CN116825359A - Vte风险预警方法、系统、电子设备以及计算机可读介质 - Google Patents

Vte风险预警方法、系统、电子设备以及计算机可读介质 Download PDF

Info

Publication number
CN116825359A
CN116825359A CN202310907043.7A CN202310907043A CN116825359A CN 116825359 A CN116825359 A CN 116825359A CN 202310907043 A CN202310907043 A CN 202310907043A CN 116825359 A CN116825359 A CN 116825359A
Authority
CN
China
Prior art keywords
target object
key
vte
current target
risk
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.)
Pending
Application number
CN202310907043.7A
Other languages
English (en)
Inventor
席新
王�华
奚琦辉
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.)
Central Hospital Of Minhang District Shanghai
Original Assignee
Central Hospital Of Minhang District Shanghai
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 Central Hospital Of Minhang District Shanghai filed Critical Central Hospital Of Minhang District Shanghai
Priority to CN202310907043.7A priority Critical patent/CN116825359A/zh
Publication of CN116825359A publication Critical patent/CN116825359A/zh
Pending legal-status Critical Current

Links

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
    • G16H50/30—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
    • 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
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/70—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

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Public Health (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Physics & Mathematics (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Databases & Information Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Pathology (AREA)
  • Mathematical Optimization (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (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

本发明公开了一种VTE风险预警方法、系统、电子设备以及计算机可读介质，涉及医疗信息技术领域。该VTE风险预警方法获取VTE发病患者的病史，采集历史健康监测数据；对历史健康监测数据进行特征优选，根据特征优选权重确定关键特征；根据目标对象的健康监测数据，对关键特征进行权重自适应处理，获取基于当前目标对象的关键特征权重；基于当前目标对象的关键特征权重确定拟合特征；将拟合特征作为自变量，进行逐步回归，获取当前目标对象的风险预测。通过采集历史健康监测数据进行特征优选，剔除无关数据，然后基于当前目标对象进行特征二次优选，进行逐步回归，获取风险预测，该方法无需医护人员参与，高效且风险预测结果精准。

Description

VTE风险预警方法、系统、电子设备以及计算机可读介质
技术领域
本发明涉及医疗信息技术领域。具体涉及一种VTE风险预警方法、系统、电子设备以及计算机可读介质。
背景技术
静脉血栓栓塞症(VTE)包括深静脉血栓形成(DVT)和肺血栓栓塞症(PTE)，是同一疾病在不同阶段、不同部位的两种重要临床表现形式。临床上诸多科室患者存在VTE风险，是导致医院内患者非预期死亡的重要原因，其发病隐匿，临床症状不典型，容易误诊、漏诊，且致死和致残率高，已构成医疗质量和安全的潜在风险，成为临床医务人员和医院管理者面临的严峻问题。
VTE是一种可预防的疾病，积极有效的预防和诊治可有效降低其发生率、病死率。目前在临床实践中VTE预防现状并不乐观，内科VTE预防率为6.0％，外科为11.8％，接受恰当VTE预防措施的患者仅有9％，反映出医护人员对VTE预防的认识和指南依从性有待进一步提高。
近年来，医院内VTE防治和管理体系建设在国内逐渐深受重视，采取VTE预防常规措施，明确将VTE纳入医疗安全监控指标。然而，仅仅依靠医生的经验去评估患者的VTE风险，随着患者激增，医护人员在评估VTE风险时花费的时间较多，患者获得VTE风险评估的结果也变慢。因此，完全依靠医生的经验评估患者的VTE风险，不仅造成医护人员工作量增大，而且存在分析评估效率较低的现象。
发明内容
本发明的目的在于针对现有技术的不足之处，提供一种VTE风险预警方法、系统、电子设备以及计算机可读介质，旨在通过采集历史健康监测数据进行特征优选，剔除无关数据，然后基于当前目标对象进行特征二次优选，进行逐步回归，获取风险预测，该方法无需医护人员参与，高效且风险预测结果精准。
为此，本申请提供一种VTE风险预警方法，包括
获取VTE发病患者的病史，采集历史健康监测数据；
对历史健康监测数据进行特征优选，根据特征优选权重确定关键特征；
根据目标对象的健康监测数据，对关键特征进行权重自适应处理，获取基于当前目标对象的关键特征权重；
基于当前目标对象的关键特征权重确定拟合特征；
将拟合特征作为自变量，进行逐步回归，获取当前目标对象的风险预测。
在一些具体实施方式中，对历史健康监测数据进行特征优选，根据特征优选权重确定关键特征，具体包括：
假设参考序列为
A＝[a1,a2,…,an]
比较序列为
Bi＝[b1,b2,…,bn]
基于熵估计互信息为：
I(A,Bi)＝H(A)+H(Bi)-H(A,Bi)
式中，H(A)为VTE发病风险值的信息熵；H(Bi)为影响参数的信息熵；H(A,Bi)为参数序列与比较序列的联合熵，n为VTE发病影响因子数量；
式中：Ji为第i个影响因子的加权关联度，k为时间序列中的时刻；t为健康数据监测总时段数；xi(k)为第i个影响因子第k个时刻的比较序列数据，ρ为分辨系数；
基于加权关联度大小确定关键风险影响因子。
在一些具体实施方式中，根据目标对象的健康监测数据，对关键特征进行权重自适应处理，获取基于当前目标对象的关键特征权重，具体为：
式中:ω0(i)为第i个关键风险影响因子的标准权重；δ0(i)为第i个关键风险影响因子的初始权重；σ(i)为第i个关键风险影响因子的标准权重，其中，VTE发病的影响因素及频数，每个关键风险影响因子发生的百分比，归一化处理后获得标准权重；m为关键沉降量影响因子的数量；β为关键风险影响因子的序号(按初始权重大小顺序排序)；
式中:ωj(i)为第i个关键风险影响因子第j次更新后的自适应权重；为第i个关键风险影响因子第j次更新的熵权；j为自适应权重更新次数。
在一些具体实施方式中，基于当前目标对象的关键特征权重确定拟合特征，具体为
根据当前目标对象的关键特征权重大小依次重新排列，剔除关键特征权重低于5％的特征得到拟合特征。
在一些具体实施方式中，将拟合特征作为自变量，进行逐步回归，获取当前目标对象的风险预测，具体为
对历史健康监测数据和当前目标对象的健康监测数据进行归一化处理；
假设共有P个自变量，求解第一个一元回归方程，利用偏F检验最大值的自变量进入模型；
对剩下P-1个变量，求解第二个一元回归方程，利用偏F检验最大值的自变量进入模型；
对剩下P-2个变量，求解第三个一元回归方程，利用偏F检验最大值的自变量进入模型，未通过检验的自变量删除处理，直至所有模型外的自变量都不能通过检验结束；
根据逐步回归计算各自变量对当前目标对象的VTE病发的贡献值。
本申请另提供一种VTE风险预警系统，包括
采集单元，用于获取VTE发病患者的病史，采集历史健康监测数据；
优选单元，用于对历史健康监测数据进行特征优选，根据特征优选权重确定关键特征；
自适应单元，用于根据目标对象的健康监测数据，对关键特征进行权重自适应处理，获取基于当前目标对象的关键特征权重；
拟合单元，用于基于当前目标对象的关键特征权重确定拟合特征；
预测单元，用于将拟合特征作为自变量，进行逐步回归，获取当前目标对象的风险预测。
在一些具体实施方式中，基于当前目标对象的关键特征权重确定拟合特征，具体为
根据当前目标对象的关键特征权重大小依次重新排列，剔除关键特征权重低于5％的特征得到拟合特征。
在一些具体实施方式中，将拟合特征作为自变量，进行逐步回归，获取当前目标对象的风险预测，具体为
对历史健康监测数据和当前目标对象的健康监测数据进行归一化处理；
假设共有P个自变量，求解第一个一元回归方程，利用偏F检验最大值的自变量进入模型；
对剩下P-1个变量，求解第二个一元回归方程，利用偏F检验最大值的自变量进入模型；
对剩下P-2个变量，求解第三个一元回归方程，利用偏F检验最大值的自变量进入模型，未通过检验的自变量删除处理，直至所有模型外的自变量都不能通过检验结束；
根据逐步回归计算各自变量对当前目标对象的VTE病发的贡献值。
本申请另提供一种电子设备，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现任一所述的方法。
本申请另提供一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现任一所述的方法。
本申请提供的VTE风险预警方法，通过获取VTE发病患者的病史，采集历史健康监测数据；对历史健康监测数据进行特征优选，根据特征优选权重确定关键特征；根据目标对象的健康监测数据，对关键特征进行权重自适应处理，获取基于当前目标对象的关键特征权重；基于当前目标对象的关键特征权重确定拟合特征；将拟合特征作为自变量，进行逐步回归，获取当前目标对象的风险预测。通过采集历史健康监测数据进行特征优选，剔除无关数据，然后基于当前目标对象进行特征二次优选，进行逐步回归，获取风险预测，该方法无需医护人员参与，高效且风险预测结果精准。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1为本申请实施例提供的一种VTE风险预警方法的流程图。
具体实施方式
本下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
请参考图1，其示出了根据本公开的VTE风险预警方法的一个实施例的流程。
该VTE风险预警方法包括以下步骤：
步骤S10：获取VTE发病患者的病史，采集历史健康监测数据；
步骤S20：对历史健康监测数据进行特征优选，根据特征优选权重确定关键特征。
具体包括：
假设参考序列为
A＝[a1,a2,…,an]
比较序列为
Bi＝[b1,b2,…,bn]
基于熵估计互信息为：
I(A,Bi)＝H(A)+H(Bi)-H(A,Bi)
式中，H(A)为VTE发病风险值的信息熵；H(Bi)为影响参数的信息熵；H(A,Bi)为参数序列与比较序列的联合熵，n为VTE发病影响因子数量；
式中：Ji为第i个影响因子的加权关联度，k为时间序列中的时刻；t为健康数据监测总时段数；xi(k)为第i个影响因子第k个时刻的比较序列数据，ρ为分辨系数；
基于加权关联度大小确定关键风险影响因子。
步骤S30：根据目标对象的健康监测数据，对关键特征进行权重自适应处理，获取基于当前目标对象的关键特征权重。
具体为：
式中:ω0(i)为第i个关键风险影响因子的标准权重；δ0(i)为第i个关键风险影响因子的初始权重；σ(i)为第i个关键风险影响因子的标准权重，其中，VTE发病的影响因素及频数，每个关键风险影响因子发生的百分比，归一化处理后获得标准权重；m为关键沉降量影响因子的数量；β为关键风险影响因子的序号(按初始权重大小顺序排序)；
式中:ωj(i)为第i个关键风险影响因子第j次更新后的自适应权重；为第i个关键风险影响因子第j次更新的熵权；j为自适应权重更新次数。
步骤S40：基于当前目标对象的关键特征权重确定拟合特征。
在这里，根据当前目标对象的关键特征权重大小依次重新排列，剔除关键特征权重低于5％的特征得到拟合特征。
步骤S50：将拟合特征作为自变量，进行逐步回归，获取当前目标对象的风险预测。
在这里，具体包括：
对历史健康监测数据和当前目标对象的健康监测数据进行归一化处理；
假设共有P个自变量，求解第一个一元回归方程，利用偏F检验最大值的自变量进入模型；
对剩下P-1个变量，求解第二个一元回归方程，利用偏F检验最大值的自变量进入模型；
对剩下P-2个变量，求解第三个一元回归方程，利用偏F检验最大值的自变量进入模型，未通过检验的自变量删除处理，直至所有模型外的自变量都不能通过检验结束；
根据逐步回归计算各自变量对当前目标对象的VTE病发的贡献值。
本申请提供的VTE风险预警方法，通过该VTE风险预警方法获取VTE发病患者的病史，采集历史健康监测数据；对历史健康监测数据进行特征优选，根据特征优选权重确定关键特征；根据目标对象的健康监测数据，对关键特征进行权重自适应处理，获取基于当前目标对象的关键特征权重；基于当前目标对象的关键特征权重确定拟合特征；将拟合特征作为自变量，进行逐步回归，获取当前目标对象的风险预测。通过采集历史健康监测数据进行特征优选，剔除无关数据，然后基于当前目标对象进行特征二次优选，进行逐步回归，获取风险预测，该方法无需医护人员参与，高效且风险预测结果精准。
进一步地，作为对上述方法的实现，本公开提供了一种VTE风险预警系统，该系统实施例与图1所示的方法实施例相对应，该系统具体可以应用于各种电子设备中。
本申请另提供一种VTE风险预警系统，包括采集单元，用于获取VTE发病患者的病史，采集历史健康监测数据；优选单元，用于对历史健康监测数据进行特征优选，根据特征优选权重确定关键特征；自适应单元，用于根据目标对象的健康监测数据，对关键特征进行权重自适应处理，获取基于当前目标对象的关键特征权重；拟合单元，用于基于当前目标对象的关键特征权重确定拟合特征；预测单元，用于将拟合特征作为自变量，进行逐步回归，获取当前目标对象的风险预测。
本公开实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。
例如，本公开的实施例包括一种计算机程序产品，其包括承载在非暂态计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。
在本申请所提供的实施例中，应该理解到，所揭露装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，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通信接口，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。
另外，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。
再者，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
以上所述仅为本申请的实施例而已，并不用于限制本申请的保护范围，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (10)

1.一种VTE风险预警方法，其特征在于，
获取VTE发病患者的病史，采集历史健康监测数据；
对历史健康监测数据进行特征优选，根据特征优选权重确定关键特征；
根据目标对象的健康监测数据，对关键特征进行权重自适应处理，获取基于当前目标对象的关键特征权重；
基于当前目标对象的关键特征权重确定拟合特征；
将拟合特征作为自变量，进行逐步回归，获取当前目标对象的风险预测。
2.如权利要求1所述的VTE风险预警方法，其特征在于，对历史健康监测数据进行特征优选，根据特征优选权重确定关键特征，具体包括：
假设参考序列为
A＝[a1,a2,…,an]
比较序列为
Bi＝[b1,b2,…,bn]
基于熵估计互信息为：
I(A,Bi)＝H(A)+H(Bi)-H(A,Bi)
式中，H(A)为VTE发病风险值的信息熵；H(Bi)为影响参数的信息熵；H(A,Bi)为参数序列与比较序列的联合熵，n为VTE发病影响因子数量；
式中：Ji为第i个影响因子的加权关联度，k为时间序列中的时刻；t为健康数据监测总时段数；xi(k)为第i个影响因子第k个时刻的比较序列数据，ρ为分辨系数；
基于加权关联度大小确定关键风险影响因子。
3.如权利要求2所述的VTE风险预警方法，其特征在于，根据目标对象的健康监测数据，对关键特征进行权重自适应处理，获取基于当前目标对象的关键特征权重，具体为：
式中:ω0(i)为第i个关键风险影响因子的标准权重；δ0(i)为第i个关键风险影响因子的初始权重；σ(i)为第i个关键风险影响因子的标准权重，其中，VTE发病的影响因素及频数，每个关键风险影响因子发生的百分比，归一化处理后获得标准权重；m为关键沉降量影响因子的数量；β为关键风险影响因子的序号(按初始权重大小顺序排序)；
式中:ωj(i)为第i个关键风险影响因子第j次更新后的自适应权重；为第i个关键风险影响因子第j次更新的熵权；j为自适应权重更新次数。
4.如权利要求3所述的VTE风险预警方法，其特征在于，基于当前目标对象的关键特征权重确定拟合特征，具体为
根据当前目标对象的关键特征权重大小依次重新排列，剔除关键特征权重低于5％的特征得到拟合特征。
5.如权利要求4所述的VTE风险预警方法，其特征在于，将拟合特征作为自变量，进行逐步回归，获取当前目标对象的风险预测，具体为
对历史健康监测数据和当前目标对象的健康监测数据进行归一化处理；
假设共有P个自变量，求解第一个一元回归方程，利用偏F检验最大值的自变量进入模型；
对剩下P-1个变量，求解第二个一元回归方程，利用偏F检验最大值的自变量进入模型；
对剩下P-2个变量，求解第三个一元回归方程，利用偏F检验最大值的自变量进入模型，未通过检验的自变量删除处理，直至所有模型外的自变量都不能通过检验结束；
根据逐步回归计算各自变量对当前目标对象的VTE病发的贡献值。
6.VTE风险预警系统，其特征在于，包括
采集单元，用于获取VTE发病患者的病史，采集历史健康监测数据；
优选单元，用于对历史健康监测数据进行特征优选，根据特征优选权重确定关键特征；
自适应单元，用于根据目标对象的健康监测数据，对关键特征进行权重自适应处理，获取基于当前目标对象的关键特征权重；
拟合单元，用于基于当前目标对象的关键特征权重确定拟合特征；
预测单元，用于将拟合特征作为自变量，进行逐步回归，获取当前目标对象的风险预测。
7.如权利要求6所述的VTE风险预警系统，其特征在于，基于当前目标对象的关键特征权重确定拟合特征，具体为
根据当前目标对象的关键特征权重大小依次重新排列，剔除关键特征权重低于5％的特征得到拟合特征。
8.如权利要求7所述的VTE风险预警系统，其特征在于，将拟合特征作为自变量，进行逐步回归，获取当前目标对象的风险预测，具体为
对历史健康监测数据和当前目标对象的健康监测数据进行归一化处理；
假设共有P个自变量，求解第一个一元回归方程，利用偏F检验最大值的自变量进入模型；
对剩下P-1个变量，求解第二个一元回归方程，利用偏F检验最大值的自变量进入模型；
对剩下P-2个变量，求解第三个一元回归方程，利用偏F检验最大值的自变量进入模型，未通过检验的自变量删除处理，直至所有模型外的自变量都不能通过检验结束；
根据逐步回归计算各自变量对当前目标对象的VTE病发的贡献值。
9.电子设备，其特征在于，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-5中任一所述的方法。
10.一种计算机可读介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-5中任一所述的方法。
CN202310907043.7A 2023-07-22 2023-07-22 Vte风险预警方法、系统、电子设备以及计算机可读介质 Pending CN116825359A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310907043.7A CN116825359A (zh) 2023-07-22 2023-07-22 Vte风险预警方法、系统、电子设备以及计算机可读介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310907043.7A CN116825359A (zh) 2023-07-22 2023-07-22 Vte风险预警方法、系统、电子设备以及计算机可读介质

Publications (1)

Publication Number Publication Date
CN116825359A true CN116825359A (zh) 2023-09-29

Family

ID=88124101

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310907043.7A Pending CN116825359A (zh) 2023-07-22 2023-07-22 Vte风险预警方法、系统、电子设备以及计算机可读介质

Country Status (1)

Country Link
CN (1) CN116825359A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117095821A (zh) * 2023-10-20 2023-11-21 京东方艺云(杭州)科技有限公司 一种近视风险等级的预测方法、装置、电子设备及介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117095821A (zh) * 2023-10-20 2023-11-21 京东方艺云(杭州)科技有限公司 一种近视风险等级的预测方法、装置、电子设备及介质
CN117095821B (zh) * 2023-10-20 2024-02-20 京东方艺云(杭州)科技有限公司 一种近视风险等级的预测方法、装置、电子设备及介质

Similar Documents

Publication Publication Date Title
CN109524069B (zh) 医疗数据处理方法、装置、电子设备和存储介质
US20220115144A1 (en) Monitoring predictive models
Rajati et al. Quality of life predictors in physically disabled people
US20120265549A1 (en) System and Computer Readable Medium for Predicting Patient Outcomes
WO2020181807A1 (zh) 健康提醒方法、装置、计算机设备及存储介质
CN110838366A (zh) 一种患病风险的预测方法及装置
CN116825359A (zh) Vte风险预警方法、系统、电子设备以及计算机可读介质
CN111524598A (zh) 一种围术期并发症预测方法及系统
US20210192365A1 (en) Computer device, system, readable storage medium and medical data analysis method
Hameed et al. The impact of adherence on costs and effectiveness of telemedical patient management in heart failure
CN110675942A (zh) 医学影像图像诊断分配方法、装置、终端及存储介质
US20130297340A1 (en) Learning and optimizing care protocols
CN110675952A (zh) 检验决策方法及装置、终端设备、计算机可读存储介质
Alarhayem et al. Application of electronic medical record–derived analytics in critical care: Rothman Index predicts mortality and readmissions in surgical intensive care unit patients
JP5978476B2 (ja) 診療ワークフローシステムとそのためのプログラム
Lee et al. Assessing the recall rate for screening mammography: comparing the medicare hospital compare dataset with the national mammography database
Fan et al. Reliability analysis of computed tomography equipment using the q‐Weibull distribution
KR20150007468A (ko) 임상의사결정 지원방법 및 그 장치
US20070067181A1 (en) System and method for intelligence building in an expert system
CN115240870A (zh) 未知传染病的预警方法、装置、电子设备及计算机介质
CN116913492A (zh) 一种医护信息管理方法、装置、设备和介质
CN112397195A (zh) 用于生成体格检查模型的方法、装置、电子设备和介质
Zrelak et al. How accurate is the AHRQ Patient Safety Indicator for hospital-acquired pressure ulcer in a national sample of records?
JP2013205987A (ja) 決定プログラム、および決定装置
Reganata et al. Workload and performance of nurses during the COVID-19 pandemic: a meta analysis 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