CN113284632A - 糖尿病患者的随访方法、装置、电子设备及存储介质 - Google Patents
糖尿病患者的随访方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN113284632A CN113284632A CN202110594936.1A CN202110594936A CN113284632A CN 113284632 A CN113284632 A CN 113284632A CN 202110594936 A CN202110594936 A CN 202110594936A CN 113284632 A CN113284632 A CN 113284632A
- Authority
- CN
- China
- Prior art keywords
- follow
- patient
- visit
- target
- target patient
- 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
- 206010012601 diabetes mellitus Diseases 0.000 title claims abstract description 56
- 238000000034 method Methods 0.000 title claims abstract description 39
- 230000002787 reinforcement Effects 0.000 claims abstract description 54
- 238000012549 training Methods 0.000 claims abstract description 7
- 230000008569 process Effects 0.000 claims description 7
- 239000008280 blood Substances 0.000 claims description 6
- 210000004369 blood Anatomy 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 6
- 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 4
- 239000008103 glucose Substances 0.000 claims description 4
- 238000002106 pulse oximetry Methods 0.000 claims description 4
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 230000000875 corresponding effect Effects 0.000 description 29
- 238000012795 verification Methods 0.000 description 28
- 230000009471 action Effects 0.000 description 12
- 230000006870 function Effects 0.000 description 11
- 201000010099 disease Diseases 0.000 description 8
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 8
- 230000006399 behavior Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 229940079593 drug Drugs 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000008685 targeting Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010365 information processing Effects 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
- 238000006467 substitution reaction Methods 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
- G16H80/00—ICT specially adapted for facilitating communication between medical practitioners or patients, e.g. for collaborative diagnosis, therapy or health monitoring
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Public Health (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明涉及人工智能技术领域，提供一种糖尿病患者的随访方法、装置、电子设备及存储介质，所述方法包括：每隔预设周期采集目标患者的可穿戴设备中的第一体征信息；构建用于糖尿病患者随访的深度强化学习模型；获取历史患者的第二体征信息和随访策略，根据第二体征信息和随访策略对深度强化学习模型进行训练，得到训练好的深度强化学习模型；将第一体征信息输入训练好的深度强化学习模型中，得到目标患者的随访频率和随访方式；根据目标患者的随访频率和随访方式对目标患者执行当次随访。本发明根据目标患者的多个随访记录和多个第一体征信息确定当次随访的随访策略，具有针对性的随访，提高了随访质量及随访结果的准确性。
Description
技术领域
本发明涉及人工智能技术领域，具体涉及一种糖尿病患者的随访方法、装置、电子设备及存储介质。
背景技术
随着生活水平的提高，糖尿病患者人群呈现逐年上升，而绝大多数糖尿病患者需要随访，现有一般通过糖尿病患者到访医生或者医护人员通过电话随访方式进行，但随访患者的数量受限于随访医护人员的人力，当前医护人员的工作负荷量大，经常出现护士、医生及线上随访不到位，导致随访效率及质量低下。
此外，电话随访方式不能够及时且完整收集到患者体征信息，导致随访结果不准确。
发明内容
鉴于以上内容，有必要提出一种糖尿病患者的随访方法、装置、电子设备及存储介质，根据目标患者的多个随访记录和多个第一体征信息确定当次随访的随访策略，具有针对性的随访，提高了随访质量及随访结果的准确性。
本发明的第一方面提供一种糖尿病患者的随访方法，所述方法包括：
每隔预设周期采集目标患者的可穿戴设备中的第一体征信息；
构建用于糖尿病患者随访的深度强化学习模型；
获取历史患者的第二体征信息和随访策略，根据所述第二体征信息和随访策略对所述深度强化学习模型进行训练，得到训练好的深度强化学习模型；
将所述第一体征信息输入所述训练好的深度强化学习模型中，得到所述目标患者的随访频率和随访方式；
根据所述目标患者的随访频率和随访方式对所述目标患者执行当次随访。
可选地，所述根据所述目标患者的随访频率和随访方式对所述目标患者执行当次随访包括：
获取所述目标患者的历史随访记录及所述目标患者的多个第一体征信息；
从预设的随访策略库中确定出与所述目标患者的随访频率、随访方式、历史随访记录及多个第一体征信息相匹配的当次随访的随访策略；
根据所述当次随访的随访策略执行所述当次随访，并返回所述当次随访的随访记录。
可选地，所述根据所述当次随访的随访策略执行所述当次随访包括：
根据所述当次随访的随访策略确定当次随访的第一会话节点，并从所述第一会话节点的第一问题开始问询；
当接收到所述第一问题的第一目标答案时，根据所述第一目标答案确定当次随访的第二会话节点，从所述第二会话节点的第二问题开始问询，并接收到所述第二问题的第二目标答案，重复上述过程直至完成所述当次随访。
可选地，所述根据所述第一目标答案确定当次随访的第二会话节点包括：
获取所述当次随访的随访策略中的第一问题的待识别目标答案对应的患者意图；
将所述待识别目标答案输入至预设的意图识别模型中进行识别，得到多个意图识别层输出的多个意图识别结果；
确定每个所述意图识别层输出的所述意图识别结果，并计算每个所述意图识别层输出的所述意图识别结果与所述待识别目标答案对应的患者意图之间的相似度；
将相似度最高的意图识别层确定为所述第一问题的待识别目标答案对应的目标意图识别层；
将所述第一问题的第一目标答案输入至所述预设的意图识别模型中，接收所述预设的意图识别模型中的所述目标意图识别层输出的目标意图识别结果，并根据所述目标意图识别结果确定所述目标患者的目标患者意图；
判断所述当次随访的随访策略中是否存在所述目标患者意图；
当所述当次随访的随访策略中存在所述目标患者意图时，从所述当次随访的随访策略中确定出与所述目标患者的目标患者意图相匹配的第二会话节点。
可选地，所述方法还包括：
当所述当次随访的随访策略中不存在所述目标患者意图时，识别所述随访策略对应的医生，并将所述第一目标答案、所述随访策略、所述目标患者的多个随访记录和多个第一体征信息发送至所述医生；
接收所述医生上报的更新数据，基于所述更新数据更新所述随访策略，并根据更新后的随访策略继续执行所述当次随访。
可选地，所述第一体征信息包括以下一种或者多种组合：
目标患者的运动信息、睡眠信息、心率信息、血糖信息及脉搏血氧饱和度。
可选地，所述每隔预设周期采集目标患者的可穿戴设备中的第一体征信息包括：
识别所述第一体征信息中可穿戴设备的第一标识码及所述目标患者的患者信息；
根据所述目标患者的患者信息确定对应的登记信息中的第二标识码；
判断所述第一标识码与所述第二标识码是否匹配；
当所述第一标识码与所述第二标识码相匹配时，采集所述目标患者的第一体征信息，并发送至所述目标患者的体征信息对应的存储位置。
本发明的第二方面提供一种糖尿病患者的随访装置，所述装置包括：
采集模块，用于每隔预设周期采集目标患者的可穿戴设备中的第一体征信息；
构建模块，用于构建用于糖尿病患者随访的深度强化学习模型；
获取模块，用于获取历史患者的第二体征信息和随访策略，根据所述第二体征信息和随访策略对所述深度强化学习模型进行训练，得到训练好的深度强化学习模型；
输入模块，用于将所述第一体征信息输入所述训练好的深度强化学习模型中，得到所述目标患者的随访频率和随访方式；
执行模块，用于根据所述目标患者的随访频率和随访方式对所述目标患者执行当次随访。
本发明的第三方面提供一种电子设备，所述电子设备包括处理器和存储器，所述处理器用于执行所述存储器中存储的计算机程序时实现所述的糖尿病患者的随访方法。
本发明的第四方面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计算机程序，所述计算机程序被处理器执行时实现所述的糖尿病患者的随访方法。
综上所述，本发明所述的糖尿病患者的随访方法、装置、电子设备及存储介质，一方面，根据所述目标患者的随访频率和随访方式对所述目标患者执行当次随访，由于糖尿病患者的病情复杂多变，需要根据所述目标患者的多个随访记录和多个第一体征信息确定当次随访的随访策略，并基于当次随访的随访策略执行所述当次随访，具有针对性的随访，提高了随访质量，进而提高了随访结果的准确性；另一方面，每隔预设周期采集目标患者的可穿戴设备中的第一体征信息，相比于现有的电话随访方式，不能够及时且完整收集到患者的体征信息，本案通过每隔预设周期采集所述目标患者的第一体征信息，确保所述目标患者的随访信息的完整性；最后，将所述第一体征信息输入所述训练好的深度强化学习模型中，得到所述目标患者的随访频率和随访方式，通过深度强化学习的方式得到随访频率和随访方式，而不是人为的确定随访频率和随访方式，提高了确定随访频率和随访方式的准确率和效率。
附图说明
图1是本发明实施例一提供的糖尿病患者的随访方法的流程图。
图2是本发明实施例二提供的糖尿病患者的随访装置的结构图。
图3是本发明实施例三提供的电子设备的结构示意图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施例对本发明进行详细描述。需要说明的是，在不冲突的情况下，本发明的实施例及实施例中的特征可以相互组合。
除非另有定义，本文所使用的多个的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。
实施例一
图1是本发明实施例一提供的糖尿病患者的随访方法的流程图。
在本实施例中，所述糖尿病患者的随访方法可以应用于电子设备中，对于需要进行糖尿病患者的随访的电子设备，可以直接在电子设备上集成本发明的方法所提供的糖尿病患者的随访的功能，或者以软件开发工具包(SoftwareDevelopment Kit，SDK)的形式运行在电子设备中。
如图1所示，所述糖尿病患者的随访方法具体包括以下步骤，根据不同的需求，该流程图中步骤的顺序可以改变，某些可以省略。
S11，每隔预设周期采集目标患者的可穿戴设备中的第一体征信息。
本实施例中，可以预先设置第一体征信息的上报周期，具体地，所述预设周期可以针对糖尿病患者的患病等级进行设置，若患病等级为III级，所述预设周期可以设置为M小时；若患病等级为II级，所述预设的时间段可以设置为N小时，其中，III级高于II级，M<N，即患病等级越高，设置的预设的时间段越短。
本实施例中，医护人员在对糖尿病患者进行随访时，每隔预设周期获取对应糖尿病患者佩戴的可穿戴设备中的第一体征信息，具体点，所述可穿戴设备可以为智能手表、智能手环等可以监测患者的体征信息的其他智能设备。
在一个可选的实施例中，所述每隔预设周期采集目标患者的可穿戴设备中的第一体征信息包括：
识别所述第一体征信息中可穿戴设备的第一标识码及所述目标患者的患者信息；
根据所述目标患者的患者信息确定对应的登记信息中的第二标识码；
判断所述第一标识码与所述第二标识码是否匹配；
当所述第一标识码与所述第二标识码相匹配时，采集所述目标患者的第一体征信息，并发送至所述目标患者的体征信息对应的存储位置。
本实施例中，所述第一识别码为采集第一体征信息对应的可穿戴设备的标识码，所述第二标识码为所述目标患者登记时使用的可穿戴设备的标识码。
进一步地，所述方法还包括：
当所述第一标识码与所述第二标识码不匹配时，向所述目标患者的可穿戴设备发送身份核实指令；
接收所述可穿戴设备响应于所述身份核实指令上报的身份核实信息，并验证所述身份核实信息；
当所述身份核实信息通过验证时，采集所述目标患者的第一体征信息，并发送至所述目标患者对应的体征信息存储位置；或者
当所述身份核实信息未通过验证时，按照预设的通知方式通知所述目标患者定时上报第一体征信息。
在一个可选的实施例中，所述第一体征信息包括以下一种或者多种组合：
目标患者的运动信息、睡眠信息、心率信息、血糖信息及脉搏血氧饱和度。
本实施例中，每隔预设周期采集目标患者的可穿戴设备中的第一体征信息，提高了目标患者的第一体征信息采集的及时性。本实施例在进行目标患者的第一体征信息采集之前，验证第一体征信息中的可穿戴设备的第一标识码与所述目标患者登记信息中的第二标识码是否匹配，当所述第一标识码与所述第二标识码匹配时，确定采集第一体征信息的可穿戴设备当前被所述目标患者佩戴，采集的第一体征信息为所述目标患者的第一体征信息，确保了采集的目标患者的第一体征信息的安全性。
本实施例中，当所述第一标识码与所述第二标识码不匹配时，确定所述目标患者可能更换了可穿戴设备或者可穿戴设备被他人所佩戴，需要进一步进行身份核实验证，具体地，所述身份核实验证可以包括密码验证、人脸识别验证、手势识别验证等，进一步确保了采集的目标患者的第一体征信息的安全性。
S12，构建用于糖尿病患者随访的深度强化学习模型。
具体地，所述深度强化学习模型的构建过程如下：
定义状态(State)、行为(Action)、回馈(Reward)和策略(strategy)，其中，所述状态定义为：描述患者信息的一个向量，包括：患者的性别，年龄，BMI等患者画像数据以及患者的血糖值，用药等相关数据；行为定义为：对所述患者的随访频率以及随访方式；回馈定义为：根据患者对随访的响应来计算，患者是否响应随访，回答多个问题将被奖励或者惩罚；策略定义为：最优的随访频率和随访方式；
建立患者信息、随访频率和随访方式作为仿真环境；
以所述糖尿病患者的最优随访策略为目标随访策略；
建立深度强化学习模型，所述深度强化学习模型通过患者状态，决策出最优的随访频率及随访方式。
本实施例中，所述策略用以表征患者在面对不同的状态(State)时选择行为(Action)的动作过程，一般用π表示，包括随访频率和随访方式，所述策略就是最终得到的最优的随访频率和随访方式。
S13，获取历史患者的第二体征信息和随访策略，根据所述第二体征信息和随访策略对所述深度强化学习模型进行训练，得到训练好的深度强化学习模型。
本实施例中，将历史患者的第二体征信息和随访策略转换为深度强化学习模型的状态(State)、行为(Action)、回馈(Reward)和策略(strategy)，对深度强化学习模型采用离线的方式进行训练，得到训练好的深度强化学习模型。
S14，将所述第一体征信息输入所述训练好的深度强化学习模型中，得到所述目标患者的随访频率和随访方式。
本实施例中，将所述深度强化学习模型训练好之后，将所述第一体征信息输入所述训练好的深度强化学习模型中，所述深度强化学习模型根据训练得到的策略，对输入的所述第一体征信息选择对应的动作，得到所述目标患者的随访频率和随访方式。
本实施例中，通过深度强化学习的方式得到随访频率和随访方式，而不是人为的确定随访频率和随访方式，提高了确定随访频率和随访方式的准确率和效率。
S15，根据所述目标患者的随访频率和随访方式对所述目标患者执行当次随访。
本实施例中，在确定了目标患者的随访频率和随访方式之后，按照所述随访频率和随访方式对所述目标患者执行随访。
在一个可选的实施例中，所述根据所述目标患者的随访频率和随访方式对所述目标患者执行当次随访包括：
获取所述目标患者的历史随访记录及所述目标患者的多个第一体征信息；
从预设的随访策略库中确定出与所述目标患者的随访频率、随访方式、历史随访记录及多个第一体征信息相匹配的当次随访的随访策略；
根据所述当次随访的随访策略执行所述当次随访，并返回所述当次随访的随访记录。
本实施例中，由于糖尿病患者的病情复杂多变，可以根据历史患者的随访频率、随访方式、历史随访记录及多个第一体征信息预先设置随访策略库，所述预设的随访策略库中包含有多个随访策略，本实施例可以根据所述目标患者的多个随访记录和多个第一体征信息从所述预设的随访策略库中匹配出当次随访的随访策略，并基于当次随访的随访策略执行所述当次随访，具有针对性的随访，提高了随访质量，相比于现有的电话随访方式，不能够及时且完整收集到患者的体征信息，本案通过每隔预设周期采集所述目标患者的第一体征信息，确保所述目标患者的随访信息的完整性，并根据所述目标患者的第一体征信息及多个随访记录制定随访策略，确保随访策略的准确性，并基于所述随访策略执行随访，进而提高了随访结果的准确性。
进一步地，所述根据所述当次随访的随访策略执行所述当次随访包括：
根据所述当次随访的随访策略确定当次随访的第一会话节点，并从所述第一会话节点的第一问题开始问询；
当接收到所述第一问题的第一目标答案时，根据所述第一目标答案确定当次随访的第二会话节点，从所述第二会话节点的第二问题开始问询，并接收到所述第二问题的第二目标答案，重复上述过程直至完成所述当次随访。
进一步地，所述根据所述第一目标答案确定当次随访的第二会话节点包括：
获取所述当次随访的随访策略中的第一问题的待识别目标答案对应的患者意图；
将所述待识别目标答案输入至预设的意图识别模型中进行识别，得到多个意图识别层输出的多个意图识别结果；
确定每个所述意图识别层输出的所述意图识别结果，并计算每个所述意图识别层输出的所述意图识别结果与所述待识别目标答案对应的患者意图之间的相似度；
将相似度最高的意图识别层确定为所述第一问题的待识别目标答案对应的目标意图识别层；
将所述第一问题的第一目标答案输入至所述预设的意图识别模型中，接收所述预设的意图识别模型中的所述目标意图识别层输出的目标意图识别结果，并根据所述目标意图识别结果确定所述目标患者的目标患者意图；
判断所述当次随访的随访策略中是否存在所述目标患者意图；
当所述当次随访的随访策略中存在所述目标患者意图时，从所述当次随访的随访策略中确定出与所述目标患者的目标患者意图相匹配的第二会话节点。
本实施例中，所述第一问题的待识别目标答案用以表征所述第一问题对应的目标答案，其中，所述待识别答案可以为一个或者多个。具体地，可以采用余弦相似度、皮尔森相关系数、Jaccard相似系数等算法计算每个所述意图识别层输出的所述意图识别结果与所述待识别目标答案对应的患者意图之间的相似度，本实施例在此不做限制。
进一步地，所述方法还包括：
当所述当次随访的随访策略中不存在所述目标患者意图时，识别所述随访策略对应的医生，并将所述第一目标答案、所述随访策略、所述目标患者的多个随访记录和多个第一体征信息发送至所述医生；
接收所述医生上报的更新数据，基于所述更新数据更新所述随访策略，并根据更新后的随访策略继续执行所述当次随访。
本实施例中，在确定了目标患者的随访频率之后，按照随访频率对所述目标患者执行随访，针对不同次随访制定不同的随访策略，例如，根据当次随访策略执行当次随访，并且当次随访可以通过与所述目标患者进行智能语音问答会话方式完成，无需医护人员投入大量的人力，节省了随访成本，提高了随访效率。此外，目标患者可以在随访期间提出问题，并与医护人员进行语音交互，提高了随访质量。
综上所述，本实施例所述的一种糖尿病患者的随访方法，一方面，根据所述目标患者的随访频率和随访方式对所述目标患者执行当次随访，由于糖尿病患者的病情复杂多变，需要根据所述目标患者的多个随访记录和多个第一体征信息确定当次随访的随访策略，并基于当次随访的随访策略执行所述当次随访，具有针对性的随访，提高了随访质量，进而提高了随访结果的准确性；另一方面，每隔预设周期采集目标患者的可穿戴设备中的第一体征信息，相比于现有的电话随访方式，不能够及时且完整收集到患者的体征信息，本案通过每隔预设周期采集所述目标患者的第一体征信息，确保所述目标患者的随访信息的完整性；最后，将所述第一体征信息输入所述训练好的深度强化学习模型中，得到所述目标患者的随访频率和随访方式，通过深度强化学习的方式得到随访频率和随访方式，而不是人为的确定随访频率和随访方式，提高了确定随访频率和随访方式的准确率和效率。
实施例二
图2是本发明实施例二提供的糖尿病患者的随访装置的结构图。
在一些实施例中，所述糖尿病患者的随访装置20可以包括多个由程序代码段所组成的功能模块。所述糖尿病患者的随访装置20中的各个程序段的程序代码可以存储于电子设备的存储器中，并由所述至少一个处理器所执行，以执行(详见图1描述)糖尿病患者的随访的功能。
本实施例中，所述糖尿病患者的随访装置20根据其所执行的功能，可以被划分为多个功能模块。所述功能模块可以包括：采集模块201、构建模块202、获取模块203、输入模块204、执行模块205、识别模块206及更新模块207。本发明所称的模块是指一种能够被至少一个处理器所执行并且能够完成固定功能的一系列计算机程序段，其存储在存储器中。在本实施例中，关于各模块的功能将在后续的实施例中详述。
采集模块201，用于每隔预设周期采集目标患者的可穿戴设备中的第一体征信息。
本实施例中，可以预先设置第一体征信息的上报周期，具体地，所述预设周期可以针对糖尿病患者的患病等级进行设置，若患病等级为III级，所述预设周期可以设置为M小时；若患病等级为II级，所述预设的时间段可以设置为N小时，其中，III级高于II级，M<N，即患病等级越高，设置的预设的时间段越短。
本实施例中，医护人员在对糖尿病患者进行随访时，每隔预设周期获取对应糖尿病患者佩戴的可穿戴设备中的第一体征信息，具体点，所述可穿戴设备可以为智能手表、智能手环等可以监测患者的体征信息的其他智能设备。
在一个可选的实施例中，所述采集模块201每隔预设周期采集目标患者的可穿戴设备中的第一体征信息包括：
识别所述第一体征信息中可穿戴设备的第一标识码及所述目标患者的患者信息；
根据所述目标患者的患者信息确定对应的登记信息中的第二标识码；
判断所述第一标识码与所述第二标识码是否匹配；
当所述第一标识码与所述第二标识码相匹配时，采集所述目标患者的第一体征信息，并发送至所述目标患者的体征信息对应的存储位置。
本实施例中，所述第一识别码为采集第一体征信息对应的可穿戴设备的标识码，所述第二标识码为所述目标患者登记时使用的可穿戴设备的标识码。
进一步地，当所述第一标识码与所述第二标识码不匹配时，向所述目标患者的可穿戴设备发送身份核实指令；接收所述可穿戴设备响应于所述身份核实指令上报的身份核实信息，并验证所述身份核实信息；当所述身份核实信息通过验证时，采集所述目标患者的第一体征信息，并发送至所述目标患者对应的体征信息存储位置；或者，当所述身份核实信息未通过验证时，按照预设的通知方式通知所述目标患者定时上报第一体征信息。
在一个可选的实施例中，所述第一体征信息包括以下一种或者多种组合：
目标患者的运动信息、睡眠信息、心率信息、血糖信息及脉搏血氧饱和度。
本实施例中，每隔预设周期采集目标患者的可穿戴设备中的第一体征信息，提高了目标患者的第一体征信息采集的及时性。本实施例在进行目标患者的第一体征信息采集之前，验证第一体征信息中的可穿戴设备的第一标识码与所述目标患者登记信息中的第二标识码是否匹配，当所述第一标识码与所述第二标识码匹配时，确定采集第一体征信息的可穿戴设备当前被所述目标患者佩戴，采集的第一体征信息为所述目标患者的第一体征信息，确保了采集的目标患者的第一体征信息的安全性。
本实施例中，当所述第一标识码与所述第二标识码不匹配时，确定所述目标患者可能更换了可穿戴设备或者可穿戴设备被他人所佩戴，需要进一步进行身份核实验证，具体地，所述身份核实验证可以包括密码验证、人脸识别验证、手势识别验证等，进一步确保了采集的目标患者的第一体征信息的安全性。
构建模块202，用于构建用于糖尿病患者随访的深度强化学习模型。
具体地，所述深度强化学习模型的构建过程如下：
定义状态(State)、行为(Action)、回馈(Reward)和策略(strategy)，其中，所述状态定义为：描述患者信息的一个向量，包括：患者的性别，年龄，BMI等患者画像数据以及患者的血糖值，用药等相关数据；行为定义为：对所述患者的随访频率以及随访方式；回馈定义为：根据患者对随访的响应来计算，患者是否响应随访，回答多个问题将被奖励或者惩罚；策略定义为：最优的随访频率和随访方式；
建立患者信息、随访频率和随访方式作为仿真环境；
以所述糖尿病患者的最优随访策略为目标随访策略；
建立深度强化学习模型，所述深度强化学习模型通过患者状态，决策出最优的随访频率及随访方式。
本实施例中，所述策略用以表征患者在面对不同的状态(State)时选择行为(Action)的动作过程，一般用π表示，包括随访频率和随访方式，所述策略就是最终得到的最优的随访频率和随访方式。
获取模块203，用于获取历史患者的第二体征信息和随访策略，根据所述第二体征信息和随访策略对所述深度强化学习模型进行训练，得到训练好的深度强化学习模型。
本实施例中，将历史患者的第二体征信息和随访策略转换为深度强化学习模型的状态(State)、行为(Action)、回馈(Reward)和策略(strategy)，对深度强化学习模型采用离线的方式进行训练，得到训练好的深度强化学习模型。
输入模块204，用于将所述第一体征信息输入所述训练好的深度强化学习模型中，得到所述目标患者的随访频率和随访方式。
本实施例中，将所述深度强化学习模型训练好之后，将所述第一体征信息输入所述训练好的深度强化学习模型中，所述深度强化学习模型根据训练得到的策略，对输入的所述第一体征信息选择对应的动作，得到所述目标患者的随访频率和随访方式。
本实施例中，通过深度强化学习的方式得到随访频率和随访方式，而不是人为的确定随访频率和随访方式，提高了确定随访频率和随访方式的准确率和效率。
执行模块205，用于根据所述目标患者的随访频率和随访方式对所述目标患者执行当次随访。
本实施例中，在确定了目标患者的随访频率和随访方式之后，按照所述随访频率和随访方式对所述目标患者执行随访。
在一个可选的实施例中，所述执行模块205根据所述目标患者的随访频率和随访方式对所述目标患者执行当次随访包括：
获取所述目标患者的历史随访记录及所述目标患者的多个第一体征信息；
从预设的随访策略库中确定出与所述目标患者的随访频率、随访方式、历史随访记录及多个第一体征信息相匹配的当次随访的随访策略；
根据所述当次随访的随访策略执行所述当次随访，并返回所述当次随访的随访记录。
本实施例中，由于糖尿病患者的病情复杂多变，可以根据历史患者的随访频率、随访方式、历史随访记录及多个第一体征信息预先设置随访策略库，所述预设的随访策略库中包含有多个随访策略，本实施例可以根据所述目标患者的多个随访记录和多个第一体征信息从所述预设的随访策略库中匹配出当次随访的随访策略，并基于当次随访的随访策略执行所述当次随访，具有针对性的随访，提高了随访质量，相比于现有的电话随访方式，不能够及时且完整收集到患者的体征信息，本案通过每隔预设周期采集所述目标患者的第一体征信息，确保所述目标患者的随访信息的完整性，并根据所述目标患者的第一体征信息及多个随访记录制定随访策略，确保随访策略的准确性，并基于所述随访策略执行随访，进而提高了随访结果的准确性。
进一步地，所述根据所述当次随访的随访策略执行所述当次随访包括：
根据所述当次随访的随访策略确定当次随访的第一会话节点，并从所述第一会话节点的第一问题开始问询；
当接收到所述第一问题的第一目标答案时，根据所述第一目标答案确定当次随访的第二会话节点，从所述第二会话节点的第二问题开始问询，并接收到所述第二问题的第二目标答案，重复上述过程直至完成所述当次随访。
进一步地，所述根据所述第一目标答案确定当次随访的第二会话节点包括：
获取所述当次随访的随访策略中的第一问题的待识别目标答案对应的患者意图；
将所述待识别目标答案输入至预设的意图识别模型中进行识别，得到多个意图识别层输出的多个意图识别结果；
确定每个所述意图识别层输出的所述意图识别结果，并计算每个所述意图识别层输出的所述意图识别结果与所述待识别目标答案对应的患者意图之间的相似度；
将相似度最高的意图识别层确定为所述第一问题的待识别目标答案对应的目标意图识别层；
将所述第一问题的第一目标答案输入至所述预设的意图识别模型中，接收所述预设的意图识别模型中的所述目标意图识别层输出的目标意图识别结果，并根据所述目标意图识别结果确定所述目标患者的目标患者意图；
判断所述当次随访的随访策略中是否存在所述目标患者意图；
当所述当次随访的随访策略中存在所述目标患者意图时，从所述当次随访的随访策略中确定出与所述目标患者的目标患者意图相匹配的第二会话节点。
本实施例中，所述第一问题的待识别目标答案用以表征所述第一问题对应的目标答案，其中，所述待识别答案可以为一个或者多个。具体地，可以采用余弦相似度、皮尔森相关系数、Jaccard相似系数等算法计算每个所述意图识别层输出的所述意图识别结果与所述待识别目标答案对应的患者意图之间的相似度，本实施例在此不做限制。
进一步地，识别模块206，用于当所述当次随访的随访策略中不存在所述目标患者意图时，识别所述随访策略对应的医生，并将所述第一目标答案、所述随访策略、所述目标患者的多个随访记录和多个第一体征信息发送至所述医生。
更新模块207，用于接收所述医生上报的更新数据，基于所述更新数据更新所述随访策略，并根据更新后的随访策略继续执行所述当次随访。
本实施例中，在确定了目标患者的随访频率之后，按照随访频率对所述目标患者执行随访，针对不同次随访制定不同的随访策略，例如，根据当次随访策略执行当次随访，并且当次随访可以通过与所述目标患者进行智能语音问答会话方式完成，无需医护人员投入大量的人力，节省了随访成本，提高了随访效率。此外，目标患者可以在随访期间提出问题，并与医护人员进行语音交互，提高了随访质量。
综上所述，本实施例所述的一种糖尿病患者的随访装置，一方面，根据所述目标患者的随访频率和随访方式对所述目标患者执行当次随访，由于糖尿病患者的病情复杂多变，需要根据所述目标患者的多个随访记录和多个第一体征信息确定当次随访的随访策略，并基于当次随访的随访策略执行所述当次随访，具有针对性的随访，提高了随访质量，进而提高了随访结果的准确性；另一方面，每隔预设周期采集目标患者的可穿戴设备中的第一体征信息，相比于现有的电话随访方式，不能够及时且完整收集到患者的体征信息，本案通过每隔预设周期采集所述目标患者的第一体征信息，确保所述目标患者的随访信息的完整性；最后，将所述第一体征信息输入所述训练好的深度强化学习模型中，得到所述目标患者的随访频率和随访方式，通过深度强化学习的方式得到随访频率和随访方式，而不是人为的确定随访频率和随访方式，提高了确定随访频率和随访方式的准确率和效率。
实施例三
参阅图3所示，为本发明实施例三提供的电子设备的结构示意图。在本发明较佳实施例中，所述电子设备3包括存储器31、至少一个处理器32、至少一条通信总线33及收发器34。
本领域技术人员应该了解，图3示出的电子设备的结构并不构成本发明实施例的限定，既可以是总线型结构，也可以是星形结构，所述电子设备3还可以包括比图示更多或更少的其他硬件或者软件，或者不同的部件布置。
在一些实施例中，所述电子设备3是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的电子设备，其硬件包括但不限于微处理器、专用集成电路、可编程门阵列、数字处理器及嵌入式设备等。所述电子设备3还可包括客户设备，所述客户设备包括但不限于任何一种可与客户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互的电子产品，例如，个人计算机、平板电脑、智能手机、数码相机等。
需要说明的是，所述电子设备3仅为举例，其他现有的或今后可能出现的电子产品如可适应于本发明，也应包含在本发明的保护范围以内，并以引用方式包含于此。
在一些实施例中，所述存储器31用于存储程序代码和各种数据，例如安装在所述电子设备3中的糖尿病患者的随访装置20，并在电子设备3的运行过程中实现高速、自动地完成程序或数据的存取。所述存储器31包括只读存储器(Read-Only Memory，ROM)、可编程只读存储器(Programmable Read-OnlyMemory，PROM)、可擦除可编程只读存储器(ErasableProgrammable Read-OnlyMemory，EPROM)、一次可编程只读存储器(One-timeProgrammable Read-OnlyMemory，OTPROM)、电子擦除式可复写只读存储器(Electrically-ErasableProgrammable Read-Only Memory，EEPROM)、只读光盘(Compact DiscRead-OnlyMemory，CD-ROM)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。
在一些实施例中，所述至少一个处理器32可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述至少一个处理器32是所述电子设备3的控制核心(Control Unit)，利用各种接口和线路连接整个电子设备3的各个部件，通过运行或执行存储在所述存储器31内的程序或者模块，以及调用存储在所述存储器31内的数据，以执行电子设备3的各种功能和处理数据。
在一些实施例中，所述至少一条通信总线33被设置为实现所述存储器31以及所述至少一个处理器32等之间的连接通信。
尽管未示出，所述电子设备3还可以包括给各个部件供电的电源(比如电池)，可选的，电源可以通过电源管理装置与所述至少一个处理器32逻辑相连，从而通过电源管理装置实现管理充电、放电、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备3还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
上述以软件功能模块的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能模块存储在一个存储介质中，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，电子设备，或者网络设备等)或处理器(processor)执行本发明各个实施例所述方法的部分。
在进一步的实施例中，结合图2，所述至少一个处理器32可执行所述电子设备3的操作装置以及安装的各类应用程序(如所述的糖尿病患者的随访装置20)、程序代码等，例如，上述的各个模块。
所述存储器31中存储有程序代码，且所述至少一个处理器32可调用所述存储器31中存储的程序代码以执行相关的功能。例如，图2中所述的各个模块是存储在所述存储器31中的程序代码，并由所述至少一个处理器32所执行，从而实现所述各个模块的功能以达到糖尿病患者的随访的目的。
在本发明的一个实施例中，所述存储器31存储多个指令，所述多个指令被所述至少一个处理器32所执行以实现糖尿病患者的随访的功能。
具体地，所述至少一个处理器32对上述指令的具体实现方法可参考图1对应实施例中相关步骤的描述，在此不赘述。
在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，既可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，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单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的多个变化涵括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外，显然“包括”一词不排除其他单元或，单数不排除复数。本发明中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一，第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种糖尿病患者的随访方法，其特征在于，所述方法包括：
每隔预设周期采集目标患者的可穿戴设备中的第一体征信息；
构建用于糖尿病患者随访的深度强化学习模型；
获取历史患者的第二体征信息和随访策略，根据所述第二体征信息和随访策略对所述深度强化学习模型进行训练，得到训练好的深度强化学习模型；
将所述第一体征信息输入所述训练好的深度强化学习模型中，得到所述目标患者的随访频率和随访方式；
根据所述目标患者的随访频率和随访方式对所述目标患者执行当次随访。
2.如权利要求1所述的糖尿病患者的随访方法，其特征在于，所述根据所述目标患者的随访频率和随访方式对所述目标患者执行当次随访包括：
获取所述目标患者的历史随访记录及所述目标患者的多个第一体征信息；
从预设的随访策略库中确定出与所述目标患者的随访频率、随访方式、历史随访记录及多个第一体征信息相匹配的当次随访的随访策略；
根据所述当次随访的随访策略执行所述当次随访，并返回所述当次随访的随访记录。
3.如权利要求2所述的糖尿病患者的随访方法，其特征在于，所述根据所述当次随访的随访策略执行所述当次随访包括：
根据所述当次随访的随访策略确定当次随访的第一会话节点，并从所述第一会话节点的第一问题开始问询；
当接收到所述第一问题的第一目标答案时，根据所述第一目标答案确定当次随访的第二会话节点，从所述第二会话节点的第二问题开始问询，并接收到所述第二问题的第二目标答案，重复上述过程直至完成所述当次随访。
4.如权利要求3所述的糖尿病患者的随访方法，其特征在于，所述根据所述第一目标答案确定当次随访的第二会话节点包括：
获取所述当次随访的随访策略中的第一问题的待识别目标答案对应的患者意图；
将所述待识别目标答案输入至预设的意图识别模型中进行识别，得到多个意图识别层输出的多个意图识别结果；
确定每个所述意图识别层输出的所述意图识别结果，并计算每个所述意图识别层输出的所述意图识别结果与所述待识别目标答案对应的患者意图之间的相似度；
将相似度最高的意图识别层确定为所述第一问题的待识别目标答案对应的目标意图识别层；
将所述第一问题的第一目标答案输入至所述预设的意图识别模型中，接收所述预设的意图识别模型中的所述目标意图识别层输出的目标意图识别结果，并根据所述目标意图识别结果确定所述目标患者的目标患者意图；
判断所述当次随访的随访策略中是否存在所述目标患者意图；
当所述当次随访的随访策略中存在所述目标患者意图时，从所述当次随访的随访策略中确定出与所述目标患者的目标患者意图相匹配的第二会话节点。
5.如权利要求4所述的糖尿病患者的随访方法，其特征在于，所述方法还包括：
当所述当次随访的随访策略中不存在所述目标患者意图时，识别所述随访策略对应的医生，并将所述第一目标答案、所述随访策略、所述目标患者的多个随访记录和多个第一体征信息发送至所述医生；
接收所述医生上报的更新数据，基于所述更新数据更新所述随访策略，并根据更新后的随访策略继续执行所述当次随访。
6.如权利要求1所述的糖尿病患者的随访方法，其特征在于，所述第一体征信息包括以下一种或者多种组合：
目标患者的运动信息、睡眠信息、心率信息、血糖信息及脉搏血氧饱和度。
7.如权利要求1所述的糖尿病患者的随访方法，其特征在于，所述每隔预设周期采集目标患者的可穿戴设备中的第一体征信息包括：
识别所述第一体征信息中可穿戴设备的第一标识码及所述目标患者的患者信息；
根据所述目标患者的患者信息确定对应的登记信息中的第二标识码；
判断所述第一标识码与所述第二标识码是否匹配；
当所述第一标识码与所述第二标识码相匹配时，采集所述目标患者的第一体征信息，并发送至所述目标患者的体征信息对应的存储位置。
8.一种糖尿病患者的随访装置，其特征在于，所述装置包括：
采集模块，用于每隔预设周期采集目标患者的可穿戴设备中的第一体征信息；
构建模块，用于构建用于糖尿病患者随访的深度强化学习模型；
获取模块，用于获取历史患者的第二体征信息和随访策略，根据所述第二体征信息和随访策略对所述深度强化学习模型进行训练，得到训练好的深度强化学习模型；
输入模块，用于将所述第一体征信息输入所述训练好的深度强化学习模型中，得到所述目标患者的随访频率和随访方式；
执行模块，用于根据所述目标患者的随访频率和随访方式对所述目标患者执行当次随访。
9.一种电子设备，其特征在于，所述电子设备包括处理器和存储器，所述处理器用于执行所述存储器中存储的计算机程序时实现如权利要求1至7中任意一项所述的糖尿病患者的随访方法。
10.一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计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7中任意一项所述的糖尿病患者的随访方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110594936.1A CN113284632A (zh) | 2021-05-28 | 2021-05-28 | 糖尿病患者的随访方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110594936.1A CN113284632A (zh) | 2021-05-28 | 2021-05-28 | 糖尿病患者的随访方法、装置、电子设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113284632A true CN113284632A (zh) | 2021-08-20 |
Family
ID=77282620
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110594936.1A Pending CN113284632A (zh) | 2021-05-28 | 2021-05-28 | 糖尿病患者的随访方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113284632A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113724809A (zh) * | 2021-08-31 | 2021-11-30 | 平安国际智慧城市科技股份有限公司 | 随访控制方法及装置、电子设备、计算机可读存储介质 |
| CN113724824A (zh) * | 2021-08-31 | 2021-11-30 | 平安科技（深圳）有限公司 | 慢性病患者随访方法、装置、计算机设备及可读存储介质 |
| CN116564456A (zh) * | 2023-04-26 | 2023-08-08 | 北京欧应科技有限公司 | 用于随访数据采集的方法、计算设备和存储介质 |
| CN117409984A (zh) * | 2023-09-21 | 2024-01-16 | 山东第一医科大学附属省立医院 | 一种糖尿病随访管理系统、装置、电子设备和存储介质 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112183051A (zh) * | 2020-09-02 | 2021-01-05 | 北京源和汇升科技中心(有限合伙) | 智能语音随访方法、系统、计算机设备、存储介质及程序产品 |
| CN112489747A (zh) * | 2020-12-14 | 2021-03-12 | 平安国际智慧城市科技股份有限公司 | 基于分析模型的慢性病患者监管方法、装置、设备及介质 |
-
2021
- 2021-05-28 CN CN202110594936.1A patent/CN113284632A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112183051A (zh) * | 2020-09-02 | 2021-01-05 | 北京源和汇升科技中心(有限合伙) | 智能语音随访方法、系统、计算机设备、存储介质及程序产品 |
| CN112489747A (zh) * | 2020-12-14 | 2021-03-12 | 平安国际智慧城市科技股份有限公司 | 基于分析模型的慢性病患者监管方法、装置、设备及介质 |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113724809A (zh) * | 2021-08-31 | 2021-11-30 | 平安国际智慧城市科技股份有限公司 | 随访控制方法及装置、电子设备、计算机可读存储介质 |
| CN113724824A (zh) * | 2021-08-31 | 2021-11-30 | 平安科技（深圳）有限公司 | 慢性病患者随访方法、装置、计算机设备及可读存储介质 |
| CN113724809B (zh) * | 2021-08-31 | 2023-11-24 | 深圳平安智慧医健科技有限公司 | 随访控制方法及装置、电子设备、计算机可读存储介质 |
| CN113724824B (zh) * | 2021-08-31 | 2024-03-08 | 平安科技（深圳）有限公司 | 慢性病患者随访方法、装置、计算机设备及可读存储介质 |
| CN116564456A (zh) * | 2023-04-26 | 2023-08-08 | 北京欧应科技有限公司 | 用于随访数据采集的方法、计算设备和存储介质 |
| CN116564456B (zh) * | 2023-04-26 | 2024-04-30 | 北京欧应科技有限公司 | 用于随访数据采集的方法、计算设备和存储介质 |
| CN117409984A (zh) * | 2023-09-21 | 2024-01-16 | 山东第一医科大学附属省立医院 | 一种糖尿病随访管理系统、装置、电子设备和存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP6881687B2 (ja) | ユーザの精神／感情状態をモデリングする方法およびシステム | |
| CN113284632A (zh) | 糖尿病患者的随访方法、装置、电子设备及存储介质 | |
| 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 | |
| US20180301221A1 (en) | Adverse Event Prediction and Detection Using Wearable Sensors and Adaptive Health Score Analytics | |
| Shahriyar et al. | Intelligent mobile health monitoring system (IMHMS) | |
| CN113438920A (zh) | 间歇性监测 | |
| CN103823957B (zh) | 用于管理基于性能的睡眠患者护理规程的方法和系统 | |
| CN111128333A (zh) | 一种一站式智能诊断与智能就医管理系统 | |
| US20170329905A1 (en) | Life-Long Physiology Model for the Holistic Management of Health of Individuals | |
| JP2015529359A (ja) | 挙動及び健康変化をモデリングする方法 | |
| JP2010194334A (ja) | インプラント型医療装置向け通信用リピータ装置 | |
| US9510791B2 (en) | Diagnostic efficiency | |
| CN112216361A (zh) | 基于人工智能的随访计划单生成方法、装置、终端及介质 | |
| CN112614578A (zh) | 医生智能推荐方法、装置、电子设备及存储介质 | |
| Rahman et al. | Internet of things (IoT) based ECG system for rural health care | |
| US20230053474A1 (en) | Medical care system for assisting multi-diseases decision-making and real-time information feedback with artificial intelligence technology | |
| EP3016061A1 (en) | Discovery of incentive effectiveness | |
| CN114334175B (zh) | 医院疫情监测方法、装置、计算机设备及存储介质 | |
| CN113689942B (zh) | 产检监测方法、装置及相关设备 | |
| CN116913446A (zh) | 康复锻炼集中管理和学习系统 | |
| Rodrigues et al. | Monitoring intelligent system for the Intensive Care Unit using RFID and multi-agent systems | |
| EP4113535A1 (en) | Remote monitoring methods and systems for monitoring patients suffering from chronical inflammatory diseases | |
| US11348695B2 (en) | Machine logic for recommending specialized first aid services | |
| US7877341B2 (en) | Self-adaptive data pre-fetch by artificial neuron network | |
| CN116936071A (zh) | 预诊系统 |
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 | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20220923 Address after: Room 2601 (Unit 07), Qianhai Free Trade Building, No. 3048, Xinghai Avenue, Nanshan Street, Qianhai Shenzhen-Hong Kong Cooperation Zone, Shenzhen, Guangdong 518000 Applicant after: Shenzhen Ping An Smart Healthcare Technology Co.,Ltd. Address before: 1-34 / F, Qianhai free trade building, 3048 Xinghai Avenue, Mawan, Qianhai Shenzhen Hong Kong cooperation zone, Shenzhen, Guangdong 518000 Applicant before: Ping An International Smart City Technology Co.,Ltd. |
|
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210820 |