TW202211258A - 高齡流感病情預測系統、程式產品及其建立與使用方法 - Google Patents
高齡流感病情預測系統、程式產品及其建立與使用方法 Download PDFInfo
- Publication number
- TW202211258A TW202211258A TW109130621A TW109130621A TW202211258A TW 202211258 A TW202211258 A TW 202211258A TW 109130621 A TW109130621 A TW 109130621A TW 109130621 A TW109130621 A TW 109130621A TW 202211258 A TW202211258 A TW 202211258A
- Authority
- TW
- Taiwan
- Prior art keywords
- medical
- influenza
- elderly
- prediction
- data
- Prior art date
Links
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/80—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for detecting, monitoring or modelling epidemics or pandemics, e.g. flu
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Public Health (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本發明涉及一種高齡流感病情預測系統、程式產品及其建立與使用方法。該高齡流感病情預測系統的建立,係先自一醫療資料庫獲取一流感醫療數據,並篩選出年齡大於65歲到診及排除到院前心肺功能停止之高齡流感病患,之後以生命徵象、病史、病人行動狀態及血液檢驗值等特徵變數進行AI學習,以獲得包括轉住院機率、併發肺炎機率、併發敗血症或休克機率、轉加護病房機率及死亡機率等預測模型;於一伺服器主機建立一醫療資訊系統服務介面、一特徵值擷取服務程式及一病情預測服務程式。醫師使用一醫療資訊系統呼叫該醫療資訊系統服務介面,使該特徵值擷取服務程式自該醫療資料庫擷取一高齡流感病患之一醫療特徵值,該病情預測服務程式根據該醫療特徵值以上述預測模型進行預測,並將一預測結果回傳至該醫療資訊系統服務介面,醫師即可參考該預測結果對該高齡流感病患進行後續處置。
Description
本發明係有關於一種高齡流感病情預測系統、程式產品及其建立與使用方法,特別是指利用AI預測高齡流感病患之病情的發展,以協助醫師對高齡流感病患進行後續處置之發明。
台灣是世界上人口老化最迅速的國家之一。在2018年,台灣老年人佔總人口的14%,預計到2025年會急速上升到20%。由急診臨床經驗可知,老人病情變化往往較為複雜且快速,如何及時妥適治療也較挑戰,其中流行性感冒是高齡者常見的季節性疾病,嚴重者可能須住院治療,過程中也可能引發敗血症、發生繼發性細菌感染、或是呼吸道和缺血性心臟病等併發症,因而導致高齡流感病患死亡。
由於流感盛行季節的醫療資源有限,預測高齡流感病人的預後及其隨後的處置成為非常重要的課題。
近年來,人工智慧(AI)蓬勃發展,包括機器學習與自然語言等技術,可以處理更多且不限制資料分布的變量,因此,導入AI技術並透過電子健康記錄來建立病情預測模式,將可以提供醫師更好的病人預後參考。
中國專利第CN110051324A提出一種「急性呼吸窘迫綜合症死亡率預測方法及系統」,該案是透過AI來預測急性呼吸窘迫綜合症的死亡率。
基於高齡流感病患之病情發展的不確定性,本發明找出影響高齡流感病患病情發展的影響變數,並採用AI學習的方式,來預測高齡流感病患之病情的發展,以協助醫師對高齡流感病患進行後續處置。
爰此,本發明提出一種高齡流感病情預測系統的建立方法,包含:
獲取流感醫療數據之步驟:在一醫療資料庫的一原始數據中擷取與流感相關之一流感醫療數據。
AI學習進行模型訓練之步驟:在上述流感醫療數據中篩選出年齡大於65歲到診之高齡流感病患,並排除到院前心肺功能停止之高齡流感病患;進一步將該流感醫療數據進行清洗轉換以獲取複數特徵變數進入一大數據資料庫,根據前述特徵變數以AI進行模型訓練,所述特徵變數包括生命徵象、病史、病人行動狀態及血液檢驗值。
獲得預測模型之步驟:根據前述模型訓練獲得預測模型,所述預測模型包括轉住院機率、併發肺炎機率、併發敗血症或休克機率、轉加護病房機率及死亡機率。
建立網路服務之步驟:提供一醫療資訊系統服務介面、一特徵值擷取服務程式及一病情預測服務程式;該醫療資訊系統服務介面連結至一醫療資訊系統,供該醫療資訊系統呼叫該醫療資訊系統服務介面,並使該特徵值擷取服務程式自該醫療資料庫擷取一高齡流感病患之一醫療特徵值,該病情預測服務程式根據該醫療特徵值以上述預測模型進行預測,並將一預測結果回傳至該醫療資訊系統服務介面。
進一步,該流感醫療數據之清洗轉換係將該流感醫療數據中不符一標準資料型態者修改為符合該標準資料型態。更進一步,不符該標準資料型態者包括資料不完整、內容混雜、重複的資料、輸入時沒進行檢核產生錯誤資料、格式不正確、空值或不同檢驗方法的報告單位不同之一或組合。
進一步,所述特徵變數中:生命徵象包含呼吸頻率及昏迷指數;病史包含高血壓、冠狀動脈疾病及惡性腫瘤;病人行動狀態為臥床;血液檢驗值包含白血球數、桿狀核粒細胞、血紅素及C-反應蛋白。
進一步,所述AI學習的演算法係使用隨機森林演算法(Random Forest)、支持向量機(Support Vector Machines,SVM)、K-鄰近演算法(K Nearest Neighbor,KNN)、多層感知器(Multilayer Perceptron, MLP)、輕量級梯度提升模型(Light Gradient Boosting Machine, LightGBM)、極限梯度提升(eXtreme Gradient Boosting , XGBoost)、邏輯回歸分析(Logistic Regression)之一。更進一步,在AI學習過程中,將該流感醫療數據區分為訓練集及測試集,且該流感醫療數據中百分之七十用於訓練集,百分之三十用於測試集,並利用該測試集進行驗證。
進一步,所述預測模型還包括一天內再次回急診機率、三天內再次回急診機率及十四天內再次回急診機率。
進一步,該預測結果以視覺化圖形及數字並列顯示於該醫療資訊系統服務介面。
本發明再提出一種使用前述高齡流感病情預測系統的建立方法所建立之高齡流感病情預測系統,包括:
一伺服主機,具有該大數據資料庫,該伺服主機連結該醫療資訊系統,且該伺服主機及該醫療資訊系統共同連接所述醫療資料庫,該伺服主機提供該醫療資訊系統服務介面至該醫療資訊系統,並執行該特徵值擷取服務程式及該病情預測服務程式。
進一步,有一生理監測儀器連接該醫療資料庫。
本發明再提出一種程式產品,係將一應用程式載入一電腦中,以建置成上述高齡流感病情預測系統。
本發明再提出一種上述高齡流感病情預測系統的使用方法,包含:
由該醫療資訊系統呼叫該醫療資訊系統服務介面。該特徵值擷取服務程式自該醫療資料庫擷取該高齡流感病患之該醫療特徵值。該病情預測服務程式根據該醫療特徵值而以上述預測模型進行預測。將該預測結果回傳至該醫療資訊系統服務介面。
進一步,該病情預測服務程式以複數不同的演算法進行預測,並將最多相同的預測結果回傳。
進一步,以一生理監測儀器隨時獲取該高齡流感病患之醫療特徵值,使該病情預測服務程式連續進行預測。
透過上述技術特徵可達成以下功效:
1.本發明找出影響高齡流感病患病情發展的影響因子,包括呼吸頻率、昏迷指數、高血壓、冠狀動脈疾病、惡性腫瘤、臥床、白血球數、桿狀核粒細胞、血紅素及C-反應蛋白,並以上述影響因子作為特徵變數進行AI學習,藉以利用AI預測高齡流感病患之病情的發展,以協助醫師,特別是急診醫師對高齡流感病患進行後續處置,提高高齡流感病患的治癒率。
2.本發明的AI學習過程中,該醫療數據中百分之七十用於訓練集,百分之三十用於測試集,並利用該測試集進行驗證,其正確率(Accuracy)、、靈敏度(Sensitivity)、特異度(Specificity)、及AUC均高,且應用於臨床的醫師滿意度高。
3.本發明進一步透過生理監測儀器隨時獲取高齡流感病患與醫療特徵值相關的生理數據,使該病情預測服務程式連續進行預測,有利於即時施以正確的處置,減少併發症的發生。
4.本發明可以採用複數不同的演算法進行預測,並將最多相同的預測結果回傳,提高AI預測的準確性。
綜合上述技術特徵,本發明高齡流感病情預測系統、程式產品及其建立與使用方法的主要功效將可於下述實施例清楚呈現。
參閱第一圖所示,本實施例之高齡流感病情預測系統包括用於AI預測之一伺服主機1,該伺服主機1有一大數據資料庫11,並可提供一醫療資訊系統服務介面12、一特徵值擷取服務程式13及一病情預測服務程式14;該伺服主機1連結醫療院所之一醫療資訊系統2(HIS),且該伺服主機1及該醫療資訊系統2共同連接一醫療資料庫3。
參閱第一圖及第二圖所示,上述高齡流感病情預測系統的建立首先需要建立該伺服主機1,具體而言包括以下步驟:
獲取流感醫療數據之步驟-
在該醫療資料庫3的一原始數據中擷取與流感相關之一流感醫療數據。該醫療資料庫3可包括:健保資料庫、國建署死亡資料、健康篩檢等外部資料31、個別醫院的院內病歷資料32、個別醫院的院內結構性醫療資料33、及個別醫院的影像學資料、照片、文字等院內非結構性醫療資料34等等,本實施例之流感醫療數據係來自奇美醫院總院、柳營院區、佳里院區在2009年到2018年區間的資料,並由院內的醫療資訊系統2建立的急診醫囑、護理紀錄、批價、病史、及檢驗系統取得。
AI學習進行模型訓練之步驟-
根據聯合國世界衛生組織(WHO)的定義,65歲以上人口為老年人口,因此在上述流感醫療數據中篩選出年齡大於65歲到診之高齡流感病患,並排除到院前心肺功能停止之高齡流感病患。而在急診的流感病人中,醫師會先開立流感藥物並在診斷欄位輸入流感的相關診斷,但有時在緊急狀況,醫師會先以口頭方式做相關處置,因此要確定是否為高齡流感病患可以從醫囑診斷或流感藥物批價系統中來萃取出。
進一步自該流感醫療數據獲取複數特徵變數A而存入該大數據資料庫11,並根據前述特徵變數A以AI進行模型訓練。上述特徵變數A的選用係根據奇美醫院急診醫師招募了近十年約6000名高齡流感病患,並透過分析提出十種可能影響病情發展的影響因子,這些特徵變數A可分類為生命徵象、病史、病人行動狀態及血液檢驗值,其中:生命徵象包含呼吸頻率A1(Tachypnea , respiratory rate)及昏迷指數A2(Severe coma, Glasgow Coma Scale);病史包含高血壓A3(Hypertension)、冠狀動脈疾病A4(Coronary artery disease)及惡性腫瘤A5(Cancer);病人行動狀態為臥床A6(Bedridden);血液檢驗值包含白血球數A7(Leukocytosis, white blood cell count)、桿狀核粒細胞A8(Bandemia, white blood cell count band form)、血紅素A9(Anemia, hemoglobin)及C-反應蛋白A10(Elevated CRP, C-reactive protein)。其中,呼吸頻率A1採計每分鐘大於20次;昏迷指數A2採計小於8;白血球數A7採計每CC數大於12000;桿狀核粒細胞A8採計大於百分之10;血紅素A9採計小於12 mg/dL;C-反應蛋白A10採計大於10 mg/dL。
當上述流感醫療數據有不符一標準資料型態的情形時,先將該流感醫療數據進行清洗轉換,以符合該標準資料型態。不符該標準資料型態者例如資料不完整、內容混雜、重複的資料、輸入時沒進行檢核產生錯誤資料、格式不正確、空值或不同檢驗方法的報告單位不同等等。而該流感醫療數據的清洗轉換可包括將資料不完整的空值部分,依臨床的實務經驗給予應該填入的值,例如呼吸頻率A1以12表示;昏迷指數A2以15表示;白血球數A7以每CC數7000表示;桿狀核粒細胞A8以0%表示;血紅素A9以12 g/dL表示;C-反應蛋白A10以2.5 mg/L表示。
將上述特徵變數A利用AI學習以進行統計分類,所述AI學習在本實施例使用的演算法B包括隨機森林演算法B1(Random Forest)、支持向量機B2(Support Vector Machines,SVM)、K-鄰近演算法B3(K Nearest Neighbor,KNN)、多層感知器B4(Multilayer Perceptron, MLP)、輕量級梯度提升模型B5(Light Gradient Boosting Machine, LightGBM)、極限梯度提升B6(eXtreme Gradient Boosting , XGBoost)、邏輯回歸分析B7(Logistic Regression)。在AI學習過程中,將該流感醫療數據區分為訓練集及測試集,且該流感醫療數據中百分之七十用於訓練集,百分之三十用於測試集,並利用該測試集進行驗證。參閱下表1至下表8,根據上述AI學習及驗證結果,其預測正確率(Accuracy)、靈敏度(Sensitivity)、特異度(Specificity)、及AUC(area under the curve)均高達70%至90%以上。
表1:一天內再次回急診機率
表2:三天內再次回急診機率
表3:十四天內再次回急診機率
表4:轉住院機率
表5:併發肺炎機率
表6:併發敗血症或休克機率
表7:轉加護病房機率
表8:死亡機率
方法 | 正確率 | 靈敏度 | 特異度 | AUC |
邏輯回歸分析 | 0.688 | 0.807 | 0.569 | 0.703 |
隨機森林演算法 | 0.980 | 0.985 | 0.975 | 0.997 |
支持向量機 | 0.678 | 0.902 | 0.455 | 0.746 |
K-鄰近演算法 | 0.888 | 0.967 | 0.809 | 0.959 |
輕量級梯度提升模型 | 0.981 | 0.982 | 0.981 | 0.997 |
多層感知器 | 0.814 | 0.873 | 0.755 | 0.895 |
極限梯度提升 | 0.860 | 0.967 | 0.753 | 0.968 |
方法 | 正確率 | 靈敏度 | 特異度 | AUC |
邏輯回歸分析 | 0.678 | 0.858 | 0.497 | 0.702 |
隨機森林演算法 | 0.911 | 0.912 | 0.909 | 0.975 |
支持向量機 | 0.687 | 0.939 | 0.263 | 0.687 |
K-鄰近演算法 | 0.823 | 0.934 | 0.712 | 0.915 |
輕量級梯度提升模型 | 0.922 | 0.941 | 0.902 | 0.981 |
多層感知器 | 0.695 | 0.855 | 0.535 | 0.732 |
極限梯度提升 | 0.738 | 0.949 | 0.527 | 0.861 |
方法 | 正確率 | 靈敏度 | 特異度 | AUC |
邏輯回歸分析 | 0.622 | 0.748 | 0.496 | 0.648 |
隨機森林演算法 | 0.867 | 0.869 | 0.865 | 0.945 |
支持向量機 | 0.582 | 0.752 | 0.413 | 0.613 |
K-鄰近演算法 | 0.775 | 0.912 | 0.639 | 0.872 |
輕量級梯度提升模型 | 0.879 | 0.867 | 0.890 | 0.947 |
多層感知器 | 0.632 | 0.739 | 0.524 | 0.662 |
極限梯度提升 | 0.670 | 0.901 | 0.439 | 0.785 |
方法 | 正確率 | 靈敏度 | 特異度 | AUC |
邏輯回歸分析 | 0.748 | 0.695 | 0.800 | 0.815 |
隨機森林演算法 | 0.782 | 0.785 | 0.780 | 0.862 |
支持向量機 | 0.737 | 0.621 | 0.853 | 0.801 |
K-鄰近演算法 | 0.727 | 0.680 | 0.774 | 0.796 |
輕量級梯度提升模型 | 0.759 | 0.746 | 0.772 | 0.842 |
多層感知器 | 0.755 | 0.707 | 0.804 | 0.819 |
極限梯度提升 | 0.756 | 0.815 | 0.697 | 0.839 |
方法 | 正確率 | 靈敏度 | 特異度 | AUC |
邏輯回歸分析 | 0.653 | 0.533 | 0.774 | 0.714 |
隨機森林演算法 | 0.775 | 0.789 | 0.761 | 0.864 |
支持向量機 | 0.644 | 0.553 | 0.736 | 0.700 |
K-鄰近演算法 | 0.723 | 0.812 | 0.634 | 0.790 |
輕量級梯度提升模型 | 0.770 | 0.738 | 0.801 | 0.843 |
多層感知器 | 0.656 | 0.582 | 0.730 | 0.717 |
極限梯度提升 | 0.685 | 0.799 | 0.570 | 0.772 |
方法 | 正確率 | 靈敏度 | 特異度 | AUC |
邏輯回歸分析 | 0.761 | 0.693 | 0.830 | 0.846 |
隨機森林演算法 | 0.962 | 0.962 | 0.963 | 0.994 |
支持向量機 | 0.728 | 0.647 | 0.809 | 0.810 |
K-鄰近演算法 | 0.902 | 0.976 | 0.828 | 0.969 |
輕量級梯度提升模型 | 0.965 | 0.959 | 0.971 | 0.992 |
多層感知器 | 0.796 | 0.794 | 0.798 | 0.867 |
極限梯度提升 | 0.872 | 0.899 | 0.846 | 0.939 |
方法 | 正確率 | 靈敏度 | 特異度 | AUC |
邏輯回歸分析 | 0.798 | 0.739 | 0.857 | 0.874 |
隨機森林演算法 | 0.983 | 0.993 | 0.974 | 0.999 |
支持向量機 | 0.800 | 0.736 | 0.864 | 0.881 |
K-鄰近演算法 | 0.946 | 0.989 | 0.903 | 0.977 |
輕量級梯度提升模型 | 0.987 | 0.996 | 0.977 | 0.999 |
多層感知器 | 0.929 | 0.965 | 0.893 | 0.974 |
極限梯度提升 | 0.921 | 0.971 | 0.870 | 0.972 |
方法 | 正確率 | 靈敏度 | 特異度 | AUC |
邏輯回歸分析 | 0.783 | 0.730 | 0.836 | 0.866 |
隨機森林演算法 | 0.972 | 0.985 | 0.958 | 0.997 |
支持向量機 | 0.772 | 0.712 | 0.832 | 0.851 |
K-鄰近演算法 | 0.923 | 0.987 | 0.860 | 0.968 |
輕量級梯度提升模型 | 0.980 | 0.981 | 0.979 | 0.998 |
多層感知器 | 0.869 | 0.933 | 0.804 | 0.936 |
極限梯度提升 | 0.905 | 0.954 | 0.857 | 0.966 |
獲得預測模型之步驟-
根據前述模型訓練獲得後續用於AI預測之預測模型C,所述預測模型C包括轉住院機率C1、併發肺炎機率C2、併發敗血症或休克機率C3、轉加護病房機率C4、死亡機率C5、一天內再次回急診機率C6、三天內再次回急診機率C7及十四天內再次回急診機率C8等八種預測模型。
建立網路服務之步驟-
取得上述預測模型C之後,即可建立上述的AI預測所需的該醫療資訊系統服務介面12、該特徵值擷取服務程式13及該病情預測服務程式14成為一程式產品,透過該程式產品將應用程式載入一電腦中作為該伺服主機1。而在架設該伺服主機1後,即可將該伺服主機1連結醫療院所之醫療資訊系統2(HIS)及前述醫療資料庫3。
參閱第三圖及第四圖所示,病患看診時,醫師會在所在醫療院所的醫療資訊系統2的一病歷介面21輸入相關的醫療數據,這些醫療數據會儲存在相關的醫療資料庫3,在該病歷介面21有高齡流感病情預測的一連結指令22。當醫師判定看診病患為高齡流感病患時,醫師可點選該連結指令22,而由該醫療資訊系統2呼叫該醫療資訊系統服務介面12,此時會在醫師看診電腦顯示該醫療資訊系統服務介面12,並執行該特徵值擷取服務程式13及該病情預測服務程式14,該特徵值擷取服務程式13會自相關的該醫療資料庫3擷取該高齡流感病患的醫療數據中,與前述特徵變數A相關的醫療特徵值,再由該病情預測服務程式14根據該醫療特徵值以上述預測模型進行預測,並將預測結果回傳至該醫療資訊系統服務介面12,而該預測結果可以採用視覺化圖形及數字並列的方式顯示於該醫療資訊系統服務介面12,以利於觀察,該預測結果並可協助醫師了解該高齡流感病患可能的病情發展,以利於進行後續處置,提高高齡流感病患的治癒率。
其中,該病情預測服務程式14可以選擇採用隨機森林演算法B1(Random Forest)、支持向量機B2(Support Vector Machines,SVM)、K-鄰近演算法B3(K Nearest Neighbor,KNN)、多層感知器B4(Multilayer Perceptron, MLP)、輕量級梯度提升模型B5(Light Gradient Boosting Machine, LightGBM)、極限梯度提升B6(eXtreme Gradient Boosting, XGBoost)、邏輯回歸分析B7(Logistic Regression)其中一種進行預測。而為了提高預測準確度,也可以同時採用所有演算法進行預測,並將最多相同的預測結果回傳。
本發明實施例以奇美醫院總院於2019年1月到3月共有84筆符合高齡流感歷史資料進行測試,測試結果由醫師填寫滿意度,回收共有51筆,以5分法進行評分,醫師平均滿意度為4.6分,顯示系統的可行性。
參閱第一圖及第五圖所示,高齡流感病患進行診療時,可以使用一生理監測儀器4,例如血壓計、血氧計等隨時獲取該高齡流感病患之醫療數據,並上傳至相關的該醫療資料庫3,該特徵值擷取服務程式13會連續或定期的自該醫療資料庫3擷取相關的醫療特徵值,再由該病情預測服務程式14連續進行預測,有利於即時施以正確的處置,減少併發症的發生。
綜合上述實施例之說明,當可充分瞭解本發明之操作、使用及本發明產生之功效,惟以上所述實施例僅係為本發明之較佳實施例,當不能以此限定本發明實施之範圍,即依本發明申請專利範圍及發明說明內容所作簡單的等效變化與修飾,皆屬本發明涵蓋之範圍內。
1:伺服主機
11:大數據資料庫
12:醫療資訊系統服務介面
13:特徵值擷取服務程式
14:病情預測服務程式
2:醫療資訊系統
21:病歷介面
22:連結指令
3:醫療資料庫
31:外部資料
32:院內病歷資料
33:院內結構性醫療資料
34:院內非結構性醫療資料
4:生理監測儀器
A:特徵變數
A1:呼吸頻率
A2:昏迷指數
A3:病史包含高血壓
A4:冠狀動脈疾病
A5:惡性腫瘤
A6:臥床
A7:白血球數
A8:桿狀核粒細胞
A9:血紅素
A10:C-反應蛋白
B:演算法
B1:隨機森林演算法
B2:支持向量機
B3:K-鄰近演算法
B4:多層感知器
B5:輕量級梯度提升模型
B6:極限梯度提升
B7:邏輯回歸分析
C:預測模型
C1:轉住院機率
C2:併發肺炎機率
C3:併發敗血症或休克機率
C4:轉加護病房機率
C5:死亡機率
C6:一天內再次回急診機率
C7:三天內再次回急診機率
C8:十四天內再次回急診機率
[第一圖]係為本發明實施例之高齡流感病情預測系統的整體架構示意圖。
[第二圖]係為本發明實施例之高齡流感病情預測系統的建立及預測示意圖。
[第三圖]係為本發明實施例之醫療資訊系統可連結至伺服主機的醫療資訊系統服務介面的示意圖。
[第四圖]係為本發明實施例之伺服主機的醫療資訊系統服務介面的示意圖。
[第五圖]係為本發明實施例中,以生理監測儀器持續監測高齡流感病患與醫療特徵值相關的生理數據,以進行連續預測的示意圖。
1:伺服主機
12:醫療資訊系統服務介面
13:特徵值擷取服務程式
14:病情預測服務程式
2:醫療資訊系統
3:醫療資料庫
4:生理監測儀器
C:預測模型
Claims (14)
- 一種高齡流感病情預測系統的建立方法,包含: 獲取流感醫療數據之步驟:在一醫療資料庫的一原始數據中擷取與流感相關之一流感醫療數據; AI學習進行模型訓練之步驟:在上述流感醫療數據中篩選出年齡大於65歲到診之高齡流感病患,並排除到院前心肺功能停止之高齡流感病患;進一步將該流感醫療數據進行清洗轉換以獲取複數特徵變數進入一大數據資料庫,根據前述特徵變數以AI進行模型訓練,所述特徵變數包括生命徵象、病史、病人行動狀態及血液檢驗值; 獲得預測模型之步驟:根據前述模型訓練獲得預測模型,所述預測模型包括轉住院機率、併發肺炎機率、併發敗血症或休克機率、轉加護病房機率及死亡機率; 建立網路服務之步驟:提供一醫療資訊系統服務介面、一特徵值擷取服務程式及一病情預測服務程式;該醫療資訊系統服務介面連結至一醫療資訊系統,供該醫療資訊系統呼叫該醫療資訊系統服務介面,並使該特徵值擷取服務程式自該醫療資料庫擷取一高齡流感病患之一醫療特徵值,該病情預測服務程式根據該醫療特徵值以上述預測模型進行預測,並將一預測結果回傳至該醫療資訊系統服務介面。
- 如請求項1之高齡流感病情預測系統的建立方法,其中,該流感醫療數據之清洗轉換係將該流感醫療數據中不符一標準資料型態者修改為符合該標準資料型態。
- 如請求項2之高齡流感病情預測系統的建立方法,其中,不符該標準資料型態者包括資料不完整、內容混雜、重複的資料、輸入時沒進行檢核產生錯誤資料、格式不正確、空值或不同檢驗方法的報告單位不同之一或組合。
- 如請求項1之高齡流感病情預測系統的建立方法,其中,所述特徵變數中:生命徵象包含呼吸頻率及昏迷指數;病史包含高血壓、冠狀動脈疾病及惡性腫瘤;病人行動狀態為臥床;血液檢驗值包含白血球數、桿狀核粒細胞、血紅素及C-反應蛋白。
- 如請求項1之高齡流感病情預測系統的建立方法,其中,所述AI學習的演算法係使用隨機森林演算法(Random Forest)、支持向量機(Support Vector Machines,SVM)、K-鄰近演算法(K Nearest Neighbor,KNN)、多層感知器(Multilayer Perceptron, MLP)、輕量級梯度提升模型(Light Gradient Boosting Machine, LightGBM)、極限梯度提升(eXtreme Gradient Boosting, XGBoost)、邏輯回歸分析(Logistic Regression)之一。
- 如請求項5之高齡流感病情預測系統的建立方法,其中,在AI學習過程中,將該流感醫療數據區分為訓練集及測試集,且該流感醫療數據中百分之七十用於訓練集,百分之三十用於測試集,並利用該測試集進行驗證。
- 如請求項1之高齡流感病情預測系統的建立方法,其中,所述預測模型還包括一天內再次回急診機率、三天內再次回急診機率及十四天內再次回急診機率。
- 如請求項1之高齡流感病情預測系統的建立方法,其中,該預測結果以視覺化圖形及數字並列顯示於該醫療資訊系統服務介面。
- 一種使用如請求項1至請求項8任一項之高齡流感病情預測系統的建立方法所建立之高齡流感病情預測系統,包括: 一伺服主機,具有該大數據資料庫,該伺服主機連結該醫療資訊系統,且該伺服主機及該醫療資訊系統共同連接所述醫療資料庫,該伺服主機提供該醫療資訊系統服務介面至該醫療資訊系統,並執行該特徵值擷取服務程式及該病情預測服務程式。
- 如請求項1之高齡流感病情預測系統,進一步,有一生理監測儀器連接該醫療資料庫。
- 一種程式產品,係將一應用程式載入一電腦中,以建置成如請求項9之高齡流感病情預測系統。
- 一種如請求項9之高齡流感病情預測系統的使用方法,包含: 由該醫療資訊系統呼叫該醫療資訊系統服務介面; 該特徵值擷取服務程式自該醫療資料庫擷取該高齡流感病患之該醫療特徵值; 該病情預測服務程式根據該醫療特徵值而以上述預測模型進行預測; 將該預測結果回傳至該醫療資訊系統服務介面。
- 如請求項12之高齡流感病情預測系統的使用方法,其中,該病情預測服務程式以複數不同的演算法進行預測,並將最多相同的預測結果回傳。
- 如請求項12之高齡流感病情預測系統的使用方法,進一步,以一生理監測儀器隨時獲取該高齡流感病患之醫療特徵值,使該病情預測服務程式連續進行預測。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW109130621A TWI751683B (zh) | 2020-09-07 | 2020-09-07 | 高齡流感病情預測系統、程式產品及其建立與使用方法 |
CN202111038166.9A CN114242259A (zh) | 2020-09-07 | 2021-09-06 | 高龄流感病情预测系统、程序产品及其建立与使用方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW109130621A TWI751683B (zh) | 2020-09-07 | 2020-09-07 | 高齡流感病情預測系統、程式產品及其建立與使用方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
TWI751683B TWI751683B (zh) | 2022-01-01 |
TW202211258A true TW202211258A (zh) | 2022-03-16 |
Family
ID=80742929
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW109130621A TWI751683B (zh) | 2020-09-07 | 2020-09-07 | 高齡流感病情預測系統、程式產品及其建立與使用方法 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN114242259A (zh) |
TW (1) | TWI751683B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114974565A (zh) * | 2022-05-17 | 2022-08-30 | 上海市第四人民医院 | 新冠患者诊疗阶段精细化管控方法及系统 |
WO2024073826A1 (pt) * | 2022-10-06 | 2024-04-11 | Sociedade Beneficente Israelita Brasileira Hospital Albert Einstein | Método de treinamento de um modelo baseado em inteligência artificial para predição de desfecho clínico de um indivíduo e método de predição de desfecho clínico de um indivíduo que utiliza tal modelo baseado em inteligência artificial |
CN116344067A (zh) * | 2023-01-17 | 2023-06-27 | 中山大学·深圳 | 流感易感标志物和基于该标志物的流感高危人群预测模型的构建方法与应用 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10332637B2 (en) * | 2013-02-15 | 2019-06-25 | Battelle Memorial Institute | Use of web-based symptom checker data to predict incidence of a disease or disorder |
CN105046406A (zh) * | 2015-06-25 | 2015-11-11 | 成都厚立信息技术有限公司 | 住院病人医疗管理质量评估方法 |
WO2017165693A1 (en) * | 2016-03-23 | 2017-09-28 | Peach Intellihealth, Inc. | Use of clinical parameters for the prediction of sirs |
WO2019244646A1 (ja) * | 2018-06-18 | 2019-12-26 | 日本電気株式会社 | 疾病リスク予測装置、疾病リスク予測方法および疾病リスク予測プログラム |
-
2020
- 2020-09-07 TW TW109130621A patent/TWI751683B/zh active
-
2021
- 2021-09-06 CN CN202111038166.9A patent/CN114242259A/zh active Pending
Also Published As
Publication number | Publication date |
---|---|
CN114242259A (zh) | 2022-03-25 |
TWI751683B (zh) | 2022-01-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6780520B2 (ja) | オープンデータ及び臨床医の入力を用いて患者のリスクを評価するシステム及び方法 | |
TWI751683B (zh) | 高齡流感病情預測系統、程式產品及其建立與使用方法 | |
Li et al. | A distributed ensemble approach for mining healthcare data under privacy constraints | |
CN111710420B (zh) | 一种基于电子病历大数据的并发症发病风险预测方法、系统、终端以及存储介质 | |
CN110348019B (zh) | 一种基于注意力机制的医疗实体向量转化方法 | |
Al Ahdal et al. | [Retracted] Monitoring Cardiovascular Problems in Heart Patients Using Machine Learning | |
Gautier et al. | Artificial intelligence and diabetes technology: a review | |
US20210089965A1 (en) | Data Conversion/Symptom Scoring | |
RU2752792C1 (ru) | Система для поддержки принятия врачебных решений | |
CN112908452A (zh) | 事件数据建模 | |
Mansouri et al. | Predicting hospital length of stay of neonates admitted to the NICU using data mining techniques | |
TWI807223B (zh) | 手術麻醉風險評估輔助系統、程式產品及其建立與使用方法 | |
Mandava | MDensNet201-IDRSRNet: Efficient cardiovascular disease prediction system using hybrid deep learning | |
TWI817803B (zh) | 與藥物清單管理相關的方法、設備以及電腦可讀記錄媒體 | |
Patel et al. | Predicting Heart Disease Using Machine Learning Algorithms | |
Ayshwarya et al. | Heart diseases prediction using back propagation neural network with butterfly optimization | |
JP2022074260A (ja) | 診断支援システム | |
Rezayi et al. | Basic information requirements for designing COVID-19 disease registration system | |
RU2824286C2 (ru) | Способ определения подозрений на орфанные заболевания на основе анализа электронных медицинских карт | |
Srivastava et al. | Opening the Black Box: Explainable Machine Learning for Heart Disease Patients | |
Rubio et al. | Using machine learning techniques to predict a list of prescription medications in the obstetrics and gynecology service | |
Rahaman | Diabetes diagnosis expert system by using belief rule base with evidential reasoning | |
US20240347206A1 (en) | Early detection of conditions and/or events | |
Maheshwari et al. | Deep-learning approaches for health care: patients in intensive care | |
Jiang et al. | Comparing Pregnancy and Childbirth-related Hospital Visits in Arizona Before and During COVID-19 Using Network Analysis |