资源类型:
当前专利权人:
华中科技大学同济医学院附属同济医院
;
申请号:
申请日期:
授权年份:
公开号:
公开日:
法律状态:
主分类号:
分类号:
摘要:
本发明涉及一种临床血糖管理质量控制系统,包括在院系统、服务器、客户端,其中在院系统通过收集在院的医疗和/或护理数据从而传输给服务器进行数据收集,所述服务器根据所收集的数据而确定数据是否缺失,从而发出提醒信号给客户端,以提醒数据的及时记录,当所述数据收集完整之后所述服务器继续基于收集的完整的数据进行人工智能的识别,从而进一步识别方案偏离的问题数据。实现了医疗数据的图案化管理以及人工智能的及时的偏离方案的宏观识别与问题数据的微观定位。
主权项:
1.一种基于人工智能的方案偏离半定量评估的临床血糖管理质量控制系统,其特征在于,包括计算机形式的在院系统、服务器、客户端,其中,在院系统对在院的与血糖管理相关的医疗数据和/或护理数据进行数据收集并传输给服务器,所述服务器根据所收集的数据确定数据是否缺失,从而发出提醒信号给客户端,以提醒数据的及时记录,当所述数据收集完整之后所述服务器继续基于收集的完整的数据进行人工智能的识别,从而进一步识别方案偏离的问题数据; 其中,所述在院系统包括,考勤系统,手术设备操作记录系统,化验设备操作记录系统,医疗器械记录系统,用于记录医疗器械进出院以及在院配给以及使用的数据,药物记录系统,用于记录药物进出院以及在院配给以及使用的数据,以及医疗器械与药物使用情况记录系统, 所述考勤系统通过打卡和/或人脸识别记录出勤数据,所述手术设备操作记录系统通过手术设备上的操作历史以及受术者信息进行第一数据记录,所述化验设备操作记录系统通过化验设备上的试验数据以及受检者信息进行第二数据记录,医疗器械记录系统通过医疗器械包装检验通道进行识别进院数量,以及通过医疗器械出院通道进行出院数量的识别,所述检验通道和出院通道上通过传送带上方安装的图像采集装置进行进出院数量的识别,通过医疗器械或其包装上的电子标签扫描而记录一次在院配给以及使用的数据,所述药物记录系统通过药物包装检验通道进行识别进院数量,以及通过药物出院通道进行出院数量的识别,通过药物包装上的电子标签扫描而记录在院配给以及使用的数据,所述医疗器械与药物使用情况记录系统通过医护人员进行手动录入; 所述出勤数据、第一数据记录、第二数据记录、所有医疗器械和药物的进出院数量作为所述医疗数据,以及配给以及使用的数据、手动录入的数据作为所述护理数据都上传至服务器,当医疗器械与药物使用情况记录系统识别到手动录入缺失和电子标签扫描缺失即通过所述服务器向客户端发送手动录入缺失信号和电子标签扫描缺失信号,以提醒补录,并且根据用械和用药的医嘱时间和医嘱时间以外的规定时间内进行数据扫描以识别手动录入缺失和电子标签扫描缺失, 所述客户端包括在院客户端以及院外客户端,所述在院客户端包括医师以及其他医护人员进行病历记录、医疗方案记录、医疗器械和药物配给记录的计算机系统,院外客户端包括医师以及其他医护人员以及病患或就诊者的移动通讯设备,所述服务器根据病患或就诊者的医疗器械和药物的使用医嘱要求而在规定的用械和/或用药的所述医嘱时间和医嘱时间以外的规定时间内向其他医护人员的移动通讯设备发送一次提醒短消息,并向所述病患或就诊者的移动通讯设备间歇性地发送提醒短消息,以使得医疗方和病患方之间进行器械和/或药物的使用提醒,所述病患或就诊者通过在移动通讯设备上进行确认而消除提醒短消息,并将消除的操作信息发送至服务器以让所述服务器知晓院外用械和/或用药的正常; 所述人工智能的识别的方法包括如下步骤: S1收集不同时期的所述医疗数据、以及每个患者和/或就诊者信息下的器械、药物、手术、化验的名称、器械和药物数量、服用数量和频次,以及使用数量和频次是否正常,其中所述使用数量和频次是否正常通过所述电子标签扫描、手动记录、消除的操作信息三项数据进行识别正常与否,缺少其中任一项均视作不正常;将所述医疗数据、每个患者和/或就诊者信息下的器械、药物、手术、化验的名称、数量、使用数量和频次,以及使用数量和频次是否正常的数据进行训练集、验证集的划分;所述每个患者和/或就诊者信息包括患者和/或就诊者姓名、年龄、挂号科室、就医医师姓名; S2按照患者和/或就诊者的就诊时间顺序进行排序,将其信息以及信息下的器械、药物、手术、化验的名称、数量、使用数量和频次,以及使用数量和频次是否正常的数据进行数据集合,并将医疗数据进行集合,形成数据集;将数据集中的数据按照规定进行彩色值的赋予的伪彩化处理,形成在医疗数据集对应的像素集之后按照时间顺序进行排序的像素集,形成集合图像; S3根据所述集合图像,将质量控制系统预测的标准的数据对应的彩色值进行重新填充,形成标准集合图像,标准集合图像是指图像中的每个数据对应的像素值都是正常状态下的像素值; S4将集合图像中对应所述医疗数据,以及每个患者和/或就诊者的信息下的器械、药物、手术、化验的名称、数量、使用数量和频次、使用数量和频次是否正常的数据对应的图像部分分别输入到医疗数据CNN模型以及患者和/或就诊者CNN模型中,两种CNN模型的输出端都通过softmax函数进行正常与否的二分分类输出,与实际的分类进行对比,从而根据验证集计算正确率以及计算损失函数,从而调整CNN网络参数,直到正确率以及损失函数稳定停止训练; S5将待预测的集合图像输入训练好的S4中的CNN模型中,当判断结果为不正常,则将所述待预测的集合图像与根据S3形成的对应的标准集合图像进行差分,得到差分结果就可以知道存在问题数据对应的患者和/或负责医师,最后服务器将判断和问题数据传送给在院系统。