TWI807223B - 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 - Google Patents
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 Download PDFInfo
- Publication number
- TWI807223B TWI807223B TW109135353A TW109135353A TWI807223B TW I807223 B TWI807223 B TW I807223B TW 109135353 A TW109135353 A TW 109135353A TW 109135353 A TW109135353 A TW 109135353A TW I807223 B TWI807223 B TW I807223B
- Authority
- TW
- Taiwan
- Prior art keywords
- anesthesia
- risk
- medical
- surgical
- surgical anesthesia
- Prior art date
Links
Landscapes
- Electrotherapy Devices (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本發明涉及一種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。該手術麻醉風險評估輔助系統的建立係在一醫療資料庫獲取一手術麻醉醫療數據,之後以身體特徵、麻醉變數、生理指數及病史等特徵變數進行AI模型訓練,以獲得嚴重不良反應風險程度、轉加護病房風險程度、手術中輸血風險程度及超長住院風險程度等預測模型;於一伺服器主機建立一手術麻醉風險資訊服務介面、一特徵值擷取服務程式及一風險預測服務程式。醫師使用醫療資訊系統呼叫該手術麻醉風險資訊服務介面,使該特徵值擷取服務程式自該醫療資料庫擷取一待手術病患之一麻醉風險特徵值,該風險預測服務程式根據該麻醉風險特徵值以上述預測模型進行預測以獲得一預測結果,供醫師做術前評估。
Description
本發明係有關於一種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,特別是指利用AI預測待手術病患之手術麻醉風險的發明,以協助醫師於術前評估。
病患在手術前會由麻醉科醫師來執行麻醉前評估,此時病患需告知身體狀況及用藥情形,麻醉科醫師進一步會查閱病患的評估資訊,包含疾病史、身體檢查報告、生化檢驗報告等資料,確保麻醉與手術的安全性。
而近年來,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手術麻醉風險預測模式,將可更有利的協助醫師於病患進行手術前的風險評估。
本發明找出手術麻醉風險的影響變數,並採用AI學習的方式,來預測待手術病患的手術麻醉風險,以協助醫師於待手術病患進行手術前的風險評估。
爰此,本發明提出一種手術麻醉風險評估輔助系統的建立方法,包含:獲取手術麻醉醫療數據之步驟:在一醫療資料庫的一原始數據中擷取與手術麻醉相關之一手術麻醉醫療數據。AI學習進行模型訓練之步驟:在上述手術麻醉醫療數據中篩選出年齡大於20歲之手術病患,並排除車禍病患,進一步將該手術麻醉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,所述特徵變數包括身體特徵、麻醉變數、生理指數及病史。獲得預測模型之步驟:根據前述模型訓練獲得預測模型,所述預測模型包括嚴重不良反應、轉加護病房及超長住院。建立網路服務之步驟:提供一手術麻醉風險資訊服務介面、一特徵值擷取服務程式及一風險預測服務程式;該手術麻醉風險資訊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手術麻醉風險資訊服務介面,並使該特徵值擷取服務程式自該醫療資料庫擷取一待手術病患之一麻醉風險特徵值,該風險預測服務程式根據該麻醉風險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手術麻醉風險資訊服務介面,該預測結果為由輕至重分1至100級的手術麻醉風險程度預測。
進一步,該手術麻醉醫療數據進行清洗轉換係將該手術麻醉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:身體特徵包含年齡、性別及身體質量指數;麻醉變數包含是否抽菸、是否急刀、麻醉風險等級、有無使用中心靜脈導管及有無使用動脈導管;生理指數包含丙氨酸轉氨酶、腎絲球過濾速率、血
紅素、活化部分凝血活酶時間、血小板計數及凝血酶原時間;病史包含糖尿病、高血壓、肝硬化、惡性腫瘤、心臟相關疾病、腎臟相關疾病、腦中風及呼吸衰竭。
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)。更進一步,在AI學習過程中,將該手術麻醉醫療數據區分為訓練集及測試集,且該手術麻醉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,所述預測模型之嚴重不良反應包含術後24小時死亡、術後48小時死亡、術後72小時死亡、住院內死亡、出院動向48小時以上死亡、病危自動出院、術後併發心肌梗塞(AMI)、術後併發敗血症(Sepsis)、術後使用呼吸器。
進一步,該預測結果以視覺化圖形及數字並列顯示於該手術麻醉風險資訊服務介面。
本發明再提出一種使用前述手術麻醉風險評估輔助系統的建立方法所建立之手術麻醉風險評估輔助系統,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,該伺服主機提供該手術麻醉風險資訊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風險預測服務程式。
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,以建置上述手術麻醉風險評估輔助系統。
本發明再提出一種上述手術麻醉風險評估輔助系統的使用方法,包含:由該醫療資訊系統呼叫該手術麻醉風險資訊服務介面。該特徵值擷取服務程式自該醫療資料庫擷取該待手術病患之該麻醉風險特徵值。該風險預測服務程式根據該麻醉風險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手術麻醉風險資訊服務介面。
進一步,該風險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。
透過上述技術特徵可達成以下功效:
1.本發明找出影響手術麻醉風險的影響因子,包括年齡、性別、身體質量指數、是否抽菸、是否急刀、麻醉風險等級、有無使用中心靜脈導管、有無使用動脈導管、丙氨酸轉氨酶、腎絲球過濾速率、血紅素、活化部分凝血活酶時間、血小板計數、凝血酶原時間、糖尿病、高血壓、肝硬化、惡性腫瘤、心臟相關疾病、腎臟相關疾病、腦中風及呼吸衰竭,並以上述影響因子作為特徵變數進行AI學習,藉以利用AI預測手術麻醉風險,此手術麻醉風險可包括麻醉風險與手術併發症的風險,以協助醫師手術前的風險評估,並方便與該待手術病患或其家屬進行病情解說。
2.透過本發明進行手術麻醉風險的預測評估,可提早預防手術過程併發症的發生,也可以在危險因子排除或改變後,再重新預測併發症的發生率,如此更可以增加病患的手術安全。
3.本發明的AI學習過程中,該手術麻醉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。
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。
5.本發明將該預測結果以視覺化圖形及數字並列顯示於該手術麻醉風險資訊服務介面,提供直覺式的資訊。
1:伺服主機
11:大數據資料庫
12:手術麻醉風險資訊服務介面
13:特徵值擷取服務程式
14:風險預測服務程式
2:醫療資訊系統
21:手術麻醉前評估介面
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
A:特徵變數
A1:年齡
A2:性別
A3:身體質量指數
A4:是否抽菸
A5:是否急刀
A6:麻醉風險等級
A7:有無使用中心靜脈導管
A8:有無使用動脈導管
A9:生理指數包含丙氨酸轉氨酶
A10:腎絲球過濾速率
A11:血紅素
A12:活化部分凝血活酶時間
A13:血小板計數
A14:凝血酶原時間
A15:糖尿病
A16:高血壓
A17:肝硬化
A18:惡性腫瘤
A19:心臟相關疾病
A20:腎臟相關疾病
A21:腦中風
A22:呼吸衰竭
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:嚴重不良反應
C2:轉加護病房
C4:超長住院
[第一圖]係為本發明實施例之手術麻醉風險評估輔助系統的整體架構示意圖。
[第二圖]係為本發明實施例之手術麻醉風險評估輔助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手術麻醉風險資訊服務介面的示意圖。
[第四圖]係為本發明實施例之伺服主機的手術麻醉風險資訊服務介面的示意圖。
綜合上述技術特徵,本發明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的主要功效將可於下述實施例清楚呈現。
參閱第一圖及第二圖所示,本實施例之手術麻醉風險評估輔助系統包括用於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
供一手術麻醉風險資訊服務介面12、一特徵值擷取服務程式13及一風險預測服務程式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。
上述手術麻醉風險評估輔助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:
獲取手術麻醉醫療數據之步驟-
在該醫療資料庫3的一原始數據中擷取與手術麻醉相關之一手術麻醉醫療數據。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,本實施例之手術麻醉醫療數據係來自奇美醫院總院、柳營院區、佳里院區在2013年1月1日到2020年3月31日區間的資料,並以進行髖骨手術的病患為對象,而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-
本實施例在上述手術麻醉醫療數據中獲取複數特徵變數A而存入該大數據資料庫11,並根據前述特徵變數A篩選出奇美醫院共5286名年齡大於20歲進行髖骨手術的病患,並排除車禍病患以AI進行模型訓練,本實施例根據文獻記載及臨床經驗選取二十二種可能造成麻醉風險與手術併發症風險的影響因子,這些特徵變數A可分類為身體特徵、麻醉變數、生理指數及病史。
身體特徵包含年齡A1、性別A2及身體質量指數A3(BMI);麻醉變數包含是否抽菸A4、是否急刀A5、麻醉風險等級A6(ASA)、有無使用中心靜
脈導管A7(CVP)及有無使用動脈導管A8(Aline);生理指數包含丙氨酸轉氨酶A9(ALT)、腎絲球過濾速率A10(eGFR)、血紅素A11(hemoglobin,Hb)、活化部分凝血活酶時間A12(aPTT)、血小板計數A13(Platelet)及凝血酶原時間A14(ProTime INR);病史包含糖尿病A15(DM)、高血壓A16(Hypertension)、肝硬化A17(Cirrhosis_of_liver)、惡性腫瘤A18(Malignancy)、心臟相關疾病A19、腎臟相關疾病A20(Kidney)、腦中風A21(stroke)及呼吸衰竭A22(Respiratory failure)。其中,在預測模型訓練過程中,若上述任一對象的醫療特徵變數A有缺漏部分,則電腦自動忽略不採計。
當上述手術麻醉醫療數據有不符一標準資料型態的情形時,先將該手術麻醉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。而該手術麻醉醫療數據的清洗轉換係透過建立比對表供電腦判讀以進行修改或刪除,而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,例如填入正常值,以血紅素A11為例,係填入以12g/dL。
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,將該手術麻醉醫療數據區分為訓練集及測試集,且該手術麻醉醫療數
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至表4,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80%以上。其中優選AUC(area under the curve)數值高者進行預測。
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包括嚴重不良反應C1、轉加護病房C2及超長住院C4等三種預測模型,其
中超長住院C4指的是住院天數大於全體住院天數之後5%至20%之間的平均天數(本實施例為10%,14天)。
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預測所需的該手術麻醉風險資訊服務介面12、該特徵值擷取服務程式13及該風險預測服務程式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。
參閱第一圖、第三圖及第四圖所示,一待手術病患進行麻醉前評估時,醫師會在所在醫療院所的醫療資訊系統2的一手術麻醉前評估介面21輸入相關的麻醉評估數據,這些麻醉評估數據會儲存在相關的醫療資料庫3,在該手術麻醉前評估介面21有手術麻醉風險評估的一連結指令22。醫師於該手術麻醉前評估介面21輸入相關資訊後,可點選該連結指令22,而由該醫療資訊系統2呼叫該手術麻醉風險資訊服務介面12,此時會在醫師看診電腦顯示該手術麻醉風險資訊服務介面12,並執行該特徵值擷取服務程式13及該風險預測服務程式14,該特徵值擷取服務程式13會自相關的該醫療資料庫3擷取該待手術病患的手術麻醉醫療數據中,與前述特徵變數A相關的麻醉風險特徵值,再由該風險預測服務程式14根據該麻醉風險特徵值以上述預測模型C進行預測,並將預測結果回傳至該手術麻醉風險資訊服務介面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手術麻醉風險資訊服務介面12,例如該預測結果為由輕至重分1至100級的手術麻醉風險程度預測,以利於觀察,該預測結
果並可協助醫師於手術前的風險評估,可提早預防併發症的發生,也可以在危險因子排除後或改變後,再重新預測併發症的發生率,確保手術的安全性。
其中,該風險預測服務程式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2020年5月至7月的髖骨手術案例,將使用結果由共21位麻醉科醫師填寫滿意度,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。
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實施方式之一,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
12:手術麻醉風險資訊服務介面
13:特徵值擷取服務程式
14:風險預測服務程式
2:醫療資訊系統
3:醫療資料庫
C:預測模型
Claims (11)
- 一種手術麻醉風險評估輔助系統的建立方法,包含:獲取手術麻醉醫療數據之步驟:在一醫療資料庫的一原始數據中擷取與手術麻醉相關之一手術麻醉醫療數據;AI學習進行模型訓練之步驟:將該手術麻醉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,所述特徵變數包括身體特徵、麻醉變數、生理指數及病史,所述特徵變數中:身體特徵包含年齡、性別及身體質量指數;麻醉變數包含是否抽菸、是否急刀、麻醉風險等級、有無使用中心靜脈導管及有無使用動脈導管;生理指數包含丙氨酸轉氨酶、腎絲球過濾速率、血紅素、活化部分凝血活酶時間、血小板計數及凝血酶原時間;病史包含糖尿病、高血壓、肝硬化、惡性腫瘤、心臟相關疾病、腎臟相關疾病、腦中風及呼吸衰竭;獲得預測模型之步驟:根據前述模型訓練獲得預測模型,所述預測模型包括嚴重不良反應、轉加護病房及超長住院,其中,所述預測模型之嚴重不良反應包含術後24小時死亡、術後48小時死亡、術後72小時死亡、住院內死亡、出院動向48小時以上死亡、病危自動出院、術後併發心肌梗塞、術後併發敗血症、術後使用呼吸器;建立網路服務之步驟:提供一手術麻醉風險資訊服務介面、一特徵值擷取服務程式及一風險預測服務程式;該手術麻醉風險資訊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手術麻醉風險資訊服務介面,並使該特徵值擷取服務程式自該醫療資料庫擷取一待手術病患之一麻醉風險特徵值,該風險預測服務程式根據該麻醉風險特徵值以上述預測模型進行預測,並將一預測結果 回傳至該手術麻醉風險資訊服務介面,該預測結果為由輕至重分1至100級的手術麻醉風險程度預測。
- 如請求項1之手術麻醉風險評估輔助系統的建立方法,其中,該手術麻醉醫療數據進行清洗轉換係將該手術麻醉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之手術麻醉風險評估輔助系統的建立方法,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之手術麻醉風險評估輔助系統的建立方法,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(KNearest 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4之手術麻醉風險評估輔助系統的建立方法,其中,在AI學習過程中,將該手術麻醉醫療數據區分為訓練集及測試集,且該手術麻醉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之手術麻醉風險評估輔助系統的建立方法,其中,該預測結果以視覺化圖形及數字並列顯示於該手術麻醉風險資訊服務介面。
- 如請求項1之手術麻醉風險評估輔助系統的建立方法,其中,在AI學習進行模型訓練之步驟中,於上述手術麻醉醫療數據中篩選出年齡大於20歲之手術病患,並排除車禍病患。
- 一種使用如請求項1之手術麻醉風險評估輔助系統的建立方法所建立之手術麻醉風險評估輔助系統,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,該伺服主機提供該手術麻醉風險資訊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風險預測服務程式。
- 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8之手術麻醉風險評估輔助系統。
- 一種如請求項8之手術麻醉風險評估輔助系統的使用方法,包含:由該醫療資訊系統呼叫該手術麻醉風險資訊服務介面;該特徵值擷取服務程式自該醫療資料庫擷取該待手術病患之該麻醉風險特徵值;該風險預測服務程式根據該麻醉風險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手術麻醉風險資訊服務介面。
- 如請求項10之手術麻醉風險評估輔助系統的使用方法,其中,該風險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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW109135353A TWI807223B (zh) | 2020-10-13 | 2020-10-13 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW109135353A TWI807223B (zh) | 2020-10-13 | 2020-10-13 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
TW202215358A TW202215358A (zh) | 2022-04-16 |
TWI807223B true TWI807223B (zh) | 2023-07-01 |
Family
ID=82197066
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW109135353A TWI807223B (zh) | 2020-10-13 | 2020-10-13 | 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 |
Country Status (1)
Country | Link |
---|---|
TW (1) | TWI807223B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI836965B (zh) * | 2023-04-17 | 2024-03-21 | 高雄醫學大學 | 手術前風險預測系統 |
CN118280565A (zh) * | 2024-06-04 | 2024-07-02 | 深圳华盟智算科技有限公司 | 麻醉访视评估模型训练方法、装置及设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109741826A (zh) * | 2018-12-13 | 2019-05-10 | 华中科技大学鄂州工业技术研究院 | 麻醉评估决策树构建方法及设备 |
CN110573106A (zh) * | 2017-01-12 | 2019-12-13 | 马佐尔机器人有限公司 | 使用人工智能的基于图像的病理预测 |
TWI681406B (zh) * | 2018-12-20 | 2020-01-01 | 中國醫藥大學附設醫院 | 腫瘤影像深度學習輔助子宮頸癌患者預後預測系統、方法及電腦程式產品 |
CN111009322A (zh) * | 2019-10-21 | 2020-04-14 | 四川大学华西医院 | 围术期风险评估和临床决策智能辅助系统 |
US20200211710A1 (en) * | 2017-09-08 | 2020-07-02 | The General Hospital Corporation | Patient risk stratification based on body composition derived from computed tomography images using machine learning |
TWM598504U (zh) * | 2019-11-05 | 2020-07-11 | 臺北榮民總醫院 | 可產生治療計畫書及整合其病人病歷醫療資料的系統 |
-
2020
- 2020-10-13 TW TW109135353A patent/TWI807223B/zh active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110573106A (zh) * | 2017-01-12 | 2019-12-13 | 马佐尔机器人有限公司 | 使用人工智能的基于图像的病理预测 |
US20200211710A1 (en) * | 2017-09-08 | 2020-07-02 | The General Hospital Corporation | Patient risk stratification based on body composition derived from computed tomography images using machine learning |
CN109741826A (zh) * | 2018-12-13 | 2019-05-10 | 华中科技大学鄂州工业技术研究院 | 麻醉评估决策树构建方法及设备 |
TWI681406B (zh) * | 2018-12-20 | 2020-01-01 | 中國醫藥大學附設醫院 | 腫瘤影像深度學習輔助子宮頸癌患者預後預測系統、方法及電腦程式產品 |
CN111009322A (zh) * | 2019-10-21 | 2020-04-14 | 四川大学华西医院 | 围术期风险评估和临床决策智能辅助系统 |
TWM598504U (zh) * | 2019-11-05 | 2020-07-11 | 臺北榮民總醫院 | 可產生治療計畫書及整合其病人病歷醫療資料的系統 |
Also Published As
Publication number | Publication date |
---|---|
TW202215358A (zh) | 2022-04-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8301460B2 (en) | Information presentation system, computer program, and computer software product | |
US20170357760A1 (en) | Clinical decision supporting ensemble system and clinical decision supporting method using the same | |
Razay et al. | The metabolic syndrome and Alzheimer disease | |
Holm et al. | Smoking and other lifestyle factors and the risk of Graves’ hyperthyroidism | |
Kumar et al. | Neonatal autopsies: a 10-year experience | |
JP7035314B2 (ja) | 患者の診断を支援するシステムおよび方法 | |
JP6907831B2 (ja) | コンテキストベースの患者類似性の方法及び装置 | |
CN105792731A (zh) | 患者护理监督系统和方法 | |
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 | |
TWI433047B (zh) | 病況的線上整合系統 | |
US20190392952A1 (en) | Computer-implemented methods, systems, and computer-readable media for diagnosing a condition | |
Ellis et al. | Diagnostic category prevalence in 3 classification systems across the transition to the International Classification of Diseases, Tenth Revision, Clinical Modification | |
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 | |
Yu et al. | Perinatal depression and risk of suicidal behavior | |
EP4173006A2 (en) | System and method for peri-anaesthetic risk evaluation | |
CN114023423A (zh) | 一种智能交班方法、装置以及设备 | |
Liang et al. | Risk of stroke, death, and myocardial infarction following transcarotid artery revascularization vs carotid endarterectomy in patients with standard surgical risk | |
Khaja et al. | Incidence and clinical characteristics of epiretinal membranes in children | |
Qiu et al. | Association of labor epidural analgesia, oxytocin exposure, and risk of autism spectrum disorders in children | |
Stoll et al. | Pregnancy outcomes in women with transposition of the great arteries after an arterial switch operation | |
Murzakanova et al. | Trends in term intrapartum stillbirth in Norway | |
Daghistani et al. | Discovering diabetes complications: an ontology based model | |
Shah et al. | Septoplasty Revision Rates in Pediatric vs Adult Populations | |
Kusiak et al. | Hypoplastic left heart syndrome: Knowledge discovery with a data mining approach | |
AU2018373209A1 (en) | Medical care assistance device, and operation method and operation program therefor |