CN116779125A - 基于大数据的智慧医疗管理系统及方法 - Google Patents
基于大数据的智慧医疗管理系统及方法 Download PDFInfo
- Publication number
- CN116779125A CN116779125A CN202311076159.7A CN202311076159A CN116779125A CN 116779125 A CN116779125 A CN 116779125A CN 202311076159 A CN202311076159 A CN 202311076159A CN 116779125 A CN116779125 A CN 116779125A
- Authority
- CN
- China
- Prior art keywords
- data
- value
- patient
- safe
- threat
- 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
- 238000000034 method Methods 0.000 title description 17
- 238000007726 management method Methods 0.000 claims abstract description 44
- 238000004364 calculation method Methods 0.000 claims description 96
- 230000036760 body temperature Effects 0.000 claims description 60
- 230000036772 blood pressure Effects 0.000 claims description 52
- 239000008280 blood Substances 0.000 claims description 15
- 238000011272 standard treatment Methods 0.000 claims description 12
- 210000004369 blood Anatomy 0.000 claims description 9
- 238000013075 data extraction Methods 0.000 claims description 9
- 230000001419 dependent effect Effects 0.000 claims description 6
- 230000008676 import Effects 0.000 claims description 5
- 238000004590 computer program Methods 0.000 description 12
- 230000015654 memory Effects 0.000 description 11
- 230000008569 process Effects 0.000 description 8
- 238000001802 infusion Methods 0.000 description 6
- 238000013461 design Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000000474 nursing effect Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 206010044565 Tremor Diseases 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 230000003111 delayed effect Effects 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003238 somatosensory effect Effects 0.000 description 1
- 230000035488 systolic blood pressure Effects 0.000 description 1
- 238000012549 training Methods 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
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/20—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the management or administration of healthcare resources or facilities, e.g. managing hospital staff or surgery rooms
Landscapes
- Business, Economics & Management (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明公开了基于大数据的智慧医疗管理系统及方法，属于医疗保健信息学领域，本发明将车辆行驶基础数据导入急救时间计算策略中进行急救时间的预估，将附近医院基础数据导入救援值计算策略中进行救援值的计算，将救援值、急救时间和威胁值导入治疗值计算公式中进行治疗值的计算，将计算得到的治疗值降序排列，查找治疗值最接近设定的标准治疗值对应的附近医院作为最优规划医院，向最优规划医院发布急救指令，这样对患者的病情、医院的距离和医院资源数据进行统筹，便于使患者得到及时有效的救治，有效的提高了病患的救治效率和速度。
Description
技术领域
本发明属于医疗保健信息学技术领域，具体的说是基于大数据的智慧医疗管理系统及方法。
背景技术
医疗信息管理系统，一门融医学、信息、管理与计算机等多种学科为一体的边缘科学，含应用软件功能、系统维护与支持硬件平台系统设计、网络设计、数据库系统和系统管理平台、培训服务及工程服务，而智慧医疗管理系统用相对成熟的社会医院管理模式管理在押人员从入所检查到日常的医疗业务管理，药房管理，形成全过程电子化，现有技术在进行老年人医疗紧急救治时数据采集和评估不全面，通常是将患者就近选择医疗机构进行救治（如图5所示），但是这种方式无法准确做到患者病情与医疗机构的匹配，这样容易导致患者病情得不到较为有效的救治，同时在就近选择医疗机构时，无法对道路堵车情况进行预判，这样容易耽误救治时间，现有技术中均存在上述问题；
例如在申请公布号为CN112908468A的中国专利中公开基于5G网络的智慧医疗管理系统，涉及智慧医疗技术领域；包括服务器、任务分配模块、输液监控模块、存储模块、人员考核模块以及显示模块；该发明通过任务分配模块能够根据输配值合理选择对应护理人员进行输液操作，从而提高静脉穿刺的准确性和穿刺效率，输液监控模块用于对选中人员进行静脉穿刺进行监控，保证精准输液；同时在静脉穿刺过程中，实时采集病人的体征数据，根据病人体征数据的变化来计算病人对静脉穿刺的体感值，提醒选中人员对病人进行安抚，减轻病人的痛苦；该发明能够根据输液记录对护理人员的静脉穿刺技巧进行考核；方便管理人员对护理人员作出针对性的培训，从而提高服务质量；
同时例如在授权公布号为CN111710405B的中国专利中公开了基于5G的智慧医疗管理系统，包括患者信息收集装置与患者信息认证装置，所述患者信息收集装置的下方设有患者信息认证模块，且患者信息认证模块的下方设有患者信息分类装置，所述患者信息分类装置的下方设有文字模块。该发明所述的基于5G的智慧医疗管理系统，设有文字处理器、图像处理器、声音处理器、患者信息认证装置与综合处理器，能够分别对不同的患者信息进行不同的处理，避免对所有患者信息进行统一处理带来的局限性，并能通过密码认证进入不同的患者信息界面，可以更好的对患者信息进行分离，避免患者信息之间的相互影响，还可以对没有及时解决的问题进行分析与对比，对病情进行处理，带来更好的使用前景。
以上专利均存在本背景技术提出的问题：在现有技术中通常无法准确做到患者病情与医疗机构的匹配，这样容易导致患者病情得不到较为有效的救治，同时在就近选择医疗机构时，无法对道路堵车情况进行预判，这样容易耽误救治时间，为了解决这些问题，本申请设计了基于大数据的智慧医疗管理系统及方法。
发明内容
针对现有技术的不足，本发明提出了基于大数据的智慧医疗管理系统及方法，本发明通过采集终端采集患者基础体质数据、车辆行驶基础数据、附近医院基础数据和位置数据，将患者基础体质数据导入体质威胁值计算公式中进行体质威胁值的计算，并将体质威胁值与威胁阈值进行对比，将车辆行驶基础数据导入急救时间计算策略中进行急救时间的预估，将附近医院基础数据导入救援值计算策略中进行救援值的计算，将救援值、急救时间和威胁值导入治疗值计算公式中进行治疗值的计算，将计算得到的治疗值降序排列，查找治疗值最接近设定的标准治疗值对应的附近医院作为最优规划医院，向最优规划医院发布急救指令，这样对患者的病情、医院的距离和医院资源数据进行统筹，便于使患者得到及时有效的救治，有效的提高了病患的救治效率和速度。
为实现上述目的，本发明提供如下技术方案：
基于大数据的智慧医疗管理方法，其包括以下具体步骤：
S1、通过采集终端采集患者基础体质数据、车辆行驶基础数据、附近医院基础数据和位置数据；
S2、将患者基础体质数据导入体质威胁值计算公式中进行体质威胁值的计算，并将体质威胁值与威胁阈值进行对比；
S3、若计算得到的体质威胁值大于设定的威胁阈值，则进行S4，若计算得到的体质威胁值小于等于设定的威胁阈值，则进行S8；
S4、将车辆行驶基础数据导入急救时间计算策略中进行急救时间的预估；
S5、将附近医院基础数据导入救援值计算策略中进行救援值的计算；
S6、将救援值、急救时间和威胁值导入治疗值计算公式中进行治疗值的计算；
S7、将计算得到的治疗值降序排列，查找治疗值最接近设定的标准治疗值对应的附近医院作为最优规划医院，向最优规划医院发布急救指令；
S8、不发布急救指令。
具体的，所述S1包括以下具体步骤：
S11、通过用户的医疗手环采集患者的基础体质数据，患者基础体质数据包括实时的体温、血压、心率、抖动频率和抖动幅度数据，和历史设定周期内的体温、血压、心率、抖动频率和抖动幅度数据曲线；
S12、通过大数据提取道路车辆行驶速度数据、路段历史设定周期内堵车长度和堵车行驶速度数据曲线；
S13、通过大数据提取附近医院医疗资源和医疗人员数据，同时提取历史设定周期内患者到达附近医院就诊的次数数据；
S14、通过定位设备提取患者和附近医院的位置数据，其中患者的位置数据设为，其中，/>为患者位置的经度数据，/>为患者位置的纬度数据，附近医院的位置数据设为/>其中，/>为附近医院位置的经度数据，/>为附近医院位置的纬度数据。
具体的，所述S2的具体步骤如下：
S21、提取患者实时体温、血压、心率、抖动频率和抖动幅度数据和历史体温、血压、心率、抖动频率和抖动幅度数据，其中历史体温、血压、心率、抖动频率和抖动幅度数据的计算方式为：提取历史设定周期内的体温、血压、心率、抖动频率和抖动幅度数据曲线，取对应曲线参数值的均值作为对应参数的历史数据，提取患者年龄对应的安全体温范围、安全血压范围、安全心率范围、安全抖动频率范围和安全抖动幅度范围数据；
S22、将患者实时体温、血压/>、心率/>、抖动频率/>和抖动幅度/>数据和患者年龄对应的安全体温范围/>、安全血压范围/>、安全心率范围/>、安全抖动频率范围/>和安全抖动幅度范围/>数据代入第一体质威胁值计算公式中进行第一体质威胁值的计算，计算公式为：，其中/>为实时体温/>、血压/>、心率/>、抖动频率/>和抖动幅度/>中的第i项，/>为安全体温范围最大值/>、安全血压范围最大值/>、安全心率范围最大值/>、安全抖动频率范围最大值/>和安全抖动幅度范围最大值中的第i项，/>为安全体温范围最小值/>安全血压范围最小值/>、安全心率范围最小值/>、安全抖动频率范围最小值/>和安全抖动幅度范围最小值/>中的第i项，/>为实时体温/>、血压/>、心率/>、抖动频率/>和抖动幅度/>中的第i项的占比系数，/>为/>中最接近/>的值，/>；
S23、将患者历史体温、血压/>、心率/>、抖动频率/>和抖动幅度/>数据和患者年龄对应的安全体温范围/>、安全血压范围/>、安全心率范围/>、安全抖动频率范围/>和安全抖动幅度范围/>数据代入第二体质威胁值计算公式中进行第二体质威胁值的计算，第二体质威胁值的计算公式为：/>，其中/>为历史体温/>、血压/>、心率/>、抖动频率和抖动幅度/>数据中的第i项，/>为/>中最接近/>的值；
S24、将第一体质威胁值和第二体质威胁值相加得到体质威胁值。
具体的，所述S4中的急救时间计算策略的具体步骤如下：
S41、提取患者位置和附近医院位置数据，计算患者位置和附近医院位置的距离；
S42、路段历史设定周期内堵车长度和堵车行驶速度数据曲线，计算路段历史周期内堵车长度的均值s和堵车行驶速度的均值v；
S43、计算医院接到报警后接到患者然后到达医院的急救时间，其中/>为道路限速速度。
具体的，所述S5中的救援值计算策略的具体内容为：
提取附近医院医疗资源和医疗人员数据T，同时提取历史设定周期内患者到达附近医院就诊的次数数据z，其中医疗资源为医院的病床数K，将医院医疗资源、医疗人员数据和附近医院就诊的次数数据代入救援值计算公式中进行救援值计算，救援值的计算公式为,其中exp为e的幂次，/>为设定的医疗人员设定值，/>为设定的病床数设定值，/>为到达附近医院就诊的次数的占比系数。
具体的，所述S6的具体步骤为：
S61、提取患者附近各个医院的救援值、急救时间和患者的体质威胁值数据；
S62、将提取的救援值、急救时间和体质威胁值数据导入治疗值计算公式中进行治疗值的计算，治疗值计算公式为：
，其中/>为设定的急救时间标准值。
基于大数据的智慧医疗管理系统，其基于上述基于大数据的智慧医疗管理方法实现，其具体包括：其包括控制模块、数据采集模块、数据提取模块、治疗值计算模块、急救指令发布模块、急救时间预估模块、体质威胁值计算模块和救援值计算模块，所述控制模块用于控制数据提取模块、治疗值计算模块、急救指令发布模块、急救时间预估模块、数据采集模块、体质威胁值计算模块和救援值计算模块的运行，所述数据采集模块用于通过采集终端采集患者基础体质数据、车辆行驶基础数据、附近医院基础数据和位置数据，所述数据提取模块用于根据各模块需要提取数据采集模块采集的数据，所述体质威胁值计算模块用于将患者基础体质数据导入体质威胁值计算公式中进行体质威胁值的计算，并将体质威胁值与威胁阈值进行对比，所述急救时间预估模块用于将车辆行驶基础数据导入急救时间计算策略中进行急救时间的预估，所述救援值计算模块用于将附近医院基础数据导入救援值计算策略中进行救援值的计算，所述治疗值计算模块用于将救援值、急救时间和威胁值导入治疗值计算公式中进行治疗值的计算，所述急救指令发布模块用于将计算得到的治疗值降序排列，查找治疗值最接近设定的标准治疗值对应的附近医院作为最优规划医院，向最优规划医院发布急救指令。
具体的，所述数据采集模块包括位置数据采集单元、车辆行驶基础数据采集单元、基础体质数据采集单元和附近医院基础数据采集单元，所述位置数据采集单元用于通过定位设备提取患者和附近医院的位置数据，所述车辆行驶基础数据采集单元用于通过大数据提取道路车辆行驶速度数据、路段历史设定周期内堵车长度和堵车行驶速度数据曲线，所述基础体质数据采集单元通过用户的医疗手环采集患者的基础体质数据，所述附近医院基础数据采集单元用于通过大数据提取附近医院医疗资源和医疗人员数据，同时提取历史设定周期内患者到达附近医院就诊的次数数据。
具体的，所述基础体质数据采集单元包括体温采集子单元、抖动频率采集子单元、血压数据采集子单元、心率数据采集子单元和抖动幅度采集子单元，所述体温采集子单元用于对患者实时体温和历史体温数据进行采集，所述抖动频率采集子单元用于采集患者实时抖动频率和历史抖动频率数据，所述血压数据采集子单元用于采集患者实时血压和历史血压数据，所述心率数据采集子单元用于采集患者实时心率和历史心率数据，所述抖动幅度采集子单元用于采集患者实时抖动幅度和历史抖动幅度数据。
电子设备，包括：处理器和存储器，其中，所述存储器中存储有可供处理器调用的计算机程序；
所述处理器通过调用所述存储器中存储的计算机程序，执行上述的基于大数据的智慧医疗管理方法。
计算机可读存储介质，储存有指令，当所述指令在计算机上运行时，使得计算机执行如上述的基于大数据的智慧医疗管理方法。
与现有技术相比，本发明的有益效果是：
本发明通过采集终端采集患者基础体质数据、车辆行驶基础数据、附近医院基础数据和位置数据，将患者基础体质数据导入体质威胁值计算公式中进行体质威胁值的计算，并将体质威胁值与威胁阈值进行对比，将车辆行驶基础数据导入急救时间计算策略中进行急救时间的预估，将附近医院基础数据导入救援值计算策略中进行救援值的计算，将救援值、急救时间和威胁值导入治疗值计算公式中进行治疗值的计算，将计算得到的治疗值降序排列，查找治疗值最接近设定的标准治疗值对应的附近医院作为最优规划医院，向最优规划医院发布急救指令，这样对患者的病情、医院的距离和医院资源数据进行统筹，便于使患者得到及时有效的救治，有效的提高了病患的救治效率和速度。
附图说明
图1为本发明基于大数据的智慧医疗管理方法流程示意图；
图2为本发明基于大数据的智慧医疗管理系统整体框架示意图；
图3为本发明基于大数据的智慧医疗管理系统的数据采集模块框架示意图；
图4为本发明基于大数据的智慧医疗管理系统基础体质数据采集单元框架示意图；
图5为本发明基于大数据的智慧医疗管理系统针对的患者位置和医院位置表示示意图；
图6为本发明的服务器示意图。
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，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。
实施例1
请参阅图1，本发明提供的实施例：基于大数据的智慧医疗管理方法，用于对如图5所示的患者和医疗机构相对位置的医疗救援进行规划，其包括以下具体步骤：
S1、通过采集终端采集患者基础体质数据、车辆行驶基础数据、附近医院基础数据和位置数据；
在此实施例中，S1包括以下具体步骤：
S11、通过用户的医疗手环采集患者的基础体质数据，患者基础体质数据包括实时的体温、血压、心率、抖动频率和抖动幅度数据，和历史设定周期内的体温、血压、心率、抖动频率和抖动幅度数据曲线；
这里采集体温、血压、心率、抖动频率和抖动幅度数据，是因为这些数据能够表现出人体的健康，而采集历史设定周期内的体温、血压、心率、抖动频率和抖动幅度数据曲线是为了对患者历史健康情况进行了解，以初步判断该患者在患病前的基础身体情况，这里的历史设定周期可选择一周或者一个月；
这里的通过用户的医疗手环采集患者的基础体质数据的代码实现为：
import random
import matplotlib.pyplot as plt
class PatientData:
def __init__(self):
self.real_time_temperature = 0
self.real_time_blood_pressure = 0
self.real_time_heart_rate = 0
self.real_time_tremor_frequency = 0
self.real_time_tremor_amplitude = 0
self.temperature_history = []
self.blood_pressure_history = []
self.heart_rate_history = []
self.tremor_frequency_history = []
self.tremor_amplitude_history = []
def collect_real_time_data(self):
self.real_time_temperature = random.uniform(36.0, 37.0)
self.real_time_blood_pressure = random.randint(80, 120)
self.real_time_heart_rate = random.randint(50, 100)
self.real_time_tremor_frequency = random.uniform(1.0, 10.0)
self.real_time_tremor_amplitude = random.uniform(0.1, 1.0)
def record_real_time_data(self):
self.temperature_history.append(self.real_time_temperature)self.blood_pressure_history.append(self.real_time_blood_pressure)
self.heart_rate_history.append(self.real_time_heart_rate)self.tremor_frequency_history.append(self.real_time_tremor_frequency)self.tremor_amplitude_history.append(self.real_time_tremor_amplitude)
def plot_data(self, data, title):
plt.plot(data)
plt.title(title)
plt.xlabel("Time")
plt.ylabel("Data")
plt.show()
def plot_all_data(self):
self.plot_data(self.temperature_history, "Temperature History")
self.plot_data(self.blood_pressure_history, "Blood Pressure History")
self.plot_data(self.heart_rate_history, "Heart Rate History")
self.plot_data(self.tremor_frequency_history, "Tremor FrequencyHistory")
self.plot_data(self.tremor_amplitude_history, "Tremor AmplitudeHistory")
S12、通过大数据提取道路车辆行驶速度数据、路段历史设定周期内堵车长度和堵车行驶速度数据曲线；
在这里我们选择道路车辆行驶速度、路段历史设定周期内堵车长度和堵车行驶速度数据来计算时间是为了避免道路堵车对运输时间造成的计算影响；
S13、通过大数据提取附近医院医疗资源和医疗人员数据，同时提取历史设定周期内患者到达附近医院就诊的次数数据；
这里我们通过提取附近医院医疗资源和医疗人员数据来判断医院医疗水平的高低，如图5所示，医疗水平越高我们在图上的标记点越大；
S14、通过定位设备提取患者和附近医院的位置数据，其中患者的位置数据设为，其中，/>为患者位置的经度数据，/>为患者位置的纬度数据，附近医院的位置数据设为/>其中，/>为附近医院位置的经度数据，/>为附近医院位置的纬度数据；
在这里我们通过采集患者和附近医院的位置数据来判断路程的长短；
S2、将患者基础体质数据导入体质威胁值计算公式中进行体质威胁值的计算，并将体质威胁值与威胁阈值进行对比；
在本步骤中，S2的具体步骤如下：
S21、提取患者实时体温、血压、心率、抖动频率和抖动幅度数据和历史体温、血压、心率、抖动频率和抖动幅度数据，其中历史体温、血压、心率、抖动频率和抖动幅度数据的计算方式为：提取历史设定周期内的体温、血压、心率、抖动频率和抖动幅度数据曲线，取对应曲线参数值的均值作为对应参数的历史数据，提取患者年龄对应的安全体温范围、安全血压范围、安全心率范围、安全抖动频率范围和安全抖动幅度范围数据；
S22、将患者实时体温、血压/>、心率/>、抖动频率/>和抖动幅度/>数据和患者年龄对应的安全体温范围/>、安全血压范围/>、安全心率范围/>、安全抖动频率范围/>和安全抖动幅度范围/>数据代入第一体质威胁值计算公式中进行第一体质威胁值的计算，计算公式为：，其中/>为实时体温/>、血压/>、心率/>、抖动频率/>和抖动幅度/>中的第i项，/>为安全体温范围最大值/>、安全血压范围最大值/>、安全心率范围最大值/>、安全抖动频率范围最大值/>和安全抖动幅度范围最大值中的第i项，/>为安全体温范围最小值/>安全血压范围最小值/>、安全心率范围最小值/>、安全抖动频率范围最小值/>和安全抖动幅度范围最小值/>中的第i项，/>为实时体温/>、血压/>、心率/>、抖动频率/>和抖动幅度/>中的第i项的占比系数，/>为/>中最接近/>的值，/>；
在这里，我们对的取值进行说明：对于/>，我们通过对500名患者的身体基础数据进行采集，邀请100名本领域的专家对该500名患者的身体情况进行打分，然后代入数据拟合软件中进行/>的计算，这样我们最终计算的/>序列为：0.21，0.18，0.27，0.15，0.19；这里的安全抖动幅度范围最优值取0.1-0.5mm，这里的安全抖动频率范围最优值取1-10HZ，安全血压范围最优值取收缩压90-120，安全心率范围最优值取60-100，安全体温范围最优值取36.1-37.2摄氏度；
S23、将患者历史体温、血压/>、心率/>、抖动频率/>和抖动幅度/>数据和患者年龄对应的安全体温范围/>、安全血压范围/>、安全心率范围/>、安全抖动频率范围/>和安全抖动幅度范围/>数据代入第二体质威胁值计算公式中进行第二体质威胁值的计算，第二体质威胁值的计算公式为：/>，其中/>为历史体温/>、血压/>、心率/>、抖动频率和抖动幅度/>数据中的第i项，/>为/>中最接近/>的值；
S24、将第一体质威胁值和第二体质威胁值相加得到体质威胁值。
S3、若计算得到的体质威胁值大于设定的威胁阈值，则进行S4，若计算得到的体质威胁值小于等于设定的威胁阈值，则进行S8；
S4、将车辆行驶基础数据导入急救时间计算策略中进行急救时间的预估；
S4中的急救时间计算策略的具体步骤如下：
S41、提取患者位置和附近医院位置数据，计算患者位置和附近医院位置的距离；
S42、路段历史设定周期内堵车长度和堵车行驶速度数据曲线，计算路段历史周期内堵车长度的均值s和堵车行驶速度的均值v；
S43、计算医院接到报警后接到患者然后到达医院的急救时间，其中/>为道路限速速度；
S5、将附近医院基础数据导入救援值计算策略中进行救援值的计算；
S5中的救援值计算策略的具体内容为：
提取附近医院医疗资源和医疗人员数据T，同时提取历史设定周期内患者到达附近医院就诊的次数数据z，其中医疗资源为医院的病床数K，将医院医疗资源、医疗人员数据和附近医院就诊的次数数据代入救援值计算公式中进行救援值计算，救援值的计算公式为,其中exp为e的幂次，/>为设定的医疗人员设定值，/>为设定的病床数设定值，/>为到达附近医院就诊的次数的占比系数，这里的医疗人员设定值我们优先取该区域医院的人数的平均值，这里的病床数设定值我们优先取该区域医院的病床数的平均值；
我们这里设置患者到达附近医院就诊的次数数据的作用是，便于对患者的病情前序病例进行提取，这里我们通过专家打分的方式获取，得到最优值为0.0128；
S6、将救援值、急救时间和威胁值导入治疗值计算公式中进行治疗值的计算；
S6的具体步骤为：
S61、提取患者附近各个医院的救援值、急救时间和患者的体质威胁值数据；
S62、将提取的救援值、急救时间和体质威胁值数据导入治疗值计算公式中进行治疗值的计算，治疗值计算公式为：
，其中/>为设定的急救时间标准值，这里的急救时间标准值取急救最佳时间优选为1.5h；
S7、将计算得到的治疗值降序排列，查找治疗值最接近设定的标准治疗值对应的附近医院作为最优规划医院，向最优规划医院发布急救指令，这里的设定的标准治疗值我们通过提取具体患者的病情，然后通过人工判断患者该送往附近的何处医院，然后将数据导入拟合软件中经过不断的数据拟合得到标准治疗值为0.1025；
S8、不发布急救指令；
在这里我们通过一个具体实施例（如图5所示）来实现该申请的方案，我们对一个患者的身体数据进行追踪，采集患者的实时体温、血压、心率、抖动频率和抖动幅度数据和历史体温、血压、心率、抖动频率和抖动幅度数据分别为：（37.3，135，110，5，0.2）和（37.2，145，100，4.35，0.27），体质威胁值为0.201，患者与医院1距离1.35km，患者与医院2距离1.80km，患者与医院3距离2.58km，患者与医院4距离4.1km，患者在前段时间到医院1去了5次，我们提取患者位置到医院1堵车长度的均值为300m，堵车行驶速度的均值为20km/h，由于医院2是个三甲医院常年堵车较长，堵车长度均值为800m，堵车行驶速度为10km/h，而医院3和医院4不堵车，市区内开车速度为40km/h，四个医院的医疗资源和医疗人员数据大致分别为（300、1500、100、60）和（150、300、50、30），我们将这些数据代入公式中计算得到四个医院的时间分别为：（0.04125h，0.105h，0.0645h，0.1025h），四个医院的救援值分别为（1.167，10.3，0.015，0.0031），这样我们得到四个医院的治疗值为（0.094，0.2884，0.163，88），这样我们得到医院1最适合；
本发明通过采集终端采集患者基础体质数据、车辆行驶基础数据、附近医院基础数据和位置数据，将患者基础体质数据导入体质威胁值计算公式中进行体质威胁值的计算，并将体质威胁值与威胁阈值进行对比，将车辆行驶基础数据导入急救时间计算策略中进行急救时间的预估，将附近医院基础数据导入救援值计算策略中进行救援值的计算，将救援值、急救时间和威胁值导入治疗值计算公式中进行治疗值的计算，将计算得到的治疗值降序排列，查找治疗值最接近设定的标准治疗值对应的附近医院作为最优规划医院，向最优规划医院发布急救指令，这样对患者的病情、医院的距离和医院资源数据进行统筹，便于使患者得到及时有效的救治，有效的提高了病患的救治效率和速度。
实施例2
如图2-图4所示，基于大数据的智慧医疗管理系统，其基于上述基于大数据的智慧医疗管理方法实现，其具体包括：控制模块、数据采集模块、数据提取模块、治疗值计算模块、急救指令发布模块、急救时间预估模块、体质威胁值计算模块和救援值计算模块，控制模块用于控制数据提取模块、治疗值计算模块、急救指令发布模块、急救时间预估模块、数据采集模块、体质威胁值计算模块和救援值计算模块的运行，数据采集模块用于通过采集终端采集患者基础体质数据、车辆行驶基础数据、附近医院基础数据和位置数据，数据提取模块用于根据各模块需要提取数据采集模块采集的数据，体质威胁值计算模块用于将患者基础体质数据导入体质威胁值计算公式中进行体质威胁值的计算，并将体质威胁值与威胁阈值进行对比；
在本实施例中，急救时间预估模块用于将车辆行驶基础数据导入急救时间计算策略中进行急救时间的预估，救援值计算模块用于将附近医院基础数据导入救援值计算策略中进行救援值的计算，治疗值计算模块用于将救援值、急救时间和威胁值导入治疗值计算公式中进行治疗值的计算，急救指令发布模块用于将计算得到的治疗值降序排列，查找治疗值最接近设定的标准治疗值对应的附近医院作为最优规划医院，向最优规划医院发布急救指令；
在本实施例中，数据采集模块包括位置数据采集单元、车辆行驶基础数据采集单元、基础体质数据采集单元和附近医院基础数据采集单元，位置数据采集单元用于通过定位设备提取患者和附近医院的位置数据，车辆行驶基础数据采集单元用于通过大数据提取道路车辆行驶速度数据、路段历史设定周期内堵车长度和堵车行驶速度数据曲线，基础体质数据采集单元通过用户的医疗手环采集患者的基础体质数据，附近医院基础数据采集单元用于通过大数据提取附近医院医疗资源和医疗人员数据，同时提取历史设定周期内患者到达附近医院就诊的次数数据；
在本实施例中，基础体质数据采集单元包括体温采集子单元、抖动频率采集子单元、血压数据采集子单元、心率数据采集子单元和抖动幅度采集子单元，体温采集子单元用于对患者实时体温和历史体温数据进行采集，抖动频率采集子单元用于采集患者实时抖动频率和历史抖动频率数据，血压数据采集子单元用于采集患者实时血压和历史血压数据，心率数据采集子单元用于采集患者实时心率和历史心率数据，抖动幅度采集子单元用于采集患者实时抖动幅度和历史抖动幅度数据。
实施例3
本实施例提供电子设备，包括：处理器和存储器，其中，存储器中存储有可供处理器调用的计算机程序；
处理器通过调用存储器中存储的计算机程序，执行上述的基于大数据的智慧医疗管理方法。
如图6所示，该电子设备可因配置或性能不同而产生比较大的差异，能够包括一个或一个以上的处理器（Central Processing Units，CPU）和一个或一个以上的存储器，其中，该存储器中存储有至少一条计算机程序，该计算机程序由该处理器加载并执行以实现上述方法实施例提供的基于大数据的智慧医疗管理方法。该电子设备还能够包括其他用于实现设备功能的部件，例如，该电子设备还能够具有有线或无线网络接口以及输入输出接口等部件，以便进行数据的输入输出。本实施例在此不做赘述。
实施例4
本实施例提出计算机可读存储介质，其上存储有可擦写的计算机程序；
当计算机程序在计算机设备上运行时，使得计算机设备执行上述的基于大数据的智慧医疗管理方法。
例如，计算机可读存储介质能够是只读存储器（Read-Only Memory，简称：ROM）、随机存取存储器（Random Access Memory，简称：RAM）、只读光盘（Compact Disc Read-OnlyMemory，简称：CD-ROM）、磁带、软盘和光数据存储设备等。
应理解，在本申请的各种实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
应理解，根据A确定B并不意味着仅仅根据A确定B，还能够根据A和/或其它信息确定B。
上述实施例，可以全部或部分地通过软件、硬件、固件或其他任意组合来实现。当使用软件实现时，上述实施例可以全部或部分地以计算机程序产品的形式实现。计算机程序产品包括一个或多个计算机指令或计算机程序。在计算机上加载或执行计算机指令或计算机程序时，全部或部分地产生按照本发明实施例的流程或功能。计算机可以为通用计算机、专用计算机、计算机网络、或者其他可编程装置。计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线网络或/和无线网络方式向另一个网站站点、计算机、服务器或数据中心进行传输。计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集合的服务器、数据中心等数据存储设备。可用介质可以是磁性介质（例如，软盘、硬盘、磁带）、光介质（例如，DVD）、或者半导体介质。半导体介质可以是固态硬盘。
本领域普通技术人员可以意识到，结合本发明中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本发明所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，单元的划分，仅仅为一种，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为的具体实施方式。显然，根据本说明书的内容，可做很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。
Claims (10)
1.基于大数据的智慧医疗管理方法，其特征在于，其包括以下具体步骤：
S1、通过采集终端采集患者基础体质数据、车辆行驶基础数据、附近医院基础数据和位置数据；
S2、将患者基础体质数据导入体质威胁值计算公式中进行体质威胁值的计算，并将体质威胁值与威胁阈值进行对比；
S3、若计算得到的体质威胁值大于设定的威胁阈值，则进行S4，若计算得到的体质威胁值小于等于设定的威胁阈值，则进行S8；
S4、将车辆行驶基础数据导入急救时间计算策略中进行急救时间的预估；
S5、将附近医院基础数据导入救援值计算策略中进行救援值的计算；
S6、将救援值、急救时间和威胁值导入治疗值计算公式中进行治疗值的计算；
S7、将计算得到的治疗值降序排列，查找治疗值最接近设定的标准治疗值对应的附近医院作为最优规划医院，向最优规划医院发布急救指令；
S8、不发布急救指令。
2.如权利要求1所述的基于大数据的智慧医疗管理方法，其特征在于，所述S1包括以下具体步骤：
S11、通过用户的医疗手环采集患者的基础体质数据，患者基础体质数据包括实时的体温、血压、心率、抖动频率和抖动幅度数据，和历史设定周期内的体温、血压、心率、抖动频率和抖动幅度数据曲线；
S12、通过大数据提取道路车辆行驶速度数据、路段历史设定周期内堵车长度和堵车行驶速度数据曲线；
S13、通过大数据提取附近医院医疗资源和医疗人员数据，同时提取历史设定周期内患者到达附近医院就诊的次数数据；
S14、通过定位设备提取患者和附近医院的位置数据，其中患者的位置数据设为，其中，/>为患者位置的经度数据，/>为患者位置的纬度数据，附近医院的位置数据设为/>，其中，/>为附近医院位置的经度数据，/>为附近医院位置的纬度数据。
3.如权利要求2所述的基于大数据的智慧医疗管理方法，其特征在于，所述S2的具体步骤如下：
S21、提取患者实时体温、血压、心率、抖动频率和抖动幅度数据和历史体温、血压、心率、抖动频率和抖动幅度数据，其中历史体温、血压、心率、抖动频率和抖动幅度数据的计算方式为：提取历史设定周期内的体温、血压、心率、抖动频率和抖动幅度数据曲线，取对应曲线参数值的均值作为对应参数的历史数据，提取患者年龄对应的安全体温范围、安全血压范围、安全心率范围、安全抖动频率范围和安全抖动幅度范围数据；
S22、将患者实时体温、血压/>、心率/>、抖动频率/>和抖动幅度/>数据和患者年龄对应的安全体温范围/>、安全血压范围/>、安全心率范围、安全抖动频率范围/>和安全抖动幅度范围/>数据代入第一体质威胁值计算公式中进行第一体质威胁值的计算，计算公式为：，其中/>为实时体温/>、血压/>、心率/>、抖动频率/>和抖动幅度/>中的第i项，/>为安全体温范围最大值/>、安全血压范围最大值/>、安全心率范围最大值/>、安全抖动频率范围最大值/>和安全抖动幅度范围最大值中的第i项，/>为安全体温范围最小值/>、安全血压范围最小值/>、安全心率范围最小值/>、安全抖动频率范围最小值/>和安全抖动幅度范围最小值/>中的第i项，/>为实时体温/>、血压/>、心率/>、抖动频率/>和抖动幅度/>中的第i项的占比系数，/>为/>中最接近/>的值，/>。
4.如权利要求3所述的基于大数据的智慧医疗管理方法，其特征在于，所述S2的步骤还包括如下：
S23、将患者历史体温、血压/>、心率/>、抖动频率/>和抖动幅度/>数据和患者年龄对应的安全体温范围/>、安全血压范围/>、安全心率范围、安全抖动频率范围/>和安全抖动幅度范围/>数据代入第二体质威胁值计算公式中进行第二体质威胁值的计算，第二体质威胁值的计算公式为：/>，其中/>为历史体温/>、血压/>、心率/>、抖动频率/>和抖动幅度/>数据中的第i项，/>为/>中最接近/>的值；
S24、将第一体质威胁值和第二体质威胁值相加得到体质威胁值。
5.如权利要求4所述的基于大数据的智慧医疗管理方法，其特征在于，所述S4中的急救时间计算策略的具体步骤如下：
S41、提取患者位置和附近医院位置数据，计算患者位置和附近医院位置的距离；
S42、路段历史设定周期内堵车长度和堵车行驶速度数据曲线，计算路段历史周期内堵车长度的均值s和堵车行驶速度的均值v；
S43、计算医院接到报警后接到患者然后到达医院的急救时间，其中/>为道路限速速度。
6.如权利要求5所述的基于大数据的智慧医疗管理方法，其特征在于，所述S5中的救援值计算策略的具体内容为：
提取附近医院医疗资源和医疗人员数据T，同时提取历史设定周期内患者到达附近医院就诊的次数数据z，其中医疗资源为医院的病床数K，将医院医疗资源、医疗人员数据和附近医院就诊的次数数据代入救援值计算公式中进行救援值计算，救援值的计算公式为,其中exp为e的幂次，/>为设定的医疗人员设定值，/>为设定的病床数设定值，/>为到达附近医院就诊的次数的占比系数。
7.如权利要求6所述的基于大数据的智慧医疗管理方法，其特征在于，所述S6的具体步骤为：
S61、提取患者附近各个医院的救援值、急救时间和患者的体质威胁值数据；
S62、将提取的救援值、急救时间和体质威胁值数据导入治疗值计算公式中进行治疗值的计算，治疗值计算公式为：，其中/>为设定的急救时间标准值。
8.基于大数据的智慧医疗管理系统，其基于如权利要求1-7任一项的所述基于大数据的智慧医疗管理方法实现，其特征在于，其具体包括：控制模块、数据采集模块、数据提取模块、治疗值计算模块、急救指令发布模块、急救时间预估模块、体质威胁值计算模块和救援值计算模块，所述控制模块用于控制数据提取模块、治疗值计算模块、急救指令发布模块、急救时间预估模块、数据采集模块、体质威胁值计算模块和救援值计算模块的运行，所述数据采集模块用于通过采集终端采集患者基础体质数据、车辆行驶基础数据、附近医院基础数据和位置数据，所述数据提取模块用于根据各模块需要提取数据采集模块采集的数据，所述体质威胁值计算模块用于将患者基础体质数据导入体质威胁值计算公式中进行体质威胁值的计算，并将体质威胁值与威胁阈值进行对比。
9.如权利要求8所述的基于大数据的智慧医疗管理系统，其特征在于，所述急救时间预估模块用于将车辆行驶基础数据导入急救时间计算策略中进行急救时间的预估，所述救援值计算模块用于将附近医院基础数据导入救援值计算策略中进行救援值的计算，所述治疗值计算模块用于将救援值、急救时间和威胁值导入治疗值计算公式中进行治疗值的计算，所述急救指令发布模块用于将计算得到的治疗值降序排列，查找治疗值最接近设定的标准治疗值对应的附近医院作为最优规划医院，向最优规划医院发布急救指令。
10.如权利要求9所述的基于大数据的智慧医疗管理系统，其特征在于，所述数据采集模块包括位置数据采集单元、车辆行驶基础数据采集单元、基础体质数据采集单元和附近医院基础数据采集单元，所述位置数据采集单元用于通过定位设备提取患者和附近医院的位置数据，所述车辆行驶基础数据采集单元用于通过大数据提取道路车辆行驶速度数据、路段历史设定周期内堵车长度和堵车行驶速度数据曲线，所述基础体质数据采集单元通过用户的医疗手环采集患者的基础体质数据，所述附近医院基础数据采集单元用于通过大数据提取附近医院医疗资源和医疗人员数据，同时提取历史设定周期内患者到达附近医院就诊的次数数据，所述基础体质数据采集单元包括体温采集子单元、抖动频率采集子单元、血压数据采集子单元、心率数据采集子单元和抖动幅度采集子单元，所述体温采集子单元用于对患者实时体温和历史体温数据进行采集，所述抖动频率采集子单元用于采集患者实时抖动频率和历史抖动频率数据，所述血压数据采集子单元用于采集患者实时血压和历史血压数据，所述心率数据采集子单元用于采集患者实时心率和历史心率数据，所述抖动幅度采集子单元用于采集患者实时抖动幅度和历史抖动幅度数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311076159.7A CN116779125B (zh) | 2023-08-25 | 2023-08-25 | 基于大数据的智慧医疗管理系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311076159.7A CN116779125B (zh) | 2023-08-25 | 2023-08-25 | 基于大数据的智慧医疗管理系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116779125A true CN116779125A (zh) | 2023-09-19 |
| CN116779125B CN116779125B (zh) | 2023-11-07 |
Family
ID=88008513
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311076159.7A Active CN116779125B (zh) | 2023-08-25 | 2023-08-25 | 基于大数据的智慧医疗管理系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116779125B (zh) |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20060135258A (ko) * | 2005-06-24 | 2006-12-29 | 삼성탈레스 주식회사 | 수상표적에 대한 위협 평가 방법 |
| AU2007203543A1 (en) * | 2006-07-28 | 2008-02-14 | Pc Tools Technology Pty Limited | Threat identification |
| CN106407703A (zh) * | 2016-09-29 | 2017-02-15 | 湖南优图信息技术有限公司 | 一种急救中心信息管理方法及平台 |
| CN107910055A (zh) * | 2017-12-12 | 2018-04-13 | 北京倍肯恒业科技发展股份有限公司 | 一种医疗急救系统及方法 |
| CN108550391A (zh) * | 2018-04-16 | 2018-09-18 | 青岛大学附属医院 | 医疗救援方法、系统、计算机装置及可读存储介质 |
| CN110993076A (zh) * | 2019-11-21 | 2020-04-10 | 无锡紫云智能科技有限公司 | 医疗急救系统及其急救方法 |
| CN112289465A (zh) * | 2020-10-21 | 2021-01-29 | 梁秀文 | 一种基于大数据的医疗监管系统 |
| CN112802571A (zh) * | 2021-04-02 | 2021-05-14 | 北京楠昊鹏物联网科技有限公司 | 一种基于rfid技术的紧急就诊方法和系统 |
| CN114464321A (zh) * | 2022-02-10 | 2022-05-10 | 安徽硕牌通信科技有限公司 | 一种基于大数据的智慧医疗系统 |
| KR20220095104A (ko) * | 2020-12-29 | 2022-07-06 | 주식회사 코스모스메딕 | 빅데이터 및 클라우드 시스템 기반 인공지능 응급의료 의사결정 및 응급환자 이송 시스템과 그 방법 |
| WO2022145782A2 (ko) * | 2020-12-29 | 2022-07-07 | 주식회사 코스모스메딕 | 빅데이터 및 클라우드 시스템 기반 인공지능 응급의료 의사결정 및 응급환자 이송 시스템과 그 방법 |
| CN116028892A (zh) * | 2023-03-24 | 2023-04-28 | 江苏先驰物联网技术有限公司 | 一种多警联勤控制系统的数据融合算法 |
-
2023
- 2023-08-25 CN CN202311076159.7A patent/CN116779125B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20060135258A (ko) * | 2005-06-24 | 2006-12-29 | 삼성탈레스 주식회사 | 수상표적에 대한 위협 평가 방법 |
| AU2007203543A1 (en) * | 2006-07-28 | 2008-02-14 | Pc Tools Technology Pty Limited | Threat identification |
| CN106407703A (zh) * | 2016-09-29 | 2017-02-15 | 湖南优图信息技术有限公司 | 一种急救中心信息管理方法及平台 |
| CN107910055A (zh) * | 2017-12-12 | 2018-04-13 | 北京倍肯恒业科技发展股份有限公司 | 一种医疗急救系统及方法 |
| CN108550391A (zh) * | 2018-04-16 | 2018-09-18 | 青岛大学附属医院 | 医疗救援方法、系统、计算机装置及可读存储介质 |
| CN110993076A (zh) * | 2019-11-21 | 2020-04-10 | 无锡紫云智能科技有限公司 | 医疗急救系统及其急救方法 |
| CN112289465A (zh) * | 2020-10-21 | 2021-01-29 | 梁秀文 | 一种基于大数据的医疗监管系统 |
| KR20220095104A (ko) * | 2020-12-29 | 2022-07-06 | 주식회사 코스모스메딕 | 빅데이터 및 클라우드 시스템 기반 인공지능 응급의료 의사결정 및 응급환자 이송 시스템과 그 방법 |
| WO2022145782A2 (ko) * | 2020-12-29 | 2022-07-07 | 주식회사 코스모스메딕 | 빅데이터 및 클라우드 시스템 기반 인공지능 응급의료 의사결정 및 응급환자 이송 시스템과 그 방법 |
| CN112802571A (zh) * | 2021-04-02 | 2021-05-14 | 北京楠昊鹏物联网科技有限公司 | 一种基于rfid技术的紧急就诊方法和系统 |
| CN114464321A (zh) * | 2022-02-10 | 2022-05-10 | 安徽硕牌通信科技有限公司 | 一种基于大数据的智慧医疗系统 |
| CN116028892A (zh) * | 2023-03-24 | 2023-04-28 | 江苏先驰物联网技术有限公司 | 一种多警联勤控制系统的数据融合算法 |
Non-Patent Citations (3)
| Title |
|---|
| HAMID ASSILZADEH ET AL.: ""Spatial modelling of wildland fire danger for risk analysis and conflict resolution in Malaysia: linking Fire Danger Rating Systems (FDRS) with Wildfire Threat Rating Systems (WTRS)"", 《GEOCARTO INTERNATIONAL》, vol. 27, no. 4, pages 291 - 313 * |
| 张福林 等: "基于物联网的主动式医疗急救协同系统设计", 智慧健康, no. 02, pages 35 - 39 * |
| 沈蓝 等: "基于医疗大数据的老年骨质疏松性骨折 院前急救分类优化研究", 实用临床医药杂志, vol. 27, no. 15, pages 7 - 13 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116779125B (zh) | 2023-11-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2020011244A1 (zh) | 一种急危重症施救的医疗资源优化匹配方法和系统 | |
| CN109119130A (zh) | 一种基于云计算的大数据健康管理系统及方法 | |
| Garai et al. | Revolutionizing healthcare with IoT and cognitive, cloud-based telemedicine | |
| US10262758B2 (en) | Scoring, evaluation, and feedback related to EMS clinical and operational performance | |
| CN107092776A (zh) | 一种基于物联网的慢性病患者体征监测和医患交互系统 | |
| CN105224804A (zh) | 智能医疗综合检测系统 | |
| KR20190105163A (ko) | 인공지능 기반의 환자상태 예측 장치 및 이를 이용한 환자상태 예측 방법 | |
| CN107436993A (zh) | 建立icu患者病情评估模型的方法和服务器 | |
| US11948691B1 (en) | Predicting addiction relapse and decision support tool | |
| CN108257648A (zh) | 一种基于大数据的医疗健康数据管理系统 | |
| CN104107031A (zh) | 智慧城市远程生理监测健康监护系统及其方法 | |
| CN106779446A (zh) | 一种家庭医生家庭病床管理系统 | |
| Chatterjee et al. | Conceptualizing tomorrow's healthcare through digitization | |
| CN114328426A (zh) | 一种医疗数据采集及共享系统 | |
| WO2021202661A1 (en) | Computer-based systems and devices configured for deep learning from sensor data non-invasive seizure forecasting and methods thereof | |
| CN116779125B (zh) | 基于大数据的智慧医疗管理系统及方法 | |
| JP2021144708A (ja) | 治療推奨を提供するための医療システム | |
| US20140185954A1 (en) | Influence-based social media interventions in healthcare | |
| CN115019924A (zh) | 应用人工智能健康机器人的健康数据采集和分析方法 | |
| KR20220086186A (ko) | 사용자 맞춤형 건강 관리 장치 및 방법 | |
| Levonevskiy et al. | Automation of data processing for patient monitoring in the smart ward environment | |
| US20150302214A1 (en) | Federated patient guaranteed unique identificaiton (guid) matching | |
| Hsu et al. | Applying cloud computing technologies to gerontology and geriatrics health care system (gghcs) | |
| US20230397876A1 (en) | Systems for analyzing patterns in electrodermal activity recordings of patients to predict seizure likelihood and methods of use thereof | |
| Kumar et al. | Fuzzy logic applications in healthcare: A review-based study |
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 |