馮佳怡?柳立平?周芬?沈南萍
摘? 要:兒童急性淋巴細(xì)胞白血病等血液病種類繁多,且易出現(xiàn)反復(fù)性貧血、出血、感染等不可預(yù)期的情況,嚴(yán)重可導(dǎo)致休克及死亡。上海兒童醫(yī)學(xué)中心每年承接近5 700名兒童血液病患者,超過全國(guó)兒童血液病患者的1/3,白血病早期預(yù)警系統(tǒng)的智能化建設(shè)可為醫(yī)生提前介入提供依據(jù)。運(yùn)用兒童早期預(yù)警評(píng)分PEWS,對(duì)病區(qū)(42張床位)進(jìn)行測(cè)試,證實(shí)發(fā)現(xiàn)該方法可提供至少11小時(shí)的預(yù)警,需381 min。同時(shí),該方案用通過物聯(lián)及CNNS卷積神經(jīng)網(wǎng)絡(luò)深度學(xué)習(xí)的手段實(shí)現(xiàn)PEWS實(shí)時(shí)計(jì)算。
關(guān)鍵詞:兒童早期預(yù)警評(píng)分;白血病;物聯(lián)技術(shù);CNNS神經(jīng)網(wǎng)絡(luò);深度學(xué)習(xí)
中圖分類號(hào):TP18;R-331? ? ? ? ? ?文獻(xiàn)標(biāo)識(shí)碼:A文章編號(hào):2096-4706(2022)02-0119-05
Abstract: There are many kinds of blood diseases such as acute lymphoblastic leukemia in children, and they are prone to unpredictable situations such as recurrent anemia, bleeding and infection, which can seriously lead to shock and death. Shanghai Children's Medical Center accepts nearly 5 700 children with hematological diseases every year, more than 1/3 of the national children with hematological diseases. The intelligent construction of the early warning system for leukemia can provide a basis for doctors to intervene in advance. Using the Pediatric Early Warning Score (PEWS), testing of the ward (42 beds) confirmed that the method can provide at least 11 hours of early warning, which takes 381 minutes. At the same time, the scheme realizes the real-time calculation of PEWS by means of deep learning of IOT and CNNs convolutional neural network.
Keywords: PEWS; leukemia; IOT technology; CNNS neural network; deep learning
0? 引? 言
為了讓更多白血病患兒得到及時(shí)有效的治療,本文擬設(shè)計(jì)一個(gè)全自動(dòng)智能計(jì)算PEWS值的系統(tǒng)。該系統(tǒng)將PEWS需要的數(shù)據(jù):監(jiān)護(hù)儀數(shù)據(jù)對(duì)接電子病歷系統(tǒng)并結(jié)合經(jīng)(Artificial Intelligence, AI)處理提取的面部及精神特征值,兩者結(jié)合實(shí)現(xiàn)PEWS實(shí)時(shí)評(píng)估。項(xiàng)目實(shí)施分為三部分:第一部分實(shí)現(xiàn)病房監(jiān)護(hù)儀與醫(yī)院HIS及電子病歷系統(tǒng)的無線對(duì)接,這一部分主要實(shí)現(xiàn)設(shè)備信息物聯(lián),將病患的心率、血氧飽和度、呼吸等參數(shù)對(duì)接到醫(yī)院電子病歷系統(tǒng),替代醫(yī)務(wù)人員手動(dòng)錄入信息的環(huán)節(jié),其中涉及Wi-Fi覆蓋、不同品牌監(jiān)護(hù)儀與HIS端口對(duì)接等技術(shù)性問題。第二部分AI智能算法代替人眼識(shí)別對(duì)病人膚色等面部數(shù)據(jù)進(jìn)行識(shí)別及建模評(píng)分,利用CNN神經(jīng)卷積網(wǎng)絡(luò)模型提取部分深度神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)中深度圖像特征,并賦予其數(shù)值。第三部分將這兩部分的數(shù)據(jù)一起并構(gòu)建特征組與PEWS值表達(dá)之間相關(guān)性關(guān)系模型,實(shí)現(xiàn)PEWS值的自動(dòng)化計(jì)算,并在電子病歷部分中體現(xiàn)出實(shí)時(shí)的PEWS值。
1? 現(xiàn)狀分析
我院血液腫瘤科為國(guó)家重點(diǎn)專科,年收治全國(guó)各地白血病人約5 700例。由于血液病種類繁多且易出現(xiàn)反復(fù)性貧血、出血、感染和白血病細(xì)胞浸潤(rùn)各臟器等不可預(yù)測(cè)突發(fā)狀況,致使患兒在短時(shí)間內(nèi)產(chǎn)生急性休克等狀況,所以兒童血液病人的預(yù)警建設(shè)在我院就尤為重要。波士頓兒童醫(yī)院的PEWS兒童早期預(yù)警評(píng)分(Pediatric Early warning score, PEWS)評(píng)估方法,對(duì)血液病患兒進(jìn)行評(píng)估。PEWS需要兩部分?jǐn)?shù)據(jù):第一部分是由監(jiān)護(hù)儀提供的患兒血壓、心電、血氧及呼吸實(shí)時(shí)信息;第二部分是患兒精神狀態(tài)及特征等需視覺及語言交流作為判定依據(jù)。幾部分信息結(jié)合計(jì)算獲得PEWS值,計(jì)算值域如表1所示。
該評(píng)分方法有助于患兒病情惡化的早期預(yù)警,避免患兒發(fā)生心肺功能衰竭,提供至少11 h預(yù)警時(shí)間,有助于醫(yī)療團(tuán)隊(duì)早期介入,改進(jìn)治療方案或者轉(zhuǎn)移至有條件的重癥監(jiān)護(hù)病房(ICU)。
試點(diǎn)病區(qū)的42張床位每天進(jìn)行PEWS評(píng)估需要的總平均時(shí)間為383.5 min,由此可見,依靠人工方法采集數(shù)據(jù)需要投入相當(dāng)大的人力,在本已緊張的臨床工作中加入動(dòng)態(tài)、連續(xù)性PEWS評(píng)估,責(zé)任護(hù)士工作負(fù)擔(dān)急劇增加。因此,盡管此評(píng)估對(duì)患兒意義重大,但目前只能在部分患兒實(shí)施,大部分患兒可能因此而錯(cuò)失及時(shí)評(píng)估和及時(shí)治療。如何切實(shí)解決這種臨床迫切需要是我們必須解決的問題。
2? 智能血液病患兒智能預(yù)警系統(tǒng)建設(shè)步驟
研究如何實(shí)現(xiàn)病房現(xiàn)有的監(jiān)護(hù)儀與醫(yī)院HIS及電子病歷系統(tǒng)數(shù)據(jù)無線對(duì)接,其中會(huì)涉及到實(shí)現(xiàn)移動(dòng)病人數(shù)據(jù)全Wi-Fi覆蓋的方案、各品牌監(jiān)護(hù)儀與醫(yī)院HIS系統(tǒng)及電子病歷端口銜接等技術(shù)問題。這一部分工作將監(jiān)護(hù)儀數(shù)據(jù)無線對(duì)接到研究對(duì)象的電子病歷中,實(shí)現(xiàn)體征數(shù)據(jù)實(shí)時(shí)、準(zhǔn)確、共享的目的。F3521F5E-FEDC-48F0-9D92-299061994CD7
利用CNNs(神經(jīng)卷積網(wǎng)絡(luò)模型)提取部分深度神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)中深度圖像特征(如灰度特征、形態(tài)學(xué)特征、紋理特征、直方圖特征等)。構(gòu)建影像組學(xué)特征與PEWS值表達(dá)之間相關(guān)性關(guān)系模型,篩選有效的圖像組學(xué)特征建設(shè)病人的面部數(shù)據(jù)識(shí)別信息庫,根據(jù)患兒不同分型設(shè)計(jì)建模,確定算法及相應(yīng)的評(píng)分標(biāo)準(zhǔn),嘗試用人工智能替代肉眼進(jìn)對(duì)病人膚色等外部可視信息進(jìn)行科學(xué)評(píng)分。
將無線傳輸?shù)诫娮硬v中數(shù)據(jù)與人工智能識(shí)別后的評(píng)分相結(jié)合得到實(shí)時(shí)的PEWS值,并將該值與HIS系統(tǒng)同步,顯示的預(yù)警提示值及時(shí)提醒醫(yī)院人員對(duì)病患采取干預(yù),提高病患救治率。
3? 智能血液病患兒智能預(yù)警系統(tǒng)工作原理
3.1? 系統(tǒng)數(shù)據(jù)無線對(duì)接步驟
研究設(shè)計(jì)基于無線網(wǎng)絡(luò),數(shù)字化采集患兒生命體征數(shù)據(jù),如心率、血氧飽和度、呼吸等參數(shù)與EMR/CIS(電子病歷)系統(tǒng)進(jìn)行對(duì)接,實(shí)現(xiàn)體征數(shù)據(jù)實(shí)時(shí)、準(zhǔn)確、共享的目的。
步驟描述為:(1)患者入院后,分配保存患者信息的唯一標(biāo)識(shí)腕帶以確定患者身份。(2)患者接入設(shè)備支持輔助(監(jiān)護(hù)儀、呼吸機(jī)等)治療時(shí),進(jìn)行掃描(設(shè)備需具有掃描功能)確認(rèn)身份。(3)支持輔助設(shè)備向采集服務(wù)器進(jìn)行數(shù)據(jù)傳輸。(4)數(shù)據(jù)采集服務(wù)器與設(shè)備進(jìn)行通訊,并將采集到的數(shù)據(jù)存儲(chǔ)到數(shù)據(jù)庫中完成全部流程。具體步驟如圖1所示。
3.2? 步驟具體實(shí)施
3.2.1? 病人監(jiān)護(hù)儀數(shù)據(jù)實(shí)現(xiàn)無線傳輸
當(dāng)前監(jiān)護(hù)儀由于品牌、接口、協(xié)議等不盡相同導(dǎo)致數(shù)據(jù)采集的難度較大。當(dāng)前設(shè)備數(shù)據(jù)接口有RJ45、RS232、RS485、RJ11等,其中以RJ45與RS232最為常見。目標(biāo)是基于Wi-Fi網(wǎng)絡(luò)進(jìn)行研究,所以設(shè)備數(shù)據(jù)采集部分涉及將多種接口進(jìn)行轉(zhuǎn)換、統(tǒng)一達(dá)成基于Wi-Fi進(jìn)行傳輸?shù)哪康?。?duì)于儀器設(shè)備轉(zhuǎn)換采集通常有三種情況分別是:(1)RJ45->Wi-Fi轉(zhuǎn)換傳輸;(2)Wi-Fi->Wi-Fi傳輸;(3)RS232->Wi-Fi轉(zhuǎn)換傳輸。本項(xiàng)目采用Wi-Fi->Wi-Fi傳輸,其前提條件是所有的傳輸需在醫(yī)院統(tǒng)一的Wi-Fi下進(jìn)行,且要保持各個(gè)監(jiān)護(hù)信號(hào)傳輸點(diǎn)的通訊順暢。Wi-Fi信號(hào)穩(wěn)定與服務(wù)器資源充足是研究能否深入的基礎(chǔ)保障,本文中數(shù)據(jù)傳輸特點(diǎn)是,瞬時(shí)數(shù)據(jù)流量較小但連接頻繁,故組網(wǎng)時(shí)應(yīng)把高穩(wěn)定性低延遲作為首要目標(biāo),具體為標(biāo)準(zhǔn)及測(cè)試方法為:選取無線信號(hào)覆蓋的任意5個(gè)接入點(diǎn),進(jìn)行PING測(cè)試。發(fā)送1 000個(gè)1 000字節(jié)的PING包,以不丟包為測(cè)試合格。選取建筑物角落進(jìn)行信號(hào)強(qiáng)度測(cè)試,不低于65 dBm為測(cè)試合格。
圖1? 監(jiān)護(hù)儀與醫(yī)院HIS及電子病歷系統(tǒng)數(shù)據(jù)無線對(duì)接步驟
本文按照醫(yī)院實(shí)際情況進(jìn)行討論,滿足以上條件后,項(xiàng)目組開始在各個(gè)病房反復(fù)踩點(diǎn),在病房中間及四個(gè)測(cè)定設(shè)備在血液科不同點(diǎn)是否可以保證Wi-Fi信號(hào)的順利傳輸,經(jīng)過幾次測(cè)定,發(fā)現(xiàn)在病房的角落Wi-Fi信號(hào)不穩(wěn)定無法順利傳輸。解決方案是在四個(gè)角落增加AP增強(qiáng)信號(hào),為保障在血液樓每一層實(shí)現(xiàn)Wi-Fi無損失傳輸,在每個(gè)房間增加2個(gè)左右的AP。萬一實(shí)在遇到Wi-Fi信號(hào)弱的盲點(diǎn),數(shù)據(jù)在監(jiān)護(hù)儀中可保留48~240個(gè)小時(shí),可以根據(jù)時(shí)間點(diǎn)提取。經(jīng)過調(diào)試,我們發(fā)現(xiàn)病房的角落Wi-Fi信號(hào)比較弱,然后增加了AP進(jìn)行信號(hào)增強(qiáng)以保障項(xiàng)目順利實(shí)施。
3.2.2? 計(jì)算服務(wù)器容量
本項(xiàng)目中服務(wù)器作為數(shù)據(jù)解密單元及數(shù)據(jù)存儲(chǔ)單元,其高速、穩(wěn)定、可擴(kuò)展是本項(xiàng)目正常運(yùn)轉(zhuǎn)的基礎(chǔ),已知每名患者每采集頻率生成的數(shù)據(jù)量為10 KB,最快采集頻率為30分鐘一次,集合項(xiàng)目研究需求存儲(chǔ)資源需求式為:
40 KB×2(次)×24 h×365(天)×3(年)×100(患者數(shù))×1.2(冗余)=250 GB
CPU頻率4 000 Hz,內(nèi)存32 GB,網(wǎng)絡(luò)千兆雙冗余即可滿足需求。
3.2.3? 監(jiān)護(hù)儀數(shù)據(jù)解密
在完成物理連接之后,接下來需要將數(shù)據(jù)進(jìn)行采集后需要進(jìn)行傳輸及解密,為保證原始數(shù)據(jù)的完整性,本文采用先傳輸后轉(zhuǎn)譯的形式進(jìn)行。即通過物理線纜或工業(yè)硬件采集設(shè)備與監(jiān)護(hù)儀設(shè)備進(jìn)行物理連接后,在服務(wù)器中部署數(shù)據(jù)采集軟件,與監(jiān)護(hù)儀進(jìn)行鏈路保持。通過定時(shí)發(fā)送“hello”保持信息,使服務(wù)器與監(jiān)護(hù)儀設(shè)備保持?jǐn)?shù)據(jù)連接傳輸狀態(tài)。此部分?jǐn)?shù)據(jù)傳輸模型如圖2所示。
經(jīng)過傳輸服務(wù)器中已經(jīng)接收到數(shù)據(jù),數(shù)據(jù)樣例是:
此時(shí)數(shù)據(jù)沒有經(jīng)過處理,無法直接引用保存。由于此消息采用HL7標(biāo)準(zhǔn)數(shù)據(jù)格式進(jìn)行封裝,于是采用HL7格式進(jìn)行解密,HL7數(shù)據(jù)格式如圖3所示。
說明:消息開始標(biāo)志(1字節(jié))對(duì)應(yīng)于ASCII的
HL7消息為多個(gè)字節(jié),只能包括ISO 8859-1字符(十六進(jìn)制值為0x20到0xFF)以及回車符
PV1||I|^^CCU&12&3232241478&4601&1|||||||||||||||U|
解釋:科室名稱為“CCU”;床號(hào)為“12”;TCP連接端口號(hào)為“4 601”;接收病人標(biāo)志位為“1”(已接收病人)。IP地址為網(wǎng)絡(luò)字節(jié)序的32位數(shù)字;“3 232 241 478”對(duì)應(yīng)的IP地址是“192.168.23.70”?!? 232 241 478”的二進(jìn)制格式為“11000000 10101000 00010111 01000110”,從左到右,第一個(gè)8位“11 000 000”對(duì)應(yīng)的十進(jìn)制數(shù)為“192”;第二個(gè)8位“10 101 000”對(duì)應(yīng)的十進(jìn)制數(shù)為“168”;第三個(gè)8位“00 010 111”對(duì)應(yīng)的十進(jìn)制數(shù)為“23”;第四個(gè)8位“01 000 110”對(duì)應(yīng)的十進(jìn)制數(shù)為“70”。F3521F5E-FEDC-48F0-9D92-299061994CD7
3.3? 通過AI學(xué)習(xí)方法設(shè)計(jì)不同類型的圖像學(xué)特征
該部分主要對(duì)病人的面部圖像等進(jìn)行采集后,由AI進(jìn)行對(duì)圖像的特征值主要包括:灰度特征、形態(tài)學(xué)特征、紋理特征等進(jìn)行深度學(xué)習(xí),提取有效特征值,利用CNNs網(wǎng)絡(luò)模型提取部分深度神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)中深度圖像特征,結(jié)構(gòu)圖如圖4所示。
其具體表達(dá)為:計(jì)算機(jī)通過采集大量病人大量圖像的深度學(xué)習(xí),提煉其淺層圖像特征,中度特征至深度特征,到最后進(jìn)行分類,這樣的過程可認(rèn)為對(duì)圖像的一個(gè)打分,比如面色貨唇色泛白的病人為1分,面色或唇色青紫的病人為2分,這樣一個(gè)過程,在這個(gè)過程中計(jì)算機(jī)通過深度學(xué)習(xí)后得出的結(jié)論小于偏差的3.37%,遠(yuǎn)高于人工判定的正確性,同時(shí)也可避免因護(hù)理人員經(jīng)驗(yàn)不足等原因所造成的誤判斷。之后,構(gòu)建影像組學(xué)特征與PESE值表達(dá)之間相關(guān)性關(guān)系模型,篩選有效的影像組學(xué)特征,得出有效的影像組學(xué)特征后構(gòu)建訓(xùn)練和測(cè)試數(shù)。據(jù)樣本集,使用深度學(xué)習(xí)網(wǎng)絡(luò)模型,如(Stacking Auto-Encoder, SAE)、(Deep Belief Network, DBN)、(Deep Belief Machine, DBM)等,預(yù)測(cè)預(yù)警值預(yù)期。利用測(cè)試集數(shù)據(jù)對(duì)預(yù)測(cè)模型進(jìn)行測(cè)試和驗(yàn)證,并進(jìn)一步優(yōu)化網(wǎng)絡(luò)模型中的結(jié)構(gòu)和參數(shù),如圖5所示。
綜合上述兩部分,通過計(jì)算客觀可獲取數(shù)據(jù)加上AI優(yōu)化過的特征值來確定病人的PEWS值進(jìn)行預(yù)警,如圖6所示。
神經(jīng)功能AI影像特征值(1)呼吸功能、呼吸頻率、呼吸做功及氧氣治療水平;
得出該P(yáng)EWS值以后,將該值反饋到HIS系統(tǒng)中反應(yīng)在病人的電子病歷中用于提醒護(hù)士,真正起到實(shí)時(shí)科學(xué)預(yù)警的作用。
4? 智能血液病患兒智能預(yù)警系統(tǒng)應(yīng)用預(yù)計(jì)成果
4.1? 完成不同監(jiān)護(hù)儀品牌與醫(yī)院電子病歷(EMR)系統(tǒng)無線無縫對(duì)接
完成之后,該流程可做到全程數(shù)字化的不同系統(tǒng)信息對(duì)接,可以節(jié)省至少20%左右的護(hù)理工作量的同時(shí)可以避免手工錄入誤差的可能性從而提高護(hù)理質(zhì)量。全數(shù)字化流程還可以減少中央監(jiān)護(hù)站的投入使用,比如一套中央監(jiān)護(hù)10萬,該病區(qū)有3個(gè)品牌的監(jiān)護(hù)儀,則共計(jì)可減少30萬的醫(yī)療成本投入。
該部分的完成奠定了醫(yī)院進(jìn)行病人數(shù)據(jù)全數(shù)字無紙化傳輸?shù)幕A(chǔ),醫(yī)院其他病房也可效仿,這樣可節(jié)省全院約20%左右的護(hù)理資源。
同時(shí),該部分的完成也預(yù)示著其他電子設(shè)備接入電子病歷系統(tǒng)的可能性,為今后醫(yī)院實(shí)行設(shè)備全數(shù)字化信息管理奠定了扎實(shí)的理論和操作基礎(chǔ)。
4.2? 用CNNs網(wǎng)絡(luò)模型提取部分深度神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)中深度圖像特征
構(gòu)建影像組學(xué)特征與PESE值表達(dá)之間相關(guān)性關(guān)系模型,利用測(cè)試集數(shù)據(jù)對(duì)預(yù)測(cè)模型進(jìn)行測(cè)試和驗(yàn)證,并進(jìn)一步優(yōu)化網(wǎng)絡(luò)模型中的結(jié)構(gòu)和參數(shù)進(jìn)行算法建模,該算法得出的分值結(jié)合第一部分監(jiān)護(hù)數(shù)據(jù)的分值得出血液病人的整體分值建立有效的快速準(zhǔn)確得出PEWS預(yù)警值,提供充裕的時(shí)間促使醫(yī)療團(tuán)隊(duì)早期改進(jìn)治療方案或者轉(zhuǎn)移至有條件的ICU,提高兒童血液病人的治愈率和生存概率。
5? 結(jié)? 論
PEWS在血液科的預(yù)警評(píng)分標(biāo)準(zhǔn)已經(jīng)在波士頓兒童醫(yī)院、辛辛那提兒童醫(yī)院、中南大學(xué)湘雅醫(yī)院等三級(jí)兒童醫(yī)院血液腫瘤科試點(diǎn)成功并得到認(rèn)可和應(yīng)用,除此之外,諸多文獻(xiàn)中也表明PEWS在其他病區(qū)如胸外科、急診及神經(jīng)內(nèi)科等也有試點(diǎn)也應(yīng)用證明其有效性,只是在不同病區(qū)PEWS的值和計(jì)算的分值會(huì)有不同,待項(xiàng)目成功后準(zhǔn)備對(duì)不同的病區(qū)開始試點(diǎn),在本院全面推廣試行。PEWS值被諸多文獻(xiàn)證明具有普適性意義,本項(xiàng)目具有可持續(xù)發(fā)展的深遠(yuǎn)意義,其不僅能及時(shí)發(fā)現(xiàn)潛在的重癥血液病兒童,也能及時(shí)預(yù)警其他種類的病患。本項(xiàng)目的試行成功不僅對(duì)我院血液病患兒有著重大意義,而且能應(yīng)用到其他病區(qū),未來我院的試點(diǎn)成功將對(duì)整個(gè)兒科系統(tǒng)提高搶救治療率有重大的意義。
參考文獻(xiàn):
[1] 周芬,潘慈,高怡瑾,等.兒童早期預(yù)警評(píng)分對(duì)血液腫瘤患兒病情變化的預(yù)測(cè)價(jià)值及可行性研究 [J].解放軍護(hù)理雜志,2019,36(4):6-10.
[2] 劉煜,陳歷賽,段穎暉,等.兒童早期預(yù)警評(píng)分在PICU病毒性腦炎患兒病情轉(zhuǎn)歸中的預(yù)測(cè)價(jià)值 [J].護(hù)理學(xué)雜志,2017,32(5):24-26.
[3] 張佳燕,胡菲,張玉俠.兒童早期預(yù)警評(píng)分在留診觀察患兒分流中的應(yīng)用 [J].護(hù)理研究,2015,29(30):3744-3746.
[4] DUNCAN H,HUTCHISON J,PARSHURAM C S. The Pediatric early warning system score: A severity of illness score to predict urgent medical need in hospitalized children [J].Journal of Critical Care,2006,21(3):271-278.
[5] ASYA A,PETER F,NICOLE S,et al. Validation of a pediatric early warning score in hospitalized pediatric oncology and hematopoietic stem cell transplant patients [J].Pediatric Critical Care Medicine,2016,17(4):146-153.
[6] 唐慧,楊艷,李映蘭,等.兒童早期預(yù)警評(píng)分在急性淋巴細(xì)胞白血病患兒中的應(yīng)用[J].中華護(hù)理雜志,2017,52(12):1422-142.
[7] AGULNIK A,NADKARNI A,ROBLES L N M,et al. Pediatric early warning systems aid in triage to intermediate versus intensive care for pediatric oncology patients in resource-limited hospitals [J/OL].Pediatric Blood & Cancer,2018,65(8):e27076.[2021-11-03].https://onlinelibrary.wiley.com/doi/10.1002/pbc.27076.F3521F5E-FEDC-48F0-9D92-299061994CD7
[8] ACKER S N,WATHEN B,ROOSEVELT G E,et al. Rapid response team activation in pediatric surgical patients [J].European journal of pediatric surgery,2017,27(1):81-85.
[9] AGULNIK A,ACEITUNO A M E,ROBLES L N M,et al. Validation of a pediatric early warning system for hospitalized pediatric oncology patients in a resource-limited setting[J].Cancer,2017,123(24):4903-4913.
[10] DEMMEL KM,WILLIAMS L,F(xiàn)LESCH L. Implementation of the Pediatric Early Warning Scoring System on a Pediatric Hematology/Oncology Unit [J].Journal of Pediatric Oncology Nursing,2010,27(4):229-240.
[11] AGULNIK A,ROBLES L N M,F(xiàn)ORBES P W,et al. Improved outcomes after successful implementation of a pediatric early warning system(PEWS)in a resource-limited pediatric oncology hospital [J].Cancer,2017,123(15):2965-2974.
[12] 王麗,張富強(qiáng),何偉鋒,等.兒童早期預(yù)警評(píng)分在意外傷害急診患兒病情評(píng)估中的應(yīng)用 [J].護(hù)理學(xué)報(bào),2015,22(16):56-58.
[13] 董梅德,吳玲,相波,等.臨床科室護(hù)理工作性質(zhì)調(diào)查分析 [J].護(hù)理學(xué)雜志,2015,30(12):73-75.
[14] 張梅,范媛,朱繼紅,等.兒童早期預(yù)警評(píng)分系統(tǒng)在小兒普外科中的應(yīng)用 [J].中華現(xiàn)代護(hù)理雜志,2014,20(32):4133-4137.
[15] DONG S Y,LUO G N,TAM C,et al. Deep Atlas Network for Efficient 3D Left Ventricle Segmentation on Echocardiography [J/OL].[2021-12-06].Med Image Analysis,2020,61:101638.https://www.sciencedirect.com/science/article/abs/pii/S1361841520300050.
[16] RONNEBERGER O,F(xiàn)ISCHER P,BROX T. U-Net:Convolutional Networks for Biomedical Image Segmentation [C]//Medical Image Computing and Computer-Assisted Intervention–MICCAI 2015. Munich:Springer.2015:234-241.
[17] SZEGEDY C,LIU W,JIA Y Q,et al. Going deeper with convolutions [C]//2015 IEEE Conference on Computer Vision and Pattern Recognition(CVPR).Boston:IEEE,2015:1-9.
[18] SZEGEDY C,VANHOUCKE V,IOFFE S,et al. Rethinking the Inception Architecture for Computer Vision [C]//2016 IEEE Conference on Computer Vision and Pattern Recognition(CVPR).Las Vegas:IEEE,2016:2818-2826.
[19] Zhou Z W,Siddiquee M M R,Taibakhsh N,et al. UNet++: A nested U-Net architecture for medical image segmentation [C]//Deep Learning in Medical Image Analysis and Multimodal Learning for Clinical Decision Support.Granada:Springer,2018:3-11.
[20] JADERBERG M,SIMONYAN K,ZISSERMAN A,et al. Spatial transformer networks [C]//the 28th International Conference on Neural Information Processing Systems.Montreal:MIT Press,2015:2017-2025.
[21] ALJABAR P,HECKEMANN R A,HAMMERS A,et al. Multi-atlas based segmentation of brain images:Atlas selection and its effect on accuracy [J].Neuroimage,2009,46(3):726-738.
[22] AWATE S P,ZHU P H,WHITAKER R T. How Many Templates Does It Take for a Good Segmentation?:Error Analysis in Multiatlas Segmentation as a Function of Database Size [C]//MBIA:International Workshop on Multimodal Brain Image Analysis.Nice:Springer,2012,7509:103-114.
[23] BADRINARAYANAN V,KENDALL A,CIPOLLA R. SegNet:A Deep Convolutional Encoder-Decoder Architecture for Image Segmentation [J].IEEE Transactions on Pattern Analysis and Machine Intelligence,2017,39:2481-2495.
[24] ZHAO H S,SHI J P,QI X J,et al. Pyramid Scene Parsing Network [C]//2017 IEEE Conference on Computer Vision and Pattern Recognition(CVPR),Honolulu:IEEE,2017:6230-6239.
[25] 王麗嘉,蘇新宇,李亞,等.基于COLLATE融合多圖譜的心臟電影MRI右心室分割 [J].波譜學(xué)雜志,2018,35(4):407-416.
作者簡(jiǎn)介:馮佳怡(1983.09—),女,漢族,上海人,工程師,碩士,研究方向:可穿戴人工智能、圖像處理;通訊作者:柳立平(1983.01—),女,漢族,上海人,研究方向:智慧護(hù)理、重癥醫(yī)學(xué)、呼吸理療。F3521F5E-FEDC-48F0-9D92-299061994CD7