CN113360847A - 一种心血管疾病预测系统以及包括该预测系统的心血管疾病管理系统 - Google Patents

一种心血管疾病预测系统以及包括该预测系统的心血管疾病管理系统 Download PDF

Info

Publication number
CN113360847A
CN113360847A CN202110617968.9A CN202110617968A CN113360847A CN 113360847 A CN113360847 A CN 113360847A CN 202110617968 A CN202110617968 A CN 202110617968A CN 113360847 A CN113360847 A CN 113360847A
Authority
CN
China
Prior art keywords
score
following table
determined according
probability
age
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
Application number
CN202110617968.9A
Other languages
English (en)
Other versions
CN113360847B (zh
Inventor
黄刚
徐俊波
蔡琳
李暄
冯维恒
游明元
余秀琼
吴镜
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
No 3 Peoples Hospital of Chengdu
Original Assignee
No 3 Peoples Hospital of Chengdu
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by No 3 Peoples Hospital of Chengdu filed Critical No 3 Peoples Hospital of Chengdu
Priority to CN202110617968.9A priority Critical patent/CN113360847B/zh
Publication of CN113360847A publication Critical patent/CN113360847A/zh
Application granted granted Critical
Publication of CN113360847B publication Critical patent/CN113360847B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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
    • G16H40/20—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 management or administration of healthcare resources or facilities, e.g. managing hospital staff or surgery rooms
    • 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)
  • Physics & Mathematics (AREA)
  • Public Health (AREA)
  • General Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • Primary Health Care (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Business, Economics & Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Pure & Applied Mathematics (AREA)
  • Epidemiology (AREA)
  • Mathematical Physics (AREA)
  • Databases & Information Systems (AREA)
  • Computational Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Pathology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Algebra (AREA)
  • Probability & Statistics with Applications (AREA)
  • Operations Research (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

本发明涉及一种心血管疾病预测系统以及包括该预测系统的心血管疾病管理系统，包括：(1)未患病居民子系统，用于未患病居民预测其患慢性心血管疾病概率；(2)患病居民子系统，用于患病居民预测其患下游慢性心血管疾病概率。通过本发明提出的技术方案，未患病居民可预测其慢性心血管疾病概率；患病居民可预测下游心血管疾病概率，并与医护进行沟通，接受相应的进一步评估和医疗建议，接收慢病防控知识，进行患者教育。

Description

一种心血管疾病预测系统以及包括该预测系统的心血管疾病 管理系统
技术领域
本发明涉及医疗技术领域，具体来说，涉及一种心血管疾病评估分级系统以及采用该评估分级系统的心血管疾病管理系统。
背景技术
慢性心血管代谢疾病是世界各国面临的重大疾病负担和挑战，随着社会经济的发展，脑卒中和缺血性心脏病等心血管疾病已经是我国首位死亡原因。2016年的数据显示中国有240万人直接死于慢性心血管疾病，同时在2010-2030之间，我国的慢性心血管疾病将增加约50％左右。第7次全国人口普查显示目前我国60岁以上人口约2.6亿，占总人口比例约18.7％，我国已经进入老龄社会，医疗费用的支出也是整体国家的一大经济负担，尤其是如心血管代谢疾病，高血压，冠心病，糖尿病，脑卒中等持续终身的慢性疾病。如何在未富的情况下，防控好多发常见的慢性心血管疾病，降低国家医疗费用支出，缓解“看病难，看病贵”，是当代慢病防控的重要内容。国务院发布的《“健康中国2030”规划纲要》，也着重于慢性心血管疾病的早期预防，诊断治疗，管理控制工作。虽然如此，传统的心血管疾病慢病管理模式和技术已经不能满足当代慢病防控的需求，既不能有效的降低慢性病的发病率，提高控制率，也不能有效节约人力、物力、财力等资源。互联网技术的进步为慢病的防控管理提供了新思路和方法，为此，国务院发布了《关于促进“互联网+医疗健康”发展的意见》，鼓励推荐借助互联网技术实现国家健康中国2030规划中的目标，其中，一个重要的方面就是慢性心血管代谢疾病的长期防控管理。
然而，目前传统的慢病管理模式(以高血压为例)为：患者不适就医(社区、二、三级医院)---各级医院明确高血压诊断---社区、二、三级医院接受治疗----定期随访处方药物---病情控制不佳求诊至上级医院。此类模式的不足之处在于，尚未患病的人群缺乏预防疾病主动性(高血压知晓率低)，患病人群缺乏疾病和健康管理知识(高血压治疗率低)，与医护互动积极性低(高血压控制率低)，上游心血管疾病危险因素不能有效防控，导致下游心血管并发症(冠心病、脑卒中、心力衰竭等)发病率，致残率增高。同时社区心对慢病管理的存在被动应付检查，错报，漏报相关数据，导致数据失真(浪费医疗人力成本)。本发明的提出可以有效调动各年龄人群，患病及未患病人群主动防控积极性，提高慢性心血管疾病防控管理成效。
发明内容
为了实现上述发明目的，本发明提供了以下技术方案：
本发明提供一种心血管疾病预测系统，包括以下两个子系统：(1)未患病居民子系统，用于未患病居民预测其患慢性心血管疾病概率；(2)患病居民子系统，用于患病居民预测其患下游慢性心血管疾病概率。
优选的，未患病居民子系统包括以下模块：2年冠心病预测模块、10年房颤预测模块、10年内患严重冠心病预测模块、4年内发生间歇性跛行概率预测模块。
优选的，患病居民子系统包括以下模块：房颤患者5年卒中预测模块、患有冠心病或高血压的患者4年内发生心力衰竭的概率预测模块、冠心病患者在2年内冠心病再发的概率。
优选的，未患病居民子系统、患病居民子系统的任意一个模块中均包括信息提示子模块、数据输入子模块、计算子模块。
优选的，信息提示子模块用于：提示居民使用该模块需要输入的数据；在计算完成后将计算结果提示该居民。
优选的，信息输入子模块用于：居民根据信息提示子模块的提示信息输入数据。
优选的，计算子模块用于：根据居民输入的数据计算得到预测结果。
优选的，信息提示子模块采用显示屏、扩音器或智能手环等硬件实现信息提示。
优选的，信息输入子模块采用键盘、触摸屏等硬件实现数据输入。
优选的，居民在使用时，首先选择其关心的疾病预测模块，在信息提示子模块的引导下在信息输入子模块中输入该模块预测需要的参数，经过计算子模块计算后，在信息提示子模块输出所得的预测结果。
值得注意的是，本发明提出的心血管疾病预测系统用于对居民身体健康状态进行摸底、预测，并非对其心血管疾病进行诊断治疗，实际上，有非常多的居民使用本系统时并没有患有心血管疾病，通过本系统有利于自我初步评估患病概率，未患病居民可预测其慢性心血管疾病概率；患病居民可预测下游心血管疾病概率，并与医护进行沟通，接受相应的进一步评估和医疗建议(这一阶段可能涉及诊断治疗)，并接收相应慢病防控知识，进行患者教育。
优选的，本发明还提供了一种心血管疾病管理系统，包括居民端、社区医院及二级医院医生端、三级医院医生端、卫生主管部门管理端。
优选的，居民端中包括前述的一种心血管疾病预测系统。
与现有技术相比，本发明的有益效果：
(1)实现疾病的早期预测评估，干预，诊疗处理，及时随访患者病情，形成正反馈的闭环循环式慢病的管理模式。
(2)实现疾病风险动态量化，依疾病风险高低，动态分层管理慢性心血管代谢疾病模式，根据病人的情况实现分级分类管理，其中，高风险病人的以医疗机构二三级干预为主，低风险的以自我管理生活方式，健康教育为主，降低慢病管理人力，物力，财力，优化卫生资源利用。
(3)未患病居民可预测其慢性心血管疾病概率；患病居民可预测下游心血管疾病概率，有利于患者对自己可能发生的病情有所预期并进行针对性的防控。在此基础上，患者可自我初步评估患病概率，并借助平台与医护进行沟通，接受相应的进一步评估和医疗建议，同时也可通过系统定期推送慢病防控知识，进行患者教育。提高慢病患者对于心血管疾病管理的黏附性及依从性，降低医疗成本。
附图说明：
图1为一种心血管疾病预测系统示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图，对本发明实施例中的技术方案进行清楚、完整的描述。显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。
因此，以下对本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的部分实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征和技术方案可以相互组合。
本发明提供一种心血管疾病预测系统，包括以下两个子系统：(1)未患病居民子系统，用于未患病居民预测其患慢性心血管疾病概率；(2)患病居民子系统，用于患病居民预测其患下游慢性心血管疾病概率。
优选的，未患病居民子系统包括以下模块：2年冠心病预测模块、10年房颤预测模块、10年内患严重冠心病预测模块、4年内发生间歇性跛行概率预测模块。
优选的，患病居民子系统包括以下模块：房颤患者5年卒中预测模块、患有冠心病或高血压的患者4年内发生心力衰竭的概率预测模块、冠心病患者在2年内冠心病再发的概率。
优选的，未患病居民子系统、患病居民子系统的任意一个模块中均包括信息提示子模块、数据输入子模块、计算子模块。
优选的，信息提示子模块用于：提示居民使用该模块需要输入的数据；在计算完成后将计算结果提示该居民。
优选的，信息输入子模块用于：居民根据信息提示子模块的提示信息输入数据。
优选的，计算子模块用于：根据居民输入的数据计算得到预测结果。
优选的，信息提示子模块采用显示屏、扩音器或智能手环等硬件实现信息提示。
优选的，信息输入子模块采用键盘、触摸屏等硬件实现数据输入。
优选的，居民在使用时，首先选择其关心的疾病预测模块，在信息提示子模块的引导下在信息输入子模块中输入该模块预测需要的参数，经过计算子模块计算后，在信息提示子模块输出所得的预测结果。
值得注意的是，本发明提出的心血管疾病预测系统用于对居民身体健康状态进行摸底、预测，并非对其心血管疾病进行诊断治疗，实际上，有非常多的居民使用本系统时并没有患有心血管疾病，通过本系统有利于自我初步评估患病概率，未患病居民可预测其慢性心血管疾病概率；患病居民可预测下游心血管疾病概率，并与医护进行沟通，接受相应的进一步评估和医疗建议(这一阶段可能涉及诊断治疗)，并接收相应慢病防控知识，进行患者教育。
优选的，2年冠心病预测模块需要输入的参数有：年龄、总胆固醇、高密度脂蛋白胆固醇、有无糖尿病、是否吸烟、血压收缩压。
该模块中计算子模块具体的预测方法为：
第一步：根据下表确定评分1。
年龄 分数
35-39 0
40-44 1
45-49 3
50-54 4
55-59 6
60-64 7
65-69 9
70-74 10
第二步：根据下表确定评分2。
Figure BDA0003095831980000071
例如，总胆固醇为4.14mmol/L且高密度脂蛋白胆固醇为1.29mmol/L，则对应分值为3分。
第三步：根据下表确定评分3。
糖尿病 分数
无 0
有 3
第四步：根据下表确定评分4。
Figure BDA0003095831980000072
Figure BDA0003095831980000081
第五步：根据下表确定评分5。
Figure BDA0003095831980000082
第六步：累加第一步到第五步的分数总和，在下表中查找预测的2年首发冠心病概率。
分数 2年概率 分数 2年概率 分数 2年概率
0 0％ 14 1％ 28 17％
2 0％ 16 2％ 30 24％
4 0％ 18 3％ 32 32％
6 0％ 20 4％ 34 43％
8 0％ 22 6％
10 1％ 24 9％
12 1％ 26 12％
例如：居民的年龄为45-49岁、总胆固醇为4.14mmol/L且高密度脂蛋白胆固醇为1.29mmol/L、有糖尿病、吸烟、血压收缩压在未治疗的情况下为<110mmHg。则，该居民第一步的分数为3分、第二步的分数为6分、第三步的分数为3分、第四步的分数为4分、第五步的分数为0分。则在第六步中计算出该居民的总分为16分，对应的，2年首发冠心病概率为2％。
作为优选的实施方式，在上述方式基础上，进一步的，10年内出现房颤预测模块需要输入的参数有：年龄、血压收缩压、高血压是否接受治疗、体重指数、出现明显心脏杂音的年龄、出现心脏衰竭年龄。
该模块中计算子模块具体的预测方法为：
第一步：根据下表确定评分1。
年龄 女性分数 男性分数
45-49 -3 1
50-54 -2 2
55-59 0 3
60-64 1 4
65-69 3 5
70-74 4 6
75-79 6 7
80-84 7 7
≥85 8 8
第二步：根据下表确定评分2。
收缩压(mmHg) 分数
<160 0
≥160 1
第三步：根据下表确定评分3。
高血压是否接受治疗 分数
否 0
是 1
第四步：根据下表确定评分4。
体重指数(Kg/m<sup>2</sup>) 分数
<30 0
≥30 1
第五步：根据下表确定评分5。
Figure BDA0003095831980000091
Figure BDA0003095831980000101
例如：在45-54岁心脏出现明显杂音则对应的得分为5分。
第六步：根据下表确定评分6。
Figure BDA0003095831980000102
第七步：累加第一步到第六步的分数总和，在下表中查找10年出现房颤的概率。
Figure BDA0003095831980000103
优选的，10年内患严重冠心病(心肌梗死或冠心病死亡)预测模块需要输入的参数有：性别、年龄、总胆固醇、是否吸烟、HDL、血压收缩压。
该模块中计算子模块具体的预测方法为：
对于男性而言，第一步：根据下表确定评分1。
Figure BDA0003095831980000104
第二步：根据下表确定评分2。
Figure BDA0003095831980000105
Figure BDA0003095831980000111
例如：年龄为40-49的的男性，总胆固醇(mmol/L)在6.20-7.21mmol/L，吸烟，则该男性的评分2为6+5＝11分；年龄为50-59的男性，总胆固醇(mmol/L)在4.14-5.15mmol/L，吸烟，则该男性的评分2为2+3＝5分。
第三步：根据下表确定评分3。
高密度脂蛋白胆固醇(mmol/L) 分数
≥1.55 -1
1.29-1.53 0
1.03-1.27 1
＜1.03 2
第四步：根据下表确定评分4。
血压收缩压(mmHg) 未治疗 治疗
＜120 0 0
120-129 0 1
130-139 1 2
140-159 1 2
≥160 2 3
第五步：累加第一步到第四步的分数总和，在下表中查找男性10年内患严重冠心病(心肌梗死或冠心病死亡)概率。
分数 ≤0 1 2 3 4 5 6 7
概率(％) ＜1 1 1 1 1 2 2 3
分数 8 9 10 11 12 13 14 15
概率(％) 4 5 6 8 10 12 16 20
分数 16 17
概率(％) ≥25 ≥30
对于女性而言，第一步：根据下表确定评分1。
Figure BDA0003095831980000112
Figure BDA0003095831980000121
第二步：根据下表确定评分2；
Figure BDA0003095831980000122
例如：年龄为40-49的女性，总胆固醇(mmol/L)在6.20-7.21mmol/L，吸烟，则该女性的评分2为8+7＝15分；年龄为50-59的女性，总胆固醇(mmol/L)在4.14-5.15mmol/L，吸烟，则该女性的评分2为2+4＝6分。
第三步：根据下表确定评分3；
Figure BDA0003095831980000123
第四步：根据下表确定评分4。
血压收缩压(mmHg) 未治疗 治疗
＜120 0 0
120-129 1 3
130-139 2 4
140-159 3 5
≥160 4 6
第五步：累加第一步到第四步的分数总和，在下表中查找女性10年内患严重冠心病(心肌梗死或冠心病死亡)概率。
Figure BDA0003095831980000124
Figure BDA0003095831980000131
作为优选的实施方式，在上述方式基础上，进一步的，4年内发生间歇性跛行概率预测模块需要输入的参数有：年龄、性别、总胆固醇、血压、平均每天吸烟数量、是否患有糖尿病、是否患有冠心病。
该模块中计算子模块具体的预测方法为：
第一步：根据下表确定评分1。
年龄 45-49 50-54 55-59 60-64 65-69 70-74 75-79
分数 0 +1 +2 +3 +4 +5 +6
第二步：根据下表确定评分2。
性别 女性 男性
分数 0 3
第三步：根据下表确定评分3。
Figure BDA0003095831980000132
第四步：根据下表确定评分4。
血压 正常 正常高值 高血压1期 高血压2期及以上
分数 0 +1 +2 +4
第五步：根据下表确定评分5。
Figure BDA0003095831980000133
第六步：根据下表确定评分6。
糖尿病 无 有
分数 0 +5
第七步：根据下表确定评分7。
冠心病 无 有
分数 0 +5
第八步：累加第一步到第七步的分数总和，在下表中查找4年内发生间歇性跛行的概率。
分数 ＜10 10-12 13-15 16-17 18 19 20 21
概率(％) ＜1 1 2 3 4 5 6 7
分数 22 23 24 25 26 27 28 29
概率(％) 8 10 11 13 16 18 21 24
分数 30
概率(％) 28
作为优选的实施方式，在上述方式基础上，进一步的，房颤患者5年内卒中概率预测模块需要输入的参数有：年龄、性别、收缩压、是否患有糖尿病、是否患有既往中风或短暂性脑缺血发作。
该模块中计算子模块具体的预测方法为：
第一步：根据下表确定评分1。
年龄 分数
55-59 0
60-62 1
63-66 2
67-71 3
72-74 4
75-77 5
78-81 6
82-85 7
86-90 8
91-93 9
>93 10
第二步：根据下表确定评分2。
性别 分数
男性 0
女性 6
第三步：根据下表确定评分3。
收缩压(mmHg) 分数
＜120 0
120-139 1
140-159 2
160-179 3
179 4
第四步：根据下表确定评分4。
糖尿病 分数
无 0
有 5
第五步：根据下表确定评分5。
既往中风或短暂性脑缺血发作 分数
无 0
有 6
第六步：累加第一步到第五步的分数总和，在下表中查找房颤患者5年内卒中概率。
Figure BDA0003095831980000151
Figure BDA0003095831980000161
优选的，患有冠心病或高血压的患者4年内发生心力衰竭的概率预测模块需要输入的参数有：年龄、性别、收缩压、心率、是否有左室肥大、是否患有冠心病、是否患有糖尿病、是否患有瓣膜病。
该模块中计算子模块具体的预测方法为：
对于男性患者，第一步：根据下表确定评分1。
年龄 45-49 50-54 55-59 60-64 65-69 70-74 75-79
分数 0 +1 +2 +3 +4 +5 +6
年龄 80-84 85-89 90-94
分数 +7 +8 +9
第二步：根据下表确定评分2。
收缩压(mmHg) ＜120 120-139 140-169 170-189 190-219 >219
分数 0 +1 +2 +3 +4 +5
第三步：根据下表确定评分3。
心率(bpm) ＜55 55-64 65-79 80-89 90-104 >104
分数 0 +1 +2 +3 +4 +5
第四步：根据下表确定评分4。
左室肥大 无 有
分数 0 +4
第五步：根据下表确定评分5。
冠心病 无 有
分数 0 +8
第六步：根据下表确定评分6。
糖尿病 无 有
分数 0 +1
第七步：根据下表确定评分7。
瓣膜病 无 有
分数 0 +5
第八步：累加第一步到第七步的分数总和，在下表中查找有冠心病或高血压的男性患者4年内发生心力衰竭概率。
分数 概率(％) 分数 概率(％)
5 1 24 30
10 3 25 34
12 3 26 39
14 5 27 44
16 8 28 49
18 11 29 54
20 16 30 59
22 22
对于女性患者，第一步：根据下表确定评分1。
年龄 45-49 50-54 55-59 60-64 65-69 70-74 75-79
分数 0 +1 +2 +3 +4 +5 +6
年龄 80-84 85-89 90-94
分数 +7 +8 +9
第二步：根据下表确定评分2。
收缩压(mmHg) <140 140-209 >209
分数 0 +1 +2
第三步：根据下表确定评分3。
心率(bpm) <60 60-79 80-104 >104
分数 0 +1 +2 +3
第四步：根据下表确定评分4。
左室肥大 无 有
分数 0 +5
第五步：根据下表确定评分5。
冠心病 无 有
分数 0 +6
第六步：根据下表确定评分6。
糖尿病 无 有(但无瓣膜病) 有(且有瓣膜病)
分数 0 +6 +2
第七步：根据下表确定评分7。
瓣膜病 无 有
分数 0 +6
第八步：根据下表确定评分8。
体重指数(kg/m<sup>2</sup>) <21 21-25 26-29 >29
分数 0 +1 +2 +3
第八步：累加第一步到第七步的分数总和，在下表中查找有冠心病或高血压的女性患者4年内发生心力衰竭概率。
分数 概率(％) 分数 概率(％)
5 1 24 30
10 3 25 34
12 3 26 39
14 5 27 44
16 8 28 49
18 11 29 54
20 16 30 59
22 22
优选的，已患冠心病患者在2年内冠心病再发的概率预测模块需要输入的参数有：年龄、总胆固醇、高密度脂蛋白胆固醇、是否患有糖尿病、是否吸烟、收缩压。
该模块中计算子模块具体的预测方法为：
对于男性患者，第一步：根据下表确定评分1。
年龄 35-39 40-44 45-49 50-54 55-59 60-64 65-69 70-74
分数 0 1 3 4 6 7 9 10
第二步：根据下表确定评分2。
Figure BDA0003095831980000191
第三步：根据下表确定评分3。
糖尿病 无 有
分数 0 +4
第四步：累加第一步到第三步的分数总和，在下表中查找已患冠心病男性患者在2年内冠心病再发的概率。
Figure BDA0003095831980000192
Figure BDA0003095831980000201
对于女性患者，第一步：根据下表确定评分1。
年龄 35-39 40-44 45-49 50-54 55-59 60-64 65-69 70-74
分数 0 1 2 3 4 5 6 7
第二步：根据下表确定评分2。
Figure BDA0003095831980000202
第三步：根据下表确定评分3。
糖尿病 无 有
分数 0 +3
第四步：根据下表确定评分4。
吸烟 无 有
分数 0 +4
第五步：根据下表确定评分5。
Figure BDA0003095831980000211
第六步：累加第一步到第五步的分数总和，在下表中查找已患冠心病女性患者在2年内冠心病再发的概率。
分数 概率(％) 分数 概率(％) 分数 概率(％)
0 1 14 3 28 9
2 1 16 3 30 11
4 1 18 4 32 13
6 1 20 5 34 16
8 2 22 6 36 19
10 2 24 7 38 22
12 2 26 8
优选的，本发明提供一种基于大数据的心血管疾病评估管理系统，包括居民端、社区医院及二级医院医生端、三级医院医生端、卫生主管部门管理端。
优选的，居民端包括基本数据管理系统、建档系统、日常监测系统、心血管疾病预测系统、提示系统、教育系统、交流系统。其中心血管疾病预测系统采用前文提出的心血管疾病预测系统。
优选的，采用微信小程序、公众号，手机APP等方式进行实名注册，注册后通过微信小程序、公众号，手机APP等方式将其基本数据录入基本数据管理系统。
优选的，居民录入的数据包括但不仅限于：姓名、性别、年龄、身份证号、居住地所在社区、电话号码、紧急联系人电话号码、有无既往确诊的心血管疾病、现患心血管疾病的诊断结论(如有照片，可拍照上传)、目前采用的治疗方案(如有照片，可拍照上传)。
优选的，在建档系统中，居民可查询其所居住地所在社区的社区医院医生，并选择一名医生作为其建档医生，随后即完成慢性心血管疾病的建档。
优选的，日常监测系统中，患者可手动输入或OCR识别录入相关检测参数，亦可采用穿戴式健康监测设备完成日常检测数据上传。
优选的，在社区医院布置集成检测装置以实现心血管疾病相关数据的录入，集成检测装置集成了包括但不限于血压检测装置、体重身高检测装置、血脂检测装置、血糖检测装置、尿酸检测装置、心电图检测装置等检测设备。使用时，在医护人员的帮助下可实现对心血管疾病相关数据的一站式采集，并通过集成检测装置实现一次性上传。通过集成检测装置可大大节约居民到不同检测地点的检查、等待时间，此外，该系统有利于不熟悉智能手机操作的居民(如老年人)快速、准确地上报检测数据。
优选的，提示系统包括：突发风险提示模块、预测结果提示模块、就诊提示模块、服药提示模块。
突发风险提示模块：当检测到日常检测系统录入的数据中居民处于高风险或需紧急医疗处置状态时，向系统中预留的紧急联系人电话号码发送信息；与此同时通知其建档医生，以便采取紧急医疗干预措施。
预测结果提示模块：输出心血管疾病预测系统得到的预测结果，并将所得的预测结果告知居民，与此同时，居民可选择将预测结果发送至建档医生以便于建档医生知晓其病情。
就诊提示模块：建档医生可通过就诊提示模块提醒居民完成定期的复查，此外，居民也可在就诊提示模块手动录入预约其期望的复诊医生及复诊时间。
服药提示模块：患者在带药回家后，根据用药方法提醒服药，提高患者依从性，促进提高患者治疗疗效。
优选的，教育系统包括定期推送子系统和智能助手子系统。
定期推送子系统用于根据居民所患的心血管疾病，定期进行预防、治疗疾病相关知识的推送，帮助居民自我教育管理，激发积极性，修正生活方式，科普医学知识，提高其复诊及对医疗措施的依从性。
智能助手子系统用于帮助解答居民饮食习惯、生活作息等生活方式相关的问题，患者输入相关疑问后，后台根据数据库预先存储信息自动识别关键字并回复相关科普知识。
优选的，交流系统用于实现居民和医生之间的交流，居民和医生之间可进行在线交流，也可通过预留的电话进行语音交流。
优选的，社区医院及二级医院医生端包括：(1)通知系统；(2)诊疗管理系统；(3)转诊、会诊系统；(4)交流系统。
优选的，通知系统用于：(1)通知医生有新的居民选择其为建档医生；(2)接收突发风险提示模块的报警信息，并通知医生以便于采取紧急措施。
优选的，诊疗管理系统用于：医生添加病患名单、病患病历，编辑患者病历资料，发送给患者疾病诊断意见，设定患者就医提醒和服药提醒，给患者开具药品电子处方。
优选的，转诊、会诊系统用于：(1)向三级医院医生发起会诊、业务指导请求；(2)向三级医院医生发起转诊请求。
优选的，交流系统用于：(1)社区医院医生与居民交流；(2)社区医院医生、二级医院医生与三级医院医生交流。相似的，交流可通过在线进行，也可通过预留的电话进行语音交流。
优选的，三级医院医生端包括：(1)接收系统；(2)诊疗管理系统；(3)指导系统；(4)交流系统；(5)向下转诊系统。
作为优选的实施方式，在上述方式基础上，进一步的，接收系统用于：接收社区医院、二级医院医生发起的会诊、业务指导请求；接收社区医院、二级医院医生发起的转诊请求。
优选的，诊疗管理系统用于：医生添加病患名单、病患病历，编辑患者病历资料，发送给患者疾病诊断意见，设定患者就医提醒和服药提醒，给患者开具药品电子处方。
优选的，指导系统用于：(1)针对社区医院、二级医院医生发起的会诊进行业务指导请求，并将会诊结果发送至社区医院、二级医院医生；(2)三级医院接诊患者后根据患者病情向二级、社区医院转诊或给予慢病管理指导意见。(3)向社区医院、二级医院医生发送前沿的诊疗手段进展和相关领域最新的研究成果，以便于社区医院、二级医院医生提高业务能力。
优选的，交流系统用于：(1)三级医院医生交流与居民交流；(2)三级医院医生与社区医院、二级医院医生交流。相似的，交流可通过在线进行，也可通过预留的电话进行语音交流。
作为优选的实施方式，在上述方式基础上，进一步的，向下转诊系统用于：将稳定慢病患者转诊至二级、社区、康复医疗机构，以便于实现就近就诊、减轻三级医院的压力。
优选的，卫生主管部门管理端包括数据统计模块及监督管理模块。
优选的，数据统计模块用于统计心血管疾病的发病、治疗、康复、分级诊疗等情况，并提供给卫生行政主管部门进行参考，为决策机构对于慢性心血管代谢疾病防控管理提供决策依据。
以上实施例仅用以说明本发明而并非限制本发明所描述的技术方案，尽管本说明书参照上述的各个实施例对本发明已进行了详细的说明，但本发明不局限于上述具体实施方式，因此任何对本发明进行修改或等同替换；而一切不脱离发明的精神和范围的技术方案及其改进，其均涵盖在本发明的权利要求范围当中。

Claims (8)

1.一种心血管疾病预测系统，其特征在于：包括以下两个子系统：(1)未患病居民子系统，用于未患病居民预测其患慢性心血管疾病概率；(2)患病居民子系统，用于患病居民预测其患下游慢性心血管疾病概率。
2.如权利要求1所述的一种心血管疾病预测系统，其特征在于：未患病居民子系统包括以下模块：2年冠心病预测模块、10年房颤预测模块、10年内患严重冠心病预测模块、4年内发生间歇性跛行概率预测模块。
3.如权利要求1所述的一种心血管疾病预测系统，其特征在于：患病居民子系统包括以下模块：房颤患者5年卒中预测模块、患有冠心病或高血压的患者4年内发生心力衰竭的概率预测模块、冠心病患者在2年内冠心病再发的概率。
4.如权利要求2-3任一项所述的一种心血管疾病预测系统，其特征在于：未患病居民子系统、患病居民子系统的任意一个模块中均包括信息提示子模块、数据输入子模块、计算子模块。
5.如权利要求4所述的一种心血管疾病预测系统，其特征在于：信息提示子模块用于：信息提示子模块用于：提示居民使用该模块需要输入的数据；在计算完成后将计算结果提示该居民；信息输入子模块用于：居民根据信息提示子模块的提示信息输入数据；计算子模块用于：根据居民输入的数据计算得到预测结果；信息提示子模块采用显示屏、扩音器或智能手环等硬件实现信息提示；信息输入子模块采用键盘、触摸屏等硬件实现数据输入。
6.如权利要求1-5任一项所述的一种心血管疾病预测系统，其特征在于：居民在使用时，首先选择其关心的疾病预测模块，在信息提示子模块的引导下在信息输入子模块中输入该模块预测需要的参数，经过计算子模块计算后，在信息提示子模块输出所得的预测结果。
7.如权利要求1-6任意一项所述的一种心血管疾病预测系统，其特征在于：2年冠心病预测模块需要输入的参数有：年龄、总胆固醇、高密度脂蛋白胆固醇、有无糖尿病、是否吸烟、血压收缩压；
该模块中计算子模块具体的预测方法为：
第一步：根据下表确定评分1；
年龄 分数 35-39 0 40-44 1 45-49 3 50-54 4 55-59 6 60-64 7 65-69 9 70-74 10
第二步：根据下表确定评分2；
Figure FDA0003095831970000021
Figure FDA0003095831970000031
第三步：根据下表确定评分3；
糖尿病 分数 无 0 有 3
第四步：根据下表确定评分4；
吸烟 分数 无 0 有 4
第五步：根据下表确定评分5；
Figure FDA0003095831970000032
第六步：累加第一步到第五步的分数总和，在下表中查找预测的2年首发冠心病概率；
分数 2年概率 分数 2年概率 分数 2年概率 0 0％ 14 1％ 28 17％ 2 0％ 16 2％ 30 24％ 4 0％ 18 3％ 32 32％ 6 0％ 20 4％ 34 43％ 8 0％ 22 6％ 10 1％ 24 9％ 12 1％ 26 12％
10年内出现房颤预测模块需要输入的参数有：年龄、血压收缩压、高血压是否接受治疗、体重指数、出现明显心脏杂音的年龄、出现心脏衰竭年龄；
该模块中计算子模块具体的预测方法为：
第一步：根据下表确定评分1；
年龄 女性分数 男性分数 45-49 -3 1 50-54 -2 2 55-59 0 3 60-64 1 4 65-69 3 5 70-74 4 6 75-79 6 7 80-84 7 7 ≥85 8 8
第二步：根据下表确定评分2；
收缩压(mmHg) 分数 <160 0 ≥160 1
第三步：根据下表确定评分3；
高血压是否接受治疗 分数 否 0 是 1
第四步：根据下表确定评分4；
体重指数(Kg/m<sup>2</sup>) 分数 <30 0 ≥30 1
第五步：根据下表确定评分5；
Figure FDA0003095831970000051
第六步：根据下表确定评分6；
Figure FDA0003095831970000052
第七步：累加第一步到第六步的分数总和，在下表中查找10年出现房颤的概率；
分数 ≤0 1 2 3 4 5 6 7 8 9 ≥10 概率(％) ≤1 2 2 3 4 6 8 12 16 22 30
10年内患严重冠心病(心肌梗死或冠心病死亡)预测模块需要输入的参数有：性别、年龄、总胆固醇、是否吸烟、HDL、血压收缩压；
该模块中计算子模块具体的预测方法为：
对于男性而言，第一步：根据下表确定评分1；
Figure FDA0003095831970000053
第二步：根据下表确定评分2；
Figure FDA0003095831970000061
第三步：根据下表确定评分3；
高密度脂蛋白胆固醇(mmol/L) 分数 ≥1.55 -1 1.29-1.53 0 1.03-1.27 1 ＜1.03 2
第四步：根据下表确定评分4；
血压收缩压(mmHg) 未治疗 治疗 ＜120 0 0 120-129 0 1 130-139 1 2 140-159 1 2 ≥160 2 3
第五步：累加第一步到第四步的分数总和，在下表中查找男性10年内患严重冠心病(心肌梗死或冠心病死亡)概率；
分数 ≤0 1 2 3 4 5 6 7 概率(％) ＜1 1 1 1 1 2 2 3 分数 8 9 10 11 12 13 14 15 概率(％) 4 5 6 8 10 12 16 20 分数 16 17 概率(％) ≥25 ≥30
对于女性而言，第一步：根据下表确定评分1；
Figure FDA0003095831970000062
Figure FDA0003095831970000071
第二步：根据下表确定评分2；
Figure FDA0003095831970000072
第三步：根据下表确定评分3；
Figure FDA0003095831970000073
第四步：根据下表确定评分4；
血压收缩压(mmHg) 未治疗 治疗 ＜120 0 0 120-129 1 3 130-139 2 4 140-159 3 5 ≥160 4 6
第五步：累加第一步到第四步的分数总和，在下表中查找女性10年内患严重冠心病(心肌梗死或冠心病死亡)概率；
分数 ＜9 9 10 11 12 13 14 15 概率(％) ＜1 1 1 1 1 2 2 3 分数 16 17 18 19 20 21 22 23 概率(％) 4 5 6 8 11 14 17 22 分数 24 ≥25 概率(％) 27 ≥30
4年内发生间歇性跛行概率预测模块需要输入的参数有：年龄、性别、总胆固醇、血压、平均每天吸烟数量、是否患有糖尿病、是否患有冠心病；
该模块中计算子模块具体的预测方法为：
第一步：根据下表确定评分1；
年龄 45-49 50-54 55-59 60-64 65-69 70-74 75-79 分数 0 +1 +2 +3 +4 +5 +6
第二步：根据下表确定评分2；
性别 女性 男性 分数 0 3
第三步：根据下表确定评分3；
Figure FDA0003095831970000081
第四步：根据下表确定评分4；
血压 正常 正常高值 高血压1期 高血压2期及以上 分数 0 +1 +2 +4
第五步：根据下表确定评分5；
Figure FDA0003095831970000082
第六步：根据下表确定评分6；
糖尿病 无 有 分数 0 +5
第七步：根据下表确定评分7；
冠心病 无 有 分数 0 +5
第八步：累加第一步到第七步的分数总和，在下表中查找4年内发生间歇性跛行的概率；
Figure FDA0003095831970000083
Figure FDA0003095831970000091
房颤患者5年内卒中概率预测模块需要输入的参数有：年龄、性别、收缩压、是否患有糖尿病、是否有既往中风或短暂性脑缺血发作；
该模块中计算子模块具体的预测方法为：
第一步：根据下表确定评分1；
年龄 分数 55-59 0 60-62 1 63-66 2 67-71 3 72-74 4 75-77 5 78-81 6 82-85 7 86-90 8 91-93 9 >93 10
第二步：根据下表确定评分2；
性别 分数 男性 0 女性 6
第三步：根据下表确定评分3；
收缩压(mmHg) 分数 ＜120 0 120-139 1 140-159 2 160-179 3 179 4
第四步：根据下表确定评分4；
糖尿病 分数 无 0 有 5
第五步：根据下表确定评分5；
既往中风或短暂性脑缺血发作 分数 无 0 有 6
第六步：累加第一步到第五步的分数总和，在下表中查找房颤患者5年内卒中概率；
Figure FDA0003095831970000101
Figure FDA0003095831970000111
患有冠心病、高血压的患者4年内发生心力衰竭的概率预测模块需要输入的参数有：年龄、性别、收缩压、心率、是否有左室肥大、是否患有冠心病、是否患有糖尿病、是否患有瓣膜病；
该模块中计算子模块具体的预测方法为：
对于男性患者，第一步：根据下表确定评分1；
年龄 45-49 50-54 55-59 60-64 65-69 70-74 75-79 分数 0 +1 +2 +3 +4 +5 +6 年龄 80-84 85-89 90-94 分数 +7 +8 +9
第二步：根据下表确定评分2；
收缩压(mmHg) ＜120 120-139 140-169 170-189 190-219 >219 分数 0 +1 +2 +3 +4 +5
第三步：根据下表确定评分3；
心率(bpm) ＜55 55-64 65-79 80-89 90-104 >104 分数 0 +1 +2 +3 +4 +5
第四步：根据下表确定评分4；
左室肥大 无 有 分数 0 +4
第五步：根据下表确定评分5；
冠心病 无 有 分数 0 +8
第六步：根据下表确定评分6；
糖尿病 无 有 分数 0 +1
第七步：根据下表确定评分7；
瓣膜病 无 有 分数 0 +5
第八步：累加第一步到第七步的分数总和，在下表中查找有冠心病、高血压的男性患者4年内发生心力衰竭概率；
分数 概率(％) 分数 概率(％) 5 1 24 30 10 3 25 34 12 3 26 39 14 5 27 44 16 8 28 49 18 11 29 54 20 16 30 59 22 22
对于女性患者，第一步：根据下表确定评分1；
年龄 45-49 50-54 55-59 60-64 65-69 70-74 75-79 分数 0 +1 +2 +3 +4 +5 +6 年龄 80-84 85-89 90-94 分数 +7 +8 +9
第二步：根据下表确定评分2；
收缩压(mmHg) <140 140-209 >209 分数 0 +1 +2
第三步：根据下表确定评分3；
心率(bpm) <60 60-79 80-104 >104 分数 0 +1 +2 +3
第四步：根据下表确定评分4；
左室肥大 无 有 分数 0 +5
第五步：根据下表确定评分5；
冠心病 无 有 分数 0 +6
第六步：根据下表确定评分6；
糖尿病 无 有(但无瓣膜病) 有(且有瓣膜病) 分数 0 +6 +2
第七步：根据下表确定评分7；
瓣膜病 无 有 分数 0 +6
第八步：根据下表确定评分8；
体重指数(kg/m<sup>2</sup>) <21 21-25 26-29 >29 分数 0 +1 +2 +3
第八步：累加第一步到第七步的分数总和，在下表中查找有冠心病、高血压的女性患者4年内发生心力衰竭概率；
分数 概率(％) 分数 概率(％) 5 1 24 30 10 3 25 34 12 3 26 39 14 5 27 44 16 8 28 49 18 11 29 54 20 16 30 59 22 22
已患冠心病患者在2年内冠心病再发的概率预测模块需要输入的参数有：年龄、总胆固醇、高密度脂蛋白胆固醇、是否患有糖尿病、是否吸烟、收缩压；
该模块中计算子模块具体的预测方法为：
对于男性患者，第一步：根据下表确定评分1；
年龄 35-39 40-44 45-49 50-54 55-59 60-64 65-69 70-74 分数 0 1 3 4 6 7 9 10
第二步：根据下表确定评分2；
Figure FDA0003095831970000131
Figure FDA0003095831970000141
第三步：根据下表确定评分3；
糖尿病 无 有 分数 0 +4
第四步：累加第一步到第三步的分数总和，在下表中查找已患冠心病男性患者在2年内冠心病再发的概率；
分数 概率(％) 分数 概率(％) 分数 概率(％) 0 3 14 9 28 25 2 4 16 11 30 29 4 4 18 13 6 5 20 14 8 6 22 17 10 7 24 19 12 8 26 22
对于女性患者，第一步：根据下表确定评分1；
年龄 35-39 40-44 45-49 50-54 55-59 60-64 65-69 70-74 分数 0 1 2 3 4 5 6 7
第二步：根据下表确定评分2；
Figure FDA0003095831970000142
Figure FDA0003095831970000151
第三步：根据下表确定评分3；
糖尿病 无 有 分数 0 +3
第四步：根据下表确定评分4；
吸烟 无 有 分数 0 +4
第五步：根据下表确定评分5；
Figure FDA0003095831970000152
第六步：累加第一步到第五步的分数总和，在下表中查找已患冠心病女性患者在2年内冠心病再发的概率。
分数 概率(％) 分数 概率(％) 分数 概率(％) 0 1 14 3 28 9 2 1 16 3 30 11 4 1 18 4 32 13 6 1 20 5 34 16 8 2 22 6 36 19 10 2 24 7 38 22 12 2 26 8
8.一种心血管疾病管理系统，其特征在于：包括居民端、社区医院及二级医院医生端、三级医院医生端、卫生主管部门管理端；其中，居民端中包括如权利要求1-7任意一项所述的一种心血管疾病预测系统。
CN202110617968.9A 2021-06-01 2021-06-01 一种心血管疾病预测系统以及包括该预测系统的心血管疾病管理系统 Active CN113360847B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110617968.9A CN113360847B (zh) 2021-06-01 2021-06-01 一种心血管疾病预测系统以及包括该预测系统的心血管疾病管理系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110617968.9A CN113360847B (zh) 2021-06-01 2021-06-01 一种心血管疾病预测系统以及包括该预测系统的心血管疾病管理系统

Publications (2)

Publication Number Publication Date
CN113360847A true CN113360847A (zh) 2021-09-07
CN113360847B CN113360847B (zh) 2022-07-19

Family

ID=77531599

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110617968.9A Active CN113360847B (zh) 2021-06-01 2021-06-01 一种心血管疾病预测系统以及包括该预测系统的心血管疾病管理系统

Country Status (1)

Country Link
CN (1) CN113360847B (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5396886A (en) * 1992-10-02 1995-03-14 Bristol-Myers Squibb Company Method for predicting coronary heart disease
US20070060821A1 (en) * 2002-02-21 2007-03-15 Regents Of The University Of Minnesota Screening for early detection of cardiovascular disease in asymptomatic individuals
US20100030035A1 (en) * 2008-08-04 2010-02-04 The Hong Kong Polytechnic University Fuzzy system for cardiovascular disease and stroke risk assessment
US20100057651A1 (en) * 2008-09-03 2010-03-04 Siemens Medicals Solutions USA, Inc. Knowledge-Based Interpretable Predictive Model for Survival Analysis
US20110208434A1 (en) * 2010-02-12 2011-08-25 Hersh Steven H Method and software for cardiovascular assessment and risk detection
US20160139160A1 (en) * 2014-11-17 2016-05-19 Boston Heart Diagnostic Corporation Cardiovascular disease risk assessment
KR20160086730A (ko) * 2015-01-09 2016-07-20 재단법인 아산사회복지재단 심혈관질환 위험 인자를 사용한 심혈관질환 위험의 예측 방법
CN105930674A (zh) * 2016-03-04 2016-09-07 江苏鹿得医疗电子股份有限公司 一种基于医疗健康数据采集的智慧健康预测与决策系统
CN107145755A (zh) * 2017-05-16 2017-09-08 陈韵岱 基于智能决策支持技术的心血管慢病管理方法
CN107169270A (zh) * 2017-04-24 2017-09-15 江苏省苏北人民医院 一种慢性心血管病远程分级随访精准管理系统

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5396886A (en) * 1992-10-02 1995-03-14 Bristol-Myers Squibb Company Method for predicting coronary heart disease
US20070060821A1 (en) * 2002-02-21 2007-03-15 Regents Of The University Of Minnesota Screening for early detection of cardiovascular disease in asymptomatic individuals
US20100030035A1 (en) * 2008-08-04 2010-02-04 The Hong Kong Polytechnic University Fuzzy system for cardiovascular disease and stroke risk assessment
US20100057651A1 (en) * 2008-09-03 2010-03-04 Siemens Medicals Solutions USA, Inc. Knowledge-Based Interpretable Predictive Model for Survival Analysis
US20110208434A1 (en) * 2010-02-12 2011-08-25 Hersh Steven H Method and software for cardiovascular assessment and risk detection
US20160139160A1 (en) * 2014-11-17 2016-05-19 Boston Heart Diagnostic Corporation Cardiovascular disease risk assessment
KR20160086730A (ko) * 2015-01-09 2016-07-20 재단법인 아산사회복지재단 심혈관질환 위험 인자를 사용한 심혈관질환 위험의 예측 방법
CN105930674A (zh) * 2016-03-04 2016-09-07 江苏鹿得医疗电子股份有限公司 一种基于医疗健康数据采集的智慧健康预测与决策系统
CN107169270A (zh) * 2017-04-24 2017-09-15 江苏省苏北人民医院 一种慢性心血管病远程分级随访精准管理系统
CN107145755A (zh) * 2017-05-16 2017-09-08 陈韵岱 基于智能决策支持技术的心血管慢病管理方法

Also Published As

Publication number Publication date
CN113360847B (zh) 2022-07-19

Similar Documents

Publication Publication Date Title
US10311974B2 (en) Mobile health intelligent medical guide system and method thereof
Mesch et al. Minority status and health information search: A test of the social diversification hypothesis
Morris et al. Comprehensive clinical assessment in community setting: applicability of the MDS‐HC
Carey et al. Prevalence and correlates of sexual activity and HIV-related risk behavior among psychiatric outpatients.
US6450956B1 (en) System and method for treatment and outcome measurement analysis
CN105956371A (zh) 远程视频问诊系统
Panda et al. Big data in health care: A mobile based solution
US20130131574A1 (en) Dialysis treatment monitoring
Marrocco et al. Obstacles to preventive care for individuals with disability: Implications for nurse practitioners
CN113470773A (zh) 一种基于大数据的心血管疾病评估管理系统
Rice Economic Costs of Drug Abuse Dorothy P. Rice, Sander Kelman, and Leonard S. Miller
KR102479692B1 (ko) 빅데이터 및 클라우드 시스템 기반 인공지능 응급의료 의사결정 및 응급환자 이송 시스템과 그 방법
CN110706820A (zh) 一种基于大数据技术的老年人健康服务虚拟社区系统
CN116434899A (zh) 一种基于多源数据的健康档案信息平台建立方法
Giordano et al. The impact of housing and HIV treatment on health-related quality of life among people with HIV experiencing homelessness or unstable housing
CN107066816B (zh) 基于临床数据的就医指导方法、装置及服务器
JP2009031900A (ja) 健診データ処理装置
CN113360847B (zh) 一种心血管疾病预测系统以及包括该预测系统的心血管疾病管理系统
CN116844703A (zh) 一种基于人工智能的导诊方法及系统
CN109215773B (zh) 一种基于大数据的日常检测方法
CN115410688A (zh) 以正念为基础的失眠认知行为治疗方案生成方法及装置
CN115966292A (zh) 一种基于智慧医院的数据自动化管理系统及方法
Rangareddy et al. Artificial intelligence and healthcare
Perell et al. Outcomes of a consult fall prevention screening clinic
Kim et al. Fifteen-year experience with telemedicine services in Gangwon Province in Korea

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