CN116469548B - 一种智能化医疗风险识别预警系统 - Google Patents
一种智能化医疗风险识别预警系统 Download PDFInfo
- Publication number
- CN116469548B CN116469548B CN202310728733.6A CN202310728733A CN116469548B CN 116469548 B CN116469548 B CN 116469548B CN 202310728733 A CN202310728733 A CN 202310728733A CN 116469548 B CN116469548 B CN 116469548B
- Authority
- CN
- China
- Prior art keywords
- medical
- data
- preset
- medical data
- condition
- 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
- 238000003745 diagnosis Methods 0.000 claims abstract description 51
- 229940079593 drug Drugs 0.000 claims abstract description 50
- 239000003814 drug Substances 0.000 claims abstract description 50
- 238000012545 processing Methods 0.000 claims abstract description 33
- 238000012216 screening Methods 0.000 claims description 54
- 238000011156 evaluation Methods 0.000 claims description 52
- 201000010099 disease Diseases 0.000 claims description 42
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 42
- 231100000279 safety data Toxicity 0.000 claims description 9
- 239000008280 blood Substances 0.000 claims description 4
- 210000004369 blood Anatomy 0.000 claims description 4
- 208000035473 Communicable disease Diseases 0.000 claims 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 claims description 2
- 230000036772 blood pressure Effects 0.000 claims description 2
- 239000008103 glucose Substances 0.000 claims description 2
- 208000015181 infectious disease Diseases 0.000 claims description 2
- 208000024891 symptom Diseases 0.000 claims description 2
- 230000006872 improvement Effects 0.000 abstract description 7
- 238000010586 diagram Methods 0.000 description 8
- 238000000034 method Methods 0.000 description 5
- 238000012502 risk assessment Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 2
- 230000001276 controlling effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 150000002632 lipids Chemical class 0.000 description 1
- 230000000474 nursing effect Effects 0.000 description 1
- 230000001105 regulatory 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
- G16H50/20—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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Databases & Information Systems (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Pathology (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Optimization (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Bioinformatics & Computational Biology (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Biology (AREA)
- Algebra (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明涉及医疗风险预警技术领域,尤其涉及一种智能化医疗风险识别预警系统,包括:医疗数据采集模块,用以采集一级医疗特征数据;数据处理模块,其与所述医疗数据采集模块相连,用以对所述一级医疗特征数据进行处理以得到二级医疗特征数据:存储模块,其分别与所述医疗数据采集模块和所述数据处理模块相连,用以对所述一级医疗特征数据和所述二级医疗特征数据进行存储;中控模块,其分别与所述医疗数据采集模块、所述数据处理模块以及所述存储模块相连,用以根据若干周期内的用药类型的平均增长数量判定诊疗系统的稳定性低于允许范围时将医疗数据采集周期调节至第一对应周期;本发明实现了医疗风险预警精准性和医疗系统稳定性的提高。
Description
技术领域
本发明涉及医疗风险预警技术领域,尤其涉及一种智能化医疗风险识别预警系统。
背景技术
医院信息系统的普及,特别是医疗领域的发展,产生了大量的医疗数据,而随着患者与医疗数据的急剧增加,需要评估人员有专业的知识经验,不能完全适用于所有病区护理人员,且收集过程耗时费力,存在很多主观因素也可能存在遗漏或延迟,但临床住院过程中存在着大量的潜在危重患者。现有技术中对于医疗风险的识别预警存在着预警的精准性和全面性不足的问题。
中国专利公开号:CN115938578A公开了一种医疗数据识别处理和预警的方法及系统,涉及数据识别技术领域,方法包括:基于数据中台服务对患者医疗数据进行采集汇总后得到医疗数据库再从中提取目标患者的医疗数据,结合所构建的风险评估字典表生成患者信息目标串以及信息模式串,对患者信息目标串与信息模式串进行信息匹配,获取多组匹配结果后进行综合计算评估,生成风险评估值,对风险评估值进行风险评估预测,基于预测结果生成预警信息;由此可见,所述医疗数据识别处理和预警的方法及系统存在由于对用药类型的数量的变化反映出的诊疗稳定性的判定不精准和对数据采集周期的调节不精准对于医疗识别预警精准性产生影响的问题。
发明内容
为此,本发明提供一种智能化医疗风险识别预警系统,用以克服现有技术中由于对用药类型的数量的变化反映出的诊疗稳定性的判定不精准和对数据采集周期的调节不精准对于医疗识别预警精准性产生影响的问题。
为实现上述目的,本发明提供一种智能化医疗风险识别预警系统,包括:医疗数据采集模块,用以采集一级医疗特征数据,所述一级医疗特征数据包括:若干周期的用药类型的数量、病种特征参数的变化量以及不完整医疗数据的数量;数据处理模块,其与所述医疗数据采集模块相连,用以对所述一级医疗特征数据进行处理以得到二级医疗特征数据,所述二级医疗特征数据包括若干周期的用药类型的平均增长数量、不完整医疗数据的数量占比以及筛选后的医疗数据与安全特征数据的关联度评价参数:存储模块,其分别与所述医疗数据采集模块和所述数据处理模块相连,用以对所述一级医疗特征数据和所述二级医疗特征数据进行存储;中控模块,其分别与所述医疗数据采集模块、所述数据处理模块以及所述存储模块相连,用以根据若干周期内的用药类型的平均增长数量判定诊疗系统的稳定性低于允许范围时将医疗数据采集周期调节至第一对应周期,或,根据病种特征参数的变化量将诊断日志的标准存储容量占比调节至对应占比,以及,在第一条件下根据所述不完整医疗数据的数量占比判定医疗数据泄露风险超出允许范围时将所述医疗数据采集周期二次调节至第二对应周期,或,根据筛选后的医疗数据与安全特征数据的关联度评价参数将医疗安全信息的筛选粒度增大至对应粒度;其中,所述第一条件为所述中控模块完成对于所述医疗数据采集周期的初次调节。
进一步地,所述中控模块控制所述数据处理模块对若干周期的用药类型的平均增长数量进行计算处理以得到用药类型的平均增长数量,并根据所述用药类型的平均增长数量判定诊疗系统的稳定性是否在允许范围内,其中,
所述中控模块在第一增长数量条件下和第二增长数量条件下判定诊疗系统的稳定性低于允许范围,其中,
所述中控模块在所述第一增长数量条件下初次判定诊断精准性低于允许范围,控制所述医疗数据采集模块对病种特征参数的变化量进行获取,并根据所述病种特征参数的变化量对诊断精准性是否低于允许范围进行二次判定;
所述中控模块在所述第二增长数量条件下判定需减小医疗数据采集周期;
其中,所述第一增长数量条件为,用药类型的平均增长数量大于预设第一增长数量且小于等于预设第二增长数量;所述第二增长数量条件为,用药类型的平均增长数量大于预设第二增长数量;所述预设第一增长数量小于所述预设第二增长数量;
所述用药类型的平均增长数量的计算公式为:
其中,Q为用药类型的平均增长数量,qi-qi-1为第i个周期的用药类型的数量与第i-1个周期的用药类型的数量的差值,n为统计周期的总数量,n为大于等于1的自然数。
进一步地,述中控模块在所述第二增长数量条件下设有若干根据用药类型的平均增长数量与预设第二增长数量的差值减小医疗数据采集周期的调节方式,其中,每种调节方式对减小所述医疗数据采集周期的调节大小不同。
进一步地,所述中控模块在所述第一增长数量条件下根据所述病种特征参数的变化量对诊断精准性是否低于允许范围进行二次判定,其中,
所述中控模块在预设变化量条件下二次判定诊断精准性低于允许范围,对诊断日志的标准存储容量占比进行调节;
其中,所述预设变化量条件为,病种特征参数的变化量大于预设变化量。
进一步地,所述中控模块在所述预设变化量条件下设有若干根据病种特征参数的变化量与预设变化量的差值增大所述诊断日志的标准存储容量占比的调节方式,其中,每种容量占比调节方式对增大所述诊断日志的标准存储容量占比的调节大小不同。
进一步地,所述中控模块在所述第一条件下控制所述数据处理模块对不完整医疗数据的数量占比进行计算,并根据所述不完整医疗数据的数量占比对医疗数据的泄露风险进行判定,其中,
所述中控模块在预设第一占比条件下和预设第二占比条件下判定医疗数据的泄露风险超出允许范围,其中,
所述中控模块在所述预设第一占比条件下判定需增大所述医疗数据采集周期;
所述中控模块在所述预设第二占比条件下初次判定安全数据筛选的有效性低于允许范围,并根据筛选后的医疗数据与安全特征数据的关联度评价参数对安全数据筛选的有效性是否低于允许范围进行二次判定;
其中,所述预设第一占比条件为,不完整医疗数据的数量占比大于预设第一数量占比且小于等于预设第二数量占比;所述预设第二占比条件为,不完整医疗数据的数量占比大于预设第二数量占比;所述预设第一数量占比小于所述预设第二数量占比;
其中,所述不完整医疗数据的数量占比的计算公式为:其中,W为不完整医疗数据的数量占比,Wx为不完整医疗数据的数量,Wy为医疗数据的总数量。
进一步地,所述中控模块在所述预设第一占比条件下设有若干根据不完整医疗数据的数量占比与预设第一数量占比的差值增大所述医疗数据采集周期的二次调节方式,其中,每种二次调节方式对增大医疗数据采集周期的调节大小不同。
进一步地,所述中控模块在所述第二占比条件下根据筛选后的医疗数据与安全特征数据的关联度评价参数对安全数据筛选的有效性是否低于允许范围进行二次判定,其中,
所述中控模块在预设关联度评价参数条件下判定需增大医疗安全信息的筛选粒度;
其中,所述预设关联度评价参数条件为,筛选后的医疗数据与安全特征数据的关联度评价参数大于预设关联度评价参数。
进一步地,所述筛选后的医疗数据与安全特征数据的关联度评价参数的计算公式为:
其中, S为筛选后的医疗数据与安全特征数据的关联度评价参数,A为筛选后的医疗数据中的安全特征数据的数量,B为筛选后的医疗数据中的次级安全特征数据的数量,C为筛选出的安全特征数据的数量与历史数据中的安全特征数据的平均数量的差值,a为筛选后的医疗数据中的安全特征的数量的权重系数,b为筛选后的医疗数据中的次级安全特征数据的数量的权重系数,c为筛选出的安全特征数据的数量与历史数据中的安全特征数据的平均数量的差值的权重系数,且a=0.5,b=0.2,c=0.3。
进一步地,所述中控模块在所述预设关联度评价参数条件下设有若干根据筛选后的医疗数据与安全特征数据的关联度评价参数与预设关联度的差值增大医疗安全信息的筛选粒度的调节方式,其中,每种粒度调节方式对增大所述医疗安全信息的筛选粒度的调节大小不同。
与现有技术相比,本发明的有益效果在于,本发明所述预警系统通过设置的医疗数据采集模块、数据处理模块、存储模块以及中控模块,通过采集的一级医疗特征数据和二级医疗特征数据,通过根据若干周期内的用药类型的平均增长数量判定医疗系统的稳定性低于允许范围时将医疗数据采集周期调节至第一对应周期,降低了由于对医疗数据采集周期的调节不精准对于医疗风险预警的精准性和医疗系统稳定性的影响;通过根据病种特征参数的变化量将诊断日志的标准存储容量占比调节至对应占比,降低了由于对诊断日志的标准存储容量占比的调节不精准对于诊断精准性判定精准性的影响;通过根据不完整医疗数据的数量占比判定医疗数据泄露风险超出允许范围时将所述医疗数据采集周期二次调节至第二对应周期,降低了由于对医疗数据泄露风险的判定不精准和对医疗数据采集周期的二次调节不精准对于医疗风险预警全面性的影响;通过根据筛选后的医疗数据与安全特征数据的关联度评价参数将医疗安全信息的筛选粒度增大至对应粒度,降低了由于对医疗安全信息的筛选粒度的调节不精准对于医疗风险预警精准性的影响,实现了医疗风险预警精准性和医疗系统稳定性的提高。
进一步地,本发明所述预警系统通过设置的预设第一增长数量和预设第二增长数量,通过根据所述用药类型的平均增长数量判定诊疗系统的稳定性是否在允许范围内,降低了由于对诊疗系统的稳定性的判定不精准对于医疗风险预警准确性的影响,进一步实现了医疗风险预警精准性和医疗系统稳定性的提高。
进一步地,本发明所述预警系统通过设置的针对医疗数据采集周期的不同的调节方式,降低了由于对医疗数据采集周期的调节不精准对于医疗风险预警精准性的影响,进一步实现了医疗风险预警精准性和医疗系统稳定性的提高。
进一步地,本发明所述系统通过设置的针对诊断日志的标准存储容量占比的不同的调节方式,降低了由于病种特征参数的变化量反映出的诊断精准性的影响,进一步实现了医疗风险预警精准性和医疗系统稳定性的提高。
进一步地,本发明所述系统通过设置的预设第一数量占比和预设第二数量占比,通过根据不完整医疗数据的数量占比对医疗数据的泄露风险进行判定,降低了由于对医疗数据的泄露风险的判定不精准对于医疗风险识别精准性的影响,进一步实现了医疗风险预警精准性和医疗系统稳定性的提高。
进一步地,本发明所述系统通过设置的针对医疗安全信息的筛选粒度的不同调节方式,降低了由于对筛选粒度的调节不精准对于医疗风险泄露的影响,进一步实现了医疗风险预警精准性和医疗系统稳定性的提高。
附图说明
图1为本发明实施例智能化医疗风险识别预警系统的整体结构框图;
图2为本发明实施例智能化医疗风险识别预警系统的数据处理模块结构框图;
图3为本发明实施例智能化医疗风险识别预警系统的数据处理模块与中控模块连接的连接结构框图;
图4为本发明实施例智能化医疗风险识别预警系统的数据处理模块与医疗数据采集模块的连接结构框图。
具体实施方式
为了使本发明的目的和优点更加清楚明白,下面结合实施例对本发明作进一步描述;应当理解,此处所描述的具体实施例仅仅用于解释本发明,并不用于限定本发明。
下面参照附图来描述本发明的优选实施方式,本领域技术人员应当理解的是,这些实施方式仅仅用于解释本发明的技术原理,并非在限制本发明的保护范围。
需要说明的是,在本发明的描述中,术语“上”、“下”、“左”、“右”、“内”、“外”等指示的方向或位置关系的术语是基于附图所示的方向或位置关系,这仅仅是为了便于描述,而不是指示或暗示所述装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
此外,还需要说明的是,在本发明的描述中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域技术人员而言,可根据具体情况理解上述术语在本发明中的具体含义。
请参阅图1、图2、图3以及图4所示,其分别为本发明实施例智能化医疗风险识别预警系统的整体结构框图、数据处理模块结构框图、数据处理模块与中控模块连接的连接结构框图以及数据处理模块与医疗数据采集模块的连接结构框图;本发明一种智能化医疗风险识别预警系统,包括:
医疗数据采集模块,用以采集一级医疗特征数据,所述一级医疗特征数据包括:若干周期的用药类型的数量、病种特征参数的变化量以及不完整医疗数据的数量;
数据处理模块,其与所述医疗数据采集模块相连,用以对所述一级医疗特征数据进行处理以得到二级医疗特征数据,所述二级医疗特征数据包括若干周期的用药类型的平均增长数量、不完整医疗数据的数量占比以及筛选后的医疗数据与安全特征数据的关联度评价参数:
存储模块,其分别与所述医疗数据采集模块和所述数据处理模块相连,用以对所述一级医疗特征数据和所述二级医疗特征数据进行存储;
中控模块,其分别与所述医疗数据采集模块、所述数据处理模块以及所述存储模块相连,用以根据若干周期内的用药类型的平均增长数量判定诊疗系统的稳定性低于允许范围时将医疗数据采集周期调节至第一对应周期,或,根据病种特征参数的变化量将诊断日志的标准存储容量占比调节至对应占比,
以及,在第一条件下根据所述不完整医疗数据的数量占比判定医疗数据泄露风险超出允许范围时将所述医疗数据采集周期二次调节至第二对应周期,或,根据筛选后的医疗数据与安全特征数据的关联度评价参数将医疗安全信息的筛选粒度增大至对应粒度;
其中,所述第一条件为所述中控模块完成对于所述医疗数据采集周期的初次调节。
具体而言,所述数据处理模块还包括:
第一筛选组件,用以对所述医疗数据采集模块采集到的一级医疗特征数据进行筛选以获得符合患者信息安全的一级医疗特征数据;
第二筛选组件,其与所述第一筛选组件相连,用以对符合患者信息安全的一级医疗特征数据进行筛选以获取筛选后的一级医疗特征数据中的安全特征数据和次级安全特征数据;
计算组件,其与所述第二筛选组件相连,用以根据第二筛选组件输出的筛选后的医疗数据中的安全特征数据的数量、筛选后的医疗数据中的次级安全特征数据的数量以及筛选出的安全特征数据的数量与历史数据中的安全特征数据的平均数量的差值对筛选后的医疗数据与安全特征数据的关联度评价参数进行计算。本发明所述预警系统通过设置的医疗数据采集模块、数据处理模块、存储模块以及中控模块,通过采集的一级医疗特征数据和二级医疗特征数据,通过根据若干周期内的用药类型的平均增长数量判定医疗系统的稳定性低于允许范围时将医疗数据采集周期调节至第一对应周期,降低了由于对医疗数据采集周期的调节不精准对于医疗风险预警的精准性和医疗系统稳定性的影响;通过根据病种特征参数的变化量将诊断日志的标准存储容量占比调节至对应占比,降低了由于对诊断日志的标准存储容量占比的调节不精准对于诊断精准性判定精准性的影响;通过根据不完整医疗数据的数量占比判定医疗数据泄露风险超出允许范围时将所述医疗数据采集周期二次调节至第二对应周期,降低了由于对医疗数据泄露风险的判定不精准和对医疗数据采集周期的二次调节不精准对于医疗风险预警全面性的影响;通过根据筛选后的医疗数据与安全特征数据的关联度评价参数将医疗安全信息的筛选粒度增大至对应粒度,降低了由于对医疗安全信息的筛选粒度的调节不精准对于医疗风险预警精准性的影响,实现了医疗风险预警精准性和医疗系统稳定性的提高。
请继续参阅图1所示,所述中控模块控制所述数据处理模块对若干周期的用药类型的平均增长数量进行计算处理以得到用药类型的平均增长数量,并根据所述用药类型的平均增长数量判定诊疗系统的稳定性是否在允许范围内,其中,
所述中控模块在第一增长数量条件下和第二增长数量条件下判定诊疗系统的稳定性低于允许范围,其中,
所述中控模块在所述第一增长数量条件下初次判定诊断精准性低于允许范围,控制所述医疗数据采集模块对病种特征参数的变化量进行获取,并根据所述病种特征参数的变化量对诊断精准性是否低于允许范围进行二次判定;
所述中控模块在所述第二增长数量条件下判定需减小医疗数据采集周期;
其中,所述第一增长数量条件为,用药类型的平均增长数量大于预设第一增长数量且小于等于预设第二增长数量;所述第二增长数量条件为,用药类型的平均增长数量大于预设第二增长数量;所述预设第一增长数量小于所述预设第二增长数量。
所述用药类型的平均增长数量的计算公式为:
其中,Q为用药类型的平均增长数量,qi-qi-1为第i个周期的用药类型的数量与第i-1个周期的用药类型的数量的差值,n为统计周期的总数量,n为大于等于1的自然数;
具体而言,用药类型的平均增长数量记为Q,预设第一增长数量记为Q1,预设第二增长数量记为Q2,其中Q1<Q2,设定Q1=5种,Q2=10种。
本发明所述预警系统通过设置的预设第一增长数量和预设第二增长数量,通过根据所述用药类型的平均增长数量判定诊疗系统的稳定性是否在允许范围内,降低了由于对诊疗系统的稳定性的判定不精准对于医疗风险预警准确性的影响,进一步实现了医疗风险预警精准性和医疗系统稳定性的提高。
请继续参阅图1所示,所述中控模块在所述第二增长数量条件下设有若干根据用药类型的平均增长数量与预设第二增长数量的差值减小医疗数据采集周期的调节方式,其中,每种调节方式对减小所述医疗数据采集周期的调节大小不同。
本发明所述预警系统通过设置的针对医疗数据采集周期的不同的调节方式,降低了由于对医疗数据采集周期的调节不精准对于医疗风险预警精准性的影响,进一步实现了医疗风险预警精准性和医疗系统稳定性的提高。
具体而言,第一种调节方式为,所述中控模块在预设第一增长数量差值条件下使用预设第二采集周期调节系数将所述医疗数据采集周期调节至第一采集周期;
第二种调节方式为,所述中控模块在预设第二增长数量差值条件下使用预设第一采集周期调节系数将所述医疗数据采集周期调节至第二采集周期;
其中,所述预设第一增长数量差值条件为,用药类型的平均增长数量与预设第二增长数量的差值小于等于预设增长数量差值;所述预设第二增长数量差值条件为,用药类型的平均增长数量与预设第二增长数量的差值大于预设增长数量差值;所述预设第一采集周期调节系数小于所述预设第二采集周期调节系数。
具体而言,用药类型的平均增长数量与预设第二增长数量的差值记为△Q,设定△Q=Q-Q2,预设增长数量差值记为△Q0,预设第一采集周期调节系数记为α1,预设第二采集周期调节系数记为α2,医疗数据采集周期记为T,其中0<α1<α2<1,设定△Q0=4种,α1=0.85,α2=0.92,调节后的医疗数据采集周期记为T’,设定T’=T×(1+αg)/2,其中,αg为预设第g采集周期调节系数,设定g=1,2。
请继续参阅图1和图2所示,所述中控模块在所述第一增长数量条件下根据所述病种特征参数的变化量对诊断精准性是否低于允许范围进行二次判定,其中,
所述中控模块在预设变化量条件下二次判定诊断精准性低于允许范围,对诊断日志的标准存储容量占比进行调节;
其中,所述预设变化量条件为,病种特征参数的变化量大于预设变化量。
具体而言,病种特征参数的变化量记为R,预设变化量记为R0,设定R0=2mmol/L。
具体而言,病种特征参数可以为血糖浓度、血压值以及血脂浓度,但不限于以上参数。
请继续参阅图1和图2所示,所述中控模块在所述预设变化量条件下设有若干根据病种特征参数的变化量与预设变化量的差值增大所述诊断日志的标准存储容量占比的调节方式,其中,每种容量占比调节方式对增大所述诊断日志的标准存储容量占比的调节大小不同。
本发明所述系统通过设置的针对诊断日志的标准存储容量占比的不同的调节方式,降低了由于病种特征参数的变化量反映出的诊断精准性的影响,进一步实现了医疗风险预警精准性和医疗系统稳定性的提高。
具体而言,第一种容量占比调节方式为,所述中控模块在预设第一变化量差值条件下使用预设第一容量占比调节系数将所述诊断日志的标准存储容量占比调节至第一容量占比;
第二种容量占比调节方式为,所述中控模块在预设第二变化量差值条件下使用预设第二容量占比调节系数将所述诊断日志的标准存储容量占比调节至第二容量占比;
其中,所述预设第一变化量差值条件为,病种特征参数的变化量与预设变化量的差值小于等于预设变化量差值;所述预设第二变化量差值条件为,病种特征参数的变化量与预设变化量的差值大于预设变化量差值;所述预设第一容量占比调节系数小于所述预设第二容量占比调节系数。
具体而言,病种特征参数的变化量与预设变化量的差值记为△R,设定△R=R-R0,预设变化量差值记为△R0,预设第一容量占比调节系数记为β1,预设第二容量占比调节系数记为β2,诊断日志的标准存储容量占比记为Z,其中1<β1<β2,设定△R0=0.5mmol/L,β1=1.2,β2=1.4,调节后的诊断日志的标准存储容量占比记为Z’,设定Z’=Z×βh,其中βh为预设第h容量占比调节系数,设定h=1,2。
请继续参阅图3和图4所示,所述中控模块在所述第一条件下控制所述数据处理模块对不完整医疗数据的数量占比进行计算,并根据所述不完整医疗数据的数量占比对医疗数据的泄露风险进行判定,其中,
所述中控模块在预设第一占比条件下和预设第二占比条件下判定医疗数据的泄露风险超出允许范围,其中,
所述中控模块在所述预设第一占比条件下判定需增大所述医疗数据采集周期;
所述中控模块在所述预设第二占比条件下初次判定安全数据筛选的有效性低于允许范围,并根据筛选后的医疗数据与安全特征数据的关联度评价参数对安全数据筛选的有效性是否低于允许范围进行二次判定;
其中,所述预设第一占比条件为,不完整医疗数据的数量占比大于预设第一数量占比且小于等于预设第二数量占比;所述预设第二占比条件为,不完整医疗数据的数量占比大于预设第二数量占比;所述预设第一数量占比小于所述预设第二数量占比;
其中,所述不完整医疗数据的数量占比的计算公式为:
其中,W为不完整医疗数据的数量占比,Wx为不完整医疗数据的数量,Wy为医疗数据的总数量。
本发明所述系统通过设置的预设第一数量占比和预设第二数量占比,通过根据不完整医疗数据的数量占比对医疗数据的泄露风险进行判定,降低了由于对医疗数据的泄露风险的判定不精准对于医疗风险识别精准性的影响,进一步实现了医疗风险预警精准性和医疗系统稳定性的提高。
具体而言,预设第一数量占比记为W1,预设第二数量占比记为W2,其中W1<W2,设定W1=0.15,W2=0.2。
请继续参阅图1所示,所述中控模块在所述预设第一占比条件下设有若干根据不完整医疗数据的数量占比与预设第一数量占比的差值增大所述医疗数据采集周期的二次调节方式,其中,每种二次调节方式对增大医疗数据采集周期的调节大小不同。
具体而言,第一种采集周期二次调节方式为,所述中控模块在预设第一占比差值条件下使用预设第三采集周期二次调节系数将所述医疗数据采集周期二次调节至第三采集周期;
第二种采集周期二次调节方式为,所述中控模块在预设第二占比差值条件下使用预设第四采集周期二次调节系数将所述医疗数据采集周期二次调节至第四采集周期;
其中,所述预设第一占比差值条件为,不完整医疗数据的数量占比与预设第一数量占比的差值小于等于预设数量占比差值;所述预设第二占比差值条件为,不完整医疗数据的数量占比与预设第一数量占比的差值大于预设数量占比差值;所述预设第三采集周期二次调节系数小于所述预设第四采集周期二次调节系数。
具体而言,不完整医疗数据的数量占比与预设第一数量占比的差值记为△W,设定△W=W-W1,预设数量占比差值记为△W0,预设第三采集周期二次调节系数记为α3,预设第四采集周期二次调节系数记为α4,其中,1<α3<α4,设定△W0=0.03,α3=1.13,α4=1.34,调节后的医疗数据采集周期记为T”,设定T”=T’×(1+αk)/2,其中,αk为预设第k采集周期二次调节系数,设定k=3,4。
请继续参阅图1和图3所示,所述中控模块在所述第二占比条件下根据筛选后的医疗数据与安全特征数据的关联度评价参数对安全数据筛选的有效性是否低于允许范围进行二次判定,其中,
所述中控模块在预设关联度评价参数条件下判定需增大医疗安全信息的筛选粒度;
其中,所述预设关联度评价参数条件为,筛选后的医疗数据与安全特征数据的关联度评价参数大于预设关联度评价参数。
具体而言,筛选后的医疗数据与安全特征数据的关联度评价参数记为S,预设关联度评价参数记为S0,设定S0=6。
请继续参阅图1所示,所述筛选后的医疗数据与安全特征数据的关联度评价参数的计算公式为:
其中, S为筛选后的医疗数据与安全特征数据的关联度评价参数,A为筛选后的医疗数据中的安全特征数据的数量,B为筛选后的医疗数据中的次级安全特征数据的数量,C为筛选出的安全特征数据的数量与历史数据中的安全特征数据的平均数量的差值,a为筛选后的医疗数据中的安全特征的数量的权重系数,b为筛选后的医疗数据中的次级安全特征数据的数量的权重系数,c为筛选出的安全特征数据的数量与历史数据中的安全特征数据的平均数量的差值的权重系数,且a=0.5,b=0.2,c=0.3。
具体而言,安全特征数据可以为患者的重症疾病的诊断结果、患者的传染病携带信息以及患者的重症疾病用药信息,本领域技术人员可以理解的是,安全特征数据不限于以上所举例,其他的安全特征数据在此不再赘述。
具体而言,次级安全特征数据可以为患者的个人联系方式、患者的重症疾病对应的症状以及患者的涉及重症疾病的检查报告信息,本领域技术人员可以理解的是,次级安全特征数据不限于以上所举例,对于其他的次级安全特征数据在此不再赘述。
具体而言,筛选出的安全特征数据的数量与历史数据中的安全特征数据的平均数量的差值的计算公式为:C=M-M’,其中C为筛选出的安全特征数据的数量与历史数据中的安全特征数据的平均数量的差值,M为筛选出的安全特征数据的数量,M’为历史数据中的安全特征数据的平均数量。
具体而言,历史数据中的安全特征数据的平均数量的计算公式为:
其中,mj为第j次筛选出的安全特征数据的数量,p为历史数据中筛选的总次数,p为大于等于1的自然数。
请继续参阅图1所示,所述中控模块在所述预设关联度评价参数条件下设有若干根据筛选后的医疗数据与安全特征数据的关联度评价参数与预设关联度的差值增大医疗安全信息的筛选粒度的调节方式,其中,每种粒度调节方式对增大所述医疗安全信息的筛选粒度的调节大小不同。
本发明所述系统通过设置的针对医疗安全信息的筛选粒度的不同调节方式,降低了由于对筛选粒度的调节不精准对于医疗风险泄露的影响,进一步实现了医疗风险预警精准性和医疗系统稳定性的提高。
具体而言,第一种粒度调节方式为,所述中控模块在预设第一关联度评价参数差值条件下使用预设第一筛选粒度调节系数将所述医疗安全信息的筛选粒度调节至第一筛选粒度;
第二种粒度调节方式为,所述中控模块在预设第二关联度评价参数差值条件下使用预设第二筛选粒度调节系数将所述医疗安全信息的筛选粒度调节至第二筛选粒度;
其中,所述预设第一关联度评价参数差值条件为,筛选后的医疗数据与安全特征数据的关联度评价参数与预设关联度的差值小于等于预设关联度评价参数差值;所述预设第二关联度评价参数差值条件为,筛选后的医疗数据与安全特征数据的关联度评价参数与预设关联度的差值大于预设关联度评价参数差值;所述预设第一筛选粒度调节系数小于所述预设第二筛选粒度调节系数。
具体而言,筛选后的医疗数据与安全特征数据的关联度评价参数与预设关联度的差值记为△S,设定△S=S-S0,预设关联度评价参数差值记为△S0,预设第一筛选粒度调节系数记为γ1,预设第二筛选粒度调节系数记为γ2,医疗安全信息的筛选粒度记为U,其中,1<γ1<γ2,设定△S0=3,γ1=1.1,γ2=1.3,调节后的所述医疗安全信息的筛选粒度记为U’,设定U’=U×(1+2γf)/3,其中,γf为预设第f筛选粒度调节系数,设定f=1,2。
实施例
本实施例1智能化医疗风险识别预警系统,本实施例1中的病种特征参数选取血糖浓度,中控模块在所述预设变化量条件下设有若干根据病种特征参数的变化量与预设变化量的差值增大所述诊断日志的标准存储容量占比的调节方式,病种特征参数的变化量与预设变化量的差值记为△R,设定△R=R-R0,预设变化量差值记为△R0,预设第一容量占比调节系数记为β1,预设第二容量占比调节系数记为β2,诊断日志的标准存储容量占比记为Z,其中1<β1<β2,设定△R0=0.5mmol/L,β1=1.2,β2=1.4,
本实施例1求得△R=0.6mmol/L,Z=0.3,中控模块判定△R>△R0并使用预设第二容量占比调节系数β2将所述诊断日志的标准存储容量占比调节至第二容量占比Z’,计算得Z’=0.3×1.4=0.42。
本实施例1通过在△R>△R0时对诊断日志的标准存储容量占比进行调节,降低了诊断日志的存储容量占比过低对于医疗风险的采集全面性的影响。
至此,已经结合附图所示的优选实施方式描述了本发明的技术方案,但是,本领域技术人员容易理解的是,本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下,本领域技术人员可以对相关技术特征做出等同的更改或替换,这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
Claims (9)
1.一种智能化医疗风险识别预警系统,其特征在于,包括:
医疗数据采集模块,用以采集一级医疗特征数据,所述一级医疗特征数据包括:若干周期的用药类型的数量、病种特征参数的变化量以及不完整医疗数据的数量;
数据处理模块,其与所述医疗数据采集模块相连,用以对所述一级医疗特征数据进行处理以得到二级医疗特征数据,所述二级医疗特征数据包括若干周期的用药类型的平均增长数量、不完整医疗数据的数量占比以及筛选后的医疗数据与安全特征数据的关联度评价参数:
存储模块,其分别与所述医疗数据采集模块和所述数据处理模块相连,用以对所述一级医疗特征数据和所述二级医疗特征数据进行存储;
中控模块,其分别与所述医疗数据采集模块、所述数据处理模块以及所述存储模块相连,用以根据若干周期内的用药类型的平均增长数量判定诊疗系统的稳定性低于允许范围时将医疗数据采集周期调节至第一对应周期,或,根据病种特征参数的变化量将诊断日志的标准存储容量占比调节至对应占比,
以及,在第一条件下根据所述不完整医疗数据的数量占比判定医疗数据泄露风险超出允许范围时将所述医疗数据采集周期二次调节至第二对应周期,或,根据筛选后的医疗数据与安全特征数据的关联度评价参数将医疗安全信息的筛选粒度增大至对应粒度;
其中,所述第一条件为所述中控模块完成对于所述医疗数据采集周期的初次调节;
所述病种特征参数为血糖浓度、血压值或血脂浓度;
安全特征数据为患者的重症疾病的诊断结果、患者的传染病携带信息或患者的重症疾病用药信息;
所述中控模块控制所述数据处理模块对若干周期的用药类型的平均增长数量进行计算处理以得到用药类型的平均增长数量,并根据所述用药类型的平均增长数量判定诊疗系统的稳定性是否在允许范围内,其中,
所述中控模块在第一增长数量条件下和第二增长数量条件下判定诊疗系统的稳定性低于允许范围,其中,
所述中控模块在所述第一增长数量条件下初次判定诊断精准性低于允许范围,控制所述医疗数据采集模块对病种特征参数的变化量进行获取,并根据所述病种特征参数的变化量对诊断精准性是否低于允许范围进行二次判定;
所述中控模块在所述第二增长数量条件下判定减小医疗数据采集周期;
其中,所述第一增长数量条件为,用药类型的平均增长数量大于预设第一增长数量且小于等于预设第二增长数量;所述第二增长数量条件为,用药类型的平均增长数量大于预设第二增长数量;所述预设第一增长数量小于所述预设第二增长数量;
所述用药类型的平均增长数量的计算公式为:
其中,Q为用药类型的平均增长数量,qi-qi-1为第i个周期的用药类型的数量与第i-1个周期的用药类型的数量的差值,n为统计周期的总数量,n为大于等于1的自然数。
2.根据权利要求1所述的智能化医疗风险识别预警系统,其特征在于,所述中控模块在所述第二增长数量条件下设有若干根据用药类型的平均增长数量与预设第二增长数量的差值减小医疗数据采集周期的调节方式,其中,每种调节方式对减小所述医疗数据采集周期的调节大小不同。
3.根据权利要求2所述的智能化医疗风险识别预警系统,其特征在于,所述中控模块在所述第一增长数量条件下根据所述病种特征参数的变化量对诊断精准性是否低于允许范围进行二次判定,其中,
所述中控模块在预设变化量条件下二次判定诊断精准性低于允许范围,对诊断日志的标准存储容量占比进行调节;
其中,所述预设变化量条件为,病种特征参数的变化量大于预设变化量。
4.根据权利要求3所述的智能化医疗风险识别预警系统,其特征在于,所述中控模块在所述预设变化量条件下设有若干根据病种特征参数的变化量与预设变化量的差值增大所述诊断日志的标准存储容量占比的调节方式,其中,每种容量占比调节方式对增大所述诊断日志的标准存储容量占比的调节大小不同。
5.根据权利要求4所述的智能化医疗风险识别预警系统,其特征在于,所述中控模块在所述第一条件下控制所述数据处理模块对不完整医疗数据的数量占比进行计算,并根据所述不完整医疗数据的数量占比对医疗数据的泄露风险进行判定,其中,
所述中控模块在预设第一占比条件下和预设第二占比条件下判定医疗数据的泄露风险超出允许范围,其中,
所述中控模块在所述预设第一占比条件下判定增大所述医疗数据采集周期;
所述中控模块在所述预设第二占比条件下初次判定安全数据筛选的有效性低于允许范围,并根据筛选后的医疗数据与安全特征数据的关联度评价参数对安全数据筛选的有效性是否低于允许范围进行二次判定;
其中,所述预设第一占比条件为,不完整医疗数据的数量占比大于预设第一数量占比且小于等于预设第二数量占比;所述预设第二占比条件为,不完整医疗数据的数量占比大于预设第二数量占比;所述预设第一数量占比小于所述预设第二数量占比;
其中,所述不完整医疗数据的数量占比的计算公式为:
其中,W为不完整医疗数据的数量占比,Wx为不完整医疗数据的数量,Wy为医疗数据的总数量。
6.根据权利要求5所述的智能化医疗风险识别预警系统,其特征在于,所述中控模块在所述预设第一占比条件下设有若干根据不完整医疗数据的数量占比与预设第一数量占比的差值增大所述医疗数据采集周期的二次调节方式,其中,每种二次调节方式对增大医疗数据采集周期的调节大小不同。
7.根据权利要求6所述的智能化医疗风险识别预警系统,其特征在于,所述中控模块在所述第二占比条件下根据筛选后的医疗数据与安全特征数据的关联度评价参数对安全数据筛选的有效性是否低于允许范围进行二次判定,其中,
所述中控模块在预设关联度评价参数条件下判定增大医疗安全信息的筛选粒度;
其中,所述预设关联度评价参数条件为,筛选后的医疗数据与安全特征数据的关联度评价参数大于预设关联度评价参数。
8.根据权利要求7所述的智能化医疗风险识别预警系统,其特征在于,所述筛选后的医疗数据与安全特征数据的关联度评价参数的计算公式为:
其中, S为筛选后的医疗数据与安全特征数据的关联度评价参数,A为筛选后的医疗数据中的安全特征数据的数量,B为筛选后的医疗数据中的次级安全特征数据的数量,C为筛选出的安全特征数据的数量与历史数据中的安全特征数据的平均数量的差值,a为筛选后的医疗数据中的安全特征的数量的权重系数,b为筛选后的医疗数据中的次级安全特征数据的数量的权重系数,c为筛选出的安全特征数据的数量与历史数据中的安全特征数据的平均数量的差值的权重系数,且a=0.5,b=0.2,c=0.3;
其中,所述次级安全特征数据为患者的个人联系方式、患者的重症疾病对应的症状或患者的涉及重症疾病的检查报告信息。
9.根据权利要求8所述的智能化医疗风险识别预警系统,其特征在于,所述中控模块在所述预设关联度评价参数条件下设有若干根据筛选后的医疗数据与安全特征数据的关联度评价参数与预设关联度的差值增大医疗安全信息的筛选粒度的调节方式,其中,每种粒度调节方式对增大所述医疗安全信息的筛选粒度的调节大小不同。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310728733.6A CN116469548B (zh) | 2023-06-20 | 2023-06-20 | 一种智能化医疗风险识别预警系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310728733.6A CN116469548B (zh) | 2023-06-20 | 2023-06-20 | 一种智能化医疗风险识别预警系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116469548A CN116469548A (zh) | 2023-07-21 |
CN116469548B true CN116469548B (zh) | 2023-09-12 |
Family
ID=87185199
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310728733.6A Active CN116469548B (zh) | 2023-06-20 | 2023-06-20 | 一种智能化医疗风险识别预警系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116469548B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116786809A (zh) * | 2023-08-21 | 2023-09-22 | 张家港市仁达金属制品有限公司 | 一种桨叶的砂模铸造自动化生产线 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2019180586A (ja) * | 2018-04-04 | 2019-10-24 | 株式会社S&Sエンジニアリング | 医療支援システムおよび作業台 |
CN111430036A (zh) * | 2020-03-23 | 2020-07-17 | 平安医疗健康管理股份有限公司 | 异常手术行为的医疗信息识别方法及装置 |
CN111489820A (zh) * | 2020-03-13 | 2020-08-04 | 上海洛书医药科技有限公司 | 基于人工智能的辅助诊疗系统 |
CN114787935A (zh) * | 2019-07-16 | 2022-07-22 | 贝塔仿生公司 | 血糖控制系统 |
CN116013531A (zh) * | 2023-03-27 | 2023-04-25 | 中国人民解放军总医院 | 一种基于诊疗过程的风险识别预警系统 |
CN116189910A (zh) * | 2023-03-15 | 2023-05-30 | 中国人民解放军总医院 | 基于大数据技术的病种诊疗质量管理系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
ES2733350T3 (es) * | 2007-06-27 | 2019-11-28 | Hoffmann La Roche | Sistema para el diagnóstico, tratamiento y pronóstico médicos para acontecimientos solicitados y procedimiento del mismo |
CN109859847A (zh) * | 2019-02-15 | 2019-06-07 | 京东方科技集团股份有限公司 | 电子设备、体重管理收益预测装置及存储介质 |
-
2023
- 2023-06-20 CN CN202310728733.6A patent/CN116469548B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2019180586A (ja) * | 2018-04-04 | 2019-10-24 | 株式会社S&Sエンジニアリング | 医療支援システムおよび作業台 |
CN114787935A (zh) * | 2019-07-16 | 2022-07-22 | 贝塔仿生公司 | 血糖控制系统 |
CN111489820A (zh) * | 2020-03-13 | 2020-08-04 | 上海洛书医药科技有限公司 | 基于人工智能的辅助诊疗系统 |
CN111430036A (zh) * | 2020-03-23 | 2020-07-17 | 平安医疗健康管理股份有限公司 | 异常手术行为的医疗信息识别方法及装置 |
CN116189910A (zh) * | 2023-03-15 | 2023-05-30 | 中国人民解放军总医院 | 基于大数据技术的病种诊疗质量管理系统 |
CN116013531A (zh) * | 2023-03-27 | 2023-04-25 | 中国人民解放军总医院 | 一种基于诊疗过程的风险识别预警系统 |
Non-Patent Citations (1)
Title |
---|
肺癌的遗传咨询与精准诊疗策略;白日兰;刘一凝;崔久嵬;;中国肿瘤生物治疗杂志(第08期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116469548A (zh) | 2023-07-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116469548B (zh) | 一种智能化医疗风险识别预警系统 | |
A'hern | Sample size tables for exact single‐stage phase II designs | |
US7139677B2 (en) | Methods for consistent forewarning of critical events across multiple data channels | |
CN111724910B (zh) | 一种适用于围手术期患者血液管理的检测评估方法 | |
EP1383424B1 (en) | Method for monitoring pressure in body cavities | |
US20040162678A1 (en) | Method of screening for disorders of glucose metabolism | |
CN109480780A (zh) | 一种脑卒中预警系统及方法 | |
CN111739634A (zh) | 相似患者智能分群方法、装置、设备及存储介质 | |
CN113539482B (zh) | 一种术后临床路径智能分析管理系统 | |
CN114898873A (zh) | 一种糖尿病前期患者心血管疾病风险的预测方法及系统 | |
CN114283947B (zh) | 一种适用于手术患者的健康管理方法及系统 | |
CN111951953B (zh) | 基于ai技术的糖尿病肾脏疾病筛查方法、模型及系统 | |
CN114266729A (zh) | 一种基于机器学习的胸部肿瘤放疗后放射性肺炎预测方法和系统 | |
CN114067529A (zh) | 一种心衰预测预警的日常监测系统 | |
CN116631563B (zh) | 一种医药行业大数据存储及智能匹配方法 | |
CN116013531B (zh) | 一种基于诊疗过程的风险识别预警系统 | |
CN116548938A (zh) | 临床医学用防感染隔离体征状态监测设备及监测系统 | |
CN117912634B (zh) | 一种神经外科患者术后康复训练推荐方法 | |
CN113077893A (zh) | 一种智能辅具适配决策系统及方法 | |
CN116110537B (zh) | 一种用于盐敏感性高血压的饮食健康管理系统 | |
CN116798659B (zh) | 一种基于冠心病监测的综合档案管理平台 | |
CN117542475A (zh) | 一种配伍禁忌预警提示方法、装置、设备及存储介质 | |
CN117155402B (zh) | 基于rpa技术的公卫健康智能体检服务系统 | |
Mcquatt et al. | Discussing anomalous situations using decision trees: a head injury case study | |
CN117747046A (zh) | 一种医用注射系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |