CN112201360A - 慢病随访记录收集方法、装置、设备及存储介质 - Google Patents
慢病随访记录收集方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN112201360A CN112201360A CN202011074729.5A CN202011074729A CN112201360A CN 112201360 A CN112201360 A CN 112201360A CN 202011074729 A CN202011074729 A CN 202011074729A CN 112201360 A CN112201360 A CN 112201360A
- Authority
- CN
- China
- Prior art keywords
- follow
- data
- chronic disease
- patient
- characteristic
- 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.)
- Granted
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
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明涉及医疗大数据技术领域,应用于智慧城市的智慧医疗领域中,揭露了一种慢病随访记录收集方法、装置、设备及存储介质,该方法包括:根据慢病数据生成慢病内容集合,并根据慢病内容集合获取慢病患者特征集合;获取慢病患者特征集合中不同患者特征对应的特征异常条件;获取预设时间内的历史随访数据,根据历史随访数据与特征异常条件训练长短期记忆网络注意力模型;根据训练后的长短期记忆网络注意力模型进行随访记录收集,获取随访记录收集结果。通过历史随访数据对长短期记忆网络注意力模型进行训练,使用训练后的模型进行随访数据收集,可以根据随访数据对患者病情进行评估和预测,便于工作人员及时确认随访信息,提高数据库的质量。
Description
技术领域
本发明涉及医疗大数据技术领域,尤其涉及一种慢病随访记录收集方法、装置、设备及存储介质。
背景技术
目前,医疗大数据已经被广泛应用于临床决策支持、药物研发等方面,但与此同时,其数据质量不高、结构化和标准化不足等问题也限制了进一步的发展和应用。数据质量不高的一个重要原因是发生在数据收集过程中。以慢病随访记录收集为例,目前常见的方法是电话随访:护士以电话形式回访入组患者,按照预先设定好的问题对患者进行依次询问,患者再根据自身实际情况进行回复,结果由护士进行记录;问卷随访:入组患者在线填写随访表,数据结果由工作人员进行整理和结构化储存。这些收集方法收集到的数据严重依赖于入组患者的主观回答、填写以及医护工作人员的记录习惯,数据质量受很多主观因素和外界因素的干扰,且一旦收集,后期在数据分析过程中,很难再对数据进行校正。
上述内容仅用于辅助理解本发明的技术方案,并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提供了一种慢病随访记录收集方法、装置、设备及存储介质,旨在解决现有技术的慢病随访记录效率低、易记录错误的技术问题。
为实现上述目的,本发明提供了一种慢病随访记录收集方法,所述方法包括:
根据慢病数据生成慢病内容集合,并根据所述慢病内容集合获取慢病患者特征集合;
获取所述慢病患者特征集合中不同患者特征对应的特征异常条件;
获取预设时间内的历史随访数据,根据所述历史随访数据与所述特征异常条件训练长短期记忆网络注意力模型;
根据训练后的长短期记忆网络注意力模型进行随访记录收集,获取随访记录收集结果。
优选地,所述根据慢病数据生成慢病内容集合,并根据所述慢病内容集合获取慢病患者特征集合的步骤,包括:
获取慢病随访过程中收集的患者慢病数据,根据所述患者慢病数据生成慢病随访表及慢病基线表;
根据所述慢病随访表与所述慢病基线表生成慢病内容集合;
根据慢病临床需求信息从所述慢病内容集合中获取慢病患者特征集合。
优选地,所述获取所述慢病患者特征集合中不同患者特征对应的特征异常条件的步骤,包括:
根据所述慢病基线表及所述慢病随访表确定所述慢病患者特征集合中各患者特征之间的特征关系;
将所述特征关系输入预设规则引擎以获取特征逻辑错误条件;
根据所述慢病基线表与所述慢病随访表确定特征预设范围条件;
将所述特征逻辑错误条件、所述特征预设范围条件作为特征异常条件。
优选地,所述获取预设时间内的历史随访数据,根据所述历史随访数据与所述特征异常条件训练长短期记忆网络注意力模型的步骤,具体包括:
根据随访记录表获取预设时间内的历史随访数据;
根据所述特征异常条件构建长短期记忆网络注意力模型;
根据所述历史随访数据对应的时间点将所述历史随访数据输入所述长短期记忆网络注意力模型中进行模型训练。
优选地,所述根据训练后的长短期记忆网络注意力模型进行随访记录收集,获取随访记录收集结果的步骤,具体包括:
根据所述随访记录表实时获取当前随访数据,并将所述当前随访数据输入训练后的长短期记忆网络注意力模型;
根据训练后的所述长短期记忆网络注意力模型的输出结果检测所述当前随访数据是否存在异常参数;
在存在所述异常参数时,判断所述异常参数是否为病情异常参数;
在所述异常参数为病情异常参数时,获取所述病情异常对应的患者的历史随访数据,根据所述当前随访数据与所述历史随访数据对所述患者进行病情分析;
将病情分析结果与所述当前随访数据作为随访记录收集结果。
优选地,所述根据训练后的所述长短期记忆网络注意力模型的输出结果检测所述当前随访数据是否存在异常参数的步骤之后,还包括:
在所述异常参数为数据异常参数时,获取所述数据异常参数对应的患者信息;
接收基于所述患者信息反馈的更正随访数据,并用所述更正随访数据替代所述数据异常对应的原始数据,以生成更正后的当前随访数据;
将更正后的当前随访数据输入训练后的长短期记忆网络注意力模型。
优选地,所述在所述异常参数为病情异常参数时,获取所述病情异常对应的患者的历史随访数据,根据所述当前随访数据与所述历史随访数据对所述患者进行病情分析的步骤,具体包括:
在所述异常参数为病情异常参数时,获取所述病情异常参数对应的患者的历史随访数据;
根据预设病情变化信息及所述历史随访数据获取患者的病情变化程度;
根据所述当前随访数据与所述病情变化程度进行病情预测,并将所述病情预测结果作为病情分析结果。
此外,为实现上述目的,本发明还提出一种慢病随访记录收集装置所述慢病随访记录收集装置包括:
集合生成模块,用于根据慢病数据生成慢病内容集合,并根据所述慢病内容集合获取慢病患者特征集合;
异常获取模块,用于获取所述慢病患者特征集合中不同患者特征对应的特征异常条件;
模型训练模块,用于获取预设时间内的历史随访数据,根据所述历史随访数据与所述特征异常条件训练长短期记忆网络注意力模型;
记录收集模块,用于根据训练后的长短期记忆网络注意力模型进行随访记录收集,获取随访记录收集结果。
此外,为实现上述目的,本发明还提出一种慢病随访记录收集设备,所述设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的慢病随访记录收集程序,所述慢病随访记录收集程序配置为实现如上文所述的慢病随访记录收集方法的步骤。
此外,为实现上述目的,本发明还提出一种存储介质,所述存储介质上存储有慢病随访记录收集程序,所述慢病随访记录收集程序被处理器执行时实现如上文所述的慢病随访记录收集方法的步骤。
本发明根据慢病数据生成慢病内容集合,并根据所述慢病内容集合获取慢病患者特征集合;获取所述慢病患者特征集合中不同患者特征对应的特征异常条件;获取预设时间内的历史随访数据,根据所述历史随访数据与所述特征异常条件训练长短期记忆网络注意力模型;根据训练后的长短期记忆网络注意力模型进行随访记录收集,获取随访记录收集结果。本发明通过历史随访数据对长短期记忆网络注意力模型进行训练,使得长短期记忆网络注意力模型能够符合收集随访数据的要求,使用训练后的长短期记忆网络注意力模型进行随访数据收集,不仅可以根据患者每次随访数据对患者病情进行评估和预测,还可以找出对病情影响较大的危险因素,便于患者及时的掌握自身身体状况,并对危险因素做出改善,更有利于个性化地预防病情恶化和并发症的发生。便于工作人员及时的向患者确认信息,提高数据库的质量。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的慢病随访记录收集设备的结构示意图;
图2为本发明慢病随访记录收集方法第一实施例的流程示意图;
图3为本发明慢病随访记录收集方法第二实施例的流程示意图;
图4为本发明慢病随访记录收集方法第三实施例的流程示意图;
图5为本发明慢病随访记录收集装置第一实施例的结构框图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
参照图1,图1为本发明实施例方案涉及的硬件运行环境的慢病随访记录收集设备结构示意图。
如图1所示,该慢病随访记录收集设备可以包括:处理器1001,例如中央处理器(Central Processing Unit,CPU),通信总线1002、用户接口1003,网络接口1004,存储器1005。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard),可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(WIreless-FIdelity,WI-FI)接口)。存储器1005可以是高速的随机存取存储器(RandomAccess Memory,RAM)存储器,也可以是稳定的非易失性存储器(Non-Volatile Memory,NVM),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解,图1中示出的结构并不构成对慢病随访记录收集设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图1所示,作为一种存储介质的存储器1005中可以包括操作系统、数据存储模块、网络通信模块、用户接口模块以及慢病随访记录收集程序。
在图1所示的慢病随访记录收集设备中,网络接口1004主要用于与网络服务器进行数据通信;用户接口1003主要用于与用户进行数据交互;本发明慢病随访记录收集设备中的处理器1001、存储器1005可以设置在慢病随访记录收集设备中,所述慢病随访记录收集设备通过处理器1001调用存储器1005中存储的慢病随访记录收集程序,并执行本发明实施例提供的慢病随访记录收集方法。
本发明实施例提供了一种慢病随访记录收集方法,参照图2,图2为本发明慢病随访记录收集方法第一实施例的流程示意图。
本实施例中,所述慢病随访记录收集方法包括以下步骤:
步骤S10:根据慢病数据生成慢病内容集合,并根据所述慢病内容集合获取慢病患者特征集合。
需要说明的是,所述慢病数据为结合临床指南、专家共识、相关文献、临床经验获取的各类慢病数据。本实施例中以房颤(即心房颤动,是最常见的持续性心律失常)为例,例如:首先获取当前慢病随访的目标患者的病症信息,根据所述病症信息得知目标患者患有房颤,搜集房颤相关的临床指南、专家共识、相关文献及临床经验等慢病数据,根据所述慢病数据获取房颤相关的特征,以生成慢病患者特征集合。
进一步地,为获得慢病患者特征集合,步骤S10具体包括:获取慢病随访过程中收集的患者慢病数据,根据所述患者慢病数据生成慢病随访表及慢病基线表;根据所述慢病随访表与所述慢病基线表生成慢病内容集合;根据慢病临床需求信息从所述慢病内容集合中获取慢病患者特征集合。
易于理解的是,所述慢病数据中对应地包含慢病需要关注的慢病内容,根据所述慢病内容进行聚类分析生成慢病基线表、随访记录表。所述慢病基线表为慢病过程中需要对患者进行记录的基础项目,例如:患者姓名年龄等个人信息、患者住院时间、患者患病时长、症状、治疗情况、疾病史、家族史、检验检查;所述随访记录表中包含各项需要通过随访进行获取的项目,例如:当前随访时间、目前的症状、当前的治疗情况、当前疗效、临床事件、检验检查等。所述慢病基线表与所述慢病随访表中的各项目的集合,即为所述慢病内容集合。
易于理解的是,慢病患者特征集合是慢病内容集合的子集合。所述慢病临床需求信息为临床上需要重点关注的患者特征,所述临床需求可以通过慢病数据进行获取。例如:以房颤为例,临床上需要重点关注房颤患者的抗凝情况,以预防脑卒中等不良事件发生,因此在随访过程中,需要重点关注的患者特征主要包括:是否服用抗凝类药物,服用何种抗凝药物(华法林/新型抗凝药),药物剂量,是否有脑卒中事件发生,是否有大出血事件发生(尤其关注是否有颅内出血事件发生),发生脑卒中事件的风险等等。因此,所述慢病患者特征集合中包含的元素可以为:患者服用的药物种类、药量、患者的历史病情事件、患者发病风险事件等。
步骤S20:获取所述慢病患者特征集合中不同患者特征对应的特征异常条件。
易于理解的是,特征异常通常具有三种情况,第一类是数据缺失异常,例如:某一项目为必填事项,但患者或随访人员未填写;第二类是数据超出正常值范围的异常,如药物剂量一般是一天服用1至3片,如果有患者填入一天服用10片或者一天服用0片,则定义为异常值;第三类是逻辑错误,例如:医师处方中并未指示患者服用某一种药物,患者却存在服用该药物的记录;患者并未服用某一种药物,但该药物的剂量却有具体数值。
进一步地,为获取特征异常条件,步骤S20具体包括:根据所述慢病基线表及所述慢病随访表确定所述慢病患者特征集合中各患者特征之间的特征关系;将所述特征关系输入预设规则引擎以获取特征逻辑错误条件;根据所述慢病基线表与所述慢病随访表确定特征预设范围条件;将所述特征逻辑错误条件、所述特征预设范围条件作为特征异常条件。
需要说明的是,对于所述特征关系,例如:患者每天服用某一药物,则出现对应的病情变化;所述病情变化与药物服用量呈关联关系。患者服用某一药物,所述某一药物与另一药物存在药性相克,不能同时服用,则某一药物与另一药物的服用量存在互斥关系。
易于理解的是,基于慢病基线表和慢病随访表的各项目的设计,将特征关系转换为计算机理解的语言,并将转换后的特征关系输入规则引擎以获取各类特征逻辑错误,根据所述特征逻辑错误生成特征逻辑错误条件。若特征之间存在互斥,则特征不满足所述特征逻辑错误条件。
易于理解的是,特征预设范围条件为特征对应的数据的值的预设范围,若数据缺失、数据超出正常值范围,则特征不满足所述特征预设范围条件,特征存在异常。
步骤S30:获取预设时间内的历史随访数据,根据所述历史随访数据与所述特征异常条件训练长短期记忆网络注意力模型。
具体实施中,所述预设时间可以为一年或半年,获取目标患者一年内的历史随访数据,根据所述历史随访数据与所述特征异常条件对长短期记忆网络注意力模型进行训练,以符合随访记录异常检测需求的长短期记忆网络注意力模型。
易于理解的是,所述长短期记忆网络注意力模型包含输入层Input、嵌入层Embedding、长短期记忆网络(Long short-term memory,LSTM)层、注意力机制(Attention)层、反击函数层Sigmoid及输出层Output。
进一步地,为对长短期记忆网络注意力模型进行训练,步骤S30具体包括:根据随访记录表获取预设时间内的历史随访数据;根据所述特征异常条件构建长短期记忆网络注意力模型;根据所述历史随访数据对应的时间点将所述历史随访数据输入所述长短期记忆网络注意力模型中进行模型训练。
具体实施中,例如:获取患者一年内的历史随访数据,至少包含一条慢病基线表数据与两条随访记录数据。将每次的随访记录数据作为所述长短期记忆网络注意力模型的一个时间点的输入,每个输入时一个N维向量,N为慢病患者特征数。所述长短期记忆网络注意力模型输出一个M维向量,M为输出的特征的概率数,代表M个病情异常情况或不良事件发生的概率。根据注意力机制的输出值可以看哪个时间点的哪个特征对输出结果的贡献度比较大,更便于知道患者在日后对进行的身体状况进行监测和进一步改善。
步骤S40:根据训练后的长短期记忆网络注意力模型进行随访记录收集,获取随访记录收集结果。
进一步地,为进行随访记录收集,步骤S40具体包括:根据所述随访记录表实时获取当前随访数据,并将所述当前随访数据输入训练后的长短期记忆网络注意力模型;根据训练后的所述长短期记忆网络注意力模型的输出结果检测所述当前随访数据是否存在异常参数;在所述异常参数为病情异常参数时,获取所述病情异常对应的患者的历史随访数据,根据所述当前随访数据与所述历史随访数据对所述患者进行病情分析;将病情分析结果与所述当前随访数据作为随访记录收集结果。
需要说明的是,根据所述随访记录表获取当前随访数据,实时对患者慢病病情进行检查,将所述当前随访数据输入训练后的长短期记忆网络注意力模型。所述输出结果为多个病情异常情况或不良事件发生的概率,一一对应多个患者特征。所述病情异常参数为患者未来多种临床时间的发生概率,例如:以房颤为例,可以为栓塞事件、出血事件、死亡事件。在某一异常参数极高,即,某一事件的概率大于预设概率时,判断该事件对应的特征存在着异常。例如:对于脂肪肝,所述患者特征可以为转氨酶对应的数值,患者的转氨酶数值上升且高于预设数值,患者存在肝硬化等并发症的风险,通过所述模型预估到患者发生肝硬化风险的概率大于预设概率,医疗人员可以根据转氨酶数值对患者对症下药,以防并发症的发生或病情恶化。
易于理解的是,利用新收集到的数据可以对模型性能进行评估,也可以优化模型以达到更优性能。
本实施例通过历史随访数据对长短期记忆网络注意力模型进行训练,使得长短期记忆网络注意力模型能够符合收集随访数据的要求,使用训练后的长短期记忆网络注意力模型进行随访数据收集,不仅可以根据患者每次随访数据对患者病情进行评估和预测,还可以找出对病情影响较大的危险因素,便于患者及时的掌握自身身体状况,并对危险因素做出改善,更有利于个性化地预防病情恶化和并发症的发生。便于工作人员及时的向患者确认信息,提高数据库的质量。
参考图3,图3为本发明慢病随访记录收集方法第二实施例的流程示意图。
基于上述第一实施例,在本实施例中,步骤S40中的所述根据训练后的所述长短期记忆网络注意力模型的输出结果检测所述当前随访数据是否存在异常参数的步骤之后,还包括:
步骤S401:在所述异常参数为数据异常参数时,获取所述数据异常参数对应的患者信息。
易于理解的是,数据异常参数包括:第一类是数据缺失异常、第二类是超出正常值范围的异常。在这种情况下,存在对数据的错误记录,需要找出对应的患者进行数据重新获取,获取到对应的患者信息时,将所述患者信息展示给对应的医疗人员或者患者本人。
步骤S402:接收基于所述患者信息反馈的更正随访数据,并用所述更正随访数据替代所述数据异常对应的原始数据,以生成更正后的当前随访数据。
易于理解的是,在医疗人员或者患者本人通过用户端发送更正随访数据后,将错误的原始数据删除,用所述更正随访数据替代所述原始数据,生成更正的当前随访数据。
步骤S403:将更正后的当前随访数据输入训练后的长短期记忆网络注意力模型。
易于理解的是,将所述更正后的当前随访数据输入到训练后的长短期记忆网络注意力模型中,基于第一实施例,执行病情分析的功能,并将当前随访数据和病情分析结果作为所述随访记录收集结果。
本实施例通过训练后的长短期记忆网络注意力模型排查随访数据中的错误数据,并及时通知相关人员对错误数据进行更正,有助于降低其误诊率和漏诊率,根据更正的数据进行病情预测分析,有助于提升病情预测分析的准确率,辅助医疗人员获得更全面的随访数据。
参考图4,图4为本发明慢病随访记录收集方法第三实施例的流程示意图。
基于上述各实施例,在本实施例中,所述步骤S40中的在所述异常参数为病情异常参数时,获取所述病情异常对应的患者的历史随访数据,根据所述当前随访数据与所述历史随访数据对所述患者进行病情分析的步骤,可细化为:
步骤S404:在所述异常参数为病情异常参数时,获取所述病情异常参数对应的患者的历史随访数据。
易于理解的是,通过当前的随访数据获得了病情异常参数,进一步地需要结合历史随访数据对患者的病情进行程度判断。
步骤S405:根据预设病情变化信息及所述历史随访数据获取患者的病情变化程度。
需要说明的是,所述病情变化程度即患者病情属于病情中的何种阶段。所述预设病情变化信息程度为根据慢病数据获取的目标慢病的常见病变阶段,根据所述历史随访数据获取患者当前的病症状态,根据所述预设病情变化信息判断所述病症状态处于何种病情变化程度。例如:以脂肪肝的常见病变程度为例,可以分为轻度脂肪肝、中度及重度。获取到的历史随访数据为患者B超显示肝部由无脂肪堆积变化为有大量的脂肪堆积,所述病症状态为大量脂肪堆积,可以判断患者当前的病情变化程度为重度脂肪肝。
步骤S406:根据所述当前随访数据与所述病情变化程度进行病情预测,并将所述病情预测结果作为病情分析结果。
易于理解的是,根据所述当前随访数据与当前病情阶段结合训练后的长短期记忆网络注意力模型的输出结果中该患者特征对应的概率,可以对病情发展进行一定的预测。将所述病情预测结果作为病情分析结果。
本实施例通过对长短期记忆网络注意力模型的输出结果进行分析,不仅可以根据患者每次随访数据对患者病情进行评估和预测,还可以找出对病情影响较大的危险因素,便于患者及时的掌握自身身体状况,并对危险因素做出改善,更有利于个性化地预防病情恶化和并发症的发生。
此外,本发明实施例还提出一种存储介质,所述存储介质上存储有慢病随访记录收集程序,所述慢病随访记录收集程序被处理器执行时实现如上文所述的慢病随访记录收集方法的步骤。
参照图5,图5为本发明慢病随访记录收集装置第一实施例的结构框图。
如图5所示,本发明实施例提出的慢病随访记录收集装置包括:
集合生成模块501,用于根据慢病数据生成慢病内容集合,并根据所述慢病内容集合获取慢病患者特征集合;
异常获取模块502,用于获取所述慢病患者特征集合中不同患者特征对应的特征异常条件;
模型训练模块503,用于获取预设时间内的历史随访数据,根据所述历史随访数据与所述特征异常条件训练长短期记忆网络注意力模型;
记录收集模块504,用于根据训练后的长短期记忆网络注意力模型进行随访记录收集,获取随访记录收集结果。
本实施例通过历史随访数据对长短期记忆网络注意力模型进行训练,使得长短期记忆网络注意力模型能够符合收集随访数据的要求,使用训练后的长短期记忆网络注意力模型进行随访数据收集,不仅可以根据患者每次随访数据对患者病情进行评估和预测,还可以找出对病情影响较大的危险因素,便于患者及时的掌握自身身体状况,并对危险因素做出改善,更有利于个性化地预防病情恶化和并发症的发生。便于工作人员及时的向患者确认信息,提高数据库的质量。
基于本发明上述慢病随访记录收集装置第一实施例,提出本发明慢病随访记录收集装置的第二实施例。
集合生成模块501,还用于获取慢病随访过程中收集的患者慢病数据,根据所述患者慢病数据生成慢病随访表及慢病基线表;根据所述慢病随访表与所述慢病基线表生成慢病内容集合;根据慢病临床需求信息从所述慢病内容集合中获取慢病患者特征集合。
进一步地,异常获取模块502,还用于根据所述慢病基线表及所述慢病随访表确定所述慢病患者特征集合中各患者特征之间的特征关系;将所述特征关系输入预设规则引擎以获取特征逻辑错误条件;根据所述慢病基线表与所述慢病随访表确定特征预设范围条件;将所述特征逻辑错误条件、所述特征预设范围条件作为特征异常条件。
进一步地,模型训练模块503,还用于根据随访记录表获取预设时间内的历史随访数据;根据所述特征异常条件构建长短期记忆网络注意力模型;根据所述历史随访数据对应的时间点将所述历史随访数据输入所述长短期记忆网络注意力模型中进行模型训练。
进一步地,记录收集模块504,还用于根据所述随访记录表实时获取当前随访数据,并将所述当前随访数据输入训练后的长短期记忆网络注意力模型;根据训练后的所述长短期记忆网络注意力模型的输出结果检测所述当前随访数据是否存在异常参数;在所述异常参数为病情异常参数时,获取所述病情异常对应的患者的历史随访数据,根据所述当前随访数据与所述历史随访数据对所述患者进行病情分析;将病情分析结果与所述当前随访数据作为随访记录收集结果。
进一步地,记录收集模块504,还用于在所述异常参数为数据异常参数时,获取所述数据异常参数对应的患者信息;接收基于所述患者信息反馈的更正随访数据,并用所述更正随访数据替代所述数据异常对应的原始数据,以生成更正后的当前随访数据;将更正后的当前随访数据输入训练后的长短期记忆网络注意力模型。
进一步地,记录收集模块504,还用于在所述异常参数为病情异常参数时,获取所述病情异常参数对应的患者的历史随访数据;根据预设病情变化信息及所述历史随访数据获取患者的病情变化程度;根据所述当前随访数据与所述病情变化程度进行病情预测,并将所述病情预测结果作为病情分析结果。
本发明慢病随访记录收集装置的其他实施例或具体实现方式可参照上述各方法实施例,此处不再赘述。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如只读存储器/随机存取存储器、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本发明各个实施例所述的慢病随访记录收集方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种慢病随访记录收集方法,其特征在于,所述慢病随访记录收集方法包括:
根据慢病数据生成慢病内容集合,并根据所述慢病内容集合获取慢病患者特征集合;
获取所述慢病患者特征集合中不同患者特征对应的特征异常条件;
获取预设时间内的历史随访数据,根据所述历史随访数据与所述特征异常条件训练长短期记忆网络注意力模型;
根据训练后的长短期记忆网络注意力模型进行随访记录收集,获取随访记录收集结果。
2.如权利要求1所述的慢病随访记录收集方法,其特征在于,所述根据慢病数据生成慢病内容集合,并根据所述慢病内容集合获取慢病患者特征集合的步骤,包括:
获取慢病随访过程中收集的患者慢病数据,根据所述患者慢病数据生成慢病随访表及慢病基线表;
根据所述慢病随访表与所述慢病基线表生成慢病内容集合;
根据慢病临床需求信息从所述慢病内容集合中获取慢病患者特征集合。
3.如权利要求2所述的慢病随访记录收集方法,其特征在于,所述获取所述慢病患者特征集合中不同患者特征对应的特征异常条件的步骤,包括:
根据所述慢病基线表及所述慢病随访表确定所述慢病患者特征集合中各患者特征之间的特征关系;
将所述特征关系输入预设规则引擎以获取特征逻辑错误条件;
根据所述慢病基线表与所述慢病随访表确定特征预设范围条件;
将所述特征逻辑错误条件、所述特征预设范围条件作为特征异常条件。
4.如权利要求3所述的慢病随访记录收集方法,其特征在于,所述获取预设时间内的历史随访数据,根据所述历史随访数据与所述特征异常条件训练长短期记忆网络注意力模型的步骤,具体包括:
根据随访记录表获取预设时间内的历史随访数据;
根据所述特征异常条件构建长短期记忆网络注意力模型;
根据所述历史随访数据对应的时间点将所述历史随访数据输入所述长短期记忆网络注意力模型中进行模型训练。
5.如权利要求4所述的慢病随访记录收集方法,其特征在于,所述根据训练后的长短期记忆网络注意力模型进行随访记录收集,获取随访记录收集结果的步骤,具体包括:
根据所述随访记录表实时获取当前随访数据,并将所述当前随访数据输入训练后的长短期记忆网络注意力模型;
根据训练后的所述长短期记忆网络注意力模型的输出结果检测所述当前随访数据是否存在异常参数;
在存在所述异常参数时,判断所述异常参数是否为病情异常参数;
在所述异常参数为病情异常参数时,获取所述病情异常对应的患者的历史随访数据,根据所述当前随访数据与所述历史随访数据对所述患者进行病情分析;
将病情分析结果与所述当前随访数据作为随访记录收集结果。
6.如权利要求5所述的慢病随访记录收集方法,其特征在于,所述根据训练后的所述长短期记忆网络注意力模型的输出结果检测所述当前随访数据是否存在异常参数的步骤之后,还包括:
在所述异常参数为数据异常参数时,获取所述数据异常参数对应的患者信息;
接收基于所述患者信息反馈的更正随访数据,并用所述更正随访数据替代所述数据异常对应的原始数据,以生成更正后的当前随访数据;
将更正后的当前随访数据输入训练后的长短期记忆网络注意力模型。
7.如权利要求5所述的慢病随访记录收集方法,其特征在于,所述在所述异常参数为病情异常参数时,获取所述病情异常对应的患者的历史随访数据,根据所述当前随访数据与所述历史随访数据对所述患者进行病情分析的步骤,具体包括:
在所述异常参数为病情异常参数时,获取所述病情异常参数对应的患者的历史随访数据;
根据预设病情变化信息及所述历史随访数据获取患者的病情变化程度;
根据所述当前随访数据与所述病情变化程度进行病情预测,并将所述病情预测结果作为病情分析结果。
8.一种慢病随访记录收集装置,其特征在于,所述慢病随访记录收集装置包括:
集合生成模块,用于根据慢病数据生成慢病内容集合,并根据所述慢病内容集合获取慢病患者特征集合;
异常获取模块,用于获取所述慢病患者特征集合中不同患者特征对应的特征异常条件;
模型训练模块,用于获取预设时间内的历史随访数据,根据所述历史随访数据与所述特征异常条件训练长短期记忆网络注意力模型;
记录收集模块,用于根据训练后的长短期记忆网络注意力模型进行随访记录收集,获取随访记录收集结果。
9.一种慢病随访记录收集设备,其特征在于,所述设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的慢病随访记录收集程序,所述慢病随访记录收集程序配置为实现如权利要求1至7中任一项所述的慢病随访记录收集方法的步骤。
10.一种存储介质,其特征在于,所述存储介质上存储有慢病随访记录收集程序,所述慢病随访记录收集程序被处理器执行时实现如权利要求1至7任一项所述的慢病随访记录收集方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011074729.5A CN112201360B (zh) | 2020-10-09 | 2020-10-09 | 慢病随访记录收集方法、装置、设备及存储介质 |
PCT/CN2020/135272 WO2021189958A1 (zh) | 2020-10-09 | 2020-12-10 | 慢病随访记录收集方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011074729.5A CN112201360B (zh) | 2020-10-09 | 2020-10-09 | 慢病随访记录收集方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112201360A true CN112201360A (zh) | 2021-01-08 |
CN112201360B CN112201360B (zh) | 2023-06-20 |
Family
ID=74013200
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011074729.5A Active CN112201360B (zh) | 2020-10-09 | 2020-10-09 | 慢病随访记录收集方法、装置、设备及存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN112201360B (zh) |
WO (1) | WO2021189958A1 (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113128359A (zh) * | 2021-03-30 | 2021-07-16 | 广州华藏民族医药生物科技开发有限公司 | 一种用于提高草本濞舒膏疗效的图像特征识别系统 |
CN113643813A (zh) * | 2021-08-30 | 2021-11-12 | 平安医疗健康管理股份有限公司 | 基于人工智能的慢病随访监管方法、装置及计算机设备 |
CN116779190A (zh) * | 2023-06-25 | 2023-09-19 | 急尼优医药科技(上海)有限公司 | 一种基于物联网的医疗平台用户随访管理系统及方法 |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP4128978A1 (en) | 2020-10-21 | 2023-02-08 | Ofinno, LLC | Downlink data of small data transmission procedure |
CN115798714B (zh) * | 2023-02-08 | 2023-05-16 | 南方医科大学南方医院 | 一种基于互联网的老年慢性病医疗判断方法及管理系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107506598A (zh) * | 2017-08-31 | 2017-12-22 | 深圳市易特科信息技术有限公司 | 基于健康检查一体机的慢病随访监控系统及方法 |
US20190198174A1 (en) * | 2017-12-22 | 2019-06-27 | International Business Machines Corporation | Patient assistant for chronic diseases and co-morbidities |
US20190287684A1 (en) * | 2018-03-16 | 2019-09-19 | Vvc Holding Corporation | Medical system interface apparatus and methods to classify and provide medical data using artificial intelligence |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107315906A (zh) * | 2017-06-01 | 2017-11-03 | 北京瑞启医药信息科技有限公司 | 基于聊天机器人实现慢性病患者自动随访的方法及系统 |
CN111524570B (zh) * | 2020-05-06 | 2024-01-16 | 万达信息股份有限公司 | 一种基于机器学习的超声随访患者筛选方法 |
-
2020
- 2020-10-09 CN CN202011074729.5A patent/CN112201360B/zh active Active
- 2020-12-10 WO PCT/CN2020/135272 patent/WO2021189958A1/zh active Application Filing
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107506598A (zh) * | 2017-08-31 | 2017-12-22 | 深圳市易特科信息技术有限公司 | 基于健康检查一体机的慢病随访监控系统及方法 |
US20190198174A1 (en) * | 2017-12-22 | 2019-06-27 | International Business Machines Corporation | Patient assistant for chronic diseases and co-morbidities |
US20190287684A1 (en) * | 2018-03-16 | 2019-09-19 | Vvc Holding Corporation | Medical system interface apparatus and methods to classify and provide medical data using artificial intelligence |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113128359A (zh) * | 2021-03-30 | 2021-07-16 | 广州华藏民族医药生物科技开发有限公司 | 一种用于提高草本濞舒膏疗效的图像特征识别系统 |
CN113128359B (zh) * | 2021-03-30 | 2021-11-16 | 广州华藏民族医药生物科技开发有限公司 | 一种用于检测草本濞舒膏疗效的图像特征识别系统 |
CN113643813A (zh) * | 2021-08-30 | 2021-11-12 | 平安医疗健康管理股份有限公司 | 基于人工智能的慢病随访监管方法、装置及计算机设备 |
CN116779190A (zh) * | 2023-06-25 | 2023-09-19 | 急尼优医药科技(上海)有限公司 | 一种基于物联网的医疗平台用户随访管理系统及方法 |
CN116779190B (zh) * | 2023-06-25 | 2024-02-13 | 急尼优医药科技(上海)有限公司 | 一种基于物联网的医疗平台用户随访管理系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112201360B (zh) | 2023-06-20 |
WO2021189958A1 (zh) | 2021-09-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112201360B (zh) | 慢病随访记录收集方法、装置、设备及存储介质 | |
CN111292821B (zh) | 一种医学诊疗系统 | |
US9081879B2 (en) | Matrix interface for medical diagnostic and treatment advice system and method | |
US8744867B2 (en) | Method for selecting a clinical treatment plan tailored to patient defined health goals | |
KR102558021B1 (ko) | 임상 의사결정 지원 앙상블 시스템 및 이를 이용한 임상 의사결정 지원 방법 | |
JP6066826B2 (ja) | 分析システム及び保健事業支援方法 | |
US7149756B1 (en) | System and method for determining the probable existence of disease | |
Adedinsewo et al. | Cardiovascular disease screening in women: leveraging artificial intelligence and digital tools | |
US20120101846A1 (en) | Computer-Implemented Method For Displaying Patient-Related Diagnoses Of Chronic Illnesses | |
Reiner | Uncovering and improving upon the inherent deficiencies of radiology reporting through data mining | |
VanHouten et al. | Machine learning for risk prediction of acute coronary syndrome | |
US8548827B2 (en) | Computer-implemented method for medical diagnosis support | |
JP2012221508A (ja) | 患者予後を予測するシステムおよびコンピュータ可読媒体 | |
Son et al. | A Data Analytics Framework for Smart Asthma Management Based on Remote Health Information Systems with Bluetooth-Enabled Personal Inhalers. | |
EP1284639B1 (en) | System and method for determining the probable existence of disease | |
JP2012128670A (ja) | 保健事業支援システム、保険事業支援装置、及び保険事業支援プログラム | |
WO2010051512A2 (en) | System for evaluating patient care outcomes | |
WO2021148967A1 (en) | A computer-implemented system and method for outputting a prediction of a probability of a hospitalization of patients with chronic obstructive pulmonary disorder | |
US20100088111A1 (en) | System and method for obtaining, processing and evaluating individual blood type and ayurvedic core constitution (prakruti) to construct a personalized health risk assessment report | |
CN103619240A (zh) | 用于确定hrv和rrv并且用来识别潜在病症发作的方法和系统 | |
US20130282405A1 (en) | Method for stepwise review of patient care | |
US20070162312A1 (en) | Physician Treatment Ordering System | |
JP7315165B2 (ja) | 診断支援システム | |
US20230060794A1 (en) | Diagnostic Tool | |
JP2000099605A (ja) | 健診情報分析サーバおよびネットワーク健康情報システム |
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 |