CN116612891B - 一种慢性病患者数据处理系统 - Google Patents

一种慢性病患者数据处理系统 Download PDF

Info

Publication number
CN116612891B
CN116612891B CN202310861145.XA CN202310861145A CN116612891B CN 116612891 B CN116612891 B CN 116612891B CN 202310861145 A CN202310861145 A CN 202310861145A CN 116612891 B CN116612891 B CN 116612891B
Authority
CN
China
Prior art keywords
chronic
patient
disease
review
bronchus
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
Application number
CN202310861145.XA
Other languages
English (en)
Other versions
CN116612891A (zh
Inventor
刘岩
刘冬梅
马吉祥
陈良侠
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Yingdong Intelligent Technology Shandong Co ltd
Original Assignee
Yingdong Intelligent Technology Shandong Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Yingdong Intelligent Technology Shandong Co ltd filed Critical Yingdong Intelligent Technology Shandong Co ltd
Priority to CN202310861145.XA priority Critical patent/CN116612891B/zh
Publication of CN116612891A publication Critical patent/CN116612891A/zh
Application granted granted Critical
Publication of CN116612891B publication Critical patent/CN116612891B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • GPHYSICS
    • G16INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16HHEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30ICT 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
    • GPHYSICS
    • G16INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16HHEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H10/00ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/60ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
    • GPHYSICS
    • G16INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16HHEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20ICT 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
    • YGENERAL 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
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02ATECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

本发明涉及慢性病患者数据处理领域,具体公开一种慢性病患者数据处理系统,本发明通过分析慢性病患者的支扩病理严重程度系数、临床症状严重程度系数、身体素质评价系数和生活环境影响系数,综合得到慢性病患者的病情严重程度评估指数,分析慢性病患者的病情发展趋势曲线,从多个维度对慢性病患者的病情进行评估,更加精确、有效地探索个体间慢病发生的病因和发展过程,进而进行慢病的精准预测、风险判别和及时预警;获取各病期中病情恶化、病情平稳和病情好转的慢性病患者人数,评估指定医院诊疗支气管扩张慢性病的效果,有利于辅助临床医生决策,有效降低医疗成本,提高医疗效率和服务质量。

Description

一种慢性病患者数据处理系统
技术领域
本发明涉及慢性病患者数据处理领域,涉及到一种慢性病患者数据处理系统。
背景技术
慢性病患者数据的处理在疾病管理、预防干预、科学研究、个性化管理和数据安全等方面具有重要性,能够为改善患者的健康状况和提供更有效的医疗服务发挥重要作用。
支气管扩张是临床常见的慢性病之一,对支气管扩张患者的数据进行分析处理具有现实意义,有利于医院为支气管扩张患者提供主动、连续、综合和个性化的健康服务。
现有的对支气管扩张患者数据的处理方法大都集中于前期数据的采集获取,通过多样化、精密化的数据采集手段方法,提高数据来源的可靠性,进而提高基于数据分析的诊断结果的精准性,而对后期数据的分析处理较为薄弱,存在着一些不足:一方面,现有方法主要通过医生凭借自身经验从医学影像诊断患者的支气管扩张病情,判断支气管扩张的严重程度,主观性较强,没有对患者的医学影像进行系统化的数据分析,如支气管扩张的病理形态、程度、范围和动态变化等,进而无法对支气管扩张患者的病情进行科学的、精准的诊断,从而不利于对患者进行针对性的治疗。
一方面,现有方法对支气管扩张患者病情的诊断结果主要依据医学影像和化验报告,而患者的临床症状、身体素质和生活环境均会对患者病情的诊断产生一定的影响,进而使得患者病情的诊断结果具有片面性。
另一方面,现有方法通过个体患者病情发展趋势评估医院诊疗效果,将各患者无差别地纳入分析,没有对个体患者进行细化分层,如分为早期患者、中期患者和晚期患者等,进而使得医院诊疗效果评估体系不够灵活,不利于医院优化治疗方案和提升诊疗水平。
发明内容
针对上述问题,本发明提出了一种慢性病患者数据处理系统,实现对慢性病患者数据处理的功能。
本发明解决其技术问题采用的技术方案是:本发明提供一种慢性病患者数据处理系统,包括:慢性病患者医学影像分析模块:用于获取各慢性病患者各次复查的CT扫描影像,分析各慢性病患者各次复查的支扩病理信息,其中支扩病理信息包括支扩类型数量和各类支扩中各处异常支气管管段的长度、位置、支气管-动脉比值和支气管管壁增厚系数,获取各慢性病患者各次复查的支扩病理严重程度系数。
慢性病患者临床症状分析模块:用于获取各慢性病患者各次复查前期的临床症状种类数量和各种临床症状的日均发作次数和平均发作间隔时长,分析各慢性病患者各次复查的临床症状严重程度系数。
慢性病患者身体素质分析模块:用于获取各慢性病患者的患病时长、年龄、烟龄和病期各类感染的次数,分析各慢性病患者的身体素质评价系数。
慢性病患者生活环境分析模块:用于获取各慢性病患者生活区域的空气污染等级和昼夜温差,分析各慢性病患者的生活环境影响系数。
慢性病患者病情发展趋势分析模块:用于根据各慢性病患者各次复查的支扩病理严重程度系数、临床症状严重程度系数及各慢性病患者的身体素质评价系数和生活环境影响系数,分析各慢性病患者各次复查的病情严重程度评估指数,进一步获取各慢性病患者的病情发展趋势曲线。
指定医院慢性病诊疗效果评估模块:用于根据各慢性病患者的病情发展趋势曲线,分析指定医院诊疗支气管扩张慢性病的效果评估指数,并进行处理。
数据库:用于存储主干支气管位置和分支支气管位置对应的影响因子、各慢性病患者的参考支气管管壁厚度、各年龄范围对应的身体素质影响因子、各空气污染等级对应的环境影响因子和各昼夜温差范围对应的环境影响因子,并存储病情恶化、病情平稳和病情好转对应的病情发展趋势曲线。
在上述实施例的基础上,所述慢性病患者医学影像分析模块的具体分析过程包括:S1:设定监测周期的时长,从指定医院的患者信息库中提取指定医院监测周期内接诊的各支气管扩张患者各次复查的高分辨力CT扫描影像,将其记为各慢性病患者各次复查的CT扫描影像。
根据各慢性病患者各次复查的CT扫描影像,获取各慢性病患者各次复查CT扫描影像中各处支气管扩张的支扩类型。
统计各慢性病患者各次复查的支扩类型数量,将其记为,/>表示第/>个慢性病患者的编号,/>,/>表示第/>次复查的编号,/>
S2:将各慢性病患者各次复查CT扫描影像中各处支气管扩张按照相同支扩类型进行分类,得到各慢性病患者各次复查CT扫描影像中各类支扩中各处支气管扩张。
将各慢性病患者各次复查CT扫描影像中各类支扩中各处支气管扩张对应的支气管管段记为各慢性病患者各次复查中各类支扩中各处异常支气管管段。
S3:获取各慢性病患者各次复查中各类支扩中各处异常支气管管段的长度,将其记为,/>表示第/>类支扩的编号,/>,/>表示第/>处异常支气管管段的编号,/>
S4:获取各慢性病患者各次复查中各类支扩中各处异常支气管管段的位置,将各慢性病患者各次复查中各类支扩中各处异常支气管管段的位置分别与数据库中存储的主干支气管位置和分支支气管位置对应的影响因子进行比对,筛选得到各慢性病患者各次复查中各类支扩中各处异常支气管管段位置的影响因子,将其记为
S5:获取各慢性病患者各次复查中各类支扩中各处异常支气管管段的支气管-动脉比值,将其记为
S6:按照预设的等距离原则在各慢性病患者各次复查中各类支扩中各处异常支气管管段表面布设各检测点,获取各慢性病患者各次复查中各类支扩中各处异常支气管管段表面各检测点的支气管管壁厚度,将其记为,/>表示第/>个检测点的编号,/>
提取数据库中存储的各慢性病患者的参考支气管管壁厚度,将其记为
通过分析公式得到各慢性病患者各次复查中各类支扩中各处异常支气管管段的支气管管壁增厚系数/>,其中/>表示自然常数,/>表示检测点的数量,/>表示预设的支气管管壁增厚阈值。
在上述实施例的基础上,所述慢性病患者医学影像分析模块的具体分析过程还包括:通过分析公式得到各慢性病患者各次复查的支扩病理严重程度系数/>,其中/>表示预设的支扩类型数量阈值,/>表示预设的第/>类支扩的权重,/>表示预设的异常支气管管段长度阈值,/>表示预设的支气管-动脉参考比值,/>分别表示预设的异常支气管管段的长度、支气管-动脉比值和支气管管壁增厚系数的权值。
在上述实施例的基础上,所述慢性病患者临床症状分析模块的具体分析过程为:获取各慢性病患者各次复查距离相邻上一次复查期间的临床症状种类数量,将其记为各慢性病患者各次复查前期的临床症状种类数量,并表示为
获取各慢性病患者各次复查前期各种临床症状的日均发作次数和平均发作间隔时长,将其分别记为和/>,/>表示第/>种临床症状的编号,/>
通过分析公式得到各慢性病患者各次复查的临床症状严重程度系数/>,其中/>表示预设的单位临床症状种类数量对应的影响因子,/>表示预设的第/>种临床症状的权重,/>分别表示预设的临床症状发作次数和发作间隔时长的阈值。
在上述实施例的基础上,所述慢性病患者身体素质分析模块的具体分析过程为:获取各慢性病患者的患病时长和烟龄,将其分别记为
获取各慢性病患者的年龄,将各慢性病患者的年龄与数据库中存储的各年龄范围对应的身体素质影响因子进行比对,筛选得到各慢性病患者年龄对应的身体素质影响因子,将其记为
获取各慢性病患者自确诊以来各类感染的次数,将其记为各慢性病患者病期各类感染的次数,并表示为,/>表示第/>类感染的编号,/>
通过分析公式得到各慢性病患者的身体素质评价系数/>,其中/>表示预设的患病时长阈值,/>表示预设的单位烟龄对应的影响因子,/>表示预设的感染次数阈值,/>表示预设的第/>类感染的权重。
在上述实施例的基础上,所述慢性病患者生活环境分析模块的具体分析过程为:获取各慢性病患者生活区域的空气污染等级和昼夜温差,将各慢性病患者生活区域的空气污染等级和昼夜温差分别与数据库中存储的各空气污染等级对应的环境影响因子和各昼夜温差范围对应的环境影响因子进行比对,筛选得到各慢性病患者生活区域的空气污染等级和昼夜温差对应的环境影响因子,将其分别记为
通过分析公式得到各慢性病患者的生活环境影响系数
在上述实施例的基础上,所述慢性病患者病情发展趋势分析模块的具体分析过程为:根据各慢性病患者各次复查的支扩病理严重程度系数、临床症状严重程度系数及各慢性病患者的身体素质评价系数和生活环境影响系数,分析各慢性病患者各次复查的病情严重程度评估指数。
以复查的时间为自变量、以复查的病情严重程度评估指数为因变量建立坐标系,根据各慢性病患者各次复查的病情严重程度评估指数,利用数学模型建立方法绘制各慢性病患者的病情发展趋势曲线。
在上述实施例的基础上,所述指定医院慢性病诊疗效果评估模块的具体分析过程为:将各慢性病患者的病情发展趋势曲线分别与数据库中存储的病情恶化、病情平稳和病情好转对应的病情发展趋势曲线进行比对,筛选得到各慢性病患者的病情发展类型,并获取各慢性病患者的病期,进一步统计得到各病期中病情恶化、病情平稳和病情好转的慢性病患者人数,将其分别记为,/>表示第/>个病期的编号,/>,并获取各病期中慢性病患者的总人数,将其记为/>
通过分析公式得到指定医院诊疗支气管扩张慢性病的效果评估指数/>,其中/>分别表示预设的病情好转、病情平稳和病情恶化的权重因子,/>表示预设的第/>个病期的权重,将其发送至指定医院。
相对于现有技术,本发明所述的一种慢性病患者数据处理系统以下有益效果:1.本发明通过CT扫描影像,分析慢性病患者各次复查的支扩类型数量和各类支扩中各处异常支气管管段的长度、位置、支气管-动脉比值和支气管管壁增厚系数,获取慢性病患者各次复查的支扩病理严重程度系数;通过对患者的医学影像进行系统化的数据分析,进而对支气管扩张患者的病情进行科学的、精准的诊断,有利于对患者进行针对性的治疗。
2.本发明通过获取慢性病患者的支扩病理严重程度系数、临床症状严重程度系数、身体素质评价系数和生活环境影响系数,分析慢性病患者的病情严重程度评估指数,获取慢性病患者的病情发展趋势曲线,进而使得慢性病风险预测更加精准、全面。
3.本发明通过获取各慢性病患者的病情发展类型和病期,分析各病期中病情恶化、病情平稳和病情好转的慢性病患者人数,获取指定医院诊疗支气管扩张慢性病的效果评估指数,有利于完善医院诊疗效果评估体系,提供医院治疗方案的优化方向,促进医院提升诊疗水平。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明的系统模块连接图。
图2为本发明的慢性病患者数据处理模型示意图。
图3为本发明的各病情发展类型的病情发展趋势曲线示意图。
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作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
请参阅图1和图2所示,本发明提供一种慢性病患者数据处理系统,包括慢性病患者医学影像分析模块、慢性病患者临床症状分析模块、慢性病患者身体素质分析模块、慢性病患者生活环境分析模块、慢性病患者病情发展趋势分析模块、指定医院慢性病诊疗效果评估模块和数据库。
所述慢性病患者临床症状分析模块分别与慢性病患者医学影像分析模块和慢性病患者身体素质分析模块连接,慢性病患者生活环境分析模块分别与慢性病患者身体素质分析模块和慢性病患者病情发展趋势分析模块连接,指定医院慢性病诊疗效果评估模块与慢性病患者病情发展趋势分析模块连接,数据库分别与慢性病患者医学影像分析模块、慢性病患者身体素质分析模块、慢性病患者生活环境分析模块和指定医院慢性病诊疗效果评估模块连接。
所述慢性病患者医学影像分析模块用于获取各慢性病患者各次复查的CT扫描影像,分析各慢性病患者各次复查的支扩病理信息,其中支扩病理信息包括支扩类型数量和各类支扩中各处异常支气管管段的长度、位置、支气管-动脉比值和支气管管壁增厚系数,获取各慢性病患者各次复查的支扩病理严重程度系数。
进一步地,所述慢性病患者医学影像分析模块的具体分析过程包括:S1:设定监测周期的时长,从指定医院的患者信息库中提取指定医院监测周期内接诊的各支气管扩张患者各次复查的高分辨力CT扫描影像,将其记为各慢性病患者各次复查的CT扫描影像。
根据各慢性病患者各次复查的CT扫描影像,获取各慢性病患者各次复查CT扫描影像中各处支气管扩张的支扩类型。
作为一种优选方案,获取各慢性病患者各次复查CT扫描影像中各处支气管扩张的支扩类型,具体方法为:根据各慢性病患者各次复查的CT扫描影像,获取各慢性病患者各次复查CT扫描影像中各处支气管扩张的轮廓,将各慢性病患者各次复查CT扫描影像中各处支气管扩张的轮廓与预设的各类型支扩对应的轮廓进行比对,筛选得到各慢性病患者各次复查CT扫描影像中各处支气管扩张的支扩类型。
统计各慢性病患者各次复查的支扩类型数量,将其记为,/>表示第/>个慢性病患者的编号,/>,/>表示第/>次复查的编号,/>
S2:将各慢性病患者各次复查CT扫描影像中各处支气管扩张按照相同支扩类型进行分类,得到各慢性病患者各次复查CT扫描影像中各类支扩中各处支气管扩张。
将各慢性病患者各次复查CT扫描影像中各类支扩中各处支气管扩张对应的支气管管段记为各慢性病患者各次复查中各类支扩中各处异常支气管管段。
S3:获取各慢性病患者各次复查中各类支扩中各处异常支气管管段的长度,将其记为,/>表示第/>类支扩的编号,/>,/>表示第/>处异常支气管管段的编号,/>
S4:获取各慢性病患者各次复查中各类支扩中各处异常支气管管段的位置,将各慢性病患者各次复查中各类支扩中各处异常支气管管段的位置分别与数据库中存储的主干支气管位置和分支支气管位置对应的影响因子进行比对,筛选得到各慢性病患者各次复查中各类支扩中各处异常支气管管段位置的影响因子,将其记为
作为一种优选方案,慢性病患者复查CT扫描影像可以为多张。
作为一种优选方案,支气管扩张的支扩类型包括囊状支气管扩张、柱状支气管扩张和静脉曲张型支气管扩张。
作为一种优选方案,若扩张的支气管呈圆形或类圆形的囊腔,即为囊状支气管扩张;若扩张的支气管呈粗细较均匀的管道状,即可诊断为柱状支气管扩张;若扩张的支气管呈粗细不均匀的串珠状,即可诊断为静脉曲张型支气管扩张。
S5:获取各慢性病患者各次复查中各类支扩中各处异常支气管管段的支气管-动脉比值,将其记为
作为一种优选方案,获取各慢性病患者各次复查中各类支扩中各处异常支气管管段的支气管-动脉比值,具体方法为:获取各慢性病患者各次复查中各类支扩中各处异常支气管管段中支气管内径和伴行肺动脉直径的比值,将其记为各慢性病患者各次复查中各类支扩中各处异常支气管管段的支气管-动脉比值。
S6:按照预设的等距离原则在各慢性病患者各次复查中各类支扩中各处异常支气管管段表面布设各检测点,获取各慢性病患者各次复查中各类支扩中各处异常支气管管段表面各检测点的支气管管壁厚度,将其记为,/>表示第/>个检测点的编号,/>
提取数据库中存储的各慢性病患者的参考支气管管壁厚度,将其记为
通过分析公式得到各慢性病患者各次复查中各类支扩中各处异常支气管管段的支气管管壁增厚系数/>,其中/>表示自然常数,/>表示检测点的数量,/>表示预设的支气管管壁增厚阈值。
作为一种优选方案,支气管内径指支气管横断面直径。
作为一种优选方案,异常支气管管段的支气管-动脉比值指异常支气管管段最大的支气管-动脉比值。
进一步地,所述慢性病患者医学影像分析模块的具体分析过程还包括:通过分析公式得到各慢性病患者各次复查的支扩病理严重程度系数/>,其中/>表示预设的支扩类型数量阈值,/>表示预设的第/>类支扩的权重,/>表示预设的异常支气管管段长度阈值,/>表示预设的支气管-动脉参考比值,分别表示预设的异常支气管管段的长度、支气管-动脉比值和支气管管壁增厚系数的权值。
所述慢性病患者临床症状分析模块用于获取各慢性病患者各次复查前期的临床症状种类数量和各种临床症状的日均发作次数和平均发作间隔时长,分析各慢性病患者各次复查的临床症状严重程度系数。
进一步地,所述慢性病患者临床症状分析模块的具体分析过程为:获取各慢性病患者各次复查距离相邻上一次复查期间的临床症状种类数量,将其记为各慢性病患者各次复查前期的临床症状种类数量,并表示为
获取各慢性病患者各次复查前期各种临床症状的日均发作次数和平均发作间隔时长,将其分别记为和/>,/>表示第/>种临床症状的编号,/>
通过分析公式得到各慢性病患者各次复查的临床症状严重程度系数/>,其中/>表示预设的单位临床症状种类数量对应的影响因子,/>表示预设的第/>种临床症状的权重,/>分别表示预设的临床症状发作次数和发作间隔时长的阈值。
作为一种优选方案,复查前期临床症状的日均发作次数的获取方法为:获取复查前期各天临床症状的发作次数,对复查前期各天临床症状的发作次数进行平均值计算,得到复查前期临床症状的日均发作次数。
作为一种优选方案,复查前期临床症状的平均发作间隔时长的获取方法为:获取复查前期临床症状各次发作的间隔时长,对复查前期临床症状各次发作的间隔时长进行平均值计算,得到复查前期临床症状的平均发作间隔时长。
作为一种优选方案,所述临床症状包括但不限于:咳嗽、咳脓痰和咯血等。
需要说明的是,本发明通过CT扫描影像,分析慢性病患者各次复查的支扩类型数量和各类支扩中各处异常支气管管段的长度、位置、支气管-动脉比值和支气管管壁增厚系数,获取慢性病患者各次复查的支扩病理严重程度系数;通过对患者的医学影像进行系统化的数据分析,进而对支气管扩张患者的病情进行科学的、精准的诊断,有利于对患者进行针对性的治疗。
所述慢性病患者身体素质分析模块用于获取各慢性病患者的患病时长、年龄、烟龄和病期各类感染的次数,分析各慢性病患者的身体素质评价系数。
进一步地,所述慢性病患者身体素质分析模块的具体分析过程为:获取各慢性病患者的患病时长和烟龄,将其分别记为
获取各慢性病患者的年龄,将各慢性病患者的年龄与数据库中存储的各年龄范围对应的身体素质影响因子进行比对,筛选得到各慢性病患者年龄对应的身体素质影响因子,将其记为
获取各慢性病患者自确诊以来各类感染的次数,将其记为各慢性病患者病期各类感染的次数,并表示为,/>表示第/>类感染的编号,/>
通过分析公式得到各慢性病患者的身体素质评价系数/>,其中/>表示预设的患病时长阈值,/>表示预设的单位烟龄对应的影响因子,/>表示预设的感染次数阈值,/>表示预设的第/>类感染的权重。
所述慢性病患者生活环境分析模块用于获取各慢性病患者生活区域的空气污染等级和昼夜温差,分析各慢性病患者的生活环境影响系数。
进一步地,所述慢性病患者生活环境分析模块的具体分析过程为:获取各慢性病患者生活区域的空气污染等级和昼夜温差,将各慢性病患者生活区域的空气污染等级和昼夜温差分别与数据库中存储的各空气污染等级对应的环境影响因子和各昼夜温差范围对应的环境影响因子进行比对,筛选得到各慢性病患者生活区域的空气污染等级和昼夜温差对应的环境影响因子,将其分别记为
通过分析公式得到各慢性病患者的生活环境影响系数
所述慢性病患者病情发展趋势分析模块用于根据各慢性病患者各次复查的支扩病理严重程度系数、临床症状严重程度系数及各慢性病患者的身体素质评价系数和生活环境影响系数,分析各慢性病患者各次复查的病情严重程度评估指数,进一步获取各慢性病患者的病情发展趋势曲线。
进一步地,所述慢性病患者病情发展趋势分析模块的具体分析过程为:根据各慢性病患者各次复查的支扩病理严重程度系数、临床症状严重程度系数及各慢性病患者的身体素质评价系数和生活环境影响系数,分析各慢性病患者各次复查的病情严重程度评估指数。
以复查的时间为自变量、以复查的病情严重程度评估指数为因变量建立坐标系,根据各慢性病患者各次复查的病情严重程度评估指数,利用数学模型建立方法绘制各慢性病患者的病情发展趋势曲线。
作为一种优选方案,分析各慢性病患者各次复查的病情严重程度评估指数,具体过程为:将各慢性病患者各次复查的支扩病理严重程度系数和临床症状严重程度系数/>及各慢性病患者的身体素质评价系数/>和生活环境影响系数/>代入公式得到各慢性病患者各次复查的病情严重程度评估指数/>
需要说明的是,本发明通过获取慢性病患者的支扩病理严重程度系数、临床症状严重程度系数、身体素质评价系数和生活环境影响系数,分析慢性病患者的病情严重程度评估指数,获取慢性病患者的病情发展趋势曲线,进而使得慢性病风险预测更加精准、全面。
所述指定医院慢性病诊疗效果评估模块用于根据各慢性病患者的病情发展趋势曲线,分析指定医院诊疗支气管扩张慢性病的效果评估指数,并进行处理。
进一步地,所述指定医院慢性病诊疗效果评估模块的具体分析过程为:参阅图3所示,将各慢性病患者的病情发展趋势曲线分别与数据库中存储的病情恶化、病情平稳和病情好转对应的病情发展趋势曲线进行比对,筛选得到各慢性病患者的病情发展类型,并获取各慢性病患者的病期,进一步统计得到各病期中病情恶化、病情平稳和病情好转的慢性病患者人数,将其分别记为,/>表示第/>个病期的编号,/>,并获取各病期中慢性病患者的总人数,将其记为/>
通过分析公式得到指定医院诊疗支气管扩张慢性病的效果评估指数/>,其中/>分别表示预设的病情好转、病情平稳和病情恶化的权重因子,/>表示预设的第/>个病期的权重,将其发送至指定医院。
作为一种优选方案,获取各慢性病患者的病期,具体过程为:将各慢性病患者的患病时长与预设的各病期对应的患病时长范围进行比对,筛选得到各慢性病患者的病期。
作为一种优选方案,病期包括但不限于:早期、中期和晚期等。
需要说明的是,本发明通过获取各慢性病患者的病情发展类型和病期,分析各病期中病情恶化、病情平稳和病情好转的慢性病患者人数,获取指定医院诊疗支气管扩张慢性病的效果评估指数,有利于完善医院诊疗效果评估体系,提供医院治疗方案的优化方向,促进医院提升诊疗水平。
所述数据库用于存储主干支气管位置和分支支气管位置对应的影响因子、各慢性病患者的参考支气管管壁厚度、各年龄范围对应的身体素质影响因子、各空气污染等级对应的环境影响因子和各昼夜温差范围对应的环境影响因子,并存储病情恶化、病情平稳和病情好转对应的病情发展趋势曲线。
以上内容仅仅是对本发明的构思所作的举例和说明,所属本技术领域的技术人员对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,只要不偏离发明的构思或者超越本发明所定义的范围,均应属于本发明的保护范围。

Claims (2)

1.一种慢性病患者数据处理系统,其特征在于,包括:
慢性病患者医学影像分析模块:用于获取各慢性病患者各次复查的CT扫描影像,分析各慢性病患者各次复查的支扩病理信息,其中支扩病理信息包括支扩类型数量和各类支扩中各处异常支气管管段的长度、位置、支气管-动脉比值和支气管管壁增厚系数,获取各慢性病患者各次复查的支扩病理严重程度系数;
慢性病患者临床症状分析模块:用于获取各慢性病患者各次复查前期的临床症状种类数量和各种临床症状的日均发作次数和平均发作间隔时长,分析各慢性病患者各次复查的临床症状严重程度系数;
慢性病患者身体素质分析模块:用于获取各慢性病患者的患病时长、年龄、烟龄和病期各类感染的次数,分析各慢性病患者的身体素质评价系数;
慢性病患者生活环境分析模块:用于获取各慢性病患者生活区域的空气污染等级和昼夜温差,分析各慢性病患者的生活环境影响系数;
慢性病患者病情发展趋势分析模块:用于根据各慢性病患者各次复查的支扩病理严重程度系数、临床症状严重程度系数及各慢性病患者的身体素质评价系数和生活环境影响系数,分析各慢性病患者各次复查的病情严重程度评估指数,进一步获取各慢性病患者的病情发展趋势曲线;
指定医院慢性病诊疗效果评估模块:用于根据各慢性病患者的病情发展趋势曲线,分析指定医院诊疗支气管扩张慢性病的效果评估指数,并进行处理;
数据库:用于存储主干支气管位置和分支支气管位置对应的影响因子、各慢性病患者的参考支气管管壁厚度、各年龄范围对应的身体素质影响因子、各空气污染等级对应的环境影响因子和各昼夜温差范围对应的环境影响因子,并存储病情恶化、病情平稳和病情好转对应的病情发展趋势曲线;
所述慢性病患者医学影像分析模块的具体分析过程包括:
S1:设定监测周期的时长,从指定医院的患者信息库中提取指定医院监测周期内接诊的各支气管扩张患者各次复查的高分辨力CT扫描影像,将其记为各慢性病患者各次复查的CT扫描影像;
根据各慢性病患者各次复查的CT扫描影像,获取各慢性病患者各次复查CT扫描影像中各处支气管扩张的支扩类型;
统计各慢性病患者各次复查的支扩类型数量,将其记为,/>表示第/>个慢性病患者的编号,/>,/>表示第/>次复查的编号,/>
S2:将各慢性病患者各次复查CT扫描影像中各处支气管扩张按照相同支扩类型进行分类,得到各慢性病患者各次复查CT扫描影像中各类支扩中各处支气管扩张;
将各慢性病患者各次复查CT扫描影像中各类支扩中各处支气管扩张对应的支气管管段记为各慢性病患者各次复查中各类支扩中各处异常支气管管段;
S3:获取各慢性病患者各次复查中各类支扩中各处异常支气管管段的长度,将其记为,/>表示第/>类支扩的编号,/>,/>表示第/>处异常支气管管段的编号,/>
S4:获取各慢性病患者各次复查中各类支扩中各处异常支气管管段的位置,将各慢性病患者各次复查中各类支扩中各处异常支气管管段的位置分别与数据库中存储的主干支气管位置和分支支气管位置对应的影响因子进行比对,筛选得到各慢性病患者各次复查中各类支扩中各处异常支气管管段位置的影响因子,将其记为
S5:获取各慢性病患者各次复查中各类支扩中各处异常支气管管段的支气管-动脉比值,将其记为
S6:按照预设的等距离原则在各慢性病患者各次复查中各类支扩中各处异常支气管管段表面布设各检测点,获取各慢性病患者各次复查中各类支扩中各处异常支气管管段表面各检测点的支气管管壁厚度,将其记为,/>表示第/>个检测点的编号,/>
提取数据库中存储的各慢性病患者的参考支气管管壁厚度,将其记为
通过分析公式得到各慢性病患者各次复查中各类支扩中各处异常支气管管段的支气管管壁增厚系数/>,其中/>表示自然常数,/>表示检测点的数量,/>表示预设的支气管管壁增厚阈值;
所述慢性病患者医学影像分析模块的具体分析过程还包括:
通过分析公式得到各慢性病患者各次复查的支扩病理严重程度系数/>,其中/>表示预设的支扩类型数量阈值,/>表示预设的第/>类支扩的权重,/>表示预设的异常支气管管段长度阈值,/>表示预设的支气管-动脉参考比值,/>分别表示预设的异常支气管管段的长度、支气管-动脉比值和支气管管壁增厚系数的权值;
所述慢性病患者临床症状分析模块的具体分析过程为:
获取各慢性病患者各次复查距离相邻上一次复查期间的临床症状种类数量,将其记为各慢性病患者各次复查前期的临床症状种类数量,并表示为
获取各慢性病患者各次复查前期各种临床症状的日均发作次数和平均发作间隔时长,将其分别记为和/>,/>表示第/>种临床症状的编号,/>
通过分析公式得到各慢性病患者各次复查的临床症状严重程度系数/>,其中/>表示预设的单位临床症状种类数量对应的影响因子,表示预设的第/>种临床症状的权重,/>分别表示预设的临床症状发作次数和发作间隔时长的阈值;
所述慢性病患者身体素质分析模块的具体分析过程为:
获取各慢性病患者的患病时长和烟龄,将其分别记为
获取各慢性病患者的年龄,将各慢性病患者的年龄与数据库中存储的各年龄范围对应的身体素质影响因子进行比对,筛选得到各慢性病患者年龄对应的身体素质影响因子,将其记为
获取各慢性病患者自确诊以来各类感染的次数,将其记为各慢性病患者病期各类感染的次数,并表示为,/>表示第/>类感染的编号,/>
通过分析公式得到各慢性病患者的身体素质评价系数/>,其中/>表示预设的患病时长阈值,/>表示预设的单位烟龄对应的影响因子,/>表示预设的感染次数阈值,/>表示预设的第/>类感染的权重;
所述慢性病患者生活环境分析模块的具体分析过程为:
获取各慢性病患者生活区域的空气污染等级和昼夜温差,将各慢性病患者生活区域的空气污染等级和昼夜温差分别与数据库中存储的各空气污染等级对应的环境影响因子和各昼夜温差范围对应的环境影响因子进行比对,筛选得到各慢性病患者生活区域的空气污染等级和昼夜温差对应的环境影响因子,将其分别记为
通过分析公式得到各慢性病患者的生活环境影响系数/>
所述慢性病患者病情发展趋势分析模块的具体分析过程为:
根据各慢性病患者各次复查的支扩病理严重程度系数、临床症状严重程度系数及各慢性病患者的身体素质评价系数和生活环境影响系数,分析各慢性病患者各次复查的病情严重程度评估指数;
以复查的时间为自变量、以复查的病情严重程度评估指数为因变量建立坐标系,根据各慢性病患者各次复查的病情严重程度评估指数,利用数学模型建立方法绘制各慢性病患者的病情发展趋势曲线。
2.根据权利要求1所述的一种慢性病患者数据处理系统,其特征在于:所述指定医院慢性病诊疗效果评估模块的具体分析过程为:
将各慢性病患者的病情发展趋势曲线分别与数据库中存储的病情恶化、病情平稳和病情好转对应的病情发展趋势曲线进行比对,筛选得到各慢性病患者的病情发展类型,并获取各慢性病患者的病期,进一步统计得到各病期中病情恶化、病情平稳和病情好转的慢性病患者人数,将其分别记为,/>表示第/>个病期的编号,/>,并获取各病期中慢性病患者的总人数,将其记为/>
通过分析公式得到指定医院诊疗支气管扩张慢性病的效果评估指数/>,其中/>分别表示预设的病情好转、病情平稳和病情恶化的权重因子,/>表示预设的第/>个病期的权重,将其发送至指定医院。
CN202310861145.XA 2023-07-14 2023-07-14 一种慢性病患者数据处理系统 Active CN116612891B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310861145.XA CN116612891B (zh) 2023-07-14 2023-07-14 一种慢性病患者数据处理系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310861145.XA CN116612891B (zh) 2023-07-14 2023-07-14 一种慢性病患者数据处理系统

Publications (2)

Publication Number Publication Date
CN116612891A CN116612891A (zh) 2023-08-18
CN116612891B true CN116612891B (zh) 2023-09-29

Family

ID=87675007

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310861145.XA Active CN116612891B (zh) 2023-07-14 2023-07-14 一种慢性病患者数据处理系统

Country Status (1)

Country Link
CN (1) CN116612891B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117133465B (zh) * 2023-10-26 2024-06-04 营动智能技术(山东)有限公司 一种慢性病康复治疗效果评价方法、设备及存储介质
CN117457220B (zh) * 2023-12-26 2024-04-12 深圳市健怡康医疗器械科技有限公司 一种神经内科卒中患者信息化管理方法及系统
CN117497181B (zh) * 2023-12-27 2024-03-26 天津市胸科医院 一种基于人工智能的慢性病信息管理系统
CN117690584B (zh) * 2024-02-02 2024-04-12 吉林大学 基于智能ai的慢性病患者管理系统及方法
CN117854732B (zh) * 2024-03-08 2024-09-24 微脉技术有限公司 一种基于大数据分析的慢性病管理方法与系统

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113239279A (zh) * 2021-06-10 2021-08-10 武汉轻派壳子数码有限公司 一种基于数据分析和云计算的慢性病医疗数据采集分析管理方法及云平台
CN113689958A (zh) * 2021-08-27 2021-11-23 苏州立威新谱生物科技有限公司 一种基于大数据的慢性病病情预测方法、系统及存储介质
CN114010215A (zh) * 2021-12-14 2022-02-08 清华大学 用于医学影像辅助诊断支气管扩张的方法及装置
WO2022268195A1 (zh) * 2021-06-25 2022-12-29 南通大学附属医院 慢性疼痛互联网+管理平台及其构建方法
CN116030987A (zh) * 2023-02-20 2023-04-28 北京大学第三医院(北京大学第三临床医学院) 系统性硬化病食管动力的评估模型的构建方法
CN116246768A (zh) * 2022-12-30 2023-06-09 中国人民解放军海军第九七一医院 一种基于人工智能的mri影像检查智能分析管理系统
CN116313132A (zh) * 2023-05-24 2023-06-23 四川省医学科学院·四川省人民医院 一种慢性疾病医疗管理系统
CN116386869A (zh) * 2023-04-11 2023-07-04 中国科学技术大学 一种基于多变量的病情危重程度评估方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1973298A (zh) * 2004-06-22 2007-05-30 皇家飞利浦电子股份有限公司 显示气管支气管树
US11504071B2 (en) * 2018-04-10 2022-11-22 Hill-Rom Services, Inc. Patient risk assessment based on data from multiple sources in a healthcare facility

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113239279A (zh) * 2021-06-10 2021-08-10 武汉轻派壳子数码有限公司 一种基于数据分析和云计算的慢性病医疗数据采集分析管理方法及云平台
WO2022268195A1 (zh) * 2021-06-25 2022-12-29 南通大学附属医院 慢性疼痛互联网+管理平台及其构建方法
CN113689958A (zh) * 2021-08-27 2021-11-23 苏州立威新谱生物科技有限公司 一种基于大数据的慢性病病情预测方法、系统及存储介质
CN114010215A (zh) * 2021-12-14 2022-02-08 清华大学 用于医学影像辅助诊断支气管扩张的方法及装置
CN116246768A (zh) * 2022-12-30 2023-06-09 中国人民解放军海军第九七一医院 一种基于人工智能的mri影像检查智能分析管理系统
CN116030987A (zh) * 2023-02-20 2023-04-28 北京大学第三医院(北京大学第三临床医学院) 系统性硬化病食管动力的评估模型的构建方法
CN116386869A (zh) * 2023-04-11 2023-07-04 中国科学技术大学 一种基于多变量的病情危重程度评估方法
CN116313132A (zh) * 2023-05-24 2023-06-23 四川省医学科学院·四川省人民医院 一种慢性疾病医疗管理系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
张辉 ; 徐娜 ; .支气管扩张症的CT诊断.医学信息(上旬刊).2010,(第08期),全文. *
支气管扩张症的CT诊断;张辉;徐娜;;医学信息(上旬刊)(第08期);全文 *

Also Published As

Publication number Publication date
CN116612891A (zh) 2023-08-18

Similar Documents

Publication Publication Date Title
CN116612891B (zh) 一种慢性病患者数据处理系统
Arts et al. Quality of data collected for severity of illness scores in the Dutch National Intensive Care Evaluation (NICE) registry
Jin et al. Acoustic analysis of snoring in the diagnosis of obstructive sleep apnea syndrome: a call for more rigorous studies
Wei et al. Risk factors predict frequent hospitalization in patients with acute exacerbation of COPD
JP2013513846A (ja) 医学データの自動注釈
CN116344050B (zh) 一种基于多维度健康管理模型的评测方法
CN114010215B (zh) 用于医学影像辅助诊断支气管扩张的方法及装置
RU2535406C1 (ru) Способ мониторинга состояния здоровья человека
CN116821753A (zh) 一种基于机器学习的社区获得性肺炎病原类型预测方法
CN117497181B (zh) 一种基于人工智能的慢性病信息管理系统
Abera Tessema et al. Acquisition and classification of lung sounds for improving the efficacy of auscultation diagnosis of pulmonary diseases
CN117373584B (zh) 一种急性肾损伤的动态预测方法及系统
Wang et al. Computer quantification of “angle of collapse” on maximum expiratory flow volume curve for diagnosing asthma-COPD overlap syndrome
CN112807008B (zh) 基于影像组学的鉴别实性小儿肺炎支原体肺炎与肺炎链球菌肺炎的系统
CN116030987B (zh) 系统性硬化病食管动力的评估模型的构建方法
CN115019972B (zh) 一种基于大数据分析的医疗影像数据共享系统
JP5815667B2 (ja) 喀痰分析を用いるcopd増悪検出
CN117064333A (zh) 一种针对阻塞性睡眠呼吸暂停低通气综合症的初筛装置
Wang et al. Analysis of spatio‐temporal brain imaging patterns by hidden markov models and serial MRI images
Chatchumni et al. Performance of the Simple Clinical Score (SCS) and the Rapid Emergency Medicine Score (REMS) to predict severity level and mortality rate among patients with sepsis in the emergency department
Sarlabous et al. Development and validation of a sample entropy-based method to identify complex patient-ventilator interactions during mechanical ventilation
Zhang et al. Early Diagnosis of High-Risk Chronic Obstructive Pulmonary Disease Based on Quantitative High-Resolution Computed Tomography Measurements
CN110265118A (zh) 一种肺部影像诊断报告质量的评估方法和系统
Luo et al. Data mining-based detection of rapid growth in length of stay on COPD patients
Yabuuchi et al. Impact of sleep-related hypoventilation in patients with pleuroparenchymal fibroelastosis

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