本發(fā)明涉及醫(yī)療護理，具體是指一種口腔癌圍手術(shù)期的護理決策方法。

背景技術(shù)：

1、口腔癌是頭頸部較常見的惡性腫瘤之一，由于口腔癌的手術(shù)治療具有高風(fēng)險和復(fù)雜性，因此圍手術(shù)期的護理對于患者的恢復(fù)和預(yù)后至關(guān)重要。傳統(tǒng)的口腔癌影像采集過程中，常常會受到噪聲影響，導(dǎo)致在腫瘤邊界模糊、形態(tài)不規(guī)則的情況下，處理復(fù)雜結(jié)構(gòu)的能力差，無法提供穩(wěn)定的分割結(jié)果；傳統(tǒng)的護理方法對于特定疾病如口腔癌的圍手術(shù)期護理需求缺乏針對性，導(dǎo)致護理流程不規(guī)范、信息整合度低、決策支持不足的問題。

技術(shù)實現(xiàn)思路

1、針對上述情況，為克服現(xiàn)有技術(shù)的缺陷，本發(fā)明提供了一種口腔癌圍手術(shù)期的護理決策方法，針對傳統(tǒng)的口腔癌影像采集過程中，常常會受到噪聲影響，導(dǎo)致在腫瘤邊界模糊、形態(tài)不規(guī)則的情況下，處理復(fù)雜結(jié)構(gòu)的能力差，無法提供穩(wěn)定的分割結(jié)果的問題，本方案基于u-net模型從三維影像數(shù)據(jù)中提取腫瘤區(qū)域，并將其與周圍健康組織分離，自動處理復(fù)雜的腫瘤形態(tài)，提供更高的分割精度和魯棒性，最終生成精確的三維解剖模型；針對傳統(tǒng)的護理方法對于特定疾病如口腔癌的圍手術(shù)期護理需求缺乏針對性，導(dǎo)致護理流程不規(guī)范、信息整合度低、決策支持不足的問題，本方案通過獲取患者的個體化數(shù)據(jù)、實時生理指標(biāo)以及治療進(jìn)展，使用智能優(yōu)化算法來計算每項護理措施的優(yōu)先級，并根據(jù)優(yōu)先級動態(tài)生成個性化的護理決策，自動化地為患者提供最適合的護理方案，更好地適應(yīng)不同患者的個性化需求。

2、本發(fā)明采用的技術(shù)方案如下：本發(fā)明提供的一種口腔癌圍手術(shù)期的護理決策方法，該方法包括以下步驟：

3、步驟s1：圖像采集，對口腔癌患者的頸部進(jìn)行ct掃描，獲取三維影像數(shù)據(jù)；

4、步驟s2：模型生成，使用智能迭代算法對所述三維影像數(shù)據(jù)進(jìn)行處理，生成三維解剖模型；

5、步驟s3：術(shù)前評估，基于所述三維解剖模型，評估腫瘤的大小、位置及周圍關(guān)鍵結(jié)構(gòu)，生成術(shù)前信息支持，根據(jù)術(shù)前信息支持制定手術(shù)方案；

6、步驟s4：動態(tài)護理，獲取患者個體化數(shù)據(jù)，結(jié)合術(shù)前信息支持和手術(shù)方案，生成個性化護理方案，使用多目標(biāo)優(yōu)化方法對所述個性化護理方案進(jìn)行動態(tài)優(yōu)化；

7、步驟s5：風(fēng)險評估，基于個性化護理方案分析術(shù)中可能的并發(fā)癥，生成風(fēng)險評估報告；

8、步驟s6：決策支持，基于所述風(fēng)險評估報告，為術(shù)中和術(shù)后護理提供決策支持。

9、進(jìn)一步地，在步驟s2中，所述模型生成，具體包括以下步驟：

10、步驟s21：噪聲去除，使用高斯濾波對三維影像數(shù)據(jù)進(jìn)行卷積運算，計算每個像素的加權(quán)平均值，得到平滑圖像；

11、步驟s22：邊緣增強，使用sobel算子對平滑圖像計算梯度值，增強所述平滑圖像中的高值區(qū)域，并突出邊緣區(qū)域，得到增強圖像；

12、步驟s23：圖像分割，構(gòu)建u-net模型，將所述增強圖像中的腫瘤區(qū)域和周圍組織分離，得到分割圖像；所述u-net模型包括編碼器、瓶頸層和解碼器，并通過跳躍連接恢復(fù)邊緣信息；所述編碼器包括多個下采樣層，每個下采樣層由卷積層和最大池化層組成，所述解碼器包括多個上采樣層，每個上采樣層由轉(zhuǎn)置卷積層和卷積層組成，所述跳躍連接將編碼器的特征圖與解碼器相應(yīng)層的特征圖進(jìn)行逐元素相加，恢復(fù)邊緣信息；輸出層輸出表示腫瘤區(qū)域與非腫瘤區(qū)域分離的單通道圖像；

13、步驟s24：圖像優(yōu)化，構(gòu)建優(yōu)化函數(shù)對分割邊界進(jìn)行平滑處理，得到最終的三維解剖模型，所用公式如下：

14、；

15、式中，表示優(yōu)化函數(shù)，表示分割邊界，表示圖像梯度，和為控制優(yōu)化函數(shù)平滑性和邊界強度的權(quán)重參數(shù)。

16、進(jìn)一步地，在步驟s4中，所述動態(tài)護理，具體包括以下步驟：

17、步驟s41：獲取醫(yī)院的電子病歷系統(tǒng)，讀取患者的個體化數(shù)據(jù)，結(jié)合術(shù)前信息支持和手術(shù)方案生成初步護理方案；

18、步驟s42：使用監(jiān)護設(shè)備采集患者的實時生理指標(biāo)和治療進(jìn)展，動態(tài)調(diào)整初步護理方案；

19、步驟s43：根據(jù)患者的個體化數(shù)據(jù)和實時生理指標(biāo)，計算初步護理方案中各項護理措施的優(yōu)先級；所述優(yōu)先級計算通過粒子群優(yōu)化算法實現(xiàn)，根據(jù)患者的個體化數(shù)據(jù)和實時生理指標(biāo)，計算各項護理措施的優(yōu)先級，優(yōu)先級高的護理措施優(yōu)先執(zhí)行，所用公式如下：

20、；

21、式中，表示護理措施的優(yōu)先級，表示護理措施，表示與護理措施相關(guān)的特征函數(shù)，表示每個特征的權(quán)重；

22、步驟s44：基于優(yōu)先級對護理措施進(jìn)行排序和組合，生成個性化護理決策；所述個性化護理決策包括各項護理措施的執(zhí)行順序和時間安排，生成的護理決策通過護理系統(tǒng)推送給醫(yī)護人員，指導(dǎo)實際的護理操作，所用公式如下：

23、；

24、；

25、式中，表示護理措施排序結(jié)果，表示護理措施優(yōu)先級，表示排序算法，表示每項護理措施的執(zhí)行時間，表示個性化護理決策。

26、進(jìn)一步地，在步驟s6中，所述決策支持，具體包括以下步驟：

27、步驟s61：從風(fēng)險評估報告、個性化護理方案和患者的個體化數(shù)據(jù)中獲取風(fēng)險因素；

28、步驟s62：風(fēng)險概率評估，使用貝葉斯網(wǎng)絡(luò)對不同的風(fēng)險因素進(jìn)行建模，分析當(dāng)前情況是否與風(fēng)險因素匹配，并計算風(fēng)險因素發(fā)生的概率和預(yù)期嚴(yán)重性；

29、步驟s63：決策規(guī)則生成，若術(shù)中風(fēng)險因素評估為高，輸出藥物使用調(diào)整規(guī)則；若術(shù)后風(fēng)險因素評估為高，推薦進(jìn)行感染檢查，并自動建議是否需要調(diào)整抗生素治療方案；

30、步驟s64：干預(yù)計劃，提供術(shù)后恢復(fù)過程中的護理方案和干預(yù)時間表，對護理決策進(jìn)行動態(tài)調(diào)整。

31、采用上述方案本發(fā)明取得的有益效果如下：

32、（1）針對傳統(tǒng)的口腔癌影像采集過程中，常常會受到噪聲影響，導(dǎo)致在腫瘤邊界模糊、形態(tài)不規(guī)則的情況下，處理復(fù)雜結(jié)構(gòu)的能力差，無法提供穩(wěn)定的分割結(jié)果的問題，本方案基于u-net模型從三維影像數(shù)據(jù)中提取腫瘤區(qū)域，并將其與周圍健康組織分離，自動處理復(fù)雜的腫瘤形態(tài)，提供更高的分割精度和魯棒性，最終生成精確的三維解剖模型。

33、（2）針對傳統(tǒng)的護理方法對于特定疾病如口腔癌的圍手術(shù)期護理需求缺乏針對性，導(dǎo)致護理流程不規(guī)范、信息整合度低、決策支持不足的問題，本方案通過獲取患者的個體化數(shù)據(jù)、實時生理指標(biāo)以及治療進(jìn)展，使用智能優(yōu)化算法來計算每項護理措施的優(yōu)先級，并根據(jù)優(yōu)先級動態(tài)生成個性化的護理決策，自動化地為患者提供最適合的護理方案，更好地適應(yīng)不同患者的個性化需求。

技術(shù)特征：

1.一種口腔癌圍手術(shù)期的護理決策方法，其特征在于：該方法包括以下步驟：

2.根據(jù)權(quán)利要求1所述的一種口腔癌圍手術(shù)期的護理決策方法，其特征在于：在步驟s2中，所述模型生成，包括以下步驟：

3.根據(jù)權(quán)利要求1所述的一種口腔癌圍手術(shù)期的護理決策方法，其特征在于：在步驟s4中，所述動態(tài)護理，包括以下步驟：

4.根據(jù)權(quán)利要求1所述的一種口腔癌圍手術(shù)期的護理決策方法，其特征在于：在步驟s6中，所述決策支持，包括以下步驟：

技術(shù)總結(jié)
本發(fā)明涉及醫(yī)療護理技術(shù)領(lǐng)域，具體公開了一種口腔癌圍手術(shù)期的護理決策方法，方法包括圖像采集、模型生成、術(shù)前評估、動態(tài)護理、風(fēng)險評估和決策支持。本方案基于U?Net模型從三維影像數(shù)據(jù)中提取腫瘤區(qū)域，并將其與周圍健康組織分離，自動處理復(fù)雜的腫瘤形態(tài)，提供更高的分割精度和魯棒性，最終生成精確的三維解剖模型；本方案通過獲取患者的個體化數(shù)據(jù)、實時生理指標(biāo)以及治療進(jìn)展，使用智能優(yōu)化算法來計算每項護理措施的優(yōu)先級，并根據(jù)優(yōu)先級動態(tài)生成個性化的護理決策，自動化地為患者提供最適合的護理方案，更好地適應(yīng)不同患者的個性化需求。

技術(shù)研發(fā)人員：譚曉娟,呂琨,李雪冬,王天一,鄧易坤,王雅楠
受保護的技術(shù)使用者：天津醫(yī)科大學(xué)口腔醫(yī)院
技術(shù)研發(fā)日：
技術(shù)公布日：2025/5/15