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。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD