【技术实现步骤摘要】
本专利技术属于医疗器械，具体涉及一种血液透析导管置管术训练与监测考核方法及系统。
技术介绍
1、深静脉置管术是临床应用极其广泛的有创操作，尤其在血液透析患者中，由于其静脉弹性较差且脆性较大，需要的置管术技术要求也更高。
2、现在常用的置换术训练基于模拟置管，但实际临床时，真实病人的静脉各有差异，情况也各不相同，面临误穿动脉、穿刺目标准确率低和成功率不高的问题，同时透析患者的静脉弹性差异增大了穿刺的难度，使得操作风险更高。
技术实现思路
1、为解决现有技术中存在的上述问题，本专利技术提供了一种血液透析导管置管术训练与监测考核方法及系统，
2、本专利技术的目的可以通过以下技术方案实现：
3、一种血液透析导管置管术训练与监测考核方法，包括：
4、获取现实病人案例数据和临床病人数据，通过传感器采集操作信号，根据所述操作信号通过置管术训练模型得到穿刺训练指标数据；
5、根据所述穿刺训练指标数据和所述现实病人案例数据通过分类考核模型得到置管术考核结果数据；
6、根据所述置管术考核结果数据和所述临床病人数据通过多模态数据融合模型得到置管术综合数据特征；
7、根据所述置管术综合数据特征通过置换术预测模型得到置管术预测结果。
8、优选的，所述置换术训练模型包括：
9、获取模式标签，所述模式标签包括培训模式和进阶模式，所述培训模式包含操作引导，所述操作引导携带操作引导信号，所述操作引导信号包括训
10、根据所述模式标签判断得到所述穿刺训练指标数据，所述穿刺训练指标数据包括穿刺培训指标数据和穿刺进阶指标数据。
11、优选的，所述模式标签判断包括判断模式标签是否为进阶模式，是，则根据所述进阶操作信号通过分析得到所述穿刺进阶指标数据；
12、否，则判断所述操作引导信号与所述训练操作信号是否相同，是，则根据所述训练操作信号通过分析得到所述穿刺培训指标数据；
13、否，则所述操作引导进行报错提醒直到所述操作引导信号与所述训练操作信号相等。
14、优选的，所述根据所述穿刺训练指标数据和所述现实病人案例数据通过分类考核模型得到置管术考核结果数据包括：
15、根据所述穿刺训练指标数据通过特征提取得到穿刺训练弱指标类别；
16、根据所述现实病人案件数据通过分类模型得到病人案件数据类别；
17、根据所述穿刺训练弱指标类别和所述病人案件数据类别通过匹配生成考核内容；
18、根据所述考核内容通过置管术考核判断得到所述置管术考核结果，所述置管术考核结果包括穿刺入路结果和穿刺深度结果；
19、所述置管术考核判断包括判断模拟血液是否流出，否，则所述穿刺入路结果和所述穿刺深度结果均为0；
20、是，则所述穿刺入路结果为1，同时判断所述穿刺针是否稳定，是，则所述穿刺深度结果为0；
21、否，则所述所述穿刺深度结果为1。
22、优选的，所述分类模型基于k-means聚类进行分类，包括：
23、获取聚类质心，所述聚类质心携带质心移动距离标签，根据所述聚类质心通过欧氏距离计算得到簇类病人案件数据；
24、根据所述簇类病人案件数据通过质心更新得到聚类新质心；
25、根据所述簇类病人案件数据和所述聚类新质心通过质心移动判断得到所述病人案件数据类别；
26、所述质心移动判断包括判断所述质心移动距离标签是否小于阈值，是，则得到所述病人案件数据类别；
27、否，则重复步骤s202-1和步骤s202-2直到所述质心移动距离标签小于阈值。
28、优选的，所述根据所述置管术考核结果数据和所述临床病人数据通过多模态数据融合模型得到置管术综合数据特征包括：
29、根据所述置管术考核结果数据和所述临床病人数据通过卷积层特征映射得到置管术预测数据特征；
30、根据所述置管术预测数据特征通过像素点融合得到置管术预测数据融合特征；
31、根据所述置管术预测数据融合特征通过卷积修正得到置管术预测数据新特征；
32、根据所述置管术预测数据新特征通过深度特征层得到所述置管术综合数据特征特征。
33、优选的，所述根据所述置管术综合数据特征通过置换术预测模型得到置管术预测结果包括：
34、根据所述置管术综合数据特征构建置管术综合数据特征数据集，所述置管术综合数据特征集包括置管术综合数据特征训练集和置管术综合数据特征测试集；
35、根据所述置管术综合数据特征训练集通过lstm模型得到置管术训练预测结果；
36、根据所述置管术训练预测结果通过均方根误差更新lstm得到置管术lstm模型；
37、根据所述置管术综合数据特征测试集通过所述置管术lstm模型得到所述置管术预测结果。
38、一种血液透析导管置管术训练与监测考核方法的血液透析导管置管术训练与监测考核系统，包括数据采集模块、分类考核模块、数据融合模块、结果预测模块，其特征在于，包括：
39、所述数据采集模块，用于获取现实病人案例数据和临床病人数据，通过传感器采集操作信号，根据所述操作信号通过置管术训练模型得到穿刺训练指标数据；
40、所述分类考核模块，用于根据所述穿刺训练指标数据和所述现实病人案例数据通过分类考核模型得到置管术考核结果数据；
41、所述数据融合模块，用于根据所述置管术考核结果数据和所述临床病人数据通过多模态数据融合模型得到置管术综合数据特征；
42、所述结果预测模块，用于根据所述置管术综合数据特征特征通过置换术预测模型得到置管术预测结果。
43、一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述血液透析导管置管术训练与监测考核方法。
44、一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行上述血液透析导管置管术训练与监测考核方法。
45、本专利技术的有益效果为：
46、(1)通过采集培训模型的穿刺培训指标数据和进阶模型的穿刺进阶指标数据，根据分析穿刺培训指标数据和穿刺进阶指标数据得出置管术的薄弱点，能够更有效的针对薄弱点进行训练，提高穿刺目标的准确性和成功率；
47、(2)通过将所述穿刺训练弱指标类别与所述病人案件数据类别匹配来生成考核内容，能够根据置管术薄弱点有针对性的生成考核内容，获得的考核结果更具有代表性，能够更精确的预测临床病人的置管术结果；
48、(3)通过将所述置管术考核结果数据和所述临床病人数据进行多模态数据融合，捕捉数据之间的关系，根据融合数据进行预测，能够提高预测的准确性；
49、(4)通过lstm进行预测，考虑数据之间的时序关系，提高预本文档来自技高网...
【技术保护点】
1.一种血液透析导管置管术训练与监测考核方法，其特征在于，包括：
2.根据权利要求1所述的血液透析导管置管术训练与监测考核方法，其特征在于，所述置换术训练模型包括：
3.根据权利要求2所述的血液透析导管置管术训练与监测考核方法，其特征在于，所述模式标签判断包括判断模式标签是否为进阶模式，是，则根据所述进阶操作信号通过分析得到所述穿刺进阶指标数据；
4.根据权利要求1所述的血液透析导管置管术训练与监测考核方法，其特征在于，所述根据所述穿刺训练指标数据和所述现实病人案例数据通过分类考核模型得到置管术考核结果数据包括：
5.根据权利要求4所述的血液透析导管置管术训练与监测考核方法，其特征在于，所述分类模型基于K-Means聚类进行分类，包括：
6.根据权利要求1所述的血液透析导管置管术训练与监测考核方法，其特征在于，所述根据所述置管术考核结果数据和所述临床病人数据通过多模态数据融合模型得到置管术综合数据特征包括：
7.根据权利要求1所述的血液透析导管置管术训练与监测考核方法，其特征在于，所述根据所述置管术综合数据特
8.一种应用权利要求1所述的血液透析导管置管术训练与监测考核方法的血液透析导管置管术训练与监测考核系统，包括数据采集模块、分类考核模块、数据融合模块、结果预测模块，其特征在于，包括：
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-7中任一所述的血液透析导管置管术训练与监测考核方法。
10.一种包含计算机可执行指令的存储介质，其特征在于，所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-7中任一所述的血液透析导管置管术训练与监测考核方法。
...【技术特征摘要】
1.一种血液透析导管置管术训练与监测考核方法，其特征在于，包括：
2.根据权利要求1所述的血液透析导管置管术训练与监测考核方法，其特征在于，所述置换术训练模型包括：
3.根据权利要求2所述的血液透析导管置管术训练与监测考核方法，其特征在于，所述模式标签判断包括判断模式标签是否为进阶模式，是，则根据所述进阶操作信号通过分析得到所述穿刺进阶指标数据；
4.根据权利要求1所述的血液透析导管置管术训练与监测考核方法，其特征在于，所述根据所述穿刺训练指标数据和所述现实病人案例数据通过分类考核模型得到置管术考核结果数据包括：
5.根据权利要求4所述的血液透析导管置管术训练与监测考核方法，其特征在于，所述分类模型基于k-means聚类进行分类，包括：
6.根据权利要求1所述的血液透析导管置管术训练与监测考核方法，其特征在于，所述根据所述置管术考核结果数据和...
【专利技术属性】
技术研发人员：赵盈葶，田颖，范俊秋，常莉，
申请(专利权)人：贵州省人民医院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。