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 PDF

Info

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
Application number
CN202310194371.7A
Other languages
English (en)
Other versions
CN115881287A (zh
Inventor
王浩旭
熊皓宇
曾霞
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.)
Sichuan Huhui Software Co ltd
Original Assignee
Sichuan Huhui Software 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 Sichuan Huhui Software Co ltd filed Critical Sichuan Huhui Software Co ltd
Priority to CN202310194371.7A priority Critical patent/CN115881287B/zh
Publication of CN115881287A publication Critical patent/CN115881287A/zh
Application granted granted Critical
Publication of CN115881287B publication Critical patent/CN115881287B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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

一种基于心电监护仪采集数据的医生推荐方法
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：
Figure SMS_1
其中，
Figure SMS_11
为待救助患者的病情特征值，/>
Figure SMS_4
为总时间，/>
Figure SMS_7
为第/>
Figure SMS_14
时刻的待救助患者的病情数据，/>
Figure SMS_18
为时间段/>
Figure SMS_15
内待救助患者的病情数据的平均值，/>
Figure SMS_19
为第/>
Figure SMS_12
时刻的心电监护仪采集的正常人数据，/>
Figure SMS_16
为时间段/>
Figure SMS_3
内心电监护仪采集的正常人数据的平均值，/>
Figure SMS_9
为时间段/>
Figure SMS_5
内的待救助患者的最大病情数据，/>
Figure SMS_8
为时间段/>
Figure SMS_13
内的待救助患者的最小病情数据，
Figure SMS_17
为时间段/>
Figure SMS_2
内心电监护仪采集的正常人数据的最大值，/>
Figure SMS_6
为时间段/>
Figure SMS_10
内心电监护仪采集的正常人数据的最小值。
上述进一步地方案的有益效果：通过待救助患者的病情数据在时间段
Figure SMS_20
的波动情况，以及在时间段/>
Figure SMS_21
最大值与最小值的差值情况，反应待救助患者的病情。
进一步地，所述确诊患者的病情特征值的计算公式为：
Figure SMS_22
其中，
Figure SMS_32
为确诊患者的病情特征值，/>
Figure SMS_25
为总时间，/>
Figure SMS_30
为第/>
Figure SMS_36
时刻的确诊患者的病情数据，/>
Figure SMS_38
为时间段/>
Figure SMS_37
内确诊患者的病情数据的平均值，/>
Figure SMS_40
为第/>
Figure SMS_31
时刻的心电监护仪采集的正常人数据，/>
Figure SMS_39
为时间段/>
Figure SMS_26
内心电监护仪采集的正常人数据的平均值，/>
Figure SMS_28
为时间段/>
Figure SMS_24
内的确诊患者的最大病情数据，/>
Figure SMS_27
为时间段/>
Figure SMS_33
内的确诊患者的最小病情数据，/>
Figure SMS_34
为时间段/>
Figure SMS_23
内心电监护仪采集的正常人数据的最大值，/>
Figure SMS_29
为时间段/>
Figure SMS_35
内心电监护仪采集的正常人数据的最小值。
上述进一步地方案的有益效果：通过确诊患者的病情数据在时间段
Figure SMS_41
波动情况，以及在时间段/>
Figure SMS_42
最大值与最小值的差值情况，反应确诊患者的病情。
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：
Figure SMS_43
/>
其中，
Figure SMS_53
为在第/>
Figure SMS_45
类病情下计算的第/>
Figure SMS_50
个距离，具体包括：呼吸距离/>
Figure SMS_57
、脉搏距离
Figure SMS_60
、血压距离/>
Figure SMS_61
、心率距离/>
Figure SMS_63
和血氧距离/>
Figure SMS_55
；/>
Figure SMS_59
为待救助患者的第/>
Figure SMS_47
种病情特征值，具体包括：待救助患者的呼吸特征值/>
Figure SMS_51
、待救助患者的脉搏特征值/>
Figure SMS_44
、待救助患者的血压特征值/>
Figure SMS_49
、待救助患者的心率特征值/>
Figure SMS_54
和待救助患者的心率特征值/>
Figure SMS_56
；/>
Figure SMS_62
为在第/>
Figure SMS_65
类病情下确诊患者的第/>
Figure SMS_64
种病情特征值，具体包括：确诊患者的呼吸特征值/>
Figure SMS_66
、确诊患者的脉搏特征值/>
Figure SMS_46
、确诊患者的血压特征值/>
Figure SMS_48
、确诊患者的心率特征值/>
Figure SMS_52
和确诊患者的心率特征值
Figure SMS_58
。
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：
Figure SMS_67
其中，
Figure SMS_68
为待救助患者的病情特征值与第/>
Figure SMS_71
类病情下确诊患者的病情特征值的相似度，/>
Figure SMS_74
为归一化参数，/>
Figure SMS_70
为在第/>
Figure SMS_72
类病情下计算的第/>
Figure SMS_75
个距离，/>
Figure SMS_77
为在第/>
Figure SMS_69
类病情下，距离
Figure SMS_73
的5个量中存在小于距离阈值/>
Figure SMS_76
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
Figure SMS_80
，总的距离/>
Figure SMS_83
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/>
Figure SMS_86
，但由于初步的相似度中可能存在部分距离/>
Figure SMS_81
很小，部分距离/>
Figure SMS_85
很大，导致初步的相似度/>
Figure SMS_88
可能得到一个较大值，由于部分距离/>
Figure SMS_91
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/>
Figure SMS_78
存在较大误差，采用/>
Figure SMS_82
进行修正，/>
Figure SMS_87
越大相似度越高，例如，距离/>
Figure SMS_89
的5个量中存在小于距离阈值/>
Figure SMS_79
的数量为5，即/>
Figure SMS_84
均小于阈值/>
Figure SMS_90
，说明两个患者的5个量都比较接近，则在其初步的相似度
Figure SMS_92
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：
Figure SMS_93
其中，
Figure SMS_96
为待救助患者的疑似病情与第/>
Figure SMS_101
个医生的专业资料的匹配度，/>
Figure SMS_105
为待救助患者的疑似病情中的病情词汇出现在第/>
Figure SMS_97
个医生的专业资料中的词汇数量，/>
Figure SMS_100
为待救助患者的疑似病情中的总病情词汇数量，/>
Figure SMS_103
为待救助患者的疑似病情中的病情词汇的重要性参数，/>
Figure SMS_106
为出现在第/>
Figure SMS_95
个医生的专业资料中的每个病情词汇在第/>
Figure SMS_98
个医生的专业资料中出现的次数，/>
Figure SMS_104
为待救助患者的疑似病情中的病情词汇出现在第/>
Figure SMS_107
个医生的专业资料中的词汇数量/>
Figure SMS_94
的编号，/>
Figure SMS_99
为待救助患者的疑似病情中的病情词汇未出现在第/>
Figure SMS_102
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
Figure SMS_108
，这6个病情词汇仅3个出现在医生的专业资料中，则/>
Figure SMS_109
，/>
Figure SMS_110
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/>
Figure SMS_111
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/>
Figure SMS_112
对/>
Figure SMS_113
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：
Figure SMS_114
其中，
Figure SMS_123
为待救助患者的病情特征值，/>
Figure SMS_116
为总时间，/>
Figure SMS_120
为第/>
Figure SMS_129
时刻的待救助患者的病情数据，/>
Figure SMS_131
为时间段/>
Figure SMS_130
内待救助患者的病情数据的平均值，/>
Figure SMS_132
为第/>
Figure SMS_125
时刻的心电监护仪采集的正常人数据，/>
Figure SMS_127
为时间段/>
Figure SMS_117
内心电监护仪采集的正常人数据的平均值，/>
Figure SMS_122
为时间段/>
Figure SMS_118
内的待救助患者的最大病情数据，/>
Figure SMS_119
为时间段/>
Figure SMS_124
内的待救助患者的最小病情数据，
Figure SMS_128
为时间段/>
Figure SMS_115
内心电监护仪采集的正常人数据的最大值，/>
Figure SMS_121
为时间段/>
Figure SMS_126
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。
本发明通过待救助患者的病情数据在时间段
Figure SMS_133
的波动情况，以及在时间段/>
Figure SMS_134
最大值与最小值的差值情况，反应待救助患者的病情。
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：
Figure SMS_135
其中，
Figure SMS_145
为确诊患者的病情特征值，/>
Figure SMS_138
为总时间，/>
Figure SMS_141
为第/>
Figure SMS_139
时刻的确诊患者的病情数据，/>
Figure SMS_142
为时间段/>
Figure SMS_146
内确诊患者的病情数据的平均值，/>
Figure SMS_150
为第/>
Figure SMS_144
时刻的心电监护仪采集的正常人数据，/>
Figure SMS_147
为时间段/>
Figure SMS_136
内心电监护仪采集的正常人数据的平均值，/>
Figure SMS_140
为时间段/>
Figure SMS_148
内的确诊患者的最大病情数据，/>
Figure SMS_152
为时间段/>
Figure SMS_151
内的确诊患者的最小病情数据，/>
Figure SMS_153
为时间段/>
Figure SMS_137
内心电监护仪采集的正常人数据的最大值，/>
Figure SMS_143
为时间段/>
Figure SMS_149
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。
本发明通过确诊患者的病情数据在时间段
Figure SMS_154
波动情况，以及在时间段/>
Figure SMS_155
最大值与最小值的差值情况，反应确诊患者的病情。
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：
Figure SMS_156
其中，
Figure SMS_169
为在第/>
Figure SMS_158
类病情下计算的第/>
Figure SMS_163
个距离，具体包括：呼吸距离/>
Figure SMS_172
、脉搏距离
Figure SMS_177
、血压距离/>
Figure SMS_178
、心率距离/>
Figure SMS_179
和血氧距离/>
Figure SMS_164
；/>
Figure SMS_166
为待救助患者的第/>
Figure SMS_157
种病情特征值，具体包括：待救助患者的呼吸特征值/>
Figure SMS_161
、待救助患者的脉搏特征值/>
Figure SMS_160
、待救助患者的血压特征值/>
Figure SMS_168
、待救助患者的心率特征值/>
Figure SMS_171
和待救助患者的心率特征值/>
Figure SMS_175
；/>
Figure SMS_170
为在第/>
Figure SMS_174
类病情下确诊患者的第/>
Figure SMS_173
种病情特征值，具体包括：确诊患者的呼吸特征值/>
Figure SMS_176
、确诊患者的脉搏特征值/>
Figure SMS_159
、确诊患者的血压特征值/>
Figure SMS_162
、确诊患者的心率特征值/>
Figure SMS_165
和确诊患者的心率特征值
Figure SMS_167
。
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：
Figure SMS_180
其中，
Figure SMS_181
为待救助患者的病情特征值与第/>
Figure SMS_185
类病情下确诊患者的病情特征值的相似度，/>
Figure SMS_188
为归一化参数，/>
Figure SMS_182
为在第/>
Figure SMS_184
类病情下计算的第/>
Figure SMS_187
个距离，/>
Figure SMS_190
为在第/>
Figure SMS_183
类病情下，距离
Figure SMS_186
的5个量中存在小于距离阈值/>
Figure SMS_189
的数量。
在本实施例中，距离阈值
Figure SMS_191
为根据经验设定的参数。
本发明先将所有距离值相加，得到总的距离值
Figure SMS_193
，总的距离/>
Figure SMS_199
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/>
Figure SMS_203
，但由于初步的相似度中可能存在部分距离/>
Figure SMS_195
很小，部分距离/>
Figure SMS_197
很大，导致初步的相似度
Figure SMS_201
可能得到一个较大值，由于部分距离/>
Figure SMS_204
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/>
Figure SMS_192
存在较大误差，采用/>
Figure SMS_196
进行修正，/>
Figure SMS_200
越大相似度越高，例如，距离/>
Figure SMS_205
的5个量中存在小于距离阈值/>
Figure SMS_194
的数量为5，即/>
Figure SMS_198
均小于阈值/>
Figure SMS_202
，说明两个患者的5个量都比较接近，则在其初步的相似度/>
Figure SMS_206
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：
Figure SMS_207
其中，
Figure SMS_209
为待救助患者的疑似病情与第/>
Figure SMS_213
个医生的专业资料的匹配度，/>
Figure SMS_216
为待救助患者的疑似病情中的病情词汇出现在第/>
Figure SMS_210
个医生的专业资料中的词汇数量，/>
Figure SMS_215
为待救助患者的疑似病情中的总病情词汇数量，/>
Figure SMS_219
为待救助患者的疑似病情中的病情词汇的重要性参数，/>
Figure SMS_221
为出现在第/>
Figure SMS_208
个医生的专业资料中的每个病情词汇在第/>
Figure SMS_212
个医生的专业资料中出现的次数，/>
Figure SMS_218
为待救助患者的疑似病情中的病情词汇出现在第/>
Figure SMS_220
个医生的专业资料中的词汇数量/>
Figure SMS_211
的编号，/>
Figure SMS_214
为待救助患者的疑似病情中的病情词汇未出现在第/>
Figure SMS_217
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
Figure SMS_222
，这6个病情词汇仅3个出现在医生的专业资料中，则/>
Figure SMS_223
，/>
Figure SMS_224
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/>
Figure SMS_225
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/>
Figure SMS_226
对
Figure SMS_227
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：
Figure QLYQS_1
其中，
Figure QLYQS_10
为待救助患者的病情特征值，/>
Figure QLYQS_5
为总时间，/>
Figure QLYQS_7
为第/>
Figure QLYQS_13
时刻的待救助患者的病情数据，/>
Figure QLYQS_17
为时间段/>
Figure QLYQS_18
内待救助患者的病情数据的平均值，/>
Figure QLYQS_19
为第/>
Figure QLYQS_11
时刻的心电监护仪采集的正常人数据，/>
Figure QLYQS_15
为时间段/>
Figure QLYQS_2
内心电监护仪采集的正常人数据的平均值，/>
Figure QLYQS_6
为时间段/>
Figure QLYQS_3
内的待救助患者的最大病情数据，/>
Figure QLYQS_8
为时间段/>
Figure QLYQS_12
内的待救助患者的最小病情数据，/>
Figure QLYQS_16
为时间段/>
Figure QLYQS_4
内心电监护仪采集的正常人数据的最大值，/>
Figure QLYQS_9
为时间段/>
Figure QLYQS_14
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：
Figure QLYQS_20
其中，
Figure QLYQS_28
为确诊患者的病情特征值，/>
Figure QLYQS_23
为总时间，/>
Figure QLYQS_26
为第/>
Figure QLYQS_24
时刻的确诊患者的病情数据，
Figure QLYQS_32
为时间段/>
Figure QLYQS_35
内确诊患者的病情数据的平均值，/>
Figure QLYQS_37
为第/>
Figure QLYQS_30
时刻的心电监护仪采集的正常人数据，/>
Figure QLYQS_31
为时间段/>
Figure QLYQS_22
内心电监护仪采集的正常人数据的平均值，/>
Figure QLYQS_25
为时间段/>
Figure QLYQS_34
内的确诊患者的最大病情数据，/>
Figure QLYQS_36
为时间段/>
Figure QLYQS_33
内的确诊患者的最小病情数据，/>
Figure QLYQS_38
为时间段/>
Figure QLYQS_21
内心电监护仪采集的正常人数据的最大值，/>
Figure QLYQS_27
为时间段/>
Figure QLYQS_29
内心电监护仪采集的正常人数据的最小值。
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。
3.根据权利要求2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，所述距离的计算公式为：
Figure QLYQS_39
其中，
Figure QLYQS_49
为在第/>
Figure QLYQS_42
类病情下计算的第/>
Figure QLYQS_44
个距离，具体包括：呼吸距离/>
Figure QLYQS_50
、脉搏距离/>
Figure QLYQS_55
、血压距离/>
Figure QLYQS_60
、心率距离/>
Figure QLYQS_61
和血氧距离/>
Figure QLYQS_53
；/>
Figure QLYQS_58
为待救助患者的第/>
Figure QLYQS_40
种病情特征值，具体包括：待救助患者的呼吸特征值/>
Figure QLYQS_46
、待救助患者的脉搏特征值/>
Figure QLYQS_43
、待救助患者的血压特征值
Figure QLYQS_48
、待救助患者的心率特征值/>
Figure QLYQS_51
和待救助患者的心率特征值/>
Figure QLYQS_56
；/>
Figure QLYQS_54
为在第/>
Figure QLYQS_59
类病情下确诊患者的第/>
Figure QLYQS_57
种病情特征值，具体包括：确诊患者的呼吸特征值/>
Figure QLYQS_62
、确诊患者的脉搏特征值
Figure QLYQS_41
、确诊患者的血压特征值/>
Figure QLYQS_45
、确诊患者的心率特征值/>
Figure QLYQS_47
和确诊患者的心率特征值
Figure QLYQS_52
。
4.根据权利要求3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，所述计算相似度的公式为：
Figure QLYQS_63
其中，
Figure QLYQS_66
为待救助患者的病情特征值与第/>
Figure QLYQS_68
类病情下确诊患者的病情特征值的相似度，
Figure QLYQS_70
为归一化参数，/>
Figure QLYQS_65
为在第/>
Figure QLYQS_69
类病情下计算的第/>
Figure QLYQS_71
个距离，/>
Figure QLYQS_73
为在第/>
Figure QLYQS_64
类病情下，距离
Figure QLYQS_67
的5个量中存在小于距离阈值/>
Figure QLYQS_72
的数量。
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：
Figure QLYQS_74
其中，
Figure QLYQS_76
为待救助患者的疑似病情与第/>
Figure QLYQS_79
个医生的专业资料的匹配度，/>
Figure QLYQS_82
为待救助患者的疑似病情中的病情词汇出现在第/>
Figure QLYQS_77
个医生的专业资料中的词汇数量，/>
Figure QLYQS_81
为待救助患者的疑似病情中的总病情词汇数量，/>
Figure QLYQS_85
为待救助患者的疑似病情中的病情词汇的重要性参数，/>
Figure QLYQS_88
为出现在第/>
Figure QLYQS_75
个医生的专业资料中的每个病情词汇在第/>
Figure QLYQS_80
个医生的专业资料中出现的次数，/>
Figure QLYQS_84
为待救助患者的疑似病情中的病情词汇出现在第/>
Figure QLYQS_87
个医生的专业资料中的词汇数量/>
Figure QLYQS_78
的编号，/>
Figure QLYQS_83
为待救助患者的疑似病情中的病情词汇未出现在第/>
Figure QLYQS_86
个医生的专业资料中的词汇数量的编号。/>
CN202310194371.7A 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 Active CN115881287B (zh)

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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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

Patent Citations (4)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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