CN114652311A - 一种基于阶梯式护理干预的精细化护理方法及系统 - Google Patents

Abstract

本发明公开了一种基于阶梯式护理干预的精细化护理方法及系统，所述方法包括：通过获得第一用户的第一疾病信息；分析生成第一护理方案；在进行护理干预时利用智能监测模块进行生命体征实时监测，获得第一实时体征数据；利用分类回归树算法思想构建护理阶段决策模型，并对所述第一实时体征数据进行分析评估，获得第一评估指数；若所述第一评估指数满足预设评估阈值，获得第一调整指令；对所述第一护理方案进行调整生成第二护理方案，对所述第一用户进行第二护理阶段的护理干预。解决了现有技术中在对用户进行健康护理时，存在护理方案笼统、粗略、个性化程度低，同时无法基于用户实时护理进展及时动态调整护理方案的技术问题。

Description

一种基于阶梯式护理干预的精细化护理方法及系统

技术领域

本发明涉及计算机应用技术领域，尤其涉及一种基于阶梯式护理干预的精细化护理方法及系统。

背景技术

随着医疗卫生行业的不断发展和患者及其家属对护理服务需求的不断提高，以基础、常规护理服务为主的传统护理方法已经无法满足患者个性化、多层次、多方面的健康护理服务需求。现有技术中基于用户疾病的护理，一般由其主治医生和护理人员、家属等基于对用户病情的掌握、认知和经验等，主观确定护理手段和护理要点，存在护理方案笼统、粗略、个性化程度低的问题，此外，一般随着时间的推移和良好护理等的作用，用户的身体状态和机能等会出现好转，现有技术并无法基于用户实时护理进展情况，高效、准确的对护理方案进行动态调整，从而降低护理对用户身体、生活等有益影响。研究利用计算机技术生成用户个性化护理方案，并且基于智能设备实时监测用户身体变化情况，进而对护理方案进行针对性的及时调整，对于提高护理方案有效性、并为家属等护理人员实际护理提供理论指导，具有重要意义。

然而，现有技术中在对用户进行健康护理时，由主治医生和护理人员基于对用户病情的掌握和诊治、护理经验主观确定护理方案，存在护理方案笼统、粗略、个性化程度低，同时存在无法基于用户实时护理进展及时动态调整护理方案的技术问题。

发明内容

本发明的目的是提供一种基于阶梯式护理干预的精细化护理方法及系统，用以解决现有技术中在对用户进行健康护理时，由主治医生和护理人员基于对用户病情的掌握和诊治、护理经验主观确定护理方案，存在护理方案笼统、粗略、个性化程度低，同时存在无法基于用户实时护理进展及时动态调整护理方案的技术问题。

鉴于上述问题，本发明提供了一种基于阶梯式护理干预的精细化护理方法及系统。

第一方面，本发明提供了一种基于阶梯式护理干预的精细化护理方法，所述方法通过一种基于阶梯式护理干预的精细化护理系统实现，其中，所述方法包括：通过获得第一用户的第一基本信息，其中，所述第一基本信息包括第一疾病信息；基于大数据对所述第一疾病信息进行分析，生成第一护理方案；根据所述第一护理方案对所述第一用户进行第一护理阶段的护理干预，并利用智能监测模块进行所述第一用户的生命体征的实时监测，获得第一实时体征数据；利用分类回归树算法思想构建护理阶段决策模型，并利用所述护理阶段决策模型对所述第一实时体征数据进行分析评估，获得第一评估指数；若所述第一评估指数满足预设评估阈值，获得第一调整指令；根据所述第一调整指令对所述第一护理方案进行调整，生成第二护理方案；根据所述第二护理方案对所述第一用户进行第二护理阶段的护理干预。

另一方面，本发明还提供了一种基于阶梯式护理干预的精细化护理系统，用于执行如第一方面所述的一种基于阶梯式护理干预的精细化护理方法，其中，所述系统包括：第一获得单元：所述第一获得单元用于获得第一用户的第一基本信息，其中，所述第一基本信息包括第一疾病信息；第一生成单元：所述第一生成单元用于基于大数据对所述第一疾病信息进行分析，生成第一护理方案；第二获得单元：所述第二获得单元用于根据所述第一护理方案对所述第一用户进行第一护理阶段的护理干预，并利用智能监测模块进行所述第一用户的生命体征的实时监测，获得第一实时体征数据；第三获得单元：所述第三获得单元用于利用分类回归树算法思想构建护理阶段决策模型，并利用所述护理阶段决策模型对所述第一实时体征数据进行分析评估，获得第一评估指数；第四获得单元：所述第四获得单元用于若所述第一评估指数满足预设评估阈值，获得第一调整指令；第二生成单元：所述第二生成单元用于根据所述第一调整指令对所述第一护理方案进行调整，生成第二护理方案；第一执行单元：所述第一执行单元用于根据所述第二护理方案对所述第一用户进行第二护理阶段的护理干预。

第三方面，一种电子设备，其中，包括处理器和存储器；

该存储器，用于存储；

该处理器，用于通过调用，执行上述第一方面中任一项所述的方法。

第四方面，一种计算机程序产品，包括计算机程序和/或指令，该计算机程序和/或指令被处理器执行时实现上述第一方面中任一项所述方法的步骤。

本发明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：

1.通过基于大数据，生成用户当前疾病情况的第一护理方案，在基于第一护理方案对用户进行护理的过程中实时监测用户身体机能、生命体征等的变化数据；然后利用护理阶段决策模型对实时监测数据进行分析评估，当评估结果显示用户当前状态已满足预设评估阈值，系统自动对第一护理方案进行调整，生成适合用户当前最新状态的护理方案，即第二护理方案；最后基于第二护理方案对用户进行下一阶段的护理。通过基于用户实时体征数据针对性调整护理方案，形成阶梯式的护理干预，实现了护理干预个性化、阶段化的目标，同时达到了提高护理精细化、有效化的技术效果。

2.通过基于历史护理案例数据和用户实际疾病数据，智能化分析确定护理方案，并基于用户性格、心理状态等完善护理方案，达到了提高护理方案的制定速度、个性化程度，为用户提供全面、综合的护理方案，从而为实际护理提供参考的技术效果。

3.通过基于用户实时特征数据快速确定护理阶段，进而进行阶梯式的精细化护理，对于两个护理阶段的过渡期进行个性化的过渡护理，并利用Python实现护理阶段的可视化，达到了直观、明确地观察用户当前护理阶段、护理进度的技术效果。

上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。

附图说明

为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例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，下面描述中的附图仅仅是示例性的，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，还可以根据提供的附图获得其他的附图。

图1为本发明一种基于阶梯式护理干预的精细化护理方法的流程示意图；

图2为本发明一种基于阶梯式护理干预的精细化护理方法中生成所述第一护理方案的流程示意图；

图3为本发明一种基于阶梯式护理干预的精细化护理方法中构建所述护理阶段决策模型的流程示意图；

图4为本发明一种基于阶梯式护理干预的精细化护理方法中对所述第一用户进行过渡护理的流程示意图；

图5为本发明一种基于阶梯式护理干预的精细化护理系统的结构示意图；

图6为本发明示例性电子设备的结构示意图。

附图标记说明：

第一获得单元11，第一生成单元12，第二获得单元13，第三获得单元14，第四获得单元15，第二生成单元16，第一执行单元17，总线300，接收器301，处理器302，发送器303，存储器304，总线接口305。

具体实施方式

本发明通过提供一种基于阶梯式护理干预的精细化护理方法及系统，解决了现有技术中在对用户进行健康护理时，由主治医生和护理人员基于对用户病情的掌握和诊治、护理经验主观确定护理方案，存在护理方案笼统、粗略、个性化程度低，同时存在无法基于用户实时护理进展及时动态调整护理方案的技术问题。通过基于用户实时体征数据针对性调整护理方案，形成阶梯式的护理干预，实现了护理干预个性化、阶段化的目标，同时达到了提高护理精细化、有效化的技术效果。

本发明技术方案中对数据的获取、存储、使用、处理等均符合国家法律法规的相关规定。

下面，将参考附图对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明的一部分实施例，而不是本发明的全部实施例，应理解，本发明不受这里描述的示例实施例的限制。基于本发明的实施例，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。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部。

本发明提供了一种基于阶梯式护理干预的精细化护理方法，所述方法应用于一种基于阶梯式护理干预的精细化护理系统，其中，所述方法包括：通过获得第一用户的第一基本信息，其中，所述第一基本信息包括第一疾病信息；基于大数据对所述第一疾病信息进行分析，生成第一护理方案；根据所述第一护理方案对所述第一用户进行第一护理阶段的护理干预，并利用智能监测模块进行所述第一用户的生命体征的实时监测，获得第一实时体征数据；利用分类回归树算法思想构建护理阶段决策模型，并利用所述护理阶段决策模型对所述第一实时体征数据进行分析评估，获得第一评估指数；若所述第一评估指数满足预设评估阈值，获得第一调整指令；根据所述第一调整指令对所述第一护理方案进行调整，生成第二护理方案；根据所述第二护理方案对所述第一用户进行第二护理阶段的护理干预。在介绍了本发明基本原理后，下面将结合说明书附图来具体介绍本发明的各种非限制性的实施方式。

实施例一

请参阅附图1，本发明提供了一种基于阶梯式护理干预的精细化护理方法，其中，所述方法应用于一种基于阶梯式护理干预的精细化护理系统，所述方法具体包括如下步骤：

步骤S100：获得第一用户的第一基本信息，其中，所述第一基本信息包括第一疾病信息；

具体而言，所述一种基于阶梯式护理干预的精细化护理方法应用于所述一种基于阶梯式护理干预的精细化护理系统，可以对用户整个护理周期进行阶梯式的护理，提高护理方案的个性化、精细化和合理化程度。所述第一用户是指任一使用所述精细化护理系统进行护理指导和护理参考的用户，包括患病、康复、疗养等各类不同需求的用户。所述第一基本信息是指所述第一用户的基本身体指标信息、护理需求信息、患病历史信息和当前所患疾病的详细信息。进一步的，所述第一疾病信息包括第一用户所患疾病的种类、该疾病引起的后果、严重程度以及可能引起的其他后果等。通过获得第一疾病信息，达到了为后续基于用户实际疾病种类、疑难程度、严重程度等进行护理方案的制定提供依据的技术效果。

步骤S200：基于大数据对所述第一疾病信息进行分析，生成第一护理方案；

具体而言，基于大数据采集多方医疗平台中对该类疾病的护理方案，并智能化分析各护理案例中具体护理手段等信息，同时基于所述第一用户的第一疾病信息，匹配适合所述第一用户疾病类别、当前身体机能状态等的护理手段，进而生成所述第一护理方案。其中，所述第一护理方案包括对所述第一用户进行护理时的护理手段和方式、各护理手段和方式的时间、程度等具体的护理步骤。举例如某用户刚完成颈椎拼接手术，目前因颈椎损伤到四肢神经，导致四肢活动能力差，当前阶段的护理主要需求是防止手术感染、防止伤口引起的高烧，则在护理时基于该用户颈椎疾病的具体情况，进行护理方案中检查指标、药物类型及用量、康复手段等的制定。通过基于大数据采集历史护理方案，对生成第一用户的第一护理方案提供参考和借鉴，达到了提高第一护理方案可靠性、有效性的技术效果。

步骤S300：根据所述第一护理方案对所述第一用户进行第一护理阶段的护理干预，并利用智能监测模块进行所述第一用户的生命体征的实时监测，获得第一实时体征数据；

具体而言，通过基于大数据分析确定的第一护理方案对所述第一用户进行护理执行，并在护理过程中实时监测、采集所述第一用户的实时身体变化、疾病变化等相关指标数据，也就是说，利用智能监测模块对所述第一用户进行实时体征监测，进而生成所述第一实时体征数据。举例如在某用户护理过程中实时监测用户体温，避免伤口引起高烧对用户进行二次伤害。通过获得第一实时体征数据，为后续智能化判断用户当前护理阶段提供直观、准确的数据基础，提高对用户护理阶段的判断准确性，进而提高护理方案的合理性。

步骤S400：利用分类回归树算法思想构建护理阶段决策模型，并利用所述护理阶段决策模型对所述第一实时体征数据进行分析评估，获得第一评估指数；

具体而言，所述分类回归树是指基于所述第一用户所患第一疾病信息，提取疾病特征作为用户护理阶段的判定标准，从而判断用户当前所述护理阶段，即选取对应疾病的特征作为二叉树的节点，进而基于用户当前的实际情况确定属于二叉树的哪个类别，最终递归得到所述护理阶段决策模型。举例如某用户在手术后先进行术后防感染、防高烧护理，在监测到该用户伤口稳定结痂、体温持续正常后，进入该用户的下个护理阶段，其中，伤口是否稳定结痂、体温是否持续稳定即为护理阶段决策模型的两个节点。进一步的，利用所述护理阶段决策模型对所述第一用户护理时的实时体征数据进行分析，并得到所述第一用户当前身体机能和状态的综合评估结果，即所述第一评估指数。通过获得第一评估指数，达到了为判断用户实时护理阶段提供直观的数据依据，提高护理阶段判断的客观性的技术效果。

步骤S500：若所述第一评估指数满足预设评估阈值，获得第一调整指令；

步骤S600：根据所述第一调整指令对所述第一护理方案进行调整，生成第二护理方案；

具体而言，当所述护理阶段决策模型分析得到的用户实时身体评估指数满足预设评估阈值时，说明第一用户当前身体的恢复情况、整体状态正常，可准备进入下一阶段的护理。此时，系统自动发出第一调整指令，并基于所述第一调整指令对当前阶段的第一护理方案进行适应性调整，调整后生成适合第一用户在下个护理阶段进行护理执行的方案，即所述第二护理方案。举例如某用户在经历手术后的术后防感染、防高烧护理后，为促进用户康复对用户进行四肢康复训练，包括针灸刺激神经、腹部核心增强等护理手段。通过生成第二护理方案，达到了基于用户当前身体状态，进行针对性康复加强护理，从而促进用户康复的技术效果。

步骤S700：根据所述第二护理方案对所述第一用户进行第二护理阶段的护理干预。

具体而言，基于系统自动调整第一护理方案后得到的所述第二护理方案，对所述第一用户进行针对性护理手段、护理强度等的调整，也就是说，对第一用户进行第二护理阶段的护理干预，达到了基于用户实际情况精准划分护理阶段，并进行阶梯式的精细护理，从而实现护理干预个性化、阶段化的目标，最终达到了提高护理精细化、有效化的技术效果。此外，所述第二护理方案为所述第一用户的主治医生制定护理计划提供参考，达到了提供医生制定护理方案的效率的技术效果。

进一步的，如附图2所示，本发明步骤S200还包括：

步骤S210：根据所述第一疾病信息，确定所述第一用户的第一疾病类别、第一疾病严重级别；

步骤S220：基于多方医疗平台的历史护理记录，分析并构建疾病类别-护理手段列表；

步骤S230：根据所述疾病类别-护理手段列表，匹配所述第一疾病类别的第一历史护理手段集，其中，所述第一历史护理手段集包括多个历史护理手段；

步骤S240：根据所述第一疾病严重级别对所述多个历史护理手段进行筛选，组建第一护理手段集，其中，所述第一护理手段集包括第一护理手段、第二护理手段；

步骤S250：利用Delphi专家函询法依次获得所述第一护理手段的第一权重系数、所述第二护理手段的第二权重系数；

步骤S260：基于所述第一权重系数、所述第二权重系数、所述第一护理手段、所述第二护理手段，生成所述第一护理方案。

具体而言，基于多方医疗平台的历史护理案例记录数据，分析各个护理案例中患者的疾病情况，包括疾病类别和疾病严重程度，同时分析当时对患者采取的护理手段、达到的护理效果等数据，从而确定不同种类疾病对应的有效护理手段，并构建所述疾病类别-护理手段列表。通过基于实际历史护理数据构建疾病类别-护理手段列表，为后续相同或相似情况的护理提供有效、真实、基于实践的有益参考。

基于所述第一用户当前的第一疾病信息，分析确定所述第一用户的护理疾病类别、当前疾病严重程度对应的第一疾病严重级别。根据所述第一疾病类别，在所述疾病类别-护理手段列表遍历确定该类别疾病在历史护理过程中，采取的所有护理手段，从而得到所述第一历史护理手段集。进一步的，基于所述第一用户当前疾病严重级别，对所述第一历史护理手段集进行筛选，确定适合所述第一用户当前实际情况的护理手段，即所述第一护理手段集。

进一步的，利用Delphi专家函询法对所述第一护理手段集中各护理手段进行赋权。举例如设定专业背景、从业时长、职称资历等条件进行专家遴选，进而得到各专家对调查问卷的回复数据，其中调查问卷为基于大数据设置护理调查问卷，问卷内容包括问卷背景、预选护理手段等，最后利用SPSS数据分析软件计算确定各护理手段在第一用户当前阶段的护理权重。也就是，基于专家回复数据依次确定所述第一护理手段的第一权重系数、所述第二护理手段的第二权重系数。其中，所述第一护理手段为所述第一护理手段集中的任一护理手段或护理方式，所述第二护理手段为所述第一护理手段集中，与所述第一护理手段不同的其他任一护理手段或方式。最后基于各护理手段及其权重系数，得到所述第一护理方案。

通过基于历史护理案例数据、第一用户的具体疾病数据，智能化分析确定第一护理方案，达到了提高护理方案的制定速度、个性化程度，为实际护理提供参考的技术效果。

进一步的，本发明步骤S210还包括：

步骤S211：基于大数据采集第一疾病列表，并对所述第一疾病列表进行类别划分，获得第一划分结果，其中，所述第一划分结果包括第一种类疾病、第二种类疾病；

步骤S212：依次确定所述第一种类疾病、所述第二种类疾病的第一级别划分规则、第二级别划分规则，构建疾病类别-划分规则列表；

步骤S213：根据所述第一用户的第一疾病信息和所述第一疾病列表，确定所述第一疾病类别；

步骤S214：根据所述疾病类别-划分规则列表，匹配所述第一疾病类别的第一划分规则；

步骤S215：根据所述第一疾病信息和所述第一划分规则，确定所述第一疾病严重级别。

具体而言，基于大数据得到所有疾病类型，组成第一疾病列表，进而得到各类疾病的诊疗记录，其中，各类疾病基于实际疾病严重程度进行严重级别划分，从而得到各类疾病的严重级别划分规则，即第一种类疾病的第一级别划分规则、第二种类疾病的第二级别划分规则，进而组建所述疾病类别-划分规则列表。进一步的，根据所述第一用户的疾病类别，匹配对应的疾病级别划分规则，从而基于所述第一用户的实际情况和对应的第一划分规则，确定所述第一用户的第一疾病严重级别。通过基于大数据确定第一用户的疾病种类、并对疾病的严重程度进行客观、具体的级别划分，达到了将用户疾病情况数字化、量化、直观化的技术效果。

进一步的，本发明还包括步骤S270：

步骤S271：利用BP系统采集所述第一用户的第一原始脑电信号，并对所述第一原始脑电信号进行预处理，获得第一预处理脑电信号；

步骤S272：提取所述第一预处理脑电信号中各电极的样本熵，组建第一样本熵集，其中，所述第一样本熵集包括多个样本熵；

步骤S273：依次对所述多个样本熵进行分析筛选，确定第一异常电极集；

步骤S274：获得所述第一异常电极集的多个异常电极，并把所述多个异常电极作为分类特征向量，组建第一特征向量集；

步骤S275：利用支持向量机原理对所述第一特征向量集中各分类特征向量进行分析，确定所述第一用户的第一心理状态；

步骤S276：根据所述第一心理状态生成第一心理干预方案，并根据所述第一心理干预方案对所述第一护理方案进行调整。

具体而言，所述BP系统包括脑电信号采集软件Brain Vision PyCorder和脑电信号分析软件Brain Vision Analyzer。其中，所述脑电信号采集软件Brain VisionPyCorder用于实时采集所述第一用户在第一护理阶段过程中的脑电信号，形成所述第一原始脑电信号；所述脑电信号分析软件Brain Vision Analyzer用于对所述脑电信号采集软件Brain Vision PyCorder采集的第一原始脑电信号进行处理分析，包括对眼电伪迹、肌电伪迹等进行剔除处理，从而得到所述第一预处理脑电信号。进一步的，分别计算所述第一预处理脑电信号中各电极的样本熵，组成第一样本熵集。其中，所述样本熵即所述第一用户脑电信号的混乱程度。进而，对所述第一样本熵集中各样本熵进行对比分析，提取样本熵与其他样本熵显著不同的电极，即异常电极，并将其作为分类特征向量，用于支持向量机的训练和智能分类，进而基于支持向量机分类结果确定第一用户的第一心理状态，从而实现实时监测第一用户心理的目标。最后基于第一用户的心理状态进行对应心理干预。举例如每天组织心理状态相似的用户进行心理咨询，建立护理人员和用户之间的信任关系，以正向案例鼓励、引导用户自我调整心理等。此外，可利用人格量表测试并确定所述第一用户的性格，并将用户心理、性格等因素加入护理方案制定的考虑因素中，并对第一护理方案进行调整，达到了提高护理方案全面性、综合性、个性化的技术效果。

进一步的，如附图3所示，本发明步骤S400还包括：

步骤S410：获得所述智能监测模块的内部体征监测单元、外部体征监测单元、心理情感监测单元；

步骤S420：根据所述内部体征监测单元采集所述第一用户的第一内部体征数据，并把所述第一内部体征数据作为第一分级特征；

步骤S430：根据所述外部体征监测单元采集所述第一用户的第一外部体征数据，并把所述第一外部体征数据作为第二分级特征；

步骤S440：根据所述心理情感监测单元采集所述第一用户的第一脑电特征数据，并把所述第一脑电特征数据作为第三分级特征；

步骤S450：依次对所述第一分级特征、所述第二分级特征、所述第三分级特征进行信息论编码运算，分别获得第一特征信息熵、第二特征信息熵、第三特征信息熵；

步骤S460：将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依次输入数据大小比对模型进行训练，获得第一根节点特征；

步骤S470：根据所述第一根节点特征和所述第一实时体征数据，构建所述护理阶段决策模型。

进一步的，本发明还包括步骤S480：

步骤S481：提取所述护理阶段决策模型的第一模型特征集，其中，所述第一模型特征集包括多个模型特征；

步骤S482：利用Python依次对所述多个模型特征进行可视化编码，分别获得多个编码结果；

步骤S483：根据所述多个编码结果实现所述护理阶段决策模型的模型可视化。

具体而言，将所述第一用户的第一内部体征数据作为第一分级特征、将所述第一用户的第一外部体征数据作为第二分级特征、将所述第一用户的第一脑电特征数据作为第三分级特征。其中，所述第一内部体征数据为第一用户体内机能特征指标，举例如血压、心率、体温等；所述第一外部体征数据为第一用户体外肢体、躯干的特征指标，举例如四肢活动状态等；所述第一脑电特征数据为第一用户在疾病护理时的心情状态，举例如焦虑不安等。进一步，依次对各分级特征进行信息论编码，即通过信息论编码中的信息熵计算公式：

,

其中，t表示随机变量，与之相对应的是所有可能输出的集合，定义为符号集，随机 变量的输出用t表示，

表示输出概率函数，变量的不确定性越大，熵也就越大。

通过计算确定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，进一步，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，最终构建所述护理阶段决策模型，达到基于第一用户的实际特征数据，快速确定对应护理阶段，进而进行阶梯式护理的技术效果。

基于所述护理阶段决策模型，依次提取各个模型特征得到第一模型特征集，举例如利用get Num Leafs获取模型叶子结点的数目、利用get Tree Depth获取模型的层数等。进一步利用Python的Matplotlib依次对各个模型特征进行可视化编码，分别得到多段代码，即所述多个编码结果，举例如利用plotNode绘制结点、利用plotMidText标注有向边属性值、利用plotTree绘制决策模型、利用createPlot创建绘制面板等。最终实现所述护理阶段决策模型的模型可视化。达到了直观、明确地观察用户当前护理阶段、护理进度的技术效果。

进一步的，如附图4所示，本发明步骤S600还包括：

步骤S610：获得所述第一护理阶段、所述第二护理阶段的第一护理手段集、第二护理手段集，并组合获得第一过渡期护理手段集；

步骤S620：获得所述第一实时体征数据的第一指标数据、第二指标数据；

步骤S630：若所述第一指标数据和/或所述第二指标数据不满足预设单指标阈值，获得第二调整指令；

步骤S640：根据所述第二调整指令对所述第一过渡期护理手段集进行护理手段筛选和权重调整，生成第一过渡期护理方案；

步骤S650：根据所述第一过渡期护理方案，对所述第一用户进行所述第一护理阶段后、所述第二护理阶段前的过渡护理。

具体而言，在所述第一用户第一护理阶段后、进入第二护理阶段前，将所述第一护理阶段、所述第二护理阶段对应的第一护理手段集、第二护理手段集进行组合，形成第一过渡期护理手段集，用于对所述第一用户的过渡期护理进行指导和参考。其中，在所述护理阶段决策模型评估第一用户实时体征监测数据，并得到第一评估指数，且所述第一评估指数满足预设评估阈值时，说明所述第一用户当前的整体状态已经达到了进入下一个护理阶段的程度。

进一步的，对所述第一实时体征数据中，所述第一用户的各个身体指标数据依次进行分析判断，确保各个身体指标均达到进入下一护理阶段的阈值。然而，当所述第一实时体征数据中有一个或多个指标数据不满足预设单指标阈值时，则系统自动发出第二调整指令，用于对所述第一过渡期护理手段集进行护理手段筛选和权重调整，并生成第一过渡期护理方案，用于指导第一用户在第一护理阶段后、第二护理阶段前的过渡护理。也就是说，在第一用户整体评估达到进入下一护理阶段后，依次对各个指标进行判断分析，若存在至少一个指标没有达到进入下个护理阶段程度，则对用户进行两个护理阶段间的过渡护理。即针对没有达到预设单指标阈值的指标，针对性调整护理手段等。举例如针对某用户整体状态可进入加强康复护理阶段，然而其腹部核心力量差，则将加强康复护理阶段的腹部核心训练项目适量减少，或难度适度降低。通过过渡期的护理，达到了提高护理个性化程度的效果，同时降低用户心理压力，使其顺利度过护理过渡期，进入第二护理阶段。

综上所述，本发明所提供的一种基于阶梯式护理干预的精细化护理方法具有如下技术效果：

1.通过基于大数据，生成用户当前疾病情况的第一护理方案，在基于第一护理方案对用户进行护理的过程中实时监测用户身体机能、生命体征等的变化数据；然后利用护理阶段决策模型对实时监测数据进行分析评估，当评估结果显示用户当前状态已满足预设评估阈值，系统自动对第一护理方案进行调整，生成适合用户当前最新状态的护理方案，即第二护理方案；最后基于第二护理方案对用户进行下一阶段的护理。通过基于用户实时体征数据针对性调整护理方案，形成阶梯式的护理干预，实现了护理干预个性化、阶段化的目标，同时达到了提高护理精细化、有效化的技术效果。

2.通过基于历史护理案例数据和用户实际疾病数据，智能化分析确定护理方案，并基于用户性格、心理状态等完善护理方案，达到了提高护理方案的制定速度、个性化程度，为用户提供全面、综合的护理方案，从而为实际护理提供参考的技术效果。

3.通过基于用户实时特征数据快速确定护理阶段，进而进行阶梯式的精细化护理，对于两个护理阶段的过渡期进行个性化的过渡护理，并利用Python实现护理阶段的可视化，达到了直观、明确地观察用户当前护理阶段、护理进度的技术效果。

实施例二

基于与前述实施例中一种基于阶梯式护理干预的精细化护理方法，同样发明构思，本发明还提供了一种基于阶梯式护理干预的精细化护理系统，请参阅附图5，所述系统包括：

第一获得单元11，所述第一获得单元11用于获得第一用户的第一基本信息，其中，所述第一基本信息包括第一疾病信息；

第一生成单元12，所述第一生成单元12用于基于大数据对所述第一疾病信息进行分析，生成第一护理方案；

第二获得单元13，所述第二获得单元13用于根据所述第一护理方案对所述第一用户进行第一护理阶段的护理干预，并利用智能监测模块进行所述第一用户的生命体征的实时监测，获得第一实时体征数据；

第三获得单元14，所述第三获得单元14用于利用分类回归树算法思想构建护理阶段决策模型，并利用所述护理阶段决策模型对所述第一实时体征数据进行分析评估，获得第一评估指数；

第四获得单元15，所述第四获得单元15用于若所述第一评估指数满足预设评估阈值，获得第一调整指令；

第二生成单元16，所述第二生成单元16用于根据所述第一调整指令对所述第一护理方案进行调整，生成第二护理方案；

第一执行单元17，所述第一执行单元17用于根据所述第二护理方案对所述第一用户进行第二护理阶段的护理干预。

进一步的，所述系统还包括：

第一确定单元，所述第一确定单元用于根据所述第一疾病信息，确定所述第一用户的第一疾病类别、第一疾病严重级别；

第一构建单元，所述第一构建单元用于基于多方医疗平台的历史护理记录，分析并构建疾病类别-护理手段列表；

第一匹配单元，所述第一匹配单元用于根据所述疾病类别-护理手段列表，匹配所述第一疾病类别的第一历史护理手段集，其中，所述第一历史护理手段集包括多个历史护理手段；

第一组建单元，所述第一组建单元用于根据所述第一疾病严重级别对所述多个历史护理手段进行筛选，组建第一护理手段集，其中，所述第一护理手段集包括第一护理手段、第二护理手段；

第五获得单元，所述第五获得单元用于利用Delphi专家函询法依次获得所述第一护理手段的第一权重系数、所述第二护理手段的第二权重系数；

第三生成单元，所述第三生成单元用于基于所述第一权重系数、所述第二权重系数、所述第一护理手段、所述第二护理手段，生成所述第一护理方案。

进一步的，所述系统还包括：

第六获得单元，所述第六获得单元用于基于大数据采集第一疾病列表，并对所述第一疾病列表进行类别划分，获得第一划分结果，其中，所述第一划分结果包括第一种类疾病、第二种类疾病；

第二构建单元，所述第二构建单元用于依次确定所述第一种类疾病、所述第二种类疾病的第一级别划分规则、第二级别划分规则，构建疾病类别-划分规则列表；

第二确定单元，所述第二确定单元用于根据所述第一用户的第一疾病信息和所述第一疾病列表，确定所述第一疾病类别；

第二匹配单元，所述第二匹配单元用于根据所述疾病类别-划分规则列表，匹配所述第一疾病类别的第一划分规则；

第三确定单元，所述第三确定单元用于根据所述第一疾病信息和所述第一划分规则，确定所述第一疾病严重级别。

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利用BP系统采集所述第一用户的第一原始脑电信号，并对所述第一原始脑电信号进行预处理，获得第一预处理脑电信号；

第二组建单元，所述第二组建单元用于提取所述第一预处理脑电信号中各电极的样本熵，组建第一样本熵集，其中，所述第一样本熵集包括多个样本熵；

第四确定单元，所述第四确定单元用于依次对所述多个样本熵进行分析筛选，确定第一异常电极集；

第三组建单元，所述第三组建单元用于获得所述第一异常电极集的多个异常电极，并把所述多个异常电极作为分类特征向量，组建第一特征向量集；

第五确定单元，所述第五确定单元用于利用支持向量机原理对所述第一特征向量集中各分类特征向量进行分析，确定所述第一用户的第一心理状态；

第二执行单元，所述第二执行单元用于根据所述第一心理状态生成第一心理干预方案，并根据所述第一心理干预方案对所述第一护理方案进行调整。

进一步的，所述系统还包括：

第八获得单元，所述第八获得单元用于获得所述智能监测模块的内部体征监测单元、外部体征监测单元、心理情感监测单元；

第一设置单元，所述第一设置单元用于根据所述内部体征监测单元采集所述第一用户的第一内部体征数据，并把所述第一内部体征数据作为第一分级特征；

第二设置单元，所述第二设置单元用于根据所述外部体征监测单元采集所述第一用户的第一外部体征数据，并把所述第一外部体征数据作为第二分级特征；

第三设置单元，所述第三设置单元用于根据所述心理情感监测单元采集所述第一用户的第一脑电特征数据，并把所述第一脑电特征数据作为第三分级特征；

第九获得单元，所述第九获得单元用于依次对所述第一分级特征、所述第二分级特征、所述第三分级特征进行信息论编码运算，分别获得第一特征信息熵、第二特征信息熵、第三特征信息熵；

第十获得单元，所述第十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、所述第三特征信息熵依次输入数据大小比对模型进行训练，获得第一根节点特征；

第三构建单元，所述第三构建单元用于根据所述第一根节点特征和所述第一实时体征数据，构建所述护理阶段决策模型。

进一步的，所述系统还包括：

第一提取单元，所述第一提取单元用于提取所述护理阶段决策模型的第一模型特征集，其中，所述第一模型特征集包括多个模型特征；

第十一获得单元，所述第十一获得单元用于利用Python依次对所述多个模型特征进行可视化编码，分别获得多个编码结果；

第三执行单元，所述第三执行单元用于根据所述多个编码结果实现所述护理阶段决策模型的模型可视化。

进一步的，所述系统还包括：

第十二获得单元，所述第十二获得单元用于获得所述第一护理阶段、所述第二护理阶段的第一护理手段集、第二护理手段集，并组合获得第一过渡期护理手段集；

第十三获得单元，所述第十三获得单元用于获得所述第一实时体征数据的第一指标数据、第二指标数据；

第十四获得单元，所述第十四获得单元用于若所述第一指标数据和/或所述第二指标数据不满足预设单指标阈值，获得第二调整指令；

第三生成单元，所述第三生成单元用于根据所述第二调整指令对所述第一过渡期护理手段集进行护理手段筛选和权重调整，生成第一过渡期护理方案；

第四执行单元，所述第四执行单元用于根据所述第一过渡期护理方案，对所述第一用户进行所述第一护理阶段后、所述第二护理阶段前的过渡护理。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，前述图1实施例一中的一种基于阶梯式护理干预的精细化护理方法和具体实例同样适用于本实施例的一种基于阶梯式护理干预的精细化护理系统，通过前述对一种基于阶梯式护理干预的精细化护理方法的详细描述，本领域技术人员可以清楚的知道本实施例中一种基于阶梯式护理干预的精细化护理系统，所以为了说明书的简洁，在此不再详述。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

示例性电子设备

下面参考图6来描述本发明的电子设备。

图6图示了根据本发明的电子设备的结构示意图。

基于与前述实施例中一种基于阶梯式护理干预的精细化护理方法的发明构思，本发明还提供一种基于阶梯式护理干预的精细化护理系统，其上存储有计算机程序，该程序被处理器执行时实现前文所述一种基于阶梯式护理干预的精细化护理方法的任一方法的步骤。

其中，在图6中，总线架构（用总线300来代表），总线300可以包括任意数量的互联的总线和桥，总线300将包括由处理器302代表的一个或多个处理器和存储器304代表的存储器的各种电路链接在一起。总线300还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口305在总线300和接收器301和发送器303之间提供接口。接收器301和发送器303可以是同一个元件，即收发机，提供用于在传输介质上与各种其他装置通信的单元。

处理器302负责管理总线300和通常的处理，而存储器304可以被用于存储处理器302在执行操作时所使用的数据。

本发明提供了一种基于阶梯式护理干预的精细化护理方法，所述方法应用于一种基于阶梯式护理干预的精细化护理系统，其中，所述方法包括：通过获得第一用户的第一基本信息，其中，所述第一基本信息包括第一疾病信息；基于大数据对所述第一疾病信息进行分析，生成第一护理方案；根据所述第一护理方案对所述第一用户进行第一护理阶段的护理干预，并利用智能监测模块进行所述第一用户的生命体征的实时监测，获得第一实时体征数据；利用分类回归树算法思想构建护理阶段决策模型，并利用所述护理阶段决策模型对所述第一实时体征数据进行分析评估，获得第一评估指数；若所述第一评估指数满足预设评估阈值，获得第一调整指令；根据所述第一调整指令对所述第一护理方案进行调整，生成第二护理方案；根据所述第二护理方案对所述第一用户进行第二护理阶段的护理干预。解决了现有技术中在对用户进行健康护理时，由主治医生和护理人员基于对用户病情的掌握和诊治、护理经验主观确定护理方案，存在护理方案笼统、粗略、个性化程度低，同时存在无法基于用户实时护理进展及时动态调整护理方案的技术问题。通过基于用户实时体征数据针对性调整护理方案，形成阶梯式的护理干预，实现了护理干预个性化、阶段化的目标，同时达到了提高护理精细化、有效化的技术效果。

本发明还提供一种电子设备，其中，包括处理器和存储器；

该存储器，用于存储；

该处理器，用于通过调用，执行上述实施例一中任一项所述的方法。

本发明还提供一种计算机程序产品，包括计算机程序和/或指令，该计算机程序和/或指令被处理器执行时实现上述实施例一中任一项所述方法的步骤。

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、装置、或计算机程序产品。因此，本发明可采用完全软件实施例、完全硬件实施例、或结合软件和硬件方面实施例的形式。此外，本发明为可以在一个或多个包含有计算机可用程序代码的计算机可用存储介质上实施的计算机程序产品的形式。而所述的计算机可用存储介质包括但不限于：U盘、移动硬盘、只读存储器（Read-Only Memory，简称ROM）、随机存取存储器（Random AccessMemory，简称RAM）、磁盘存储器、只读光盘（Compact Disc Read-Only Memory，简称CD-ROM）、光学存储器等各种可以存储程序代码的介质。

本发明是参照本发明的方法、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系统。

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系统的制造品，该指令系统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。尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (10)

1.一种基于阶梯式护理干预的精细化护理方法，其特征在于，所述方法包括：

获得第一用户的第一基本信息，其中，所述第一基本信息包括第一疾病信息；

基于大数据对所述第一疾病信息进行分析，生成第一护理方案；

根据所述第一护理方案对所述第一用户进行第一护理阶段的护理干预，并利用智能监测模块进行所述第一用户的生命体征的实时监测，获得第一实时体征数据；

利用分类回归树算法思想构建护理阶段决策模型，并利用所述护理阶段决策模型对所述第一实时体征数据进行分析评估，获得第一评估指数；

若所述第一评估指数满足预设评估阈值，获得第一调整指令；

根据所述第一调整指令对所述第一护理方案进行调整，生成第二护理方案；

根据所述第二护理方案对所述第一用户进行第二护理阶段的护理干预。

2.如权利要求1所述的方法，其特征在于，所述生成第一护理方案，包括：

根据所述第一疾病信息，确定所述第一用户的第一疾病类别、第一疾病严重级别；

基于多方医疗平台的历史护理记录，分析并构建疾病类别-护理手段列表；

根据所述疾病类别-护理手段列表，匹配所述第一疾病类别的第一历史护理手段集，其中，所述第一历史护理手段集包括多个历史护理手段；

根据所述第一疾病严重级别对所述多个历史护理手段进行筛选，组建第一护理手段集，其中，所述第一护理手段集包括第一护理手段、第二护理手段；

利用Delphi专家函询法依次获得所述第一护理手段的第一权重系数、所述第二护理手段的第二权重系数；

基于所述第一权重系数、所述第二权重系数、所述第一护理手段、所述第二护理手段，生成所述第一护理方案。

3.如权利要求2所述的方法，其特征在于，所述确定所述第一用户的第一疾病类别、第一疾病严重级别，包括：

基于大数据采集第一疾病列表，并对所述第一疾病列表进行类别划分，获得第一划分结果，其中，所述第一划分结果包括第一种类疾病、第二种类疾病；

依次确定所述第一种类疾病、所述第二种类疾病的第一级别划分规则、第二级别划分规则，构建疾病类别-划分规则列表；

根据所述第一用户的第一疾病信息和所述第一疾病列表，确定所述第一疾病类别；

根据所述疾病类别-划分规则列表，匹配所述第一疾病类别的第一划分规则；

根据所述第一疾病信息和所述第一划分规则，确定所述第一疾病严重级别。

4.如权利要求2所述的方法，其特征在于，所述生成所述第一护理方案，之后包括：

利用BP系统采集所述第一用户的第一原始脑电信号，并对所述第一原始脑电信号进行预处理，获得第一预处理脑电信号；

提取所述第一预处理脑电信号中各电极的样本熵，组建第一样本熵集，其中，所述第一样本熵集包括多个样本熵；

依次对所述多个样本熵进行分析筛选，确定第一异常电极集；

获得所述第一异常电极集的多个异常电极，并把所述多个异常电极作为分类特征向量，组建第一特征向量集；

利用支持向量机原理对所述第一特征向量集中各分类特征向量进行分析，确定所述第一用户的第一心理状态；

根据所述第一心理状态生成第一心理干预方案，并根据所述第一心理干预方案对所述第一护理方案进行调整。

5.如权利要求1所述的方法，其特征在于，所述利用分类回归树算法思想构建护理阶段决策模型，包括：

获得所述智能监测模块的内部体征监测单元、外部体征监测单元、心理情感监测单元；

根据所述内部体征监测单元采集所述第一用户的第一内部体征数据，并把所述第一内部体征数据作为第一分级特征；

根据所述外部体征监测单元采集所述第一用户的第一外部体征数据，并把所述第一外部体征数据作为第二分级特征；

根据所述心理情感监测单元采集所述第一用户的第一脑电特征数据，并把所述第一脑电特征数据作为第三分级特征；

依次对所述第一分级特征、所述第二分级特征、所述第三分级特征进行信息论编码运算，分别获得第一特征信息熵、第二特征信息熵、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、所述第三特征信息熵依次输入数据大小比对模型进行训练，获得第一根节点特征；

根据所述第一根节点特征和所述第一实时体征数据，构建所述护理阶段决策模型。

6.如权利要求5所述的方法，其特征在于，所述构建所述护理阶段决策模型，之后包括：

提取所述护理阶段决策模型的第一模型特征集，其中，所述第一模型特征集包括多个模型特征；

利用Python依次对所述多个模型特征进行可视化编码，分别获得多个编码结果；

根据所述多个编码结果实现所述护理阶段决策模型的模型可视化。

7.如权利要求1所述的方法，其特征在于，所述生成第二护理方案，之前包括：

获得所述第一护理阶段、所述第二护理阶段的第一护理手段集、第二护理手段集，并组合获得第一过渡期护理手段集；

获得所述第一实时体征数据的第一指标数据、第二指标数据；

若所述第一指标数据和/或所述第二指标数据不满足预设单指标阈值，获得第二调整指令；

根据所述第二调整指令对所述第一过渡期护理手段集进行护理手段筛选和权重调整，生成第一过渡期护理方案；

根据所述第一过渡期护理方案，对所述第一用户进行所述第一护理阶段后、第二护理阶段前的过渡护理。

8.一种基于阶梯式护理干预的精细化护理系统，其特征在于，所述基于阶梯式护理干预的精细化护理系统应用于权利要求1~7任一所述方法，所述系统包括：

第一获得单元：所述第一获得单元用于获得第一用户的第一基本信息，其中，所述第一基本信息包括第一疾病信息；

第一生成单元：所述第一生成单元用于基于大数据对所述第一疾病信息进行分析，生成第一护理方案；

第二获得单元：所述第二获得单元用于根据所述第一护理方案对所述第一用户进行第一护理阶段的护理干预，并利用智能监测模块进行所述第一用户的生命体征的实时监测，获得第一实时体征数据；

第三获得单元：所述第三获得单元用于利用分类回归树算法思想构建护理阶段决策模型，并利用所述护理阶段决策模型对所述第一实时体征数据进行分析评估，获得第一评估指数；

第四获得单元：所述第四获得单元用于若所述第一评估指数满足预设评估阈值，获得第一调整指令；

第二生成单元：所述第二生成单元用于根据所述第一调整指令对所述第一护理方案进行调整，生成第二护理方案；

第一执行单元：所述第一执行单元用于根据所述第二护理方案对所述第一用户进行第二护理阶段的护理干预。

9.一种电子设备，其特征在于，包括处理器和存储器；

所述存储器，用于存储；

所述处理器，用于通过调用，执行权利要求1~7中任一项所述的方法。

10.一种计算机程序产品，包括计算机程序和/或指令，其特征在于，该计算机程序和/或指令被处理器执行时实现权利要求1~7中任一项所述方法的步骤。

Images