CN114334179A - 一种数字化医疗管理方法和系统 - Google Patents
一种数字化医疗管理方法和系统 Download PDFInfo
- Publication number
- CN114334179A CN114334179A CN202111360388.2A CN202111360388A CN114334179A CN 114334179 A CN114334179 A CN 114334179A CN 202111360388 A CN202111360388 A CN 202111360388A CN 114334179 A CN114334179 A CN 114334179A
- Authority
- CN
- China
- Prior art keywords
- intervention
- patient
- information
- description information
- graph
- 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
Landscapes
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明涉及一种数字化医疗管理方法和系统,所述系统包括:移动终端和服务器;所述移动终端用于使得患者提交描述信息,并接收服务器发送的干预建议;所述服务器用于基于知识图谱信息和患者提交的描述信息给出干预建议。本发明基于知识图谱、大数据分析及人工智能等数字化新技术,根据大数据资源智能生成干预方案,解决MetS等身体问题的防治和健康管理的难题。
Description
【技术领域】
本发明属于数字化医疗领域,尤其涉及一种数字化医疗管理方法和系统。
【背景技术】
长期以来我国各个相关部门坚持不懈努力,致力于解决医疗体系存在的效率低下问题,满足患者更多的就医需求,提升患者就医体验。在这些方面,数字化医疗可助一臂之力。近年来,出台了许多支持数字化医疗发展的政策文件,目的就是要着重营造大数据、互联网+、人工智能三大生态,推进数字卫健高质量发展,加快卫生健康数字化转型。
随着我国医疗体制改革的不断深入,患者就医体验有所改进,但患者仍面临医院可选择性不高,就医不便利,复诊不方便等问题。而互联网医院、远程医疗、在线复诊等新型疾病诊疗和管理模式的出现,进一步扩展了医疗服务的范围,使患者就医更加方便,患者遵嘱复诊率提高,提高了对患者疾病的诊治和管理能力。
伴随着我国人口结构的转变、老年慢性病占比增大。慢性病一旦发病即久病不愈,主要包括冠心病、慢性肾功能衰竭、肝硬化、消化性溃疡、糖尿病和类风湿性关节炎等疾病。慢病的最大特点是患病时间长,患者往往需要持续照护、长期服药、高频复检,且患者的主动参与程度、自我管理能力及依从性将会极大地影响疾病发展。由于存在巨大的市场需求,慢病管理行业未来很长一段时间内将处于快速发展阶段,市场规模有望持续攀升,慢病管理行业在我国发展前景广阔。为了满足中国3亿慢性病患者群体对于诊疗及护理智能化、网络化、数字信息化的需求,提高医疗资源的使用效率,以人工智能、大数据、知识图谱为核心的数字技术,将成为推动医疗健康升级的“数字引擎”。数字技术的兴起、成熟,作为解决慢病管理难题的新兴手段——互联网慢病管理业务应运而生。契合时代发展,依靠互联网技术的“健康管理”的新一轮产业布局逐步展开,社会多方力量加速推进,试图以数字化重塑慢病管理生态,让慢病管理更可及、更便捷。
各种类型的身体问题,例如:代谢综合征等常见的慢性病,采用治疗、生活方式等干预是保持、治疗、改善身体各项文的最基础的、贯穿始终的措施,通过建立健康的生活方式可以减缓、阻断、甚至逆转MetS的发生发展。
现有技术中,医护人员可在线上查看患者的一般人口学信息、身体测量指标、问卷信息、临床检验指标,并对患者进行干预建议。但现有平台无法实现智能随访,耗费的人力资源较多,没有对知识图谱等数据资源做充分的利用。由于知识图谱源自于各种类型的文献,实体的类型以及实体之间的关系非常的复杂,实体之间的关系的强弱也往往不可量化,或者因人而异,那么如何运用可能存在于知识图谱中的知识及其潜在的关联性,并使得该知识的运用符合当前个体的实际情况,是实现数字化医疗管理的重要环节;
基于知识图谱、大数据分析及人工智能等数字化新技术,可用于解决MetS等身体问题防治和健康管理的难题。本发明引入人工智能技术辅助管理,根据大数据资源智能生成干预方案;其有益效果主要为:(1)构建符合医疗体系的有向知识图谱,基于该有向知识图谱作各类型知识的融合,对知识进行归纳、推理和演绎的计算,形成有向知识图谱图;(2)基于描述信息迭代的双向互动方式,给出基于知识图谱的用户精细画像,有助于发现患者所未知的个人信息以及可能已经出现的症状等信息,从而给出精细的患者干预信息;(3)从子图以及最大子图的角度出发,通过干预信息融合的方式从整体上来有机的考虑每个患者,从而为患者带来整体有益的信息;(4)引入人工智能手段,将基于疾病的人工智能模型转变成基于干预元素的人工智能模型,大大降低了模型的复杂度,提高了有效性。
【发明内容】
为了解决现有技术中的上述问题,本发明提出了一种数字化医疗管理方法和系统,所述系统包含:
移动终端和服务器;
所述移动终端用于使得患者提交描述信息,并接收服务器发送的干预建议;
所述服务器用于基于知识图谱信息和患者提交的描述信息给出干预建议。
进一步的,所述描述信息包括:患者历史信息、调查问卷信息、患者实时测量数据。
进一步的,所述移动终端为多个,包括第一移动终端和第二移动终端。
进一步的,所述第一移动终端和第二移动终端由相同或不同患者使用。
进一步的,所述服务器包括知识图谱模块和干预模块;
所述知识图谱模块智能抓取和理解临床的文献中包含的关键知识,并对于知识进行归纳、推理和演绎的计算,形成知识图谱数据;
干预模块用于基于知识图谱信息和患者提交的描述信息给出干预建议。
一种基于上述数字化医疗管理系统的数字化医疗管理方法,包括:
步骤S1:发送描述信息获取请求;
步骤S2:移动终端返回描述信息;
步骤S3:根据描述信息和/或补充描述信息给出干预建议;
步骤S4:在评估节点做干预效果评估。
一种处理器,所述处理器用于运行程序,其中,所述程序运行时执行所述的数字化医疗管理方法。
一种执行设备,包括处理器,所述处理器和存储器耦合,所述存储器存储有程序指令,当所述存储器存储的程序指令被所述处理器执行时实现所述的数字化医疗管理方法。
一种计算机可读存储介质,包括程序,当其在计算机上运行时,使得计算机执行所述的数字化医疗管理方法。
一种电路系统,其特征在于,所述电路系统包括处理电路,所述处理电路配置为执行所述的数字化医疗管理方法。
本发明的有益效果主要为:(1)构建符合医疗体系的有向知识图谱,基于该有向知识图谱作各类型知识的融合,对知识进行归纳、推理和演绎的计算,形成有向知识图谱图;
(2)基于描述信息迭代的双向互动方式,给出基于知识图谱的用户精细画像,有助于发现患者所未知的个人信息以及可能已经出现的症状等信息,从而给出精细的患者干预信息;
(3)从子图以及最大子图的角度出发,通过干预信息融合的方式从整体上来有机的考虑每个患者,从而为患者带来整体有益的信息;(4)引入人工智能手段,将基于疾病的人工智能模型转变成基于干预元素的人工智能模型,大大降低了模型的复杂度,提高了有效性。
【附图说明】
此处所说明的附图是用来提供对本发明的进一步理解,构成本申请的一部分,但并不构成对本发明的不当限定,在附图中:
图1为本发明的代谢综合征疾病组成成分和干预信息对应关系示意图;
图2为本发明的数字化医疗管理方法评估方式示意图;
图3为本发明的数字化医疗管理方法示意图。
【具体实施方式】
下面将结合附图以及具体实施例来详细说明本发明,其中的示意性实施例以及说明仅用来解释本发明,但并不作为对本发明的限定。
联网+与各个领域的跨学科融合是科技发展的重要方向,和健康领域的结合更是重点研究方向。建立基于互联网+的代谢综合征数字化干预模式,并进一步推广,有利于推进科技创新数字化改革应用场景研究。采用数字化方式进行实时干预的代谢综合征等病症,也是危害我国居民健康的重要疾病;
第一方面,本发明所提供的一种数字化医疗管理系统;所述系统包括移动终端和服务器;
优选的:所述服务器为云服务器;
优选的:所述云服务器构建于云平台之上,云服务器所依托的知识图谱平台的核心服务层提供的服务包括基础设施即服务(IaaS,infrastructure as aservice)、平台即服务(PaaS,platform as a service)、软件即服务(SaaS,software as a service)。其中IaaS提供实体或虚拟的计算、存储和网络服务,PaaS提供应用程序部署与管理服务,SaaS提供应用程序。移动终端所属企业可以租用进行信息交换处理。
所述移动终端用于使得患者提交描述信息,并接收服务器发送的干预建议;
所述描述信息包括:患者历史信息、调查问卷信息、患者实时测量数据;
所述服务器包括知识图谱模块和干预模块;
所述干预模块用于基于知识图谱模块和患者提交的描述信息给出干预信息;所述干预信息用于对患者进行健康管理;干预信息包括药物干预、生活习惯干预等;
所述知识图谱模块智能抓取和理解临床的文献中包含的关键知识,并对于知识进行归纳、推理和演绎的计算,形成知识图谱数据;优选的:所述文献为指南,教科书,学习文献、案例库等;
所述知识图谱结构为有向图结构,所述有向图结构包括实体和连接实体之间的边;边描述了实体之间的关系,每个边有其关联的触发条件,当触发条件满足时对应的边成立;其中:一个触发条件包括一个或多个子条件;
由于知识图谱源自于各种类型的文献,实体的类型以及实体之间的关系非常的复杂,实体之间的关系的强弱也往往不可量化,或者因人而异,那么如何运用可能存在于知识图谱中的知识及其潜在的关联性,并使得该知识的运用符合当前个体的实际情况,是实现数字化医疗管理的重要环节;
实体具备实体标识和实体属性;实体属性可用于确定是否实体适配,当患者满足相应实体属性的要求时,确定患者实体适配,进行干预时需要考虑该项实体特点进行干预;也就是说,当实体是疾病时,属性相当于疾病适配条件;实体中还包含和实体对应的诊疗手段和/或干预信息;
优选的:实体为疾病、疾病的组成成分、疾病诱因、疾病及其程度、症状、症状的类型等;例如:高血压、糖尿病前期、糖尿病、超重或肥胖、头疼、乏力、轻度高血压、中度高血压、重度高血压等;
所述边为有向边,有向边设置有触发条件,描述从起始实体到目的实体的触发条件;当起始实体适配,触发条件被触发且目的实体属性适配,则目的实体适配;
所述干预模块用于接收患者的描述信息,解析所述描述信息并作知识图谱匹配以得到和所述描述信息对应的患者子图;基于患者子图和知识图谱确定是否需要补充描述信息,如果是,则向移动终端发送补充请求,并接收响应于所述补充请求的补充描述信息;如果否,则基于所述患者子图确定干预信息;类似的,干预模块解析所述补充描述信息,并在知识图谱匹配的基础上,在患者子图的基础上补充适配实体及其关联边;采用类似的方法,重新基于患者子图和知识图谱确定是否需要补充描述信息,直到无需补充描述信息为止;这里通过知识图谱发现和用户反馈双相融合迭代来使用知识图谱,在融合的过程中能够发现患者所未知的个人信息以及可能已经出现的症状等信息,而这样的发现是基于用户描述信息肯定的,为知识图谱的利用带来明确方向;
干预模块还用于基于干预信息得到干预建议;例如:通过将干预信息填写在干预建议模板中形成干预建议;
优选的:将补充描述信息通过添加的方式追加在描述信息中;
优选的:在患者子图的基础上,通过潜在关联实体和潜在关联边的确认,补充适配实体及其关联边,从而扩大患者子图的结构;
所述解析所述描述信息并作知识图谱匹配以得到和所述描述信息对应患者子图,具体为:根据实体标识定位描述信息中涉及的实体,并判断实体是否适配;将所述适配实体放入患者子图中;对于两个适配实体,判断是否有满足两者之间触发条件的描述信息,如果是,则将对应该触发条件的边也放入患者子图中;此时,患者子图是一个基于知识图谱的个性化子图;对于同一个实体来说可能存在来自多个起始实体的有向边;但由于子图是基于描述信息的,描述信息是很局限的信息,而且很多情况下描述信息的来源都是基于问卷调查的,那么针对一次提示来说,基于一次的描述信息显然不能提供完整信息,患者往往不知道自己哪些信息是必要的那些信息是无用的,而问卷调查能获取用户描述信息的方式也是非常固定的,那么在现有技术这种双向固定的模式下,也就不能给出精细指导,本发明通过描述信息迭代的双向互动方式,给出基于知识图谱的用户精细画像,从而给出精细的患者指导;在经过解析后得到的患者子图可能是一个或者多个,那么多个患者子图之间是独立而不存在连接边;
优选的:同一个触发条件可设置在一个或多个边中;例如:连续失眠这个触发条件可能使得多个实体之间产生关联,并成为边的触发条件中的一个子条件;
干预模块解析所述补充描述信息,并在知识图谱匹配的基础上,在患者子图的基础上补充适配实体及其关联边,这个过程实际上是融合的过程,初始的患者子图可能为多个独立的部分,但是很有可能会随着补充的过程而不断增加或者融合,多个独立的部分成为一个部分;针对补充描述信息的做法和描述信息的处理方法类似;因为人作为有机体其表向因素往往是在各种因素作用下所激发的,也就是说这些表项可能存在共同的内因;
基于患者子图和知识图谱确定是否需要补充描述信息,具体为:将患者子图中的每个实体作为待处理实体,确定待处理实体在补充步长范围内是否有潜在关联实体;对患者子图中的每对实体,判断该对实体之间是否存在潜在关联边,如果有一项是,则针对所述潜在关联实体和潜在关联边创建补充文件,并发送包含所述补充文件的补充请求给移动终端;如果均否,则确定不需要补充描述信息;例如:所创建的补充文件为关于针对潜在关联实体和潜在关联边创建的问卷调查表,从而有针对性的做信息的补充;
优选的:所述补充步长为1;也就说仅探索向外一圈的子图相关实体;
所述确定待处理实体在补充步长范围内是否有潜在关联实体,具体为:当在知识图谱结构中,和待处理实体之间最短路径长度小于补充步长的实体和该待处理实体之间存在强关联关系,且描述信息中存在满足两者之间边的相关触发条件的信息时,则该实体为潜在关联实体;
所述判断该对实体之间是否存在潜在关联边,具体为:若该对实体之间在知识图谱结构中存在边,而该边未包含于患者子图中时,将该对实体之间的边确定为潜在关联边;
优选的:强关联关系为两个实体之间存在紧密的关联关系;例如:焦虑和失眠往往是存在紧密的关联关系;
可替换的:强关联关系为两个实体在患者局部知识范围内存在紧密的关联关系;具体的:在患者描述信息中确定实体和/或实体属性共同出现的次数,当两者共现次数或共现比例超过预设值时,确定两者之间存在紧密的关联关系;当然可以采用上述两种方式结合的方式来确定,通过加权的方式来确定两者不同的重要性;
所述判断该对实体之间是否存在潜在关联边,具体为:当该对实体之间存在强关联信息时,确定该对实体之间存在潜在关联边;
所述基于所述患者子图确定干预信息,具体为:寻找和患者子图相似度最高的相似患者子图,获取所述相似患者子图的干预信息作为所确定的干预信息;当患者子图为多个时,相似患者子图为多个患者子图均相似度最高或者综合相似度最高;其中:所述综合相似度为根据每个子图的相似度加权求和得到;权重值和子图中实体个数正相关;其中:相似患者子图具有评估结果较好的对应干预信息;
当患者子图为多个独立的部分时,分别获取不同部分对应的子干预信息,并做这些子干预信息的融合;具体的:分别针对每个患者子图获取最相似的模板患者子图对应的干预信息作为子干预信息;然后通过融合所有子干预信息以得到患者子图对应的干预信息;此时需要预先存储和模板患者子图对应的干预信息;当然可以充分利用大数据信息,来获取预先存储的对应关系信息;一种较好的情况是,每个患者子图都和一种或者集中相互关联的疾病组成成分相关,那么可以建立子图和这些疾病组成成分之间的对应关系;如附图2所示,可以很容易的建立疾病组成成分和干预信息之间的关联关系,可以通过进一步的交叉、细化和综合来建立更多这样的关系;
优选的:基于神经网络模型来融合所有子干预信息以得到患者子图对应的干预信息;将所有的子干预信息做拆分以得到干预元素,将干预元素用干预手段量化后做归一化,并将归一化后的干预元素作为神经网络模型中的一个输入,对所有干预元素都可以采用这样的手段处理,那么如果所有的子干预信息中涉及N个干预元素,神经网络模型就有N个输入;每个模型输入对应一个干预元素;同样的输出为N元输出对应N个干预元素;
例如:干预手段是慢走半小时,那么可能多个子干预信息中都包含慢走这个干预元素,叠加所有子干预手段后健走对应的干预量化值是2小时,干预手段量化值为健走2小时,进行归一化后为健走,2/24;
上述神经网络模型的训练样本是经过专家修改前的干预信息以及专家修改后的干预信息;辅助采用结果来做样本的区分;当评估结果好时作为正样本,反之作为负样本;这样就将一个复杂的疾病预测变成了简单的干预手段预测问题,使得神经网络模型复杂度大大降低,并行之有效;通过这样的方式患者在家里也能够得到专家级的干预建议;
优选的:将患者个人信息作为神经网络模型的权重输入;例如:患者年龄、性别等;
可替换的,所述基于所述患者子图确定干预信息,具体为:获取存在对应子干预信息的患者子图的最大子图;获取所述最大子图对应的子干预信息;对患者子图的其余子图部分继续获取存在对应子干预信息的最大子图及其对应的子干预信息,直到患者子图中所有部分均处理完毕为止;融合所有子干预信息以得到患者子图对应的干预信息;其中:所述其余子图为患者子图中除了最大子图之外的部分;当患者子图为多个时,也就是说这多个子图之间不存在连接关系,依次对每个患者子图执行上述步骤以分别得到其规定的干预信息,并对干预信息做融合;能够有对应子干预信息的最大子图是一个能够做出有效干预的最大子图,可以综合最多的建议因素;这就是因为,现有技术中往往是头痛医头脚痛医脚,可是人作为一个有机体其各项表向之间是存在关联性的,单独的考虑每一项患者信息往往不能带来很好的指导作用,如果能够将多项指症同时考虑,将会得到更符合整体情况的干预信息;更何况这些存在相互关系的实体之间本来就是存在相互作用的,本发明从子图以及最大子图的角度出发,通过干预信息融合的方式从整体上来有机的考虑每个患者,从而为患者带来整体有益的信息;
优选的:当患者子图为多个时,融合所述多个干预信息以得到整体干预信息;
所述融合所有子干预信息以得到患者子图对应的干预信息;具体为:将不存在矛盾的干预信息进行叠加,而将存在矛盾的干预信息作去矛盾;例如:保留较大子图对应的干预信息而删除较小子图对应的干预信息;
所述服务器中还包括图谱路径模块,所述图谱路径模块用于保存患者子图,并记录患者子图随时间的变化情况以评估干预信息的效果,从而对干预信息做调整,使得干预信息更符合患者个体差异性质和动态变化性质;
优选的:所述患者历史信息包括过去24小时饮食和运动情况;
第二方面,如附图2所示,本发明所提供的一种数字化医疗管理方法;所述方法包括如下步骤:
步骤S1:服务器向移动终端发送描述信息获取请求;
优选的:所述服务器还用于定期的由营养师、运动师、基于知识图谱的人工智能推送健康宣教知识、推荐食谱推送、身体测量提醒等;
步骤S2:移动终端返回描述信息;具体的:移动终端根据描述信息获取请求中的指示进行测量和回答,并将描述信息发送给服务器;
优选的:所述描述信息包括患者上报的饮食运动情况、身体测量数据等;
步骤S3:服务器根据描述信息和/或补充描述信息给出干预建议;
优选的:在数字化医疗管理系统给出的干预信息的基础上,由多学科团队医生对干预信息进行审核以形成干预建议;具体而言,内分泌科用于评估肥胖程度、分析体重增加的原因、阶段性设定减重目标、诊断相关疾病,必要时给予药物处方,随访时调整药物干预方案;
营养科用于细化饮食种类,教会健康饮食选择(餐盘划分法、膳食宝塔),培训食物重量的概念(拳头测量法、食品交换份、计量单位换算法等),给予健康食谱推荐,后续根据减重情况调整营养处方;运动医学科用于评估心肺耐力情况,并给予个性化运动处方,如制定运动目标、强度、种类、频率和时间;心理科用于根据心理量表评估心理状态,并进行相应心理疏导,必要时药物或其他治疗,在减重过程中观察患者心理状态改变情况,出现问题及时干预;呼吸睡眠科用于评估患者是否存在呼吸睡眠问题,如睡眠呼吸暂停低通气综合征、失眠、睡眠缺乏等情况,并给予相应建议,必要时行为治疗或辅助呼吸机治疗。
步骤S4:服务器在评估节点做干预效果评估;如附图3所示,所述评估节点为1个月、2个月、3个月、6个月;
优选的:采用效果评估方式,结局指标为BMI,以两组BMI的平均改变量作为评价干预管理效果的主要指标。
优选的:采用评价指标成本-效果比,即单位效果花费的成本计算不同方案所产生经济效果的相对比值,C/E越小干预方案的卫生经济学效率越高;当费用增加效果也增加时,计算增量成本效果比(incremental cost-effectiveness ratio,ICER),ICER=(C2-C1)/(E2-E1)=ΔC/ΔE,即不干预方案下成本差值与效果差值之间的比值,比值越低,表示与对照组相比,每增加1个单位疗效所追加的成本越低;
步骤S5:基于评估结果调整干预信息;具体的:通过调整模板患者子图对应的干预信息的方式来调整干预信息;
可替换的:通过人工参与的方式调整干预信息;
术语“数据处理装置”、“数据处理系统”、“用户设备”或“计算设备”包涵用于处理数据的所有种类的装置、设备和机器,举例包括可编程处理器、计算机、片上系统、或者上述中的多个或其组合。所述装置能够包括专用逻辑电路,例如FPGA(现场可编程门阵列)或ASIC(专用集成电路)。除了硬件,所述装置还可以包括代码,创建用于所述计算机程序的执行环境,例如,构成处理器固件、协议栈、数据库管理系统、操作系统、跨平台运行环境、虚拟机或上述一个或多个的组合的代码。该装置和执行环境可以实现各种不同计算模型基础设施,诸如web服务、分布式计算、和网格计算基础设施。
计算机程序(也被称为程序、软件、软件应用、脚本或代码)能够以编程语言的任何形式来撰写,包括汇编或解释语言、说明或过程性语言,且其可以以任何形式部署,包括作为单机程序或者作为模块、组件、子例程、对象或适于在计算环境中使用的其他单元。计算机程序可以但不必与文件系统中的文件相对应。程序能够存储在保持其他程序或数据(例如存储在标记语言文档中的一个或多个脚本)的文件的一部分中,在专用于所述程序的单个文件中,或者在多个协同文件中(例如,存储一个或多个模块、子例程或代码部分的文件)。计算机程序可以部署为在一个计算机上或位于一个站点或跨多个站点分布且由通信网络互连的多个计算机上执行。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生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装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置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。
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。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。
Claims (10)
1.一种数字化医疗管理系统,其特征在于,所述系统包含:
移动终端和服务器;
所述移动终端用于使得患者提交描述信息,并接收服务器发送的干预建议;
所述服务器用于基于知识图谱信息和患者提交的描述信息给出干预建议。
2.根据权利要求1所述的数字化医疗管理系统,其特征在于,所述描述信息包括:患者历史信息、调查问卷信息、患者实时测量数据。
3.根据权利要求2所述的数字化医疗管理系统,其特征在于,所述移动终端为多个,包括第一移动终端和第二移动终端。
4.根据权利要求3所述的数字化医疗管理系统,其特征在于,所述第一移动终端和第二移动终端由相同或不同患者使用。
5.根据权利要求4所述的数字化医疗管理系统,其特征在于,所述服务器包括知识图谱模块和干预模块;
所述知识图谱模块智能抓取和理解临床的文献中包含的关键知识,并对于知识进行归纳、推理和演绎的计算,形成知识图谱数据;
干预模块用于基于知识图谱信息和患者提交的描述信息给出干预建议。
6.一种基于上述权利要求1-5中任一项所述数字化医疗管理系统的数字化医疗管理方法,其特征在于,包括:
步骤S1:发送描述信息获取请求;
步骤S2:移动终端返回描述信息;
步骤S3:根据描述信息和/或补充描述信息给出干预建议;
步骤S4:在评估节点做干预效果评估。
7.一种处理器,其特征在于,所述处理器用于运行程序,其中,所述程序运行时执行权利要求6所述的数字化医疗管理方法。
8.一种执行设备,其特征在于,包括处理器,所述处理器和存储器耦合,所述存储器存储有程序指令,当所述存储器存储的程序指令被所述处理器执行时实现权利要求6所述的数字化医疗管理方法。
9.一种计算机可读存储介质,其特征在于,包括程序,当其在计算机上运行时,使得计算机执行如权利要求6所述的数字化医疗管理方法。
10.一种电路系统,其特征在于,所述电路系统包括处理电路,所述处理电路配置为执行如权利要求6所述的数字化医疗管理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111360388.2A CN114334179A (zh) | 2021-11-17 | 2021-11-17 | 一种数字化医疗管理方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111360388.2A CN114334179A (zh) | 2021-11-17 | 2021-11-17 | 一种数字化医疗管理方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114334179A true CN114334179A (zh) | 2022-04-12 |
Family
ID=81047523
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111360388.2A Pending CN114334179A (zh) | 2021-11-17 | 2021-11-17 | 一种数字化医疗管理方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114334179A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115762812A (zh) * | 2022-11-27 | 2023-03-07 | 北京健康在线技术开发有限公司 | 一种卒中患者的数字诊疗方法、系统、设备及介质 |
CN115858876A (zh) * | 2023-02-21 | 2023-03-28 | 杭州华卓信息科技有限公司 | 一种基于疾病知识图谱的随访内容智能推送方法及系统 |
-
2021
- 2021-11-17 CN CN202111360388.2A patent/CN114334179A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115762812A (zh) * | 2022-11-27 | 2023-03-07 | 北京健康在线技术开发有限公司 | 一种卒中患者的数字诊疗方法、系统、设备及介质 |
CN115762812B (zh) * | 2022-11-27 | 2023-06-23 | 北京健康在线技术开发有限公司 | 一种卒中患者的数字诊疗方法、系统、设备及介质 |
CN115858876A (zh) * | 2023-02-21 | 2023-03-28 | 杭州华卓信息科技有限公司 | 一种基于疾病知识图谱的随访内容智能推送方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Coronato et al. | Reinforcement learning for intelligent healthcare applications: A survey | |
Yu et al. | Reinforcement learning in healthcare: A survey | |
Gutierrez | Artificial intelligence in the intensive care unit | |
US11468998B2 (en) | Methods and systems for software clinical guidance | |
Zhang et al. | HKGB: an inclusive, extensible, intelligent, semi-auto-constructed knowledge graph framework for healthcare with clinicians’ expertise incorporated | |
CN114334179A (zh) | 一种数字化医疗管理方法和系统 | |
Klainin et al. | A meta-analysis of self-care behavior research on elders in Thailand: an update | |
Passos et al. | Precision psychiatry: the future is now | |
Fatima et al. | Socially interactive CDSS for u-life care | |
CN113658662A (zh) | 基于用药大数据的配药方法、装置、设备及存储介质 | |
Mouchabac et al. | Prevention of suicidal relapses in adolescents with a smartphone application: Bayesian network analysis of a preclinical trial using in silico patient simulations | |
Li et al. | Agent hospital: A simulacrum of hospital with evolvable medical agents | |
Neves et al. | Heath-PRIOR: an intelligent ensemble architecture to identify risk cases in healthcare | |
Jovic et al. | Heart failure ontology. | |
Ayadi et al. | Effective healthcare service recommendation with network representation learning: A recursive neural network approach | |
Clancy | Technology solutions for nurse leaders | |
Nisheva-Pavlova et al. | Ontology-based decision support system for dietary recommendations for type 2 diabetes mellitus | |
Akbari | A Holonic Multi-Agent System for the Support of the Differential Diagnosis Process in Medicine | |
Ji et al. | Support to self-diagnosis with awareness | |
Kumar et al. | Fuzzy logic applications in healthcare: A review-based study | |
Saripalle et al. | HOD2MLC: hybrid ontology design and development model with lifecycle | |
Amato et al. | Supporting hypothesis generation by machine learning in smart health | |
Tokatlı et al. | Digital health navigator: Preliminary work on a personal health assistant software for all health literacy level users in turkey | |
Rath et al. | Review of fog and edge computing–based smart health care system using deep learning approaches | |
Kumar et al. | A Smart Recommendation System for Medicine using Intelligent NLP Techniques |
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 |