CN112365981A - 智慧医疗信息处理方法和装置 - Google Patents
智慧医疗信息处理方法和装置 Download PDFInfo
- Publication number
- CN112365981A CN112365981A CN202011355635.5A CN202011355635A CN112365981A CN 112365981 A CN112365981 A CN 112365981A CN 202011355635 A CN202011355635 A CN 202011355635A CN 112365981 A CN112365981 A CN 112365981A
- Authority
- CN
- China
- Prior art keywords
- information
- user
- client
- prediction result
- medical
- 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
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
- G16H50/30—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
- 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Pathology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明实施例提供一种智慧医疗信息处理方法和装置,该方法包括:获取用户的特征信息;然后根据预先训练得到的BP神经网络模型和所述特征信息,自动对所述用户的身体状态进行预测,得到所述用户对应的预测结果;再基于DS证据理论对所述预测结果进行修正,保证预测结果的准确定;将所述修正后的预测结果发送至客户端显示,以提示用户采取相应的措施。本发明实施例提供的方案不仅能够根据用户的特征信息和预先训练的BP神经网络自动预测得到用户的身体状态信息,并将预测结果发送至客户端显示,便于用户根据预测结果选择相应的措施,达到了预警效果。
Description
技术领域
本发明实施例涉及智慧医疗技术领域,尤其涉及一种智慧医疗信息处理方法和装置。
背景技术
近年来,信息化技术飞速发展,带动了很多领域的进步,比如,应用于交通领域,可以提升交通运输行业的管理效率、及时预警减少交通事故的发生等。再比如,在医疗领域,通过信息化手段整合医疗资源,实现覆盖区域医疗机构的网络互联互通、信息资源共享等医疗网络及居民健康信息管理体系,不仅能够提高相关医疗机构的工作效率,还能够实时监测人们的健康状态,提前跟踪和预警人们的健康状态信息,进而提高全民健康服务水平。
现有技术中,人们体检、就医等大多都是去医院挂号、检查等、也有部分通过用户终端应用程序APP来进行挂号,之后再去医院进行检查。
然而,现有方法对于健康状态比较好的人群如果盲目去医疗机构检查,在一定程度上会占用一部分医疗资源,并且也比较消耗该部分人群的时间。而对于健康状态比较差的人群,往往会因为就诊不及时而错过最佳治疗时期。因此,缺乏基于不同用户的个性化的线上私人健康状态信息的监测、预警等机制。
发明内容
本发明实施例提供一种智慧医疗信息处理方法和装置,以克服现有技术中对于健康状态比较好的人群,在一定程度上会占用一部分医疗资源,并且也比较消耗该部分人群的时间。而对于健康状态比较差的人群,往往会因为就诊不及时而错过最佳治疗时期。缺乏基于不同用户的个性化的线上私人健康状态信息的监测、预警等机制的技术问题。
第一方面,本发明实施例提供一种智慧医疗信息处理方法,包括:
获取用户的特征信息;
根据预先训练得到的反向传播(Back Propagation,BP)神经网络模型和所述特征信息,对所述用户的身体状态进行预测,得到所述用户对应的预测结果;
基于(Dempster/Shafer,DS)证据融合理论对所述预测结果进行修正,得到修正后的预测结果;
将所述修正后的预测结果发送至客户端显示,以提示用户采取相应的措施。
可选的,所述特征信息包括个人基本信息、作息数据、运动数据、面部信息、视力信息、既往病史信息和家族遗传信息;
所述获取用户的特征信息,包括:
采集用户通过客户端的交互界面输入的个人基本信息、视力信息、既往病史信息和家族遗传信息;和,获取可穿戴设备采集的用户的作息数据和运动数据,或者,获取客户端应用程序记录的用户的作息数据和运动数据;和,采集用户的面部图像,并基于人脸识别技术在所述面部图像中获取用户的面部信息。
可选的,所述根据预先训练得到的BP神经网络模型和所述特征信息,对所述用户的身体状态进行预测,得到所述用户对应的预测结果,包括:
根据所述特征信息在特征库中匹配与所述特征信息对应的身体状态标签;
根据匹配到的身体状态标签在病理库中匹配对应的处理方案;
根据所述处理方案生成预测结果,所述预测结果为身体状态良好、需要保健调理或需要挂号就医。
可选的,若所述预测结果是需要保健调理,则执行第一阶段操作,所述第一阶段操作包括:
根据与所述用户的特征信息对应的已有病例信息进行预诊断,得到预诊断结果,并将所述预诊断结果和与所述预诊断结果对应的注意事项发送至客户端显示;
和/或,按照预设时间间隔向客户端发送第一提示信息,所述第一提示信息用于提示所述用户进行身体体征采集,以重新获取用户的面部信息和视力信息;并根据重新获取的用户的面部信息和视力信息,向客户端发送相应的第一预警信息;
和/或,按照所述预设时间间隔重新获取用户的作息数据和运动数据;并根据重新获取的用户的作息数据和运动数据,向客户端发送相应的第二预警信息;
和/或,根据所述用户的既往病史信息和家族移传信息,向所述客户端发送相应的第三预警信息。
可选的:若所述预测结果是需要挂号就医,则执行第二阶段操作,所述第二阶段操作包括:
根据所述预测结果,将所述预测结果相应就诊信息发送至客户端显示,以指示用户进行挂号,所述就诊信息包括医疗机构名称、所述医疗机构中每个科室的名称、每个科室的位置信息以及每个科室中每个工作人员的信息;
接收所述用户通过所述客户端的交互界面输入的挂号信息,并根据所述挂号信息进行挂号操作,所述挂号信息包括挂号的目标科室名称、挂号的目标工作人员的信息和就诊时间;
实时获取所述目标科室的排号信息,将所述排号信息以及所述用户的就诊时间发送至所述客户端显示;
将匹配到的所述用户的特征信息对应的处理方案发送至所述目标工作人员对应的操作终端进行显示,以指示所述目标工作人员结合所述处理方案对所述用户进行诊断。
可选的,所述执行第二阶段操作之后,所述方法还包括:执行第三阶段操作,所述第三阶段操作包括:
获取所述目标工作人员的诊断结果,所述诊断结果包括治疗周期内用户需要进行的医学检测信息和需要服用的药物信息;其中,所述医学检测信息包括医学检测项目和医学检测时间,所述需要服用的药物信息包括药物种类和每种药物的服用时间;
根据所述医学检测信息和所述需要服用的药物信息,向客户端发送第二提示信息,以提示所述用户按照所述医学检测时间进行医学检测和按照所述药物服用时间服用药物。
可选的,所述执行第三阶段操作之后,所述方法还包括:执行第四阶段操作,所述第四阶段操作包括:
获取所述用户的治疗费用,并将所述治疗费用发送至所述客户端显示,以指示所述用户线上结算;以及,执行第一阶段操作。
第二方面,本发明实施例提供一种智慧医疗信息处理装置,包括:
获取模块,用于获取用户的特征信息;
预测模块,用于根据预先训练得到的BP神经网络模型和所述特征信息,对所述用户的身体状态进行预测,得到所述用户对应的预测结果;
修正模块,用于基于DS证据融合理论对所述预测结果进行修正,得到修正后的预测结果;
发送模块,用于将所述修正后的预测结果发送至客户端显示,以提示用户采取相应的措施。
第三方面,本发明实施例提供一种电子设备,包括:至少一个处理器和存储器;
所述存储器存储计算机执行指令;
所述至少一个处理器执行所述存储器存储的计算机执行指令,使得所述至少一个处理器执行如上第一方面以及第一方面各种可能的设计所述的智慧医疗信息处理方法。
第四方面,本发明实施例提供一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机执行指令,当处理器执行所述计算机执行指令时,实现如上第一方面以及第一方面各种可能的设计所述的智慧医疗信息处理方法。
第五方面,本发明实施例提供一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现如上第一方面以及第一方面各种可能的设计所述的智慧医疗信息处理方法。
本发明实施例提供的智慧医疗信息处理方法和装置,该方法通过获取用户的特征信息;然后根据预先训练得到的BP神经网络模型和所述特征信息,自动对所述用户的身体状态进行预测,得到所述用户对应的预测结果;再基于证据融合理论对所述预测结果进行修正,保证预测结果的准确定;将所述修正后的预测结果发送至客户端显示,以提示用户采取相应的措施。本发明实施例提供的方案不仅能够根据用户的特征信息和预先训练的BP神经网络自动预测得到用户的身体状态信息,并将预测结果发送至客户端显示,便于用户根据预测结果选择相应的措施,达到了预警效果,不仅能够避免因为就诊不及时而错过最佳治疗时期,也避免了预测结果为身体状态良好的用户盲目去医院检查,节省了医疗资源。
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,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图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性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一实施例提供的智慧医疗信息处理方法的应用场景图;
图2为本发明一实施例提供的智慧医疗信息处理方法的流程示意图;
图3为本发明另一实施例提供的智慧医疗信息处理方法的流程示意图;
图4为本发明另一实施例提供的智慧医疗信息处理方法的流程示意图;
图5为本发明另一实施例提供的智慧医疗信息处理方法的应用场景图;
图6为本发明一实施例提供的智慧医疗信息处理装置的结构示意图;
图7为本发明实施例提供的电子设备的硬件结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
近年来,信息化技术飞速发展,带动了很多领域的进步,比如,应用于交通领域,可以提升交通运输行业的管理效率、及时预警减少交通事故的发生等。再比如,在医疗领域,通过信息化手段整合医疗资源,实现覆盖区域医疗机构的网络互联互通、信息资源共享等医疗网络及居民健康信息管理体系,不仅能够提高相关医疗机构的工作效率,还能够实时监测人们的健康状态,提前跟踪和预警人们的健康状态信息,进而提高全民健康服务水平。
现有技术中,人们体检、就医等大多都是去医院挂号、检查等、也有部分通过用户终端应用程序APP来进行挂号,之后再去医院进行检查。然而,现有方法对于健康状态比较好的人群,在一定程度上会占用一部分医疗资源,并且也比较消耗该部分人群的时间。而对于健康状态比较差的人群,往往会因为就诊不及时而错过最佳治疗时期。因此,缺乏基于不同用户的个性化的线上私人健康状态信息的监测、预警等机制。
针对此缺陷,本申请提供的技术构思为:通过获取用户的特征信息;然后根据预先训练得到的反向传播(Back Propagation,BP)神经网络模型和所述特征信息,自动对所述用户的身体状态进行预测,得到所述用户对应的预测结果;再基于DS证据理论对所述预测结果进行修正,保证预测结果的准确定;将所述修正后的预测结果发送至客户端显示,以提示用户采取相应的措施。本发明实施例提供的方案不仅能够根据用户的特征信息和预先训练的BP神经网络自动预测得到用户的身体状态信息,并将预测结果发送至客户端显示,便于用户根据预测结果选择相应的措施,达到了预警效果。
图1为本发明一实施例提供的智慧医疗信息处理方法的应用场景图。
如图1所示,本实施例提供的应用场景的基本架构主要包括服务端101和客户端102,用户通过客户端的交互界面输入个人信息(如图1中的a所示),以及通过客户端的摄像头采集相关头部特征信息(如图1中的b所示),然后客户端将获取到的用户信息发送至服务端,服务端对用户信息进行处理,得到用户身体状态的诊断结果,将诊断结果发送至客户端进行显示(如图1中的c所示)。
图2为本发明一实施例提供的智慧医疗信息处理方法的流程示意图,本实施例提供的方法的执行主体可以是图1所示实施例中的服务端,也可以是其他具有相关处理功能的设备。
如图2所示,本实施例提供的方法可以包括以下步骤。
S201,获取用户的特征信息。
其中,特征信息可以但不限于包括个人基本信息(比如姓名、性别、年龄等)、作息数据、运动数据、面部信息、视力信息、既往病史信息和家族遗传信息等。
具体的,对于不同的特征信息,获取方式不同,比如,对于个人基本信息,是用户通过客户端交互界面输入的,然后服务端从客户端获取个人基本信息。再比如,面部信息是需要客户端采集用户的面部图像,客户端将面部图像发送至服务端,服务端对面部图像进行人脸识别,得到用户的面部信息(比如脸色信息、眼部的眼角信息等)。
S202,根据预先训练得到的反向传播(Back Propagation,BP)神经网络模型和所述特征信息,对所述用户的身体状态进行预测,得到所述用户对应的预测结果。
其中,BP神经网络模型是通过大量训练数据对BP神经网络进行训练得到,训练数据包括大量用户的特征信息,以及特征信息对应的身体状态标签,将带有标签的特征信息作为训练样本输入到BP神经网络中进行训练,得到最终的BP神经网络模型。当获取到待检测用户的特征信息后,直接将待检测用户的特征信息输入到BP神经网络模型中,BP神经网络模型便自动为该特征信息匹配相应的身体状态标签,输出用户的身体状态信息的预测结果。
S203,基于DS证据理论对所述预测结果进行修正,得到修正后的预测结果。
具体的,对步骤S203中得到的预测结果进行预处理,即,将BP神经网络模型输出的预测结果做归一化处理得到概率向量,也就是得到DS证据理论可以用来计算的基本概率向量。然后联网获取大数据中与所述特征信息相同的已有病例的诊断结果,将诊断结果也进行归一化处理得到对应的概率向量,将预测结果对应的基本概率向量和已有病例的诊断结果对应的概率向量进行证据合成,最终得到的修正后的预测结果。
需要说明的是,本步骤中具体归一化处理过程可以参考相关技术中的描述,此处不再展开说明。
S204,将所述修正后的预测结果发送至客户端显示,以提示用户采取相应的措施。
比如,预测结果为需要保健调理,则用户看到该预测结果后便可以及时调理身体,在一定程度上可以避免身体状态继续变差。再比如,预测结果为身体状态良好,则将该结果发送至客户端显示,用户看到该预测结果后只需要保持良好生活习惯即可,不用去医院进行就诊,从而在一定程度上节省了医疗资源。
本实施例中,通过获取用户的特征信息;然后根据预先训练得到的反向传播(BackPropagation,BP)神经网络模型和所述特征信息,自动对所述用户的身体状态进行预测,得到所述用户对应的预测结果;再基于DS证据理论对所述预测结果进行修正,保证预测结果的准确定;将所述修正后的预测结果发送至客户端显示,以提示用户采取相应的措施。本发明实施例提供的方案不仅能够根据用户的特征信息和预先训练的BP神经网络自动预测得到用户的身体状态信息,并将预测结果发送至客户端显示,便于用户根据预测结果选择相应的措施,达到了预警效果。
图3为本发明另一实施例提供的智慧医疗信息处理方法的流程示意图,本实施例在图2所示实施例的基础上,进一步对智慧医疗信息处理方法进行详细描述。
如图3所示,本实施例提供的方法可以包括以下步骤。
S301,获取用户的特征信息。
其中,特征信息可以但不限于包括个人基本信息、作息数据、运动数据、面部信息、发质信息、视力信息、既往病史信息和家族遗传信息;其中,个人基本信息可以但不限于包括用户的姓名、性别和年龄等;作息数据可以但不限于包括用户的每天的睡眠时间和深度睡眠时长等;运动数据包括用户每天的运动距离、运动步数信息以及运动时间等;面部信息可以但不限于包括:面色信息(比如面色白皙、面色蜡黄以及面色暗沉等)、眼部信息(比如眼角下垂、眼角上扬等);视力信息包括眼睛度数、散光度数等。
具体的,对于不同的特征信息,其获取的方式也不同。
一些实施例中,对于个人基本信息、视力信息、既往病史信息和家族移传信息等可以由用户通过客户端的交互界面输入,客户端主动将用户输入的这些信息发送至服务端。
一些实施例中,对于作息数据和运动数据,用户可以提前设置客户端允许读取日历、设置客户端打开定位功能,以及设置客户端允许睡眠监测、步数检测功能等。然后客户端定位装置获取用户每天不同时间段的位置信息,客户端的睡眠监测APP记录用户每天的睡眠时间、深度睡眠时长等,客户端的运动监测模块记录用户每天的运动距离、运动步数等,然后客户端将记录的作息数据、运动数据发送至服务端。
一些实施例中,用户的作息数据和运动数据也可以是可穿戴设备监测得到的,比如,运动手环等,可穿戴设备将监测到的运动数据可以直接发送至服务端,也可以先同步至客户端,再有客户端发送至服务端。
需要说明的是,在获取到作息数据之后,对作息数据进行睡眠分析来判断用户是否处于紧张、压力大的状态,比如,用户在一段时间内,每天睡眠时间都在1点以后,且深度睡眠时长低于1小时,则判定用户在这段时间内精神处于紧张状态,压力比较大。
一些实施例中,对于面部信息,客户端的图像采集模块(比如摄像头)采集用户的面部图像,将面部图像发送至服务端,服务端基于人脸识别技术对面部图像进行处理,得到面部信息。或者,客户端基于人脸识别技术对面部图像进行处理,再将最终获得的面部信息发送至服务端。
S302,根据所述特征信息在特征库中匹配与所述特征信息对应的身体状态标签。
S303,根据匹配到的身体状态标签在病理库中匹配对应的处理方案。
S304,根据所述处理方案生成预测结果,所述预测结果为身体状态良好、需要保健调理或需要挂号就医。
在一种可能的实施例中,BP神经网络模型包括输入层、隐藏层和输出层,其中输入层是用于输入用户的特征信息,隐藏层具体的功能实现便是该步骤S302和S303所述的方法,最后由输出层输出预测结果。
具体的,先获取大量用户的上述特征信息,然后技术人员为每个特征信息标注相应的标签,比如,从用户的纵向生命演进和横向身体状态两个维度出发,整个纵向生命演进用标签“T”来标识,横向身体状态(比如用户面部信息、作息数据、运动数据、既往病史信息和家族移传信息等)用标签“P”来标识,纵向生命演进包括“儿童(1岁~7岁)”、“少年(8岁~12岁)”、“青年(13岁~35岁)”、“中年(36岁~55岁)”和“老年(56岁及以上)”这五个阶段,这五个阶段分别标注子标签:儿童阶段对应的子标签为1、少年阶段的子标签为2、青年阶段对应的子标签为3、中年阶段对应的子标签为4以及老年阶段对应的子标签为5,然后标注特征信息中的个人基本信息标签为1,个人基本信息中包含姓名、性别和年龄这三项,在为这三项信息分别标注子标签,比如姓名的子标签为1、性别的子标签为2以及年龄的子标签为3,然后当用户输入“用户姓名为张三”这一特征信息时,自动匹配该特征信息的标签为“P11姓名:张三”,当用户输入“用户年龄为35”这一特征信息时,自动匹配该特征信息的特征标签为“T313年龄:35岁”,该特征标签中的T表明属于纵向生命周期演进维度,第一个“3”表示用户处于青年阶段,第一个“1”表示属于“个人基本信息”这一特征,第二个“3”表示属于“个人基本信息”这一特征中的“年龄”这一子特征。再比如,将特征信息中的面部信息标注标签为2,面部信息包括面色信息和眼部信息,分别标注面色信息对应的子标签为1、眼部信息对应的子标签为2;若面色信息包含白皙、蜡黄和暗沉这三种情况,则分别对三种面色信息标注子标签,白皙对应的子标签为1、蜡黄对应的子标签为2以及暗沉对应的子标签为3。当获取到用户的特征信息为“面色蜡黄”时,为该特征信息匹配的特征标签则为“P212面色:蜡黄”。
需要说明的是,上述标签信息仅仅是举例说明,本实施例不对其做具体限定,由于在具体实施时涉及到的特征信息非常多,此处不再一一说明,具体标签标注情况可以根据实际情况进行确定。
进一步的,当提前对每个特征信息标注标签,得到特征标签后,在根据每个用户对应的所有特征标签,为每个用户标注身体状态标签。比如,用户A对应的所有特征标签包括:“P111既往病史信息”、“T313年龄:35岁”、“P212面色:蜡黄”、“P1222是否近视:近视”、“P1232目光:呆滞”、“P2212眼角:下垂”、“P3211运动分析:无快速运动”、“P421作息分析:熬夜”、“P422睡眠分析:紧张、压力大”和“P511家族移传信息”等,根据用户A对应的这些特征标签和大数据中的已有病例的特征进行判断,若判断该用户A的身体状态为:生活奔波、无健康作息引起的亚健康体质,则将“生活奔波、无健康作息引起的亚健康体质”作为用户A的身体状态标签。类似的,获取大量用户的特征信息,为其中每个用户的特征自动匹配特征标签,在基于特征标签和大数据分析,确定每个用户对应的身体状态标签,基于每个用户的所有特征标签和每个用户与身体状态标签的对应关系创建特征库。
进一步的,得到大量用户对应的身体状态标签之后,在基于大数据获取已有病例的诊断方案,比如,对于身体状态为“生活奔波、无健康作息引起的亚健康体质”的用户,基于大数据获取的已有病例的诊断方案为:“内部去湿、减少电脑使用、心态减压以及增强运动”,类似的,可以得到大量用户的身体状态标签分别对应的诊断方案,根据大量用户身体状态标签和诊断方案的对应关系,创建病理库。
将特征库中大量的用户的特征标签、身体状态标签和两者的对应关系,以及病理库中大量的用户的身体状态标签、诊断方案和两者的对应关系作为训练样本,训练BP神经网络。
进一步的,当获取到待检测用户的特征信息后,输入到BP神经网络模型中,自动为待检测用户匹配身体状态标签,在根据身体状态标签匹配相应的诊断方案(即处理方案)。
进一步的,根据最终匹配到的诊断方案生成预测结果,比如,匹配到的处理方案为“内部去湿、减少电脑使用、心态减压以及增强运动”则对应生成的预测结果为“保健调理”;若匹配到的处理方案为“心态减压、增强运动以及减少电脑使用”,则生成的预测结果为“身体状态良好”;若匹配到的处理方案为“需要医学检测、药物治疗和减少电脑使用”,则生成的预测方案为“挂号就医”。
本实施例中,通过对每个特征信息标注标签得到每个用户的所有特征标签,在根据每个用户的所有特征标签组合对神经网络进行训练,使得训练后的BP神经网络模型匹配更加精准。
S305,根据预测结果,执行相应的阶段操作。
具体的,预测结果不同,对应执行的操作也是不同的。如图4所示,在获取到用户的特征信息,并进行特征库标签匹配和病理库标签匹配之后得到相应的预测方案,若预测结果为“身体状态良好”则不进行任何操作;若预测结果为“保健调理”则进入第一阶段,执行第一阶段的操作,该第一阶段为主动关怀阶段;若预测结果为“挂号就医”,则进入第二阶段,第二阶段为就诊关切阶段,执行第二阶段的相关操作;执行完第二阶段操作之后进入第三阶段,第三阶段为病中关爱阶段,执行第三阶段的相关操作;执行完第三阶段的操作之后,进入第四阶段,第四阶段为病后关心阶段,执行第四阶段的相关操作,然后返回保健调理的步骤,进入主动关怀阶段。
一些实施例中,所述第一阶段操作包括:根据与所述用户的特征信息对应的已有病例信息进行预诊断,得到预诊断结果,并将所述预诊断结果和与所述预诊断结果对应的注意事项发送至客户端显示;和/或,按照预设时间间隔向客户端发送第一提示信息,所述第一提示信息用于提示所述用户进行身体体征采集,以重新获取用户的面部信息和视力信息;并根据重新获取的用户的面部信息和视力信息,向客户端发送相应的第一预警信息;和/或,按照所述预设时间间隔重新获取用户的作息数据和运动数据;并根据重新获取的用户的作息数据和运动数据,向客户端发送相应的第二预警信息;和/或,根据所述用户的既往病史信息和家族移传信息,向所述客户端发送相应的第三预警信息。
示例性的,在第一阶段(主动关怀阶段),如图5所示,服务端联网获取医疗大数据,然后基于医疗大数据结合用户“李四”的特征信息对用户进行预诊断,即在大数据中获取与该特征信息相同或相似的已有病例的诊断结果,将相应已有病例的诊断结果作为当前用户的预诊断结果,并将预诊断结果和预诊断结果对应的注意事项(比如,注意作息时间、注意少吃冰冷食物等)发送至客户端显示,以供用户参考。和/或,按照一定的时间间隔(比如3天)向客户端发送一次第一提示信息,所述第一提示信息用于提示所述用户进行身体体征采集,用户看到第一提示信息后便可以使用客户端的重新获取面部信息和视力信息(如图5中的a和b所示),并将重新获取的数据和已有数据进行对比,以实现用户健康状态的跟踪监测,当用户面色变差和视力下降时,可以及时生成第一预警信息,第一预警信息用于提示用户减少玩电脑、手机等电子设备的时间、注意休息等。和/或,按照一定的时间间隔(比如3天)便通过客户端重新获取一次作息数据和运动数据,并将新获取的作息数据和运动数据与之前的数据进行对比,若发现用户作息相较于之前不规律、运动时间减少等,则生成第二预警信息,所述第二预警信息用于提示用户调整作息时间以及增强运动等。和,或,根据所述用户的既往病史信息和家族移传信息,向所述客户端发送相应的第三预警信息,该第三预警信息用于提醒用户注意某方面影响该病情的相关事项,有助于降低病情发生(复发)率。
一些实施例中,所述第二阶段操作包括:根据所述预测结果,将所述预测结果相应就诊信息发送至客户端显示(如图5中的c所示),以指示用户进行挂号,所述就诊信息包括医疗机构名称、所述医疗机构中每个科室的名称、每个科室的位置信息以及每个科室中每个工作人员的信息;接收所述用户通过所述客户端的交互界面输入的挂号信息,并根据所述挂号信息进行挂号操作,所述挂号信息包括挂号的目标科室名称、挂号的目标工作人员的信息和就诊时间;实时获取所述目标科室的排号信息,将所述排号信息以及所述用户的就诊时间发送至所述客户端显示;将匹配到的所述用户的特征信息对应的处理方案发送至所述目标工作人员对应的操作终端进行显示(如图5中的操作终端显示屏幕所示),以指示所述目标工作人员结合所述处理方案对所述用户进行诊断。
具体的,基于大数据整合所在省市等覆盖区域医疗结构信息,含病例、医务工作人员等,使用大数据针对预测结果进行匹配,匹配相应的医院、科室、医务工作人员等信息,并将匹配到的信息发送至客户端显示,用户通过客户端输入想要挂号的医院、科室、医务工作人员以及就诊时间等信息,在线上完成挂号,降低去医院挂号挂号和黄牛代挂号等时间和金钱成本。在就诊期间,对初次就诊或老年用户解决导诊不清晰、付费排队长、等就诊时间长情况,服务端获取目标工作人员所在科室当前的排号状态,并将排号状态、待检测用户的就诊时间、就诊地点等信息发送至客户端进行显示。由于医疗机构每天就诊人数多、医务工作人员诊断时间有限,存在为业绩快速诊断、匆忙诊断的情况,因此,可以将服务端根据待检测用户的特征信息匹配到的预测结果和诊断方案发送至目标医务工作人员对应的操作终端显示屏幕上显示,目标医务工作人员可以参考该预测结果和诊断方案结合临床诊断结果得到最终方案,可以在一定程度上降低了医务工作人员诊断时间。并且,对于同时对于进行了生化指标采集和医学影像采集的用户,在检验结果出来后,目标医务工作人员可以通过操作终端输入到导入线上,以便于用户可以通过客户端联网查看,实现了医务工作人员和患者之间的信息互联共享,整个过程可以便于医务工作人员结合临床诊断结果和服务端的预检测结果进行综合诊断,精细化到个人病情,降低了误诊概率。
一些实施例中,所述第三阶段操作包括:获取所述目标工作人员的诊断结果,所述诊断结果包括治疗周期内用户需要进行的医学检测信息和需要服用的药物信息;其中,所述医学检测信息包括医学检测项目和医学检测时间,所述需要服用的药物信息包括药物种类和每种药物的服用时间;根据所述医学检测信息和所述需要服用的药物信息,向客户端发送第二提示信息,以提示所述用户按照所述医学检测时间进行医学检测和按照所述药物服用时间服用药物。
具体的,在病中关爱阶段,可以实现住院智慧跟踪,住院期间服务端联网获取用户需要进行的生化指标采集、医学影像就诊及相应的检测时间、复查时间提醒。非住院用户通过身体体征和健康状态周期性监测进行病情跟进,针对病中不同阶段用药种类及数量不同,进行阶段性用药提醒。同时,服务端定时向目标医务工作人员对应操作终端发送提示信息,以主动提醒医生进行远程问讯,降低用户医院挂号复诊概率、缓解就医难现状,同时形成了线上线下全方位诊疗。
一些实施例中,第四阶段操作包括:获取所述用户的治疗费用,并将所述治疗费用发送至所述客户端显示,以指示所述用户线上结算;以及,执行第一阶段操作。
其中,第一阶段操作可以参考上述有关实施例中的描述,此处不再重复说明。
本实施例中,可以实现病愈用户线上结算医疗费用等。并且,还可以在病后进入保养调理阶段,调理期间主动关怀,有助于用户身体痊愈。
图6为本发明一实施例提供的智慧医疗信息处理装置的结构示意图。
如图6所示,本实施例提供的装置包括:获取模块601,预测模块602,修正模块603和发送模块604;其中,获取模块,用于获取用户的特征信息;预测模块,用于根据预先训练得到的反向传播(Back Propagation,BP)神经网络模型和所述特征信息,对所述用户的身体状态进行预测,得到所述用户对应的预测结果;修正模块,用于基于DS证据理论对所述预测结果进行修正,得到修正后的预测结果;发送模块,用于将所述修正后的预测结果发送至客户端显示,以提示用户采取相应的措施。
进一步的,所述特征信息包括个人基本信息、作息数据、运动数据、面部信息、视力信息、既往病史信息和家族遗传信息;所述获取模块具体用于:
采集用户通过客户端的交互界面输入的个人基本信息、视力信息、既往病史信息和家族遗传信息;和,获取可穿戴设备采集的用户的作息数据和运动数据,或者,获取客户端应用程序记录的用户的作息数据和运动数据;和,采集用户的面部图像,并基于人脸识别技术在所述面部图像中获取用户的面部信息。
进一步的,所述预测模块具体用于:
根据所述特征信息在特征库中匹配与所述特征信息对应的身体状态标签;
根据匹配到的身体状态标签在病理库中匹配对应的处理方案;
根据所述处理方案生成预测结果,所述预测结果为身体状态良好、需要保健调理或需要挂号就医。
进一步的,若所述预测结果是需要保健调理,则所述预测模块还用于根据与所述用户的特征信息对应的已有病例信息进行预诊断,得到预诊断结果,所述发送模块还用于将所述预诊断结果和与所述预诊断结果对应的注意事项发送至客户端显示;
所述发送模块还用于按照预设时间间隔向客户端发送第一提示信息,所述第一提示信息用于提示所述用户进行身体体征采集,以重新获取用户的面部信息和视力信息;所述获取模块还用于并根据重新获取的用户的面部信息和视力信息,向客户端发送相应的第一预警信息;
所述获取模块还用于按照所述预设时间间隔重新获取用户的作息数据和运动数据;所述发送模块还用于根据重新获取的用户的作息数据和运动数据,向客户端发送相应的第二预警信息;
所述发送模块还用于根据所述用户的既往病史信息和家族移传信息,向所述客户端发送相应的第三预警信息。
进一步的,若所述预测结果是需要挂号就医,则所述发送模块还用于:根据所述预测结果,将所述预测结果相应就诊信息发送至客户端显示,以指示用户进行挂号,所述就诊信息包括医疗机构名称、所述医疗机构中每个科室的名称、每个科室的位置信息以及每个科室中每个工作人员的信息;
所述获取模块还用于接收所述用户通过所述客户端的交互界面输入的挂号信息,并根据所述挂号信息进行挂号操作,所述挂号信息包括挂号的目标科室名称、挂号的目标工作人员的信息和就诊时间;
所述获取模块还用于实时获取所述目标科室的排号信息,所述发送模块还用于将所述排号信息以及所述用户的就诊时间发送至所述客户端显示;
所述发送模块还用于将匹配到的所述用户的特征信息对应的处理方案发送至所述目标工作人员对应的操作终端进行显示,以指示所述目标工作人员结合所述处理方案对所述用户进行诊断。
进一步的,所述获取模块还用于获取所述目标工作人员的诊断结果,所述诊断结果包括治疗周期内用户需要进行的医学检测信息和需要服用的药物信息;其中,所述医学检测信息包括医学检测项目和医学检测时间,所述需要服用的药物信息包括药物种类和每种药物的服用时间;
所述发送模块还用于根据所述医学检测信息和所述需要服用的药物信息,向客户端发送第二提示信息,以提示所述用户按照所述医学检测时间进行医学检测和按照所述药物服用时间服用药物。
本实施例提供的装置,可用于执行上述方法实施例的技术方案,其实现原理和技术效果类似,本实施例此处不再赘述。
图7为本发明实施例提供的电子设备的硬件结构示意图。如图7所示,本实施例的电子设备70包括:处理器701以及存储器702;其中
存储器702,用于存储计算机执行指令;
处理器701,用于执行存储器存储的计算机执行指令,以实现上述实施例中网络覆盖问题识别方法所执行的各个步骤。具体可以参见前述方法实施例中的相关描述。
可选地,存储器702既可以是独立的,也可以跟处理器701集成在一起。
当存储器702独立设置时,该电子设备还包括总线703,用于连接所述存储器702和处理器701。
本发明实施例还提供一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机执行指令,当处理器执行所述计算机执行指令时,实现如上所述的智慧医疗信息处理方法。
本发明实施例还提供一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现如上所述的智慧医疗信息处理方法。
在本发明所提供的几个实施例中,应该理解到,所揭露的设备和方法,可以通过其它的方式实现。例如,以上所描述的设备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,例如多个模块可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或模块的间接耦合或通信连接,可以是电性,机械或其它的形式。
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,即可以位于一个地方,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。
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,也可以是各个模块单独物理存在,也可以两个或两个以上模块集成在一个单元中。上述模块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单元的形式实现。
上述以软件功能模块的形式实现的集成的模块,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计算机设备(可以是个人计算机,服务器,或者网络设备等)或处理器执行本申请各个实施例所述方法的部分步骤。
应理解,上述处理器可以是中央处理单元(Central Processing Unit,简称CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,简称DSP)、专用集成电路(Application Specific Integrated Circuit,简称ASIC)等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合发明所公开的方法的步骤可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。
存储器可能包含高速RAM存储器,也可能还包括非易失性存储NVM,例如至少一个磁盘存储器,还可以为U盘、移动硬盘、只读存储器、磁盘或光盘等。
总线可以是工业标准体系结构(Industry Standard Architecture,简称ISA)总线、外部设备互连(Peripheral Component Interconnect,简称PCI)总线或扩展工业标准体系结构(Extended Industry Standard Architecture,简称EISA)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示,本申请附图中的总线并不限定仅有一根总线或一种类型的总线。
上述存储介质可以是由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。存储介质可以是通用或专用计算机能够存取的任何可用介质。
一种示例性的存储介质耦合至处理器,从而使处理器能够从该存储介质读取信息,且可向该存储介质写入信息。当然,存储介质也可以是处理器的组成部分。处理器和存储介质可以位于专用集成电路(Application Specific Integrated Circuits,简称ASIC)中。当然,处理器和存储介质也可以作为分立组件存在于电子设备或主控设备中。
本领域普通技术人员可以理解:实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时,执行包括上述各方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (11)
1.一种智慧医疗信息处理方法,其特征在于,包括:
获取用户的特征信息;
根据预先训练得到的反向传播BP神经网络模型和所述特征信息,对所述用户的身体状态进行预测,得到所述用户对应的预测结果;
基于证据融合理论对所述预测结果进行修正,得到修正后的预测结果;
将所述修正后的预测结果发送至客户端显示,以提示用户采取相应的措施。
2.根据权利要求1所述的方法,其特征在于,所述特征信息包括个人基本信息、作息数据、运动数据、面部信息、视力信息、既往病史信息和家族遗传信息;
所述获取用户的特征信息,包括:
采集用户通过客户端的交互界面输入的个人基本信息、视力信息、既往病史信息和家族遗传信息;和,获取可穿戴设备采集的用户的作息数据和运动数据,或者,获取客户端应用程序记录的用户的作息数据和运动数据;和,采集用户的面部图像,并基于人脸识别技术在所述面部图像中获取用户的面部信息。
3.根据权利要求2所述的方法,其特征在于,所述根据预先训练得到的BP神经网络模型和所述特征信息,对所述用户的身体状态进行预测,得到所述用户对应的预测结果,包括:
根据所述特征信息在特征库中匹配与所述特征信息对应的身体状态标签;
根据匹配到的身体状态标签在病理库中匹配对应的处理方案;
根据所述处理方案生成预测结果,所述预测结果为身体状态良好、需要保健调理或需要挂号就医。
4.根据权利要求3所述的方法,其特征在于,若所述预测结果是需要保健调理,则执行第一阶段操作,所述第一阶段操作包括:
根据与所述用户的特征信息对应的已有病例信息进行预诊断,得到预诊断结果,并将所述预诊断结果和与所述预诊断结果对应的注意事项发送至客户端显示;
和/或,按照预设时间间隔向客户端发送第一提示信息,所述第一提示信息用于提示所述用户进行身体体征采集,以重新获取用户的面部信息和视力信息;并根据重新获取的用户的面部信息和视力信息,向客户端发送相应的第一预警信息;
和/或,按照所述预设时间间隔重新获取用户的作息数据和运动数据;并根据重新获取的用户的作息数据和运动数据,向客户端发送相应的第二预警信息;
和/或,根据所述用户的既往病史信息和家族移传信息,向所述客户端发送相应的第三预警信息。
5.根据权利要求3所述的方法,其特征在于,还包括:若所述预测结果是需要挂号就医,则执行第二阶段操作,所述第二阶段操作包括:
根据所述预测结果,将所述预测结果相应就诊信息发送至客户端显示,以指示用户进行挂号,所述就诊信息包括医疗机构名称、所述医疗机构中每个科室的名称、每个科室的位置信息以及每个科室中每个工作人员的信息;
接收所述用户通过所述客户端的交互界面输入的挂号信息,并根据所述挂号信息进行挂号操作,所述挂号信息包括挂号的目标科室名称、挂号的目标工作人员的信息和就诊时间;
实时获取所述目标科室的排号信息,将所述排号信息以及所述用户的就诊时间发送至所述客户端显示;
将匹配到的所述用户的特征信息对应的处理方案发送至所述目标工作人员对应的操作终端进行显示,以指示所述目标工作人员结合所述处理方案对所述用户进行诊断。
6.根据权利要求5所述的方法,其特征在于,所述执行第二阶段操作之后,所述方法还包括:执行第三阶段操作,所述第三阶段操作包括:
获取所述目标工作人员的诊断结果,所述诊断结果包括治疗周期内用户需要进行的医学检测信息和需要服用的药物信息;其中,所述医学检测信息包括医学检测项目和医学检测时间,所述需要服用的药物信息包括药物种类和每种药物的服用时间;
根据所述医学检测信息和所述需要服用的药物信息,向客户端发送第二提示信息,以提示所述用户按照所述医学检测时间进行医学检测和按照所述药物服用时间服用药物。
7.根据权利要求6所述的方法,其特征在于,所述执行第三阶段操作之后,所述方法还包括:执行第四阶段操作,所述第四阶段操作包括:
获取所述用户的治疗费用,并将所述治疗费用发送至所述客户端显示,以指示所述用户线上结算;以及,执行第一阶段操作。
8.一种智慧医疗信息处理装置,其特征在于,包括:
获取模块,用于获取用户的特征信息;
预测模块,用于根据预先训练得到的BP神经网络模型和所述特征信息,对所述用户的身体状态进行预测,得到所述用户对应的预测结果;
修正模块,用于基于证据融合理论对所述预测结果进行修正,得到修正后的预测结果;
发送模块,用于将所述修正后的预测结果发送至客户端显示,以提示用户采取相应的措施。
9.一种电子设备,其特征在于,包括:至少一个处理器和存储器;
所述存储器存储计算机执行指令;
所述至少一个处理器执行所述存储器存储的计算机执行指令,使得所述至少一个处理器执行如权利要求1至7任一项所述的智慧医疗信息处理方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有计算机执行指令,当处理器执行所述计算机执行指令时,实现如权利要求1至7任一项所述的智慧医疗信息处理方法。
11.一种计算机程序产品,包括计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1-7任一项所述的智慧医疗信息处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011355635.5A CN112365981A (zh) | 2020-11-26 | 2020-11-26 | 智慧医疗信息处理方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011355635.5A CN112365981A (zh) | 2020-11-26 | 2020-11-26 | 智慧医疗信息处理方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112365981A true CN112365981A (zh) | 2021-02-12 |
Family
ID=74535336
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011355635.5A Pending CN112365981A (zh) | 2020-11-26 | 2020-11-26 | 智慧医疗信息处理方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112365981A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113299360A (zh) * | 2021-04-26 | 2021-08-24 | 王传菊 | 一种基于云计算技术的智慧医疗系统 |
CN115631386A (zh) * | 2022-12-19 | 2023-01-20 | 天津医之本医疗科技有限公司 | 一种基于机器学习的病理图像分类方法和系统 |
CN116246788A (zh) * | 2023-05-12 | 2023-06-09 | 天津医科大学朱宪彝纪念医院(天津医科大学代谢病医院、天津代谢病防治中心) | 基于体检报告整合分析的无创风险糖尿病预测系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104834828A (zh) * | 2015-05-26 | 2015-08-12 | 重庆大学 | 基于ds证据理论-神经网络算法老人生理异常诊断方法 |
CN105404254A (zh) * | 2015-10-30 | 2016-03-16 | 安徽云硕科技有限公司 | 一种多功能智慧居家养老服务平台 |
CN105989561A (zh) * | 2014-11-20 | 2016-10-05 | 完全优诊所 | 整合性健康照护系统及其运作方法 |
CN109727653A (zh) * | 2018-08-31 | 2019-05-07 | 广州华见智能科技有限公司 | 一种社区智能健康监控系统 |
CN109859835A (zh) * | 2019-01-09 | 2019-06-07 | 惠州市中心人民医院 | 一种医疗诊疗方法及系统 |
CN110264388A (zh) * | 2019-05-16 | 2019-09-20 | 深圳慧安康科技有限公司 | 智慧居家健康、养老的实现方法及智能装置 |
CN111241265A (zh) * | 2020-01-09 | 2020-06-05 | 平安国际智慧城市科技股份有限公司 | 信息推荐方法、设备、存储介质及装置 |
CN111916213A (zh) * | 2020-08-12 | 2020-11-10 | 广州驰兴通用技术研究有限公司 | 一种基于云计算的医疗服务方法和装置 |
-
2020
- 2020-11-26 CN CN202011355635.5A patent/CN112365981A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105989561A (zh) * | 2014-11-20 | 2016-10-05 | 完全优诊所 | 整合性健康照护系统及其运作方法 |
CN104834828A (zh) * | 2015-05-26 | 2015-08-12 | 重庆大学 | 基于ds证据理论-神经网络算法老人生理异常诊断方法 |
CN105404254A (zh) * | 2015-10-30 | 2016-03-16 | 安徽云硕科技有限公司 | 一种多功能智慧居家养老服务平台 |
CN109727653A (zh) * | 2018-08-31 | 2019-05-07 | 广州华见智能科技有限公司 | 一种社区智能健康监控系统 |
CN109859835A (zh) * | 2019-01-09 | 2019-06-07 | 惠州市中心人民医院 | 一种医疗诊疗方法及系统 |
CN110264388A (zh) * | 2019-05-16 | 2019-09-20 | 深圳慧安康科技有限公司 | 智慧居家健康、养老的实现方法及智能装置 |
CN111241265A (zh) * | 2020-01-09 | 2020-06-05 | 平安国际智慧城市科技股份有限公司 | 信息推荐方法、设备、存储介质及装置 |
CN111916213A (zh) * | 2020-08-12 | 2020-11-10 | 广州驰兴通用技术研究有限公司 | 一种基于云计算的医疗服务方法和装置 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113299360A (zh) * | 2021-04-26 | 2021-08-24 | 王传菊 | 一种基于云计算技术的智慧医疗系统 |
CN115631386A (zh) * | 2022-12-19 | 2023-01-20 | 天津医之本医疗科技有限公司 | 一种基于机器学习的病理图像分类方法和系统 |
CN116246788A (zh) * | 2023-05-12 | 2023-06-09 | 天津医科大学朱宪彝纪念医院(天津医科大学代谢病医院、天津代谢病防治中心) | 基于体检报告整合分析的无创风险糖尿病预测系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11437125B2 (en) | Artificial-intelligence-based facilitation of healthcare delivery | |
US10650920B2 (en) | Method and system for improving care determination | |
Alugubelli | Exploratory study of artificial intelligence in healthcare | |
US8403847B2 (en) | Systems and methods for providing a health score for a patient | |
CN112365981A (zh) | 智慧医疗信息处理方法和装置 | |
US20190122770A1 (en) | Lightweight Clinical Pregnancy Preterm Birth Predictive System and Method | |
Chatterjee et al. | eHealth initiatives for the promotion of healthy lifestyle and allied implementation difficulties | |
TW201508688A (zh) | 施予健康照護系統之系統及方法 | |
US20220246299A1 (en) | Electronic patient advisor and healthcare system for remote management of chronic conditions | |
WO2019223508A1 (zh) | 阿尔兹海默病症分级评估模型创建方法及计算机装置 | |
US20170053088A1 (en) | Interactive and analytical mobile system that provides a dynamic tool for therapies to prevent and change the progression of dementia-related diseases | |
Ianculescu et al. | Opportunities brought by big data in providing silver digital patients with ICT-based services that support independent living and lifelong learning | |
US20220218198A1 (en) | Method and system for measuring pupillary light reflex with a mobile phone | |
US20160092647A1 (en) | Method for recording medical information of a user and for sharing user experience with symptoms and medical intervention | |
US11756691B2 (en) | Brain health comparison system | |
Nepple et al. | Enhancing identification and management of hospitalized patients who are malnourished: a pilot evaluation of electronic quality improvement measures | |
WO2024020201A1 (en) | Telemedicine platform including virtual assistance | |
CN109273080B (zh) | 智能诊疗方法、装置、电子设备及存储介质 | |
CN112749321A (zh) | 数据处理方法、客户端、服务器、系统及存储介质 | |
CN112750512A (zh) | 数据处理方法、客户端、服务器、系统及存储介质 | |
WO2023195021A1 (en) | System and method for wound triaging and recommendations for treatments | |
CN116312926A (zh) | 健康路径推荐方法及相关装置、电子设备和存储介质 | |
US20200035361A1 (en) | Method and electronic device for artificial intelligence (ai)-based assistive health sensing in internet of things network | |
US20240161929A1 (en) | Machine learning for healthcare service planning | |
US20230238140A1 (en) | Addiction treatment and management |
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 |