[發明專利]基于C肽分層及臟器功能的2型糖尿病人工智能診療管理系統

在審

• 申請號: 202110824477.1
• 申請日: 2021-07-21
• 公開（公告）號: CN113571180A
• 公開（公告）日: 2021-10-29
• 發明（設計）人: 王顏剛;王雅灝;王偉;游祥振;呂文山;黃雅靜
• 申請（專利權）人: 青島大學附屬醫院
• 主分類號: G16H50/20
• 分類號: G16H50/20;G16H50/30;G16H50/70;G06K9/62;G06N20/00
• 代理公司: 安徽濰達知識產權代理事務所(普通合伙) 34166
• 代理人: 李英姿

1.一種基于C肽分層及臟器功能的2型糖尿病人工智能診療管理系統，其特征在于：包括數據采集、輔助診斷、輔助治療、審核管理、預警系統、轉診、隨訪部分；其中，數據采集模塊，按照納入標準和排除標準從醫院病例數據庫獲取糖尿病患者的電子病例數據，包括患者基本信息，患者病例，診療數據，醫學影像，檢查報告等信息，得到樣本數據；數據標準化預處理，對樣本數據中非數值型數據進行賦值換算，指定非數值型數據轉換規則，并按照轉換規則進行賦值換算，對樣本數據中數值型數據進行異常值處理，得到標準化樣本數據；“模型+數據”的糖尿病及并發癥人工智能診療；輔助診斷,結合臨床經驗以及橫斷面研究的結果，首先根據空腹C肽和C2/C0水平進行分層；分層依據為：C肽1 ng/mL，1 ≤C肽2 ng/mL，2 ≤ C肽 3 ng/mL，C肽≥ 3ng/mL；C2/C01，1 ≤C2/C02，2 ≤C2/C03，C2/C0≥3；輔助治療，建立藥品數據庫；依據C肽數據樣本分層數據，推算出首選治療方案、可選治療方案以及慎用方案等信息給出用藥方案；預警系統：定期監控患者各項指標，當某項指標超出常規范圍，對患者和醫師進行通知和預警；審核模塊，醫生復核人工診療系統方案，修改方案，下達醫囑，需電子簽；轉診，基層醫療衛生機構：新診斷糖尿病患者，發現血糖異常，病因和分型不明確，小于25歲及妊娠、哺乳期血糖異常，急性并發癥或嚴重慢性并發癥，反復低血糖或一次嚴重低血糖后，慢性并發癥的篩查和治療有困難，規范治療后血糖、血壓、血脂控制不達標，血糖波動大或調整胰島素有困難轉入上級醫院，患者診斷明確，確定治療方案，急、慢性并發癥治療穩定后，調整治療方案，血糖、血壓、血脂控制達標轉回基層醫療衛生機構；隨訪，醫生可通過隨訪系統調取電子病例系統息息，生成隨訪隊列，設定隨訪時間，通過短信或微信小程序向患者發送隨訪提醒，每月隨訪監測血糖情況，3月后血糖仍不達標啟動新的治療方案；治療后定期進行隨訪監測，建議糖尿病患者每年進行查體，在5年及10年進行并發癥篩查，做到早期發現，早期干預；健康管理，根據患者糖尿病分層及并發癥信息，進行個體化健康教育。

2.根據權利要求1所述的一種基于C肽分層及臟器功能的2型糖尿病人工智能診療管理系統，其特征在于：系統基于AI技術和Adaboost迭代算法的人工智能診療系統模型；其核心思想是針對同一個訓練集訓練不同的分類器(弱分類器)，然后把這些弱分類器集合起來，構成一個更強的最終分類器 (強分類器)；其算法本身是通過改變數據分布來實現的，它根據每次訓練集之中每個樣本的分類是否正確，以及上次的總體分類的準確率，來確定每個樣本的權值；將修改過權值的新數據集送給下層分類器進行訓練，最后將每次訓練得到的分類器最后融合起來，作為最后的決策分類器；使用adaboost分類器可以排除一些不必要的訓練數據特徵，并將關鍵放在關鍵的訓練數據上面；該算法其實是一個弱分類算法提升過程，這個過程通過不斷的訓練，可以提高對數據的分類能力；整個過程如下所示：

（1）先通過對C肽數據樣本的學習得到第一個弱分類器；

（2）將樣本和其他的新數據一起構成一個新的N個的訓練樣本，通過對這個樣本的學習得到第二個弱分類器；

（3）將樣本加上其他的新樣本構成另一個新的N個的訓練樣本，通過對這個樣本的學習得到第三個弱分類器；

（4）最終經過提升的強分類器；即某個數據被分為哪一類要通過；

Adaboost算法流程具體如下：

給定一個訓練數據集T={(x1,y1), (x2,y2)…(xN,yN)}，其中實例，而實例空間，yi屬于標記集合{-1,+1}，Adaboost的目的就是從訓練數據中學習一系列弱分類器或基本分類器，然后將這些弱分類器組合成一個強分類器；

Adaboost的算法流程如下：

步驟1. 首先，初始化訓練數據的權值分布；每一個訓練樣本最開始時都被賦予相同的權值：1/N；

步驟2. 進行多輪迭代，用m = 1,2, ..., M表示迭代的第多少輪

使用具有權值分布Dm的訓練數據集學習，得到基本分類器（選取讓誤差率最低的閾值來設計基本分類器）：

b. 計算Gm(x)在訓練數據集上的分類誤差率

由上述式子可知，Gm(x)在訓練數據集上的誤差率em就是被Gm(x)誤分類樣本的權值之和；

c. 計算Gm(x)的系數，am表示Gm(x)在最終分類器中的重要程度（目的：得到基本分類器在最終分類器中所占的權重；注：這個公式寫成am=1/2ln((1-em)/em) 更準確，因為底數是自然對數e，故用In，寫成log容易讓人誤以為底數是2或別的底數，下同）：

由上述式子可知，em = 1/2時，am = 0，且am隨著em的減小而增大，意味著分類誤差率越小的基本分類器在最終分類器中的作用越大；

d. 更新訓練數據集的權值分布（目的：得到樣本的新的權值分布），用于下一輪迭代

使得被基本分類器Gm(x)誤分類樣本的權值增大，而被正確分類樣本的權值減小；就這樣，通過這樣的方式，AdaBoost方法能“重點關注”或“聚焦于”那些較難分的樣本上；

其中，Zm是規范化因子，使得Dm+1成為一個概率分布：

步驟3. 組合各個弱分類器

從而得到最終分類器，如下：

。