CN114974565A - 新冠患者诊疗阶段精细化管控方法及系统 - Google Patents
新冠患者诊疗阶段精细化管控方法及系统 Download PDFInfo
- Publication number
- CN114974565A CN114974565A CN202210538568.3A CN202210538568A CN114974565A CN 114974565 A CN114974565 A CN 114974565A CN 202210538568 A CN202210538568 A CN 202210538568A CN 114974565 A CN114974565 A CN 114974565A
- Authority
- CN
- China
- Prior art keywords
- patients
- patient
- information
- data
- data list
- 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
- G16H50/20—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
- G16H50/30—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
- G16H50/80—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for detecting, monitoring or modelling epidemics or pandemics, e.g. flu
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (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
本发明公开了一种新冠患者诊疗阶段精细化管控方法及系统,属于医疗领域。该方法包括以下步骤:采集对患者进行登记的信息数据,导入患者的病情信息;根据患者的信息数据,利用分类算法对前述患者进行分级,分级信息中包括将不同级别的患者安置到与患者级别对应治疗区域进行治疗的数据列表,以及对患者的级别进行标记的数据列表;采集对患者的检测信息,基于该采集的信息更新前述对不同级别患者进行治疗的数据列表,以及更新对患者级别进行标记的数据列表,生成用以将患者调整到对应治疗区域的数据列表。通过本发明能对新冠患者进行精细化分级,以便更好地为患者提供诊疗服务,同时能够对患者的病情进行动态预测,提早做好防护准备。
Description
技术领域
本发明属于医疗领域。
背景技术
在抗击新冠肺炎疫情的特殊时期,由于不同被感染者的身体状态和免疫力差异较大,因此如果只是简单的将确诊患者和症状患者区分,则确诊患者或者无症状患者中,病情不同的人混在一起,势必会影响部分确诊患者或者无症状患者康复;同时,由于患者的行动能力以及病情的严重程度不同,需要对患者分开管控,而现有的管控方法基本上属于人工分类,因此分类不够精确,对患者的防护不能得到落实。
在现有技术中,如专利号为CN 113593687 B的中国专利中,公开了一种基于新冠疫情的医院智能就诊引导方法及装置,该方法通过对经过进入医院的病人进行前后体温测试,以及判断病人的确诊概率,如果病人确诊则会分析病人可能经过的场所,并且对相关场所以及场所的工作人员进行消毒和管控,从而降低病毒传染的风险,这种智能就诊引导方法并没有解决如何对确诊病人进行分级管控的问题。
再比如,申请号为CN 113191725 A的中国专利,提出了一种医院人员出入管控方法、系统、存储介质、设备、终端,所述医院人员出入管控方法包括:关注医院微信公众号进入智慧门禁;根据身份进行注册和注销,采集头像信息,提交区域申请;在软件平台上完成审核;通过红外热成像技术进行测温,通过刷脸人脸识别技术完成验证;医院门禁自动打开完成人员出入;根据人员情况区域负责人注销,取消门禁权限,但是这种方法仅对于医院的工作人员的出入进行管控,依旧不能解决如何将患者分级管控的问题。
在上述两种方法中,虽然都能够保证医院的安全性,能够及时控制病毒的传播,但是对患者仅仅是分为确诊患者和无症状患者。没有根据患者本身病情的状况为患者进行更精确的分类管控,会出现部分患者的看护需求不能及时落实以及部分患者康复环境较差的问题。
为此,我们设计了一种新冠患者诊疗阶段精细化管控方法及系统来解决上述问题。
发明内容
本申请提供了一种新冠患者诊疗阶段精细化管控方法及系统,通过对不同患者进行分级的方式,解决现有技术中不便于为患者提供良好的防护服务和康复环境的问题。
为解决以上技术问题,本发明包括如下技术方案:
一种新冠患者诊疗阶段精细化管控方法,该方法包括以下步骤:
采集对患者进行登记的信息数据,导入患者的病情信息;
根据患者的信息数据,利用分类算法对前述患者进行分级,分级信息中包括将不同级别的患者安置到与患者级别对应治疗区域进行治疗的数据列表,以及对患者的级别进行标记的数据列表;
采集对患者的检测信息,基于该采集的信息更新前述对不同级别患者进行治疗的数据列表,以及更新对患者级别进行标记的数据列表,生成用以将患者调整到对应治疗区域的数据列表。
进一步,将同一居住地址的患者标记成同域患者,选择同域患者中看护需求等级最高的患者作为代表,生成看护需求分级的数据列表,所述对患者级别进行标记的数据列表不变。
进一步,所述分级的方法包括以下步骤,
采集患者的信息数据,将患者分为确诊患者和无症状感染者;
利用分类算法基于确诊患者的信息数据,将前述确诊患者按照看护需求生成不同级别的数据列表;
将前述无症状患者按照传染的风险程度进行分级,生成不同级别的数据列表;
其中,所述传播风险程度的分类特征包括,不带口罩、随意走动、大声喧哗和/或随意吐痰,无症状患者的风险等级随风险特征的增加而升高;
其中,所述看护需求的分级特征包括年龄、病历和/或残障程度,确诊患者的看护需求等级随看护需求特征增加而升高。
进一步,基于患者等级,生成对患者不同照看服务的数据列表,以及采集照看服务数据到患者的信息数据中。
进一步,采集患者的需求信息,将前述需求信息记录到前述患者的信息数据。
进一步,基于患者信息数据,利用协同过滤算法,生成对相似患者提供相同的服务和/或看护的数据列表。
进一步,将患者按照病情生成:待出院区、症状观察区、确诊观察区、重症观察区和重症区的数据列表;
所述重症区的患者为临床上表现为重症的患者;
统计无症状患者转为阴性和转为确诊患者的信息数据,生成逻辑回归算法的训练模型一,利用逻辑回归算法,对现有无症状感染者生成待出院区和症状观察区的数据列表;
统计确诊患者转为阴性和确诊患者转成重症患者及死亡的信息数据,生成逻辑回归的训练模型二,利用逻辑回归算法,对现有确诊患者生成症状观察区和重症观察区的数据列表;
所述训练模型一的特征包括:患者年龄、病例一、病例二、病例三和是否转阴,患者有预设病例则为1,没有预设病例则为0,无症状患者转阴则为1,无症状患者转为确诊患者则为0;
所述训练模型二的特征包括:患者年龄、病例A、病例B、病例N和是否为转阴,患者有预设病例则为1,没有预设病例则为0,患者转阴则为1,患者转为重症和死亡则为0;
无症状患者转阴或者转阳后,将前述无症状患者的信息数据添加到训练模型一中;确诊患者转阴或者转为重症及死亡后,将前述确诊患者的信息数据添加到训练模型二中。
进一步,所述病例列表的生成方法包括:
采集患者登记信息中的基础疾病信息以及预设对比阈值;
基于基础疾病信息建立基础疾病与新冠症状关联程度的权值数据列表;
基于权值数据列表和对比阈值生成病例列表;
所述权值数据列表用于判断患者的基础疾病是否能进入病例列表。
一种新冠患者诊疗阶段精细化管控系统,该系统包括:
新冠登记子系统,用以采集对患者进行登记的信息数据,导入患者的病情信息;
数据处理服务器,用以根据患者的信息数据,利用分类算法对前述患者进行分级,分级信息中包括将不同级别的患者安置到与患者级别对应治疗区域进行治疗的数据列表,以及对患者的级别进行标记的数据列表;
新冠监控子系统,用以采集对患者的检测信息,基于该采集的信息更新前述对不同级别患者进行治疗的数据列表,以及更新对患者级别进行标记的数据列表,生成用以将患者调整到对应治疗区域的数据列表。
优选的,该系统包括腕带,所述腕带上设置有用以代表患者信息的条码,
和/或,所述的腕带设置有前述的新冠登记子系统,
和/或,所述的腕带设置有前述的新冠监控子系统。
本发明由于采用以上技术方案,使之与现有技术相比,具有以下的优点和积极效果:本申请中的新冠患者诊疗阶段精细化管控方法及系统通过将患者根据看护需求分为多个等级,以便医护人员统一进行服务,并且在分类过程中将居住在一起的患者分配在一起,让他们能够相互照应,方便管理;本方案还可以根据患者的病情严重情况进行分类,将同一病情的患者分配到相同的环境内,并且能够对患者的进行预测,以便提前做好防护。
附图说明
图1为本实施例中新冠患者诊疗阶段精细化管控方法的步骤示意图。
图2为本实施例中新冠患者诊疗阶段精细化管控方法中对病人登记的流程图,为一种实施例。
图3为本实施例中新冠患者诊疗阶段精细化管控方法中对将患者分类到不同治疗区域的示意图,为一种实施例。
图4为本实施例中新冠患者诊疗阶段精细化管控方法中对患者分级的步骤示意图,为一种实施例。
图5为本实施例中新冠患者诊疗阶段精细化管控方法中训练模型一的示意图,为一种实施例。
图6为本实施例中新冠患者诊疗阶段精细化管控方法中训练模型二的示意图,为一种实施例。
图7为本实施例中新冠患者诊疗阶段精细化管控方法中病例列表生成方法的步骤示意图,为一种实施例。
图8为本实施例中新冠患者诊疗阶段精细化管控方法中影响值列表的示意图。
图9为本实施例中新冠患者诊疗阶段精细化管控系统的结构示意图,为一种实施例。
图10为本实施例中新冠患者诊疗阶段精细化管控系统中腕带的结构示意图。
图中标号如下:
001-新冠登记子系统;002-新冠监控子系统;003-数据处理服务器;004-腕带;005-条码。
具体实施方式
以下结合附图和具体实施例对本发明提供的一种新冠患者诊疗阶段精细化管控方法及系统作进一步详细说明。应当注意的是,下述实施例中描述的技术特征或者技术特征的组合不应当被认为是孤立的,它们可以被相互组合从而达到更好的技术效果。在下述实施例的附图中,各附图所出现的相同标号代表相同的特征或者部件,可应用于不同实施例中。因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步讨论。
需说明的是,本说明书所附图中所绘示的结构、比例、大小等,均仅用以配合说明书所揭示的内容,以供熟悉此技术的人士了解与阅读,并非用以限定发明可实施的限定条件,任何结构的修饰、比例关系的改变或大小的调整,在不影响发明所能产生的功效及所能达成的目的下,均应落在发明所揭示的技术内容所能涵盖的范围内。本发明的优选实施方式的范围包括另外的实现,其中可以不按所述的或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本发明的实施例所属技术领域的技术人员所理解。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论,但在适当情况下,所述技术、方法和设备应当被视为说明书的一部分。在这里示出和讨论的所有示例中,任何具体值应被解释为仅仅是示例性的,而不是作为限制。因此,示例性实施例的其它示例可以具有不同的值。
实施例
参照图1所示,本发明所描述的一种新冠患者诊疗阶段精细化管控方法,该方法包括以下步骤:
S101,采集对患者进行登记的信息数据,导入患者的病情信息。
S102,根据患者的信息数据,利用分类算法对前述患者进行分级,分级信息中包括将不同级别的患者安置到与患者级别对应治疗区域进行治疗的数据列表,以及对患者的级别进行标记的数据列表。
S103,采集对患者的检测信息,基于该采集的信息更新前述对不同级别患者进行治疗的数据列表,以及更新对患者级别进行标记的数据列表,生成用以将患者调整到对应治疗区域的数据列表。
结合图10所示,在本实施例中,通过读取医保卡或者身份证,快速采集患者信息数据,记录入点时间,如果是居住在一起的患者,可以在一起进行登记,登记完毕后系统会对患者进行分级,然后给患者分配床号,并打印腕带004,由医护人员引导患者进入对应级别的护理站。每个患者的登记只需1-2分钟,极大加快了入点工作效率,避免了病人聚集。作为举例,入点时间在30分钟之内的患者,系统自动高亮显示,方便医护人员及时、有序安排新病人的健康宣教、准备生活用品等工作;系统可记录病人的生命体征、病情变化等信息。
作为举例,如图2所示,对人员登记的步骤为:
S201,数据登入:读取医保卡、身份证信息,登录患者;如果患者已经被分发腕带004则直接扫描识别、分类,进入病区。
S202,打印腕带004:对登记后的患者打印腕带004,腕带004内记录患者的身份、病情、监控等信息。
S203,患者转运:在对患者转运时,通过患者的腕带004打印转运单,分级分类转运。
S204,患者治疗信息:腕带004内记录患者的治疗信息、批量医嘱以及临床路径等信息。
在本发明中所描述的腕带,有多种实现方式。
其中之一,可以仅仅展示条码005结构,如二维条码或一维条码。
其中之二,还可以在腕带上通过发光灯,来展示不同的颜色。
其中之三,还可以在腕带显示结构,用来显示各种图像。
其中之四,还可以设置信息采集结构,比如麦克风,用以采集声音;比如摄像结构,用以采集图像;比如,设置心率的采集结构,或者体温的采集结构,等等。以及,在腕带上设置信息发送及接收的通信结构。
作为举例,在腕带004上可以显示患者被分类的类别。被分为需要高度护理的患者腕带004显示红色,需要中度护理的腕带004显示黄色,需要低级护理的患者腕带004显示绿色,这样就可以方便医护人员为不同的患者提供相应的服务;腕带004内记录患者的信息数据,患者每次进行治疗和检测后,腕带004会自动记录治疗和检测数据,系统会根据更新的数据对患者再次进行分类,并且手环会对应的改变颜色,医护人员将患者调整到对应的治疗区域治疗,从而加强对患者的管控,方便为患者服务,并且相同类型的患者都会有个良好的康复环境。
作为举例而非限制,所述患者的数据信息包括,前述患者的性别、年龄、居住地、历史病历、体温、核酸检测结果、核酸检测时间和/或抗原检测结果,其中历史病历包括病史和病程;通过患者的年龄和历史病例等信息可以判断患者的行动能力以及判断患者症状,以便对患者进行分类,让患者得到好的防护。
参照图3所示,在本实施例中,将同一居住地址的患者标记成同域患者,选择同域患者中看护需求等级最高的患者作为代表,生成看护需求分级的数据列表,所述对患者级别进行标记的数据列表不变。
作为本实施例中优选的实施方案,居住在一起的患者可以被分到同一级别。作为举例而非限定,患者E、患者F和患者G同样是确诊患者且居住在一起,在进行分级时,患者G的看护需求等级最高,此时将患者E、患者F和患者G视为一个患者,以患者G的看护需求进行分级。患者E和患者F可以更好地辅助照看患者G,但是患者E和患者F腕带004上的标记和颜色依旧是自己原来的分级等级,只是患者E与患者F与患者G处于同一区域。
参照图4所示,在本实施例中,所述分级的方法包括以下步骤:
S301,采集患者的信息数据,将患者分为确诊患者和无症状感染者。
S302,利用分类算法基于确诊患者的信息数据,将前述确诊患者按照看护需求生成不同级别的数据列表。
S303,将前述无症状患者按照传染的风险程度进行分级,生成不同级别的数据列表。
作为举例而非限定,所述传播风险程度的分类特征包括,不带口罩、随意走动、大声喧哗和/或随意吐痰,无症状患者的风险等级随风险特征的增加而升高。
作为举例而非限定,所述看护需求的分级特征包括年龄、病历和/或残障程度,确诊患者的看护需求等级随看护需求特征增加而升高。
其中,病历包括病史和病程。
在本实施例中首先将确诊患者和无症状患者相互分开,降低无症状患者转为确诊患者的概率;在对无症状患者进行分类时,可以根据患者是否戴口罩,有没有随意走动,是否大声喧哗和是否随意吐痰等行为,患者的行为越多,防范强度就越高。作为举例而非限定,患者不携带口罩,随意走动且随意吐痰,腕带004就是红色,将此类患者分为一个类别管控。
在对确诊患者分类时,可以根据确诊患者的年龄或者身体状况进行分类,从而匹配对应的照看等级。作为举例而非限定,患者年龄较大,行动不便,且有并发症,此时,该患者的的看护需求就比较高,腕带004就显示红色,且腕带004上还会显示确诊标记,这样医护人员就可以对应的对患者进行防护。
值得说明的是,无症状患者也可以通过看护需求等级进行分类。
优选的,基于患者等级,生成对患者不同照看服务的数据列表,以及采集照看服务数据到患者的信息数据中。
在本实施例中,可以对合理的运用医护人员以及物资,并且使患者都能够得到相应的照看,在医护人员对患者服务时,患者的腕带004也能够记录服务数据,以便以后的数据挖掘。
优选的,采集患者的需求信息,将前述需求信息记录到前述患者的信息数据中。
在本实施例中,患者能够根据自身的状况提出需求,并且提出需求的信息也会被记录腕带004中。
优选的,基于患者信息数据,利用协同过滤算法,生成对相似患者提供相同的服务和/或看护的数据列表。
在本实施例中,患者在提出需求或者被看护时,数据会被记录下来,然后利用这些数据,基于协同过滤算法,可以找出潜在需求和潜在看护的患者,以便为患者提供更好的服务。。
结合图5和图6所示,在本实施例中,将患者按照病情生成:待出院区、症状观察区、确诊观察区、重症观察区和重症区的数据列表。
所述重症区的患者为临床上表现为重症的患者。
统计无症状患者转为阴性和转为确诊患者的信息数据,生成逻辑回归算法的训练模型一,利用逻辑回归算法,对现有无症状感染者生成待出院区和症状观察区的数据列表。
统计确诊患者转为阴性和确诊患者转成重症患者及死亡的信息数据,生成逻辑回归的训练模型二,利用逻辑回归算法,对现有确诊患者生成症状观察区和重症观察区的数据列表。
作为举例而非限定,如图5所示,所述训练模型一的特征包括:患者年龄、病例一、病例二、病例三和是否转阴,患者有预设病例则为1,没有预设病例则为0,无症状患者转阴则为1,无症状患者转为确诊患者则为0。
如图6所示,所述训练模型二的特征包括:患者年龄、病例A、病例B、病例N和是否为转阴,患者有预设病例则为1,没有预设病例则为0,患者转阴则为1,患者转为重症和死亡则为0。
在本实施例中,逻辑回归的算法为成熟的算法,将不再赘述。无症状患者转阴或者转阳后,将前述无症状患者的信息数据添加到训练模型一中;确诊患者转阴或者转为重症及死亡后,将前述确诊患者的信息数据添加到训练模型二中。
在本实施例中,利用逻辑回归算法对患者进行分类,根据以往患者康复和病情加重的数据,来对现有患者进行分类,从而预测患者的病情发展,以便提前预防病情发生不好的变化,病例一、病例二、病例三、病例A、病例B和病例N可以是容易使确诊患者病情严重的并发症状,且病例可以设置多个;以训练模型一和训练模型二的数据为基础,基于逻辑回归算法可以计算现有无症状患者和现有确诊患者转阴的概率,从而对患者进行分类;在患者病情变化后,相应的数据会自动添加到训练模型一或者训练模型二中,从而提高逻辑回归预测的准确性。
如图7所示,在本实施例中,所述病例列表的生成方法包括:
S401,采集患者登记信息中的基础疾病信息以及预设对比阈值。
S402,基于基础疾病信息建立基础疾病与新冠症状关联程度的权值数据列表。
S403,基于权值数据列表和对比阈值生成病例列表。
所述权值数据列表用于判断患者的基础疾病是否能进入病例列表。
作为本实施例中优选的实施方案,由于患者基数较大,导致患者患有的基础疾病较多,因此需要对病例列表进行筛选,选择与新冠疾病关联性较大的病例作为训练模型的参考病例,以保证训练结果的准确性。
作为举例,参照图8所示,患者1登记的基础疾病为肠胃炎,患者2登记的基础疾病为乳腺炎,患者3登记的基础疾病是心脏病,患者4登记的基础疾病是慢性肺炎,在基础疾病与新冠肺炎的关联程度上,新冠疾病属于呼吸道传染病,因此与肠胃炎、乳腺炎等疾病的关联性不大,因此取肠胃炎的关联性权值为0.8、乳腺炎的关联性权值为0.2;但是新冠病毒会降低人体的免疫力,因此新冠病毒严重后也会对心脏病的人造成影响,所以取心脏病的关联性权值为1.2;而慢性肺炎同样是呼吸道疾病,因此慢性肺炎与新冠肺炎的关联性较强,去慢性肺炎的关联性权值为2.0;然后将权值与预设的对比阈值对比,大于预设对比阈值,则患者的疾病在图5或者图6的病例列表取值为1,否则取值为0,或者不列入病例列表。
如图8所示的列表,作为举例,患者疾病的关联性权值大于1(不包括1)时,才会进入病例列表,在图5或者图6中患者患有相应疾病的取值才能为1;由此可见,肠胃炎和乳腺炎这种疾病不会被添加到病例列表中,而心脏病和慢性肺炎则会添加到病例列表中,患者3在心脏病这一项的取值为1,患者4在慢性肺炎这一项的取值为1,以此生成对应的训练模型一和训练模型二能够使预测的结果更加准确。
参照图9所示,一种新冠患者诊疗阶段精细化管控系统,该系统包括:
新冠登记子系统001,用以采集对患者进行登记的信息数据,导入患者的病情信息;
数据处理服务器003,用以根据患者的信息数据,利用分类算法对前述患者进行分级,分级信息中包括将不同级别的患者安置到与患者级别对应治疗区域进行治疗的数据列表,以及对患者的级别进行标记的数据列表;
新冠监控子系统002,用以采集对患者的检测信息,基于该采集的信息更新前述对不同级别患者进行治疗的数据列表,以及更新对患者级别进行标记的数据列表,生成用以将患者调整到对应治疗区域的数据列表。
作为本实施例中优选的实施方案,通过新冠登记子系统001可以完成患者信息数据的录入和储存,并且根据数据处理服务器003完成对患者的分类,数据处理服务器003上还能够显示所有患者的界面,根据患者的级别显示患者的信息,有助于医护人员对患者进行护理。
参照图10所示,该系统包括腕带004,所述腕带004上设置有用以代表患者信息的条码005,和/或,所述的腕带004设置有前述的新冠登记子系统001,和/或,所述的腕带004设置有前述的新冠监控子系统002。
在本实施例中,患者可以将腕带004带在手上,也可以带在婴儿的脚上,腕带004记录患者的信息数据,并显示患者的分类信息,并且腕带004内的数据与数据处理服务器003连通,数据处理服务器003能够实时处理腕带004内的数据,从而控制腕带004变化相应的颜色,用以调整患者的分类,腕带004上还设有条码005,用于读取腕带004内储存的患者的信息,方便转运患者。
其它技术特征参考在前实施例,在此不再赘述。
在上面的描述中,在本公开内容的目标保护范围内,各组件可以以任意数目选择性地且操作性地进行合并。另外,像“包括”、“囊括”以及“具有”的术语应当默认被解释为包括性的或开放性的,而不是排他性的或封闭性,除非其被明确限定为相反的含义。所有技术、科技或其他方面的术语都符合本领域技术人员所理解的含义,除非其被限定为相反的含义。在词典里找到的公共术语应当在相关技术文档的背景下不被太理想化或太不实际地解释,除非本公开内容明确将其限定成那样。
虽然已出于说明的目的描述了本公开内容的示例方面,但是本领域技术人员应当意识到,上述描述仅是对本发明较佳实施例的描述,并非对本发明范围的任何限定,本发明的优选实施方式的范围包括另外的实现,其中可以不按所述出现或讨论的顺序来执行功能。本发明领域的普通技术人员根据上述揭示内容做的任何变更、修饰,均属于权利要求书的保护范围。
Claims (10)
1.一种新冠患者诊疗阶段精细化管控方法,其特征在于:该方法包括以下步骤,
采集对患者进行登记的信息数据,导入患者的病情信息;
根据患者的信息数据,利用分类算法对前述患者进行分级,分级信息中包括将不同级别的患者安置到与患者级别对应治疗区域进行治疗的数据列表,以及对患者的级别进行标记的数据列表;
采集对患者的检测信息,基于该采集的信息更新前述对不同级别患者进行治疗的数据列表,以及更新对患者级别进行标记的数据列表,生成用以将患者调整到对应治疗区域的数据列表。
2.如权利要求1所述的新冠患者诊疗阶段精细化管控方法,其特征在于:将同一居住地址的患者标记成同域患者,选择同域患者中看护需求等级最高的患者作为代表,生成看护需求分级的数据列表,所述对患者级别进行标记的数据列表不变。
3.如权利要求1所述的新冠患者诊疗阶段精细化管控方法,其特征在于:所述分级的方法包括以下步骤,
采集患者的信息数据,将患者分为确诊患者和无症状感染者;
利用分类算法基于确诊患者的信息数据,将前述确诊患者按照看护需求,生成不同级别的数据列表;
将前述无症状患者按照传染的风险程度进行分级,生成不同级别的数据列表;
其中,所述传播风险程度的分类特征包括,不带口罩、随意走动、大声喧哗和/或随意吐痰,无症状患者的风险等级随风险特征的增加而升高,
其中,所述看护需求的分级特征包括年龄、病历和/或残障程度,确诊患者的看护需求等级随看护需求特征增加而升高。
4.如权利要求1所述的新冠患者诊疗阶段精细化管控方法,其特征在于:基于患者等级,生成对患者不同照看服务的数据列表,以及采集照看服务数据到患者的信息数据。
5.如权利要求1所述的新冠患者诊疗阶段精细化管控方法,其特征在于:采集患者的需求信息,将前述需求信息记录到前述患者的信息数据中。
6.如权利要求4或5所述的新冠患者诊疗阶段精细化管控方法,其特征在于:基于患者信息数据,利用协同过滤算法,生成对相似患者提供相同的服务和/或看护的数据列表。
7.如权利要求1所述的新冠患者诊疗阶段精细化管控方法,其特征在于:将患者按照病情生成待出院区、症状观察区、确诊观察区、重症观察区和重症区的数据列表;
所述重症区的患者为临床上表现为重症的患者;
统计无症状患者转为阴性和转为确诊患者的信息数据,生成逻辑回归算法的训练模型一,利用逻辑回归算法,对现有无症状感染者生成待出院区和症状观察区的数据列表;
统计确诊患者转为阴性和确诊患者转成重症患者及死亡的信息数据,生成逻辑回归的训练模型二,利用逻辑回归算法,对现有确诊患者生成症状观察区和重症观察区的数据列表;
所述训练模型一的特征包括:患者年龄、病例列表和是否转阴,患者有预设病例则为1,没有预设病例则为0,无症状患者转阴则为1,无症状患者转为确诊患者则为0;
所述训练模型二的特征包括:患者年龄、病例列表和是否为转阴,患者有预设病例则为1,没有预设病例则为0,患者转阴则为1,患者转为重症和死亡则为0;
无症状患者转阴或者转阳后,将前述无症状患者的信息数据添加到训练模型一中;确诊患者转阴或者转为重症及死亡后,将前述确诊患者的信息数据添加到训练模型二中。
8.如权利要求1所述的新冠患者诊疗阶段精细化管控方法,其特征在于:所述病例列表的生成方法包括:
采集患者登记信息中的基础疾病信息以及预设对比阈值;
基于基础疾病信息建立基础疾病与新冠症状关联程度的权值数据列表;
基于权值数据列表和对比阈值生成病例列表;
所述权值数据列表用于判断患者的基础疾病是否能进入病例列表。
9.一种新冠患者诊疗阶段精细化管控系统,其特征在于:该系统包括,
新冠登记子系统,用以采集对患者进行登记的信息数据,导入患者的病情信息;
数据处理服务器,用以根据患者的信息数据,利用分类算法对前述患者进行分级,分级信息中包括将不同级别的患者安置到与患者级别对应治疗区域进行治疗的数据列表,以及对患者的级别进行标记的数据列表;
新冠监控子系统,用以采集对患者的检测信息,基于该采集的信息更新前述对不同级别患者进行治疗的数据列表,以及更新对患者级别进行标记的数据列表,生成用以将患者调整到对应治疗区域的数据列表。
10.如权利要求9所述的新冠患者诊疗阶段精细化管控系统,其特征在于:该系统包括腕带,所述腕带上设置有用以代表患者信息的条码,
和/或,所述的腕带设置有前述的新冠登记子系统,
和/或,所述的腕带设置有前述的新冠监控子系统。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210538568.3A CN114974565A (zh) | 2022-05-17 | 2022-05-17 | 新冠患者诊疗阶段精细化管控方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210538568.3A CN114974565A (zh) | 2022-05-17 | 2022-05-17 | 新冠患者诊疗阶段精细化管控方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114974565A true CN114974565A (zh) | 2022-08-30 |
Family
ID=82984240
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210538568.3A Pending CN114974565A (zh) | 2022-05-17 | 2022-05-17 | 新冠患者诊疗阶段精细化管控方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114974565A (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018120668A1 (zh) * | 2016-12-31 | 2018-07-05 | 深圳市易特科信息技术有限公司 | 医疗大数据关联存储系统及方法 |
CN110840425A (zh) * | 2019-11-20 | 2020-02-28 | 首都医科大学宣武医院 | 一种急诊患者诊中健康监护系统及方法 |
CN110867245A (zh) * | 2019-10-31 | 2020-03-06 | 兰州市第二人民医院 | 一种急诊辅助诊断分级系统 |
CN111383728A (zh) * | 2020-02-24 | 2020-07-07 | 华中科技大学同济医学院附属同济医院 | 用于新冠肺炎隔离管理的医学症状信息处理装置及隔离管理系统 |
CN112967810A (zh) * | 2021-05-07 | 2021-06-15 | 四川大学华西医院 | 一种新冠病毒肺炎重症化预测系统及方法 |
CN113784289A (zh) * | 2021-07-21 | 2021-12-10 | 中南大学湘雅医院 | 一种医院患者辅助看护方法 |
CN114049954A (zh) * | 2021-10-26 | 2022-02-15 | 巴中市中心医院 | 一种新型冠状病毒肺炎临床诊治支持方法及系统 |
CN114093523A (zh) * | 2021-11-11 | 2022-02-25 | 哈尔滨工业大学 | 一种新冠肺炎轻重症预测模型的构建方法及其应用 |
CN114242259A (zh) * | 2020-09-07 | 2022-03-25 | 奇美医疗财团法人奇美医院 | 高龄流感病情预测系统、程序产品及其建立与使用方法 |
-
2022
- 2022-05-17 CN CN202210538568.3A patent/CN114974565A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018120668A1 (zh) * | 2016-12-31 | 2018-07-05 | 深圳市易特科信息技术有限公司 | 医疗大数据关联存储系统及方法 |
CN110867245A (zh) * | 2019-10-31 | 2020-03-06 | 兰州市第二人民医院 | 一种急诊辅助诊断分级系统 |
CN110840425A (zh) * | 2019-11-20 | 2020-02-28 | 首都医科大学宣武医院 | 一种急诊患者诊中健康监护系统及方法 |
CN111383728A (zh) * | 2020-02-24 | 2020-07-07 | 华中科技大学同济医学院附属同济医院 | 用于新冠肺炎隔离管理的医学症状信息处理装置及隔离管理系统 |
CN114242259A (zh) * | 2020-09-07 | 2022-03-25 | 奇美医疗财团法人奇美医院 | 高龄流感病情预测系统、程序产品及其建立与使用方法 |
CN112967810A (zh) * | 2021-05-07 | 2021-06-15 | 四川大学华西医院 | 一种新冠病毒肺炎重症化预测系统及方法 |
CN113784289A (zh) * | 2021-07-21 | 2021-12-10 | 中南大学湘雅医院 | 一种医院患者辅助看护方法 |
CN114049954A (zh) * | 2021-10-26 | 2022-02-15 | 巴中市中心医院 | 一种新型冠状病毒肺炎临床诊治支持方法及系统 |
CN114093523A (zh) * | 2021-11-11 | 2022-02-25 | 哈尔滨工业大学 | 一种新冠肺炎轻重症预测模型的构建方法及其应用 |
Non-Patent Citations (3)
Title |
---|
HONGBIN ZHANG ETC.: "Research on the Classification of Benign and Malignant Parotid Tumors Based on Transfer Learning and a Convolutional Neural Network", IEEE ACCESS * |
单杰;张晓祥;李力;李金;王延昭;汪火明;: "基于信息化的方舱医院新型冠状病毒肺炎患者收治", 中国医院管理, no. 03 * |
柯菊青 等: "运用四色九区管理法的新冠肺炎隔离观察人员门急诊分类分区分级防控的实践与探讨", 江苏卫生事业管理, pages 1 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Marr et al. | Central nervous system injury surveillance data submission standards—2002 | |
Brugha et al. | Trends in service use and treatment for mental disorders in adults throughout Great Britain | |
Townsend et al. | A systematic review of validated methods for identifying depression using administrative data | |
CN111599456A (zh) | 一种传染病智能预检分诊机及其预检方法 | |
Ziminski et al. | Injury patterns and causal mechanisms of bruising in physical elder abuse | |
CN106960132A (zh) | 一种icu患者非计划性拔管预警系统 | |
WO2021201329A1 (ko) | 빅데이터 플랫폼 기반 유효한 생체신호 센싱 데이터값 수집을 위한 단말에서의 제어장치와 전염병 감염 잠복 기간 내에서의 대상 개체에 대한 식별, 추적, 격리 및 예방 등이 용이한 분석알고리즘 및 시스템 방법 | |
Rohit Malhotra et al. | Autonomous detection of disruptions in the intensive care unit using deep mask R-CNN | |
Kennedy et al. | A comprehensive refugee health screening program. | |
Vallmuur et al. | Electric personal MObility DEvices Surveillance (E-MODES) study: Injury presentations to emergency departments in Brisbane, Queensland | |
Malhotr et al. | Autonomous detection of disruptions in the intensive care unit using deep mask R-CNN | |
CN114974565A (zh) | 新冠患者诊疗阶段精细化管控方法及系统 | |
Khoujah et al. | The geriatric emergency literature 2020: COVID and beyond | |
Urquhart Wilbert | The Effectiveness of a Fall Prevention/Management Program In Reducing Patient Falls: A Retrospective Study. | |
Freiman et al. | Determinants of ambulatory treatment mode for mental illness 1 | |
Arafat et al. | Neurological recovery and functional outcome of complete traumatic spinal cord injury patients: An observation from Bangladesh | |
Abdulrahman et al. | Coronavirus classification using deep convolutional neural network, models. and chest, x-ray images | |
Aggrawal et al. | Age estimation in the living | |
CN111091901A (zh) | 老年人急救决策方法、装置、设备及存储介质 | |
Meyer et al. | Open-source dataset reveals relationship between walking bout duration and fall risk classification performance in persons with multiple sclerosis. PLOS Digital Health 1 (10): e0000120 | |
Jutkowitz et al. | LONGITUDINAL CHARACTERISTICS OF INFORMAL CAREGIVERS OF COMMUNITY-DWELLING PERSONS WITH DEMENTIA | |
Terrill et al. | Family factors, distress, and life satisfaction among caregivers of patients with Parkinson’s disease in Mexico | |
Karuppasamy et al. | Identification of COVID-19 in CT Images using Deep Learning Model | |
Omotayo et al. | Centralized Electronic Health Records System: A Step Towards an Optimized Health Care Delivery System Ahead of Possible Future Outbreaks | |
Rastogi et al. | Analysis of the Impacts of COVID-19 using Deep Convolutional Neural Network |
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 |