CN112635053A - 基于大数据的居民健康预警方法、装置、设备和系统 - Google Patents
基于大数据的居民健康预警方法、装置、设备和系统 Download PDFInfo
- Publication number
- CN112635053A CN112635053A CN202110252486.8A CN202110252486A CN112635053A CN 112635053 A CN112635053 A CN 112635053A CN 202110252486 A CN202110252486 A CN 202110252486A CN 112635053 A CN112635053 A CN 112635053A
- Authority
- CN
- China
- Prior art keywords
- data
- health
- model
- resident
- intervention
- 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
- G16H50/20—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
-
- 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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Epidemiology (AREA)
- Computational Linguistics (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Pathology (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Primary Health Care (AREA)
- Biophysics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本申请涉及一种基于大数据的居民健康预警方法、装置、设备和系统。其中,本方案一是建立了基于健康风险评估模型进行健康干预的系统实现路径,二是提供了在健康干预基础之上的模型动态演进方法,从而实现健康数据采集、健康风险评估建模、健康风险干预、评估模型演进的应用闭环,从而能够真正地、更好地实现健康大数据的社会化应用。
Description
技术领域
本申请涉及于数字化医疗健康技术领域,尤其涉及一种基于大数据的居民健康预警方法、装置、设备和系统。
背景技术
随着医疗健康信息化的进步,目前围绕着居民医疗健康活动产生了海量的数据;常见的包括居民健康档案数据(包括居民基本信息、计划免疫、慢性病、健康教育等)、医疗系统数据(包括就诊记录、诊断编码、治疗方案等)、体检系统数据(各项生命体征数据)及智能随身设备实时数据(实时基本生命体征数据)等,以上述数据构建健康风险评估及预测模型已具备现实基础,并且,在模型基础上进一步实现业务系统联动,真正实现健康干预和动态模型演进,发挥健康大数据的作用则具备巨大的社会价值。
然而,目前虽然已有健康风险评估及预测模型的一些实现,但都简单停留在建模或风险评估报告阶段,没有真正实现动态健康干预和模型演进。
发明内容
本申请提供一种基于大数据的居民健康预警方法、装置、设备和系统,以至少在一定程度上解决现有的健康风险评估及预测模型不能实现动态健康干预和模型演进的问题。
本申请的上述目的是通过以下技术方案实现的:
第一方面,本申请实施例提供一种基于大数据的居民健康预警方法,其包括:
依托于数据交换平台,从预设的多个居民健康数据系统获取数据,并对获取的数据进行预处理,包括数据清洗、标准化和归一化,以建立健康风险评估数据域;
基于深度学习算法,建立训练模型,并利用所述健康风险评估数据域对所述训练模型进行训练,得到健康风险评估模型;
获取由预设的居民健康应用调用所述健康风险评估模型的接口后输入的实时健康监测数据,并利用所述健康风险评估模型对所述实时健康监测数据进行评估,得到评估结果;其中,所述居民健康应用包括安装于用户随身携带的智能设备的智能应用,其在获取到用户登录并授予权限后,可以实时自动采集/获取用户的健康状态信息作为所述实时健康监测数据,并按照设定的频率/策略进行发送,所述实时健康监测数据包括实时基本生命体征数据;所述按照设定的频率/策略进行发送包括定期自动进行发送、根据用户指令发送或检测到实时健康监测数据符合预设发送条件时自动发送;
根据EMPI将所述评估结果返回至对应的居民健康应用,以使所述居民健康应用基于所述评估结果,生成非干预数据或干预数据并推送至目标用户,以对目标用户进行提示和预警,从而实现对居民的动态健康干预;其中,所述非干预数据包括建议和报告,所述干预数据包括干预方案;
定期触发模型评估,对所述非干预数据和干预数据进行评估并根据评估结果对所述健康风险评估模型进行调整和优化,以实现所述健康风险评估模型的动态演进;其中,所述模型评估包括根据居民按照相应的非干预数据和干预数据对自身状态进行调整前后的健康数据变化情况,对健康风险评估模型的预测准确性进行评估。
可选的,所述多个居民健康数据系统包括居民健康档案系统、医疗系统和体检系统;所述居民健康档案系统至少存储有不同居民的基本信息、计划免疫、慢性病和健康教育数据,所述医疗系统至少存储有不同居民的就诊记录、诊断编码和治疗方案数据,所述体检系统至少存储有不同居民体检时的各项生命体征数据。
可选的,所述利用所述健康风险评估数据域对所述训练模型进行训练,得到健康风险评估模型,包括:
将所述健康风险评估数据域中的各数据按照病种特征进行标记;
采用卷积神经网络,将所述健康风险评估数据域中的部分数据按照病种特征进行多疾病分类,以实现对所述训练模型的初步训练;
利用所述健康风险评估数据域中的剩余数据,对初步训练得到的模型进行验证,若疾病分类准确率低于预设值,则不断调整训练模型并重新训练和验证,直至疾病分类准确率达到预设值时,得到所述健康风险评估模型。
可选的,80%的数据用于模型训练,20%的数据用于模型验证。
第二方面,本申请实施例还提供一种基于大数据的居民健康预警装置,其包括:
数据处理模块,用于依托于数据交换平台,从预设的多个居民健康数据系统获取数据,并对获取的数据进行预处理,包括数据清洗、标准化和归一化,以建立健康风险评估数据域;
模型训练模块,用于基于深度学习算法,建立训练模型,并利用所述健康风险评估数据域对所述训练模型进行训练,得到健康风险评估模型;
健康评估模块,用于获取由预设的居民健康应用调用所述健康风险评估模型的接口后输入的实时健康监测数据,并利用所述健康风险评估模型对所述实时健康监测数据进行评估,得到评估结果;其中,所述居民健康应用包括安装于用户随身携带的智能设备的智能应用,其在获取到用户登录并授予权限后,可以实时自动采集/获取用户的健康状态信息作为所述实时健康监测数据,并按照设定的频率/策略进行发送,所述实时健康监测数据包括实时基本生命体征数据;所述按照设定的频率/策略进行发送包括定期自动进行发送、根据用户指令发送或检测到实时健康监测数据符合预设发送条件时自动发送;
结果发送模块,用于根据EMPI将所述评估结果返回至对应的居民健康应用,以使所述居民健康应用基于所述评估结果,生成非干预数据或干预数据并推送至目标用户,以对目标用户进行提示和预警,从而实现对居民的动态健康干预;其中,所述非干预数据包括建议和报告,所述干预数据包括干预方案;
模型演进模块,用于定期触发模型评估,对所述非干预数据和干预数据进行评估并根据评估结果对所述健康风险评估模型进行调整和优化,以实现所述健康风险评估模型的动态演进;其中,所述模型评估包括根据居民按照相应的非干预数据和干预数据对自身状态进行调整前后的健康数据变化情况,对健康风险评估模型的预测准确性进行评估。
可选的,所述多个居民健康数据系统包括居民健康档案系统、医疗系统、体检系统和智能随身应用系统;所述居民健康档案系统至少存储有不同居民的基本信息、计划免疫、慢性病和健康教育数据,所述医疗系统至少存储有不同居民的就诊记录、诊断编码和治疗方案数据,所述体检系统至少存储有不同居民体检时的各项生命体征数据。
可选的,在利用所述健康风险评估数据域对所述训练模型进行训练,得到健康风险评估模型时,所述模型训练模块具体用于:
将所述健康风险评估数据域中的各数据按照病种特征进行标记;
采用卷积神经网络,将所述健康风险评估数据域中的部分数据按照病种特征进行多疾病分类,以实现对所述训练模型的初步训练;
利用所述健康风险评估数据域中的剩余数据,对初步训练得到的模型进行验证,若疾病分类准确率低于预设值,则不断调整训练模型并重新训练和验证,直至疾病分类准确率达到预设值时,得到所述健康风险评估模型。
可选的,80%的数据用于模型训练,20%的数据用于模型验证。
第三方面,本申请实施例还提供一种基于大数据的居民健康预警设备,其包括:
存储器与所述存储器相连接的处理器;
所述存储器用于存储程序,所述程序至少用于实现如第一方面任一项所述的方法;
所述处理器用于调用并执行所述存储器存储的所述程序。
第四方面,本申请实施例还提供一种基于大数据的居民健康预警系统,其包括:
如第三方面所述的基于大数据的居民健康预警设备,以及与所述设备通信连接的多个居民健康数据系统和至少一个智能随身设备;其中,所述智能随身设备安装有用于采集实时健康监测数据的居民健康应用。
本申请的实施例提供的技术方案可以包括以下有益效果:
本申请的实施例提供的技术方案中,从居民健康数据系统获取居民健康数据后进行预处理,以建立健康风险评估数据域;之后基于深度学习算法,建立训练模型并进行训练,得到健康风险评估模型;然后获取实时健康监测数据,并利用健康风险评估模型进行评估,得到评估结果;并将评估结果返回至对应的居民健康应用,以向目标用户推送非干预数据或干预数据,实现对目标用户的提示和预警;并且,定期基于非干预数据和干预数据对健康风险评估模型进行调整和优化,可以实现健康风险评估模型的动态演进。也就是说,本方案一是建立了基于健康风险评估模型进行健康干预的系统实现路径,二是提供了在健康干预基础之上的模型动态演进方法,从而实现健康数据采集、健康风险评估建模、健康风险干预、评估模型演进的应用闭环,从而能够真正地、更好地实现健康大数据的社会化应用。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本申请。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理。
图1为本申请实施例提供的一种基于大数据的居民健康预警方法的流程示意图;
图2为本申请实施例示出的一种用于训练健康风险评估模型的卷积神经网络的结构示意图;
图3为本申请实施例提供的一种基于大数据的居民健康预警装置的结构示意图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
如背景技术所述,目前基于居民医疗健康的大数据出现了一些应用,但基本都是简单停留在建模或风险评估报告阶段,也就是说,目前基于居民医疗健康数据,存在关于建立评估模型的实现,但是,建立模型后一般也只能用于对后续接收的新数据进行分析评估,也即分析相应数据是否表明对应人员存在疾病,而针对分析评估结果,需要相关用户自行关注并寻找处理方案。基于此,显然,目前针对居民医疗健康大数据的应用存在明显不足,不具备实现健康大数据的社会化应用的条件。
为了解决上述问题,本发明提供一种解决方案,基于区域居民健康档案、公共卫生信息系统及全民体检信息系统大数据,以居民的性别、年龄、职业、生活习惯、生命体征监测值、就诊记录及诊断编码为特征,建立AI模型训练平台,开发健康风险评估预测模型,并与家庭医生、居民健康等应用终端联动,实现居民健康风险预警及推送机制,从而真正地实现健康大数据的社会化应用。以下通过实施例进行详细说明。
实施例
图1为本申请实施例提供的一种基于大数据的居民健康预警方法的流程示意图。如图1所示,该方法至少包括以下步骤:
S101:依托于数据交换平台,从预设的多个居民健康数据系统获取数据,并对获取的数据进行预处理,包括数据清洗、标准化和归一化,以建立健康风险评估数据域;
具体的,数据交换平台是指将分散建设的若干应用信息系统进行整合,通过计算机网络构建的信息交换平台,它可以使若干个应用子系统进行信息/数据的传输及共享,从而提高信息资源的利用率。本实施例中,其作用是提供交换平台,从而将多个居民健康数据系统存储的居民健康数据进行整合。其中,所述的多个居民健康数据系统至少包括居民健康档案系统(用于存储居民的基本信息、计划免疫、慢性病、健康教育等数据)、医疗系统(用于存储居民就诊记录、诊断编码、治疗方案等数据)和体检系统(用于存储居民体检时的各项生命体征数据),当然,还可以包括其他有关公共卫生的系统,对此不进行限制。
当基于数据交换平台获取到居民健康数据后,需要经过预处理后才能用于在后续步骤中进行模型训练,预处理包括数据清洗、标准化和归一化,其中,数据清洗是对数据进行重新审查和校验的过程,目的在于删除重复信息、纠正存在的错误,并提供数据一致性;关于标准化,由于来自不同系统的数据形式不同,为了将其整合,则进行标准化处理,比如数据同趋化处理和无量纲化处理;此外,与标准化类似,归一化是数据挖掘的一项基础工作,不同数据指标往往具有不同的量纲和量纲单位,这样的情况会影响到数据分析的结果,为了消除指标之间的量纲影响,需要进行数据归一化处理,以保证数据指标之间的可比性。并且,以上预处理的过程可以由计算机程序采用对应的算法实现,本实施例中未对其进行改进,因此不再进行详细说明。
经过上述预处理后,即可得到标准化的健康风险评估数据域(数据集),其中包括居民的性别、年龄、职业、生活习惯、生命体征监测值、就诊记录、疾病情况以及诊断编码等数据,这些数据作为下一步骤中进行模型训练时的训练样本。
S102:基于深度学习算法,建立训练模型,并利用所述健康风险评估数据域对所述训练模型进行训练,得到健康风险评估模型;
其中,深度学习算法优选为卷积神经网络,作为一种可行的实施方式,利用所述健康风险评估数据域对所述训练模型进行训练,得到健康风险评估模型的方法,具体包括:
将所述健康风险评估数据域中的各数据按照病种特征进行标记;采用卷积神经网络,将所述健康风险评估数据域中的部分数据按照病种特征进行多疾病分类,以实现对所述训练模型的初步训练;利用所述健康风险评估数据域中的剩余数据,对初步训练得到的模型进行验证,若疾病分类准确率低于预设值,则不断调整训练模型并重新训练和验证,直至疾病分类准确率达到预设值时,得到所述健康风险评估模型。
其中,病种是指以病例单元第一诊断为主的、并与国际疾病分类编码相对应的一组具有相同临床特征、相同资源消耗的疾病组合。通过将数据按照病种特征进行标记可以将不同数据进行有效区分。此外,卷积神经网络的构建如图2所示,该算法的主要流程是通过使用不同kernel_sizes(核尺寸)的卷积核对文本embedding(嵌入)二维向量进行卷积操作,每一种kernel_sizes的卷积核选择为3,这样就可以获得类似n-gram(大词汇连续语音识别中常用的一种语言模型)的句法特征,最后经过max_pooling(最大池化),再进行一次拼接,即可以得到文档向量,经过全连接和softmax(一种逻辑回归算法)即可进行分类。
而当初步得到训练模型时,为了避免模型的分类准确率过低,因此,在训练模型之前,预先将样本数据划分为两部分,其中较多的部分用于模型训练,而剩余的部分则用于对训练的模型进行验证,以验证时的分类准确率为指标,当准确率低于预设值时,则表明建立的训练模型(也即卷积神经网络)不合理,因此需要进行调整,并在调整后重新训练和验证,经过反复测试后最终即可得到最佳配置,也即得到满足条件的健康风险评估模型。其中,优选地,可将数据域中80%的数据用于模型训练,20%的数据用于模型验证,并且分类准确率的预设值可选为85%。
S103:获取由预设的居民健康应用调用所述健康风险评估模型的接口后输入的实时健康监测数据,并利用所述健康风险评估模型对所述实时健康监测数据进行评估,得到评估结果;
其中,本实施例中提供健康风险评估模型的模型接口,供相关的居民健康应用调用。居民健康应用是指安装于用户随身携带的智能设备的智能应用,包括但不限于安装于用户的智能手机中的家庭医生APP、居民健康APP等,其在获取到用户登录并授予权限后可以实时自动采集/获取用户的健康状态信息,得到实时健康监测数据(实时健康监测数据包括实时基本生命体征数据,比如心率、血压等)并按照设定的频率/策略进行发送,并且,相应的智能设备与本方法的执行设备通信连接,从而将实时健康监测数据发送至本方法的执行设备。其中,按照设定的频率/策略进行发送包括定期自动进行发送、根据用户指令发送或检测到实时健康监测数据符合预设发送条件时自动发送(预设发送条件,比如可以是当心率值高于特定值时发送)。
当获取到实时健康监测数据后,即可输入至健康风险评估模型进行评估,并得到评估结果,评估结果包括对疾病的分析等信息。
S104:根据EMPI将所述评估结果返回至对应的居民健康应用,以使所述居民健康应用基于所述评估结果,生成非干预数据或干预数据并推送至目标用户,以对目标用户进行提示和预警,从而实现对居民的动态健康干预;其中,所述非干预数据包括建议和报告,所述干预数据包括干预方案;
其中,本方法的执行设备根据EMPI(Enterprise Master Patient Index,患者主索引)保证评估结果等数据准确返回至对应的居民健康应用,EMPI,简单来说是患者基本信息检索目录,其主要用途是在一个复杂的医疗体系内,通过唯一的患者标识将多个医疗信息系统有效地关联在一起,以实现各个系统之间的互联互通,保证对同一个患者,分布在不同系统中的个人信息采集的完整性和准确性。
居民健康应用本身包含根据用户的疾病(潜在疾病)等信息对用户进行建议的功能,因此在接收到评估结果后,即可根据具体信息进行分析和建议,具体的,当评估结果表明相关用户存在某种疾病时,则根据疾病的种类和严重程度等信息,给出具体的干预方案,比如提示用户尽快去医疗机构检查、或者给出如何用药、如何治疗等方案;而如果评估结果表明相关用户身体参数出现偏差但当前不存在严重疾病(比如出现疾病前的症状时),则生成评价报告(比如评价报告可以包括用户身体体征数据和相应数据的正常范围等)和建议(比如生活习惯调整、饮食调整、用药调整)等。并且,之后可以定期或不定期再次(多次)对用户的健康状态进行评估,以及给出干预/非干预数据,从而使用户的健康状态逐步向良好的方向发展。
也就是说,通过上述方案可以对居民的健康状态进行评估,对居民可能出现的疾病进行预测,以及对用户不健康的生活习惯、运动习惯和饮食习惯等进行动态干预(动态干预,也即定期或不定期对用户的健康状态进行评估、干预、再评估、再干预……的过程)和建议。
S105:定期触发模型评估,对所述非干预数据和干预数据进行评估并根据评估结果对所述健康风险评估模型进行调整和优化,以实现所述健康风险评估模型的动态演进。
具体的,考虑到居民健康数据及其对应的结果可能是动态变化的,因此定期根据居民健康应用给出的非干预数据和干预数据对健康风险评估模型进行评估,并根据结果对健康风险评估模型进行调整和优化,以实现健康风险评估模型的动态演进,保证其结果的准确性。也即,根据居民按照相应的非干预数据和干预数据对自身状态进行调整前后的健康数据变化情况,对健康风险评估模型的预测准确性进行评估,比如,在居民执行干预方案前后评估模型的评估结果未出现明显变化,则表明评估模型可能出现偏差,需要进行优化和调整。
本申请的实施例提供的技术方案可以包括以下有益效果:
本申请的实施例提供的技术方案中,从居民健康数据系统获取居民健康数据后进行预处理,以建立健康风险评估数据域;之后基于深度学习算法,建立训练模型并进行训练,得到健康风险评估模型;然后获取实时健康监测数据,并利用健康风险评估模型进行评估,得到评估结果;并将评估结果返回至对应的居民健康应用,以向目标用户推送非干预数据或干预数据,实现对目标用户的提示和预警;并且,定期基于非干预数据和干预数据对健康风险评估模型进行调整和优化,可以实现健康风险评估模型的动态演进。也就是说,本方案一是建立了基于健康风险评估模型进行健康干预的系统实现路径,二是提供了在健康干预基础之上的模型动态演进方法,从而实现健康数据采集、健康风险评估建模、健康风险干预、评估模型演进的应用闭环,从而能够真正地、更好地实现健康大数据的社会化应用。
此外,基于相同的发明构思,对应于上述实施例提供的基于大数据的居民健康预警方法,本申请实施例还提供一种基于大数据的居民健康预警装置。该装置也即用于执行如图1所示方法的智能设备中的基于硬件、软件或其结合的功能模块。
参照图3,图3为本申请实施例提供的一种基于大数据的居民健康预警装置的结构示意图。如图3所示,该装置至少包括:
数据处理模块31,用于依托于数据交换平台,从预设的多个居民健康数据系统获取数据,并对获取的数据进行预处理,包括数据清洗、标准化和归一化,以建立健康风险评估数据域;其中,所述多个居民健康数据系统包括居民健康档案系统、医疗系统和体检系统;所述居民健康档案系统至少存储有不同居民的基本信息、计划免疫、慢性病和健康教育数据,所述医疗系统至少存储有不同居民的就诊记录、诊断编码和治疗方案数据,所述体检系统至少存储有不同居民体检时的各项生命体征数据;
模型训练模块32,用于基于深度学习算法,建立训练模型,并利用所述健康风险评估数据域对所述训练模型进行训练,得到健康风险评估模型;
健康评估模块33,用于获取由预设的居民健康应用调用所述健康风险评估模型的接口后输入的实时健康监测数据,并利用所述健康风险评估模型对所述实时健康监测数据进行评估,得到评估结果;其中,所述居民健康应用包括安装于用户随身携带的智能设备的智能应用,其在获取到用户登录并授予权限后,可以实时自动采集/获取用户的健康状态信息作为所述实时健康监测数据,并按照设定的频率/策略进行发送,所述实时健康监测数据包括实时基本生命体征数据;所述按照设定的频率/策略进行发送包括定期自动进行发送、根据用户指令发送或检测到实时健康监测数据符合预设发送条件时自动发送;
结果发送模块34,用于根据EMPI将所述评估结果返回至对应的居民健康应用,以使所述居民健康应用基于所述评估结果,生成非干预数据或干预数据并推送至目标用户,以对目标用户进行提示和预警,从而实现对居民的动态健康干预;其中,所述非干预数据包括建议和报告,所述干预数据包括干预方案;
模型演进模块35,用于定期触发模型评估,对所述非干预数据和干预数据进行评估并根据评估结果对所述健康风险评估模型进行调整和优化,以实现所述健康风险评估模型的动态演进;其中,所述模型评估包括根据居民按照相应的非干预数据和干预数据对自身状态进行调整前后的健康数据变化情况,对健康风险评估模型的预测准确性进行评估。
可选的,所述多个居民健康数据系统包括居民健康档案系统、医疗系统、体检系统和智能随身应用系统。
可选的,在利用所述健康风险评估数据域对所述训练模型进行训练,得到健康风险评估模型时,所述模型训练模块32具体用于:
将所述健康风险评估数据域中的各数据按照病种特征进行标记;
采用卷积神经网络,将所述健康风险评估数据域中的部分数据按照病种特征进行多疾病分类,以实现对所述训练模型的初步训练;
利用所述健康风险评估数据域中的剩余数据,对初步训练得到的模型进行验证,若疾病分类准确率低于预设值,则不断调整训练模型并重新训练和验证,直至疾病分类准确率达到预设值时,得到所述健康风险评估模型。
可选的,80%的数据用于模型训练,20%的数据用于模型验证。
其中,上述装置中各模块所执行的步骤的具体实现方法可以参照前述方法实施例,此处不再赘述。
此外,基于相同的发明构思,对应于上述实施例提供的基于大数据的居民健康预警方法,本申请实施例还提供一种基于大数据的居民健康预警设备。该设备也即用于执行图1所示方法的智能设备,比如PC、服务器或者类似设备,该设备至少包括:
存储器和与存储器相连接的处理器;
存储器用于存储程序,所述程序至少用于实现上述方法实施例所述的基于大数据的居民健康预警方法;
处理器用于调用并执行存储器存储的所述程序。
其中,所述程序所实现的方法的各步骤的具体实现方法可以参照前述方法实施例,此处不再赘述。
此外,基于相同的发明构思,对应于上述实施例提供的基于大数据的居民健康预警方法,本申请实施例还提供一种基于大数据的居民健康预警系统。该系统包括上述的基于大数据的居民健康预警设备,以及与该设备通信连接的多个居民健康数据系统和至少一个智能随身设备;其中,智能随身设备安装有用于采集实时健康监测数据的居民健康应用。
此外,对应于上述实施例提供的基于大数据的居民健康预警方法,本申请实施例还提供一种存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时,实现上述的基于大数据的居民健康预警方法的各个步骤。
通过上述方案,一是建立了基于健康风险评估模型进行健康干预的系统实现路径,二是提供了在健康干预基础之上的模型动态演进方法,从而实现健康数据采集、健康风险评估建模、健康风险干预、评估模型演进的应用闭环,从而能够真正地、更好地实现健康大数据的社会化应用。
可以理解的是,上述各实施例中相同或相似部分可以相互参考,在一些实施例中未详细说明的内容可以参见其他实施例中相同或相似的内容。
需要说明的是,在本申请的描述中,术语“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性。此外,在本申请的描述中,除非另有说明,“多个”的含义是指至少两个。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本申请的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本申请的实施例所属技术领域的技术人员所理解。
应当理解,本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本申请各个实施例中的各功能单元可以集成在一个处理模块中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器,磁盘或光盘等。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管上面已经示出和描述了本申请的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本申请的限制,本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (8)
1.一种基于大数据的居民健康预警方法,其特征在于,包括:
依托于数据交换平台,从预设的多个居民健康数据系统获取数据,并对获取的数据进行预处理,包括数据清洗、标准化和归一化,以建立健康风险评估数据域;其中,所述多个居民健康数据系统包括居民健康档案系统、医疗系统和体检系统;所述居民健康档案系统至少存储有不同居民的基本信息、计划免疫、慢性病和健康教育数据,所述医疗系统至少存储有不同居民的就诊记录、诊断编码和治疗方案数据,所述体检系统至少存储有不同居民体检时的各项生命体征数据;
基于深度学习算法,建立训练模型,并利用所述健康风险评估数据域对所述训练模型进行训练,得到健康风险评估模型;
获取由预设的居民健康应用调用所述健康风险评估模型的接口后输入的实时健康监测数据,并利用所述健康风险评估模型对所述实时健康监测数据进行评估,得到评估结果;其中,所述居民健康应用包括安装于用户随身携带的智能设备的智能应用,其在获取到用户登录并授予权限后,可以实时自动采集/获取用户的健康状态信息作为所述实时健康监测数据,并按照设定的频率/策略进行发送,所述实时健康监测数据包括实时基本生命体征数据;所述按照设定的频率/策略进行发送包括定期自动进行发送、根据用户指令发送或检测到实时健康监测数据符合预设发送条件时自动发送;
根据EMPI将所述评估结果返回至对应的居民健康应用,以使所述居民健康应用基于所述评估结果,生成非干预数据或干预数据并推送至目标用户,以对目标用户进行提示和预警,从而实现对居民的动态健康干预;其中,所述非干预数据包括建议和报告,所述干预数据包括干预方案;
定期触发模型评估,对所述非干预数据和干预数据进行评估并根据评估结果对所述健康风险评估模型进行调整和优化,以实现所述健康风险评估模型的动态演进;其中,所述模型评估包括根据居民按照相应的非干预数据和干预数据对自身状态进行调整前后的健康数据变化情况,对健康风险评估模型的预测准确性进行评估。
2.根据权利要求1所述的方法,其特征在于,所述利用所述健康风险评估数据域对所述训练模型进行训练,得到健康风险评估模型,包括:
将所述健康风险评估数据域中的各数据按照病种特征进行标记;
采用卷积神经网络,将所述健康风险评估数据域中的部分数据按照病种特征进行多疾病分类,以实现对所述训练模型的初步训练;
利用所述健康风险评估数据域中的剩余数据,对初步训练得到的模型进行验证,若疾病分类准确率低于预设值,则不断调整训练模型并重新训练和验证,直至疾病分类准确率达到预设值时,得到所述健康风险评估模型。
3.根据权利要求2所述的方法,其特征在于,80%的数据用于模型训练,20%的数据用于模型验证。
4.一种基于大数据的居民健康预警装置,其特征在于,包括:
数据处理模块,用于依托于数据交换平台,从预设的多个居民健康数据系统获取数据,并对获取的数据进行预处理,包括数据清洗、标准化和归一化,以建立健康风险评估数据域;其中,所述多个居民健康数据系统包括居民健康档案系统、医疗系统和体检系统;所述居民健康档案系统至少存储有不同居民的基本信息、计划免疫、慢性病和健康教育数据,所述医疗系统至少存储有不同居民的就诊记录、诊断编码和治疗方案数据,所述体检系统至少存储有不同居民体检时的各项生命体征数据;
模型训练模块,用于基于深度学习算法,建立训练模型,并利用所述健康风险评估数据域对所述训练模型进行训练,得到健康风险评估模型;
健康评估模块,用于获取由预设的居民健康应用调用所述健康风险评估模型的接口后输入的实时健康监测数据,并利用所述健康风险评估模型对所述实时健康监测数据进行评估,得到评估结果;其中,所述居民健康应用包括安装于用户随身携带的智能设备的智能应用,其在获取到用户登录并授予权限后,可以实时自动采集/获取用户的健康状态信息作为所述实时健康监测数据,并按照设定的频率/策略进行发送,所述实时健康监测数据包括实时基本生命体征数据;所述按照设定的频率/策略进行发送包括定期自动进行发送、根据用户指令发送或检测到实时健康监测数据符合预设发送条件时自动发送;
结果发送模块,用于根据EMPI将所述评估结果返回至对应的居民健康应用,以使所述居民健康应用基于所述评估结果,生成非干预数据或干预数据并推送至目标用户,以对目标用户进行提示和预警,从而实现对居民的动态健康干预;其中,所述非干预数据包括建议和报告,所述干预数据包括干预方案;
模型演进模块,用于定期触发模型评估,对所述非干预数据和干预数据进行评估并根据评估结果对所述健康风险评估模型进行调整和优化,以实现所述健康风险评估模型的动态演进;其中,所述模型评估包括根据居民按照相应的非干预数据和干预数据对自身状态进行调整前后的健康数据变化情况,对健康风险评估模型的预测准确性进行评估。
5.根据权利要求4所述的装置,其特征在于,在利用所述健康风险评估数据域对所述训练模型进行训练,得到健康风险评估模型时,所述模型训练模块具体用于:
将所述健康风险评估数据域中的各数据按照病种特征进行标记;
采用卷积神经网络,将所述健康风险评估数据域中的部分数据按照病种特征进行多疾病分类,以实现对所述训练模型的初步训练;
利用所述健康风险评估数据域中的剩余数据,对初步训练得到的模型进行验证,若疾病分类准确率低于预设值,则不断调整训练模型并重新训练和验证,直至疾病分类准确率达到预设值时,得到所述健康风险评估模型。
6.根据权利要求5所述的装置,其特征在于,80%的数据用于模型训练,20%的数据用于模型验证。
7.一种基于大数据的居民健康预警设备,其特征在于,包括:
存储器与所述存储器相连接的处理器;
所述存储器用于存储程序,所述程序至少用于实现如权利要求1-3任一项所述的方法;
所述处理器用于调用并执行所述存储器存储的所述程序。
8.一种基于大数据的居民健康预警系统,其特征在于,包括:
如权利要求7所述的基于大数据的居民健康预警设备,以及与所述设备通信连接的多个居民健康数据系统和至少一个智能随身设备;其中,所述智能随身设备安装有用于采集实时健康监测数据的居民健康应用。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110252486.8A CN112635053A (zh) | 2021-03-09 | 2021-03-09 | 基于大数据的居民健康预警方法、装置、设备和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110252486.8A CN112635053A (zh) | 2021-03-09 | 2021-03-09 | 基于大数据的居民健康预警方法、装置、设备和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112635053A true CN112635053A (zh) | 2021-04-09 |
Family
ID=75297657
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110252486.8A Pending CN112635053A (zh) | 2021-03-09 | 2021-03-09 | 基于大数据的居民健康预警方法、装置、设备和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112635053A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113643808A (zh) * | 2021-07-23 | 2021-11-12 | 四川大学 | 一种软件方式实现老年人健康状况管理的方法 |
CN113782208A (zh) * | 2021-10-19 | 2021-12-10 | 四川省康复辅具技术服务中心 | 基于智能康复设备的家庭健康评估及干预系统 |
CN113851222A (zh) * | 2021-12-01 | 2021-12-28 | 北京妙医佳健康科技集团有限公司 | 一种自主健康管理辅助方法和装置 |
CN114496250A (zh) * | 2022-01-17 | 2022-05-13 | 无锡市第二人民医院 | 一种螺旋体系下的老年综合评估方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110125527A1 (en) * | 2009-11-25 | 2011-05-26 | General Electric Company | Systems, apparatus, and methods for identifying patient-to patient relationships |
CN103310398A (zh) * | 2012-03-06 | 2013-09-18 | 创业软件股份有限公司 | 一种区域医疗服务中病人身份高效识别匹配算法方案 |
CN104699715A (zh) * | 2013-12-09 | 2015-06-10 | 北京大学第六医院 | 患者主索引平台系统构建方法 |
CN106086222A (zh) * | 2016-08-24 | 2016-11-09 | 厦门美因生物科技有限公司 | 基于qPCR分型技术的运动基因检测评估方法及系统 |
CN109119130A (zh) * | 2018-07-11 | 2019-01-01 | 上海夏先机电科技发展有限公司 | 一种基于云计算的大数据健康管理系统及方法 |
-
2021
- 2021-03-09 CN CN202110252486.8A patent/CN112635053A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110125527A1 (en) * | 2009-11-25 | 2011-05-26 | General Electric Company | Systems, apparatus, and methods for identifying patient-to patient relationships |
CN103310398A (zh) * | 2012-03-06 | 2013-09-18 | 创业软件股份有限公司 | 一种区域医疗服务中病人身份高效识别匹配算法方案 |
CN104699715A (zh) * | 2013-12-09 | 2015-06-10 | 北京大学第六医院 | 患者主索引平台系统构建方法 |
CN106086222A (zh) * | 2016-08-24 | 2016-11-09 | 厦门美因生物科技有限公司 | 基于qPCR分型技术的运动基因检测评估方法及系统 |
CN109119130A (zh) * | 2018-07-11 | 2019-01-01 | 上海夏先机电科技发展有限公司 | 一种基于云计算的大数据健康管理系统及方法 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113643808A (zh) * | 2021-07-23 | 2021-11-12 | 四川大学 | 一种软件方式实现老年人健康状况管理的方法 |
CN113643808B (zh) * | 2021-07-23 | 2023-05-09 | 四川大学 | 一种软件方式实现老年人健康状况管理的方法 |
CN113782208A (zh) * | 2021-10-19 | 2021-12-10 | 四川省康复辅具技术服务中心 | 基于智能康复设备的家庭健康评估及干预系统 |
CN113851222A (zh) * | 2021-12-01 | 2021-12-28 | 北京妙医佳健康科技集团有限公司 | 一种自主健康管理辅助方法和装置 |
CN114496250A (zh) * | 2022-01-17 | 2022-05-13 | 无锡市第二人民医院 | 一种螺旋体系下的老年综合评估方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11152089B2 (en) | Medical scan hierarchical labeling system | |
CN112635053A (zh) | 基于大数据的居民健康预警方法、装置、设备和系统 | |
JP6909078B2 (ja) | 疾病発症予測装置、疾病発症予測方法およびプログラム | |
KR20220064395A (ko) | 이미지들 및 전문 지식으로부터 피부 상태들을 수집하고 식별하기 위한 시스템 | |
US11205516B2 (en) | Machine learning systems and methods for assessing medical interventions for utilization review | |
KR20170061222A (ko) | 건강데이터 패턴의 일반화를 통한 건강수치 예측 방법 및 그 장치 | |
JP2018524137A (ja) | 心理状態を評価するための方法およびシステム | |
TW202109551A (zh) | 電腦輔助醫學方法、非暫態電腦可讀取媒體以及醫學系統 | |
US20160110502A1 (en) | Human and Machine Assisted Data Curation for Producing High Quality Data Sets from Medical Records | |
US11529105B2 (en) | Digital twin updating | |
US20200075165A1 (en) | Machine Learning Systems and Methods For Assessing Medical Outcomes | |
WO2022141927A1 (zh) | 一种健康干预系统、服务器及健康管理系统 | |
WO2020223400A1 (en) | Pet evaluation and triage system | |
Bulgarelli et al. | Prediction on critically ill patients: the role of “big data” | |
US20200111576A1 (en) | Producing a multidimensional space data structure to perform survival analysis | |
CN112582071A (zh) | 医疗保健网络 | |
CN114121266A (zh) | 一种智能化的辅助诊断方法和系统 | |
CN116864139A (zh) | 疾病风险评估方法、装置、计算机设备及可读存储介质 | |
US20200345290A1 (en) | Dynamic neuropsychological assessment tool | |
CN116313086A (zh) | 一种亚健康预测模型构建方法、装置、设备及存储介质 | |
WO2023084254A1 (en) | Diagnosic method and system | |
CN115547483A (zh) | 用于监测患慢性炎症性疾病的患者的远程监测方法和系统 | |
US20210074432A1 (en) | Predictive analytics for complex diseases | |
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 | |
CN114388089A (zh) | 一种基于人工智能的个人健康管理方法及系统 |
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: 20210409 |