CN112216361A - 基于人工智能的随访计划单生成方法、装置、终端及介质 - Google Patents

基于人工智能的随访计划单生成方法、装置、终端及介质 Download PDF

Info

Publication number
CN112216361A
CN112216361A CN202011105932.4A CN202011105932A CN112216361A CN 112216361 A CN112216361 A CN 112216361A CN 202011105932 A CN202011105932 A CN 202011105932A CN 112216361 A CN112216361 A CN 112216361A
Authority
CN
China
Prior art keywords
diagnosis
follow
patient
treatment
identity information
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
Application number
CN202011105932.4A
Other languages
English (en)
Inventor
谢树英
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.)
Shenzhen Ping An Smart Healthcare Technology Co ltd
Original Assignee
Ping An International Smart City Technology Co Ltd
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 Ping An International Smart City Technology Co Ltd filed Critical Ping An International Smart City Technology Co Ltd
Priority to CN202011105932.4A priority Critical patent/CN112216361A/zh
Publication of CN112216361A publication Critical patent/CN112216361A/zh
Pending legal-status Critical Current

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G16H15/00—ICT specially adapted for medical reports, e.g. generation or transmission thereof
    • 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
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • 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

Abstract

本发明涉及数字医疗技术领域，提供一种基于人工智能的随访计划单生成方法、装置、终端及介质，包括：获取多个第一诊疗记录报告并使用XGBOOST模型从所述多个第一诊疗记录报告中提取出多个慢病风险因素；接收患者的分组请求并解析所述分组请求得到所述患者的第一身份信息；根据所述第一身份信息识别所述患者的诊断标识及根据所述第一身份信息获取所述患者的第二诊疗记录报告；根据所述第二诊疗记录报告计算诊断等级并根据所述多个慢病风险因素及所述诊断等级计算危险系数等级；根据所述危险系数等级识别所述患者的分组级别；基于所述分组级别及所述诊断标识生成随访计划单。本发明能够针对不同的患者生成不同的随访计划单，随访计划单的生成效率较高。

Description

基于人工智能的随访计划单生成方法、装置、终端及介质
技术领域
本发明涉及数字医疗技术领域，具体涉及一种基于人工智能的随访计划单生成方法、装置、终端及介质。
背景技术
近年来慢病患者基数日益增加，总体呈现出高发病率、高死亡率的现象，慢病已成为严重威胁人类健康的公共卫生问题，医疗部门为了了解慢病患者在医疗处理后的病情变化会制定随访计划。
发明人在实现本发明的过程中发现，由于慢病患者人群越来越庞大，同时不同病种的患者可能需要有不同的随访要求，使得随访计划的制定难度加大，随访计划制定的效率较低。
发明内容
鉴于以上内容，有必要提出一种基于人工智能的随访计划单生成方法、装置、终端及介质，能够针对不同的患者生成不同的随访计划单，随访计划单的生成效率较高。
本发明的第一方面提供一种基于人工智能的随访计划单生成方法，所述方法包括：
获取多个第一诊疗记录报告并使用XGBOOST模型从所述多个第一诊疗记录报告中提取出多个慢病风险因素；
接收患者的分组请求并解析所述分组请求得到所述患者的第一身份信息；
根据所述第一身份信息识别所述患者的诊断标识及根据所述第一身份信息获取所述患者的第二诊疗记录报告；
根据所述第二诊疗记录报告计算诊断等级并根据所述多个慢病风险因素及所述诊断等级计算危险系数等级；
根据所述危险系数等级识别所述患者的分组级别；
基于所述分组级别及所述诊断标识生成随访计划单。
根据本发明的一个可选的实施例，所述使用XGBOOST模型从所述多个第一诊疗记录报告中提取出多个慢病风险因素包括：
获取每个第一诊疗记录报告中的多个诊疗实体及每个诊疗实体的实体值；
根据每个诊疗实体及诊疗实体的实体值构建数据对；
将多个数据对输入XGBOOST模型中进行训练；
在所述XGBOOST模型训练结束后获取每个诊疗实体的权重值；
根据所述权重值从所述多个诊疗实体中选取多个目标诊疗实体作为多个慢病风险因素。
根据本发明的一个可选的实施例，所述根据所述第一身份信息识别所述患者的诊断标识包括：
匹配所述第一身份信息与预设数据库中的多个第二身份信息；
当从所述多个第二身份信息中没有匹配出与所述第一身份信息相同的目标身份信息时，确定所述患者的诊断标识为初诊；
当从所述多个第二身份信息中匹配出与所述第一身份信息相同的目标身份信息时，确定所述患者的诊断标识为复诊。
根据本发明的一个可选的实施例，所述根据所述第二诊疗记录报告计算诊断等级包括：
获取所述第二诊疗记录报告中的多个诊疗实体及每个诊疗实体的实体值；
将所述每个诊疗实体的实体值与对应的多个诊疗实体值范围进行匹配；
确定与诊疗实体的实体值匹配成功的目标诊疗实体值范围对应的目标等级；
确定最高的目标等级为所述诊断等级。
根据本发明的一个可选的实施例，所述根据所述多个慢病风险因素及所述诊断等级计算危险系数等级包括：
将所述患者的多个诊疗实体与所述多个慢病风险因素进行匹配并根据匹配结果确定所述患者对应的慢病风险因素的数量；
根据预设危险系数等级矩阵确定出所述数量及所述诊断等级对应的危险系数等级。
根据本发明的一个可选的实施例，所述基于所述分组级别及所述诊断标识生成随访计划单包括：
获取与所述分组级别对应的随访次数；
获取与所述诊断标识及所述分组级别对应的多个诊断医生的信息；
根据所述多个诊断医生的信息从所述多个诊断医生中筛选出与所述患者的身份信息对应的目标诊断医生；
按照与所述诊断标识对应的目标随访计划模板基于所述随访次数及所述目标诊断医生的信息生成随访计划单。
根据本发明的一个可选的实施例，所述方法还包括：
发送所述随访计划单至所述患者的终端设备；
接收所述患者输入的随访数据；
根据所述随访数据及所述随访计划单生成随访报告。
本发明的第二方面提供一种基于人工智能的随访计划单生成装置，所述装置包括：
提取模块，用于获取多个第一诊疗记录报告并使用XGBOOST模型从所述多个第一诊疗记录报告中提取出多个慢病风险因素；
解析模块，用于接收患者的分组请求并解析所述分组请求得到所述患者的第一身份信息；
获取模块，用于根据所述第一身份信息识别所述患者的诊断标识及根据所述第一身份信息获取所述患者的第二诊疗记录报告；
计算模块，用于根据所述第二诊疗记录报告计算诊断等级并根据所述多个慢病风险因素及所述诊断等级计算危险系数等级；
识别模块，用于根据所述危险系数等级识别所述患者的分组级别；
生成模块，用于基于所述分组级别及所述诊断标识生成随访计划单。
本发明的第三方面提供一种终端，所述终端包括处理器，所述处理器用于执行存储器中存储的计算机程序时实现所述基于人工智能的随访计划单生成方法。
本发明的第四方面提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现所述基于人工智能的随访计划单生成方法。
综上所述，本发明所述的基于人工智能的随访计划单生成方法、装置、终端及介质，先使用XGBOOST模型从获取的多个第一诊疗记录报告中提取出多个慢病风险因素，在接收患者的分组请求之后，解析出所述分组请求中的所述患者的第一身份信息，从而根据所述第一身份信息识别所述患者的诊断标识及根据所述第一身份信息获取所述患者的第二诊疗记录报告，接着根据所述第二诊疗记录报告计算诊断等级并根据所述多个慢病风险因素及所述诊断等级计算危险系数等级，根据所述危险系数等级识别所述患者的分组级别，最后基于所述分组级别及所述诊断标识生成随访计划单，随访计划单的生成效率较高，且生成的随访计划单针对不同的患者有所不同，更有针对性。
附图说明
图1是本发明实施例一提供的基于人工智能的随访计划单生成方法的流程图。
图2是本发明实施例二提供的基于人工智能的随访计划单生成装置的结构图。
图3是本发明实施例三提供的终端的结构示意图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施例对本发明进行详细描述。需要说明的是，在不冲突的情况下，本发明的实施例及实施例中的特征可以相互组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。
本发明实施例提供的基于人工智能的随访计划单生成方法由终端执行，相应地，基于人工智能的随访计划单生成装置运行于终端中。
图1是本发明实施例一提供的基于人工智能的随访计划单生成方法的流程图。所述基于人工智能的随访计划单生成方法具体包括以下步骤，根据不同的需求，该流程图中步骤的顺序可以改变，某些可以省略。
S11，获取多个第一诊疗记录报告并使用XGBOOST模型从所述多个第一诊疗记录报告中提取出多个慢病风险因素。
可以从医院数据库中获取第一诊疗记录报告，所述第一诊疗记录报告是指已患有慢性疾病的患者在医院就诊后由医院出具的诊疗报告，第一诊疗记录报告中记录了与已患有慢性疾病的患者身份相关的基础信息及与疾病相关的诊断信息。
不同的患者患有不同的慢性疾病，且不同的患者患有相同的慢性疾病的发病因素也不同，通过从多个第一诊疗记录报告中获取慢病风险因素，能够更加全面，而借助XGBOOST模型从获取的慢病风险因素中筛选出起主要作用的慢病风险因素。
在一个可选的实施例中，所述使用XGBOOST模型从所述多个第一诊疗记录报告中提取出多个慢病风险因素包括：
获取每个第一诊疗记录报告中的多个诊疗实体及每个诊疗实体的实体值；
根据每个诊疗实体及诊疗实体的实体值构建数据对；
将多个数据对输入XGBOOST模型中进行训练；
在所述XGBOOST模型训练结束后获取每个诊疗实体的权重值；
根据所述权重值从所述多个诊疗实体中选取多个目标诊疗实体作为多个慢病风险因素。
其中，所述诊疗实体是指慢性病相关的诊断指标，所述实体值是指诊断指标的具体数值。示例性的，对于高血压这一慢性疾病，诊断实体可以包括：吸烟、饮酒、血脂、心血管疾病家族史、BMI、腰围、血同型半胱氨酸等，吸烟诊断实体对应的实体值包括“是”和“否”，血同型半胱氨酸诊断实体对应的实体值包括“升高”和“正常”。
终端可以通过医疗知识图谱识别出每一个第一诊疗记录报告中的诊疗实体及对应的实体值，将诊疗实体及对应的实体值作为一个数据对，将同一个第一诊疗记录报告中的多个数据对排列为实体向量，以第一诊疗记录报告对应的实体向量为数据集，以第一诊疗记录报告对应的慢性病严重程度为数据标签，对XGBOOST模型进行有监督的训练。在XGBOOST模型收敛之后，结束XGBOOST模型的训练过程。由于XGBOOST模型在结束训练后能够输出各个诊疗实体的权重值，因此可以根据各个诊疗实体的权重值从多个诊疗实体中选取出多个目标诊疗实体。
具体实施时，将各个诊疗实体的权重值进行从大到小排序，选取前预设比例的诊疗实体作为目标诊疗实体；或者，将各个诊疗实体的权重值与预设阈值进行比较，将权重值大于所述预设阈值对应的诊疗实体作为目标诊疗实体。
该可选的实施例中，通过医疗知识图谱能够快速的识别出第一诊疗记录报告中的多个诊疗实体，并基于诊疗实体及对应的实体值训练XGBOOST模型来得到影像慢性病的慢病风险因素，慢病风险因素的获取不仅全面无遗漏，且准确率较高。
S12，接收患者的分组请求并解析所述分组请求得到所述患者的第一身份信息。
患者可以通过终端设备或者终端设备中的APP主动的向终端发起分组请求，也可以在接收到终端设备中分组指引信息时，根据所述分组指引信息输入身份信息以生成分组请求。
所述分组请求中携带有患者的第一身份信息，其中，所述第一身份信息包括，但不限于：姓名，地址，手机号，身份证等。
终端响应于接收到的分组请求，对所述分组请求进行解析，得到患者的第一身份信息。
S13，根据所述第一身份信息识别所述患者的诊断标识及根据所述第一身份信息获取所述患者的第二诊疗记录报告。
终端以所述第一身份标识中的一种或多种信息为搜索关键词在本地数据库中进行诊断标识的识别及诊疗记录报告的搜索。
其中，所述诊断标识可以包括：初诊(首次申请康复治疗)，复诊(非首次申请康复治疗)。
在一个可选的实施例中，所述根据所述第一身份信息识别所述患者的诊断标识包括：
匹配所述第一身份信息与预设数据库中的多个第二身份信息；
当从所述多个第二身份信息中没有匹配出与所述第一身份信息相同的目标身份信息时，确定所述患者的诊断标识为初诊；
当从所述多个第二身份信息中匹配出与所述第一身份信息相同的目标身份信息时，确定所述患者的诊断标识为复诊。
所述预设数据库用以记录患者的分组请求中携带的身份信息。
将第一身份信息与预设数据库中的每一个第二身份信息进行匹配，当某一个第二身份信息与第一身份信息匹配成功，表明预设数据库中已经记录过患者的分组请求了，因此，确定所述患者的诊断标识为复诊。当任意一个第二身份信息与第一身份信息均匹配失败，表明预设数据库中没有记录过患者的分组请求，因此，确定所述患者的诊断标识为初诊。
S14，根据所述第二诊疗记录报告计算诊断等级并根据所述多个慢病风险因素及所述诊断等级计算危险系数等级。
患者的诊疗记录报告中记录了与疾病相关的诊断信息，通过对所述诊断信息进行分析，能够确定患者的诊断等级，从而根据诊断等级及通过XGBOOST模型提取出的多个慢病风险因素分析出患者的危险系数等级。
在一个可选的实施例中，所述根据所述第二诊疗记录报告计算诊断等级包括：
获取所述第二诊疗记录报告中的多个诊疗实体及每个诊疗实体的实体值；
将所述每个诊疗实体的实体值与对应的多个诊疗实体值范围进行匹配；
确定与诊疗实体的实体值匹配成功的目标诊疗实体值范围对应的目标等级；
确定最高的目标等级为所述诊断等级。
终端可以通过医疗知识图谱识别出所述诊疗记录报告中的诊疗实体及对应的实体值。
终端中预先存储有多个诊疗实体值范围，每个实体值范围对应有一个等级。诊疗实体的实体值位于哪一个诊疗实体值范围中，则所述诊疗实体的等级为该诊疗实体值范围对应的等级。
示例性的，假设从患者的诊疗记录报告中获取到10个诊疗实体，其中，有5个诊疗实体的等级为第一等级，3个诊疗实体的等级为第二等级，2个诊疗实体的等级为第三等级，由于第一等级<第二等级<第三等级，则患者最终的诊断等级为第三等级。
在一个可选的实施例中，所述根据所述多个慢病风险因素及所述诊断等级计算危险系数等级包括：
将所述患者的多个诊疗实体与所述多个慢病风险因素进行匹配并根据匹配结果确定所述患者对应的慢病风险因素的数量；
根据预设危险系数等级矩阵确定出所述数量及所述诊断等级对应的危险系数等级。
所述多个慢病风险因素代表了影响慢性病的主要因素，具有统计学意义，但并不是每个患有所述慢性病的患者，其发病因素均包括了所述多个慢病风险因素，因此需要将患者的多个诊疗实体与所述多个慢病风险因素进行匹配，确定所述影响所述患者患有慢性病的主要慢病风险因素有哪些，主要慢病风险因素的数量是多少。
终端中预先根据多个第一诊疗记录报告构建出了危险系数等级矩阵，其中，所述危险系数等级矩阵的横轴为多个诊断等级，纵轴为多个慢病风险因素的数量，横轴与纵轴交叉的内容则为危险系数等级。
该可选的实施例中，通过多个第一诊疗记录报告构建出危险系数等级矩阵，并通过预设危险系数等级矩阵匹配出与所述数量及所述诊断等级对应的危险系数等级，危险系数等级识别效率高。
S15，根据所述危险系数等级识别所述患者的分组级别。
终端中预先存储有危险系数等级与分组级别之间的对应关系，根据所述对应关系识别出与所述危险系数等级对应的分组级别。危险系数等级越高，说明患者的慢性病越严重，则对应的分组级别越高；危险系数等级越低，说明患者的慢性病越轻微，则对应的分组级别越低。
S16，基于所述分组级别及所述诊断标识生成随访计划单。
终端中预先存储有不同的随访计划模板，例如，诊断标识为初诊对应第一随访计划模型，诊断标识为复诊对应第二随访技术模板。在确定随访计划模板之后，将患者的身份信息、分组级别及诊断标识填入所确定的随访计划模板中即可一键生成随访计划单。
在一个可选的实施例中，所述基于所述分组级别及所述诊断标识生成随访计划单包括：
获取与所述分组级别对应的随访次数；
获取与所述诊断标识及所述分组级别对应的多个诊断医生的信息；
根据所述多个诊断医生的信息从所述多个诊断医生中筛选出与所述患者的身份信息对应的目标诊断医生；
按照与所述诊断标识对应的目标随访计划模板基于所述随访次数及所述目标诊断医生的信息生成随访计划单。
其中，分组级别包括：重点组，稳定组，好转组。
示例性的，重点组每月至少随访一次，稳定组每月至少随访三次，好转组每月至少随访2次。
不同的诊断标识，对应不同的随访计划模板；不同的诊断标识及不同的分组级别对应不同级别的诊断医生。示例性的，诊断标识为初诊，分组级别为重点组，则对应资深的诊断医生，诊断标识为复诊，分组级别为重点组，则对应资深的诊断医生主任。
根据分组、患者的病种、年龄段、性别以及职业的情况制定随访计划模板，所述随访计划模板中包括随访计划时间、随访计划周期，随访方式等，随访方式包括患者主动、被动、线上和线下方式，线上通过平台实现自动随访跟踪服务、全自动计划的日程管理以及自动提醒服务。
为了方便医生对患者进行随访以知道患者进行下一步的康复治疗，可以根据患者的地址从所述多个诊断医生中筛选出与所述患者距离较近的目标诊断医生，提高了随访效率。
在一个可选的实施例中，所述方法还包括：
发送所述随访计划单至所述患者的终端设备；
接收所述患者输入的随访数据；
根据所述随访数据及所述随访计划单生成随访报告。
所述患者通过终端设备接收所述随访计划单，并在随访医生进行随访之后，通过终端设备或者终端设备的APP发送随访数据。示例性的，所述随访数据可以为随访医生提供的日常生活注意事项、用药提醒、复诊提醒、以及健康饮食等康复指导等。
所述随访报告作为下次分组的参考，以提高下次分组的准确率。
综上，本发明先使用XGBOOST模型从获取的多个第一诊疗记录报告中提取出多个慢病风险因素，在接收患者的分组请求之后，解析出所述分组请求中的所述患者的第一身份信息，从而根据所述第一身份信息识别所述患者的诊断标识及根据所述第一身份信息获取所述患者的第二诊疗记录报告，接着根据所述第二诊疗记录报告计算诊断等级并根据所述多个慢病风险因素及所述诊断等级计算危险系数等级，根据所述危险系数等级识别所述患者的分组级别，最后基于所述分组级别及所述诊断标识生成随访计划单，随访计划单的生成效率较高，且生成的随访计划单针对不同的患者有所不同，更有针对性。
需要强调的是，为进一步保证上述诊疗记录报告的私密性和安全性，上述诊疗记录报告可存储于区块链的节点中。
图2是本发明实施例二提供的基于人工智能的随访计划单生成装置的结构图。
在一些实施例中，所述基于人工智能的随访计划单生成装置20可以包括多个由计算机程序段所组成的功能模块。所述基于人工智能的随访计划单生成装置20中的各个程序段的计算机程序可以存储于终端的存储器中，并由至少一个处理器所执行，以执行(详见图1描述)基于人工智能的随访计划单生成的功能。
本实施例中，所述基于人工智能的随访计划单生成装置20根据其所执行的功能，可以被划分为多个功能模块。所述功能模块可以包括：提取模块201、解析模块202、获取模块203、计算模块204、识别模块205、生成模块206、发送模块207及接收模块208。本发明所称的模块是指一种能够被至少一个处理器所执行并且能够完成固定功能的一系列计算机程序段，其存储在存储器中。在本实施例中，关于各模块的功能将在后续的实施例中详述。
所述提取模块201，用于获取多个第一诊疗记录报告并使用XGBOOST模型从所述多个第一诊疗记录报告中提取出多个慢病风险因素。
可以从医院数据库中获取第一诊疗记录报告，所述第一诊疗记录报告是指已患有慢性疾病的患者在医院就诊后由医院出具的诊疗报告，第一诊疗记录报告中记录了与已患有慢性疾病的患者身份相关的基础信息及与疾病相关的诊断信息。
不同的患者患有不同的慢性疾病，且不同的患者患有相同的慢性疾病的发病因素也不同，通过从多个第一诊疗记录报告中获取慢病风险因素，能够更加全面，而借助XGBOOST模型从获取的慢病风险因素中筛选出起主要作用的慢病风险因素。
在一个可选的实施例中，所述提取模块201使用XGBOOST模型从所述多个第一诊疗记录报告中提取出多个慢病风险因素包括：
获取每个第一诊疗记录报告中的多个诊疗实体及每个诊疗实体的实体值；
根据每个诊疗实体及诊疗实体的实体值构建数据对；
将多个数据对输入XGBOOST模型中进行训练；
在所述XGBOOST模型训练结束后获取每个诊疗实体的权重值；
根据所述权重值从所述多个诊疗实体中选取多个目标诊疗实体作为多个慢病风险因素。
其中，所述诊疗实体是指慢性病相关的诊断指标，所述实体值是指诊断指标的具体数值。示例性的，对于高血压这一慢性疾病，诊断实体可以包括：吸烟、饮酒、血脂、心血管疾病家族史、BMI、腰围、血同型半胱氨酸等，吸烟诊断实体对应的实体值包括“是”和“否”，血同型半胱氨酸诊断实体对应的实体值包括“升高”和“正常”。
终端可以通过医疗知识图谱识别出每一个第一诊疗记录报告中的诊疗实体及对应的实体值，将诊疗实体及对应的实体值作为一个数据对，将同一个第一诊疗记录报告中的多个数据对排列为实体向量，以第一诊疗记录报告对应的实体向量为数据集，以第一诊疗记录报告对应的慢性病严重程度为数据标签，对XGBOOST模型进行有监督的训练。在XGBOOST模型收敛之后，结束XGBOOST模型的训练过程。由于XGBOOST模型在结束训练后能够输出各个诊疗实体的权重值，因此可以根据各个诊疗实体的权重值从多个诊疗实体中选取出多个目标诊疗实体。
具体实施时，将各个诊疗实体的权重值进行从大到小排序，选取前预设比例的诊疗实体作为目标诊疗实体；或者，将各个诊疗实体的权重值与预设阈值进行比较，将权重值大于所述预设阈值对应的诊疗实体作为目标诊疗实体。
该可选的实施例中，通过医疗知识图谱能够快速的识别出第一诊疗记录报告中的多个诊疗实体，并基于诊疗实体及对应的实体值训练XGBOOST模型来得到影像慢性病的慢病风险因素，慢病风险因素的获取不仅全面无遗漏，且准确率较高。
所述解析模块202，用于接收患者的分组请求并解析所述分组请求得到所述患者的第一身份信息。
患者可以通过终端设备或者终端设备中的APP主动的向终端发起分组请求，也可以在接收到终端设备中分组指引信息时，根据所述分组指引信息输入身份信息以生成分组请求。
所述分组请求中携带有患者的第一身份信息，其中，所述第一身份信息包括，但不限于：姓名，地址，手机号，身份证等。
终端响应于接收到的分组请求，对所述分组请求进行解析，得到患者的第一身份信息。
所述获取模块203，用于根据所述第一身份信息识别所述患者的诊断标识及根据所述第一身份信息获取所述患者的第二诊疗记录报告。
终端以所述第一身份标识中的一种或多种信息为搜索关键词在本地数据库中进行诊断标识的识别及诊疗记录报告的搜索。
其中，所述诊断标识可以包括：初诊(首次申请康复治疗)，复诊(非首次申请康复治疗)。
在一个可选的实施例中，所述获取模块203根据所述第一身份信息识别所述患者的诊断标识包括：
匹配所述第一身份信息与预设数据库中的多个第二身份信息；
当从所述多个第二身份信息中没有匹配出与所述第一身份信息相同的目标身份信息时，确定所述患者的诊断标识为初诊；
当从所述多个第二身份信息中匹配出与所述第一身份信息相同的目标身份信息时，确定所述患者的诊断标识为复诊。
所述预设数据库用以记录患者的分组请求中携带的身份信息。
将第一身份信息与预设数据库中的每一个第二身份信息进行匹配，当某一个第二身份信息与第一身份信息匹配成功，表明预设数据库中已经记录过患者的分组请求了，因此，确定所述患者的诊断标识为复诊。当任意一个第二身份信息与第一身份信息均匹配失败，表明预设数据库中没有记录过患者的分组请求，因此，确定所述患者的诊断标识为初诊。
所述计算模块204，用于根据所述第二诊疗记录报告计算诊断等级并根据所述多个慢病风险因素及所述诊断等级计算危险系数等级。
患者的诊疗记录报告中记录了与疾病相关的诊断信息，通过对所述诊断信息进行分析，能够确定患者的诊断等级，从而根据诊断等级及通过XGBOOST模型提取出的多个慢病风险因素分析出患者的危险系数等级。
在一个可选的实施例中，所述计算模块204根据所述第二诊疗记录报告计算诊断等级包括：
获取所述第二诊疗记录报告中的多个诊疗实体及每个诊疗实体的实体值；
将所述每个诊疗实体的实体值与对应的多个诊疗实体值范围进行匹配；
确定与诊疗实体的实体值匹配成功的目标诊疗实体值范围对应的目标等级；
确定最高的目标等级为所述诊断等级。
终端可以通过医疗知识图谱识别出所述诊疗记录报告中的诊疗实体及对应的实体值。
终端中预先存储有多个诊疗实体值范围，每个实体值范围对应有一个等级。诊疗实体的实体值位于哪一个诊疗实体值范围中，则所述诊疗实体的等级为该诊疗实体值范围对应的等级。
示例性的，假设从患者的诊疗记录报告中获取到10个诊疗实体，其中，有5个诊疗实体的等级为第一等级，3个诊疗实体的等级为第二等级，2个诊疗实体的等级为第三等级，由于第一等级<第二等级<第三等级，则患者最终的诊断等级为第三等级。
在一个可选的实施例中，所述计算模块204根据所述多个慢病风险因素及所述诊断等级计算危险系数等级包括：
将所述患者的多个诊疗实体与所述多个慢病风险因素进行匹配并根据匹配结果确定所述患者对应的慢病风险因素的数量；
根据预设危险系数等级矩阵确定出所述数量及所述诊断等级对应的危险系数等级。
所述多个慢病风险因素代表了影响慢性病的主要因素，具有统计学意义，但并不是每个患有所述慢性病的患者，其发病因素均包括了所述多个慢病风险因素，因此需要将患者的多个诊疗实体与所述多个慢病风险因素进行匹配，确定所述影响所述患者患有慢性病的主要慢病风险因素有哪些，主要慢病风险因素的数量是多少。
终端中预先根据多个第一诊疗记录报告构建出了危险系数等级矩阵，其中，所述危险系数等级矩阵的横轴为多个诊断等级，纵轴为多个慢病风险因素的数量，横轴与纵轴交叉的内容则为危险系数等级。
该可选的实施例中，通过多个第一诊疗记录报告构建出危险系数等级矩阵，并通过预设危险系数等级矩阵匹配出与所述数量及所述诊断等级对应的危险系数等级，危险系数等级识别效率高。
所述识别模块205，用于根据所述危险系数等级识别所述患者的分组级别。
终端中预先存储有危险系数等级与分组级别之间的对应关系，根据所述对应关系识别出与所述危险系数等级对应的分组级别。危险系数等级越高，说明患者的慢性病越严重，则对应的分组级别越高；危险系数等级越低，说明患者的慢性病越轻微，则对应的分组级别越低。
所述生成模块206，用于基于所述分组级别及所述诊断标识生成随访计划单。
终端中预先存储有不同的随访计划模板，例如，诊断标识为初诊对应第一随访计划模型，诊断标识为复诊对应第二随访技术模板。在确定随访计划模板之后，将患者的身份信息、分组级别及诊断标识填入所确定的随访计划模板中即可一键生成随访计划单。
在一个可选的实施例中，所述生成模块206基于所述分组级别及所述诊断标识生成随访计划单包括：
获取与所述分组级别对应的随访次数；
获取与所述诊断标识及所述分组级别对应的多个诊断医生的信息；
根据所述多个诊断医生的信息从所述多个诊断医生中筛选出与所述患者的身份信息对应的目标诊断医生；
按照与所述诊断标识对应的目标随访计划模板基于所述随访次数及所述目标诊断医生的信息生成随访计划单。
其中，分组级别包括：重点组，稳定组，好转组。
示例性的，重点组每月至少随访一次，稳定组每月至少随访三次，好转组每月至少随访2次。
不同的诊断标识，对应不同的随访计划模板；不同的诊断标识及不同的分组级别对应不同级别的诊断医生。示例性的，诊断标识为初诊，分组级别为重点组，则对应资深的诊断医生，诊断标识为复诊，分组级别为重点组，则对应资深的诊断医生主任。
根据分组、患者的病种、年龄段、性别以及职业的情况制定随访计划模板，所述随访计划模板中包括随访计划时间、随访计划周期，随访方式等，随访方式包括患者主动、被动、线上和线下方式，线上通过平台实现自动随访跟踪服务、全自动计划的日程管理以及自动提醒服务。
为了方便医生对患者进行随访以知道患者进行下一步的康复治疗，可以根据患者的地址从所述多个诊断医生中筛选出与所述患者距离较近的目标诊断医生，提高了随访效率。
所述发送模块207，用于发送所述随访计划单至所述患者的终端设备。
所述接收模块208，用于接收所述患者输入的随访数据。
所述生成模块206，还用于根据所述随访数据及所述随访计划单生成随访报告。
所述患者通过终端设备接收所述随访计划单，并在随访医生进行随访之后，通过终端设备或者终端设备的APP发送随访数据。示例性的，所述随访数据可以为随访医生提供的日常生活注意事项、用药提醒、复诊提醒、以及健康饮食等康复指导等。
所述随访报告作为下次分组的参考，以提高下次分组的准确率。
综上，本发明先使用XGBOOST模型从获取的多个第一诊疗记录报告中提取出多个慢病风险因素，在接收患者的分组请求之后，解析出所述分组请求中的所述患者的第一身份信息，从而根据所述第一身份信息识别所述患者的诊断标识及根据所述第一身份信息获取所述患者的第二诊疗记录报告，接着根据所述第二诊疗记录报告计算诊断等级并根据所述多个慢病风险因素及所述诊断等级计算危险系数等级，根据所述危险系数等级识别所述患者的分组级别，最后基于所述分组级别及所述诊断标识生成随访计划单，随访计划单的生成效率较高，且生成的随访计划单针对不同的患者有所不同，更有针对性。
需要强调的是，为进一步保证上述诊疗记录报告的私密性和安全性，上述诊疗记录报告可存储于区块链的节点中。
参阅图3所示，为本发明实施例三提供的终端的结构示意图。在本发明较佳实施例中，所述终端3包括存储器31、至少一个处理器32、至少一条通信总线33及收发器34。
本领域技术人员应该了解，图3示出的终端的结构并不构成本发明实施例的限定，既可以是总线型结构，也可以是星形结构，所述终端3还可以包括比图示更多或更少的其他硬件或者软件，或者不同的部件布置。
在一些实施例中，所述终端3是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的终端，其硬件包括但不限于微处理器、专用集成电路、可编程门阵列、数字处理器及嵌入式设备等。所述终端3还可包括客户设备，所述客户设备包括但不限于任何一种可与客户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互的电子产品，例如，个人计算机、平板电脑、智能手机、数码相机等。
需要说明的是，所述终端3仅为举例，其他现有的或今后可能出现的电子产品如可适应于本发明，也应包含在本发明的保护范围以内，并以引用方式包含于此。
在一些实施例中，所述存储器31中存储有计算机程序，所述计算机程序被所述至少一个处理器32执行时实现如所述的基于人工智能的随访计划单生成方法中的全部或者部分步骤。所述存储器31包括只读存储器(Read-Only Memory，ROM)、可编程只读存储器(Programmable Read-Only Memory，PROM)、可擦除可编程只读存储器(ErasableProgrammable Read-Only Memory，EPROM)、一次可编程只读存储器(One-timeProgrammable Read-Only Memory，OTPROM)、电子擦除式可复写只读存储器(Electrically-Erasable Programmable Read-Only Memory，EEPROM)、只读光盘(CompactDisc Read-Only Memory，CD-ROM)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。
进一步地，所述计算机可读存储介质可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储根据区块链节点的使用所创建的数据等。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
在一些实施例中，所述至少一个处理器32是所述终端3的控制核心(ControlUnit)，利用各种接口和线路连接整个终端3的各个部件，通过运行或执行存储在所述存储器31内的程序或者模块，以及调用存储在所述存储器31内的数据，以执行终端3的各种功能和处理数据。例如，所述至少一个处理器32执行所述存储器中存储的计算机程序时实现本发明实施例中所述的基于人工智能的随访计划单生成方法的全部或者部分步骤；或者实现基于人工智能的随访计划单生成装置的全部或者部分功能。所述至少一个处理器32可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。
在一些实施例中，所述至少一条通信总线33被设置为实现所述存储器31以及所述至少一个处理器32等之间的连接通信。
尽管未示出，所述终端3还可以包括给各个部件供电的电源(比如电池)，优选的，电源可以通过电源管理装置与所述至少一个处理器32逻辑相连，从而通过电源管理装置实现管理充电、放电、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述终端3还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
上述以软件功能模块的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能模块存储在一个存储介质中，包括若干指令用以使得一台终端(可以是个人计算机，终端，或者网络设备等)或处理器(processor)执行本发明各个实施例所述方法的部分。
在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，既可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外，显然“包括”一词不排除其他单元或，单数不排除复数。装置权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一，第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。

Claims (10)

1.一种基于人工智能的随访计划单生成方法，其特征在于，所述方法包括：
获取多个第一诊疗记录报告并使用XGBOOST模型从所述多个第一诊疗记录报告中提取出多个慢病风险因素；
接收患者的分组请求并解析所述分组请求得到所述患者的第一身份信息；
根据所述第一身份信息识别所述患者的诊断标识及根据所述第一身份信息获取所述患者的第二诊疗记录报告；
根据所述第二诊疗记录报告计算诊断等级并根据所述多个慢病风险因素及所述诊断等级计算危险系数等级；
根据所述危险系数等级识别所述患者的分组级别；
基于所述分组级别及所述诊断标识生成随访计划单。
2.如权利要求1所述的基于人工智能的随访计划单生成方法，其特征在于，所述使用XGBOOST模型从所述多个第一诊疗记录报告中提取出多个慢病风险因素包括：
获取每个第一诊疗记录报告中的多个诊疗实体及每个诊疗实体的实体值；
根据每个诊疗实体及诊疗实体的实体值构建数据对；
将多个数据对输入XGBOOST模型中进行训练；
在所述XGBOOST模型训练结束后获取每个诊疗实体的权重值；
根据所述权重值从所述多个诊疗实体中选取多个目标诊疗实体作为多个慢病风险因素。
3.如权利要求1所述的基于人工智能的随访计划单生成方法，其特征在于，所述根据所述第一身份信息识别所述患者的诊断标识包括：
匹配所述第一身份信息与预设数据库中的多个第二身份信息；
当从所述多个第二身份信息中没有匹配出与所述第一身份信息相同的目标身份信息时，确定所述患者的诊断标识为初诊；
当从所述多个第二身份信息中匹配出与所述第一身份信息相同的目标身份信息时，确定所述患者的诊断标识为复诊。
4.如权利要求1所述的基于人工智能的随访计划单生成方法，其特征在于，所述根据所述第二诊疗记录报告计算诊断等级包括：
获取所述第二诊疗记录报告中的多个诊疗实体及每个诊疗实体的实体值；
将所述每个诊疗实体的实体值与对应的多个诊疗实体值范围进行匹配；
确定与诊疗实体的实体值匹配成功的目标诊疗实体值范围对应的目标等级；
确定最高的目标等级为所述诊断等级。
5.如权利要求1所述的基于人工智能的随访计划单生成方法，其特征在于，所述根据所述多个慢病风险因素及所述诊断等级计算危险系数等级包括：
将所述患者的多个诊疗实体与所述多个慢病风险因素进行匹配并根据匹配结果确定所述患者对应的慢病风险因素的数量；
根据预设危险系数等级矩阵确定出所述数量及所述诊断等级对应的危险系数等级。
6.如权利要求1至5中任意一项所述的基于人工智能的随访计划单生成方法，其特征在于，所述基于所述分组级别及所述诊断标识生成随访计划单包括：
获取与所述分组级别对应的随访次数；
获取与所述诊断标识及所述分组级别对应的多个诊断医生的信息；
根据所述多个诊断医生的信息从所述多个诊断医生中筛选出与所述患者的身份信息对应的目标诊断医生；
按照与所述诊断标识对应的目标随访计划模板基于所述随访次数及所述目标诊断医生的信息生成随访计划单。
7.如权利要求6所述的基于人工智能的随访计划单生成方法，其特征在于，所述方法还包括：
发送所述随访计划单至所述患者的终端设备；
接收所述患者输入的随访数据；
根据所述随访数据及所述随访计划单生成随访报告。
8.一种基于人工智能的随访计划单生成装置，其特征在于，所述装置包括：
提取模块，用于获取多个第一诊疗记录报告并使用XGBOOST模型从所述多个第一诊疗记录报告中提取出多个慢病风险因素；
解析模块，用于接收患者的分组请求并解析所述分组请求得到所述患者的第一身份信息；
获取模块，用于根据所述第一身份信息识别所述患者的诊断标识及根据所述第一身份信息获取所述患者的第二诊疗记录报告；
计算模块，用于根据所述第二诊疗记录报告计算诊断等级并根据所述多个慢病风险因素及所述诊断等级计算危险系数等级；
识别模块，用于根据所述危险系数等级识别所述患者的分组级别；
生成模块，用于基于所述分组级别及所述诊断标识生成随访计划单。
9.一种终端，其特征在于，所述终端包括处理器，所述处理器用于执行存储器中存储的计算机程序时实现如权利要求1至7中任意一项所述基于人工智能的随访计划单生成方法。
10.一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7中任意一项所述基于人工智能的随访计划单生成方法。
CN202011105932.4A 2020-10-15 2020-10-15 基于人工智能的随访计划单生成方法、装置、终端及介质 Pending CN112216361A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011105932.4A CN112216361A (zh) 2020-10-15 2020-10-15 基于人工智能的随访计划单生成方法、装置、终端及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011105932.4A CN112216361A (zh) 2020-10-15 2020-10-15 基于人工智能的随访计划单生成方法、装置、终端及介质

Publications (1)

Publication Number Publication Date
CN112216361A true CN112216361A (zh) 2021-01-12

Family

ID=74054817

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011105932.4A Pending CN112216361A (zh) 2020-10-15 2020-10-15 基于人工智能的随访计划单生成方法、装置、终端及介质

Country Status (1)

Country Link
CN (1) CN112216361A (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113035296A (zh) * 2021-02-25 2021-06-25 四川大学华西医院 用于icu后综合征的随访方法及系统
CN113299357A (zh) * 2021-04-28 2021-08-24 山东第一医科大学附属省立医院 一种糖尿病随访方法、装置、电子设备和存储介质
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
CN114267450A (zh) * 2021-12-24 2022-04-01 青岛沐华健康科技有限公司 一种三高共管的健康评估算法、装置及系统
CN114400060A (zh) * 2021-12-31 2022-04-26 北京华彬立成科技有限公司 患者诊疗数据管理方法、平台和系统
CN114510491A (zh) * 2022-04-19 2022-05-17 杭州华卓信息科技有限公司 一种动态随访量表设计方法和系统
CN116343980A (zh) * 2023-05-30 2023-06-27 深圳市即达健康医疗科技有限公司 一种基于智慧医疗复诊随访数据处理方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107358047A (zh) * 2017-07-13 2017-11-17 刘峰 糖尿病患者评估及管理系统
CN108648808A (zh) * 2018-03-23 2018-10-12 深圳百诺国际生命科技有限公司 随访计划实例生成方法和装置
CN111276230A (zh) * 2020-02-24 2020-06-12 上海市同仁医院 一种心脑血管疾病一体化分层管理系统及方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107358047A (zh) * 2017-07-13 2017-11-17 刘峰 糖尿病患者评估及管理系统
CN108648808A (zh) * 2018-03-23 2018-10-12 深圳百诺国际生命科技有限公司 随访计划实例生成方法和装置
CN111276230A (zh) * 2020-02-24 2020-06-12 上海市同仁医院 一种心脑血管疾病一体化分层管理系统及方法

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113035296A (zh) * 2021-02-25 2021-06-25 四川大学华西医院 用于icu后综合征的随访方法及系统
CN113299357A (zh) * 2021-04-28 2021-08-24 山东第一医科大学附属省立医院 一种糖尿病随访方法、装置、电子设备和存储介质
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
CN114267450A (zh) * 2021-12-24 2022-04-01 青岛沐华健康科技有限公司 一种三高共管的健康评估算法、装置及系统
CN114400060A (zh) * 2021-12-31 2022-04-26 北京华彬立成科技有限公司 患者诊疗数据管理方法、平台和系统
CN114510491A (zh) * 2022-04-19 2022-05-17 杭州华卓信息科技有限公司 一种动态随访量表设计方法和系统
CN114510491B (zh) * 2022-04-19 2022-09-20 杭州华卓信息科技有限公司 一种动态随访量表设计方法和系统
CN116343980A (zh) * 2023-05-30 2023-06-27 深圳市即达健康医疗科技有限公司 一种基于智慧医疗复诊随访数据处理方法及系统
CN116343980B (zh) * 2023-05-30 2023-08-29 深圳市即达健康医疗科技有限公司 一种基于智慧医疗复诊随访数据处理方法及系统

Similar Documents

Publication Publication Date Title
CN112700838B (zh) 基于大数据的用药方案推荐方法、装置及相关设备
CN112216361A (zh) 基于人工智能的随访计划单生成方法、装置、终端及介质
CN112562836A (zh) 医生推荐方法、装置、电子设备及存储介质
CN112017789B (zh) 分诊数据处理方法、装置、设备及介质
CN111986744B (zh) 医疗机构的患者界面生成方法、装置、电子设备及介质
CN113707253B (zh) 医疗方案推荐方法、装置、设备及介质
CN112634889B (zh) 基于人工智能的电子病例录入方法、装置、终端及介质
CN112614578A (zh) 医生智能推荐方法、装置、电子设备及存储介质
CN112132624A (zh) 医疗理赔数据预测系统
CN110675942A (zh) 医学影像图像诊断分配方法、装置、终端及存储介质
CN111933237A (zh) 慢病处理方法、装置及相关设备
CN111696663A (zh) 疾病风险的分析方法、装置、电子设备及计算机存储介质
CN112582071A (zh) 医疗保健网络
CN113053513A (zh) 一种基于智慧社区的智慧医疗系统
US11244029B1 (en) Healthcare management system and method
CN112447270A (zh) 一种用药推荐方法、装置、设备及存储介质
CN114220541A (zh) 疾病预测方法、装置、电子设备及存储介质
CN113689942B (zh) 产检监测方法、装置及相关设备
CN114334175A (zh) 医院疫情监测方法、装置、计算机设备及存储介质
CN113724830A (zh) 基于人工智能的用药风险检测方法及相关设备
CN113744845A (zh) 基于人工智能的医学影像处理方法、装置、设备及介质
CN113921122A (zh) 基于智慧医疗的医护资源分配系统
CN111933246A (zh) 医疗处方分析方法、系统、电子设备及存储介质
JP2020503600A (ja) 提示方法、提示システム、及びプログラム
Yang et al. Evaluation of smart long-term care information strategy portfolio decision model: The national healthcare environment in Taiwan

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20221008

Address after: Room 2601 (Unit 07), Qianhai Free Trade Building, No. 3048, Xinghai Avenue, Nanshan Street, Qianhai Shenzhen-Hong Kong Cooperation Zone, Shenzhen, Guangdong 518000

Applicant after: Shenzhen Ping An Smart Healthcare Technology Co.,Ltd.

Address before: 1-34 / F, Qianhai free trade building, 3048 Xinghai Avenue, Mawan, Qianhai Shenzhen Hong Kong cooperation zone, Shenzhen, Guangdong 518000

Applicant before: Ping An International Smart City Technology Co.,Ltd.