CN111640499A - 一种基于互联网的老年人慢性病管理评估系统 - Google Patents
一种基于互联网的老年人慢性病管理评估系统 Download PDFInfo
- Publication number
- CN111640499A CN111640499A CN202010539678.2A CN202010539678A CN111640499A CN 111640499 A CN111640499 A CN 111640499A CN 202010539678 A CN202010539678 A CN 202010539678A CN 111640499 A CN111640499 A CN 111640499A
- Authority
- CN
- China
- Prior art keywords
- module
- data
- disease
- old
- time
- 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
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
- G16H50/20—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
-
- 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
- G16H15/00—ICT specially adapted for medical reports, e.g. generation or transmission thereof
-
- 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
Abstract
本发明属于慢性病管理技术领域,公开了一种基于互联网的老年人慢性病管理评估系统,所述基于互联网的老年人慢性病管理评估系统包括:患者身份采集模块、病症数据采集模块、中央控制模块、网络通信模块、病症数据核对模块、数据编辑模块、病症检索模块、风险模型构建模块、病症评估模块、复发预测模块、云存储模块、显示模块。本发明通过风险模型构建模块可以在发现某个危险因素后及时有效地采取老年人慢性病的有效防治措施,而减轻老年人慢性病给社会和家庭带来的经济负担和疾病负担;同时,通过复发预测模块可以解决训练样本分布不平衡的问题,进而提高老年人慢性病复发预测结果的准确性。
Description
技术领域
本发明属于慢性病管理技术领域,尤其涉及一种基于互联网的老年人慢性病管理评估系统。
背景技术
慢性病全称是慢性非传染性疾病,不是特指某种疾病,而是对一类起病隐匿,病程长且病情迁延不愈,缺乏确切的传染性生物病因证据,病因复杂,且有些尚未完全被确认的疾病的概括性总称。常见的慢性病主要有心脑血管疾病、癌症、糖尿病、慢性呼吸系统疾病,其中心脑血管疾病包含高血压、脑卒中和冠心病。慢性病的危害主要是造成脑、心、肾等重要脏器的损害,易造成伤残,影响劳动能力和生活质量,且医疗费用极其昂贵,增加了社会和家庭的经济负担。然而,现有基于互联网的老年人慢性病管理评估系统老年人慢性病风险模型参差不齐,多数过于简单,缺乏数据支持,不够精确、危险程度划分过粗糙、高危人群过于广泛等缺陷;同时,现有的老年人慢性病复发预测存在着计算结果准确率低的问题。
综上所述,现有技术存在的问题是:现有基于互联网的老年人慢性病管理评估系统老年人慢性病风险模型参差不齐,多数过于简单,缺乏数据支持,不够精确、危险程度划分过粗糙、高危人群过于广泛等缺陷;同时,现有的老年人慢性病复发预测存在着计算结果准确率低的问题。
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互联网的老年人慢性病管理评估系统。
本发明是这样实现的,一种基于互联网的老年人慢性病管理评估系统包括:
患者身份采集模块、病症数据采集模块、中央控制模块、网络通信模块、病症数据核对模块、数据编辑模块、病症检索模块、风险模型构建模块、病症评估模块、复发预测模块、云存储模块、显示模块;
患者身份采集模块,与中央控制模块连接,用于采集老年人患者身份信息;
病症数据采集模块,与中央控制模块连接,用于通过医疗设备采集老年人慢性病病症数据;
中央控制模块,与患者身份采集模块、病症数据采集模块、网络通信模块、病症数据核对模块、数据编辑模块、病症检索模块、风险模型构建模块、病症评估模块、复发预测模块、云存储模块、显示模块连接,用于通过处理器对采集信息进行处理,并通过处理结果和预设参数对各个受控模块进行协调控制;
网络通信模块,与中央控制模块连接,用于通过网络接口接入互联网进行网络通信;
病症数据核对模块,与中央控制模块连接,用于通过核对程序对采集的病症数据进行核对;
数据编辑模块,与中央控制模块连接,用于通过编辑程序对老年人慢性病数据进行增加、删除、修改等操作;
病症检索模块,与中央控制模块连接,用于通过检索程序检索老年人慢性病数据;
风险模型构建模块,与中央控制模块连接,用于通过构建程序构建老年人慢性病风险模型;
病症评估模块,与中央控制模块连接,用于通过评估程序根据老年人慢性病数据及风险模型对老年人健康进行评估;
复发预测模块,与中央控制模块连接,用于通过预测程序对老年人慢性病复发进行预测;
云存储模块,与中央控制模块连接,用于通过云服务器对采集的老年人慢性病数据、风险模型、检索结果、评估结果及复发预测结果进行存储;
显示模块,与中央控制模块连接,用于通过显示器显示采集的老年人慢性病数据、检索结果、评估结果及复发预测结果。
进一步,所述风险模型构建模块构建方法如下:
1)通过危险判断程序确定老年人慢性病的若干个危险因素,获得参与调查的人群含有危险因素及是否患有慢性病的医疗统计数据;
2)对老年人慢性病的若干个危险因素进行任意组合获得n种危险因素组合,其中,n为正整数;将每个危险因素组合作为关联规则中的先导X,将老年人慢性病作为关联规则中的后继Y,计算每个危险因素组合在医疗统计数据中的支持度和置信度;
3)设置最小支持度和最小置信度,在n种危险因素组合中选择出支持度和置信度在最小支持度和最小置信度以上的危险因素组合;
4)通过危险因素组合构建老年人慢性病风险模型,其为老年人慢性病与每种危险因素同时出现的概率,具体是指每种危险因素在支持度和置信度高于最小支持度和最小置信度的危险因素组合中出现的概率;
所述每种危险因素在支持度和置信度高于最小支持度和最小置信度的危险因素组合中出现的概率pi为:
pi=ni/N;
式中,pi为第i种危险因素在支持度和置信度高于最小支持度和最小置信度的危险因素组合中出现的概率;ni为第i种危险因素在支持度和置信度高于最小支持度和最小置信度的危险因素组合中出现的次数;N为支持度和置信度高于最小支持度和最小置信度的危险因素组合数。
进一步,所述复发预测模块预测方法如下:
(1)获取老年人各项数据,通过互联网系统将采集的数据传送出去;对接收的老年人各项数据进行分类汇总;
(2)获取老年人待测诊断数据;
(3)所述待测诊断数据包括有进出院时间;根据所述进出院时间,将所述待测诊断数据作为模型训练样本;
(4)采用所述模型训练样本训练所述卷积神经网络模型,得到训练后模型;所述训练后模型用于对所述待测诊断数据进行老年人慢性病复发预测。
进一步,所述获取老年人待测诊断数据,包括:
(2.1)获取老年人慢性病诊断数据;确定所述老年人慢性病诊断数据的预测影响系数;所述预测影响系数根据对所述老年人慢性病复发预测的重要程度确定;
(2.2)根据所述预测影响系数,在所述老年人慢性病诊断数据中提取有用的诊断数据,作为所述待测诊断数据。
进一步,所述进出院时间包括初次进出院时间和/或再次进出院时间;当所述进出院时间包括初次进出院时间时,所述初次进出院时间包括初次入院时间和/或初次出院时间;
当所述进出院时间包括再次进出院时间时,所述再次进出院时间包括再次入院时间和/或再次出院时间。
进一步,所述当所述进出院时间包括初次出院时间和再次入院时间时,所述根据所述进出院时间,将所述待测诊断数据作为模型训练样本,包括:
(3.1)获取所述初次出院时间和所述再次入院时间;计算所述再次入院时间与所述初次出院时间的间隔时间;
(3.2)当所述间隔时间小于365时,生成所述待测诊断数据的正标签,并且,当所述间隔时间大于等于365时,生成所述待测诊断数据的负标签;
(3.3)将所述正标签的待测诊断数据与所述负标签的待测诊断数据按预设比例,作为所述模型训练样本。
进一步,所述病症评估模块包括:
病症数据接收单元,用于接收医疗设备采集的患者病症数据;
第一隐藏层单元,用于对所采集的病症数据进行量化编码;
第二隐藏层单元,用于根据所述病症数据的量化编码,进行相关函数计算,获取对应的病因、病位、病性和病势特征分类;
症型输出层单元,用于当病症的病因、病位、病性和病势特征与预存的病症信息的一致性高于预设阈值时,输出对应症型的结果数据。
进一步,所述病症数据采集模块包括:
历史病例采集单元,用于向云存储模块发送历史病例调用请求,并接收云存储模块下发的历史病例数据信息;
实时体征数据采集单元,用于通过检测设备对老年人的实时体征数据进行采集;
数据分类单元,用于将历史病例数据和实时体征数据中的对应类别进行区分对应。
进一步,所述中央控制模块包括:
参数预设单元,用于通过外部输入设备对各个受控模块的控制参数进行预设输入;
数据接收单元,用于接收不同模块采集的数据信息;
处理单元,用于对采集的数据信息通过预设指令信息进行处理分析;
控制单元,用于根据处理结果和预设控制参数生成控制指令,并将控制指令传输到对应的受控模块进行协调控制。
进一步,所述数据编辑模块包括:
重复删减单元,用于将采集到的重复的患者生理特征数据进行删减,确保数据的每一项生理特征数据的单一性;
分类合并单元,用于将同类型的生理特征数据进行合并归类,确保生理特征数据的合理性;
压缩打包单元,用于将所有的生理特征数据压缩,确保生理特征数据传输的及时快速;
滤波放大单元,用于对不稳定的生理特征数据进行滤波放大处理,确保所有的生理特征数据均处于最佳的使用状态。
结合上述的所有技术方案,本发明所具备的优点及积极效果为:本发明通过风险模型构建模块采用通过关联规则从大量统计数据中挖掘出老年人慢性病的危险因素与老年人慢性病之间有价值的相关关系构建老年人慢性病风险模型,在老年人慢性病风险模型中,更加简明清晰地显示了老年人慢性病与各个危险因素同时发病的概率,使得人们可以在发现某个危险因素后及时有效地采取老年人慢性病的有效防治措施,而减轻老年人慢性病给社会和家庭带来的经济负担和疾病负担;同时,通过复发预测模块获取待测诊断数据,利用待测诊断数据中的进出院时间,来判断该待测诊断数据是否可作为模型训练样本,以及,在可作为模型训练样本的基础上,按照一定规则训练卷积神经网络模型,确定模型训练样本后,采用模型训练样本训练卷积神经网络模型,得到训练后模型,即可利用训练后模型对所述待测诊断数据进行老年人慢性病复发预测。采用该方法,可以解决训练样本分布不平衡的问题,进而提高老年人慢性病复发预测结果的准确性。
附图说明
图1是本发明实施例提供的基于互联网的老年人慢性病管理评估系统结构框图。
图2是本发明实施例提供的风险模型构建模块8构建方法流程图。
图3是本发明实施例提供的复发预测模块10预测方法流程图。
图4是本发明实施例提供的获取老年人待测诊断数据方法流程图。
图5是本发明实施例提供的当所述进出院时间包括初次出院时间和再次入院时间时,所述根据所述进出院时间,将所述待测诊断数据作为模型训练样本方法流程图。
图1中:1、患者身份采集模块;2、病症数据采集模块;3、中央控制模块;4、网络通信模块;5、病症数据核对模块;6、数据编辑模块;7、病症检索模块;8、风险模型构建模块;9、病症评估模块;10、复发预测模块;11、云存储模块;12、显示模块。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
针对现有技术存在的问题,本发明提供了一种基于互联网的老年人慢性病管理评估系统,下面结合附图对本发明作详细的描述。
如图1所示,本发明实施例提供的基于互联网的老年人慢性病管理评估系统包括:患者身份采集模块1、病症数据采集模块2、中央控制模块3、网络通信模块4、病症数据核对模块5、数据编辑模块6、病症检索模块7、风险模型构建模块8、病症评估模块9、复发预测模块10、云存储模块11、显示模块12。
患者身份采集模块1,与中央控制模块3连接,用于采集老年人患者身份信息;
病症数据采集模块2,与中央控制模块3连接,用于通过医疗设备采集老年人慢性病病症数据;
中央控制模块3,与患者身份采集模块1、病症数据采集模块2、网络通信模块4、病症数据核对模块5、数据编辑模块6、病症检索模块7、风险模型构建模块8、病症评估模块9、复发预测模块10、云存储模块11、显示模块12连接,用于通过处理器对采集信息进行处理,并通过处理结果和预设参数对各个受控模块进行协调控制;
网络通信模块4,与中央控制模块3连接,用于通过网络接口接入互联网进行网络通信;
病症数据核对模块5,与中央控制模块3连接,用于通过核对程序对采集的病症数据进行核对;
数据编辑模块6,与中央控制模块3连接,用于通过编辑程序对老年人慢性病数据进行增加、删除、修改等操作;
病症检索模块7,与中央控制模块3连接,用于通过检索程序检索老年人慢性病数据;
风险模型构建模块8,与中央控制模块3连接,用于通过构建程序构建老年人慢性病风险模型;
病症评估模块9,与中央控制模块3连接,用于通过评估程序根据老年人慢性病数据及风险模型对老年人健康进行评估;
复发预测模块10,与中央控制模块3连接,用于通过预测程序对老年人慢性病复发进行预测;
云存储模块11,与中央控制模块3连接,用于通过云服务器对采集的老年人慢性病数据、风险模型、检索结果、评估结果及复发预测结果进行存储;
显示模块12,与中央控制模块3连接,用于通过显示器显示采集的老年人慢性病数据、检索结果、评估结果及复发预测结果。
如图2所示,本发明提供的风险模型构建模块8构建方法如下:
S101,通过危险判断程序确定老年人慢性病的若干个危险因素,获得参与调查的人群含有危险因素及是否患有慢性病的医疗统计数据;
S102,对老年人慢性病的若干个危险因素进行任意组合获得n种危险因素组合,其中,n为正整数;将每个危险因素组合作为关联规则中的先导X,将老年人慢性病作为关联规则中的后继Y,计算每个危险因素组合在医疗统计数据中的支持度和置信度;
S103,设置最小支持度和最小置信度,在n种危险因素组合中选择出支持度和置信度在最小支持度和最小置信度以上的危险因素组合;
S104,通过危险因素组合构建老年人慢性病风险模型,其为老年人慢性病与每种危险因素同时出现的概率,具体是指每种危险因素在支持度和置信度高于最小支持度和最小置信度的危险因素组合中出现的概率;
所述每种危险因素在支持度和置信度高于最小支持度和最小置信度的危险因素组合中出现的概率pi为:
pi=ni/N;
式中,pi为第i种危险因素在支持度和置信度高于最小支持度和最小置信度的危险因素组合中出现的概率;ni为第i种危险因素在支持度和置信度高于最小支持度和最小置信度的危险因素组合中出现的次数;N为支持度和置信度高于最小支持度和最小置信度的危险因素组合数。
如图3所示,本发明提供的复发预测模块10预测方法如下:
S201,获取老年人各项数据,通过互联网系统将采集的数据传送出去;对接收的老年人各项数据进行分类汇总;
S202,获取老年人待测诊断数据;
S203,所述待测诊断数据包括有进出院时间;根据所述进出院时间,将所述待测诊断数据作为模型训练样本;
S204,采用所述模型训练样本训练所述卷积神经网络模型,得到训练后模型;所述训练后模型用于对所述待测诊断数据进行老年人慢性病复发预测。
如图4所示,本发明提供的获取老年人待测诊断数据,包括:
S301,获取老年人慢性病诊断数据;确定所述老年人慢性病诊断数据的预测影响系数;所述预测影响系数根据对所述老年人慢性病复发预测的重要程度确定;
S302,根据所述预测影响系数,在所述老年人慢性病诊断数据中提取有用的诊断数据,作为所述待测诊断数据。
本发明提供的进出院时间包括初次进出院时间和/或再次进出院时间;当所述进出院时间包括初次进出院时间时,所述初次进出院时间包括初次入院时间和/或初次出院时间;
当所述进出院时间包括再次进出院时间时,所述再次进出院时间包括再次入院时间和/或再次出院时间。
如图5所示,本发明提供的当所述进出院时间包括初次出院时间和再次入院时间时,所述根据所述进出院时间,将所述待测诊断数据作为模型训练样本,包括:
S401,获取所述初次出院时间和所述再次入院时间;计算所述再次入院时间与所述初次出院时间的间隔时间;
S402,当所述间隔时间小于365时,生成所述待测诊断数据的正标签,并且,当所述间隔时间大于等于365时,生成所述待测诊断数据的负标签;
S403,将所述正标签的待测诊断数据与所述负标签的待测诊断数据按预设比例,作为所述模型训练样本。
本发明工作时,首先,通过患者身份采集模块1采集老年人患者身份信息;通过病症数据采集模块2利用医疗设备采集老年人慢性病病症数据;其次,中央控制模块3通过网络通信模块4利用网络接口接入互联网进行网络通信;通过病症数据核对模块5利用核对程序对采集的病症数据进行核对;通过数据编辑模块6利用编辑程序对老年人慢性病数据进行增加、删除、修改等操作;通过病症检索模块7利用检索程序检索老年人慢性病数据;通过风险模型构建模块8利用构建程序构建老年人慢性病风险模型;通过病症评估模块9利用评估程序根据老年人慢性病数据及风险模型对老年人健康进行评估;通过复发预测模块10利用预测程序对老年人慢性病复发进行预测;然后,通过云存储模块11利用云服务器对采集的老年人慢性病数据、风险模型、检索结果、评估结果及复发预测结果进行存储;最后,通过显示模块12利用显示器显示采集的老年人慢性病数据、检索结果、评估结果及复发预测结果。
以上所述,仅为本发明较优的具体的实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种基于互联网的老年人慢性病管理评估系统,其特征在于,所述基于互联网的老年人慢性病管理评估系统包括:
患者身份采集模块、病症数据采集模块、中央控制模块、网络通信模块、病症数据核对模块、数据编辑模块、病症检索模块、风险模型构建模块、病症评估模块、复发预测模块、云存储模块、显示模块;
患者身份采集模块,与中央控制模块连接,用于采集老年人患者身份信息;
病症数据采集模块,与中央控制模块连接,用于通过医疗设备采集老年人慢性病病症数据;
中央控制模块,与患者身份采集模块、病症数据采集模块、网络通信模块、病症数据核对模块、数据编辑模块、病症检索模块、风险模型构建模块、病症评估模块、复发预测模块、云存储模块、显示模块连接,用于通过处理器对采集信息进行处理,并通过处理结果和预设参数对各个受控模块进行协调控制;
网络通信模块,与中央控制模块连接,用于通过网络接口接入互联网进行网络通信;
病症数据核对模块,与中央控制模块连接,用于通过核对程序对采集的病症数据进行核对;
数据编辑模块,与中央控制模块连接,用于通过编辑程序对老年人慢性病数据进行增加、删除、修改等操作;
病症检索模块,与中央控制模块连接,用于通过检索程序检索老年人慢性病数据;
风险模型构建模块,与中央控制模块连接,用于通过构建程序构建老年人慢性病风险模型;
病症评估模块,与中央控制模块连接,用于通过评估程序根据老年人慢性病数据及风险模型对老年人健康进行评估;
复发预测模块,与中央控制模块连接,用于通过预测程序对老年人慢性病复发进行预测;
云存储模块,与中央控制模块连接,用于通过云服务器对采集的老年人慢性病数据、风险模型、检索结果、评估结果及复发预测结果进行存储;
显示模块,与中央控制模块连接,用于通过显示器显示采集的老年人慢性病数据、检索结果、评估结果及复发预测结果。
2.如权利要求1所述基于互联网的老年人慢性病管理评估系统,其特征在于,所述风险模型构建模块构建方法如下:
1)通过危险判断程序确定老年人慢性病的若干个危险因素,获得参与调查的人群含有危险因素及是否患有慢性病的医疗统计数据;
2)对老年人慢性病的若干个危险因素进行任意组合获得n种危险因素组合,其中,n为正整数;将每个危险因素组合作为关联规则中的先导X,将老年人慢性病作为关联规则中的后继Y,计算每个危险因素组合在医疗统计数据中的支持度和置信度;
3)设置最小支持度和最小置信度,在n种危险因素组合中选择出支持度和置信度在最小支持度和最小置信度以上的危险因素组合;
4)通过危险因素组合构建老年人慢性病风险模型,其为老年人慢性病与每种危险因素同时出现的概率,具体是指每种危险因素在支持度和置信度高于最小支持度和最小置信度的危险因素组合中出现的概率;
所述每种危险因素在支持度和置信度高于最小支持度和最小置信度的危险因素组合中出现的概率pi为:
pi=ni/N;
式中,pi为第i种危险因素在支持度和置信度高于最小支持度和最小置信度的危险因素组合中出现的概率;ni为第i种危险因素在支持度和置信度高于最小支持度和最小置信度的危险因素组合中出现的次数;N为支持度和置信度高于最小支持度和最小置信度的危险因素组合数。
3.如权利要求1所述基于互联网的老年人慢性病管理评估系统,其特征在于,所述复发预测模块预测方法如下:
(1)获取老年人各项数据,通过互联网系统将采集的数据传送出去;对接收的老年人各项数据进行分类汇总;
(2)获取老年人待测诊断数据;
(3)所述待测诊断数据包括有进出院时间;根据所述进出院时间,将所述待测诊断数据作为模型训练样本;
(4)采用所述模型训练样本训练所述卷积神经网络模型,得到训练后模型;所述训练后模型用于对所述待测诊断数据进行老年人慢性病复发预测。
4.如权利要求3所述基于互联网的老年人慢性病管理评估系统,其特征在于,所述获取老年人待测诊断数据,包括:
(2.1)获取老年人慢性病诊断数据;确定所述老年人慢性病诊断数据的预测影响系数;所述预测影响系数根据对所述老年人慢性病复发预测的重要程度确定;
(2.2)根据所述预测影响系数,在所述老年人慢性病诊断数据中提取有用的诊断数据,作为所述待测诊断数据。
5.如权利要求3所述基于互联网的老年人慢性病管理评估系统,其特征在于,所述进出院时间包括初次进出院时间和/或再次进出院时间;当所述进出院时间包括初次进出院时间时,所述初次进出院时间包括初次入院时间和/或初次出院时间;
当所述进出院时间包括再次进出院时间时,所述再次进出院时间包括再次入院时间和/或再次出院时间。
6.如权利要求3所述基于互联网的老年人慢性病管理评估系统,其特征在于,所述当所述进出院时间包括初次出院时间和再次入院时间时,所述根据所述进出院时间,将所述待测诊断数据作为模型训练样本,包括:
(3.1)获取所述初次出院时间和所述再次入院时间;计算所述再次入院时间与所述初次出院时间的间隔时间;
(3.2)当所述间隔时间小于365时,生成所述待测诊断数据的正标签,并且,当所述间隔时间大于等于365时,生成所述待测诊断数据的负标签;
(3.3)将所述正标签的待测诊断数据与所述负标签的待测诊断数据按预设比例,作为所述模型训练样本。
7.如权利要求1所述基于互联网的老年人慢性病管理评估系统,其特征在于,所述病症评估模块包括:
病症数据接收单元,用于接收医疗设备采集的患者病症数据;
第一隐藏层单元,用于对所采集的病症数据进行量化编码;
第二隐藏层单元,用于根据所述病症数据的量化编码,进行相关函数计算,获取对应的病因、病位、病性和病势特征分类;
症型输出层单元,用于当病症的病因、病位、病性和病势特征与预存的病症信息的一致性高于预设阈值时,输出对应症型的结果数据。
8.如权利要求1所述基于互联网的老年人慢性病管理评估系统,其特征在于,所述病症数据采集模块包括:
历史病例采集单元,用于向云存储模块发送历史病例调用请求,并接收云存储模块下发的历史病例数据信息;
实时体征数据采集单元,用于通过检测设备对老年人的实时体征数据进行采集;
数据分类单元,用于将历史病例数据和实时体征数据中的对应类别进行区分对应。
9.如权利要求1所述基于互联网的老年人慢性病管理评估系统,其特征在于,所述中央控制模块包括:
参数预设单元,用于通过外部输入设备对各个受控模块的控制参数进行预设输入;
数据接收单元,用于接收不同模块采集的数据信息;
处理单元,用于对采集的数据信息通过预设指令信息进行处理分析;
控制单元,用于根据处理结果和预设控制参数生成控制指令,并将控制指令传输到对应的受控模块进行协调控制。
10.如权利要求1所述基于互联网的老年人慢性病管理评估系统,其特征在于,所述数据编辑模块包括:
重复删减单元,用于将采集到的重复的患者生理特征数据进行删减,确保数据的每一项生理特征数据的单一性;
分类合并单元,用于将同类型的生理特征数据进行合并归类,确保生理特征数据的合理性;
压缩打包单元,用于将所有的生理特征数据压缩,确保生理特征数据传输的及时快速;
滤波放大单元,用于对不稳定的生理特征数据进行滤波放大处理,确保所有的生理特征数据均处于最佳的使用状态。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010539678.2A CN111640499A (zh) | 2020-06-15 | 2020-06-15 | 一种基于互联网的老年人慢性病管理评估系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010539678.2A CN111640499A (zh) | 2020-06-15 | 2020-06-15 | 一种基于互联网的老年人慢性病管理评估系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111640499A true CN111640499A (zh) | 2020-09-08 |
Family
ID=72332611
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010539678.2A Pending CN111640499A (zh) | 2020-06-15 | 2020-06-15 | 一种基于互联网的老年人慢性病管理评估系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111640499A (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102654891A (zh) * | 2011-03-03 | 2012-09-05 | 深圳市徕康医疗信息技术有限公司 | 一种覆盖社区和家庭的健康管理系统 |
US20140108044A1 (en) * | 2012-10-12 | 2014-04-17 | Jayaram Reddy | Methods and systems for analyzing health risk score and managing healthcare cost |
CN105095673A (zh) * | 2015-08-26 | 2015-11-25 | 中国人民解放军军事医学科学院放射与辐射医学研究所 | 一种基于医疗大数据挖掘的慢性病风险模型的构建方法 |
CN105975773A (zh) * | 2016-05-05 | 2016-09-28 | 武汉哈福科技有限公司 | 一种慢性疾病健康管理系统和方法 |
CN107016438A (zh) * | 2017-04-14 | 2017-08-04 | 温川飙 | 一种基于中医辨证人工神经网络算法模型的系统 |
CN109493976A (zh) * | 2018-12-20 | 2019-03-19 | 广州天鹏计算机科技有限公司 | 基于卷积神经网络模型的慢性病复发预测方法和装置 |
CN109493975A (zh) * | 2018-12-20 | 2019-03-19 | 广州天鹏计算机科技有限公司 | 基于xgboost模型的慢性病复发预测方法、装置和计算机设备 |
CN110675927A (zh) * | 2019-09-22 | 2020-01-10 | 重庆百行智能数据科技研究院有限公司 | 一种基于大数据的病情检索方法 |
CN110729043A (zh) * | 2019-10-09 | 2020-01-24 | 深圳市中汇医疗科技有限公司 | Ar远程诊断系统 |
-
2020
- 2020-06-15 CN CN202010539678.2A patent/CN111640499A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102654891A (zh) * | 2011-03-03 | 2012-09-05 | 深圳市徕康医疗信息技术有限公司 | 一种覆盖社区和家庭的健康管理系统 |
US20140108044A1 (en) * | 2012-10-12 | 2014-04-17 | Jayaram Reddy | Methods and systems for analyzing health risk score and managing healthcare cost |
CN105095673A (zh) * | 2015-08-26 | 2015-11-25 | 中国人民解放军军事医学科学院放射与辐射医学研究所 | 一种基于医疗大数据挖掘的慢性病风险模型的构建方法 |
CN105975773A (zh) * | 2016-05-05 | 2016-09-28 | 武汉哈福科技有限公司 | 一种慢性疾病健康管理系统和方法 |
CN107016438A (zh) * | 2017-04-14 | 2017-08-04 | 温川飙 | 一种基于中医辨证人工神经网络算法模型的系统 |
CN109493976A (zh) * | 2018-12-20 | 2019-03-19 | 广州天鹏计算机科技有限公司 | 基于卷积神经网络模型的慢性病复发预测方法和装置 |
CN109493975A (zh) * | 2018-12-20 | 2019-03-19 | 广州天鹏计算机科技有限公司 | 基于xgboost模型的慢性病复发预测方法、装置和计算机设备 |
CN110675927A (zh) * | 2019-09-22 | 2020-01-10 | 重庆百行智能数据科技研究院有限公司 | 一种基于大数据的病情检索方法 |
CN110729043A (zh) * | 2019-10-09 | 2020-01-24 | 深圳市中汇医疗科技有限公司 | Ar远程诊断系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021159761A1 (zh) | 病理数据的分析方法、装置、计算机设备和存储介质 | |
KR101780807B1 (ko) | 문서 분별 시스템과 문서 분별 방법 및 문서 분별 프로그램 | |
US20180211727A1 (en) | Automated Evidence Based Identification of Medical Conditions and Evaluation of Health and Financial Benefits Of Health Management Intervention Programs | |
CN113808738B (zh) | 一种基于自识别影像的疾病识别系统 | |
CN113298373A (zh) | 一种金融风险评估方法、装置、存储介质和设备 | |
CN112117002A (zh) | 结合虚拟现实技术的新型智能化心理评估干预系统、方法 | |
CN111063448A (zh) | 输血不良反应数据库建立方法、存储系统以及主动预警系统 | |
CN113239279A (zh) | 一种基于数据分析和云计算的慢性病医疗数据采集分析管理方法及云平台 | |
CN115240803A (zh) | 模型训练方法、并发症预测方法及系统、设备和介质 | |
CN111161820B (zh) | 一种口腔健康管理系统 | |
CN111291596A (zh) | 一种基于人脸识别的预警方法及装置 | |
Skitsan et al. | Evaluation of the Informative Features of Cardiac Studies Diagnostic Data using the Kullback Method. | |
CN113223734A (zh) | 基于算法、医学影像和大数据的疾病诊断和大健康管理平台 | |
CN112967803A (zh) | 基于集成模型的急诊患者早期死亡率预测方法及系统 | |
CN111640499A (zh) | 一种基于互联网的老年人慢性病管理评估系统 | |
Santos et al. | Enabling ubiquitous data mining in intensive care-features selection and data pre-processing | |
CN114864086A (zh) | 一种基于肺功能报告模板的疾病预测方法 | |
CN114242239B (zh) | 一种vte风险监测及结果质控系统 | |
RU2723674C1 (ru) | Способ прогнозирования диагноза на основе обработки данных, содержащих медицинские знания | |
CN114550930A (zh) | 疾病预测方法、装置、设备及存储介质 | |
CN112086170A (zh) | 一种中医药大数据云服务平台的评价系统 | |
CN116052889B (zh) | 一种基于血液常规指标检测的sFLC预测系统 | |
CN117557409B (zh) | 基于物联网的智慧建筑火灾风险可视化评估管理系统 | |
AU2021102832A4 (en) | System & method for automatic health prediction using fuzzy based machine learning | |
CN117672495B (zh) | 基于人工智能的房颤合并冠心病患者远期死亡率预测方法 |
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 |