CN107391941A - 一种提高用药依从性的方法和系统 - Google Patents
一种提高用药依从性的方法和系统 Download PDFInfo
- Publication number
- CN107391941A CN107391941A CN201710616320.3A CN201710616320A CN107391941A CN 107391941 A CN107391941 A CN 107391941A CN 201710616320 A CN201710616320 A CN 201710616320A CN 107391941 A CN107391941 A CN 107391941A
- Authority
- CN
- China
- Prior art keywords
- patient
- intervention
- compliance
- medicine
- knowledge
- 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
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明公开了一种提高用药依从性的系统,采用用户建模方法计算患者的用药依从性评分从而确定患者分组,根据分组情况进行聚类分析,采用短信和微信干预的形式,利用药依从干预知识库,对不同分类的患者执行相应的干预方案和内容。此外,本发明还公开了该提高用药依从性的系统的实现方法。本发明系统是一套全自动化的干预方法,干预形式为根据干预规则按照不同的频率和内容向患者推送药依从干预知识,可以很方便高效的管理来提高患者的用药依从性,且全程实现自动化,降低人工操作失误,准确可靠,此外本发明还实现了干预策略个体化、干预内容综合化。
Description
技术领域
本发明涉及用药依从性领域,具体涉及一种提高用药依从性的方法和系统。
背景技术
据统计,中国现有确诊慢性病患者近3亿人,其中心血管病、肿瘤、糖尿病、呼吸系统疾病4种慢性病导致的死亡占总死亡人数的86.6%,慢性病的防控形势非常严峻。常见的如高血压、糖尿病、高血脂等慢性病具有病程长、控制难、多数情况下需要终身服药的特点,但是如果患者能严格按照医嘱用药,将有效控制病情并大幅降低并发症的发病风险。所以研究一种切实可行的提高慢性病患者用药依从性的方法和系统具有十分重要的价值。
影响患者用药依从性的因素有很多,如年龄因素导致记忆力、认知分辨率及理解能力下降,易对药物名称、剂量、服用方法、服药时间等混淆不清,发生漏服、错服现象,使用药依从性下降,也有患者因为对疾病本身和并发症风险缺乏了解,对药物产生的不良反应和效果预期认识不足,从而自行停止服药。用药依从性的阻碍因素总结主要包括如下几个方面:1)缺乏医患交流;2)经济原因;3)不良反应;4)治疗方案复杂;5)患者记不清服药规则;6)患者对疾病危险性的认识不足;7)患者不能看到明显的疗效。
提高用药依从性的研究已成为一个重要的领域,在高血压控制方面,就有针对健康教育、行为干预策略、药物选择策略、发挥医护人员作用、综合性与个体化干预等方面的研究和建议。如在行为干预策略中,就有服药提醒、临床随访、家庭血压检测等手段可提高患者的用药依从性。但这些干预策略和方法均需要大量人为参与,导致存在如下缺陷:1、干预策略非个体化。为了管理大量患者,很多干预系统会采用完全固定化的模式或仅简单针对药物分类进行干预,导致效果不佳。因为依从性和患者本身有直接关系,比如年龄、性别、收入水平等。2、干预内容非综合化。比如有些干预系统仅仅从提醒服药方面进行干预,而忽略了该药物依从性差其实是由药物对某些人群强烈的不良反应引起的,此时仅仅提醒用药将无法达到效果。3、干预方式非自动化。大量依靠人来参与将导致管理工作效率低下,并且干预效果直接受人员专业水平和责任心的影响。
因此,亟需研发一种提高用药依从性的方法和系统以解决上述问题。
发明内容
本发明要解决的技术问题在于提供一种提高用药依从性的系统,克服了现有技术的上述缺陷,该系统可以切实可行地提高慢性病患者用药依从性,且全程实现自动化,便于高效管理来提高患者的用药依从性,降低人工操作失误,准确可靠。为此,本发明还提供一种提高用药依从性的方法。
为解决上述技术问题,本发明采用如下技术方案:
一种提高用药依从性的系统,包含患者建模分组模块、针对性提升分析模块、干预规则生成模块、药依从干预知识库和干预内容发送模块;
所述患者建模分组模块,采用用户建模方法计算患者的用药依从性评分从而确定患者分组;
所述干预规则生成模块,用于根据所述患者建模分组模块的结果获得针对患者的干预规则;
所述药依从干预知识库,由医学专家按照内容分类进行编写,包括用法用量、药物知识、疾病知识、用药依从、复购提醒;
所述干预内容发送模块,根据所述干预规则生成模块生成的干预规则,从所述药依从干预知识库中选择干预知识内容并按照干预规则设的干预频率发送给患者。
作为本发明优选的技术方案,所述用户建模方法包括如下步骤:数据清洗、特征提取、加权处理、聚类分析以及类型定义;
所述数据清洗用于删除异常数据和重复数据;
所述特征提取,用于提取患者的以下特征:患者属性M、药品属性D、健康状况H 、检测行为T和购药行为P;所述患者属性M采用年龄、经济水平和健康意识来评判,通过加权修正来获得患者属性得分;所述药品属性D有医学专家根据该药物服药频次、不良反应的情况来进行评级;所述健康状况H代表健康水平,是单个的健康指标或是多个健康指标的加权和;所述检测行为T根据检测频次、项目和检测结果来评判;所述购药行为P从客频次、客单价两个维度进行衡量;
所述加权处理用于确定患者属性M、药品属性D、健康状况H 、检测行为T和购药行为P五个特征的权重;
所述聚类分析用于利用K-means聚类算法对加权后的五个维度作聚类分析;
所述类型定义,用于对每类患者标准化后的五个维度得分取平均,将平均值加权求和,得到相应的加权后的用药依从性评分,并在此基础上确定每类患者的用药依从性评分大小排序;将每类患者的五个维度的平均值和整体患者的五个维度的平均值比较,得到每类患者的五个维度的变动情况用来分析该患者的类别的性质,并在此基础上定义用户类型。
作为本发明优选的技术方案,所述健康状况H是患者的BMI值、血压级别和血糖级别的加权和。
作为本发明优选的技术方案,所述类型定义单元中将平均值加权求和,按如下公式:
其中,NM、ND、NH、NT和NP分别代表标准化后的患者属性M、药品属性D、健康状况H 、检测行为T和购药行为P五个特征的维度分值,, , , 和是对应的权重。
作为本发明优选的技术方案,该系统还包括针对性提升分析模块,用于将患者的数个用药依从性影响因素的标准化评分和该类型患者群总体的平均的目标标准化评分对比,找出其中低于平均值的因素项目进行针对性提升;所述干预规则生成模块根据所述患者建模分组模块的结果生成基准干预规则方案,再根据所述针对性提升分析模块的结果进行针对性补充干预规则。
作为本发明优选的技术方案,所述基准干预规则方案为:将患者分为一般干预组、一般加强干预组、强干预组和重点强干预组,分别对应一个周期内的基准干预次数为3次、5次、7次、9次。
作为本发明优选的技术方案,所述基准干预规则方案,对于一般加强干预组,具体为:第1天发送用法用量,第3天发送药物知识,第5天发送疾病知识,第7天发送用药提醒,第9天发送复购提醒。
作为本发明优选的技术方案,所述药依从干预知识库的内容分类还包括:并发症危害、效果评估、用药禁忌、检测提醒。
作为本发明优选的技术方案,所述干预内容发送模块,选择干预知识内容通过微信或短信发送给患者。
此外,本发明还提供该提高用药依从性的系统的实现方法,其特征在于,包括如下步骤:
步骤1、使用用户建模方法对患者建模分组,得到基准干预规则;
步骤2、通过对该患者数个用药依从性影响因素的标准化评分和该类型患者群总体的平均的目标标准化评分对比,找出其中低于平均值的因素项目进行针对性提升分析,得到需要针对性干预的内容;
步骤3、根据步骤1中所得的基准干预规则以及步骤2中所得的针对性干预的内容,即生成该用户的干预规则方案;
步骤4、通过步骤3所得的干预规则方案在药依从干预知识库中找对应的干预知识内容;
步骤5、判断用户是否微信登录,如已登录,以微信模板消息的形式将干预知识内容推送给患者,如未登录,则不推送模板消息,将干预知识内容通过短信发送给患者。
根据以上提供的技术方案,本发明采用MAT(Medication Adherence Technology,用药依从性技术)用户建模方法,从患者属性、药品属性、健康状况、检测行为、购药行为五个维度进行聚类分析。用药依从性智能干预系统采用短信和微信干预的形式,利用药依从干预知识库,对不同分类的患者执行相应的干预方案和内容。MAT用户建模方法以提高用户用药依从性为目标,将患者根据用药依从性评分进行分组,确定基础干预规则,随后对该用户影响用药依从性的五大因素进行针对性比较和加强干预。
与现有技术相比,本发明具有以下有益效果:
1、干预方式自动化。本发明系统是一套全自动化的干预方法,干预形式为根据干预规则按照不同的频率和内容向患者推送药依从干预知识,可以很方便高效的管理来提高患者的用药依从性,全程实现自动化,降低人工操作失误,准确可靠。此方法可在医院、药店和健康管理机构等场景。
2、干预策略个体化。本发明针对不同的患者个体,采用不同的干预方式,实现了个体化有针对性的干预,有效提升干预效果。
3、干预内容综合化。本发明的干预内容不仅限于提醒服药方面,考虑到影响药物依从性的多种因素,实现干预内容多样化、综合化,以有效提升干预效果。
附图说明
下面结合附图和实施例对本发明进一步说明。
图1是本发明中建模分组方法的流程图。
图2是本发明中建模分组的K-means聚类算法流程图。
图3是本发明一种提高用药依从性的系统的模块结构图。
图4是本发明一种提高用药依从性的系统的实现方法的流程图。
具体实施方式
现在结合附图对本发明作进一步详细的说明。这些附图均为简化的示意图,仅以示意方式说明本发明的基本结构,因此其仅显示与本发明有关的构成。
本发明采用MAT(Medication Adherence Technology,用药依从性技术)用户建模方法计算患者的用药依从性评分从而确定患者分组。本发明对影响用药依从性的五个维度进行加权建模,采用基于患者属性M(Member)、药品属性D(Drug)、健康状况H(Health)、检测行为T(Test)和购药行为P(Purchase)的K均值K-means 聚类方法进行聚类,并计算每个聚类患者的加权平均用药依从性评分,用于初步评估各聚类患者的整体用药依从性水平,再针对每一聚类内患者五个维度特点进行智能干预管理。整体流程如图1所示。
如图1所示,具体实现步骤如下:
1)数据清洗
根据实际情况删除异常数据,如患者属性中将年龄为0的患者年龄设置为未知,将购药记录按天合并后将购药金额很小的记录删除,将团体性购药记录删除等。如发现有数据重复问题,去除重复记录仅保留一条记录即可。
2)特征提取
患者属性M(Member)在本方法中采用年龄、经济水平和健康意识来评判,通过加权修正来获得患者属性得分。年龄越小、经济水平和健康意识越好,评分越高。
药品属性D(Drug)有医学专家根据该药物服药频次、不良反应的情况来进行评级,服药频次低、无不良反应的药物评价高。
健康状况H(Health)代表顾客健康水平,可以是单个的健康指标也可以是多个健康指标的加权和,在本方法中,H是患者的BMI值(身高体重指数)、血压级别和血糖级别的加权和。
检测行为T(Test)根据检测频次、项目和检测结果来评判,能保持规律测量并且检测指标平稳的可获得较高评分。
购药行为P(Purchase)从客频次、客单价两个维度进行衡量。购药行为评分由客频次评分加客单价评分所得。客频次评分为所购药物单盒推荐所用天数和实际单盒购药间隔天数的比值。客单价评分根据患者实际客单价与所购药物种类行业客单价的大小关系计算,当实际客单价大于行业客单价超过10%,则计+0.1,如实际客单价小于行业客单价超过10%,则计-0.1,否则为0。例如,硝苯地平缓释片按照推荐用量为7天/盒,如患者实际平均每14天购买一盒,其客单价低于行业客单价10%,则其购药行为评分为为0.4分(7/14-0.1=0.4)。
由于不同特征的量纲不同,需要进行标准化处理,比如可以用每个特征的标准分数standard score来代替原来相应特征的具体值。
3)加权处理
考虑到以上五个特征对用药依从性的影响程度并不相同,可以对这五个不同维度特征赋予相应的权重。在本方法中,采用医学专家咨询的方式,结合用药依从性研究文献结论,初步确定五个特征维度的权重的初步比例关系。如果需要调整权值,可以对特征进行两两比较得到相应的评价矩阵,并进行相应的调整以使其通过一致性检验,然后再利用层次分析法求得五个特征的权重。
4)聚类分析
利用K-means聚类算法对加权后的五个维度作聚类分析。在本方法中,依据医学专家的经验和建议,来确定聚类的数目K值。
K-means是非常经典的聚类算法,其主要计算过程如图2所示。
K-means聚类算步骤:
所述K-means聚类算法,包括如下步骤:
步骤1:随机选取K个点作为K个聚类的初始中心点;
步骤2:将每个样本分配给与其距离最近的聚类;
步骤3:更新每个聚类的中心点位置;
步骤4:满足终止条件则终止,否则回到步骤2;终止条件可以设置为每个聚类中心点位置几乎不变动,即小于设定的阈值。
5)类型定义
对每类患者标准化后的五个维度得分取平均,将平均值按照如下公式加权求和,得到相应的加权后的用药依从性评分,并在此基础上确定每类患者的用药依从性评分大小排序。
其中,NM、ND、NH、NT和NP分别代表标准化后的各个特征维度分值,, , ,和是对应的权重。
将每类患者的五个维度的平均值和整体患者的五个维度的平均值比较,得到每类患者的五个维度的变动情况用来分析该患者的类别的性质,并在此基础上定义用户类型。
假设用药依从性所影响的五个因素(M、D、H、T、P)权重依次为0.2、0.3、0.1、0.1和0.3,将所有患者用药依从性评分按照从高到低分成四个分组,见表1:
表1
患者分组 | 用药依从性评分 |
一般干预组 | [0.75,1] |
一般加强干预组 | [0.5,0.75) |
强干预组 | [0.25,0.5) |
重点强干预组 | [0,0.25] |
举例:某患者的患者属性M(Member)、药品属性D(Drug)、健康状况H(Health)、检测行为T(Test)和购药行为P(Purchase)标准化后的值分别为:(0.6,0.3,0.7,0.3,0.6),则该患者的用药依从性评分为:
0.2*0.6+0.3*0.3+0.1*0.7+0.1*0.3+0.3*0.6=0.49,属于强干预组。需要采用强干预的方案进行干预(详细内容在下面的系统中介绍)。
此外,假设5个影响因素在强干预组患者总体平均的归一化标准值为(0.4,0.4,0.4,0.4,0.4),该患者的药品属性D(Drug)和检测行为T(Test)均低于平均值,则需要在药品和检测方面加强干预,如干预内容应该重点介绍药品的禁忌症、药物知识和提醒患者规律性的进行指标测量(详细内容在下面的系统中介绍)。
如图3所示,本发明一种提高用药依从性的系统主要包含患者建模分组模块、针对性提升分析模块、干预规则生成模块、药依从干预知识库和干预内容发送模块。
1、患者建模分组模块:采用MAT(Medication Adherence Technology,用药依从性技术)用户建模方法计算患者的用药依从性评分从而确定患者分组。具体方法见上述描述。
2、针对性提升分析模块:分别将患者的5个用药依从性影响因素的标准化评分和该类型患者群总体的平均的目标标准化评分对比,找出其中低于平均值的因素项目。如某个患者的5项(患者属性M、药品属性D、健康状况H、检测行为T和购药行为P)归一化值得分为(0.6,0.3,0.7,0.3,0.6),该类患者平均归一化得分为(0.4,0.4,0.4,0.4,0.4),则需要针对性提升的因素为药品属性D(Drug)和检测行为T(Test)。
3、干预规则生成模块:根据患者建模分组模块和针对性提升分析模块的结果获得针对患者的干预规则。此模块的输出是针对该患者所采用的干预内容模块(详细见药依从干预知识库中对内容模块的说明)。
规则生成首先根据建模分组模块的结果生成基准方案,如下表2:
表2
患者分组 | 一个周期内的基准干预次数 |
一般干预组 | 3 |
一般加强干预组 | 5 |
强干预组 | 7 |
重点强干预组 | 9 |
如某个患者已被确定分组为强干预组, 则需要在一个服药周期(指患者所购药物单疗程的时间天数)内进行7次基准干预。假设该服药周期为10天,则基准方案如下表3:
表3
第一天 | 第二天 | 第三天 | 第四天 | 第六天 | 第八天 | 第九天 |
用法用量 | 药物知识 | 疾病知识 | 用药依从 | 检测提醒 | 并发症危害 | 复购提醒 |
获得基准规则后,再根据针对性提升分析模块的结果进行针对性补充,如上述举例患者的5项归一化值得分为(0.6,0.3,0.7,0.3,0.6),该类患者平均归一化得分为(0.4,0.4,0.4,0.4,0.4),则需要针对性提升的因素为药品属性D(Drug)和检测行为T(Test),可以在原基准规则的第五天插入药物知识中关于药品不良反应的描述和第7天插入检测注意事项的描述。
这样该患者将在整个周期得到9次干预提醒(7次基准干预和2次针对性干预),见表4。
表4
4、药依从干预知识库:
药依从干预知识库由医学专家按照内容分类进行编写完善,此知识库中的每个条目就是通过短信和微信发送给患者的干预内容,每一次干预发送其中的一条内容。药依从干预知识库中各内容分类简要说明如下:
Ø 用法用量:对每种药物给出常规用法,包括每日服用次数、每次服用剂量、常规用药禁忌、特殊情况调整方法等。
Ø 药物知识:对药物种类、主要成分、功效等加以说明,尤其是适用注意事项,常见不良反应及处理方法。
Ø 疾病知识:对疾病定义、病因及诱发因素等加以说明,并根据最常见的病因及诱发因素给出生活方式建议。
Ø 用药依从:从患者教育的角度强调按照医嘱服药的重要性并提醒用药
Ø 复购提醒:当按照正确用法用量计算出患者所购药物将要服用完或已服用完但未检测到患者购药行为时触发复购提醒,提醒患者购买补充药品,继续按照医嘱用药。
Ø 并发症危害:列举常见并发症及其风险,使患者对疾病的危害性有更深的认识。
Ø 效果评估:当患者持续一个月以上进行服药和指标检测后,会根据检测结果趋势进行效果评估,让患者对疾病控制效果有直观的了解。
Ø 用药禁忌:对特殊人群和特殊药物对用药禁忌专门提醒。
Ø 检测提醒:如血压、血糖类需要长期检测的指标,当患者一段时间内未上传检测记录时,对患者发出检测提醒。
药依从干预知识库由医学专家编写,举例:
疾病知识:
按照疾病类别分成:高血压类、糖尿病类、呼吸类、冠心病类、脑血管类等;
高血压类的内容又包含危险因素、测量常识、血压管理、生活方式、饮食指导、运动指导等。
危险因素干预内容举例:
1)、男性腰围≥85厘米,女性腰围≥80厘米即为超标。腰围控制在正常范围,有利于心血管系统的健康、血压的稳定。
2)、高血压常见症状是头晕、头痛、疲劳心悸,日常生活中进行血压的监测有利于了解血压的波动和进行血压的控制。
测量常识举例: 1)、双侧上肢之间的血压测量值可以有所差异,请以血压较高的一侧为测量标准。
2)、血压偏高人群建议每天早晚各测量血压1次,连续7天,能够很好的找出血压波动的规律,然后根据规律进行治疗。
血压管理举例:
1)、血压偏高的居民,应定期随访并测血压。长期药物治疗高血压,努力使血压达标 。
2)、血压偏高的居民在使用降压药物后最好每天监测一次血压,有利于发现血压的变化,指导用药。
药依从干预知识库中内容都是一条条独立存在的知识,本身无法决定哪些内容会发送,在什么时间发送。干预知识的发送都是干预内容发送模块根据干预规则选取相应的知识来发送的。
5、干预内容发送模块:
干预内容发送模块根据干预规则生成模块生成的干预规则,按照当前药物种类从药依从干预知识库中选择一条信息通过短信和微信并按照干预规则设的干预频率发送给患者。
例如干预内容发送模块输入的规则如下表5,且当前患者的用药是拜唐苹(阿卡波糖片)。
表5
当第一天时,干预内容发送模块会从药依从干预知识库的用法用量中搜索到拜唐苹(阿卡波糖片)的用法用量知识如下:
“您好,拜唐苹(阿卡波糖片)的用法用量提示:一般推荐剂量为:起始剂量为每次50mg,每日3次。以后逐渐增加至每次0.1g,每日3次。个别情况下,可增至每次0.2g,每日3次。或遵医嘱。禁忌:1.对阿卡波糖过敏者禁用。2.糖尿病昏迷及昏迷前期,酸中毒或酮症患者禁用。”
例如在第二天和第五天的药物知识中针对拜唐苹(阿卡波糖片)可以搜索到有15条记录,干预内容发送模块只需随机选取一条即可。例如:
“拜唐苹(阿卡波糖片)的注意事项提示:有明显消化和吸收障碍的慢性胃肠功能紊乱患者、严重的疝、肠梗阻、肠道术后和肠溃疡)的病人禁用”。
如图4所示,本发明一种提高用药依从性的系统的实现方法,主要包括如下流程步骤:
1、使用MAT用户建模方法对患者建模分组,得到基准干预规则;
2、通过对该患者5个维度归一化得分和该组平均归一化得分对比进行针对性提升分析,得到需要针对性干预的内容;
3、根据步骤1中所得的基准干预规则以及步骤2中所得的针对性干预的内容,即可生成该用户的干预规则方案。
4、通过步骤3所得的干预规则方案在药依从干预知识库中找对应的干预知识内容。
5、判断用户是否微信登录,如已登录,以微信模板消息的形式将干预知识内容推送给患者,如未登录,则不推送模板消息,将干预知识内容通过短信发送给患者。
以上述依据本发明的理想实施例为启示,通过上述的说明内容,相关工作人员完全可以在不偏离本项发明技术思想的范围内,进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容,必须要根据权利要求范围来确定其技术性范围。
Claims (10)
1.一种提高用药依从性的系统,其特征在于,包含患者建模分组模块、针对性提升分析模块、干预规则生成模块、药依从干预知识库和干预内容发送模块;
所述患者建模分组模块,采用用户建模方法计算患者的用药依从性评分从而确定患者分组;
所述干预规则生成模块,用于根据所述患者建模分组模块的结果获得针对患者的干预规则;
所述药依从干预知识库,包括用法用量、药物知识、疾病知识、用药依从、复购提醒;
所述干预内容发送模块,根据所述干预规则生成模块生成的干预规则,从所述药依从干预知识库中选择干预知识内容并按照干预规则设的干预频率发送给患者。
2.如权利要求1所述的系统,其特征在于,所述用户建模方法包括如下步骤:数据清洗、特征提取、加权处理、聚类分析以及类型定义;
所述数据清洗用于删除异常数据和重复数据;
所述特征提取,用于提取患者的以下特征:患者属性M、药品属性D、健康状况H 、检测行为T和购药行为P;所述患者属性M采用年龄、经济水平和健康意识来评判,通过加权修正来获得患者属性得分;所述药品属性D有医学专家根据该药物服药频次、不良反应的情况来进行评级;所述健康状况H代表健康水平,是单个的健康指标或是多个健康指标的加权和;所述检测行为T根据检测频次、项目和检测结果来评判;所述购药行为P从客频次、客单价两个维度进行衡量;
所述加权处理用于确定患者属性M、药品属性D、健康状况H 、检测行为T和购药行为P五个特征的权重;
所述聚类分析用于利用K-means聚类算法对加权后的五个维度作聚类分析;
所述类型定义,用于对每类患者标准化后的五个维度得分取平均,将平均值加权求和,得到相应的加权后的用药依从性评分,并在此基础上确定每类患者的用药依从性评分大小排序;将每类患者的五个维度的平均值和整体患者的五个维度的平均值比较,得到每类患者的五个维度的变动情况用来分析该患者的类别的性质,并在此基础上定义用户类型。
3.如权利要求2所述的系统,其特征在于,所述健康状况H是患者的BMI值、血压级别和血糖级别的加权和。
4.如权利要求2所述的系统,其特征在于,所述类型定义单元中将平均值加权求和,按如下公式:
其中,NM、ND、NH、NT和NP分别代表标准化后的患者属性M、药品属性D、健康状况H 、检测行为T和购药行为P五个特征的维度分值,, , , 和是对应的权重。
5.如权利要求1所述的系统,其特征在于,该系统还包括针对性提升分析模块,用于将患者的数个用药依从性影响因素的标准化评分和该类型患者群总体的平均的目标标准化评分对比,找出其中低于平均值的因素项目进行针对性提升;所述干预规则生成模块根据所述患者建模分组模块的结果生成基准干预规则方案,再根据所述针对性提升分析模块的结果进行针对性补充干预规则。
6.如权利要求5所述的系统,其特征在于,所述基准干预规则方案为:将患者分为一般干预组、一般加强干预组、强干预组和重点强干预组,分别对应一个周期内的基准干预次数为3次、5次、7次、9次。
7.如权利要求6所述的系统,其特征在于,所述基准干预规则方案,对于一般加强干预组,具体为:第1天发送用法用量,第3天发送药物知识,第5天发送疾病知识,第7天发送用药提醒,第9天发送复购提醒。
8.如权利要求1所述的系统,其特征在于,所述药依从干预知识库还包括:并发症危害、效果评估、用药禁忌、检测提醒。
9.如权利要求1所述的系统,其特征在于,所述干预内容发送模块,选择干预知识内容通过微信或短信发送给患者。
10.一种如权利要求1-9任一项所述的系统的实现方法,其特征在于,包括如下步骤:
步骤1、使用用户建模方法对患者建模分组,得到基准干预规则;
步骤2、通过对该患者数个用药依从性影响因素的标准化评分和该类型患者群总体的平均的目标标准化评分对比,找出其中低于平均值的因素项目进行针对性提升分析,得到需要针对性干预的内容;
步骤3、根据步骤1中所得的基准干预规则以及步骤2中所得的针对性干预的内容,即生成该用户的干预规则方案;
步骤4、通过步骤3所得的干预规则方案在药依从干预知识库中找对应的干预知识内容;
步骤5、判断用户是否微信登录,如已登录,以微信模板消息的形式将干预知识内容推送给患者,如未登录,则不推送模板消息,将干预知识内容通过短信发送给患者。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710616320.3A CN107391941A (zh) | 2017-07-26 | 2017-07-26 | 一种提高用药依从性的方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710616320.3A CN107391941A (zh) | 2017-07-26 | 2017-07-26 | 一种提高用药依从性的方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107391941A true CN107391941A (zh) | 2017-11-24 |
Family
ID=60341133
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710616320.3A Pending CN107391941A (zh) | 2017-07-26 | 2017-07-26 | 一种提高用药依从性的方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107391941A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107833063A (zh) * | 2017-11-30 | 2018-03-23 | 上海科瓴医疗科技有限公司 | 药店会员流失预警和智能干预系统及方法 |
CN109360661A (zh) * | 2018-07-12 | 2019-02-19 | 上海金仕达卫宁软件科技有限公司 | 慢性病个性化精准用药指导方法及系统 |
CN110136815A (zh) * | 2019-05-10 | 2019-08-16 | 重庆医科大学附属第二医院 | 基于互联网的心房颤动患者信息化管理与服务系统及方法 |
CN110391005A (zh) * | 2019-06-14 | 2019-10-29 | 上海中优精准医疗科技股份有限公司 | 血压调控个性化干预方案管理系统 |
WO2019233455A1 (zh) * | 2018-06-07 | 2019-12-12 | 上海镁善斯健康科技有限公司 | 一种用药依从性评估方法 |
CN110812241A (zh) * | 2019-10-18 | 2020-02-21 | 平安科技(深圳)有限公司 | 基于时序聚类的用药提醒方法及相关设备 |
CN111696676A (zh) * | 2020-05-28 | 2020-09-22 | 思派健康产业投资有限公司 | 一种基于依从性的慢病患者筛选方法 |
CN112037932A (zh) * | 2020-09-09 | 2020-12-04 | 平安科技(深圳)有限公司 | 患者用药行为干预方法及装置、服务器、存储介质 |
CN112102956A (zh) * | 2020-10-13 | 2020-12-18 | 杭州健海科技有限公司 | 一种糖尿病患者提高依从性的方法和系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103718208A (zh) * | 2011-06-10 | 2014-04-09 | Ai医疗科技公司 | 用于监控药物依从性的方法以及装置 |
CN105160199A (zh) * | 2015-09-30 | 2015-12-16 | 刘毅 | 基于持续血糖监测并具有干预信息的糖尿病管理信息处理和展示方法 |
CN105956400A (zh) * | 2016-05-06 | 2016-09-21 | 南通大学 | 糖尿病患者自我管理依从性的监督与反馈系统 |
CN106503438A (zh) * | 2016-10-20 | 2017-03-15 | 上海科瓴医疗科技有限公司 | 一种用于药店会员分析的h‑rfm用户建模方法及系统 |
-
2017
- 2017-07-26 CN CN201710616320.3A patent/CN107391941A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103718208A (zh) * | 2011-06-10 | 2014-04-09 | Ai医疗科技公司 | 用于监控药物依从性的方法以及装置 |
CN105160199A (zh) * | 2015-09-30 | 2015-12-16 | 刘毅 | 基于持续血糖监测并具有干预信息的糖尿病管理信息处理和展示方法 |
CN105956400A (zh) * | 2016-05-06 | 2016-09-21 | 南通大学 | 糖尿病患者自我管理依从性的监督与反馈系统 |
CN106503438A (zh) * | 2016-10-20 | 2017-03-15 | 上海科瓴医疗科技有限公司 | 一种用于药店会员分析的h‑rfm用户建模方法及系统 |
Non-Patent Citations (1)
Title |
---|
刘溢思 等: "短信教育改善急性冠状动脉综合征患者介入术后服药依从性的效果研究", 《中华护理杂志》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107833063A (zh) * | 2017-11-30 | 2018-03-23 | 上海科瓴医疗科技有限公司 | 药店会员流失预警和智能干预系统及方法 |
WO2019233455A1 (zh) * | 2018-06-07 | 2019-12-12 | 上海镁善斯健康科技有限公司 | 一种用药依从性评估方法 |
CN109360661A (zh) * | 2018-07-12 | 2019-02-19 | 上海金仕达卫宁软件科技有限公司 | 慢性病个性化精准用药指导方法及系统 |
CN110136815A (zh) * | 2019-05-10 | 2019-08-16 | 重庆医科大学附属第二医院 | 基于互联网的心房颤动患者信息化管理与服务系统及方法 |
CN110136815B (zh) * | 2019-05-10 | 2023-09-26 | 重庆医科大学附属第二医院 | 基于互联网的心房颤动患者信息化管理与服务系统及方法 |
CN110391005A (zh) * | 2019-06-14 | 2019-10-29 | 上海中优精准医疗科技股份有限公司 | 血压调控个性化干预方案管理系统 |
CN110812241A (zh) * | 2019-10-18 | 2020-02-21 | 平安科技(深圳)有限公司 | 基于时序聚类的用药提醒方法及相关设备 |
WO2021073255A1 (zh) * | 2019-10-18 | 2021-04-22 | 平安科技(深圳)有限公司 | 基于时序聚类的用药提醒方法及相关设备 |
CN111696676A (zh) * | 2020-05-28 | 2020-09-22 | 思派健康产业投资有限公司 | 一种基于依从性的慢病患者筛选方法 |
CN112037932A (zh) * | 2020-09-09 | 2020-12-04 | 平安科技(深圳)有限公司 | 患者用药行为干预方法及装置、服务器、存储介质 |
WO2021151329A1 (zh) * | 2020-09-09 | 2021-08-05 | 平安科技(深圳)有限公司 | 患者用药行为干预方法及装置、服务器、存储介质 |
CN112102956A (zh) * | 2020-10-13 | 2020-12-18 | 杭州健海科技有限公司 | 一种糖尿病患者提高依从性的方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107391941A (zh) | 一种提高用药依从性的方法和系统 | |
Hopewell et al. | Multifactorial and multiple component interventions for preventing falls in older people living in the community | |
Anderson et al. | Your health care may kill you: medical errors | |
Lenferink et al. | Self‐management interventions including action plans for exacerbations versus usual care in patients with chronic obstructive pulmonary disease | |
CN108366763A (zh) | 用于评估精神状态的方法和系统 | |
CN111584022B (zh) | 一种优化就诊过程的医患交互系统 | |
CN108364677A (zh) | 一种基于多维度健康管理模型的评测方法及其装置 | |
Ahmed | Using data mining to develop model for classifying diabetic patient control level based on historical medical records | |
CN111785395B (zh) | 抗菌药物临床应用的监测方法、系统、设备及存储介质 | |
CN108697580A (zh) | 信息处理装置 | |
US12020792B2 (en) | Method to mitigate allergen symptoms in a personalized and hyperlocal manner | |
CN106777966B (zh) | 基于医疗信息平台的数据互动训练方法及系统 | |
CN112614591A (zh) | 用于养老院老年患者的老年综合征筛查评估及干预的方法 | |
Almahshi et al. | Hypothyroidism prediction and detection using machine learning | |
Çakmak et al. | A methodological study: development of the rational drug use scale | |
Golden et al. | A taxometric method for diagnosis of tardive dyskinesia | |
Davoudi et al. | Phenotyping cognitive impairment using graphomotor and latency features in digital clock drawing test | |
WO2015169810A1 (en) | Method for prediction of a placebo response in an individual | |
Leone | 5-year trend of reporting adverse drug reaction: An Italian general practice experience | |
CN108573748A (zh) | 一种孕前优生健康风险评估系统 | |
CN111899897A (zh) | 一种优化就诊过程的医生端 | |
CN111899895A (zh) | 一种优化就诊过程的医患交互系统 | |
Adaobi et al. | On the analysis of blood glucose levels of diabetic patients | |
Abawajy et al. | Empirical investigation of multi-tier ensembles for the detection of cardiac autonomic neuropathy using subsets of the Ewing features | |
US11984220B2 (en) | Virtual consultation method and electronic device |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20171124 |
|
WD01 | Invention patent application deemed withdrawn after publication |