CN114203301A - 一种诊后患者健康状况追踪方法及系统 - Google Patents
一种诊后患者健康状况追踪方法及系统 Download PDFInfo
- Publication number
- CN114203301A CN114203301A CN202111541609.6A CN202111541609A CN114203301A CN 114203301 A CN114203301 A CN 114203301A CN 202111541609 A CN202111541609 A CN 202111541609A CN 114203301 A CN114203301 A CN 114203301A
- Authority
- CN
- China
- Prior art keywords
- tracking
- diagnosis
- user
- information
- post
- 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
- G16H50/30—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
- 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
- G16H50/70—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)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明公开了一种诊后患者健康状况追踪方法及系统,所述方法包括:采集第一用户信息集并获得第一临床诊疗数据集,进而获得第一诊后护理状况、诊后理疗进度和诊后影像采集信息,作为第一、第二和第三追踪特征;对第一、第二、第三追踪特征进行信息论编码运算,获得第一、第二、第三特征信息熵,并输入数据大小比对模型进行训练,获得第一根节点特征信息,构建健康状况分类追踪决策树。根据第一用户信息集,获得第一用户临床诊疗数据并输入健康状况分类追踪决策树,获得诊后健康状况追踪链,对第一用户进行健康状况的追踪。解决了无法基于决策树对诊后患者健康状况进行追踪,有效保障患者生命安全的技术问题。
Description
技术领域
本发明涉及健康状况追踪技术领域,尤其涉及一种诊后患者健康状况追踪方法及系统。
背景技术
医学上许多疾病的治疗和恢复都需要一个漫长的过程,随着患者平均住院日的缩短,大多数患者的康复需要在院外度过。这意味着患者及其家庭的后期护理,病情观察及健康保健等方面的需求增加。对诊后患者进行健康状况追踪,不仅能满足患者对健康的需求,也能促进医院的医疗、科研、服务质量的提高。因此,诊后健康状况追踪对患者和医院,都是重要且必要的。就我国来说,诊后的患者随访率普遍偏低,随着医院和患者对就医的意识越来越强烈,这就需要规范诊后健康状况追踪行为,改进随访方式。医生平时工作较忙,患者又处于移动状态,亟需在各方配合下,借助适合的工具,用最低的投入,使诊后健康状况追踪效率最大化。为了实现对诊后患者健康状况进行追踪,有效保障患者生命安全,随着大数据、智能控制、物联网等技术的发展,基于健康状况追踪技术会使医院对患者的健康状况了解更加智能化、精准化。
本申请发明人在实现本申请实施例中发明技术方案的过程中,发现上述技术至少存在如下技术问题:
现有技术中存在无法基于决策树对诊后患者健康状况进行追踪,有效保障患者生命安全、提高患者就诊满意度、减轻了医护人员的工作负担、节约了医疗资源的技术问题。
发明内容
本申请实施例通过提供一种诊后患者健康状况追踪方法及系统,基于追踪决策树,采集第一用户信息集并获得第一临床诊疗数据集,进而获得第一诊后护理状况、诊后理疗进度和诊后影像采集信息,作为第一、第二和第三追踪特征;对第一、第二、第三追踪特征进行信息论编码运算,获得第一、第二、第三特征信息熵,并输入数据大小比对模型进行训练,获得第一根节点特征信息,构建健康状况分类追踪决策树。根据第一用户信息集,获得第一用户临床诊疗数据并输入健康状况分类追踪决策树,获得诊后健康状况追踪链,对第一用户进行健康状况的追踪。解决了无法基于决策树对诊后患者健康状况进行追踪,有效保障患者生命安全、提高患者就诊满意度、减轻了医护人员的工作负担、节约了医疗资源的技术问题。实现了对患者诊后健康状况进行追踪提醒,达到了对患者诊后健康状况追踪的智能化、精准化操作,有效保障患者生命安全、提高患者就诊满意度、减轻了医护人员的工作负担、节约了医疗资源的技术效果。
鉴于上述问题,本申请实施例提供一种诊后患者健康状况追踪方法及系统。
第一方面,本申请提供了一种诊后患者健康状况追踪方法及系统,其中,所述方法包括:通过采集第一用户信息集,所述第一用户信息集具有第一疾病特征;根据所述第一用户信息集,获得第一临床诊疗数据集;根据所述第一临床诊疗数据集,获得所述第一用户信息集的第一诊后护理状况,作为第一追踪特征,获得所述第一用户信息集的第一诊后理疗进度,作为第二追踪特征,获得所述第一用户信息集的第一诊后影像采集信息,作为第三追踪特征;对所述第一追踪特征进行信息论编码运算,获得第一特征信息熵,对所述第二追踪特征进行信息论编码运算,获得第二特征信息熵,对所述第三追踪特征进行信息论编码运算,获得第三特征信息熵;将所述第一特征信息熵、所述第二特征信息熵以及所述第三特征信息熵输入数据大小比对模型进行训练,获得第一根节点特征信息;基于所述第一根节点特征信息和所述第一临床诊疗数据集的递归算法,构建所述第一用户信息集的健康状况分类追踪决策树。根据所述第一用户信息集,获得第一用户临床诊疗数据;将所述第一用户临床诊疗数据输入所述健康状况分类追踪决策树,获得第一用户的诊后健康状况追踪链,并对所述第一用户进行健康状况的追踪。
另一方面,本申请还提供了一种诊后患者健康状况追踪系统,其中,所述系统包括:第一采集单元,所述第一采集单元采集第一用户信息集,所述第一用户信息集具有第一疾病特征;第一获得单元,所述第一获得单元用于根据所述第一用户信息集,获得第一临床诊疗数据集;第二获得单元,所述第二获得单元用于根据所述第一临床诊疗数据集,获得所述第一用户信息集的第一诊后护理状况,作为第一追踪特征,获得所述第一用户信息集的第一诊后理疗进度,作为第二追踪特征,获得所述第一用户信息集的第一诊后影像采集信息,作为第三追踪特征;第三获得单元,所述第三获得单元用于对所述第一追踪特征进行信息论编码运算,获得第一特征信息熵,对所述第二追踪特征进行信息论编码运算,获得第二特征信息熵,对所述第三追踪特征进行信息论编码运算,获得第三特征信息熵;第四获得单元,所述第四获得单元用于将所述第一特征信息熵、所述第二特征信息熵以及所述第三特征信息熵输入数据大小比对模型进行训练,获得第一根节点特征信息;第一构建单元,所述第一构建单元用于基于所述第一根节点特征信息和所述第一临床诊疗数据集的递归算法,构建所述第一用户信息集的健康状况分类追踪决策树。第五获得单元,所述第五获得单元用于根据所述第一用户信息集,获得第一用户临床诊疗数据;第六获得单元,所述第六获得单元用于将所述第一用户临床诊疗数据输入所述健康状况分类追踪决策树,获得第一用户的诊后健康状况追踪链,并对所述第一用户进行健康状况的追踪。
另一方面,本申请实施例还提供了一种诊后患者健康状况追踪方法及系统,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其中,所述处理器执行所述程序时实现上述第一方面所述方法的步骤。
本申请实施例中提供的一个或多个技术方案,至少具有如下技术效果或优点:
本申请实施例提供了一种诊后患者健康状况追踪方法及系统,通过采集第一用户信息集,所述第一用户信息集具有第一疾病特征;根据所述第一用户信息集,获得第一临床诊疗数据集;根据所述第一临床诊疗数据集,获得所述第一用户信息集的第一诊后护理状况,作为第一追踪特征,获得所述第一用户信息集的第一诊后理疗进度,作为第二追踪特征,获得所述第一用户信息集的第一诊后影像采集信息,作为第三追踪特征;对所述第一追踪特征进行信息论编码运算,获得第一特征信息熵,对所述第二追踪特征进行信息论编码运算,获得第二特征信息熵,对所述第三追踪特征进行信息论编码运算,获得第三特征信息熵;将所述第一特征信息熵、所述第二特征信息熵以及所述第三特征信息熵输入数据大小比对模型进行训练,获得第一根节点特征信息;基于所述第一根节点特征信息和所述第一临床诊疗数据集的递归算法,构建所述第一用户信息集的健康状况分类追踪决策树。根据所述第一用户信息集,获得第一用户临床诊疗数据;将所述第一用户临床诊疗数据输入所述健康状况分类追踪决策树,获得第一用户的诊后健康状况追踪链,并对所述第一用户进行健康状况的追踪。解决了无法基于决策树对诊后患者健康状况进行追踪,有效保障患者生命安全、提高患者就诊满意度、减轻了医护人员的工作负担、节约了医疗资源的技术问题。实现了对患者诊后健康状况进行追踪提醒,达到了对患者诊后健康状况追踪的智能化、精准化操作,有效保障患者生命安全、提高患者就诊满意度、减轻了医护人员的工作负担、节约了医疗资源的技术效果。
上述说明是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
图1为本申请实施例一种诊后患者健康状况追踪方法的流程示意图;
图2为本申请实施例一种诊后患者健康状况追踪系统的结构示意图;
图3为本申请实施例示例性电子设备的结构示意图。
附图标记说明:第一采集单元11,第一获得单元12,第二获得单元13,第三获得单元14,第四获得单元15,第一构建单元16,第五获得单元17,第六获得单元18,电子设备300,存储器301,处理器302,通信接口303,总线架构304。
具体实施方式
本申请实施例通过提供一种诊后患者健康状况追踪方法及系统,解决了无法基于决策树对诊后患者健康状况进行追踪,有效保障患者生命安全、提高患者就诊满意度、减轻了医护人员的工作负担、节约了医疗资源的技术问题。实现了对患者诊后健康状况进行追踪提醒,达到了对患者诊后健康状况追踪的智能化、精准化操作,有效保障患者生命安全、提高患者就诊满意度、减轻了医护人员的工作负担、节约了医疗资源的技术效果。
下面,将参考附图详细的描述本申请的示例实施例,显然,所描述的实施例仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
申请概述
医学上许多疾病的治疗和恢复都需要一个漫长的过程,随着患者平均住院日的缩短,大多数患者的康复需要在院外度过。这意味着患者及其家庭的后期护理,病情观察及健康保健等方面的需求增加。对诊后患者进行健康状况追踪,不仅能满足患者对健康的需求,也能促进医院的医疗、科研、服务质量的提高。因此,诊后健康状况追踪对患者和医院,都是重要且必要的。就我国来说,诊后的患者随访率普遍偏低,随着医院和患者对就医的意识越来越强烈,这就需要规范诊后健康状况追踪行为,改进随访方式。医生平时工作较忙,患者又处于移动状态,亟需在各方配合下,借助适合的工具,用最低的投入,使诊后健康状况追踪效率最大化。为了实现对诊后患者健康状况进行追踪,有效保障患者生命安全,随着大数据、智能控制、物联网等技术的发展,基于健康状况追踪技术会使医院对患者的健康状况了解更加智能化、精准化。
针对上述技术问题,本申请提供的技术方案总体思路如下:
本申请提供了一种诊后患者健康状况追踪方法,所述方法应用于一种诊后患者健康状况追踪系统,其中,所述方法包括:通过采集第一用户信息集,所述第一用户信息集具有第一疾病特征;根据所述第一用户信息集,获得第一临床诊疗数据集;根据所述第一临床诊疗数据集,获得所述第一用户信息集的第一诊后护理状况,作为第一追踪特征,获得所述第一用户信息集的第一诊后理疗进度,作为第二追踪特征,获得所述第一用户信息集的第一诊后影像采集信息,作为第三追踪特征;对所述第一追踪特征进行信息论编码运算,获得第一特征信息熵,对所述第二追踪特征进行信息论编码运算,获得第二特征信息熵,对所述第三追踪特征进行信息论编码运算,获得第三特征信息熵;将所述第一特征信息熵、所述第二特征信息熵以及所述第三特征信息熵输入数据大小比对模型进行训练,获得第一根节点特征信息;基于所述第一根节点特征信息和所述第一临床诊疗数据集的递归算法,构建所述第一用户信息集的健康状况分类追踪决策树。根据所述第一用户信息集,获得第一用户临床诊疗数据;将所述第一用户临床诊疗数据输入所述健康状况分类追踪决策树,获得第一用户的诊后健康状况追踪链,并对所述第一用户进行健康状况的追踪。
在介绍了本申请基本原理后,下面将结合说明书附图来具体介绍本申请的各种非限制性的实施方式。
实施例一
如图1所示,本申请实施例提供一种诊后患者健康状况追踪方法,其中,所述方法包括:
步骤S100:采集第一用户信息集,所述第一用户信息集具有第一疾病特征;
步骤S200:根据所述第一用户信息集,获得第一临床诊疗数据集;
具体而言,应用的系统中的采集装置,用来采集第一用户的信息,分为基础信息、患病信息以及疾病特征数据信息。基础信息即姓名、年龄、性别、民族、所在地理位置、饮食习惯等信息;病患信息,即病历信息,是病人在医院诊断治疗全过程的原始记录,它包含有首页、病程记录、检查检验结果、医嘱、手术记录、护理记录等等。当病患身体出现不适时,第一次去医院时使用该系统,使用该系统的病患需要在系统中进行注册并填入其个人信息,然后向分配系统输入自身的病患数据,系统采集第一用户信息,对其进行整理,形成第一用户信息集,进而获得第一临床诊疗数据集,将医生对患者的诊治记录也上传至系统。
步骤S300:根据所述第一临床诊疗数据集,获得所述第一用户信息集的第一诊后护理状况,作为第一追踪特征,获得所述第一用户信息集的第一诊后理疗进度,作为第二追踪特征,获得所述第一用户信息集的第一诊后影像采集信息,作为第三追踪特征;
步骤S400:对所述第一追踪特征进行信息论编码运算,获得第一特征信息熵,对所述第二追踪特征进行信息论编码运算,获得第二特征信息熵,对所述第三追踪特征进行信息论编码运算,获得第三特征信息熵;
具体而言,信息熵就是平均而言发生一个事件我们得到的信息量大小。所以数学上,信息熵其实是信息量的期望。所述第一临床诊疗数据集是指医生进行临床医学是对患者的诊治,根据病人的临床表现,从整体出发结合研究疾病的病因、发病机理和病理过程,进而确定诊断的信息。第一诊后护理状况是指病人出院后对病人护理状况的一个预设,第一用户信息集的第一诊后理疗进度是诊疗后的恢复情况,第一用户信息集的第一诊后影像采集信息是指系统的影响采集装置会对患者的状况进行监控,对其进行信息采集。系统通过检索第一临床诊疗数据集信息,可以获得所述第一用户信息集的第一诊后护理状况、第一用户信息集的第一诊后理疗进度以及第一用户信息集的第一诊后影像采集信息,作为第一追踪特征、第二追踪特征以及第三追踪特征。获得追踪特征后,对其进行信息论编码运算,进而获得第一特征信息熵、第二特征信息熵以及第三特征信息熵。
步骤S500:将所述第一特征信息熵、所述第二特征信息熵以及所述第三特征信息熵输入数据大小比对模型进行训练,获得第一根节点特征信息;
步骤S600:基于所述第一根节点特征信息和所述第一临床诊疗数据集的递归算法,构建所述第一用户信息集的健康状况分类追踪决策树。
具体而言,决策树(Decision Tree)是在已知各种情况发生概率的基础上,通过构成决策树来求取净现值的期望值大于等于零的概率,评价项目风险,判断其可行性的决策分析方法,是直观运用概率分析的一种图解法,这种分类器能够对新出现的对象给出正确的分类,由根节点、内部节点以及叶节点组成。基于所述数据大小比对模型对所述第一特征信息熵、所述第二特征信息熵以及所述第三特征信息熵进行大小数值的比对,继而获得熵值最小的特征,即第一根节点特征信息,通过对熵值最小的特征进行优先分类,继而按照熵值由小到大的顺序,依次对各特征进行递归算法的分类,最终构建所述多层级护理决策树,使得每个用户特征都匹配适合的护理方案,进而实现了对多层级护理决策树的具体构建。
进一步的,已知基于现有的消化内科科室的患病用户数据集构建了所述多层级护理决策树,进而通过该预测模型对新的患病用户数据集进行分类学习,使得快速准确的匹配到基于所述第一用户的第一护理等级,针对所述第一用户的实际情况进行最为贴切的护理等级匹配,继而对所述第一用户进行护理。通过获得实际尽可能多的分类特征,进而对各种特征进行信息熵的计算,通过对信息熵最小的特征进行特征选择和优先分类,同时按照同样的方法,对其他分类特征进行信息熵的递归分类,使得最终构建的多层级护理决策树更加分类准确,通过将目标用户的实际情况输入构建好的决策树,使得快速准确的匹配到较为合适的护理方案,达到了基于用户的实际情况对其进行高效护理,提高了护理效率的技术效果。
步骤S700:根据所述第一用户信息集,获得第一用户临床诊疗数据;
步骤S800:将所述第一用户临床诊疗数据输入所述健康状况分类追踪决策树,获得第一用户的诊后健康状况追踪链,并对所述第一用户进行健康状况的追踪。
具体而言,系统根据采集到的所述第一用户信息集,对其进行整理,形成第一用户信息集,进而获得第一用户临床诊疗数据,所述第一用户临床诊疗数据包括病程记录、检查检验结果、医嘱、手术记录、护理记录等等。将所述第一用户临床诊疗数据输入到所述健康状况分类追踪决策树,可以获得其输出结果,输出结果为第一用户的诊后健康状况追踪链,根据诊后健康状况追踪链,对所述第一用户进行健康状况的追踪,在遇到异常情况时可以得到及时治疗。
进一步而言,本申请实施例步骤S900包括:
步骤S910:根据所述诊后健康状况追踪链,获得所述第一用户的第一护理状况、第一理疗进度以及第一影像采集信息;
步骤S920:根据所述健康状况分类追踪决策树,设定所述第一追踪特征的第一权重占比、所述第二追踪特征的第二权重占比以及所述第三追踪特征的第三权重占比;
步骤S930:分别对所述第一护理状况和所述第一权重占比、所述第一理疗进度和所述第二权重占比以及所述第一影像采集信息和所述第三权重占比进行加权运算,获得所述第一用户的诊后健康状况;
步骤S940:判断所述诊后健康状况是否达到预期恢复状况;
步骤S950:若所述诊后健康状况没有达到所述预期恢复状况,生成第一紧急提醒指令;
步骤S960:根据所述第一紧急提醒指令,提醒所述第一用户前往医院进行复诊。
具体而言,权通俗理解就是“系数”的意思。所以“加权”的意思就是“乘以权重”,即“乘以系数”的意思。系统根据所述诊后健康状况追踪链,可以获得所述第一用户的第一护理状况、第一理疗进度以及第一影像采集信息,即第一追踪特征、第二追踪特征以及第三追踪特征。根据所述健康状况分类追踪决策树,依据分类集的大小,对其追踪特征设定权重占比,设定所述第一追踪特征的第一权重占比、所述第二追踪特征的第二权重占比以及所述第三追踪特征的第三权重占比。分别对所述第一护理状况和所述第一权重占比、所述第一理疗进度和所述第二权重占比以及所述第一影像采集信息和所述第三权重占比进行加权运算,进而获得所述第一用户的诊后健康状况。比如,所述第一理疗进度为0.6,第一权重占比为0.5,则进行加权运算后,其结果为0.3。对所述诊后健康状况进行判断,看其是否达到预期恢复状况。如果所述诊后健康状况没有达到所述预期恢复状况,则生成第一紧急提醒指令,系统会对患者进行警报,提醒所述第一用户前往医院进行复诊。可以及时对患者的生命安全进行提醒,达到了高效护理的效果。
进一步而言,本申请实施例步骤S1000包括:
步骤S1010:基于所述第一诊后护理状况、所述第一诊后理疗进度以及所述第一诊后影像采集信息,构建所述第一用户的诊后健康追踪系统图;
步骤S1020:根据所述诊后健康追踪系统图,获得所述第一用户在第一时间的第一健康状况,所述第一时间为出院的时间;
步骤S1030:获得所述第一用户的体质体能信息;
步骤S1040:根据所述体质体能信息和所述诊后健康追踪系统图,预设所述第一用户在第二时间的第二健康状况,所述第二时间为出院后的第一恢复疗程截止时间;
步骤S1050:获得所述第一用户在所述第二时间的实际恢复状况;
步骤S1060:判断所述实际恢复状况是否达到所述第二健康状况,进而判断所述诊后健康状况是否达到预期恢复状况。
具体而言,所述第一时间为出院的时间。所述第二时间为出院后的第一恢复疗程截止时间。首先基于所述第一诊后护理状况、所述第一诊后理疗进度以及所述第一诊后影像采集信息,构建所述第一用户的诊后健康追踪系统图。根据所述诊后健康追踪系统图,可以获得所述第一用户在出院时的第一健康状况。根据所述第一用户的体质体能信息和所述诊后健康追踪系统图,对患者在出院后一个疗程结束后的健康状况进行预设,预设值是一个范围,并依靠信息采集装置,对患者的实际恢复情况进行采集,并对所述实际恢复状况和所述第二健康状况进行判断,判断所述诊后健康状况是否达到预期恢复状况,进而判断所述诊后健康状况是否达到预期恢复状况,如果所述诊后健康状况没有达到所述预期恢复状况,则进行下一步骤。构建诊后健康状况系统图,可以更加直观的明了患者的恢复情况,对其身体素质有了更加精准的理解。对第一用户在第二时间的第二健康状况进行预设,可以更加精确判断恢复情况。
进一步而言,本申请实施例步骤S1100包括:
步骤S1110:若所述诊后健康状况没有达到所述预期恢复状况,生成第一追踪频率更换指令;
步骤S1120:根据所述诊后健康状况追踪链,获得所述第一用户的第一诊后健康追踪频率;
步骤S1130:根据所述第一追踪频率更换指令,将所述第一诊后健康追踪频率更换为第二诊后健康追踪频率,其中,所述第二诊后健康追踪频率高于所述第一诊后健康追踪频率;
步骤S1140:根据所述第二诊后健康追踪频率,对所述第一用户进行第二恢复疗程的健康状况追踪。
具体而言,如果所述诊后健康状况没有达到所述预期恢复状况,则系统生成第一追踪频率更换指令,对第一用户的诊后健康状况的追踪频率增高。根据所述诊后健康状况追踪链,先获得所述第一用户的第一诊后健康追踪频率,再根据所述第一追踪频率更换指令,对第一用户的第一诊后健康追踪频率进行更换,使第一用户的第一诊后健康追踪频率增高,更换后的第一用户的第一诊后健康追踪频率记为第二诊后健康追踪频率。根据所述第二诊后健康追踪频率,继续对所述第一用户进行第二恢复疗程的健康状况追踪。其中,所述第二诊后健康追踪频率高于所述第一诊后健康追踪频率。是第一用户的第一诊后健康追踪频率增高,可以增加健康状况时间点,观察每个时间点的恢复情况,对于健康状况会更加明了。
进一步而言,所述根据所述第一紧急提醒指令,提醒所述第一用户前往医院进行复诊之前,本申请实施例步骤S960包括:
步骤S961:基于大数据,根据所述第一疾病特征和所述第一临床诊疗数据集,匹配获得第一专家数据集;
步骤S962:根据所述诊后健康追踪系统图和所述第一专家数据集,构建所述第一疾病特征的第一专家系统;
步骤S963:根据所述实际恢复状况和所述第二健康状况,获得实际恢复差值信息;
步骤S964:将所述实际恢复差值信息上传至所述第一专家系统进行评估,获得第一评估结果;
步骤S965:判断所述第一评估结果是否满足预设恢复状况阈值;
步骤S966:若所述第一评估结果不满足所述预设恢复状况阈值,生成所述第一紧急提醒指令。
具体而言,提醒所述第一用户前往医院进行复诊之前,必须要确定系统生成了第一紧急提醒指令。基于大数据,系统根据所述第一疾病特征和所述第一临床诊疗数据集,对其进行匹配,获得第一专家数据集,基于所述诊后健康追踪系统图和所述第一专家数据集,对所述第一疾病特征的第一专家系统进行构建。根据前一步骤的所述实际恢复状况和所述第二健康状况,进行减法运算,获得实际恢复差值信息。第一用户将所述实际恢复差值信息上传至所述第一专家系统进行评估,进而获得第一评估结果。对第一评估结果进行判断,看其是否满足预设恢复状况阈值。如果所述第一评估结果不满足所述预设恢复状况阈值,才会生成所述第一紧急提醒指令。系统生成所述第一紧急提醒指令,可以使第一用户在没有察觉到自身健康异常的情况下,对其进行提醒,可以及时去医院就诊,保障患者生命安全。
进一步而言,所述采集第一用户信息集,本申请实施例步骤S100包括:
步骤S110:根据所述第一用户信息集,获得第一特征数据集;
步骤S120:对所述第一特征数据集进行中心化处理,获得第二特征数据集;
步骤S130:获得所述第二特征数据集的第一协方差矩阵;
步骤S140:对所述第一协方差矩阵进行运算,获得所述第一协方差矩阵的第一特征值和第一特征向量;
步骤S150:将所述第一特征数据集投影到所述第一特征向量,获得第一降维数据集,其中所述第一降维数据集为所述第一特征数据集降维之后获得的特征数据集。
具体而言,对提取到的特征数据进行数值化处理,并构建特征数据集矩阵,获得所述第一特征数据集。继而对所述第一特征数据集中的各特征数据进行中心化处理,首先求解所述第一特征数据集中各特征的平均值,然后对于所有的样本,每一个特征都减去自身的均值,继而获得新的特征值,由新的特征值构成所述第二特征数据集,所述第二特征数据集为一数据矩阵。通过协方差公式:
对所述第二特征数据集进行运算,获得所述第二特征数据集的第一协方差矩阵。其中,为所述第二特征数据集中的特征数据;为该特征数据的平均值;为所述第二特征数据集中的样本数据总量。继而通过矩阵运算,求出所述第一协方差矩阵的特征值及特征向量,且每一特征值对应一个特征向量。在求出的所述第一特征向量中,选取最大的前K个特征值及其对应的特征向量,并将所述第一特征数据集中的原始特征投影到所选取的特征向量之上,得到降维之后的所述第一特征数据集。通过主成分分析法对数据库中的特征数据进行降维处理,在保证信息量的前提下,剔除冗余数据,使得数据库中特征数据的样本量减小,且降维后信息量损失最小,从而加快训练模型对于数据的运算速度。
进一步而言,所述获得第一根节点特征信息,本申请实施例步骤S500包括:
步骤S510:将所述第一特征信息熵、所述第二特征信息熵以及所述第三特征信息熵输入数据大小比对模型进行训练,所述数据大小比对模型通过多组训练数据训练所得,所述多组训练数据中的每一组训练数据均包括:所述第一特征信息熵、所述第二特征信息熵、所述第三特征信息熵以及用来标识第一根节点特征信息的标识信息;
步骤S520:获得所述数据大小比对模型的输出信息,所述输出信息包括第一根节点特征信息。
具体而言,要想所述获得第一根节点特征信息,必须要构建数据大小比对模型,进行训练。首先建立数据大小比对模型,数据大小比对模型是根据特征信息熵决定的。其模型的输入信息是第一特征信息熵、所述第二特征信息熵以及所述第三特征信息熵,第一根节点特征信息是其输出结果。将所述第一特征信息熵、所述第二特征信息熵以及所述第三特征信息熵作为输入信息,输入到数据大小比对模型中,进行多组反复训练至收敛,获得所述数据大小比对模型的输出信息,所述输出信息即为第一根节点特征信息。所述多组训练数据中的每一组训练数据均包括:所述第一特征信息熵、所述第二特征信息熵、所述第三特征信息熵以及用来标识第一根节点特征信息的标识信息。第一根节点特征信息的获得,有利于构建所述第一用户信息集的健康状况分类追踪决策树。
综上所述,本申请实施例所提供的一种诊后患者健康状况追踪方法,具有如下技术效果:
1、本申请提供了一种诊后患者健康状况追踪方法,所述方法应用于一种诊后患者健康状况追踪系统,其中,所述方法包括:通过采集第一用户信息集,所述第一用户信息集具有第一疾病特征;根据所述第一用户信息集,获得第一临床诊疗数据集;根据所述第一临床诊疗数据集,获得所述第一用户信息集的第一诊后护理状况,作为第一追踪特征,获得所述第一用户信息集的第一诊后理疗进度,作为第二追踪特征,获得所述第一用户信息集的第一诊后影像采集信息,作为第三追踪特征;对所述第一追踪特征进行信息论编码运算,获得第一特征信息熵,对所述第二追踪特征进行信息论编码运算,获得第二特征信息熵,对所述第三追踪特征进行信息论编码运算,获得第三特征信息熵;将所述第一特征信息熵、所述第二特征信息熵以及所述第三特征信息熵输入数据大小比对模型进行训练,获得第一根节点特征信息;基于所述第一根节点特征信息和所述第一临床诊疗数据集的递归算法,构建所述第一用户信息集的健康状况分类追踪决策树。根据所述第一用户信息集,获得第一用户临床诊疗数据;将所述第一用户临床诊疗数据输入所述健康状况分类追踪决策树,获得第一用户的诊后健康状况追踪链,并对所述第一用户进行健康状况的追踪。解决了无法基于决策树对诊后患者健康状况进行追踪,有效保障患者生命安全、提高患者就诊满意度、减轻了医护人员的工作负担、节约了医疗资源的技术问题。实现了对患者诊后健康状况进行追踪提醒,达到了对患者诊后健康状况追踪的智能化、精准化操作,有效保障患者生命安全、提高患者就诊满意度、减轻了医护人员的工作负担、节约了医疗资源的技术效果。
实施例二
基于与前述实施例中一种诊后患者健康状况追踪方法,同样发明构思,本发明还提供了一种诊后患者健康状况追踪系统,如图2所示,所述系统包括:
第一采集单元11,所述第一采集单元11用于采集第一用户信息集,所述第一用户信息集具有第一疾病特征;
第一获得单元12,所述第一获得单元12用于根据所述第一用户信息集,获得第一临床诊疗数据集;
第二获得单元13,所述第二获得单元13用于根据所述第一临床诊疗数据集,获得所述第一用户信息集的第一诊后护理状况,作为第一追踪特征,获得所述第一用户信息集的第一诊后理疗进度,作为第二追踪特征,获得所述第一用户信息集的第一诊后影像采集信息,作为第三追踪特征;
第三获得单元14,所述第三获得单元14用于对所述第一追踪特征进行信息论编码运算,获得第一特征信息熵,对所述第二追踪特征进行信息论编码运算,获得第二特征信息熵,对所述第三追踪特征进行信息论编码运算,获得第三特征信息熵;
第四获得单元15,所述第四获得单元15用于将所述第一特征信息熵、所述第二特征信息熵以及所述第三特征信息熵输入数据大小比对模型进行训练,获得第一根节点特征信息;
第一构建单元16,所述第一构建单元16用于基于所述第一根节点特征信息和所述第一临床诊疗数据集的递归算法,构建所述第一用户信息集的健康状况分类追踪决策树。
第五获得单元17,所述第五获得单元17用于根据所述第一用户信息集,获得第一用户临床诊疗数据;
第六获得单元18,所述第六获得单元18用于将所述第一用户临床诊疗数据输入所述健康状况分类追踪决策树,获得第一用户的诊后健康状况追踪链,并对所述第一用户进行健康状况的追踪。
进一步的,所述系统还包括:
第七获得单元,所述第七获得单元用于根据所述诊后健康状况追踪链,获得所述第一用户的第一护理状况、第一理疗进度以及第一影像采集信息;
第一执行单元,所述第一执行单元用于根据所述健康状况分类追踪决策树,设定所述第一追踪特征的第一权重占比、所述第二追踪特征的第二权重占比以及所述第三追踪特征的第三权重占比;
第八获得单元,所述第八获得单元用于分别对所述第一护理状况和所述第一权重占比、所述第一理疗进度和所述第二权重占比以及所述第一影像采集信息和所述第三权重占比进行加权运算,获得所述第一用户的诊后健康状况;
第一判断单元,所述第一判断单元用于判断所述诊后健康状况是否达到预期恢复状况;
第二执行单元,所述第二执行单元用于若所述诊后健康状况没有达到所述预期恢复状况,生成第一紧急提醒指令;
第三执行单元,所述第三执行单元用于根据所述第一紧急提醒指令,提醒所述第一用户前往医院进行复诊。
进一步的,所述系统还包括:
第二构建单元,所述第二构建单元用于基于所述第一诊后护理状况、所述第一诊后理疗进度以及所述第一诊后影像采集信息,构建所述第一用户的诊后健康追踪系统图;
第九获得单元,所述第九获得单元用于根据所述诊后健康追踪系统图,获得所述第一用户在第一时间的第一健康状况,所述第一时间为出院的时间;
第十获得单元,所述第十获得单元用于获得所述第一用户的体质体能信息;
第三执行单元,所述第三执行单元用于根据所述体质体能信息和所述诊后健康追踪系统图,预设所述第一用户在第二时间的第二健康状况,所述第二时间为出院后的第一恢复疗程截止时间;
第十一获得单元,所述第十一获得单元用于获得所述第一用户在所述第二时间的实际恢复状况;
第二判断单元,所述第二判断单元用于判断所述实际恢复状况是否达到所述第二健康状况,进而判断所述诊后健康状况是否达到预期恢复状况。
进一步的,所述系统还包括:
第三执行单元,所述第三执行单元用于若所述诊后健康状况没有达到所述预期恢复状况,生成第一追踪频率更换指令;
第十二获得单元,所述第十二获得单元用于根据所述诊后健康状况追踪链,获得所述第一用户的第一诊后健康追踪频率;
第四执行单元,所述第四执行单元用于根据所述第一追踪频率更换指令,将所述第一诊后健康追踪频率更换为第二诊后健康追踪频率,其中,所述第二诊后健康追踪频率高于所述第一诊后健康追踪频率;
第五执行单元,所述第五执行单元用于根据所述第二诊后健康追踪频率,对所述第一用户进行第二恢复疗程的健康状况追踪。
进一步的,所述系统还包括:
第十三获得单元,所述第十三获得单元用于基于大数据,根据所述第一疾病特征和所述第一临床诊疗数据集,匹配获得第一专家数据集;
第三构建单元,所述第三构建单元用于根据所述诊后健康追踪系统图和所述第一专家数据集,构建所述第一疾病特征的第一专家系统;
第十四获得单元,所述第十四获得单元用于根据所述实际恢复状况和所述第二健康状况,获得实际恢复差值信息;
第十五获得单元,所述第十五获得单元用于将所述实际恢复差值信息上传至所述第一专家系统进行评估,获得第一评估结果;
第三判断单元,所述第三判断单元用于判断所述第一评估结果是否满足预设恢复状况阈值;
第六执行单元,所述第六执行单元用于若所述第一评估结果不满足所述预设恢复状况阈值,生成所述第一紧急提醒指令。
进一步的,所述系统还包括:
第十六获得单元,所述第十六获得单元用于根据所述第一用户信息集,获得第一特征数据集;
第十七获得单元,所述第十七获得单元用于对所述第一特征数据集进行中心化处理,获得第二特征数据集;
第十八获得单元,所述第十八获得单元用于获得所述第二特征数据集的第一协方差矩阵;
第十九获得单元,所述第十九获得单元用于对所述第一协方差矩阵进行运算,获得所述第一协方差矩阵的第一特征值和第一特征向量;
第二十获得单元,所述第二十获得单元用于将所述第一特征数据集投影到所述第一特征向量,获得第一降维数据集,其中所述第一降维数据集为所述第一特征数据集降维之后获得的特征数据集。
进一步的,所述系统还包括:
第七执行单元,所述第七执行单元用于将所述第一特征信息熵、所述第二特征信息熵以及所述第三特征信息熵输入数据大小比对模型进行训练,所述数据大小比对模型通过多组训练数据训练所得,所述多组训练数据中的每一组训练数据均包括:所述第一特征信息熵、所述第二特征信息熵、所述第三特征信息熵以及用来标识第一根节点特征信息的标识信息;
第二十一获得单元,所述第二十一获得单元用于获得所述数据大小比对模型的输出信息,所述输出信息包括第一根节点特征信息。
示例性电子设备
下面参考图3来描述本申请实施例的电子设备。
基于与前述实施例中一种诊后患者健康状况追踪方法相同的发明构思,本申请实施例还提供了一种诊后患者健康状况追踪系统,包括:处理器,所述处理器与存储器耦合,所述存储器用于存储程序,当所述程序被所述处理器执行时,使得系统以执行第一方面任一项所述的方法。
该电子设备300包括:处理器302、通信接口303、存储器301。可选的,电子设备300还可以包括总线架构304。其中,通信接口303、处理器302以及存储器301可以通过总线架构304相互连接;总线架构304可以是外设部件互连标总线或扩展工业标准结构总线等。所述总线架构304可以分为地址总线、数据总线、控制总线等。为便于表示,图3中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
处理器302可以是一个CPU,微处理器,ASIC,或一个或多个用于控制本申请方案程序执行的集成电路。通信接口303,使用任何收发器一类的装置,用于与其他设备或通信网络通信,如以太网,无线接入网,无线局域网,有线接入网等。存储器301可以是ROM或可存储静态信息和指令的其他类型的静态存储设备,RAM或者可存储信息和指令的其他类型的动态存储设备,也可以是电可擦可编程只读存储器、只读光盘或其他光盘存储、光碟存储、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。存储器可以是独立存在,通过总线架构304与处理器相连接。存储器也可以和处理器集成在一起。
其中,存储器301用于存储执行本申请方案的计算机执行指令,并由处理器302来控制执行。处理器302用于执行存储器301中存储的计算机执行指令,从而实现本申请上述实施例提供的一种提高消化科病房管理质量的方法。
可选的,本申请实施例中的计算机执行指令也可以称之为应用程序代码,本申请实施例对此不作具体限定。
本申请实施例解决了无法基于决策树对诊后患者健康状况进行追踪,有效保障患者生命安全、提高患者就诊满意度、减轻了医护人员的工作负担、节约了医疗资源的技术问题。实现了对患者诊后健康状况进行追踪提醒,达到了对患者诊后健康状况追踪的智能化、精准化操作,有效保障患者生命安全、提高患者就诊满意度、减轻了医护人员的工作负担、节约了医疗资源的技术效果。
本领域普通技术人员可以理解:本申请中涉及的第一、第二等各种数字编号仅为描述方便进行的区分,并不用来限制本申请实施例的范围,也不表示先后顺序。“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。“至少一个”是指一个或者多个。至少两个是指两个或者多个。“至少一个”、“任意一个”或其类似表达,是指的这些项中的任意组合,包括单项(个)或复数项(个)的任意组合。例如,a,b,或c中的至少一项(个、种),可以表示:a,b,c,a-b,a-c,b-c,或a-b-c,其中a,b,c可以是单个,也可以是多个。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线或无线方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包括一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质、光介质、或者半导体介质等。
本申请实施例中所描述的各种说明性的逻辑单元和电路可以通过通用处理器,数字信号处理器,专用集成电路(ASIC),现场可编程门阵列(FPGA)或其它可编程逻辑装置,离散门或晶体管逻辑,离散硬件部件,或上述任何组合的设计来实现或操作所描述的功能。通用处理器可以为微处理器,可选地,该通用处理器也可以为任何传统的处理器、控制器、微控制器或状态机。处理器也可以通过计算装置的组合来实现,例如数字信号处理器和微处理器,多个微处理器,一个或多个微处理器联合一个数字信号处理器核,或任何其它类似的配置来实现。
本申请实施例中所描述的方法或算法的步骤可以直接嵌入硬件、处理器执行的软件单元、或者这两者的结合。软件单元可以存储于RAM存储器、闪存、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、可移动磁盘、CD-ROM或本领域中其它任意形式的存储媒介中。示例性地,存储媒介可以与处理器连接,以使得处理器可以从存储媒介中读取信息,并可以向存储媒介存写信息。可选地,存储媒介还可以集成到处理器中。处理器和存储媒介可以设置于ASIC中,ASIC可以设置于终端中。可选地,处理器和存储媒介也可以设置于终端中的不同的部件中。这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管结合具体特征及其实施例对本申请进行了描述,显而易见的,在不脱离本申请的精神和范围的情况下,可对其进行各种修改和组合。
相应地,本说明书和附图仅仅是所附权利要求所界定的本申请的示例性说明,且视为已覆盖本申请范围内的任意和所有修改、变化、组合或等同物。显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请意图包括这些改动和变型在内。
Claims (9)
1.一种诊后患者健康状况追踪方法,其中,所述方法应用于健康状况追踪系统,所述方法还包括:
采集第一用户信息集,所述第一用户信息集具有第一疾病特征;
根据所述第一用户信息集,获得第一临床诊疗数据集;
根据所述第一临床诊疗数据集,获得所述第一用户信息集的第一诊后护理状况,作为第一追踪特征,获得所述第一用户信息集的第一诊后理疗进度,作为第二追踪特征,获得所述第一用户信息集的第一诊后影像采集信息,作为第三追踪特征;
对所述第一追踪特征进行信息论编码运算,获得第一特征信息熵,对所述第二追踪特征进行信息论编码运算,获得第二特征信息熵,对所述第三追踪特征进行信息论编码运算,获得第三特征信息熵;
将所述第一特征信息熵、所述第二特征信息熵以及所述第三特征信息熵输入数据大小比对模型进行训练,获得第一根节点特征信息;
基于所述第一根节点特征信息和所述第一临床诊疗数据集的递归算法,构建所述第一用户信息集的健康状况分类追踪决策树。
根据所述第一用户信息集,获得第一用户临床诊疗数据;
将所述第一用户临床诊疗数据输入所述健康状况分类追踪决策树,获得第一用户的诊后健康状况追踪链,并对所述第一用户进行健康状况的追踪。
2.如权利要求1所述的方法,其中,所述方法还包括:
根据所述诊后健康状况追踪链,获得所述第一用户的第一护理状况、第一理疗进度以及第一影像采集信息;
根据所述健康状况分类追踪决策树,设定所述第一追踪特征的第一权重占比、所述第二追踪特征的第二权重占比以及所述第三追踪特征的第三权重占比;
分别对所述第一护理状况和所述第一权重占比、所述第一理疗进度和所述第二权重占比以及所述第一影像采集信息和所述第三权重占比进行加权运算,获得所述第一用户的诊后健康状况;
判断所述诊后健康状况是否达到预期恢复状况;
若所述诊后健康状况没有达到所述预期恢复状况,生成第一紧急提醒指令;
根据所述第一紧急提醒指令,提醒所述第一用户前往医院进行复诊。
3.如权利要求2所述的方法,其中,所述方法还包括:
基于所述第一诊后护理状况、所述第一诊后理疗进度以及所述第一诊后影像采集信息,构建所述第一用户的诊后健康追踪系统图;
根据所述诊后健康追踪系统图,获得所述第一用户在第一时间的第一健康状况,所述第一时间为出院的时间;
获得所述第一用户的体质体能信息;
根据所述体质体能信息和所述诊后健康追踪系统图,预设所述第一用户在第二时间的第二健康状况,所述第二时间为出院后的第一恢复疗程截止时间;
获得所述第一用户在所述第二时间的实际恢复状况;
判断所述实际恢复状况是否达到所述第二健康状况,进而判断所述诊后健康状况是否达到预期恢复状况。
4.如权利要求3所述的方法,其中,所述方法还包括:
若所述诊后健康状况没有达到所述预期恢复状况,生成第一追踪频率更换指令;
根据所述诊后健康状况追踪链,获得所述第一用户的第一诊后健康追踪频率;
根据所述第一追踪频率更换指令,将所述第一诊后健康追踪频率更换为第二诊后健康追踪频率,其中,所述第二诊后健康追踪频率高于所述第一诊后健康追踪频率;
根据所述第二诊后健康追踪频率,对所述第一用户进行第二恢复疗程的健康状况追踪。
5.如权利要求3所述的方法,其中,所述根据所述第一紧急提醒指令,提醒所述第一用户前往医院进行复诊之前,还包括:
基于大数据,根据所述第一疾病特征和所述第一临床诊疗数据集,匹配获得第一专家数据集;
根据所述诊后健康追踪系统图和所述第一专家数据集,构建所述第一疾病特征的第一专家系统;
根据所述实际恢复状况和所述第二健康状况,获得实际恢复差值信息;
将所述实际恢复差值信息上传至所述第一专家系统进行评估,获得第一评估结果;
判断所述第一评估结果是否满足预设恢复状况阈值;
若所述第一评估结果不满足所述预设恢复状况阈值,生成所述第一紧急提醒指令。
6.如权利要求1所述的方法,其中,所述采集第一用户信息集,还包括:
根据所述第一用户信息集,获得第一特征数据集;
对所述第一特征数据集进行中心化处理,获得第二特征数据集;
获得所述第二特征数据集的第一协方差矩阵;
对所述第一协方差矩阵进行运算,获得所述第一协方差矩阵的第一特征值和第一特征向量;
将所述第一特征数据集投影到所述第一特征向量,获得第一降维数据集,其中所述第一降维数据集为所述第一特征数据集降维之后获得的特征数据集。
7.如权利要求1所述的方法,其中,所述获得第一根节点特征信息,还包括:
将所述第一特征信息熵、所述第二特征信息熵以及所述第三特征信息熵输入数据大小比对模型进行训练,所述数据大小比对模型通过多组训练数据训练所得,所述多组训练数据中的每一组训练数据均包括:所述第一特征信息熵、所述第二特征信息熵、所述第三特征信息熵以及用来标识第一根节点特征信息的标识信息;
获得所述数据大小比对模型的输出信息,所述输出信息包括第一根节点特征信息。
8.一种诊后患者健康状况追踪系统,应用于权利要求1-7任一所述方法,其中,所述系统包括:
第一采集单元,所述第一采集单元采集第一用户信息集,所述第一用户信息集具有第一疾病特征;
第一获得单元,所述第一获得单元用于根据所述第一用户信息集,获得第一临床诊疗数据集;
第二获得单元,所述第二获得单元用于根据所述第一临床诊疗数据集,获得所述第一用户信息集的第一诊后护理状况,作为第一追踪特征,获得所述第一用户信息集的第一诊后理疗进度,作为第二追踪特征,获得所述第一用户信息集的第一诊后影像采集信息,作为第三追踪特征;
第三获得单元,所述第三获得单元用于对所述第一追踪特征进行信息论编码运算,获得第一特征信息熵,对所述第二追踪特征进行信息论编码运算,获得第二特征信息熵,对所述第三追踪特征进行信息论编码运算,获得第三特征信息熵;
第四获得单元,所述第四获得单元用于将所述第一特征信息熵、所述第二特征信息熵以及所述第三特征信息熵输入数据大小比对模型进行训练,获得第一根节点特征信息;
第一构建单元,所述第一构建单元用于基于所述第一根节点特征信息和所述第一临床诊疗数据集的递归算法,构建所述第一用户信息集的健康状况分类追踪决策树。
第五获得单元,所述第五获得单元用于根据所述第一用户信息集,获得第一用户临床诊疗数据;
第六获得单元,所述第六获得单元用于将所述第一用户临床诊疗数据输入所述健康状况分类追踪决策树,获得第一用户的诊后健康状况追踪链,并对所述第一用户进行健康状况的追踪。
9.一种诊后患者健康状况追踪系统,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其中,所述处理器执行所述程序时实现权利要求1-7任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111541609.6A CN114203301A (zh) | 2021-12-16 | 2021-12-16 | 一种诊后患者健康状况追踪方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111541609.6A CN114203301A (zh) | 2021-12-16 | 2021-12-16 | 一种诊后患者健康状况追踪方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114203301A true CN114203301A (zh) | 2022-03-18 |
Family
ID=80654467
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111541609.6A Pending CN114203301A (zh) | 2021-12-16 | 2021-12-16 | 一种诊后患者健康状况追踪方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114203301A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116343989A (zh) * | 2023-03-09 | 2023-06-27 | 北京体育大学 | 一种基于远程监测的数字化训练调控方法及系统 |
-
2021
- 2021-12-16 CN CN202111541609.6A patent/CN114203301A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116343989A (zh) * | 2023-03-09 | 2023-06-27 | 北京体育大学 | 一种基于远程监测的数字化训练调控方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11488694B2 (en) | Method and system for predicting patient outcomes using multi-modal input with missing data modalities | |
US10912508B2 (en) | Method and system for assessing mental state | |
CN109447183B (zh) | 预测模型训练方法、装置、设备以及介质 | |
CN110444263B (zh) | 基于联邦学习的疾病数据处理方法、装置、设备及介质 | |
KR101880678B1 (ko) | 기계학습을 통한 의료영상 판독 및 진단 통합 시스템 | |
US9754081B2 (en) | Context-aware prediction in medical systems | |
Shoily et al. | Detection of stroke disease using machine learning algorithms | |
CN109493979A (zh) | 一种基于智能决策的疾病预测方法和装置 | |
CN112117011A (zh) | 基于人工智能的传染病早期风险预警方法、装置 | |
US11529105B2 (en) | Digital twin updating | |
CN111612278A (zh) | 生命状态预测方法、装置、电子设备及存储介质 | |
JP2020036633A (ja) | 異常判別プログラム、異常判別方法および異常判別装置 | |
EP3281132A1 (en) | System for laboratory values automated analysis and risk notification in intensive care unit | |
CN117497149A (zh) | 一种基于人工智能的医院管理方法及系统 | |
US20220284581A1 (en) | Systems and methods for evaluating the brain after onset of a stroke using computed tomography angiography | |
CN114203301A (zh) | 一种诊后患者健康状况追踪方法及系统 | |
CN114926396A (zh) | 一种精神障碍类磁共振图像初步筛查模型构建方法 | |
CN115438040A (zh) | 一种病理档案信息管理方法及系统 | |
US11961204B2 (en) | State visualization device, state visualization method, and state visualization program | |
Mortensen et al. | Multi-class stress detection through heart rate variability: A deep neural network based study | |
CN107194918B (zh) | 数据分析方法及装置 | |
CN112732690B (zh) | 一种用于慢病检测及风险评估的稳定系统及方法 | |
CN112768090A (zh) | 一种用于慢病检测及风险评估的过滤系统及方法 | |
Oliveira et al. | Towards an intelligent systems to predict nosocomial infections in intensive care | |
Rahman et al. | Federated Competing Risk Analysis |
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 |