基于C肽分层及脏器功能的2型糖尿病人工智能诊疗管理系统的制作方法

基于c肽分层及脏器功能的2型糖尿病人工智能诊疗管理系统
技术领域
1.本发明涉及人工智能医疗技术领域，具体说是一种糖尿病及并发症的人工智能诊疗及智能管理系统。


背景技术：

2.根据四次全国流调数据显示中国成人糖尿病患病率呈上升趋，2010年9.7%、2013年11.6%、2017年10.9%、2020年12.8%，目前中国有1.298亿糖尿病患者。糖尿病呈现年轻化，特殊类型及其它类型糖尿病增长趋势。但人们的知晓率低，达标率低，治疗管理率低，糖尿病确诊时已有半数患者存在并发症，糖尿病会引起严重的大血管系统，肾脏、视网膜和神经系统并发症。糖尿病引起的并发症致医疗费用上升，产生沉重的经济和社会负担t2dm患者的主要特征是肥胖和胰岛素抵抗，但是胰岛β细胞的储备功能会随着糖尿病病程的延长逐渐下降。β细胞功能障碍与血糖不达标以及并发症的发生密切相关。由于β细胞功能障碍导致的血糖波动及血糖控制不佳会造成糖尿病并发症的发生风险增加。c肽与胰岛素等摩尔分泌，其半衰期更长，虽然c肽不直接影响血糖，但是在评估胰岛素的内源性分泌方面，它比直接检测胰岛素精确得多，是反应胰岛β细胞功能的可靠指标。目前的临床诊疗中，临床医生通常把c肽作为一个反映胰岛功能的指标。但是，作为一种具有内分泌功能的生物活性肽，c肽可以作为降糖药物选择的重要指标，以及糖尿病并发症的预测指标。经过10余年临床实践，按照空服c肽及峰值c肽分层治疗糖尿病达标率高，明显延缓或避免糖尿病慢性并发症，病人明显获益，有关研究已经发表在国外期刊上。
3.以往的诊治指南中，降糖药物的选择主要依据空腹血糖和hba1c，缺乏针对患者的个体化分层诊疗系统，药物的选择极大的依赖临床医生。为了促进糖尿病患者血糖达标，延缓并发症发生，减轻患者及社会的经济负担，提高基层医疗诊疗水平，本系统提供了一个个体化、规范的诊疗决策方案体系。
4.糖尿病患者对疾病缺乏认识，没有意识到糖尿病的危害，治疗依从性差，复诊率低，自我管理差，没有掌握合理饮食及运动。
5.社区医院缺乏糖尿病综合管理团队，初诊断糖尿病患者治疗欠规范，糖尿病并发症的筛查率低，风险点管控不到位，错失了逆转机会。
6.三甲医院初诊断糖尿病少，大量高风险的糖尿病患者控制不佳，治疗糖尿病各种并发症逆转困难。


技术实现要素：

7.本发明的目的是针对现有技术中的不足，采用c肽分层及脏器功能利用机器学习与医疗数据来预测糖尿病患者的身体机能状况，为医生提供智能治疗方案，合作的三甲医院和社区医院患者转诊及随访。
8.为达到上述目的，本发明采取的技术方案是：一种基于c肽分层及脏器功能的2型糖尿病人工智能诊疗管理系统，包括数据采
集、辅助诊断、辅助治疗、审核管理、预警系统、转诊、随访部分。
9.其中，数据采集模块，按照纳入标准和排除标准从医院病例数据库获取糖尿病患者的电子病例数据，包括患者基本信息，患者病例，诊疗数据，医学影像，检查报告等信息，得到样本数据。
10.数据标准化预处理，对样本数据中非数值型数据进行赋值换算，指定非数值型数据转换规则，并按照转换规则进行赋值换算，对样本数据中数值型数据进行异常值处理，得到标准化样本数据。
[0011]“模型 数据”的糖尿病及并发症人工智能诊疗。基于最新的医学知识，临床研究和科研成果打造糖尿病知识库。
[0012]
基于ai技术和adaboost迭代算法的人工智能诊疗系统模型。其核心思想是针对同一个训练集训练不同的分类器(弱分类器)，然后把这些弱分类器集合起来，构成一个更强的最终分类器 (强分类器)。其算法本身是通过改变数据分布来实现的，它根据每次训练集之中每个样本的分类是否正确，以及上次的总体分类的准确率，来确定每个样本的权值。将修改过权值的新数据集送给下层分类器进行训练，最后将每次训练得到的分类器最后融合起来，作为最后的决策分类器。使用adaboost分类器可以排 除一些不必要的训练数据特徵，并将关键放在关键的训练数据上面。
[0013]
该算法其实是一个弱分类算法提升过程，这个过程通过不断的训练，可以提高对数据的分类能力。整个过程如下所示：（1） 先通过对c肽数据样本的学习得到第一个弱分类器 ；（2） 将样本和其他的新数据一起构成一个新的n个的训练样本，通过对这个样本的学习得到第二个弱分类器 ；（3）将样本加上其他的新样本构成另一个新的n个的训练样本，通过对这个样本的学习得到第三个弱分类器 ；（4） 最终经过提升的强分类器 。即某个数据被分为哪一类要通过。
[0014]
adaboost算法流程具体如下：给定一个训练数据集t={(x1,y1), (x2,y2)
…
(xn,yn)}，其中实例，而实例空间，yi属于标记集合{
‑
1, 1}，adaboost的目的就是从训练数据中学习一系列弱分类器或基本分类器，然后将这些弱分类器组合成一个强分类器。
[0015]
adaboost的算法流程如下：步骤1. 首先，初始化训练数据的权值分布。每一个训练样本最开始时都被赋予相同的权值：1/n。
[0016]
步骤2. 进行多轮迭代，用m = 1,2, ..., m表示迭代的第多少轮使用具有权值分布dm的训练数据集学习，得到基本分类器（选取让误差率最低的阈值来设计基本分类器）：b. 计算gm(x)在训练数据集上的分类误差率
由上述式子可知，gm(x)在训练数据集上的 误差率em就是被gm(x)误分类样本的权值之和。
[0017]
c. 计算gm(x)的系数，am表示gm(x)在最终分类器中的重要程度（目的：得到基本分类器在最终分类器中所占的权重。注：这个公式写成am=1/2ln((1
‑
em)/em) 更准确，因为底数是自然对数e，故用in，写成log容易让人误以为底数是2或别的底数，下同）：由上述式子可知，em <= 1/2时，am >= 0，且am随着em的减小而增大，意味着分类误差率越小的基本分类器在最终分类器中的作用越大。
[0018]
d. 更新训练数据集的权值分布（目的：得到样本的新的权值分布），用于下一轮迭代代使得被基本分类器gm(x)误分类样本的权值增大，而被正确分类样本的权值减小。就这样，通过这样的方式，adaboost方法能“重点关注”或“聚焦于”那些较难分的样本上。
[0019]
其中，zm是规范化因子，使得dm 1成为一个概率分布：步骤3. 组合各个弱分类器从而得到最终分类器，如下：辅助诊断,结合临床经验以及横断面研究的结果，首先根据空腹c肽和c2/c0水平进行分层。分层依据为：c肽<1 ng/ml，1 ≤c肽<2 ng/ml，2 ≤ c肽< 3 ng/ml，c肽≥ 3ng/ml；c2/c0<1，1 ≤c2/c0<2，2 ≤c2/c0<3，c2/c0≥3。结合患者检查及化验指标，分为：1.无并发症，2.心血管并发症，3.肾脏并发症，4.糖尿病周围神经病变，5.合并肥胖或脂肪肝，6.合并痛风，7.合并胃、十二指肠溃疡，8.合并高脂血症。
[0020]
辅助治疗，建立药品数据库。依据c肽数据样本分层数据，推算出首选治疗方案、可选治疗方案以及慎用方案等信息给出用药方案。如c肽＜1ng/ml首选长效胰岛素、速效胰岛素、二甲双胍、dpp
‑
4抑制剂、sglt
‑
2抑制剂；可选：α
‑
葡萄糖苷酶抑制剂、glp
‑
1激动剂、噻唑
烷二酮类；慎用：格列奈类、磺脲类。
[0021]
预警系统：定期监控患者各项指标，当某项指标超出常规范围，对患者和医师进行通知和预警。
[0022]
1）初次发现血糖空腹血糖>7mmol/l或随机血糖>11.1mmol/l,以及年龄<25 岁。
[0023]
2）妊娠和哺乳期妇女血糖异常者。
[0024]
3）随机血糖≥ 16.7mmol／l，hba1c>9%。
[0025]
4）尿常规：酮体（ ）；尿蛋白（ ）。
[0026]
5）新出现的心血管并发症（心内科）、肾脏并发症（尿微量白蛋白/肌酐>30mg/g或egfr<60ml
·
min
‑1·
（1.73m2）
‑
1)或出现谷丙转氨酶>120u/l,谷草转氨酶>120u/l（消化内科），并建议患者心内科，消化内科专科就诊。
[0027]
6）出现空腹血糖 <3.9mmol/l两次以上，或一次严重低血糖（出现意识及行为重度损害，伴或不伴血糖 <3.9mmol/l，需要他人帮助以补充碳水化合物、胰高血糖素或采取其它帮助恢复的措施）。
[0028]
7）连续两次随访不达标。
[0029]
8）当患者egfr<60ml
·
min
‑1·
（1.73m2）
‑
1时，随访egfr较前一次下降（肾内科）；谷丙转氨酶>120u/l,谷草转氨酶>120u/l谷丙转氨酶/谷草转氨酶较前升高（消化内科），提醒患者肾内科或消化内科就诊。
[0030]
9）egfr<15ml
·
min
‑1·
（1.73m2）
‑
1,立即肾内科专科就诊。
[0031]
10）患者报告严重降糖药物不良反应难以处理者。
[0032]
11）出现其他疾病时，需医师指导专科就诊。
[0033]
12）基层医疗卫生机构人员判定认为需要转诊至上级医院的患者。
[0034]
13）患者平静状态或活动后出现胸闷、憋气，胸前区疼痛，平地行走小于200米或爬1层楼即出现上述症状者；或出现呼吸困难，伴或不伴咳嗽、咳痰和咯血，体力下降，乏力等。需立刻急诊内科或心内科就诊，完善心电图等检查。
[0035]
14）患者出现头晕，耳鸣，饮水呛咳，肢体活动不灵，口角歪斜，言语不清或晕厥等，需立刻急诊神经内科就诊。
[0036]
15）患者体温超过37.3℃，伴或不伴咳嗽、咳痰（呼吸内科）；尿频、尿急、尿痛（肾内科）；腹痛、腹泻等（感染科），需专科就诊，完善血常规、分泌物培养等检查，必要时抗生素治疗。
[0037]
16）患者出现视力下降，视物模糊，视野缺损，眼部疼痛等需眼科门诊就诊。
[0038]
17）患者足趾疼痛、红肿、活动受限，需内分泌科专科门诊就诊。
[0039]
18）患者出现间歇性跛行，活动后下肢疼痛、麻木，或足趾下肢皮肤破溃，需尽快内分泌科专科门诊就诊。
[0040]
审核模块，医生复核人工诊疗系统方案，修改方案，下达医嘱，需电子签。
[0041]
转诊，基层医疗卫生机构： 新诊断糖尿病患者，发现血糖异常，病因和分型不明确，小于25岁及妊娠、哺乳期血糖异常，急性并发症或严重慢性并发症，反复低血糖或一次严重低血糖后，慢性并发症的筛查和治疗有困难，规范治疗后血糖、血压、血脂控制不达标，血糖波动大或调整胰岛素有困难转入上级医院，患者诊断明确，确定治疗方案，急、慢性并
发症治疗稳定后，调整治疗方案，血糖、血压、血脂控制达标转回基层医疗卫生机构。
[0042]
随访，医生可通过随访系统调取电子病例系统息息，生成随访队列，设定随访时间，通过短信或微信小程序向患者发送随访提醒，每月随访监测血糖情况，3月后血糖仍不达标启动新的治疗方案。治疗后定期进行随访监测，建议糖尿病患者每年进行查体，在5年及10年进行并发症筛查，做到早期发现，早期干预。
[0043]
健康管理，根据患者糖尿病分层及并发症信息，进行个体化健康教育。有针对性的推送科普知识，饮食知识，运动知识。提高患者疾病意识及依从性，延缓并发症的进展。
[0044]
该发明的有益效果：本发明能针对现有技术中的不足，采用c肽分层及脏器功能利用机器学习与医疗数据来预测糖尿病患者的身体机能状况，为医生提供智能治疗方案，合作的三甲医院和社区医院患者转诊及随访，数据采取方便，流程处理快捷，大幅度地改善患者诊疗管理效果。本发明基于c肽分层及脏器功能的2型糖尿病（type 2 diabetes mellitus，t2dm）人工智能的诊疗管理系统平台，为糖尿病患者提供人工智能诊疗方案、用药方案及其饮食和运动管理体系，协助三甲医院及社区医院的医师对t2dm病患者精准治疗及患者长期随访，提高t2dm患者血糖、血脂、血压长期达标。该系统包括数据采集模块，人工诊疗模型（糖尿病及并发症的筛查方法、模型），用药模型，预警系统，审核模块，随访模块，转诊模块及健康管理模块。本系统创新点是以胰岛c肽基础分泌功能和峰值分泌功能以及脏器功能为指导的t2dm患者分层治疗新策略，通过采集患者糖尿病及并发症相关指标数据，人工诊疗模型接受相关参数并分析，制定综合治疗方案及用药方案，提供生活方式指导，定期推送就诊提醒以及糖尿病患者教育科普，提高患者的对糖尿病的认识以及治疗的依从性，早期保护胰岛功能及脏器功能，预防糖尿病慢性并发症的发生与发展，提高患者生存质量。
附图说明
[0045]
图 1 为c肽与血糖达标率，糖尿病并发症及脂肪肝（校正性别、年龄、病程、bmi）数据分析图。
[0046]
图 2为依据c肽分组时，c2/c0比与血糖达标率，糖尿病并发症及脂肪肝（校正性别、年龄、病程、bmi）数据分析图。
[0047]
图3为本系统模块框图。
[0048]
图4为本系统人工智能adaboost算法流程示意图。
[0049]
图5为本系统随访流程示意图。
[0050]
图6为本系统功能和网络安全模块框图。
具体实施方式
[0051]
为了更好的理解和实施，下面将结合本发明实施例中的附图，对技术方案进行清楚、完整的描述，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他实施例，都属于本发明保护的范围。
实施例
[0052]
本实施例系统整体采用前后端分离和微服务的架构，前端通过vue实现，后端基于spring cloud构建的微服务，为前端提供服务数据。
[0053]
本实施例系统包含云服务器、数据库、医疗管理端、患者端和数据采集终端。
[0054]
本实施例系统数据采集，通过开放接口对接医院his系统，收集内科糖尿病患者信息，包括患者基本信息，患者病例，诊疗数据，医学影像，检查报告。数据收集策略：患者数据按照日期每天上午8：00抓取一次上日新增，患者病情相关数据医生做患者诊疗时单次单个抓取。
[0055]
患者端，通过微信小程序或短信接收随访提醒，查看健康管理栏目里的科普知识，饮食知识和运动知识。患者id与医院his系统分发的id相同，病例记录亦与his同步数据库，采用mysql数据库，建立患者基本信息库，包含患者的个人档案、病例记录和就诊记录。药品数据库，以药品分类及功用建立药品检索数据库，医疗管理端，建立多级权限账号，医生通过账号登录平台，对患者进行管理。
[0056]
患者列表：1，列表展示项：姓名、性别、身份证号、出生日期、年龄、单位、地址、电话及联系人电话、随访状态、就诊列表（可点击进入）、随访列表（可点击进入）。2.患者进行分组以方便管理（如今日随诊用户，本单元病人）。2，检索功能：患者姓名（患者身份证号）快速查找。3，新患者录入功能，在本页面添加【添加患者】按钮，点击可添加患者。
[0057]
患者个人详情：1，列表展示项：姓名、性别、出生日期、就诊时间、就诊医院、就诊科室、就诊医生、诊断、就诊卡号、病人类型，诊断信息（化验指标，检查，会诊，入院记录，病例，药物过敏等）2，排序：就诊时间倒序。
[0058]
诊疗方案详情：1，点击【添加/编辑治疗方案】可添加或编辑用药方案，可添加或修改药品的种类、单次剂量、单次剂量单位、频次、用法、数量、数量单位、是否皮试、皮试结果、备注等。2，提交需审核，审核后发送给患者已随访，未提交治疗方案：1，展示项：性别，年龄，主诉，收缩压，舒张压， bmi，腰围，臀围，空腹血糖，120分钟血糖，hba1c，空腹c肽，120分钟c肽，空腹胰岛素，尿微量白蛋白/肌酐，患者目前合并的并发症。2，若患者为随访患者，展示原治疗方案。3，患者本次随访是否达标，如果不达标，需特殊标注。4，患者是否出现新的并发症，如果有是什么，需特殊标注。5，可点击按钮：【添加/编辑治疗方案】按钮
‑
患者本次治疗方案，提交需审核，审核后发送给患者，审核采用电子签。6，药物过敏史或不良反应记录需展示，医师可输入患者过敏或出现不良反应的药物，此患者所有治疗方案均需剔除该药物。需要根据各个检查项预警的计算公式设置提醒。
[0059]
随访列表：1，列表展示项：姓名、性别、出生日期、诊断、主诉、随访时间、随访项目、随访状态、随访详情（可点击进入）2，添加或修改随访日期健康管理：采用多标签分类，对患者进行分类，未患者提供量身定做般的健康知识推送 表 1 根据c肽分组的患者的一般情况 q1（n=346）q2（n=347）q3（n=341）q4（n=343）p值性别（女性）48.00R.20F.30G.80%0.457年龄（岁）63.65
±
9.50965.15
±
9.62464.09
±
10.15864.98
±
10.5630.151糖尿病病程（年）16.42
±
6.94215.90
±
6.43514.07
±
6.40313.59
±
6.331<0.05bmi（kg/m2）24.74
±
2.99025.53
±
3.01425.98
±
3.38827.31
±
3.973<0.05收缩压（mmhg）142.54
±
22.091141.29
±
17.676141.21
±
19.226143.20
±
21.9160.499
舒张压（mmhg）76.75
±
11.60676.63
±
10.96978.01
±
11.10479.18
±
12.011<0.05吸烟史（%）29.00#.50(.50(.90%0.293饮酒史（%）26.90%.10&.60).90%0.573空腹血糖（mmol/l）6.09
±
2.6527.13
±
2.6347.53
±
2.4648.08
±
2.921<0.05hba1c（%）8.74
±
1.9108.37
±
1.7578.13
±
1.7288.10
±
1.554<0.05空腹胰岛素（mu/l）5.70
±
11.78510.71
±
25.40411.73
±
16.48521.76
±
49.524<0.05c2/c02.71
±
2.1332.01
±
1.0721.93
±
0.9031.56
±
0.707<0.05homa
‑
ir2.08
±
0.3692.72
±
0.4773.37
±
0.6434.98
±
2.050<0.05甘油三酯（mmol/l）1.29
±
1.1821.65
±
1.5961.90
±
1.6272.53
±
2.180<0.05总胆固醇（mmol/l）4.70
±
1.4224.55
±
1.3464.50
±
1.3454.49
±
1.2420.163ldl
‑
c（mmol/l）2.74
±
1.1412.69
±
1.0902.67
±
1.0212.66
±
0.9510.73hdl
‑
c（mmol/l）1.35
±
0.3421.26
±
0.3231.20
±
0.2961.11
±
0.245<0.05尿微量白蛋白/肌酐（mg/g）123.06
±
317.40070.77
±
173.12693.07
±
264.876108.95
±
229.4650.092egfr（ml
·
min
‑1·
（1.73m2）
‑1）116.51
±
36.412119.79
±
37.228118.34
±
33.649100.34
±
40.925<0.05糖尿病并发症
ꢀꢀꢀꢀꢀ
糖尿病肾病（%）34.40'.40!.706.80%<0.05糖尿病视网膜病变（%）47.40D.505.808.50%<0.05糖尿病合并症
ꢀꢀꢀꢀꢀ
脂肪肝（%）13.50".40&.606.40%<0.05脑梗死（%）8.70.00%8.50%9.40%0.677药物使用情况
ꢀꢀꢀꢀꢀ
二甲双胍（%）56.50h.60u.70t.80%<0.05α葡萄糖苷酶抑制剂（%）69.70r.40e.10r.40%0.125促泌剂（%）3.50.30.50.80%<0.05噻唑烷二酮类（%）12.60.30!.90'.30%<0.05dpp
‑
4i（%）55.90X.70R.70W.00%0.442glp
‑
1ra（%）2.70%4.90%7.40.90%<0.05胰岛素（%）95.60�.80`.40R.10%<0.05他汀类（%）79.70�.50�.70y.70%0.493acei/arb（%）41.80B.70I.40S.20%<0.05血糖达标率（%）19.20#.30).50$.20%<0.05 表1为根据c肽分组的患者的一般情况数据列表，图1为c肽与血糖达标率，糖尿病并发症及脂肪肝（校正性别、年龄、病程、bmi）数据示意图。该图中调整了年龄、性别、糖尿病病程、bmi后，与q1组相比，当空腹c肽≥1.71 ng/ml，随着c肽的增加，血糖不达标的风险降低。只有当1.71 ≤ 空腹c肽< 2.51 ng/ml时，随着空腹c肽的增加，dkd和dr的发生风险降低。在q2，q3，q4组中，随着空腹c肽的增加，脂肪肝的发生风险也增加。图 2为依据c肽分组时，c2/c0比与血糖达标率，糖尿病并发症及脂肪肝（校正性别、年龄、病程、bmi）数据示意图，进一步分析四组中c2/c0与血糖达标率、糖尿病肾病、糖尿病视网膜病变、脂肪肝的关系。随着c2/c0增加，血糖不达标的风险降低。在q2和q3组中，随着c2/c0增加，dkd的发生风险降低，但是在q1、q4组中没有观察到这种关系。此外，dr和脂肪肝与c2/c0之间没有观察到显著的关系。图3为本系统模块框图。图4为本系统人工智能adaboost算法流程示意图。图5为本系统随访流程示意图。图6为本系统功能和网络安全模块框图。