CN113744878B - 一种基于移动互联网的慢性病风险指数评估及干预系统 - Google Patents

一种基于移动互联网的慢性病风险指数评估及干预系统 Download PDF

Info

Publication number
CN113744878B
CN113744878B CN202110813766.1A CN202110813766A CN113744878B CN 113744878 B CN113744878 B CN 113744878B CN 202110813766 A CN202110813766 A CN 202110813766A CN 113744878 B CN113744878 B CN 113744878B
Authority
CN
China
Prior art keywords
intervention
module
user
chronic disease
disease
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.)
Active
Application number
CN202110813766.1A
Other languages
English (en)
Other versions
CN113744878A (zh
Inventor
皮喜田
韩浩
刘洪英
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chongqing University
Original Assignee
Chongqing University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Chongqing University filed Critical Chongqing University
Priority to CN202110813766.1A priority Critical patent/CN113744878B/zh
Publication of CN113744878A publication Critical patent/CN113744878A/zh
Application granted granted Critical
Publication of CN113744878B publication Critical patent/CN113744878B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G16H10/60—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

Abstract

本发明公开一种基于移动互联网的慢性病风险指数评估及干预系统，包括用户端设备、管理端设备和健康数据云平台。本发明利用移动互联网技术和慢性病风险指数评估，对慢性病患者的疾病状况进行智能评估，患者用户对其自身的身体健康状况进行了解，并根据风险指数评估结果智能向用户推送干预实施模块，帮助用户完成慢性病自我管理，实现干预评估智能化。

Description

一种基于移动互联网的慢性病风险指数评估及干预系统
技术领域
本发明涉及医疗技术领域，具体是一种基于移动互联网的慢性病风险指数评估及干预系统。
背景技术
慢性病是一种不构成感染，患病病程较长而且久治不愈的复杂疾病的概括性总称。一旦防治不及，就会对患者以及患者家庭造成经济、生命等方面的危害。我国慢性病患者基数大，而且已呈现了年年过量增长的态势，部分慢性病造成的死亡率较高，而且部分慢性病患者对自身患病情况不重视，且治疗依从性较差。所以目前如何对慢性病患者进行有效管理以及采取合理干预模块已经是十分重要的问题。
在慢性病中有很多是听起来不严重的慢病，如高血压、脂肪肝等，但如果不对这类慢性病早期防治，这类慢性病会逐渐加重并引发更多并发症，如糖尿病、肝硬化、肝纤维化等疾病。但在自我管理的过程中常常也存在没有自律性的问题，即自我管理的依从性较差，也会造成慢性疾病的“放任自我”现象。
但现有的治疗方法大多是进行药物治疗，而忽视了平时日常的其他因素的干预治疗，如：饮食干预治疗、运动干预治疗等，许多慢性病需要日常防治才能起到很好的治疗效果，但是很多时候患者无法直观的了解到其对自身的益处，而且也造成了慢性病久病不治的现象；或者是在自我管理过程中不清楚自身目前处于什么疾病状况，即需要解决能够对慢性病进行评估以及对慢性病干预治疗的这类问题
发明内容
本发明的目的是提供一种基于移动互联网的慢性病风险指数评估及干预系统，包括用户端设备、管理端设备和健康数据云平台。
所述用户端设备包括疾病信息模块、干预记录模块和不良事件报告模块。
所述疾病信息模块录入用户的疾病信息，并发送至健康数据云平台。
所述疾病信息包括用户病例数据和身体参数。所述身体参数包括身高、体重、血压、腰围、臀围、大小腿围、血常规、肝功能、血脂、甲胎蛋白、乙肝三对、肝纤维检查、血糖。
所述干预记录模块接收和显示健康数据云平台发送的若干用户行为干预模块。每个用户行为干预模块中包括用户行为建议模块和用户行为记录模块。所述用户行为建议模块接收并显示管理端设备发送的用户行为建议。所述用户行为记录模块用于记录用户日常行为。
所述用户行为建议包括饮食干预建议、运动干预建议、饮酒干预建议、吸烟干预建议、情绪干预建议、压力干预建议。
所述干预模块包括饮食干预模块、运动干预模块、饮酒干预模块、吸烟干预模块、情绪干预模块、压力干预模块中的一种或多种。
所述不良事件报告模块用于录入紧急报警信息。所述不良事件报告模块将紧急报警信息发送给管理端设备。
所述紧急报警信息包括用户疾病突发信息、用户身体参数超过预设正常指标信息。
所述管理端设备包括管理工作站模块和发布处方模块。
所述管理工作站模块用于存储和显示用户的日常行为记录和干预建议记录。
所述发布处方模块接收健康数据云平台发送的慢性病分析结果Q和用户的疾病信息后，生成用户行为建议，并发送至用户端设备。
所述管理端设备还包括指导互动模块。所述指导互动模块用于实现管理端设备使用者和用户端设备使用者的信息互动。
所述健康数据云平台包括风险指数数据分析模块和远程服务模块。
所述风险指数数据分析模块存储有慢性病风险指数评估模型。所述慢性病风险指数评估模型接收用户的疾病信息，并计算出用户的慢性病风险程度等级。
所述远程服务模块包括评估指导模块。所述评估指导模块存储有若干用户行为干预模块。
所述评估指导模块根据用户的慢性病风险程度等级将一个或多个用户行为干预模块发送至用户端设备。
用户端设备接收的干预模块如下所示：
式中，S为用户接收的总的干预模块，Ng为干预模块数目，a为决策变量，Gg为干预模块，g为干预模块序号。
所述健康数据云平台还包括用于数据存储的数据存储模块。
所述用户端设备、管理端设备和健康数据云平台均具有用于数据交互的通讯模块。
计算慢性病风险程度等级的步骤包括：
1)获取用户疾病信息和干预模块记录，并提取出疾病特征和干预记录特征。
2)利用主成分分析法确定疾病特征和干预记录特征中的关键信息，记为慢性病危险因素。
3)计算慢性病危险因素的相关性，即：
式中，n表示所构建的预测平台中疾病状况特征的总数，V表示慢性病类别总个数，X表示所构建的预测平台中疾病状况特征的集合，Y表示各类慢性病种类的集合，p(xa)表示出现疾病状况特征xa的概率，p(yb)表示出现慢性病yb的概率，p(xa|yb)表示已知慢性病疾病类别yb分布时疾病状况特征xa出现的概率。
4)根据相关性A对慢性病危险因素进行阈值分层，并计算发生慢性病的风险概率P，即：
式中，βi为回归模型中第i个危险因素的回归系数，xi则为个体第i个危险因素具体值，α为与xi无关的危险因素的影响，P为发生慢性病的风险概率。
5)计算慢性病风险指数Z，即：
式中，Z为慢性病风险指数，Ni为最终危险因素个数，αi为每个危险因素分配的加权风险得分，Ti为每个危险因素转化为分类特征后的决策变量，i为第i个危险因素。
6)计算最佳分界点d，即：
d＝max(specificity+sensitivity-1)
式中，specificity是指实际无慢性病的人正确地判定为非患者的比例，sensitivity是指实际有病的人正确地判定为慢性病患者的比例。
7)确定用户慢性病风险程度等级D，即：
式中，D为慢性病风险程度等级，D1为当前未存在所患慢性病风险，D2为当前存在所患慢性病风险。
本发明的技术效果是毋庸置疑的，本发明提出了一种基于移动互联网的慢性病风险指数评估及干预系统。借助移动互联网技术和慢性病风险指数评估方法，对慢性病患者的疾病状况进行智能评估，患者用户对其自身的身体健康状况进行了解，并根据风险指数评估结果智能向用户推送干预实施模块，帮助用户完成慢性病自我管理，实现干预评估智能化。
附图说明
图1为系统结构图；
图2为系统工作过程。
具体实施方式
下面结合实施例对本发明作进一步说明，但不应该理解为本发明上述主题范围仅限于下述实施例。在不脱离本发明上述技术思想的情况下，根据本领域普通技术知识和惯用手段，做出各种替换和变更，均应包括在本发明的保护范围内。
实施例1：
参见图1和图2，一种基于移动互联网的慢性病风险指数评估及干预系统，包括用户端设备、管理端设备和健康数据云平台。
所述用户端设备包括疾病信息模块、干预记录模块和不良事件报告模块。
所述疾病信息模块录入用户的疾病信息，并发送至健康数据云平台。
所述疾病信息包括用户病例数据和身体参数。所述身体参数包括身高、体重、血压、腰围、臀围、大小腿围、血常规、肝功能、血脂、甲胎蛋白、乙肝三对、肝纤维检查、血糖。
所述干预记录模块接收和显示健康数据云平台发送的若干用户行为干预模块。每个用户行为干预模块中包括用户行为建议模块和用户行为记录模块。所述用户行为建议模块接收并显示管理端设备发送的用户行为建议。所述用户行为记录模块用于记录用户日常行为。
所述用户行为建议包括饮食干预建议、运动干预建议、饮酒干预建议、吸烟干预建议、情绪干预建议、压力干预建议。
所述干预模块包括饮食干预模块、运动干预模块、饮酒干预模块、吸烟干预模块、情绪干预模块、压力干预模块中的一种或多种。
所述不良事件报告模块用于录入紧急报警信息。所述不良事件报告模块将紧急报警信息发送给管理端设备。
所述紧急报警信息包括用户疾病突发信息、用户身体参数超过预设正常指标信息。
所述管理端设备包括管理工作站模块和发布处方模块。
所述管理工作站模块用于存储和显示用户的日常行为记录和干预建议记录。
所述发布处方模块接收健康数据云平台发送的慢性病分析结果Q和用户的疾病信息后，生成用户行为建议，并发送至用户端设备。
所述管理端设备还包括指导互动模块。所述指导互动模块用于实现管理端设备使用者和用户端设备使用者的信息互动。
所述健康数据云平台包括风险指数数据分析模块和远程服务模块。
所述风险指数数据分析模块存储有慢性病风险指数评估模型。所述慢性病风险指数评估模型接收用户的疾病信息，并计算出用户的慢性病风险程度等级。
所述远程服务模块包括评估指导模块。所述评估指导模块存储有若干用户行为干预模块。
所述评估指导模块根据用户的慢性病风险程度等级将一个或多个用户行为干预模块发送至用户端设备。
用户端设备接收的干预模块如下所示：
式中，S为用户接收的总的干预模块，Ng为干预模块数目，a为决策变量，Gg为干预模块，g为干预模块序号。
所述健康数据云平台还包括用于数据存储的数据存储模块。
所述用户端设备、管理端设备和健康数据云平台均具有用于数据交互的通讯模块。
计算慢性病风险程度等级的步骤包括：
1)获取用户疾病信息和干预模块记录，并提取出疾病特征和干预记录特征。
2)利用主成分分析法确定疾病特征和干预记录特征中的关键信息，记为慢性病危险因素。
3)计算慢性病危险因素的相关性，即：
式中，n表示所构建的预测平台中疾病状况特征的总数，V表示慢性病类别总个数，X表示所构建的预测平台中疾病状况特征的集合，Y表示各类慢性病种类的集合，p(xa)表示出现疾病状况特征xa的概率，p(yb)表示出现慢性病yb的概率，p(xa|yb)表示已知慢性病疾病类别yb分布时疾病状况特征xa出现的概率。
4)根据相关性A对慢性病危险因素进行阈值分层，并计算发生慢性病的风险概率P，即：
式中，βi为回归模型中第i个危险因素的回归系数，xi则为个体第i个危险因素具体值，α为与xi无关的危险因素的影响，P为发生慢性病的风险概率。
5)计算慢性病风险指数Z，即：
式中，Z为慢性病风险指数，Ni为最终危险因素个数，αi为每个危险因素分配的加权风险得分，Ti为每个危险因素转化为分类特征后的决策变量，i为第i个危险因素。
6)计算最佳分界点d，即：
d＝max(specificity+sensitivity-1) (7)
式中，specificity是指实际无慢性病的人正确地判定为非患者的比例，sensitivity是指实际有病的人正确地判定为慢性病患者的比例。
7)确定用户慢性病风险程度等级D，即：
式中，D为慢性病风险程度等级，D1为当前未存在所患慢性病风险，D2为当前存在所患慢性病风险。
实施例2：
参见图1，一种基于移动互联网的慢性病风险指数评估及干预系统的验证试验，具体的：
患者端用户可在患者用户端设备1d通过疾病状况模块11d上传自身疾病状况，其中包括：身高、体重、血压、腰围、臀围、大小腿围、血常规、肝功能、血脂、甲胎蛋白、乙肝三对、肝纤维检查、血糖；
患者端用户可在干预记录模块12d对自身评估结果推送的用户行为记录模块121d进行记录，包括饮食干预记录、运动干预记录、饮酒干预记录、吸烟干预记录、情绪干预记录、压力干预记录一种或多种；并能用户行为建议模块122d接收并显示管理端设备发送的用户行为建议包括饮食干预建议、运动干预建议、饮酒干预建议、吸烟干预建议、情绪干预建议、压力干预建议；
患者端用户若发生紧急不良事件，可通过不良事件报告模块13d自动调用患者用户端中的通讯模块14d，自动向管理端实时通讯；
患者端用户在疾病状况模块11d录入自身疾病状况相关特征之后，可在风险指数数据分析模块31d进行自我评估测试，该风险指数数据分析模块以路径驱动的慢性病风险指数评估模型为核心，通过慢性病风险指数评估模型结果向用户提供慢性病干预支持，自动调用用户存储在数据存储模块33d的疾病相关特征记录，分析结果后会返回当前用户可能所患慢性病；
患者端用户接收的干预模块如下所示：
式中，S为用户接收的总的干预模块，Ng为干预模块数目，α为决策变量，Gg为干预模块，g为干预模块序号；Q为慢性病分析结果。
此时远程服务模块32d的评估指导模块321d会根据用户健康评估结果发送至对应的管理端，管理端可根据用户慢性病分析结果向用户推送对应的干预实施方案，包括饮食干预模块、运动干预模块、饮酒干预模块、吸烟干预模块、情绪干预模块、压力干预模块。
管理端用户可在管理端设备2d对患者用户进行慢病管理，其中管理端用户可查看所管理患者用户的各项干预记录，如饮食干预记录、运动干预记录、饮酒干预记录、吸烟干预记录、情绪干预记录、压力干预记录。
管理端用户根据所管理用户上传至健康数据云平台3d中的疾病状况内容以及所对应所管理患者用户的干预记录内容调用发布处方模块22d进行发布处方，包括：饮食处方、运动处方、饮酒处方、吸烟处方、情绪处方以及压力处方。
管理端用户可以通过指导互动模块23d调用管理端设备的通讯模块24d自动向所管理的患者用户进行慢病指导以及对话互动。
实施例3：
参见图1，一种基于移动互联网的慢性病风险指数评估及干预系统的验证试验，具体的：
以脂肪肝模型为例，获取用户上传至健康数据云平台的疾病状况特征数据信息。
1、提取所构建的大数据预测平台中的疾病状况特征以及干预记录情况，通过主成分分析法确定慢性病的若干个危险因素
例如：张三，男，28岁，身高：175cm，体重70Kg，BMI：22.9Kg/m2，收缩压：134mmHg，舒张压：75mmhg，甘油三酯：1.27mmol/L，空腹血糖：8.68mmol/L，……，LDL-C：4.24mmol/L
2、根据信息增益得出各危险因素相关结果，得到慢性病主要危险因素相关性：
3、根据信息增益排名得到的特征进行阈值分层，并根据参考标准值以及诊疗指南将数值特征转换分类特征，并可计算得出发生脂肪肝风险概率P，其计算公式如下：
式中，βi为回归模型中第i个危险因素的回归系数，xi则为个体第i个危险因素具体值，α为与xi无关的危险因素的影响，P为发生慢性病的风险概率。
4、调整参数，并将脂肪肝风险概率中的每个因素都分配了一个加权风险得分αi，将每个指标的回归系数βi除以该特征的标准误差，最终转换为慢性病风险指数公式Z，计算方式为：
式中，Z为慢性病风险指数，Ni为最终危险因素个数，αi为每个危险因素分配的加权风险得分，Ti为每个危险因素转化为分类特征后的决策变量，i为第i个危险因素。
例如对于男性而言：当BMI≥24视为超重个体，当腰围≥90厘米视为中心型肥胖，当尿酸值＞428umol/L可视为高尿酸症，当甘油三酯≥1.7mmol/L可视为高甘油三酯血症...
例如对于女性而言：当BMI≥24视为超重个体，当腰围≥80厘米视为中心型肥胖，当尿酸值＞357umol/L可视为高尿酸症，当甘油三酯≥1.7mmol/L可视为高甘油三酯血症...
则根据张三的各项指标情况对应的脂肪肝风险指数公式Z＝0+0+12+0+…+0＝17
5、根据慢性病风险指数公式Z，通过计算最佳分界点d：
d＝max(specificity+sensitivity-1)
式中，specificity是指实际无慢性病的人正确地判定为非患者的比例，sensitivity是指实际有病的人正确地判定为慢性病患者的比例。
6、根据步骤5得到的慢性病风险指数来划分慢性病风险程度等级D，具体表示为：
式中，D为慢性病风险程度等级，D1为当前未存在所患慢性病风险，D2为当前存在所患慢性病风险。
前面得出张三的脂肪肝风险指数Z为17，并且根据步骤五得出最佳分界点35，故可以预测当前用户处于D1程度，也就是当前未存在所患慢性病风险。
推送具体干预模块S为：
此时S＝G1+G2+G3+G4+G5+G6
此时会给该名用户推送6种干预实施模块，包括：饮食干预模块、运动干预模块、饮酒干预模块、吸烟干预模块、情绪干预模块、压力干预模块。

Claims (8)

1.一种基于移动互联网的慢性病风险指数评估及干预系统，其特征在于，包括用户端设备、管理端设备和健康数据云平台；
所述用户端设备包括疾病信息模块、干预记录模块和不良事件报告模块；
所述疾病信息模块录入用户的疾病信息，并发送至健康数据云平台；
所述干预记录模块接收和显示健康数据云平台发送的若干用户行为干预模块；每个用户行为干预模块中包括用户行为建议模块和用户行为记录模块；所述用户行为建议模块接收并显示管理端设备发送的用户行为建议；所述用户行为记录模块用于记录用户日常行为；
所述不良事件报告模块用于录入紧急报警信息；所述不良事件报告模块将紧急报警信息发送给管理端设备；
所述管理端设备包括管理工作站模块和发布处方模块；
所述管理工作站模块用于存储和显示用户的日常行为记录和干预建议记录；
所述发布处方模块接收健康数据云平台发送的慢性病分析结果Q和用户的疾病信息后，生成用户行为建议，并发送至用户端设备；
所述健康数据云平台包括风险指数数据分析模块和远程服务模块；
所述风险指数数据分析模块存储有慢性病风险指数评估模型；所述慢性病风险指数评估模型接收用户的疾病信息，并计算出用户的慢性病风险程度等级；
所述远程服务模块包括评估指导模块；所述评估指导模块存储有若干用户行为干预模块；
所述评估指导模块根据用户的慢性病风险程度等级将一个或多个用户行为干预模块发送至用户端设备；
用户端设备接收的干预模块如下所示：
式中，S为用户接收的总的干预模块，Ng为干预模块数目，a为决策变量，Gg为干预模块，g为干预模块序号；Q为慢性病分析结果；
计算慢性病风险程度等级的步骤包括：
1)获取用户疾病信息和干预模块记录，并提取出疾病特征和干预记录特征；
2)利用主成分分析法确定疾病特征和干预记录特征中的关键信息，记为慢性病危险因素；
3)计算慢性病危险因素的相关性A，即：
式中，n表示所构建的预测平台中疾病状况特征的总数，V表示慢性病类别总个数，X表示所构建的预测平台中疾病状况特征的集合，Y表示各类慢性病种类的集合，p(xa)表示出现疾病状况特征xa的概率，p(yb)表示出现慢性病yb的概率，p(xa|yb)表示已知慢性病疾病类别yb分布时疾病状况特征xa出现的概率；
4)根据相关性A对慢性病危险因素进行阈值分层，并计算发生慢性病的风险概率P，即：
式中，βi为回归模型中第i个危险因素的回归系数，xi则为个体第i个危险因素具体值，α为与xi无关的危险因素的影响，P为发生慢性病的风险概率；
5)计算慢性病风险指数Z，即：
式中，Z为慢性病风险指数，Ni为最终危险因素个数，α1为每个危险因素分配的加权风险得分，Ti为每个危险因素转化为分类特征后的决策变量，i表示第i个危险因素；
6)计算最佳分界点d，即：
d＝max(specificity+sensitivity-1) (7)
式中，specificity是指实际无慢性病的人正确地判定为非患者的比例，sensitivity是指实际有病的人正确地判定为慢性病患者的比例；
7)确定用户慢性病风险程度等级D，即：
式中，D为慢性病风险程度等级，D1为当前未存在所患慢性病风险，D2为当前存在所患慢性病风险。
2.根据权利要求1所述的一种基于移动互联网的慢性病风险指数评估及干预系统，其特征在于：所述疾病信息包括用户病例数据和身体参数；所述身体参数包括身高、体重、血压、腰围、臀围、大小腿围、血常规、肝功能、血脂、甲胎蛋白、乙肝三对、肝纤维检查、血糖。
3.根据权利要求1所述的一种基于移动互联网的慢性病风险指数评估及干预系统，其特征在于：所述干预模块包括饮食干预模块、运动干预模块、饮酒干预模块、吸烟干预模块、情绪干预模块、压力干预模块中的一种或多种。
4.根据权利要求1所述的一种基于移动互联网的慢性病风险指数评估及干预系统，其特征在于：所述干预建议包括饮食干预建议、运动干预建议、饮酒干预建议、吸烟干预建议、情绪干预建议、压力干预建议。
5.根据权利要求1所述的一种基于移动互联网的慢性病风险指数评估及干预系统，其特征在于：所述紧急报警信息包括用户疾病突发信息、用户身体参数超过预设正常指标信息。
6.根据权利要求1所述的一种基于移动互联网的慢性病风险指数评估及干预系统，其特征在于：所述管理端设备还包括指导互动模块；所述指导互动模块用于实现管理端设备使用者和用户端设备使用者的信息互动。
7.根据权利要求1所述的一种基于移动互联网的慢性病风险指数评估及干预系统，其特征在于：所述健康数据云平台还包括用于数据存储的数据存储模块。
8.根据权利要求1所述的一种基于移动互联网的慢性病风险指数评估及干预系统，其特征在于：所述用户端设备、管理端设备和健康数据云平台均具有用于数据交互的通讯模块。
CN202110813766.1A 2021-07-19 2021-07-19 一种基于移动互联网的慢性病风险指数评估及干预系统 Active CN113744878B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110813766.1A CN113744878B (zh) 2021-07-19 2021-07-19 一种基于移动互联网的慢性病风险指数评估及干预系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110813766.1A CN113744878B (zh) 2021-07-19 2021-07-19 一种基于移动互联网的慢性病风险指数评估及干预系统

Publications (2)

Publication Number Publication Date
CN113744878A CN113744878A (zh) 2021-12-03
CN113744878B true CN113744878B (zh) 2023-09-19

Family

ID=78728828

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110813766.1A Active CN113744878B (zh) 2021-07-19 2021-07-19 一种基于移动互联网的慢性病风险指数评估及干预系统

Country Status (1)

Country Link
CN (1) CN113744878B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114287938B (zh) * 2021-12-13 2024-02-13 重庆大学 建筑环境中人体参数的安全区间获得方法和设备
CN115862870B (zh) * 2022-12-16 2023-11-24 深圳市携康网络科技有限公司 一种基于人工智能的慢性病管理系统及方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107153774A (zh) * 2017-05-24 2017-09-12 山东大学 慢性病风险评估双曲线模型的构建及应用该模型的疾病预测系统
CN108877939A (zh) * 2018-05-10 2018-11-23 重庆大学 一种具有智能特征提取功能的健康管理系统
CN111128380A (zh) * 2019-12-24 2020-05-08 郑州科技学院 模拟医生诊断和精准干预策略的慢性病健康管理模型的构建方法及系统
CN111883253A (zh) * 2020-07-16 2020-11-03 山东大学 基于医学知识库的疾病数据分析方法和肺癌风险预测系统

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020077756A1 (en) * 1999-11-29 2002-06-20 Scott Arouh Neural-network-based identification, and application, of genomic information practically relevant to diverse biological and sociological problems, including drug dosage estimation
US11037657B2 (en) * 2017-09-27 2021-06-15 International Business Machines Corporation Personalized questionnaire for health risk assessment

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107153774A (zh) * 2017-05-24 2017-09-12 山东大学 慢性病风险评估双曲线模型的构建及应用该模型的疾病预测系统
CN108877939A (zh) * 2018-05-10 2018-11-23 重庆大学 一种具有智能特征提取功能的健康管理系统
CN111128380A (zh) * 2019-12-24 2020-05-08 郑州科技学院 模拟医生诊断和精准干预策略的慢性病健康管理模型的构建方法及系统
CN111883253A (zh) * 2020-07-16 2020-11-03 山东大学 基于医学知识库的疾病数据分析方法和肺癌风险预测系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
"老年糖尿病与遗忘型轻度认知功能障碍的相关性";陈秀荣 等;《中国老年学杂志》(第20期);第5056-5058页 *

Also Published As

Publication number Publication date
CN113744878A (zh) 2021-12-03

Similar Documents

Publication Publication Date Title
CN113744878B (zh) 一种基于移动互联网的慢性病风险指数评估及干预系统
CN104305961B (zh) 肠鸣音监测识别系统
WO2007044877A2 (en) Automated patient monitoring and counseling system
CN107273666B (zh) 一种人体健康数据综合分析系统
CN113744877B (zh) 一种带有疾病相关因素提取模块的慢性病评估及干预系统
CN112908481B (zh) 一种自动化个人健康评估及管理方法及系统
CN110335681A (zh) 一种用于老年痴呆预警系统及预警方法
CN111899874A (zh) 基于用户模型的健康管理系统及方法
CN115040093A (zh) 一种用于内科高龄患者的护理干预方法及系统
CN114121266A (zh) 一种智能化的辅助诊断方法和系统
CN113299358A (zh) 基于评估量表的负性情绪筛查方法、装置及设备
CN116580858A (zh) 一种基于ai的远程医疗照护提醒方法、装置和存储介质
CN105787232A (zh) 一种数据处理方法、装置、健康系统平台及终端
CN117476217A (zh) 一种慢性心脏病病情发展趋势预测系统
CN115910346A (zh) 一种糖尿病患者的监护预警系统及方法
CN116564521A (zh) 一种慢性病风险评估模型建立方法、介质及系统
CN115662631A (zh) 基于ai智能判别的养老院管理系统
CN113066547B (zh) 一种基于常规无创参数的ards早期动态预警方法与系统
CN114283942A (zh) 基于老年综合评估情况生成个体化护理方案的系统及方法
CN112289401A (zh) 基于大数据智能化开具处方的方法、存储介质
CN116978553B (zh) 一种基于多维因素的非计划性拔管风险预测方法及系统
JP3721980B2 (ja) 脳機能検査装置
CN113936803B (zh) 胰岛素抵抗指数的确定方法、装置、存储介质及电子设备
US11984220B2 (en) Virtual consultation method and electronic device
US20040181429A1 (en) Method and system for administering a drug

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