基于人工智能的新生儿黄疸健康管理系统技术方案

本发明专利技术涉及一种基于人工智能的新生儿黄疸健康管理系统，系统包括黄疸管理云、以及与黄疸管理云实现信息互通的便携式监测终端和医疗信息系统；通过黄疸管理云采集与新生儿黄疸相关的历史数据，根据历史数据构建新生儿黄疸预测模型；将黄疸测量值输入到新生儿黄疸预测模型中获得预测结果；将预测结果输入到黄疸知识图谱中获取黄疸分析结果和相应的干预措施。本发明专利技术基于大数据技术综合分析新生儿临床医疗数据，精确寻找与新生儿病理性黄疸发生相关的因素，并用人工智能对新生儿病理性黄疸发展趋势进行预测，不仅能够及时、全面地分析黄疸的致病因素、提高了分析精度，还达到在有效监测新生儿黄疸的同时做到提前进行干预治疗遏制黄疸发展的目标。遏制黄疸发展的目标。遏制黄疸发展的目标。

【技术实现步骤摘要】
基于人工智能的新生儿黄疸健康管理系统


[0001]本专利技术涉及黄疸监测
，特别是涉及基于人工智能的新生儿黄疸健康管理系统。

技术介绍

[0002]黄疸(即胆红素)是新生儿期最常见的症状，通常新生儿的黄疸水平在出生96小时以后才逐渐达到峰值，而此时大多数产妇已经出院。由于现有条件的限制，出院后对新生儿健康缺乏完善的监测和管理措施，若出现病理性黄疸，往往不能被及时发现并得到治疗，因此一旦出现明显症状并被家属发现就医时，可能对中枢神经系统已经造成损伤，严重者可导致胆红素脑病、智力低下、脑损伤等后遗症。完善出院新生儿健康监测，尤其是加强新生儿黄疸监测，有效预警新生儿黄疸并及时发现病理性黄疸对新生儿健康发育极为重要，即早期的识别、监测和预警，可以避免产生胆红素脑病等严重不良结局。
[0003]黄疸检查主要有血清总胆红素值TSB、经皮胆红素值TCB、拍照识别胆红素值AIB。TSB需要抽取血液并借助于生化检测仪器获得结果，常用于实验室检查；TCB因检测仪器便于携带、监测结果不失敏感性和特异度，是各大医院常规的黄疸检测手段，但仪器价格昂贵，多限于住院期间进行；AIB凭借其便捷和廉价的优势成为新生儿黄疸监测的新方法，但受到光线强度、比色卡反光度、患儿抖动等因素而影响，准确性不高。
[0004]因此，以数字卫生技术为特色的黄疸健康管理新技术、新应用成为当下国内外热点。如，英国伦敦大学的学者提出了一种名为new SCB的APP应用程序，基于智能收集对巩膜成像来筛查新生儿黄疸，其不依赖于彩色校准，具有较高的可推广性；日本横滨国立大学的学者开发了一种用于连续测量胆红素的可穿戴的经皮胆红素计，结合氧饱和度和心率的监测，应用光疗设备优化对黄疸进行检测；美国莱斯大学的学者面向资源匮乏地区人群设计了一款低成本的手持式胆红素检测设备(BiliSpec)，利用一次性测流卡快速检测一滴全血中的量化胆红素水平；新加坡国立大学的学者则专利技术一种用于黄疸监测的非侵入式光学检测传感器，在不受皮肤等组织中沉积的胆红素干扰的情况下测定血液中的胆红素水平；我国东南大学附属徐州医院儿童诊疗中心杨波等人则设计了基于智能手机软件拍照监测新生儿黄疸的应用程序，通过更简便的方式实现对胆红素浓度的检测和风险研判。
[0005]上述研究均是实现新生儿黄疸院外监测的有效手段，为新生儿黄疸的早期防治提供基础，但是，这些技术都只围绕新生儿黄疸的临床重点指标，不能及时、全面地分析致病因素或分析精度尚显不足；此外，这些研究更是缺乏配套的健康管理手段，不能及时对出现的风险进行预警和干预。

技术实现思路

[0006]本专利技术实施例提供了一种基于人工智能的新生儿黄疸健康管理系统，以至少解决相关技术中不能及时、全面地分析黄疸致病因素，分析精度较低的问题。
[0007]第一方面，本专利技术实施例提供了一种基于人工智能的新生儿黄疸健康管理系统，
所述系统包括：
[0008]所述系统包括黄疸管理云、以及与所述黄疸管理云实现信息互通的便携式监测终端和医疗信息系统；其中，
[0009]所述便携式监测终端用于对新生儿黄疸进行测量得到黄疸测量值，并将所述黄疸测量值上传至黄疸管理云；
[0010]所述医疗信息系统用于向所述黄疸管理云提供新生儿和产妇的档案数据；
[0011]所述黄疸管理云用于采集与新生儿黄疸相关的历史数据，并将所述历史数据形成用于同一分析的待处理数据；对所述待处理数据进行处理后得到特征数据集；根据所述特征数据集构建新生儿黄疸预测模型；基于与新生儿黄疸相关的临床共识、历史实际案例和专利文献构建黄疸知识图谱；通过便携式监测终端获取当前检测新生儿的黄疸测量值，并将所述黄疸测量值输入到所述新生儿黄疸预测模型中获得预测结果；将所述预测结果输入到预先构建的黄疸知识图谱中获取黄疸分析结果和相应的干预措施。
[0012]优选地，所述黄疸管理云包括数据采集模块、数据处理模块、模型构建模块、知识图谱生成模块；其中，
[0013]所述数据采集模块用于采集与新生儿黄疸相关的历史数据，形成用于同一分析的待处理数据并发送到所述数据处理模块；
[0014]所述数据处理模块用于对所述待处理数据处理得到特征数据集，并发送到模型构建模块；
[0015]所述模型构建模块用于根据所述特征数据集构建新生儿黄疸预测模型；
[0016]所述知识图谱生成模块用于构建黄疸知识图谱。
[0017]优选地，所述数据采集模块采集与新生儿黄疸相关的历史数据包括：
[0018]通过便携式监测终端获取新生儿的黄疸测量值；
[0019]通过医疗信息系统获取新生儿和产妇的档案数据；其中，所述档案数据包括产检病历、新生儿档案、实验室检验检测数据、超声影像和住院病历。
[0020]优选地，所述数据处理模块包括预处理模块，所述数据处理模块对所述待处理数据进行预处理得到预处理数据集，包括：
[0021]对所述待处理数据进行数据筛选处理，其中，从所述待处理数据中提取符合预设样本标准的数据构成第一数据集，所述预设样本标准由用户设定；
[0022]将所述第一数据集中错误的数据进行剔除，并将同一指标不同格式的数据转换为相同格式的数据，得到第二数据集；
[0023]筛选出所述第二数据集中单条记录有缺失值的记录并进行缺失值填补，得到第三数据集；其中，若所述单条记录为固定变量，则其缺失值通过人工校验原始数据直接填补；若所述单条记录为连续性变量，则采用拉格朗日插值法填补；
[0024]将所述第三数据集中不同指标的数据分别进行归一化处理得到预处理数据集作为所述特征数据集。
[0025]优选地，所述数据处理模块还包括特征选择模块，所述特征选择模块基于特征工程对所述预处理数据进行处理得到所述特征数据集。
[0026]优选地，所述模型构建模块根据所述特征数据集构建新生儿黄疸预测模型，包括：
[0027]利用回归分析算法，构建基准的风险评估模型，并通过标准化的回归系数对特征
数据集中的各个影响因素的重要程度进行评价，筛选出新生儿黄疸的独立影响因素构成自变量数据集；
[0028]通过GBDT模型对自变量数据集进行训练，其中用于训练模型的自变量为自变量数据集中的变量，经过多次迭代训练后得到最优的新生儿黄疸预测模型。
[0029]优选地，所述知识图谱生成模块构建所述黄疸知识图谱包括：
[0030]基于与新生儿黄疸相关的临床共识、历史实际案例和专利文献构建黄疸知识图谱；其中，
[0031]首先进行知识图谱Schema构造，通过专家咨询以层级的方式初始化知识图谱本体，将主题划分为分类层、概念层、实体层和事件层；
[0032]基于LSTM
‑
RNNs模型端到端的实体关系的提取，形成网状的知识结构，并从不同信息源中采集特定实体的属性信息，挖掘实体属性和属性值之间的关系模式，据此实现对属性名和属性值在文本中的定位；
[0033]利用深度神经网络解析时序的、高维的、异本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于人工智能的新生儿黄疸健康管理系统，其特征在于，所述系统包括黄疸管理云、以及与所述黄疸管理云实现信息互通的便携式监测终端和医疗信息系统；其中，所述便携式监测终端用于对新生儿黄疸进行测量得到黄疸测量值，并将所述黄疸测量值上传至黄疸管理云；所述医疗信息系统用于向所述黄疸管理云提供新生儿和产妇的档案数据；所述黄疸管理云用于采集与新生儿黄疸相关的历史数据，并将所述历史数据形成用于同一分析的待处理数据；对所述待处理数据进行处理后得到特征数据集；根据所述特征数据集构建新生儿黄疸预测模型；基于与新生儿黄疸相关的临床共识、历史实际案例和专利文献构建黄疸知识图谱；通过便携式监测终端获取当前检测新生儿的黄疸测量值，并将所述黄疸测量值输入到所述新生儿黄疸预测模型中获得预测结果；将所述预测结果输入到预先构建的黄疸知识图谱中获取黄疸分析结果和相应的干预措施。2.根据权利要求1所述的系统，其特征在于，所述黄疸管理云包括数据采集模块、数据处理模块、模型构建模块、知识图谱生成模块；其中，所述数据采集模块用于采集与新生儿黄疸相关的历史数据，形成用于同一分析的待处理数据并发送到所述数据处理模块；所述数据处理模块用于对所述待处理数据处理得到特征数据集，并发送到模型构建模块；所述模型构建模块用于根据所述特征数据集构建新生儿黄疸预测模型；所述知识图谱生成模块用于构建黄疸知识图谱。3.根据权利要求2所述的系统，其特征在于，所述数据采集模块采集与新生儿黄疸相关的历史数据包括：通过所述便携式监测终端获取新生儿的黄疸测量值；通过所述医疗信息系统获取新生儿和产妇的档案数据；其中，所述档案数据包括产检病历、新生儿档案、实验室检验检测数据、超声影像和住院病历。4.根据权利要求2所述的系统，其特征在于，所述数据处理模块包括预处理模块，所述数据处理模块对所述待处理数据进行预处理得到预处理数据集，包括：对所述待处理数据进行数据筛选处理，其中，从所述待处理数据中提取符合预设样本标准的数据构成第一数据集，所述预设样本标准由用户设定；将所述第一数据集中错误的数据进行剔除，并将同一指标不同格式的数据转换为相同格式的数据，得到第二数据集；筛选出所述第二数据集中单条记录有缺失值的记录并进行缺失值填补，得到第三数据集；其中，若所述单条记录为固定变量，则其缺失值通过人工校验原始数据直接填补；若所述单条记录为连续性变量，则采用拉格朗日插值法填补；将所述第三数据集中不同指标的数据分别进行归一化处理得到...

【专利技术属性】
技术研发人员：张来，沈培良，徐慧松，周贻荣，李海红，袁贞明，骆铭，
申请(专利权)人：杭州市临平区妇幼保健院，
类型：发明
国别省市：