CN113871020A - 一种基于ai机器学习的急危重症诊后健康管理方法及*** - Google Patents
一种基于ai机器学习的急危重症诊后健康管理方法及*** Download PDFInfo
- Publication number
- CN113871020A CN113871020A CN202111128954.7A CN202111128954A CN113871020A CN 113871020 A CN113871020 A CN 113871020A CN 202111128954 A CN202111128954 A CN 202111128954A CN 113871020 A CN113871020 A CN 113871020A
- Authority
- CN
- China
- Prior art keywords
- health management
- model
- patient
- information
- health
- 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
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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
-
- 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
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明公开了一种基于AI机器学习的急危重症诊后健康管理方法及***,其方法包括:根据单病种的临床特征及其对应的治疗信息构建该病种的健康管理模型存储到AI机器的预设模型库中;根据患者上传的病例信息确认是否存在与其匹配的目标健康管理模型;若存在,利用所述目标健康管理模型对患者进行辅助健康管理;若不存在,对病例信息进行求解生成求解结果以供AI机器进行学习。可以使得AI机器实现智能化学习从而提高实用性,在遇到各种病例信息时都可以有效地给出其病种对应的健康管理模型,提高了智能化以及患者的体验感。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种基于AI机器学习的急危重症诊后健康管理方法及***。
背景技术
急危重诊后管理最开始以手工记录或者信息化表单记录为主,近年来提出了由知识***、语言***和问题处理***三部分组成的结构将比较成熟的专家***中的问题处理技术引入了健康管理的体系结构,克服了传统健康管理普遍缺乏知识的局面,起到了很大的促进作用,但并不能体现用户在模型建造,模型选择方面的主动性,该框架体系的封闭式自动求解过程也不具备学习能力,不能学习新知识和经验积累。所以这种单纯基于知识的框架体系并不合适复杂的现实诊后随访和健康管理。例如基于专家***的诊疗***,只能在当前知识库所拥有的范围内辨别处理病症,但如果一旦类似于新冠这样的病症出现,它就束手无策,下次再遇到新冠依然不能识别,智能急危重症诊后健康管理是诊后随访、健康管理和人工智能(AI)相结合的产物,着重研究把AI的知识推理技术和健康管理的基本功能模块有机的结合起来。近年来,许多医院已经不满足于简单的信息处理,而随着人工智能技术的发展和应用,知识成为信息***的最重要一部分。但在健康管理***的使用过程中,用户又希望它能带有智能,使其在不断的使用过程中积累经验而改善自身的性能,因此特别需要一种具有学习功能的智能诊后健康管理***。
发明内容
针对上述所显示出来的问题,本发明提供了一种基于AI机器学习的急危重症诊后健康管理方法及***用以解决背景技术中提到的不能体现用户在模型建造,模型选择方面的主动性,该框架体系的封闭式自动求解过程也不具备学习能力,不能学习新知识和经验积累的问题。
一种基于AI机器学习的急危重症诊后健康管理方法,包括以下步骤:
根据单病种的临床特征及其对应的治疗信息构建该病种的健康管理模型存储到AI机器的预设模型库中;
根据患者上传的病例信息确认是否存在与其匹配的目标健康管理模型;
若存在,利用所述目标健康管理模型对患者进行辅助健康管理;
若不存在,对病例信息进行求解生成求解结果以供AI机器进行学习。
优选的,所述根据单病种的临床特征及其对应的治疗信息构建该病种的健康管理模型存储到AI机器的预设模型库中,包括:
根据单病种的临床特征及其对应的治疗信息生成该病种的诊后管理计划;
根据所述诊后管理计划确定个人随访计划的数量以及每次个人随访计划的呼叫时间;
构建初始模型,利用所述诊后管理计划和多次个人随访计划以及每次个人随访计划的呼叫时间训练所述初始模型,获得该病种的健康管理模型;
确认该病种的所属类别,根据确认结果将健康管理模型存储到预设模型库的目标分区中。
优选的,所述根据患者上传的病例信息确认是否存在与其匹配的目标健康管理模型,包括:
接收所述病例信息并进行解析,生成问题实例;
将所述问题实例代入到预设模型库中进行匹配,获得多个匹配的第一健康管理模型;
对所述问题实例进行剖析获得其隐藏特征参数,根据所述隐藏特征参数在多个第一健康管理模型中进行匹配,确认是否有匹配成功的第二健康管理模型;
若是,确认存在目标健康管理模型,否则,确认不存在。
优选的,若存在,利用所述目标健康管理模型对患者进行辅助健康管理,包括:
获取患者的电子病历和电子身份信息;
将所述电子病历和电子身份信息与所述目标健康管理模型进行关联;
获取患者的日常行为信息,根据所述日常行为信息判断每次个人随访计划的呼叫时间是否与患者的作息计划存在冲突,若是,自动调整每次个人随访计划的呼叫时间,否则,无需进行后续操作;
控制所述AI机器根据所述目标健康管理模型对患者进行个人随访以及辅助健康管理。
优选的,所述若不存在,对病例信息进行求解生成求解结果以供AI机器进行学习,包括:
根据所述病历信息确认患者的疾病类型;
根据所述疾病类型在预设模型库中调取相同类型的期望健康管理模型;
利用所述期望健康管理模型对所述病例信息进行求解,获得第一求解结果;
将所述第一求解结果反馈至患者终端以供患者进行评价,根据评价结果确认第一求解结果是否为可用信息,若是,根据所述第一求解结果生成模型操纵知识存储到AI机器的预设知识库中以供AI机器进行学习。
优选的,所述方法还包括:
若所述第一求解结果不为可用信息,从AI机器的预设经验库中查找相关经验;
利用所述相关经验对所述病例信息进行求解,获得第二求解结果;
根据所述第二求解结果以及病例信息构建全新健康管理模型;
将所述全新健康管理模型存储到预设模型库中,根据所述第二求解结果生成学习经验;
将所述学习经验存储到所述预设经验库中。
优选的,所述方法还包括:
实时检测所述AI机器对于模型操纵知识和学习经验的学习进度,当二者的学习进度为完成时,生成测试病例信息;
通过所述测试病例信息对所述AI机器进行模型匹配测试,获取测试结果;
根据所述测试结果确认AI机器的学习效果是否合格,若是,无需进行后续操作,否则,将所述模型操纵知识输入到期望管理模型中进行更新,对更新后的期望管理模型重新训练以及对对所述全新健康管理模型进行训练。
优选的,在利用所述目标健康管理模型对患者进行辅助健康管理之后,所述方法还包括:
采集患者的个人随访计划的随访信息,根据所述随访信息生成患者的健康信息表示;
获取所述健康信息表示中每个信息源的特征表示,根据每个信息源的特征表示对患者的健康状态进行分析,获取分析结果;
当所述分析结果为健康时,无需进行后续操作,当所述分析结果为不健康时,根据每个信息源的特征表示生成该信息源的辅助决策信息;
利用预设时空卷积网络对所述辅助决策信息与患者的治疗信息进行关联建模;
获取患者的患病器官处于健康状态下的第一体征因子相关性信息和处于当前状态下的第二体征因子相关性信息;
将所述第二体征因子相关性信息作为关联模型的输入、第一体征体征因子相关性信息作为关联模型的输出,获取所述关联模型输出的健康决策变量;
构建患者体外影响因素与健康指数之间的线性关系;
根据所述线性关系中的最大线性值确定体外影响因素对应患者健康恢复的影响度;
确认所述影响度是否大于等于预设阈值,若是,将所有健康决策变量对应的影响因素进行统计并生成患者的第一后续健康建议;
否则,确定每个健康决策变量与体外影响因素之间的目标关联度,将目标关联度大于等于预设关联度的目标健康决策变量进行标记;
根据目标健康决策变量对应的目标影响因素生成患者的第二后续健康建议;
将所述第一后续健康建议或第二后续健康建议上传到主治医师终端进行决策以确认是否执行,若是,将所述第一后续健康建议或第二后续健康建议导入到所述目标健康管理模型中。
优选的,所述方法还包括:
确定所述模型操纵知识的学习指标,将所述期望健康管理模与学习指标导入到预设关联数据库中进行关联度判定,获取判定结果;
根据所述判定结果中的当前关联度与预设关联度的比较结果确认所述期望健康管理模型是否完整学习了所述模型操纵知识,若是,无需进行后续操作,否则,提取每个学习指标的数据条目;
为每个学习指标的数据条目设置特定标记;
获取每个数据条目的匹配属性,将所述匹配属性与所述期望健康管理模型进行匹配,根据匹配结果将数据条目中未匹配成功的目标学习指标归类到预设数据集合中;
获取所述预设数据集合中每个目标学习指标的维度属性,根据所述维度属性生成训练集;
利用所述训练集训练所述期望健康管理模型直到其收敛为止。
一种基于AI机器学习的急危重症诊后健康管理***,该***包括:
构建模块,用于根据单病种的临床特征及其对应的治疗信息构建该病种的健康管理模型存储到AI机器的预设模型库中;
确认模块,用于根据患者上传的病例信息确认是否存在与其匹配的目标健康管理模型;
辅助模块,用于若存在,利用所述目标健康管理模型对患者进行辅助健康管理;
求解模块,用于若不存在,对病例信息进行求解生成求解结果以供AI机器进行学习。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。
图1为本发明所提供的一种基于AI机器学习的急危重症诊后健康管理方法的工作流程图;
图2为本发明所提供的一种基于AI机器学习的急危重症诊后健康管理方法另一的工作流程图;
图3为本发明所提供的一种基于AI机器学习的急危重症诊后健康管理方法的又一工作流程图;
图4为本发明所提供的一种基于AI机器学习的急危重症诊后健康管理方法的实施例截图;
图5为本发明所提供的一种基于AI机器学习的急危重症诊后健康管理方法的另一实施例截图;
图6为本发明所提供的一种基于AI机器学习的急危重症诊后健康管理***的结构示意图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
急危重诊后管理最开始以手工记录或者信息化表单记录为主,近年来提出了由知识***、语言***和问题处理***三部分组成的结构将比较成熟的专家***中的问题处理技术引入了健康管理的体系结构,克服了传统健康管理普遍缺乏知识的局面,起到了很大的促进作用,但并不能体现用户在模型建造,模型选择方面的主动性,该框架体系的封闭式自动求解过程也不具备学习能力,不能学习新知识和经验积累。所以这种单纯基于知识的框架体系并不合适复杂的现实诊后随访和健康管理。例如基于专家***的诊疗***,只能在当前知识库所拥有的范围内辨别处理病症,但如果一旦类似于新冠这样的病症出现,它就束手无策,下次再遇到新冠依然不能识别,智能急危重症诊后健康管理是诊后随访、健康管理和人工智能(AI)相结合的产物,着重研究把AI的知识推理技术和健康管理的基本功能模块有机的结合起来。近年来,许多医院已经不满足于简单的信息处理,而随着人工智能技术的发展和应用,知识成为信息***的最重要一部分。但在健康管理***的使用过程中,用户又希望它能带有智能,使其在不断的使用过程中积累经验而改善自身的性能,因此特别需要一种具有学习功能的智能诊后健康管理***。为了解决上述问题,本实施例公开了一种基于AI机器学习的急危重症诊后健康管理方法。
一种基于AI机器学习的急危重症诊后健康管理方法,如图1所示,包括以下步骤:
步骤S101、根据单病种的临床特征及其对应的治疗信息构建该病种的健康管理模型存储到AI机器的预设模型库中;
步骤S102、根据患者上传的病例信息确认是否存在与其匹配的目标健康管理模型;
步骤S103、若存在,利用所述目标健康管理模型对患者进行辅助健康管理;
步骤S104、若不存在,对病例信息进行求解生成求解结果以供AI机器进行学习。
上述技术方案的工作原理为:根据单病种的临床特征及其对应的治疗信息构建该病种的健康管理模型存储到AI机器的预设模型库中,此时AI机器可以根据患者反馈的患病特征从预设模型库中查找出匹配的目标病种,然后根据目标病种对应的目标健康管理模型对患者进行辅助诊后健康管理,上述步骤建立在模型库中存在已知病种的健康管理模型的前提下,当存在一种未知的病种时,即根据患者上传的病例信息确认不存在与其匹配的目标健康管理模型时,对病例信息利用预设方法进行求解以根据求解结果获得经验知识,将经验知识供AI机器学习从而构建未知病种的健康管理模型使得AI机器在下次遇到相同的病例信息时可以进行有效地应对措施。
上述技术方案的有益效果为:通过预先构建每个单病种的健康管理模型并存储到AI机器中从而根据患者提供的病例信息进行匹配以确定是否有匹配到的健康管理模型进而在当没有匹配到健康管理模型后对病例信息进行求解生成经验知识供AI机器学习可以使得AI机器实现智能化学习从而提高实用性,在遇到各种病例信息时都可以有效地给出其病种对应的健康管理模型,提高了智能化以及患者的体验感,解决了现有技术中不能体现用户在模型建造,模型选择方面的主动性,该框架体系的封闭式自动求解过程也不具备学习能力,不能学习新知识和经验积累的问题。
在一个实施例中,如图2所示,所述根据单病种的临床特征及其对应的治疗信息构建该病种的健康管理模型存储到AI机器的预设模型库中,包括:
步骤S201、根据单病种的临床特征及其对应的治疗信息生成该病种的诊后管理计划;
步骤S202、根据所述诊后管理计划确定个人随访计划的数量以及每次个人随访计划的呼叫时间;
步骤S203、构建初始模型,利用所述诊后管理计划和多次个人随访计划以及每次个人随访计划的呼叫时间训练所述初始模型,获得该病种的健康管理模型;
步骤S204、确认该病种的所属类别,根据确认结果将健康管理模型存储到预设模型库的目标分区中。
上述技术方案的有益效果为:通过生成每个病种详细的诊后管理计划来训练初始模型可以获得该病种最详细和科学的健康管理模型从而可以使得AI机器更加人性化地根据每个病种的健康管理模型来对患者进行辅助诊后健康管理,提高了智能化,进一步地,通过对病种进行类别区分可以将同种类的病种的模型进行集中管理从而在后续模型调用的过程中可以快速地匹配到适用模型,提高了工作效率。
在一个实施例中,如图3所示,所述根据患者上传的病例信息确认是否存在与其匹配的目标健康管理模型,包括:
步骤S301、接收所述病例信息并进行解析,生成问题实例;
步骤S302、将所述问题实例代入到预设模型库中进行匹配,获得多个匹配的第一健康管理模型;
步骤S303、对所述问题实例进行剖析获得其隐藏特征参数,根据所述隐藏特征参数在多个第一健康管理模型中进行匹配,确认是否有匹配成功的第二健康管理模型;
步骤S304、若是,确认存在目标健康管理模型,否则,确认不存在。
上述技术方案的有益效果为:通过对问题实例进行二次匹配可以精准地确定在预设模型库中是否有匹配的健康管理模型,从而提高了匹配的成功性和准确性。
在一个实施例中,若存在,利用所述目标健康管理模型对患者进行辅助健康管理,包括:
获取患者的电子病历和电子身份信息;
将所述电子病历和电子身份信息与所述目标健康管理模型进行关联;
获取患者的日常行为信息,根据所述日常行为信息判断每次个人随访计划的呼叫时间是否与患者的作息计划存在冲突,若是,自动调整每次个人随访计划的呼叫时间,否则,无需进行后续操作;
控制所述AI机器根据所述目标健康管理模型对患者进行个人随访以及辅助健康管理。
上述技术方案的有益效果为:通过智能地对个人随访计划的呼叫时间进行调整可以使得调整后的呼叫时间既满足患者的需要同时又不影响其日常作息计划,进一步地提高了患者的体验感,同时也更加地实现了智能化辅助健康管理。
在一个实施例中,所述若不存在,对病例信息进行求解生成求解结果以供AI机器进行学习,包括:
根据所述病历信息确认患者的疾病类型;
根据所述疾病类型在预设模型库中调取相同类型的期望健康管理模型;
利用所述期望健康管理模型对所述病例信息进行求解,获得第一求解结果;
将所述第一求解结果反馈至患者终端以供患者进行评价,根据评价结果确认第一求解结果是否为可用信息,若是,根据所述第一求解结果生成模型操纵知识存储到AI机器的预设知识库中以供AI机器进行学习。
上述技术方案的有益效果为:通过利用相似的期望健康管理模型对病例信息进行求解可以根据疾病类型对应的相似特性来使用相似疾病的健康管理模型来进行求解,可以使得最终的求解结果更加符合实际,进一步地,通过将第一求解结果供患者进行评价可以有效地结合患者的实际评价内容确定第一求解结果是否合格从而可以判定第一求解结果中是否有有用的经验知识,可实现对于经验知识的有效筛选,提高了AI机器的学习效率。
在一个实施例中,所述方法还包括:
若所述第一求解结果不为可用信息,从AI机器的预设经验库中查找相关经验;
利用所述相关经验对所述病例信息进行求解,获得第二求解结果;
根据所述第二求解结果以及病例信息构建全新健康管理模型;
将所述全新健康管理模型存储到预设模型库中,根据所述第二求解结果生成学习经验;
将所述学习经验存储到所述预设经验库中。
上述技术方案的有益效果为:通过利用相关经验来对病例信息进行求解可以最大程度地获得与病例信息相关的解决方法从而构建全新健康管理模型来应对该病例信息,使得AI机器在后续对于该病例信息的处理中可以快速地调用全新健康管理模型来进行辅助健康管理,进一步地提高了工作效率,进一步地,通过将学习经验存储到预设经验库中可以使得AI机器最大程度地学习并且吸收学习经验,为后续进行模型的匹配提供了保障。
在一个实施例中,所述方法还包括:
实时检测所述AI机器对于模型操纵知识和学习经验的学习进度,当二者的学习进度为完成时,生成测试病例信息;
通过所述测试病例信息对所述AI机器进行模型匹配测试,获取测试结果;
根据所述测试结果确认AI机器的学习效果是否合格,若是,无需进行后续操作,否则,将所述模型操纵知识输入到期望管理模型中进行更新,对更新后的期望管理模型重新训练以及对对所述全新健康管理模型进行训练。
上述技术方案的有益效果为:通过对AI机器的学习效果进行测试可以有效地确定AI机器对于新添加的健康管理模型和更新后的已有健康管理模型的调用准确性和熟练度,进一步地提高了工作效率。
在一个实施例中,在利用所述目标健康管理模型对患者进行辅助健康管理之后,所述方法还包括:
采集患者的个人随访计划的随访信息,根据所述随访信息生成患者的健康信息表示;
获取所述健康信息表示中每个信息源的特征表示,根据每个信息源的特征表示对患者的健康状态进行分析,获取分析结果;
当所述分析结果为健康时,无需进行后续操作,当所述分析结果为不健康时,根据每个信息源的特征表示生成该信息源的辅助决策信息;
利用预设时空卷积网络对所述辅助决策信息与患者的治疗信息进行关联建模;
获取患者的患病器官处于健康状态下的第一体征因子相关性信息和处于当前状态下的第二体征因子相关性信息;
将所述第二体征因子相关性信息作为关联模型的输入、第一体征体征因子相关性信息作为关联模型的输出,获取所述关联模型输出的健康决策变量;
构建患者体外影响因素与健康指数之间的线性关系;
根据所述线性关系中的最大线性值确定体外影响因素对应患者健康恢复的影响度;
确认所述影响度是否大于等于预设阈值,若是,将所有健康决策变量对应的影响因素进行统计并生成患者的第一后续健康建议;
否则,确定每个健康决策变量与体外影响因素之间的目标关联度,将目标关联度大于等于预设关联度的目标健康决策变量进行标记;
根据目标健康决策变量对应的目标影响因素生成患者的第二后续健康建议;
将所述第一后续健康建议或第二后续健康建议上传到主治医师终端进行决策以确认是否执行,若是,将所述第一后续健康建议或第二后续健康建议导入到所述目标健康管理模型中。
上述技术方案的有益效果为:可智能地根据对患者的随访计划确定其恢复情况以及影响恢复的影响因素进而智能地生成后续健康建议来供患者进行更加科学和健康的诊后健康管理,提高了患者的体验感,同时,通过生成不同的后续健康建议可根据患者的身体参数以及体外影响参数来精准地生成适合患者的后续健康建议,提高了实用性。
优选的,所述方法还包括:
确定所述模型操纵知识的学习指标,将所述期望健康管理模与学习指标导入到预设关联数据库中进行关联度判定,获取判定结果;
根据所述判定结果中的当前关联度与预设关联度的比较结果确认所述期望健康管理模型是否完整学习了所述模型操纵知识,若是,无需进行后续操作,否则,提取每个学习指标的数据条目;
为每个学习指标的数据条目设置特定标记;
获取每个数据条目的匹配属性,将所述匹配属性与所述期望健康管理模型进行匹配,根据匹配结果将数据条目中未匹配成功的目标学习指标归类到预设数据集合中;
获取所述预设数据集合中每个目标学习指标的维度属性,根据所述维度属性生成训练集;
利用所述训练集训练所述期望健康管理模型直到其收敛为止。
在一个实施例中,包括:通过确定期望健康管理模型对于模型操纵知识的学习情况来精准地评估出模型的学习效果从而挑选出模型未学习的内容进行专门的学习训练,从而保证模型的学习进度的同时也将已学习的学习指标剔除以优化预设知识库中的内存,降低了***负荷,提高了稳定性和工作效率。
获取患者名单,患者名单中的每个事项携带有呼叫时间、用户身份标识、用户通信号码、用户个人随访计划和诊后管理计划、用户的电子病历;根据所述患者名单,一一呼叫用户;在用户接听电话后,根据所述用户个人随访计划和所述电子病历,与用户进行电话沟通,辅助医师完成用户个性化的医疗随访和诊后健康管理。本发明能够缓解医疗资源供应不足和诊后管理不够严谨和自我改善的情况。
其中包括患者终端、医生终端和诊后管理平台,所述的患者终端用以显示诊后管理患者端软件,所述的医生终端用以显示诊后管理医生端软件,所述的诊后管理平台包括:患者信息管理模块;医生信息管理模块;临床事件管理模块;流程驱动模块,用以接收所述的患者终端上传的临床事件并发送至对应的医生用户,以及接收所述的医生终端发送的病情处理信息并发送至对应的患者用户。
如图4所示,基于AI机器学习的急危重症诊后健康管理体系结构包括交互***、问题求解***、数据***、模型***和知识***等五个组成部分。
1、交互***:提供给用户一个和***的交互窗口,向用户提供各种信息,并对决策问题的求解、数据析取与组织、模型建造和知识处理等提供支持。
2、问题求解***:由实例接收器负责生成问题实例,通过问题求解器运用模型操纵知识通过演绎推理生成问题的解。分析评价模块根据解的情况和用户的满意程度对这个解进行评价,划分成正例子或反例子。学习模块根据分析的结果,结合领域层次知识对问题求解过程进行归纳学习,生成新的模型操纵知识或对原有模型进行修正。
3、数据***:包括数据库和数据库管理***,其中数据库包括内部数据库和外部数据库,统一由数据库管理***管理。
4、模型***:包括方法库、模型库、模型字典和相应的模型管理***。
5、知识***:包括多属性知识库(事实、规则)、知识库管理***和推理部件。
如图5所示,学习***主要有四个部件构成:
(1)环境:学***密切相关。所谓环境,可以是对象,也可以是对象所处的客观条件,如诊后健康管理中的决策问题及数据***、模型***等。无论学习***采用何种学习方法,环境所提供的信息质量对学习任务完成的程度有直接的影响。
(2)知识库:一个学习***的质量和知识***的设计密切相关。知识表示及推理方法是设计学习***时要靠考虑的重点。学习***知识库中的知识分为长期记忆(LTM)和中期记忆(MTM)两种。长期记忆的知识内容是学习***必备的背景知识,这些基本知识与范畴是稳定的,在学习过程中基本不变。中期记忆的知识内容是相对稳定的,如各种具体事物的规律,这种知识可以通过学习加以改变。
(3)决策环节:它利用知识库中的知识作出决定或采取行动来完成各种工作。这个环节向学习环节提供的反馈信息非常重要,因为学习***需要某种评价办法对学习的效果进行评估,并据此改进***的性能。
(4)学习环节:是整个学习***的核心,学习环节对环境信息进行搜索、控制和操作(概括、抽象与推理等)以产生、修正和补充知识。
上述技术方案的有益效果为:方便患者临床事件上传和医生诊断、随访和诊后信息管理和医助的工作进行,具有更广泛的应用范围。可以将对决策问题的求解过程与学习过程有机的结合起来,能通过经验的积累不断改善自身性能,使急危重症诊后健康管理***具有更强的自学习能力和适应性。
本实施例还公开了一种基于AI机器学习的急危重症诊后健康管理***,如图6所示,该***包括:
构建模块601,用于根据单病种的临床特征及其对应的治疗信息构建该病种的健康管理模型存储到AI机器的预设模型库中;
确认模块602,用于根据患者上传的病例信息确认是否存在与其匹配的目标健康管理模型;
辅助模块603,用于若存在,利用所述目标健康管理模型对患者进行辅助健康管理;
求解模块604,用于若不存在,对病例信息进行求解生成求解结果以供AI机器进行学习。
上述技术方案的工作原理及有益效果在方法权利要求中已经说明,此处不再赘述。
本领域技术人员应当理解的是,本发明中的第一、第二指的是不同应用阶段而已。
本领域技术用户员在考虑说明书及实践这里公开的公开后,将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由下面的权利要求指出。
应当理解的是,本公开并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。
Claims (10)
1.一种基于AI机器学习的急危重症诊后健康管理方法,其特征在于,包括以下步骤:
根据单病种的临床特征及其对应的治疗信息构建该病种的健康管理模型存储到AI机器的预设模型库中;
根据患者上传的病例信息确认是否存在与其匹配的目标健康管理模型;
若存在,利用所述目标健康管理模型对患者进行辅助健康管理;
若不存在,对病例信息进行求解生成求解结果以供AI机器进行学习。
2.根据权利要求1所述基于AI机器学习的急危重症诊后健康管理方法,其特征在于,所述根据单病种的临床特征及其对应的治疗信息构建该病种的健康管理模型存储到AI机器的预设模型库中,包括:
根据单病种的临床特征及其对应的治疗信息生成该病种的诊后管理计划;
根据所述诊后管理计划确定个人随访计划的数量以及每次个人随访计划的呼叫时间;
构建初始模型,利用所述诊后管理计划和多次个人随访计划以及每次个人随访计划的呼叫时间训练所述初始模型,获得该病种的健康管理模型;
确认该病种的所属类别,根据确认结果将健康管理模型存储到预设模型库的目标分区中。
3.根据权利要求1所述基于AI机器学习的急危重症诊后健康管理方法,其特征在于,所述根据患者上传的病例信息确认是否存在与其匹配的目标健康管理模型,包括:
接收所述病例信息并进行解析,生成问题实例;
将所述问题实例代入到预设模型库中进行匹配,获得多个匹配的第一健康管理模型;
对所述问题实例进行剖析获得其隐藏特征参数,根据所述隐藏特征参数在多个第一健康管理模型中进行匹配,确认是否有匹配成功的第二健康管理模型;
若是,确认存在目标健康管理模型,否则,确认不存在。
4.根据权利要求2所述基于AI机器学习的急危重症诊后健康管理方法,其特征在于,若存在,利用所述目标健康管理模型对患者进行辅助健康管理,包括:
获取患者的电子病历和电子身份信息;
将所述电子病历和电子身份信息与所述目标健康管理模型进行关联;
获取患者的日常行为信息,根据所述日常行为信息判断每次个人随访计划的呼叫时间是否与患者的作息计划存在冲突,若是,自动调整每次个人随访计划的呼叫时间,否则,无需进行后续操作;
控制所述AI机器根据所述目标健康管理模型对患者进行个人随访以及辅助健康管理。
5.根据权利要求1所述基于AI机器学习的急危重症诊后健康管理方法,其特征在于,所述若不存在,对病例信息进行求解生成求解结果以供AI机器进行学习,包括:
根据所述病历信息确认患者的疾病类型;
根据所述疾病类型在预设模型库中调取相同类型的期望健康管理模型;
利用所述期望健康管理模型对所述病例信息进行求解,获得第一求解结果;
将所述第一求解结果反馈至患者终端以供患者进行评价,根据评价结果确认第一求解结果是否为可用信息,若是,根据所述第一求解结果生成模型操纵知识存储到AI机器的预设知识库中以供AI机器进行学习。
6.根据权利要求5所述基于AI机器学习的急危重症诊后健康管理方法,其特征在于,所述方法还包括:
若所述第一求解结果不为可用信息,从AI机器的预设经验库中查找相关经验;
利用所述相关经验对所述病例信息进行求解,获得第二求解结果;
根据所述第二求解结果以及病例信息构建全新健康管理模型;
将所述全新健康管理模型存储到预设模型库中,根据所述第二求解结果生成学习经验;
将所述学习经验存储到所述预设经验库中。
7.根据权利要求5-6所述基于AI机器学习的急危重症诊后健康管理方法,其特征在于,所述方法还包括:
实时检测所述AI机器对于模型操纵知识和学习经验的学习进度,当二者的学习进度为完成时,生成测试病例信息;
通过所述测试病例信息对所述AI机器进行模型匹配测试,获取测试结果;
根据所述测试结果确认AI机器的学习效果是否合格,若是,无需进行后续操作,否则,将所述模型操纵知识输入到期望管理模型中进行更新,对更新后的期望管理模型重新训练以及对对所述全新健康管理模型进行训练。
8.根据权利要求2所述基于AI机器学习的急危重症诊后健康管理方法,其特征在于,在利用所述目标健康管理模型对患者进行辅助健康管理之后,所述方法还包括:
采集患者的个人随访计划的随访信息,根据所述随访信息生成患者的健康信息表示;
获取所述健康信息表示中每个信息源的特征表示,根据每个信息源的特征表示对患者的健康状态进行分析,获取分析结果;
当所述分析结果为健康时,无需进行后续操作,当所述分析结果为不健康时,根据每个信息源的特征表示生成该信息源的辅助决策信息;
利用预设时空卷积网络对所述辅助决策信息与患者的治疗信息进行关联建模;
获取患者的患病器官处于健康状态下的第一体征因子相关性信息和处于当前状态下的第二体征因子相关性信息;
将所述第二体征因子相关性信息作为关联模型的输入、第一体征体征因子相关性信息作为关联模型的输出,获取所述关联模型输出的健康决策变量;
构建患者体外影响因素与健康指数之间的线性关系;
根据所述线性关系中的最大线性值确定体外影响因素对应患者健康恢复的影响度;
确认所述影响度是否大于等于预设阈值,若是,将所有健康决策变量对应的影响因素进行统计并生成患者的第一后续健康建议;
否则,确定每个健康决策变量与体外影响因素之间的目标关联度,将目标关联度大于等于预设关联度的目标健康决策变量进行标记;
根据目标健康决策变量对应的目标影响因素生成患者的第二后续健康建议;
将所述第一后续健康建议或第二后续健康建议上传到主治医师终端进行决策以确认是否执行,若是,将所述第一后续健康建议或第二后续健康建议导入到所述目标健康管理模型中。
9.根据权利要求5所述基于AI机器学习的急危重症诊后健康管理方法,其特征在于,所述方法还包括:
确定所述模型操纵知识的学习指标,将所述期望健康管理模与学习指标导入到预设关联数据库中进行关联度判定,获取判定结果;
根据所述判定结果中的当前关联度与预设关联度的比较结果确认所述期望健康管理模型是否完整学习了所述模型操纵知识,若是,无需进行后续操作,否则,提取每个学习指标的数据条目;
为每个学习指标的数据条目设置特定标记;
获取每个数据条目的匹配属性,将所述匹配属性与所述期望健康管理模型进行匹配,根据匹配结果将数据条目中未匹配成功的目标学习指标归类到预设数据集合中;
获取所述预设数据集合中每个目标学习指标的维度属性,根据所述维度属性生成训练集;
利用所述训练集训练所述期望健康管理模型直到其收敛为止。
10.一种基于AI机器学习的急危重症诊后健康管理***,其特征在于,该***包括:
构建模块,用于根据单病种的临床特征及其对应的治疗信息构建该病种的健康管理模型存储到AI机器的预设模型库中;
确认模块,用于根据患者上传的病例信息确认是否存在与其匹配的目标健康管理模型;
辅助模块,用于若存在,利用所述目标健康管理模型对患者进行辅助健康管理;
求解模块,用于若不存在,对病例信息进行求解生成求解结果以供AI机器进行学习。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111128954.7A CN113871020B (zh) | 2021-09-26 | 2021-09-26 | 一种基于ai机器学习的急危重症诊后健康管理方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111128954.7A CN113871020B (zh) | 2021-09-26 | 2021-09-26 | 一种基于ai机器学习的急危重症诊后健康管理方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113871020A true CN113871020A (zh) | 2021-12-31 |
CN113871020B CN113871020B (zh) | 2022-04-01 |
Family
ID=78994491
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111128954.7A Active CN113871020B (zh) | 2021-09-26 | 2021-09-26 | 一种基于ai机器学习的急危重症诊后健康管理方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113871020B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115153468A (zh) * | 2022-07-11 | 2022-10-11 | 广州医科大学附属第一医院(广州呼吸中心) | 基于二维码的慢性病随访监控*** |
CN115579132A (zh) * | 2022-12-09 | 2023-01-06 | 智慧中医科技(广东)有限公司 | 基于中医诊疗经验文件格式的验证方法、装置及*** |
CN116936078A (zh) * | 2023-07-18 | 2023-10-24 | 南京大经中医药信息技术有限公司 | 中医预问诊收集管理*** |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU5355199A (en) * | 1996-09-30 | 1999-12-02 | Smithkline Beecham Corporation | Disease management method and system |
CN109147943A (zh) * | 2018-06-28 | 2019-01-04 | 刘毅 | 围术期评估及指导*** |
CN111383770A (zh) * | 2020-03-09 | 2020-07-07 | 北京大学 | 一种临床研究与随访融合***和方法 |
CN113506630A (zh) * | 2021-07-08 | 2021-10-15 | 上海中医药大学附属龙华医院 | 一种乳腺癌术后全程全方位智能管理*** |
-
2021
- 2021-09-26 CN CN202111128954.7A patent/CN113871020B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU5355199A (en) * | 1996-09-30 | 1999-12-02 | Smithkline Beecham Corporation | Disease management method and system |
CN109147943A (zh) * | 2018-06-28 | 2019-01-04 | 刘毅 | 围术期评估及指导*** |
CN111383770A (zh) * | 2020-03-09 | 2020-07-07 | 北京大学 | 一种临床研究与随访融合***和方法 |
CN113506630A (zh) * | 2021-07-08 | 2021-10-15 | 上海中医药大学附属龙华医院 | 一种乳腺癌术后全程全方位智能管理*** |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115153468A (zh) * | 2022-07-11 | 2022-10-11 | 广州医科大学附属第一医院(广州呼吸中心) | 基于二维码的慢性病随访监控*** |
CN115153468B (zh) * | 2022-07-11 | 2023-04-07 | 广州医科大学附属第一医院(广州呼吸中心) | 基于二维码的慢性病随访监控*** |
CN115579132A (zh) * | 2022-12-09 | 2023-01-06 | 智慧中医科技(广东)有限公司 | 基于中医诊疗经验文件格式的验证方法、装置及*** |
CN115579132B (zh) * | 2022-12-09 | 2023-08-22 | 智慧中医科技(广东)有限公司 | 基于中医诊疗经验文件格式的验证方法、装置及*** |
CN116936078A (zh) * | 2023-07-18 | 2023-10-24 | 南京大经中医药信息技术有限公司 | 中医预问诊收集管理*** |
CN116936078B (zh) * | 2023-07-18 | 2024-04-26 | 南京大经中医药信息技术有限公司 | 中医预问诊收集管理*** |
Also Published As
Publication number | Publication date |
---|---|
CN113871020B (zh) | 2022-04-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113871020B (zh) | 一种基于ai机器学习的急危重症诊后健康管理方法及*** | |
Slatter | Building expert systems: Cognitive emulation | |
CN109213864A (zh) | 基于深度学习的刑事案件预判***及其构建和预判方法 | |
US20080222064A1 (en) | Processes and Systems for Automated Collective Intelligence | |
CN107451230A (zh) | 一种问答方法以及问答*** | |
CN109101624A (zh) | 对话处理方法、装置、电子设备及存储介质 | |
CN116738959B (zh) | 一种基于人工智能的简历改写方法及*** | |
CN115827968A (zh) | 一种基于知识图谱推荐的个性化知识追踪方法 | |
Bhatia et al. | Prediction of severity of diabetes mellitus using fuzzy cognitive maps | |
CN117056536B (zh) | 一种基于知识图谱驱动的虚拟医生***及其操作方法 | |
CN111754370B (zh) | 一种基于人工智能的在线教育课程管理方法及*** | |
US20230316095A1 (en) | Systems and methods for automated scribes based on knowledge graphs of clinical information | |
CN117573946A (zh) | 对话样本生成方法、聊天对话大模型训练方法及相关装置 | |
Hopkins et al. | Explaining the acquisition of a complex skill: Methodological and theoretical considerations uncovered in the study of simple addition and the moving-on process | |
CN111783473A (zh) | 医疗问答中最佳答案的识别方法、装置和计算机设备 | |
Galitsky | Reasoning about attitudes of complaining customers | |
Zhong | Structuralism? Functionalism? Behaviorism? Or mechanism? Looking for a better approach to AI | |
CN113192603A (zh) | 一种基于大数据的精神状态评估方法和*** | |
CN116991982B (zh) | 基于人工智能的交互式对话方法、装置、设备及存储介质 | |
Shaban-Nejad et al. | Incremental biomedical ontology change management through learning agents | |
Kolonin et al. | Cognitive Architecture for Decision-Making Based on Brain Principles Programming | |
Виноградов et al. | Ontologies in the problems of building a concept domain model | |
CN117252260B (zh) | 一种基于大语言模型的面试技能训练方法、设备及介质 | |
Laurikkala | Knowledge discovery for female urinary incontinence expert system | |
US20240078266A1 (en) | Hierarchical tagging for personalized matching |
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 |