CN116344073A - 一种慢性患者终身跟踪随访管理方法和系统 - Google Patents
一种慢性患者终身跟踪随访管理方法和系统 Download PDFInfo
- Publication number
- CN116344073A CN116344073A CN202310617479.2A CN202310617479A CN116344073A CN 116344073 A CN116344073 A CN 116344073A CN 202310617479 A CN202310617479 A CN 202310617479A CN 116344073 A CN116344073 A CN 116344073A
- Authority
- CN
- China
- Prior art keywords
- patient
- information
- state
- follow
- account
- 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.)
- Granted
Links
- 238000007726 management method Methods 0.000 title claims abstract description 36
- 230000001684 chronic effect Effects 0.000 title claims abstract description 29
- 238000000034 method Methods 0.000 claims abstract description 21
- 238000003745 diagnosis Methods 0.000 claims abstract description 15
- 238000005259 measurement Methods 0.000 claims description 92
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 41
- 201000010099 disease Diseases 0.000 claims description 37
- 230000000153 supplemental effect Effects 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 4
- 208000017667 Chronic Disease Diseases 0.000 abstract description 11
- 230000000737 periodic effect Effects 0.000 abstract description 4
- 238000006243 chemical reaction Methods 0.000 abstract description 2
- 230000008859 change Effects 0.000 description 22
- 238000004590 computer program Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 9
- 230000000875 corresponding effect Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000003062 neural network model Methods 0.000 description 7
- 208000024891 symptom Diseases 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 206010020772 Hypertension Diseases 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 229940079593 drug Drugs 0.000 description 3
- 239000003814 drug Substances 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 208000029078 coronary artery disease Diseases 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 206010012601 diabetes mellitus Diseases 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000012797 qualification Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000013515 script Methods 0.000 description 2
- 239000013589 supplement Substances 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000009509 drug development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000005180 public health Effects 0.000 description 1
- 210000002966 serum Anatomy 0.000 description 1
- 230000001502 supplementing 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
- 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
- G16H50/30—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
- 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)
- Medical Informatics (AREA)
- Public Health (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明涉及一种慢性患者终身跟踪随访管理方法和系统,所述方法包括:通过患者终端创建随访患者账号;每个账号均具有四个状态:稳定状态、就诊状态、关注状态、初始状态;所述随访服务器基于大数据信息以及患者的历史患者信息和当前患者信息确定是否将账号状态切换为就诊状态;在就诊状态时适时的提醒患者及时就诊。本发明基于多元账号状态对患者的终身随访进行管理,通过对账号状态转换的适时和实时触发,打破传统的周期性就诊等固化随访方式,提供了基于慢病管理模式的适应性的跟踪随访,提高了患者体验,提高了跟踪随访效率。
Description
技术领域
本发明属于智慧医疗技术领域,尤其涉及一种慢性患者终身跟踪随访管理方法和系统。
背景技术
近年来对着科学技术的发展,信息技术的日益推广,使得医院对于信息的智能化管理需求不断提高。医疗大数据也已经被广泛应用于临床决策支持、药物研发等方面。
随着人口日趋老龄化,慢性病正在严重危害着人类的生命健康,已成为全球范围内的重大公共卫生问题。慢性病全称是慢性非传染性疾病,它不是特指某种疾病,而是对一类起病隐匿、病因复杂、病程长且病情迁延不愈,且有些尚未完全被认识的概括性总称,从而使得慢性病患者的治疗信息存在较长周期、且信息复杂,因此,对于慢性病人信息跟踪管理具有重要意义。高血压、冠心病与糖尿病是中老年人患病最多的几种常见慢性病,据估计目前全国高血压患者至少2亿,糖尿病患者达9200万,并以每年300万的速度递增,冠心病患者超过1000万人,今后每年将以20%的速度增加。将导致严重的社会、经济及健康负担。慢病患者为了控制病情及减轻疾病症状,往往需要长期按照医嘱服用药物,而药物漏服,特别是对于需要控制慢病发展的患者影响极大,更容易加剧病情发展,引起相关并发症的产生。
目前的跟踪随访主要有四种方式:人工随访、书信或电邮、电话与短信与社区移动随访方式。传统的随访方式主要依靠专职的随访人员以人工方式与病人进行沟通,定期或不定期的收集随访结果,并对随访记录进行相关的分类与归档。对移动设备的使用目的也是利用互联网进行信息的传送,减少了随访资料的人工整理,但还是依赖人工上门逐一了解情况,并未利用计算机、人工智能、大数据计数进行数据分析和有效利用。
现有技术中的这些跟踪随访方式主要依赖随访医生进行人工的周期性的跟踪随访、或者患者出现严重病症的情况下触发的,人工工作量巨大、耗时耗力,不能称之为有效的慢病管理模式。基于上述问题,本发明基于多元账号状态对患者的终身随访进行管理,通过对账号状态转换的适时和实时触发,打破传统的周期性就诊等固化随访方式,提供了基于慢病管理模式的适应性的跟踪随访,提高了患者体验,提高了跟踪随访效率。
发明内容
为了解决现有技术中的上述问题,本发明提出了一种慢性患者终身跟踪随访管理方法和系统,所述方法包含:
步骤S1:患者通过患者终端创建随访患者账号;每个账号均具有四个状态:稳定状态、就诊状态、关注状态、初始状态;获取患者信息,患者信息包括患者的基本信息、病症信息和治疗信息;在创建账号后设置账号状态为初始状态;
步骤S2:判断当前患者的治疗信息是否达到稳定,如果是,则将最新的、和患者的病症信息匹配的、且正在被患者使用的治疗信息作为当前治疗信息;将账号状态切换为稳定状态;
步骤S3:当患者账号处于稳定状态或关注状态时,患者终端以对应的采集条件采集患者的病症信息和/或治疗信息,进行预处理后上传给随访服务器,所述随访服务器接收并更新保存病症信息和/或治疗信息;
步骤S4:所述随访服务器基于大数据信息以及患者的历史患者信息和当前患者信息确定是否将账号状态切换为就诊状态,如果是,则进入步骤S5;进一步判断是否将账号状态切换为关注状态,如果是,则进入步骤S6;否则,保持当前账号和采集条件和账号状态不变;进入步骤S3等待采集条件满足时进行患者信息的采集;
所述步骤S4具体包括如下步骤:
步骤S41:判断病症信息中的主要测量参数是否偏离正常范围,如果是,则将账号状态切换为就诊状态,并进入步骤S5;否则,进入下一步骤;
步骤S42:基于大数据信息以及患者的历史患者信息和当前患者信息确定病症信息中主要测量参数和/或主要测量参数组合的主要预测值;
步骤S43:基于大数据信息以及历史患者信息和当前患者信息确定病症信息中次要测量参数和次要测量参数组合的次要预测值;
其中:是主要预测值;/>是次要预测值;/>是当前时间t到之间的最近T时间长度范围内的补充测量参数或补充测量参数组合;其中:是调整系数;/>和/>是调整系数编号;/>是正常范围内的较佳范围;是正常范围内的较佳范围或正常范围;P1,P2,P3分别是主、次、补充预测分量;/>和是用于确定预测准确度/>的过程参数变量;
步骤S45:若预测准确度P超过第一准确度阈值;则将账号状态切换为就诊状态,若预测准确度位于第一准确度阈值和第二准确度阈值之间,则将账号状态切换为关注状态;否则,进入下一步骤;
步骤S46:保持当前账号和采集条件和账号状态不变;返回步骤S3等待采集条件再次满足;
步骤S5:将患者账号状态切换为就诊状态;随访服务器向患者终端发送提醒消息以提示患者进行就诊以确定是否需要改变治疗信息;患者终端获取新的治疗信息后进入步骤S2;
步骤S6:将患者账号状态切换为关注状态或者保持关注状态不变;判断保持关注状态不变的次数是否超过关注次数上限,如果是,则将账号状态从关注状态切换为稳定状态;并进入步骤S3。
进一步的,在初始状态下设置采集条件为初始采集条件。
进一步的,所述患者账号是唯一标识。
进一步的,关注状态相对于稳定状态来说,其采集条件中的采集频率高,采集数据范围大。
一种慢性患者终身跟踪随访管理系统,包括:患者终端、随访服务器、机构服务器、医生终端;所述系统用于实现上述慢性患者终身跟踪随访管理方法。
进一步的,所述随访服务器为大数据服务器、所述机构服务器为云服务器。
一种慢性患者终身跟踪随访管理平台,包括处理器,所述处理器和存储器耦合,所述存储器存储有程序指令,当所述存储器存储的程序指令被所述处理器执行时实现所述的慢性患者终身跟踪随访管理方法。
一种计算机可读存储介质,包括程序,当其在计算机上运行时,使得计算机执行所述的慢性患者终身跟踪随访管理方法。
一种慢性患者终身跟踪随访管理装置,所述装置被配置为执行所述的慢性患者终身跟踪随访管理方法。
本发明的有益效果包括:
(1)基于账号状态转换对患者的终身随访进行管理;对病症信息涉及的测量参数进行主、次、补充的区分,通过基于主要测量参数及其组合以及次要测量参数和次要测量参数及其组合的预测准确度计算,对账号状态转换的适时和实时触发提供基础,打破传统的周期性就诊等固化随访方式, 提高了跟踪随访效率;
(2)提出基于连续数据匹配筛选目标大数据信息形成对当前患者数据的补充,并进一步通过权重拟合的方式运用大数据合理的补充了当前患者的病症数据,为拟合形成基于时间的患者个性化主要测量参数曲线及其预测值的量化计算提供了数据基础;
(3)基于测量参数组合充分挖掘大数据中的有效信息,从而能够对应的设置关注状态做潜在提醒管理;设置基于短数据轨迹的人工智能模型来处理大数据信息,从而能够得到广泛的样本来训练人工智能模型并得到准确的次要预测值,本发明能够发现患者信息中存在的潜在问题,为随访管理提供新的存在意义。
附图说明
此处所说明的附图是用来提供对本发明的进一步理解,构成本申请的一部分,但并不构成对本发明的不当限定,在附图中:
图1为本发明提供的慢性患者终身跟踪随访管理方法示意图。
具体实施方式
下面将结合附图以及具体实施例来详细说明本发明,其中的示意性实施例以及说明仅用来解释本发明,但并不作为对本发明的限定通过。
本发明提出一种慢性患者终身跟踪随访管理方法和系统,如附图1所示,所述方法包括如下步骤:
步骤S1:患者通过患者终端创建随访患者账号;每个账号均具有四个状态:稳定状态、就诊状态、关注状态、初始状态;获取患者信息,患者信息包括患者的基本信息、病症信息和治疗信息等;在创建账号后设置账号状态为初始状态;其中:稳定状态表示患者病症信息和治疗信息之间达到匹配;就诊状态表示治疗信息和患者病症信息之间大概率不匹配,需要就诊以达到寻找新的匹配;而关注状态表示治疗信息和患者病症之间存在出现不匹配的可能,需要进行关注;
优选的:在初始状态下设置采集条件为初始采集条件;
优选的:所述患者账号是唯一标识;基本信息包括姓名、性别、身高、体重等;病症信息包括患者疾病及其测量参数;测量参数包括主要测量参数及其主要测量参数组合、次要测量参数以及次要测量参数组合、补充测量参数以及补充测量参数组合;治疗信息包括和所述病症相对应的治疗信息,包括:用药信息、治疗计划、康复计划、采集条件等;
其中:主要测量参数是表征病症的主要指标,当多个测量参数共同构成主要指标时就构成主要测量参数组合;次要测量参数或次要测量参数组合是在主要测量参数或主要测量参数组合发生变化时,会随之发生有效变化或实质变化的测量参数或测量参数组合;有效变化是参数的变化范围超过预设百分比值的变化;实质变化是变化程度存在医学指征的变化;补充测量参数是在主要测量参数发生变化时,会发生变化但非有效变化、有效而非实质性变化、在连续的多次测量时发生过有效变化、或发生变化但非有效变化且变化方向和主要测量参数一致的测量参数;在不采用大数据进行病症信息分析处理时,现有技术中往往仅仅考虑主要测量参数,但是在大数据的加持下,可以通过一些原来不会选用的次要参数来发现可能会发生的潜在问题,并通过量化的方式表述出来,从而进一步的挖掘潜在信息;
优选的:采用有限状态机对所述四个状态进行管理;
优选的:将患者账号和其基本信息、病症信息和治疗信息关联存储;
步骤S2:判断当前患者的治疗信息是否达到稳定,如果是,则将最新的、和患者的病症信息匹配的、且正在被患者使用的治疗信息作为当前治疗信息;将账号状态切换为稳定状态;
其中:和患者的病症信息匹配的治疗信息应当是患者在使用后病症信息在要求时间范围内病症信息满足合格条件时所采用的治疗信息;达到稳定的治疗信息是患者在使用后病症信息在要求的稳定时间范围内病症信息一直满足合格条件时所采用的治疗信息;因此,用户在未进入或未重新进入新的稳定状态时,其患者信息和治疗信息都是可以持续上传的,处于非稳定状态的短轨迹信息也能够辅助后续的状态改变决策;
步骤S3:当患者账号处于稳定状态或关注状态时,患者终端以对应的采集条件采集患者的病症信息和/或治疗信息,进行预处理后上传给随访服务器,所述随访服务器接收并更新保存病症信息和/或治疗信息;
优选的:所述采集条件包括采集时机和采集数据范围;采集时机包括周期性采集、实时采集、按治疗信息中的计划采集等;采集的数据范围包括全部采集、部分采集等;
优选的:将所采集的信息按照时间顺序和用户账号关联存储;在进行信息采集时,如果用户采用的治疗信息不变,可以不进行治疗信息的重复采集;
优选的:所述采集的信息是患者在治疗信息的计划下,由患者终端的提醒下完成的、或患者主动完成并上传的;例如:针对高血压来说,采集的信息包括体重、血压、血清指标等中的一个或其组合;
所述对患者信息进行预处理后发送给随访服务器,具体为:所述预处理为去除患者信息中的无效数据和矛盾数据;进一步的,还包括:判断患者信息相对于最近一次上传给随访服务器的患者信息是否发生有效改变,如果是,则发送给随访服务器;否则,仅在患者终端保存所述采集的信息;
判断是否发生有效改变,具体为:若存在一项或多项信息发生改变,则确定所述一项或多项信息的改变值是否小于和所述信息项对应的改变阈值,如果是,则确定未发生改变,否则,确定为发生改变;也就是说,用于判断的改变阈值是多个,分别和用于判断的一项或多项信息相对应;
步骤S4:所述随访服务器基于大数据信息以及患者的历史患者信息和当前患者信息确定是否将账号状态切换为就诊状态,如果是,则进入步骤S5;进一步判断是否将账号状态切换为关注状态,如果是,则进入步骤S6;否则,保持当前账号和采集条件和账号状态不变;进入步骤S3等待采集条件满足时进行患者信息的采集;
所述步骤S4具体包括如下步骤:
步骤S41:判断病症信息中的主要测量参数是否偏离正常范围,如果是,则将账号状态切换为就诊状态,并进入步骤S5;否则,进入下一步骤;
优选的:主要测量参数为一个或多个;针对每项主要测量参数设置对应的正常范围;
步骤S42:基于大数据信息以及患者的历史患者信息和当前患者信息确定病症信息中主要测量参数和/或主要测量参数组合的主要预测值;
所述步骤S42具体包括如下步骤:
步骤S421:将大数据信息中和当前患者的基本信息相同或相似的患者作为目标患者;获取目标患者的病症信息;
步骤S422:获取目标患者和当前患者的病症信息中的主要测量参数和/或主要测量参数组合数据;将目标患者的主要测量参数和/或主要测量参数组合数据向当前患者主要测量参数和/或主要测量参数组合数据在时间上对齐后进行拟合以得到主要拟合函数fpr(t);基于主要拟合函数得到主要测量参数和/或主要测量参数组合数据的主要预测值;
所述步骤S422具体为:依次获取一目标患者进行处理;若所述目标患者的病症信息中存在一段连续的U个主要测量参数和/或主要测量参数组合数据,和当前患者的病症信息中连续的U个主要测量参数和/或主要测量参数组合数据相同或者相似,则基于所述当前患者U个主要测量参数和/或主要测量参数组合数据的时间对齐所述目标患者的病症信息;并在目标患者的病症信息中以所述U个主要测量参数和/或主要测量参数组合数据为中心,获取长度为2U的主要测量参数和/或主要测量参数组合数据作为目标患者拟合数据;对齐后目标患者的病症信息上就带有时间信息了;执行该步骤直到所有目标患者均处理完毕;
步骤S423:为目标患者的拟合数据设置第一权重,为当前患者的病症信息中的主要测量参数和/或主要测量参数组合数据设置第二权重;且第一权重小于第二权重;混合这两种数据后进行基于时间的拟合以得到主要拟合函数fpr(t); fpr(t)可以视作为当前患者主要测量参数和主要测量参数组合的个性化曲线;
优选的:根据目标患者的数量设置第一权重和第二权重,使得目标患者的数量越大则第一权重相对于第二权重越小;
本发明提出基于连续数据匹配筛选目标大数据信息,并进一步通过权重拟合的方式运用大数据合理的补充了当前患者的病症数据,为拟合形成基于时间的患者个性化主要测量参数曲线及其预测值的量化计算提供了数据基础;
步骤S424:基于主要拟合函数确定病症信息中主要测量参数和/或主要测量参数组合的主要预测值;具体为:基于主要预测值对应的预测时间和主要拟合函数fpr(t)得到主要测量参数和/或主要测量参数组合的主要预测值;
优选的:预测时间是当前时间加上有效预测时间间隔;例如:当前时间加1日;例如:预测时间是根据采集条件约定的下一采集时间;
步骤S43:基于大数据信息以及历史患者信息和当前患者信息确定病症信息中次要测量参数和次要测量参数组合的次要预测值;步骤S43中次要预测值的确定方式和步骤S42中的确定方式相同;
可替换的:所述步骤S43包括如下步骤:
步骤S431:将大数据信息中和当前患者的基本信息相同或相似的患者作为目标患者;获取目标患者在采用和当前患者最新的治疗信息相同的治疗信息时的病症信息作为样本病症信息;
步骤S432:从样本病症信息中抽取短数据轨迹信息作为训练样本,所述短数据轨迹表示为(),短数据轨迹长度为V+1;其中:/>是当前次要测量参数和/或主要测量参数组合数据;/>是过去的前/>位的当前次要测量参数和/或主要测量参数组合数据;/>是次要预测值;
优选的:V是预设值;例如:V=3;
优选的:所述神经网络模型是深度神经网络模型;
优选的;所述神经网络模型是卷积神经网络模型;
步骤S434:将当前患者的病症信息中最近的长度为V的次要测量参数和/或主要测量参数组合数据作为输入,输入到神经网络模型中得到的输出作为次要预测值;
由于次要测量参数的类型较为广泛,自身的指征意义也不是很强烈,因此,可用数据量较大,通过拟合方式可能效果不佳,通过短数据轨迹的人工智能模型能够处理大数据信息,得到广泛的样本并得到准确的次要预测值;当然对于步骤S42来说,其主要预测值的确定方式也可以采用和步骤43中的相同确定方式;
其中:是主要预测值;/>是次要预测值;/>是当前时间t到之间的最近T时间长度范围内的补充测量参数或补充测量参数组合;其中:是调整系数;/>和/>是调整系数编号;也就是说,次要测量参数或次要参数组合的个数为一个或多个;/>是正常范围内的较佳范围;/>是正常范围内的较佳范围或正常范围;P1,P2,P3分别是主、次、补充预测分量;/>和/>是用于确定预测准确度/>的过程参数变量;更加具体的,是用于计算P2和P3的中间过程参数变量;
步骤S45:若预测准确度P超过第一准确度阈值;则将账号状态切换为就诊状态,若预测准确度位于第一准确度阈值和第二准确度阈值之间,则将账号状态切换为关注状态;否则,进入下一步骤;
优选的:第一准确度阈值大于第二准确度阈值;
所述第一准确度阈值为90%,第二准确度阈值为60%;
步骤S46:保持当前账号和采集条件和账号状态不变;返回步骤S3等待采集条件再次满足;
步骤S5:将患者账号状态切换为就诊状态;随访服务器向患者终端发送提醒消息以提示患者进行就诊以确定是否需要改变治疗信息;患者终端获取新的治疗信息后进入步骤S2;
优选的:在就诊状态中,患者终端向机构服务器发送就诊请求;机构服务器为患者安排就诊,并就所安排的就诊和医生终端做协商,在协商完成后,机构服务器基于协商结果向患者终端发送就诊同意响应;患者终端在接到就诊同意响应后进行就诊;
步骤S6:将患者账号状态切换为关注状态或者保持关注状态不变;判断保持关注状态不变的次数是否超过关注次数上限,如果是,则将账号状态从关注状态切换为稳定状态;并进入步骤S3;关注状态相对于稳定状态来说,其采集条件中的采集频率高,采集数据范围大;
基于相同的发明构思,本发明还提供一种慢性患者终身跟踪随访管理系统,所述系统包括:患者终端、随访服务器、机构服务器、医生终端;所述系统用于实现上述慢性患者终身跟踪随访管理方法;
优选的:所述随访服务器为大数据服务器、所述机构服务器为云服务器;
优选的:所述大数据服务器和机构服务器为一个或多个;
优选的:所述患者终端和医生终端为多个;
优选的:所述机构服务器是医疗机构提供的服务器;用于为随访服务器提供大数据信息以及对患者的就诊请求进行协商;
医生终端为医生使用的计算终端,用于和随访服务器进行信息协商;
计算机程序(也被称为程序、软件、软件应用、脚本或代码)能够以编程语言的任何形式来撰写,包括汇编或解释语言、说明或过程性语言,且其可以以任何形式部署,包括作为单机程序或者作为模块、组件、子例程、对象或适于在计算环境中使用的其他单元。计算机程序可以但不必与文件系统中的文件相对应。程序能够存储在保持其他程序或数据(例如存储在标记语言文档中的一个或多个脚本)的文件的一部分中,在专用于所述程序的单个文件中,或者在多个协同文件中(例如,存储一个或多个模块、子例程或代码部分的文件)。计算机程序可以部署为在一个计算机上或位于一个站点或跨多个站点分布且由通信网络互连的多个计算机上执行。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明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,本发明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、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。
Claims (10)
1.一种慢性患者终身跟踪随访管理方法,其特征在于,所述方法包含:
步骤S1:患者通过患者终端创建随访患者账号;每个账号均具有四个状态:稳定状态、就诊状态、关注状态、初始状态;获取患者信息,患者信息包括患者的基本信息、病症信息和治疗信息;在创建账号后设置账号状态为初始状态;
步骤S2:判断当前患者的治疗信息是否达到稳定,如果是,则将最新的、和患者的病症信息匹配的、且正在被患者使用的治疗信息作为当前治疗信息;将账号状态切换为稳定状态;
步骤S3:当患者账号处于稳定状态或关注状态时,患者终端以对应的采集条件采集患者的病症信息和/或治疗信息,进行预处理后上传给随访服务器,所述随访服务器接收并更新保存病症信息和/或治疗信息;
步骤S4:所述随访服务器基于大数据信息以及患者的历史患者信息和当前患者信息确定是否将账号状态切换为就诊状态,如果是,则进入步骤S5;进一步判断是否将账号状态切换为关注状态,如果是,则进入步骤S6;否则,保持当前账号和采集条件和账号状态不变;进入步骤S3等待采集条件满足时进行患者信息的采集;
所述步骤S4具体包括如下步骤:
步骤S41:判断病症信息中的主要测量参数是否偏离正常范围,如果是,则将账号状态切换为就诊状态,并进入步骤S5;否则,进入下一步骤;
步骤S42:基于大数据信息以及患者的历史患者信息和当前患者信息确定病症信息中主要测量参数和/或主要测量参数组合的主要预测值;
步骤S43:基于大数据信息以及历史患者信息和当前患者信息确定病症信息中次要测量参数和次要测量参数组合的次要预测值;
其中:是主要预测值;/>是次要预测值;/>是当前时间t到/>之间的最近T时间长度范围内的补充测量参数或补充测量参数组合;其中:/>是调整系数;/>和/>是调整系数编号;/>是正常范围内的较佳范围;/>是正常范围内的较佳范围或正常范围;P1,P2,P3分别是主、次、补充预测分量;/>和/>是用于确定预测准确度/>的过程参数变量;
步骤S45:若预测准确度P超过第一准确度阈值;则将账号状态切换为就诊状态,若预测准确度位于第一准确度阈值和第二准确度阈值之间,则将账号状态切换为关注状态;否则,进入下一步骤;
步骤S46:保持当前账号和采集条件和账号状态不变;返回步骤S3等待采集条件再次满足;
步骤S5:将患者账号状态切换为就诊状态;随访服务器向患者终端发送提醒消息以提示患者进行就诊以确定是否需要改变治疗信息;患者终端获取新的治疗信息后进入步骤S2;
步骤S6:将患者账号状态切换为关注状态或者保持关注状态不变;判断保持关注状态不变的次数是否超过关注次数上限,如果是,则将账号状态从关注状态切换为稳定状态;并进入步骤S3。
2.根据权利要求1所述的慢性患者终身跟踪随访管理方法,其特征在于,在初始状态下设置采集条件为初始采集条件。
3.根据权利要求2所述的慢性患者终身跟踪随访管理方法,其特征在于,所述患者账号是唯一标识。
4.根据权利要求3所述的慢性患者终身跟踪随访管理方法,其特征在于,关注状态相对于稳定状态来说,其采集条件中的采集频率高,采集数据范围大。
6.一种慢性患者终身跟踪随访管理系统,其特征在于,包括:患者终端、随访服务器、机构服务器、医生终端;所述系统用于实现上述权利要求1-5中任一项所述的慢性患者终身跟踪随访管理方法。
7.根据权利要求6所述的慢性患者终身跟踪随访管理系统,其特征在于,所述随访服务器为大数据服务器、所述机构服务器为云服务器。
8.一种慢性患者终身跟踪随访管理平台,其特征在于,包括处理器,所述处理器和存储器耦合,所述存储器存储有程序指令,当所述存储器存储的程序指令被所述处理器执行时实现权利要求1-5中任一项所述的慢性患者终身跟踪随访管理方法。
9.一种计算机可读存储介质,其特征在于,包括程序,当其在计算机上运行时,使得计算机执行如权利要求1-5中任一项所述的慢性患者终身跟踪随访管理方法。
10.一种慢性患者终身跟踪随访管理装置,其特征在于,所述装置被配置为执行如权利要求1-5中任一项所述的慢性患者终身跟踪随访管理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310617479.2A CN116344073B (zh) | 2023-05-29 | 2023-05-29 | 一种慢性患者终身跟踪随访管理方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310617479.2A CN116344073B (zh) | 2023-05-29 | 2023-05-29 | 一种慢性患者终身跟踪随访管理方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116344073A true CN116344073A (zh) | 2023-06-27 |
CN116344073B CN116344073B (zh) | 2023-08-15 |
Family
ID=86888028
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310617479.2A Active CN116344073B (zh) | 2023-05-29 | 2023-05-29 | 一种慢性患者终身跟踪随访管理方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116344073B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010072386A2 (en) * | 2008-12-23 | 2010-07-01 | Roche Diagnostics Gmbh | Structured testing method for diagnostic or therapy support of a patient with a chronic disease and devices thereof |
CN111243704A (zh) * | 2020-01-17 | 2020-06-05 | 长沙四维医疗器械科技有限责任公司 | 一种在线分析系统 |
CN111276251A (zh) * | 2020-03-23 | 2020-06-12 | 芜湖云枫信息技术有限公司 | 一种慢病管理智能服务系统 |
CN111540460A (zh) * | 2020-04-22 | 2020-08-14 | 山东凯鑫宏业生物科技有限公司 | 一种具有知识库的智能医疗系统及其诊断方法 |
US20210319887A1 (en) * | 2015-05-20 | 2021-10-14 | Amuseneering Technologies, Llc | Method of treating diabetes informed by social determinants of health |
CN113948176A (zh) * | 2021-11-04 | 2022-01-18 | 赣南医学院第一附属医院 | 一种慢性病的健康管理系统 |
-
2023
- 2023-05-29 CN CN202310617479.2A patent/CN116344073B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010072386A2 (en) * | 2008-12-23 | 2010-07-01 | Roche Diagnostics Gmbh | Structured testing method for diagnostic or therapy support of a patient with a chronic disease and devices thereof |
US20210319887A1 (en) * | 2015-05-20 | 2021-10-14 | Amuseneering Technologies, Llc | Method of treating diabetes informed by social determinants of health |
CN111243704A (zh) * | 2020-01-17 | 2020-06-05 | 长沙四维医疗器械科技有限责任公司 | 一种在线分析系统 |
CN111276251A (zh) * | 2020-03-23 | 2020-06-12 | 芜湖云枫信息技术有限公司 | 一种慢病管理智能服务系统 |
CN111540460A (zh) * | 2020-04-22 | 2020-08-14 | 山东凯鑫宏业生物科技有限公司 | 一种具有知识库的智能医疗系统及其诊断方法 |
CN113948176A (zh) * | 2021-11-04 | 2022-01-18 | 赣南医学院第一附属医院 | 一种慢性病的健康管理系统 |
Non-Patent Citations (1)
Title |
---|
王宏等: "克拉玛依区社区慢性病患者健康管理实践及效果研究", 现代生物医学进展, vol. 11, no. 24, pages 5122 - 5127 * |
Also Published As
Publication number | Publication date |
---|---|
CN116344073B (zh) | 2023-08-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wu et al. | Understanding vasopressor intervention and weaning: risk prediction in a public heterogeneous clinical time series database | |
KR101347008B1 (ko) | 환자 생리학의 모델링에 기초하여 환자 맞춤형 치료를 개발하는 시스템 및 방법 | |
CA3015838A1 (en) | System and method for monitoring brain health status | |
Romero-Brufau et al. | Using machine learning to improve the accuracy of patient deterioration predictions: Mayo Clinic Early Warning Score (MC-EWS) | |
US20120179478A1 (en) | Devices, Systems, and Methods for the Real-Time and Individualized Prediction of Health and Economic Outcomes | |
CN111145909B (zh) | 诊疗数据处理方法与装置、存储介质、电子设备 | |
US20230170069A1 (en) | Integrated, ai-enabled value-based care measurement and objective risk assessment clinical and financial management system | |
Ianculescu et al. | Opportunities brought by big data in providing silver digital patients with ICT-based services that support independent living and lifelong learning | |
Salamati et al. | Personal wellness: complex and elusive product and distributed self-services | |
Fatima et al. | Socially interactive CDSS for u-life care | |
Lakhan et al. | Digital healthcare framework for patients with disabilities based on deep federated learning schemes | |
CN116344073B (zh) | 一种慢性患者终身跟踪随访管理方法和系统 | |
TW202309922A (zh) | 以人工智慧技術輔助多疾病決策與即時資訊回饋的醫療照護系統 | |
CN117672451A (zh) | 面向2型糖尿病患者的用药推荐方法 | |
EP3929939A1 (en) | System and method for peri-anaesthetic risk evaluation | |
KR20210113042A (ko) | 환자의 정보를 기반으로 재원기간을 예측하는 장치, 방법 및 프로그램 | |
Mukasheva et al. | DEVELOPING A SYSTEM FOR DIAGNOSING DIABETES MELLITUS USING BIGDATA. | |
US20230036006A1 (en) | Artificial intelligence assisted home therapy settings for dialysis | |
CN115083601A (zh) | 一种基于机器学习的2型糖尿病辅助决策系统 | |
CN115410688A (zh) | 以正念为基础的失眠认知行为治疗方案生成方法及装置 | |
CN115579153A (zh) | 问诊评价方法、问诊评价装置、电子设备和可读存储介质 | |
CN111933234A (zh) | 基于人工智能技术的术后康复指导方法及人机交互平台 | |
Hote et al. | Artificial intelligence for smart patient care: transforming future of nursing practice | |
CN113724809A (zh) | 随访控制方法及装置、电子设备、计算机可读存储介质 | |
Deogun et al. | Conceptual development of mental health ontologies |
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 |