CN111292855A - 健康管理系统及方法 - Google Patents

健康管理系统及方法 Download PDF

Info

Publication number
CN111292855A
CN111292855A CN202010131443.XA CN202010131443A CN111292855A CN 111292855 A CN111292855 A CN 111292855A CN 202010131443 A CN202010131443 A CN 202010131443A CN 111292855 A CN111292855 A CN 111292855A
Authority
CN
China
Prior art keywords
user
risk
evaluation result
hypertension
hyperlipidemia
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
Application number
CN202010131443.XA
Other languages
English (en)
Inventor
徐志红
张今尧
邹声鹏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
BOE Technology Group Co Ltd
Original Assignee
BOE Technology Group Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by BOE Technology Group Co Ltd filed Critical BOE Technology Group Co Ltd
Priority to CN202010131443.XA priority Critical patent/CN111292855A/zh
Publication of CN111292855A publication Critical patent/CN111292855A/zh
Priority to PCT/CN2021/072694 priority patent/WO2021169675A1/zh
Pending legal-status Critical Current

Links

Images

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
    • 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
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • 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
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
    • 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
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/10—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to patients
    • 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
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/60—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to nutrition control, e.g. diets

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Epidemiology (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • Nutrition Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Medicinal Chemistry (AREA)
  • Investigating Or Analysing Biological Materials (AREA)
  • Medical Treatment And Welfare Office Work (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

本发明提供一种健康管理系统及方法，属于智能医疗技术领域。本发明的健康管理系统包括：基本信息模块，用于采集并存储用户的基本信息；基本信息至少包括：生理参数信息和生化参数信息；实时风险评估模块，用于根据用户的生理参数信息和生化参数信息的实时监测数据，对用户罹患慢性病风险进行评估，并生成第一评估结果；主诉分析模块，用于根据用户的主诉信息，对用户罹患慢性病风险进行评估，并生成第二评估结果；自动随访分析模块，用于根据用户的自动随访信息，对用户罹患慢性病风险进行评估，并生成第三评估结果；综合风险评估模块，用于根据第一评估结果、第二评估结果和第三评估结果，对用户罹患慢性病风险进行综合评估，并生成综合评估结果。

Description

健康管理系统及方法
技术领域
本发明属于智能医疗技术领域，具体涉及一种健康管理系统及方法。
背景技术
随着人们生活节奏的不断加快以及工作压力的不断增大，患有高血压、高血脂和高血糖等慢性病的人数越来越多。一般慢性病是由于长期的积累形成的，并且治疗过程也相当复杂及漫长。鉴于当前患有三高等慢性病的人数较多和治疗慢性病的医疗资源相对较少的问题，目前，亟需一种可以针对慢性病的健康管理系统。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一，提供一种健康管理系统及方法。
解决本发明技术问题所采用的技术方案是一种健康管理系统，所述健康管理系统包括：
基本信息模块，用于采集并存储用户的基本信息；所述基本信息至少包括：生理参数信息和生化参数信息；
实时风险评估模块，用于根据用户的所述生理参数信息和所述生化参数信息的实时监测数据，对用户罹患慢性病风险进行评估，并生成第一评估结果；
主诉分析模块，用于根据用户的主诉信息，对用户罹患慢性病风险进行评估，并生成第二评估结果；
自动随访分析模块，用于根据用户的自动随访信息，对用户罹患慢性病风险进行评估，并生成第三评估结果；
综合风险评估模块，用于根据所述第一评估结果、所述第二评估结果和所述第三评估结果，对用户罹患慢性病风险进行综合评估，并生成综合评估结果。
可选地，所述实时风险评估模块包括：
高血压实时风险评估模块，用于根据用户的第一基本信息的实时监测数据，对用户罹患高血压风险进行实时评估，并生成第一高血压风险评估结果；所述第一基本信息至少包括：甘油三酯值、高密度脂蛋白胆固醇值、有无高血压家族史、体重、身高、年龄、收缩压值和舒张压值；
高血脂实时风险评估模块，用于根据用户的第二基本信息的实时监测数据，对用户罹患高血脂风险进行实时评估，并生成第一高血脂风险评估结果；所述第二基本信息至少包括：甘油三酯值、高密度脂蛋白胆固醇值、低密度脂蛋白胆固醇值和总胆固醇值；
高血糖实时风险评估模块，用于根据用户的第三基本信息的实时监测数据，对用户罹患高血糖风险进行实时评估，并生成第一高血糖风险评估结果；所述第三基本信息至少包括：性别、年龄、教育水平、有无糖尿病家族史、是否吸烟、有无高血压病史、体重、身高、腰围、空腹血糖值、甘油三酯值、高密度脂蛋白胆固醇值、谷丙转氨酶值、肾小球滤过率值；
所述主诉分析模块包括：
高血压主诉分析模块，用于根据用户主诉的高血压症状、收缩压值和舒张压值，对用户罹患高血压风险进行评估，并生成第二高血压风险评估结果；
高血脂主诉分析模块，用于根据用户主诉的高血脂症状、甘油三酯值、高密度脂蛋白胆固醇值、低密度脂蛋白胆固醇值和总胆固醇值，对用户罹患高血脂风险进行评估，生成第二高血脂风险评估结果；
高血糖主诉分析模块，用于根据用户主诉的高血糖症状和血糖值，对用户罹患高血糖风险进行评估，生成第二高血糖风险评估结果；
所述自动随访分析模块包括：
高血压自动随访分析模块，用于根据收缩压值高于第一标准值的次数占总随访次数的比例和舒张压值低于第二标准值的次数占总随访次数的比例，生成第三高血压评估结果；
高血脂自动随访分析模块，用于根据甘油三酯值高于第三标准值的次数占总随访次数的比例、高密度脂蛋白胆固醇值低于第四标准值的次数占总随访次数的比例、低密度脂蛋白胆固醇值高于第五标准值的次数占总随访次数的比例和总胆固醇值高于第六标准值的次数占总随访次数的比例，生成第三高血脂评估结果；
高血糖自动随访分析模块，用于计算空腹血糖值高于第七标准值的次数占总随访次数的比例和餐后血糖值高于第八标准值的次数占总随访次数的比例，生成第三高血糖评估结果；
所述综合风险评估模块包括：
高血压综合风险评估模块，用于根据所述第一高血压评估结果、所述第二高血压评估结果和所述第三高血压评估结果，对用户罹患高血压风险进行综合评估，并生成高血压综合评估结果；
高血脂综合风险评估模块，用于根据所述第一高血脂评估结果、所述第二高血脂评估结果和所述第三高血脂评估结果，对用户罹患高血脂风险进行综合评估，并生成高血脂综合评估结果；
高血糖综合风险评估模块，用于根据所述第一高血糖评估结果、所述第二高血糖评估结果和所述第三高血糖评估结果，对用户罹患高血糖风险进行综合评估，并生成高血糖综合评估结果。
可选地，所述高血压主诉分析模块采用如下公式进行高血压主诉分析：
Figure BDA0002395874430000031
其中，P12表示第二高血压风险评估值，y1表示第一高血压症状参数，y2表示第二高血压症状参数，b1表示第一高血压症状参数的权重值，b2表示第二高血压症状参数的权重值；
高血脂主诉分析模块采用如下公式进行高血脂主诉分析：
Figure BDA0002395874430000032
其中，P22表示第二高血脂风险评估值，z1表示第一高血脂症状参数，z2表示第二高血脂症状参数，c1表示第一高血脂症状参数的权重值，c2表示第二高血脂症状参数的权重值。
可选地，所述健康管理系统还包括：
并发症评估模块，用于根据所述综合评估结果和并发症的权重，生成罹患并发症的风险评估结果。
可选地，所述并发症评估模块包括：
高血压并发症评估模块，用于根据所述高血压综合评估结果和高血压并发症的权重，生成罹患高血压并发症的风险评估结果；
高血脂并发症评估模块，用于根据所述高血脂综合评估结果和高血脂并发症的权重，生成罹患高血脂并发症的风险评估结果；
高血糖并发症评估模块，用于根据所述高血糖综合评估结果和高血糖并发症的权重，生成罹患高血糖并发症的风险评估结果。
可选地，所述健康管理系统还包括：
判断模块，用于根据所述综合评估结果和搜索预设关键词的频次，判定用户是否是慢性病产品及服务的高需求用户，并生成判断结果；
产品及服务推荐模块，用于根据所述判断结果，向高需求用户推荐相关的产品及服务。
可选地，所述判断模块包括：
第一判断模块，用于根据所述高血压综合评估结果和搜索高血压关键词的频次，判定用户是否是高血压产品及服务的高需求用户，并生成第一判断结果；
第二判断模块，用于根据所述高血脂综合评估结果和搜索高血脂关键词的频次，判定用户是否是高血脂产品及服务的高需求用户，并生成第二判断结果；
第三判断模块，用于根据所述高血糖综合评估结果和搜索高血糖关键词的频次，判定用户是否是高血糖产品及服务的高需求用户，并生成第三判断结果；
所述产品及服务推荐模块包括：
高血压产品及服务推荐模块，用于根据所述第一判断结果，向高血压产品及服务的高需求用户推荐高血压产品及服务；
高血脂产品及服务推荐模块，用于根据所述第二判断结果，向高血脂产品及服务的高需求用户推荐高血脂产品及服务；
高血糖产品及服务推荐模块，用于根据所述第三判断结果，向高血糖产品及服务的高需求用户推荐高血糖产品及服务。
解决本发明技术问题所采用的技术方案是一种健康管理方法，包括：
采集并存储用户的基本信息；所述基本信息至少包括：生理参数信息和生化参数信息；
根据用户的所述生理参数信息和所述生化参数信息的实时监测数据，对用户罹患慢性病风险进行评估，并生成第一评估结果；
根据用户的主诉信息，对用户罹患慢性病风险进行评估，并生成第二评估结果；
根据用户的自动随访信息，对用户罹患慢性病风险进行评估，并生成第三评估结果；
根据所述第一评估结果、所述第二评估结果和所述第三评估结果，对用户罹患慢性病风险进行综合评估，并生成综合评估结果。
可选地，该健康管理方法还包括：
根据所述综合评估结果和罹患并发症的权重，生成罹患并发症的风险结果。
可选地，该健康管理方法还包括：
根据所述综合评估结果或搜索预设关键词的频次，判定用户是否是慢性病产品及服务的高需求用户，并生成判断结果；
根据所述判断结果，向高需求用户推荐相关的产品及服务。
解决本发明技术问题所采用的技术方案是一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序在运行时用于执行如上述提供的健康管理方法。
附图说明
图1为本发明实施例提供的一种健康管理系统结构示意图；
图2-图8为本发明实施例提供的一种健康管理系统中各模块的结构示意图；
图9为本发明实施例提供的一种健康管理方法流程示意图。
具体实施方式
为使本领域技术人员更好地理解本发明的技术方案，下面结合附图和具体实施方式对本发明作进一步详细描述。
实施例一
图1为本发明实施例提供的一种健康管理系统结构示意图，如图1所示，本发明提供的健康管理系统包括：基本信息模块101、实时风险评估模块102、主诉分析模块103、自动随访分析模块104和综合风险评估模块105。基本信息模块101可以采集并存储用户的基本信息；基本信息至少包括：生理参数信息和生化参数信息。实时风险评估模块102可以根据用户的生理参数信息和生化参数信息的实时监测数据，对用户罹患慢性病风险进行评估，并生成第一评估结果。主诉分析模块103可以根据用户的主诉信息，对用户罹患慢性病风险进行评估，并生成第二评估结果。自动随访分析模块104可以根据用户的自动随访信息，对用户罹患慢性病风险进行评估，并生成第三评估结果。综合风险评估模块105可以根据第一评估结果、第二评估结果和第三评估结果，对用户罹患慢性病风险进行综合评估，并生成综合评估结果。
需要说明的是，用户的基本信息可通过手工输入、读取健康报告以及将医疗监测设备实时监测的数据通过无线网络传输至输入接口中，健康管理系统可以从输入接口中读取数据，采集并获取用户的基本信息并存储至基本信息模块101，从而建立基本信息档案。其中，基本信息可以至少包括用户的生理参数信息和生化参数信息，还可以包括其他对于用户健康具有参考价值的参数信息。具体地，基本信息至少可以包括：姓名、年龄、性别、学历、职业、既往病史、腰围、收缩压值、舒张压值、身高、体重、身体质量指数(bodymassindex，BMI)、空腹血糖值、餐后血糖值、谷丙转氨酶值、血型、总胆固醇值、甘油三酯值、高密度脂蛋白值、低密度脂蛋白值、生活习惯、肾小球滤过率值、高血压药物、高血压药量、高血脂药物、高血脂药量、高血糖药物、高血糖药量等。
本发明实施例提供的健康管理系统中，基本信息模块101可以采集用户的至少包括生理参数和生化参数的基本信息，建立用户基本信息档案。实时风险评估模块102可以根据基本信息模块101中存储的用户的生理参数和生化参数以及生理参数和生化参数的实时监测数据，对用户罹患慢性病的风险进行实时评估，从而生成第一评估结果。主诉分析模块103可以根据用户的主诉信息，例如用户主诉的身体症状，并对用户的主诉信息进行分析，实现对用户罹患慢性病的风险进行评估，从而生成第二评估结果。自动随访分析模块104可以根据用户的自动随访曲线图等信息，对用户罹患慢性病的风险进行评估，从而生成第三评估结果。综合风险评估模块105可以对上述的第一评估结果、第二评估结果和第三评估结果进行分析，实现对用户罹患慢性病风险进行综合评估，并生成综合评估结果。可以看出，本发明实施例提供的健康管理系统可以从多方面对用户的健康状况进行分析，从而实现对用户罹患慢性病的风险的综合评估，以利于用户及时准确掌握自身健康状况，避免由于慢性病不能及时治疗而造成的健康危害。
目前，人们罹患慢性病的种类有很多，为了便于理解，本发明实施例将以高血压、高血脂和高血糖三种慢性病为例，对本发明实施例提供的健康管理系统进行说明。可以理解的是，本发明实施例除了适用于高血压、高血脂和高血糖三种慢性病的风险评估，还适用于其他慢性病风险的评估，在此不再一一列举。
如图2所示，实时风险评估模块102可以包括：高血压实时风险评估模块1021、高血脂实时风险评估模块1022和高血糖实时风险评估模块1023。
可选地，高血压实时风险评估模块1021可以根据用户的第一基本信息的实时监测数据，对用户罹患高血压风险进行实时评估，并生成第一高血压风险评估结果；判断第一基本信息至少包括：甘油三酯值、高密度脂蛋白胆固醇值、有无高血压家族史、体重、身高、年龄、收缩压值和舒张压值。
需要说明的是，高血压实时风险评估模块1021可以根据用户的甘油三酯、高密度脂蛋白胆固醇、高血压家族史、体重、身高、年龄、收缩压和舒张压的实时监测数据，对用户罹患高血压风险进行实时评估，得出用户罹患高血压的实时风险。进一步需要说明的是，在本发明实施例中，高血压实时风险评估可以采用线性模型，线性模型的公式为：
Figure BDA0002395874430000081
其中，P11表示第一高血压风险评估值，x1表示收缩压值，x2表示舒张压值，x3表示年龄，x4表示身体质量指数，x5表示有无高血压家族史，x6表示高密度脂蛋白胆固醇值，x7表示甘油三酯值，x5为1表示有高血压家族史，x5为0表示无高血压家族史；ai为线性模型的参数，ai的参数可选为a1＝1.045～1.070，a2＝1.005～1.035，a3＝1.010～1.035，a4＝1.040～1.095，a5＝0.087～2.340，a6＝0.570～0.875，a7＝1.015～1.210。
可选地，高血脂实时风险评估模块1022可以根据用户的第二基本信息的实时监测数据，对用户罹患高血脂风险进行实时评估，并生成第一高血脂风险评估结果；判断第二基本信息至少包括：甘油三酯值、高密度脂蛋白胆固醇值、低密度脂蛋白胆固醇值和总胆固醇值。
需要说明的是，高血脂实时风险评估模块1022可以根据用户的甘油三酯值、高密度脂蛋白胆固醇值、低密度脂蛋白胆固醇值和总胆固醇值的实时监测数据，对用户罹患高血脂风险进行实时评估，得出用户罹患高血脂的实时风险。进一步需要说明的是，在本发明实施例中，高血脂的实时风险评估可以采用判断准则模型，判断准则如下：
1、甘油三酯值是否处于0.51毫摩尔每升(mmol/L)～1.70mmol/L，若不处于该区间，则第一高血脂风险评估值P21为1。
2、高密度脂蛋白胆固醇值是否处于1.0mmol/L～2.1mmol/L，若不处于该区间，则第一高血脂风险评估值P21为1。
3、低密度脂蛋白胆固醇值是否处于0mmol/L～3.37mmol/L，若不处于该区间，则第一高血脂风险评估值P21为1。
4、总胆固醇值是否处于3.10mmol/L～5.72mmol/L，若不处于该区间，则第一高血脂风险评估值P21为1。
5、甘油三酯值、高密度脂蛋白胆固醇值、低密度脂蛋白胆固醇值和总胆固醇值均不在上述区间，则第一高血脂风险评估值P21为0。
可选地，高血糖实时风险评估模块1023可以根据用户的第三基本信息的实时监测数据，对用户罹患高血糖风险进行实时评估，并生成第一高血糖风险评估结果；判断第三基本信息至少包括：性别、年龄、教育水平、有无糖尿病家族史、是否吸烟、有无高血压病史、体重、身高、腰围、空腹血糖值、甘油三酯值、高密度脂蛋白胆固醇值、谷丙转氨酶值、肾小球滤过率值。
需要说明的是，高血糖实时风险评估模块1023可以根据用户的性别、年龄、教育水平、糖尿病家族史、吸烟、有无高血压病史、体重、身高、腰围、空腹血糖、甘油三酯、高密度脂蛋白胆固醇、谷丙转氨酶、肾小球滤过率的实时监测数据，对用户罹患高血糖风险进行实时评估，得出用户罹患高血糖的实时风险。进一步需要说明的是，在本发明实施例中，高血糖实时风险评估可以采用如下评分规则：
1、年龄评分：40-44计为0分，45-49计为1分，50-54计为2分，55-59计为3分，60-64计为4分，65-69计为5分。
2、糖尿病家族病史：无糖尿病家族病史为0分，有糖尿病家族病史9分。
3、吸烟状态：无吸烟计分为0分，吸烟计分为4分。
4、BMI(kg/m2):BMI小于23计分为0分，BMI在23～24.9计分为3分，BMI在25～29.9计分为4分，BMI大于等于30计分为9。
5、高血压病史：没有患高血压计分为0分，患高血压计分为6分。
6、空腹血糖值(fasting plasma glucose，FPG)(mg/dl)小于90计分为-14分，FPG在90～99计分为0分，FPG大于等于100计分为18。
7、高密度脂蛋白胆固醇值(high density lipoprotein cholesterol，HDL-C)(mg/dl)小于35计分为6分，HDL-C在35～49计分为0分，HDL-C大于等于50计分为-3分。
8、甘油三酯值(triglyceride,TG)(mg/dl)小于120计分为0分，TG在120-149计分为5分，TG大于等于150计分为11分。
9、肾小球滤过率值(％)小于5.5计分为0分，肾小球滤过率值在5.5-6.4区间计分为15分。
可以根据上述评分规则对用户的健康状况进行评分，并得出评分结果，然后可以根据表1中评分得到对应的第一高血糖风险评估值P31。
总分 风险 总分 风险 总分 风险 总分 风险 总分 风险
0 2 1 2 6 3 10 4 14 5
17 6 19 7 21 8 23 9 25 10
26 11 28 12 29 13 31 14 32 15
33 16 34 17 35 18 36 19 37 20
38 21 39 22 40 23 41 24 42 25
43 27 44 28 45 29 46 31 47 32
48 33 49 35 50 36 51 38 52 39
53 41 54 42 55 44 56 46 57 47
58 49 59～ ≥50
表1：评分结果与第一高血糖风险评估值对应表
如图3所示，主诉分析模块103包括：高血压主诉分析模块1031、高血脂主诉分析模块1032和高血糖主诉分析模块1033。
可选地，高血压主诉分析模块1031可以根据用户主诉的高血压症状、收缩压值和舒张压值，对用户罹患高血压风险进行评估，并生成第二高血压风险评估结果。
需要说明的是，高血压病情主诉分析可以采用如下方式进行：
步骤1：利用自然处理方法中语义语意分析算法分析用户是否含有高血压症状，高血压症状包括：头痛、疲倦、不安、心律失常、心悸耳鸣。步骤2：若主诉中出现n条症状，则第一高血压症状参数y1＝n/N(N＝5)。若收缩压值超过140mmHg或舒张压值超过90mmHg，则第二高血压症状参数y2＝1/2。步骤3：若收缩压值超过140mmHg且舒张压值超过90mmHg，则第二高血压症状参数y2＝1；若收缩压值不超过140mmHg且舒张压值不超过90mmHg，则第二高血压症状参数b2＝0。步骤4：可以依据如下公式，得到第二高血压风险评估值P12。
Figure BDA0002395874430000111
其中，P12为第二高血压风险评估值。b1+b2＝1，一般情况下，b2＝0.7,b1＝0.3。
可选地，高血脂主诉分析模块1032可以根据用户主诉的高血脂症状、甘油三酯值、高密度脂蛋白胆固醇值、低密度脂蛋白胆固醇值和总胆固醇值，对用户罹患高血脂风险进行评估，生成第二高血脂风险评估结果。
需要说明的是，高血脂病情主诉分析可以通过如下方式进行：
步骤1：利用自然处理方法中语义语意分析算法分析用户是否含有高血脂症状，高血压症状包括：头晕、乏力、困倦感、肋区隐痛、闷胀感、胸闷气短。步骤2：若主诉中出现n条症状，则第一高血脂症状参数z1＝n/N(N＝6)。步骤3：若高密度脂蛋白胆固醇值低于1.0mmol/L,或者低密度脂蛋白胆固醇值高于3.37mmol/L,或者总胆固醇值高于5.72mmol/L,或者甘油三酯值高于1.70mmol/L，则第二高血脂症状参数z2＝1。步骤4：可以依据如下公式，得到第二高血脂风险评估值P22。
Figure BDA0002395874430000121
其中，P22为第二高血脂风险评估值。c1+c2＝1，一般情况下，c2＝0.8,c1＝0.2。
可选地，高血糖主诉分析模块1033可以根据用户主诉的高血糖症状和血糖值，对用户罹患高血糖风险进行评估，生成第二高血糖风险评估结果。
需要说明的是，高血糖病情主诉分析可以通过如下方式进行：
步骤1：利用自然处理方法中语义语意分析算法分析用户是否含有高血糖症状，高血糖症状包括：多饮、多食、多尿、消瘦、口干、口渴、乏力、皮肤瘙痒、泌尿系统感染、四肢麻木、腰疼、皮肤痈疖等。设糖尿病数值为事件A1，糖尿病出现的症状为A2、A3、A4、A5、A6、……、An，n＝13，基于血糖值和症状预测疾病风险的概率事件为A1∪A2∪…∪An。P(Aj|A1)表示糖尿病出现某一种数值时，出现某一种症状的概率。有如下关系：
Figure BDA0002395874430000122
Figure BDA0002395874430000123
Figure BDA0002395874430000124
Figure BDA0002395874430000125
Aj,f为一天时间内Aj出现的时间占比
Figure BDA0002395874430000126
Figure BDA0002395874430000127
基于以上血糖值、症状概率值，计算用户患糖尿病的风险采用如下方法：
步骤1：将以上概率值P(A1)、P(Aj|A1)，2≤j≤13输入到贝叶斯神经网络中，并利用训练函数Relu(x)作为卷积层进行训练，步长为1，全连接层采用softmax(x)作为函数，求得P(A1∪A2∪…∪An)＝Pdiabetes。
步骤2：网络进行权值的随机初始化。
步骤3：输入数据经过卷积层、下采样层、全连接层的向前传播得到输出值。
步骤4：求出网络的输出值与目标值之间的误差。
步骤5：当误差大于我们的期望值时，将误差传回网络中，依次求得全连接层、下采样层、卷积层的误差。
步骤6：根据求得误差进行权值更新得到第二高血糖风险评估值P32。
如图4所示，自动随访分析模104块包括：高血压自动随访分析模块1041、高血脂自动随访分析模块1042和高血糖自动随访分析模块1043。
可选地，高血压自动随访分析模块1041可以根据收缩压值高于第一标准值的次数占总随访次数的比例和舒张压值低于第二标准值的次数占总随访次数的比例，生成第三高血压评估结果。
需要说明的是，高血压自动随访数据分析可以通过如下方式进行：
步骤1：判断收缩压值曲线中血压值超过140mmHg的血压值所占的百分比，设为c1。
步骤2：判断舒张压值曲线中血压值超过90mmHg的血压值所占的百分比，设为c2。
步骤3：可以依据如下公式，得到第三高血压风险评估值。
Figure BDA0002395874430000131
其中，P13表示第三高血压风险评估值，w1+w2＝1，一般情况下，w1＝w2＝0.5。
可选地，高血脂自动随访分析模块1042可以根据甘油三酯值高于第三标准值的次数占总随访次数的比例、高密度脂蛋白胆固醇值低于第四标准值的次数占总随访次数的比例、低密度脂蛋白胆固醇值高于第五标准值的次数占总随访次数的比例和总胆固醇值高于第六标准值的次数占总随访次数的比例，生成第三高血脂评估结果。
需要说明的是，高血脂自动随访数据分析可以通过如下方式进行：
步骤1：判断总胆固醇值曲线中总胆固醇值超过5.72mmol/L所占的百分比，设为c1。
步骤2：判断甘油三酯值曲线中甘油三酯值超过1.70mmol/L所占的百分比，设为c2。
步骤3：判断高密度脂蛋白胆固醇值曲线中高密度脂蛋白胆固醇值低于1.0mmol/L所占的百分比，设为c3。
步骤4：判断低密度脂蛋白胆固醇值曲线中低密度脂蛋白胆固醇值高于3.37mmol/L所占的百分比，设为c4。
步骤5：可以依据如下公式，得到第三高血压风险评估值。P23＝max(c1,c2,c3,c4)。其中，P23为第三高血脂风险评估值。
可选地，高血糖自动随访分析模块1043可以计算空腹血糖值高于第七标准值的次数占总随访次数的比例和餐后血糖值高于第八标准值的次数占总随访次数的比例，生成第三高血糖评估结果。
具体地，步骤1：计算血糖值曲线中空腹血糖值超过7.0mmol/L所占总次数的百分比，记为c1。
步骤2：计算血糖值曲线中餐后血糖值超过11.1mmol/L所占总次数的百分比，记为c2。
步骤3：可以依据如下公式，得到第三高血糖风险评估值。P33＝c1+c2。其中，P33为第三高血糖风险评估值。
如图5所示，综合风险评估模块105包括：高血压综合风险评估模块1051、高血脂综合风险评估模块1052和高血糖综合风险评估模块1053。
可选地，高血压综合风险评估模块1051可以根据第一高血压评估结果、第二高血压评估结果和第三高血压评估结果，对用户罹患高血压风险进行综合评估，并生成高血压综合评估结果。
需要说明的是，可以根据上述第一高血压评估结果、第二高血压评估结果和第三高血压评估结果，利用如下公式计算高血压综合评估结果。
P1＝d1·P12+d2·P12+d3·P13。其中，d1+d2+d3＝1，一般情况下，d1＝0.4,d2＝0.3,d3＝0.3。
可选地，高血脂综合风险评估模块1052可以根据第一高血脂评估结果、第二高血脂评估结果和第三高血脂评估结果，对用户罹患高血脂风险进行综合评估，并生成高血脂综合评估结果。
需要说明的是，可以根据上述第一高血脂评估结果、第二高血脂评估结果和第三高血脂评估结果，利用如下公式计算高血脂综合评估结果。
P2＝max(P21,P22,P23)。
可选地，高血糖综合风险评估模块1053可以根据第一高血糖评估结果、第二高血糖评估结果和第三高血糖评估结果，对用户罹患高血糖风险进行综合评估，并生成高血糖综合评估结果。
需要说明的是，可以根据上述第一高血糖评估结果、第二高血糖评估结果和第三高血糖评估结果，利用如下公式计算高血糖综合评估结果。
P3＝max(P31,P32,P33)。
如图1所示，健康管理系统还包括：并发症评估模块106。并发症评估模块106可以根据所述综合评估结果和罹患并发症的权重，生成罹患并发症的风险结果。如图6所示，并发症评估模块106包括：高血压并发症评估模块1061、高血脂并发症评估模块1062和高血糖并发症评估模块1063。
可选地，高血压并发症评估模块1061可以根据高血压综合评估结果和高血压并发症的权重，生成罹患高血压并发症的风险评估结果。
需要说明的是，判断高血压并发症发生准则为：
1、若用户罹患高血压的综合评估结果中P1＞0.8和伴随高血压并发症症状，则用户为高血压并发症的高危人群。
2、若用户罹患高血压综合评估结果中0.8＞P1＞0.5和伴随少量高血压并发症症状，则用户为高血压并发症的中危人群。
3、若用户罹患高血压综合评估结果中0.5＞P1和无高血压并发症症状，则用户为高血压并发症低危人群。
高血压并发症包括：动脉痉挛、粥样硬化斑块、血栓。设定动脉痉挛、粥样硬化斑块、血栓分别为C1、C2、C3；若出现某一种症状，则P(Ci)＝1(i＝1,2,3)，将得到的P1,P(Ci)(i＝1,2,3)代入Elman神经网络模型中进行训练，得到罹患高血压并发症风险结果。
可选地，高血脂并发症评估模块1062可以根据高血脂综合评估结果和高血脂并发症的权重，生成罹患高血脂并发症的风险评估结果。
需要说明的是，判断高血脂并发症发生准则为：
1、若用户罹患高血脂综合评估结果中P2＞0.8和伴随高血脂并发症症状，则用户为高血脂并发症的高危人群。
2、若用户罹患高血脂综合评估结果中0.8＞P2＞0.5和伴随少量高血脂并发症症状，则用户为高血脂并发症的中危人群。
3、若用户罹患高血脂综合评估结果中0.5＞P2和无高血脂并发症症状，则用户为高血脂并发症低危人群。
高血脂并发症包括：高血压、胆结石、胰腺炎、加重肝炎、男性性功能障碍、老年痴呆等疾病。设定高血压、胆结石、胰腺炎、加重肝炎、男性性功能障碍、老年痴呆分别为D1、D2、D3、D4、D5、D6；若出现一种并发症状，则P(Di)＝1(i＝1,2,…,6)，将P2、P(Di)输入到Elman神经网络中，得到罹患高血脂并发症风险结果。
可选地，高血糖并发症评估模块1063可以根据高血糖综合评估结果和高血糖并发症的权重，生成罹患高血糖并发症的风险评估结果。
需要说明的是，判断高血糖并发症发生准则为：
1、若用户罹患高血糖综合评估结果中P3＞0.8和伴随高血糖并发症症状，则用户为高血糖并发症的高危人群。
2、若用户罹患高血糖综合评估结果中0.8＞P3＞0.5和伴随少量高血糖并发症症状，则用户为高血糖并发症的中危人群。
3、若用户罹患高血糖综合评估结果中0.5＞P3和无高血糖并发症症状，则用户为高血糖并发症低危人群。
高血糖并发症包括：糖尿病酮症酸中毒、糖尿病乳酸酸中毒或者糖尿病高渗高血糖昏迷、糖尿病视网膜病变、糖尿病肾脏病变、糖尿病微血管病、视力下降、蛋白尿、下肢水肿、全身乏力、皮肤溃烂等。设定糖尿病酮酸中毒、糖尿病乳酸酸中毒、糖尿病高渗高血糖昏迷、糖尿病视网膜病变、糖尿病肾脏病变、糖尿病微血管病、视力下降、蛋白尿、下肢水肿、全身乏力、皮肤溃烂为Ei(i＝1,2,…,11)，将P3、P(Ei)＝1(i＝1,2,…,11)输入到CNN神经网络，得到罹患高血糖并发症风险结果。
如图1所示，健康管理系统还包括：判断模块107和产品及服务推荐模块108。判断模块107可以根据综合评估结果和搜索预设关键词的频次，判定用户是否是慢性病产品及服务的高需求用户，并生成判断结果。产品及服务推荐模块108可以根据判断结果，向高需求用户推荐相关的产品及服务。
如图7和图8所示，判断模块107包括：第一判断模块1071、第二判断模块1072和第三判断模块1073。产品及服务推荐模块108包括：高血压产品及服务推荐模块1081、高血脂产品及服务推荐模块1082和高血糖产品及服务推荐模块1083。
第一判断模块1071可以根据高血压综合评估结果和搜索高血压关键词的频次，判定用户是否是高血压产品及服务的高需求用户，并生成第一判断结果。高血压产品及服务推荐模块1081可以根据第一判断结果，向高血压产品及服务的高需求用户推荐高血压产品及服务。第二判断模块1072可以根据高血脂综合评估结果和搜索高血脂关键词的频次，判定用户是否是高血脂产品及服务的高需求用户，并生成第二判断结果。高血脂产品及服务推荐模块1082可以根据第二判断结果，向高血脂产品及服务的高需求用户推荐高血脂产品及服务。第三判断模块1073可以根据高血糖综合评估结果和搜索高血糖关键词的频次，判定用户是否是高血糖产品及服务的高需求用户，并生成第三判断结果。高血糖产品及服务推荐模块1083可以根据第三判断结果，向高血糖产品及服务的高需求用户推荐高血糖产品及服务。
需要说明地是，判断高血压产品及服务高需求用户的准则为：
1、若该用户高血压综合评估结果为高危或接近患病，或点击“高血压”的频次为高频，则判定用户为高血压产品及服务高需求用户。
2、若该用户高血压综合评估结果为中危，或点击“高血压”的频次为中频，则判定用户为高血压产品及服务中等需求用户。
3、若该用户高血压综合评估结果为低危或无，或点击“高血压”的频次危低频，则判定用户为高血压产品及服务低需求用户。
其中，点击“高血压”频次为高频、中频或低频，可自行定义，一般情况下：高频定义为超过5条/天，中频定义为超过5条/周，低频定义为超过5条/月。需要说明的是，高血压产品可以为高血压仪器和高血压药品等。高血压服务可以为高血压防治课程、高血压饮食推荐以及预约挂号等。
判断高血脂产品及服务高需求用户的准则为：
1、若该用户高血脂综合评估结果为高危或接近患病，或点击“高血脂”的频次为高频，则判定用户为高血脂产品及服务高需求用户。
2、若该用户高血脂综合评估结果为中危，或点击“高血脂”的频次为中频，则判定用户为高血脂产品及服务中等需求用户。
3、若该用户高血脂综合评估结果为低危或无，或点击“高血脂”的频次危低频，则判定用户为高血脂产品及服务低需求用户。
其中，点击“高血脂”频次为高频、中频或低频，可自行定义，一般情况下：高频定义为超过5条/天，中频定义为超过5条/周，低频定义为超过5条/月。需要说明的是，高血脂产品可以为高血脂仪器和高血脂药品等。高血脂服务可以为高血脂防治课程、高血脂饮食推荐以及预约挂号等。
判断高血糖产品及服务高需求用户的准则为：
1、若该用户高血糖综合评估结果为高危或接近患病，或点击“高血糖”的频次为高频，则判定用户为高血糖产品及服务高需求用户。
2、若该用户高血糖综合评估结果为中危，或点击“高血糖”的频次为中频，则判定用户为高血糖产品及服务中等需求用户。
3、若该用户高血糖综合评估结果为低危或无，或点击“高血糖”的频次危低频，则判定用户为高血糖产品及服务低需求用户。
其中，点击“高血糖”频次为高频、中频或低频，可自行定义，一般情况下：高频定义为超过5条/天，中频定义为超过5条/周，低频定义为超过5条/月。需要说明的是，高血糖产品可以为高血糖仪器和高血糖药品等。高血糖服务可以为高血糖防治课程、高血糖饮食推荐以及预约挂号等。
实施例二
基于同一发明构思，本发明实施例提供了一种健康管理方法，图9为本发明实施例提供的一种健康管理方法流程示意图，如图9所示，该健康管理方法包括如下步骤：
S901，采集并存储用户的基本信息；基本信息至少包括：生理参数信息和生化参数信息。
S902，根据用户的生理参数信息和生化参数信息的实时监测数据，对用户罹患慢性病风险进行评估，并生成第一评估结果。
S903，根据用户的主诉信息，对用户罹患慢性病风险进行评估，并生成第二评估结果。
S904，根据用户的自动随访信息，对用户罹患慢性病风险进行评估，并生成第三评估结果。
S905，根据第一评估结果、第二评估结果和第三评估结果，对用户罹患慢性病风险进行综合评估，并生成综合评估结果。
S906，根据综合评估结果和罹患并发症的权重，生成罹患并发症的风险结果。
S907，根据综合评估结果或搜索预设关键词的频次，判定用户是否是慢性病产品及服务的高需求用户，并生成判断结果。
S908，根据判断结果，向高需求用户推荐相关的产品及服务。
需要说明的是，本发明实施例提供的健康管理方法可以有上述实施例提供的健康管理系统实现，其实现原理类似，在此不再赘述。
实施例三
基于同一发明构思，本发明实施例提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序在运行时用于执行如上述实施例提供的健康管理方法。
需要说明的是，本发明实施例提供的计算机可读存储介质实现原理与上述实施例提供的健康管理系统的实现原理类似，在此不再赘述。
可以理解的是，以上实施方式仅仅是为了说明本发明的原理而采用的示例性实施方式，然而本发明并不局限于此。对于本领域内的普通技术人员而言，在不脱离本发明的精神和实质的情况下，可以做出各种变型和改进，这些变型和改进也视为本发明的保护范围。

Claims (11)

1.一种健康管理系统，其特征在于，所述健康管理系统包括：
基本信息模块，用于采集并存储用户的基本信息；所述基本信息至少包括：生理参数信息和生化参数信息；
实时风险评估模块，用于根据用户的所述生理参数信息和所述生化参数信息的实时监测数据，对用户罹患慢性病风险进行评估，并生成第一评估结果；
主诉分析模块，用于根据用户的主诉信息，对用户罹患慢性病风险进行评估，并生成第二评估结果；
自动随访分析模块，用于根据用户的自动随访信息，对用户罹患慢性病风险进行评估，并生成第三评估结果；
综合风险评估模块，用于根据所述第一评估结果、所述第二评估结果和所述第三评估结果，对用户罹患慢性病风险进行综合评估，并生成综合评估结果。
2.根据权利要求1所述的健康管理系统，其特征在于，所述实时风险评估模块包括：
高血压实时风险评估模块，用于根据用户的第一基本信息的实时监测数据，对用户罹患高血压风险进行实时评估，并生成第一高血压风险评估结果；所述第一基本信息至少包括：甘油三酯值、高密度脂蛋白胆固醇值、有无高血压家族史、体重、身高、年龄、收缩压值和舒张压值；
高血脂实时风险评估模块，用于根据用户的第二基本信息的实时监测数据，对用户罹患高血脂风险进行实时评估，并生成第一高血脂风险评估结果；所述第二基本信息至少包括：甘油三酯值、高密度脂蛋白胆固醇值、低密度脂蛋白胆固醇值和总胆固醇值；
高血糖实时风险评估模块，用于根据用户的第三基本信息的实时监测数据，对用户罹患高血糖风险进行实时评估，并生成第一高血糖风险评估结果；所述第三基本信息至少包括：性别、年龄、教育水平、有无糖尿病家族史、是否吸烟、有无高血压病史、体重、身高、腰围、空腹血糖值、甘油三酯值、高密度脂蛋白胆固醇值、谷丙转氨酶值、肾小球滤过率值；
所述主诉分析模块包括：
高血压主诉分析模块，用于根据用户主诉的高血压症状、收缩压值和舒张压值，对用户罹患高血压风险进行评估，并生成第二高血压风险评估结果；
高血脂主诉分析模块，用于根据用户主诉的高血脂症状、甘油三酯值、高密度脂蛋白胆固醇值、低密度脂蛋白胆固醇值和总胆固醇值，对用户罹患高血脂风险进行评估，生成第二高血脂风险评估结果；
高血糖主诉分析模块，用于根据用户主诉的高血糖症状和血糖值，对用户罹患高血糖风险进行评估，生成第二高血糖风险评估结果；
所述自动随访分析模块包括：
高血压自动随访分析模块，用于根据收缩压值高于第一标准值的次数占总随访次数的比例和舒张压值低于第二标准值的次数占总随访次数的比例，生成第三高血压评估结果；
高血脂自动随访分析模块，用于根据甘油三酯值高于第三标准值的次数占总随访次数的比例、高密度脂蛋白胆固醇值低于第四标准值的次数占总随访次数的比例、低密度脂蛋白胆固醇值高于第五标准值的次数占总随访次数的比例和总胆固醇值高于第六标准值的次数占总随访次数的比例，生成第三高血脂评估结果；
高血糖自动随访分析模块，用于计算空腹血糖值高于第七标准值的次数占总随访次数的比例和餐后血糖值高于第八标准值的次数占总随访次数的比例，生成第三高血糖评估结果；
所述综合风险评估模块包括：
高血压综合风险评估模块，用于根据所述第一高血压评估结果、所述第二高血压评估结果和所述第三高血压评估结果，对用户罹患高血压风险进行综合评估，并生成高血压综合评估结果；
高血脂综合风险评估模块，用于根据所述第一高血脂评估结果、所述第二高血脂评估结果和所述第三高血脂评估结果，对用户罹患高血脂风险进行综合评估，并生成高血脂综合评估结果；
高血糖综合风险评估模块，用于根据所述第一高血糖评估结果、所述第二高血糖评估结果和所述第三高血糖评估结果，对用户罹患高血糖风险进行综合评估，并生成高血糖综合评估结果。
3.根据权利要求2所述的健康管理系统，其特征在于，
所述高血压主诉分析模块采用如下公式进行高血压主诉分析：
Figure FDA0002395874420000031
其中，P12表示第二高血压风险评估值，y1表示第一高血压症状参数，y2表示第二高血压症状参数，b1表示第一高血压症状参数的权重值，b2表示第二高血压症状参数的权重值；
高血脂主诉分析模块采用如下公式进行高血脂主诉分析：
Figure FDA0002395874420000032
其中，P22表示第二高血脂风险评估值，z1表示第一高血脂症状参数，z2表示第二高血脂症状参数，c1表示第一高血脂症状参数的权重值，c2表示第二高血脂症状参数的权重值。
4.根据权利要求2所述的健康管理系统，其特征在于，所述健康管理系统还包括：
并发症评估模块，用于根据所述综合评估结果和并发症的权重，生成罹患并发症的风险评估结果。
5.根据权利要求4所述的健康管理系统，其特征在于，所述并发症评估模块包括：
高血压并发症评估模块，用于根据所述高血压综合评估结果和高血压并发症的权重，生成罹患高血压并发症的风险评估结果；
高血脂并发症评估模块，用于根据所述高血脂综合评估结果和高血脂并发症的权重，生成罹患高血脂并发症的风险评估结果；
高血糖并发症评估模块，用于根据所述高血糖综合评估结果和高血糖并发症的权重，生成罹患高血糖并发症的风险评估结果。
6.根据权利要求2所述的健康管理系统，其特征在于，所述健康管理系统还包括：
判断模块，用于根据所述综合评估结果和搜索预设关键词的频次，判定用户是否是慢性病产品及服务的高需求用户，并生成判断结果；
产品及服务推荐模块，用于根据所述判断结果，向高需求用户推荐相关的产品及服务。
7.根据权利要求6所述的健康管理系统，其特征在于，所述判断模块包括：
第一判断模块，用于根据所述高血压综合评估结果和搜索高血压关键词的频次，判定用户是否是高血压产品及服务的高需求用户，并生成第一判断结果；
第二判断模块，用于根据所述高血脂综合评估结果和搜索高血脂关键词的频次，判定用户是否是高血脂产品及服务的高需求用户，并生成第二判断结果；
第三判断模块，用于根据所述高血糖综合评估结果和搜索高血糖关键词的频次，判定用户是否是高血糖产品及服务的高需求用户，并生成第三判断结果；
所述产品及服务推荐模块包括：
高血压产品及服务推荐模块，用于根据所述第一判断结果，向高血压产品及服务的高需求用户推荐高血压产品及服务；
高血脂产品及服务推荐模块，用于根据所述第二判断结果，向高血脂产品及服务的高需求用户推荐高血脂产品及服务；
高血糖产品及服务推荐模块，用于根据所述第三判断结果，向高血糖产品及服务的高需求用户推荐高血糖产品及服务。
8.一种健康管理方法，其特征在于，包括：
采集并存储用户的基本信息；所述基本信息至少包括：生理参数信息和生化参数信息；
根据用户的所述生理参数信息和所述生化参数信息的实时监测数据，对用户罹患慢性病风险进行评估，并生成第一评估结果；
根据用户的主诉信息，对用户罹患慢性病风险进行评估，并生成第二评估结果；
根据用户的自动随访信息，对用户罹患慢性病风险进行评估，并生成第三评估结果；
根据所述第一评估结果、所述第二评估结果和所述第三评估结果，对用户罹患慢性病风险进行综合评估，并生成综合评估结果。
9.根据权利要求8所述的健康管理方法，其特征在于，还包括：
根据所述综合评估结果和罹患并发症的权重，生成罹患并发症的风险结果。
10.根据权利要求8所述的健康管理方法，其特征在于，还包括：
根据所述综合评估结果或搜索预设关键词的频次，判定用户是否是慢性病产品及服务的高需求用户，并生成判断结果；
根据所述判断结果，向高需求用户推荐相关的产品及服务。
11.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，所述计算机程序在运行时用于执行如权利要求8-10任一项所述的健康管理方法。
CN202010131443.XA 2020-02-28 2020-02-28 健康管理系统及方法 Pending CN111292855A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202010131443.XA CN111292855A (zh) 2020-02-28 2020-02-28 健康管理系统及方法
PCT/CN2021/072694 WO2021169675A1 (zh) 2020-02-28 2021-01-19 健康管理系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010131443.XA CN111292855A (zh) 2020-02-28 2020-02-28 健康管理系统及方法

Publications (1)

Publication Number Publication Date
CN111292855A true CN111292855A (zh) 2020-06-16

Family

ID=71026823

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010131443.XA Pending CN111292855A (zh) 2020-02-28 2020-02-28 健康管理系统及方法

Country Status (2)

Country Link
CN (1) CN111292855A (zh)
WO (1) WO2021169675A1 (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021169675A1 (zh) * 2020-02-28 2021-09-02 京东方科技集团股份有限公司 健康管理系统及方法
CN114267450A (zh) * 2021-12-24 2022-04-01 青岛沐华健康科技有限公司 一种三高共管的健康评估算法、装置及系统
CN115862870A (zh) * 2022-12-16 2023-03-28 深圳市携康网络科技有限公司 一种基于人工智能的慢性病管理系统及方法
CN116246777A (zh) * 2023-04-24 2023-06-09 山东工业职业学院 一种基于社区产检数据流的妇产科信息分析方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102999686A (zh) * 2011-09-19 2013-03-27 上海煜策信息科技有限公司 一种健康管理系统及其实现方法
CN103324818A (zh) * 2012-03-23 2013-09-25 重庆市真源医药信息有限公司 慢性病防治自测系统
CN105160157A (zh) * 2015-08-10 2015-12-16 武汉哈福科技有限公司 三高健康管理动态监测和管理系统及方法
CN108511070A (zh) * 2018-04-18 2018-09-07 郑州大学第附属医院 一种糖尿病患者评估及管理系统

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002157339A (ja) * 2000-11-17 2002-05-31 Hoken Joho Service:Kk 健康調査及び生活習慣改善指導システム
CN105912847A (zh) * 2016-04-08 2016-08-31 北京阳光欣晴健康管理有限责任公司 实现冠心病诊后管理的系统
CN107085817B (zh) * 2017-05-27 2020-12-01 北京医健保健康管理有限公司 医疗系统
CN111292855A (zh) * 2020-02-28 2020-06-16 京东方科技集团股份有限公司 健康管理系统及方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102999686A (zh) * 2011-09-19 2013-03-27 上海煜策信息科技有限公司 一种健康管理系统及其实现方法
CN103324818A (zh) * 2012-03-23 2013-09-25 重庆市真源医药信息有限公司 慢性病防治自测系统
CN105160157A (zh) * 2015-08-10 2015-12-16 武汉哈福科技有限公司 三高健康管理动态监测和管理系统及方法
CN108511070A (zh) * 2018-04-18 2018-09-07 郑州大学第附属医院 一种糖尿病患者评估及管理系统

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021169675A1 (zh) * 2020-02-28 2021-09-02 京东方科技集团股份有限公司 健康管理系统及方法
CN114267450A (zh) * 2021-12-24 2022-04-01 青岛沐华健康科技有限公司 一种三高共管的健康评估算法、装置及系统
CN115862870A (zh) * 2022-12-16 2023-03-28 深圳市携康网络科技有限公司 一种基于人工智能的慢性病管理系统及方法
CN115862870B (zh) * 2022-12-16 2023-11-24 深圳市携康网络科技有限公司 一种基于人工智能的慢性病管理系统及方法
CN116246777A (zh) * 2023-04-24 2023-06-09 山东工业职业学院 一种基于社区产检数据流的妇产科信息分析方法
CN116246777B (zh) * 2023-04-24 2023-08-11 山东工业职业学院 一种基于社区产检数据流的妇产科信息分析方法

Also Published As

Publication number Publication date
WO2021169675A1 (zh) 2021-09-02

Similar Documents

Publication Publication Date Title
CN111292855A (zh) 健康管理系统及方法
CN103559637B (zh) 一种为就诊患者推荐医生的方法及其系统
Schrijver et al. Self‐management interventions for people with chronic obstructive pulmonary disease
JP6440808B2 (ja) 病状の個人管理および監視
Chastin et al. Interventions for reducing sedentary behaviour in community‐dwelling older adults
McKeough et al. Upper limb exercise training for COPD
McLean et al. Telehealthcare for chronic obstructive pulmonary disease
US20140316220A1 (en) Personal Health Monitoring System
Buist et al. A randomized clinical trial of peak flow versus symptom monitoring in older adults with asthma
Baek et al. Hybrid clustering based health decision-making for improving dietary habits
US20030065241A1 (en) Medical risk assessment system and method
CN110832602B (zh) 利用软件进行健康状态判定的装置、及健康状态判定方法
KR101737279B1 (ko) 뇌졸중 발병 예측 시스템
US20080154894A1 (en) System for cross-acquisition of physiological and psychological information
KR20100039705A (ko) 환자를 관리하는 방법 및 장치
Suglia et al. Creation of a community violence exposure scale: accounting for what, who, where, and how often
Cochrane Kidney and Transplant Group et al. Exercise training for adults undergoing maintenance dialysis
Levack et al. Interventions for sexual dysfunction in people with chronic obstructive pulmonary disease (COPD)
Krisnawati et al. The Relationship Between Family Support and Self Care in Hypertension Clients
Wong et al. Digital technology for early identification of exacerbations in people with cystic fibrosis
Kalatzis et al. Interactive dimensionality reduction for improving patient adherence in remote health monitoring
Fang et al. A mental disorder early warning approach by observing depression symptom in social diary
Wongpatikaseree et al. Daily Health Monitoring Chatbot with Linear Regression
EP1259156A1 (en) Medical risk assessment system and method
Hamel et al. Remote assessment of myotonic dystrophy type 1: a feasibility 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