基于AI分析模型的慢性病大数据识别和分析处理方法技术

本发明专利技术涉及一种基于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。效率大大提高。效率大大提高。

【技术实现步骤摘要】
基于AI分析模型的慢性病大数据识别和分析处理方法


[0001]本专利技术涉及疾病智能识别
，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。

技术介绍

[0002]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、慢性呼吸系统疾病等。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。
[0003]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。
[0004]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。
[0005]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：
[0006]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；
[0007]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；
[0008]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。
[0009]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。

技术实现思路

[0010]为了解决上述问题，本专利技术提出一种基于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。
[0011]本专利技术一方面，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：
[0012]从医院HIS系统中获取患者的临床检查数据并共享至后台服务器；
[0013]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；
[0014]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；
[0015]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。
[0016]作为本专利技术的一可选实施方案，可选地，所述慢性病AI分析模型的生成方法，包括：
[0017]收集慢性病患者的历史就诊数据；
[0018]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，
[0019]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；
[0020]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；
[0021]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；
[0022]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。
[0023]作为本专利技术的一可选实施方案，可选地，所述慢性病AI分析模型的生成方法，还包括：
[0024]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；
[0025]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：
[0026]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；
[0027]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；
[0028]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；
[0029]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；
[0030]将所述慢性病AI分析模型部署并安装在后台服务器上。
[0031]作为本专利技术的一可选实施方案，可选地，在模型融合之后，还包括：
[0032]将模型融合得到的慢性病AI分析模型，发送至云服务器：
[0033]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：
[0034]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；
[0035]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。
[0036]作为本专利技术的一可选实施方案，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：
[0037]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；
[0038]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；
[0039]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；
[0040]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；
[0041]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。
[0042]作为本专利技术的一可选实施方案，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本文档来自技高网...

【技术保护点】

【技术特征摘要】
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系统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...

【专利技术属性】
技术研发人员：吴萃，孟杨，何凡，陈秋艳，万金豹，丁承辉，
申请(专利权)人：上海市宝山区疾病预防控制中心，
类型：发明
国别省市：