CN115798734A - 基于大数据的新发突发传染病防控方法、装置及储存介质 - Google Patents
基于大数据的新发突发传染病防控方法、装置及储存介质 Download PDFInfo
- Publication number
- CN115798734A CN115798734A CN202310029464.4A CN202310029464A CN115798734A CN 115798734 A CN115798734 A CN 115798734A CN 202310029464 A CN202310029464 A CN 202310029464A CN 115798734 A CN115798734 A CN 115798734A
- Authority
- CN
- China
- Prior art keywords
- suspected
- infectious disease
- patient
- transmission
- data
- 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
Images
Classifications
-
- 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
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明提供一种基于大数据的新发突发传染病防控方法、装置及储存介质,属于医疗信息技术领域,具体包括:基于医疗机构的多个系统,实时获取患者的临床数据,将患有疑似传染病的患者作为疑似患者,基于疑似患者的临床数据,以数据元为标识单元生成数据列表,并进行筛选得到满足症状监测要求的值域码表进而生成最小数据集,基于传播风险评估模型确定疑似传染病的传播风险因子并当大于第一传播阈值时,基于疑似患者的数量、传播风险因子、疑似患者的检验结果确定疑似传染病的风险评估值,并当大于第一风险阈值时,构建传染病专家知识库,基于最小数据集确定疑似传染病的类型并自动生成处置方案,从而进一步提升了新发传染病的处理效率和精准性。
Description
技术领域
本发明属于医疗信息领域,尤其涉及一种基于大数据的新发突发传染病防控方法、装置及储存介质。
背景技术
为了实现未知或者新发传染病的及时预警和防控,在授权发明专利授权公告号CN112420211B《未知传染病的预警方法、装置、电子装置及计算机可读介质》中通过获取对象的特征数据;根据所述对象的特征数据和预先训练的疾病概率图谱,确定所述对象是否为未知疾病类型;获取预设时间段内所述未知疾病类型的对象数量,并根据所述未知疾病类型的对象数量进行未知传染病的预警,但是却存在以下技术问题:
1、忽视了不同的患者的临床数据的交互融合实现对新发传染病的预警,对于医疗机构而言,不同的患者的诊疗信息存在于医疗机构的HIS、LIS、PACS、手术记录、电子病历等多种系统中,若不能实现临床数据的交互融合,从而最终的预警效率和准确性都有所降低。
2、在进行风险评估时未考虑传染病的传播方式的难易程度,对于不同的传染病,其传播方式的难易程度各不相同,因此在进行传播风险评估时,无法准确的实现对传染病的预警。
3、未考虑进行传染病专家知识库的构建,自动生成处置方案或者干预手段,对于不同的传染病的种类、不同的传染病的风险程度,若不能针对性的进行处置方案或者干预手段的自动生成,则会导致最终无法及时对传染病进行及时管控,进而导致造成极大的传播风险。
针对上述技术问题,本发明提供了一种基于大数据的新发突发传染病防控方法、装置及储存介质。
发明内容
为实现本发明目的,本发明采用如下技术方案:
根据本发明的一个方面,提供了一种基于大数据的新发突发传染病防控方法。
一种基于大数据的新发突发传染病防控方法,其特征在于,具体包括:
S11基于医疗机构的多个系统,实时获取患者的临床数据,基于所述患者的临床数据,判断是否存在患有疑似传染病的患者,若是,则将所述患有疑似传染病的患者作为疑似患者,并进入步骤S12,若否,则继续对所述患者的临床数据进行实时获取;
S12基于所述疑似患者的临床数据,以数据元为标识单元生成数据列表,并对所述数据列表进行筛选得到满足症状监测要求的值域码表,并基于所述值域码表生成最小数据集;
S13基于所述疑似患者的最小数据集,基于传播风险评估模型,确定所述疑似传染病的传播方式,并基于所述疑似传染病的传染方式确定所述疑似传染病的传播风险因子是否大于第一传播阈值,若是,则进入步骤S14,若否,则返回步骤S11;
S14基于所述疑似患者的数量、所述疑似传染病的传播风险因子、所述疑似患者的检验结果,确定所述疑似传染病的风险评估值,并当所述疑似传染病的风险评估值大于第一风险阈值时,构建传染病专家知识库,基于所述最小数据集,确定所述疑似传染病的类型,并自动生成处置方案或者干预手段。
通过首先基于医疗机构的多个系统,实现对患有疑似传染病的患者的筛选,从而实现了对多个系统的信息融合,保证了患有疑似传染病的患者的筛选的全面性和准确性,并为进一步进行处置方案或者干预手段的自动生成奠定了基础。
通过最小数据集的生成,从而实现了规范患者临床数据记录、管控流程、医疗机构监管指标,整理区域医疗机构的数据记录模型,通过将规范最小数据集将医疗信息数据标准化,搭建互通平台,完成区域内复数及以上医疗机构患者数据动态采集,保证了较好的处理效率和精度。
通过基于所述疑似患者的数量、所述疑似传染病的传播风险因子、所述疑似患者的检验结果,确定所述疑似传染病的风险评估值,从而实现了从多方面数据实现对疑似传染病的准确评估,保证了风险评估值的结果的准确性和全面性,也为进一步生成处置方案奠定了基础。
通过传染病专家知识库的构建,从而可以根据疑似传染病的类型进行自动的处置方案或者干预手段的生成,这也进一步降低了疑似传染病的传播风险,提升了整体的安全性。
另一方面,本申请实施例中提供一种电子装置,包括存储器、处理器及存储在存储器上并可在处理器上运行的程序,所述处理器执行所述程序时,实现上述的一种基于大数据的新发突发传染病防控方法。
另一方面,本发明提供了一种计算机存储介质,其上存储有计算机程序,当所述计算机程序在计算机中执行时,令计算机执行上述的一种基于大数据的新发突发传染病防控方法。
其他特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点在说明书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
通过参照附图详细描述其示例实施方式,本发明的上述和其它特征及优点将变得更加明显。
图1是根据实施例1的一种基于大数据的新发突发传染病防控方法的流程图;
图2是实施例1中的确定疑似传染病的传播风险因子的具体步骤的流程图;
图3是实施例1中的确定疑似传染病的风险评估值的具体步骤的流程图;
图4是实施例3中的一种计算机存储介质的结构图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的实施方式;相反,提供这些实施方式使得本发明将全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。图中相同的附图标记表示相同或类似的结构,因而将省略它们的详细描述。
用语“一个”、“一”、“该”、“所述”用以表示存在一个或多个要素/组成部分/等;用语“包括”和“具有”用以表示开放式的包括在内的意思并且是指除了列出的要素/组成部分/等之外还可存在另外的要素/组成部分/等。
实施例1
为解决上述问题,根据本发明的一个方面,如图1所示,提供了一种基于大数据的新发突发传染病防控方法,其特征在于,具体包括:
S11基于医疗机构的多个系统,实时获取患者的临床数据,基于所述患者的临床数据,判断是否存在患有疑似传染病的患者,若是,则将所述患有疑似传染病的患者作为疑似患者,并进入步骤S12,若否,则继续对所述患者的临床数据进行实时获取;
具体的,所述医疗系统的多个系统包括医疗机构的医院信息系统、实验室信息管理系统、影像信息系统、电子病历系统、影像归档和通信系统。
具体的,医疗系统的多个系统可以包括HIS(Hospital Information System,医院信息系统)、LIS(Laboratory Information Management System,实验室信息管理系统)、RIS(Radiology Information System,影像信息系统)、EMR(Electronic Medical Record,电子病历)系统、PACS(Picture Archiving And Communication System,影像归档和通信系统)等系统。
具体的,从医疗系统的多个系统等多个数据源以多种形式的接口获取数据,再通过统一的数据转换组件形成特定统一的数据格式,形成标准统一的数据结构,形成统一的临床数据。
具体的,当所述患者的临床数据存在异常时,确定所述患者属于患有疑似传染病的患者,具体的根据所述患者的临床数据的疾病部位和体征分类进行确定,上述不同疾病部位包括呼吸系统、消化系统、生殖系统、神经系统等部位;上述不同体征分类包括体温异常、大便异常、血压异常等类型。
通过首先基于医疗机构的多个系统,实现对患有疑似传染病的患者的筛选,从而实现了对多个系统的信息融合,保证了患有疑似传染病的患者的筛选的全面性和准确性,并为进一步进行处置方案或者干预手段的自动生成奠定了基础。
S12基于所述疑似患者的临床数据,以数据元为标识单元生成数据列表,并对所述数据列表进行筛选得到满足症状监测要求的值域码表,并基于所述值域码表生成最小数据集;
具体的,参照《卫生信息基本数据集编制规范》《卫生信息数据元标准化规则》《卫生信息数据集元数据规范》和《医院感染监测规范》要求,最小数据集包括规定基本数据集的包含的数据元素,最小数据集以数据元为标识单元,而数据元包括内部标识符、数据元标识符、数据元名称、定义、数据元值的数据类型等用于描述住患者就诊过程中产生的记录,同时对纳入症状监测基本数据集的数据元素进行调整,根据筛选的数据列表,得到设计适合当前医院症状监测要求的值域码表,规范患者临床数据记录、管控流程、医疗机构监管指标,整理区域医疗机构的数据记录模型,通过将规范最小数据集将医疗信息数据标准化,搭建互通平台,完成区域内复数及以上医疗机构的患者数据动态采集。
通过最小数据集的生成,从而实现了规范患者临床数据记录、管控流程、医疗机构监管指标,整理区域医疗机构的数据记录模型,通过将规范最小数据集将医疗信息数据标准化,搭建互通平台,完成区域内复数及以上医疗机构患者数据动态采集,保证了较好的处理效率和精度。
S13基于所述疑似患者的最小数据集,基于传播风险评估模型,确定所述疑似传染病的传播方式,并基于所述疑似传染病的传染方式确定所述疑似传染病的传播风险因子是否大于第一传播阈值,若是,则进入步骤S14,若否,则返回步骤S11;
具体的,如图2所示,确定所述疑似传染病的传播风险因子的具体步骤为:
S21基于所述疑似患者的最小数据集,构建所述疑似患者的症状输入集;
S22将所述患者的症状输入集传输至基于BP神经网络算法的分析模型之中,确定所述疑似传染病的类型以及疑似传染病的传播途径;
具体的,不同传播类型分类包括经血液和体液传播、呼吸道传播、经皮肤传播、多途径传播、虫媒、肠道、接触等类型。
S23基于所述疑似传染病的传播途径,根据所述传播途径的难易程度,采用专家打分的方式确定所述疑似传染病的传播风险因子。
具体的,根据预设的传播关系,确定所述疑似传染病的传播风险因子。
具体的举个例子,当传播类型为呼吸道传播、经皮肤传播、多途径传播,传播风险因子为1,虫媒、经血液和体液传播时,传播风险因子为0.5。
S14基于所述疑似患者的数量、所述疑似传染病的传播风险因子、所述疑似患者的检验结果,确定所述疑似传染病的风险评估值,并当所述疑似传染病的风险评估值大于第一风险阈值时,构建传染病专家知识库,基于所述最小数据集,确定所述疑似传染病的类型,并自动生成处置方案或者干预手段。
具体的,如图3所示,确定所述疑似传染病的风险评估值的具体步骤为:
S31基于所述疑似患者的检验结果、年纪、性别,构建基于logistic逻辑回归算法的评估模型,得到所述疑似患者的评分指标;
具体的,所述算法为logistic逻辑回归算法,算法的信息依照最小化数据集标准收集包括疑似患者的检验结果、年纪、性别,主要包括:①患者在医院门急诊、住院等单位接受医疗服务实时产生的动作数据,如当前就诊的时间、科室、问诊医师信息、患者开具的检查、检验单类别等。②患者医疗过程信息,如个人信息、入/出院时间、过去的传染病报卡信息、检验结果、开处方药情况和出院诊断信息等;上述单因素分析结果带入多因素分析,纳入logistic回归建立模型的建立;
在其中一个具体实施例中,以血液和体液传播为例:经模型训练和优化算法判断,患者的年龄、性别、肝硬度值、超声检测肝硬化、白蛋白、白血小板计数等,是住院患者发生乙肝的危险因素;如表1所示,获得评分指标如下:
表1疑似患者的评分指标
上述对应的项目包括但不限于表格列举,临床数据对应项目的数据可转换为相应的疑似患者的评分指标。
S32基于所述疑似患者的评分指标、所述疑似患者的数量,采用基于小批量随机梯度下降算法的预测模型,得到预测结果;
具体的,所述疑似患者的数量确定的具体步骤为:
(1,通过数据中间件获取医院就诊/住院患者临床数据,临床数据包括患者的个人信息、就诊信息、诊断信息、医嘱信息、用药信息、检验结果信息等;
具体的,数据中间件从医院的HIS、LIS、RIS系统中实时获取的患者诊断、影像检查、检验结果等数据,收集的数据应是患者进入医疗机构之后信息系统实时产生和储存的过程诊疗数据。
(2,利用大数据传染病症候群患者临床数据,通过算法从诊断内容、检验结果等中找到该传染病的患病因素;
(3,在系统中装置传染病分析模型算法;
(4,传入传染病患病因素,并设置为传染病监测元素;
(5,通过传染病监测元素计算出匹配监测的疑似患者的数量。
具体的,其中一个具体的实施例中,人工神经网络优化算法采用小批量随机梯度下降算法:
衡量表达式预测值与真实值之间的误差用的是平方函数。评估索引为i的样本误差的表达式为
误差越小表示越相近。用训练数据集中所有样本误差的平均来衡量模型预测的质量,即
小批量随机梯度下降,每次迭代中,先随机均匀采样一个由固定数目训练数据样本所组成的小批量然后求小批量中数据样本的平均损失有关模型参数的导数(梯度),最后用此结果与预先设定的一个正数的乘积作为模型参数在本次迭代的减小量。
在训练线性回归模型的过程中,模型的每个参数将作如下迭代:
在优化算法停止时的值分别记作
S33基于所述预测结果以及所述疑似传染病的传播风险因子确定所述疑似传染病的风险评估值。
具体的,所述风险评估值的计算公式为:
其中F为疑似传染病的传播风险因子,R1为预测结果。
具体的,通过对专家知识库中预输入的传播类型、部位分类、体征分类字段进行模糊匹配,取得患者相关传染病传播种类的预案标准模板、演练基本规程及感染控制标准技术规范推送至区域终端。
具体的,专家知识库通过收集传染病相关流行病学资料,在医院的基础上分析并建立按照名称、不同传播类型、不同的疾病部位、不同体征分类的传染病的应急处置方案或预案。
具体的,将疑似传染病分为新发未知和突发已知两种,针对已知传染病,通过诊断信息、医嘱信息、用药信息等判断传染病种类,知识库中储存传染病病原学、传播途径、易感染群、控制操作等信息;针对突发未知传染病,根据上述传播类型、疾病部位和体征模糊匹配相近类型传染病处理方案。
具体的,所述区域终端包括但不限于门诊就诊终端、住院办理入院终端、住院办理转科终端、住院办理出院终端。
通过基于所述疑似患者的数量、所述疑似传染病的传播风险因子、所述疑似患者的检验结果,确定所述疑似传染病的风险评估值,从而实现了从多方面数据实现对疑似传染病的准确评估,保证了风险评估值的结果的准确性和全面性,也为进一步生成处置方案奠定了基础。
通过传染病专家知识库的构建,从而可以根据疑似传染病的类型进行自动的处置方案或者干预手段的生成,这也进一步降低了疑似传染病的传播风险,提升了整体的安全性。
实施例2
本申请实施例中提供一种电子装置,包括存储器、处理器及存储在存储器上并可在处理器上运行的程序,所述处理器执行所述程序时,实现上述的一种基于大数据的新发突发传染病防控方法。
实施例3
如图4所示,本发明提供了一种计算机存储介质,其上存储有计算机程序,当所述计算机程序在计算机中执行时,令计算机执行上述的一种基于大数据的新发突发传染病防控方法。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统和方法,也可以通过其它的方式实现。以上所描述的系统实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本发明的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上述依据本发明的理想实施例为启示,通过上述的说明内容,相关工作人员完全可以在不偏离本项发明技术思想的范围内,进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容,必须要根据权利要求范围来确定其技术性范围。
Claims (10)
1.一种基于大数据的新发突发传染病防控方法,其特征在于,具体包括:
S11基于医疗机构的多个系统,实时获取患者的临床数据,基于所述患者的临床数据,判断是否存在患有疑似传染病的患者,若是,则将所述患有疑似传染病的患者作为疑似患者,并进入步骤S12,若否,则继续对所述患者的临床数据进行实时获取;
S12基于所述疑似患者的临床数据,以数据元为标识单元生成数据列表,并对所述数据列表进行筛选得到满足症状监测要求的值域码表,并基于所述值域码表生成最小数据集;
S13基于所述疑似患者的最小数据集,基于传播风险评估模型,确定所述疑似传染病的传播方式,并基于所述疑似传染病的传染方式确定所述疑似传染病的传播风险因子是否大于第一传播阈值,若是,则进入步骤S14,若否,则返回步骤S11;
S14基于所述疑似患者的数量、所述疑似传染病的传播风险因子、所述疑似患者的检验结果,确定所述疑似传染病的风险评估值,并当所述疑似传染病的风险评估值大于第一风险阈值时,构建传染病专家知识库,基于所述最小数据集,确定所述疑似传染病的类型,并自动生成处置方案或者干预手段。
2.如权利要求1所述的新发突发传染病防控方法,其特征在于,所述医疗系统的多个系统包括医疗机构的医院信息系统、实验室信息管理系统、影像信息系统、电子病历系统、影像归档和通信系统。
3.如权利要求1所述的新发突发传染病防控方法,其特征在于,当所述患者的临床数据存在异常时,确定所述患者属于患有疑似传染病的患者,具体的根据所述患者的临床数据的疾病部位和体征分类进行确定。
4.如权利要求1所述的新发突发传染病防控方法,其特征在于,确定所述疑似传染病的传播风险因子的具体步骤为:
S21基于所述疑似患者的最小数据集,构建所述疑似患者的症状输入集;
S22将所述患者的症状输入集传输至基于BP神经网络算法的分析模型之中,所述疑似传染病的类型以及疑似传染病的传播途径;
S23基于所述疑似传染病的传播途径,根据所述传播途径的难易程度,采用专家打分的方式确定所述疑似传染病的传播风险因子。
5.如权利要求1所述的新发突发传染病防控方法,其特征在于,确定所述疑似传染病的风险评估值的具体步骤为:
S31基于所述疑似患者的检验结果、年纪、性别,构建基于logistic逻辑回归算法的评估模型,得到所述疑似患者的评分指标;
S32基于所述疑似患者的评分指标、所述疑似患者的数量,采用基于小批量随机梯度下降算法的预测模型,得到预测结果;
S33基于所述预测结果以及所述疑似传染病的传播风险因子确定所述疑似传染病的风险评估值。
7.如权利要求1所述的新发突发传染病防控方法,其特征在于,通过对专家知识库中预输入的传播类型、部位分类、体征分类字段进行模糊匹配,取得患者相关传染病传播种类的预案标准模板、演练基本规程及感染控制标准技术规范推送至区域终端。
8.如权利要求1所述的新发突发传染病防控方法,其特征在于,所述区域终端包括但不限于门诊就诊终端、住院办理入院终端、住院办理转科终端、住院办理出院终端。
9.一种电子装置,包括存储器、处理器及存储在存储器上并可在处理器上运行的程序,所述处理器执行所述程序时,实现权利要求1-8任一项所述的一种新发突发传染病防控方法。
10.一种计算机存储介质,其上存储有计算机程序,当所述计算机程序在计算机中执行时,令计算机执行权利要求1-8任一项所述的一种新发突发传染病防控方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310029464.4A CN115798734B (zh) | 2023-01-09 | 2023-01-09 | 基于大数据的新发突发传染病防控方法、装置及储存介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310029464.4A CN115798734B (zh) | 2023-01-09 | 2023-01-09 | 基于大数据的新发突发传染病防控方法、装置及储存介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115798734A true CN115798734A (zh) | 2023-03-14 |
CN115798734B CN115798734B (zh) | 2023-07-14 |
Family
ID=85428825
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310029464.4A Active CN115798734B (zh) | 2023-01-09 | 2023-01-09 | 基于大数据的新发突发传染病防控方法、装置及储存介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115798734B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116342345A (zh) * | 2023-05-26 | 2023-06-27 | 湖南智慧平安科技有限公司 | 一种基于大数据的智慧社区便民综合服务方法及平台 |
CN116705342A (zh) * | 2023-06-12 | 2023-09-05 | 广东工业大学 | 一种呼吸道传染病风险控制决策方法及系统 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120179491A1 (en) * | 2011-01-07 | 2012-07-12 | Taipei Medical University | High performance and integrated nosocomial infection surveillance and early detection system and method thereof |
WO2019196281A1 (zh) * | 2018-04-11 | 2019-10-17 | 平安科技(深圳)有限公司 | 流行病分级预测方法及装置、计算机装置及可读存储介质 |
WO2019244646A1 (ja) * | 2018-06-18 | 2019-12-26 | 日本電気株式会社 | 疾病リスク予測装置、疾病リスク予測方法および疾病リスク予測プログラム |
CN111063451A (zh) * | 2020-03-17 | 2020-04-24 | 广州地理研究所 | 基于输入-扩散函数的传染病疫情早期风险态势分析方法 |
CN111863273A (zh) * | 2020-07-01 | 2020-10-30 | 昆明医科大学第二附属医院 | 一种儿童呼吸道传染病风险评估系统及评估方法 |
CN111899893A (zh) * | 2020-09-29 | 2020-11-06 | 南京汉卫公共卫生研究院有限公司 | 一种传染病预警决策平台系统 |
CN112037925A (zh) * | 2020-07-29 | 2020-12-04 | 郑州大学第一附属医院 | 一种基于lstm算法的新发重大传染病预警方法 |
CN112117011A (zh) * | 2020-09-25 | 2020-12-22 | 平安国际智慧城市科技股份有限公司 | 基于人工智能的传染病早期风险预警方法、装置 |
CN112270999A (zh) * | 2020-10-02 | 2021-01-26 | 孙炜 | 一种基于大数据和人工智能的流行病早期发现系统和方法 |
CN112466473A (zh) * | 2020-09-28 | 2021-03-09 | 北京左医科技有限公司 | 新发传染病自动预警方法及系统 |
CN113362959A (zh) * | 2021-06-03 | 2021-09-07 | 重庆南鹏人工智能科技研究院有限公司 | 一种区域疫情防控用突发呼吸道传染病风险预测模型 |
WO2021212670A1 (zh) * | 2020-04-21 | 2021-10-28 | 香港理工大学深圳研究院 | 新发传染病发病风险预测方法、装置、终端设备及介质 |
CN115512856A (zh) * | 2022-11-23 | 2022-12-23 | 山东环球软件股份有限公司 | 一种基于城市大数据可预防传染性疾病的智慧医疗系统 |
-
2023
- 2023-01-09 CN CN202310029464.4A patent/CN115798734B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120179491A1 (en) * | 2011-01-07 | 2012-07-12 | Taipei Medical University | High performance and integrated nosocomial infection surveillance and early detection system and method thereof |
WO2019196281A1 (zh) * | 2018-04-11 | 2019-10-17 | 平安科技(深圳)有限公司 | 流行病分级预测方法及装置、计算机装置及可读存储介质 |
WO2019244646A1 (ja) * | 2018-06-18 | 2019-12-26 | 日本電気株式会社 | 疾病リスク予測装置、疾病リスク予測方法および疾病リスク予測プログラム |
CN111063451A (zh) * | 2020-03-17 | 2020-04-24 | 广州地理研究所 | 基于输入-扩散函数的传染病疫情早期风险态势分析方法 |
WO2021212670A1 (zh) * | 2020-04-21 | 2021-10-28 | 香港理工大学深圳研究院 | 新发传染病发病风险预测方法、装置、终端设备及介质 |
CN111863273A (zh) * | 2020-07-01 | 2020-10-30 | 昆明医科大学第二附属医院 | 一种儿童呼吸道传染病风险评估系统及评估方法 |
CN112037925A (zh) * | 2020-07-29 | 2020-12-04 | 郑州大学第一附属医院 | 一种基于lstm算法的新发重大传染病预警方法 |
CN112117011A (zh) * | 2020-09-25 | 2020-12-22 | 平安国际智慧城市科技股份有限公司 | 基于人工智能的传染病早期风险预警方法、装置 |
CN112466473A (zh) * | 2020-09-28 | 2021-03-09 | 北京左医科技有限公司 | 新发传染病自动预警方法及系统 |
CN111899893A (zh) * | 2020-09-29 | 2020-11-06 | 南京汉卫公共卫生研究院有限公司 | 一种传染病预警决策平台系统 |
CN112270999A (zh) * | 2020-10-02 | 2021-01-26 | 孙炜 | 一种基于大数据和人工智能的流行病早期发现系统和方法 |
CN113362959A (zh) * | 2021-06-03 | 2021-09-07 | 重庆南鹏人工智能科技研究院有限公司 | 一种区域疫情防控用突发呼吸道传染病风险预测模型 |
CN115512856A (zh) * | 2022-11-23 | 2022-12-23 | 山东环球软件股份有限公司 | 一种基于城市大数据可预防传染性疾病的智慧医疗系统 |
Non-Patent Citations (1)
Title |
---|
夏吉喆等: ""城市时空大数据驱动的新型冠状病毒传播风险评估——以粤港澳大湾区为例"", 《测绘学报》, vol. 49, no. 6, pages 671 - 680 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116342345A (zh) * | 2023-05-26 | 2023-06-27 | 湖南智慧平安科技有限公司 | 一种基于大数据的智慧社区便民综合服务方法及平台 |
CN116342345B (zh) * | 2023-05-26 | 2023-09-19 | 贺显雅 | 一种基于大数据的智慧社区便民综合服务方法及平台 |
CN116705342A (zh) * | 2023-06-12 | 2023-09-05 | 广东工业大学 | 一种呼吸道传染病风险控制决策方法及系统 |
CN116705342B (zh) * | 2023-06-12 | 2024-02-02 | 广东工业大学 | 一种呼吸道传染病风险控制决策方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN115798734B (zh) | 2023-07-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Souri et al. | A new machine learning-based healthcare monitoring model for student’s condition diagnosis in Internet of Things environment | |
Shafqat et al. | Big data analytics enhanced healthcare systems: a review | |
CN115798734B (zh) | 基于大数据的新发突发传染病防控方法、装置及储存介质 | |
KR102558021B1 (ko) | 임상 의사결정 지원 앙상블 시스템 및 이를 이용한 임상 의사결정 지원 방법 | |
Xiang et al. | Integrated Architectures for Predicting Hospital Readmissions Using Machine Learning | |
JP7286863B2 (ja) | 医療データの自動化された検証 | |
KR20180002234A (ko) | 치매 조기 진단을 위한 스마트 검사장치 및 그 방법 | |
US20210319905A1 (en) | System for assessing and mitigating potential spread of infectious disease among dialysis patients | |
Oliveira et al. | Prediction of covid-19 diagnosis based on openehr artefacts | |
Mohammadi et al. | Learning to identify patients at risk of uncontrolled hypertension using electronic health records data | |
CN111477321B (zh) | 具有自学习能力的治疗效果预测系统及治疗效果预测终端 | |
WO2023217737A1 (en) | Health data enrichment for improved medical diagnostics | |
Do et al. | Predicting lung healthiness risk scores to identify probability of an asthma attack | |
Singh et al. | Study of Anomaly Detection in Clinical Laboratory Data Using Internet of Medical Things | |
Raju et al. | Chronic kidney disease prediction using ensemble machine learning | |
Magade et al. | Automating Decision Process of Overnight Patient Care Using Hybrig Machine Learning Algorithms | |
Dhanusha et al. | Enhanced deep hierarchical classification model for smart home-based alzheimer disease detection | |
Berquedich et al. | An Immune Memory and Negative Selection to Visualize Clinical Pathways from Electronic Health Record Data | |
Hassan et al. | Stroke Prediction Model Using Machine Learning Method | |
Oliveira et al. | Adaptive Learning and AI to Support Medication Management | |
CN115151182B (zh) | 用于诊断分析的方法和系统 | |
US20220384051A1 (en) | Apparatus and methods of analyzing diagnostic test orders | |
Mora et al. | Proposal of an Architecture to support High Quality Automatic Data Collection in the context of Multi-Centric Studies | |
CN117012379A (zh) | 目标对象的健康管理系统、方法、设备、介质及程序产品 | |
Kokilavani et al. | Based Case Studies for Healthcare Analytics |
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 |