CN116805520B - 一种基于数字孪生的脓毒症患者关联的预测方法及*** - Google Patents
一种基于数字孪生的脓毒症患者关联的预测方法及*** Download PDFInfo
- Publication number
- CN116805520B CN116805520B CN202311048018.4A CN202311048018A CN116805520B CN 116805520 B CN116805520 B CN 116805520B CN 202311048018 A CN202311048018 A CN 202311048018A CN 116805520 B CN116805520 B CN 116805520B
- Authority
- CN
- China
- Prior art keywords
- sepsis
- data
- patient
- detected
- detection
- 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
- 206010040047 Sepsis Diseases 0.000 title claims abstract description 249
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000001514 detection method Methods 0.000 claims abstract description 237
- 238000004088 simulation Methods 0.000 claims abstract description 39
- 230000002776 aggregation Effects 0.000 claims abstract description 11
- 238000004220 aggregation Methods 0.000 claims abstract description 11
- 201000010099 disease Diseases 0.000 claims description 31
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 31
- 230000002159 abnormal effect Effects 0.000 claims description 28
- 230000005540 biological transmission Effects 0.000 claims description 12
- 230000002526 effect on cardiovascular system Effects 0.000 claims description 9
- 210000005228 liver tissue Anatomy 0.000 claims description 9
- 210000003563 lymphoid tissue Anatomy 0.000 claims description 9
- 210000005084 renal tissue Anatomy 0.000 claims description 9
- 210000001519 tissue Anatomy 0.000 claims description 9
- 230000005856 abnormality Effects 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 7
- 238000013075 data extraction Methods 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 7
- 238000007621 cluster analysis Methods 0.000 claims description 6
- 230000000007 visual effect Effects 0.000 claims description 6
- BPYKTIZUTYGOLE-IFADSCNNSA-N Bilirubin Chemical compound N1C(=O)C(C)=C(C=C)\C1=C\C1=C(C)C(CCC(O)=O)=C(CC2=C(C(C)=C(\C=C/3C(=C(C=C)C(=O)N\3)C)N2)CCC(O)=O)N1 BPYKTIZUTYGOLE-IFADSCNNSA-N 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 238000011160 research Methods 0.000 description 8
- DDRJAANPRJIHGJ-UHFFFAOYSA-N creatinine Chemical compound CN1CC(=O)NC1=N DDRJAANPRJIHGJ-UHFFFAOYSA-N 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 210000002966 serum Anatomy 0.000 description 6
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000003745 diagnosis Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000035939 shock Effects 0.000 description 4
- 102000001554 Hemoglobins Human genes 0.000 description 3
- 108010054147 Hemoglobins Proteins 0.000 description 3
- 210000004369 blood Anatomy 0.000 description 3
- 239000008280 blood Substances 0.000 description 3
- 229940109239 creatinine Drugs 0.000 description 3
- 102100036475 Alanine aminotransferase 1 Human genes 0.000 description 2
- 108010082126 Alanine transaminase Proteins 0.000 description 2
- 206010040070 Septic Shock Diseases 0.000 description 2
- 238000004820 blood count Methods 0.000 description 2
- HVYWMOMLDIMFJA-DPAQBDIFSA-N cholesterol Chemical compound C1C=C2C[C@@H](O)CC[C@]2(C)[C@@H]2[C@@H]1[C@@H]1CC[C@H]([C@H](C)CCCC(C)C)[C@@]1(C)CC2 HVYWMOMLDIMFJA-DPAQBDIFSA-N 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 230000034994 death Effects 0.000 description 2
- 231100000517 death Toxicity 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 210000003743 erythrocyte Anatomy 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000005012 migration Effects 0.000 description 2
- 238000013508 migration Methods 0.000 description 2
- 230000008383 multiple organ dysfunction Effects 0.000 description 2
- 230000008506 pathogenesis Effects 0.000 description 2
- 230000001991 pathophysiological effect Effects 0.000 description 2
- 230000036303 septic shock Effects 0.000 description 2
- 238000008789 Direct Bilirubin Methods 0.000 description 1
- 102000003855 L-lactate dehydrogenase Human genes 0.000 description 1
- 108700023483 L-lactate dehydrogenases Proteins 0.000 description 1
- LEHOTFFKMJEONL-UHFFFAOYSA-N Uric Acid Chemical compound N1C(=O)NC(=O)C2=C1NC(=O)N2 LEHOTFFKMJEONL-UHFFFAOYSA-N 0.000 description 1
- TVWHNULVHGKJHS-UHFFFAOYSA-N Uric acid Natural products N1C(=O)NC(=O)C2NC(=O)NC21 TVWHNULVHGKJHS-UHFFFAOYSA-N 0.000 description 1
- PNNCWTXUWKENPE-UHFFFAOYSA-N [N].NC(N)=O Chemical compound [N].NC(N)=O PNNCWTXUWKENPE-UHFFFAOYSA-N 0.000 description 1
- 230000001154 acute effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000003115 biocidal effect Effects 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 230000000747 cardiac effect Effects 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 235000012000 cholesterol Nutrition 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013079 data visualisation Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 210000000265 leukocyte Anatomy 0.000 description 1
- 150000002632 lipids Chemical class 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000002503 metabolic effect Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 230000008289 pathophysiological mechanism Effects 0.000 description 1
- 230000035778 pathophysiological process Effects 0.000 description 1
- 230000035479 physiological effects, processes and functions Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 238000004062 sedimentation Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 230000002195 synergetic effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 229940116269 uric acid Drugs 0.000 description 1
- 239000002550 vasoactive agent Substances 0.000 description 1
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
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
- 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
- G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
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)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Biomedical Technology (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明请求保护一种基于数字孪生的脓毒症患者关联的预测方法及***,获取待检测脓毒症患者的第一检测数据,对待检测脓毒症患者进行病情聚类,得到病情聚类结果;采用不同的数据检测策略获取各个患者病情聚类集下待检测脓毒症患者的第二检测数据;生成脓毒症数字孪生仿真模型,将第二检测数据输入得到待检测脓毒症患者的预报警数据;获取已出院的康复患者的治疗档案数据,提取康复患者检测数据与预报警数据进行比对,得到报警比对结果;采用不同的报警策略向不同的脓毒症患者终端发出风险报警预测。本发明可有效依据脓毒症患者的受损部位进行不同策略的数据提取分析,并结合历史康复患者数据进行预警比对,提升了脓毒症的关联预测性。
Description
技术领域
本发明涉及医疗***技术领域,具体指一种基于数字孪生的脓毒症患者关联的预测方法及***。
背景技术
数字孪生(Digital Twin, DT)是充分利用实际模型、感测器更新、运行历史等数据,协同多学科、多实际量、多尺度、多概率的仿真过程,在隐私空间中完成关联,从而反映相对应的对象装备的全生命周期过程。DT可以被视为一个或多个重要的、彼此依赖的装备***的数字关联***。DT是普遍适应的理论技术体系,可以在众多领域应用,近年来,随着DT技术在医学中的应用,为患者提供个性化的诊断和治疗这种个性化的精准医疗将成为可能。以往的一些研究以计算生理学转化为临床实践为愿景,利用数字技术生成隐私生理人体,并取得了一定的进展。大数据、云计算、隐私现实、物联网等技术的发展,让我们能够更加轻松地获得更多的数据,为DT技术的应用奠定了基础,为临床医生和研究人员研究疾病的发生发展、进行更精准的诊断和治疗提供了更细致的维度。DT创造的模型,是对人体器官、组织、细胞或微环境的一种隐私复制,不断地根据在线数据的变化进行调整,并能预测相应对象及指标的未来。同时,DT又不仅仅是一个数字模型,更是一个活生生的、智能的、不断发展的模型,依据DT与周围环境之间的闭环优化,可以在优化流程和算法的同时,持续预测未来的状态。
脓毒症休克病死率居高不下,早期识别并进行有效的循环-呼吸治疗是挽救生命的重要举措。但此治疗中涉及组合使用多种药物和复杂的呼吸机参数调整,制订个体化的最佳循环-呼吸组合方案,以改善临床结局仍是未解决的重大问题。在此,我们提出生成脓毒症休克的数字孪生仿真模型,进行数字孪生驱动的脓毒症休克呼吸-循环一体化治疗方案的研究。该研究立足于多参数数字化临床研究平台,结合多维度循环-呼吸病理生理参数及代谢数据和已知的诊疗方案,运用最新的人工智能与数据科学手段,建立多模态,多尺度的患者仿真与预测模型。可实现对复苏液体、血管活性药物和呼吸机参数组合策略的全程仿真与预测,输出基于数字孪生仿真模型与真实世界临床数据相结合的智能化治疗建议供医师参考。这是世界上首次建立针对脓毒症休克这一复杂疾病的实时交互数字孪生仿真模型,在急危重症领域中属重要的突破性创新。此外,在数学模型生成上,利用机器学习和图网络的最新技术,提出了对未知病理生理机制和过程进行数学逼近和建模,以期发现新的病理生理学规律。总之,本研究具有理论和方法学创新性,其研究模式还可使得其他急危重症疾病的干预性研究受到启发,具有很强的原创性、泛化性和可复制性。
发明内容
根据本发明第一方面,本发明请求保护一种基于数字孪生的脓毒症患者关联的预测方法,包括:
获取待检测脓毒症患者的第一检测数据,依据所述第一检测数据对所述待检测脓毒症患者进行病情聚类,得到待检测脓毒症患者的病情聚类结果;
依据所述待检测脓毒症患者的病情聚类结果,采用不同的数据检测策略获取各个患者病情聚类集下待检测脓毒症患者的第二检测数据;
生成脓毒症数字孪生仿真模型,将所述第二检测数据输入所述脓毒症数字孪生仿真模型中,得到所述待检测脓毒症患者的预报警数据;
获取已出院的康复患者的治疗档案数据,提取所述治疗档案数据的康复患者检测数据,将所述康复患者检测数据与所述预报警数据进行比对,得到报警比对结果;
依据所述报警比对结果,采用不同的报警策略向不同的脓毒症患者终端发出风险报警预测。
进一步的,所述获取待检测脓毒症患者的第一检测数据,依据所述第一检测数据对所述待检测脓毒症患者进行病情聚类,得到待检测脓毒症患者的病情聚类结果,具体包括:
获取所述待检测脓毒症患者的第一检测数据,从所述第一检测数据中提取所述待检测脓毒症患者的不同部位检测的一个或多个异常指标值;
获取所述异常指标值中偏离正常值比例最大的第一异常指标值,识别所述第一异常指标值对应的检测部位;
依据所述检测部位对所述待检测脓毒症患者进行病情聚类,得到所述待检测脓毒症患者的病情聚类结果。
进一步的,所述依据所述待检测脓毒症患者的病情聚类结果,采用不同的数据检测策略获取各个患者病情聚类集下待检测脓毒症患者的第二检测数据,具体包括:
获取所述待检测脓毒症患者的病情聚类结果,当所述待检测脓毒症患者属于第一类潜在脓毒症时,获取所述待检测脓毒症患者的淋巴组织检测数据;
当所述待检测脓毒症患者属于第二类潜在脓毒症时,获取所述待检测脓毒症患者的肝脏组织检测数据;
当所述待检测脓毒症患者属于第三类潜在脓毒症时,获取所述待检测脓毒症患者的肾脏组织检测数据;
当所述待检测脓毒症患者属于第四类潜在脓毒症时,获取所述待检测脓毒症患者的心脑血管组织检测数据。
进一步的,所述生成脓毒症数字孪生仿真模型,将所述第二检测数据输入所述脓毒症数字孪生仿真模型中,得到所述待检测脓毒症患者的预报警数据,具体包括:
获取第二检测数据的实时运行数据,依据检测装置中的感测器,获取包括电势差、检测设备类型、检测次数和检测总时长数据;
生成第二检测数据的孪生关联单元;在U3D平台上生成三维模型检测数据格式,生成检测装置的三维可视化模型,进一步开发数据关联、数字化输出单元、隐私对象编辑单元、集中管理端口、可编程调试、历史数据记录单元、扩展端口和数据仿真分析单元;
生成资源控制单元,根据数据关联单元所提供的端口实现相应的资源控制,具体包括:统一端口控制资源控制、可编程调试资源控制、历史数据记录资源控制、数据访问资源控制、数据周期资源控制、检测装置脓毒症管理资源控制;
依据传输单元建立各单元之间的映射,将实时获取的数据存入孪生数据单元,实时更新孪生模型的状态参数;
依据调用检测装置脓毒症管理资源控制,根据当前检测装置状态参数预测所述待检测脓毒症患者的预报警数据。
进一步的,所述获取已出院的康复患者的治疗档案数据,提取所述治疗档案数据的康复患者检测数据,将所述康复患者检测数据与所述预报警数据进行比对,得到报警比对结果,具体包括:
获取已出院的脓毒症康复患者信息,提取所述脓毒症康复患者信息的治疗档案数据;
依据所述治疗档案数据,对所述脓毒症康复患者信息进行康复类型的聚类分析,获得康复聚类结果;
依据所述脓毒症康复患者信息的康复结果聚类,采用不同的数据提取策略获取各个康复结果聚类下脓毒症康复患者信息的康复检测历史数据;
将对应康复结果聚类下的脓毒症康复患者信息的康复检测历史数据与所述预报警数据进行比对,得到报警比对结果。
根据本发明第二方面,本发明请求保护一种基于数字孪生的脓毒症患者关联的预测***,包括:
病情聚类模块,获取待检测脓毒症患者的第一检测数据,依据所述第一检测数据对所述待检测脓毒症患者进行病情聚类,得到待检测脓毒症患者的病情聚类结果;
检测模块,依据所述待检测脓毒症患者的病情聚类结果,采用不同的数据检测策略获取各个患者病情聚类集下待检测脓毒症患者的第二检测数据;
孪生仿真模块,生成脓毒症数字孪生仿真模型,将所述第二检测数据输入所述脓毒症数字孪生仿真模型中,得到所述待检测脓毒症患者的预报警数据;
报警比对模块,获取已出院的康复患者的治疗档案数据,提取所述治疗档案数据的康复患者检测数据,将所述康复患者检测数据与所述预报警数据进行比对,得到报警比对结果;
报警输出模块,依据所述报警比对结果,采用不同的报警策略向不同的脓毒症患者终端发出风险报警预测。
进一步的,所述病情聚类模块,具体包括:
获取所述待检测脓毒症患者的第一检测数据,从所述第一检测数据中提取所述待检测脓毒症患者的不同部位检测的一个或多个异常指标值;
获取所述异常指标值中偏离正常值比例最大的第一异常指标值,识别所述第一异常指标值对应的检测部位;
依据所述检测部位对所述待检测脓毒症患者进行病情聚类,得到所述待检测脓毒症患者的病情聚类结果。
进一步的,所述检测模块,具体包括:
获取所述待检测脓毒症患者的病情聚类结果,当所述待检测脓毒症患者属于第一类潜在脓毒症时,获取所述待检测脓毒症患者的淋巴组织检测数据;
当所述待检测脓毒症患者属于第二类潜在脓毒症时,获取所述待检测脓毒症患者的肝脏组织检测数据;
当所述待检测脓毒症患者属于第三类潜在脓毒症时,获取所述待检测脓毒症患者的肾脏组织检测数据;
当所述待检测脓毒症患者属于第三类潜在脓毒症时,获取所述待检测脓毒症患者的心脑血管组织检测数据。
进一步的,所述孪生仿真模块,具体包括:
获取第二检测数据的实时运行数据,依据检测装置中的感测器,获取包括电势差、检测设备类型、检测次数和检测总时长数据;
生成第二检测数据的孪生关联单元;在U3D平台上生成三维模型检测数据格式,生成检测装置的三维可视化模型,进一步开发数据关联、数字化输出单元、隐私对象编辑单元、集中管理端口、可编程调试、历史数据记录单元、扩展端口和数据仿真分析单元;
生成资源控制单元,根据数据关联单元所提供的端口实现相应的资源控制,具体包括:统一端口控制资源控制、可编程调试资源控制、历史数据记录资源控制、数据访问资源控制、数据周期资源控制、检测装置脓毒症管理资源控制;
依据传输单元建立各单元之间的映射,将实时获取的数据存入孪生数据单元,实时更新孪生模型的状态参数;
依据调用检测装置脓毒症管理资源控制,根据当前检测装置状态参数预测所述待检测脓毒症患者的预报警数据。
进一步的,所述报警比对模块,具体包括:
获取已出院的脓毒症康复患者信息,提取所述脓毒症康复患者信息的治疗档案数据;
依据所述治疗档案数据,对所述脓毒症康复患者信息进行康复类型的聚类分析,获得康复聚类结果;
依据所述脓毒症康复患者信息的康复结果聚类,采用不同的数据提取策略获取各个康复结果聚类下脓毒症康复患者信息的康复检测历史数据;
将对应康复结果聚类下的脓毒症康复患者信息的康复检测历史数据与所述预报警数据进行比对,得到报警比对结果。
本发明请求保护一种基于数字孪生的脓毒症患者关联的预测方法及***,获取待检测脓毒症患者的第一检测数据,对待检测脓毒症患者进行病情聚类,得到病情聚类结果;采用不同的数据检测策略获取各个患者病情聚类集下待检测脓毒症患者的第二检测数据;生成脓毒症数字孪生仿真模型,将第二检测数据输入得到待检测脓毒症患者的预报警数据;获取已出院的康复患者的治疗档案数据,提取康复患者检测数据与预报警数据进行比对,得到报警比对结果;采用不同的报警策略向不同的脓毒症患者终端发出风险报警预测。本发明可有效依据脓毒症患者的受损部位进行不同策略的数据提取分析,并结合历史康复患者数据进行预警比对,提升了脓毒症的关联预测性。
附图说明
图1为本发明所请求保护的一种基于数字孪生的脓毒症患者关联的预测方法的工作流程图;
图2为本发明所请求保护的一种基于数字孪生的脓毒症患者关联的预测方法的第二工作流程图;
图3为本发明所请求保护的一种基于数字孪生的脓毒症患者关联的预测方法的第三工作流程图;
图4为本发明所请求保护的一种基于数字孪生的脓毒症患者关联的预测***的结构模块图。
具体实施方式
根据本发明第一实施例,参照附图1,本发明请求保护一种基于数字孪生的脓毒症患者关联的预测方法,包括:
获取待检测脓毒症患者的第一检测数据,依据所述第一检测数据对所述待检测脓毒症患者进行病情聚类,得到待检测脓毒症患者的病情聚类结果;
依据所述待检测脓毒症患者的病情聚类结果,采用不同的数据检测策略获取各个患者病情聚类集下待检测脓毒症患者的第二检测数据;
生成脓毒症数字孪生仿真模型,将所述第二检测数据输入所述脓毒症数字孪生仿真模型中,得到所述待检测脓毒症患者的预报警数据;
获取已出院的康复患者的治疗档案数据,提取所述治疗档案数据的康复患者检测数据,将所述康复患者检测数据与所述预报警数据进行比对,得到报警比对结果;
依据所述报警比对结果,采用不同的报警策略向不同的脓毒症患者终端发出风险报警预测。
临床上对脓毒症的发病规律研究已取得一定进展,但脓毒症的发病机制复杂,涉及变量因素较多,诊断准确率还有待提高。有研究表明,脓毒症的早期发现和及时的抗生素治疗对于改善脓毒症患者面临死亡得到风险至关重要,每延迟一小时治疗都会使死亡率增加4%-8%。尽早地发现可能发展成脓毒症的患者并对其给与及时治疗,对于提高病人在ICU内的生存率有着具有重要的研究价值和意义。
进一步的,参照附图2,所述获取待检测脓毒症患者的第一检测数据,依据所述第一检测数据对所述待检测脓毒症患者进行病情聚类,得到待检测脓毒症患者的病情聚类结果,具体包括:
获取所述待检测脓毒症患者的第一检测数据,从所述第一检测数据中提取所述待检测脓毒症患者的不同部位检测的一个或多个异常指标值;
获取所述异常指标值中偏离正常值比例最大的第一异常指标值,识别所述第一异常指标值对应的检测部位;
依据所述检测部位对所述待检测脓毒症患者进行病情聚类,得到所述待检测脓毒症患者的病情聚类结果。
脓毒症的病情一般较为凶险,病死率高,大约有9%的脓毒症患者会发生脓毒性休克和多器管功能不全,重症监护室中一半以上的死亡是由脓毒性休克和多器官功能不全引起的,脓毒症成为重症监护病房内非心脏病人死亡的主要原因。
因此,在该实施例中,需要对待检测脓毒症患者的第一检测数据提取异常指标值对应的检测部位。
所述第一检测数据为血液检测数据,检测内容至少包括:血红蛋白含量、血清肌酐、血清胆红素、血小板计数;
所述多个异常指标值来自于血红蛋白含量、血清肌酐、血清胆红素、血小板计数的检测值;
所述第一异常指标值对应的检测部位为心脑血管、肾脏、肝脏、淋巴组织。
当所述血小板计数的检测值为偏离正常值比例最大的第一异常指标值时,识别所述第一异常指标值对应的检测部位为淋巴组织,得到所述待检测脓毒症患者的病情聚类结果为第一类潜在脓毒症;
当所述血清胆红素的检测值为偏离正常值比例最大的第一异常指标值时,识别所述第一异常指标值对应的检测部位为肝脏组织,得到所述待检测脓毒症患者的病情聚类结果为第二类潜在脓毒症;
当所述血清肌酐为偏离正常值比例最大的第一异常指标值时,识别所述第一异常指标值对应的检测部位为肾脏组织,得到所述待检测脓毒症患者的病情聚类结果为第三类潜在脓毒症;
当所述血红蛋白含量的检测值为偏离正常值比例最大的第一异常指标值时,识别所述第一异常指标值对应的检测部位为心脑血管组织,得到所述待检测脓毒症患者的病情聚类结果为第四类潜在脓毒症;
进一步的,所述依据所述待检测脓毒症患者的病情聚类结果,采用不同的数据检测策略获取各个患者病情聚类集下待检测脓毒症患者的第二检测数据,具体包括:
获取所述待检测脓毒症患者的病情聚类结果,当所述待检测脓毒症患者属于第一类潜在脓毒症时,获取所述待检测脓毒症患者的淋巴组织检测数据;
当所述待检测脓毒症患者属于第二类潜在脓毒症时,获取所述待检测脓毒症患者的肝脏组织检测数据;
当所述待检测脓毒症患者属于第三类潜在脓毒症时,获取所述待检测脓毒症患者的肾脏组织检测数据;
当所述待检测脓毒症患者属于第四类潜在脓毒症时,获取所述待检测脓毒症患者的心脑血管组织检测数据。
其中,在该实施例中,所述淋巴组织检测数据对应的第二检测数据包括红细胞计数、白细胞计数、乳酸脱氢酶和红细胞沉降率;
所述肝脏组织检测数据对应的第二检测数据包括谷丙转氨酶含量、直接胆红素含量、间接胆红素含量、谷草转氨酶含量;
所述肾脏组织检测数据对应的第二检测数据包括尿素氮、血尿酸;
所述心脑血管组织检测数据对应的第二检测数据包括:血压值、血脂值、总胆固醇值;
进一步的,参照图3,所述生成脓毒症数字孪生仿真模型,将所述第二检测数据输入所述脓毒症数字孪生仿真模型中,得到所述待检测脓毒症患者的预报警数据,具体包括:
获取第二检测数据的实时运行数据,依据检测装置中的感测器,获取包括电势差、检测设备类型、检测次数和检测总时长数据;
生成第二检测数据的孪生关联单元;在U3D平台上生成三维模型检测数据格式,生成检测装置的三维可视化模型,进一步开发数据关联、数字化输出单元、隐私对象编辑单元、集中管理端口、可编程调试、历史数据记录单元、扩展端口和数据仿真分析单元;
生成资源控制单元,根据数据关联单元所提供的端口实现相应的资源控制,具体包括:统一端口控制资源控制、可编程调试资源控制、历史数据记录资源控制、数据访问资源控制、数据周期资源控制、检测装置脓毒症管理资源控制;
依据传输单元建立各单元之间的映射,将实时获取的数据存入孪生数据单元,实时更新孪生模型的状态参数;
依据调用检测装置脓毒症管理资源控制,根据当前检测装置状态参数预测所述待检测脓毒症患者的预报警数据。
其中,其中,在该实施例中,所述第二检测数据的数字孪生模型包括实际对象单元PO、传输单元TU、孪生关联单元TR、资源控制单元SU、孪生数据单元TWU;数学描述输出式为:
Model={PO,TR,TU,SU,TWU} (1)
实际对象单元是孪生模型的组成基础,其中包括第二检测数据检测装置、感测器采集设备、标准化数据通信与迁移装置;
传输单元表示数据以何种方式交付给孪生关联单元,在传输单元与孪生关联单元之间有一个数据采集器作为多源异构数据中转;数据采集器对设备的数据进行采集与处理,在数据传输的传输层使用TCP协议进行多源异构数据的采集与处理,然后使用HTTP\HTTPS将数据交付到孪生关联单元;采用蓝牙协议进行多源异构数据的采集,然后使用TCP协议将数据交付到孪生关联单元。
所述孪生关联单元还包含根据以往经验、数据对设备进行的预测后未来的运行状态;该单元使用数据采集器所采集封装后的多源异构数据,把与孪生关联单元功能相关的数据进行处理使用。
所述数字化输出单元包括对实际对象的三维仿真与数据可视化能力;自定义加载、显示、修改不同的三维模型在U3D平台上进行实现;该平台能实现对模型的生成和加载,在模型的生成之前,对所生成的检测数据格式和检测数据的完整性进行验证;在程序运行时,对模型的加载需要对多种格式三维检测数据进行检测数据校验并处理,处理的检测数据类型包括三维模型;依据对不同模型检测数据进行处理,进行加载3D模型,加载完成后获得隐私对象对象。
所述数据关联单元就是介于传输单元与简易拟合单元之间的数据采集器进行完成,依据对多源异构数据进行协同封装,传递给简易拟合节点,同时也能反向传播简易拟合节点所传输的实际对象控制指令。
所述资源控制单元是根据数据关联单元所提供的端口实现相应的资源控制;隐私对象编辑资源控制让脓毒症患者能够进行隐私对象组装的简易拟合;统一端口控制资源控制让脓毒症患者能够使用指令控制隐私对象,向外提供驱动隐私对象的能力;历史数据记录资源控制用于记录该框架在程序运行时所产生的运行数据以及异常信息;数据分析统计脓毒症患者需要的生产数据并显示出来;指令序列用于接收脓毒症患者指令。
所述孪生数据单元是孪生模型的核心驱动力,指孪生模型生成与运行过程中的所有数据,以及由诊断资源控制进行数据分析后的派生数据;采用Oracle关系型数据库来存储由实际对象单元采集到的数据以及孪生数据单元产生的孪生数据;
孪生数据包括实际对象单元PO数据、孪生数据单元TR数据、资源控制单元SU数据、知识数据以及融合派生数据;其数学输出式为:
TWU={TWp,TWv,TWs,TWk,TWf} (2)
TWp表示实际对象单元的规格、性能实际属性以及反映实际对象的运行情况、环境参数;
TWv表示隐私对象TR相关数据,包括实际对象所对应的规格、载荷和特征对应的几何模型相关数据以及限制、条件和关联相关的行为条件模型数据;
TWs表示***工作时需要的算法、行为限制和数据处理方法相关数据以及在运行过程中需要存储在数据库便于后面分析训练的数据;
TWk包括专家知识、疾病标准、条件限制、推理方法论以及常用算法库与模型库相关的数据;
TWf表示对TWp,TWv,TWs,TWk进行预处理、映射、迁移、聚类、关联、协同以及融合各种手段处理后得到的派生数据。
进一步的,所述获取已出院的康复患者的治疗档案数据,提取所述治疗档案数据的康复患者检测数据,将所述康复患者检测数据与所述预报警数据进行比对,得到报警比对结果,具体包括:
获取已出院的脓毒症康复患者信息,提取所述脓毒症康复患者信息的治疗档案数据;
依据所述治疗档案数据,对所述脓毒症康复患者信息进行康复类型的聚类分析,获得康复聚类结果;
依据所述脓毒症康复患者信息的康复结果聚类,采用不同的数据提取策略获取各个康复结果聚类下脓毒症康复患者信息的康复检测历史数据;
将对应康复结果聚类下的脓毒症康复患者信息的康复检测历史数据与所述预报警数据进行比对,得到报警比对结果。
其中,在该实施例中,采用不同的数据提取策略获取各个康复结果聚类下脓毒症康复患者信息的康复检测历史数据指代的是依据所述脓毒症康复患者信息对应的检测部位获取对应部位的康复检测历史数据。
进一步的,依据所述报警比对结果,采用不同的报警策略向不同的脓毒症患者终端发出风险报警预测;
其中,所述不同的报警策略向不同的脓毒症患者终端指代的是向不同的医疗科室发出会诊请求。
根据本发明第二实施例,参照图4,本发明请求保护一种基于数字孪生的脓毒症患者关联的预测***,包括:
病情聚类模块,获取待检测脓毒症患者的第一检测数据,依据所述第一检测数据对所述待检测脓毒症患者进行病情聚类,得到待检测脓毒症患者的病情聚类结果;
检测模块,依据所述待检测脓毒症患者的病情聚类结果,采用不同的数据检测策略获取各个患者病情聚类集下待检测脓毒症患者的第二检测数据;
孪生仿真模块,生成脓毒症数字孪生仿真模型,将所述第二检测数据输入所述脓毒症数字孪生仿真模型中,得到所述待检测脓毒症患者的预报警数据;
报警比对模块,获取已出院的康复患者的治疗档案数据,提取所述治疗档案数据的康复患者检测数据,将所述康复患者检测数据与所述预报警数据进行比对,得到报警比对结果;
报警输出模块,依据所述报警比对结果,采用不同的报警策略向不同的脓毒症患者终端发出风险报警预测。
进一步的,所述病情聚类模块,具体包括:
获取所述待检测脓毒症患者的第一检测数据,从所述第一检测数据中提取所述待检测脓毒症患者的不同部位检测的一个或多个异常指标值;
获取所述异常指标值中偏离正常值比例最大的第一异常指标值,识别所述第一异常指标值对应的检测部位;
依据所述检测部位对所述待检测脓毒症患者进行病情聚类,得到所述待检测脓毒症患者的病情聚类结果。
进一步的,所述检测模块,具体包括:
获取所述待检测脓毒症患者的病情聚类结果,当所述待检测脓毒症患者属于第一类潜在脓毒症时,获取所述待检测脓毒症患者的淋巴组织检测数据;
当所述待检测脓毒症患者属于第二类潜在脓毒症时,获取所述待检测脓毒症患者的肝脏组织检测数据;
当所述待检测脓毒症患者属于第三类潜在脓毒症时,获取所述待检测脓毒症患者的肾脏组织检测数据;
当所述待检测脓毒症患者属于第三类潜在脓毒症时,获取所述待检测脓毒症患者的心脑血管组织检测数据。
进一步的,所述孪生仿真模块,具体包括:
获取第二检测数据的实时运行数据,依据检测装置中的感测器,获取包括电势差、检测设备类型、检测次数和检测总时长数据;
生成第二检测数据的孪生关联单元;在U3D平台上生成三维模型检测数据格式,生成检测装置的三维可视化模型,进一步开发数据关联、数字化输出单元、隐私对象编辑单元、集中管理端口、可编程调试、历史数据记录单元、扩展端口和数据仿真分析单元;
生成资源控制单元,根据数据关联单元所提供的端口实现相应的资源控制,具体包括:统一端口控制资源控制、可编程调试资源控制、历史数据记录资源控制、数据访问资源控制、数据周期资源控制、检测装置脓毒症管理资源控制;
依据传输单元建立各单元之间的映射,将实时获取的数据存入孪生数据单元,实时更新孪生模型的状态参数;
依据调用检测装置脓毒症管理资源控制,根据当前检测装置状态参数预测所述待检测脓毒症患者的预报警数据。
进一步的,所述报警比对模块,具体包括:
获取已出院的脓毒症康复患者信息,提取所述脓毒症康复患者信息的治疗档案数据;
依据所述治疗档案数据,对所述脓毒症康复患者信息进行康复类型的聚类分析,获得康复聚类结果;
依据所述脓毒症康复患者信息的康复结果聚类,采用不同的数据提取策略获取各个康复结果聚类下脓毒症康复患者信息的康复检测历史数据;
将对应康复结果聚类下的脓毒症康复患者信息的康复检测历史数据与所述预报警数据进行比对,得到报警比对结果。
本领域技术人员能够理解,本公开所披露的内容可以出现多种变型和改进。例如,以上所描述的各种检测装置或组件可以依据硬件实现,也可以依据软件、固件、或者三者中的一些或全部的组合实现。
本公开中使用了流程图用来说明根据本公开的实施例的方法的步骤。应当理解的是,前面或后面的步骤不一定按照顺序来精确的进行。相反,可以按照倒序或同时处理各种步骤。同时,也可以将其他操作添加到这些过程中。
本领域普通技术人员可以理解上述方法中的全部或部分的步骤可依据计算机程序来指令相关硬件完成,程序可以存储于计算机可读存储介质中,如只读存储器、磁盘或光盘等。可选地,上述实施例的全部或部分步骤也可以使用一个或多个协同电路来实现。相应地,上述实施例中的各单元/单元可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。本公开并不限制于任何特定形式的硬件和软件的结合。
除非另有定义,这里使用的所有术语具有与本公开所属领域的普通技术人员共同理解的相同含义。还应当理解,诸如在通常字典里定义的那些术语应当被解释为具有与它们在相关技术的上下文中的含义相一致的含义,而不应用理想化或极度形式化的意义来解释,除非这里明确地这样定义。
以上是对本公开的说明,而不应被认为是对其的限制。尽管描述了本公开的若干示例性实施例,但本领域技术人员将容易地理解,在不背离本公开的新颖教学和优点的前提下可以对示例性实施例进行许多修改。因此,所有这些修改都意图包含在权利要求书所限定的本公开范围内。应当理解,上面是对本公开的说明,而不应被认为是限于所公开的特定实施例,并且对所公开的实施例以及其他实施例的修改意图包含在所附权利要求书的范围内。本公开由权利要求书及其等效物限定。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例,本领域的普通技术人员可以理解:在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由权利要求及其等同物限定。
Claims (6)
1.一种基于数字孪生的脓毒症患者关联的预测方法,其特征在于,包括:
获取待检测脓毒症患者的第一检测数据,依据所述第一检测数据对所述待检测脓毒症患者进行病情聚类,得到待检测脓毒症患者的病情聚类结果;
依据所述待检测脓毒症患者的病情聚类结果,采用不同的数据检测策略获取各个患者病情聚类集下待检测脓毒症患者的第二检测数据;
生成脓毒症数字孪生仿真模型,将所述第二检测数据输入所述脓毒症数字孪生仿真模型中,得到所述待检测脓毒症患者的预报警数据;
获取已出院的康复患者的治疗档案数据,提取所述治疗档案数据的康复患者检测数据,将所述康复患者检测数据与所述预报警数据进行比对,得到报警比对结果;
依据所述报警比对结果,采用不同的报警策略向不同的脓毒症患者终端发出风险报警预测;
所述获取待检测脓毒症患者的第一检测数据,依据所述第一检测数据对所述待检测脓毒症患者进行病情聚类,得到待检测脓毒症患者的病情聚类结果,具体包括:
获取所述待检测脓毒症患者的第一检测数据,从所述第一检测数据中提取所述待检测脓毒症患者的不同部位检测的一个或多个异常指标值;
获取所述异常指标值中偏离正常值比例最大的第一异常指标值,识别所述第一异常指标值对应的检测部位;
依据所述检测部位对所述待检测脓毒症患者进行病情聚类,得到所述待检测脓毒症患者的病情聚类结果;
所述依据所述待检测脓毒症患者的病情聚类结果,采用不同的数据检测策略获取各个患者病情聚类集下待检测脓毒症患者的第二检测数据,具体包括:
获取所述待检测脓毒症患者的病情聚类结果,当所述待检测脓毒症患者属于第一类潜在脓毒症时,获取所述待检测脓毒症患者的淋巴组织检测数据;
当所述待检测脓毒症患者属于第二类潜在脓毒症时,获取所述待检测脓毒症患者的肝脏组织检测数据;
当所述待检测脓毒症患者属于第三类潜在脓毒症时,获取所述待检测脓毒症患者的肾脏组织检测数据;
当所述待检测脓毒症患者属于第三类潜在脓毒症时,获取所述待检测脓毒症患者的心脑血管组织检测数据。
2.如权利要求1所述的一种基于数字孪生的脓毒症患者关联的预测方法,其特征在于,
所述生成脓毒症数字孪生仿真模型,将所述第二检测数据输入所述脓毒症数字孪生仿真模型中,得到所述待检测脓毒症患者的预报警数据,具体包括:
获取第二检测数据的实时运行数据,依据检测装置中的感测器,获取包括电势差、检测设备类型、检测次数和检测总时长数据;
生成第二检测数据的孪生关联单元;在U3D平台上生成三维模型检测数据格式,生成检测装置的三维可视化模型,进一步开发数据关联、数字化输出单元、隐私对象编辑单元、集中管理端口、可编程调试、历史数据记录单元、扩展端口和数据仿真分析单元;
生成资源控制单元,根据数据关联单元所提供的端口实现相应的资源控制,具体包括:统一端口控制资源控制、可编程调试资源控制、历史数据记录资源控制、数据访问资源控制、数据周期资源控制、检测装置脓毒症管理资源控制;
依据传输单元建立各单元之间的映射,将实时获取的数据存入孪生数据单元,实时更新孪生模型的状态参数;
依据调用检测装置脓毒症管理资源控制,根据当前检测装置状态参数预测所述待检测脓毒症患者的预报警数据。
3.如权利要求2所述的一种基于数字孪生的脓毒症患者关联的预测方法,其特征在于,
所述获取已出院的康复患者的治疗档案数据,提取所述治疗档案数据的康复患者检测数据,将所述康复患者检测数据与所述预报警数据进行比对,得到报警比对结果,具体包括:
获取已出院的脓毒症康复患者信息,提取所述脓毒症康复患者信息的治疗档案数据;
依据所述治疗档案数据,对所述脓毒症康复患者信息进行康复类型的聚类分析,获得康复聚类结果;
依据所述脓毒症康复患者信息的康复结果聚类,采用不同的数据提取策略获取各个康复结果聚类下脓毒症康复患者信息的康复检测历史数据;
将对应康复结果聚类下的脓毒症康复患者信息的康复检测历史数据与所述预报警数据进行比对,得到报警比对结果。
4.一种基于数字孪生的脓毒症患者关联的预测***,其特征在于,包括:
病情聚类模块,获取待检测脓毒症患者的第一检测数据,依据所述第一检测数据对所述待检测脓毒症患者进行病情聚类,得到待检测脓毒症患者的病情聚类结果;
检测模块,依据所述待检测脓毒症患者的病情聚类结果,采用不同的数据检测策略获取各个患者病情聚类集下待检测脓毒症患者的第二检测数据;
孪生仿真模块,生成脓毒症数字孪生仿真模型,将所述第二检测数据输入所述脓毒症数字孪生仿真模型中,得到所述待检测脓毒症患者的预报警数据;
报警比对模块,获取已出院的康复患者的治疗档案数据,提取所述治疗档案数据的康复患者检测数据,将所述康复患者检测数据与所述预报警数据进行比对,得到报警比对结果;
报警输出模块,依据所述报警比对结果,采用不同的报警策略向不同的脓毒症患者终端发出风险报警预测;
所述病情聚类模块,具体包括:
获取所述待检测脓毒症患者的第一检测数据,从所述第一检测数据中提取所述待检测脓毒症患者的不同部位检测的一个或多个异常指标值;
获取所述异常指标值中偏离正常值比例最大的第一异常指标值,识别所述第一异常指标值对应的检测部位;
依据所述检测部位对所述待检测脓毒症患者进行病情聚类,得到所述待检测脓毒症患者的病情聚类结果;
所述检测模块,具体包括:
获取所述待检测脓毒症患者的病情聚类结果,当所述待检测脓毒症患者属于第一类潜在脓毒症时,获取所述待检测脓毒症患者的淋巴组织检测数据;
当所述待检测脓毒症患者属于第二类潜在脓毒症时,获取所述待检测脓毒症患者的肝脏组织检测数据;
当所述待检测脓毒症患者属于第三类潜在脓毒症时,获取所述待检测脓毒症患者的肾脏组织检测数据;
当所述待检测脓毒症患者属于第三类潜在脓毒症时,获取所述待检测脓毒症患者的心脑血管组织检测数据。
5.如权利要求4所述的一种基于数字孪生的脓毒症患者关联的预测***,其特征在于,
所述孪生仿真模块,具体包括:
获取第二检测数据的实时运行数据,依据检测装置中的感测器,获取包括电势差、检测设备类型、检测次数和检测总时长数据;
生成第二检测数据的孪生关联单元;在U3D平台上生成三维模型检测数据格式,生成检测装置的三维可视化模型,进一步开发数据关联、数字化输出单元、隐私对象编辑单元、集中管理端口、可编程调试、历史数据记录单元、扩展端口和数据仿真分析单元;
生成资源控制单元,根据数据关联单元所提供的端口实现相应的资源控制,具体包括:统一端口控制资源控制、可编程调试资源控制、历史数据记录资源控制、数据访问资源控制、数据周期资源控制、检测装置脓毒症管理资源控制;
依据传输单元建立各单元之间的映射,将实时获取的数据存入孪生数据单元,实时更新孪生模型的状态参数;
依据调用检测装置脓毒症管理资源控制,根据当前检测装置状态参数预测所述待检测脓毒症患者的预报警数据。
6.如权利要求5所述的一种基于数字孪生的脓毒症患者关联的预测***,其特征在于,
所述报警比对模块,具体包括:
获取已出院的脓毒症康复患者信息,提取所述脓毒症康复患者信息的治疗档案数据;
依据所述治疗档案数据,对所述脓毒症康复患者信息进行康复类型的聚类分析,获得康复聚类结果;
依据所述脓毒症康复患者信息的康复结果聚类,采用不同的数据提取策略获取各个康复结果聚类下脓毒症康复患者信息的康复检测历史数据;
将对应康复结果聚类下的脓毒症康复患者信息的康复检测历史数据与所述预报警数据进行比对,得到报警比对结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311048018.4A CN116805520B (zh) | 2023-08-21 | 2023-08-21 | 一种基于数字孪生的脓毒症患者关联的预测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311048018.4A CN116805520B (zh) | 2023-08-21 | 2023-08-21 | 一种基于数字孪生的脓毒症患者关联的预测方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116805520A CN116805520A (zh) | 2023-09-26 |
CN116805520B true CN116805520B (zh) | 2023-11-10 |
Family
ID=88080831
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311048018.4A Active CN116805520B (zh) | 2023-08-21 | 2023-08-21 | 一种基于数字孪生的脓毒症患者关联的预测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116805520B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117789965B (zh) * | 2024-02-23 | 2024-06-07 | 北京惠每云科技有限公司 | 基于数字孪生的静脉血栓防治仿真评估方法及*** |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022216220A1 (en) * | 2021-04-07 | 2022-10-13 | Biosigns Pte. Ltd. | Method and system for personalized prediction of infection and sepsis |
CN115206551A (zh) * | 2022-08-10 | 2022-10-18 | 北京京东拓先科技有限公司 | 一种基于数字孪生的健康状态监测方法及装置 |
WO2022225460A1 (en) * | 2021-04-20 | 2022-10-27 | Mesh Bio Pte. Ltd. | Method and system for generating a metabolic digital twin for clinical decision support |
CN116110597A (zh) * | 2023-01-30 | 2023-05-12 | 深圳市平行维度科技有限公司 | 一种基于数字孪生的患者病症类别智能分析方法及装置 |
CN116597981A (zh) * | 2023-05-10 | 2023-08-15 | 复旦大学附属中山医院 | 一种结合数字孪生技术进行慢阻肺疾病防治管理的方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210241909A1 (en) * | 2020-02-03 | 2021-08-05 | Koninklijke Philips N.V. | Method and a system for evaluating treatment strategies on a virtual model of a patient |
US20230070179A1 (en) * | 2021-09-09 | 2023-03-09 | GenoEmote LLC | Method and system for personality to disease condition mapping |
-
2023
- 2023-08-21 CN CN202311048018.4A patent/CN116805520B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022216220A1 (en) * | 2021-04-07 | 2022-10-13 | Biosigns Pte. Ltd. | Method and system for personalized prediction of infection and sepsis |
WO2022225460A1 (en) * | 2021-04-20 | 2022-10-27 | Mesh Bio Pte. Ltd. | Method and system for generating a metabolic digital twin for clinical decision support |
CN115206551A (zh) * | 2022-08-10 | 2022-10-18 | 北京京东拓先科技有限公司 | 一种基于数字孪生的健康状态监测方法及装置 |
CN116110597A (zh) * | 2023-01-30 | 2023-05-12 | 深圳市平行维度科技有限公司 | 一种基于数字孪生的患者病症类别智能分析方法及装置 |
CN116597981A (zh) * | 2023-05-10 | 2023-08-15 | 复旦大学附属中山医院 | 一种结合数字孪生技术进行慢阻肺疾病防治管理的方法 |
Non-Patent Citations (3)
Title |
---|
Development and Verification of a Digital Twin Patient Model to Predict Specific Treatment Response During the First 24 Hours of Sepsis;Lal Amos 等;《 Critical care explorations》;第2卷(第11期);249 * |
基于大数据的全程健康管理服务模式探讨;范晨皓 等;《中国医学装备》;第15卷(第03期);130-134 * |
炎性标记物与脓毒症患者病情严重程度量化关系;周晓丰 等;《临床荟萃》;第31卷(第11期);1209-1212 * |
Also Published As
Publication number | Publication date |
---|---|
CN116805520A (zh) | 2023-09-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11468998B2 (en) | Methods and systems for software clinical guidance | |
Bichindaritz et al. | Case-based reasoning in the health sciences: What's next? | |
Ismail et al. | Healthcare analysis in smart big data analytics: reviews, challenges and recommendations | |
CN116805520B (zh) | 一种基于数字孪生的脓毒症患者关联的预测方法及*** | |
CN110880362A (zh) | 一种大规模医疗数据知识挖掘与治疗方案推荐*** | |
CN113270192A (zh) | 基于动静态数据结合与深度自编码器的血透风险预测*** | |
US20220310260A1 (en) | System and Methods for Knowledge Representation and Reasoning in Clinical Procedures | |
CN112786190B (zh) | 一种多维数据融合的医疗健康诊疗方法 | |
CN114611879A (zh) | 一种基于多任务学习的临床风险预测*** | |
Subasi et al. | Digital twins in healthcare and biomedicine | |
Madanan et al. | Designing a hybrid artificial intelligent clinical decision support system using artificial neural network and artificial Bee Colony for predicting heart failure rate | |
Peixoto et al. | Predicting resurgery in intensive care-a data mining approach | |
CN116230224A (zh) | 一种基于时序模型心力衰竭不良事件预测方法及*** | |
US11756200B2 (en) | Medical imaging with functional architecture tracking | |
Lamb et al. | Artificial intelligence in medicine and male infertility | |
CN116259396A (zh) | 基于机器学习的治疗费用预测方法、***、设备及存储介质 | |
CN114255878A (zh) | 一种疾病分型模型的训练方法、***、装置及存储介质 | |
Cypko et al. | Development of a Clinical Decision Support System | |
CN114098638A (zh) | 一种可解释的动态疾病严重程度预测方法 | |
CN114783587A (zh) | 严重急性肾损伤智能预测*** | |
CN113990502A (zh) | 一种基于异构图神经网络的icu心衰预测*** | |
Bala et al. | Applications of Machine Learning and Deep Learning for maintaining Electronic Health Records | |
Gaebel et al. | Modular architecture for integrated model-based decision support | |
Hu | A Recurrent Network Approach to G-Computation for Sepsis Outcome Prediction Under Dynamic Treatment Regimes | |
Amoo et al. | Survival Model for Diabetes Mellitus Patient Receiving Treatment |
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 |