CN109741826A - 麻醉评估决策树构建方法及设备 - Google Patents
麻醉评估决策树构建方法及设备 Download PDFInfo
- Publication number
- CN109741826A CN109741826A CN201811524873.7A CN201811524873A CN109741826A CN 109741826 A CN109741826 A CN 109741826A CN 201811524873 A CN201811524873 A CN 201811524873A CN 109741826 A CN109741826 A CN 109741826A
- Authority
- CN
- China
- Prior art keywords
- anesthesia
- decision tree
- evaluation decision
- sample
- node
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例提供了一种麻醉评估决策树构建方法及设备。其中,所述方法包括:获取麻醉评估决策树的训练样本,根据所述训练样本的信息增益率,确定所述麻醉评估决策树的分枝变量;获取麻醉评估决策树的验证样本,根据所述验证样本,对所述分枝变量进行后剪枝,得到最终的麻醉评估决策树;其中,所述最终的麻醉评估决策树用于输出麻醉等级输出变量。本发明实施例提供的麻醉评估决策树构建方法及设备,通过采用模型训练的方法,并结合置信区间法对模型进行后减枝,可以得到用于进行麻醉状况评估的麻醉评估决策树模型,降低了术前麻醉评估的工作负荷,进而提高麻醉术前评估的效率。
Description
技术领域
本发明实施例涉及医疗大数据技术领域,尤其涉及一种麻醉评估决策树构建方法及设备。
背景技术
目前,我国麻醉医生普遍存在人员短缺现象,每天手术量在100例的医院,每天麻醉门诊量必定超过100例,门诊麻醉医生的工作强度和压力以及手术患者的等候和就医体验又将受到极大挑战。为了解决这一问题也采用了许多解决方案,传统的解决方案是基于机器学习的麻醉评估,都是采取部分生命特征来进行ASA分级,对病人的生命特征信息了解不够全面,评估ASA分级错误率较高,而且缺乏完善的麻醉计划。因此,针对现今存在的这些问题,找到一种通过算法模型产出的病人数据评估结果,医生能够将评估结果作为参考,然后对于不合理的评估提出医生意见,进而提高算法模型的评估准确率及麻醉评估的效率的方法,就成为业界亟待解决的技术问题。
发明内容
针对现有技术存在的上述问题,本发明实施例提供了一种麻醉评估决策树构建方法及设备。
第一方面,本发明的实施例提供了一种麻醉评估决策树构建方法,包括:获取麻醉评估决策树的训练样本,根据所述训练样本的信息增益率,确定所述麻醉评估决策树的分枝变量;获取麻醉评估决策树的验证样本,根据所述验证样本,对所述分枝变量进行后剪枝,得到最终的麻醉评估决策树;其中,所述最终的麻醉评估决策树用于输出麻醉等级输出变量。
进一步地,所述获取麻醉评估决策树的训练样本,包括:提取麻醉评估大数据中70%的数据,作为麻醉评估决策树的训练样本。
进一步地,所述根据所述训练样本的信息增益率,确定所述麻醉评估决策树的分枝变量,相应地,所述训练样本的信息增益率包括:
其中,a为生命特征属性;Gain_ratio为选择生命特征属性a作为***属性的训练样本的信息增益率;D为麻醉评估决策树的训练样本;Gain为选择生命特征属性a作为***属性的信息增益;IV为a的信息熵;Ent为D的信息熵;Di为按照生命特征属性a对D进行划分,产生V个分支节点,其中第i个分支节点包含了D中所有在a上取值为ai的麻醉评估决策树的训练样本数目;pk为D中第k类样本所占的比例;y为D中样本的种类数。
进一步地,所述获取麻醉评估决策树的验证样本,包括:提取麻醉评估大数据中30%的数据,作为麻醉评估决策树的验证样本。
进一步地,所述根据所述验证样本,对所述分枝变量进行后剪枝,得到最终的麻醉评估决策树,包括:采用置信区间法,通过正太分布表获取单个节点的麻醉评估结果误差,针对所述单个节点的父节点,获取所述父节点下属所有子节点的麻醉评估结果误差,进一步获取所述所有子节点的麻醉评估结果误差的加权值,若所述加权值大于所述父节点的麻醉评估结果误差,且所述单个节点的麻醉评估结果误差为最小值,则将所述父节点下属所有子节点修剪剔除。
进一步地,所述采用置信区间法,通过正太分布表获取单个节点的麻醉评估结果的误差,包括:
Er=Br/Ar
其中,1-α为置信水平;Ar为单个节点的麻醉评估结果数目;Br为Ar中错误的麻醉评估结果数目;Er为错误率;μr为单个节点的麻醉评估结果误差,μr的置信区间为Zα/2为正太分布中的分位数;p为置信水平为1-α的概率分布。
进一步地,所述进一步获取所述所有子节点的麻醉评估结果误差的加权值,包括:
其中,为所有子节点的麻醉评估结果误差的加权值;i为第i个子节点;k为所有子节点的数目;θi为第i个子节点在所述父节点下占有的比例;μi为第i个单个节点的麻醉评估结果误差,且取最小值。
第二方面,本发明的实施例提供了一种麻醉评估决策树构建装置,包括:
分枝变量确定模块,用于获取麻醉评估决策树的训练样本,根据所述训练样本的信息增益率,确定所述麻醉评估决策树的分枝变量;
麻醉评估决策树获取模块,用于获取麻醉评估决策树的验证样本,根据所述验证样本,对所述分枝变量进行后剪枝,得到最终的麻醉评估决策树;
其中,所述最终的麻醉评估决策树用于输出麻醉等级输出变量。
第三方面,本发明的实施例提供了一种电子设备,包括:
至少一个处理器;以及
与处理器通信连接的至少一个存储器,其中:
存储器存储有可被处理器执行的程序指令,处理器调用程序指令能够执行第一方面的各种可能的实现方式中任一种可能的实现方式所提供的麻醉评估决策树构建方法。
第四方面,本发明的实施例提供了一种非暂态计算机可读存储介质,非暂态计算机可读存储介质存储计算机指令,计算机指令使计算机执行第一方面的各种可能的实现方式中任一种可能的实现方式所提供的麻醉评估决策树构建方法。
本发明实施例提供的麻醉评估决策树构建方法及设备,通过采用模型训练的方法,并结合置信区间法对模型进行后减枝,可以得到用于进行麻醉状况评估的麻醉评估决策树模型,降低了术前麻醉评估的工作负荷,进而提高麻醉术前评估的效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图做一简单的介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的麻醉评估决策树构建方法流程图;
图2为本发明实施例提供的术前麻醉评估***结构示意图;
图3为本发明实施例提供的麻醉评估决策树构建装置结构示意图;
图4为本发明实施例提供的电子设备的实体结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。另外,本发明提供的各个实施例或单个实施例中的技术特征可以相互任意结合,以形成可行的技术方案,但是必须是以本领域普通技术人员能够实现为基础,当技术方案的结合出现相互矛盾或无法实现时,应当认为这种技术方案的结合不存在,也不在本发明要求的保护范围之内。
本发明实施例提供了一种麻醉评估决策树构建方法,参见图1,该方法包括:
101、获取麻醉评估决策树的训练样本,根据所述训练样本的信息增益率,确定所述麻醉评估决策树的分枝变量;
102、获取麻醉评估决策树的验证样本,根据所述验证样本,对所述分枝变量进行后剪枝,得到最终的麻醉评估决策树。
其中,所述最终的麻醉评估决策树用于输出麻醉等级输出变量。具体地,最终的麻醉评估决策树输出的变量为麻醉等级为Ⅰ、Ⅱ、Ⅲ、Ⅳ、Ⅴ、Ⅵ诊断结果的决策树输出变量。
在上述实施例的基础上,本发明实施例中提供的麻醉评估决策树构建方法,所述获取麻醉评估决策树的训练样本,包括:提取麻醉评估大数据中70%的数据,作为麻醉评估决策树的训练样本。具体地,从麻醉评估决策树的训练样本中获取生命特征属性a,并且a有V个取值{a1,a2,…,av},其特征矩阵如表1所示:
表1
在上述实施例的基础上,本发明实施例中提供的麻醉评估决策树构建方法,所述根据所述训练样本的信息增益率,确定所述麻醉评估决策树的分枝变量,相应地,所述训练样本的信息增益率包括:
其中,a为生命特征属性;Gain_ratio为选择生命特征属性a作为***属性的训练样本的信息增益率;D为麻醉评估决策树的训练样本;Gain为选择生命特征属性a作为***属性的信息增益;IV为a的信息熵;Ent为D的信息熵;Di为按照生命特征属性a对D进行划分,产生V个分支节点,其中第i个分支节点包含了D中所有在a上取值为ai的麻醉评估决策树的训练样本数目;pk为D中第k类样本所占的比例;y为D中样本的种类数。
在上述实施例的基础上,本发明实施例中提供的麻醉评估决策树构建方法,所述获取麻醉评估决策树的验证样本,包括:提取麻醉评估大数据中30%的数据,作为麻醉评估决策树的验证样本。
在上述实施例的基础上,本发明实施例中提供的麻醉评估决策树构建方法,所述根据所述验证样本,对所述分枝变量进行后剪枝,得到最终的麻醉评估决策树,包括:采用置信区间法,通过正太分布表获取单个节点的麻醉评估结果误差,针对所述单个节点的父节点,获取所述父节点下属所有子节点的麻醉评估结果误差,进一步获取所述所有子节点的麻醉评估结果误差的加权值,若所述加权值大于所述父节点的麻醉评估结果误差,且所述单个节点的麻醉评估结果误差为最小值,则将所述父节点下属所有子节点修剪剔除。
在上述实施例的基础上,本发明实施例中提供的麻醉评估决策树构建方法,所述采用置信区间法,通过正太分布表获取单个节点的麻醉评估结果的误差,包括:
Er=Br/Ar
其中,1-α为置信水平;Ar为单个节点的麻醉评估结果数目;Br为Ar中错误的麻醉评估结果数目;Er为错误率;μr为单个节点的麻醉评估结果误差,μr的置信区间为Zα/2为正太分布中的分位数;p为置信水平为1-α的概率分布。
在上述实施例的基础上,本发明实施例中提供的麻醉评估决策树构建方法,所述进一步获取所述所有子节点的麻醉评估结果误差的加权值,包括:
其中,为所有子节点的麻醉评估结果误差的加权值;i为第i个子节点;k为所有子节点的数目;θi为第i个子节点在所述父节点下占有的比例;μi为第i个单个节点的麻醉评估结果误差,且取最小值。
作为上述各个实施例中的优选方案,麻醉评估决策树模型选自C4.5的决策树模型。本发明实施例的麻醉评估决策树是用于手术前麻醉效果评估的应用场景中的,下面将结合图2对该应用做出相应介绍。需要说明的是,以下介绍仅仅是为了说明本发明技术方案的实际应用价值,并不是对本发明技术方案的限制。凡是符合本发明精神本质的技术方案,均在本专利的保护范围之内。参见图2,图2中包括:术前数据录入***、医师指导数据采集、病史数据、身高测量、体重测量、血压测量、憋气及时测量、吹灭火柴测量、血糖测量、医生辅助查看喉咙、查看缺损牙齿、过敏史、吸烟史、饮酒史、代谢量、循环***疾病史、呼吸***疾病史、消化***疾病史、泌尿***疾病史、内分泌***疾病史、神经***疾病史、精神***疾病史、血液***疾病史、骨骼***疾病史、放疗病史、化疗病史、手术病史、气道评估、历史数据模型训练、算法模型(即麻醉评估决策树模型)、个人数据评估、体征数据处理、模型迭代、麻醉评估意见、用户及操作、病人数据录入***、移动设备、ASA分级,麻醉计划、医生及操作、医生意见反馈。由图2中可见,由医师指导数据采集和病史数据中形成历史数据,通过历史数据模型训练对算法模型(即麻醉评估决策树模型)进行训练,得到可用的算法模型。之后用户通过操作将个人信息录入病人数据录入***,经体征数据处理后,输入算法模型进行个人数据评估。评估后形成ASA分级,麻醉计划,并反馈回移动设备。医生针对ASA分级,麻醉计划提出医生意见,然后医生意见反馈形成新的麻醉评估意见,ASA分级,麻醉计划。并将医生的反馈意见返回算法模型(即麻醉评估决策树模型)进行算法模型的再训练(即麻醉评估决策树模型的自学习过程),得到评估结果更加精确的麻醉评估决策树模型,从而用于下一轮对病人麻醉计划的制定与评估。需要说明的是,算法模型(即麻醉评估决策树模型)设置于云端服务器之中。
本发明实施例提供的麻醉评估决策树构建方法,通过采用模型训练的方法,并结合置信区间法对模型进行后减枝,可以得到用于进行麻醉状况评估的麻醉评估决策树模型,降低了术前麻醉评估的工作负荷,进而提高麻醉术前评估的效率。
本发明各个实施例的实现基础是通过具有处理器功能的设备进行程序化的处理实现的。因此在工程实际中,可以将本发明各个实施例的技术方案及其功能封装成各种模块。基于这种现实情况,在上述各实施例的基础上,本发明的实施例提供了一种麻醉评估决策树构建装置,该装置用于执行上述方法实施例中的麻醉评估决策树构建方法。参见图3,该装置包括:
分枝变量确定模块301,用于获取麻醉评估决策树的训练样本,根据所述训练样本的信息增益率,确定所述麻醉评估决策树的分枝变量;
麻醉评估决策树获取模块302,用于获取麻醉评估决策树的验证样本,根据所述验证样本,对所述分枝变量进行后剪枝,得到最终的麻醉评估决策树;
其中,所述最终的麻醉评估决策树用于输出麻醉等级输出变量。
本发明实施例提供的麻醉评估决策树构建装置,采用分枝变量确定模块和麻醉评估决策树获取模块,通过采用模型训练的方法,并结合置信区间法对模型进行后减枝,可以得到用于进行麻醉状况评估的麻醉评估决策树模型,降低了术前麻醉评估的工作负荷,进而提高麻醉术前评估的效率。
本发明实施例的方法是依托电子设备实现的,因此对相关的电子设备有必要做一下介绍。基于此目的,本发明的实施例提供了一种电子设备,如图4所示,该电子设备包括:至少一个处理器(processor)401、通信接口(Communications Interface)404、至少一个存储器(memory)402和通信总线403,其中,至少一个处理器401,通信接口404,至少一个存储器402通过通信总线403完成相互间的通信。至少一个处理器401可以调用至少一个存储器402中的逻辑指令,以执行如下方法:获取麻醉评估决策树的训练样本,根据所述训练样本的信息增益率,确定所述麻醉评估决策树的分枝变量;获取麻醉评估决策树的验证样本,根据所述验证样本,对所述分枝变量进行后剪枝,得到最终的麻醉评估决策树;其中,所述最终的麻醉评估决策树用于输出麻醉等级输出变量。
此外,上述的至少一个存储器402中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。例如包括:获取麻醉评估决策树的训练样本,根据所述训练样本的信息增益率,确定所述麻醉评估决策树的分枝变量;获取麻醉评估决策树的验证样本,根据所述验证样本,对所述分枝变量进行后剪枝,得到最终的麻醉评估决策树;其中,所述最终的麻醉评估决策树用于输出麻醉等级输出变量。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,RandomAccess Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种麻醉评估决策树构建方法,其特征在于,包括:
获取麻醉评估决策树的训练样本,根据所述训练样本的信息增益率,确定所述麻醉评估决策树的分枝变量;
获取麻醉评估决策树的验证样本,根据所述验证样本,对所述分枝变量进行后剪枝,得到最终的麻醉评估决策树;
其中,所述最终的麻醉评估决策树用于输出麻醉等级输出变量。
2.根据权利要求1所述的麻醉评估决策树构建方法,其特征在于,所述获取麻醉评估决策树的训练样本,包括:
提取麻醉评估大数据中70%的数据,作为麻醉评估决策树的训练样本。
3.根据权利要求1所述的麻醉评估决策树构建方法,其特征在于,所述根据所述训练样本的信息增益率,确定所述麻醉评估决策树的分枝变量,相应地,所述训练样本的信息增益率包括:
其中,a为生命特征属性;Gain_ratio为选择生命特征属性a作为***属性的训练样本的信息增益率;D为麻醉评估决策树的训练样本;Gain为选择生命特征属性a作为***属性的信息增益;IV为a的信息熵;Ent为D的信息熵;Di为按照生命特征属性a对D进行划分,产生V个分支节点,其中第i个分支节点包含了D中所有在a上取值为ai的麻醉评估决策树的训练样本数目;pk为D中第k类样本所占的比例;y为D中样本的种类数。
4.根据权利要求1所述的麻醉评估决策树构建方法,其特征在于,所述获取麻醉评估决策树的验证样本,包括:
提取麻醉评估大数据中30%的数据,作为麻醉评估决策树的验证样本。
5.根据权利要求1所述的麻醉评估决策树构建方法,其特征在于,所述根据所述验证样本,对所述分枝变量进行后剪枝,得到最终的麻醉评估决策树,包括:
采用置信区间法,通过正太分布表获取单个节点的麻醉评估结果误差,针对所述单个节点的父节点,获取所述父节点下属所有子节点的麻醉评估结果误差,进一步获取所述所有子节点的麻醉评估结果误差的加权值,若所述加权值大于所述父节点的麻醉评估结果误差,且所述单个节点的麻醉评估结果误差为最小值,则将所述父节点下属所有子节点修剪剔除。
6.根据权利要求5所述的麻醉评估决策树构建方法,其特征在于,所述采用置信区间法,通过正太分布表获取单个节点的麻醉评估结果的误差,包括:
Er=Br/Ar
其中,1-α为置信水平;Ar为单个节点的麻醉评估结果数目;Br为Ar中错误的麻醉评估结果数目;Er为错误率;μr为单个节点的麻醉评估结果误差,μr的置信区间为Zα/2为正太分布中的分位数;p为置信水平为1-α的概率分布。
7.根据权利要求5所述的麻醉评估决策树构建方法,其特征在于,所述进一步获取所述所有子节点的麻醉评估结果误差的加权值,包括:
其中,为所有子节点的麻醉评估结果误差的加权值;i为第i个子节点;k为所有子节点的数目;θi为第i个子节点在所述父节点下占有的比例;μi为第i个单个节点的麻醉评估结果误差,且取最小值。
8.一种麻醉评估决策树构建装置,其特征在于,包括:
分枝变量确定模块,用于获取麻醉评估决策树的训练样本,根据所述训练样本的信息增益率,确定所述麻醉评估决策树的分枝变量;
麻醉评估决策树获取模块,用于获取麻醉评估决策树的验证样本,根据所述验证样本,对所述分枝变量进行后剪枝,得到最终的麻醉评估决策树;
其中,所述最终的麻醉评估决策树用于输出麻醉等级输出变量。
9.一种电子设备,其特征在于,包括:
至少一个处理器、至少一个存储器、通信接口和总线;其中,
所述处理器、存储器、通信接口通过所述总线完成相互间的通信;
所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令,以执行如权利要求1至7任一项所述的方法。
10.一种非暂态计算机可读存储介质,其特征在于,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行如权利要求1至7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811524873.7A CN109741826B (zh) | 2018-12-13 | 2018-12-13 | 麻醉评估决策树构建方法及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811524873.7A CN109741826B (zh) | 2018-12-13 | 2018-12-13 | 麻醉评估决策树构建方法及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109741826A true CN109741826A (zh) | 2019-05-10 |
CN109741826B CN109741826B (zh) | 2022-09-13 |
Family
ID=66358796
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811524873.7A Active CN109741826B (zh) | 2018-12-13 | 2018-12-13 | 麻醉评估决策树构建方法及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109741826B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110378591A (zh) * | 2019-07-11 | 2019-10-25 | 仲恺农业工程学院 | 一种基于决策树的作物育种信息测定***及方法 |
CN111128324A (zh) * | 2019-12-19 | 2020-05-08 | 上海医芯智能科技有限公司 | 术前访视与麻醉评估信息***软件 |
CN113034264A (zh) * | 2020-09-04 | 2021-06-25 | 深圳大学 | 客户流失预警模型的建立方法、装置、终端设备及介质 |
CN113488187A (zh) * | 2021-08-03 | 2021-10-08 | 南通市第二人民医院 | 一种麻醉意外案例收集分析方法及*** |
CN114639460A (zh) * | 2022-05-16 | 2022-06-17 | 天津医科大学眼科医院 | 睫状肌麻痹需求预测及麻痹后屈光度屈光状态预测方法 |
CN116312958A (zh) * | 2023-05-24 | 2023-06-23 | 成都市龙泉驿区中医医院 | 一种麻醉风险预警***、应急管理***及方法 |
TWI807223B (zh) * | 2020-10-13 | 2023-07-01 | 奇美醫療財團法人奇美醫院 | 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 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103432650A (zh) * | 2012-12-31 | 2013-12-11 | 南京理工大学 | 一种基于Bayesian网络的自动麻醉控制方法 |
CN103432651A (zh) * | 2012-12-31 | 2013-12-11 | 南京理工大学 | 一种闭环的智能麻醉控制*** |
WO2015079355A1 (en) * | 2013-11-26 | 2015-06-04 | Koninklijke Philips N.V. | Methods for estimating dosage of anesthetic agent and for determining depth of anesthesia |
US20170061073A1 (en) * | 2014-02-24 | 2017-03-02 | Children's Hospital Medical Center | Methods and Compositions For Personalized Pain Management |
CN108288130A (zh) * | 2018-03-05 | 2018-07-17 | 湖北省第三人民医院 | 基于数据挖掘分析平台的临床护理绩效评价***及方法 |
-
2018
- 2018-12-13 CN CN201811524873.7A patent/CN109741826B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103432650A (zh) * | 2012-12-31 | 2013-12-11 | 南京理工大学 | 一种基于Bayesian网络的自动麻醉控制方法 |
CN103432651A (zh) * | 2012-12-31 | 2013-12-11 | 南京理工大学 | 一种闭环的智能麻醉控制*** |
WO2015079355A1 (en) * | 2013-11-26 | 2015-06-04 | Koninklijke Philips N.V. | Methods for estimating dosage of anesthetic agent and for determining depth of anesthesia |
US20170061073A1 (en) * | 2014-02-24 | 2017-03-02 | Children's Hospital Medical Center | Methods and Compositions For Personalized Pain Management |
CN108288130A (zh) * | 2018-03-05 | 2018-07-17 | 湖北省第三人民医院 | 基于数据挖掘分析平台的临床护理绩效评价***及方法 |
Non-Patent Citations (3)
Title |
---|
BAMBER JH ET AL.: "《The value of decision tree analysis in planning anaesthetic care in obstetrics》", 《INTERNATIONAL JOURNAL OBSTETRIC ANESTHESIA》, 28 September 2016 (2016-09-28), pages 55 - 61 * |
刘军等: "基于样本熵与决策树的麻醉意识深度评价指数的研究", 《生物医学工程学杂志》, no. 02, 25 April 2015 (2015-04-25), pages 192 - 197 * |
宋海波等: "临床手术信息采集和分析***", 《计算机应用》, 15 December 2016 (2016-12-15), pages 309 - 315 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110378591A (zh) * | 2019-07-11 | 2019-10-25 | 仲恺农业工程学院 | 一种基于决策树的作物育种信息测定***及方法 |
CN111128324A (zh) * | 2019-12-19 | 2020-05-08 | 上海医芯智能科技有限公司 | 术前访视与麻醉评估信息***软件 |
CN113034264A (zh) * | 2020-09-04 | 2021-06-25 | 深圳大学 | 客户流失预警模型的建立方法、装置、终端设备及介质 |
TWI807223B (zh) * | 2020-10-13 | 2023-07-01 | 奇美醫療財團法人奇美醫院 | 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 |
CN113488187A (zh) * | 2021-08-03 | 2021-10-08 | 南通市第二人民医院 | 一种麻醉意外案例收集分析方法及*** |
CN113488187B (zh) * | 2021-08-03 | 2024-02-20 | 南通市第二人民医院 | 一种麻醉意外案例收集分析方法及*** |
CN114639460A (zh) * | 2022-05-16 | 2022-06-17 | 天津医科大学眼科医院 | 睫状肌麻痹需求预测及麻痹后屈光度屈光状态预测方法 |
CN116312958A (zh) * | 2023-05-24 | 2023-06-23 | 成都市龙泉驿区中医医院 | 一种麻醉风险预警***、应急管理***及方法 |
CN116312958B (zh) * | 2023-05-24 | 2023-09-15 | 成都市龙泉驿区中医医院 | 一种麻醉风险预警***、应急管理***及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109741826B (zh) | 2022-09-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109741826A (zh) | 麻醉评估决策树构建方法及设备 | |
CN107731269B (zh) | 基于原始诊断数据和病历文件数据的疾病编码方法及*** | |
CN107705839B (zh) | 疾病自动编码方法及*** | |
CN103699440B (zh) | 一种云计算平台***为任务分配资源的方法和装置 | |
Zasada et al. | A finite mixture distribution approach for characterizing tree diameter distributions by natural social class in pure even-aged Scots pine stands in Poland | |
CN109800789A (zh) | 基于图网络的糖尿病视网膜病变分类方法及装置 | |
WO2021151295A1 (zh) | 患者治疗方案的确定方法、装置、计算机设备及介质 | |
CN106951499A (zh) | 一种基于翻译模型的知识图谱表示方法 | |
CN111784040B (zh) | 政策模拟分析的优化方法、装置及计算机设备 | |
Messeder et al. | Searching for keystone plant resources in fruit‐frugivore interaction networks across the Neotropics | |
CN110378347A (zh) | 一种医疗检验单的关键信息提取方法及装置 | |
CN112802607B (zh) | 一种医疗数据治理*** | |
CN110276621A (zh) | 数据卡反欺诈识别方法、电子装置及可读存储介质 | |
CN110175759A (zh) | 一种电力企业产学研***评价方法、装置及存储介质 | |
CN109011580A (zh) | 残局牌面获取方法、装置、计算机设备及存储介质 | |
Jaroenphol et al. | Analysis of the patients' treatment process in a hospital in Thailand using fuzzy mining algorithms | |
CN107729450A (zh) | 一种基于元数据的智能化区域移动医疗集成数据中心***原型 | |
Jaisook et al. | Time performance analysis of medical treatment processes by using disco | |
CN109710240A (zh) | 流程图分解方法及*** | |
CN109410074A (zh) | 智能核保方法与*** | |
CN108962382A (zh) | 一种基于乳腺癌临床高维数据的分层重要特征选择方法 | |
CN107563128A (zh) | 一种基于元数据的构建智能化区域急救医疗知识库方法 | |
CN112071431B (zh) | 基于深度学习和知识图谱的临床路径自动生成方法及*** | |
CN107657453A (zh) | 欺诈数据的识别方法及装置 | |
CN106021311A (zh) | 网络社交活动推荐方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |