CN107122612A - 慢性非传染性疾病智能诊疗辅助分析系统 - Google Patents
慢性非传染性疾病智能诊疗辅助分析系统 Download PDFInfo
- Publication number
- CN107122612A CN107122612A CN201710306353.8A CN201710306353A CN107122612A CN 107122612 A CN107122612 A CN 107122612A CN 201710306353 A CN201710306353 A CN 201710306353A CN 107122612 A CN107122612 A CN 107122612A
- Authority
- CN
- China
- Prior art keywords
- module
- data
- patient
- automatic
- 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.)
- Pending
Links
Landscapes
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
一种慢性非传染性疾病智能诊疗辅助分析系统，包括配置给患者的客户终端和配置给医生的医生终端；客户终端与主控服务器相通信连接；所述医生终端与主控服务器相通信连接；主控服务器与医疗机构的电子病历系统、LIS系统和PACS系统相通信连接；主控服务器中包括自动数据采集模块、自动数据匹配比较模块、自动临床分析模块、自动药物筛选模块、自动检索及推送模块、数据管理模块。有效避免了现有技术中尚无对患者数据进行自动抓取的技术手段、尚无针对不同疾病类型进行特征性抓取相关数据的技术、尚无对患者数据进行自动辅助分析的技术、尚无通过大数据分析进行临床科研和患者随访以及尚无通过机器学习来提高慢病智能诊疗准确率的缺陷。
Description
技术领域
本发明涉及医学和人工智能技术领域，具体涉及一种慢性非传染性疾病智能诊疗辅助分析系统，特别是涉及一种高血压、糖尿病或冠心病这样的慢性非传染性疾病智能诊疗辅助分析系统。
背景技术
慢性非传染性疾病指长期的，不能自愈的，几乎不能被治愈的疾病。并规范所涉及的慢病重点是指那些发病率、致残率、死亡率高和医疗费用昂贵的，并有明确预防措施的疾病。现今的慢性非传染性疾病主要指高血压、糖尿病或冠心病这样的慢性非传染性疾病。
目前的医疗领域，患者在慢性非传染性疾病诊疗过程中处于被动地位，整个医疗过程对于患者如同黑箱而使得患者无法得知其慢性非传染性疾病诊疗的信息，但是患者对根据此类信息参与慢性非传染性疾病医疗决策过程的愿望长期存在。
另外在信息化高度发展的今天，慢性非传染性疾病的医疗知识容易获得，在这样的触手可及的医疗知识的条件下，但尚无针对患者个体进行自动信息采集、智能分析、诊疗信息推送的技术方法。对于医生而言，在日常工作中接诊患者，需要手工翻阅患者的化验、影像、病历、个体特征这样的就诊数据来比对参考值，尚无对患者数据进行自动抓取的技术手段；尚无针对不同疾病类型进行特征性抓取相关数据的技术，尚无对患者数据进行自动辅助分析的技术；尚无通过大数据分析进行临床科研和患者随访工具；尚无通过计算机来提高慢病智能诊疗准确率的技术。
发明内容
为解决上述问题，本发明提供了一种慢性非传染性疾病智能诊疗辅助分析系统，有效避免了现有技术中尚无对患者数据进行自动抓取的技术手段、尚无针对不同疾病类型进行特征性抓取相关数据的技术、尚无对患者数据进行自动辅助分析的技术、尚无通过大数据分析进行临床科研和患者随访工具以及尚无通过计算机来提高慢病智能诊疗准确率的缺陷。
为了克服现有技术中的不足，本发明提供了一种慢性非传染性疾病智能诊疗辅助分析系统的解决方案，具体如下：
一种慢性非传染性疾病智能诊疗辅助分析系统，包括配置给患者的客户终端和配置给医生的医生终端，每个患者配置一个患者ID；
所述客户终端与主控服务器相通信连接，所述客户终端中包括第一处理模块；
所述医生终端与主控服务器相通信连接，所述医生终端中包括第二处理模块；
所述主控服务器与医疗机构的电子病历系统、LIS系统和PACS系统相通信连接；
所述主控服务器中包括自动数据采集模块、自动数据匹配比较模块、自动临床分析模块、自动药物筛选模块、自动检索及推送模块、数据管理模块和健康知识库。
所述第一处理模块用来对主控服务器发送包括患者ID和病种的请求辅助分析的第一请求信息；
所述第二处理模块用来对主控服务器发送包括患者ID和病种的请求辅助分析的第二请求信息。
所述电子病历系统的服务器包括患者就诊的信息；
所述PACS系统的服务器包括患者的影像参数；
所述LIS系统的LIS系统服务器包括实验仪器检验患者传出的包括患者ID的及检验指标信息的检验数据。
所述自动数据采集模块内部集成了慢性非传染性疾病各个病种的特征数据条目，所述自动数据采集模块用于在接收到所述第一请求信息或第二请求信息后，根据第一请求信息或第二请求信息中的患者ID和病种，通过医疗机构的电子病历系统、LIS系统和PACS系统获取与该患者ID和该病种的特征数据条目相匹配的对应的病理生理数据、影像参数和化验指标信息。
所述自动数据匹配比较模块集成了临床数据在不同情况下的比较基准，所述自动数据匹配比较模块用来对获得的病理生理数据、影像参数和化验指标自动进行比较和判定，判定出有意义的临床数据，并发送到自动临床分析模块和自动药物筛选模块中。
所述自动临床分析模块集成了病种在不同参数条件下的临床决策方案，用来根据所述有意义的临床数据进行匹配和判定，生成临床决策方案的分析判定结果，并将分析判定结果发送到自动药物筛选模块中。
所述自动药物筛选模块集成了药物纳入和排除规则、优先级排序规则、配伍及联合规则、剂量运算规则，所述自动药物筛选模块用来根据分析判定结果和有意义的临床数据，进行药物筛选和组合，得出个体化的药物推荐方案。
所述数据管理模块用来根据通过设定不同病种的数据参数，制定相应的运行规则，按照需求抓取相应的疾病数据参数，具体方式为：所述数据管理模块用来发送包括病种和患者ID的指令至自动数据采集模块，患者ID和病种，通过医疗机构的电子病历系统、LIS系统和PACS系统获取与该患者ID和该病种的特征数据条目相匹配的对应的检验报告和化验指标信息，再根据所述自动数据匹配比较模块用来对获得的检验报告和化验指标信息自动进行比较和判定，判定出有意义的临床数据。
所述自动检索及推送模块用来通过自动数据匹配比较模块、自动临床分析模块和自动药物筛选模块分别获得检验报告和化验指标信息、有意义的临床数据和个体化的药物推荐方案，在检验报告和化验指标信息、有意义的临床数据和个体化的药物推荐方案中自动识别特征数据相关的若干检索词，在健康知识库中检索出匹配的健康知识信息，并推送到所述客户终端中显示。
所述主控服务器中还包括机器学习模块，所述机器学习模块用来通过自动数据匹配比较模块、自动临床分析模块和自动药物筛选模块分别获得检验报告和化验指标信息、有意义的临床数据和个体化的药物推荐方案，结合医学专家实地对患者的临床分析得出的有意义的临床数据和药物推荐方案，再把自动临床分析模块和自动药物筛选模块分别得到的有意义的临床数据和个体化的药物推荐方案与医学专家得出的有意义的临床数据和药物推荐方案进行对比，获得比较下的差异，并调整自动临床分析模块和自动药物筛选模块的方式来让自动临床分析模块和自动药物筛选模块分别得到的有意义的临床数据和药物推荐方案与医学专家得到的有意义的临床数据和药物推荐方案相符合。
所述客户终端和医生终端均为PC机、笔记本电脑、移动智能终端或者智能手机。
所述慢性非传染性疾病的病种包括高血压、糖尿病或冠心病。
本发明的有益效果为：
实现了患者的慢性非传染性疾病管理的信息自动采集、智能化决策，实现医疗知识扁平化推送，辅助医生进行患者管理、临床研究。通过本系统输入患者信息，迅速在医疗机构的电子病历系统、LIS系统和PACS系统中抓取患者自身疾病数据，可以瞬间输出诊断意见、治疗意见、药物种类及剂量意见，推送患者个体化的健康教育内容；医生通过本系统，可以瞬间抓取患者疾病特征，节约数十分钟的问诊、查阅病历时间，大幅度提升管理患者的效率，从而显著扩大管理患者数量，便于医生进行大量患者数据统计和整理工作；有利于通过医疗大数据进行人工智能领域学习和分析，提高人工智能在医疗中使用效果。从本系统可以进行疾病早期教育，减少疾病致死、致残率，提升患者生存质量，减轻社会医疗负担。
附图说明
图1是本发明的慢性非传染性疾病智能诊疗辅助分析系统的结构示意图；
图2是一种主控服务器的模块工作原理示意图。
具体实施方式
下面将结合附图和实施例对本发明做进一步地说明。
如图1-图2所示，慢性非传染性疾病智能诊疗辅助分析系统，包括配置给患者的客户终端和配置给医生的医生终端，每个患者配置一个患者ID；
所述客户终端与主控服务器相通信连接，所述客户终端中包括第一处理模块；
所述医生终端与主控服务器相通信连接，所述医生终端中包括第二处理模块；
所述主控服务器与医疗机构的电子病历系统、LIS系统和PACS系统相通信连接；
所述主控服务器中包括自动数据采集模块、自动数据匹配比较模块、自动临床分析模块、自动药物筛选模块、自动检索及推送模块、数据管理模块和健康知识库。
所述第一处理模块用来对主控服务器发送包括患者ID和病种的请求辅助分析的第一请求信息；
所述第二处理模块用来对主控服务器发送包括患者ID和病种的请求辅助分析的第二请求信息。
所述电子病历系统的服务器包括患者就诊的信息，所述患者就诊的信息包括患者ID、病程记录、检查检验结果、医嘱、手术记录以及护理记录；
所述PACS系统的服务器包括患者的影像参数，所述患者的影像信息包括患者ID、胸片、CT、CTA、MR以及心电图的影像信息；
所述LIS系统的LIS系统服务器包括实验仪器检验患者传出的包括患者ID的及检验指标信息的检验数据；
所述病种为高血压的信息包括患者ID、性别、年龄、血压、心率、身高、体重、是否吸烟、是否有父母兄妹50岁前出现心血管疾病、是否血糖异常、是否血脂异常、是否服降压药(包括药物种类及剂量)、是否采取健康生活方式控制血压；有无心脏病(冠心病、心绞痛、心肌梗死、心力衰竭、房室传导阻滞、房颤、心肌病)、脑血管疾病、肾脏疾病、外周血管疾病、COPD、哮喘、痛风、甲状腺功能亢进、同型半胱氨酸升高、主动脉夹层、血管神经性水肿、前列腺肥大/增生、阻塞性睡眠呼吸暂停综合征、体位性低血压、原发性醛固酮增多症、妊娠、哺乳、性功能异常、尿蛋白阳性、心电图或心脏超声提示左心室肥厚、颈动脉中膜有无增厚以及冠脉CTA提示狭窄病变的信息。
所述病种为糖尿病的信息包括性别、年龄、血压、心率、身高、体重、静坐的生活方式、一级亲属中有2型糖尿病家族史、巨大儿生产史、妊娠糖尿病的女士、罹患糖尿病时间、空腹血糖值、糖化血红蛋白值、餐后2小时血糖值、是否血脂异常、有动脉粥样硬化性心脑血管病史、肾脏疾病、尿蛋白阳性的信息。
所述病种为冠心病的信息包括性别、年龄、血压、心率、身高、体重、是否吸烟、是否有父母兄妹50岁前出现心血管疾病、是否血糖异常、是否血脂异常、症状、症状发作频率、持续时间、症状最近一次发作时间、有无诱发或者加重因素、有无既往心脏病(冠心病、心绞痛、心肌梗死、心力衰竭、房室传导阻滞、房颤、心肌病)、脑血管疾病、肾脏疾病、外周血管疾病、尿蛋白阳性、心电图或心脏超声提示心肌缺血改变、颈动脉有无粥样斑块形成、冠脉CTA提示狭窄病变的信息。
所述自动数据采集模块内部集成了慢性非传染性疾病各个病种的特征数据条目，如病种为高血压的特征数据条目为患者ID、性别、年龄、血压、心率、身高、体重、是否吸烟、是否有父母兄妹50岁前出现心血管疾病、是否血糖异常、是否血脂异常、是否服降压药(包括药物种类及剂量)、是否采取健康生活方式控制血压；有无心脏病(冠心病、心绞痛、心肌梗死、心力衰竭、房室传导阻滞、房颤、心肌病)、脑血管疾病、肾脏疾病、外周血管疾病、COPD、哮喘、痛风、甲状腺功能亢进、同型半胱氨酸升高、主动脉夹层、血管神经性水肿、前列腺肥大/增生、阻塞性睡眠呼吸暂停综合征、体位性低血压、原发性醛固酮增多症、妊娠、哺乳、性功能异常、尿蛋白阳性、心电图或心脏超声提示左心室肥厚、颈动脉中膜有无增厚以及冠脉CTA提示狭窄病变条目，如病种为糖尿病的特征数据条目为包括性别、年龄、血压、心率、身高、体重、静坐的生活方式、一级亲属中有2型糖尿病家族史、巨大儿生产史、妊娠糖尿病的女士、罹患糖尿病时间、空腹血糖值、糖化血红蛋白值、餐后2小时血糖值、是否血脂异常、有动脉粥样硬化性心脑血管病史、肾脏疾病、尿蛋白阳性条目，如病种为冠心病的特征数据条目为包括性别、年龄、血压、心率、身高、体重、是否吸烟、是否有父母兄妹50岁前出现心血管疾病、是否血糖异常、是否血脂异常、症状、症状发作频率、持续时间、症状最近一次发作时间、有无诱发或者加重因素、有无既往心脏病(冠心病、心绞痛、心肌梗死、心力衰竭、房室传导阻滞、房颤、心肌病)、脑血管疾病、肾脏疾病、外周血管疾病、尿蛋白阳性、心电图或心脏超声提示心肌缺血改变、颈动脉有无粥样斑块形成、冠脉CTA提示狭窄病变条目，所述自动数据采集模块用于在接收到所述第一请求信息或第二请求信息后，根据第一请求信息或第二请求信息中的患者ID和病种，通过医疗机构的电子病历系统、LIS系统和PACS系统获取与该患者ID和该病种的特征数据条目相匹配的对应的检验报告和化验指标信息。也即本模块根据患者/医生所选择的具体疾病，自动抽取该疾病相关的数据。
所述自动数据匹配比较模块集成了临床数据在不同情况下的比较基准，所述自动数据匹配比较模块用来对获得的检验报告和化验指标信息自动进行比较和判定，判定出有意义的临床数据，并发送到自动临床分析模块和自动药物筛选模块中。所述临床数据在不同情况下的比较基准为患者的检验报告和化验指标信息中的针对各病种的分级指标参数，所述自动数据匹配比较模块用来对获得的检验报告和化验指标信息自动进行比较和判定的方式就是根据对应病种的分级指标参数来确定获得的检验报告和化验指标信息中匹配分级指标参数的信息，若有匹配的信息，该信息就为判定出有意义的临床数据，如针对病种为高血压的患者有意义的临床数据的例示：69岁(老年)，男性，血压180/100mmHg，心率70次/分，BMI 30.2kg/m2，血糖异常，蛋白尿。如针对病种为糖尿病的患者有意义的临床数据的例示：60岁(老年)，男性，心率70次/分，BMI 30.2kg/m2，血糖异常，空腹血糖8mmol/L，糖化血红蛋白8.5％，蛋白尿。如针对病种为冠心病的患者有意义的临床数据的例示：69岁(老年)，男性，血压180/100mmHg，心率70次/分，BMI 30.2kg/m2，血糖异常，空腹血糖8mmol/L，低密度脂蛋白1.3mmol/L，蛋白尿，胸闷，发作2-3次/周，单次持续2-3小时，最近1次发作为2天前，与情绪、睡眠因素相关，无既往心脏病史，心电图阴性，冠脉CTA提示轻度狭窄。
所述自动临床分析模块集成了病种在不同参数条件下的临床决策方案，用来根据所述有意义的临床数据进行匹配和判定，生成临床决策方案的分析判定结果，并将分析判定结果发送到自动药物筛选模块中。所述病种在不同参数条件下的临床决策方案包括有意义的临床数据所匹配的分级指标参数以及根据该分级指标参数对应的临床决策方案，如针对69岁(老年)，男性，血压180/100mmHg，心率70次/分，BMI 30.2kg/m2，血糖异常，蛋白尿这样的有意义的临床数据所匹配的分级指标参数为属于高血压3级，合并蛋白尿、血糖异常；而临床决策方案为：启用药物治疗，且2种以上降压药进行治疗。如针对60岁(老年)，男性，心率70次/分，BMI 30.2kg/m2，血糖异常，空腹血糖8mmol/L，糖化血红蛋白8.5％，蛋白尿这样的有意义的临床数据所匹配的分级指标参数为患者B属于病程较短2型糖尿病，合并蛋白尿，如针对69岁(老年)，男性，血压180/100mmHg，心率70次/分，BMI 30.2kg/m2，血糖异常，空腹血糖8mmol/L，低密度脂蛋白1.3mmol/L，蛋白尿，胸闷，发作2-3次/周，单次持续2-3小时，最近1次发作为2天前，与情绪、睡眠因素相关，无既往心脏病史，心电图阴性，冠脉CTA提示轻度狭窄。临床决策方案：启用药物治疗，且2种以上降糖药进行治疗。69岁(老年)，男性，血压180/100mmHg，心率70次/分，BMI 30.2kg/m2，如针对血糖异常，空腹血糖8mmol/L，低密度脂蛋白1.3mmol/L，蛋白尿，胸闷，发作2-3次/周，单次持续2-3小时，最近1次发作为2天前，与情绪、睡眠因素相关，无既往心脏病史，心电图阴性，冠脉CTA提示轻度狭窄这样的有意义的临床数据，而临床决策方案为：识别患者C属于1.心脏神经官能症 2.动脉粥样硬化3.高血压病3级 4. 2型糖尿病 5.蛋白尿，治疗方案匹配：启用降压药物治疗，根据血压匹配逻辑计算降压方案：3种降压药治疗；启用降糖药物治疗，根据血糖且2种以上降糖药进行治疗；动脉粥样硬化逻辑，患者心血管风险高危，予以心脑血管一级预防治疗方案。
所述自动药物筛选模块集成了药物纳入和排除规则、优先级排序规则、配伍及联合规则、剂量运算规则，所述自动药物筛选模块用来根据分析判定结果和有意义的临床数据，进行药物筛选和组合，得出个体化的药物推荐方案。所述药物纳入和排除规则包括治疗该病种的药物以及药物对有意义的临床数据的疗效纳入，排除无效或者负疗效的药物；而优先级排序规则包括按照所述药物对有意义的临床数据的疗效的高低按照从高到低的方式依次排序；所述配伍及联合规则包括按照优先级排序中优先级最高者为核心，按照联合的优先顺序规则，进行药物组合；所述剂量运算规则包括按照临床决策方案中的药物剂量数所选取同等剂量的药物的正常用量来进行推荐。如针对高血压的所述临床决策方案为：启用药物治疗，且2种以上降压药进行治疗的个体化的药物推荐方案为：2倍ACEI类药物(举例，贝那普利片2*5mg，1/日)。如针对糖尿病的所述临床决策方案为：首选药物为二甲双胍、α-糖苷酶抑制剂类药物；根据模块3中方案进行2种药物组合，组合结果为，二甲双胍联合一种α-糖苷酶抑制剂，二甲双胍片0.5g/3/日+阿卡波糖片50mg，/3日，即为患者B降糖治疗方案。如针对冠心病的所述临床决策方案为：降压首选药物为ACEI/ARB/二氢吡啶类钙拮抗剂类药物；根据模块3中方案进行3倍剂量组合，组合结果为，2倍ACEI类药物+1倍剂量二氢吡啶类钙拮抗剂(举例，贝那普利片2*5mg，1/日+苯磺酸氨氯地平5mg，1/日)，即为患者C降压治疗方案；降糖选择为首选药物为二甲双胍、α-糖苷酶抑制剂类药物；根据模块3中方案进行2种药物组合，组合结果为，二甲双胍联合一种α-糖苷酶抑制剂(举例，二甲双胍片0.5g/3/日+阿卡波糖片50mg，/3日)，即为患者C降糖治疗方案；心血管疾病一级预防方案为阿司匹林/他汀类药物，药物识别后排除他汀类药物，口服阿司匹林即为患者心脑血管疾病一级预防方案。
如所述临床决策方案为：所述自动数据匹配比较模块、自动临床分析模块和自动药物筛选模块分别获得的检验报告和化验指标信息、有意义的临床数据和个体化的药物推荐方案均发送到配置给患者的客户终端和配置给医生的医生终端中显示。
所述数据管理模块用来根据通过设定不同病种的数据参数，制定相应的运行规则，按照需求抓取相应的疾病数据参数，具体方式为：所述数据管理模块用来发送包括病种和患者ID的指令至自动数据采集模块，患者ID和病种，通过医疗机构的电子病历系统、LIS系统和PACS系统获取与该患者ID和该病种的特征数据条目相匹配的对应的临床数据及其是否有意见的判定，再根据所述自动数据匹配比较模块用来对获得的检验报告和化验指标信息自动进行比较和判定，判定出有意义的临床数据，此数据可以是个体数据，也可以是群体的大数据。这样就能实现对数据进行进一步的利用，包括在统计分析、大数据挖掘方面的利用。
所述自动检索及推送模块用来通过自动数据匹配比较模块、自动临床分析模块和自动药物筛选模块分别获得检验报告和化验指标信息、有意义的临床数据和个体化的药物推荐方案，在检验报告和化验指标信息、有意义的临床数据和个体化的药物推荐方案中自动识别特征数据相关的若干检索词，若干检索词，在健康知识库中检索出匹配的健康知识信息，并推送到所述客户终端中显示。
所述主控服务器中还包括机器学习模块，所述机器学习模块用来通过自动数据匹配比较模块、自动临床分析模块和自动药物筛选模块分别获得检验报告和化验指标信息、有意义的临床数据和个体化的药物推荐方案，结合医学专家实地对患者的临床分析得出的有意义的临床数据和药物推荐方案，再把自动临床分析模块和自动药物筛选模块分别得到的有意义的临床数据和个体化的药物推荐方案与医学专家得出的有意义的临床数据和药物推荐方案进行对比，获得比较下的差异，并调整自动临床分析模块和自动药物筛选模块的方式来让自动临床分析模块和自动药物筛选模块分别得到的有意义的临床数据和药物推荐方案与医学专家得到的有意义的临床数据和药物推荐方案相符合。该机器学习模块还能够集成神经网络学习和深度学习算法，通过对比分析医学专家的临床结论和本系统结论的异同，对数据进行学习，调整自动分析和药物决策系统的参数，实现更高的准确率；通过对比历史数据的变化，判定治疗效果的优劣，探索更科学合理的治疗方案。
所述客户终端和医生终端均为PC机、笔记本电脑、移动智能终端或者智能手机。
所述慢性非传染性疾病的病种包括高血压、糖尿病或冠心病。
实现了患者的慢性非传染性疾病管理的信息自动采集、智能化决策，实现医疗知识扁平化推送，辅助医生进行患者管理、临床研究。通过本系统输入患者信息，迅速在医疗机构的电子病历系统、LIS系统和PACS系统中抓取患者自身疾病数据，可以瞬间输出诊断意见、治疗意见、药物种类及剂量意见，推送患者个体化的健康教育内容；医生通过本系统，可以瞬间抓取患者疾病特征，节约数十分钟的问诊、查阅病历时间，大幅度提升管理患者的效率，从而显著扩大管理患者数量，便于医生进行大量患者数据统计和整理工作；有利于通过医疗大数据进行人工智能领域学习和分析，提高人工智能在医疗中使用效果。从本系统可以进行疾病早期教育，减少疾病致死、致残率，提升患者生存质量，减轻社会医疗负担。
所述第一处理模块用来对主控服务器发送包括患者ID和病种的请求辅助分析的第一请求信息或所述第二处理模块用来对主控服务器发送包括患者ID和病种的请求辅助分析的第二请求信息，负责主控服务器的管理员有时会经由主控服务器经由对客户终端或医生终端传输响应数据。
但是管理员在处理其他事务时不能实时传输响应数据，使得传输响应数据实时性不足。
所述传输响应数据的方法包括：
预先给负责主控服务器的管理员随身配置着智能手机，所述智能手机经由网络中的PC机与主控服务器相连接；
接着智能手机获取PC机传输的第一请求信息或第二请求信息，所述第一请求信息或第二请求信息是主控服务器传输给所述PC机、且符合设定要求时所述PC机传输至所述智能手机的；
所述智能手机获取针对所述第一请求信息或第二请求信息而录入的响应数据；
所述智能手机将所述响应数据传输给所述PC机，所述PC机把所述响应数据传输给所述主控服务器；
所述智能手机获取PC机传输的第一请求信息或第二请求信息前，还包括：
所述智能手机与所述PC机构建传输链接；
所述智能手机经由所述传输链接获取所述PC机传输的管理员的登录ID，并在所述智能手机中登录所述管理员的登录ID，所述管理员的登录ID是传输所述第一请求信息或第二请求信息的登录ID；
所述设定要求为：
所述PC机此时显示的对话框不是所述第一请求信息或第二请求信息的传输用对话框；或者，
所述PC机当前处于屏保状态且所述PC机中的启动按钮处于设定状态，所述设定状态用于表示同意所述PC机向所述智能手机传输第一请求信息或第二请求信息；或者，在第一周期内获取到所述智能手机传输的以往数据，所述第一周期的终止时点为所述PC机获取所述第一请求信息或第二请求信息的时点，所述以往数据由所述智能手机根据在以往时点获取的第一请求信息或第二请求信息得到；或者，所述PC机正在运行设定维护程序；
所述方法，还包括：
在获取到所述第一请求信息或第二请求信息时开始计算时间，所述智能手机检测在计算时间开始的第二周期内是否获取到录入的响应数据；
当在所述第二周期内未获取到所述响应数据之际，所述智能手机向所述PC机传输设定的响应数据，所述PC机将所述设定的响应数据传输给所述主控服务器，所述设定的响应数据为音频数据或字符数据；
所述智能手机获取针对所述第一请求信息或第二请求信息而录入的响应数据，包括：
所述智能手机检测用户激活的响应命令，其中所述响应命令是音频响应命令或字符响应命令；
当所述响应命令是音频响应命令时，所述智能手机获取针对所述第一请求信息或第二请求信息而录入的音频数据；
当所述响应命令是字符响应命令时，所述智能手机对所述智能手机中预存的字符数据进行显示，获取用户激活的数据选取命令，获取响应所述数据选取命令而返回的字符数据；
所述方法，还包括：
所述智能手机对所述智能手机中存储的各个轨道动态检查系统的使用者登录ID进行显示；
所述智能手机获取登录ID选取命令，获取响应所述登录ID选取命令而返回的轨道动态检查系统的使用者登录ID；
所述智能手机将获取的所述轨道动态检查系统的使用者登录ID传输给所述PC机，所述PC机在获取到所述轨道动态检查系统的使用者登录ID所传输的第一请求信息或第二请求信息时，不向所述智能手机转发所述第一请求信息或第二请求信息；
所述方法包括：
智能手机获取主控服务器的物理地址；
所述智能手机获取录入的第一请求信息或第二请求信息；
所述智能手机将所述第一请求信息或第二请求信息和所述物理地址传输给PC机，所述PC机根据所述物理地址确定所述主控服务器，并将所述第一请求信息或第二请求信息传输给所述主控服务器；
所述智能手机将所述第一请求信息或第二请求信息和所述物理地址传输给PC机之前，还包括：
所述智能手机与所述PC机构建传输链接；
所述智能手机经由所述传输链接获取所述PC机传输的管理员的登录ID，并在所述智能手机中登录所述管理员的登录ID，所述管理员的登录ID是传输所述第一请求信息或第二请求信息的登录ID；
当所述物理地址是轨道动态检查系统的使用者登录ID时，所述智能手机获取主控服务器的物理地址，包括：
所述智能手机对所述智能手机中存储的各个主控服务器的轨道动态检查系统的使用者登录ID进行显示，获取登录ID选取命令，将响应所述登录ID选取命令而返回的轨道动态检查系统的使用者登录ID确定为所述主控服务器的轨道动态检查系统的使用者登录ID；或者，
所述智能手机获取录入的轨道动态检查系统的使用者信息，检测所述智能手机中是否存储有与所述轨道动态检查系统的使用者信息相匹配的轨道动态检查系统的使用者登录ID，当所述智能手机中存储有与所述轨道动态检查系统的使用者信息相匹配的轨道动态检查系统的使用者登录ID时，将所述轨道动态检查系统的使用者登录ID确定为所述主控服务器的轨道动态检查系统的使用者登录ID；当所述智能手机中未存储与所述轨道动态检查系统的使用者信息相匹配的轨道动态检查系统的使用者登录ID时，将所述轨道动态检查系统的使用者信息传输给所述PC机，获取所述PC机传输的与所述轨道动态检查系统的使用者信息相匹配的轨道动态检查系统的使用者登录ID，将所述轨道动态检查系统的使用者登录ID确定为所述主控服务器的轨道动态检查系统的使用者登录ID；
所述智能手机获取录入的第一请求信息或第二请求信息，包括：
所述智能手机检测用户激活的传输命令，其中所述传输命令是音频传输命令或字符传输命令；
当所述传输命令是音频传输命令时，所述智能手机获取录入的音频数据；
当所述传输命令是字符传输命令时，所述智能手机对所述智能手机中预存的字符数据进行显示，获取用户激活的数据选取命令，获取响应所述数据选取命令而返回的字符数据；
所述方法包括：
PC机获取主控服务器传输的第一请求信息或第二请求信息；
所述PC机检测所述PC机是否符合设定要求；
当所述PC机符合所述设定要求时，所述PC机将所述第一请求信息或第二请求信息传输给智能手机；
所述PC机获取所述智能手机传输的响应数据，并将所述响应数据传输给所述主控服务器，所述响应数据是针对所述第一请求信息或第二请求信息而录入到所述智能手机中的；
所述PC机将所述第一请求信息或第二请求信息传输给智能手机之前，还包括：
所述PC机与所述智能手机构建传输链接；
所述PC机经由所述传输链接将管理员的登录ID传输给所述智能手机，所述智能手机登录所述管理员的登录ID，所述管理员的登录ID是传输所述第一请求信息或第二请求信息的登录ID；
所述PC机检测所述PC机是否符合设定要求，包括：
所述PC机检测所述PC机当前显示的对话框是否是所述第一请求信息或第二请求信息的传输用对话框；或者，
所述PC机检测所述PC机当前是否处于屏保状态，并检测所述PC机中的启动按钮是否处于设定状态，所述设定状态用于表示同意所述PC机向所述智能手机传输第一请求信息或第二请求信息；或者，
所述PC机检测所述PC机是否在第一周期内获取到所述智能手机传输的以往数据，所述第一周期的终止时点为所述PC机获取所述第一请求信息或第二请求信息的时点，所述以往数据由所述智能手机根据在以往时点获取的第一请求信息或第二请求信息得到；或者，
所述PC机检测所述PC机是否正在运行设定维护程序；
所述方法，还包括：
所述PC机获取所述智能手机传输的设定响应数据，将所述设定响应数据传输给所述主控服务器，所述设定响应数据为音频数据或字符数据，所述设定响应数据是所述智能手机在获取到所述第一请求信息或第二请求信息时开始计算时间，且在计算时间开始的第二周期内未获取到录入的响应数据后传输的；
所述PC机将所述第一请求信息或第二请求信息传输给智能手机之后，还包括：
所述PC机获取所述智能手机传输的字符数据，将所述字符数据传输给所述主控服务器，所述字符数据由所述智能手机在获取到字符响应命令时，响应所述字符响应命令而从预存的字符数据中选取得到，所述字符响应命令是用户激活的响应命令；
所述方法，还包括：
所述PC机获取传输所述第一请求信息或第二请求信息的轨道动态检查系统的使用者登录ID；
所述PC机检测所述智能手机预先传输的轨道动态检查系统的使用者登录ID中是否包括所述轨道动态检查系统的使用者登录ID；
当所述智能手机预先传输的轨道动态检查系统的使用者登录ID中包括所述轨道动态检查系统的使用者登录ID时，不向所述智能手机转发所述第一请求信息或第二请求信息；
所述方法包括：
PC机获取智能手机传输的第一请求信息或第二请求信息和主控服务器的物理地址；
所述PC机根据所述物理地址确定所述主控服务器；
所述PC机将所述第一请求信息或第二请求信息传输至所述主控服务器；
所述PC机获取智能手机传输的第一请求信息或第二请求信息和主控服务器的物理地址之前，还包括：
所述PC机与所述智能手机构建传输链接；
所述PC机经由所述传输链接将管理员的登录ID传输给所述智能手机，所述智能手机登录所述管理员的登录ID，所述管理员的登录ID是传输所述第一请求信息或第二请求信息的登录ID；
当所述物理地址是轨道动态检查系统的使用者登录ID时，所述PC机获取智能手机传输的第一请求信息或第二请求信息和主控服务器的物理地址之前，还包括：
所述PC机获取所述智能手机传输的轨道动态检查系统的使用者信息，所述轨道动态检查系统的使用者信息是所述智能手机中未存储与所述轨道动态检查系统的使用者信息相匹配的轨道动态检查系统的使用者登录ID时传输给所述PC机的；
所述PC机检测所述PC机中是否存储有与所述轨道动态检查系统的使用者信息相匹配的轨道动态检查系统的使用者登录ID；
当所述PC机中存储有与所述轨道动态检查系统的使用者信息相匹配的轨道动态检查系统的使用者登录ID时，所述PC机将所述轨道动态检查系统的使用者登录ID传输给所述智能手机，所述智能手机将所述轨道动态检查系统的使用者登录ID确定为所述主控服务器的轨道动态检查系统的使用者登录ID；
所述PC机获取智能手机传输的第一请求信息或第二请求信息和主控服务器的物理地址，包括：
所述PC机获取所述智能手机传输的字符数据和物理地址，所述字符数据由所述智能手机在获取到字符传输命令时，响应所述字符传输命令而从预存的字符数据中选取得到，所述字符传输命令是用户激活的传输命令。
这样就能够在管理员处理其他事务时通过智能手机来进行响应。
以上以附图说明的方式对本发明作了描述，本领域的技术人员应当理解，本公开不限于以上描述的实施例，在不偏离本发明的范围的情况下，可以做出各种变化、改变和替换。
Claims (10)
1.一种慢性非传染性疾病智能诊疗辅助分析系统，其特征在于，
包括配置给患者的客户终端和配置给医生的医生终端，每个患者配置一个患者ID；
所述客户终端与主控服务器相通信连接，所述客户终端中包括第一处理模块；
所述医生终端与主控服务器相通信连接，所述医生终端中包括第二处理模块；
所述主控服务器与医疗机构的电子病历系统、LIS系统和PACS系统相通信连接；
所述主控服务器中包括自动数据采集模块、自动数据匹配比较模块、自动临床分析模块、自动药物筛选模块、自动检索及推送模块、数据管理模块和健康知识库。
2.根据权利要求1所述的慢性非传染性疾病智能诊疗辅助分析系统，其特征在于，所述第一处理模块用来对主控服务器发送包括患者ID和病种的请求辅助分析的第一请求信息；
所述第二处理模块用来对主控服务器发送包括患者ID和病种的请求辅助分析的第二请求信息。
3.根据权利要求2所述的慢性非传染性疾病智能诊疗辅助分析系统，其特征在于，所述电子病历系统的服务器包括患者就诊的信息；
所述PACS系统的服务器包括患者的影像参数；
所述LIS系统的LIS系统服务器包括实验仪器检验患者传出的包括患者ID的及检验指标信息的检验数据。
4.根据权利要求3所述的慢性非传染性疾病智能诊疗辅助分析系统，其特征在于，所述自动数据采集模块内部集成了慢性非传染性疾病各个病种的特征数据条目，所述自动数据采集模块用于在接收到所述第一请求信息或第二请求信息后，根据第一请求信息或第二请求信息中的患者ID和病种，通过医疗机构的电子病历系统、LIS系统和PACS系统获取与该患者ID和该病种的特征数据条目相匹配的对应的病理生理数据、影像参数和化验指标信息。
5.根据权利要求4所述的慢性非传染性疾病智能诊疗辅助分析系统，其特征在于，所述自动数据匹配比较模块集成了临床数据在不同情况下的比较基准，所述自动数据匹配比较模块用来对获得的病理生理数据、影像参数和化验指标自动进行比较和判定，判定出有意义的临床数据，并发送到自动临床分析模块和自动药物筛选模块中。
6.根据权利要求5所述的慢性非传染性疾病智能诊疗辅助分析系统，其特征在于，所述自动临床分析模块集成了病种在不同参数条件下的临床决策方案，用来根据所述有意义的临床数据进行匹配和判定，生成临床决策方案的分析判定结果，并将分析判定结果发送到自动药物筛选模块中。
7.根据权利要求6所述的慢性非传染性疾病智能诊疗辅助分析系统，其特征在于，所述自动药物筛选模块集成了药物纳入和排除规则、优先级排序规则、配伍及联合规则、剂量运算规则，所述自动药物筛选模块用来根据分析判定结果和有意义的临床数据，进行药物筛选和组合，得出个体化的药物推荐方案。
8.根据权利要求7所述的慢性非传染性疾病智能诊疗辅助分析系统，其特征在于，所述数据管理模块用来根据通过设定不同病种的数据参数，制定相应的运行规则，按照需求抓取相应的疾病数据参数，具体方式为：所述数据管理模块用来发送包括病种和患者ID的指令至自动数据采集模块，患者ID和病种，通过医疗机构的电子病历系统、LIS系统和PACS系统获取与该患者ID和该病种的特征数据条目相匹配的对应的检验报告和化验指标信息，再根据所述自动数据匹配比较模块用来对获得的检验报告和化验指标信息自动进行比较和判定，判定出有意义的临床数据。
9.根据权利要求8所述的慢性非传染性疾病智能诊疗辅助分析系统，其特征在于，所述自动检索及推送模块用来通过自动数据匹配比较模块、自动临床分析模块和自动药物筛选模块分别获得检验报告和化验指标信息、有意义的临床数据和个体化的药物推荐方案，在检验报告和化验指标信息、有意义的临床数据和个体化的药物推荐方案中自动识别特征数据相关的若干检索词，在健康知识库中检索出匹配的健康知识信息，并推送到所述客户终端中显示。
10.根据权利要求9所述的慢性非传染性疾病智能诊疗辅助分析系统，其特征在于，所述主控服务器中还包括机器学习模块，所述机器学习模块用来通过自动数据匹配比较模块、自动临床分析模块和自动药物筛选模块分别获得检验报告和化验指标信息、有意义的临床数据和个体化的药物推荐方案，结合医学专家实地对患者的临床分析得出的有意义的临床数据和药物推荐方案，再把自动临床分析模块和自动药物筛选模块分别得到的有意义的临床数据和个体化的药物推荐方案与医学专家得出的有意义的临床数据和药物推荐方案进行对比，获得比较下的差异，并调整自动临床分析模块和自动药物筛选模块的方式来让自动临床分析模块和自动药物筛选模块分别得到的有意义的临床数据和药物推荐方案与医学专家得到的有意义的临床数据和药物推荐方案相符合。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710306353.8A CN107122612A (zh) | 2017-05-04 | 2017-05-04 | 慢性非传染性疾病智能诊疗辅助分析系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710306353.8A CN107122612A (zh) | 2017-05-04 | 2017-05-04 | 慢性非传染性疾病智能诊疗辅助分析系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107122612A true CN107122612A (zh) | 2017-09-01 |
Family
ID=59728060
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710306353.8A Pending CN107122612A (zh) | 2017-05-04 | 2017-05-04 | 慢性非传染性疾病智能诊疗辅助分析系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107122612A (zh) |
Cited By (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107731313A (zh) * | 2017-09-20 | 2018-02-23 | 上海林康医疗信息技术有限公司 | 在线跟踪慢病患者疗效的系统及其方法 |
| CN107742535A (zh) * | 2017-10-09 | 2018-02-27 | 杭州小柴胡科技有限公司 | 基于中医理论的体质分类推送方法 |
| CN107862032A (zh) * | 2017-11-03 | 2018-03-30 | 董云鹏 | 智能学习型媒体互动分析方法及装置 |
| CN107978365A (zh) * | 2017-10-31 | 2018-05-01 | 深圳市医信家科学服务有限公司 | 一种采集慢性病患者的日常行为数据的方法 |
| CN108022652A (zh) * | 2017-10-26 | 2018-05-11 | 康美健康云服务有限公司 | 一种慢病筛查方法、电子设备、存储介质、装置 |
| CN108172270A (zh) * | 2017-12-25 | 2018-06-15 | 东软集团股份有限公司 | 一种检查数据处理方法及装置 |
| CN108461156A (zh) * | 2018-02-02 | 2018-08-28 | 重庆艾维迪生物科技有限公司 | 一种基于物联网的慢病管控方法及其装置、系统 |
| CN109473153A (zh) * | 2018-10-30 | 2019-03-15 | 医渡云（北京）技术有限公司 | 医疗数据的处理方法、装置、介质及电子设备 |
| CN109637615A (zh) * | 2018-11-30 | 2019-04-16 | 平安医疗健康管理股份有限公司 | 异常医疗处方的判断方法、装置、设备及可读存储介质 |
| CN109685798A (zh) * | 2018-12-26 | 2019-04-26 | 北京邮电大学 | 一种确定有效医学图像的方法及装置 |
| CN109754862A (zh) * | 2019-03-20 | 2019-05-14 | 成都泰盟软件有限公司 | 一种智能情景实验手术台系统 |
| CN109961833A (zh) * | 2017-12-25 | 2019-07-02 | 潘宗贤 | 交互式高血糖精准保健系统 |
| CN110033834A (zh) * | 2019-03-01 | 2019-07-19 | 医利捷(上海)信息科技有限公司 | 临床科研大数据服务平台及方法 |
| CN110136826A (zh) * | 2019-05-05 | 2019-08-16 | 安徽国科新材科技有限公司 | 基于深度学习的智能医疗辅助诊断系统 |
| CN110570921A (zh) * | 2019-08-20 | 2019-12-13 | 广东省第二中医院（广东省中医药工程技术研究院） | 基于单病种的临床信息处理系统 |
| CN110911009A (zh) * | 2019-11-14 | 2020-03-24 | 南京医科大学 | 一种临床诊断辅助决策系统和医学知识图谱积累方法 |
| CN111128320A (zh) * | 2019-11-19 | 2020-05-08 | 四川好医生云医疗科技有限公司 | 基于检验结果确定医学标签的系统及人工智能方法 |
| CN111145844A (zh) * | 2019-12-31 | 2020-05-12 | 重庆亚德科技股份有限公司 | 综合医疗监管平台 |
| CN112133430A (zh) * | 2020-10-15 | 2020-12-25 | 丁玉 | 临床生化动态监测系统 |
| CN113053543A (zh) * | 2021-04-28 | 2021-06-29 | 叶富华 | 一种自助疾病诊断平台 |
| CN113470774A (zh) * | 2021-07-15 | 2021-10-01 | 杭州康晟健康管理咨询有限公司 | 基于大数据的慢病档案管理系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20020147615A1 (en) * | 2001-04-04 | 2002-10-10 | Doerr Thomas D. | Physician decision support system with rapid diagnostic code identification |
| US6687685B1 (en) * | 2000-04-07 | 2004-02-03 | Dr. Red Duke, Inc. | Automated medical decision making utilizing bayesian network knowledge domain modeling |
| CN201788510U (zh) * | 2010-07-13 | 2011-04-06 | 南通大学 | 融合粒子群与可拓粗糙格的动态电子病历协同挖掘系统 |
| CN103699808A (zh) * | 2014-01-03 | 2014-04-02 | 上海理工大学 | 一种医院辅助决策系统 |
| CN103690240A (zh) * | 2013-09-16 | 2014-04-02 | 上海华美络信息技术有限公司 | 一种医疗系统 |
| CN105930639A (zh) * | 2016-04-08 | 2016-09-07 | 王韧 | 一种智能医学信息科普系统及其方法 |
-
2017
- 2017-05-04 CN CN201710306353.8A patent/CN107122612A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6687685B1 (en) * | 2000-04-07 | 2004-02-03 | Dr. Red Duke, Inc. | Automated medical decision making utilizing bayesian network knowledge domain modeling |
| US20020147615A1 (en) * | 2001-04-04 | 2002-10-10 | Doerr Thomas D. | Physician decision support system with rapid diagnostic code identification |
| CN201788510U (zh) * | 2010-07-13 | 2011-04-06 | 南通大学 | 融合粒子群与可拓粗糙格的动态电子病历协同挖掘系统 |
| CN103690240A (zh) * | 2013-09-16 | 2014-04-02 | 上海华美络信息技术有限公司 | 一种医疗系统 |
| CN103699808A (zh) * | 2014-01-03 | 2014-04-02 | 上海理工大学 | 一种医院辅助决策系统 |
| CN105930639A (zh) * | 2016-04-08 | 2016-09-07 | 王韧 | 一种智能医学信息科普系统及其方法 |
Cited By (25)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107731313A (zh) * | 2017-09-20 | 2018-02-23 | 上海林康医疗信息技术有限公司 | 在线跟踪慢病患者疗效的系统及其方法 |
| CN107742535A (zh) * | 2017-10-09 | 2018-02-27 | 杭州小柴胡科技有限公司 | 基于中医理论的体质分类推送方法 |
| CN108022652A (zh) * | 2017-10-26 | 2018-05-11 | 康美健康云服务有限公司 | 一种慢病筛查方法、电子设备、存储介质、装置 |
| CN107978365A (zh) * | 2017-10-31 | 2018-05-01 | 深圳市医信家科学服务有限公司 | 一种采集慢性病患者的日常行为数据的方法 |
| CN107862032A (zh) * | 2017-11-03 | 2018-03-30 | 董云鹏 | 智能学习型媒体互动分析方法及装置 |
| CN107862032B (zh) * | 2017-11-03 | 2021-04-30 | 董云鹏 | 智能学习型媒体互动分析方法及装置 |
| CN109961833A (zh) * | 2017-12-25 | 2019-07-02 | 潘宗贤 | 交互式高血糖精准保健系统 |
| CN108172270A (zh) * | 2017-12-25 | 2018-06-15 | 东软集团股份有限公司 | 一种检查数据处理方法及装置 |
| CN108461156A (zh) * | 2018-02-02 | 2018-08-28 | 重庆艾维迪生物科技有限公司 | 一种基于物联网的慢病管控方法及其装置、系统 |
| CN109473153A (zh) * | 2018-10-30 | 2019-03-15 | 医渡云（北京）技术有限公司 | 医疗数据的处理方法、装置、介质及电子设备 |
| CN109637615B (zh) * | 2018-11-30 | 2022-10-14 | 平安医疗健康管理股份有限公司 | 异常医疗处方的判断方法、装置、设备及可读存储介质 |
| CN109637615A (zh) * | 2018-11-30 | 2019-04-16 | 平安医疗健康管理股份有限公司 | 异常医疗处方的判断方法、装置、设备及可读存储介质 |
| CN109685798A (zh) * | 2018-12-26 | 2019-04-26 | 北京邮电大学 | 一种确定有效医学图像的方法及装置 |
| CN110033834A (zh) * | 2019-03-01 | 2019-07-19 | 医利捷(上海)信息科技有限公司 | 临床科研大数据服务平台及方法 |
| CN110033834B (zh) * | 2019-03-01 | 2023-12-01 | 医利捷(上海)信息科技有限公司 | 临床科研大数据服务平台及方法 |
| CN109754862A (zh) * | 2019-03-20 | 2019-05-14 | 成都泰盟软件有限公司 | 一种智能情景实验手术台系统 |
| CN109754862B (zh) * | 2019-03-20 | 2023-04-07 | 成都泰盟软件有限公司 | 一种智能情景实验手术台系统 |
| CN110136826A (zh) * | 2019-05-05 | 2019-08-16 | 安徽国科新材科技有限公司 | 基于深度学习的智能医疗辅助诊断系统 |
| CN110570921A (zh) * | 2019-08-20 | 2019-12-13 | 广东省第二中医院（广东省中医药工程技术研究院） | 基于单病种的临床信息处理系统 |
| CN110911009A (zh) * | 2019-11-14 | 2020-03-24 | 南京医科大学 | 一种临床诊断辅助决策系统和医学知识图谱积累方法 |
| CN111128320A (zh) * | 2019-11-19 | 2020-05-08 | 四川好医生云医疗科技有限公司 | 基于检验结果确定医学标签的系统及人工智能方法 |
| CN111145844A (zh) * | 2019-12-31 | 2020-05-12 | 重庆亚德科技股份有限公司 | 综合医疗监管平台 |
| CN112133430A (zh) * | 2020-10-15 | 2020-12-25 | 丁玉 | 临床生化动态监测系统 |
| CN113053543A (zh) * | 2021-04-28 | 2021-06-29 | 叶富华 | 一种自助疾病诊断平台 |
| CN113470774A (zh) * | 2021-07-15 | 2021-10-01 | 杭州康晟健康管理咨询有限公司 | 基于大数据的慢病档案管理系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107122612A (zh) | 慢性非传染性疾病智能诊疗辅助分析系统 | |
| US8706464B2 (en) | Health data dynamics, its sources and linkage with genetic/molecular tests | |
| Guidi et al. | A machine learning system to improve heart failure patient assistance | |
| Pecchia et al. | Remote health monitoring of heart failure with data mining via CART method on HRV features | |
| Mortara et al. | Home telemonitoring in heart failure patients: the HHH study (Home or Hospital in Heart Failure) | |
| US8246563B2 (en) | Cardiac rhythm management device and sensor-suite for the optimal control of ultrafiltration and renal replacement therapies | |
| US8702603B2 (en) | System and apparatus for providing baseline data for automated patient management | |
| CN107408144A (zh) | 医疗先兆事件估计 | |
| CN105473065A (zh) | 确定在cpr期间的自主循环恢复 | |
| Visco et al. | Artificial intelligence as a business partner in cardiovascular precision medicine: an emerging approach for disease detection and treatment optimization | |
| Al Ahdal et al. | Monitoring cardiovascular problems in heart patients using machine learning | |
| EP1107158B1 (en) | System and method for determining a reference baseline of individual patient status for use in an automated collection and analysis patient care system | |
| D’Amario et al. | Telemedicine, artificial intelligence and humanisation of clinical pathways in heart failure management: back to the future and beyond | |
| Niemeijer et al. | Drugs and ventricular repolarization in a general population: the Rotterdam Study | |
| CN115867975A (zh) | 产生患者诊疗记录的系统和方法 | |
| Zulfiqar et al. | Telemedicine and cardiology in the elderly in France: inventory of experiments | |
| Jayaram et al. | Study of ECG Analysis based Cardiac Disease Prediction using Deep Learning Techniques | |
| Deepika et al. | Review on machine learning and deep learning-based heart disease classification and prediction | |
| Kumar et al. | Remote health monitoring system for detecting cardiac disorders | |
| Bilotta et al. | Healthing: a Prototype Web-Based Platform for the Monitoring of Chronic Patients and Predicting the Risk of Comorbidity | |
| CN205866740U (zh) | 一种同步获取多维心跳信息的采集装置 | |
| CN111341440B (zh) | 一种用于智能诊疗的方法及智能诊疗系统 | |
| Sivasubramaniyan et al. | Any time medical assistance and medicine vending machine using machine learning | |
| Matić et al. | Neurocardiological anamnesis: development from complementarities with syndrome differentiation of Traditional Chinese Medicine | |
| Sirinvaravong et al. | Beat-to-beat variation in QRS morphology following transcatheter aortic valve replacement |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170901 |