CN117877663A - 一种肺癌术后康复的方法及相关设备 - Google Patents
一种肺癌术后康复的方法及相关设备 Download PDFInfo
- Publication number
- CN117877663A CN117877663A CN202410277296.5A CN202410277296A CN117877663A CN 117877663 A CN117877663 A CN 117877663A CN 202410277296 A CN202410277296 A CN 202410277296A CN 117877663 A CN117877663 A CN 117877663A
- Authority
- CN
- China
- Prior art keywords
- postoperative
- patient
- generate
- rehabilitation
- information
- 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
- 238000000034 method Methods 0.000 title claims abstract description 77
- 206010058467 Lung neoplasm malignant Diseases 0.000 title claims abstract description 34
- 201000005202 lung cancer Diseases 0.000 title claims abstract description 34
- 208000020816 lung neoplasm Diseases 0.000 title claims abstract description 34
- 230000002980 postoperative effect Effects 0.000 claims abstract description 276
- 238000012545 processing Methods 0.000 claims abstract description 80
- 238000012502 risk assessment Methods 0.000 claims abstract description 67
- 238000003745 diagnosis Methods 0.000 claims abstract description 22
- 238000007781 pre-processing Methods 0.000 claims abstract description 18
- 238000012549 training Methods 0.000 claims description 80
- 238000005070 sampling Methods 0.000 claims description 57
- 238000012360 testing method Methods 0.000 claims description 33
- 230000015654 memory Effects 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 5
- 208000024891 symptom Diseases 0.000 description 28
- 230000008569 process Effects 0.000 description 12
- 238000001356 surgical procedure Methods 0.000 description 12
- 230000029058 respiratory gaseous exchange Effects 0.000 description 7
- 206010011224 Cough Diseases 0.000 description 6
- 208000000059 Dyspnea Diseases 0.000 description 6
- 206010013975 Dyspnoeas Diseases 0.000 description 6
- 230000008859 change Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 208000013220 shortness of breath Diseases 0.000 description 6
- 208000002193 Pain Diseases 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000036407 pain Effects 0.000 description 5
- 208000000616 Hemoptysis Diseases 0.000 description 4
- 206010037660 Pyrexia Diseases 0.000 description 4
- 230000009194 climbing Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 239000003814 drug Substances 0.000 description 4
- 229940079593 drug Drugs 0.000 description 4
- 235000016709 nutrition Nutrition 0.000 description 4
- 206010002091 Anaesthesia Diseases 0.000 description 3
- 208000019901 Anxiety disease Diseases 0.000 description 3
- 206010028980 Neoplasm Diseases 0.000 description 3
- 206010062519 Poor quality sleep Diseases 0.000 description 3
- 208000035965 Postoperative Complications Diseases 0.000 description 3
- 208000032140 Sleepiness Diseases 0.000 description 3
- 206010041349 Somnolence Diseases 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 3
- 230000037005 anaesthesia Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 230000036506 anxiety Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 206010016256 fatigue Diseases 0.000 description 3
- 210000000440 neutrophil Anatomy 0.000 description 3
- 108010028554 LDL Cholesterol Proteins 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 230000004199 lung function Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000035764 nutrition Effects 0.000 description 2
- 230000000241 respiratory effect Effects 0.000 description 2
- 210000003019 respiratory muscle Anatomy 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 208000006820 Arthralgia Diseases 0.000 description 1
- 208000008035 Back Pain Diseases 0.000 description 1
- 206010008190 Cerebrovascular accident Diseases 0.000 description 1
- 206010008479 Chest Pain Diseases 0.000 description 1
- 206010010774 Constipation Diseases 0.000 description 1
- 206010013952 Dysphonia Diseases 0.000 description 1
- 208000010473 Hoarseness Diseases 0.000 description 1
- 206010048961 Localised oedema Diseases 0.000 description 1
- 206010028391 Musculoskeletal Pain Diseases 0.000 description 1
- 206010028813 Nausea Diseases 0.000 description 1
- 208000002151 Pleural effusion Diseases 0.000 description 1
- 208000036838 Postoperative fever Diseases 0.000 description 1
- 208000007613 Shoulder Pain Diseases 0.000 description 1
- 208000006011 Stroke Diseases 0.000 description 1
- 206010047700 Vomiting Diseases 0.000 description 1
- 230000003187 abdominal effect Effects 0.000 description 1
- 230000037147 athletic performance Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 235000005911 diet Nutrition 0.000 description 1
- 230000000378 dietary effect Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000001802 infusion Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000003434 inspiratory effect Effects 0.000 description 1
- 230000003907 kidney function Effects 0.000 description 1
- 230000003908 liver function Effects 0.000 description 1
- 210000004698 lymphocyte Anatomy 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 210000001616 monocyte Anatomy 0.000 description 1
- 230000008693 nausea Effects 0.000 description 1
- 230000000474 nursing effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000008506 pathogenesis Effects 0.000 description 1
- 230000035790 physiological processes and functions Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000005057 refrigeration Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000037321 sleepiness Effects 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
- 208000025247 virus-associated trichodysplasia spinulosa Diseases 0.000 description 1
- 230000008673 vomiting Effects 0.000 description 1
Landscapes
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明提供了一种肺癌术后康复的方法及相关设备，应用于数据处理技术领域。本申请获取客户端发送的患者病例信息；对患者的术后诊断信息进行处理，生成患者的生理因素风险因子；对患者的生理因素风险因子进行预处理，生成患者的术后类型和用于表征当前术后类型的标识信息；若业务负载状态最低的服务器为当前服务器，则基于当前服务器所存储的与标识信息相匹配的术后风险评估模型，对患者的生理因素风险因子进行处理，生成患者的术后风险值；基于术后康复决策模型对患者的术后风险值进行处理，生成术后康复指导信息；获取患者的术后康复信息；基于术后康复决策模型对患者的术后康复信息进行处理，生成目标术后康复指导策略。
Description
技术领域
本发明涉及数据处理技术领域，特别涉及一种肺癌术后康复的方法及相关设备。
背景技术
近年来，人工智能与医疗领域正在产生越来越多的结合，例如使用人工智能算法对医学影像进行识别和分析从而提高确诊率，通过对大量数据的分析和计算对某些疾病的患病风险进行预测，或是设计相关的智能医疗器械为人们的健康维持提供帮助。术后的康复对于患者的功能恢复来说具有十分重要的意义，特别是营养支持可以为患者的生命活动提供所需的能量，如果没有采取良好的康复措施，可能会危害患者的身体健康甚至需要再次进行手术。经历不同手术病人的康复目标并不相同，因此需要不同的营养内容来促进身体的恢复。而每位患者的个人身体情况以及术后的检测指标都各不相同，而如何根据每一位患者的综合情况，为其针对性的提供营养摄入的建议。
对患者的术后风险值进行计算以及生成术后康复指导策略需要相关的服务器对相关数据进行处理，但若全部交由单个指定的服务器进行处理，将增大该服务器的处理负担，从而降低处理效率，如何快速且准确的对每个患者生成合适的术后康复指导策略，是本领域计算人员急需考虑的问题。
需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本申请的目的在于提供一种肺癌术后康复的方法及相关设备，至少在一定程度上克服现有技术存在的问题，通过标识信息获取具有处理患者病例信息并生成患者术后风险值的术后风险评估模型，基于术后康复决策模型对患者术后风险值进行处理，从而生成适用于该患者的术后康复指导策略。能够在患者执行根据医嘱数据的过程中根据患者的康复状态来对康复方案进行更新，并由诊疗医生来对更新后的康复方案进行确认，从而使得患者能够使用符合其当前康复状态的康复方案进行康复治疗，尽可能地提高了患者的术后康复效果，避免了由于康复方案与患者的状态不匹配导致的可能的风险。
本申请的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本发明的实践而习得。
根据本申请的一个方面，提供一种肺癌术后康复的方法，包括：获取客户端发送的患者病例信息，其中，所述病例信息包括患者的术后诊断信息；对所述患者的术后诊断信息进行处理，生成患者的生理因素风险因子；对所述患者的生理因素风险因子进行预处理，生成患者的术后类型和用于表征当前术后类型的标识信息；获取存储有与所述标识信息相匹配的术后风险评估模型的服务器地址；若存储有所述术后风险评估模型的服务器的个数为多个，则获取多个服务器的业务负载状态；若所述业务负载状态最低的服务器为当前服务器，则基于当前服务器所存储的与所述标识信息相匹配的术后风险评估模型，对所述患者的生理因素风险因子进行处理，生成患者的术后风险值；基于术后康复决策模型对所述患者的术后风险值进行处理，生成术后康复指导信息；获取患者的术后康复信息；基于所述术后康复决策模型对所述患者的术后康复信息进行处理，生成目标术后康复指导策略。
在本申请的一个实施例中，所述对所述患者的术后诊断信息进行处理，生成患者的生理因素风险因子，包括：基于所述患者的术后诊断信息获取患者的术后特征数据；获取患者的术前体检数据；基于所述术前体检数据获取患者的术前特征数据；对所述术后特征数据和所述术前特征数据进行处理，分别获取相同特征数据的差值；若所述差值大于预设阈值，则将对应的特征数据作为患者的生理因素风险因子。
在本申请的一个实施例中，所述方法还包括：所述术后风险评估模型包括用于生成患者的术后风险值的计算公式，所述计算公式为：P＝a Tn/(S1-S2)；P表示术后风险值，a为预设归一化因子，Tn为第二时间段的时长，(S1-S2)为第一时间段与第二时间段中术后特征与术前特征的变化值。
在本申请的一个实施例中，所述方法还包括：获取用于对所述术后风险评估模型进行更新的训练样本集；对所述训练样本集进行预处理，生成带有目标特征数据的训练样本集；基于所述带有目标特征数据的训练样本集对所述术后风险评估模型进行处理，生成更新后的术后风险评估模型；基于所述更新后的术后风险评估模型对所述患者的生理因素风险因子进行处理，生成患者的术后风险值。
在本申请的一个实施例中，所述对所述训练样本集进行预处理，生成带有目标特征数据的训练样本集，包括：从所述训练集中提取多组数据组；对所述数据组进行特征提取，确定原始特征库；根据所述原始特征库划分各个特征数据集，生成训练数据集和测试数据集；利用分类器对原始特征库划分各个测试数据集进行预测，确定预测结果；使用预设算法在原始特征库划分各个训练数据集进行训练，得到测试集类预测结果；根据预测结果以及测试集类预测结果，生成目标特征数据。
在本申请的一个实施例中，所述从所述训练集中提取多组数据组，包括：基于标识信息对所述训练集进行划分，生成若干数量的数类样本；获取所述训练集中任一数量较少的数类样本；基于所述任一数量较少的数类样本与同类别的其他数量较少的数类样本之间的距离，生成相邻样本，其中，所述相邻样本包括所述任一数量较少的数类样本的预设数量；对所述相邻样本进行采样，生成预设数量的采样样本；基于所述任一少数类样本与每个采样样本，生成多组数据组。
在本申请的一个实施例中，所述对所述相邻样本进行采样，生成预设数量的采样样本，包括：基于所述训练集中各数类样本的数量，确定采样比例；基于所述采样比例，确定采样比率；基于所述采样比率对所述相邻样本进行采样，生成预设数量的采样样本。
本申请的另一个方面，一种肺癌术后康复的装置，其特征在于，所述装置包括：获取模块，用于获取客户端发送的患者病例信息，其中，所述病例信息包括患者的术后诊断信息；获取存储有与所述标识信息相匹配的术后风险评估模型的服务器地址；获取患者的术后康复信息；处理模块，用于对所述患者的术后诊断信息进行处理，生成患者的生理因素风险因子；对所述患者的生理因素风险因子进行预处理，生成患者的术后类型和用于表征当前术后类型的标识信息；若存储有所述术后风险评估模型的服务器的个数为多个，则获取多个服务器的业务负载状态；若所述业务负载状态最低的服务器为当前服务器，则基于当前服务器所存储的与所述标识信息相匹配的术后风险评估模型，对所述患者的生理因素风险因子进行处理，生成患者的术后风险值；基于术后康复决策模型对所述患者的术后风险值进行处理，生成术后康复指导信息；基于所述术后康复决策模型对所述患者的术后康复信息进行处理，生成目标术后康复指导策略。
根据本申请的再一个方面，一种电子设备，其特征在于，包括：第一处理器；以及存储器，用于存储所述第一处理器的可执行指令；其中，所述第一处理器配置为经由执行所述可执行指令来执行实现上述的肺癌术后康复的方法。
根据本申请的又一个方面，提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被第二处理器执行时实现上述的肺癌术后康复的方法。
根据本申请的又一个方面，提供一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被第三处理器执行时实现上述的肺癌术后康复的方法。
本申请所提供的一种肺癌术后康复的方法及相关设备，由服务器获取客户端发送的患者病例信息，其中，病例信息包括患者的术后诊断信息；对患者的术后诊断信息进行处理，生成患者的生理因素风险因子；对患者的生理因素风险因子进行预处理，生成患者的术后类型和用于表征当前术后类型的标识信息；获取存储有与标识信息相匹配的术后风险评估模型的服务器地址；若存储有术后风险评估模型的服务器的个数为多个，则获取多个服务器的业务负载状态；若业务负载状态最低的服务器为当前服务器，则基于当前服务器所存储的与标识信息相匹配的术后风险评估模型，对患者的生理因素风险因子进行处理，生成患者的术后风险值；基于术后康复决策模型对患者的术后风险值进行处理，生成术后康复指导信息；获取患者的术后康复信息；基于术后康复决策模型对患者的术后康复信息进行处理，生成目标术后康复指导策略。通过标识信息获取具有处理患者病例信息并生成患者术后风险值的术后风险评估模型，基于术后康复决策模型对患者术后风险值进行处理，从而生成适用于该患者的术后康复指导策略。能够在患者执行根据医嘱数据的过程中根据患者的康复状态来对康复方案进行更新，并由诊疗医生来对更新后的康复方案进行确认，从而使得患者能够使用符合其当前康复状态的康复方案进行康复治疗，尽可能地提高了患者的术后康复效果，避免了由于康复方案与患者的状态不匹配导致的可能的风险。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
图1示出本申请一实施例所提供的一种肺癌术后康复的方法的流程图；
图2示出了本申请一实施例所提供的一种肺癌术后康复的装置的结构示意图；
图3示出了本申请一实施例所提供的一种电子设备的结构示意图；
图4示出了本申请一实施例所提供的一种存储介质的示意图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
下面结合图1来描述根据本申请示例性实施方式的肺癌术后康复的方法。需要注意的是，下述应用场景仅是为了便于理解本申请的精神和原理而示出，本申请的实施方式在此方面不受任何限制。相反，本申请的实施方式可以应用于适用的任何场景。
一种实施方式中，本申请还提出一种肺癌术后康复的方法及相关设备。图1示意性地示出了根据本申请实施方式的一种肺癌术后康复的方法的流程示意图。如图1所示，该方法应用于服务器，包括：
S101，获取客户端发送的患者病例信息。
一种实施方式中，通过收集VATS肺叶切除术的201名肺癌患者的数据，从医院病案信息***中获取患者的完整病历信息，其中，病例信息包括但不限于患者的年龄、性别、肿瘤直径、低密度脂蛋白胆固醇（LDL-C）、淋巴细胞计数、中性粒细胞计数、单核细胞计数、血小板计数、发热、咳血、胸痛、气急、骨关节疼痛、肩背痛、疼痛、声音嘶哑、头颈部水肿、胸腔积液等。病例信息包括患者的术后诊断信息，术后诊断信息为患者手术后的各项与生命体征相关联的特征信息和用于患者当前生理状态的信息等。
S102，对所述患者的术后诊断信息进行处理，生成患者的生理因素风险因子。
一种实施方式中，基于患者的术后诊断信息获取患者的术后特征数据，术后特征数据为患者手术后的各项与生命体征相关联的特征信息；获取患者的术前体检数据，其中，术前体检数据为与用户生命体征相关的特征信息和用户信息等，用户信息包括但不限于年龄、性别等。基于术前体检数据获取患者的术前特征数据；对术后特征数据和术前特征数据进行处理，分别获取相同特征数据的差值；若差值大于预设阈值，则将对应的特征数据作为患者的生理因素风险因子。示例如下，若术前肿瘤直径大小与术后肿瘤直径大小的差值大于预设阈值，即证明该特征数据较为重要，此时，将该特征作为患者的生理因素风险因子。若术前的中性粒细胞计数与术后的中性粒细胞技术的差值小于预设阈值，则证明该特征数据的变化不大，因此，不将该特征作为患者的生理因素风险因子。此外，还可根据实际情况将术后特征数据直接列为生理因素风险因子，本方案不对具体的术后特征数据进行限定。
另一种实施方式中，获取各术后特征数据和患者历史病例之间的风险属性，基于风险属性获取各术后特征数据的影响程度，并基于此生成风险异常指标，将风险异常指标对应的术后特征数据作为患者的生理因素风险因子。
S103，对所述患者的生理因素风险因子进行预处理，生成患者的术后类型和用于表征当前术后类型的标识信息。
一种实施方式中，术后类型包括严重症状，包括疼痛、咳嗽、气短、发烧；无症状和轻微症状，包括虚弱、疲劳、嗜睡、睡眠差、焦虑，以及记忆困难等。对上述术后类型设置相应的标识信息，标识信息可用预设的特定符号进行表示，本实施例不对特定符号进行限定，只要能实现本方案即可。其中，术后风险评估模型通过对海量基础病例学习，筛选出待评估患者对术后短期死亡的风险评估与预测预警相关的基础参数和病例报告表的要素，根据筛选出的信息进行信息采集，具体可以从临床数据中心、电子病历***、实验室检验***、手术麻醉信息***、手术护理信息***、院后随访***等数据源实行静态数据采集，可以从心电监护仪、麻醉机、呼吸机、床旁超声、输液泵、院外穿戴式体征采集设备等数据源中实行动态数据采集。
S104，获取存储有与所述标识信息相匹配的术后风险评估模型的服务器地址。
一种实施方式中，本实施例不对服务器地址的获取方式进行限定，只要能实现本方案即可。
S105，若存储有所述术后风险评估模型的服务器的个数为多个，则获取多个服务器的业务负载状态。
一种实施方式中，通过获取具有术后风险评估模型的服务器的业务负载状态，减少因某个服务器当前的自身负荷（例如包括业务负荷和机器运行负荷的至少一种）较大，从而影响相关服务器处理业务进度较慢的问题，本实施例将实时根据多个服务器的业务负载状态调节客户端向负载较低的服务器发送患者病例信息，从而减轻单个或多个服务器的业务处理压力，大大负载均衡的目的。
S106，若所述业务负载状态最低的服务器为当前服务器，则基于当前服务器所存储的与所述标识信息相匹配的术后风险评估模型，对所述患者的生理因素风险因子进行处理，生成患者的术后风险值。
一种实施方式中，术后风险评估模型包括用于生成患者的术后风险值的计算公式，计算公式为：P＝aTn/(S1-S2)；P表示术后风险值，a为预设归一化因子，Tn为第二时间段的时长，(S1-S2)为第一时间段与第二时间段中术后特征与术前特征的变化值。若患者的术后风险值大于预设阈值时，则意味着用户当前的病情可能发生恶化，具体包括但不限于疼痛、咳嗽、气短、发烧、虚弱、疲劳、嗜睡、睡眠差、焦虑，以及记忆困难等。此外，本方案并不对术后风险值的大小进行限定。
另一种实施方式中，当转发标识对应于指示客户端在后续的预设时间内，和，预设次数内直接向业务负载状态最低的服务器发送患者病例信息的情况下，客户端则需要同时考虑到上述发送条件。本申请中的转发标识可以直接携带有该预设时间内，和/或，预设次数。可以理解的，此种情况为当前服务器根据业务参数（业务参数为用于表征其他服务器的业务负载状态的参数）计算得到预设时间内，和/或，预设次数的值后，将其添加到转发标识中。
另一种方式中，转发标识也可以携带有用于表征其他服务器的业务负载状态的业务参数。此种情况为指示客户端在接收到该业务参数后，基于该业务参数来计算得到该预设时间，和/或，预设次数的值。
可选的，上述两种方式中，可以由当前服务器根据当前自身的业务负载状态而定。例如当前服务器的当前业务负载状态对应于空闲时，由自身计算得到预设时间，和/或，预设次数的值后，将其添加到转发标识中。而当前服务器的当前业务负载状态对应于繁忙时，由客户端来计算得到预设时间，和/或，预设次数的值。一种方式中，本申请不对预设时间值以及预设次数值进行具体限定，例如预设时间值可以为5分钟，也可以为1小时。而预设次数值可以为5次，也可以为1次等等。
S107，基于术后康复决策模型对所述患者的术后风险值进行处理，生成术后康复指导信息。
一种实施方式中，在术后风险值小于或等于1.63%，可判定术后死亡风险概率为低风险，此时，患者需要遵嘱医嘱，考虑到患者的年龄、受教育程度、合并症和手术后的身体状况不同，运动类型也有所不同，有氧运动根据患者的喜好而定；当风险值大于1.63%并且小于等于2.84%，可判定术死亡风险概率为中风险，此时，与患者及家属充分沟通，建议充分了解风险后，患者需要遵嘱医嘱，进行常规的呼吸训练和日常运动；当风险值大于1.76%，可判定术后90天内死亡风险概率为高风险，此时，需要特别关注患者的日常生理指标，定期进行回访检测，若发现术后并发症或某项/些生理指标出现异常，则需要重新入院。
另一种实施方式中，鼓励所有患者从术后第一天开始，除了常规呼吸练习和步行之外，每天进行两次爬楼梯练习，持续一个月。根据运动表现，将患者分为两组：爬楼梯组，即按计划完成运动训练的患者；常规运动组，即拒绝爬楼梯的患者。申请人观察到爬楼梯是术后肺功能恢复的一种安全有效的方法，与常规运动相比，爬楼梯可显着提高第一个月1秒用力呼气量，因此，鼓励体力充足的患者将爬楼梯作为有氧运动的首选，其他运动，如户外散步、慢跑、骑自行车，甚至中国传统运动。考虑到患者的年龄、受教育程度、合并症和手术后的身体状况不同，运动类型也有所不同，有氧运动根据患者的喜好而定。本方案还设置有日常任务并提醒患者完成的功能，还将记录每种运动类型和持续时间的数据。
S108，获取患者的术后康复信息。
一种实施方式中，基于欧洲癌症研究与治疗组织 (EORTC) QLQ-C30 和 LC1319的调查问卷，进而调查患者在治疗期间的症状。其中，165 例在出院时（术后3-4天）完成问卷调查，68 例在术后2周完成问卷调查，166 例在术后 1 个月完成问卷调查。在为 EORTCQLQ-C30 和 LC13 设计的 43 个问题中，总结了 16 个症状进行分析。在问卷调查中，每种症状均按 4 分等级进行评分：1（完全没有）、2（有一点）、3（相当多）和 4（非常多）。为了标准化分析，根据评分手册，这些分数被线性转换为0到100的范围，分数越高表明症状越严重。症状类别包括虚弱、疲劳、嗜睡、睡眠差、焦虑，以及记忆困难。其他手术和麻醉相关症状，如咳血、恶心、呕吐和便秘。出院后（术后2周和1个月）最严重的症状是疼痛、咳嗽和呼吸急促，这被认为是在此应用程序组件中报告的核心症状。为了证实这一结果，申请人使用K-Means 共识聚类分析来选择症状。这16种症状可以严格分为三组，其中手术后2周和1 个月时的疼痛、咳嗽和呼吸急促被归为同一组。由于EORTC QLQ-C30和LC13不是为肺癌手术设计的，因此调查问卷中可能未包含手术特异性症状。其中一些症状与手术结局或术后并发症有关，出于对院后安全的考虑，应给予更多关注和监测。
另一种实施方式中，从16个QLQ-C30和LC13症状中选出最重要的症状。使用Likert量表从1（最不重要）到9（最重要）对每个症状项目进行评分。投票基于三个标准：1）症状频率高；2) 该症状可能需要干预；3) 该症状表明可能存在严重后果，例如术后并发症或需要重新入院。此外，每轮投票的参与者都可以根据患者的临床实践经验添加新的症状项目。完成投票后，申请人将Likert量表分数分为三组：7-9（高优先级）、4-6（中优先级）和1-3（低优先级）。第一轮德尔菲调查中，Likert得分最高的前五名症状（不包括新增项目）直接进入第三轮投票，其余症状进入第二轮投票。第二轮投票中，Likert得分最高的前五名症状进入第三轮。从三轮投票结果来看，问卷调查中最严重的三种症状，高优先级和Likert分数的比例最高。此外，术后发热（新项目）和咳血被视为高度优先的手术相关症状，申请人将咳血和咳嗽合并为一个具有不同警报阈值的项目。最后，确定了报告部分的四种症状：疼痛、咳嗽、气短和发烧。
S109，基于所述术后康复决策模型对所述患者的术后康复信息进行处理，生成目标术后康复指导策略。
一种实施方式中，呼吸肌力量训练可以提高运动能力、改善肺功能和提高生活质量。通过设备进行的呼吸练习和呼吸肌力量训练。呼吸练习采用腹式呼吸法，坐位深吸气，屏气5秒，然后缓慢呼气，重复3～5次/分钟。设备可以采用三球激励肺活量计，由吸入管和三个不同重量的球组成。每当患者通过管子吸气时，球就会根据吸气量上升；因此，患者尽最大努力在一次吸气过程中尽可能多地举起球。达到最大吸气压力 (PI max) 并记录为一次计数。本方案提供了锻炼方法说明和示例的视频，并为患者制定了锻炼计划作为日常任务提醒。
另一种实施方式中，本方案还将为患者设置患者教育阅读功能，其中，阅读材料涉及四个方面：1）肺癌常识，包括发病机制、症状和治疗；2）肺癌手术及围术期注意事项；3）术后康复的重要性和方法；4）有关营养和心理支持的信息。患者根据自己的需要阅读这些材料，所有的阅读行为都被应用程序记录下来。
另一种实施方式中，首先获取患者的病情信息，其可以包括该患者在医院中的诊疗信息，尤其是包括该患者在医院中的诊疗历史数据，例如，都进行过哪些检查，尤其是做过什么手术，以及医生在术前、术中以及术后都开具了哪些医嘱。在本申请实施例中，由服务器获取患者的这些病情信息以及医生的医嘱，并且该服务器可以根据患者的病情信息以及医嘱数据来为该患者生成例如上述的康复方案。例如，每天复用药物A和药物B，药物A的每天服用量为A1，并且药物B的每天服用量为B1，饮食方面需要患者每天摄入的物质C的量不超过C1，运动方面需要患者每天持续运动D达D1分钟。与现有技术中不同的是，在生成了该初始康复方案之后，根据本申请的康复方案生成方法，可以借助于患者身上以及其附近的各种传感器来获取患者的身体状况，例如，可以通过患者佩戴的心电传感器或者内置有心电传感器的手表等可穿戴设备来监测患者的心跳或心电情况，并且还可以通过患者的移动终端或者其所佩戴的可穿戴设备，例如手表等来记录用户每天的运动数据，例如，以什么速度跑了多远等等，从而能够实时地或定期地获取到患者在康复过程中的身体状况，并且还可以通过提醒患者前往其住所附近或上班单位所在附近的医疗机构来进行各种无法通过传感器或可穿戴设备自动为患者测量的各项身体数据，例如，血管影像数据、肝功能、肾功能等等。
本申请中由服务器获取客户端发送的患者病例信息，其中，病例信息包括患者的术后诊断信息；对患者的术后诊断信息进行处理，生成患者的生理因素风险因子；对患者的生理因素风险因子进行预处理，生成患者的术后类型和用于表征当前术后类型的标识信息；获取存储有与标识信息相匹配的术后风险评估模型的服务器地址；若存储有术后风险评估模型的服务器的个数为多个，则获取多个服务器的业务负载状态；若业务负载状态最低的服务器为当前服务器，则基于当前服务器所存储的与标识信息相匹配的术后风险评估模型，对患者的生理因素风险因子进行处理，生成患者的术后风险值；基于术后康复决策模型对患者的术后风险值进行处理，生成术后康复指导信息；获取患者的术后康复信息；基于术后康复决策模型对患者的术后康复信息进行处理，生成目标术后康复指导策略。通过标识信息获取具有处理患者病例信息并生成患者术后风险值的术后风险评估模型，基于术后康复决策模型对患者术后风险值进行处理，从而生成适用于该患者的术后康复指导策略。能够在患者执行根据医嘱数据的过程中根据患者的康复状态来对康复方案进行更新，并由诊疗医生来对更新后的康复方案进行确认，从而使得患者能够使用符合其当前康复状态的康复方案进行康复治疗，尽可能地提高了患者的术后康复效果，避免了由于康复方案与患者的状态不匹配导致的可能的风险。
可选地，在基于本申请上述方法的另一个实施例中，所述方法还包括：
获取用于对所述术后风险评估模型进行更新的训练样本集；
对所述训练样本集进行预处理，生成带有目标特征数据的训练样本集；
基于所述带有目标特征数据的训练样本集对所述术后风险评估模型进行处理，生成更新后的术后风险评估模型；
基于所述更新后的术后风险评估模型对所述患者的生理因素风险因子进行处理，生成患者的术后风险值。
一种实施方式中，将带有目标特征数据的训练样本集基于预设比例划分为用于训练术后风险评估模型的训练集和用于测试术后风险评估模型的测试集，其中，比例可以按照需要来设定，比如1:8或者1:5等；从训练集中提取多组数据组，其中，每组数据组均包含预设数量的数据样本，其中，至少一个数据样本包括目标特征数据；基于多组数据组中的数据样本对术后风险评估模型进行训练，生成更新后的术后风险评估模型；基于测试集对更新后的术后风险评估模型进行处理，生成测试结果；若测试结果中包含目标特征数据的数据样本为预设的生理因素风险因子，则将更新后的术后风险评估模型作为目标术后风险评估模型。
可选地，在基于本申请上述方法的另一个实施例中，所述对所述训练样本集进行预处理，生成带有目标特征数据的训练样本集，包括：
从所述训练集中提取多组数据组；
对所述数据组进行特征提取，确定原始特征库；
根据所述原始特征库划分各个特征数据集，生成训练数据集和测试数据集；
利用分类器对原始特征库划分各个测试数据集进行预测，确定预测结果；
使用预设算法在原始特征库划分各个训练数据集进行训练，得到测试集类预测结果；
根据预测结果以及测试集类预测结果，生成目标特征数据。
一种实施方式中，对训练样本集进行特征提取，确定原始特征库，其中，特征提取包括原始特征、统计特征、频域特征、时域特征四种特征，所提取的常用特征具体介绍如下：原始特征：原始特征是将收集得到的数据，经过预处理之后，使用每个样本数据矩阵中的所有信息，用于模型的训练。为不丢失样本信息，直接将样本的每条曲线展开，拉伸为行向量。统计特征：统计特征是考虑曲线上所有数据点的变化趋势。通过提取统计特征，可降低数据样本的维度，方便对土壤数据进行分析，加快模型训练时的收敛速度。所提取的统计特征包括最大值、最小值、均值、方差、标准差。频域特征：对数据集进行小波变换，将二阶小波变换得到的系数作为新的特征，构成频域特征。时域特征：时域特征主要是从时间的角度出发，研究信号与***的变化规律，时域特征可以反应曲线数据在时间变化之中的信息。该过程主要提取数据集的一阶前向差分构成一阶差分时域特征，并采用指数移动平均特征处理方法。基于预设特征筛选规则对特征数据进行处理，生成目标特征数据。
另一种实施方式中，根据原始特征库划分各个特征数据集，生成训练数据集和测试数据集，利用现有的技术对原始特征库进行划分，生成训练数据集和测试数据集，本实施例中只要能进行划分即可，采用什么方式并不作任何限制。利用分类器对原始特征库划分各个测试数据集进行预测，确定预测结果，使用预设算法在原始特征库划分各个训练数据集进行训练，得到测试集类预测结果，根据预测结果以及测试集类预测结果，生成目标特征数据。使用预设算法在原始特征库划分各个训练数据集进行训练，得到测试集类预测结果，实施例中只要能得到测试集类预测结果即可，采用什么算法并不作任何限制。根据预测结果以及测试集类预测结果，生成目标特征数据。判断Evalfeature和Evaloriginal的分类结果，若Evalfeature与Evaloriginal相比得到提高，则将该特征并入Dfusion，待遍历结束后得到最终的目标特征数据Dfusion。具体地，获取训练数据集对应的数据分类结果，因为每个训练数据集的分类结果都是事先能够确定的，可以直接在外界获取得到该数据。对比预测结果与数据分类结果，确定第一对比结果；对比测试集类预测结果与数据分类结果，确定第二对比结果；判断第二对比结果与第一对比结果是否满足预设要求时，当满足预设要求时，将对应的各个特征确定为目标特征数据。
可选地，在基于本申请上述方法的另一个实施例中，所述从所述训练集中提取多组数据组，包括：
基于标识信息对所述训练集进行划分，生成若干数量的数类样本；
获取所述训练集中任一数量较少的数类样本；
基于所述任一数量较少的数类样本与同类别的其他数量较少的数类样本之间的距离，生成相邻样本，其中，所述相邻样本包括所述任一数量较少的数类样本的预设数量；
对所述相邻样本进行采样，生成预设数量的采样样本；
基于所述任一少数类样本与每个采样样本，生成多组数据组。
一种实施方式中，任一数量较少的数类样本与同类别的其他每个任一数量较少的数类样本之间的距离可以是欧氏距离，也可以是其他余弦距离，此处不作具体限定。可以将其他所有任一数量较少的数类样本按与其他任一数量较少的数类样本的距离由近到远的顺序进行排列，然后选取排列结果中位于排列结果前几位的数据作为相邻样本。过采样的目的是使少数类样本的个数增加，以实现初始样本集中少数类样本与多数类样本的个数平衡。此处，过采样可以通过采样算法实现，此处不做具体限定。在过采样之后，可以根据过采样所得结果，结合训练集确定出多组数据组。此时，数据组中各属性类别标签对应的描述数据样本的个数相当，不存在数量较少的数类样本或数量较多的数类样本。本实施例通过先对训练集先进行初步划分，在对数量较少的数类样本与其他数量较多的数类样本进行合并。
可选地，在基于本申请上述方法的另一个实施例中，所述对所述相邻样本进行采样，生成预设数量的采样样本，包括：
基于所述训练集中各数类样本的数量，确定采样比例；
基于所述采样比例，确定采样比率；
基于所述采样比率对所述相邻样本进行采样，生成预设数量的采样样本。
一种实施方式中，先获取训练集中包括哪些数据组，确认各个数据组中的数类样本分别有多少，并根据各个数据组的数类样本的个数确定采样比例，然后利用采样比例，确定采样比率。采样比例可以根据需要进行设定，例如可以均为50％，也可以是其他比例，此处不作具体限定。最后，利用采样比率对预设数量的相邻样本进行采样，得到指定数量的采样样本，可以将其他所有数量较少的数类样本按与任一数量较少的数类样本的距离由近到远的顺序进行排列，然后选取排列结果中排名前预设数量的样本作为近邻样本，预设数量可以根据实际情况进行设定，此处不作具体限定。基于任一数量较少的数类样本与每个采样样本，生成新的样本，并将其作为新的数据组，如此可以进一步提升数量较少的数据组与其他数量较多的数据组的平衡效果更佳。
通过应用以上技术方案，服务器获取客户端发送的患者病例信息，其中，病例信息包括患者的术后诊断信息；基于患者的术后诊断信息获取患者的术后特征数据；获取患者的术前体检数据；基于术前体检数据获取患者的术前特征数据；对术后特征数据和术前特征数据进行处理，分别获取相同特征数据的差值；若差值大于预设阈值，则将对应的特征数据作为患者的生理因素风险因子；对患者的生理因素风险因子进行预处理，生成患者的术后类型和用于表征当前术后类型的标识信息；获取存储有与标识信息相匹配的术后风险评估模型的服务器地址；若存储有术后风险评估模型的服务器的个数为多个，则获取多个服务器的业务负载状态；若业务负载状态最低的服务器为当前服务器，则基于当前服务器所存储的与标识信息相匹配的术后风险评估模型，对患者的生理因素风险因子进行处理，生成患者的术后风险值；术后风险评估模型包括用于生成患者的术后风险值的计算公式，计算公式为：P＝aTn/(S1-S2)；P表示术后风险值，a为预设归一化因子，Tn为第二时间段的时长，(S1-S2)为第一时间段与第二时间段中术后特征与术前特征的变化值。
获取用于对术后风险评估模型进行更新的训练样本集；基于标识信息对训练集进行划分，生成若干数量的数类样本；获取训练集中任一数量较少的数类样本；基于任一数量较少的数类样本与同类别的其他数量较少的数类样本之间的距离，生成相邻样本，其中，相邻样本包括任一数量较少的数类样本的预设数量；基于训练集中各数类样本的数量，确定采样比例；基于采样比例，确定采样比率；基于采样比率对相邻样本进行采样，生成预设数量的采样样本；基于任一少数类样本与每个采样样本，生成多组数据组；对数据组进行特征提取，确定原始特征库；根据原始特征库划分各个特征数据集，生成训练数据集和测试数据集；利用分类器对原始特征库划分各个测试数据集进行预测，确定预测结果；使用预设算法在原始特征库划分各个训练数据集进行训练，得到测试集类预测结果；根据预测结果以及测试集类预测结果，生成目标特征数据；基于带有目标特征数据的训练样本集对术后风险评估模型进行处理，生成更新后的术后风险评估模型；基于更新后的术后风险评估模型对患者的生理因素风险因子进行处理，生成患者的术后风险值。
基于术后康复决策模型对患者的术后风险值进行处理，生成术后康复指导信息；获取患者的术后康复信息；基于术后康复决策模型对患者的术后康复信息进行处理，生成目标术后康复指导策略。通过标识信息获取具有处理患者病例信息并生成患者术后风险值的术后风险评估模型，基于术后康复决策模型对患者术后风险值进行处理，从而生成适用于该患者的术后康复指导策略。能够在患者执行根据医嘱数据的过程中根据患者的康复状态来对康复方案进行更新，并由诊疗医生来对更新后的康复方案进行确认，从而使得患者能够使用符合其当前康复状态的康复方案进行康复治疗，尽可能地提高了患者的术后康复效果，避免了由于康复方案与患者的状态不匹配导致的可能的风险。
一种实施方式中，如图2所示，本申请还提供一种肺癌术后康复的装置，包括：
获取模块201，用于获取客户端发送的患者病例信息，其中，所述病例信息包括患者的术后诊断信息；获取存储有与所述标识信息相匹配的术后风险评估模型的服务器地址；获取患者的术后康复信息；
处理模块202，用于对所述患者的术后诊断信息进行处理，生成患者的生理因素风险因子；对所述患者的生理因素风险因子进行预处理，生成患者的术后类型和用于表征当前术后类型的标识信息；若存储有所述术后风险评估模型的服务器的个数为多个，则获取多个服务器的业务负载状态；若所述业务负载状态最低的服务器为当前服务器，则基于当前服务器所存储的与所述标识信息相匹配的术后风险评估模型，对所述患者的生理因素风险因子进行处理，生成患者的术后风险值；基于术后康复决策模型对所述患者的术后风险值进行处理，生成术后康复指导信息；基于所述术后康复决策模型对所述患者的术后康复信息进行处理，生成目标术后康复指导策略。
在本申请的另外一种实施方式中，所述处理模块202，被配置为所述对所述患者的术后诊断信息进行处理，生成患者的生理因素风险因子，包括：
基于所述患者的术后诊断信息获取患者的术后特征数据；
获取患者的术前体检数据；
基于所述术前体检数据获取患者的术前特征数据；
对所述术后特征数据和所述术前特征数据进行处理，分别获取相同特征数据的差值；
若所述差值大于预设阈值，则将对应的特征数据作为患者的生理因素风险因子。
在本申请的另外一种实施方式中，所述处理模块202，被配置为所述方法还包括：
所述术后风险评估模型包括用于生成患者的术后风险值的计算公式，所述计算公式为：P＝a Tn/(S1-S2)；P表示术后风险值，a为预设归一化因子，Tn为第二时间段的时长，(S1-S2)为第一时间段与第二时间段中术后特征与术前特征的变化值。
在本申请的另外一种实施方式中，所述处理模块202，被配置为所述方法还包括：
获取用于对所述术后风险评估模型进行更新的训练样本集；
对所述训练样本集进行预处理，生成带有目标特征数据的训练样本集；
基于所述带有目标特征数据的训练样本集对所述术后风险评估模型进行处理，生成更新后的术后风险评估模型；
基于所述更新后的术后风险评估模型对所述患者的生理因素风险因子进行处理，生成患者的术后风险值。
在本申请的另外一种实施方式中，所述处理模块202，被配置为所述对所述训练样本集进行预处理，生成带有目标特征数据的训练样本集，包括：
从所述训练集中提取多组数据组；
对所述数据组进行特征提取，确定原始特征库；
根据所述原始特征库划分各个特征数据集，生成训练数据集和测试数据集；
利用分类器对原始特征库划分各个测试数据集进行预测，确定预测结果；
使用预设算法在原始特征库划分各个训练数据集进行训练，得到测试集类预测结果；
根据预测结果以及测试集类预测结果，生成目标特征数据。
在本申请的另外一种实施方式中，所述处理模块202，被配置为所述从所述训练集中提取多组数据组，包括：
基于标识信息对所述训练集进行划分，生成若干数量的数类样本；
获取所述训练集中任一数量较少的数类样本；
基于所述任一数量较少的数类样本与同类别的其他数量较少的数类样本之间的距离，生成相邻样本，其中，所述相邻样本包括所述任一数量较少的数类样本的预设数量；
对所述相邻样本进行采样，生成预设数量的采样样本；
基于所述任一少数类样本与每个采样样本，生成多组数据组。
在本申请的另外一种实施方式中，所述处理模块202，被配置为所述对所述相邻样本进行采样，生成预设数量的采样样本，包括：
基于所述训练集中各数类样本的数量，确定采样比例；
基于所述采样比例，确定采样比率；
基于所述采样比率对所述相邻样本进行采样，生成预设数量的采样样本。
本申请实施例提供了一种电子设备，如图3所示，电子设备3包括第一处理器300，存储器301，总线302和通信接口303，所述第一处理器300、通信接口303和存储器301通过总线302连接；所述存储器301中存储有可在所述第一处理器300上运行的计算机程序，所述第一处理器300运行所述计算机程序时执行本申请前述任一实施方式所提供的所述肺癌术后康复的方法。
其中，存储器301可能包含高速随机存取存储器（RAM：Random Access Memory），也可能还包括非不稳定的存储器（non-volatile memory），例如至少一个磁盘存储器。通过至少一个通信接口303（可以是有线或者无线）实现该***网元与至少一个其他网元之间的通信连接，可以使用互联网、广域网、本地网、城域网等。
总线302可以是ISA总线、PCI总线或EISA总线等。所述总线可以分为地址总线、数据总线、控制总线等。其中，存储器301用于存储程序，所述第一处理器300在接收到执行指令后，执行所述程序，前述本申请实施例任一实施方式揭示的所述肺癌术后康复的方法可以应用于第一处理器300中，或者由第一处理器300实现。
第一处理器300可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过第一处理器300中的硬件的集成逻辑电路或者软件形式的指令完成。上述的第一处理器300可以是通用处理器，包括中央处理器(Central ProcessingUnit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器301，第一处理器300读取存储器301中的信息，结合其硬件完成上述方法的步骤。
本申请的上述实施例提供的电子设备与本申请实施例提供的肺癌术后康复的方法出于相同的发明构思，具有与其存储的应用程序所采用、运行或实现的方法相同的有益效果。
本申请实施例提供了一种计算机可读存储介质，如图4所示，所述计算机可读存储介质存储401有计算机程序，所述计算机程序被第二处理器402读取并运行时，实现如前述的肺癌术后康复的方法。
本申请实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台电子设备(可以是空调器，制冷装置，个人计算机，服务器，或者网络设备等)或processor(处理器)执行本申请实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
本申请的上述实施例提供的计算机可读存储介质与本申请实施例提供的肺癌术后康复的方法出于相同的发明构思，具有与其存储的应用程序所采用、运行或实现的方法相同的有益效果。
本申请实施例提供了一种计算机程序产品，包括计算机程序，所述计算机程序被第三处理器执行实现如前述所述的方法。
本申请的上述实施例提供的计算机程序产品与本申请实施例提供的肺癌术后康复的方法出于相同的发明构思，具有与其存储的应用程序所采用、运行或实现的方法相同的有益效果。
需要说明的是，在本申请中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者还是包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本申请中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于评估肺癌术后康复的方法、电子装置、电子设备、以及可读存储介质实施例而言，由于其基本相似于上述所述的肺癌术后康复的方法实施例，所以描述的比较简单，相关之处参见上述所述的肺癌术后康复的方法实施例的部分说明即可。
虽然本申请披露如上，但本申请并非限定于此。任何本领域技术人员，在不脱离本申请的精神和范围内，均可作各种更动与修改，因此本申请的保护范围应当以权利要求所限定的范围为准。
Claims (10)
1.一种肺癌术后康复的方法，其特征在于，包括：
获取客户端发送的患者病例信息，其中，所述病例信息包括患者的术后诊断信息；
对所述患者的术后诊断信息进行处理，生成患者的生理因素风险因子；
对所述患者的生理因素风险因子进行预处理，生成患者的术后类型和用于表征当前术后类型的标识信息；
获取存储有与所述标识信息相匹配的术后风险评估模型的服务器地址；
若存储有所述术后风险评估模型的服务器的个数为多个，则获取多个服务器的业务负载状态；
若所述业务负载状态最低的服务器为当前服务器，则基于当前服务器所存储的与所述标识信息相匹配的术后风险评估模型，对所述患者的生理因素风险因子进行处理，生成患者的术后风险值；
基于术后康复决策模型对所述患者的术后风险值进行处理，生成术后康复指导信息；
获取患者的术后康复信息；
基于所述术后康复决策模型对所述患者的术后康复信息进行处理，生成目标术后康复指导策略。
2.如权利要求1所述的方法，其特征在于，所述对所述患者的术后诊断信息进行处理，生成患者的生理因素风险因子，包括：
基于所述患者的术后诊断信息获取患者的术后特征数据；
获取患者的术前体检数据；
基于所述术前体检数据获取患者的术前特征数据；
对所述术后特征数据和所述术前特征数据进行处理，分别获取相同特征数据的差值；
若所述差值大于预设阈值，则将对应的特征数据作为患者的生理因素风险因子。
3.如权利要求2所述的方法，其特征在于，所述方法还包括：
所述术后风险评估模型包括用于生成患者的术后风险值的计算公式，所述计算公式为：P＝aTn/(S1-S2)；P表示术后风险值，a为预设归一化因子，Tn为第二时间段的时长，(S1-S2)为第一时间段与第二时间段中术后特征与术前特征的变化值。
4.如权利要求1或3所述的方法，其特征在于，所述方法还包括：
获取用于对所述术后风险评估模型进行更新的训练样本集；
对所述训练样本集进行预处理，生成带有目标特征数据的训练样本集；
基于所述带有目标特征数据的训练样本集对所述术后风险评估模型进行处理，生成更新后的术后风险评估模型；
基于所述更新后的术后风险评估模型对所述患者的生理因素风险因子进行处理，生成患者的术后风险值。
5.如权利要求4所述的方法，其特征在于，所述对所述训练样本集进行预处理，生成带有目标特征数据的训练样本集，包括：
从所述训练集中提取多组数据组；
对所述数据组进行特征提取，确定原始特征库；
根据所述原始特征库划分各个特征数据集，生成训练数据集和测试数据集；
利用分类器对原始特征库划分各个测试数据集进行预测，确定预测结果；
使用预设算法在原始特征库划分各个训练数据集进行训练，得到测试集类预测结果；
根据预测结果以及测试集类预测结果，生成目标特征数据。
6.如权利要求5所述的方法，其特征在于，所述从所述训练集中提取多组数据组，包括：
基于标识信息对所述训练集进行划分，生成若干数量的数类样本；
获取所述训练集中任一数量较少的数类样本；
基于所述任一数量较少的数类样本与同类别的其他数量较少的数类样本之间的距离，生成相邻样本，其中，所述相邻样本包括所述任一数量较少的数类样本的预设数量；
对所述相邻样本进行采样，生成预设数量的采样样本；
基于所述任一少数类样本与每个采样样本，生成多组数据组。
7.如权利要求6所述的方法，其特征在于，所述对所述相邻样本进行采样，生成预设数量的采样样本，包括：
基于所述训练集中各数类样本的数量，确定采样比例；
基于所述采样比例，确定采样比率；
基于所述采样比率对所述相邻样本进行采样，生成预设数量的采样样本。
8.一种肺癌术后康复的装置，其特征在于，所述装置包括：
获取模块，用于获取客户端发送的患者病例信息，其中，所述病例信息包括患者的术后诊断信息；获取存储有与所述标识信息相匹配的术后风险评估模型的服务器地址；获取患者的术后康复信息；
处理模块，用于对所述患者的术后诊断信息进行处理，生成患者的生理因素风险因子；对所述患者的生理因素风险因子进行预处理，生成患者的术后类型和用于表征当前术后类型的标识信息；若存储有所述术后风险评估模型的服务器的个数为多个，则获取多个服务器的业务负载状态；若所述业务负载状态最低的服务器为当前服务器，则基于当前服务器所存储的与所述标识信息相匹配的术后风险评估模型，对所述患者的生理因素风险因子进行处理，生成患者的术后风险值；基于术后康复决策模型对所述患者的术后风险值进行处理，生成术后康复指导信息；基于所述术后康复决策模型对所述患者的术后康复信息进行处理，生成目标术后康复指导策略。
9.一种电子设备，其特征在于，包括：
第一处理器；以及存储器，用于存储所述第一处理器的可执行指令；
其中，所述第一处理器配置为经由执行所述可执行指令来执行权利要求 1～7中任意一项所述的肺癌术后康复的方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被第二处理器执行时实现权利要求1～7中任意一项所述的肺癌术后康复的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410277296.5A CN117877663B (zh) | 2024-03-12 | 2024-03-12 | 一种肺癌术后康复的方法及相关设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410277296.5A CN117877663B (zh) | 2024-03-12 | 2024-03-12 | 一种肺癌术后康复的方法及相关设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117877663A true CN117877663A (zh) | 2024-04-12 |
| CN117877663B CN117877663B (zh) | 2024-05-28 |
Family
ID=90579702
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410277296.5A Active CN117877663B (zh) | 2024-03-12 | 2024-03-12 | 一种肺癌术后康复的方法及相关设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117877663B (zh) |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180315507A1 (en) * | 2017-04-27 | 2018-11-01 | Yale-New Haven Health Services Corporation | Prediction of adverse events in patients undergoing major cardiovascular procedures |
| US20190336085A1 (en) * | 2018-04-10 | 2019-11-07 | Hill-Rom Services, Inc. | Patient risk assessment based on data from multiple sources in a healthcare facility |
| CN115223679A (zh) * | 2022-08-05 | 2022-10-21 | 华中科技大学同济医学院附属同济医院 | 基于机器学习的围手术期风险预警方法 |
| CN115240855A (zh) * | 2022-06-21 | 2022-10-25 | 中山大学附属第七医院(深圳) | 一种胃癌切除术后严重并发症护理风险预测模型及其构建方法 |
| CN115565683A (zh) * | 2021-07-02 | 2023-01-03 | 南通大学附属医院 | 心脏大血管术后谵妄风险预测模型建立与验证方法 |
| CN115588480A (zh) * | 2022-10-11 | 2023-01-10 | 武汉拓思瑞医疗科技有限公司 | 骨科术后远程康复训练方法、***、服务器及存储介质 |
| CN115831317A (zh) * | 2023-01-31 | 2023-03-21 | 深圳市美林医疗器械科技有限公司 | 一种心脏康复运动的实现方法、设备及介质 |
| CN115827554A (zh) * | 2022-09-22 | 2023-03-21 | 昆明医科大学 | 一种心脏康复门诊患者标准化管理方法与装置 |
| CN116153531A (zh) * | 2023-04-17 | 2023-05-23 | 北京康爱医疗科技股份有限公司 | 一种肿瘤患者康复监测方法及*** |
| CN117503153A (zh) * | 2024-01-05 | 2024-02-06 | 北华大学 | 基于人工智能的患者术后康复评价方法 |
| CN117612707A (zh) * | 2023-12-05 | 2024-02-27 | 皋兰县石洞镇卫生院 | 一种基于人工智能的智能化外科手术风险评估*** |
| CN117612241A (zh) * | 2023-12-20 | 2024-02-27 | 中国人民解放军空军特色医学中心 | 一种青少年近视的预警方法及相关设备 |
-
2024
- 2024-03-12 CN CN202410277296.5A patent/CN117877663B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180315507A1 (en) * | 2017-04-27 | 2018-11-01 | Yale-New Haven Health Services Corporation | Prediction of adverse events in patients undergoing major cardiovascular procedures |
| US20190336085A1 (en) * | 2018-04-10 | 2019-11-07 | Hill-Rom Services, Inc. | Patient risk assessment based on data from multiple sources in a healthcare facility |
| CN115565683A (zh) * | 2021-07-02 | 2023-01-03 | 南通大学附属医院 | 心脏大血管术后谵妄风险预测模型建立与验证方法 |
| CN115240855A (zh) * | 2022-06-21 | 2022-10-25 | 中山大学附属第七医院(深圳) | 一种胃癌切除术后严重并发症护理风险预测模型及其构建方法 |
| CN115223679A (zh) * | 2022-08-05 | 2022-10-21 | 华中科技大学同济医学院附属同济医院 | 基于机器学习的围手术期风险预警方法 |
| CN115827554A (zh) * | 2022-09-22 | 2023-03-21 | 昆明医科大学 | 一种心脏康复门诊患者标准化管理方法与装置 |
| CN115588480A (zh) * | 2022-10-11 | 2023-01-10 | 武汉拓思瑞医疗科技有限公司 | 骨科术后远程康复训练方法、***、服务器及存储介质 |
| CN115831317A (zh) * | 2023-01-31 | 2023-03-21 | 深圳市美林医疗器械科技有限公司 | 一种心脏康复运动的实现方法、设备及介质 |
| CN116153531A (zh) * | 2023-04-17 | 2023-05-23 | 北京康爱医疗科技股份有限公司 | 一种肿瘤患者康复监测方法及*** |
| CN117612707A (zh) * | 2023-12-05 | 2024-02-27 | 皋兰县石洞镇卫生院 | 一种基于人工智能的智能化外科手术风险评估*** |
| CN117612241A (zh) * | 2023-12-20 | 2024-02-27 | 中国人民解放军空军特色医学中心 | 一种青少年近视的预警方法及相关设备 |
| CN117503153A (zh) * | 2024-01-05 | 2024-02-06 | 北华大学 | 基于人工智能的患者术后康复评价方法 |
Non-Patent Citations (2)
| Title |
|---|
| 张龙波;: "全膀胱切除尿路改道术后早期并发症及危险因素研究", 临床医学研究与实践, no. 01, 10 January 2017 (2017-01-10) * |
| 黄宣林;章祖雄;李斌;赖长俊;曾小欢;陈城汝;张祥水: "微视频及模拟训练在肺癌围手术期加速康复的应用研究", 《医疗装备》, 15 February 2024 (2024-02-15), pages 106 - 108 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117877663B (zh) | 2024-05-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Grande et al. | Exercise versus no exercise for the occurrence, severity, and duration of acute respiratory infections | |
| Williams et al. | Physical activity interventions for people with congenital heart disease | |
| Braam et al. | Physical exercise training interventions for children and young adults during and after treatment for childhood cancer | |
| Sweeting et al. | When is a sprint a sprint? A review of the analysis of team-sport athlete activity profile | |
| Ghassemi et al. | Unfolding physiological state: Mortality modelling in intensive care units | |
| Chandratilleke et al. | Physical training for asthma | |
| US20210162261A1 (en) | Methods and systems for generating physical activity sets for a human subject | |
| Preziosi Standoli et al. | Scapular dyskinesis in young, asymptomatic elite swimmers | |
| CN108648827A (zh) | 心脑血管疾病风险预测方法及装置 | |
| CN103003817A (zh) | 临床数据的自动化注释 | |
| US11393589B2 (en) | Methods and systems for an artificial intelligence support network for vibrant constitutional guidance | |
| Kim et al. | Physical characteristics and physical fitness profiles of korean taekwondo athletes: A systematic review | |
| Sanchez-Lastra et al. | Effectiveness of prison-based exercise training programs: a systematic review | |
| Kristiansen et al. | Data mining for patient friendly apnea detection | |
| CN113380427A (zh) | 一种基于佩戴式智能终端的健康管理平台及管理方法 | |
| CN116705238A (zh) | 基于体医结合的运动处方健康数据管理平台 | |
| CN115985518A (zh) | 一种基于人工智能的患者健康干预及加速康复方法及*** | |
| David et al. | Validation of the Ottawa Ankle Rules for acute foot and ankle injuries | |
| CN103619240A (zh) | 用于确定hrv和rrv并且用来识别潜在病症发作的方法和*** | |
| CN116453641B (zh) | 一种中医辅助分析信息的数据处理方法及*** | |
| Pham et al. | Respiratory artefact removal in forced oscillation measurements: a machine learning approach | |
| CN117877663B (zh) | 一种肺癌术后康复的方法及相关设备 | |
| Matsumoto et al. | DPC in acute-phase inpatient hospital care | |
| Christie et al. | Do South African international cricket pace bowlers have similar bowling volume and injury risk associates compared to other elite fast bowlers? | |
| CN110033835A (zh) | 用于患者记录识别的装置 |
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 |