一种基于多中心研究的单病种筛查系统

摘要

本公开描述了一种基于多中心研究的单病种筛查系统，包括：云处理平台、单病种筛查平台、医生终端、以及患者终端，医生终端和患者终端与云处理平台不通信。云处理平台具有通过来自于不同医疗机构的单病种的病例信息训练得到且基于人工智能的识别模型，并将训练好的识别模型上传至单病种筛查平台。患者终端获得患者的病症信息。单病种筛查平台利用识别模型基于病症信息生成单病种的评估结果，并发送给患者终端。本公开利用大数量样本可增加结果的准确性和客观性。

说明书

技术领域

本公开涉及一种基于多中心研究的单病种筛查系统。

背景技术

在目前的医疗行为中，患者在就医时，经常无法提供有效的病症发展状态的描述，导致无法在就医时进行针对性的检查而难以识别出一些特殊病种。而在医生层面来看，病症表述由于仅通过主观表述而不能结构化，导致病症表述缺乏客观性、完整性，因此，在实际就医过程中，经常由于无法准确了解患者病症信息而导致对某些特殊病症例如单病种发生误诊或漏诊的现象。

目前，也有通过互联网以及人工智能的辅助筛查来进行特殊病症的筛查。特别是通过临床试验中多中心研究的成果，可对患者多项具有复杂相关性的生理状况因素进行具有某种病种风险的初判。然而，尽管多中心研究可以针对不同患者采集了的多种病症数据，形成更加客观的研究，但是其研究的成果往往无法有效地应用到整个上述特殊病症的筛查医疗行为中。而且，多中心研究中的数据处理通常会涉及大量的患者隐私，在样本数据处理上稍有不慎则容易泄漏患者隐私。

发明内容

本公开是有鉴于上述现有技术的状况而提出的，其目的在于提供一种能够有效利用多中心研究中的样本的单病种筛查系统。

为此，本公开提供了一种基于多中心研究的单病种筛查系统，包括：基于多中心研究的云处理平台、与所述云处理平台通信的单病种筛查平台、与所述单病种筛查平台通信的医生终端、以及与所述单病种筛查平台通信的患者终端，所述医生终端和所述患者终端与所述云处理平台不通信；所述云处理平台具有通过来自于不同医疗机构的单病种的病例信息训练得到且基于人工智能的识别模型，并将训练好的识别模型上传至所述单病种筛查平台；所述患者终端获得与患者有关的单病种的病症信息，所述病症信息包括问诊表、病史记录和生理数据；所述单病种筛查平台利用所述识别模型基于来自所述患者终端的病症信息生成所述单病种的评估结果，并将所述评估结果发送给所述患者终端，若所述评估结果超过预定值，则所述患者终端提示患者前往部署有所述医生终端的医疗机构进行确诊，所述医生终端将患者的确诊信息上传至所述单病种筛查平台，所述单病种筛查平台根据所述确诊信息判断是否将所述确诊信息上传至所述云处理平台以对所述识别模型进行更新。

在本公开所涉及的单病种筛查系统中，基于多中心研究的云处理平台接收各医疗机构的病例数据，在多中心研究的大规模样本基础上生成单病种的基于人工智能的识别模型，并将其发送到单病种筛查平台，患者终端收集患者的病症信息并汇聚到单病种筛查平台，由识别模型进行模式识别，进而向患者终端输出评估结果，在这种情况下，就能在筛查中利用多中心研究中大数量样本所产生的研究成果，从而增加结果的准确性和客观性。而且，样本形成的识别模型在单病种筛查平台上使用，患者终端和医生终端都不与云处理平台通信，这样可以有效隔离应用层和样本本身，提高了样本所涉及患者的隐私安全性。在获得患者单病种的确诊信息后，反馈到单病种筛查平台，在需要时输入到云处理平台上，可对识别模型进行验证、调整和优化，使得人工智能识别模型的使用形成闭环，其准确性能持续得到提高。

另外，在本公开所涉及的单病种筛查系统中，可选地，所述云处理平台获取来自不同医疗机构的病例信息，对所述病例信息进行病种分类，并基于病种分类和审核的结果训练所述识别模型。在这种情况下，云处理平台在完成病例信息获取后，由多中心专家进行病种分类和审核，这样标签化后的病例能够作为训练识别模型的样本。

另外，在本公开所涉及的单病种筛查系统中，可选地，所述单病种筛查平台对所述评估结果进行质控。在这种情况下，能够通过质控手段确保评估结果的准确性和安全性。

另外，在本公开所涉及的单病种筛查系统中，可选地，所述问诊表记录患者症状的主观信息，所述病史记录记录患者与所述单病种相关的病史，所述生理数据为患者的体征信息。在这种情况下，通过问诊表、病史和生理数据可从主观、客观和时间等维度获得与单病种有关的结构化信息。

另外，在本公开所涉及的单病种筛查系统中，可选地，所述患者终端包括获取所述生理数据的智能设备，所述智能设备包括可穿戴式智能设备，所述体征信息包括体动信息、心率或血氧中的至少一种。在这种情况下，患者可选择可穿戴式智能设备检测其体征信息。

另外，在本公开所涉及的单病种筛查系统中，可选地，所述患者终端包括获取所述生理数据的智能设备，所述智能设备包括非穿戴式智能设备，所述体征信息包括脉搏、心率或打鼾信息中的至少一种。在这种情况下，患者可选择非穿戴式智能设备检测其睡眠相关的体征信息。

另外，在本公开所涉及的单病种筛查系统中，可选地，所述评估结果包括风险概率和与所述评估结果关联的检查指示，在所述风险概率大于预定值时判定为高风险。在这种情况下，在风险达到一定值时，提示高风险，并给出进一步的检查指示，兼顾了安全和效率。

另外，在本公开所涉及的单病种筛查系统中，可选地，所述单病种包括脑卒中。

另外，在本公开所涉及的单病种筛查系统中，可选地，所述单病种筛查平台根据患者确诊信息对识别模型进行验证，基于验证结果确定是否将患者确诊信息上传到所述云处理平台。

此外，在本公开所涉及的单病种筛查系统中，可选地，所述验证的内容包括灵敏度、特异性中的至少一种。

根据本公开的基于多中心研究的单病种筛查系统，能够有效并安全地使用多中心研究的样本病例，并通过筛查结果的反馈，持续对识别模型进行更新和优化。

附图说明

现在将仅通过参考附图的例子进一步详细地解释本公开，其中：

图1是示出了本公开的示例所涉及的基于多中心研究的单病种筛查系统的结构框图。

图2是示出了本公开的示例所涉及的云处理平台的结构框图。

图3是示出了本公开的示例所涉及的单病种筛查平台的结构框图。

图4是示出了本公开的示例所涉及的患者终端的结构框图。

图5是示出了本公开的示例所涉及的基于多中心研究的单病种筛查系统的应用流程图。

具体实施方式

以下，参考附图，详细地说明本公开的优选实施方式。在下面的说明中，对于相同的部件赋予相同的符号，省略重复的说明。另外，附图只是示意性的图，部件相互之间的尺寸的比例或者部件的形状等可以与实际的不同。

需要说明的是，本公开中的术语“包括”和“具有”以及它们的任何变形，例如所包括或所具有的一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可以包括或具有没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

另外，在本公开的下面描述中涉及的小标题等并不是为了限制本公开的内容或范围，其仅仅是作为阅读的提示作用。这样的小标题既不能理解为用于分割文章的内容，也不应将小标题下的内容仅仅限制在小标题的范围内。

图1是示出了本公开示例所涉及的基于多中心研究的单病种筛查系统1的结构框图。如图1所示，本公开的示例所涉及的基于多中心研究的单病种筛查系统1包括基于多中心研究的云处理平台10、与该云处理平台10通信的单病种筛查平台20、与单病种筛查平台20通信的医生终端30、以及与单病种筛查平台20通信的患者终端40。其中，医生终端30和患者终端40与云处理平台10不通信。在这种情况下，由于医生终端30和患者终端40与云处理平台10不直接通信，因此，能够有效地隔离医生终端30和患者终端40与云处理平台10的隐私数据，保护患者隐私。

在一些示例中，单病种筛查包括对一些单一的、不会产生并发症的疾病进行筛查，还包括基于病人主述和采集的生命体征信息进行网络筛查的不明原因疾病。

在一些示例中，云处理平台10可以具有通过来自于不同医疗机构的单病种的病例信息训练得到且基于人工智能的识别模型，并将训练好的识别模型上传至单病种筛查平台20。

在一些示例中，识别模型可以是基于人工神经网络的识别模型。在另一些示例中，识别模型可以是基于机器学习的识别模型。在一些示例中，识别模型可以通过聚类算法生成。

另外，患者终端40可以获得与患者有关的单病种的病症信息，该病症信息包括问诊表、病史记录和生理数据。

在一些示例中，单病种筛查平台20可以利用识别模型基于来自患者终端40的病症信息生成单病种的评估结果，并将该评估结果发送给患者终端40。在一些示例中，若评估结果超过预定值，例如高风险值，则患者终端40提示患者前往部署有医生终端30的医疗机构进行确诊。在一些示例中，通过在医疗机构进行确诊，可以获得针对上述单病种的确诊信息，例如该确诊信息包括上述单病种的诊断书。在一些示例中，诊断书可以写明针对单病种，例如脑卒中的医学结论。

在一些示例中，医生终端30可以将患者的确诊信息上传至单病种筛查平台20，单病种筛查平台20根据确诊信息判断是否将该确诊信息上传至云处理平台10以对识别模型进行更新。

图2是示出了本公开的示例所涉及的云处理平台10的结构框图。如上所述，云处理平台10可以具有通过来自于不同医疗机构的单病种的病例信息训练得到且基于人工智能的识别模型，并将训练好的识别模型上传至单病种筛查平台20。在一些示例中，如图2所示，云处理平台10可以包括输入病例信息的输入模块11、对输入的病例信息进行分类审核以及标签化处理获得样本病例的分类模块12、使用样本病例进行训练的训练模块13、生成识别模型的生成模块14和对识别模型进行调整优化的调优模块15。

在一些示例中，云处理平台10可以部署为与客户端50通过网络例如互联网相连接的软件即服务(Software As A Service：SAAS)或平台即服务(Platform As A Service：PAAS)云服务平台。在一些示例中，客户端50可以为多中心研究人员输入病例的终端设备。作为示例，客户端50可以包括客户端51、客户端52、客户端53等多个客户端。在另一些示例中，多中心研究人员也可以通过云处理平台10的输入模块11进行病例信息的输入。在另一些示例中，多中心研究人员也可以直接在云处理平台10上通过输入模块11输入病例样本。

在一些示例中，多中心专家可以通过客户端50对输入的病例样本的病例信息进行信息、病种分类审核以及数据整理和标注，形成标签化的可供云处理平台10训练的病例信息。

在另一些示例中，多中心研究人员也可以直接在云处理平台10上通过分类模块12进行上述分类审核工作。在一些示例中，客户端50可以是人工智能专家或知识工程师进行样本训练、模型生成和调优的终端设备。在这种情况下，人工智能专家或知识工程师可通过训练模块13使用训练样本对识别模型进行训练。在一些示例中，训练可使用一些常见的训练方法，例如人工神经网络的训练。

在一些示例中，云处理平台10会收到医生终端30(参见图1)经单病种筛查平台20(参见图3)发回的患者病症确诊信息。调优模块15按照预定规则配备相应的对照组，例如该患者确诊信息为单病种阳性时，调优模块15确定将其纳入训练组，并为训练组配备对应数量的正常组。

图3是示出了本公开的示例所涉及的单病种筛查平台20的结构框图。

如上所述，单病种筛查平台20可以利用识别模型基于来自患者终端40的病症信息生成单病种的评估结果，并将该评估结果发送给患者终端40。在一些示例中，若评估结果超过预定值，例如高风险值，则患者终端40提示患者前往部署有医生终端30的医疗机构进行确诊。

如图3所示，单病种筛查平台20可以包括利用识别模型基于患者病症信息进行单病种评估的评估模块21、对评估结果进行质量控制的质控模块22和根据患者确诊信息反馈对识别模型进行验证的验证模块23。在一些示例中，评估模块21在给出评估结果后，即风险级别和进一步的检查指示，质控模块22在该风险级别达到预定值时进行质控操作，例如发送给医生或专家进行人工复检。该预定值可由医生确定，例如可为高风险。

在一些示例中，医生可在医生终端30(如图1所示)上通过质控模块22对评估结果进行复检。验证模块23根据病症确诊信息验证识别模型的特性，即特异性和灵敏度。根据验证结果决定是否将该患者确诊信息上传给云处理平台10。

图4是示出了本公开的示例所涉及的患者终端40的结构框图。参见图4，本公开示例所涉及的患者终端40包括智能设备41。在一些示例中，患者终端40可为手持式移动终端，例如手机、平板电脑等。在一些示例中，患者终端40可在其内置的软件，例如APP中，设置一些问诊表，以与患者交互从而获得一些主观信息。在一些示例中，患者终端40还存储有患者的一些历史信息。智能设备41可获取患者的体征信息，可以有多个。在一些示例中，这些智能设备41为可穿戴智能设备，例如手环、心率带或运动智能手表等，这些设备带有各种传感器，例如体动传感器、心率传感器、血氧传感器等，可对诸如体动、心率和血氧等信息进行监测，因而可以监控睡眠和日常活动。在另一些示例中，这些设备可为非穿戴智能设备，例如智能床垫、智能枕头、智能床带、智能别扣等。这种单独仅为监测睡眠设计的智能硬件产品一般都会内置高灵敏度传感器，记录用户的睡眠信息，例如睡眠质量(体动)、心率、呼吸频率和打鼾情况等。

下面详述本公开所涉及的基于多中心研究的单病种筛查系统1的工作原理。参见图5，图5是示出了本公开的示例所涉及的基于多中心研究的单病种筛查系统的应用流程图，例如脑卒中筛查，包括：患者问诊、病史调查和体征测量(步骤S101)，单病种筛查评估(步骤S102)，患者检查确认(步骤S103)，识别模型验证调优(步骤S104)。以下结合附图1-图5对各步骤进行详细说明。

在步骤S101中，患者通过患者终端40，打开相应的手机APP，通过移动网络连接到单病种筛查平台20，开始问诊，问诊的内容如表3所示。

在一些示例中，问诊的内容可以是与脑卒中有关的症状，例如头痛次数等。但本公开不限于此，问诊的内容也可以包括头痛发作持续时间、头痛频率、头痛部位、头痛程度、头痛性质(例如脉搏性头痛、闷胀性头痛、或针刺性头痛等)、伴随症状(例如恶心、畏光、鼻充血或流涕等)等项目。

患者终端40的APP通过手机蓝牙利用患者佩戴的手环采集当前患者的呼吸频率、心率、血氧及一段时间的睡眠等参数，并发送给单病种筛查平台20。

在步骤S102中，单病种筛查平台20对问诊信息、病史记录及采集的体征信息利用云处理平台10上传的识别模型进行评估，该识别模型包括历史问诊的信息。给出评估结果，结果提示为高风险，根据预定规则，需要医生通过医生终端30对评估结果进行质控，即人工复检，医生复检后同意该评估结果，单病种筛查平台20将评估结果发送给患者终端40。

在步骤S103中，患者通过患者终端40获知筛查评估结果，按照进一步检查的指示到医院有关科室进行物理学检查，检查结果显示为RLS阳性或阴性，该结果通过医院网络，例如医院信息系统(Hospital Information System：HIS)，传送到医生终端30上，医生将该确诊结果上传到单病种筛查平台20上进行识别模型的灵敏度和特异性验证判断，确定可以上传到云处理平台10上。

在步骤S104中，云处理平台10可以对其进行分类审核，人工智能专家为该阳性样本配备对应数量的正常组，对识别模型进行训练，获得更新的识别模型，并将该更新后的识别模型发送给单病种筛查平台20。

本公开所涉及的单病种筛查系统以医学多中心研究为基础，将多中心研究的数据电子化、结构化，打破了医疗信息的信息孤岛现象，建立了基于多中心研究的患者全面检查信息的大数据。通过将多中心研究形成的成果进行数据挖掘和人工智能训练形成基于单病种筛查的云服务，为广大人民群众提供基于问诊、病史、历史生命体征记录的智能疾病筛查和防治建议，并通过疾病状况监控、高风险病症预警、检查方案和检查指引服务，解决了人民群众急乱投医的窘迫，降低了医生在疾病诊治中的风险。

虽然以上结合附图和示例对本公开进行了具体说明，但是可以理解，上述说明不以任何形式限制本公开。本领域技术人员在不偏离本公开的实质精神和范围的情况下可以根据需要对本公开进行变形和变化，这些变形和变化均落入本公开的范围内。