CN114429817A - 一种老年人健康风险预测方法、系统及电子设备 - Google Patents
一种老年人健康风险预测方法、系统及电子设备 Download PDFInfo
- Publication number
- CN114429817A CN114429817A CN202111671510.8A CN202111671510A CN114429817A CN 114429817 A CN114429817 A CN 114429817A CN 202111671510 A CN202111671510 A CN 202111671510A CN 114429817 A CN114429817 A CN 114429817A
- Authority
- CN
- China
- Prior art keywords
- health risk
- evaluation
- user
- data
- assessment
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明提供了一种老年人健康风险预测方法、系统及电子设备,涉及健康风险预测技术领域,该方法可利用健康风险评估决策模型随机生成各类评估方案,能够通过量表评估、场景评估、直接状况评估等方式对老年用户的认知、衰弱等状态进行自动化评估,并基于此对老年人未来的认知障碍、衰弱等风险进行预测,解决了传统方法的评估准确性低、评估成本高、及无法预测未来风险等问题,并提高了用户依从性和效率。
Description
技术领域
本发明涉及健康风险预测技术领域,尤其是涉及一种老年人健康风险预测方法、系统及电子设备。
背景技术
当前老龄化问题凸显,老年人口的比例逐渐升高,老年人的健康状态直接影响着家庭的养老成本。影响老年人健康的除了常见疾病之外,还包括认知受损、衰弱方面的问题。一旦老年人出现认知受损或衰弱等情况,会严重影响生活质量,并给家庭带来巨大压力。对此,研究的关注重点在于尽早发现。
当前,对于老年人的认知受损和衰弱方面的发现,多采用评估量表的方式,即通过访谈的方式进行手动记录。该方法存在一些缺点:比如该过程中采用的评估量表的问题一般比较固定,在多次对老年人进行评估时会由于重复练习的原因影响评估准确性;访谈过程需要医务人员或心理从业人员现场提问,效率较低,成本较高;更重要的是,现有方法是对现状的总结,无法对未来的情况进行预判,而这对于认知障碍、衰弱等而言,尽量靠前的预知是非常重要的。
发明内容
有鉴于此,本发明的目的在于提供一种老年人健康风险预测方法、系统及电子设备,该方法可利用健康风险评估决策模型随机生成各类评估方案,通过量表评估、场景评估、直接状况评估等方式对老年用户的认知、衰弱状态进行自动化评估,并基于此对老年人未来的认知障碍、衰弱等风险进行预测,解决了传统方法的评估准确性低、评估成本高、及无法预测未来风险等问题,并提高了用户依从性和效率。
第一方面,本发明实施例提供了一种老年人健康风险预测方法,该方法包括:
获取用户的健康数据;其中,健康数据至少包括:利用相机拍摄的用户的图像、利用声音采集设备获取的用户的声音数据以及利用问卷答题获取的用户的答题数据;
将健康数据输入至预设的健康风险评估决策模型,并从健康风险评估决策模型的输出结果中确定用户的健康风险评估方案;其中,健康风险评估方案至少包括:量表评估方案、场景评估方案、直接状况评估方案;量表评估方案通过语音和文字生成的问题对用户的认知状态及衰弱状态进行评估;场景评估方案通过场景交互问题的完成情况对用户的认知状态及衰弱状态进行评估;直接状况评估方案通过传感器获取的用户的交互结果对用户的认知状态及衰弱状态进行评估;
利用健康风险评估方案确定用户的健康风险评估数据,并将健康风险评估数据输入至预设的健康风险预测模型后,从健康风险预测模型的输出结果中确定用户的健康风险预测结果。
在一些实施方式中,将健康数据输入至预设的健康风险评估决策模型的过程,包括:
将健康数据输入至已完成训练的健康风险评估决策模型,健康风险评估决策模型基于内置的评估方法选择模板对健康数据进行统计决策;其中,评估方法选择模板为分层树状结构,包括:评估目标层、评估维度层、评估方式层、评估实施层以及评估内容层;评估内容层,用于加载健康数据对应的评估内容;
基于评估目标层,确定健康数据对应的评估目标;其中,评估目标包括:认知评估和/或衰弱评估;
基于评估维度层,确定评估目标下对应的评估维度;其中,评估维度的内容包括:注意力、事务处理速度、语言交互、视觉空间定位、记忆状况、功能执行情况、心算能力、体重减轻情况、力量强弱、身体疲劳状况、行走困难程度、体力活动状况、身患疾病状况、营养状况、焦虑和抑郁状况、睡眠状况,上述一种或多种维度的评估过程;
基于评估方式层,确定评估目标及评估维度下对应的评估方式;其中,评估方式至少包括:量表评估、场景评估、直接状况评估;
基于评估实施层,确定评估目标、评估维度以及评估方式下对应的评估实施数据;其中,评估实施数据至少包括:量表名称、场景名称、直接状况评估名称。
在一些实施方式中,从健康风险评估决策模型的输出结果中确定用户的健康风险评估方案的过程,包括:
获取健康风险评估决策模型的输出结果;其中,健康风险评估决策模型包括规则和统计学习模型;其中统计学习模型中集成有随机森林和神经网络;健康风险评估决策模型对用户的健康数据进行决策,由健康风险评估决策模型的输出结果得到健康数据对应的评估目标、评估维度、评估方式、评估实施;
根据用户的健康数据对应的评估目标、评估维度、评估方式、评估实施,确定用户的健康风险评估方案。
在一些实施方式中,若健康风险评估方案包括量表评估方案,则利用健康风险评估方案确定用户的健康风险评估数据的过程,包括:
根据健康风险评估方案,选择评估量表;
获取量表评估方案中的量表问题内容;
利用量表问题内容的逻辑顺序,确定量表问题的出题顺序;
根据出题顺序动态生成量表问题,并将量表问题动态展示至用户;
将用户对量表问题的答题结果以及答题的过程参数,确定为用户的健康风险评估数据。
在一些实施方式中,若健康风险评估方案包括场景评估方案,则利用健康风险评估方案确定用户的健康风险评估数据的过程,包括:
根据健康风险评估方案,选择评估场景;
获取场景评估方案中的场景互动内容,并对场景互动内容进行展示;
利用场景互动内容随机确定场景互动问题,并将场景互动问题展示至用户;
将用户对场景交互问题的互动结果以及互动过程参数确定为用户的健康风险评估数据。
在一些实施方式中,若健康风险评估方案包括直接状况评估方案,则确定用户的健康风险评估数据的过程,包括:
根据健康风险评估方案,选择直接状况评估项目;
获取并确定直接状况评估方案中的状况评估项目内容,并将状况评估项目内容展示至用户;
利用预设传感器获取状况评估项目下用户进行交互时产生的传感数据;
利用传感数据确定用户的健康风险评估数据。
在一些实施方式中,将健康风险评估数据输入至预设的健康风险预测模型后,从健康风险预测模型的输出结果中确定用户的健康风险预测结果,包括:
在对健康风险评估数据的维度及量纲进行统一后,计算健康风险评估数据的现状偏离值、进展偏离值;
将健康风险评估数据、现状偏离值以及进展偏离值输入至已完成训练的健康风险预测模型中,并根据健康风险预测模型的输出结果确定用户未来产生认知障碍及衰弱的概率值;其中,健康风险预测模型基于图神经网络以及决策树,并利用历史数据以及专家输入数据训练得到;
根据健康风险预测模型输出的用户未来产生认知障碍及衰弱的概率值,确定用户的健康风险预测结果。
在一些实施方式中,确定用户的健康风险预测结果的过程,还包括:
根据健康风险预测结果,确定用户的干预项目;其中,干预项目至少包括:场景干预、运动干预、营养干预、心理干预;
将健康风险预测结果以及健康风险评估数据输入至已完成训练的干预选择模型中,并根据干预选择模型的输出结果确定用户的推荐干预项目;其中,干预选择模型基于图神经网络的非单调推理算法,并利用历史数据以及专家输入数据训练得到;
将推荐干预项目添加至用户的健康风险预测结果中。
第二方面,本发明实施例提供了一种老年人健康风险预测系统,该系统包括:
健康数据输入模块,用于获取用户的健康数据;其中,健康数据至少包括:利用相机拍摄的用户的图像、利用声音采集设备获取的用户的声音数据以及利用问卷答题获取的用户的答题数据;
健康风险评估方案生成模块,用于将健康数据输入至预设的健康风险评估决策模型,并从健康风险评估决策模型的输出结果中确定用户的健康风险评估方案;其中,健康风险评估方案至少包括:量表评估方案、场景评估方案、直接状况评估方案;量表评估方案通过语音和文字生成的问题对用户的认知状态及衰弱状态进行评估;场景评估方案通过场景交互问题的完成情况对用户的认知状态及衰弱状态进行评估;直接状况评估方案通过传感器获取的用户的交互结果对用户的认知状态及衰弱状态进行评估;
健康风险预测模块,用于利用健康风险评估方案确定用户的健康风险评估数据,并将健康风险评估数据输入至预设的健康风险预测模型后,从健康风险预测模型的输出结果中确定用户的健康风险预测结果。
第三方面,本发明实施例还提供一种电子设备,包括存储器、处理器,存储器中存储有可在处理器上运行的计算机程序,其中,处理器执行计算机程序时实现上述第一方面提到的老年人健康风险预测方法的步骤。
第四方面,本发明实施例还提供一种具有处理器可执行的非易失的程序代码的计算机可读介质,其中,程序代码使处理器执行上述第一方面提到的老年人健康风险预测方法的步骤。
本发明实施例带来了至少以下有益效果:
本发明提供了一种老年人健康风险预测方法、系统及电子设备,该方法首先获取用户的健康数据;其中,健康数据至少包括:利用相机拍摄的用户的图像、利用声音采集设备获取的用户的声音数据以及利用问卷答题获取的用户的答题数据;再将健康数据输入至预设的健康风险评估决策模型,并从健康风险评估决策模型的输出结果中确定用户的健康风险评估方案;其中,健康风险评估方案至少包括:量表评估方案、场景评估方案、直接状况评估方案;量表评估方案通过语音和文字生成的问题对用户的认知状态及衰弱状态进行评估;场景评估方案通过场景交互问题的完成情况对用户的认知状态及衰弱状态进行评估;直接状况评估方案通过传感器获取的用户的交互结果对用户的认知状态及衰弱状态进行评估;最后利用健康风险评估方案确定用户的健康风险评估数据,并将健康风险评估数据输入至预设的健康风险预测模型后,从健康风险预测模型的输出结果中确定用户的健康风险预测结果。该方法可利用评估决策模型随机生成各类评估方案,能够通过量表评估、场景评估、直接状况评估等方式对老年用户的认知、衰弱等状态进行自动化评估,并基于此对老年人未来的认知障碍、衰弱等风险进行预测,解决了传统方法的评估准确性低、评估成本高、及无法预测未来风险等问题,并提高了用户依从性和效率。
本发明的其他特征和优点将在随后的说明书中阐述,或者,部分特征和优点可以从说明书推知或毫无疑义的确定,或者通过实施本发明的上述技术即可得知。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施方式,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种老年人健康风险预测方法的流程图;
图2为本发明实施例提供的一种老年人健康风险预测方法中,将健康数据输入至预设的健康风险评估决策模型的过程的流程图;
图3为本发明实施例提供的一种老年人健康风险预测方法中,从健康风险评估决策模型的输出结果中确定用户的健康风险评估方案的流程图;
图4为本发明实施例提供的一种老年人健康风险预测方法中,若健康风险评估方案包括量表评估方案,则利用健康风险评估方案确定用户的健康风险评估数据的流程图;
图5为本发明实施例提供的一种老年人健康风险预测方法中,若健康风险评估方案包括场景评估方案,则利用健康风险评估方案确定用户的健康风险评估数据的流程图;
图6为本发明实施例提供的一种老年人健康风险预测方法中,若健康风险评估方案包括直接状况评估方案,则确定用户的健康风险评估数据的流程图;
图7为本发明实施例提供的一种老年人健康风险预测方法中,从健康风险预测模型的输出结果中确定用户的健康风险预测结果的流程图;
图8为本发明实施例提供的一种老年人健康风险预测方法中,确定用户的健康风险预测结果的流程图;
图9为本发明实施例提供的一种老年人健康风险预测系统的结构示意图;
图10为本发明实施例提供的一种电子设备的结构示意图。
图标:
910-健康数据输入模块;920-健康风险评估方案生成模块;930-健康风险预测模块;
101-处理器;102-存储器;103-总线;104-通信接口。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
当前,老龄化越来越成为一个全球性问题,我国同样也面临着相对比较严峻的局面。我国也即将进入深度老龄化阶段,60岁以上老年人口将突破三亿,占总人口比例超过20%。
随着人的年龄增大,尤其是进入老年的人们会面临很多健康问题,比如痴呆、衰弱、阿尔兹海默病、帕金森病等。这里面,痴呆已经成为引起老年人失能和依赖别人的最主要的原因。同样的,衰弱也是老年人的一种多维综合症,可能包括身体、心理、认知等方面的受损,是引起老年人跌倒、失能、住院和死亡的重要原因。这些老年人面临的健康问题一方面会影响个人的生活质量,同时也会给家庭、社会带来巨大的压力。
但到目前为止,这些老年人所面临的健康问题,尽管有些假说,但确切的发病机理并未得到明确解析。一旦老年人出现认知障碍、衰弱,会严重影响生活质量,并给家庭带来巨大压力。而对于这些问题,目前的做法是及早发现老年人轻度认知受损(MCI)、衰弱前期,并及时进行干预,避免进一步走向痴呆、衰弱、残疾失能等,这对于老年人本身、家庭以及整个社会都有着极为重要的意义。
当前,对于老年人认知受损和衰弱的发现,大多采用评估量表的方法,这些方法执行过程中主要采用访谈的方式,用纸、笔记录。这些方法存在一些缺点:需要医务人员或心理从业人员操作和执行,耗费的时间和经济成本高;由于量表问题固定或基本固定,尤其是在多次评估时,会带来重复练习的影响,影响评估结果的准确性;通过量表的方式评估可能会有回答偏差,尤其是高估结果;通过量表的方式表征评估的结果,存在表征不准确的情况等。由于目前评估方式存在的上述问题,导致老年评估用户的依从性比较差,从而影响了评估的顺利进行,进而导致无法及时准确的进行评估、异常发现和相应的干预。更重要的是,现有方法是对现状的总结,无法对未来的情况进行预判,而这对于认知障碍、衰弱等而言,尽量靠前的预知是非常重要的。
基于此,本发明实施例提供的一种老年人健康风险预测方法、系统及电子设备,该方法可利用评估决策模型随机生成各类评估方案,能够通过量表评估、场景评估、直接状况评估等方式对老年用户的认知、衰弱等状态进行自动化评估,并基于此对老年人未来的认知障碍、衰弱等风险进行预测,解决了传统方法的评估准确性低、评估成本高、及无法预测未来风险等问题,并提高了用户依从性和效率。
为便于对本实施例进行理解,首先对本发明实施例所公开的一种老年人健康风险预测方法进行详细介绍,该方法的流程图如图1所示,包括:
步骤S101,获取用户的健康数据;其中,健康数据至少包括:利用相机拍摄的用户的图像、利用声音采集设备获取的用户的声音数据以及利用问卷答题获取的用户的答题数据。
用户的健康数据可通过相关人员问询得到,也可在相关硬件设备的支持下引导用户自行输入。这些硬件设备中设置有相机、麦克风、显示屏、键盘等部件,也可使用相应的机器人或者类似柜员机的设备来引导用户对其健康数据的输入。
在具体场景中,用户的健康数据可通过类似银行柜员机的接待机器人进行沟通和交流。在该接待机器人中设置有相机、声音采集设备、显示屏等相关模组。利用相机来获取用户的图像,进而获取该用户的心情、气色、行动能力等相关健康数据;还可利用声音采集设备获取用户的语气、答题结果,并利用声音采集设备实现与用户的语言交流;还可利用显示屏来提供相关问卷、表格等,以答题的方式引导用户输入其健康数据。这些健康数据中包含用户的姓名、年龄、性别、受教育程度、职业、病史等基本情况;还包含用户的心情、气色、语气、行动能力等各种即时情况;还包括本次交互的目的等。
值得说明的是,接待机器人的外观需要优先考虑老年人群体的特定使用情况,如:接待机器人的形态上尽可能的符合老年人的审美观、语音交互时语速适当减缓、显示屏中的字体适当增大等。
步骤S102,将健康数据输入至预设的健康风险评估决策模型,并从健康风险评估决策模型的输出结果中确定用户的健康风险评估方案;其中,健康风险评估方案至少包括:量表评估方案、场景评估方案、直接状况评估方案。
健康风险评估决策模型由基于规则和统计学习相结合的方法构建,其中统计学习方法构建的模型包括随机森林和神经网络的集成,健康风险评估决策模型输入是用户的基本情况、即时情况、交互目的等健康数据,输出的是评估目标、评估维度、评估方式、评估实施等内容。健康风险评估决策模型的主要目的是基于用户的健康数据,在提高评估准确率并减少评估时间的前提下,选择合适的评估目标、评估维度、评估方式、评估实施等相关内容。
通过健康风险评估决策模型得到用户的健康风险评估方案,具体的说,健康风险评估方案至少包括:量表评估方案、场景评估方案、直接状况评估方案。其中,量表评估方案通过语音和文字生成的问题对用户的认知状态及衰弱状态进行评估;通过生成相应的量表问题并以语音和文字的形式展示给用户,从而对用户的认知状态及衰弱状态进行评估。
场景评估方案通过场景交互问题的完成情况对用户的认知状态及衰弱状态进行评估;通过选择相应的场景,结合该场景的内容展示给用户。用户通过对该场景进行交互,从而完成场景规定的任务,从而对用户的认知状态及衰弱状态进行评估。
直接状况评估方案通过传感器获取的用户的交互结果对用户的认知状态及衰弱状态进行评估;通过确定直接状况评估的项目及其评估内容,通过相关传感器完成与评估内容相关的数据采集,并根据采集的数据对用户的认知状态及衰弱状态进行评估。
步骤S103,利用健康风险评估方案确定用户的健康风险评估数据,并将健康风险评估数据输入至预设的健康风险预测模型后,从健康风险预测模型的输出结果中确定用户的健康风险预测结果。
健康风险评估方案确定以后,用户完成健康风险评估方案的具体项目从而获取相应的健康风险评估数据,由于这些健康风险评估数据的量纲和大小范围等并不统一,因此还需要对健康风险评估数据进行相应的数据综合过程,通过对其进行标准化、特征计算、数据融合的方式将健康风险评估数据进行综合,得到具有统一维度的健康风险评估数据。
健康风险评估数据确定后,将其输入至预设的健康风险预测模型,并根据健康风险预测模型来对健康风险评估数据进行处理。健康风险预测模型在构建过程中可利用历史数据以及领域知识数据,通过相应的图神经网络和决策树进行模型的训练。训练完成的健康风险预测模型通过输入健康风险评估数据,根据模型内部的相关处理后输出用户健康风险的类别及概率值,并根据健康风险预测模型输出的用户健康风险的类别及概率值确定用户的健康风险预测结果。
在一些实施方式中,将健康数据输入至预设的健康风险评估决策模型的过程,如图2所示,包括:
步骤S201,将健康数据输入至已完成训练的健康风险评估决策模型,健康风险评估决策模型基于内置的评估方法选择模板对健康数据进行统计决策。
评估方法选择模板为分层树状结构,包括:评估目标层、评估维度层、评估方式层、评估实施层以及评估内容层;具体的说,评估方法选择模板是一个多连接的分层树状结构,依次分为评估目标层、评估维度层、评估方式层、评估实施层以及评估内容层。值得一提的是,评估内容层,用于加载健康数据对应的评估内容。
步骤S202,基于评估目标层,确定健康数据对应的评估目标;其中,评估目标包括:认知评估和/或衰弱评估。
具体的说,评估目标的内容具体包括:认知评估、衰弱评估、认知和/或衰弱评估等。
步骤S203,基于评估维度层,确定评估目标下对应的评估维度。
评估维度的内容主要表征用户的认知维度,具体的说是根据实际场景中需要认知行为的各类交互过程的评估。其中,评估维度的内容包括:注意力、事务处理速度、语言交互、视觉空间定位、记忆状况、功能执行情况、心算能力、体重减轻情况、力量强弱、身体疲劳状况、行走困难程度、体力活动状况、身患疾病状况、营养状况、焦虑和抑郁状况、睡眠状况,上述一种或多种维度的评估过程。
步骤S204,基于评估方式层,确定评估目标及评估维度下对应的评估方式;其中,评估方式至少包括:量表评估、场景评估、直接状况评估。
量表评估、场景评估、直接状况评估与健康风险评估方案中包括的上述三类方案一一对应,后续会根据不同的评估方式选择不同的评估策略。
步骤S205,基于评估实施层,确定评估目标、评估维度以及评估方式下对应的评估实施数据;其中,评估实施数据至少包括:量表名称、场景名称、直接状况评估名称。
实际场景中,量表名称可为:mmse(Mini-mental State Examination,简易智力状态检查量表)量表等内容;场景名称可为打电话测试等内容;直接状况评估名称可为重复语言测试等内容。
在将健康数据输入至健康风险评估决策模型后,在一些实施方式中,从健康风险评估决策模型的输出结果中确定用户的健康风险评估方案的过程,如图3所示,包括:
步骤S301,获取健康风险评估决策模型的输出结果;其中,健康风险评估决策模型包括规则和统计学习模型;其中统计学习模型中集成有随机森林和神经网络;健康风险评估决策模型对用户的健康数据进行决策,由健康风险评估决策模型的输出结果得到健康数据对应的评估目标、评估维度、评估方式、评估实施。
利用用户的健康数据,以最大化评估准确率和尽量减少评估时间等为目标,从而选择合适的评估目标、评估维度、评估方式、评估实施等作为健康风险评估决策模型的输出结果。
健康风险评估决策模型的构建过程中,可采用基于规则和统计学习相结合的动态构建方法:首先采用循证文献的思路,对于已有明确高质量证据支持的患者需求和相关的评估目标、评估维度、评估方式、评估实施内容建立规则,这些规则中包含评估专家提供的领域知识,并据此进行选择决策。基于评估过程中的相关数据,采用统计学习方法构建用户健康数据和评估目标、评估维度、评估方式、评估实施内容的相关模型。值得一提的是,训练用的数据来自于评估专家的标注。然后对上述的规则进行优化替换,替换时模型的效果需要达到规则指标。上述过程中,采用的算法包括基于随机森林和神经网络的集成算法。
步骤S302,根据用户的健康数据对应的评估目标、评估维度、评估方式、评估实施,确定用户的健康风险评估方案。
值得说明的是,在评估方式、评估维度的选择过程中,尽可能的选择多种方式和维度。
在一些实施方式中,若健康风险评估方案包括量表评估方案,则利用健康风险评估方案确定用户的健康风险评估数据的过程如图4所示,包括:
步骤S401,根据健康风险评估方案,选择评估量表。
具体的说,量表是通过健康风险评估方案对应的评估实施的具体内容所确定的。
步骤S402,获取量表评估方案中的量表问题内容。
在对量表评估方案获取用户的健康风险评估数据的过程中,首先根据健康风险评估方案选择相应的量表从而确定量表问题的内容,用于后续步骤的使用。具体实施过程中,还可对量表问题内容按照相关文献对其进行优化。
步骤S403,利用量表问题内容的逻辑顺序,确定量表问题的出题顺序。
该步骤中,按照事先构建的规则确定出题顺序;例如,对于无逻辑先后顺序的可以进行随机顺序确定,有逻辑顺序的需要按照确定的顺序出现等。
步骤S404,根据出题顺序动态生成量表问题,并将量表问题动态展示至用户。
根据确定的问题顺序对每个问题进行问题展示,此过程中为保证问题的多样性,采用了问题生成的方式。具体的,可采用基于seq2seq的文本生成方式,但对其中的关键部分进行了规则限定。具体通过特定实体、关系抽取的方式获得,并对所抽取实体、关系通过同义词替换方式进行扩充,从而保证了问题多样性的基础上,同时也保证了语义的一致性。
步骤S405,将用户对量表问题的答题结果以及答题的过程参数,确定为用户的健康风险评估数据。
实际在接待机器人的使用场景中,对于展示的每个问题,在接待机器人展示界面上进行展示的同时,机器人也通过语音方式与用户进行语音交互,也可通过触屏方式进行交互。然后将用户回答量表问题的过程和结果进行信息收集,具体的包括:回答者身份、用户回答量表问题的时间长度、回答问题间隔时间长度、回答问题时的情绪、回答问题的结果、结果修改次数等;其中,针对每个问题的结果按照事先确定的规则进行计分计算。由此,得到量表评估的相关健康风险评估数据。
在一些实施方式中,若健康风险评估方案包括场景评估方案,则利用健康风险评估方案确定用户的健康风险评估数据的过程如图5所示,包括:
步骤S501,根据健康风险评估方案,选择评估场景。
具体的说,评估场景是通过健康风险评估方案对应的评估实施等的相关内容所确定的。
步骤S502,获取场景评估方案中的场景互动内容,并对场景互动内容进行展示。
场景互动内容可包括:准备食物、做家务、洗衣服、处理财务等具体场景,不同场景会对应不同的互动内容,这些互动场景可通过相应的显示设备进行展示。
步骤S503,利用场景互动内容随机确定场景互动问题,并将场景互动问题展示至用户。
场景互动内容确定后,即可根据互动内容确定相应的场景互动问题。比如准备食物场景中可分为准备早餐、午餐、晚餐等细分场景,此过程中通过随机化的方式为患者确定细分场景;在选择确定的细分场景中,对其中的场景具体要素进行确定,比如午餐中的米饭、馒头,准备食物的器具等,并通过这些场景具体要素随机生成相应的场景互动问题。
步骤S504,将用户对场景交互问题的互动结果以及互动过程参数确定为用户的健康风险评估数据。
对于选定的场景内容,通过事先设立的屏幕进行显示,用户通过相关交互设备与屏幕中的场景内容进行交互,从而完成场景规定任务。用户在进行场景任务的过程中,其互动过程及其对应的数据会实时采集,具体的包括用户完成场景任务的结果、进行场景任务所花费的时间、任务环节之间的间隔时间、每个环节的尝试次数、每个环节的错误次数、进行场景任务过程中的情绪等。由此,得到场景评估的相关评估数据。
在一些实施方式中,若健康风险评估方案包括直接状况评估方案,则确定用户的健康风险评估数据的过程如图6所示,包括:
步骤S601,根据健康风险评估方案,选择直接状况评估项目。
具体的说,直接状况评估项目是通过健康风险评估方案对应的评估实施等的相关内容所确定的。
步骤S602,获取并确定直接状况评估方案中的状况评估项目内容,并将状况评估项目内容展示至用户。
直接状况评估主要从用户的语言、体重、力量、行动等进行评估,当健康风险评估方案确定为直接状况评估方案时,即可从直接状况评估方案确定状况评估项目。比如语言评估中可分为重复语句、讲故事,力量评估中的握力和压力等细分,此过程中通过随机化的方式为患者确定细分能力评估项目。
步骤S603,利用预设传感器获取状况评估项目下用户进行交互时产生的传感数据。
对于选定的状况评估项目,通过事先设立的屏幕进行显示,并通过语音传感器、视觉摄像头、触觉传感器等收集用户的相关信息,或者通过接待机器人携带的压力传感器、视觉摄像头、语音传感器等进行测试,从而完成能力评估。
步骤S604,利用传感数据确定用户的健康风险评估数据。
在用户进行直接状况评估过程中及完成评估后,进行过程及结果信息收集:比如针对力量评估,主要记录力量大小(最大、最小)、力量持续时间、情绪状态(快乐、平淡、痛苦等);针对行动评估,主要记录行动距离、速度(最大、最小)、步态、行动时间、情绪状态(快乐、平淡、痛苦等);针对语言评估,主要记录语音信号(语速、间隔、流畅性等)、语言信息(字、词、句子等)、语义(明确、逻辑)、语法(正确与否)、情感(正面、中立、负面等)等信息。由此,得到直接状况评估的相关评估数据。
通过上述步骤得到的量表评估数据、场景评估数据、直接状况评估数据,需要对其进行数据综合,从而确定用户的健康风险预测结果。一些实施方式中,健康风险评估数据输入至预设的健康风险预测模型后,从健康风险预测模型的输出结果中确定用户的健康风险预测结果,如图7所示,包括:
步骤S701,在对健康风险评估数据的维度及量纲进行统一后,计算健康风险评估数据的现状偏离值、进展偏离值。
健康风险评估数据的维度及量纲的统一过程,可通过标准化、特征计算、数据融合的步骤得以实现。由于上述各数据大小范围不同,量纲不同,为后续计算使用,需要对数据进行标准化处理,具体采用的方法可包括z-score、最大最小值法等。特征计算以整体评估、认知能力评估、衰弱评估等为目标,针对上述评估维度、评估方式、评估实施等,采用德尔菲方法确定之间的相对权重,并以此为基础计算相关的中间值,比如语言能力评估分值、量表评估分值等。数据融合是将上述的各健康风险评估数据值、计算的中间结果值等进行拼接,形成统一维度的评估输入数据。
现状偏离值是基于事先建立的数据模板得到的;数据模板事先通过上述步骤对认知及衰弱状态正常的健康人的评估数据计算得到的,具体计算过程包括数据标准化、特征计算、数据融合、数据降维、均值计算等,数据模板由降维后的均值向量表示。数据模板分为多种,包括按照维度(整体、认知、衰弱等)、年龄、性别、病史种类等不同分别建立。计算的过程包括:首先对评估数据进行与数据模板相同的降维过程,其次按照用户特征选择对应的模板数据,再次计算评估数据与模板数据的偏离程度,即为现状偏离值。
进展偏离值的获取过程针对的是定期进行健康风险预测的用户,进展偏离值的比较基准是特定的历史数据,计算原理与现状偏离值相似,在此不再赘述。
步骤S702,将健康风险评估数据、现状偏离值、进展偏离值输入至已完成训练的健康风险预测模型中,并根据健康风险预测模型的输出结果确定用户的未来产生认知障碍及衰弱的概率值;其中,健康风险预测模型基于图神经网络以及决策树,并利用历史数据以及专家输入数据训练得到。
具体的说,健康风险评估数据包含用户特征数据;如果是定期风险预测,则包括之前的历史健康风险评估数据。在将健康风险评估数据、现状偏离值、进展偏离值输入到相应的健康风险预测模型后,根据预测结果得到用户未来产生认知障碍及衰弱的概率值,包括:认知、衰弱相关的mci(Mild Cognitive Impairment,轻度认知功能障碍)前期、mci、痴呆、衰弱前期、衰弱、残疾失能等的概率值。
健康风险预测模型的构建过程中,数据来源可使用现有的健康风险评估数据以及历史健康风险评估数据,还可包括专家输入的领域知识,模型算法为图神经网络和决策树,模型输出为相应的风险类别及其概率值。
步骤S703,根据健康风险预测模型输出的用户未来产生认知障碍及衰弱的概率值,确定用户的健康风险预测结果。
健康风险预测结果包括用户未来产生认知障碍及衰弱的类型及其概率值。用户根据风险预测结果,可通过后续干预措施来减缓认知障碍及衰弱的产生过程。这些干预措施也可通过健康风险预测结果中进行展示。具体的说,在一些实施方式中,确定用户的健康风险预测结果的过程如图8所示,还包括:
步骤S801,根据健康风险预测结果,确定用户的干预项目;其中,干预项目至少包括:场景干预、运动干预、营养干预、心理干预。
根据健康风险预测结果,对需要干预的患者,提供干预建议结果,干预选择的建议由干预选择模型进行确定,具体通过步骤S802来实现。
步骤S802,将健康风险预测结果以及健康风险评估数据输入至已完成训练的干预选择模型中,并根据干预选择模型的输出结果确定用户的干预推荐项目;其中,干预选择模型基于图神经网络的非单调推理算法,并利用历史数据以及专家输入数据训练得到。
干预选择模型输出的是干预选项,包括场景干预、运动干预、营养干预(干预过程中需要获取患者营养相关数据)、心理干预(干预过程中需要获取患者心理状况等相关数据)等。
步骤S803,将用户的干预推荐项目添加至用户的健康风险预测结果中。
通过上述实施例中的老年人健康风险预测方法可知,该方法可利用健康风险评估决策模型随机生成各类评估方案,能够通过量表评估、场景评估、直接状况评估等方式对老年用户的认知、衰弱等状态进行自动化评估,并基于此对老年人未来的认知障碍、衰弱等风险进行预测,解决了传统方法的评估准确性低、评估成本高、及无法预测未来风险等问题,并提高了用户依从性和效率。
对应于上述老年人健康风险预测方法的实施例,本发明实施例提供了一种老年人健康风险预测系统,如图9所示,该系统包括:
健康数据输入模块910,用于获取用户的健康数据;其中,健康数据至少包括:利用相机拍摄的用户的图像、利用声音采集设备获取的用户的声音数据以及利用问卷答题获取的用户的答题数据;
健康风险评估方案生成模块920,用于将健康数据输入至预设的健康风险评估决策模型,并从健康风险评估决策模型的输出结果中确定用户的健康风险评估方案;其中,健康风险评估方案至少包括:量表评估方案、场景评估方案、直接状况评估方案;量表评估方案通过语音和文字生成的问题对用户的认知状态及衰弱状态进行评估;场景评估方案通过场景交互问题的完成情况对用户的认知状态及衰弱状态进行评估;直接状况评估方案通过传感器获取的用户的交互结果对用户的认知状态及衰弱状态进行评估;
健康风险预测模块930,用于利用健康风险评估方案确定用户的健康风险评估数据,并将健康风险评估数据输入至预设的健康风险预测模型后,从健康风险预测模型的输出结果中确定用户的健康风险预测结果。
本发明实施例所提供的老年人健康风险预测系统,其实现原理及产生的技术效果和前述老年人健康风险预测方法的实施例相同,为简要描述,实施例部分未提及之处,可参考前述方法实施例中相应内容。
本实施例还提供一种电子设备,为该电子设备的结构示意图如图10所示,该设备包括处理器101和存储器102;其中,存储器102用于存储一条或多条计算机指令,一条或多条计算机指令被处理器执行,以实现上述老年人健康风险预测方法。
图10所示的电子设备还包括总线103和通信接口104,处理器101、通信接口104和存储器102通过总线103连接。
其中,存储器102可能包含高速随机存取存储器(RAM,Random Access Memory),也可能还包括非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。总线103可以是ISA总线、PCI总线或EISA总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示,图10中仅用一个双向箭头表示,但并不表示仅有一根总线或一种类型的总线。
通信接口104用于通过网络接口与至少一个用户终端及其它网络单元连接,将封装好的IPv4报文或IPv6报文通过网络接口发送至用户终端。
处理器101可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器101中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器101可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(DigitalSignal Processor,简称DSP)、专用集成电路(Application Specific IntegratedCircuit,简称ASIC)、现场可编程门阵列(Field-Programmable Gate Array,简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本公开实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本公开实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器102,处理器101读取存储器102中的信息,结合其硬件完成前述实施例的方法的步骤。
本发明实施例还提供了一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行前述实施例的方法的步骤。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统、设备和方法,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,又例如,多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口,设备或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以用软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上所述实施例,仅为本发明的具体实施方式,用以说明本发明的技术方案,而非对其限制,本发明的保护范围并不局限于此,尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种老年人健康风险预测方法,其特征在于,所述方法包括:
获取用户的健康数据;其中,所述健康数据至少包括:利用相机拍摄的所述用户的图像、利用声音采集设备获取的所述用户的声音数据以及利用问卷答题获取的所述用户的答题数据;
将所述健康数据输入至预设的健康风险评估决策模型,并从所述健康风险评估决策模型的输出结果中确定所述用户的健康风险评估方案;其中,所述健康风险评估方案至少包括:量表评估方案、场景评估方案、直接状况评估方案;所述量表评估方案通过语音和文字生成的问题对所述用户的认知状态及衰弱状态进行评估;所述场景评估方案通过场景交互问题的完成情况对所述用户的认知状态及衰弱状态进行评估;所述直接状况评估方案通过传感器获取的所述用户的交互结果对所述用户的认知状态及衰弱状态进行评估;
利用所述健康风险评估方案确定所述用户的健康风险评估数据,并将所述健康风险评估数据输入至预设的健康风险预测模型后,从所述健康风险预测模型的输出结果中确定所述用户的健康风险预测结果。
2.根据权利要求1所述的老年人健康风险预测方法,其特征在于,将所述健康数据输入至预设的健康风险评估决策模型的过程,包括:
将所述健康数据输入至已完成训练的所述健康风险评估决策模型,所述健康风险评估决策模型基于内置的评估方法选择模板对所述健康数据进行统计决策;其中,所述评估方法选择模板为分层树状结构,包括:评估目标层、评估维度层、评估方式层、评估实施层以及评估内容层;所述评估内容层,用于加载所述健康数据对应的评估内容;
基于所述评估目标层,确定所述健康数据对应的评估目标;其中,所述评估目标包括:认知评估和/或衰弱评估;
基于所述评估维度层,确定所述评估目标下对应的评估维度;其中,所述评估维度的内容包括:注意力、事务处理速度、语言交互、视觉空间定位、记忆状况、功能执行情况、心算能力、体重减轻情况、力量强弱、身体疲劳状况、行走困难程度、体力活动状况、身患疾病状况、营养状况、焦虑和抑郁状况、睡眠状况,上述一种或多种维度的评估过程;
基于所述评估方式层,确定所述评估目标及所述评估维度下对应的评估方式;其中,所述评估方式至少包括:量表评估、场景评估、直接状况评估;
基于所述评估实施层,确定所述评估目标、所述评估维度以及所述评估方式下对应的评估实施数据;其中,所述评估实施数据至少包括:量表名称、场景名称、直接状况评估名称。
3.根据权利要求1所述的老年人健康风险预测方法,其特征在于,从所述健康风险评估决策模型的输出结果中确定所述用户的健康风险评估方案的过程,包括:
获取所述健康风险评估决策模型的输出结果;其中,所述健康风险评估决策模型包括规则和统计学习模型;其中所述统计学习模型中集成有随机森林和神经网络;所述健康风险评估决策模型对所述用户的健康数据进行决策,由健康风险评估决策模型的输出结果得到所述健康数据对应的评估目标、评估维度、评估方式、评估实施;
根据所述用户的所述健康数据对应的评估目标、评估维度、评估方式、评估实施,确定所述用户的健康风险评估方案。
4.根据权利要求1所述的老年人健康风险预测方法,其特征在于,若所述健康风险评估方案包括所述量表评估方案,则利用所述健康风险评估方案确定所述用户的健康风险评估数据的过程,包括:
根据所述健康风险评估方案,选择评估量表;
获取所述量表评估方案中的量表问题内容;
利用所述量表问题内容的逻辑顺序,确定所述量表问题的出题顺序;
根据所述出题顺序动态生成所述量表问题,并将所述量表问题动态展示至所述用户;
将所述用户对所述量表问题的答题结果以及答题的过程参数,确定为所述用户的健康风险评估数据。
5.根据权利要求1所述的老年人健康风险预测方法,其特征在于,若所述健康风险评估方案包括所述场景评估方案,则利用所述健康风险评估方案确定所述用户的健康风险评估数据的过程,包括:
根据所述健康风险评估方案,选择评估场景;
获取所述场景评估方案中的场景互动内容,并对所述场景互动内容进行展示;
利用所述场景互动内容随机确定所述场景互动问题,并将所述场景互动问题展示至所述用户;
将所述用户对所述场景交互问题的互动结果以及互动过程参数确定为所述用户的健康风险评估数据。
6.根据权利要求1所述的老年人健康风险预测方法,其特征在于,若所述健康风险评估方案包括所述直接状况评估方案,则确定所述用户的健康风险评估数据的过程,包括:
根据所述健康风险评估方案,选择直接状况评估项目;
获取并确定所述直接状况评估方案中的状况评估项目内容,并将所述状况评估项目内容展示至所述用户;
利用预设传感器获取所述状况评估项目下所述用户进行交互时产生的传感数据;
利用所述传感数据确定所述用户的健康风险评估数据。
7.根据权利要求1所述的老年人健康风险预测方法,其特征在于,将所述健康风险评估数据输入至预设的健康风险预测模型后,从所述健康风险预测模型的输出结果中确定所述用户的健康风险预测结果,包括:
在对所述健康风险评估数据的维度及量纲进行统一后,计算所述健康风险评估数据的现状偏离值、进展偏离值;
将所述健康风险评估数据、所述现状偏离值以及所述进展偏离值输入至已完成训练的健康风险预测模型中,并根据所述健康风险预测模型的输出结果确定所述用户未来产生认知障碍及衰弱的概率值;其中,所述健康风险预测模型基于图神经网络以及决策树,并利用历史数据以及专家输入数据训练得到;
根据所述健康风险预测模型输出的所述用户未来产生认知障碍及衰弱的概率值,确定所述用户的健康风险预测结果。
8.根据权利要求7所述的老年人健康风险预测方法,其特征在于,确定所述用户的健康风险预测结果的过程,还包括:
根据所述健康风险预测结果,确定所述用户的干预项目;其中,所述干预项目至少包括:场景干预、运动干预、营养干预、心理干预;
将所述健康风险预测结果以及所述健康风险评估数据输入至已完成训练的干预选择模型中,并根据所述干预选择模型的输出结果确定所述用户的推荐干预项目;其中,所述干预选择模型基于图神经网络的非单调推理算法,并利用历史数据以及专家输入数据训练得到;
将所述推荐干预项目添加至所述用户的健康风险预测结果中。
9.一种老年人健康风险预测系统,其特征在于,所述系统包括:
健康数据输入模块,用于获取用户的健康数据;其中,所述健康数据至少包括:利用相机拍摄的所述用户的图像、利用声音采集设备获取的所述用户的声音数据以及利用问卷答题获取的所述用户的答题数据;
健康风险评估方案生成模块,用于将所述健康数据输入至预设的健康风险评估决策模型,并从所述健康风险评估决策模型的输出结果中确定所述用户的健康风险评估方案;其中,所述健康风险评估方案至少包括:量表评估方案、场景评估方案、直接状况评估方案;所述量表评估方案通过语音和文字生成的问题对所述用户的认知状态及衰弱状态进行评估;所述场景评估方案通过场景交互问题的完成情况对所述用户的认知状态及衰弱状态进行评估;所述直接状况评估方案通过传感器获取的所述用户的交互结果对所述用户的认知状态及衰弱状态进行评估;
健康风险预测模块,利用所述健康风险评估方案确定所述用户的健康风险评估数据,并将所述健康风险评估数据输入至预设的健康风险预测模型后,从所述健康风险预测模型的输出结果中确定所述用户的健康风险预测结果。
10.一种电子设备,其特征在于,包括:处理器和存储装置;所述存储装置上存储有计算机程序,所述计算机程序在被所述处理器运行时实现如权利要求1至8任一项所述的老年人健康风险预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111671510.8A CN114429817A (zh) | 2021-12-31 | 2021-12-31 | 一种老年人健康风险预测方法、系统及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111671510.8A CN114429817A (zh) | 2021-12-31 | 2021-12-31 | 一种老年人健康风险预测方法、系统及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114429817A true CN114429817A (zh) | 2022-05-03 |
Family
ID=81312253
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111671510.8A Pending CN114429817A (zh) | 2021-12-31 | 2021-12-31 | 一种老年人健康风险预测方法、系统及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114429817A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116313074A (zh) * | 2023-02-16 | 2023-06-23 | 京大(北京)技术有限公司 | 一种基于养老机器人的老年人失能预防和康复管理系统 |
CN117292833A (zh) * | 2023-10-30 | 2023-12-26 | 中国医学科学院北京协和医院 | 老年人衰弱一体化管理方法、装置和系统 |
US11850059B1 (en) * | 2022-06-10 | 2023-12-26 | Haii Corp. | Technique for identifying cognitive function state of user |
-
2021
- 2021-12-31 CN CN202111671510.8A patent/CN114429817A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11850059B1 (en) * | 2022-06-10 | 2023-12-26 | Haii Corp. | Technique for identifying cognitive function state of user |
CN116313074A (zh) * | 2023-02-16 | 2023-06-23 | 京大(北京)技术有限公司 | 一种基于养老机器人的老年人失能预防和康复管理系统 |
CN117292833A (zh) * | 2023-10-30 | 2023-12-26 | 中国医学科学院北京协和医院 | 老年人衰弱一体化管理方法、装置和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR101855117B1 (ko) | 질병에 대한 발병 확률 예측 방법 및 장치 | |
Yazdavar et al. | Semi-supervised approach to monitoring clinical depressive symptoms in social media | |
US11404170B2 (en) | Method and system for patients data collection and analysis | |
CN114429817A (zh) | 一种老年人健康风险预测方法、系统及电子设备 | |
US20140122109A1 (en) | Clinical diagnosis objects interaction | |
KR102293160B1 (ko) | 인지증 예측 장치, 예측 모델 생성 장치 및 인지증 예측용 프로그램 | |
CN110570941B (zh) | 一种基于文本语义向量模型评估心理状态的系统和装置 | |
KR20170061222A (ko) | 건강데이터 패턴의 일반화를 통한 건강수치 예측 방법 및 그 장치 | |
KR101957456B1 (ko) | 뇌 질환 검출 및 예측 시스템 및 방법 | |
CN113646788A (zh) | 利用主动学习技术操作机器学习框架的方法、设备和计算机程序 | |
WO2015122026A1 (ja) | 疾患検出システムおよび疾患検出方法 | |
CN110598786B (zh) | 神经网络的训练方法、语义分类方法、语义分类装置 | |
KR102320580B1 (ko) | 딥러닝을 이용한 근시 진행 예측 방법 및 시스템 | |
CN111626420B (zh) | 一种认知能力的自适应测评方法、测评系统及其使用方法 | |
Marriwala et al. | A hybrid model for depression detection using deep learning | |
Falissard et al. | A deep artificial neural network− based model for prediction of underlying cause of death from death certificates: algorithm development and validation | |
CN113705092A (zh) | 基于机器学习的疾病预测方法及装置 | |
Panagoulias et al. | A novel framework for artificial intelligence explainability via the Technology Acceptance Model and Rapid Estimate of Adult Literacy in Medicine using machine learning | |
Song et al. | Have large language models developed a personality?: Applicability of self-assessment tests in measuring personality in llms | |
Chatzimina et al. | Employing conversational agents in palliative care: a feasibility study and preliminary assessment | |
CN116344048A (zh) | 一种面向认知障碍患者照护的因果推理装置 | |
Ojo et al. | MedAI dialog corpus (MEDIC): Zero-shot classification of doctor and AI responses in health consultations | |
Ehrman et al. | Primer on logistic regression for emergency care researchers | |
JP7231186B2 (ja) | 技術力判断支援システム | |
CN114300127A (zh) | 问诊处理方法、装置、设备及存储介质 |
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 |