CN113838571A - 一种基于大数据的大健康医疗方法及系统 - Google Patents
一种基于大数据的大健康医疗方法及系统 Download PDFInfo
- Publication number
- CN113838571A CN113838571A CN202111031413.2A CN202111031413A CN113838571A CN 113838571 A CN113838571 A CN 113838571A CN 202111031413 A CN202111031413 A CN 202111031413A CN 113838571 A CN113838571 A CN 113838571A
- Authority
- CN
- China
- Prior art keywords
- opinion
- medical
- patient
- doctor
- final
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 32
- 230000036541 health Effects 0.000 title claims abstract description 31
- 238000003745 diagnosis Methods 0.000 claims abstract description 87
- 201000010099 disease Diseases 0.000 claims description 61
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 61
- 238000012544 monitoring process Methods 0.000 claims description 35
- 238000007689 inspection Methods 0.000 claims description 34
- 238000007405 data analysis Methods 0.000 claims description 16
- 238000000968 medical method and process Methods 0.000 claims description 14
- 230000036772 blood pressure Effects 0.000 claims description 10
- 230000036760 body temperature Effects 0.000 claims description 7
- 238000004891 communication Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 230000003860 sleep quality Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 description 5
- 230000003993 interaction Effects 0.000 description 4
- 238000012790 confirmation Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 208000024891 symptom Diseases 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005457 optimization Methods 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
- 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)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本申请涉及一种基于大数据的大健康医疗系统，包括：大数据平台、信息采集单元、人工判断单元、机器判断单元、综合判断单元。本申请中诊断结果最终意见的得出结合了医生意见和机器根据数据库对比得出的意见，减少了医生的主观性；根据医生水平高低，不同医生对诊断结果最终意见得出的影响程度也不同，综合考虑了不同医生医疗水平以及能力参差不齐的情况，能够适应不同地区或医院医疗水平不同的情况，提高了诊断结果的准确性；根据参与诊断医生的水平不同自动调整机器诊断结果的影响程度，提高了对不同水平医生的适应能力。
Description
技术领域
本申请涉及大健康的领域，尤其是涉及一种基于大数据的大健康医疗方法及系统。
背景技术
CN202011489327.1公开了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，其技术方案为：所述基于智慧终端的大健康医疗疾病辅助诊断系统包括用户客户端、医生客户端和智慧交互端，所述用户客户端、所述医生客户端和所述智慧交互端彼此连接；所述用户客户端，用于获取用户输入信息，并利用神经网络进行特征提取；所述医生客户端，用于获取所述用户客户端的咨询请求，并在所述智慧交互端中获取对应的数据进行在线解答；所述智慧交互端，用于将存储的大健康医疗疾病数据进行划分，建立对应的确诊症状集，并将提取出的特征信息与所述确诊症状集计算相似度值，返回诊断意见，并将所述用户客户端和所述医生客户端之间的数据进行上传和存储。
该基于智慧终端的大健康医疗疾病辅助诊断系统及方法具有以下优点：完成辅助诊断，提高诊断结果的准确性。
但是，该基于智慧终端的大健康医疗疾病辅助诊断系统及方法也具有以下缺点：未考虑不同医生能力水平不同导致诊断结果不同的问题，不能适应医生的水平差距，具有较强的局限性；辅助诊断系统在诊断结果中参与诊断的比重固定，不能根据医生水平有机调整辅助诊断系统参与诊断的比重，辅助效果死板。
因此，需要一种能适应医生水平差距、根据医生水平有机调整辅助诊断系统参与诊断的比重的系统或方法。
发明内容
为了解决不能适应医生的水平差距、辅助诊断系统在诊断结果中参与诊断的比重固定造成辅助效果死板的问题，本申请提供一种基于大数据的大健康医疗方法及系统。
本申请提供一种基于大数据的大健康医疗方法，包括以下步骤：
步骤S1，数据实时收集，用户佩戴可穿戴设备，实时收集身体状态数据，并将数据上传至大数据平台；
步骤S2，初步诊断，病人感到不适，通过用户终端向医生进行沟通或直接在线下与医生沟通，由医生引导对病人身体异常部位进行初步诊断；
步骤S3，确定检查项目，由人工判断单元根据初诊结果对提出第一检查项目意见，由机器判断单元根据初诊结果对比数据库进行比对提出第二检查项目意见，再由综合判断单元汇总人工判断单元和机器判断单元提出的检查项目意见，根据意见参考指数计算得出最终的检查项目意见，并根据最终检查项目意见对病人作出针对性检查；
步骤S4，人机意见生成，以病人检查结果为主，由人工判断单元分析并结合来自可穿戴设备收集的病人实时身体参数以及来自历史病情收集模块的病人历史病情记录，协同分析病情，得出第一医疗意见；以病人检查结果为主，由机器判断单元分析并结合来自可穿戴设备收集的病人实时身体参数以及来自历史病情收集模块的病人历史病情记录，对比数据库协同分析病情，得出第二医疗意见；
步骤S5，综合诊断，由综合判断单元汇总第一医疗意见和第二医疗意见，根据意见参考指数计算得出最终医疗意见，并采取相应医疗手段；
步骤S6，评级，根据得出的最终医疗意见，计算参与本次诊断的人工判断单元中各医生得出的第一医疗意见与最终医疗意见匹配度，并根据匹配度对各医生进行级别评定。
进一步的，所述步骤S3中，检查项目的机器判断方法为：由第二数据分析模块对历史病情收集模块收集的历史病历信息进行分析并标记出历史发病部位，再将可穿戴设备收集的病人实时身体参数与数据库中同年龄、性别的人群对比，标记出参数未达标或超标值，并将未达标或超标参数导入数据库，找出数据库中未达标或超标参数对应的发病部位是否与该病人的历史发病部位一致，若一致，则优先检查该历史发病部位，若不一致，则检查未达标或超标参数对应的发病部位，并得出第二检查项目意见。
通过采用上述技术方案，可在检查项目确认阶段，通过大数据进行机器自动比对，并结合医生意见，确定检查项目，防止由于检查项目确定阶段的主观性造成不必要的检查经济成本和时间成本，提高了病人检查的效率。
进一步的，所述步骤S4中，医疗意见的机器判断方法为：由第二数据分析模块对历史病情收集模块收集的历史病历信息进行分析并标记出历史发病部位，再将可穿戴设备收集的病人实时身体参数与数据库中同年龄、性别的人群对比，标记出参数未达标或超标值，然后对检查结果的数据分析，标记出检查结果未达标或超标值参数，分别将标记出的未达标或超标参数导入数据库，找出数据库中未达标或超标参数对应的发病类型以及采取的医疗意见，匹配得出第二医疗意见。
通过采用上述技术方案，可通过大数据将病人检查结果与数据库进行机器自动比对，由机器判断医疗意见，作为最终医疗意见诊断的参考意见，减少了诊断过程的主观性，提高了诊断结果的准确性。
进一步的，所述步骤S5包括：步骤S51，统计医疗意见，将各医疗意见汇总，并结合医生评级和机器评级计算出各医疗意见的参考指数，将各医疗意见按参考指数从高到低排序，参考指数最高的医疗意见作为最终医疗意见候选；
步骤S52,分析其他医疗意见，将未作为最终医疗意见候选的其他医疗意见逐个分析，并与最终医疗意见候选对比得出其他医疗意见的优劣势，并向人工判断单元的各医生公示；
步骤S53,得出最终医疗意见，公示后，确认最终医疗意见候选为所有医疗意见的最优选项，即为最终医疗意见。
通过采用上述技术方案，可对落选的其他医疗意见进行优劣势对比，并根据对比效果确定最终医疗意见的可靠性，防止计算得出的医疗意见不适用于极少数特殊病况，提高了诊断结果的准确性。
进一步的，所述参考指数的计算方法为：
，
ω表示为某意见的参考指数；
X机表示为机器判断单元对该医疗意见的匹配度：若机器判断单元提出的医疗意见与该医疗意见一致或包括该医疗意见，则X机=1，若机器判断单元提出的医疗意见不包括该医疗意见，则X机=0；
P0.5表示为机器的评级，具体为所有医生评级的中位数；
i为某医生编号；n为参与诊断的医生数量；
Xi表示为人工判断单元中该名医生对该医疗意见的匹配度：若该名医生提出的医疗意见与该医疗意见一致或包括该医疗意见，则Xi=1，若该名医生提出的医疗意见不包括该医疗意见，则Xi=0；
Pi表示为人工判断单元中该名医生的评级。
通过采用上述技术方案，最终意见的得出结合了医生意见和机器根据数据库对比得出的意见，并且根据医生水平高低，不同医生对最终意见得出的影响程度也不同，水平较高的医生对最终意见得出的影响程度较高，水平较低的医生对最终医疗意见得出的影响程度较低。综合考虑了不同医生医疗水平以及能力参差不齐的情况，能够适应不同地区或医院医疗水平不同的情况，提高了诊断结果的准确性。
另外，本算法将机器评级为所有医生的中位数，当参与诊断的医生医疗水平普遍较高时，医生对最终意见得出的影响程度提高，机器对最终意见得出的影响程度降低；当参与诊断的医生医疗水平普遍较低时，医生对最终医疗意见得出的影响程度降低，机器对最终医疗意见得出的影响程度提高。根据参与诊断医生的水平不同自动调整机器诊断结果的影响程度，提高了诊断结果的准确性。
进一步的，所述步骤S6中，医生的评级方法为：
，
P表示为人工判断单元中某医生的评级；
j表示为该名医生参与诊断的次序编号；
m表示为该名医生参与诊断的总次数；
Xj表示为第j次诊断过程中，该名医生对最终医疗意见的匹配度：若该名医生提出的医疗意见与最终医疗意见一致或包括最终医疗意见，则Xj=1，若该名医生提出的医疗意见不包括最终医疗意见，则Xj=0；
所述医生的评级方法中，P=1时评级最高，P越小评级越低。
通过采用上述技术方案，将医生的水平及能力体现为具体数据，能够引入最终意见的算法，更加直观地体现出不同医生水平及能力的差距，确定该医生对最终意见的影响程度。
进一步的，还包括：S7,机器自主学习，诊断完成后，将最终检查项目意见和最终医疗意见上传至大数据平台的数据库中，作为机器判断单元的参考数据。
通过采用上述技术方案，能够自主优化机器的学习能力，不断提高机器诊断结果的可靠性。
一种基于大数据的大健康医疗系统，包括大数据平台、信息采集单元、人工判断单元、机器判断单元、综合判断单元；
所述大数据平台分别与信息采集单元、人工判断单元、机器判断单元连接，包括：数据库，用于接收和储存大量数据；
所述信息采集单元包括：可穿戴设备，用于收集病人实时的心率、血压、睡眠状况等身体参数，并将数据上传至大数据平台共享；检查设备，用于根据初诊综合判断后的结果选择检查项目对病人进行针对性检查，并将数据上传至大数据平台共享；历史病情收集模块，用于收集病人历史病情记录，辅助判断病人当前病情的病因；
所述人工判断单元包括：第一数据分析模块，用于分析来自可穿戴设备收集的病人实时身体参数、来自检查设备的检查项目结果以及来自历史病情收集模块的病人历史病情记录，从而协同分析病情；第一意见生成模块，用于根据第一数据分析模块分析所得结果提出检查项目意见或医疗意见；
所述机器判断单元包括：第二数据分析模块，用于分析来自可穿戴设备收集的病人实时身体参数、来自检查设备的检查项目结果以及来自历史病情收集模块的病人历史病情记录，从而协同分析病情；第二意见生成模块，用于根据第二数据分析模块分析所得结果提出检查项目意见或医疗意见；
所述综合判断单元包括：意见分析模块，用于汇总第一意见生成模块和第二意见生成模块提出的检查项目意见或医疗意见，判断所得检查项目意见或医疗意见匹配度；检查项目确定模块，用于根据意见分析模块得出的第一意见生成模块和第二意见生成模块的检查项目意见匹配度，得出最终检查项目意见，并根据最终检查项目意见对检查项目进行确定；综合意见生成模块，用于根据意见分析模块得出的第一意见生成模块和第二意见生成模块的医疗意见匹配度，得出最终医疗意见，并根据最终医疗意见采取相应的医疗手段。
进一步的，所述可穿戴设备包括：心率监测模块，用于监测病人实时心率，并将数据上传至大数据平台共享；体温监测模块，用于监测病人实时体温，并将数据上传至大数据平台共享；睡眠监测模块，用于监测病人睡眠质量，并将数据上传至大数据平台共享；运动监测模块，用于监测病人运动量，并将数据上传至大数据平台共享；血压监测模块，用于监测病人实时血压，并将数据上传至大数据平台共享。
进一步的，所述人工判断单元还包括：评级模块，用于对人工判断单元的各医生进行匹配度计算从而进行能力评级，并用于在各医生提出的意见汇总后计算各意见的参考指数，得出最终意见。
综上所述，本申请包括以下有益技术效果：
1.诊断结果最终意见的得出结合了医生意见和机器根据数据库对比得出的意见，减少了医生的主观性；
2.根据医生水平高低，不同医生对诊断结果最终意见得出的影响程度也不同，综合考虑了不同医生医疗水平以及能力参差不齐的情况，能够适应不同地区或医院医疗水平不同的情况，提高了诊断结果的准确性；
3.根据参与诊断医生的水平不同自动调整机器诊断结果的影响程度，提高了对不同水平医生的适应能力。
附图说明
图1是本申请实施例的一种基于大数据的大健康医疗方法的流程图。
图2是本申请实施例的一种基于大数据的大健康医疗系统的结构图。
图3是本申请实施例的一种基于大数据的大健康医疗系统的可穿戴设备的结构图。
附图标记说明：
大数据平台1、数据库11 、
人工判断单元2、第一数据分析模块21、第一意见生成模块22、评级模块23、
机器判断单元3、第二数据分析模块31、第二意见生成模块32、
综合判断单元4、意见分析模块41、检查项目确定模块42、综合意见生成模块43、
信息采集单元5、可穿戴设备51、心率监测模块511、体温监测模块512、睡眠监测模块513、运动监测模块514、血压监测模块515、检查设备52、历史病情收集模块53。
具体实施方式
下面对照附图，通过对实施例的描述，本申请的具体实施方式如所涉及的各构件的形状、构造、各部分之间的相互位置及连接关系、各部分的作用及工作原理、制造工艺及操作使用方法等，作进一步详细的说明，以帮助本领域技术人员对本发明的发明构思、技术方案有更完整、准确和深入的理解。为方便说明，本申请提及方向以附图所示方向为准。
参考图1-图3所示，一种基于大数据的大健康医疗方法，包括以下步骤：
步骤S1，数据实时收集，用户佩戴可穿戴设备51，实时收集身体状态数据，并将数据上传至大数据平台1；
步骤S2，初步诊断，病人感到不适，通过用户终端向医生进行沟通或直接在线下与医生沟通，由医生引导对病人身体异常部位进行初步诊断；
步骤S3，确定检查项目，由人工判断单元2根据初诊结果对提出第一检查项目意见，由机器判断单元3根据初诊结果对比数据库11进行比对提出第二检查项目意见，再由综合判断单元4汇总人工判断单元2和机器判断单元3提出的第二检查项目意见，根据意见参考指数计算得出最终的检查项目意见，并根据最终检查项目意见对病人作出针对性检查；
步骤S4，人机意见生成，以病人检查结果为主，由人工判断单元2分析并结合来自可穿戴设备51收集的病人实时身体参数以及来自历史病情收集模块53的病人历史病情记录，协同分析病情，得出第一医疗意见；以病人检查结果为主，由机器判断单元3分析并结合来自可穿戴设备51收集的病人实时身体参数以及来自历史病情收集模块53的病人历史病情记录，对比数据库11协同分析病情，得出第二医疗意见；
步骤S5，综合诊断，由综合判断单元4汇总第一医疗意见和第二医疗意见，根据意见参考指数计算得出最终医疗意见，并采取相应医疗手段；
步骤S6，评级，根据得出的最终医疗意见，计算参与本次诊断的人工判断单元2中各医生得出的第一医疗意见与最终医疗意见匹配度，并根据匹配度对各医生进行级别评定。
所述步骤S3中，检查项目的机器判断方法为：由第二数据分析模块31对历史病情收集模块53收集的历史病历信息进行分析并标记出历史发病部位，再将可穿戴设备51收集的病人实时身体参数与数据库11中同年龄、性别的人群对比，标记出参数未达标或超标值，并将未达标或超标参数导入数据库11，找出数据库11中未达标或超标参数对应的发病部位是否与该病人的历史发病部位一致，若一致，则优先检查该历史发病部位，若不一致，则检查未达标或超标参数对应的发病部位，并得出第二检查项目意见。
所述步骤S4中，医疗意见的机器判断方法为：由第二数据分析模块31对历史病情收集模块53收集的历史病历信息进行分析并标记出历史发病部位，再将可穿戴设备51收集的病人实时身体参数与数据库11中同年龄、性别的人群对比，标记出参数未达标或超标值，然后对检查结果的数据分析，标记出检查结果未达标或超标值参数，分别将标记出的未达标或超标参数导入数据库11，找出数据库11中未达标或超标参数对应的发病类型以及采取的医疗意见，匹配得出第二医疗意见。
所述步骤S5包括：步骤S51，统计医疗意见，将各医疗意见汇总，并结合医生评级和机器评级计算出各医疗意见的参考指数，将各医疗意见按参考指数从高到低排序，参考指数最高的医疗意见作为最终医疗意见候选；
步骤S52,分析其他医疗意见，将未作为最终医疗意见候选的其他医疗意见逐个分析，并与最终医疗意见候选对比得出其他医疗意见的优劣势，并向人工判断单元2的各医生公示；
步骤S53,得出最终医疗意见，公示后，确认最终医疗意见候选为所有医疗意见的最优选项，即为最终医疗意见。
所述参考指数的计算方法为：
，
ω表示为某意见的参考指数；
X机表示为机器判断单元3对该医疗意见的匹配度：若机器判断单元3提出的医疗意见与该医疗意见一致或包括该医疗意见，则X机=1，若机器判断单元3提出的医疗意见不包括该医疗意见，则X机=0；
P0.5表示为机器的评级，具体为所有医生评级的中位数；
i为某医生编号；n为参与诊断的医生数量；
Xi表示为人工判断单元2中该名医生对该医疗意见的匹配度：若该名医生提出的医疗意见与该医疗意见一致或包括该医疗意见，则Xi=1，若该名医生提出的医疗意见不包括该医疗意见，则Xi=0；
Pi表示为人工判断单元2中该名医生的评级。
所述步骤S6中，医生的评级方法为：
，
P表示为人工判断单元2中某医生的评级；
j表示为该名医生参与诊断的次序编号；
m表示为该名医生参与诊断的总次数；
Xj表示为第j次诊断过程中，该名医生对最终医疗意见的匹配度：若该名医生提出的医疗意见与最终医疗意见一致或包括最终医疗意见，则Xj=1，若该名医生提出的医疗意见不包括最终医疗意见，则Xj=0；
所述医生的评级方法中，P=1时评级最高，P越小评级越低。
还包括：S7,机器自主学习，诊断完成后，将最终检查项目意见和最终医疗意见上传至大数据平台1的数据库11中，作为机器判断单元3的参考数据。
一种基于大数据的大健康医疗系统，包括大数据平台1、信息采集单元5、人工判断单元2、机器判断单元3、综合判断单元4；
所述大数据平台1分别与信息采集单元5、人工判断单元2、机器判断单元3连接，包括：数据库11，用于接收和储存大量数据；
所述信息采集单元5包括：可穿戴设备51，用于收集病人实时的心率、血压、睡眠状况等身体参数，并将数据上传至大数据平台1共享；检查设备52，用于根据初诊综合判断后的结果选择检查项目对病人进行针对性检查，并将数据上传至大数据平台1共享；历史病情收集模块53，用于收集病人历史病情记录，辅助判断病人当前病情的病因；
所述人工判断单元2包括：第一数据分析模块21，用于分析来自可穿戴设备51收集的病人实时身体参数、来自检查设备52的检查项目结果以及来自历史病情收集模块53的病人历史病情记录，从而协同分析病情；第一意见生成模块22，用于根据第一数据分析模块21分析所得结果提出检查项目意见或医疗意见；
所述机器判断单元3包括：第二数据分析模块31，用于分析来自可穿戴设备51收集的病人实时身体参数、来自检查设备52的检查项目结果以及来自历史病情收集模块53的病人历史病情记录，从而协同分析病情；第二意见生成模块32，用于根据第二数据分析模块31分析所得结果提出检查项目意见或医疗意见；
所述综合判断单元4包括：意见分析模块41，用于汇总第一意见生成模块22和第二意见生成模块32提出的检查项目意见或医疗意见，判断所得检查项目意见或医疗意见匹配度；检查项目确定模块42，用于根据意见分析模块41得出的第一意见生成模块22和第二意见生成模块32的检查项目意见匹配度，得出最终检查项目意见，并根据最终检查项目意见对检查项目进行确定；综合意见生成模块43，用于根据意见分析模块41得出的第一意见生成模块22和第二意见生成模块32的医疗意见匹配度，得出最终医疗意见，并根据最终医疗意见采取相应的医疗手段。
所述可穿戴设备51包括：心率监测模块511，用于监测病人实时心率，并将数据上传至大数据平台1共享；体温监测模块512，用于监测病人实时体温，并将数据上传至大数据平台1共享；睡眠监测模块512，用于监测病人睡眠质量，并将数据上传至大数据平台1共享；运动监测模块514，用于监测病人运动量，并将数据上传至大数据平台1共享；血压监测模块515，用于监测病人实时血压，并将数据上传至大数据平台1共享。
所述人工判断单元2还包括：评级模块23，用于对人工判断单元2的各医生进行匹配度计算从而进行能力评级，并用于在各医生提出的意见汇总后计算各意见的参考指数，得出最终意见。
本申请实施例，一种基于大数据的大健康医疗方法及系统的工作原理为：最终意见的得出结合了医生意见和机器根据数据库对比得出的意见，并且根据医生水平高低，不同医生对最终意见得出的影响程度也不同，水平较高的医生对最终意见得出的影响程度较高，水平较低的医生对最终医疗意见得出的影响程度较低。综合考虑了不同医生医疗水平以及能力参差不齐的情况，能够适应不同地区或医院医疗水平不同的情况，提高了诊断结果的准确性。
另外，本算法将机器评级为所有医生的中位数，当参与诊断的医生医疗水平普遍较高时，医生对最终意见得出的影响程度提高，机器对最终意见得出的影响程度降低；当参与诊断的医生医疗水平普遍较低时，医生对最终医疗意见得出的影响程度降低，机器对最终医疗意见得出的影响程度提高。根据参与诊断医生的水平不同自动调整机器诊断结果的影响程度，提高了诊断结果的准确性。
本申请实施例中，在检查项目确认阶段，通过大数据进行机器自动比对，并结合医生意见，确定检查项目，防止由于检查项目确定阶段的主观性造成不必要的检查经济成本和时间成本，提高了病人检查的效率。
在医疗意见提出阶段，通过大数据将病人检查结果与数据库进行机器自动比对，由机器判断医疗意见，作为最终医疗意见诊断的参考意见，减少了诊断过程的主观性，提高了诊断结果的准确性。
通过对落选的其他医疗意见进行优劣势对比，并根据对比效果确定最终医疗意见的可靠性，防止计算得出的医疗意见不适用于极少数特殊病况，提高了诊断结果的准确性。
通过对医生的评级，将医生的水平及能力体现为具体数据，能够引入最终意见的算法，更加直观地体现出不同医生水平及能力的差距，确定该医生对最终意见的影响程度。
通过机器的自主优化的学习，可不断提高机器诊断结果的可靠性。
以上示意性地对本发明及其实施方式进行了描述，该描述没有限制性，附图所示的也只是本发明的实施方式之一，实际的结构并不局限与此。所以，如果本领域的普通技术人员受其启示，在不脱离本发明创造宗旨的情况下，不创造性地设计出与该技术方案相似的结构方式及实施例，均应属于本发明的保护范围。
Claims (10)
1.一种基于大数据的大健康医疗方法，其特征在于，包括以下步骤：
步骤S1，数据实时收集，用户佩戴可穿戴设备（51），实时收集身体状态数据，并将数据上传至大数据平台（1）；
步骤S2，初步诊断，病人感到不适，通过用户终端向医生进行沟通或直接在线下与医生沟通，由医生引导对病人身体异常部位进行初步诊断；
步骤S3，确定检查项目，由人工判断单元（2）根据初诊结果对提出第一检查项目意见，由机器判断单元（3）根据初诊结果对比数据库（11）进行比对提出第二检查项目意见，再由综合判断单元（4）汇总人工判断单元（2）和机器判断单元（3）提出的检查项目意见，根据意见参考指数计算得出最终的检查项目意见，并根据最终检查项目意见对病人作出针对性检查；
步骤S4，人机意见生成，以病人检查结果为主，由人工判断单元（2）分析并结合来自可穿戴设备（51）收集的病人实时身体参数以及来自历史病情收集模块（53）的病人历史病情记录，协同分析病情，得出第一医疗意见；以病人检查结果为主，由机器判断单元（3）分析并结合来自可穿戴设备（51）收集的病人实时身体参数以及来自历史病情收集模块（53）的病人历史病情记录，对比数据库（11）协同分析病情，得出第二医疗意见；
步骤S5，综合诊断，由综合判断单元（4）汇总第一医疗意见和第二医疗意见，根据意见参考指数计算得出最终医疗意见，并采取相应医疗手段；
步骤S6，评级，根据得出的最终医疗意见，计算参与本次诊断的人工判断单元（2）中各医生得出的第一医疗意见与最终医疗意见匹配度，并根据匹配度对各医生进行级别评定。
2.根据权利要求1所述的一种基于大数据的大健康医疗方法，其特征在于：
所述步骤S3中，检查项目的机器判断方法为：由第二数据分析模块（31）对历史病情收集模块（53）收集的历史病历信息进行分析并标记出历史发病部位，再将可穿戴设备（51）收集的病人实时身体参数与数据库（11）中同年龄、性别的人群对比，标记出参数未达标或超标值，并将未达标或超标参数导入数据库（11），找出数据库（11）中未达标或超标参数对应的发病部位是否与该病人的历史发病部位一致，若一致，则优先检查该历史发病部位，若不一致，则检查未达标或超标参数对应的发病部位，并得出第二检查项目意见。
3.根据权利要求1所述的一种基于大数据的大健康医疗方法，其特征在于：
所述步骤S4中，医疗意见的机器判断方法为：由第二数据分析模块（31）对历史病情收集模块（53）收集的历史病历信息进行分析并标记出历史发病部位，再将可穿戴设备（51）收集的病人实时身体参数与数据库（11）中同年龄、性别的人群对比，标记出参数未达标或超标值，然后对检查结果的数据分析，标记出检查结果未达标或超标值参数，分别将标记出的未达标或超标参数导入数据库（11），找出数据库（11）中未达标或超标参数对应的发病类型以及采取的医疗意见，匹配得出第二医疗意见。
4.根据权利要求1所述的一种基于大数据的大健康医疗方法，其特征在于：
所述步骤S5包括：步骤S51，统计医疗意见，将各医疗意见汇总，并结合医生评级和机器评级计算出各医疗意见的参考指数，将各医疗意见按参考指数从高到低排序，参考指数最高的医疗意见作为最终医疗意见候选；
步骤S52,分析其他医疗意见，将未作为最终医疗意见候选的其他医疗意见逐个分析，并与最终医疗意见候选对比得出其他医疗意见的优劣势，并向人工判断单元（2）的各医生公示；
步骤S53,得出最终医疗意见，公示后，确认最终医疗意见候选为所有医疗意见的最优选项，即为最终医疗意见。
5.根据权利要求1所述的一种基于大数据的大健康医疗方法，其特征在于：
所述参考指数的计算方法为：
，
ω表示为某意见的参考指数；
X机表示为机器判断单元（3）对该医疗意见的匹配度：若机器判断单元（3）提出的医疗意见与该医疗意见一致或包括该医疗意见，则X机=1，若机器判断单元（3）提出的医疗意见不包括该医疗意见，则X机=0；
P0.5表示为机器的评级，具体为所有医生评级的中位数；
i为某医生编号；n为参与诊断的医生数量；
Xi表示为人工判断单元（2）中该名医生对该医疗意见的匹配度：若该名医生提出的医疗意见与该医疗意见一致或包括该医疗意见，则Xi=1，若该名医生提出的医疗意见不包括该医疗意见，则Xi=0；
Pi表示为人工判断单元（2）中该名医生的评级。
6.根据权利要求1所述的一种基于大数据的大健康医疗方法，其特征在于：
所述步骤S6中，医生的评级方法为：
，
P表示为人工判断单元（2）中某医生的评级；
j表示为该名医生参与诊断的次序编号；
m表示为该名医生参与诊断的总次数；
Xj表示为第j次诊断过程中，该名医生对最终医疗意见的匹配度：若该名医生提出的医疗意见与最终医疗意见一致或包括最终医疗意见，则Xj=1，若该名医生提出的医疗意见不包括最终医疗意见，则Xj=0；
所述医生的评级方法中，P=1时评级最高，P越小评级越低。
7.根据权利要求1所述的一种基于大数据的大健康医疗方法，其特征在于：
还包括：S7,机器自主学习，诊断完成后，将最终检查项目意见和最终医疗意见上传至大数据平台（1）的数据库（11）中，作为机器判断单元（3）的参考数据。
8.一种基于大数据的大健康医疗系统，其特征在于适用权利要求1-7任一项的一种基于大数据的大健康医疗方法；
所述基于大数据的大健康医疗系统包括大数据平台（1）、信息采集单元（5）、人工判断单元（2）、机器判断单元（3）、综合判断单元（4）；
所述大数据平台（1）分别与信息采集单元（5）、人工判断单元（2）、机器判断单元（3）连接，包括：数据库（11），用于接收和储存大量数据；
所述信息采集单元（5）包括：可穿戴设备（51），用于收集病人实时的心率、血压、睡眠状况等身体参数，并将数据上传至大数据平台（1）共享；检查设备（52），用于根据初诊综合判断后的结果选择检查项目对病人进行针对性检查，并将数据上传至大数据平台（1）共享；历史病情收集模块（53），用于收集病人历史病情记录，辅助判断病人当前病情的病因；
所述人工判断单元（2）包括：第一数据分析模块（21），用于分析来自可穿戴设备（51）收集的病人实时身体参数、来自检查设备（52）的检查项目结果以及来自历史病情收集模块（53）的病人历史病情记录，从而协同分析病情；第一意见生成模块（22），用于根据第一数据分析模块（21）分析所得结果提出检查项目意见或医疗意见；
所述机器判断单元（3）包括：第二数据分析模块（31），用于分析来自可穿戴设备（51）收集的病人实时身体参数、来自检查设备（52）的检查项目结果以及来自历史病情收集模块（53）的病人历史病情记录，从而协同分析病情；第二意见生成模块（32），用于根据第二数据分析模块（31）分析所得结果提出检查项目意见或医疗意见；
所述综合判断单元（4）包括：意见分析模块（41），用于汇总第一意见生成模块（22）和第二意见生成模块（32）提出的检查项目意见或医疗意见，判断所得检查项目意见或医疗意见匹配度；检查项目确定模块（42），用于根据意见分析模块（41）得出的第一意见生成模块（22）和第二意见生成模块（32）的检查项目意见匹配度，得出最终检查项目意见，并根据最终检查项目意见对检查项目进行确定；综合意见生成模块（43），用于根据意见分析模块（41）得出的第一意见生成模块（22）和第二意见生成模块（32）的医疗意见匹配度，得出最终医疗意见，并根据最终医疗意见采取相应的医疗手段。
9.根据权利要求8所述的一种基于大数据的大健康医疗系统，其特征在于：
所述可穿戴设备（51）包括：心率监测模块（511），用于监测病人实时心率，并将数据上传至大数据平台（1）共享；体温监测模块（512），用于监测病人实时体温，并将数据上传至大数据平台（1）共享；睡眠监测模块（512），用于监测病人睡眠质量，并将数据上传至大数据平台（1）共享；运动监测模块（514），用于监测病人运动量，并将数据上传至大数据平台（1）共享；血压监测模块（515），用于监测病人实时血压，并将数据上传至大数据平台（1）共享。
10.根据权利要求8所述的一种基于大数据的大健康医疗系统，其特征在于：
所述人工判断单元（2）还包括：评级模块（23），用于对人工判断单元（2）的各医生进行匹配度计算从而进行能力评级，并用于在各医生提出的意见汇总后计算各意见的参考指数，得出最终意见。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111031413.2A CN113838571B (zh) | 2021-09-03 | 2021-09-03 | 一种基于大数据的大健康医疗系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111031413.2A CN113838571B (zh) | 2021-09-03 | 2021-09-03 | 一种基于大数据的大健康医疗系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113838571A true CN113838571A (zh) | 2021-12-24 |
| CN113838571B CN113838571B (zh) | 2023-12-22 |
Family
ID=78962183
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111031413.2A Active CN113838571B (zh) | 2021-09-03 | 2021-09-03 | 一种基于大数据的大健康医疗系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113838571B (zh) |
Citations (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2004240734A (ja) * | 2003-02-06 | 2004-08-26 | Miyata Tadanori | 病態推測システム |
| JP2006085545A (ja) * | 2004-09-17 | 2006-03-30 | Canon Inc | 医用連携診断システム |
| US20120035944A1 (en) * | 2010-08-08 | 2012-02-09 | David Phillip Gobel | Medical Second Opinion System |
| CN102419798A (zh) * | 2011-12-07 | 2012-04-18 | 南京毗邻医疗科技有限公司 | 基于复合诊疗模板的跨学科智慧医学服务系统 |
| CN106557653A (zh) * | 2016-11-15 | 2017-04-05 | 合肥工业大学 | 一种移动医疗智能导医系统及其方法 |
| CN109102900A (zh) * | 2017-06-20 | 2018-12-28 | 深圳大森智能科技有限公司 | 一种远程医疗方法 |
| CN109310317A (zh) * | 2016-05-05 | 2019-02-05 | J·S·贝茨 | 用于自动医学诊断的系统和方法 |
| CN109390047A (zh) * | 2017-08-11 | 2019-02-26 | 深圳市全息医疗数据有限责任公司 | 一种医院后台数据的处理方法及系统 |
| CN110111884A (zh) * | 2019-04-30 | 2019-08-09 | 杭州电子科技大学 | 一种基于cmkmc的人机协同智慧医疗辅助决策系统 |
| CN110249392A (zh) * | 2018-08-20 | 2019-09-17 | 深圳市全息医疗科技有限公司 | 智能辅助诊疗系统及方法 |
| CN110534190A (zh) * | 2018-05-24 | 2019-12-03 | 西门子医疗有限公司 | 用于自动临床决策支持系统的系统和方法 |
| CN110767312A (zh) * | 2019-12-26 | 2020-02-07 | 杭州迪英加科技有限公司 | 人工智能辅助病理诊断系统及方法 |
| WO2020129541A1 (ja) * | 2018-12-17 | 2020-06-25 | 畑中廣美 | 医用画像をａｉの判断で症状度合いごと画像に表示する診断方法 |
| CN112259186A (zh) * | 2020-10-22 | 2021-01-22 | 毛洪京 | 新型的睡眠障碍诊断及治疗系统 |
| JP2021047504A (ja) * | 2019-09-17 | 2021-03-25 | 国立大学法人千葉大学 | 医師のための漢方医学における自動診断支援装置、自動診断支援方法、プログラム、学習済みモデルおよび学習済みモデル作成方法 |
| 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 |
| JP2021067996A (ja) * | 2019-10-18 | 2021-04-30 | 株式会社オプテック | 治療支援システム |
| CN112908495A (zh) * | 2021-04-07 | 2021-06-04 | 南京云格信息技术有限公司 | 一种远程医疗会诊系统 |
-
2021
- 2021-09-03 CN CN202111031413.2A patent/CN113838571B/zh active Active
Patent Citations (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2004240734A (ja) * | 2003-02-06 | 2004-08-26 | Miyata Tadanori | 病態推測システム |
| JP2006085545A (ja) * | 2004-09-17 | 2006-03-30 | Canon Inc | 医用連携診断システム |
| US20120035944A1 (en) * | 2010-08-08 | 2012-02-09 | David Phillip Gobel | Medical Second Opinion System |
| CN102419798A (zh) * | 2011-12-07 | 2012-04-18 | 南京毗邻医疗科技有限公司 | 基于复合诊疗模板的跨学科智慧医学服务系统 |
| CN109310317A (zh) * | 2016-05-05 | 2019-02-05 | J·S·贝茨 | 用于自动医学诊断的系统和方法 |
| CN106557653A (zh) * | 2016-11-15 | 2017-04-05 | 合肥工业大学 | 一种移动医疗智能导医系统及其方法 |
| CN109102900A (zh) * | 2017-06-20 | 2018-12-28 | 深圳大森智能科技有限公司 | 一种远程医疗方法 |
| CN109390047A (zh) * | 2017-08-11 | 2019-02-26 | 深圳市全息医疗数据有限责任公司 | 一种医院后台数据的处理方法及系统 |
| CN110534190A (zh) * | 2018-05-24 | 2019-12-03 | 西门子医疗有限公司 | 用于自动临床决策支持系统的系统和方法 |
| CN110249392A (zh) * | 2018-08-20 | 2019-09-17 | 深圳市全息医疗科技有限公司 | 智能辅助诊疗系统及方法 |
| WO2020129541A1 (ja) * | 2018-12-17 | 2020-06-25 | 畑中廣美 | 医用画像をａｉの判断で症状度合いごと画像に表示する診断方法 |
| CN110111884A (zh) * | 2019-04-30 | 2019-08-09 | 杭州电子科技大学 | 一种基于cmkmc的人机协同智慧医疗辅助决策系统 |
| JP2021047504A (ja) * | 2019-09-17 | 2021-03-25 | 国立大学法人千葉大学 | 医師のための漢方医学における自動診断支援装置、自動診断支援方法、プログラム、学習済みモデルおよび学習済みモデル作成方法 |
| JP2021067996A (ja) * | 2019-10-18 | 2021-04-30 | 株式会社オプテック | 治療支援システム |
| CN110767312A (zh) * | 2019-12-26 | 2020-02-07 | 杭州迪英加科技有限公司 | 人工智能辅助病理诊断系统及方法 |
| CN112259186A (zh) * | 2020-10-22 | 2021-01-22 | 毛洪京 | 新型的睡眠障碍诊断及治疗系统 |
| 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 |
| CN112908495A (zh) * | 2021-04-07 | 2021-06-04 | 南京云格信息技术有限公司 | 一种远程医疗会诊系统 |
Non-Patent Citations (3)
| Title |
|---|
| 吴美琴;李常洪;范建平;梁嘉骅;: "基于综合集成的医疗质量全面监控考核系统", 现代医院管理, no. 02, pages 8 - 14 * |
| 杨瑶瑶;: "人工智能背景下的移动医疗平台现状及展望", 未来与发展, no. 02, pages 17 - 21 * |
| 赵显鹏;: "机器学习在医疗健康数据分析中的应用", 电子世界, no. 18, pages 118 - 119 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113838571B (zh) | 2023-12-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP5841196B2 (ja) | ヒトの健康に関する残差ベースの管理 | |
| JP2018142259A (ja) | 作業管理装置、方法およびプログラム | |
| CN110415821B (zh) | 一种基于人体生理数据的健康知识推荐系统及其运行方法 | |
| CN113241196A (zh) | 基于云-终端协同的远程医疗与分级监控系统 | |
| CN113990494B (zh) | 一种基于视频数据的抽动症辅助筛查系统 | |
| CN116344050B (zh) | 一种基于多维度健康管理模型的评测方法 | |
| CN114023441A (zh) | 基于可解释机器学习模型的严重aki早期风险评估模型、装置及其开发方法 | |
| CN112967803A (zh) | 基于集成模型的急诊患者早期死亡率预测方法及系统 | |
| CN110993096B (zh) | 一种脓毒血症的预警装置、设备及存储介质 | |
| CN111916213A (zh) | 一种基于云计算的医疗服务方法和装置 | |
| CN117352165B (zh) | 一种老年人术后康复护理方法及系统 | |
| CN112768074A (zh) | 一种基于人工智能的重疾风险预测方法及系统 | |
| CN116864104A (zh) | 基于人工智能的慢性血栓栓塞性肺动脉高压风险分级系统 | |
| CN113838571A (zh) | 一种基于大数据的大健康医疗方法及系统 | |
| CN116861252A (zh) | 一种基于平衡功能异常的跌倒评估模型的构建方法 | |
| Kalogiannis et al. | Geriatric group analysis by clustering non-linearly embedded multi-sensor data | |
| CN116564521A (zh) | 一种慢性病风险评估模型建立方法、介质及系统 | |
| JP7249572B2 (ja) | 不快感情推定装置 | |
| CN116434979A (zh) | 生理状态云监测方法、监测系统及储存介质 | |
| CN114093450A (zh) | 一种基于可穿戴设备的慢病管理系统及方法 | |
| CN111768856B (zh) | 基于数据驱动的双向转诊自动判定和后效评估系统 | |
| CN114864086A (zh) | 一种基于肺功能报告模板的疾病预测方法 | |
| CN113903470A (zh) | 一种血液透析后患者的生活智能提醒方法及系统 | |
| CN117153316B (zh) | 一种多用户的医疗信息采集终端的管理系统 | |
| CN116417141A (zh) | 基于人工智能的1型糖尿病健康评估模型及方法 |
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: 20231127 Address after: 1-110, 3rd Floor, Section 1, No. 18 Huilongguan West Street, Huilongguan Town, Changping District, Beijing, 102200 Applicant after: Beijing Yuelai Health Technology Co.,Ltd. Address before: 223800 No. 246, gaobaohu Road, Sucheng District, Suqian City, Jiangsu Province Applicant before: Su Xiaoman |
|
| TA01 | Transfer of patent application right | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |