基于AI的睡眠中心临床决策支持系统的制作方法

基于ai的睡眠中心临床决策支持系统
技术领域
1.本发明属于睡眠医学技术领域，具体为基于ai的睡眠中心临床决策支持系统。


背景技术：

2.睡眠医学是当今基础与临床医学中最具活力的研究邻域之一。作为一门新兴的学科，临床睡眠医学既有其相对独立的学科特点，同时又与传统的临床学科包括内科、神经科、心理与精神科、耳鼻咽喉头颈外科、口腔科以及儿科等学科专业存在诸多的知识交叉，因此睡眠医学领域格外重视疾病分类工作。失眠是现代人面临的一大问题。随着生活节奏的加快，竞争意识的提高，来自工作、家庭等方方面面的压力越来越大，失眠的人群也逐年增加。根据icd-10睡眠障碍国际分类，睡眠障碍主要分为失眠，睡眠相关呼吸障碍，中枢嗜睡性疾病，睡眠-清醒昼夜节律障碍，异态睡眠，睡眠相关性运动障碍，神经系统疾病相关性睡眠障碍，精神疾病相关的睡眠障碍，其他系统疾病相关睡眠障碍等。一项系统性回顾报告中显示在普通成年人中，失眠症状的年发病率为35～50％，失眠障碍的发病率为12～20％。在2018年亚马逊中国发起的第三次“全国睡眠状况调查”，并根据调查结果发布全国睡眠地图显示，福建省排名第六，46％的福建受访者表示每周熬夜6天及以上。采用相对严格的诊断标准，2015在福建省进行的随机抽样调查中，普通成人失眠的患病率为12.6％；且失眠往往呈慢性化发展，失眠的持续率具有年龄差异，儿童和青少年期失眠的持续率约为15％，而中年女性和男性则分别高达42.7％和28.2％。因此人们经常需要针对睡眠问题进行就医问诊。
3.但是目前的就医流程存在几个问题：对于每个失眠用户医生都需要重复类似问题，效率非常低，传统的模式中失眠用户离开医院后与医生基本没有联系，病人的依从性很低。


技术实现要素：

4.本发明的目的在于：为了解决上述提出的问题，提供基于ai的睡眠中心临床决策支持系统。
5.本发明采用的技术方案如下：基于ai的睡眠中心临床决策支持系统，所述基于ai的睡眠中心临床决策支持系统包括：分布式数据系统、数据预处理系统、全文检索系统、分布式系统挖掘系统、前端系统、备份恢复系统，所述数据预处理系统的输出端连接有全文检索系统的输入端，所述全文检索系统的输出端连接有前端系统的输入端。
6.在一优选的实施方式中，所述分布式数据系统设置有睡眠障碍失眠用户数据智能收集平台。
7.在一优选的实施方式中，所述数据预处理系统设置有数据去重复、数据过滤模块、数据分类模块。
8.在一优选的实施方式中，所述数据去重复模块找到数据文件集合中重复的数据并将其删除，只保存唯一的数据单元，从而消除冗余数据；数据去重包括完全去重和不完全去
重；完全去重指的是消除完全重复的数据，完全重复的数据指的是数据表记录字段值完全一样的数据；不完全去重指的是在数据清洗中，所有字段值都相等的重复值是一定要剔除的。
9.在一优选的实施方式中，所述数据过滤模块的内部在处理之前需要进行数据清洗，把曝光和点击数大于1的日志，统一置为1，把曝光和点击数小于0的日志，统一置为0，对出现错误数据的日志进行过滤。
10.在一优选的实施方式中，所述数据分类模块根据特定的距离算法将待聚类的数据集分成k簇；通过对数据进行处理分析，运用k-means算法等方法分析其规律，以此指导生产部门改进参数，降低能耗，所述数据分类模块利用了睡眠障碍失眠用户的人口学信息、对情绪图片库的生物反馈信息、自主神经的生理学特性信息作为输入特征，使用决策树算法用以对生物唤起讯号分类；对比了基于规则、基于决策树、基于人工神经网络的睡眠障碍失眠用户的健康数据的模式分类方法。
11.在一优选的实施方式中，所述全文检索系统的内部设置有数据库支持系统、索引支持系统和分布式系统挖掘系统，且数据库支持系统使用mysql高性能可扩展库存储技术；索引支持系统使用基于elasticsearch技术的全文搜索技术，分布式系统挖掘系统使用基于hadoop/hivemapreduce大规模数据集并行计算技术。
12.在一优选的实施方式中，所述前端系统包括tomcat、redis系统和图表系统。
13.在一优选的实施方式中，所述备份恢复系统设置有数据库系统，数据库系统为原生同步备份机制，数据库系统是自行开发的同步备份系统支持，数据库系统支持远程同步备份及恢复。
14.在一优选的实施方式中，所述分布式数据系统和数据预处理系的输入端设置有睡眠障碍失眠用户量表评估模块、基本资料收集模块和医生诊断医疗方案生成模块。
15.综上所述，由于采用了上述技术方案，本发明的有益效果是：
16.1、本发明中，在互联网医学模式下，首诊的睡眠障碍失眠用户利用候诊时间在睡眠平台完成psqi、phq-9、gad-7、phq-15及ess量表的评估
→
诊间就诊。相比传统医学模式下，失眠用户等候就诊
→
诊间医生初步问诊
→
开具相关检查
→
逐项排队检查
→
等待检查结果
→
诊间再次排队就诊，两种模式同样完成了首诊评估，但互联网医学模式下大大缩短了失眠用户首诊评估时间，减少诊间就诊时间，提高了医生的就诊效率，为失眠用户带来了更多的便利性。
17.2、本发明中，诊间接诊时，医生针对失眠用户已评估的情况，有针对性地行精神检查，补充必要的辅助检查，如此不仅大量节约门诊时间，同时也减少临床诊断的偏倚，进而给出准确的诊断和基于评估的优化治疗决策，提高了治疗决策的科学性和快速性，为医生减轻劳动负担，提高了失眠用户的就医效率。
附图说明
18.图1为本发明的系统框图；
19.图2为本发明的决策平台示意图。
具体实施方式
20.为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
21.实施例：
22.参照图1～2，
23.基于ai的睡眠中心临床决策支持系统，基于ai的睡眠中心临床决策支持系统包括：分布式数据系统、数据预处理系统、全文检索系统、分布式系统挖掘系统、前端系统、备份恢复系统，数据预处理系统的输出端连接有全文检索系统的输入端，全文检索系统的输出端连接有前端系统的输入端。
24.分布式数据系统设置有睡眠障碍失眠用户数据智能收集平台。
25.数据智能收集平台中需要使用到如下的计算机方面的技术：
26.大数据：收集5000例以上用户数据(评估数据，临床诊断与治疗数据、药物数据、检查与检验的数据)；对数据进行清洗与格式化处理后打上标签
27.自然语言处理：通过语义相似度、词法分析、dnn语言处理等技术实现对大规模的临床病例的分类筛选。
28.神经网络：采用支持向量机(svm)算法，svm算法是一种学习机制，是由vapnik提出的旨在改善传统神经网络学习方法的理论弱点，最先从最优分类面问题提出了支持向量机网络。svm学习算法根据有限的样本信息在模型的复杂性和学习能力之间寻求最佳折中，以期获得最好的泛化能力。svm在形式上类似于多层前向网络，而且己被应用于模式识别、回归分析、数据挖掘等方面。在验证集上，算法清准率达到83％以上。
29.语音识别技术：对于量表评估，将引入语音识别技术，对于60秒之内的实时短音频流进行识别，并增加噪声环境的识别。
30.物联网技术：通过与可穿戴设备的对接，比如华为手环、苹果手表可以将用户的一段时间内的睡眠趋势数据展示给医生，作为复诊时的参考依据。
31.数据预处理系统设置有数据去重复、数据过滤模块、数据分类模块。
32.数据去重复模块找到数据文件集合中重复的数据并将其删除，只保存唯一的数据单元，从而消除冗余数据；数据去重包括完全去重和不完全去重；完全去重指的是消除完全重复的数据，完全重复的数据指的是数据表记录字段值完全一样的数据；不完全去重指的是在数据清洗中，所有字段值都相等的重复值是一定要剔除的。
33.数据过滤模块的内部在处理之前需要进行数据清洗，把曝光和点击数大于1的日志，统一置为1，把曝光和点击数小于0的日志，统一置为0，对出现错误数据的日志进行过滤。
34.数据分类模块根据特定的距离算法将待聚类的数据集分成k簇；通过对数据进行处理分析，运用k-means算法等方法分析其规律，以此指导生产部门改进参数，降低能耗，数据分类模块利用了睡眠障碍失眠用户的人口学信息、对情绪图片库的生物反馈信息、自主神经的生理学特性信息作为输入特征，使用决策树算法用以对生物唤起讯号分类；对比了基于规则、基于决策树、基于人工神经网络的睡眠障碍失眠用户的健康数据的模式分类方法。
35.健康医疗大数据结合到睡眠障碍的诊断及分类精准化，从而达到抑郁症精准化治疗的临床决策目标。首先，收集大数据资料，根据临床特征分析分类，划分临床亚群；其次，根据不同亚群特征，精准治疗，提高疗效；最后通过有监督神经网络学习给临床提供智能诊断与治疗方案。
36.诊断标准：
37.我们根据国际疾病分类第10版(icd-10睡眠障碍国际分类，wh0。2014)，划分睡眠障碍分类及诊断标准
38.失眠障碍
ꢀꢀꢀꢀꢀ
f51.01；
39.广泛性焦虑障碍
ꢀꢀ
f41.1；
40.其他特定的焦虑障碍
ꢀꢀꢀ
f41.8；
41.重性抑郁障碍；
42.嗜睡障碍
ꢀꢀꢀꢀ
f51.11；
43.成人阻塞性睡眠呼吸暂停
ꢀꢀ
g47. 33；
44.中枢性睡眠呼吸暂停
ꢀꢀ
r06.3；
45.不宁腿综合征
ꢀꢀꢀ
g25.81；
46.全文检索系统的内部设置有数据库支持系统、索引支持系统和分布式系统挖掘系统，且数据库支持系统使用mysql高性能可扩展库存储技术；索引支持系统使用基于elasticsearch技术的全文搜索技术，分布式系统挖掘系统使用基于hadoop/hivemapreduce大规模数据集并行计算技术。
47.前端系统包括tomcat、redis系统和图表系统。
48.备份恢复系统设置有数据库系统，数据库系统为原生同步备份机制，数据库系统是自行开发的同步备份系统支持，数据库系统支持远程同步备份及恢复。
49.分布式数据系统和数据预处理系的输入端设置有睡眠障碍失眠用户量表评估模块、基本资料收集模块和医生诊断医疗方案生成模块。
50.在互联网医学模式下，首诊的睡眠障碍失眠用户利用候诊时间在“好睡眠365平台”完成psqi、phq-9、gad-7、phq-15、ess及stop-bang量表的评估
→
诊间就诊,相关的评估结果自动发送到医生端。就诊过程标准化数据化。
51.诊间决策：
52.诊间接诊时，医生针对失眠用户已评估的情况，有针对性地行精神检查，补充必要的辅助检查，如此不仅大量节约门诊时间，同时也减少临床诊断的偏倚，进而给出准确的诊断和基于评估的优化治疗决策。
53.辅助检查；
54.对于首诊评估后须行psg检查者，医生可直接在门诊诊间系统为失眠用户预约psg检查，并以短信形式发送给失眠用户具体监测时间及相关注意事项，以及监测后的psg报告。
55.诊后随访：
56.首诊离院后，新医疗模式下失眠用户并非处于脱管状态，医生将通过平台给失眠用户发送药物、cbt-i训练、下次评估及复诊时间等医嘱。另外，失眠用户端不仅可以接收到医生发送的上述医嘱，每天还会接收到cbt-i训练提醒，并有做好睡眠日记的要求，供再次
就诊时重新评估使用。
57.本发明中，在互联网医学模式下，首诊的睡眠障碍失眠用户利用候诊时间在“好睡眠365平台”完成psqi、phq-9、gad-7、phq-15及ess量表的评估
→
诊间就诊。相比传统医学模式下，失眠用户等候就诊
→
诊间医生初步问诊
→
开具相关检查
→
逐项排队检查
→
等待检查结果
→
诊间再次排队就诊，两种模式同样完成了首诊评估，但互联网医学模式下大大缩短了失眠用户首诊评估时间，减少诊间就诊时间，提高了医生的就诊效率，为失眠用户带来了更多的便利性。
58.本发明中，诊间接诊时，医生针对失眠用户已评估的情况，有针对性地行精神检查，补充必要的辅助检查，如此不仅大量节约门诊时间，同时也减少临床诊断的偏倚，进而给出准确的诊断和基于评估的优化治疗决策，提高了治疗决策的科学性和快速性，为医生减轻劳动负担，提高了失眠用户的就医效率。
59.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。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。
60.以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。