首页 专利交易 科技果 科技人才 科技服务 国际服务 商标交易 会员权益 IP管家助手 需求市场 关于龙图腾
 /  免费注册
到顶部 到底部
清空 搜索

一种基于大数据的心血管疾病风险周期评估方法 

买专利卖专利找龙图腾,真高效! 查专利查商标用IPTOP,全免费!专利年费监控用IP管家,真方便!

申请/专利权人:广州城市职业学院;广州市第十二人民医院

摘要:本申请提供一种基于大数据的心血管疾病风险周期评估方法,包括:根据患者的基本信息和症状表现,获取心血管急性病患者的初步诊断结果;基于初步诊断结果,根据心电图、超声心动图、血液检查、CT检查综合信息,判断患者的心血管病情分类;通过心电监测、血压监测、血脂监测,定期监测患者的生理指标,获得生理变化周期;判断饮食、运动、情绪因素对生理变化周期的影响;基于生理变化周期,包括心电图周期、血压波动的周期、血脂变化周期,预测患者的病变周期;根据预测的复发概率以及复发时间,动态调整患者的监测周期,通过医疗系统向医生或患者提供监测结果和调整建议。

主权项:1.一种基于大数据的心血管疾病风险周期评估方法,其特征在于,所述方法包括:根据患者的基本信息和症状表现,获取心血管急性病患者的初步诊断结果;基于初步诊断结果,根据心电图、超声心动图、血液检查、CT检查综合信息,判断患者的心血管病情分类;通过心电监测、血压监测、血脂监测,定期监测患者的生理指标,获得生理变化周期;判断饮食、运动、情绪因素对生理变化周期的影响;基于生理变化周期,包括心电图周期、血压波动的周期、血脂变化周期,预测患者的病变周期;根据患者的基本信息和生理变化周期,融合手术治疗、药物治疗、生活方式调整、心理治疗方案中进行治疗,预测复发概率与复发周期;根据预测的复发概率以及复发时间,动态调整患者的监测周期,通过医疗系统向医生或患者提供监测结果和调整建议;其中,所述根据患者的基本信息和症状表现,获取心血管急性病患者的初步诊断结果,包括:获取多名患者的基本信息和症状表现作为特征,其中包括年龄、性别、体重和身高、血压、血脂水平以及是否患有糖尿病,使用相关性分析来评估特征与心血管急性病之间的相关性,确定相关性特征,将相关性特征作为输入,将初步诊断结果作为输出标签,训练支持向量机模型;基于患者的基本信息和症状表现,提取患者的输入特征;所述支持向量机模型根据输入特征预测患者是否患有心血管急性病,若所述支持向量机模型预测的患病概率值超过预设的阈值,获取进一步检查的指示;所述基于初步诊断结果,根据心电图、超声心动图、血液检查、CT检查综合信息,判断患者的心血管病情分类,包括:使用一个包含1000个样本和10个属性的心血管病数据集,每个样本包含一个患者的属性信息和对应的心血管病类型,首先,使用随机森林算法构建一个包含10个决策树的分类器模型,使用样本的80%作为训练集,20%作为测试集,接下来,计算每个属性的重要性,随机森林算法通过评估属性在决策树中的节点分裂贡献来确定属性的重要性,其中,如果一个属性在多个决策树中被选择为节点分裂的特征,那么该属性的重要性就会更高;根据基尼指数对属性的重要性评估结果,确定属性的重要性评估值分贝,根据属性的重要性评估值分贝,确定输入属性;基于初步诊断结果,对患者进行进一步检查;通过心电图检测,获取心电图检测指标,包括心率、心律、ST段改变、QT间期,评估患者的心脏状况;通过超声波来检查心脏的结构和功能,获得心脏的二维图像、彩色多普勒图像;通过图像处理提取超声心动图检测指标,包括心室射血分数、心腔大小、瓣膜功能、室壁运动,评估患者的心血管功能;通过血液检查分析,提取肌钙蛋白、心肌酶谱、血压、血脂指标进行测量,与正常参考范围对比来评估患者的心血管病情;通过CT检查,对心脏的断层扫描图像进行图像处理和分析,提取CT检查指标,包括冠状动脉钙化评分、冠脉造影、心脏组织密度,评估心脏的解剖结构和病变程度;基于输入属性,从所述心电图检测指标、心脏的二维图像、彩色多普勒图像、超声心动图检测指标、患者的心血管病情及CT检查指标中提取特征,输入贝叶斯分类器,对患者的心血管疾病类型进行分类;所述通过心电监测、血压监测、血脂监测,定期监测患者的生理指标,获得生理变化周期,包括:通过血压计测量得到患者的血压水平,得到收缩压峰值时间序列,通过快速傅里叶变换对血压信号进行频谱分析,得到在1Hz频率下的能量分布和在2Hz频率下的能量分布,计算相邻两个收缩压峰值之间的时间间隔,得到血压波动的周期,通过血液样本检测得到患者的血脂水平,得到总胆固醇指标、低密度脂蛋白胆固醇指标、高密度脂蛋白胆固醇指标,通过线性回归法绘制血脂数据随时间的动态变化曲线,得到总胆固醇指标随时间的变化趋势、低密度脂蛋白胆固醇指标随时间的变化趋势、高密度脂蛋白胆固醇指标随时间的变化趋势,通过心电图周期、血压波动的周期以及血脂变化周期,确定患者的生理变化周期;通过分析心电图的数据,使用Pan-Tompkins算法进行R峰检测,提取心电图波形特征,得到心脏电活动的周期性变化特征,具体的,使用截止频率为30Hz的低通滤波器对输入信号进行滤波操作,去除高频噪声,使用截止频率为5Hz的高通滤波器去除基线漂移,得到预处理后的心电图信号,选择窗口长度为100个采样点,并计算每个窗口的差分值,使用Pan-Tompkins算法进行QRS波群检测,选择差分信号的幅值阈值为5,并根据基线判定QRS波群的起始和终止位置,选择幅值最大的点作为R峰的位置,根据分析结果,输出心电图波形特征,包括R峰位置、R-R间期和波形形态属性,根据心率、心律以及心电图波形形态,可以确定心脏电活动的周期性变化特征。

全文数据:

权利要求:

百度查询: 广州城市职业学院 广州市第十二人民医院 一种基于大数据的心血管疾病风险周期评估方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。