一种用于人工智能麻醉的决策确定方法及系统与流程

1.本发明涉及智能麻醉技术领域，特别涉及一种用于人工智能麻醉的决策确定方法及系统。


背景技术：

2.目前，由于在做手术中，几乎都会需要对患者进行麻醉，通过麻醉可以减轻患者的疼痛，医生在进行麻醉时，通常需要对患者的身体状况以及对麻醉的过敏等进行了解，从而对患者实行麻醉；
3.然而，现如今对麻醉方案的决策通常时根据医生的经验以及患者的症状人为制定麻醉方案，使得麻醉决策方案不能达到很客观的标准，因此，麻醉失误率以及麻醉的风险都很高，因此，为了提高麻醉决策方案的客观性以及增加对患者进行麻醉的安全性、准确性以及智能性，本发明提供了一种用于人工智能麻醉的决策确定方法及系统。


技术实现要素：

4.本发明提供一种用于人工智能麻醉的决策确定方法及系统，用以通过确定目标患者的患者身份标识，从而有利于在预设病例数据库中对目标患者的患者病例进行调取，从而很好的掌握患者的身体状况特征，进而确定对目标患者的麻醉决策方案，该方法不仅极大的提高了对患者进行麻醉的安全性、准确性以及智能性，而且提高了麻醉决策方案生成的客观性。
5.一种用于人工智能麻醉的决策确定方法，包括：
6.步骤1：获取目标患者的患者身份标识，并基于所述患者身份标识在预设病例数据库中对所述目标患者的患者病例进行调取；
7.步骤2：对所述患者病例进行读取，确定所述目标患者的病理信息，并基于所述病理信息确定所述目标患者当前的身体状况特征；
8.步骤3：对所述身体状况特征在决策终端中进行智能分析，并基于分析结果确定麻醉决策方案。
9.优选的，一种用于人工智能麻醉的决策方法，步骤1中，基于所述患者身份标识在预设病例数据库中对所述目标患者的病例进行调取的具体工作过程，包括：
10.读取所述患者身份标识，并基于所述患者身份标识在所述预设病例数据库中建立数据撷取关系；
11.基于所述数据撷取关系，在所述预设病例数据库中确定与所述患者身份标识相关的目标病例数据；
12.将所述目标病例数据进行打包，获取病例数据包，同时，基于所述患者身份标识为所述病例数据包添加目标标签；
13.基于所述目标标签，将所述病例数据包生成患者病例文件，并根据预设指令将所述患者病例文件进行调取。
14.优选的，一种用于人工智能麻醉的决策方法，步骤2中，对所述患者病例进行读取，确定所述目标患者的病理信息的具体工作过程，包括：
15.获取所述患者病例的页面信息，并基于所述患者病例的页面信息确定所述患者病例的病例关键词，其中，所述病例关键词包括：时间关键词、身体参数关键词；
16.基于所述时间关键词确定所述目标患者的就诊时间点，其中，所述就诊时间点等于或大于1，并基于所述身体参数关键词确定所述目标患者的体征检查数据；
17.基于所述时间关键词，读取所述目标患者的就诊时间点对应的所述目标患者的子体征检查数据；
18.同时，对所述子体征检查数据进行数据分析，得到所述目标患者对应的就诊时间下的子体征质量指标；
19.分别对所述子体征质量指标进行综合确定所述目标患者的当前病理信息。
20.优选的，一种用于人工智能麻醉的决策方法，分别对所述子体征质量指标进行综合确定所述目标患者的当前病理信息后，还包括：
21.将所述就诊时间点作为横坐标，并将所述子体征质量指标作为纵坐标建立身体质量坐标系，并进行数据记录；
22.基于所述身体质量坐标系，在所述就诊时间点上确定当前就诊时间点对应的子体征质量指标数值以及上一就诊时间点对应的子体征质量指标数值；
23.计算当前就诊时间点对应的子体征质量指标数值与上一就诊时间点对应的子体征质量指标数值的指标变化率；
24.根据所述指标变化率确定所述目标患者当前的相对身体状况。
25.优选的，一种用于人工智能麻醉的决策方法，步骤3中，确定麻醉决策方案后，还包括：
26.将所述身体状况特征对应的数据输入至所述预设终端中，并基于所述麻醉决策方案在预设智能终端进行预演，并在预演过程中实时记录麻醉测试数据；
27.读取所述麻醉测试数据，并将所述麻醉测试数据输入至方案评估模型中进行方案评估，并输出评估结果；
28.基于所述评估结果确定麻醉评估分值，并将所述麻醉决策方案的评估分值与预设分值进行比较，判断所述麻醉决策方案是否合格；
29.当所述麻醉方案的麻醉评估分值等于或大于所述预设分值时，则判定所述麻醉决策方案合格；
30.否则，则判定所述麻醉决策方案不合格。
31.优选的，一种用于人工智能麻醉的决策方法，判断所述麻醉决策方案是否合格后，还包括：
32.当所述麻醉决策方案合格时，确定所述目标患者的身体状况特征，并将所述身体状况特征在预设神经网络中进行学习；
33.基于学习结果，将所述麻醉决策方案存储至麻醉决策方案数据库中进行存储；
34.当所述麻醉决策方案不合格时，确定所述预设分值与所述麻醉评估分值的目标差值，并对所述评估结果进行分析，获取分析结果；
35.基于所述目标差值与所述分析结果对所述麻醉决策方案进行调整，直至所述麻醉
决策方案合格。
36.优选的，一种用于人工智能麻醉的决策方法，步骤1中，获取目标患者的患者身份标识的具体工作过程，包括：
37.获取所述目标患者的患者名称以及所述目标患者的就诊类型，并基于所述患者名称以及就诊类型生成身份读取指令；
38.获取目标医护人员的工作编号，并根据所述医护人员的工作编号确定所述医护人员的工作类型；
39.判断所述医护人员的工作类型与所述目标患者的就诊类型是否一致，并基于判断结果确定所述目标医护人员是否有权限调动所述身份读取指令；
40.当所述医护人员的工作类型与所述目标患者的就诊类型不一致时，所述目标医护人员没有权限调动所述身份读取指令；
41.当所述医护人员的工作类型与所述目标患者的就诊类型一致时，则所述目标医护人员有权限调动所述身份读取指令，同时，基于所述身份读取指令获取所述目标患者的身份信息；
42.根据所述身份信息并结合所述目标患者的就诊时间，生成目标患者的就诊编号，其中，所述目标患者的就诊编号即为所述目标患者的患者身份标识。
43.优选的，一种用于人工智能麻醉的决策方法，步骤2中，基于所述病理信息确定所述目标患者当前的身体状况特征的具体工作过程，包括：
44.获取n个历史病理信息，其中，所述n个历史病理信息包含n个患者的病理信息；
45.对所述n个历史病理信息进行读取，确定所述n个历史病理信息对应的n个病理特征；
46.基于所述n个病理特征确定m个病理类别，并基于所述m个病理类别将所述n个历史病理信息进行分类，确定子历史病理信息，其中，m小于或等于n；
47.分别确定所述m个病理类别中子历史病理信息的总个数，并将所述总个数进行比较，确定m个病理类别中子历史病理信息的最小总个数，并将所述最小总个数作为基准个数；
48.将剩余m-1个病理类别中子历史病理信息的总个数根据所述基准个数做统一化处理，其中，所述基准个数为k个，且k小于或等于n；
49.分别在同病理类别中的k个子历史病理信息中，随机提取a个子历史病理信息作为训练集对身体状况评估模型进行训练，并基于训练结果生成身体状况评估模型；
50.分别提取同病理类别中剩余k-a个子历史病理信息作为校验集对所述身体状况评估模型进行准确性校验，并根据校验结果确定所述身体状况评估模型的评估准确率；
51.将所述评估准确率与预设准确率进行比较，判断所述身体状况评估模型是否校验合格；
52.当所述评估准确率等于或大于所述预设准确率时，则判定所述身体状况评估模型校验合格；
53.否则，则判定所述身体状况评估模型校验不合格，同时，基于所述训练集对所述身体状况评估模型重新进行训练，直至所述身体状况评估模型校验合格；
54.将所述目标患者的病理信息输入至合格的身体状况评估模型进行评估，并根据输
出结果，确定所述目标患者当前的身体状况特征。
55.优选的，一种用于人工智能麻醉的决策方法，步骤3中，对所述身体状况特征在决策终端中进行智能分析，并基于分析结果确定麻醉决策方法的具体工作过程，包括：
56.将所述身体状况特征输入至所述决策终端中，并在所述决策终端中对所述目标患者当前的身体状况特征进行分析；
57.基于对当前的身体状况特征的分析结果确定对所述目标患者的手术流程，同时，基于所述决策终端确定对所述目标患者的手术流程的难度等级；
58.根据预设算法确定在所述目标患者的手术流程中目标患者对麻醉时的伤害指数与意识指数；
59.基于对所述目标患者的伤害指数与所述意识指数，确定所述目标患者对麻药的抑制程度；
60.基于所述目标患者对麻药的抑制程度以及所述手术流程的难度等级在所述智能终端中生成所述麻醉决策方案。
61.一种用于人工智能麻醉的决策确定系统，包括：
62.病例调取模块，用于获取目标患者的患者身份标识，并基于所述患者身份标识在预设病例数据库中对所述目标患者的患者病例进行调取；
63.身体状况特征获取模块，用于对所述患者病例进行读取，确定所述目标患者的病理信息，并基于所述病理信息确定所述目标患者当前的身体状况特征；
64.麻醉决策方案生成模块，用于对所述身体状况特征在决策终端中进行智能分析，并基于分析结果确定麻醉决策方案。
65.本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
66.下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
67.附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
68.图1为本发明实施例中一种用于人工智能麻醉的决策确定方流程图；
69.图2为本发明实施例中一种用于人工智能麻醉的决策确定方法中步骤1的流程图；
70.图3为本发明实施例中一种用于人工智能麻醉的决策确定系统结构图。
具体实施方式
71.以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
72.实施例1：
73.本实施例提供了一种用于人工智能麻醉的决策确定方法，如图1所示，包括：
74.步骤1：获取目标患者的患者身份标识，并基于所述患者身份标识在预设病例数据库中对所述目标患者的患者病例进行调取；
75.步骤2：对所述患者病例进行读取，确定所述目标患者的病理信息，并基于所述病理信息确定所述目标患者当前的身体状况特征；
76.步骤3：对所述身体状况特征在决策终端中进行智能分析，并基于分析结果确定麻醉决策方案。
77.该实施例中，患者身份标识可以是目标患者的就诊编号。
78.该实施例中，预设病例数据库可以是提前设定好的，存有医院全部患者的病理信息。
79.该实施例中，病理信息包括目标患者的病情状况以及过敏病史等。
80.该实施例中，身体状况特征可以目标患者当前的体能、精神状况等。
81.该实施例中，麻醉决策方案例如可以是麻醉的剂量、麻醉时长，注入麻药时的速度等。
82.上述技术方案的有益效果是：通过确定目标患者的患者身份标识，从而有利于在预设病例数据库中对目标患者的患者病例进行调取，从而很好的掌握患者的身体状况特征，进而确定对目标患者的麻醉决策方案，该方法不仅极大的提高了对患者进行麻醉的安全性、准确性以及智能性，而且提高了麻醉决策方案生成的客观性。
83.实施例2：
84.在实施例1的基础上，本实施例提供了一种用于人工智能麻醉的决策方法，如图2所述，步骤1中，基于所述患者身份标识在预设病例数据库中对所述目标患者的病例进行调取的具体工作过程，包括：
85.s101：读取所述患者身份标识，并基于所述患者身份标识在所述预设病例数据库中建立数据撷取关系；
86.s102：基于所述数据撷取关系，在所述预设病例数据库中确定与所述患者身份标识相关的目标病例数据；
87.s103：将所述目标病例数据进行打包，获取病例数据包，同时，基于所述患者身份标识为所述病例数据包添加目标标签；
88.s104：基于所述目标标签，将所述病例数据包生成患者病例文件，并根据预设指令将所述患者病例文件进行调取。
89.该实施例中，数据撷取关系例如可以是根据患者身份标识在预设病例数据库中进行数据撷取的关系。
90.该实施例中，目标病例数据可以是基于数据撷取关系，在预设病例数据库中与患者身份标识相匹配的数据。
91.该实施例中，目标标签可以是为了区分打包好的病例数据包而设定的，是基于患者身份标识添加的。
92.该实施例中，预设指令可以是为了将病例文件在预设病例数据库中进行调取而设定的。
93.上述技术方案的有益效果是：通过患者身份标识与预设病例数据库中建立数据撷取关系，从而有利于准确将目标患者的病例数据，进而实现对患者病例的精确提取。
94.实施例3：
95.在实施例1的基础上，本实施例提供了一种人工智能麻醉的决策确定方法，步骤2
中，对所述患者病例进行读取，确定所述目标患者的病理信息的具体工作过程，包括：
96.获取所述患者病例的页面信息，并基于所述患者病例的页面信息确定所述患者病例的病例关键词，其中，所述病例关键词包括：时间关键词、身体参数关键词；
97.基于所述时间关键词确定所述目标患者的就诊时间点，其中，所述就诊时间点等于或大于1，并基于所述身体参数关键词确定所述目标患者的体征检查数据；
98.基于所述时间关键词，读取所述目标患者的就诊时间点对应的所述目标患者的子体征检查数据；
99.同时，对所述子体征检查数据进行数据分析，得到所述目标患者对应的就诊时间下的子体征质量指标；
100.分别对所述子体征质量指标进行综合确定所述目标患者的当前病理信息。
101.该实施例中，病例关键词包括时间关键词，以及身体关键词，时间关键词可以是患者看病时间，每一次时间都会有记录，如第一次看病在2020年1月12日，第二次看病时间是在2021年3月17日等，身体关键词可以是在患者病例中记录患者体征参数的关键词，如血压、心率等。
102.该实施例中，子体征检查数据可以是基于患者在就诊时间点中所记录的患者的体征检查数据。
103.该实施例中，子体征质量指标可以是目标患者在就诊时间点时对对应的子体征检查数据进行分析后确定目标患者的体征质量指标，其中，子体征质量指标是反映在就诊时间点，目标患者的身体状况。
104.该实施例中，对子体征质量指标进行综合分析确定目标患者的当前病理信息。
105.上述技术方案的有益效果是：通过确定患者病例中的关键词，并基于关键词中的时间关键词与身体关键词可以很好的确定目标患者的体征检查数据，从而确定目标患者体征质量指标，进而分析得出目标患者的病理信息，通过精准确定目标患者的病理信息，有利于对麻醉方案的制定更加客观及合理。
106.实施例4：
107.在实施例3的基础上，本实施例提供了一种用于人工智能麻醉的决策方案，分别对所述子体征质量指标进行综合确定所述目标患者的当前病理信息后，还包括：
108.将所述就诊时间点作为横坐标，并将所述子体征质量指标作为纵坐标建立身体质量坐标系，并进行数据记录；
109.基于所述身体质量坐标系，在所述就诊时间点上确定当前就诊时间点对应的子体征质量指标数值以及上一就诊时间点对应的子体征质量指标数值；
110.计算当前就诊时间点对应的子体征质量指标数值与上一就诊时间点对应的子体征质量指标数值的指标变化率；
111.根据所述指标变化率确定所述目标患者当前的相对身体状况。
112.该实施例中，相对身体状况可以是基于当前就诊时间点时目标患者的身体状况对应与上一就诊时间点时目标患者的身体状况。
113.上述技术方案的有益效果是：基于当前就诊时间点对应的子体征质量指标数值与上一就诊时间点对应的子体征质量指标数值，确定指标变化率，从而确定目标患者当前的相对身体状况，从而提高了对目标患者的病理信息确定的客观性。
114.实施例5：
115.在实施例1的基础上，本实施例提供了一种用于人工智能麻醉的决策确定方法，步骤3中，确定麻醉决策方案后，还包括：
116.将所述身体状况特征对应的数据输入至所述预设终端中，并基于所述麻醉决策方案在预设智能终端进行预演，并在预演过程中实时记录麻醉测试数据；
117.读取所述麻醉测试数据，并将所述麻醉测试数据输入至方案评估模型中进行方案评估，并输出评估结果；
118.基于所述评估结果确定麻醉评估分值，并将所述麻醉决策方案的评估分值与预设分值进行比较，判断所述麻醉决策方案是否合格；
119.当所述麻醉方案的麻醉评估分值等于或大于所述预设分值时，则判定所述麻醉决策方案合格；
120.否则，则判定所述麻醉决策方案不合格。
121.该实施例中，麻醉测试数据可以是在麻醉预演过程中的麻醉深度、睡眠深度等数据。
122.该实施例中，方案评估模型可以是用来评估麻醉方案的是否合格的模型，通过将麻醉测试数据输入至方案评估模型中评估，从而确定评估分值。
123.该实施例中，麻醉结果包括：麻醉时长、清醒意识以及麻醉深度、睡眠深度等决定。
124.该实施例中，麻醉评估分值可以是针对麻醉结果确定麻醉方案麻醉的睡眠深度，麻醉深度以及苏醒时间等进行综合评估确定的麻醉评估分值。
125.该实施例中，预设分值可以是用来与评估分值进行比较衡量麻醉评估方案是否合格的数值。
126.该实施例中，基于所述评估结果确定麻醉评估分值，包括：
127.获取虚拟对象达到最佳麻醉状态时的麻醉剂量，并确定所述虚拟对象吸收麻药的速度；
128.基于所述虚拟对象最佳状态时的麻醉剂量以及所述虚拟对象吸收麻药的速度，计算对所述虚拟对象的麻醉效率；
[0129][0130]
其中，η表示所述虚拟对象的麻醉效率；ζ表示误差因子，取值范围为(0.01，0.02)；q表示对虚拟对象注入的总麻醉剂量；q表示所述虚拟对象抵抗麻药的剂量；q-q表示虚拟对象达到最佳麻醉状态时的麻醉剂量；v表示虚拟对象吸收麻药的速度；t表示虚拟对象达到最佳麻醉状态时的理想时间；
[0131]
基于所述麻醉测试数据，确定所述虚拟对象的麻醉深度指数以及睡眠深度指数，并基于所述麻醉深度指数、睡眠深度指数以及对所述虚拟对象的麻醉效率，计算所述麻醉方案的评估分值；
[0132][0133]
其中，f表示所述麻醉方案的评估分值；λ表示所述麻醉深度指数；δ1表示所述虚拟对象的麻醉深度频带，且取值为(0，30)；μ表示所述睡眠深度指数；δ2表示所述虚拟对象的
睡眠深度频带，且取值为(2，20)；
[0134]
上述，最佳麻醉状态可以是虚拟对象适合做手术时的麻醉状态。
[0135]
上述，麻醉深度指数可以是0-10的量化数值，其中，1-3为清醒状态；4-5为中度镇静；5-7为一般麻醉；7-10为深度麻醉。
[0136]
上述，睡眠深度指数可以是0-10的量化数值，其中，1-4为清醒状态，5-7为浅睡眠状态；7-10为深度睡眠。
[0137]
上述技术方案的有益效果是：通过将麻醉决策方案输入至预设智能终端中进行预演，并确定麻醉测试数据，进而实现对麻醉决策方案进行评估，确定麻醉决策方案是否合格，极大的提高了对患者进行麻醉的安全性、智能性。
[0138]
实施例6：
[0139]
在实施例5的基础上，本实施例提供了一种用于人工智能麻醉的决策确定方法，判断所述麻醉决策方案是否合格后，还包括：
[0140]
当所述麻醉决策方案合格时，确定所述目标患者的身体状况特征，并将所述身体状况特征在预设神经网络中进行学习；
[0141]
基于学习结果，将所述麻醉决策方案存储至麻醉决策方案数据库中进行存储；
[0142]
当所述麻醉决策方案不合格时，确定所述预设分值与所述麻醉评估分值的目标差值，并对所述评估结果进行分析，获取分析结果；
[0143]
基于所述目标差值与所述分析结果对所述麻醉决策方案进行调整，直至所述麻醉决策方案合格。
[0144]
该实施例中，麻醉决策方案数据库中存放的均为在预设神经网络中学习的麻醉决策方案合格的麻醉决策方案，为了提高对麻醉决策方案进行调取借鉴的效率。
[0145]
该实施例中，分析结果可以是基于对评估结果进行分析确定的，例如，当评估结果中麻醉深度为3，而需要的麻醉深度为5，因此，分析结果即为麻醉深度不够。
[0146]
上述技术方案的有益效果是：通过对合格的麻醉决策方案进行学习并存储，有利于提高对麻醉决策方案进行调取以及借鉴的效率，通过对不合格的麻醉决策方案基于分析结果与目标差值进行方案调整，使得麻醉决策方案更加合理，提高了对患者进行麻醉的安全性。
[0147]
实施例7：
[0148]
在实施例1的基础上，本实施例提供了一种用于人工智能麻醉的决策确定方法，步骤1中，获取目标患者的患者身份标识的具体工作过程，包括：
[0149]
获取所述目标患者的患者名称以及所述目标患者的就诊类型，并基于所述患者名称以及就诊类型生成身份读取指令；
[0150]
获取目标医护人员的工作编号，并根据所述医护人员的工作编号确定所述医护人员的工作类型；
[0151]
判断所述医护人员的工作类型与所述目标患者的就诊类型是否一致，并基于判断结果确定所述目标医护人员是否有权限调动所述身份读取指令；
[0152]
当所述医护人员的工作类型与所述目标患者的就诊类型不一致时，所述目标医护人员没有权限调动所述身份读取指令；
[0153]
当所述医护人员的工作类型与所述目标患者的就诊类型一致时，则所述目标医护
人员有权限调动所述身份读取指令，同时，基于所述身份读取指令获取所述目标患者的身份信息；
[0154]
根据所述身份信息并结合所述目标患者的就诊时间，生成目标患者的就诊编号，其中，所述目标患者的就诊编号即为所述目标患者的患者身份标识。
[0155]
该实施例中，目标患者的就诊类型例如可以是内分泌、牙科、骨科等。
[0156]
该实施例中，医护人员的工作编号可以是由医护人员的就业时间，工作等级以及工作类型生成的，因此，通过确定医护人员的工作编号即可以获取医护人员的工作类型。
[0157]
该实施例中，目标患者的身份信息可以是目标患者的年龄、社保信息、身份证号码等。
[0158]
上述技术方案的有益效果是：通过获取目标患者的就诊类型以及目标医护人员的工作类型，并进行匹配，从而有利于精准确定目标医护人员是否有权限调动身份读取指令，进而提高了对目标患者身份信息获取的安全性，有利于保障患者身份信息不被泄露。
[0159]
实施例8：
[0160]
在实施例1的基础上，本实施例提供了一种用于人工智能麻醉的决策确定方法，步骤2中，基于所述病理信息确定所述目标患者当前的身体状况特征的具体工作过程，包括：
[0161]
获取n个历史病理信息，其中，所述n个历史病理信息包含n个患者的病理信息；
[0162]
对所述n个历史病理信息进行读取，确定所述n个历史病理信息对应的n个病理特征；
[0163]
基于所述n个病理特征确定m个病理类别，并基于所述m个病理类别将所述n个历史病理信息进行分类，确定子历史病理信息，其中，m小于或等于n；
[0164]
分别确定所述m个病理类别中子历史病理信息的总个数，并将所述总个数进行比较，确定m个病理类别中子历史病理信息的最小总个数，并将所述最小总个数作为基准个数；
[0165]
将剩余m-1个病理类别中子历史病理信息的总个数根据所述基准个数做统一化处理，其中，所述基准个数为k个，且k小于或等于n；
[0166]
分别在同病理类别中的k个子历史病理信息中，随机提取a个子历史病理信息作为训练集对身体状况评估模型进行训练，并基于训练结果生成身体状况评估模型；
[0167]
分别提取同病理类别中剩余k-a个子历史病理信息作为校验集对所述身体状况评估模型进行准确性校验，并根据校验结果确定所述身体状况评估模型的评估准确率；
[0168]
将所述评估准确率与预设准确率进行比较，判断所述身体状况评估模型是否校验合格；
[0169]
当所述评估准确率等于或大于所述预设准确率时，则判定所述身体状况评估模型校验合格；
[0170]
否则，则判定所述身体状况评估模型校验不合格，同时，基于所述训练集对所述身体状况评估模型重新进行训练，直至所述身体状况评估模型校验合格；
[0171]
将所述目标患者的病理信息输入至合格的身体状况评估模型进行评估，并根据输出结果，确定所述目标患者当前的身体状况特征。
[0172]
该实施例中，n个历史病理信息包括获取n个患者，并将患者的病理信息进行记录。
[0173]
该实施例中，病理特征例如是根据患者的病理信息确定患者的症状，比如头疼等
即为病理特征。
[0174]
该实施例中，病理类别可以是基于病理特征确定患者是属于那一部分的病症，比如，病理类别为牙科等，但是，病理特征就包括：牙周炎、牙龈肿痛、蛀牙等。
[0175]
该实施例中，统一化处理可以是将病理类别中的子历史病理信息的个数按照基准个数k个进行统一处理，即将每个病理类别中的子病理个数均统一为k个，把多余的剔除掉。
[0176]
该实施例中，历史病理信息包含子历史病理信息。
[0177]
该实施例中，将k-a个子历史病理信息作为校验集对身体状况评估模型进行准确性校验可以是，校验集中每个子历史病理信息的对应的身体状况是已知的，将该身体状况定义为目标身体状况，将校验集中的每个子历史病理信息输入至身体状况模型中进行评估，根据评估结果确定校验身体状况，将目标身体状况与校验身体状况进行比较，并将比较结果一致的作为正确的校验信息，因此，根据子历史病理信息输出的正确的校验信息的个数与错误校验信息的个数相比，即为计算出的评估准确率。
[0178]
该实施例中，预设准确率可以是提前设定的，用于检测身体状况评估模型是否合格而设定的标准。
[0179]
上述技术方案的有益效果是：通过准确确定历史病理信息，从而提取历史病理信息的病理特征，进而很好的确定子历史病理信息的病理类别，通过病理类别对历史病理信息进行分析，同时构建训练集生成身体状况评估模型，并通过构建校验集，从而实现对身体状况评估模型的校验，有利于获取合格的身体状况校验模型，将目标患者的病理信息输入至合格的身体状况校验模型中，从而精准获取目标患者当前的身体状况特征，该方法大大对目标患者身体状况获取的精准性，从而间接实现对麻醉决策方案的精准性。
[0180]
实施例9：
[0181]
在实施例1的基础上，本实施例提供了一种用于人工智能麻醉的决策确定方法，步骤3中，对所述身体状况特征在决策终端中进行智能分析，并基于分析结果确定麻醉决策方法的具体工作过程，包括：
[0182]
将所述身体状况特征输入至所述决策终端中，并在所述决策终端中对所述目标患者当前的身体状况特征进行分析；
[0183]
基于对当前的身体状况特征的分析结果确定对所述目标患者的手术流程，同时，基于所述决策终端确定对所述目标患者的手术流程的难度等级；
[0184]
根据预设算法确定在所述目标患者的手术流程中目标患者对麻醉时的伤害指数与意识指数；
[0185]
基于对所述目标患者的伤害指数与所述意识指数，确定所述目标患者对麻药的抑制程度；
[0186]
基于所述目标患者对麻药的抑制程度以及所述手术流程的难度等级在所述智能终端中生成所述麻醉决策方案。
[0187]
该实施例中，手术流程的难度等级可以是根据开刀次数，手术所需时间长度，患者病灶位置确定的等级。
[0188]
该实施例中，伤害指数可以是患者对麻醉的反应敏感程度的指数。
[0189]
该实施例中，意识指数可以是基于对患者麻醉后，患者的意识清醒程度的指数。
[0190]
上述技术方案的有益效果是：通过确定对目标患者的手术流程中目标患者对麻醉
时的伤害指数与意识指数，从而精准确定目标患者对麻药的抑制程度，进而有利于通过目标患者对麻药的抑制程度以及手术流程的难度等级精准生成麻醉决策方案，大大提高了生成麻醉决策方案的智能性以及准确性。
[0191]
实施例10：
[0192]
本实施例提供了一种用于人工智能麻醉的决策确定系统，如图3所示，包括：
[0193]
病例调取模块，用于获取目标患者的患者身份标识，并基于所述患者身份标识在预设病例数据库中对所述目标患者的患者病例进行调取；
[0194]
身体状况特征获取模块，用于对所述患者病例进行读取，确定所述目标患者的病理信息，并基于所述病理信息确定所述目标患者当前的身体状况特征；
[0195]
麻醉决策方案生成模块，用于对所述身体状况特征在决策终端中进行智能分析，并基于分析结果确定麻醉决策方案。
[0196]
上述技术方案的有益效果是：通过确定目标患者的患者身份标识，从而有利于在预设病例数据库中对目标患者的患者病例进行调取，从而很好的掌握患者的身体状况特征，进而确定对目标患者的麻醉决策方案，该方法不仅极大的提高了对患者进行麻醉的安全性、准确性以及智能性，而且提高了麻醉操作的效率。
[0197]
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

技术特征：
1.一种用于人工智能麻醉的决策确定方法，其特征在于，包括：步骤1：获取目标患者的患者身份标识，并基于所述患者身份标识在预设病例数据库中对所述目标患者的患者病例进行调取；步骤2：对所述患者病例进行读取，确定所述目标患者的病理信息，并基于所述病理信息确定所述目标患者当前的身体状况特征；步骤3：对所述身体状况特征在决策终端中进行智能分析，并基于分析结果确定麻醉决策方案。2.根据权利要求1所述的一种用于人工智能麻醉的决策方法，其特征在于，步骤1中，基于所述患者身份标识在预设病例数据库中对所述目标患者的病例进行调取的具体工作过程，包括：读取所述患者身份标识，并基于所述患者身份标识在所述预设病例数据库中建立数据撷取关系；基于所述数据撷取关系，在所述预设病例数据库中确定与所述患者身份标识相关的目标病例数据；将所述目标病例数据进行打包，获取病例数据包，同时，基于所述患者身份标识为所述病例数据包添加目标标签；基于所述目标标签，将所述病例数据包生成患者病例文件，并根据预设指令将所述患者病例文件进行调取。3.根据权利要求1所述的一种人工智能麻醉的决策确定方法，其特征在于，步骤2中，对所述患者病例进行读取，确定所述目标患者的病理信息的具体工作过程，包括：获取所述患者病例的页面信息，并基于所述患者病例的页面信息确定所述患者病例的病例关键词，其中，所述病例关键词包括：时间关键词、身体参数关键词；基于所述时间关键词确定所述目标患者的就诊时间点，其中，所述就诊时间点等于或大于1，并基于所述身体参数关键词确定所述目标患者的体征检查数据；基于所述时间关键词，读取所述目标患者的就诊时间点对应的所述目标患者的子体征检查数据；同时，对所述子体征检查数据进行数据分析，得到所述目标患者对应的就诊时间下的子体征质量指标；分别对所述子体征质量指标进行综合确定所述目标患者的当前病理信息。4.根据权利要求3所述的一种用于人工智能麻醉的决策方案，其特征在于，分别对所述子体征质量指标进行综合确定所述目标患者的当前病理信息后，还包括：将所述就诊时间点作为横坐标，并将所述子体征质量指标作为纵坐标建立身体质量坐标系，并进行数据记录；基于所述身体质量坐标系，在所述就诊时间点上确定当前就诊时间点对应的子体征质量指标数值以及上一就诊时间点对应的子体征质量指标数值；计算当前就诊时间点对应的子体征质量指标数值与上一就诊时间点对应的子体征质量指标数值的指标变化率；根据所述指标变化率确定所述目标患者当前的相对身体状况。5.根据权利要求1所述的一种用于人工智能麻醉的决策确定方法，其特征在于，步骤3
中，确定麻醉决策方案后，还包括：将所述身体状况特征对应的数据输入至所述预设终端中，并基于所述麻醉决策方案在预设智能终端进行预演，并在预演过程中实时记录麻醉测试数据；读取所述麻醉测试数据，并将所述麻醉测试数据输入至方案评估模型中进行方案评估，并输出评估结果；基于所述评估结果确定麻醉评估分值，并将所述麻醉决策方案的评估分值与预设分值进行比较，判断所述麻醉决策方案是否合格；当所述麻醉方案的麻醉评估分值等于或大于所述预设分值时，则判定所述麻醉决策方案合格；否则，则判定所述麻醉决策方案不合格。6.根据权利要求5所述的一种用于人工智能麻醉的决策确定方法，其特征在于，判断所述麻醉决策方案是否合格后，还包括：当所述麻醉决策方案合格时，确定所述目标患者的身体状况特征，并将所述身体状况特征在预设神经网络中进行学习；基于学习结果，将所述麻醉决策方案存储至麻醉决策方案数据库中进行存储；当所述麻醉决策方案不合格时，确定所述预设分值与所述麻醉评估分值的目标差值，并对所述评估结果进行分析，获取分析结果；基于所述目标差值与所述分析结果对所述麻醉决策方案进行调整，直至所述麻醉决策方案合格。7.根据权利要求1所述的一种用于人工智能麻醉的决策确定方法，其特征在于，步骤1中，获取目标患者的患者身份标识的具体工作过程，包括：获取所述目标患者的患者名称以及所述目标患者的就诊类型，并基于所述患者名称以及就诊类型生成身份读取指令；获取目标医护人员的工作编号，并根据所述医护人员的工作编号确定所述医护人员的工作类型；判断所述医护人员的工作类型与所述目标患者的就诊类型是否一致，并基于判断结果确定所述目标医护人员是否有权限调动所述身份读取指令；当所述医护人员的工作类型与所述目标患者的就诊类型不一致时，所述目标医护人员没有权限调动所述身份读取指令；当所述医护人员的工作类型与所述目标患者的就诊类型一致时，则所述目标医护人员有权限调动所述身份读取指令，同时，基于所述身份读取指令获取所述目标患者的身份信息；根据所述身份信息并结合所述目标患者的就诊时间，生成目标患者的就诊编号，其中，所述目标患者的就诊编号即为所述目标患者的患者身份标识。8.根据权利要求1所述的一种用于人工智能麻醉的决策确定方法，其特征在于，步骤2中，基于所述病理信息确定所述目标患者当前的身体状况特征的具体工作过程，包括：获取n个历史病理信息，其中，所述n个历史病理信息包含n个患者的病理信息；对所述n个历史病理信息进行读取，确定所述n个历史病理信息对应的n个病理特征；基于所述n个病理特征确定m个病理类别，并基于所述m个病理类别将所述n个历史病理
信息进行分类，确定子历史病理信息，其中，m小于或等于n；分别确定所述m个病理类别中子历史病理信息的总个数，并将所述总个数进行比较，确定m个病理类别中子历史病理信息的最小总个数，并将所述最小总个数作为基准个数；将剩余m-1个病理类别中子历史病理信息的总个数根据所述基准个数做统一化处理，其中，所述基准个数为k个，且k小于或等于n；分别在同病理类别中的k个子历史病理信息中，随机提取a个子历史病理信息作为训练集对身体状况评估模型进行训练，并基于训练结果生成身体状况评估模型；分别提取同病理类别中剩余k-a个子历史病理信息作为校验集对所述身体状况评估模型进行准确性校验，并根据校验结果确定所述身体状况评估模型的评估准确率；将所述评估准确率与预设准确率进行比较，判断所述身体状况评估模型是否校验合格；当所述评估准确率等于或大于所述预设准确率时，则判定所述身体状况评估模型校验合格；否则，则判定所述身体状况评估模型校验不合格，同时，基于所述训练集对所述身体状况评估模型重新进行训练，直至所述身体状况评估模型校验合格；将所述目标患者的病理信息输入至合格的身体状况评估模型进行评估，并根据输出结果，确定所述目标患者当前的身体状况特征。9.根据权利要求1所述的一种用于人工智能麻醉的决策确定方法，其特征在于，步骤3中，对所述身体状况特征在决策终端中进行智能分析，并基于分析结果确定麻醉决策方法的具体工作过程，包括：将所述身体状况特征输入至所述决策终端中，并在所述决策终端中对所述目标患者当前的身体状况特征进行分析；基于对当前的身体状况特征的分析结果确定对所述目标患者的手术流程，同时，基于所述决策终端确定对所述目标患者的手术流程的难度等级；根据预设算法确定在所述目标患者的手术流程中目标患者对麻醉时的伤害指数与意识指数；基于对所述目标患者的伤害指数与所述意识指数，确定所述目标患者对麻药的抑制程度；基于所述目标患者对麻药的抑制程度以及所述手术流程的难度等级在所述智能终端中生成所述麻醉决策方案。10.一种用于人工智能麻醉的决策确定系统，其特征在于，包括：病例调取模块，用于获取目标患者的患者身份标识，并基于所述患者身份标识在预设病例数据库中对所述目标患者的患者病例进行调取；身体状况特征获取模块，用于对所述患者病例进行读取，确定所述目标患者的病理信息，并基于所述病理信息确定所述目标患者当前的身体状况特征；麻醉决策方案生成模块，用于对所述身体状况特征在决策终端中进行智能分析，并基于分析结果确定麻醉决策方案。

技术总结
本发明提供了一种用于人工智能麻醉的决策确定方法及系统，其方法，包括：获取目标患者的患者身份标识，并基于患者身份标识在预设病例数据库中对目标患者的患者病例进行调取；对所述患者病例进行读取，确定所述目标患者的病理信息，并基于所述病例信息确定所述目标患者当前的身体状况特征；对所述身体状况特征在决策终端中进行智能分析，并基于分析结果确定麻醉决策方案。通过确定目标患者的患者身份标识，从而有利于在预设病例数据库中对目标患者的患者病例进行调取，从而很好的掌握患者的身体状况特征，进而确定对目标患者的麻醉决策方案，该方法不仅极大的提高了对患者进行麻醉的安全性、准确性以及智能性，而且提高了麻醉操作的效率。作的效率。作的效率。


技术研发人员：崔德荣 杨建军 王天龙 耿智隆 车向明 董榕 卞汉道
受保护的技术使用者：深圳元海恒鑫医疗科技有限公司
技术研发日：2022.01.20
技术公布日：2023/9/14