CN113782179A - 报病信息管理方法、终端以及存储装置 - Google Patents
报病信息管理方法、终端以及存储装置 Download PDFInfo
- Publication number
- CN113782179A CN113782179A CN202110528707.XA CN202110528707A CN113782179A CN 113782179 A CN113782179 A CN 113782179A CN 202110528707 A CN202110528707 A CN 202110528707A CN 113782179 A CN113782179 A CN 113782179A
- Authority
- CN
- China
- Prior art keywords
- disease
- information
- reporting
- classification
- information base
- 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
- 201000010099 disease Diseases 0.000 title claims abstract description 354
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 354
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000011282 treatment Methods 0.000 claims abstract description 38
- 238000007726 management method Methods 0.000 claims abstract description 28
- 208000024891 symptom Diseases 0.000 claims abstract description 22
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- 238000013145 classification model Methods 0.000 claims description 6
- 238000007619 statistical method Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 claims description 3
- 238000003745 diagnosis Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000036541 health Effects 0.000 description 4
- 238000003066 decision tree Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000474 nursing effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000003068 static effect Effects 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
- G16H50/20—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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
- G06F16/285—Clustering or classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Pathology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明提出一种报病信息管理方法、终端以及存储装置,该报病信息管理方法包括:S101:获取报病信息库,根据报病信息库获取报病人员的报病信息;S102:根据疾病信息库中的疾病信息对症状描述或疾病名称进行疾病分类处理以获取报病人员的疾病类型;S103:判断疾病分类处理的结果是否满足预设条件,若是,则执行S104,若否,则执行S105;S104:结构化报病信息、疾病类型的数据,并将数据存入报病治疗数据库,根据疾病类型推荐治疗方法;S105:根据报病信息获取新的疾病分类信息,并将新的疾病分类信息添加到疾病信息库。本发明减少了治疗耗时,而且扩展了医生对疾病的知识和经验,提高疾病判断的准确性,降低了误诊的可能,提高了医疗质量。
Description
技术领域
本发明涉及健康管理技术领域,尤其涉及一种报病信息管理方法、终端以及存储装置。
背景技术
治疗通常是指干预或改变特定健康状态的过程,为解除病痛所进行的活动。当前生活中,人们在患病时为了得到治疗,往往需要向医生报告自身病情症状以及自身对病情的理解如疾病名称、可能的治疗方法等,医生根据该报病信息做出病情判断,并得出治疗方法以及开具处方。
但是,这种方法医生详对每个病人的报病信息进行一一梳理,并根据自身经验对病人病情作出判断以及得出治疗方法,耗时长,难以及时对病人病情做出诊断,而且,由于医生的时间精力均有限的原因,单个医生并不能通晓所有疾病的知识和经验,容易出现疾病判断错误以及误诊情况,降低了医疗质量。
发明内容
为了克服现有技术的不足,本发明提出一种报病信息管理方法、终端以及存储装置,获取报病信息库中的报病信息后,利用疾病信息库中的不同疾病类型的历史信息识别报病信息中疾病的分类,并在分类结果满足预设条件时,将报病信息存储到报病治疗数据库和推荐相关的治疗方法,能够在医生诊断前,对病人的报病信息进行梳理并进行疾病分类和推荐治疗方法,减少了治疗耗时,而且,通过大数据诊断的方式,扩展了医生对疾病的知识和经验,提高疾病判断的准确性,降低了误诊的可能,提高了医疗质量。
为解决上述问题,本发明提出一种报病信息管理方法,所述报病信息管理方法包括:S101:获取报病信息库,根据所述报病信息库获取报病人员的报病信息,所述报病信息包括症状描述、疾病名称、治疗信息;S102:根据疾病信息库中的疾病信息对所述症状描述或疾病名称进行疾病分类处理以获取所述报病人员的疾病类型,所述疾病信息库存储有不同疾病类型的历史信息,所述历史信息包括疾病类型、症状、治疗方法;S103:判断疾病分类处理的结果是否满足预设条件,若是,则执行S104,若否,则执行S105;S104:结构化所述报病信息、疾病类型的数据,将结构化的数据存入报病治疗数据库,并根据所述疾病类型推荐治疗方法;S105:将所述报病信息存入未知疾病数据库,通过所述未知疾病数据库获取新的疾病分类信息,并将所述新的疾病分类信息添加到所述疾病信息库。
进一步地,所述根据所述报病信息库获取报病人员的报病信息的步骤具体包括:对所述报病信息库进行数据清洗以获取所述报病人员的报病信息。
进一步地,所述根据疾病信息库中的疾病信息对所述症状描述或疾病名称进行疾病分类处理以获取所述报病人员的疾病类型的步骤具体包括:根据所述疾病信息库的疾病信息构建疾病分类模型,通过所述疾病类型对所述症状描述进行分类处理以获取所述报病人员的疾病类型;或计算所述疾病名称与所述疾病信息库中疾病信息的相似度,根据所述相似度确定所述疾病类型。
进一步地,所述判断疾病分类处理的结果是否满足预设条件的步骤具体包括:获取所述疾病类型对应的分类准确概率或相似度,判断所述分类准确概率或相似度是否大于预设值;若是,则确定疾病分类处理的结果满足预设条件;若否,则确定疾病分类处理的结果不满足预设条件。
进一步地,所述将结构化的数据存入报病治疗数据库的步骤之后还包括:根据所述报病治疗数据库中的数据进行疾病统计分析,所述疾病统计分析包括群体性疾病特征统计、就医情况分析、高发病情统计、紧急病情统计、诈病特征统计、重点预警特征统计中的至少一种。
进一步地,所述通过所述未知疾病数据库获取新的疾病分类信息的步骤具体包括:对所述未知疾病数据库中的数据进行聚类算法处理,根据处理结果获取新的疾病分类信息,所述新的疾病分类信息包括疾病名称、症状描述。
进一步地,将所述新的疾病分类信息添加到所述疾病信息库的步骤之前还包括:判断所述新的疾病分类信息是否满足添加条件;若是,则将所述新的疾病分类信息添加到所述疾病信息库;若否,则不将所述新的疾病分类信息添加到所述疾病信息库。
进一步地,将所述新的疾病分类信息添加到所述疾病信息库的步骤具体包括:判断所述疾病分类信息是否完整;若是,则将所述疾病分类信息添加到疾病信息库;若否,则根据输入的指令完善所述疾病分类信息。
基于相同的发明构思,本发明还提出一种报病信息管理终端,所述报病信息管理终端包括处理器、存储器,所述处理器与所述存储器通信连接,所述存储器存储有计算机程序,所述处理器根据所述计算机程序执行如上所述的报病信息管理方法。
基于相同的发明构思,本发明又提出一种存储装置,所述存储装置存储有程序数据,所述程序数据被用于执行如上所述的报病信息管理方法。
相比现有技术,本发明的有益效果在于:获取报病信息库中的报病信息后,利用疾病信息库中的不同疾病类型的历史信息识别报病信息中疾病的分类,并在分类结果满足预设条件时,将报病信息存储到报病治疗数据库和推荐相关的治疗方法,能够在医生诊断前,对病人的报病信息进行梳理并进行疾病分类和推荐治疗方法,减少了治疗耗时,而且,通过大数据诊断的方式,扩展了医生对疾病的知识和经验,提高疾病判断的准确性,降低了误诊的可能,提高了医疗质量。
附图说明
图1为本发明报病信息管理方法一实施例的流程图;
图2为本发明报病信息管理方法另一实施例的流程图;
图3为本发明报病信息管理终端一实施例的结构图;
图4为本发明存储装置一实施例的结构图。
具体实施方式
下面,结合附图以及具体实施方式,对本发明做进一步描述,需要说明的是,在不相冲突的前提下,以下描述的各实施例之间或各技术特征之间可以任意组合形成新的实施例。
请参阅图1-2,其中,图1为本发明报病信息管理方法一实施例的流程图;图2为本发明报病信息管理方法另一实施例的流程图。结合附图1-2对本发明报病信息管理方法作详细说明。
在本实施例中,执行报病信息管理方法的设备可以为计算机、控制平台、服务器、手机以及其他能够处理报病信息库的报病信息,并根据报病信息识别疾病类型的智能器件。
其中,本发明的报病信息管理方法可以用于报病信息管理、养老院的老人身体健康管理、病人的线上诊断以及小区或社会人群的身体健康管理。
在本实施例中,报病信息管理方法包括:
S101:获取报病信息库,根据报病信息库获取报病人员的报病信息,报病信息包括症状描述、疾病名称、治疗信息。
在本实施例中,根据报病信息库获取报病人员的报病信息的步骤具体包括:对报病信息库进行数据清洗以获取报病人员的报病信息。
在本实施例中,报病信息库中的报病信息可以为报病人员输入,也可以为报病人员相关的治疗人员输入,输入方式可以为语音输入、键盘输入、外置存储导入、互联网传输以及其他方式输入。
在本实施例中,报病信息还可以包括报病时间、治疗时间、治疗地点、历史治疗人员、是否患过该疾病、是否严重、是否传染以及其他与报病人员的疾病相关的信息。
S102:根据疾病信息库中的疾病信息对症状描述或疾病名称进行疾病分类处理以获取报病人员的疾病类型,疾病信息库存储有不同疾病类型的历史信息,历史信息包括疾病类型、症状、治疗方法。
在本实施例中,根据疾病信息库中的疾病信息对症状描述或疾病名称进行疾病分类处理以获取报病人员的疾病类型的步骤具体包括:根据疾病信息库的疾病信息构建疾病分类模型,通过疾病类型对症状描述进行分类处理以获取报病人员的疾病类型;或计算疾病名称与疾病信息库中疾病信息的相似度,根据所述相似度确定疾病类型。
在本实施例中,根据疾病信息库中的疾病名称、治疗方法、症状信息构建疾病分类模型,其中,采用贝叶斯分类算法构建疾病分类模型。
在其他实施例中,也可以采用逻辑回归算法、ID3(Iterative Dichotomiser 3迭代二叉树3代)决策树算法、C4.5决策树算法、C5.0决策树算法、SVM(SupportVectorMachine,支持向量机)算法、KNN(K-NearestNeighbor,K最近邻近)算法、ANN(Artificial NeuralNetwork,人工神经网络)算法等算法构建疾病分类模型。
在本实施例中,报病信息中的疾病名称可以为标准疾病名称,也可以为非标准疾病名称,通过报病信息中的疾病名称与疾病信息库中的疾病名称的相似度获取疾病信息库中相似度最高的疾病名称,并将该疾病名称对应的疾病类型确定为报病人员的疾病类型。
在本实施例中,进行相似度计算的相似度算法可以为余弦相似度(CosineSimilarity)、调整余弦相似度(Adjusted Cosine Similarity)、皮尔森相关系数(Pearson Correlation Coefficient)、Jaccard相似系数(Jaccard Coefficient)、Tanimoto系数(广义Jaccard相似系数)、对数似然相似度/对数似然相似率、互信息/信息增益、相对熵/KL散度等能够计算疾病名称的相似度的算法。
S103:判断疾病分类处理的结果是否满足预设条件,若是,则执行S104,若否,则执行S105。
在本实施例中,判断疾病分类处理的结果是否满足预设条件的步骤具体包括:获取疾病类型对应的分类准确概率或相似度,判断分类准确概率或相似度是否大于预设值;若是,则确定疾病分类处理的结果满足预设条件;若否,则确定疾病分类处理的结果不满足预设条件。其中,该分类准确概率或相似度在进行疾病分类处理时获取。
在其他实施例中,也可以获取疾病类型对应的治疗方法,判断该治疗方法与报病信息中的治疗方法的匹配程度是否达到预设阈值。若达到预设阈值,则确定满足预设条件(即分类的结果达标);若未达到预设阈值,则确定不满足预设条件(即分类的结果不达标)。
S104:结构化报病信息、疾病类型的数据,将结构化的数据存入报病治疗数据库,并根据疾病类型推荐治疗方法。
在本实施例中,将治疗方法推荐给治疗该报病人员的医生,其中,根据该疾病类型确定病人需要紧急治疗时,还可以想报病人员推荐进行紧急治疗或处理的方法。
在本实施例中,将结构化的数据存入报病治疗数据库的步骤之后还包括:根据报病治疗数据库中的数据进行疾病统计分析,疾病统计分析包括群体性疾病特征统计、就医情况分析、高发病情统计、紧急病情统计、诈病特征统计、重点预警特征统计中的至少一种。
S105:将报病信息存入未知疾病数据库,通过未知疾病数据库获取新的疾病分类信息,并将新的疾病分类信息添加到疾病信息库。
在本实施例中,通过未知疾病数据库获取新的疾病分类信息的步骤具体包括:对未知疾病数据库中的数据进行聚类算法处理,根据处理结果获取新的疾病分类信息,新的疾病分类信息包括疾病名称、症状描述。
在本实施例中,对未知疾病数据库中的报病信息采用的聚类算法可以为 K-Means(K均值)聚类、均值漂移聚类、基于密度的聚类方法(DBSCAN)、用高斯混合模型(GMM)的最大期望(EM)聚类、凝聚层次聚类、图团体检测(Graph Community Detection)中的任一种。
在本实施例中,将新的疾病分类信息添加到疾病信息库的步骤之前还包括:判断新的疾病分类信息是否满足添加条件;若是,则将新的疾病分类信息添加到疾病信息库;若否,则不将新的疾病分类信息添加到疾病信息库。
其中,添加条件可以为该疾病分类信息是否为疾病信息库中不存在的疾病分类,也可以为该疾病分类信息是否准确。若为疾病信息库中不存在疾病分类或疾病分类信息准确,则将该新的疾病分类信息添加到疾病信息库。
在本实施例中,将新的疾病分类信息添加到疾病信息库的步骤具体包括:判断疾病分类信息是否完整;若是,则将疾病分类信息添加到疾病信息库;若否,则根据输入的指令完善疾病分类信息。其中,该指令包括疾病分类信息中不完善的部分,该不完善的部分可以为该疾病分类信息对应的治疗方法、标准疾病名称、更详细的症状描述以及患病人员信息等。通过医生或报病人员人工输入的方式输入指令。从而利用疾病信息库中的疾病分类信息为下一次疾病诊断提供更准确的疾病分类结果。
本发明的有益效果在于:获取报病信息库中的报病信息后,利用疾病信息库中的不同疾病类型的历史信息识别报病信息中疾病的分类,并在分类结果满足预设条件时,将报病信息存储到报病治疗数据库和推荐相关的治疗方法,能够在医生诊断前,对病人的报病信息进行梳理并进行疾病分类和推荐治疗方法,减少了治疗耗时,而且,通过大数据诊断的方式,扩展了医生对疾病的知识和经验,提高疾病判断的准确性,降低了误诊的可能,提高了医疗质量。
基于相同的发明构思,本发明还提出一种报病信息管理终端,请参阅图3,图3为本发明报病信息管理终端一实施例的结构图,结合图3对本发明的报病信息管理终端进行说明。
在本实施例中,报病信息管理终端包括处理器、存储器,处理器与存储器通信连接,存储器存储有计算机程序,处理器根据该计算机程序实现如上述实施例所述的报病信息管理方法。
其中,处理器用于控制该报病信息管理终端的整体操作,以完成上述的报病信息管理方法中的全部或部分步骤。存储器用于存储各种类型的数据以支持在该报病信息管理终端的操作,这些数据例如可以包括用于在该报病信息管理终端上操作的任何应用程序或方法的指令,以及应用程序相关的数据,例如联系人数据、收发的消息、图片、音频、视频等等。该存储器可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,例如静态随机存取存储器 (Static Random Access Memory,简称SRAM),电可擦除可编程只读存储器 (Electrically Erasable Programmable Read-Only Memory,简称EEPROM),可擦除可编程只读存储器(Erasable Programmable Read-Only Memory,简称EPROM),可编程只读存储器(Programmable Read-Only Memory,简称PROM),只读存储器(Read-Only Memory,简称ROM),磁存储器,快闪存储器,磁盘或光盘。
基于相同的发明构思,本发明还提出一种存储装置,请参阅图4,图4为本发明存储装置一实施例的结构图,结合图4对本发明的存储装置进行说明。
在本实施例中,存储装置存储有程序数据,该程序数据被用于执行如上述实施例所述的报病信息管理方法。
其中,本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其他实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种报病信息管理方法,其特征在于,所述报病信息管理方法包括:
S101:获取报病信息库,根据所述报病信息库获取报病人员的报病信息,所述报病信息包括症状描述、疾病名称、治疗信息;
S102:根据疾病信息库中的疾病信息对所述症状描述或疾病名称进行疾病分类处理以获取所述报病人员的疾病类型,所述疾病信息库存储有不同疾病类型的历史信息,所述历史信息包括疾病类型、症状、治疗方法;
S103:判断疾病分类处理的结果是否满足预设条件,若是,则执行S104,若否,则执行S105;
S104:结构化所述报病信息、疾病类型的数据,将结构化的数据存入报病治疗数据库,并根据所述疾病类型推荐治疗方法;
S105:将所述报病信息存入未知疾病数据库,通过所述未知疾病数据库获取新的疾病分类信息,并将所述新的疾病分类信息添加到所述疾病信息库。
2.如权利要求1所述的报病信息管理方法,其特征在于,所述根据所述报病信息库获取报病人员的报病信息的步骤具体包括:
对所述报病信息库进行数据清洗以获取所述报病人员的报病信息。
3.如权利要求1所述的报病信息管理方法,其特征在于,所述根据疾病信息库中的疾病信息对所述症状描述或疾病名称进行疾病分类处理以获取所述报病人员的疾病类型的步骤具体包括:
根据所述疾病信息库的疾病信息构建疾病分类模型,通过所述疾病类型对所述症状描述进行分类处理以获取所述报病人员的疾病类型;
或计算所述疾病名称与所述疾病信息库中疾病信息的相似度,根据所述相似度确定所述疾病类型。
4.如权利要求3所述的报病信息管理方法,其特征在于,所述判断疾病分类处理的结果是否满足预设条件的步骤具体包括:
获取所述疾病类型对应的分类准确概率或相似度,判断所述分类准确概率或相似度是否大于预设值;
若是,则确定疾病分类处理的结果满足预设条件;
若否,则确定疾病分类处理的结果不满足预设条件。
5.如权利要求1所述的报病信息管理方法,其特征在于,所述将结构化的数据存入报病治疗数据库的步骤之后还包括:
根据所述报病治疗数据库中的数据进行疾病统计分析,所述疾病统计分析包括群体性疾病特征统计、就医情况分析、高发病情统计、紧急病情统计、诈病特征统计、重点预警特征统计中的至少一种。
6.如权利要求1所述的报病信息管理方法,其特征在于,所述通过所述未知疾病数据库获取新的疾病分类信息的步骤具体包括:
对所述未知疾病数据库中的数据进行聚类算法处理,根据处理结果获取新的疾病分类信息,所述新的疾病分类信息包括疾病名称、症状描述。
7.如权利要求1所述的报病信息管理方法,其特征在于,将所述新的疾病分类信息添加到所述疾病信息库的步骤之前还包括:
判断所述新的疾病分类信息是否满足添加条件;
若是,则将所述新的疾病分类信息添加到所述疾病信息库;
若否,则不将所述新的疾病分类信息添加到所述疾病信息库。
8.如权利要求1所述的报病信息管理方法,其特征在于,将所述新的疾病分类信息添加到所述疾病信息库的步骤具体包括:
判断所述疾病分类信息是否完整;
若是,则将所述疾病分类信息添加到疾病信息库;
若否,则根据输入的指令完善所述疾病分类信息。
9.一种报病信息管理终端,其特征在于,所述报病信息管理终端包括处理器、存储器,所述处理器与所述存储器通信连接,所述存储器存储有计算机程序,所述处理器根据所述计算机程序执行如权利要求1-8任一项所述的报病信息管理方法。
10.一种存储装置,其特征在于,所述存储装置存储有程序数据,所述程序数据被用于执行如权利要求1-8任一项所述的报病信息管理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110528707.XA CN113782179A (zh) | 2021-05-14 | 2021-05-14 | 报病信息管理方法、终端以及存储装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110528707.XA CN113782179A (zh) | 2021-05-14 | 2021-05-14 | 报病信息管理方法、终端以及存储装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113782179A true CN113782179A (zh) | 2021-12-10 |
Family
ID=78835737
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110528707.XA Pending CN113782179A (zh) | 2021-05-14 | 2021-05-14 | 报病信息管理方法、终端以及存储装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113782179A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107066791A (zh) * | 2016-12-19 | 2017-08-18 | 银江股份有限公司 | 一种基于病人检验结果的辅助疾病诊断方法 |
KR101884609B1 (ko) * | 2017-05-08 | 2018-08-02 | (주)헬스허브 | 모듈화된 강화학습을 통한 질병 진단 시스템 |
CN108766584A (zh) * | 2018-05-25 | 2018-11-06 | 重庆电子工程职业学院 | 疾病预警方法及系统 |
CN110675951A (zh) * | 2019-08-26 | 2020-01-10 | 北京百度网讯科技有限公司 | 智能化的疾病诊断方法及装置、计算机设备与可读介质 |
CN112599241A (zh) * | 2020-12-16 | 2021-04-02 | 深圳市唐仁医疗科技有限公司 | 一种基于智慧终端的大健康医疗疾病辅助诊断系统及方法 |
CN112750529A (zh) * | 2020-12-31 | 2021-05-04 | 平安科技(深圳)有限公司 | 智能医疗问诊装置、设备及介质 |
-
2021
- 2021-05-14 CN CN202110528707.XA patent/CN113782179A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107066791A (zh) * | 2016-12-19 | 2017-08-18 | 银江股份有限公司 | 一种基于病人检验结果的辅助疾病诊断方法 |
KR101884609B1 (ko) * | 2017-05-08 | 2018-08-02 | (주)헬스허브 | 모듈화된 강화학습을 통한 질병 진단 시스템 |
CN108766584A (zh) * | 2018-05-25 | 2018-11-06 | 重庆电子工程职业学院 | 疾病预警方法及系统 |
CN110675951A (zh) * | 2019-08-26 | 2020-01-10 | 北京百度网讯科技有限公司 | 智能化的疾病诊断方法及装置、计算机设备与可读介质 |
CN112599241A (zh) * | 2020-12-16 | 2021-04-02 | 深圳市唐仁医疗科技有限公司 | 一种基于智慧终端的大健康医疗疾病辅助诊断系统及方法 |
CN112750529A (zh) * | 2020-12-31 | 2021-05-04 | 平安科技(深圳)有限公司 | 智能医疗问诊装置、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11810671B2 (en) | System and method for providing health information | |
Morton et al. | A comparison of supervised machine learning techniques for predicting short-term in-hospital length of stay among diabetic patients | |
Anbarasi et al. | Enhanced prediction of heart disease with feature subset selection using genetic algorithm | |
US20140344208A1 (en) | Context-aware prediction in medical systems | |
CN109036545B (zh) | 医疗信息处理方法、装置、计算机设备和存储介质 | |
Rajathi et al. | Prediction and analysis of Rheumatic heart disease using kNN classification with ACO | |
US11250953B2 (en) | Techniques for integrating proxy nodes into graph-model-based investigatory-event mappings | |
WO2022062353A1 (zh) | 医疗数据处理方法、装置、计算机设备和存储介质 | |
Moore et al. | Personalization and rule strategies in data-intensive intelligent context-aware systems | |
US20200265953A1 (en) | Identifying Valid Medical Data for Facilitating Accurate Medical Diagnosis | |
WO2021151327A1 (zh) | 分诊数据处理方法、装置、设备及介质 | |
US11816687B2 (en) | Personalized approach to modeling users of a system and/or service | |
WO2023178971A1 (zh) | 就医的互联网挂号方法、装置、设备及存储介质 | |
Varma et al. | Comparative analysis of predicting diabetes using machine learning techniques | |
Alaria et al. | Design Simulation and Assessment of Prediction of Mortality in Intensive Care Unit Using Intelligent Algorithms | |
CN113782179A (zh) | 报病信息管理方法、终端以及存储装置 | |
WO2023050668A1 (zh) | 基于因果推断的分群模型构建方法和医疗数据处理方法 | |
CN115938600A (zh) | 一种基于关联分析的心理健康状态预测方法与系统 | |
US11275903B1 (en) | System and method for text-based conversation with a user, using machine learning | |
Agrawal et al. | Lung transplant outcome prediction using unos data | |
CN114400103A (zh) | 一种基于人工智能算法的医疗随访方法 | |
CN113782216B (zh) | 一种失能权重确定方法及装置、电子设备、存储介质 | |
US20210027892A1 (en) | System and method for outputting groups of vectorized temporal records | |
Vest et al. | Contribution of different data sources to the prediction of emergency department revisits in a safety-net population | |
Kodabagi et al. | Clustering‐based approach for medical data classification |
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 |