CN113425271B - 日间手术出院判断方法、装置、设备及存储介质 - Google Patents
日间手术出院判断方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN113425271B CN113425271B CN202110551725.XA CN202110551725A CN113425271B CN 113425271 B CN113425271 B CN 113425271B CN 202110551725 A CN202110551725 A CN 202110551725A CN 113425271 B CN113425271 B CN 113425271B
- Authority
- CN
- China
- Prior art keywords
- patient
- current
- determining
- video data
- blood pressure
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 64
- 230000036772 blood pressure Effects 0.000 claims abstract description 62
- 208000002193 Pain Diseases 0.000 claims abstract description 41
- 230000036407 pain Effects 0.000 claims abstract description 41
- 230000005021 gait Effects 0.000 claims abstract description 40
- 230000001815 facial effect Effects 0.000 claims abstract description 24
- 210000001217 buttock Anatomy 0.000 claims description 25
- 210000003423 ankle Anatomy 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 14
- 206010002091 Anaesthesia Diseases 0.000 claims description 12
- 230000037005 anaesthesia Effects 0.000 claims description 12
- 230000008859 change Effects 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 9
- 208000028659 discharge Diseases 0.000 description 37
- 230000003444 anaesthetic effect Effects 0.000 description 11
- 238000012549 training Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000008034 disappearance Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 206010011409 Cross infection Diseases 0.000 description 1
- 206010029803 Nosocomial infection Diseases 0.000 description 1
- 208000035965 Postoperative Complications Diseases 0.000 description 1
- 208000004550 Postoperative Pain Diseases 0.000 description 1
- 206010047700 Vomiting Diseases 0.000 description 1
- 230000000740 bleeding effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000008921 facial expression Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000035790 physiological processes and functions Effects 0.000 description 1
- 230000002980 postoperative effect Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000007306 turnover Effects 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/0205—Simultaneously evaluating both cardiovascular conditions and different types of body conditions, e.g. heart and respiratory condition
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
- A61B5/112—Gait analysis
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/48—Other medical applications
- A61B5/4821—Determining level or depth of anaesthesia
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/48—Other medical applications
- A61B5/4824—Touch or pain perception evaluation
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/48—Other medical applications
- A61B5/4848—Monitoring or testing the effects of treatment, e.g. of medication
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Animal Behavior & Ethology (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- General Health & Medical Sciences (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Cardiology (AREA)
- Anesthesiology (AREA)
- Pain & Pain Management (AREA)
- Hospice & Palliative Care (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Dentistry (AREA)
- Pulmonology (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本申请提出一种日间手术出院判断方法、装置、设备及存储介质，该方法包括：根据患者手术前和当前的血压数据及脉搏数据确定患者的血压及脉搏波动情况；根据患者当前的行走视频数据确定患者当前的步态状况；根据患者当前的面部图像数据确定患者当前的疼痛程度；综合患者的血压及脉搏波动情况、步态状况及疼痛程度，判断患者是否能够出院。应用本申请，可以基于计算机设备对进行日间手术的患者是否能够出院进行准确评估，以大大减轻医护人员的负担。
Description
技术领域
本申请属于互联网医疗技术领域，具体涉及一种日间手术出院判断方法、装置、设备及存储介质。
背景技术
日间手术是指，患者入院、完成手术及患者出院在1～2个工作日内完成，且除外在医师诊所或医院开展的门诊手术和急诊手术以外的手术。日间手术的原则是对机理生理功能干扰小、手术风险小、手术时间短、预计出血量少、术后并发症少、术后疼痛程度轻及恶心呕吐发生率低，因此，日间手术具有能够明显缩短住院时间、加快外科床位周转、降低院内感染、提高医疗资源使用效率等优点，故而得到患者、医护人员及卫生行政部门的关注和肯定。
目前，日间手术患者是否能够出院主要是通过医护人员的主观判断，因此具有很强的主观因素，且由于日间手术量越来越多，医护人员的工作负担也越来越重。
因此，亟需一种应用于计算机设备的日间手术出院判断方法、装置、设备及存储介质，以辅助医护人员进行日间手术的出院评估，以减轻医护人员的负担。
发明内容
本申请提出一种日间手术出院判断方法、装置、设备及存储介质，可以基于计算机设备对进行日间手术的患者是否能够出院进行准确评估，以大大减轻医护人员的负担。
本申请第一方面实施例提出了一种日间手术出院判断方法，所述方法包括：
根据患者手术前和当前的血压数据及脉搏数据确定所述患者的血压及脉搏波动情况；
根据所述患者当前的行走视频数据确定所述患者当前的步态状况；
根据所述患者当前的面部图像数据确定所述患者当前的疼痛程度；
综合所述患者的所述血压及脉搏波动情况、所述步态状况及所述疼痛程度，判断所述患者是否能够出院。
可选地，所述综合所述患者的所述血压及脉搏波动情况、所述步态状况及所述疼痛程度，判断所述患者是否能够出院，包括：
根据所述血压及脉搏波动情况及预设的波动判断对应关系，确定波动判断因子；
根据所述步态状况及预设的步态判断对应关系，确定步态判断因子；
根据所述疼痛程度及预设的疼痛判断对应关系，确定疼痛判断因子；
将所述波动判断因子、所述步态判断因子及所述疼痛判断因子之和确定为所述患者的麻醉程度值；
根据所述麻醉程度值大于预设阈值，判断所述患者能够出院，否则不能出院。
可选地，所述根据患者手术前和当前的血压数据及脉搏数据确定所述患者的血压及脉搏波动情况之前，还包括：
通过患者管理***获取所述患者手术前和当前的血压数据及脉搏数据；
通过图像采集装置获取所述患者当前的行走视频数据和所述患者当前的面部图像数据。
可选地，所述根据患者手术前和当前的血压数据及脉搏数据确定所述患者的血压及脉搏波动情况，包括：
根据患者手术前和当前的血压数据及脉搏数据，按照下述公式确定所述患者的血压及脉搏波动系数：
其中，f表示血压及脉搏波动系数，Pa表示患者当前的血压，Pb表示患者手术前的血压，Ma表示患者当前的脉搏，Mb表示患者手术前的脉搏。
可选地，所述根据所述患者当前的行走视频数据确定所述患者当前的步态状况，包括：
根据所述患者当前的行走视频数据确定所述患者当前行走过程中站立行走完成度和下蹲后站起动作完成度；
分别根据所述患者的站立行走完成度和下蹲后站起动作完成度确定所述患者当前的步态状况。
可选地，所述根据所述患者当前的行走视频数据确定所述患者当前行走过程中站立行走完成度，包括：
若所述患者当前的行走视频数据为空，则确定所述患者完全不能行走；若所述患者当前的行走视频数据的像素值均大于或等于预设像素值，则确定所述患者需要他人搀扶才能行走；
若所述患者当前的行走视频数据不为空，且所述患者当前的行走视频数据的像素值小于所述预设像素值，则根据述患者当前的行走视频数据，按照下述公式，分别计算指定时间内所述患者的上基准线变化角度θu和下基准线变化角度θd：
其中，所述为所述指定时间内初始帧的视频数据中患者的上基准线斜率；所述/>为所述指定时间内最后一帧视频数据中患者的上基准线斜率；所述/>为所述指定时间内初始帧的视频数据中患者的下基准线斜率、/>为所述指定时间内最后一帧视频数据中患者的下基准线斜率；所述上基准线为所述患者的颈部中心与所述患者的左右臀部中心之间的连线；所述下基准线为所述患者的左右臀部中心与所述患者的左右脚踝中心的连线；
根据所述上基准线变化角度θu和所述下基准线变化角度θd及预设的完成度判断规则，确定所述患者站立行走完成度。
可选地，所述根据所述患者当前的行走视频数据确定所述患者下蹲后站起动作完成度，包括：
若所述患者当前的行走视频数据为空，则确定所述患者下蹲后完全不能站起；
若所述患者当前的行走视频数据不为空，则基于所述患者当前的行走视频数据，按照下面公式，根据计算结果确定所述患者下蹲后站起动作完成度：
df＝|dlast-dfirst|
其中，所述dfirst为所述指定时间内初始帧视频数据中所述患者的左右臀部中心与所述患者的左右脚踝中心的垂直距离；所述dlast为所述指定时间内最后一帧视频数据中所述患者的左右臀部中心与所述患者的左右脚踝中心的垂直距离；所述fps为所述指定时间内的视频数据的摄制速度；所述f为所述指定时间内的视频数据的总帧数；所述df为所述指定时间内所述患者左右臀部中心与所述患者左右脚踝中心之间垂直距离的差值；所述v为所述指定时间内所述患者臀部在竖直方向的移动速度；
根据所述指定时间内所述患者臀部在竖直方向的移动速度，确定所述患者下蹲后站起动作完成度。
可选地，所述根据所述患者当前的面部图像数据确定所述患者当前的疼痛程度，包括：
根据所述患者当前的面部图像数据及训练好的面部识别模型确定所所述患者当前的疼痛程度。
本申请第二方面的实施例提供了一种日间手术出院判断装置，所述装置包括：
第一确定模块，用于根据患者手术前和当前的血压数据及脉搏数据确定所述患者的血压及脉搏波动情况；
第二确定模块，用于根据所述患者当前的行走视频数据确定所述患者当前的步态状况；
第三确定模块，用于根据所述患者当前的面部图像数据确定所述患者当前的疼痛程度；
综合判断模块，用于综合所述患者的所述血压及脉搏波动情况、所述步态状况及所述疼痛程度，判断所述患者是否能够出院。
本申请第三方面的实施例提供了一种计算机辅助设备，包括处理器、存储器及存储在所述存储器上并能够在所述处理器上运行的计算机程序，所述处理器运行所述计算机程序以实现如第一方面所述的方法。
本申请第四方面的实施例提供了一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行实现如第一方面所述的方法。
本申请实施例中提供的技术方案，至少具有如下技术效果或优点：
本申请实施例提供的日间手术出院判断方法，综合血压及脉搏波动情况、步态状况及疼痛程度三方面指标数据确定日间手术患者的***效是否完全消退，能够同时兼顾生理特征和患者外在表现特征，从而最大程度保证判断结果的准确性(尤其是判断患者***效消失)，避免或尽量减少错误判断；且该方法无需复杂的生理特征或者脑电信号采集***，便于实现，更适用于日间手术的环境，从而辅助医护人员对进行日间手术的患者是否能够出院进行准确判断，极大地减轻了医护人员的负担。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本申请的限制。而且在整个附图中，用相同的参考符号表示相同的部件。
在附图中：
图1示出了本申请实施例提供的日间手术出院判断方法流程示意图；
图2示出了本申请实施例提供的日间手术出院判断装置结构示意图。
具体实施方式
下面将参照附图更详细地描述本申请的示例性实施方式。虽然附图中显示了本申请的示例性实施方式，然而应当理解，可以以各种形式实现本申请而不应被这里阐述的实施方式所限制。相反，提供这些实施方式是为了能够更透彻地理解本申请，并且能够将本申请的范围完整的传达给本领域的技术人员。
需要注意的是，除非另有说明，本申请使用的技术术语或者科学术语应当为本申请所属领域技术人员所理解的通常意义。
下面结合附图来描述根据本申请实施例提出的一种日间手术出院判断方法、装置、设备及存储介质。
本实施例为设计一种通过计算机设备能够准确判断日间手术是否能够出院的方法，对目前影响日间手术患者出院的因素进行了研究，研究发现：日间手术通常是小手术，成功率极高，主要是***效未完全消退而影响患者出院，所以，确定日间手术患者是否能够出院的关键在于，如何准确判断患者的***效是否完全消退，而本实施例基于计算机设备实现的日间手术出院判断方法，则需解决如何通过计算机设备准确判断日间手术患者的***效是否完全消退。
鉴于上述研究，本申请实施例提供了一种日间手术出院判断方法，该方法应用于一计算机设备，综合三方面指标数据确定日间手术患者的***效是否完全消退，继而可准确判断日间手术患者是否能够出院，从而辅助医护人员对进行日间手术的患者是否能够出院进行准确判断，极大地减轻了医护人员的负担。其中，计算机设备可以独立设置，也可以为现有的医疗管理设备等，只要能在该设备上执行下述日间手术出院判断方法即可。如图1所示，该方法可以包括以下步骤：
步骤S1，根据患者手术前和当前的血压数据及脉搏数据确定患者的血压及脉搏波动情况。
其中，患者手术前的血压数据及脉搏数据，通常可以理解为手术前患者身体状况正常时的血压数据和脉搏数据，该数据可以是自患者采集的数据，也可以根据患者的年龄、性别、身体情况等选择标准数据，本实施例对此不作具体限定。患者当前的血压数据及脉搏数据，可以理解为对患者进行是否能够出院时的血压数据及脉搏数据，通常自患者采集所得。
于本实施例一具体实施方式中，上述步骤S1可以包括以下处理：根据患者手术前和当前的血压数据及脉搏数据，按照下述公式(1)确定患者的血压及脉搏波动系数：
其中，f表示血压及脉搏波动系数，Pa表示患者当前的血压，Pb表示患者手术前的血压，Ma表示患者当前的脉搏，Mb表示患者手术前的脉搏。
根据上述公式(1)可知，f越大，表明手术前后的血压差及脉搏差越大，说明患者目前的身体状态与正常状态的差距越大，可能***效完全褪去的可能越小，越不利于出院。
步骤S2，根据患者当前的行走视频数据确定患者当前的步态状况。
其中，患者当前的行走视频数据，可以直接通过图像采集装置采集，也可以自其它医疗辅助设备处获得，本实施例对此不作具体限定。步态状况可以理解为患者进行站立、行走、蹲下、起立等动作时的状态。由于患者***效起作用时，其往往不良于行，故，在进行上述站立、行走、蹲下、起立等动作时往往与正常人有所差异，且差异越大，表明患者***效完全褪去的可能越小，越不利于出院。
于本实施例另一具体实施方式中，上述步骤S2可以包括以下处理：根据患者当前的行走视频数据确定患者当前行走过程中站立行走完成度和下蹲后站起动作完成度；分别根据患者的站立行走完成度和下蹲后站起动作完成度确定患者当前的步态状况。如此，通过两方面的数据(站立行走完成度和下蹲后站起动作完成度)确定患者当前的步态状况，可以得到更准确的判断结果，可进一步保证该日间手术出院判断方法的准确性。
需要说明的是，上述通过站立行走完成度和下蹲后站起动作完成度确定患者当前的步态状况只是本实施例的较佳实施方式，本实施例并不以此为限，例如也可以通过站立时间和摇晃频率特征进行判断。
具体地，上述根据患者当前的行走视频数据确定患者当前行走过程中站立行走完成度，可以包括以下处理：若患者当前的行走视频数据为空，则确定患者完全不能行走；若患者当前的行走视频数据的像素值均大于或等于预设像素值，则确定患者需要他人搀扶才能行走；若患者当前的行走视频数据不为空，且患者当前的行走视频数据的像素值小于预设像素值，则根据述患者当前的行走视频数据，按照下述公式，分别计算指定时间内患者的上基准线变化角度θu和下基准线变化角度θd：
其中，为指定时间内初始帧的视频数据中患者的上基准线斜率；/>为指定时间内最后一帧视频数据中患者的上基准线斜率；/>为指定时间内初始帧的视频数据中患者的下基准线斜率、/>为指定时间内最后一帧视频数据中患者的下基准线斜率；上基准线为患者的颈部中心与患者的左右臀部中心之间的连线；下基准线为患者的左右臀部中心与患者的左右脚踝中心的连线。
可以根据上基准线变化角度θu和下基准线变化角度θd及预设的完成度判断规则，确定患者站立行走完成度。
可以理解的是，通常情况下，正常人(身体健康且没有被麻醉的人)站立行走时，其上基准线和下基准线为同一条直线，当其***效越强，则上基准线变化角度θu和下基准线变化角度θd越大，因此，可根据该规则设置上述预设的完成度判断规则，具体可根据实际情况进行设定，本实施例对此不作具体限定。
在本实施例中，可以通过摄像头实时采集患者的行走视频，并传输到上述计算机设备或云端，以进行关节点识别，然后可根据识别出的关节点的位置分别得出指定时间内初始帧的视频数据中患者的上基准线斜率指定时间内最后一帧视频数据中患者的上基准线斜率/>指定时间内初始帧的视频数据中患者的下基准线斜率/>以及指定时间内最后一帧视频数据中患者的下基准线斜率/>然后根据上述各基准线斜率计算上基准线变化角度θu和下基准线变化角度θd。其中，指定时间可以根据实际需要进行设定，例如可以是几十秒、几分钟等，本实施例对此不作具体限定。另外，也可以采集多个指定时间内的视频数据进行判断，然后计算多个上基准线变化角度θu和下基准线变化角度θd，并采用求平均值的方法确定最终的上基准线变化角度θu和下基准线变化角度θd，以进一步保证判断结果的准确性。
具体地，可以采用神经网络模型识别上述关节点(包括但不限于颈部、左右臀部、左右脚踝)，该神经网络模型可以但不限于为HigherHRNet模型，该模型可以通过训练coco数据集(一个大型图像数据集，专为对象检测、分割、人体关键点检测、语义分割和字幕生成而设计)识别出全身17个关节点。本实施例中，仅需计算出上述上基准线变化角度θu和下基准线变化角度θd，故只需识别出颈部、左右臀部、左右脚踝该五个关节点即可，从而可以减少计算量，提高模型速度及精度。具体可通过调整coco数据集中标注的关节点数量，并用HigherHRNet模型对修改过的数据集重新进行训练，最终模型得出上述个关节点。
需要说明的是，采用HigherHRNet模型及选取上述五个关节点均只是本实施例的较佳实施方式，本实施例并不以此为限，只要能通过训练识别出至少上述五个关节点，已能够进行上基准线变化角度θu和下基准线变化角度θd的判断即可。另外，本实施例也不限定使用coco数据集训练HigherHRNet模型，也可以采用患者的手术前和手术后的视频图像进行训练，只要能识别出上述至少五个关节点即可。
进一步地，上述根据患者当前的行走视频数据确定患者下蹲后站起动作完成度，可以包括以下处理：若患者当前的行走视频数据为空，则确定患者下蹲后完全不能站起；若患者当前的行走视频数据不为空，则基于患者当前的行走视频数据，按照下面公式，根据计算结果确定患者下蹲后站起动作完成度：
df＝|dlast-dfirst|
其中，dfirst为指定时间内初始帧视频数据中患者的左右臀部中心与患者的左右脚踝中心的垂直距离；dlast为指定时间内最后一帧视频数据中患者的左右臀部中心与患者的左右脚踝中心的垂直距离；fps为指定时间内的视频数据的摄制速度；f为指定时间内的视频数据的总帧数；df为指定时间内患者左右臀部中心与患者左右脚踝中心之间垂直距离的差值；v为指定时间内患者臀部在竖直方向的移动速度；
根据指定时间内患者臀部在竖直方向的移动速度，确定患者下蹲后站起动作完成度。
可以理解的是，通常情况下，正常人(身体健康且没有被麻醉的人)进行下蹲后站起动作往往比较快速，当其***效越强，则其下蹲后站起动作的完成度越差(站起速度缓慢、站起过程中身体倾斜或不能站起等)，因此，基于该规则以及指定时间内患者臀部在竖直方向的移动速度，便可确定患者下蹲后站起动作完成度。需要说明的是，根据患者臀部在竖直方向的移动速度确定患者下蹲后站起动作完成度，只是本实施例的较佳实施方式，本实施例并不以此为限，例如，也可以根据其他关节点(例如颈部、腰椎、胸腔、肩膀等)在竖直方向的移动速度确定患者下蹲后站起动作完成度。
步骤S3，根据患者当前的面部图像数据确定患者当前的疼痛程度。
可以理解的是，通常情况下，当患者疼痛程度不同时，其具有不同的面部图像，且不同疼痛程度的面部图像通常具有特定的特征(比如像素、色彩分布情况等)，故，可通过面部图像数据确定患者当前的疼痛程度。
具体地，上述步骤S3可以包括以下处理：根据患者当前的面部图像数据及训练好的面部识别模型确定所患者当前的疼痛程度。该面部识别模型可以是任意通过训练后能够识别患者面部表情的模型，本实施例对此不作具体限定。其中，面部识别模型的训练样本可采用大数据库中的图像集，也可采集患者不同疼痛程度下的面部图像。
需要说明的是，上述步骤S1、步骤S2及步骤S3之间没有必然的顺序关系，三者可按任意顺序串行执行，也可并行执行，本实施例对此不做具体限定。
于本实施例另一具体实施方式中，上述各参数可通过患者管理***进行保存，相应地，进行上述步骤S1、步骤S2及步骤S3之前，还可以包括数据获取步骤，该数据获取步骤可以包括以下处理：通过患者管理***获取患者手术前和当前的血压数据及脉搏数据；通过图像采集装置获取患者当前的行走视频数据和患者当前的面部图像数据。
在本实施例中，可以将该计算机设备与患者管理***及图像采集装置连接(也可以与其它辅助医疗设备连接)，以便于获取患者手术前和当前的血压数据及脉搏数据，以及患者当前的行走视频数据和面部图像数据等，也可以将判断结果传输至显示装置上，以供医护人员能够更加直观地判断患者是否能够出院。
步骤S4，综合患者的血压及脉搏波动情况、步态状况及疼痛程度，判断患者是否能够出院。
本实施例中，综合血压及脉搏波动情况、步态状况及疼痛程度三方面指标数据确定日间手术患者的***效是否完全消退，能够同时兼顾生理特征和患者外在表现特征，避免或尽量减少错误判断，继而可准确判断日间手术患者是否能够出院，从而辅助医护人员对进行日间手术的患者是否能够出院进行准确判断，极大地减轻了医护人员的负担。
于本实施例另一具体实施方式中，上述步骤S4可以包括以下处理：根据血压及脉搏波动情况及预设的波动判断对应关系，确定波动判断因子；根据步态状况及预设的步态判断对应关系，确定步态判断因子；根据疼痛程度及预设的疼痛判断对应关系，确定疼痛判断因子；将波动判断因子、步态判断因子及疼痛判断因子之和确定为患者的麻醉程度值；根据麻醉程度值大于预设阈值，判断患者能够出院，否则不能出院。
在本实施例中，可以通过预设对应关系，分别将血压及脉搏波动情况、步态状况及疼痛程度三方面指标数据进行量化，从而对麻醉程度进行量化，以便于通过计算机设备对患者是否能够出院进行量化判断，进一步保证判断结果的准确性。其中，预设阈值可根据各判断因子的总值确定，例如可以为各判断因子总值的百分之九十，本实施例对此不做具体限定。
本实施例提供的日间手术出院判断方法，综合血压及脉搏波动情况、步态状况及疼痛程度三方面指标数据确定日间手术患者的***效是否完全消退，能够同时兼顾生理特征和患者外在表现特征，从而最大程度保证判断结果的准确性(尤其是判断患者***效消失)，避免或尽量减少错误判断；且该方法无需复杂的生理特征或者脑电信号采集***，便于实现，更适用于日间手术的环境，从而辅助医护人员对进行日间手术的患者是否能够出院进行准确判断，极大地减轻了医护人员的负担。
基于上述日间手术出院判断方法相同的构思，本实施例还提供一种日间手术出院判断装置，如图2所示，该装置包括：
第一确定模块，用于根据患者手术前和当前的血压数据及脉搏数据确定患者的血压及脉搏波动情况；
第二确定模块，用于根据患者当前的行走视频数据确定患者当前的步态状况；
第三确定模块，用于根据患者当前的面部图像数据确定患者当前的疼痛程度；
综合判断模块，用于综合患者的血压及脉搏波动情况、步态状况及疼痛程度，判断患者是否能够出院。
本实施例提供的日间手术出院判断装置，基于上述日间手术出院判断方法相同的构思，至少能够实现上述日间手术出院判断方法所能实现的有益效果，在此不再赘述。
基于上述日间手术出院判断方法相同的构思，本实施例还提供一种计算机辅助设备，包括处理器、存储器及存储在存储器上并能够在处理器上运行的计算机程序，处理器运行计算机程序以实现上述任一实施方式的方法。
本实施例提供的日间手术出院判断装置，基于上述日间手术出院判断方法相同的构思，至少能够实现上述日间手术出院判断方法所能实现的有益效果，在此不再赘述。
基于上述日间手术出院判断方法相同的构思，本实施例还提供一种计算机可读存储介质，其上存储有计算机程序，程序被处理器执行实现上述任一实施方式的方法。
本实施例提供的日间手术出院判断装置，基于上述日间手术出院判断方法相同的构思，至少能够实现上述日间手术出院判断方法所能实现的有益效果，在此不再赘述。
应该注意的是上述实施例对本申请进行说明而不是对本申请进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本申请可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
以上，仅为本申请较佳的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种日间手术出院判断方法，其特征在于，所述方法包括：
根据患者手术前和当前的血压数据及脉搏数据确定所述患者的血压及脉搏波动情况；
根据所述患者当前的行走视频数据确定所述患者当前的步态状况；包括：根据所述患者当前的行走视频数据确定所述患者当前行走过程中站立行走完成度和下蹲后站起动作完成度；分别根据所述患者的站立行走完成度和下蹲后站起动作完成度确定所述患者当前的步态状况；
根据所述患者当前的面部图像数据确定所述患者当前的疼痛程度；
综合所述患者的所述血压及脉搏波动情况、所述步态状况及所述疼痛程度，判断所述患者是否能够出院；
其中，所述根据所述患者当前的行走视频数据确定所述患者当前行走过程中站立行走完成度，包括：
若所述患者当前的行走视频数据不为空，且所述患者当前的行走视频数据的像素值小于预设像素值，则根据述患者当前的行走视频数据，按照下述公式，分别计算指定时间内所述患者的上基准线变化角度θu和下基准线变化角度θd：
其中，所述为所述指定时间内初始帧的视频数据中患者的上基准线斜率；所述为所述指定时间内最后一帧视频数据中患者的上基准线斜率；所述/>为所述指定时间内初始帧的视频数据中患者的下基准线斜率、/>为所述指定时间内最后一帧视频数据中患者的下基准线斜率；所述上基准线为所述患者的颈部中心与所述患者的左右臀部中心之间的连线；所述下基准线为所述患者的左右臀部中心与所述患者的左右脚踝中心的连线；
根据所述上基准线变化角度θu和所述下基准线变化角度θd及预设的完成度判断规则，确定所述患者站立行走完成度。
2.根据权利要求1所述的方法，其特征在于，所述综合所述患者的所述血压及脉搏波动情况、所述步态状况及所述疼痛程度，判断所述患者是否能够出院，包括：
根据所述血压及脉搏波动情况及预设的波动判断对应关系，确定波动判断因子；
根据所述步态状况及预设的步态判断对应关系，确定步态判断因子；
根据所述疼痛程度及预设的疼痛判断对应关系，确定疼痛判断因子；
将所述波动判断因子、所述步态判断因子及所述疼痛判断因子之和确定为所述患者的麻醉程度值；
根据所述麻醉程度值大于预设阈值，判断所述患者能够出院，否则不能出院。
3.根据权利要求1或2所述的方法，其特征在于，所述根据患者手术前和当前的血压数据及脉搏数据确定所述患者的血压及脉搏波动情况之前，还包括：
通过患者管理***获取所述患者手术前和当前的血压数据及脉搏数据；
通过图像采集装置获取所述患者当前的行走视频数据和所述患者当前的面部图像数据。
4.根据权利要求1所述的方法，其特征在于，所述根据患者手术前和当前的血压数据及脉搏数据确定所述患者的血压及脉搏波动情况，包括：
根据患者手术前和当前的血压数据及脉搏数据，按照下述公式确定所述患者的血压及脉搏波动系数：
其中，f表示血压及脉搏波动系数，Pa表示患者当前的血压，Pb表示患者手术前的血压，Ma表示患者当前的脉搏，Mb表示患者手术前的脉搏。
5.根据权利要求1所述的方法，其特征在于，所述根据所述患者当前的行走视频数据确定所述患者当前行走过程中站立行走完成度，还包括：
若所述患者当前的行走视频数据为空，则确定所述患者完全不能行走；若所述患者当前的行走视频数据的像素值均大于或等于预设像素值，则确定所述患者需要他人搀扶才能行走。
6.根据权利要求1所述的方法，其特征在于，所述根据所述患者当前的行走视频数据确定所述患者下蹲后站起动作完成度，包括：
若所述患者当前的行走视频数据为空，则确定所述患者下蹲后完全不能站起；
若所述患者当前的行走视频数据不为空，则基于所述患者当前的行走视频数据，按照下面公式，根据计算结果确定所述患者下蹲后站起动作完成度：
df＝|dlast-dfirst|
其中，所述dfirst为所述指定时间内初始帧视频数据中所述患者的左右臀部中心与所述患者的左右脚踝中心的垂直距离；所述dlast为所述指定时间内最后一帧视频数据中所述患者的左右臀部中心与所述患者的左右脚踝中心的垂直距离；所述fps为所述指定时间内的视频数据的摄制速度；所述f为所述指定时间内的视频数据的总帧数；所述df为所述指定时间内所述患者左右臀部中心与所述患者左右脚踝中心之间垂直距离的差值；所述v为所述指定时间内所述患者臀部在竖直方向的移动速度；
根据所述指定时间内所述患者臀部在竖直方向的移动速度，确定所述患者下蹲后站起动作完成度。
7.根据权利要求1所述的方法，其特征在于，所述根据所述患者当前的面部图像数据确定所述患者当前的疼痛程度，包括：
根据所述患者当前的面部图像数据及训练好的面部识别模型确定所所述患者当前的疼痛程度。
8.一种日间手术出院判断装置，其特征在于，所述装置包括：
第一确定模块，用于根据患者手术前和当前的血压数据及脉搏数据确定所述患者的血压及脉搏波动情况；
第二确定模块，用于根据所述患者当前的行走视频数据确定所述患者当前的步态状况；具体用于：根据所述患者当前的行走视频数据确定所述患者当前行走过程中站立行走完成度和下蹲后站起动作完成度；分别根据所述患者的站立行走完成度和下蹲后站起动作完成度确定所述患者当前的步态状况；
第三确定模块，用于根据所述患者当前的面部图像数据确定所述患者当前的疼痛程度；
综合判断模块，用于综合所述患者的所述血压及脉搏波动情况、所述步态状况及所述疼痛程度，判断所述患者是否能够出院；
其中，所述第二确定模块，进一步用于：
若所述患者当前的行走视频数据不为空，且所述患者当前的行走视频数据的像素值小于预设像素值，则根据述患者当前的行走视频数据，按照下述公式，分别计算指定时间内所述患者的上基准线变化角度θu和下基准线变化角度θd：
其中，所述为所述指定时间内初始帧的视频数据中患者的上基准线斜率；所述为所述指定时间内最后一帧视频数据中患者的上基准线斜率；所述/>为所述指定时间内初始帧的视频数据中患者的下基准线斜率、/>为所述指定时间内最后一帧视频数据中患者的下基准线斜率；所述上基准线为所述患者的颈部中心与所述患者的左右臀部中心之间的连线；所述下基准线为所述患者的左右臀部中心与所述患者的左右脚踝中心的连线；
根据所述上基准线变化角度θu和所述下基准线变化角度θd及预设的完成度判断规则，确定所述患者站立行走完成度。
9.一种计算机辅助设备，包括处理器、存储器及存储在所述存储器上并能够在所述处理器上运行的计算机程序，其特征在于，所述处理器运行所述计算机程序以实现如权利要求1-7任一项所述的方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行实现如权利要求1-7中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110551725.XA CN113425271B (zh) | 2021-05-20 | 2021-05-20 | 日间手术出院判断方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110551725.XA CN113425271B (zh) | 2021-05-20 | 2021-05-20 | 日间手术出院判断方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113425271A CN113425271A (zh) | 2021-09-24 |
| CN113425271B true CN113425271B (zh) | 2024-02-06 |
Family
ID=77803318
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110551725.XA Active CN113425271B (zh) | 2021-05-20 | 2021-05-20 | 日间手术出院判断方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113425271B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103718046A (zh) * | 2011-03-17 | 2014-04-09 | 重症监护诊断股份有限公司 | 预测不良临床结果的风险的方法 |
| TW201419204A (zh) * | 2012-11-09 | 2014-05-16 | Mackay Memorial Hospital | 出院管理裝置與出院管理方法 |
| CN104737171A (zh) * | 2012-10-22 | 2015-06-24 | 皇家飞利浦有限公司 | 健康护理***和方法 |
| CN105308601A (zh) * | 2013-06-04 | 2016-02-03 | 皇家飞利浦有限公司 | 健康护理支持***和方法 |
| CN105431851A (zh) * | 2013-07-31 | 2016-03-23 | 皇家飞利浦有限公司 | 用于定制患者护理的健康护理决策支持*** |
| CN105453093A (zh) * | 2013-08-14 | 2016-03-30 | 皇家飞利浦有限公司 | 出院处的患者风险因子的建模 |
| WO2019014452A1 (en) * | 2017-07-12 | 2019-01-17 | K2M, Inc. | SYSTEMS AND METHODS FOR MODELING VERTEBRAL COLUMNS AND TREATING VERTEBRAL COLUMNS BASED ON VERTEBRAL COLUMN MODELS |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8510126B2 (en) * | 2008-02-24 | 2013-08-13 | The Regents Of The University Of California | Patient monitoring |
| WO2012104803A1 (en) * | 2011-02-04 | 2012-08-09 | Koninklijke Philips Electronics N.V. | Clinical decision support system for predictive discharge planning |
| CA2908609A1 (en) * | 2013-05-03 | 2014-11-06 | Georgia State University Research Foundation, Inc. | Systems and methods for supporting hospital discharge decision making |
| US20160117469A1 (en) * | 2013-06-04 | 2016-04-28 | Koninklijke Philips N.V. | Healthcare support system and method |
| US20160180029A1 (en) * | 2014-12-23 | 2016-06-23 | General Electric Company | System and method for predicting patient discharge planning |
-
2021
- 2021-05-20 CN CN202110551725.XA patent/CN113425271B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103718046A (zh) * | 2011-03-17 | 2014-04-09 | 重症监护诊断股份有限公司 | 预测不良临床结果的风险的方法 |
| CN104737171A (zh) * | 2012-10-22 | 2015-06-24 | 皇家飞利浦有限公司 | 健康护理***和方法 |
| TW201419204A (zh) * | 2012-11-09 | 2014-05-16 | Mackay Memorial Hospital | 出院管理裝置與出院管理方法 |
| CN105308601A (zh) * | 2013-06-04 | 2016-02-03 | 皇家飞利浦有限公司 | 健康护理支持***和方法 |
| CN105431851A (zh) * | 2013-07-31 | 2016-03-23 | 皇家飞利浦有限公司 | 用于定制患者护理的健康护理决策支持*** |
| CN105453093A (zh) * | 2013-08-14 | 2016-03-30 | 皇家飞利浦有限公司 | 出院处的患者风险因子的建模 |
| WO2019014452A1 (en) * | 2017-07-12 | 2019-01-17 | K2M, Inc. | SYSTEMS AND METHODS FOR MODELING VERTEBRAL COLUMNS AND TREATING VERTEBRAL COLUMNS BASED ON VERTEBRAL COLUMN MODELS |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113425271A (zh) | 2021-09-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| AU2017386412B2 (en) | Systems and methods for real-time data quantification, acquisition, analysis, and feedback | |
| EP1305767B1 (en) | Method for remote medical monitoring incorporating video processing | |
| US20140243651A1 (en) | Health diagnosis system using image information | |
| CN113647939B (zh) | 一种针对脊柱退行性疾病的人工智能康复评估与训练*** | |
| Jarvis et al. | Responding to neuromonitoring changes in 3-column posterior spinal osteotomies for rigid pediatric spinal deformities | |
| Ba | Medical sports rehabilitation deep learning system of sports injury based on MRI image analysis | |
| KR20090101557A (ko) | 사상체질 자동진단기 | |
| CN109920517A (zh) | 一种游戏化康复***及其工作方法 | |
| CN114947756B (zh) | 基于皮肤图像的特应性皮炎严重程度的智能评估决策*** | |
| CN112043408A (zh) | 一种提高骨科术后康复速度的方法和装置 | |
| CN115862819A (zh) | 一种基于图像处理的医学图像管理方法 | |
| CN115346670A (zh) | 基于姿态识别的帕金森病评级方法、电子设备及介质 | |
| CN111916213A (zh) | 一种基于云计算的医疗服务方法和装置 | |
| CN112908468B (zh) | 一种基于5g网络的智慧医疗管理*** | |
| US20100150405A1 (en) | System and method for diagnosis of human behavior based on external body markers | |
| CN113425271B (zh) | 日间手术出院判断方法、装置、设备及存储介质 | |
| CN106529193A (zh) | 健康检查*** | |
| CN115410707B (zh) | 一种膝关节骨性关节炎的远程诊疗及康复*** | |
| KR102207093B1 (ko) | Ai 골밀도 판독 장치 및 방법 | |
| CN109378075A (zh) | 一种基于云数据叠加的创伤智能评估*** | |
| CN114821672A (zh) | 一种人体卧姿实时检测及识别方法 | |
| CN111282195A (zh) | 一种基于整体论指导的自行车训练运动*** | |
| Fisher | A Comparison of Upper Extremity Function between Female Breast Cancer Survivors and Healthy Controls: Typical Self-report of Function, Motion, Strength, and Muscular Endurance | |
| WO2021260388A1 (en) | Method of monitoring mobility | |
| CN117393130A (zh) | 基于人工智能的全区域院内外一体化急救暨质控*** |
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 |