CN118471426A - 一种脑卒中辅具配置的辅助方法及其系统 - Google Patents

Abstract

本发明公开了一种脑卒中辅具配置的辅助方法及其系统，获取患者数据，所述患者数据包括当前诊疗进展数据，当前康复目标，治疗方案和康复评定结果数据；基于知识库规则对所述患者数据识别潜在并发症信息，基于所述患者数据的康复评定结果数据提取功能障碍特征信息，基于当前康复目标和治疗方案生成辅具支持目标；通过机器学习引擎根据潜在并发症信息、功能障碍特征信息和已接受辅具支持目标生成当前辅具推荐列表；根据诊疗进展、康复评定结果的变化以及用户输入的接受或拒绝信息，动态更新辅具推荐列表。本发明解决现有技术中康复工程不能很好介入康复治疗方案的问题,有结合患者病情发展和治疗方案，提供应有的全面的支持，提高康复效果。

Description

一种脑卒中辅具配置的辅助方法及其系统

技术领域

本发明涉及辅具配置的辅助方法技术领域，尤其涉及一种脑卒中辅具配置的辅助方法及其系统。

背景技术

脑卒中，又称中风或脑血管意外，是一种急性脑血管病，其特征是局灶性神经功能缺失。它主要分为脑梗死和脑出血两种类型，且致残率极高。然而，在脑卒中患者的康复过程中，存在一个显著的问题：医学和工程领域的知识差异导致康复医生和治疗师对康复工程技术和产品的理解不足。同时，由于工作场所和人才资源的限制，康复工程技术人员很少能全面参与制定和实施康复治疗方案。

这种情况使得即使患者得到了良好的医疗治疗，他们也很难及时、顺利、系统地使用到合适的康复辅具。此外，康复辅具种类繁多，不同功能障碍的患者在不同阶段需要不同的辅具。虽然一些辅具在患者群体中得到了广泛应用，但很多医生、患者及其家属对于如何选择以及如何使用这些辅具仍感到困惑。

在辅具专业门店，也存在着按现有辅具进行配置，而不是根据患者的具体需求进行定制的问题。康复工程人员往往没有结合患者的病情发展和治疗方案，有计划、连续、及时地提供全面的康复工程支持，这大大降低了康复工程的效果。因此需要一种脑卒中辅具配置的辅助方法及其系统。

发明内容

本发明的目的是要提供一种脑卒中辅具配置的辅助方法及其系统。

为达到上述目的，本发明是按照以下技术方案实施的：

本发明包括以下步骤：

获取患者数据，所述患者数据包括当前诊疗进展数据，当前康复目标，治疗方案和康复评定结果数据；

基于知识库规则对所述患者数据识别潜在并发症信息，基于所述患者数据的康复评定结果数据提取功能障碍特征信息，基于当前康复目标和治疗方案生成辅具支持目标；

通过机器学习引擎根据潜在并发症信息、功能障碍特征信息和已接受辅具支持目标生成当前辅具推荐列表；

根据诊疗进展、康复评定结果的变化以及用户输入的接受或拒绝信息，动态更新辅具推荐列表。

进一步地，所述提取功能障碍信息方法通过设置关键信息阈值，当输入的当前康复评定结果值达到关键信息阈值时即被提取，所述提取功能障碍特征信息包括设定功能障碍特征的识别阈值应用支持向量机或随机森林算法对功能障碍特征进行分类和识别。

进一步地，生成辅具推荐列表包括决策树分类器，所述决策树分类器，参数配置为最大树深、最大特征数和随机数种子，用于根据输入的特征数据生成辅具推荐。

进一步地，还包括存放医疗规则和相关参数特征的静态数据库用于对比提取功能障碍特征信息。

进一步地，所述获得当前辅具推荐信息方法是以潜在并发症及功能障碍信息和已接受辅具支持目标为输入变量，以推荐辅具信息为输出变量，应用决策树等机器学习算法建立预测模型，将模型历史数据进行学习训练，基于所述预测模型输入该患者的所述潜在并发症及功能障碍信息和已接受辅具支持目标，获得该患者当前推荐辅具信息；所述决策树算法建模为：credit_model= DecisionTreeClassifier(max_depth=10,max_features=3, random_state=25)，

其中credit_model表示模型，DecisionTreeClassifier表示决策树分类器，max_depth表示最大树深，max_features表示最大特征数，random_state=25表示随机数。

进一步地， 所述推荐之后各诊疗进展阶段可能用到的辅具方法，基于规则获得之后诊疗进展阶段序列，就该序列逐项进行推荐辅具的预测，预测方法以已接受辅具信息、当前诊疗进展、当前康复评定结果、当前康复目标和当前康复治疗方案为输入值，以推荐辅具为输出值，应用卷积神经网络等深度学习算法建立模型.

Y=f(w\ast x+b)，

其中：Y表示输出数据，f表示激活函数，w表示权重矩阵，x表示输入，\ast表示卷积运算，b表示偏置项。

进一步地，所述潜在并发症信息，基于当前诊疗进展数据和当前康复评定结果数据获取。

进一步地，所述功能障碍特征信息，还可以基于当前康复目标和治疗方案获取。

进一步地，所述诊疗进展包括病情是否稳定、是否可以前往治疗室康复、是否进入平台期、是否出院、是否进入社区康复机构等。康复评定结果包括：运动功能、认知功能、吞咽功能、言语功能、日常生活活动能力、精神心理;

进一步地，所述潜在并发症包括癫痫、急性脑积水、下肢深静脉血栓形成、压疮、肩手综合征、肩关节半脱位、肌肉废用性萎缩、关节僵硬等。功能障碍信息：指康复评定结果中非正常值，如下降的肌力、变小的关节活动范围。

进一步地，所述康复目标包括近期目标和远期目标,康复治疗方案包括：一般治疗、床边康复、运动康复、作业治疗；辅具支持目标包括：改善关节活动度、恢复肌力、缓解疼痛、预防并发症、代偿功能、提高环境适应能力。

进一步地，所述辅具信息包括辅具名称、适应症和禁忌症、功能、使用方法、注意事项、价格、辅具配置联系方式。

一种脑卒中辅具配置的辅助系统，包括：

获取模块，获取患者数据，所述患者数据包括当前诊疗进展数据，当前康复目标，治疗方案和康复评定结果数据；

识别模块，基于知识库规则对所述患者数据识别潜在并发症信息，基于所述患者数据的康复评定结果数据提取功能障碍特征信息，基于当前康复目标和治疗方案生成辅具支持目标；

生成模块，通过机器学习引擎根据潜在并发症信息、功能障碍特征信息和已接受辅具支持目标生成当前辅具推荐列表；

输出模块，根据诊疗进展、康复评定结果的变化以及用户输入的接受或拒绝信息，动态更新辅具推荐列表。

本发明的有益效果是：

本发明是一种脑卒中辅具配置的辅助方法，与现有技术相比，本发明具有以下技术效果：

本发明解决现有技术中康复工程不能很好介入康复治疗方案的问题,有结合患者病情发展和治疗方案，有计划的连续及时的为康复治疗提供应有的全面的支持，提高康复效果。

附图说明

图1为本发明一种脑卒中辅具配置的辅助系统的流程示意图；

具体实施方式

下面以及具体实施例对本发明作进一步描述，在此发明的示意性实施例以及说明用来解释本发明，但并不作为对本发明的限定。

本发明一种脑卒中辅具配置的辅助系统方法包括以下步骤：

1.输入患者当前诊疗进展、当前康复评定结果，基于知识库规则获取潜在并发症及基于特征工程提取功能障碍信息。

2.输入当前康复目标、当前康复治疗方案，基于特征工程提取辅具支持目标，选择是否接受，确定已接受辅具支持目标。

3.基于潜在并发症及功能障碍信息和已接受辅具支持目标，通过机器学习算法获得当前推荐辅具信息。

4.查看当前推荐辅具信息，选择是否接受，确定已接受辅具信息。

5.根据已接受辅具信息、当前诊疗进展、当前康复评定结果、当前康复目标和当前康复治疗方案通过机器学习算法推荐之后各诊疗进展阶段可能用到的辅具。

6.更新诊疗进展、康复评定结果可更新在并发症及功能障碍信息。更新康复目标、康复治疗方案可更新辅具支持目标。进一步更新辅具推荐信息。

诊疗进展包括：病情是否稳定、是否可以前往治疗室康复、是否进入平台期、是否出院、是否进入社区康复机构等。康复评定结果包括：运动功能、认知功能、吞咽功能、言语功能、日常生活活动能力、精神心理等。潜在并发症包括：癫痫、急性脑积水、下肢深静脉血栓形成、压疮、肩手综合征、肩关节半脱位、肌肉废用性萎缩、关节僵硬等。功能障碍信息：指康复评定结果中非正常值，如下降的肌力、变小的关节活动范围等。

康复目标包括近期目标和远期目标,康复治疗方案包括：一般治疗、床边康复、运动康复、作业治疗等。辅具支持目标包括：改善关节活动度、恢复肌力、缓解疼痛、预防并发症、代偿功能、提高环境适应能力。

辅具信息包括辅具名称、适应症和禁忌症、功能、使用方法、注意事项、价格、辅具配置联系方式。

本发明包括一个存放规则和相关参数特征的静态数据库，也就是专家知识库，该知识库只有建立系统的知识工程师使用，当发现有规则被遗漏或不完善时，知识工程师对该静态数据库进行增加和修改规则。其中，可应用产生式规则，使用IF（当前诊疗进展、当前康复评定结果的条件或前提1）THEN（潜在并发症结论1）的判断语句。

所述提取功能障碍信息方法，可以是通过设置关键信息阈值，当输入的当前康复评定结果值达到关键信息阈值时即被提取，采用支持向量机或随机森林算法对信息进行分类和识别。

所述提取辅具支持目标方法，可以是通过设置关键信息阈值，当输入的当前康复目标和当前康复治疗方案达到关键信息阈值时即被提取。此外还可以利用支持向量机或随机森林算法对信息进行分类和识别。

一种脑卒中辅具配置的辅助推荐系统，包括：

输入模块，配置有用户界面，用于接收患者的当前诊疗进展数据和康复评定结果数据；

知识库模块，存储有知识库规则，用于基于接收的数据识别潜在并发症；

特征工程模块，用于从康复评定结果数据中提取功能障碍特征；

辅具推荐模块，包括机器学习引擎，用于根据潜在并发症、功能障碍特征和已接受辅具支持目标，生成当前辅具推荐列表；

输出模块，用于向用户展示推荐辅具信息，并接收用户的接受或拒绝输入；

更新模块，用于根据诊疗进展、康复评定结果的变化以及用户输入的接受或拒绝信息，动态更新辅具推荐列表。

所述获得当前辅具推荐信息方法，可以是以潜在并发症及功能障碍信息和已接受辅具支持目标为输入变量，以推荐辅具信息为输出变量，应用决策树等机器学习算法建立预测模型，喂给模型历史数据进行学习训练。基于该预测模型输入该患者的所述潜在并发症及功能障碍信息和已接受辅具支持目标，获得该患者当前推荐辅具信息。

所述决策树算法建模为：credit_model= DecisionTreeClassifier(max_depth=10,max_features=3, random_state=25)，其中credit_model表示模型，DecisionTreeClassifier表示决策树分类器，max_depth表示最大树深，max_features表示最大特征数，random_state=25表示随机数。

信息增益：

所述推荐之后各诊疗进展阶段可能用到的辅具方法，首先基于规则获得之后诊疗进展阶段序列。接下来，就该序列逐项进行推荐辅具的预测。

预测方法可以是以已接受辅具信息、当前诊疗进展、当前康复评定结果、当前康复目标和当前康复治疗方案为输入值，以推荐辅具为输出值，应用卷积神经网络等深度学习算法建立模型。Y=f(w\ast x+b))，

其中：Y表示输出数据，f表示激活函数，w表示权重矩阵，x表示输入，\ast表示卷积运算，b表示偏置项。

实施案例一：

一名治疗1月余的脑卒中导致偏瘫的患者，当前诊疗进展为病情稳定、可以前往治疗室、不能出院。康复评定结果为运动功能恢复阶段进展至2期，其中左侧下肢髋屈曲2级，内收、外展肌力2级，左下肢伸膝肌力1级，进食、修饰、二便控制能力较前改善等。第一步输入上述信息。

第二步基于只是规则获取到潜在并发症有肌肉废用性萎缩；基于特征工程提取左侧下肢髋屈曲2级，内收、外展肌力2级，左下肢伸膝肌力1级为功能障碍信息。

第三步输入康复目标为促进功能恢复，促进平衡和生活自理能力恢复，调控心理状态。康复治疗方案为强化偏瘫肢体综合训练，包括肌力强化训练、平衡杠内站立平衡训练、步行训练等，生活自理方面巩固和加强二便控制、修饰、如厕、进食、穿衣、洗澡等能力训练，定期开展新心理疏导，鼓励家庭支持和关心患者。

第四步基于特征工程提取步行、如厕、进食、穿衣、洗澡为辅具支持目标。

第五步用户选择并接受了全部辅具支持目标。

第六步基于提取到的潜在并发症、功能障碍信息和已接受辅具支持目标，通过机器学习算法确定当前辅具推荐信息为：下肢膝踝足矫形器、穿衣进食类自助具、坐便椅、洗浴椅。

第六步用户选择接受了下肢膝踝足矫形器、穿衣进食类自助具和洗浴椅。

第七步基于以上信息，系统进一步推荐了康复效果提升后的平台期可能用到的踝足矫形器、助行器等辅具，以及出院后可能用到的手动轮椅、电动轮椅、坐便椅、扶手、防滑垫等辅具。

实施案例二：脑卒中偏瘫患者的长期康复规划

患者信息输入 :患者背景：58岁，女性，脑卒中后3个月，病情稳定，可前往治疗室。

康复评定：左侧肢体偏瘫，左侧上肢屈肘肌力3级，握力2级，左侧下肢髋屈曲肌力2级。

潜在并发症分析：应用知识库规则考虑到患者的年龄和康复评定结果，预测可能面临关节僵硬和深静脉血栓的风险；

使用随机森林算法对康复评定结果进行分类，提取出功能障碍信息；

康复目标：提高肌力，增强上肢功能，改善日常生活自理能力；

治疗方案采用上肢功能恢复训练，日常生活技能训练，如穿衣、洗澡；

辅具支持目标提取关键信息阈值：基于康复目标，提取出穿衣、洗澡作为辅具支持目标。

辅具推荐采用决策树模型应用：输入患者的肌力水平、潜在并发症和辅具支持目标，模型推荐上肢功能恢复辅具和洗澡用座椅。

患者选择接受上肢功能恢复辅具和洗澡用座椅，考虑到患者的长期康复需求，系统推荐出院后可能需要的手动轮椅和家中安装的扶手。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，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)

1.一种脑卒中辅具配置的辅助方法，其特征在于包括：

获取患者数据，所述患者数据包括当前诊疗进展数据，当前康复目标，治疗方案和康复评定结果数据；

基于知识库规则对所述患者数据识别潜在并发症信息，基于所述患者数据的康复评定结果数据提取功能障碍特征信息，基于当前康复目标和治疗方案生成辅具支持目标；

通过机器学习引擎根据潜在并发症信息、功能障碍特征信息和已接受辅具支持目标生成当前辅具推荐列表；

根据诊疗进展、康复评定结果的变化以及用户输入的接受或拒绝信息，动态更新辅具推荐列表。

2.根据权利要求1所述的一种脑卒中辅具配置的辅助方法，其特征在于，提取所述功能障碍特征信息的方法通过设置关键信息阈值，当输入的当前康复评定结果值达到关键信息阈值时即被提取，所述提取功能障碍特征信息包括设定功能障碍特征的识别阈值应用支持向量机或随机森林算法对功能障碍特征进行分类和识别。

3.根据权利要求1所述的一种脑卒中辅具配置的辅助方法，其特征在于，所述生成当前辅具推荐列表包括决策树分类器，所述决策树分类器，参数配置为最大树深、最大特征数和随机数种子，用于根据输入的特征数据生成辅具推荐。

4.根据权利要求1所述的一种脑卒中辅具配置的辅助方法，其特征在于，还包括存放医疗规则和相关参数特征的静态数据库用于对比提取功能障碍特征信息。

5.根据权利要求1所述的一种脑卒中辅具配置的辅助方法，其特征在于，获得当前辅具推荐信息方法是以潜在并发症及功能障碍信息和已接受辅具支持目标为输入变量，以推荐辅具信息为输出变量，应用决策树等机器学习算法建立预测模型，将模型历史数据进行学习训练，基于所述预测模型输入该患者的所述潜在并发症及功能障碍信息和已接受辅具支持目标，获得该患者当前推荐辅具信息；决策树算法建模为：credit_model=DecisionTreeClassifier(max_depth=10,max_features=3, random_state=25)，

其中credit_model表示模型，DecisionTreeClassifier表示决策树分类器，max_depth表示最大树深，max_features表示最大特征数，random_state表示随机数。

6.根据权利要求1所述的一种脑卒中辅具配置的辅助方法，其特征在于， 所述动态更新辅具推荐列表，推荐之后各诊疗进展阶段可能用到的辅具方法，基于规则获得之后诊疗进展阶段序列，就该序列逐项进行推荐辅具的预测，预测方法以已接受辅具信息、当前诊疗进展、当前康复评定结果、当前康复目标和当前康复治疗方案为输入值，以推荐辅具为输出值，应用卷积神经网络深度学习算法建立模型，

Y=f(w\ast x+b)，

其中：Y表示输出数据，f表示激活函数，w表示权重矩阵，x表示输入，\ast表示卷积运算，b表示偏置项。

7.根据权利要求1所述的一种脑卒中辅具配置的辅助方法，其特征在于，所述潜在并发症信息，基于当前诊疗进展数据和当前康复评定结果数据获取。

8.根据权利要求1所述的一种脑卒中辅具配置的辅助方法，其特征在于，所述功能障碍特征信息，还可以基于当前康复目标和治疗方案获取。

9.一种脑卒中辅具配置的辅助系统，其特征在于包括：

获取模块，获取患者数据，所述患者数据包括当前诊疗进展数据，当前康复目标，治疗方案和康复评定结果数据；

识别模块，基于知识库规则对所述患者数据识别潜在并发症信息，基于所述患者数据的康复评定结果数据提取功能障碍特征信息，基于当前康复目标和治疗方案生成辅具支持目标；

生成模块，通过机器学习引擎根据潜在并发症信息、功能障碍特征信息和已接受辅具支持目标生成当前辅具推荐列表；

输出模块，根据诊疗进展、康复评定结果的变化以及用户输入的接受或拒绝信息，动态更新辅具推荐列表。