一种基于卷积神经网络的智能急诊预检分诊系统

1.本发明涉及卷积神经网络领域，具体是一种基于卷积神经网络的智能急诊预检分诊系统。


背景技术：

2.随着社会的发展就医需求的增长，急诊科拥挤现象越来越严重，随之出现的问题是急诊系统应对能力、患者满意度的下降和医疗费用、临床差错、并发症事件的增加，严重影响急诊医疗护理的质量和医院的整体服务品质。
3.分诊作为急诊患者就诊的第一道关口，采取更为科学的方法将患者分类，迅速识别急、危、重患者，并指导其根据病情危重程度分级就诊，有助于充分利用急诊资源，维持急诊患者就诊秩序，缩短危重患者候诊时间，提高工作效率，防止因分诊不足或分诊过度所导致急诊资源耗尽，一个安全有效的分诊标准能够准确识别真正的危急患者，确保患者安全，而且有助于急诊医疗资源的合理分配，提高急诊医疗的质量和效率，进而提升患者满意度和医院的服务品质。
4.现有技术中对成人急诊患者的分诊效率较低，容易产生病情较重的患者没有得到优先就诊导致病情加重的情况；因此，针对上述问题提出一种基于卷积神经网络的智能急诊预检分诊系统。


技术实现要素：

5.为了弥补现有技术的不足，现有技术中对成人急诊患者的分诊效率较低，容易产生病情较重的患者没有得到优先就诊导致病情加重的情况的问题，本发明提出一种基于卷积神经网络的智能急诊预检分诊系统。
6.本发明解决其技术问题所采用的技术方案是：本发明所述的一种基于卷积神经网络的智能急诊预检分诊系统，该智能急诊预检分诊系统包括以下步骤：
7.s1：评估指标特征簇矩阵构建；
8.s2：灰度矩阵融合构建；
9.s3：训练卷积神经网络模型；
10.s4：确定分级及就诊通道划分；
11.s5：差异化事件处置及再评估；
12.s6：急诊转归及再训练。
13.优选的，所述s1具体为以下步骤：
14.a1：关键人口学特征矩阵构建；
15.a2：症状特征矩阵构建；
16.a3：生命指标特征矩阵构建。
17.优选的，所述s2具体为将主诉、症状和生命指标特征簇矩阵，融合为整体的灰度特征矩阵，将人口学特征矩阵、健康监测特征矩阵、动态行为特征矩阵融合为1个矩阵，如果a
b c《n，则需要对矩阵补位，形成一个n*n的矩阵。
18.优选的，所述s3具体为以下步骤：
19.b1：模型训练；
20.b2：卷积神经网络算法。
21.优选的，所述b1具体为以下步骤：
22.c1：将用于训练的数据分为训练集和测试集；
23.c2：将训练集数据中的每个病例都做双通道卷积处理，得到每个样本对应的特征图，再将特征图做最大池化处理，得到新的特征图，将新的特征图全连接并且输入到神经网络中，得到分类结果；
24.c3：将输出的分类结果和原始标签值代入交叉熵损失函数并利用反向传播算法多次迭代求出最佳的卷积核矩阵和最佳的神经网络权重矩阵；
25.c4：将测试数据集输入到交叉验证得到的卷积神经网络模型当中，每个模型都给出样本的分类结果，最终投票得到样本的最终分类结果。
26.优选的，所述b2包括输入层、隐含层和输出层，所述输入层具体为将前面基于预检分诊评估指标构建的灰度矩阵，作为卷积神经网络的输入，所述隐含层包括卷积层、池化层和全连接层，所述卷积层由若干卷积单元组成，每个卷积单元的参数皆通过反向传播算法优化获得，卷积运算的目的是提取输入的不同特征，第一层卷积层可能只能提取一些低级的特征如边缘、线条和角等层级，更多层的网络能从低级特征中迭代提取更复杂的特征，所述池化层包含预设定的池化函数，其功能是将特征图中单个点的结果替换为其相邻区域的特征图统计量，在卷积层进行特征提取后，输出的特征图会被传递至池化层进行特征选择和信息过滤，池化过程选择采用随机/混合池化来避免卷积神经网络出现过拟合，公式如下：
[0027][0028]
所述全连接层具体为将所有局部特征结合变成全局特征，用来计算最后每一类的得分，特征图在全连接层中会失去空间拓扑结构，被展开为向量并通过激励函数，所述输出层具体为通过隐含层处理后通过卷积神经网络模型给出等级预测，包括5个等级，并基于不同等级分发到不同的区域。
[0029]
优选的，所述s4具体为根据模型输出的分诊级别，1级为濒危患者，2级为危重患者，3级为急症患者，4级为非急症患者，系统根据分诊级别提示就诊区域，1级、2级患者进入红区即急诊复苏室和抢救室、优先诊疗区为黄区，3级患者进入该区域；普通诊疗区为绿区，4级患者进入该区域，在同一就诊区域中，级别高的就诊优先级高。
[0030]
优选的，所述s5具体为根据病情危重程度等级制定相应的应诊时间，确保急诊资源合理利用和急诊就诊秩序良好，让其在正确的时间、正确的地点接受恰当的治疗，提高患者安全，1级应诊时间为即刻(0min)，2级为10min，3级30min，4级240min，当候诊患者就诊时间超出应诊时间，系统自动提醒分诊护士对患者进行再评估，动态观察患者病情，以确保患者安全。
[0031]
优选的，所述s6具体为根据系统记录的每位急诊患者的最终转归(死亡、入住icu、急诊手术、入住普通病房、出院)进行反馈学习，与最初的分诊级别进行比对，以患者最终结局为病情真实情况反映，通过模型再训练，不断提升分诊模型的准确度。
[0032]
本发明的有益之处在于：
[0033]
1.本发明通过基于卷积神经网络的智能急诊预检分诊系统，实现了对每一个病情分诊级别的患者进行相应的应诊时间预警，超出时间未就诊进行动态评估预警，实时提醒分诊护士和责任医生，以最大限度确保急诊患者安全的功能，解决了现有技术中对成人急诊患者的分诊效率较低，容易产生病情较重的患者没有得到优先就诊导致病情加重的情况的问题，提高了对急诊患者进行抢救的效率。
附图说明
[0034]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
[0035]
图1为实施例一的系统架构示意图；
[0036]
图2为实施例一的灰度矩阵构建补位示意图；
[0037]
图3为实施例一的卷积神经网络模型结构示意图；
[0038]
图4为实施例一的卷积神经网络算法结构示意图。
具体实施方式
[0039]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
[0040]
实施例一
[0041]
请参阅图1-4所示，一种基于卷积神经网络的智能急诊预检分诊系统，该智能急诊预检分诊系统包括以下步骤：
[0042]
s1：评估指标特征簇矩阵构建；
[0043]
s2：灰度矩阵融合构建；
[0044]
s3：训练卷积神经网络模型；
[0045]
s4：确定分级及就诊通道划分；
[0046]
s5：差异化事件处置及再评估；
[0047]
s6：急诊转归及再训练。
[0048]
所述s1具体为以下步骤：
[0049]
a1：关键人口学特征矩阵构建；
[0050]
将关键人口学特征转化为十进制灰度值，部分关键特征的转发方式如下：
[0051][0052]
通过将关键人口学特征转化为[0,255]区间的十进制数，最终构建了一个a*n矩阵，矩阵示例如下：
[0053][0054]
a2：症状特征矩阵构建；
[0055]
将症状特征转化为十进制灰度值，部分关键特征的转发方式如下：
[0056][0057]
通过将关键人口学特征转化为[0,255]区间的十进制数，最终构建了一个b*n矩阵，矩阵示例如下：
[0058][0059]
a3：生命指标特征矩阵构建；
[0060]
将生命指标特征转化为十进制灰度值，部分关键特征的转发方式如下：
[0061][0062]
通过将生命指标特征转化为[0,255]区间的十进制数，最终构建了一个c*n矩阵，矩阵示例如下：
[0063][0064]
所述s2具体为将主诉、症状和生命指标特征簇矩阵，融合为整体的灰度特征矩阵，将人口学特征矩阵、健康监测特征矩阵、动态行为特征矩阵融合为1个矩阵，如果a b c《n，则需要对矩阵补位，形成一个n*n的矩阵，如图2所示。
[0065]
所述s3具体为以下步骤：
[0066]
b1：模型训练；
[0067]
b2：卷积神经网络算法。
[0068]
所述b1具体为以下步骤：
[0069]
c1：将用于训练的数据分为训练集和测试集；
[0070]
c2：将训练集数据中的每个病例都做双通道卷积处理，得到每个样本对应的特征
图，再将特征图做最大池化处理，得到新的特征图，将新的特征图全连接并且输入到神经网络中，得到分类结果；
[0071]
c3：将输出的分类结果和原始标签值代入交叉熵损失函数并利用反向传播算法多次迭代求出最佳的卷积核矩阵和最佳的神经网络权重矩阵；
[0072]
c4：将测试数据集输入到交叉验证得到的卷积神经网络模型当中，每个模型都给出样本的分类结果，最终投票得到样本的最终分类结果。
[0073]
所述b2包括输入层、隐含层和输出层，所述输入层具体为将前面基于预检分诊评估指标构建的灰度矩阵，作为卷积神经网络的输入，所述隐含层包括卷积层、池化层和全连接层，所述卷积层由若干卷积单元组成，每个卷积单元的参数皆通过反向传播算法优化获得，卷积运算的目的是提取输入的不同特征，第一层卷积层可能只能提取一些低级的特征如边缘、线条和角等层级，更多层的网络能从低级特征中迭代提取更复杂的特征，所述池化层包含预设定的池化函数，其功能是将特征图中单个点的结果替换为其相邻区域的特征图统计量，在卷积层进行特征提取后，输出的特征图会被传递至池化层进行特征选择和信息过滤，池化过程选择采用随机/混合池化来避免卷积神经网络出现过拟合，公式如下：
[0074][0075]
所述全连接层具体为将所有局部特征结合变成全局特征，用来计算最后每一类的得分，特征图在全连接层中会失去空间拓扑结构，被展开为向量并通过激励函数，所述输出层具体为通过隐含层处理后通过卷积神经网络模型给出等级预测，包括5个等级，并基于不同等级分发到不同的区域。
[0076]
所述s4具体为根据模型输出的分诊级别，1级为濒危患者，2级为危重患者，3级为急症患者，4级为非急症患者，系统根据分诊级别提示就诊区域，1级、2级患者进入红区即急诊复苏室和抢救室、优先诊疗区为黄区，3级患者进入该区域；普通诊疗区为绿区，4级患者进入该区域，在同一就诊区域中，级别高的就诊优先级高。
[0077]
所述s5具体为根据病情危重程度等级制定相应的应诊时间，确保急诊资源合理利用和急诊就诊秩序良好，让其在正确的时间、正确的地点接受恰当的治疗，提高患者安全，1级应诊时间为即刻(0min)，2级为10min，3级30min，4级240min，当候诊患者就诊时间超出应诊时间，系统自动提醒分诊护士对患者进行再评估，动态观察患者病情，以确保患者安全。
[0078]
所述s6具体为根据系统记录的每位急诊患者的最终转归(死亡、入住icu、急诊手术、入住普通病房、出院)进行反馈学习，与最初的分诊级别进行比对，以患者最终结局为病情真实情况反映，通过模型再训练，不断提升分诊模型的准确度。
[0079]
在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
[0080]
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。