[發(fā)明專利]一種基于人工智能構(gòu)建的燒傷發(fā)生風(fēng)險(xiǎn)評(píng)估及預(yù)防新模型

在審

• 申請(qǐng)?zhí)枺?/td>: 202110083240.2
• 申請(qǐng)日: 2021-01-21
• 公開（公告）號(hào): CN112863680A
• 公開（公告）日: 2021-05-28
• 發(fā)明（設(shè)計(jì)）人: 林自認(rèn)
• 申請(qǐng)（專利權(quán)）人: 百色市人民醫(yī)院
• 主分類號(hào): G16H50/30
• 分類號(hào): G16H50/30;G16H50/70;G16H10/20
• 代理公司: 昆明合盛知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 53210
• 代理人: 牛林濤

1.一種基于人工智能構(gòu)建的燒傷發(fā)生風(fēng)險(xiǎn)評(píng)估，包括采集燒傷發(fā)生風(fēng)險(xiǎn)因素相關(guān)病例資料模塊(1)、獲取網(wǎng)絡(luò)分級(jí)器模塊(9)、增加新病例模塊(14)和增加樣本量模塊(16)，其特征在于：所述采集燒傷發(fā)生風(fēng)險(xiǎn)因素相關(guān)病例資料模塊(1)的輸出端和分析模塊(2)的輸入端相連接，所述分析模塊(2)的輸出端和形成燒傷發(fā)生風(fēng)險(xiǎn)因素風(fēng)險(xiǎn)分級(jí)表模塊(3)的輸入端相連接，所述形成燒傷發(fā)生風(fēng)險(xiǎn)因素風(fēng)險(xiǎn)分級(jí)表模塊(3)的輸出端和識(shí)別模塊(4)的輸入端相連接，所述識(shí)別模塊(4)的輸出端分別和低風(fēng)險(xiǎn)因素模塊(5)、高風(fēng)險(xiǎn)因素模塊(6)的輸入端相連接，所述高風(fēng)險(xiǎn)因素模塊(6)的輸出端和采集病例數(shù)據(jù)特點(diǎn)模塊(7)的輸入端相連接，所述采集病例數(shù)據(jù)特點(diǎn)模塊(7)的輸出端和建立燒傷發(fā)生風(fēng)險(xiǎn)因素?cái)?shù)據(jù)庫(kù)模塊(8)的輸入端相連接。

2.根據(jù)權(quán)利要求1所述的一種基于人工智能構(gòu)建的燒傷發(fā)生風(fēng)險(xiǎn)評(píng)估，其特征在于：所述獲取網(wǎng)絡(luò)分級(jí)器模塊(9)的輸出端和建立燒傷發(fā)生風(fēng)險(xiǎn)因素模型模塊(10)的輸入端相連接，所述建立燒傷發(fā)生風(fēng)險(xiǎn)因素模型模塊(10)的輸出端和訓(xùn)練模塊(11)的輸入端相連接。

3.根據(jù)權(quán)利要求2所述的一種基于人工智能構(gòu)建的燒傷發(fā)生風(fēng)險(xiǎn)評(píng)估，其特征在于：所述訓(xùn)練模塊(11)的輸出端和優(yōu)化燒傷發(fā)生風(fēng)險(xiǎn)因素模型模塊(12)的輸入端相連接，所述優(yōu)化燒傷發(fā)生風(fēng)險(xiǎn)因素模型模塊(12)的輸出端和獲取分析結(jié)果模塊(13)的輸入端相連接。

4.根據(jù)權(quán)利要求1所述的一種基于人工智能構(gòu)建的燒傷發(fā)生風(fēng)險(xiǎn)評(píng)估，其特征在于：所述增加新病例模塊(14)的輸出端和擴(kuò)增數(shù)據(jù)庫(kù)數(shù)據(jù)模塊(15)的輸入端相連接。

5.根據(jù)權(quán)利要求1所述的一種基于人工智能構(gòu)建的燒傷發(fā)生風(fēng)險(xiǎn)評(píng)估，其特征在于：所述增加樣本量模塊(16)、優(yōu)化數(shù)據(jù)庫(kù)模塊(17)的輸入端均和人工智能算法模塊(18)的輸入端相連接，所述人工智能算法模塊(18)的輸出端和燒傷發(fā)生風(fēng)險(xiǎn)預(yù)測(cè)準(zhǔn)確率提高模塊(19)的輸入端相連接。

6.根據(jù)權(quán)利要求1所述的一種基于人工智能構(gòu)建的燒傷發(fā)生預(yù)防新模型，其特征在于：包括以下步驟：

步驟一：首先運(yùn)用專業(yè)知識(shí)和統(tǒng)計(jì)學(xué)分析手段采集足夠數(shù)量的燒傷發(fā)生生風(fēng)險(xiǎn)因素相關(guān)病例資料；

步驟二：通過對(duì)燒傷發(fā)生生風(fēng)險(xiǎn)因素相關(guān)病例資料的分析，從而形成燒傷發(fā)生風(fēng)險(xiǎn)因素風(fēng)險(xiǎn)分級(jí)表，對(duì)燒傷發(fā)生風(fēng)險(xiǎn)因素風(fēng)險(xiǎn)進(jìn)行識(shí)別，并分析出相關(guān)高風(fēng)險(xiǎn)因素；

步驟三：運(yùn)用專業(yè)知識(shí)對(duì)分析出的燒傷發(fā)生高風(fēng)險(xiǎn)因素的數(shù)據(jù)特點(diǎn)進(jìn)行采集，并建立燒傷發(fā)生風(fēng)險(xiǎn)因素?cái)?shù)據(jù)庫(kù)；

步驟四：獲取網(wǎng)絡(luò)分級(jí)器，建立燒傷發(fā)生風(fēng)險(xiǎn)因素模型；

步驟五：對(duì)燒傷發(fā)生風(fēng)險(xiǎn)因素模型進(jìn)行不斷訓(xùn)練，從而優(yōu)化燒傷發(fā)生風(fēng)險(xiǎn)因素模型；

步驟六：獲取燒傷發(fā)生風(fēng)險(xiǎn)因素相關(guān)分析結(jié)果；

步驟七：通過調(diào)查問卷對(duì)不同程度燒傷的患者的數(shù)據(jù)進(jìn)行收集，進(jìn)一步擴(kuò)增數(shù)據(jù)庫(kù)數(shù)據(jù)；

步驟八：將人工智能算法加入燒傷發(fā)生風(fēng)險(xiǎn)因素模型，并隨著樣本量的不斷增加及燒傷發(fā)生風(fēng)險(xiǎn)因素?cái)?shù)據(jù)庫(kù)的不斷優(yōu)化，不斷提高燒傷發(fā)生風(fēng)險(xiǎn)因素模型對(duì)燒傷發(fā)生風(fēng)險(xiǎn)預(yù)測(cè)的準(zhǔn)確率。

7.根據(jù)權(quán)利要求6所述的一種基于人工智能構(gòu)建的燒傷發(fā)生預(yù)防新模型，其特征在于：所述步驟一中，對(duì)燒傷發(fā)生生風(fēng)險(xiǎn)因素相關(guān)病例資料進(jìn)行采集的方式為調(diào)查問卷的方式，對(duì)足夠多的燒傷患者進(jìn)行問卷調(diào)查，通過問卷調(diào)查的數(shù)據(jù)形成燒傷發(fā)生風(fēng)險(xiǎn)因素風(fēng)險(xiǎn)分級(jí)表。

8.根據(jù)權(quán)利要求6所述的一種基于人工智能構(gòu)建的燒傷發(fā)生預(yù)防新模型，其特征在于：所述步驟二中，對(duì)病例資料進(jìn)行分析時(shí)，將患者的燒傷程度根據(jù)嚴(yán)重程度和燒傷面積進(jìn)行燒傷程度分級(jí)，并將分析所得數(shù)據(jù)形成燒傷程度分級(jí)表。