基于人工神经网络的头晕患者急诊预检分诊决策方法、装置及模型

1.本发明属于医院诊疗技术领域，特别涉及一种基于人工神经网络头晕患者急诊预检分诊决策方法、装置及模型。


背景技术：

2.国内各大医院仍采用传统急诊预检分诊模式，完全依靠急诊护士的个人经验进行预检分诊，其分诊是否正确则完全取决于护士的个人能力及业务水平。随着国内逐渐重视预检分诊，标准建立正处于探索和起步阶段，部分地区或医院在“分科分诊”向“分级分诊”模式转变中开始尝试建立符合自身情况的分诊标准。但目前尚缺乏相应的管理制度及质量评价标准来判断急诊预检分诊的质量。虽然也有研究者报道了急诊预检分诊系统研发及应用，但其技术实质是将手工登记转为电子输入，并不是真正意义上的计算机软件辅助分诊系统，未达到同质化的评估。


技术实现要素：

3.本发明目的是提供的一种基于人工神经网络构建头晕患者急诊预检分诊决策系统，用于解决急诊分诊中仅靠人工判断遇到的问题。
4.本发明实施例之一，一种头晕患者急诊预检分诊决策系统，包括：
5.s10，临床数据获取，获取患者的主诉文本及客观体征，所述主诉文本包括：病情文本和基本信息文本，所述客观体征包括：患者意识、性别、年龄、生命体征(体温、血压、脉率)、spo2、疼痛评分；
6.s20，数据预处理，对主诉文本及客观体征进行预处理；
7.s30，预测模型构建：应用多层感知器(multilayer perceptron，mlp)建立模型及分析，计算预测的灵敏度、特异度和总准确率，评价预测的准确性；
8.s40，预测模型验证：将预测模型临床研究对象判断检验分诊是否标准；
9.s50，模型整合临床：将通过验证的急诊预检分诊预测模型转化为预检分诊智能化管理软件，嵌入急诊预检分诊系统，实现预测模型的电子化；
10.s60，预检分诊软件的验证与应用：急诊预检分诊预测模型转化成的分诊软件，对急诊患者进行分诊，验证头晕患者急诊预检分诊决策系统的应用效果。
11.本发明应用于急诊临床预检分诊工作中，以达到对急诊头晕患者的预检分诊评估同质化，提高预检分诊准确率，缩短患者评估平均耗时，提高分诊工作的有效性，并最终提高头晕患者就诊安全性，有着无法替代的作用。
附图说明
12.通过参考附图阅读下文的详细描述，本发明示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中，以示例性而非限制性的方式示出了本发明的若
干实施方式，其中：
13.图1是本发明实施例之一的基于人工神经网络构建头晕患者急诊预检分诊决策系统及应用的流程示意图。
14.图2是本发明实施例之一的基于人工神经网络构建头晕患者急诊预检分诊决策系统及应用的流程示意图。
15.图3是本发明实施例之一的基于人工神经网络构建头晕患者急诊预检分诊决策系统及应用的流程示意图。
16.图4是本发明实施例之一的基于人工神经网络构建头晕患者急诊预检分诊决策系统及应用的流程示意图。
17.图5是本发明实施例之一的基于人工神经网络构建头晕患者急诊预检分诊决策系统及应用的流程示意图。
18.201——文本模块，202——数据模块，203——处理模块，
19.301——模型设定模块，302——逻辑整合模块，303——模型验证模块，
20.401——预测判断模块，402、403、404——训练模块，3023——向量转换模块，
21.3024——词转换模块，
22.501——选择模块，502——交叉验证模块，503——随机抽取模块，504——结果输出模块。
具体实施方式
23.人工神经网络结构和工作原理基本上以人脑的组织结构和活动规律为背景的，反映了人脑的某些基本特征，但并不是要对人脑部分的真实再现，而是某种抽象、简化或模仿。人工神经网络学科作为一门集神经科学、信息科学、计算机科学于一体的交叉性边缘学科，近十几年作为一种新的分析和诊断工具逐渐应用于临床医学各个领域。
24.大多数医学研究使用的是多层感知器，是基于人工神经网络的一种方法，使用时将数据拆分成训练样本(training sample)、检验样本(testing sample)和坚持样本(holdoutsample)。训练样本组用来估计网络参数，检验样本组用来防止过度训练，坚持样本组用来单独评价最终网络的预测效果，它将应用于整个数据集和新数据。
25.针对相关技术中存在的不足，本发明所要解决的技术问题在于，寻找优化智能化预检分诊的解决方案，往往需要很大的计算量，利用一个针对某问题而设计的反馈型人工神经网络，发挥计算机的高速运算能力，可能很快找到优化解。
26.根据一个或者多个实施例，一种基于人工神经网络的头晕患者急诊预检分诊决策方法。急诊预检分诊是急诊就诊的首要环节，有效的急诊预检分诊可准确识别急危重症病人，确保病人安全，提高急诊运行效率。为了及时、准确地对病人病情进行评估，识别真正需要急诊处理的病人，确保危重病人能够及时得到救治以及医疗资源得到合理运用。所述决策方法包括步骤：
27.s10，临床数据获取，获取患者的主诉文本及客观体征，所述主诉文本包括：病情文本和基本信息文本，所述客观体征包括：患者意识、性别、年龄、生命体征(体温、血压、脉率)、spo2、疼痛评分；
28.病情文本包含：主诉、分级、参考分级标准、挂号科室、分科分级；
29.基本信息文本包含：卡号、姓名、性别、年龄、身份证号、地址、手机/固定电话、来院方式等；
30.s20，数据预处理，对主诉文本及客观体征进行预处理；
31.s30，预测模型构建：应用多层感知器(multilayer perceptron，mlp)建立模型及数据分析；
32.s40，预测模型验证：将预测模型临床研究对象判断检验分诊是否标准；
33.s50，模型整合临床：将通过验证的头晕患者急诊预检分诊决策系统转化为预检分诊智能化管理软件，嵌入急诊预检分诊系统，实现预测模型的电子化；
34.s60，预检分诊软件的验证与应用：运用头晕患者急诊预检分诊决策系统转化成的分诊软件，对临床急诊头晕患者进行分诊，验证急诊预检分诊智能化管理软件系统的应用效果。
35.所述步骤s20，数据预处理过程中，对主诉文本及客观体征进行预处理，具体包括：
36.s201，对主诉文本使用国家卫健委2019颁布的《疾病分类与代码国家临床版2.0》进行统一编码等；
37.s202，对客观体征根据量化数值分层区域量化来判断病人的病情轻重和危急程度；
38.s203，将上述处理后的主诉文本和客观体征进行合并关联。
39.所述步骤s30，应用多层感知器(multilayer perceptron，mlp)建立模型，根据分诊情况制定逻辑式，建立的ann模型，具体包括：
40.s301，应用多层感知器(multilayer perceptron，mlp)建立模型，纳入变量中，可以排除体温、疼痛、gcs评分和呼吸指数，因为体温、疼痛、gcs评分、呼吸指数对头晕分级影响不大；
41.s302，根据分诊情况制定逻辑式，将预检分级变量分级，并将血压、意识、血糖、氧饱和度、脉率进行逻辑表达式；
42.s303，建立的ann模型，纳入的变量中，系统排除体温、疼痛、gcs评分和呼吸建立的ann模型。
43.所述步骤s301，应用多层感知器(multilayer perceptron，mlp)建立模型，纳入变量中，系统排除体温、疼痛、gcs评分和呼吸指数，具体包括：
44.s3011，建立3层前向型神经网络模型，进行数据预处理及分析；
45.s3012，“分区变量”分配病例样本，选择“自动体系结构选择”；
46.s3013，运行神经网络；获得分诊准备预测的拟概率，计算预测的灵敏度、特异度和总准确率。
47.所述步骤s3011，建立3层前向型神经网络模型，进行数据预处理及分析，具体包括：
48.s30111，建立3层前向型神经网络模型；
49.s30112，纳入输入层的参数为各项预测变量；
50.s30113，纳入输出层为分诊准确，“准备”编码为1，“不正确”编码为0；
51.所述步骤s3012，“分区变量”分配病例样本，选择“自动体系结构选择”，具体包括：
52.s30121，选择“自动体系结构选择”，隐含层中最小单位数为1,最大单位数为50，训
练类型为“批处理”；
53.s30122，训练类型为“批处理”；
54.s30123，优化算法选用“调整的共辄梯度”，初始lambda值为0.0000005，初始sigma值为0.00005，间隔中心点为0，间隔偏移量为
±
0.5。
55.所述步骤s3013，运行神经网络，获得分诊准备预测的拟概率，计算预测的灵敏度、特异度和总准确率，具体包括：
56.s30131，运行神经网络后,获得分诊准备预测的拟概率；
57.s30132，以0.50为预测概率分界值,计算预测的灵敏度、特异度和总准确率；
58.s30133，绘制受试者操作特性曲线(receiver operating characteristic curve，roc曲线)和曲线下面积(areas under the roe curves，auc)，评价预测的准确性。
59.所述步骤s302根据分诊情况制定逻辑式，将预检分级变量分级，并将血压、意识、血糖、氧饱和度、脉率进行逻辑表达式，具体包括：
60.s3021，根据国内外文献、指南量表、专家共识等，并结合专家建议，将预检分级变量分级；
61.s3022，将血压、意识、血糖、氧饱和度、脉率进行逻辑表达式，逻辑式描述如下：
①
bp＝level2，分诊至2级；
62.②
bp＝level3合并con＝level1，分诊至1级；
63.③
bp＝level3合并con＝level2，分诊至2级；
64.④
bp＝level3合并con＝level3合并xt＝level2，分诊至2级；
65.⑤
bp＝level3合并con＝level3合并xt＝level3合并spo2＝level2，分诊至2级；
66.⑥
bp＝level3合并con＝level3合并xt＝level3合并spo2＝level3合并b＝level2，分诊至2级；
67.⑦
bp＝level3合并con＝level3合并xt＝level3合并spo2＝level3合并b＝level3，分诊至3级；
68.s3023，根据血压、意识、血糖、氧饱和度、脉率的具体数值，设立level1-level3三种级别分值。
69.所述步骤s303，建立的ann模型，纳入的变量中，系统排除体温、疼痛、gcs评分和呼吸建立的ann模型。
70.s3031，运行ann模型后,复核获得分诊准备预测的拟概率；
71.s3032，以0.50为预测概率分界值,计算复核预测的灵敏度、特异度和总准确率；
72.s3033，绘制受试者操作特性曲线(receiver operating characteristic curve，roc曲线)和曲线下面积(areas under the roe curves，auc)，复核评价预测的准确性。
73.所述步骤s40，将预测模型前瞻性运用于临床研究对象判断检验分诊是否标准，具体包括：
74.s401，以预测模型的判断结果为检验变量；
75.s402，根据灵敏度指标对预测方程进行检验；
76.s403，根据特异度指标对预测方程进行检验；
77.s404，根据auc等指标对预测方程进行检验。
78.所述步骤s50，将通过验证的头晕患者急诊预检分诊决策系统转化为预检分诊智
能化管理软件，嵌入急诊预检分诊系统，实现预测模型的电子化，具体包括：
79.s501，通过验证的头晕患者急诊预检分诊决策系统转化为预检分诊智能化管理软件；
80.s502，预检分诊智能化管理软件嵌入急诊预检分诊系统，实现预测模型的电子化。
81.s503，利用预检分诊智能化管理软件对所有急诊头晕患者进行标准化评估；
82.s504，进行急诊预检智能分级，排除各类干扰因素影响。
83.所述步骤s504，进行急诊预检智能分级，排除各类干扰因素影响，具体包括：
84.s5041，患者因素：限定头晕单一主诉，无其他合并症及并发症；
85.s5042，护士因素：对预检分诊人员进行培训，讲解软件操作方法，以实战演练为主；
86.s5043，操作失误：对生命体征测量值进行标准化数值限定，并设定超出限定数值范围的预警机制；
87.s5044，人工干预：在实践中，若预检护士对软件分诊结果有异议,则可更改分诊级别,但需记录其更改原因，进行后期讨论。
88.所述步骤s60，运用头晕患者急诊预检分诊决策系统转化成的分诊软件，对临床急诊头晕患者进行分诊，验证急诊预检分诊智能化管理软件系统的应用效果，具体包括：
89.s601，保证资料的真实性，直接信息科后台拉取患者资料；
90.s602，保证资料的准确性，对于分诊准确性的判断，双人单独进行，对不统一的样本由专家组讨论进行判断；
91.s603，确保分析数据的科学性，联合统计学专家，以确保所构建模型的科学性与适宜性。
92.根据一个或者多个实施例，如图1所示，基于人工神经网络构建头晕患者急诊预检分诊决策系统，包括：
93.s10，临床数据获取，获取患者的主诉文本及客观体征，所述主诉文本包括：病情文本和基本信息文本，所述客观体征包括：患者意识、性别、年龄、生命体征(体温、血压、脉率)、spo2、疼痛评分；
94.s20，数据预处理，对主诉文本及客观体征进行预处理；
95.s30，预测模型构建，应用多层感知器(multilayer perceptron，mlp)建立模型，根据分诊情况制定逻辑式，建立ann模型；
96.s40，预测模型验证，将预测模型临床研究对象判断检验分诊是否标准；
97.s50，模型整合临床，将通过验证的头晕患者急诊预检分诊决策系统转化为预检分诊智能化管理软件，嵌入急诊预检分诊系统，实现预测模型的电子化；
98.s60，预检分诊软件的验证与应用，运用头晕患者急诊预检分诊决策系统转化成的分诊软件，对临床急诊头晕患者进行分诊，验证急诊预检分诊智能化管理软件系统的应用效果。
99.本实施例一中，所述的基本信息文本包括：意识、性别、年龄、生命体征(体温、血压、脉率)、spo2、疼痛评分等。
100.具体地，传统的模型训练中，考虑主诉症状及客观生命体征；但主诉症状及客观生命体征间无关联性。因此，在本实施例中，在进行分诊时，获取的数据中包含患者的标准化
的主诉文本及特异性采取的客观生命体征，以提高分诊敏感性及特异性，确保提升头晕患分诊的准确率。
101.进一步地，本实施例中，所述步骤s20，数据预处理，对主诉文本及客观体征进行预处理。在对获取的主诉文本进行预处理之后，根据分诊情况制定逻辑式，将预检分级变量分级，并将血压、意识、血糖、氧饱和度、脉率进行逻辑表达式，与通常做法相比，一定程度上解决了主诉症状及客观生命体征间无关联性的问题，可以在小规模数据集上取得更好的泛化效果；使得在相对较小的数据集下，提高了分诊准确率，实用性极强。
102.根据一个或者多个实施例，如图2所示，基于人工神经网络构建头晕患者急诊预检分诊决策系统，包括步骤s20，预处理，对主诉文本进行预处理，该步骤进一步包括：
103.s201，对主诉文本使用国家卫健委2019颁布的《疾病分类与代码国家临床版2.0》进行统一编码等；
104.s202，对客观体征根据量化数值分层区域量化来判断病人的病情轻重和危急程度；
105.s203，将上述处理后的主诉文本和客观体征进行合并关联。
106.具体地，由于既往主诉文本无特异性差别，相关客观生命体征无量化数值区分及特异性要求，无法判断病情轻重及危重程度的标准。因此通过标准化主诉及客观生命体征进行合并关联，使预检分诊标准得以量化。
107.本实施例中，包括步骤s30，数据增强，对预处理后的主诉文本进行数据扩充，得到新文本集；具体包括：
108.s301，应用多层感知器(multilayer perceptron，mlp)建立模型，纳入变量中，系统排除体温、疼痛、gcs评分和呼吸指数；
109.s302，根据分诊情况制；定逻辑式，将预检分级变量分级，并将血压、意识、血糖、氧饱和度、脉率进行逻辑表达式；
110.s303，建立的ann模型，纳入的变量中，系统排除体温、疼痛、gcs评分和呼吸建立的ann模型。
111.具体地，模型包括：多层感知器(multilayer perceptron，mlp)模型、ann模型中：
112.所述的多层感知器(multilayer perceptron，mlp)模型是指是基于人工神经网络的一种方法，使用时将数据拆分成训练样本(training sample)、检验样本(testing sample)和坚持样本(holdout sample)。训练样本组用来估计网络参数，检验样本组用来防止过度训练，坚持样本组用来单独评价最终网络的预测效果，它将应用于整个数据集和新数据。神经网络会根据输入数据，将记录划分为最适合的类别。
113.所述的人工神经网络(artificial neural network，ann)模型是一种运算模型，人工神经网络是由大量处理单元互联组成的非线性、自适应信息处理系统。它是在现代神经科学研究成果的基础上提出的，试图通过模拟大脑神经网络处理、记忆信息的方式进行信息处理，构建急诊预检分诊智能化信息管理软件，达到急诊患者的评估同质化。
114.所述步骤s301，应用多层感知器(multilayer perceptron，mlp)建立模型，纳入变量中，系统排除体温、疼痛、gcs评分和呼吸指数，具体包括：
115.s3011，建立3层前向型神经网络模型，进行数据预处理及分析；
116.s3012，“分区变量”分配病例样本，选择“自动体系结构选择”；
117.s3013，运行神经网络；获得分诊准备预测的拟概率，计算预测的灵敏度、特异度和总准确率。
118.本实例中，所述步骤s3011，建立3层前向型神经网络模型，建立3层前向型神经网络模型；纳入输入层的参数为各项预测变量；纳入输出层为分诊准确，“准备”编码为1，“不正确”编码为0；进行数据预处理及分析。
119.步骤s3012，“分区变量”分配病例样本，选择“自动体系结构选择”，隐含层中最小单位数为1,最大单位数为50，训练类型为“批处理”；优化算法选用“调整的共辄梯度”，初始lambda值为0.0000005，初始sigma值为0.00005，间隔中心点为0，间隔偏移量为
±
0.5。
120.步骤s3013，运行神经网络，获得分诊准备预测的拟概率；以0.50为预测概率分界值,计算预测的灵敏度、特异度和总准确率；绘制受试者操作特性曲线(receiver operating characteristic curve，roc曲线)和曲线下面积(areas under the roe curves，auc)，评价预测的准确性。
121.本实例中，所述步骤s302根据分诊情况制定逻辑式，将预检分级变量分级，并将血压、意识、血糖、氧饱和度、脉率进行逻辑表达式，具体包括：
122.步骤s3021，根据国内外文献、指南量表、专家共识等，并结合专家建议，将预检分级变量分级；
123.步骤s3022，将血压、意识、血糖、氧饱和度、脉率进行逻辑表达式，逻辑式描述如下：
①
bp＝level2，分诊至2级；
124.②
bp＝level3合并con＝level1，分诊至1级；
125.③
bp＝level3合并con＝level2，分诊至2级；
126.④
bp＝level3合并con＝level3合并xt＝level2，分诊至2级；
127.⑤
bp＝level3合并con＝level3合并xt＝level3合并spo2＝level2，分诊至2级；
128.⑥
bp＝level3合并con＝level3合并xt＝level3合并spo2＝level3合并b＝level2，分诊至2级；
129.⑦
bp＝level3合并con＝level3合并xt＝level3合并spo2＝level3合并b＝level3，分诊至3级；
130.步骤s3023，血压、意识、血糖、氧饱和度、脉率level1-3级正常值。
131.本实例中，所述步骤s303，建立的ann模型，纳入的变量中，系统排除体温、疼痛、gcs评分和呼吸建立的ann模型，具体包括，
132.步骤s3031，运行ann模型后,复核获得分诊准备预测的拟概率；
133.步骤s3032，以0.50为预测概率分界值,计算复核预测的灵敏度、特异度和总准确率；
134.步骤s3033，绘制受试者操作特性曲线(receiver operating characteristic curve，roc曲线)和曲线下面积(areas under the roe curves，auc)，复核评价预测的准确性。
135.上述生成的逻辑表达式可用于运行ann模型。
136.根据一个或者多个实施例，如图3所示，基于人工神经网络构建头晕患者急诊预检分诊决策系统，包括步骤s40，预测模型验证，将预测模型临床研究对象判断检验分诊是否标准；具体包括：
137.s401，以预测模型的判断结果为检验变量；
138.s402，根据灵敏度指标对预测方程进行检验；
139.s403，根据特异度指标对预测方程进行检验；
140.s404，根据auc等指标对预测方程进行检验。
141.本实施例中，以分诊是否准确为检验标准，以预测模型的判断结果为检验变量，根据灵敏度、特异度、auc等指标对预测方程进行检验。auc值为roc曲线所覆盖的区域面积，auc越大模型效果越好，对auc值的定义如下：auc＝1，为完美模型，采用这个预测模型时，不管设定什么阈值都能得出完美预测，0.5《auc《1，优于随机猜测，对模型妥善设定阈值，有预测价值，auc＝0.5，等同于随机猜测，模型没有预测价值，auc《0.5，劣于随机猜测。
142.根据一个或者多个实施例，如图4所示，基于人工神经网络构建头晕患者急诊预检分诊决策系统，包括步骤s50，将通过验证的头晕患者急诊预检分诊决策系统转化为预检分诊智能化管理软件，嵌入急诊预检分诊系统，实现预测模型的电子化，具体包括：
143.s501，通过验证的头晕患者急诊预检分诊决策系统转化为预检分诊智能化管理软件；
144.s502，预检分诊智能化管理软件嵌入急诊预检分诊系统，实现预测模型的电子化。
145.s503，利用预检分诊智能化管理软件对所有急诊头晕患者进行标准化评估；
146.s504，进行急诊预检智能分级，排除各类干扰因素影响。
147.具体地，所述步骤s504，进行急诊预检智能分级，排除各类干扰因素影响，具体包括：
148.s5041，患者因素：限定头晕单一主诉，无其他合并症及并发症；
149.s5042，护士因素：对预检分诊人员进行培训，讲解软件操作方法，以实战演练为主；
150.s5043，操作失误：对生命体征测量值进行标准化数值限定，并设定超出限定数值范围的预警机制；
151.s5044，人工干预：在实践中，若预检护士对软件分诊结果有异议,则可更改分诊级别,但需记录其更改原因，进行后期讨论。
152.本实施例中，将通过验证的急诊预检分诊预测模型转化为预检分诊智能化管理软件，嵌入急诊预检分诊系统，实现预测模型的电子化。利用预检分诊智能化管理软件辅助护士预检分诊，对所有急诊患者进行标准化评估，进行智能分级，预期使预检护士能够排除干扰、不受患者多寡的影响。
153.根据一个或者多个实施例，如图5所示，基于人工神经网络构建头晕患者急诊预检分诊决策系统，包括步骤s60，预检分诊软件的验证与应用，运用头晕患者急诊预检分诊决策系统转化成的分诊软件，对临床急诊头晕患者进行分诊，验证急诊预检分诊智能化管理软件系统的应用效果，具体包括：
154.s601，保证资料的真实性，直接信息科后台拉取患者资料；
155.s602，保证资料的准确性，对于分诊准确性的判断，双人单独进行，对不统一的样本由专家组讨论进行判断；
156.s603，确保分析数据的科学性，联合我院统计学专家，以确保所构建模型的科学性与适宜性。
157.本实施例中，应用转化为智能化的信息管理软件，对急诊就诊患者进行评估，并评价该信息系统对预检分诊的准确性，评估患者平均时间的差异性，以及医护人员的使用满意度。
158.根据一个或者多个实施例，一种基于人工神经网络构建头晕患者急诊预检分诊决策模型的建立方法，包括步骤：
159.s10，临床数据获取，获取患者的主诉文本及客观体征，所述主诉文本包括：病情文本和基本信息文本，所述客观体征包括：患者意识、性别、年龄、生命体征(体温、血压、脉率)、spo2、疼痛评分；
160.s20，数据预处理，对主诉文本及客观体征进行预处理；
161.s30，预测模型构建：应用多层感知器(multilayer perceptron，mlp)建立模型，根据分诊情况制定逻辑式，建立ann模型；
162.s40，预测模型验证：将预测模型临床研究对象判断检验分诊是否标准。
163.根据一个或者多个实施例，一种头晕患者急诊预检分诊决策模型，模型的建立方法包括以下步骤，
164.s10，临床数据获取，获取患者的主诉文本及客观体征，
165.所述主诉文本包括病情文本和基本信息文本，所述客观体征包括患者意识、性别、年龄、生命体征、spo2和/或疼痛评分；
166.s20，临床数据预处理，对所述主诉文本和客观体征进行预处理；
167.s30，预测模型构建：应用多层感知器(multilayer perceptron，mlp)建立模型，根据分诊情况制定逻辑式，建立ann模型；
168.s40，预测模型验证，根据预测模型临床研究对象判断检验分诊是否标准。
169.根据一个或者多个实施例，一种头晕患者急诊预检分诊决策装置，所述装置包括存储器；以及耦合到所述存储器的处理器，该处理器被配置为执行存储在所述存储器中的指令，所述处理器执行以下操作：
170.获取头晕患者的临床数据，该临床数据来自患者的主诉文本和客观体征；
171.将所述的临床数据输入经过训练的基于人工神经网络的预检分诊模型，获得对于所述头晕患者的预检分诊类别的预测。
172.本发明的有益技术效果在于：
173.1、以标准化的问诊方式，量化的生命体征数值标准，形成“头晕”主诉模型的构建，通过设置相应的参数阈值范围和评级标准，逐步形成并整合成多病种急诊预检预测模型；
174.2、通过验证的头晕患者急诊预检分诊决策系统转化为预检分诊智能化管理软件，嵌入急诊预检分诊系统，实现预测模型的信息化；
175.3、利用预检分诊智能化管理软件辅助护士预检分诊，对所有急诊患者进行标准化评估，进行智能分级，预期使预检护士能够排除干扰、不受患者多寡的影响，形成一套规范化、系统化、标准化的预检分诊系统；
176.4、今后作为其他主诉的标准模式构建方式参考，构建一套完整预检分诊模型；研发全套智能化预检分诊管理软件，消除以往分级分诊过程中的各种不确定性，真正规范急诊分级分诊。
177.应理解，在本发明实施例中，术语“和/或”仅仅是一种描述关联对象的关联关系，
表示可以存在三种关系。例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
178.本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
179.所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
180.在本技术所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接，也可以是电的，机械的或其它的形式连接。
181.所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
182.以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。