CN113628750A - 一种基于数字技术的营养不良快速筛查系统 - Google Patents
一种基于数字技术的营养不良快速筛查系统 Download PDFInfo
- Publication number
- CN113628750A CN113628750A CN202111092610.5A CN202111092610A CN113628750A CN 113628750 A CN113628750 A CN 113628750A CN 202111092610 A CN202111092610 A CN 202111092610A CN 113628750 A CN113628750 A CN 113628750A
- Authority
- CN
- China
- Prior art keywords
- malnutrition
- screening
- user
- module
- food
- 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
- 208000002720 Malnutrition Diseases 0.000 title claims abstract description 166
- 208000015380 nutritional deficiency disease Diseases 0.000 title claims abstract description 163
- 235000000824 malnutrition Nutrition 0.000 title claims abstract description 162
- 230000001071 malnutrition Effects 0.000 title claims abstract description 162
- 238000012216 screening Methods 0.000 title claims abstract description 90
- 238000005516 engineering process Methods 0.000 title claims abstract description 21
- 235000016709 nutrition Nutrition 0.000 claims abstract description 75
- 238000011156 evaluation Methods 0.000 claims abstract description 54
- 230000035764 nutrition Effects 0.000 claims abstract description 51
- 238000003745 diagnosis Methods 0.000 claims abstract description 26
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 24
- 238000004458 analytical method Methods 0.000 claims abstract description 22
- 238000004364 calculation method Methods 0.000 claims abstract description 16
- 235000013305 food Nutrition 0.000 claims description 81
- 239000008267 milk Substances 0.000 claims description 40
- 241000209094 Oryza Species 0.000 claims description 28
- 235000007164 Oryza sativa Nutrition 0.000 claims description 28
- 235000009566 rice Nutrition 0.000 claims description 28
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 25
- 201000010099 disease Diseases 0.000 claims description 22
- 235000013336 milk Nutrition 0.000 claims description 21
- 210000004080 milk Anatomy 0.000 claims description 21
- 235000012054 meals Nutrition 0.000 claims description 19
- 102000004169 proteins and genes Human genes 0.000 claims description 19
- 108090000623 proteins and genes Proteins 0.000 claims description 19
- 235000012631 food intake Nutrition 0.000 claims description 18
- 230000037406 food intake Effects 0.000 claims description 18
- 235000015097 nutrients Nutrition 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 17
- 235000013372 meat Nutrition 0.000 claims description 15
- 230000004580 weight loss Effects 0.000 claims description 15
- 235000019577 caloric intake Nutrition 0.000 claims description 13
- 235000006286 nutrient intake Nutrition 0.000 claims description 13
- 238000012417 linear regression Methods 0.000 claims description 10
- 230000001419 dependent effect Effects 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 8
- 230000006735 deficit Effects 0.000 claims description 8
- 235000003715 nutritional status Nutrition 0.000 claims description 8
- 230000000007 visual effect Effects 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 235000020931 dietary conditions Nutrition 0.000 claims description 7
- 235000021075 protein intake Nutrition 0.000 claims description 7
- 206010061218 Inflammation Diseases 0.000 claims description 5
- 235000005686 eating Nutrition 0.000 claims description 5
- 230000004054 inflammatory process Effects 0.000 claims description 5
- 235000021049 nutrient content Nutrition 0.000 claims description 5
- 230000009467 reduction Effects 0.000 claims description 5
- 235000021404 traditional food Nutrition 0.000 claims description 5
- 238000012986 modification Methods 0.000 claims description 4
- 230000004048 modification Effects 0.000 claims description 4
- 238000012552 review Methods 0.000 claims description 4
- 206010025476 Malabsorption Diseases 0.000 claims description 3
- 208000004155 Malabsorption Syndromes Diseases 0.000 claims description 3
- 238000009825 accumulation Methods 0.000 claims description 3
- 230000001684 chronic effect Effects 0.000 claims description 3
- 208000035475 disorder Diseases 0.000 claims description 3
- 238000005265 energy consumption Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 230000002496 gastric effect Effects 0.000 claims description 3
- 230000001771 impaired effect Effects 0.000 claims description 3
- 230000002452 interceptive effect Effects 0.000 claims description 3
- 230000004066 metabolic change Effects 0.000 claims description 3
- 230000002503 metabolic effect Effects 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims description 3
- 235000015816 nutrient absorption Nutrition 0.000 claims description 3
- 210000000056 organ Anatomy 0.000 claims description 3
- 235000018770 reduced food intake Nutrition 0.000 claims description 3
- 238000000611 regression analysis Methods 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 3
- 208000024891 symptom Diseases 0.000 claims description 3
- 230000003247 decreasing effect Effects 0.000 claims description 2
- 230000002757 inflammatory effect Effects 0.000 claims description 2
- 230000028709 inflammatory response Effects 0.000 claims description 2
- 238000005457 optimization Methods 0.000 claims description 2
- 239000013585 weight reducing agent Substances 0.000 claims description 2
- 208000030212 nutrition disease Diseases 0.000 claims 2
- 208000019180 nutritional disease Diseases 0.000 claims 2
- 230000009466 transformation Effects 0.000 claims 1
- 238000000034 method Methods 0.000 abstract description 13
- 235000018343 nutrient deficiency Nutrition 0.000 abstract 4
- 230000002354 daily effect Effects 0.000 description 35
- 235000018102 proteins Nutrition 0.000 description 17
- 235000005911 diet Nutrition 0.000 description 12
- 230000037213 diet Effects 0.000 description 9
- 230000007423 decrease Effects 0.000 description 8
- 230000036541 health Effects 0.000 description 6
- 206010028980 Neoplasm Diseases 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 235000008242 dietary patterns Nutrition 0.000 description 4
- 235000019624 protein content Nutrition 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000000378 dietary effect Effects 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 235000018823 dietary intake Nutrition 0.000 description 2
- 235000006694 eating habits Nutrition 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 102000014171 Milk Proteins Human genes 0.000 description 1
- 108010011756 Milk Proteins Proteins 0.000 description 1
- 150000001413 amino acids Chemical class 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000037396 body weight Effects 0.000 description 1
- 235000014633 carbohydrates Nutrition 0.000 description 1
- 150000001720 carbohydrates Chemical class 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 235000021196 dietary intervention Nutrition 0.000 description 1
- 235000021245 dietary protein Nutrition 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 235000021186 dishes Nutrition 0.000 description 1
- 235000013601 eggs Nutrition 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 239000003925 fat Substances 0.000 description 1
- 235000019197 fats Nutrition 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 235000012041 food component Nutrition 0.000 description 1
- 239000005428 food component Substances 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 230000000968 intestinal effect Effects 0.000 description 1
- 235000020888 liquid diet Nutrition 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000037323 metabolic rate Effects 0.000 description 1
- 235000021239 milk protein Nutrition 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 235000021590 normal diet Nutrition 0.000 description 1
- 235000016236 parenteral nutrition Nutrition 0.000 description 1
- 230000005195 poor health Effects 0.000 description 1
- 238000007639 printing Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000009469 supplementation Effects 0.000 description 1
- 208000011580 syndromic disease Diseases 0.000 description 1
- 235000013343 vitamin Nutrition 0.000 description 1
- 229940088594 vitamin Drugs 0.000 description 1
- 229930003231 vitamin Natural products 0.000 description 1
- 239000011782 vitamin Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- 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
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/20—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for electronic clinical trials or questionnaires
-
- 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
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明公开了一种基于数字技术的营养不良快速筛查系统，包括营养不良快速筛查自评模块、营养不良分析计算模块、营养不良报告模块、用户信息管理模块；用户通过自主填写完成营养不良快速筛查自评模块获得用户营养状况数据，数据进入营养不良分析计算模块通过预设算法进行分析判定，自动生成评估结果，输出至营养不良报告模块，形成最终的营养不良评估报告及营养处方建议。本发明通过在移动工具上搭载优化的营养不良筛查诊断量表，并通过内置的逻辑算法，可以实现用户快速自评并当场出具营养不良评估结果及报告，远远优于现有低效的人力评估模式，对于解决目前临床营养诊疗领域筛查率低、诊断耗时等问题具有重大意义。
Description
技术领域
本发明涉及健康数据处理技术，具体地讲，是涉及一种基于数字技术的营养不良快速筛查系统。
背景技术
国内外已有大量研究证实营养不良与不良健康结局有关，包括高死亡率、高再入院率等。住院患者在入院24小时之内进行营养不良评估并根据评估结果采取精准的营养干预，对改善患者临床结局、降低死亡率、减少住院时长、降低住院费用有重要作用，是减轻医疗系统负担、降低整体医疗支出的重要一环。因此国务院办公厅专门印发《国民营养计划(2017—2030年)》要求进一步提高住院病人营养筛查率和营养不良住院病人的营养治疗比例，并推动“互联网+营养健康”的智能化应用普遍推广，居民营养健康素养进一步提高，营养健康状况显著改善等目标。然而目前的营养筛查评估流程会花费医生较多精力和时间，且难以高效评估患者能量摄入状况，不利于住院患者营养不良评估的大规模普及。
具体而言，首先目前院内营养不良评估主要采用纸质问卷方法，依赖于医护人员对患者进行面对面询问、记录并手动计算得出评估结果，全程非常耗费医护人员的时间和精力，一般来说，目前人工筛查评估完全依赖医生完成，单次完整评估耗时20分钟以上，人力成本高，而且纸质问卷需人工录入计算机系统，手动计算风险评分或营养治疗需求，耗时耗力；此外，目前的院内营养评估缺乏高效评估患者能量摄入的工具，传统的标准膳食问卷(如3天24小时膳食回顾、食物频率问卷等)过于冗长，且需要额外的营养定量分析软件辅助才可以计算能量摄入水平。
发明内容
针对上述现有技术存在的问题，本发明提供一种基于数字技术的营养不良快速筛查系统，可以不依赖医生操作，完全由用户本人/家属自主填写并实现3分钟快速辅助评估营养不良情况，以解决现有技术中高成本医护评估、长耗时流程、手动计算治疗方案等问题。
为了实现上述目的，本发明采用的技术方案如下：
一种基于数字技术的营养不良快速筛查系统，包括营养不良快速筛查自评模块、营养不良分析计算模块、营养不良报告模块、用户信息管理模块，其中，
所述营养不良快速筛查自评模块通过用户自主填写的基础及筛查诊断信息采集获取用户的营养状况数据，该营养状况数据至少包括用户的基础信息、营养不良风险筛查信息、营养不良诊断信息，其中基础信息至少包括姓名、住院号、床号、性别、年龄，营养不良风险筛查信息至少包括身高、当前体重、六个月前体重、疾病类型、进食量变化情况、体重下降情况，营养不良诊断信息至少包括营养评估、营养综合评定；
所述营养不良分析计算模块基于GLIM标准及营养不良三级诊断标准，将所述营养不良快速筛查自评模块采集获取的营养状况数据进行算法转换，计算得出营养不良评估结论，并输出至所述营养不良报告模块；
所述营养不良报告模块根据接收的营养不良评估结论，通过算法分析计算自动生成营养不良评估报告及营养处方建议，并通过信息页面为用户展示，其中营养不良评估报告的结论包括：无营养风险、有营养风险、可疑营养不良、可疑重度营养不良，所述营养处方讲义至少包括每日能量摄入量预测值、每日蛋白质摄入量预测值、每日能量亏空值、每日蛋白质亏空值；
所述用户信息管理模块用于对所有用户信息及营养不良评估报告进行分类汇总展示，并提供给相应的医生查看及报告修改确认。
具体地，所述营养不良快速筛查自评模块通过模拟视觉量表将营养不良筛查诊断量表中的问题和选项进行可视化处理并优化表述语言，提高用户对问题和选项的理解度，辅助用户自主准确填写。
具体地，所述营养不良诊断信息中的营养评估至少包括体重改变、进食改变、导致摄入减少或者吸收障碍的慢性胃肠道症状、活动能力改变、疾病状态下的代谢改变，所述营养不良诊断信息中的营养综合评定至少包括炎症反应、应激状态、能耗水平、代谢状态、器官功能、人体组成、心理状况。
具体地，所述营养不良分析计算模块对采集获取的营养状况数据进行算法转换的过程如下：
采用营养不良筛查量表评分规则进行对用户的营养状况数据进行营养筛查，得出用户的营养不良筛查评分；
在获得营养不良筛查评分后，对存在营养风险的用户进行GLIM营养不良评估及程度分级，分级后获得营养不良评估结论。
具体地，所述营养不良筛查量表评分规则基于所有经验证的营养不良风险筛查量表配置，
总评分＝疾病严重程度评分+营养状态受损评分+年龄评分，
其中，总评分为0-2分属于无营养风险，总评分为3-7分属于存在营养风险，存在营养风险的营养不良程度分级包括轻中度营养不良、重度营养不良。
具体地，所述GLIM营养不良评估的标准包括表现性指标和病因型指标，表现性指标包括非自主体重下降、低体重指数，病因型指标包括食物摄入减少或营养素吸收障碍、炎症及疾病、炎症状态指标、生化指标；被分级为轻中度营养不良的用户至少各满足一项表现性指标和病因型指标，被分级为重度营养不良的用户至少满足一项病因型指标并且过去六个月体重下降大于10％或六个月以上体重下降大于20％或BMI＜18.5伴一般情况差。
具体地，所述营养不良快速筛查自评模块中配置有采用精准食物频率量表的膳食频率问卷，通过该膳食频率问卷获得用户的膳食摄入数据，根据用户的膳食摄入数据计算摄入量≤能量需要量的50％以及摄入量＜能量需要量来评估病因型指标中的食物摄入减少指标。
具体地，所述精准食物频率量表是基于传统食物频率问卷FFQ优化后获得：
确定该精准食物频率量表的使用对象，通过横断面调查对相应人群代表样本使用包含18类110项的传统食物频率问卷及3日24小时膳食回顾问卷收集膳食摄入数据，形成基础食物数据库；
对该精准食物频率量表的使用对象开展基于循证的营养需求分析，筛选出反映营养状况或疾病转归的关键营养素指标，再以基础食物数据库中每种食物提供的相应关键营养素含量为自变量，以所有食物提供的关键营养素总量为因变量，进行多元回归分析，按照各自变量对因变量贡献的大小，以决定系数R2累积达到70％为基本筛选标准，进行食物项目筛选，筛选的食物项目不超过10个，否则重新调整关键营养素指标；
以筛选出的各食物平均每日营养素摄入量为自变量，用户该营养素平均每日摄入量为因变量构建预测式，形成回归预测模型，形成用于评估用户膳食情况的特征性预测指标，实现对用户膳食情况的快速评估。
具体地，所述特征性预测指标采用多元线性回归模型的算法逻辑及公式如下：
设三种特征性预测食物的每日平均摄入量为W_rice,W_milk,W_meat，对应食物的能量含量PE_rice,PE_milk,PE_meat，对应食物的关键营养素含量PP_rice,PP_milk,PP_meat，
计算每日摄入的三种特征性食物的能量数值E_rice,E_milk,E_meat：
E_rice＝W_rice*PE_rice；
E_milk＝W_milk*PE_milk；
E_meat＝W_meat*PE_meat；
计算每日摄入的三种特征性食物的关键营养素含量数值P_rice,P_milk,P_meat：
P_rice＝W_rice*PP_rice；
P_milk＝W_milk*PP_milk；
P_meat＝W_meat*PP_meat；
根据多元线性回归模型预测用户平均每日能量及关键营养素摄入水平：
Avg_energy＝C+a1*E_rice+b1*E_milk+c1*E_meat+e1；
Avg_protein＝K+a2*P_rice+b2*P_milk+c2*P_meat+e2；
其中，Avg_energy为平均每日能量摄入水平，Avg_protein为平均每日关键营养素摄入水平，C、K为拟合直线的截距常数，a1、b1、c1、a2、b2、c2为拟合直线的斜率系数，e1、e2为误差项。
基于上述系统，本发明还提供了一种用于实现上述基于数字技术的营养不良快速筛查系统的移动式工具，包括：
数据采集模块，用于用户交互操作，收集录入用户的包括姓名、住院号、床号、性别、年龄、身高、当前体重、六个月前体重、疾病类型、进食量变化情况、体重下降情况在内的各项数据信息；
核心处理模块，与数据采集模块连接，用于对数据收集模块收集录入的各项数据信息进行处理，通过分析计算和评估用户的基本信息、营养筛查评估信息、膳食频率信息，获得用户营养不良评估结论及干预建议；
存储模块，与核心处理模块连接，用于存放各类数据信息；以及
结果输出模块，与核心处理模块连接，用于为用户呈现营养不良评估结果及报告信息。
与现有技术相比，本发明具有以下有益效果：
本发明通过在移动工具上搭载优化的营养不良筛查诊断量表(包括开发精准食物频率量表)，并通过内置的逻辑算法，可以实现用户快速自评并当场出具营养不良评估结果及报告，远远优于现有低效的人力评估模式。
本发明创造性地运用回归算法开发出精准食物频率量表，可以灵活的在不同健康状况及营养需求的患者中进行个性化开发，以实现极简问卷精准预测营养摄入水平，有效提高了对用户膳食情况的快速评估。
附图说明
图1为本发明-实施例的流程框图。
图2为本发明-实施例的系统结构框图。
图3为本发明-实施例中营养不良筛查量表评分逻辑示意图。
图4为本发明-实施例中移动式工具的结构框图。
具体实施方式
下面结合附图和实施例对本发明作进一步说明，本发明的实施方式包括但不限于下列实施例。
实施例
如图1至图3所示，该基于数字技术的营养不良快速筛查系统，包括营养不良快速筛查自评模块、营养不良分析计算模块、营养不良报告模块、用户信息管理模块。
所述营养不良快速筛查自评模块通过用户自主填写的基础及筛查诊断信息采集获取用户的营养状况数据，该营养状况数据至少包括用户的基础信息、营养不良风险筛查信息、营养不良诊断信息。
所述基础信息包括但不限于姓名、住院号、床号、性别、年龄等；
所述营养不良风险筛查信息依据经过临床有效性验证的筛查工具获得(如NRS-2002、MST、MUST等风险筛查量表)，具体指标包括但不限于身高、当前体重、六个月前体重、疾病类型、进食量变化情况、体重下降情况等；
所述营养不良诊断信息依据全球及国内多个肠内肠外学会共识认可的诊断标准获得(如三级诊断标准、GLIM标准等)，具体指标包括但不限于营养评估、营养综合评定，所述营养评估至少包括体重改变、进食改变、导致摄入减少或者吸收障碍的慢性胃肠道症状、活动能力改变、疾病状态下的代谢改变等，所述营养综合评定至少包括炎症反应、应激状态、能耗水平、代谢状态、器官功能、人体组成、心理状况等。
所述营养不良快速筛查自评模块通过模拟视觉量表(Visual Analogue Scale,VAS)将营养不良筛查诊断量表中的问题和选项进行可视化处理并优化表述语言，以便于不同受教育水平的用户得以最大程度地理解问题并准确完成量表填写，辅助用户自主准确填写。具体手段例如：体重单位同时显示“公斤”和“斤”，便于不同计量习惯的患者进行填写与转换，本发明率先在营养不良筛查诊断领域采用基于模拟视觉量表(VAS)技术的测量工具，以实现对患者自我评估体重下降强度或进食量减少程度等指标进行半定量辅助评估。
所述营养不良分析计算模块基于GLIM标准及营养不良三级诊断标准，将所述营养不良快速筛查自评模块采集获取的营养状况数据进行算法转换，计算得出营养不良评估结论，至少用于计算用户营养不良风险评分、营养不良评估结果及严重程度、核心营养素摄入水平及亏空值；并输出至所述营养不良报告模块。
该营养不良分析计算模块依据GLIM标准及营养不良三级诊断标准等经验证的标准，并进行算法转换，计算得出结论。以GLIM标准为例，对采集获取的营养状况数据进行算法转换的过程如下：
第一步采用营养不良筛查量表评分规则进行对用户的营养状况数据进行营养筛查，得出用户的营养不良筛查评分；本实施例以NRS-2002营养不良风险筛查量表为例，评分逻辑如图3所示：
通过用户填写及医生补充，得到疾病诊断及年龄，再核对疾病严重程度及年龄评分标准，得到疾病严重程度评分和年龄评分；
根据相关调查信息，如判断近一周食量有无变化(与以往正常情况相比)，当无或增加时记0分，当减少时判断减少有无一半，再进一步判断有无3/4或1/4，进行减少量的四分段，减少3/4及以上时记3分，减少3/4至1/4时记2分，减少1/4及以下时记1分；如判断体重/身高等指标近期内有无变化，当体重无变化或增加时记0分，减少时判断体重减少量，减少幅度小于5％记0分，大于15％记3分，在5-15％之间时再判断体重减少的持续时间，1个月记1分，2个月记2分，3个月记3分；如判断BMI值不低于18.5记0分，低于18.5且一般情况差则记3分；综合这些相关调查信息的评分，得到营养状态受损评分，一般该营养状态受损评分在前述进食量评分、体重变化评分、BMI评分中取最高分；
总评分＝疾病严重程度评分+营养状态受损评分+年龄评分，
其中，总评分为0-2分属于无营养风险，每周复查；总评分为3-7分属于存在营养风险，进一步进行营养不良评估。
第二步在获得营养不良筛查评分后，对存在营养风险的用户进行GLIM营养不良评估及程度分级，该GLIM营养不良评估的标准包括表现性指标和病因型指标，表现性指标包括非自主体重下降(过去6个月内体重下降大于5％或6个月以上体重下降大于10％)、低体重指数(BMI＜18.5伴一般情况差)，病因型指标包括食物摄入减少或营养素吸收障碍、炎症及疾病、炎症状态指标、生化指标；
存在营养风险的营养不良程度分级包括轻中度营养不良、重度营养不良，轻中度营养不良的标准为至少各满足一项表现性指标和病因型指标，重度营养不良标准为至少满足一项病因型指标并且过去六个月体重下降大于10％或六个月以上体重下降大于20％或BMI＜18.5伴一般情况差。由此获得营养不良评估结论。
具体地，在评价病因型指标中食物摄入减少时具体量化指标包括摄入量≤能量需要量的50％以及摄入量＜能量需要量，需要通过询问用户膳食频率问卷获得相关膳食摄入数据计算而得。本发明在所述营养不良快速筛查自评模块中还配置有采用精准食物频率量表的膳食频率问卷。本发明中该精准食物频率量表是基于传统食物频率问卷FFQ优化后获得，通过优选地筛选出不超过10种食物作为用户日常能量及关键营养素(如蛋白质)摄入水平的特征性预测指标，从而大大减少用户膳食评估时间，并可据此结合用户疾病状态计算能量及关键营养素(如蛋白质)摄入亏空水平。
对于食物频率量表(Food Frequency Questionnaire,下称FFQ)是膳食调查中广泛应用的一种方法，能够得到调查对象通常的膳食摄入量及膳食模式。FFQ通过对食物的种类和食用频率进行调查，能够了解调查对象在一定时期内膳食能量和营养素的摄入，目前已经广泛应用于科学研究及生产生活。
目前常用的FFQ主要针对各种食物，询问受试者过去一定时期内(大多数为1年，也有半年或1个月)平均的摄入频率。根据顾叶青等人的设计，FFQ主要内容包括：食物清单(food list)、平均摄入频率(food frequency)和每次平均摄入份数(portion size)3个要素。其中，“食物清单”中的食物项选择通常包含了几十至百余项食物，以尽可能全面地收集用户所有摄入食物的种类；“平均摄入频率”主要包括调查期间和食物项的平均摄入频率两个方面，各食物项的平均摄入频率(几次/日、周或月)，一般有9个选择(几乎不吃；每月1～3次；每周1次；每周2～4次；每周5～6次；每天1次；每天2～3次；每天4～5次；每天6次以上)等等；“每次平均摄入份数”一般使用的几种方法：①单独设定选项，使用图片或文字提示标准份数，例如，碗碟，自己拳头大小等，然后填写与之比较是等量、偏少还是偏多；②对饮料、鸡蛋等食物项，可以用杯或个数等取代频率；③不设定份数选项，根据金标准测量结果或人群特性等资料，研究人员自己设定摄入份数。
针对目前动辄上百项食物项目的FFQ设计，不仅评估耗时长，而且会显著降低用户应答率及结果的真实性，因此本发明基于传统FFQ量表，结合不同使用对象的核心营养需求及饮食习惯的深度分析，开发出一款只需1-3分钟即可获得用户膳食模式及反映关键营养素摄入数据的“精准食物频率量表”。该精准食物频率量表实现过程如下：
首先，确定该精准食物频率量表的使用对象，对象包括但不限于一般住院患者、肿瘤患者、孕妇等。通过横断面调查对相应人群代表样本使用传统食物频率问卷FFQ(食物清单为18类110项)及3日24小时膳食回顾问卷收集膳食摄入数据，形成基础食物数据库；例如针对西南区域的肿瘤患者随机抽样进行膳食调查，获得所有样本的摄入食物种类、摄入频率及平均摄入量数据，通过中国食物成分表进行营养素换算，获得样本的所有食物的营养素摄入量信息，形成基础食物数据库。
其次，对该精准食物频率量表的使用对象开展基于循证的营养需求分析，筛选出反映营养状况或疾病转归的关键营养素指标，再以基础食物数据库中每种食物提供的相应关键营养素含量为自变量，以所有食物提供的关键营养素总量为因变量，进行多元回归分析，分析方法包括但不限于逐步回归法(Stepwise Regression)、线性回归(LinearRegression)、岭回归(Ridge Regression)等。按照各自变量对因变量贡献的大小，以决定系数R2累积达到70％为基本筛选标准，进行食物项目筛选，筛选的食物项目不超过10个，否则重新调整关键营养素指标。
最后，以筛选出的各食物平均每日营养素摄入量为自变量，用户该营养素平均每日摄入量为因变量构建预测式，形成回归预测模型，形成用于评估用户膳食情况的特征性预测指标，实现对用户膳食情况的快速评估。所述营养素种类包括但不限于核心产能营养素(碳水化合物、蛋白质、脂肪)、能量、维生素、矿物质、氨基酸等。回归预测式根据样本数据分布情况具体确定，如样本符合线性正态分布，则可采用线性回归方程拟合，问卷及算法原理如下：
例如，通过对肿瘤住院患者进行膳食调查，获得该类患者膳食模式以“肠外营养”、“流食为主”及“正常膳食”三种为主，并且每日膳食类型较为统一，因此在针对性设计的“精准食物频率量表”中做出了如下调整：
1.增加膳食模式问题：“您最近2周的日常主食以哪种为主——‘吃不了饭’、‘只能喝稀的’、‘能正常吃饭’”；
2.删减询问患者频率问题，直接询问相应食物平均每日摄入量，如“近一周，平均每天吃多少干米饭？”；
3.筛选优化“精准食物频率量表”中的食物种类：针对可以正常吃饭的患者FFQ基础食物数据库数据进行分析，符合线性正态分布，因此采用多元线性回归分析分析，优化筛选出干米饭(rice)、奶制品(milk)及肉类食物(meat)等三类食物作该类患者能量(energy)、蛋白质(protein)的特征性预测食物；
4.线性回归拟合算法逻辑：根据收集的上述三种特征性食物的每日平均摄入量(W_rice,W_milk,W_meat)及对应食物的营养素含量(如干米饭的每日平均能量摄入量E_rice＝W_rice*干米饭单位能量值PE_rice)，经预设的回归预测模型算法分析，即可较为精准地预测出患者平均每日能量及蛋白质摄入水平(Avg_energy,Avg_protein)。具体算法逻辑及公式如下：
1)首先，计算每日摄入的三种特征性食物能量及蛋白质含量：
平均每日摄入的特征性食物能量数值E_rice,E_milk,E_meat:
E_rice＝W_rice*PE_rice；
E_milk＝W_milk*PE_milk
E_meat＝W_meat*PE_meat
平均每日摄入的特征性食物蛋白质数值P_rice,P_milk,P_meat:
P_rice＝W_rice*干米饭单位蛋白质含量值PP_rice；
P_milk＝W_milk*奶制品单位蛋白质含量值PP_milk
P_meat＝W_meat*肉类食物单位蛋白质含量值PP_meat
2)根据多元线性回归模型预测患者平均每日能量及蛋白质摄入水平：
该患者平均每日能量及蛋白质预测值公式：
Avg_energy＝常数C+系数a1*E_rice+系数b1*E_milk+系数c1*E_meat+误差项e1
Avg_protein＝常数K+系数a2*P_rice+系数b2*P_milk+系数c2*P_meat+误差项e2
其中，该模型通过使用最佳的拟合直线来预测能量及蛋白质水平，常数项为拟合直线的截距，系数a/b/c为拟合直线斜率，e为误差项。常数C取值范围为0～3000，常数K取值范围为0～120,系数a1/a2/b1/b2/c1/c2取值范围均为-∞～+∞，e1/e2取值范围均为-∞～+∞。
在具体的实现形式中，例如在肿瘤住院患者中，通过对该类患者的临床调查结果进行分析，优化筛选出干米饭、奶制品及肉类食物等三类食物作为特征性预测指标，通过对上述指标采集每日平均摄入量(W_rice,W_milk,W_meat)，经预设的回归预测模型算法分析，即可较为精准地预测出患者平均每日能量及蛋白质摄入水平(Avg_energy,Avg_protein)，从而得出是否符合病因型指标，进而根据GLIM营养不良诊断及程度分级逻辑做出诊断，并计算亏空值(G_energy,G_protein)。具体逻辑案例如下：
1)首先，根据相关指南推荐计算肿瘤患者每日能量及蛋白质需要量为：
人体基础代谢率BMR＝性别gender*(66+13.7*体重weight in kg+500*身高height in meter-6.8*年龄age in years)+(1-性别gender)*(655+9.6*体重weight inkg+180*身高height in meter-4.7*年龄age in years)，gender:男性male＝1，女性female＝0
每日能量需要量Required_energy＝BMR+180kcal
每日蛋白质需要量Required_protein＝weight*1.2
2)其次，根据多元回归模型预测患者均每日能量及蛋白质摄入水平为：
Avg_energy＝常数C+系数a1*W_rice+系数b1*W_milk+系数c1*W_meat
Avg_protein＝常数K+系数a2*W_rice+系数b2*W_milk+系数c2*W_meat
3)最后，计算获得亏空值：
G_en＝Required_energy-Avg_energy
G_pro＝Required_protein-Avg_protein。
所述营养不良报告模块根据接收的营养不良评估结论，通过算法分析计算自动生成营养不良评估报告及营养处方建议，并通过信息页面为用户展示，其中营养不良评估报告的结论包括：无营养风险、有营养风险、可疑营养不良、可疑重度营养不良，所述营养处方讲义至少包括每日能量摄入量预测值、每日蛋白质摄入量预测值、每日能量亏空值、每日蛋白质亏空值。
所述用户信息管理模块用于对所有用户信息及营养不良评估报告进行分类汇总展示，并提供给相应的医生查看及报告修改确认。在更为具体的实施案例中，患者信息管理页面将所有患者简要报告信息根据评估时间排列，并展示包括“营养诊断”、“测评人姓名”、“住院号”、“评估时间”、“评估状态”等信息。点击患者简要报告，即可进入报告页面，可完成确认、修改、打印等操作。
如图4所示，基于上述系统，本实施例还提供了一种用于实现上述基于数字技术的营养不良快速筛查系统的移动式工具，包括：
数据采集模块，用于用户交互操作，收集录入用户的包括姓名、住院号、床号、性别、年龄、身高、当前体重、六个月前体重、疾病类型、进食量变化情况、体重下降情况在内的各项数据信息；
核心处理模块，与数据采集模块连接，用于对数据收集模块收集录入的各项数据信息进行处理，通过分析计算和评估用户的基本信息、营养筛查评估信息、膳食频率信息，获得用户营养不良评估结论及干预建议；
存储模块，与核心处理模块连接，用于存放各类数据信息；以及
结果输出模块，与核心处理模块连接，用于为用户呈现营养不良评估结果及报告信息。
该移动式工具可以基于现有的智能设备，如手机、平板、笔记本等，通过APP或搭载其它社交通讯软件的方式(如微信小程序)呈现，以方便用户使用。
本发明通过上述过程优化整合营养不良筛查诊断逻辑及内置算法，并搭载于移动工具，实现诊断结果的即填即出，具有提高医生效率、降低人力成本等重大实用价值。并针对不同健康状况及膳食习惯的患者特点，巧妙运用回归算法拟合筛选而开发的强相关特征性食物频率量表对于简化膳食评估具有独创价值。而且本发明通过模拟视觉量表(VisualAnalogue Scale,VAS)技术的可视化处理并优化表述文言的问卷优化，实现患者/患者家属自主评估完成营养不良筛查诊断的目的。
上述实施例仅为本发明的优选实施例，并非对本发明保护范围的限制，但凡采用本发明的设计原理，以及在此基础上进行非创造性劳动而做出的变化，均应属于本发明的保护范围之内。
Claims (10)
1.一种基于数字技术的营养不良快速筛查系统，其特征在于，包括营养不良快速筛查自评模块、营养不良分析计算模块、营养不良报告模块、用户信息管理模块，其中，
所述营养不良快速筛查自评模块通过用户自主填写的基础及筛查诊断信息采集获取用户的营养状况数据，该营养状况数据至少包括用户的基础信息、营养不良风险筛查信息、营养不良诊断信息，其中基础信息至少包括姓名、住院号、床号、性别、年龄，营养不良风险筛查信息至少包括身高、当前体重、六个月前体重、疾病类型、进食量变化情况、体重下降情况，营养不良诊断信息至少包括营养评估、营养综合评定；
所述营养不良分析计算模块基于GLIM标准及营养不良三级诊断标准，将所述营养不良快速筛查自评模块采集获取的营养状况数据进行算法转换，计算得出营养不良评估结论，并输出至所述营养不良报告模块；
所述营养不良报告模块根据接收的营养不良评估结论，通过算法分析计算自动生成营养不良评估报告及营养处方建议，并通过信息页面为用户展示，其中营养不良评估报告的结论包括：无营养风险、有营养风险、可疑营养不良、可疑重度营养不良，所述营养处方讲义至少包括每日能量摄入量预测值、每日蛋白质摄入量预测值、每日能量亏空值、每日蛋白质亏空值；
所述用户信息管理模块用于对所有用户信息及营养不良评估报告进行分类汇总展示，并提供给相应的医生查看及报告修改确认。
2.根据权利要求1所述的基于数字技术的营养不良快速筛查系统，其特征在于，所述营养不良快速筛查自评模块通过模拟视觉量表将营养不良筛查诊断量表中的问题和选项进行可视化处理并优化表述语言，提高用户对问题和选项的理解度，辅助用户自主准确填写。
3.根据权利要求2所述的基于数字技术的营养不良快速筛查系统，其特征在于，所述营养不良诊断信息中的营养评估至少包括体重改变、进食改变、导致摄入减少或者吸收障碍的慢性胃肠道症状、活动能力改变、疾病状态下的代谢改变，所述营养不良诊断信息中的营养综合评定至少包括炎症反应、应激状态、能耗水平、代谢状态、器官功能、人体组成、心理状况。
4.根据权利要求1所述的基于数字技术的营养不良快速筛查系统，其特征在于，所述营养不良分析计算模块对采集获取的营养状况数据进行算法转换的过程如下：
采用营养不良筛查量表评分规则进行对用户的营养状况数据进行营养筛查，得出用户的营养不良筛查评分；
在获得营养不良筛查评分后，对存在营养风险的用户进行GLIM营养不良评估及程度分级，分级后获得营养不良评估结论。
5.根据权利要求4所述的基于数字技术的营养不良快速筛查系统，其特征在于，所述营养不良筛查量表评分规则基于所有经验证的营养不良风险筛查量表配置，
总评分＝疾病严重程度评分+营养状态受损评分+年龄评分，
其中，总评分为0-2分属于无营养风险，总评分为3-7分属于存在营养风险，存在营养风险的营养不良程度分级包括轻中度营养不良、重度营养不良。
6.根据权利要求5所述的基于数字技术的营养不良快速筛查系统，其特征在于，所述GLIM营养不良评估的标准包括表现性指标和病因型指标，表现性指标包括非自主体重下降、低体重指数，病因型指标包括食物摄入减少或营养素吸收障碍、炎症及疾病、炎症状态指标、生化指标；被分级为轻中度营养不良的用户至少各满足一项表现性指标和病因型指标，被分级为重度营养不良的用户至少满足一项病因型指标并且过去六个月体重下降大于10％或六个月以上体重下降大于20％或BMI＜18.5伴一般情况差。
7.根据权利要求6所述的基于数字技术的营养不良快速筛查系统，其特征在于，所述营养不良快速筛查自评模块中配置有采用精准食物频率量表的膳食频率问卷，通过该膳食频率问卷获得用户的膳食摄入数据，根据用户的膳食摄入数据计算摄入量≤能量需要量的50％以及摄入量＜能量需要量来评估病因型指标中的食物摄入减少指标。
8.根据权利要求7所述的基于数字技术的营养不良快速筛查系统，其特征在于，所述精准食物频率量表是基于传统食物频率问卷FFQ优化后获得：
确定该精准食物频率量表的使用对象，通过横断面调查对相应人群代表样本使用包含18类110项的传统食物频率问卷及3日24小时膳食回顾问卷收集膳食摄入数据，形成基础食物数据库；
对该精准食物频率量表的使用对象开展基于循证的营养需求分析，筛选出反映营养状况或疾病转归的关键营养素指标，再以基础食物数据库中每种食物提供的相应关键营养素含量为自变量，以所有食物提供的关键营养素总量为因变量，进行多元回归分析，按照各自变量对因变量贡献的大小，以决定系数R2累积达到70％为基本筛选标准，进行食物项目筛选，筛选的食物项目不超过10个，否则重新调整关键营养素指标；
以筛选出的各食物平均每日营养素摄入量为自变量，用户该营养素平均每日摄入量为因变量构建预测式，形成回归预测模型，形成用于评估用户膳食情况的特征性预测指标，实现对用户膳食情况的快速评估。
9.根据权利要求8所述的基于数字技术的营养不良快速筛查系统，其特征在于，所述特征性预测指标采用多元线性回归模型的算法逻辑及公式如下：
设三种特征性预测食物的每日平均摄入量为W_rice,W_milk,W_meat，对应食物的能量含量PE_rice,PE_milk,PE_meat，对应食物的关键营养素含量PP_rice,PP_milk,PP_meat，
计算每日摄入的三种特征性食物的能量数值E_rice,E_milk,E_meat：
E_rice＝W_rice*PE_rice；
E_milk＝W_milk*PE_milk；
E_meat＝W_meat*PE_meat；
计算每日摄入的三种特征性食物的关键营养素含量数值P_rice,P_milk,P_meat：
P_rice＝W_rice*PP_rice；
P_milk＝W_milk*PP_milk；
P_meat＝W_meat*PP_meat；
根据多元线性回归模型预测用户平均每日能量及关键营养素摄入水平：
Avg_energy＝C+a1*E_rice+b1*E_milk+c1*E_meat+e1；
Avg_protein＝K+a2*P_rice+b2*P_milk+c2*P_meat+e2；
其中，Avg_energy为平均每日能量摄入水平，Avg_protein为平均每日关键营养素摄入水平，C、K为拟合直线的截距常数，a1、b1、c1、a2、b2、c2为拟合直线的斜率系数，e1、e2为误差项。
10.一种用于实现权利要求1～9任一项所述的基于数字技术的营养不良快速筛查系统的移动式工具，其特征在于，包括：
数据采集模块，用于用户交互操作，收集录入用户的包括姓名、住院号、床号、性别、年龄、身高、当前体重、六个月前体重、疾病类型、进食量变化情况、体重下降情况在内的各项数据信息；
核心处理模块，与数据采集模块连接，用于对数据收集模块收集录入的各项数据信息进行处理，通过分析计算和评估用户的基本信息、营养筛查评估信息、膳食频率信息，获得用户营养不良评估结论及干预建议；
存储模块，与核心处理模块连接，用于存放各类数据信息；以及
结果输出模块，与核心处理模块连接，用于为用户呈现营养不良评估结果及报告信息。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111092610.5A CN113628750B (zh) | 2021-09-17 | 2021-09-17 | 一种基于数字技术的营养不良快速筛查系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111092610.5A CN113628750B (zh) | 2021-09-17 | 2021-09-17 | 一种基于数字技术的营养不良快速筛查系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113628750A true CN113628750A (zh) | 2021-11-09 |
| CN113628750B CN113628750B (zh) | 2024-05-07 |
Family
ID=78390316
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111092610.5A Active CN113628750B (zh) | 2021-09-17 | 2021-09-17 | 一种基于数字技术的营养不良快速筛查系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113628750B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114617533A (zh) * | 2022-05-13 | 2022-06-14 | 成都尚医信息科技有限公司 | 一种基于三维重建的营养状况确定系统 |
| CN114999658A (zh) * | 2022-08-04 | 2022-09-02 | 四川大学华西医院 | 一种数字干预icu后综合征的系统及方法 |
| CN115019973A (zh) * | 2022-08-08 | 2022-09-06 | 四川大学华西医院 | 一种icu后综合征自评快速筛查系统及其筛查方法 |
| CN116665843A (zh) * | 2023-07-28 | 2023-08-29 | 四川省肿瘤医院 | 一种肿瘤患者膳食能量摄入优化方法 |
| CN116895365A (zh) * | 2023-09-11 | 2023-10-17 | 北京康爱医疗科技股份有限公司 | 基于自然语言处理进行肿瘤患者营养筛查的方法及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20150088692A (ko) * | 2014-01-24 | 2015-08-03 | 연세대학교 산학협력단 | 개인 영양 평가 방법, 개인 영양 관리 시스템 및 방법 |
| CN105260594A (zh) * | 2015-09-24 | 2016-01-20 | 中国疾病预防控制中心营养与健康所 | 一种个体营养评价系统 |
| JP2019021146A (ja) * | 2017-07-19 | 2019-02-07 | 一般財団法人糧食研究会 | 高齢者の低栄養又はフレイルの予測方法 |
| CN109841270A (zh) * | 2019-02-02 | 2019-06-04 | 成都尚医信息科技有限公司 | 基于智能设备的膳食营养健康调查评估系统及其实现方法 |
| CN111653340A (zh) * | 2020-04-13 | 2020-09-11 | 江苏康爱营养科技有限责任公司 | 一种营养分析的检测装置 |
-
2021
- 2021-09-17 CN CN202111092610.5A patent/CN113628750B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20150088692A (ko) * | 2014-01-24 | 2015-08-03 | 연세대학교 산학협력단 | 개인 영양 평가 방법, 개인 영양 관리 시스템 및 방법 |
| CN105260594A (zh) * | 2015-09-24 | 2016-01-20 | 中国疾病预防控制中心营养与健康所 | 一种个体营养评价系统 |
| JP2019021146A (ja) * | 2017-07-19 | 2019-02-07 | 一般財団法人糧食研究会 | 高齢者の低栄養又はフレイルの予測方法 |
| CN109841270A (zh) * | 2019-02-02 | 2019-06-04 | 成都尚医信息科技有限公司 | 基于智能设备的膳食营养健康调查评估系统及其实现方法 |
| CN111653340A (zh) * | 2020-04-13 | 2020-09-11 | 江苏康爱营养科技有限责任公司 | 一种营养分析的检测装置 |
Non-Patent Citations (1)
| Title |
|---|
| 符春妹等: "肿瘤住院患者营养不良风险筛查及认知度调查", 《癌症进展》, vol. 18, no. 17, pages 1750 - 1753 * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114617533A (zh) * | 2022-05-13 | 2022-06-14 | 成都尚医信息科技有限公司 | 一种基于三维重建的营养状况确定系统 |
| CN114999658A (zh) * | 2022-08-04 | 2022-09-02 | 四川大学华西医院 | 一种数字干预icu后综合征的系统及方法 |
| CN114999658B (zh) * | 2022-08-04 | 2022-11-11 | 四川大学华西医院 | 一种数字干预icu后综合征的系统及方法 |
| CN115019973A (zh) * | 2022-08-08 | 2022-09-06 | 四川大学华西医院 | 一种icu后综合征自评快速筛查系统及其筛查方法 |
| CN115019973B (zh) * | 2022-08-08 | 2022-10-25 | 四川大学华西医院 | 一种icu后综合征自评快速筛查系统 |
| CN116665843A (zh) * | 2023-07-28 | 2023-08-29 | 四川省肿瘤医院 | 一种肿瘤患者膳食能量摄入优化方法 |
| CN116665843B (zh) * | 2023-07-28 | 2023-10-13 | 四川省肿瘤医院 | 一种肿瘤患者膳食能量摄入优化方法 |
| CN116895365A (zh) * | 2023-09-11 | 2023-10-17 | 北京康爱医疗科技股份有限公司 | 基于自然语言处理进行肿瘤患者营养筛查的方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113628750B (zh) | 2024-05-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113628750B (zh) | 一种基于数字技术的营养不良快速筛查系统 | |
| Rich-Edwards et al. | Randomized trial to reduce cardiovascular risk in women with recent preeclampsia | |
| Noble et al. | Risk models and scores for type 2 diabetes: systematic review | |
| Sheean et al. | Utilizing multiple methods to classify malnutrition among elderly patients admitted to the medical and surgical intensive care units (ICU) | |
| Hörnell et al. | Perspective: an extension of the STROBE statement for observational studies in nutritional epidemiology (STROBE-nut): explanation and elaboration | |
| Macek et al. | Optimal body fat percentage cut-off values in predicting the obesity-related cardiovascular risk factors: a cross-sectional cohort study | |
| Pieroth et al. | The relationship between social support and diet quality in middle-aged and older adults in the United States | |
| Dolenc et al. | Frailty assessment scales for the elderly and their application in primary care: a systematic literature review | |
| Yates et al. | The influence of cognitive-perceptual variables on patterns of change over time in rural midlife and older women’s healthy eating | |
| Timon et al. | The validation of a computer-based food record for older adults: the Novel Assessment of Nutrition and Ageing (NANA) method | |
| Hill et al. | A path model of psychosocial and health behaviour change predictors of excessive gestational weight gain | |
| Engel et al. | Eating behavior in obese BED, obese non-BED, and non-obese control participants: A naturalistic study | |
| CN117012392A (zh) | 高血压风险评估模型构建方法、膳食食疗及健康管理系统 | |
| Goode et al. | Retrospectively estimating energy intake and misreporting from a qualitative food frequency questionnaire: an example using Australian cohort and national survey data | |
| Wang et al. | Adherence to a healthy lifestyle, genetic susceptibility to abdominal obesity, cardiometabolic risk markers, and risk of coronary heart disease | |
| CN107169264A (zh) | 一种复杂疾病诊断方法及系统 | |
| Chun et al. | Differences in the association among the vitamin D concentration, dietary macronutrient consumption, and metabolic syndrome depending on pre-and postmenopausal status in Korean women: a cross-sectional study | |
| CN117038075A (zh) | 糖尿病风险评估模型构建方法、膳食食疗及健康管理系统 | |
| CN111816307A (zh) | 基于临床标志物构建中国人群生物学年龄评价模型的方法及评价方法 | |
| Vrany et al. | Race/ethnicity moderates associations between depressive symptoms and diet composition among US adults. | |
| Doina et al. | Nutrition software for clinical dietitians: Patient management and nutrition care process guidance | |
| Waswa | Improving dietary diversity and nutritional health of women and children under two years through increased utilization of local agrobiodiversity and enhanced nutrition knowledge in Kenya | |
| Chen et al. | Association of adherence to the Australian Dietary Guidelines with cognitive performance and cognitive decline in the Sydney Memory and Ageing Study: a longitudinal analysis | |
| Coleone et al. | Food consumption and glycemic testing of adults and elderly diabetic patients from Public Health: A systematic review of assessment methods | |
| Iacoviello et al. | The Moli-sani project: computerized ECG database in a population-based cohort study |
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 |