TWI776638B - 以人工智慧技術輔助多疾病決策與即時資訊回饋的醫療照護系統 - Google Patents
以人工智慧技術輔助多疾病決策與即時資訊回饋的醫療照護系統 Download PDFInfo
- Publication number
- TWI776638B TWI776638B TW110130364A TW110130364A TWI776638B TW I776638 B TWI776638 B TW I776638B TW 110130364 A TW110130364 A TW 110130364A TW 110130364 A TW110130364 A TW 110130364A TW I776638 B TWI776638 B TW I776638B
- Authority
- TW
- Taiwan
- Prior art keywords
- data
- inference
- training
- module
- model
- 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
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- 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
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- 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
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本發明所提供以人工智慧技術輔助多疾病決策與即時資訊回饋的醫療照護系統,基於其所採集到之多筆醫療訊息並針對M個不同病症進行對應之運算,可分別獲得N個訓練模型,再將單一患者資料投入該些訓練模型之全部或一部進行演算,以能得到與至少二病症相關之推論結果,並且,同時能夠接收專業人員對於推論結果之回饋,以有效地透過整合病人端之醫療客觀數據及專業人員端之醫療主觀數據,據以建構出多疾病之數據模型,作為輔助多疾病進行決策之工具。
Description
本發明係與醫療照護相關,特別係指一種以人工智慧技術輔助多疾病決策與即時資訊回饋的醫療照護系統。
按,臨床決策支持系統(Clinical decision support system,CDSS)係能對使用者所輸入的臨床資訊作出簡易的治療決策,以供醫護人員遵循或決策,其中,該系統主要以規則作為基礎(rule-based)判斷,而其規則包括臨床指導(clinical guidance)、醫學證據(medical evidence)及醫學指導原則(instructions principles derived from medical science)。
然而,CDSS系統仍遇到了現實上的阻礙,例如醫學上的複雜性(症狀、家族史、基因、流行病學、相關醫學文獻等)導致了系統運算及設計上的困難,況且,每年都有數以千計的臨床研究發表,除了數據資料過於龐大,又有為數不少的研究結果相互矛盾,使得系統整合、維護上存在困難。
據此,如何即時整合多樣態的數據資料,並提升病症預測結果的準確性,這將是相關業者所需思量的。
本發明之主要目的係在於提供一種以人工智慧技術輔助多疾病決策與即時資訊回饋的醫療照護系統,其係能夠整合病人端臨床表現的醫療數據及來自醫療照護人員之專業評估數據,並據以建構出多種不同疾病之數據模型,達到同時推論多疾病之用。
本發明之另一目的係在於提供一種以人工智慧技術輔助多疾病決策與即時資訊回饋的醫療照護系統,係能夠自動擷取並清理外部資料庫中的醫療訊息,作為建立不同病症的初始模型所需要的資料來源,不必再透過人工作業方式輸入或比對資料,除了節省大量人事成本,利用龐大的數據資料來運算,可提高預測的準確性。
緣是,為達成上述目的,本發明所揭之以人工智慧技術輔助多疾病決策與即時資訊回饋的醫療照護系統,包括一資料處理模組、一模型訓練模組、一推論模組、一模型管理模組及一回饋模組;藉由上述模組之組成,係能夠藉由非人工方式處理大量患者醫療訊息及/或來自醫護人員端對於各患者之狀態回饋訊息,以同時針對至少二病症建立至少一訓練模型,而能作為輔助醫護人員進行患者之多個疾病判斷的工具,並且能夠即時接收專業人員之回饋訊息,以確保本發明所揭醫療照護系統之準確度。
於本發明之一實施例中,該資料處理模組係採集來自於至少一外部之資料庫中的患者醫療訊息,包含文字及非文字之資料,如影像資料、聲音資料等,並且進一步地處理該患者醫療訊息,以產出一第一建模資料及一推論資料;其中:該第一建模資料係為處理一預定期間內複數患者醫療訊息的結果;該推論資料為處理一預定時間範圍內單一患者醫療訊息的結果。
該模型訓練模組係批次地接收一訓練資料後啟動一訓練程序,而該訓練程序係分別針對M個病症進行演算,以建立N個訓練模型,並分析各該訓練模型之疾病預測結果,當任一訓練模型之疾病預測結果不符合一預定標準時,該模型訓練模組重啟該訓練程序,重新建立第N+1個訓練模型;其中:該訓練資料係包含有各批次之該第一建模資料及/或一第二建模資料;該預定標準係用以判斷疾病預測結果優劣,例如預測準確率、敏感性、特異性、由臨床醫師、醫療專業人員或其他專業人員之臨床經驗回饋;M為大於2的正整數;N為大於1的正整數。
該推論模組係接收並傳輸該推論資料及對應該推論資料之一推論結果,其中,該推論結果係與至少二病症相關。
該模型管理模組係接收來自該模型訓練模組之所有訓練模型及該推論資料,並自該些訓練模型中選定一推論模型,將該推論資料以該推論模型進行運算,得到該推論結果。
該回饋模組係接收並分析來自一專業人員對於該推論結果之該回饋訊息,當回饋訊息中含有該推論結果不正確之內容時,該回饋模組會根據該回饋訊息產出該第二建模資料,其中,該專業人員係得為臨床醫師、醫療專業人員、資訊專業人員、資料處理專業人員或其他有助於增加訓練模型準確率者。
於本發明之另一實施例中,該模型訓練模組更包含有一模型內部結構,用以分析針對第X個病症之訓練模型,亦即該模型內部結構會取得針對該第X個病症所設定之一目標結果以及以一第Y個訓練模型針對該第X個疾病所得之一疾病預測結果,並比對該目標結果與該疾病預測結果,當比對結果為低於該預定標準時,代表該第Y個訓練模型針對該第X個疾病之判斷應被調整,則該模
型訓練模組藉由該模型內部結構及其預設的權重值建立出該第N+1個訓練模型;其中:X為大於1的正整數;且X小於等於M;Y為大於1的正整數,且Y小於等於N。
於本發明之另一實施例中,本發明所揭以人工智慧技術輔助多疾病決策與即時資訊回饋的醫療照護系統更包含有一警示模組,接收並判斷來自該推論模組之該推論結果,當該推論結果中含有不符合其所對應病症的常規標準值之內容時,則該警示模組會顯示對應該病症之一警示訊息。
在一實施例中,本發明所揭以人工智慧技術輔助多疾病決策與即時資訊回饋的醫療照護系統更包括一輸出模組,接收並顯示來自該推論模組之該推論結果,具體來說,該輸出模組係具有一顯示單元,顯示以一預定格式呈現之該推論結果。
在一實施例中,該回饋模組更包含有一互動模組,用以接收該醫護人員輸入之一回饋訊息,一後處理模組,接收並處理來自該互動模組之該回饋訊息,以產出該第二建模資料,而該第二建模資料會作為該訓練資料之一部,用以使該模型訓練模組對於各該訓練模型進行校正,以維持或提高預測疾病運算結果的準確度。
其中,該互動模組係更包含有一輸入單元,以供該醫護人員輸入該回饋訊息。
於本發明又一實施例中,為能提高統整不同來源的資料之效率,本發明所揭以人工智慧技術輔助多疾病決策與即時資訊回饋的醫療照護系統更包含有一訓練資料庫,接收各批次之該第一建模資料及該第二建模資料,並將之彙整為該訓練資料;其中,該訓練資料庫係更包含有一儲存單元,用以存放該訓練資料。
於另一實施例中,該資料處理模組係以一訊息處理程序處理所接收之患者醫療訊息,其中,該訊息處理程序係為自該些患者醫療訊息中依據性質相似度或關聯性進行區分,並得進行補值或刪除異常值。
在一實施例中,該推論模組更包含有一推論資料庫,接收並儲存該推論結果。
10:資料處理模組
20:模型訓練模組
21:模型管理模組
22:訓練資料庫
30:推論模組
31:推論資料庫
40:輸出模組
50:警示模組
60:回饋模組
61:互動模組
62:後處理模組
70:外部資料庫
圖1係為本發明之一較佳實施例之系統方塊示意圖。
首先,須針對本說明書內所提及之名詞加以說明如下:本發明所稱「演算」、「演算法」係指一種能將所輸入之數據進行比對與計算之程式,而該程式係指採用各種適用之統計分析暨人工智慧演算法與裝置,如迴歸分析法、層級分析法、集群分析法、類神經網路演算法、基因演算法、機器學習演算法、深度學習演算法等各式統計分析暨人工智慧演算方法。
本發明所稱「醫療訊息」,係為與患者個人及身體狀態之相關訊息,包含患者個人資料、如性別、年紀等;經儀器檢測或經問診所得之訊息,如影像紀錄、體檢結果、飲食紀錄;經儀器所收集之訊息,如步態、聲音、心跳等;患者或其照護者所提供之訊息;醫護人員提供之訊息,如診斷結果、預後狀態等。
本發明所稱「專業人員」,係指具醫療專業、資料處理專業、資訊專業、電腦系統專業之人員,或其他任何對醫療資訊處理系統或是人工智慧判
斷醫療資訊具有專業之人員,例如臨床醫生、護理師、藥師、資訊工程師、系統開發人員等。
接著,請參閱圖1所示,在本發明一較佳實施例中所提供的以人工智慧技術輔助多疾病決策與即時資訊回饋的醫療照護系統,其主要乃係包括一資料處理模組10、一模型訓練模組20、一模型管理模組21、一訓練資料庫22、一推論模組30、一推論資料庫31、一輸出模組40、一警示模組50、及一回饋模組60,而上述各模組之間係以有線或無線方式相互連接,例如有線通訊方式為乙太網路(Ethernet)、光纖網路等,無線通訊方式為4G、5G、WIFI、藍芽、NFC或RFID等。
該資料處理模組10係採集多筆來自於至少一外部資料庫70中至少一患者之醫療訊息,並以一訊息處理程序處理該醫療訊息而得分別產出一第一建模資料及一推論資料,其中:該訊息處理程序係包含有清理資料及/或資料運算等,其中,清理資料係指依據性質相似度或關聯性進行區分患者醫療訊息,並得進行補值或刪除異常值;而資料運算係指利用如數值加總、取平均、取中位數等運算式對患者醫療訊息加以計算。
該第一建模資料係指該資料處理模組10係依據一指令批次地處理來自該外部資料庫70中一預定期間內之複數患者醫療訊息,包含有診斷結果、預後結果等所得之結果。
該推論資料為處理一預定時間範圍內單一患者醫療訊息的結果,用以作為評估或預測該患者健康狀態之資料來源。
一般來說,該預定期間係以年為單位,而該預定時間範圍係以日為單位,例如該預定期間為2002年至2012年,該預定時間範圍為於每週一早上9點取前7日之資料。
該外部資料庫70可為但不限於醫院中資訊室的醫療資訊系統(Hospital Information System;HIS)資料庫、護理資訊系統(Nursing Information System;NIS)資料庫、或醫學影像儲傳系統(英語:Picture archiving and communication system;PACS);並該醫療訊息的資料種類得依據其性質進行分類,如結構資料、非結構資料、影像資料和聲音資料。
該資料處理模組10係以4G、5G、WIFI、藍芽、NFC或RFID等無線通訊模式,亦或是有線傳輸的方式與該些外部資料庫70連線;並該資料處理模組10得接受來自不同運算裝置(如伺服器、個人電腦、行動裝置等)、不同作業系統(iOS、Android、Windows、UNIX、LINUX等)及不同格式之資料交換技術(可延伸標記式語言(Extensible Markup Language,XML)、JSON(JavaScript Object Notation)、CSV等)與並使用相關程式語言(如以HTML/HTML5、CSS、JavaScript、PHP、ASP、JSP、C、C++、Java、Object C、Perl、Tcl、PHP、Ruby、Python等)等語言所組構之跨平台服務架構建構出之服務提供,惟是等跨平台資料交換之技術內容乃屬習知技術之範躊,於此即不為冗陳。
該模型訓練模組20係得批次地接收一訓練資料,並且啟動一訓練程序,以針對針對M個病症進行演算,以建立N個訓練模型,並分析各該訓練模型之疾病預測結果,當任一個訓練模型之疾病預測結果不符合一預定標準時,該模型訓練模組20重啟該訓練程序,以建立第N+1個訓練模型;其中,該訓練資料係包含有各批次之該第一建模資料及/或一第二建模資料;M為大於2的正整數;N為大於1的正整數。
該資料處理模組10自該些外部資料庫70中取得並處理2015年到2020年區間內之與M個病症相關之大量醫療資料後,產出該第一建模資料;該模型訓練模組20接收該第一建模資料後,即針對M個病症進行演算,建構出與M個病症相關之N個訓練模型。
該模型訓練模組20可為但不限於遞歸類神經網路(RNN)、長短期記憶(LSTM)網路或卷積類神經網路(CNN)等演算法,以得到與第X個病症相關之病症特徵、訓練模型及訓練模型的準確率等。
此外,當N可以與M相等時,表示各病症對應單一訓練模型;當N與M不相等時,表示同一訓練模型可適用於不同病症,或同一病症可具有多個訓練模型之架構,例如第一建模資料包含性別、年紀、總蛋白(T-Protein)、白蛋白(Albumin)、球蛋白(Globulin)、白蛋白/球蛋白比值(A/G ratio)、鹼性磷酸酶(ALK-P)、心臟病有無、中風有無、脂肪肝有無等數據,經由該模型訓練模組20演算後可能會產出單一訓練模型而與心臟病與腎臟病相關,或是可能會產出複數個訓練模型而分別與心臟病與腎臟病相關,而不論產出之訓練模型數量為何,該模型訓練模組20係會提供完成各訓練模型進行運算所需之因子,例如執行A訓練模型需要該總蛋白、血壓、年紀、心臟超音波等因子,執行B訓練模型需要該性別、血壓、體重、肝臟超音波等因子;執行各訓練模型間所需之因子可能會有部份重疊。
再者,該模型訓練模組20具有一模型內部結構,用以判斷是否重啟該訓練程序,若判斷結果為是,則會重啟該訓練程序;具體來說,該模型內部結構會取得針對一第X個病症所設定之一目標結果,以及以一第Y個訓練模型針對該第X個疾病所得之一疾病預測結果,並比對該目標結果與該疾病預測結果,當比對結果為低於該預定標準時,代表該第Y個訓練模型針對該第X個疾病之判斷應被調整,則該模型訓練模組20藉由該模型內部結構及其預設的權重值建立出第N+1個訓練模型;其中,X為大於1的正整數,且X小於等於M;Y為大於1的正整數,且Y小於等於N。
其中,該目標結果得來自一外來設定所得者,或由該模型訓練模組經演算所得者,如第X個病症以第Y個訓練模型演算的目標結果被設定為準確
率90%,或是第X個病症以第Y個訓練模型的目標結果經該模型訓練模組預測為90%。
其中,該模型訓練模組20分析各訓練模型是否符合一預定標準可採取下列判斷方式:
(1)預測準確率
若針對第Y個訓練模型針對該第X個疾病的預測準確率不小於一預設閾值,則結束訓練程序;若針對第Y個訓練模型針對該第X個疾病的預測準確率小於預設閾值,則重複訓練程序,直至藉由其預測準確率不小於所述預設閾值。在本實施例中,該預定閥值為準確率95%。
(2)敏感性、特異性
由於部份病症所對應之訓練模型的準確率與敏感性或特異性等參數相關,因此,該預定閾值包含敏感性範圍為80%至100%,特異性範圍為40%至95%。
(3)臨床經驗回饋
專業人員回饋該第Y個訓練模型針對該第X個疾病的預測為不滿意或是不正確的意見。
該推論模組30係接收且傳輸該推論資料以及對應該推論資料之一推論結果,並且具有一推論資料庫31,用以接收並儲存該推論結果,其中,該推論結果係與至少二病症相關。而該推論資料庫31可為但不限於相變記憶體(PRAM)、靜態隨機存取記憶體(SRAM)、動態隨機存取記憶體(DRAM)、快閃記憶體碟、唯讀記憶體(Read-Only Memory;ROM)、隨機存取記憶體(Random Access Memory;RAM)、磁碟或光碟等。
該模型管理模組21接收來自該模型訓練模組20所產出之所有訓練模型及來自該推論模組30之該推論資料,並自該些訓練模型中選定至少一適合
該推論資料進行演算之訓練模型作為一推論模型,將該推論資料以該推論模型進行運算,得到該推論結果,並將該推輪結果再回傳至該推倫模組30。
具體來說,該模型管理模組21係具有管理所有訓練模型之能力,亦即該模型管理模組21係會根據該推論資料之內容、該推論資料所對應之病症或/及如準確率、訓練模型有效性、訓練模型版本等因子,自該些訓練模型中篩選出該推論模型。
該輸出模組40係接收來自該推論模組之該推論結果,並將之以一預定格式顯示至一顯示單元或一資訊系統,其中,該顯示單元可為但不限於液晶顯示器(LCD)、有機發光二極體顯示器(OLED)、電子白板、醫療用之儀表板或其他人類感官可辨識的裝置;該資訊系統係得為醫院之HIS系統、NIS系統、PACS系統或醫療用之軟體。
該警示模組50係接收並判斷來自該推論模組之該推論結果,當該推論結果中含有不符合其所對應病症的常規標準值之內容時,則該警示模組會顯示一警示訊息。舉例來說,當該警示模組40判斷出該推論訊息中包含對於罹患呼吸衰竭的風險值超過常規標準值時,則會輸出一警示訊息,藉此可對一醫療專業人員,如臨床醫生、護理師等發出即時的提醒,而有利於快速地對病症提出相應的處置方式。其中,該警示訊息可為但不限於語音、文字訊息、影像畫面、程式指令、驅動硬體程序等。此外,不同病症的常規標準值不盡相同,例如高血壓的常規標準值係收縮壓130毫米汞柱及舒張壓80毫米汞柱。
該回饋模組60係包括一互動模組61及一後處理模組62,其中:該互動模組61係得接連一系統,如HIS系統、NIS系統、PACS系統,或一終端設備,如電腦、平板電腦、手機、電子白板或儀表板等,用以接收一專業人員對該推論結果之一回饋訊息。
該互動模組61具有一輸入單元,其可為但不限於滑鼠、鍵盤、觸摸面板等,用以供一專業人員獲悉該推論結果而輸入針對該推論結果之全部或一部的回饋訊息。舉例來說,該專業人員得通過手機上安裝的應用程式(Application,APP)、網頁、簡訊、郵件等方式將回饋訊息傳送至該互動模組61。
該後處理模組62係接收並處理來自該互動模組61之回饋訊息,以產出該第二建模資料,而當該模型訓練模組20接收該第二建模資料後,得以判斷是否重啟訓練程序,倘若判斷結果為重啟訓練程序,則會產出第N+1個訓練模型。
該訓練資料庫22係接收各批次之該第一建模資料及該第二建模資料,並將之彙整為該訓練資料,並加以儲存。更進一步來說,該訓練資料庫22係具有一儲存單元,用以儲存該訓練資料,其中,該儲存單元可為但不限於相變記憶體(PRAM)、靜態隨機存取記憶體(SRAM)、動態隨機存取記憶體(DRAM)、快閃記憶體碟、唯讀記憶體(Read-Only Memory;ROM)、隨機存取記憶體(Random Access Memory;RAM)、磁碟或光碟等。
承上所述,本發明之以人工智慧技術輔助多疾病決策與即時資訊回饋的醫療照護系統具有下列優點:
1.本發明能建立自動擷取並分析外部資料庫中的醫療訊息,並作為建立不同病症的初始模型所需要的資料來源,不必再透過人工作業方式輸入或比對資料,除了節省大量人事成本,利用龐大的數據資料來運算,可提高預測的準確性。
2.本發明能夠透過整合病人端之醫療客觀數據及醫療主觀數據,並據以建構出不同疾病之數據模型,以作為同步進行多疾病推論之目的。
以上所述之實施例僅係為說明本發明之技術思想及特點,其目的在使熟習此項技藝之人士能夠瞭解本發明之內容並據以實施,當不能以之限定
本發明之專利範圍,即大凡依本發明所揭示之精神所作之均等變化或修飾,仍應涵蓋在本發明之專利範圍內。
Claims (9)
- 一種以人工智慧技術輔助多疾病決策與即時資訊回饋的醫療照護系統,包括:一資料處理模組,係採集來自於至少一外部之資料庫中的至少一患者醫療訊息,並得批次地進行一訊息處理程序,以產出一第一建模資料及一推論資料,其中:該第一建模資料係為處理一預定期間內複數患者醫療訊息的結果而包含有下列資料所組成之群中之至少一項所得之診斷結果:結構資料、非結構資料、影像資料和聲音資料;該推論資料為處理一預定時間範圍內單一患者醫療訊息的結果;一模型訓練模組,係批次地接收一訓練資料後啟動一訓練程序,針對M個病症進行演算,以建立N個訓練模型,並分析各該訓練模型之疾病預測結果,當任一個訓練模型之疾病預測結果不符合一預定標準時,該模型訓練模組重啟該訓練程序,以建立第N+1個訓練模型;其中:該訓練資料係包含有各批次之該第一建模資料及/或一第二建模資料;M為大於2的正整數;N為大於1的正整數;一推論模組,係接收並傳輸該推論資料及對應該推論資料之一推論結果,其中,該推論結果係與至少二病症相關;一模型管理模組,接收來自該模型訓練模組之所有訓練模型及來自該推論模組之該推論資料,並自該些訓練模型中選定一推論模型,將該推論資料以該推論模型進行運算,得到該推論結果; 一回饋模組,接收並分析來自一專業人員對於該推論結果之一回饋訊息,當回饋訊息中含有該推論結果不正確之內容時,該回饋模組會根據該回饋訊息產出該第二建模資料。
- 如請求項1所述之以人工智慧技術輔助多疾病決策與即時資訊回饋的醫療照護系統,其更包含有該一警示模組,接收並判斷來自該推論模組之該推論結果,當該推論結果中含有不符合其所對應病症的常規標準值之內容時,則該警示模組會顯示一警示訊息。
- 如請求項1所述之以人工智慧技術輔助多疾病決策與即時資訊回饋的醫療照護系統,其更包括一輸出模組,接收來自該推論模組之該推論結果,並將之以一預定格式顯示。
- 如請求項1所述之以人工智慧技術輔助多疾病決策與即時資訊回饋的醫療照護系統,其中,該回饋模組更包含有一互動模組,用以接收該醫護人員輸入之該回饋訊息,一後處理模組,接收並處理來自該互動模組之該回饋訊息,以產出該第二建模資料。
- 如請求項1所述之以人工智慧技術輔助多疾病決策與即時資訊回饋的醫療照護系統,其更包含有一訓練資料庫,接收各批次之該第一建模資料及該第二建模資料,並將之彙整為該訓練資料。
- 如請求項1所述之以人工智慧技術輔助多疾病決策與即時資訊回饋的醫療照護系統,其中,該訊息處理程序係為自該些患者醫療訊息中依據性質相似度或關聯性進行區分,並得進行補值或刪除異常值。
- 如請求項1所述之以人工智慧技術輔助多疾病決策與即時資訊回饋的醫療照護系統,其中,該模型訓練模組具有一模型內部結構,取得針對一第X個病症所設定之一目標結果,以及以一第Y個訓練模型針對該第X個疾病所得之一疾病預測結果,並比對該目標結果與該疾病預測結果,當比對結果為低於 該預定標準時,代表該第Y個訓練模型針對該第X個疾病之判斷應被調整,則該模型訓練模組藉由該模型內部結構及其預設的權重值建立出第N+1個訓練模型;其中:X為大於1的正整數,且X小於等於M;Y為大於1的正整數,且Y小於等於N。
- 如請求項1所述之以人工智慧技術輔助多疾病決策與即時資訊回饋的醫療照護系統,其中,該推論模組更包含有一推論資料庫,接收及儲存該推論結果。
- 如請求項1所述之以人工智慧技術輔助多疾病決策與即時資訊回饋的醫療照護系統,其中,該專業人員係為具醫療專業、資料處理專業、資訊專業、電腦系統專業之人員。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW110130364A TWI776638B (zh) | 2021-08-17 | 2021-08-17 | 以人工智慧技術輔助多疾病決策與即時資訊回饋的醫療照護系統 |
US17/590,174 US20230053474A1 (en) | 2021-08-17 | 2022-02-01 | Medical care system for assisting multi-diseases decision-making and real-time information feedback with artificial intelligence technology |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW110130364A TWI776638B (zh) | 2021-08-17 | 2021-08-17 | 以人工智慧技術輔助多疾病決策與即時資訊回饋的醫療照護系統 |
Publications (2)
Publication Number | Publication Date |
---|---|
TWI776638B true TWI776638B (zh) | 2022-09-01 |
TW202309922A TW202309922A (zh) | 2023-03-01 |
Family
ID=84957974
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW110130364A TWI776638B (zh) | 2021-08-17 | 2021-08-17 | 以人工智慧技術輔助多疾病決策與即時資訊回饋的醫療照護系統 |
Country Status (2)
Country | Link |
---|---|
US (1) | US20230053474A1 (zh) |
TW (1) | TWI776638B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024106332A1 (en) * | 2022-11-18 | 2024-05-23 | Nihon Kohden Corporation | Display controller, and non-transitory computer-readable medium |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116453641B (zh) * | 2023-06-19 | 2023-09-05 | 潍坊医学院附属医院 | 一种中医辅助分析信息的数据处理方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170175169A1 (en) * | 2015-12-18 | 2017-06-22 | Min Lee | Clinical decision support system utilizing deep neural networks for diagnosis of chronic diseases |
TWI686819B (zh) * | 2017-06-16 | 2020-03-01 | 宏達國際電子股份有限公司 | 電腦輔助醫療方法以及用於醫學預測的醫療系統 |
TWI694341B (zh) * | 2017-11-20 | 2020-05-21 | 香港商阿里巴巴集團服務有限公司 | 一種資料樣本標籤處理方法、裝置及電腦設備 |
CN112768064A (zh) * | 2021-01-26 | 2021-05-07 | 北京搜狗科技发展有限公司 | 疾病预测装置及设备、症状信息处理方法、装置及设备 |
CN113015977A (zh) * | 2018-06-29 | 2021-06-22 | 人工智能技术公司 | 使用自然语言处理的对疾病和病症的基于深度学习的诊断和转诊 |
Family Cites Families (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7780595B2 (en) * | 2003-05-15 | 2010-08-24 | Clinical Decision Support, Llc | Panel diagnostic method and system |
US7624030B2 (en) * | 2005-05-20 | 2009-11-24 | Carlos Feder | Computer-implemented medical analytics method and system employing a modified mini-max procedure |
US8504343B2 (en) * | 2007-01-31 | 2013-08-06 | University Of Notre Dame Du Lac | Disease diagnoses-bases disease prediction |
KR101855179B1 (ko) * | 2011-12-21 | 2018-05-09 | 삼성전자 주식회사 | 질환 진단을 위한 최적의 진단 요소 셋 결정 장치 및 방법 |
US9536053B2 (en) * | 2013-06-26 | 2017-01-03 | WellDoc, Inc. | Systems and methods for managing medication adherence |
US20180046773A1 (en) * | 2016-08-11 | 2018-02-15 | Htc Corporation | Medical system and method for providing medical prediction |
US11783947B2 (en) * | 2016-09-26 | 2023-10-10 | University Of Queensland | Method and apparatus for automatic disease state diagnosis |
US20190392952A1 (en) * | 2016-12-09 | 2019-12-26 | Basil Leaf Technologies, Llc | Computer-implemented methods, systems, and computer-readable media for diagnosing a condition |
US10810512B1 (en) * | 2018-03-21 | 2020-10-20 | Verily Life Sciences Llc | Validating a machine learning model prior to deployment |
US11488716B2 (en) * | 2018-10-09 | 2022-11-01 | Ferrum Health, Inc. | Method for configuring multiple machine learning classifiers |
US11501862B2 (en) * | 2019-03-01 | 2022-11-15 | Cambia Health Solutions, Inc. | Systems and methods for healthcare provider dashboards |
US11610152B2 (en) * | 2019-12-27 | 2023-03-21 | GE Precision Healthcare LLC | Machine learning model development and optimization process that ensures performance validation and data sufficiency for regulatory approval |
US11587678B2 (en) * | 2020-03-23 | 2023-02-21 | Clover Health | Machine learning models for diagnosis suspecting |
JP2023526161A (ja) * | 2020-04-03 | 2023-06-21 | プレサーゲン プロプライアトリー リミテッド | 人工知能(ai)モデル選択のための方法 |
US20210327562A1 (en) * | 2020-04-20 | 2021-10-21 | PredictMedix Inc. | Artificial intelligence driven rapid testing system for infectious diseases |
CN112509691B (zh) * | 2020-11-30 | 2024-04-19 | 北京百度网讯科技有限公司 | 鉴别诊断的提示方法、装置、电子设备及存储介质 |
-
2021
- 2021-08-17 TW TW110130364A patent/TWI776638B/zh active
-
2022
- 2022-02-01 US US17/590,174 patent/US20230053474A1/en active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170175169A1 (en) * | 2015-12-18 | 2017-06-22 | Min Lee | Clinical decision support system utilizing deep neural networks for diagnosis of chronic diseases |
TWI686819B (zh) * | 2017-06-16 | 2020-03-01 | 宏達國際電子股份有限公司 | 電腦輔助醫療方法以及用於醫學預測的醫療系統 |
TWI694341B (zh) * | 2017-11-20 | 2020-05-21 | 香港商阿里巴巴集團服務有限公司 | 一種資料樣本標籤處理方法、裝置及電腦設備 |
CN113015977A (zh) * | 2018-06-29 | 2021-06-22 | 人工智能技术公司 | 使用自然语言处理的对疾病和病症的基于深度学习的诊断和转诊 |
CN112768064A (zh) * | 2021-01-26 | 2021-05-07 | 北京搜狗科技发展有限公司 | 疾病预测装置及设备、症状信息处理方法、装置及设备 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024106332A1 (en) * | 2022-11-18 | 2024-05-23 | Nihon Kohden Corporation | Display controller, and non-transitory computer-readable medium |
Also Published As
Publication number | Publication date |
---|---|
TW202309922A (zh) | 2023-03-01 |
US20230053474A1 (en) | 2023-02-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chatrati et al. | Smart home health monitoring system for predicting type 2 diabetes and hypertension | |
US20230082019A1 (en) | Systems and methods for monitoring brain health status | |
US20220051770A1 (en) | Devices and method for a healthcare collaboration space | |
US20220383998A1 (en) | Artificial-intelligence-based facilitation of healthcare delivery | |
KR102558021B1 (ko) | 임상 의사결정 지원 앙상블 시스템 및 이를 이용한 임상 의사결정 지원 방법 | |
US11031139B2 (en) | Systems and methods for conversational flexible data presentation | |
TWI776638B (zh) | 以人工智慧技術輔助多疾病決策與即時資訊回饋的醫療照護系統 | |
US20190392952A1 (en) | Computer-implemented methods, systems, and computer-readable media for diagnosing a condition | |
US20220165426A1 (en) | Method and systems for a healthcare provider assistance system | |
US20210082575A1 (en) | Computerized decision support tool for post-acute care patients | |
Gerdes et al. | Conceptualization of a personalized ecoach for wellness promotion | |
US11640858B2 (en) | Digital therapeutic platform | |
Dey et al. | Human-centered explainability for life sciences, healthcare, and medical informatics | |
Sony et al. | The impact of healthcare 4.0 on the healthcare service quality: a systematic literature review | |
Jibril et al. | Development of a medical expert system for hypertensive patients diagnosis: A knowledge-based rules | |
US20220059238A1 (en) | Systems and methods for generating data quality indices for patients | |
CN111317440A (zh) | 患者的预警方法、使用该方法的监护设备及可读存储介质 | |
US11600397B2 (en) | Systems and methods for conversational flexible data presentation | |
US20220122700A1 (en) | Predictive Electronic Healthcare Record Systems and Methods for the Developing World | |
Elkhovskaya et al. | Personalized Assistance for Patients with Chronic Diseases Through Multi-Level Distributed Healthcare Process Assessment. | |
Cunha et al. | Using Mixed Reality and Machine Learning to Assist Caregivers in Nursing Home and Promote Well-being | |
US20200035361A1 (en) | Method and electronic device for artificial intelligence (ai)-based assistive health sensing in internet of things network | |
Ikawati et al. | Individual Health Profiling Using Multimodal Sensors on Smart Health Care | |
Durga et al. | Disease Diagnosis and Diet Plan Recommendation using KNN model | |
US20190108916A1 (en) | Decision-support tools for pediatric obesity |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
GD4A | Issue of patent certificate for granted invention patent |