CN116936117A - 基于ai分析模型的慢性病大数据识别和分析处理方法 - Google Patents
基于ai分析模型的慢性病大数据识别和分析处理方法 Download PDFInfo
- Publication number
- CN116936117A CN116936117A CN202310977801.2A CN202310977801A CN116936117A CN 116936117 A CN116936117 A CN 116936117A CN 202310977801 A CN202310977801 A CN 202310977801A CN 116936117 A CN116936117 A CN 116936117A
- Authority
- CN
- China
- Prior art keywords
- chronic disease
- disease
- analysis
- data
- period
- 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.)
- Pending
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 273
- 208000017667 Chronic Disease Diseases 0.000 title claims abstract description 254
- 238000003672 processing method Methods 0.000 title claims abstract description 16
- 201000010099 disease Diseases 0.000 claims abstract description 141
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 141
- 238000012360 testing method Methods 0.000 claims abstract description 84
- 238000012549 training Methods 0.000 claims abstract description 50
- 230000004044 response Effects 0.000 claims abstract description 32
- 238000011161 development Methods 0.000 claims abstract description 22
- 238000013135 deep learning Methods 0.000 claims abstract description 14
- 238000000034 method Methods 0.000 claims description 30
- 230000001684 chronic effect Effects 0.000 claims description 27
- 230000004927 fusion Effects 0.000 claims description 14
- 230000015654 memory Effects 0.000 claims description 11
- 238000005457 optimization Methods 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 238000003556 assay Methods 0.000 claims description 6
- 238000009534 blood test Methods 0.000 claims description 6
- 230000008676 import Effects 0.000 claims description 6
- 210000001835 viscera Anatomy 0.000 claims description 6
- 238000009535 clinical urine test Methods 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 4
- 210000001124 body fluid Anatomy 0.000 claims description 3
- 239000010839 body fluid Substances 0.000 claims description 3
- 238000012790 confirmation Methods 0.000 claims description 3
- 238000013136 deep learning model Methods 0.000 claims description 3
- 238000005728 strengthening Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 abstract description 17
- 230000002265 prevention Effects 0.000 abstract description 9
- 238000003908 quality control method Methods 0.000 abstract description 5
- 238000012216 screening Methods 0.000 abstract description 5
- 230000007547 defect Effects 0.000 abstract description 3
- 238000010224 classification analysis Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 208000031662 Noncommunicable disease Diseases 0.000 description 3
- 206010030113 Oedema Diseases 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000004590 computer program Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000002554 disease preventive effect Effects 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000003449 preventive effect Effects 0.000 description 2
- 206010008190 Cerebrovascular accident Diseases 0.000 description 1
- 208000014085 Chronic respiratory disease Diseases 0.000 description 1
- 206010052139 Eye oedema Diseases 0.000 description 1
- 206010018367 Glomerulonephritis chronic Diseases 0.000 description 1
- 206010020772 Hypertension Diseases 0.000 description 1
- 206010030124 Oedema peripheral Diseases 0.000 description 1
- 208000006011 Stroke Diseases 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 210000005252 bulbus oculi Anatomy 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 230000002490 cerebral effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 208000029078 coronary artery disease Diseases 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 206010012601 diabetes mellitus Diseases 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000006806 disease prevention Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 210000001508 eye Anatomy 0.000 description 1
- 208000035474 group of disease Diseases 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003032 molecular docking Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008506 pathogenesis Effects 0.000 description 1
- 230000005180 public health Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 239000007787 solid 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
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
-
- 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)
- Data Mining & Analysis (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Epidemiology (AREA)
- Theoretical Computer Science (AREA)
- Primary Health Care (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明涉及一种基于AI分析模型的慢性病大数据识别和分析处理方法,利用深度学习网络训练生成的慢性病AI分析模型,对慢性病大数据进行分类分析,得到不同临床化验和临床体表指标下的数据特征,并融合输出为当前患者的病情期预估分析结果,以此用于评估或者统计慢性病的发展历史,评估出当前患者可能处于的慢性病病情期,预估出患者的发病阶段,及时让主治医生对患者作出管理响应,及早介入慢性病的预防治疗,让患者了解到发病阶段预估结果,可以让患者积极配合预防治疗,主动提高对疾病的筛查检频率和积极性。可以降低因业务能力和经验导致的慢性病评估和管理缺陷,及时输出患者所处的慢性病发病预估阶段,对于慢性病的质检管理效率大大提高。
Description
技术领域
本发明涉及疾病智能识别技术领域,尤其涉及一种基于AI分析模型的慢性病大数据识别和分析处理方法、装置和电子设备。
背景技术
慢性病是慢性非传染性疾病(NCDS)的简称,不是特指某种疾病,而是对一组起病时间长、一旦发病即病青迁延不愈的非传染性疾病的概括性总称。常见的慢性病有冠心病、脑卒中、高血压病、恶性肿瘤、糖尿病、慢性呼吸***疾病等。该类疾病具有发病率高、知晓率低和控制率低的共同特点,目前已成为严重威胁世界人民健康、影响国家经济社会发展的重大公共卫生问题。
慢性病是一组发病率、致残率和死亡率高,严重耗费社会资源,危害区域内居民健康的疾病,因此有必要加强重视。
而随着医疗大数据的应用和发展,可以发现现有生活中,因慢性病而导致伤残、病死的患者也越老越多,这也就导致了人们甚至社会和国家,也逐渐将慢性病的疾控问题放在了关键医疗管控上。
传统的慢性病质控、医疗检查等手段比较简单,一般通过患者体检、医生质控管理来实现慢性病的医疗管理,而面对现有医疗中所需要应对的慢性病患者大数据问题,传统的慢性病质控手段存在如下缺陷:
传统的慢性病医疗检查管理,需要依赖于主治医生人员的业务能力、经验以及医院对病人的主动管理,而慢性病患者对于慢性病疾病的主动管理较少,缺乏主动性;
现有面对海量的慢性病患者,人工筛查慢性变患者的手段,筛查和慢性病质检管理效率比较低下,需要主治医生等查阅病人历史数据,以此来确定(慢性病)患者的病情期、确诊是否为慢性病等等,因此相当耗时,而且效率非常慢;
再者就是无法为患者提供初步的慢性病预估分析结果,很多慢性病患者前期得不到相应的疾病筛查,导致后续一检查即为慢性病,因此前期得不到医院的主动疾病管理和慢性变智能分析评估和提醒,因此错失了前期的良好治疗时机。
因此有必要为患者提供智能分析和预估的慢性病识别分析和预估手段,降低患者的慢性病病变发展风险。
发明内容
为了解决上述问题,本发明提出一种基于AI分析模型的慢性病大数据识别和分析处理方法、装置和电子设备。
本发明一方面,提出一种基于AI分析模型的慢性病大数据识别和分析处理方法,包括如下步骤:
从医院HIS***中获取患者的临床检查数据并共享至后台服务器;
将所述临床检查数据导入预设的慢性病AI分析模型,利用所述慢性病AI分析模型识别并分析出当前患者分别在临床化验数据和临床体表数据上所属的慢性病病情期,并融合输出为当前患者的病情期预估分析结果;
所述后台服务器将所述病情期预估分析结果保存在后台数据库中,并同时共享至医护端和用户端;
所述医护端和所述用户端接收并解析所述病情期预估分析结果,得到当前患者所属的慢性病预估病情期。
作为本发明的一可选实施方案,可选地,所述慢性病AI分析模型的生成方法,包括:
收集慢性病患者的历史就诊数据;
对所述历史就诊数据进行数据分类,得到所述慢性病患者在历史上的慢性病化验数据和慢性病体表数据,其中,
所述慢性病化验数据包含所述慢性病患者在不同病情期的:尿检化验数据、血检化验数据、内脏器官的体液化验数据;
所述慢性病体表数据包含所述慢性病患者在不同病情期的:身体各部位的体表图像数据、内脏器官的体表图像数据;
利用信息提取器,分别对所述慢性病化验数据和所述慢性病体表数据进行特征提取,得到所述慢性病患者在不同病情期的化验参数特征和体表特征;
将所述慢性病患者在不同病情期的化验参数特征作为一训练数据集1,将在不同病情期的体表特征作为另一训练数据集2,分别输入深度学习网络CNN,进行模型训练。
作为本发明的一可选实施方案,可选地,所述慢性病AI分析模型的生成方法,还包括:
按照预设的优化迭代条件,对训练数据集1和训练数据集2分别进行深度学习模型训练;
优化迭代训练之后,进行调参,分别生成对应化验参数的第一分析模型和对应体表特征的第二分析模型:
所述第一分析模型,用于识别并提取临床检查数据中的化验参数,并分析评估出与当前所述化验参数相匹配的慢性病病情期A;
所述第二分析模型,用于识别并提取临床检查数据中的体表特征,并分析评估出与当前所述体表特征相匹配的慢性病病情期B;
将所述第一分析模型和所述第二分析模型,进行模型部署并进行临床测试,分别矫正所述第一分析模型和所述第二分析模型的识别精度;
矫正完毕,对所述第一分析模型和所述第二分析模型进行模型融合,得到所述慢性病AI分析模型;
将所述慢性病AI分析模型部署并安装在后台服务器上。
作为本发明的一可选实施方案,可选地,在模型融合之后,还包括:
将模型融合得到的慢性病AI分析模型,发送至云服务器:
由云服务器对所述慢性病AI分析模型,进行模型前置审核和模型云上备份:
按照预设的审批规则,对所述慢性病AI分析模型进行上级权限的前置审核:当所述慢性病AI分析模型同时满足对化验参数特征和体表特征的识别精度与响应时间的审批规则之时,云服务器向后台服务器发出模型确认指令,确认部署所述慢性病AI分析模型;
同时将所述慢性病AI分析模型备份保存在云服务器上的云储存应用中。
作为本发明的一可选实施方案,可选地,将所述临床检查数据导入预设的慢性病AI分析模型,利用所述慢性病AI分析模型识别并分析出当前患者分别在临床化验数据和临床体表数据上所属的慢性病病情期,并融合输出为当前患者的病情期预估分析结果,包括:
后台服务器接收所述临床检查数据并将所述临床检查数据导入预设的慢性病AI分析模型中;
所述慢性病AI分析模型对所述临床检查数据进行数据识别,识别得到当前患者在临床检查中的临床化验数据和临床体表数据;
对所述临床化验数据进行化验参数提取,得到对应的化验参数特征,匹配并输出与当前所述化验参数特征相匹配的慢性病病情期A;
对所述临床体表数据进行体表特征提取,得到对应的体表特征,匹配并输出与当前所述体表特征相匹配的慢性病病情期B;
将所述慢性病病情期A和所述慢性病病情期B,进行融合,得到当前患者的病情期预估分析结果并输出,所述病情期预估分析结果用于评价当前患者所属的慢性病预估病情期。
作为本发明的一可选实施方案,可选地,在后台服务器接收所述临床检查数据并将所述临床检查数据导入预设的慢性病AI分析模型中之时,还包括:
后台服务器判断当前接诊慢性病患者的数量是否超过预设值:
若未超过,则放弃;
若超过,则向云服务器发出请求,请求上级权限部门分担一部分所述临床检查数据的预估分析;
所述云服务器响应该请求,并调用云上备份的所述慢性病AI分析模型,对所分担的所述临床检查数据进行预估分析,生成对应的病情期预估分析结果并转发至所述后台服务器,由所述后台服务器再共享至医护端和用户端。
作为本发明的一可选实施方案,可选地,在得到当前患者的病情期预估分析结果之后,还包括:
将所述病情期预估分析结果保存在后台服务器中;
按照更新频率,将每隔一段时间的所述病情期预估分析结果收集为优化训练数据集;
将所述优化训练数据集输入深度学习网络CNN,让所述慢性病AI分析模型进行自适应学习,强化学习对化验参数特征和体表特征的识别精度与响应时间。
作为本发明的一可选实施方案,可选地,在所述后台服务器将所述病情期预估分析结果共享至医护端和用户端之后,还包括:
将所述病情期预估分析结果返回至医院HIS***;
医院HIS***接收所述病情期预估分析结果,并将所述病情期预估分析结果绑定在当前患者的就诊ID之下;
将所述病情期预估分析结果写入当前患者的病历单中,并结合当前患者的历史就诊数据,形成以病情期为时间轴的慢性病特征记录表;
将所述慢性病特征记录表共享至医护端,让医护端的后台管理员及时评估当前患者的慢性病发展历史,及时作出管理响应,并将所述管理响应通过后台服务器发送至用户端。
本发明另一方面,提出一种实现所述基于AI分析模型的慢性病大数据识别和分析处理方法的装置,包括:
医院HIS***,用于获取患者的临床检查数据并共享至后台服务器;
后台服务器,用于将所述临床检查数据导入预设的慢性病AI分析模型,利用所述慢性病AI分析模型识别并分析出当前患者分别在临床化验数据和临床体表数据上所属的慢性病病情期,并融合输出为当前患者的病情期预估分析结果;同时共享至医护端和用户端;
后台数据库,用于保存所述病情期预估分析结果;
医护端,用于接收并解析所述病情期预估分析结果,得到当前患者所属的慢性病预估病情期,让医护端的后台管理员及时评估当前患者的慢性病发展历史,及时作出管理响应,并将所述管理响应通过后台服务器发送至用户端;
用户端,用于接收并解析所述病情期预估分析结果,得到当前患者所属的慢性病预估病情期,以及接收所述管理响应,并及时回复所述管理响应。
本发明另一方面,还提出一种电子设备,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为执行所述可执行指令时实现所述基于AI分析模型的慢性病大数据识别和分析处理方法。
本发明的技术效果:
本发明通过利用深度学习网络训练生成的用于识别多源慢性病特征的慢性病AI分析模型,对慢性病大数据进行分类分析,得到不同临床化验数据和临床体表数据指标下的数据特征,并融合输出为当前患者的病情期预估分析结果,以此用于评估或者统计慢性病的发展历史,评估出当前患者可能处于的慢性病病情期,预估出患者的发病阶段,及时让主治医生对患者作出管理响应,及早介入慢性病的预防治疗,让患者了解到发病阶段预估结果,可以让患者积极配合预防治疗,主动提高对疾病的筛查检频率和积极性。本方案可以降低因业务能力和经验导致的慢性病评估和管理缺陷,可以利用后台部署的慢性病AI分析模型,实时对患者的临床检查数据进行慢性病病情期预估,及时输出患者所处的慢性病发病预估阶段,及时作出响应,对于慢性病的质检管理效率大大提高。
根据下面参考附图对示例性实施例的详细说明,本发明的其它特征及方面将变得清楚。
附图说明
包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本发明的示例性实施例、特征和方面,并且用于解释本发明的原理。
图1示出为本发明的应用***示意图。
图2示出为本发明不同病情期的发病特征提取示意图。
图3示出为本发明利用化验参数数据集和体表特征数据集进行CNN训练的示意图。
图4示出为本发明模型融合时的云上确认部署示意图。
图5示出为本发明利用后台部署的慢性病AI分析模型对临床检查数据进行慢性病病情期的识别和输出示意图。
图6示出为本发明利用评估结构对慢性病AI分析模型进行自适应学习的反馈学习示意图。
图7示出为本发明电子设备的应用示意图。
具体实施方式
以下将参考附图详细说明本发明的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面,但是除非特别指出,不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
另外,为了更好的说明本发明,在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解,没有某些具体细节,本发明同样可以实施。在一些实例中,对于本领域技术人员熟知的、手段、元件和电路未作详细描述,以便于凸显本发明的主旨。
实施例1
本发明一方面,提出一种基于AI分析模型的慢性病大数据识别和分析处理方法,包括如下步骤:
从医院HIS***中获取患者的临床检查数据并共享至后台服务器;
将所述临床检查数据导入预设的慢性病AI分析模型,利用所述慢性病AI分析模型识别并分析出当前患者分别在临床化验数据和临床体表数据上所属的慢性病病情期,并融合输出为当前患者的病情期预估分析结果;
所述后台服务器将所述病情期预估分析结果保存在后台数据库中,并同时共享至医护端和用户端;
所述医护端和所述用户端接收并解析所述病情期预估分析结果,得到当前患者所属的慢性病预估病情期。
下面将结合附图1-6,对本实施例的步骤进行详细描述。
如图1所示,为本实施例的应用***示意图。
医院his***可以收集患者的临床检查数据,可以从不同的科室进行数据采集,比如从化验科收集当前患者的化验数据,从体体检科或者是其他的科室来收集当前患者的体表信息。
慢性病的患者在不同病情时期的化验数据,比如血检、尿检或者是其他化验数据,以及体表特征比如说眼球浮肿、慢性肾炎导致的腿部浮肿等体表图像信息,存在有所区别。因此可以从化验数据以及体表特征两个指标上对患者的慢性病发展病情期进行预估分析。根据处于不同病情期所体现出的化验参数特征以及所表现出的体表特征(浮肿程度)来共同识别当前患者可能所处的慢性病病情期(比如不同慢性病发展阶段所对应的浮肿程度不同),以此来预估出当前患者可能所处的慢性病发展阶段,及时介入当前患者的预防治疗,同时让慢性病患者积极参与预防治疗。提高对慢性病预防治疗的积极性,以便于医院的主治医生及时对各个病人进行慢性病预防分析,以及预防质控管理。
后台服务器与医院his***通信,可以及时将所收集的临床检查数据共享至后台服务器,并由后台部署的慢性病AI分析模型对各个患者的临床检查数据进行AI智能分析与识别,以此评估输出各个患者的慢性病病情期预估分析结果,并将病情期预估分析结果共享至医护端和用户端。可以让各个患者的主治医生及时介入预防管理,可以让慢性病患者及时获知自己的病情预估分析结果,可以查看预估出的慢性病病情期发展阶段,及时配合慢性病预防治疗。
本方案利用了强化学习技术,对慢性病数据进行临床化验数据和临床体表信息进行特征提取和训练学习,通过训练生成的慢性病AI分析模型来实现对临床检查数据的评估分析。
本方案优选CNN深度学习网络来实现对化验数据以及体表信息两个指标下的模型学习和训练。
作为本发明的一可选实施方案,可选地,所述慢性病AI分析模型的生成方法,包括:
收集慢性病患者的历史就诊数据;
对所述历史就诊数据进行数据分类,得到所述慢性病患者在历史上的慢性病化验数据和慢性病体表数据,其中,
所述慢性病化验数据包含所述慢性病患者在不同病情期的:尿检化验数据、血检化验数据、内脏器官的体液化验数据;
所述慢性病体表数据包含所述慢性病患者在不同病情期的:身体各部位的体表图像数据、内脏器官的体表图像数据;
利用信息提取器,分别对所述慢性病化验数据和所述慢性病体表数据进行特征提取,得到所述慢性病患者在不同病情期的化验参数特征和体表特征;
将所述慢性病患者在不同病情期的化验参数特征作为一训练数据集1,将在不同病情期的体表特征作为另一训练数据集2,分别输入深度学习网络CNN,进行模型训练。
如图2所示,可以从医疗数据库中收集慢性病患者在历史检查中的慢性病历史就诊数据。从历史就诊数据中进行数据分类,从历史就诊数据中提炼分类出慢性病化验数据以及慢性病体表信息。将历史就诊数据分为两类,分别为慢性病患者在不同病情期中的化验数据以及在对应病情期中的体表信息,比如在不同病情期的血检化验数据以及在对应病情期的眼球浮肿或者是小腿浮肿的图像数据。
每个病情期所对应的血检化验结果以及眼球或者小腿等部位的浮肿图像,在不同病情期所展示的发病特征有所程度上的差别,因此可以利用在不同病情期的化验数据特征以及体表图像特征来进行共同训练学习。
特征提取的方式可以通过一个信息提取器进行提取,以此提取得到不同病情期的化验参数特征和体表图像特征等等。信息提取器可以为卷积网络或者特征识别软件,比如对应的文本//图像识别提取软件。
将不同病情期的化验数据特征以及体表特征进行收集,生成对应的慢性病化验参数训练数据集以及对应的体表特征训练数据集。将历史上不同时期的化验参数特征收集为训练数据集1,将历史上各个病情期的体表特征收集为训练数据集2,并利用深度学习技术进行模型训练,由后台管理员来进行设定优化迭代条件,进行迭代优化训练,从而生成不同训练数据集下的训练模型。
作为本发明的一可选实施方案,可选地,所述慢性病AI分析模型的生成方法,还包括:
按照预设的优化迭代条件,对训练数据集1和训练数据集2分别进行深度学习模型训练;
优化迭代训练之后,进行调参,分别生成对应化验参数的第一分析模型和对应体表特征的第二分析模型:
所述第一分析模型,用于识别并提取临床检查数据中的化验参数,并分析评估出与当前所述化验参数相匹配的慢性病病情期A;
所述第二分析模型,用于识别并提取临床检查数据中的体表特征,并分析评估出与当前所述体表特征相匹配的慢性病病情期B;
将所述第一分析模型和所述第二分析模型,进行模型部署并进行临床测试,分别矫正所述第一分析模型和所述第二分析模型的识别精度;
矫正完毕,对所述第一分析模型和所述第二分析模型进行模型融合,得到所述慢性病AI分析模型;
将所述慢性病AI分析模型部署并安装在后台服务器上。
如图3所示,利用CNN深度学习网络分别对训练数据集1和训练数据集2进行优化迭代训练,经过后台管理员进行网络学习参数的调参步骤之后,可以生成对应的第一分析模型和第二分析模型,让第一分析模型初步具备识别不同病情期的化验参数特征的能力,让第二分析模型初步具备识别不同病情期的体表特征的能力。
后续在输入患者的临床检查数据之后,可以利用对应的分析模型对临床检查数据中的对应病情数据来进行特征提取并进一步的特征与病情期匹配,匹配输出与当前特征相对应的慢性病病情期。比如分第一分析模型可以对临床检查数据中的化验数据进行化验参数的提取,并输出与所提取的化验参数相匹配的慢性病病情期A。
为了提高分析模型的识别精度,本方案将初初步训练生成的第一分析模型和第二分析模型临时部署在后台上,进行临床测试,利用实时的临床检查数据来对分析模型进行反馈训练,以此来优化训练、矫正第一分析模型和第二分析模型的识别精度。
具体利用临床检测数据进行临床测试、矫正识别精度的方式可以参见上述CNN网学习网络的训练学习方式。
如图4所示,当矫正完毕,利用模型融合技术将两个模型融合为一个,以此降低模型的数据包大小,减少后台驱动压力。模型融合之后,将模型融合之后的慢性病AI分析模型部署在后台服务器上,慢性病AI分析模型同时具备第一分析模型与第二分析模型的数据识别能力,详见上述第一分析模型和第二分析模型的描述。模型融合技术可以采用现有方式。
作为本发明的一可选实施方案,可选地,在模型融合之后,还包括:
将模型融合得到的慢性病AI分析模型,发送至云服务器:
由云服务器对所述慢性病AI分析模型,进行模型前置审核和模型云上备份:
按照预设的审批规则,对所述慢性病AI分析模型进行上级权限的前置审核:当所述慢性病AI分析模型同时满足对化验参数特征和体表特征的识别精度与响应时间的审批规则之时,云服务器向后台服务器发出模型确认指令,确认部署所述慢性病AI分析模型;
同时将所述慢性病AI分析模型备份保存在云服务器上的云储存应用中。
如图4所示,本方案为了提高慢性病AI分析模型的临床实用性,可以在上级权限部门处(比如临床主任、副院长等具有上级权限的部门处,他们可以通过终端登录云服务器,在上级权限的管理下,实现对模型的质检把控)设置一个对慢性病AI分析模型的审批机制。可以在云服务器上设定一个具备上级权限的前置审核部门,在云服务器上部署对应的审批规则,在模型融合得到慢性病AI分析模型之后,发送并部署在后台服务器之前。
可以由后台管理员将在模型开发平台上融合得到的慢性病AI分析模型上传至云服务器,由上级权限部门通过终端登录云服务器,对所上报的慢性病AI分析模型进行功能和临床使用的审批,利用预设的审批规则来判断当前慢性病AI分析模型是否具备良好的临床实用性。
模型的前置审核包括利用上级权限部门所构建的审批规则来对模型的识别精度与响应时间进行判断。可以通过上级权限部门所构建的化验参数以及体表信息,来审批慢性病AI分析模型同时对化验参数特征和体表特征的识别精度和响应时间。
上级权限部门所构建的用于审批用的化验参数和体表信息,具体由上级权限部门进行设定,并通过终端配置在云服务器上。识别精度的审批要求,比如说识别精度必须达到一定的阈值,同样由上级权限部门进行设定;慢性病AI分析模型对同时化验参数特征和体表特征的识别响应时间,即输出结果的响应时间,具体由上级权限部门进行设定,比如说慢性病AI分析模型同时对化验参数特征和体表特征的识别与评估分析所需要的时间不应当超过三秒,在云服务器上实现模型签字审核之后,将慢性病AI分析模型保存在云储存应用上,使得云服务器同时具备AI模型分析能力,后续可以分担一部分后台服务器的工作压力。
作为本发明的一可选实施方案,可选地,将所述临床检查数据导入预设的慢性病AI分析模型,利用所述慢性病AI分析模型识别并分析出当前患者分别在临床化验数据和临床体表数据上所属的慢性病病情期,并融合输出为当前患者的病情期预估分析结果,包括:
后台服务器接收所述临床检查数据并将所述临床检查数据导入预设的慢性病AI分析模型中;
所述慢性病AI分析模型对所述临床检查数据进行数据识别,识别得到当前患者在临床检查中的临床化验数据和临床体表数据;
对所述临床化验数据进行化验参数提取,得到对应的化验参数特征,匹配并输出与当前所述化验参数特征相匹配的慢性病病情期A;
对所述临床体表数据进行体表特征提取,得到对应的体表特征,匹配并输出与当前所述体表特征相匹配的慢性病病情期B;
将所述慢性病病情期A和所述慢性病病情期B,进行融合,得到当前患者的病情期预估分析结果并输出,所述病情期预估分析结果用于评价当前患者所属的慢性病预估病情期。
如图5所示,本方案的后台服务器可以专门用于作为慢性病识别与评估的服务器,可以与医院的其他后台服务器进行区别。本方案的后台服务器可以对与医院his***进行通信,由医院his***及时将各个患者的临床检查数据共享至后台服务器,由后台服务器利用所部署的慢性病AI分析模型对病患者的临床检查数据进行特征提取,并输出与对应的病情期所匹配的病情期。
慢性病AI分析模型首先对临床检查数据进行数据识别,将不同数据类型的化验数据和临床体表数据分开,并分别进行识别分析,得到与所提取的化验参数特征相匹配的病情期A以及与体表特征相匹配的病情期B。将病情期A和病情期B进行融合并输出,将融合输出的病情期预估分析结果作为当前患者的慢性病预估病情期。
慢性病AI分析模型可以输出两个病情期预估结果,若是两个病情期相同,则融合输出一个病情期;若是两个病情期不相同,则将两个病情期组合为一个病情期发展时间阶段,以此来预估出当前病患者可能所处的病情期阶段(一个范围)。
作为本发明的一可选实施方案,可选地,在后台服务器接收所述临床检查数据并将所述临床检查数据导入预设的慢性病AI分析模型中之时,还包括:
后台服务器判断当前接诊慢性病患者的数量是否超过预设值:
若未超过,则放弃;
若超过,则向云服务器发出请求,请求上级权限部门分担一部分所述临床检查数据的预估分析;
所述云服务器响应该请求,并调用云上备份的所述慢性病AI分析模型,对所分担的所述临床检查数据进行预估分析,生成对应的病情期预估分析结果并转发至所述后台服务器,由所述后台服务器再共享至医护端和用户端。
在后台服务器与医院his***进行交互对接之时,因为后台服务器需要持续对医院his***共享的海量临床检查数据进行模型识别与评估分析,因此会造成后台服务器的运行压力。本方案为了缓解后台服务器的运行压力,可以在后台服务器识别到所接收的临床检查数据的数量达到一定的数量之时,可以向云服务器所在的上级权限部门发出请求,请求上级权限部门分担一部分临床预估分析任务,比如说后台服务器发现当天所需要进行评估分析的临床检查数据的数量超过500条,则可以向云服务器发出任务分担请求,让上级权限部门利用云上所备份的慢性病AI分析模型分担执行一部分评估分析任务。
云服务器响应后台服务器的请求,分担一部分后台服务器的评估分析任务(比如后台服务器在执行完毕一条或者多条评估分析任务之后,随机将所接收的一条临床检查数据上报至云服务器)。
具体的云服务器的评估分析过程可以参见上述后台服务器利用慢性病AI分析模型进行评估分析的过程。
在云服务器分担执行完毕所分担的评估分析任务之后,将对应的评估分析结果发送至后台服务器,再由后台服务器将本身所执行的评估分析任务结果以及后云服务器所发送的评估分析任务结果共同共享至用户端和用户端。
作为本发明的一可选实施方案,可选地,在得到当前患者的病情期预估分析结果之后,还包括:
将所述病情期预估分析结果保存在后台服务器中;
按照更新频率,将每隔一段时间的所述病情期预估分析结果收集为优化训练数据集;
将所述优化训练数据集输入深度学习网络CNN,让所述慢性病AI分析模型进行自适应学习,强化学习对化验参数特征和体表特征的识别精度与响应时间。
如图6所示,本方案的应用***还具备模型的自适应学习能力,在慢性利用慢性病AI分析模型对临床检查数据进行智能评估分析之后,可以将评估分析所输出的病情及预估分析结果保存在后台的数据数据库中,并将分析结果反馈至深度学习网络CNN。
病情期预估分析结果包含对不同患者的临床检查数据中的化验参数和体表特征进行识别和分析的的输出结果。因此可以利用该结果作为新一轮的历史就诊数据,将其反馈至开发平台,再由开发平台利用该新一轮的就诊数据来对所生成的模型进行优化迭代训练,让深度学习网络来继续学习的新一轮的临床检查数据的数据特征,并用于AI分析模型的模型深度学习,强化该AI分析模型的识别能力和识别精度。
本方案让***具备自适应学习机制,以此来提高并强化AI分析模型对临床化验参数特征和临床体表特征的识别精度与响应时间。
详见上述CNN学习训练方式。
作为本发明的一可选实施方案,可选地,在所述后台服务器将所述病情期预估分析结果共享至医护端和用户端之后,还包括:
将所述病情期预估分析结果返回至医院HIS***;
医院HIS***接收所述病情期预估分析结果,并将所述病情期预估分析结果绑定在当前患者的就诊ID之下;
将所述病情期预估分析结果写入当前患者的病历单中,并结合当前患者的历史就诊数据,形成以病情期为时间轴的慢性病特征记录表;
将所述慢性病特征记录表共享至医护端,让医护端的后台管理员及时评估当前患者的慢性病发展历史,及时作出管理响应,并将所述管理响应通过后台服务器发送至用户端。
后台服务器在执行完毕评估分析任务之后,将生成的病情期预估分析结果反馈并上报至医院his***。由医院his***对各个患者的病情期预估分析结果进行记录,并绑定在对应患者的就诊ID之下,可以将病情期发展阶段写入患者的病历单中,可以与各个患者在历史上的就诊数据共同形成以病情期为时间轴的慢性病特征记录表。该记录表主要用来记录各个患者在不同历史就诊时间所处的慢性病预估发展阶段,便于直观反映出各个患者的慢性病发展情况。主治医生可以通过医护端登录并及时查看该慢性病特征记录表,及时评估当前患者的慢性病发展历史,及时作出对应阶段的响应,作出对当前患者的预防质量管理响应,生成对应阶段的慢性病预防措施,并将对应的慢性病预防措施通过后台服务器下发至用户端,提醒病患者查看并执行对应的预防管理措施。
显然,本领域的技术人员应该明白,实现上述实施例中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成的,程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各控制的实施例的流程。本领域技术人员可以理解,实现上述实施例中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成的,程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各控制的实施例的流程。其中,存储介质可为磁碟、光盘、只读存储记忆体(Read-OnlyMemory,ROM)、随机存储记忆体(RandomAccessMemory,RAM)、快闪存储器(FlashMemory)、硬盘(HardDiskDrive,缩写:HDD)或固态硬盘(Solid-StateDrive,SSD)等;存储介质还可以包括上述种类的存储器的组合。
实施例2
基于实施例1的实施原理,本发明另一方面,提出一种实现所述基于AI分析模型的慢性病大数据识别和分析处理方法的装置,包括:
医院HIS***,用于获取患者的临床检查数据并共享至后台服务器;
后台服务器,用于将所述临床检查数据导入预设的慢性病AI分析模型,利用所述慢性病AI分析模型识别并分析出当前患者分别在临床化验数据和临床体表数据上所属的慢性病病情期,并融合输出为当前患者的病情期预估分析结果;同时共享至医护端和用户端;
后台数据库,用于保存所述病情期预估分析结果;
医护端,用于接收并解析所述病情期预估分析结果,得到当前患者所属的慢性病预估病情期,让医护端的后台管理员及时评估当前患者的慢性病发展历史,及时作出管理响应,并将所述管理响应通过后台服务器发送至用户端;
用户端,用于接收并解析所述病情期预估分析结果,得到当前患者所属的慢性病预估病情期,以及接收所述管理响应,并及时回复所述管理响应。
上述装置的各应用主体之间的交互关系和功能,详见实施例1的描述。
上述的本发明的各模块或各步骤可以用通用的计算装置来实现,它们可以集中在单个的计算装置上,或者分布在多个计算装置所组成的网络上,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样,本发明不限制于任何特定的硬件和软件结合。
实施例3
如图7所示,更进一步地,本发明另一方面,还提出一种电子设备,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为执行所述可执行指令时实现所述的一种基于AI分析模型的慢性病大数据识别和分析处理方法。
本发明实施例来电子设备包括处理器以及用于存储处理器可执行指令的存储器。其中,处理器被配置为执行可执行指令时实现前面任一所述的一种基于AI分析模型的慢性病大数据识别和分析处理方法。
此处,应当指出的是,处理器的个数可以为一个或多个。同时,在本发明实施例的电子设备中,还可以包括输入装置和输出装置。其中,处理器、存储器、输入装置和输出装置之间可以通过总线连接,也可以通过其他方式连接,此处不进行具体限定。
存储器作为一计算机可读存储介质,可用于存储软件程序、计算机可执行程序和各种模块,如:本发明实施例的一种基于AI分析模型的慢性病大数据识别和分析处理方法所对应的程序或模块。处理器通过运行存储在存储器中的软件程序或模块,从而执行电子设备的各种功能应用及数据处理。
输入装置可用于接收输入的数字或信号。其中,信号可以为产生与设备/终端/服务器的用户设置以及功能控制有关的键信号。输出装置可以包括显示屏等显示设备。
以上已经描述了本发明的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术的技术改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (10)
1.一种基于AI分析模型的慢性病大数据识别和分析处理方法,其特征在于,包括如下步骤:
从医院HIS***中获取患者的临床检查数据并共享至后台服务器;
将所述临床检查数据导入预设的慢性病AI分析模型,利用所述慢性病AI分析模型识别并分析出当前患者分别在临床化验数据和临床体表数据上所属的慢性病病情期,并融合输出为当前患者的病情期预估分析结果;
所述后台服务器将所述病情期预估分析结果保存在后台数据库中,并同时共享至医护端和用户端;
所述医护端和所述用户端接收并解析所述病情期预估分析结果,得到当前患者所属的慢性病预估病情期。
2.根据权利要求1所述的基于AI分析模型的慢性病大数据识别和分析处理方法,其特征在于,所述慢性病AI分析模型的生成方法,包括:
收集慢性病患者的历史就诊数据;
对所述历史就诊数据进行数据分类,得到所述慢性病患者在历史上的慢性病化验数据和慢性病体表数据,其中,
所述慢性病化验数据包含所述慢性病患者在不同病情期的:尿检化验数据、血检化验数据、内脏器官的体液化验数据;
所述慢性病体表数据包含所述慢性病患者在不同病情期的:身体各部位的体表图像数据、内脏器官的体表图像数据;
利用信息提取器,分别对所述慢性病化验数据和所述慢性病体表数据进行特征提取,得到所述慢性病患者在不同病情期的化验参数特征和体表特征;
将所述慢性病患者在不同病情期的化验参数特征作为一训练数据集(1),将在不同病情期的体表特征作为另一训练数据集(2),分别输入深度学习网络CNN,进行模型训练。
3.根据权利要求2所述的基于AI分析模型的慢性病大数据识别和分析处理方法,其特征在于,所述慢性病AI分析模型的生成方法,还包括:
按照预设的优化迭代条件,对训练数据集(1)和训练数据集(2)分别进行深度学习模型训练;
优化迭代训练之后,进行调参,分别生成对应化验参数的第一分析模型和对应体表特征的第二分析模型:
所述第一分析模型,用于识别并提取临床检查数据中的化验参数,并分析评估出与当前所述化验参数相匹配的慢性病病情期A;
所述第二分析模型,用于识别并提取临床检查数据中的体表特征,并分析评估出与当前所述体表特征相匹配的慢性病病情期B;
将所述第一分析模型和所述第二分析模型,进行模型部署并进行临床测试,分别矫正所述第一分析模型和所述第二分析模型的识别精度;
矫正完毕,对所述第一分析模型和所述第二分析模型进行模型融合,得到所述慢性病AI分析模型;
将所述慢性病AI分析模型部署并安装在后台服务器上。
4.根据权利要求3所述的基于AI分析模型的慢性病大数据识别和分析处理方法,其特征在于,在模型融合之后,还包括:
将模型融合得到的慢性病AI分析模型,发送至云服务器:
由云服务器对所述慢性病AI分析模型,进行模型前置审核和模型云上备份:
按照预设的审批规则,对所述慢性病AI分析模型进行上级权限的前置审核:当所述慢性病AI分析模型同时满足对化验参数特征和体表特征的识别精度与响应时间的审批规则之时,云服务器向后台服务器发出模型确认指令,确认部署所述慢性病AI分析模型;
同时将所述慢性病AI分析模型备份保存在云服务器上的云储存应用中。
5.根据权利要求1所述的基于AI分析模型的慢性病大数据识别和分析处理方法,其特征在于,将所述临床检查数据导入预设的慢性病AI分析模型,利用所述慢性病AI分析模型识别并分析出当前患者分别在临床化验数据和临床体表数据上所属的慢性病病情期,并融合输出为当前患者的病情期预估分析结果,包括:
后台服务器接收所述临床检查数据并将所述临床检查数据导入预设的慢性病AI分析模型中;
所述慢性病AI分析模型对所述临床检查数据进行数据识别,识别得到当前患者在临床检查中的临床化验数据和临床体表数据;
对所述临床化验数据进行化验参数提取,得到对应的化验参数特征,匹配并输出与当前所述化验参数特征相匹配的慢性病病情期A;
对所述临床体表数据进行体表特征提取,得到对应的体表特征,匹配并输出与当前所述体表特征相匹配的慢性病病情期B;
将所述慢性病病情期A和所述慢性病病情期B,进行融合,得到当前患者的病情期预估分析结果并输出,所述病情期预估分析结果用于评价当前患者所属的慢性病预估病情期。
6.根据权利要求5所述的基于AI分析模型的慢性病大数据识别和分析处理方法,其特征在于,在后台服务器接收所述临床检查数据并将所述临床检查数据导入预设的慢性病AI分析模型中之时,还包括:
后台服务器判断当前接诊慢性病患者的数量是否超过预设值:
若未超过,则放弃;
若超过,则向云服务器发出请求,请求上级权限部门分担一部分所述临床检查数据的预估分析;
所述云服务器响应该请求,并调用云上备份的所述慢性病AI分析模型,对所分担的所述临床检查数据进行预估分析,生成对应的病情期预估分析结果并转发至所述后台服务器,由所述后台服务器再共享至医护端和用户端。
7.根据权利要求5所述的基于AI分析模型的慢性病大数据识别和分析处理方法,其特征在于,在得到当前患者的病情期预估分析结果之后,还包括:
将所述病情期预估分析结果保存在后台服务器中;
按照更新频率,将每隔一段时间的所述病情期预估分析结果收集为优化训练数据集;
将所述优化训练数据集输入深度学习网络CNN,让所述慢性病AI分析模型进行自适应学习,强化学习对化验参数特征和体表特征的识别精度与响应时间。
8.根据权利要求1所述的基于AI分析模型的慢性病大数据识别和分析处理方法,其特征在于,在所述后台服务器将所述病情期预估分析结果共享至医护端和用户端之后,还包括:
将所述病情期预估分析结果返回至医院HIS***;
医院HIS***接收所述病情期预估分析结果,并将所述病情期预估分析结果绑定在当前患者的就诊ID之下;
将所述病情期预估分析结果写入当前患者的病历单中,并结合当前患者的历史就诊数据,形成以病情期为时间轴的慢性病特征记录表;
将所述慢性病特征记录表共享至医护端,让医护端的后台管理员及时评估当前患者的慢性病发展历史,及时作出管理响应,并将所述管理响应通过后台服务器发送至用户端。
9.一种实现权利要求1至8中任一项所述基于AI分析模型的慢性病大数据识别和分析处理方法的装置,其特征在于,包括:
医院HIS***,用于获取患者的临床检查数据并共享至后台服务器;
后台服务器,用于将所述临床检查数据导入预设的慢性病AI分析模型,利用所述慢性病AI分析模型识别并分析出当前患者分别在临床化验数据和临床体表数据上所属的慢性病病情期,并融合输出为当前患者的病情期预估分析结果;同时共享至医护端和用户端;
后台数据库,用于保存所述病情期预估分析结果;
医护端,用于接收并解析所述病情期预估分析结果,得到当前患者所属的慢性病预估病情期,让医护端的后台管理员及时评估当前患者的慢性病发展历史,及时作出管理响应,并将所述管理响应通过后台服务器发送至用户端;
用户端,用于接收并解析所述病情期预估分析结果,得到当前患者所属的慢性病预估病情期,以及接收所述管理响应,并及时回复所述管理响应。
10.一种电子设备,其特征在于,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为执行所述可执行指令时实现权利要求1至8中任一项所述基于AI分析模型的慢性病大数据识别和分析处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310977801.2A CN116936117A (zh) | 2023-08-04 | 2023-08-04 | 基于ai分析模型的慢性病大数据识别和分析处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310977801.2A CN116936117A (zh) | 2023-08-04 | 2023-08-04 | 基于ai分析模型的慢性病大数据识别和分析处理方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116936117A true CN116936117A (zh) | 2023-10-24 |
Family
ID=88378951
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310977801.2A Pending CN116936117A (zh) | 2023-08-04 | 2023-08-04 | 基于ai分析模型的慢性病大数据识别和分析处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116936117A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118098605A (zh) * | 2024-04-28 | 2024-05-28 | 健数(长春)科技有限公司 | 一种基于人工智能的疾病早期筛选***及产品 |
-
2023
- 2023-08-04 CN CN202310977801.2A patent/CN116936117A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118098605A (zh) * | 2024-04-28 | 2024-05-28 | 健数(长春)科技有限公司 | 一种基于人工智能的疾病早期筛选***及产品 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Bhaskaranand et al. | The value of automated diabetic retinopathy screening with the EyeArt system: a study of more than 100,000 consecutive encounters from people with diabetes | |
JP2020149711A5 (zh) | ||
Songthung et al. | Improving type 2 diabetes mellitus risk prediction using classification | |
CN110111884B (zh) | 一种基于cmkmc的人机协同智慧医疗辅助决策*** | |
US11923094B2 (en) | Monitoring predictive models | |
CN108351862A (zh) | 利用人工智能和用户输入来确定发育进展的方法和装置 | |
CN111382275A (zh) | 医疗知识图谱的构建方法、装置、介质及电子设备 | |
CN112017789B (zh) | 分诊数据处理方法、装置、设备及介质 | |
CN111274400B (zh) | 一种医学术语***的构建方法、装置、设备及存储介质 | |
CN107145715B (zh) | 一种基于推举算法的临床医学智能判别装置 | |
CN113077875B (zh) | Ct影像的处理方法及装置 | |
CN116936117A (zh) | 基于ai分析模型的慢性病大数据识别和分析处理方法 | |
Baskaran et al. | Predicting breast screening attendance using machine learning techniques | |
Gong et al. | Application of deep learning for diagnosing, classifying, and treating age-related macular degeneration | |
CN113988680A (zh) | 一种疼痛等级评估*** | |
WO2021216988A1 (en) | Predictive adaptive intelligent diagnostics and treatment | |
KR20050043869A (ko) | 적응 퍼지-뉴럴 네트워크를 이용한 유방암 자동 진단기의개발 | |
Wang et al. | [Retracted] Application Research of Artificial Intelligence Screening System for Diabetic Retinopathy | |
Peng et al. | [Retracted] Research on Application of Data Mining Algorithm in Cardiac Medical Diagnosis System | |
CN114550896A (zh) | 基于人工神经网络的头晕患者急诊预检分诊决策方法、装置及模型 | |
Garcia-Rios et al. | Predictive machine learning applying cross industry standard process for data mining for the diagnosis of diabetes mellitus type 2 | |
Kumar et al. | Compare the Performance of Distinct Neural Networks Techniques to diagnose the kidney stone disease | |
AU2021102832A4 (en) | System & method for automatic health prediction using fuzzy based machine learning | |
CN115547474B (zh) | 一种分级诊疗引导方法及装置 | |
CN114913986B (zh) | 一种医疗对象聚类方法、装置、电子设备及存储介质 |
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 |