CN112967809B - 一种随访用户的确定方法、装置、设备及存储介质 - Google Patents
一种随访用户的确定方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN112967809B CN112967809B CN202110367609.2A CN202110367609A CN112967809B CN 112967809 B CN112967809 B CN 112967809B CN 202110367609 A CN202110367609 A CN 202110367609A CN 112967809 B CN112967809 B CN 112967809B
- Authority
- CN
- China
- Prior art keywords
- follow
- user
- current user
- visit
- preset
- 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
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000007477 logistic regression Methods 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 238000011160 research Methods 0.000 abstract description 12
- 230000009286 beneficial effect Effects 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000013480 data collection Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Medical Informatics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Public Health (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- Biomedical Technology (AREA)
- Development Economics (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Epidemiology (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Pathology (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Databases & Information Systems (AREA)
- Educational Administration (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例公开了一种随访用户的确定方法、装置、终端及存储介质。该方法包括：获取与当前用户对应的至少一种预设随访参考因素的目标状态信息；将各目标状态信息输入至预先训练完成的用于预测用户失访风险的随访用户预测模型中，得到与当前用户对应的输出结果；当输出结果满足预设条件时，将当前用户确定为目标随访用户。由此可见，本发明实施例通过预先训练完成的随访用户预测模型，对当前用户的失访风险进行了提前预测，将失访风险满足预设条件的当前用户作为随访用户，从而可有效降低确定出的随访用户的失访风险，有利于收集随访数据；完成研究工作的同时，减少随访时产生的时间、人力成本。
Description
技术领域
本发明实施例涉及医疗信息技术领域，尤其涉及一种随访用户的确定方法、装置、设备及存储介质。
背景技术
随访作为一种定期了解患者病情变化和指导患者康复的观察方法，在临床和科研工作中得到广泛的应用。确定随访患者作为随访工作开展的重要步骤，对随访结果将产生一定的影响，因此合理地确定随访患者也变得尤为重要。
目前，在开展随访工作时，通常根据医院记录的患者就诊信息，随机选取患者作为随访患者。但随机确定的随访患者容易出现失访或拒访的情况，具有高失访率的风险。为完成临床和科研工作只能不断增加随访患者基数，从而造成了随访工作的时间、人力成本增加，研究费用也随着随访患者基数的增大而增加，甚至可能由于失访率过高，随访数据收集不足而导致研究失败。
由此可见，提供一种能够降低随访患者失访率的随访用户的确定方法成为当前亟待解决地问题。
发明内容
本发明实施例的目的是提供一种随访用户的确定方法、装置、设备及存储介质，通过预先训练完成的随访用户预测模型，对当前用户的失访风险进行了预测；将失访风险满足预设条件的当前用户作为随访用户，以有效降低确定出的随访用户的失访风险，有利于收集随访数据，完成研究工作的同时，减少随访时产生的时间、人力成本。
第一方面，本发明实施例提供了一种随访用户的确定方法，可以包括：
获取与当前用户对应的至少一种预设随访参考因素的目标状态信息；
将各所述目标状态信息输入至预先训练完成的用于预测用户失访风险的随访用户预测模型中，得到与所述当前用户对应的输出结果；
当所述输出结果满足预设条件时，将所述当前用户确定为目标随访用户。
第二方面，本发明实施例提供了一种随访用户的确定装置，可以包括：
获取模块，用于获取与当前用户对应的至少一种预设随访参考因素的目标状态信息；
输入模块，用于将各所述目标状态信息输入至预先训练完成的用于预测用户失访风险的随访用户预测模型中，得到与所述当前用户对应的输出结果；
确定模块，用于当所述输出结果满足预设条件时，将所述当前用户确定为目标随访用户。
第三方面，本发明实施例提供了一种随访用户的确定装置，包括存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如上述任一项所述的随访用户的确定方法的步骤。
第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现本发明任意实施例所提供的随访用户的确定方法。
本发明实施例所提供的一种随访用户的确定方法，在确定当前用户是否可确定为随访用户时，获取与当前用户对应的至少一种预设随访参考因素的目标状态信息；将各目标状态信息输入至预先训练完成的用于预测用户失访风险的随访用户预测模型中，得到与当前用户对应的输出结果；通过输出结果可反映出当前用户的失访风险程度。当输出结果满足预设条件时，将当前用户确定为目标随访用户。由此可见，本发明实施例通过预先训练完成的随访用户预测模型，对当前用户的失访风险进行了提前预测，将失访风险满足预设条件的当前用户作为随访用户，从而可有效降低确定出的随访用户的失访风险，有利于收集随访数据；完成研究工作的同时，减少随访时产生的时间、人力成本。
此外，本发明所提供的一种随访用户的确定装置、设备及存储介质与上述方法对应，具有同样的有益效果。
附图说明
为了更清楚地说明本发明实施例，下面将对实施例中所需要使用的附图做简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提出的一种随访用户的确定方法的流程图；
图2是本发明实施例提出的另一种随访用户的确定方法的流程图；
图3是本发明实施例提出的一种应用场景下的随访用户的确定方法的流程图；
图4是本发明实施例提出的一种随访用户的确定装置的结构图；
图5是本发明实施例提出的一种随访用户的确定设备的结构图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
本发明的核心是提供一种随访用户的确定方法、装置、设备及存储介质，通过预先训练完成的随访用户预测模型，对当前用户的失访风险进行了预测；将失访风险满足预设条件的当前用户作为随访用户，以有效降低确定出的随访用户的失访风险，有利于收集随访数据，完成研究工作的同时，减少随访时产生的时间、人力成本。
为了使本技术领域的人员更好地理解本发明方案，下面结合附图和具体实施方式对本发明作进一步的详细说明。
实施例一
图1是本发明实施例提供的一种随访用户的确定方法的流程图。该方法可以由本发明实施例提供的随访用户的确定装置来执行，该装置可以由软件和/或硬件的方式实现，该装置可以集成在各种用户终端或服务器上。
如图1所示，本发明实施例提供的一种随访用户的确定方法，包括步骤S101-步骤S103；
步骤S101：获取与当前用户对应的至少一种预设随访参考因素的目标状态信息。
可选的，可基于预先建立的用户信息数据包获取与当前用户对应的至少一种预设随访参考因素的目标状态信息。
具体的，用户信息数据包可为医院记录的就诊患者的信息数据包。可以理解地，为了确保获取到的当前用户对应的至少一种预设随访参考因素的目标状态信息为当前真实状态信息，在从用户信息数据包中获取状态信息之前，需保证用户信息数据为最新数据。示例性的，当接收到用户信息发生更改操作的提示信息时，可对用户信息数据包中的用户的状态信息进行同步更新。需要说明的是，更改操作可包括但不仅限于对用户信息数据包中的用户进行增加操作、删减操作和修改状态信息操作中的至少一种操作，本领域技术人员可根据实际应用情况设定更改操作的具体内容，本发明实施例不做限定。
可选的，获取与当前用户对应的至少一种预设随访参考因素的目标状态信息，包括：获取当前用户的体检情况、职业状况、婚姻状况、文化程度以及医保情况中至少一种预设随访参考因素的状态信息。需要说明的是，体检情况、职业状况、婚姻状况、文化程度以及医保情况的不同，对用户的失访风险均产生影响。例如，对于经常做体检的用户，失访风险可能相对较低。
在具体实施中，预设随访参考因素可以理解为预先设置的可能会对当前用户的随访产生影响的因素。可选地，预设随访参考因素包括体检情况、职业状况、婚姻状况、文化程度以及医保情况等因素中的至少一项。示例性的，目标状态信息可以理解为用于表示当前用户的预设随访参考因素所处的状态的信息，其中，预设随访参考因素所处的状态可以是预设随访参考因素是否存在，或者是否发生，或者处于何种阶段等，本发明实施例对此不做限定。需要说明的是，本发明实施例中当前用户可为具有临床研究项目特征的患者。
示例性的，预设随访参考因素为体检情况时，可理解为预设时间内是否做体检。例如，将是否每年做体检作为预设随访参考因素。本领域技术人员可根据实际应用情况对预设时间进行设定，本发明实施例不做限定。可选的，与该预设随访参考因素对应的状态信息包括是和否两种，即若当前用户每年做体检，则该预设随访参考因素的状态信息为是；若当前用户不做体检，则该预设随访参考因素的状态信息为否。
示例性的，预设随访参考因素为职业状况时，对应的状态信息可按照无序分类分为以下三类：第一类状态信息为离退休人员、职员、学生和现役军人。第二类状态信息为自由职业者、个人经营者和农民。第三类为无业人员和其它职业。对于预设随访参考因素为第一类状态信息的用户，即职业为离退休人员、职员、学生或现役军人的用户，随访的依从性较高，失访风险较低。对于预设随访参考因素为第二类状态信息的用户，即职业为自由职业者、个人经营者或农民的用户，随访的依从性一般，失访风险中等。对于预设随访参考因素为第三类状态信息的用户，即职业为无业人员或其它职业的用户，大部分对身体情况关注较少，失访风险较高。本领域技术人员可根据用户的实际职业情况对状态信息进行分类，本发明实施例不做限定。
示例性的，预设随访参考因素为婚姻状况时，对应的状态信息可按照无序分类分为以下三类：第一类状态信息为已婚，第二类状态信息为未婚，第三类状态信息为丧偶和离婚。对于已婚用户，随访的依从性较高，失访风险低；对于未婚用户，随访的依从性普通，失访风险中等；对于丧偶和离婚用户，随访的依从性低，失访风险较高。
示例性的，预设随访参考因素为文化程度时，对应的状态信息可按照有序分类分为以下三类：第一类状态信息为大学本科及以上学历；第二类状态信息为初中和高中学历；第三类状态信息为小学及以下学历。通常来说，文化程度越高的用户，随访的依从性越高，失访风险也就越低。
示例性的，预设随访参考因素为医保情况时，对应的状态信息可按照无序分类分为以下三类：第一类状态信息为公费医疗和城市医保；第二类状态信息为农村医保；第三类状态信息为无医保、自费或其他情况。可以理解地，对于医疗有保障的用户，对治疗及随访的配合度比较高，相应的失访风险也就比较低。
步骤S102：将各目标状态信息输入至预先训练完成的用于预测用户失访风险的随访用户预测模型中，得到与当前用户对应的输出结果。
可以理解的是，在将各目标状态信息输入至预先训练完成的用于预测用户失访风险的随访用户预测模型中之前，还包括：基于与历史随访用户对应的至少一种所述预设随访参考因素的样本状态信息，对预先建立的初始预测模型进行训练，得到预先训练完成的用于预测用户失访风险的随访用户预测模型。其中，初始预测模型可以是基于逻辑回归算法构建的模型(如，二元Logistic回归模型)，也可以是深度学习模型等。
其中，输出结果可用于预测用户能否被随访或者说预测出哪些用户更可能被随访到。可选的，将获取到的目标状态信息输入至随访用户预测模型中，通过随访用户预测模型的输出结果反映出当前用户的失访风险。需要说明的是，目标状态信息可以为多种，例如，当前用户的目标状态信息可包括每年体检、个体经营者、本科学历和自费等中的至少两种。本领域技术人员可知，多个目标状态信息可同时输入至随访用户预测模型中，最终输出与多个目标状态信息对应的唯一的输出结果。
可选的，获取到的目标状态信息需与预先训练完成的随访用户预测模型中的设定的输入参数类型相匹配。例如，预先训练完成的随访用户预测模型中设定的输入参数包括体检情况、职业状况、婚姻状况、文化程度以及医保情况对应的类型参数，当输入的目标状态信息为每年体检、个体经营者、本科学历和自费时，随访用户预测模型将输出与当前用户对应的输出结果。
步骤S103：当输出结果满足预设条件时，将当前用户确定为目标随访用户。
在具体实施中，当输出结果满足预设条件时，将当前用户确定为目标随访用户。可选的，可根据随访用户预测模型的输出结果的类型，设定预设条件。示例性的，输出结果为当前用户的失访风险程度，则预设条件可为当前用户的失访风险为低风险。当输出的当前用户的失访风险为低风险时，则输出结果满足预设条件，当前用户可确定为目标随访用户。
本发明实施例所提供的一种随访用户的确定方法，在确定当前用户是否可确定为随访用户时，获取与当前用户对应的至少一种预设随访参考因素的目标状态信息；将各目标状态信息输入至预先训练完成的用于预测用户失访风险的随访用户预测模型中，得到与当前用户对应的输出结果；通过输出结果可反映出当前用户的失访风险程度。当输出结果满足预设条件时，将当前用户确定为目标随访用户。由此可见，本发明实施例通过预先训练完成的随访用户预测模型，对当前用户的失访风险进行了提前预测，将失访风险满足预设条件的当前用户作为随访用户，从而可有效降低确定出的随访用户的失访风险，有利于收集随访数据；完成研究工作的同时，减少随访时产生的时间、人力成本。
实施例二
图2是本发明实施例提出的另一种随访用户的确定方法的流程图；本实施例以上述各技术方案为基础进行细化。可选的，本发明实施例还包括：获取与历史随访用户对应的至少一种预设随访参考因素的样本状态信息；基于样本状态信息对预先建立的逻辑回归模型进行训练，得到用于预测用户失访风险的随访用户预测模型。可选的，得到与当前用户对应的输出结果包括：得到随访用户预测模型输出的用于表示当前用户的失访风险的预测分值。可选的，本发明实施例还包括：根据预测分值，按照预设方式展示目标随访用户的失访风险等级。其中，与上述各实施例相同或相应的术语的解释在此不再赘述。
如图2所示，本发明实施例提出的另一种随访用户的确定方法，包括步骤S201-步骤S206；
步骤S201：获取与历史随访用户对应的至少一种预设随访参考因素的样本状态信息。
步骤S202：基于样本状态信息对预先建立的逻辑回归模型进行训练，得到用于预测用户失访风险的随访用户预测模型。
在具体实施中，历史随访用户包括当前时刻之前已进行随访过程的用户。预设随访参考因素包括用户的体检情况、职业状况、婚姻状况、文化程度以及医保情况。本领域技术人员可知，将样本状态信息作为输入参数，在历史随访用户的失访情况已知的情况下，通过机器学习或逻辑回归操作对预先建立的逻辑回归模型进行训练，便可得出用于预测用户失访风险的随访用户预测模型。可选的，随访用户预测模型为二元线性回归模型。需要说明的是，可根据实际应用情况确定历史随访用户，本发明实施例不做限定。确定的历史随访用户人数越多，建立的随访预测模型越精确。
步骤S203：获取与当前用户对应的至少一种预设随访参考因素的目标状态信息。
步骤S204：将各目标状态信息输入至预先训练完成的用于预测用户失访风险的随访用户预测模型中，得到随访用户预测模型输出的用于表示当前用户的失访风险的预测分值。
可选的，目标状态信息输入至预先训练完成的用于预测用户失访风险的随访用户预测模型中，输出的当前用户对应的输出结果为用于表示当前用户的失访风险的预测分值。需要说明的是，随访用户预测模型输出的预测分值越高，代表当前用户的失访风险越大，则不宜确定为随访用户；随访用户预测模型输出的预测分值越低，代表当前用户的失访风险越小，可确定为随访用户。
步骤S205：当输出结果满足预设条件时，将当前用户确定为目标随访用户。
在具体实施中，可通过判断输出结果是否满足预设条件来确定当前用户是否可确定为目标随访用户。可选的，当输出结果为用于表示当前用户的失访风险的预测分值时，判断预测分值是否小于预设分值阈值；当预测分值小于预设分值阈值时，将当前用户确定为目标随访用户。需要说明的是，预设分值阈值可根据实际应用情况确定。例如，当随访用户预测模型的输出结果数值范围为0至255时，则可设定预设分值阈值为100，当输出的预测分值小于100时，说明当前用户的失访风险较低，则可将当前用户确定为目标随访用户。当随访用户预测模型的输出结果数值范围为0至100时，则可设定预设分值阈值为30，当输出的预测分值小于30时，说明当前用户的失访风险较低，则可将当前用户确定为目标随访用户。
示例性的，预设分值阈值用具体数值表示，也可用随访用户预测模型可输出的最大值的预设比例表示。例如，将随访用户预测模型可输出的最大值的百分之三十作为预设分值阈值。采用随访用户预测模型可输出的最大值的预设比例这种形式进行表示，可随着随访用户预测模型的改变，自动调整预设分值阈值，提高了确定目标随访用户时的灵活性。
在具体实施中，本发明实施例提出的步骤S205包括：基于预测分值和预先确定的目标随访用户的预设数量，将当前用户确定为目标随访用户。可选的，在确定随访用户时，为保证确定的目标随访用户的数量满足研究需要的随访用户的预设数量，可将待确定的全部当前用户对应的至少一种预设随访参考因素的目标状态信息均输入至预先训练完成的随访用户预测模型中，得到各当前用户对应的预测分值。按照由小到大的顺序对各当前用户对应的预测分值进行排序，选取排序后的前目标数量名当前用户作为目标随访用户，目标数量与预设数量相同。由此可见，本发明实施例在降低随访用户的失访风险的同时，可确保确定出的目标随访用户的数量满足研究需要的随访用户数量。
步骤S206：根据预测分值，按照预设方式展示目标随访用户的失访风险等级。
可选的，为更直观地展示出目标随访用户的失访风险，可根据预测分值，按照预设方式展示目标随访用户的失访风险等级。其中，失访风险等级可以根据预测分值进行确定。具体地，可以预先根据预测分值划定出至少两个取值范围，并确定出于每个取值范围对应的失访风险等级；或者，预先设置出至少两个失访风险等级，并根据预测分值确定与每个失访风险等级对应的预测分值的取值范围。
示例性的，当随访用户预测模型的输出结果的取值范围为0至255时，预测分值小于100则可在展示页面中展示出失访风险等级为低风险；预测分值大于或等于100，且小于150，则可在展示页面中展示出失访风险等级为中风险；预测大于或等于150，则可在展示页面中展示出失访风险等级为高风险，并用提示标识标注“不建议确定为随访用户”以进行提示。通过按照预设方式展示目标随访用户的失访风险等级，使用户更加直观地了解到当前用户的失访风险。
本发明实施例所提供的一种随访用户的确定方法，通过预先训练完成用于预测用户失访风险的随访用户预测模型，对当前用户的失访风险进行了提前预测，将失访风险满足预设条件的当前用户作为随访用户，从而可有效降低确定出的随访用户的失访风险。
实施例三
上文中对于随访用户的确定方法对应的实施例进行了详细描述，为了使本领域技术人员进一步清楚本方法的技术方案，下文中给出具体的应用场景。
图3是本发明实施例提出的一种应用场景下的随访用户的确定方法的流程图；如图3所示，在确定随机对照试验的随访用户时，将医院存储的做过该随机对照试验的患者作为当前用户，并从医院存储的患者数据包中获取当前患者信息。本发明实施例提供的随访用户预测模型中各目标状态信息对应的分值如表1所示。
在具体实施中，获取与当前患者对应的每年体检情况、职业状况、婚姻状况、文化程度以及医保情况的目标状态信息。每年体检情况的目标状态信息的分类类型为二分类，职业状况的目标状态信息分类类型为无序分类，婚姻状况的目标状态信息分类类型为无序分类，文化程度的目标状态信息分类类型为有序分类，医保情况的目标状态信息分类类型为无序分类。
表1
得到当前患者的体检情况的目标状态信息为每年做体检、职业状况的目标状态信息为离退休人员、婚姻状况的目标状态信息为已婚、文化程度的目标状态信息为高中、医保情况的目标状态信息为城市医保。根据得到的各目标状态信息，执行随访用户预测模型，返回预测分值。随访用户预测模型中对于不同目标状态信息，确定出了不同分值。根据当前患者的各目标状态信息，可累加得到当前患者的失访风险预测分值。
根据表1中记载的各目标状态信息对应的分值，可确定出当前患者的失访风险的预测分值。当前用户每年做体检，依从性高，对应的分值为0；职业状况的目标状态信息为离退休人员，依从性高，对应分值为0；婚姻状况的目标状态信息为已婚，依从性高，对应分值为0；文化程度的目标状态信息为高中，依从性中等，对应的分值为50；医保情况的目标状态信息为城市医保，依从性高，对应的分值为0。计算预测分值时将目标状态信息对应的分值进行累加，即0、0、0、50和0的累加和为50，返回预测分值为50。假设划分的失访风险等级包括低风险等级、中风险等级和高风险等级，且低风险等级对应的分值范围为[0,100)；中风险等级对应的分值为[100,150)；高风险等级对应的分值为[150，255]。此时，由于预测分值50大于0且小于100，则可判断当前患者的失访风险等级为低风险等级，可将该当前患者确定为随机对照试验的随访患者。将预测分值为50的当前患者确定为随访患者，可有效降低确定出的随访用户的失访风险。
实施例四
图4为本发明实施例提供的随访用户的确定装置的结构图，该装置用于执行上述任意实施例所提供的随访用户的确定方法。该装置与上述各实施例的随访用户的确定方法属于同一个发明构思，在随访用户的确定装置的实施例中未详尽描述的细节内容，可以参考上述随访用户的确定方法的实施例。
如图4所示，该装置具体可包括：获取模块10、输入模块11和确定模块12。其中，获取模块10，用于获取与当前用户对应的至少一种预设随访参考因素的目标状态信息；输入模块11，用于将各目标状态信息输入至预先训练完成的用于预测用户失访风险的随访用户预测模型中，得到与当前用户对应的输出结果；确定模块12，用于当输出结果满足预设条件时，将当前用户确定为目标随访用户。
在本发明实施例任一可选实施方案的基础上，获取模块10具体可以包括：
获取单元，用于获取当前用户的体检情况、职业状况、婚姻状况、文化程度以及医保情况中至少一种预设随访参考因素的状态信息。
在本发明实施例任一可选实施方案的基础上，该随访用户的确定装置具体还包括：
训练模块，用于获取与历史随访用户对应的至少一种预设随访参考因素的样本状态信息；基于样本状态信息对预先建立的逻辑回归模型进行训练，得到用于预测用户失访风险的随访用户预测模型。
在本发明实施例任一可选实施方案的基础上，输入模块11具体可以包括：
得到单元，用于得到随访用户预测模型输出的用于表示当前用户的失访风险的预测分值。
在本发明实施例任一可选实施方案的基础上，确定模块12具体可以包括：
确定单元，用于当预测分值小于预设分值阈值时，将当前用户确定为目标随访用户；或者，基于预测分值和预先确定的目标随访用户的预设数量，将当前用户确定为目标随访用户。
在本发明实施例任一可选实施方案的基础上，输入模块11具体还可以包括：
展示单元，用于根据预测分值，按照预设方式展示目标随访用户的失访风险等级。
在本发明实施例任一可选实施方案的基础上，获取模块10具体可以包括：
建立单元，用于基于预先建立的用户信息数据包获取与当前用户对应的至少一种预设随访参考因素的目标状态信息。
本发明实施例所提供的一种随访用户的确定装置，能够实现如下方法：在确定当前用户是否可确定为随访用户时，获取与当前用户对应的至少一种预设随访参考因素的目标状态信息；将各目标状态信息输入至预先训练完成的用于预测用户失访风险的随访用户预测模型中，得到与当前用户对应的输出结果；通过输出结果可反映出当前用户的失访风险程度。当输出结果满足预设条件时，将当前用户确定为目标随访用户。由此可见，本发明实施例通过预先训练完成的随访用户预测模型，对当前用户的失访风险进行了提前预测，将失访风险满足预设条件的当前用户作为随访用户，从而可有效降低确定出的随访用户的失访风险，有利于收集随访数据；完成研究工作的同时，减少随访时产生的时间、人力成本。
值得注意的是，上述随访用户的确定装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
实施例五
图5是本发明实施例提出的一种随访用户的确定设备的结构图，该设备包括存储器20、处理器21、输入装置22和输出装置23。设备中的处理器21的数量可以是一个或多个，图5中以一个处理器21为例；设备中的存储器20、处理器21、输入装置22和输出装置23可以通过总线或其它方式连接，图5中以通过总线24连接为例。
存储器20作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明实施例中的随访用户的确定方法对应的程序指令/模块。处理器21通过运行存储在存储器20中的软件程序、指令以及模块，从而执行设备的各种功能应用以及数据处理，即实现上述的随访用户的确定方法。
存储器20可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据设备的使用所创建的数据等。此外，存储器20可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器20可进一步包括相对于处理器21远程设置的存储器，这些远程存储器可以通过网络连接至设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置22可用于接收输入的数字或字符信息，以及产生与装置的用户设置以及功能控制有关的键信号输入。输出装置23可包括显示屏等显示设备。本领域技术人员可以理解，图5中示出的结构并不构成对随访用户的确定设备的限定，可以包括比图示更多或更少的组件。
本发明所提供的一种随访用户的确定设备，能够实现如下方法：在确定当前用户是否可确定为随访用户时，获取与当前用户对应的至少一种预设随访参考因素的目标状态信息；将各目标状态信息输入至预先训练完成的用于预测用户失访风险的随访用户预测模型中，得到与当前用户对应的输出结果；通过输出结果可反映出当前用户的失访风险程度。当输出结果满足预设条件时，将当前用户确定为目标随访用户。由此可见，本发明实施例通过预先训练完成的随访用户预测模型，对当前用户的失访风险进行了提前预测，将失访风险满足预设条件的当前用户作为随访用户，从而可有效降低确定出的随访用户的失访风险，有利于收集随访数据；完成研究工作的同时，减少随访时产生的时间、人力成本。
实施例六
本发明实施提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行如下方法：
获取与当前用户对应的至少一种预设随访参考因素的目标状态信息；
将各目标状态信息输入至预先训练完成的用于预测用户失访风险的随访用户预测模型中，得到与当前用户对应的输出结果；
当输出结果满足预设条件时，将当前用户确定为目标随访用户。
当然，本发明实施例所提供的一种包含计算机可执行指令的存储介质，其计算机可执行指令不限于如上所述的方法操作，还可以执行本发明任意实施例所提供的测试过程的复现方法中的相关操作。
通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。依据这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。
还需要说明的是，在本说明书中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他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、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
Claims (7)
1.一种随访用户的确定方法，其特征在于，包括：
获取与当前用户对应的至少一种预设随访参考因素的目标状态信息；
将各所述目标状态信息输入至预先训练完成的用于预测用户失访风险的随访用户预测模型中，得到与所述当前用户对应的输出结果；
当所述输出结果满足预设条件时，将所述当前用户确定为目标随访用户；
所述获取与当前用户对应的至少一种预设随访参考因素的目标状态信息，包括：
获取所述当前用户的体检情况、职业状况、婚姻状况、文化程度以及医保情况中至少一种预设随访参考因素的状态信息；
所述得到与所述当前用户对应的输出结果包括：
得到所述随访用户预测模型输出的用于表示所述当前用户的失访风险的预测分值；
根据所述预测分值，按照预设方式展示所述目标随访用户的失访风险等级；
所述得到所述随访用户预测模型输出的用于表示所述当前用户的失访风险的预测分值，包括：
在所述预设随访参考因素为所述每年体检的情况下，若所述当前用户每年进行体检，则依从性高，所述每年体检的对应分值为0；若所述当前用户每年不进行体检，则依从性低，所述每年体检的对应分值为20；
在所述预设随访参考因素为所述职业状况的情况下，若所述当前用户所述职业状况为第一类，则依从性高，所述职业状况的对应分值为0；若所述当前用户所述职业状况为第二类，则依从性中等，所述职业状况的对应分值为45；若所述当前用户所述职业状况为第三类，则依从性低，所述职业状况的对应分值为47，其中，所述第一类包括离退休人员/职员/学生/现役军人，所述第二类包括自由职业者/个人经营者/农民，所述第三类包括无业/其他；
在所述预设随访参考因素为所述婚姻状况的情况下，若所述当前用户所述婚姻状况为第一类，则依从性高，所述婚姻状况的对应分值为0；若所述当前用户所述婚姻状况为第二类，则依从性低，所述婚姻状况的对应分值为43；若所述当前用户所述婚姻状况为第三类，则依从性中等，所述婚姻状况的对应分值为40，其中，所述第一类包括已婚，所述第二类包括未婚，所述第三类包括丧偶/离婚；
在所述预设随访参考因素为所述文化程度的情况下，若所述当前用户所述文化程度为第一类，则依从性高，所述文化程度的对应分值为0；若所述当前用户所述文化程度为第二类，则依从性中等，所述文化程度的对应分值为50；若所述当前用户所述文化程度为第三类，则依从性低，所述文化程度的对应分值为100，其中，所述第一类包括大学本科及以上，所述第二类包括初中及高中，所述第三类包括小学及以下；
在所述预设随访参考因素为所述医保情况的情况下，若所述当前用户所述医保情况为第一类，则依从性高，所述医保情况的对应分值为0；若所述当前用户所述医保情况为第二类，则依从性中等，所述医保情况的对应分值为37；若所述当前用户所述医保情况为第三类，则依从性高，所述医保情况的对应分值为45，其中，所述第一类包括公费医疗/城市医保，所述第二类包括农村医保，所述第三类包括无医保/自费/其他；
根据所述当前用户的所述各目标状态信息，累加得到所述当前用户的所述失访风险预测分值；
所述根据所述预测分值，按照预设方式展示所述目标随访用户的失访风险等级，包括：
所述失访风险等级根据所述失访风险预测分值确定；其中，所述失访风险等级至少包括低风险等级、中风险等级和高风险等级；
若所述失访风险预测分值为大于等于0且小于100，则确定所述失访风险等级为低风险等级；
若所述失访风险预测分值为大于等于100且小于150，则确定所述失访风险等级为中风险等级；
若所述失访风险预测分值为大于等于150且小于255，则确定所述失访风险等级为低风险等级；
按照预设方式展示所述目标随访用户的所述失访风险等级。
2.根据权利要求1所述的方法，其特征在于，还包括：
获取与历史随访用户对应的至少一种所述预设随访参考因素的样本状态信息；
基于所述样本状态信息对预先建立的逻辑回归模型进行训练，得到用于预测用户失访风险的随访用户预测模型。
3.根据权利要求1所述的方法，其特征在于，所述当所述输出结果满足预设条件时，将所述当前用户确定为目标随访用户，包括：
当所述预测分值小于预设分值阈值时，将所述当前用户确定为目标随访用户；或者，
基于所述预测分值和预先确定的所述目标随访用户的预设数量，将所述当前用户确定为目标随访用户。
4.根据权利要求1所述的方法，其特征在于，所述获取与当前用户对应的至少一种预设随访参考因素的目标状态信息，包括：
基于预先建立的用户信息数据包获取与当前用户对应的至少一种预设随访参考因素的目标状态信息。
5.一种随访用户的确定装置，其特征在于，包括：
获取模块，用于获取与当前用户对应的至少一种预设随访参考因素的目标状态信息；
输入模块，用于将各所述目标状态信息输入至预先训练完成的用于预测用户失访风险的随访用户预测模型中，得到与所述当前用户对应的输出结果；
确定模块，用于当所述输出结果满足预设条件时，将所述当前用户确定为目标随访用户；
所述获取模块，包括：
获取单元，用于获取当前用户的体检情况、职业状况、婚姻状况、文化程度以及医保情况中至少一种预设随访参考因素的状态信息；
所述输入模块，还包括：
得到单元，用于得到随访用户预测模型输出的用于表示当前用户的失访风险的预测分值；
展示单元，用于根据预测分值，按照预设方式展示目标随访用户的失访风险等级；
所述得到单元，具体用于：
在所述预设随访参考因素为所述每年体检的情况下，若所述当前用户每年进行体检，则依从性高，所述每年体检的对应分值为0；若所述当前用户每年不进行体检，则依从性低，所述每年体检的对应分值为20；
在所述预设随访参考因素为所述职业状况的情况下，若所述当前用户所述职业状况为第一类，则依从性高，所述职业状况的对应分值为0；若所述当前用户所述职业状况为第二类，则依从性中等，所述职业状况的对应分值为45；若所述当前用户所述职业状况为第三类，则依从性低，所述职业状况的对应分值为47，其中，所述第一类包括离退休人员/职员/学生/现役军人，所述第二类包括自由职业者/个人经营者/农民，所述第三类包括无业/其他；
在所述预设随访参考因素为所述婚姻状况的情况下，若所述当前用户所述婚姻状况为第一类，则依从性高，所述婚姻状况的对应分值为0；若所述当前用户所述婚姻状况为第二类，则依从性低，所述婚姻状况的对应分值为43；若所述当前用户所述婚姻状况为第三类，则依从性中等，所述婚姻状况的对应分值为40，其中，所述第一类包括已婚，所述第二类包括未婚，所述第三类包括丧偶/离婚；
在所述预设随访参考因素为所述文化程度的情况下，若所述当前用户所述文化程度为第一类，则依从性高，所述文化程度的对应分值为0；若所述当前用户所述文化程度为第二类，则依从性中等，所述文化程度的对应分值为50；若所述当前用户所述文化程度为第三类，则依从性低，所述文化程度的对应分值为100，其中，所述第一类包括大学本科及以上，所述第二类包括初中及高中，所述第三类包括小学及以下；
在所述预设随访参考因素为所述医保情况的情况下，若所述当前用户所述医保情况为第一类，则依从性高，所述医保情况的对应分值为0；若所述当前用户所述医保情况为第二类，则依从性中等，所述医保情况的对应分值为37；若所述当前用户所述医保情况为第三类，则依从性高，所述医保情况的对应分值为45，其中，所述第一类包括公费医疗/城市医保，所述第二类包括农村医保，所述第三类包括无医保/自费/其他；
根据所述当前用户的所述各目标状态信息，累加得到所述当前用户的所述失访风险预测分值；
所述展示单元，具体用于：
所述失访风险等级根据所述失访风险预测分值确定；其中，所述失访风险等级至少包括低风险等级、中风险等级和高风险等级；
若所述失访风险预测分值为大于等于0且小于100，则确定所述失访风险等级为低风险等级；
若所述失访风险预测分值为大于等于100且小于150，则确定所述失访风险等级为中风险等级；
若所述失访风险预测分值为大于等于150且小于255，则确定所述失访风险等级为低风险等级；
按照预设方式展示所述目标随访用户的所述失访风险等级。
6.一种随访用户的确定设备，其特征在于，包括存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如权利要求1至4任一项所述的随访用户的确定方法的步骤。
7.一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计算机程序，所述计算机程序被处理器执行时实现如权利要求1至4任一项所述的随访用户的确定方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110367609.2A CN112967809B (zh) | 2021-04-06 | 2021-04-06 | 一种随访用户的确定方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110367609.2A CN112967809B (zh) | 2021-04-06 | 2021-04-06 | 一种随访用户的确定方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112967809A CN112967809A (zh) | 2021-06-15 |
| CN112967809B true CN112967809B (zh) | 2024-01-23 |
Family
ID=76279913
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110367609.2A Active CN112967809B (zh) | 2021-04-06 | 2021-04-06 | 一种随访用户的确定方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112967809B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2005091203A2 (en) * | 2004-03-12 | 2005-09-29 | Aureon Laboratories, Inc. | Systems and methods for treating, diagnosing and predicting the occurrence of a medical condition |
| CN109545292A (zh) * | 2018-11-09 | 2019-03-29 | 医渡云（北京）技术有限公司 | 一种医疗科研随访任务的管理方法、设备和介质 |
| CN111383770A (zh) * | 2020-03-09 | 2020-07-07 | 北京大学 | 一种临床研究与随访融合系统和方法 |
| WO2020234573A1 (en) * | 2019-05-17 | 2020-11-26 | Ipsen Biopharm Limited | Screening method to determine suitability for participation in a clinical trial |
-
2021
- 2021-04-06 CN CN202110367609.2A patent/CN112967809B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2005091203A2 (en) * | 2004-03-12 | 2005-09-29 | Aureon Laboratories, Inc. | Systems and methods for treating, diagnosing and predicting the occurrence of a medical condition |
| CN109545292A (zh) * | 2018-11-09 | 2019-03-29 | 医渡云（北京）技术有限公司 | 一种医疗科研随访任务的管理方法、设备和介质 |
| WO2020234573A1 (en) * | 2019-05-17 | 2020-11-26 | Ipsen Biopharm Limited | Screening method to determine suitability for participation in a clinical trial |
| CN111383770A (zh) * | 2020-03-09 | 2020-07-07 | 北京大学 | 一种临床研究与随访融合系统和方法 |
Non-Patent Citations (2)
| Title |
|---|
| 临床试验设计: 随机对照;李静;中国循环杂志;第32卷(第11期);1126-1127 * |
| 糖尿病护理门诊患者失访原因和赋能教育应用效果研究;揣文娟;中国优秀硕士学位论文全文数据库医药卫生科技辑;E060-236 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112967809A (zh) | 2021-06-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107609163B (zh) | 医学知识图谱的生成方法、存储介质及服务器 | |
| Feixas et al. | Viewing cognitive conflicts as dilemmas: Implications for mental health | |
| US11651330B2 (en) | Machine learning for dynamically updating a user interface | |
| WO2019080662A1 (zh) | 信息推荐方法及装置、设备 | |
| US20160232328A1 (en) | Systems and methods for patient health assessment | |
| Snook et al. | The violent crime linkage analysis system: A test of interrater reliability | |
| US9171255B2 (en) | Method, software, and system for making a decision | |
| US20230154582A1 (en) | Dynamic database updates using probabilistic determinations | |
| Shepherd et al. | Covert and implicit influences on the interpretation of violence risk instruments | |
| US20200058408A1 (en) | Systems, methods, and apparatus for linking family electronic medical records and prediction of medical conditions and health management | |
| US20220366463A1 (en) | Gratitude prediction machine learning models | |
| US20200097301A1 (en) | Predicting relevance using neural networks to dynamically update a user interface | |
| US20210192365A1 (en) | Computer device, system, readable storage medium and medical data analysis method | |
| CN109299238B (zh) | 一种数据查询方法和装置 | |
| CN110752027A (zh) | 电子病历数据推送方法、装置、计算机设备和存储介质 | |
| Chalk et al. | Which factors most influence demand for ambulances in South West England? | |
| CN109726904A (zh) | 医疗护理评估结论生成方法、设备及存储介质 | |
| CN112967809B (zh) | 一种随访用户的确定方法、装置、设备及存储介质 | |
| CN109948638B (zh) | 对象匹配方法、装置、设备及计算机可读存储介质 | |
| CN113657547B (zh) | 基于自然语言处理模型的舆情监测方法及其相关设备 | |
| CN112785163A (zh) | 职业识别方法、装置、设备及介质 | |
| US20210151135A1 (en) | Processing data records and searching data structures that are stored in hardware memory and that are at least partly generated from the processed data records in generating an adaptive user interface | |
| WO2016099576A1 (en) | Method and system for determining a site performance index | |
| CN111814030A (zh) | 推送方法、装置、设备和介质 | |
| Vest et al. | Contribution of different data sources to the prediction of emergency department revisits in a safety-net population |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |