CN113611428A - 一种脑卒中高危人群筛选方法和*** - Google Patents
一种脑卒中高危人群筛选方法和*** Download PDFInfo
- Publication number
- CN113611428A CN113611428A CN202110938596.XA CN202110938596A CN113611428A CN 113611428 A CN113611428 A CN 113611428A CN 202110938596 A CN202110938596 A CN 202110938596A CN 113611428 A CN113611428 A CN 113611428A
- Authority
- CN
- China
- Prior art keywords
- data
- module
- patient
- stroke
- deep learning
- 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.)
- Withdrawn
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
- G16H50/70—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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Data Mining & Analysis (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Biomedical Technology (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明公开了一种脑卒中高危人群筛选方法和***,涉及医疗技术领域,其技术方案包括以下步骤:步骤一:数据收集:对各个医院中病人的数据进行收集;步骤二:数据处理:对收集到的数据进行处理,保留其中最近日期的数据,再对同一患者的相同的数据进行合并;步骤三:数据比对:将收集到的数据与正常数据进行比对;步骤四:结果判断:判断检测人员的数据中是否超过三项,同时判断其是否患有慢性病,对检测人员处于高危、中危还是低危人群进行判断;步骤五:深度学习:对于收集数据中发病患者从开始检测到开始发病的时间进行统计,通过脑卒中发病概率‑时间模型可以根据患者的具体身体情况来对患者未来的发病几率以及发病时间进行预测。
Description
技术领域
本发明涉及医疗技术领域,尤其涉及一种脑卒中高危人群筛选方法和***。
背景技术
“脑卒中”又称“中风”或者“脑血管意外”。是一种急性脑血管疾病,是由于脑部血管突然破裂或因血管阻塞导致血液不能流入大脑而引起脑组织损伤的一组疾病,包括缺血性和出血性卒中。
经检索,中国专利号为CN111243696A的发明专利,公开了一种脑卒中发病的自动检测方法,包括以下步骤:获取脑卒中患者的病理数据集合,病理数据集合包括多种与患者相关联的病理参数;从每个脑卒中患者的病理数据集合中,筛选出与脑卒中复发具有显著相关的参数并确定为病理数据子集合;基于每个脑卒中患者的住院登记记录、体检、门诊复查等方式更新其病理数据子集合;实时对每个脑卒中患者的病理数据子集合与复发预测模型进行对比分析,得出相应危险等级,并基于危险等级来告知脑卒中患者及时前来复诊。本发明具有以下优点和效果:能预测患者的脑卒中的危险系数,并通过患者及时进来复诊、治疗。
然而上述检测方法在对患者数据进行获取的过程中,患者有可能有多次检测,从而使得获取的数据出现重复现象,进而造成检测的结果出现误差,同时上述方法只能够对患者的脑卒中危险系数进行评判,但无法对患者在何时患病进行检测,因此需要一种脑卒中高危人群筛选方法和***。
发明内容
本发明的目的是为了解决现有技术中患者有可能有多次检测,从而使得获取的数据出现重复现象,进而造成脑卒中检测的结果出现误差的缺点,而提出的一种脑卒中高危人群筛选方法和***。
为了实现上述目的,本发明采用了如下技术方案:
一种脑卒中高危人群筛选方法,包括以下步骤:
步骤一:数据收集:对各个医院中病人的数据进行收集;
步骤二:数据处理:对收集到的数据进行处理,保留其中最近日期的数据,再对同一患者的相同的数据进行合并;
步骤三:数据比对:将收集到的数据与正常数据进行比对;
步骤四:结果判断:判断检测人员的数据中是否超过三项,同时判断其是否患有慢性病,对检测人员处于高危、中危还是低危人群进行判断;
步骤五:深度学习:对于收集数据中发病患者从开始检测到开始发病的时间进行统计,从而建立脑卒中发病概率-时间模型。
步骤六:警报建议:通过深度学习建立的模型对检测人员未来患病的概率进行推测,同时根据检测人员自身的身体情况给出合理的建议。
上述技术方案进一步包括:
根据步骤一所述数据收集中需要收集的数据有高血压病史、房颤和心瓣膜病、吸烟量、血脂异常或未知、糖尿病、体育活动量、BIM值、脑卒中家族史。
所述结果比对中获取数据的每一项和标准值进行比对,若符合任意一项则T=1,若符合任意一项两项则T=2,依次类推。
当T>3时,或既往有脑卒中/短暂性脑缺血发作病史者,评定为脑卒中高危人群;
当T<3时,但患有慢性病(高血压、糖尿病、心房颤动或瓣膜性心脏病)之一者,则被评定为脑卒中中危人群;
当T<3时,无慢性病,则被评定为脑卒中低危人群。
所述深度学习中对不仅对患者的发病时间进行统计,还需要对其8项数据中的匹配程度进行统计,同时对8项数据中一些项目的具体数值进行统计。
一种脑卒中高危人群筛选***,所述筛选***包括中央处理***、数据统计模块、深度学习模块、比对模块、判断模块和建议模块,所述中央处理***与所述数据统计模块之间为通信连接,所述数据统计模块对各个医院中患者的数据进行收集,然后对数据进行处理,处理时将同样的数据进行合并,再对同一类型的数据进行更新。
上述技术方案进一步包括:
所述数据统计模块与所述深度学习模块之间为通信连接,所述数据统计模块将合并处理后的数据传输到所述深度学习模块中,所述深度学习模块对数据进行深度学习,并且建立脑卒中发病概率-时间模型,所述深度学习模块与所述比对模块之间为通信连接,所述深度学习模块会将患者的数据带入到模型中进行检查,并将检测的结果以及该患者的数据传输到所述比对模块中。
所述比对模块对该患者的数据进行比对,并将比对结果以及深度学习模块的带入结果传输到所述判断模块中,所述比对模块与所述判断模块之间为通信连接,所述判断模块根据所述比对模块比对的结果判断该患者处于哪类人群,同时所述判断模块也会根据所述深度学习模块检测出的结果来判断该患者的发病概率以及发病时间。
所述判断模块与所述建议模块之间为通信连接,所述建议模块根据所述判断模块中的数据对该患者进行建议,帮助其降低发病概率。
相比现有技术,本发明的有益效果为:
1、本发明中,通过在数据处理中对同一患者的相同数据进行合并,在对不同的数据选取最新的数据作为使用数据,消除其中的异常数据,从而能够大大提高后面模型建立的准确性,进而提高预测的准确性。
2、本发明中,通过深度学习中建立的脑卒中发病概率-时间模型,通过此模型可以根据患者的具体身体情况来对患者未来的发病几率以及发病时间进行预测。
附图说明
图1为本发明提出的一种脑卒中高危人群筛选方法和***的***框图。
具体实施方式
下文结合附图和具体实施例对本发明的技术方案做进一步说明。
实施例一
第一步,通过数据统计模块对各个医院中病人高血压病史、房颤和心瓣膜病、吸烟、血脂异常或未知、糖尿病、很少进行体育活动、BIM值、脑卒中家族史的数据进行收集;
第二步,再对收集到的数据进行处理,收集到的数据中还会包含同一名患者不同时间的就诊结果,此时对于不同的结果删除其中时间较早的数据,保留最新的数据,再对同一患者的相同的数据进行合并;
第三步,将收集到数据的每一项和标准值进行比对,若符合任意一项则T=1,若符合任意一项两项则T=2,依次类推,当T>3时,或既往有脑卒中/短暂性脑缺血发作病史者,评定为脑卒中高危人群;当T<3时,但患有慢性病(高血压、糖尿病、心房颤动或瓣膜性心脏病)之一者,则被评定为脑卒中中危人群;当T<3时,无慢性病,则被评定为脑卒中低危人群;
患者的数据为(有高血压病史、无房颤和心瓣膜病、不吸烟、无血脂异常或未知、无糖尿病、很少进行体育活动、BIM值为32、无脑卒中家族史),经比对该患者属于脑卒中中危人群;
第四步,通过深度学习模块来对合并处理后的数据进行学习,深度学习中对不仅对患者的发病时间进行统计,还需要对其8项数据中的匹配程度进行统计,同时对8项数据中一些项目的具体数值进行统计,然后建立脑卒中发病概率-时间模型;
第五步,通过脑卒中发病概率-时间模型来对患者该患者的发病时间与概率进行预测,得出该病人的发病时间为10年内,5.9%的发病率,该患者属于脑卒中中危人群,通过具体数值从而能够大大增加患者的治疗信心与积极性;
最后通过建议模块,根据脑卒中发病概率-时间模型来对患者的发病时间与概率来制定定期的体检,并且提供合适的饮食与锻炼规划,帮助病人进行恢复。
实施例二
第一步,通过数据统计模块对各个医院中病人高血压病史、房颤和心瓣膜病、吸烟、血脂异常或未知、糖尿病、很少进行体育活动、BIM值、脑卒中家族史的数据进行收集;
第二步,将收集到数据的每一项和标准值进行比对,若符合任意一项则T=1,若符合任意一项两项则T=2,依次类推,当T>3时,或既往有脑卒中/短暂性脑缺血发作病史者,评定为脑卒中高危人群;当T<3时,但患有慢性病(高血压、糖尿病、心房颤动或瓣膜性心脏病)之一者,则被评定为脑卒中中危人群;当T<3时,无慢性病,则被评定为脑卒中低危人群;
患者的数据为(有高血压病史、无房颤和心瓣膜病、不吸烟、无血脂异常或未知、无糖尿病、很少进行体育活动、BIM值为32、无脑卒中家族史),经比对该患者属于脑卒中中危人群;
第三步,通过深度学习模块来对合并处理后的数据进行学习,深度学习中对不仅对患者的发病时间进行统计,还需要对其8项数据中的匹配程度进行统计,同时对8项数据中一些项目的具体数值进行统计,然后建立脑卒中发病概率-时间模型;
第四步,通过脑卒中发病概率-时间模型来对患者该患者的发病时间与概率进行预测,该病人的发病时间为14年内,2.7%的发病率,通过具体数值从而能够大大增加患者的治疗信心与积极性;
最后通过建议模块,根据脑卒中发病概率-时间模型来对患者的发病时间与概率来制定定期的体检,并且提供合适的饮食与锻炼规划,帮助病人进行恢复。
实施例三
第一步,通过数据统计模块对各个医院中病人高血压病史、房颤和心瓣膜病、吸烟、血脂异常或未知、糖尿病、很少进行体育活动、BIM值、脑卒中家族史的数据进行收集;
第二步,将收集到数据的每一项和标准值进行比对,若符合任意一项则T=1,若符合任意一项两项则T=2,依次类推,当T>3时,或既往有脑卒中/短暂性脑缺血发作病史者,评定为脑卒中高危人群;当T<3时,但患有慢性病(高血压、糖尿病、心房颤动或瓣膜性心脏病)之一者,则被评定为脑卒中中危人群;当T<3时,无慢性病,则被评定为脑卒中低危人群;
患者的数据为(有高血压病史、无房颤和心瓣膜病、不吸烟、无血脂异常或未知、无糖尿病、很少进行体育活动、BIM值为32、无脑卒中家族史),经比对该患者属于脑卒中中危人群;
最后通过建议模块,对患者提供合适的饮食与锻炼规划,帮助病人进行恢复。
综上所述,实施例一种的数据与实际数据相比最为可靠,发病时间与发病概率基本相同,而实施例二中由于缺少对数据的处理使得后面的深度学习中的模型出现偏离,导致对患者患病时间与概率出现偏差,实施例三种仅能够评判患者处于哪一类人群,从而无法给出有效的建议以及治疗就诊时间。
以上所述,仅为本发明较佳的具体实施方式,但本发明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发明揭露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (9)
1.一种脑卒中高危人群筛选方法,其特征在于,包括以下步骤:
步骤一:数据收集:对各个医院中病人的数据进行收集;
步骤二:数据处理:对收集到的数据进行处理,保留其中最近日期的数据,再对同一患者的相同的数据进行合并;
步骤三:数据比对:将收集到的数据与正常数据进行比对;
步骤四:结果判断:判断检测人员的数据中是否超过三项,同时判断其是否患有慢性病,对检测人员处于高危、中危还是低危人群进行判断;
步骤五:深度学习:对于收集数据中发病患者从开始检测到开始发病的时间进行统计,从而建立脑卒中发病概率-时间模型;
步骤六:警报建议:通过深度学习建立的模型对检测人员未来患病的概率进行推测,同时根据检测人员自身的身体情况给出合理的建议。
2.根据权利要求1所述的一种脑卒中高危人群筛选***,其特征在于,根据步骤一所述数据收集中需要收集的数据有高血压病史、房颤和心瓣膜病、吸烟量、血脂异常或未知、糖尿病、体育活动量、BIM值、脑卒中家族史。
3.根据权利要求1所述的一种脑卒中高危人群筛选***,其特征在于,所述结果比对中获取数据的每一项和标准值进行比对,若符合任意一项则T=1,若符合任意一项两项则T=2,依次类推。
4.根据权利要求3所述的一种脑卒中高危人群筛选***,其特征在于,当T>3时,或既往有脑卒中/短暂性脑缺血发作病史者,评定为脑卒中高危人群;
当T<3时,但患有慢性病(高血压、糖尿病、心房颤动或瓣膜性心脏病)之一者,则被评定为脑卒中中危人群;
当T<3时,无慢性病,则被评定为脑卒中低危人群。
5.根据权利要求1所述的一种脑卒中高危人群筛选***,其特征在于,所述深度学习中对不仅对患者的发病时间进行统计,还需要对其8项数据中的匹配程度进行统计,同时对8项数据中一些项目的具体数值进行统计。
6.一种脑卒中高危人群筛选***,其特征在于,所述筛选***包括中央处理***、数据统计模块、深度学习模块、比对模块、判断模块和建议模块,所述中央处理***与所述数据统计模块之间为通信连接,所述数据统计模块对各个医院中患者的数据进行收集,然后对数据进行处理,处理时将同样的数据进行合并,再对同一类型的数据进行更新。
7.根据权利要求6所述的一种脑卒中高危人群筛选***,其特征在于,所述数据统计模块与所述深度学习模块之间为通信连接,所述数据统计模块将合并处理后的数据传输到所述深度学习模块中,所述深度学习模块对数据进行深度学习,并且建立脑卒中发病概率-时间模型,所述深度学习模块与所述比对模块之间为通信连接,所述深度学习模块会将患者的数据带入到模型中进行检查,并将检测的结果以及该患者的数据传输到所述比对模块中。
8.根据权利要求7所述的一种脑卒中高危人群筛选***,其特征在于,所述比对模块对该患者的数据进行比对,并将比对结果以及深度学习模块的带入结果传输到所述判断模块中,所述比对模块与所述判断模块之间为通信连接,所述判断模块根据所述比对模块比对的结果判断该患者处于哪类人群,同时所述判断模块也会根据所述深度学习模块检测出的结果来判断该患者的发病概率以及发病时间。
9.根据权利要求8所述的一种脑卒中高危人群筛选***,其特征在于,所述判断模块与所述建议模块之间为通信连接,所述建议模块根据所述判断模块中的数据对该患者进行建议,帮助其降低发病概率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110938596.XA CN113611428A (zh) | 2021-08-16 | 2021-08-16 | 一种脑卒中高危人群筛选方法和*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110938596.XA CN113611428A (zh) | 2021-08-16 | 2021-08-16 | 一种脑卒中高危人群筛选方法和*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113611428A true CN113611428A (zh) | 2021-11-05 |
Family
ID=78308701
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110938596.XA Withdrawn CN113611428A (zh) | 2021-08-16 | 2021-08-16 | 一种脑卒中高危人群筛选方法和*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113611428A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116230212A (zh) * | 2023-04-04 | 2023-06-06 | 曜立科技(北京)有限公司 | 基于数据处理的术后脑卒中复查用的诊断决策*** |
CN117612713A (zh) * | 2023-10-08 | 2024-02-27 | 郑州大学 | 一种基于云计算的脑卒中行为的智能分析***及方法 |
-
2021
- 2021-08-16 CN CN202110938596.XA patent/CN113611428A/zh not_active Withdrawn
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116230212A (zh) * | 2023-04-04 | 2023-06-06 | 曜立科技(北京)有限公司 | 基于数据处理的术后脑卒中复查用的诊断决策*** |
CN117612713A (zh) * | 2023-10-08 | 2024-02-27 | 郑州大学 | 一种基于云计算的脑卒中行为的智能分析***及方法 |
CN117612713B (zh) * | 2023-10-08 | 2024-06-11 | 郑州大学 | 一种基于云计算的脑卒中行为的智能分析***及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112365978B (zh) | 心动过速事件早期风险评估的模型的建立方法及其装置 | |
CN111261282A (zh) | 一种基于机器学习的脓毒症早期预测方法 | |
CN113611428A (zh) | 一种脑卒中高危人群筛选方法和*** | |
CN109924965A (zh) | 一种心脑血管康复训练*** | |
CN110782990B (zh) | 用于基层公卫服务脑卒中风险评估的方法、***及移动平台 | |
CN113995419B (zh) | 一种基于心跳节律信号的房颤发生风险预测***及其应用 | |
CN110491506A (zh) | 心房颤动预测模型及其预测*** | |
CN110123277A (zh) | 一种脓毒血症的数据处理*** | |
CN114898873A (zh) | 一种糖尿病前期患者心血管疾病风险的预测方法及*** | |
CN114639478A (zh) | 一种基于心脏瓣膜病的超声监测*** | |
CN109674474B (zh) | 睡眠呼吸暂停识别方法、设备及计算机可读介质 | |
CN114010173A (zh) | 基于神经网络的非瓣膜性房颤心源性卒中评估***和方法 | |
CN117116475A (zh) | 缺血性脑卒中的风险预测方法、***、终端及存储介质 | |
CN113951845B (zh) | 创伤严重失血伤情预测方法与*** | |
CN114743677A (zh) | 一种利用窦性心律心电图预测阵发性室上性心动过速的方法 | |
CN115223706A (zh) | 适用于移动监护设备的脓毒症早期筛查模型 | |
CN111883248B (zh) | 用于儿童肥胖症的预测*** | |
CN114550910A (zh) | 基于人工智能的射血分数保留型心衰诊断及分型*** | |
CN113017572A (zh) | 一种重症预警方法、装置、电子设备及存储介质 | |
CN111489828A (zh) | 一种筛选骨折后形成血栓因素的方法 | |
CN116936107B (zh) | 基于卷积神经网络的心脏数据风险分析方法、***及介质 | |
RU2728869C1 (ru) | Компьютеризированный способ неинвазивного выявления нарушений углеводного обмена по электрокардиограмме | |
CN117379009B (zh) | 一种社区老年人群心脑血管急危重症预警监测*** | |
CN116884631B (zh) | 基于ai和相似患者分析的综合肝衰竭预测与治疗参考*** | |
Thomas et al. | Data mining approach in preterm birth prediction |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20211105 |