一种智能化的胰岛素推荐方法、系统及电子设备技术方案

本发明专利技术属于生理信号处理技术领域，公开了一种智能化的胰岛素推荐方法、系统及电子设备，包括：获取数据库中若干历史临床病例数据；从若干所述历史临床病历数据中提取与新输入临床指标相关联的所述历史临床指标作为关联临床指标；将所述基础临床指标及其对应的历史临床诊断结果作为训练对象进行逐个训练；将所述第一集合与参照文件进行对比结合，定位得到胰岛素推荐方案一级指标；计算胰岛素推荐方案中的每日胰岛素初始总剂量，建立对应的胰岛素剂量调整方案；基于前一次胰岛素注射部位数据，建立对应的胰岛素注射部位轮换调整方案。本发明专利技术能够快速定位出有效的胰岛素推荐方案，在实施有效血糖控制的基础上提高使用者的舒适度。适度。适度。

【技术实现步骤摘要】
一种智能化的胰岛素推荐方法、系统及电子设备


[0001]本专利技术涉及生理信号处理
，具体涉及一种智能化的胰岛素推荐方法、系统及电子设备。

技术介绍

[0002]妊娠期高血糖主要包括妊娠期糖尿病(gestational diabetes mellitus,GDM)、妊娠显性糖尿病(overt diabetes mellitus,ODM)及孕前糖尿病(pre
‑
gestational diabetes mellitus,PGDM)，随着我国糖尿病患病人数的快速增长以及生育政策调整后高龄产妇的增加，妊娠期高血糖已经成为妊娠期最常见的并发症，发病率达17.5％左右。高血糖与妊娠不良结局关系的研究证明，妊娠期即使轻度的血糖升高，也会增加大于胎龄儿、脐血C肽大于90百分位数、剖宫产分娩及新生儿低血糖等母儿不良妊娠结局的风险，而且分娩后子代成年期可能发展为高胰岛素血症、肥胖、高血压等代谢综合征。因此，美国糖尿病学会(American Diabetes Association,ADA)建议在整个妊娠期间严格控制血糖。
[0003]控制血糖的常用方法包括生活方式干预与医学营养治疗。通常GDM诊断成立后立即进行生活方式干预，但饮食控制后如反复出现酮症、或血糖达标但出现体重下降、增加热量摄入血糖又超标、或开始饮食和运动疗法一周后血糖检测仍不达标时即可开始胰岛素治疗。胰岛素是人体内唯一一种能降低血糖的激素，在体内与其他升糖激素一起维持血糖正常范围，它属于大分子类物质，不通过胎盘，且能有效地控制血糖，是治疗妊娠期高血糖的首选；同时孕妇体内胰岛素的分泌与调节会受到妊娠影响，妊娠后餐后分泌胰岛素峰值增高并延迟到达，恢复至正常值水平也减慢，甚至会出现胰岛素抵抗状态(IR)。由此可见，在孕妇控制血糖过程中，及时有效的胰岛素治疗尤为重要。
[0004]近年来，远程或移动医疗技术被越来越多地应用于妊娠期高血糖领域，利用科技远程且精密地对孕妇进行血糖管理与监测已成为大势所趋。然而，目前妊娠期高血糖患者的胰岛素治疗方案仍主要是由内分泌科医生人工计算给出，由于缺乏规范的临床路径和决策标准，且无法很好兼顾患者间差异性，即使在有效的监测条件下，患者仍难以或延迟获得正确的治疗，导致不必要的母婴风险增加。另一方面，胰岛素治疗是一项长期且精细的血糖控制方法，然而目前医患间沟通较为匮乏，仍主要依赖于面诊，这导致患者控制血糖过程中需要定期多次前往医院，耗费大量时间与精力，同时还不能非常及时地得到有效的管理与帮助。

技术实现思路

[0005]本专利技术提供一种智能化的胰岛素推荐方法、系统及电子设备，能够及时有效的给妊娠期高血糖患者提供恰当的药物使用决策方案。
[0006]本专利技术通过下述技术方案实现：
[0007]一种智能化的胰岛素推荐方法，包括：
[0008]S1、获取数据库中若干历史临床病例数据，每个所述历史临床病历数据均包括若
干历史临床指标及其对应的历史临床诊断结果；
[0009]S2、从若干所述历史临床病历数据中提取与新输入临床指标相关联的所述历史临床指标作为关联临床指标；
[0010]S3、计算所述关联临床指标与对应的所述历史临床诊断结果之间的第一相关系数，并提取所述第一相关系数较高的所述关联临床指标作为基础临床指标；
[0011]S4、将所述基础临床指标及其对应的历史临床诊断结果作为训练对象进行逐个训练，以得到对各训练对象对应的胰岛素种类、胰岛素使用时间、胰岛素注射方法的预测结果；
[0012]S5、计算各训练对象与其对应的预测结果之间的第二相关系数，并提取所述第二相关系数大于第二阈值的预测结果，建立预测结果与对应的历史临床病例数据的第一集合，再将所述第一集合与参照文件进行对比结合，定位得到胰岛素推荐方案一级指标，所述胰岛素推荐方案一级指标包括胰岛素种类、胰岛素使用时间、胰岛素注射方法；
[0013]S6、计算胰岛素推荐方案二级指标中的每日胰岛素初始总剂量，以所述参照文件为基础，基于所述每日胰岛素初始总剂量结合相关的所述基础临床指标及其对应的所述历史临床诊断结果，建立对应的胰岛素剂量调整方案，得到胰岛素推荐方案二级指标，所述胰岛素推荐方案二级指标包括每日胰岛素初始总剂量、胰岛素剂量调整方案；
[0014]S7、基于前一次胰岛素注射部位数据，对比结合所述参照文件以及对应的所述基础临床指标及其对应的所述历史临床诊断结果，建立对应的胰岛素推荐方案三级指标，所述胰岛素推荐方案三级指标为胰岛素注射部位轮换调整方案；
[0015]S8、将所述胰岛素推荐方案一级指标、胰岛素推荐方案二级指标、胰岛素推荐方案三级指标及其对应的历史临床诊断结果作为训练对象进行逐个训练，以得到对各训练对象对应的胰岛素推荐方案预测结果；
[0016]S9、存储并输出所述胰岛素推荐方案，所述胰岛素推荐方案包括胰岛素推荐方案一级指标、胰岛素推荐方案二级指标、胰岛素推荐方案三级指标。
[0017]作为优化，S3中，所述基础临床指标包括年龄、孕周、孕期体重、体质指数、胰岛素敏感系数、碳水化合物系数、糖尿病分型、糖尿病病程、血常规检查数据、血糖水平、血脂水平、低血糖史、糖尿病并发症情况、联合使用的降糖药物、胰岛素分泌功能、肌酐
‑
血、肌酐
‑
尿、丙氨酸氨基转移酶、谷草转氨酶、血压、糖尿病症状以及胰岛素种类、胰岛素使用时间、胰岛素注射方法、胰岛素初始总剂量、每日胰岛素初始总剂量、每日增加胰岛素剂量、胰岛素注射部位。
[0018]作为优化，S4的具体步骤为：
[0019]S4.1、将所述基础临床指标及其对应的历史临床诊断结果作为输入参数输入至逻辑斯谛回归模型进行训练，输出对胰岛素种类、胰岛素使用时间、胰岛素注射方法进行预测的第一预测结果，所述第一预测结果包括胰岛素种类、胰岛素使用时间、胰岛素注射方法；
[0020]S4.2、将所述基础临床指标及其对应的历史临床诊断结果作为输入参数输入至支持向量机模型进行训练，输出对胰岛素种类、胰岛素使用时间、胰岛素注射方法进行预测的第二预测结果，所述第二预测结果包括胰岛素种类、胰岛素使用时间、胰岛素注射方法；
[0021]S4.3、将所述基础临床指标及其对应的历史临床诊断结果作为输入参数输入至K最近邻分类模型进行训练，输出对胰岛素种类、胰岛素使用时间、胰岛素注射方法进行预测
的第三预测结果，所述第三预测结果包括胰岛素种类、胰岛素使用时间、胰岛素注射方法；
[0022]S4.4、将所述基础临床指标及其对应的历史临床诊断结果作为输入参数输入至深度确定性策略梯度模型进行训练，输出对胰岛素种类、胰岛素使用时间、胰岛素注射方法进行预测的第四预测结果，所述第四预测结果包括胰岛素种类、胰岛素使用时间、胰岛素注射方法。
[0023]作为优化，S5的具体实施步骤为：
[0024]S5.1、分别计算各所述训练对象与其对应的所述第一预测结果、第二预测结果、第三预测结果、第四预测结果之间的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种智能化的胰岛素推荐方法，其特征在于，包括：S1、获取数据库中若干历史临床病例数据，每个所述历史临床病历数据均包括若干历史临床指标及其对应的历史临床诊断结果；S2、从若干所述历史临床病历数据中提取与新输入临床指标相关联的所述历史临床指标作为关联临床指标；S3、计算所述关联临床指标与对应的所述历史临床诊断结果之间的第一相关系数，并提取所述第一相关系数大于第一阈值的所述关联临床指标作为基础临床指标；S4、将所述基础临床指标及其对应的历史临床诊断结果作为训练对象进行逐个训练，以得到对各训练对象对应的胰岛素种类、胰岛素使用时间、胰岛素注射方法的预测结果；S5、计算各训练对象与其对应的预测结果之间的第二相关系数，并提取所述第二相关系数大于第二阈值的预测结果，建立预测结果与对应的历史临床病例数据的第一集合，再将所述第一集合与参照文件进行对比结合，定位得到胰岛素推荐方案一级指标，所述胰岛素推荐方案一级指标包括胰岛素种类、胰岛素使用时间、胰岛素注射方法；S6、计算胰岛素推荐方案二级指标中的每日胰岛素初始总剂量，以所述参照文件为基础，基于所述每日胰岛素初始总剂量结合相关的所述基础临床指标及其对应的所述历史临床诊断结果，建立对应的胰岛素剂量调整方案，得到胰岛素推荐方案二级指标，所述胰岛素推荐方案二级指标包括每日胰岛素初始总剂量、胰岛素剂量调整方案；S7、基于前一次胰岛素注射部位数据，对比结合所述参照文件以及对应的所述基础临床指标及其对应的所述历史临床诊断结果，建立对应的胰岛素推荐方案三级指标，所述胰岛素推荐方案三级指标为胰岛素注射部位轮换调整方案；S8、将所述胰岛素推荐方案一级指标、胰岛素推荐方案二级指标、胰岛素推荐方案三级指标及其对应的历史临床诊断结果作为训练对象进行逐个训练，以得到对各训练对象对应的胰岛素推荐方案的预测结果；S9、存储并输出所述胰岛素推荐方案，所述胰岛素推荐方案包括胰岛素推荐方案一级指标、胰岛素推荐方案二级指标、胰岛素推荐方案三级指标。2.根据权利要求1所述的一种智能化的胰岛素推荐方法，其特征在于，S3中，所述基础临床指标包括年龄、孕周、孕期体重、体质指数、胰岛素敏感系数、碳水化合物系数、糖尿病分型、糖尿病病程、血常规检查数据、血糖水平、血脂水平、低血糖史、糖尿病并发症情况、联合使用的降糖药物、胰岛素分泌功能、肌酐
‑
血、肌酐
‑
尿、丙氨酸氨基转移酶、谷草转氨酶、血压、糖尿病症状以及胰岛素种类、胰岛素使用时间、胰岛素注射方法、胰岛素初始总剂量、每日胰岛素初始总剂量、每日增加胰岛素剂量、胰岛素注射部位。3.根据权利要求1所述的一种智能化的胰岛素推荐方法，其特征在于，S4的具体步骤为：S4.1、将所述基础临床指标及其对应的历史临床诊断结果作为输入参数输入至逻辑斯谛回归模型进行训练，输出对胰岛素种类、胰岛素使用时间、胰岛素注射方法进行预测的第一预测结果，所述第一预测结果包括胰岛素种类、胰岛素使用时间、胰岛素注射方法；S4.2、将所述基础临床指标及其对应的历史临床诊断结果作为输入参数输入至支持向量机模型进行训练，输出对胰岛素种类、胰岛素使用时间、胰岛素注射方法进行预测的第二预测结果，所述第二预测结果包括胰岛素种类、胰岛素使用时间、胰岛素注射方法；
S4.3、将所述基础临床指标及其对应的历史临床诊断结果作为输入参数输入至K最近邻分类模型进行训练，输出对胰岛素种类、胰岛素使用时间、胰岛素注射方法进行预测的第三预测结果，所述第三预测结果包括胰岛素种类、胰岛素使用时间、胰岛素注射方法；S4.4、将所述基础临床指标及其对应的历史临床诊断结果作为输入参数输入至深度确定性策略梯度模型进行训练，输出对胰岛素种类、胰岛素使用时间、胰岛素注射方法进行预测的第四预测结果，所述第四预测结果包括胰岛素种类、胰岛素使用时间、胰岛素注射方法。4.根据权利要求3所述的一种智能化的胰岛素推荐方法，其特征在于，S5的具体实施步骤为：S5.1、分别计算各所述训练对象与其对应的所述第一预测结果、第二预测结果、第三预测结果、第四预测结果之间的第二相关系数；S5.2、提取若干第二相关系数中较高的第二相关系数对应的预测结果，并将预测结果与对应的历史临床病例数据分别组合起来，形成第一集合；S5.3、将所述第一集合与参照文件的进行对比结合，定位得到胰岛素推荐方案一级指标。5.根据权利要求3或4所述的一种智能化的胰岛素推荐方法，其特征在于，所述胰岛素种类包括：餐时胰岛素、基础胰岛素、餐时+基础胰岛素联合用药，所述胰岛素使用时间包括：基础胰岛素7：00，即b7；基础胰岛素16：00，即b16；基础胰岛素22:00，即b22；餐时+基础胰岛素联合用药7：30，即p7：30；餐时+基础胰岛素联合用药16:30，即p16:30；餐时胰岛素6:30，即s6:30；餐时胰岛素11:30，即s11:30；餐时胰岛素16:30，即s16:30，所述胰岛素注射方法包括：皮下注射、静脉滴注。6.根据权利要求1所述的一种智能化的胰岛素推荐方法，其特征在于，S6的具体步骤为：S6.1、将所述基础...

【专利技术属性】
技术研发人员：周恒宇，唐娇，熊芳芳，陈智翔，余静雅，范纪莉，杜鑫，王星宇，陈铃瑶，曾凡玲，崔璀，
申请(专利权)人：重庆医科大学，
类型：发明
国别省市：