CN112562870A - 一种增强医患相互信任减少医患矛盾评估预警系统 - Google Patents

一种增强医患相互信任减少医患矛盾评估预警系统 Download PDF

Info

Publication number
CN112562870A
CN112562870A CN202011408727.5A CN202011408727A CN112562870A CN 112562870 A CN112562870 A CN 112562870A CN 202011408727 A CN202011408727 A CN 202011408727A CN 112562870 A CN112562870 A CN 112562870A
Authority
CN
China
Prior art keywords
patient
doctor
treatment
evaluation
module
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
CN202011408727.5A
Other languages
English (en)
Inventor
赵一麟
曾鸣
邓文晋
刘秋松
张红建
潘恒
丁艺伟
周旭
郭鹏
周媛媛
刘凤武
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.)
Taiyang Yulin Xiamen Biomedical Co ltd
Xiamen University
Zhongshan Hospital Xiamen University
Original Assignee
Taiyang Yulin Xiamen Biomedical Co ltd
Xiamen University
Zhongshan Hospital Xiamen 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 Taiyang Yulin Xiamen Biomedical Co ltd, Xiamen University, Zhongshan Hospital Xiamen University filed Critical Taiyang Yulin Xiamen Biomedical Co ltd
Priority to CN202011408727.5A priority Critical patent/CN112562870A/zh
Publication of CN112562870A publication Critical patent/CN112562870A/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
    • G16H80/00—ICT specially adapted for facilitating communication between medical practitioners or patients, e.g. for collaborative diagnosis, therapy or health monitoring
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
    • 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
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/20—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the management or administration of healthcare resources or facilities, e.g. managing hospital staff or surgery rooms

Abstract

本发明公开一种增强医患相互信任减少医患矛盾评估预警系统，其特征在于，包括身份认证模块，医患沟通模块，患者及其家属对诊疗过程理解度和接受度评估模块，医患双方相互理解和相互信任程度评估模块，医患关系预警模块，数据管理模块；所述增强医患相互信任减少医患矛盾评估预警系统，能够提供医生和患者在整个诊疗过程的沟通交流平台，正确评估患者及家属对诊疗过程各阶段的理解度和接受度，正确评估医患双方的相互理解和相互信任程度，并根据评估评分情况触发医患关系预警，以进行警示，从而增强医患双方相互理解，相互信任，减少医患矛盾和医患纠纷，同时也警醒医生，避免医疗差错。

Description

一种增强医患相互信任减少医患矛盾评估预警系统
技术领域
本发明涉及医疗技术领域，特别是指一种增强医患相互信任减少医患矛盾评估预警系统。
背景技术
当前医患之间的矛盾日益突出，医疗纠纷逐渐增多，损害了医患双方的利益，更甚者影响了社会稳定。影响医患关系的主要原因之一就是双方信息不对称：医患双方在面对同一件事情的时候，理解不同。当病人向医生诉说他的痛苦、陈述他的感受时，不一定都能被医生理解、唤起医者的共鸣；同样，当医生表达诊疗意见、提出配合要求时，也不一定能全被病人领会、赢得病人的合作。加强医患沟通，进而互相了解，增加医患双方的信任，使患者在诊疗过程中更好的配合医生，获得更好的诊疗效果。
发明内容
本发明的主要目的在于克服现有技术中的上述缺陷，提供一种增强医患相互信任减少医患矛盾评估预警系统，提供了医生和患者在整个治疗过程的沟通交流平台，能够正确评估患者及家属对诊疗过程各阶段的理解度和接受度，正确评估医患双方的相互理解和相互信任程度，并根据评估评分情况触发医患关系预警，以进行警示，从而增强医患双方相互理解，相互信任，减少医患矛盾和医患纠纷，同时也警醒医生，避免医疗差错。
本发明采用如下技术方案：
一种增强医患相互信任减少医患矛盾评估预警系统，包括身份认证模块，医患沟通模块，患者及其家属对诊疗过程理解度和接受度评估模块，医患双方相互理解和相互信任程度评估模块，医患关系预警模块，数据管理模块；
所述身份认证模块，用于记录用户基本信息，并对用户的身份进行识别认证和评价权限使用的管控；其中，所述用户包括患者及其家属和医护人员；
所述医患沟通模块，包括医患关系建立子模块、检查诊断与治疗方案沟通子模块，治疗过程沟通子模块、后续治疗和/或康复治疗沟通子模块；所述医患关系建立子模块，用于建立患者及其家属和医生的沟通关系，所述检查诊断与治疗方案沟通子模块，用于对检查、诊断以及形成的治疗方案、治疗费用进行沟通，所述治疗过程沟通子模块，用于对治疗中的治疗风险、并发症、治疗费用、家庭特殊关系进行沟通，所述后续治疗和/或康复治疗沟通子模块，用于对患者的后续治疗和/或康复治疗、后续治疗费用进行沟通；在所述各子模块中，设置有评论区，用于患者及其家属对各诊疗阶段进行主观评价；
所述患者及其家属对诊疗过程理解度和接受度的评估模块，包括检查、诊断与治疗方案评估子模块，治疗过程评估子模块、后续治疗和/或康复治疗评估子模块；所述检查诊断与治疗方案评估子模块，用于患者及其家属对检查、诊断以及形成的治疗方案理解度和接受度进行评估，所述治疗过程评估子模块，用于患者及其家属对治疗中的治疗风险、并发症和治疗费用理解度和接受度进行评估，所述后续治疗和/或康复治疗评估子模块，用于患者及其家属对治疗后的后续治疗和/或康复治疗、后续治疗费用理解度和接受度进行评估；
所述医患双方相互理解、相互信任程度评估模块，用于结合患者及其家属对诊疗过程理解度和接受度的评估模块中各个子模块的评估评分及相应的权重，计算得出此次诊疗过程的医患双方相互理解和相互信任程度的评估评分；
所述医患关系预警模块，用于所述医患双方相互理解、相互信任程度评估模块得出的评估评分低于设定的阈值时，进行预警。
所述数据管理模块，用于用户使用过程中信息的存储，包括患者及其家属的基本信息、医生的基本信息以及用户使用过程中即时交流信息。
进一步的，医患关系建立后，医患交流信息、评分预警信息仅在患者、患者家属、负责患者的诊疗组医生、科室主任范围内公开，既达到了相互监督提醒的作用，又保护了患者隐私。
具体地，所述医患双方相互理解、相互信任程度评估模块，用于结合患者及其家属对诊疗过程理解度和接受度的评估模块中的评分及相应的权重，计算得出此次诊疗过程的医患双方相互理解和相互信任程度的评估情况，具体包括：
数据处理子模块：用于将患者信息进行清洗和脱敏处理，将姓名和身份证号统一为一个唯一标识，对患者职业、收入信息进行隐式转码，对阶段问题的答案进行one-hot等编码转换，最后对各维度的数据进行归一化等特征处理；
权重计算子模块：用于将数据处理子模块处理后的数据输入数学模型中进行信息挖掘，利用支持向量机进行多维特征在高维空间下的特征权重学习，加权计算并进行样本分类，利用xgboost学习各类问题在决策森林中各个节点的权重，加权计算并进行样本分类；用深度神经网络从样本空间学习数据空间分布，在最小化类内差异、最大化类间差异的优化目标下，不断更新分类函数的参数，输出类别的分数值，进而对样本分类；
组合决策子模块：用于将决策环节分为方法组合决策和数据组合决策，方法组合决策包括，对于支持向量机、xgboost和深度神经网络的分类结果加权平均，产生类别决策；数据组合决策包括，针对不同医院不同科室的数据进行整体分析，训练统一的数学模型，作为基础模型输出类别基础分数；针对具体科室进行单独模型建立，并单独利用具体科室的医患数据进行数学建模，获得个性化的决策模型，作为个性化模型输出类别附加分数，将基础分数和附加分数进行加权求和，得到最终的类别决策。
具体地，所述身份认证模块包括基本信息录入单元、身份识别单元和权限管理单元，其中所述基本信息录入单元用于用户注册时录入基本信息；所述身份识别单元用于在用户登录到系统后，系统根据用户注册时录入的信息和用户的登录信息进行比对，得到用户的身份信息，并将所述身份信息存储在所述数据管理模块中；所述权限管理单元，用于根据所述用户的身份信息，赋予用户相应的权限。
具体地，所述医患沟通模块中医患关系建立子模块用于建立患者及其家属和医生的沟通关系，具体包括：通过扫描二维码建立患者及其家属和医生的沟通关系，医生确认患者及其家属，患者及其家属确认诊疗组所有医生。
进一步的，所述评分权重可依据软件使用过程中积累的数据每6个月调整一次。
具体地，所述医患沟通模块各评论区的医患沟通交流信息默认保存1-3个月。
具体地，所述评估预警系统对用户基本信息及交流信息采用了MD5技术进行加密，防止向第三方泄露患者隐私。
由上述对本发明的描述可知，与现有技术相比，本发明具有如下有益效果：
(1)本发明提供了一种增强医患相互信任减少医患矛盾评估预警系统，提供了医生和患者在整个治疗过程的沟通交流平台，能够正确评估患者及家属对诊疗过程各阶段的理解度和接受度，正确评估医患双方的相互理解和相互信任程度，并根据评估评分情况触发医患关系预警，以进行警示，从而增强医患双方相互理解，相互信任，减少医患矛盾和医患纠纷，同时也警醒医生，避免医疗差错。
(2)本发明中的医患沟通模块，包括包括医患关系建立子模块、检查诊断与治疗方案沟通子模块，治疗过程沟通子模块、后续治疗和/或康复治疗沟通子模块，将诊疗全过程进行分段沟通，便于建立高效的沟通平台，使得患者及其家属能够在诊疗的各阶段就问题针对性地和相关医生进行充分的交流和沟通。
(3)本发明中的患者及其家属对诊疗过程理解度和接受度的评估模块，包括检查、诊断与治疗方案评估子模块，治疗过程评估子模块、后续治疗和/或康复治疗评估子模块，将诊疗的全过程进行分段评估，能够实现更准确公平的评估患者及其家属对诊疗过程中各阶段理解度和接受度，从而更准确地评估医患双方相互理解，相互信任的情况。
(4)本发明中的医患双方相互理解、相互信任程度评估模块，根据患者及患者家属所属人群特征，接诊科室，患者的病症，以及结合所积累的医疗经验数据，基于多种数学模型支持向量机、xgboost模型以及深度神经网络的阶段综合评估权重动态调整技术，结合方法决策和数据决策，且在数据决策方面考虑了不同科室的个性化，建立基础模型和个性化模型，进行了综合考虑，以获得贴合实际的客观评分，正确做出预警，提供统计学上更为科学准确的预警状态判别。
(5)本发明中的医患交流信息和评分预警信息在建立了医患关系的患者、患者家属、指定的诊疗组医生、科室主任范围内公开，一旦有预警信号出现，医生之间、患者及患者家属与医生之间可以相互提醒，也方便科室主任监督、指导。
附图说明
图1为一种增强医患相互信任减少医患矛盾评估预警系统的整体框图；
图2为一种增强医患相互信任减少医患矛盾评估预警系统的技术路线图；
图3为一种增强医患相互信任减少医患矛盾评估预警系统的数据处理流程图；
图4为一种增强医患相互信任减少医患矛盾评估预警系统的权重计算流程图；
图5为一种增强医患相互信任减少医患矛盾评估预警系统的组合决策流程图；
图6为一种增强医患相互信任减少医患矛盾评估预警系统的深度神经网络分类模型框架图。
以下结合附图和具体实施例对本发明作进一步详述。
具体实施方式
应理解，本发明提供的系统可以为单独运行的软件，也可以是平台(微信平台)运行，也可以接入医院现有OA系统或临床诊疗系统运行。
如图1，为一种增强医患相互信任减少医患矛盾评估预警系统的整体框图，包括身份认证模块，医患沟通模块，患者及其家属对诊疗过程理解度和接受度评估模块，医患双方相互理解和相互信任程度评估模块，医患关系预警模块，数据管理模块；
所述身份认证模块，用于记录用户基本信息，并对用户的身份进行识别认证和评价权限使用的管控；其中，所述用户包括患者和医护人员；
由于本发明实施例提供的系统中，医生端和患者端的权限不同，因此需要通过设置身份认证模块，来实现系统不同功能权限针对不同用户的管控。
例如当患者及其家属登录平台时，赋予患者及其家属浏览所述医患沟通模块、患者及其家属对诊疗过程理解度和接受度评估模块、医患关系预警模块，以及针对本次诊疗过程在评论区进行主观评价的权限。
所述医患沟通模块，包括医患关系建立子模块、检查诊断与治疗方案沟通子模块，治疗过程沟通子模块、后续治疗和/或康复治疗沟通子模块；所述医患关系建立子模块，用于建立患者及其家属和医生的沟通关系，所述检查诊断与治疗方案沟通子模块，用于对检查、诊断以及形成的治疗方案、治疗费用进行沟通，所述治疗过程沟通子模块，用于对治疗中的治疗风险、并发症、治疗费用、家庭特殊关系进行沟通，所述后续治疗和/或康复治疗沟通子模块，用于对患者的后续治疗和/或康复治疗、后续治疗费用进行沟通；在所述各子模块中，设置有评论区，用于患者及其家属对各诊疗阶段进行主观评价。
由于不同的诊疗阶段，医生不同，为了便于建立高效沟通平台，将诊疗的全过程进行分段，包括治疗前的检查诊断，治疗方案的确定，治疗中关于手术风险和并发症以及治疗费用，后续治疗和/或康复治疗过程及后续治疗费用，使得患者能够在诊疗的各阶段就问题针对性地和相关医生进行充分的交流和沟通。
所述患者及其家属对诊疗过程理解度和接受度的评估模块，包括检查、诊断与治疗方案评估子模块，治疗过程评估子模块、后续治疗和/或康复治疗评估子模块；所述检查诊断与治疗方案评估子模块，用于患者及其家属对检查、诊断以及形成的治疗方案理解度和接受度进行评估，所述治疗过程评估子模块，用于患者及其家属对治疗中的治疗风险、并发症和治疗费用理解度和接受度进行评估，所述后续治疗和/或康复治疗评估子模块，用于患者及其家属对治疗后的后续治疗和/或康复治疗、后续治疗费用理解度和接受度进行评估；
具体地，所述医患双方相互理解、相互信任程度评估模块，根据医院所处地域，患者及患者家属所属人群特征，接诊科室，患者的病症，结合以往所积累的医疗经验数据，赋予整个诊疗过程不同阶段不同的评分权重；具体根据所处医院某一科室的6个月医患数据，经过数据脱敏处理后，通过支持向量机、xgboost模型及深度神经网络等方法，计算出不同阶段的评分权重，从中选出最优决策组合，目的是建立针对该医院该科室的个性化预警数学模型，实现统计学意义上的医患关系准确评判。技术实现的核心思路是，将收集到的海量医患关系数据，用数学模型学习若干类风险在各类问题上的若干组权重，每组分别加权计算得到对应类别分数(代表类别概率值)，选取分数最大作为最终的类别预测。具体地，我们将医患关系分为低风险，中风险，高风险三类，用以度量医患双方的理解与认可度。如附图2，整个过程分为数据处理环节、权重计算环节、组合决策环节。
数据处理环节，在数据模型分析之前，将患者部分信息进行清洗和脱敏处理，在尽可能保证分析效果的前提下最大程度保护患者隐私。具体地，如附图3，将姓名和身份证号统一替换为一个唯一标识，对患者职业、收入等信息进行隐式转码；对各个阶段问题的答案进行one-hot等编码转换，最后对各维度的数据进行归一化等特征处理。
将姓名和身份证号的字符串组合通过哈希函数映射为唯一标识x(x属于正整数)，即x＝hash('姓名+身份证号')，其中hash是哈希函数。将患者职业、收入水平按转码字典分别替换为类别编号cc和ci(cc,ci均为正整数)，即cc＝dict1(职业)，ci＝dict2(收入水平)，其中dict1为职业字典，dict2为收入水平字典，每一个输入在字典中都唯一对应一个输出。对各个阶段问题的答案进行one-hot编码，例如对于问题“是对于手术目的是否了解？”，其答案“是”，“部分了解”，“否”分别编码为001，010，100。将当前状态的数据进行存储，目的是在不损失信息的前提下保证患者隐私。最后对各维度数据进行归一化处理，确保各维度数据范围一致，消除量纲差异带来的影响。具体地，将x,cc,ci等维度的数据进行标准化，如x(i)'＝(x(i)-u)/e，其中u是x这一列数据的均值，e是x这一列数据的方差，确保结果分布在0～1之间。对于各类问题的one-hot值，转换为对应的十进制数(如001->1,010->2,100->4)，并做上述同样的标准化操作，将结果归一化到0～1之间。
权重计算环节，将收集到的医患数据中，包含若干患者样本对应的多个阶段问题答案的特征值，输入到数学模型中进行信息挖掘，将医患关系进行风险类别划分。具体地，如附图4，用支持向量机进行多维特征在高维空间下的特征权重学习，能够用这些权重对问题加权计算得分，最后用分值完成样本分类；用xgboost学习各类问题在决策森林中各个节点的权重，加权计算获得分数，进行样本分类；用深度神经网络从样本空间学习数据空间分布，在最小化类内差异、最大化类间差异的优化目标下，不断更新分类函数的参数，输出各类别的分数值，进而可以按分数大小对样本分类。
具体地，将收集到的医患数据中，包含若干患者样本对应的职业、收入水平、多个阶段问题答案的特征值，即数据处理后的数据形式，如表1，除了唯一标识外，每一列表示一个维度，每一列中的每个内容为一个特征值，输入到数学模型中进行信息挖掘，将医患关系进行风险类别划分。具体地，分为以下三部分：
1)用支持向量机(SVM)进行样本分类。具体地，训练时，构造3个SVM分类器，设为f1,f2,f3，分别进行低风险、中风险、高风险三类的分类。
对于低风险，将低风险对应的样本作为正样本集(类别标注记为1)，中风险、高风险对应的样本作为负样本集(类别标注记为-1)。对于低风险分类器f1(x；θ)，x是输入，θ是各个维度的权重(随机初始化)，目的是找到一个区分数据最合适的超平面，超平面一侧是正样本，另一侧是负样本。通过正负标签的监督，每次根据输出y＝f1(x；θ)与标签值的差异，计算损失值梯度，进一步反向回传来调整θ，多次迭代以获得一组较优参数θ，使得超平面到正负样本的间距最大，最终实现低风险分类器f1对正负样本正确分类。
对于中风险，将中风险对应的样本作为正样本集(类别标注记为1)，低风险、高风险对应的样本作为负样本集(类别标注记为-1)。类似上述做法，获得中风险分类器f2。
对于高风险，将高风险对应的样本作为正样本集(类别标注记为1)，低风险、中风险对应的样本作为负样本集(类别标注记为-1)。类似上述做法，获得高风险分类器f3。
测试阶段，将样本参数分别输入到f1,f2,f3中，得到三类(class1,class2,class3)对应的三个数值(score1,score2,score3)，即ysvm＝{class1:score1,class2:score2,class3:score3}。
2)用xgboost模型进行样本分类；具体地，将低风险、中风险、高风险分别标注为0，1，2。对样本集按8：2划分为训练集和测试集，多次迭代对xgboost模型进行训练。选取softprob作为目标函数，使得输出y＝xgboost(x；θ)对应一个3维向量，每一维对应每一类别的概率值，即与上文的形式一致：yxgboost＝{class1:score1,class2:score2,class3:score3}。
3)用深度神经网络进行样本分类，网络结构如附图6。具体地，将低风险、中风险、高风险分别标注为[0,0,1]，[0,1,0]，[1,0,0]。对于深度神经网络f(x；θ)，x是样本输入，θ是一个多维矩阵，表示各个神经单元的参数。其输出y＝f(x；θ)是一个三维向量，三个维度分别对应低风险、中风险、高风险。训练时，目标函数为交叉熵Cross Entropy，其输入为神经网络预测值和标签值，输出是一个熵值，通过多次迭代，寻求一组较优参数θ，使得目标函数输出最小；预测时，输入一个样本参数，f(x；θ)输出一个三维向量y＝[score1,score2,score3]。为了与前文一致，可以记为ydeep＝{class1:score1,class2:score2,class3:score3}。
表1数据处理后的数据形式
Figure BDA0002816252190000081
组合决策环节，如附图5，分为方法组合决策和数据组合决策两部分，且平行进行。在方法组合方面，对于支持向量机、xgboost、深度神经网络的结果进行综合；具体地，对这些方法输出的各样本类别的分数进行加权平均，用加权值作为最终的分类依据，产生类别决策。在数据组合方面，对于不同医院不同科室的数据进行整体分析，训练一个统一的数学模型，作为基础模型输出类别基础分数；针对不同医院不同科室的多元情况，我们针对具体科室进行单独模型建立，并单独利用该科室的医患数据进行数学建模，从而获得针对该医院该科室个性化的决策模型，输出类别附加分数；最后将基础分数和附加分数加权求和，得到最终的决策分数。
具体地，支持向量机、xgboost、深度神经网络分别对应的权重为a(默认为0.2),b(默认为0.1),c(默认为0.7)，将三种方法的输出ysvm,yxgboost,ydeep进行加权平均得到y_f＝{a*ysvm+b*yxgboost+c*ydeep}，即:
Figure BDA0002816252190000091
在数据组合方面，对于不同医院不同科室的数据进行整体分析(不区分数据来源)，训练一个统一的数学模型(此处采用方法组合决策构造集成模型)，作为基础模型输出基础预测ybasic；针对不同医院不同科室的多元情况，我们针对具体科室进行单独模型建立，即只利用该科室的医患数据作为附加数据进行数学建模(此处同样采用方法组合决策构造集成模型)，从而获得针对该医院该科室个性化模型，作为附加模型输出附加预测yadd；将基础模型的输出和附加模型的输出分别设定权重α(默认为0.6)和β(默认为0.4)，再进行加权求和，得到最终的决策分数yfinal＝α*ybasic+β*yadd，即：
Figure BDA0002816252190000092
最后，选取其中最大的score对应的类别作为预测类别输出。
所述医患双方相互理解、相互信任程度评估模块，用于结合患者及其家属对诊疗过程理解度和接受度的评估模块中各个子模块的评估评分及相应的权重，计算得出此次诊疗过程的医患双方相互理解和相互信任程度的评估评分；
所述医患关系预警模块，用于所述医患双方相互理解、相互信任程度评估模块得出的评估评分低于设定的阈值时，进行预警。
所述数据管理模块，用于用户使用过程中信息的存储，包括患者及其家属的基本信息、医生的基本信息以及用户使用过程中即时交流信息。
所述身份认证模块包括基本信息录入单元、身份识别单元和权限管理单元，其中所述基本信息录入单元用于用户注册时录入基本信息；所述身份识别单元用于在用户登录到系统后，系统根据用户注册时录入的信息和用户的登录信息进行比对，得到用户的身份信息，并将所述身份信息存储在所述数据管理模块中；所述权限管理单元，用于根据所述用户的身份信息，赋予用户相应的权限；例如当患者及其家属登录平台时，赋予患者及家属浏览所述医患沟通模块及患者及其家属对诊疗过程理解度和接受度评估模块，以及针对本次诊疗过程在评论区进行主观评价的权限。
具体地，所述医患沟通模块中医患关系建立子模块用于建立患者及其家属和医生的沟通关系，具体包括：患者通过扫描医生端提供的二维码，建立患者及其家属和医生的沟通关系，医生确认患者及其家属，患者及其家属确认诊疗组所有医生。
进一步的，医患关系建立后，医患交流信息、评分预警信息仅在患者、患者家属、负责患者的诊疗组医生、科室主任范围内公开，既达到了相互监督提醒的作用，又保护了患者隐私。
具体地，所述医患双方相互理解、相互信任程度评估模块，根据医院所处地域，患者及患者家属所属人群特征，接诊科室，患者的病症，结合以往所积累的医疗经验数据，赋予整个诊疗过程不同阶段不同的评分权重。
进一步的，所述评分权重可依据软件使用过程中积累的数据每6个月调整一次。
具体地，所述医患沟通模块各评论区的医患沟通交流信息默认保存1-3个月。
具体地，所述评估预警系统对用户基本信息及交流信息采用了MD5技术进行加密，防止向第三方泄露患者隐私。
本发明实施例中可以根据医院不同科室的特点设置符合该科室问卷内容，不仅限于下面的方案。
医患关系建立子模块中：患者扫描医生端提供的二维码，医生确认患者及家属(重要家庭成员和关系)，确认诊疗组3级医生。患者了解诊疗组所有医生。
同时患者及家属要清晰表明治疗预期，医生明确患者和患者家属的治疗预期。
检查诊断与治疗方案沟通子模块中：患者要清晰重要检查的目的和作用，医生要充分了解患者及患者家属是否理解该检查的作用。双方确认后，再进行下一步。
检查完成后形成诊断，患者及患者家属是否充分了解诊断、疾病的性质，有无病理诊断，良性还是恶性，病情轻重程度，病情疾患程度，是否合并其他疾病(无，一种，两种，三种等)，需要双方沟通确认。
治疗过程沟通子模块中，患者及家属需要沟通理解医生提供给患者的主要治疗方针，次要治疗方针，辅助治疗方针，以及理解医生提供的其他治疗方式，需要沟通确认是唯一性还是有选择性。
患者及家属需要理解医生提供的全身性治疗方案，还是局部治疗方案。全身治疗方案解决的问题，存在的缺陷，局部治疗方案解决的问题，存在的缺陷，是否需要全身和局部结合治疗，双方需要沟通确认。
患者和家属清楚理解所需要的花费，能否承受，医生需要了解患者及家属支付医疗费用的途径，是否能承受，双方需要沟通确认。
在具体治疗的过程中，患者及家属需要理解医生逐条解释的治疗(手术或者侵入性操作)的风险和并发症，发生后如何预防和缩小危害。双方确认后，再进行下一步。
需要了解手术或者侵入性操作目的，术后(1周到1月)的并发症术，术后长期(1月以上)的并发症，双方需要沟通确认。
患者及家属对严重并发症的接受程度，双方需要沟通确认。
患者及家属需要了解术后可能出现疼痛、恶心、呕吐、发热等正常反应，双方需要沟通确认。
患者及家属需要了解手术麻醉方式的选择，以及麻醉并发症；医生需要了解患者对麻醉的心理状态情况，双方需要沟通确认。
后续治疗和/或康复治疗评估子模块中，患者及家属需要了解对创口的恢复及感染风险、以及其他可能的并发症；需要了解辅助检查项目及检查的必要性；患者及家属需要了解后续治疗和/或康复治疗方案和所需费用，双方需要沟通确认。
所述患者及其家属对诊疗过程理解度和接受度的评估模块，包括有调查问卷，用于对患者及其家属对诊疗过程的理解度和接受度准确进行评估。
问卷具体内容如下：
此问卷分数为初期手动设计方案，目的是用分数反映各类问题、各类答案的比重，同时汇总得分来进行分类，完成想法的初步验证。数学模型学习到的权重与此做法目的一致且更具统计意义，后期不再需要人为设置具体分数。
术前——100分
·手术目的是否了解？10分
1、是2分
2、部分了解3分
3、否5分
·手术疗效预期如何？10分
1、完全治愈7分
2、延长生命、减轻痛苦2分
3、关怀治疗1分
·术中并发症是否了解？20分
1、了解1分
2、部分了解4分
3、不了解15分
·术后短期(1周内)并发症是否了解？10分
1、是1分
2、部分了解3分
3、否6分
·术后中期(1周到1月)并发症是否了解？10分
1、是1分
2、部分了解3分
3、否6分
·术后长期(1月以上)并发症是否了解？10分
1、是1分
2、部分了解3分
3、否6分
·严重并发症的接受程度？20分
1、接受1分
2、部分接受6分
3、完全无法接受13分
·术后可能出现疼痛、恶心、呕吐、发热等正常反应是否了解？10分
1、了解1分
2、部分了解3分
3、否6分
麻醉——30分
·手术麻醉方式的选择？10分
1、局部麻醉1分
2、全身麻醉3分
3、不清楚6分
·麻醉并发症是否了解？10分
1、是2分
2、部分了解3分
3、否5分
·对麻醉的心理状态情况？10分
1、惧怕6分
2、无所谓3分
3、不怕1分
医生查看问卷调查结果，如果分数正常说明患者及家属对手术及麻醉过程已经充分理解，可以进行手术治疗，否则需要完善沟通以获得患者及家属的信任和配合。
所述医患双方相互理解、相互信任程度评估模块，用于结合患者及其家属对诊疗过程理解度和接受度的评估模块中各个子模块的评估评分及相应的权重，计算得出此次诊疗过程的医患双方相互理解和相互信任程度的评估评分；
所述医患关系预警模块，用于所述医患双方相互理解、相互信任程度评估模块得出的评估评分低于设定的阈值时，进行预警。若有预警出现，医生要检查预警发生的步骤，进一步完善与患者及家属的沟通，获取对方的理解和信任。
本发明提供了一种增强医患相互信任减少医患矛盾评估预警系统，提供了医生和患者在整个治疗过程的沟通交流平台，能够正确评估患者及家属对诊疗过程各阶段的理解度和接受度，正确评估医患双方的相互理解和相互信任程度，并根据评估评分情况触发医患关系预警，以进行警示，从而增强医患双方相互理解，相互信任，减少医患矛盾和医患纠纷，同时也警醒医生，避免医疗差错。
上述仅为本发明的具体实施方式，但本发明的设计构思并不局限于此，凡利用此构思对本发明进行非实质性的改动，均应属于侵犯本发明保护范围的行为。

Claims (7)

1.一种增强医患相互信任减少医患矛盾评估预警系统，其特征在于，包括身份认证模块，医患沟通模块，患者及其家属对诊疗过程理解度和接受度评估模块，医患双方相互理解和相互信任程度评估模块，医患关系预警模块，数据管理模块；
所述身份认证模块，用于记录用户基本信息，并对用户的身份进行识别认证和评价权限使用的管控；其中，所述用户包括患者及其家属和医护人员；
所述医患沟通模块，包括医患关系建立子模块、检查诊断与治疗方案沟通子模块，治疗过程沟通子模块、后续治疗和/或康复治疗沟通子模块；所述医患关系建立子模块，用于建立患者及其家属和医生的沟通关系，所述检查诊断与治疗方案沟通子模块，用于对检查、诊断以及形成的治疗方案、治疗费用进行沟通，所述治疗过程沟通子模块，用于对治疗中的治疗风险、并发症、治疗费用、家庭特殊关系进行沟通，所述后续治疗和/或康复治疗沟通子模块，用于对患者的后续治疗和/或康复治疗、后续治疗费用进行沟通；在所述各子模块中，设置有评论区，用于患者及其家属对各诊疗阶段进行主观评价；
所述患者及其家属对诊疗过程理解度和接受度的评估模块，包括检查、诊断与治疗方案评估子模块，治疗过程评估子模块、后续治疗和/或康复治疗评估子模块；所述检查诊断与治疗方案评估子模块，用于患者及其家属对检查、诊断以及形成的治疗方案理解度和接受度进行评估，所述治疗过程评估子模块，用于患者及其家属对治疗中的治疗风险、并发症和治疗费用理解度和接受度进行评估，所述后续治疗和/或康复治疗评估子模块，用于患者及其家属对治疗后的后续治疗和/或康复治疗、后续治疗费用理解度和接受度进行评估；
所述医患双方相互理解、相互信任程度评估模块，用于结合患者及其家属对诊疗过程理解度和接受度的评估模块中的评分及相应的权重，计算得出此次诊疗过程的医患双方相互理解和相互信任程度的评估情况；
所述医患关系预警模块，用于所述医患双方相互理解、相互信任程度评估模块得出的评估评分低于设定的阈值时，进行预警；
所述数据管理模块，用于用户使用过程中信息的存储，包括患者及其家属的基本信息、医生的基本信息以及用户使用过程中即时交流信息。
2.如权利要求1所述的增强医患相互信任减少医患矛盾评估预警系统，其特征在于，所述医患双方相互理解、相互信任程度评估模块，用于结合患者及其家属对诊疗过程理解度和接受度的评估模块中的评分及相应的权重，计算得出此次诊疗过程的医患双方相互理解和相互信任程度的评估情况，具体包括：
数据处理子模块：用于将患者信息进行清洗和脱敏处理，将姓名和身份证号统一为一个唯一标识，对患者职业、收入信息进行隐式转码，对阶段问题的答案进行one-hot等编码转换，最后对各维度的数据进行归一化等特征处理；
权重计算子模块：用于将数据处理子模块处理后的数据输入数学模型中进行信息挖掘，利用支持向量机进行多维特征在高维空间下的特征权重学习，加权计算并进行样本分类，利用xgboost学习各类问题在决策森林中各个节点的权重，加权计算并进行样本分类；用深度神经网络从样本空间学习数据空间分布，在最小化类内差异、最大化类间差异的优化目标下，不断更新分类函数的参数，输出类别的分数值，进而对样本分类；
组合决策子模块：用于将决策环节分为方法组合决策和数据组合决策，方法组合决策包括，对于支持向量机、xgboost和深度神经网络的分类结果加权平均，产生类别决策；数据组合决策包括，针对不同医院不同科室的数据进行整体分析，训练统一的数学模型，作为基础模型输出类别基础分数；针对具体科室进行单独模型建立，并单独利用具体科室的医患数据进行数学建模，获得个性化的决策模型，作为个性化模型输出类别附加分数，将基础分数和附加分数进行加权求和，得到最终的类别决策。
3.如权利要求1所述的增强医患相互信任减少医患矛盾评估预警系统，其特征在于，所述身份认证模块包括基本信息录入单元、身份识别单元和权限管理单元，其中所述基本信息录入单元用于用户注册时录入基本信息；所述身份识别单元用于在用户登录到系统后，系统根据用户注册时录入的信息和用户的登录信息进行比对，得到用户的身份信息，并将所述身份信息存储在所述数据管理模块中；所述权限管理单元，用于根据所述用户的身份信息，赋予用户相应的权限。
4.如权利要求1所述的增强医患相互信任减少医患矛盾评估预警系统，其特征在于，所述医患沟通模块中医患关系建立子模块用于建立患者及其家属和医生的沟通关系，具体包括：患者通过扫描医生端提供的二维码，建立患者及其家属和医生的沟通关系，医生确认患者及其家属，患者及其家属确认诊疗组所有医生。
5.如权利要求5所述的增强医患相互信任减少医患矛盾评估预警系统，其特征在于，所述评分权重可依据软件使用过程中积累的数据每6个月调整一次。
6.如权利要求1所述的增强医患相互信任减少医患矛盾评估预警系统，其特征在于，各模块评论区的医患沟通交流信息默认保存1-3个月。
7.如权利要求1-6之一所述的增强医患相互信任减少医患矛盾评估预警系统，其特征在于，所述评估预警系统对用户基本信息及交流信息采用了MD5技术进行加密，防止向第三方泄露患者隐私。
CN202011408727.5A 2020-12-03 2020-12-03 一种增强医患相互信任减少医患矛盾评估预警系统 Pending CN112562870A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011408727.5A CN112562870A (zh) 2020-12-03 2020-12-03 一种增强医患相互信任减少医患矛盾评估预警系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011408727.5A CN112562870A (zh) 2020-12-03 2020-12-03 一种增强医患相互信任减少医患矛盾评估预警系统

Publications (1)

Publication Number Publication Date
CN112562870A true CN112562870A (zh) 2021-03-26

Family

ID=75048522

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011408727.5A Pending CN112562870A (zh) 2020-12-03 2020-12-03 一种增强医患相互信任减少医患矛盾评估预警系统

Country Status (1)

Country Link
CN (1) CN112562870A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113436409A (zh) * 2021-05-24 2021-09-24 自贡市第一人民医院 用于解决医患矛盾的报警系统
CN114121205A (zh) * 2022-01-24 2022-03-01 北京康爱医疗科技股份有限公司 一种医疗支持系统及方法、计算机可读取介质
CN116825304A (zh) * 2023-06-25 2023-09-29 湖南大学 基于深度互联的在线医疗方法与系统

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113436409A (zh) * 2021-05-24 2021-09-24 自贡市第一人民医院 用于解决医患矛盾的报警系统
CN114121205A (zh) * 2022-01-24 2022-03-01 北京康爱医疗科技股份有限公司 一种医疗支持系统及方法、计算机可读取介质
CN116825304A (zh) * 2023-06-25 2023-09-29 湖南大学 基于深度互联的在线医疗方法与系统
CN116825304B (zh) * 2023-06-25 2024-02-23 湖南大学 基于深度互联的在线医疗方法与系统

Similar Documents

Publication Publication Date Title
US11501874B2 (en) System and method for machine based medical diagnostic code identification, accumulation, analysis and automatic claim process adjudication
Cowley et al. Methodological standards for the development and evaluation of clinical prediction rules: a review of the literature
CN112700838B (zh) 基于大数据的用药方案推荐方法、装置及相关设备
CN112562870A (zh) 一种增强医患相互信任减少医患矛盾评估预警系统
Reidy et al. Testing the predictive validity of the Personality Assessment Inventory (PAI) in relation to inmate misconduct and violence.
CN113643821B (zh) 一种多中心知识图谱联合决策支持方法与系统
Xie et al. Predicting days in hospital using health insurance claims
CN117238458B (zh) 基于云计算的重症护理跨机构协同平台系统
Vrieze et al. Predicting sex offender recidivism. I. Correcting for item overselection and accuracy overestimation in scale development. II. Sampling error-induced attenuation of predictive validity over base rate information.
CN109800881A (zh) 一种基于贝叶斯网络的因果关系判定方法
CN108595432A (zh) 医疗文书纠错方法
Wieczorek et al. Preliminary typology designed for treatment matching of driving-while-intoxicated offenders.
Li et al. Introduce structural equation modelling to machine learning problems for building an explainable and persuasive model
Katzman et al. Evidence strength (insufficiently) affects police officers’ decisions to place a suspect in a lineup.
Pritchard et al. Modal profiles for the WISC-III.
CN116759082A (zh) 一种基于知识图谱的健康评估系统
Saha et al. Classifier fusion for liver function test based indian jaundice classification
CN114550896A (zh) 基于人工神经网络的头晕患者急诊预检分诊决策方法、装置及模型
Ash et al. The self-adapting focused review system: Probability sampling of medical records to monitor utilization and quality of care
CN112489795A (zh) 一种人工智能医疗信息系统
Lei et al. Intelligent generation technology of sub-health diagnosis case based on case reasoning
Ingle et al. Identification of Vector Borne Disease Spread Using Big Data Analysis
US20220084689A1 (en) System and method for identification of an adequate healthcare agreement according to a given medical condition
Nel et al. A novel screening tool to predict severe acute malnutrition through automated monitoring of weight‐for‐age growth curves
CN116798633A (zh) 创伤数据安全风险评估系统构建方法和电子设备

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