基于全栈国产化平台的医院信创改造与全场景应用

目的:筑牢医院信息安全基础,提升自主可控能力,对医院信息系统进行信创改造并实现全场景应用。方法:按照合规、主流、可行性及高性能等相关原则选择信创的技术路线及服务器、存储、终端、操作系统及数据库等产品,并基于Wine应用兼容器的API转换技术以及原数据库与国产数据库的差异性,对医院应用软件进行国产操作系统和国产数据库的适配改造。结果:Windows及Oracle环境下的应用软件,在进行一定的适配改造后,12个月内完成了在用的120款应用软件与国产操作系统的适配验证和应用,以及在6个月内完成在用的89款应用软件与国产数据库的适配验证与应用,大大减少了应用软件的改造成本和数据库的迁移难度。结论:选择合适的信创生态,在保障用户体验的前提下,能以最快的速度及最低的成本实现医院全栈国产化平台的全场景应用。

基于Wine的国产操作系统对医院信息系统的适配改造实践

目的:筑牢医院信息安全基础,提升自主可控能力,对医院操作系统进行国产化替代。方法:选择国产自主可控服务器、终端和操作系统,基于Wine应用兼容器的API转换技术对医院各应用软件进行适配改造。结果:原Windows环境下的应用软件进行一定的改造适配即可在国产环境中正常运行,使用相同配置的国产终端和非国产终端分别运行国产操作系统和Windows操作系统,其CPU使用率、内存使用率和首屏时间在用户体验层面均无明显差异。结论:采取Wine应用兼容器的API转换技术改造Windows应用,能够大幅提升国产化替代的进程,降低应用系统的改造成本,具有较高的安全可控性,也能满足实际应用需求。

智能化辅助采集系统在临床生命体征监测中的应用

目的:减少临床护士对患者体征测量不及时、护理文书内容不准确等一系列问题,辅助临床护士进行患者每日体温、脉搏等生命体征数据采集。方法:开发一套与医院护理信息系统结合的生命体征辅助采集系统,利用系统自动获取的患者医嘱、病情、手术记录等个人信息,并与护理规范相适应,通过算法智能化得出患者每日体征测量类型、时间、频次,并及时提示操作者。结果:该系统应用后,临床护士个人护理操作不规范、护理文书填写不及时等问题明显减少,护士每日完成护理文书记录时长明显缩短,科室护理文书完整率明显提高,差异具有统计学意义(P<0.05),大大提高了护士工作效率与护理工作质量。结论:智能化生命体征辅助采集系统提高了护理文书书写的完整性、及时性,用户体验好。

机器人流程自动化技术在临床数据归档中的应用

目的:为减轻医院临床数据中心的存储压力,提高系统性能,将临床数据中心的数据进行迁移,只动态保留近两年的数据在线。方法:根据数据归档的实际需要设计归档数据库,利用机器人流程自动化(RPA)技术对临床数据中心的数据进行自动化的迁移归档与删除。结果:归档的临床数据包含了医院1997年系统上线以来的数据,临床数据中心只保留近两年的数据,数据量大幅下降。结论:应用RPA完成数据迁移后的临床数据中心,在相同系统运行环境下其性能得到大幅提升。在这类需要不断重复操作的应用场景,RPA能发挥极大作用。

基于知识图谱与BERT-BiLSTM-CRF模型的中文电子病历实体识别研究

目的:提出一种基于医疗知识图谱的BERT-BiLSTM-CRF命名实体识别模型(MKG-BERT-BiLC),用于解决BERT类语言模型在处理医疗电子病历命名实体识别任务时,由于缺乏一定医疗领域背景知识而导致无法充分发挥其作用的问题。方法:将医疗知识图谱中的三元组信息集成到BERT-BiLSTM-CRF模型中,可实现为模型配备相应的医疗领域知识,进而增强模型的语言表征能力。结果:利用现有公开数据集进行实验,融入知识图谱后BERT-BiLSTM-CRF模型的识别精确率、召回率和F1值均有显著提升,优于现有NER模型。结论:MKG-BERT-BiLC模型能够更好地识别电子病历中的命名实体,具有一定的实用价值。

基于自监督学习与语义分割相结合的内窥镜白内障图像分割

目的:基于自监督学习与语义分割方法在白内障数据集上训练深度学习模型,分割白内障手术的显微镜图像,以提升算法的准确性和鲁棒性。方法:提出CA-PSP模型实现白内障数据集语义分割,采用自监督模型BYOL预训练模型参数;为了增强网络特征表达能力,在骨干网络加入一个轻量级的网络注意力机制,即坐标注意力模块(coordinate attention)优化学习内容。结果:通过对比实验证明自监督方法及卷积注意力模块对模型性能提升的有效性,像素分割精度为93.9%,Dice系数为76.5%,mIoU系数为64.4%。结论:将自监督学习与语义分割技术相结合并应用在内窥镜白内障图像分割,能有效提升临床诊断的灵活性,为白内障手术阶段的可视化指导提供了有效参考。

基于CNN与BiLSTM相结合的心电信号分类方法

目的:基于卷积神经网络(CNN)与双向长短期记忆网络(BiLSTM)相结合的方法在心电信号数据集上训练深度学习模型,实现对心电信号的高效分类。方法:提出CNN+BiLSTM模型实现心电信号数据集分类,采用CNN对心电信号进行初步特征提取;通过BiLSTM对这些特征进行更深层次地学习,以捕捉信号中的时序信息和空间关联性。结果:通过对比实验证明CNN与BiLSTM对模型性能提升的有效性,模型分类精度为98.91%,召回率为98.71%,精确度为99.79%,F1指数为99.14%。结论:将CNN与BiLSTM相结合并应用在心电信号数据集分类,能有效提升临床诊断的精确性,为心电信号的自动分析提供了有效参考。