CN116344050B - 一种基于多维度健康管理模型的评测方法 - Google Patents
一种基于多维度健康管理模型的评测方法 Download PDFInfo
- Publication number
- CN116344050B CN116344050B CN202310300168.3A CN202310300168A CN116344050B CN 116344050 B CN116344050 B CN 116344050B CN 202310300168 A CN202310300168 A CN 202310300168A CN 116344050 B CN116344050 B CN 116344050B
- Authority
- CN
- China
- Prior art keywords
- health
- indexes
- abnormal
- index
- patient
- 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
- 230000036541 health Effects 0.000 title claims abstract description 205
- 238000011156 evaluation Methods 0.000 title claims abstract description 24
- 230000002159 abnormal effect Effects 0.000 claims abstract description 121
- 230000005856 abnormality Effects 0.000 claims abstract description 57
- 208000024891 symptom Diseases 0.000 claims abstract description 28
- 230000008859 change Effects 0.000 claims abstract description 18
- 238000004088 simulation Methods 0.000 claims abstract description 12
- 230000004044 response Effects 0.000 claims abstract description 10
- 238000000034 method Methods 0.000 claims abstract description 6
- 201000010099 disease Diseases 0.000 claims description 24
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 24
- 230000002265 prevention Effects 0.000 claims description 18
- 230000010485 coping Effects 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 11
- 238000012360 testing method Methods 0.000 claims description 11
- 238000001514 detection method Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 9
- 238000007477 logistic regression Methods 0.000 claims description 3
- 210000005036 nerve Anatomy 0.000 claims description 3
- 238000010845 search algorithm Methods 0.000 claims description 3
- 239000008280 blood Substances 0.000 description 4
- 210000004369 blood Anatomy 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000036772 blood pressure Effects 0.000 description 2
- HVYWMOMLDIMFJA-DPAQBDIFSA-N cholesterol Chemical compound C1C=C2C[C@@H](O)CC[C@]2(C)[C@@H]2[C@@H]1[C@@H]1CC[C@H]([C@H](C)CCCC(C)C)[C@@]1(C)CC2 HVYWMOMLDIMFJA-DPAQBDIFSA-N 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 description 1
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 235000012000 cholesterol Nutrition 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000006806 disease prevention Effects 0.000 description 1
- 239000008103 glucose Substances 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000009323 psychological health Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001225 therapeutic effect Effects 0.000 description 1
- 230000000007 visual effect Effects 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
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/09—Supervised learning
-
- 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
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
-
- 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
-
- 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)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Epidemiology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Primary Health Care (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明公开了一种基于多维度健康管理模型的评测方法，涉及健康管理技术领域，汇总并建立健康指标数据集，指标存在异常时，分别采集相应的应对方案，建立指标数据集，对健康指标进行预测，在预测值为异常指标时进行标记；基于异常比Yb和症状严重系数的相关性获取异常影响因子Yx，汇总异常比Yb及异常影响因子Yx，生成健康忽视度Hs并输出；依据健康忽视度Hs的变化趋势，健康忽视度Hs超过相应阈值时向外部发出预警信息，输出异常指标；匹配应对方案，对应对方案进行仿真分析，将可行方案及预警信息向患者输出。综合性的对患者当前的健康程度进行评估和判断，在健康忽视度Hs已经超过相应阈值时，及时的向患者发出预警，更具有针对性。
Description
技术领域
本发明涉及健康管理技术领域，具体为一种基于多维度健康管理模型的评测方法。
背景技术
健康管理是指一系列的健康促进、疾病预防、诊断、治疗和康复措施，以及管理个人和组织健康相关的数据和信息的过程。它旨在维护和提高人们的身体和心理健康水平，同时降低患病和伤害的风险，提高生活质量。
现有的健康管理是多维度，在患者身体有恙或者正处于康复阶段时，为了使对患者的健康评价更加准确，通常还会在获取到若干个健康指标，构建患者的健康管理模型，结合管理模型对患者的健康状态进行评测。
但是，现有的基于健康管理模型评测方法中，更多的是将患者的多个健康指标综合在一起，整体性的进行健康评测，在患者身体处于非健康状态时，不易对患者的病症进行溯源，不方便针对性的进行应对及治疗，难以对患者的治疗或康复起到指导作用。
为此，提供了一种基于多维度健康管理模型的评测方法。
发明内容
(一)解决的技术问题
针对现有技术的不足，本发明提供了一种基于多维度健康管理模型的评测方法，通过汇总并建立健康指标数据集，指标存在异常时，分别采集相应的应对方案，建立指标数据集，对健康指标进行预测，在预测值为异常指标时进行标记；基于异常比Yb和症状严重系数的相关性获取异常影响因子Yx，汇总异常比Yb及异常影响因子Yx，生成健康忽视度Hs并输出；依据健康忽视度Hs的变化趋势，健康忽视度Hs超过相应阈值时向外部发出预警信息，输出异常指标；匹配应对方案，对应对方案进行仿真分析，将可行方案及预警信息向患者输出。综合性的对患者当前的健康程度进行评估和判断，在健康忽视度Hs已经超过相应阈值时，及时的向患者发出预警，更具有针对性，解决了背景技术中提出的问题。
(二)技术方案
为实现以上目的，本发明通过以下技术方案予以实现：一种基于多维度健康管理模型的评测方法，包括，依据线性搜索从网络渠道检索健康指标，汇总并建立健康指标数据集，当健康指标存在异常时，依据指标类别分别采集相应的应对方案，所述应对方案至少包括：预防方案、治疗方案及康复方案，汇总后建立应对方案库；
对患者进行周期性检测并汇总建立指标数据集，以构建的预测模型对健康指标进行预测，并在获取的预测值为异常指标时，对该异常指标进行标记并对其变化趋势可视化处理；
依据现有患者的病症信息生成症状严重系数，并结合当前异常指标超过警戒阈值的比例确定异常比Yb，基于异常比Yb和症状严重系数的相关性获取异常影响因子Yx，汇总异常比Yb及异常影响因子Yx，生成健康忽视度Hs并输出；
获取若干个健康忽视度Hs，依据健康忽视度Hs的变化趋势，在当前健康忽视度Hs或者预测值超过相应阈值时向外部发出预警信息，并在获取预警信息后，输出若干个健康指标中的异常指标；
获取一个或多个异常指标，依据相似度从应对方案库中匹配应对方案，在构建病症数字孪生模型后，对匹配出的应对方案进行仿真分析，如果应对方案可行，则将该方案及预警信息向患者输出。
进一步的，基于线性搜索算法搭建线性搜索模型，在经过样本数据的训练和测试后，从网络渠道选取与身体健康相关的健康指标；在健康指标的值超过相应阈值时，获取与之相应的病症及导致该因素异常的原因，汇总健康指标、异常原因及相应病症，构建健康指标数据集。
进一步的，基于神经卷积算法构建指标分类器，从健康指标数据集中选择部分数据作为样本数据，对指标分类器进行训练和测试后，将指标分类器输出；结合病症间的相应性，以指标分类器将若干个健康指标分类为多个类别，并将各个指标类别输出；依据线性搜索模型，从网络渠道中至少获取到在健康指标存在异常时，常规性的康复方案、治疗方案以及预防方案，汇总后，建立应对方案库。
进一步的，引导患者利用检测设备或者体检设备对自身的健康指标进行周期性检测，获取到健康数据，汇总了若干种检测数据后，建立指标数据集；基于监督学习算法构建预测模型，在训练和测试后，对指标数据集中的一种或者多种健康指标数据的变化趋势进行预测，获取若干个指标数据预测值；
判断出若干个指标数据预测值中是否存在大于警戒阈值的部分，如果存在，将该指标数据标记异常指标；获取该异常指标的历史数据和预测数据，依据逻辑回归，对其变化趋势进行可视化，并对其变化趋势进行追踪。
进一步的，以健康指标数据集中的健康指标为检索词，依据线性搜索模型从网络数据中检索若干个患者及病症信息，汇总建立患者库；依据患者的治疗花费，将花费额度归一化至区间0,1内，生成症状严重系数。
进一步的，分别获取若干个患者的健康指标中的异常指标，依据该异常指标超过警戒阈值的比例确定异常比Yb；获取若干个患者的症状严重系数及健康指标的异常比Yb，汇总后建立患者病症影响数据集；依据多重线性回归分析模型分析症状严重系数及健康指标的异常比Yb之间的相关性，判断各个健康指标对患者健康的影响程度，依据判断结果输出相应的异常影响因子Yx。
进一步的，由检测设备对当前患者的健康指标进行检测，如果若干个健康指标中存在异常指标，确定其异常比Yb；分别获取患者的若干个健康指标的异常影响因子Yx，及相应的异常比Yb，关联后汇总形成健康忽视度Hs；健康忽视度Hs的形成方式如下：
其中，参数的意义为：0≤α≤1，0≤β≤1，且α2+β2＝1，α、β为权重，其具体值可由用户调整设置；n为异常指标的数量，取值为正整数；为异常指标的异常比Yb的历史平均值；/>为异常指标的异常影响因子Yx的历史平均值。
进一步的，沿着时间轴获取若干个健康忽视度Hs，基于健康忽视度Hs的变化趋势，在进行函数拟合后输出Hs拟合函数，并通过Hs拟合函数对健康忽视度Hs进行预测，输出忽视度预测值；在当前健康忽视度Hs或者忽视度预测值中超过阈值时，在若干个健康指标中，判断出其中异常影响因子Yx或异常比Yb超过相应阈值的健康指标，并将相应的指标标记为异常指标。
进一步的，获取一个或者多个异常指标，判断是否在若干个识指标类别中出现，如果出现过，且异常指标为当前值，依据相似性模型优先从应对方案库中匹配治疗方案；如果异常指标为预测值，依据相似性模型优先从应对方案库中匹配预防方案。
进一步的，基于健康指标数据集构建病症数字孪生模型，存在异常指标时，对病症数字孪生模型的相应指标进行替换，对治疗方案或者预防方案进行仿真分析，判断治疗方案或者预防方案是否有效；如果有效，则确定为有效方案，将有效方案及异常指标结合预警信息，向患者发出；如果无效，将异常指标结合预警信息，向患者发出。
(三)有益效果
本发明提供了一种基于多维度健康管理模型的评测方法，具备以下有益效果：
基于健康忽视度Hs将多个已经产生异常的健康指标综合在一起，综合性的对患者当前的健康程度进行评估和判断，在健康忽视度Hs已经超过相应阈值时，及时的向患者发出预警，提醒患者采取相应的措施，维护自身的健康，该评估方式是建立在健康指标的异常程度及影响程度的基础上，更具有针对性。
确定出这些健康指标中的发生异常的部分，将之标记为异常指标，在经过评估并判断患者存在不健康情况时，对患者的病症进行溯源，确定出对患者健康影响较大的一种或者多种健康指标，从而方便针对性的进行应对及治疗。
在从若干个异常参数中确定出异常指标后，依据相似性模型从应对方案库中匹配应对方案，并且结合仿真分析对输出的应对方案进行模拟测试，验证应对方案的有效性，并将有效方案、预警信息及异常指标一并的输出；在此条件下，基于健康忽视度Hs对患者的健康进行评价后，确定导致患者不健康的原因，并且输出应对方案，从而在对完成患者健康的评价后，针对该评价结果给出相应性的指导性建议，增加评价的有效性和安全性。
附图说明
图1为本发明多维度健康管理模型的评测方法流程示意图；
图2为本发明健康忽视度构成示意图；
具体实施方式
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做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例
请参阅图1-2，本发明提供一种基于多维度健康管理模型的评测方法，包括如下步骤：
步骤一、依据线性搜索从网络渠道检索健康指标，汇总并建立健康指标数据集，当健康指标存在异常时，依据指标类别分别采集相应的应对方案，所述应对方案至少包括：预防方案、治疗方案及康复方案，汇总后建立应对方案库；
所述步骤一包括如下内容：
步骤101、基于线性搜索算法搭建线性搜索模型，在经过样本数据的训练和测试后，从公开渠道，也即是网络渠道选取与身体健康相关的健康指标；例如说，体重指数、血压、血糖、心率、肺活量、胆固醇等等，健康指标的种类较多，以上是其中比较具有代表性一部分；
在健康指标产生异常时，也即该指标的值超过相应阈值时，获取与之相应的病症及导致该因素异常的原因；汇总以上健康指标、异常原因及相应病症，构建健康指标数据集；从而对患者当前的病症状态进行表征和描述，必要时，也能够向客户匹配相对应的应对方案；
步骤102、基于神经卷积算法构建指标分类器，从健康指标数据集中选择部分数据作为样本数据，对指标分类器进行训练和测试后，将指标分类器输出；结合病症间的相应性，以指标分类器将若干个健康指标分类为多个类别，并将各个指标类别输出；
步骤103、依据线性搜索模型，从网络渠道中至少获取到在健康指标存在异常时，常规性的康复方案、治疗方案以及预防方案；例如说，在人体的血糖过高时，检索获取相关的治疗方案，在血糖相对较高时，为了避免其进一步的升高，获取相应的预防方案，在患者经过了相应的治疗后，需要进行休养和康复，此时，则获取相应的康复方案；汇总后，建立应对方案库；从而在健康指标异常时，能够进行应对。
使用时，结合步骤201至203中的内容：
在采集健康指标及构建应对方案库的基础上，判断若干个健康指标中是否存在异常指标，如果存在，则基于异常指标的异常程度，为患者从应对方案库中选择不同的应对方案，比如说，异常指标的异常程度低时，向患者推荐预防方案或者预防方案，在异常程度高的时候，向患者推荐治疗方案。
步骤二、对患者进行周期性检测并汇总建立指标数据集，通过构建的预测模型对健康指标进行预测，并在获取的预测值为异常指标时，对该异常指标进行标记并对其变化趋势可视化处理；
所述步骤二包括如下内容：
步骤201、引导患者利用检测设备或者体检设备对自身的健康指标进行周期性检测，获取到健康数据，例如说，每天一次的测量自身的血糖和血压，汇总了若干种检测数据后，建立指标数据集；
基于监督学习算法构建预测模型，在训练和测试后，对指标数据集中的一种或者多种健康指标数据的变化趋势进行预测，获取若干个指标数据预测值；
使用时，在预测模型的基础上，对健康指标的变化进行预测和分析，获取指标数据预测值，从而对患者接下来的病症情况进行预测；
步骤202、判断出若干个指标数据预测值中是否存在大于警戒阈值的部分，如果存在，将该指标数据标记异常指标；获取该异常指标的历史数据和预测数据，依据逻辑回归，对其变化趋势进行可视化，并对其变化趋势进行追踪；
使用时，结合步骤201及202中的内容：
在获取指标数据集的基础上建立指标预测模型，从而对健康指标数据的变化趋势进行预测，判断健康指标是否会产生异常，筛选出其中的异常指标，在健康指标初处于异常状态或者即将处于异常状态时，能够及时进行处理，避免患者的身体状态进一步的恶化，保证患者的安全性。
步骤三、依据现有患者的病症信息生成症状严重系数，并结合当前异常指标超过警戒阈值的比例确定异常比Yb，基于异常比Yb和症状严重系数的相关性获取异常影响因子Yx，汇总异常比Yb及异常影响因子Yx，生成健康忽视度Hs并输出；
所述步骤三包括如下内容：
步骤301、以健康指标数据集中的健康指标为检索词，依据线性搜索模型从网络数据中检索若干个患者及病症信息，汇总建立患者库；依据患者的治疗花费，将花费额度归一化至区间0,1内，生成症状严重系数；从而对患者病症的严重性进行评价，而且以花费额度对患者的病症的严重程度形成表征也更加有客观性；
步骤302、分别获取若干个患者的健康指标中的异常指标，依据该异常指标超过警戒阈值的比例确定异常比Yb；获取若干个患者的症状严重系数及健康指标的异常比Yb，汇总后建立患者病症影响数据集；此时，以异常比Yb对异常指标的异常程度进行描述；
步骤303、依据多重线性回归分析模型分析症状严重系数及健康指标的异常比Yb之间的相关性，判断各个健康指标对患者健康的影响程度，依据判断结果输出相应的异常影响因子Yx；从而对不同的健康指标在产生异常时，对患者的健康的影响程度进行形容，对其重要性形成判断；
步骤304、由检测设备对当前患者的健康指标进行检测，如果若干个健康指标中存在异常指标，确定其异常比Yb；分别获取患者的若干个健康指标的异常影响因子Yx，及相应的异常比Yb，关联后汇总形成健康忽视度Hs；
其中，健康忽视度Hs的形成方式如下：
其中，参数的意义为：0≤α≤1，0≤β≤1，且α2+β2＝1，α、β为权重，其具体值可由用户调整设置；n为异常指标的数量，取值为正整数；为异常指标的异常比Yb的历史平均值；/>为异常指标的异常影响因子Yx的历史平均值。
使用时，结合步骤301至304中的内容：
在形成异常比Yb、异常影响因子Yx的基础上生成健康忽视度Hs，基于健康忽视度Hs将多个已经产生异常的健康指标综合在一起，综合性的对患者当前的健康程度进行评估和判断，在健康忽视度Hs已经超过相应阈值时，及时的向患者发出预警，提醒患者采取相应的措施，维护自身的健康，而且该评估方式是建立在健康指标的异常程度及影响程度的基础上，综合性更好，也更具有针对性。
步骤四、获取若干个健康忽视度Hs，依据健康忽视度Hs的变化趋势，在当前健康忽视度Hs或者预测值超过相应阈值时向外部发出预警信息，并在获取预警信息后，输出若干个健康指标中的异常指标；
所述步骤四包括如下内容：
步骤401、沿着时间轴获取若干个健康忽视度Hs，基于健康忽视度Hs的变化趋势，在进行函数拟合后输出Hs拟合函数，并通过Hs拟合函数对健康忽视度Hs进行预测，输出忽视度预测值；在接下来的三个预测周期中，如果忽视度预测值超过相应阈值，则发出预警信息；
步骤402、在当前健康忽视度Hs或者忽视度预测值中超过阈值时，在若干个健康指标中，判断出其中异常影响因子Yx或异常比Yb超过相应阈值的健康指标，并将相应的指标标记为异常指标；
使用时，结合步骤401至402中的内容：
依据Hs拟合函数对健康忽视度Hs进行预测，在健康忽视度Hs的当前值或预测值存在异常时，再次确定出这些健康指标中的发生异常的部分，将之标记为异常指标，再又一次的确定出异常指标后，在经过评估并判断患者存在不健康情况时，对患者的病症进行溯源，确定出对患者健康影响较大的一种或者多种健康指标，从而方便针对性的进行应对及治疗，减少治疗成本。
步骤五、获取一个或多个异常指标，依据相似度从应对方案库中匹配应对方案，在构建病症数字孪生模型后，对匹配出的应对方案进行仿真分析，如果应对方案可行，则将该方案及预警信息向患者输出；
所述步骤五包括如下内容：
步骤501、获取一个或者多个异常指标，判断是否在若干个识指标类别中出现，如果出现过，且异常指标为当前值，依据相似性模型优先从应对方案库中匹配治疗方案；如果异常指标为预测值，依据相似性模型优先从应对方案库中匹配预防方案；
在确定了异常指标后，在构建的应对方案库的基础上，快速的为患者匹配出应对方案，例如说，治疗方案、康复方案或者预防方案。
步骤502、基于健康指标数据集构建病症数字孪生模型，存在异常指标时，对病症数字孪生模型的相应指标进行替换，对治疗方案或者预防方案进行仿真分析，判断治疗方案或者预防方案是否有效；
如果有效，则确定为有效方案，将有效方案及异常指标结合预警信息，向患者发出；如果无效，将异常指标结合预警信息，向患者发出。此时，在病症数字孪生模型的基础上，对匹配出的方案进行分析和判断，确认推荐的应对方案是否有效。
使用时，结合步骤501及502中的内容：
在从若干个异常参数中确定出异常指标后，依据相似性模型从应对方案库中匹配应对方案，并且结合仿真分析对输出的应对方案进行模拟测试，验证应对方案的有效性，并将有效方案、预警信息及异常指标一并的输出；在此条件下，基于健康忽视度Hs对患者的健康进行评价后，确定导致患者不健康的原因，并且输出应对方案，从而在对完成患者健康的评价后，针对该评价结果给出相应性的指导性建议，进一步的增加评价的有效性和安全性。
上述实施例，可以全部或部分地通过软件、硬件、固件或其他任意组合来实现。当使用软件实现时，上述实施例可以全部或部分地以计算机程序产品的形式实现。本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。
Claims (4)
1.一种基于多维度健康管理模型的评测方法，其特征在于：包括，
依据线性搜索从网络渠道检索健康指标，汇总并建立健康指标数据集，当健康指标存在异常时，依据指标类别分别采集相应的应对方案，所述应对方案至少包括：预防方案、治疗方案及康复方案，汇总后建立应对方案库；
对患者进行周期性检测并汇总建立指标数据集，以构建的预测模型对健康指标进行预测，并在获取的预测值为异常指标时，对该异常指标进行标记并对其变化趋势可视化处理；
依据现有患者的病症信息生成症状严重系数，并结合当前异常指标超过警戒阈值的比例确定异常比Yb，基于异常比Yb和症状严重系数的相关性获取异常影响因子Yx，汇总异常比Yb及异常影响因子Yx，生成健康忽视度Hs并输出；
获取若干个健康忽视度Hs，依据健康忽视度Hs的变化趋势，在当前健康忽视度Hs或者预测值超过相应阈值时向外部发出预警信息，并在获取预警信息后，输出若干个健康指标中的异常指标；
获取一个或多个异常指标，依据相似度从应对方案库中匹配应对方案，在构建病症数字孪生模型后，对匹配出的应对方案进行仿真分析，如果应对方案可行，则将该方案及预警信息向患者输出；基于线性搜索算法搭建线性搜索模型，在经过样本数据的训练和测试后，从网络渠道选取与身体健康相关的健康指标；在健康指标的值超过相应阈值时，获取与之相应的病症及导致该因素异常的原因，汇总健康指标、异常原因及相应病症，构建健康指标数据集；
基于神经卷积算法构建指标分类器，从健康指标数据集中选择部分数据作为样本数据，对指标分类器进行训练和测试后，将指标分类器输出；结合病症间的相应性，以指标分类器将若干个健康指标分类为多个类别，并将各个指标类别输出；
依据线性搜索模型，从网络渠道中至少获取到在健康指标存在异常时，常规性的康复方案、治疗方案以及预防方案，汇总后，建立应对方案库；
引导患者利用检测设备或者体检设备对自身的健康指标进行周期性检测，获取到健康数据，汇总了若干种检测数据后，建立指标数据集；基于监督学习算法构建预测模型，在训练和测试后，对指标数据集中的一种或者多种健康指标数据的变化趋势进行预测，获取若干个指标数据预测值；
判断出若干个指标数据预测值中是否存在大于警戒阈值的部分，如果存在，将该指标数据标记异常指标；获取该异常指标的历史数据和预测数据，依据逻辑回归，对其变化趋势进行可视化，并对其变化趋势进行追踪；以健康指标数据集中的健康指标为检索词，依据线性搜索模型从网络数据中检索若干个患者及病症信息，汇总建立患者库；依据患者的治疗花费，将花费额度归一化至区间【0，1】内，生成症状严重系数；分别获取若干个患者的健康指标中的异常指标，依据该异常指标超过警戒阈值的比例确定异常比Yb；获取若干个患者的症状严重系数及健康指标的异常比Yb，汇总后建立患者病症影响数据集；依据多重线性回归分析模型分析症状严重系数及健康指标的异常比Yb之间的相关性，判断各个健康指标对患者健康的影响程度，依据判断结果输出相应的异常影响因子Yx；
由检测设备对当前患者的健康指标进行检测，如果若干个健康指标中存在异常指标，确定其异常比Yb；分别获取患者的若干个健康指标的异常影响因子Yx，及相应的异常比Yb，关联后汇总形成健康忽视度Hs；健康忽视度Hs的形成方式如下：；其中，参数的意义为：/>，且/>，/>为权重，其具体值可由用户调整设置；n为异常指标的数量，取值为正整数；/>为异常指标的异常比Yb的历史平均值；/>为异常指标的异常影响因子Yx的历史平均值。
2.根据权利要求1所述的一种基于多维度健康管理模型的评测方法，其特征在于：
沿着时间轴获取若干个健康忽视度Hs，基于健康忽视度Hs的变化趋势，在进行函数拟合后输出Hs拟合函数，并通过Hs拟合函数对健康忽视度Hs进行预测，输出忽视度预测值；在当前健康忽视度Hs或者忽视度预测值中超过阈值时，在若干个健康指标中，判断出其中异常影响因子Yx或异常比Yb超过相应阈值的健康指标，并将相应的指标标记为异常指标。
3.根据权利要求2所述的一种基于多维度健康管理模型的评测方法，其特征在于：
获取一个或者多个异常指标，判断是否在若干个识指标类别中出现，如果出现过，且异常指标为当前值，依据相似性模型优先从应对方案库中匹配治疗方案；如果异常指标为预测值，依据相似性模型优先从应对方案库中匹配预防方案。
4.根据权利要求3所述的一种基于多维度健康管理模型的评测方法，其特征在于：
基于健康指标数据集构建病症数字孪生模型，存在异常指标时，对病症数字孪生模型的相应指标进行替换，对治疗方案或者预防方案进行仿真分析，判断治疗方案或者预防方案是否有效；如果有效，则确定为有效方案，将有效方案及异常指标结合预警信息，向患者发出；如果无效，将异常指标结合预警信息，向患者发出。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310300168.3A CN116344050B (zh) | 2023-03-27 | 2023-03-27 | 一种基于多维度健康管理模型的评测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310300168.3A CN116344050B (zh) | 2023-03-27 | 2023-03-27 | 一种基于多维度健康管理模型的评测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116344050A CN116344050A (zh) | 2023-06-27 |
| CN116344050B true CN116344050B (zh) | 2023-10-10 |
Family
ID=86885280
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310300168.3A Active CN116344050B (zh) | 2023-03-27 | 2023-03-27 | 一种基于多维度健康管理模型的评测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116344050B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116705337B (zh) * | 2023-08-07 | 2023-10-27 | 山东第一医科大学第一附属医院(山东省千佛山医院) | 一种健康数据采集及智能分析方法 |
| CN117253616B (zh) * | 2023-11-17 | 2024-01-30 | 深圳市健怡康医疗器械科技有限公司 | 一种神经内科康复程度评价方法及系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103544397A (zh) * | 2013-10-30 | 2014-01-29 | 江苏万全科技有限公司 | 人体的生理健康指标数据进行汇总分析预警的方法 |
| CN104750902A (zh) * | 2014-11-07 | 2015-07-01 | 东北大学 | 基于多输出支持向量回归机的铁水质量多元动态软测量方法 |
| CN114496164A (zh) * | 2022-01-24 | 2022-05-13 | 生科(广东)数字化医疗科技有限公司 | 一种糖尿病的数字化管理方法 |
| CN115691746A (zh) * | 2022-10-26 | 2023-02-03 | 浙江绿丝带润锦健康管理有限公司 | 一种基于健康档案的机体评估管理系统 |
-
2023
- 2023-03-27 CN CN202310300168.3A patent/CN116344050B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103544397A (zh) * | 2013-10-30 | 2014-01-29 | 江苏万全科技有限公司 | 人体的生理健康指标数据进行汇总分析预警的方法 |
| CN104750902A (zh) * | 2014-11-07 | 2015-07-01 | 东北大学 | 基于多输出支持向量回归机的铁水质量多元动态软测量方法 |
| CN114496164A (zh) * | 2022-01-24 | 2022-05-13 | 生科(广东)数字化医疗科技有限公司 | 一种糖尿病的数字化管理方法 |
| CN115691746A (zh) * | 2022-10-26 | 2023-02-03 | 浙江绿丝带润锦健康管理有限公司 | 一种基于健康档案的机体评估管理系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116344050A (zh) | 2023-06-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116344050B (zh) | 一种基于多维度健康管理模型的评测方法 | |
| WO2010005656A2 (en) | Brain condition assessment | |
| CN116779190B (zh) | 一种基于物联网的医疗平台用户随访管理系统及方法 | |
| CN114999629A (zh) | 一种基于多特征融合的ad早期预测方法、系统、装置 | |
| CN114639478B (zh) | 一种基于心脏瓣膜病的超声监测系统 | |
| Schwab et al. | A deep learning approach to diagnosing multiple sclerosis from smartphone data | |
| CN112641451A (zh) | 基于单通道脑电信号多尺度残差网络睡眠分期方法及系统 | |
| CN115602325A (zh) | 一种基于多模型算法的慢性病风险评估方法及其系统 | |
| CN116864104A (zh) | 基于人工智能的慢性血栓栓塞性肺动脉高压风险分级系统 | |
| CN111951924A (zh) | 一种异常用药行为检测方法及系统 | |
| CN117133464B (zh) | 一种老年人健康智能监测系统及监测方法 | |
| CN114864086A (zh) | 一种基于肺功能报告模板的疾病预测方法 | |
| US11471113B2 (en) | Determination of health status of systems equipped with sensors | |
| CN114628033A (zh) | 疾病风险预测方法、装置、设备及存储介质 | |
| CN116864062B (zh) | 一种基于互联网的健康体检报告数据分析管理系统 | |
| Kalogiannis et al. | Geriatric group analysis by clustering non-linearly embedded multi-sensor data | |
| CN112768074A (zh) | 一种基于人工智能的重疾风险预测方法及系统 | |
| CN117116475A (zh) | 缺血性脑卒中的风险预测方法、系统、终端及存储介质 | |
| CN116453641A (zh) | 一种中医辅助分析信息的数据处理方法及系统 | |
| CN111081374A (zh) | 基于共同注意力范式的孤独症辅助诊断装置 | |
| CN113887335B (zh) | 基于多尺度时空层级网络的跌倒风险实时评估系统和方法 | |
| Poh et al. | Anomaly detection for home activity based on sequence pattern | |
| Chen et al. | Decision Tree and Hierarchical Cluster Analysis based on Leigh Solves the Problem of Intelligent Diagnosis of Alzheimer's Disease by Time Series Model | |
| CN116019429B (zh) | 基于生理指标的健康监测方法、装置、设备及存储介质 | |
| Long et al. | Predicting daily physical activity in a lifestyle intervention program |
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 |