CN115274102B - 静脉血栓栓塞症人工智能防治***、方法、装置及介质 - Google Patents
静脉血栓栓塞症人工智能防治***、方法、装置及介质 Download PDFInfo
- Publication number
- CN115274102B CN115274102B CN202210630539.XA CN202210630539A CN115274102B CN 115274102 B CN115274102 B CN 115274102B CN 202210630539 A CN202210630539 A CN 202210630539A CN 115274102 B CN115274102 B CN 115274102B
- Authority
- CN
- China
- Prior art keywords
- patient
- layer
- information
- risk level
- booster pump
- 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
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
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- 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
- 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
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Primary Health Care (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- External Artificial Organs (AREA)
Abstract
本说明书实施例提供静脉血栓栓塞症人工智能防治***、方法、装置及介质。该***包括获取模块、风险等级确定模块和防治措施确定模块。获取模块用于获取患者信息,患者信息包括基本信息和就诊相关信息;风险等级确定模块用于通过风险评估模型对患者信息进行处理,确定患者的第一静脉血栓栓塞症风险等级和第一出血风险等级;防治措施确定模块用于基于第一静脉血栓栓塞症风险等级和第一出血风险等级,确定患者的静脉血栓栓塞症的防治措施。
Description
技术领域
本说明书涉及静脉血栓栓塞症防治领域,特别涉及静脉血栓栓塞症人工智能防治***、方法、装置及介质。
背景技术
静脉血栓栓塞症(venous thromboembolism,VTE)为深静脉血栓(deep venousthrombosis,DVT)和肺栓塞(pulmonary embolism,PE)的合称,是同种疾病在不同阶段的表现形式。深静脉血栓是血液在深静脉内不能正常凝结引起的静脉回流障碍性病症,常发生于下肢。肺栓塞是血栓脱落引起。静脉血栓栓塞症具有高发病率、高病死率、高漏诊率、高误诊率的特点,已构成医疗质量和患者安全的潜在风险,成为临床医务人员和医院管理者面临的严峻问题。然而静脉血栓栓塞症作为一种可以预防的疾病,积极有效的预防可以显著降低其发生率,规范诊断与治疗可以显著降低其病死率。结合人工智能(ArtificialIntelligence,AI)技术,构建医护协同的静脉血栓栓塞症防治***,能够实现对高风险人群的及时检出,以及使医护人员有效进行静脉血栓栓塞症早期干预。
因此,如何结合人工智能技术实现对静脉血栓栓塞症的风险评估,协助医护人员进行防治是亟待解决的问题。
发明内容
本说明书一个或多个实施例提供一种静脉血栓栓塞症人工智能防治***。所述静脉血栓栓塞症人工智能防治***包括:获取模块、风险等级确定模块和防治措施确定模块;所述获取模块用于获取患者信息,所述患者信息包括基本信息和就诊相关信息;所述风险等级确定模块用于通过风险评估模型对所述患者信息进行处理,确定所述患者的第一静脉血栓栓塞症风险等级和第一出血风险等级;所述防治措施确定模块用于基于所述第一静脉血栓栓塞症风险等级和所述第一出血风险等级,确定所述患者的静脉血栓栓塞症的防治措施。
本说明书一个或多个实施例提供一种静脉血栓栓塞症人工智能防治方法,所述静脉血栓栓塞症人工智能防治方法包括:获取患者信息,所述患者信息包括基本信息和就诊相关信息;通过风险评估模型对所述患者信息进行处理,确定所述患者的第一静脉血栓栓塞症风险等级和第一出血风险等级;基于所述第一静脉血栓栓塞症风险等级和所述第一出血风险等级,确定所述患者的静脉血栓栓塞症的防治措施。
本说明书一个或多个实施例提供一种静脉血栓栓塞症人工智能防治装置,所述装置包括至少一个处理器以及至少一个存储器;所述至少一个存储器用于存储计算机指令;所述至少一个处理器用于执行所述计算机指令中的至少部分指令以实现所述的静脉血栓栓塞症人工智能防治方法。
本说明书一个或多个实施例提供一种计算机可读存储介质,所述存储介质存储计算机指令,当计算机读取存储介质中的计算机指令后,计算机执行所述的静脉血栓栓塞症人工智能防治方法。
附图说明
本说明书将以示例性实施例的方式进一步说明,这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的,在这些实施例中,相同的编号表示相同的结构,其中:
图1是根据本说明书一些实施例所示的静脉血栓栓塞症人工智能防治***的应用场景示意图;
图2是根据本说明书一些实施例所示的静脉血栓栓塞症人工智能防治***的示例性模块图;
图3是根据本说明书一些实施例所示的静脉血栓栓塞症人工智能防治方法的示例性流程图;
图4是根据本说明书一些实施例所示的风险评估模型的示例性结构图;
图5是根据本说明书一些实施例所示的加压泵分析模型的示例性结构图。
具体实施方式
为了更清楚地说明本说明书实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地,下面描述中的附图仅仅是本说明书的一些示例或实施例,对于本领域的普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图将本说明书应用于其它类似情景。除非从语言环境中显而易见或另做说明,图中相同标号代表相同结构或操作。
应当理解,本文使用的“***”、“装置”、“单元”和/或“模块”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而,如果其他词语可实现相同的目的,则可通过其他表达来替换所述词语。
如本说明书和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其它的步骤或元素。
本说明书中使用了流程图用来说明根据本说明书的实施例的***所执行的操作。应当理解的是,前面或后面操作不一定按照顺序来精确地执行。相反,可以按照倒序或同时处理各个步骤。同时,也可以将其他操作添加到这些过程中,或从这些过程移除某一步或数步操作。
图1是根据本说明书一些实施例所示的静脉血栓栓塞症人工智能防治***的应用场景示意图。
在一些实施例中,静脉血栓栓塞症人工智能防治***的应用场景100可以包括存储设备110、网络120、处理设备130、加压泵140和用户终端150。
在一些实施例中,应用场景100的一个或多个组件可以经由网络120(例如无线连接、有线连接或其组合),以实现彼此连接和/或通信。如图1所示,存储设备110可以通过网络120连接到处理设备130。又例如,处理设备130可以通过网络120连接到用户终端150。
存储设备110可以用于存储数据和/或指令。在一些实施例中,存储设备110可以储存患者的基本信息,关于患者的基本信息的相关说明具体可以参见图2的详细描述。在一些实施例中,存储设备110还可以通过网络120获取并存储处理设备130执行或使用以完成本说明书中描述的示例性方法的数据和/或指令。
网络120可以连接应用场景100的各组成部分和/或连接应用场景100与外部资源部分。静脉血栓栓塞症人工智能防治***的一个或多个组件之间可以通过网络120交换信息和/或数据。例如,网络120可以将从存储设备110获取患者的基本信息等。在一些实施例中,网络120可以是有线网络或无线网络中的任意一种或多种。在一些实施例中,网络120可以包括一个或以上网络接入点。例如,网络120可以包括有线或无线网络接入点。网络可以是局域网、广域网、互联网等,可以是多种网络结构的组合。
处理设备130可以用于处理与应用场景100有关的信息和/或数据,例如,患者基本信息,患者历史就诊记录等。处理设备130可以包括风险评估模型和加压泵分析模型。其中,风险评估模型可以用于评估第一静脉血栓栓塞症风险等级和第一出血风险等级。加压泵分析模型可以用于输出加压泵的工作参数及其对应的体征异常概率。在一些实施例中,处理设备130可以处理从其他设备或***组成部分中获得的数据、信息和/或处理结果,并基于这些数据、信息和/或处理结果执行程序指令,以执行本说明书中描述的一个或以上功能。
加压泵140可以用于对患者进行防治。加压泵140包括间歇充气加压泵,可以通过对袖套周期性的充气和放气(充气和放气分别对应加压和减压),以促进四肢静脉和淋巴等液体回流。在一些实施例中,加压泵140可以获取处理设备130输出的加压泵工作参数,如压力大小、工作时长、加压间隔等。加压泵140可以根据上述加压泵工作参数进行工作,实现对静脉血栓栓塞症的防治。
用户终端150可以包括一个或多个终端设备或软件。在一些实施例中,用户终端150可以包括移动设备150-1、平板计算机150-2、台式计算机150-3等其他具有输入和/或输出功能的设备中的一种或其任意组合。在一些实施例中,用户可以通过用户终端查看信息和/或输入数据和/或指令。例如,用户终端150可以接收来自处理设备130的风险评估提醒和人工设置参数的提醒。
图2是根据本说明书一些实施例所示的静脉血栓栓塞症人工智能防治***的示例性模块图。
在一些实施例中,所述静脉血栓栓塞症人工智能防治***200可以包括获取模块210、风险等级确定模块220和防治措施确定模块230。
获取模块210可以用于获取患者信息,所述患者信息包括基本信息和就诊相关信息。
基本信息是指与患者身份及身体状况相关的信息。例如,基本信息可以包括性别、年龄、身高体重、血压等中的一种或多种。就诊信息是指与患者就诊相关的信息。例如,就诊信息可以包括护理记录、入院记录、医嘱、手术记录、病历记录、检查检验报告等中的一种或多种。
在一些实施例中,患者可以将基本信息主动上传终端设备,获取模块210可以通过终端设备获取患者的基本信息。在一些实施例中,获取模块210可以通过存储有患者的基本信息的医疗***获取患者的基本信息。其中,医疗***是指用于收集、整理以及存储患者信息的***。
风险等级确定模块220可以用于通过风险评估模型对患者信息进行处理,确定患者的第一静脉血栓栓塞症风险等级和第一出血风险等级。
第一静脉血栓栓塞症风险等级是指根据患者患静脉血栓栓塞症的风险高低程度确定的风险等级。例如,第一静脉血栓栓塞症风险等级可以分为1级-10级,等级数字越大可以代表患者患静脉血栓栓塞症的风险越高。又例如,第一静脉血栓栓塞症风险等级可以分为轻微、严重、非常严重等。
第一出血风险等级是指根据患者出血的风险高低程度确定的风险等级。例如,第一出血风险等级可以分为1级-10级,等级数字越大代表患者出血的风险越高。又例如,第一出血风险等级可以分为轻微、严重、非常严重等。
在一些实施例中,可以将患者信息输入风险评估模型的基础层,基础层输出患者特征信息。然后将患者特征信息分别输入风险评估模型的第一静脉血栓栓塞症评估层和第一出血评估层,第一静脉血栓栓塞症评估层输出第一静脉血栓栓塞症风险等级,第一出血评估层输出第一出血风险等级。
患者特征信息是指根据患者信息提取出来的与确定患者的静脉血栓栓塞症有关的特征信息。在一些实施例中,患者特征信息可以包括患者身体状况信息、患者血栓信息、患者出血信息等中的一种或多种。
患者身体状况信息是指与患者的身体健康状况相关的信息。例如,患者身体状况信息可以包括患者身体状况健康、患者身体状况亚健康、患者身体状况差等中的一种或多种。患者血栓信息是指与患者血栓发病史相关的信息。例如,患者血栓信息可以包括患者血栓部位、患者发病时间、患者治愈时间、患者血栓发生次数等中的一种或多种。患者出血信息是指与患者出血发生史相关的信息。例如,患者出血信息可以包括患者出血部位、患者出血时间、患者治愈时间、患者出血发生次数等中的一种或多种。
关于风险评估模型、风险评估模型的基础层、第一静脉血栓栓塞症评估层和第一出血评估层的更多内容,请参见图4及其相关描述。
防治措施确定模块230可以用于基于第一静脉血栓栓塞症风险等级和第一出血风险等级,确定患者的静脉血栓栓塞症的防治措施。
防治措施可以是针对患者的静脉血栓栓塞症的防治措施。在一些实施例中,防治措施可以包括主动措施、穿戴措施、外力措施和服药措施等中的一种或者多种。
主动措施是指患者定时下床活动。主动措施适用于静脉血栓栓塞症风险等级低的患者。例如,静脉血栓栓塞症风险等级在2级及以下的患者。
穿戴措施是指给患者穿戴分级加压弹力袜。穿戴措施适用于静脉血栓栓塞症风险较低的患者。例如,静脉血栓栓塞症风险等级在2级~5级的患者。在一些实施例中,风险等级越高的患者使用的弹力袜的加压等级可以越大。
外力措施是指使用加压泵(例如,间歇充气加压泵)对患者进行防治。外力措施适用于静脉血栓栓塞症风险等级较高的患者。例如,静脉血栓栓塞症风险等级在6级~10级的患者。
服药措施是指在医生指导下服用抗凝药物。服药措施适用于静脉血栓栓塞症风险等级较高的患者且出血风险等级较低的患者。例如,静脉血栓栓塞症风险等级在8级~10级且出血风险等级在5级及以下的患者。
在一些实施例中,防治措施确定模块230可以根据第一静脉血栓栓塞症风险等级和第一出血风险等级的高低,确定患者的静脉血栓栓塞症的防治措施。例如,当静脉血栓栓塞症风险等级在2级及以下的患者,采用的防治措施为主动措施;当静脉血栓栓塞症风险等级在2级~5级的患者,采用的防治措施为穿戴措施;当静脉血栓栓塞症风险等级在6级~10级的患者,采用的防治措施为外力措施;当静脉血栓栓塞症风险等级在8级~10级且出血风险等级在5级及以下的患者,采用的防治措施为服药措施。
在一些实施例中,当防治措施包括使用加压泵对患者进行防治时,静脉血栓栓塞症人工智能防治***200还可以包括加压泵防治模块240。加压泵防治模块240可以用于通过加压泵分析模型对患者信息、第一静脉血栓栓塞症风险等级和第一出血风险等级进行处理,确定加压泵的工作参数以及患者对应的体征异常概率。
在一些实施例中,加压泵的工作参数可以包括加压泵的压力大小、加压泵的工作时长以及加压泵的加压间隔等中的一种或多种。
体征异常是指患者的身体指标出现异常或者患者出现明显的病理征状。例如,体征异常可以指患者心率、血压等异常。又例如,体征异常可以指患者出现疼痛、皮肤变色、呼吸困难等。
在一些实施例中,可以将患者信息输入加压泵分析模型的基础层,基础层输出患者特征信息。然后将患者特征信息、第一静脉血栓栓塞症风险等级和第一出血风险等级均输入加压泵分析模型的参数分析层,参数分析层输出加压泵的工作参数。
在一些实施例中,可以将加压泵的工作参数和患者特征信息输入加压泵分析模型的概率分析层,概率分析层输出体征异常概率。
在一些实施例中,还可以将加压泵的工作参数和患者特征信息输入第二静脉血栓栓塞症评估层,第二静脉血栓栓塞症评估层输出第二静脉血栓栓塞症风险等级。可以将加压泵的工作参数和患者特征信息输入第二出血评估层,第二出血评估层输出第二出血风险等级。然后将第二静脉血栓栓塞症风险等级、第二出血风险等级、加压泵的工作参数和患者特征信息输入加压泵分析模型的概率分析层,概率分析层输出体征异常概率。
关于加压泵分析模型、加压泵分析模型的基础层、参数分析层、第二静脉血栓栓塞症评估层、第二出血评估层以及概率分析层的更多描述,请参见图5及其相关描述。
在一些实施例中,加压泵防治模块240还可以用于当体征异常概率大于预设阈值时,发送提醒信息至目标用户的用户终端,所述提醒信息用于提醒目标用户监测防治过程。
在一些实施例中,预设阈值可以为本领域技术人员根据经验设置。例如,预设阈值可以为80%、85%等。
在一些实施例中,提醒信息可以用于提醒目标用户监测防治过程。提醒信息可以为文字、图像或视频等中的一种或多种。
目标用户是指对患者的防治措施实时过程进行监控的人。例如,目标用户可以为护士或医生等。
监测防治过程可以是目标用户对患者的静脉血栓栓塞症的防治措施实施过程的监测。在一些实施例中,当目标用户对患者的静脉血栓栓塞症的防治措施实施过程进行监测时,发现防治措施对患者的静脉血栓栓塞症的改善效果不佳时,可以由目标用户(例如,护士或医生)直接更改或目标用户(例如,护士)咨询医生建议后更改防治措施的参数。
在一些实施例中,提醒信息可以包括提醒目标用户(如,护士、医生等)人工监测防治过程的频率。
在一些实施例中,人工监测防治过程的频率可以基于体征异常概率确定。在一些实施例中,体征异常概率值越大,则人工监测防治过程的频率越大。例如,若体征异常概率值大于90%,则设定人工监测防治过程的频率为每两分钟一次;若体征异常概率值大于80%小于90%,则设定人工监测防治过程的频率为每四分钟一次;若体征异常概率值大于70%小于80%,则设人工监测防治过程的定频率为每六分钟一次。
在一些实施例中,人工监测防治过程的频率可以基于加压泵分析模型的第二静脉血栓栓塞症评估层和第二出血评估层的置信度修正。
关于第二静脉血栓栓塞症评估层和第二出血评估层的更多内容,请参见图5及相关描述。
在一些实施例中,加压泵防治模块240可以将第二静脉血栓栓塞症评估层和第二出血评估层的置信度进行加权平均,获得综合置信度。在一些实施例中,第二静脉血栓栓塞症评估层的置信度的权重值可以大于第二出血评估层的置信度的权重值。例如,可预设第二静脉血栓栓塞症评估层的置信度的权重值为0.7,第二出血评估层的置信度的权重值为0.3,若第二静脉血栓栓塞症评估层的置信度为0.9,第二出血评估层的置信度为0.8,则综合置信度=0.9×0.7+0.8×0.3=0.87。
在一些实施例中,加压泵防治模块240可以基于综合置信度对人工监测防治过程的频率进行修正。例如,可设定F=F0/Z,其中,F为修正后的频率,F0为预设频率,Z为综合置信度。例如,F0为每四分钟一次,Z=0.8,那么F=F0/Z=4/0.8=5,代表频率从四分钟一次修正为五分钟一次。
在本说明书的一些实施例中,通过获取患者信息,然后智能化对患者信息进行分析即可确定患者的第一静脉血栓栓塞症风险等级和第一出血风险等级,实现对静脉血栓栓塞症的风险评估,进而快速准确确定适合于患者本人的静脉血栓栓塞症防治措施,协助医护人员进行防治。在本说明书另一些实施例中,通过将第二静脉血栓栓塞症评估层的置信度的权重值设置为大于第二出血评估层的置信度的权重值,然后将第二静脉血栓栓塞症评估层和第二出血评估层的置信度进行加权平均,获得综合置信度,对人工监测防治过程的频率进行修正,修正后的频率更准确,从而更好的协助医护人员进行防治措施过程的监测。
需要注意的是,以上对于静脉血栓栓塞症人工智能防治***及其模块的描述,仅为描述方便,并不能把本说明书限制在所举实施例范围之内。可以理解,对于本领域的技术人员来说,在了解该***的原理后,可能在不背离这一原理的情况下,对各个模块进行任意组合,或者构成子***与其他模块连接。在一些实施例中,图2中披露的获取模块210、风险等级确定模块220、防治措施确定模块230和加压泵防治模块240可以是一个***中的不同模块,也可以是一个模块实现上述的两个或两个以上模块的功能。例如,各个模块可以共用一个存储模块,各个模块也可以分别具有各自的存储模块。诸如此类的变形,均在本说明书的保护范围之内。
图3是根据本说明书一些实施例所示的静脉血栓栓塞症人工智能防治方法的示例性流程图。在一些实施例中,流程300可以由静脉血栓栓塞症人工智能防治***200或处理设备130执行。如图3所示,流程300包括下述步骤。
步骤310,获取患者信息,所述患者信息包括基本信息和就诊相关信息。在一些实施例中,步骤310可以由获取模块210执行。
关于相关术语的定义和说明,以及获取患者信息的方法,请参见图2中的获取模块210及其相关描述。
步骤320,通过风险评估模型对患者信息进行处理,确定患者的第一静脉血栓栓塞症风险等级和第一出血风险等级。
关于相关术语的定义和说明,以及确定患者的第一静脉血栓栓塞症风险等级和第一出血风险等级的方法,请参见图2中的风险等级确定模块220及其相关描述。
步骤330,基于第一静脉血栓栓塞症风险等级和第一出血风险等级,确定患者的静脉血栓栓塞症的防治措施。
关于相关术语的定义和说明,以及确定患者的静脉血栓栓塞症的防治措施的方法,请参见图2中的防治措施确定模块230及其相关描述。
在一些实施例中,当防治措施包括使用加压泵对患者进行防治时,所述流程300还可以包括如下步骤340-步骤350(图中未示出)。
步骤340,通过加压泵分析模型,患者信息、第一静脉血栓栓塞症风险等级和第一出血风险等级进行处理,确定加压泵的工作参数以及所述患者对应的体征异常概率。
关于相关术语的定义和说明,以及确定加压泵的工作参数以及所述患者对应的体征异常概率的方法,请参见图2中的加压泵防治模块240及其相关描述。
步骤350,当体征异常概率大于预设阈值时,发送提醒信息至目标用户的用户终端,所述提醒信息用于提醒目标用户监测防治过程。
关于相关术语的定义和说明,请参见图2中的加压泵防治模块240及其相关描述。
应当注意的是,上述有关流程300的描述仅仅是为了示例和说明,而不限定本说明书的适用范围。对于本领域技术人员来说,在本说明书的指导下可以对流程300进行各种修正和改变。然而,这些修正和改变仍在本说明书的范围之内。例如,流程300可以只执行步骤310-330,不执行步骤340-350。
图4是根据本说明书一些实施例所示的风险评估模型的示例性结构图。
如结构400所示,风险评估模型用于评估患者的静脉血栓栓塞症风险等级和出血风险等级。在一些实施例中,风险评估模型的输入可以包括患者信息,风险评估模型的输出可以包括第一静脉血栓栓塞症风险等级和第一出血风险等级。在一些实施例中,风险评估模型可以包括基础层、第一静脉血栓栓塞症评估层和第一出血评估层。基础层的输出作为第一静脉血栓栓塞症评估层和第一出血评估层的输入,第一静脉血栓栓塞症评估层和第一出血评估层的输出作为风险评估模型的输出。
基础层用于确定患者特征信息。基础层的输入可以包括患者信息。基础层的输出可以包括患者特征信息。
第一静脉血栓栓塞症评估层用于确定第一静脉血栓栓塞症风险等级。第一静脉血栓栓塞症评估层的输入可以包括患者特征信息。第一静脉血栓栓塞症评估层的输出可以包括第一静脉血栓栓塞症风险等级。
第一出血评估层用于确定第一出血风险等级。第一出血评估层的输入可以包括患者特征信息。第一出血评估层的输出可以包括第一出血风险等级。在一些实施例中,风险等级可以根据程度大小划分。
在一些实施例中,第一静脉血栓栓塞症评估层和第一出血评估层输出结果的置信度小于阈值,发送提醒信息给用户终端(例如,医生使用的终端),提醒人工评估风险。在一些实施例中,置信度阈值可以由人工预设。例如,第一静脉血栓栓塞症评估层的置信度预设阈值为0.7,输出结果的实际置信度为0.5小于阈值,则发送提醒信息给医生的终端,提醒医生人工评估第一静脉血栓栓塞症的风险等级。
在一些实施例中,风险评估模型的基础层、第一静脉血栓栓塞症评估层和第一出血评估层可以单独训练。
在一些实施例中,基础层的训练数据可以是多组带标签的训练样本,训练样本可以是患者信息。患者信息可以来源于存储设备中存储的患者历史信息。在一些实施例中,训练样本至少可以包括患者的样本身体状况信息、样本护理记录和样本手术记录等。基础层的训练样本的标签为患者特征信息。在本说明书一些实施例中,标签可以根据存储设备记录的患者历史信息获得,标签也可以通过人工标注获得。
在一些实施例中,第一静脉血栓栓塞症评估层和第一出血评估层的训练数据可以是多组带标签的训练样本,训练样本可以是基础层输出的患者特征信息。第一静脉血栓栓塞症评估层的训练样本的标签为第一静脉血栓栓塞症风险等级。第一静脉血栓栓塞症评估层的训练样本的标签可以通过计算输入的患者特征信息的血栓相关参数获得,例如根据血栓发生次数和时间计算血栓发生概率,根据血栓发生概率评估第一静脉血栓栓塞症风险等级。第一出血评估层的训练样本的标签为第一出血风险等级。第一出血评估层的训练样本的标签可以通过计算输入的患者特征信息的出血相关参数获得,例如根据出血发生部位和治愈时间计算出血严重程度,根据出血严重程度评估第一出血风险等级。
在一些实施例中,通过标签和初始的风险评估模型的层的结果对应构建损失函数,基于损失函数通过梯度下降或其他方法迭代更新风险评估模型的参数。当满足预设条件时模型训练完成,得到训练好的风险评估模型。其中,预设条件可以是损失函数收敛、迭代的次数达到阈值等。
在一些实施例中,基础层、第一静脉血栓栓塞症评估层和第一出血评估层通过联合训练获得。
在一些实施例中,风险评估模型可以基于大量带有标签的训练数据训练基础层、第一静脉血栓栓塞症评估层和第一出血评估层。具体的,可以将带有标签的训练数据,即患者信息输入到基础层,得到基础层输出的患者特征信息;然后将患者特征信息分别输入到第一静脉血栓栓塞症评估层和第一出血评估层,得到第一静脉血栓栓塞症评估层输出的第一静脉血栓栓塞症风险等级,以及第一出血评估层输出的第一出血风险等级。通过训练更新基础层、第一静脉血栓栓塞症评估层和第一出血评估层的参数,当训练的模型满足预设条件时,获取训练好的基础层、第一静脉血栓栓塞症评估层和第一出血评估层。其中,预设条件可以是损失函数小于阈值、收敛,或训练周期达到阈值。
风险评估模型可以基于患者信息初步确定患者的第一静脉血栓栓塞症风险等级和第一出血风险等级,从而减少人工判断时间,及时向医护人员发送提醒,帮助医护人员及时进行静脉血栓栓塞症防治措施。
图5是根据本说明书一些实施例所示的加压泵分析模型的示例性结构图。
如结构500所示,加压泵分析模型可以获取体征异常概率。加压泵分析模型可以包括依次连接的基础层、参数分析层和概率分析层。可以将患者信息输入基础层,基础层输出患者特征信息。再将患者特征信息、第一静脉血栓栓塞症风险等级和第一出血风险等级输入参数分析层,参数分析层输出加压泵的工作参数。再将加压泵的工作参数和患者特征信息输入概率分析层,概率分析层输出体征异常概率。在一些实施例中,加压泵分析模型、基础层、参数分析层和概率分析层可以包括卷积神经网络(Convolutional NeuralNetworks,CNN)、深度神经网络(Deep Neural Networks,DNN)或其组合得到的模型等。
在一些实施例中,加压泵分析模型还可以包括第二静脉血栓栓塞症评估层和第二出血评估层,第二静脉血栓栓塞症评估层和第二出血评估层均连接在参数分析层和概率分析层之间。可以将患者特征信息和加压泵工作参数输入第二静脉血栓栓塞症评估层,第二静脉血栓栓塞症评估层输出第二静脉血栓栓塞症风险等级。可以将患者特征信息和加压泵工作参数输入第二出血评估层,第二出血评估层输出第二出血风险等级。然后将第二静脉血栓栓塞症风险等级、第二出血风险等级、患者特征信息和加压泵工作参数输入概率分析层,概率分析层输出体征异常概率。在一些实施例中,第二静脉血栓栓塞症评估层和第二出血评估层可以包括卷积神经网络、深度神经网络或其组合得到的模型等。
在一些实施例中,基础层、参数分析层、概率分析层、第二静脉血栓栓塞症评估层和第二出血评估层可以通过训练获取。基础层、参数分析层、概率分析层、第二静脉血栓栓塞症评估层和第二出血评估层的训练可以通过处理设备130执行,其训练可以基于以下方法实现。
分别获取基础层、参数分析层、概率分析层、第二静脉血栓栓塞症评估层和第二出血评估层的训练样本及其标签。
基础层的训练样本可以为历史患者信息。基础层的训练样本的标签可以为历史患者信息中对应的历史患者特征信息。历史患者特征信息可以通过人工对历史患者信息进行提取获取。
参数分析层的训练样本可以为历史患者特征信息、历史第一静脉血栓栓塞症风险等级和历史第一出血风险等级。参数分析层的训练样本的标签可以为历史加压泵的工作参数。
概率分析层的训练样本可以为历史加压泵的工作参数和历史患者特征信息,或者可以为历史加压泵的工作参数、历史患者特征信息、历史第二静脉血栓栓塞症风险等级和历史第二出血风险等级。概率分析层的训练样本的标签可以为历史体征异常概率。
第二静脉血栓栓塞症评估层的训练样本可以为历史患者特征信息和历史加压泵工作参数。第二静脉血栓栓塞症评估层的训练样本的标签可以为历史第二静脉血栓栓塞症风险等级。
第二出血评估层的训练样本可以为历史患者特征信息和历史加压泵工作参数。第二出血评估层的训练样本的标签可以为历史第二出血风险等级。
在一些实施例中,历史加压泵的工作参数、历史体征异常概率、历史第二静脉血栓栓塞症风险等级以及历史第二出血风险等级均可以通过医疗***获取。例如,医疗***可以存储医生基于历史患者特征信息、历史第一静脉血栓栓塞症风险等级和历史第一出血风险等级判断得到的历史加压泵的工作参数。
将多个带有标签的训练样本分别输入对应的初始基础层、初始参数分析层、初始概率分析层、初始第二静脉血栓栓塞症评估层和初始第二出血评估层。通过训练迭代更新初始基础层、初始参数分析层、初始概率分析层、初始第二静脉血栓栓塞症评估层和初始第二出血评估层的参数。当训练的模型满足预设条件时,训练结束,获取训练好的基础层、参数分析层、概率分析层、第二静脉血栓栓塞症评估层和第二出血评估层。在一些实施例中,预设条件可以是损失函数小于阈值、收敛,或训练周期达到阈值。
在一些实施例中,可以对加压泵分析模型中的基础层、参数分析层和概率分析层进行联合训练,从而获得训练好的加压泵分析模型。在一些实施例中,可以对加压泵分析模型中的基础层、参数分析层、概率分析层、第二静脉血栓栓塞症评估层和第二出血评估层进行联合训练,从而获得训练好的加压泵分析模型。在一些实施例中,第二静脉血栓栓塞症评估层的损失项权重大于第二出血评估层的损失项权重。联合训练可以由处理设备130执行。联合训练可以基于以下方法实现。
在一些实施例中,加压泵分析模型的训练样本可以为历史患者信息、历史第一静脉血栓栓塞症风险等级和历史第一出血风险等级,训练样本的标签可以是历史患者信息、历史第一静脉血栓栓塞症风险等级和历史第一出血风险等级对应的历史体征异常概率。
在一些实施例中,将训练样本中的历史患者信息输入加压泵分析模型中的基础层,将基础层的输出、训练样本中的历史第一静脉血栓栓塞症风险等级和历史第一出血风险等级均输入加压泵分析模型中的参数分析层,然后将参数分析层的输出和基础层的输出均输入概率分析层,或者将参数分析层的输出和基础层的输出均输入加压泵分析模型中的第二静脉血栓栓塞症评估层和第二出血评估层,然后将第二静脉血栓栓塞症评估层的输出、第二出血评估层的输出、基础层的输出以及参数分析层的输出均输入概率分析层,并基于概率分析层的输出和标签构建损失函数,并基于损失函数迭代更新基础层、参数分析层和概率分析层的参数,或者基于损失函数迭代更新基础层、参数分析层、概率分析层、第二静脉血栓栓塞症评估层和第二出血评估层的参数,直到预设条件被满足训练完成,得到训练好的加压泵分析模型。在一些实施例中,预设条件可以是损失函数小于阈值、收敛,或训练周期达到阈值。
在一些实施例中,训练完成的加压泵分析模型的基础层参数与训练完成的风险评估模型的基础层参数相同。
在一些实施例中,可以基于加压泵分析模型获得的体征异常概率是否大于预设阈值或加压泵分析模型的加压泵工作参数结果的置信度,确定是否发送提醒信息给用户终端,所述提醒信息用于提醒用户终端人工设定加压泵分析模型的加压泵工作参数。在一些实施例中,可以将加压泵分析模型的参数分析层的置信度作为加压泵工作参数结果的置信度。参数分析层的置信度可以是指加压泵分析模型的参数分析层的可信程度。例如,若加压泵分析模型获得的体征异常概率大于预设阈值(例如,90%),则发送提醒信息给用户终端,所述提醒信息用于提醒用户终端人工重新设定加压泵分析模型的当前加压泵工作参数。又例如,若加压泵分析模型的加压泵工作参数结果的置信度偏低,则发送提醒信息给用户终端,所述提醒信息用于提醒用户终端人工重新设定加压泵分析模型的当前加压泵工作参数。
在一些实施例中,可以融合风险评估模型的参数分析层的置信度、风险评估模型的第一静脉血栓栓塞症评估层和第一出血评估层的置信度,确定加压泵工作参数结果的置信度。在一些实施例中,融合的方式可以为将风险评估模型的参数分析层的置信度、风险评估模型的第一静脉血栓栓塞症评估层和第一出血评估层的置信度进行加权平均。例如,可以通过将参数分析层的置信度的权重值设置最大,第一静脉血栓栓塞症评估层的置信度的权重值设置次之,第一出血评估层的置信度的权重值设置最小的方式,进行加权平均,得到加压泵工作参数结果的置信度。
在本说明书的一些实施例中,通过联合训练方式获得加压泵分析模型的参数,在一些情况下有利于解决单独训练基础层时难以获得标签、单独训练参数分析层、第二静脉血栓栓塞症评估层和第二出血评估层难以获得标签和训练样本以及单独训练概率分析层时难以获得训练样本的问题;由于加压泵工作参数结果的置信度的确定,融合了风险评估模型的参数分析层的置信度、风险评估模型的第一静脉血栓栓塞症评估层和第一出血评估层的置信度,从而使得最终确定的加压泵工作参数更加准确和符合患者本人的实际防治措施需要。
上文已对基本概念做了描述,显然,对于本领域技术人员来说,上述详细披露仅仅作为示例,而并不构成对本说明书的限定。虽然此处并没有明确说明,本领域技术人员可能会对本说明书进行各种修改、改进和修正。该类修改、改进和修正在本说明书中被建议,所以该类修改、改进、修正仍属于本说明书示范实施例的精神和范围。
同时,本说明书使用了特定词语来描述本说明书的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本说明书至少一个实施例相关的某一特征、结构或特点。因此,应强调并注意的是,本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外,本说明书的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外,除非权利要求中明确说明,本说明书所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用,并非用于限定本说明书流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例,但应当理解的是,该类细节仅起到说明的目的,附加的权利要求并不仅限于披露的实施例,相反,权利要求旨在覆盖所有符合本说明书实施例实质和范围的修正和等价组合。例如,虽然以上所描述的***组件可以通过硬件设备实现,但是也可以只通过软件的解决方案得以实现,如在现有的服务器或移动设备上安装所描述的***。
同理,应当注意的是,为了简化本说明书披露的表述,从而帮助对一个或多个发明实施例的理解,前文对本说明书实施例的描述中,有时会将多种特征归并至一个实施例、附图或对其的描述中。但是,这种披露方法并不意味着本说明书对象所需要的特征比权利要求中提及的特征多。实际上,实施例的特征要少于上述披露的单个实施例的全部特征。
一些实施例中使用了描述成分、属性数量的数字,应当理解的是,此类用于实施例描述的数字,在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明,“大约”、“近似”或“大体上”表明所述数字允许有±20%的变化。相应地,在一些实施例中,说明书和权利要求中使用的数值参数均为近似值,该近似值根据个别实施例所需特点可以发生改变。在一些实施例中,数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本说明书一些实施例中用于确认其范围广度的数值域和参数为近似值,在具体实施例中,此类数值的设定在可行范围内尽可能精确。
针对本说明书引用的每个专利、专利申请、专利申请公开物和其他材料,如文章、书籍、说明书、出版物、文档等,特此将其全部内容并入本说明书作为参考。与本说明书内容不一致或产生冲突的申请历史文件除外,对本说明书权利要求最广范围有限制的文件(当前或之后附加于本说明书中的)也除外。需要说明的是,如果本说明书附属材料中的描述、定义、和/或术语的使用与本说明书所述内容有不一致或冲突的地方,以本说明书的描述、定义和/或术语的使用为准。
最后,应当理解的是,本说明书中所述实施例仅用以说明本说明书实施例的原则。其他的变形也可能属于本说明书的范围。因此,作为示例而非限制,本说明书实施例的替代配置可视为与本说明书的教导一致。相应地,本说明书的实施例不仅限于本说明书明确介绍和描述的实施例。
Claims (6)
1.一种静脉血栓栓塞症人工智能防治***,其特征在于,包括获取模块、风险等级确定模块和防治措施确定模块;
所述获取模块用于获取患者信息,所述患者信息包括基本信息和就诊相关信息;
所述风险等级确定模块用于通过风险评估模型对所述患者信息进行处理,确定所述患者的第一静脉血栓栓塞症风险等级和第一出血风险等级,所述风险评估模型基于带有标签的训练数据训练得到;
所述防治措施确定模块用于基于所述第一静脉血栓栓塞症风险等级和所述第一出血风险等级,确定所述患者的静脉血栓栓塞症的防治措施;
其中,所述防治措施包括使用加压泵对所述患者进行防治,所述***还包括加压泵防治模块;
所述加压泵防治模块用于通过加压泵分析模型对所述患者信息、所述第一静脉血栓栓塞症风险等级和所述第一出血风险等级进行处理,确定所述加压泵的工作参数以及所述患者对应的体征异常概率,所述加压泵分析模型包括基础层、参数分析层、概率分析层、第二静脉血栓栓塞症评估层和第二出血评估层,所述基础层、所述参数分析层、所述概率分析层、所述第二静脉血栓栓塞症评估层和所述第二出血评估层为深度神经网络;
所述基础层基于所述患者信息确定患者特征信息,所述患者特征信息包括患者身体状况信息、患者血栓信息、患者出血信息中的一种或多种,所述患者身体状况信息是指与所述患者的身体健康状况相关的信息,所述患者血栓信息是指与所述患者血栓发病史相关的信息,所述患者出血信息是指与所述患者出血发生史相关的信息;
所述参数分析层基于所述患者特征信息、所述第一静脉血栓栓塞症风险等级和所述第一出血风险等级确定所述加压泵的工作参数,所述工作参数包括加压泵的压力大小、加压泵的工作时长以及加压泵的加压间隔中的一种或多种;
所述第二静脉血栓栓塞症评估层基于所述患者特征信息和所述加压泵工作参数确定第二静脉血栓栓塞症风险等级;
所述第二出血评估层基于所述患者特征信息和所述加压泵工作参数确定第二出血风险等级;
所述概率分析层基于所述加压泵的工作参数、所述患者特征信息、所述第二静脉血栓栓塞症风险等级和所述第二出血风险等级确定所述体征异常概率;
对所述基础层、所述参数分析层、所述概率分析层、所述第二静脉血栓栓塞症评估层和所述第二出血评估层进行联合训练,得到加压泵分析模型,其中,所述联合训练时,所述第二静脉血栓栓塞症评估层的损失项权重大于所述第二出血评估层的损失项权重。
2.如权利要求1所述的静脉血栓栓塞症人工智能防治***,其特征在于,所述风险评估模型包括基础层、第一静脉血栓栓塞症评估层和第一出血评估层,
所述基础层用于处理所述患者信息,确定患者特征信息;
所述第一静脉血栓栓塞症评估层用于处理所述患者特征信息,确定所述第一静脉血栓栓塞症风险等级;以及
所述第一出血评估层用于处理所述患者特征信息,确定所述第一出血风险等级。
3.如权利要求1所述的静脉血栓栓塞症人工智能防治***,其特征在于,所述加压泵防治模块进一步用于:
当所述体征异常概率大于预设阈值时,发送提醒信息至目标用户的用户终端,所述提醒信息用于提醒所述目标用户监测防治过程。
4.一种静脉血栓栓塞症人工智能防治方法,其特征在于,所述方法包括:
获取患者信息,所述患者信息包括基本信息和就诊相关信息;
通过风险评估模型对所述患者信息进行处理,确定所述患者的第一静脉血栓栓塞症风险等级和第一出血风险等级,所述风险评估模型基于带有标签的训练数据训练得到;
基于所述第一静脉血栓栓塞症风险等级和所述第一出血风险等级,确定所述患者的静脉血栓栓塞症的防治措施;
其中,所述防治措施包括使用加压泵对所述患者进行防治,所述使用加压泵对所述患者进行防治包括:
通过加压泵分析模型对所述患者信息、所述第一静脉血栓栓塞症风险等级和所述第一出血风险等级进行处理,确定所述加压泵的工作参数以及所述患者对应的体征异常概率,所述加压泵分析模型包括基础层、参数分析层、概率分析层、第二静脉血栓栓塞症评估层和第二出血评估层,所述基础层、所述参数分析层、所述概率分析层、所述第二静脉血栓栓塞症评估层和所述第二出血评估层为深度神经网络;
所述基础层基于所述患者信息确定患者特征信息,所述患者特征信息包括患者身体状况信息、患者血栓信息、患者出血信息中的一种或多种,所述患者身体状况信息是指与所述患者的身体健康状况相关的信息,所述患者血栓信息是指与所述患者血栓发病史相关的信息,所述患者出血信息是指与所述患者出血发生史相关的信息;
所述参数分析层基于所述患者特征信息、所述第一静脉血栓栓塞症风险等级和所述第一出血风险等级确定所述加压泵的工作参数,所述工作参数包括加压泵的压力大小、加压泵的工作时长以及加压泵的加压间隔中的一种或多种;
所述第二静脉血栓栓塞症评估层基于所述患者特征信息和所述加压泵工作参数确定第二静脉血栓栓塞症风险等级;
所述第二出血评估层基于所述患者特征信息和所述加压泵工作参数确定第二出血风险等级;
所述概率分析层基于所述加压泵的工作参数、所述患者特征信息、所述第二静脉血栓栓塞症风险等级和所述第二出血风险等级确定所述体征异常概率;
对所述基础层、所述参数分析层、所述概率分析层、所述第二静脉血栓栓塞症评估层和所述第二出血评估层进行联合训练,得到加压泵分析模型,其中,所述联合训练时,所述第二静脉血栓栓塞症评估层的损失项权重大于所述第二出血评估层的损失项权重。
5.一种静脉血栓栓塞症人工智能防治装置,其特征在于,所述装置包括至少一个处理器以及至少一个存储器;
所述至少一个存储器用于存储计算机指令;
所述至少一个处理器用于执行所述计算机指令中的至少部分指令以实现如权利要求4中所述的静脉血栓栓塞症人工智能防治方法。
6.一种计算机可读存储介质,其特征在于,所述存储介质存储计算机指令,当计算机读取存储介质中的计算机指令后,计算机执行如权利要求4所述的静脉血栓栓塞症人工智能防治方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210630539.XA CN115274102B (zh) | 2022-06-06 | 2022-06-06 | 静脉血栓栓塞症人工智能防治***、方法、装置及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210630539.XA CN115274102B (zh) | 2022-06-06 | 2022-06-06 | 静脉血栓栓塞症人工智能防治***、方法、装置及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115274102A CN115274102A (zh) | 2022-11-01 |
CN115274102B true CN115274102B (zh) | 2023-09-19 |
Family
ID=83760650
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210630539.XA Active CN115274102B (zh) | 2022-06-06 | 2022-06-06 | 静脉血栓栓塞症人工智能防治***、方法、装置及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115274102B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2006052952A2 (en) * | 2004-11-09 | 2006-05-18 | The Brigham And Women's Hospital, Inc. | System and method for determining whether to issue an alert to consider prophylaxis for a risk condition |
CN105992552A (zh) * | 2013-11-27 | 2016-10-05 | 美敦力公司 | 精确透析监测及同步*** |
CN107145755A (zh) * | 2017-05-16 | 2017-09-08 | 陈韵岱 | 基于智能决策支持技术的心血管慢病管理方法 |
CN108498076A (zh) * | 2018-04-19 | 2018-09-07 | 金华市中心医院 | 住院病人静脉血栓栓塞症安全管理***及应用 |
CN112164457A (zh) * | 2020-10-23 | 2021-01-01 | 南通市第二人民医院 | 一种血透室器械管理方法和装置 |
CN113470825A (zh) * | 2021-07-23 | 2021-10-01 | 北京惠每云科技有限公司 | 一种静脉血栓栓塞预测***、方法、设备及介质 |
CN113571187A (zh) * | 2014-11-14 | 2021-10-29 | Zoll医疗公司 | 医疗先兆事件估计***和外部穿戴的除颤器 |
-
2022
- 2022-06-06 CN CN202210630539.XA patent/CN115274102B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2006052952A2 (en) * | 2004-11-09 | 2006-05-18 | The Brigham And Women's Hospital, Inc. | System and method for determining whether to issue an alert to consider prophylaxis for a risk condition |
CN105992552A (zh) * | 2013-11-27 | 2016-10-05 | 美敦力公司 | 精确透析监测及同步*** |
CN113571187A (zh) * | 2014-11-14 | 2021-10-29 | Zoll医疗公司 | 医疗先兆事件估计***和外部穿戴的除颤器 |
CN107145755A (zh) * | 2017-05-16 | 2017-09-08 | 陈韵岱 | 基于智能决策支持技术的心血管慢病管理方法 |
CN108498076A (zh) * | 2018-04-19 | 2018-09-07 | 金华市中心医院 | 住院病人静脉血栓栓塞症安全管理***及应用 |
CN112164457A (zh) * | 2020-10-23 | 2021-01-01 | 南通市第二人民医院 | 一种血透室器械管理方法和装置 |
CN113470825A (zh) * | 2021-07-23 | 2021-10-01 | 北京惠每云科技有限公司 | 一种静脉血栓栓塞预测***、方法、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN115274102A (zh) | 2022-11-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7240789B2 (ja) | 脳症/せん妄のスクリーニングおよびモニタリングのためのシステム | |
RU2728855C2 (ru) | Количественный показатель предупреждения об ухудшении работы сердечно-сосудистой системы | |
Hernandez-Silveira et al. | Assessment of the feasibility of an ultra-low power, wireless digital patch for the continuous ambulatory monitoring of vital signs | |
WO2020103289A1 (zh) | 一种高血压视网膜血管改变特征数据分析的方法和*** | |
CN110827994B (zh) | 心梗预警方法、装置及设备、存储介质 | |
US11925487B2 (en) | System and method for assessing and monitoring the hemodynamic condition of a patient | |
WO2019214495A1 (zh) | 基于电子健康档案的糖尿病早期预防健康管理***及方法 | |
US20220059208A1 (en) | Systems, methods, and devices for sleep intervention quality estimation | |
CN111899867B (zh) | 基于深度学习的手术并发症预测及规避辅助决策*** | |
CN112037896A (zh) | 一种面向血液透析的智能云护士助理*** | |
CN106137152A (zh) | 远程健康检测与服务方法及其*** | |
WO2020103288A1 (zh) | 糖网眼底特征数据变化的分析方法与***,及存储设备 | |
CN115602312A (zh) | 术后康复方案生成方法和装置、电子设备和存储介质 | |
CN115274102B (zh) | 静脉血栓栓塞症人工智能防治***、方法、装置及介质 | |
Panagiotou et al. | A multi: modal decision making system for an ambient assisted living environment | |
US20220254502A1 (en) | System, method and apparatus for non-invasive & non-contact monitoring of health racterstics using artificial intelligence (ai) | |
KR102541362B1 (ko) | 인공 지능을 이용한 혈액 투석 중 저혈압 예측 장치 및 그 방법 | |
CN110867248A (zh) | 一种术后监测方法和装置 | |
Dey et al. | Patient Health Observation and Analysis with Machine Learning and IoT Based in Realtime Environment | |
US20230230693A1 (en) | Artificial intelligence-based system and method for remote treatment of patients | |
Ikawati et al. | VidyaMedic: Smart Alert System For Continous Vital Sign Monitoring | |
da Costa et al. | Computational method for aid in the diagnosis of sixth optic nerve palsy through digital videos | |
US20230052534A1 (en) | Classifier of epileptic network dynamics | |
WO2023175702A1 (ja) | 予後管理支援システム及び予後管理支援方法 | |
CN114171193A (zh) | 基于ai的机器学习建立个性化生命指数的心衰疾病治疗方法 |
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 |