CN113241196A - 基于云-终端协同的远程医疗与分级监控系统 - Google Patents
基于云-终端协同的远程医疗与分级监控系统 Download PDFInfo
- Publication number
- CN113241196A CN113241196A CN202110536468.2A CN202110536468A CN113241196A CN 113241196 A CN113241196 A CN 113241196A CN 202110536468 A CN202110536468 A CN 202110536468A CN 113241196 A CN113241196 A CN 113241196A
- Authority
- CN
- China
- Prior art keywords
- module
- information
- data
- cloud
- treatment
- 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.)
- Granted
Links
- 238000011282 treatment Methods 0.000 title claims abstract description 132
- 238000012544 monitoring process Methods 0.000 title claims abstract description 30
- 238000003745 diagnosis Methods 0.000 claims abstract description 33
- 230000002452 interceptive effect Effects 0.000 claims abstract description 20
- 201000010099 disease Diseases 0.000 claims abstract description 19
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 19
- 230000010365 information processing Effects 0.000 claims abstract description 19
- 230000010354 integration Effects 0.000 claims abstract description 17
- 208000024891 symptom Diseases 0.000 claims description 45
- 230000006870 function Effects 0.000 claims description 29
- 238000000034 method Methods 0.000 claims description 23
- 239000003814 drug Substances 0.000 claims description 21
- 238000011156 evaluation Methods 0.000 claims description 20
- 239000013598 vector Substances 0.000 claims description 18
- 238000013528 artificial neural network Methods 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 14
- 238000001514 detection method Methods 0.000 claims description 12
- 229940079593 drug Drugs 0.000 claims description 11
- 238000004891 communication Methods 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 10
- 230000008859 change Effects 0.000 claims description 8
- 230000037213 diet Effects 0.000 claims description 7
- 235000005911 diet Nutrition 0.000 claims description 7
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000007774 longterm Effects 0.000 claims description 5
- 238000013480 data collection Methods 0.000 claims description 4
- 238000003384 imaging method Methods 0.000 claims description 4
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 claims description 3
- LEHOTFFKMJEONL-UHFFFAOYSA-N Uric Acid Chemical compound N1C(=O)NC(=O)C2=C1NC(=O)N2 LEHOTFFKMJEONL-UHFFFAOYSA-N 0.000 claims description 3
- TVWHNULVHGKJHS-UHFFFAOYSA-N Uric acid Natural products N1C(=O)NC(=O)C2NC(=O)NC21 TVWHNULVHGKJHS-UHFFFAOYSA-N 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 3
- 238000003556 assay Methods 0.000 claims description 3
- 239000008280 blood Substances 0.000 claims description 3
- 210000004369 blood Anatomy 0.000 claims description 3
- 230000036772 blood pressure Effects 0.000 claims description 3
- 239000008103 glucose Substances 0.000 claims description 3
- 230000003993 interaction Effects 0.000 claims description 3
- 229940116269 uric acid Drugs 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 4
- 230000007721 medicinal effect Effects 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 8
- 230000036541 health Effects 0.000 description 8
- 230000000694 effects Effects 0.000 description 6
- 210000002569 neuron Anatomy 0.000 description 6
- 238000012549 training Methods 0.000 description 6
- 238000010801 machine learning Methods 0.000 description 5
- 238000011269 treatment regimen Methods 0.000 description 4
- 230000036760 body temperature Effects 0.000 description 3
- 230000002354 daily effect Effects 0.000 description 3
- 238000011221 initial treatment Methods 0.000 description 3
- 239000002547 new drug Substances 0.000 description 3
- 238000011369 optimal treatment Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000003203 everyday effect Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 208000017667 Chronic Disease Diseases 0.000 description 1
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 description 1
- 230000007495 abnormal renal function Effects 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000000172 allergic effect Effects 0.000 description 1
- 208000010668 atopic eczema Diseases 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000003750 conditioning effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013479 data entry Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000035876 healing Effects 0.000 description 1
- 208000019622 heart disease Diseases 0.000 description 1
- 230000003908 liver function Effects 0.000 description 1
- QSHDDOUJBYECFT-UHFFFAOYSA-N mercury Chemical compound [Hg] QSHDDOUJBYECFT-UHFFFAOYSA-N 0.000 description 1
- 229910052753 mercury Inorganic materials 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000000474 nursing effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 238000004171 remote diagnosis Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000003860 sleep quality Effects 0.000 description 1
- 230000001225 therapeutic effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
-
- 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
-
- 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
- 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
- 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
- G16H20/60—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to nutrition control, e.g. diets
-
- 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
- G16H40/60—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 operation of medical equipment or devices
- G16H40/67—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 operation of medical equipment or devices for remote operation
-
- 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
- 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
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
-
- 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
Abstract
本发明属于技术领域，即为了提高医疗效率，实现精准治疗以及远程治疗，具体涉及一种基于云‑终端协同的远程医疗与分级监控系统，该系统包括数据采集模块、交互终端模块和云端数据整合模块，数据采集模块用于患者医疗数据的采集；数据采集模块用于采集患者数据；交互终端模块用于患者的单点登陆、数据的输入以及诊断信息的输出；云端数据整合模块包括数据接收模块、信息处理模块和信息输出模块，信息处理模块用于处理病例信息并输出最终疾病治疗方案；信息输出模块用于传输信息；通过本发明可以保证患者足不出户便能得到较好的医疗效果，为患者定制私人医生，使治疗方案相对精准可靠，同时也为医院减缓就诊压力，提高工作效率。
Description
技术领域
本发明属于医疗信息技术领域，具体涉及一种基于云-终端协同的远程医疗与分级监控系统。
背景技术
在现有技术中，各类疾病患者日益增长，但是目前医疗资源有限，不同区域的医疗机构存在医疗资源分布不均，部分医疗机构每天患者爆满，而有些医疗机构每天都在亏损经营，归根结底主要是医疗水平存在差异，人们在患病后往往会根据医疗机构的实力选择就诊医院，从而进一步拉大同区域不同医疗机构之间的差异，从而也导致医疗资源的浪费，大大降低对患者的治疗效率以及降低患者的就诊服务质量；医疗机构始终面临着共享数据问题，主要是因为，不同医疗机构、不同的信息系统形成数据孤岛，难以实现以居民为中心的统一视图；相比于日益增长的各类疾病患者，目前医疗资源有限，并且区域医疗资源不均衡、医务人员技术水平参差不齐，患者看病排队时间长耽误治疗等诊疗问题日益凸显。
发明内容
为了解决上述问题，即为了提高医疗效率、实现精准治疗以及远程治疗，本发明提供了一种基于云-终端协同的远程医疗与分级监控系统，该系统包括数据采集模块、交互终端模块和云端数据整合模块，所述数据采集模块、所述交互终端模块均与所述云端数据整合模块通讯连接；
所述数据采集模块用于患者医疗数据的采集；所述数据采集模块包括智能穿戴设备数据采集模块和智能检测设备数据采集模块，以分别用于患者长期穿戴设备以及患者临时检测设备的数据采集；
所述交互终端模块用于患者的单点登陆、数据的输入以及诊断信息的输出；
所述云端数据整合模块包括数据接收模块、信息处理模块和信息输出模块，所述数据接收模块、所述信息输出模块均与所述信息处理模块通讯连接；所述数据接收模块用于接收所述数据采集模块输出的数据；所述信息处理模块包括数据库和机器自学习模块，所述数据库中用于存储各种病例信息和病例辅助策略；所述机器自学习模块基于实际病例信息和已存储的病例信息进行处理，自动生成治疗方案，并将自动生成的治疗方案与外界录入的专家数据定制方案进行比对，输出最终疾病治疗方案；所述信息输出模块基于接收的最终疾病治疗方案传输至所述交互终端模块。
在一些优选实施例中，所述治疗方案包括第一治疗方案、第二治疗方案和第三治疗方案；
所述第一治疗方案为一级治疗方案，具体包括将接收的病例数据抽象为症状，基于所述数据库中存储的病状特征以及余弦相似度搜索相似案例，获取排序前三名的相似案例，基于三个案例制定饮食作息建议方案；其中，症状以向量形式存储；
所述第二治疗方案为二级治疗方案，具体包括利用T-S型模糊神经网络的万能逼近定理，基于接收的病例信息，输出药剂量的改变方案，其中，改变方案包括增加预设的剂量、剂量不变和减少预设的剂量；
所述第三治疗方案为三级治疗方案，具体包括基于异常病例数据信息进行多方远程会诊以制定最终治疗方案。
在一些优选实施例中，所述T-S型模糊神经网络包括前件网络和后件网络，所述前件网络包括隶属函数层、规则层和归一化层，所述隶属函数层通过选取高斯函数获取，隶属函数具体为：
i＝1，2...n；j＝1，2...m；所述规则层负责模糊规则输出，将隶属函数输出的每个特征的模糊子集进行模糊计算；采用算数积的形式作为模糊规则层的运算方法，所述规则层的输出记为：
j＝1，2，...，m；所述归一化层规则层的输出进行归一化处理，具体为：
j＝1，2，...，m；
所述后件神经网络包括T-S型模糊逻辑层和输出层，所述T-S型模糊逻辑层的输出结合所述归一化层输出和输入层的线性和，输出的θj为：
i＝1，2，...，m；j＝1，2，...，m；所述输出层为带有激活函数结构的输出层，范围为[-1，1]。
在一些优选实施例中，所述一级治疗方案具体包括的算法为：将症状信息以向量的形式存储在数据库中，每一条信息包括症状编号和对应的症状向量；
基于先验知识得出的治疗集合记为D，去除具有治疗D的所有症状编号对应的症状向量；
将输入的症状也以向量表示，利用余弦相似度计算输入的症状和每隔一个症状向量的相似度；
根据相似度对症状进行排序，取出前3个存储在数组中；
显示前3个相似度较近的整张信息，包括与输入的症状对应编号、相似度、症状、治疗以及用药信息。
在一些优选实施例中，所述治疗方案中包括的模糊分级具体包括如下步骤：
根据划分因素集U和评语集V，把因素集划分为N个因素子集；
对U进行一级模糊综合评判，设U的重要程度模糊子集为A，Ui的Ki个因素对V的综合评价矩阵为Ri，则综合评价集为Bi＝Ai*Ri；
对U进行二级模糊综合评判，设U的因素重要程度模糊子集为A，二级综合评判矩阵为
最大隶属度原则，进行诊疗等级评价。
在一些优选实施例中，所述数据采集模块采集到信息为病历信息、化验结果信息、日常监测结果信息以及影像学报告信息中一种或多种。
在一些优选实施例中，所述信息处理模块还包括信息更新模块，所述信息更新模块配置为基于输入的病例信息和预存的病例信息，进行同一患者病例信息的整合及更新。
在一些优选实施例中，所述交互终端模块包括移动终端，所述移动终端为手机、电脑、平板或手环。
在一些优选实施例中，所述智能穿戴设备数据采集模块包括手环；
所述智能检测设备数据采集模块包括血压仪、血糖仪、或尿酸仪。
在一些优选实施例中，该系统中的通讯采用5G网络。
1)本发明提供了一种云-端协同的远程医疗与分级监控系统，已达到利用大量患者数据训练模型，最大化利用病例数据及诊疗结果，精确地、高效地诊疗患者，减轻医院就诊压力，为病人与医院之间提供可靠的医疗平台。
2)本发明通过各类健康信息采集设备采集人体健康数据，远程传送到云端，通过云端大数据决策，利用分级治疗方案，根据对应的级别选用不同处理措施，并在本地进行方案实施。该医疗和监控平台包括：A.采集终端包括智能穿戴设备体征采集模块，智能患者用户交互界面模块，社区医疗数据采集模块；B.云端服务器端包括智能检测模块，医疗分级模块，智能决策模型模块，分级医疗方案模块；C.云端分级监控分为三级，各级治疗方案涉及点不同。一级通过建议调整患者饮食运动和生活作息来指导患者的治疗过程，二级通过云端计算，进行患者的药物剂量调整，三级直接对接真人医生，通过采集的健康数据，调整治疗方案。本发明所采用的云-端协同的远程医疗与分级监控平台，可以保证患者足不出户，便能得到较好的医疗效果，为患者定制私人医生，使治疗方案相对精准可靠，并保证安全有效的医学观察治疗，同时也为医院部门减缓就诊压力，提高工作效率，更好地帮助广大患者治疗疾病，为智能化医疗提供一种可靠、有效的解决方案。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：
图1是本发明的一种具体实施例的框架结构示意图；
图2是本发明中的治疗分级的一种具体实施例的框架结构示意图；
图3是本发明中的一级治疗方案的流程示意图；
图4是本发明中的隶属度函数的示意图；
图5是本发明中的二级治疗方案中的模糊神经网络的最优解获取流程示意图。
具体实施方式
为使本发明的实施例、技术方案和优点更加明显，下面将结合附图对本发明的技术方案进行清楚、完整的描述，显然，所述的实施例是本发明的一部分实施例，而不是全部实施例。本领域技术人员应当理解的是，这些实施方式仅仅用于解释本发明的技术原理，并非旨在限制本发明的保护范围。
本发明提供了一种基于云-终端协同的远程医疗与分级监控系统，包括数据采集模块、交互终端模块和云端数据整合模块，数据采集模块、交互终端模块均与云端数据整合模块通讯连接；数据采集模块用于患者医疗数据的采集；数据采集模块包括智能穿戴设备数据采集模块和智能检测设备数据采集模块，以分别用于患者长期穿戴设备以及患者临时检测设备的数据采集；交互终端模块用于患者的单点登陆、数据的输入以及治疗信息的输出；云端数据整合模块包括数据接收模块、信息处理模块和信息输出模块，数据接收模块、信息输出模块均与信息处理模块通讯连接；数据接收模块用于接收数据采集模块输出的数据；信息处理模块包括数据库和机器自学习模块，数据库中用于存储各种病例信息和病例辅助策略；机器自学习模块基于实际病例信息和已存储的病例信息进行处理，自动生成治疗方案，并将自动生成的治疗方案与外界录入的专家数据定制方案进行比对，输出最终疾病治疗方案；信息输出模块基于接收的最终疾病治疗方案传输至交互终端模块。
以下参照附图结合具体实施例进一步说明本发明。
参照附图1，图1是本发明的一种具体实施例的框架结构示意图，本发明提供了一种基于云-终端协同的远程医疗与分级监控系统，通过各类健康信息采集设备采集人体健康数据，远程传送到云端，通过云端大数据决策，利用分级治疗方案，根据对应的级别选用不同处理措施，并在本地进行方案实施；具体包括数据采集模块、交互终端模块和云端数据整合模块，数据采集模块、交互终端模块均与云端数据整合模块通讯连接；数据采集模块用于患者医疗数据的采集，数据采集模块包括智能穿戴设备数据采集模块和智能检测设备数据采集模块，以分别用于患者长期穿戴设备以及患者临时检测设备的数据采集。交互终端模块用于患者的单点登陆、数据的输入以及治疗信息的输出，通过单点登陆设置保证患者隐私。云端数据整合模块包括数据接收模块、信息处理模块和信息输出模块，数据接收模块、信息输出模块均与信息处理模块通讯连接。数据接收模块用于接收数据采集模块输出的数据。信息处理模块包括数据库和机器自学习模块，数据库中用于存储各种病例信息和病例辅助策略；机器自学习模块基于实际病例信息和已存储的病例信息进行处理，自动生成治疗方案，并将自动生成的治疗方案与外界录入的专家数据定制方案进行比对，输出最终疾病治疗方案；信息输出模块基于接收的最终疾病治疗方案传输至交互终端模块。
数据采集模块中涉及的采集设备简单易用，身边的各种传感器以及便携式移动设备通过分布式的方式构成网络，记录个人数据变化轨迹，能及时将数据准确的上传到云端，提高监测患者医疗效果的效率；数据采集模块还可采集社区医疗数据，通过社区医院等区域，进行局部集中采样和信息数据上传，弥补智能设备的不足；通过本发明提供的系统，保证患者的数据不仅可以通过自身穿戴采集，还通过各个终端设备与远端服务器形成互联网络，覆盖人口密集地点，具有分布式，高并发的特点。
交互终端模块包括个人信息提交上报给云端和云端反馈治疗方案调整措施及专家建议，以及显示近期的数据报表，图形化显示预测趋势，患者可以实时了解自身的医疗效果与健康状况，方便高效地治疗自身，同时也减轻医院看病的压力和负担。智能人工采集APP在中平台上都对应的产品，包括Android端，iOS端和微信小程序端；登录上之后可以观看到个人的健康数据。其核心功能：人员身份识别、单点登录、人工手动录入体征数据、周期性自动上传数据、数据历史数据保存等。
信息处理模块可以将医学知识的诊断模型与基于临床数据的机器学习和模糊数学诊断模型相结合，给出智能诊断结果，同时给出诊断依据及过程解释，并将患者的治疗方案进行分级，根据级别的不同，输入对应的分级诊疗模型。
具体地，治疗方案为分级医疗方案，主要分为三级，各级治疗方案侧重点不同，一级通过建议调整患者饮食运动和生活作息来指导患者的治疗过程，二级通过云端计算，对患者的药物剂量调整，三级直接对接真人医生，通过反馈采集的健康数据，让医生来调整治疗方案。本发明所采用的云-端协同的远程医疗与分级监控系统，可以保证患者足不出户，便能得到较好的医疗效果，为患者定制私人医生，使治疗方案相对精准可靠，并保证安全有效的医学观察治疗，同时也为医院部门减缓就诊压力，提高工作效率，更好地帮助广大患者治疗疾病，为智能化医疗提供一种可靠、有效的解决方案。
进一步地，治疗方案包括第一治疗方案、第二治疗方案和第三治疗方案，第一治疗方案为一级治疗方案，具体包括将接收的病例数据抽象为症状，基于数据库中存储的病状特征以及余弦相似度搜索相似案例，获取排序前三名的相似案例，基于三个案例制定饮食作息建议方案；其中，症状以向量形式存储；第二治疗方案为二级治疗方案，具体包括利用T-S型模糊神经网络的万能逼近定理，基于接收的病例信息，输出药剂量的改变方案，其中，改变方案包括增加预设的剂量、剂量不变和减少预设的剂量；第三治疗方案为三级治疗方案，具体包括基于异常病例数据信息进行多方远程会诊以制定最终治疗方案。
在本实施例中，获取的治疗方案为三种诊断模型，分别为一级诊断模型、二级诊断模型和三级诊断模型，基于获取的患者病例信息，进行对应诊断模型建立，在处理过程中实现医疗分级，获取最优的诊断方案。
在医疗分级中，以综合模糊评价法为基本方法，分别以方案治疗时间、以往病史、运动饮食情况为输入参数，结合医生诊疗特性，模拟决策过程，形成医疗分级诊疗规则模型，对患者病情进行医疗分级。一级治疗方案和二级治疗方案为系统模型自动生成两个至三个医疗方案，一级治疗方案通过相似度决策模型通过规则设定给出治疗方案，二级治疗方案通过模糊神经网络模型，给出具体的药物剂量调整建议，三级治疗方案表明药物剂量调整无法满足治疗需求，需要实际医生参与，给出新的治疗方案，并反馈给治疗方案库。信息处理模块收集三类等级的病情诊断结果和治疗方案，结合先验知识，并评定安全风险等级和效果等级，并从治疗方案中选出最优的一个治疗方案反馈给患者终端。
在本发明中，基于大量计算实验的治疗方案预测，将大量慢病临床医疗数据输入机器自学习模块，引入基于特定任务驱动的融合层，将融入专家医生经验的知识图谱作为网络训练的先验知识，从而实现“专家经验+机器学习”的新型结构，充分发挥专家系统和机器学习的优势。能够通过大规模的模糊推理计算实验搜索最优解空间，给出最佳治疗方案的同时解释其决策依据。
进一步地参照附图2和表1，图2是本发明中的诊断分级的一种具体实施例的框架结构示意图，治疗方案具体包括如下划分等级：划分等级划分因素集U＝{饮食运动(U1)，治疗时长(U2)，以往病史(U3)}，评语集V＝{Ⅰ级(v1)，Ⅱ级(v2)和Ⅲ级(v3)}；其中，U1＝{饮酒量(u11)，心率偏差(u12)，过敏食物(u13)}，U2＝{3天内(u21)，一周内(u22)，一周以上(u23)}，U3＝{肝功异常(u31),心脏疾病(u32)，肾功异常(u33)}；对U进行一级模糊评判，设Ui的重要程度模糊子集为Ai的ki个因素对V的综合评价矩阵为Ri，选择一个一级模型对Ui进行模糊综合评价，设Ui的模糊性价集为Bi，Bi＝Ai*Ri＝(bi1，bi2，bi2)；对U进行二级模糊综合评判，设U的因素重要程度模糊子集为A，二级综合评判矩阵
加权平均后结果为R*uij，按最大隶属度原则，进行诊疗等级评价。
在本实施例中，分级诊疗过程结合机器学习中的规则学习模型，根据提前设置的规则，训练模型；该综合评价法根据模糊数学的隶属度理论把定性评价转化为定量评价，即用模糊数学对受到多种因素制约的事物或对象做出一个总体的评价，首先，分级的过程是将医疗等级分为I级，II级和III级利用数学建模中的模糊评价法，按照下表中的划分，可得到一个三维的模糊评语集。
表1
| 等级 | I级 | II级 | III级 |
| 评价状态 | 微 | 一般 | 异常 |
| 合理分值 | 0～49 | 50～80 | 81～100 |
参照附图4，图示是本发明中的隶属度函数的示意图，T-S型模糊神经网络包括前件网络和后件网络，前件网络包括隶属函数层、规则层和归一化层，隶属函数层通过选取高斯函数获取，隶属函数具体为：
i＝1，2...n；j＝1，2...m；规则层负责模糊规则输出，将隶属函数输出的每个特征的模糊子集进行模糊计算；采用算数积的形式作为模糊规则层的运算方法，规则层的输出记为：
J＝1，2，...，m；归一化层规则层的输出进行归一化处理，具体为：
j＝1，2，...，m；后件神经网络包括T-S型模糊逻辑层和输出层，T-S型模糊逻辑层的输出结合所述归一化层输出和输入层的线性和，输出的θj为：
i＝1，2，...，m；j＝1，2，...，m；输出层为带有激活函数结构的输出层，范围为[-1，1]。
进一步地参照附图3，图示是本发明中的一级治疗方案的流程示意图，一级治疗方案具体包括的算法为：将症状信息以向量的形式存储在数据库中，每一条信息包括症状编号和对应的症状向量；基于先验知识得出的诊断集合记为D，去除具有诊断D的所有症状编号对应的症状向量；将输入的症状也以向量表示，利用余弦相似度计算输入的症状和每隔一个症状向量的相似度；根据相似度对症状进行排序，取出前3个存储在数组中；显示前3个相似度较近的整张信息，包括与输入的症状对应编号、相似度、症状、诊断以及用药信息。
参照附图5，图5是本发明中的二级治疗方案中的模糊神经网络的最优解获取流程示意图，在本发明中，智能诊疗信息不止是开了哪几种药物，还常常包括药物的剂量，用法，药物配伍等信息，二级诊疗主要针对患者的药物剂量推荐，基于临床数据的机器学习模型为基于模糊神经网络的预测模型，其模型构建与优化单元中，包括以下几种神经元：1)模糊化神经元：将确定值(药品剂量)转化为模糊输出值y＝μ(x)，x为确定值输入，y为模糊值输出，μ(*)为隶属函数；2)去模糊化神经元：此类神经元和前一类形式相似但作用相反，将模糊值转化为确定值后输出，关系表达为：y＝f(x1，x2，...，xn)，所用到的去模糊化方法有取最大值法和取质心法；3)模糊逻辑神经元：此类神经元存在于神经网络的中间层，其作用表达式为：θ＝I(x，w)，y＝g(θ)，其中I(*)为逻辑模糊函数，g(*)为输出函数；模糊神经网络有三部分参数，分别为每个隶属函数的中心c、方差σ和模糊规则层权值p，为快速逼近最优解，设定一个确定均值、方差的高斯函数，线性权值的初始值在高斯函数上按概率随即取得；结合BP算法对神经网络进行权值参数更新。
利用T-S型模糊神经网络的万能逼近能力，将患者体征数据作为输入，输出为药剂量的改变情况(分为增加，不变，减少)，其中增加和减少都给定已知的剂量和幅度，且每次只增加一个跨度的药物剂量。
模型的训练主要包括智能药物剂量推荐的训练和学习，智能药物剂量推荐模型对不同类型的病症分别建立预测模型，针对不同症状特征进行训练，利用有医生实际经验诊断标签的训练数据集进行监督学习获得相关的剂量增减模型。基于临床数据的训练模型主要利用深度学习的方法，当输入特征时，首先通过前件网络对每个体征特征进行模糊化、归一化处理，信息逐层传播，随后后件网络利用连接权值提高特征间的线性关联，最后去模糊化输出结果。对大量临床病理进行学习，发现增减剂量与身体恢复效果的关联关系，从而实现智能推荐改变药物剂量，有助于患者身体恢复。
三级治疗方案通过资深医生调整治疗方案；三级治疗目的在于解决异常数据无法进行模型计算的问题。如发生数据异常，则将通报异常数据给医院。若由专业的医生进行会诊，则涉及远程会议，远程影像学、远程诊断及会诊、远程护理等现代远程医疗技术。若医生和患者进行非直接交流，则专业医生通过经验给出一套新的药物治疗方案，并传送到云端智库，评定安全等级后，发送给患者。由于患者诊疗后，治愈过程可能较长，需要长期用药，现实生活中医生无法长期实时了解病人状况，通过该云端协同的远程医疗与分级监控平台，可以实现长期监测病人病情，并执行合理治疗，调理方案周期性更新，更好地配合医院完成病人的治疗。
优选地，数据采集模块采集到信息为病历信息、化验结果信息、日常监测结果信息以及影像学报告信息中一种或多种，周期性获取必要数据，保护用户数据隐私,不同终端单点登录(例如医院)，上传到云端的患者数据，传输部分通过5G移动网络，5G网络频率高,数据准确并且算法精确，将数据信息及时上传；中间使用HTTPS，SSL协议保证数据的安全性。
优选地，信息处理模块还包括信息更新模块，信息更新模块配置为基于输入的病例信息和预存的病例信息，进行同一患者病例信息的整合及更新。
优选地，交互终端模块包括移动终端，移动终端为手机、电脑、平板或手环。
优选地，智能穿戴设备数据采集模块包括手环等，手环内置接触式传感器，可实时监测人体体温数据，手环测出体温结果跟水银体温计误差上下偏差0.1度，通过手环可以实现实时体温监测的高频记录，还具有查看运动量，监测睡眠质量，智能闹钟唤醒等功能。可以通过手机应用实时查看运动量，监测走路和跑步的效果，并将数据通过手机或电脑传送到云端。具有方便穿戴或方便实用，实时监测，重要提醒等功能。智能检测设备数据采集模块包括血压仪、血糖仪、或尿酸仪等设备，患者将采集的信息上传到云端，进行智能监测，以确定治疗效果。
需要说明的是，在本发明的描述中，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示方向或位置关系的术语是基于附图所示的方向或位置关系，这仅仅是为了便于描述，而不是指示或暗示所述装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”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，还需要说明的是，在本发明的描述中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域技术人员而言，可根据具体情况理解上述术语在本发明中的具体含义。
术语“包括”或者任何其它类似用语旨在涵盖非排他性的包含，从而使得包括一系列要素的过程、物品或者设备/装置不仅包括那些要素，而且还包括没有明确列出的其它要素，或者还包括这些过程、物品或者设备/装置所固有的要素。
至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征做出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
Claims (10)
1.一种基于云-终端协同的远程医疗与分级监控系统，其特征在于，该系统包括数据采集模块、交互终端模块和云端数据整合模块，所述数据采集模块、所述交互终端模块均与所述云端数据整合模块通讯连接；
所述数据采集模块用于患者医疗数据的采集；所述数据采集模块包括智能穿戴设备数据采集模块和智能检测设备数据采集模块，以分别用于患者长期穿戴设备以及患者临时检测设备的数据采集；
所述交互终端模块用于患者的单点登陆、数据的输入以及诊断信息的输出；
所述云端数据整合模块包括数据接收模块、信息处理模块和信息输出模块，所述数据接收模块、所述信息输出模块均与所述信息处理模块通讯连接；所述数据接收模块用于接收所述数据采集模块输出的数据；所述信息处理模块包括数据库和机器自学习模块，所述数据库中用于存储各种病例信息和病例辅助策略；所述机器自学习模块基于实际病例信息和已存储的病例信息进行处理，自动生成治疗方案，并将自动生成的治疗方案与外界录入的专家数据定制方案进行比对，输出最终疾病治疗方案；所述信息输出模块基于接收的最终疾病治疗方案传输至所述交互终端模块。
2.根据权利要求1所述的基于云-终端协同的远程医疗与分级监控系统，其特征在于，所述治疗方案包括第一治疗方案、第二治疗方案和第三治疗方案；
所述第一治疗方案为一级治疗方案，具体包括将接收的病例数据抽象为症状，基于所述数据库中存储的病状特征以及余弦相似度搜索相似案例，获取相似案例，基于相似案例制定饮食作息建议方案；其中，症状以向量形式存储；
所述第二治疗方案为二级治疗方案，具体包括利用T-S型模糊神经网络的万能逼近定理，基于接收的病例信息，输出药剂量的改变方案，其中，改变方案包括增加预设的剂量、剂量不变和减少预设的剂量；
所述第三治疗方案为三级治疗方案，具体包括基于异常病例数据信息进行多方远程会诊以制定最终治疗方案。
3.根据权利要求2所述的基于云-终端协同的远程医疗与分级监控系统，其特征在于，所述T-S型模糊神经网络包括前件网络和后件网络，所述前件网络包括隶属函数层、规则层和归一化层，所述隶属函数层通过选取高斯函数获取，隶属函数具体为：
所述规则层负责模糊规则输出，将隶属函数输出的每个特征的模糊子集进行模糊计算；采用算数积的形式作为模糊规则层的运算方法，所述规则层的输出记为：
所述归一化层规则层的输出进行归一化处理，具体为：
所述后件神经网络包括T-S型模糊逻辑层和输出层，所述T-S型模糊逻辑层的输出结合所述归一化层输出和输入层的线性和，输出的θj为：
所述输出层为带有激活函数结构的输出层，范围为[-1,1]。
4.根据权利要求2所述的基于云-终端协同的远程医疗与分级监控系统，其特征在于，所述一级诊断方案具体包括的算法为：将症状信息以向量的形式存储在数据库中，每一条信息包括症状编号和对应的症状向量；
基于先验知识得出的诊断集合记为D，去除具有诊断D的所有症状编号对应的症状向量；
将输入的症状也以向量表示，利用余弦相似度计算输入的症状和每隔一个症状向量的相似度；
根据相似度对症状进行排序，取出相似度最高的存储前在数组中；
显示相似度最高的整张信息，包括与输入的症状对应编号、相似度、症状、诊断以及用药信息。
5.根据权利要求1所述的基于云-终端协同的远程医疗与分级监控系统，其特征在于，所述治疗方案中包括的模糊分级具体包括如下步骤：
根据划分因素集U和评语集V，把因素集划分为N个因素子集；
对U进行一级模糊综合评判，设U的重要程度模糊子集为A，Ui的Ki个因素对V的综合评价矩阵为Ri，则综合评价集为Bi＝Ai*Ri；
对U进行二级模糊综合评判，设U的因素重要程度模糊子集为A，二级综合评判矩阵为
最大隶属度原则，进行诊疗等级评价。
6.根据权利要求1所述的基于云-终端协同的远程医疗与分级监控系统，其特征在于，所述数据采集模块采集到信息为病历信息、化验结果信息、日常监测结果信息以及影像学报告信息中一种或多种。
7.根据权利要求1所述的基于云-终端协同的远程医疗与分级监控系统，其特征在于，所述信息处理模块还包括信息更新模块，所述信息更新模块配置为基于输入的病例信息和预存的病例信息，进行同一患者病例信息的整合及更新。
8.根据权利要求1所述的基于云-终端协同的远程医疗与分级监控系统，其特征在于，所述交互终端模块包括移动终端，所述移动终端为手机、电脑、平板或手环。
9.根据权利要求1所述的基于云-终端协同的远程医疗与分级监控系统，其特征在于，所述智能穿戴设备数据采集模块包括手环；
所述智能检测设备数据采集模块包括血压仪、血糖仪、或尿酸仪。
10.根据权利要求1-9中任一项所述的基于云-终端协同的远程医疗与分级监控系统，其特征在于，该系统中的通讯采用5G网络。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110536468.2A CN113241196B (zh) | 2021-05-17 | 2021-05-17 | 基于云-终端协同的远程医疗与分级监控系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110536468.2A CN113241196B (zh) | 2021-05-17 | 2021-05-17 | 基于云-终端协同的远程医疗与分级监控系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113241196A true CN113241196A (zh) | 2021-08-10 |
| CN113241196B CN113241196B (zh) | 2022-03-08 |
Family
ID=77134887
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110536468.2A Active CN113241196B (zh) | 2021-05-17 | 2021-05-17 | 基于云-终端协同的远程医疗与分级监控系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113241196B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113420152A (zh) * | 2021-08-23 | 2021-09-21 | 北京好欣晴移动医疗科技有限公司 | 基于模糊逻辑的业务处理方法、装置和系统 |
| CN113808699A (zh) * | 2021-09-20 | 2021-12-17 | 曹庆恒 | 一种治疗方案智能比较系统及其使用方法 |
| CN114159032A (zh) * | 2021-12-23 | 2022-03-11 | 山东领能电子科技有限公司 | 基于温湿传感器的睡眠呼吸暂停症监测装置及方法 |
| CN114360717A (zh) * | 2022-03-03 | 2022-04-15 | 广州市和合医疗设备有限公司 | 一种应用于医疗车的触摸屏中控系统 |
| CN116130046A (zh) * | 2023-03-02 | 2023-05-16 | 广东技术师范大学 | 一种用于血压分级量化的模糊忆阻计算方法及系统 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1398376A (zh) * | 2000-01-06 | 2003-02-19 | 伊格特潘.Com公司 | 决策系统和方法 |
| CN107492090A (zh) * | 2016-06-09 | 2017-12-19 | 西门子保健有限责任公司 | 根据合成数据利用机器学习的基于图像的肿瘤表型分析 |
| US20180137250A1 (en) * | 2016-11-15 | 2018-05-17 | Hefei University Of Technology | Mobile health intelligent medical guide system and method thereof |
| CN109325681A (zh) * | 2018-09-14 | 2019-02-12 | 长沙理工大学 | 一种多项目风险的二型模糊综合评估方法 |
| CN109346169A (zh) * | 2018-10-17 | 2019-02-15 | 长沙瀚云信息科技有限公司 | 一种人工智能辅助诊疗系统及其构建方法、设备和存储介质 |
| CN111882247A (zh) * | 2020-08-07 | 2020-11-03 | 成都理工大学 | 一种基于综合模糊评价模型的在线学习系统评价方法 |
| CN111951981A (zh) * | 2020-07-06 | 2020-11-17 | 广州市家庭医生在线信息有限公司 | 一种基于互联网的远程在线诊疗系统 |
| CN112102965A (zh) * | 2020-09-15 | 2020-12-18 | 深圳市联影医疗数据服务有限公司 | 一种基于临床辅助和区域协同的医疗信息管理系统 |
| CN112420176A (zh) * | 2019-08-22 | 2021-02-26 | 浙江远图互联科技股份有限公司 | 基于结构化信息库的分级导诊系统 |
-
2021
- 2021-05-17 CN CN202110536468.2A patent/CN113241196B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1398376A (zh) * | 2000-01-06 | 2003-02-19 | 伊格特潘.Com公司 | 决策系统和方法 |
| CN107492090A (zh) * | 2016-06-09 | 2017-12-19 | 西门子保健有限责任公司 | 根据合成数据利用机器学习的基于图像的肿瘤表型分析 |
| US20180137250A1 (en) * | 2016-11-15 | 2018-05-17 | Hefei University Of Technology | Mobile health intelligent medical guide system and method thereof |
| CN109325681A (zh) * | 2018-09-14 | 2019-02-12 | 长沙理工大学 | 一种多项目风险的二型模糊综合评估方法 |
| CN109346169A (zh) * | 2018-10-17 | 2019-02-15 | 长沙瀚云信息科技有限公司 | 一种人工智能辅助诊疗系统及其构建方法、设备和存储介质 |
| CN112420176A (zh) * | 2019-08-22 | 2021-02-26 | 浙江远图互联科技股份有限公司 | 基于结构化信息库的分级导诊系统 |
| CN111951981A (zh) * | 2020-07-06 | 2020-11-17 | 广州市家庭医生在线信息有限公司 | 一种基于互联网的远程在线诊疗系统 |
| CN111882247A (zh) * | 2020-08-07 | 2020-11-03 | 成都理工大学 | 一种基于综合模糊评价模型的在线学习系统评价方法 |
| CN112102965A (zh) * | 2020-09-15 | 2020-12-18 | 深圳市联影医疗数据服务有限公司 | 一种基于临床辅助和区域协同的医疗信息管理系统 |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113420152A (zh) * | 2021-08-23 | 2021-09-21 | 北京好欣晴移动医疗科技有限公司 | 基于模糊逻辑的业务处理方法、装置和系统 |
| CN113808699A (zh) * | 2021-09-20 | 2021-12-17 | 曹庆恒 | 一种治疗方案智能比较系统及其使用方法 |
| CN114159032A (zh) * | 2021-12-23 | 2022-03-11 | 山东领能电子科技有限公司 | 基于温湿传感器的睡眠呼吸暂停症监测装置及方法 |
| CN114360717A (zh) * | 2022-03-03 | 2022-04-15 | 广州市和合医疗设备有限公司 | 一种应用于医疗车的触摸屏中控系统 |
| CN114360717B (zh) * | 2022-03-03 | 2022-06-10 | 广州市和合医疗设备有限公司 | 一种应用于医疗车的触摸屏中控系统 |
| CN116130046A (zh) * | 2023-03-02 | 2023-05-16 | 广东技术师范大学 | 一种用于血压分级量化的模糊忆阻计算方法及系统 |
| CN116130046B (zh) * | 2023-03-02 | 2024-03-08 | 广东技术师范大学 | 一种用于血压分级量化的模糊忆阻计算方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113241196B (zh) | 2022-03-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113241196B (zh) | 基于云-终端协同的远程医疗与分级监控系统 | |
| US20230082019A1 (en) | Systems and methods for monitoring brain health status | |
| CN105975740B (zh) | 一种带有智能诊断的医疗系统 | |
| CN108366763A (zh) | 用于评估精神状态的方法和系统 | |
| CN108573752A (zh) | 一种基于健康大数据的健康信息处理的方法及系统 | |
| US20210225510A1 (en) | Human body health assessment method and system based on sleep big data | |
| CN105912870B (zh) | 一种便携式多传感器监护的医疗系统 | |
| CN111863238A (zh) | 一种基于平行智能的慢病诊疗系统及诊疗方法 | |
| CN105956372A (zh) | 一种远程多传感器监护的医疗系统 | |
| CN106446560A (zh) | 一种基于增量式神经网络模型的高血脂症预测方法和预测系统 | |
| CN111916213A (zh) | 一种基于云计算的医疗服务方法和装置 | |
| CN117476217B (zh) | 一种慢性心脏病病情发展趋势预测系统 | |
| CN105709302B (zh) | 一种带有输液监控的医疗系统 | |
| CN116098595B (zh) | 一种心源性及脑源性猝死监测预防系统和方法 | |
| Tang et al. | A two-echelon responsive health analytic model for triggering care plan revision in geriatric care management | |
| CN114093450A (zh) | 一种基于可穿戴设备的慢病管理系统及方法 | |
| CN105748049B (zh) | 一种带有毯式远程生理监护的医疗系统 | |
| CN105975741B (zh) | 一种带有病人状态分级的医疗系统 | |
| Rajendran et al. | A review on patient monitoring and diagnosis assistance by artificial intelligence tools | |
| Agarwal et al. | Diseases Prediction and Diagnosis System for Healthcare Using IoT and Machine Learning | |
| CN110974215B (zh) | 基于无线心电监护传感器组的预警系统及方法 | |
| Sahu et al. | Application of Fuzzy Logic to Healthcare Industry | |
| Kumar et al. | Fuzzy logic applications in healthcare: A review-based study | |
| CN105760702A (zh) | 一种带有摄像监控的综合医疗系统 | |
| CN117238533A (zh) | 基于智能穿戴和实时诊断以及知识图谱的医疗护理系统 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |