CN105956156A - 误诊疾病数据库 - Google Patents
误诊疾病数据库 Download PDFInfo
- Publication number
- CN105956156A CN105956156A CN201610323705.6A CN201610323705A CN105956156A CN 105956156 A CN105956156 A CN 105956156A CN 201610323705 A CN201610323705 A CN 201610323705A CN 105956156 A CN105956156 A CN 105956156A
- Authority
- CN
- China
- Prior art keywords
- diagnosis
- disease
- mistaken diagnosis
- mistaken
- misdiagnosis
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
误诊疾病数据库,包括数据库登录模块、疾病查询模块、疾病分析模块、查询结果显示模块和云端平台;数据库登录模块用于进入误诊疾病数据库;疾病查询模块用于查询误诊疾病的信息;疾病分析模块用于分析所要查询的误诊疾病信息;查询结果显示模块用于显示误诊疾病的查询结果;云端平台用于存放误诊疾病的信息。本发明把误诊研究的理论变成工具,让全国医生方便共享。在共享误诊大数据的同时,对临床医生进行医学继续再教育。减少了误诊率,为误诊学深入研究奠定了良好的标准和方向。
Description
技术领域
本发明涉及数据库系统技术领域,具体地说是一种误诊疾病数据库。
背景技术
从1995年开始,在1993年完成《误诊学》专著的基础上,设计了计算机分析统计模型,从研制单机版软件入手,逐步升级为局域网系统和互联网检索系统。经过漫长的误诊数据挖掘、整合、分析的过程,从标准到方法,从技术到平台,历时20多年,目前已经完成2004-2013年十年百万数据样本的数据分析。录入信息量上千万,在纵横交错的统计分析过程中利用信息上亿次。正在继续完成1990年代和后续年度的误诊数据采集和分析。误诊疾病数据库无论从技术角度、理论构架,还是其可操作性,都有不可复制的权威性。
误诊现象始终是困扰临床工作的难题。文献数据显示,虽然临床诊断技术不断进步,但是误诊率却没有随着医学技术的进步而下降,国内外的临床误诊率一直在30%左右徘徊。进入新世纪以来,误诊率仍然居高不降。为了解决这一困扰临床医学的难题,本项研究用反向思维的方法,提出应用社会学方法来研究临床实际问题,促进了临床医学与社会学的交叉渗透。
误诊疾病数据库是建立在误诊文献循证研究的基础上,首先在设定时间段内获得误诊文献全数据,而不是样本数据。对2004-2013年发表在全部(800-1200种)中文医学期刊中的500万篇文献进行关键词检索,找到误诊文献6.6万篇,其中标准误诊文献3.5万篇,占53%。针对3.5万篇特定误诊文献进行循证误诊学研究,制作了误诊疾病数据库。目前已经纳入2003-2014年发表在全部(832种)中文医学期刊中的标准误诊文献误诊病例100多万,涉及误诊疾病3000种,每一个病种都有误诊率、误诊后果、误诊原因等规律数据。
全国每年住院患者12亿,按照30%误诊率计算约有误诊病例4亿,而文献数据量只占到实际数据量的1/400。虽然没有获得全部临床误诊病例,但是10年间获得标准误诊文献的数据病例100万,这项研究发明是当今误诊研究工作中最大的数据量。本着循证医学和大数据的原理。完全可以发现其中的规律性结果,也足以为临床医生提供有价值的避免误诊的方法。
建立误诊疾病数据库的唯一目的就是帮助临床医生提高诊断水平。该检索系统对百万病例中的3000个单病种做出预测模型,让临床医生对每种疾病的误诊率、误诊原因、误诊后果、误诊范围进行检索,从而发现单病种误诊的规律数据。
发明内容
本发明的目的在于提供一种误诊疾病数据库,用于解决疾病误诊率居高不下,临床医生的平均诊断水平较低的问题。
本发明解决其技术问题所采取的技术方案是:
误诊疾病数据库,其特征是,包括数据库登录模块、疾病查询模块、疾病分析模块、查询结果显示模块和云端平台;
所述的数据库登录模块用于进入误诊疾病数据库;
所述的云端平台用于存放疾病信息;
所述的疾病查询模块用于从云端平台上查询目标疾病信息;
所述的疾病分析模块用于分析所要查询的目标疾病信息,包括数据提取模块和数据处理模块;数据提取模块提取疾病查询模块查询出来的目标疾病的相关数据,数据处理模块对数据进行逻辑处理;
所述的查询结果显示模块将目标疾病的查询结果和数据处理模块处理完成的数据进行显示。
进一步地,所述的疾病信息包括疾病的单病种误诊率、误诊原因、确诊手段、误诊后果、误诊范围、误诊医院等级的构成比。
进一步地,所述的数据库登录包括医院登录、医生登录和大众登录,医院登录、医生登录和大众登录的权限不同,根据登录的权限不同,所查询到的内容不同,医院登录所查询到的为全部内容,医生登录所查询到的为专业内容,大众登录所查询到的为科普内容;
全部内容包括:数据库中全部单病种的误诊率、误诊原因、确诊手段、误诊后果、误诊范围和误诊医院等级的构成比;
专业内容包括:与登录医生的专业相同的误诊单病种的误诊率、误诊原因、确诊手段、误诊后果、误诊范围和误诊医院等级的构成比;
科普内容包括:大众需要检索的疾病的误诊率、误诊原因、确诊手段和误诊范围。
进一步地,所述的单病种误诊率为某年度的单病种误诊例数与单病种病例总数之比,具体公式为:单病种误诊率=某年度单病种误诊病例总数/某年度单病种的报道病例总数;
所述的误诊原因包括:(1)医生经验不足,缺乏对该病的认识;(2)医生问诊及体格检查不细致;(3)医生未选择特异性检查项目;(4)过分依赖或迷信辅助检查结果;(5)病人缺乏特异性症状体征;(6)医生诊断思维方法有误;(7)疾病属于国内罕见病或新病种;(8)疾病的并发症掩盖了原发病;(9)病人以罕见症状体征发病;(10)病人主述或代述病史不确切;(11)病理诊断错误;(12)病理组织取材不到位;(13)多种疾病并存而漏诊主要疾病;(14)医院缺乏特异性检查设备;(15)医生对专家权威的盲从心理;(16)病人故意隐瞒病情;
所述的确诊手段包括一级诊断手段、二级诊断手段、三级诊断手段和四级诊断手段;所述的一级诊断手段包括病理学诊断和细胞学诊断;所述的二级诊断手段包括手术诊断和影像学诊断;所述的三级诊断手段包括临床诊断,临床诊断包括血液化验及试验性对症治疗后观察诊断;所述的四级诊断手段包括死亡后依据症状体征及各种检查结果推断;根据确诊手段,每一个单病种均有各级诊断的确诊手段的比例,包括一级诊断比例、二级诊断比例、三级诊断比例和四级诊断比例:
所述的一级诊断比例的计算方法为:一级诊断比例=一级诊断病例总数/全部诊断的总病例;
所述的二级诊断比例的计算方法为:二级诊断比例=二级诊断病例总数/全部诊断的总病例;
所述的三级诊断比例的计算方法为:三级诊断比例=三级诊断病例总数/全部诊断的总病例;
所述的四级诊断比例的计算方法为:四级诊断比例=四级诊断病例总数/全部诊断的总病例;
所述的误诊后果包括一级后果、二级后果和三级后果;所述的一级后果为误诊误治造成严重后果甚至死亡;二级后果为误诊误治使得病情迁延并给患者造成痛苦;三级后果为发生误诊误治但是未发生不良后果;
所述的误诊范围包括正向查询的疾病范围和反向查询的疾病范围,所述的正向查询的疾病范围为被误诊为其他疾病的目标疾病,所述的反向查询的疾病范围为目标疾病被误诊为的其他疾病;
所述的误诊医院等级的构成比为依据误诊文献中报道的误诊医院的不同级别,计算出不同等级医院的误诊例数及所占比例:
三级医院的误诊比例=三级医院发生误诊的总例数/所有医院发生误诊的总例数;
二级医院的误诊比例=二级医院发生误诊的总例数/所有医院发生误诊的总例数;
一级医院的误诊比例=一级医院发生误诊的总例数/所有医院发生误诊的总例数。
进一步地,查询结果显示模块显示误诊率、误诊原因、确诊手段、误诊后果、误诊范围和误诊医院等级的构成比均采用表格的形式进行显示,并分别采用年份和医院等级进行统计。
进一步地,所述的误诊疾病数据库的云端平台收录误诊文献设有收录标准,所述的收录标准为:
①有明确疾病诊断标准的文献;或,
②文献中的确诊疾病和误诊疾病名称均符合国际疾病分类编码的科学原则;或,
③有明确的疾病误诊原因分析的文献;或,
④有明确的疾病误诊后果描述的文献;或,
⑤有疾病的误诊范围名称的文献;或,
⑥除个案报道外的综合病例报道中有误诊率计算方法描述的文献。
进一步地,所述的云端平台对所收录进来的文献设置有分类标准和归类标准,按照决策树的形式进行归类,归类为医学期刊、等级医院、确诊的疾病和误诊的疾病四个标准分类;根据所述的标准分类设计了标准分类数据库,所述的标准分类数据库包括医学期刊库、等级医院库、确诊的疾病库和误诊的疾病库。
进一步地,所述的云端平台设置有多个应用接口,所述的应用接口包括APP应用接口、网页应用接口、应用程序应用接口和设备应用接口。
本发明的有益效果是:本发明提供的误诊疾病数据库,把误诊研究的理论变成工具,让全国医生方便共享。在共享误诊大数据的同时,对临床医生进行医学继续再教育。
误诊疾病数据库数据是一个可持续的、开放性的数据库。每年持续录入,病种资源不断丰富,随着数据的累加,数据分析报告的定期推出,基于国民大健康理念产出的大数据产品,有助于临床诊疗水平的不断提高,从专业技术角度,对疾病的认识分析将不断深入,理论体系将不断完善,数据分析技术也更加精准,有助于更深入挖掘和发现疾病误诊规律,从而从源头上尽可能减少误诊现象。为误诊学深入研究奠定了良好的标准和方向。
本发明包括企业登录、医生登录和大众登陆,多种登录方式更加方便了不同行业的人,使检索更加具有针对性。
本发明的疾病分析模块用于分析疾病的误诊率、误诊原因、确诊手段、误诊后果、患者情况、误诊范围、反向查询和误诊文献,查询结果显示模块将分析后的结果通过不同的形式显示出来,误诊范围和反向查询能够更直观地展示哪些疾病被误诊为目标疾病,目标疾病被误诊为哪些疾病,给临床医生提醒不要诊断错误,减少了误诊率。
疾病误诊数据库在收录误诊文献的时候,有统一的收录标准,减少了因文献作者和文献编辑水平的差异造成的误诊率和误诊结果出现差异的问题。
本发明设置有云端平台,可将数据库信息存储在云端,并且云端平台设置有多种应用接口,方便各种端口的连接使用。
本发明所有查询的显示结果都通过表格的形式来进行显示,方便了对统计结果进行分析。
附图说明
图1为本发明的模块结构图;
图2为本发明的疾病分析模块的结构图;
图3为本发明的统计分析方法流程图;
图4为本发明云端平台接口示意图;
图5为本发明实施例的误诊率示意图;
图6为本发明实施例的误诊后果示意图;
图7为本发明实施例的误诊原因示意图;
图8为本发明实施例的误诊范围示意图;
图9为本发明实施例的确诊手段示意图;
图10为本发明实施例的患者资料示意图;
图11为本发明实施例的医院构成比示意图;
图12为本发明实施例的文献情况示意图;
具体实施方式
如图1至图12所示,本发明包括数据库登录模块、疾病查询模块、疾病分析模块、查询结果显示模块和云端平台。
如图2所示,疾病分析模块用于分析所要查询的目标疾病信息,包括数据提取模块和数据处理模块;
如图3所示,数据提取模块提取疾病查询模块查询出来的目标疾病的相关数据,并将提取出来的数据发送给数据处理模块;数据处理模块对数据进行逻辑处理。
如图4所示,云端平台设置有多个应用接口,应用接口包括APP应用接口、网页应用接口、应用程序应用接口和设备应用接口。多种应用接口的设置,方便了各种端口的连接使用。
疾病信息包括疾病的单病种误诊率、误诊原因、确诊手段、误诊后果、误诊范围、误诊医院等级的构成比。
数据库登录包括医院登录、医生登录和大众登录,医院登录、医生登录和大众登录的权限不同,根据登录的权限不同,所查询到的内容不同,医院登录所查询到的为全部内容,医生登录所查询到的为专业内容,大众登录所查询到的为科普内容;
全部内容包括:数据库中全部单病种的误诊率、误诊原因、确诊手段、误诊后果、误诊范围和误诊医院等级的构成比;
专业内容包括:与登录医生的专业相同的误诊单病种的误诊率、误诊原因、确诊手段、误诊后果、误诊范围和误诊医院等级的构成比;
科普内容包括:大众需要检索的疾病的误诊率、误诊原因、确诊手段和误诊范围。
单病种误诊率为某年度的单病种误诊例数与单病种病例总数之比,具体公式为:单病种误诊率=某年度单病种误诊病例总数/某年度单病种的报道病例总数;
误诊原因包括:(1)医生经验不足,缺乏对该病的认识;(2)医生问诊及体格检查不细致;(3)医生未选择特异性检查项目;(4)过分依赖或迷信辅助检查结果;(5)病人缺乏特异性症状体征;(6)医生诊断思维方法有误;(7)疾病属于国内罕见病或新病种;(8)疾病的并发症掩盖了原发病;(9)病人以罕见症状体征发病;(10)病人主述或代述病史不确切;(11)病理诊断错误;(12)病理组织取材不到位;(13)多种疾病并存而漏诊主要疾病;(14)医院缺乏特异性检查设备;(15)医生对专家权威的盲从心理;(16)病人故意隐瞒病情;
确诊手段包括一级诊断手段、二级诊断手段、三级诊断手段和四级诊断手段;所述的一级诊断手段包括病理学诊断和细胞学诊断;所述的二级诊断手段包括手术诊断和影像学诊断;所述的三级诊断手段包括临床诊断,临床诊断包括血液化验及试验性对症治疗后观察诊断;所述的四级诊断手段包括死亡后依据症状体征及各种检查结果推断;根据确诊手段,每一个单病种均有各级诊断的确诊手段的比例,包括一级诊断比例、二级诊断比例、三级诊断比例和四级诊断比例:
一级诊断比例的计算方法为:一级诊断比例=一级诊断病例总数/全部诊断的总病例;
二级诊断比例的计算方法为:二级诊断比例=二级诊断病例总数/全部诊断的总病例;
三级诊断比例的计算方法为:三级诊断比例=三级诊断病例总数/全部诊断的总病例;
四级诊断比例的计算方法为:四级诊断比例=四级诊断病例总数/全部诊断的总病例;
误诊后果包括一级后果、二级后果和三级后果;所述的一级后果为误诊误治造成严重后果甚至死亡;二级后果为误诊误治使得病情迁延并给患者造成痛苦;三级后果为发生误诊误治但是未发生不良后果;
误诊范围包括正向查询的疾病范围和反向查询的疾病范围,所述的正向查询的疾病范围为被误诊为其他疾病的目标疾病,所述的反向查询的疾病范围为目标疾病被误诊为的其他疾病;
误诊医院等级的构成比为依据误诊文献中报道的误诊医院的不同级别,计算出不同等级医院的误诊例数及所占比例:
三级医院的误诊比例=三级医院发生误诊的总例数/所有医院发生误诊的总例数;
二级医院的误诊比例=二级医院发生误诊的总例数/所有医院发生误诊的总例数;
一级医院的误诊比例=一级医院发生误诊的总例数/所有医院发生误诊的总例数。
查询结果显示模块显示误诊率、误诊原因、确诊手段、误诊后果、误诊范围和误诊医院等级的构成比均采用表格的形式进行显示,并分别采用年份和医院等级进行统计。
误诊疾病数据库的云端平台收录误诊文献设有收录标准,收录标准为:
①有明确疾病诊断标准的文献;或,
②文献中的确诊疾病和误诊疾病名称均符合国际疾病分类编码的科学原则;或,
③有明确的疾病误诊原因分析的文献;或,
④有明确的疾病误诊后果描述的文献;或,
⑤有疾病的误诊范围名称的文献;或,
⑥除个案报道外的综合病例报道中有误诊率计算方法描述的文献。
收录文献的过程具体为:
步骤1)、依据《误诊学》理论标准设计误诊文献卡;
步骤2)、专业医生阅读收集来的误诊文献并填写卡片;
步骤3)、在误诊疾病数据库中录入文献卡的内容。
云端平台对所收录进来的文献设置有分类标准和归类标准,按照决策树的形式进行归类,归类为医学期刊、等级医院、确诊的疾病和误诊的疾病四个标准分类;根据所述的标准分类设计了标准分类数据库,所述的标准分类数据库包括医学期刊库、等级医院库、确诊的疾病库和误诊的疾病库。
以急性心肌梗死为例,在疾病误诊数据库中搜索急性心肌梗死,搜索的结果如图5至图12所示。
如图5所示,急性心肌梗死的误诊率查询结果按年份和医院等级进行分类划分,并显示误诊文献的篇数。
如图6所示,急性心肌梗死的误诊后果包括发生误诊误治未发生不良后果、未提及、死亡、误诊后果不明确、失访和误诊误治导致病情延迟或造成后果,并且误诊后果按照医院等级进行划分。
如图7所示,急性心肌梗死的误诊原因包括经验不足,缺乏对该病的认识、未选择特异性检查项目、缺乏特异性症状体征、问诊及体检合格不细致、诊断思维方法有误、过分依赖或迷信辅助检查结果、并发症掩盖了原发病、多种疾病并存、病人主述或代述病史不确切、以罕见症状体征发病、医院缺乏特异性检查设备和病人或家属不配合检查。
如图8所示,急性心肌梗死的误诊范围为急性心肌梗死被误诊为其他疾病,根据误诊疾病数据库分析,急性心肌梗死被误诊为102种疾病,涉及15种专科,采用表格的形式表示出来。
如图9所示,急性心肌梗死的确诊手段包括特异性设备心电图脑电图诊断、造影、实验室特异性生化免疫学检查、解剖尸体和根据症状体征及辅助检查,每一项确诊手段都对医院等级进行统计及其所占的比重。
如图10所示,急性心肌梗死的患者资料包括年龄阶段和耽误天数,并分别显示对应的误诊例数和误诊文献篇数。
如图11所示,急性心肌梗死的医院构成比为三级医院、二级医院和一级医院的误诊例数以及所占的百分比和确诊例数以及所占的百分比。
如图12所示,急性心肌梗死的文献情况为三级医院、二级医院、一级医院和其他医疗机构所拥有的文献篇数以及占有的百分比。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (8)
1.误诊疾病数据库,其特征是,包括数据库登录模块、疾病查询模块、疾病分析模块、查询结果显示模块和云端平台;
所述的数据库登录模块用于进入误诊疾病数据库;
所述的云端平台用于存放疾病信息;
所述的疾病查询模块用于从云端平台上查询目标疾病信息;
所述的疾病分析模块用于分析所要查询的目标疾病信息,包括数据提取模块和数据处理模块;数据提取模块提取疾病查询模块查询出来的目标疾病的相关数据,数据处理模块对数据进行逻辑处理;
所述的查询结果显示模块将目标疾病的查询结果和数据处理模块处理完成的数据进行显示。
2.根据权利要求1所述的误诊疾病数据库,其特征是,所述的疾病信息包括疾病的单病种误诊率、误诊原因、确诊手段、误诊后果、误诊范围、误诊医院等级的构成比。
3.根据权利要求1所述的误诊疾病数据库,其特征是,所述的数据库登录包括医院登录、医生登录和大众登录,医院登录、医生登录和大众登录的权限不同,根据登录的权限不同,所查询到的内容不同,医院登录所查询到的为全部内容,医生登录所查询到的为专业内容,大众登录所查询到的为科普内容;
全部内容包括:数据库中全部单病种的误诊率、误诊原因、确诊手段、误诊后果、误诊范围和误诊医院等级的构成比;
专业内容包括:与登录医生的专业相同的误诊单病种的误诊率、误诊原因、确诊手段、误诊后果、误诊范围和误诊医院等级的构成比;
科普内容包括:大众需要检索的疾病的误诊率、误诊原因、确诊手段和误诊范围。
4.根据权利要求3所述的误诊疾病数据库,其特征是,所述的单病种误诊率为某年度的单病种误诊例数与单病种病例总数之比,具体公式为:单病种误诊率=某年度单病种误诊病例总数/某年度单病种的报道病例总数;
所述的误诊原因包括:(1)医生经验不足,缺乏对该病的认识;(2)医生问诊及体格检查不细致;(3)医生未选择特异性检查项目;(4)过分依赖或迷信辅助检查结果;(5)病人缺乏特异性症状体征;(6)医生诊断思维方法有误;(7)疾病属于国内罕见病或新病种;(8)疾病的并发症掩盖了原发病;(9)病人以罕见症状体征发病;(10)病人主述或代述病史不确切;(11)病理诊断错误;(12)病理组织取材不到位;(13)多种疾病并存而漏诊主要疾病;(14)医院缺乏特异性检查设备;(15)医生对专家权威的盲从心理;(16)病人故意隐瞒病情;
所述的确诊手段包括一级诊断手段、二级诊断手段、三级诊断手段和四级诊断手段;所述的一级诊断手段包括病理学诊断和细胞学诊断;所述的二级诊断手段包括手术诊断和影像学诊断;所述的三级诊断手段包括临床诊断,临床诊断包括血液化验及试验性对症治疗后观察诊断;所述的四级诊断手段包括死亡后依据症状体征及各种检查结果推断;根据确诊手段,每一个单病种均有各级诊断的确诊手段的比例,包括一级诊断比例、二级诊断比例、三级诊断比例和四级诊断比例:
所述的一级诊断比例的计算方法为:一级诊断比例=一级诊断病例总数/全部诊断的总病例;
所述的二级诊断比例的计算方法为:二级诊断比例=二级诊断病例总数/全部诊断的总病例;
所述的三级诊断比例的计算方法为:三级诊断比例=三级诊断病例总数/全部诊断的总病例;
所述的四级诊断比例的计算方法为:四级诊断比例=四级诊断病例总数/全部诊断的总病例;
所述的误诊后果包括一级后果、二级后果和三级后果;所述的一级后果为误诊误治造成严重后果甚至死亡;二级后果为误诊误治使得病情迁延并给患者造成痛苦;三级后果为发生误诊误治但是未发生不良后果;
所述的误诊范围包括正向查询的疾病范围和反向查询的疾病范围,所述的正向查询的疾病范围为被误诊为其他疾病的目标疾病,所述的反向查询的疾病范围为目标疾病被误诊为的其他疾病;
所述的误诊医院等级的构成比为依据误诊文献中报道的误诊医院的不同级别,计算出不同等级医院的误诊例数及所占比例:
三级医院的误诊比例=三级医院发生误诊的总例数/所有医院发生误诊的总例数;
二级医院的误诊比例=二级医院发生误诊的总例数/所有医院发生误诊的总例数;
一级医院的误诊比例=一级医院发生误诊的总例数/所有医院发生误诊的总例数。
5.根据权利要求4所述的误诊疾病数据库,其特征是,查询结果显示模块显示误诊率、误诊原因、确诊手段、误诊后果、误诊范围和误诊医院等级的构成比均采用表格的形式进行显示,并分别采用年份和医院等级进行统计。
6.根据权利要求1所述的误诊疾病数据库,其特征是,所述的误诊疾病数据库的云端平台收录误诊文献设有收录标准,所述的收录标准为:
①有明确疾病诊断标准的文献;或,
②文献中的确诊疾病和误诊疾病名称均符合国际疾病分类编码的科学原则;或,
③有明确的疾病误诊原因分析的文献;或,
④有明确的疾病误诊后果描述的文献;或,
⑤有疾病的误诊范围名称的文献;或,
⑥除个案报道外的综合病例报道中有误诊率计算方法描述的文献。
7.根据权利要求6所述的误诊疾病数据库,其特征是,所述的云端平台对所收录进来的文献设置有分类标准和归类标准,按照决策树的形式进行归类,归类为医学期刊、等级医院、确诊的疾病和误诊的疾病四个标准分类;根据所述的标准分类设计了标准分类数据库,所述的标准分类数据库包括医学期刊库、等级医院库、确诊的疾病库和误诊的疾病库。
8.根据权利要求7所述的误诊疾病数据库,其特征是,所述的云端平台设置有多个应用接口,所述的应用接口包括APP应用接口、网页应用接口、应用程序应用接口和设备应用接口。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610323705.6A CN105956156A (zh) | 2016-05-16 | 2016-05-16 | 误诊疾病数据库 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610323705.6A CN105956156A (zh) | 2016-05-16 | 2016-05-16 | 误诊疾病数据库 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105956156A true CN105956156A (zh) | 2016-09-21 |
Family
ID=56911688
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610323705.6A Pending CN105956156A (zh) | 2016-05-16 | 2016-05-16 | 误诊疾病数据库 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105956156A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108831554A (zh) * | 2018-06-05 | 2018-11-16 | 中国联合网络通信集团有限公司 | 医疗信息处理方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103268349A (zh) * | 2013-05-29 | 2013-08-28 | 美合实业(苏州)有限公司 | 基于云服务的中央临床病例数据库系统 |
CN103294914A (zh) * | 2013-05-28 | 2013-09-11 | 美合实业(苏州)有限公司 | 基于云平台的远程医疗服务系统 |
CN104615633A (zh) * | 2013-11-01 | 2015-05-13 | 胡大雄 | 用于云端临床数据库管理的方法及系统 |
CN104732078A (zh) * | 2015-03-13 | 2015-06-24 | 河南群智信息技术有限公司 | 基于云平台的医疗信息分级存储方法 |
-
2016
- 2016-05-16 CN CN201610323705.6A patent/CN105956156A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103294914A (zh) * | 2013-05-28 | 2013-09-11 | 美合实业(苏州)有限公司 | 基于云平台的远程医疗服务系统 |
CN103268349A (zh) * | 2013-05-29 | 2013-08-28 | 美合实业(苏州)有限公司 | 基于云服务的中央临床病例数据库系统 |
CN104615633A (zh) * | 2013-11-01 | 2015-05-13 | 胡大雄 | 用于云端临床数据库管理的方法及系统 |
CN104732078A (zh) * | 2015-03-13 | 2015-06-24 | 河南群智信息技术有限公司 | 基于云平台的医疗信息分级存储方法 |
Non-Patent Citations (3)
Title |
---|
张仲景: "《全科医生临床诊断、治疗与预防、保健、康复服务实用全书 第2册》", 31 January 2003, 金版电子出版公司 * |
李庆颖: "健康信息云服务中心的设计与实现研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
温伟 等: "误诊疾病数据库单病种误诊文献研究: 主动脉夹层", 《临床误诊误治》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108831554A (zh) * | 2018-06-05 | 2018-11-16 | 中国联合网络通信集团有限公司 | 医疗信息处理方法及装置 |
CN108831554B (zh) * | 2018-06-05 | 2021-08-31 | 中国联合网络通信集团有限公司 | 医疗信息处理方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yorke et al. | emPHasis-10: development of a health-related quality of life measure in pulmonary hypertension | |
CN105787262B (zh) | 中医临床数字化评价体系及其基于大数据分析的评价方法 | |
Bray et al. | Evaluation of data quality in the cancer registry: principles and methods. Part I: comparability, validity and timeliness | |
CN105528529B (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 | |
CN110136837B (zh) | 一种医疗数据处理平台 | |
KR101224135B1 (ko) | 엔트로피 러프 근사화 기술에 기반한 감별진단을 위한 주요 파라미터 추출방법 및 이를 이용한 통합 임상 의사결정 지원 시스템 | |
CN108511056A (zh) | 基于脑卒中患者相似性分析的治疗方案推荐方法及系统 | |
CN111274400B (zh) | 一种医学术语系统的构建方法、装置、设备及存储介质 | |
WO2021032055A1 (zh) | 临床试验报告自动录入方法及装置、电子设备、存储介质 | |
CN107145715B (zh) | 一种基于推举算法的临床医学智能判别装置 | |
Grün et al. | Identifying heart failure in ECG data with artificial intelligence—a meta-analysis | |
CN112967803A (zh) | 基于集成模型的急诊患者早期死亡率预测方法及系统 | |
CN114023441A (zh) | 基于可解释机器学习模型的严重aki早期风险评估模型、装置及其开发方法 | |
CN114121295A (zh) | 一种知识图谱驱动的肝癌诊疗方案推荐系统的构建方法 | |
CN115099331A (zh) | 基于可解释性机器学习算法的恶性胸腔积液辅助诊断系统 | |
CN111524570A (zh) | 一种基于机器学习的超声随访患者筛选方法 | |
US20030191666A1 (en) | System and method for evaluating pretest probabilities of life-threatening diseases | |
CN116864062B (zh) | 一种基于互联网的健康体检报告数据分析管理系统 | |
CN114023440A (zh) | 可解释分层老年mods早期死亡风险评估模型、装置及其建立方法 | |
Imamura et al. | A technique for identifying three diagnostic findings using association analysis | |
Navaz et al. | The use of data mining techniques to predict mortality and length of stay in an ICU | |
CN105956156A (zh) | 误诊疾病数据库 | |
KR20180010077A (ko) | 의료 검사의 참고치 관리 장치 및 방법 | |
CN113257371B (zh) | 基于医学知识图谱的临床检验结果分析方法及系统 | |
Shi et al. | The effects of skin pigmentation on the accuracy of pulse oximetry in measuring oxygen saturation: a systematic review and meta-analysis |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160921 |
|
RJ01 | Rejection of invention patent application after publication |