CN113436738A - 管理风险用户的方法、装置、设备及存储介质 - Google Patents
管理风险用户的方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN113436738A CN113436738A CN202110712101.1A CN202110712101A CN113436738A CN 113436738 A CN113436738 A CN 113436738A CN 202110712101 A CN202110712101 A CN 202110712101A CN 113436738 A CN113436738 A CN 113436738A
- Authority
- CN
- China
- Prior art keywords
- risk
- user
- scheme
- information
- detection
- 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
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000001514 detection method Methods 0.000 claims abstract description 205
- 230000036541 health Effects 0.000 claims abstract description 113
- 238000012545 processing Methods 0.000 claims abstract description 48
- 230000002159 abnormal effect Effects 0.000 claims abstract description 32
- 230000033001 locomotion Effects 0.000 claims description 43
- 238000011156 evaluation Methods 0.000 claims description 32
- 238000003745 diagnosis Methods 0.000 claims description 27
- 238000012544 monitoring process Methods 0.000 claims description 27
- 238000012549 training Methods 0.000 claims description 27
- 235000005911 diet Nutrition 0.000 claims description 24
- 235000005686 eating Nutrition 0.000 claims description 20
- 238000013058 risk prediction model Methods 0.000 claims description 17
- 230000011218 segmentation Effects 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 16
- 230000000694 effects Effects 0.000 claims description 13
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 230000008859 change Effects 0.000 claims description 8
- 235000006694 eating habits Nutrition 0.000 claims description 7
- 238000010801 machine learning Methods 0.000 claims description 5
- 230000000378 dietary effect Effects 0.000 claims 2
- 208000017667 Chronic Disease Diseases 0.000 description 93
- 206010012601 diabetes mellitus Diseases 0.000 description 59
- 239000008280 blood Substances 0.000 description 57
- 210000004369 blood Anatomy 0.000 description 57
- 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 description 38
- 239000008103 glucose Substances 0.000 description 38
- 238000012502 risk assessment Methods 0.000 description 26
- 230000037213 diet Effects 0.000 description 22
- 239000003814 drug Substances 0.000 description 15
- 229940079593 drug Drugs 0.000 description 11
- 230000006870 function Effects 0.000 description 10
- 238000005259 measurement Methods 0.000 description 10
- 102000017011 Glycated Hemoglobin A Human genes 0.000 description 9
- 235000021152 breakfast Nutrition 0.000 description 8
- 230000001684 chronic effect Effects 0.000 description 8
- 201000010099 disease Diseases 0.000 description 8
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 206010020772 Hypertension Diseases 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 108091005995 glycated hemoglobin Proteins 0.000 description 7
- 235000012054 meals Nutrition 0.000 description 7
- NOESYZHRGYRDHS-UHFFFAOYSA-N insulin Chemical compound N1C(=O)C(NC(=O)C(CCC(N)=O)NC(=O)C(CCC(O)=O)NC(=O)C(C(C)C)NC(=O)C(NC(=O)CN)C(C)CC)CSSCC(C(NC(CO)C(=O)NC(CC(C)C)C(=O)NC(CC=2C=CC(O)=CC=2)C(=O)NC(CCC(N)=O)C(=O)NC(CC(C)C)C(=O)NC(CCC(O)=O)C(=O)NC(CC(N)=O)C(=O)NC(CC=2C=CC(O)=CC=2)C(=O)NC(CSSCC(NC(=O)C(C(C)C)NC(=O)C(CC(C)C)NC(=O)C(CC=2C=CC(O)=CC=2)NC(=O)C(CC(C)C)NC(=O)C(C)NC(=O)C(CCC(O)=O)NC(=O)C(C(C)C)NC(=O)C(CC(C)C)NC(=O)C(CC=2NC=NC=2)NC(=O)C(CO)NC(=O)CNC2=O)C(=O)NCC(=O)NC(CCC(O)=O)C(=O)NC(CCCNC(N)=N)C(=O)NCC(=O)NC(CC=3C=CC=CC=3)C(=O)NC(CC=3C=CC=CC=3)C(=O)NC(CC=3C=CC(O)=CC=3)C(=O)NC(C(C)O)C(=O)N3C(CCC3)C(=O)NC(CCCCN)C(=O)NC(C)C(O)=O)C(=O)NC(CC(N)=O)C(O)=O)=O)NC(=O)C(C(C)CC)NC(=O)C(CO)NC(=O)C(C(C)O)NC(=O)C1CSSCC2NC(=O)C(CC(C)C)NC(=O)C(NC(=O)C(CCC(N)=O)NC(=O)C(CC(N)=O)NC(=O)C(NC(=O)C(N)CC=1C=CC=CC=1)C(C)C)CC1=CN=CN1 NOESYZHRGYRDHS-UHFFFAOYSA-N 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 230000000291 postprandial effect Effects 0.000 description 4
- 208000031226 Hyperlipidaemia Diseases 0.000 description 3
- 102000004877 Insulin Human genes 0.000 description 3
- 108090001061 Insulin Proteins 0.000 description 3
- 208000006673 asthma Diseases 0.000 description 3
- 230000003203 everyday effect Effects 0.000 description 3
- 208000019622 heart disease Diseases 0.000 description 3
- 229940125396 insulin Drugs 0.000 description 3
- 230000003860 sleep quality Effects 0.000 description 3
- 230000000391 smoking effect Effects 0.000 description 3
- 230000006016 thyroid dysfunction Effects 0.000 description 3
- 108010014663 Glycated Hemoglobin A Proteins 0.000 description 2
- 208000031662 Noncommunicable disease Diseases 0.000 description 2
- 208000028017 Psychotic disease Diseases 0.000 description 2
- 230000032683 aging Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 235000013305 food Nutrition 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 239000013589 supplement Substances 0.000 description 2
- 206010003210 Arteriosclerosis Diseases 0.000 description 1
- 206010003658 Atrial Fibrillation Diseases 0.000 description 1
- 208000006545 Chronic Obstructive Pulmonary Disease Diseases 0.000 description 1
- 208000000059 Dyspnea Diseases 0.000 description 1
- 206010013975 Dyspnoeas Diseases 0.000 description 1
- 206010014561 Emphysema Diseases 0.000 description 1
- 208000004930 Fatty Liver Diseases 0.000 description 1
- 206010019280 Heart failures Diseases 0.000 description 1
- 206010019708 Hepatic steatosis Diseases 0.000 description 1
- 208000007177 Left Ventricular Hypertrophy Diseases 0.000 description 1
- 206010039163 Right ventricular failure Diseases 0.000 description 1
- 208000006011 Stroke Diseases 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000000172 allergic effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 206010003119 arrhythmia Diseases 0.000 description 1
- 230000006793 arrhythmia Effects 0.000 description 1
- 208000011775 arteriosclerosis disease Diseases 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 208000010668 atopic eczema Diseases 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 208000020832 chronic kidney disease Diseases 0.000 description 1
- 208000029078 coronary artery disease Diseases 0.000 description 1
- 230000002354 daily effect Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 235000021004 dietary regimen Nutrition 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 208000010706 fatty liver disease Diseases 0.000 description 1
- 208000006750 hematuria Diseases 0.000 description 1
- 230000003907 kidney function Effects 0.000 description 1
- 235000005955 light diet Nutrition 0.000 description 1
- 150000002632 lipids Chemical class 0.000 description 1
- 230000003908 liver function Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000002483 medication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 208000010125 myocardial infarction Diseases 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000000241 respiratory effect Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 231100000240 steatosis hepatitis Toxicity 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
- 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
- G16H50/20—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)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本申请适用于医疗技术领域，提供了管理风险用户的方法、装置、设备及存储介质。该方法包括：获取风险用户的健康信息；利用预设的方案建议模型对健康信息进行处理，得到风险用户对应的检测指导方案；将检测指导方案发送至风险用户的终端；获取风险用户上传的目标数据，目标数据包括风险用户的检测数据；当根据检测指导方案，确定目标数据异常时，生成与目标数据对应的提醒信息；将提醒信息发送至终端。上述方案中，对风险用户是否有严格执行检测指导方案进行了自动全面监控，对风险用户当前的风险状况可及时反馈、提醒，降低了风险事件的发生概率，改善了风险用户的生活质量，提升了风险用户的幸福感。
Description
技术领域
本申请属于医疗技术领域，尤其涉及管理风险用户的方法、装置、设备及存储介质。
背景技术
随着人口老龄化比例的提升，潜在慢病人群基数在不断扩大，社会将面临日益严重的慢病挑战。慢病又称“慢性非传染性疾病(noninfectious chronic diseases，NCDS)”或“慢性病”。例如，高血压、高血脂、糖尿病、精神病、甲状腺机能障碍、哮喘等慢性病，慢病的治疗通常持续时间长，慢病患者需要长期住院，或者确诊后自己每天吃相关药物治疗，药吃完前去药店或者医院重新开药，治疗主要是通过定期去医院检查，需长期往返于家和医院之间，占用了慢病患者大量的时间，给慢病患者造成不便。
现有的慢病管理系统并不完善，慢病患者和医生都不能及时掌握慢病患者的最新情况，管理成本高，不能及时监控慢病患者。
发明内容
有鉴于此，本申请实施例提供了管理风险用户的方法、装置、设备及存储介质，以解决现有的慢病管理系统并不完善，慢病患者和医生都不能及时掌握慢病患者的最新情况，管理成本高，不能及时监控慢病患者的问题。
本申请实施例的第一方面提供了一种管理风险用户的方法，该方法包括：
获取风险用户的健康信息，所述健康信息包括所述风险用户的确诊信息；
利用预设的方案建议模型对所述健康信息进行处理，得到所述风险用户对应的检测指导方案；
将所述检测指导方案发送至所述风险用户的终端；
获取所述风险用户上传的目标数据，所述目标数据包括所述风险用户的检测数据；
当根据所述检测指导方案，确定所述目标数据异常时，生成与所述目标数据对应的提醒信息；
将所述提醒信息发送至所述终端。
可选地，所述利用预设的方案建议模型对所述健康信息进行处理，得到所述风险用户对应的检测指导方案，包括：
对所述健康信息进行分词处理，得到多个分词；
基于所述方案建议模型确定所述多个分词中的关键词，所述关键词包括疾病诊断关键词，所述方案建议模型是使用机器学习算法，基于样本训练集对初始方案建议网络进行训练得到的，其中，所述样本训练集包括多个样本关键词，以及每个样本关键词对应的样本指导方案；
根据所述方案建议模型确定所述关键词对应的检测指导方案。
可选地，所述检测指导方案包括检测方案，所述当根据所述检测指导方案，确定所述目标数据异常时，生成与所述目标数据对应的提醒信息，包括：
当确定所述检测数据的检测时间和/或检测次数不符合所述检测方案中的预设要求时，生成第一提醒信息，所述第一提醒信息用于提醒所述风险用户重新上传所述检测数据；
当确定所述检测数据不符合所述检测方案中的数据标准时，生成第二提醒信息，所述第二提醒信息用于提醒所述风险用户就医。
可选地，所述检测指导方案还包括饮食方案，所述目标数据还包括饮食数据，所述当根据所述检测指导方案，确定所述目标数据异常时，生成与所述目标数据对应的提醒信息，包括：
当根据所述饮食数据，确定所述风险用户的饮食方式和/或饮食时间不符合所述饮食方案中的饮食标准时，生成第三提醒信息，所述第三提醒信息用于提醒所述风险用户改变饮食习惯。
可选地，所述检测指导方案还包括运动方案，所述目标数据还包括运动数据，所述当根据所述检测指导方案，确定所述目标数据异常时，生成与所述目标数据对应的提醒信息，包括：
当根据所述运动数据，确定所述风险用户的运动方式和/或运动量不符合所述运动方案中的运动标准时，生成第四提醒信息，所述第四提醒信息用于提醒所述风险用户改变运动习惯。
可选地，所述获取风险用户的健康信息之前，所述方法还包括：
采集用户的风险测评信息，所述风险测评信息包括所述用户的个人信息和病史信息；
利用预设的风险预测模型对所述风险测评信息进行处理，得到所述用户对应的风险测评报告；
根据所述风险测评报告，判断所述用户是否为风险用户。
可选地，所述利用预设的方案建议模型对所述健康信息进行处理，得到所述风险用户对应的检测指导方案，包括：
利用所述方案建议模型对所述健康信息进行处理，得到初始检测指导方案；
获取所述风险用户对应的建议信息；所述建议信息是由监控所述风险用户的监控对象针对所述健康信息给出的；
根据所述建议信息调整所述初始检测指导方案，得到所述风险用户对应的检测指导方案。
可选地，所述获取所述风险用户上传的目标数据之后，所述方法还包括：
当根据所述检测指导方案，确定所述目标数据异常时，根据异常的目标数据评估所述风险用户执行所述检测指导方案的执行效果。
本申请实施例的第二方面提供了一种管理风险用户的装置，包括：
第一获取单元，用于获取风险用户的健康信息，所述健康信息包括所述风险用户的确诊信息；
第一处理单元，用于利用预设的方案建议模型对所述健康信息进行处理，得到所述风险用户对应的检测指导方案；
第一发送单元，用于将所述检测指导方案发送至所述风险用户的终端；
第二获取单元，用于获取所述风险用户上传的目标数据，所述目标数据包括所述风险用户的检测数据；
第二处理单元，用于当根据所述检测指导方案，确定所述目标数据异常时，生成与所述目标数据对应的提醒信息；
第二发送单元，用于将所述提醒信息发送至所述终端。
本申请实施例的第三方面提供了一种管理风险用户的设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如上述第一方面所述的管理风险用户的方法的步骤。
本申请实施例的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上述第一方面所述的管理风险用户的方法的步骤。
本申请实施例的第五方面提供了一种计算机程序产品，当计算机程序产品在管理风险用户的设备上运行时，使得该设备执行上述第一方面所述的管理风险用户的方法的步骤。
本申请实施例提供的管理风险用户的方法、装置、设备及存储介质，具有以下有益效果：
获取风险用户的健康信息；利用预设的方案建议模型对健康信息进行处理，得到风险用户对应的检测指导方案；将检测指导方案发送至风险用户的终端；获取风险用户上传的目标数据，目标数据包括风险用户的检测数据；当根据检测指导方案，确定目标数据异常时，生成与目标数据对应的提醒信息；将提醒信息发送至终端。上述方案中，利用方案建议模型对健康信息进行分析，得到风险用户对应的准确的检测指导方案，根据该检测指导方案以及风险用户上传的目标数据，对风险用户进行监控，当目标数据异常时，及时提醒风险用户，可使风险用户实时注意自己当前的风险状况。该方法对风险用户是否有严格执行检测指导方案进行了自动全面监控，对风险用户当前的风险状况可及时反馈、提醒，降低了风险事件的发生概率，改善了风险用户的生活质量，提升了风险用户的幸福感。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本申请一示例性实施例提供的管理风险用户的方法的示意性流程图；
图2是本申请一示例性实施例示出的管理风险用户的方法的步骤S102的具体流程图；
图3是本申请又一示例性实施例示出的管理风险用户的方法的步骤S105的具体流程图；
图4是本申请一示例性实施例示出的管理风险用户的方法的示意流程图；
图5是本申请一实施例提供的一种管理风险用户的装置的示意图；
图6是本申请另一实施例提供的管理风险用户的设备的示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
在本申请实施例的描述中，除非另有说明，“/”表示或的意思，例如，A/B可以表示A或B；本文中的“和/或”仅仅是一种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。另外，在本申请实施例的描述中，“多个”是指两个或多于两个。
以下，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本实施例的描述中，除非另有说明，“多个”的含义是两个或两个以上。
随着人口老龄化比例的提升，潜在慢病人群基数在不断扩大，社会将面临日益严重的慢病挑战。例如，高血压、高血脂、糖尿病、精神病、甲状腺机能障碍、哮喘等慢性病，慢病的治疗通常持续时间长，慢病患者需要长期住院，或者确诊后自己每天吃相关药物治疗，药吃完前去药店或者医院重新开药，治疗主要是通过定期去医院检查，挂号难、排队看病难，医患沟通比较滞后，容易延误最佳治疗时机，导致慢病患者的病情加重。
现有的慢病管理系统并不完善，主要是被动管理，缺少医生与患者之间的沟通，导致医生与患者都不能及时掌握病情的最新状况，管理成本高，不能及时监控慢病患者。此外，现有慢病管理系统不能及时反馈风险用户管理的执行效果，也没有医生适时调整慢病管理方案，从而导致慢病管理效果较差。
有鉴于此，本申请提供一种管理风险用户的方法，获取风险用户的健康信息；利用预设的方案建议模型对健康信息进行处理，得到风险用户对应的检测指导方案；将检测指导方案发送至风险用户的终端；获取风险用户上传的目标数据，目标数据包括风险用户的检测数据；当根据检测指导方案，确定目标数据异常时，生成与目标数据对应的提醒信息；将提醒信息发送至终端。上述方案中，利用方案建议模型对健康信息进行分析，得到风险用户对应的准确的检测指导方案，根据该检测指导方案以及风险用户上传的目标数据，对风险用户进行监控，当目标数据异常时，及时提醒风险用户，可使风险用户实时注意自己当前的风险状况。该方法对风险用户是否有严格执行检测指导方案进行了自动全面监控，对风险用户当前的风险状况可及时反馈、提醒，降低了风险事件的发生概率，改善了风险用户的生活质量，提升了风险用户的幸福感。
请参见图1，图1是本申请一示例性实施例提供的管理风险用户的方法的示意性流程图。本申请提供的管理风险用户的方法的执行主体为管理风险用户的设备，其中，该设备包括各种服务器，例如，域名服务器(Domain Name Server，DNS)、独立的服务器、分布式服务器、服务器集群或云服务器等。该设备也可以是智能手机、平板电脑、计算机、个人数字助理(Personal Digital Assistant，PDA)、台式电脑等移动终端。如图1所示的管理风险用户的方法可包括：S101～S106，具体如下：
S101：获取风险用户的健康信息，健康信息包括风险用户的确诊信息。
风险用户包括慢病患者(患有慢性病的病人)、在医疗机构就诊的其他病人等。健康信息可以包括该风险用户的个人信息、确诊信息、体检信息以及生活习惯等。其中，个人信息可以包括姓名、性别、年龄、身高、体重、腰围、联系方式等基础信息。确诊信息为该风险用户在医院进行就医时，医生给出的诊断。例如，某个风险用户就医后，医生给出的诊断为中度糖尿病，或者重度糖尿病等。体检信息包括该风险用户在医院进行就医时，所检查的各项数据。例如，某个风险用户就医时，所检测的糖化血红蛋白、肝功、血糖、血脂、肾功、心电图、血尿常规等。生活习惯包括风险用户的吸烟情况、饮食习惯、运动习惯、作息时间、睡眠质量等。
可选地，健康信息还可包括该风险用户是否对某些药物过敏、当前用药状况、患病时长、以前就医情况等。此处仅为示例性说明，对此不做限定。
示例性地，本申请提供一种终端，该终端包括但不限于智能手机、平板电脑、计算机、PDA、台式电脑等移动终端。该终端供风险用户使用，风险用户可在该终端输入、接收、查看各种信息。例如，风险用户输入自身的各种信息，也可通过该终端接收其他终端发送的各种信息。
示例性地，可通过该终端采集风险用户的健康信息，终端将采集到的风险用户的健康信息上传至服务器。例如，终端上安装用于管理风险用户的应用程序(Application，APP)，风险用户可在该APP中填写健康信息后提交，终端检测到APP中提交的健康信息时，将该健康信息上传至服务器。
可选地，也可以是终端上运行有用于管理风险用户的小程序，风险用户可在该小程序中填写健康信息后提交，终端检测到小程序中提交的健康信息时，将该健康信息上传至服务器。
可选地，在一种可能的实现方式中，还可以通过终端中的公众号、网页等采集风险用户的健康信息。例如，引导风险用户扫描用于管理风险用户的公众号的二维码，在风险用户关注公众号后，弹出填写健康信息的链接，引导风险用户填写健康信息，最后将该健康信息上传至服务器。又例如，在网页中引导风险用户填写健康信息，最后将该健康信息上传至服务器。
示例性地，本申请还提供了一种医生终端，该医生终端包括但不限于智能手机、平板电脑、计算机、PDA、台式电脑等移动终端。该医生终端供监控风险用户的监控对象(例如，慢病患者的医生)使用，监控对象可在该医生终端输入、接收、查看各种信息。例如，监控对象在该医生终端输入对风险用户的各种描述、建议信息，也可通过该医生终端接收其他风险用户的终端发送过来的各种信息。
可选地，本申请提供的终端和医生终端不仅可互相通信，风险用户和监控风险用户的监控对象还可通过终端和医生终端进行语音聊天、语音诊断、视频聊天、视频诊断、人工智能(Artificial Intelligence，AI)诊断等操作。
可选地，在一种可能的实现方式中，可以通过医生终端采集风险用户的健康信息。例如，医生询问风险用户的各个身体指标数据，在医生终端录入风险用户的健康信息，医生终端将采集到的风险用户的健康信息上传至服务器。又例如，医生终端上安装用于管理风险用户的APP，负责该风险用户的医生可在该APP中填写该风险用户的健康信息后提交，医生终端检测到APP中提交的健康信息时，将该健康信息上传至服务器。可选地，也可以通过小程序、公众号、网页等在医生终端中采集风险用户的健康信息。这里与通过终端采集风险用户的健康信息的过程类似，此处不再赘述。
S102：利用预设的方案建议模型对健康信息进行处理，得到风险用户对应的检测指导方案。
预设的方案建议模型中收录有针对不同慢性病设定的检测指导方案。示例性地，预先在医院的病历库、网络等渠道采集多种不同的慢病患者的健康信息，同时采集这些慢病患者的检测指导方案(例如治疗方案)，或者，找有经验的医生针对这些慢病患者的健康信息给出治疗检测指导方案(例如治疗方案)。
为了便于在实际实施过程中，通过该方案建议模型快速匹配到与风险用户的健康信息所对应的检测指导方案，预先在方案建议模型中，对不同的健康信息进行标签标记。例如，某个糖尿病患者对应的检测指导方案，可将该糖尿病患者的健康信息中的年龄、身体质量指数(BMI)、空腹血糖值等打上标签。
可选地，为了提升确定风险用户对应的检测指导方案的效率，预先在方案建议模型中，根据慢性病的类型建立不同的分类文件，在每种分类文件下存储该类型的慢性病所对应的各种慢病患者的健康信息，以及每种健康信息对应的检测指导方案。对不同的健康信息会进行标签标记。
示例性地，在方案建议模型中查找与该风险用户对应的健康信息所匹配的检测指导方案。例如，该风险用户为糖尿病患者，在该风险用户对应的健康信息中提取年龄、BMI值、空腹血糖值等信息，在方案建议模型中查找糖尿病这一分类，在糖尿病这一分类中查找哪个健康信息的标签与该风险用户对应的健康信息最匹配，并将方案建议模型中这个健康信息对应的检测指导方案作为风险用户的检测指导方案。
示例性地，检测指导方案可以包括检测方案、饮食方案、运动方案、用药方案等中的任意一种或多种组合。其中，检测方案包括需要风险用户在定期、定时测量与其慢性病相关的数据，并将这些数据准时上传至服务器和医生终端；饮食方案包括需要风险用户执行的饮食标准、饮食次数、饮食量、饮食时间，还可包括禁忌食物等，并将这些数据准时上传至服务器和医生终端。运动方案包括需要风险用户执行的运动方式、运动量、运动环境等，并将这些数据准时上传至服务器和医生终端。用药方案包括需要风险用户服用的药物、用药时间、用药量、用药禁忌等，并将这些数据准时上传至服务器和医生终端。
S103：将检测指导方案发送至风险用户的终端。
服务器在确定风险用户对应的检测指导方案后，可将该风险用户对应的检测指导方案直接发送至用户的终端。也可将该检测指导方案发送至医生终端，由医生终端将该检测指导方案发送至风险用户的终端。
示例性地，根据用户上传健康信息的方式，对应将检测指导方案反馈给风险用户。若风险用户通过终端上的APP提交健康信息，则检测指导方案对应反馈至该APP，风险用户可在该APP中查看检测指导方案。若风险用户通过终端上的小程序提交健康信息，则检测指导方案对应反馈至该小程序，风险用户可在该小程序中查看检测指导方案。若风险用户通过终端上的公众号提交健康信息，则检测指导方案对应反馈至该公众号，风险用户可在该公众号中查看检测指导方案。此处仅为示例性说明，对此不做限定。
S104：获取风险用户上传的目标数据，目标数据包括风险用户的检测数据。
目标数据可以包括风险用户的检测数据、饮食数据、运动数据、用药数据等中的任意一种或多种组合。风险用户查看检测指导方案后，严格执行检测指导方案中的内容。风险用户根据检测指导方案中的内容，上传对应的目标数据。
示例性地，风险用户通过终端中的APP、小程序、公众号、网页等将目标数据上传至服务器，服务器接收终端发送的目标数据。可选地，也可以是风险用户通过终端中的APP、小程序、公众号、网页等将目标数据上传至医生终端，医生终端将目标数据传输至服务器。此处仅为示例性说明，对此不做限定。
S105：当根据检测指导方案，确定目标数据异常时，生成与目标数据对应的提醒信息。
若目标数据不符合检测指导方案中的要求时，生成与该目标数据对应的提醒信息。示例性地，根据不同异常的目标数据，会对应生成不同的提醒信息，用于不同程度地提醒风险用户。
S106：将提醒信息发送至终端。
服务器将提醒信息直接发送至用户的终端，也可将该提醒信息发送至医生终端，由医生终端将该提醒信息发送至风险用户的终端。
示例性地，根据用户上传健康信息的方式，对应将提醒信息反馈给风险用户。若风险用户通过终端上的APP提交健康信息，则提醒信息对应反馈至该APP，风险用户可在该APP中查看提醒信息。若风险用户通过终端上的小程序提交健康信息，则提醒信息对应反馈至该小程序，风险用户可在该小程序中查看提醒信息。若风险用户通过终端上的公众号提交健康信息，则提醒信息对应反馈至该公众号，风险用户可在该公众号中查看提醒信息。此处仅为示例性说明，对此不做限定。
上述实施例中，利用方案建议模型对健康信息进行分析，得到风险用户对应的准确的检测指导方案，根据该检测指导方案以及风险用户上传的目标数据，对风险用户进行监控，当目标数据异常时，及时提醒风险用户，可使风险用户实时注意自己当前的风险状况。该方法对风险用户是否有严格执行检测指导方案进行了自动全面监控，对风险用户当前的风险状况可及时反馈、提醒，降低了风险事件的发生概率，改善了风险用户的生活质量，提升了风险用户的幸福感。
请参见图2，图2是本申请一示例性实施例示出的管理风险用户的方法的步骤S102的具体流程图；在本申请一些可能的实现方式中，上述S102可包括S1021～S1023，具体如下：
S1021：对健康信息进行分词处理，得到多个分词。
对健康信息进行分词处理，得到多个分词。分词处理是指通过分词算法将健康信息中连续的字序列划分为多个词序列，即多个分词。方案建议模型可以包括分词算法，通过分词算法对健康信息进行分词处理，得到健康信息对应的多个分词。即通过分词算法将健康信息中的内容划分为多个分词。其中，分词可以为词语或者单字。示例性地，根据分词算法可以确定健康信息对应的多种分词方式，选取其中最合适的分词方式对该健康信息进行分词，得到该健康信息对应的多个分词。
S1022：基于方案建议模型确定多个分词中的关键词，关键词包括疾病诊断关键词，方案建议模型是使用机器学习算法，基于样本训练集对初始方案建议网络进行训练得到的，其中，样本训练集包括多个样本关键词，以及每个样本关键词对应的样本指导方案。
关键词包括疾病诊断关键词。其中，疾病诊断关键词是指在疾病诊断治疗过程中通常会用到的术语。例如慢性呼吸系统病史+右心衰体征、桶状胸+过清音等。这种关键词有助于后续快速查找到对应的检测指导方案。
通过方案建议模型中的网络层对该健康信息对应的每个分词以及该健康信息进行向量化处理。例如，方案建议模型中的多个隐藏层对每个分词以及该健康信息进行映射处理，将每个分词以及该健康信息映射到公共语义空间，输出每个分词对应的词向量以及健康信息对应的语义向量。
通过方案建议模型计算每个分词对应的词向量与健康信息对应的语义向量之间的余弦相似度，采用归一化指数函数对计算得到的每个余弦相似度进行归一化处理，得到归一化的概率分布。该概率分布即为每个分词与健康信息之间的相关程度值。相关程度值越大，表示该分词与健康信息相关程度越高；相关程度值越小，表示该分词与健康信息相关程度越低。根据相关程度值从高到低的顺序对每个分词进行排序，选择排序在前的若干个分词作为健康信息对应的关键词并输出。
S1023：根据方案建议模型确定关键词对应的检测指导方案。
由于预先训练好的方案建议模型，在训练过程中学习到了判断每个关键词属于哪种检测指导方案的能力，因此，方案建议模型中的网络层对关键词进行分类，判断该关键词属于哪种检测指导方案的概率最大，并将概率最大的检测指导方案输出，从而得到风险用户对应的检测指导方案。
上述实现方式中，通过方案建议模型确定健康信息的关键词，再通过方案建议模型对关键词进行处理，确定风险用户对应的检测指导方案，提升了确定检测指导方案的速率和准确度。
可选地，在一种可能的实现方式中，在执行S1021之前，还可包括训练方案建议模型。示例性地，方案建议模型是使用机器学习算法，基于样本训练集对初始方案建议网络进行训练得到的，其中，样本训练集包括多个样本关键词，以及每个样本关键词对应的样本指导方案。
示例性地，预先采集多个样本指导方案，标记每个样本指导方案中对应的样本关键词。基于这些样本指导方案以及每个样本指导方案对应的样本关键词构成样本训练集。
示例性地，将样本训练集输入初始方案建议网络(训练前的方案建议模型)中进行训练，使初始方案建议网络学习样本关键词与其对应的样本指导方案之间的关联关系。
在达到预设的训练次数时，对此时的初始方案建议网络进行测试。示例性地，将样本训练集中的部分样本关键词输入此时的初始方案建议网络中进行处理，此时的初始方案建议网络输出该样本关键词对应的指导方案。基于损失函数计算该样本关键词对应的指导方案与样本训练集中该样本关键词对应的样本指导方案之间的损失值。其中，损失函数可以为交叉熵损失函数。
当损失值不满足预设条件时，调整初始方案建议网络的参数(例如，调整初始方案建议网络的各个网络层对应的权重值)，并继续训练该初始方案建议网络。当损失值满足预设条件时，停止训练该初始方案建议网络，并将训练后的该初始方案建议网络作为已训练好的方案建议模型。此处仅为示例性说明，对此不做限定。
可选地，在本申请一些可能的实现方式中，上述S102还可包括S1024～S1026，具体如下：
S1024：利用方案建议模型对健康信息进行处理，得到初始检测指导方案。
预设的方案建议模型中收录有针对不同慢性病设定的初始检测指导方案。示例性地，在方案建议模型中查找与该风险用户对应的健康信息所匹配的初始检测指导方案。
S1025：获取风险用户对应的建议信息；该建议信息是由监控风险用户的监控对象针对健康信息给出的。
将初始检测指导方案发送至医生终端，监控风险用户的监控对象查看该初始检测指导方案，并结合该风险用户的健康信息给出建议信息，将该建议信息上传至医生终端，医生终端将该建议信息上传至服务器。
例如，治疗某个慢病患者的医生查看该初始检测指导方案，并根据该慢病患者的健康信息，判断该初始指导方案对于该慢病患者是否合理。若合理，则可直接将该初始检测指导方案上传至医生终端，医生终端将该初始检测指导方案上传至服务器，服务器将该初始检测指导方案发布至风险用户的终端，供风险用户查看。若不合理，则结合该风险用户的健康信息给出建议信息。
S1026：根据建议信息调整初始检测指导方案，得到风险用户对应的检测指导方案。
示例性地，将初始检测指导方案与建议信息对比，将初始检测指导方案中与建议信息中不同的数据，更新为建议信息中的数据，更新后的初始检测指导方即为风险用户对应的检测指导方案。此处仅为示例性说明，对此不做限定。
上述实现方式中，在检测指导方案中加入了医生的建议，使检测指导方案更权威、更准确，慢病患者基于该检测指导方案进行治疗，大大提升了慢性病的治疗效果。
请参见图3，图3是本申请又一示例性实施例示出的管理风险用户的方法的步骤S105的具体流程图；在本申请一些可能的实现方式中，上述S105可包括S1051～S1052，具体如下：
S1051：当确定检测数据的检测时间和/或检测次数不符合检测方案中的预设要求时，生成第一提醒信息，第一提醒信息用于提醒风险用户重新上传检测数据。
检测指导方案包括检测方案，目标数据包括检测数据。风险用户患有的慢性病的类型不同，其对应的检测方案和检测数据也不相同。例如，糖尿病患者对应的检测数据可以包括BMI、空腹血糖值、饭后血糖值、糖化血红蛋白值等。
示例性地，检测方案包括需要风险用户在定期、定时测量与其慢性病相关的数据，并将这些数据准时上传至服务器和医生终端。
例如，某个糖尿病患者的检测方案可以为：若该患者已使用胰岛素，且糖化血红蛋白小于7，建议每周共检测三次血糖(分别为空腹、早餐后、晚餐后)，连续检测3天，第一日从XX日开始。
又例如，某个糖尿病患者的检测方案可以为：当患者未用药且糖化血红蛋白值小于7时，第一周监测2次，早餐前和早餐后分别检测血糖；第二周监测2次，午餐前和午餐后分别检测血糖；第三周监测2次，晚餐前和晚餐后分别检测血糖；第四周监测一次，睡前检测血糖；复诊前监测，早餐前后分别检测血糖，午餐后和晚餐后分别检测血糖，睡前检测血糖。
再例如，某个糖尿病患者的检测方案可以为：患者使用胰岛素，且糖化血红蛋白大于8时，每周共2次测量，一天早餐前检测血糖，另一天晚饭后检测血糖。再或者，用户使用胰岛素，且糖化血红蛋白大于7小于8时，一周检测4次，其中一天空腹检测血糖，一天早餐后检测血糖，一天中餐后检测血糖，一天晚餐后检测血糖，连续4天，第一日从明日开始。此处仅为示例性说明，对此不做限定。
风险用户根据检测方案中的内容按时上传对应的检测数据。若服务器检测到风险用户上传的检测数据的检测时间和/或检测次数不符合检测方案中的预设要求时，生成第一提醒信息。该第一提醒信息用于提醒风险用户及时重新上传检测数据。
例如，某个糖尿病患者的检测方案中，需要其在7天内上传4次检测的血糖值。在七天内检测到该糖尿病患者上传的血糖值少于四次，则在风险用户的终端的APP、小程序等中生成第一提醒信息，每日提醒该糖尿病患者及时上传检测的血糖值，直至该患者上传的血糖值的次数满足检测方案中的要求。
又例如，某个糖尿病患者的检测方案中，需要其在7天内上传4次饭后检测的血糖值。在七天内检测到该糖尿病患者上传的血糖值为饭前的血糖值，则判定该患者上传的检测数据的检测方式和检测时间异常，在风险用户的终端的APP、小程序等中生成第一提醒信息，每日提醒该糖尿病患者及时上传正常检测方式和检测时间的血糖值，直至该患者上传的血糖值的次数满足检测方案中的要求。此处仅为示例性说明，对此不做限定。
S1052：当确定检测数据不符合检测方案中的数据标准时，生成第二提醒信息，第二提醒信息用于提醒风险用户就医。
若服务器检测到风险用户上传的检测数据不符合检测方案中的数据标准，例如，该检测数据不在正常数据范围内，生成第二提醒信息。该第二提醒信息用于提醒风险用户及时就医。
例如，检测到某个糖尿病患者上传的血糖值连续N次都异常(例如，空腹血糖≥7.0mmol/L或餐后2h血糖≥11.1mmol/L)，生成第二提醒信息。此时，该第二提醒信息可用于提示该患者与医生进行在线诊断与治疗。其中，N为自定义数值。
可选地，也可在医生终端对应生成第二提醒信息，该第二提醒信息用于提醒监控该患者的医生及时对该患者进行在线诊断与治疗。医生与该糖尿病患者可进行语音通话或者视频通话等，实现在线诊断与治疗。可选地，在医生与患者进行在线诊断与治疗后，医生可对患者的检测指导方案进行调整。将调整后的检测指导方案，重新在医生终端上发布，医生终端将调整后的检测指导方案上传至服务器，服务器将该糖尿病患者对应的调整后的检测指导方案发送至终端，供该糖尿病患者查看。此处仅为示例性说明，对此不做限定。
又例如，检测到患者记录的异常数据占比大于或等于总数据的n％，可在医生终端提示该患者的医生对该慢病患者进行在线诊断与治疗，或者，在患者使用的终端提醒患者及时到医院就医。其中，n为自定义数值。
再例如，当检测到慢病患者当天上传的测量数据不完全时，当天提醒该慢病患者及时补录测量数据。例如，检测方案中需要糖尿病患者当天上传空腹血糖值以及早餐后血糖值，该糖尿病患者只上传了空腹血糖值，则在APP或者小程序上提醒该糖尿病患者及时补录早餐后血糖值。为了便于慢病患者补录测量数据，可在显示界面弹出补录链接，慢病患者点击该链接后页面跳转至上传测量数据的页面，慢病患者在该页面上传测量数据。此处仅为示例性说明，对此不做限定。
上述实现方式中，对风险用户是否有严格执行检测指导方案进行了自动全面监控，对风险用户当前的风险状况可及时反馈、提醒，便于风险用户与监控该风险用户的监控对象及时掌握风险用户的病情，及时给出治疗建议，降低了风险事件的发生概率，提升了风险用户的治疗效果。
可选地，在本申请一些可能的实现方式中，检测指导方案还包括饮食方案，目标数据还包括饮食数据，上述S105可包括：当根据饮食数据，确定风险用户的饮食方式和/或饮食时间不符合饮食方案中的饮食标准时，生成第三提醒信息，第三提醒信息用于提醒风险用户改变饮食习惯。
风险用户根据饮食方案中的内容按时上传对应的饮食数据。例如，上传饮食的时间、饮食照片、饮食量、饮食次数等。若服务器根据风险用户上传的饮食数据，检测到该风险用户的饮食方式和/或饮食时间不符合饮食方案中的饮食标准，生成第三提醒信息。将第三提醒信息发送至风险用户的终端，该第三提醒信息用于提醒风险用户改变饮食习惯。
例如，糖尿病患者需饮食清淡、饮食量不能过多，该患者上传的饮食照片为蛋糕照片，此时生成第三提醒信息，提醒该患者不可以食用这些含糖量高的食物。此处仅为示例性说明，对此不做限定。
可选地，在本申请一些可能的实现方式中，检测指导方案还包括运动方案，目标数据还包括运动数据，上述S105可包括：当根据运动数据，确定风险用户的运动方式和/或运动量不符合运动方案中的运动标准时，生成第四提醒信息，第四提醒信息用于提醒风险用户改变运动习惯。
风险用户根据运动方案中的内容按时上传对应的运动数据。例如，上传运动的时长、运动次数、运动项目等。若服务器根据风险用户上传的运动数据，检测到该风险用户的运动方式和/或运动量不符合运动方案中的运动标准时，生成第四提醒信息。将第四提醒信息发送至风险用户的终端，该第四提醒信息用于提醒风险用户改变运动习惯。
例如，高血压患者不宜剧烈运动，该患者上传的运动照片为打篮球照片，此时生成第四提醒信息，提醒该患者不可以进行剧烈运动。此处仅为示例性说明，对此不做限定。
上述实现方式中，对风险用户是否有严格执行饮食方案以及运动方案进行了自动全面监控，对风险用户当前的风险状况可及时反馈、提醒，便于风险用户与监控该风险用户的监控对象及时掌握风险用户的病情，及时给出治疗建议，降低了风险事件的发生概率，保证风险用户得到最好的治疗效果。
可选地，在提醒慢病患者及时上传测量数据时，还可增加一些温馨提示，例如：良好的测量行为能更好的身体控制，请及时补录测量数据。这样有助于慢病患者积极上传测量数据，提升了慢病患者的好感度。
可选地，在一种可能的实现方式中，为了使慢病患者得到更好的治疗效果，便于后续有效地监控慢病患者的治疗情况，医生基于医生终端、风险用户基于终端可实现在线诊断，医生和风险用户可以进行文字、图片、语音以及视频等沟通，便于医生和风险用户深入了解患者的病情以及患者的治疗情况。
可选地，在本申请一些可能的实现方式中，获取风险用户上传的目标数据之后，本申请提供的管理风险用户的方法还包括：当根据检测指导方案，确定目标数据异常时，根据异常的目标数据评估风险用户执行检测指导方案的执行效果。
示例性地，当目标数据存在异常时，判定该风险用户没有严格执行检测指导方案，导致执行效果不好，可提醒医生及时对该风险用户进行在线诊断与治疗，根据风险用户当前的状况调整检测指导方案。
例如，当目标数据异常的类型是检测数据不符合检测方案中的数据标准时，判定风险用户没有严格执行检测指导方案，导致执行效果差，医生对该风险用户进行在线诊断与治疗，或者，在终端提醒风险用户及时到医院就医。
上述实现方式中，当目标数据异常时，及时提醒风险用户，可使风险用户实时注意自己当前的风险状况。该方法对风险用户是否有严格执行检测指导方案进行了自动全面监控，对风险用户当前的风险状况可及时反馈、提醒，降低了风险事件的发生概率，改善了风险用户的生活质量，提升了风险用户的幸福感。
图4是本申请一示例性实施例示出的管理风险用户的方法的示意流程图；主要涉及在执行如图1所示的管理风险用户的方法之前，确定风险用户的过程。该方法包括：S201～S203，具体如下：
S201：采集用户的风险测评信息，风险测评信息包括用户的个人信息和病史信息。
风险测评信息可以包括用户的个人信息、病史信息以及生活习惯等。其中，个人信息可以包括用户的姓名、性别、年龄、身高、体重、腰围等基础信息。病史信息可以包括用户的现病史，例如用户当前是否患有糖尿病、高血压、慢性肾病、高脂血症、脂肪肝、左心室肥大、脑卒中、冠心病、房颤、心肌梗死、心力衰竭、心律失常、呼吸困难、动脉硬化、慢阻肺、甲状腺机能障碍、哮喘、肺气肿等；病史信息还可以包括用户的家族病史，例如糖尿病、高血压、心脏病等家族病史。生活习惯可以包括用户的吸烟情况、饮食习惯、运动习惯、作息时间、睡眠质量等。
可以通过用户使用的终端采集用户的风险测评信息，终端将采集到的用户的风险测评信息上传至服务器。例如，终端上安装用于管理慢病患者的APP，用户可在该APP中填写风险测评信息后提交，终端检测到APP中提交的风险测评信息时，将该风险测评信息上传至服务器。
可选地，也可以是终端上运行有用于管理慢病患者的小程序，用户可在该小程序中填写风险测评信息后提交，终端检测到小程序中提交的风险测评信息时，将该风险测评信息上传至服务器。
可选地，在一种可能的实现方式中，还可以通过终端中的公众号、网页等采集用户的风险测评信息。例如，引导用户扫描用于管理慢病患者的公众号的二维码，在用户关注公众号后，弹出填写风险测评信息的链接，引导用户填写风险测评信息，最后将该风险测评信息上传至服务器。又例如，在网页中引导用户填写风险测评信息，最后将该风险测评信息上传至服务器。
可选地，为了采集到丰富、全面的用户的风险测评信息，同时也为了方便用户填写风险测评信息，可将风险测评信息的填写设置为选择题为主，自定义信息为辅的形式。用户在多个不同的选择题中选择与其最符合的答案，同时也可在自定义栏目内可以填写自己想要填写的信息。此处仅为示例性说明，对此不做限定。
S202：利用预设的风险预测模型对风险测评信息进行处理，得到用户对应的风险测评报告。
不同的慢性病对应不同的风险预测模型。可选地，风险预测模型可以基于神经网络模型构建。示例性地，慢性病为糖尿病时，风险预测模型为糖尿病风险预测模型；慢性病为高血压时，风险预测模型为高血压风险预测模型；慢性病为心脏病时，风险预测模型为心脏病风险预测模型。此处仅为示例性说明，对此不做限定。
对于不同的慢性病，确定风险测评信息中的一个或多个风险因素。其中，风险因素表示影响该慢性病风险等级的因素。根据每种风险因素对其对应的慢性病病风险等级的重要性，预先设定每种风险因素设置不同的权重值。对于不同的慢性病，其对应的预设的风险预测模型中包括多条针对该慢性病的评判规则，根据这些评判规则对风险测评信息中每个风险因素进行评判，得到每个风险因素对应的评分。将每个风险因素对应的评分与其对应的权重值相乘，得到每个风险因素对应的最终分数。将每个风险因素对应的最终分数相加得到风险测评信息对应的分数。预先设定不同的分数所属的不同分数范围所对应的风险等级。判断该风险测评信息对应的分数属于哪个风险等级对应的分数范围内，进而得到该慢性病的风险等级。
例如，对于糖尿病，确定风险测评信息中的一个或多个糖尿病风险因素。其中，糖尿病风险因素表示影响糖尿病风险等级的因素，例如空腹血糖、餐后血糖、身体质量指数(BMI)、糖化血红蛋白等都属于影响糖尿病风险等级的因素。根据每种糖尿病风险因素对糖尿病风险等级的重要性，预先设定每种糖尿病风险因素设置不同的权重值。
示例性地，某个用户填写的风险测评信息包括姓名、性别、年龄、身高、体重、空腹血糖、糖尿病家族史。判断规则可以包括BMI值是否超过第一阈值、空腹血糖是否超过标准空腹血糖阈值、餐后血糖是否超过标准餐后血糖阈值、糖化血红蛋白是否超过标准糖化血红蛋白阈值、是否有糖尿病家族史，BMI值超过第一阈值时，BMI值与第一阈值之间的差值所属的范围所对应的评分、空腹血糖超过标准空腹血糖阈值时，空腹血糖与标准空腹血糖阈值之间的差值所属的范围所对应的评分，有糖尿病家族史对应的评分等等。此处仅为示例性说明，对此不做限定。
该风险测评信息对应的糖尿病风险因素分别为BMI值、空腹血糖以及糖尿病家族史。根据慢病患者的身高、体重，计算慢病患者的BMI值，判断该慢病患者的BMI值是否超过第一阈值，若慢病患者的BMI值超过第一阈值，根据该BMI值与第一阈值的差值确定该BMI值对应的评分。获取BMI值对应的权重值，将BMI值对应的评分与其对应的权重值相乘，得到BMI值对应的最终分数。
判断用户的空腹血糖是否超过标准空腹血糖阈值，若用户的空腹血糖超过标准空腹血糖阈值，根据该用户的空腹血糖与标准空腹血糖阈值之间的差值，确定该空腹血糖对应的评分。获取空腹血糖对应的权重值，将空腹血糖对应的评分与其对应的权重值相乘，得到空腹血糖对应的最终分数。
该风险测评信息中有用户的糖尿病家族史，确定糖尿病家族史对应的评分。获取糖尿病家族史对应的权重值，将糖尿病家族史对应的评分与其对应的权重值相乘，得到糖尿病家族史对应的最终分数。
将BMI值对应的最终分数、空腹血糖对应的最终分数以及糖尿病家族史对应的最终分数相加，得到风险测评信息对应的分数。获取预先设定的不同的分数所属的不同分数范围所对应的糖尿病风险等级。例如，当风险测评信息对应的分数属于第一分数范围内时，对应的糖尿病风险等级为高风险；当风险测评信息对应的分数属于第二分数范围内时，对应的糖尿病风险等级为中风险；当风险测评信息对应的分数属于第三分数范围内时，对应的糖尿病风险等级为低风险。判断该风险测评信息对应的分数属于哪个分数范围内，得到糖尿病的风险等级。根据用户所患的慢性病以及该慢性病的风险等级，生成该慢病患者对应的风险测评报告。
可选地，在一种可能的实现方式中，在执行S202之前，还包括训练风险预测模型。训练风险预测模型主要包括设定以及调整该风险预测模型中的多条评判规则。示例性地，预先在医院的病历库、网络等渠道采集多种不同的慢病患者的病历信息，病历信息可以包括慢病患者的个人信息(例如姓名、性别、年龄、身高、体重、腰围等基础信息)、病史信息(例如慢病患者的现病史、家族病史)、生活习惯(例如慢病患者的吸烟情况、饮食习惯、运动习惯、作息时间、睡眠质量等)、诊断信息(例如在医院针对该慢性病做的检查以及检查结果等)等。先根据慢性病的种类对这些慢病患者的病历信息进行分类，再根据慢病患者的年龄、病史信息、诊断信息等对同一类型的慢病进行分析，总结出患有该慢病的风险因素，以及各个风险因素对该慢病影响的重要程度。进而根据分析结果设定不同慢病对应的风险因素，不同风险因素对应的权重值以及分数等。此处仅为示例性说明，对此不做限定。
S203：根据风险测评报告，判断该用户是否为风险用户。
根据用户所患的慢性病以及该慢性病的风险等级，生成该慢病患者对应的风险测评报告。
风险测评报告中包含了用户所患的慢性病以及该慢性病的风险等级，根据慢性病的风险等级判断该用户是否为风险用户。示例性地，若该慢性病的风险等级为低，判定该用户不属于风险用户。若该慢性病的风险等级为中等，判定该用户属于风险用户。若该慢性病的风险等级为高，判定该用户为风险用户。此处仅为示例性说明，对此不做限定。
上述实现方式中，通过提前训练好的风险预测模型对用户输入的风险测评信息进行分析，得到风险测评报告，根据风险测评报告中该用户所患的慢性病的风险等级确定该用户是否为风险用户。这样可以有效地筛选到慢性病患者，便于后续针对性地对慢性病患者跟进治疗，侧面提升了慢性病患者的治疗效果，节省了慢性病患者的治疗成本。
请参见图5，图5是本申请一实施例提供的一种管理风险用户的装置的示意图。该装置包括的各单元用于执行图1、图2、图3、图4对应的实施例中的各步骤。具体请参阅图1、图2、图3、图4各自对应的实施例中的相关描述。为了便于说明，仅示出了与本实施例相关的部分。参见图5，包括：
第一获取单元310，用于获取风险用户的健康信息，所述健康信息包括所述风险用户的确诊信息；
第一处理单元320，用于利用预设的方案建议模型对所述健康信息进行处理，得到所述风险用户对应的检测指导方案；
第一发送单元330，用于将所述检测指导方案发送至所述风险用户的终端；
第二获取单元340，用于获取所述风险用户上传的目标数据，所述目标数据包括所述风险用户的检测数据；
第二处理单元350，用于当根据所述检测指导方案，确定所述目标数据异常时，生成与所述目标数据对应的提醒信息；
第二发送单元360，用于将所述提醒信息发送至所述终端。
可选地，所述第一处理单元320具体用于：
对所述健康信息进行分词处理，得到多个分词；
基于所述方案建议模型确定所述多个分词中的关键词，所述关键词包括疾病诊断关键词，所述方案建议模型是使用机器学习算法，基于样本训练集对初始方案建议网络进行训练得到的，其中，所述样本训练集包括多个样本关键词，以及每个样本关键词对应的样本指导方案；
根据所述方案建议模型确定所述关键词对应的检测指导方案。
可选地，所述检测指导方案包括检测方案，所述第二处理单元350具体用于：
当确定所述检测数据的检测时间和/或检测次数不符合所述检测方案中的预设要求时，生成第一提醒信息，所述第一提醒信息用于提醒所述风险用户重新上传所述检测数据；
当确定所述检测数据不符合所述检测方案中的数据标准时，生成第二提醒信息，所述第二提醒信息用于提醒所述风险用户就医。
可选地，所述检测指导方案还包括饮食方案，所述目标数据还包括饮食数据，所述第二处理单元350还用于：
当根据所述饮食数据，确定所述风险用户的饮食方式和/或饮食时间不符合所述饮食方案中的饮食标准时，生成第三提醒信息，所述第三提醒信息用于提醒所述风险用户改变饮食习惯。
可选地，所述检测指导方案还包括运动方案，所述目标数据还包括运动数据，所述第二处理单元350还用于：
当根据所述运动数据，确定所述风险用户的运动方式和/或运动量不符合所述运动方案中的运动标准时，生成第四提醒信息，所述第四提醒信息用于提醒所述风险用户改变运动习惯。
可选地，所述装置还包括：
采集单元，用于采集用户的风险测评信息，所述风险测评信息包括所述用户的个人信息和病史信息；
第三处理单元，用于利用预设的风险预测模型对所述风险测评信息进行处理，得到所述用户对应的风险测评报告；
判断单元，用于根据所述风险测评报告，判断所述用户是否为风险用户。
可选地，所述第一处理单元320还用于：
利用所述方案建议模型对所述健康信息进行处理，得到初始检测指导方案；
获取所述风险用户对应的建议信息；所述建议信息是由监控所述风险用户的监控对象针对所述健康信息给出的；
根据所述建议信息调整所述初始检测指导方案，得到所述风险用户对应的检测指导方案。
可选地，所述装置还包括：
评估单元，用于当根据所述检测指导方案，确定所述目标数据异常时，根据异常的目标数据评估所述风险用户执行所述检测指导方案的执行效果。
请参见图6，图6是本申请另一实施例提供的管理风险用户的设备的示意图。如图6所示，该实施例的设备4包括：处理器40、存储器41以及存储在所述存储器41中并可在所述处理器40上运行的计算机程序42。所述处理器40执行所述计算机程序42时实现上述各个管理风险用户的方法实施例中的步骤，例如图1所示的S101至S106。或者，所述处理器40执行所述计算机程序42时实现上述各实施例中各单元的功能，例如图5所示单元310至360功能。
示例性地，所述计算机程序42可以被分割成一个或多个单元，所述一个或者多个单元被存储在所述存储器41中，并由所述处理器40执行，以完成本申请。所述一个或多个单元可以是能够完成特定功能的一系列计算机指令段，该指令段用于描述所述计算机程序42在所述设备4中的执行过程。例如，所述计算机程序42可以被分割为第一获取单元、第一处理单元、第一发送单元、第二获取单元、第二处理单元以及第二发送单元，各单元具体功能如上所述。
所述设备可包括，但不仅限于，处理器40、存储器41。本领域技术人员可以理解，图6仅仅是设备4的示例，并不构成对设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器40可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器41可以是所述设备的内部存储单元，例如设备的硬盘或内存。所述存储器41也可以是所述设备的外部存储终端，例如所述设备上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器41还可以既包括所述设备的内部存储单元也包括外部存储终端。所述存储器41用于存储所述计算机指令以及所述终端所需的其他程序和数据。所述存储器41还可以用于暂时地存储已经输出或者将要输出的数据。
本申请实施例还提供了一种计算机存储介质，计算机存储介质可以是非易失性，也可以是易失性，该计算机存储介质存储有计算机程序，该计算机程序被处理器执行时实现上述各个管理风险用户的方法实施例中的步骤。
本申请还提供了一种计算机程序产品，当计算机程序产品在设备上运行时，使得该设备执行上述各个管理风险用户的方法实施例中的步骤。
本申请实施例还提供了一种芯片或者集成电路，该芯片或者集成电路包括：处理器，用于从存储器中调用并运行计算机程序，使得安装有该芯片或者集成电路的设备执行上述各个管理风险用户的方法实施例中的步骤。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、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，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神范围，均应包含在本申请的保护范围之内。
Claims (10)
1.一种管理风险用户的方法，其特征在于，包括：
获取风险用户的健康信息；
利用预设的方案建议模型对所述健康信息进行处理，得到所述风险用户对应的检测指导方案；
将所述检测指导方案发送至所述风险用户的终端；
获取所述风险用户上传的目标数据，所述目标数据包括所述风险用户的检测数据；
当根据所述检测指导方案，确定所述目标数据异常时，生成与所述目标数据对应的提醒信息；
将所述提醒信息发送至所述终端。
2.如权利要求1所述的方法，其特征在于，所述利用预设的方案建议模型对所述健康信息进行处理，得到所述风险用户对应的检测指导方案，包括：
对所述健康信息进行分词处理，得到多个分词；
基于所述方案建议模型确定所述多个分词中的关键词，所述方案建议模型是使用机器学习算法，基于样本训练集对初始方案建议网络进行训练得到的，其中，所述样本训练集包括多个样本关键词，以及每个样本关键词对应的样本指导方案；
根据所述方案建议模型确定所述关键词对应的检测指导方案。
3.如权利要求1所述的方法，其特征在于，所述检测指导方案包括检测方案，所述当根据所述检测指导方案，确定所述目标数据异常时，生成与所述目标数据对应的提醒信息，包括：
当确定所述检测数据的检测时间和/或检测次数不符合所述检测方案中的预设要求时，生成第一提醒信息，所述第一提醒信息用于提醒所述风险用户重新上传所述检测数据；
当确定所述检测数据不符合所述检测方案中的数据标准时，生成第二提醒信息，所述第二提醒信息用于提醒所述风险用户就医。
4.如权利要求1所述的方法，其特征在于，所述检测指导方案包括饮食方案，所述目标数据包括饮食数据，所述当根据所述检测指导方案，确定所述目标数据异常时，生成与所述目标数据对应的提醒信息，包括：
当根据所述饮食数据，确定所述风险用户的饮食方式和/或饮食时间不符合所述饮食方案中的饮食标准时，生成第三提醒信息，所述第三提醒信息用于提醒所述风险用户改变饮食习惯。
5.如权利要求1所述的方法，其特征在于，所述检测指导方案包括运动方案，所述目标数据包括运动数据，所述当根据所述检测指导方案，确定所述目标数据异常时，生成与所述目标数据对应的提醒信息，包括：
当根据所述运动数据，确定所述风险用户的运动方式和/或运动量不符合所述运动方案中的运动标准时，生成第四提醒信息，所述第四提醒信息用于提醒所述风险用户改变运动习惯。
6.如权利要求1至5任一项所述的方法，其特征在于，所述获取风险用户的健康信息之前，所述方法还包括：
采集用户的风险测评信息，所述风险测评信息包括所述用户的个人信息和病史信息；
利用预设的风险预测模型对所述风险测评信息进行处理，得到所述用户对应的风险测评报告；
根据所述风险测评报告，判断所述用户是否为风险用户。
7.如权利要求1所述的方法，其特征在于，所述利用预设的方案建议模型对所述健康信息进行处理，得到所述风险用户对应的检测指导方案，包括：
利用所述方案建议模型对所述健康信息进行处理，得到初始检测指导方案；
获取所述风险用户对应的建议信息；所述建议信息是由监控所述风险用户的监控对象针对所述健康信息给出的；
根据所述建议信息调整所述初始检测指导方案，得到所述风险用户对应的检测指导方案。
8.如权利要求1所述的方法，其特征在于，所述获取所述风险用户上传的目标数据之后，所述方法还包括：
当根据所述检测指导方案，确定所述目标数据异常时，根据异常的目标数据评估所述风险用户执行所述检测指导方案的执行效果。
9.一种管理风险用户的装置，其特征在于，包括：
第一获取单元，用于获取风险用户的健康信息，所述健康信息包括所述风险用户的确诊信息；
第一处理单元，用于利用预设的方案建议模型对所述健康信息进行处理，得到所述风险用户对应的检测指导方案；
第一发送单元，用于将所述检测指导方案发送至所述风险用户的终端；
第二获取单元，用于获取所述风险用户上传的目标数据，所述目标数据包括所述风险用户的检测数据；
第二处理单元，用于当根据所述检测指导方案，确定所述目标数据异常时，生成与所述目标数据对应的提醒信息；
第二发送单元，用于将所述提醒信息发送至所述终端。
10.一种管理风险用户的设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至8任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110712101.1A CN113436738A (zh) | 2021-06-25 | 2021-06-25 | 管理风险用户的方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110712101.1A CN113436738A (zh) | 2021-06-25 | 2021-06-25 | 管理风险用户的方法、装置、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113436738A true CN113436738A (zh) | 2021-09-24 |
Family
ID=77754562
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110712101.1A Pending CN113436738A (zh) | 2021-06-25 | 2021-06-25 | 管理风险用户的方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113436738A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114255567A (zh) * | 2022-02-28 | 2022-03-29 | 深圳市微克科技有限公司 | 一种基于智能穿戴设备定位的健康数据查看系统及方法 |
| CN114300121A (zh) * | 2021-12-14 | 2022-04-08 | 中南大学 | 健康建议推荐方法、健康知识库的构建方法、装置及设备 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| AU2006200412A1 (en) * | 2005-05-06 | 2006-11-23 | Merck Sharp & Dohme (Australia) Pty Ltd | Individualized patient care management system |
| CN106156532A (zh) * | 2016-08-06 | 2016-11-23 | 深圳市前海安测信息技术有限公司 | 三级预防健康管理系统和方法 |
| CN112951430A (zh) * | 2021-03-29 | 2021-06-11 | 阿斯利康投资(中国)有限公司 | 多种慢性疾病联合管理设备和计算机可读存储介质 |
-
2021
- 2021-06-25 CN CN202110712101.1A patent/CN113436738A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| AU2006200412A1 (en) * | 2005-05-06 | 2006-11-23 | Merck Sharp & Dohme (Australia) Pty Ltd | Individualized patient care management system |
| CN106156532A (zh) * | 2016-08-06 | 2016-11-23 | 深圳市前海安测信息技术有限公司 | 三级预防健康管理系统和方法 |
| CN112951430A (zh) * | 2021-03-29 | 2021-06-11 | 阿斯利康投资(中国)有限公司 | 多种慢性疾病联合管理设备和计算机可读存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 艾新等: "基于机器学习技术的在线疾病诊疗方案倾向性识别研究", 《中华医学图书情报杂志》, no. 07, 15 July 2018 (2018-07-15), pages 1 - 5 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114300121A (zh) * | 2021-12-14 | 2022-04-08 | 中南大学 | 健康建议推荐方法、健康知识库的构建方法、装置及设备 |
| CN114255567A (zh) * | 2022-02-28 | 2022-03-29 | 深圳市微克科技有限公司 | 一种基于智能穿戴设备定位的健康数据查看系统及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20210225469A1 (en) | Systems and methods of aggregating healthcare-related data from multiple data centers and corresponding applications | |
| US11923056B1 (en) | Discovering context-specific complexity and utilization sequences | |
| US20200227172A1 (en) | Determining indicators of individual health | |
| US20160371998A1 (en) | Health-based incentive plans and systems and methods for implementing health-based incentive transactions | |
| US20140235293A1 (en) | Personal Health Monitoring System | |
| US20170061102A1 (en) | Methods and systems for identifying or selecting high value patients | |
| JP2018524137A (ja) | 心理状態を評価するための方法およびシステム | |
| WO2018128927A1 (en) | Hierarchical health decision support system and method | |
| US20130310653A1 (en) | Method and system for supporting a clinical diagnosis | |
| Xie et al. | Development and assessment of an interpretable machine learning triage tool for estimating mortality after emergency admissions | |
| de la Torre Díez et al. | Monitoring and follow-up of chronic heart failure: a literature review of eHealth applications and systems | |
| Lycholip et al. | The dynamics of self-care in the course of heart failure management: data from the IN TOUCH study | |
| US11449792B2 (en) | Methods and systems for generating a supplement instruction set using artificial intelligence | |
| CN113436738A (zh) | 管理风险用户的方法、装置、设备及存储介质 | |
| KR20120076564A (ko) | 환자 건강정보 기반의 환자대 환자관계 추천방법 | |
| US20140358571A1 (en) | Healthcare support system and method for scheduling a clinical visit | |
| CN113658704A (zh) | 糖尿病风险预测设备、装置和存储介质 | |
| KR20190063954A (ko) | 인공지능 클라우드 영양소 변화 예측 방법과 인공지능 클라우드 영양소 대사량 측정 방법 및 그를 사용하는 질병관리 방법 | |
| WO2020045245A1 (ja) | 状態遷移予測装置、予測モデル学習装置、方法およびプログラム | |
| KR20200113954A (ko) | 사용자 맞춤형 건강 정보 서비스 제공 시스템 및 그 방법 | |
| Kakkanatt et al. | Curating and integrating user-generated health data from multiple sources to support healthcare analytics | |
| CN112447270A (zh) | 一种用药推荐方法、装置、设备及存储介质 | |
| US20110066451A1 (en) | Method and apparatus for providing health management information | |
| US20230245779A1 (en) | System and method for peri-anaesthetic risk evaluation | |
| CN112233816A (zh) | 健康监测方法、装置及计算机可读介质 |
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 |
Effective date of registration: 20220916 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. |
|
| TA01 | Transfer of patent application right | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210924 |
|
| RJ01 | Rejection of invention patent application after publication |