CN113314201A - 一种神经内科临床护理安全隐患分析方法及系统 - Google Patents
一种神经内科临床护理安全隐患分析方法及系统 Download PDFInfo
- Publication number
- CN113314201A CN113314201A CN202110670916.8A CN202110670916A CN113314201A CN 113314201 A CN113314201 A CN 113314201A CN 202110670916 A CN202110670916 A CN 202110670916A CN 113314201 A CN113314201 A CN 113314201A
- Authority
- CN
- China
- Prior art keywords
- user
- obtaining
- potential safety
- disease
- information
- 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
- 230000000474 nursing effect Effects 0.000 title claims abstract description 78
- 238000004458 analytical method Methods 0.000 title claims abstract description 46
- 201000010099 disease Diseases 0.000 claims abstract description 197
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 197
- 230000001575 pathological effect Effects 0.000 claims abstract description 139
- 238000000034 method Methods 0.000 claims abstract description 46
- 230000006996 mental state Effects 0.000 claims abstract description 37
- 238000003066 decision tree Methods 0.000 claims abstract description 32
- 238000003745 diagnosis Methods 0.000 claims abstract description 28
- 238000012545 processing Methods 0.000 claims abstract description 17
- 238000012847 principal component analysis method Methods 0.000 claims abstract description 16
- 230000007613 environmental effect Effects 0.000 claims description 36
- 230000007170 pathology Effects 0.000 claims description 21
- 230000009467 reduction Effects 0.000 claims description 18
- 238000012549 training Methods 0.000 claims description 15
- 239000011159 matrix material Substances 0.000 claims description 8
- 238000012544 monitoring process Methods 0.000 claims description 7
- 238000000513 principal component analysis Methods 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 239000013598 vector Substances 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 4
- 230000000926 neurological effect Effects 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 2
- 230000037147 athletic performance Effects 0.000 claims 1
- 230000000875 corresponding effect Effects 0.000 description 24
- 230000000694 effects Effects 0.000 description 11
- 239000008280 blood Substances 0.000 description 8
- 210000004369 blood Anatomy 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 206010008111 Cerebral haemorrhage Diseases 0.000 description 6
- 230000014509 gene expression Effects 0.000 description 6
- 238000003062 neural network model Methods 0.000 description 6
- 230000002159 abnormal effect Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000036772 blood pressure Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000002265 prevention Effects 0.000 description 3
- 201000001474 proteinuria Diseases 0.000 description 3
- 206010012289 Dementia Diseases 0.000 description 2
- 201000009906 Meningitis Diseases 0.000 description 2
- 208000019695 Migraine disease Diseases 0.000 description 2
- 208000003926 Myelitis Diseases 0.000 description 2
- 208000032140 Sleepiness Diseases 0.000 description 2
- 206010041349 Somnolence Diseases 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 208000026106 cerebrovascular disease Diseases 0.000 description 2
- 206010014599 encephalitis Diseases 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 206010015037 epilepsy Diseases 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000001815 facial effect Effects 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 206010027599 migraine Diseases 0.000 description 2
- 206010028417 myasthenia gravis Diseases 0.000 description 2
- 231100000862 numbness Toxicity 0.000 description 2
- 238000004393 prognosis Methods 0.000 description 2
- 230000037321 sleepiness Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 206010044652 trigeminal neuralgia Diseases 0.000 description 2
- 208000024827 Alzheimer disease Diseases 0.000 description 1
- 206010003497 Asphyxia Diseases 0.000 description 1
- 208000004044 Hypesthesia Diseases 0.000 description 1
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 206010024264 Lethargy Diseases 0.000 description 1
- 208000012902 Nervous system disease Diseases 0.000 description 1
- 206010038743 Restlessness Diseases 0.000 description 1
- 206010039966 Senile dementia Diseases 0.000 description 1
- 208000020764 Sensation disease Diseases 0.000 description 1
- 230000001154 acute effect Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000003925 brain function Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 208000034783 hypoesthesia Diseases 0.000 description 1
- 238000007917 intracranial administration Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000003923 mental ability Effects 0.000 description 1
- 230000003340 mental effect Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000011112 process operation Methods 0.000 description 1
- 208000023504 respiratory system disease Diseases 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000009423 ventilation Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/70—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to mental therapies, e.g. psychological therapy or autogenous training
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- 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
- 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
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Epidemiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Child & Adolescent Psychology (AREA)
- Developmental Disabilities (AREA)
- Hospice & Palliative Care (AREA)
- Psychiatry (AREA)
- Psychology (AREA)
- Social Psychology (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明提供了一种神经内科临床护理安全隐患分析方法及系统，方法包括：根据主成分分析法从第一用户的病理指标集合中获得第一病理指标和第二病理指标，输入第一疾病确定模型，获得第一用户的诊断疾病信息；根据第一用户到第N用户的诊断疾病信息，构建诊断疾病数据集，获得疾病运动能力特征、精神状态特征、语言能力特征，获得第一根节点特征，结合所述诊断疾病数据集，构建诊断疾病分类决策树；根据诊断疾病分类决策树，获得第一分类结果；获得不同类别的神经内科临床护理安全隐患标准，获得第一用户的神经内科临床护理安全隐患标准，对第一用户的临床护理安全隐患进行分析处理。解决了现有技术中存在分析结果不够全面和效率较低的技术问题。
Description
技术领域
本发明涉及新一代信息技术相关技术领域，具体涉及一种神经内科临床护理安全隐患分析方法及系统。
背景技术
神经内科是关于神经方面的二级学科，主要包括脑血管疾病、偏头痛、脑炎、脑膜炎、脊髓炎、痴呆、三叉神经痛、癫痫、重症肌无力等病症。神经内科相关疾病的治疗与护理十分受重视，其专科护理是临床护理学的重要组成部分，合格的护理质量对保障神经内科病人正常治疗和良好康复有着重要的意义。
在临床护理工作中，护理安全管理是护理管理的重点，在神经内科病房中的患者大多数都是病情重、住院时间长、预后差、致残率高，导致护理中的不安全隐患时常存在，危害到患者的健康。现在主要依靠过往护理经验排除安全隐患，加强护理人员的素质培训，由相关专家分析并防范潜在隐患，规范护理服务行为。
但本申请发明人在实现本申请实施例中发明技术方案的过程中，发现上述技术至少存在如下技术问题：
现有技术中存在由于人力分析的不稳定性，导致分析结果不够全面和效率较低的技术问题。
发明内容
本申请实施例通过提供了一种神经内科临床护理安全隐患分析方法及系统，解决了现有技术中存在由于人力分析的不稳定性，导致分析结果不够全面和效率较低的技术问题，通过主成分分析获取病房中所有患者的疾病信息，并提取患者身上对应的疾病特征，再依据疾病特征构建决策树，进而对疾病进行分类，针对不同类别的疾病分别获取对应的安全隐患标准，最后根据相关隐患标准对患者状况进行分析，使用智能化系统提高了分析决策的速度，达到了得到效率更高且全面的安全隐患分析结果的技术效果。
鉴于上述问题，本申请实施例提供了一种神经内科临床护理安全隐患分析方法及系统。
第一方面，本申请实施例提供了一种神经内科临床护理安全隐患分析方法，其中，所述方法包括：获得第一用户的病理指标集合；根据主成分分析法从所述第一用户的病理指标集合中获得第一病理指标和第二病理指标；将所述第一病理指标和所述第二病理指标输入第一疾病确定模型，获得所述第一用户的诊断疾病信息；获得第N用户的诊断疾病信息；根据所述第一用户直到所述第N用户的诊断疾病信息，构建诊断疾病数据集；根据所述诊断疾病数据集，获得所述诊断疾病数据集中各疾病的运动能力特征、精神状态特征、语言能力特征；根据所述运动能力特征、所述精神状态特征、所述语言能力特征，获得第一根节点特征；根据所述第一根节点特征和所述诊断疾病数据集，构建所述诊断疾病分类决策树；根据所述诊断疾病分类决策树，对所述诊断疾病数据集进行分类，获得第一分类结果；根据所述第一分类结果，获得不同类别的神经内科临床护理安全隐患标准；根据所述不同类别的神经内科临床护理安全隐患标准，获得所述第一用户的神经内科临床护理安全隐患标准；根据所述第一用户的神经内科临床护理安全隐患标准对所述第一用户的临床护理安全隐患进行分析处理。
另一方面，本申请实施例提供了一种神经内科临床护理安全隐患分析系统，其中，所述系统包括：第一获得单元，所述第一获得单元用于获得第一用户的病理指标集合；第二获得单元，所述第二获得单元用于根据主成分分析法从所述第一用户的病理指标集合中获得第一病理指标和第二病理指标；第三获得单元，所述第三获得单元用于将所述第一病理指标和所述第二病理指标输入第一疾病确定模型，获得所述第一用户的诊断疾病信息；第四获得单元，所述第四获得单元用于获得第N用户的诊断疾病信息；第一构建单元，所述第一构建单元用于根据所述第一用户直到所述第N用户的诊断疾病信息，构建诊断疾病数据集；第五获得单元，所属第五获得单元用于根据所述诊断疾病数据集，获得所述诊断疾病数据集中各疾病的运动能力特征、精神状态特征、语言能力特征；第六获得单元，所述第六获得单元用于根据所述运动能力特征、所述精神状态特征、所述语言能力特征，获得第一根节点特征；第二构建单元，所述第二构建单元用于根据所述第一根节点特征和所述诊断疾病数据集，构建所述诊断疾病分类决策树；第七获得单元，所属第七获得单元用于根据所述诊断疾病分类决策树，对所述诊断疾病数据集进行分类，获得第一分类结果；第八获得单元，所述第八获得单元根据所述第一分类结果，获得不同类别的神经内科临床护理安全隐患标准；第九获得单元，所述第九获得单元用于根据所述不同类别的神经内科临床护理安全隐患标准，获得所述第一用户的神经内科临床护理安全隐患标准；第一执行单元，所述第一执行单元用于根据所述第一用户的神经内科临床护理安全隐患标准对所述第一用户的临床护理安全隐患进行分析处理。
第三方面，本申请实施例提供了一种神经内科临床护理安全隐患分析系统，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，所述处理器执行所述程序时实现第一方面任一项所述方法的步骤。
本申请实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：
由于采用了获得第一用户的病理指标集合；根据主成分分析法从所述第一用户的病理指标集合中获得第一病理指标和第二病理指标；将所述第一病理指标和所述第二病理指标输入第一疾病确定模型，获得所述第一用户的诊断疾病信息；获得第N用户的诊断疾病信息；根据所述第一用户直到所述第N用户的诊断疾病信息，构建诊断疾病数据集；根据所述诊断疾病数据集，获得所述诊断疾病数据集中各疾病的运动能力特征、精神状态特征、语言能力特征；根据所述运动能力特征、所述精神状态特征、所述语言能力特征，获得第一根节点特征；根据所述第一根节点特征和所述诊断疾病数据集，构建所述诊断疾病分类决策树；根据所述诊断疾病分类决策树，对所述诊断疾病数据集进行分类，获得第一分类结果；根据所述第一分类结果，获得不同类别的神经内科临床护理安全隐患标准；根据所述不同类别的神经内科临床护理安全隐患标准，获得所述第一用户的神经内科临床护理安全隐患标准；根据所述第一用户的神经内科临床护理安全隐患标准对所述第一用户的临床护理安全隐患进行分析处理的技术方案，达到了通过主成分分析获取病房中所有患者的疾病信息，并提取患者身上对应的疾病特征，再依据疾病特征构建决策树，进而对疾病进行分类，针对不同类别的疾病分别获取对应的安全隐患标准，最后根据相关隐患标准对患者状况进行分析。使用智能化系统提高了分析决策的速度，进而得到效率更高且全面的安全隐患分析结果的技术效果。
上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。
附图说明
图1为本申请实施例一种神经内科临床护理安全隐患分析方法流程示意图；
图2为本申请实施例一种神经内科临床护理安全隐患分析系统结构示意图；
图3为本申请实施例示例性电子设备的结构示意图。
附图标记说明：第一获得单元11，第二获得单元12，第三获得单元13，第四获得单元14，第一构建单元15，第五获得单元16，第六获得单元17，第二构建单元18，第七获得单元19，第八获得单元20，第九获得单元21，第一执行单元22，电子设备300，存储器301，处理器302，通信接口303，总线架构304。
具体实施方式
本申请实施例通过提供了一种神经内科临床护理安全隐患分析方法及系统，解决了现有技术中存在由于人力分析的不稳定性，导致分析结果不够全面和效率较低的技术问题，通过主成分分析获取病房中所有患者的疾病信息，并提取患者身上对应的疾病特征，再依据疾病特征构建决策树，进而对疾病进行分类，针对不同类别的疾病分别获取对应的安全隐患标准，最后根据相关隐患标准对患者状况进行分析，使用智能化系统提高了分析决策的速度，达到了得到效率更高且全面的安全隐患分析结果的技术效果。
申请概述
神经内科是关于神经方面的二级学科，主要包括脑血管疾病、偏头痛、脑炎、脑膜炎、脊髓炎、痴呆、三叉神经痛、癫痫、重症肌无力等病症。神经内科相关疾病的治疗与护理十分受重视，其专科护理是临床护理学的重要组成部分，合格的护理质量对保障神经内科病人正常治疗和良好康复有着重要的意义。在临床护理工作中，护理安全管理是护理管理的重点，在神经内科病房中的患者大多数都是病情重、住院时间长、预后差、致残率高，导致护理中的不安全隐患时常存在，危害到患者的健康。现在主要依靠过往护理经验排除安全隐患，加强护理人员的素质培训，由相关专家分析并防范潜在隐患，规范护理服务行为，但现有技术中存在由于人力分析的不稳定性，导致分析结果不够全面和效率较低的技术问题。
针对上述技术问题，本申请提供的技术方案总体思路如下：
本申请实施例提供了一种神经内科临床护理安全隐患分析方法，其中，所述方法包括：获得第一用户的病理指标集合；根据主成分分析法从所述第一用户的病理指标集合中获得第一病理指标和第二病理指标；将所述第一病理指标和所述第二病理指标输入第一疾病确定模型，获得所述第一用户的诊断疾病信息；获得第N用户的诊断疾病信息；根据所述第一用户直到所述第N用户的诊断疾病信息，构建诊断疾病数据集；根据所述诊断疾病数据集，获得所述诊断疾病数据集中各疾病的运动能力特征、精神状态特征、语言能力特征；根据所述运动能力特征、所述精神状态特征、所述语言能力特征，获得第一根节点特征；根据所述第一根节点特征和所述诊断疾病数据集，构建所述诊断疾病分类决策树；根据所述诊断疾病分类决策树，对所述诊断疾病数据集进行分类，获得第一分类结果；根据所述第一分类结果，获得不同类别的神经内科临床护理安全隐患标准；根据所述不同类别的神经内科临床护理安全隐患标准，获得所述第一用户的神经内科临床护理安全隐患标准；根据所述第一用户的神经内科临床护理安全隐患标准对所述第一用户的临床护理安全隐患进行分析处理。
在介绍了本申请基本原理后，下面将结合说明书附图来具体介绍本申请的各种非限制性的实施方式。
实施例一
如图1所示，本申请实施例提供了一种神经内科临床护理安全隐患分析方法，其中，所述方法包括：
S100：获得第一用户的病理指标集合；
具体而言，所述第一用户指的是病房内的神经内科疾病患者；所述第一用户的病理指标集合指的是通过对所述第一用户发病过程和发病原因分析，得到的能够表征所述第一用户疾病实时状况的指标信息集合。举不设限的一例如所述第一用户的疾病是脑溢血，则因为造成脑溢血的主要原因就是血糖急性升高，则此时的病理指标信息主要为血糖含量、蛋白尿、血压、心电图等。通过存储所述第一用户的病理指标，有助于对所述第一用户的病情实时状况得以掌握，也为后步的进程提供了信息基础。
S200：根据主成分分析法从所述第一用户的病理指标集合中获得第一病理指标和第二病理指标；
具体而言，所述主成分分析法指的是将原来变量重新组合成一组新的互相无关的几个综合变量，同时根据实际需要从中可以取出几个较少的综合变量尽可能多地反映原来变量的信息的统计方法，是数学上用来降维的一种方法，换句话说，因为在变量过多的情况下会导致数据过于冗杂，而所述主成分分析法的作用就是对于提出的所有变量，将重复的变量和关系紧密的变量删减，建立尽可能少的新变量，且新变量之间两两无关但是又可以反馈出未删除变量之前的原有信息，即减少工作量的同时保证工作效果。进一步的，所述第一病理指标和所述第二病理指标指的就是利用所述主成分分析法对所述第一用户的病理指标集合进行处理，获得的可以表征所述第一用户病情实时状况的降维变量。仍以上述脑溢血为例子，脑溢血相关的所述病理指标有血糖含量、心电频率、颅内血压、面部麻木、嗜睡、蛋白尿等，由于脑溢血的直观原因是血糖含量急剧升高，而血压和血糖含量升高为正相关，所以只需要保留血糖含量，此外面部麻木、嗜睡都是外在表现，造成的因素太多，所以删除，此处阐述原理具体的数据计算不做限定。经主成分分析后，以血糖含量作为所述第一病理指标；蛋白尿作为所述第二病理指标。通过主成分分析法对所述第一用户的病理指标信息集进行降维，提高了进程运算的效率。
S300：将所述第一病理指标和所述第二病理指标输入第一疾病确定模型，获得所述第一用户的诊断疾病信息；
具体而言，所述第一用户的诊断疾病信息指的是将所述第一病理指标信息和所述第二病理指标信息适配结合再通过所述第一疾病确定模型智能化分析得到反映所述第一用户疾病状况的结果，所述第一疾病确定模型是以神经网络模型为基础建立，具有神经网络模型的特性，其中，人工神经网络是在现代神经科学的基础上提出和发展起来的，旨在反映人脑结构及功能的一种抽象数学模型，神经网络是一种运算模型，由大量的节点（或称神经元）之间相互连接构成，每个节点代表一种特定的输出函数称为激励函数，每两个节点之间的连接都代表一个对于通过该连接信号的加权值，称之为权重，这相当于人工神经网络的记忆，网络的输出则依照网络的连接方式，是对一种逻辑策略的表达，基于神经网络模型建立的所述第一疾病确定模型能够输出准确的所述第一用户的诊断疾病信息，从而具备了较强的分析计算能力，达到了准确而高效的技术效果。
S400：获得第N用户的诊断疾病信息；
S500：根据所述第一用户直到所述第N用户的诊断疾病信息，构建诊断疾病数据集；
具体而言，使用相同的方式确定护理区域内所述第二用户的所述第一病理指标信息和所述第二病理指标信息，所述第三用户的所述第一病理指标信息和所述第二病理指标信息，直到最后一个所述第N用户的所述第一病理指标信息和所述第二病理指标信息。进一步，分别输入所述第一疾病确定模型，得到所述第二用户的诊断疾病信息，所述第三用户的疾病诊断信息，直到所述第N用户的诊断疾病信息。所述诊断疾病数据集指的将所得数据进行存储并等待调用的数据集，存储方式举不设限的一例：使用云端数据库的方式将所述第一用户到所述第N用户的病理指标信息和对应的所述诊断疾病信息优选双向列表的形式进行存储，使得在出现相同的病理指标信息和对应的诊断疾病信息时可以相互调用。云数据库是部署和虚拟化在云计算环境中的数据库，它极大地增强了数据库的存储能力，消除了人员、硬件、软件的重复配置，让软、硬件升级变得更加容易，且，可以降低投入成本。
S600：根据所述诊断疾病数据集，获得所述诊断疾病数据集中各疾病的运动能力特征、精神状态特征、语言能力特征；
具体而言，所述诊断疾病数据集向内反映所述第一用户到所述第N用户的所述第一病理指标信息和所述第二病理指标信息，向外反映了病理指标信息对应的外在表现状况信息，例如运动能力、精神能力、语言能力等数据；所述运动能力特征、所述精神状态特征、所述语言能力特征指的是在所述病理指标信息出现异常状况时，所述第一用户到所述第N用户外在运动能力、精神能力、语言能力的表现情况。仍以脑溢血为例，若是血糖含量超过10mmol/L，则外在的表现形式为运动能力明显较弱，耐力缺乏，嗜睡，注意力不集中等信息。通过将所述第一用户到所述第N用户的外在表现状况可以分析其存在的安全隐患，并有利于提前针对性防治。
S700：根据所述运动能力特征、所述精神状态特征、所述语言能力特征，获得第一根节点特征；
S800：根据所述第一根节点特征和所述诊断疾病数据集，构建所述诊断疾病分类决策树；
S900：根据所述诊断疾病分类决策树，对所述诊断疾病数据集进行分类，获得第一分类结果；
具体而言，所述第一根节点特征指的是将所述运动能力特征、所述精神状态特征、所述语言能力特征进行存储，并调用这些实例的特征进行测试，每一个调用的特征都为一个所述第一根节点特征；所述诊断疾病分类决策树模型是一种对所述第一根节点特征和所述诊断疾病数据集进行分类的树形结构，其由结点和有向边组成，而结点也分成内部结点和叶结点两种，内部结点表示的是一个特征和一个属性，叶结点表示具体的一个分类，通过所述第一根节点，即通过监测所述第一用户的实时的外在表现状况，可以对所述第一用户到所述第N用户身体内部出现的对应病理指标信息进行并分类存储，得到的结果就是所述第一分类结果，根据所述第一分类结果就可以得到可能出现的对应的所述第一用户的病理指标值，进而预测可能存在的恶化情况，并发出警报即可采取防治措施。
S1000：根据所述第一分类结果，获得不同类别的神经内科临床护理安全隐患标准；
S1100：根据所述不同类别的神经内科临床护理安全隐患标准，获得所述第一用户的神经内科临床护理安全隐患标准；
S1200：根据所述第一用户的神经内科临床护理安全隐患标准对所述第一用户的临床护理安全隐患进行分析处理。
具体而言，所述不同类别的神经内科临床护理安全隐患标准指的是基于所述第一分类结果，即获得的所述第一用户到所述第N用户的病理指标值，获得各指标值的正常区间，若是在区间内但是有往区间端值靠近的趋势或者不在正常区间之内为非正常区间，都为神经内科临床护理安全隐患标准值，将不同类别的病理指标对应的神经内科临床护理安全隐患标准和对应的所述第一分类结果进行存储，优选的存储至云数据库；进一步的，所述第一用户的神经内科临床护理安全隐患标准指的是根据所述第一用户的所述第一分类结果得到对应的病理指标信息的非正常区间和正常区间值；更进一步的，将所述第一分类结果中的病理指标值和所述第一用户的神经内科临床护理安全隐患标准进行比对，若是为非正常区间，则发出存储安全隐患的通知，可选的方式有将预警信息发送给护理人员，发出警报等；若是为正常区间，则继续正常工作，监控所述第一用户。
达到了通过主成分分析获取病房中所有患者的疾病信息，并提取患者身上对应的疾病特征，再依据疾病特征构建决策树，进而对疾病进行分类，针对不同类别的疾病分别获取对应的安全隐患标准，最后根据相关隐患标准对患者状况进行分析，使用智能化系统提高了分析决策的速度，得到效率更高且全面的安全隐患分析结果的技术效果。
进一步的，基于所述根据主成分分析法从所述第一用户的病理指标集合中获得第一病理指标和第二病理指标，步骤S200还包括：
S210：获得所述第一用户的病理指标集合的第一病理指标数据集；
S220：对所述第一病理指标数据集进行去中心化处理，获得第二病理指标数据集；
S230：获得所述第二病理指标数据集的第一协方差矩阵；
S240：将所述第一特征数据集投影到所述第一特征向量，获得第一降维病理指标数据集，其中所述第一降维数据集为所述第一特征数据集降维之后获得的特征数据集；
S250：根据所述第一降维病理指标数据集，获得第一病理指标和第二病理指标。
具体而言，对提取到的所述第一用户的病理指标集合进行数值化处理，并构建病理指标数据集矩阵，获得所述第一病理指标数据集。继而对所述第一病理指标数据集中的各病理指标数据进行中心化处理，首先求解所述第一病理指标数据集中各病理指标的平均值，然后对于所有的样本，每一个病理指标都减去自身的均值，继而获得新的病理指标值，由新的病理指标值构成所述第二病理指标数据集，所述第二病理指标数据集为一数据矩阵。通过协方差公式：
对所述第二病理指标数据集进行运算，获得所述第二病理指标数据集的第一协方差矩阵。其中，
为所述第二病理指标数据集中的病理指标数据；
为该病理指标数据的平均值；
为所述第二病理指标数据集中的样本数据总量。继而通过矩阵运算，求出所述第一协方差矩阵的特征值及特征向量，且每一特征值对应一个特征向量。在求出的所述第一特征向量中，选取最大的前K个特征值及其对应的特征向量，并将所述第一特征数据集中的原始特征投影到所选取的特征向量之上，得到降维之后的所述第一特征数据集。进一步的，使用降维后的所述第一特征数据集构建所述第一降维病理指标数据集，获得所述第一病理指标和所述第二病理指标。通过主成分分析法对数据库中的病理指标数据进行降维处理，在保证信息量的前提下，剔除冗余数据，使得数据库中病理指标数据的样本量减小，且降维后信息量损失最小，从而加快训练模型对于数据的运算速度。
进一步的，基于所述根据所述运动能力特征、所述精神状态特征、所述语言能力特征，获得第一根节点特征，S700还包括：
S710：对所述运动能力特征进行信息论编码运算，获得运动能力特征信息熵；
S720：对所述精神状态特征进行信息论编码运算，获得精神状态特征信息熵；
S730：对所述语言能力特征进行信息论编码运算，获得语言能力特征信息熵；
S740：将所述运动能力特征信息熵、所述精神状态特征信息熵和所述语言能力特征信息熵按照熵的大小进行顺序排列，获得所述第一根节点特征。
具体而言，所述信息论是量化处理信息的分支科学，划分数据集前后信息发生的变化称为信息增益，获得信息增益最高的特征就是最好的选择即信息，在所述信息论中，集合信息的度量方式称为所述信息熵，熵是定义一个随机变量不确定性的度量，所述信息熵越小，则代表信息增益就越大，则对信息增益大的随机变量作为根节点进行属性划分。
进一步，对所述运动能力特征、所述精神状态特征、所述语言能力特征进行编码运算，编码方式举不设限制的一例：将所述第一用户到所述第N用户和对所述运动能力特征、所述精神状态特征、所述语言能力特征分别进行编号，组成K元类别，将正常区间特征记为1，非正常区间特征记为0。
更进一步，以所述运动能力特征信息熵
计算举例：若正常区间特征用户数量为a，占比为a/N，非正常区间特征为b，占比为b/N，K=2则所述即计算所述运动能力特征信息熵计算公式可选为：
代入得：
比较所述运动能力特征信息熵、所述精神状态特征信息熵和所述语言能力特征信息熵的大小并优选的从小到大进行排序，以所述信息熵最小的作为所述第一根节点特征，进行特征划分，进一步的，对划分的子结点的特征信息继续计算信息熵，若是与其他的特征信息熵相等，则可将其他的特征信息作为子节点，最终构建所述分类决策树模型。通过所述分类决策树模型将所述第一用户到所述第N用户的所述运动能力特征、所述精神状态特征、所述语言能力特征信息量化，并使用分类决策树模型学习分类，获得所述第一分类结果能够表现所述第一用户到所述第N用户实时的特征信息表现状况，并依据所述诊断疾病数据集，得到对应的所述病理指标数据，精准且及时的观测其是否存在安全隐患。
进一步的，基于所述根据所述第一用户的神经内科临床护理安全隐患标准对所述第一用户的临床护理安全隐患进行分析处理，还包括步骤S1300：
S1310：获得所述第一用户的第一数据采集信息，所述第一数据采集信息包括监控信息、体征检测信息；
S1320：判断所述第一用户的所述第一数据采集信息是否满足所述第一用户的神经内科临床护理安全隐患标准；
S1330：如果所述第一用户的所述第一数据采集信息不满足所述第一用户的神经内科临床护理安全隐患标准，获得第一提醒信息，所述第一提醒信息用于提醒所述第一用户的神经内科临床护理存在安全隐患。
具体而言，所述第一数据采集信息指的是所述第一用户在护理期间采集到的基本信息，包括但不限于所述监控信息和所述体征检测信息；进一步的，将所述第一数据采集信息和所述第一用户的神经内科临床护理安全隐患标准进行比对，看所述第一用户的各项信息是否处在正常区间之内，若是在，则所述第一用户的所述第一数据采集信息满足所述第一用户的神经内科临床护理安全隐患标准，继续监测；若是不在，则发出所述第一提醒信息，提醒所述第一用户的神经内科临床护理存在安全隐患。通过对所述第一用户的数据实时采集和通过对所述第一分类结果分析相结合，可以更加准确的推断所述第一用户存在的安全隐患，并有进一步及时的加以防治。
进一步的，所述方法还包括步骤S1400：
S1410：根据所述第一用户的神经内科临床护理安全隐患标准，获得第一环境影响因素和第二环境影响因素；
S1420：将所述第一环境影响因素和所述第二环境影响因素输入环境隐患评估分析模型，获得第一环境隐患分析结果；
S1430：判断所述第一环境隐患分析结果是否满足所述第一用户的神经内科临床护理安全隐患标准；
S1440：如果所述第一环境隐患分析结果不满足所述第一用户的神经内科临床护理安全隐患标准，获得第二提醒信息，所述第二提醒信息用于提醒所述第一用户的护理环境存在安全隐患。
具体而言，所述第一环境影响因素和所述第二环境影响因素指的是可能会对所述第一用户形成安全隐患的环境影响，例如感觉障碍者旁边有高温暖水袋、躁动患者床边没有护栏、室内通风不好，对于呼吸困难者造成窒息风险、看护太少使得老年痴呆者走失等。所述环境隐患评估分析模型是基于神经网络模型训练的无监督学习聚类模型，可以在输入所述第一环境影响因素和所述第二环境影响因素并对之进行评估分析，针对性将环境因素对所述第一用户的影响进行等级划分，划分的等级和所述第一用户的神经内科临床护理安全隐患标准的等级相对应，若是所述环境隐患评估分析模型划分的评估等级在所述第一用户的神经内科临床护理安全隐患标准的安全等级之外，则表明存在安全隐患，进而发出所述第二提醒信息用于提醒所述第一用户的护理环境存在安全隐患。通过所述环境隐患评估分析模型对所述第一用户的环境因素进行评估，得到对应的风险隐患等级，并将之与所述第一用户的神经内科临床护理安全隐患标准的等级比对，分析所述第一用户的安全潜在隐患，并及时发出提醒信息进行调整，将环境因素加入之安全隐患的考虑范围内，使得分析结果达到了更加全面和准确的技术效果。
进一步的，基于所述将所述第一病理指标和所述第二病理指标输入第一疾病确定模型，获得所述第一用户的诊断疾病信息，步骤S300还包括：
S310：将所述第一病理指标和所述第二病理指标作为输入信息输入第一疾病确定模型；
S320：通过作为训练数据的所述第一病理指标集合和所述第二病理指标集合对神经网络进行训练，获得所述第一疾病确定模型；
S330：获得所述第一疾病确定模型的输出结果，所述输出结果包括所述第一用户的诊断疾病信息
具体而言，所述第一疾病确定模型为神经网络模型，所述神经网络模型即机器学习中的神经网络模型，它反映了人脑功能的许多基本特征，是一个高度复杂的非线性动力学习系统。其中，它能根据训练数据进行不断的自我训练学习，所述多组中的训练数据中的每一组训练数据均包括：所述第一病理指标集合信息、所述第二病理指标信息。所述第一疾病确定模型不断地自我的修正，当所述第一疾病确定模型的输出信息达到预定的准确率/收敛状态时，则非监督学习过程结束。通过对所述第一疾病确定模型进行数据训练，使得所述第一疾病确定模型处理输入数据更加准确，进而使得输出的所述第一用户的诊断疾病信息也更加准确，达到了准确获得数据信息，提高评估结果智能化的技术效果。
综上所述，本申请实施例所提供的一种神经内科临床护理安全隐患分析方法及系统具有如下技术效果：
1、达到了通过主成分分析获取病房中所有患者的疾病信息，并提取患者身上对应的疾病特征，再依据疾病特征构建决策树，进而对疾病进行分类，针对不同类别的疾病分别获取对应的安全隐患标准，最后根据相关隐患标准对患者状况进行分析，使用智能化系统提高了分析决策的速度，得到效率更高且全面的安全隐患分析结果的技术效果。
2、通过主成分分析法对数据库中的病理指标数据进行降维处理，在保证信息量的前提下，剔除冗余数据，使得数据库中病理指标数据的样本量减小，且降维后信息量损失最小，从而加快训练模型对于数据的运算速度。
3、通过所述分类决策树模型将所述第一用户到所述第N用户的所述运动能力特征、所述精神状态特征、所述语言能力特征信息量化，并使用分类决策树模型学习分类，获得所述第一分类结果能够表现所述第一用户到所述第N用户实时的特征信息表现状况，并依据所述诊断疾病数据集，得到对应的所述病理指标数据，精准且及时的观测其是否存在安全隐患。
实施例二
基于与前述实施例中一种神经内科临床护理安全隐患分析方法相同的发明构思，如图2所示，本申请实施例提供了一种神经内科临床护理安全隐患分析系统，其中，所述系统包括：
第一获得单元11，所述第一获得单元11用于获得第一用户的病理指标集合；
第二获得单元12，所述第二获得单元12用于根据主成分分析法从所述第一用户的病理指标集合中获得第一病理指标和第二病理指标；
第三获得单元13，所述第三获得单元13用于将所述第一病理指标和所述第二病理指标输入第一疾病确定模型，获得所述第一用户的诊断疾病信息；
第四获得单元14，所述第四获得单元14用于获得第N用户的诊断疾病信息；
第一构建单元15，所述第一构建单元15用于根据所述第一用户直到所述第N用户的诊断疾病信息，构建诊断疾病数据集；
第五获得单元16，所属第五获得单元16用于根据所述诊断疾病数据集，获得所述诊断疾病数据集中各疾病的运动能力特征、精神状态特征、语言能力特征；
第六获得单元17，所述第六获得单元17用于根据所述运动能力特征、所述精神状态特征、所述语言能力特征，获得第一根节点特征；
第二构建单元18，所述第二构建单元18用于根据所述第一根节点特征和所述诊断疾病数据集，构建所述诊断疾病分类决策树；
第七获得单元19，所属第七获得单元19用于根据所述诊断疾病分类决策树，对所述诊断疾病数据集进行分类，获得第一分类结果；
第八获得单元20，所述第八获得单元20根据所述第一分类结果，获得不同类别的神经内科临床护理安全隐患标准；
第九获得单元21，所述第九获得单元21用于根据所述不同类别的神经内科临床护理安全隐患标准，获得所述第一用户的神经内科临床护理安全隐患标准；
第一执行单元22，所述第一执行单元22用于根据所述第一用户的神经内科临床护理安全隐患标准对所述第一用户的临床护理安全隐患进行分析处理。
进一步的，所述系统还包括：
第十获得单元，所述第十获得单元用于获得所述第一用户的病理指标集合的第一病理指标数据集；
第十一获得单元，所述第十一获得单元用于对所述第一病理指标数据集进行去中心化处理，获得第二病理指标数据集；
第十二获得单元，所述第十二获得单元用于获得所述第二病理指标数据集的第一协方差矩阵；
第十三获得单元，所述第十三获得单元用于将所述第一特征数据集投影到所述第一特征向量，获得第一降维病理指标数据集，其中所述第一降维数据集为所述第一特征数据集降维之后获得的特征数据集；
第十四获得单元，所述第十四获得单元用于根据所述第一降维病理指标数据集，获得第一病理指标和第二病理指标。
进一步的，所述系统还包括：
第十五获得单元，所述第十五获得单元用于对所述运动能力特征进行信息论编码运算，获得运动能力特征信息熵；
第十六获得单元，所述第十六获得单元用于对所述精神状态特征进行信息论编码运算，获得精神状态特征信息熵；
第十七获得单元，所述第十七获得单元用于对所述语言能力特征进行信息论编码运算，获得语言能力特征信息熵；
第十八获得单元，所述第十八获得单元用于将所述运动能力特征信息熵、所述精神状态特征信息熵和所述语言能力特征信息熵按照熵的大小进行顺序排列，获得所述第一根节点特征。
进一步的，所述系统还包括：
第十九获得单元，所述第十九获得单元用于获得所述第一用户的第一数据采集信息，所述第一数据采集信息包括监控信息、体征检测信息；
第一判断单元，所述第一判断单元用于判断所述第一用户的所述第一数据采集信息是否满足所述第一用户的神经内科临床护理安全隐患标准；
第二十获得单元，所述第二十获得单元用于如果所述第一用户的所述第一数据采集信息不满足所述第一用户的神经内科临床护理安全隐患标准，获得第一提醒信息，所述第一提醒信息用于提醒所述第一用户的神经内科临床护理存在安全隐患。
进一步的，所述系统还包括：
第二十一获得单元，所述第二十一获得单元用于根据所述第一用户的神经内科临床护理安全隐患标准，获得第一环境影响因素和第二环境影响因素；
第一输入单元，所述第一输入单元用于将所述第一环境影响因素和所述第二环境影响因素输入环境隐患评估分析模型，获得第一环境隐患分析结果；
第二判断单元，所述第二判断单元用于判断所述第一环境隐患分析结果是否满足所述第一用户的神经内科临床护理安全隐患标准；
第一提醒单元，所述第一提醒单元用于如果所述第一环境隐患分析结果不满足所述第一用户的神经内科临床护理安全隐患标准，获得第二提醒信息，所述第二提醒信息用于提醒所述第一用户的护理环境存在安全隐患。
进一步的，所述系统还包括：
第二输入单元，所述第二输入单元用于将所述第一病理指标和所述第二病理指标作为输入信息输入第一疾病确定模型；
第一训练单元，所述第一训练单元用于通过作为训练数据的第一病理指标集合和所述第二病理指标集合对神经网络进行训练，获得所述第一疾病确定模型；
第一输出单元，所述第一输出单元用于获得所述第一疾病确定模型的输出结果，所述输出结果包括所述第一用户的诊断疾病信息。
示例性电子设备
下面参考图3来描述本申请实施例的电子设备，
基于与前述实施例中一种神经内科临床护理安全隐患分析方法相同的发明构思，本申请实施例还提供了一种神经内科临床护理安全隐患分析系统，包括：处理器，所述处理器与存储器耦合，所述存储器用于存储程序，当所述程序被所述处理器执行时，使得系统以执行第一方面任一项所述的方法
该电子设备300包括：处理器302、通信接口303、存储器301。可选的，电子设备300还可以包括总线架构304。其中，通信接口303、处理器302以及存储器301可以通过总线架构304相互连接；总线架构304可以是外设部件互连标(peripheral componentinterconnect，简称PCI)总线或扩展工业标准结构(extended industry Standardarchitecture，简称EISA)总线等。所述总线架构304可以分为地址总线、数据总线、控制总线等。为便于表示，图3中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
处理器302可以是一个CPU，微处理器，ASIC，或一个或多个用于控制本申请方案程序执行的集成电路。
通信接口303，使用任何收发器一类的装置，用于与其他设备或通信网络通信，如以太网，无线接入网(radio access network，RAN),无线局域网(wireless local areanetworks，WLAN)，有线接入网等。
存储器301可以是ROM或可存储静态信息和指令的其他类型的静态存储设备，RAM或者可存储信息和指令的其他类型的动态存储设备，也可以是电可擦可编程只读存储器(electrically erasable Programmable read-only memory，EEPROM)、只读光盘(compactdisc
read-only memory，CD-ROM)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。存储器可以是独立存在，通过总线架构304与处理器相连接。存储器也可以和处理器集成在一起。
其中，存储器301用于存储执行本申请方案的计算机执行指令，并由处理器302来控制执行。处理器302用于执行存储器301中存储的计算机执行指令，从而实现本申请上述实施例提供的一种神经内科临床护理安全隐患分析方法。
可选的，本申请实施例中的计算机执行指令也可以称之为应用程序代码，本申请实施例对此不作具体限定。
本申请实施例提供了一种神经内科临床护理安全隐患分析方法，其中，所述方法包括：获得第一用户的病理指标集合；根据主成分分析法从所述第一用户的病理指标集合中获得第一病理指标和第二病理指标；将所述第一病理指标和所述第二病理指标输入第一疾病确定模型，获得所述第一用户的诊断疾病信息；获得第N用户的诊断疾病信息；根据所述第一用户直到所述第N用户的诊断疾病信息，构建诊断疾病数据集；根据所述诊断疾病数据集，获得所述诊断疾病数据集中各疾病的运动能力特征、精神状态特征、语言能力特征；根据所述运动能力特征、所述精神状态特征、所述语言能力特征，获得第一根节点特征；根据所述第一根节点特征和所述诊断疾病数据集，构建所述诊断疾病分类决策树；根据所述诊断疾病分类决策树，对所述诊断疾病数据集进行分类，获得第一分类结果；根据所述第一分类结果，获得不同类别的神经内科临床护理安全隐患标准；根据所述不同类别的神经内科临床护理安全隐患标准，获得所述第一用户的神经内科临床护理安全隐患标准；根据所述第一用户的神经内科临床护理安全隐患标准对所述第一用户的临床护理安全隐患进行分析处理。通过主成分分析获取病房中所有患者的疾病信息，并提取患者身上对应的疾病特征，再依据疾病特征构建决策树，进而对疾病进行分类，针对不同类别的疾病分别获取对应的安全隐患标准，最后根据相关隐患标准对患者状况进行分析，使用智能化系统提高了分析决策的速度，达到了得到效率更高且全面的安全隐患分析结果的技术效果。
本领域普通技术人员可以理解：本申请中涉及的第一、第二等各种数字编号仅为描述方便进行的区分，并不用来限制本申请实施例的范围，也不表示先后顺序。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。“至少一个”是指一个或者多个。至少两个是指两个或者多个。“至少一个”、“任意一个”或其类似表达，是指的这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a ,b,或c中的至少一项(个、种)，可以表示：a ,b,c,a -b,a-c,b-c,或a-b-c，其中a,b,c可以是单个，也可以是多个。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指
令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包括一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘(Solid State Disk，SSD))等。
本申请实施例中所描述的各种说明性的逻辑单元和电路可以通过通用处理器，数字信号处理器，专用集成电路(ASIC)，现场可编程门阵列(FPGA)或其它可编程逻辑装置，离散门或晶体管逻辑，离散硬件部件，或上述任何组合的设计来实现或操作所描述的功能。通用处理器可以为微处理器，可选地，该通用处理器也可以为任何传统的处理器、控制器、微控制器或状态机。处理器也可以通过计算装置的组合来实现，例如数字信号处理器和微处理器，多个微处理器，一个或多个微处理器联合一个数字信号处理器核，或任何其它类似的配置来实现。
本申请实施例中所描述的方法或算法的步骤可以直接嵌入硬件、处理器执行的软件单元、或者这两者的结合。软件单元可以存储于RAM存储器、闪存、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、可移动磁盘、CD-ROM或本领域中其它任意形式的存储媒介中。示例性地，存储媒介可以与处理器连接，以使得处理器可以从存储媒介中读取信息，并可以向存储媒介存写信息。可选地，存储媒介还可以集成到处理器中。处理器和存储媒介可以设置于ASIC中，ASIC可以设置于终端中。可选地，处理器和存储媒介也可以设置于终端中的不同的部件中。这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管结合具体特征及其实施例对本申请进行了描述，显而易见的，在不脱离本申请的精神和范围的情况下，可对其进行各种修改和组合。相应地，本说明书和附图仅仅是所附权利要求所界定的本申请的示例性说明，且视为已覆盖本申请范围内的任意和所有修改、变化、组合或等同物。显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请意图包括这些改动和变型在内。
Claims (8)
1.一种神经内科临床护理安全隐患分析方法，其中，所述方法包括：
获得第一用户的病理指标集合；
根据主成分分析法从所述第一用户的病理指标集合中获得第一病理指标和第二病理指标；
将所述第一病理指标和所述第二病理指标输入第一疾病确定模型，获得所述第一用户的诊断疾病信息；
获得第N用户的诊断疾病信息；
根据所述第一用户直到所述第N用户的诊断疾病信息，构建诊断疾病数据集；
根据所述诊断疾病数据集，获得所述诊断疾病数据集中各疾病的运动能力特征、精神状态特征、语言能力特征；
根据所述运动能力特征、所述精神状态特征、所述语言能力特征，获得第一根节点特征；
根据所述第一根节点特征和所述诊断疾病数据集，构建所述诊断疾病分类决策树；
根据所述诊断疾病分类决策树，对所述诊断疾病数据集进行分类，获得第一分类结果；
根据所述第一分类结果，获得不同类别的神经内科临床护理安全隐患标准；
根据所述不同类别的神经内科临床护理安全隐患标准，获得所述第一用户的神经内科临床护理安全隐患标准；
根据所述第一用户的神经内科临床护理安全隐患标准对所述第一用户的临床护理安全隐患进行分析处理。
2.如权利要求1所述的方法，其中，所述根据主成分分析法从所述第一用户的病理指标集合中获得第一病理指标和第二病理指标，包括：
获得所述第一用户的病理指标集合的第一病理指标数据集；
对所述第一病理指标数据集进行去中心化处理，获得第二病理指标数据集；
获得所述第二病理指标数据集的第一协方差矩阵；
将所述第一特征数据集投影到所述第一特征向量，获得第一降维病理指标数据集，其中所述第一降维数据集为所述第一特征数据集降维之后获得的特征数据集；
根据所述第一降维病理指标数据集，获得第一病理指标和第二病理指标。
3.如权利要求1所述的方法，其中，所述根据所述运动能力特征、所述精神状态特征、所述语言能力特征，获得第一根节点特征，包括：
对所述运动能力特征进行信息论编码运算，获得运动能力特征信息熵；
对所述精神状态特征进行信息论编码运算，获得精神状态特征信息熵；
对所述语言能力特征进行信息论编码运算，获得语言能力特征信息熵；
将所述运动能力特征信息熵、所述精神状态特征信息熵和所述语言能力特征信息熵按照熵的大小进行顺序排列，获得所述第一根节点特征。
4.如权利要求1所述的方法，其中，所述根据所述第一用户的神经内科临床护理安全隐患标准对所述第一用户的临床护理安全隐患进行分析处理，包括：
获得所述第一用户的第一数据采集信息，所述第一数据采集信息包括监控信息、体征检测信息；
判断所述第一用户的所述第一数据采集信息是否满足所述第一用户的神经内科临床护理安全隐患标准；
如果所述第一用户的所述第一数据采集信息不满足所述第一用户的神经内科临床护理安全隐患标准，获得第一提醒信息，所述第一提醒信息用于提醒所述第一用户的神经内科临床护理存在安全隐患。
5.如权利要求1所述的方法，其中，所述方法包括：
根据所述第一用户的神经内科临床护理安全隐患标准，获得第一环境影响因素和第二环境影响因素；
将所述第一环境影响因素和所述第二环境影响因素输入环境隐患评估分析模型，获得第一环境隐患分析结果；
判断所述第一环境隐患分析结果是否满足所述第一用户的神经内科临床护理安全隐患标准；
如果所述第一环境隐患分析结果不满足所述第一用户的神经内科临床护理安全隐患标准，获得第二提醒信息，所述第二提醒信息用于提醒所述第一用户的护理环境存在安全隐患。
6.如权利要求1所述的方法，其中，所述将所述第一病理指标和所述第二病理指标输入第一疾病确定模型，获得所述第一用户的诊断疾病信息，包括：
将所述第一病理指标和所述第二病理指标作为输入信息输入第一疾病确定模型；
通过作为训练数据的所述第一病理指标集合和所述第二病理指标集合对神经网络进行训练，获得所述第一疾病确定模型；
获得所述第一疾病确定模型的输出结果，所述输出结果包括所述第一用户的诊断疾病信息。
7.一种神经内科临床护理安全隐患分析系统，其中，所述系统包括：
第一获得单元，所述第一获得单元用于获得第一用户的病理指标集合；
第二获得单元，所述第二获得单元用于根据主成分分析法从所述第一用户的病理指标集合中获得第一病理指标和第二病理指标；
第三获得单元，所述第三获得单元用于将所述第一病理指标和所述第二病理指标输入第一疾病确定模型，获得所述第一用户的诊断疾病信息；
第四获得单元，所述第四获得单元用于获得第N用户的诊断疾病信息；
第一构建单元，所述第一构建单元用于根据所述第一用户直到所述第N用户的诊断疾病信息，构建诊断疾病数据集；
第五获得单元，所属第五获得单元用于根据所述诊断疾病数据集，获得所述诊断疾病数据集中各疾病的运动能力特征、精神状态特征、语言能力特征；
第六获得单元，所述第六获得单元用于根据所述运动能力特征、所述精神状态特征、所述语言能力特征，获得第一根节点特征；
第二构建单元，所述第二构建单元用于根据所述第一根节点特征和所述诊断疾病数据集，构建所述诊断疾病分类决策树；
第七获得单元，所属第七获得单元用于根据所述诊断疾病分类决策树，对所述诊断疾病数据集进行分类，获得第一分类结果；
第八获得单元，所述第八获得单元根据所述第一分类结果，获得不同类别的神经内科临床护理安全隐患标准；
第九获得单元，所述第九获得单元用于根据所述不同类别的神经内科临床护理安全隐患标准，获得所述第一用户的神经内科临床护理安全隐患标准；
第一执行单元，所述第一执行单元用于根据所述第一用户的神经内科临床护理安全隐患标准对所述第一用户的临床护理安全隐患进行分析处理。
8.一种神经内科临床护理安全隐患分析系统，包括：处理器，所述处理器与存储器耦合，所述存储器用于存储程序，当所述程序被所述处理器执行时，使得装置以执行如权利要求1至6任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110670916.8A CN113314201B (zh) | 2021-06-17 | 2021-06-17 | 一种神经内科临床护理安全隐患分析方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110670916.8A CN113314201B (zh) | 2021-06-17 | 2021-06-17 | 一种神经内科临床护理安全隐患分析方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113314201A true CN113314201A (zh) | 2021-08-27 |
| CN113314201B CN113314201B (zh) | 2022-05-13 |
Family
ID=77379203
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110670916.8A Active CN113314201B (zh) | 2021-06-17 | 2021-06-17 | 一种神经内科临床护理安全隐患分析方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113314201B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114203301A (zh) * | 2021-12-16 | 2022-03-18 | 乔艳丽 | 一种诊后患者健康状况追踪方法及系统 |
| CN114708964A (zh) * | 2022-06-06 | 2022-07-05 | 上海志听医疗科技有限公司 | 一种基于智能特征分类的眩晕症辅助分析统计方法及系统 |
| CN115473925A (zh) * | 2022-11-02 | 2022-12-13 | 四川港通医疗设备集团股份有限公司 | 一种基于云计算的医用呼叫智能管理方法及系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090124886A1 (en) * | 2007-11-12 | 2009-05-14 | Siemens Corporate Research, Inc. | Method For Developing Test For Neurosychiatric Disease |
| CN105528516A (zh) * | 2015-12-01 | 2016-04-27 | 三门县人民医院 | 基于主元分析与超限学习机相结合的临床病理数据分类方法 |
| CN108648819A (zh) * | 2018-08-07 | 2018-10-12 | 常州市第人民医院 | 一种血管外科用临床护理系统 |
| CN109830303A (zh) * | 2019-02-01 | 2019-05-31 | 上海众恒信息产业股份有限公司 | 基于互联网一体化医疗平台的临床数据挖掘分析与辅助决策方法 |
| US20190385751A1 (en) * | 2018-06-15 | 2019-12-19 | Zhu Yifan | Disease condition information research method and system, and storage medium |
| CN111180029A (zh) * | 2019-12-31 | 2020-05-19 | 平度市中医医院 | 信息化建设助力临床护理风险的防控系统 |
-
2021
- 2021-06-17 CN CN202110670916.8A patent/CN113314201B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090124886A1 (en) * | 2007-11-12 | 2009-05-14 | Siemens Corporate Research, Inc. | Method For Developing Test For Neurosychiatric Disease |
| CN105528516A (zh) * | 2015-12-01 | 2016-04-27 | 三门县人民医院 | 基于主元分析与超限学习机相结合的临床病理数据分类方法 |
| US20190385751A1 (en) * | 2018-06-15 | 2019-12-19 | Zhu Yifan | Disease condition information research method and system, and storage medium |
| CN108648819A (zh) * | 2018-08-07 | 2018-10-12 | 常州市第人民医院 | 一种血管外科用临床护理系统 |
| CN109830303A (zh) * | 2019-02-01 | 2019-05-31 | 上海众恒信息产业股份有限公司 | 基于互联网一体化医疗平台的临床数据挖掘分析与辅助决策方法 |
| CN111180029A (zh) * | 2019-12-31 | 2020-05-19 | 平度市中医医院 | 信息化建设助力临床护理风险的防控系统 |
Non-Patent Citations (2)
| Title |
|---|
| 夏庭伟: "基于机器学习构建2型糖尿病并发肾脏病中西医多模态特征融合预测模型", 《CNKI中国知网》 * |
| 陈淑慧: "分类方法在中医辨证诊断应用中的比较研究", 《CNKI中国知网》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114203301A (zh) * | 2021-12-16 | 2022-03-18 | 乔艳丽 | 一种诊后患者健康状况追踪方法及系统 |
| CN114708964A (zh) * | 2022-06-06 | 2022-07-05 | 上海志听医疗科技有限公司 | 一种基于智能特征分类的眩晕症辅助分析统计方法及系统 |
| CN114708964B (zh) * | 2022-06-06 | 2022-09-06 | 上海志听医疗科技有限公司 | 一种基于智能特征分类的眩晕症辅助分析统计方法及系统 |
| CN115473925A (zh) * | 2022-11-02 | 2022-12-13 | 四川港通医疗设备集团股份有限公司 | 一种基于云计算的医用呼叫智能管理方法及系统 |
| CN115473925B (zh) * | 2022-11-02 | 2023-02-03 | 四川港通医疗设备集团股份有限公司 | 一种基于云计算的医用呼叫智能管理方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113314201B (zh) | 2022-05-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113314201B (zh) | 一种神经内科临床护理安全隐患分析方法及系统 | |
| CN109350032B (zh) | 一种分类方法、系统、电子设备及存储介质 | |
| CN111161814A (zh) | 一种基于卷积神经网络的DRGs自动分组方法 | |
| CN112258093A (zh) | 风险等级的数据处理方法及装置、存储介质、电子设备 | |
| CN105636515B (zh) | 用于自动评估失神eeg的计算机程序和评估设备 | |
| CN110289096B (zh) | 一种基于深度学习的icu院内死亡率预测方法 | |
| US20180329977A1 (en) | Cluster evaluation in unsupervised learning of continuous data | |
| CN111657888A (zh) | 重度急性呼吸窘迫综合症预警方法及系统 | |
| CN111009321A (zh) | 一种机器学习分类模型在青少年孤独症辅助诊断中的应用方法 | |
| Liu et al. | Clinical time series prediction: Toward a hierarchical dynamical system framework | |
| CN112562863A (zh) | 流行病监测预警方法、装置、电子设备 | |
| CN116049693B (zh) | 一种基于医疗设备的计量检定数据管理方法 | |
| Shrestha et al. | Supervised machine learning for early predicting the sepsis patient: modified mean imputation and modified chi-square feature selection | |
| CN111477328B (zh) | 一种非接触式的心理状态预测方法 | |
| EP3581098B1 (en) | Method of generating respiratory status classifier and method of determining respiratory status | |
| CN109712708B (zh) | 一种基于数据挖掘的健康状况预测方法及装置 | |
| Sharma et al. | Comparative investigation of machine learning algorithms for detection of epileptic seizures | |
| JP6053166B2 (ja) | 数値データ解析装置及びプログラム | |
| Yin et al. | A novel switching state-space model for post-icu mortality prediction and survival analysis | |
| US20060069535A1 (en) | System and method for converting data, and system and method for providing warning signals | |
| CN115935183A (zh) | 失眠辨证分类模型的训练、分类方法、系统、设备及介质 | |
| CN114203301A (zh) | 一种诊后患者健康状况追踪方法及系统 | |
| Jabbar et al. | Risks of chronic kidney disease prediction using various data mining algorithms | |
| Figueiredo et al. | Early delirium detection using machine learning algorithms | |
| Goh et al. | Development of an effective clustering algorithm for older fallers |
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 |