CN107391901A - 建立普通病房患者病情评估模型的方法和服务器 - Google Patents
建立普通病房患者病情评估模型的方法和服务器 Download PDFInfo
- Publication number
- CN107391901A CN107391901A CN201710310480.5A CN201710310480A CN107391901A CN 107391901 A CN107391901 A CN 107391901A CN 201710310480 A CN201710310480 A CN 201710310480A CN 107391901 A CN107391901 A CN 107391901A
- Authority
- CN
- China
- Prior art keywords
- model
- patient
- data
- real
- log
- 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
本申请提供了一种建立普通病房患者病情评估模型的方法和服务器,该方法包括:获取普通病房历史患者的临床数据和实时监测数据;根据临床数据训练用于识别出高风险患者的第一模型,根据实时监测数据训练用于从高风险患者中识别出病情恶化患者的第二模型。对普通病房患者的病情发展和治疗结果进行客观、可靠的预测,提升了对患者病情评估的客观性和普遍性。
Description
技术领域
本申请涉及医疗数据分析领域,尤其涉及一种建立普通病房患者病情评估模型的方法和服务器。
背景技术
在医学界,预防住院患者临床恶化一直是很重要的一项工作。研究显示,4%到17%的患者会在医院遭遇心跳呼吸骤停。早期发现和干预是防止这些严重的、危及生命的急重症必不可少的手段。早期发现和治疗对于脓毒症患者已显出可喜的成果,可显著降低死亡率。
在医学文献中有大量的对检测临床恶化方法的研究,这些研究在过去很长一段时间里很好地支持了临床工作。在不同医疗条件下有许多基于医学知识的评分系统。例如,严重社区型肺炎采集(SCAP)和肺炎严重程度指数(PSI)可以有效的预测患者的预后与肺炎。同样,患者肾衰的结果可以用急性生理评分(12生理变量),慢性健康评分(器官功能障碍)进行预测,并用APACHEⅡ评分模型进行评估。
随着数据挖掘和机器学习技术的发展,出现了一些利用这些先进数据手段的临床恶化检测方法的研究。采用数据挖掘技术的临床恶化检测方法,其允许大量参数来预测患者的治疗结果并且提高精度。例如决策树已被用来预测颅脑损伤患者的预后;支持向量机模型配合特定的特征选择算法被用来预测卒中;趋势波动分析(DFA)和心脏心率变异性频谱分析对睡眠呼吸暂停和正常的睡眠的分类进行评估;用近似熵和规律性指数来区分败血症间跳动间隔和自主呼吸分析。
上述大多数算法都存在一定的局限性。一方面,这些算法大多数被设计为某些特定疾病或者在一些专门的医院单位使用,不具有普遍性。另一方面,很多基于医学知识的评分系统只是基于患者当前的体征状况进行评分,造成了一定的偶然性。
发明内容
有鉴于此,本申请实施例提供了一种建立普通病房患者病情评估模型的方法和服务器,用以解决现有技术中普通病房的患者病情评估方法的客观性和普遍性较差的技术问题。
根据本申请实施例的一个方面,提供了一种建立ICU患者病情评估模型的方法,所述方法包括:获取普通病房历史患者的临床数据和实时监测数据;根据临床数据训练用于识别出高风险患者的第一模型,根据实时监测数据训练用于从高风险患者中识别出病情恶化患者的第二模型。
根据本申请实施例的另一方面,提供了一种服务器,包括:处理器;用于存储处理器可执行指令的存储器;其中,所述处理器被配置为:获取普通病房历史患者的临床数据和实时监测数据;根据临床数据训练用于识别出高风险患者的第一模型,根据实时监测数据训练用于从高风险患者中识别出病情恶化患者的第二模型。
本申请实施例的有益效果包括:利用普通病房历史患者的临床数据训练出生命体征数据与病情发展信息之间的第一模型,利用实时监测数据训练出传感器数据和治疗结果之间的第二模型,从而可利用第一模型从普通病房的当前患者中识别出高风险患者,利用第二模型从高风险患者中识别出病情恶化患者,从而对普通病房患者的病情发展和治疗结果进行客观、可靠的预测,提升了对患者病情评估的客观性和普遍性。
附图说明
通过以下参照附图对本申请实施例的描述,本申请的上述以及其它目的、特征和优点将更为清楚,在附图中:
图1是本申请实施例建立普通病房患者病情评估模型的方法的流程示意图;
图2是本申请实施例建立普通病房患者病情评估模型的方法的流程示意图;
图3是本申请实施例建立普通病房患者病情评估模型的方法的流程示意图;
图4是本申请实施例建立普通病房患者病情评估模型的方法的流程示意图。
具体实施方式
以下基于实施例对本申请进行描述,但是本申请并不仅仅限于这些实施例。在下文对本申请的细节描述中,详尽描述了一些特定的细节部分。对本领域技术人员来说没有这些细节部分的描述也可以完全理解本申请。为了避免混淆本申请的实质,公知的方法、过程、流程、元件和电路并没有详细叙述。
此外,本领域普通技术人员应当理解,在此提供的附图都是为了说明的目的,并且附图不一定是按比例绘制的。
除非上下文明确要求,否则整个说明书和权利要求书中的“包括”、“包含”等类似词语应当解释为包含的含义而不是排他或穷举的含义;也就是说,是“包括但不限于”的含义。
在本申请的描述中,需要理解的是,术语“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性。此外,在本申请的描述中,除非另有说明,“多个”的含义是两个或两个以上。
本申请实施例对普通病房历史患者的临床数据和实时监测数据进行充分挖掘和分析,训练出两个分析模型,其中,第一模型用于从普通病房当前患者中识别出高风险患者,第二模型用于从高风险患者中识别出病情恶化患者,充分利用普通病房历史患者的历史信息,使评估结果更加客观、准确和具有普遍性。评估出高风险患者和病情恶化患者时,系统可以向医护人员发出预警提示,并且第一模型和第二模型能够随着普通病房患者数据的积累而自动更新,使评估结果越来越准确。
图1是本申请实施例提供的一种建立普通病房患者病情评估模型的方法,适用于服务器,该方法包括以下步骤。
S10,获取普通病房历史患者的临床数据和实时监测数据。
普通病房是相对于重症监护室(ICU)而言的为非重症患者提供普通住院服务的病房。
普通病房历史患者是指在本院普通病房接受过住院诊疗的患者,包括已经康复出院和死亡的患者,这些历史患者的医疗数据作为训练分析模型的样本数据。
临床数据包括生命体征数据和病情发展信息。生命体征数据反映患者各项生理指标,包括但不限于个人信息(年龄、性别、身高、体重等)、检验信息(血常规、尿常规、脉搏、休克指数、动脉血压均值、体温、呼吸频率、白蛋白、胆红素、尿素氮、肌酸酐、钠、钾、葡萄糖、血红蛋白、白细胞数量、国际标准化比值INR以及其它的常规化学和血液学检测量等)、图像信息(CT、核磁共振、超声等)、诊疗信息(治疗、医护人员操作、用药等)、电子病历信息等各种格式的大量历史数据。病情发展信息反映患者在经过住院诊疗后的病情变化,包括好转、恶化、转移至ICU等,可通过标签数据的形式来记录不同的病情发展信息。
实时监测数据包括传感器数据和治疗结果信息。传感器数据是指佩戴在病人身体上的传感器实时监测到的患者生理数据,包括但不限于心率、脉搏、血氧饱和度等。治疗结果反映患者的最终诊疗效果,例如代表“好转、恶化、死亡”等信息的标签数据。
可以从医疗机构的数据服务器中获取普通病房历史患者的临床数据和实时监测数据作为训练分析模型的样本数据。
S11,根据临床数据训练用于识别出高风险患者的第一模型,根据实时监测数据训练用于从高风险患者中识别出病情恶化患者的第二模型。
利用特征提取算法分别对临床数据中的生命体征数据和实时监测数据中的传感器数据进行分析,得到对应的特征向量。再根据特征向量及其对应的病情发展信息或者治疗结果信息训练各自的分析模型。
在本申请的一个实施例中,可通过以下方法得到第一模型。假设一位患者的临床数据包括:
Xi=[x1,x2,x3,...xn];
y;
其中,Xi代表该患者临床数据中的生命体征数据集,x1,x2,x3,...xn对应患者身高、体重、血压、血氧等各个维度的生命体征数据,共有n个维度;y代表患者临床数据中的病情发展信息,对应患者病情发展情型(例如好转、恶化、转移至ICU等)中的一种。
相应的,大量的历史患者数据所形成的临床数据集为:
X=[X1,X2,X3,...Xn]T;
Y=[y1,y2,y3,...ym]T。
针对生命体征数据中不同类型的数据进行数据处理和特征提取,将不同类型的数据提取出的特征组成特征向量X'=f1,feature(X),其中,f1,feature函数是针对生命体征数据的数据处理与特征提取函数,作用是从原始的X数据集中应用相应算法处理成适合于训练第一模型的特征向量X'。
在进行数据处理时,可针对不同的数据类型使用不同的数据处理函数。例如,针对时序数据和图像数据,可以对缺失值做内插运算,对异常值做平滑处理等;针对离散数据,可以用同类型的均值、中值或者其他统计量来代替缺失值和异常值。在进行特征提取时,同样可针对不同的数据类型使用不同的特征提取函数。例如针对时序数据,要保留一段时间的时序数据,然后提取时域和频域的信息;时域特征的提取包括但不限于计算这段时序数据的均值、方差、各阶范数、各种级数展开等统计参数,频域特征的提取包括但不限于利用傅里叶变换、小波变换等数学工具提取的各种频谱特征信息。针对其他类型的数据,则可利用与其数据类型对应的常见的特征提取函数,在必要时可以利用多个属性提取出一个或多个特征。
利用生命体征数据对应的特征向量和病情发展信息,训练第一模型:
Y'=F1(X');
F1=arg min∑(log(Y')-log(Y))2;
其中,F1代表第一模型,Y'是第一模型根据历史数据集训练得到的判断结果;误差函数∑(log(Y')-log(Y))2为F1的约束条件(即选取和训练第一模型的约束条件);使通过第一模型评估得到的病情发展信息Y'和历史数据中患者实际的病情发展信息Y之间的总误差最小。随着历史数据的不断积累,第一模型的评估结果越准确,总误差越小。
在利用实时监测数据训练第二模型时,假设一位患者的实时监测数据包括:
Ti=[t1,t2,t3,...tp];
r;
其中,Ti代表该病人实时监测数据中的传感器数据集,t1,t2,t3,...tp对应病人心率、血氧等各维度的传感器数据,共有m个维度。r为患者治疗结果信息的标签数据,对应好转、恶化、死亡等。
相应,大量患者的实时监测数据集为:
T=[T1,T2,T3,...Tq]T;
R=[r1,r2,r3,...rq]T;
针对患者的实时监测数据集进行数据处理、特征提取,将提取出的特征组成特征向量T'=f2,feature(T)。其中,f2,feature函数是针对传感器数据的数据处理与特征提取函数,其作用是从原始的T数据集中应用相应算法处理成适合于训练第二模型的特征向量T'。
同理,在进行数据处理和特征提取时,可针对不同的数据类型使用不同的数据处理函数和特征提取函数。
利用传感器数据对应的特征向量和治疗结果,训练第二模型:
R'=F2(T');
F2=arg min∑(log(R')-log(R))2;
其中,F2代表第二模型,R'代表第二模型根据第二特征向量T'训练得到的评估结果;误差函数∑(log(R')-log(R))2为F2的约束条件,使所述第二模型评估得到的R'和历史患者的治疗结果R之间的总误差最小。
本实施例中,利用普通病房历史患者的临床数据训练出生命体征数据与病情发展信息之间的第一模型,利用实时监测数据训练出传感器数据和治疗结果之间的第二模型,从而可利用第一模型从普通病房的当前患者中识别出高风险患者,利用第二模型从高风险患者中识别出病情恶化患者,从而对普通病房患者的病情发展和治疗结果产生客观、可靠的预测,提升了对患者病情评估的客观性和普遍性。下面对利用第一模型和第二模型对普通病房患者的病情发展信息和治疗结果信息进行预测的过程做进一步说明,在一个实施例中,如图2所示,该方法进一步包括以下步骤。
S10,获取普通病房历史患者的临床数据和实时监测数据。
S11,根据临床数据训练用于识别出高风险患者的第一模型,根据实时监测数据训练用于从高风险患者中识别出病情恶化患者的第二模型。
S12,获取普通病房当前患者的生命体征数据并输入第一模型,从当前患者中识别出高风险患者。
服务器与医院信息系统通过接口实现数据互通,定时从医院信息系统获得普通病房当前患者的临床数据中的生命体征数据,这些数据的数据类型和格式与S11中训练第一模型采用的数据类型和格式一致。
提取临床数据中的生命体征数据对应的特征向量,输入第一模型,评估得到病情发展信息。判断评估结果是否达到恶化或者转移至ICU;如果达到,则将当前患者评估为高风险患者,需要为其升级诊疗措施,例如佩戴实时监测其生理指标的传感器或者转移至ICU。在一个实施例中,如果当前患者被第一模型评估为高风险患者,则发出普通病房存在高风险患者的提示,以便医护人员及时采取对策。
S13,获取高风险患者的传感器数据并输入第二模型,从高风险患者中识别出病情恶化患者。
佩戴传感器或者已转移至ICU的高风险患者的实时监测数据可通过网络传回到服务器,数据类型和格式与S11中训练第二模型采用的数据类型和格式一致。提取传感器数据对应的特征向量并输入第二模型,评估出高风险患者的治疗结果。将评估出的治疗结果达到恶化或者死亡的高风险患者判定为病情恶化患者。在一个实施例中,针对评估出的病情恶化患者,服务器输出当前高风险患者病情恶化的预警提示,以提示医护人员提前采取应急措施,有助于提高对高风险患者的救助成功率。
本实施例中,利用训练得到的第一模型和第二模型评估高风险患者和病情恶化患者,有助于医护人员提前发现并提前采取救助措施,提高了针对普通病房患者的救助成功率。此外还可以利用生命体征数据和第一模型评估得到的病情发展信息进一步训练该第一模型,从而使第一模型的评估效果更加客观、准确,同理也可以利用评估结果继续训练第二模型,如图3所示,该方法进一步包括以下步骤。
S14,根据当前患者的生命体征数据和第一模型输出的评估结果自动更新第一模型。
可利用类似反向传导的思想以训练误差最小的原则迭代地计算误差函数∑(log(Y')-log(Y))2的偏导,再采用梯度下降的思路利用该偏导更新第一模型(例如更新第一模型内部的权重矩阵、偏置项等),使得第一模型评估结果的整体误差越来越小,评估结果越来越准确。
S15,根据高风险患者的传感器数据和第二模型的评估结果自动更新第二模型。
与更新第一模型的原理相同,利用反向传导结合梯度下降的思路使误差函数∑(log(R')-log(R))2训练误差最小,从而使评估结果更准确。
本实施例利用当前患者的生命体征数据、传感器数据和评估结果自动更新第一模型和第二模型,提升其准确度,如图3所示S14可以在S12之后与S13~S15并行执行。
在一个实施例中,训练第二模型时,除了考虑历史患者的实时监测数据外,还可以结合该历史患者的临床数据共同训练该第二模型。如图4所示,该方法包括以下步骤。
S10,获取普通病房历史患者的临床数据和实时监测数据。
S16,根据临床数据训练用于识别出高风险患者的第一模型,根据临床数据和实时监测数据训练用于从高风险患者中识别出病情恶化患者的第二模型。
其中,根据临床数据训练用于识别出高风险患者的第一模型的过程与上述各实施例相同,不再重复说明。训练第二模型时同时考虑该高风险患者的临床数据和实时监测数据,利用医院沉淀的大量传感器数据(包括但不限于心率、脉搏、血氧饱和度等),结合患者在普通病房积累的生命体征数据,综合这两种数据与病情发展信息、治疗结果信息之间的关系,训练第二模型。传感器数据间隔整齐,采集频次高,将这些整齐、高频的时间序列数据和之前的临床数据结合起来,可采用二阶特征、无趋势波动分析(detrended fluctuationanalysis DFA)、谱分析、近似熵(ApEn)以及交叉信号特征等数据处理和特征提取方法,提取传感器数据和生命体征数据共同对应的特征向量,利用该特征向量和治疗结果并采用上述各实施例中误差函数最小的原则建立第二模型。后续利用第二模型识别病情恶化患者时,同时获取高风险患者的生命体征数据和传感器数据来评估高风险患者治疗结果。并利用生命体征数据和传感器数据以及评估出的治疗结果来自动更新第二模型。本实施例中同时参考临床数据和实时监测数据建立和更新第二模型,可使其评估结果更加准确。
此外,本申请实施例中,服务器可以通过硬件处理器(hardware processor)来实现上述各个功能步骤。服务器包括:处理器,用于存储处理器可执行指令的存储器;其中,处理器被配置为:获取普通病房历史患者的临床数据和实时监测数据;根据临床数据训练用于识别出高风险患者的第一模型,根据实时监测数据训练用于从高风险患者中识别出病情恶化患者的第二模型。
在一个实施例中,根据临床数据训练用于识别出高风险患者的第一模型包括:针对临床数据中的生命体征数据进行特征提取,生成生命体征数据对应的第一特征向量;根据第一特征向量和临床数据中的病情发展信息建立第一模型,即
Y'=F1(X');
F1=arg min∑(log(Y')-log(Y))2;
其中,X'代表第一特征向量,F1代表第一模型,Y'代表第一模型根据第一特征向量X'训练得到的评估结果;∑(log(Y')-log(Y))2为F1的约束条件,使第一模型评估得到的Y'和历史患者的病情发展信息Y之间的总误差最小。
在一个实施例中,根据实时监测数据训练用于从高风险患者中识别出病情恶化患者的第二模型包括:针对实时监测数据中的传感器数据进行特征提取,生成传感器数据对应的第二特征向量;根据第二特征向量和所述实时监测数据中的治疗结果建立所述第二模型,即
R'=F2(T');
F2=arg min∑(log(R')-log(R))2;
其中,T'代表第二特征向量,F2代表第二模型,R'代表第二模型根据第二特征向量T'训练得到的评估结果;∑(log(R')-log(R))2为F2的约束条件,使第二模型评估得到的R'和历史患者的治疗结果R之间的总误差最小。
在一个实施例中,该处理器进一步被配置为:获取普通病房当前患者的生命体征数据并输入第一模型,从当前患者中识别出高风险患者。
在一个实施例中,该处理器进一步被配置为:输出为高风险患者进行实时监测或者转移至ICU的提示。
在一个实施例中,该处理器进一步被配置为:根据当前患者的生命体征数据和第一模型输出的评估结果自动更新第一模型。
在一个实施例中,该处理器进一步被配置为:获取高风险患者的传感器数据并输入第二模型,从高风险患者中识别出病情恶化患者。
在一个实施例中,该处理器进一步被配置为:输出当前患者病情恶化的预警提示。
在一个实施例中,该处理器进一步被配置为:根据高风险患者的传感器数据和第二模型的评估结果自动更新第二模型。
本领域的技术人员应明白,本申请的实施例可提供为方法、装置(设备)、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、装置(设备)和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅为本申请的优选实施例,并不用于限制本申请,对于本领域技术人员而言,本申请可以有各种改动和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (10)
1.一种建立普通病房患者病情评估模型的方法,其特征在于,所述方法包括:
获取普通病房历史患者的临床数据和实时监测数据;
根据所述临床数据训练用于识别出高风险患者的第一模型,根据所述实时监测数据训练用于从所述高风险患者中识别出病情恶化患者的第二模型。
2.根据权利要求1所述的方法,其特征在于,根据所述临床数据训练用于识别出高风险患者的第一模型包括:
针对所述临床数据中的生命体征数据进行特征提取,生成所述生命体征数据对应的第一特征向量;
根据所述第一特征向量和所述临床数据中的病情发展信息建立所述第一模型,即
Y'=F1(X');
F1=arg min∑(log(Y')-log(Y))2;
其中,X'代表所述第一特征向量,F1代表第一模型,Y'代表第一模型根据第一特征向量X'训练得到的评估结果;∑(log(Y')-log(Y))2为F1的约束条件,使所述第一模型评估得到的Y'和历史患者的病情发展信息Y之间的总误差最小。
3.根据权利要求1所述的方法,其特征在于,根据所述实时监测数据训练用于从所述高风险患者中识别出病情恶化患者的第二模型包括:
针对所述实时监测数据中的传感器数据进行特征提取,生成所述传感器数据对应的第二特征向量;
根据所述第二特征向量和所述实时监测数据中的治疗结果建立所述第二模型,即
R'=F2(T');
F2=arg min∑(log(R')-log(R))2;
其中,T'代表所述第二特征向量,F2代表第二模型,R'代表第二模型根据第二特征向量T'训练得到的评估结果;∑(log(R')-log(R))2为F2的约束条件,使所述第二模型评估得到的R'和历史患者的治疗结果R之间的总误差最小。
4.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取普通病房当前患者的生命体征数据并输入所述第一模型,从所述当前患者中识别出高风险患者。
5.根据权利要求4所述的方法,其特征在于,所述方法还包括:
输出为所述高风险患者进行实时监测或者转移至ICU的提示。
6.根据权利要求4所述的方法,其特征在于,所述方法还包括:
根据所述当前患者的生命体征数据和所述第一模型输出的评估结果自动更新所述第一模型。
7.根据权利要求4所述的方法,其特征在于,所述方法还包括:
获取所述高风险患者的传感器数据并输入所述第二模型,从所述高风险患者中识别出病情恶化患者。
8.根据权利要求7的方法,其特征在于,所述方法还包括:
输出所述当前患者病情恶化的预警提示。
9.根据权利要求7所述的方法,其特征在于,所述方法还包括:
根据所述高风险患者的传感器数据和所述第二模型的评估结果自动更新所述第二模型。
10.一种服务器,其特征在于,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为:执行权利要求1至9任意一项所述的建立普通病房患者病情评估模型的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710310480.5A CN107391901A (zh) | 2017-05-05 | 2017-05-05 | 建立普通病房患者病情评估模型的方法和服务器 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710310480.5A CN107391901A (zh) | 2017-05-05 | 2017-05-05 | 建立普通病房患者病情评估模型的方法和服务器 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107391901A true CN107391901A (zh) | 2017-11-24 |
Family
ID=60338000
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710310480.5A Pending CN107391901A (zh) | 2017-05-05 | 2017-05-05 | 建立普通病房患者病情评估模型的方法和服务器 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107391901A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109509549A (zh) * | 2018-05-28 | 2019-03-22 | 平安医疗健康管理股份有限公司 | 诊疗服务提供方评价方法、装置、计算机设备和存储介质 |
CN109887588A (zh) * | 2019-01-29 | 2019-06-14 | 复旦大学附属儿科医院 | 一种儿科重症监护单元不同数据采集模式开发和应用方法 |
CN112365978A (zh) * | 2020-11-10 | 2021-02-12 | 北京航空航天大学 | 心动过速事件早期风险评估的模型的建立方法及其装置 |
CN115177291A (zh) * | 2022-08-01 | 2022-10-14 | 首都医科大学附属北京朝阳医院 | 用于识别重症监护病房获得性肌无力的方法和装置 |
CN117275699B (zh) * | 2023-11-23 | 2024-02-13 | 四川省医学科学院·四川省人民医院 | 一种智慧病房系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6821249B2 (en) * | 1999-03-08 | 2004-11-23 | Board Of Regents, The University Of Texas | Temperature monitoring of congestive heart failure patients as an indicator of worsening condition |
US20050119534A1 (en) * | 2003-10-23 | 2005-06-02 | Pfizer, Inc. | Method for predicting the onset or change of a medical condition |
CN103201743A (zh) * | 2010-11-08 | 2013-07-10 | 皇家飞利浦电子股份有限公司 | 患者疾病严重性、死亡率和住院时长的连续预测方法 |
CN104582563A (zh) * | 2012-08-24 | 2015-04-29 | 皇家飞利浦有限公司 | 临床支持系统及方法 |
CN104679997A (zh) * | 2015-02-06 | 2015-06-03 | 四川长虹电器股份有限公司 | 一种构建疾病危险系数评估模型的方法 |
CN105184107A (zh) * | 2015-10-20 | 2015-12-23 | 沈阳国际旅行卫生保健中心 | 一种人体循环系统健康风险预警系统 |
CN105993016A (zh) * | 2014-02-04 | 2016-10-05 | 奥普蒂马塔公司 | 用于预测医疗效果的方法和系统 |
-
2017
- 2017-05-05 CN CN201710310480.5A patent/CN107391901A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6821249B2 (en) * | 1999-03-08 | 2004-11-23 | Board Of Regents, The University Of Texas | Temperature monitoring of congestive heart failure patients as an indicator of worsening condition |
US20050119534A1 (en) * | 2003-10-23 | 2005-06-02 | Pfizer, Inc. | Method for predicting the onset or change of a medical condition |
CN103201743A (zh) * | 2010-11-08 | 2013-07-10 | 皇家飞利浦电子股份有限公司 | 患者疾病严重性、死亡率和住院时长的连续预测方法 |
CN104582563A (zh) * | 2012-08-24 | 2015-04-29 | 皇家飞利浦有限公司 | 临床支持系统及方法 |
CN105993016A (zh) * | 2014-02-04 | 2016-10-05 | 奥普蒂马塔公司 | 用于预测医疗效果的方法和系统 |
CN104679997A (zh) * | 2015-02-06 | 2015-06-03 | 四川长虹电器股份有限公司 | 一种构建疾病危险系数评估模型的方法 |
CN105184107A (zh) * | 2015-10-20 | 2015-12-23 | 沈阳国际旅行卫生保健中心 | 一种人体循环系统健康风险预警系统 |
Non-Patent Citations (1)
Title |
---|
张静等: "艾滋病疗法的评价及疗效的预测", 《北京联合大学学报(自然科学版)》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109509549A (zh) * | 2018-05-28 | 2019-03-22 | 平安医疗健康管理股份有限公司 | 诊疗服务提供方评价方法、装置、计算机设备和存储介质 |
CN109509549B (zh) * | 2018-05-28 | 2024-05-14 | 深圳平安医疗健康科技服务有限公司 | 诊疗服务提供方评价方法、装置、计算机设备和存储介质 |
CN109887588A (zh) * | 2019-01-29 | 2019-06-14 | 复旦大学附属儿科医院 | 一种儿科重症监护单元不同数据采集模式开发和应用方法 |
CN112365978A (zh) * | 2020-11-10 | 2021-02-12 | 北京航空航天大学 | 心动过速事件早期风险评估的模型的建立方法及其装置 |
CN115177291A (zh) * | 2022-08-01 | 2022-10-14 | 首都医科大学附属北京朝阳医院 | 用于识别重症监护病房获得性肌无力的方法和装置 |
CN115177291B (zh) * | 2022-08-01 | 2023-11-10 | 首都医科大学附属北京朝阳医院 | 用于识别重症监护病房获得性肌无力的方法和装置 |
CN117275699B (zh) * | 2023-11-23 | 2024-02-13 | 四川省医学科学院·四川省人民医院 | 一种智慧病房系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11961621B2 (en) | Predicting intensive care transfers and other unforeseen events using machine learning | |
CN110459328B (zh) | 临床监护设备 | |
RU2728855C9 (ru) | Количественный показатель предупреждения об ухудшении работы сердечно-сосудистой системы | |
EP3739596B1 (en) | Clinical predictive analytics system | |
CN107391901A (zh) | 建立普通病房患者病情评估模型的方法和服务器 | |
CN107436993B (zh) | 建立icu患者病情评估模型的方法和服务器 | |
US11717234B2 (en) | Forecasting neonatal vitality | |
US20220254486A1 (en) | System and method for a patient dashboard | |
CA2988416A1 (en) | Method and system for assessing mental state | |
Clifton et al. | A large-scale clinical validation of an integrated monitoring system in the emergency department | |
CN103201743A (zh) | 患者疾病严重性、死亡率和住院时长的连续预测方法 | |
US11197642B2 (en) | Systems and methods of advanced warning for clinical deterioration in patients | |
KR102598101B1 (ko) | 딥 뉴럴 네트워크 기반 실시간 중환자실 환자 상태 분석 시스템 및 방법 | |
da Silva et al. | Evaluation of electronic medical record vital sign data versus a commercially available acuity score in predicting need for critical intervention at a tertiary children’s hospital | |
KR102169637B1 (ko) | 사망 위험도의 예측 방법 및 이를 이용한 사망 위험도의 예측 디바이스 | |
JP2024513618A (ja) | 感染症及び敗血症の個別化された予測のための方法及びシステム | |
Muniru et al. | Detecting Intra Ventricular Haemorrhage in Preterm Neonates Using LSTM Autoencoders | |
Shirwaikar et al. | Design framework for a data mart in the neonatal intensive care unit | |
Rehm | A Computational System for Detecting the Acute Respiratory Distress Syndrome Using Physiologic Waveform Data from Mechanical Ventilators | |
Lin et al. | A pretrain-finetune approach for improving model generalizability in outcome prediction of acute respiratory distress syndrome patients | |
Utku et al. | Machine Learning Based A Comparative Analysis for Predicting Intensive Care Unit Admission of COVID-19 Cases | |
Nithiya et al. | A Diabetes Monitoring System and Health-Medical Service Composition Model in Cloud Environment | |
Apalak | Exploring Machine Learning for Automated Diagnosis in the Presence of Missing and Corrupted Data | |
Mohammad et al. | Artificial Intelligence's use in Congestive Heart Failure Mid-Term findings | |
Hargreaves | Healthcare Analytics: A Case Study Approach Using the Framingham Heart Study |
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: 20171124 |