技术新讯 > 医药医疗技术的改进,医疗器械制造及应用技术 > 一种扁桃体摘除术后营养评估方法和系统与流程  >  正文

一种扁桃体摘除术后营养评估方法和系统与流程

  • 国知局
  • 2024-07-12 10:28:54

本发明属于智慧医疗,具体涉及一种扁桃体摘除术后营养评估方法和系统。

背景技术:

1、扁桃体炎是儿童常见的炎性疾病,可导致患儿咽喉部疼痛、吞咽困难、呼吸不畅等,对患儿的健康有较大的损害。扁桃体摘除术是耳鼻喉科最常见的手术,但手术具有创伤性,且由于患儿表达能力不足,手术耐受力较低,导致患儿治疗配合度较差,身心应激反应较为严重,尤其是外科手术营养不良的患病率为20%-80%,食物摄入不足是外科住院患者营养不良最常见的原因,疾病造成患者无法正常进食或进食不足,术后较长时间无法正常进食均可影响营养物质的摄入,从而造成体重丢失、术后并发症发生率升高。因此需要加强患者扁桃体炎手术后的护理,其中营养状况的监测和评估是一个重要的环节,根据患者的营养状况制定出合理且有效的护理和治疗方案,对于积极改善术后各项不良因素有重要作用。

2、目前在扁桃体摘除术后营养评估方面,主要依靠人工评估的方式,更多依靠的是医护人员的经验来进行判断和处理。随着大数据和人工智能技术的发展,对于扁桃体摘除术后营养评估智能化处理需求能够进一步得到满足,本发明旨在提供一种扁桃体摘除术后营养评估方法和系统。

技术实现思路

1、本发明的目的在于克服现有技术中存在的上述问题,提供了一种扁桃体摘除术后营养评估方法和系统,该系统实现了对于患者营养评估指标的智能采集、分析和评估,进一步提升了扁桃体摘除术后营养评估的准确性,为辅助专业医护人员确定针对性的护理和治疗方案提供了有力的支撑。

2、为了实现上述发明目的,本发明提供了以下技术方案:

3、一种扁桃体摘除术后营养评估方法,包括如下步骤:

4、采集患者手术切口周边的生理数据,所述手术切口周边的生理数据包括软腭和腭弓图片数据、切口创面图片数据、口腔分泌物图片数据;采集患者饮食数据,所述饮食数据包括喝水次数、进食次数、饮水量、进食量、食物种类;采集患者体征数据,所述体征数据包括体温、血压、静脉血常规指标、空腹体重、大便次数、小便次数、人体成分分析指标;采集患者并发症数据,所述并发症数据包括出血、感染、吞咽疼痛、张口困难、放射性耳痛、呕吐、全身酸痛、食欲不振;采集患者护理治疗数据,所述护理治疗数据包括手术日期、用药名称、用药次数、切口护理方式、气道护理方式、营养液使用次数和数量;采集患者历史健康数据,所述历史健康数据包括年龄、性别、既往病史、家族病史;

5、对所述手术切口周边的生理数据进行处理,提取软腭和腭弓的肿胀程度、切口创面的面积和颜色指标,口腔分泌物的颜色和质地指标;根据所述软腭和腭弓的肿胀程度确定出软腭和腭弓的特征向量,根据所述切口创面的面积和颜色指标确定出切口创面的面积和颜色特征向量,根据口腔分泌物的颜色和质地指标确定出口腔分泌物的颜色和质地特征矩阵;根据所述患者手术切口周边的生理数据、患者并发症数据、患者历史健康数据确定切口演化过程,得到手术切口评估结果;根据所述患者饮食数据、患者体征数据、患者护理治疗数据和切口评估结果,对患者的营养现状进行评估和预测,得到营养现状评估结果和营养预测结果;

6、根据手术切口评估结果与切口愈合标准进程之间的偏差程度实现预警,根据营养现状评估和预测结果与标准营养指标之间的偏差程度实现预警,并给出推荐的护理治疗干预手段;对患者营养现状和预测实现可视化展示。

7、进一步,所述方法还包括:

8、对软腭和腭弓图片数据进行处理,分离出软腭和腭弓组织,提取所述软腭和腭弓组织的颜色特征向量vc1和形态特征向量vs1;获取正常状态下的软腭和腭弓图片数据,并按照相同的方式提取正常状态下软腭和腭弓的颜色特征向量vc2和形态特征向量vs2,分别计算vc1和vc2之间以及vs1和vs2之间的相似度,得到两个相似度,将所述两个相似度归一化为[0,1]之间的数值v1和v2,用于表征软腭和腭弓的肿胀程度,将v1和v2拼接起来作为软腭和腭弓的特征向量;

9、对切口创面图片数据进行处理,采用第一通道和第二通道并行实现面积特征和颜色特征的提取;所述第一通道中,对所述切口创面图片数据进行二值化表示后进行阈值分割,将创面目标从图片中识别并分离出来,对于识别得到的创面目标,计算其最小外接矩形的面积,作为切口创面图片的实时面积指标;预先设置术后不同时间段和标准创面面积范围之间的对应关系,获得所述切口创面图片数据对应的采集时间段下的标准面积指标,计算得到实时面积指标与标准面积指标之间的偏差程度值c1;

10、所述第二通道中,对所述切口创面图片数据,对所述切口创面图片数据进行二值化表示后进行阈值分割,将创面目标从图片中识别并分离出来;对于识别得到的创面目标,提取rgb和hsi特征,统计图片中的r、g、b每个通道的像素均值和方差,得到每个通道的特征值c2-c7;统计图片中h、s、i分量的均值和方差,得到每个分量的特征值c8-c13;

11、将所述偏差程度值c1、每个通道的特征值c2-c7、每个分量的特征值c8-c13拼接起来作为切口创面的面积和颜色特征向量;

12、对口腔分泌物图片数据进行处理,将所述口腔分泌物图片数据转化为rgb模式,统计出图片中红色对应的像素点数量所占的比例a1,将比例a1后添加n-1位的0得到向量a1,用以描述口腔分泌物图片数据的颜色指标;将所述口腔分泌物图片数据转化为灰度图,并计算出该灰度图的大小为m*n的灰度共生矩阵b1,用以描述口腔分泌物图片数据的质地指标;将所述向量a1和灰度共生矩阵b1进行拼接作为口腔分泌物的颜色和质地特征矩阵;

13、进一步,所述方法还包括:

14、预先建立文本编码映射词典,将患者并发症数据和患者历史健康数据中的文本描述转换成结构化数据后并编码,依据所述文本编码映射词典,得到并发症数据特征向量和历史健康数据特征向量;

15、将所述软腭和腭弓的特征向量、切口创面的面积和颜色特征向量、口腔分泌物的颜色和质地特征矩阵、并发症数据特征向量和历史健康数据特征向量进行拼接后得到融合后的患者数据特征矩阵,将所述患者数据特征向量输入至预先训练好的人工卷积神经网络模型中,输出患者目前切口创面所处于不同病程阶段的概率值向量,所述病程阶段包括炎症期、增生期和成熟期,将所述概率值向量中最大值对应的阶段作为患者切口创面的病程阶段;所述预先训练的人工卷积神经网络模型包括一个输入层、一个输出层、3个卷积层、1个池化层、2个隐藏层、采用relu作为激活函数,采用交叉熵作为损失函数;

16、进一步,所述方法还包括:

17、营养评估:根据所述患者饮食数据和患者体征数据,依据预先建立的营养评估指标对照表,对患者的营养现状进行智能评估;所述预先建立的营养评估指标对照表中存储有不同年龄、体重、性别、健康状况下对应的各营养指标的正常范围数据;提取出患者饮食数据和患者体征数据中的指标值,和营养评估指标对照表中的正常范围数据进行匹配,得到营养评估结果;

18、营养预测:预先建立文本编码映射词典,将患者饮食数据、患者体征数据、患者护理治疗数据中的文本描述转换成结构化数据后并编码,依据所述文本编码映射词典,得到患者饮食数据特征向量、患者体征数据特征向量和患者护理治疗数据特征向量;将所述患者饮食数据特征向量、患者体征数据特征向量、患者护理治疗数据特征向量和目前切口创面所处于不同病程阶段的概率值向量拼接后得到融合后的患者营养预测数据特征向量;将所述患者营养预测数据特征向量输入至预先训练好的人工卷积神经网络模型中,所述人工卷积神经网络模型采用多层感知机模型实现,输出为下一阶段所处不同营养状态的概率值向量,不同营养状态包括营养良好和营养不良,将所述概率值向量中最大值对应的营养状态作为患者下一阶段的营养预测状态;

19、进一步,所述方法还包括:

20、若手术切口评估结果与切口愈合标准进程之间的偏差程度大于预设阈值,则进行预警,提醒医护人员对患者进行关注;

21、若营养现状评估结果中,未处于正常范围的指标数量超过三分之一,则认为患者有营养不良的风险,则进行预警,提醒医护人员对患者进行关注;

22、若下一阶段的营养预测结果为营养不良,则认为有必要调整目前的护理治疗方案,进行预警提醒医护人员对患者进行关注,并给出推荐护理治疗干预手段;

23、所述给出推荐的护理治疗干预手段,具体包括:

24、采集医院符合要求的扁桃体摘除患者的相关历史数据,所述符合要求具体为:手术后住院期间发生过营养不良,后经过护理治疗干预后转为正常的患者;所述相关历史数据包括:手术切口周边的生理数据、饮食数据、体征数据、并发症数据、护理治疗数据以及历史健康数据;将所述相关历史数据进行清洗、归一化以及提取实体和实体之间关系后,形成<实体,关系,实体>三元组,建立营养评估和干预知识图谱模型;所述<实体,关系,实体>三元组中,实体包括患者类别、护理治疗方式;依据手术切口周边的生理数据、饮食数据、体征数据、并发症数据和历史健康数据实现所述患者类别的划分,将患者分为高、中、低三类营养不良风险程度;每一个类别对应一有效的的护理治疗干预手段;

25、对于营养预测结果为营养不良的患者,先对该患者进行分类得到患者的类别,再依据患者类别在知识图谱模型中实现匹配,获得最终的推荐护理治疗干预手段。

26、一种扁桃体摘除术后营养评估系统,包括如下功能模块:

27、数据采集模块:包括切口周边数据采集单元,用于采集患者手术切口周边的生理数据,所述手术切口周边的生理数据包括软腭和腭弓图片数据、切口创面图片数据、口腔分泌物图片数据;饮食数据采集单元,用于采集患者饮食数据,所述饮食数据包括喝水次数、进食次数、饮水量、进食量、食物种类;体征数据采集单元,用于采集患者体征数据,所述体征数据包括体温、血压、静脉血常规指标、空腹体重、大便次数、小便次数、人体成分分析指标;并发症数据采集单元,用于采集患者并发症数据,所述并发症数据包括出血、感染、吞咽疼痛、张口困难、放射性耳痛、呕吐、全身酸痛、食欲不振;护理治疗数据采集单元,用于采集患者护理治疗数据,所述护理治疗数据包括手术日期、用药名称、用药次数、切口护理方式、气道护理方式、营养液使用次数和数量;历史健康数据采集单元,用于采集患者历史健康数据,所述历史健康数据包括年龄、性别、既往病史、家族病史;

28、数据处理模块:包括手术切口周边数据处理单元,用于对所述手术切口周边的生理数据进行处理,提取软腭和腭弓的肿胀程度、切口创面的面积和颜色指标,口腔分泌物的颜色和质地指标;根据所述软腭和腭弓的肿胀程度确定出软腭和腭弓的特征向量,根据所述切口创面的面积和颜色指标确定出切口创面的面积和颜色特征向量,根据口腔分泌物的颜色和质地指标确定出口腔分泌物的颜色和质地特征矩阵;手术切口评估单元,用于根据所述患者手术切口周边的生理数据、患者并发症数据、患者历史健康数据确定切口演化过程,得到手术切口评估结果;营养评估预测单元,用于根据所述患者饮食数据、患者体征数据、患者护理治疗数据和切口评估结果,对患者的营养现状进行评估和预测,得到营养现状评估结果和营养预测结果;

29、应用服务模块:包括预警单元,用于根据手术切口评估结果与切口愈合标准进程之间的偏差程度实现预警,根据营养现状评估和预测结果与标准营养指标之间的偏差程度实现预警,并给出推荐的护理治疗干预手段;可视化单元,用于对患者营养现状和预测实现可视化展示。

30、进一步,所述手术切口周边数据处理单元还包括:

31、对软腭和腭弓图片数据进行处理,分离出软腭和腭弓组织,提取所述软腭和腭弓组织的颜色特征向量vc1和形态特征向量vs1;获取正常状态下的软腭和腭弓图片数据,并按照相同的方式提取正常状态下软腭和腭弓的颜色特征向量vc2和形态特征向量vs2,分别计算vc1和vc2之间以及vs1和vs2之间的相似度,得到两个相似度,将所述两个相似度归一化为[0,1]之间的数值v1和v2,用于表征软腭和腭弓的肿胀程度,将v1和v2拼接起来作为软腭和腭弓的特征向量;

32、对切口创面图片数据进行处理,采用第一通道和第二通道并行实现面积特征和颜色特征的提取;所述第一通道中,对所述切口创面图片数据进行二值化表示后进行阈值分割,将创面目标从图片中识别并分离出来,对于识别得到的创面目标,计算其最小外接矩形的面积,作为切口创面图片的实时面积指标;预先设置术后不同时间段和标准创面面积范围之间的对应关系,获得所述切口创面图片数据对应的采集时间段下的标准面积指标,计算得到实时面积指标与标准面积指标之间的偏差程度值c1;

33、所述第二通道中,对所述切口创面图片数据,对所述切口创面图片数据进行二值化表示后进行阈值分割,将创面目标从图片中识别并分离出来;对于识别得到的创面目标,提取rgb和hsi特征,统计图片中的r、g、b每个通道的像素均值和方差,得到每个通道的特征值c2-c7;统计图片中h、s、i分量的均值和方差,得到每个分量的特征值c8-c13;

34、将所述偏差程度值c1、每个通道的特征值c2-c7、每个分量的特征值c8-c13拼接起来作为切口创面的面积和颜色特征向量;

35、对口腔分泌物图片数据进行处理,将所述口腔分泌物图片数据转化为rgb模式,统计出图片中红色对应的像素点数量所占的比例a1,将比例a1后添加n-1位的0得到向量a1,用以描述口腔分泌物图片数据的颜色指标;将所述口腔分泌物图片数据转化为灰度图,并计算出该灰度图的大小为m*n的灰度共生矩阵b1,用以描述口腔分泌物图片数据的质地指标;将所述向量a1和灰度共生矩阵b1进行拼接作为口腔分泌物的颜色和质地特征矩阵。

36、进一步,所述手术切口评估单元还包括:

37、预先建立文本编码映射词典,将患者并发症数据和患者历史健康数据中的文本描述转换成结构化数据后并编码,依据所述文本编码映射词典,得到并发症数据特征向量和历史健康数据特征向量;

38、将所述软腭和腭弓的特征向量、切口创面的面积和颜色特征向量、口腔分泌物的颜色和质地特征矩阵、并发症数据特征向量和历史健康数据特征向量进行拼接后得到融合后的患者数据特征矩阵,将所述患者数据特征向量输入至预先训练好的人工卷积神经网络模型中,输出患者目前切口创面所处于不同病程阶段的概率值向量,所述病程阶段包括炎症期、增生期和成熟期,将所述概率值向量中最大值对应的阶段作为患者切口创面的病程阶段;所述预先训练的人工卷积神经网络模型包括一个输入层、一个输出层、3个卷积层、1个池化层、2个隐藏层、采用relu作为激活函数,采用交叉熵作为损失函数。

39、进一步,所述营养评估预测单元还包括:

40、营养评估:根据所述患者饮食数据和患者体征数据,依据预先建立的营养评估指标对照表,对患者的营养现状进行智能评估;所述预先建立的营养评估指标对照表中存储有不同年龄、体重、性别、健康状况下对应的各营养指标的正常范围数据;提取出患者饮食数据和患者体征数据中的指标值,和营养评估指标对照表中的正常范围数据进行匹配,得到营养评估结果;

41、营养预测:预先建立文本编码映射词典,将患者饮食数据、患者体征数据、患者护理治疗数据中的文本描述转换成结构化数据后并编码,依据所述文本编码映射词典,得到患者饮食数据特征向量、患者体征数据特征向量和患者护理治疗数据特征向量;将所述患者饮食数据特征向量、患者体征数据特征向量、患者护理治疗数据特征向量和目前切口创面所处于不同病程阶段的概率值向量拼接后得到融合后的患者营养预测数据特征向量;将所述患者营养预测数据特征向量输入至预先训练好的人工卷积神经网络模型中,所述人工卷积神经网络模型采用多层感知机模型实现,输出为下一阶段所处不同营养状态的概率值向量,不同营养状态包括营养良好和营养不良,将所述概率值向量中最大值对应的营养状态作为患者下一阶段的营养预测状态。

42、进一步,所述预警单元还包括:

43、若手术切口评估结果与切口愈合标准进程之间的偏差程度大于预设阈值,则进行预警,提醒医护人员对患者进行关注;

44、若营养现状评估结果中,未处于正常范围的指标数量超过三分之一,则认为患者有营养不良的风险,则进行预警,提醒医护人员对患者进行关注;

45、若下一阶段的营养预测结果为营养不良,则认为有必要调整目前的护理治疗方案,进行预警提醒医护人员对患者进行关注,并给出推荐护理治疗干预手段;

46、所述给出推荐的护理治疗干预手段,具体包括:

47、采集医院符合要求的扁桃体摘除患者的相关历史数据,所述符合要求具体为:手术后住院期间发生过营养不良,后经过护理治疗干预后转为正常的患者;所述相关历史数据包括:手术切口周边的生理数据、饮食数据、体征数据、并发症数据、护理治疗数据以及历史健康数据;将所述相关历史数据进行清洗、归一化以及提取实体和实体之间关系后,形成<实体,关系,实体>三元组,建立营养评估和干预知识图谱模型;所述<实体,关系,实体>三元组中,实体包括患者类别、护理治疗方式;依据手术切口周边的生理数据、饮食数据、体征数据、并发症数据和历史健康数据实现所述患者类别的划分,将患者分为高、中、低三类营养不良风险程度;每一个类别对应一有效的的护理治疗干预手段;

48、对于营养预测结果为营养不良的患者,先对该患者进行分类得到患者的类别,再依据患者类别在知识图谱模型中实现匹配,获得最终的推荐护理治疗干预手段。

49、通过采用上述技术,与现有技术相比,本发明的有益效果是:

50、本技术采集多种数据、利用多种特征的营养评估方式,提升了扁桃体摘除术后患者营养评估的全面性和准确性。

51、本技术在营养评估的过程中,将切口创面的恢复情况纳入考虑范围,更为客观的评估了扁桃体患者术后切口创面的恢复情况对于营养状况的影响。

52、本技术利用人工智能卷积神经网络对患者切口创面数据所处的病程阶段进行评估以及实现下一阶段的营养状态预测,能够提前采取有效措施实现干预。

53、本技术在营养评估和预测后,针对性地实现了风险预警,并且利用知识图谱实现相似患者的护理治疗干预手段的推荐。

本文地址:https://www.jishuxx.com/zhuanli/20240614/87207.html

版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容, 请发送邮件至 YYfuon@163.com 举报,一经查实,本站将立刻删除。