CN112466473A - 新发传染病自动预警方法及系统 - Google Patents
新发传染病自动预警方法及系统 Download PDFInfo
- Publication number
- CN112466473A CN112466473A CN202011043513.2A CN202011043513A CN112466473A CN 112466473 A CN112466473 A CN 112466473A CN 202011043513 A CN202011043513 A CN 202011043513A CN 112466473 A CN112466473 A CN 112466473A
- Authority
- CN
- China
- Prior art keywords
- suspected
- information
- disease
- aggregative
- infectious disease
- 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
- G16H50/80—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for detecting, monitoring or modelling epidemics or pandemics, e.g. flu
-
- 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
本发明提供一种新发传染病自动预警方法及系统,属于疫情防治领域。所述方法包括:每隔预设时间获取一次医疗信息资源库的该段时间内的所有就诊医疗数据信息;根据所述医疗数据信息进行疑似聚集性特征筛查;若确定出现疑似聚集性特征,跟踪获取疑似聚集性特征对应的所有患者的后续医疗数据信息,并通过比对被跟踪患者的医疗数据信息和后续医疗数据信息与所述医疗信息资源库获取的所有已知传染病信息,判断被跟踪患者所患疾病是否为新发传染病;若判定所述疑似聚集性特征为新发传染病聚集特征,触发应急响应。自动判断近期是否出现新发传染病,新发传染病蔓延初期生成应急响应,解决了新发传染病增长趋势察觉难度大和应对传染病爆发反应迟缓的问题。
Description
技术领域
本发明涉及疫情防治领域,具体地涉及一种新发传染病自动预警方法及一种新发传染病自动预警系统。
背景技术
现有传染病的发现以及预警还是依赖于医生诊断,由医生经验判断是否启动传染病应急预警。新发传染病发展初期,症状大多与已知传染病或普通疾病的症状类似,所以很难在发病初期引起病人本身和医生的注意,使得新发传染病很难在短时间内诊治医生能给出统一标准的医学诊断,导致应对手段不足,防疫工作展开迟缓,往往出现大量感染者时才会引起医护工作人员的注意,即使立即做出防疫工作应对,也很难短时间内控制住新发传染病爆发趋势,从而造成重大的社会经济损失。为了解决现在新发传染病增长趋势察觉难度大和应对传染病爆发反应迟缓的问题,需要创造一种自动进行新发传染病判断和预警的方法。
发明内容
本发明实施方式的目的是提供一种新发传染病自动预警方法,以至少解决上述的新发传染病增长趋势察觉难度大和应对传染病爆发反应迟缓的问题。
为了实现上述目的,本发明第一方面提供一种新发传染病自动预警方法,所述方法包括:每隔预设时间从医疗信息资源库获取一次该段预设时间内的所有就诊医疗数据信息;根据所述医疗数据信息进行疑似聚集性特征筛查;若确定出现疑似聚集性特征,跟踪获取疑似聚集性特征对应的所有患者的后续医疗数据信息,并通过比对被跟踪患者的所述医疗数据信息和后续医疗数据信息与所述医疗信息资源库获取的所有已知传染病信息,判断所述被跟踪患者所患疾病是否为新发传染病;若判定所述疑似聚集性特征为新发传染病聚集特征,触发应急响应。
优选的,所述医疗信息资源库包括:医院医疗信息资源库和/或区域医疗信息资源库;所述医疗数据信息包括:门诊病历和住院病历。
优选的,所述根据所述医疗数据信息进行疑似聚集性特征筛查,包括:将所述医疗数据信息处理为结构化数据;将所述结构化数据显示的症状信息与预设已知传染病症状信息进行对比,根据匹配程度判断所述医疗数据信息记录的病症是否为疑似传染病,并将所述疑似传染病对应的患者确定为疑似传染病患者;记录具有相同症状的疑似传染病的疑似传染病患者出现的频次;对比所述疑似传染病患者出现的频次与历史同期具有相似症状的相似症状患者出现的频次;若所述疑似传染病患者出现的频次大于历史同期所述相似症状患者出现的频次,且两者的差值大于预设值,判定出现疑似聚集性特征。
优选的,所述方法还包括:在根据匹配程度判断是否为疑似传染病之后,根据判定结果生成是否为疑似传染病报告;在判定出现疑似聚集性特征之后,根据判定结果生成出现疑似聚集性特征报告。
优选的,所述跟踪获取疑似聚集性特征对应的所有患者的后续医疗数据信息,包括:获取出现所述疑似聚集性特征的相同症状的相同症状患者的就诊信息;根据所述就诊信息绑定的患者信息持续跟踪获取所述相同症状患者的后续病情发展信息和诊断信息直到所述相同症状患者治愈,将所述后续病情发展信息和诊断信息作为后续医疗数据信息。
优选的,所述通过比对被跟踪患者的所述医疗数据信息和后续医疗数据信息与所述医疗信息资源库获取的所有已知传染病信息,判断所述被跟踪患者所患疾病是否为新发传染病,包括:获取所述就诊医疗数据信息显示的相同诊断结果中出现频次最高的疑似诊断结果;将所述疑似诊断结果在已知传染病诊断结果信息库中进行匹配度检索,若未在所述已知传染病诊断结果信息库中发现与所述疑似诊断结果的关键词相匹配的词,将所述疑似诊断结果的关键词作为新发词,判定所述疑似诊断结果中所述被跟踪患者所患疾病为新发传染病;若在所述已知传染病诊断结果信息库中发现与所述疑似诊断结果的关键词相匹配的词,将匹配度大于关键词匹配预设值的疑似诊断结果中所述被跟踪患者所患疾病排除为新发传染病。
优选的,所述通过比对被跟踪患者的所述医疗数据信息和后续医疗数据信息与所述医疗信息资源库获取的所有已知传染病信息,判断所述被跟踪患者所患疾病是否为新发传染病,还包括:将所述疑似聚集性特征对应的患者的病情发展信息在已知传染病发展情况信息库中进行病情发展信息匹配度检索,将病情发展信息匹配度大于病情发展匹配预设值的病情发展信息对应的被跟踪患者所患疾病排除为新发传染病。
优选的,所述通过比对被跟踪患者的所述医疗数据信息和后续医疗数据信息与所述医疗信息资源库获取的所有已知传染病信息,判断所述被跟踪患者所患疾病是否为新发传染病,还包括:获取所述疑似聚集性特征的增长趋势曲线;将所述聚集性特征的增长趋势曲线与各已知传染病增长趋势曲线进行增长趋势曲线相似度对比,将相似度高于相似度预设值的聚集性特征的增长趋势曲线对应的被跟踪患者所患疾病排除为新发传染病。
优选的,所述若判定所述疑似聚集性特征为新发传染病聚集特征,触发应急响应,包括:若所述疑似聚集性特征不与已知的任何一种传染病特征类似,且所述疑似聚集性特征有阶跃增长趋势,则判定所述疑似聚集性特征为新发传染病聚集特征,触发应急响应。
优选的,所述触发应急响应,包括:推送所述疑似聚集性特征对应的患者的病例信息到医生端;获取所述医生端的判断结果;将所述疑似聚集性特征对应的患者的病例信息和所述判断结果上传到疫情上报系统进行自动上报。
本发明第二方面提供一种新发传染病自动预警系统,所述系统包括:采集单元,用于每隔预设时间从医疗信息资源库采集一次该段预设时间内的所有就诊医疗数据信息;处理单元,用于根据所述医疗数据信息进行疑似聚集性特征筛查,若确定出现疑似聚集性特征,跟踪获取疑似聚集性特征对应的所有患者的后续医疗数据信息,并通过比对被跟踪患者的所述医疗数据信息和后续医疗数据信息与所述医疗信息资源库获取的该被跟踪患者的就诊医疗数据信息中的已知传染病信息,判断所述被跟踪患者所患疾病是否为新发传染病,若判定所述疑似聚集性特征为新发传染病聚集特征,生成应急指令;预警单元,用于根据所述应急指令启动应急响应。
另一方面,本发明提供一种计算机可读储存介质,该计算机可读存储介质上储存有指令,其在计算机上运行时使得计算机执行上述的新发传染病自动预警方法。
通过上述技术方案,系统每隔固定预设时间提取一次整个医院或整个区域的医疗数据信息,用以监控该段时间内小范围内是否存在疑似聚集特征出现,处理单元根据提取的医疗数据进行筛查,判断该段时间内是否出现类似症状和疾病的大量患病患者,当出现疑似聚集特征时,处理单元通过获取的医疗数据和后续持续获取的该批次疑似聚集特征患者的后续病情发展数据生成用户的参考信息,并将参考信息与预设医疗资源库中存储的已知传染病何种信息进行对比,判断该批次疑似聚集特征患者所患疾病是否为新发传染病,并在判定为新发传染病时及时做出应急响应,在新发传染病爆发初期识别新发传染病的增长趋势,提醒相关人员提早进行防疫应对,避免疫情爆发,解决了现在新发传染病增长趋势察觉难度大和应对传染病爆发反应迟缓的问题。
本发明实施方式的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本发明实施方式的进一步理解,并且构成说明书的一部分,与下面的具体实施方式一起用于解释本发明实施方式,但并不构成对本发明实施方式的限制。在附图中:
图1是本发明一种实施方式提供的新发传染病自动预警方法的方法流程图;
图2是本发明一种实施方式提供的判断患者所患疾病是否为新发传染病的步骤流程图;
图3是本发明一种实施方式提供的新发传染病自动预警系统的结构图。
附图标记说明
10-采集单元;20-处理单元;30-预警单元。
具体实施方式
以下结合附图对本发明的具体实施方式进行详细说明。应当理解的是,此处所描述的具体实施方式仅用于说明和解释本发明,并不用于限制本发明。
如图3,本发明一种实施方式提供的新发传染病自动预警系统,系统包括:采集单元10,用于每隔预设时间从医疗信息资源库采集一次医疗数据信息;处理单元20,用于根据所述医疗数据信息进行疑似聚集性特征筛查,若确定出现疑似聚集性特征,跟踪获取疑似聚集性特征对应的所有患者的后续医疗数据信息,并通过比对所述跟踪患者的所述医疗数据信息与预设资源库已知传染病信息判断所述跟踪患者所患疾病是否为新发传染病;若判定所述疑似聚集性特征为新发传染病聚集特征,触发应急响应;预警单元30,用于根据所述应急指令启动应急响应。
图1是本发明一种实施方式提供的新发传染病自动预警方法的方法流程图。如图1所示,本发明实施方式提供一种新发传染病自动预警的方法,所述方法包括:
步骤S10:每隔预设时间获取一次医疗信息资源库的该段时间内的所有就诊医疗数据信息。
具体的,新发传染病在产生初期,很难被人察觉并及时发现,因为即使出现人传人的情况,也可能因为对新发病情的了解有限导致医生按照相似病症的已知病因进行患者治疗,且被感染者分散就诊,在一个区域内的多个医院进行分开就诊,导致同一区域内甚至同一个医院也很难通过医生自己察觉相似病症的聚集情况,且新发传染病产生的时间往往与已知传染病的高发时间重合,在病症类似的情况下,医生很难通过每天进行诊断的小批量患者中识别出可疑病症患者。为了解决这种问题,优选的,整合整个医院所有科室或整个区域的所有医院的医疗数据,通过采集模块每隔固定预设时间进行一次从上一个采集时刻到本次采集时刻之间更新的医疗数据,优选为间隔一天,因为新发传染病在发展初期,感染者相对较少,每天的新发病例还相对较少,所以每天进行一次医疗数据采集,可以保证每次采集的总体数量参考价值大,短时间内采集的总体数量较小,出现误差的概率相对较大,优选的,当系统识别到疑似新发传染病聚集特征时,监管人员可以手动调整采集单元 10进行医疗数据采集时间间隔的长度,因为到了新发传染病发展的中期,感染者数量庞大,甚至每个小时的就诊患者数量都很庞大,通过缩小数据采集时间间隔,可以进行疑似聚集体征验证。采集单元10进行一个医院/区域的医疗数据采集,这些医疗数据包括患者的门诊病历和住院病历,包括就诊原因、症状、发病时间、检查结果、诊断结果和诊疗方案。这些医疗数据存储在各个医院本身的内部数据存储库中,采集单元10针对各个医院的数据存储库进行架构,由各个医院进行采集单元10采集授权,优选的,设置提取密匙,只针对架构的采集单元10可以通过密匙识别进行数据采集,且整个判断过程由处理单元20自动进行,监管人员不能够进行数据提取,生成的疑似聚集特征报告和疑似此案发传染病患者病历信息均需要先推送到数据提取医院/区域的医生端,供该区域的对应诊断医生进行查看审核,避免患者信息泄露,全程对患者个人信息和病情信息保密。
在本发明实施例中,采集整个医院/区域的医疗数据,保证即使出现新发传染病,且即使感染者分开就诊,也能通过采集单元10采集到整个区域内所有类似患者的患者信息,然后将采集到的一段时间内的患者信息传输到处理单元20,供处理单元20进行后续判断。整合大量患者信息,提高信息筛查的准确性。为采集单元10和医疗信息资源库设置配对密匙,避免患者信息被随意提取,保护患者个人信息的同时实现大面积患者病情信息追踪监控。
步骤S20:根据所述医疗数据信息进行疑似聚集性特征筛查,并在判定出现疑似聚集性特征之后,根据判定结果生成出现疑似聚集性特征报告。
具体的,将医疗数据信息处理为结构化数据;将结构化数据显示的症状信息与预设已知传染病症状信息进行对比,根据匹配程度判断医疗数据记录的病症是否为疑似传染病;记录相同症状的疑似传染病的患者出现的频次;对比疑似传染病患者出现频次与历史同期相似症状患者出现频次;若疑似传染病患者出现频次大于所述同期相似症状患者出现频次,且两者的差值大于预设值,判定出现疑似聚集性特征。例如,采集单元10将采集到的一段时间内的更新医疗数据信息发送到处理单元20,处理单元20首先将患者的门诊病历和住院病历等信息进行拆分,提取诊断关键词、症状关键词和检查关键词,然后将将所有该段时间内的症状关键词进行整合判断,例如咳嗽、流鼻涕、胸痛、呼吸不畅和乏力等症状进行分类统计。例如,出现一次咳嗽关键词,在症状咳嗽统计库中记一次数,将提取的所有症状关键词进行分类和计数,得到各种症状在该段时间内出现的频次。然后将各种症状在该段时间内出现的频次与预设库中对应症状同期相同时间段内出现的频次进行对比,判断是否为异常聚集特征。例如,冬季为传染病高发季,在以往数据统计库中,某区域在12月份的单日甲流确认病例为80例,甲流的典型症状为发热,结合普通感冒发热病症的出现频次,统计为12月份的单日发热病例为200 例,若本次统计的单日发热病例超过200例且差值超过预设值(优选为50-100 例),判定为疑似聚集特征。若本次检测结果与以往数据统计的同期单日相同针状出现病例在预设阈值范围内波动,即视为正常现象,处理单元20判定为未出现疑似聚集特征。当处理单元20判定为出现疑似聚集特征时,将出现频次超过预设同期相同症状出现频次的症状信息记录下来,列举出异常增长的可疑症状,行成疑似聚集症状特征报告,便于后期针对异常增长的可疑症状进行是否为新发传染病判断。
在本发明实施例中,传染病的发展趋势即为少数到多数,若未出现新发传染病,已知传染病大多已经发现疫苗和特效药,所以在不发生病毒超恶化变异的前提下,每年的已知传染病复发时期的确诊病例差距都不会太大,不会出现突然激增的情况。新发传染病大多是从已知传染病变异而来,所以在症状表现上存在一定的相似性,若有新发传染病产生,在还未发现特效药的情况下,短时间内肯定会出现聚集出现的情况,且相同症状的出现数量远大于同期该症状出现的数量,通过症状出现频次判断是否存在突然疑似聚集特征,可以间接判断是否出现疑似新发传染病,在判定出现疑似聚集特征在前提下再进行后续是否为新发传染病判断,提高系统的判定效率,减少无用判断。
步骤S30:跟踪获取疑似聚集性特征对应的所有患者的后续医疗数据信息,并通过比对被跟踪患者的所述医疗数据信息和后续医疗数据信息与所述医疗信息资源库获取的所有已知传染病信息,判断被跟踪患者所患疾病是否为新发传染病。
具体的,当处理单元20判定为疑似聚集特征时,则表示该段时间内某几种症状发生了异常增长,则很有可能是已知传染病突然复发或产生了新发传染病,则需要进行是否为新发传染病判断,首先提取出现疑似具体特征的所有患者的医疗数据信息,例如,处理单元20识别到咳嗽和发热相比于同期单日出现的频次超过了预设值,则将出现了咳嗽和发热症状的所有患者的患者信息提取出来,识别这些患者的详细病例信息,并根据病例信息绑定的患者个人信息进行患者后续病情追踪,优选的,在第二天的下一个采集时刻,优先采集这些出现了疑似具体特征症状患者的病例信息,追踪这些患者的病情发展情况,便于后期进行针对性的疑似聚集特征患者判断。然后将这些患者的病例信息格式化后的诊断关键词、症状关键词和检查关键词等分类信息与预设已知传染病信息进行对比,判断是否为新发传染病,如图2,包括以下步骤:
步骤S301:比对出现聚集性特征中出现频次最高的诊断结果和已知传染病诊断结果,判断是否为新发传染病。
具体的,在新发传染病初期,部分从已有病毒部分变异的新病毒的检测方案相对比较成熟,所以即使为新发传染病,也可能会很快完成诊断检测。例如,例如甲型流感病毒发现初期,病毒只有一种形态,后续逐渐变异演化出甲型H1NI、H2N2、新甲型H1N1和H7N9等H存在15个亚型和N存在 9个亚型的新型变异病毒,虽然病毒的结构发生改变,但病毒的致病机理和检测规律变化不大,即使变异出新的亚型病毒,医护人员也会很快依照监测规律进行病情诊断,诊断结果或许会出现新的亚型病毒词语,区别于任何已知传染病的疾病名称被记录在患者的病例信息中。采集单元10获取出现疑似聚集特征的所有患者的病例信息,处理单元20将这些病例信息进行结构化处理,筛选出其中存在诊断结果的病例信息,并将诊断结果提取出来,获取诊断结果的关键词信息,然后记录所有关键词在该批次疑似聚集特征患者中各自出现频次,筛选出现频次最多的诊断关键词信息,将筛选出来的诊断结果关键词信息作为该批次疑似聚集特征患者的病情判断条件,将筛选出来的诊断结果关键词信息作为检索条件,在预设医疗资源库中进行检索,优选的,医疗资源库收集全球范围内所有已知传染病的疾病名称、发病原因、发病症状、检测方法和诊疗方法。通过筛选出来的诊断结果关键词信息与所有已知传染病的疾病名称对比判断,是否存在匹配度大于预设值的结果,优选的,匹配度包括名称字数、区分普通词、关键字和关键字顺序,例如,感冒、肺炎和病毒等为普通词汇,不作为匹配度参考;而冠状、甲型和乙型等特征关键词汇为匹配度参考条件,当出现匹配度大于预设值的结果时,则判定出现疑似聚集特征患者所患疾病为已知传染病,不做紧急预警;若未出现大与预设值的结果,则判定该批次疑似聚集性患者所患疾病为新发传染病,处理单元20生成预警指令。
步骤S302:比对出现聚集性特征中各患者的病情发展情况和已知传染病病情发展情况,判断是否为新发传染病。
具体的,新发传染病在发病初期可能与已知传染病的病情症状存在部分相似性,例如新冠肺炎发病初期,仅为发热、乏力和干咳等症状,这些症状与常规病毒性感冒的症状类似,但普通病毒性感冒经过常规抗病毒药物治疗后病情会显著改善,并在很短时间内趋向痊愈表现,而新冠肺炎后期会逐渐出现腹泻、呼吸困难、血氧降低和脓毒症休克等严重病症,即使抗病毒药物介入治疗,也无法阻止病情恶化。所以,新发病毒发展初期很容易被当做常规类似疾病进行诊治,但是诊疗效果不佳,患者病情记忆恶化,所以当发现出现疑似聚集特征时,采集单元10将在后续数据采集过程中优先追踪采集该批次疑似聚集特征患者的病例信息,保持这些患者的病情发展信息更新,直到这些患者治愈出院,才解除跟踪绑定。已知传染病基本都有了相对成熟的治疗方案,所以即使出现重新爆发,也会很快被压制下来,患者的病情在一段时间内肯定是趋向于稳定的,但新发传染病可能还不存在有效的治疗方案,所以病毒会得到充分的发展机会,患者的病情也会也来越具有特征化和严重化。例如,SARS冠状病毒和新型冠状病毒虽然都为冠状病毒,但二者的完全是两种不同的致病病毒,SARS在病情发展后期,主要表现为发热、频繁咳嗽、呼吸困难和咳血丝痰典型症状,而新冠肺炎的病情发展后期,主要表现为急性呼吸窘迫、脓毒症休克和多器官衰竭等典型症状。虽然二者发病初期的症状相似,但后期病情发展还是会出现不一样的病情特征。所以,将结构化后的该批次疑似聚集特征患者的病情信息和后续跟踪获取的病情发展信息与已知传染病的特征信息和后续发展信息进行对比,判断是否存在匹配度大于预设值的结果,匹配度根据病情后续病情发展典型症状的关键词进行设定,若出现匹配度大于预设值的结果,则判定该批次疑似聚集特征患者所患疾病为已知传染病,不触发应急响应;若未出现匹配度大与预设值的结果,则判定该批次疑似聚集特征患者所患疾病为新发疾病,生成应急指令。
步骤S303:比对出现聚集性特征的患者增长曲线和已知传染病患者增长曲线,判断是否为新发传染病。
具体的,新发疾病在发展初期因为感染者相对较少,所以初期每日的新 增确诊人数相对较少,随着感染者越来越多,与感染者的密切接触者也越来 越多,所以在新发传染病发展中期,因为医生应对措施有限,群众的关心程 度也有限,所有会出现部分阶跃增长趋势。而已知传染病因为群众关注度较 高,医生的应对手段也较多,所以在一个发病周期内,即可控制下来,新增 确认病例曲线也会随之变换。则表示新发传染病会在较长时间段内呈现阶跃 式增长,随着医生介入和隔离手段出现,疫情会在2-3个发病周期过后才会 开始减缓,而已知传染病因为应对措施较为丰富,往往在1个发病周期后便 会开始减缓。已知传染病,例如每年冬季频发的甲型流感病毒,甲流的潜伏 期为3-7天,而每年爆发甲流的时间也大多只存在一周,即一个甲流的发病 期。针对这种情况,优选的,处理单元20将采集单元10获取的每天的新增 疑似聚集性特征新增患者生成一段时间内的新增曲线图,然后将新增曲线图 与已知传染病复发时的新增曲线图进行对比,若发现疑似聚集特征新增曲线的阶跃增长时间段远大于已知传染病同期新增曲线图的阶跃增长段,则判定 为该批次疑似聚集特征患者所患疾病为新发传染病,生成预警指令;若识别 到本次疑似聚集特征患者增长曲线与已知传染病患者增长曲线相似,则判定 该批次疑似聚集特征患者所患疾病为已知传染病,不进行预警提醒。
步骤S40:系统识别为疑似传染病时,触发应急响应。
具体的,当处理单元20通过比对跟踪患者的医疗数据信息与预设资源库已知传染病信息判断跟踪患者所患疾病为新发传染病时,生成预警指令,并将预警指令发送到预警单元30,预警单元30接收到预警指令后,首先整合采集单元10收集的该批次疑似聚集特征患者的所有病例信息,根据病例信息显示的患者个人资料,将这些资料推送到对应患者入诊的对应医院,供医生重新评估患者病情,增加相关检查。医生根据复诊情况和检查情况进行重新的诊断判断,然后将新的诊断结果上传到系统中。为了保证即使应对新发疫情,国家设置有疫情上报系统,当发现出现可疑新发传染病时,需要即使上报系统,从而由政府统一调度应对疫情,即使做出应对措施,避免感染者肆意活动,导致更大的疫情爆发。所以,为了避免医护人员疏忽导致未能及时上报新发传染病疫情信息,系统整理所有疑似患者的病例信息和医生的复诊诊断结果,将这些病例信息和诊断结果自动上报系统,供相关疫情专家参考,及时做出应急响应,避免疫情爆发。
在本发明实施例中,系统进行是否为新发传染病自动判断,并在判定为新发传染病时及时做出预警响应,自动上穿相关资料到疫情上报系统,为疫情控制做出及时预判参考,避免因为疫情爆发而造成重大的社会经济损失。
本发明实施方式还提供一种计算机可读储存介质,该计算机可读存储介质上储存有指令,其在计算机上运行时使得计算机执行上述的新发传染病自动预警方法。
以上结合附图详细描述了本发明的可选实施方式,但是,本发明实施方式并不限于上述实施方式中的具体细节,在本发明实施方式的技术构思范围内,可以对本发明实施方式的技术方案进行多种简单变型,这些简单变型均属于本发明实施方式的保护范围。另外需要说明的是,在上述具体实施方式中所描述的各个具体技术特征,在不矛盾的情况下,可以通过任何合适的方式进行组合。为了避免不必要的重复,本发明实施方式对各种可能的组合方式不再另行说明。
此外,本发明的各种不同的实施方式之间也可以进行任意组合,只要其不违背本发明实施方式的思想,其同样应当视为本发明实施方式所公开的内容。
Claims (12)
1.一种新发传染病自动预警方法,其特征在于,所述方法包括:
每隔预设时间从医疗信息资源库获取一次该段预设时间内的所有就诊医疗数据信息;
根据所述医疗数据信息进行疑似聚集性特征筛查;
若确定出现疑似聚集性特征,跟踪获取疑似聚集性特征对应的所有患者的后续医疗数据信息,并通过比对被跟踪患者的所述医疗数据信息和后续医疗数据信息与所述医疗信息资源库获取的所有已知传染病信息,判断所述被跟踪患者所患疾病是否为新发传染病;
若判定所述疑似聚集性特征为新发传染病聚集特征,触发应急响应。
2.根据权利要求1所述的新发传染病自动预警方法,其特征在于,所述医疗信息资源库包括:医院医疗信息资源库和/或区域医疗信息资源库;
所述医疗数据信息包括:门诊病历和住院病历。
3.根据权利要求1所述的新发传染病自动预警方法,其特征在于,所述根据所述医疗数据信息进行疑似聚集性特征筛查,包括:
将所述医疗数据信息处理为结构化数据;
将所述结构化数据显示的症状信息与预设已知传染病症状信息进行对比,根据匹配程度判断所述医疗数据信息记录的病症是否为疑似传染病,并将所述疑似传染病对应的患者确定为疑似传染病患者;
记录具有相同症状的疑似传染病的疑似传染病患者出现的频次;
对比所述疑似传染病患者出现的频次与历史同期具有相似症状的相似症状患者出现的频次;
若所述疑似传染病患者出现的频次大于历史同期所述相似症状患者出现的频次,且两者的差值大于预设值,判定出现疑似聚集性特征。
4.根据权利要求3所述的新发传染病自动预警方法,其特征在于,所述方法还包括:在根据匹配程度判断是否为疑似传染病之后,根据判定结果生成是否为疑似传染病报告;
在判定出现疑似聚集性特征之后,根据判定结果生成出现疑似聚集性特征报告。
5.根据权利要求4所述的新发传染病自动预警方法,其特征在于,所述跟踪获取疑似聚集性特征对应的所有患者的后续医疗数据信息,包括:
获取出现所述疑似聚集性特征的相同症状的相同症状患者的就诊信息;
根据所述就诊信息绑定的患者信息持续跟踪获取所述相同症状患者的后续病情发展信息和诊断信息直到所述相同症状患者治愈,将所述后续病情发展信息和诊断信息作为后续医疗数据信息。
6.根据权利要求5所述的新发传染病自动预警方法,其特征在于,所述通过比对被跟踪患者的所述医疗数据信息和后续医疗数据信息与所述医疗信息资源库获取的所有已知传染病信息,判断所述被跟踪患者所患疾病是否为新发传染病,包括:
获取所述就诊医疗数据信息显示的相同诊断结果中出现频次最高的疑似诊断结果;
将所述疑似诊断结果在已知传染病诊断结果信息库中进行匹配度检索,若未在所述已知传染病诊断结果信息库中发现与所述疑似诊断结果的关键词相匹配的词,将所述疑似诊断结果的关键词作为新发词,判定所述疑似诊断结果中所述被跟踪患者所患疾病为新发传染病;
若在所述已知传染病诊断结果信息库中发现与所述疑似诊断结果的关键词相匹配的词,将匹配度大于关键词匹配预设值的疑似诊断结果中所述被跟踪患者所患疾病排除为新发传染病。
7.根据权利要求6所述的新发传染病自动预警方法,其特征在于,所述通过比对被跟踪患者的所述医疗数据信息和后续医疗数据信息与所述医疗信息资源库获取的所有已知传染病信息,判断所述被跟踪患者所患疾病是否为新发传染病,还包括:
将所述疑似聚集性特征对应的患者的病情发展信息在已知传染病发展情况信息库中进行病情发展信息匹配度检索,将病情发展信息匹配度大于病情发展匹配预设值的病情发展信息对应的被跟踪患者所患疾病排除为新发传染病。
8.根据权利要求7所述的新发传染病自动预警方法,其特征在于,所述通过比对被跟踪患者的所述医疗数据信息和后续医疗数据信息与所述医疗信息资源库获取的所有已知传染病信息,判断所述被跟踪患者所患疾病是否为新发传染病,还包括:
获取所述疑似聚集性特征的增长趋势曲线;
将所述聚集性特征的增长趋势曲线与各已知传染病增长趋势曲线进行增长趋势曲线相似度对比,将相似度高于相似度预设值的聚集性特征的增长趋势曲线对应的被跟踪患者所患疾病排除为新发传染病。
9.根据权利要求8所述的新发传染病自动预警方法,其特征在于,所述若判定所述疑似聚集性特征为新发传染病聚集特征,触发应急响应,包括:
若所述疑似聚集性特征不与已知的任何一种传染病特征类似,且所述疑似聚集性特征有阶跃增长趋势,则判定所述疑似聚集性特征为新发传染病聚集特征,触发应急响应。
10.根据权利要求1所述的新发传染病自动预警方法,其特征在于,所述触发应急响应,包括:
推送所述疑似聚集性特征对应的患者的病例信息到医生端;
获取所述医生端的判断结果;
将所述疑似聚集性特征对应的患者的病例信息和所述判断结果上传到疫情上报系统进行自动上报。
11.一种新发传染病自动预警系统,其特征在于,所述系统包括:
采集单元,用于每隔预设时间从医疗信息资源库采集一次该段预设时间内的所有就诊医疗数据信息;
处理单元,用于根据所述医疗数据信息进行疑似聚集性特征筛查,若确定出现疑似聚集性特征,跟踪获取疑似聚集性特征对应的所有患者的后续医疗数据信息,并通过比对被跟踪患者的所述医疗数据信息和后续医疗数据信息与所述医疗信息资源库获取的该被跟踪患者的就诊医疗数据信息中的已知传染病信息,判断所述被跟踪患者所患疾病是否为新发传染病,若判定所述疑似聚集性特征为新发传染病聚集特征,生成应急指令;
预警单元,用于根据所述应急指令启动应急响应。
12.一种计算机可读储存介质,该计算机可读存储介质上储存有指令,其在计算机上运行时使得计算机执行权利要求1至10中任一项权利要求所述的新发传染病自动预警方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011043513.2A CN112466473A (zh) | 2020-09-28 | 2020-09-28 | 新发传染病自动预警方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011043513.2A CN112466473A (zh) | 2020-09-28 | 2020-09-28 | 新发传染病自动预警方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112466473A true CN112466473A (zh) | 2021-03-09 |
Family
ID=74833062
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011043513.2A Pending CN112466473A (zh) | 2020-09-28 | 2020-09-28 | 新发传染病自动预警方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112466473A (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113096820A (zh) * | 2021-04-13 | 2021-07-09 | 武汉明德生物科技股份有限公司 | 一种流行病与急诊一体化管理方法及装置 |
CN113362941A (zh) * | 2021-05-19 | 2021-09-07 | 中科彭州智慧产业创新中心有限公司 | 一种基于大数据的病情监测的方法和系统 |
CN114613506A (zh) * | 2022-03-02 | 2022-06-10 | 杭州杏林信息科技有限公司 | 基于大数据的路径预测管控方法、装置及存储介质 |
CN114758792A (zh) * | 2022-06-14 | 2022-07-15 | 北京大学第三医院(北京大学第三临床医学院) | 一种基于机器学习的未知传染病的预警溯源方法及系统 |
CN115101216A (zh) * | 2022-08-25 | 2022-09-23 | 南京汉卫公共卫生研究院有限公司 | 一种基于大数据的新发传染病监测及应对系统 |
CN115148373A (zh) * | 2022-07-28 | 2022-10-04 | 深圳市腾云数据系统有限公司 | 一种基于症状监测的疫情监测方法及系统 |
CN115512856A (zh) * | 2022-11-23 | 2022-12-23 | 山东环球软件股份有限公司 | 一种基于城市大数据可预防传染性疾病的智慧医疗系统 |
CN115798734A (zh) * | 2023-01-09 | 2023-03-14 | 杭州杏林信息科技有限公司 | 基于大数据的新发突发传染病防控方法、装置及储存介质 |
CN115910374A (zh) * | 2022-11-09 | 2023-04-04 | 杭州杏林信息科技有限公司 | 一种医院感染性疾病聚集或爆发时间预警方法及介质 |
CN116110602A (zh) * | 2023-04-13 | 2023-05-12 | 云南医无界医疗网络科技有限公司 | 一种应用于医共体的信息处理方法及系统 |
CN116564547A (zh) * | 2023-04-24 | 2023-08-08 | 江西中科九峰智慧医疗科技有限公司 | 一种呼吸道传染病的早期预警方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103093106A (zh) * | 2013-01-25 | 2013-05-08 | 上海市浦东新区疾病预防控制中心 | 大型活动中多源数据的传染病症状监测与预警方法 |
US20160166766A1 (en) * | 2013-07-12 | 2016-06-16 | Oscillari Llc | Acoustic based drug delivery monitor |
CN109524123A (zh) * | 2018-11-30 | 2019-03-26 | 重庆市职业病防治院(重庆市第六人民医院) | 一种传染病智能监测、预警和强制报告的系统 |
CN111403045A (zh) * | 2020-03-04 | 2020-07-10 | 苏州远征魂车船技术有限公司 | 一种传染疫情多元精准管控系统 |
CN111403048A (zh) * | 2020-03-18 | 2020-07-10 | 唐宓 | 一种未知传染病预警及追溯方法 |
-
2020
- 2020-09-28 CN CN202011043513.2A patent/CN112466473A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103093106A (zh) * | 2013-01-25 | 2013-05-08 | 上海市浦东新区疾病预防控制中心 | 大型活动中多源数据的传染病症状监测与预警方法 |
US20160166766A1 (en) * | 2013-07-12 | 2016-06-16 | Oscillari Llc | Acoustic based drug delivery monitor |
CN109524123A (zh) * | 2018-11-30 | 2019-03-26 | 重庆市职业病防治院(重庆市第六人民医院) | 一种传染病智能监测、预警和强制报告的系统 |
CN111403045A (zh) * | 2020-03-04 | 2020-07-10 | 苏州远征魂车船技术有限公司 | 一种传染疫情多元精准管控系统 |
CN111403048A (zh) * | 2020-03-18 | 2020-07-10 | 唐宓 | 一种未知传染病预警及追溯方法 |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113096820A (zh) * | 2021-04-13 | 2021-07-09 | 武汉明德生物科技股份有限公司 | 一种流行病与急诊一体化管理方法及装置 |
CN113362941A (zh) * | 2021-05-19 | 2021-09-07 | 中科彭州智慧产业创新中心有限公司 | 一种基于大数据的病情监测的方法和系统 |
CN113362941B (zh) * | 2021-05-19 | 2023-11-10 | 中科彭州智慧产业创新中心有限公司 | 一种基于大数据的病情监测的方法和系统 |
CN114613506B (zh) * | 2022-03-02 | 2022-11-15 | 杭州杏林信息科技有限公司 | 基于大数据的路径预测管控方法、装置及存储介质 |
CN114613506A (zh) * | 2022-03-02 | 2022-06-10 | 杭州杏林信息科技有限公司 | 基于大数据的路径预测管控方法、装置及存储介质 |
CN114758792A (zh) * | 2022-06-14 | 2022-07-15 | 北京大学第三医院(北京大学第三临床医学院) | 一种基于机器学习的未知传染病的预警溯源方法及系统 |
CN115148373A (zh) * | 2022-07-28 | 2022-10-04 | 深圳市腾云数据系统有限公司 | 一种基于症状监测的疫情监测方法及系统 |
CN115101216A (zh) * | 2022-08-25 | 2022-09-23 | 南京汉卫公共卫生研究院有限公司 | 一种基于大数据的新发传染病监测及应对系统 |
CN115910374A (zh) * | 2022-11-09 | 2023-04-04 | 杭州杏林信息科技有限公司 | 一种医院感染性疾病聚集或爆发时间预警方法及介质 |
CN115512856A (zh) * | 2022-11-23 | 2022-12-23 | 山东环球软件股份有限公司 | 一种基于城市大数据可预防传染性疾病的智慧医疗系统 |
CN115798734A (zh) * | 2023-01-09 | 2023-03-14 | 杭州杏林信息科技有限公司 | 基于大数据的新发突发传染病防控方法、装置及储存介质 |
CN116110602A (zh) * | 2023-04-13 | 2023-05-12 | 云南医无界医疗网络科技有限公司 | 一种应用于医共体的信息处理方法及系统 |
CN116110602B (zh) * | 2023-04-13 | 2023-06-20 | 云南医无界医疗网络科技有限公司 | 一种应用于医共体的信息处理方法及系统 |
CN116564547A (zh) * | 2023-04-24 | 2023-08-08 | 江西中科九峰智慧医疗科技有限公司 | 一种呼吸道传染病的早期预警方法及系统 |
CN116564547B (zh) * | 2023-04-24 | 2024-02-09 | 江西中科九峰智慧医疗科技有限公司 | 一种呼吸道传染病的早期预警方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112466473A (zh) | 新发传染病自动预警方法及系统 | |
Wong et al. | WSARE: what’s strange about recent events? | |
CN111899878B (zh) | 老年人健康检测系统、方法、计算机设备及可读存储介质 | |
Rhee et al. | Objective sepsis surveillance using electronic clinical data | |
Wong et al. | Rule-based anomaly pattern detection for detecting disease outbreaks | |
US20210241923A1 (en) | Sensor-based machine learning in a health prediction environment | |
Shiroma et al. | Association of medically attended traumatic brain injury and in-prison behavioral infractions: a statewide longitudinal study | |
Kilaru et al. | Return hospital admissions among 1419 COVID‐19 patients discharged from five US emergency departments | |
Mulla et al. | Correlates of length of stay, cost of care, and mortality among patients hospitalized for necrotizing fasciitis | |
Hammond et al. | Acute rehospitalizations during inpatient rehabilitation for spinal cord injury | |
Sousa-Pinto et al. | Hospitalizations in children with a penicillin allergy label: an assessment of healthcare impact | |
EP3371723A1 (en) | Prediction of acute respiratory disease syndrome (ards) based on patients' physiological responses | |
CN112786205A (zh) | 基于数据模型的症候群预警方法、装置、介质及设备 | |
Metcalfe et al. | Validation of congenital anomaly coding in Canada's administrative databases compared with a congenital anomaly registry | |
US20120041784A1 (en) | Computerized Surveillance of Medical Treatment | |
US9730645B2 (en) | Method and system for determining HRV and RRV and use to identify potential condition onset | |
McGrath et al. | Improvement of sepsis identification through multi-year comparison of sepsis and early warning scores | |
US20160342749A1 (en) | Privacy awareness tool | |
US6712763B2 (en) | Device for finding the triggers of paroxysmally occurring illnesses | |
Ali et al. | Missing patients in “Major Trauma Registry” of Navarre: incidence and pattern | |
Trick et al. | Hospital-acquired coronavirus disease 2019 (COVID-19) among patients of two acute-care hospitals: Implications for surveillance | |
Ting et al. | Probabilistic Risk Assessment of COVID-19 Patients at COVID-19 Assessment Centre | |
Zhao et al. | Improving mortality risk prediction with routine clinical data: a practical machine learning model based on eICU patients | |
Beane et al. | Comparison of quick sequential organ failure assessment and modified systemic inflammatory response syndrome criteria in a lower middle income setting | |
FR3070851B1 (fr) | Systeme pour detecter et alerter le personnel soignant d’un risque de decompensation ou d’hospitalisation d’un patient |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210309 |