申请/专利权人:山东大学第二医院
申请日:2024-02-28
公开(公告)日:2024-04-02
公开(公告)号:CN117809811A
主分类号:G16H20/40
分类号:G16H20/40;G16H10/20;G16H10/60;G16H50/70;G06N3/044;G06N3/0464;G06N3/048;G06N3/084
优先权:
专利状态码:在审-实质审查的生效
法律状态:2024.04.19#实质审查的生效;2024.04.02#公开
摘要:本发明公开了一种基于人工智能的减重手术术后管理方法及系统,方法包括患者数据采集、数据预处理、患者体重预测、术后再入院预测和术后管理策略生成。本发明属于医疗健康管理技术领域,具体是指一种基于人工智能的减重手术术后管理方法及系统,本方案采用埃尔曼循环神经网络进行患者体重预测,增加了模型对动态信息的处理能力,并提高了神经网络模型的适应性和泛化能力,在提升准确率的同时也提升了训练效率,增强了方法整体的可用性;采用结合极限梯度提升模型的博鲁塔算法进行特征选择,并进一步进行术后再入院预测,降低了传统极限梯度提升模型的随机性,具有高精度、高鲁棒性和低随机性的特点,提升了减重手术术后管理系统的实用性。
主权项:1.一种基于人工智能的减重手术术后管理方法,其特征在于:该方法包括以下步骤:步骤S1:患者数据采集,具体为获取患者临床数据;步骤S2:数据预处理;步骤S3:患者体重预测,具体为通过皮尔逊相关系数对临床初始数据进行特征筛选,得到体重预测特征,采用埃尔曼循环神经网络进行患者体重预测模型构建,并通过构建得到的患者体重预测模型进行体重预测,得到患者预测体重;步骤S4:术后再入院预测;步骤S5:术后管理策略生成;在步骤S4中,所述术后再入院预测,用于依据患者预测体重和临床初始数据进行术后再入院预测,包括以下步骤:步骤S41:通过一维卷积神经网络对临床初始数据进行特征提取,得到再入院特征矩阵;步骤S42:通过将极限梯度提升模型与博鲁塔算法相结合,得到结合极限梯度提升模型的博鲁塔算法;步骤S43:采用结合极限梯度提升模型的博鲁塔算法进行特征选择;步骤S44:依据患者预测体重和再入院关键特征矩阵,采用人工神经网络模型进行术后再入院预测,将患者分为再入院高风险人群和再入院非高风险人群,得到术后再入院风险。
全文数据:
权利要求:
百度查询: 山东大学第二医院 一种基于人工智能的减重手术术后管理方法及系统
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。