CN104063579B - 基于多元医疗消费数据的健康动态预测方法和设备 - Google Patents
基于多元医疗消费数据的健康动态预测方法和设备 Download PDFInfo
- Publication number
- CN104063579B CN104063579B CN201410209528.XA CN201410209528A CN104063579B CN 104063579 B CN104063579 B CN 104063579B CN 201410209528 A CN201410209528 A CN 201410209528A CN 104063579 B CN104063579 B CN 104063579B
- Authority
- CN
- China
- Prior art keywords
- data
- health
- user
- internal organs
- consumption
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Abstract
本发明提供了一种基于多元医疗消费数据的健康动态预测方法和设备。本发明分析用户医疗消费的数据,采集其医疗消费的类别、金额、频率等历史数据信息,根据体检信息作为元数据建立用户健康评估模型,同时考虑用户的生活习惯、饮食标准等动态因素,通过多元健康数据预测模型,分析预测用户的健康情况,从而实现健康动态预测。采用本发明能够提高人们对自身健康的认知度,减少疾病出现的概率,符合国家治病的社会取向,提高健康诊断结果的准确性及可靠性。
Description
技术领域
本发明涉及云服务的数据分析技术,尤其涉及个人健康领域的数据分析计算。
背景技术
当前,我国每年的门急诊量达60亿人次,相当于每人平均看五次病。随着社会经济的发展,人们对健康越来越关注,随着社会老龄化的加剧和个人健康评估预测覆盖面的扩大,越来越多的人希望得到更为准确的医疗健康服务,人们对医院、药店、中医诊所、体检中心等健康医疗服务的需求较大。对于个人的医疗记录,各医院、药店、中医诊所、体检中心等健康医疗服务提供者并不共享医疗数据。同时,由于医患关系越来越显紧张,如何解决这个问题逐渐升级为社会的焦点。
本发明致力于通过技术手段改善健康医疗服务现状,减少人们对医院的依赖感,从而改善医患关系;该方法通过采集人们日常生活中的医疗消费历史数据,根据所采集的医疗消费历史数据进行科学有效地分析,动态地计算和评估个人的身体健康状态,提高了人们对自己身体状况的认知度,降低了疾病的发病率,进而减轻了医院的诊断和体检压力,以达到改善和缓解医患关系的目的。
发明内容
为解决上述问题,本发明提供了一种基于多元医疗消费数据的健康动态预测方法。本发明直接将用户的各类医疗消费历史记录,从医院、药店、中医诊所、体检中心等采集到云服务器端,然后通过多元医疗分析算法建立用户的健康评估模型,自动分析用户的身体健康状况,评估未来阶段可能出现的问题和疾病状况。通过本发明,用户可以根据以往的体检情况和自身消费药品的情况,有效的分析和预测自身的身体健康状况,减低了医院检查的压力,而且极大地提高了人们对自身健康情况的了解程度,颠覆了传统的医疗体检概念。
在一方面,上述方法包括:根据用户市民卡的数据记录,分析用户医疗消费的数据,采集其医疗消费包括类别、金额、频率等历史数据信息;建立三个衡量用户健康的数据指标:(1)根据体检信息作为元数据建立用户健康评估模型HM;(2)用户药物的摄取历史信息,形成多元化医疗消费数据D;(3)根据用户生活习惯和饮食标准等动态因素,形成健康影响阈值参数PHM;
在另一方面中,本发明包括实现健康动态预测的设备,包括:采集模块,根据用户医疗消费的数据记录,采集其医疗消费包括类别、金额、频率等历史数据信息;数据指标建立模块,建立三个衡量用户健康的数据指标:(1)通过用户日常生活消费信息,形成多元化医疗消费数据D;(2)根据多元化医疗消费数据D中的体检信息,作为元数据建立用户健康评估模型HM;(3)根据用户生活习惯和饮食标准等动态因素,形成健康影响阈值参数PHM;分析预测模块,通过多元健康数据预测模型,分析预测用户的健康情况。
在一实施例中,本发明的上述方法具体包括:
(1)通过用户日常生活的消费信息数据库,采集用户的多元化医疗消费数据D(typei,itemi,valuei,timei),其包括药品消费、体检和中医诊断,其中typei为消费类型,包括药品消费Y、体检T和中医诊断C三种情况;itemi为该消费影响的脏腑集合;valuei为影响脏腑的具体数值;timei为该消费的时间,下标i标识第i种消费数据项;
(2)根据上述步骤(1)中的多元化医疗消费数据D抽取体检数据E,建立该用户的健康评估模型HM,分别从心Ht、肝Lr、脾Sn、肺Lg、肾Rl这五个方面评价用户的脏腑健康程度;
(3)根据生活饮食阈值评估函数flife,计算健康影响阈值参数PHM;其中PHM={PHt、PLr、PSn、PLg、PRl},表示生活饮食对脏腑的影响评估指数;
(4)根据多元化医疗消费数据预测模型,分析预测用户的健康情况;
其中,在上述步骤(2)中,健康评估模型HM的具体计算过程如下:
1.初始化用户的肢体和脏器的健康阈值H<ki,vi>,其中ki∈{Ht,Lr,Sn,Lg,Rl},分别表示心、肝、脾、肺、肾,vi为脏腑的健康评估值,根据健康指标不同,其分为定性指标和定量指标两种:
(a)定性指标:标识是否存在具体疾病,比如,体检数值E中存在数据表明某种疾病,则置该项数据为负数:vi=-1×vi;
(b)定量指标:器官的综合评价数值,不能确定某个具体疾病,只是说明某个器官的健康程度,该项目数据为相对健康数值的平均值,其中
其中,vh为标准健康值,Δvi为某项目检查值相对标准健康值的偏差值,即
vi-vh。
2.根据体检数据E(ei,pi,re)分析修正健康阈值,其中ei为体检项目,pi为体检数值,re为对应脏腑器官;通过脏腑阈值智能评估函数,评估计算得到HM;其中脏腑阈值智能评估函数是以机器智能学习算法为内核的云服务,其具体内容见表1;其逻辑为:
(1)体检数据正常,则fhe(E(ei,pi,re))=0;
(2)体检数据异常,计算偏差值,即超出正常的值/正常值,
fhe(E(ei,pi,re))=(ei.pi-ei.pnormal)/ei.pnormal;
HM<ki,vi>=H<ki,vi-fhe(E(ei,pi,re))>
其中,所述步骤(4)中的分析预测用户的健康情况的实施步骤如下:
抽取一定周期的HM数据作为参考样本,绘制脏腑健康变化图,包括:
1.在体检数据中存在某种脏腑疾病,则该脏腑为负值;
2.分析计算各项目数据的连续折线图,计算其斜率变化值,例如:
(1)若其衰减率在周期内始终为正数,反映其脏器处于康复状态;
(2)若其衰减率在周期内始终为负数,反映其脏器处于病变状态,需要及时医院就诊治疗;
(3)若衰减率在周期内出现波动状态,则计算其平均衰减系数,正值则说明其脏器属于正常发展,负值这说明其生活饮食存在问题,需要纠正;
平均衰减率系数计算方法如下:
本发明的有益效果为:通过医疗体检评估对象的健康情况,针对根据医疗消费的数据动态计算其身体健康程度,同时考虑生活习惯和饮食标准对健康的影响程度,基于多元医疗消费数据的健康动态预测方法能够提高人们对自身健康的认知度,减少疾病出现的概率,符合国家治病的社会取向,提高健康诊断结果的准确性及可靠性。
附图说明
图1是抽取一年的HM数据作为参考样本所绘制得脏腑健康变化图。
具体实施方式
以下结合附图和实施例对本发明的技术方案作进一步详细说明。以下实施例在以本发明的技术方案为前提下进行实施,给出了详细的实施方式和过程,但本发明的保护范围不限于下述的实例。
基于多元医疗消费数据的健康动态预测方法,包括以下步骤:
步骤1,通过用户的消费信息数据库,采集用户的多元化医疗消费数据D(typei,itemi,valuei,timei);例如
其中,typei为消费类型,包括药品消费Y、体检T和中医诊断C三种情况;itemi为该消费影响的脏腑集合;valuei为影响脏腑的具体数值;timei为该消费的时间;下标i标识第i种消费数据项。并且其中,Ht、Lr、Sn、Lg分别指代用户脏腑的心、肝、脾、肺。
步骤2,该用户存在体检数据E,则根据体检数据,通过fhe(E(ei,pi,re))建立该用户的健康评估模型HM=((Ht,0.86) (Lr,0.61) (Sn,0.74) (Lg,0.79) (Rl,0.68))。其中,在该步骤2中,健康评估模型HM的具体计算过程如下:
1.初始化用户的肢体和脏器的健康阈值H<ki,vi>,其中ki∈{Ht,Lr,Sn,Lg,Rl},vi为脏腑的健康评估值,根据健康指标不同,其分为定性指标和定量指标两种:
(a)定性指标:标识是否存在具体疾病,比如,体检数值E中存在数据表明某种疾病,则置该项数据为负数:vi=-1×vi;
(b)定量指标:器官的综合评价数值,不能确定某个具体疾病,只是说明某个器官的健康程度,该项目数据为相对健康数值的平均值,其中
其中,vh为标准健康值,Δvi为某项目检查值相对标准健康值的偏差值,即
vi-vh。
2.根据体检数据E(ei,pi,re)分析修正健康阈值,其中ei为体检项目,pi为体检数值,re为对应脏腑器官;通过脏腑阈值智能评估函数,评估计算得到HM;其中脏腑阈值智能评估函数是以机器智能学习算法为内核的云服务,其具体内容见表1;其逻辑为:
(1)体检数据正常,则fhe(E(ei,pi,re))=0;
(2)体检数据异常,计算偏差值,即超出正常的值/正常值,
fhe(E(ei,pi,re))=(ei.pi-ei.pnormal)/ei.pnormal;
HM<ki,vi>=H<ki,vi-fhe(E(ei,pi,re))>
表1脏腑阈值评估表
步骤3,根据该用户的生活习惯,如表2所示,通过生活饮食阈值评估函数,计算健康影响阈值参数PHM=(-0.03+0.01+0.04-0.02+0.01);
表2生活饮食阈值评估表
生活饮食习惯 | 评测指标 | 脏腑 |
每日10点之前睡觉 | 0.01 | 肝脏 |
每日吃麦片和山药的习惯 | 0.04 | 脾脏 |
每日抽烟习惯 | -0.02 | 肺脏 |
有洗冷水澡和冬泳的习惯 | -0.01 | 肾脏 |
脾气不好,经常发火 | -0.03 | 心脏 |
步骤4,以用户的健康评估模型HM作为样本,根据多元健康数据预测模型,分析预测用户的健康情况;
步骤5,抽取一年的HM数据作为参考样本,绘制脏腑健康变化图,如图1所示。
计算分析心脏的衰减系数为ΔHr=(-5%-5.3%+0%+-1.3+4.2%)/5=-1.48%,说明心脏处于病变状态,需要及时去医院治疗;
采用本发明,通过分析预测用户的健康情况,实现了用户的健康动态预测,提高了人们对自身健康的认知度,减少疾病出现的概率,符合国家治病的社会取向,提高健康诊断结果的准确性及可靠性。可有效地告知用户当前身体状态,提醒用户注意,达到健康预测的目的。
Claims (2)
1.一种基于多元医疗消费数据的健康动态预测设备,其特征在于包括:
采集模块,根据用户医疗消费的数据记录,采集其医疗消费包括类别、金额、频率等历史数据信息;
数据指标建立模块,建立三个衡量用户健康的数据指标:
(1)通过用户日常生活消费信息,形成多元化医疗消费数据D(typei,itemi,valuei,timei),其中type为消费类型,item为该消费影响的脏腑集合,value为影响脏腑的具体数值,time为该消费的时间,下标i标识第i种消费数据项;
(2)根据多元化医疗消费数据D中的体检信息,作为元数据建立用户健康评估模型HM,分别从心Ht、肝Lr、脾Sn、肺Lg、肾Rl这五个方面评价用户的脏腑健康程度;具体包括:
初始化用户的肢体和脏器的健康阈值H<ki,vi>,其中ki∈{Ht,Lr,Sn,Lg,Rl},vi为脏腑的健康评估值,根据健康指标不同,其分为定性指标和定量指标两种;
根据体检数据分析修正健康阈值;
(3)根据生活饮食阈值评估函数flife,计算健康影响阈值参数PHM;
分析预测模块,根据多元化医疗消费数据预测模型,分析预测用户的健康情况,具体包括:
根据评估模型HM,多元化医疗消费数据D以及健康影响阈值参数PHM三个指标并结合以下公式分析预测用户健康情况:
2.如权利要求1所述的设备,其特征在于,取一定周期的HM数据作为参考样本,绘制脏腑健康变化图,包括:
在体检数据中存在某种脏腑疾病,则该脏腑为负值;
分析计算各项目数据的连续折线图,计算其斜率变化值:
若其衰减率在周期内始终为正数,反映其脏器处于康复状态;若衰减率在周期内出现波动状态,则计算其平均衰减系数,正值则说明其脏器属于正常发展,负值这说明其生活饮食存在问题,需要纠正;
通过平均衰减率预测若干周期后的脏腑发展情况。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410209528.XA CN104063579B (zh) | 2014-05-16 | 2014-05-16 | 基于多元医疗消费数据的健康动态预测方法和设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410209528.XA CN104063579B (zh) | 2014-05-16 | 2014-05-16 | 基于多元医疗消费数据的健康动态预测方法和设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104063579A CN104063579A (zh) | 2014-09-24 |
CN104063579B true CN104063579B (zh) | 2017-08-15 |
Family
ID=51551289
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410209528.XA Active CN104063579B (zh) | 2014-05-16 | 2014-05-16 | 基于多元医疗消费数据的健康动态预测方法和设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104063579B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105046406A (zh) * | 2015-06-25 | 2015-11-11 | 成都厚立信息技术有限公司 | 住院病人医疗管理质量评估方法 |
CN104951894B (zh) * | 2015-06-25 | 2018-07-03 | 成都厚立信息技术有限公司 | 医院疾病管理智能分析和评估系统 |
WO2017204233A1 (ja) * | 2016-05-23 | 2017-11-30 | Necソリューションイノベータ株式会社 | 健康状態予測装置、健康状態予測方法、及びコンピュータ読み取り可能な記録媒体 |
CN106599569A (zh) * | 2016-12-12 | 2017-04-26 | 墨宝股份有限公司 | 一种基于多元医疗消费数据的健康动态预测方法和设备 |
CN110265118A (zh) * | 2019-06-14 | 2019-09-20 | 吉林大学第一医院 | 一种肺部影像诊断报告质量的评估方法和系统 |
CN113852525B (zh) * | 2021-08-20 | 2023-06-16 | 青岛海尔科技有限公司 | 终端设备的控制方法和装置、存储介质及电子装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1613070A (zh) * | 2001-11-02 | 2005-05-04 | 美国西门子医疗解决公司 | 用于自动顺应性的病人数据挖掘 |
CN101622622A (zh) * | 2006-09-26 | 2010-01-06 | 拉尔夫·科普曼 | 个人健康记录系统及装置 |
CN101795620A (zh) * | 2007-08-28 | 2010-08-04 | 神经焦点公司 | 消费者体验评定系统 |
EP2339488A1 (en) * | 2009-12-22 | 2011-06-29 | Apteekide Infotehnoloogia OÜ | A system for analysis and report of drug interactions |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7853456B2 (en) * | 2004-03-05 | 2010-12-14 | Health Outcomes Sciences, Llc | Systems and methods for risk stratification of patient populations |
-
2014
- 2014-05-16 CN CN201410209528.XA patent/CN104063579B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1613070A (zh) * | 2001-11-02 | 2005-05-04 | 美国西门子医疗解决公司 | 用于自动顺应性的病人数据挖掘 |
CN101622622A (zh) * | 2006-09-26 | 2010-01-06 | 拉尔夫·科普曼 | 个人健康记录系统及装置 |
CN101795620A (zh) * | 2007-08-28 | 2010-08-04 | 神经焦点公司 | 消费者体验评定系统 |
EP2339488A1 (en) * | 2009-12-22 | 2011-06-29 | Apteekide Infotehnoloogia OÜ | A system for analysis and report of drug interactions |
Also Published As
Publication number | Publication date |
---|---|
CN104063579A (zh) | 2014-09-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104063579B (zh) | 基于多元医疗消费数据的健康动态预测方法和设备 | |
CN106778042A (zh) | 心脑血管患者相似性分析方法及系统 | |
CN110069779B (zh) | 医疗文本的症状实体识别方法及相关装置 | |
CN105574337A (zh) | 一种健康评估装置 | |
Zhang et al. | Using CatBoost algorithm to identify middle-aged and elderly depression, national health and nutrition examination survey 2011–2018 | |
CN109102899A (zh) | 基于机器学习与大数据的中医智能辅助系统及方法 | |
CN105528529A (zh) | 基于大数据分析的中医临床技能评价体系的数据处理方法 | |
CN111563891B (zh) | 基于颜色认知的疾病预测系统 | |
CN104299242B (zh) | 基于ngc‑acm的荧光造影眼底图像提取方法 | |
CN107066798A (zh) | 一种心脏健康质量预警系统及其预警方法 | |
CN101751509A (zh) | 一种猪病诊断系统和方法 | |
CN109935337A (zh) | 一种基于相似性度量的病案查找方法及系统 | |
Chen et al. | A deep-learning based ultrasound text classifier for predicting benign and malignant thyroid nodules | |
CN106980769A (zh) | 一种目标客户分类系统 | |
Sirisati et al. | Identification of Mucormycosis in post Covid-19 case using Deep CNN | |
CN111081334A (zh) | 一种基于风险因素概率组合分析的慢性疾病早期预警方法 | |
CN117271804B (zh) | 一种共病特征知识库生成方法、装置、设备及介质 | |
CN112768074A (zh) | 一种基于人工智能的重疾风险预测方法及系统 | |
CN114743619B (zh) | 一种用于疾病风险预测的调查问卷质量评价方法及系统 | |
CN106372425A (zh) | 一种基于症状比例r值的症状监测预警方法 | |
CN110176283A (zh) | 时空大数据关联的慢病管理方法、存储介质和终端 | |
CN116564521A (zh) | 一种慢性病风险评估模型建立方法、介质及系统 | |
CN110265118A (zh) | 一种肺部影像诊断报告质量的评估方法和系统 | |
Zhou et al. | A pilot study: detrusor overactivity diagnosis method based on deep learning | |
Gai et al. | Diagnosis of hepatobiliary disease based on logistic regression model |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |