CN111696676A - 一种基于依从性的慢病患者筛选方法 - Google Patents
一种基于依从性的慢病患者筛选方法 Download PDFInfo
- Publication number
- CN111696676A CN111696676A CN202010470682.8A CN202010470682A CN111696676A CN 111696676 A CN111696676 A CN 111696676A CN 202010470682 A CN202010470682 A CN 202010470682A CN 111696676 A CN111696676 A CN 111696676A
- Authority
- CN
- China
- Prior art keywords
- patient
- compliance
- time
- visit
- screening method
- 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
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000012216 screening Methods 0.000 title claims abstract description 22
- 230000001684 chronic effect Effects 0.000 title claims abstract description 14
- 201000010099 disease Diseases 0.000 claims abstract description 45
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 45
- 239000003814 drug Substances 0.000 claims abstract description 26
- 229940079593 drug Drugs 0.000 claims abstract description 14
- 208000017667 Chronic Disease Diseases 0.000 claims description 24
- 230000001788 irregular Effects 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 2
- 230000000875 corresponding effect Effects 0.000 description 14
- 230000005713 exacerbation Effects 0.000 description 6
- 235000019580 granularity Nutrition 0.000 description 6
- 101100173585 Schizosaccharomyces pombe (strain 972 / ATCC 24843) fft1 gene Proteins 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- 238000003064 k means clustering Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 101150104012 TOP2 gene Proteins 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 229940126673 western medicines Drugs 0.000 description 1
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
- 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
- G16H70/00—ICT specially adapted for the handling or processing of medical references
- G16H70/20—ICT specially adapted for the handling or processing of medical references relating to practices or guidelines
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Epidemiology (AREA)
- Data Mining & Analysis (AREA)
- Bioethics (AREA)
- Biomedical Technology (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明公开了一种基于依从性的慢病患者筛选方法，所述筛选方法包括如下步骤，S1、根据患者的就诊规律性和用药规律性，建立患者的依从性描述模型；S2、根据患者的患病严重程度，建立患者的历史疾病严重性进展描述模型；S3、将患者的依从性描述模型和患者的历史疾病严重性进展描述模型作为特征变量输入聚类模型进行聚类分析，划分出不同类型的患者群。优点是：创造性地采用了对患者依从性的两方面描述模型，依从性描述和患者疾病历史描述，这两方面的描述，可以将患者的慢病历史划分为四个象限，医护人员能够根据划分情况筛选出不同情况的慢病患者，并针对不同情况的慢病患者采用相应的治疗手段。
Description
技术领域
本发明涉及慢性疾病患者筛选领域，尤其涉及一种基于依从性的慢病患者筛选方法。
背景技术
由于医疗中慢性病群体具有需要长期服药、持续治疗的特点，且患者的用药规律性对病情发展至关重要，因此，对患者的病情处于那种情况的掌握，对患者的下一步治疗手段的采用治疗方向至关重要。目前，医保和医疗数据大量增加，导致对慢病患者的病情处于那种情况的掌握非常困难而且繁琐，亟需一种更加简便的方式，对患者群进行划分，以便于对患者进行后续的分析判断。
发明内容
本发明的目的在于提供一种基于依从性的慢病患者筛选方法，从而解决现有技术中存在的前述问题。
为了实现上述目的，本发明采用的技术方案如下：
一种基于依从性的慢病患者筛选方法，所述筛选方法包括如下步骤，
S1、根据患者的就诊规律性和用药规律性，建立患者的依从性描述模型；
S2、根据患者的患病严重程度，建立患者的历史疾病严重性进展描述模型；
S3、将患者的依从性描述模型和患者的历史疾病严重性进展描述模型作为特征变量输入聚类模型进行聚类分析，划分出不同类型的患者群。
优选的，步骤S1中，所述就诊规律性是指患者每次就诊的间隔时间是否一致，每次就诊花费是否一致；若每次就诊间隔时间一致且每次就诊花费一致，则表示患者就诊规律，否则，患者就诊不规律；所述用药规律性是指在每个给定的区间内，患者用药品种是否一致，每种用药的日均花费是否一致；若在给定的区间内，患者用药品种一致且每种用药的日均花费一致，则表示患者用药规律，否则，患者用药不规律。
优选的，步骤S1具体包括，
S11、选取第一设定时间内的患者就诊数据，并从患者就诊数据中选取三个维度的每月花费；
S12、使用快速傅里叶变换算法对三个维度的每月花费进行时域序列到频域序列的转换，并将获取的各频域序列的系数作为特征变量；
S13、将系数占比最高的系数、占比高的两个系数的和，均加入特征变量中，获取特征变量集，即为患者的依从性描述模型。
优选的，所述患者就诊数据为在第一设定时间内的患者就诊的各个项目以及各个项目的花费情况；三个维度每月花费分别为每月花费、花费最高的项目类型的每月花费、花费最高的一个或两个或三个项目的每月花费。
优选的，三个维度每月花费均为时间序列，使用快速傅里叶变换算法对每个时间序列进行时域序列到频域序列的转换；转换公式为，
其中，Xk为时域序列；xn为对应的频域序列；N为序列长度。
优选的，系数占比的计算公式为，系数占比＝系数/所有系数之和。
优选的，步骤S13之后，计算三个频域序列系数对应的相关系数，若相关系数超过设定阈值，则可剔除该相关系数对应的时域序列。
优选的，相关系数的计算公式如下，
其中，X,Y为三个序列中的某两个；当相关系数大于设定阈值，则表示两个序列高度相关，则可剔除该相关系数对应的两个时域序列中的一个；所述设定阈值为0.7；Cov(X,Y)表示时域序列X、Y的协方差，Var|X|、Var|Y|分别是时域序列X、Y的方差。
优选的，所述步骤S2中患者的患病严重程度用一定时间内花费的增加来表征；具体从两个角度描述患者历史疾病严重性进展，分别为判断患者已有的慢性疾病在第二设定时间内是否加重，判断患者在第二设定时间内是否有新增慢性疾病；并将判断结果量化后整合成矩阵，即获得患者的历史疾病严重性进展描述模型。
优选的，将患者的依从性描述模型和患者的历史疾病严重性进展描述模型作为特征变量输入聚类模型进行聚类分析，并对聚类后的各类特征变量进行统计，从而获取各类的特征描述，划分出不同类型的患者群。
本发明的有益效果是：本发明创造性地采用了对患者依从性的两方面描述模型，其一是依从性描述，该方面是“因”，即患者疾病历史可能发生变化的原因；另一方面是患者疾病历史(主要是慢性病)描述，该方面是“果”；有了这两方面的描述，一个患者的慢病历史至少可以划分为四个象限(每个维度进行二分类，这是至少的情形)：1、依从性差，历史疾病有加重，该象限代表了需要重点进行管理的人群；2、依从性差，历史疾病平稳，该象限代表了可疑人群；3、依从性好，历史疾病有加重，该象限代表的需要进一步分析以确认加重原因的人群；4、依从性好，历史疾病平稳，该象限代表了正常治疗人群，需要持续跟踪；医护人员能够根据划分情况筛选出不同情况的慢病患者，并针对不同情况的慢病患者采用相应的治疗手段。
附图说明
图1是本发明实施例中患者筛选方法的流程图。
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，以下结合附图，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方式仅仅用以解释本发明，并不用于限定本发明。
如图1所示，本发明提供了一种基于依从性的慢病患者筛选方法，所述筛选方法包括如下步骤，
S1、根据患者的就诊规律性和用药规律性，建立患者的依从性描述模型；
S2、根据患者的患病严重程度，建立患者的历史疾病严重性进展描述模型；
S3、将患者的依从性描述模型和患者的历史疾病严重性进展描述模型作为特征变量输入聚类模型进行聚类分析，划分出不同类型的患者群。
本实施例中，步骤S1具体包括，
S11、选取第一设定时间内的患者就诊数据，并从患者就诊数据中选取三个维度的每月花费；
S12、使用快速傅里叶变换算法对三个维度的每月花费进行时域序列到频域序列的转换，并将获取的各频域序列的系数作为特征变量；
S13、将系数占比最高的系数、占比高的两个系数的和，均加入特征变量中，获取特征变量集，即为患者的依从性描述模型。
本实施例中，步骤S1中，所述就诊规律性是指患者每次就诊的间隔时间是否一致，每次就诊花费是否一致；若每次就诊间隔时间一致且每次就诊花费一致，则表示患者就诊规律，否则，患者就诊不规律；所述用药规律性是指在每个给定的区间内，患者用药品种是否一致，每种用药的日均花费是否一致；若在给定的区间内，患者用药品种一致且每种用药的日均花费一致，则表示患者用药规律，否则，患者用药不规律。
本实施例中，步骤S1具体包括，
S11、选取第一设定时间内的患者就诊数据，并从患者就诊数据中选取三个维度的每月花费；
S12、使用快速傅里叶变换算法对三个维度的每月花费进行时域序列到频域序列的转换，并将获取的各频域序列的系数作为特征变量；
S13、将系数占比最高的系数、占比高的两个系数的和，均加入特征变量中，获取特征变量集，即为患者的依从性描述模型。系数占比的计算公式为，系数占比＝系数/所有系数之和。
本实施例中，所述患者就诊数据为在第一设定时间内的患者就诊的各个项目以及各个项目的花费情况；三个维度每月花费分别为每月花费、花费最高的项目类型的每月花费、花费最高的一个或两个或三个项目的每月花费。
本实施例中，三个维度每月花费均为时间序列，使用快速傅里叶变换算法对每个时间序列进行时域序列到频域序列的转换；转换公式为，
其中，Xk为时域序列；xn为对应的频域序列；N为序列长度。
本实施例中，步骤S13之后，计算三个频域序列系数对应的相关系数，若相关系数超过设定阈值，则可剔除该相关系数对应的时域序列。相关系数的计算公式如下，
其中，X,Y为三个序列中的某两个；当相关系数大于设定阈值，则表示两个序列高度相关，则可剔除该相关系数对应的时域序列，一般选择剔除CV值较小的时域序列；所述设定阈值为0.7；Cov(X,Y)表示时域序列X、Y的协方差，Var|X|、 Var|Y|分别是时域序列X、Y的方差。各个时域序列的CV值一般通过公式
计算求得，其中，E(X)表示时域序列X的期望值；Var|X|表示时域序列X的方差。
本实施例中，依从性描述模型主要将依从性等价于规律性，即就诊规律性和用药规律性。由于本质上来讲，每一位患者的就诊属于一个时间序列，因此，采用FFT(快速傅里叶变换)的方法将时序序列转换为频域序列，因为变换后频域分量的单一性(即单一频率的占比高低)可以很好的描述时间序列的周期性 (即规律性)，所以该方法方便地将一个时间序列的描述转化为1至2个分量的描述。
具体操作时，取1-2年数据主要选取3个维度(不同颗粒度)进行建模：1) 每月花费，2)花费最高的项目类型(如西药)的每月花费，3)花费最高的1-3 个项目的每月花费。以上每个维度的每月花费均为时间序列，使用FFT(快速傅里叶变换)算法对每个时间序列进行到频域的转换。
取转换得到的每个系数(频域序列)作为特征变量，并计算每个序列变换后的系数占比最高的一个、以及最高的两个系数的和加入特征变量。如此得到每种颗粒度下的特征变量集(FFT变换系数，最高权重系数，top2权重系数和)，计算三种颗粒度下各系数的相关系数，如果三种颗粒度下对应系数(比如每月花费的FFT1系数与最重要项目类型每月花费的FFT1系数)相关性很高则可以抛弃相关性高的颗粒度中的一个(比如若月花费FFT与最重要项目类型月花费FFT 相关性很高，则可以抛弃其中一个)。
本实施例中，步骤S2中患者的患病严重程度用一定时间内花费的增加来表征；具体从两个角度描述患者历史疾病严重性进展，分别为判断患者已有的慢性疾病在第二设定时间内是否加重，判断患者在第二设定时间内是否有新增慢性疾病；并将判断结果量化后整合成矩阵，即获得患者的历史疾病严重性进展描述模型。其中前者以已有慢性病最近一年花费在上一年花费基础上的增长率来进行量化，而后者以最近一年慢性病个数-上一年慢性病个数进行量化。模型最后以矩阵描述，行代表患者，列为以上两个描述角度对应的量化值。
本实施例中，将患者的依从性描述模型和患者的历史疾病严重性进展描述模型作为特征变量输入聚类模型进行聚类分析，并对聚类后的各类特征变量进行统计，从而获取各类的特征描述，划分出不同类型的患者群。
具体操作中，由于依从性描述模型和历史疾病严重性进展描述模型均为以患者为维度进行汇总的矩阵，因此将两个矩阵拼接即为输入。聚类时可试用不同的聚类算法。对聚类后各类中的特征变量进行统计，从而可以得到各类的特征描述，以完成对人群的划分。其中聚类分析时可以从目前常用的聚类算法中选取，本发明由于数据量大，因此，使用Kmeans聚类算法进行聚类。聚类得到的各类的特点可以通过其类中的各特征均值进行反映。一般如果特征主要集中在傅里叶系数的最低两个(0和1分量)分量中，则可以认为该类对应的患者群依从性较好。
本实施例中，k均值聚类算法(k-means clustering algorithm)是一种迭代求解的聚类分析算法，其步骤是，预将数据分为K组，则随机选取K个对象作为初始的聚类中心，然后计算每个对象与各个种子聚类中心之间的距离，把每个对象分配给距离它最近的聚类中心。聚类中心以及分配给它们的对象就代表一个聚类。每分配一个样本，聚类的聚类中心会根据聚类中现有的对象被重新计算。这个过程将不断重复直到满足某个终止条件。终止条件可以是没有(或最小数目)对象被重新分配给不同的聚类，没有(或最小数目)聚类中心再发生变化，误差平方和局部最小。
本实施例中，通过上述方法可将患者的慢病历史至少可以划分为四个象限 (每个维度进行二分类，这是至少的情形)：1、依从性差，历史疾病有加重，该象限代表了需要重点进行管理的人群；2、依从性差，历史疾病平稳，该象限代表了可疑人群；3、依从性好，历史疾病有加重，该象限代表的需要进一步分析以确认加重原因的人群；4、依从性好，历史疾病平稳，该象限代表了正常治疗人群，需要持续跟踪。医护人员能够根据划分情况筛选出不同情况的慢病患者，并针对不同情况的慢病患者采用相应的治疗手段。
通过采用本发明公开的上述技术方案，得到了如下有益的效果：
本发明提供了一种基于依从性的慢病患者筛选方法，本发明创造性地采用了对患者依从性的两方面描述模型，其一是依从性描述，该方面是“因”，即患者疾病历史可能发生变化的原因；另一方面是患者疾病历史(主要是慢性病) 描述，该方面是“果”；有了这两方面的描述，一个患者的慢病历史至少可以划分为四个象限(每个维度进行二分类，这是至少的情形)：1、依从性差，历史疾病有加重，该象限代表了需要重点进行管理的人群；2、依从性差，历史疾病平稳，该象限代表了可疑人群；3、依从性好，历史疾病有加重，该象限代表的需要进一步分析以确认加重原因的人群；4、依从性好，历史疾病平稳，该象限代表了正常治疗人群，需要持续跟踪；医护人员能够根据划分情况筛选出不同情况的慢病患者，并针对不同情况的慢病患者采用相应的治疗手段。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视本发明的保护范围。
Claims (10)
1.一种基于依从性的慢病患者筛选方法，其特征在于：所述筛选方法包括如下步骤，
S1、根据患者的就诊规律性和用药规律性，建立患者的依从性描述模型；
S2、根据患者的患病严重程度，建立患者的历史疾病严重性进展描述模型；
S3、将患者的依从性描述模型和患者的历史疾病严重性进展描述模型作为特征变量输入聚类模型进行聚类分析，划分出不同类型的患者群。
2.根据权利要求1所述的基于依从性的慢病患者筛选方法，其特征在于：步骤S1中，所述就诊规律性是指患者每次就诊的间隔时间是否一致，每次就诊花费是否一致；若每次就诊间隔时间一致且每次就诊花费一致，则表示患者就诊规律，否则，患者就诊不规律；所述用药规律性是指在每个给定的区间内，患者用药品种是否一致，每种用药的日均花费是否一致；若在给定的区间内，患者用药品种一致且每种用药的日均花费一致，则表示患者用药规律，否则，患者用药不规律。
3.根据权利要求2所述的基于依从性的慢病患者筛选方法，其特征在于：步骤S1具体包括，
S11、选取第一设定时间内的患者就诊数据，并从患者就诊数据中选取三个维度的每月花费；
S12、使用快速傅里叶变换算法对三个维度的每月花费进行时域序列到频域序列的转换，并将获取的各频域序列的系数作为特征变量；
S13、将系数占比最高的系数、占比高的两个系数的和，均加入特征变量中，获取特征变量集，即为患者的依从性描述模型。
4.根据权利要求3所述的基于依从性的慢病患者筛选方法，其特征在于：所述患者就诊数据为在第一设定时间内的患者就诊的各个项目以及各个项目的花费情况；三个维度每月花费分别为每月花费、花费最高的项目类型的每月花费、花费最高的一个或两个或三个项目的每月花费。
5.根据权利要求4所述的基于依从性的慢病患者筛选方法，其特征在于：三个维度每月花费均为时间序列，使用快速傅里叶变换算法对每个时间序列进行时域序列到频域序列的转换；转换公式为，
其中，Xk为时域序列；xn为对应的频域序列；N为序列长度。
6.根据权利要求5所述的基于依从性的慢病患者筛选方法，其特征在于：系数占比的计算公式为，系数占比＝系数/所有系数之和。
7.根据权利要求6所述的基于依从性的慢病患者筛选方法，其特征在于：步骤S13之后，计算三个频域序列系数对应的相关系数，若相关系数超过设定阈值，则可剔除该相关系数对应的时域序列。
8.根据权利要求7所述的基于依从性的慢病患者筛选方法，其特征在于：相关系数的计算公式如下，
其中，X,Y为三个序列中的某两个；当相关系数大于设定阈值，则表示两个序列高度相关，则可剔除该相关系数对应的两个时域序列中的一个；所述设定阈值为0.7；Cov(X,Y)表示时域序列X、Y的协方差，Var|X|、Var|Y|分别是时域序列X、Y的方差。
9.根据权利要求8所述的基于依从性的慢病患者筛选方法，其特征在于：所述步骤S2中患者的患病严重程度用一定时间内花费的增加来表征；具体从两个角度描述患者历史疾病严重性进展，分别为判断患者已有的慢性疾病在第二设定时间内是否加重，判断患者在第二设定时间内是否有新增慢性疾病；并将判断结果量化后整合成矩阵，即获得患者的历史疾病严重性进展描述模型。
10.根据权利要求9所述的基于依从性的慢病患者筛选方法，其特征在于：将患者的依从性描述模型和患者的历史疾病严重性进展描述模型作为特征变量输入聚类模型进行聚类分析，并对聚类后的各类特征变量进行统计，从而获取各类的特征描述，划分出不同类型的患者群。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010470682.8A CN111696676A (zh) | 2020-05-28 | 2020-05-28 | 一种基于依从性的慢病患者筛选方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010470682.8A CN111696676A (zh) | 2020-05-28 | 2020-05-28 | 一种基于依从性的慢病患者筛选方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111696676A true CN111696676A (zh) | 2020-09-22 |
Family
ID=72478566
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010470682.8A Pending CN111696676A (zh) | 2020-05-28 | 2020-05-28 | 一种基于依从性的慢病患者筛选方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111696676A (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6578003B1 (en) * | 1997-07-31 | 2003-06-10 | Schering Corporation | Method and apparatus for improving patient compliance with prescriptions |
| CN105706096A (zh) * | 2013-10-25 | 2016-06-22 | 阿瑞斯贸易股份公司 | 报告对处置方案的依从性的患者护理系统 |
| CN107391941A (zh) * | 2017-07-26 | 2017-11-24 | 上海科瓴医疗科技有限公司 | 一种提高用药依从性的方法和系统 |
| CN107705858A (zh) * | 2017-10-25 | 2018-02-16 | 上海林康医疗信息技术有限公司 | 一种慢病患者自我管理的系统 |
| CN110134672A (zh) * | 2019-04-12 | 2019-08-16 | 浙江大学 | 一种用于高血压药物治疗价格敏感度的识别方法及装置 |
| CN110504031A (zh) * | 2019-08-28 | 2019-11-26 | 首都医科大学 | 用于健康行为干预的云端管理数据库建立方法及系统 |
| 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 |
-
2020
- 2020-05-28 CN CN202010470682.8A patent/CN111696676A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6578003B1 (en) * | 1997-07-31 | 2003-06-10 | Schering Corporation | Method and apparatus for improving patient compliance with prescriptions |
| CN105706096A (zh) * | 2013-10-25 | 2016-06-22 | 阿瑞斯贸易股份公司 | 报告对处置方案的依从性的患者护理系统 |
| CN107391941A (zh) * | 2017-07-26 | 2017-11-24 | 上海科瓴医疗科技有限公司 | 一种提高用药依从性的方法和系统 |
| CN107705858A (zh) * | 2017-10-25 | 2018-02-16 | 上海林康医疗信息技术有限公司 | 一种慢病患者自我管理的系统 |
| CN110134672A (zh) * | 2019-04-12 | 2019-08-16 | 浙江大学 | 一种用于高血压药物治疗价格敏感度的识别方法及装置 |
| CN110504031A (zh) * | 2019-08-28 | 2019-11-26 | 首都医科大学 | 用于健康行为干预的云端管理数据库建立方法及系统 |
| 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 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111696660B (zh) | 基于人工智能的患者分群方法、装置、设备及存储介质 | |
| CN108597605B (zh) | 一种个人健康生活大数据采集与分析系统 | |
| CN109558936A (zh) | 异常判定方法和程序 | |
| CN109243620B (zh) | 基于血药浓度监测的药效优化方法及装置 | |
| CN110141226A (zh) | 自动睡眠分期方法、装置、计算机设备及计算机存储介质 | |
| CN111000553A (zh) | 一种基于投票集成学习的心电数据智能分类方法 | |
| Xu et al. | Analysis of financial time series using multiscale entropy based on skewness and kurtosis | |
| Xie et al. | Age patterns of marital fertility: Revising the Coale–Trussell method | |
| CN117542536A (zh) | 一种基于体检数据的智能护理方法及系统 | |
| CN116831523A (zh) | 基于健康监测的报警方法、装置、设备及存储介质 | |
| CN109492885B (zh) | 医保风险项目分析方法装置、终端及可读介质 | |
| CN111046882A (zh) | 基于剖面隐式马尔科夫模型的疾病名称标准化方法和系统 | |
| CN111696676A (zh) | 一种基于依从性的慢病患者筛选方法 | |
| CN117437271A (zh) | 基于人工智能的三维目标测量方法 | |
| CN111339294A (zh) | 客户数据分类方法、装置及电子设备 | |
| US20220358417A1 (en) | FEDERATED LEARNING METHOD FOR k-means CLUSTERING ALGORITHM | |
| CN111506624A (zh) | 一种电力缺失数据辨识方法和相关装置 | |
| CN112700275B (zh) | 基于大数据的产品生产方法及平台 | |
| CN107564588B (zh) | 一种生理健康数据预测装置 | |
| Johnston et al. | Applications of GEE methodology using the SAS system | |
| CN114444563A (zh) | 一种异常医疗费用的检测方法、装置及存储介质 | |
| CN114424934A (zh) | 呼吸暂停事件筛查模型训练方法、装置和计算机设备 | |
| Sugara et al. | Book Data Grouping in the Library Using the K-Means Clustering Method | |
| CN113593698A (zh) | 一种基于图注意网络的中医证型识别方法 | |
| CA2456943A1 (en) | System and method for creating data links between diagnostic information and prescription information records |
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 | ||
| AD01 | Patent right deemed abandoned |
Effective date of abandoning: 20231229 |
|
| AD01 | Patent right deemed abandoned |