CN114694852A - 一种慢性疾病分析方法及系统 - Google Patents

一种慢性疾病分析方法及系统 Download PDF

Info

Publication number
CN114694852A
CN114694852A CN202210386033.9A CN202210386033A CN114694852A CN 114694852 A CN114694852 A CN 114694852A CN 202210386033 A CN202210386033 A CN 202210386033A CN 114694852 A CN114694852 A CN 114694852A
Authority
CN
China
Prior art keywords
data
correlation coefficient
sign data
human body
bmi
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
Application number
CN202210386033.9A
Other languages
English (en)
Inventor
田飞
张红广
王嘉诚
刘凯
昌红玉
靳雪
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan Keling Intelligent Technology Co ltd
Original Assignee
Wuhan Keling Intelligent Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Wuhan Keling Intelligent Technology Co ltd filed Critical Wuhan Keling Intelligent Technology Co ltd
Priority to CN202210386033.9A priority Critical patent/CN114694852A/zh
Publication of CN114694852A publication Critical patent/CN114694852A/zh
Pending legal-status Critical Current

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
    • G16H80/00—ICT specially adapted for facilitating communication between medical practitioners or patients, e.g. for collaborative diagnosis, therapy or health monitoring
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/906—Clustering; Classification
    • 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
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/10—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to patients
    • 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
    • G16H50/70—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)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Epidemiology (AREA)
  • Biomedical Technology (AREA)
  • Pathology (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Medicinal Chemistry (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

本发明公开了一种慢性疾病分析方法及系统。获取各人体体征数据和健康档案数据，再通过公式计算得到各当前人体体征数据与历史人体体征数据之间的关联系数；接着计算得到体征数据整体关联系数；再根据健康档案数据进行人群聚类，得到分类结果，从而将用户的慢性疾病及并发症发生风险进行聚类分析；最后将体征数据整体关联系数和分类结果输入到训练好的基于人工神经网络的决策支持模型中，输出周期性治疗方案，实现了提高了慢病管理的信息化程度和降低了医护人员的工作强度的技术效果。

Description

一种慢性疾病分析方法及系统
技术领域
本发明涉及慢性疾病治疗技术领域，尤其涉及一种慢性疾病分析方法及系统。
背景技术
应对人口老龄化是全球共同关注的话题，也是中国面对的现实问题。中国已经成为世界上老年人口最多的国家，截至2017年，65周岁及以上人口占比11.4％。老年人中慢性疾病的患病比例很高，而我国基层医疗资源尤其是全科医生、家庭医生数量不足，人均医护比较低，从而导致在针对老年人群的慢性疾病诊疗管理方面面临很大的压力。
目前老年人的慢病管理主要还是依靠医护人员，信息化程度低，导致医护人员人效比很低，在短期内很难大幅增加医护人员数据的情况下导致对老年人的慢病管理覆盖有限，医护人员工作强度大。
发明内容
本发明通过提供一种慢性疾病分析方法及系统，解决了现有技术中慢病管理主要还是依靠医护人员，信息化程度低的技术问题，实现了提高了慢病管理的信息化程度和降低了医护人员的工作强度的技术效果。
本发明提供了一种慢性疾病分析方法，包括：
获取各人体体征数据；
通过公式
Figure BDA0003595011710000011
计算得到各当前人体体征数据与历史人体体征数据之间的关联系数；其中，tj表示当前时刻，n表示获取的人体体征数据的种类数量，TPi表示当前人体体征数据，HPi表示历史同一时段体征值；
通过公式H＝LevelBMI*WBMI+LevelBP*WBP+LevelBS*WBS计算得到体征数据整体关联系数；其中，LevelBMI、LevelBP和LevelBS分别表示BMI的关联系数、血压的关联系数和血糖的关联系数，WBMI、WBP和WBS分别表示BMI、血压和血糖的相应权重；
获取健康档案数据；
根据所述健康档案数据进行人群聚类，得到分类结果；
将所述体征数据整体关联系数和所述分类结果输入到训练好的基于人工神经网络的决策支持模型中，输出周期性治疗方案。
具体来说，所述根据所述健康档案数据进行人群聚类，得到分类结果，包括：
步骤1：随机选取K个点作为K个聚类的初始中心点；
步骤2：将每个人群样本分配给与所述初始中心点距离最近的聚类；其中，所述人群样本至少包括所述健康档案维度数据、既往史维度数据和依从性维度数据；
步骤3：更新每个聚类的中心点位置，得到每个人群的分类结果；
步骤4：若满足预设的终止条件，则终止聚类，否则回到步骤2。
具体来说，所述预设的终止条件为每个聚类中心点位置的变化量小于或者等于设定的变化量阈值。
具体来说，所述将所述体征数据整体关联系数和所述分类结果输入到训练好的基于人工神经网络的决策支持模型中，输出周期性治疗方案，包括：
将所述体征数据整体关联系数、所述分类结果、人口统计学数据、临床数据、实验室数据、遗传学数据输入到所述基于人工神经网络的决策支持模型中，从预设的治疗方案数据库中自动抽取一组内容进行周期性定期展示。
具体来说，所述预设的治疗方案数据库包括：疾病临床路径信息、药学服务内容、诊治指导方针、患教内容、医疗资源信息。
本发明还提供了一种慢性疾病分析系统，包括：
人体体征数据获取模块，用于获取各人体体征数据；
单一人体体征数据关联系数计算模块，用于通过公式
Figure BDA0003595011710000031
Figure BDA0003595011710000032
计算得到各当前人体体征数据与历史人体体征数据之间的关联系数；其中，tj表示当前时刻，n表示获取的人体体征数据的种类数量，TPi表示当前人体体征数据，HPi表示历史同一时段体征值；
整体人体体征数据关联系数计算模块，用于通过公式H＝LevelBMI*WBMI+LevelBP*WBP+LevelBS*WBS计算得到体征数据整体关联系数；其中，LevelBMI、LevelBP和LevelBS分别表示BMI的关联系数、血压的关联系数和血糖的关联系数，WBMI、WBP和WBS分别表示BMI、血压和血糖的相应权重；
健康档案数据获取模块，用于获取健康档案数据；
人群分类模块，用于根据所述健康档案数据进行人群聚类，得到分类结果；
治疗方案输出模块，用于将所述体征数据整体关联系数和所述分类结果输入到训练好的基于人工神经网络的决策支持模型中，输出周期性治疗方案。
具体来说，所述人群分类模块，包括：
初始中心点选取单元，用于随机选取K个点作为K个聚类的初始中心点；
聚类执行单元，用于将每个人群样本分配给与所述初始中心点距离最近的聚类；其中，所述人群样本至少包括所述健康档案维度数据、既往史维度数据和依从性维度数据；
聚类更新单元，用于更新每个聚类的中心点位置，得到每个人群的分类结果；若满足预设的终止条件，则终止聚类。
具体来说，所述预设的终止条件为每个聚类中心点位置的变化量小于或者等于设定的变化量阈值。
具体来说，所述治疗方案输出模块，具体用于将所述体征数据整体关联系数、所述分类结果、人口统计学数据、临床数据、实验室数据、遗传学数据输入到所述基于人工神经网络的决策支持模型中，从预设的治疗方案数据库中自动抽取一组内容进行周期性定期展示。
具体来说，所述预设的治疗方案数据库包括：疾病临床路径信息、药学服务内容、诊治指导方针、患教内容、医疗资源信息。
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：
获取各人体体征数据和健康档案数据，再通过公式计算得到各当前人体体征数据与历史人体体征数据之间的关联系数；接着计算得到体征数据整体关联系数；再根据健康档案数据进行人群聚类，得到分类结果，从而将用户的慢性疾病及并发症发生风险进行聚类分析；最后将体征数据整体关联系数和分类结果输入到训练好的基于人工神经网络的决策支持模型中，输出周期性治疗方案，实现了提高了慢病管理的信息化程度和降低了医护人员的工作强度的技术效果。
附图说明
图1为本发明实施例提供的慢性疾病分析方法的流程图；
图2为本发明实施例提供的慢性疾病分析系统的模块图。
具体实施方式
本发明实施例通过提供一种慢性疾病分析方法及系统，解决了现有技术中慢病管理主要还是依靠医护人员，信息化程度低的技术问题，实现了提高了慢病管理的信息化程度和降低了医护人员的工作强度的技术效果。
本发明实施例中的技术方案为解决上述问题，总体思路如下：
获取各人体体征数据和健康档案数据，再通过公式计算得到各当前人体体征数据与历史人体体征数据之间的关联系数；接着计算得到体征数据整体关联系数；再根据健康档案数据进行人群聚类，得到分类结果，从而将用户的慢性疾病及并发症发生风险进行聚类分析；最后将体征数据整体关联系数和分类结果输入到训练好的基于人工神经网络的决策支持模型中，输出周期性治疗方案，实现了提高了慢病管理的信息化程度和降低了医护人员的工作强度的技术效果。
为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
参见图1，本发明实施例提供的慢性疾病分析方法，包括：
步骤S110：获取各人体体征数据；
在本实施例中，获取的各人体体征数据包括：血压、血糖、血脂等数据。
步骤S120：通过公式
Figure BDA0003595011710000051
计算得到各当前人体体征数据与历史人体体征数据之间的关联系数；其中，tj表示当前时刻，n表示获取的人体体征数据的种类数量，例如当前系统总计可获得血压、血糖、BMI三个人体体征，则n＝3，TPi表示当前人体体征数据，HPi表示历史同一时段体征值；
步骤S130：通过公式H＝LevelBMI*WBMI+LevelBP*WBP+LevelBS*WBS计算得到体征数据整体关联系数；其中，LevelBMI、LevelBP和LevelBS分别表示BMI的关联系数、血压的关联系数和血糖的关联系数，WBMI、WBP和WBS分别表示BMI、血压和血糖的相应权重；
步骤S140：获取健康档案数据；
步骤S150：根据健康档案数据进行人群聚类，得到分类结果；
对本步骤进行具体说明，根据健康档案数据进行人群聚类，得到分类结果，包括：
步骤1：随机选取K个点作为K个聚类的初始中心点；
具体地，将人群分成慢病发生高风险人群、慢病发生低风险人群、慢病前期并发症高风险人群、慢病前期并发症低风险人群、慢病患者引起心脑血管意外高风险人群、慢病患者引起心脑血管意外低风险人群共六大类。因此，在本实施例中，K＝6。
步骤2：将每个人群样本分配给与初始中心点距离最近的聚类；其中，人群样本至少包括健康档案维度数据、既往史维度数据和依从性维度数据；在本实施例中，健康档案维度数据包括：BMI、是否吸烟、是否饮酒、锻炼频率等，既往史维度数据包括：过往是否诊断过三高、家族遗传史、三高关联疾病诊断等，依从性维度数据包括：复诊依从性、用药依从性等。
这里需要说明的是，在将用户的三大维度特征信息提取后，初步确定三大维度权重的初步比例关系，对特征进行两两比较得到相应的评价矩阵，并进行相应的调整以使其通过一致性检验，利用层次分析法求得三大维度特征的权重。
步骤3：更新每个聚类的中心点位置，得到每个人群的分类结果；
步骤4：若满足预设的终止条件，则终止聚类，否则回到步骤2。
在本实施例中，预设的终止条件为每个聚类中心点位置的变化量小于或者等于设定的变化量阈值，即每个聚类中心点位置几乎不变动。
这里需要说明的是，各人体体征数据和健康档案数据的获取不区分先后，也可以同时获取。
步骤S160：将体征数据整体关联系数和分类结果输入到训练好的基于人工神经网络的决策支持模型中，输出周期性治疗方案。
对本步骤进行具体说明，将体征数据整体关联系数和分类结果输入到训练好的基于人工神经网络的决策支持模型中，输出周期性治疗方案，包括：
将体征数据整体关联系数、分类结果、人口统计学数据、临床数据、实验室数据、遗传学数据输入到基于人工神经网络的决策支持模型中，从预设的治疗方案数据库中自动抽取一组内容进行周期性定期展示。
具体地，预设的治疗方案数据库包括：疾病临床路径信息、药学服务内容、诊治指导方针、患教内容、医疗资源信息。
对本步骤进行进一步说明，输入层包括多个输入变量如人口统计学数据、临床数据、实验室数据、遗传学等数据，尤其包括上述步骤中的当前体征值和历史同时期特征值的风险关联系数和慢性疾病及并发症风险预测分类结果，从而能够使得干预方案更加准确全面和更个性化。通过把这些变量分组并编码，通过级联的学习过程确定隐藏层中的节点。输出层包含的每个节点对应一种干预或治疗方案。系统可根据干预或治疗方案从预设的干预或治疗方案数据库中自动抽取一组内容进行周期性定期展示。
预设的治疗方案数据库为以规则为基础的知识库系统。知识库内含有指南类型的标准化内容，也可编辑完善创新性专业知识内容。例如针对药学服务相关知识库可由医学专家按照内容分类进行编写完善，按照类目进行归档入库，每一次干预向用户发送其中的一条或一组内容。各内容分类简要说明如下：
Figure BDA0003595011710000071
用法用量：对每种药物给出常规用法，包括每日服用次数、每次服用剂量、常规用药禁忌、特殊情况调整方法等。
Figure BDA0003595011710000072
药物知识：对药物种类、主要成分、功效等加以说明，尤其是适用注意事项、常见不良反应及处理方法。
Figure BDA0003595011710000073
疾病知识：对疾病定义、病因及诱发因素等加以说明，并根据最常见的病因及诱发因素给出生活方式建议。
Figure BDA0003595011710000074
用药依从：从患者教育的角度强调按照医嘱服药的重要性并提醒用药
Figure BDA0003595011710000075
复购提醒：当按照正确用法用量计算出患者所购药物将要服用完或已服用完但未检测到患者购药行为时触发复购提醒，提醒患者购买补充药品，继续按照医嘱用药。
Figure BDA0003595011710000076
并发症危害：列举常见并发症及其风险，使患者对疾病的危害性有更深的认识。
Figure BDA0003595011710000077
效果评估：当患者持续一个月以上进行服药和指标检测后，会根据检测结果趋势进行效果评估，让患者对疾病控制效果有直观的了解。
Figure BDA0003595011710000078
用药禁忌：对特殊人群和特殊药物对用药禁忌专门提醒。
Figure BDA0003595011710000079
检测提醒：针对血压、血糖类需要长期检测的指标，当患者一段时间内未上传检测记录时，对患者发出检测提醒。
最终生成的结果方案为在一个周期内给用户展示一组干预方案，此干预方案触达用户的周期、频率和内容由上述基于人工神经网络的决策支持模型的结果决定。
患者在整个周期得到9次干预提醒的一个示例如下：
Figure BDA0003595011710000081
参见图2，本发明实施例提供的慢性疾病分析系统，包括：
人体体征数据获取模块100，用于获取各人体体征数据；
这里需要说明的是，本系统包含数据获取模块，综合汇总多种异构的用户信息，包括：
(1)用户手动填报的基础信息：年龄、性别、身高、体重、收入、现病史、既往史、家族史等
(2)体征检测数据：包括血压、血糖、血脂、体重等。数据来源包括用户手工填报、家庭检测设备自动上传、医院或体检机构数据同步等。
(3)购药数据：来自药店ERP自动同步数据的抓取和用户手动填报的购药数据。购药数据可根据药物的用法用量知识、购买频次和数量，推算用户的用药依从性。
(4)就诊数据：主要来自医院HIS系统同步抓取，同时可结合用户手动填报记录。
在抓取数据之后，对数据进行归一化和清洗处理。例如针对购药记录的特点，以天为单位整合每个用员的购药信息，把同一天购药信息整合并作为单次购药信息；删除有退药记录的会员；删除单次购药金额很小的记录；如多种渠道的数据来源发现有数据重复问题，去除重复记录仅保留一条记录。
单一人体体征数据关联系数计算模块200，用于通过公式
Figure BDA0003595011710000082
Figure BDA0003595011710000083
计算得到各当前人体体征数据与历史人体体征数据之间的关联系数；其中，tj表示当前时刻，n表示获取的人体体征数据的种类数量，例如当前系统总计可获得血压、血糖、BMI三个人体体征，则n＝3，TPi表示当前人体体征数据，HPi表示历史同一时段体征值；
整体人体体征数据关联系数计算模块300，用于通过公式H＝LevelBMI*WBMI+LevelBP*WBP+LevelBS*WBS计算得到体征数据整体关联系数；其中，LevelBMI、LevelBP和LevelBS分别表示BMI的关联系数、血压的关联系数和血糖的关联系数，WBMI、WBP和WBS分别表示BMI、血压和血糖的相应权重；
健康档案数据获取模块400，用于获取健康档案数据；
人群分类模块500，用于根据健康档案数据进行人群聚类，得到分类结果；
具体地，人群分类模块500，包括：
初始中心点选取单元，用于随机选取K个点作为K个聚类的初始中心点；具体地，将人群分成慢病发生高风险人群、慢病发生低风险人群、慢病前期并发症高风险人群、慢病前期并发症低风险人群、慢病患者引起心脑血管意外高风险人群、慢病患者引起心脑血管意外低风险人群共六大类。因此，在本实施例中，K＝6。
聚类执行单元，用于将每个人群样本分配给与初始中心点距离最近的聚类；其中，人群样本至少包括健康档案维度数据、既往史维度数据和依从性维度数据；在本实施例中，健康档案维度数据包括：BMI、是否吸烟、是否饮酒、锻炼频率等，既往史维度数据包括：过往是否诊断过三高、家族遗传史、三高关联疾病诊断等，依从性维度数据包括：复诊依从性、用药依从性等。
这里需要说明的是，在将用户的三大维度特征信息提取后，初步确定三大维度权重的初步比例关系，对特征进行两两比较得到相应的评价矩阵，并进行相应的调整以使其通过一致性检验，利用层次分析法求得三大维度特征的权重。
聚类更新单元，用于更新每个聚类的中心点位置，得到每个人群的分类结果；若满足预设的终止条件，则终止聚类。
在本实施例中，预设的终止条件为每个聚类中心点位置的变化量小于或者等于设定的变化量阈值，即每个聚类中心点位置几乎不变动。
这里需要说明的是，各人体体征数据和健康档案数据的获取不区分先后，也可以同时获取。
治疗方案输出模块600，用于将体征数据整体关联系数和分类结果输入到训练好的基于人工神经网络的决策支持模型中，输出周期性治疗方案。
具体地，治疗方案输出模块600，具体用于将体征数据整体关联系数、分类结果、人口统计学数据、临床数据、实验室数据、遗传学数据输入到基于人工神经网络的决策支持模型中，从预设的治疗方案数据库中自动抽取一组内容进行周期性定期展示。
在本实施例中，预设的治疗方案数据库包括：疾病临床路径信息、药学服务内容、诊治指导方针、患教内容、医疗资源信息。
技术效果
获取各人体体征数据和健康档案数据，再通过公式计算得到各当前人体体征数据与历史人体体征数据之间的关联系数；接着计算得到体征数据整体关联系数；再根据健康档案数据进行人群聚类，得到分类结果，从而将用户的慢性疾病及并发症发生风险进行聚类分析；最后将体征数据整体关联系数和分类结果输入到训练好的基于人工神经网络的决策支持模型中，输出周期性治疗方案，实现了提高了慢病管理的信息化程度和降低了医护人员的工作强度的技术效果。
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发明实施例的方法、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。
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。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
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权利要求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)

1.一种慢性疾病分析方法，其特征在于，包括：
获取各人体体征数据；
通过公式
Figure FDA0003595011700000011
计算得到各当前人体体征数据与历史人体体征数据之间的关联系数；其中，tj表示当前时刻，n表示获取的人体体征数据的种类数量，TPi表示当前人体体征数据，HPi表示历史同一时段体征值；
通过公式H＝LevelBMI*WBMI+LevelBP*WBP+LevelBS*WBS计算得到体征数据整体关联系数；其中，LevelBMI、LevelBP和LevelBS分别表示BMI的关联系数、血压的关联系数和血糖的关联系数，WBMI、WBP和WBS分别表示BMI、血压和血糖的相应权重；
获取健康档案数据；
根据所述健康档案数据进行人群聚类，得到分类结果；
将所述体征数据整体关联系数和所述分类结果输入到训练好的基于人工神经网络的决策支持模型中，输出周期性治疗方案。
2.如权利要求1所述的方法，其特征在于，所述根据所述健康档案数据进行人群聚类，得到分类结果，包括：
步骤1：随机选取K个点作为K个聚类的初始中心点；
步骤2：将每个人群样本分配给与所述初始中心点距离最近的聚类；其中，所述人群样本至少包括所述健康档案维度数据、既往史维度数据和依从性维度数据；
步骤3：更新每个聚类的中心点位置，得到每个人群的分类结果；
步骤4：若满足预设的终止条件，则终止聚类，否则回到步骤2。
3.如权利要求2所述的方法，其特征在于，所述预设的终止条件为每个聚类中心点位置的变化量小于或者等于设定的变化量阈值。
4.如权利要求1所述的方法，其特征在于，所述将所述体征数据整体关联系数和所述分类结果输入到训练好的基于人工神经网络的决策支持模型中，输出周期性治疗方案，包括：
将所述体征数据整体关联系数、所述分类结果、人口统计学数据、临床数据、实验室数据、遗传学数据输入到所述基于人工神经网络的决策支持模型中，从预设的治疗方案数据库中自动抽取一组内容进行周期性定期展示。
5.如权利要求4所述的方法，其特征在于，所述预设的治疗方案数据库包括：疾病临床路径信息、药学服务内容、诊治指导方针、患教内容、医疗资源信息。
6.一种慢性疾病分析系统，其特征在于，包括：
人体体征数据获取模块，用于获取各人体体征数据；
单一人体体征数据关联系数计算模块，用于通过公式
Figure FDA0003595011700000021
Figure FDA0003595011700000022
计算得到各当前人体体征数据与历史人体体征数据之间的关联系数；其中，tj表示当前时刻，n表示获取的人体体征数据的种类数量，TPi表示当前人体体征数据，HPi表示历史同一时段体征值；
整体人体体征数据关联系数计算模块，用于通过公式H＝LevelBMI*WBMI+LevelBP*WBP+LevelBS*WBS计算得到体征数据整体关联系数；其中，LevelBMI、LevelBP和LevelBS分别表示BMI的关联系数、血压的关联系数和血糖的关联系数，WBMI、WBP和WBS分别表示BMI、血压和血糖的相应权重；
健康档案数据获取模块，用于获取健康档案数据；
人群分类模块，用于根据所述健康档案数据进行人群聚类，得到分类结果；
治疗方案输出模块，用于将所述体征数据整体关联系数和所述分类结果输入到训练好的基于人工神经网络的决策支持模型中，输出周期性治疗方案。
7.如权利要求6所述的系统，其特征在于，所述人群分类模块，包括：
初始中心点选取单元，用于随机选取K个点作为K个聚类的初始中心点；
聚类执行单元，用于将每个人群样本分配给与所述初始中心点距离最近的聚类；其中，所述人群样本至少包括所述健康档案维度数据、既往史维度数据和依从性维度数据；
聚类更新单元，用于更新每个聚类的中心点位置，得到每个人群的分类结果；若满足预设的终止条件，则终止聚类。
8.如权利要求7所述的系统，其特征在于，所述预设的终止条件为每个聚类中心点位置的变化量小于或者等于设定的变化量阈值。
9.如权利要求6所述的系统，其特征在于，所述治疗方案输出模块，具体用于将所述体征数据整体关联系数、所述分类结果、人口统计学数据、临床数据、实验室数据、遗传学数据输入到所述基于人工神经网络的决策支持模型中，从预设的治疗方案数据库中自动抽取一组内容进行周期性定期展示。
10.如权利要求9所述的系统，其特征在于，所述预设的治疗方案数据库包括：疾病临床路径信息、药学服务内容、诊治指导方针、患教内容、医疗资源信息。
CN202210386033.9A 2022-04-13 2022-04-13 一种慢性疾病分析方法及系统 Pending CN114694852A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210386033.9A CN114694852A (zh) 2022-04-13 2022-04-13 一种慢性疾病分析方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210386033.9A CN114694852A (zh) 2022-04-13 2022-04-13 一种慢性疾病分析方法及系统

Publications (1)

Publication Number Publication Date
CN114694852A true CN114694852A (zh) 2022-07-01

Family

ID=82142887

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210386033.9A Pending CN114694852A (zh) 2022-04-13 2022-04-13 一种慢性疾病分析方法及系统

Country Status (1)

Country Link
CN (1) CN114694852A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115547499A (zh) * 2022-11-03 2022-12-30 南方医科大学南方医院 基于互联网和慢性患者体征监测终端交互的健康管理系统
CN117558460A (zh) * 2024-01-11 2024-02-13 卓世未来(天津)科技有限公司 基于小样本学习和大语言模型的慢性病管理方法及系统

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040034288A1 (en) * 2002-02-20 2004-02-19 Hennessy Gary R. Chronic disease outcomes education and communication system
CN103544397A (zh) * 2013-10-30 2014-01-29 江苏万全科技有限公司 人体的生理健康指标数据进行汇总分析预警的方法
CN107436993A (zh) * 2017-05-05 2017-12-05 陈昕 建立icu患者病情评估模型的方法和服务器
CN206805539U (zh) * 2017-03-21 2017-12-26 吴秋蓬 一种健康饮食信息自动获取装置
CN110176283A (zh) * 2019-05-24 2019-08-27 南京邮电大学 时空大数据关联的慢病管理方法、存储介质和终端
CN112599252A (zh) * 2021-03-04 2021-04-02 北京冠新医卫软件科技有限公司 慢性病案特征分类处理方法、装置及终端
CN112768019A (zh) * 2020-12-29 2021-05-07 深圳市华宇讯科技有限公司 体检项目推荐的方法、装置、设备和存储介质
CN112806961A (zh) * 2021-01-12 2021-05-18 北京普天大健康科技发展有限公司 体征数据评估方法及装置
CN112992350A (zh) * 2021-02-23 2021-06-18 联仁健康医疗大数据科技股份有限公司 一种体征数据的监测方法、装置、电子终端及存储介质

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040034288A1 (en) * 2002-02-20 2004-02-19 Hennessy Gary R. Chronic disease outcomes education and communication system
CN103544397A (zh) * 2013-10-30 2014-01-29 江苏万全科技有限公司 人体的生理健康指标数据进行汇总分析预警的方法
CN206805539U (zh) * 2017-03-21 2017-12-26 吴秋蓬 一种健康饮食信息自动获取装置
CN107436993A (zh) * 2017-05-05 2017-12-05 陈昕 建立icu患者病情评估模型的方法和服务器
CN110176283A (zh) * 2019-05-24 2019-08-27 南京邮电大学 时空大数据关联的慢病管理方法、存储介质和终端
CN112768019A (zh) * 2020-12-29 2021-05-07 深圳市华宇讯科技有限公司 体检项目推荐的方法、装置、设备和存储介质
CN112806961A (zh) * 2021-01-12 2021-05-18 北京普天大健康科技发展有限公司 体征数据评估方法及装置
CN112992350A (zh) * 2021-02-23 2021-06-18 联仁健康医疗大数据科技股份有限公司 一种体征数据的监测方法、装置、电子终端及存储介质
CN112599252A (zh) * 2021-03-04 2021-04-02 北京冠新医卫软件科技有限公司 慢性病案特征分类处理方法、装置及终端

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115547499A (zh) * 2022-11-03 2022-12-30 南方医科大学南方医院 基于互联网和慢性患者体征监测终端交互的健康管理系统
CN117558460A (zh) * 2024-01-11 2024-02-13 卓世未来(天津)科技有限公司 基于小样本学习和大语言模型的慢性病管理方法及系统
CN117558460B (zh) * 2024-01-11 2024-04-05 卓世未来(天津)科技有限公司 基于小样本学习和大语言模型的慢性病管理方法及系统

Similar Documents

Publication Publication Date Title
WO2022213690A1 (zh) 基于图形状态机的用药决策支持方法、装置、设备、介质
CN114694852A (zh) 一种慢性疾病分析方法及系统
JP2022500797A (ja) 血糖濃度の予測
US10642955B2 (en) Devices, methods, and computer medium to provide real time 3D visualization bio-feedback
CN113168919A (zh) 一种利用个性化指标进行健康分析的系统及其使用方法
WO2012090226A2 (en) Computer implemented system and method for measuring individual wellness index
CN112102956A (zh) 一种糖尿病患者提高依从性的方法和系统
CN114496247A (zh) 一种社区健康管理系统
KR101565331B1 (ko) 패턴을 이용한 의료정보 분석시스템 및 방법
CN112466423A (zh) 智能慢病健康管理方法及系统
KR20210052122A (ko) 사용자 맞춤형 식품 정보 서비스 제공 시스템 및 그 방법
CN116312926A (zh) 健康路径推荐方法及相关装置、电子设备和存储介质
Otto et al. Defining and delimitating telemedicine and related terms–an ontology-based classification
JP2016018224A (ja) 健康状態予測診断利用サービスシステム
TWI737857B (zh) 服務支援系統、服務支援方法及程式
EP3742453A1 (en) Computer-implemented method for classifying a patient based on codes of at least one predetermined patient classification and computerized system to carry it out
Degoulet et al. Computer-assisted techniques for evaluation and treatment of hypertensive patients
JP7198959B1 (ja) 情報処理方法、コンピュータプログラム及び情報処理装置
Doina et al. Nutrition software for clinical dietitians: Patient management and nutrition care process guidance
Smith et al. Constructing Order
US8775200B1 (en) System and method for generating patient health management information
CN117688226B (zh) 基于相似儿童患者匹配的智能诊前自助开单方法及系统
Patient Virtual Reality and Electrodermal Activity to Support Mild Cognitive Impairment: A Systematic Literature Review
Melum Assessing the effectiveness of If-then plans to facilitate increased fruit and vegetable intake in adults
Shklovskiy-Kordi Intelligent Remote Health Monitoring for Rehabilitation After COVID Disease

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