CN109036587A - 一种基于大数据分析的社区精神卫生服务质量管理系统 - Google Patents
一种基于大数据分析的社区精神卫生服务质量管理系统 Download PDFInfo
- Publication number
- CN109036587A CN109036587A CN201810936150.1A CN201810936150A CN109036587A CN 109036587 A CN109036587 A CN 109036587A CN 201810936150 A CN201810936150 A CN 201810936150A CN 109036587 A CN109036587 A CN 109036587A
- Authority
- CN
- China
- Prior art keywords
- module
- community
- vector
- mental health
- quality control
- 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
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H80/00—ICT specially adapted for facilitating communication between medical practitioners or patients, e.g. for collaborative diagnosis, therapy or health monitoring
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Public Health (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明属于社区服务质量管理系统技术领域,公开了一种基于大数据分析的社区精神卫生服务质量管理系统设置有:互联网终端模块,所述互联网终端模块包括:精神健康卫生服务模块、工作管理模块、健康教育模块;所述精神健康卫生服务模块包括:医生随访模块、就诊转诊模块、患者咨询模块,所述工作管理模块包括:督导模块、质控模块。本发明以互联网为基础,协助社区医生为居民提供便利的精神卫生服务,通过大数据收集资料对社区医生工作进行评价,以更加全面地对精神卫生服进行查缺补漏并不断完善。各种信息都将收集到子系统,由子系统发送至总系统。随后总系统以此大数据为基础,综合测评社区精神卫生服务质量。
Description
技术领域
本发明属于社区服务质量管理系统技术领域,尤其涉及一种基于大数据分析的社区精神卫生服务质量管理系统。
背景技术
目前,经济迅速发展,社会建设日新月异,人们的温饱问题得到解决后,心理健康成为了一个新的需求。社区中大多数心理疾病患者有一定的社会功能受损,不愿与人沟通,蜗居家中,如此类现象不及时解决,会对病患,甚至社区中其他居民造成不良影响,不利于社区精神文明的建设。只有提供实际的社区精神卫生服务,提高社区人员的精神文明,才能解决此类问题。
综上所述,现有技术存在的问题是:
(1)如果精神卫生服务不全面,会对病患,甚至社区中其他居民造成不良影响,不利于社区精神文明的建设,在医生随访时的信息收集之后的信息分类较慢,无法进行快速高效的将所有不同类的患者与病情进行区分与整理,为后续的推进治疗与回访造成了麻烦。
(2)质控模块用于进行质量检测,经常需要对一些复杂异常数据进行检测与处理,但是目前的复杂异常数据检测不适用于大数据的检测,检测较慢效果不理想,不能够满足数据的大数据化趋势。
(3)质量服务评价模块为患者对医生服务的信息反馈,目前的信息反馈只能进行简单的反馈,对于较为复杂的信息反馈需要人力进行区分,浪费了时间与精力,降低了医护人员的工作效率。
发明内容
针对现有技术存在的问题,本发明提供了一种基于大数据分析的社区精神卫生服务质量管理系统。
本发明是这样实现的,一种基于大数据分析的社区精神卫生服务质量管理方法,所述基于大数据分析的社区精神卫生服务质量管理方法包括:
社区医生通过精神健康卫生服务模块为社区居民提供心理健康服务,包括在医生随访模块中对患者进行定期随访,记录患者病情,发现不稳定患者及时向上级医院转诊,同时根据社区居民及患者提出的精神卫生服务需求给予帮助;
若患者有就诊转诊需求,通过就诊转诊模块提供临床诊治服务,包括药品发放,专家门诊,心理咨询;患者咨询模块为普通患者提供定期的线上心理咨询及知识问答服务;
通过工作管理模块进行监督培训及质量控制;督导模块及质控模块包含对社区精神卫生服务质量的评价标准,包括精神病患者的检出情况,管理情况,规律服药情况及社区访视情况;
最后健康教育模块将定期向居民及患者推送有关精神卫生的健康知识,可进行医患互动并提出建议。
医生随访模块的信息分类采用支持向量机的快速分类算法,具体包括:
给定训练样本集{(xi,yi),i=1,2,…,l},xi∈Rd,yi∈{-1,+1),引进从输入空间Rn到希尔伯特空间H的变换:
然后在Hilbert空间H中构造原始问题:
结束条件:
采用Lagrange乘子法求解,得到的对偶问题为:
结束条件:
其中K(xi,xj)为核函数:
通过求解上述对偶问题得最优解α*=(α1 *,…,αl *)T,选取α*的一个正分量0<αj*<C,并据此计算阙值:
b*=yj-∑yiαi *K(xi,xj);
最后构造决策函数:
给定两个样本x1,x2∈RN,则两样本之间的距离表示为d(x1,x2),表示样本xl的第i个分量,在线性的情况下,两样本之间的距离定义如下:
在非线性情况下,两样本之间的距离定义如下:
其中为将原空间中向量x映射到高维向量空间中所对应的向量, 为核函数;
样本为x1i,i=1,…,l,另一类样本为x2j,j=1,…,m,d(x1i,x2j)表示第一类中的第i个样本到第二类中的第j个样本的距离,则对每一个i值,di=mind(x1i,x2j)(j=1,2,…,m),所对应的向量x2j是第二类样本的一个边界向量;
对原始样本通过距离筛选,得到l个由相对边界向量过程的初始训练样本(x1,y1),…,(xl,yl)其中xi∈Rn,i=1,…,l,yi∈{-1,1}是样本xi所属的类别,m为训练样本的类数目,设第k个支持向量机的训练样本集合为X={(xi,yi)|yi≥k},得
约束条件:
转化为其对偶问题进行求解:
得到其对应的决策函数为:
进一步,所述质控模块设置有复杂异常数据检测,复杂异常数据检测的算法为:采用图核的方式对图数据之间的相似性进行定义,G是图数据集,函数k:G×G→R称为一个图核,通过映射将原始数据映射到高维数据空间中去,使得下式成立:
图核通过非线性映射将原始空间中不可分的问题变得在特征空间中线性可分,数据被映射到高维空间后根据KPCA的思想对数据进行降维处理;利用图核方法得到核矩阵为K=(k(Gi,Gj))NxN,并由KPCA目标函数得出下式并解特征方程得到降维矩阵:
超平面(w,b)通过下式求解获得:
其中,w为法向量,b指的是截距,C为正则化因子;算法步骤如下所示:
①利用图核将原始图数据转化为核矩阵的形式,即得到K=(k(Gi,Gj))N×N;
②利用KPCA对图核处理后的数据进行降维;
③利用单类支持向量机对数据进行模型训练,训练过程中只用一类数据样本。
进一步,所述服务质量评价模块设置有信息反馈模块,信息反馈模块的算法为基于向量空间模型的方法,具体算法如下:在向量空间下,计算两种信息相似度的常规方法是求向量和的余弦相似度:
其中,分子是向量和的内积或称点积,分母是两个向量的欧几里得长度的乘积,两个向量的内积定义为信息d对应的向量表示为它是一个M维的向量d的欧几里得长度定义为:
除以分母的效果实际上相当于将向量和进行长度归一化,得到单位向量:
寻找一个最优查询向量它的特别包括:与相关信息之间的相似度最大,与不相关信息之间的相似度最小,若Cr表示相关信息集,Cnr表示不相关信息集,那么找到的最优的是:
sim函数采用余弦相似度计算时,能够区分开相关信息与不相关信息的最优查询向量为:
最优查询向量即相关信息的质心向量和不相关信息的质心向量的差。
本发明的另一目的在于提供一种实现所述基于大数据分析的社区精神卫生服务质量管理方法的基于大数据分析的社区精神卫生服务质量管理系统,所述基于大数据分析的社区精神卫生服务质量管理系统设置有:互联网终端模块,所述互联网终端模块包括:精神健康卫生服务模块、工作管理模块、健康教育模块;
所述精神健康卫生服务模块包括:医生随访模块、就诊转诊模块、患者咨询模块,所述工作管理模块包括:督导模块、质控模块;
所述健康教育模块、医生随访模块、就诊转诊模块、患者咨询模块、督导模块、质控模块均与子系统信息收集模块相连接,所述子系统信息收集模块与总系统信息收集模块相连接,所述总系统信息收集模块与服务质量评价模块相连接;
进一步,所述精神健康卫生服务模块、工作管理模块以及健康教育模块都是以互联网终端模块为基础进行查询。
进一步,所述精神健康卫生服务模块、工作管理模块以及健康教育模块收集到的信息处理后,都通过互联网传输到子系统信息收集模块。
进一步,所述每个子系统信息收集模块整合好信息后,将信息通过网络发送至总系统信息收集模块,随后由服务质量评价模块进行质量测评。
本发明的另一目的在于提供一种应用所述基于大数据分析的社区精神卫生服务质量管理方法的信息数据处理终端。
本发明的优点及积极效果为:
(1)采用支持向量机的快速分类算法能够精准的将医生的随访信息进行分类,为后续有效的进行治疗与回访提供了基础与条件。
(2)采用图核的方式对复杂的异常数据进行检测,检测速度快,在一类常规数据的情况下具有较强的检测优势,能够很好的适应以后的大数据化趋势。
(3)采用向量空间模型的反馈方法进行信息反馈,能够将复杂的反馈信息进行对比与反馈,不需要人力进行筛选与区分,降低了工作人员的劳动负荷,提高了工作效率。
本发明可以有效帮助社区更好的进行精神文明建设,并且整合数据,从大数据的角度来寻找现在社区文明建设存在的问题,统一进行解决。
附图说明
图1是本发明实施例提供的基于大数据分析的社区精神卫生服务质量管理系统模块示意图;
图中:1、互联网终端模块;2、精神健康卫生服务模块;3、工作管理模块;4、健康教育模块;5、医生随访模块;6、就诊转诊模块;7、患者咨询模块;8、督导模块;9、质控模块;10、子系统信息收集模块;11、总系统信息收集模块;12、服务质量评价模块。
具体实施方式
为能进一步了解本发明的发明内容、特点及功效,兹例举以下实施例,并配合附图1详细说明如下。
下面结合附图对本发明的结构作详细的描述。
如图1所示,本发明实施例提供的基于大数据分析的社区精神卫生服务质量管理系统包括:互联网终端模块1,所述互联网终端模块1包括:精神健康卫生服务模块2、工作管理模块3、健康教育模块4。
精神健康卫生服务模块2包括:医生随访模块、就诊转诊模块6、患者咨询模块7,所述工作管理模块3包括:督导模块8、质控模块9。
健康教育模块4、医生随访模块5、就诊转诊模块6、患者咨询模块7、督导模块8、质控模块9均与子系统信息收集模块10相连接,所述子系统信息收集模块10与总系统信息收集模块11相连接,所述总系统信息收集模块11与服务质量评价模块12相连接。
精神健康卫生服务模块2、工作管理模块3以及健康教育模块4都是以互联网终端模块1为基础进行查询。
精神健康卫生服务模块2、工作管理模块3以及健康教育模块4收集到的信息处理后,都通过互联网传输到子系统信息收集模块10。
每个子系统信息收集模块10整合好信息后,将信息通过网络发送至总系统信息收集模块11,随后由服务质量评价模块12进行质量测评。
医生随访模块的信息分类采用支持向量机的快速分类算法,具体包括:
给定训练样本集{(xi,yi),i=1,2,…,l},xi∈Rd,yi∈{-1,+1},引进从输入空间Rn到希尔伯特空间H的变换:
然后在Hilbert空间H中构造原始问题:
结束条件:
采用Lagrange乘子法求解,得到的对偶问题为:
结束条件:
其中K(xi,xj)为核函数:
通过求解上述对偶问题得最优解α*=(α1 *,…,αl *)T,选取α*的一个正分量0<αj*<C,并据此计算阙值:
b*=yj-∑yiαi *K(xi,xj);
最后构造决策函数:
给定两个样本x1,x2∈RN,则两样本之间的距离表示为d(x1,x2),表示样本xl的第i个分量,在线性的情况下,两样本之间的距离定义如下:
在非线性情况下,两样本之间的距离定义如下:
其中为将原空间中向量x映射到高维向量空间中所对应的向量, 为核函数;
样本为x1i,i=1,…,l,另一类样本为x2j,j=1,…,m,d(x1i,x2j)表示第一类中的第i个样本到第二类中的第j个样本的距离,则对每一个i值,di=mind(x1i,x2j)(j=1,2,…,m),所对应的向量x2j是第二类样本的一个边界向量;
对原始样本通过距离筛选,得到l个由相对边界向量过程的初始训练样本(x1,y1),…,(xl,yl)其中xi∈Rn,i=1,…,l,yi∈{-1,1}是样本xi所属的类别,m为训练样本的类数目,设第k个支持向量机的训练样本集合为X={(xi,yi)|yi≥k},得
约束条件:
转化为其对偶问题进行求解:
得到其对应的决策函数为:
进一步,所述质控模块设置有复杂异常数据检测,复杂异常数据检测的算法为:采用图核的方式对图数据之间的相似性进行定义,G是图数据集,函数k:G×G→R称为一个图核,通过映射将原始数据映射到高维数据空间中去,使得下式成立:
图核通过非线性映射将原始空间中不可分的问题变得在特征空间中线性可分,数据被映射到高维空间后根据KPCA的思想对数据进行降维处理;利用图核方法得到核矩阵为K=(k(Gi,Gj))NxN,并由KPCA目标函数得出下式并解特征方程得到降维矩阵:
超平面(w,b)通过下式求解获得:
其中,w为法向量,b指的是截距,C为正则化因子;算法步骤如下所示:
④利用图核将原始图数据转化为核矩阵的形式,即得到K=(k(Gi,Gj))N×N;
⑤利用KPCA对图核处理后的数据进行降维;
⑥利用单类支持向量机对数据进行模型训练,训练过程中只用一类数据样本。
进一步,所述服务质量评价模块设置有信息反馈模块,信息反馈模块的算法为基于向量空间模型的方法,具体算法如下:在向量空间下,计算两种信息相似度的常规方法是求向量和的余弦相似度:
其中,分子是向量和的内积或称点积,分母是两个向量的欧几里得长度的乘积,两个向量的内积定义为信息d对应的向量表示为它是一个M维的向量d的欧几里得长度定义为:
除以分母的效果实际上相当于将向量和进行长度归一化,得到单位向量:
寻找一个最优查询向量它的特别包括:与相关信息之间的相似度最大,与不相关信息之间的相似度最小,若Cr表示相关信息集,Cnr表示不相关信息集,那么找到的最优的是:
sim函数采用余弦相似度计算时,能够区分开相关信息与不相关信息的最优查询向量为:
最优查询向量即相关信息的质心向量和不相关信息的质心向量的差。
本发明的工作原理是:精神健康卫生服务模块2、工作管理模块3、健康教育模块4均以互联网终端模块1为基础,收集社区医生看诊及随访数据,结合上级医院督导及质控情况,对社区精神卫生服务做出总体评价,实现信息互通及数据汇总。详细模块如下:社区医生通过精神健康卫生服务模块2为社区居民提供心理健康服务,包括在医生随访模块5中对患者进行定期随访,此模块要求社区医生按时填写随访日志,记录患者病情(服药情况、症状改变等),发现不稳定患者及时向上级医院转诊,同时根据社区居民及患者提出的精神卫生服务需求给予帮助。若患者有就诊转诊需求,通过就诊转诊模块6提供临床诊治服务,包括药品发放,专家门诊,心理咨询等。患者咨询模块7为普通患者提供定期的线上心理咨询及知识问答服务。以上社区医生为患者提供的精神卫生服务,均通过工作管理模块3进行监督培训(督导模块8)及质量控制(质控模块9)。督导模块8及质控模块9包含对社区精神卫生服务质量的评价标准,包括精神病患者的检出情况,管理情况,规律服药情况及社区访视情况等。最后健康教育模块4将定期向居民及患者推送有关精神卫生的健康知识,可进行医患互动并提出建议。通过以上活动,系统将对社区提供的精神卫生服务进行总体评价,查漏补缺,不断完善。此基于大数据分析的社区精神卫生服务质量管理系统,以互联网终端模块1为基础,为社区医生提供的精神卫生服务下达指标,指导建设成更好的精神文明社区;并且每个社区就上述指标达成情况以及居民建议等各种信息收集到子系统,由子系统发送至总系统。随后总系统以此大数据为基础,综合测评社区精神卫生服务质量,并通过大数据统计预测严重精神病患者的发病情况,为突发公共卫生事件做好准备。
本发明可以有效帮助社区更好的进行精神文明建设,并且整合数据,从大数据的角度来寻找现在社区文明建设存在的问题,统一进行解决。
以上所述仅是对本发明的较佳实施例而已,并非对本发明作任何形式上的限制,凡是依据本发明的技术实质对以上实施例所做的任何简单修改,等同变化与修饰,均属于本发明技术方案的范围内。
Claims (8)
1.一种基于大数据分析的社区精神卫生服务质量管理方法,其特征在于,所述基于大数据分析的社区精神卫生服务质量管理方法包括:
社区医生通过精神健康卫生服务模块为社区居民提供心理健康服务,包括在医生随访模块中对患者进行定期随访,记录患者病情,发现不稳定患者及时向上级医院转诊,同时根据社区居民及患者提出的精神卫生服务需求给予帮助;
若患者有就诊转诊需求,通过就诊转诊模块提供临床诊治服务,包括药品发放,专家门诊,心理咨询;患者咨询模块为普通患者提供定期的线上心理咨询及知识问答服务;
通过工作管理模块进行监督培训及质量控制;督导模块及质控模块包含对社区精神卫生服务质量的评价标准,包括精神病患者的检出情况,管理情况,规律服药情况及社区访视情况;
最后健康教育模块将定期向居民及患者推送有关精神卫生的健康知识,可进行医患互动并提出建议。
医生随访模块的信息分类采用支持向量机的快速分类算法,具体包括:
给定训练样本集{(xi,yi),i=1,2,…,l},xi∈Rd,yi∈{-1,+1},引进从输入空间Rn到希尔伯特空间H的变换:
然后在Hilbert空间H中构造原始问题:
结束条件:
采用Lagrange乘子法求解,得到的对偶问题为:
结束条件:
其中K(xi,xj)为核函数:
通过求解上述对偶问题得最优解α*=(α1 *,…,αl *)T,选取α*的一个正分量0<αj*<C,并据此计算阙值:
b*=yj-∑yiαi *K(xi,xj);
最后构造决策函数:
给定两个样本x1,x2∈RN,则两样本之间的距离表示为d(x1,x2),表示样本xl的第i个分量,在线性的情况下,两样本之间的距离定义如下:
在非线性情况下,两样本之间的距离定义如下:
其中为将原空间中向量x映射到高维向量空间中所对应的向量, 为核函数;
样本为x1i,i=1,…,l,另一类样本为x2j,j=1,···,m,d(x1i,x2j)表示第一类中的第i个样本到第二类中的第j个样本的距离,则对每一个i值,di=mind(x1i,x2j)(j=1,2,···,m),所对应的向量x2j是第二类样本的一个边界向量;
对原始样本通过距离筛选,得到l个由相对边界向量过程的初始训练样本(x1,y1),…,(xl,yl),其中xi∈Rn,i=1,…,l,yi∈{-1,1}是样本xi所属的类别,m为训练样本的类数目,设第k个支持向量机的训练样本集合为X={(xi,yi)|yi≥k},得
约束条件:
if yj=k;
if yj>k;
m∈{1,…,k};;
转化为其对偶问题进行求解:
得到其对应的决策函数为:
2.如权利要求1所述的基于大数据分析的社区精神卫生服务质量管理方法,其特征在于,所述质控模块设置有复杂异常数据检测,复杂异常数据检测的算法为:采用图核的方式对图数据之间的相似性进行定义,G是图数据集,函数k:G×G→R称为一个图核,通过映射将原始数据映射到高维数据空间中去,使得下式成立:
图核通过非线性映射将原始空间中不可分的问题变得在特征空间中线性可分,数据被映射到高维空间后根据KPCA的思想对数据进行降维处理;利用图核方法得到核矩阵为K=(k(Gi,Gj))N×N,并由KPCA目标函数得出下式并解特征方程得到降维矩阵:
超平面(w,b)通过下式求解获得:
s.t.ω·xi≥b-ξiξi≥0;
其中,w为法向量,b指的是截距,C为正则化因子;算法步骤如下所示:
①利用图核将原始图数据转化为核矩阵的形式,即得到
K=(k(Gi,Gj))N×N;
②利用KPCA对图核处理后的数据进行降维;
③利用单类支持向量机对数据进行模型训练,训练过程中只用一类数据样本。
3.如权利要求1所述的基于大数据分析的社区精神卫生服务质量管理方法,其特征在于,所述服务质量评价模块设置有信息反馈模块,信息反馈模块的算法为基于向量空间模型的方法,具体算法如下:在向量空间下,计算两种信息相似度的常规方法是求向量和的余弦相似度:
其中,分子是向量和的内积或称点积,分母是两个向量的欧几里得长度的乘积,两个向量的内积定义为信息d对应的向量表示为它是一个M维的向量d的欧几里得长度定义为:
除以分母的效果实际上相当于将向量和进行长度归一化,得到单位向量:
寻找一个最优查询向量它的特别包括:与相关信息之间的相似度最大,与不相关信息之间的相似度最小,若Cr表示相关信息集,Cnr表示不相关信息集,那么找到的最优的是:
sim函数采用余弦相似度计算时,能够区分开相关信息与不相关信息的最优查询向量为:
最优查询向量即相关信息的质心向量和不相关信息的质心向量的差。
4.一种实现权利要求1所述基于大数据分析的社区精神卫生服务质量管理方法的基于大数据分析的社区精神卫生服务质量管理系统,其特征在于,所述基于大数据分析的社区精神卫生服务质量管理系统设置有:互联网终端模块,所述互联网终端模块包括:精神健康卫生服务模块、工作管理模块、健康教育模块;
所述精神健康卫生服务模块包括:医生随访模块、就诊转诊模块、患者咨询模块,所述工作管理模块包括:督导模块、质控模块;
所述健康教育模块、医生随访模块、就诊转诊模块、患者咨询模块、督导模块、质控模块均与子系统信息收集模块相连接,所述子系统信息收集模块与总系统信息收集模块相连接,所述总系统信息收集模块与服务质量评价模块相连接。
5.如权利要求4所述的基于大数据分析的社区精神卫生服务质量管理系统,其特征在于,所述精神健康卫生服务模块、工作管理模块以及健康教育模块都是以互联网终端模块为基础进行查询。
6.如权利要求4所述的基于大数据分析的社区精神卫生服务质量管理系统,其特征在于,所述精神健康卫生服务模块、工作管理模块以及健康教育模块收集到的信息处理后,都通过互联网传输到子系统信息收集模块。
7.如权利要求4所述的基于大数据分析的社区精神卫生服务质量管理系统,其特征在于,所述每个子系统信息收集模块整合好信息后,将信息通过网络发送至总系统信息收集模块,随后由服务质量评价模块进行质量测评。
8.一种应用权利要求1~3任意一项所述基于大数据分析的社区精神卫生服务质量管理方法的信息数据处理终端。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810936150.1A CN109036587A (zh) | 2018-08-16 | 2018-08-16 | 一种基于大数据分析的社区精神卫生服务质量管理系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810936150.1A CN109036587A (zh) | 2018-08-16 | 2018-08-16 | 一种基于大数据分析的社区精神卫生服务质量管理系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109036587A true CN109036587A (zh) | 2018-12-18 |
Family
ID=64631780
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810936150.1A Pending CN109036587A (zh) | 2018-08-16 | 2018-08-16 | 一种基于大数据分析的社区精神卫生服务质量管理系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109036587A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110379522A (zh) * | 2019-07-23 | 2019-10-25 | 四川骏逸富顿科技有限公司 | 一种疾病流行趋势预测系统及方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104392306A (zh) * | 2014-11-10 | 2015-03-04 | 白君阳 | 一种基于互联网的社区健康医疗互动系统及实现方法 |
CN107016457A (zh) * | 2017-03-14 | 2017-08-04 | 上海市精神卫生中心 | 一种实现社区危险行为预警的系统和方法 |
CN107506592A (zh) * | 2017-08-29 | 2017-12-22 | 杭州卓健信息科技有限公司 | 一种随访方法及其随访系统 |
CN108231172A (zh) * | 2016-12-19 | 2018-06-29 | 哈尔滨光凯科技开发有限公司 | 一种基于互联网的社区医疗卫生服务系统 |
CN108376556A (zh) * | 2016-10-21 | 2018-08-07 | 哈尔滨光凯科技开发有限公司 | 一种基于互联网的精神疾病信息报告系统建设方法 |
-
2018
- 2018-08-16 CN CN201810936150.1A patent/CN109036587A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104392306A (zh) * | 2014-11-10 | 2015-03-04 | 白君阳 | 一种基于互联网的社区健康医疗互动系统及实现方法 |
CN108376556A (zh) * | 2016-10-21 | 2018-08-07 | 哈尔滨光凯科技开发有限公司 | 一种基于互联网的精神疾病信息报告系统建设方法 |
CN108231172A (zh) * | 2016-12-19 | 2018-06-29 | 哈尔滨光凯科技开发有限公司 | 一种基于互联网的社区医疗卫生服务系统 |
CN107016457A (zh) * | 2017-03-14 | 2017-08-04 | 上海市精神卫生中心 | 一种实现社区危险行为预警的系统和方法 |
CN107506592A (zh) * | 2017-08-29 | 2017-12-22 | 杭州卓健信息科技有限公司 | 一种随访方法及其随访系统 |
Non-Patent Citations (3)
Title |
---|
叶青等: "《复杂数据的异常检测算法》", 《信息技术》 * |
徐红敏等: "《支持向量机的快速分类算法》", 《北京石油化工学院学报》 * |
王欣艺: "《信息检索中相关反馈算法的研究》", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110379522A (zh) * | 2019-07-23 | 2019-10-25 | 四川骏逸富顿科技有限公司 | 一种疾病流行趋势预测系统及方法 |
CN110379522B (zh) * | 2019-07-23 | 2022-08-12 | 四川骏逸富顿科技有限公司 | 一种疾病流行趋势预测系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Pereira et al. | COVID-19 identification in chest X-ray images on flat and hierarchical classification scenarios | |
Zhang et al. | Real-time remote health monitoring system driven by 5G MEC-IoT | |
Milovic et al. | Prediction and decision making in health care using data mining | |
ȚĂRANU | Data mining in healthcare: decision making and precision. | |
Wasan et al. | The impact of data mining techniques on medical diagnostics | |
Rodger | Discovery of medical Big Data analytics: Improving the prediction of traumatic brain injury survival rates by data mining Patient Informatics Processing Software Hybrid Hadoop Hive | |
Bozkurt et al. | Using automatically extracted information from mammography reports for decision-support | |
Hussein et al. | Lightweight deep CNN-based models for early detection of COVID-19 patients from chest X-ray images | |
CN111128380A (zh) | 模拟医生诊断和精准干预策略的慢性病健康管理模型的构建方法及系统 | |
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 | |
Huan et al. | Deep convolutional neural networks for classifying body constitution based on face image | |
Chen et al. | Classification prediction of breast cancer based on machine learning | |
CN106407664A (zh) | 呼吸气体诊断系统的领域自适应方法及装置 | |
Comito et al. | AI-driven clinical decision support: enhancing disease diagnosis exploiting patients similarity | |
CN115577168A (zh) | 基于人工智能的智慧医疗大数据处理方法及智慧医疗系统 | |
Omran et al. | Breast cancer identification from patients’ tweet streaming using machine learning solution on spark | |
Taherinezhad et al. | COVID-19 crisis management: Global appraisal using two-stage DEA and ensemble learning algorithms | |
Bhattarai et al. | Can big data and machine learning improve our understanding of acute respiratory distress syndrome? | |
Ang et al. | Explored research on data preprocessing and mining technology for clinical data applications | |
CN109036587A (zh) | 一种基于大数据分析的社区精神卫生服务质量管理系统 | |
Kaur et al. | Critical Review on Data Mining in Healthcare Sector | |
Salih | Diabetic Prediction based on Machine Learning Using PIMA Indian Dataset | |
Zadeh et al. | An analysis of new feature extraction methods based on machine learning methods for classification radiological images | |
Dave et al. | Applications of data mining techniques: empowering quality healthcare services | |
Rawi et al. | Deep learning models for multilabel ECG abnormalities classification: A comparative study using TPE optimization |
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: 20181218 |