CN116313158A - 患者安全esb业务数据的监测方法、装置及系统 - Google Patents
患者安全esb业务数据的监测方法、装置及系统 Download PDFInfo
- Publication number
- CN116313158A CN116313158A CN202310193056.2A CN202310193056A CN116313158A CN 116313158 A CN116313158 A CN 116313158A CN 202310193056 A CN202310193056 A CN 202310193056A CN 116313158 A CN116313158 A CN 116313158A
- Authority
- CN
- China
- Prior art keywords
- data
- item
- disease
- checked
- information
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000012544 monitoring process Methods 0.000 title claims abstract description 21
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 102
- 201000010099 disease Diseases 0.000 claims abstract description 92
- 238000003745 diagnosis Methods 0.000 claims abstract description 62
- 238000001514 detection method Methods 0.000 claims abstract description 60
- 238000013075 data extraction Methods 0.000 claims abstract description 8
- 208000024891 symptom Diseases 0.000 claims description 54
- 238000007689 inspection Methods 0.000 claims description 21
- 238000012549 training Methods 0.000 claims description 17
- 238000007781 pre-processing Methods 0.000 claims description 10
- 238000013528 artificial neural network Methods 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 8
- 238000012216 screening Methods 0.000 claims description 7
- 238000013500 data storage Methods 0.000 claims description 6
- 238000012163 sequencing technique Methods 0.000 claims description 6
- 230000004927 fusion Effects 0.000 claims description 5
- 238000003860 storage Methods 0.000 claims description 5
- 238000012512 characterization method Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 238000004519 manufacturing process Methods 0.000 claims description 3
- 238000009825 accumulation Methods 0.000 claims description 2
- 208000037919 acquired disease Diseases 0.000 claims description 2
- 238000000605 extraction Methods 0.000 claims description 2
- 230000010354 integration Effects 0.000 claims description 2
- 238000012806 monitoring device Methods 0.000 claims description 2
- 208000035475 disorder Diseases 0.000 description 9
- 230000000694 effects Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 210000000653 nervous system Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000750 progressive 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
- G16H80/00—ICT specially adapted for facilitating communication between medical practitioners or patients, e.g. for collaborative diagnosis, therapy or health monitoring
-
- 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
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/20—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the management or administration of healthcare resources or facilities, e.g. managing hospital staff or surgery rooms
-
- 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
-
- 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
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Pathology (AREA)
- Business, Economics & Management (AREA)
- General Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明涉及数据监测技术领域，尤其涉及患者安全ESB业务数据的监测方法、装置及系统，包括以下步骤：S1、获取病症诊断结果数据；S2、根据病症诊断结果数据初步确定所需要检查的项目类型P，具体步骤为：S21、病症诊断结果数据的输入；病症诊断结果数据包括多种预诊断结果；S22、数据提取；在医疗数据库中提取每种预诊断结果对应的所需要检查项目类型数据包e。本发明通过对所需要检查的项目类型和已完成检查项目数据的初步比对，并对初步结果输入至病症必要检测项目模型中进行检测并做出具体判断，从而实现对病患的待检查的项目的监测，从而对患者进行及时的提醒，避免了治疗的延误，比对的过程，运算步骤少，更加精准。
Description
技术领域
本发明涉及数据监测技术领域，尤其涉及患者安全ESB业务数据的监测方法、装置及系统。
背景技术
医院服务总线，即ESB全称为Enterprise Service Bus，指的是传统中间件技术与XML、Web服务等技术结合的产物。ESB提供了网络中最基本的连接中枢，是构筑企业神经系统的必要元素；
业务数据在医院系统中，检查项目是由医生根据患者的症状做出病因预判开出的，但是，检查项目是否完全做完的数据是无法做出监测的，且现有的检查项目的数据监测方式多将患者的直接在数据库中进行搜索，数据反馈的过程，数据的处理过多，这就造成了检索数据不精准，同时，未做项目得不到及时的反馈，患者也不能对未做项目进行甄别是否是必要的项目，短时间内在检查项目上的选择上，也没有依据，造成治疗上的延误。
发明内容
针对现有技术的不足，本发明提供了患者安全ESB业务数据的监测方法、装置及系统，解决了多相电表检测准确性不高且检测效率低的技术问题，达到了基于电表误差补偿的基础上，提高了多相电表检测准确性及效率的目的。
为解决上述技术问题，本发明提供了如下技术方案：患者安全ESB业务数据的监测方法、装置及系统，包括以下步骤：
S1、获取病症诊断结果数据；
S2、根据病症诊断结果数据初步确定所需要检查的项目类型P，具体步骤为：
S21、病症诊断结果数据的输入；病症诊断结果数据包括多种预诊断结果；
S22、数据提取；在医疗数据库中提取每种预诊断结果对应的所需要检查项目类型数据包e,每个所需要检查项目类型数据包e均包括多种具体的医疗检查项目；
S23、数据融合；将S22中所有的所需要检查项目类型数据包e包含的具体的医疗检查项目进行融合，形成预医疗检查项目集；
S24、数据合并；对预医疗检查项目集内重复的医疗检查项目进行合并，重复的医疗检查项目只保留一个，最终形成所需要检查的项目类型P；
S25、数据输出；
S3、获取检查项目数据M；根据医生开出的所需要检查的项目类型P，患者进行一系列的检查，每完成一项检查项目，进行数据上传更新，形成已完成检查项目数据M；
S4、所需要检查的项目类型P和已完成检查项目数据M的初步比对；
若所需要检查的项目类型P等于或小于已完成检查项目数据M，则结束；
若所需要检查的项目类型P大于已完成检查项目数据M，并形成疑似未完成检查项目集合Q，并进入下一步；
S5、将S4比对结果输入至病症必要检测项目模型中进行检测并做出具体判断，具体判断检查项目是否遗漏；
对疑似未完成检查项目集合Q内的未完成检测项目进行排序，并逐个的输入至检测模型进行判断，直至结束；
判断未完成检查项目是否未完成检查项目为必要检查项目；
若不是，则结束；
若是，则输出发出输出问询提醒弹窗；弹窗内容为两个选项，选项一为：已做并有效，选项二为：漏做；
若收到已做并有效的信号，则结束，
若未做，则将改项未完成检测项目计入遗漏检查项目列表，并进行下一未完成检测项目的判断；所有未完成检测项目的判断后进行下一步；
S6、数据输出，输出遗漏检查项目列表。
优选的，所述病症必要检测项目模型的具体构建步骤如下：
S51、获取数据库中存储的病症必要检测项目样本；
S52、根据随机划分法将病症必要检测项目样本集划分为训练集和测试集；
S53、将训练集输入补偿模糊神经网络进行训练，直至循环迭代至预定的期望误差为止；
S54、将测试集输入训练后的补偿模糊神经网络进行测试，以获得基于补偿模糊神经网络的病症必要检测项目模型。
优选的，在S1之前，通过将患者信息输入到构建症状-病症模型中，辅助得到获取的患者病症诊断结果；
包括一下步骤：
S01、获取待治疗患者的症状信息，症状信息包括关键信息和次要信息；
S02、对上述所获取的症状信息预处理获得关键信息，预处理包括对关键信息的分类、次要信息筛除；
S03、从医疗数据库中提取若干份与关键信息相似的数据作为疑似病症数据；
S04、将若干份疑似病症数据与待治疗患者的关键信息进行初步比对获得多个病症待选结果；
S05、计算病症待选结果与待治疗患者关键信息的重合度H；
S06、根据每个病症待选结果相对应的重合度H分别与预设阈值对比，得出最接近的若干个病症待选结果；
S07、将若干个病症待选结果按照数值大小由高到低依次排序，得出的最大值即为与待治疗患者关键信息最相似的目标病症诊断结果；
S08、将目标病症诊断结果发送至终端。
优选的，所述症状-病症模型的具体构建步骤如下：
S11、数据输入，根据病人的各种症状的表现种类和表现程度进行数据输入，表现选项进行的项目数能够自主学习补充，症状程度分为Ⅰ、Ⅱ、Ⅲ、Ⅳ四个等级，分别对应轻微、中等、强烈和剧烈的症状表征；
S12、数据比对，将表现种类和表现程度的数据的输入到表现-病因模型，得出由各种疑似病因的病因优选集；
S13、做出病症诊断，将完成比对后的病因优选集中作为选项弹出，医生选择相应的选项，或重新建立诊断结果，且该诊断结果作为表现-病因训练集进入到S12中的表现-病因模型进行训练。
优选的，S05中，计算字符重合度H的重合度，具体包括以下步骤：
G1：设置用于进行关键词比对的配置表，所述配置表包括数据比对步骤和比对内容信息，比对内容信息为关键信息内提取的医疗相关的专业术语构成比对信息库，其关键词总数为计为Z；
G2：将采用TF-IDF算法提取症状种类和症状强度逐一输入比对信息库内查找；
若关键词落在比对信息库内，则计数1；
若关键词落在比对信息库内，则不计数；
G3：将G2中逐一比对的关键词T落在比对信息库内所有的数量累计得到总数B；
G4：根据落在比对信息库内所有的数量累计得到符合总数B并通过公式计算出字符重合度H：
S52、计算图像的总重合度：
根据图像集B内图像信息的所有图像重合度得到图像特征T并计算病症待选结果的图像总重合度。
优选的，步骤S06中字符重合度H的比对步骤为：
S61：确定需要的病症待选结果Y数量为S，并设有S个数量的初选位，初选位排列呈一排；
S62：通过公式计算重合度H与阈值差
的绝对值ΔHn
S63：将第二个病症待选结果Y的绝对值ΔH2与ΔH1进行大小比较：
若ΔH2>ΔH1时，则第二个病症待选结果Y落在初选位的第一位，第一个病症待选结果Y则移至第二位；
若ΔH2<ΔH1时，则第二个病症待选结果Y直接落在第二位；
S64：当计算≤S个病症待选结果Y时，病症待选结果Y的绝对值ΔHS-按照步骤S63得出的病症待选结果Y的绝对值逐一比对并按照大小依次落在初选位内；
S65：当计算≥S个病症待选结果Y时，计算出病症待选结果Y的绝对值ΔHS+先与初选位内最后一位病症待选结果Y的绝对值进行大小对比：
若ΔHS+>初选位内最后一位病症待选结果Y的绝对值时，则直接筛除最后一位目标治疗数据，并按照步骤S64在逐一比较落在初选位相应位置上；
若ΔHS+<初选位内最后一位病症待选结果Y的绝对值时，则直接筛除该组数据；
S66：提取初选位内的数据做为目标病症诊断结果。
患者安全ESB业务数据的监测方法的系统，包括：
获取模块，所述获取模块用于获取待治疗患者的症状信息，症状信息包括关键信息和次要信息，从而获取病症诊断结果数据；
预处理模块，所述预处理模块用于对上述所获取的病症诊断结果数据预处理，包括对必要信息的数据提取、数据融合和数据合并，并获得所需要检查的项目类型P；
整合模块，所述整合模块用于患者已完成检查项目的数据整合，形成已完成检查项目数据M；
比对模块，所述比对模块用于所需要检查的项目类型P和已完成检查项目数据M的数据比对，获取疑似未完成检查项目集合Q；
判断模块，所述判断模块用于判断疑似未完成检查项目集合Q中的各项是否为遗漏项；
发送模块，所述发送模块用于将遗漏检查项目列表发送至终端。
患者安全ESB业务数据的监测装置，包括：信息获取设备、信息处理器、数据存储设备和移动端：
所述信息获取设备用于医院平台提供的初始待治疗患者的所需要检查的项目类型P和已完成检查项目数据M，并将所需要检查的项目类型P和已完成检查项目数据M输送至信息处理器中；
所述信息处理器接收所需要检查的项目类型P和已完成检查项目数据M数据，并进行查的项目类型P和已完成检查项目数据M的初步比对，并初步比对结果输入至病症必要检测项目模型中进行检测并做出具体判断；
所述数据存储设备，用于获取病症诊断结果数据的获得过程中每种预诊断结果对应的所需要检查项目类型数据包的存储和提取，病症必要检测项目模型的数据包，所需要检查的项目类型P和已完成检查项目数据M的数据存储和提取；
所述移动端用于接收和查看信息处理器所发送的数据。
借由上述技术方案，本发明提供了患者安全ESB业务数据的监测方法、装置及系统，至少具备以下有益效果：
1、本发明通过对所需要检查的项目类型和已完成检查项目数据的初步比对，并对初步结果输入至病症必要检测项目模型中进行检测并做出具体判断，从而实现对病患的待检查的项目的监测，从而对患者进行及时的提醒，避免了治疗的延误，比对的过程，运算步骤少，更加精准；
2、本发明通过对未做的医疗项目进行是否为必要检测项目进行判断，从而为患者做出判断，提升了信息提醒的必要性，也更加精准；
3、本发明通过获取病症诊断结果数据的过程中构建构建症状-病症模型，从而通过患者的症状信息来辅助医生完成病症的诊断结果的做出，避免医生遗漏备选病因，增强了提醒作用，进一步的提升了患者就医的精准性。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为本发明临床数据的检索方法的流程图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。借此对本申请如何应用技术手段来解决技术问题并达成技术功效的实现过程能充分理解并据以实施。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、光学存储器等)上实施的计算机程序产品的形式。
实施例一
请参照图1，患者安全ESB业务数据的监测方法、装置及系统，包括以下步骤：
S1、获取病症诊断结果数据，病症诊断结果数据为医生对患者具体病症的诊断结果，医生将预诊断结果进行数据输入；包括a1、a2和a3，
S2、根据病症诊断结果数据初步确定所需要检查的项目类型P，具体步骤为：
S21、病症诊断结果数据的输入；病症诊断结果数据包括多种预诊断结果，a1、a2和a3；
S22、数据提取；在医疗数据库中提取每种预诊断结果对应的所需要检查项目类型数据包e,每个所需要检查项目类型数据包e均包括多种具体的医疗检查项目；
a1、a2和a3对应所需要检查项目类型数据包e1、e2和e3,
e1内包括具体的检查项目a、b、c；
e2内包括具体的检查项目a；
E3内包括具体的检查项目a、b、c、d；
S23、数据融合；将S22中所有的所需要检查项目类型数据包e包含的具体的医疗检查项目进行融合，形成预医疗检查项目集；(a、a、a、b、b、c、c、d)；
S24、数据合并；对预医疗检查项目集内重复的医疗检查项目进行合并，重复的医疗检查项目只保留一个，最终形成所需要检查的项目类型P(a、b、c、d)；
S25、数据输出，所需要检查的项目类型P(a、b、c、d)；
S3、获取检查项目数据M；根据医生开出的所需要检查的项目类型P，患者进行一系列的检查，每完成一项检查项目，进行数据上传更新，形成已完成检查项目数据M(a、b、c)；
S4、所需要检查的项目类型P(a、b、c、d)和已完成检查项目数据M(a、b、c)的初步比对；
所需要检查的项目类型P(a、b、c、d)大于已完成检查项目数据M(a、b、c)，形成疑似未完成检查项目集合Q(d)，并进入下一步；
S5、将S4比对结果输入至病症必要检测项目模型中进行检测并做出具体判断，具体判断检查项目是否遗漏；
对疑似未完成检查项目集合Q内的未完成检测项目进行排序，并逐个的输入至检测模型进行判断，直至结束；
判断未完成检查项目是否未完成检查项目为必要检查项目；
若不是，则结束；
若是，则输出发出输出问询提醒弹窗；弹窗内容为两个选项，选项一为：已做并有效，选项二为：漏做；
若收到已做并有效的信号，则结束，
若未做，则将改项未完成检测项目计入遗漏检查项目列表，并进行下一未完成检测项目的判断；所有未完成检测项目的判断后进行下一步；
S6、数据输出，输出遗漏检查项目列表。
病症必要检测项目模型的具体构建步骤如下：
S51、获取数据库中存储的病症必要检测项目样本；
S52、根据随机划分法将病症必要检测项目样本集划分为训练集和测试集；
S53、将训练集输入补偿模糊神经网络进行训练，直至循环迭代至预定的期望误差为止；
S54、将测试集输入训练后的补偿模糊神经网络进行测试，以获得基于补偿模糊神经网络的病症必要检测项目模型.
实施例二
与实施例一基本相同，在S1之前，通过将患者信息输入到构建症状-病症模型中，辅助得到获取的患者病症诊断结果；
包括一下步骤：
S01、获取待治疗患者的症状信息，症状信息包括关键信息和次要信息；
S02、对上述所获取的症状信息预处理获得关键信息，预处理包括对关键信息的分类、次要信息筛除；
S03、从医疗数据库中提取若干份与关键信息相似的数据作为疑似病症数据；
S04、将若干份疑似病症数据与待治疗患者的关键信息进行初步比对获得多个病症待选结果；
S05、计算病症待选结果与待治疗患者关键信息的重合度H；
S06、根据每个病症待选结果相对应的重合度H分别与预设阈值对比，得出最接近的若干个病症待选结果；
S07、将若干个病症待选结果按照数值大小由高到低依次排序，得出的最大值即为与待治疗患者关键信息最相似的目标病症诊断结果；
S08、将目标病症诊断结果发送至终端。
实施例三
与实施例一基本相同，进一步的，症状-病症模型的具体构建步骤如下：
S11、数据输入，根据病人的各种症状的表现种类和表现程度进行数据输入，表现选项进行的项目数能够自主学习补充，症状程度分为Ⅰ、Ⅱ、Ⅲ、Ⅳ四个等级，分别对应轻微、中等、强烈和剧烈的症状表征；
S12、数据比对，将表现种类和表现程度的数据的输入到表现-病因模型，得出由各种疑似病因的病因优选集；
S13、做出病症诊断，将完成比对后的病因优选集中作为选项弹出，医生选择相应的选项，或重新建立诊断结果，且该诊断结果作为表现-病因训练集进入到S12中的表现-病因模型进行训练。
症状-病症模型的具体构建步骤如下：
S11、数据输入，根据病人的各种症状的表现种类和表现程度进行数据输入，表现选项进行的项目数能够自主学习补充，症状程度分为Ⅰ、Ⅱ、Ⅲ、Ⅳ四个等级，分别对应轻微、中等、强烈和剧烈的症状表征；
S12、数据比对，将表现种类和表现程度的数据的输入到表现-病因模型，得出由各种疑似病因的病因优选集；
S13、做出病症诊断，将完成比对后的病因优选集中作为选项弹出，医生选择相应的选项，或重新建立诊断结果，且该诊断结果作为表现-病因训练集进入到S12中的表现-病因模型进行训练。
通过获取病症诊断结果数据的过程中构建构建症状-病症模型，从而通过患者的症状信息来辅助医生完成病症的诊断结果的做出，避免医生遗漏备选病因，增强了提醒作用，进一步的提升了患者就医的精准性。
本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。对于以上各实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上实施方式对本发明进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
Claims (8)
1.患者安全ESB业务数据的监测方法，其特征在于，包括以下步骤：
S1、获取病症诊断结果数据；
S2、根据病症诊断结果数据初步确定所需要检查的项目类型P，具体步骤为：
S21、病症诊断结果数据的输入；病症诊断结果数据包括多种预诊断结果；
S22、数据提取；在医疗数据库中提取每种预诊断结果对应的所需要检查项目类型数据包e,每个所需要检查项目类型数据包e均包括多种具体的医疗检查项目；
S23、数据融合；将S22中所有的所需要检查项目类型数据包e包含的具体的医疗检查项目进行融合，形成预医疗检查项目集；
S24、数据合并；对预医疗检查项目集内重复的医疗检查项目进行合并，重复的医疗检查项目只保留一个，最终形成所需要检查的项目类型P；
S25、数据输出；
S3、获取检查项目数据M；根据医生开出的所需要检查的项目类型P，患者进行一系列的检查，每完成一项检查项目，进行数据上传更新，形成已完成检查项目数据M；
S4、所需要检查的项目类型P和已完成检查项目数据M的初步比对；
若所需要检查的项目类型P等于或小于已完成检查项目数据M，则结束；
若所需要检查的项目类型P大于已完成检查项目数据M，并形成疑似未完成检查项目集合Q，并进入下一步；
S5、将S4比对结果输入至病症必要检测项目模型中进行检测并做出具体判断，具体判断检查项目是否遗漏；
对疑似未完成检查项目集合Q内的未完成检测项目进行排序，并逐个的输入至检测模型进行判断，直至结束；
判断未完成检查项目是否未完成检查项目为必要检查项目；
若不是，则结束；
若是，则输出发出输出问询提醒弹窗；弹窗内容为两个选项，选项一为：已做并有效，选项二为：漏做；
若收到已做并有效的信号，则结束，
若未做，则将改项未完成检测项目计入遗漏检查项目列表，并进行下一未完成检测项目的判断；所有未完成检测项目的判断后进行下一步；
S6、数据输出，输出遗漏检查项目列表。
2.根据权利要求1所述的患者安全ESB业务数据的监测方法，其特征在于，所述病症必要检测项目模型的具体构建步骤如下：
S51、获取数据库中存储的病症必要检测项目样本；
S52、根据随机划分法将病症必要检测项目样本集划分为训练集和测试集；
S53、将训练集输入补偿模糊神经网络进行训练，直至循环迭代至预定的期望误差为止；
S54、将测试集输入训练后的补偿模糊神经网络进行测试，以获得基于补偿模糊神经网络的病症必要检测项目模型。
3.根据权利要求2所述的患者安全ESB业务数据的监测方法，其特征在于，在S1之前，通过将患者信息输入到构建症状-病症模型中，辅助得到获取的患者病症诊断结果；
包括一下步骤：
S01、获取待治疗患者的症状信息，症状信息包括关键信息和次要信息；
S02、对上述所获取的症状信息预处理获得关键信息，预处理包括对关键信息的分类、次要信息筛除；
S03、从医疗数据库中提取若干份与关键信息相似的数据作为疑似病症数据；
S04、将若干份疑似病症数据与待治疗患者的关键信息进行初步比对获得多个病症待选结果；
S05、计算病症待选结果与待治疗患者关键信息的重合度H；
S06、根据每个病症待选结果相对应的重合度H分别与预设阈值对比，得出最接近的若干个病症待选结果；
S07、将若干个病症待选结果按照数值大小由高到低依次排序，得出的最大值即为与待治疗患者关键信息最相似的目标病症诊断结果；
S08、将目标病症诊断结果发送至终端。
4.根据权利要求3所述的患者安全ESB业务数据的监测方法，其特征在于，所述症状-病症模型的具体构建步骤如下：
S11、数据输入，根据病人的各种症状的表现种类和表现程度进行数据输入，表现选项进行的项目数能够自主学习补充，症状程度分为Ⅰ、Ⅱ、Ⅲ、Ⅳ四个等级，分别对应轻微、中等、强烈和剧烈的症状表征；
S12、数据比对，将表现种类和表现程度的数据的输入到表现-病因模型，得出由各种疑似病因的病因优选集；
S13、做出病症诊断，将完成比对后的病因优选集中作为选项弹出，医生选择相应的选项，或重新建立诊断结果，且该诊断结果作为表现-病因训练集进入到S12中的表现-病因模型进行训练。
5.根据权利要求3所述的患者安全ESB业务数据的监测方法，其特征在于，S05中，计算字符重合度H的重合度，具体包括以下步骤：
G1：设置用于进行关键词比对的配置表，所述配置表包括数据比对步骤和比对内容信息，比对内容信息为关键信息内提取的医疗相关的专业术语构成比对信息库，其关键词总数为计为Z；
G2：将采用TF-IDF算法提取症状种类和症状强度逐一输入比对信息库内查找；
若关键词落在比对信息库内，则计数1；
若关键词落在比对信息库内，则不计数；
G3：将G2中逐一比对的关键词T落在比对信息库内所有的数量累计得到总数B；
G4：根据落在比对信息库内所有的数量累计得到符合总数B并通过公式计算出字符重合度H：
S52、计算图像的总重合度：
根据图像集B内图像信息的所有图像重合度得到图像特征T并计算病症待选结果的图像总重合度。
6.根据权利要求3所述的患者安全ESB业务数据的监测方法，其特征在于，步骤S06中字符重合度H的比对步骤为：
S61：确定需要的病症待选结果Y数量为S，并设有S个数量的初选位，初选位排列呈一排；
S62：通过公式计算重合度H与阈值差
的绝对值ΔHn
S63：将第二个病症待选结果Y的绝对值ΔH2与ΔH1进行大小比较：
若ΔH2>ΔH1时，则第二个病症待选结果Y落在初选位的第一位，第一个病症待选结果Y则移至第二位；
若ΔH2<ΔH1时，则第二个病症待选结果Y直接落在第二位；
S64：当计算≤S个病症待选结果Y时，病症待选结果Y的绝对值ΔHS-按照步骤S63得出的病症待选结果Y的绝对值逐一比对并按照大小依次落在初选位内；
S65：当计算≥S个病症待选结果Y时，计算出病症待选结果Y的绝对值ΔHS+先与初选位内最后一位病症待选结果Y的绝对值进行大小对比：
若ΔHS+>初选位内最后一位病症待选结果Y的绝对值时，则直接筛除最后一位目标治疗数据，并按照步骤S64在逐一比较落在初选位相应位置上；
若ΔHS+<初选位内最后一位病症待选结果Y的绝对值时，则直接筛除该组数据；
S66：提取初选位内的数据做为目标病症诊断结果。
7.一种用于实现上述权利要求1-6任一项的患者安全ESB业务数据的监测方法的系统，其特征在于，包括：
获取模块，所述获取模块用于获取待治疗患者的症状信息，症状信息包括关键信息和次要信息，从而获取病症诊断结果数据；
预处理模块，所述预处理模块用于对上述所获取的病症诊断结果数据预处理，包括对必要信息的数据提取、数据融合和数据合并，并获得所需要检查的项目类型P；
整合模块，所述整合模块用于患者已完成检查项目的数据整合，形成已完成检查项目数据M；
比对模块，所述比对模块用于所需要检查的项目类型P和已完成检查项目数据M的数据比对，获取疑似未完成检查项目集合Q；
判断模块，所述判断模块用于判断疑似未完成检查项目集合Q中的各项是否为遗漏项；
发送模块，所述发送模块用于将遗漏检查项目列表发送至终端。
8.一种用于实现上述权利要求1-6任一项的患者安全ESB业务数据的监测装置，其特征在于，包括：信息获取设备、信息处理器、数据存储设备和移动端：
所述信息获取设备用于医院平台提供的初始待治疗患者的所需要检查的项目类型P和已完成检查项目数据M，并将所需要检查的项目类型P和已完成检查项目数据M输送至信息处理器中；
所述信息处理器接收所需要检查的项目类型P和已完成检查项目数据M数据，并进行查的项目类型P和已完成检查项目数据M的初步比对，并初步比对结果输入至病症必要检测项目模型中进行检测并做出具体判断；
所述数据存储设备，用于获取病症诊断结果数据的获得过程中每种预诊断结果对应的所需要检查项目类型数据包的存储和提取，病症必要检测项目模型的数据包，所需要检查的项目类型P和已完成检查项目数据M的数据存储和提取；
所述移动端用于接收和查看信息处理器所发送的数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310193056.2A CN116313158A (zh) | 2023-03-02 | 2023-03-02 | 患者安全esb业务数据的监测方法、装置及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310193056.2A CN116313158A (zh) | 2023-03-02 | 2023-03-02 | 患者安全esb业务数据的监测方法、装置及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116313158A true CN116313158A (zh) | 2023-06-23 |
Family
ID=86823442
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310193056.2A Pending CN116313158A (zh) | 2023-03-02 | 2023-03-02 | 患者安全esb业务数据的监测方法、装置及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116313158A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116884592A (zh) * | 2023-09-06 | 2023-10-13 | 江苏海王健康生物科技有限公司 | 一种基于大数据分析医疗信息筛选方法及系统 |
| CN117196077A (zh) * | 2023-09-21 | 2023-12-08 | 深圳市环阳通信息技术有限公司 | 一种基于互联网的协助挂号诊断系统 |
-
2023
- 2023-03-02 CN CN202310193056.2A patent/CN116313158A/zh active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116884592A (zh) * | 2023-09-06 | 2023-10-13 | 江苏海王健康生物科技有限公司 | 一种基于大数据分析医疗信息筛选方法及系统 |
| CN116884592B (zh) * | 2023-09-06 | 2023-11-28 | 江苏海王健康生物科技有限公司 | 一种基于大数据分析医疗信息筛选方法及系统 |
| CN117196077A (zh) * | 2023-09-21 | 2023-12-08 | 深圳市环阳通信息技术有限公司 | 一种基于互联网的协助挂号诊断系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116313158A (zh) | 患者安全esb业务数据的监测方法、装置及系统 | |
| CN111782472B (zh) | 系统异常检测方法、装置、设备及存储介质 | |
| US8037533B2 (en) | Detecting method for network intrusion | |
| US7562067B2 (en) | Systems and methods for estimating functional relationships in a database | |
| CN112633601B (zh) | 疾病事件发生概率的预测方法、装置、设备及计算机介质 | |
| US20230148321A1 (en) | Method for artificial intelligence (ai) model selection | |
| CN103365829A (zh) | 信息处理装置、信息处理方法和程序 | |
| JP5764942B2 (ja) | 情報照合装置、情報照合システム、情報照合方法および情報照合プログラム | |
| CN112116168B (zh) | 一种用户行为的预测方法、装置及电子设备 | |
| CN110251122A (zh) | 一种冠心病风险指数的无损检测系统及方法 | |
| CN117290462B (zh) | 一种数据大模型的智能决策系统及方法 | |
| CN111522743B (zh) | 一种基于梯度提升树支持向量机的软件缺陷预测方法 | |
| CN117290719B (zh) | 基于数据分析的巡检管理方法、装置及存储介质 | |
| CN117057942B (zh) | 一种智能财务决策大数据分析系统 | |
| CN114416573A (zh) | 一种应用程序的缺陷分析方法、装置、设备及介质 | |
| CN110084423A (zh) | 一种基于局部相似性的链路预测方法 | |
| Murillo-Morera et al. | Software Fault Prediction: A Systematic Mapping Study. | |
| Becker et al. | Rough set theory in the classification of loan applications | |
| CN116189909B (zh) | 基于推举算法的临床医学判别方法及系统 | |
| CN110855519A (zh) | 一种网络流量预测方法 | |
| CN113392086B (zh) | 基于物联网的医疗数据库构建方法、装置及设备 | |
| Tan et al. | Automated wafer defect map generation for process yield improvement | |
| CN116069674B (zh) | 一种用于等级测评的安全评估方法及系统 | |
| CN117954036B (zh) | 基于大数据的健康管理方法及系统 | |
| CN116661954B (zh) | 虚拟机异常预测方法、装置、通信设备及存储介质 |
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 |