CN112599217B - 患者用药行为的画像方法、装置、计算机设备及存储介质 - Google Patents
患者用药行为的画像方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN112599217B CN112599217B CN202011401539.XA CN202011401539A CN112599217B CN 112599217 B CN112599217 B CN 112599217B CN 202011401539 A CN202011401539 A CN 202011401539A CN 112599217 B CN112599217 B CN 112599217B
- Authority
- CN
- China
- Prior art keywords
- target
- medication
- patient
- behavior
- feature
- 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
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
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/10—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to patients
-
- 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
- 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
- G06N3/045—Combinations of 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0241—Advertisements
- G06Q30/0242—Determining effectiveness of advertisements
-
- 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
- G16H70/00—ICT specially adapted for the handling or processing of medical references
- G16H70/20—ICT specially adapted for the handling or processing of medical references relating to practices or guidelines
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Public Health (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Strategic Management (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Primary Health Care (AREA)
- Biomedical Technology (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Medical Informatics (AREA)
- Finance (AREA)
- Epidemiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Bioethics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Chemical & Material Sciences (AREA)
- Medicinal Chemistry (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本申请涉及数字医疗领域,公开了一种患者用药行为的画像方法,包括:根据医疗数据中的用药信息确定每个目标患者的用药行为特征,并根据用药行为特征将所有目标患者划分为多个目标人群;以及利用随机森林算法对所有医疗数据进行分类;根据分类结果获取目标特征,并利用关联规则算法分析目标特征与各个所述用药行为特征的关联度;获取与用药行为特征的关联度满足预设条件的目标特征作为用药行为特征对应的画像特征;根据每个用药行为特征对应的画像特征,对每个用药行为特征对应的目标人群进行画像。本申请还公开了一种患者用药行为的画像装置、计算机设备以及计算机可读存储介质。本申请提高了对各类用药行为的患者进行画像的准确度。
Description
技术领域
本申请涉及数字医疗领域,尤其涉及一种患者用药行为的画像方法、患者用药行为的画像装置、计算机设备以及计算机可读存储介质。
背景技术
随着精准药学服务的推进与发展,患者用药依从性在药物治疗中的重要作用引起了临床医生和药师的重视。尤其对于糖尿病、高血压、精神类疾病等慢性病患者,其病情易反复、病程长、需要长期服药,因此更应该重视这类患者的用药行为。
传统患者用药行为分析是基于对患者调查问卷或者地区抽样来的数据进行分析,但这样的分析方法往往不够严谨,使得对各类用药行为的患者画像不够精准。
上述内容仅用于辅助理解本申请的技术方案,并不代表承认上述内容是现有技术。
发明内容
本申请的主要目的在于提供一种患者用药行为的画像方法、患者用药行为的画像装置、计算机设备以及计算机可读存储介质,旨在解决如何提高对各类用药行为的患者进行画像的准确度的问题。
为实现上述目的,本申请提供一种患者用药行为的画像方法,包括以下步骤:
获取多个目标患者的医疗数据,所述医疗数据至少包括患者信息和用药信息;
根据所述用药信息确定每个目标患者的用药行为特征,并根据所述用药行为特征将所有目标患者划分为多个目标人群;以及,
将所述患者信息和所述用药信息作为随机森林算法的分类特征,利用所述随机森林算法对所有医疗数据进行分类,得到分类结果;
根据所述分类结果从所述分类特征中获取目标特征,并利用关联规则算法分析所述目标特征与各个所述用药行为特征的关联度;
获取与所述用药行为特征的关联度满足预设条件的目标特征,作为所述用药行为特征对应的画像特征;
根据每个所述用药行为特征对应的画像特征,对每个所述用药行为特征对应的目标人群进行画像。
进一步地,所述根据所述分类结果从所述分类特征中获取目标特征的步骤包括:
确定每个分类特征对于所述分类结果的贡献度;
获取所述贡献度大于第一阈值的分类特征作为目标特征。
进一步地,所述预设条件包括以下任一个:
所述目标特征与所述用药行为特征的关联度最高;
所述目标特征与所述用药行为特征的关联度大于第二阈值;
所述目标特征与所述用药行为特征的关联度处于关联度排名中的前预设名次内。
进一步地,所述根据所述用药信息确定每个目标患者的用药行为特征的步骤包括:
将每个目标患者的所述用药信息输入到神经网络模型进行分析,得到每个目标患者对应的用药行为特征,其中,所述神经网络模型基于多个用药行为特征,以及所述用药行为特征对应的用药信息训练得到。
进一步地,所述根据每个所述用药行为特征对应的画像特征,对每个所述用药行为特征对应的目标人群进行画像的步骤之后,还包括:
根据各个所述目标人群对应的画像结果生成所述目标人群的用药提示信息;
将所述用药提示信息输出至所述目标人群中的目标患者的关联设备。
进一步地,所述患者信息为第一患者信息;所述根据每个所述用药行为特征对应的画像特征,对每个所述用药行为特征对应的目标人群进行画像的步骤之后,还包括:
接收到新目标患者的第二患者信息时,从所述第二患者信息中提取患者特征;
检测是否存在与所述患者特征对应的画像特征;
若是,根据所述画像特征确定所述新目标患者所属的目标人群,并输出所述新目标患者所属的目标人群对应的用药行为信息。
进一步地,所述根据每个所述用药行为特征对应的画像特征,对每个所述用药行为特征对应的目标人群进行画像的步骤之后,还包括:
根据所述目标人群对应的画像结果,确定所述目标人群对应的目标药品广告对所述目标人群中的目标患者进行播放的广告播放频次,其中,所述画像结果中,所述目标患者的画像特征的所述关联度越高,所述目标患者对应的所述广告播放频次越高。
为实现上述目的,本申请还提供一种患者用药行为的画像装置,所述患者用药行为的画像装置包括:
获取模块,用于获取多个目标患者的医疗数据,所述医疗数据至少包括患者信息和用药信息;
处理模块,用于根据所述用药信息确定每个目标患者的用药行为特征,并根据所述用药行为特征将所有目标患者划分为多个目标人群;
分类模块,用于将所述患者信息和所述用药信息作为随机森林算法的分类特征,利用所述随机森林算法对所有医疗数据进行分类,得到分类结果;
分析模块,用于根据所述分类结果从所述分类特征中获取目标特征,并利用关联规则算法分析所述目标特征与各个所述用药行为特征的关联度;
关联模块,用于获取与所述用药行为特征的关联度满足预设条件的目标特征,作为所述用药行为特征对应的画像特征;
画像模块,用于根据每个所述用药行为特征对应的画像特征,对每个所述用药行为特征对应的目标人群进行画像。
为实现上述目的,本申请还提供一种计算机设备,所述计算机设备包括:
所述计算机设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的患者用药行为的画像程序,所述患者用药行为的画像程序被所述处理器执行时实现如上述患者用药行为的画像方法的步骤。
为实现上述目的,本申请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上存储有患者用药行为的画像程序,所述患者用药行为的画像程序被处理器执行时实现如上述患者用药行为的画像方法的步骤。
本申请提供的患者用药行为的画像方法、患者用药行为的画像装置、计算机设备以及计算机可读存储介质,通过研究目标患者用药行为特征与患者身体健康状况、参保类型、年龄等众多医疗数据特征的关系,分析出与目标患者的用药行为特征关联性强的画像特征,从而可以根据更丰富、颗粒度更细的画像特征,对用药行为特征对应的患者人群(即目标人群)进行画像,得到更为准确的患者画像。
附图说明
图1为本申请一实施例中患者用药行为的画像方法步骤示意图;
图2为本申请一实施例中患者用药行为的画像装置示意框图;
图3为本申请一实施例的计算机设备的结构示意框图;
图4为本申请一实施例的随机森林算法的分类决策过程示例图。
本申请目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
参照图1,在一实施例中,所述患者用药行为的画像方法包括:
步骤S10、获取多个目标患者的医疗数据,所述医疗数据至少包括患者信息和用药信息。
步骤S20、根据所述用药信息确定每个目标患者的用药行为特征,并根据所述用药行为特征将所有目标患者划分为多个目标人群;以及
步骤S30、将所述患者信息和所述用药信息作为随机森林算法的分类特征,并利用所述随机森林算法对所有医疗数据进行分类,得到分类结果;
步骤S40、根据所述分类结果从所述分类特征中获取目标特征,并利用关联规则算法分析所述目标特征与各个所述用药行为特征的关联度;
步骤S50、获取与所述用药行为特征的关联度满足预设条件的目标特征,作为所述用药行为特征对应的画像特征;
步骤S60、根据每个所述用药行为特征对应的画像特征,对每个所述用药行为特征对应的目标人群进行画像。
本实施例中,执行终端可以是计算机设备,也可以是患者用药行为的画像装置。
如步骤S10所述:目标患者可以是指针对于某种慢性病(记为目标疾病)的患者。需要说明的是,慢性病是指不构成传染、具有长期积累形成疾病形态损害的疾病的总称,例如糖尿病、高血压、精神类疾病等。
可选的,医疗数据至少包括患者信息和用药信息。
其中,用药信息可以包括目标患者所服用的目标药品种类,以及各种类目标药品的药品通用名、商品名、生产厂家类别(MNC/LOCAL)、药品类别(原研药/仿制药)、剂型、规格、包装等,以及各种类目标药品的可用天数(可用天数可根据患者所取药品的剂量得到,记为Days_Supply)、用药的时间。
可选的,用药信息可以是目标患者在最近第一预设时长内的用药信息。第一预设时长可以根据实际情况需要设置,如取值范围可为3个月-2年,可选为1年。
可选的,患者信息(可记为第一患者信息)包括患者身份特征、患者就诊特征和患者疾病特征中的至少一个。
可选的,患者身份特征包括患者年龄、性别和参保身份中的至少一个。其中,患者年龄可以是具体的年龄值,也可以是所属的年龄段。
可选的,患者就诊特征包括住院记录、就诊医院等级和就诊次数中的至少一个。其中,住院记录可以是目标患者在第一预设时长内是否有住院的记录;就诊次数也可以是目标患者在第一预设时长内就诊的次数。
可选的,患者疾病特征包括所述目标患者是否属于新患者,和/或所述目标患者是否具有并发症或合并症,和/或患病时长。其中,若目标患者不属于新患者,则将目标患者记为老患者(或者判断目标患者是否属于老患者亦可);患病时长是指目标患者患上目标疾病的患病时长,可以以日或月为单位;若目标患者具有并发症或合并症,其患者疾病特征还需包括并发症/合并症的种类数。
另外本发明对目标患者(或者医疗数据的样本数)的具体数量不作限定,只要数量多到足够进行大数据分析即可,如至少一万个患者。
如步骤S20所述:可选的,预先定义用药行为特征包括第一行为特征、第二行为特征、第三行为特征、第四行为特征和第五行为特征中的至少两个。
可选的,将所述用药信息中不存在用药记录的目标患者的用药行为特征确定为第一行为特征(记为New),如标记为第一行为特征的目标患者在第一预设时长内没有任何用药记录。
可选的,将所述用药信息中只存在一种药品的用药记录的目标患者的用药行为特征确定为第二行为特征(记为Continue)。如标记为第二行为特征的目标患者属于目标疾病的旧患者,且在第一预设时长内只使用过一种药品。
可选的,将所述用药信息中存在换药记录的目标患者的用药行为特征确定为所述第三行为特征(记为Switch)。标记为第三行为特征的目标患者属于目标疾病的旧患者,且第一预设时长内有发生过换药行为,如从原先服用A药品,后改为服用B药品。
可选的,将所述用药信息中存在多种药品的同期用药记录的目标患者的用药行为特征确定为第四行为特征(记为Add_On),标记为第四行为特征的目标患者属于目标疾病的旧患者,且第一预设时长内有发生过增加用药种类的行为,如从原先服用A药品,后改为服用A+B药品。
可选的,将所述用药信息中存在停药记录的目标患者的用药行为特征确定为所述第五行为特征(记为Drop),如标记为第五行为特征的目标患者在用药一段时间后,停止了继续用药。
可选的,用药行为特征还可以进一步关联有对应的目标药品信息。针对药品种类的细分,各用药行为特征还可以进一步细分为针对患者所用的各类目标药品的用药行为特征,如A药品的各用药行为特征可记为Drug_A_New、Drug_A_Continue、Drug_A_Switch(从某种药品切换为A药品)、Drug_A_Add_On(把A药品新加入药方之中)。
可选的,终端在确定每个目标患者的用药行为特征的分析过程如下:
可选的,检测目标患者的用药信息中是否存在用药记录,若检测到目标患者的用药信息中不存在任何用药记录(信息为空),可判定该患者的用药行为特征为第一行为特征New;
可选的,若终端检测到目标患者的用药信息中存在至少一种药品的用药记录,则进一步检测目标患者最近一次服药时间是否超过第二预设时长(第二预设时长小于第一预设时长)。若是,则判定该目标患者的用药行为特征为第五行为特征Drop;若否,进一步检测目标患者的用药记录中是否只存在一个种类的药品。
可选的,若目标患者只存在一个种类的药品的用药记录,则判定该患者的用药行为特征为第二行为特征Continue,若患者所服用的药品为B药品,则可以进一步记为Drug_B_Continue。
可选的,若检测到目标患者的用药记录中存在服用多种目标药品的情况,则进一步判断该患者服用多个目标药品的时间是否同期,若不是同期服用多种药品,则判定该患者的用药行为特征为第三行为特征Switch,进一步地,根据目标患者服用多种药品的先后时间对第三行为特征进行标记,如目标患者服用B药品的时间晚于A药品,则将目标患者标记为Drug_B_Switch。
可选的,若终端检测到目标患者存在同期服用多种药品的情况,则判定该患者的用药行为特征为第四行为特征Add_On,进一步地,根据目标患者服用各种药品的时段对第四行为特征进一步标记,如目标先是服用A药品,后续则同期服用A+B药品,则将该目标患者标记为Drug_B_Add_On。
这样,终端在得到每一个目标患者对应的用药行为特征后,可以进一步根据用药行为特征对所有目标患者进行人群划分,得到各个用药行为特征对应的目标人群,而每个目标患者的医疗数据也可以是归类到对应的目标人群之中。
如步骤S30所述:随机森林指的是利用多棵决策树对样本进行训练并预测的一种分类器。
可选的,由于每个医疗数据的患者信息和用药信息中,均包括多个子数据,因此在将患者信息和用药信息作为随机森林算法的分类特征时,可以将患者信息和用药信息下的多个子数据均提取为分类特征,然后基于分类特征利用随机森林算法对所有医疗数据进行分类。
可选的,调用函数RandomForest()构建随机森林模型,将多个医疗数据输入随机森林模型作为训练样本,并提取医疗数据中的各个子数据作为随机森林模型用于进行分类决策的分类特征。
例如,存在目标患者是否属于新患者(是则为新患者,否则为旧患者)、患者年龄(可以是具体判断患者所属的年龄段,如判断是否大于30岁)这两个分类特征时,随机森林算法在进行医疗数据的分类时,会将新患者分到一类,老患者分到另一类,然后进一步进行这两类医疗数据中患者年龄是否大于30岁的判断,得到进一步的分组:{新患者,年龄大于30岁}、{新患者,年龄小于或等于30岁}、{旧患者,年龄大于30岁}、{旧患者,年龄小于或等于30岁},此时医疗数据已分为这四个类别。
最终得到随机森林模型的分类结果可以是穷尽所有分类特征的组合,同时随机森林模型在输出各分类组合时,还会输出属于各分类组合的医疗数据在总医疗数据中的占比。而且,分类结果还记录有每个分类特征在随机森林模型的决策树中,所分类的医疗数据在总医疗数据中的占比。
可选的,终端可以使用MDSplot()函数实现随机森林的可视化,输出分类结果对应的树状图,方便用户了解随机森林算法的分类决策过程。
例如,参照图4,随机森林算法的分类决策过程示例:在100%目标患者中,第一层分类对新/旧患者进行分类,判断目标患者是否属于新患者,第一次分类输出结果为:新患者占比36%,旧患者占比64%;第二层分类对患者年龄进行分类,判断目标患者是否大于30岁,第二次分类输出结果为:{新患者,年龄大于30岁}占比16%、{新患者,年龄小于或等于30岁}占比20%、{旧患者,年龄大于30岁}占比33%、{旧患者,年龄小于或等于30岁}占比31%。
如步骤S40所述:在利用随机森林算法对所有医疗数据进行分类,并得到分类结果后,基于各分类特征影响分类结果的占比数,确定各个分类特征在分类结果中的贡献度,再根据各分类特征对应的贡献度大小确定目标特征。
需要说明的是,用随机森林算法进行分类特征的重要性评估思想,就是看每个分类特征在随机森林中的每颗决策树上做了多大的贡献,取平均值得到各分类特征对应的贡献度。
可选的,利用Importance()函数计算分类结果中各分类特征的贡献度。由于随机森林存在的固有随机性,该模型可能每次给予分类特征不同的重要性权重。但是通过多次训练该模型,即每次通过选取一定量的分类特征与上次分类特征中的交集进行保留,以此循环一定次数,从而可以得到一定量对分类任务的影响有重要贡献的分类特征,及对应的贡献度。
可选的,在随机森林中某个分类特征X的重要性的计算方法如下:
1:对于随机森林中的每一颗决策树,使用相应的Y(袋外数据)数据来计算它的袋外数据误差,记为errY1;
2:随机地对袋外数据Y所有样本的特征X加入噪声干扰(就可以随机的改变样本在分类特征X处的值),再次计算它的袋外数据误差,记为errY2;
3:假设随机森林中有N棵决策树,那么对于分类特征X的贡献度=∑(errY2-errY1)/N。
进一步地,得到各个分类特征对应的贡献度后,获取贡献度大于第一阈值的分类特征作为目标特征。目标特征的贡献度越大,说明该目标特征对分类结果影响越大,则该目标特征作为用于刻画目标患者的人群画像的画像特征更具有代表性。
例如,对于患者年龄、参保身份这些分类特征对应的贡献度,均大于第一阈值,则将这些分类特征均作为目标特征,加入到后续的分析之中。
对于贡献度小于或等于第一阈值的分类特征则不再关注。例如,若药品信息中的药品包装这一分类特征的贡献度小于第一阈值,说明药品包装对分类结果并无突出性的影响,则对该分类特征不再关注。
可选的,第一阈值的具体值可根据实际情况需要设置,其取值范围可选为30%-90%。
可选的,终端也可以是根据贡献度对所有分类特征进行排序,然后获取排序名次在前预设名次内的分类特征作为目标特征。应当理解的是,前预设名次可以根据实际情况需要设置,如设置前20名。
基于此,可见随机森林算法的作用是在于从众多与医疗数据相关的分类特征之中,快速提取出对目标患者更具有代表性、更科学、更合理的一些目标特征,以便于后续对目标患者人群进行画像时,得到的用户画像特点更为鲜明。
可选的,终端在分类特征中获取到至少一个目标特征后,分别将每个用药行为特征与每个目标特征进行组合,每个组合中包括一个用药行为特征,以及至少一个目标特征。然后确定每个组合对应的医疗数据(这些医疗数据需包括有该组合中的用药行为特征和目标特征),在总医疗数据中的占比值(或者是该组合所属的用药行为特征对应的目标人群的总医疗数据占比值)。得到占比值越大,说明该组合中的用药行为特征和目标特征之间的关联度越大(占比值也可以直接就等于关联度)。
具体算法的过程可采用关联规则算法,主要用到函数itemFrequency()、apriori()、inspect()、eclat()进行各目标特征与各用药行为特征之间的关联度分析,得到各目标特征和用药行为特征的组合在总数据中的占比值作为关联度(或称信任度),并输出分析结果。
需要说明的是,由于关联规则算法可穷尽所有特征组合的可能,因此,若输出结果中有不满足“组合中包括一个用药行为特征,以及至少一个目标特征”的规则的组合,可将该组数据剔除(这可相当于关联规则算法中的支持度的设置)。因为此分析的目的是为了得到每个目标特征与每个用药行为特征之间的关联度,若某个组合中不包括用药行为特征,或者缺少目标特征,那么这种组合是不具备关联度分析的意义的。
而且关联规则就是支持度和关联度(或者信任度)分别满足用户给定阈值的规则。
如步骤S50所述:在得到每个用药行为特征与目标特征之间的关联度后,基于每个用药行为特征,获取与该用药行为特征之间的关联度满足预设条件的目标特征,作为该用药行为特征对应的画像特征。
需要说明的是,画像特征可以表征为具有代表性的、可用于刻画目标人群特点的特征。如使用旧患者这一特征对某个用药行为特征对应的目标人群进行画像时,即可表明该目标人群中的目标患者大多都属于旧患者。
其中,预设条件包括以下任一个:
所述目标特征与所述用药行为特征的关联度最高;
所述目标特征与所述用药行为特征的关联度大于第二阈值;
所述目标特征与所述用药行为特征的关联度处于关联度排名中的前预设名次内。
可选的,分别为每个用药行为特征,获取与之关联度最高的目标特征作为画像特征。应当理解的是,不同用药行为特征对应的画像特征可相同、可不相同。例如,与第二用药行为特征的关联度最高的目标特征为旧患者(作为画像特征),而与第五用药行为特征的关联度最高的目标特征则为新患者作为画像特征)。
可选的,终端可以是在每个用药行为特征关联的目标特征之中,获取与用药行为特征之间的关联度大于第二阈值的目标特征,作为该用药行为特征对应的画像特征。其中,第二阈值可根据实际情况需要设置,如取值范围可为15%-25%。
可选的,终端也可以是根据每个用药行为特征关联的目标特征的关联度,对该用药行为特征关联的所有目标特征进行排序,得到目标特征的关联度排名,再获取关联度排名中的前预设名次内的目标特征作为画像特征。应当理解的是,对应的关联度越高,则目标特征的排名名次越前;前预设名次可以根据实际情况需要设置,如设置前3名、前5名等。
如步骤S60所述:在得到每个用药行为特征对应的画像特征之后,将画像特征对用药行为特征对应的目标人群相关联,并利用画像特征对目标人群进行画像,实现目标人群的患者形象具体化,得到具有代表性的目标人群的患者特点(或者患者特征)。
例如,若旧患者这一目标特征与第二行为特征Continue的关联度比较高(高于40%),而新患者这一目标特征与第五行为特征Drop的关联度比较高(高于20%)。可见“旧患者”这一目标特征更适合作为第二行为特征Continue对应的画像特征,并用于对第二行为特征对应的目标人群进行画像,这样该目标人群的画像则为旧患者;而“新患者”这一目标特征则更适合作为第五行为特征Drop对应画像特征,并用于对第五行为特征对应的目标人群进行画像,这样该目标人群的画像则为新患者。
可选的,基于画像结果可以为患者慢病管理及研究药品市场精准营销提供了数据决策支持。
例如,对于患者管理方面,若第五行为特征的画像特征是“新患者”,而第五行为特征又是属于患者喜欢经常停止服药(或者中途停药)的行为特征,因此由画像结果可知,新患者更需要加强用药依从性的督导。基于此,终端可以向医院系统输出画像结果,以提醒医生以后面对新患者时,需要对新患者多进行用药敦促劝导,防止患者中途停药,影响身体健康。
例如,若第二行为特征(即患者坚持服药的行为特征)的画像结果为:参保身份为职工、年龄大于30岁的老患者,则说明职工、老患者是持续用药的主力人群。对于这一画像结果的利用示例:可以针对这些画像特征的患者进行精准的市场营销投放,向这些人群多一些投放用于治疗目标疾病的药品广告。
这样,通过研究目标患者用药行为特征与患者身体健康状况、参保类型、年龄等众多医疗数据特征的关系,分析出与目标患者的用药行为特征关联性强的画像特征,从而可以根据更丰富、颗粒度更细的画像特征,对用药行为特征对应的患者人群(即目标人群)进行画像,得到更为准确的患者画像。
在一实施例中,在上述实施例基础上,所述根据所述用药信息确定每个目标患者的用药行为特征的步骤包括:
步骤S70、将每个目标患者的所述用药信息输入到神经网络模型进行分析,得到每个目标患者对应的用药行为特征,其中,所述神经网络模型基于多个用药行为特征,以及所述用药行为特征对应的用药信息训练得到。
本实施例中,终端可以是预先构建有神经网络模型,神经网络模型的训练过程和训练逻辑,可以是基于数量足够多的医疗数据样本,并标记医疗数据样本中与用于分析用药行为特征相关的用药信息(包括用药种类、用药时间、患者疾病特征等),同时标注各医疗数据样本所对应的用药行为特征,基于这样预处理后的医疗数据样本输入到神经网络模型中进行迭代训练,直到模型收敛。
当神经网络模型训练完成后,只需将各目标患者对应的用药信息输入到神经网络模型中,神经网络模型就会自动输出相对应的各目标患者的用药行为特征。
这样,利用神经网络模型对目标患者的用药行为特征进行聚类分析,可以快速得到目标患者的用药行为特征。
在一实施例中,在上述实施例基础上,所述根据每个所述用药行为特征对应的画像特征,对每个所述用药行为特征对应的目标人群进行画像的步骤之后,还包括:
步骤S80、根据各个所述目标人群对应的画像结果生成所述目标人群的用药提示信息;
步骤S81、将所述用药提示信息输出至所述目标人群中的目标患者的关联设备。
本实施例中,终端可以是预先设定针对各用药行为特征对应的目标人群的初始用药提示信息。
例如,由于属于第一行为特征的目标患者没有用药记录,故对应的初始用药提示信息可以包括一种或多种用于治疗目标疾病的药品的推荐;而由于属于第二行为特征的目标患者一般会坚持服用同一种药品,则对应的初始用药提示信息可以是在原服用药品的基础上,再增加其他药品的推荐,介绍多种药品的服用结合,可以提高疗效;而由于属于第三行为特征的目标患者往往喜欢换药,或者尝试不同的药品,则第三行为特征对应的初始用药提示信息可以是着重于新药的推荐;而由于属于第四行为特征的目标患者往往会同期服用多种药物,则第四行为特征对应的初始用药提示信息可以是着重于疗效比较全面的药品的推荐;而由于属于第五行为特征的目标患者往往会中途停药,则第五行为特征对应的初始用药提示信息可以是提醒患者按时用药,或者介绍坚持服药对治疗目标疾病的重要性。
可选的,终端在得到目标人群的画像结果后,可以在目标人群对应的初始用药提示信息的基础上,结合具体的画像结果,生成更能迎合目标人群的用药提示信息。
例如,若根据画像结果可知目标人群属于价格敏感人群(比如目标人群大多的参保身份为农村医保),且该目标人群对应的初始用药提示信息包括药品推荐信息,则可以将其中的药品推荐信息更新为性价比比较高的药品推荐信息(或者属于医保报销范围内的药品的推荐信息),得到最终的用药提示信息。
例如,若根据画像结果可知目标人群的特点与年龄段、性别这些患者信息比较相关,则终端可以根据不同的患者特点调整该目标人群的初始用药提示信息的提示内容,得到最终的用药提示信息。如,针对理解能力比较好的年轻人群,可以在提示内容中重点介绍目标疾病的病因,及对应的治疗药品的治疗原理;而针对老年人群,可以直接在提示内容中讲述用于治疗目标疾病的药品的功效。
可选的,终端在得到各类目标人群对应的用药提示信息后,则可以根据目标人群中目标患者预留的联系方式,将对应的用药提示信息输出至各目标人群中的目标患者的关联设备(如手机、电脑等)。其中,用药提示信息的输出方式可以是电子邮件、短信等。
这样,基于目标人群的画像结果,挖掘影响目标患者用药行为的潜在原因及影响市场变化趋势的背后驱动力,可以对目标患者进行精准的慢病管理及药企市场营销。
在一实施例中,在上述实施例基础上,所述根据每个所述用药行为特征对应的画像特征,对每个所述用药行为特征对应的目标人群进行画像的步骤之后,还包括:
步骤S90、接收到新目标患者的第二患者信息时,从所述第二患者信息中提取患者特征;
步骤S91、检测是否存在与所述患者特征对应的画像特征;
步骤S92、若是,根据所述画像特征确定所述新目标患者所属的目标人群,并输出所述新目标患者所属的目标人群对应的用药行为信息。
本实施例中,医生对患者进行诊断时,当有新的属于目标疾病的目标患者确诊时,医生可利用医疗诊断终端将新的目标患者的患者信息(可记为第二患者信息)发送至本终端。另外,本终端将用于对患病人群进行画像分析的多个医疗数据中的患者信息记为第一患者信息,以与新的目标患者的第二患者信息进行区分。
可选的,本实施例终端在接收到新目标患者的第二患者信息时,提取第二患者信息中的所有子数据作为患者特征。然后终端检测先前分析得到的多个目标人群对应的画像特征(或者画像结果)中,是否存在与患者特征对应的画像特征(即检测是否存在与患者特征相同的画像特征)。
可选的,若终端未检测到存在与新目标患者的患者特征对应的画像特征时,则医疗诊断终端反馈暂时无法分析新目标患者的用药行为的信息。
可选的,若终端检测到存在与新目标患者的患者特征对应的画像特征时,则根据患者特征对应的画像特征,确定该画像特征所刻画的目标人群,该目标人群即为新目标患者所属的目标人群。
可选的,终端进一步获取新目标患者所属的目标人群对应的用药行为特征,生成用药行为信息,并将用药行为信息输出至医疗诊断终端,以供医参考新目标患者可能具备的用药行为,并针对新目标患者可能存在的用药行为开具医嘱。
例如,若第五行为特征的画像特征是“年轻患者(比如年龄小于30岁的患者)”,而第五行为特征又是属于患者喜欢经常停止服药(或者中途停药)的行为特征,当新目标患者也是属于“年轻患者”时,输出第五行为特征对应的用药行为信息至医疗诊断系统后,医生就可以对新目标患者多进行用药敦促劝导,防止患者中途停药,影响身体健康。
这样,鉴于缺乏新确诊的目标患者的用药信息,而难以推断新目标患者的用药行为特征的情况,在对目标人群进行画像后,可以利用新目标患者的患者信息和画像结果判断其所属的目标人群后,即可得到目标人群对应的用药行为特征作为新目标患者的用药行为特征,并输出相应信息至医疗诊断终端,使医生更好地了解新目标患者的用药行为。
在一实施例中,在上述实施例基础上,所述根据每个所述用药行为特征对应的画像特征,对每个所述用药行为特征对应的目标人群进行画像的步骤之后,还包括:
步骤S100、根据所述目标人群对应的画像结果,确定所述目标人群对应的目标药品广告对所述目标人群中的目标患者进行播放的广告播放频次,其中,所述画像结果中,所述目标患者的画像特征的所述关联度越高,所述目标患者对应的所述广告播放频次越高。
本实施例中,针对第一行为特征、第三行为特征和第四行为特征对应的目标人群,由这些目标人群的用药行为特征可以推测,他们喜欢换药或有了解治疗目标疾病的新药品的需求,因此可以针对这些目标人群进行用药治疗目标疾病的目标药品的广告投放。
可选的,终端在得到每个目标人群对应的画像结果后,根据目标人群的画像结果中各画像特征,对目标人群中的目标患者进行二次分类,然后确定各类画像特征对应的目标患者的广告播放频次。所述广告播放频次用于确定目标患者所属的目标人群对应的目标药品广告对目标患者进行播放的频次。
其中,在每一目标人群中,各类目标患者对应的画像特征的关联度越高,则确定得到该类别目标患者对应的广告播放频次越高。
可选的,针对广告播放频次越高的目标患者,则对其投放目标药品广告的频次越高;针对广告播放频次越低的目标患者,则对其投放目标药品广告的频次越低。
可选的,对目标患者投放目标药品广告的方式,可以是短信、邮件的推送,也可以是在目标患者使用的患者端的医疗APP、小程序、公众号等,进行目标药品广告的投放。
这样,可以实现对目标患者进行精准的目标药品营销。
参照图2,本申请实施例中还提供一种患者用药行为的画像装置10,包括:
获取模块11,用于获取多个目标患者的医疗数据,所述医疗数据至少包括患者信息和用药信息;
处理模块12,用于根据所述用药信息确定每个目标患者的用药行为特征,并根据所述用药行为特征将所有目标患者划分为多个目标人群;
分类模块13,用于将所述患者信息和所述用药信息作为随机森林算法的分类特征,利用所述随机森林算法对所有医疗数据进行分类,得到分类结果;
分析模块14,用于根据所述分类结果从所述分类特征中获取目标特征,并利用关联规则算法分析所述目标特征与各个所述用药行为特征的关联度;
关联模块15,用于获取与所述用药行为特征的关联度满足预设条件的目标特征,作为所述用药行为特征对应的画像特征;
画像模块16,用于根据每个所述用药行为特征对应的画像特征,对每个所述用药行为特征对应的目标人群进行画像。
参照图3,本申请实施例中还提供一种计算机设备,该计算机设备可以是服务器,其内部结构可以如图3所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设计的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于患者用药行为的画像程序。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种患者用药行为的画像方法。
本领域技术人员可以理解,图3中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定。
此外,本申请还提出一种计算机可读存储介质,所述计算机可读存储介质包括患者用药行为的画像程序,所述患者用药行为的画像程序被处理器执行时实现如以上实施例所述的患者用药行为的画像方法的步骤。可以理解的是,本实施例中的计算机可读存储介质可以是易失性可读存储介质,也可以为非易失性可读存储介质。
综上所述,为本申请实施例中提供的患者用药行为的画像方法、患者用药行为的画像装置、计算机设备和存储介质,通过研究目标患者用药行为特征与患者身体健康状况、参保类型、年龄等众多医疗数据特征的关系,分析出与目标患者的用药行为特征关联性强的画像特征,从而可以根据更丰富、颗粒度更细的画像特征,对用药行为特征对应的患者人群(即目标人群)进行画像,得到更为准确的患者画像。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的和实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可以包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM通过多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双速据率SDRAM(SSRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其它变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素,而且还包括没有明确列出的其它要素,或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
以上所述仅为本申请的优选实施例,并非因此限制本申请的专利范围,凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其它相关的技术领域,均同理包括在本申请的专利保护范围内。
Claims (9)
1.一种患者用药行为的画像方法,其特征在于,包括:
获取多个目标患者的医疗数据,所述医疗数据至少包括患者信息和用药信息;
根据所述用药信息确定每个目标患者的用药行为特征,并根据所述用药行为特征将所有目标患者划分为多个目标人群;以及,
将所述患者信息和所述用药信息作为随机森林算法的分类特征,利用所述随机森林算法对所有医疗数据进行分类,得到分类结果;
根据所述分类结果从所述分类特征中获取目标特征,并利用关联规则算法分析所述目标特征与各个所述用药行为特征的关联度;
获取与所述用药行为特征的关联度满足预设条件的目标特征,作为所述用药行为特征对应的画像特征;
根据每个所述用药行为特征对应的画像特征,对每个所述用药行为特征对应的目标人群进行画像;
所述根据所述分类结果从所述分类特征中获取目标特征的步骤包括:
确定每个分类特征对于所述分类结果的贡献度;
获取所述贡献度大于第一阈值的分类特征作为目标特征;
所述利用关联规则算法分析所述目标特征与各个所述用药行为特征的关联度的步骤包括:
在所述分类特征中获取到至少一个所述目标特征;
分别将每个所述用药行为特征与每个所述目标特征进行组合,每个所述组合中包括一个所述用药行为特征,以及至少一个所述目标特征;
确定每个组合对应的所述医疗数据在总医疗数据中的占比值;
其中,用到函数itemFrequency()、apriori()、inspect()、eclat()进行各所述目标特征与各所述用药行为特征之间的关联度分析,得到各所述目标特征和所述用药行为特征的组合在所述总医疗数据中的占比值作为关联度。
2.如权利要求1所述的患者用药行为的画像方法,其特征在于,所述预设条件包括以下任一个:
所述目标特征与所述用药行为特征的关联度最高;
所述目标特征与所述用药行为特征的关联度大于第二阈值;
所述目标特征与所述用药行为特征的关联度处于关联度排名中的前预设名次内。
3.如权利要求1所述的患者用药行为的画像方法,其特征在于,所述根据所述用药信息确定每个目标患者的用药行为特征的步骤包括:
将每个目标患者的所述用药信息输入到神经网络模型进行分析,得到每个目标患者对应的用药行为特征,其中,所述神经网络模型基于多个用药行为特征,以及所述用药行为特征对应的用药信息训练得到。
4.如权利要求1-3中任一项所述的患者用药行为的画像方法,其特征在于,所述根据每个所述用药行为特征对应的画像特征,对每个所述用药行为特征对应的目标人群进行画像的步骤之后,还包括:
根据各个所述目标人群对应的画像结果生成所述目标人群的用药提示信息;
将所述用药提示信息输出至所述目标人群中的目标患者的关联设备。
5.如权利要求1-3中任一项所述的患者用药行为的画像方法,其特征在于,所述患者信息为第一患者信息;所述根据每个所述用药行为特征对应的画像特征,对每个所述用药行为特征对应的目标人群进行画像的步骤之后,还包括:
接收到新目标患者的第二患者信息时,从所述第二患者信息中提取患者特征;
检测是否存在与所述患者特征对应的画像特征;
若是,根据所述画像特征确定所述新目标患者所属的目标人群,并输出所述新目标患者所属的目标人群对应的用药行为信息。
6.如权利要求1-3中任一项所述的患者用药行为的画像方法,其特征在于,所述根据每个所述用药行为特征对应的画像特征,对每个所述用药行为特征对应的目标人群进行画像的步骤之后,还包括:
根据所述目标人群对应的画像结果,确定所述目标人群对应的目标药品广告对所述目标人群中的目标患者进行播放的广告播放频次,其中,所述画像结果中,所述目标患者的画像特征的所述关联度越高,所述目标患者对应的所述广告播放频次越高。
7.一种患者用药行为的画像装置,其特征在于,包括:
获取模块,用于获取多个目标患者的医疗数据,所述医疗数据至少包括患者信息和用药信息;
处理模块,用于根据所述用药信息确定每个目标患者的用药行为特征,并根据所述用药行为特征将所有目标患者划分为多个目标人群;
分类模块,用于将所述患者信息和所述用药信息作为随机森林算法的分类特征,利用所述随机森林算法对所有医疗数据进行分类,得到分类结果;
分析模块,用于根据所述分类结果从所述分类特征中获取目标特征,并利用关联规则算法分析所述目标特征与各个所述用药行为特征的关联度;
关联模块,用于获取与所述用药行为特征的关联度满足预设条件的目标特征,作为所述用药行为特征对应的画像特征;
画像模块,用于根据每个所述用药行为特征对应的画像特征,对每个所述用药行为特征对应的目标人群进行画像;
分析模块根据所述分类结果从所述分类特征中获取目标特征,并利用关联规则算法分析所述目标特征与各个所述用药行为特征的关联度的步骤包括:
确定每个分类特征对于所述分类结果的贡献度;
获取所述贡献度大于第一阈值的分类特征作为目标特征;
在所述分类特征中获取到至少一个所述目标特征;
分别将每个所述用药行为特征与每个所述目标特征进行组合,每个所述组合中包括一个所述用药行为特征,以及至少一个所述目标特征;
确定每个组合对应的所述医疗数据在总医疗数据中的占比值;
其中,用到函数itemFrequency()、apriori()、inspect()、eclat()进行各所述目标特征与各所述用药行为特征之间的关联度分析,得到各所述目标特征和所述用药行为特征的组合在所述总医疗数据中的占比值作为关联度。
8.一种计算机设备,其特征在于,所述计算机设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的患者用药行为的画像程序,所述患者用药行为的画像程序被所述处理器执行时实现如权利要求1至6中任一项所述的患者用药行为的画像方法的步骤。
9.一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上存储有患者用药行为的画像程序,所述患者用药行为的画像程序被处理器执行时实现如权利要求1至6中任一项所述的患者用药行为的画像方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011401539.XA CN112599217B (zh) | 2020-12-02 | 2020-12-02 | 患者用药行为的画像方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011401539.XA CN112599217B (zh) | 2020-12-02 | 2020-12-02 | 患者用药行为的画像方法、装置、计算机设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112599217A CN112599217A (zh) | 2021-04-02 |
CN112599217B true CN112599217B (zh) | 2022-10-18 |
Family
ID=75188026
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011401539.XA Active CN112599217B (zh) | 2020-12-02 | 2020-12-02 | 患者用药行为的画像方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112599217B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114420244A (zh) * | 2022-02-28 | 2022-04-29 | 北京大学第三医院(北京大学第三临床医学院) | 一种帕金森病患者的用药分析方法和装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111180027A (zh) * | 2019-12-26 | 2020-05-19 | 北京亚信数据有限公司 | 一种基于医疗大数据的患者画像相关性规则筛选方法及装置 |
CN111402975A (zh) * | 2020-03-11 | 2020-07-10 | 苏州艾隆信息技术有限公司 | 一种基于智慧云平台的院外药学监护系统及方法 |
CN111554371A (zh) * | 2020-03-30 | 2020-08-18 | 平安医疗健康管理股份有限公司 | 互联网数据的处理方法及装置、计算机设备、存储介质 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120116181A1 (en) * | 2005-11-04 | 2012-05-10 | Glenn Richards | Blood protein markers in methods and apparatuses to aid diagnosis and management of sleep disordered breathing |
US20100017001A1 (en) * | 2008-04-24 | 2010-01-21 | Searete Llc, A Limited Liability Corporation Of The State Of Delaware | Computational system and method for memory modification |
WO2011054045A1 (en) * | 2009-11-06 | 2011-05-12 | Fred Bergman Healthcare Pty Ltd | Improvements in incontinence monitoring and assessment |
-
2020
- 2020-12-02 CN CN202011401539.XA patent/CN112599217B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111180027A (zh) * | 2019-12-26 | 2020-05-19 | 北京亚信数据有限公司 | 一种基于医疗大数据的患者画像相关性规则筛选方法及装置 |
CN111402975A (zh) * | 2020-03-11 | 2020-07-10 | 苏州艾隆信息技术有限公司 | 一种基于智慧云平台的院外药学监护系统及方法 |
CN111554371A (zh) * | 2020-03-30 | 2020-08-18 | 平安医疗健康管理股份有限公司 | 互联网数据的处理方法及装置、计算机设备、存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112599217A (zh) | 2021-04-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Traeger et al. | Association of HIV preexposure prophylaxis with incidence of sexually transmitted infections among individuals at high risk of HIV infection | |
CN108766512B (zh) | 健康数据管理方法、装置、计算机设备和存储介质 | |
Keiding et al. | Perils and potentials of self-selected entry to epidemiological studies and surveys | |
Lenert et al. | Validity and interpretation of preference-based measures of health-related quality of life | |
Wu et al. | Alcohol and drug use disorders among adults in emergency department settings in the United States | |
Ackerman et al. | Implementing statistical methods for generalizing randomized trial findings to a target population | |
US20120078840A1 (en) | Apparatus, system and methods for comparing drug safety using holistic analysis and visualization of pharmacological data | |
Lee et al. | A performance measure for continuity of care after detoxification: Relationship with outcomes | |
CN110752035A (zh) | 健康数据处理方法、装置、计算机设备及存储介质 | |
US20070112597A1 (en) | Monetizing large-scale information collection and mining | |
Keele et al. | An Overview of Geographically Discontinuous Treatment Assignments with an Application to Children’s Health Insurance☆ | |
JP2014225176A (ja) | 分析システム及び保健事業支援方法 | |
US20120078521A1 (en) | Apparatus, system and methods for assessing drug efficacy using holistic analysis and visualization of pharmacological data | |
CN111667890A (zh) | 基于人工智能的用药推荐方法、装置、设备及存储介质 | |
CN112599217B (zh) | 患者用药行为的画像方法、装置、计算机设备及存储介质 | |
CN112017745A (zh) | 决策信息推荐、药物信息推荐方法、装置、设备及介质 | |
Jansson-Fröjmark et al. | Psychometric properties of the Insomnia Catastrophizing Scale (ICS) in a large community sample | |
Abouk et al. | The ACA Medicaid expansions and opioid mortality: Is there a link? | |
Coley et al. | Predicting outcomes of psychotherapy for depression with electronic health record data | |
Lauffenburger et al. | Use of data-driven methods to predict long-term patterns of health care spending for Medicare patients | |
Cooray et al. | Impact of teeth on social participation: modified treatment policy approach | |
Winkelmann | Counting on count data models | |
Bell et al. | Targeting interventions for HIV testing and treatment uptake: An attitudinal and behavioural segmentation of men aged 20–34 in KwaZulu-Natal and Mpumalanga, South Africa | |
Raag et al. | Prevalence of injecting drug use in Estonia 2010–2015: a capture-recapture study | |
Luchansky et al. | Treatment response by primary drug of abuse: Does methamphetamine make a difference? |
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 |
Effective date of registration: 20220525 Address after: 518000 China Aviation Center 2901, No. 1018, Huafu Road, Huahang community, Huaqiang North Street, Futian District, Shenzhen, Guangdong Province Applicant after: Shenzhen Ping An medical and Health Technology Service Co.,Ltd. Address before: Room 12G, Block H, 666 Beijing East Road, Huangpu District, Shanghai 200000 Applicant before: PING AN MEDICAL AND HEALTHCARE MANAGEMENT Co.,Ltd. |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |