模型输出的病情等级进行对比，以此融合两个模型的识别尺度，蓝分析判断病人的应急措施。

CNN模型：

如附图3所示的一种CNN模型。CNN(卷积神经网络)是一种深度学习模型，广泛应用于计算机视觉和其他领域。以下是CNN模型的主要特点和应用:

1.卷积层:CNN的核心在于卷积层，它通过将过滤器也称为卷积核)滑动到输入图像上，逐像素地进行卷积运算，以生成特征图。这些特征图代表输入图像的不同特征级别，如边缘、颜色、纹理等。

2.池化层:池化层通常在卷积层之间出现，用于降低特征图的尺寸，同时保持重要的特征信息。池化操作可以是最大池化、平均池化或其他形式的池化。

全连接层Q:在网络的较深层次，通常会加入全连接层，这些层负责将特征映射到输出的类别标签。

反向传播Q(BP):CNN的学习过程通常采用反向传播算法，这是一种有效的优化技术，用于更新网络中的权重参数以最小化预测错误。

灵活性和通用性:CNN具有很强的平移不变性，这意味着它们能够在不同大小或旋转的图像上进行良好的性能。此外，CNN模型结构的设计使其能够适应多种任务，如图像分类、目标检测等。

常见CNN架构:CNN模型有许多变体，如LeNet-5、AlexNet、VGGNet、GoogleInception Net和ResNet等。这些模型展示了CNN在不同场景下的强大能力。

本方案所采用的CNN模型的模型训练架构，本实施例不做限定。

作为本申请的一可选实施方案，可选地，收集ARDS患者的临床历史大数据，并基于CNN模型训练学习对应的ARDS患者临床诊断模型，包括：

检索后台数据库，从中筛选出ARDS患者的所述临床历史大数据，包括：ARDS患者的临床历史大数据，所述临床历史大数据包括：症状描述信息、胸部X光片分析结果、CT扫描结果、CPAP和PEEP数据、肺功能测试数据以及临床上为不同病情等级的ARDS患者所确定的临床应急措施；

对所述临床历史大数据进行预处理，并将预处理后的所述临床历史大数据进行分类，构建对应的训练集数据；

将所述训练集数据导入CNN模型，基于CNN模型的卷积神经网络进行数据特征的提取和学习，让CNN模型学习并识别ARDS患者在不同病情等级下的临床应急措施，得到所述ARDS患者临床诊断模型的初始模型；

实时采集带有标签的ARDS患者的临床数据，对所述ARDS患者临床诊断模型的初始模型进行临床优化训练，并进行模型测试和评估；

当评估发现模型的识别精度达到预设值，则生成最终的所述ARDS患者临床诊断模型；

对所述ARDS患者临床诊断模型进行参数配置；

配置完毕，将所述ARDS患者临床诊断模型部署在所述后台服务器上；

建立所述ARDS患者临床诊断模型与所述柏林定义模型之间的数据接口，所述数据接口用于：将所述柏林定义模型识别出ARDS患者的病情等级发送至所述ARDS患者临床诊断模型。

具体的训练步骤如下：

1.数据收集：收集患者的临床数据，包括症状描述信息、胸部X光片分析结果、CT扫描结果、CPAP和PEEP数据、肺功能测试数据以及临床上为不同病情等级的ARDS患者所确定的临床应急措施等ARDS患者临床大数据。这些数据将被用于训练和测试CNN模型。

2.数据预处理：对收集到的数据进行预处理，包括去噪、增强、归一化等操作，以提高模型的准确性和泛化能力。

3.构建CNN模型：使用预处理后的数据构建CNN模型。该模型将接受输入数据，并自动学习从数据中提取有用的特征，识别不同临床数据下的ARDS症状特征以及在不同病情等级下的临床应急措施。可以输出后为临床主治医生提供快速的辅助诊断结果，可以让医护人员尤其是护士按照模型输出的病情等级及对应的临床应急措施，对当前ARDS患者进行应急救助，避免主治医生花费时间分析各类检查报告而耽搁ARDS患者的急性呼吸窘迫应急救援，造成生命危险。

4.训练模型：使用带有标签的临床数据对CNN模型进行训练，得到相应的基于CNN训练生成的ARDS患者临床诊断模型。标签是已知的ARDS诊断结果或其他相关结果。训练过程中，模型将不断调整其参数以最小化预测错误。

5.测试和评估：使用独立的测试数据集对训练好的ARDS患者临床诊断模型进行测试和评估。评估指标包括准确率、精确率、召回率等。

6.应用模型：根据评估结果对ARDS患者临床诊断模型进行优化，然后将其应用于实际的临床实践中。医生可以将患者的影像学检查结果输入到系统中，系统调用ARDS患者临床诊断模型将自动分析并给出诊断结果和建议。

7.反馈和改进：收集系统在实际应用中的反馈，包括诊断结果的准确性、系统的易用性等。根据反馈对系统进行改进和优化，以提高其性能和实用性。

基于CNN算法模型的ARDS患者临床急性呼吸窘迫应急系统的优势在于能够自动从大量的临床数据中提取有用的特征，并快速准确地诊断ARDS。这有助于提高诊断的准确性和效率，为患者提供更好的治疗方案和预后管理。此外，该系统还可以为医生提供辅助决策支持，帮助他们更好地理解和诊断ARDS。

作为本申请的一可选实施方案，可选地，带有标签的ARDS患者的临床数据，为根据已确诊的ARDS患者的临床检验数据，所标记的对应病情等级以及对应的临床应急措施；

带有标签的ARDS患者的临床数据，采集随机调取的方式，从HIS系统中的若干不同ARDS患者的病历单中调取得到。

通过带有标签的ARDS患者的临床数据，能够对初始模型进行模型识别能力的优化。

可以从HIS病历系统中，随机抽取当前ARDS患者的临床数据，ARDS患者的临床数据需要具备数据标注，比如病情等级和对应的临床应急措施的标注标签。

通过将这些标注数据导入初始模型，以此优化训练初始模型，生成ARDS患者临床诊断模型。

因ARDS患者临床诊断模型能够识别病人的病情等级和对应的临床应急措施，为了着重处理病人的呼吸应急，融合柏林定义模型输出的疾病等级来综合确定ARDS患者的临床应急措施。因此，两个模型之间留有数据接口，用于柏林定义模型输出疾病等级至ARDS患者临床诊断模型。

模型之间的数据接口比如USB或者API接口等等，皆可。

当两个模型都训练完毕，将其部署在后台服务器上即可，由管理员进行参数配置之后，即可用于ARDS患者的呼吸应急辅助，为护士提供对应的临床应急措施，快速参与对ARDS患者的临床急救，避免耽搁时间。

如图4所示，为两个模型之间的交互关系。

作为本申请的一可选实施方案，可选地，通过所述柏林定义模型识别出ARDS患者的病情等级，并发送至所述ARDS患者临床诊断模型，包括：

所述柏林定义模型接收ARDS患者的所述临床检验数据，并对所述临床检验数据进行解析，获得ARDS患者的氧合值和PEEP值；

基于氧合值和PEEP值，输出对应匹配的ARDS患者的第一病情等级D1；

所述后台服务器，将ARDS患者的所述第一病情等级D1绑定在ARDS患者的就诊ID之下，并保存在所述后台数据库中；

同时，通过所述ARDS患者临床诊断模型与所述柏林定义模型之间的数据接口，将ARDS患者的所述第一病情等级D1传输至所述ARDS患者临床诊断模型。

柏林定义模型，仅仅对检查数据中的氧合值和PEEP值进行识别，因此，模型会首先对数据进行解析、筛选处理，得到ARDS患者的氧合值和PEEP值。再根据模型中的数字匹配，输出对应的ARDS患者的所述第一病情等级D1，后续将绑定在ARDS患者的就诊ID之下。

具体可以由后台服务器转发第一病情等级D1至HIS病历系统，并将其写入ARDS患者的就诊ID之下。

后台服务器上部署的后台数据库、模型等等，具体结合上述描述进行交互即可。

作为本申请的一可选实施方案，可选地，通过所述ARDS患者临床诊断模型结合ARDS患者的所述病情等级，输出对应ARDS患者的临床应急措施，包括：

所述ARDS患者临床诊断模型接收ARDS患者的所述临床检验数据和ARDS患者的所述第一病情等级D1；

对所述临床检验数据进行解析，获得ARDS患者的ARDS症状特征；

基于所述ARDS症状特征，识别并输出ARDS患者的第二病情等级D2以及对应的临床应急措施；

将ARDS患者的所述第一病情等级D1与所述第二病情等级D2进行比对：

若：

D2＜D1，

则由所述ARDS患者临床诊断模型直接输出所匹配的所述临床应急措施k1；

若：

D1≤D2，

则将所述第二病情等级D2替换为所述第一病情等级D1，并由所述ARDS患者临床诊断模型输出与所述第一病情等级D1所匹配的所述临床应急措施k2。

通过ARDS患者临床诊断模型能够识别出一个ARDS患者的第二病情等级D2，此时需要结合柏林定义模型输出的第一病情等级D1，进行比对，以等级小的为准，输出对应的临床应急措施。

等级D越小，表示ARDS患者的呼吸越急迫，严重，因此以等级小值作为标准，识别对应的应急措施。

本实施例中，对应不同病情等级的临床应急措施，由医护人员进行设定即可。

ARDS患者临床诊断模型经过训练，可以识别对应不同病情等级的临床应急措施。

当D1≤D2，则由ARDS患者临床诊断模型输出的病情等级较大，因此以柏林定义模型输出的第一病情等级D1，来识别并输出对应的临床应急措施。

ARDS患者临床诊断模型，将所述第二病情等级D2替换为所述第一病情等级D1，并由所述ARDS患者临床诊断模型输出与所述第一病情等级D1所匹配的所述临床应急措施k2。

以此能够按照最严重的等级，来为ARDS患者提供临床护理。

作为本申请的一可选实施方案，可选地，将所述临床应急措施保存在后台数据库中，并通过后台服务器同步下发至对应护士的EDA终端，包括：

所述后台服务器，将ARDS患者的所述临床应急措施k1/k2绑定在ARDS患者的就诊ID之下，并保存在所述后台数据库中；

查找与ARDS患者的就诊ID进行绑定的护士的EDA终端，并向该护士的EDA终端下发报警，同步下发ARDS患者的所述临床应急措施k1/k2；

护士通过EDA终端接收并查看ARDS患者的所述临床应急措施k1/k2，并开始对当前ARDS患者执行对应的所述临床应急措施k1/k2。

如图5所示，为后台的功能架构。

模型构建好之后，进行参数配置后，可以将其模型文件下载并安装对应的模型在后台服务器上。

在后台服务器上还可以，由管理员设定对应的模型调用程序，以此实现利用两个模型进行临床应急的筛查工作。

对于后台服务器上的HIS系统，可以记录ARDS患者的各项数据，包括检测数据、由两个模型分别输出的病情等级和最终输出的临床应急措施k1或者临床应急措施k2。

后台服务器还用于管理各个护士的手持设备：EDA终端。将各个护士对应护理的ARDS患者的信息与EDA终端的设备编号等进行绑定，后续可以直接查看各个护士所护理的ARDS患者，并可以基于绑定关系，将最终生成的临床应急措施k1或者临床应急措施k2发送至对应护士的EDA终上，并发出报警，通知对应护士对当前的ARDS患者执行临床应急措施k1或者临床应急措施k2。

因此，本申请通过采用智能模型进行融合识别并输出ARDS患者的临床应急措施，能够在得到ARDS患者的检验数据之后，由智能模型快速识别并输出对应的临床应急措施，让护士快速参与急救，避免主治医生花费较多时间分析而耽搁ARDS患者的宝贵救助时间，提高对ARDS患者的急性呼吸窘迫急救效率。

显然，本领域的技术人员应该明白，实现上述实施例中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成的，程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各控制的实施例的流程。本领域技术人员可以理解，实现上述实施例中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成的，程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各控制的实施例的流程。其中，存储介质可为磁碟、光盘、只读存储记忆体(Read-OnlyMemory，ROM)、随机存储记忆体(RandomAccessMemory，RAM)、快闪存储器(FlashMemory)、硬盘(HardDiskDrive，缩写：HDD)或固态硬盘(Solid-StateDrive，SSD)等；存储介质还可以包括上述种类的存储器的组合。

实施例2

基于实施例1的实施原理，本申请另一方面，提出一种实现所述基于CNN模型的ARDS患者急性呼吸窘迫应急方法的系统，包括：

检测系统，用于采集ARDS患者的临床检验数据；

后台服务器，用于调用预先部署的柏林定义模型识别出ARDS患者的病情等级，并发送至所述ARDS患者临床诊断模型；以及调用预先部署的ARDS患者临床诊断模型结合ARDS患者的所述病情等级，输出对应ARDS患者的临床应急措施；

后台数据库，用于存储数据；

EDA终端，用于护士查看当前ARDS患者的临床应急措施，并对当前ARDS患者执行所述临床应急措施。

上述检测系统，可以是用于患者检查各种项目比如胸片、X光、CT等医疗检测系统，具体由对应所需的数据类型进行使用即可。

各个主体之间的交互和功能，请具体结合实施例1进行理解。本实施例不再赘述。

上述的本发明的各模块或各步骤可以用通用的计算系统来实现，它们可以集中在单个的计算系统上，或者分布在多个计算系统所组成的网络上，可选地，它们可以用计算系统可执行的程序代码来实现，从而，可以将它们存储在存储系统中由计算系统来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。

实施例3

本申请另一方面，还提出一种所述基于CNN模型的ARDS患者急性呼吸窘迫应急方法的应用，该方法将用于ARDS患者在出现急性呼吸窘迫情况下的应急处理，由护士根据临床应急措施对ARDS患者进行呼吸急救。

具体应用请结合实施例1进行理解。

实施例4

如图6所示，更进一步地，本申请另一方面，还提出电子设备，包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为执行所述可执行指令时实现所述的一种基于CNN模型的ARDS患者急性呼吸窘迫应急方法。

本公开实施例来电子设备包括处理器以及用于存储处理器可执行指令的存储器。其中，处理器被配置为执行可执行指令时实现前面任一所述的一种基于CNN模型的ARDS患者急性呼吸窘迫应急方法。

此处，应当指出的是，处理器的个数可以为一个或多个。同时，在本公开实施例的电子设备中，还可以包括输入系统和输出系统。其中，处理器、存储器、输入系统和输出系统之间可以通过总线连接，也可以通过其他方式连接，此处不进行具体限定。

存储器作为一计算机可读存储介质，可用于存储软件程序、计算机可执行程序和各种模块，如：本公开实施例的一种基于CNN模型的ARDS患者急性呼吸窘迫应急方法所对应的程序或模块。处理器通过运行存储在存储器中的软件程序或模块，从而执行电子设备的各种功能应用及数据处理。

输入系统可用于接收输入的数字或信号。其中，信号可以为产生与设备/终端/服务器的用户设置以及功能控制有关的键信号。输出系统可以包括显示屏等显示设备。

以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims (10)

1.一种基于CNN模型的ARDS患者急性呼吸窘迫应急方法，其特征在于，包括如下步骤：

构建柏林定义模型；

收集ARDS患者的临床历史大数据，并基于CNN模型训练学习对应的ARDS患者临床诊断模型；

采集ARDS患者的临床检验数据，并分别导入所述柏林定义模型和所述ARDS患者临床诊断模型；

通过所述柏林定义模型识别出ARDS患者的病情等级，并发送至所述ARDS患者临床诊断模型；

通过所述ARDS患者临床诊断模型结合ARDS患者的所述病情等级，输出对应ARDS患者的临床应急措施；

将所述临床应急措施保存在后台数据库中，并通过后台服务器同步下发至对应护士的EDA终端。

2.根据权利要求1所述的一种基于CNN模型的ARDS患者急性呼吸窘迫应急方法，其特征在于，构建柏林定义模型，包括：

解析所述柏林定义模型的模型结构；

基于所述模型结构，构建对应的所述柏林定义模型，并进行参数配置；

配置完毕，将所述柏林定义模型部署在所述后台服务器上。

3.根据权利要求1所述的一种基于CNN模型的ARDS患者急性呼吸窘迫应急方法，其特征在于，收集ARDS患者的临床历史大数据，并基于CNN模型训练学习对应的ARDS患者临床诊断模型，包括：

检索后台数据库，从中筛选出ARDS患者的所述临床历史大数据，包括：ARDS患者的临床历史大数据，所述临床历史大数据包括：症状描述信息、胸部X光片分析结果、CT扫描结果、CPAP和PEEP数据、肺功能测试数据以及临床上为不同病情等级的ARDS患者所确定的临床应急措施；

对所述临床历史大数据进行预处理，并将预处理后的所述临床历史大数据进行分类，构建对应的训练集数据；

将所述训练集数据导入CNN模型，基于CNN模型的卷积神经网络进行数据特征的提取和学习，让CNN模型学习并识别ARDS患者在不同病情等级下的临床应急措施，得到所述ARDS患者临床诊断模型的初始模型；

实时采集带有标签的ARDS患者的临床数据，对所述ARDS患者临床诊断模型的初始模型进行临床优化训练，并进行模型测试和评估；

当评估发现模型的识别精度达到预设值，则生成最终的所述ARDS患者临床诊断模型；

对所述ARDS患者临床诊断模型进行参数配置；

配置完毕，将所述ARDS患者临床诊断模型部署在所述后台服务器上；

建立所述ARDS患者临床诊断模型与所述柏林定义模型之间的数据接口，所述数据接口用于：将所述柏林定义模型识别出ARDS患者的病情等级发送至所述ARDS患者临床诊断模型。

4.根据权利要求3所述的一种基于CNN模型的ARDS患者急性呼吸窘迫应急方法，其特征在于，带有标签的ARDS患者的临床数据，为根据已确诊的ARDS患者的临床检验数据，所标记的对应病情等级以及对应的临床应急措施；

带有标签的ARDS患者的临床数据，采集随机调取的方式，从HIS系统中的若干不同ARDS患者的病历单中调取得到。

5.根据权利要求1所述的一种基于CNN模型的ARDS患者急性呼吸窘迫应急方法，其特征在于，通过所述柏林定义模型识别出ARDS患者的病情等级，并发送至所述ARDS患者临床诊断模型，包括：

所述柏林定义模型接收ARDS患者的所述临床检验数据，并对所述临床检验数据进行解析，获得ARDS患者的氧合值和PEEP值；

基于氧合值和PEEP值，输出对应匹配的ARDS患者的第一病情等级D1；

所述后台服务器，将ARDS患者的所述第一病情等级D1绑定在ARDS患者的就诊ID之下，并保存在所述后台数据库中；

同时，通过所述ARDS患者临床诊断模型与所述柏林定义模型之间的数据接口，将ARDS患者的所述第一病情等级D1传输至所述ARDS患者临床诊断模型。

6.根据权利要求5所述的一种基于CNN模型的ARDS患者急性呼吸窘迫应急方法，其特征在于，通过所述ARDS患者临床诊断模型结合ARDS患者的所述病情等级，输出对应ARDS患者的临床应急措施，包括：

所述ARDS患者临床诊断模型接收ARDS患者的所述临床检验数据和ARDS患者的所述第一病情等级D1；

对所述临床检验数据进行解析，获得ARDS患者的ARDS症状特征；

基于所述ARDS症状特征，识别并输出ARDS患者的第二病情等级D2以及对应的临床应急措施；

将ARDS患者的所述第一病情等级D1与所述第二病情等级D2进行比对：

若：

D2＜D1，

则由所述ARDS患者临床诊断模型直接输出所匹配的所述临床应急措施k1；

若：

D1≤D2，

则将所述第二病情等级D2替换为所述第一病情等级D1，并由所述ARDS患者临床诊断模型输出与所述第一病情等级D1所匹配的所述临床应急措施k2。

7.根据权利要求6所述的一种基于CNN模型的ARDS患者急性呼吸窘迫应急方法，其特征在于，将所述临床应急措施保存在后台数据库中，并通过后台服务器同步下发至对应护士的EDA终端，包括：

所述后台服务器，将ARDS患者的所述临床应急措施k1/k2绑定在ARDS患者的就诊ID之下，并保存在所述后台数据库中；

查找与ARDS患者的就诊ID进行绑定的护士的EDA终端，并向该护士的EDA终端下发报警，同步下发ARDS患者的所述临床应急措施k1/k2；

护士通过EDA终端接收并查看ARDS患者的所述临床应急措施k1/k2，并开始对当前ARDS患者执行对应的所述临床应急措施k1/k2。

8.一种实现权利要求1-7中任一项所述基于CNN模型的ARDS患者急性呼吸窘迫应急方法的系统，其特征在于，包括：

检测系统，用于采集ARDS患者的临床检验数据；

后台服务器，用于调用预先部署的柏林定义模型识别出ARDS患者的病情等级，并发送至所述ARDS患者临床诊断模型；以及调用预先部署的ARDS患者临床诊断模型结合ARDS患者的所述病情等级，输出对应ARDS患者的临床应急措施；

后台数据库，用于存储数据；

EDA终端，用于护士查看当前ARDS患者的临床应急措施，并对当前ARDS患者执行所述临床应急措施。

9.一种权利要求1-7中任一项所述基于CNN模型的ARDS患者急性呼吸窘迫应急方法的应用，其特征在于，该方法将用于ARDS患者在出现急性呼吸窘迫情况下的应急处理，由护士根据临床应急措施对ARDS患者进行呼吸急救。

10.一种电子设备，其特征在于，包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为执行所述可执行指令时实现权利要求1-7中任一项所述的一种基于CNN模型的ARDS患者急性呼吸窘迫应急方法。