Diagnosesysteem voor ondervoeding opzetten met behulp van kunstmatige-intelligentietechnologie

De prevalentie van ondervoeding wordt geschat op 30-50% van de ziekenhuispatiënten in China. Ziektegerelateerde ondervoeding verhoogt het risico op infectie, sterfte, duur van ziekenhuisopname en de economische last. Nationaal Voedingsplan voorgesteld om ondervoeding terug te dringen, maar een duidelijk, effectief stappenplan en protocol is er nog niet. Verschillende factoren belemmeren het oplossen van de bovenstaande uitdagingen. Ze omvatten: 1) de lage efficiëntie van de huidige diagnosemethoden voor ondervoeding; 2) het ontbreken van een dynamische, standaardmethode die de voedingstoestand kwantitatief kan evalueren. Hiertoe willen de onderzoekers een diagnosesysteem voor ondervoeding op basis van kunstmatige intelligentie opzetten om de toepassing van de Clinical Pathway voor ondervoeding te verbeteren. Ten eerste zullen de onderzoekers een multidimensionale grote dataset over ondervoeding opzetten, gebaseerd op onze eerder gebouwde nationale dataset voor voedingsscreening in ziekenhuizen.

Het zal diepe 3D-gezichtsbeelden, semi-gestructureerd en gestructureerd elektronisch medisch dossier bevatten. Vervolgens zullen de onderzoekers het algoritme voor het leren van ensembles gebruiken om een ​​volledig automatisch, op kunstmatige intelligentie gebaseerd diagnosemodel voor ondervoeding vast te stellen dat zowel een etiologische als een fenotypische diagnose omvat.