CN115101195A - 一种辅助瓣膜病诊断决策的方法及*** - Google Patents
一种辅助瓣膜病诊断决策的方法及*** Download PDFInfo
- Publication number
- CN115101195A CN115101195A CN202210723048.XA CN202210723048A CN115101195A CN 115101195 A CN115101195 A CN 115101195A CN 202210723048 A CN202210723048 A CN 202210723048A CN 115101195 A CN115101195 A CN 115101195A
- Authority
- CN
- China
- Prior art keywords
- diagnosis
- time
- sample
- behavior
- animal
- 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
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明公开了一种辅助瓣膜病诊断决策的方法及***,属于医疗领域,用于解决动物瓣膜病没有结合日常行为进行辅助监测和合理的诊断制度的问题,包括辅助监测模块、诊断排序模块以及数据分析模块,数据分析模块用于对诊断样本对应动物的实时行为数据进行分析,辅助监测模块用于对诊断样本对应动物的行为数据进行辅助监测,诊断排序模块用于将诊断样本对应动物的诊断样本进行诊断排序,本发明是依据动物日常行为数据对瓣膜病进行辅助监测,避免耽误动物瓣膜病的治疗周期和治疗时机,同时结合日常行为变化程度和日常行为异常程度建立动物瓣膜病诊断制度,有利于提升动物瓣膜病的诊断效率和诊断及时性。
Description
技术领域
本发明属于医疗领域,涉及瓣膜病诊断决策技术,具体是一种辅助瓣膜病诊断决策的方法及***。
背景技术
瓣膜病为临床多见二尖瓣和主动瓣病变,主动脉瓣增厚伴交界处融合为风湿性,瓣环增厚或钙化为老年性病变,先天性二叶瓣畸形仅见两个主动脉瓣,瓣膜脱垂可见瓣膜冗长,二尖瓣于收缩期向左心房,主动脉瓣于舒张期向左心室流出道脱垂;
现有技术中,动物瓣膜病的诊断存在弊端,没有依据日常行为数据对动物的瓣膜病进行辅助监测,通常是在瓣膜病已经发生后才进行诊断和治疗,耽误动物瓣膜病的治疗周期和治疗时机,而且当前对于动物瓣膜病的诊断顺序通常为主人的送病时间,没有结合动物日常行为变化程度和日常行为异常程度建立起合理的瓣膜病诊断制度,不利于提升动物瓣膜病诊断的效率和及时性;
为此,我们提出一种辅助瓣膜病诊断决策的方法及***。
发明内容
针对现有技术存在的不足,本发明目的是提供一种辅助瓣膜病诊断决策的方法及***。
本发明所要解决的技术问题为:
(1)如何依据动物的日常行为数据对瓣膜病进行辅助监测,避免耽误动物瓣膜病的治疗周期和治疗时机;
(2)如何结合动物日常行为变化程度和日常行为异常程度建立瓣膜病的合理诊断制度。
本发明的目的可以通过以下技术方案实现:
一种辅助瓣膜病诊断决策的***,包括用户终端、辅助监测模块、诊断比对模块、诊断排序模块、数据分析模块、数据采集模块以及服务器,所述用户终端用于用户输入诊断样本以及诊断样本对应的动物信息并发送至服务器,同时记录诊断样本的发送时间,服务器依据诊断样本的动物信息存储对应动物的预设行为数据和预设诊断数据;所述数据采集模块用于获取诊断样本对应动物的实时行为数据和实时诊断数据并发送至服务器,所述服务器将诊断样本对应动物的行为数据发送至数据分析模块和辅助监测模块,所述服务器将动物的实时诊断数据发送至诊断比对模块;
所述数据分析模块用于对诊断样本对应动物的实时行为数据进行分析,分析得到在行为监测时间内诊断样本对应动物的行为异常值XYu并反馈至服务器,所述服务器将在行为监测时间内诊断样本对应动物的行为异常值发送至诊断排序模块;所述辅助监测模块用于对诊断样本对应动物的行为数据进行辅助监测,监测得到诊断样本对应动物在行为监测时间内的行为波动差值XCu并反馈至服务器,所述服务器将诊断样本对应动物在行为监测时间内的行为波动差值发送至诊断排序模块,所述诊断排序模块用于将诊断样本对应动物的诊断样本进行诊断排序,得到诊断样本排序表并反馈至服务器,服务器依据诊断样本排序表将诊断样本进行诊断;所述服务器将实时诊断数据发送至诊断比对模块,所述诊断比对模块用于对诊断样本对应动物的实时诊断数据进行诊断,诊断生成诊断疾病信号或诊断健康信号并反馈至服务器,所述服务器将诊断疾病信号或者诊断健康信号发送至对应的用户终端。
进一步地,动物信息包括动物的种类、年龄;预设行为数据包括诊断样本对应动物的预设运动量、预设睡眠时间、预设体重、预设腹围、预设运动波动均量、预设睡眠波动时间、预设体重波动量和预设腹围波动量,预设诊断数据包括诊断样本对应动物的健康心电图和健康心形图;实时行为数据包括诊断样本对应动物的实时运动量、实时睡眠时间、实时体重、腹泻呕吐和实时腹围;实时诊断数据包括诊断样本对应动物的实时心电图和实时心脏图形。
进一步地,所述数据分析模块的分析过程具体如下:
步骤一:设定诊断样本对应动物的行为监测时间,获取在行为监测时间内诊断样本动物的实时运动总量,并将实时运动总量标记为SYDu,u=1,2,……,z,z为正整数,u代表诊断样本对应的动物;
步骤二:获取在行为监测时间内诊断样本对应动物的实时睡眠总时间,并将实时睡眠总时间标记为SSMu;获取在行为监测时间内诊断样本对应动物的实时体重,并将实时体重标记为STZu;获取在行为监测时间内诊断样本对应动物的实时腹围,并将实时腹围标记为SFWu;
步骤三:获取在行为监测时间内诊断样本对应动物的预设运动量YYDu、预设睡眠时间YSMu、预设体重YTZu和预设腹围YFWu;诊断样本对应动物的预设行为数据比对实时行为数据后得到运动量差值YDCu、睡眠差时SMCu、体重差值TZCu和腹围差值FWCu;
步骤四:结合公式XWCu=YDCu×a1+SMCu×a2+TZCu×a3+FWCu×a4计算得到在行为监测时间内诊断样本对应动物的行为差值XWCu;式中,a1、a2、a3和a4均为固定数值的权重系数,且a1、a2、a3和a4的取值均大于零;
步骤五:获取在行为监测时间内诊断样本对应动物的腹泻呕吐次数,并将腹泻呕吐次数标记为OTu;
步骤六:结合公式XYu=XWCu×OTu计算得到在行为监测时间内诊断样本对应动物的行为异常值XYu。
进一步地,所述辅助监测模块的监测过程具体如下:
步骤S1:在行为监测时间内设定若干个时间点,并获取在若干个时间点时诊断样本对应动物的运动量、睡眠时间、体重和腹围;
步骤S2:按照时间顺序计算相邻时间点之间诊断样本对应动物的运动波动量、睡眠波动时间、体重波动量和腹围波动量;
步骤S3:相邻时间点之间诊断样本对应动物的运动波动量均相加求和除以时间段的数量,得到诊断样本对应动物在行为监测时间内的运动波动均量YDJu;
同理,得到诊断样本对应动物在行为监测时间内的睡眠波动均时SMJu、体重波动均量TZJu和腹围波动均量FWJu;
步骤S4:获取诊断样本对应动物的预设运动波动均量YYDJu、预设睡眠波动时间YSMJu、预设体重波动量YTZJu和预设腹围波动量YFWJu;
步骤S5:结合公式计算得到诊断样本对应动物在行为监测时间内的行为波动差值XCu,公式具体如下:
进一步地,所述诊断排序模块的排序过程具体如下:
步骤SS1:将诊断样本标记为Yui,i=1,2,……,x,x为正整数,i代表诊断样本的编号;获取诊断样本对应动物的行为波动差值XCYui和行为异常值XYYui;
步骤SS2:获取诊断样本的发送时间以及服务器当前时间,利用服务器当前时间减去发送时间得到诊断样本的发送时长FTYui;
步骤SS4:按照数值由大到小将诊断样本的排序值进行降序排列,降序排列得到诊断样本排序表。
进一步地,所述诊断比对模块的诊断过程具体如下:
步骤P1:获取诊断样本对应动物的实时心形图和实时心电图,将实时心形图与健康心形图进行比对,将实时心电图与健康心电图进行比对;
步骤P2:若出现二尖瓣狭窄、二尖瓣关闭不全、主动脉瓣关闭不全或主动脉瓣狭窄中一种或多种情况,进入下一步骤,反之不进行任何操作;
步骤P3:诊断样本对应动物进行临床检查,临床检查记录诊断样本对应动物的动物信息,并进行病史调查和体格检查;
步骤P4:拍摄诊断样本对应动物的胸腔片并进行椎体测量、超声心动检查;
步骤P5:若确认诊断样本对应动物出现对应病状,则生成诊断疾病信号;
若确认诊断样本对应动物未出现对应病状,则生成诊断健康信号。
该种辅助瓣膜病诊断决策的方法,包括以下步骤:
步骤S101,用户终端输入诊断样本以及诊断样本的动物信息,利用数据采集模块获取动物的实时行为数据和实时诊断数据;
步骤S102,通过数据分析模块对诊断样本对应动物的实时行为数据进行分析,得到行为异常值并发送至诊断排序模块;
步骤S103,通过辅助监测模块对诊断样本对应动物的行为数据进行辅助监测,得到行为波动差值并发送至诊断排序模块;
步骤S104,通过诊断排序模块将诊断样本对应动物的诊断样本进行诊断排序,依据行为波动差值、行为异常值以及发送时长得到诊断样本排序表,依据诊断样本排序表将诊断样本进行诊断;
步骤S105,通过诊断比对模块对诊断样本对应动物的实时诊断数据进行诊断,诊断生成诊断疾病信号或者诊断健康信号并发送至用户终端。
与现有技术相比,本发明的有益效果是:
1、本发明是通过数据分析模块对诊断样本对应动物的实时行为数据进行分析,得到行为异常值,而后通过辅助监测模块对诊断样本对应动物的行为数据进行辅助监测,得到行为波动差值,本发明依据动物的日常行为数据对瓣膜病进行辅助监测,避免耽误动物瓣膜病的治疗周期和治疗时机;
2、本发明是将动物的行为异常值和行为波动差值并发送至诊断排序模块,通过诊断排序模块将诊断样本对应动物的诊断样本进行诊断排序,依据行为波动差值、行为异常值以及发送时长得到诊断样本排序表,依据诊断样本排序表将诊断样本进行诊断,最后通过诊断比对模块对诊断样本对应动物的实时诊断数据进行诊断,本发明结合动物日常行为的变化程度和异常程度,从而建立起合理的瓣膜病诊断制度,有利于提升动物瓣膜病诊断的效率和及时性。
附图说明
为了便于本领域技术人员理解,下面结合附图对本发明作进一步的说明。
图1为本发明的***框图;
图2为本发明的流程图。
具体实施方式
下面将结合实施例对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅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它实施例,都属于本发明保护的范围。
请参阅图1所示,一种辅助瓣膜病诊断决策的***,包括用户终端、辅助监测模块、诊断比对模块、诊断排序模块、数据分析模块、数据采集模块以及服务器;
服务器连接有用户终端,用户终端用于用户输入诊断样本以及诊断样本对应的动物信息,并将诊断样本和诊断样本对应的动物信息发送至服务器,同时记录诊断样本的发送时间;
其中,动物信息包括动物的种类、年龄等;
服务器依据诊断样本的动物信息存储对应动物的预设行为数据和预设诊断数据;数据采集模块用于获取诊断样本对应动物的实时行为数据和实时诊断数据,并将实时行为数据和实时诊断数据发送至服务器,服务器将诊断样本对应动物的行为数据发送至数据分析模块和辅助监测模块,服务器将动物的实时诊断数据发送至诊断比对模块;
需要具体说明的是,预设行为数据包括诊断样本对应动物的预设运动量、预设睡眠时间、预设体重、预设腹围、预设运动波动均量、预设睡眠波动时间、预设体重波动量和预设腹围波动量等,预设诊断数据包括诊断样本对应动物的健康心电图、健康心形图;实时行为数据包括诊断样本对应动物的实时运动量、实时睡眠时间、实时体重、腹泻呕吐、实时腹围等,运动量在具体实施时,可以是诊断样本对应动物的走动里程数,可以通过在诊断样本对应动物身上放置里程计数器即可获取,诊断样本对应动物的睡眠时间可以通过计时器获取,诊断样本对应动物的体重可以通过体重计进行称重得到,腹围可以通过卷尺进行测量得到,实时诊断数据包括诊断样本对应动物的实时心电图、实时心脏图形等;
数据分析模块用于对诊断样本对应动物的实时行为数据进行分析,分析过程具体如下:
步骤一:设定诊断样本对应动物的行为监测时间,获取在行为监测时间内诊断样本动物的实时运动总量,并将实时运动总量标记为SYDu,u=1,2,……,z,z为正整数,u代表诊断样本对应的动物;
步骤二:获取在行为监测时间内诊断样本对应动物的实时睡眠总时间,并将实时睡眠总时间标记为SSMu;获取在行为监测时间内诊断样本对应动物的实时体重,并将实时体重标记为STZu;获取在行为监测时间内诊断样本对应动物的实时腹围,并将实时腹围标记为SFWu;
步骤三:获取在行为监测时间内诊断样本对应动物的预设运动量YYDu、预设睡眠时间YSMu、预设体重YTZu和预设腹围YFWu;诊断样本对应动物的预设行为数据比对实时行为数据后得到运动量差值YDCu、睡眠差时SMCu、体重差值TZCu和腹围差值FWCu;
步骤四:结合公式XWCu=YDCu×a1+SMCu×a2+TZCu×a3+FWCu×a4计算得到在行为监测时间内诊断样本对应动物的行为差值XWCu;式中,a1、a2、a3和a4均为固定数值的权重系数,且a1、a2、a3和a4的取值均大于零;
步骤五:获取在行为监测时间内诊断样本对应动物的腹泻呕吐次数,并将腹泻呕吐次数标记为OTu;
步骤六:结合公式XYu=XWCu×OTu计算得到在行为监测时间内诊断样本对应动物的行为异常值XYu;
数据分析模块将在行为监测时间内诊断样本对应动物的行为异常值XYu反馈至服务器,服务器将在行为监测时间内诊断样本对应动物的行为异常值发送至诊断排序模块;
辅助监测模块用于对诊断样本对应动物的行为数据进行辅助监测,监测过程具体如下:
步骤S1:在行为监测时间内设定若干个时间点,并获取在若干个时间点时诊断样本对应动物的运动量、睡眠时间、体重和腹围;
步骤S2:按照时间顺序计算相邻时间点之间诊断样本对应动物的运动波动量、睡眠波动时间、体重波动量和腹围波动量;
举例说明:例如时间点为t1、t2和t3,获取三个时间点时诊断样本对应动物的运动量YDt1、YDt2和YDt3,按照时间顺序计算相邻时间点之间诊断样本对应动物的运动波动量,即|YDt1-YDt2|为时间点t1至时间点t2之间诊断样本对应动物的运动波动量,|YDt2-YDt3|为时间点t2至时间点t3之间诊断样本对应动物的运动波动量,同理,也可以得到相邻时间点之间诊断样本对应动物的睡眠波动时间、体重波动量和腹围波动量;
步骤S3:相邻时间点之间诊断样本对应动物的运动波动量均相加求和除以时间段的数量,得到诊断样本对应动物在行为监测时间内的运动波动均量YDJu;
同理,得到诊断样本对应动物在行为监测时间内的睡眠波动均时SMJu、体重波动均量TZJu和腹围波动均量FWJu;
举例说明;若时间点为t1、t2和t3,则时间段的数量为2个,运动波动均量的计算方法为:时间点t1至时间点t2的运动波动量加上时间点t2至时间点t3的运动波动量,除以时间段的数量,从而得到动物在行为监测时间内的运动波动均量;
步骤S4:获取诊断样本对应动物的预设运动波动均量YYDJu、预设睡眠波动时间YSMJu、预设体重波动量YTZJu和预设腹围波动量YFWJu;
步骤S5:结合公式计算得到诊断样本对应动物在行为监测时间内的行为波动差值XCu,公式具体如下:
辅助监测模块将诊断样本对应动物在行为监测时间内的行为波动差值XCu反馈至服务器,服务器将诊断样本对应动物在行为监测时间内的行为波动差值发送至诊断排序模块;
诊断排序模块接收到服务器发送的诊断样本对应动物在行为监测时间内的行为波动差值和行为异常值后,诊断排序模块用于将诊断样本对应动物的诊断样本进行诊断排序,排序过程具体如下:
步骤SS1:将诊断样本标记为Yui,i=1,2,……,x,x为正整数,i代表诊断样本的编号,此处将诊断样本进行重新编号,是因为一个动物可能采样多个诊断样本;获取诊断样本对应动物的行为波动差值XCYui和行为异常值XYYui;
步骤SS2:获取诊断样本的发送时间以及服务器当前时间,利用服务器当前时间减去发送时间得到诊断样本的发送时长FTYui;
步骤SS4:按照数值由大到小将诊断样本的排序值进行降序排列,降序排列得到诊断样本排序表;
诊断排序模块将诊断样本排序表反馈至服务器,服务器依据诊断样本排序表将诊断样本进行诊断;
服务器将实时诊断数据发送至诊断比对模块,诊断比对模块用于对诊断样本对应动物的实时诊断数据进行诊断,诊断过程具体如下:
步骤P1:获取诊断样本对应动物的实时心形图和实时心电图,将实时心形图与健康心形图进行比对,将实时心电图与健康心电图进行比对;
需要具体说明的是,比对方式可以采用多位医师人工诊断,也可以通过将实时心形图与健康心形图进行叠加放置比对;
步骤P2:若出现二尖瓣狭窄、二尖瓣关闭不全、主动脉瓣关闭不全或主动脉瓣狭窄中一种或多种情况,进入下一步骤,反之不进行任何操作;
步骤P3:诊断样本对应动物进行临床检查,临床检查记录诊断样本对应动物的动物信息,并进行病史调查和体格检查;
其中,病史调查包括是否出现运动不耐受、虚弱、咳嗽、呼吸困难、昏厥、腹围增大等,体格检查包括动物体况、心脏听诊、肺部听诊、黏膜色泽、再充盈时间等;
步骤P4:拍摄诊断样本对应动物的胸腔片并进行椎体测量、超声心动检查;
步骤P5:若确认诊断样本对应动物出现对应病状,则生成诊断疾病信号;
若确认诊断样本对应动物未出现对应病状,则生成诊断健康信号;
诊断比对模块将诊断疾病信号或者诊断健康信号反馈至服务器,服务器将诊断疾病信号或者诊断健康信号发送至对应的用户终端,用户终端依据诊断疾病信号或者诊断健康信号知晓动物是否健康;
在具体实施时,慢性瓣膜病还需要通过相关诊断以及病情进行诊断和确定,诊断比对模块只是用于对慢性瓣膜病的一个前期判断和筛查,因此并无局限于该手段进行诊断比对,例如以下情况:
一、二尖瓣狭窄:是指二尖瓣瓣膜增厚,瓣膜口缩小,瓣膜口不能充分开放,导致血流通过障碍。大多数由风湿性心内膜炎反复发作引起;
二、二尖瓣关闭不全:是指二尖瓣瓣膜增厚,***、弹性减弱或消失、瓣膜卷曲、缩短,腱索增粗、缩短,有时瓣膜穿孔、破裂或钙化引起二尖瓣环扩张致二尖瓣口关闭不全。二尖瓣关闭不全大多数是风湿性心内膜炎的后果,其次是亚急性细菌性心内膜炎(SBE)、急性感染性心内膜炎感染所引起。二尖瓣关闭不全也是常见的慢性瓣膜病,常与二尖瓣狭窄同时出现;
三、主动脉瓣关闭不全:主要由主动脉瓣疾病引起,可以是风湿性主动脉瓣炎,也可以是感染性心内膜炎及主动脉粥样硬化和梅毒性主动脉炎累及主动脉瓣,病变致使瓣膜增厚、***、缩短、弹性减弱或消失,引起瓣膜环扩张,致使主动脉瓣关闭不全。此外,也可由关节强直性脊柱炎、类风湿性关节炎及Marfan综合征所致;
四、主动脉瓣狭窄:主要是慢性风湿性主动脉瓣膜炎的后果,常与风湿性二尖瓣病变合并发生,少数由先天性发育异常或主动脉粥样硬化引起瓣膜钙化所致。
一种辅助瓣膜病诊断决策的***,工作时,用户通过用户终端输入诊断样本以及诊断样本对应的动物信息,并将诊断样本和诊断样本对应的动物信息发送至服务器,同时记录诊断样本的发送时间,通过数据采集模块获取诊断样本对应动物的实时行为数据和实时诊断数据,并将实时行为数据和实时诊断数据发送至服务器,服务器将诊断样本对应动物的行为数据发送至数据分析模块和辅助监测模块,服务器将动物的实时诊断数据发送至诊断比对模块;
通过数据分析模块对诊断样本对应动物的实时行为数据进行分析,设定诊断样本对应动物的行为监测时间,获取在行为监测时间内诊断样本动物的实时运动总量SYDu、实时睡眠总时间SSMu、实时体重STZu和实时腹围SFWu,同时获取在行为监测时间内诊断样本对应动物的预设运动量YYDu、预设睡眠时间YSMu、预设体重YTZu和预设腹围YFWu,诊断样本对应动物的预设行为数据比对实时行为数据后得到运动量差值YDCu、睡眠差时SMCu、体重差值TZCu和腹围差值FWCu,结合公式XWCu=YDCu×a1+SMCu×a2+TZCu×a3+FWCu×a4计算得到在行为监测时间内诊断样本对应动物的行为差值XWCu,而后获取在行为监测时间内诊断样本对应动物的腹泻呕吐次数OTu,结合公式XYu=XWCu×OTu计算得到在行为监测时间内诊断样本对应动物的行为异常值XYu,数据分析模块将在行为监测时间内诊断样本对应动物的行为异常值XYu反馈至服务器,服务器将在行为监测时间内诊断样本对应动物的行为异常值发送至诊断排序模块;
通过辅助监测模块对诊断样本对应动物的行为数据进行辅助监测,在行为监测时间内设定若干个时间点,并获取在若干个时间点时诊断样本对应动物的运动量、睡眠时间、体重和腹围,按照时间顺序计算相邻时间点之间诊断样本对应动物的运动波动量、睡眠波动时间、体重波动量和腹围波动量,相邻时间点之间诊断样本对应动物的运动波动量均相加求和除以时间段的数量,得到诊断样本对应动物在行为监测时间内的运动波动均量YDJu,同理,得到诊断样本对应动物在行为监测时间内的睡眠波动均时SMJu、体重波动均量TZJu和腹围波动均量FWJu,而后获取诊断样本对应动物的预设运动波动均量YYDJu、预设睡眠波动时间YSMJu、预设体重波动量YTZJu和预设腹围波动量YFWJu,结合公式计算得到诊断样本对应动物在行为监测时间内的行为波动差值XCu,辅助监测模块将诊断样本对应动物在行为监测时间内的行为波动差值XCu反馈至服务器,服务器将诊断样本对应动物在行为监测时间内的行为波动差值发送至诊断排序模块;
通过诊断排序模块将诊断样本对应动物的诊断样本进行诊断排序,获取诊断样本对应动物的行为波动差值XCYui、行为异常值XYYui以及诊断样本的发送时长FTYui,结合公式计算得到诊断样本的排序值PXYui,按照数值由大到小将诊断样本的排序值进行降序排列,降序排列得到诊断样本排序表,诊断排序模块将诊断样本排序表反馈至服务器,服务器依据诊断样本排序表将诊断样本进行诊断,服务器将实时诊断数据发送至诊断比对模块,通过诊断比对模块对诊断样本对应动物的实时诊断数据进行诊断,获取诊断样本对应动物的实时心形图和实时心电图,将实时心形图与健康心形图进行比对,将实时心电图与健康心电图进行比对,若出现二尖瓣狭窄、二尖瓣关闭不全、主动脉瓣关闭不全或主动脉瓣狭窄中一种或多种情况,诊断样本对应动物则进行临床检查,临床检查记录诊断样本对应动物的动物信息,并进行病史调查和体格检查,拍摄诊断样本对应动物的胸腔片并进行椎体测量、超声心动检查,若确认诊断样本对应动物出现对应病状,则生成诊断疾病信号,若确认诊断样本对应动物未出现对应病状,则生成诊断健康信号,诊断比对模块将诊断疾病信号或者诊断健康信号反馈至服务器,服务器将诊断疾病信号或者诊断健康信号发送至对应的用户终端。
如图1所示,基于同一发明的又一构思,现提出一种辅助瓣膜病诊断决策的方法,包括以下步骤:
步骤S101,用户终端输入诊断样本以及诊断样本的动物信息,利用数据采集模块获取动物的实时行为数据和实时诊断数据;
步骤S102,通过数据分析模块对诊断样本对应动物的实时行为数据进行分析,得到行为异常值并发送至诊断排序模块;
步骤S103,通过辅助监测模块对诊断样本对应动物的行为数据进行辅助监测,得到行为波动差值并发送至诊断排序模块;
步骤S104,通过诊断排序模块将诊断样本对应动物的诊断样本进行诊断排序,依据行为波动差值、行为异常值以及发送时长得到诊断样本排序表,依据诊断样本排序表将诊断样本进行诊断;
步骤S105,通过诊断比对模块对诊断样本对应动物的实时诊断数据进行诊断,诊断生成诊断疾病信号或者诊断健康信号并发送至用户终端。
上述公式均是去量纲取其数值计算,公式是由采集大量数据进行软件模拟得到最近真实情况的一个公式,公式中的预设参数由本领域的技术人员根据实际情况进行设置,如公式:XWCu=YDCu×a1+SMCu×a2+TZCu×a3+FWCu×a4,由本领域技术人员采集运动量差值YDCu、睡眠差时SMCu、体重差值TZCu、腹围差值FWCu并对数据设定对应的权重系数组成,将设定的权重系数和采集的运动量差值YDCu、睡眠差时SMCu、体重差值TZCu和腹围差值FWCu代入公式,计算得到在行为监测时间内诊断样本对应动物的行为差值XWCu,其中,系数的大小是为了将各个参数进行量化得到的一个具体的数值,便于后续比较,关于系数的大小,只要不影响参数与量化后数值的比例关系即可。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节,也不限制该发明仅为的具体实施方式。显然,根据本说明书的内容,可作很多的修改和变化。本说明书选取并具体描述这些实施例,是为了更好地解释本发明的原理和实际应用,从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。
Claims (7)
1.一种辅助瓣膜病诊断决策的***,其特征在于,包括用户终端、辅助监测模块、诊断比对模块、诊断排序模块、数据分析模块、数据采集模块以及服务器,所述用户终端用于用户输入诊断样本以及诊断样本对应的动物信息并发送至服务器,同时记录诊断样本的发送时间,服务器依据诊断样本的动物信息存储对应动物的预设行为数据和预设诊断数据;所述数据采集模块用于获取诊断样本对应动物的实时行为数据和实时诊断数据并发送至服务器,所述服务器将诊断样本对应动物的行为数据发送至数据分析模块和辅助监测模块,所述服务器将动物的实时诊断数据发送至诊断比对模块;
所述数据分析模块用于对诊断样本对应动物的实时行为数据进行分析,分析得到在行为监测时间内诊断样本对应动物的行为异常值XYu并反馈至服务器,所述服务器将在行为监测时间内诊断样本对应动物的行为异常值发送至诊断排序模块;所述辅助监测模块用于对诊断样本对应动物的行为数据进行辅助监测,监测得到诊断样本对应动物在行为监测时间内的行为波动差值XCu并反馈至服务器,所述服务器将诊断样本对应动物在行为监测时间内的行为波动差值发送至诊断排序模块,所述诊断排序模块用于将诊断样本对应动物的诊断样本进行诊断排序,得到诊断样本排序表并反馈至服务器,服务器依据诊断样本排序表将诊断样本进行诊断;所述服务器将实时诊断数据发送至诊断比对模块,所述诊断比对模块用于对诊断样本对应动物的实时诊断数据进行诊断,诊断生成诊断疾病信号或诊断健康信号并反馈至服务器,所述服务器将诊断疾病信号或者诊断健康信号发送至对应的用户终端。
2.根据权利要求1所述的一种辅助瓣膜病诊断决策的***,其特征在于,动物信息包括动物的种类、年龄;预设行为数据包括诊断样本对应动物的预设运动量、预设睡眠时间、预设体重、预设腹围、预设运动波动均量、预设睡眠波动时间、预设体重波动量和预设腹围波动量,预设诊断数据包括诊断样本对应动物的健康心电图和健康心形图;实时行为数据包括诊断样本对应动物的实时运动量、实时睡眠时间、实时体重、腹泻呕吐和实时腹围;实时诊断数据包括诊断样本对应动物的实时心电图和实时心脏图形。
3.根据权利要求1所述的一种辅助瓣膜病诊断决策的***,其特征在于,所述数据分析模块的分析过程具体如下:
步骤一:设定诊断样本对应动物的行为监测时间,获取在行为监测时间内诊断样本动物的实时运动总量,并将实时运动总量标记为SYDu,u=1,2,……,z,z为正整数,u代表诊断样本对应的动物;
步骤二:获取在行为监测时间内诊断样本对应动物的实时睡眠总时间,并将实时睡眠总时间标记为SSMu;获取在行为监测时间内诊断样本对应动物的实时体重,并将实时体重标记为STZu;获取在行为监测时间内诊断样本对应动物的实时腹围,并将实时腹围标记为SFWu;
步骤三:获取在行为监测时间内诊断样本对应动物的预设运动量YYDu、预设睡眠时间YSMu、预设体重YTZu和预设腹围YFWu;诊断样本对应动物的预设行为数据比对实时行为数据后得到运动量差值YDCu、睡眠差时SMCu、体重差值TZCu和腹围差值FWCu;
步骤四:结合公式XWCu=YDCu×a1+SMCu×a2+TZCu×a3+FWCu×a4计算得到在行为监测时间内诊断样本对应动物的行为差值XWCu;式中,a1、a2、a3和a4均为固定数值的权重系数,且a1、a2、a3和a4的取值均大于零;
步骤五:获取在行为监测时间内诊断样本对应动物的腹泻呕吐次数,并将腹泻呕吐次数标记为OTu;
步骤六:结合公式XYu=XWCu×OTu计算得到在行为监测时间内诊断样本对应动物的行为异常值XYu。
4.根据权利要求1所述的一种辅助瓣膜病诊断决策的***,其特征在于,所述辅助监测模块的监测过程具体如下:
步骤S1:在行为监测时间内设定若干个时间点,并获取在若干个时间点时诊断样本对应动物的运动量、睡眠时间、体重和腹围;
步骤S2:按照时间顺序计算相邻时间点之间诊断样本对应动物的运动波动量、睡眠波动时间、体重波动量和腹围波动量;
步骤S3:相邻时间点之间诊断样本对应动物的运动波动量均相加求和除以时间段的数量,得到诊断样本对应动物在行为监测时间内的运动波动均量YDJu;
同理,得到诊断样本对应动物在行为监测时间内的睡眠波动均时SMJu、体重波动均量TZJu和腹围波动均量FWJu;
步骤S4:获取诊断样本对应动物的预设运动波动均量YYDJu、预设睡眠波动时间YSMJu、预设体重波动量YTZJu和预设腹围波动量YFWJu;
步骤S5:结合公式计算得到诊断样本对应动物在行为监测时间内的行为波动差值XCu,公式具体如下:
式中,b1、b2、b3和b4均为固定数值的比例系数,且b1、b2、b3和b4的取值均大于零,e为自然常数。
5.根据权利要求1所述的一种辅助瓣膜病诊断决策的***,其特征在于,所述诊断排序模块的排序过程具体如下:
步骤SS1:将诊断样本标记为Yui,i=1,2,……,x,x为正整数,i代表诊断样本的编号;获取诊断样本对应动物的行为波动差值XCYui和行为异常值XYYui;
步骤SS2:获取诊断样本的发送时间以及服务器当前时间,利用服务器当前时间减去发送时间得到诊断样本的发送时长FTYui;
步骤SS4:按照数值由大到小将诊断样本的排序值进行降序排列,降序排列得到诊断样本排序表。
6.根据权利要求1所述的一种辅助瓣膜病诊断决策的***,其特征在于,所述诊断比对模块的诊断过程具体如下:
步骤P1:获取诊断样本对应动物的实时心形图和实时心电图,将实时心形图与健康心形图进行比对,将实时心电图与健康心电图进行比对;
步骤P2:若出现二尖瓣狭窄、二尖瓣关闭不全、主动脉瓣关闭不全或主动脉瓣狭窄中一种或多种情况,进入下一步骤,反之不进行任何操作;
步骤P3:诊断样本对应动物进行临床检查,临床检查记录诊断样本对应动物的动物信息,并进行病史调查和体格检查;
步骤P4:拍摄诊断样本对应动物的胸腔片并进行椎体测量、超声心动检查;
步骤P5:若确认诊断样本对应动物出现对应病状,则生成诊断疾病信号;
若确认诊断样本对应动物未出现对应病状,则生成诊断健康信号。
7.一种如权利要求1-6所述的辅助瓣膜病诊断决策的方法,其特征在于,包括以下步骤:
步骤S101,用户终端输入诊断样本以及诊断样本的动物信息,利用数据采集模块获取动物的实时行为数据和实时诊断数据;
步骤S102,通过数据分析模块对诊断样本对应动物的实时行为数据进行分析,得到行为异常值并发送至诊断排序模块;
步骤S103,通过辅助监测模块对诊断样本对应动物的行为数据进行辅助监测,得到行为波动差值并发送至诊断排序模块;
步骤S104,通过诊断排序模块将诊断样本对应动物的诊断样本进行诊断排序,依据行为波动差值、行为异常值以及发送时长得到诊断样本排序表,依据诊断样本排序表将诊断样本进行诊断;
步骤S105,通过诊断比对模块对诊断样本对应动物的实时诊断数据进行诊断,诊断生成诊断疾病信号或者诊断健康信号并发送至用户终端。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210723048.XA CN115101195B (zh) | 2022-06-24 | 2022-06-24 | 一种辅助瓣膜病诊断决策的方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210723048.XA CN115101195B (zh) | 2022-06-24 | 2022-06-24 | 一种辅助瓣膜病诊断决策的方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115101195A true CN115101195A (zh) | 2022-09-23 |
CN115101195B CN115101195B (zh) | 2023-04-07 |
Family
ID=83292465
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210723048.XA Active CN115101195B (zh) | 2022-06-24 | 2022-06-24 | 一种辅助瓣膜病诊断决策的方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115101195B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116072299A (zh) * | 2022-12-08 | 2023-05-05 | 首都医科大学附属北京友谊医院 | 一种基于影像的脑膜癌模型建立装置及方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105407794A (zh) * | 2013-07-18 | 2016-03-16 | 三星电子株式会社 | 利用习惯的诊断装置和诊断管理装置及利用其的诊断方法 |
WO2018203090A1 (en) * | 2017-05-04 | 2018-11-08 | Changing Health Limited | Distributed user monitoring system |
CN110211678A (zh) * | 2019-05-27 | 2019-09-06 | 东南大学附属中大医院 | 一种数据监测方法、装置、设备及存储介质 |
CN110223782A (zh) * | 2019-05-27 | 2019-09-10 | 中山大学孙逸仙纪念医院 | 移动医疗服务*** |
CN110289089A (zh) * | 2019-06-28 | 2019-09-27 | 陈科良 | 一种智能听诊***及其数据处理方法 |
CN112244793A (zh) * | 2020-11-02 | 2021-01-22 | 深圳市沃特沃德股份有限公司 | 健康监测方法、装置及存储介质 |
CN112489799A (zh) * | 2020-12-02 | 2021-03-12 | 深圳市罗湖医院集团 | 社区居民健康辅助诊断方法、平台及终端 |
US20210082576A1 (en) * | 2019-09-12 | 2021-03-18 | Jiedong Zhong | Plant and animal health monitoring management system and its method |
CN113643820A (zh) * | 2021-08-18 | 2021-11-12 | 童心堂健康科技(北京)有限公司 | 预警信息生成方法、装置、计算机设备和存储介质 |
CN113744874A (zh) * | 2020-05-29 | 2021-12-03 | 华为技术有限公司 | 风险预警方法、风险行为信息获取方法和电子设备 |
-
2022
- 2022-06-24 CN CN202210723048.XA patent/CN115101195B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105407794A (zh) * | 2013-07-18 | 2016-03-16 | 三星电子株式会社 | 利用习惯的诊断装置和诊断管理装置及利用其的诊断方法 |
US20160128618A1 (en) * | 2013-07-18 | 2016-05-12 | Samsung Electronics Co., Ltd. | Diagnostic apparatus using habit, diagnosis management apparatus, and diagnostic method using same |
WO2018203090A1 (en) * | 2017-05-04 | 2018-11-08 | Changing Health Limited | Distributed user monitoring system |
CN110211678A (zh) * | 2019-05-27 | 2019-09-06 | 东南大学附属中大医院 | 一种数据监测方法、装置、设备及存储介质 |
CN110223782A (zh) * | 2019-05-27 | 2019-09-10 | 中山大学孙逸仙纪念医院 | 移动医疗服务*** |
CN110289089A (zh) * | 2019-06-28 | 2019-09-27 | 陈科良 | 一种智能听诊***及其数据处理方法 |
US20210082576A1 (en) * | 2019-09-12 | 2021-03-18 | Jiedong Zhong | Plant and animal health monitoring management system and its method |
CN113744874A (zh) * | 2020-05-29 | 2021-12-03 | 华为技术有限公司 | 风险预警方法、风险行为信息获取方法和电子设备 |
CN112244793A (zh) * | 2020-11-02 | 2021-01-22 | 深圳市沃特沃德股份有限公司 | 健康监测方法、装置及存储介质 |
CN112489799A (zh) * | 2020-12-02 | 2021-03-12 | 深圳市罗湖医院集团 | 社区居民健康辅助诊断方法、平台及终端 |
CN113643820A (zh) * | 2021-08-18 | 2021-11-12 | 童心堂健康科技(北京)有限公司 | 预警信息生成方法、装置、计算机设备和存储介质 |
Non-Patent Citations (1)
Title |
---|
肖南峰,何彪,林伟健: "面向疾病预报、诊断、决策和监测的智能***研究" * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116072299A (zh) * | 2022-12-08 | 2023-05-05 | 首都医科大学附属北京友谊医院 | 一种基于影像的脑膜癌模型建立装置及方法 |
CN116072299B (zh) * | 2022-12-08 | 2023-09-05 | 首都医科大学附属北京友谊医院 | 一种基于影像的脑膜癌模型建立装置及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115101195B (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US5680866A (en) | Artificial neural network cardiopulmonary modeling and diagnosis | |
CN107529645A (zh) | 一种基于深度学习的心音智能诊断***及方法 | |
CN114639478B (zh) | 一种基于心脏瓣膜病的超声监测*** | |
CN115101195B (zh) | 一种辅助瓣膜病诊断决策的方法及*** | |
EP3768150A1 (en) | A method and a system for detecting a respiratory event of a subject and a method for forming a model for detecting a respiratory event | |
CN102670190A (zh) | 基于心率变异性非线性特性的充盈性心衰自动诊断方法 | |
Rodriguez et al. | Rationale and design of the Echocardiographic Study of Hispanics/Latinos (ECHO-SOL) | |
CN109805924A (zh) | 基于cnn的心电信号处理方法及心律不齐检测*** | |
Cullen et al. | Diagnostic capability of comprehensive handheld vs transthoracic echocardiography | |
CN106845140A (zh) | 一种基于尿比重和尿量监测的肾衰竭预警方法及*** | |
CN107993693A (zh) | 体检数据管理方法、***、存储介质及电子设备 | |
CN114391827A (zh) | 一种基于卷积神经网络的院前肺气肿诊断装置 | |
JP6154523B1 (ja) | 対象物の状態変化の原因探索方法 | |
Toussaint et al. | Design considerations for high impact, automated echocardiogram analysis | |
CN112397202A (zh) | 一种青少年儿童身高生长曲线的预测方法 | |
TWI755731B (zh) | 生醫資料預測風險系統與方法 | |
CN115497619A (zh) | 基于多时间节点步态损失的认知功能评估模型、方法及装置 | |
JPH02196334A (ja) | 医療情報処理方式 | |
JPH05277119A (ja) | 癌診断装置 | |
Hong et al. | An intelligent fuzzy-neural diagnostic system for osteoporosis risk assessment | |
Alyazji et al. | Evaluating electronic blood pressure measurement devices with fuzzy TOPSIS technique | |
CN117995410B (zh) | 一种男性不育风险预测和风险特征描述的方法及装置 | |
CN117116476B (zh) | 下游任务预测方法、装置及计算机可读存储介质 | |
CN110084509A (zh) | 一种针对病例诊断结论进行分级的方法、装置及*** | |
Jyothi et al. | Congenital heart septum defect diagnosis on chest x-ray features using neural networks |
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 |