CN115274089A - 一种护理风险评估预警方法及系统 - Google Patents
一种护理风险评估预警方法及系统 Download PDFInfo
- Publication number
- CN115274089A CN115274089A CN202210629789.1A CN202210629789A CN115274089A CN 115274089 A CN115274089 A CN 115274089A CN 202210629789 A CN202210629789 A CN 202210629789A CN 115274089 A CN115274089 A CN 115274089A
- Authority
- CN
- China
- Prior art keywords
- risk
- patient
- determining
- information
- evaluation
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000012502 risk assessment Methods 0.000 title claims abstract description 34
- 230000000474 nursing effect Effects 0.000 title claims abstract description 22
- 238000011156 evaluation Methods 0.000 claims abstract description 76
- 238000013058 risk prediction model Methods 0.000 claims description 34
- 206010011985 Decubitus ulcer Diseases 0.000 claims description 33
- 208000004210 Pressure Ulcer Diseases 0.000 claims description 33
- 230000004044 response Effects 0.000 claims description 7
- 238000012549 training Methods 0.000 description 35
- 230000005021 gait Effects 0.000 description 31
- 239000013598 vector Substances 0.000 description 29
- 238000004458 analytical method Methods 0.000 description 28
- 230000006870 function Effects 0.000 description 26
- 238000012545 processing Methods 0.000 description 25
- 206010052428 Wound Diseases 0.000 description 18
- 208000027418 Wounds and injury Diseases 0.000 description 18
- 230000000694 effects Effects 0.000 description 17
- 230000007613 environmental effect Effects 0.000 description 14
- 238000003709 image segmentation Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 11
- 230000033001 locomotion Effects 0.000 description 11
- 230000036541 health Effects 0.000 description 8
- 235000016709 nutrition Nutrition 0.000 description 8
- 238000002372 labelling Methods 0.000 description 7
- 238000012986 modification Methods 0.000 description 7
- 230000004048 modification Effects 0.000 description 7
- 230000035764 nutrition Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 230000035807 sensation Effects 0.000 description 7
- 238000013527 convolutional neural network Methods 0.000 description 6
- 238000003745 diagnosis Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 201000010099 disease Diseases 0.000 description 5
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 5
- 239000003814 drug Substances 0.000 description 5
- 210000003414 extremity Anatomy 0.000 description 5
- 235000012054 meals Nutrition 0.000 description 5
- 239000000932 sedative agent Substances 0.000 description 5
- 230000006998 cognitive state Effects 0.000 description 4
- 238000001802 infusion Methods 0.000 description 4
- 238000001990 intravenous administration Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000003542 behavioural effect Effects 0.000 description 3
- 229940079593 drug Drugs 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 210000002414 leg Anatomy 0.000 description 3
- 230000037230 mobility Effects 0.000 description 3
- 230000002265 prevention Effects 0.000 description 3
- 230000001624 sedative effect Effects 0.000 description 3
- 210000004243 sweat Anatomy 0.000 description 3
- 210000002700 urine Anatomy 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 2
- 230000036772 blood pressure Effects 0.000 description 2
- 230000037213 diet Effects 0.000 description 2
- 235000005911 diet Nutrition 0.000 description 2
- 208000028659 discharge Diseases 0.000 description 2
- 210000003608 fece Anatomy 0.000 description 2
- 235000013305 food Nutrition 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000004445 quantitative analysis Methods 0.000 description 2
- 229940125723 sedative agent Drugs 0.000 description 2
- 239000005541 ACE inhibitor Substances 0.000 description 1
- 206010003497 Asphyxia Diseases 0.000 description 1
- 206010010144 Completed suicide Diseases 0.000 description 1
- 206010051055 Deep vein thrombosis Diseases 0.000 description 1
- 206010013954 Dysphoria Diseases 0.000 description 1
- 208000017701 Endocrine disease Diseases 0.000 description 1
- 206010020772 Hypertension Diseases 0.000 description 1
- 208000001953 Hypotension Diseases 0.000 description 1
- 208000003443 Unconsciousness Diseases 0.000 description 1
- 206010047249 Venous thrombosis Diseases 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 229940035676 analgesics Drugs 0.000 description 1
- 229940127282 angiotensin receptor antagonist Drugs 0.000 description 1
- 229940044094 angiotensin-converting-enzyme inhibitor Drugs 0.000 description 1
- 239000000730 antalgic agent Substances 0.000 description 1
- 230000003276 anti-hypertensive effect Effects 0.000 description 1
- 239000002220 antihypertensive agent Substances 0.000 description 1
- 229940127088 antihypertensive drug Drugs 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 230000002567 autonomic effect Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000002354 daily effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 206010012601 diabetes mellitus Diseases 0.000 description 1
- 229940127292 dihydropyridine calcium channel blocker Drugs 0.000 description 1
- 239000002866 dihydropyridine calcium channel blocker Substances 0.000 description 1
- 230000002526 effect on cardiovascular system Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 238000009432 framing Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 208000021822 hypotensive Diseases 0.000 description 1
- 230000001077 hypotensive effect Effects 0.000 description 1
- 210000003127 knee Anatomy 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 235000021056 liquid food Nutrition 0.000 description 1
- 235000013372 meat Nutrition 0.000 description 1
- 238000010339 medical test Methods 0.000 description 1
- 239000003607 modifier Substances 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 230000008058 pain sensation Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000010008 shearing Methods 0.000 description 1
- 230000035939 shock Effects 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 230000000153 supplemental effect Effects 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000007306 turnover Effects 0.000 description 1
- 210000000689 upper leg Anatomy 0.000 description 1
- 210000001835 viscera Anatomy 0.000 description 1
- 230000001755 vocal effect Effects 0.000 description 1
- 230000002747 voluntary effect Effects 0.000 description 1
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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Accommodation For Nursing Or Treatment Tables (AREA)
Abstract
本说明书实施例提供一种护理风险评估预警方法，该方法包括：获取患者信息；基于上述患者信息，确定评估结果；基于评估结果，确定风险预警信息；基于风险预警信息，制定护理风险防范措施。
Description
技术领域
本说明书涉及领域，特别涉及一种护理风险评估预警方法及系统。
背景技术
随着医疗信息化水平的快速提高，医院对住院患者的安全预警保障的要求变得越来越高。医院的护理风险评估预警水平，对于减少护理不良事件的发生率、提升护理安全预警事件的前馈控制时间至关重要。
因此，希望可以提供一种更好的护理风险评估预警方法。
发明内容
本说明书实施例之一提供一种护理风险评估预警方法，包括：获取患者信息；基于所述患者信息，确定评估结果；基于所述评估结果，确定风险预警信息；基于所述风险预警信息，制定护理风险防范措施。
本说明书实施例之一提供一种护理风险评估预警系统，包括：获取模块，用于获取患者信息；评估模块，用于基于所述患者信息，确定评估结果；预警模块，用于基于所述评估结果，确定风险预警信息；防范模块，用于基于所述风险预警信息，制定护理风险防范措施。
本说明书实施例之一提供一种护理风险评估预警装置，其特征在于，所述装置包括至少一个处理器以及至少一个存储器；所述至少一个存储器用于存储计算机指令；所述至少一个处理器用于执行所述计算机指令中的至少部分指令以实现护理风险评估预警方法。
本说明书实施例之一提供一种计算机可读存储介质，其特征在于，所述存储介质存储计算机指令，当计算机读取存储介质中的计算机指令后，计算机执行护理风险评估预警方法。
附图说明
本说明书将以示例性实施例的方式进一步说明，这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的，在这些实施例中，相同的编号表示相同的结构，其中：
图1是根据本说明书一些实施例所示的护理风险评估预警系统的应用场景示意图；
图2是根据本说明书一些实施例所示的护理风险评估预警系统的示例性模块图；
图3是根据本说明书一些实施例所示的护理风险评估预警方法的示例性流程图；
图4是根据本说明书一些实施例所示的跌倒风险预测模型结构的示例性示意图；
图5是根据本说明书一些实施例所示的压疮风险预测模型结构的示例性示意图；
图6是根据本说明书一些实施例所示的误报分析模型结构的示例性示意图。
具体实施方式
为了更清楚地说明本说明书实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地，下面描述中的附图仅仅是本说明书的一些示例或实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图将本说明书应用于其它类似情景。除非从语言环境中显而易见或另做说明，图中相同标号代表相同结构或操作。
应当理解，本文使用的“系统”、“装置”、“单元”和/或“模块”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而，如果其他词语可实现相同的目的，则可通过其他表达来替换所述词语。
如本说明书和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其它的步骤或元素。
本说明书中使用了流程图用来说明根据本说明书的实施例的系统所执行的操作。应当理解的是，前面或后面操作不一定按照顺序来精确地执行。相反，可以按照倒序或同时处理各个步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。
图1是根据本说明书一些实施例所示的护理风险评估预警系统的应用场景示意图。
如图1所示，护理风险评估预警场景100可以包括处理设备110、网络120、存储设备130、终端140以及患者信息获取设备150。护理风险评估预警场景100中的组件可以以各种方式中的一种或多种方式连接。
在一些实施例中，护理风险评估预警场景100可以通过实施本说明书中披露的方法和/或过程来确定护理风险防范措施。例如，在一个典型的应用场景中，当需要确定护理风险防范措施时，可以基于患者信息获取设备150获取患者信息；基于患者信息，通过处理设备110确定评估结果；基于评估结果，通过处理设备110确定风险预警信息；基于风险预警信息，通过处理设备110制定护理风险防范措施。
处理设备110可以用于处理与护理风险评估预警场景100有关的信息和/数据，例如，年龄、性别、体重、病史等。处理器可以基于这些数据、信息和/或处理结果执行程序指令，以执行一个或多个本说明书中描述的功能。在一些实施例中，处理设备110可以包含一个或多个子处理设备(例如，单核处理设备或多核多芯处理设备)。仅作为示例，处理设备110可以包括中央处理器(CPU)、专用集成电路(ASIC)等或以上任意组合。
网络120可以连接场景100的各组成部分和/或连接系统与外部资源部分。网络120使得各组成部分之间，以及与系统之外其他部分之间可以进行通讯，促进数据和/或信息的交换。在一些实施例中，网络120可以是有线网络或无线网络中的任意一种或多种。例如，网络120可以包括电缆网络、光纤网络等或其任意组合。各部分之间的网络连接可以是采用上述一种方式，也可以是采取多种方式。在一些实施例中，网络可以是点对点的、共享的、中心式的等各种拓扑结构或者多种拓扑结构的组合。在一些实施例中，网络120可以包括一个或以上网络接入点。在一些实施例中，可以通过网络120传递患者信息。
存储设备130可以用于存储数据和/或指令。在一些实施例中，存储设备130可以存储处理设备110用来执行或使用以完成本说明书中描述的示例性方法的数据和/或指令。在一些实施例中，存储设备130可以连接到网络120以与护理风险评估预警场景100的一个或以上组件(例如，处理设备120、患者信息获取设备150)通信。
终端140可以指用户所使用一个或多个终端设备或软件。在一些实施例中，终端140可以用于对患者进行实时风险预警。例如，患者通过患者终端获取实时风险预警信息的提示或通知。在一些实施例中，终端140可以用于发现潜在的或已有的护理风险。例如，护士通过护士终端即时发现潜在的或已有的护理风险。
患者信息获取设备150可以用于获取患者信息。患者信息获取设备150可以包括各类传感器，如温度传感器、血压传感器、心率传感器、潮湿度传感器、运动传感器等。在一些实施例中，患者信息获取设备150可以将获取到的患者信息通过网络发送到处理设备。
应当注意场景100仅仅是为了说明的目的而提供的，并不意图限制本申请的范围。对于本领域的普通技术人员来说，可以根据本说明书的描述，做出多种修改或变化。例如，场景100还可以包括信息源。然而，这些变化和修改不会背离本申请的范围。
图2是根据本说明书一些实施例所示的护理风险评估预警系统的示例性模块图。
在一些实施例中，护理风险评估预警系统200可以包括获取模块210、评估模块220、预警模块230、防范模块240。
在一些实施例中，获取模块210可以用于获取患者信息。
在一些实施例中，评估模块220可以用于基于患者信息，确定评估结果。在一些实施例中，评估模块可以进一步用于：基于患者信息，确定多个评估项目；基于多个评估项目，确定多个评估结果。在一些实施例中，评估模块可以进一步用于：基于患者信息，确定至少一个评估结果。
在一些实施例中，预警模块230可以用于基于评估结果，确定风险预警信息。在一些实施例中，预警模块可以进一步用于：基于至少一个评估结果，确定至少一个误报评估信息；响应于至少一个误报评估信息满足预设条件，确定风险预警信息。
在一些实施例中，防范模块240可以用于基于风险预警信息，制定护理风险防范措施。
需要注意的是，以上对于系统及其组成部分的描述，仅为描述方便，并不能把本说明书限制在所举实施例范围之内。可以理解，对于本领域的技术人员来说，在了解该系统的原理后，可能在不背离这一原理的情况下，对各个组成部分进行任意组合，或者构成子系统与其他组成部分连接。例如，各个组成部分可以共用一个存储设备，各个组成部分也可以分别具有各自的存储设备。诸如此类的变形，均在本说明书的保护范围之内。
图3是根据本说明书一些实施例所示的护理风险评估预警方法的示例性流程图。如图3所示。在一些实施例中，流程300可以由处理设备及其组件执行。
步骤310，获取患者信息。在一些实施例中，该步骤可由获取模块执行。
患者可以是护理风险评估预警方法及系统的作用对象。在一些实施例中，患者还可以被称为“对象”、“目标”、“病患”等，本说明书对此不做限制。
患者信息可以是与患者相关的任何数据信息。例如，患者信息可以包括患者的年龄、性别、体重、病史等信息。
在一些实施例中，患者信息可以基于患者的历史就诊数据确定。例如，获取模块可以调用与患者相关的历史就诊数据，并将其中的部分数据如体重、病史等作为患者信息。
步骤320，基于患者信息，确定评估结果。在一些实施例中，该步骤可由评估模块执行。
评估结果可以是患者的身体健康评估情况。例如，评估结果可以是患者的心血管、四肢、内脏器官等身体部位的健康情况。
在一些实施例中，评估结果可以基于预设关系确定。例如，每种评估结果可以对应预设的患者信息，当某一患者信息满足上述预设患者信息时，确定该评估结果为最终结果。
在一些实施例中，评估模块可以基于患者信息，确定多个评估项目；基于多个评估项目，确定多个评估结果。
评估项目可以是用于确定评估结果的各项指标。例如，评估项目可以包括压疮风险因素评估、跌倒/坠床风险因素评估、深静脉血栓风险因素评估、疼痛风险因素评估、自杀风险因素评估、自理能力评估等。在一些实施例中，评估项目可以包括对应的评估量表。评估量表可以是衡量评估项目具体情况的量化表格。例如，压疮风险因素评估的评估量表可以包括感觉、潮湿、活动、移动力、营养、摩擦力和剪切力等指标，每个指标对应具体的量化数值，当单个指标或所有指标的量化数值大于阈值时，评估患者存在压疮风险。
在一些实施例中，评估模块可以基于当前的阶段信息，确定多个评估项目。阶段信息可以是患者处于的医疗阶段情况。例如，阶段信息可以包括患者入院阶段、患者入科阶段、病情变化阶段、患者转科阶段、患者出院阶段的各种信息，每个阶段对应不同的评估项目与指标。例如，患者入院阶段可以着重关注患者如血压、心率等基础生理指标；病情变化阶段可以着重关注患者的病灶如病变组织等区域；患者入院阶段可以评估压疮风险，出院时无需评估压疮风险等。
本说明书一些实施例中针对不同阶段，确定不同的评估项目，可以实现基于就诊与护理阶段的针对性评估，提高评估全面性，减少非必要项目的评估。
步骤330，基于评估结果，确定风险预警信息。在一些实施例中，该步骤可由预警模块执行。
风险可以是患者生命健康受到威胁的可能性以及具体威胁内容。例如，风险可以是压疮风险、跌倒风险、休克风险、窒息风险等。风险预警信息可以是用于提醒医护人员患者存在某类风险的预警信息。例如，风险预警信息可以是由预警模块发出的文字、声音、图像等形式的提示内容。在一些实施例中，风险预警信息可以包括风险值等量化数值。其中，风险值可以基于图4、图5的模型结构确定。
在一些实施例中，预警模块可以在当身体某个部分的健康状况较差(低于阈值)时，产生与部分相关的风险预警信息。
在一些实施例中，预警模块可以基于至少一个评估结果，确定至少一个误报评估信息；响应于至少一个误报评估信息满足预设条件，确定风险预警信息。
误报评估信息可以是用于衡量评估结果是否误报的信息。例如，误报评估信息可以包括误报、非误报的判断结果，以及具体误报的内容。在一些实施例中，误报评估信息可以基于误报分析模型确定，关于误报评估信息确定的具体说明，参见图6及其相关描述。
预设条件可以是用于判断评估结果是否误报的先置条件。例如，预设条件可以是误报评估信息为非误报。
在一些实施例中，预警模块可以响应于至少一个误报评估信息满足预设条件，确定风险预警信息。
步骤340，基于风险预警信息，制定护理风险防范措施。在一些实施例中，该步骤可由防范模块执行。
护理风险防范措施可以是防范模块针对患者可能存在的风险，所制定的防范动作。例如，护理风险防范措施可以包括加强对患者信息的监控、缩短定期检查的时间、由线上监控改为线下监控等。
在一些实施例中，护理风险防范措施可以基于预设关系确定。例如，基于医院内部的风险防范指导书确定。在一些实施例中，护理风险防范措施可以基于人工设置确定。例如，基于医生经验确定。
通过本说明书一些实施例所述的护理风险评估预警方法，可以实现基于患者信息对患者健康风险的判断，另外，通过评估项目以及阶段信息的改变，调整不同健康情况的判断依据，实现基于患者的针对性风险评估。
应当注意的是，上述有关流程300的描述仅仅是为了示例和说明，而不限定本说明书的适用范围。对于本领域技术人员来说，在本说明书的指导下可以对流程300进行各种修正和改变。然而，这些修正和改变仍在本说明书的范围之内。例如，流程300还可以包括预处理步骤。
图4是根据本说明书一些实施例所示的跌倒风险预测模型结构的示例性示意图。跌倒风险预测模型结构400如图4所示。
在一些实施例中，护理风险评估预警系统可以包括跌倒风险预测模型。在一些实施例中，处理设备可以基于患者信息，通过跌倒风险预测模型，确定患者的跌倒风险值。
跌倒风险预测模型可以是用于预测患者跌倒风险值的模型。例如，跌倒风险预测模型可以是深度神经网络、YOLO、卷积神经网络等模型，或其组合。
跌倒风险预测模型的输入可以包括患者信息、Morse跌倒评估向量等，输出可以包括患者的跌倒风险值。
Morse跌倒评估向量可以是用于量化跌倒影响因素的特征向量。例如，Morse跌倒评估向量的元素可以包括跌倒史、医学诊断、是否使用行走辅助、是否进行静脉输液/留置针、步态、认知状态、是否使用降压药/镇静药等特殊药物、环境信息等。
跌倒史可以是患者近期的跌倒情况。例如，近3个月的是否跌倒以及严重程度。
医学诊断可以是患者的疾病诊断信息，可以包括患者是否患有多个疾病的诊断。例如，患者可以是同时存在高血压、内分泌失调、糖尿病等多个基础疾病。
是否使用行走辅助可以指患者行走是否借助工具。例如，患者采用行走辅助器、轮椅、拐杖等工具行走。
是否进行静脉输液/留置针可以指患者是否进行静脉的输液以及目前是否安装有留置针。
认知状态可以是患者是否有自主行为能力。例如，认知状态可以包括有自主行为能力、无自主行为能力。
是否使用降压药/镇静药等特殊药物可以指患者是否采用降压、镇静类药物。例如，二氢吡啶类钙通道阻滞剂、血管紧张素转化酶抑制剂、血管紧张素受体拮抗剂等药物。
环境信息可以是患者所在环境的障碍物情况。例如，环境信息可以包括障碍物数量、障碍物具体物体、障碍物复杂程度等信息。在一些实施例中，环境信息可以基于环境识别模型确定。
环境识别模型可以是用于确定环境信息的模型。例如，环境识别模型可以包括YOLO、深度神经网络等模型，或其组合。
环境识别模型的输入可以包括环境图像，输出可以包括环境信息。
环境图像可以是与患者所处环境相关的图像。例如，病房的图像、走廊的图像等。在一些实施例中，环境图像可以基于摄像头获取。在一些实施例中，环境识别模型输出的环境信息可以基于病房环境复杂度表示。例如，通过0至10的数值表示病房环境复杂度，数字越大表示病房环境约复杂(即障碍物越多)。
在一些实施例中，环境识别模型可以包括图像分割识别层以及环境复杂度判别层。
图像分割层可以是用于预处理环境图像的模型。例如，图像分割层可以是YOLO模型等模型。
图像分割层的输入可以包括环境图像，输出可以包括对象识别框以及识别类型。对象识别框可以是用于识别以及框选障碍物的分割框。识别类型可以是图像分割层判断的障碍物的类型。障碍物的类型可以包括如病床、椅子、摆放的杂物等。
环境复杂度判别层可以是用于确定环境信息的模型，例如，环境复杂度判别层可以包括深度神经网络等模型。
环境复杂度判别层的输入可以包括图像分割层输出的对象识别框以及识别类型，输出可以包括环境信息，例如，病房环境复杂度。
在一些实施例中，图像分割识别层以及环境复杂度判别层可以通过联合训练得到。例如，训练模块可以基于大量带有标识的训练样本训练初始图像分割识别层以及初始环境复杂度判别层。具体的，将带有标识的训练样本输入初始图像分割识别层，通过训练更新初始图像分割识别层以及初始环境复杂度判别层的参数，直到训练的中间图像分割识别层以及中间环境复杂度判别层满足预设条件，获取训练好的图像分割识别层以及环境复杂度判别层，其中，预设条件可以是损失函数小于阈值、收敛，或训练周期达到阈值。
其中，训练样本可以是历史环境图像，例如，不同病房的历史环境图像，标签可以是历史环境图像对应的环境信息。标签可以基于人工标注获取。
步态可以是反映患者移动能力的数据。例如，步态可以包括正常/卧床不能移动、虚弱、严重虚弱等数据。在一些实施例中，步态可以基于医生经验判断确定。
在一些实施例中，步态可以基于步态识别模型确定。
步态识别模型可以是判断患者步态的模型。例如，步态识别模型可以包括3D卷积神经网络模型等模型。
步态识别模型的输入可以包括与患者行走相关的监控视频，输出可以包括步态稳定度。步态稳定度可以是反映患者行走稳定程度的数据。在一些实施例中，步态稳定度可以通过具体数值表示，例如，通过1至10的数值表示患者步态的稳定程度，1为无法行走，10为正常行走。
在一些实施例中，步态识别模型可以通过多个有标签的训练样本训练得到。例如，可以将多个带有标签的训练样本输入初始步态识别模型，通过标签和初始步态识别模型的结果构建损失函数，基于损失函数迭代更新初始步态识别模型的参数。当初始步态识别模型的损失函数满足预设条件时模型训练完成，得到训练好的步态识别模型。其中，预设条件可以是损失函数收敛、迭代的次数达到阈值等。
在一些实施例中，训练样本至少可以包括与患者行走相关的历史监控视频。标签可以是与患者行走相关的历史监控视频对应的步态稳定度。标签可以基于人工标注获取。
在一些实施例中，步态识别模型的输入还可以包括姿态数据。
姿态数据可以是与患者动作相关的数据。例如，患者的屈膝程度、手臂摆动幅度、腿部摆动程度、重心位置等数据。在一些实施例中，姿态数据可以基于在患者身上合适位置(如大腿上、腰上等)绑定的动作传感器获取。
通过使用模型确定步态，相比基于人工经验评估，更有助于对步态进行更具体、准确的定量分析，同时，通过在模型输入中引入姿态数据，可以使模型预测步态时既从图像整体考虑，还结合了实际患者运动数据，使得预测更为准确。
跌倒风险预测模型基于对前述数据的处理可以输出患者的跌倒风险值。跌倒风险值可以是反映患者跌倒可能性以及严重程度的参数。例如，跌倒风险值可以是跌倒风险等级，或10、100以内的风险数值，数值越大表示跌倒可能性越大，跌倒严重程度越大。
在一些实施例中，当跌倒风险值大于跌倒风险阈值，可以缩短跌倒评估的周期。跌倒风险阈值可以是用于判断跌倒是否为高风险的参数。例如，跌倒风险阈值可以是风险数值为60、80，或跌倒风险等级为严重等。跌倒评估的周期可以是每次跌倒评估与上一次跌倒评估之间的时间间隔。当跌倒风险值大于跌倒风险阈值时，表示患者存在较高的生命健康风险，此时缩短跌倒评估的周期以节省时间尽快进行后续的防范措施。例如，跌倒评估的周期为一天一次，当跌倒风险值大于跌倒阈值时，跌倒评估的周期缩短为半天一次，当相应的防范措施进行且生效后(如跌倒风险值小于跌倒阈值后)，跌倒周期可以恢复为一天一次。
在一些实施例中，当跌倒风险值大于跌倒风险阈值，发出报警。当跌倒风险值大于跌倒风险阈值时，患者存在较高的生命健康风险，此时系统发出报警以提示医生、护理人员及时进行风险处理。在一些实施例中，可以设置多个跌倒风险阈值，以对应多个等级的报警。例如，基于跌倒风险的可能性，设置由简单提醒到紧急求助的梯度报警，以适应不同危害程度的风险情况。
在一些实施例中，跌倒风险预测模型可以通过多个有标签的训练样本训练得到。例如，可以将多个带有标签的训练样本输入初始跌倒风险预测模型，通过标签和初始跌倒风险预测模型的结果构建损失函数，基于损失函数迭代更新初始跌倒风险预测模型的参数。当初始跌倒风险预测模型的损失函数满足预设条件时模型训练完成，得到训练好的跌倒风险预测模型。其中，预设条件可以是损失函数收敛、迭代的次数达到阈值等。
在一些实施例中，训练样本至少可以包括历史患者信息以及对应的历史Morse跌倒评估向量。训练样本可以基于数据库、存储设备获取。标签可以是历史患者信息中出现/不出现跌倒风险信息，以及对应的跌倒风险值，标签可以基于人工标注获取，或通过数据库自动标注获取。
通过本说明书一些实施例所述的跌倒风险预测模型，可以实现基于机器学习模型的步态定量分析，提高步态判断的准确性；另外，采用Morse跌倒评估向量提取与跌倒因素相关的特征，可以实现与跌倒因素相关特征的定量处理。
图5是根据本说明书一些实施例所示的压疮风险预测模型结构的示例性示意图。压疮风险预测模型结构500如图5所示。
在一些实施例中，护理风险评估预警系统可以包括压疮风险预测模型。在一些实施例中，处理设备可以基于所述患者信息，通过压疮风险预测模型，确定患者的压疮风险值。
压疮风险预测模型可以是用于预测患者压疮风险值的模型。例如，压疮风险预测模型可以是3D卷积神经网络等模型。
压疮风险预测模型的输入可以包括患者信息、Braden压疮评估向量等，输出可以包括患者的压疮风险值。
Braden压疮评估向量可以是用于量化压疮影响因素的特征向量。例如，Braden压疮评估向量的元素可以包括感觉、潮湿、活动、移动力、营养、摩擦力和剪切力等。
感觉可以是反映患者感官情况的参数。在一些实施例中，感觉可以包括完全受限、非常受限、轻度受限、未受损伤等感觉等级。其中，完全受限可以是患者意识丧失或使用镇痛药而对疼痛没有反应，几乎全身体无法感觉疼痛；非常受限可以是患者只对疼痛刺激有反应(如呻吟、烦躁不安)，患者超过一半体表面积无痛感；轻度受限可以是患者对指令性语言有反应，但不能完全用语言表达不舒服，或有1-2个肢体无法感觉疼痛；未受损伤可以是患者可完全反应语言系统，不影响患者的表达或不适。在一些实施例中，感觉可以基于对患者的医学测试确定。
潮湿可以是反映患者身体部位潮湿程度的参数。在一些实施例中，潮湿可以通过潮湿度的具体数值表示，或通过潮湿等级表示。在一些实施例中，潮湿可以包括持续潮湿、非常潮湿、偶有潮湿、很少潮湿等潮湿等级。其中，持续潮湿可以是患者皮肤总是被汗水、尿液或粪便浸湿，每次翻身都会发现皮肤处在潮湿环境中；非常潮湿可以是皮肤经常被汗水、尿液或粪便浸湿，床单至少每一班(如1天至少有2班)需要更换一次，尿布潮湿偶尔更换；偶有潮湿可以是皮肤偶尔被汗水、尿液或粪便浸湿，床单1天需额外更换一次，尿布潮湿经常更换；很少潮湿可以是皮肤通常保持干燥，床单按常规更换，尿布总是保持干燥。在一些实施例中，潮湿相关的数据可以基于在患者身上安装传感器获取。例如，在患者腿部安装潮湿传感器，用以检测患者腿部所处的环境的潮湿度，以及患者的翻身频率与翻身幅度。
活动可以是与患者日常行为相关的参数。例如，活动可以包括卧床、乘坐轮椅、偶尔步行、经常步行等具体活动。其中，卧床可以是患者被限制在床上；乘坐轮椅可以是患者行走能力严重受限或不存在；偶尔步行可以是患者白天偶尔步行但距离非常短，需借助辅助设施，且大部分时间在床上和椅子上；经常步行可以是患者白天清醒时室外步行至少每天2次，室内步行至少2小时一次。在一些实施例中，活动相关的数据可以通过状态识别模型确定。
状态识别模型可以是用于确定患者活动向量的模型。例如，状态识别模型可以包括3D卷积神经网络模型等。
状态识别模型的输入可以包括与患者相关的监控视频，输出可以包括患者的活动向量。患者的活动向量可以是反映患者活动情况的向量。例如，患者的活动向量的元素可以包括患者活动的方向、距离、时间等。在一些实施例中，患者的活动向量的元素可以分别表示患者一天中处于卧床、坐着、走动三种状态的时间比例，例如，状态识别模型输出的患者的活动向量可以为(30，40，30)代表患者一天中卧床、坐着、走动的时间比例分别为30％、40％、30％。
在一些实施例中，状态识别模型可以通过多个有标签的训练样本训练得到。例如，可以将多个带有标签的训练样本输入初始状态识别模型，通过标签和初始状态识别模型的结果构建损失函数，基于损失函数迭代更新初始状态识别模型的参数。当初始状态识别模型的损失函数满足预设条件时模型训练完成，得到训练好的状态识别模型。其中，预设条件可以是损失函数收敛、迭代的次数达到阈值等。
在一些实施例中，训练样本至少可以包括患者的历史监控视频。训练样本可以基于数据库、存储设备获取。标签可以是患者的活动向量，标签可以基于人工标注获取。
移动力可以是反映患者是否可以正常移动的参数。例如，移动力可以包括完全无法移动、严重受限、轻度受限、未受限等移动力等级。其中，完全无法移动可以是在无人协助情况下，患者完全不能改变身体或四肢的位置；严重受限可以是患者偶尔能轻微改变身体或四肢的位置，但不能经常改变或独立地改变体位；轻度受限可以是患者经常可独自稍微改变身体的位置；未受限可以是患者不需协助可经常大范围随意改变身体的位置。在一些实施例中，移动力相关的数据可以通过人工确定。
营养可以是与患者进食相关的参数。例如，营养可以包括非常差、可能缺乏、充足、丰富等营养等级。其中，非常差可以是患者从未吃过完整的一餐，没有额外补充流质食物，禁食或只进食流质或静脉输液大于5天；可能缺乏可以是患者很少吃完一餐饭，一般仅吃所供食物的1/2，流质或管饲饮食供应少于身体需要；充足可以是患者大多数时间所吃食物大于1/2所供食物，维持鼻饲饮食或TPN治疗，摄取量可满足大部分营养所需；丰富可以是患者每餐均能吃完或基本吃完、从不少吃一餐、每天常吃大于4人份的肉类、不要求加餐等。在一些实施例中，营养相关的数据可以基于对患者的进食数据统计确定。
患者正常坐在床上、椅子上时，不自觉地会发生身体下滑的情况。摩擦力和剪切力可以是与患者下滑移动相关的参数。例如，摩擦力和剪切力相关的数据可以包括有问题、有潜在问题、无明显问题等情况。其中，有问题可以是患者需要中度到极大的协助移动身体，坐在床上或椅子上经常会下滑；有潜在问题可以是患者移动时需轻微协助，大部分时间在床上或椅子上能维持良好的体位，但偶尔有向下滑动；无明显问题可以是患者在床上或椅子里能够独立移动，移动时有足够的肌力完全抬举身体及肢体，坐在床上或椅子上都能保持良好的体位。
在一些实施例中，摩擦力和剪切力可以基于下滑识别模型确定。
下滑识别模型可以是用于确定下滑频率和平均幅度的模型。例如，下滑识别模块可以包括3D卷积神经网络模型等。
下滑识别模型的输入可以包括监控视频，输出可以包括下滑的频率和平均幅度。
在一些实施例中，下滑识别模型可以通过多个有标签的训练样本训练得到。例如，可以将多个带有标签的训练样本输入初始下滑识别模型，通过标签和初始下滑识别模型的结果构建损失函数，基于损失函数迭代更新初始下滑识别模型的参数。当初始下滑识别模型的损失函数满足预设条件时模型训练完成，得到训练好的下滑识别模型。其中，预设条件可以是损失函数收敛、迭代的次数达到阈值等。
在一些实施例中，训练样本至少可以包括患者的历史监控视频。训练样本可以基于数据库、存储设备获取。标签可以是患者下滑的频率与平均幅度，标签可以基于人工标注获取。
在一些实施例中，通过下滑识别模型得到的每个下滑频率和下滑平均幅度可以确定不同的摩擦力和剪切力。例如，基于预设对照表确定等。
压疮风险预测模型基于对上述数据的处理，即可输出压疮风险值。压疮风险值可以是反映患者压疮可能性以及严重程度的参数。例如，压疮风险值可以是压疮风险等级，或10、100以内的风险数值，数值越大表示压疮可能性越大，压疮严重程度越大。
在一些实施例中，压疮风险预测模型可以通过多个有标签的训练样本训练得到。例如，可以将多个带有标签的训练样本输入初始压疮风险预测模型，通过标签和初始压疮风险预测模型的结果构建损失函数，基于损失函数迭代更新初始压疮风险预测模型的参数。当初始压疮风险预测模型的损失函数满足预设条件时模型训练完成，得到训练好的压疮风险预测模型。其中，预设条件可以是损失函数收敛、迭代的次数达到阈值等。
在一些实施例中，训练样本至少可以包括历史患者信息以及对应的历史Braden压疮评估向量。训练样本可以基于数据库、存储设备获取。标签可以是历史患者信息中出现/不出现压疮风险信息，以及对应的压疮风险值，标签可以基于人工标注获取，或通过数据库自动标注获取。
通过本说明书一些实施例所述的压疮风险预测模型，可以实现基于机器学习模型的压疮动作分析，提高压疮判断的准确性；另外，采用Braden压疮评估向量提取与压疮因素相关的特征，可以实现与压疮因素相关特征的定量处理。
图6是根据本说明书一些实施例所示的误报分析模型结构的示例性示意图。误报分析模型结构600如图6所示。
在一些实施例中，处理设备可以基于误报分析模型确定误报评估信息。
误报分析模型可以是用于确定评估信息是否误报以及误报数据的模型。例如，误报分析模型可以是卷积神经网络模型等。
误报分析模型的输入可以包括患者信息、误报分析类型以及置信度向量，输出可以包括是否误报以及误报数据。置信度可以通过实数、百分数或等级等来表示。例如，置信度可以是0至1之间的一个实数值。
误报分析类型可以是误报涉及的参数类型。例如，误报分析类型可以包括跌倒风险误报分析、压疮风险误报分析等。
置信度向量可以是误报分析类型对应的反映其置信度的向量。例如，跌倒风险误报分析对应Morse跌倒评估置信度向量、压疮风险误报分析对应Braden压疮评估置信度向量等。其中，Morse跌倒评估置信度向量的元素可以包括跌倒史置信度、医学诊断置信度、是否使用行走辅助置信度、是否进行静脉输液/留置针置信度、步态置信度、认知状态置信度、是否使用降压药/镇静药等特殊药物置信度、环境信息置信度等，对于跌倒史置信度、医学诊断置信度、是否使用行走辅助置信度、是否进行静脉输液/留置针置信度、是否使用降压药/镇静药等特殊药物置信度，其置信度可以通过下述公式(1)计算：
P＝100％-N (1)
其中，P为上述置信度、N为误采集概率。误采集概率可以是数据采集过程中产生误差的概率。例如，误采集概率可以是输入时输错数据、填写错误导致误差的概率。
在一些实施例中，误采集概率可以基于经验确定。认知状态置信度可以通过下述公式(2)计算：
P＝100％-M (2)
其中，M为主观误判概率。主观误判概率可以是人工评估时因主观判断失误导致误判的概率。在一些实施例中，主观误判概率可以基于经验确定。
在一些实施例中，上述置信度向量中，基于模型确定的参数的置信度为对应模型输出的置信度。例如，步态置信度和环境信息置信度可以是对应模型的置信度(即可信程度)，其数值可以基于对应的模型输出确定。
Braden压疮评估置信度向量的元素可以包括感觉置信度、潮湿置信度、活动置信度、移动力置信度、营养置信度、摩擦力和剪切力置信度等。其中，感觉置信度、潮湿置信度、移动力置信度、营养置信度的确定参见上述公式(1)，活动置信度、摩擦力和剪切力置信度的确定参见上述步态置信度和环境信息置信度的确定。
通过在误报分析模型引入每种分析类型的置信度向量，可以将每种影响因素的置信度纳入考量范围，提高误报分析过程的准确性；另外，基于每种影响因素的获取方法确定其置信度计算过程，可以提高置信度获取与实际情况的匹配程度。
在一些实施例中，误报分析模型可以通过多个有标签的训练样本训练得到。例如，可以将多个带有标签的训练样本输入初始误报分析模型，通过标签和初始误报分析模型的结果构建损失函数，基于损失函数迭代更新初始误报分析模型的参数。当初始误报分析模型的损失函数满足预设条件时模型训练完成，得到训练好的误报分析模型。其中，预设条件可以是损失函数收敛、迭代的次数达到阈值等。
在一些实施例中，训练样本至少可以包括历史正常出现跌倒风险时的数据以及人为调整某些参数的负样本数据。标签可以是误报、正常，以及标注误报数据，标签可以基于人工标注获取。
在一些实施例中，可以由人工(如医生、护士、护工等)基于实际情况确定是否误报。在一些实施例中，响应于误报，处理设备可以接收修改后的评估结果，并对修改后的评估结果再次进行误报分析，并重新确定患者的跌倒风险值与压疮风险值；响应于非误报，处理设备可以确定风险预警信息，执行步骤330、340的操作。
通过本说明书一些实施例所述的误报分析模型，可以基于各种影响因素的置信度，确定评估结果的真实性，提高评估结果的可信程度与系统的自我纠错能力；另外，每种影响因素的置信度基于其获取方式得到，提高模型的泛用性。
本说明书一些实施例还公开了一种护理风险评估预警装置，该装置包括至少一个处理器以及至少一个存储器，至少一个存储器用于存储计算机指令，至少一个处理器用于执行计算机指令中的至少部分指令以实现护理风险评估预警方法。
本说明书一些实施例还公开了一种计算机可读存储介质，该存储介质存储计算机指令，当计算机读取存储介质中的计算机指令后，计算机运行上述护理风险评估预警方法。
上文已对基本概念做了描述，显然，对于本领域技术人员来说，上述详细披露仅仅作为示例，而并不构成对本说明书的限定。虽然此处并没有明确说明，本领域技术人员可能会对本说明书进行各种修改、改进和修正。该类修改、改进和修正在本说明书中被建议，所以该类修改、改进、修正仍属于本说明书示范实施例的精神和范围。
同时，本说明书使用了特定词语来描述本说明书的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本说明书至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外，本说明书的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外，除非权利要求中明确说明，本说明书所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用，并非用于限定本说明书流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说明的目的，附加的权利要求并不仅限于披露的实施例，相反，权利要求旨在覆盖所有符合本说明书实施例实质和范围的修正和等价组合。例如，虽然以上所描述的系统组件可以通过硬件设备实现，但是也可以只通过软件的解决方案得以实现，如在现有的服务器或移动设备上安装所描述的系统。
同理，应当注意的是，为了简化本说明书披露的表述，从而帮助对一个或多个发明实施例的理解，前文对本说明书实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。但是，这种披露方法并不意味着本说明书观看人所需要的特征比权利要求中提及的特征多。实际上，实施例的特征要少于上述披露的单个实施例的全部特征。
一些实施例中使用了描述成分、属性数量的数字，应当理解的是，此类用于实施例描述的数字，在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明，“大约”、“近似”或“大体上”表明所述数字允许有±20％的变化。相应地，在一些实施例中，说明书和权利要求中使用的数值参数均为近似值，该近似值根据个别实施例所需特点可以发生改变。在一些实施例中，数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本说明书一些实施例中用于确认其范围广度的数值域和参数为近似值，在具体实施例中，此类数值的设定在可行范围内尽可能精确。
针对本说明书引用的每个专利、专利申请、专利申请公开物和其他材料，如文章、书籍、说明书、出版物、文档等，特此将其全部内容并入本说明书作为参考。与本说明书内容不一致或产生冲突的申请历史文件除外，对本说明书权利要求最广范围有限制的文件(当前或之后附加于本说明书中的)也除外。需要说明的是，如果本说明书附属材料中的描述、定义、和/或术语的使用与本说明书所述内容有不一致或冲突的地方，以本说明书的描述、定义和/或术语的使用为准。
最后，应当理解的是，本说明书中所述实施例仅用以说明本说明书实施例的原则。其他的变形也可能属于本说明书的范围。因此，作为示例而非限制，本说明书实施例的替代配置可视为与本说明书的教导一致。相应地，本说明书的实施例不仅限于本说明书明确介绍和描述的实施例。
Claims (10)
1.一种护理风险评估预警方法，包括：
获取患者信息；
基于所述患者信息，确定评估结果；
基于所述评估结果，确定风险预警信息；
基于所述风险预警信息，制定护理风险防范措施。
2.根据权利要求1所述的方法，所述基于所述患者信息，确定评估结果包括：
基于所述患者信息，确定多个评估项目；基于所述多个评估项目，确定多个评估结果。
3.根据权利要求2所述的方法，所述基于所述患者信息，确定评估结果包括：
所述基于所述患者信息，通过跌倒风险预测模型，确定患者的跌倒风险。
4.根据权利要求2所述的方法，所述基于所述患者信息，确定评估结果包括：
基于所述患者信息，通过压疮风险预测模型，确定患者的压疮风险。
5.根据权利要求1所述的方法，所述基于所述患者信息，确定评估结果包括：
基于所述患者信息，确定至少一个评估结果；
所述基于所述评估结果，确定风险预警信息包括：
基于所述至少一个评估结果，确定至少一个误报评估信息；
响应于所述至少一个误报评估信息满足预设条件，确定风险预警信息。
6.一种护理风险评估预警系统，包括：
获取模块，用于获取患者信息；
评估模块，用于基于所述患者信息，确定评估结果；
预警模块，用于基于所述评估结果，确定风险预警信息；
防范模块，用于基于所述风险预警信息，制定护理风险防范措施。
7.根据权利要求6所述的系统，所述评估模块进一步用于：
基于所述患者信息，确定多个评估项目；基于所述多个评估项目，确定多个评估结果。
8.根据权利要求6所述的系统，所述评估模块进一步用于：
基于所述患者信息，确定至少一个评估结果；
所述预警模块进一步用于：
基于所述至少一个评估结果，确定至少一个误报评估信息；
响应于所述至少一个误报评估信息满足预设条件，确定风险预警信息。
9.一种护理风险评估预警装置，其特征在于，所述装置包括至少一个处理器以及至少一个存储器；
所述至少一个存储器用于存储计算机指令；
所述至少一个处理器用于执行所述计算机指令中的至少部分指令以实现如权利要求1～5中任一所述的方法。
10.一种计算机可读存储介质，其特征在于，所述存储介质存储计算机指令，当计算机读取存储介质中的计算机指令后，计算机执行如权利要求1～5中任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210629789.1A CN115274089B (zh) | 2022-06-06 | 2022-06-06 | 一种护理风险评估预警方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210629789.1A CN115274089B (zh) | 2022-06-06 | 2022-06-06 | 一种护理风险评估预警方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115274089A true CN115274089A (zh) | 2022-11-01 |
| CN115274089B CN115274089B (zh) | 2023-07-11 |
Family
ID=83759999
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210629789.1A Active CN115274089B (zh) | 2022-06-06 | 2022-06-06 | 一种护理风险评估预警方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115274089B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117789977A (zh) * | 2023-11-30 | 2024-03-29 | 华中科技大学同济医学院附属同济医院 | 一种新型压疮智能预警和预防一体化方法和系统 |
| CN118471520A (zh) * | 2024-07-12 | 2024-08-09 | 四川省医学科学院·四川省人民医院 | 胃癌或食管癌患者静脉血栓栓塞风险预测方法及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103455961A (zh) * | 2013-09-09 | 2013-12-18 | 丁玉兰 | 一种病人高危因素护理评估系统 |
| CN111613337A (zh) * | 2020-05-15 | 2020-09-01 | 首都医科大学 | 一种重症监护病房用的智能化谵妄评估系统及评估方法 |
| CN113012809A (zh) * | 2021-04-19 | 2021-06-22 | 成都医学院 | 养老机构风险预警方法 |
| US20210313018A1 (en) * | 2018-06-29 | 2021-10-07 | Nec Corporation | Patient assessment support device, patient assessment support method, and recording medium |
| CN114068022A (zh) * | 2021-11-18 | 2022-02-18 | 泰康保险集团股份有限公司 | 跌倒风险的预警方法及装置、存储介质、电子设备 |
-
2022
- 2022-06-06 CN CN202210629789.1A patent/CN115274089B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103455961A (zh) * | 2013-09-09 | 2013-12-18 | 丁玉兰 | 一种病人高危因素护理评估系统 |
| US20210313018A1 (en) * | 2018-06-29 | 2021-10-07 | Nec Corporation | Patient assessment support device, patient assessment support method, and recording medium |
| CN111613337A (zh) * | 2020-05-15 | 2020-09-01 | 首都医科大学 | 一种重症监护病房用的智能化谵妄评估系统及评估方法 |
| CN113012809A (zh) * | 2021-04-19 | 2021-06-22 | 成都医学院 | 养老机构风险预警方法 |
| CN114068022A (zh) * | 2021-11-18 | 2022-02-18 | 泰康保险集团股份有限公司 | 跌倒风险的预警方法及装置、存储介质、电子设备 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117789977A (zh) * | 2023-11-30 | 2024-03-29 | 华中科技大学同济医学院附属同济医院 | 一种新型压疮智能预警和预防一体化方法和系统 |
| CN118471520A (zh) * | 2024-07-12 | 2024-08-09 | 四川省医学科学院·四川省人民医院 | 胃癌或食管癌患者静脉血栓栓塞风险预测方法及系统 |
| CN118471520B (zh) * | 2024-07-12 | 2024-09-03 | 四川省医学科学院·四川省人民医院 | 胃癌或食管癌患者静脉血栓栓塞风险预测方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115274089B (zh) | 2023-07-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Pham et al. | Delivering home healthcare through a cloud-based smart home environment (CoSHE) | |
| US10835186B2 (en) | Systems for automatic assessment of fall risk | |
| US7502498B2 (en) | Patient monitoring apparatus | |
| US8647268B2 (en) | Patient monitoring apparatus | |
| US20180177436A1 (en) | System and method for remote monitoring for elderly fall prediction, detection, and prevention | |
| KR102439807B1 (ko) | 치매 환자 관리 방법 및 그 시스템 | |
| CN115274089B (zh) | 一种护理风险评估预警方法及系统 | |
| Kosse et al. | Factors related to the high fall rate in long-term care residents with dementia | |
| EP1305767B1 (en) | Method for remote medical monitoring incorporating video processing | |
| US20130245389A1 (en) | Learning Patient Monitoring and Intervention System | |
| AU2022203004A1 (en) | System for recording, analyzing risk(s) of accident(s) or need of assistance and providing real-time warning(s) based on continuous sensor signals | |
| Alsaeedi et al. | Ambient assisted living framework for elderly care using Internet of medical things, smart sensors, and GRU deep learning techniques | |
| Hung et al. | Bed posture classification based on artificial neural network using fuzzy c-means and latent semantic analysis | |
| EP4120284A2 (en) | Image-based risk analysis of individuals in clinical settings | |
| Nandi et al. | Application of KNN for Fall Detection on Qualcomm SoCs | |
| Shwetha et al. | Remote monitoring of heart patients using robotic process automation (RPA) | |
| Rotariu et al. | Assistive technologies to support communication with neuro-motor disabled patients | |
| Prückner et al. | Emergency monitoring and prevention–eu project emerge | |
| JP7358842B2 (ja) | 障害判定方法、障害判定プログラムおよび情報処理装置 | |
| Nagarnaidu Rajaperumal et al. | Cloud-based intelligent internet of medical things applications for healthcare systems | |
| Selvaraj et al. | AN INNOVATION TECHNIQUE OF ARTIFICIAL INTELLIGENCE ENABLED DOCTOR ASSISTANT IN FIELD OF HEALTH CARE | |
| JP7547250B2 (ja) | 情報提供装置 | |
| US20230307142A1 (en) | Fall risk analysis using balance profiles | |
| US20240203228A1 (en) | System and method for predicting a fall | |
| Jiang et al. | Patent review on network-based elderly healthcare system in the US |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |