CN116453641A - 一种中医辅助分析信息的数据处理方法及系统 - Google Patents
一种中医辅助分析信息的数据处理方法及系统 Download PDFInfo
- Publication number
- CN116453641A CN116453641A CN202310720686.0A CN202310720686A CN116453641A CN 116453641 A CN116453641 A CN 116453641A CN 202310720686 A CN202310720686 A CN 202310720686A CN 116453641 A CN116453641 A CN 116453641A
- Authority
- CN
- China
- Prior art keywords
- data
- patient
- historical
- disease
- symptom
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 130
- 239000003814 drug Substances 0.000 title claims abstract description 92
- 238000003672 processing method Methods 0.000 title claims abstract description 14
- 201000010099 disease Diseases 0.000 claims abstract description 333
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 333
- 208000024891 symptom Diseases 0.000 claims abstract description 294
- 238000013145 classification model Methods 0.000 claims abstract description 52
- 238000000034 method Methods 0.000 claims abstract description 49
- 238000000338 in vitro Methods 0.000 claims description 190
- 238000001727 in vivo Methods 0.000 claims description 139
- 238000004364 calculation method Methods 0.000 claims description 43
- 210000005252 bulbus oculi Anatomy 0.000 claims description 36
- 239000011159 matrix material Substances 0.000 claims description 36
- 230000006399 behavior Effects 0.000 claims description 31
- 238000012545 processing Methods 0.000 claims description 30
- 210000000214 mouth Anatomy 0.000 claims description 18
- 230000009467 reduction Effects 0.000 claims description 17
- 238000003745 diagnosis Methods 0.000 claims description 15
- 238000007619 statistical method Methods 0.000 claims description 15
- 238000002360 preparation method Methods 0.000 claims description 14
- 230000000391 smoking effect Effects 0.000 claims description 14
- OYPRJOBELJOOCE-UHFFFAOYSA-N Calcium Chemical compound [Ca] OYPRJOBELJOOCE-UHFFFAOYSA-N 0.000 claims description 13
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 claims description 13
- 229910052791 calcium Inorganic materials 0.000 claims description 13
- 239000011575 calcium Substances 0.000 claims description 13
- 239000008280 blood Substances 0.000 claims description 11
- 210000004369 blood Anatomy 0.000 claims description 11
- 235000006694 eating habits Nutrition 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 11
- 230000036772 blood pressure Effects 0.000 claims description 9
- 238000000556 factor analysis Methods 0.000 claims description 9
- 230000007246 mechanism Effects 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 7
- 229940079593 drug Drugs 0.000 claims description 6
- 230000036760 body temperature Effects 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 3
- 230000036578 sleeping time Effects 0.000 claims description 3
- 230000003442 weekly effect Effects 0.000 claims description 3
- 238000007418 data mining Methods 0.000 abstract description 9
- 238000005516 engineering process Methods 0.000 abstract description 2
- 238000007405 data analysis Methods 0.000 description 20
- 230000002354 daily effect Effects 0.000 description 18
- 230000036541 health Effects 0.000 description 16
- 230000001815 facial effect Effects 0.000 description 10
- 230000006870 function Effects 0.000 description 10
- 230000000694 effects Effects 0.000 description 8
- 210000001508 eye Anatomy 0.000 description 8
- 230000007958 sleep Effects 0.000 description 8
- 238000013075 data extraction Methods 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 4
- 239000011324 bead Substances 0.000 description 4
- 229910002092 carbon dioxide Inorganic materials 0.000 description 4
- 239000001569 carbon dioxide Substances 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 238000009472 formulation Methods 0.000 description 4
- 239000007789 gas Substances 0.000 description 4
- 230000005802 health problem Effects 0.000 description 4
- 230000002503 metabolic effect Effects 0.000 description 4
- 239000000203 mixture Substances 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 210000000056 organ Anatomy 0.000 description 4
- 238000012552 review Methods 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 208000030533 eye disease Diseases 0.000 description 3
- 238000012880 independent component analysis Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 206010019233 Headaches Diseases 0.000 description 2
- 208000001132 Osteoporosis Diseases 0.000 description 2
- 208000003251 Pruritus Diseases 0.000 description 2
- 206010037660 Pyrexia Diseases 0.000 description 2
- 208000010340 Sleep Deprivation Diseases 0.000 description 2
- 206010047700 Vomiting Diseases 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 210000004204 blood vessel Anatomy 0.000 description 2
- 210000000988 bone and bone Anatomy 0.000 description 2
- 230000037182 bone density Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000002526 effect on cardiovascular system Effects 0.000 description 2
- 230000003203 everyday effect Effects 0.000 description 2
- 239000003889 eye drop Substances 0.000 description 2
- 231100000869 headache Toxicity 0.000 description 2
- 230000003862 health status Effects 0.000 description 2
- 210000000987 immune system Anatomy 0.000 description 2
- 230000007803 itching Effects 0.000 description 2
- 210000001503 joint Anatomy 0.000 description 2
- 210000004072 lung Anatomy 0.000 description 2
- 239000003550 marker Substances 0.000 description 2
- 230000004060 metabolic process Effects 0.000 description 2
- 210000003205 muscle Anatomy 0.000 description 2
- 210000000653 nervous system Anatomy 0.000 description 2
- 229910052760 oxygen Inorganic materials 0.000 description 2
- 239000001301 oxygen Substances 0.000 description 2
- 238000010827 pathological analysis Methods 0.000 description 2
- 230000035790 physiological processes and functions Effects 0.000 description 2
- 230000008092 positive effect Effects 0.000 description 2
- 230000029058 respiratory gaseous exchange Effects 0.000 description 2
- 230000008054 signal transmission Effects 0.000 description 2
- 210000003491 skin Anatomy 0.000 description 2
- 230000004622 sleep time Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 210000001835 viscera Anatomy 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000008673 vomiting Effects 0.000 description 2
- 208000002177 Cataract Diseases 0.000 description 1
- 206010018276 Gingival bleeding Diseases 0.000 description 1
- 208000034700 Vitreous opacities Diseases 0.000 description 1
- 238000013398 bayesian method Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000012847 principal component analysis method Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000009466 transformation 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
- 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
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/90—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to alternative medicines, e.g. homeopathy or oriental medicines
-
- 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
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Alternative & Traditional Medicine (AREA)
- Pharmacology & Pharmacy (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明涉及数据挖掘技术领域,尤其涉及一种中医辅助分析信息的数据处理方法及系统。该方法包括以下步骤:获取历史医疗数据并进行症状提取,获得历史症状数据;对历史症状数据构建中医症状分类模型;获取患者电子病历信息;获取患者当前生理数据,并对患者电子病历信息以及患者当前生理数据进行第一疾病分析,以获得第一疾病分析数据;对历史医疗数据进行疾病特征提取,利用疾病特征对症状分类模型进行权重调整,以获得中医辅助分类模型;利用中医辅助分类模型对第一疾病分析数据进行第二疾病分析,以获得第二疾病分析数据,并发送至医疗云平台。本发明基于数据挖掘技术实现对中医医疗的智慧辅助。
Description
技术领域
本发明涉及数据挖掘技术领域,特别涉及一种中医辅助分析信息的数据处理方法及系统。
背景技术
目前,中医辅助分析技术已成为医学领域的热点领域之一。尽管中医辅助分析技术可以提供有用的辅助信息,但是如何有效地处理和分析这些信息仍然是一个挑战。传统的处理和分析方法通常需要大量的时间和人力资源,且结果的准确性难以保证。
发明内容
本发明为解决上述技术问题,提出了一种中医辅助分析信息的数据处理方法及系统,以解决至少一个上述技术问题。
为实现上述目的,一种中医辅助分析信息的数据处理方法,包括以下步骤:
步骤S1:获取历史医疗数据,对历史医疗数据进行症状数据提取,从而获得历史症状数据;
步骤S2:对历史症状数据进行降维处理并构建中医症状分类模型;
步骤S3:获取患者电子病历信息,对患者电子病历信息进行历史疾病信息提取,从而获得患者历史疾病数据,对患者历史疾病数据进行生理系数计算,从而获得患者历史疾病生理系数;
步骤S4:获取患者当前生理数据,对患者当前生理数据进行生理系数计算,从而获得患者当前生理系数,根据患者历史疾病生理系数对患者当前生理系数进行第一疾病分析,从而获得第一疾病分析数据;
步骤S5:对历史医疗数据进行疾病口腔特征提取以及疾病眼珠特征提取,从而获得疾病口腔特征以及疾病眼珠特征,利用疾病口腔特征以及疾病眼珠特征对症状分类模型进行权重调整,从而获得中医辅助分类模型;
步骤S6:利用中医辅助分类模型对第一疾病分析数据进行第二疾病分析,从而获得第二疾病分析数据,并发送至医疗云平台。
本发明通过中医医疗系统获取历史医疗数据,对历史医疗数据进行症状数据提取,从而获得历史症状数据,将历史医疗数据中的症状信息提取出来,形成结构化的数据,方便后续的数据分析和处理。这样就可以实现对大量历史病例数据的高效处理和分析,以尽快获得更准确的结果。对历史症状数据进行降维处理并构建中医症状分类模型,通过降维处理,将高维的症状数据转换为低维的数据,不仅可以简化数据处理过程、提高处理速度,还可以减少由于维度灾难带来的噪声和误差。通过对历史症状数据的分析和处理,这样可以构建中医症状分类模型,将症状按照中医学的分类规律进行分类。这样,医生可以根据患者的症状向量,更快速地对患者进行分类,进而制定更加有效的治疗方案。通过中医医疗系统获取患者电子病历信息,对患者电子病历信息进行历史疾病信息提取,从而获得患者历史疾病数据,对患者历史疾病数据进行生理系数计算,从而获得患者历史疾病生理系数。通过生理系数计算,可将患者历史疾病数据转换为数值,从而更好地进行数据分析和处理。通过中医医疗系统获取患者当前生理数据,对患者当前生理数据进行生理系数计算,从而获得患者当前生理系数,根据患者历史疾病生理系数对患者当前生理系数进行第一疾病分析,从而获得第一疾病分析数据,通过将患者当前生理系数与历史疾病生理系数对比,发现患者当前生理系数的异常变化,并将其与过去患者所患的疾病相联系,从而对患者当前的健康状况进行病理学分析。这样就可以比较准确地得到患者的第一疾病分析数据,从而为后续的治疗方案制定和监测提供依据。对历史医疗数据进行疾病口腔特征提取以及疾病眼珠特征提取,从而获得疾病口腔特征以及疾病眼珠特征,利用疾病口腔特征以及疾病眼珠特征对症状分类模型进行权重调整,从而获得中医辅助分类模型;口腔和眼珠是人体重要的器官之一,而且不同疾病表现在这些器官上也有明显的特征表现。利用数据分析方法,可以对历史病例中的口腔特征和眼珠特征进行提取,并根据提取出来的特征对中医辅助分类模型进行权重调整,以提高模型的准确性和精度。利用中医辅助分类模型对第一疾病分析数据进行第二疾病分析,从而获得第二疾病分析数据,并发送至医疗云平台。利用模型对患者第一疾病分析数据进行分析和计算,可以得出患者其他可能存在的潜在疾病,并为医生提供更加全面准确的患者病情信息,以便更好地制定治疗方案、缩短治疗时间、节省人力和提高治疗成功率。
可选地,步骤S1包括以下步骤:
步骤S11:获取历史医疗数据;
步骤S12:对历史医疗数据进行体内历史医疗数据提取以及体外历史医疗数据提取,从而获得体内历史医疗数据以及体外历史医疗数据;
步骤S13:对体内历史医疗数据进行体内症状检测,从而获得历史体内症状数据;
步骤S14:对体外历史医疗数据进行体外症状检测,从而获得历史体外症状数据;
步骤S15:对历史体内症状数据以及历史体外症状数据进行时序合并,从而获得历史症状数据。
本发明通过中医医疗系统获取历史医疗数据。对历史医疗数据进行体内历史医疗数据提取以及体外历史医疗数据提取,其中体内历史医疗数据是指包括内脏、器官、神经系统、免疫系统、代谢等在内的体内系统的疾病数据;而体外历史医疗数据则是指患者体表、皮肤、骨骼、肌肉、关节等部位的病情历史数据。通过对历史医疗数据的体内体外数据提取,医生可以掌握更多患者的病情历史,发现潜在的疾病风险,更好地进行医疗方案的制定和治疗监测。对体内历史医疗数据进行体内症状检测,从而获得历史体内症状数据;对体外历史医疗数据进行体外症状检测,从而获得历史体外症状数据;通过对历史病历、检查报告和治疗记录等进行分析和症状数据提取,可以得出患者们的病情历史数据,并建立疾病与症状的关联模型,从而对体内症状进行检测。对历史体内症状数据以及历史体外症状数据进行时序合并,从而获得历史症状数据。体内症状数据和体外症状数据都是对患者不同方面症状的描述,如头疼、发热、呕吐、皮肤发痒等。这些症状描述的形式可能不同,导致数据无法直接进行比较和分析。因此,通过对这些数据进行时序合并,可并这些症状描述按照时间先后顺序组合到一起,并且标明时间点,使数据在时间上有序,更便于数据分析。
可选地,步骤S13包括以下步骤:
步骤S131:对体内历史医疗数据进行统计分析,从而获得高频体内历史症状数据以及低频体内历史症状数据;
步骤S132:对体内历史医疗数据进行潜在扰乱因子计算,从而获得潜在体内历史症状数据;
步骤S133:对潜在体内历史症状数据、高频体内历史症状数据以及低频体内历史症状数据进行时序合并,从而获得历史体内症状数据。
本发明对体内历史医疗数据进行统计分析,从而获得高频体内历史症状数据以及低频体内历史症状数据;对体内历史医疗数据进行统计分析,可以为病情分析和治疗方案制定提供更为全面和精细的依据。对体内历史医疗数据进行潜在扰乱因子计算,从而获得潜在体内历史症状数据;对体内历史医疗数据进行潜在扰乱因子计算,可以排除一些潜在的扰乱因素,获得更为准确的患者潜在体内历史症状信息。对潜在体内历史症状数据、高频体内历史症状数据以及低频体内历史症状数据进行时序合并,从而获得历史体内症状数据;对潜在体内历史症状数据、高频体内历史症状数据和低频体内历史症状数据进行时序合并,可以获得全面、准确的历史体内症状数据。
可选地,步骤S132包括以下步骤:
对体内历史医疗数据进行数据预处理,从而获得扰乱准备数据;
通过拉普拉斯机制对扰乱准备数据进行扰动处理,从而获得体内扰动数据;
利用因子分析方法对体内扰动数据进行因子合并,从而获得因子载荷矩阵;
通过正交旋转方法对因子载荷矩阵进行因子旋转,从而获得旋转因子载荷矩阵;
根据预设的载荷值对旋转因子载荷矩阵进行症状因子选择,从而获得症状因子;
根据症状因子对旋转因子载荷矩阵进行反向推导,从而获得潜在体内历史症状数据。
本发明对体内历史医疗数据进行数据预处理,从而获得扰乱准备数据;对体内历史医疗数据进行数据预处理,可以帮助去除潜在的扰乱因素,提高数据的可信性和准确性,为后续数据分析和挖掘提供有力支持。通过拉普拉斯机制对扰乱准备数据进行扰动处理,从而获得体内扰动数据;通过拉普拉斯机制对扰乱准备数据进行扰动处理,可以保护患者隐私,同时为医生提供具有一定随机性和不可逆性的体内扰动数据,为疾病治疗提供更好的数据保障。利用因子分析方法对体内扰动数据进行因子合并,从而获得因子载荷矩阵;利用因子分析方法对体内扰动数据进行因子合并可以帮助发现存在于数据中的潜在因素,减少数据冗余性,从而提高数据分析的效率和精度。通过正交旋转方法对因子载荷矩阵进行因子旋转,从而获得旋转因子载荷矩阵;通过正交旋转方法对因子载荷矩阵进行因子旋转,可以提高数据分析的解释性和可解释性,进一步挖掘和发现扰动因子的特征和信息。根据载荷值0.5对旋转因子载荷矩阵进行症状因子选择,从而获得症状因子;根据载荷值0.5对旋转因子载荷矩阵进行选择可以帮助筛选潜在的症状因子,提高数据分析的解释能力和准确度。载荷值是因子分析中衡量因子与原始变量之间关系程度的指标,其绝对值越大表示相关性越强,越可能是重要的因子。根据症状因子对旋转因子载荷矩阵进行反向推导,从而获得潜在体内历史症状数据。根据症状因子对旋转因子载荷矩阵进行反向推导,可以挖掘和发现潜在的体内历史症状数据,为医生疾病治疗提供更为全面和精准的支持。
可选地,步骤S14包括以下步骤:
步骤S141:对体外历史医疗数据进行统计分析,从而获得高频体外历史症状数据以及低频体外历史症状数据;
步骤S142:对体外历史医疗数据进行贝叶斯潜在计算,从而获得潜在体外历史症状数据;
步骤S143:对潜在体外历史症状数据、高频体外历史症状数据以及低频体外历史症状数据进行时序合并,从而获得历史体外症状数据。
本发明对体外历史医疗数据进行统计分析,从而获得高频体外历史症状数据以及低频体外历史症状数据;对体外历史医疗数据进行统计分析可以帮助医生了解病人的体外历史症状情况。通过分析和比较高频和低频的体外历史症状数据,可以更全面、准确地评估病人的健康状态和病情发展情况。对体外历史医疗数据进行贝叶斯潜在计算,从而获得潜在体外历史症状数据;对体外历史医疗数据进行贝叶斯潜在计算,可以更好地挖掘和发现潜在的体外历史症状数据。对潜在体外历史症状数据、高频体外历史症状数据以及低频体外历史症状数据进行时序合并,从而获得历史体外症状数据。对潜在体外历史症状数据、高频体外历史症状数据以及低频体外历史症状数据进行时序合并,可以组合所有的历史症状数据,形成完整的体外历史症状数据,并进一步了解病情发展和演变的情况。
可选地,步骤S142包括以下步骤:
对体外历史医疗数据进行特征选择,从而获得体外潜在特征变量;
将体外潜在特征变量进行节点转换,从而获得体外潜在节点集;
获取体外疾病症状信息,根据体外疾病症状信息对体外潜在节点集构建潜在先验分布;
根据体外潜在节点集构建贝叶斯网络结构;
根据贝叶斯网络结构对体外历史医疗数据进行计算,从而获得潜在后验分布;
根据潜在后验分布对体外历史医疗数据进行分类计算,从而获得潜在体外历史症状数据。
本发明对体外历史医疗数据进行特征选择,从而获得体外潜在特征变量;对体外历史医疗数据进行特征选择,可以从繁多的历史症状中筛选出对疾病治疗最为关键和重要的特征变量,进而提高治疗的精度和效果。将体外潜在特征变量进行节点转换,从而获得体外潜在节点集;通过独立成分分析法将体外潜在特征变量进行节点转换,可并连续或离散的特征数据转换为潜在节点集,将数据表达形式转化为更加直观和易于理解的形式。这有助于医生更加直观地了解数据的含义和特征,进而更加准确地治疗患者。获取体外疾病症状信息,根据体外疾病症状信息对体外潜在节点集构建潜在先验分布,获取体外疾病症状信息,并根据这些信息对体外潜在节点集构建潜在先验分布,可以更好地理解数据和疾病特征,进一步提高数据挖掘和分析的准确性和可靠性。其中先验分布是指在进行后续数据分析和挖掘之前,对数据本身所做的一些先验假设,它可以帮助分析者更好地理解数据,更准确地推断和预测。根据体外潜在节点集构建贝叶斯网络结构;基于贝叶斯网络学习算法根据体外潜在节点集构建贝叶斯网络结构,可以有效地对数据之间的潜在联系进行建模和预测,提高疾病治疗的准确性和可靠性。根据贝叶斯网络结构对体外历史医疗数据进行计算,从而获得潜在后验分布;根据贝叶斯网络结构对体外历史医疗数据进行计算,可以获得潜在后验分布,有助于推断出未观测到的变量状态。根据潜在后验分布对体外历史医疗数据进行分类计算,从而获得潜在体外历史症状数据。根据潜在后验分布对体外历史医疗数据进行分类计算,可以获得潜在体外历史症状数据,即对患者之前的体外症状进行分类,识别和分析不同类型的症状,从而获得潜在体外历史症状数据。
可选地,步骤S3中的生理系数计算具体为:
通过生理系数计算公式对患者历史疾病数据进行计算,从而获得患者历史疾病生理系数,其中生理系数计算公式具体为:
;
其中为生理系数,/>为血气含量,/>为脉搏速率,/>为二氧化碳的脉象量,/>为时间,/>为血压随时间变化的函数,/>为动脉阻力值,/>为体温,/>为数列求和的上限。
本发明中的生理系数计算公式充分考虑了影响生理系数的血气含量,脉搏速率,二氧化碳的脉象量/>,时间/>,血压随时间变化的函数/>,动脉阻力值/>,体温/>,形成了/>的函数关系。/>代表生理系数,反映了血气、心血管、呼吸等方面的生理指标之间的相互关系和作用。/>代表血气含量,即为每单位体积血液中溶解的氧气分压的数量。/>代表脉搏速率,即为每分钟心脏跳动的次数。/>表示二氧化碳的脉象量,即在单位时间内肺部呼出的二氧化碳量。/>代表血压随时间变化的函数,表示了心脏收缩和舒张时对血压的影响。/>代表动脉阻力,反映了血管的通畅度和阻力。/>代表体温,反映了人体内部代谢状态的高低。生理系数/>受到/>、/>、/>、/>、/>以及/>的影响,其中分母部分为各种因素的加权乘积。生理系数越高,说明生理功能更好,身体状态更健康。使用生理系数公式进行计算,可以避免人为干扰和主观判断的影响,进一步了解患者的病情,得出更为精准的结果,并根据生理系数的变化调整治疗方案。
可选地,步骤S4中的第一疾病分析具体为:
当患者历史疾病生理系数等于患者当前生理系数时,则对患者当前生理系数进行患者信息提取,从而生成患者复诊信息,将患者复诊信息发送至医生推荐系统;
当患者历史疾病生理系数小于患者当前生理系数时,则对患者当前生理系数进行严重疾病标记,从而生成严重疾病数据;
当患者历史疾病生理系数大于患者当前生理系数时,则对患者当前生理系数进行轻微疾病标记,从而生成轻微疾病数据;
将严重疾病数据以及轻微疾病数据进行数据归并,从而获得第一疾病分析数据。
本发明当患者历史疾病生理系数等于患者当前生理系数时,则对患者当前生理系数进行患者信息提取,从而生成患者复诊信息,将患者复诊信息发送至医生推荐系统;如果患者历史疾病生理系数以及患者当前生理系数相等,则表示患者的健康状况没有变化或变化不大,需要对其当前生理系数进行分析,提取有关的患者信息,将患者复诊信息发送至医生推荐系统,医生推荐系统可以根据患者复诊信息选择以前给患者治疗的医生进行推荐,可以节约中医人力,同时也能提高医疗的准确性和可靠性。当患者历史疾病生理系数小于患者当前生理系数时,则对患者当前生理系数进行严重疾病标记,从而生成严重疾病数据;当患者历史疾病生理系数大于患者当前生理系数时,则对患者当前生理系数进行轻微疾病标记,从而生成轻微疾病数据;当患者历史疾病生理系数小于患者当前生理系数时,可能表明患者的健康状况出现了重大问题,需要进行严重疾病标记,并对其进行进一步的检查。反之,如果历史疾病生理系数大于当前生理系数,则可能表示患者的健康状况较为稳定,只存在轻微的健康问题,需要进行轻微疾病标记。可以使用疾病标记算法,通过比较患者历史疾病生理系数和当前生理系数的差异,来确定患者的健康状况。如果历史生理系数比当前系数小很多,可能表明患者存在严重疾病,应该进行进一步的检查和治疗。如果差异不大,则可以进行轻微疾病标记,并对患者进行相关的治疗和护理。将严重疾病数据以及轻微疾病数据进行数据归并,从而获得第一疾病分析数据。将严重疾病数据和轻微疾病数据进行数据归并,可以获得第一疾病分析数据,即通过对不同类型的疾病数据进行整合和归纳,确定患者最可能患有的疾病类型。
可选地,步骤S6中的第二疾病分析具体为:
获取患者生活信息,对患者生活信息进行特征提取,从而获得患者作息特征以及患者饮食习惯特征;
获取患者面部信息,对患者面部信息进行特征提取,从而获得患者口腔信息以及患者眼珠信息;
获取患者近期服用药物信息;
通过行为习惯计算公式对患者近期服用药物信息、患者作息特征以及患者饮食习惯特征进行计算,从而获得患者行为习惯得分,其中行为习惯计算公式具体为:
;
为患者行为习惯得分,/>为患者每周从事有氧运动的频率,/>为患者每天睡眠时间,/>为患者每日摄入水分值,/>为患者每日使用电子设备时间,/>为患者每日摄入钙的毫克数,/>为患者吸烟年份,/>为患者/>年中吸烟的天数,/>为数列求和的上限;
本发明中的行为习惯计算公式充分考虑影响患者行为习惯得分的患者每周从事有氧运动的频率,患者每天睡眠时间/>,患者每日摄入水分值/>,患者每日使用电子设备时间/>,患者每日摄入钙的毫克数/>,患者吸烟年份/>,患者/>年中吸烟的天数/>,形成了的函数关系。/>代表患者每周从事有氧运动的频率。该变量越大,代表患者的锻炼习惯越好,对应的/>值也就越高。/>代表患者每天睡眠时间。相较于睡眠不足的人群,每天充足的睡眠对身体的影响更为积极,可将/>值提高。/>代表患者每日摄入水分的升数。充足的水分能够维持身体正常的代谢水平,提高患者的健康程度,对/>具有正向的影响。/>代表患者每日使用电子设备的时间(分钟)。经常使用电子设备且长时间用眼会对眼睛造成危害,可能使得患者更容易出现眼疾等健康问题,因此高/>值会降低/>值。/>代表患者每日摄入钙的毫克数。足够的钙质能够增加骨密度,预防骨质疏松等疾病,因此高/>值会提高/>值。/>代表患者每年吸烟的天数。吸烟对身体的危害非常大,因此每年吸烟的天数越少,/>值也就越高。上面公式中使用了一种极限运算符表示当/>接近无穷大时,该求和式的值会趋近于零。行为习惯计算公式能更加准确地反映了患者日常生活中对身体健康产生的影响。如果患者能够注重锻炼、保证充足的睡眠、摄入充足的水分和钙质,以及减少使用电子产品的时间,那么他们获得高得分的可能性就会增加,直接体现为更好的健康状态。
根据患者口腔信息、患者眼珠信息以及患者行为习惯得分构建患者画像,从而获得患者面诊画像;
基于患者面诊画像通过中医辅助分类模型对第一疾病分析数据进行分类计算,从而获得第二疾病分析数据。
本发明通过中医问诊获取患者生活信息,对患者生活信息进行特征提取,从而获得患者作息特征以及患者饮食习惯特征.通过中医望诊获取患者面部信息,对患者面部信息进行特征提取,从而获得患者口腔信息以及患者眼珠信息;通过中医问诊获取患者近期服用药物信息;
通过行为习惯计算公式对患者近期服用药物信息、患者作息特征以及患者饮食习惯特征进行计算,从而获得患者行为习惯得分,行为习惯计算公式能更加准确地反映了患者日常生活中对身体健康产生的影响。根据患者口腔信息、患者眼珠信息以及患者行为习惯得分构建患者画像,从而获得患者面诊画像;根据患者口腔信息、患者眼珠信息以及患者行为习惯得分构建患者画像,可以获得患者面诊画像,有益于提高医疗的准确性和可靠性。基于患者面诊画像通过中医辅助分类模型对第一疾病分析数据进行分类计算,从而获得第二疾病分析数据;通过中医辅助分类模型,针对患者的面诊画像和第一疾病分析数据,可以对患者进行更加准确的治疗建议。对患者的面诊画像进行分析和评估,包括舌象、脉象、面色等。同时,将第一疾病分析数据引入中医辅助分类模型中,结合中医理论,分析患者的病因和症状表现,从而对患者的疾病类型进行分类计算,并获得第二疾病分析数据。
可选地,本说明书还提供一种中医辅助分析信息的数据处理系统,包括:
医疗症状提取模块,用于获取历史医疗数据,对历史医疗数据进行症状数据提取,从而获得历史症状数据;
模型构建模块,用于对历史症状数据进行降维处理并构建中医症状分类模型;
患者历史疾病分析模块,用于获取患者电子病历信息,对患者电子病历信息进行历史疾病信息提取,从而获得患者历史疾病数据,对患者历史疾病数据进行生理系数计算,从而获得患者历史疾病生理系数;
第一疾病分析模块,用于获取患者当前生理数据,对患者当前生理数据进行生理系数计算,从而获得患者当前生理系数,根据患者历史疾病生理系数对患者当前生理系数进行第一疾病分析,从而获得第一疾病分析数据;
模型调整模块,用于对历史医疗数据进行疾病口腔特征提取以及疾病眼珠特征提取,从而获得疾病口腔特征以及疾病眼珠特征,利用疾病口腔特征以及疾病眼珠特征对症状分类模型进行权重调整,从而获得中医辅助分类模型;
第二疾病分析模块,用于利用中医辅助分类模型对第一疾病分析数据进行第二疾病分析,从而获得第二疾病分析数据,并发送至医疗云平台。
本发明的中医辅助分析信息的数据处理系统,该系统能够实现本发明任意一种中医辅助分析信息的数据处理方法,用于联合各个模块之间的操作与信号传输的媒介,以完成中医辅助分析信息的数据处理方法,系统内部结构互相协作,实现对中医医疗的智慧辅助。
附图说明
通过阅读参照以下附图所作的对非限制性实施所作的详细描述,本发明的其它特征、目的和优点将会变得更明显:
图1为本发明中医辅助分析信息的数据处理方法的步骤流程示意图;
图2为图1中步骤S1的详细步骤流程示意图;
图3为图1中步骤S13的详细步骤流程示意图;
图4为图3中步骤S14的详细步骤流程示意图;
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
下面结合附图对本发明专利的技术方法进行清楚、完整的描述,显然,所描述的实施例是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域所属的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。
此外,附图仅为本发明的示意性图解,并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体,不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器方法和/或微控制器方法中实现这些功能实体。
应当理解的是,虽然在这里可能使用了术语“第一”、“第二”等等来描述各个单元,但是这些单元不应当受这些术语限制。使用这些术语仅仅是为了将一个单元与另一个单元进行区分。举例来说,在不背离示例性实施例的范围的情况下,第一单元可以被称为第二单元,并且类似地第二单元可以被称为第一单元。这里所使用的术语“和/或”包括其中一个或更多所列出的相关联项目的任意和所有组合。
为实现上述目的,请参阅图1至图4,本发明提供了一种中医辅助分析信息的数据处理方法,所述方法包括以下步骤:
步骤S1:获取历史医疗数据,对历史医疗数据进行症状数据提取,从而获得历史症状数据;
本实施例中通过中医医疗系统获取历史医疗数据,对历史医疗数据进行症状数据提取,从而获得历史症状数据。
步骤S2:对历史症状数据进行降维处理并构建中医症状分类模型;
本实施例中通过线性判别分析法对历史症状数据进行降维处理,从而得到降维历史症状数据;将降维历史症状数据按照7:3的比例划分为降维训练集与降维测试集,基于随机森林算法对降维训练集与降维测试集构建中医症状分类模型。
步骤S3:获取患者电子病历信息,对患者电子病历信息进行历史疾病信息提取,从而获得患者历史疾病数据,对患者历史疾病数据进行生理系数计算,从而获得患者历史疾病生理系数;
本实施例中通过中医医疗系统获取患者电子病历信息,对患者电子病历信息进行历史疾病信息提取,从而获得患者历史疾病数据;通过生理系数计算公式对患者历史疾病数据进行计算,从而获得患者历史疾病生理系数。
步骤S4:获取患者当前生理数据,对患者当前生理数据进行生理系数计算,从而获得患者当前生理系数,根据患者历史疾病生理系数对患者当前生理系数进行第一疾病分析,从而获得第一疾病分析数据;
本实施例中通过中医医疗系统获取患者当前生理数据,通过生理系数计算公式对患者当前生理数据进行计算,从而获得患者当前生理系数,根据患者历史疾病生理系数对患者当前生理系数进行第一疾病分析,从而获得第一疾病分析数据。
步骤S5:对历史医疗数据进行疾病口腔特征提取以及疾病眼珠特征提取,从而获得疾病口腔特征以及疾病眼珠特征,利用疾病口腔特征以及疾病眼珠特征对症状分类模型进行权重调整,从而获得中医辅助分类模型;
本实施例中对历史医疗数据进行特征提取,从而获得疾病口腔特征以及疾病眼珠特征,通过中医专家来判断疾病口腔及眼珠特征的权重,例如牙齿缺失和龈出血可能与身体内部环境相关性更大,而白内障和玻璃体混浊可能更多地与眼部疾病有关联,应该给予不同的权重。将疾病口腔特征以及疾病眼珠特征添加为输入变量,对症状分类模型进行训练优化,从而获得中医辅助分类模型。
步骤S6:利用中医辅助分类模型对第一疾病分析数据进行第二疾病分析,从而获得第二疾病分析数据,并发送至医疗云平台。
本发明通过中医医疗系统获取历史医疗数据,对历史医疗数据进行症状数据提取,从而获得历史症状数据,将历史医疗数据中的症状信息提取出来,形成结构化的数据,方便后续的数据分析和处理。这样就可以实现对大量历史病例数据的高效处理和分析,以尽快获得更准确的结果。对历史症状数据进行降维处理并构建中医症状分类模型,通过降维处理,将高维的症状数据转换为低维的数据,不仅可以简化数据处理过程、提高处理速度,还可以减少由于维度灾难带来的噪声和误差。通过对历史症状数据的分析和处理,这样可以构建中医症状分类模型,将症状按照中医学的分类规律进行分类。这样,医生可以根据患者的症状向量,更快速地对患者进行分类,进而制定更加有效的治疗方案。通过中医医疗系统获取患者电子病历信息,对患者电子病历信息进行历史疾病信息提取,从而获得患者历史疾病数据,对患者历史疾病数据进行生理系数计算,从而获得患者历史疾病生理系数。通过生理系数计算,可将患者历史疾病数据转换为数值,从而更好地进行数据分析和处理。通过中医医疗系统获取患者当前生理数据,对患者当前生理数据进行生理系数计算,从而获得患者当前生理系数,根据患者历史疾病生理系数对患者当前生理系数进行第一疾病分析,从而获得第一疾病分析数据,通过将患者当前生理系数与历史疾病生理系数对比,发现患者当前生理系数的异常变化,并将其与过去患者所患的疾病相联系,从而对患者当前的健康状况进行病理学分析。这样就可以比较准确地得到患者的第一疾病分析数据,从而为后续的治疗方案制定和监测提供依据。对历史医疗数据进行疾病口腔特征提取以及疾病眼珠特征提取,从而获得疾病口腔特征以及疾病眼珠特征,利用疾病口腔特征以及疾病眼珠特征对症状分类模型进行权重调整,从而获得中医辅助分类模型;口腔和眼珠是人体重要的器官之一,而且不同疾病表现在这些器官上也有明显的特征表现。利用数据分析方法,可以对历史病例中的口腔特征和眼珠特征进行提取,并根据提取出来的特征对中医辅助分类模型进行权重调整,以提高模型的准确性和精度。利用中医辅助分类模型对第一疾病分析数据进行第二疾病分析,从而获得第二疾病分析数据,并发送至医疗云平台。利用模型对患者第一疾病分析数据进行分析和计算,可以得出患者其他可能存在的潜在疾病,并为医生提供更加全面准确的患者病情信息,以便更好地制定治疗方案、缩短治疗时间、节省人力和提高治疗成功率。
可选地,步骤S1包括以下步骤:
步骤S11:获取历史医疗数据;
本实施例中通过中医医疗系统获取历史医疗数据。
步骤S12:对历史医疗数据进行体内历史医疗数据提取以及体外历史医疗数据提取,从而获得体内历史医疗数据以及体外历史医疗数据;
本实施例中对历史医疗数据进行特征提取,从而获得体内历史医疗数据以及体外历史医疗数据。
步骤S13:对体内历史医疗数据进行体内症状检测,从而获得历史体内症状数据;
步骤S14:对体外历史医疗数据进行体外症状检测,从而获得历史体外症状数据;
步骤S15:对历史体内症状数据以及历史体外症状数据进行时序合并,从而获得历史症状数据。
本实施例中将历史体内症状数据以及历史体外症状数据按照时间顺序进行合并,从而获得历史症状数据。
本发明通过中医医疗系统获取历史医疗数据。对历史医疗数据进行体内历史医疗数据提取以及体外历史医疗数据提取,其中体内历史医疗数据是指包括内脏、器官、神经系统、免疫系统、代谢等在内的体内系统的疾病数据;而体外历史医疗数据则是指患者体表、皮肤、骨骼、肌肉、关节等部位的病情历史数据。通过对历史医疗数据的体内体外数据提取,医生可以掌握更多患者的病情历史,发现潜在的疾病风险,更好地进行医疗方案的制定和治疗监测。对体内历史医疗数据进行体内症状检测,从而获得历史体内症状数据;对体外历史医疗数据进行体外症状检测,从而获得历史体外症状数据;通过对历史病历、检查报告和治疗记录等进行分析和症状数据提取,可以得出患者们的病情历史数据,并建立疾病与症状的关联模型,从而对体内症状进行检测。对历史体内症状数据以及历史体外症状数据进行时序合并,从而获得历史症状数据。体内症状数据和体外症状数据都是对患者不同方面症状的描述,如头疼、发热、呕吐、皮肤发痒等。这些症状描述的形式可能不同,导致数据无法直接进行比较和分析。因此,通过对这些数据进行时序合并,可并这些症状描述按照时间先后顺序组合到一起,并且标明时间点,使数据在时间上有序,更便于数据分析。
可选地,步骤S13包括以下步骤:
步骤S131:对体内历史医疗数据进行统计分析,从而获得高频体内历史症状数据以及低频体内历史症状数据;
本实施例中通过频数分析方法对体内历史医疗数据进行统计分析,从而获得高频体内历史症状数据以及低频体内历史症状数据;
步骤S132:对体内历史医疗数据进行潜在扰乱因子计算,从而获得潜在体内历史症状数据;
步骤S133:对潜在体内历史症状数据、高频体内历史症状数据以及低频体内历史症状数据进行时序合并,从而获得历史体内症状数据。
本实施例中将潜在体内历史症状数据、高频体内历史症状数据以及低频体内历史症状数据按照时间顺序进行合并,从而获得历史体内症状数据。
本发明对体内历史医疗数据进行统计分析,从而获得高频体内历史症状数据以及低频体内历史症状数据;对体内历史医疗数据进行统计分析,可以为病情分析和治疗方案制定提供更为全面和精细的依据。对体内历史医疗数据进行潜在扰乱因子计算,从而获得潜在体内历史症状数据;对体内历史医疗数据进行潜在扰乱因子计算,可以排除一些潜在的扰乱因素,获得更为准确的患者潜在体内历史症状信息。对潜在体内历史症状数据、高频体内历史症状数据以及低频体内历史症状数据进行时序合并,从而获得历史体内症状数据;对潜在体内历史症状数据、高频体内历史症状数据和低频体内历史症状数据进行时序合并,可以获得全面、准确的历史体内症状数据。
可选地,步骤S132包括以下步骤:
对体内历史医疗数据进行数据预处理,从而获得扰乱准备数据;
本实施例中对体内历史医疗数据进行数据清洗、标准化,从而获得扰乱准备数据。
通过拉普拉斯机制对扰乱准备数据进行扰动处理,从而获得体内扰动数据;
本实施例中通过拉普拉斯机制对扰乱准备数据进行扰动处理,从而获得体内扰动数据,其中拉普拉斯机制是一种很常用的隐私保护方法,可以对数据进行加噪处理,并通过控制噪声大小来平衡数据的隐私保护和数据质量。
利用因子分析方法对体内扰动数据进行因子合并,从而获得因子载荷矩阵;
本实施例中通过平行分析法对体内扰动数据进行因子提取数量计算,从而获得因子提取数量,通过主成分分析法根据体内扰动数据以及因子提取数量进行因子载荷矩阵计算,从而获得因子载荷矩阵。
通过正交旋转方法对因子载荷矩阵进行因子旋转,从而获得旋转因子载荷矩阵;
根据预设的载荷值对旋转因子载荷矩阵进行症状因子选择,从而获得症状因子;
本实施例中根据预设的载荷值0.5对旋转因子载荷矩阵进行症状因子选择,从而获得症状因子。
根据症状因子对旋转因子载荷矩阵进行反向推导,从而获得潜在体内历史症状数据。
本实施例中通过逆转矩阵方法根据症状因子对旋转因子载荷矩阵进行反向推导,从而获得潜在体内历史症状数据。
本发明对体内历史医疗数据进行数据预处理,从而获得扰乱准备数据;对体内历史医疗数据进行数据预处理,可以帮助去除潜在的扰乱因素,提高数据的可信性和准确性,为后续数据分析和挖掘提供有力支持。通过拉普拉斯机制对扰乱准备数据进行扰动处理,从而获得体内扰动数据;通过拉普拉斯机制对扰乱准备数据进行扰动处理,可以保护患者隐私,同时为医生提供具有一定随机性和不可逆性的体内扰动数据,为疾病治疗提供更好的数据保障。利用因子分析方法对体内扰动数据进行因子合并,从而获得因子载荷矩阵;利用因子分析方法对体内扰动数据进行因子合并可以帮助发现存在于数据中的潜在因素,减少数据冗余性,从而提高数据分析的效率和精度。通过正交旋转方法对因子载荷矩阵进行因子旋转,从而获得旋转因子载荷矩阵;通过正交旋转方法对因子载荷矩阵进行因子旋转,可以提高数据分析的解释性和可解释性,进一步挖掘和发现扰动因子的特征和信息。根据载荷值0.5对旋转因子载荷矩阵进行症状因子选择,从而获得症状因子;根据载荷值0.5对旋转因子载荷矩阵进行选择可以帮助筛选潜在的症状因子,提高数据分析的解释能力和准确度。载荷值是因子分析中衡量因子与原始变量之间关系程度的指标,其绝对值越大表示相关性越强,越可能是重要的因子。根据症状因子对旋转因子载荷矩阵进行反向推导,从而获得潜在体内历史症状数据。根据症状因子对旋转因子载荷矩阵进行反向推导,可以挖掘和发现潜在的体内历史症状数据,为医生疾病治疗提供更为全面和精准的支持。
可选地,步骤S14包括以下步骤:
步骤S141:对体外历史医疗数据进行统计分析,从而获得高频体外历史症状数据以及低频体外历史症状数据;
本实施例中通过频数分析方法对体外历史医疗数据进行统计分析,从而获得高频体外历史症状数据以及低频体外历史症状数据。
步骤S142:对体外历史医疗数据进行贝叶斯潜在计算,从而获得潜在体外历史症状数据;
步骤S143:对潜在体外历史症状数据、高频体外历史症状数据以及低频体外历史症状数据进行时序合并,从而获得历史体外症状数据。
本实施例中将潜在体外历史症状数据、高频体外历史症状数据以及低频体外历史症状数据按照时间顺序进行合并,从而获得历史体外症状数据。
本发明对体外历史医疗数据进行统计分析,从而获得高频体外历史症状数据以及低频体外历史症状数据;对体外历史医疗数据进行统计分析可以帮助医生了解病人的体外历史症状情况。通过分析和比较高频和低频的体外历史症状数据,可以更全面、准确地评估病人的健康状态和病情发展情况。对体外历史医疗数据进行贝叶斯潜在计算,从而获得潜在体外历史症状数据;对体外历史医疗数据进行贝叶斯潜在计算,可以更好地挖掘和发现潜在的体外历史症状数据。对潜在体外历史症状数据、高频体外历史症状数据以及低频体外历史症状数据进行时序合并,从而获得历史体外症状数据。对潜在体外历史症状数据、高频体外历史症状数据以及低频体外历史症状数据进行时序合并,可以组合所有的历史症状数据,形成完整的体外历史症状数据,并进一步了解病情发展和演变的情况。
可选地,步骤S142包括以下步骤:
对体外历史医疗数据进行特征选择,从而获得体外潜在特征变量;
将体外潜在特征变量进行节点转换,从而获得体外潜在节点集;
本实施例中通过独立成分分析法将体外潜在特征变量进行节点转换,从而获得体外潜在节点集。
获取体外疾病症状信息,根据体外疾病症状信息对体外潜在节点集构建潜在先验分布;
本实施例中通过中医医疗系统获取体外疾病症状信息,将疾病症状映射到体外潜在节点集上,将疾病症状和体外潜在节点集互相对应。采用贝叶斯方法对疾病症状信息构建潜在先验分布,用于描述体外潜在节点集的分布特征。
根据体外潜在节点集构建贝叶斯网络结构;
本实施例中对体外潜在节点集中的变量间关系进行探索和分析,确定变量之间的依赖关系。根据变量之间的依赖关系,构建贝叶斯网络结构,包括节点(变量)、边(依赖关系),以及每个节点的条件概率分布。
根据贝叶斯网络结构对体外历史医疗数据进行计算,从而获得潜在后验分布;
本实施例中将贝叶斯网络结构应用于历史医疗数据中对部分节点或变量进行采样,基于采样的历史医疗数据,利用贝叶斯公式计算潜在后验分布,即给定历史医疗数据的条件下,对未知变量的概率分布。
根据潜在后验分布对体外历史医疗数据进行分类计算,从而获得潜在体外历史症状数据。
本发明对体外历史医疗数据进行特征选择,从而获得体外潜在特征变量;对体外历史医疗数据进行特征选择,可以从繁多的历史症状中筛选出对疾病治疗最为关键和重要的特征变量,进而提高治疗的精度和效果。将体外潜在特征变量进行节点转换,从而获得体外潜在节点集;通过独立成分分析法将体外潜在特征变量进行节点转换,可并连续或离散的特征数据转换为潜在节点集,将数据表达形式转化为更加直观和易于理解的形式。这有助于医生更加直观地了解数据的含义和特征,进而更加准确地治疗患者。获取体外疾病症状信息,根据体外疾病症状信息对体外潜在节点集构建潜在先验分布,获取体外疾病症状信息,并根据这些信息对体外潜在节点集构建潜在先验分布,可以更好地理解数据和疾病特征,进一步提高数据挖掘和分析的准确性和可靠性。其中先验分布是指在进行后续数据分析和挖掘之前,对数据本身所做的一些先验假设,它可以帮助分析者更好地理解数据,更准确地推断和预测。根据体外潜在节点集构建贝叶斯网络结构;基于贝叶斯网络学习算法根据体外潜在节点集构建贝叶斯网络结构,可以有效地对数据之间的潜在联系进行建模和预测,提高疾病治疗的准确性和可靠性。根据贝叶斯网络结构对体外历史医疗数据进行计算,从而获得潜在后验分布;根据贝叶斯网络结构对体外历史医疗数据进行计算,可以获得潜在后验分布,有助于推断出未观测到的变量状态。根据潜在后验分布对体外历史医疗数据进行分类计算,从而获得潜在体外历史症状数据。根据潜在后验分布对体外历史医疗数据进行分类计算,可以获得潜在体外历史症状数据,即对患者之前的体外症状进行分类,识别和分析不同类型的症状,从而获得潜在体外历史症状数据。
可选地,步骤S3中的生理系数计算具体为:
通过生理系数计算公式对患者历史疾病数据进行计算,从而获得患者历史疾病生理系数,其中生理系数计算公式具体为:
;
其中为生理系数,/>为血气含量,/>为脉搏速率,/>为二氧化碳的脉象量,/>为时间,/>为血压随时间变化的函数,/>为动脉阻力值,/>为体温,/>为数列求和的上限。
本发明中的生理系数计算公式充分考虑了影响生理系数的血气含量,脉搏速率,二氧化碳的脉象量/>,时间/>,血压随时间变化的函数/>,动脉阻力值/>,体温/>,形成了/>的函数关系。/>代表生理系数,反映了血气、心血管、呼吸等方面的生理指标之间的相互关系和作用。/>代表血气含量,即为每单位体积血液中溶解的氧气分压的数量。/>代表脉搏速率,即为每分钟心脏跳动的次数。表示二氧化碳的脉象量,即在单位时间内肺部呼出的二氧化碳量。/>代表血压随时间变化的函数,表示了心脏收缩和舒张时对血压的影响。/>代表动脉阻力,反映了血管的通畅度和阻力。/>代表体温,反映了人体内部代谢状态的高低。生理系数/>受到/>、/>、/>、/>、/>以及/>的影响,其中分母部分为各种因素的加权乘积。生理系数越高,说明生理功能更好,身体状态更健康。使用生理系数公式进行计算,可以避免人为干扰和主观判断的影响,进一步了解患者的病情,得出更为精准的结果,并根据生理系数的变化调整治疗方案。
可选地,步骤S4中的第一疾病分析具体为:
当患者历史疾病生理系数等于患者当前生理系数时,则对患者当前生理系数进行患者信息提取,从而生成患者复诊信息,将患者复诊信息发送至医生推荐系统;
当患者历史疾病生理系数小于患者当前生理系数时,则对患者当前生理系数进行严重疾病标记,从而生成严重疾病数据;
当患者历史疾病生理系数大于患者当前生理系数时,则对患者当前生理系数进行轻微疾病标记,从而生成轻微疾病数据;
将严重疾病数据以及轻微疾病数据进行数据归并,从而获得第一疾病分析数据。
本实施例中将严重疾病数据和轻微疾病数据进行匹配和合并,按时间顺序进行排序,获得第一疾病分析数据。
本发明当患者历史疾病生理系数等于患者当前生理系数时,则对患者当前生理系数进行患者信息提取,从而生成患者复诊信息,将患者复诊信息发送至医生推荐系统;如果患者历史疾病生理系数以及患者当前生理系数相等,则表示患者的健康状况没有变化或变化不大,需要对其当前生理系数进行分析,提取有关的患者信息,将患者复诊信息发送至医生推荐系统,医生推荐系统可以根据患者复诊信息选择以前给患者治疗的医生进行推荐,可以节约中医人力,同时也能提高医疗的准确性和可靠性。当患者历史疾病生理系数小于患者当前生理系数时,则对患者当前生理系数进行严重疾病标记,从而生成严重疾病数据;当患者历史疾病生理系数大于患者当前生理系数时,则对患者当前生理系数进行轻微疾病标记,从而生成轻微疾病数据;当患者历史疾病生理系数小于患者当前生理系数时,可能表明患者的健康状况出现了重大问题,需要进行严重疾病标记,并对其进行进一步的检查。反之,如果历史疾病生理系数大于当前生理系数,则可能表示患者的健康状况较为稳定,只存在轻微的健康问题,需要进行轻微疾病标记。可以使用疾病标记算法,通过比较患者历史疾病生理系数和当前生理系数的差异,来确定患者的健康状况。如果历史生理系数比当前系数小很多,可能表明患者存在严重疾病,应该进行进一步的检查和治疗。如果差异不大,则可以进行轻微疾病标记,并对患者进行相关的治疗和护理。将严重疾病数据以及轻微疾病数据进行数据归并,从而获得第一疾病分析数据。将严重疾病数据和轻微疾病数据进行数据归并,可以获得第一疾病分析数据,即通过对不同类型的疾病数据进行整合和归纳,确定患者最可能患有的疾病类型。
可选地,步骤S6中的第二疾病分析具体为:
获取患者生活信息,对患者生活信息进行特征提取,从而获得患者作息特征以及患者饮食习惯特征;
本实施例通过中医问诊获取患者生活信息,对患者生活信息进行特征提取,从而获得患者作息特征以及患者饮食习惯特征。
获取患者面部信息,对患者面部信息进行特征提取,从而获得患者口腔信息以及患者眼珠信息;
本实施例中通过中医望诊获取患者面部信息,对患者面部信息进行特征提取,从而获得患者口腔信息以及患者眼珠信息。
获取患者近期服用药物信息;
本实施例通过中医问诊获取患者近期服用药物信息。
通过行为习惯计算公式对患者近期服用药物信息、患者作息特征以及患者饮食习惯特征进行计算,从而获得患者行为习惯得分,其中行为习惯计算公式具体为:
;
为患者行为习惯得分,/>为患者每周从事有氧运动的频率,/>为患者每天睡眠时间,/>为患者每日摄入水分值,/>为患者每日使用电子设备时间,/>为患者每日摄入钙的毫克数,/>为患者吸烟年份,/>为患者/>年中吸烟的天数,/>为数列求和的上限;
本发明中的行为习惯计算公式充分考虑影响患者行为习惯得分的患者每周从事有氧运动的频率,患者每天睡眠时间/>,患者每日摄入水分值/>,患者每日使用电子设备时间/>,患者每日摄入钙的毫克数/>,患者吸烟年份/>,患者/>年中吸烟的天数/>,形成了的函数关系。/>代表患者每周从事有氧运动的频率。该变量越大,代表患者的锻炼习惯越好,对应的/>值也就越高。/>代表患者每天睡眠时间。相较于睡眠不足的人群,每天充足的睡眠对身体的影响更为积极,可将/>值提高。/>代表患者每日摄入水分的升数。充足的水分能够维持身体正常的代谢水平,提高患者的健康程度,对/>具有正向的影响。/>代表患者每日使用电子设备的时间(分钟)。经常使用电子设备且长时间用眼会对眼睛造成危害,可能使得患者更容易出现眼疾等健康问题,因此高/>值会降低/>值。/>代表患者每日摄入钙的毫克数。足够的钙质能够增加骨密度,预防骨质疏松等疾病,因此高/>值会提高/>值。/>代表患者每年吸烟的天数。吸烟对身体的危害非常大,因此每年吸烟的天数越少,/>值也就越高。上面公式中使用了一种极限运算符表示当/>接近无穷大时,该求和式的值会趋近于零。行为习惯计算公式能更加准确地反映了患者日常生活中对身体健康产生的影响。如果患者能够注重锻炼、保证充足的睡眠、摄入充足的水分和钙质,以及减少使用电子产品的时间,那么他们获得高得分的可能性就会增加,直接体现为更好的健康状态。
根据患者口腔信息、患者眼珠信息以及患者行为习惯得分构建患者画像,从而获得患者面诊画像;
基于患者面诊画像通过中医辅助分类模型对第一疾病分析数据进行分类计算,从而获得第二疾病分析数据。
本发明通过中医问诊获取患者生活信息,对患者生活信息进行特征提取,从而获得患者作息特征以及患者饮食习惯特征.通过中医望诊获取患者面部信息,对患者面部信息进行特征提取,从而获得患者口腔信息以及患者眼珠信息;通过中医问诊获取患者近期服用药物信息;
通过行为习惯计算公式对患者近期服用药物信息、患者作息特征以及患者饮食习惯特征进行计算,从而获得患者行为习惯得分,行为习惯计算公式能更加准确地反映了患者日常生活中对身体健康产生的影响。根据患者口腔信息、患者眼珠信息以及患者行为习惯得分构建患者画像,从而获得患者面诊画像;根据患者口腔信息、患者眼珠信息以及患者行为习惯得分构建患者画像,可以获得患者面诊画像,有益于提高医疗的准确性和可靠性。基于患者面诊画像通过中医辅助分类模型对第一疾病分析数据进行分类计算,从而获得第二疾病分析数据;通过中医辅助分类模型,针对患者的面诊画像和第一疾病分析数据,可以对患者进行更加准确的治疗建议。对患者的面诊画像进行分析和评估,包括舌象、脉象、面色等。同时,将第一疾病分析数据引入中医辅助分类模型中,结合中医理论,分析患者的病因和症状表现,从而对患者的疾病类型进行分类计算,并获得第二疾病分析数据。
可选地,本说明书还提供一种中医辅助分析信息的数据处理系统,包括:
医疗症状提取模块,用于获取历史医疗数据,对历史医疗数据进行症状数据提取,从而获得历史症状数据;
模型构建模块,用于对历史症状数据进行降维处理并构建中医症状分类模型;
患者历史疾病分析模块,用于获取患者电子病历信息,对患者电子病历信息进行历史疾病信息提取,从而获得患者历史疾病数据,对患者历史疾病数据进行生理系数计算,从而获得患者历史疾病生理系数;
第一疾病分析模块,用于获取患者当前生理数据,对患者当前生理数据进行生理系数计算,从而获得患者当前生理系数,根据患者历史疾病生理系数对患者当前生理系数进行第一疾病分析,从而获得第一疾病分析数据;
模型调整模块,用于对历史医疗数据进行疾病口腔特征提取以及疾病眼珠特征提取,从而获得疾病口腔特征以及疾病眼珠特征,利用疾病口腔特征以及疾病眼珠特征对症状分类模型进行权重调整,从而获得中医辅助分类模型;
第二疾病分析模块,用于利用中医辅助分类模型对第一疾病分析数据进行第二疾病分析,从而获得第二疾病分析数据,并发送至医疗云平台。
本发明的中医辅助分析信息的数据处理系统,该系统能够实现本发明任意一种中医辅助分析信息的数据处理方法,用于联合各个模块之间的操作与信号传输的媒介,以完成中医辅助分析信息的数据处理方法,系统内部结构互相协作,实现对中医医疗的智慧辅助。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在申请文件的等同要件的含义和范围内的所有变化涵括在本发明内。
以上所述仅是本发明的具体实施方式,使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所发明的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种中医辅助分析信息的数据处理方法,其特征在于,包括以下步骤:
步骤S1:获取历史医疗数据,对历史医疗数据进行症状数据提取,从而获得历史症状数据;
步骤S2:对历史症状数据进行降维处理并构建中医症状分类模型;
步骤S3:获取患者电子病历信息,对患者电子病历信息进行历史疾病信息提取,从而获得患者历史疾病数据,对患者历史疾病数据进行生理系数计算,从而获得患者历史疾病生理系数;
步骤S4:获取患者当前生理数据,对患者当前生理数据进行生理系数计算,从而获得患者当前生理系数,根据患者历史疾病生理系数对患者当前生理系数进行第一疾病分析,从而获得第一疾病分析数据;
步骤S5:对历史医疗数据进行疾病口腔特征提取以及疾病眼珠特征提取,从而获得疾病口腔特征以及疾病眼珠特征,利用疾病口腔特征以及疾病眼珠特征对症状分类模型进行权重调整,从而获得中医辅助分类模型;
步骤S6:利用中医辅助分类模型对第一疾病分析数据进行第二疾病分析,从而获得第二疾病分析数据,并发送至医疗云平台。
2.根据权利要求1所述的方法,其特征在于,步骤S1包括以下步骤:
步骤S11:获取历史医疗数据;
步骤S12:对历史医疗数据进行体内历史医疗数据提取以及体外历史医疗数据提取,从而获得体内历史医疗数据以及体外历史医疗数据;
步骤S13:对体内历史医疗数据进行体内症状检测,从而获得历史体内症状数据;
步骤S14:对体外历史医疗数据进行体外症状检测,从而获得历史体外症状数据;
步骤S15:对历史体内症状数据以及历史体外症状数据进行时序合并,从而获得历史症状数据。
3.根据权利要求2所述的方法,其特征在于,步骤S13包括以下步骤:
步骤S131:对体内历史医疗数据进行统计分析,从而获得高频体内历史症状数据以及低频体内历史症状数据;
步骤S132:对体内历史医疗数据进行潜在扰乱因子计算,从而获得潜在体内历史症状数据;
步骤S133:对潜在体内历史症状数据、高频体内历史症状数据以及低频体内历史症状数据进行时序合并,从而获得历史体内症状数据。
4.根据权利要求3所述的方法,其特征在于,步骤S132包括以下步骤:
对体内历史医疗数据进行数据预处理,从而获得扰乱准备数据;
通过拉普拉斯机制对扰乱准备数据进行扰动处理,从而获得体内扰动数据;
利用因子分析方法对体内扰动数据进行因子合并,从而获得因子载荷矩阵;
通过正交旋转方法对因子载荷矩阵进行因子旋转,从而获得旋转因子载荷矩阵;
根据预设的载荷值对旋转因子载荷矩阵进行症状因子选择,从而获得症状因子;
根据症状因子对旋转因子载荷矩阵进行反向推导,从而获得潜在体内历史症状数据。
5.根据权利要求2所述的方法,其特征在于,步骤S14包括以下步骤:
步骤S141:对体外历史医疗数据进行统计分析,从而获得高频体外历史症状数据以及低频体外历史症状数据;
步骤S142:对体外历史医疗数据进行贝叶斯潜在计算,从而获得潜在体外历史症状数据;
步骤S143:对潜在体外历史症状数据、高频体外历史症状数据以及低频体外历史症状数据进行时序合并,从而获得历史体外症状数据。
6.根据权利要求5所述的方法,其特征在于,步骤S142包括以下步骤:
对体外历史医疗数据进行特征选择,从而获得体外潜在特征变量;
将体外潜在特征变量进行节点转换,从而获得体外潜在节点集;
获取体外疾病症状信息,根据体外疾病症状信息对体外潜在节点集构建潜在先验分布;
根据体外潜在节点集构建贝叶斯网络结构;
根据贝叶斯网络结构对体外历史医疗数据进行计算,从而获得潜在后验分布;
根据潜在后验分布对体外历史医疗数据进行分类计算,从而获得潜在体外历史症状数据。
7.根据权利要求1所述的方法,其特征在于,步骤S3中的生理系数计算具体为:
通过生理系数计算公式对患者历史疾病数据进行计算,从而获得患者历史疾病生理系数,其中生理系数计算公式具体为:
;
其中为生理系数,/>为血气含量,/>为脉搏速率,/>为二氧化碳的脉象量,/>为时间,/>为血压随时间变化的函数,/>为动脉阻力值,/>为体温,/>为数列求和的上限。
8.根据权利要求1所述的方法,其特征在于,步骤S4中的第一疾病分析具体为:
当患者历史疾病生理系数等于患者当前生理系数时,则对患者当前生理系数进行患者信息提取,从而生成患者复诊信息,将患者复诊信息发送至医生推荐系统;
当患者历史疾病生理系数小于患者当前生理系数时,则对患者当前生理系数进行严重疾病标记,从而生成严重疾病数据;
当患者历史疾病生理系数大于患者当前生理系数时,则对患者当前生理系数进行轻微疾病标记,从而生成轻微疾病数据;
将严重疾病数据以及轻微疾病数据进行数据归并,从而获得第一疾病分析数据。
9.根据权利要求1所述的方法,其特征在于,步骤S6中的第二疾病分析具体为:
获取患者生活信息,对患者生活信息进行特征提取,从而获得患者作息特征以及患者饮食习惯特征;
获取患者面部信息,对患者面部信息进行特征提取,从而获得患者口腔信息以及患者眼珠信息;
获取患者近期服用药物信息;
通过行为习惯计算公式对患者近期服用药物信息、患者作息特征以及患者饮食习惯特征进行计算,从而获得患者行为习惯得分,其中行为习惯计算公式具体为:
;
为患者行为习惯得分,/>为患者每周从事有氧运动的频率,/>为患者每天睡眠时间,/>为患者每日摄入水分值,/>为患者每日使用电子设备时间,/>为患者每日摄入钙的毫克数,为患者吸烟年份,/>为患者/>年中吸烟的天数,/>为数列求和的上限;
根据患者口腔信息、患者眼珠信息以及患者行为习惯得分构建患者画像,从而获得患者面诊画像;
基于患者面诊画像通过中医辅助分类模型对第一疾病分析数据进行分类计算,从而获得第二疾病分析数据。
10.一种中医辅助分析信息的数据处理系统,其特征在于,包括:
医疗症状提取模块,用于获取历史医疗数据,对历史医疗数据进行症状数据提取,从而获得历史症状数据;
模型构建模块,用于对历史症状数据进行降维处理并构建中医症状分类模型;
患者历史疾病分析模块,用于获取患者电子病历信息,对患者电子病历信息进行历史疾病信息提取,从而获得患者历史疾病数据,对患者历史疾病数据进行生理系数计算,从而获得患者历史疾病生理系数;
第一疾病分析模块,用于获取患者当前生理数据,对患者当前生理数据进行生理系数计算,从而获得患者当前生理系数,根据患者历史疾病生理系数对患者当前生理系数进行第一疾病分析,从而获得第一疾病分析数据;
模型调整模块,用于对历史医疗数据进行疾病口腔特征提取以及疾病眼珠特征提取,从而获得疾病口腔特征以及疾病眼珠特征,利用疾病口腔特征以及疾病眼珠特征对症状分类模型进行权重调整,从而获得中医辅助分类模型;
第二疾病分析模块,用于利用中医辅助分类模型对第一疾病分析数据进行第二疾病分析,从而获得第二疾病分析数据,并发送至医疗云平台。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310720686.0A CN116453641B (zh) | 2023-06-19 | 2023-06-19 | 一种中医辅助分析信息的数据处理方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310720686.0A CN116453641B (zh) | 2023-06-19 | 2023-06-19 | 一种中医辅助分析信息的数据处理方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116453641A true CN116453641A (zh) | 2023-07-18 |
CN116453641B CN116453641B (zh) | 2023-09-05 |
Family
ID=87130606
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310720686.0A Active CN116453641B (zh) | 2023-06-19 | 2023-06-19 | 一种中医辅助分析信息的数据处理方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116453641B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117854738A (zh) * | 2024-03-08 | 2024-04-09 | 吉林大学第一医院 | 一种基于智联终端的医疗护理系统 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090287505A1 (en) * | 2008-05-14 | 2009-11-19 | Wood Christopher H | Systems and methods for efficient computer-aided analysis of medical information |
CN101853325A (zh) * | 2009-03-31 | 2010-10-06 | 江启煜 | 一种中医临床信息的计算机辅助分析方法 |
JP2013008159A (ja) * | 2011-06-23 | 2013-01-10 | Toshio Kobayashi | 医療データ解析方法、医療データ解析装置およびプログラム |
CN105528529A (zh) * | 2016-02-20 | 2016-04-27 | 成都中医药大学 | 基于大数据分析的中医临床技能评价体系的数据处理方法 |
CN106874653A (zh) * | 2017-01-13 | 2017-06-20 | 深圳市前海安测信息技术有限公司 | 医院辅助决策系统和方法 |
US20170344704A1 (en) * | 2016-05-26 | 2017-11-30 | Xue CHU | Computer assisted systems and methods for acquisition and processing of medical history |
CN108986871A (zh) * | 2018-08-27 | 2018-12-11 | 东北大学 | 一种智慧医疗知识图谱的构建方法 |
CN110249392A (zh) * | 2018-08-20 | 2019-09-17 | 深圳市全息医疗科技有限公司 | 智能辅助诊疗系统及方法 |
CN110534206A (zh) * | 2019-08-26 | 2019-12-03 | 北京好医生云医院管理技术有限公司 | 一种医疗诊断辅助系统的工作方法 |
CN111883256A (zh) * | 2020-07-22 | 2020-11-03 | 杭州市红十字会医院 | 基于电子病历数据的肺结核患者预警系统及预警方法 |
CN112420191A (zh) * | 2020-11-23 | 2021-02-26 | 北京麦岐科技有限责任公司 | 一种中医辅助决策系统及方法 |
CN114528419A (zh) * | 2022-04-25 | 2022-05-24 | 南京大经中医药信息技术有限公司 | 一种中医智能病案推荐方法及推荐系统 |
CN115510330A (zh) * | 2022-11-01 | 2022-12-23 | 潍坊医学院附属医院 | 基于数据挖掘的信息智能处理方法及系统 |
CN115527646A (zh) * | 2022-10-08 | 2022-12-27 | 上海国民集团健康科技有限公司 | 中医特色诊前电子病历生成方法、系统及终端 |
US20230053474A1 (en) * | 2021-08-17 | 2023-02-23 | Taichung Veterans General Hospital | Medical care system for assisting multi-diseases decision-making and real-time information feedback with artificial intelligence technology |
-
2023
- 2023-06-19 CN CN202310720686.0A patent/CN116453641B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090287505A1 (en) * | 2008-05-14 | 2009-11-19 | Wood Christopher H | Systems and methods for efficient computer-aided analysis of medical information |
CN101853325A (zh) * | 2009-03-31 | 2010-10-06 | 江启煜 | 一种中医临床信息的计算机辅助分析方法 |
JP2013008159A (ja) * | 2011-06-23 | 2013-01-10 | Toshio Kobayashi | 医療データ解析方法、医療データ解析装置およびプログラム |
CN105528529A (zh) * | 2016-02-20 | 2016-04-27 | 成都中医药大学 | 基于大数据分析的中医临床技能评价体系的数据处理方法 |
US20170344704A1 (en) * | 2016-05-26 | 2017-11-30 | Xue CHU | Computer assisted systems and methods for acquisition and processing of medical history |
CN106874653A (zh) * | 2017-01-13 | 2017-06-20 | 深圳市前海安测信息技术有限公司 | 医院辅助决策系统和方法 |
CN110249392A (zh) * | 2018-08-20 | 2019-09-17 | 深圳市全息医疗科技有限公司 | 智能辅助诊疗系统及方法 |
CN108986871A (zh) * | 2018-08-27 | 2018-12-11 | 东北大学 | 一种智慧医疗知识图谱的构建方法 |
CN110534206A (zh) * | 2019-08-26 | 2019-12-03 | 北京好医生云医院管理技术有限公司 | 一种医疗诊断辅助系统的工作方法 |
CN111883256A (zh) * | 2020-07-22 | 2020-11-03 | 杭州市红十字会医院 | 基于电子病历数据的肺结核患者预警系统及预警方法 |
CN112420191A (zh) * | 2020-11-23 | 2021-02-26 | 北京麦岐科技有限责任公司 | 一种中医辅助决策系统及方法 |
US20230053474A1 (en) * | 2021-08-17 | 2023-02-23 | Taichung Veterans General Hospital | Medical care system for assisting multi-diseases decision-making and real-time information feedback with artificial intelligence technology |
CN114528419A (zh) * | 2022-04-25 | 2022-05-24 | 南京大经中医药信息技术有限公司 | 一种中医智能病案推荐方法及推荐系统 |
CN115527646A (zh) * | 2022-10-08 | 2022-12-27 | 上海国民集团健康科技有限公司 | 中医特色诊前电子病历生成方法、系统及终端 |
CN115510330A (zh) * | 2022-11-01 | 2022-12-23 | 潍坊医学院附属医院 | 基于数据挖掘的信息智能处理方法及系统 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117854738A (zh) * | 2024-03-08 | 2024-04-09 | 吉林大学第一医院 | 一种基于智联终端的医疗护理系统 |
CN117854738B (zh) * | 2024-03-08 | 2024-05-03 | 吉林大学第一医院 | 一种基于智联终端的医疗护理系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116453641B (zh) | 2023-09-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Alazzam et al. | [Retracted] A Novel Smart Healthcare Monitoring System Using Machine Learning and the Internet of Things | |
US10722179B2 (en) | Residual-based monitoring of human health | |
Banerjee et al. | Validating a commercial device for continuous activity measurement in the older adult population for dementia management | |
CN116453641B (zh) | 一种中医辅助分析信息的数据处理方法及系统 | |
Zhang et al. | Auto-annotating sleep stages based on polysomnographic data | |
AU2021236462B2 (en) | Residual-based monitoring of human health | |
Pham et al. | Respiratory artefact removal in forced oscillation measurements: A machine learning approach | |
Derevitskii et al. | Analysis course of the disease of type 2 diabetes patients using Markov chains and clustering methods. | |
Zhao et al. | Dysphagia diagnosis system with integrated speech analysis from throat vibration | |
Zhang et al. | Prediction of obstructive sleep apnea using deep learning in 3D craniofacial reconstruction | |
Karimi Moridani | An automated method for sleep apnoea detection using HRV | |
Wang et al. | Method of non-invasive parameters for predicting the probability of early in-hospital death of patients in intensive care unit | |
CN116472591A (zh) | 使用人工智能生成与脊髓性肌萎缩症相关的预测结果的技术 | |
Shuzan et al. | Machine Learning-Based Respiration Rate and Blood Oxygen Saturation Estimation Using Photoplethysmogram Signals. Bioengineering 2023, 10, 167 | |
Hudson et al. | Diagnostic models based on personalized analysis of trends (PAT) | |
Mubeen et al. | Deep learning of facial depth maps for obstructive sleep apnea Prediction | |
Li et al. | Physiological state assessment and prediction based on multi-sensor fusion in body area network | |
Wu et al. | Phenotype-based and self-learning inter-individual sleep Apnea screening with a level IV monitoring system | |
CN117877663B (zh) | 一种肺癌术后康复的方法及相关设备 | |
CN117457169B (zh) | 一种儿科术后保健护理管理方法及系统 | |
Shirwaikar et al. | Design framework for a data mart in the neonatal intensive care unit | |
Javvaji et al. | Prediction Model for Obstructive Sleep Apnea from Facial Depth Maps using Transfer Learning | |
Chakraborty | Artificial Intelligence in Covid-19 Diagnosis | |
Dashti | Prediction of Visceral Fat in Qatari Population Using Machine Learning | |
CN116665894A (zh) | 骨龄监测系统、方法、电子设备及存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |