CN113643776A - 基于分层计算的患者标记方法、装置、设备及存储介质 - Google Patents
基于分层计算的患者标记方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN113643776A CN113643776A CN202111017493.6A CN202111017493A CN113643776A CN 113643776 A CN113643776 A CN 113643776A CN 202111017493 A CN202111017493 A CN 202111017493A CN 113643776 A CN113643776 A CN 113643776A
- Authority
- CN
- China
- Prior art keywords
- risk
- patient
- drug
- target
- patients
- 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 53
- 238000004364 calculation method Methods 0.000 title abstract description 5
- 239000003814 drug Substances 0.000 claims abstract description 320
- 229940079593 drug Drugs 0.000 claims abstract description 239
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 68
- 201000010099 disease Diseases 0.000 claims abstract description 65
- 238000003745 diagnosis Methods 0.000 claims abstract description 38
- 238000001914 filtration Methods 0.000 claims description 18
- 238000002372 labelling Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 7
- 206010020772 Hypertension Diseases 0.000 description 42
- 230000001631 hypertensive effect Effects 0.000 description 18
- 230000008569 process Effects 0.000 description 5
- 230000001502 supplementing effect Effects 0.000 description 5
- 230000036772 blood pressure Effects 0.000 description 4
- 208000017169 kidney disease Diseases 0.000 description 4
- 239000000047 product Substances 0.000 description 4
- 230000035488 systolic blood pressure Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 208000018262 Peripheral vascular disease Diseases 0.000 description 2
- 208000017442 Retinal disease Diseases 0.000 description 2
- 206010038923 Retinopathy Diseases 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 206010012601 diabetes mellitus Diseases 0.000 description 2
- 230000035487 diastolic blood pressure Effects 0.000 description 2
- 230000005802 health problem Effects 0.000 description 2
- 208000019622 heart disease Diseases 0.000 description 2
- 208000015210 hypertensive heart disease Diseases 0.000 description 2
- 239000013589 supplement Substances 0.000 description 2
- 206010003011 Appendicitis Diseases 0.000 description 1
- 206010058179 Hypertensive emergency Diseases 0.000 description 1
- 201000004239 Secondary hypertension Diseases 0.000 description 1
- 239000002220 antihypertensive agent Substances 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 208000026106 cerebrovascular disease Diseases 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 201000005857 malignant hypertension Diseases 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
- 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
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/10—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to patients
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Chemical & Material Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Medicinal Chemistry (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本申请公开了一种基于分层计算的患者标记方法、装置、设备及存储介质，涉及智慧医疗技术领域，通过不同的风险标签对待标记的患者进行风险标记，使智慧医疗平台对于患者的风险等级识别更为全面，提高标记准确率。所述方法包括：获取高风险诊断标签、高风险药物标签和第一药物种类阈值；在目标疾病的待标记患者中确定目标患者；获取就医次数阈值，统计目标患者的历史就医次数；当历史就医次数小于就医次数阈值时，根据目标患者的基本信息，查询第二药物种类阈值；如果查询第二药物种类阈值成功，则统计目标患者的使用药物种类；当使用药物种类大于第二药物种类阈值时，将目标患者标记为高风险。
Description
技术领域
本申请涉及智慧医疗技术领域，特别是涉及一种基于分层计算的患者标记方法、装置、设备及存储介质。
背景技术
随着社会的不断进步以及智慧医疗技术的不断发展，人们越来越关心自身的健康问题，很多医院、机构等会对患者进行风险标记，从而给患者提供疾病治疗、产品推荐等服务。以高血压为例，对高血压患者进行标记的目的在于区分不同的高血压患者的风险等级，补充高血压风险标签，使智慧医疗平台能够针对不同风险等级的高血压患者进行分析，以便后续针对不同风险等级的患者提供疾病治疗、产品推荐等服务。
相关技术中，很多智慧医疗平台，在对高血压的患者进行标记时，需要获取医学指南中对高风险高血压患者的指标阈值，根据指标阈值设定用于对高血压患者进行筛选的预设条件。若高血压患者的血压收缩压大于160mmHg，或者舒张压大于100mmHg就会被确定为高风险并进行标记，若不属于上述情况则属于低风险高血压患者并进行标记。
在实现本发明的过程中，发明人发现相关技术至少存在以下技术问题：
智慧医疗平台在区分高血压患者的风险等级时仅仅是利用已知的血压指数进行粗略的区分，使得有些高血压患者本身可能处于高风险的状态，但由于不满足医学上对高血压设定的高风险条件而被划分在低风险患者中，导致风险等级识别不够全面，标记准确率低。
发明内容
有鉴于此，本申请提供了一种基于分层计算的患者标记方法、装置、设备及存储介质，主要目的在于解决目前风险等级识别不够全面，标记准确率低的问题。
依据本申请第一方面，提供了一种基于分层计算的患者标记方法，该方法包括：
获取高风险诊断标签、高风险药物标签和药物种类阈值，所述高风险诊断标签和所述高风险药物标签在医学指南中获取且与所述目标疾病存在关联关系，所述第一药物种类阈值通过计算多个样本患者的历史药物种类的种类平均值得到，所述多个样本患者被标记为高风险；
根据所述高风险诊断标签、所述高风险药物标签和所述第一药物种类阈值，在目标疾病的待标记患者中确定目标患者，所述目标患者是所述待标记患者中未命中所述目标疾病的所述高风险诊断标签、所述高风险药物标签和所述第一药物种类阈值的患者；
获取就医次数阈值，统计所述目标患者的历史就医次数；
当所述历史就医次数小于所述就医次数阈值时，确定所述目标患者的年龄信息和性别信息命中的属性区间，查询所述属性区间关联的第二药物种类阈值；
如果查询确定所述属性区间存在关联的所述第二药物种类阈值，则统计所述目标患者的使用药物种类；
当所述使用药物种类大于所述第二药物种类阈值时，将所述目标患者标记为高风险。
可选地，所述根据所述高风险诊断标签、所述高风险药物标签和所述第一药物种类阈值，在目标疾病的待标记患者中确定目标患者，包括：
获取所述待标记患者，在所述待标记患者中将疾病信息关联有所述高风险诊断标签的待标记患者过滤，并将被过滤的待标记患者标记为高风险；
在过滤后的所述待标记患者中将药物信息关联有所述高风险药物标签的待标记患者过滤，并将被过滤的待标记患者标记为高风险；
在过滤后的所述待标记患者中统计所述待标记患者的使用药物种类，将所述使用药物种类大于所述第一药物种类数阈值的待标记患者过滤，并将被过滤的待标记患者标记为高风险；
将过滤后剩余的待标记患者作为所述目标患者。
可选地，所述获取就医次数阈值，包括：
确定多个样本患者，查询所述多个样本患者中每个样本患者关联的所述目标疾病的风险标签，所述风险标签为高风险或中低风险；
按照所述风险标签进行所述多个样本患者的分组，将风险标签一致的样本患者划分到同一组，得到两个样本患者分组；
对于所述两个样本患者分组中每个样本患者分组，统计所述样本患者分组包括的每个样本患者的历史就医次数作为样本就医次数；
基于所述每个样本患者分组包括的样本就医次数，计算所述每个样本患者分组的平均就医次数，得到两个平均就医次数；
采用四分位法对所述两个平均就医次数进行处理，得到所述两个平均就医次数的中位数，将所述中位数作为所述就医次数阈值。
可选地，所述方法还包括：
当所述历史就医次数大于等于所述就医次数阈值时，根据所述目标患者的基本信息，查询第三药物种类阈值；
当所述第三药物种类阈值查询成功时，将所述目标患者的使用药物种类与所述第三药物种类阈值进行比对，根据比对结果对所述目标患者进行标记；
当所述第三药物种类阈值查询失败时，将所述目标患者标记为中低风险。
可选地，所述将所述目标患者的使用药物种类与所述第三药物种类阈值进行比对，根据比对结果对所述目标患者进行标记，包括：
当所述比对结果指示所述目标患者的使用药物种类大于所述第三药物种类阈值时，将所述目标患者标记为高风险；
当所述比对结果指示所述目标患者的使用药物种类小于等于所述第三药物种类阈值时，将所述目标患者标记为中低风险。
可选地，所述确定所述目标患者的年龄信息和性别信息命中的属性区间，查询所述属性区间关联的第二药物种类阈值之后，所述方法还包括：
如果查询确定所述属性区间不存在关联的所述第二药物种类阈值，则将所述目标患者标记为高风险。
可选地，所述方法还包括：
当所述使用药物种类小于等于所述第二药物种类阈值时，将所述目标患者标记为中低风险。
依据本申请第二方面，提供了一种基于分层计算的患者标记装置，该装置包括：
第一获取模块，用于获取高风险诊断标签、高风险药物标签和药物种类阈值，所述高风险诊断标签和所述高风险药物标签在医学指南中获取且与所述目标疾病存在关联关系，所述第一药物种类阈值通过计算多个样本患者的历史药物种类的种类平均值得到，所述多个样本患者被标记为高风险；
确定模块，用于根据所述高风险诊断标签、所述高风险药物标签和所述第一药物种类阈值，在目标疾病的待标记患者中确定目标患者，所述目标患者是所述待标记患者中未命中所述目标疾病的所述高风险诊断标签、所述高风险药物标签和所述第一药物种类阈值的患者；
第二获取模块，用于获取就医次数阈值，统计所述目标患者的历史就医次数；
查询模块，用于当所述历史就医次数小于所述就医次数阈值时，确定所述目标患者的年龄信息和性别信息命中的属性区间，查询所述属性区间关联的第二药物种类阈值；
统计模块，用于如果查询确定所述属性区间存在关联的所述第二药物种类阈值，则统计所述目标患者的使用药物种类；
标记模块，用于当所述使用药物种类大于所述第二药物种类阈值时，将所述目标患者标记为高风险。
可选地，所述确定模块，用于获取所述待标记患者，在所述待标记患者中将疾病信息关联有所述高风险诊断标签的待标记患者过滤，并将被过滤的待标记患者标记为高风险；在过滤后的所述待标记患者中将药物信息关联有所述高风险药物标签的待标记患者过滤，并将被过滤的待标记患者标记为高风险；在过滤后的所述待标记患者中统计所述待标记患者的使用药物种类，将所述使用药物种类大于所述第一药物种类数阈值的待标记患者过滤，并将被过滤的待标记患者标记为高风险；将过滤后剩余的待标记患者作为所述目标患者。
可选地，所述第二获取模块，用于确定多个样本患者，查询所述多个样本患者中每个样本患者关联的所述目标疾病的风险标签，所述风险标签为高风险或中低风险；按照所述风险标签进行所述多个样本患者的分组，将风险标签一致的样本患者划分到同一组，得到两个样本患者分组；对于所述两个样本患者分组中每个样本患者分组，统计所述样本患者分组包括的每个样本患者的历史就医次数作为样本就医次数；基于所述每个样本患者分组包括的样本就医次数，计算所述每个样本患者分组的平均就医次数，得到两个平均就医次数；采用四分位法对所述两个平均就医次数进行处理，得到所述两个平均就医次数的中位数，将所述中位数作为所述就医次数阈值。
可选地，所述装置还包括：
所述查询模块，还用于当所述历史就医次数大于等于所述就医次数阈值时，根据所述目标患者的基本信息，查询第三药物种类阈值；
所述统计模块，还用于当所述第三药物种类阈值查询成功时，将所述目标患者的使用药物种类与所述第三药物种类阈值进行比对，根据比对结果对所述目标患者进行标记。
所述统计模块，还用于当所述第三药物种类阈值查询失败时，将所述目标患者标记为中低风险。
可选地，所述统计模块，还用于当所述比对结果指示所述目标患者的使用药物种类大于所述第三药物种类阈值时，将所述目标患者标记为高风险；当所述比对结果指示所述目标患者的使用药物种类小于等于所述第三药物种类阈值时，将所述目标患者标记为中低风险。
可选地，所述标记模块，还用于如果查询确定所述属性区间不存在关联的所述第二药物种类阈值，则将所述目标患者标记为高风险。
可选地，所述标记模块，还用于当所述使用药物种类小于等于所述第二药物种类阈值时，将所述目标患者标记为中低风险。
依据本申请第三方面，提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述第一方面中任一项所述方法的步骤。
依据本申请第四方面，提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面中任一项所述方法的步骤。
借由上述技术方案，本申请提供的一种基于分层计算的患者标记方法、装置、设备及存储介质，本申请在目标疾病的待标记患者中确定未命中目标疾病的高风险诊断标签、高风险药物标签和第一药物种类阈值的目标患者，随后，获取就医次数阈值，统计目标患者的历史就医次数，当历史就医次数小于就医次数阈值时，确定目标患者的年龄信息和性别信息命中的属性区间，查询属性区间关联的第二药物种类阈值，如果查询确定属性区间存在关联的第二药物种类阈值，则统计目标患者的使用药物种类，当使用药物种类大于第二药物种类阈值时，将目标患者标记为高风险。通过补充风险分层标签，对待标记的患者进行不同的风险标记，使智慧医疗平台对于患者的风险等级识别更为全面，提高标记准确率。
上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本申请的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1示出了本申请实施例提供的一种基于分层计算的患者标记方法流程示意图；
图2A示出了本申请实施例提供的一种基于分层计算的患者标记方法流程示意图；
图2B示出了本申请实施例提供的一种基于分层计算的患者标记方法流程示意图；
图3示出了本申请实施例提供的一种基于分层计算的患者标记装置的结构示意图；
图4示出了本申请实施例提供的一种计算机设备的装置结构示意图。
具体实施方式
下面将参照附图更详细地描述本申请的示例性实施例。虽然附图中显示了本申请的示例性实施例，然而应当理解，可以以各种形式实现本申请而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本申请，并且能够将本申请的范围完整的传达给本领域的技术人员。
本申请实施例提供了一种基于分层计算的患者标记方法，如图1所示，该方法包括：
101、获取高风险诊断标签、高风险药物标签和药物种类阈值，高风险诊断标签和高风险药物标签在医学指南中获取且与目标疾病存在关联关系，药物种类阈值通过计算多个样本患者的历史药物种类的种类平均值得到，多个样本患者被标记为高风险。
102、根据高风险诊断标签、高风险药物标签和第一药物种类阈值，在目标疾病的待标记患者中确定目标患者，目标患者是待标记患者中未命中目标疾病的高风险诊断标签、高风险药物标签和第一药物种类阈值的患者。
103、获取就医次数阈值，统计目标患者的历史就医次数。
104、当历史就医次数小于就医次数阈值时，确定目标患者的年龄信息和性别信息命中的属性区间，查询属性区间关联的第二药物种类阈值。
105、如果查询确定属性区间存在关联的第二药物种类阈值，则统计目标患者的使用药物种类。
106、当使用药物种类大于第二药物种类阈值时，将目标患者标记为高风险。
本申请实施例提供的方法，在目标疾病的待标记患者中确定未命中目标疾病的高风险诊断标签、高风险药物标签和第一药物种类阈值的目标患者，随后，获取就医次数阈值，统计目标患者的历史就医次数，当历史就医次数小于就医次数阈值时，确定目标患者的年龄信息和性别信息命中的属性区间，查询属性区间关联的第二药物种类阈值，如果查询确定属性区间存在关联的第二药物种类阈值，则统计目标患者的使用药物种类，当使用药物种类大于第二药物种类阈值时，将目标患者标记为高风险。通过补充风险分层标签，对待标记的患者进行不同的风险标记，使智慧医疗平台对于患者的风险等级识别更为全面，提高标记准确率。
本申请实施例提供了一种基于分层计算的患者标记方法，如图2A所示，该方法包括：
201、在目标疾病的待标记患者中确定目标患者。
随着社会的不断进步以及互联网技术的不断发展，人们越来越关心自身的健康问题，很多医院、机构等会对患者进行风险标记，从而给患者提供疾病治疗、产品推荐等服务。以高血压为例，对高血压患者进行标记的目的在于区分不同的高血压患者的风险等级，补充高血压风险标签，使智慧医疗平台能够针对不同风险等级的高血压患者进行分析，以便后续针对不同风险等级的患者提供疾病治疗、产品推荐等服务。目前，在对高血压的患者进行标记时，需要获取医学指南中对高风险高血压患者的指标阈值，根据指标阈值设定用于对高血压患者进行筛选的预设条件。若高血压患者的血压收缩压大于160mmHg，或者舒张压大于100mmHg就会被确定为高风险并进行标记，若不属于上述情况则属于低风险高血压患者并进行标记。但是申请人认识到，智慧医疗平台在区分高血压患者的风险等级时仅仅是利用已知的血压指数进行粗略的区分，使得有些高血压患者本身可能处于高风险的状态，但由于不满足医学上对高血压设定的高风险条件而被划分在低风险患者中，导致风险等级识别不够全面，标记准确率低。
因此，本申请提供的一种患者标记方法，该方法可以应用于智慧医疗平台，使得智慧医疗平台在目标疾病的待标记患者中确定未命中目标疾病的高风险诊断标签、高风险药物标签和第一药物种类阈值的目标患者，随后，获取就医次数阈值，统计目标患者的历史就医次数，当历史就医次数小于就医次数阈值时，确定目标患者的年龄信息和性别信息命中的属性区间，查询属性区间关联的第二药物种类阈值，如果查询确定属性区间存在关联的第二药物种类阈值，则统计目标患者的使用药物种类，当使用药物种类大于第二药物种类阈值时，将目标患者标记为高风险。通过补充风险分层标签，对待标记的患者进行不同的风险标记，使智慧医疗平台对于患者的风险等级识别更为全面，提高标记准确率。其中，智慧医疗平台可以基于独立的服务器运行，也可以基于提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(ContentDelivery Network，CDN)、以及大数据和人工智能平台等基础云计算的服务器运行。这样，在后续目标患者的相关信息进行识别时，便可以在服务器上下载到有关目标患者的医疗数据，比如个人健康档案、处方、检查报告等。
其中，目标患者是待标记患者中未命中目标疾病的高风险诊断标签、高风险药物标签和第一药物种类阈值的患者，也就是说，很多高风险的患者能够通过一些现有的识别规则识别出来，这些识别出来的明显属于高风险的患者可以直接标记为高风险，而对于没有明显命中高风险情况的患者作为目标患者，在后续进行多维度的识别。而为了将这类明显属于高风险的患者识别出来，智慧医疗平台会事先在医学指南中获取且与目标疾病存在关联关系的高风险诊断标签和高风险药物标签，并确定被标记为高风险的多个样本患者，计算多个样本患者的历史药物种类的种类平均值得到药物种类阈值，后续利用高风险诊断标签、高风险药物标签和药物种类阈值确定目标患者进行后续的多维度识别，具体在目标疾病的待标记患者中确定目标患者的过程如下：
具体地，获取待标记患者，根据高风险诊断标签、高风险药物标签和药物种类阈值，在待标记患者中将疾病信息关联有高风险诊断标签的待标记患者过滤，并将被过滤的待标记患者标记为高风险。具体在识别疾病信息时，可以采用两种方法，一种方法是获取待标记患者的患者数据信息，通过文本识别的方式对患者数据信息进行识别，提取患者数据信息中的患病种类作为目标患病种类，将目标患病种类中关联有该目标疾病的高风险诊断标签的待标记患者作为目标患者。需要说明的是，由于待标记患者还可能会因为其他的病症前往医院就诊，如感冒、阑尾炎等，这就使患者数据信息中存在与目标疾病无关的患病种类，因此，可以利用医学指南中已知与目标疾病相关的患病种类对待标记患者的全部患病种类进行筛选，将患者数据信息中与目标疾病相关的患病种类作为目标患病种类。另外一种方法是，在待标记患者的ICD(International Classification of Diseases，国际疾病分类编码)疾病编码中识别待标记患者是否符合目标疾病的高风险诊断标签，并在确定符合时，将待标记患者过滤。例如，高风险诊断标签中可以包含高血压2级以上、高血压中危以上、糖尿病、脑血管病、心脏疾病、肾脏疾病、外周血管疾病、视网膜病变、高血压性心脏病、高血压肾脏病、高血压心脏和肾脏病、继发性高血压。
接下来，在过滤后的待标记患者中将药物信息关联有高风险药物标签的待标记患者过滤，并将被过滤的待标记患者标记为高风险，其中，高风险药物标签可以是医学指南中记载高风险高血压患者可能会使用的药物种类，也可以是在智慧医疗平台的历史理赔数据中查询发生住院或手术赔付的高血压客户，识别发生过赔付的客户使用的药物名称，将发生过赔付的客户使用的药物名称与医学指南中记载高风险高血压患者可能会使用的药物种类相结合。例如，高风险药物标签中可以包含糖尿病药物、脑血管病药物、心脏疾病药物、肾脏疾病药物、外周血管疾病药物、视网膜病变药物、高血压急症药物。
随后，在过滤后的待标记患者中统计待标记患者的使用药物种类，将使用药物种类数与第一药物种类数阈值进行比对，第一药物种类阈值可以默认设置为医学指南中记载的高风险使用药物种类阈值，也可以根据智慧医疗平台的历史赔付信息进行设置。具体地，统计发生过赔付的客户使用药物种类数，计算使用药物种类数的均值，将使用药物种类数的均值作为第一药物种类阈值，相关工作人员可以依据实际应用场景在系统中进行设置。本申请对第一药物种类数阈值的设置大小和设置方式不进行具体限定。将使用药物种类大于第一药物种类数阈值的待标记患者过滤，并将被过滤的待标记患者标记为高风险。
最后，将过滤后剩余的待标记患者作为所述目标患者。
通过现有的风险等级标签，即高风险诊断标签、高风险药物标签、第一药物种类数阈值，对待标记患者进行初步筛选，对于已经命中现有风险等级标签的待标记患者，可以直接将其过滤，也就是说直接将其标记为高风险，并无需再进行后续的分级标记。
202、获取就医次数阈值，统计目标患者的历史就医次数，当历史就医次数小于就医次数阈值时，执行下述步骤203，当历史就医次数大于等于就医次数阈值时，执行下述步骤204。
在本申请实施例中，获取目标患者的就医次数阈值，将目标患者的历史就医次数与就医次数阈值进行比对，基于比对结果，获取不同的风险指标，再依据相应的风险指标对目标患者进行准确的风险标记。
首先，获取就医次数阈值，就医次数阈值可以依据智慧医疗平台的客户信息，由相关工作人员根据具体实施场景进行设置。具体地，确定多个样本患者，其中，以高血压患者为例，样本患者可以是从智慧医疗平台客户信息中抽取患有高血压的客户。查询多个样本患者中每个样本患者关联的目标疾病的风险标签，风险标签为高风险或中低风险。按照风险标签进行多个样本患者的分组，将风险标签一致的样本患者划分到同一组，得到两个样本患者分组。在实际应用过程中，可以依据医学指南中对高血压疾病种类的风险记载，将样本患者分为高风险组和中低风险组。对于两个样本患者分组中每个样本患者分组，统计样本患者分组包括的每个样本患者的历史就医次数作为样本就医次数，基于每个样本患者分组包括的样本就医次数，计算每个样本患者分组的平均就医次数，得到两个平均就医次数。最后，采用四分位法对两个平均就医次数进行处理，得到两个平均就医次数的中位数，将中位数作为就医次数阈值。上面的过程也就是把样本患者按照高风险、中低风险分组，然后高风险分组和中低风险分组都统计平均就医次数，得到两个平均就医次数后，采用四分位确定一下两个平均就医次数的中位数，把中位数作为就医次数阈值。
随后，获取目标患者的目标医保数据，通过识别目标医保数据中的就诊信息，统计目标患者的历史就医次数，将历史就医次数与就医次数阈值进行比对，当历史就医次数小于就医次数阈值时，根据目标患者的基本信息，查询第二药物种类阈值，即执行下述步骤203，当历史就医次数大于等于就医次数阈值时，根据目标患者的基本信息，查询第三药物种类阈值，即执行下述步骤204。
由于患者的定期就诊情况与其对应的风险等级息息相关，如果患者定期就医，就能够很好的控制病情，如果患者不定期就医可能会引起病情的加重。因此，统计目标患者在历史时间段内的历史就医次数，当历史就医次数大于等于就医次数阈值时，表示目标患者实际上有规律进行就医，不能直接将该目标患者标记为高风险，需要根据不同的风险指标进行进一步的评估，提高风险标记的准确率。
203、当历史就医次数小于就医次数阈值时，确定目标患者的年龄信息和性别信息命中的属性区间，查询属性区间关联的第二药物种类阈值。
在本申请实施例中，由于不同性别年龄的患者身体状态不同，在实际应用场景下，往往男性会比女性的风险等级高，年龄大的患者要比年龄小的患者风险等级高。因此，在判断目标患者是否规律就医之后，还需要依据目标患者的基本信息，查询相应的风险指标，将目标患者的就医信息与相应的风险指标进行比对，依据比对结果对目标患者进行风险标记。
其中，目标患者的基本信息为能够反映目标患者身体状态的信息，比如患者的性别和年龄，因此，需要确定目标患者的年龄信息和性别信息命中的属性区间，查询属性区间关联的第二药物种类阈值。比如，假设目标患者的年龄信息为65岁，性别信息为女，则命中的属性区间即为大于50岁的女性，查看该属性区间是否存在关联的第二药物种类阈值即可。需要说明的是，第二药物种类数阈值用于指示当前年龄信息和性别信息对应的风险指标，例如，使用降压类药物的种类数。在实际应用过程中，可以设置样本患者，其中，样本患者为历史就医次数小于就医次数阈值的患者。依据医学指南中对高血压疾病种类的风险记载，将样本患者分为高风险组和中低风险组，统计样本患者分组中每个样本患者的使用药物种类，计算每个样本患者分组的平均使用药物种类数，得到预设数目的平均使用药物种类数，采用四分位法对预设数目的平均药物种类数进行处理，得到预设数目的平均使用药物种类数的中位数，将中位数作为第二药物种类阈值。需要说明的是，若目标患者历史就医次数小于就医次数阈值且基本信息显示属于高风险人群，则无需计算第二药物种类阈值，也就是说，后续当系统根据目标患者的基本信息，查询第二药物种类阈值时，会显示并不存在与目标患者的年龄信息和性别信息命中的属性区间关联的第二药物种类阈值。
接下来，如果查询确定属性区间存在关联的第二药物种类阈值，则统计目标患者的使用药物种类，将使用药物种类与第二药物阈值进行比对，基于比对结果对目标患者进行标记。当使用药物种类大于第二药物种类阈值时，将目标患者标记为高风险，当使用药物种类小于等于第二药物种类阈值时，将目标患者标记为中低风险。如果查询第二药物种类阈值失败，则将目标患者标记为高风险。
204、当历史就医次数大于等于就医次数阈值时，根据目标患者的基本信息，查询第三药物种类阈值，基于第三药物种类阈值，对目标患者进行标记。
在本申请实施例中，当历史就医次数大于等于就医次数阈值时，说明当前目标患者每年都会定期规律就医，此时，依据当前目标患者的基本信息，查询规律就医的情况下，当前目标患者基本信息对应的第三药物种类阈值，基于第三药物种类阈值，对目标患者进行标记。
在实际应用过程中，可以设置样本患者，其中，样本患者为历史就医次数大于等于就医次数阈值的患者。依据医学指南中对高血压疾病种类的风险记载，将样本患者分为高风险组和中低风险组，统计样本患者分组中每个样本患者的使用药物种类，计算每个样本患者分组的平均使用药物种类数，得到预设数目的平均使用药物种类数，采用四分位法对预设数目的平均药物种类数进行处理，得到预设数目的平均使用药物种类数的中位数，将中位数作为第三药物种类阈值。需要说明的是，若目标患者历史就医次数大于等于就医次数阈值且基本信息显示属于低风险人群，则无需计算第三药物种类阈值，也就是说，后续当系统根据目标患者的基本信息，查询第三药物种类阈值时，会显示查询失败。
具体地，当第三药物种类阈值查询成功时，将目标患者的使用药物种类与第三药物种类阈值进行比对，根据比对结果对目标患者进行标记。当比对结果指示目标患者的使用药物种类大于第三药物种类阈值时，将目标患者标记为高风险，当比对结果指示目标患者的使用药物种类小于等于第三药物种类阈值时，将目标患者标记为中低风险。当第三药物种类阈值查询失败时，将目标患者标记为中低风险。例如，获取目标患者A的医保数据信息，得出目标患者A为女性，68岁，使用药物种类4类，基于目标患者A的基本信息，查询出第三药物种类阈值为3类，将使用药物种类与第三药物种类阈值进行对比，可以得出使用药物种类大于第三药物种类阈值，因此，系统将A标记为高风险。获取目标患者B的医保数据信息，得出目标患者B为女性，45岁，使用药物种类4类，基于目标患者B的基本信息，无法查询出第三药物种类阈值，因此，系统将B标记为中低风险。
综上所述，以高血压患者为例，本申请中患者标记过程总结如下：
参见图2B，首先，获取待标记患者，在待标记患者中将疾病信息关联有高风险诊断标签的待标记患者过滤，并将被过滤的待标记患者标记为高风险，在过滤后的待标记患者中将药物信息关联有高风险药物标签的待标记患者过滤，并将被过滤的待标记患者标记为高风险，在过滤后的待标记患者中统计待标记患者的使用药物种类，将使用药物种类大于第一药物种类数阈值的待标记患者过滤，并将被过滤的待标记患者标记为高风险，将过滤后剩余的待标记患者作为目标患者。随后，获取就医次数阈值，统计目标患者的历史就医次数，当历史就医次数小于就医次数阈值时，根据目标患者的基本信息，查询第二药物种类阈值，如果查询第二药物种类阈值成功，则统计目标患者的使用药物种类，将使用药物种类与第二药物种类阈值进行比对。当使用药物种类大于第二药物种类阈值时，将目标患者标记为高风险，当使用药物种类小于等于第二药物种类阈值时，将目标患者标记为中低风险。如果查询第二药物种类阈值失败，则将目标患者标记为高风险。当历史就医次数大于等于就医次数阈值时，根据目标患者的基本信息，查询第三药物种类阈值，当第三药物种类阈值查询成功时，将目标患者的使用药物种类与第三药物种类阈值进行比对。若比对结果指示目标患者的使用药物种类大于第三药物种类阈值，则将目标患者标记为高风险，若比对结果指示目标患者的使用药物种类小于等于第三药物种类阈值，则将目标患者标记为中低风险。当第三药物种类阈值查询失败时，将目标患者标记为中低风险。
本申请实施例提供的方法，在目标疾病的待标记患者中确定未命中目标疾病的高风险诊断标签、高风险药物标签和第一药物种类阈值的目标患者，随后，获取就医次数阈值，统计目标患者的历史就医次数，当历史就医次数小于就医次数阈值时，确定目标患者的年龄信息和性别信息命中的属性区间，查询属性区间关联的第二药物种类阈值，如果查询确定属性区间存在关联的第二药物种类阈值，则统计目标患者的使用药物种类，当使用药物种类大于第二药物种类阈值时，将目标患者标记为高风险。通过补充风险分层标签，对待标记的患者进行不同的风险标记，使智慧医疗平台对于患者的风险等级识别更为全面，提高标记准确率。
进一步地，作为图1所述方法的具体实现，本申请实施例提供了一种基于分层计算的患者标记装置，如图3所示，所述装置包括：第一获取模块301、确定模块302、第二获取模块303、查询模块304、统计模块305、标记模块306。
该第一获取模块301，用于获取高风险诊断标签、高风险药物标签和药物种类阈值，所述高风险诊断标签和所述高风险药物标签在医学指南中获取且与所述目标疾病存在关联关系，所述第一药物种类阈值通过计算多个样本患者的历史药物种类的种类平均值得到，所述多个样本患者被标记为高风险；
该确定模块302，用于目标疾病的待标记患者中确定目标患者，所述目标患者是所述待标记患者中未命中所述目标疾病的高风险诊断标签、高风险药物标签和第一药物种类阈值的患者；
该第二获取模块303，用于获取就医次数阈值，统计所述目标患者的历史就医次数；
该查询模块304，用于当所述历史就医次数小于所述就医次数阈值时，确定所述目标患者的年龄信息和性别信息命中的属性区间，查询所述属性区间关联的第二药物种类阈值；
该统计模块305，用于如果查询确定所述属性区间存在关联的所述第二药物种类阈值，则统计所述目标患者的使用药物种类；
该标记模块306，用于当所述使用药物种类大于所述第二药物种类阈值时，将所述目标患者标记为高风险。
在具体的应用场景中，所述确定模块302，用于获取所述待标记患者，在所述待标记患者中将疾病信息关联有所述高风险诊断标签的待标记患者过滤，并将被过滤的待标记患者标记为高风险；在过滤后的所述待标记患者中将药物信息关联有所述高风险药物标签的待标记患者过滤，并将被过滤的待标记患者标记为高风险；在过滤后的所述待标记患者中统计所述待标记患者的使用药物种类，将所述使用药物种类大于所述第一药物种类数阈值的待标记患者过滤，并将被过滤的待标记患者标记为高风险；将过滤后剩余的待标记患者作为所述目标患者。
在具体的应用场景中，所述第二获取模块303，用于确定多个样本患者，查询所述多个样本患者中每个样本患者关联的所述目标疾病的风险标签，所述风险标签为高风险或中低风险；按照所述风险标签进行所述多个样本患者的分组，将风险标签一致的样本患者划分到同一组，得到两个样本患者分组；对于所述两个样本患者分组中每个样本患者分组，统计所述样本患者分组包括的每个样本患者的历史就医次数作为样本就医次数；基于所述每个样本患者分组包括的样本就医次数，计算所述每个样本患者分组的平均就医次数，得到两个平均就医次数；采用四分位法对所述两个平均就医次数进行处理，得到所述两个平均就医次数的中位数，将所述中位数作为所述就医次数阈值。
在具体的应用场景中，所述装置还包括：
所述查询模块304，还用于当所述历史就医次数大于等于所述就医次数阈值时，根据所述目标患者的基本信息，查询第三药物种类阈值；
所述统计模块305，还用于当所述第三药物种类阈值查询成功时，将所述目标患者的使用药物种类与所述第三药物种类阈值进行比对，根据比对结果对所述目标患者进行标记。
所述统计模块305，还用于当所述第三药物种类阈值查询失败时，将所述目标患者标记为中低风险。
在具体的应用场景中，所述统计模块305，还用于当所述比对结果指示所述目标患者的使用药物种类大于所述第三药物种类阈值时，将所述目标患者标记为高风险；当所述比对结果指示所述目标患者的使用药物种类小于等于所述第三药物种类阈值时，将所述目标患者标记为中低风险。
在具体的应用场景中，所述标记模块306，还用于如果查询确定所述属性区间不存在关联的所述第二药物种类阈值，则将所述目标患者标记为高风险。
在具体的应用场景中，所述标记模块306，还用于当所述使用药物种类小于等于所述第二药物种类阈值时，将所述目标患者标记为中低风险。
本申请实施例提供的装置，在目标疾病的待标记患者中确定未命中目标疾病的高风险诊断标签、高风险药物标签和第一药物种类阈值的目标患者，随后，获取就医次数阈值，统计目标患者的历史就医次数，当历史就医次数小于就医次数阈值时，确定目标患者的年龄信息和性别信息命中的属性区间，查询属性区间关联的第二药物种类阈值，如果查询确定属性区间存在关联的第二药物种类阈值，则统计目标患者的使用药物种类，当使用药物种类大于第二药物种类阈值时，将目标患者标记为高风险。通过补充风险分层标签，对待标记的患者进行不同的风险标记，使智慧医疗平台对于患者的风险等级识别更为全面，提高标记准确率。
需要说明的是，本申请实施例提供的一种基于分层计算的患者标记装置所涉及各功能单元的其他相应描述，可以参考图1和图2A至图2B中的对应描述，在此不再赘述。
在示例性实施例中，参见图4，还提供了一种设备，该设备包括总线、处理器、存储器和通信接口，还可以包括输入输出接口和显示设备，其中，各个功能单元之间可以通过总线完成相互间的通信。该存储器存储有计算机程序，处理器，用于执行存储器上所存放的程序，执行上述实施例中的基于分层计算的患者标记方法。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现所述的基于分层计算的患者标记方法的步骤。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到本申请可以通过硬件实现，也可以借助软件加必要的通用硬件平台的方式来实现。基于这样的理解，本申请的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施场景所述的方法。
本领域技术人员可以理解附图只是一个优选实施场景的示意图，附图中的模块或流程并不一定是实施本申请所必须的。
本领域技术人员可以理解实施场景中的装置中的模块可以按照实施场景描述进行分布于实施场景的装置中，也可以进行相应变化位于不同于本实施场景的一个或多个装置中。上述实施场景的模块可以合并为一个模块，也可以进一步拆分成多个子模块。
上述本申请序号仅仅为了描述，不代表实施场景的优劣。
以上公开的仅为本申请的几个具体实施场景，但是，本申请并非局限于此，任何本领域的技术人员能思之的变化都应落入本申请的保护范围。
Claims (10)
1.一种基于分层计算的患者标记方法，其特征在于，包括：
获取高风险诊断标签、高风险药物标签和药物种类阈值，所述高风险诊断标签和所述高风险药物标签在医学指南中获取且与所述目标疾病存在关联关系，所述第一药物种类阈值通过计算多个样本患者的历史药物种类的种类平均值得到，所述多个样本患者被标记为高风险；
根据所述高风险诊断标签、所述高风险药物标签和所述第一药物种类阈值，在目标疾病的待标记患者中确定目标患者，所述目标患者是所述待标记患者中未命中所述目标疾病的所述高风险诊断标签、所述高风险药物标签和所述第一药物种类阈值的患者；
获取就医次数阈值，统计所述目标患者的历史就医次数；
当所述历史就医次数小于所述就医次数阈值时，确定所述目标患者的年龄信息和性别信息命中的属性区间，查询所述属性区间关联的第二药物种类阈值；
如果查询确定所述属性区间存在关联的所述第二药物种类阈值，则统计所述目标患者的使用药物种类；
当所述使用药物种类大于所述第二药物种类阈值时，将所述目标患者标记为高风险。
2.根据权利要求1所述的方法，其特征在于，所述根据所述高风险诊断标签、所述高风险药物标签和所述第一药物种类阈值，在目标疾病的待标记患者中确定目标患者，包括：
获取所述待标记患者，在所述待标记患者中将疾病信息关联有所述高风险诊断标签的待标记患者过滤，并将被过滤的待标记患者标记为高风险；
在过滤后的所述待标记患者中将药物信息关联有所述高风险药物标签的待标记患者过滤，并将被过滤的待标记患者标记为高风险；
在过滤后的所述待标记患者中统计所述待标记患者的使用药物种类，将所述使用药物种类大于所述第一药物种类数阈值的待标记患者过滤，并将被过滤的待标记患者标记为高风险；
将过滤后剩余的待标记患者作为所述目标患者。
3.根据权利要求1所述的方法，其特征在于，所述获取就医次数阈值，包括：
确定多个样本患者，查询所述多个样本患者中每个样本患者关联的所述目标疾病的风险标签，所述风险标签为高风险或中低风险；
按照所述风险标签进行所述多个样本患者的分组，将风险标签一致的样本患者划分到同一组，得到两个样本患者分组；
对于所述两个样本患者分组中每个样本患者分组，统计所述样本患者分组包括的每个样本患者的历史就医次数作为样本就医次数；
基于所述每个样本患者分组包括的样本就医次数，计算所述每个样本患者分组的平均就医次数，得到两个平均就医次数；
采用四分位法对所述两个平均就医次数进行处理，得到所述两个平均就医次数的中位数，将所述中位数作为所述就医次数阈值。
4.根据权利要求1所述的方法，其特征在于，所述获取就医次数阈值，统计所述目标患者的历史就医次数之后，所述方法还包括：
当所述历史就医次数大于等于所述就医次数阈值时，根据所述目标患者的基本信息，查询第三药物种类阈值；
当所述第三药物种类阈值查询成功时，将所述目标患者的使用药物种类与所述第三药物种类阈值进行比对，根据比对结果对所述目标患者进行标记；
当所述第三药物种类阈值查询失败时，将所述目标患者标记为中低风险。
5.根据权利要求4所述的方法，其特征在于，所述将所述目标患者的使用药物种类与所述第三药物种类阈值进行比对，根据比对结果对所述目标患者进行标记，包括：
当所述比对结果指示所述目标患者的使用药物种类大于所述第三药物种类阈值时，将所述目标患者标记为高风险；
当所述比对结果指示所述目标患者的使用药物种类小于等于所述第三药物种类阈值时，将所述目标患者标记为中低风险。
6.根据权利要求1所述的方法，其特征在于，所述确定所述目标患者的年龄信息和性别信息命中的属性区间，查询所述属性区间关联的第二药物种类阈值之后，所述方法还包括：
如果查询确定所述属性区间不存在关联的所述第二药物种类阈值，则将所述目标患者标记为高风险。
7.根据权利要求1所述的方法，其特征在于，所述统计所述目标患者的使用药物种类之后，所述方法还包括：
当所述使用药物种类小于等于所述第二药物种类阈值时，将所述目标患者标记为中低风险。
8.一种基于分层计算的患者标记装置，其特征在于，包括：
第一获取模块，用于获取高风险诊断标签、高风险药物标签和药物种类阈值，所述高风险诊断标签和所述高风险药物标签在医学指南中获取且与所述目标疾病存在关联关系，所述第一药物种类阈值通过计算多个样本患者的历史药物种类的种类平均值得到，所述多个样本患者被标记为高风险；
确定模块，用于根据所述高风险诊断标签、所述高风险药物标签和所述第一药物种类阈值，在目标疾病的待标记患者中确定目标患者，所述目标患者是所述待标记患者中未命中所述目标疾病的所述高风险诊断标签、所述高风险药物标签和所述第一药物种类阈值的患者；
第二获取模块，用于获取就医次数阈值，统计所述目标患者的历史就医次数；
查询模块，用于当所述历史就医次数小于所述就医次数阈值时，确定所述目标患者的年龄信息和性别信息命中的属性区间，查询所述属性区间关联的第二药物种类阈值；
统计模块，用于如果查询确定所述属性区间存在关联的所述第二药物种类阈值，则统计所述目标患者的使用药物种类；
标记模块，用于当所述使用药物种类大于所述第二药物种类阈值时，将所述目标患者标记为高风险。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111017493.6A CN113643776A (zh) | 2021-08-31 | 2021-08-31 | 基于分层计算的患者标记方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111017493.6A CN113643776A (zh) | 2021-08-31 | 2021-08-31 | 基于分层计算的患者标记方法、装置、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113643776A true CN113643776A (zh) | 2021-11-12 |
Family
ID=78424817
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111017493.6A Pending CN113643776A (zh) | 2021-08-31 | 2021-08-31 | 基于分层计算的患者标记方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113643776A (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109166105A (zh) * | 2018-08-01 | 2019-01-08 | 中国人民解放军南京军区南京总医院 | 人工智能医学影像的肿瘤恶性风险分层辅助诊断系统 |
| CN111554365A (zh) * | 2019-03-20 | 2020-08-18 | 华中科技大学同济医学院附属协和医院 | 一种慢性病综合服务平台 |
| CN111739638A (zh) * | 2020-06-16 | 2020-10-02 | 刘�文 | 适用于分化型甲状腺癌患者的术后自助评估系统 |
| CN111933237A (zh) * | 2020-08-31 | 2020-11-13 | 平安国际智慧城市科技股份有限公司 | 慢病处理方法、装置及相关设备 |
| CN111986809A (zh) * | 2020-08-10 | 2020-11-24 | 武汉麦咚健康科技有限公司 | 一种用于医生辅助判断的高血压药物推荐系统和方法 |
| CN112132624A (zh) * | 2020-09-27 | 2020-12-25 | 平安医疗健康管理股份有限公司 | 医疗理赔数据预测系统 |
-
2021
- 2021-08-31 CN CN202111017493.6A patent/CN113643776A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109166105A (zh) * | 2018-08-01 | 2019-01-08 | 中国人民解放军南京军区南京总医院 | 人工智能医学影像的肿瘤恶性风险分层辅助诊断系统 |
| CN111554365A (zh) * | 2019-03-20 | 2020-08-18 | 华中科技大学同济医学院附属协和医院 | 一种慢性病综合服务平台 |
| CN111739638A (zh) * | 2020-06-16 | 2020-10-02 | 刘�文 | 适用于分化型甲状腺癌患者的术后自助评估系统 |
| CN111986809A (zh) * | 2020-08-10 | 2020-11-24 | 武汉麦咚健康科技有限公司 | 一种用于医生辅助判断的高血压药物推荐系统和方法 |
| CN111933237A (zh) * | 2020-08-31 | 2020-11-13 | 平安国际智慧城市科技股份有限公司 | 慢病处理方法、装置及相关设备 |
| CN112132624A (zh) * | 2020-09-27 | 2020-12-25 | 平安医疗健康管理股份有限公司 | 医疗理赔数据预测系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11462309B2 (en) | Automated electrocardiogram interpretation system and methods for use therewith | |
| US20200258608A1 (en) | Medical database and system | |
| US8473309B2 (en) | System and method for early identification of safety concerns of new drugs | |
| US20220051114A1 (en) | Inference process visualization system for medical scans | |
| US20220037019A1 (en) | Medical scan artifact detection system and methods for use therewith | |
| CN103370629A (zh) | 临床质量分析系统 | |
| CN113657550A (zh) | 基于分层计算的患者标记方法、装置、设备及存储介质 | |
| CN114974590A (zh) | 一种多维度监控重症患者的预测护理方法及系统 | |
| CN114300075A (zh) | 一种基于大数据的运动医疗健康数据管理系统 | |
| CN113643814A (zh) | 健康管理方案的推荐方法、装置、设备及存储介质 | |
| CN113643776A (zh) | 基于分层计算的患者标记方法、装置、设备及存储介质 | |
| CN109522331A (zh) | 以个人为中心的区域化多维度健康数据处理方法及介质 | |
| CN114255887A (zh) | 信息显示方法、装置、电子设备及存储介质 | |
| Song et al. | Un-apriori: A novel association rule mining algorithm for unstructured EMRs | |
| KR102588897B1 (ko) | 모니터링 데이터를 이용한 예측 평가 점수 산출 장치 및 방법 | |
| CN117153430A (zh) | 一种基于人工智能的中医临床标准化病人问诊模拟系统 | |
| CN118197530A (zh) | 一种基于机器学习算法的实时药物使用预警方法 |
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: 20220523 Address after: 518000 China Aviation Center 2901, No. 1018, Huafu Road, Huahang community, Huaqiang North Street, Futian District, Shenzhen, Guangdong Province Applicant after: Shenzhen Ping An medical and Health Technology Service Co.,Ltd. Address before: Room 12G, Area H, 666 Beijing East Road, Huangpu District, Shanghai 200001 Applicant before: PING AN MEDICAL AND HEALTHCARE MANAGEMENT Co.,Ltd. |
|
| TA01 | Transfer of patent application right |