CN112205965B - 基于时间窗口切割的健康风险关键事件检测方法及系统 - Google Patents

基于时间窗口切割的健康风险关键事件检测方法及系统 Download PDF

Info

Publication number
CN112205965B
CN112205965B CN202010884840.4A CN202010884840A CN112205965B CN 112205965 B CN112205965 B CN 112205965B CN 202010884840 A CN202010884840 A CN 202010884840A CN 112205965 B CN112205965 B CN 112205965B
Authority
CN
China
Prior art keywords
index
physiological
important
risk
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.)
Active
Application number
CN202010884840.4A
Other languages
English (en)
Other versions
CN112205965A (zh
Inventor
王亚沙
马连韬
余志浩
焦贤锋
周佳慧
马辛宇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Peking University
Original Assignee
Peking University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Peking University filed Critical Peking University
Priority to CN202010884840.4A priority Critical patent/CN112205965B/zh
Publication of CN112205965A publication Critical patent/CN112205965A/zh
Application granted granted Critical
Publication of CN112205965B publication Critical patent/CN112205965B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7285—Specific aspects of physiological measurement analysis for synchronising or triggering a physiological measurement or image acquisition with a physiological event or waveform, e.g. an ECG signal
    • A61B5/7292—Prospective gating, i.e. predicting the occurrence of a physiological event for use as a synchronisation signal
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7246—Details of waveform analysis using correlation, e.g. template matching or determination of similarity

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Pathology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biophysics (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Physiology (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

本发明公开了一张基于时间窗口切割的健康风险关键事件检测方法及系统，方法包括：S100、将患者的电子病历输入训练好的深度学习模型中，获取患者每次就诊生理指标的重要指数和死亡风险指数；S200、将患者健康风险关键事件检测的目标按时间窗口分为四种类型，基于获取的各生理指标的重要指数和死亡风险指数，对所述四种类型分别进行检测，筛选出需要提出健康风险关键事件的生理指标；S300、基于可视化界面，展示患者健康风险关键事件检测过程以及检测结果。本发明可以从医院的病人电子病历数据中挖掘出更多有价值有参考意义的信息来帮助医生进行诊断。

Description

基于时间窗口切割的健康风险关键事件检测方法及系统
技术领域
本发明涉及健康风险检测领域，具体涉及一种基于时间窗口切割的健康风险关键事件检测方法及系统。
背景技术
对慢性病终末期病人和危重急症病人而言，评估其死亡风险，有助于帮助医护人员尽早采取针对性救治措施，提高病人生存概率。然而，死亡风险评估十分复杂，需要综合分析病人多项生理指标，考虑病人年龄、性别、既往病史等静态信息，并结合大量的医学知识做出最终判断，只有医学知识丰富、且富有临床经验的医生在投入大量时间、精力的前提下才能得出较准确的评估结果。而临床实践中，医疗机构往往因为缺乏足够的专家资源而导致评估效果不佳。另一方面，近年来，各医疗机构已经积累了大量的包括：病人基本信息、检验检查报告、用药处置记录等在内的电子病历数据。
在上述背景下，本发明设计了一种基于时间窗口切割的健康风险关键事件检测方案。该系统利用参考文献中提出的深度学习模型得到病人的死亡风险指数和在每次就诊时各个生理指标的重要程度，并在此基础上针对具体患者生成患者健康风险关键事件检测，辅助医生进行诊断。
发明内容
针对现有技术中存在的缺陷，本发明的目的在于提供一种基于时间窗口切割的健康风险关键事件检测方法及系统，可以从医院的病人电子病历数据中挖掘出更多有价值有参考意义的信息来帮助医生进行诊断。
为实现上述目的，本发明采用的技术方案如下：
一张基于时间窗口切割的健康风险关键事件检测方法，包括：
(1)将患者的电子病历输入训练好的深度学习模型中，获取患者每次就诊生理指标的重要指数和死亡风险指数；
(2)将患者健康风险关键事件检测的目标按时间窗口分为四种类型，基于获取的生理指标的重要指数和死亡风险指数，对所述四种类型分别进行检测，筛选出需要提出健康风险关键事件的生理指标，所述四种类型包括：自始至终较为重要的生理指标、一段时间内死亡风险指数较高且较为重要的生理指标、较短时间内死亡风险指数持续上升且较为重要的生理指标、短时间内死亡风险指数上升且较为重要的生理指标；
(3)基于可视化界面，展示患者健康风险关键事件检测过程以及检测结果。
进一步，如上所述的一张基于时间窗口切割的健康风险关键事件检测方法，步骤(2)中，对自始至终较为重要的生理指标进行检测，包括：
将当前生理指标的重要指数与正常值进行比较；
当每次就诊当前生理指标的重要指数的值自始至终保持较高水平时，将当前生理指标视为自始至终较为重要的生理指标；
生成检测结果为，持续给予了该指标较高关注，建议提高/降低/关注该指标。
进一步，如上所述的一张基于时间窗口切割的健康风险关键事件检测方法，步骤(2)中，对一段时间内死亡风险指数较高且较为重要的生理指标进行检测，包括：
当患者连续预设次数次及以上就诊的死亡风险指数较高，且当前生理指标的重要指数在这段时间内的平均值较高时，将当前生理指标视为一段时间内死亡风险指数较高且较为重要的生理指标；
生成检测结果为，在这段时间内，死亡风险指数持续保持高位，建议关注该指标的变化/上升/下降。
进一步，如上所述的一张基于时间窗口切割的健康风险关键事件检测方法，步骤(2)中，对较短时间内死亡风险指数持续上升且较为重要的生理指标进行了，包括：
将患者一段时间内就诊的死亡风险指数进行比较，筛选出满足这段时间内死亡风险指数上升的就诊，并比较当前生理指标的重要指数；
当当前生理指标的重要指数升高或保持较高水平时，将当前生理指标视为较短时间内死亡风险指数持续上升且较为重要的生理指标；
生成检测结果为，死亡风险持续升高，这段时间内该指标持续变化/上升/下降。
进一步，如上所述的一张基于时间窗口切割的健康风险关键事件检测方法，步骤(2)中，对短时间内死亡风险指数上升且较为重要的生理指标进行检测，包括：
将患者较短时间内就诊的死亡风险指数进行比较，筛选出该较短时间内死亡风险指数快速上升的就诊，并比较当前生理指标的重要指数；
当当前生理指标的重要指数升高或保持较高水平时，将当前生理指标视为短时间内死亡风险指数上升且较为重要的生理指标；
生成检测结果为，死亡风险出现波动，该较短时间内该指标快速变化/上升/下降。
一张基于时间窗口切割的健康风险关键事件检测系统，包括：
获取模块，用于将患者的电子病历输入训练好的深度学习模型中，获取患者每次就诊生理指标的重要指数和死亡风险指数；
检测模块，用于将患者健康风险关键事件检测的目标按时间窗口分为四种类型，基于获取的生理指标的重要指数和死亡风险指数，对所述四种类型分别进行检测，筛选出需要提出健康风险关键事件的生理指标，所述四种类型包括：自始至终较为重要的生理指标、一段时间内死亡风险指数较高且较为重要的生理指标、较短时间内死亡风险指数持续上升且较为重要的生理指标、短时间内死亡风险指数上升且较为重要的生理指标；
展示模块，用于基于可视化界面，展示患者健康风险关键事件检测过程以及检测结果。
进一步，如上所述的一张基于时间窗口切割的健康风险关键事件检测系统，所述检测模块对自始至终较为重要的生理指标进行检测，包括：
将当前生理指标的重要指数与正常值进行比较；
当每次就诊当前生理指标的重要指数的值自始至终保持较高水平时，将当前生理指标视为自始至终较为重要的生理指标；
生成检测结果为，持续给予了该指标较高关注，建议提高/降低/关注该指标。
进一步，如上所述的一张基于时间窗口切割的健康风险关键事件检测方法，所述检测模块对一段时间内死亡风险指数较高且较为重要的生理指标进行检测，包括：
当患者连续预设次数次及以上就诊的死亡风险指数较高，且当前生理指标的重要指数在这段时间内的平均值较高时，将当前生理指标视为一段时间内死亡风险指数较高且较为重要的生理指标；
生成检测结果为，在这段时间内，死亡风险指数持续保持高位，建议关注该指标的变化/上升/下降。
进一步，如上所述的一张基于时间窗口切割的健康风险关键事件检测系统，所述检测模块对较短时间内死亡风险指数持续上升且较为重要的生理指标进行了，包括：
将患者一段时间内就诊的死亡风险指数进行比较，筛选出满足这段时间内死亡风险指数上升的就诊，并比较当前生理指标的重要指数；
当当前生理指标的重要指数升高或保持较高水平时，将当前生理指标视为较短时间内死亡风险指数持续上升且较为重要的生理指标；
生成检测结果为，死亡风险持续升高，这段时间内该指标持续变化/上升/下降。
进一步，如上所述的一张基于时间窗口切割的健康风险关键事件检测系统，所述检测模块对短时间内死亡风险指数上升且较为重要的生理指标进行检测，包括：
将患者较短时间内就诊的死亡风险指数进行比较，筛选出该较短时间内死亡风险指数快速上升的就诊，并比较当前生理指标的重要指数；
当当前生理指标的重要指数升高或保持较高水平时，将当前生理指标视为短时间内死亡风险指数上升且较为重要的生理指标；
生成检测结果为，死亡风险出现波动，该较短时间内该指标快速变化/上升/下降。
本发明的有益效果在于：本发明所提供的方法及系统，可以从医院的病人电子病历数据中挖掘出更多有价值有参考意义的信息来帮助医生进行诊断，能够对高风险的病人进行预警，提示需要重点关注的生理指标，并给出相应的健康风险关键事件检测结果，引导医生对其进行模拟干预并观察病人可能的未来病情，从而尽可能控制病人身体状况走势向好发展。
附图说明
图1为本发明实施例中提供的一种基于时间窗口切割的健康风险关键事件检测方法的流程示意图；
图2为本发明实施例中提供的一种基于时间窗口切割的健康风险关键事件检测方法的框架流程图；
图3为本发明实施例中提供的获取患者死亡风险指数和生理指标重要指数的框架流程图；
图4为本发明实施例中提供的一种基于时间窗口切割的健康风险关键事件检测方法的流程示意图；
图5为本发明实施例中提供的健康风险关键事件检测可视化界面图。
具体实施方式
下面结合说明书附图与具体实施方式对本发明做进一步的详细说明。
参考文献
Ma L,Zhang C,Wang Y,et al.Concare:Personalized clinical featureembedding via capturing the healthcare context[C]//Proceedings of the AAAIConference on Artificial Intelligence.2020,34(01):833-840.
术语解释
电子病历
电子病历(EMR,Electronic Medical Record)也叫计算机化的病案系统或称基于计算机的病人记录。它是用电子设备(计算机、健康卡等)保存、管理、传输和重现的数字化的医疗记录，用以取代手写纸张病历。它的内容包括纸张病历的所有信息。
生理指标重要指数
将病人前n次就诊的电子病历数据输入参考提出的深度学习模型，可以得到病人每次就诊各个生理指标对于最后一年内死亡预测结果的加权参数(加和为1)。我们将各个生理指标的加权参数乘以100定义为生理指标重要指数，范围在0-100之间，数值越大表示该生理指标越重要。
死亡风险指数
死亡风险指数，参考文献中提出的深度学习模型输出的，用来评估病人未来一年内死亡风险的指标(范围0-100)，大于50表示该病人病情比较严重。
病人健康状态表示学习
从电子病历中预测病人的临床结局是医学信息学的一个基本研究课题。参考文献中提出了一种结合病人基本信息和检验检查报告来预测病人一年内死亡概率的深度学习模型，这个预测过程就是病人健康状态表示学习过程。
如图1所示，一种基于时间窗口切割的健康风险关键事件检测方法，包括：
S100、将患者的电子病历输入训练好的深度学习模型中，获取患者每次就诊生理指标的重要指数和死亡风险指数；
S200、将患者健康风险关键事件检测的目标按时间窗口分为四种类型，基于获取的各生理指标的重要指数和死亡风险指数，对四种类型分别进行检测，筛选出需要提出健康风险关键事件的生理指标，四种类型包括：自始至终较为重要的生理指标、一段时间内死亡风险指数较高且较为重要的生理指标、较短时间内死亡风险指数持续上升且较为重要的生理指标、短时间内死亡风险指数上升且较为重要的生理指标；
S300、基于可视化界面，展示患者健康风险关键事件检测过程以及检测结果。
步骤S200中，对自始至终较为重要的生理指标进行检测，包括：
将当前生理指标的重要指数与正常值进行比较；
当每次就诊当前生理指标的重要指数的值自始至终保持较高水平时，将当前生理指标视为自始至终较为重要的生理指标；
生成检测结果为，AI人工智能持续给予了该指标较高关注，建议提高/降低/关注该指标。
每次就诊当前生理指标的重要指数的值自始至终保持较高水平，指每次就诊当前生理指标的重要指数的值自始至终高出正常值一定范围。
步骤S200中，对一段时间内死亡风险指数较高且较为重要的生理指标进行检测，包括：
当患者连续预设次数次及以上就诊的死亡风险指数较高，且当前生理指标的重要指数在这段时间内的平均值较高时，将当前生理指标视为一段时间内死亡风险指数较高且较为重要的生理指标；
生成检测结果为，在这段时间内，死亡风险指数持续保持高位，建议关注该指标的变化/上升/下降。
患者连续预设次数次及以上就诊的死亡风险指数较高，指患者连续预设次数次及以上就诊的死亡风险指数高出正常值一定范围。
当前生理指标的重要指数在这段时间内的平均值较高，指当前生理指标的重要指数在这段时间内的平均值高出正常平均值一定范围。
步骤S200中，对较短时间内死亡风险指数持续上升且较为重要的生理指标进行了，包括：
将患者一段时间内就诊的死亡风险指数进行比较，筛选出满足这段时间内死亡风险指数上升的就诊，并比较当前生理指标的重要指数；
当当前生理指标的重要指数升高或保持较高水平时，将当前生理指标视为较短时间内死亡风险指数持续上升且较为重要的生理指标；
生成检测结果为，死亡风险持续升高，这段时间内该指标持续变化/上升/下降。
当前生理指标的重要指数保持较高水平，指当前生理指标的重要指数超出正常值一定范围。
步骤S200中，对短时间内死亡风险指数上升且较为重要的生理指标进行检测，包括：
将患者较短时间内就诊的死亡风险指数进行比较，筛选出该较短时间内死亡风险指数快速上升的就诊，并比较当前生理指标的重要指数；
当当前生理指标的重要指数升高或保持较高水平时，将当前生理指标视为短时间内死亡风险指数上升且较为重要的生理指标；
生成检测结果为，死亡风险出现波动，该较短时间内该指标快速变化/上升/下降。
该较短时间内死亡风险指数快速上升，指该较短时间内死亡风险指数的增长幅度超过一定范围。
当前生理指标的重要指数保持较高水平，指当前生理指标的重要指数超出正常值一定范围。
需要说明的是，上述的各正常值以及一定范围根据实际需求设定。
如图2所示，本发明的方法包括三个主要步骤：(1)病人每次就诊生理指标及重要指数和死亡风险指数获取；(2)患者健康风险关键事件检测；(3)可视化和界面要素设计。
(1)病人每次就诊生理指标重要指数和死亡风险指数获取
如图3所示，将病人的电子病历(包括病人的基础信息和每次就诊的生理指标数据)输入到参考文献中提出的深度学习模型中，可以得到病人每次就诊生理指标重要指数和死亡风险指数。
(2)患者健康风险关键事件检测
基于参考文献中提出的深度学习模型我们可以设定想要达到的目标(想要将患者死亡风险指数降低至多少)从而生成多个层次的医疗。生成健康风险关键事件的程序流程图如图4所示。输入：患者生理指标、生理指标重要指数、生理指标的标准值、死亡风险指数。输出：患者健康风险关键事件检测。
患者健康风险关键事件检测的目标分为四种类型，分别为：自始至终较为重要的生理指标、一段时间内死亡风险指数较高且较为重要的生理指标、较短时间内死亡风险指数持续上升且较为重要的生理指标、短时间内死亡风险指数上升且较为重要的生理指标。对于这四种类型，本发明使用不同的自然语言来描述。
为了能够更好地筛选出需要提出风险事件的生理指标，本发明采用了较多阈值进行限制，具体的方案如图4所示。
1)自始至终较为重要的生理指标
将该生理指标的重要指数进行比较，当每次就诊的值自始至终保持较高水平时，视为自始至终较为重要的生理指标，生成的文字描述为：AI持续给予了某指标较高关注，建议提高/降低/关注该指标。
2)一段时间内死亡风险指数较高且较为重要的生理指标
当患者连续5次及以上就诊的死亡风险指数较高，且该生理指标的重要指数在这段时间内的平均值较高时，视为一段时间内死亡风险指数较高且较为重要的生理指标，生成的文字描述为：在这段时间内，死亡风险指数持续保持高位，建议关注该指标。
3)较短时间内死亡风险指数持续上升且较为重要的生理指标
将就诊的死亡风险指数进行比较，筛选出满足一段时间内死亡风险指数上升的就诊，并比较该生理指标的重要指数；当重要指数升高或保持较高水平时，视为较短时间内死亡风险指数持续上升且较为重要的生理指标，生成的文字描述为：死亡风险持续升高，期间某指标从x持续变化了x至x(x％)
4)短时间内死亡风险指数上升且较为重要的生理指标
将就诊的死亡风险指数进行比较，在就诊死亡风险指数不满足第3类的条件下，筛选出死亡风险快速上升的就诊，并比较该生理指标的重要指数；当重要指数升高或保持较高水平时，视为短时间内死亡风险指数上升且较为重要的生理指标，生成的文字描述为：死亡风险出现波动，期间某指标从x快速变化了x至x(x％)。
(3)可视化和界面要素设计
如图5所示的可视化界面，首先给出患者就诊的时间，表示是在该时间上做出健康风险关键事件检测的。然后展示给医生当前时间段内患者死亡风险的变化。之后给出一些健康风险关键事件检测结果，供医生参考。
在具体事件部分，呈现出生理指标的原始值、变化值和变化比例。为了让用户看得更加清楚，为每一个生理指标名词指定一个特殊的颜色，同时用红色强调上调的比例，用绿色强调下调的比例。
本发明从医院的病人电子病历数据中挖掘出了更多有价值有参考意义的信息来帮助医生进行诊断，能够对高风险的病人进行预警，提示需要重点关注的生理指标，并给出相应的健康风险关键事件检测结果，引导医生对其进行模拟干预并观察病人可能的未来病情，从而尽可能控制病人身体状况走势向好发展。因此，本发明的技术方案是非常具有实用价值的。
需要说明的是，通过修改健康风险关键事件检测的生成规则的阈值、增加或删除部分种类、增加或删除部分条件、调整关键事件检测的自然语言描述、调整可视化方案均可作为替代方案完成关键事件检测的生成。
本发明实施例还提供一张基于时间窗口切割的健康风险关键事件检测系统，包括：
获取模块，用于将患者的电子病历输入训练好的深度学习模型中，获取患者每次就诊生理指标的重要指数和死亡风险指数；
检测模块，用于将患者健康风险关键事件检测的目标按时间窗口分为四种类型，基于获取的各生理指标的重要指数和死亡风险指数，对四种类型分别进行检测，筛选出需要提出健康风险关键事件的生理指标，四种类型包括：自始至终较为重要的生理指标、一段时间内死亡风险指数较高且较为重要的生理指标、较短时间内死亡风险指数持续上升且较为重要的生理指标、短时间内死亡风险指数上升且较为重要的生理指标；
展示模块，用于基于可视化界面，展示患者健康风险关键事件检测过程以及检测结果。
检测模块对自始至终较为重要的生理指标进行检测，包括：
将当前生理指标的重要指数与正常值进行比较；
当每次就诊当前生理指标的重要指数的值自始至终保持较高水平时，将当前生理指标视为自始至终较为重要的生理指标；
生成检测结果为，AI持续给予了该指标较高关注，建议提高/降低/关注该指标。
检测模块对一段时间内死亡风险指数较高且较为重要的生理指标进行检测，包括：
当患者连续预设次数次及以上就诊的死亡风险指数较高，且当前生理指标的重要指数在这段时间内的平均值较高时，将当前生理指标视为一段时间内死亡风险指数较高且较为重要的生理指标；
生成检测结果为，在这段时间内，死亡风险指数持续保持高位，建议关注该指标的变化/上升/下降。
检测模块对较短时间内死亡风险指数持续上升且较为重要的生理指标进行了，包括：
将患者一段时间内就诊的死亡风险指数进行比较，筛选出满足这段时间内死亡风险指数上升的就诊，并比较当前生理指标的重要指数；
当当前生理指标的重要指数升高或保持较高水平时，将当前生理指标视为较短时间内死亡风险指数持续上升且较为重要的生理指标；
生成检测结果为，死亡风险持续升高，这段时间内该指标持续变化/上升/下降。
检测模块对短时间内死亡风险指数上升且较为重要的生理指标进行检测，包括：
将患者较短时间内就诊的死亡风险指数进行比较，筛选出该较短时间内死亡风险指数快速上升的就诊，并比较当前生理指标的重要指数；
当当前生理指标的重要指数升高或保持较高水平时，将当前生理指标视为短时间内死亡风险指数上升且较为重要的生理指标；
生成检测结果为，死亡风险出现波动，该较短时间内该指标快速变化/上升/下降。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其同等技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (4)

1.一张基于时间窗口切割的健康风险关键事件检测系统，其特征在于，包括：
获取模块，用于将患者的电子病历输入训练好的深度学习模型中，获取患者每次就诊生理指标的重要指数和死亡风险指数；
检测模块，用于将患者健康风险关键事件检测的目标按时间窗口分为四种类型，基于获取的各生理指标的重要指数和死亡风险指数，对所述四种类型分别进行检测，筛选出需要提出健康风险关键事件的生理指标，所述四种类型包括：自始至终较为重要的生理指标、一段时间内死亡风险指数较高且较为重要的生理指标、较短时间内死亡风险指数持续上升且较为重要的生理指标、短时间内死亡风险指数上升且较为重要的生理指标；
展示模块，用于基于可视化界面，展示患者健康风险关键事件检测过程以及检测结果；
其中，所述检测模块对一段时间内死亡风险指数较高且较为重要的生理指标进行检测，包括：
当患者连续预设次数次及以上就诊的死亡风险指数较高，且当前生理指标的重要指数在这段时间内的平均值较高时，将当前生理指标视为一段时间内死亡风险指数较高且较为重要的生理指标；
生成检测结果为，在这段时间内，死亡风险指数持续保持高位，建议关注该指标的变化/上升/下降。
2.根据权利要求1所述的一张基于时间窗口切割的健康风险关键事件检测系统，其特征在于，所述检测模块对自始至终较为重要的生理指标进行检测，包括：
将当前生理指标的重要指数与正常值进行比较；
当每次就诊当前生理指标的重要指数的值自始至终保持较高水平时，将当前生理指标视为自始至终较为重要的生理指标；
生成检测结果为，持续给予了该指标较高关注，建议提高/降低/关注该指标。
3.根据权利要求1所述的一张基于时间窗口切割的健康风险关键事件检测系统，其特征在于，所述检测模块对较短时间内死亡风险指数持续上升且较为重要的生理指标进行了，包括：
将患者一段时间内就诊的死亡风险指数进行比较，筛选出满足这段时间内死亡风险指数上升的就诊，并比较当前生理指标的重要指数；
当当前生理指标的重要指数升高或保持较高水平时，将当前生理指标视为较短时间内死亡风险指数持续上升且较为重要的生理指标；
生成检测结果为，死亡风险持续升高，这段时间内该指标持续变化/上升/下降。
4.根据权利要求1所述的一张基于时间窗口切割的健康风险关键事件检测系统，其特征在于，所述检测模块对短时间内死亡风险指数上升且较为重要的生理指标进行检测，包括：
将患者较短时间内就诊的死亡风险指数进行比较，筛选出该较短时间内死亡风险指数快速上升的就诊，并比较当前生理指标的重要指数；
当当前生理指标的重要指数升高或保持较高水平时，将当前生理指标视为短时间内死亡风险指数上升且较为重要的生理指标；
生成检测结果为，死亡风险出现波动，该较短时间内该指标快速变化/上升/下降。
CN202010884840.4A 2020-08-28 2020-08-28 基于时间窗口切割的健康风险关键事件检测方法及系统 Active CN112205965B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010884840.4A CN112205965B (zh) 2020-08-28 2020-08-28 基于时间窗口切割的健康风险关键事件检测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010884840.4A CN112205965B (zh) 2020-08-28 2020-08-28 基于时间窗口切割的健康风险关键事件检测方法及系统

Publications (2)

Publication Number Publication Date
CN112205965A CN112205965A (zh) 2021-01-12
CN112205965B true CN112205965B (zh) 2022-02-22

Family

ID=74059292

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010884840.4A Active CN112205965B (zh) 2020-08-28 2020-08-28 基于时间窗口切割的健康风险关键事件检测方法及系统

Country Status (1)

Country Link
CN (1) CN112205965B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112842342B (zh) * 2021-01-25 2022-03-29 北京航空航天大学 一种结合希尔伯特曲线和集成学习的心电磁信号分类方法

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN204318745U (zh) * 2014-11-06 2015-05-13 黎国平 一种具有人体生理参数监测功能的马桶座圈
CN104615884B (zh) * 2015-02-04 2017-07-28 中国科学院地理科学与资源研究所 一种基于病毒检出率的传染病重症、死亡风险预警系统及方法
US10269447B2 (en) * 2016-08-05 2019-04-23 Opportune Acquisition, Llc Algorithm, data pipeline, and method to detect inaccuracies in comorbidity documentation
CA3069196A1 (en) * 2017-07-07 2019-01-10 Mcmaster University Risk assessment tool for patients with sepsis
KR20200003407A (ko) * 2017-07-28 2020-01-09 구글 엘엘씨 전자 건강 기록으로부터 의료 이벤트를 예측 및 요약하기 위한 시스템 및 방법
CN107491638A (zh) * 2017-07-28 2017-12-19 深圳和而泰智能控制股份有限公司 一种基于深度学习模型的icu用户病情预测方法及终端设备
CN110111901B (zh) * 2019-05-16 2023-04-18 湖南大学 基于rnn神经网络的可迁移病人分类系统
CN110827993A (zh) * 2019-11-21 2020-02-21 北京航空航天大学 基于集成学习的早期死亡风险评估模型建立方法及装置

Also Published As

Publication number Publication date
CN112205965A (zh) 2021-01-12

Similar Documents

Publication Publication Date Title
US11410760B2 (en) Medical evaluation system and method for use therewith
US20210366106A1 (en) System with confidence-based retroactive discrepancy flagging and methods for use therewith
US8670997B2 (en) Quality metric extraction and editing for medical data
US10901978B2 (en) System and method for correlation of pathology reports and radiology reports
WO2022099668A1 (zh) 一种基于家族遗传病与体征数据关联的精准健康管理与风险预警方法及系统
US20170316180A1 (en) Behavior prediction apparatus, behavior prediction apparatus controlling method, and behavior prediction apparatus controlling program
US20190311809A1 (en) Patient status monitor and method of monitoring patient status
US20140136225A1 (en) Discharge readiness index
US20220005565A1 (en) System with retroactive discrepancy flagging and methods for use therewith
CN118173253B (zh) 一种基于病患数据分析管理系统及方法
Kang et al. Identifying nurses’ concern concepts about patient deterioration using a standard nursing terminology
CN112205965B (zh) 基于时间窗口切割的健康风险关键事件检测方法及系统
KR20150007468A (ko) 임상의사결정 지원방법 및 그 장치
WO2022036351A1 (en) Automatic medical scan triaging system and methods for use therewith
Improta et al. Digital innovation in healthcare: A device with a method for monitoring, managing and preventing the risk of chronic polypathological patients
CN112151182A (zh) 一种基于贪心搜索的智能医疗建议生成方法及系统
CN113140323A (zh) 一种健康画像生成方法、系统、介质及服务器
Nagappan et al. Heart Disease Prediction Using Data Mining Technique
Prabakaran et al. Enhancing Disease Prediction in Healthcare: A Comparative Analysis of PSO and Extreme Learning Approach
JP2024036309A (ja) 診断支援システム及び診断支援装置
CN115206481A (zh) 一种自助体检方法及体检终端
CN115798702A (zh) 一种疾病预测方法
CN116913447A (zh) 一种干体重信息处理方法、装置、电子设备及介质
CN118173212A (zh) 一种临床试验受试者依从性管理方法及系统
CN117116486A (zh) 一种主客观多维睡眠行为评价量化方法、系统和装置

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