一种干眼症治疗管理系统的制作方法

本发明涉及医疗管理技术领域，具体为一种干眼症治疗管理系统。

背景技术：

干眼为多因素引起的慢性眼表疾病，是由泪液的质、量及动力学异常导致的泪膜不稳定或眼表微环境失衡，可伴有眼表炎性反应、组织损伤及神经异常，造成眼部多种不适症状和视功能障碍，由于干眼的病因是多因素的，因此通过单一的因素对干眼进行观察研究有一定的局限性，且我国的最新干眼专家共识首次把干眼作为慢性疾病进行管理，因此寻找干眼的背后的主要致病因素，对干眼的治疗至关重要，因此，与干眼相关的病因辨识对诊断有积极作用，且能分析病理生理学，促进治疗，提高公众教育的水平，以期望改善全身及眼部的健康。目前，观察性研究和基于人群的横断面流行病学研究已经报道了与干眼相关的各种不可改变的，可改变的，环境和医学的相关因素，干眼的危险因素可分类为一致、可能和不确定三种，年龄、性别、睑板腺功能障碍(mgd)、结缔组织疾病、sjogren综合征、雄激素缺乏症、计算机使用、隐形眼镜佩戴、雌激素替代疗法和药物使用是持续的危险因素。

目前，国内外的干眼研究已经确定了干眼的相关因素，但是通过建立干眼的模型研究来评估新个体干眼风险的研究较少，在发明中应用健康检查问卷和营养调查问卷，并且把数据变为变量，使用机器学习算法和套索正则化从数据库中生成一个具有干眼相关危险因素的模型，这些方法可以通过从大型数据集中的大量变量中选择特征来提高模型性能，以预测干眼，而不会过度拟合，同时保留了特征之间的复杂交互，此外，通过神经网络分析探索了因素之间的相互作用。当将神经网络分析应用于模型时，可以通过显示相关因素之间的联系来系统的理解干眼。此研究是对干眼危险因素的人工智能的初步探索，以评估干眼的个体风险，并做出干眼的相关危险因素的神经网络图，并使之可视化。

同时现有的干眼症治疗管理系统分析处理数据较慢，尤其对于同时录入处理多个检测者信息时，经常造成系统卡顿，不能实现通过在收集检测者信息时，采用分通道数据采集分析方法，来使系统一次能够进行不同类型的数据进行快速分析处理，无法达到既快速又准确的进行数据处理的目的。

技术实现要素：

(一)解决的技术问题

针对现有技术的不足，本发明提供了一种干眼症治疗管理系统，本发明应用健康检查问卷和营养调查问卷，并且把数据变为变量，使用机器学习算法和套索正则化从数据库中生成一个具有干眼相关危险因素的可视化模型。

(二)技术方案

为实现以上目的，本发明通过以下技术方案予以实现：一种干眼症治疗管理系统，包括临床资料收集模块、数据库构建模块、干眼评分系统开发模块、干眼神经网络模块和干眼分析模块，所述临床资料收集模块的输出端与数据库构建模块的输入端电性连接，且数据库构建模块的输出端分别与干眼评分系统开发模块和干眼神经网络模块的输入端电性连接，所述干眼评分系统开发模块和干眼神经网络模块的输出端均与干眼分析模块的输入端电性连接。

所述临床资料收集模块收集调查文件信息数据、临床特征信息数据和辅助检查信息数据，并将收集的数据传输至数据库构建模块进行干眼门诊数据库构建，然后通过干眼评分系统开发模块开发基于点的干眼评分系统，通过干眼神经网络模块处理干眼相关因素的神经网络，最后通过干眼分析模块分析危险因素之间的相关性以及干眼的个性化预测。

所述临床资料收集模块包括临床信息检测模块、临床信息分析模块、临床信息多通道传输模块和临床资料预处理模块，所述临床信息检测模块的输出端与临床信息分析模块的输入端电性连接，且临床信息分析模块的输出端与临床信息多通道传输模块的输入端电性连接，所述临床信息多通道传输模块的输出端与临床资料预处理模块的输入端电性连接。

所述临床信息多通道传输模块包括检测人信息识别模块、检测信息分析模块、数据分类整合模块和数据整合发送模块，所述检测人信息识别模块的输出端与检测信息分析模块的输入端电性连接，且检测信息分析模块的输出端与数据分类整合模块的输入端电性连接，所述数据分类整合模块的输出端与数据整合发送模块的输入端电性连接。

所述数据库构建模块是采用excel2016建立数据库，并采用logistics回归模型进行构建。

所述干眼神经网络模块是基于neuralnetworks的multilayerperceptron模块建立神经网络模型，神经网络模型采用多层感知器神经网络设置，网络自动优化决定隐含层的层数和网络神经元数。

优选的，所述数据库构建模块采用excel2016建立数据库具体如下：

s1、由两位研究者分别录入样本资料并汇总，以完成数据核查与逻辑纠错；

s2、对于计量资料进行kolmogorov-smirnov检验，符合正态分布的计量资料以均数±标准差(mean±sd/sem)表示；

s3、不服从正态分布的计量资料以中位数(median,m)及四分位数(q25,q75)表示。

优选的，所述步骤s1中数据处理基于spss21.0软件包完成，设定双侧p＜0.05为差异。

优选的，所述步骤s2中两组间比较采用独立样本t检验，多组间比较采用单因素方差分析、两两比较采用snk法。

优选的，所述步骤s3中两组间及多组间比较采用秩和检验。

优选的，所述logistics回归模型构建的具体步骤如下：

t1、首先将计数资料进行定性赋值量化、计量资料则直接使用，采用逐步回归分析方法剔除变量进行建模，观察各个变量对改变模型整体拟合优度是否存在统计学差异；

t2、使用waldχ2检验对logistic回归方程及回归系数进行假设检验，得出相应变量的偏回归系数(b)、标准误(s.e.)、wald统计量、p值(sig)，构建多因素logistics回归方程。

优选的，所述干眼神经网络模块构建人工神经网络模型的具体步骤如下：

e1、首先提取干眼的潜在影响因素和治疗方案作为输入层向量；

e2、其次建立神经网络模型；

e3、最后进行正反向传播网络训练。

优选的，所述步骤e2神经网络模型包括三个层次：两侧为输入及输出层，及其位于中间的隐藏层，隐藏层是多个层的组合结构。

优选的，所述步骤e3中正向传播是输入特征信息自输入层进入神经网络，经过若干个隐藏层，最后到输出层输出预测结果。

优选的，所述步骤e3中反向传播是使用误差后向传播算法和梯度下降的优化方法对网络各层权重的进行调整，通过比较输出信息和期望信息得到误差信息，利用链式求导法则将误差信息逐层向前传播得到各层误差信息，根据各层误差信息来调整各层权重和偏置。

(三)有益效果

本发明提供了一种干眼症治疗管理系统。与现有技术相比具备以下有益效果：

(1)、该干眼症治疗管理系统，可实现通过采集分析所有实验患者的症状、体征、调查问卷及一般临床资料以及各项干眼检查结果，并数据建模。

(2)、该干眼症治疗管理系统，可实现建立干眼模型，使用套索选择的因素，从数据库中构建调查加权多元logistic回归模型。

(3)、该干眼症治疗管理系统，可实现通过开发基于点的干眼评分系统，通过将调查加权回归模型中的因子系数乘以10并四舍五入为最接近的整数，开发出一种基于点的评分系统，通过将准确描述该个人的因素的总分相加，可以确定训练集中每个个人的总分，并使用roc曲线来评估其性能。

(4)、该干眼症治疗管理系统，通过训练集，创建与干眼相关危险因素的相关矩阵。计算了两个变量之间的加权pearson相关系数。接下来，通过将图形参数设置为“glasso”并将布局设置为“spring”来绘制网络图，通过网络模型，很好的把相关的干眼危险因素之间的相关性进行梳理和分析。

(5)、该干眼症治疗管理系统，可实现通过在收集检测者信息时，采用分通道数据采集分析方法，来使系统一次能够进行不同类型的数据进行快速分析处理，很好的达到了既快速又准确的进行数据处理的目的，从而加快系统分析处理数据速度，即使对于同时录入处理多个检测者信息时，不会造成系统卡顿。

附图说明

图1为本发明系统的原理框图；

图2为本发明临床资料收集模块的系统原理框图；

图3为本发明临床信息多通道传输模块的系统原理框图。

图中，1临床资料收集模块、11临床信息检测模块、12临床信息分析模块、13临床信息多通道传输模块、131检测人信息识别模块、132检测信息分析模块、133数据分类整合模块、134数据整合发送模块、14临床资料预处理模块、2数据库构建模块、3干眼评分系统开发模块、4干眼神经网络模块、5干眼分析模块。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

请参阅图1-3，本发明实施例提供一种技术方案：一种干眼症治疗管理系统，包括临床资料收集模块1、数据库构建模块2、干眼评分系统开发模块3、干眼神经网络模块4和干眼分析模块5，临床资料收集模块1的输出端与数据库构建模块2的输入端电性连接，且数据库构建模块2的输出端分别与干眼评分系统开发模块3和干眼神经网络模块4的输入端电性连接，干眼评分系统开发模块3和干眼神经网络模块4的输出端均与干眼分析模块5的输入端电性连接。

临床资料收集模块1收集调查文件信息数据、临床特征信息数据和辅助检查信息数据，并将收集的数据传输至数据库构建模块2进行干眼门诊数据库构建，然后通过干眼评分系统开发模块6开发基于点的干眼评分系统，通过干眼神经网络模块4处理干眼相关因素的神经网络，最后通过干眼分析模块5分析危险因素之间的相关性以及干眼的个性化预测。

临床资料收集模块1包括临床信息检测模块11、临床信息分析模块12、临床信息多通道传输模块13和临床资料预处理模块14，临床信息检测模块11的输出端与临床信息分析模块12的输入端电性连接，且临床信息分析模块12的输出端与临床信息多通道传输模块13的输入端电性连接，临床信息多通道传输模块13的输出端与临床资料预处理模块14的输入端电性连接；

临床信息多通道传输模块13包括检测人信息识别模块131、检测信息分析模块132、数据分类整合模块133和数据整合发送模块134，检测人信息识别模块131的输出端与检测信息分析模块132的输入端电性连接，且检测信息分析模块132的输出端与数据分类整合模块133的输入端电性连接，数据分类整合模块133的输出端与数据整合发送模块134的输入端电性连接。

数据库构建模块2是采用excel2016建立数据库，并采用logistics回归模型进行构建。

干眼神经网络模块4是基于neuralnetworks的multilayerperceptron模块建立神经网络模型，神经网络模型采用多层感知器神经网络设置，网络自动优化决定隐含层的层数和网络神经元数。

本发明实施例中，通过临床资料收集模块1来对患者进行文件信息数据收集调查、收集临床特征信息数据和收集辅助检查信息数据，其中临床信息检测模块11分别检测收集患者信息、病情特征信息和辅助检查措施的信息，再通过临床信息分析模块12对数据进行分析处理，然后通过临床信息多通道传输模块13将收集到的多个信息根据检测者信息进行分类，并将每类信息进行单独通道的传输，之后通过临床资料预处理模块14将分通道传输的数据信息整合成数据包的形式进行传输。

本发明实施例中，临床信息多通道传输模块13中的检测人信息识别模块131先对患者的个人信息进行提取识别，并且标记成各个单独的检测人信息，再通过检测信息分析模块132对每个标记出来检测人的检测信息对应提取分析，然后通过数据分类整合模块133将各个检测人的信息分通道整合处理，之后通过数据整合发送模块134将整合后的数据信息进行发送。

本发明实施例中，数据库构建模块2采用excel2016建立数据库具体如下：

s1、由两位研究者分别录入样本资料并汇总，以完成数据核查与逻辑纠错，数据处理基于spss21.0软件包完成，设定双侧p＜0.05为差异；

s2、对于计量资料进行kolmogorov-smirnov检验，符合正态分布的计量资料以均数±标准差(mean±sd/sem)表示，两组间比较采用独立样本t检验，多组间比较采用单因素方差分析、两两比较采用snk法；

s3、不服从正态分布的计量资料以中位数(median,m)及四分位数(q25,q75)表示，两组间及多组间比较采用秩和检验。

本发明实施例中，logistics回归模型构建的具体步骤如下：

t1、首先将计数资料进行定性赋值量化、计量资料则直接使用，采用逐步回归分析方法剔除变量进行建模，观察各个变量对改变模型整体拟合优度是否存在统计学差异；

t2、使用waldχ2检验对logistic回归方程及回归系数进行假设检验，得出相应变量的偏回归系数(b)、标准误(s.e.)、wald统计量、p值(sig)，构建多因素logistics回归方程。

本发明实施例中，干眼神经网络模块4构建人工神经网络模型的具体步骤如下：

e1、首先提取干眼的潜在影响因素和治疗方案作为输入层向量；

e2、其次建立神经网络模型，神经网络模型包括三个层次：两侧为输入及输出层，及其位于中间的隐藏层，隐藏层是多个层的组合结构；

e3、最后进行正反向传播网络训练，正向传播是输入特征信息自输入层进入神经网络，经过若干个隐藏层，最后到输出层输出预测结果，反向传播是使用误差后向传播算法和梯度下降的优化方法对网络各层权重的进行调整，通过比较输出信息和期望信息得到误差信息，利用链式求导法则将误差信息逐层向前传播得到各层误差信息，根据各层误差信息来调整各层权重和偏置。

本发明的应用实例如下：

对入组某医院从2020年4月1日至2021年4月30日所有入院的角膜科患者，收集所有入组患者的临床资料，包括一般情况、既往史，及干眼门诊患者及家属的详细调查问卷及干眼的相关检查指标，通过神经网络分析探索因素之间的相互作用，当将神经网络分析应用于模型时，可以通过显示相关因素之间的联系来系统的理解干眼。此研究是对干眼危险因素的人工智能的初步探索，以评估干眼的个体风险，并做出干眼的相关危险因素的神经网络图，并使之可视化，并未将来的干眼临床研究提供良好的可持续性的临床数据库。

本发明实施例纳入标准：计划入组本院从2020年4月1日至2021年4月30日所有入院的角膜科患者，及干眼门诊患者及家属；

经充分查询干眼的国内外相关文献之后，由多位本专业(眼科)医生一同分析以确定影响干眼的潜在影响因素，以预估样本量，采用德尔菲法则对各项环节因素进行筛选：对于可量化的影响因素按照危险系数由低到高排序，淘汰掉危险系数较低的因素；对于无法量化的影响因素经赋值评分后进行排序筛选，经过德尔菲法则匿名征求所有医生意见之后汇总归纳，如遇显著分歧针对性进行次轮匿名意见征求，直至消除分歧。最终纳入的环节因素即为本次临床研究的潜在影响因素，以此修订回顾人群的干眼回访问卷。

基于稳定logistic回归模型的原则，本发明实施例设定样本量不得少于协变量(潜在影响因素)*20，经调阅医院的医院管理信息系统往年相关病例资料，初步了解往干眼患者的分布情况，我们预估搜集12个月的样本可以满足预测模型的稳定性，前瞻性、连续性搜集该院角膜科于2020年4月1日至2021年3月30日诊治的干眼患者为模型对象。

本发明实施例所搜集的病例资料需符合以下标准：

①研究对象及验证对象的临床资料完整、相关结局转归明确；

②所有患者年龄已满18周岁，能够正常表述自身感观；

③所有患者均选取本院为其固定就诊医院；

④确保所有患者入院后基于同等医疗条件下完成干眼诊断。

排除标准

为避免混入易混因素，通过逐份查阅所搜集资料的基本情况、病史资料、各项诊疗措施、手术信息、术后康复情况等维度的信息，排除以下患者：

①纳入研究组后患方主动要求终止观察；

②患者及家属拒绝配合完善必要检查，导致重要临床资料缺失。

诊断标准

依据2020年发布的干眼专家共识，干眼的具体诊断标准为(满足其下之一即可诊断)：

患者主诉有眼部干涩感、异物感、烧灼感、疲劳感、不适感、眼红、视力波动等主观症状之一，中国干眼问卷量表≥7分或眼表疾病指数(ocularsurfacediseaseindex)，osdi≥13分；同时，患者fbut≤5s或nibut<10s或schirmerⅰ试验(无麻醉)≤5mm/5min。

2.患者有干眼相关症状，中国干眼问卷量表≥7分或osdi≥13分；同时，患者fbut>5s且≤10s或nibut为10-12s，schirmerⅰ试验(无麻醉)>5mm/5min且≤10mm/5min，则须采用荧光素钠染色法检查角结膜，染色阳性(≥5个点)。

分级标准：

1.轻度：裂隙灯显微镜下检查无明显眼表损伤体征(角膜荧光素染色点<5个)，bu在2s及以上。

2.中度：裂隙灯显微镜下检查角膜损伤范围不超过2个象限和(或)角膜荧光素染色点≥5个且<30个，but在2s及以上。

3.重度：裂隙灯显微镜检查角膜损伤范围2个象限及以上和(或)角膜荧光染色点≥30个，but<2s。角膜荧光素染点融合成粗点、片状或伴有丝状物。schirmer试验结果为0，即可认为是重度干眼。

本发明实施例中，logistic回归模型，依照研究对象的结局转归不同(继发/未继发干眼症)，进行单因素分析。将单因素分析后有统计学意义的变量，纳入多因素logistic回归模型，采用logistic回归分析术后继发干眼症与玻璃体切割术各项潜在影响因素之间的关系,建立预测方程。依照组成logistics方程的影响因素，将后续搜集验证对象的相关变量代入其中以验证其准确率。

人工神经网络部分：提取研究对象作为训练组，提取验证对象作为测试组。使用matlab2012软件完成人工神经网络训练，并用经训练网络模型进行验证测试。网络类型为feed-forwardbackprop，训练函数为trainlm，学习函数为learngdm，误差性能函数为mse，使用tansig函数完成各层传递，训练次数设为1000。

最后，以上述部分的预测情况为检验变量，以验证对象的实际预后结局为状态变量，以1-特异性为横坐标，以敏感度为纵坐标，绘制受试者工作特征曲线(receiveroperatingcharacteristiccurve,roc曲线)，计算曲线下面积(areaundercurve,auc)及95％ci。依据数据结果拟合双正态模型，利用最大似然法估计相应参数，得出平滑roc曲线。通过roc曲线对两种评判体系进行整体检验，以进一步明确各项影响因素对于结局的影响价值。

本发明是采用前瞻性研究方法，应用健康检查问卷和营养调查问卷，并且把数据变为变量，使用机器学习算法和套索正则化从数据库中生成一个具有干眼相关危险因素的可视化模型，本发明计划入组本院从2021年07月01日至2024年6月30日所有入院的角膜科患者，收集所有入组患者的临床资料，包括一般情况、既往史，及干眼门诊患者及家属的详细调查问卷及干眼的相关检查指标，通过神经网络分析探索因素之间的相互作用，当将神经网络分析应用于模型时，可以通过显示相关因素之间的联系来系统的理解干眼，此研究是对干眼危险因素的人工智能的初步探索，以评估干眼的个体风险，并做出干眼的相关危险因素的神经网络图，并使之可视化，并未将来的干眼临床研究提供良好的可持续性的临床数据库。

综上，本发明通过干眼门诊诊疗数据库的构建，及基于机器学习的评估干眼患者个体风险的模型演算，使我们对干眼这个多因素的慢性疾病能更好的管理。通过此研究模型，对未来干眼的诊疗能提供较为便利的个性化诊疗建议。

同时本说明书中未作详细描述的内容均属于本领域技术人员公知的现有技术。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。