CN113724891A - 医院疫情监测方法、装置及相关设备 - Google Patents
医院疫情监测方法、装置及相关设备 Download PDFInfo
- Publication number
- CN113724891A CN113724891A CN202111016278.4A CN202111016278A CN113724891A CN 113724891 A CN113724891 A CN 113724891A CN 202111016278 A CN202111016278 A CN 202111016278A CN 113724891 A CN113724891 A CN 113724891A
- Authority
- CN
- China
- Prior art keywords
- symptom
- information
- target
- baseline
- syndrome
- 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
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
- G16H50/80—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for detecting, monitoring or modelling epidemics or pandemics, e.g. flu
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
- G06F40/295—Named entity recognition
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本申请涉及人工智能与数字医疗技术,提供一种医院疫情监测方法、装置、计算机设备与存储介质,包括:根据问诊信息与诊断报告信息获取患者的疾病信息;分别计算预设症候群中的每一预设症候群与疾病信息的相似度;获取相似度超过预设相似度阈值的目标预设症候群,并计算目标预设症候群的目标症候群基线;采集疾病信息相同的目标患者群以及目标患者群的基本信息,并根据基本信息计算疾病信息对应的症状基线;检测症状基线是否超过目标症候群基线;当检测结果为是时,确定症状基线与目标症候群基线的距离值,并根据距离值获取并预警症状信息的风险程度。本申请能够提高疫情监控的效率,促进智慧医疗的快速发展。
Description
技术领域
本申请涉及人工智能技术领域,尤其涉及一种医院疫情监测方法、装置、计算机设备及介质。
背景技术
公共卫生是关系到一国或一个地区人民大众健康的公共事业。公共卫生的重要工作之一是对重大疾病尤其是传染病(如结核、艾滋病、SARS、新冠肺炎等)的预防、监控和治疗。在全国进入常态化疫情防控阶段后,医院作为医疗救治的场所,也是疾病传播的重点地区,面临着巨大的防控压力。因此,需要对医院进行疫情监测,以期对疾病爆发进行早期探查与预警。
在实现本申请的过程中,发明人发现现有技术存在如下技术问题:受制于医院本身的信息化技术水平和采用的工具,部分医院还在采用人工选择操作统计疫情的方式,疫情监控效率较低;此外,由于医院的疫情监测体系不完善,医生受制于对疫情疾病的诊断能力,存在误报、漏报的可能,无法保证疫情监控的效果。
因此,有必要提供一种医院疫情监测方法,能够提高医院疫情的处理效率。
发明内容
鉴于以上内容,有必要提出一种医院疫情监测方法、医院疫情监测装置、计算机设备及介质,能够提高医院疫情的处理效率。
本申请实施例第一方面提供一种医院疫情监测方法,所述医院疫情监测方法包括:
采集患者的问诊信息以及采集所述患者的诊断报告信息,并根据所述问诊信息与所述诊断报告信息获取所述患者的疾病信息;
获取预设症候群,并分别计算所述预设症候群中的每一预设症候群与所述疾病信息的相似度;
获取所述相似度超过预设相似度阈值的目标预设症候群,并计算所述目标预设症候群的目标症候群基线;
采集所述疾病信息相同的目标患者群以及所述目标患者群中每一目标患者的基本信息,并根据所述基本信息计算所述疾病信息对应的症状基线;
检测所述症状基线是否超过所述目标症候群基线;
当检测结果为所述症状基线超过所述目标症候群基线时,确定所述症状基线与所述目标症候群基线的距离值,并根据所述距离值获取并预警所述症状信息的风险程度。
进一步地,在本申请实施例提供的上述医院疫情监测方法中,所述采集患者的问诊信息包括:
获取该患者对应的初始病情沟通信息;
基于长短期记忆网络和条件随机场抽取所述初始病情沟通信息中的实体信息,所述实体信息包括性别、年龄以及基本症状特征;
按照预设结构组合所述实体信息,得到结构化的问诊信息。
进一步地,在本申请实施例提供的上述医院疫情监测方法中,所述采集患者的诊断报告信息包括:
获取每个检查项目对应的诊断报告信息;
检测所述诊断报告信息中是否存在异常标注;
当检测结果为所述诊断报告中存在异常标注时,获取每个所述诊断报告信息中的所述异常标注的数量,并根据所述数量确定所述诊断报告信息的异常等级;
按照所述异常等级的顺序融合每个所述诊断报告信息,得到最终的诊断报告信息。
进一步地,在本申请实施例提供的上述医院疫情监测方法中,所述分别计算所述预设症候群中的每一预设症候群与所述疾病信息的相似度包括:
获取所述预设症候群中的每一预设症候群对应的症状树;
序列化处理所述症状树中的每一症状节点,得到症状序列树;
获取并序列化处理所述疾病信息对应的症状特征,得到症状特征序列;
检测所述症状序列树中是否存在与所述症状特征序列匹配的症状序列;
当检测结果为所述症状序列树中存在与所述症状特征序列匹配的症状序列时,确定与所述症状特征序列匹配的目标症状序列树,并计算所述目标症状序列树中与所述症状特征序列匹配的症状序列的数量;
根据所述症状序列的数量确定每一所述预设症候群与所述疾病信息的相似度。
进一步地,在本申请实施例提供的上述医院疫情监测方法中,所述计算所述目标预设症候群的目标症候群基线包括:
获取预设时间单位内所述目标预设症候群的病例数;
获取所述目标预设症候群的历史病例数;
根据所述病例数与所述历史病例数计算所述目标预设症候群对应的目标统计指标。
进一步地,在本申请实施例提供的上述医院疫情监测方法中,所述检测所述症状基线是否超过所述目标症候群基线包括:
获取同一时间点对应的所述症状基线与所述目标症候群基线;
检测所述同一时间点对应的所述症状基线是否超过所述目标症候群基线;
当检测结果为所述同一时间点对应的所述症状基线超过所述目标症候群基线时,确定所述症状基线超过所述目标症候群基线。
进一步地,在本申请实施例提供的上述医院疫情监测方法中,在所述根据所述距离值获取并预警所述症状信息的风险程度之后,所述方法还包括:
获取患者的就诊信息;
根据所述就诊信息检测所述患者是否为高危易感患者;
当检测结果为所述患者为高危易感患者时,按照预设时间间隔输出目标问卷至该患者,并在监测到患者提交所述目标问卷时,提取所述目标问卷中的症状信息;
将所述症状信息输出至预先训练好的感染风险模型中进行处理,得到患者重新感染该疾病的风险,并在患者重新感染该疾病的风险高于预设风险阈值时,输出告警提示。
本申请实施例第二方面还提供一种医院疫情监测装置,所述医院疫情监测装置包括:
疾病获取模块,用于采集患者的问诊信息与诊断报告信息,并根据所述问诊信息与所述诊断报告信息获取所述患者的疾病信息;
相似计算模块,用于获取预设症候群,并分别计算所述预设症候群中的每一预设症候群与所述疾病信息的相似度;
基线计算模块,用于获取所述相似度超过预设相似度阈值的目标预设症候群,并计算所述目标预设症候群的目标症候群基线;
信息采集模块,用于采集所述疾病信息相同的目标患者以及所述目标患者的基本信息,并根据所述基本信息计算所述疾病信息对应的症状基线;
基线检测模块,用于检测所述症状基线是否超过所述目标症候群基线;
风险预警模块,用于当检测结果为所述症状基线超过所述目标症候群基线时,确定所述症状基线与所述目标症候群基线的距离值,并根据所述距离值获取并预警所述症状信息的风险程度。
本申请实施例第三方面还提供一种计算机设备,所述计算机设备包括处理器,所述处理器用于执行存储器中存储的计算机程序时实现如上述任意一项所述医院疫情监测方法。
本申请实施例第四方面还提供一种计算机可读存储介质,所述计算机可读存储介质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任意一项所述医院疫情监测方法。
本申请实施例提供的上述医院疫情监测方法、医院疫情监测装置、计算机设备以及计算机可读存储介质,通过综合考量患者的问诊信息与诊断报告信息,继而确定患者的疾病信息,能够提高疾病确定的准确性,从而提高医院疫情监控的准确性;此外,本申请在患者就诊阶段实现对患者的疾病信息进行风险预警,避免在患者就诊结束后再采用人工选择操作统计疫情的方式,能够提高疫情监控的效率。本申请可应用于智慧就医、智慧问诊等数字医疗的各个功能模块中,比如智慧就医的医院疫情监测模块等,能够促进数字医疗的快速发展。
附图说明
图1是本申请实施例一提供的医院疫情监测方法的流程图。
图2是本申请实施例二提供的医院疫情监测装置的结构图。
图3是本申请实施例三提供的计算机设备的结构示意图。
如下具体实施方式将结合上述附图进一步说明本申请。
具体实施方式
为了能够更清楚地理解本申请的上述目的、特征和优点,下面结合附图和具体实施例对本申请进行详细描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本申请,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中在本申请的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本申请。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中,人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
本发明实施例提供的医院疫情监测方法由计算机设备执行,相应地,医院疫情监测装置运行于计算机设备中。
图1是本申请第一实施方式的医院疫情监测方法的流程图。如图1所示,所述医院疫情监测方法可以包括如下步骤,根据不同的需求,该流程图中步骤的顺序可以改变,某些可以省略:
S11、采集患者的问诊信息以及采集所述患者的诊断报告信息,并根据所述问诊信息与所述诊断报告信息获取所述患者的疾病信息。
在本申请的至少一实施例中,所述问诊信息可以为患者与医生在移动终端(例如,手机端)关于病情的沟通信息,也可以是患者与医生在线下沟通时(例如,在医院就诊),由医生记录在移动终端(例如,电脑端)的病情信息。所述问诊信息为按照预设结构进行存储的信息,所述预设结构为系统人员预先设置的结构化所述问诊信息的格式。所述诊断报告信息可以为患者根据医院的处方信息进行相应检查项目诊断(例如,CT诊断)的信息。
可选地,所述采集患者的问诊信息包括:
获取该患者对应的初始病情沟通信息;
基于长短期记忆网络和条件随机场抽取所述初始病情沟通信息中的实体信息,所述实体信息包括性别、年龄以及基本症状特征;
按照预设结构组合所述实体信息,得到结构化的问诊信息。
其中,所述预设结构均为系统人员设置的用于结构化初始病情沟通信息的内容,在此不做限制。所述初始病情沟通信息包含较多口语化的词语,需要对所述初始病情沟通信息进行结构化处理,得到预设结构的问诊信息,便于症状信息的快速确认,能够提高医院疫情监控的效率。
其中,在对初始病情沟通信息进行实体抽取处理时,可以通过长短期记忆网络和条件随机场的方式对初始病情沟通信息进行文字实体识别处理,从而获得抽取实体信息,采用长短期记忆网络和条件随机场的方式相结合进行实体抽取,可以更快、更准确的抽取实体信息;在抽取实体信息之后,需要对实体信息进行融合归一化处理,从而获得初始病情沟通信息中的实体信息;通过实体融合归一化处理,可以对同一个实体信息,在不同称呼上实现融合,去除相应的冗余信息,提高后续的处理速度。
可选地,所述根据所述问诊信息与所述诊断报告信息获取所述患者的疾病信息包括:
根据所述患者的问诊信息检测所述患者是否存在对应的检查项目;
当检测结果为所述患者存在对应的检测项目时,获取所述检测项目对应的诊断报告信息;
输入所述问诊信息与所述诊断报告信息至预先训练好的CDSS诊断模型中,得到所述患者对应的疾病信息。
其中,所述CDSS诊断模型为预先训练好的,用于诊断患者疾病的模型,所述CDSS模型的训练过程为现有技术,在此不做赘述。所述问诊信息中还包括患者对应的检查项目名称等关键词,通过检测所述问诊信息中是否包含检查项目名称等关键词以确定所述患者是否存在对应的检查项目。所述诊断报告信息可以包括文字版本的诊断报告与医疗影像图版本的诊断报告。当所述检查项目的数量为多个时,将多个检查项目对应的诊断报告信息融合为完整的诊断报告。在一实施例中,当所述检查项目的数量为多个时,所述采集所述患者的诊断报告信息包括:
获取每个检查项目对应的诊断报告信息;
检测所述诊断报告信息中是否存在异常标注;
当检测结果为所述诊断报告中存在异常标注时,获取每个所述诊断报告信息中的所述异常标注的数量,并根据所述数量确定所述诊断报告信息的异常等级;
按照所述异常等级的顺序融合每个所述诊断报告信息,得到最终的诊断报告信息。
其中,对于每一所述诊断报告信息,均存在实际指标值与标准指标值,当所述实际指标值不在所述标准指标值的区间范围时,确定该实际指标值存在异常,对此添加异常标注。所述异常标注的数量与所述异常等级间存在映射关系,一般来说,所述数量越高,其对应的异常等级越高;所述数量越低,其对应的异常等级越低。本申请按照所述异常等级从高到低的顺序融合每个所述诊断报告信息,将异常等级高的诊断报告先进行分析,能够提高疾病确定的速率,继而提高医院疫情的监控效率。
S12、获取预设症候群,并分别计算所述预设症候群中的每一预设症候群与所述疾病信息的相似度。
在本申请的至少一实施例中,所述预设症候群为预先存储至预设数据库中的症候群信息,考虑到数据存储的隐私性与可靠性,所述预设数据库可以为区块链中的目标节点。所述预设症候群信息可以包括但不限于发热呼吸道症候群、腹泻症候群、发热伴出诊症候群、发热伴出血症候群、脑炎脑膜炎症候群等症候群信息,对于每一症候群,存在一个或多个对应的症状。本申请通过确定与所述疾病信息最相似目标症候群的基线,继而判断所述疾病信息是否符合预警条件,能够提高预警的准确性。
可选地,所述分别计算所述预设症候群中的每一预设症候群与所述疾病信息的相似度包括:
获取所述预设症候群中的每一预设症候群对应的症状树;
序列化处理所述症状树中的每一症状节点,得到症状序列树;
获取并序列化处理所述疾病信息对应的症状特征,得到症状特征序列;
检测所述症状序列树中是否存在与所述症状特征序列匹配的症状序列;
当检测结果为所述症状序列树中存在与所述症状特征序列匹配的症状序列时,确定与所述症状特征序列匹配的目标症状序列树,并计算所述目标症状序列树中与所述症状特征序列匹配的症状序列的数量;
根据所述症状序列的数量确定每一所述预设症候群与所述疾病信息的相似度。
其中,所述预设症候群中包含若干症状,通过将所述预设症候群转换为症状树,采用树节点匹配的方式计算所述预设症候群与所述疾病信息的相似度。所述疾病信息包含的症状可能会在一个或者多个预设症候群中出现,当所述疾病信息包含的症状在一个预设症候群中出现时,确定该症候群为相似度最高的预设症候群;当所述疾病信息包含的症状在多个预设症候群中出现时,选取包含相同症状最多的症候群为相似度最高的预设症候群。所述症状序列的数量与所述相似度间存在映射关系,通过遍历该映射关系,能够得到所述症状序列的数量对应的相似度。
S13、获取所述相似度超过预设相似度阈值的目标预设症候群,并计算所述目标预设症候群的目标症候群基线。
在本申请的至少一实施例中,所述预设相似度阈值为预先设置的,用于评估所述预设症候群与所述疾病信息的相似程度的值,例如,所述预设相似度阈值可以为95%。当所述相似度超过预设相似度阈值时,确定该预设症候群与所述疾病信息最相似。所述计算所述目标症候群的目标症候群基线也即基于该地区该目标症候群的历史数据建立症候群基线,综合考虑季节性与趋势性,对该目标预设症状对应的症候群(例如,发热呼吸道、腹泻、发热伴出诊、发热伴出血、脑炎脑膜炎等)进行监测,得到目标症候群基线。
可选地,所述计算所述目标预设症候群的目标症候群基线包括:
获取预设时间单位内所述目标预设症候群的病例数;
获取所述目标预设症候群的历史病例数;
根据所述病例数与所述历史病例数计算所述目标预设症候群对应的目标统计指标。
其中,所述目标统计指标可以包括但不限于环比增长率、同比增长率、历史百分位等。所述病例数与所述历史病例数间存在预先设置的数学模型,通过调用所述数学模型处理所述病例数与所述历史病例数,能够得到所述目标预设症候群对应的目标统计指标。
S14、采集所述疾病信息相同的目标患者群以及所述目标患者群中每一目标患者的基本信息,并根据所述基本信息计算所述疾病信息对应的症状基线。
在本申请的至少一实施例中,不同医院间可以通过区块链的方式进行信息交互,通过区块链技术获取不同医院中相同的所述疾病信息对应的目标患者群,所述目标患者群中包含若干目标患者。在确定患者的信息后,获取这些患者的基本信息,所述基本信息可以包括所述目标患者的位置信息、疾病发生的时间信息等。其中,所述位置信息可以通过患者就诊的医院所在的位置信息确定,所述疾病发生的时间信息可以通过患者在医院就诊的时间确定,在此不做限制。
可选地,所述根据所述基本信息计算所述疾病信息对应的症状基线包括:
根据所述目标患者群中每一目标患者的基本信息获取预设时间单位内所述疾病信息的病例数;
获取所述疾病信息的历史病例数;
根据所述病例数与所述历史病例数计算所述疾病信息对应的症状基线。
其中,所述症状基线可以是包含环比增长率、同比增长率、历史百分位等指标信息的基线,在此不做限制。
S15、检测所述症状基线是否超过所述目标症候群基线,并在检测结果为所述症状基线超过所述目标症候群基线时,执行步骤S16。
在本申请的至少一实施例中,所述检测所述症状基线是否超过所述目标症候群基线也即所述症状基线的发生率是否超出所述目标症候群基线的发生率,或者所述症状基线是否具有空间聚集现象。在一实施例中,当检测结果为所述症状基线的发生率超出所述目标症候群基线的发生率或者所述症状基线具有空间聚集现象时,确定所述症状基线超过所述目标症候群基线。
可选地,所述检测所述症状基线是否超过所述目标症候群基线包括:
获取同一时间点对应的所述症状基线与所述目标症候群基线;
检测所述同一时间点对应的所述症状基线是否超过所述目标症候群基线;
当检测结果为所述同一时间点对应的所述症状基线超过所述目标症候群基线时,确定所述症状基线超过所述目标症候群基线。
可选地,所述检测所述症状基线是否超过所述目标症候群基线还包括:
获取所述症状基线的空间信息;
检测同一空间信息下所述症状的发生率是否超过预设发生率阈值;
当检测结果为同一空间信息下所述症状的发生率超过预设发生率阈值时,确定所述症状基线具有空间聚集现象,从而确定所述症状基线超过所述目标症候群基线。
其中,所述预设发生率阈值可以为预先设置的用于评估疾病是否具有空间聚集现象的阈值。
S16、确定所述症状基线与所述目标症候群基线的距离值,并根据所述距离值获取并预警所述症状信息的风险程度。
在本申请的至少一实施例中,所述症状基线与所述目标症候群基线存在距离,计算所述症状基线与所述目标症候群基线的距离值,并根据预先设置的距离值与所述风险程度的映射关系,得到所述距离值对应的风险程度,根据所述疾病信息以及所述疾病信息对应的风险程度形成上报初稿,上报至全民健康信息平台及国家传染病直报系统,加强对法定传染病的及时上报。在一实施例中,可以随机选取所述症状基线与所述目标症候群基线对应的若干相同横坐标,获取每一所述横坐标对应的纵坐标的取值作为距离值,对每个所述距离值取均值处理可以得到所述症状基线与所述目标症候群基线的距离值。
在一实施例中,在所述根据所述距离值获取并预警所述症状信息的风险程度之后,所述方法还包括:
获取患者的就诊信息;
根据所述就诊信息检测所述患者是否为高危易感患者;
当检测结果为所述患者为高危易感患者时,按照预设时间间隔输出目标问卷至该患者,并在监测到患者提交所述目标问卷时,提取所述目标问卷中的症状信息;
将所述症状信息输出至预先训练好的感染风险模型中进行处理,得到患者重新感染该疾病的风险,并在患者重新感染该疾病的风险高于预设风险阈值时,输出告警提示。
其中,所述就诊信息包括患者的年龄、性别、是否患有慢性病等信息。所述根据所述就诊信息检测所述患者是否为高危易感患者可以包括:将所述就诊信息中的年龄、性别、患有的慢性病信息等输入至预先训练好的高危易感患者识别模型中,通过该模型处理,以确定所述患者是否为高危易感患者。
本申请对出院患者或高危易感人群提供随访,通过问卷等方式完成随访任务和信息搜集,进行患者的复阳风险预测和提醒。提供人工智能随访功能,自动触发减少医生工作量,并可通过自然语言理识别患者反馈信息进行智能回复。精准跟踪患者健康状况,完善患者管理体系,助力临床科室管理,精准跟踪患者健康状况,提高患者满意度;进一步落实高水平医院及学科建设目标和任务;减少医务人员工作量,提高患者依从性,降低沟通成本。
在其他实施例中,本申请可给患者推送防疫知识,院后护理知识,提供各类传染病的智能问答服务,包括疾病科普、隔离管理、口罩佩戴、日常消毒、营养饮食、一级响应、公共交通防护等七大方面。
本申请实施例提供的上述医院疫情监测方法,通过综合考量患者的问诊信息与诊断报告信息,继而确定患者的疾病信息,能够提高疾病确定的准确性,从而提高医院疫情监控的准确性;此外,本申请在患者就诊阶段实现对患者的疾病信息进行风险预警,避免在患者就诊结束后再采用人工选择操作统计疫情的方式,能够提高疫情监控的效率。本申请可应用于智慧政务、智慧交通等智慧城市的各个功能模块中,比如智慧政务的医院疫情监测模块等,能够促进智慧城市的快速发展。
图2是本申请实施例二提供的医院疫情监测装置的结构图。
在一些实施例中,所述医院疫情监测装置20可以包括多个由计算机程序段所组成的功能模块。所述医院疫情监测装置20中的各个程序段的计算机程序可以存储于计算机设备的存储器中,并由至少一个处理器所执行,以执行(详见图1描述)医院疫情监测的功能。
本实施例中,所述医院疫情监测装置20根据其所执行的功能,可以被划分为多个功能模块。所述功能模块可以包括:疾病获取模块201、相似计算模块202、基线计算模块203、信息采集模块204、基线检测模块205以及风险预警模块206。本申请所称的模块是指一种能够被至少一个处理器所执行并且能够完成固定功能的一系列计算机程序段,其存储在存储器中。在本实施例中,关于各模块的功能将在后续的实施例中详述。
所述疾病获取模块201可以用于采集患者的问诊信息以及采集所述患者的诊断报告信息,并根据所述问诊信息与所述诊断报告信息获取所述患者的疾病信息。
在本申请的至少一实施例中,所述问诊信息可以为患者与医生在移动终端(例如,手机端)关于病情的沟通信息,也可以是患者与医生在线下沟通时(例如,在医院就诊),由医生记录在移动终端(例如,电脑端)的病情信息。所述问诊信息为按照预设结构进行存储的信息,所述预设结构为系统人员预先设置的结构化所述问诊信息的格式。所述诊断报告信息可以为患者根据医院的处方信息进行相应检查项目诊断(例如,CT诊断)的信息。
可选地,所述采集患者的问诊信息包括:
获取该患者对应的初始病情沟通信息;
基于长短期记忆网络和条件随机场抽取所述初始病情沟通信息中的实体信息,所述实体信息包括性别、年龄以及基本症状特征;
按照预设结构组合所述实体信息,得到结构化的问诊信息。
其中,所述预设结构均为系统人员设置的用于结构化初始病情沟通信息的内容,在此不做限制。所述初始病情沟通信息包含较多口语化的词语,需要对所述初始病情沟通信息进行结构化处理,得到预设结构的问诊信息,便于症状信息的快速确认,能够提高医院疫情监控的效率。
其中,在对初始病情沟通信息进行实体抽取处理时,可以通过长短期记忆网络和条件随机场的方式对初始病情沟通信息进行文字实体识别处理,从而获得抽取实体信息,采用长短期记忆网络和条件随机场的方式相结合进行实体抽取,可以更快、更准确的抽取实体信息;在抽取实体信息之后,需要对实体信息进行融合归一化处理,从而获得初始病情沟通信息中的实体信息;通过实体融合归一化处理,可以对同一个实体信息,在不同称呼上实现融合,去除相应的冗余信息,提高后续的处理速度。
可选地,所述根据所述问诊信息与所述诊断报告信息获取所述患者的疾病信息包括:
根据所述患者的问诊信息检测所述患者是否存在对应的检查项目;
当检测结果为所述患者存在对应的检测项目时,获取所述检测项目对应的诊断报告信息;
输入所述问诊信息与所述诊断报告信息至预先训练好的CDSS诊断模型中,得到所述患者对应的疾病信息。
其中,所述CDSS诊断模型为预先训练好的,用于诊断患者疾病的模型,所述CDSS模型的训练过程为现有技术,在此不做赘述。所述问诊信息中还包括患者对应的检查项目名称等关键词,通过检测所述问诊信息中是否包含检查项目名称等关键词以确定所述患者是否存在对应的检查项目。所述诊断报告信息可以包括文字版本的诊断报告与医疗影像图版本的诊断报告。当所述检查项目的数量为多个时,将多个检查项目对应的诊断报告信息融合为完整的诊断报告。在一实施例中,当所述检查项目的数量为多个时,所述采集所述患者的诊断报告信息包括:
获取每个检查项目对应的诊断报告信息;
检测所述诊断报告信息中是否存在异常标注;
当检测结果为所述诊断报告中存在异常标注时,获取每个所述诊断报告信息中的所述异常标注的数量,并根据所述数量确定所述诊断报告信息的异常等级;
按照所述异常等级的顺序融合每个所述诊断报告信息,得到最终的诊断报告信息。
其中,对于每一所述诊断报告信息,均存在实际指标值与标准指标值,当所述实际指标值不在所述标准指标值的区间范围时,确定该实际指标值存在异常,对此添加异常标注。所述异常标注的数量与所述异常等级间存在映射关系,一般来说,所述数量越高,其对应的异常等级越高;所述数量越低,其对应的异常等级越低。本申请按照所述异常等级从高到低的顺序融合每个所述诊断报告信息,将异常等级高的诊断报告先进行分析,能够提高疾病确定的速率,继而提高医院疫情的监控效率。
所述相似计算模块202可以用于获取预设症候群,并分别计算所述预设症候群中的每一预设症候群与所述疾病信息的相似度。
在本申请的至少一实施例中,所述预设症候群为预先存储至预设数据库中的症候群信息,考虑到数据存储的隐私性与可靠性,所述预设数据库可以为区块链中的目标节点。所述预设症候群信息可以包括但不限于发热呼吸道症候群、腹泻症候群、发热伴出诊症候群、发热伴出血症候群、脑炎脑膜炎症候群等症候群信息,对于每一症候群,存在一个或多个对应的症状。本申请通过确定与所述疾病信息最相似目标症候群的基线,继而判断所述疾病信息是否符合预警条件,能够提高预警的准确性。
可选地,所述分别计算所述预设症候群中的每一预设症候群与所述疾病信息的相似度包括:
获取所述预设症候群中的每一预设症候群对应的症状树;
序列化处理所述症状树中的每一症状节点,得到症状序列树;
获取并序列化处理所述疾病信息对应的症状特征,得到症状特征序列;
检测所述症状序列树中是否存在与所述症状特征序列匹配的症状序列;
当检测结果为所述症状序列树中存在与所述症状特征序列匹配的症状序列时,确定与所述症状特征序列匹配的目标症状序列树,并计算所述目标症状序列树中与所述症状特征序列匹配的症状序列的数量;
根据所述症状序列的数量确定每一所述预设症候群与所述疾病信息的相似度。
其中,所述预设症候群中包含若干症状,通过将所述预设症候群转换为症状树,采用树节点匹配的方式计算所述预设症候群与所述疾病信息的相似度。所述疾病信息包含的症状可能会在一个或者多个预设症候群中出现,当所述疾病信息包含的症状在一个预设症候群中出现时,确定该症候群为相似度最高的预设症候群;当所述疾病信息包含的症状在多个预设症候群中出现时,选取包含相同症状最多的症候群为相似度最高的预设症候群。所述症状序列的数量与所述相似度间存在映射关系,通过遍历该映射关系,能够得到所述症状序列的数量对应的相似度。
所述基线计算模块203可以用于获取所述相似度超过预设相似度阈值的目标预设症候群,并计算所述目标预设症候群的目标症候群基线。
在本申请的至少一实施例中,所述预设相似度阈值为预先设置的,用于评估所述预设症候群与所述疾病信息的相似程度的值,例如,所述预设相似度阈值可以为95%。当所述相似度超过预设相似度阈值时,确定该预设症候群与所述疾病信息最相似。所述计算所述目标症候群的目标症候群基线也即基于该地区该目标症候群的历史数据建立症候群基线,综合考虑季节性与趋势性,对该目标预设症状对应的症候群(例如,发热呼吸道、腹泻、发热伴出诊、发热伴出血、脑炎脑膜炎等)进行监测,得到目标症候群基线。
可选地,所述计算所述目标预设症候群的目标症候群基线包括:
获取预设时间单位内所述目标预设症候群的病例数;
获取所述目标预设症候群的历史病例数;
根据所述病例数与所述历史病例数计算所述目标预设症候群对应的目标统计指标。
其中,所述目标统计指标可以包括但不限于环比增长率、同比增长率、历史百分位等。所述病例数与所述历史病例数间存在预先设置的数学模型,通过调用所述数学模型处理所述病例数与所述历史病例数,能够得到所述目标预设症候群对应的目标统计指标。
所述信息采集模块204可以用于采集所述疾病信息相同的目标患者群以及所述目标患者群中每一目标患者的基本信息,并根据所述基本信息计算所述疾病信息对应的症状基线。
在本申请的至少一实施例中,不同医院间可以通过区块链的方式进行信息交互,通过区块链技术获取不同医院中相同的所述疾病信息对应的目标患者群,所述目标患者群中包含若干目标患者。在确定患者的信息后,获取这些患者的基本信息,所述基本信息可以包括所述目标患者的位置信息、疾病发生的时间信息等。其中,所述位置信息可以通过患者就诊的医院所在的位置信息确定,所述疾病发生的时间信息可以通过患者在医院就诊的时间确定,在此不做限制。
可选地,所述根据所述基本信息计算所述疾病信息对应的症状基线包括:
根据所述目标患者群中每一目标患者的基本信息获取预设时间单位内所述疾病信息的病例数;
获取所述疾病信息的历史病例数;
根据所述病例数与所述历史病例数计算所述疾病信息对应的症状基线。
其中,所述症状基线可以是包含环比增长率、同比增长率、历史百分位等指标信息的基线,在此不做限制。
所述基线检测模块205可以用于检测所述症状基线是否超过所述目标症候群基线。
在本申请的至少一实施例中,所述检测所述症状基线是否超过所述目标症候群基线也即所述症状基线的发生率是否超出所述目标症候群基线的发生率,或者所述症状基线是否具有空间聚集现象。在一实施例中,当检测结果为所述症状基线的发生率超出所述目标症候群基线的发生率或者所述症状基线具有空间聚集现象时,确定所述症状基线超过所述目标症候群基线。
可选地,所述检测所述症状基线是否超过所述目标症候群基线包括:
获取同一时间点对应的所述症状基线与所述目标症候群基线;
检测所述同一时间点对应的所述症状基线是否超过所述目标症候群基线;
当检测结果为所述同一时间点对应的所述症状基线超过所述目标症候群基线时,确定所述症状基线超过所述目标症候群基线。
可选地,所述检测所述症状基线是否超过所述目标症候群基线还包括:
获取所述症状基线的空间信息;
检测同一空间信息下所述症状的发生率是否超过预设发生率阈值;
当检测结果为同一空间信息下所述症状的发生率超过预设发生率阈值时,确定所述症状基线具有空间聚集现象,从而确定所述症状基线超过所述目标症候群基线。
其中,所述预设发生率阈值可以为预先设置的用于评估疾病是否具有空间聚集现象的阈值。
所述风险预警模块206可以用于当检测结果为所述症状基线超过所述目标症候群基线时,确定所述症状基线与所述目标症候群基线的距离值,并根据所述距离值获取并预警所述症状信息的风险程度。
在本申请的至少一实施例中,所述症状基线与所述目标症候群基线存在距离,计算所述症状基线与所述目标症候群基线的距离值,并根据预先设置的距离值与所述风险程度的映射关系,得到所述距离值对应的风险程度,根据所述疾病信息以及所述疾病信息对应的风险程度形成上报初稿,上报至全民健康信息平台及国家传染病直报系统,加强对法定传染病的及时上报。在一实施例中,可以随机选取所述症状基线与所述目标症候群基线对应的若干相同横坐标,获取每一所述横坐标对应的纵坐标的取值作为距离值,对每个所述距离值取均值处理可以得到所述症状基线与所述目标症候群基线的距离值。
在一实施例中,在所述根据所述距离值获取并预警所述症状信息的风险程度之后,所述风险预警模块206还包括:
获取患者的就诊信息;
根据所述就诊信息检测所述患者是否为高危易感患者;
当检测结果为所述患者为高危易感患者时,按照预设时间间隔输出目标问卷至该患者,并在监测到患者提交所述目标问卷时,提取所述目标问卷中的症状信息;
将所述症状信息输出至预先训练好的感染风险模型中进行处理,得到患者重新感染该疾病的风险,并在患者重新感染该疾病的风险高于预设风险阈值时,输出告警提示。
其中,所述就诊信息包括患者的年龄、性别、是否患有慢性病等信息。所述根据所述就诊信息检测所述患者是否为高危易感患者可以包括:将所述就诊信息中的年龄、性别、患有的慢性病信息等输入至预先训练好的高危易感患者识别模型中,通过该模型处理,以确定所述患者是否为高危易感患者。
本申请对出院患者或高危易感人群提供随访,通过问卷等方式完成随访任务和信息搜集,进行患者的复阳风险预测和提醒。提供人工智能随访功能,自动触发减少医生工作量,并可通过自然语言理识别患者反馈信息进行智能回复。精准跟踪患者健康状况,完善患者管理体系,助力临床科室管理,精准跟踪患者健康状况,提高患者满意度;进一步落实高水平医院及学科建设目标和任务;减少医务人员工作量,提高患者依从性,降低沟通成本。
在其他实施例中,本申请可给患者推送防疫知识,院后护理知识,提供各类传染病的智能问答服务,包括疾病科普、隔离管理、口罩佩戴、日常消毒、营养饮食、一级响应、公共交通防护等七大方面。
参阅图3所示,为本申请实施例三提供的计算机设备的结构示意图。在本申请较佳实施例中,所述计算机设备3包括存储器31、至少一个处理器32、至少一条通信总线33及收发器34。
本领域技术人员应该了解,图3示出的计算机设备的结构并不构成本申请实施例的限定,既可以是总线型结构,也可以是星形结构,所述计算机设备3还可以包括比图示更多或更少的其他硬件或者软件,或者不同的部件布置。
在一些实施例中,所述计算机设备3是一种能够按照事先设定或存储的指令,自动进行数值计算和/或信息处理的设备,其硬件包括但不限于微处理器、专用集成电路、可编程门阵列、数字处理器及嵌入式设备等。所述计算机设备3还可包括客户设备,所述客户设备包括但不限于任何一种可与客户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互的电子产品,例如,个人计算机、平板电脑、智能手机、数码相机等。
需要说明的是,所述计算机设备3仅为举例,其他现有的或今后可能出现的电子产品如可适应于本申请,也应包含在本申请的保护范围以内,并以引用方式包含于此。
在一些实施例中,所述存储器31中存储有计算机程序,所述计算机程序被所述至少一个处理器32执行时实现如所述的医院疫情监测方法中的全部或者部分步骤。所述存储器31包括只读存储器(Read-Only Memory,ROM)、可编程只读存储器(Programmable Read-Only Memory,PROM)、可擦除可编程只读存储器(Erasable Programmable Read-OnlyMemory,EPROM)、一次可编程只读存储器(One-time Programmable Read-Only Memory,OTPROM)、电子擦除式可复写只读存储器(Electrically-Erasable Programmable Read-Only Memory,EEPROM)、只读光盘(Compact Disc Read-Only Memory,CD-ROM)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。
进一步地,所述计算机可读存储介质可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序等;存储数据区可存储根据区块链节点的使用所创建的数据等。
本申请所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
在一些实施例中,所述至少一个处理器32是所述计算机设备3的控制核心(Control Unit),利用各种接口和线路连接整个计算机设备3的各个部件,通过运行或执行存储在所述存储器31内的程序或者模块,以及调用存储在所述存储器31内的数据,以执行计算机设备3的各种功能和处理数据。例如,所述至少一个处理器32执行所述存储器中存储的计算机程序时实现本申请实施例中所述的医院疫情监测方法的全部或者部分步骤;或者实现医院疫情监测装置的全部或者部分功能。所述至少一个处理器32可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。
在一些实施例中,所述至少一条通信总线33被设置为实现所述存储器31以及所述至少一个处理器32等之间的连接通信。
尽管未示出,所述计算机设备3还可以包括给各个部件供电的电源(比如电池),优选的,电源可以通过电源管理装置与所述至少一个处理器32逻辑相连,从而通过电源管理装置实现管理充电、放电、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述计算机设备3还可以包括多种传感器、蓝牙模块、Wi-Fi模块等,在此不再赘述。
上述以软件功能模块的形式实现的集成的单元,可以存储在一个计算机可读取存储介质中。上述软件功能模块存储在一个存储介质中,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,计算机设备,或者网络设备等)或处理器(processor)执行本申请各个实施例所述方法的部分。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,既可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能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,也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言,显然本申请不限于上述示范性实施例的细节,而且在不背离本申请的精神或基本特征的情况下,能够以其他的具体形式实现本申请。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本申请的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本申请内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外,显然“包括”一词不排除其他单元或,单数不排除复数。说明书中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一,第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本申请的技术方案而非限制,尽管参照较佳实施例对本申请进行了详细说明,本领域的普通技术人员应当理解,可以对本申请的技术方案进行修改或等同替换,而不脱离本申请技术方案的精神和范围。
Claims (10)
1.一种医院疫情监测方法,其特征在于,所述医院疫情监测方法包括:
采集患者的问诊信息以及采集所述患者的诊断报告信息,并根据所述问诊信息与所述诊断报告信息获取所述患者的疾病信息;
获取预设症候群,并分别计算所述预设症候群中的每一预设症候群与所述疾病信息的相似度;
获取所述相似度超过预设相似度阈值的目标预设症候群,并计算所述目标预设症候群的目标症候群基线;
采集所述疾病信息相同的目标患者群以及所述目标患者群中每一目标患者的基本信息,并根据所述基本信息计算所述疾病信息对应的症状基线;
检测所述症状基线是否超过所述目标症候群基线;
当检测结果为所述症状基线超过所述目标症候群基线时,确定所述症状基线与所述目标症候群基线的距离值,并根据所述距离值获取并预警所述症状信息的风险程度。
2.根据权利要求1所述的医院疫情监测方法,其特征在于,所述采集患者的问诊信息包括:
获取该患者对应的初始病情沟通信息;
基于长短期记忆网络和条件随机场抽取所述初始病情沟通信息中的实体信息,所述实体信息包括性别、年龄以及基本症状特征;
按照预设结构组合所述实体信息,得到结构化的问诊信息。
3.根据权利要求1所述的医院疫情监测方法,其特征在于,所述采集所述患者的诊断报告信息包括:
获取每个检查项目对应的诊断报告信息;
检测所述诊断报告信息中是否存在异常标注;
当检测结果为所述诊断报告中存在异常标注时,获取每个所述诊断报告信息中的所述异常标注的数量,并根据所述数量确定所述诊断报告信息的异常等级;
按照所述异常等级的顺序融合每个所述诊断报告信息,得到最终的诊断报告信息。
4.根据权利要求1所述的医院疫情监测方法,其特征在于,所述分别计算所述预设症候群中的每一预设症候群与所述疾病信息的相似度包括:
获取所述预设症候群中的每一预设症候群对应的症状树;
序列化处理所述症状树中的每一症状节点,得到症状序列树;
获取并序列化处理所述疾病信息对应的症状特征,得到症状特征序列;
检测所述症状序列树中是否存在与所述症状特征序列匹配的症状序列;
当检测结果为所述症状序列树中存在与所述症状特征序列匹配的症状序列时,确定与所述症状特征序列匹配的目标症状序列树,并计算所述目标症状序列树中与所述症状特征序列匹配的症状序列的数量;
根据所述症状序列的数量确定每一所述预设症候群与所述疾病信息的相似度。
5.根据权利要求1所述的医院疫情监测方法,其特征在于,所述计算所述目标预设症候群的目标症候群基线包括:
获取预设时间单位内所述目标预设症候群的病例数;
获取所述目标预设症候群的历史病例数;
根据所述病例数与所述历史病例数计算所述目标预设症候群对应的目标统计指标。
6.根据权利要求1所述的医院疫情监测方法,其特征在于,所述检测所述症状基线是否超过所述目标症候群基线包括:
获取同一时间点对应的所述症状基线与所述目标症候群基线;
检测所述同一时间点对应的所述症状基线是否超过所述目标症候群基线;
当检测结果为所述同一时间点对应的所述症状基线超过所述目标症候群基线时,确定所述症状基线超过所述目标症候群基线。
7.根据权利要求1所述的医院疫情监测方法,其特征在于,在所述根据所述距离值获取并预警所述症状信息的风险程度之后,所述方法还包括:
获取患者的就诊信息;
根据所述就诊信息检测所述患者是否为高危易感患者;
当检测结果为所述患者为高危易感患者时,按照预设时间间隔输出目标问卷至该患者,并在监测到患者提交所述目标问卷时,提取所述目标问卷中的症状信息;
将所述症状信息输出至预先训练好的感染风险模型中进行处理,得到患者重新感染该疾病的风险,并在患者重新感染该疾病的风险高于预设风险阈值时,输出告警提示。
8.一种医院疫情监测装置,其特征在于,所述医院疫情监测装置包括:
疾病获取模块,用于采集患者的问诊信息与诊断报告信息,并根据所述问诊信息与所述诊断报告信息获取所述患者的疾病信息;
相似计算模块,用于获取预设症候群,并分别计算所述预设症候群中的每一预设症候群与所述疾病信息的相似度;
基线计算模块,用于获取所述相似度超过预设相似度阈值的目标预设症候群,并计算所述目标预设症候群的目标症候群基线;
信息采集模块,用于采集所述疾病信息相同的目标患者以及所述目标患者的基本信息,并根据所述基本信息计算所述疾病信息对应的症状基线;
基线检测模块,用于检测所述症状基线是否超过所述目标症候群基线;
风险预警模块,用于当检测结果为所述症状基线超过所述目标症候群基线时,确定所述症状基线与所述目标症候群基线的距离值,并根据所述距离值获取并预警所述症状信息的风险程度。
9.一种计算机设备,其特征在于,所述计算机设备包括处理器,所述处理器用于执行存储器中存储的计算机程序时实现如权利要求1至7中任意一项所述医院疫情监测方法。
10.一种计算机可读存储介质,所述计算机可读存储介质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如权利要求1至7中任意一项所述医院疫情监测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111016278.4A CN113724891A (zh) | 2021-08-31 | 2021-08-31 | 医院疫情监测方法、装置及相关设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111016278.4A CN113724891A (zh) | 2021-08-31 | 2021-08-31 | 医院疫情监测方法、装置及相关设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113724891A true CN113724891A (zh) | 2021-11-30 |
Family
ID=78680069
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111016278.4A Pending CN113724891A (zh) | 2021-08-31 | 2021-08-31 | 医院疫情监测方法、装置及相关设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113724891A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115414550A (zh) * | 2022-09-26 | 2022-12-02 | 浙江大学医学院附属第一医院 | 一种智能输液护理系统与方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109949936A (zh) * | 2019-03-13 | 2019-06-28 | 成都数联易康科技有限公司 | 一种基于深度学习混合模型的再住院风险预测方法 |
CN111292821A (zh) * | 2020-01-21 | 2020-06-16 | 上海联影智能医疗科技有限公司 | 一种医学诊疗系统 |
CN112117011A (zh) * | 2020-09-25 | 2020-12-22 | 平安国际智慧城市科技股份有限公司 | 基于人工智能的传染病早期风险预警方法、装置 |
CN112216402A (zh) * | 2020-10-16 | 2021-01-12 | 平安国际智慧城市科技股份有限公司 | 基于人工智能的疫情预测方法、装置、计算机设备及介质 |
CN112687399A (zh) * | 2020-12-11 | 2021-04-20 | 江苏省人民医院(南京医科大学第一附属医院) | 一种基于人工智能信息化的传染病监测与预警系统 |
CN112951443A (zh) * | 2021-04-16 | 2021-06-11 | 平安科技(深圳)有限公司 | 症候群监测预警方法、装置、计算机设备及存储介质 |
-
2021
- 2021-08-31 CN CN202111016278.4A patent/CN113724891A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109949936A (zh) * | 2019-03-13 | 2019-06-28 | 成都数联易康科技有限公司 | 一种基于深度学习混合模型的再住院风险预测方法 |
CN111292821A (zh) * | 2020-01-21 | 2020-06-16 | 上海联影智能医疗科技有限公司 | 一种医学诊疗系统 |
CN112117011A (zh) * | 2020-09-25 | 2020-12-22 | 平安国际智慧城市科技股份有限公司 | 基于人工智能的传染病早期风险预警方法、装置 |
CN112216402A (zh) * | 2020-10-16 | 2021-01-12 | 平安国际智慧城市科技股份有限公司 | 基于人工智能的疫情预测方法、装置、计算机设备及介质 |
CN112687399A (zh) * | 2020-12-11 | 2021-04-20 | 江苏省人民医院(南京医科大学第一附属医院) | 一种基于人工智能信息化的传染病监测与预警系统 |
CN112951443A (zh) * | 2021-04-16 | 2021-06-11 | 平安科技(深圳)有限公司 | 症候群监测预警方法、装置、计算机设备及存储介质 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115414550A (zh) * | 2022-09-26 | 2022-12-02 | 浙江大学医学院附属第一医院 | 一种智能输液护理系统与方法 |
CN115414550B (zh) * | 2022-09-26 | 2024-05-07 | 浙江大学医学院附属第一医院 | 一种智能输液护理系统与方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20200258608A1 (en) | Medical database and system | |
US10026508B2 (en) | Geographic utilization of artificial intelligence in real-time for disease identification and alert notification | |
CN111145844B (zh) | 综合医疗监管平台 | |
US20200221990A1 (en) | Systems and methods for assessing and evaluating renal health diagnosis, staging, and therapy recommendation | |
CN112786205B (zh) | 基于数据模型的症候群预警方法、装置、介质及设备 | |
US20090030290A1 (en) | Method and apparatus for automated differentiated diagnosis of illness | |
CN105224804A (zh) | 智能医疗综合检测系统 | |
CN112216361A (zh) | 基于人工智能的随访计划单生成方法、装置、终端及介质 | |
CN112216402A (zh) | 基于人工智能的疫情预测方法、装置、计算机设备及介质 | |
CN105260596A (zh) | 基于云存储平台的居民健康状况实时分析方法 | |
WO2023029347A1 (zh) | 基于多源数据的疾病预警方法、装置、设备及存储介质 | |
CN114334175A (zh) | 医院疫情监测方法、装置、计算机设备及存储介质 | |
Kumar et al. | IoT-enabled technologies for controlling COVID-19 Spread: A scientometric analysis using CiteSpace | |
CN114220541A (zh) | 疾病预测方法、装置、电子设备及存储介质 | |
CN113724891A (zh) | 医院疫情监测方法、装置及相关设备 | |
CN111933246B (zh) | 医疗处方分析方法、系统、电子设备及存储介质 | |
CN113963413A (zh) | 基于人工智能的疫情排查方法、装置、电子设备及介质 | |
TW202111723A (zh) | 用於處理處方之裝置及方法 | |
CN113284614A (zh) | 异常就诊的识别方法、装置、电子设备及存储介质 | |
CN112288338B (zh) | 用户活动监测方法、装置、设备及介质 | |
Levonevskiy et al. | A conceptual model of a smart medical ward for patient care in inpatient facilities | |
Tseng et al. | Rule-based healthcare-associated bloodstream infection classification and surveillance system. | |
CN113780804B (zh) | 基于数据分析的员工行为风险预测方法、装置及存储介质 | |
CN117912662A (zh) | 基于物联网的人工智能智慧护理系统 | |
CN113724816A (zh) | 基于人工智能的医疗数据质检方法、装置、设备及介质 |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20221008 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. |