CN115881287B - 一种基于心电监护仪采集数据的医生推荐方法 - Google Patents
一种基于心电监护仪采集数据的医生推荐方法 Download PDFInfo
- Publication number
- CN115881287B CN115881287B CN202310194371.7A CN202310194371A CN115881287B CN 115881287 B CN115881287 B CN 115881287B CN 202310194371 A CN202310194371 A CN 202310194371A CN 115881287 B CN115881287 B CN 115881287B
- Authority
- CN
- China
- Prior art keywords
- patient
- characteristic value
- rescued
- distance
- disease
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 15
- 201000010099 disease Diseases 0.000 claims description 89
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 89
- 239000008280 blood Substances 0.000 claims description 27
- 210000004369 blood Anatomy 0.000 claims description 26
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 23
- 230000036772 blood pressure Effects 0.000 claims description 23
- 229910052760 oxygen Inorganic materials 0.000 claims description 23
- 239000001301 oxygen Substances 0.000 claims description 23
- 230000029058 respiratory gaseous exchange Effects 0.000 claims description 20
- 238000003745 diagnosis Methods 0.000 claims description 10
- 230000000241 respiratory effect Effects 0.000 claims description 9
- 238000013480 data collection Methods 0.000 claims description 6
- 230000009286 beneficial effect Effects 0.000 description 6
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
Images
Landscapes
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明提供了一种基于心电监护仪采集数据的医生推荐方法,本发明通过心电监护仪采集待救助患者的病情数据和确诊患者的病情数据,分别计算出病情特征值,再计算两种病情特征值的相似度,从而得到待救助患者的疑似病情,根据待救助患者的疑似病情,选择专业医生;本发明直接采用心电监护仪采集病情数据,无需患者口头描述或者填写病情,解决了因个人主观感受不同造成的医生选择偏差的问题,提高了对口专业医生的选择准确率。
Description
技术领域
本发明涉及医生推荐方法技术领域,具体而言,涉及一种基于心电监护仪采集数据的医生推荐方法。
背景技术
在就医时,需要找具体专业医生会诊,通常采用两种方式:第一种通过描述个人病情,咨询相关医护人员确定大致的专业医生。但是,第一种方式由于是通过自身描述,描述本身以及被咨询医护人员的能力,会造成较大的误差,无法准确选择对口的专业医生。第二种方式是通过个人在网上填写病情介绍,通过系统智能推荐,确定专业医生。第二种方式同样存在病情描述有误差,造成无法准确选择对口的专业医生的问题。因此,目前的两种方式均存在专业医生选择准确率低的问题。
发明内容
针对现有技术中的上述不足,本发明提供的一种基于心电监护仪采集数据的医生推荐方法解决了现有医生推荐方法存在专业医生选择准确率低的问题。
为了达到上述发明目的,本发明采用的技术方案为:一种基于心电监护仪采集数据的医生推荐方法,包括:
通过心电监护仪采集待救助患者的病情数据,计算待救助患者的病情特征值;
通过心电监护仪采集每一类病情下确诊患者的病情数据,计算确诊患者的病情特征值;
计算待救助患者的病情特征值与每一类病情下确诊患者的病情特征值的相似度;
在相似度高于相似度阈值时,得到待救助患者的疑似病情;
计算待救助患者的疑似病情与医生的专业资料的匹配度;
将匹配度高的医生推荐给待救助患者。
进一步地,所述病情数据类型包括:呼吸、脉搏、血压、心率和血氧;所述病情特征值包括:呼吸特征值、脉搏特征值、血压特征值、心率特征值和血氧特征值。
进一步地,所述待救助患者的病情特征值的计算公式为:
其中,为待救助患者的病情特征值,/>为总时间,/>为第/>时刻的待救助患者的病情数据,/>为时间段/>内待救助患者的病情数据的平均值,/>为第/>时刻的心电监护仪采集的正常人数据,/>为时间段/>内心电监护仪采集的正常人数据的平均值,/>为时间段/>内的待救助患者的最大病情数据,/>为时间段/>内的待救助患者的最小病情数据,为时间段/>内心电监护仪采集的正常人数据的最大值,/>为时间段/>内心电监护仪采集的正常人数据的最小值。
进一步地,所述确诊患者的病情特征值的计算公式为:
其中,为确诊患者的病情特征值,/>为总时间,/>为第/>时刻的确诊患者的病情数据,/>为时间段/>内确诊患者的病情数据的平均值,/>为第/>时刻的心电监护仪采集的正常人数据,/>为时间段/>内心电监护仪采集的正常人数据的平均值,/>为时间段/>内的确诊患者的最大病情数据,/>为时间段/>内的确诊患者的最小病情数据,/>为时间段/>内心电监护仪采集的正常人数据的最大值,/>为时间段/>内心电监护仪采集的正常人数据的最小值。
进一步地,所述计算待救助患者的病情特征值与每一类病情下确诊患者的病情特征值的相似度具体包括:
计算待救助患者的呼吸特征值与每一类病情下确诊患者的呼吸特征值的距离,得到呼吸距离:
计算待救助患者的脉搏特征值与每一类病情下确诊患者的脉搏特征值的距离,得到脉搏距离:
计算待救助患者的血压特征值与每一类病情下确诊患者的血压特征值的距离,得到血压距离:
计算待救助患者的心率特征值与每一类病情下确诊患者的心率特征值的距离,得到心率距离:
计算待救助患者的血氧特征值与每一类病情下确诊患者的血氧特征值的距离,得到血氧距离;
根据呼吸距离、脉搏距离、血压距离、心率距离和血氧距离,计算相似度。
进一步地,所述距离的计算公式为:
其中,为在第/>类病情下计算的第/>个距离,具体包括:呼吸距离/>、脉搏距离、血压距离/>、心率距离/>和血氧距离/>;/>为待救助患者的第/>种病情特征值,具体包括:待救助患者的呼吸特征值/>、待救助患者的脉搏特征值/>、待救助患者的血压特征值/>、待救助患者的心率特征值/>和待救助患者的心率特征值/>;/>为在第/>类病情下确诊患者的第/>种病情特征值,具体包括:确诊患者的呼吸特征值/>、确诊患者的脉搏特征值/>、确诊患者的血压特征值/>、确诊患者的心率特征值/>和确诊患者的心率特征值。
上述进一步地方案的有益效果:计算待救助患者的每一项的病情特征值与确诊患者的每一项的病情特征值距离,从而得到每一项病情特征值的距离,综合所有项病情特征值的距离,得到两个患者间病情的相似度。
进一步地,所述计算相似度的公式为:
其中,为待救助患者的病情特征值与第/>类病情下确诊患者的病情特征值的相似度,/>为归一化参数,/>为在第/>类病情下计算的第/>个距离,/>为在第/>类病情下,距离的5个量中存在小于距离阈值/>的数量。
上述进一步地方案的有益效果:先将所有距离值相加,得到总的距离值,总的距离/>越大,则两个患者病情相差越远,因此,在归一化后,得到初步的相似度/>,但由于初步的相似度中可能存在部分距离/>很小,部分距离/>很大,导致初步的相似度/>可能得到一个较大值,由于部分距离/>很大,说明这两个患者的病情可能是不同的,所以初步的相似度/>存在较大误差,采用/>进行修正,/>越大相似度越高,例如,距离/>的5个量中存在小于距离阈值/>的数量为5,即/>均小于阈值/>,说明两个患者的5个量都比较接近,则在其初步的相似度乘以5,能进一步的提高病情的匹配程度,能准确的匹配到疑似病情。
进一步地,所述计算待救助患者的疑似病情与医生的专业资料的匹配度的公式为:
其中,为待救助患者的疑似病情与第/>个医生的专业资料的匹配度,/>为待救助患者的疑似病情中的病情词汇出现在第/>个医生的专业资料中的词汇数量,/>为待救助患者的疑似病情中的总病情词汇数量,/>为待救助患者的疑似病情中的病情词汇的重要性参数,/>为出现在第/>个医生的专业资料中的每个病情词汇在第/>个医生的专业资料中出现的次数,/>为待救助患者的疑似病情中的病情词汇出现在第/>个医生的专业资料中的词汇数量/>的编号,/>为待救助患者的疑似病情中的病情词汇未出现在第/>个医生的专业资料中的词汇数量的编号。
上述进一步地方案的有益效果:例如,待救助患者的疑似病情中的病情词汇有6个,则,这6个病情词汇仅3个出现在医生的专业资料中,则/>,/>为每个病情词汇出现在医生专业资料里面的次数,出现次数越多,说明该医生的匹配度越高,同时,考虑到病情词汇在待救助患者的疑似病情的权重,因此,通过/>去初步表征匹配度,部分病情词汇虽然出现在医生的专业资料里面的次数较多,但是仅有部分词汇出现在医生的专业资料里面,因此采用/>对/>进行修正,同时,再在其后减去未出现在医生的专业资料里面的总的重要性参数,同时考虑了病情词汇出现在医生的专业资料里面的次数、病情词汇本身有多少个出现在医生的专业资料里面、以及未出现在医生的专业资料里面的病情词汇对匹配度的影响,做到尽可能的找出准确的对口专业医生。
本发明实施例的技术方案至少具有如下优点和有益效果:本发明通过心电监护仪采集待救助患者的病情数据和确诊患者的病情数据,分别计算出病情特征值,再计算两种病情特征值的相似度,从而得到待救助患者的疑似病情,根据待救助患者的疑似病情,选择专业医生;本发明直接采用心电监护仪采集病情数据,无需患者口头描述或者填写病情,解决了因个人主观感受不同造成的医生选择偏差的问题,提高了对口专业医生的选择准确率。
附图说明
图1为一种基于心电监护仪采集数据的医生推荐方法的流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
如图1所示,一种基于心电监护仪采集数据的医生推荐方法,包括以下步骤:
S1、通过心电监护仪采集待救助患者的病情数据,计算待救助患者的病情特征值;
在步骤S1中,所述待救助患者的病情特征值的计算公式为:
其中,为待救助患者的病情特征值,/>为总时间,/>为第/>时刻的待救助患者的病情数据,/>为时间段/>内待救助患者的病情数据的平均值,/>为第/>时刻的心电监护仪采集的正常人数据,/>为时间段/>内心电监护仪采集的正常人数据的平均值,/>为时间段/>内的待救助患者的最大病情数据,/>为时间段/>内的待救助患者的最小病情数据,为时间段/>内心电监护仪采集的正常人数据的最大值,/>为时间段/>内心电监护仪采集的正常人数据的最小值。
正常人数据同样包括:呼吸、脉搏、血压、心率和血氧。
S2、通过心电监护仪采集每一类病情下确诊患者的病情数据,计算确诊患者的病情特征值;
在本实施例中,步骤S1和S2的所述病情数据类型包括:呼吸、脉搏、血压、心率和血氧;所述病情特征值包括:呼吸特征值、脉搏特征值、血压特征值、心率特征值和血氧特征值。
在步骤S2中,所述确诊患者的病情特征值的计算公式为:
其中,为确诊患者的病情特征值,/>为总时间,/>为第/>时刻的确诊患者的病情数据,/>为时间段/>内确诊患者的病情数据的平均值,/>为第/>时刻的心电监护仪采集的正常人数据,/>为时间段/>内心电监护仪采集的正常人数据的平均值,/>为时间段/>内的确诊患者的最大病情数据,/>为时间段/>内的确诊患者的最小病情数据,/>为时间段/>内心电监护仪采集的正常人数据的最大值,/>为时间段/>内心电监护仪采集的正常人数据的最小值。
呼吸特征值、脉搏特征值、血压特征值、心率特征值和血氧特征值均是采用上述的病情特征值计算公式进行计算,确诊患者和待救助患者的病情特征值的计算公式相同,保障病情特征值的统一,减少匹配误差。
步骤S2是提前采集大量确诊患者,得到各种病情的病情特征值。
S3、计算待救助患者的病情特征值与每一类病情下确诊患者的病情特征值的相似度;
每一种病情其通过心电监护仪采集的数据是不同,因此,可以根据待救助患者的病情特征值与每一类病情下确诊患者的病情特征值的相似度,去找到待救助患者的疑似病情。
在步骤S3中,所述计算待救助患者的病情特征值与每一类病情下确诊患者的病情特征值的相似度具体包括:
计算待救助患者的呼吸特征值与每一类病情下确诊患者的呼吸特征值的距离,得到呼吸距离:
计算待救助患者的脉搏特征值与每一类病情下确诊患者的脉搏特征值的距离,得到脉搏距离:
计算待救助患者的血压特征值与每一类病情下确诊患者的血压特征值的距离,得到血压距离:
计算待救助患者的心率特征值与每一类病情下确诊患者的心率特征值的距离,得到心率距离:
计算待救助患者的血氧特征值与每一类病情下确诊患者的血氧特征值的距离,得到血氧距离;
根据呼吸距离、脉搏距离、血压距离、心率距离和血氧距离,计算相似度。
所述距离的计算公式为:
其中,为在第/>类病情下计算的第/>个距离,具体包括:呼吸距离/>、脉搏距离、血压距离/>、心率距离/>和血氧距离/>;/>为待救助患者的第/>种病情特征值,具体包括:待救助患者的呼吸特征值/>、待救助患者的脉搏特征值/>、待救助患者的血压特征值/>、待救助患者的心率特征值/>和待救助患者的心率特征值/>;/>为在第/>类病情下确诊患者的第/>种病情特征值,具体包括:确诊患者的呼吸特征值/>、确诊患者的脉搏特征值/>、确诊患者的血压特征值/>、确诊患者的心率特征值/>和确诊患者的心率特征值。
本发明计算待救助患者的每一项的病情特征值与确诊患者的每一项的病情特征值距离,从而得到每一项病情特征值的距离,综合所有项病情特征值的距离,得到两个患者间病情的相似度。
所述计算相似度的公式为:
其中,为待救助患者的病情特征值与第/>类病情下确诊患者的病情特征值的相似度,/>为归一化参数,/>为在第/>类病情下计算的第/>个距离,/>为在第/>类病情下,距离的5个量中存在小于距离阈值/>的数量。
本发明先将所有距离值相加,得到总的距离值,总的距离/>越大,则两个患者病情相差越远,因此,在归一化后,得到初步的相似度/>,但由于初步的相似度中可能存在部分距离/>很小,部分距离/>很大,导致初步的相似度可能得到一个较大值,由于部分距离/>很大,说明这两个患者的病情可能是不同的,所以初步的相似度/>存在较大误差,采用/>进行修正,/>越大相似度越高,例如,距离/>的5个量中存在小于距离阈值/>的数量为5,即/>均小于阈值/>,说明两个患者的5个量都比较接近,则在其初步的相似度/>乘以5,能进一步的提高病情的匹配程度,能准确的匹配到疑似病情。
S4、在相似度高于相似度阈值时,得到待救助患者的疑似病情;
在本实施例中,相似度阈值根据经验进行设置。
S5、计算待救助患者的疑似病情与医生的专业资料的匹配度;
在本实施例中,医生的专业资料包括:医生的主治范围介绍,以及医生本科、研究生和博士的研究范围,以及医生发表的论文和期刊。
在步骤S5中,所述计算待救助患者的疑似病情与医生的专业资料的匹配度的公式为:
其中,为待救助患者的疑似病情与第/>个医生的专业资料的匹配度,/>为待救助患者的疑似病情中的病情词汇出现在第/>个医生的专业资料中的词汇数量,/>为待救助患者的疑似病情中的总病情词汇数量,/>为待救助患者的疑似病情中的病情词汇的重要性参数,/>为出现在第/>个医生的专业资料中的每个病情词汇在第/>个医生的专业资料中出现的次数,/>为待救助患者的疑似病情中的病情词汇出现在第/>个医生的专业资料中的词汇数量/>的编号,/>为待救助患者的疑似病情中的病情词汇未出现在第/>个医生的专业资料中的词汇数量的编号。
例如,待救助患者的疑似病情中的病情词汇有6个,则,这6个病情词汇仅3个出现在医生的专业资料中,则/>,/>为每个病情词汇出现在医生专业资料里面的次数,出现次数越多,说明该医生的匹配度越高,同时,考虑到病情词汇在待救助患者的疑似病情的权重,因此,通过/>去初步表征匹配度,部分病情词汇虽然出现在医生的专业资料里面的次数较多,但是仅有部分词汇出现在医生的专业资料里面,因此采用/>对进行修正,同时,再在其后减去未出现在医生的专业资料里面的总的重要性参数,同时考虑了病情词汇出现在医生的专业资料里面的次数、病情词汇本身有多少个出现在医生的专业资料里面、以及未出现在医生的专业资料里面的病情词汇对匹配度的影响,做到尽可能的找出准确的对口专业医生。
S6、将匹配度高的医生推荐给待救助患者。
本发明实施例的技术方案至少具有如下优点和有益效果:本发明通过心电监护仪采集待救助患者的病情数据和确诊患者的病情数据,分别计算出病情特征值,再计算两种病情特征值的相似度,从而得到待救助患者的疑似病情,根据待救助患者的疑似病情,选择专业医生;本发明直接采用心电监护仪采集病情数据,无需患者口头描述或者填写病情,解决了因个人主观感受不同造成的医生选择偏差的问题,提高了对口专业医生的选择准确率。
以上仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种基于心电监护仪采集数据的医生推荐方法,其特征在于,包括:
通过心电监护仪采集待救助患者的病情数据,计算待救助患者的病情特征值;
通过心电监护仪采集每一类病情下确诊患者的病情数据,计算确诊患者的病情特征值;
计算待救助患者的病情特征值与每一类病情下确诊患者的病情特征值的相似度;
在相似度高于相似度阈值时,得到待救助患者的疑似病情;
计算待救助患者的疑似病情与医生的专业资料的匹配度;
将匹配度高的医生推荐给待救助患者;
所述病情数据类型包括:呼吸、脉搏、血压、心率和血氧;所述病情特征值包括:呼吸特征值、脉搏特征值、血压特征值、心率特征值和血氧特征值;
所述待救助患者的病情特征值的计算公式为:
其中,为待救助患者的病情特征值,/>为总时间,/>为第/>时刻的待救助患者的病情数据,/>为时间段/>内待救助患者的病情数据的平均值,/>为第/>时刻的心电监护仪采集的正常人数据,/>为时间段/>内心电监护仪采集的正常人数据的平均值,/>为时间段/>内的待救助患者的最大病情数据,/>为时间段/>内的待救助患者的最小病情数据,/>为时间段/>内心电监护仪采集的正常人数据的最大值,/>为时间段/>内心电监护仪采集的正常人数据的最小值;
所述确诊患者的病情特征值的计算公式为:
2.根据权利要求1所述的基于心电监护仪采集数据的医生推荐方法,其特征在于,所述计算待救助患者的病情特征值与每一类病情下确诊患者的病情特征值的相似度具体包括:
计算待救助患者的呼吸特征值与每一类病情下确诊患者的呼吸特征值的距离,得到呼吸距离:
计算待救助患者的脉搏特征值与每一类病情下确诊患者的脉搏特征值的距离,得到脉搏距离:
计算待救助患者的血压特征值与每一类病情下确诊患者的血压特征值的距离,得到血压距离:
计算待救助患者的心率特征值与每一类病情下确诊患者的心率特征值的距离,得到心率距离:
计算待救助患者的血氧特征值与每一类病情下确诊患者的血氧特征值的距离,得到血氧距离;
根据呼吸距离、脉搏距离、血压距离、心率距离和血氧距离,计算相似度。
5.根据权利要求1所述的基于心电监护仪采集数据的医生推荐方法,其特征在于,所述计算待救助患者的疑似病情与医生的专业资料的匹配度的公式为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310194371.7A CN115881287B (zh) | 2023-03-03 | 2023-03-03 | 一种基于心电监护仪采集数据的医生推荐方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310194371.7A CN115881287B (zh) | 2023-03-03 | 2023-03-03 | 一种基于心电监护仪采集数据的医生推荐方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115881287A CN115881287A (zh) | 2023-03-31 |
CN115881287B true CN115881287B (zh) | 2023-05-23 |
Family
ID=85761855
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310194371.7A Active CN115881287B (zh) | 2023-03-03 | 2023-03-03 | 一种基于心电监护仪采集数据的医生推荐方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115881287B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106934018A (zh) * | 2017-03-11 | 2017-07-07 | 广东省中医院 | 一种基于协同过滤的医生推荐系统 |
CN107451385A (zh) * | 2016-05-30 | 2017-12-08 | 中国科学院软件研究所 | 一种基于生活用品的神经系统疾病监测与预警系统 |
CN107822607A (zh) * | 2017-09-22 | 2018-03-23 | 广东乐心医疗电子股份有限公司 | 一种估计心血管特性参数的方法、装置及其存储介质 |
CN109949932A (zh) * | 2019-03-28 | 2019-06-28 | 南开大学 | 一种基于机器学习的原发性震颤患病程度的判断方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190114713A1 (en) * | 2017-10-13 | 2019-04-18 | Accenture Global Solutions Limited | Real-time benefit eligibility evaluation |
-
2023
- 2023-03-03 CN CN202310194371.7A patent/CN115881287B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107451385A (zh) * | 2016-05-30 | 2017-12-08 | 中国科学院软件研究所 | 一种基于生活用品的神经系统疾病监测与预警系统 |
CN106934018A (zh) * | 2017-03-11 | 2017-07-07 | 广东省中医院 | 一种基于协同过滤的医生推荐系统 |
CN107822607A (zh) * | 2017-09-22 | 2018-03-23 | 广东乐心医疗电子股份有限公司 | 一种估计心血管特性参数的方法、装置及其存储介质 |
CN109949932A (zh) * | 2019-03-28 | 2019-06-28 | 南开大学 | 一种基于机器学习的原发性震颤患病程度的判断方法 |
Non-Patent Citations (1)
Title |
---|
基于CNN模型的在线健康社区医疗专家推荐研究;唐莺杰;《中国优秀硕士学位论文全文数据库》(第1期);E054-93 * |
Also Published As
Publication number | Publication date |
---|---|
CN115881287A (zh) | 2023-03-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP5887057B2 (ja) | 患者の呼吸安定を測定及び予測する装置 | |
US20080200824A1 (en) | Devices, systems, and methods for aiding in the detection of a physiological abnormality | |
US20210208151A1 (en) | Devices, Systems, and Methods for Aiding in the Detection of a Physiological Abnormality | |
KR20140077150A (ko) | 음향 호흡기 마커들 및 방법들을 이용한 이벤트 시퀀싱 | |
US20220047789A1 (en) | Adequacy assessment method and system | |
CN116246778B (zh) | 一种肺功能检测智能诊断平台 | |
CN110752002A (zh) | 一种药物用量预测装置 | |
US20150073754A1 (en) | Method and system for calculating indices for diabetes control | |
CN115881287B (zh) | 一种基于心电监护仪采集数据的医生推荐方法 | |
CN116453641B (zh) | 一种中医辅助分析信息的数据处理方法及系统 | |
CN113744878A (zh) | 一种基于移动互联网的慢性病风险指数评估及干预系统 | |
CN113066547B (zh) | 一种基于常规无创参数的ards早期动态预警方法与系统 | |
CN201453268U (zh) | 远程呼吸监护医疗系统 | |
CN112885454A (zh) | 用于透析患者的营养状况监控系统及方法 | |
Matsumoto et al. | DPC in acute-phase inpatient hospital care | |
CN105930646A (zh) | 一种评估心脏衰老程度的数据处理系统及方法 | |
Yue et al. | Validity study of a multiscaled fusion network using single-lead electrocardiogram signals for obstructive sleep apnea diagnosis | |
CN117747046B (zh) | 一种医用注射系统 | |
CN117393133B (zh) | 一种基于推理的住院患者急救抢救信息化管理系统 | |
RU2449723C1 (ru) | Способ оценки хронотропной нагрузки сердца | |
US20190046075A1 (en) | Volumetric capnography | |
KR102379321B1 (ko) | 스트레인 게이지를 이용한 개인 상관계수 기반의 맞춤형 호흡량 측정 시스템 | |
Mubeen et al. | Deep learning of facial depth maps for obstructive sleep apnea Prediction | |
Dodderi et al. | Assessing the Impact of Ramadan Fasting on Pulmonary Function: Evidences from Healthy Young Adults | |
EP2355695A1 (en) | Method and system for measuring parameters of autonomic dysfunction tests |
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 |