CN111739603A - 一种针对慢病人群基于标准治疗处方的实际治疗处方评判方法 - Google Patents
一种针对慢病人群基于标准治疗处方的实际治疗处方评判方法 Download PDFInfo
- Publication number
- CN111739603A CN111739603A CN202010469502.4A CN202010469502A CN111739603A CN 111739603 A CN111739603 A CN 111739603A CN 202010469502 A CN202010469502 A CN 202010469502A CN 111739603 A CN111739603 A CN 111739603A
- Authority
- CN
- China
- Prior art keywords
- patient
- standard
- treatment
- standard treatment
- actual
- 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
- 238000011272 standard treatment Methods 0.000 title claims abstract description 97
- 238000011282 treatment Methods 0.000 title claims abstract description 89
- 238000000034 method Methods 0.000 title claims abstract description 25
- 208000017667 Chronic Disease Diseases 0.000 claims abstract description 15
- 239000003814 drug Substances 0.000 claims abstract description 9
- 239000013598 vector Substances 0.000 claims description 9
- 238000011156 evaluation Methods 0.000 claims description 7
- 229940079593 drug Drugs 0.000 claims description 6
- 230000001225 therapeutic effect Effects 0.000 claims description 6
- 238000002560 therapeutic procedure Methods 0.000 claims description 6
- 238000011301 standard therapy Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 3
- 201000010099 disease Diseases 0.000 claims description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000011269 treatment regimen Methods 0.000 claims description 3
- 230000001684 chronic effect Effects 0.000 claims 1
- 206010020772 Hypertension Diseases 0.000 description 6
- 230000008569 process Effects 0.000 description 4
- 239000002220 antihypertensive agent Substances 0.000 description 3
- 229940127088 antihypertensive drug Drugs 0.000 description 3
- 230000001631 hypertensive effect Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000003064 k means clustering Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 241000282326 Felis catus Species 0.000 description 1
- 241000699670 Mus sp. Species 0.000 description 1
- 239000002671 adjuvant Substances 0.000 description 1
- 238000012550 audit Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 206010012601 diabetes mellitus Diseases 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 229940126585 therapeutic drug 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
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0283—Price estimation or determination
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- Strategic Management (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Medical Informatics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Epidemiology (AREA)
- Finance (AREA)
- Chemical & Material Sciences (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Economics (AREA)
- Medicinal Chemistry (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明公开了一种针对慢病人群基于标准治疗处方的实际治疗处方评判方法，包括，准备指定区域范围内某慢性疾病的标准治疗方案集，所述标准治疗方案集中包括至少两种标准治疗方案，每个标准治疗方案都包括具体的治疗项目以及对应的日均花费；获取该指定区域范围内该慢性疾病的每位患者在设定时间内的各个治疗项目及其对应的实际日均花费，以组成该患者的实际治疗方案；等步骤；优点是：能够得出每位患者的实际治疗处方的打分和分群，得分很低的群组可以认为是治疗处方有问题的人群，对其进行逐个研究，能够发现很多治疗使用中不规范或不合理问题，从而直接得到药品使用级别的规则。
Description
技术领域
本发明涉及治疗处方评判领域，尤其涉及一种针对慢病人群基于标准治疗处方的实际治疗处方评判方法。
背景技术
在慢性病的治疗中，治疗方案的确定往往是有一定标准和指南可以遵循的，如高血压和糖尿病的防治指南等等。除了标准的治疗指南，也可以在海量的医保结算数据中挖掘得到各地的慢性病实际治疗中较为标准的治疗处方集合。
目前，在慢病治疗的过程中，很多患者的实际治疗处方与标准治疗处方之间往往存在很大的偏差，医疗体系中的稽核系统在实际的使用过程中，往往会选择把大数据挖掘的结果固化为规则放在系统中使用，但由于现实中稽核是一个猫捉老鼠的游戏，因此需要稽核系统中规则的不断更新，目前的规则更新主要基于医学专业的人员制定，投入高且缺乏针对性。
发明内容
本发明的目的在于提供一种针对慢病人群基于标准治疗处方的实际治疗处方评判方法，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：
一种针对慢病人群基于标准治疗处方的实际治疗处方评判方法，包括如下步骤，
S1、准备指定区域范围内某慢性疾病的标准治疗方案集，所述标准治疗方案集中包括至少两种标准治疗方案，每个标准治疗方案都包括具体的治疗项目以及对应的日均花费；
S2、获取该指定区域范围内该慢性疾病的每位患者在设定时间内的各个治疗项目及其对应的实际日均花费，以组成该患者的实际治疗方案；
S3、分别计算每位患者的实际治疗方案与各所述标准治疗方案的内积，以在所述标准治疗方案集中分别查找出与每位患者的实际治疗方案最相近的标准治疗方案，并分别计算每位患者实际治疗方案和与其最相近的标准治疗方案的内积角度之比和模之比；
S4、建立每位患者所对应标准治疗方案的特征变量，所述特征变量包括最相近的标准治疗方案编号、对应的内积角度比、对应的模之比、各个治疗项目的费用占比和数量；
S5、使用步骤S4中的特征变量作为输入，通过聚类算法进行聚类，并计算每个类的特征；
S6、对聚类结果进行解释，并对每位患者进行综合的评分。
优选的，步骤S1中，慢性疾病患者在治疗中使用的项目集合为(项目1，项目2，…，项目n)，将治疗方案在n个治疗项目的维度上进行向量化，其中每个向量的维度均为n，则可获取标准治疗方案(项目1日均花费，项目2日均花费，…，项目n日均花费)，则标准治疗方案集可表征为{S1,S2,S3,…Sn}。
优选的，步骤S3中，内积计算公式为，
其中，si为标准方案集中的第i个标准治疗方案；tj为患者j的实际治疗方案。
优选的，分别计算每位患者的实际治疗方案与各所述标准治疗方案的内积，比较内积大小，以在所述标准治疗方案集中分别查找出与每位患者的实际治疗方案最相近的标准治疗方案，内积最大的标准治疗方案即为与相应患者的实际治疗方案最相近的标准治疗方案；并将每个患者对应的最接近的标准治疗方案记为sz。
优选的，步骤S3中，分别计算每位患者的实际治疗方案和与其最相近的标准治疗方案的内积角度之比和模之比，内积角度之比计算如下，
argsz/argtj＝sz·tj/|sz|·|tj|
模之比计算如下，
优选的，步骤S5中，首先需要将每位患者所对应标准治疗方案的特征变量记为行向量，将所有的行向量按列累积得到设计矩阵M＝{v1,v2,v3,…vn}，其中，vj为第j位患者的特征变量，vj按分量展开的形式为(患者j对应的标准治疗方案编号k，内积角度之比，模之比，治疗用药占比，项目数量)。
优选的，各特征变量中各个变量的解释为，标准治疗方案编号表征患者对应的标准治疗方案，内积角度之比表征患者实际治疗方案与标准治疗方案使用项目结构上的偏差，模之比表征在标准治疗方案上患者的实际治疗方案是用药量，治疗项目的费用占表征应患者的实际治疗方案是否是治疗性方案，项目数量表征基于疾病经验判断是否项目种类过多；给每个变量设定指标，若特征偏向正常，则指标为1；否则为0；得到每个特征对应的指标后，将所有指标求调和平均数以获取每位患者最后的评分；求调和平均数的计算公式为
其中，Tj为患者j对应的最后评分。
本发明的有益效果是：1、针对某种慢性疾病，通过本发明的方法得出每位患者的实际治疗处方的打分和分群，其中得分很低的群组可以认为是治疗处方有问题的人群，是实际中稽核的重点人群；对需要稽核的重点人群进行逐个研究，能够发现很多治疗使用中的不规范或不合理问题，从而能够直接得到药品使用级别的规则。2、本发明的评判方法能过作为稽核系统的更新机制，无需医疗专业人员更新稽核系统的稽核规则，节省人力。
附图说明
图1是本发明实施例中评判方法的流程示意图。
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，本实施例中提供了一种针对慢病人群基于标准治疗处方的实际治疗处方评判方法，包括如下步骤，
S1、准备指定区域范围内某慢性疾病的标准治疗方案集，所述标准治疗方案集中包括至少两种标准治疗方案，每个标准治疗方案都包括具体的治疗项目以及对应的日均花费；
S2、获取该指定区域范围内该慢性疾病的每位患者在设定时间内的各个治疗项目及其对应的实际日均花费，以组成该患者的实际治疗方案；
S3、分别计算每位患者的实际治疗方案与各所述标准治疗方案的内积，以在所述标准治疗方案集中分别查找出与每位患者的实际治疗方案最相近的标准治疗方案，并分别计算每位患者实际治疗方案和与其最相近的标准治疗方案的内积角度之比和模之比；
S4、建立每位患者所对应标准治疗方案的特征变量，所述特征变量包括最相近的标准治疗方案编号、对应的内积角度比、对应的模之比、各个治疗项目的费用占比和数量；
S5、使用步骤S4中的特征变量作为输入，通过聚类算法进行聚类，并计算每个类的特征；
S6、对聚类结果进行解释，并对每位患者进行综合的评分。
本实施例中，步骤S1中，慢性疾病患者在治疗中使用的项目集合为(项目1，项目2，…，项目n)，将治疗方案在n个治疗项目的维度上进行向量化，其中每个向量的维度均为n，则可获取标准治疗方案(项目1日均花费，项目2日均花费，…，项目n日均花费)，则标准治疗方案集可表征为{S1,S2,S3,…Sn}。
本实施例中，步骤S3中，内积计算公式为，
其中，si为标准方案集中的第i个标准治疗方案；tj为患者j的实际治疗方案。
本实施例中，分别计算每位患者的实际治疗方案与各所述标准治疗方案的内积，比较内积大小，以在所述标准治疗方案集中分别查找出与每位患者的实际治疗方案最相近的标准治疗方案，内积最大的标准治疗方案即为与相应患者的实际治疗方案最相近的标准治疗方案；并将每个患者对应的最接近的标准治疗方案记为sz。
本实施例中，步骤S3中，分别计算每位患者的实际治疗方案和与其最相近的标准治疗方案的内积角度之比和模之比，内积角度之比计算如下，
argsz/argtj＝sz·tj/|sz|·|tj|
模之比计算如下，
本实施例中，步骤S5中，首先需要将每位患者所对应标准治疗方案的特征变量记为行向量，将所有的行向量按列累积得到设计矩阵M＝{v1,v2,v3,…vn}，其中，vj为第j位患者的特征变量，vj按分量展开的形式为(患者j对应的标准治疗方案编号k，内积角度之比，模之比，治疗用药占比，项目数量)。
本实施例中，各特征变量中各个变量的解释为，标准治疗方案编号表征患者对应的标准治疗方案，内积角度之比表征患者实际治疗方案与标准治疗方案使用项目结构上的偏差，模之比表征在标准治疗方案上患者的实际治疗方案是用药量，治疗项目的费用占表征应患者的实际治疗方案是否是治疗性方案，项目数量表征基于疾病经验判断是否项目种类过多；给每个变量设定指标，若特征偏向正常，则指标为1；否则为0；(比如模为1为最正常，偏大偏小均为异常，故对于模而言指标设定为：如果模小于1，则取其值，否则取其值的倒数)得到每个特征对应的指标后，将所有指标求调和平均数以获取每位患者最后的评分；求调和平均数的计算公式为
其中，Tj为患者j对应的最后评分。
本实施例中，所述治疗性方案指的是患者使用的主要为治疗性项目(项目包含用药、检查等等，项目一般可以分为治疗性、辅助性、康复性等等)。给每个变量设定指标的给定方式不同，比如治疗用药占比这个特征，从业务上可以判断，其趋向于100％时偏向正常，趋向于0％时为异常，故指标设定为(假设实际值为x％)：x/100。特征是否趋于正常主要是根据具体业务判断。
本实施例中，获取评分后，评分高低代表对患者使用处方评价的高低，对应低分患者，一般存在处方使用问题，可以针对该部分患者进行抽样，然后配合医学判断其处方具体问题。高分患者，则表示患者使用标准治疗方案治疗效果良好。
本实施例中，步骤S5，使用步骤S4中的特征变量作为输入，使用Kmeans聚类算法进行聚类，并计算每个类的特征。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，以高血压患者为例，详细说明评判方法的使用过程：
第一步：准备高血压标准治疗方案集，标准治疗方案集中的每个标准治疗方案都包括具体的治疗项目(如药品)以及对应的日均花费；
第二步：计算某地高血压患者较长一段时间(如一年)内的每个实际治疗项目的日均花费；
第三步：通过内积计算相似性，在标准治疗方案稽核中找出每个高血压患者最相近的治疗方案，计算内积角度和模的大小之比；
第四步：建立每位高血压患者的特征变量，特征变量包括最近治疗方案编号(one-hot编码)、内积角度、模大小之比、降压药费用占比、不同降压药数量等；
第五步：使用第四步的特征变量作为输入，通过聚类算法进行聚类，计算每个类的特征；
第六步：对聚类结果进行解释，并对每位患者进行综合评分。
本实施例中，评分可根据业务常见需求设置大类评分(如药占比过低则低分，降压药数量过多则低分等等)，此外还需要有经验的业务人员根据具体的聚类结果结合该类的实际特征对类别所代表患者群进行解读。
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：
本发明提供了一种针对慢病人群基于标准治疗处方的实际治疗处方评判方法，针对某种慢性疾病，通过本发明的方法得出每位患者的实际治疗处方的打分和分群，其中得分很低的群组可以认为是治疗处方有问题的人群，是实际中稽核的重点人群；对需要稽核的重点人群进行逐个研究，能够发现很多治疗使用中的不规范或不合理问题，从而能够直接得到药品使用级别的规则。本发明的评判方法能过作为稽核系统的更新机制，无需医疗专业人员更新稽核系统的稽核规则，节省人力。
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 (7)
1.一种针对慢病人群基于标准治疗处方的实际治疗处方评判方法，其特征在于：包括如下步骤，
S1、准备指定区域范围内某慢性疾病的标准治疗方案集，所述标准治疗方案集中包括至少两种标准治疗方案，每个标准治疗方案都包括具体的治疗项目以及对应的日均花费；
S2、获取该指定区域范围内该慢性疾病的每位患者在设定时间内的各个治疗项目及其对应的实际日均花费，以组成该患者的实际治疗方案；
S3、分别计算每位患者的实际治疗方案与各所述标准治疗方案的内积，以在所述标准治疗方案集中分别查找出与每位患者的实际治疗方案最相近的标准治疗方案，并分别计算每位患者实际治疗方案和与其最相近的标准治疗方案的内积角度之比和模之比；
S4、建立每位患者所对应标准治疗方案的特征变量，所述特征变量包括最相近的标准治疗方案编号、对应的内积角度比、对应的模之比、各个治疗项目的费用占比和数量；
S5、使用步骤S4中的特征变量作为输入，通过聚类算法进行聚类，并计算每个类的特征；
S6、对聚类结果进行解释，并对每位患者进行综合的评分。
2.根据权利要求1所述的针对慢病人群基于标准治疗处方的实际治疗处方评判方法，其特征在于：步骤S1中，慢性疾病患者在治疗中使用的项目集合为(项目1，项目2，…，项目n)，将治疗方案在n个治疗项目的维度上进行向量化，其中每个向量的维度均为n，则可获取标准治疗方案(项目1日均花费，项目2日均花费，…，项目n日均花费)，则标准治疗方案集可表征为{S1,S2,S3,…Sn}。
3.根据权利要求2所述的针对慢病人群基于标准治疗处方的实际治疗处方评判方法，其特征在于：步骤S3中，内积计算公式为，
其中，si为标准方案集中的第i个标准治疗方案；tj为患者j的实际治疗方案。
4.据权利要求3所述的针对慢病人群基于标准治疗处方的实际治疗处方评判方法，其特征在于：分别计算每位患者的实际治疗方案与各所述标准治疗方案的内积，比较内积大小，以在所述标准治疗方案集中分别查找出与每位患者的实际治疗方案最相近的标准治疗方案，内积最大的标准治疗方案即为与相应患者的实际治疗方案最相近的标准治疗方案；并将每个患者对应的最接近的标准治疗方案记为sz。
5.据权利要求4所述的针对慢病人群基于标准治疗处方的实际治疗处方评判方法，其特征在于：步骤S3中，分别计算每位患者的实际治疗方案和与其最相近的标准治疗方案的内积角度之比和模之比，内积角度之比计算如下，
arg sz/argtj＝sz·tj/|sz|·|tj|
模之比计算如下，
6.据权利要求5所述的针对慢病人群基于标准治疗处方的实际治疗处方评判方法，其特征在于：步骤S5中，首先需要将每位患者所对应标准治疗方案的特征变量记为行向量，将所有的行向量按列累积得到设计矩阵M＝{v1,v2,v3,…vn}，其中，vj为第j位患者的特征变量，vj按分量展开的形式为(患者j对应的标准治疗方案编号k，内积角度之比，模之比，治疗用药占比，项目数量)。
7.据权利要求6所述的针对慢病人群基于标准治疗处方的实际治疗处方评判方法，其特征在于：各特征变量中各个变量的解释为，标准治疗方案编号表征患者对应的标准治疗方案，内积角度之比表征患者实际治疗方案与标准治疗方案使用项目结构上的偏差，模之比表征在标准治疗方案上患者的实际治疗方案是用药量，治疗项目的费用占表征应患者的实际治疗方案是否是治疗性方案，项目数量表征基于疾病经验判断是否项目种类过多；给每个变量设定指标，若特征偏向正常，则指标为1；否则为0；得到每个特征对应的指标后，将所有指标求调和平均数以获取每位患者最后的评分；求调和平均数的计算公式为
其中，Tj为患者j对应的最后评分。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010469502.4A CN111739603A (zh) | 2020-05-28 | 2020-05-28 | 一种针对慢病人群基于标准治疗处方的实际治疗处方评判方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010469502.4A CN111739603A (zh) | 2020-05-28 | 2020-05-28 | 一种针对慢病人群基于标准治疗处方的实际治疗处方评判方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111739603A true CN111739603A (zh) | 2020-10-02 |
Family
ID=72647941
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010469502.4A Pending CN111739603A (zh) | 2020-05-28 | 2020-05-28 | 一种针对慢病人群基于标准治疗处方的实际治疗处方评判方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111739603A (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108269612A (zh) * | 2018-01-12 | 2018-07-10 | 重庆至道医院管理股份有限公司 | 使用云平台进行大数据挖掘的医疗机构体验推荐系统 |
| CN109360661A (zh) * | 2018-07-12 | 2019-02-19 | 上海金仕达卫宁软件科技有限公司 | 慢性病个性化精准用药指导方法及系统 |
| CN109616216A (zh) * | 2018-11-30 | 2019-04-12 | 平安医疗健康管理股份有限公司 | 医疗费用预测方法、装置、设备及计算机可读存储介质 |
| US20200051679A1 (en) * | 2018-08-08 | 2020-02-13 | Hc1.Com Inc. | Methods and systems for a pharmacological tracking and reporting platform |
-
2020
- 2020-05-28 CN CN202010469502.4A patent/CN111739603A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108269612A (zh) * | 2018-01-12 | 2018-07-10 | 重庆至道医院管理股份有限公司 | 使用云平台进行大数据挖掘的医疗机构体验推荐系统 |
| CN109360661A (zh) * | 2018-07-12 | 2019-02-19 | 上海金仕达卫宁软件科技有限公司 | 慢性病个性化精准用药指导方法及系统 |
| US20200051679A1 (en) * | 2018-08-08 | 2020-02-13 | Hc1.Com Inc. | Methods and systems for a pharmacological tracking and reporting platform |
| CN109616216A (zh) * | 2018-11-30 | 2019-04-12 | 平安医疗健康管理股份有限公司 | 医疗费用预测方法、装置、设备及计算机可读存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20140067813A1 (en) | Parallelization of synthetic events with genetic surprisal data representing a genetic sequence of an organism | |
| US8645171B2 (en) | System and method of drug disease matching | |
| CN110570905B (zh) | 组学数据分析平台的构建方法、装置和计算机设备 | |
| US20080195600A1 (en) | Efficient method and process to search structured and unstructured patient data to match patients to clinical drug/device trials | |
| CN108597605B (zh) | 一种个人健康生活大数据采集与分析系统 | |
| US20130080425A1 (en) | Personalized Medical Treatment Provision Software | |
| WO2007067926A2 (en) | Analyzing administrative healthcare claims data and other data sources | |
| JP2003510694A (ja) | 匿名化された健康管理情報を分析するためのシステム及び方法 | |
| WO2017017554A1 (en) | Reliability measurement in data analysis of altered data sets | |
| CN110504031A (zh) | 用于健康行为干预的云端管理数据库建立方法及系统 | |
| CN112397174A (zh) | 慢性病用药指导装置和方法 | |
| WO2023240837A1 (zh) | 基于病患数据的服务包生成方法、装置、设备及存储介质 | |
| CN110610761A (zh) | 一种高血压辅诊方法和系统 | |
| CN116453643A (zh) | 一种基于大数据的用药决策辅助方法及系统 | |
| EP3899776A1 (en) | System and method for computerized synthesis of simulated health data | |
| CN110010250A (zh) | 基于数据挖掘技术的心血管疾病患者虚弱症分级方法 | |
| CN111739603A (zh) | 一种针对慢病人群基于标准治疗处方的实际治疗处方评判方法 | |
| CN117807534A (zh) | 一种中医证候归属分类方法及其数据库系统 | |
| US20130253892A1 (en) | Creating synthetic events using genetic surprisal data representing a genetic sequence of an organism with an addition of context | |
| CN113450881B (zh) | 一种用于药物虚拟筛选的分子三维相似度的打分方法 | |
| US20070106531A1 (en) | Method and process that automatically finds patients for clinical drug or device trials | |
| KR100556283B1 (ko) | 다양한 분석서비스를 제공하는 병원관리시스템 | |
| CN112270967B (zh) | 一种药物疾病匹配数据库 | |
| EP3164821A1 (en) | Methods and systems for improving drug interaction prediction and treating based on the predictions | |
| CN111785334B (zh) | 一种药物联用关键因素数据挖掘方法和系统 |
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 | ||
| AD01 | Patent right deemed abandoned |
Effective date of abandoning: 20240209 |