CN112133389A - 临床辅助决策高危自动预警方法、系统、设备和介质 - Google Patents
临床辅助决策高危自动预警方法、系统、设备和介质 Download PDFInfo
- Publication number
- CN112133389A CN112133389A CN202010807182.9A CN202010807182A CN112133389A CN 112133389 A CN112133389 A CN 112133389A CN 202010807182 A CN202010807182 A CN 202010807182A CN 112133389 A CN112133389 A CN 112133389A
- Authority
- CN
- China
- Prior art keywords
- data
- medical data
- early warning
- medical
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 201000010099 disease Diseases 0.000 claims abstract description 55
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 55
- 238000003058 natural language processing Methods 0.000 claims abstract description 11
- 238000003745 diagnosis Methods 0.000 claims description 28
- 238000007689 inspection Methods 0.000 claims description 23
- 230000015654 memory Effects 0.000 claims description 20
- 238000012545 processing Methods 0.000 claims description 19
- 238000003860 storage Methods 0.000 claims description 13
- 238000003384 imaging method Methods 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 5
- 230000000391 smoking effect Effects 0.000 claims description 5
- 102000015779 HDL Lipoproteins Human genes 0.000 claims description 4
- 108010010234 HDL Lipoproteins Proteins 0.000 claims description 4
- 230000035488 systolic blood pressure Effects 0.000 claims description 4
- 102000001554 Hemoglobins Human genes 0.000 claims description 3
- 108010054147 Hemoglobins Proteins 0.000 claims description 3
- 238000004820 blood count Methods 0.000 claims description 3
- 210000003743 erythrocyte Anatomy 0.000 claims description 3
- 238000010801 machine learning Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 150000003626 triacylglycerols Chemical class 0.000 claims description 3
- HVYWMOMLDIMFJA-DPAQBDIFSA-N cholesterol Chemical compound C1C=C2C[C@@H](O)CC[C@]2(C)[C@@H]2[C@@H]1[C@@H]1CC[C@H]([C@H](C)CCCC(C)C)[C@@]1(C)CC2 HVYWMOMLDIMFJA-DPAQBDIFSA-N 0.000 description 12
- 239000002876 beta blocker Substances 0.000 description 9
- 239000003814 drug Substances 0.000 description 9
- 229940079593 drug Drugs 0.000 description 9
- 229940097320 beta blocking agent Drugs 0.000 description 8
- 206010000891 acute myocardial infarction Diseases 0.000 description 6
- 235000012000 cholesterol Nutrition 0.000 description 6
- 238000013473 artificial intelligence Methods 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 230000034994 death Effects 0.000 description 4
- 231100000517 death Toxicity 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 208000010125 myocardial infarction Diseases 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 238000011022 operating instruction Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 102000004895 Lipoproteins Human genes 0.000 description 2
- 108090001030 Lipoproteins Proteins 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 208000019622 heart disease Diseases 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 206010002383 Angina Pectoris Diseases 0.000 description 1
- 206010008190 Cerebrovascular accident Diseases 0.000 description 1
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 206010020772 Hypertension Diseases 0.000 description 1
- 208000006011 Stroke Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 230000002490 cerebral effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010924 continuous production Methods 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 206010012601 diabetes mellitus Diseases 0.000 description 1
- 235000019800 disodium phosphate Nutrition 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000000968 medical method and process Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 210000002784 stomach Anatomy 0.000 description 1
- 230000001225 therapeutic effect Effects 0.000 description 1
- 238000012795 verification Methods 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
- 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
-
- 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
-
- 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
- G16H70/40—ICT specially adapted for the handling or processing of medical references relating to drugs, e.g. their side effects or intended usage
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Medicinal Chemistry (AREA)
- Pharmacology & Pharmacy (AREA)
- Toxicology (AREA)
- Bioethics (AREA)
- Chemical & Material Sciences (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本申请提供了一种临床辅助决策高危自动预警方法、系统、设备和介质,通过采集医疗数据;将采集到的非结构化的医疗数据经过自然语言处理模块转化为结构化的医疗数据;将结构化后的医疗数据经过不同病种的进行打分得出各病种的危机值;当任意一病种的危急值超过预警值时进行预警提醒。本申请大大缩短了医疗知识落地的时间,避免了由于医生水平参差不齐、工作马虎等原因产生的医疗差错问题。
Description
技术领域
本发明涉及数据处理技术领域,特别是涉及一种临床辅助决策高危自动预警方法、系统、设备和介质。
背景技术
一个药物的一个治疗方法,从开始被发现到最终被验证往往需要几十年的时间,其中研发时间就需要10-15年的时间,花费至少10亿美元。以β受体阻滞剂这款药物为例,它于1962年问世,但是在26年后的1988年才被科学实验室严谨的证明该药物对心绞痛的治疗是有效的,直到2005年COMMIT实验证明它可以降低AMI(心肌梗塞),这期间又是经过了17年。从它问世到写进教科书,使得全世界都可以在指南里知道一款名叫β受体阻滞剂的药物可以降低心肌梗塞的概率共经历了43年纪将近半个世纪之多,本应该它可以在这40多年的时间里可以造福更多的心肌梗塞的病人。
虽然β受体阻滞剂这款药物早在1962就已经问世,直到2001年,只有55.11%的患者被使用了它。在2006年已经在这款药物写进医学教科书和指南的1年后,使用率稍微有些提高,理论上写进教科书和指南,全世界的医生都已经知道,患者得了这个病应该使用β受体阻滞剂才对,可事实上并不是,仍有许多医生并不知道。再到2011年,使用率有所下降,可能是因为患者有某些特殊因素不适用这款药物,即使是这样,那么在2005年之后的5年时间里,教科书和指南应该普及到更多的医生了,使用率还是下降了,证明这5年时间原来不知道β受体阻滞剂可以降低心肌梗塞发生概率的那些医生还是不知道已经有这样的药物可以使用,可见这样的一个医学知识落地有多慢。在《中国中西部城市医院急性心肌梗死住院患者2001、2006、2011年β受体阻滞剂早期使用变化趋势》一文中作者指出AMI(急性心肌梗死)住院患者早期β受体阻滞剂的使用率无明显提高,仍有改善空间。如何优化β受体阻滞剂在AMI患者中的应用,缩小临床实践与循证医学证据和指南推荐之间的差距,改善患者预后,仍是一项巨大挑战。
医疗差错导致的患者死亡,是临床医护人员心知肚明但又不想说出的秘密。即便如此,近些年越来越多的人意识到了它的存在及重要性,并做了大量的相关研究。最近MartinMakary和MichaelDanie估算了医疗差错对美国每年死亡数值的影响,结果触目惊心:源于医疗差错的死亡竟然名列“探花”,每年导致约25万余人的死亡!他们呼吁更加全面地报告医疗差错,以得到更加真实可信的统计数,以便为进一步的科研及预防提供坚实的指导依据。
医疗过程是一个极其复杂的、需要多科系、广大医务人员共同协作完成的过程,其中任何一个环节出现问题都可能引发医疗差错。另一方面个别医护人员的个人素质差,工作马虎,医疗水平不高也是导致医疗差错的原因。
发明内容
鉴于以上所述现有技术的缺点,本申请的目的在于提供一种临床辅助决策高危自动预警方法、系统、设备和介质,以解决现有技术中存在的至少一个问题。
为实现上述目的及其他相关目的,本申请提供一种临床辅助决策高危自动预警方法,所述方法包括:采集医疗数据;将采集到的非结构化的医疗数据经过自然语言处理模块转化为结构化的医疗数据;将结构化后的医疗数据经过不同病种的进行打分得出各病种的危机值;当任意一病种的危急值超过预警值时进行预警提醒。
于本申请的一实施例中,所述采集医疗数据包括:当所采集的医疗数据的患者有家族史时,同时采集患者家属的医疗数据。
于本申请的一实施例中,所述医疗数据包括:医生工作站系统的患者诊疗信息、电子病例系统的历次病例、护士工作站系统的患者诊疗信息、实验室系统的检测数据、影像系统的检查数据、本次诊疗数据、历史诊疗数据、及病史数据中任意一种或多种组合。
于本申请的一实施例中,所述医生工作站系统的患者诊疗信息包括:收缩压、心率、体重指数、是否吸烟、病史、家族史中任意一种或多种组合;所述电子病例系统的历次病例包括:入院时间、出院时间、性别、年龄、及主要诊断中任意一种或多种组合;所述护士工作站系统的患者诊疗信息包括:患者三测单和/或医嘱执行情况;所述实验室系统的检测数据,包括:红细胞计数、平均血红蛋白、甘油三酯、及高密度脂蛋白中任意一种或多种组合;所述影像系统的检查数据包括:检查仪器、检查方法、检查部位、检查所见、及检查描述中任意一种或多种组合。
于本申请的一实施例中,所述预警方式包括:医生工作站系统、电子病例系统、护士工作站系统、实验室系统、及影像系统中任意一或多个的数据弹框提醒或短信通知。
于本申请的一实施例中,所述将结构化后的医疗数据经过不同病种的进行打分得出各病种的危机值包括以下任意一种或多种组合:将结构化后的医疗数据经过不同病种的量表模型多维度打分得出各病种的危机值;根据医生问诊情况及医生手动勾选问诊数据,通过多病种量表多维度打分得出各病种危机值;将结构化后的医疗数据通过AI机器学习得到的模型进行计算个病种打分得出各病种危机值。
为实现上述目的及其他相关目的,本申请提供一种临床辅助决策高危自动预警系统,所述系统包括:采集模块,用于采集医疗数据;处理模块,用于将采集到的非结构化的医疗数据经过自然语言处理模块转化为结构化的医疗数据;将结构化后的医疗数据经过不同病种的进行打分得出各病种的危机值;当任意一病种的危急值超过预警值时进行预警提醒。
为实现上述目的及其他相关目的,本申请提供一种计算机设备,所述设备包括:存储器、及处理器;所述存储器用于存储计算机指令;所述处理器运行计算机指令实现如上所述的方法。
为实现上述目的及其他相关目的,本申请提供一种计算机可读存储介质,存储有计算机指令,所述计算机指令被运行时执行如上所述的方法。
综上所述,本申请提供的一种临床辅助决策高危自动预警方法、系统、设备和介质,通过采集医疗数据;将采集到的非结构化的医疗数据经过自然语言处理模块转化为结构化的医疗数据;将结构化后的医疗数据经过不同病种的进行打分得出各病种的危机值;当任意一病种的危急值超过预警值时进行预警提醒。
具有以下有益效果:
本申请大大缩短了医疗知识落地的时间,避免了由于医生水平参差不齐、工作马虎等原因产生的医疗差错问题。
附图说明
图1显示为本申请于一实施例中临床辅助决策高危自动预警方法的流程示意图。
图2显示为本申请于一实施例中临床辅助决策高危自动预警系统的模块示意图。
图3显示为本申请于一实施例中计算机设备的结构示意图。
具体实施方式
以下通过特定的具体实例说明本申请的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本申请的其他优点与功效。本申请还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本申请的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
需要说明的是,以下实施例中所提供的图示仅以示意方式说明本申请的基本构想,虽然图式中仅显示与本申请中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制,但其实际实施时各组件的型态、数量及比例可为一种随意的改变,且其组件布局型态也可能更为复杂。
在通篇说明书中,当说某部分与另一部分“连接”时,这不仅包括“直接连接”的情形,也包括在其中间把其它元件置于其间而“间接连接”的情形。另外,当说某种部分“包括”某种构成要素时,只要没有特别相反的记载,则并非将其它构成要素,排除在外,而是意味着可以还包括其它构成要素。
其中提到的第一、第二及第三等术语是为了说明多样的部分、成分、区域、层及/或段而使用的,但并非限定于此。这些术语只用于把某部分、成分、区域、层或段区别于其它部分、成分、区域、层或段。因此,以下叙述的第一部分、成分、区域、层或段在不超出本申请范围的范围内,可以言及到第二部分、成分、区域、层或段。
再者,如同在本文中所使用的,单数形式“一”、“一个”和“该”旨在也包括复数形式,除非上下文中有相反的指示。应当进一步理解,术语“包含”、“包括”表明存在所述的特征、操作、元件、组件、项目、种类、和/或组,但不排除一个或多个其他特征、操作、元件、组件、项目、种类、和/或组的存在、出现或添加。此处使用的术语“或”和“和/或”被解释为包括性的,或意味着任一个或任何组合。因此,“A、B或C”或者“A、B和/或C”意味着“以下任一个:A;B;C;A和B;A和C;B和C;A、B和C”。仅当元件、功能或操作的组合在某些方式下内在地互相排斥时,才会出现该定义的例外。
针对以上问题,本申请提供了一种临床辅助决策高危自动预警方法、系统、设备和介质,主要从医院各个业务系统中采集数据。采集系统范围包括:医生工作站系统、电子病例系统、护士工作站系统、实验室系统、影像系统,从这些系统中采集本次诊疗数据、历史诊疗数据、病史数据,如有家族史同时采集家属历史诊疗数据,结合系统量表自动评分、手工评分及AI模型计算综合得分得出结果,如满足预警条件则在医院诊疗系统中弹出预警信息,并通过其他通讯方式如短信直接通知到医生,及时预警。此方法大大缩短了医疗知识落地的时间,避免了由于医生水平参差不齐、工作马虎等原因产生的医疗差错问题。。
如图1所示,展示为本申请于一实施例中的临床辅助决策高危自动预警方法的流程示意图。如图所示,所述方法包括:
步骤S101:采集医疗数据。
需要说明的是,目前市场的同类型方法仅仅从医生工作站系统、实验室系统中采集患者当次诊疗数据,而缺少了:
1)如有家族史的情况下患者家属的诊疗数据
利用2004-2008年基线调查数据,共纳入461 213名研究对象,男性占41.0%。自报有急性心梗、脑卒中、恶性肿瘤和糖尿病家族史的比例分别为3.1%、17.5%、16.5%和6.2%。有家族史的比例为36.5%,与无家族史者相比,有家族史者的城市人口比例和高血压患病率更高[3]。表明家族史也在健康中扮演重要角色。
2)患者的病例数据
患者的初步诊断、化验、检查、治疗、会诊及疾病的发展、转归直至最后的治疗结果都可以在病历中查询,而患者的健康是一个连续的过程,又有些疾病易复发,收集这些更能对患者做出准确的判断。
3)患者的医嘱执行情况和三测单
根据患者医嘱执行情况和三测单数据推测患者当前病情可以帮助系统更加了解现在患者所处于的病情,从而给出更合理的结果。
4)患者影像系统中的诊疗数据
现有市场上还没有通过自然语言处理模块结构化影像检查结果来进行量表计算的方法。
针对上述所缺少的数据,本申请所采集的医疗数据至少包括:医生工作站系统的患者诊疗信息、电子病例系统的历次病例、护士工作站系统的患者诊疗信息、实验室系统的检测数据、影像系统的检查数据、本次诊疗数据、历史诊疗数据、及病史数据中任意一种或多种组合。
所述医生工作站系统的患者诊疗信息至少包括:收缩压、心率、体重指数、是否吸烟、病史、家族史中任意一种或多种组合;
所述电子病例系统的历次病例至少包括:入院时间、出院时间、性别、年龄、及主要诊断中任意一种或多种组合;
所述护士工作站系统的患者诊疗信息至少包括:患者三测单和/或医嘱执行情况;
所述实验室系统的检测数据至少包括:红细胞计数、平均血红蛋白、甘油三酯、及高密度脂蛋白中任意一种或多种组合;
所述影像系统的检查数据至少包括:检查仪器、检查方法、检查部位、检查所见、及检查描述中任意一种或多种组合。
其中,所述采集医疗数据包括:当所采集的医疗数据的患者有家族史时,同时采集患者家属的医疗数据。
需要说明的是,本申请所述方法相较现有市场上采集2个维度的算法要多出至少4个维度的数据,这些数据与患者健康信息息息相关,将大大缩短了医疗知识落地的时间,避免了由于医生水平参差不齐、工作马虎等原因产生的医疗差错问题。
步骤S102:将采集到的非结构化的医疗数据经过自然语言处理模块转化为结构化的医疗数据。
于本实施例中,简单来说,就是将多种不同格式的院内数据通过预设或现有的自然语言处理模块按预定义的结构化规则清洗归纳为统一含义字段,以供将结构化后的医疗数据经过不同病种的进行打分得出各病种的危机值。
举例来说,一般一家医院中不同科室或区域所构建的数据库可能由布不同厂商搭建的,例如药房数据系统、住院系统、检查化验系统等,这些数据的数据结构以及数据的格式、命名等均有不同。本申请首先将从院方多个不同数据库中获取所有关于院内数据。
于本实施例中,然后对所获取的院内数据进行清洗,以映射为本申请预设数据模型(或数据库)所需要的数据结构,以及将院内数据的信息唯一化。举例来说,具体的清洗动作一方面针是对数据结构的统一修改,另一方面也是对多种多样的格式或命名的患者数据信息进行唯一化修改,例如,患者的一些基本信息在不同系统中可能是不同存储格式,如图片格式、文字格式。虽然院内数据中有些信息格式或命名不同,但实质信息是唯一的,例如,名字、性别、社保卡号、身份证号等信息。
步骤S103:将结构化后的医疗数据经过不同病种的进行打分得出各病种的危机值。其中,当任意一病种的危急值超过预警值时进行预警提醒。
于本申请一实施例中,所述将结构化后的医疗数据经过不同病种的进行打分得出各病种的危机值包括以下任意一种或多种组合:
A、将结构化后的医疗数据经过不同病种的量表模型多维度打分得出各病种的危机值;
B、根据医生问诊情况及医生手动勾选问诊数据,通过多病种量表多维度打分得出各病种危机值;
C、将结构化后的医疗数据通过AI机器学习得到的模型进行计算个病种打分得出各病种危机值。
需要说明的是,本申请将非结构化的影像检查结果进行结构化处理来进行量表计算,将非结构化信息结构化增加了量表计算的准确性。另外,增加了AI机器模型学习,将根据不同医生书写诊疗数据习惯更加深度的学习,使计算结果更准确。
举例来说,假设已经从各个渠道获取到的经转化的结构化的医疗数据(患者信息)如表1所示。
表1结构化的患者信息
若患者为男性,其年龄得分如下表2-1所示,其中若患者年龄<20岁或>79岁,最终结果为空值。表2-2为男性患者基于年龄对应的总胆固醇得分。表2-3为男性患者对应的吸烟得分。表2-4为男性患者对应的密度脂蛋白得分。表2-5为男性患者对应的密度脂蛋白得分。
表2-1年龄得分
年龄 | 分数 |
20-34 | -9 |
35-39 | -4 |
40-44 | 0 |
45-49 | 3 |
50-54 | 6 |
55-59 | 8 |
60-64 | 10 |
65-69 | 11 |
70-74 | 12 |
75-79 | 13 |
表2-2男性患者基于年龄的总胆固醇得分
表2-3男性患者基于年龄的总胆固醇得分
表2-4男性患者基于年龄的总胆固醇得分
表2-5男性患者基于年龄的总胆固醇得分
血压的上压指数 | 无治疗 | 有治疗 |
<120 | 0 | 0 |
120-129 | 0 | 1 |
130-139 | 1 | 2 |
140-159 | 1 | 2 |
160+ | 2 | 3 |
基于如表2-1至2-5各项指标对应的分值,可根据计算各项指标的总分打得出对应该男性患者十年内心脏病风险的最终得分。如公式为:总分=年龄得分+总胆固醇得分+吸烟得分+高密度脂蛋白得分+收缩压得分。然后依据总分可得到该男性患者十年内心脏病风险的危机值(指数)。如表2-6为总分与危急值对应关系表。
表2-6总分与危急值对应关系表
总分 | 值 |
<0 | <1% |
0 | 1% |
1 | 1% |
2 | 1% |
3 | 1% |
4 | 1% |
5 | 2% |
6 | 2% |
7 | 3% |
8 | 4% |
9 | 5% |
10 | 6% |
11 | 8% |
12 | 10% |
13 | 12% |
14 | 16% |
15 | 20% |
16 | 25% |
17或以上 | 30% |
举例来说,当对应某种病种时,若危急值超过25%或30%时则进行预警提醒。
于本实施例中,当通过多个模型计算得出的危机值,有任何一个超过预警值时都会预警,预警方式包括在医生工作站弹框提醒和短信通知等手段。
所述预警方式包括:医生工作站系统、电子病例系统、护士工作站系统、实验室系统、及影像系统中任意一或多个的数据弹框提醒或短信通知。
如图2所示,展示为本申请于一实施例中的数据库变量生产系统的模块示意图。如图所示,所述系统200包括:
采集模块201,用于采集医疗数据;
处理模块202,用于将采集到的非结构化的医疗数据经过自然语言处理模块转化为结构化的医疗数据;将结构化后的医疗数据经过不同病种的进行打分得出各病种的危机值;其中,当任意一病种的危急值超过预警值时进行预警提醒。
需要说明的是,上述系统各模块/单元之间的信息交互、执行过程等内容,由于与本申请所述方法实施例基于同一构思,其带来的技术效果与本申请方法实施例相同,具体内容可参见本申请前述所示的方法实施例中的叙述,此处不再赘述。
还需要说明的是,应理解以上系统的各个模块的划分仅仅是一种逻辑功能的划分,实际实现时可以全部或部分集成到一个物理实体上,也可以物理上分开。且这些单元可以全部以软件通过处理元件调用的形式实现;也可以全部以硬件的形式实现;还可以部分模块通过处理元件调用软件的形式实现,部分模块通过硬件的形式实现。例如,处理模块202可以为单独设立的处理元件,也可以集成在上述系统的某一个芯片中实现,此外,也可以以程序代码的形式存储于上述系统的存储器中,由上述系统的某一个处理元件调用并执行以上处理模块202的功能。其它模块的实现与之类似。此外这些模块全部或部分可以集成在一起,也可以独立实现。这里所述的处理元件可以是一种集成电路,具有信号的处理能力。在实现过程中,上述方法的各步骤或以上各个模块可以通过处理器元件中的硬件的集成逻辑电路或者软件形式的指令完成。
例如,以上这些模块可以是被配置成实施以上方法的一个或多个集成电路,例如:一个或多个特定集成电路(Application Specific Integrated Circuit,简称ASIC),或,一个或多个微处理器(digital signal processor,简称DSP),或,一个或者多个现场可编程门阵列(Field Programmable Gate Array,简称FPGA)等。再如,当以上某个模块通过处理元件调度程序代码的形式实现时,该处理元件可以是通用处理器,例如中央处理器(Central Processing Unit,简称CPU)或其它可以调用程序代码的处理器。再如,这些模块可以集成在一起,以片上系统(system-on-a-chip,简称SOC)的形式实现。
如图3所示,展示为本申请于一实施例中的计算机设备的结构示意图。如图所示,所述计算机设备300包括:存储器301、及处理器302;所述存储器301用于存储计算机指令;所述处理器302运行计算机指令实现如图1所述的方法。
在一些实施例中,所述计算机设备300中的所述存储器301的数量均可以是一或多个,所述处理器302的数量均可以是一或多个,而图3中均以一个为例。
于本申请一实施例中,所述计算机设备300中的处理器302会按照如图1所述的步骤,将一个或多个以应用程序的进程对应的指令加载到存储器301中,并由处理器302来运行存储在存储器301中的应用程序,从而实现如图1所述的方法。
所述存储器301可以包括随机存取存储器(Random Access Memory,简称RAM),也可以包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。所述存储器301存储有操作系统和操作指令、可执行模块或者数据结构,或者它们的子集,或者它们的扩展集,其中,操作指令可包括各种操作指令,用于实现各种操作。操作系统可包括各种系统程序,用于实现各种基础业务以及处理基于硬件的任务。
所述处理器302可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(Digital Signal Processing,简称DSP)、专用集成电路(Application SpecificIntegrated Circuit,简称ASIC)、现场可编程门阵列(Field-Programmable Gate Array,简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
在一些具体的应用中,所述计算机设备300的各个组件通过总线系统耦合在一起,其中总线系统除包括数据总线之外,还可以包括电源总线、控制总线和状态信号总线等。但是为了清除说明起见,在图3中将各种总线都成为总线系统。
于本申请的一实施例中,本申请提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如图1所述的方法。
在任何可能的技术细节结合层面,本申请可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质,其上载有用于使处理器实现本申请的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是(但不限于)电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身,诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序可以从计算机可读存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可读程序指令,以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本申请操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、集成电路配置数据或者以一种或多种编程语言的任意组合编写的源代码或目标代码,所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等,以及过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本申请的各个方面。
综上所述,本申请提供的一种临床辅助决策高危自动预警方法、系统、设备和介质,通过采集医疗数据;将采集到的非结构化的医疗数据经过自然语言处理模块转化为结构化的医疗数据;将结构化后的医疗数据经过不同病种的进行打分得出各病种的危机值;其中,当任意一病种的危急值超过预警值时进行预警提醒。
本申请有效克服了现有技术中的种种缺点而具高度产业利用价值。
上述实施例仅例示性说明本申请的原理及其功效,而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本申请的精神及范畴下,对上述实施例进行修饰或改变。因此,举凡所属技术领域中包含通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变,仍应由本申请的权利要求所涵盖。
Claims (9)
1.一种临床辅助决策高危自动预警方法,其特征在于,所述方法包括:
采集医疗数据;
将采集到的非结构化的医疗数据经过自然语言处理模块转化为结构化的医疗数据;
将结构化后的医疗数据经过不同病种的进行打分得出各病种的危机值;其中,当任意一病种的危急值超过预警值时进行预警提醒。
2.根据权利要求1所述的方法,其特征在于,所述采集医疗数据包括:
当所采集的医疗数据的患者有家族史时,同时采集患者家属的医疗数据。
3.根据权利要求1所述的方法,其特征在于,所述医疗数据包括:医生工作站系统的患者诊疗信息、电子病例系统的历次病例、护士工作站系统的患者诊疗信息、实验室系统的检测数据、影像系统的检查数据、本次诊疗数据、历史诊疗数据、及病史数据中任意一种或多种组合。
4.根据权利要求3所述的方法,其特征在于,
所述医生工作站系统的患者诊疗信息包括:收缩压、心率、体重指数、是否吸烟、病史、家族史中任意一种或多种组合;
所述电子病例系统的历次病例包括:入院时间、出院时间、性别、年龄、及主要诊断中任意一种或多种组合;
所述护士工作站系统的患者诊疗信息包括:患者三测单和/或医嘱执行情况;
所述实验室系统的检测数据包括:红细胞计数、平均血红蛋白、甘油三酯、及高密度脂蛋白中任意一种或多种组合;
所述影像系统的检查数据包括:检查仪器、检查方法、检查部位、检查所见、及检查描述中任意一种或多种组合。
5.根据权利要求3所述的方法,其特征在于,所述预警方式包括:医生工作站系统、电子病例系统、护士工作站系统、实验室系统、及影像系统中任意一或多个的数据弹框提醒或短信通知。
6.根据权利要求1所述的方法,其特征在于,所述将结构化后的医疗数据经过不同病种的进行打分得出各病种的危机值包括以下任意一种或多种组合:
将结构化后的医疗数据经过不同病种的量表模型多维度打分得出各病种的危机值;
根据医生问诊情况及医生手动勾选问诊数据,通过多病种量表多维度打分得出各病种危机值;
将结构化后的医疗数据通过AI机器学习得到的模型进行计算个病种打分得出各病种危机值。
7.一种临床辅助决策高危自动预警系统,其特征在于,所述系统包括:
采集模块,用于采集医疗数据;
处理模块,用于将采集到的非结构化的医疗数据经过自然语言处理模块转化为结构化的医疗数据;将结构化后的医疗数据经过不同病种的进行打分得出各病种的危机值;其中,当任意一病种的危急值超过预警值时进行预警提醒。
8.一种计算机设备,其特征在于,所述设备包括:存储器、及处理器;所述存储器用于存储计算机指令;所述处理器运行计算机指令实现如权利要求1至6中任意一项所述的方法。
9.一种计算机可读存储介质,其特征在于,存储有计算机指令,所述计算机指令被运行时执行如权利要求1至6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010807182.9A CN112133389A (zh) | 2020-08-12 | 2020-08-12 | 临床辅助决策高危自动预警方法、系统、设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010807182.9A CN112133389A (zh) | 2020-08-12 | 2020-08-12 | 临床辅助决策高危自动预警方法、系统、设备和介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112133389A true CN112133389A (zh) | 2020-12-25 |
Family
ID=73851216
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010807182.9A Pending CN112133389A (zh) | 2020-08-12 | 2020-08-12 | 临床辅助决策高危自动预警方法、系统、设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112133389A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112687389A (zh) * | 2021-01-13 | 2021-04-20 | 罗春华 | 基于5g和区块链的人工智能医疗分级就诊方法及系统 |
CN113539414A (zh) * | 2021-07-30 | 2021-10-22 | 中电药明数据科技(成都)有限公司 | 一种抗生素用药合理性预测方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018202873A1 (fr) * | 2017-05-05 | 2018-11-08 | Lasserre Gilles Henri | Système, procédé et méthode d'intelligence artificielle clinique |
CN109859837A (zh) * | 2019-01-18 | 2019-06-07 | 陈德昌 | 一种基于医疗数据的脓毒症预警方法、系统及存储介质 |
CN111144658A (zh) * | 2019-12-30 | 2020-05-12 | 医渡云(北京)技术有限公司 | 医疗风险预测方法、装置、系统、存储介质与电子设备 |
-
2020
- 2020-08-12 CN CN202010807182.9A patent/CN112133389A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018202873A1 (fr) * | 2017-05-05 | 2018-11-08 | Lasserre Gilles Henri | Système, procédé et méthode d'intelligence artificielle clinique |
CN109859837A (zh) * | 2019-01-18 | 2019-06-07 | 陈德昌 | 一种基于医疗数据的脓毒症预警方法、系统及存储介质 |
CN111144658A (zh) * | 2019-12-30 | 2020-05-12 | 医渡云(北京)技术有限公司 | 医疗风险预测方法、装置、系统、存储介质与电子设备 |
Non-Patent Citations (2)
Title |
---|
刘永斌等: "基于临床决策支持的智能化电子病历集成平台建设与实践", 《中国医院》 * |
唐子惠, 上海科学技术出版社 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112687389A (zh) * | 2021-01-13 | 2021-04-20 | 罗春华 | 基于5g和区块链的人工智能医疗分级就诊方法及系统 |
CN113539414A (zh) * | 2021-07-30 | 2021-10-22 | 中电药明数据科技(成都)有限公司 | 一种抗生素用药合理性预测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Tomines et al. | Applications of electronic health information in public health: uses, opportunities & barriers | |
CN112133389A (zh) | 临床辅助决策高危自动预警方法、系统、设备和介质 | |
WO2015071968A1 (ja) | 分析システム | |
CN112562808B (zh) | 患者画像的生成方法、装置、电子设备及存储介质 | |
Horth et al. | Use of electronic health records from a statewide health information exchange to support public health surveillance of diabetes and hypertension | |
Al-Mualemi et al. | A deep learning-based sepsis estimation scheme | |
JP2022036125A (ja) | 検査値のコンテキストによるフィルタリング | |
CN114048343A (zh) | 一种涵盖患者全病程医学影像信息的分类平台 | |
CN111383773B (zh) | 医学实体信息的处理方法、装置、存储介质及电子设备 | |
CN113505236B (zh) | 医疗知识图谱的构建方法、装置、设备及计算机可读介质 | |
Dogan | Process mining based on patient waiting time: an application in health processes | |
RU2657856C2 (ru) | Способ поэтапного обзора обслуживания пациента | |
CN114550859A (zh) | 单病种质量监测方法、系统、设备及存储介质 | |
US20120330681A1 (en) | Dynamic vital signs method and apparatus for a physichart system | |
Elmahdy et al. | A snapshot of artificial intelligence research 2019–2021: is it replacing or assisting physicians? | |
Subagja et al. | Evaluation of Big Data analytics in medical science | |
Caulker et al. | Life goes on: the resilience of maternal primary care during the Ebola outbreak in rural Sierra Leone | |
CN115101186A (zh) | 基于大数据的医院就诊信息管理方法及装置 | |
CN113035338A (zh) | 一种基于大数据的医疗数据分析平台 | |
JP2023020667A (ja) | 医療情報処理方法、医療情報処理装置およびプログラム | |
CN113782206A (zh) | 健康管理方法、装置、电子设备及计算机可读存储介质 | |
Else et al. | Data sources for pharmacoeconomic and health services research | |
CN111128330A (zh) | 电子病例报告表自动录入方法、装置以及相关设备 | |
CN113889248B (zh) | 医技检查信息处理方法、装置、设备和介质 | |
Rzońca et al. | Polycystic ovary syndrome and endometriosis as reasons for women’s admission to outpatient specialist care in Poland—a retrospective analysis |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201225 |