CN111383770B - 一种临床研究与随访融合系统和方法 - Google Patents

一种临床研究与随访融合系统和方法 Download PDF

Info

Publication number
CN111383770B
CN111383770B CN202010158209.6A CN202010158209A CN111383770B CN 111383770 B CN111383770 B CN 111383770B CN 202010158209 A CN202010158209 A CN 202010158209A CN 111383770 B CN111383770 B CN 111383770B
Authority
CN
China
Prior art keywords
patient
follow
information
clinical
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.)
Active
Application number
CN202010158209.6A
Other languages
English (en)
Other versions
CN111383770A (zh
Inventor
马钦鸿
黄雨
岳伟华
王雪萍
靳培培
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.)
Beijing Liuyuankongjian Information Technology Co ltd
PEKING UNIVERSITY SIXTH HOSPITAL
Peking University
Original Assignee
Beijing Liuyuankongjian Information Technology Co ltd
PEKING UNIVERSITY SIXTH HOSPITAL
Peking University
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 Beijing Liuyuankongjian Information Technology Co ltd, PEKING UNIVERSITY SIXTH HOSPITAL, Peking University filed Critical Beijing Liuyuankongjian Information Technology Co ltd
Priority to CN202010158209.6A priority Critical patent/CN111383770B/zh
Publication of CN111383770A publication Critical patent/CN111383770A/zh
Application granted granted Critical
Publication of CN111383770B publication Critical patent/CN111383770B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G06F18/24137—Distances to cluster centroïds
    • G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
    • 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
    • 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

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Epidemiology (AREA)
  • Theoretical Computer Science (AREA)
  • Pathology (AREA)
  • Databases & Information Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

本发明公开一种临床研究与随访融合系统和方法。系统包括：信息获取单元，被配置为：获取患者的历史病历信息，并基于患者的随访信息获取患者的当前健康数据；信息提取单元，被配置为：从历史病历信息中提取对患者所患疾病进行治疗的临床诊疗方案，并从患者的当前健康数据中提取患者的当前症状；处理单元，被配置为：根据患者的当前病征和预先训练的预测模型，判断该患者所患疾病的复发几率，响应于复发几率大于预设阈值，分析临床诊疗方案确定导致复发的潜在危险因素；推送单元，被配置为：向医生客户端推送导致复发的潜在危险因素，以辅助医生调整临床诊疗方案，并向患者端推送复诊通知。利用本发明的方案，有助于医生优化针对患者的诊疗方案。

Description

一种临床研究与随访融合系统和方法
技术领域
本发明涉及临床研究领域，更具体而言涉及一种临床研究与随访融合系统和方法。
背景技术
目前，现有的基于随访的临床医学研究(例如，复诊病历分析)方案中，主要依靠医生或者医学专家凭借个人的临床经验，对患者的随访数据进行主观分析或者辅以统计学分析，得出分析研判结果，并据此结果判断患者的健康状况以决定该患者是否需要复诊。但是，上述临床研究方案中，缺少针对患者的历史诊疗过程或诊疗方案的分析，从而忽略了诊疗方案本身给患者健康状况带来的影响。
因此，需要提供一种技术方案解决上述技术问题。
发明内容
为了解决上述技术问题，本发明提供了一种临床研究与随访融合系统和方法。
作为本发明第一方面，提供一种临床研究与随访融合系统，其中，所述系统包括：
信息获取单元，被配置为：获取患者的历史病历信息，并基于患者的随访信息获取患者的当前健康数据；
信息提取单元，被配置为：从所述历史病历信息中提取对患者所患疾病进行治疗的临床诊疗方案，并从所述患者的当前健康数据中提取患者的当前症状；
处理单元，被配置为：根据所述患者的当前病征和预先训练的预测模型，判断该患者所患疾病的复发几率，响应于所述复发几率大于预设阈值，分析所述临床诊疗方案确定导致复发的潜在危险因素；
推送单元，被配置为：向医生客户端推送导致复发的所述潜在危险因素，以辅助医生调整所述临床诊疗方案，并向患者端推送复诊通知。
在一个实施例中，所述预测模型为基于深度卷积神经网络的分类模型，以患者的症状类别以及对应的症状严重程度作为输入、以与所述症状对应的疾病复发几率作为输出进行模型训练得到所述预测模型。
在一个实施例中，所述危险因素包括：药物类别、药物用量、进行病历检测的方式、手术的执行方式、手术切除部位及大小、人工器官替代品的型号、放化疗期数及执行时长。
在一个实施例中，所述历史病历信息还包括：患者的个人信息、家族遗传信息和/或在其他医疗机构就医时的临床诊疗方案。
作为本发明第二方面，提供一种服务器，其中，所述服务器包括本发明所述的临床研究与随访融合系统。
作为本发明第三方面，提供一种临床研究与随访融合方法，其中，所述方法包括：
获取患者的历史病历信息，并基于患者的随访信息获取患者的当前健康数据；
从所述历史病历信息中提取对患者所患疾病进行治疗的临床诊疗方案，并从所述患者的当前健康数据中提取患者的当前症状；
根据所述患者的当前病征和预先训练的预测模型，判断该患者所患疾病的复发几率，响应于所述复发几率大于预设阈值，分析所述临床诊疗方案确定导致复发的潜在危险因素；
向医生客户端推送导致复发的所述潜在危险因素，以辅助医生调整所述临床诊疗方案，并向患者端推送复诊通知。
在一个实施例中，所述预测模型为基于深度卷积神经网络的分类模型，以患者的症状类别以及对应的症状严重程度作为输入、以与所述症状对应的疾病复发几率作为输出进行模型训练得到所述预测模型。
在一个实施例中，所述危险因素包括：药物类别、药物用量、进行病历检测的方式、手术的执行方式、手术切除部位及大小、人工器官替代品的型号、放化疗期数及执行时长。
在一个实施例中，所述历史病历信息还包括：患者的个人信息、家族遗传信息和/或在其他医疗机构就医时的临床诊疗方案。
作为本发明第四方面，提供一种计算机可读存储介质，其中，其上存储有计算机程序，所述计算机程序在被处理器执行时实现本发明所述的临床研究与随访融合方法。
利用本发明的技术方案，对患者进行基于随访的临床研究中(例如，复诊病历分析)，除了考虑患者的随访信息外，还可基于患者的历史病历信息进行分析，从而可以明确所述诊疗方案中的各项潜在因素对患者健康状况影响，从而有助于医生进一步优化针对患者的诊疗方案，有效提高诊疗效果。
附图说明
现在将仅通过参考附图的非限制性示例来描述本发明，其中：
图1是示出根据本发明一个实施例的临床研究与随访融合系统的示意图；
图2是示出根据本发明一个实施例的临床研究与随访融合方法的流程图。
具体实施方式
为了使本发明的上述以及其他特征和优点更加清楚，下面结合附图进一步描述本发明。应当理解，本文给出的具体实施例是出于向本领域技术人员解释的目的，仅是示例性的，而非限制性的。
作为本发明的第一方面，提供一种临床研究与随访融合系统。图1示意性示出根据本发明一个实施例的临床研究与随访融合系统100。所述临床研究与随访融合系统100包括信息获取单元110、信息提取单元120、处理单元130以及推送单元140，并且各个单元之间通信地耦合。所述临床研究与随访融合系统100可以部分地或者整体地设置于服务器端，例如服务器上。
信息获取单元110可以被配置为：获取患者的历史病历信息，并基于患者的随访信息获取患者的当前健康数据。
如能理解的，信息获取单元110可以通过多种可能的方式获取患者的历史病历信息。例如，信息获取单元110可以与医院的可用的数据系统通信，以获取所述历史病历信息，其中，所述数据系统可以为医院信息系统(HIS)和/或影像归档和通信系统(PACS)数据，所述历史病历信息可以为患者的电子病历(EMR)数据和/或患者的影像数据。在一实施例中，所述历史病历信息还包括：患者的个人信息、家族遗传信息和/或在其他医疗机构就医时的临床诊疗方案。在一具体实施例中，所述患者的个人信息包括所述患者的过往健康数据。在本发明中，所述健康数据可以包括门诊医生的问诊信息，例如异常感觉、大便情况、小便情况、血压、体温、脉搏数等。
信息获取单元110可通过适用的方式基于随访信息获取患者的当前健康数据。例如，信息获取单元110可直接从患者端获取患者的随访信息，或者也可以从其他可用方式间接获取患者的随访信息；进而，从所述随访信息中提取出患者的当前健康数据。其中，所述患者端可以为适用的智能终端，例如可以为患者的手机、平板电脑或者其他设备。在一个实例中，所述智能终端上可以设置一些选项或者提供一些输入框，供患者选择或使用。在一个实例中，所述智能终端可以通过语音识别获取患者陈述的信息，从而获得当前健康数据。信息获取单元110可以通过合适的方式与所述医院的可用的数据系统以及所述患者端进行通信。其中，合适的通信方式例如可以为无线通信，所述无线通信可以基于无线网络(Wi-Fi)或者移动网络进行。
信息提取单元120可以被配置为：从所述历史病历信息中提取对患者所患疾病进行治疗的临床诊疗方案，并从所述患者的当前健康数据中提取患者的当前症状。
如能理解的，信息获取单元120可通过适用的方法进行信息提取。例如。可以利用预设算法从所述历史病历信息中提取对患者所患疾病进行治疗的临床诊疗方案，并从所述当前健康数据中提取患者的当前症状；其中，所述预设算法例如可以为自然语言处理算法、文本识别算法，和/或其他可用的算法，这可以使用本领域中已知的算法实现，或者根据规则进行开发。例如，患者根据疾病的关键词进行关联。例如，心脏疾病可以识别，心率过快、心绞痛、胸口疼等。
处理单元130可以被配置为：根据所述患者的当前病征和预先训练的预测模型，判断该患者所患疾病的复发几率，响应于所述复发几率大于预设阈值，分析所述临床诊疗方案确定导致复发的潜在危险因素。
如能理解的，处理单元130可通过多种方式进行预测模型训练。例如，在一实施例中，所述预测模型可以为基于深度卷积神经网络的分类模型，以患者的症状类别以及对应的症状严重程度作为输入、以与所述症状对应的疾病复发几率作为输出进行模型训练，得到所述预测模型。该模型的训练可以通过收集过往临床数据进行，通过用临床数据进行模型训练。处理单元130可以将所述患者的当前病症输入所述深度卷积神经网络的分类模型中，从而得到患者的对应所述症状的疾病的复发几率。所述预设阈值可以根据不同疾病种类而设置不同值，例如，肿瘤的复发几率对应的预设阈值与胰腺炎的复发几率对应的预设阈值可不同。响应于所述复发几率大于预设阈值，处理单元130可利用预设分析算法对所述临床诊疗方案进行解析，并提取方案中的导致复发的潜在危险因素。其中，所述预设分析算法可以为任何可用或适用的算法，例如，可以为基于神经网络的训练得到的潜在危险因素分类模型，具体地，利用多个患者的过往临床诊疗方案以及利用所述过往临床诊疗方案治疗后患者的症状作为输入，以所述过往临床诊疗方案中的潜在危险因素作为输出，训练所述潜在危险因素分类模型。处理单元130可以响应于患者所患疾病的复发几率大于预设阈值，将患者的临床诊疗方案、以及患者的当前病症输入所述潜在危险因素分类模型，从而确定出可能导致疾病复发的潜在危险因素。其中，所述危险因素可以包括：药物类别、药物用量、进行病历检测的方式、手术的执行方式、手术切除部位及大小、人工器官替代品的型号、放化疗期数及执行时长。
推送单元140可以被配置为：向医生客户端推送导致复发的所述潜在危险因素，以辅助医生调整所述临床诊疗方案，并向患者端推送复诊通知。
如能理解的，推送单元140可以通过适用的方式与医生客户端、以及患者端通信；例如，可以基于移动网络(4G、5G)或者无线网络(Wi-Fi)建立通信。所述医生客户端可以为智能终端，例如计算机或平板电脑等。
综上，利用本发明的技术方案，对患者进行基于随访的临床研究中(例如，复诊病历分析)，除了考虑患者的随访信息外，还可基于患者的历史病历信息进行分析，从而可以明确所述诊疗方案中的各项潜在因素对患者健康状况影响，从而有助于医生进一步优化针对患者的诊疗方案，有效提高诊疗效果。
作为本发明的第二方面，提供一种服务器，其中，所述服务器包括本发明所述的临床研究与随访融合系统。
作为本发明的第三个方面，提供一种临床研究与随访融合方法。图2示意性示出根据本发明一个实施例的临床研究与随访融合方法200。
如图2所示，所述临床研究与随访融合方法200，包括：S210、获取患者的历史病历信息，并基于患者的随访信息获取患者的当前健康数据；S220、从所述历史病历信息中提取对患者所患疾病进行治疗的临床诊疗方案，并从所述患者的当前健康数据中提取患者的当前症状；S230、根据所述患者的当前病征和预先训练的预测模型，判断该患者所患疾病的复发几率，响应于所述复发几率大于预设阈值，分析所述临床诊疗方案确定导致复发的潜在危险因素；S240、向医生客户端推送导致复发的所述潜在危险因素，以辅助医生调整所述临床诊疗方案，并向患者端推送复诊通知。
在一个实施例中，所述预测模型为基于深度卷积神经网络的分类模型，以患者的症状类别以及对应的症状严重程度作为输入、以与所述症状对应的疾病复发几率作为输出进行模型训练得到所述预测模型。
在一个实施例中，所述危险因素包括：药物类别、药物用量、进行病历检测的方式、手术的执行方式、手术切除部位及大小、人工器官替代品的型号、放化疗期数及执行时长。
在一个实施例中，所述历史病历信息还包括：患者的个人信息、家族遗传信息和/或在其他医疗机构就医时的临床诊疗方案。
应理解，本文中前述第一方面关于临床研究与随访融合系统所描述的具体特征也可类似地应用于第三方面的临床研究与随访融合方法中进行类似扩展。为简化起见，未对其进行详细描述。
应理解，本发明的临床研究与随访融合系统100的各个单元可全部或部分地通过软件、硬件、固件或其组合来实现。所述各单元各自可以硬件或固件形式内嵌于计算机设备的处理器中或独立于所述处理器，也可以软件形式存储于计算机设备的存储器中以供处理器调用来执行所述各单元的操作。所述各单元各自可以实现为独立的部件或模块，或者两个或更多个单元可实现为单个部件或模块。
本领域普通技术人员应理解，图1中示出的临床研究与随访融合系统100的示意图仅仅是与本发明的方案相关的部分结构的示例性说明框图，并不构成对体现本发明的方案的计算机设备、处理器或计算机程序的限定。具体的计算机设备、处理器或计算机程序可以包括比图中所示更多或更少的部件或模块，或者组合或拆分某些部件或模块，或者可具有不同的部件或模块布置。
作为本发明第四方面，提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序在被处理器执行时实现本发明第三方面的方法的步骤。在一个实施例中，所述计算机程序被分布在网络耦合的多个计算机设备或处理器上，以使得所述计算机程序由一个或多个计算机设备或处理器以分布式方式存储、访问和执行。单个方法步骤/操作，或者两个或更多个方法步骤/操作，可以由单个计算机设备或处理器或由两个或更多个计算机设备或处理器执行。一个或多个方法步骤/操作可以由一个或多个计算机设备或处理器执行，并且一个或多个其他方法步骤/操作可以由一个或多个其他计算机设备或处理器执行。一个或多个计算机设备或处理器可以执行单个方法步骤/操作，或执行两个或更多个方法步骤/操作。
作为本发明第五方面，提供了一种计算机设备，其包括存储器和处理器，所述存储器上存储有可由处理器执行的计算机指令，所述计算机指令在由所述处理器执行时指示所述处理器执行本发明第三方面的临床研究与随访融合方法的各步骤。该计算机设备可以广义地为服务器，或任何其他具有必要的计算和/或处理能力的电子设备。在一个实施例中，该计算机设备可包括通过系统总线连接的处理器、存储器、网络接口、通信接口等。该计算机设备的处理器可用于提供必要的计算、处理和/或控制能力。该计算机设备的存储器可包括非易失性存储介质和内存储器。该非易失性存储介质中或上可存储有操作系统、计算机程序等。该内存储器可为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口和通信接口可用于与外部的设备通过网络连接和通信。该计算机程序被处理器执行时执行本发明的方法的步骤。
本领域普通技术人员可以理解，本发明的临床研究与随访融合方法的全部或部分步骤可以通过计算机程序来指示相关的硬件如计算机设备或处理器完成，所述的计算机程序可存储于非暂时性计算机可读存储介质中，该计算机程序被执行时实现本发明的辅助方法的步骤。根据情况，本文中对存储器、存储、数据库或其它介质的任何引用可包括非易失性和/或易失性存储器。非易失性存储器的示例包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)、闪存、磁带、软盘、磁光数据存储装置、光学数据存储装置、硬盘、固态盘等。易失性存储器的示例包括随机存取存储器(RAM)、外部高速缓冲存储器等。
以上描述的各技术特征可以任意地组合。尽管未对这些技术特征的所有可能组合进行描述，但这些技术特征的任何组合都应当被认为由本说明书涵盖，只要这样的组合不存在矛盾。
尽管结合实施例对本发明进行了描述，但本领域技术人员应理解，上文的描述和附图仅是示例性而非限制性的，本发明不限于所公开的实施例。在不偏离本发明的精神的情况下，各种改型和变体是可能的。

Claims (10)

1.一种临床研究与随访融合系统，其特征在于，所述系统包括：
信息获取单元，被配置为：获取患者的历史病历信息，并基于患者的随访信息获取患者的当前健康数据；
信息提取单元，被配置为：从所述历史病历信息中提取对患者所患疾病进行治疗的临床诊疗方案，并从所述患者的当前健康数据中提取患者的当前症状；
处理单元，被配置为：根据所述患者的当前病征和预先训练的预测模型，判断该患者所患疾病的复发几率，响应于所述复发几率大于预设阈值，分析所述临床诊疗方案确定导致复发的潜在危险因素；
推送单元，被配置为：向医生客户端推送导致复发的所述潜在危险因素，以辅助医生调整所述临床诊疗方案，并向患者端推送复诊通知。
2.根据权利要求1所述的系统，其特征在于，
所述预测模型为基于深度卷积神经网络的分类模型，以患者的症状类别以及对应的症状严重程度作为输入、以与所述症状对应的疾病复发几率作为输出进行模型训练得到所述预测模型。
3.根据权利要求1所述的系统，其特征在于，所述危险因素包括：
药物类别、药物用量、进行病历检测的方式、手术的执行方式、手术切除部位及大小、人工器官替代品的型号、放化疗期数及执行时长。
4.根据权利要求1-3中任一项所述的系统，其特征在于，所述历史病历信息还包括：患者的个人信息、家族遗传信息和/或在其他医疗机构就医时的临床诊疗方案。
5.一种服务器，其特征在于，所述服务器包括权利要求1-4中任一项所述的临床研究与随访融合系统。
6.一种临床研究与随访融合方法，其特征在于，所述方法包括：
获取患者的历史病历信息，并基于患者的随访信息获取患者的当前健康数据；
从所述历史病历信息中提取对患者所患疾病进行治疗的临床诊疗方案，并从所述患者的当前健康数据中提取患者的当前症状；
根据所述患者的当前病征和预先训练的预测模型，判断该患者所患疾病的复发几率，响应于所述复发几率大于预设阈值，分析所述临床诊疗方案确定导致复发的潜在危险因素；
向医生客户端推送导致复发的所述潜在危险因素，以辅助医生调整所述临床诊疗方案，并向患者端推送复诊通知。
7.根据权利要求6所述的方法，其特征在于，
所述预测模型为基于深度卷积神经网络的分类模型，以患者的症状类别以及对应的症状严重程度作为输入、以与所述症状对应的疾病复发几率作为输出进行模型训练得到所述预测模型。
8.根据权利要求6所述的方法，其特征在于，所述危险因素包括：药物类别、药物用量、进行病历检测的方式、手术的执行方式、手术切除部位及大小、人工器官替代品的型号、放化疗期数及执行时长。
9.根据权利要求6-8中任一项所述的方法，其特征在于，所述历史病历信息还包括：患者的个人信息、家族遗传信息和/或在其他医疗机构就医时的临床诊疗方案。
10.一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，所述计算机程序在被处理器执行时实现权利要求6-9任一项所述的临床研究与随访融合方法。
CN202010158209.6A 2020-03-09 2020-03-09 一种临床研究与随访融合系统和方法 Active CN111383770B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010158209.6A CN111383770B (zh) 2020-03-09 2020-03-09 一种临床研究与随访融合系统和方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010158209.6A CN111383770B (zh) 2020-03-09 2020-03-09 一种临床研究与随访融合系统和方法

Publications (2)

Publication Number Publication Date
CN111383770A CN111383770A (zh) 2020-07-07
CN111383770B true CN111383770B (zh) 2022-08-30

Family

ID=71221478

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010158209.6A Active CN111383770B (zh) 2020-03-09 2020-03-09 一种临床研究与随访融合系统和方法

Country Status (1)

Country Link
CN (1) CN111383770B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112967809B (zh) * 2021-04-06 2024-01-23 联仁健康医疗大数据科技股份有限公司 一种随访用户的确定方法、装置、设备及存储介质
CN113393941A (zh) * 2021-06-17 2021-09-14 联仁健康医疗大数据科技股份有限公司 确定随访用户的方法、装置、电子设备及存储介质
CN113555118B (zh) * 2021-07-26 2023-03-31 内蒙古自治区人民医院 一种病症程度的预测方法、装置、电子设备及存储介质
CN113782226A (zh) * 2021-09-16 2021-12-10 人工智能与数字经济广东省实验室(广州) 一种基于深度学习的智能病例随访系统
CN113871020B (zh) * 2021-09-26 2022-04-01 北京卓简科技有限公司 一种基于ai机器学习的急危重症诊后健康管理方法及系统
CN114400091B (zh) * 2022-01-22 2022-11-08 深圳市携康网络科技有限公司 一种基于信息化的医疗预防融合系统
CN117809850B (zh) * 2024-03-01 2024-05-28 北京航天总医院 基于ai的心血管慢病数据管理方法、系统和介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106897546A (zh) * 2017-01-13 2017-06-27 深圳市前海安测信息技术有限公司 医疗信息化辅助医生诊疗系统和方法
CN108597587A (zh) * 2018-04-26 2018-09-28 南京大经中医药信息技术有限公司 一种名老中医经验智能化传承和临床辅助决策系统及方法
CN110297908A (zh) * 2019-07-01 2019-10-01 中国医学科学院医学信息研究所 诊疗方案预测方法及装置

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3223178A1 (en) * 2016-03-24 2017-09-27 Fujitsu Limited A system and a method for assessing patient treatment risk using open data and clinician input

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106897546A (zh) * 2017-01-13 2017-06-27 深圳市前海安测信息技术有限公司 医疗信息化辅助医生诊疗系统和方法
CN108597587A (zh) * 2018-04-26 2018-09-28 南京大经中医药信息技术有限公司 一种名老中医经验智能化传承和临床辅助决策系统及方法
CN110297908A (zh) * 2019-07-01 2019-10-01 中国医学科学院医学信息研究所 诊疗方案预测方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
急性肺栓塞患者复发的危险因素分析;张鑫等;《中国呼吸与危重监护杂志》;20180925(第05期);全文 *
甲状腺癌术后复发相关危险因素分析及复发预测模型构建;陈志丹等;《东南大学学报(医学版)》;20150225(第01期);全文 *

Also Published As

Publication number Publication date
CN111383770A (zh) 2020-07-07

Similar Documents

Publication Publication Date Title
CN111383770B (zh) 一种临床研究与随访融合系统和方法
Guidi et al. A machine learning system to improve heart failure patient assistance
CN105793852B (zh) 具有海量医疗分析的医疗处理计算机规划方法和系统
JP6907831B2 (ja) コンテキストベースの患者類似性の方法及び装置
US20070276777A1 (en) Personalized Prognosis Modeling In Medical Treatment Planning
CN112017789B (zh) 分诊数据处理方法、装置、设备及介质
JP7253068B2 (ja) 脳の構造を用いた脳画像補正方法及び装置
CN112447299A (zh) 医护资源预测模型训练方法、装置、设备及存储介质
CN109377388B (zh) 医保投保方法、装置、计算机设备和存储介质
CN113317804B (zh) 一种康复效率预测方法、及其训练装置和计算机设备
KR102218674B1 (ko) 건강관리 서비스 제공 방법
US20240006070A1 (en) Medical event prediction using a personalized dual-channel combiner network
CN112447270A (zh) 一种用药推荐方法、装置、设备及存储介质
CN116210058A (zh) 慢性肾脏疾病（ckd）机器学习预测系统、方法和装置
CN118155787A (zh) 一种基于互联网大数据的医疗数据处理方法及系统
Natrayan et al. Data Mining and AI for Early Diagnosis and Treatment Optimization in Autoimmune Encephalitis
CN117612660A (zh) 医疗策略推送系统及其方法、可读存储介质
US20210074432A1 (en) Predictive analytics for complex diseases
CN111667922A (zh) 一种临床诊疗数据录入系统和方法
Bellos et al. A support vector machine approach for categorization of patients suffering from chronic diseases
CN112022124A (zh) 生理监测方法、装置、计算机设备和存储介质
CN117809850B (zh) 基于ai的心血管慢病数据管理方法、系统和介质
US20230052534A1 (en) Classifier of epileptic network dynamics
US20230253115A1 (en) Methods and systems for predicting in-vivo response to drug therapies
KR102559883B1 (ko) 마르코프 의사결정 과정을 이용하는 투약 전략 생성 방법

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
GR01 Patent grant
GR01 Patent grant