一种基于干眼诊断综合系统平台

技术领域

本发明涉及干眼诊断平台技术领域，尤其涉及一种基于干眼诊断综合系统平台。

背景技术

干眼为多因素引起的慢性眼表疾病，是由泪液的质、量及动力学异常导致的泪膜不稳定或眼表微环境失衡，可伴有眼表炎性反应、组织损伤及神经异常，造成眼部多种不适症状和(或)视功能障碍，根据流行病学调查研究方法、地域、诊断标准不同，现有的干眼诊断综合系统平台主要存在如下问题。

1、均采用人工分析，由于没有设置模型以及数据库，得到的结论具有较大误差性，无法对后续的治疗提供建设性建议。

2、由于采集的数据量较大，不便于对其筛分，进而导致不同程度的病情无法得到统一分类，影响医护人员的后期查阅。

3、无法对患者的居住地进行筛分，进而导致存在区域爆发的风险，无法及时做出相应预防措施。

发明内容

本发明的目的就在于为了解决上述问题而提供一种基于干眼诊断综合系统平台。

本发明通过以下技术方案来实现上述目的：

一种基于干眼诊断综合系统平台，它包括以下构建步骤：

步骤1：工作人员首先进行资料收集，并且将收集的资料录入数据库；

步骤2：将资料录入数据库之后，开始对资料进行筛分数据，筛分数据的目的是将一些无用的数据进行排除，避免对测试结果造成影响，同时根据收集患者的病情程度分为重度资料、重度资料和轻度资料；

步骤3：当筛分数据完成后，开始建立模型，建立模型的方式有两种，一种是Logistic回归模型，一种是人工神经网络模型；

步骤4：采用Logistic回归模型时，将单因素分析后有统计学意义的变量，纳入多因素Logistic回归模型，采用Logistic回归分析术后继发干眼症与玻璃体切割术各项潜在影响因素之间的关系,建立预测方程，并且依照组成logistics方程的影响因素，将后续搜集验证对象的相关变量代入其中以验证其准确率；

步骤5：采用人工神经网络模型可以对研究对象术后(3个月后)继发干眼症与玻璃体切割术各项潜在影响因素的关系进行预测，基于Neural Networks的Multilayerperceptron模块建立神经网络模型，同时人工神经网络模型采用多层感知器神经网络设置，网络自动优化决定隐含层的层数和网络神经元数；

步骤6：最后将根据Logistic回归模型以及人工神经网络模型的实验数据通过分析预测模块来对未来的诊断提供建设性建议。

进一步的，所述步骤1中的收集资料可以通过调查问卷的方式、辅助检查的病例以及临床特征的病例来收集资料，保证收集资料的完整性。

进一步的，所述步骤2中的筛分数据还可通过区域分析模块来对收集的资料患者的居住地进行分析筛分，避免出现区域性爆发，并且为避免混入易混因素，通过逐份查阅所搜集资料的基本情况、病史资料、各项诊疗措施、手术信息、术后康复情况等维度的信息，排除以下患者：纳入研究组后患方主动要求终止观察；患者及家属拒绝配合完善必要检查，导致重要临床资料缺失，以保证预测结果的准确性。

进一步的，所述步骤2中的重度资料、中度资料和轻度资料可便于医护人员后期根据患者的患病程度来对应搜索相应程度的治疗性建议。

进一步的，所述步骤3中的人工神经网络模型建立的方法为首先提取干眼的潜在影响因素和治疗方案作为输入层向量；其次建立神经网络模型，包括三个层次：两侧为输入及输出层，及其位于中间的隐藏层，隐藏层可以是多个层的组合结构；最后进行正反向传播网络训练，正向传播：输入特征信息自输入层进入神经网络，经过若干个隐藏层，最后到输出层输出预测结果；反向传播：使用误差后向传播算法和梯度下降的优化方法对网络各层权重的进行调整，通过比较输出信息和期望信息得到误差信息，利用链式求导法则将误差信息逐层向前传播得到各层误差信息，根据各层误差信息来调整各层权重和偏置。

本发明的有益效果在于：

1、本发明通过设置Logistic回归模型和人工神经网络模型，Logistic回归模型和人工神经网络模型可以对收集的资料进行模型演算，得出的结论更具权威性，便于医护人员对干眼这个多因素的慢性疾病能更好的管理，并且通过此研究模型，可对未来干眼的诊疗能提供较为便利的个性化诊疗建议；

2、本发明通过设置重度资料、重度资料和轻度资料，可对不同程度的资料以及得出的结论进行分类归置，可便于医护人员后期根据患者的患病程度来对应搜索相应程度的治疗性建议；

3、本发明通过设置区域分析模块，区域分析模块来对收集的资料患者的居住地进行分析筛分，避免出现区域性爆发，并且便于医护人员根据区域筛分的结果及时做出预防措施。

附图说明

图1为本发明所述的一种基于干眼诊断综合系统平台构建的流程图。

具体实施方式

一种基于干眼诊断综合系统平台，它包括以下构建步骤：

步骤1：工作人员首先进行资料收集，并且将收集的资料录入数据库；

步骤2：将资料录入数据库之后，开始对资料进行筛分数据，筛分数据的目的是将一些无用的数据进行排除，避免对测试结果造成影响，同时根据收集患者的病情程度分为重度资料、重度资料和轻度资料；

步骤3：当筛分数据完成后，开始建立模型，建立模型的方式有两种，一种是Logistic回归模型，一种是人工神经网络模型；

步骤4：采用Logistic回归模型时，将单因素分析后有统计学意义的变量，纳入多因素Logistic回归模型，采用Logistic回归分析术后继发干眼症与玻璃体切割术各项潜在影响因素之间的关系,建立预测方程，并且依照组成logistics方程的影响因素，将后续搜集验证对象的相关变量代入其中以验证其准确率；

步骤5：采用人工神经网络模型可以对研究对象术后(3个月后)继发干眼症与玻璃体切割术各项潜在影响因素的关系进行预测，基于Neural Networks的Multilayerperceptron模块建立神经网络模型，同时人工神经网络模型采用多层感知器神经网络设置，网络自动优化决定隐含层的层数和网络神经元数；

步骤6：最后将根据Logistic回归模型以及人工神经网络模型的实验数据通过分析预测模块来对未来的诊断提供建设性建议。

本实例中，所述步骤1中的收集资料可以通过调查问卷的方式、辅助检查的病例以及临床特征的病例来收集资料，保证收集资料的完整性。

本实施例中，所述步骤2中的筛分数据还可通过区域分析模块来对收集的资料患者的居住地进行分析筛分，避免出现区域性爆发，并且为避免混入易混因素，通过逐份查阅所搜集资料的基本情况、病史资料、各项诊疗措施、手术信息、术后康复情况等维度的信息，排除以下患者：纳入研究组后患方主动要求终止观察；患者及家属拒绝配合完善必要检查，导致重要临床资料缺失，以保证预测结果的准确性。

本实施例中，所述步骤2中的重度资料、中度资料和轻度资料可便于医护人员后期根据患者的患病程度来对应搜索相应程度的治疗性建议。

本实施例中，所述步骤3中的人工神经网络模型建立的方法为首先提取干眼的潜在影响因素和治疗方案作为输入层向量；其次建立神经网络模型，包括三个层次：两侧为输入及输出层，及其位于中间的隐藏层，隐藏层可以是多个层的组合结构；最后进行正反向传播网络训练，正向传播：输入特征信息自输入层进入神经网络，经过若干个隐藏层，最后到输出层输出预测结果；反向传播：使用误差后向传播算法和梯度下降的优化方法对网络各层权重的进行调整，通过比较输出信息和期望信息得到误差信息，利用链式求导法则将误差信息逐层向前传播得到各层误差信息，根据各层误差信息来调整各层权重和偏置。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。