CN112349411B - 基于大数据的icu病人抢救风险预测方法与系统 - Google Patents

基于大数据的icu病人抢救风险预测方法与系统 Download PDF

Info

Publication number
CN112349411B
CN112349411B CN202011396750.7A CN202011396750A CN112349411B CN 112349411 B CN112349411 B CN 112349411B CN 202011396750 A CN202011396750 A CN 202011396750A CN 112349411 B CN112349411 B CN 112349411B
Authority
CN
China
Prior art keywords
data
module
subscription
prediction
feedback
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
CN202011396750.7A
Other languages
English (en)
Other versions
CN112349411A (zh
Inventor
金歌
王永华
马丽霞
王龙君
王慧慧
王丹
岳珍珍
孙同文
翟会民
杨佳佳
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.)
First Affiliated Hospital of Zhengzhou University
Original Assignee
First Affiliated Hospital of Zhengzhou 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 First Affiliated Hospital of Zhengzhou University filed Critical First Affiliated Hospital of Zhengzhou University
Priority to CN202011396750.7A priority Critical patent/CN112349411B/zh
Publication of CN112349411A publication Critical patent/CN112349411A/zh
Application granted granted Critical
Publication of CN112349411B publication Critical patent/CN112349411B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

本发明提出基于大数据的ICU病人抢救风险预测方法，包括数据采集模块、数据分组模块、数据订阅模块以及数据预测模块。数据订阅模块包括订阅参数调节模块，订阅参数调节模块用于调节所述数据订阅模块的订阅参数，基于所述订阅参数数据订阅模块从所述分组后数据中获取部分订阅数据；数据预测模块基于所述部分订阅参数，执行ICU病人抢救风险预测，并将预测结果显示于预测结果显示模块；预测结果显示模块连接反馈模块，反馈模块通过反馈切换器连接至所述订阅参数调节模块。本发明还提出基于所述系统实现的风险预测方法与执行所述方法的计算机可读存储介质。本发明的技术方案能够避免大数据阻塞并自适应的动态分组数据以减轻数据传输压力。

Description

基于大数据的ICU病人抢救风险预测方法与系统
技术领域
本发明属于医疗护理技术领域， 尤其涉及基于大数据的ICU病人抢救风险预测方法与系统。
背景技术
随着现代医学和医疗的发展，医院感染特别是重症监护病房（ICU）医院感染发病率剧增,其感染特点也在不断发生变化,危害性较明显.医院感染提高了住院患者的死亡概率,同时延长了患者住院时间,给患者带来更大的经济负担，同时，ICU 收治的多为危重患者， ICU 内患者在抢救治疗过程中的不确定性和复杂性，决定了它是医院最繁忙的临床科室之一。
ICU患者大多病情危重且变化迅速，若发生急性呼吸衰竭 脓毒血症 大出血 心室颤动等严重并发症则会大大增加患者的病死率。这些严重并发症一旦发生则需迅速进行紧急插管、输血、抗生素治疗等干预。因此 对于这些潜在严重并发症的早期诊断和干预至关重要，能够及时阻止病情恶化改善患者预后。对于患者病情的持续监测和预警是危重症患者管理的主要研究方向之一。
传统的临床研究具有一定的限制性，如随机对照研究有严格的纳入及排除标准，得出的研究结论适用范围小，研究过程缓慢，费时费力。传统的观察性研究中，许多混杂因素难以控制。而大数据科学对庞大医学数据具有超强的分析处理能力，使得其在处理复杂数据时有着独特的优势。因其数据量大，能够尽可能减少混杂因素的干扰。
国际申请PCT/IB2011/054884公开一种用于预测患者的诸如死亡/康复概率的结果变量的方法，包括访问多个过去患者的数据域中的至少一个，所述数据域包括生理和/或化验数据、以及住院时间，住院时间指出在当时每名患者已经受监护了多久。通过数据挖掘根据多个过去患者的生理和/或化验数据、相应的住院时间、以及相关的结果变量生成结果变量估计算法。根据当前患者的生理和/或化验数据、当前住院时间和结果变量估计算法确定当前患者的结果变量。
中国发明专利申请提出提出了一种ICU重症监护信息系统技术，通过联机数据采集程序将术后患者产生的数据进行整理、分类,再将数据分成连续监测的变量、取样监测的变量和编码数据以及自由文本排序4种模式。该发明以性能优良功能强大的数据技术为依托,建立重症监护信息系统,设计ICU需要的护理程序,简化护士工作程序,减少不必要的重复劳动,使护士从繁杂的护理记录中解脱出来。
然而，基于大数据处理面临的一个重要问题在于：如何获得有效的数据，并且如何动态的改变数据采集方式，使得采集得到的数据更有利于后续预测/使用/归集等，从而降低数据传输量，减少数据传输压力。
发明内容
为此，本发明提出基于大数据的ICU病人抢救风险预测方法，包括数据采集模块、数据分组模块、数据订阅模块以及数据预测模块。数据订阅模块包括订阅参数调节模块，订阅参数调节模块用于调节所述数据订阅模块的订阅参数，基于所述订阅参数数据订阅模块从所述分组后数据中获取部分订阅数据；数据预测模块基于所述部分订阅参数，执行ICU病人抢救风险预测，并将预测结果显示于预测结果显示模块；预测结果显示模块连接反馈模块，反馈模块通过反馈切换器连接至所述订阅参数调节模块。本发明还提出基于所述系统实现的风险预测方法与执行所述方法的计算机可读存储介质。本发明的技术方案能够避免大数据阻塞并自适应的动态分组数据以减轻数据传输压力。
具体而言，在本发明的第一个方面，提供一种基于大数据的ICU病人抢救风险预测系统，所述预测系统包括数据采集模块、数据分组模块、数据订阅模块以及数据预测模块。
其中，所述数据采集模块用于采集临床ICU病人全过程数据；
所述数据分组模块用于将所述数据采集模块采集的所述临床ICU病人全过程数据进行分组，得到分组后数据；
所述数据订阅模块包括订阅参数调节模块，所述订阅参数调节模块用于调节所述数据订阅模块的订阅参数，基于所述订阅参数，所述数据订阅模块从所述分组后数据中获取部分订阅数据；
所述数据预测模块基于所述部分订阅参数，执行ICU病人抢救风险预测，并将预测结果显示于预测结果显示模块；
所述预测结果显示模块连接反馈模块，所述反馈模块通过反馈切换器连接至所述订阅参数调节模块。
在本发明中，所述数据预测模块还包括多个预测引擎。
所述数据采集模块包括位于不同临床ICU病人本地护理端的多个临床数据采集端与本地边缘数据处理终端；
所述订阅参数调节模块与所述本地边缘数据处理终端单向通信，当所述订阅参数调节模块重新设置所述订阅参数后，将所述重新设置的所述订阅参数发送至所述本地边缘数据处理终端；
所述本地边缘数据处理终端基于所述重新设置的所述订阅参数控制所述临床数据采集端进行数据采集。
基于上述第一个方面的所述风险预测系统，在本发明的第二个方面，还公开一种基于大数据的ICU病人抢救风险预测方法，所述方法包括如下步骤S1-S7：
S1：通过位于ICU病人本地护理端的多个临床数据采集端采集临床护理数据，并将所述临床护理数据发送该ICU病人对应的本地边缘数据处理终端；
S2: 将每个ICU病人经过其对应的本地边缘数据处理终端处理过的临床护理数据发送至数据采集模块进行汇总；
S3：数据分组模块将所述汇总后的临床护理数据进行分组，得到多个分组后数据；
S4：数据订阅模块基于订阅参数调节模块确定的订阅参数，从所述分组后数据中订阅部分临床护理数据作为订阅数据发送至数据预测模块；
S5：数据预测模块选择多个预测引擎之一，基于所述订阅数据进行ICU病人抢救风险预测，并将预测结果发送至预测结果显示模块；
S6：反馈模块基于所述预测结果显示模块显示的预测结果，生成反馈选择信号，发送至所述反馈切换器；
S7：所述数据预测模块更换所述预测引擎或者所述订阅参数调节模块重新设置所述订阅参数，返回步骤S1。
其中，所述本地边缘数据处理终端对所述多个临床数据采集端采集的不同数据进行处理，包括：
将所述多个临床数据采集端采集的不同数据按照不同属性进行预处理分组，所述不同属性包括采集时间属性、采集终端属性以及数据范围属性。
本发明的上述方法可以通过计算机程序指令的形式，基于存储器和存储器设备的终端自动化的实现，因此，在本发明的第三个方面，提供一种计算机可读存储介质，其上存储有计算机可执行程序指令，通过包含处理器和存储器的终端设备，执行所述可执行程序指令，用于实现前述的一种基于大数据的ICU病人抢救风险预测方法。
本发明的上述方式，能够从多源的ICU临床数据中，基于后续预测模型的需要，获取有效的部分分组数据；并且能够基于预测结果，反馈调节参数至前端采集部分，使得数据采集和分组以及预测引擎的选择能够自适应的根据预测结果进行调整，从而在保证预测数据量以及预测数据有效性的前提下，避免大数据阻塞并自适应的动态分组数据以减轻数据传输压力。
本发明的进一步优点将结合说明书附图在具体实施例部分进一步详细体现。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明一个实施例的基于大数据的ICU病人抢救风险预测系统的主体架构图
图2是图1所述系统中ICU临床数据采集的模块示意图
图3是图1所述系统中多源数据分组模块连接示意图
图4是利用图1所述系统实现的基于大数据的ICU病人抢救风险预测方法的流程图
具体实施方式
下面，结合附图以及具体实施方式，对发明做出进一步的描述。
图1是本发明一个实施例的基于大数据的ICU病人抢救风险预测系统的主体架构图。
图1中，所述预测系统包括数据采集模块、数据分组模块、数据订阅模块、数据预测模块、预测结果显示模块、反馈模块以及反馈切换器。
所述数据订阅模块包括订阅参数调节模块，所述数据预测模块包括多个预测引擎，所述数据预测模块在执行ICU病人抢救风险预测时，基于部分订阅参数选择所述多个预测引擎之一进行所述风险预测。
具体来说，所述数据采集模块用于采集临床ICU病人全过程数据；
所述数据分组模块用于将所述数据采集模块采集的所述临床ICU病人全过程数据进行分组，得到分组后数据；
所述订阅参数调节模块用于调节所述数据订阅模块的订阅参数，基于所述订阅参数，所述数据订阅模块从所述分组后数据中获取部分订阅数据；
所述数据预测模块基于所述部分订阅参数，执行ICU病人抢救风险预测，并将预测结果显示于预测结果显示模块；
所述预测结果显示模块连接反馈模块，所述反馈模块通过反馈切换器连接至所述订阅参数调节模块。
图1中，所述反馈模块连接所述反馈切换器，所述反馈切换器基于所述反馈模块发出的反馈选择信号，控制所述数据预测模块更换所述预测引擎或者控制所述订阅参数调节模块重新设置所述订阅参数。
所述反馈切换器分别连接至所述数据订阅模块的所述订阅参数和所述数据预测模块的所述预测引擎。
需要注意的是，所述订阅参数调节模块与所述数据采集模块连接并进行单向数据通信，具体而言，是指所述订阅参数调节模块重新设置所述订阅参数，并将重新设置的控制信号发送至所述数据采集模块。
在图1基础上，参见图2。
所述数据采集模块包括位于不同临床ICU病人本地护理端的多个临床数据采集端与本地边缘数据处理终端。
在图2的实施例中，对于每个所述ICU病人，所述本地护理端包括多个临床数据采集端和一个本地边缘数据处理终端；
所述本地边缘数据处理终端对所述多个临床数据采集端采集的不同数据进行处理，包括：
将所述多个临床数据采集端采集的不同数据按照不同属性进行预处理分组，所述不同属性包括采集时间属性、采集终端属性以及数据范围属性。
所述订阅参数调节模块与所述本地边缘数据处理终端单向通信，当所述订阅参数调节模块重新设置所述订阅参数后，将所述重新设置的所述订阅参数发送至所述本地边缘数据处理终端；
所述本地边缘数据处理终端基于所述重新设置的所述订阅参数控制所述临床数据采集端进行数据采集。
接下来参见图3，
虽然未示出，但是图3中，首先将每个ICU病人经过其对应的本地边缘数据处理终端处理过的临床护理数据发送至数据采集模块进行汇总；
然后，数据分组模块将所述汇总后的临床护理数据进行分组，得到多个分组后数据。
更具体的，所述数据分组模块基于每个所述ICU病人对应的本地边缘数据处理终端的所述预处理分组结果，对所述所述汇总后的临床护理数据进行分组。
数据订阅模块基于订阅参数调节模块确定的订阅参数，从所述分组后数据中订阅部分临床护理数据作为订阅数据发送至数据预测模块。
数据预测模块选择多个预测引擎之一，基于所述订阅数据进行ICU病人抢救风险预测。
基于大数据的抢救风险预测引擎可以选用现有的各种疾病风险方法，本发明对此不再展开，例如可参见如下现有技术：
Churpek MM Yuen TC Park SY et al. Derivation of a cardiac arrestprediction model using ward vital signs J . CritCare Med 2012 40 7 2102-2108.
Bates DW Saria S Ohno machado L et al. Big data in healthcare usinganalytics to identify and manage high risk and high cost patients J . HealthAff Millwood 2014 33 （7），1123-1131.
基于图1-图3所述的系统，图4给出了一种基于大数据的ICU病人抢救风险预测方法。
图4所述所述方法包括步骤S1-S7，各个步骤具体实现如下：
S1：通过位于ICU病人本地护理端的多个临床数据采集端采集临床护理数据，并将所述临床护理数据发送该ICU病人对应的本地边缘数据处理终端；
在具体实现中，对于每个所述ICU病人，所述本地护理端包括多个临床数据采集端和一个本地边缘数据处理终端；
所述本地边缘数据处理终端将所述多个临床数据采集端采集的不同数据按照不同属性进行预处理分组，所述不同属性包括采集时间属性、采集终端属性以及数据范围属性。
S2: 将每个ICU病人经过其对应的本地边缘数据处理终端处理过的临床护理数据发送至数据采集模块进行汇总；
此处，可结合图3所述，图3中，首先将每个ICU病人经过其对应的本地边缘数据处理终端处理过的临床护理数据发送至数据采集模块进行汇总；然后，数据分组模块将所述汇总后的临床护理数据进行分组，得到多个分组后数据。
这里的分组是正式的根据预测需要而进行的数据分组，不同于前述的本地边缘数据处理终端进行预分组，前述预处理分组与预测需要无关。
S3：数据分组模块将所述汇总后的临床护理数据进行分组，得到多个分组后数据；
具体说，所述数据分组模块基于每个所述ICU病人对应的本地边缘数据处理终端的所述预处理分组结果，对所述所述汇总后的临床护理数据进行分组。
由于此时汇总了不同ICU病人的本地边缘数据处理终端的所述预处理分组结果，因此，可以根据不同边缘数据处理终端的属性、对应病人ID、病种属性等，根据后续的预测需求（例如具体预测何种疾病的抢救风险），进行数据分组。
S4：数据订阅模块基于订阅参数调节模块确定的订阅参数，从所述分组后数据中订阅部分临床护理数据作为订阅数据发送至数据预测模块；
S5：数据预测模块选择多个预测引擎之一，基于所述订阅数据进行ICU病人抢救风险预测，并将预测结果发送至预测结果显示模块；
S6：反馈模块基于所述预测结果显示模块显示的预测结果，生成反馈选择信号，发送至所述反馈切换器；
S7：所述数据预测模块更换所述预测引擎或者所述订阅参数调节模块重新设置所述订阅参数，返回步骤S1。
所述步骤S6中所述反馈信号包括：
控制所述反馈切换器将第一反馈信号发送至所述订阅参数调节模块，使得所述订阅参数调节模块重新设置所述订阅参数，并将重新设置的控制信号发送至所述数据采集模块；
或者，
控制所述反馈切换器将第二反馈信号发送至所述数据预测模块，使得所述数据预测模块更换所述预测引擎。
重新设置之后，所述数据采集模块可以控制所述临床数据采集端改变采集方式。
例如，第一反馈信号可以是当前预测结果显示时间尺度过大，因此，可以控制临床数据采集端减少采集周期；
第二反馈信号可以是当前使用的预测疫情的预测时延太大，因此，需要更换为时延较短的其他预测方法，等等。
具体的控制或者反馈调节标准，本领域技术人员可以根据实际需要设置，本发明对此不做限制。
可以看出，在本发明中，能够从多源的ICU临床数据中，基于后续预测模型的需要，获取有效的部分分组数据；并且能够基于预测结果，反馈调节参数至前端采集部分，使得数据采集和分组以及预测引擎的选择能够自适应的根据预测结果进行调整，从而在保证预测数据量以及预测数据有效性的前提下，避免大数据阻塞并自适应的动态分组数据以减轻数据传输压力。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (8)

1.一种基于大数据的ICU病人抢救风险预测系统，所述预测系统包括数据采集模块、数据分组模块、数据订阅模块以及数据预测模块，其特征在于：
所述数据采集模块用于采集临床ICU病人全过程数据；
所述数据分组模块用于将所述临床ICU病人全过程数据进行分组，得到分组后数据；
所述数据订阅模块包括订阅参数调节模块；
所述订阅参数调节模块用于调节所述数据订阅模块的订阅参数，基于所述订阅参数，所述数据订阅模块从所述分组后数据中获取部分订阅数据；
所述数据预测模块基于所述部分订阅数据，执行ICU病人抢救风险预测，并将预测结果显示于预测结果显示模块；
所述预测结果显示模块连接反馈模块，所述反馈模块通过反馈切换器连接至所述订阅参数调节模块；
所述数据预测模块还包括多个预测引擎；
所述反馈模块连接所述反馈切换器，所述反馈切换器基于所述反馈模块发出的反馈选择信号，控制所述订阅参数调节模块重新设置所述订阅参数。
2.如权利要求1所述的一种基于大数据的ICU病人抢救风险预测系统，其特征在于：
所述订阅参数调节模块与所述数据采集模块连接并进行单向数据通信。
3.如权利要求1所述的一种基于大数据的ICU病人抢救风险预测系统，其特征在于：
所述数据采集模块包括位于不同临床ICU病人本地护理端的多个临床数据采集端与本地边缘数据处理终端；
所述订阅参数调节模块与所述本地边缘数据处理终端单向通信，当所述订阅参数调节模块重新设置所述订阅参数后，将所述重新设置的所述订阅参数发送至所述本地边缘数据处理终端；
所述本地边缘数据处理终端基于所述重新设置的所述订阅参数控制所述临床数据采集端进行数据采集。
4.一种基于大数据的ICU病人抢救风险预测方法，其特征在于：
所述方法包括如下步骤：
S1：通过位于ICU病人本地护理端的多个临床数据采集端采集临床护理数据，并将所述临床护理数据发送该ICU病人对应的本地边缘数据处理终端；
对于每个所述ICU病人，所述本地护理端包括多个临床数据采集端和一个本地边缘数据处理终端；
S2: 将每个ICU病人经过其对应的本地边缘数据处理终端处理过的临床护理数据发送至数据采集模块进行汇总；
S3：数据分组模块将所述汇总后的临床护理数据进行分组，得到多个分组后数据；
S4：数据订阅模块基于订阅参数调节模块确定的订阅参数，从所述分组后数据中订阅部分临床护理数据作为订阅数据发送至数据预测模块；
S5：数据预测模块选择多个预测引擎之一，基于所述订阅数据进行ICU病人抢救风险预测，并将预测结果发送至预测结果显示模块；
S6：反馈模块基于所述预测结果显示模块显示的预测结果，生成反馈选择信号，发送至反馈切换器；
S7：所述订阅参数调节模块重新设置所述订阅参数，返回步骤S1。
5.如权利要求4所述的一种基于大数据的ICU病人抢救风险预测方法，其特征在于：
将所述多个临床数据采集端采集的不同数据按照不同属性进行预处理分组，所述不同属性包括采集时间属性、采集终端属性以及数据范围属性。
6.如权利要求5所述的一种基于大数据的ICU病人抢救风险预测方法，其特征在于：
所述步骤S3中所述数据分组模块将所述汇总后的临床护理数据进行分组，得到多个分组后数据，具体包括：
所述数据分组模块基于每个所述ICU病人对应的本地边缘数据处理终端的所述预处理分组结果，对所述汇总后的临床护理数据进行分组。
7.如权利要求4所述的一种基于大数据的ICU病人抢救风险预测方法，其特征在于：
所述步骤S6中生成反馈选择信号包括：
控制所述反馈切换器将第一反馈信号发送至所述订阅参数调节模块，使得所述订阅参数调节模块重新设置所述订阅参数，并将重新设置的控制信号发送至所述数据采集模块。
8.一种计算机可读存储介质，其上存储有计算机可执行程序指令，通过包含处理器和存储器的终端设备，执行所述可执行程序指令，用于实现权利要求4-7任一项所述的方法。
CN202011396750.7A 2020-12-03 2020-12-03 基于大数据的icu病人抢救风险预测方法与系统 Active CN112349411B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011396750.7A CN112349411B (zh) 2020-12-03 2020-12-03 基于大数据的icu病人抢救风险预测方法与系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011396750.7A CN112349411B (zh) 2020-12-03 2020-12-03 基于大数据的icu病人抢救风险预测方法与系统

Publications (2)

Publication Number Publication Date
CN112349411A CN112349411A (zh) 2021-02-09
CN112349411B true CN112349411B (zh) 2021-07-23

Family

ID=74427261

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011396750.7A Active CN112349411B (zh) 2020-12-03 2020-12-03 基于大数据的icu病人抢救风险预测方法与系统

Country Status (1)

Country Link
CN (1) CN112349411B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113384241B (zh) * 2021-07-08 2023-01-31 郑州大学第二附属医院 一种可穿戴设备辅助的慢性病患者临床监测平台与方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105139162A (zh) * 2015-10-16 2015-12-09 上海市浦东新区周浦医院 一种管理危重患者的临床诊疗信息及质控方法及系统
CN105816166A (zh) * 2016-05-24 2016-08-03 周博 生物电信号调节融合方法、装置及系统
CN107436993A (zh) * 2017-05-05 2017-12-05 陈昕 建立icu患者病情评估模型的方法和服务器
CN108053872A (zh) * 2017-12-27 2018-05-18 苏州麦迪斯顿医疗科技股份有限公司 一种透析数据的采集装置及其采集方法
CN110175697A (zh) * 2019-04-25 2019-08-27 胡盛寿 一种不良事件风险预测系统及方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9968266B2 (en) * 2006-12-27 2018-05-15 Cardiac Pacemakers, Inc. Risk stratification based heart failure detection algorithm
KR102508971B1 (ko) * 2015-07-22 2023-03-09 주식회사 케이티 질병 위험도 예측 방법 및 이를 수행하는 장치

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105139162A (zh) * 2015-10-16 2015-12-09 上海市浦东新区周浦医院 一种管理危重患者的临床诊疗信息及质控方法及系统
CN105816166A (zh) * 2016-05-24 2016-08-03 周博 生物电信号调节融合方法、装置及系统
CN107436993A (zh) * 2017-05-05 2017-12-05 陈昕 建立icu患者病情评估模型的方法和服务器
CN108053872A (zh) * 2017-12-27 2018-05-18 苏州麦迪斯顿医疗科技股份有限公司 一种透析数据的采集装置及其采集方法
CN110175697A (zh) * 2019-04-25 2019-08-27 胡盛寿 一种不良事件风险预测系统及方法

Also Published As

Publication number Publication date
CN112349411A (zh) 2021-02-09

Similar Documents

Publication Publication Date Title
CN109805898B (zh) 基于注意力机制时序卷积网络算法的危重症死亡预测方法
Subha et al. A Remote Health Care Monitoring system using internet of medical things (IoMT)
Sittig et al. Physiologic trend detection and artifact rejection: a parallel implementation of a multi-state Kalman filtering algorithm
EP3287918B1 (en) Managing patient devices based on sensor data
Hu et al. Predictive combinations of monitor alarms preceding in-hospital code blue events
CN112349411B (zh) 基于大数据的icu病人抢救风险预测方法与系统
EP4020489A1 (en) Multi-parameter monitoring device data analysis report generation method and system
Miao et al. Mobihealthcare system: Body sensor network based m-health system for healthcare application
Qidwai et al. Using casual reasoning for anomaly detection among ECG live data streams in ubiquitous healthcare monitoring systems
CN114420231A (zh) 一种可解释的急性肾损伤持续预警方法、系统、存储介质及电子设备
Mohamad et al. ThingSpeak cloud computing platform based ECG diagnose system
CN117442211B (zh) 一种多导联心电图同步采集方法、终端设备及存储介质
CN110880368A (zh) 远程可视化中医诊疗系统
Li et al. Fusing deep metric learning with KNN for 12-lead multi-labelled ECG classification
CN108877945A (zh) 医疗信息处理方法及装置
Akanksha Framework for propagating stress control message using heartbeat based IoT remote monitoring analytics
Fan et al. Toward automated analysis of electrocardiogram big data by graphics processing unit for mobile health application
CN116616784A (zh) 一种基于深度学习的心电图分类方法、装置及存储介质
Ishtiaque et al. IoT-based low-cost remote patient monitoring and management system with deep learning-based arrhythmia and pneumonia detection
AU2020103910A4 (en) An IoT based Health Care System to find Medical Emergency and Initiate Expert Care
CN113257379A (zh) 一种医用智能腕带控制系统、方法、终端、介质、计算机
CN115700789A (zh) 一种基于多模态医学数据的肺炎预检分诊系统
Zhang et al. An ECG intelligent monitoring system with MSP430 microcontroller
Nizami et al. Service oriented architecture to support real-time implementation of artifact detection in critical care monitoring
Gupta et al. Advanced telemedicine system for remote healthcare monitoring

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