TWI798926B - 脊椎手術術後狀況評估決策輔助方法與系統 - Google Patents
脊椎手術術後狀況評估決策輔助方法與系統 Download PDFInfo
- Publication number
- TWI798926B TWI798926B TW110141706A TW110141706A TWI798926B TW I798926 B TWI798926 B TW I798926B TW 110141706 A TW110141706 A TW 110141706A TW 110141706 A TW110141706 A TW 110141706A TW I798926 B TWI798926 B TW I798926B
- Authority
- TW
- Taiwan
- Prior art keywords
- postoperative
- decision
- making
- spinal surgery
- surgery
- Prior art date
Links
Images
Landscapes
- Medical Treatment And Welfare Office Work (AREA)
- Prostheses (AREA)
Abstract
本發明關於一種脊椎手術術後狀況評估決策輔助方法,其包含:取得關於受評者之包含背景健康資訊以及手術紀錄資訊的評估資訊;將該評估資訊提供給遠端伺服器包含的術後狀況集成學習決策分析模型;經由執行該術後狀況集成學習決策分析模型以基於該評估資訊推估該受評者的複數術後狀況之發生機率;以及將該等術後狀況之發生機率經由顯示介面提供給使用者讀取。
Description
本發明係有關於一種脊椎手術術後狀況評估決策輔助方法與系統,尤其是一種透過集成學習決策分析模型之執行來評估脊椎手術病人其術後狀況之決策輔助系統與方法,以輔助醫護人員進行術後決策。
根據世界衛生組織統計,因骨質疏鬆引起的壓迫性骨折,在人體中發生率最高的部位就是脊椎,並且好發於年長的患者65歲以上患者,比例上約占全部患者的27%。骨質疏鬆引起的脊椎壓迫性骨折,將造成脊椎塌陷,脊柱變形,腹腔及胸腔空間變小併發肺功能減少,導致病患行動受限及心理上的憂慮。
在習用技術中,對於骨質疏鬆引起的脊椎壓迫性骨折,通常需要使用脊椎手術(spine surgery)來處置,脊椎手術大致區分使用影像導航而在骨折患部注入骨水泥的傳統型椎體成形術(vertebroplasty),以及先在骨折患部植入球囊(balloon)以產生填充空間,然後再以骨水泥注入填充空間的改良型後凸成形術(kyphoplasty),又稱改良型椎體成形術、改良式椎體成形術或減壓椎體成形術等等,兩種手術皆可改善脊椎壓迫性骨折患者之背痛程度。
但長期臨床經驗也發現,不同脊椎手術執行過程中,患者在生理參數變異、及氧飽和度下降等情況,將與患者手術併發症之發生、或術後恢復速度與程度等術後狀況之間,似乎有著高度關聯,經由收集相關因子、自變數與應變數資料後,似乎有利用機器學習技術,建立一個預測模型與方法的可能,目的在於提供一套決策支援輔助系統,作為醫生為病患選擇適合手術方式的參考與依據。
職是之故,鑑於習用技術的不足之處,發明人經過悉心嘗試與研究,並一本鍥而不捨之精神,終構思出本案「脊椎手術術後狀況評估決策輔助方法與系統」,能夠克服上述缺點,以下為本發明之簡要說明。
鑑於傳統脊椎手術成果常與脊椎手術過程中,患者各種生理數據值有相關以及患者本身的背景健康資訊有某種隱含關聯,本發明透過使用集成學習方法,從手術及麻醉資料庫大數據中,找出患者背景健康狀況與不同脊椎手術過程,相對於患者術後狀況之間的隱含關聯性,可供預測術後的高危險群病患,為醫護人員提供術後決策之輔助,進而讓醫護人員能早期預防相關併發症,並確保病患手術安全,有效降低各種不確定風險因素。
據此本發明提出一種脊椎手術術後狀況評估決策輔助方法,其包含:取得關於受評者之包含背景健康資訊以及手術紀錄資訊的評估資訊;將該評估資訊提供給遠端伺服器包含的術後狀況集成學習決策分析模型;經由執行該術後狀況集成學習決策分析模型以基於該評估資訊推估該受評者的複數術後狀況之發生機率;以及將該等術後狀況之發生機率
經由顯示介面提供給使用者讀取。
本發明進一步提出一種脊椎手術術後狀況評估決策輔助系統,其包含:遠端伺服器,其安裝有包含術後狀況集成學習決策分析模型的電腦程式產品;以及使用者設備,其係與該遠端伺服器通訊連結,並提供顯示包含複數評估欄位的快捷操作介面供使用者以進行輸入操作,以便該使用者輸入受評者的複數評估資訊,其中該使用者設備將所輸入之該評估資訊傳輸給該術後狀況集成學習決策分析模型,經由執行該術後狀況集成學習決策分析模型以基於該評估資訊推估該受評者的複數術後狀況之發生機率,以及將該等術後狀況之發生機率經由該快捷操作介面提供給該使用者讀取。
上述發明內容旨在提供本揭示內容的簡化摘要,以使讀者對本揭示內容具備基本的理解,此發明內容並非揭露本發明的完整描述,且用意並非在指出本發明實施例的重要/關鍵元件或界定本發明的範圍。
100:本發明脊椎手術術後狀況評估決策輔助系統
101:筆記型電腦
103:桌上型電腦
105:智慧型手機
107:平板裝置
109:遠端伺服器
111:網際網路
130:後端管理平台
140:網頁瀏覽器
150:前端應用程式
161:操作介面
163:快捷操作介面
165:顯示介面
200:本發明脊椎手術術後狀況評估決策輔助方法
201-205:實施步驟
第1圖係揭示本發明脊椎手術術後狀況評估決策輔助系統之系統架構示意圖;
第2圖係揭示本發明術後狀況集成學習決策分析模型經由實施貝式網路子模組針對改良型後凸成形術執行分析在分析過程所產生之重要性網絡圖;
第3圖係揭示本發明術後狀況集成學習決策分析模型經由實施貝式網路子模組針對改良型後凸成形術執行分析後所獲得之重要性分析結
果柱狀圖;
第4圖係揭示本發明術後狀況集成學習決策分析模型經由實施類神經網路子模組針對改良型後凸成形術執行分析所建構之單一隱藏層之網絡圖;
第5圖係揭示本發明術後狀況集成學習決策分析模型經由實施類神經網路子模組針對改良型後凸成形術所獲得之重要性分析結果柱狀圖;
第6圖係揭示本發明術後狀況集成學習決策分析模型經由實施判別分析子模組針對傳統型椎體成形術所獲得之重要性分析結果柱狀圖;
第7圖係揭示本發明術後狀況集成學習決策分析模型各子模組針對傳統型椎體成形術所獲得之重要性分析結果柱狀圖;以及
第8圖係揭示本發明脊椎手術術後狀況評估決策輔助方法之運作步驟流程圖。
本發明之實施將透過以下描述而得到充分瞭解,使得熟習本發明所屬技術領域者可以據以完成之,然本發明之實施並非僅限於以下描述;本發明之圖式不包含對大小、尺寸與比例尺的限定,本發明實際實施時其大小、尺寸與比例尺不受圖式之限制。說明書或請求項中所描述或者記載的任何步驟,得以按任何順序執行,不受限於說明書或請求項中所描述或者記載的順序。本發明的範圍應僅由請求項及其均等方案確定,不應由說明書所描述之實施例而確定。
本文中用語“較佳”是非排他性的,應理解成“較佳為但不限於”,本文中用語“例如”是非排他性的,應理解成“例如但不限於”,本文中
用語“包含”及其變化出現在說明書和請求項中時,是一個開放式的用語,不具有限制性含義,並不排除其他特徵或步驟之加入。
基於脊椎手術成果常與脊椎手術過程中患者的各種生理數據值有相關以及患者本身的背景健康資訊有某種隱含關聯,本發明透過使用集成學習(ensemble learning)方法,從手術及麻醉資料庫大數據中以及大量的患者背景健康資訊中,發掘不同類型脊椎手術與心率變異和氧飽和度之間的隱含關聯性,以及患者背景健康狀況與不同類型脊椎手術過程狀況,相對於患者術後狀況之間的隱含關聯性,可供預測術後的高危險群病患,並進一步為醫護人員提供決策輔助,進而讓醫護人員能早期預防相關併發症,並確保病患手術安全,有效降低各種不確定風險因素。
本發明係透過至少組合貝式網路(Bayesian Network,BN)、類神經網路(Artificial Neural Network,ANN)及判別分析(Discriminant Analysis,DA)三種機器學習演算法構成集成學習決策分析模型,其中ANN的分析結果,其曲線下面積(area under the Curve,AUC)指標可達AUC>0.7,整體重要因子以術前下肢麻與走不動症狀為主,生命徵象參數以心跳、舒張壓是否正常、麻醉前血中氧飽合度、與術中骨水泥灌入後血中氧飽合度為最主要的顯著因子。
本發明係還進一步集成組合貝式分類器、深度神經網路(DNN)、遞歸神經網路(RNN)、長短期記憶模型(LSTM)、多層感知模型(MLP)、弱學習分類器、強學習分類器、強投票分類器、弱投票分類器、支援向量機(SVM)、決策樹、非監督式學習分類器、監督式學習分類器、半監督式學習分類器及其組合其中之一,以構成術後狀況集成學習決策分析模
型。經由實施本發明所建構的術後狀況集成學習決策分析模型,找出原本隱含且不明顯的關聯,確認不同手術方式與生命徵象是否異常之間是否有明確關聯,並據此評估後續患者住院天數,可提供給醫護人員進行手術方式之決策輔助。
據此,本發明提出並建置一個脊椎手術術後狀況評估決策輔助方法與對應的系統,應用雲端運算技術之軟體即服務(Software as a Service、SaaS)與平台即服務(Platform as a Service、PaaS)技術,而建置為一個類雲端服務平台,透過網際網路與網頁瀏覽器(internet browser)提供給使用者存取、操作與使用,使用者只需在可連網之環境下,連結上網際網路,透過在使用者設備上執行的瀏覽器就可以進行存取、操作與使用,本發明系統能以外部部署(off-premises)方式提供給使用者,使用者只須上網訂閱取得權限,就可存取與使用系統與平台。本發明系統亦可選擇性地應用API技術,而建構為一隻手機應用程式,而提供使用者安裝在自己的使用者設備上進行操作。使用者較佳是例如但不限於醫護人員、醫師、醫療人員、護士、護理師或者護理人員等醫療從業人員。
本發明脊椎手術術後狀況評估決策輔助系統,係由在實體設備層中的各項硬體與在應用程式層中的程式平台(電腦程式產品)組成,依照國際開放式系統互連通訊參考模型(OSI/RM)架構的定義,本發明社群式學習創建程式平台、及其所包含的多項組成模組,是在OSI/RM架構第7層(應用層)上執行與運作的軟體應用服務,在第7層的軟體應用服務可自主選用第4層傳輸層中各式通訊協定、在第3層網路層形成資料封包並決定傳輸路徑、通過第2層資料連結層加上邏輯鏈路控制(LLC)與媒體存取控制(MAC)
後,與位在第1層實體層上的各項裝置,例如但不限於:伺服器、設備、使用者設備與元件等,建立所需之雙向通訊鏈路(upload communication link、download communication link)。
第1圖係揭示本發明脊椎手術術後狀況評估決策輔助系統之系統架構示意圖;第1圖揭示的本發明脊椎手術術後狀況評估決策輔助系統100是由多項硬體與程式平台組成,在實體設備層的多個裝置,包含例如但不限於:位在本地端(local end)的多台使用者設備,包含筆記型電腦101、桌上型電腦103、智慧型手機105與平板裝置107,以及位在遠端(remote end)的伺服器裝置,包含遠端伺服器109;筆記型電腦101、桌上型電腦103、智慧型手機105與平板裝置107等本地端裝置,係透過網際網路111而鏈結至遠端伺服器109,與遠端伺服器109雙向通訊並存取資料,網際網路111由區域網路(LAN)、廣域網路(WAN)、GSM網路、4G網路、5G網路、6G網路、Wi-Fi網路、藍芽網路及其組合等所混合組成。
使用者只需透過筆記型電腦101、桌上型電腦103、智慧型手機105或者平板裝置107等使用者設備,並經由網際網路111與遠端伺服器109建立通訊連結,即可使用在使用者設備上執行之網頁瀏覽器140,來直接存取、操作和使用安裝在遠端伺服器109上、包含術後狀況集成學習決策分析模型的一支電腦程式產品平台。
電腦程式產品平台包含安裝在遠端伺服器109上的後端管理平台130,以及提供使用者安裝在使用者設備上的一支前端應用程式150,使用者可另外透過網際網路111下載、並在筆記型電腦101、桌上型電腦103、智慧型手機105或者平板裝置107上安裝一支本前端應用程式150,而
透過前端應用程式150來存取、操作、使用遠端伺服器109上的後端管理平台130。前端應用程式150可在筆記型電腦101、桌上型電腦103、智慧型手機105或者平板裝置107的顯示單元例如但不限於顯示器、觸控螢幕中產生操作介面161、快捷操作介面163或者顯示介面165等介面供使用者操作。
貝氏網路又稱信念網路(belief network)或是有向無環圖模型(directed acyclic graphical model),是一種機率圖型模型,藉由有向無環圖(directed acyclic graphs,DAGs)中得知一組隨機變數及其n組條件機率分配(conditional probability distributions,CPDs)的性質。
貝氏網路可用於表示疾病和其相關症狀間的機率關係,舉例來說,倘若已知某種症狀下,貝氏網路就可用來計算各種可能罹患疾病之發生機率,貝氏網路的有向無環圖中的節點表示隨機變數,它們可以是可觀察到的變數,抑或是潛在變量、未知參數等。連接兩個節點的箭頭代表此兩個隨機變數是具有因果關係或是非條件獨立的;而兩個節點間若沒有箭頭相互連接一起的情況就稱其隨機變數彼此間為條件獨立,若兩個節點間以一個單箭頭連接在一起,表示其中一個節點是「因(parents)」,另一個是「果(children)」,兩節點就會產生一個條件機率值。
類神經網路則用於對函式進行估計或近似,神經網路是一種自適應系統,具備學習功能,也是一種非線性統計性資料建模工具,通常是通過一個基於數學統計學類型的學習方法得以最佳化,在人工智慧學的人工感知領域,我們通過數學統計學的應用可以來做類似人一樣具有簡單的決定能力和簡單的判斷能力,這種方法比起正式的邏輯學推理演算更具有優勢。
判別分析則是多元統計分析中用於判別樣品(受訪者)所屬類型(族群)的一種方法,將相似的樣本(受訪者)歸為一類(族群),根據樣本資料推導出一個或一組判別(區別)函數,同時指定一種判別規則,用於確定待判別樣本的所屬類別,使錯判率最小。
較佳地,判別分析是對費舍爾的線性鑑別方法的歸納,這種方法使用統計學,模式識別和機器學習方法,試圖找到兩類物體或事件的特徵的一個線性組合,以能夠特徵化或區分它們,所得到的組合可用來作為一個線性分類器,為後續的分類做降維處理。
判別分析與方差分析(ANOVA)和回歸分析緊密相關,這兩種分析方法也試圖通過一些特徵或測量值的線性組合來表示一個因變量,然而方差分析使用類別自變量和連續數因變量,而判別分析連續自變量和類別因變量。
判別分析也與邏輯回歸和概率回歸比方差分析類似,因為他們也是用連續自變量來解釋類別因變量的,但判別分析的基本假設是自變量是常態分布的,當這一假設無法滿足時,在實際應用中更傾向於用上述的其他方法。
判別分析也與主成分分析(PCA)和因子分析緊密相關,它們都在尋找最佳解釋數據的變量線性組合,但判別分析明確地嘗試在不同數據類之間建立模型,而PCA不考慮類的任何不同,只是在保留大部分信息的前提下降維,因子分析是根據不同點而不是相同點來建立特徵組合。
本發明的樣本母體來源,係以台灣北區醫院在2011年01月01日至2018年12月31日之間,曾經接受椎體成形術患者之病歷資料做為主要
來源,患者年齡分布介於20歲以上到80歲以下之間,其健康資訊內容至少包括年齡、性別、身高、體重、症狀等,症狀至少涵蓋酸、痛、麻、無力、走不動等,脊椎手術紀錄資訊至少包含手術名稱(約8個屬性)及麻醉紀錄,麻醉紀錄至少涵蓋生命徵象、手術時間、骨水泥灌入至完成時間、血氧飽和濃度、呼氣末二氧化碳濃度(End tidal CO2,etCO2)、手術後至出院天數、併發症、術後恢復程度、及術後恢復速度等。
所收集的欄位至少包含原始連續性數值、與使用分類為正常與異常值欄位,如下:(1)SBP>140異常者;(2)DBP<60mmh異常者;(3)SaO2<95%異常者;(4)PR>100/mins異常者;以及(5)RR≧28/misn異常者。
表1與表2係列出本發明母體所包含的所有樣本的統計特性,由表1與表2中可得知,本發明在資料收集階段所彙整共1136件個案之平均年齡為55.89歲,以女性個案為多(65.6%),症狀的特徵以疼痛(91.7%)與無力(66.5%)為多,對於病因學分析,最常見的活動姿態為站立與坐姿約各半,至於疼痛的嚴重程度,按標準疼痛量表測量,大多數患者的疼痛平均分數為6.5,程度為中度。
在模型建置階段,需要預先執行資料前處理(data preprocessing),在資料收集階段所收集的大量曾接受脊椎手術病患之脊椎手術紀錄資訊,以及曾經接受椎體成形術患者之背景健康資訊等原始資料(raw data),較佳是以數位檔案的形式儲存與紀錄在雲端資料庫中,因此需要對原始資料進行離群值(outlier)刪除、錯誤資料刪除、不完整紀錄剔除、字段識別、文字識別、語意識別、格式轉換、標準化或是格式化等處理,留下
正確與可靠的紀錄,去除不正確與缺漏的紀錄等,並對正確資料進行正規化(normalized),並將這些原始資料轉換為術後狀況集成學習決策分析模型可讀取之資料型態。
接著以經過前處理的資料做為資料集(data set),並切割為訓練集(training set)與測試集(test set),將訓練集輸入集成學習決策分析模型大量讀取、辨識、學習和訓練,以找出不同種類的脊椎手術與心率變異和氧飽和度之間的隱含關聯性,可供預測術後的高危險群病患,以及辨識病患術前健康資訊以及術中手術紀錄資訊,與病患在術後之術後狀況之間的關聯性、隱含關聯與發生機率等。
第2圖係揭示本發明術後狀況集成學習決策分析模型經由實施貝式網路子模組針對改良型後凸成形術執行分析在分析過程所產生之重要性網絡圖;第3圖係揭示本發明術後狀況集成學習決策分析模型經由實施貝式網路子模組針對改良型後凸成形術執行分析後所獲得之重要性分析結果柱狀圖;經由實施貝氏網路,以條件機率分析17項因子對選擇改良型後凸成形術的整體機率達80%,分析發現主要影響因子為生理症狀酸、麻、走不動及骨水泥灌入第一分鐘的SaO2影響因子遠重要於其他因子,其他次要因子如痛與骨水泥灌入後之etCO2,分析過程產生之重要性網絡圖如第2圖所示,經分析得出之主要因子或主成分如第3圖之柱狀圖所揭示。
以貝式網路子模組進一步分析因子權重,可得知各個影響因子對依變相的影響程度,發現理學檢查或身體評估的部分,其影響因子遠重要於其他因子,重要因子包含了酸、痛、麻、走不動及無力,分析結果還包含:以條件機率分析8項因子對各項椎體成形術的預測整體機率達80%
以上,僅陽虛體質未達70%。痰濕體質的預測率為89.1%,主要影響因子為腰圍過寬與高血糖;以條件機率分6項高危險因子對痰濕體質的預測率為65.1%,主要影響因子為高膽固醇與高血糖。
第4圖係揭示本發明術後狀況集成學習決策分析模型經由實施類神經網路子模組針對改良型後凸成形術執行分析所建構之單一隱藏層之網絡圖;類神經網路的網絡結構,由單一隱藏層組成即可以提供足夠的準確性,舉例來說,將表1所列的17項因子原始數據放置輸入層,在隱藏層中設置了信號神經元以進行測試,最終的網絡輸出層僅包含一個神經元,如第4圖所揭示。
第5圖係揭示本發明術後狀況集成學習決策分析模型經由實施類神經網路子模組針對改良型後凸成形術所獲得之重要性分析結果柱狀圖;對於網絡參數設置,學習率較佳可設置為0.2,因較低的學習率通常會導致更好的學習結果,而培訓終止條件則是當均方根誤差(RMSE)小於或等於0.0001,或至多為培訓重複次數的1000倍,並選擇具有最小RMSE測試數據的網絡結構作為最終網絡結構,總體判斷準確度為83.5%,對於選擇不同方式的椎體成形術最主要的因子為呼吸次數、骨水泥灌入之心跳變化、舒張壓等因子,如第5圖所揭示。
在判別分析中,將以手術方式作為兩種集群代表,接著再以原始的17變項作判別分析,建立如表3所示的混淆表,顯示分群結果之正確區別率達76.4%,正確區別率之計算係(506+362)/1136=76.4%,可見各群的內部同質性相當一致性。比較不同集群之症狀特性及生命徵象之差異,kyphoplasty與麻、走不動及第一分鐘之SaO2相關性較高,差異達顯著;而
vertebroplasty與痛、走不動、低DBP異常及HR過快之相關性較高,由表1中整體的重要因子來看,kyphoplasty比vertebroplasty判別正確率高,此差異達顯著(t=-4.62,p<.001)。
第6圖係揭示本發明術後狀況集成學習決策分析模型經由實施判別分析子模組針對傳統型椎體成形術所獲得之重要性分析結果柱狀圖;由第6圖可得知,若欲進行vertebroplasty手術之重要影響因子為骨水泥灌入的第一分鐘SaO2,達統計顯著差異P=0.043。
過去決定手術方式多取決於個案年齡、術前症狀與醫師個人習慣來判定,本發明將由個人症狀及生理參數,與術中血氧濃度及術後恢復程度來探討選擇手術之方式,經由三種模型的集成分析,發現疼痛程度與年齡等因子皆不在重要影響因素中,可能由於過去較忽略手術方式造成生命徵象變化及血中氧飽和濃度對術後之影響。在比較術中骨水泥滲漏的機率中,如表1所示,vertebroplasty之發生率7%,且術中骨水泥滲漏與血中氧飽和濃度為正相關,也可能與術後恢復及住院天數較常有相關。
第7圖係揭示本發明術後狀況集成學習決策分析模型各子模組針對傳統型椎體成形術所獲得之重要性分析結果柱狀圖;如第7圖以及表4所示,所有模型在預測不同改良型後凸成形術的分辨率方面表現良好,個
別子模組的ROC曲線面積範圍經計算為0.51至0.78。在理想閾值下,每一個子模組的靈敏度,特異性和準確性均大於70%。最終,當每一個子模組的分析完成後,本發明術後狀況集成學習決策分析模型,將給予各子模組之分析結果不同的權重因子,再加總並平均各子模組之分析結果,得到一組更可靠的分析結果,輔助醫護人員參考,並進行術後評估與決策。
為了在醫療機構實現本發明的方法、模型與系統,透過資通訊(ICT)技術,可以將本發明的方法與模型,應用PaaS與SaaS技術進一步封裝為網頁(web page)服務,也可以通過動態更新數據集庫來逐步修改模型,最後再提供給醫師最佳決策輔助模型。
各類使用者設備,包含筆記型電腦101、桌上型電腦103、智慧型手機105與平板裝置107,都可以提供給使用者使用來執行智慧護理平台前端應用程式,較佳是一支Android或iOS應用程式,前端應用程式可以執行具有快捷操作程式元件的使用者介面,以產生並提供快捷操作介面給使用者操作,前端應用程式將所接收到的身體評估輸入,傳輸給遠端伺服器109上安裝與執行的本發明術後狀況集成學習決策分析模型,術後狀況集成學習決策分析模型據以展開計算,並將各子模組分析結果回傳前端應用程式,透過使用者介面立即回饋給使用者讀取。
快捷操作程式元件經執行後可在使用者設備的顯示單元例
如但不限於顯示器、觸控螢幕中產生快捷操作介面,快捷操作介面較佳是例如但不限於:一系列圖形化使用者介面(GUI)、基於點選(one-click)操作的快捷選單(quick menu)、快捷操作網頁、快捷清單、快捷按鍵、圖形化快捷操作介面、懸浮便捷選項選單視窗、下拉式(drop-down)選項便捷選單、或者快捷選項選單,以提供使用者透過觸控螢幕單元點選與操作。
第8圖係揭示本發明脊椎手術術後狀況評估決策輔助方法之運作步驟流程圖;本發明脊椎手術術後狀況評估決策輔助方法200之運作流程,大致如第8圖所揭示包含以下步驟:經由存取受評者之病歷資訊,並從該病歷資訊中擷取評估資訊,而取得關於該受評者之包含背景健康資訊以及手術紀錄資訊的該評估資訊(步驟201);或者經由提供操作介面以顯示複數評估欄位供使用者輸入該受評者的該評估資訊,而取得關於該受評者之包含背景健康資訊以及手術紀錄資訊的該評估資訊(步驟202);將所取得的該評估資訊提供給遠端伺服器包含的術後狀況集成學習決策分析模型(步驟203);經由執行該術後狀況集成學習決策分析模型以基於該評估資訊推估該受評者的複數術後狀況之發生機率(步驟204);以及將該等術後狀況之發生機率經由顯示介面提供給該使用者讀取(步驟205)。
本發明以上各實施例彼此之間可以任意組合或者替換,從而衍生更多之實施態樣,但皆不脫本發明所欲保護之範圍,茲進一步提供更多本發明實施例如次:
實施例1:一種脊椎手術術後狀況評估決策輔助方法,其包含:取得關於受評者之包含背景健康資訊以及手術紀錄資訊的評估資訊;將該評估資訊提供給遠端伺服器包含的術後狀況集成學習決策分析模型;
經由執行該術後狀況集成學習決策分析模型以基於該評估資訊推估該受評者的複數術後狀況之發生機率;以及將該等術後狀況之發生機率經由顯示介面提供給使用者讀取。
實施例2:如實施例1所述之脊椎手術術後狀況評估決策輔助方法,還包含以下其中之一:存取該受評者之病歷資訊,並從該病歷資訊中擷取該評估資訊;經由快捷操作介面顯示複數評估欄位供該使用者輸入該受評者的該評估資訊;透過安裝在使用者設備上的網頁瀏覽器,向該使用者顯示該快捷操作介面,並經由該網頁瀏覽器接收該使用者透過操作該快捷操作介面所輸入的該評估資訊;透過一使用者設備配置的觸控螢幕單元,向該使用者顯示該快捷操作介面以及提供該使用者透過點選操作而操作該快捷操作介面,並以該觸控螢幕單元接收該點選操作,以接收該使用者經由該快捷操作介面所輸入的該評估資訊;透過安裝在該使用者設備上的一前端應用程式向該使用者顯示該快捷操作介面,並經由該前端應用程式接收該使用者經由該快捷操作介面所輸入的該評估資訊;以及在該使用者設備上執行快捷操作程式元件,以在該使用者設備上產生該快捷操作介面。
實施例3:如實施例2所述之脊椎手術術後狀況評估決策輔助方法,其中該使用者設備係選自行動裝置、智慧手機、平板裝置、桌上型電腦與筆記型電腦其中之一。
實施例4:如實施例1所述之脊椎手術術後狀況評估決策輔助方法,還包含以下步驟其中之一:提供複數曾接受脊椎手術病患之評估資訊資料集,該評估資訊資料集包含複數背景健康資訊資料集以及複數手術
紀錄資訊資料集;實施資料前處理程序,以將該評估資訊資料集處理為該術後狀況集成學習決策分析模型可讀取之資料型態;將經過前處理的該評估資訊資料集分割為訓練集與測試集;將該訓練集輸入該術後狀況集成學習決策分析模型,經由該術後狀況集成學習決策分析模型基於該訓練集,推估在給定該等背景健康資訊資料集以及該等手術紀錄資訊資料集的條件下,該等術後狀況之發生機率,並據此訓練該術後狀況集成學習決策分析模型;以及將該測試集輸入該術後狀況集成學習決策分析模型,以驗證並調整該術後狀況集成學習決策分析模型,從而建立該術後狀況集成學習決策分析模型。
實施例5:如實施例4所述之脊椎手術術後狀況評估決策輔助方法,其中該等術後狀況至少包含住院天數、併發症、併發症風險程度、術後恢復程度、術後恢復速度及其組合其中之一,該背景健康資訊以及該背景健康資訊資料集至少包含年齡、性別、身高、體重、症狀及其組合其中之一,該症狀至少包含酸、痛、麻、無力、走不動及其組合其中之一,該手術紀錄資訊以及該手術紀錄資訊資料集至少包含手術名稱、麻醉紀錄、生命徵象、手術時間、骨水泥灌入至完成時間、血氧飽和濃度、呼氣末二氧化碳濃度、手術後至出院天數、併發症、術後恢復程度、術後恢復速度及其組合其中之一。
實施例6:如實施例1所述之脊椎手術術後狀況評估決策輔助方法,其中該術後狀況集成學習決策分析模型係選擇性地集合複數分類器之分類結果,該等分類器係選自貝式網路、貝式分類器、線性判別分析、類神經網路、深度神經網路、遞歸神經網路、長短期記憶模型、多層感知
模型、弱學習分類器、強學習分類器、強投票分類器、弱投票分類器、支援向量機、決策樹、非監督式學習分類器、監督式學習分類器、半監督式學習分類器及其組合其中之一。
實施例7:一種脊椎手術術後狀況評估決策輔助系統,其包含:遠端伺服器,其安裝有包含術後狀況集成學習決策分析模型的電腦程式產品;以及使用者設備,其係與該遠端伺服器通訊連結,並提供顯示包含複數評估欄位的快捷操作介面供使用者以進行輸入操作,以便該使用者輸入受評者的複數評估資訊,其中該使用者設備將所輸入之該評估資訊傳輸給該術後狀況集成學習決策分析模型,經由執行該術後狀況集成學習決策分析模型以基於該評估資訊推估該受評者的複數術後狀況之發生機率,以及將該等術後狀況之發生機率經由該快捷操作介面提供給該使用者讀取。
實施例8:如實施例7所述之脊椎手術術後狀況評估決策輔助系統,其中該使用者設備還包含以下其中之一:網頁瀏覽器,其經配置向該使用者顯示該快捷操作介面,並經由該網頁瀏覽器接收該使用者透過操作該快捷操作介面所輸入的該評估資訊;觸控螢幕單元,其係向該使用者顯示該快捷操作介面以及提供該使用者透過點選操作而操作該快捷操作介面,並以該觸控螢幕單元接收該點選操作,以接收該使用者經由該快捷操作介面所輸入的該評估資訊;以及前端應用程式,其經配置向該使用者顯示該快捷操作介面,並經由該前端應用程式接收該使用者經由該快捷操作介面所輸入的該評估資訊。
實施例9:如實施例7所述之脊椎手術術後狀況評估決策輔助
系統,其中該電腦程式產品包含安裝在該遠端伺服器上運作的後端管理平台、在該使用者設備上執行的該前端應用程式、在該使用者設備上顯示的該快捷操作介面及其組合其中之一。
實施例10:如實施例7所述之脊椎手術術後狀況評估決策輔助系統,其中該快捷操作介面係選自圖形化使用者介面、快捷選單、快捷操作網頁、快捷清單、快捷按鍵、圖形化快捷操作介面、懸浮便捷選項選單視窗、下拉式選項便捷選單以及快捷選項選單其中之一。
本發明各實施例彼此之間可以任意組合或者替換,從而衍生更多之實施態樣,但皆不脫本發明所欲保護之範圍,本發明保護範圍之界定,悉以本發明申請專利範圍所記載者為準。
200:本發明脊椎手術術後狀況評估決策輔助方法
201-205:實施步驟
Claims (6)
- 一種脊椎手術術後狀況評估決策輔助方法,其包含:取得關於一病人之一背景健康資訊;收集該病人在一脊椎手術之一術中階段的複數生理參數,其中該脊椎手術係選自一傳統型椎體成形術(vertebroplasty)與改良型後凸成形術(kyphoplasty)其中之一,該等生理參數係包含一術中骨水泥灌入第1分鐘血氧飽和度(SaO2)、一骨水泥灌入第10分鐘SaO2、一骨水泥灌入至完全硬化SaO2、一術中收縮壓(SBP)、一術中舒張壓(DBP)、一術中心率(PR)、一術中呼吸率(RR)、一體溫(BT)與其組合其中之一;將該背景健康資訊與該等生理參數提供給一遠端伺服器包含的一脊椎手術術後狀況集成學習決策分析模型,該脊椎手術術後狀況集成學習決策分析模型包含一類神經網路子模組以及一判別分析子模組;當該病人係接受該傳統型椎體成形術時,該遠端伺服器將該等生理參數輸入該判別分析子模組並執行該判別分析子模組以預測該病人之一傳統型椎體成形術術後住院天數;當該病人係接受該改良型後凸成形術時,該遠端伺服器將該等生理參數輸入該類神經網路子模組並執行該類神經網路子模組以預測該病人之一改良型後凸成形術術後住院天數;以及將該傳統型椎體成形術術後住院天數以及該改良型後凸成形術術後住院天數其中之一經由一顯示介面提供給一外科醫生讀取。
- 如請求項1所述之脊椎手術術後狀況評估決策輔助方法,還包含以下其中之一: 存取該病人之一病歷資訊,並從該病歷資訊中擷取該評估資訊;經由提供一操作介面顯示複數評估欄位供該外科醫生輸入該病人的該評估資訊;透過安裝在一使用者設備上的一網頁瀏覽器,向該外科醫生顯示該操作介面,並經由該網頁瀏覽器接收該外科醫生透過操作該操作介面所輸入的該評估資訊;透過一使用者設備配置的一觸控螢幕單元,向該外科醫生顯示該操作介面並提供該外科醫生操作該操作介面,並以該觸控螢幕單元接收來自該外科醫生之操作,以接收該外科醫生經由該操作介面所輸入的該評估資訊;以及透過安裝在該使用者設備上的一前端應用程式向該外科醫生顯示該操作介面,並經由該前端應用程式接收該外科醫生經由該操作介面所輸入的該評估資訊。
- 如請求項2所述之脊椎手術術後狀況評估決策輔助方法,其中該使用者設備係選自一行動裝置、一智慧手機、一平板裝置、一桌上型電腦與一筆記型電腦其中之一。
- 如請求項1所述之脊椎手術術後狀況評估決策輔助方法,還包含以下步驟其中之一:提供複數曾接受脊椎手術病患之一評估資訊資料集,該評估資訊資料集包含複數背景健康資訊資料集以及複數手術紀錄資訊資料集;實施一資料前處理程序,以將該評估資訊資料集處理為該脊椎手術術後狀況集成學習決策分析模型可讀取之資料型態; 將經過前處理的該評估資訊資料集分割為一訓練集與一測試集;將該訓練集輸入該脊椎手術術後狀況集成學習決策分析模型,經由該脊椎手術術後狀況集成學習決策分析模型基於該訓練集,推估在給定該等背景健康資訊資料集以及該等手術紀錄資訊資料集的條件下,該等術後狀況之發生機率,並據此訓練該脊椎手術術後狀況集成學習決策分析模型;以及將該測試集輸入該脊椎手術術後狀況集成學習決策分析模型,以驗證並調整該脊椎手術術後狀況集成學習決策分析模型,從而建立該脊椎手術術後狀況集成學習決策分析模型。
- 如請求項4所述之脊椎手術術後狀況評估決策輔助方法,其中該等術後狀況至少包含一住院天數、一併發症、一併發症風險程度、一術後恢復程度、一術後恢復速度及其組合其中之一,該背景健康資訊以及該背景健康資訊資料集至少包含一年齡、一性別、一身高、一體重、一症狀及其組合其中之一,該症狀至少包含一酸、一痛、一麻、一無力、一走不動及其組合其中之一,該手術紀錄資訊以及該手術紀錄資訊資料集至少包含一手術名稱、一麻醉紀錄、一生命徵象、一手術時間、一骨水泥灌入至完成時間、一血氧飽和濃度、一呼氣末二氧化碳濃度、一手術後至出院天數、一併發症、一術後恢復程度、一術後恢復速度及其組合其中之一。
- 如請求項1所述之脊椎手術術後狀況評估決策輔助方法,其中該脊椎手術術後狀況集成學習決策分析模型係選擇性地集合複數分類器之分類結果,該等分類器係選自一貝式網路、一貝式分類器、一線性判別分析、 一類神經網路、一深度神經網路、一遞歸神經網路、一長短期記憶模型、一多層感知模型、一弱學習分類器、一強學習分類器、一強投票分類器、一弱投票分類器、一支援向量機、一決策樹、一非監督式學習分類器、一監督式學習分類器、一半監督式學習分類器及其組合其中之一。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW110141706A TWI798926B (zh) | 2021-11-09 | 2021-11-09 | 脊椎手術術後狀況評估決策輔助方法與系統 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW110141706A TWI798926B (zh) | 2021-11-09 | 2021-11-09 | 脊椎手術術後狀況評估決策輔助方法與系統 |
Publications (2)
Publication Number | Publication Date |
---|---|
TWI798926B true TWI798926B (zh) | 2023-04-11 |
TW202320085A TW202320085A (zh) | 2023-05-16 |
Family
ID=86948650
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW110141706A TWI798926B (zh) | 2021-11-09 | 2021-11-09 | 脊椎手術術後狀況評估決策輔助方法與系統 |
Country Status (1)
Country | Link |
---|---|
TW (1) | TWI798926B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7785351B2 (en) * | 2003-08-05 | 2010-08-31 | Flexuspine, Inc. | Artificial functional spinal implant unit system and method for use |
TW202032390A (zh) * | 2018-08-02 | 2020-09-01 | 香港商布萊特臨床研究有限公司 | 對正在運行中的臨床試驗進行動態數據監測和實時優化的系統,方法及實施過程 |
CN111899867A (zh) * | 2020-07-28 | 2020-11-06 | 四川大学华西医院 | 基于深度学习的手术并发症预测及规避辅助决策系统 |
CN113628751A (zh) * | 2021-07-20 | 2021-11-09 | 赵群 | 胃癌预后预测方法、装置及电子设备 |
-
2021
- 2021-11-09 TW TW110141706A patent/TWI798926B/zh active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7785351B2 (en) * | 2003-08-05 | 2010-08-31 | Flexuspine, Inc. | Artificial functional spinal implant unit system and method for use |
TW202032390A (zh) * | 2018-08-02 | 2020-09-01 | 香港商布萊特臨床研究有限公司 | 對正在運行中的臨床試驗進行動態數據監測和實時優化的系統,方法及實施過程 |
CN111899867A (zh) * | 2020-07-28 | 2020-11-06 | 四川大学华西医院 | 基于深度学习的手术并发症预测及规避辅助决策系统 |
CN113628751A (zh) * | 2021-07-20 | 2021-11-09 | 赵群 | 胃癌预后预测方法、装置及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
TW202320085A (zh) | 2023-05-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11694123B2 (en) | Computer based object detection within a video or image | |
US20170147777A1 (en) | Method and apparatus for predicting health data value through generation of health data pattern | |
CN111183424B (zh) | 识别用户的系统和方法 | |
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 | |
Patro et al. | Ambient assisted living predictive model for cardiovascular disease prediction using supervised learning | |
US11948690B2 (en) | Pulmonary function estimation | |
US20210153776A1 (en) | Method and device for sizing an interatrial aperture | |
US20210183486A1 (en) | Biological information processing method, biological information processing apparatus, and biological information processing system | |
US11531851B2 (en) | Sequential minimal optimization algorithm for learning using partially available privileged information | |
Theerthagiri et al. | Cardiovascular disease prediction using recursive feature elimination and gradient boosting classification techniques | |
Kristinsson et al. | Prediction of serious outcomes based on continuous vital sign monitoring of high-risk patients | |
Liu et al. | TOP-Net prediction model using bidirectional long short-term memory and medical-grade wearable multisensor system for tachycardia onset: algorithm development study | |
CN112542242A (zh) | 数据转换/症状评分 | |
Amor et al. | Data accuracy aware mobile healthcare applications | |
US20240138780A1 (en) | Digital kiosk for performing integrative analysis of health and disease condition and method thereof | |
Itzhak et al. | Prediction of acute hypertensive episodes in critically ill patients | |
EP4093270A1 (en) | Method and system for personalized prediction of infection and sepsis | |
TWI798926B (zh) | 脊椎手術術後狀況評估決策輔助方法與系統 | |
Baidillah et al. | Mechanical ventilation intervention based on machine learning from vital signs monitoring: a scoping review | |
CN113658688A (zh) | 基于无分词深度学习的临床决策支持方法 | |
Yin et al. | AI-powered low-cost wearable health tracker targeted towards elderly in developing countries | |
US20230074604A1 (en) | Systems and methods for enhancing anomaly detection using a pattern dictionary | |
Rehm | A Computational System for Detecting the Acute Respiratory Distress Syndrome Using Physiologic Waveform Data from Mechanical Ventilators | |
US20240099656A1 (en) | Method and system for secretion analysis embedded in a garment | |
Shekar Goud et al. | Deep learning technique for patients healthcare monitoring using IoT body based body sensors and edge servers |