CN116313132B - 一种慢性疾病医疗管理系统 - Google Patents
一种慢性疾病医疗管理系统 Download PDFInfo
- Publication number
- CN116313132B CN116313132B CN202310589975.1A CN202310589975A CN116313132B CN 116313132 B CN116313132 B CN 116313132B CN 202310589975 A CN202310589975 A CN 202310589975A CN 116313132 B CN116313132 B CN 116313132B
- Authority
- CN
- China
- Prior art keywords
- disease
- monitoring
- parameter
- marking
- characteristic
- 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
- 208000017667 Chronic Disease Diseases 0.000 title claims abstract description 83
- 238000012544 monitoring process Methods 0.000 claims abstract description 121
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 112
- 201000010099 disease Diseases 0.000 claims abstract description 111
- 238000004458 analytical method Methods 0.000 claims abstract description 58
- 230000001684 chronic effect Effects 0.000 claims abstract description 25
- 238000013433 optimization analysis Methods 0.000 claims abstract description 20
- 230000006866 deterioration Effects 0.000 claims abstract description 18
- 238000007405 data analysis Methods 0.000 claims abstract description 11
- 238000004891 communication Methods 0.000 claims abstract description 4
- 238000000034 method Methods 0.000 claims description 21
- 238000003745 diagnosis Methods 0.000 claims description 16
- 238000005457 optimization Methods 0.000 claims description 14
- 241000159204 Peganum Species 0.000 claims description 12
- 235000005126 Peganum harmala Nutrition 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 12
- 208000024891 symptom Diseases 0.000 claims description 8
- 235000008242 dietary patterns Nutrition 0.000 claims description 3
- 230000005713 exacerbation Effects 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 abstract description 5
- 238000005516 engineering process Methods 0.000 abstract description 2
- 235000005911 diet Nutrition 0.000 description 2
- 230000037213 diet Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9538—Presentation of query results
-
- 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
- G16H80/00—ICT specially adapted for facilitating communication between medical practitioners or patients, e.g. for collaborative diagnosis, therapy or health monitoring
-
- 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
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Epidemiology (AREA)
- Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明属于慢性病管理领域,涉及数据分析技术,用于解决现有慢性疾病医疗管理系统无法对数据库中慢性病的重点参数进行提取的问题,具体是一种慢性疾病医疗管理系统,包括医疗管理平台,所述医疗管理平台通信连接有数据分析模块、病症监护模块、培优分析模块、特征监测模块、数据库以及存储模块;所述数据分析模块用于对慢性病患者的恶化数据进行分析:将病情恶化的慢性病患者标记为分析对象,获取分析对象的慢性病种类并标记为病种,获取病种的监测参数并标记为参数i;本发明可以对慢性病患者的恶化数据进行分析,从而对参数进行不同标记,从中提取出重点参数进行重点监测,在同病种患者的重点参数异常时及时进行预警。
Description
技术领域
本发明属于慢性病管理领域,涉及数据分析技术,具体是一种慢性疾病医疗管理系统。
背景技术
我国传统的慢病管理和数据收集局限于单次或间断的个体记录,数据质量低、延迟、缺乏有效质控和院外监测,异常情况也无法得到及时有效的干预。与发达国家相比,我国慢病及危险因素检测系统还存在样本量大、信息量小、应用价值不足的特点。
公告号为CN113239279B的授权发明专利公开了一种慢性病医疗数据采集分析管理方法及云平台,对区域内各医院中已经过治疗的慢性病患者对应的患病参数进行采集、处理分析,向慢性病患者提供慢性病检索需求,实现了对慢性病患者就医的智能匹配推荐;但是该慢性病医疗数据采集分析管理方法及云平台无法对数据库中慢性病的重点参数进行提取,从而无法根据重点参数为患者提供监测方向,并且在重点参数异常时无法及时进行预警。
针对上述技术问题,本申请提出一种解决方案。
发明内容
本发明的目的在于提供一种慢性疾病医疗管理系统,用于解决现有慢性疾病医疗管理系统无法对数据库中慢性病的重点参数进行提取的问题;
本发明需要解决的技术问题为:如何提供一种可以对数据库中慢性病的重点参数进行提取的慢性疾病医疗管理系统。
本发明的目的可以通过以下技术方案实现:
一种慢性疾病医疗管理系统,包括医疗管理平台,所述医疗管理平台通信连接有数据分析模块、病症监护模块、培优分析模块、特征监测模块、数据库以及存储模块;
所述数据分析模块用于对慢性病患者的恶化数据进行分析:将病情恶化的慢性病患者标记为分析对象,获取分析对象的慢性病种类并标记为病种,获取病种的监测参数并标记为参数i,i=1,2,…,n,n为正整数,获取分析对象的参数i对应的波动系数BDi并通过波动系数BDi的数值将参数i标记为重点参数或普通参数;将病种的所有重点参数全部通过医疗管理平台发送至数据库存储;
所述病症监护模块用于对慢性病患者的病症状态进行监测分析:将进行病症状态监测分析的慢性病患者标记为监测对象,获取监测对象的病种并通过数据库调取病种对应的重点参数u,u=1,2…,m,m为正整数,获取监测对象重点参数u的数值并标记为重点值ZDu,获取重点参数u的标准阈值最大值BZud与标准阈值最小值BZux,通过公式得到监测对象的状态系数ZT,通过存储模块获取到状态阈值ZTmax、ZTmin,将监测对象的状态系数ZT与状态阈值ZTmax、ZTmin进行比较并通过比较结果将监测对象标记为预警对象、普通对象或培优对象;
所述培优分析模块用于对培优对象进行培优分析;
所述特征监测模块用于对特征区间的病症风险进行监测分析。
作为本发明的一种优选实施方式,将参数i标记为重点参数或普通参数的具体过程包括:生成时长为L1个月的分析周期,将分析周期分割为若干个分析时段,每个分析时段的时长均相等,获取分析对象在分析时段结束时刻的参数i的数值并标记为监测值i,对参数i在所有分析时段的监测值i进行方差计算得到参数i的波动系数BDi,通过存储模块获取到波动阈值BDmax,将参数i的波动系数BDi与波动阈值BDmax进行比较:若波动系数BDi小于波动阈值BDmax,则判定参数i与病种恶化不存在关联性,将对应的参数标记为病种的普通参数;若波动系数BDi大于等于波动阈值BDmax,则判定参数i与病种恶化存在关联性,将对应的参数i标记为病种的重点参数。
作为本发明的一种优选实施方式,将监测对象的状态系数ZT与状态阈值ZTmax、ZTmin进行比较的具体过程包括:若ZT≤ZTmin,则判定监测对象的病症状态满足要求,将对应的监测对象标记为培优对象;若ZTmin<ZT<ZTmax,则判定监测对象的病症状态满足要求,将对应的监测对象标记为普通对象;若ZT≥ZTmax,则判定监测对象的病症状态不满足要求,将对应的监测对象标记为预警对象;病症监护模块将预警对象发送至医疗管理平台,医疗管理平台接收到预警对象后将预警对象发送至预警对象的手机终端;病症监护模块将培优对象发送至医疗管理平台,医疗管理平台接收到培优对象后将培优对象发送至培优分析模块。
作为本发明的一种优选实施方式,培优分析模块对培优对象进行培优分析的具体过程包括:获取数据库中慢性病患者的年龄数据NS、状态数据ZS以及确诊数据QS,通过对年龄数据NS、状态数据ZS以及确诊数据QS进行数值计算得到慢性病患者的特征系数TZ;由同一病种的慢性病患者的特征系数TZ最大值与特征系数TZ最小值构成特征范围,将特征范围分割为若干个特征区间,将特征系数TZ位于特征区间之内的培优对象标记为特征区间的特征对象,将特征区间内特征对象的作息图谱与饮食图谱标记为特征区间的培优标准,将特征区间的培优标准通过医疗管理平台发送至数据库进行存储。
作为本发明的一种优选实施方式,年龄数据NS为慢性病患者的年龄值,状态数据ZS为慢性病患者确诊时的状态系数,确诊数据QS为当前时间与慢性病患者确诊时间的差值。
作为本发明的一种优选实施方式,特征监测模块用于对特征区间的病症风险进行监测分析:将特征区间内的培优对象、普通对象以及预警对象的数量值分别标记为PY、PT以及YJ,通过对PY、PT以及YJ进行数值计算得到特征区间的风险系数FX,培优对象的数量值为零时PY的取值为1;通过存储模块获取到风险阈值FXmax,将特征区间的风险系数FX与风险阈值FXmax进行比较并通过比较结果将特征区间标记为安全区间或危险区间。
作为本发明的一种优选实施方式,将特征区间的风险系数FX与风险阈值FXmax进行比较的具体过程包括:若风险系数FX小于风险阈值FXmax,则判定特征区间的病症风险满足要求,将对应的特征区间标记为安全区间;若风险系数FX大于等于风险阈值FXmax,则判定特征区间的病症风险不满足要求,将对应的特征区间标记为危险区间;特征监测模块将危险区间发送至医疗管理平台,医疗管理平台接收到危险区间后将危险区间发送至管理人员的手机终端。
作为本发明的一种优选实施方式,该慢性疾病医疗管理系统的工作方法,包括以下步骤:
步骤一:对慢性病患者的恶化数据进行分析:将病情恶化的慢性病患者标记为分析对象,获取分析对象的慢性病种类并标记为病种,获取病种的监测参数并标记为参数i,获取参数i的波动系数BDi并通过波动系数BDi将参数i标记为普通参数或重点参数;
步骤二:对慢性病患者的病症状态进行监测分析:将进行病症状态监测分析的慢性病患者标记为监测对象,获取监测对象的病种并通过数据库调取病种对应的重点参数u,通过对重点参数u的数值进行采集与计算得到监测对象的状态系数ZT,通过状态系数ZT将监测对象标记为预警对象、普通对象或培优对象;
步骤三:对培优对象进行培优分析:获取数据库中慢性病患者的年龄数据NS、状态数据ZS以及确诊数据QS并进行数值计算得到特征系数TZ,通过特征系数TZ获取到培优标准;
步骤四:对特征区间的病症风险进行监测分析:获取特征区间内的培优对象、普通对象以及预警对象的数量值并进行计算得到风险系数FX,通过风险系数FX的数值将特征区间标记为安全区间或危险区间,危险区间通过医疗管理平台发送至管理人员的手机终端。
本发明具备下述有益效果:
通过数据分析模块可以对慢性病患者的恶化数据进行分析,通过对病情恶化的慢性病患者的参数波动系数进行计算与分析,来对参数与病种恶化关联性进行反馈,从而对参数进行不同标记,从中提取出重点参数进行重点监测,在同病种患者的重点参数异常时及时进行预警;
通过病症监护模块可以对慢性病患者的病症状态进行监测分析,通过对慢性病患者重点参数进行采集与计算得到状态系数,从而通过状态系数对患者的病症恶化情况进行反馈,并根据状态系数筛选出培优对象,为培优分析提供数据支撑;
通过培优分析模块可以对培优对象进行培优分析,通过对慢性病患者的各项体征参数进行综合分析得到特征系数,从而根据特征系数对特征范围进行特征区间分割,从而根据特征区间内培优对象的作息情况与饮食情况生成培优标准,为特征区间内的其他监测对象提供疗养参考;
4、通过特征监测模块可以对特征区间的病症风险进行监测分析,通过对特征区间内的培优对象、普通对象以及预警对象的分布数量进行分析与计算得到风险系数,从而根据风险系数对特征区间的整体风险程度进行反馈,在风险集中的特征区间进行标记,并对危险区间内的所有监测对象进行提醒。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例一的系统框图;
图2为本发明实施例二的方法流程图。
具体实施方式
下面将结合实施例对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
实施例一:如图1所示,一种慢性疾病医疗管理系统,包括医疗管理平台,医疗管理平台通信连接有数据分析模块、病症监护模块、培优分析模块、特征监测模块、数据库以及存储模块。
数据分析模块用于对慢性病患者的恶化数据进行分析:将病情恶化的慢性病患者标记为分析对象,获取分析对象的慢性病种类并标记为病种,获取病种的监测参数并标记为参数i,i=1,2,…,n,n为正整数,获取分析对象的参数i对应的波动系数BDi:生成时长为L1个月的分析周期,L1为数值常量,L1的具体数值由管理人员自行设置;将分析周期分割为若干个分析时段,每个分析时段的时长均相等,获取分析对象在分析时段结束时刻的参数i的数值并标记为监测值i,对参数i在所有分析时段的监测值i进行方差计算得到参数i的波动系数BDi,通过存储模块获取到波动阈值BDmax,将参数i的波动系数BDi与波动阈值BDmax进行比较:若波动系数BDi小于波动阈值BDmax,则判定参数i与病种恶化不存在关联性,将对应的参数标记为病种的普通参数;若波动系数BDi大于等于波动阈值BDmax,则判定参数i与病种恶化存在关联性,将对应的参数i标记为病种的重点参数;将病种的所有重点参数全部通过医疗管理平台发送至数据库存储;对慢性病患者的恶化数据进行分析,通过对病情恶化的慢性病患者的参数波动系数进行计算与分析,来对参数与病种恶化关联性进行反馈,从而对参数进行不同标记,从中提取出重点参数进行重点监测,在同病种患者的重点参数异常时及时进行预警。
病症监护模块用于对慢性病患者的病症状态进行监测分析:将进行病症状态监测分析的慢性病患者标记为监测对象,获取监测对象的病种并通过数据库调取病种对应的重点参数u,u=1,2…,m,m为正整数,获取监测对象重点参数u的数值并标记为重点值ZDu,获取重点参数u的标准阈值最大值BZud与标准阈值最小值BZux,通过公式得到监测对象的状态系数ZT,通过存储模块获取到状态阈值ZTmax、ZTmin,将监测对象的状态系数ZT与状态阈值ZTmax、ZTmin进行比较:若ZT≤ZTmin,则判定监测对象的病症状态满足要求,将对应的监测对象标记为培优对象;若ZTmin<ZT<ZTmax,则判定监测对象的病症状态满足要求,将对应的监测对象标记为普通对象;若ZT≥ZTmax,则判定监测对象的病症状态不满足要求,将对应的监测对象标记为预警对象;病症监护模块将预警对象发送至医疗管理平台,医疗管理平台接收到预警对象后将预警对象发送至预警对象的手机终端;病症监护模块将培优对象发送至医疗管理平台,医疗管理平台接收到培优对象后将培优对象发送至培优分析模块;对慢性病患者的病症状态进行监测分析,通过对慢性病患者重点参数进行采集与计算得到状态系数,从而通过状态系数对患者的病症恶化情况进行反馈,并根据状态系数筛选出培优对象,为培优分析提供数据支撑。
培优分析模块用于对培优对象进行培优分析:获取数据库中慢性病患者的年龄数据NS、状态数据ZS以及确诊数据QS,年龄数据NS为慢性病患者的年龄值,状态数据ZS为慢性病患者确诊时的状态系数,确诊数据QS为当前时间与慢性病患者确诊时间的差值,通过公式TZ=(α1*NS+α2*ZS)/(α3*QS)得到慢性病患者的特征系数TZ,其中α1、α2以及α3均为比例系数,且α1>α2>α3>1;由同一病种的慢性病患者的特征系数TZ最大值与特征系数TZ最小值构成特征范围,将特征范围分割为若干个特征区间,将特征系数TZ位于特征区间之内的培优对象标记为特征区间的特征对象,将特征区间内特征对象的作息图谱与饮食图谱标记为特征区间的培优标准,将特征区间的培优标准通过医疗管理平台发送至数据库进行存储;对培优对象进行培优分析,通过对慢性病患者的各项体征参数进行综合分析得到特征系数,从而根据特征系数对特征范围进行特征区间分割,从而根据特征区间内培优对象的作息情况与饮食情况生成培优标准,为特征区间内的其他监测对象提供疗养参考。
特征监测模块用于对特征区间的病症风险进行监测分析:将特征区间内的培优对象、普通对象以及预警对象的数量值分别标记为PY、PT以及YJ,通过公式FX=(β1*YJ+β2*PT)/(β3*PY)得到特征区间的风险系数FX,风险系数是一个反映特征区间内所有监测对象整体风险程度的数值,风险系数的数值越大,则表示特征区间内所有监测对象整体风险程度越高;其中β1、β2以及β3均为比例系数,且β1>β2>β3>1,培优对象的数量值为零时PY的取值为1;通过存储模块获取到风险阈值FXmax,将特征区间的风险系数FX与风险阈值FXmax进行比较:若风险系数FX小于风险阈值FXmax,则判定特征区间的病症风险满足要求,将对应的特征区间标记为安全区间;若风险系数FX大于等于风险阈值FXmax,则判定特征区间的病症风险不满足要求,将对应的特征区间标记为危险区间;特征监测模块将危险区间发送至医疗管理平台,医疗管理平台接收到危险区间后将危险区间发送至管理人员的手机终端;对特征区间的病症风险进行监测分析,通过对特征区间内的培优对象、普通对象以及预警对象的分布数量进行分析与计算得到风险系数,从而根据风险系数对特征区间的整体风险程度进行反馈,在风险集中的特征区间进行标记,并对危险区间内的所有监测对象进行提醒。
实施例二:如图2所示,一种慢性疾病医疗管理方法,包括以下步骤:
步骤一:对慢性病患者的恶化数据进行分析:将病情恶化的慢性病患者标记为分析对象,获取分析对象的慢性病种类并标记为病种,获取病种的监测参数并标记为参数i,获取参数i的波动系数BDi并通过波动系数BDi将参数i标记为普通参数或重点参数;
步骤二:对慢性病患者的病症状态进行监测分析:将进行病症状态监测分析的慢性病患者标记为监测对象,获取监测对象的病种并通过数据库调取病种对应的重点参数u,通过对重点参数u的数值进行采集与计算得到监测对象的状态系数ZT,通过状态系数ZT将监测对象标记为预警对象、普通对象或培优对象;
步骤三:对培优对象进行培优分析:获取数据库中慢性病患者的年龄数据NS、状态数据ZS以及确诊数据QS并进行数值计算得到特征系数TZ,通过特征系数TZ获取到培优标准;
步骤四:对特征区间的病症风险进行监测分析:获取特征区间内的培优对象、普通对象以及预警对象的数量值并进行计算得到风险系数FX,通过风险系数FX的数值将特征区间标记为安全区间或危险区间,危险区间通过医疗管理平台发送至管理人员的手机终端。
一种慢性疾病医疗管理系统,工作时,将病情恶化的慢性病患者标记为分析对象,获取分析对象的慢性病种类并标记为病种,获取病种的监测参数并标记为参数i,获取参数i的波动系数BDi并通过波动系数BDi将参数i标记为普通参数或重点参数;将进行病症状态监测分析的慢性病患者标记为监测对象,获取监测对象的病种并通过数据库调取病种对应的重点参数u,通过对重点参数u的数值进行采集与计算得到监测对象的状态系数ZT,通过状态系数ZT将监测对象标记为预警对象、普通对象或培优对象;获取数据库中慢性病患者的年龄数据NS、状态数据ZS以及确诊数据QS并进行数值计算得到特征系数TZ,通过特征系数TZ获取到培优标准;获取特征区间内的培优对象、普通对象以及预警对象的数量值并进行计算得到风险系数FX,通过风险系数FX的数值将特征区间标记为安全区间或危险区间,危险区间通过医疗管理平台发送至管理人员的手机终端。
以上内容仅仅是对本发明结构所作的举例和说明,所属本技术领域的技术人员对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,只要不偏离发明的结构或者超越本权利要求书所定义的范围,均应属于本发明的保护范围。
上述公式均是采集大量数据进行软件模拟得出且选取与真实值接近的一个公式,公式中的系数是由本领域技术人员根据实际情况进行设置;如:公式FX=(β1*YJ+β2*PT)/(β3*PY);由本领域技术人员采集多组样本数据并对每一组样本数据设定对应的风险系数;将设定的风险系数和采集的样本数据代入公式,任意三个公式构成三元一次方程组,将计算得到的系数进行筛选并取均值,得到α1、α2以及α3的取值分别为3.74、2.97和2.65;
系数的大小是为了将各个参数进行量化得到的一个具体的数值,便于后续比较,关于系数的大小,取决于样本数据的多少及本领域技术人员对每一组样本数据初步设定对应的风险系数;只要不影响参数与量化后数值的比例关系即可,如风险系数与预警对象的数量值成正比。
在本说明书的描述中,参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节,也不限制该发明仅为的具体实施方式。显然,根据本说明书的内容,可作很多的修改和变化。本说明书选取并具体描述这些实施例,是为了更好地解释本发明的原理和实际应用,从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。
Claims (4)
1.一种慢性疾病医疗管理系统,其特征在于,包括医疗管理平台,所述医疗管理平台通信连接有数据分析模块、病症监护模块、培优分析模块、特征监测模块、数据库以及存储模块;
所述数据分析模块用于对慢性病患者的恶化数据进行分析:将病情恶化的慢性病患者标记为分析对象,获取分析对象的慢性病种类并标记为病种,获取病种的监测参数并标记为参数i,i=1,2,…,n,n为正整数,获取分析对象的参数i对应的波动系数BDi并通过波动系数BDi的数值将参数i标记为重点参数或普通参数;将病种的所有重点参数全部通过医疗管理平台发送至数据库存储;
所述病症监护模块用于对慢性病患者的病症状态进行监测分析:将进行病症状态监测分析的慢性病患者标记为监测对象,获取监测对象的病种并通过数据库调取病种对应的重点参数u,u=1,2…,m,m为正整数,获取监测对象重点参数u的数值并标记为重点值ZDu,获取重点参数u的标准阈值最大值BZud与标准阈值最小值BZux,通过公式得到监测对象的状态系数ZT,通过存储模块获取到状态阈值ZTmax、ZTmin,将监测对象的状态系数ZT与状态阈值ZTmax、ZTmin进行比较并通过比较结果将监测对象标记为预警对象、普通对象或培优对象;
所述培优分析模块用于对培优对象进行培优分析;
所述特征监测模块用于对特征区间的病症风险进行监测分析;
培优分析模块对培优对象进行培优分析的具体过程包括:获取数据库中慢性病患者的年龄数据NS、状态数据ZS以及确诊数据QS,通过对年龄数据NS、状态数据ZS以及确诊数据QS进行数值计算得到慢性病患者的特征系数TZ;由同一病种的慢性病患者的特征系数TZ最大值与特征系数TZ最小值构成特征范围,将位于特征范围分割为若干个特征区间,将特征系数TZ位于特征区间之内的培优对象标记为特征区间的特征对象,将特征区间内特征对象的作息图谱与饮食图谱标记为特征区间的培优标准,将特征区间的培优标准通过医疗管理平台发送至数据库进行存储;
年龄数据NS为慢性病患者的年龄值,状态数据ZS为慢性病患者确诊时的状态系数,确诊数据QS为当前时间与慢性病患者确诊时间的差值;
特征监测模块用于对特征区间的病症风险进行监测分析:将特征区间内的培优对象、普通对象以及预警对象的数量值分别标记为PY、PT以及YJ,通过对PY、PT以及YJ进行数值计算得到特征区间的风险系数FX,培优对象的数量值为零时PY的取值为1;通过存储模块获取到风险阈值FXmax,将特征区间的风险系数FX与风险阈值FXmax进行比较并通过比较结果将特征区间标记为安全区间或危险区间;
将特征区间的风险系数FX与风险阈值FXmax进行比较的具体过程包括:若风险系数FX小于风险阈值FXmax,则判定特征区间的病症风险满足要求,将对应的特征区间标记为安全区间;若风险系数FX大于等于风险阈值FXmax,则判定特征区间的病症风险不满足要求,将对应的特征区间标记为危险区间;特征监测模块将危险区间发送至医疗管理平台,医疗管理平台接收到危险区间后将危险区间发送至管理人员的手机终端。
2.根据权利要求1所述的一种慢性疾病医疗管理系统,其特征在于,将参数i标记为重点参数或普通参数的具体过程包括:生成时长为L1个月的分析周期,将分析周期分割为若干个分析时段,每个分析时段的时长均相等,获取分析对象在分析时段结束时刻的参数i的数值并标记为监测值i,对参数i在所有分析时段的监测值i进行方差计算得到参数i的波动系数BDi,通过存储模块获取到波动阈值BDmax,将参数i的波动系数BDi与波动阈值BDmax进行比较:若波动系数BDi小于波动阈值BDmax,则判定参数i与病种恶化不存在关联性,将对应的参数标记为病种的普通参数;若波动系数BDi大于等于波动阈值BDmax,则判定参数i与病种恶化存在关联性,将对应的参数i标记为病种的重点参数。
3.根据权利要求2所述的一种慢性疾病医疗管理系统,其特征在于,将监测对象的状态系数ZT与状态阈值ZTmax、ZTmin进行比较的具体过程包括:若ZT≤ZTmin,则判定监测对象的病症状态满足要求,将对应的监测对象标记为培优对象;若ZTmin<ZT<ZTmax,则判定监测对象的病症状态满足要求,将对应的监测对象标记为普通对象;若ZT≥ZTmax,则判定监测对象的病症状态不满足要求,将对应的监测对象标记为预警对象;病症监护模块将预警对象发送至医疗管理平台,医疗管理平台接收到预警对象后将预警对象发送至预警对象的手机终端;病症监护模块将培优对象发送至医疗管理平台,医疗管理平台接收到培优对象后将培优对象发送至培优分析模块。
4.根据权利要求1-3任一项所述的一种慢性疾病医疗管理系统,其特征在于,该慢性疾病医疗管理系统的工作方法,包括以下步骤:
步骤一:对慢性病患者的恶化数据进行分析:将病情恶化的慢性病患者标记为分析对象,获取分析对象的慢性病种类并标记为病种,获取病种的监测参数并标记为参数i,获取参数i的波动系数BDi并通过波动系数BDi将参数i标记为普通参数或重点参数;
步骤二:对慢性病患者的病症状态进行监测分析:将进行病症状态监测分析的慢性病患者标记为监测对象,获取监测对象的病种并通过数据库调取病种对应的重点参数u,通过对重点参数u的数值进行采集与计算得到监测对象的状态系数ZT,通过状态系数ZT将监测对象标记为预警对象、普通对象或培优对象;
步骤三:对培优对象进行培优分析:获取数据库中慢性病患者的年龄数据NS、状态数据ZS以及确诊数据QS并进行数值计算得到特征系数TZ,通过特征系数TZ获取到培优标准;
步骤四:对特征区间的病症风险进行监测分析:获取特征区间内的培优对象、普通对象以及预警对象的数量值并进行计算得到风险系数FX,通过风险系数FX的数值将特征区间标记为安全区间或危险区间,危险区间通过医疗管理平台发送至管理人员的手机终端。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310589975.1A CN116313132B (zh) | 2023-05-24 | 2023-05-24 | 一种慢性疾病医疗管理系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310589975.1A CN116313132B (zh) | 2023-05-24 | 2023-05-24 | 一种慢性疾病医疗管理系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116313132A CN116313132A (zh) | 2023-06-23 |
CN116313132B true CN116313132B (zh) | 2023-08-11 |
Family
ID=86827326
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310589975.1A Active CN116313132B (zh) | 2023-05-24 | 2023-05-24 | 一种慢性疾病医疗管理系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116313132B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116612891B (zh) * | 2023-07-14 | 2023-09-29 | 营动智能技术(山东)有限公司 | 一种慢性病患者数据处理系统 |
CN117637089A (zh) * | 2023-12-06 | 2024-03-01 | 广东康合慢病防治研究中心有限公司 | 一种医用慢性病病例存储监测管理装置及系统 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20100008464A (ko) * | 2008-07-16 | 2010-01-26 | 가톨릭대학교 산학협력단 | 만성질환의 고위험군을 대상으로 하는 맞춤형 생활습관개선시스템 및 그 방법 |
CN105701358A (zh) * | 2016-02-25 | 2016-06-22 | 武汉哈福科技有限公司 | 一种基于云平台的健康数据采集和分析系统 |
CN108461156A (zh) * | 2018-02-02 | 2018-08-28 | 重庆艾维迪生物科技有限公司 | 一种基于物联网的慢病管控方法及其装置、系统 |
EP3370175A1 (en) * | 2017-03-03 | 2018-09-05 | Linde Aktiengesellschaft | Method for providing a wearable device, method for predicting an acute exacerbation and system for predicting an acute exacerbation |
CN109584977A (zh) * | 2018-08-21 | 2019-04-05 | 广东博云公共平台网络科技有限公司 | 一种双网云健康平台及健康数据处理方法 |
CN110570919A (zh) * | 2019-09-23 | 2019-12-13 | 深圳甲田科技有限公司 | 面向慢病人群的健康风险智能监测、预警方法及平台 |
CN112614555A (zh) * | 2020-12-13 | 2021-04-06 | 云南省第一人民医院 | 用于住院老年患者的老年综合征筛查评估及干预的方法 |
CN113488134A (zh) * | 2021-08-25 | 2021-10-08 | 四川省医学科学院·四川省人民医院 | 一种重大疾病医保药物审核与药物治疗管理系统 |
CN113689958A (zh) * | 2021-08-27 | 2021-11-23 | 苏州立威新谱生物科技有限公司 | 一种基于大数据的慢性病病情预测方法、系统及存储介质 |
CN114496248A (zh) * | 2022-01-17 | 2022-05-13 | 北京数字众智科技有限公司 | 一种健康参数预警及通知系统 |
CN114999647A (zh) * | 2022-06-01 | 2022-09-02 | 刘少波 | 一种基于大数据的智慧健康监测方法及系统 |
CN115295141A (zh) * | 2022-08-11 | 2022-11-04 | 西安微媒软件有限公司 | 一种慢性病管理服务系统 |
CN115312205A (zh) * | 2022-10-11 | 2022-11-08 | 四川省医学科学院·四川省人民医院 | 一种单病种临床路径管理系统 |
CN115662653A (zh) * | 2022-07-19 | 2023-01-31 | 皖南医学院 | 一种大数据可视化平台的慢性病风险预警设置与处理方法 |
-
2023
- 2023-05-24 CN CN202310589975.1A patent/CN116313132B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20100008464A (ko) * | 2008-07-16 | 2010-01-26 | 가톨릭대학교 산학협력단 | 만성질환의 고위험군을 대상으로 하는 맞춤형 생활습관개선시스템 및 그 방법 |
CN105701358A (zh) * | 2016-02-25 | 2016-06-22 | 武汉哈福科技有限公司 | 一种基于云平台的健康数据采集和分析系统 |
EP3370175A1 (en) * | 2017-03-03 | 2018-09-05 | Linde Aktiengesellschaft | Method for providing a wearable device, method for predicting an acute exacerbation and system for predicting an acute exacerbation |
CN108461156A (zh) * | 2018-02-02 | 2018-08-28 | 重庆艾维迪生物科技有限公司 | 一种基于物联网的慢病管控方法及其装置、系统 |
CN109584977A (zh) * | 2018-08-21 | 2019-04-05 | 广东博云公共平台网络科技有限公司 | 一种双网云健康平台及健康数据处理方法 |
CN110570919A (zh) * | 2019-09-23 | 2019-12-13 | 深圳甲田科技有限公司 | 面向慢病人群的健康风险智能监测、预警方法及平台 |
CN112614555A (zh) * | 2020-12-13 | 2021-04-06 | 云南省第一人民医院 | 用于住院老年患者的老年综合征筛查评估及干预的方法 |
CN113488134A (zh) * | 2021-08-25 | 2021-10-08 | 四川省医学科学院·四川省人民医院 | 一种重大疾病医保药物审核与药物治疗管理系统 |
CN113689958A (zh) * | 2021-08-27 | 2021-11-23 | 苏州立威新谱生物科技有限公司 | 一种基于大数据的慢性病病情预测方法、系统及存储介质 |
CN114496248A (zh) * | 2022-01-17 | 2022-05-13 | 北京数字众智科技有限公司 | 一种健康参数预警及通知系统 |
CN114999647A (zh) * | 2022-06-01 | 2022-09-02 | 刘少波 | 一种基于大数据的智慧健康监测方法及系统 |
CN115662653A (zh) * | 2022-07-19 | 2023-01-31 | 皖南医学院 | 一种大数据可视化平台的慢性病风险预警设置与处理方法 |
CN115295141A (zh) * | 2022-08-11 | 2022-11-04 | 西安微媒软件有限公司 | 一种慢性病管理服务系统 |
CN115312205A (zh) * | 2022-10-11 | 2022-11-08 | 四川省医学科学院·四川省人民医院 | 一种单病种临床路径管理系统 |
Non-Patent Citations (1)
Title |
---|
数据驱动的门诊病人流分析与预测研究;何永厚;《中国优秀硕士学位论文全文数据库医药卫生科技辑》(第1期);E053-159 * |
Also Published As
Publication number | Publication date |
---|---|
CN116313132A (zh) | 2023-06-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116313132B (zh) | 一种慢性疾病医疗管理系统 | |
WO2021052031A1 (zh) | 基于统计四分位距的商品库存风险预警方法、系统及计算机可读存储介质 | |
US8868985B2 (en) | Supervised fault learning using rule-generated samples for machine condition monitoring | |
CN110739076A (zh) | 一种医疗人工智能公共训练平台 | |
CN115587893B (zh) | 一种基于互联网金融的期货交易监管系统 | |
CN116628774A (zh) | 一种基于云计算的数据存储完整性监管系统 | |
CN112365361A (zh) | 一种基于规则库的电力计量数据质量体检方法 | |
Kitchenham et al. | Design metrics in practice | |
CN116189866A (zh) | 一种基于数据分析的远程医用护理分析系统 | |
CN113642672A (zh) | 医保数据的特征加工方法、装置、计算机设备及存储介质 | |
CN116541241B (zh) | 基于大数据的术后便携式可穿戴设备运行效率分析系统 | |
CN112216374A (zh) | 一种医疗服务监管方法、装置及设备 | |
CN116777256A (zh) | 一种企业合规管理量化评价系统与方法 | |
CN109034392A (zh) | 一种罗非鱼杂交配套系的选育方法及系统 | |
CN111064616B (zh) | 一种基于区块链的链式感知质量评测系统 | |
Coelho et al. | Detection of neovascularization near the optic disk due to diabetic retinopathy | |
Hermans et al. | Interpretation and visualisation of data from dairy herds | |
CN109376635B (zh) | 一种护理质量考核系统及安全事件上报方法 | |
CN116052404B (zh) | 一种基于5g通信技术的电网数据交互系统 | |
CN117387909B (zh) | 一种医用光学仪器性能检测系统 | |
EP3764295A1 (de) | Identifizieren von ungenutzten servern | |
Edwardes et al. | Quantifying the economic and animal welfare trade-offs of classification models in precision livestock farming for sub-optimal mobility management | |
CN111626586B (zh) | 数据质量检测方法、装置、计算机设备和存储介质 | |
Choi et al. | Multivariate outlier detection of dairy herd testing data | |
CN117727468A (zh) | 一种基于云边协同的健康筛查智能分诊系统 |
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 |