CN106372425A - 一种基于症状比例r值的症状监测预警方法 - Google Patents
一种基于症状比例r值的症状监测预警方法 Download PDFInfo
- Publication number
- CN106372425A CN106372425A CN201610793025.0A CN201610793025A CN106372425A CN 106372425 A CN106372425 A CN 106372425A CN 201610793025 A CN201610793025 A CN 201610793025A CN 106372425 A CN106372425 A CN 106372425A
- Authority
- CN
- China
- Prior art keywords
- data
- hospital
- disease
- symptom
- target disease
- 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.)
- Granted
Links
Abstract
本发明公开了一种基于症状比例R值的症状监测预警方法,包括:获取医院诊疗数据;筛选出待分析的医院数据;采用德尔菲法和自定义诊断名称查找法确定要分析的目标疾病与相应的目标症状;根据症状字段是否为空将待分析的医院数据划分为有症状字段数据和无症状字段数据;在有症状字段数据中统计符合目标症状的数据量,并提取出符合目标疾病的症状特征;根据符合目标疾病的症状特征,以病种和时间段为维度求出症状比例R值矩阵;根据症状比例R值矩阵从有症状字段数据和无症状字段数据中求出目标疾病的发病数;根据目标疾病的发病数进行目标疾病数据建模分析和目标疾病预警。本发明效率高、通用性强和可移植性好,可广泛应用于症状监测领域。
Description
技术领域
本发明涉及症状监测领域,尤其是一种基于症状比例R值的症状监测预警方法。
背景技术
近年来,随着新发传染病频频出现,古老传染病和生物恐怖威胁加剧,传染病的控制面临着更严峻的考验。一个国家或地区的传染病流行,可能很快就发展成许多国家乃至全球的疾患。传统的疾病监测方法是指疾控部门为监测某些传染病或症候群的发病情况,制定相应的监测方案,并选取监测医院(即哨点医院)定时获取监测数据。传统的疾病监测方法以疾病诊断为基础,需要先将疾病诊断出来才能得出监测结果,属于被动型监测,时效性较差;而且它需要布署哨点医院,监测成本较高。
以疾病诊断为基础的传统疾病监测方法已不能适应突发公共卫生事件应急处理的要求,症状监测以它高实时性的突出特点应运而生。症状监测(Syndromicsurveillance)是指系统、持续地收集临床明确诊断前能够指示疾病发生(或流行/暴发)的信息、各种与健康和疾病事件相关的数据以及各类与健康和疾病相关的其他现象资料,通过综合分析,来监测突发公共卫生事件发生初期的异常现象。症状监测可以主动监测到公共卫生事件的萌芽状态,为传染病的防治策略提供依据。
尽管症状监测正得到越来越多的应用,但相关的理论与技术都远不成熟,目前尚处于探索阶段。症状的数据一般来源于医院的诊疗信息,主要包括症状与主诉记录。症状是指人体在病态下主观的异常感和不适感,如发热、胸痛、咳嗽等。体征则是指医生或他人能客观检查到的病态表现,如肝脾肿大、心脏杂音等。广义的症状包括体征。在症状监测预警系统中,数据的质量直接影响到预警预测的效果好坏。数据质量不好或错误的数据甚至会导致误报、谎报的情况发生。因此,在数据处理时,症状监测预警系统对数据源的要求比较高,但事实上由于各医院使用的数据标准并不统一且不同医生对同一症状描述会有差异,来自医院的诊疗数据区别很大,如何在综合分析前通过数据预处理从医院诊疗数据中准确提取出目标疾病的发病数(用于统计症状的发病率),就成了症状监测预警系统的一个亟待解决的难题。目前症状监测预警系统所采用的数据预处理方法需要为每个医院专门设计一套目标疾病发病数的提取方案,处理效率低下,且通用性不强,可移植性较差。
发明内容
为解决上述技术问题,本发明的目的在于:提供一种效率高、通用性强和可移植性好的,基于症状比例R值的症状监测预警方法。
本发明所采取的技术方案是:
一种基于症状比例R值的症状监测预警方法,包括以下步骤:
S1、获取医院诊疗数据;
S2、对医院诊疗数据进行清洗,筛选出待分析的医院数据;
S3、采用德尔菲法和自定义诊断名称查找法确定要分析的目标疾病与相应的目标症状;
S4、根据症状字段是否为空将待分析的医院数据划分为有症状字段数据和无症状字段数据;
S5、在有症状字段数据中统计符合目标症状的数据量,并提取出符合目标疾病的症状特征;
S6、根据符合目标疾病的症状特征,以病种和时间段为维度求出症状比例R值矩阵,其中,症状比例R值=有症状字段数据中符合目标症状的数据量÷有症状字段数据的数据量×100%;
S7、根据症状比例R值矩阵从有症状字段数据和无症状字段数据中求出目标疾病的发病数;
S8、根据目标疾病的发病数进行目标疾病数据建模分析和目标疾病预警。
进一步,所述步骤S2包括:
S21、从医院诊疗数据中挑选出按日、周、月和年连续不断且各关键字段有意义的医院数据;
S22、从挑选出的医院数据中选取合格医院的数据:若挑选出的医院数据均符合数据质量标准,则以挑选出的全部医院数据作为合格医院的数据;若挑选出的医院数据有部分存在质量问题,则按分层抽样原则选取部分医院从挑选出的医院数据选取部分医院数据作为合格医院的数据;
S23、根据合格医院的数据进行趋势分析或相关分析,以筛选出待分析的医院数据。
进一步,所述步骤S23包括:
S231、根据合格医院的数据分析合格医院的门诊数据的趋势;
S232、将合格医院的门诊数据与标准门诊同时段数据进行趋势对比分析或相关分析;
S233、根据趋势进行趋势对比分析的结果或相关分析的结果执行相应的操作:若合格医院的门诊数据的趋势与标准门诊同时段数据的趋势一致或者合格医院的门诊数据与标准门诊同时段数据间的相关系数大于等于0.3且具有统计学意义,则以合格医院的数据作为待分析的医院数据执行步骤S3,反之,则返回步骤S22按照分层抽样的原则重新选取合格医院的数据。
进一步,所述步骤S3包括:
采用德尔菲法在待分析的医院数据找出目标疾病中包含ICD标准诊断名的病种;
采用自定义诊断名称查找法在待分析的医院数据中找出非ICD标准诊断名但在目标疾病病种范围内的病种;
确定目标疾病病种的目标症状。
进一步,所述采用自定义诊断名称查找法在待分析的医院数据中找出非ICD标准诊断名但在目标疾病病种范围内的病种这一步骤,其包括:
将ICD标准诊断名排除在自定义诊断名称查找法的考虑范围内,然后在待分析的医院数据中采用机器学习或人工判断的方法查找疾病诊断字段中所有可能包含目标疾病病种的诊断名;
将所有可能包含目标疾病病种的诊断名按频数从大到小进行排列,然后选取前50种频数大的诊断名对应的病种作为查找出的非ICD标准诊断名但在目标疾病病种范围内的病种。
进一步,所述步骤S7包括:
将症状比例R值矩阵与有症状字段数据的数据量进行相乘,求出有症状字段数据目标疾病的发病数;
将症状比例R值矩阵与无症状字段数据的数据量进行相乘,估算出无症状字段数据目标疾病的发病数;
将有症状字段数据目标疾病的发病数和无症状字段数据目标疾病的发病数进行相加,得到目标疾病的发病数。
进一步,所述症状字段包括但不限于症状、主诉和体征描述数据字段,所述有症状字段数据中符合目标症状的数据量通过在有症状字段数据中进行目标症状语义分析的方式统计得出。
进一步,所述症状比例R值矩阵包括但不限于目标疾病中单种病种的R值矩阵以及目标疾病中由所有病种组成的总症候群的R值矩阵。
进一步,所述医院诊疗数据为连续2-3年及以上医院、区域卫生信息平台内各医院门诊和住院的数据。
进一步,所述步骤S8包括:
S81、根据目标疾病的发病数进行目标疾病数据建模分析;
S82、根据数据建模分析的结果目标疾病预警和预测。
本发明的有益效果是:综合采用了德尔菲法和自定义诊断名称查找法确定要分析的目标疾病与相应的目标症状,不受各医院使用的数据标准是否统一和不同医生对同一症状描述是否会有差异的影响;在有症状字段数据中以病种和时间段为维度求出症状比例R值矩阵,进而根据症状比例R值矩阵从求出作为症状监测预警系统综合分析基础的目标疾病的发病数,症状比例R值矩阵能根据不同医院、不同时段和不同病种进行自适应调整,无需为每个医院专门设计一套目标疾病发病数的提取方案,大大减少了症状监测预警系统数据预处理的流程,处理效率更高,且通用性更强,可移植性更好。
附图说明
图1为本发明一种基于症状比例R值的症状监测预警方法的整体流程图;
图2为本发明实施例一的步骤流程图;
图3为本发明实施例二的步骤流程图。
具体实施方式
参照图1,一种基于症状比例R值的症状监测预警方法,包括以下步骤:
S1、获取医院诊疗数据;
S2、对医院诊疗数据进行清洗,筛选出待分析的医院数据;
S3、采用德尔菲法和自定义诊断名称查找法确定要分析的目标疾病与相应的目标症状;
S4、根据症状字段是否为空将待分析的医院数据划分为有症状字段数据和无症状字段数据;
S5、在有症状字段数据中统计符合目标症状的数据量,并提取出符合目标疾病的症状特征;
S6、根据符合目标疾病的症状特征,以病种和时间段为维度求出症状比例R值矩阵,其中,症状比例R值=有症状字段数据中符合目标症状的数据量÷有症状字段数据的数据量×100%;
S7、根据症状比例R值矩阵从有症状字段数据和无症状字段数据中求出目标疾病的发病数;
S8、根据目标疾病的发病数进行目标疾病数据建模分析和目标疾病预警。
进一步作为优选的实施方式,所述步骤S2包括:
S21、从医院诊疗数据中挑选出按日、周、月和年连续不断且各关键字段有意义的医院数据;
S22、从挑选出的医院数据中选取合格医院的数据:若挑选出的医院数据均符合数据质量标准,则以挑选出的全部医院数据作为合格医院的数据;若挑选出的医院数据有部分存在质量问题,则按分层抽样原则选取部分医院从挑选出的医院数据选取部分医院数据作为合格医院的数据;
S23、根据合格医院的数据进行趋势分析或相关分析,以筛选出待分析的医院数据。
进一步作为优选的实施方式,所述步骤S23包括:
S231、根据合格医院的数据分析合格医院的门诊数据的趋势;
S232、将合格医院的门诊数据与标准门诊同时段数据进行趋势对比分析或相关分析;
S233、根据趋势进行趋势对比分析的结果或相关分析的结果执行相应的操作:若合格医院的门诊数据的趋势与标准门诊同时段数据的趋势一致或者合格医院的门诊数据与标准门诊同时段数据间的相关系数大于等于0.3且具有统计学意义,则以合格医院的数据作为待分析的医院数据执行步骤S3,反之,则返回步骤S22按照分层抽样的原则重新选取合格医院的数据。
进一步作为优选的实施方式,所述步骤S3包括:
采用德尔菲法在待分析的医院数据找出目标疾病中包含ICD标准诊断名的病种;
采用自定义诊断名称查找法在待分析的医院数据中找出非ICD标准诊断名但在目标疾病病种范围内的病种;
确定目标疾病病种的目标症状。
进一步作为优选的实施方式,所述采用自定义诊断名称查找法在待分析的医院数据中找出非ICD标准诊断名但在目标疾病病种范围内的病种这一步骤,其包括:
将ICD标准诊断名排除在自定义诊断名称查找法的考虑范围内,然后在待分析的医院数据中采用机器学习或人工判断的方法查找疾病诊断字段中所有可能包含目标疾病病种的诊断名;
将所有可能包含目标疾病病种的诊断名按频数从大到小进行排列,然后选取前50种频数大的诊断名对应的病种作为查找出的非ICD标准诊断名但在目标疾病病种范围内的病种。
进一步作为优选的实施方式,所述步骤S7包括:
将症状比例R值矩阵与有症状字段数据的数据量进行相乘,求出有症状字段数据目标疾病的发病数;
将症状比例R值矩阵与无症状字段数据的数据量进行相乘,估算出无症状字段数据目标疾病的发病数;
将有症状字段数据目标疾病的发病数和无症状字段数据目标疾病的发病数进行相加,得到目标疾病的发病数。
进一步作为优选的实施方式,所述症状字段包括但不限于症状、主诉和体征描述数据字段,所述有症状字段数据中符合目标症状的数据量通过在有症状字段数据中进行目标症状语义分析的方式统计得出。
进一步作为优选的实施方式,所述症状比例R值矩阵包括但不限于目标疾病中单种病种的R值矩阵以及目标疾病中由所有病种组成的总症候群的R值矩阵。
进一步作为优选的实施方式,所述医院诊疗数据为连续2-3年及以上医院、区域卫生信息平台内各医院门诊和住院的数据。
进一步作为优选的实施方式,所述步骤S8包括:
S81、根据目标疾病的发病数进行目标疾病数据建模分析;
S82、根据数据建模分析的结果目标疾病预警和预测。
下面结合说明书附图和具体实施例对本发明作进一步解释和说明。
实施例一
参照图2,本发明的第一实施例:
针对传统监测方法的时效性差的问题,本发明应用了症状监测方法来实现对传染病的早期预警预测。为了解决目前症状监测预警系统数据预处理效率低下、通用性不强和移植性较差的问题,本发明提出了一种基于症状比例R值的症状监测预警方法。如图2所示,该方法的具体过程如下:
(一)获取医院诊疗数据:取连续2-3年及以上医院、区域卫生信息平台内各医院门诊、住院的数据。
(二)清洗数据,筛选出待分析的医院数据。
该过程可进一步细分为如下步骤:
(1)挑选出按日、周、月和年连续不断且各关键字段有意义的医院数据。
(2)若医院数据均达标,则让全部医院参与步骤(3)的计算过程;若部分医院的数据质量有问题,则按分层抽样原则,选择医院参与步骤(3)的计算过程。参与步骤(3)的计算过程的医院统称为合格医院。
(3)计算过程:首先计算合格医院的门诊数据的趋势(如按日、周、月、年的趋势),接着将医院的门诊数据的趋势与疾控中心的一些监测系统的门诊(简称标准门诊)同时段数据进行对比,观察二者的趋势或对二者进行相关性分析。如二者的趋势相同或趋势一致,或二者的趋势相关分析系数达到0.3以上且P<0.001即可进行步骤(三)的确定过程。其中,P<0.001代表具有统计学意义。
(三)采用德尔菲法和自定义诊断名称查找法确定要分析的目标疾病与相应的目标症状(即监测标准)。如目标疾病是流感,需要先采用德尔菲法确定ICD标准中流感疾病的病种种类,然后采用自定义诊断名称查找法确定非ICD标准但属于流感疾病的病种种类;相应地,流感症状为发热大于37.5度且伴有咳嗽或咽痛。
(四)根据症状字段是否为空将待分析的医院数据划分为有症状字段数据和无症状字段数据。事实上,很多医院在这个字段中并没有填写,即无症状字段数据。
(五)根据症状相关字段,在有症状字段数据中统计符合目标症状的数据量,并提取出符合目标疾病的症状特征。
(六)根据症状比的特性计算症状比例R值=有症状字段数据中符合目标症状的数据量÷有症状字段数据的数据量×100%,再以时间段、病种为维度,求出相应的R值矩阵。
(七)根据R值矩阵,求出有症状字段数据中目标疾病发病数。
(八)根据已知的R值矩阵,估算出无症状字段数据中符合目标疾病的发病数。
(九)将(七)和(八)的结果进行求和,即可得到目标疾病的发病数。目标疾病发病数是目标疾病数据建模的基础,为目标疾病预警预测提供了可靠的数据支撑。
(十)根据目标疾病的发病数进行目标疾病数据建模,然后进行目标疾病预警和预测。
实施例二
参照图3,本发明的第二实施例:
本实施例的症状比例R值求取过程如下:
(一)在合格医院的数据中,对数据进行整理。
以流感样病例监测(ILI)为例,数据整理为:
(1)确定病种名。
确定病种名有如下两种方法:
a.用DELPTH(德尔菲)法,把ICD诊断名包含有流感类疾病诊断的病种找出,共约有42种。
b.自定义诊断名称查找法:打开数据库,除去ICD诊断的名称后查找疾病诊断字段,在自定义的诊断名称中,用机器学习或人工判断方法,找出认为可能是“感冒”样的诊断,如“上感”、“热气”和“上炎”等样的诊断,约500种,然后按频数排列,并取前50种频数大的自定义诊断名作为目标疾病病种的诊断名。
(2)确定目标症状监测标准。流感症状的监测标准为:发热37.5°以上,并有咳嗽或咽痛。
(二)检测描述症状的字段是否为空,将待分析的医院数据按有症状字段和无症状字段进行区分,先针对有症状描述的数据进行如下分析:
(1)求R值分母:
对一些有症状描述、体征描述等数据字段(如门诊病历中的症状、体格检查,住院病历中的病人体征描述)进行统计,统计以上所有有症状字段的病例数,即统计症状描述非空、体征描述非空等的数据量,并进行去重复计数。然后以统计数作为R值分母。
(2)求R值分子:
R值分子根据不同的目的,选择不同的指标和标准。如流感的症状监测标准为:发热37.5以上,并有咳嗽或咽痛。
在R值分母的基础上,在有症状描述、体征描述等数据字段内按“症状监测标准”进行语义分析,找出所有含有监测标准的语义的病例和其病种诊断名(即病种名)。
得到的结果如下表1所示:
表1
有症状字段的数 | 有标准监测症状的数 | 诊断为病种1 | 有A1例 |
有症状字段的数 | 有标准监测症状的数 | 诊断为病种2 | 有A2例 |
… | … | … | … |
有症状字段的数 | 有标准监测症状的数 | 诊断为病种92 | 有A92例 |
(三)求症状比R值。
设症状比为R,目标疾病每种病种都有症状比为R1、R2、…R92。则有:
R1=当时诊断为病种1有监测标准症状的数/当时诊断为病种1有症状字段的数×100%,
R2=当时诊断为病种2有监测标准症状的数/当时诊断为病种2有症状字段的数×100%,
…
R92=当时诊断为病种92有监测标准症状的数/当时诊断为病种92有症状的数×100%。
(四)估算无症状字段症状数据中目标疾病的发病数。
以流感样病例为例,本发明通过R值反推整体平台中92种病的总病例数和每种病种中流感样的病例数。
如:流感样总病例数=诊断为92病种所有有监测标准症状的数/诊断为92病种有症状字段的数×100%×诊断为92种病的病例之和。
“上炎”中流感样病例数=R上炎×诊断为“上炎”的病例数。其中,R上炎为有上炎症状字段描述的数据中的症状比R值。
(五)R值特点。
R值特点如下:
a.症状比R值每日,每周、每月和每年均不同,是当时的,与时间段有关。
b.可计算出每种病种的R值,也可计算出总症候群总病例的R值,还可计算出每家医院的每个病种的R值。
c.症状比R值,是一种自适应的比例值,不同的医院、不同病种和不同时间段,都有其独特的R值矩阵。经过半监督学习的R值矩阵能应用于各种不同的医院与时间段,大大减少了症状监测数据预处理的流程,为症状监测预警系统化打下了实质性的基础。
本发明提出了一种基于症状比例R值的症状监测预警方法,在传染病被诊断前,系统就能提出预警及预测,大大提高了时效性,为国家节约大量的资金。本发明的方法具有以下应用:
(1)可以用于所有类型的症状监测工作。
如果将症状监测的名称和内容改变,即R值分母不动,则调整R值分子症状的描述(如腹泻病的症状监测标准描述)词语,经过语义分析后仍能找出R值分子,再套用实施例一和二的方法,就能推出目标疾病各病种的发病数和发病率。
(2)可以用来与疾控部门症状类监测数据进行参比。
(3)可以用于区域卫生信息平台的疾病或传染病的实时计算和推导。如果目标疾病数据模型选择成功,则可直接在平台内进行疾病预警和短期预测。
以上是对本发明的较佳实施进行了具体说明,但本发明并不限于所述实施例,熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换,这些等同的变形或替换均包含在本申请权利要求所限定的范围内。
Claims (10)
1.一种基于症状比例R值的症状监测预警方法,其特征在于:包括以下步骤:
S1、获取医院诊疗数据;
S2、对医院诊疗数据进行清洗,筛选出待分析的医院数据;
S3、采用德尔菲法和自定义诊断名称查找法确定要分析的目标疾病与相应的目标症状;
S4、根据症状字段是否为空将待分析的医院数据划分为有症状字段数据和无症状字段数据;
S5、在有症状字段数据中统计符合目标症状的数据量,并提取出符合目标疾病的症状特征;
S6、根据符合目标疾病的症状特征,以病种和时间段为维度求出症状比例R值矩阵,其中,症状比例R值=有症状字段数据中符合目标症状的数据量÷有症状字段数据的数据量×100%;
S7、根据症状比例R值矩阵从有症状字段数据和无症状字段数据中求出目标疾病的发病数;
S8、根据目标疾病的发病数进行目标疾病数据建模分析和目标疾病预警。
2.根据权利要求1所述的一种基于症状比例R值的症状监测预警方法,其特征在于:所述步骤S2包括:
S21、从医院诊疗数据中挑选出按日、周、月和年连续不断且各关键字段有意义的医院数据;
S22、从挑选出的医院数据中选取合格医院的数据:若挑选出的医院数据均符合数据质量标准,则以挑选出的全部医院数据作为合格医院的数据;若挑选出的医院数据有部分存在质量问题,则按分层抽样原则选取部分医院从挑选出的医院数据选取部分医院数据作为合格医院的数据;
S23、根据合格医院的数据进行趋势分析或相关分析,以筛选出待分析的医院数据。
3.根据权利要求2所述的一种基于症状比例R值的症状监测预警方法,其特征在于:所述步骤S23包括:
S231、根据合格医院的数据分析合格医院的门诊数据的趋势;
S232、将合格医院的门诊数据与标准门诊同时段数据进行趋势对比分析或相关分析;
S233、根据趋势进行趋势对比分析的结果或相关分析的结果执行相应的操作:若合格医院的门诊数据的趋势与标准门诊同时段数据的趋势一致或者合格医院的门诊数据与标准门诊同时段数据间的相关系数大于等于0.3且具有统计学意义,则以合格医院的数据作为待分析的医院数据执行步骤S3,反之,则返回步骤S22按照分层抽样的原则重新选取合格医院的数据。
4.根据权利要求1所述的一种基于症状比例R值的症状监测预警方法,其特征在于:所述步骤S3包括:
采用德尔菲法在待分析的医院数据找出目标疾病中包含ICD标准诊断名的病种;
采用自定义诊断名称查找法在待分析的医院数据中找出非ICD标准诊断名但在目标疾病病种范围内的病种;
确定目标疾病病种的目标症状。
5.根据权利要求4所述的一种基于症状比例R值的症状监测预警方法,其特征在于:所述采用自定义诊断名称查找法在待分析的医院数据中找出非ICD标准诊断名但在目标疾病病种范围内的病种这一步骤,其包括:
将ICD标准诊断名排除在自定义诊断名称查找法的考虑范围内,然后在待分析的医院数据中采用机器学习或人工判断的方法查找疾病诊断字段中所有可能包含目标疾病病种的诊断名;
将所有可能包含目标疾病病种的诊断名按频数从大到小进行排列,然后选取前50种频数大的诊断名对应的病种作为查找出的非ICD标准诊断名但在目标疾病病种范围内的病种。
6.根据权利要求1所述的一种基于症状比例R值的症状监测预警方法,其特征在于:所述步骤S7包括:
将症状比例R值矩阵与有症状字段数据的数据量进行相乘,求出有症状字段数据目标疾病的发病数;
将症状比例R值矩阵与无症状字段数据的数据量进行相乘,估算出无症状字段数据目标疾病的发病数;
将有症状字段数据目标疾病的发病数和无症状字段数据目标疾病的发病数进行相加,得到目标疾病的发病数。
7.根据权利要求1-6任一项所述的一种基于症状比例R值的症状监测预警方法,其特征在于:所述症状字段包括但不限于症状、主诉和体征描述数据字段,所述有症状字段数据中符合目标症状的数据量通过在有症状字段数据中进行目标症状语义分析的方式统计得出。
8.根据权利要求1-6任一项所述的一种基于症状比例R值的症状监测预警方法,其特征在于:所述症状比例R值矩阵包括但不限于目标疾病中单种病种的R值矩阵以及目标疾病中由所有病种组成的总症候群的R值矩阵。
9.根据权利要求1-6任一项所述的一种基于症状比例R值的症状监测预警方法,其特征在于:所述医院诊疗数据为连续2-3年及以上医院、区域卫生信息平台内各医院门诊和住院的数据。
10.根据权利要求1-6任一项所述的一种基于症状比例R值的症状监测预警方法,其特征在于:所述步骤S8包括:
S81、根据目标疾病的发病数进行目标疾病数据建模分析;
S82、根据数据建模分析的结果目标疾病预警和预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610793025.0A CN106372425B (zh) | 2016-08-31 | 2016-08-31 | 一种基于症状比例r值的症状监测预警方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610793025.0A CN106372425B (zh) | 2016-08-31 | 2016-08-31 | 一种基于症状比例r值的症状监测预警方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106372425A true CN106372425A (zh) | 2017-02-01 |
CN106372425B CN106372425B (zh) | 2019-02-12 |
Family
ID=57899707
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610793025.0A Expired - Fee Related CN106372425B (zh) | 2016-08-31 | 2016-08-31 | 一种基于症状比例r值的症状监测预警方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106372425B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109686454A (zh) * | 2018-12-29 | 2019-04-26 | 宁波中数云创信息技术有限公司 | 一种大数据精准分析和事件即时响应的方法 |
CN109831748A (zh) * | 2019-01-14 | 2019-05-31 | 珍岛信息技术(上海)股份有限公司 | 一种大数据智能推送方法及系统 |
CN111785386A (zh) * | 2020-06-30 | 2020-10-16 | 安徽科大讯飞医疗信息技术有限公司 | 时间区间段的划分方法、相关设备及可读存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7493233B1 (en) * | 2005-12-30 | 2009-02-17 | At&T Intellectual Property Ii, L.P. | Forecasting a volume associated with an outcome based on analysis of text strings |
CN202711253U (zh) * | 2012-03-09 | 2013-01-30 | 李晓松 | 一种传染病聚集性探测与早期预警系统 |
CN103077321A (zh) * | 2013-01-25 | 2013-05-01 | 上海市浦东新区疾病预防控制中心 | 一种基于医院的传染病症状数据采集系统 |
CN103093106B (zh) * | 2013-01-25 | 2016-03-23 | 上海市浦东新区疾病预防控制中心 | 大型活动中多源数据的传染病症状监测与预警方法 |
-
2016
- 2016-08-31 CN CN201610793025.0A patent/CN106372425B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7493233B1 (en) * | 2005-12-30 | 2009-02-17 | At&T Intellectual Property Ii, L.P. | Forecasting a volume associated with an outcome based on analysis of text strings |
CN202711253U (zh) * | 2012-03-09 | 2013-01-30 | 李晓松 | 一种传染病聚集性探测与早期预警系统 |
CN103077321A (zh) * | 2013-01-25 | 2013-05-01 | 上海市浦东新区疾病预防控制中心 | 一种基于医院的传染病症状数据采集系统 |
CN103093106B (zh) * | 2013-01-25 | 2016-03-23 | 上海市浦东新区疾病预防控制中心 | 大型活动中多源数据的传染病症状监测与预警方法 |
Non-Patent Citations (1)
Title |
---|
代小秋,等.: "北京市发热门诊63325例就诊患者症状监测分析", 《北京大学学报(医学版)》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109686454A (zh) * | 2018-12-29 | 2019-04-26 | 宁波中数云创信息技术有限公司 | 一种大数据精准分析和事件即时响应的方法 |
CN109831748A (zh) * | 2019-01-14 | 2019-05-31 | 珍岛信息技术(上海)股份有限公司 | 一种大数据智能推送方法及系统 |
CN111785386A (zh) * | 2020-06-30 | 2020-10-16 | 安徽科大讯飞医疗信息技术有限公司 | 时间区间段的划分方法、相关设备及可读存储介质 |
CN111785386B (zh) * | 2020-06-30 | 2024-04-05 | 讯飞医疗科技股份有限公司 | 时间区间段的划分方法、相关设备及可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN106372425B (zh) | 2019-02-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Huang et al. | WE-CARE: an intelligent mobile telecardiology system to enable mHealth applications | |
WO2019184960A2 (zh) | 一种心电数据病理特征量化分析方法及装置 | |
CN104462744B (zh) | 适用于心血管远程监测系统的数据质量控制方法 | |
CN109222963A (zh) | 一种基于卷积神经网络的心电异常识别分类方法 | |
CN106372425A (zh) | 一种基于症状比例r值的症状监测预警方法 | |
CN104063579B (zh) | 基于多元医疗消费数据的健康动态预测方法和设备 | |
Saini et al. | K-nearest neighbour-based algorithm for P-and T-waves detection and delineation | |
Zou et al. | Automatic detection of congestive heart failure based on multiscale residual unet++: From centralized learning to federated learning | |
Yang et al. | A novel method for automated congestive heart failure and coronary artery disease recognition using THC-Net | |
CN114240874A (zh) | 基于深度卷积神经网络和特征融合的骨龄评定方法、设备及计算机可读存储介质 | |
CN117373584B (zh) | 一种急性肾损伤的动态预测方法及系统 | |
Li et al. | Detection of muscle fatigue by fusion of agonist and synergistic muscle semg signals | |
Bhardwaj et al. | A holistic overview of artificial intelligence in detection, classification and prediction of atrial fibrillation using electrocardiogram: a systematic review and 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 | |
Liu et al. | Real time arrhythmia monitoring and classification based on edge computing and dnn | |
CN205263817U (zh) | 移动设备、移动外接设备及基于虹膜信息检测健康的系统 | |
Martis et al. | An integrated ECG feature extraction scheme using PCA and wavelet transform | |
TWI688371B (zh) | 心房顫動信號型態擷取及輔助診斷智能裝置 | |
Reintjes et al. | Assessing the sensitivity of STD surveillance in the Netherlands: an application of the capture–recapture method | |
Gupta et al. | X-ECGNet: an interpretable DL model for stress detection using ECG in COVID-19 healthcare workers | |
Abdullah et al. | MERS-CoV disease estimation (MDE) A study to estimate a MERS-CoV by classification algorithms | |
Wang et al. | MS-MLP: Multi-scale sampling MLP for ECG classification | |
Huang et al. | Efficient edge-AI models for robust ECG abnormality detection on resource-constrained hardware | |
Adeluyi et al. | R-READER: A lightweight algorithm for rapid detection of ECG signal R-peaks | |
Zhang et al. | Evaluation of single-lead ECG signal quality with different states of motion |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20190212 Termination date: 20190831 |