CN113782216B - 一种失能权重确定方法及装置、电子设备、存储介质 - Google Patents
一种失能权重确定方法及装置、电子设备、存储介质 Download PDFInfo
- Publication number
- CN113782216B CN113782216B CN202111082294.3A CN202111082294A CN113782216B CN 113782216 B CN113782216 B CN 113782216B CN 202111082294 A CN202111082294 A CN 202111082294A CN 113782216 B CN113782216 B CN 113782216B
- Authority
- CN
- China
- Prior art keywords
- information
- data
- target
- disease
- diagnosis
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000003860 storage Methods 0.000 title claims abstract description 26
- 201000010099 disease Diseases 0.000 claims abstract description 232
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 232
- 238000003745 diagnosis Methods 0.000 claims abstract description 117
- 238000009826 distribution Methods 0.000 claims abstract description 54
- 238000004364 calculation method Methods 0.000 claims abstract description 46
- 238000004458 analytical method Methods 0.000 claims abstract description 20
- 238000010606 normalization Methods 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 10
- 238000004891 communication Methods 0.000 claims description 8
- 230000036541 health Effects 0.000 abstract description 10
- 230000008569 process Effects 0.000 abstract description 9
- 230000004807 localization Effects 0.000 abstract description 4
- 238000004519 manufacturing process Methods 0.000 abstract description 2
- 201000008827 tuberculosis Diseases 0.000 description 14
- 201000006901 congenital syphilis Diseases 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 6
- 238000012549 training Methods 0.000 description 6
- 230000004927 fusion Effects 0.000 description 5
- 208000028006 Corneal injury Diseases 0.000 description 4
- 206010011044 Corneal scar Diseases 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 4
- 238000004140 cleaning Methods 0.000 description 4
- 238000007405 data analysis Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 239000003814 drug Substances 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000012216 screening Methods 0.000 description 4
- 208000006374 Uterine Cervicitis Diseases 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 206010008323 cervicitis Diseases 0.000 description 3
- 238000007619 statistical method Methods 0.000 description 3
- 230000009897 systematic effect Effects 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 201000004569 Blindness Diseases 0.000 description 2
- 208000002900 Infectious Pregnancy Complications Diseases 0.000 description 2
- 208000000474 Poliomyelitis Diseases 0.000 description 2
- 206010040047 Sepsis Diseases 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 208000013223 septicemia Diseases 0.000 description 2
- 206010061218 Inflammation Diseases 0.000 description 1
- 206010036422 Postpartum sepsis Diseases 0.000 description 1
- 208000007313 Reproductive Tract Infections Diseases 0.000 description 1
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 210000005002 female reproductive tract Anatomy 0.000 description 1
- 230000004054 inflammatory process Effects 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 230000008376 long-term health Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000009295 sperm incapacitation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000007723 transport mechanism Effects 0.000 description 1
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
- G16H50/70—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
-
- 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
- G16H50/30—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)
- Data Mining & Analysis (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Biomedical Technology (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
一种失能权重确定方法及装置、电子设备、存储介质，属于智慧医疗技术领域。该方法包括：获取针对目标疾病采集到的患者就诊数据，患者就诊数据包括多种就诊信息类型以及每种就诊信息类型对应的就诊数据。从多种就诊信息类型中确定目标疾病对应的目标信息类型，并从患者就诊数据中获取目标信息类型对应的就诊数据以作为目标疾病的目标就诊数据。对目标疾病的目标就诊数据进行数据分布分析，得到目标疾病对应的数据分布特征。结合目标疾病对应的数据分布特征进行权重计算，得到目标疾病的失能权重，因此无需健康量表或调查问卷的制作、收集及专家赋值等繁杂流程，节约了时间、人力和经济成本，提高了失能权重计算效率，有助于失能权重计算的本土化。
Description
技术领域
本发明涉及智慧医疗技术领域，具体涉及一种失能权重确定方法及装置、电子设备、存储介质。
背景技术
疾病负担语境下的“失能”指的是任何短期或者长期的健康损失，而不同伤病状态下的失能权重是计算失能调整生命年的重要参数，也是疾病负担测算的关键点和难点之一。目前的失能权重计算方法主要是通过健康量表或调查问卷的方式采集疾病患者的相关信息，再由专家进行赋值测算，从而推导出疾病的失能权重，以反映疾病对患者的影响程度。然而，这种方式操作繁杂，又耗费人力，因此计算效率较低。
发明内容
本发明提供一种失能权重确定方法及装置、电子设备、存储介质，其主要目的在于提高对疾病失能权重的计算效率。
为实现上述目的，本发明实施例提供了一种失能权重确定方法，所述方法包括以下步骤：
获取针对目标疾病采集到的患者就诊数据，所述患者就诊数据包括多种就诊信息类型以及每种所述就诊信息类型对应的就诊数据；
从多种所述就诊信息类型中确定所述目标疾病对应的目标信息类型；
从所述患者就诊数据中获取所述目标信息类型对应的就诊数据，并将所述目标信息类型对应的就诊数据确定为所述目标疾病的目标就诊数据；
对所述目标疾病的目标就诊数据进行数据分布分析，得到所述目标疾病对应的数据分布特征；
结合所述目标疾病对应的数据分布特征进行权重计算，得到所述目标疾病的失能权重。
为实现上述目的，本发明实施例还提出了一种失能权重确定装置，所述装置包括：
第一获取模块，用于获取针对目标疾病采集到的患者就诊数据，所述患者就诊数据包括多种就诊信息类型以及每种所述就诊信息类型对应的就诊数据；
确定模块，用于从多种所述就诊信息类型中确定所述目标疾病对应的目标信息类型；
第二获取模块，用于从所述患者就诊数据中获取所述目标信息类型对应的就诊数据，并将所述目标信息类型对应的就诊数据确定为所述目标疾病的目标就诊数据；
分析模块，用于对所述目标疾病的目标就诊数据进行数据分布分析，得到所述目标疾病对应的数据分布特征；
计算模块，用于结合所述目标疾病对应的数据分布特征进行权重计算，得到所述目标疾病的失能权重。
为实现上述目的，本发明实施例还提出了一种电子设备，所述电子设备包括存储器、处理器、存储在所述存储器上并可在所述处理器上运行的程序以及用于实现所述处理器和所述存储器之间的连接通信的信息总线，所述程序被所述处理器执行时实现前述方法的步骤。
为实现上述目的，本发明提供了一种存储介质，用于计算机可读存储，所述存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现前述方法的步骤。
本发明提出的失能权重确定方法及装置、电子设备、存储介质，可以直接获取针对目标疾病采集到的患者就诊数据，患者就诊数据包括多种就诊信息类型以及每种就诊信息类型对应的就诊数据。基于此，从多种就诊信息类型中确定目标疾病对应的目标信息类型，再从患者就诊数据中获取目标信息类型对应的就诊数据，以作为目标疾病的目标就诊数据，可以对该目标就诊数据进行数据分布分析，得到目标疾病对应的数据分布特征，从而结合该数据分布特征计算得到疾病的失能权重。可见，本发明直接采集患者就诊数据来计算疾病失能权重，无需健康量表或调查问卷的制作、收集及专家赋值等繁杂流程，节约了时间、人力和经济成本，提高了失能权重计算的效率，也有助于失能权重计算的本土化。此外，计算得到的失能权重能够融合同类疾病下目标信息类型的就诊数据对患者失能程度的客观反映，避免了专家赋值或调差问卷等现有方式中存在的非系统误差，还能够进一步挖掘出上述就诊数据分布特征对权重计算的影响，故改善了计算结果的合理性和准确性，更具有泛化能力。
附图说明
图1是本发明实施例所应用的一种电子设备的结构框图；
图2是本发明实施例一提供的失能权重确定方法的流程图；
图3是本发明实施例二提供的失能权重确定方法的流程图；
图4是本发明实施例所应用的一种失能权重确定装置的结构框图。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
在后续的描述中，使用用于表示元件的诸如“模块”、“部件”或“单元”的后缀仅为了有利于本发明的说明，其本身没有特有的意义。因此，“模块”、“部件”或“单元”可以混合地使用。
本发明提供一种失能权重确定方法，应用于一种电子设备。参照图1所示，图1是本发明实施例所应用的一种电子设备的结构框图。
在本实施例中，电子设备可以是服务器、智能手机、平板电脑、便携计算机、桌上型计算机等具有运算功能的终端设备。其中，服务器可以是独立的服务器，也可以是提供云服务、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(Content Delivery Network，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
该电子设备包括：存储器11、处理器12、网络接口13及数据总线14。
存储器11包括至少一种类型的可读存储介质，至少一种类型的可读存储介质可为如闪存、硬盘、多媒体卡、卡型存储器等的非易失性存储介质。在一些实施例中，可读存储介质可以是电子设备的内部存储单元，例如该电子设备的硬盘。在另一些实施例中，可读存储介质也可以是电子设备的外部存储器，例如电子设备上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。
在本实施例中，存储器11的可读存储介质通常用于存储安装于电子设备的失能权重确定程序10等。存储器11还可以用于暂时地存储已经输出或者将要输出的数据。
处理器12在一些实施例中可以是一中央处理器(Central Processing Unit,CPU)，微处理器或其他数据处理芯片，用于运行存储器11中存储的程序代码或处理数据，例如执行失能权重确定程序等。
网络接口13可选地可以包括标准的有线接口、无线接口(如WI-FI接口)，通常用于在该电子设备与其他电子设备之间建立通信连接。
数据总线14用于实现这些组件之间的连接通信。
图1仅示出了具有组件11-14的电子设备，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。
下面对本发明实施例公开的一种失能权重确定方法进行具体说明。
实施例一
如图2所示，图2是本发明实施例一提供的失能权重确定方法的流程图。基于图1所示的电子设备，处理器12执行存储器11中存储的失能权重确定程序10时实现如下步骤：
步骤S210：获取针对目标疾病采集到的患者就诊数据，患者就诊数据包括多种就诊信息类型以及每种就诊信息类型对应的就诊数据。
在本发明实施例中，患者就诊数据的数目可以为多个，目标疾病可以是任意指定的疾病类型，比如结核病、先天性梅毒、宫颈炎或角膜瘢痕等，对患者就诊数据的数目及目标疾病的类型不做具体限定。多种就诊信息类型可以分为患者基本信息、诊断信息和费用信息等多种类别，而这些就诊信息类型具体可以如下表1所示，对就诊信息类型的数目亦不做具体限定。
表1就诊信息类型分类示意表
在本发明实施例中，获取针对目标疾病采集到的患者就诊数据可以采用以下至少一种数据源渠道：通过电子设备人为录入及整理数据；预先确定目标疾病的疾病信息(比如疾病名称关键词和疾病编码等)，直接利用大数据查询引擎(比如hive和Spark引擎等)从现有的医疗系统查询出符合疾病信息的患者就诊数据；先从上述医疗系统采集患者就诊信息，再从患者就诊信息按需筛选出目标疾病的患者就诊数据，而患者就诊信息包括个人健康档案、处方和检查报告等医疗数据。其中，医疗系统可以包括但不限于医院数据库系统、卫生服务机构数据库系统和医疗健康服务云平台等，医疗服务健康云平台可以采用医疗云(Medical cloud)，医疗云是指在云计算、移动技术、多媒体、4G通信、大数据、以及物联网等新技术基础上，结合医疗技术，使用“云计算”来创建医疗健康服务云平台，实现了医疗资源的共享和医疗范围的扩大。由于云计算技术的运用与结合，医疗云提高了医疗机构的效率，方便居民就医，比如现在医院的预约挂号、电子病历和医保等，具有数据安全、信息共享、动态扩展和布局全局的优势。
步骤S220：从多种就诊信息类型中确定目标疾病对应的目标信息类型。
在本发明实施例中，目标信息类型可以包括多种就诊信息类型中至少一种就诊信息类型。目标信息类型可以由人为设定及调整。具体的，可以针对所有疾病类型设定相同的目标信息类型，也可以设定并存储不同疾病类型与就诊信息类型之间的第一匹配关系，以便根据存储的第一匹配关系确定目标疾病对应的目标信息类型，对此不做具体限定。可选的，目标信息类型可以是费用信息(比如治疗总费用)，基于此，能够结合治疗费用与疾病失能程度之间的正相关关系实现失能权重计算。以下会结合目标信息类型是费用信息为例进行描述，亦不构成限定。
步骤S230：从患者就诊数据中获取目标信息类型对应的就诊数据，并将目标信息类型对应的就诊数据确定为目标疾病的目标就诊数据。
以下表2为例进行说明。针对表2所示的三条患者就诊数据，假设目标信息类型为费用信息，则可以从三条患者就诊数据中获取费用信息对应的就诊数据，即F1、F2和F3。
表2患者就诊数据示意表
| 患者编号 | 年龄 | 性别 | 就诊日期 | 就诊科室 | 费用信息 |
| A001 | 30 | 女 | 2021/5/1 | 内科 | F1 |
| B101 | 26 | 女 | 2021/2/12 | 内科 | F2 |
| C202 | 32 | 女 | 2021/1/3 | 内科 | F3 |
步骤S240：对目标疾病的目标就诊数据进行数据分布分析，得到目标疾病对应的数据分布特征。
步骤S250：结合目标疾病对应的数据分布特征进行权重计算，得到目标疾病的失能权重。
一种可选的实施方式中，目标就诊数据可以是数值数据，步骤S240具体可以为：获取目标疾病对应的N个统计指标，N为正整数。利用N个统计指标对目标疾病的目标就诊数据进行数据分布分析，得到各个统计指标对应的统计值，并将各个统计指标对应的统计值确定为目标疾病对应的数据分布特征。相应的，步骤S250可以为：结合各个统计指标对应的统计值进行融合计算，得到目标疾病的失能权重。
其中，N个统计指标可以至少包括如下任一指标：总和指标、平均数指标和分位数指标(包括中位数、上分位数和下分位数等)，且N个统计指标可以由人为设定及调整。具体的，可以针对所有疾病类型设定相同的统计指标，也可以设定并存储不同疾病类型与统计指标之间的第二匹配关系，以便根据第二匹配关系确定目标疾病对应的N个统计指标，对此不做具体限定。
可选的，当统计指标采用总和指标，则利用总和指标对目标疾病的目标就诊数据进行数据分布分析，也即对目标就诊数据进行求和，得到求和统计值，故求和统计值能够体现目标疾病下目标信息类型的就诊数据总体特征。比如，若目标就诊数据包括就诊数据a、b和c，则求和统计值S1＝a+b+c。其他实现方式中，统计指标也可以采用众数等反映数据集中趋势的指标。
当统计指标采用平均数指标,则利用平均数指标对目标就诊数据进行数据分布分析，也即对目标就诊数据进行平均计算，得到平均统计值，故平均统计值能够体现目标疾病下目标信息类型的就诊数据一般水平(或分布的集中趋势)，从而从侧面反映患者身患目标疾病后失能的严重程度，平均统计值越大，则失能的严重程度也越大。具体的，平均统计值＝目标就诊数据之和÷目标就诊数据的数目，仍以上述就诊数据a、b和c为例，平均统计值S2＝(a+b+c)÷3。
当统计指标采用分位数指标，且分位数指标具体包括上分位数、中位数和下分位数，则利用分位数指标对目标就诊数据进行数据分布分析，也即对目标就诊数据统计上分位数、中位数和下分位数，分别得到上分位统计值、中位统计值和下分位统计值，能够体现目标疾病下目标信息类型的就诊数据分布特征。其他实现方式中，统计指标也可以采用方差、标准差和极差等反映数据离散趋势的指标。
或者，统计指标可以同时包括上述总和指标、平均数指标和分位数指标，实现了多维度的数据特征挖掘，使得后续计算得到的失能权重融合了目标就诊数据的总体特征、集中趋势以及分布特征，进一步提高了失能权重分配的准确性。
还可选的，若获得上述平均统计值，还可以根据平均统计值求得目标就诊数据的标准差统计值，进而基于预设的异常数据筛选原则，结合平均统计值和标准差统计值从目标就诊数据中去除不满足异常数据筛选原则的就诊数据，得到筛选后的目标就诊数据，以用于后续的失能权重计算，从而实现对异常就诊数据的筛选，保证统计结果的合理性。其中，具体的，异常数据筛选原则可以是3sigma原则、2sigma原则或sigma原则等。
进一步的，一种可选的实施方式中，结合各个统计指标对应的统计值进行融合计算，得到目标疾病的失能权重，具体还可以为：
首先，将各个统计指标对应的统计值进行归一化处理，得到各个统计指标对应的归一化值。其中，归一化处理用于将各个统计指标对应的统计值转换为0至1之间的比值，且归一化处理可以采用线性函数归一化方法或者0均值标准化方法等,不做具体限定。
之后,根据目标疾病，确定各个统计指标的权重分配参数,权重分配参数可以由人为设定与调整。具体的，可以统一任意疾病类型针对各个统计指标的权重分配参数，也可以设定并存储不同疾病类型与权重分配参数之间的第三匹配关系，以便根据第三匹配关系确定目标疾针对各个统计指标的权重分配参数。示例性的,可以设定各个统计指标的权重分配参数均为1/N等。
最后,结合各个统计指标的权重分配参数以及统计指标对应的归一化值进行加权求和计算，得到目标疾病的失能权重。以总和统计值S1、平均统计值S2以及分位统计值S3为例，假设总和统计值S1、平均统计值S2以及分位统计值S3的权重分配参数分别为p1、p2和p3，则失能权重S’＝S1·p1+S2·p2+S3·p3。
可见，为不同统计指标指定不同的权重分配参数，当权重分配参数越大，则相应统计指标的数据分布特征在特征融合中发挥越大的作用，从而按需调整计算失能权重时的统计分析重点。
另一种可选的实施方式中，可以构建统计计算引擎，而统计计算引擎可以预先从预设数据库获取人为设定与调整的统计分析规则(包括上述统计指标和融合计算的具体算法等)。实际应用中，将目标就诊数据输入统计计算引擎，统计计算引擎可以直接根据统计分析规则对目标就诊数据进行统计计算，并输出失能权重。可见，利用预先训练的统计计算引擎，能够加快计算速度，提高权重计算效率。
可见，实施上述方法实施例，直接采集患者就诊数据来计算疾病失能权重，无需健康量表或调查问卷的制作、收集及专家赋值等繁杂流程，节约了时间、人力和经济成本，提高了失能权重计算的效率，也有助于失能权重计算的本土化。此外，计算得到的失能权重能够融合同类疾病下目标信息类型的就诊数据对患者失能程度的客观反映，避免了专家赋值或调差问卷等现有方式中存在的非系统误差，还能够进一步挖掘出上述就诊数据分布特征对权重计算的影响，故改善了计算结果的合理性和准确性，更具有泛化能力。
实施例二
如图3所示，图3是本发明实施例二提供的失能权重确定方法的流程图。基于图1所示的电子设备，处理器12执行存储器11中存储的失能权重确定程序10时实现如下步骤：
步骤S310：采集患者就诊信息。
在本发明实施例中，患者就诊信息包括多个患者的第一就诊信息，第一就诊信息包括疾病数据和多种就诊信息类型对应的就诊数据，疾病数据可以是疾病信息类型对应的就诊数据，而疾病信息类型可以包括疾病名称和疾病编码等，不做具体限定。以下表3为例，表3所示的患者就诊信息包括三个患者的第一就诊信息，每个第一就诊信息包括疾病数据，比如第一个第一就诊信息中的疾病数据包括疾病名称“产妇败血症”和疾病编码“O85”。同时,每个第一就诊信息还包括患者编号、年龄、性别、就诊日期、就诊科室和费用信息各自对应的就诊数据。
表3患者就诊信息示例表
| 患者编号 | 年龄 | 性别 | 疾病名称 | 疾病编码 | 就诊日期 | 就诊科室 | 费用信息 |
| A001 | 30 | 女 | 产妇败血症 | O85 | 2021/5/1 | 内科 | F1 |
| B101 | 16 | 女 | 生殖道感染 | 016 | 2021/2/12 | 妇科 | F2 |
| C202 | 12 | 男 | 先天性梅毒 | A50 | 2021/1/3 | 皮肤性病科 | F3 |
一种可选的实施方式中，多种就诊信息类型中包括第一信息类型。步骤S310之后，还可以根据预设的规范化规则，对患者就诊信息进行规范化处理,得到规范化后的患者就诊信息。相应的，再根据规范化后的患者就诊信息执行下述步骤S320和步骤S340，分别为：从规范化后的患者就诊信息中获取各个第一就诊信息中的疾病数据，以及，从规范化后的患者就诊信息中获取至少一个第二就诊信息。
具体的，规范化规则可以采用下述规则一或规则二，也可以同时采用规则一和规则二，其中：
规则一：针对各个第一就诊信息，将第一就诊信息中各个就诊信息类型对应的就诊数据规范为就诊信息类型对应的指定格式。比如，针对年龄这一就诊信息类型，若相应的就诊数据为“48岁”和“3岁11月”等不规范格式，则分别统一格式为“48”和“3”。再比如，将费用信息这一就诊信息类型对应的就诊数据统一为正值数据。可选的，具体可以根据各个就诊信息类型对应的指定格式，确定就诊信息类型对应的正则表达式，再利用该正则表达式将就诊信息类型对应的就诊数据进行格式规范。
规则二：从多个第一就诊信息中去除第一信息类型对应的就诊数据存在数据空缺的第一就诊信息。可以理解的是，第一信息类型对应的就诊数据是计算目标疾病失能权重的必要数据。可选的，第一信息类型可以包括性别和年龄等。比如，若存在一个第一就诊信息，该第一就诊信息中年龄这一就诊信息类型对应的就诊数据为空缺，或“不详”，则去除该第一就诊信息。
可见，由于从医疗系统直接采集患者就诊信息时存在多种不同的数据源，容易出现数据录入规范不统一以及录入出错等问题，故对患者就诊信息进行格式规范,实现了数据智能清洗，便于后续数据分析的准确性。
另一种可选的实施方式中，可以按照上述规范化规则预先训练文本智能清洗模型，实际应用中，直接调用文本智能清洗模型对患者就诊信息进行规范化处理，即可得到规范化后的患者就诊信息。具体的，文本智能清洗模型的训练步骤包括：准备包括一定数量的患者就诊样本数据的训练集，并将按照规范化规则对患者就诊样本数据规范化后的数据作为验证集，利用训练集训练预测模型，以及利用验证集验证预测模型的输出，若验证输出的准确率大于或等于预设准确率，则训练结束，若准确率小于预设准确率，则继续增加样本数量并重新执行训练步骤。其中，预测模型可以采用神经网络模型(比如卷积神经网络模型和循环神经网络模型等)、贝叶斯模型或注意力模型等，对此不做具体限定。
步骤S320：从患者就诊信息中获取各个第一就诊信息中的疾病数据。
步骤S330：根据各个第一就诊信息中的疾病数据，确定至少一个目标疾病。
一种可选的实施方式中，步骤S330具体可以为：
获取多种参考疾病对应的标准数据，并根据参考疾病对应的标准数据的数据格式，确定参考疾病对应的匹配公式。利用多个参考疾病对应的匹配公式对各个第一就诊信息中的疾病数据进行数据匹配，得到与第一就诊信息中的疾病数据匹配的目标公式，并将目标公式对应的参考疾病确定为目标疾病。
其中，具体的，多种参考疾病对应的标准数据可以根据国际疾病分类表(international classification of diseases，ICD)等疾病分类标准确定，比如ICD-10表等。则，每种参考疾病对应的标准数据可以包括该参考疾病下疾病名称和疾病编码分别对应的标准数据，也即标准疾病名称和标准疾病编码。可选的，匹配公式具体可以采用正则表达式。
举例来说，如下表4所示，表4列出了结核病、先天性梅毒、宫颈炎和角膜瘢痕-失明四种疾病类型的匹配公式。在表4中，“()”标记一个子表达式的开始和结束位置，“[]”标记一个中括号表达式的开始和结束位置，“^”表示匹配输入字符串的开始位置，“.”表示匹配除换行符之外的任何单字符，“*”表示匹配前面的子表达式零次或多次，“？＝”表示非获取匹配，“\\”表示匹配字符“\”。
假设第一就诊信息中的疾病数据包括：疾病名称为“肺结核”，已知“结核病”的疾病名称匹配公式为“结核”，由于疾病名称“肺结核”包含“结核”，故利用“结核病”的疾病名称匹配公式与该疾病名称匹配成功，则可确定“结核病”为目标疾病。或者，假设第一就诊信息中的疾病数据包括：疾病编码为“A16”，已知“结核病”的疾病编码正则表达式^(A1[5-9])表示开头前两个字符为A1，第三个字符属于5-9的取值范围，故该疾病编码“A16”也可以与“结核病”的疾病编码正则表达式匹配成功。
表4匹配公式示例表
| 疾病类型 | 疾病名称匹配公式 | 疾病编码匹配公式 |
| 结核病 | 结核 | ^(A1[5-9]) |
| 先天性梅毒 | 先天性.*梅毒 | ^(A50) |
| 宫颈炎 | (？＝.*淋)(？＝.*宫颈) | ^(A54\\.055) |
| 角膜瘢痕-失明 | 角膜瘢痕 | ^(H17\\.9) |
也就是说，利用多个参考疾病对应的匹配公式对各个第一就诊信息中的疾病数据进行数据匹配，可以确定各个第一就诊信息对应的参考疾病，再从所有第一就诊信息对应的参考疾病中确定出不同类型的目标疾病。可见，规范化疾病数据能够避免不同疾病数据的表述差异，进一步改善了后续数据分析的准确性。
步骤S340：从患者就诊信息中获取至少一个第二就诊信息，第二就诊信息是疾病数据与目标疾病匹配的第一就诊信息。
步骤S350：根据至少一个第二就诊信息，确定针对目标疾病采集到的患者就诊数据。
可见，实施上述步骤S310至步骤S350，可以直接对采集到的患者就诊信息分析疾病类型，并按需提取用于分析的就诊数据，实际有利于拓展更加多样化的患者就诊信息采集方式和数据源，可广泛应用于医疗大数据分析场合。
一种可选的实施方式中，多种就诊信息类型中包括第二信息类型。步骤S350具体可以为：
首先，根据目标疾病，确定目标疾病对第二信息类型指定的限制条件信息。也就是说，第二信息类型具体与目标疾病有关，比如第二信息类型可以包括年龄和性别等，不做具体限定。限制条件信息用于表示对第二信息类型的就诊数据所限制的取值范围或者具体数据内容。示例性的，如下表5所示，表5列出了目标疾病分别为先天性梅毒、脊髓灰质炎和产妇败血症时，对年龄和性别各自指定的限制条件信息。
表5限制条件信息示例表
| 疾病类型 | 年龄限制条件 | 性别限制条件 |
| 先天性梅毒 | 15>age>＝0 | 无 |
| 脊髓灰质炎 | 6>＝age>＝1 | 无 |
| 产妇败血症 | 48>＝age>＝13 | 女性 |
之后，利用限制条件信息，对各个第二就诊信息中第二信息类型对应的就诊数据进行条件匹配，得到第二就诊信息的匹配结果，其中，匹配结果通常为条件匹配成功或条件匹配失败。举例来说，如果目标疾病为先天性梅毒，已知先天性梅毒对年龄的限制条件为0至15岁，如果相应第二就诊信息中年龄对应的就诊数据为“13”，则该第二就诊信息的匹配结果为条件匹配成功。如果目标疾病为产妇败血症，而相应第二就诊信息中年龄对应的就诊数据为“20”，但性别对应的就诊数据为“男性”，其与产妇败血症对性别的限制条件不符，则该第二就诊信息的匹配结果为条件匹配失败，说明该第二就诊信息不合理。
最后，从至少一个第二就诊信息中确定匹配结果为条件匹配成功的第二就诊信息，并将匹配结果为条件匹配成功的第二就诊信息确定为对目标疾病采集到的患者就诊数据，从而有效去除不合理的就诊信息。
另一种可选的实施方式中，可以预先基于RETE算法等规则匹配算法构建规则引擎，而规则引擎可以预先将从预设数据库获取多种参考疾病的匹配规则(包括标准数据和限制条件信息等)，以加入匹配规则集。实际应用中，将各个第一就诊信息输入规则引擎，规则引擎可以利用匹配规则集对第一就诊信息进行疾病类型匹配，同时完成对第一就诊信息的限制条件匹配，最后输出与第一就诊信息匹配的参考疾病。可见，利用预先确定的规则引擎，能够加快匹配速度，提高匹配决策效率。
还可选的，预设数据库可以与规则配置平台连接，故规则配置平台可以根据用户需求在线变更预设数据库的存储数据。当预设数据库发生数据变更时，规则配置平台还可以向规则引擎发送变更通知，以通知规则引擎重新从预设数据库载入多种参考疾病对应的标准数据以及限制条件信息，从而更新规则引擎的匹配规则。
步骤S360：从多种就诊信息类型中确定目标疾病对应的目标信息类型。
步骤S370：从患者就诊数据中获取目标信息类型对应的就诊数据，并将目标信息类型对应的就诊数据确定为目标疾病的目标就诊数据。
步骤S380：对目标疾病的目标就诊数据进行数据分布分析，得到目标疾病对应的数据分布特征。
步骤S390：结合目标疾病对应的数据分布特征进行权重计算，得到目标疾病的失能权重。
可以理解的是，本实施例中步骤S360至S390的具体实现方式还可以参照上述实施例一中对步骤S220至S250的描述，在此不再赘述。
可见，实施上述方法实施例，直接对采集到的患者就诊信息分析疾病类型，并按需提取用于分析的就诊数据，实际有利于拓展更加多样化的患者就诊信息采集方式和数据源，可广泛应用于医疗大数据分析场合。而，采集患者就诊数据来计算疾病失能权重，无需健康量表或调查问卷的制作、收集及专家赋值等繁杂流程，节约了时间、人力和经济成本，提高了失能权重计算的效率，也有助于失能权重计算的本土化。此外，计算得到的失能权重能够融合同类疾病下目标信息类型的就诊数据对患者失能程度的客观反映，避免了专家赋值或调差问卷等现有方式中存在的非系统误差，还能够进一步挖掘出上述就诊数据分布特征对权重计算的影响，故改善了计算结果的合理性和准确性，更具有泛化能力。
本发明实施例还提供一种失能权重确定装置。请参阅图4，图4是本发明实施例所应用的一种失能权重确定装置的结构框图。如图4所示，该失能权重确定装置400包括：
第一获取模块410，用于获取针对目标疾病采集到的患者就诊数据，患者就诊数据包括多种就诊信息类型以及每种就诊信息类型对应的就诊数据；
确定模块420，用于从多种就诊信息类型中确定目标疾病对应的目标信息类型；
第二获取模块430，用于从患者就诊数据中获取目标信息类型对应的就诊数据，并将目标信息类型对应的就诊数据确定为目标疾病的目标就诊数据；
分析模块440，用于对目标疾病的目标就诊数据进行数据分布分析，得到目标疾病对应的数据分布特征；
计算模块450，用于结合目标疾病对应的数据分布特征进行权重计算，得到目标疾病的失能权重。
在一些可选的实施方式中，分析模块440具体用于获取目标疾病对应的N个统计指标，N为正整数；以及，利用N个统计指标对目标疾病的目标就诊数据进行数据分布分析，得到各个统计指标对应的统计值，并将各个统计指标对应的统计值确定为目标疾病对应的数据分布特征；
相应的,计算模块450还用于结合各个统计指标对应的统计值进行融合计算，得到目标疾病的失能权重。
进一步的，在一些可选的实施方式中，计算模块450还用于将各个统计指标对应的统计值进行归一化处理，得到各个统计指标对应的归一化值；根据目标疾病，确定各个统计指标的权重分配参数；结合各个统计指标的权重分配参数以及统计指标对应的归一化值进行加权求和计算，得到目标疾病的失能权重。
在一些可选的实施方式中，该失能权重确定装置400还包括采集模块和第三获取模块，其中：
采集模块，用于在第一获取模块410获取针对目标疾病采集到的患者就诊数据之前，采集患者就诊信息，患者就诊信息包括多个患者的第一就诊信息，第一就诊信息包括疾病数据和多种就诊信息类型对应的就诊数据。
第三获取模块，用于从患者就诊信息中获取各个第一就诊信息中的疾病数据，并根据各个第一就诊信息中的疾病数据，确定至少一个目标疾病。
第一获取模块410，具体用于从患者就诊信息中获取至少一个第二就诊信息，第二就诊信息是疾病数据与目标疾病匹配的第一就诊信息；根据至少一个第二就诊信息，确定针对目标疾病采集到的患者就诊数据。
在一些可选的实施方式中，多种就诊信息类型中包括第一信息类型。该失能权重确定装置400还包括规范化模块，规范化模块用于在采集模块采集患者就诊信息之后，根据预设的规范化规则，对患者就诊信息进行规范化处理,得到规范化后的患者就诊信息，其中，规范化规则包括：针对各个第一就诊信息，将第一就诊信息中各个就诊信息类型对应的就诊数据规范为就诊信息类型对应的指定格式；和/或，从多个第一就诊信息中去除第一信息类型对应的就诊数据存在数据空缺的第一就诊信息。相应的，第三获取模块具体用于从规范化后的患者就诊信息中获取各个第一就诊信息中的疾病数据，第一获取模块410还用于从规范化后的患者就诊信息中获取至少一个第二就诊信息。
在一些可选的实施方式中，第三获取模块还用于获取多种参考疾病对应的标准数据，并根据参考疾病对应的标准数据的数据格式，确定参考疾病对应的匹配公式；利用多个参考疾病对应的匹配公式对各个第一就诊信息中的疾病数据进行数据匹配，得到与第一就诊信息中的疾病数据匹配的目标公式，并将目标公式对应的参考疾病确定为目标疾病。
在一些可选的实施方式中，多种就诊信息类型中包括第二信息类型。第一获取模块410还用于根据目标疾病，确定目标疾病对第二信息类型指定的限制条件信息；利用限制条件信息，对各个第二就诊信息中第二信息类型对应的就诊数据进行条件匹配，得到第二就诊信息的匹配结果；从至少一个第二就诊信息中确定匹配结果为条件匹配成功的第二就诊信息，并将匹配结果为条件匹配成功的第二就诊信息确定为对目标疾病采集到的患者就诊数据。
需要说明的是，本实施例的具体实现过程可参见上述方法实施例所描述的具体实现过程，亦不再赘述。
本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统、设备中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。
在硬件实施方式中，在以上描述中提及的功能模块/单元之间的划分不一定对应于物理组件的划分；例如，一个物理组件可以具有多个功能，或者一个功能或步骤可以由若干物理组件合作执行。某些物理组件或所有物理组件可以被实施为由处理器，如中央处理器、数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。
以上参照附图说明了本发明的优选实施例，并非因此局限本发明的权利范围。本领域技术人员不脱离本发明的范围和实质内所作的任何修改、等同替换和改进，均应在本发明的权利范围之内。
Claims (6)
1.一种失能权重确定方法，其特征在于，所述方法包括：
采集患者就诊信息，所述患者就诊信息包括多个患者的第一就诊信息，所述第一就诊信息包括疾病数据和多种就诊信息类型对应的就诊数据；
从所述患者就诊信息中获取各个所述第一就诊信息中的疾病数据，获取多种参考疾病对应的标准数据，并根据所述参考疾病对应的标准数据的数据格式，确定所述参考疾病对应的匹配公式；
利用多个所述参考疾病对应的匹配公式对各个所述第一就诊信息中的疾病数据进行数据匹配，得到与所述第一就诊信息中的疾病数据匹配的目标公式，并将所述目标公式对应的参考疾病确定为目标疾病；
从所述患者就诊信息中获取至少一个第二就诊信息，所述第二就诊信息是疾病数据与所述目标疾病匹配的第一就诊信息，根据至少一个所述第二就诊信息，确定针对所述目标疾病采集到的患者就诊数据；
从多种所述就诊信息类型中确定所述目标疾病对应的目标信息类型；
从所述患者就诊数据中获取所述目标信息类型对应的就诊数据，并将所述目标信息类型对应的就诊数据确定为所述目标疾病的目标就诊数据；
获取所述目标疾病对应的N个统计指标，N为正整数，所述N个统计指标包括总和指标、平均数指标和分位数指标中的至少之一；
利用N个所述统计指标对所述目标疾病的目标就诊数据进行数据分布分析，得到各个所述统计指标对应的统计值；
将各个所述统计指标对应的统计值进行归一化处理，得到各个所述统计指标对应的归一化值；
根据所述目标疾病，确定各个所述统计指标的权重分配参数；
结合各个所述统计指标的权重分配参数以及所述统计指标对应的归一化值进行加权求和计算，得到所述目标疾病的失能权重。
2.根据权利要求1所述的方法，其特征在于，所述多种就诊信息类型中包括第一信息类型；所述采集患者就诊信息之后，所述方法还包括：
根据预设的规范化规则，对所述患者就诊信息进行规范化处理 ,得到规范化后的患者就诊信息，其中，所述规范化规则包括：
针对各个所述第一就诊信息，将所述第一就诊信息中各个所述就诊信息类型对应的就诊数据规范为所述就诊信息类型对应的指定格式；
和/或，从多个所述第一就诊信息中去除所述第一信息类型对应的就诊数据存在数据空缺的第一就诊信息；
所述从所述患者就诊信息中获取各个所述第一就诊信息中的疾病数据，包括：
从规范化后的所述患者就诊信息中获取各个所述第一就诊信息中的疾病数据；
所述从所述患者就诊信息中获取至少一个第二就诊信息，包括：
从规范化后的所述患者就诊信息中获取至少一个第二就诊信息。
3.根据权利要求1所述的方法，其特征在于，所述多种就诊信息类型中包括第二信息类型；所述根据至少一个所述第二就诊信息，确定针对所述目标疾病采集到的患者就诊数据，包括：
根据所述目标疾病，确定所述目标疾病对所述第二信息类型指定的限制条件信息；
利用所述限制条件信息，对各个所述第二就诊信息中所述第二信息类型对应的就诊数据进行条件匹配，得到所述第二就诊信息的匹配结果；
从至少一个所述第二就诊信息中确定匹配结果为条件匹配成功的第二就诊信息，并将所述匹配结果为条件匹配成功的第二就诊信息确定为对所述目标疾病采集到的患者就诊数据。
4.一种失能权重确定装置，其特征在于，所述装置包括：
第一获取模块，用于采集患者就诊信息，所述患者就诊信息包括多个患者的第一就诊信息，所述第一就诊信息包括疾病数据和多种就诊信息类型对应的就诊数据，从所述患者就诊信息中获取各个所述第一就诊信息中的疾病数据，获取多种参考疾病对应的标准数据，并根据所述参考疾病对应的标准数据的数据格式，确定所述参考疾病对应的匹配公式，利用多个所述参考疾病对应的匹配公式对各个所述第一就诊信息中的疾病数据进行数据匹配，得到与所述第一就诊信息中的疾病数据匹配的目标公式，并将所述目标公式对应的参考疾病确定为目标疾病，从所述患者就诊信息中获取至少一个第二就诊信息，所述第二就诊信息是疾病数据与所述目标疾病匹配的第一就诊信息，根据至少一个所述第二就诊信息，确定针对所述目标疾病采集到的患者就诊数据；
确定模块，用于从多种所述就诊信息类型中确定所述目标疾病对应的目标信息类型；第二获取模块，用于从所述患者就诊数据中获取所述目标信息类型对应的就诊数据，并将所述目标信息类型对应的就诊数据确定为所述目标疾病的目标就诊数据；
分析模块，用于获取所述目标疾病对应的N个统计指标，利用N个所述统计指标对所述目标疾病的目标就诊数据进行数据分布分析，得到各个所述统计指标对应的统计值，N为正整数，所述N个统计指标包括总和指标、平均数指标和分位数指标中的至少之一；
计算模块，用于将各个所述统计指标对应的统计值进行归一化处理，得到各个所述统计指标对应的归一化值，根据所述目标疾病，确定各个所述统计指标的权重分配参数，结合各个所述统计指标的权重分配参数以及所述统计指标对应的归一化值进行加权求和计算，得到所述目标疾病的失能权重。
5.一种电子设备，其特征在于，所述电子设备包括存储器、处理器、存储在所述存储器上并在所述处理器上运行的程序以及用于实现所述处理器和所述存储器之间的连接通信的信息总线，所述程序被所述处理器执行时实现如权利要求1至3任一项所述的失能权重确定方法的步骤。
6.一种存储介质，用于计算机可读存储，其特征在于，所述存储介质存储有一个或者多个程序，所述一个或者多个程序被一个或者多个处理器执行，以实现权利要求1至3中任一项所述的失能权重确定方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111082294.3A CN113782216B (zh) | 2021-09-15 | 2021-09-15 | 一种失能权重确定方法及装置、电子设备、存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111082294.3A CN113782216B (zh) | 2021-09-15 | 2021-09-15 | 一种失能权重确定方法及装置、电子设备、存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113782216A CN113782216A (zh) | 2021-12-10 |
| CN113782216B true CN113782216B (zh) | 2023-10-24 |
Family
ID=78844201
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111082294.3A Active CN113782216B (zh) | 2021-09-15 | 2021-09-15 | 一种失能权重确定方法及装置、电子设备、存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113782216B (zh) |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107358014A (zh) * | 2016-11-02 | 2017-11-17 | 华南师范大学 | 一种生理数据的临床前处理方法及系统 |
| CN108206058A (zh) * | 2016-12-19 | 2018-06-26 | 平安科技（深圳）有限公司 | 人体综合健康风险预测方法及系统 |
| CN108648827A (zh) * | 2018-05-11 | 2018-10-12 | 北京邮电大学 | 心脑血管疾病风险预测方法及装置 |
| CN109616203A (zh) * | 2018-11-30 | 2019-04-12 | 平安医疗健康管理股份有限公司 | 慢性病治疗效果考核方法、装置、设备及存储介质 |
| CN110070940A (zh) * | 2019-03-11 | 2019-07-30 | 贡鸣 | 一种患病风险值确定方法、装置、电子设备及存储介质 |
| WO2019147257A1 (en) * | 2018-01-26 | 2019-08-01 | Hitachi High-Tech Solutions Corporation | Controlling devices to achieve medical outcomes |
| CN110197724A (zh) * | 2019-03-12 | 2019-09-03 | 平安科技（深圳）有限公司 | 预测糖尿病患病阶段的方法、装置及计算机设备 |
| CN110211690A (zh) * | 2019-04-19 | 2019-09-06 | 平安科技（深圳）有限公司 | 疾病风险预测方法、装置、计算机设备及计算机存储介质 |
| CN111180066A (zh) * | 2019-11-18 | 2020-05-19 | 泰康保险集团股份有限公司 | 基于就诊数据的健康评估方法及装置 |
| CN111933284A (zh) * | 2020-09-27 | 2020-11-13 | 平安科技（深圳）有限公司 | 一种并发症风险预测系统、方法、装置、设备及介质 |
| CN112017785A (zh) * | 2020-11-02 | 2020-12-01 | 平安科技（深圳）有限公司 | 一种疾病风险预测系统、方法、装置、设备及介质 |
| KR20210112041A (ko) * | 2020-03-04 | 2021-09-14 | 인하대학교 산학협력단 | 앙상블 딥러닝과 형상 융합 기반 심장병 예측을 위한 스마트 헬스케어 모니터링 방법 및 시스템 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP6318047B2 (ja) * | 2014-08-13 | 2018-04-25 | 日本光電工業株式会社 | 疾病予測装置、及びプログラム |
-
2021
- 2021-09-15 CN CN202111082294.3A patent/CN113782216B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107358014A (zh) * | 2016-11-02 | 2017-11-17 | 华南师范大学 | 一种生理数据的临床前处理方法及系统 |
| CN108206058A (zh) * | 2016-12-19 | 2018-06-26 | 平安科技（深圳）有限公司 | 人体综合健康风险预测方法及系统 |
| WO2019147257A1 (en) * | 2018-01-26 | 2019-08-01 | Hitachi High-Tech Solutions Corporation | Controlling devices to achieve medical outcomes |
| CN108648827A (zh) * | 2018-05-11 | 2018-10-12 | 北京邮电大学 | 心脑血管疾病风险预测方法及装置 |
| CN109616203A (zh) * | 2018-11-30 | 2019-04-12 | 平安医疗健康管理股份有限公司 | 慢性病治疗效果考核方法、装置、设备及存储介质 |
| CN110070940A (zh) * | 2019-03-11 | 2019-07-30 | 贡鸣 | 一种患病风险值确定方法、装置、电子设备及存储介质 |
| CN110197724A (zh) * | 2019-03-12 | 2019-09-03 | 平安科技（深圳）有限公司 | 预测糖尿病患病阶段的方法、装置及计算机设备 |
| CN110211690A (zh) * | 2019-04-19 | 2019-09-06 | 平安科技（深圳）有限公司 | 疾病风险预测方法、装置、计算机设备及计算机存储介质 |
| CN111180066A (zh) * | 2019-11-18 | 2020-05-19 | 泰康保险集团股份有限公司 | 基于就诊数据的健康评估方法及装置 |
| KR20210112041A (ko) * | 2020-03-04 | 2021-09-14 | 인하대학교 산학협력단 | 앙상블 딥러닝과 형상 융합 기반 심장병 예측을 위한 스마트 헬스케어 모니터링 방법 및 시스템 |
| CN111933284A (zh) * | 2020-09-27 | 2020-11-13 | 平安科技（深圳）有限公司 | 一种并发症风险预测系统、方法、装置、设备及介质 |
| CN112017785A (zh) * | 2020-11-02 | 2020-12-01 | 平安科技（深圳）有限公司 | 一种疾病风险预测系统、方法、装置、设备及介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113782216A (zh) | 2021-12-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112700838B (zh) | 基于大数据的用药方案推荐方法、装置及相关设备 | |
| US20200294667A1 (en) | System and method for machine based medical diagnostic code identification, accumulation, analysis and automatic claim process adjudication | |
| WO2021068601A1 (zh) | 病历检测方法、装置、设备及存储介质 | |
| WO2021151327A1 (zh) | 分诊数据处理方法、装置、设备及介质 | |
| Xiang et al. | Integrated Architectures for Predicting Hospital Readmissions Using Machine Learning | |
| 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 | |
| US10546654B2 (en) | Method and system for intelligent completion of medical record based on big data analytics | |
| CN112151141A (zh) | 医疗数据处理方法、装置、计算机设备和存储介质 | |
| US20180210925A1 (en) | Reliability measurement in data analysis of altered data sets | |
| CN111710429A (zh) | 信息的推送方法及装置、计算机设备、存储介质 | |
| CN109213871A (zh) | 患者信息知识图谱构建方法、可读存储介质和终端 | |
| 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 | |
| CN112562870A (zh) | 一种增强医患相互信任减少医患矛盾评估预警系统 | |
| CN116910172A (zh) | 基于人工智能的随访量表生成方法及系统 | |
| CN117290509A (zh) | 电子病历文本分类模型训练方法、装置、电子设备及介质 | |
| CN118116578A (zh) | 基于GPT-4和LangChain的药品推荐方法 | |
| CN117476217A (zh) | 一种慢性心脏病病情发展趋势预测系统 | |
| CN113782216B (zh) | 一种失能权重确定方法及装置、电子设备、存储介质 | |
| CN114649071A (zh) | 一种基于真实世界数据的消化性溃疡治疗方案的预测系统 | |
| CN112530602A (zh) | 药品副作用分析方法、装置、电子设备及计算机存储介质 | |
| CN109522331B (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 | |
| CN116741358A (zh) | 问诊挂号推荐方法、装置、设备及存储介质 | |
| CN115631823A (zh) | 相似病例推荐方法及系统 | |
| CN113724816A (zh) | 基于人工智能的医疗数据质检方法、装置、设备及介质 | |
| CN117688226B (zh) | 基于相似儿童患者匹配的智能诊前自助开单方法及系统 |
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 |