CN116936133B - 一种基于护理晨交班数据的营养状况监测方法和系统 - Google Patents
一种基于护理晨交班数据的营养状况监测方法和系统 Download PDFInfo
- Publication number
- CN116936133B CN116936133B CN202311199113.4A CN202311199113A CN116936133B CN 116936133 B CN116936133 B CN 116936133B CN 202311199113 A CN202311199113 A CN 202311199113A CN 116936133 B CN116936133 B CN 116936133B
- Authority
- CN
- China
- Prior art keywords
- color
- value
- data
- monitoring
- vomit
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 174
- 238000000034 method Methods 0.000 title claims abstract description 26
- 230000000474 nursing effect Effects 0.000 title claims abstract description 25
- 235000015097 nutrients Nutrition 0.000 title description 4
- 235000003715 nutritional status Nutrition 0.000 claims abstract description 132
- 230000008673 vomiting Effects 0.000 claims abstract description 90
- 210000004916 vomit Anatomy 0.000 claims abstract description 89
- 210000002700 urine Anatomy 0.000 claims abstract description 63
- 235000016709 nutrition Nutrition 0.000 claims abstract description 56
- 230000035764 nutrition Effects 0.000 claims abstract description 53
- 238000007781 pre-processing Methods 0.000 claims abstract description 38
- 230000027939 micturition Effects 0.000 claims description 17
- 230000013872 defecation Effects 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 13
- 239000004927 clay Substances 0.000 claims description 10
- 230000006872 improvement Effects 0.000 claims description 10
- 239000003086 colorant Substances 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 8
- 208000012671 Gastrointestinal haemorrhages Diseases 0.000 claims description 6
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 claims description 5
- 230000002159 abnormal effect Effects 0.000 claims description 5
- 206010010774 Constipation Diseases 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 3
- 230000003203 everyday effect Effects 0.000 claims description 3
- 208000030304 gastrointestinal bleeding Diseases 0.000 claims description 3
- 210000001035 gastrointestinal tract Anatomy 0.000 claims description 3
- 239000001056 green pigment Substances 0.000 claims description 3
- 239000001054 red pigment Substances 0.000 claims description 3
- 230000002354 daily effect Effects 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 5
- 210000000941 bile Anatomy 0.000 description 5
- 238000007726 management method Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 210000000936 intestine Anatomy 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 239000003833 bile salt Substances 0.000 description 2
- 229940093761 bile salts Drugs 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000013501 data transformation Methods 0.000 description 2
- 230000018044 dehydration Effects 0.000 description 2
- 238000006297 dehydration reaction Methods 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 210000004211 gastric acid Anatomy 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 208000019423 liver disease Diseases 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 241000894006 Bacteria Species 0.000 description 1
- 208000007882 Gastritis Diseases 0.000 description 1
- 206010037660 Pyrexia Diseases 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 239000003242 anti bacterial agent Substances 0.000 description 1
- 229940088710 antibiotic agent Drugs 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 235000013361 beverage Nutrition 0.000 description 1
- 210000003445 biliary tract Anatomy 0.000 description 1
- 239000001058 brown pigment Substances 0.000 description 1
- 201000001352 cholecystitis Diseases 0.000 description 1
- 201000001883 cholelithiasis Diseases 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000010794 food waste Substances 0.000 description 1
- 210000000232 gallbladder Anatomy 0.000 description 1
- 210000004051 gastric juice Anatomy 0.000 description 1
- 208000003243 intestinal obstruction Diseases 0.000 description 1
- 210000003734 kidney Anatomy 0.000 description 1
- 210000004185 liver Anatomy 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 210000002784 stomach Anatomy 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction 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
- G16H80/00—ICT specially adapted for facilitating communication between medical practitioners or patients, e.g. for collaborative diagnosis, therapy or health monitoring
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/60—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to nutrition control, e.g. diets
-
- 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
-
- 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
Abstract
本发明涉及一种基于护理晨交班数据的营养状况监测方法和系统。方法包括：收集多个属性数据，其中，多个属性数据包括大便次数、大便颜色、小便量、小便颜色、呕吐量和呕吐物颜色；对收集的数据进行数据预处理，将预处理后的数据通过营养状况监测模型进行营养状况监测。一方面，基于护理晨交班采集的实时数据，让数据更具备实时性，另一方面，通过综合最近几次的晨交班数据，可以动态地准确反应营养状况的衍变趋势，第三方面，通过创新的监测算法更准确地实现营养状况监测。因此，可以充分利用护理晨交班数据，以更好实现营养状况监测。
Description
技术领域
本发明涉及医疗领域，具体涉及一种基于护理晨交班数据的营养状况监测方法和系统。
背景技术
对于营养状况监测和预警，多基于当前的得到的生理参数，与基准生理参数进行比较，从而实现营养状况的监测和预警，不能起到一个提前的趋势监测和预警作用。并且，在生病住院期间，营养状况对病情的衍变趋势会起到至关重要的作用，在考虑并且的同时，也需要随时关注营养状况。
在当前的医疗健康管理系统中，护理人员通常在晨交班时会进行一次患者信息的交接，包括患者的生理指标、病情变化等。然而，这些信息大多数情况下只被用于单次的病情评估和处理，缺少对历史信息和大量患者数据的深度挖掘和分析，导致其在营养状况预警和管理中的潜力没有得到充分利用。
此外，现有的营养状况的监测大多数基于当前的生理指标，而非全面考虑患者的综合情况，这可能导致预警结果的精确性和鲁棒性不足。
上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。
发明内容
本申请要解决的技术问题是提供一种基于护理晨交班数据的营养状况监测方法和系统，具有可以充分利用护理晨交班数据，更好实现营养状况监测的特点。
第一方面，一种实施例中提供一种基于护理晨交班数据的营养状况监测方法，包括：
数据收集，包括获取患者对象的n组晨交班数据，n≥1，所述n组晨交班数据中的每一组晨交班数据，均基于护理晨交班得到，其中，每一组晨交班数据均包括多个属性数据，该多个属性数据包括：大便次数、大便颜色、小便量、小便颜色、呕吐量和呕吐物颜色；
数据预处理，对采集的多个属性数据进行数据预处理，包括：
如果大便次数在正常的大便次数阈值范围内，则设置为0，否则设置为1；对于大便颜色，按照大便颜色等级进行赋值，等级越高，则所赋的值越高，其中，大便颜色等级从高到底包括：粘土色＞灰色＞白色；
如果小便量在正常的小便量阈值范围内，则设置为0，否则设置为1；对于小便颜色，按照颜色等级进行赋值，等级越高，则所赋的值越高，其中，大便颜色等级从高到底包括：橙色＞琥珀色＞深黄色＞淡黄色；
如果呕吐量大于0，则表示异常，设置为1，否则设置为0；对呕吐物颜色按照呕吐物颜色进行赋值，等级越高，则所赋的值越高，其中，呕吐物颜色等级从高到底包括：黄绿色＞深黄色＞黄色＞淡黄色；
将各个数据预处理后的值作为属性数据的第二数值；
营养状况监测，将预处理后的数据通过营养状况监测模型进行营养状况监测，包括：将获取的n组多个属性数据的每一个数据所一一对应的第二数值带入向量矩阵，与各自对应的权重相乘后进行相加，将相加的和与监测偏置量相加得到监测值，基于该监测值进行营养状况监测；监测值越大则说明营养状况越差。
一种实施例中，所述的基于该监测值进行营养状况监测，包括：
如果监测值大于0，则说明营养状况变差；
如果监测值等于0，则说明营养状况维持；
如果监测值小于0，则说明营养状况好转。
一种实施例中，所述的基于该监测值进行营养状况监测，包括：
设置判断营养状况的第一监测阈值和第二监测阈值，所述第一监测阈值小于第二监测阈值；
如果监测值大于第二监测阈值，则说明营养状况变差；
如果监测值在第一监测阈值和第二监测阈值之间，或监测值等于第一监测阈值或第二监测阈值，则说明营养状况维持；
如果监测值小于第一监测阈值，则说明营养状况好转。
一种实施例中，所述的基于该监测值进行营养状况监测，包括：
将监测值转换为概率值，基于该概率值进行营养状况监测；
所述的将监测值转化为概率值，包括：
基于公式p=1/(1+exp(-y))+d，将监测值转化为概率值；其中，p为概率值，exp为自然常数e为底的指数函数，y为计算得到的监测值，d为概率偏置量。
一种实施例中，所述的基于该概率值进行营养状况监测，包括：
如果所述概率值大于0，则说明营养状况变差，如果所述概率值等于0，则说明营养状况维持；如果所述概率值小于0，则说明营养状况好转。
一种实施例中，所述的基于该概率值进行营养状况监测，包括：
设置营养状况监测的第一概率阈值和第二概率阈值，所述第一概率阈值小于第二概率阈值；
如果概率值大于第二概率阈值，则说明营养状况变差；
如果概率值在第一概率阈值和第二概率阈值之间，或概率值等于第一概率阈值或第二概率阈值，则说明营养状况维持；
如果概率值小于第一概率阈值，则说明营养状况好转。
一种实施例中，所述的基于该概率值进行营养状况监测，包括：
设置判断营养状况衍变趋势的第三概率值，如果概率值大于或等于第三概率值，进行营养状况预警。
一种实施例中，在数据预处理中，如果大便的颜色属于二类属性颜色，则对相应的二类属性颜色进行赋值，且进行唯一二类属性编码；所述二类属性颜色包括红色、绿色、黄色和黑色；
在营养状况监测中，营养状况监测模型按照相应的编码输出相应的数据，包括：如果是红色对应的编码，则说明存在消化道出血的可能性，但需排除存在饮食了红色色素食品的问题；如果是绿色对应的编码，则说明存在食物通过肠道过快的可能性，但需排除饮食了绿色色素食品的问题；如果是黄色对应的编码，则说明大便中含有过多脂肪；如果是黑色对应的编码，则说明存在饮用了过量的酒精或存在便秘、消化道内部出血的情况。
第二方面，一种实施例中提供一种基于护理晨交班数据的营养状况监测系统，包括：
数据采集模块，用于基于护理晨交班数据，获取患者对象每天的晨交班数据，组成n组晨交班数据，n≥1，其中，每一组晨交班数据均包括多个属性数据；所述多个属性数据包括大便次数、大便颜色、小便量、小便颜色、呕吐量和呕吐物颜色；
数据预处理模块，用于对采集的多个属性数据进行数据预处理；其中，如果大便次数在正常的大便次数阈值范围内，则设置为0，否则设置为1；对于大便颜色，按照大便颜色等级进行赋值，等级越高，则所赋的值越高，其中，大便颜色等级从高到底包括：粘土色＞灰色＞白色；
如果小便量在正常的小便量阈值范围内，则设置为0，否则设置为1；对于小便颜色，按照颜色等级进行赋值，等级越高，则所赋的值越高，其中，大便颜色等级从高到底包括：橙色＞琥珀色＞深黄色＞淡黄色；
如果呕吐量大于0，则表示异常，设置为1，否则设置为0；对呕吐物颜色按照呕吐物颜色进行赋值，等级越高，则所赋的值越高，其中，呕吐物颜色等级从高到底包括：黄绿色＞深黄色＞黄色＞淡黄色；
将各个数据预处理后的值作为属性数据的第二数值；
营养状况监测模块，用于将预处理后的数据作为输入进行营养状况监测，包括监测值计算单元；所述监测值计算单元用于将获取的n组多个属性数据所一一对应的第二数值带入向量矩阵，与各自对应的权重相乘后进行相加，将相加的和与监测偏置量相加得到监测值，基于该监测值进行营养状况监测；监测值越大则说明营养状况越差。
一种实施例中，所述营养状况监测模块还包括概率值计算单元；所述概率值计算单元用于将检测值转换为概率值，基于该概率值进行营养状况监测，包括：
基于公式p=1/(1+exp(-y))+d，将监测值转换为概率值；其中，p为概率值，exp为自然常数e为底的指数函数，y为计算得到的监测值，d为概率偏置量。
本发明的有益效果是：
一方面，基于护理晨交班采集的实时数据，让数据更具备实时性，另一方面，通过综合最近几次的晨交班数据，可以动态地准确反应营养状况的衍变趋势，第三方面，通过创新的监测算法更准确地实现营养状况监测。因此，可以充分利用护理晨交班数据，以更好实现营养状况监测。
附图说明
图1是本申请一种实施例的基于护理晨交班数据的营养状况监测系统的结构框图；
图2是本申请一种实施例的基于护理晨交班数据的营养状况监测方法的流程示意图。
图中：01、数据采集模块；02、数据预处理模块；03、营养状况监测模块；04、营养状况预警模块；0101、大便次数采集单元；0102、大便颜色采集单元；0103、小便量采集单元；0104、小便颜色采集单元；0105、呕吐量采集单元；0106、呕吐物颜色采集单元；0301、监测值计算单元；0302、概率值计算单元。
具体实施方式
下面通过具体实施方式结合附图对本发明作进一步详细说明。其中不同实施方式中类似元件采用了相关联的类似的元件标号。在以下的实施方式中，很多细节描述是为了使得本申请能被更好的理解。然而，本领域技术人员可以毫不费力的认识到，其中部分特征在不同情况下是可以省略的，或者可以由其他元件、材料、方法所替代。在某些情况下，本申请相关的一些操作并没有在说明书中显示或者描述，这是为了避免本申请的核心部分被过多的描述所淹没，而对于本领域技术人员而言，详细描述这些相关操作并不是必要的，他们根据说明书中的描述以及本领域的一般技术知识即可完整了解相关操作。
另外，说明书中所描述的特点、操作或者特征可以以任意适当的方式结合形成各种实施方式。同时，方法描述中的各步骤或者动作也可以按照本领域技术人员所能显而易见的方式进行顺序调换或调整。因此，说明书和附图中的各种顺序只是为了清楚描述某一个实施例，并不意味着是必须的顺序，除非另有说明其中某个顺序是必须遵循的。
本文中为部件所编序号本身，例如“第一”、“第二”等，仅用于区分所描述的对象，不具有任何顺序或技术含义。而本申请所说“连接”、“联接”，如无特别说明，均包括直接和间接连接（联接）。
在当前的医疗健康管理系统中，护理人员通常在晨交班时会进行一次患者信息的交接，包括患者的生理指标、病情变化等。然而，这些信息大多数情况下只被用于单次的病情评估和处理，缺少对历史信息和大量患者数据的深度挖掘和分析，导致其在营养状况预警和管理中的潜力没有得到充分利用。
基于此，本申请的一种实施例中提供一种基于护理晨交班数据的营养状况监测方法和系统，一方面，基于护理晨交班采集的实时数据，让数据更具备实时性，另一方面，通过综合最近几次的晨交班数据，可以动态地准确反映营养状况变化趋势，第三方面，通过创新的监测算法更准确地实现营养状况监测。为更清楚地对基于护理晨交班数据的营养状况监测方法进行说明，请参考图1，先对该基于护理晨交班数据的营养状况监测系统进行介绍，包括数据采集模块01、数据预处理模块02和营养状况监测模块03。
对于数据采集模块01，用于基于护理晨交班数据，获取患者对象每天的晨交班数据，组成n组晨交班数据，n≥1，其中，每一组晨交班数据均包括多个属性数据；多个属性数据包括大便次数、大便颜色、小便量、小便颜色、呕吐量和呕吐物颜色，对应的，可以有大便次数采集单元0101，大便颜色采集单元0102、小便量采集单元0103、小便颜色采集单元0104、呕吐量采集单元0105和呕吐物颜色采集单元0106。
对于大便次数采集单元0101，一些实施例中，若采集的大便次数为0，则自动关闭大便颜色采集单元0102的数据采集接口，或者有大便颜色采集数据输入时提示出错信息。对于大便颜色采集单元0102，一些实施例中，对大便颜色进行选择采集；一些实施例中，对大便颜色进行采集时，显示颜色展示卡，以有助于对颜色的准确判断和采集。
对于小便量采集单元0103，一种实施例中，对患者的小变量所属的小便量范围进行采集；一些实施例中，若采集的小便量为0，则自动关闭小便颜色采集单元0104的数据采集接口，或者有小便颜色采集数据输入时提示出错信息。对于小便颜色采集单元0104，一些实施例中，对小便颜色进行选择采集；一些实施例中，对小便颜色进行采集时，显示颜色展示卡，以有助于对颜色的准确判断和采集。
对于呕吐量采集单元0105，一种实施例中，对患者的呕吐量所属的呕吐量范围进行采集；一些实施例中，若采集的呕吐量为0，则自动关闭呕吐物颜色采集单元0106的数据采集接口，或者有呕吐物颜色采集数据输入时提示出错信息。对于呕吐物颜色采集单元0106，一些实施例中，对呕吐物颜色进行选择采集；一些实施例中，对呕吐物颜色进行采集时，显示颜色展示卡，以有助于对颜色的准确判断和采集。
对于数据预处理模块02，用于对采集的多个属性数据进行数据预处理。其中，如果大便次数在正常的大便次数阈值范围内，则设置为0，否则设置为1；对于大便颜色，按照大便颜色等级进行赋值，等级越高，则所赋的值越高，其中，大便颜色等级从高到底包括：粘土色＞灰色＞白色。
如果小便量在正常的小便量阈值范围内，则设置为0，否则设置为1；对于小便颜色，按照颜色等级进行赋值，等级越高，则所赋的值越高，其中，大便颜色等级从高到底包括：橙色＞琥珀色＞深黄色＞淡黄色。
如果呕吐量大于0，则表示异常，设置为1，否则设置为0；对呕吐物颜色按照呕吐物颜色进行赋值，等级越高，则所赋的值越高，其中，呕吐物颜色等级从高到底包括：黄绿色＞深黄色＞黄色＞淡黄色。
将各个数据预处理后的值作为属性数据的第二数值。
对于营养状况监测模块03，用于将预处理后的数据作为输入进行营养状况监测，包括监测值计算单元0301。监测值计算单元0301用于将获取的n组多个属性数据所一一对应的第二数值带入向量矩阵，与各自对应的权重相乘后进行相加，将相加的和与监测偏置量相加得到监测值，基于该监测值进行营养状况监测；监测值越大则说明营养状况越差。
对于营养状况监测模块03，一种实施例中，还包括概率值计算单元0302，用于将检测值转换为概率值，基于该概率值进行营养状况监测，包括：基于公式p=1/(1+exp(-y))+d，将监测值转换为概率值；其中，p为概率值，exp为自然常数e为底的指数函数，y为计算得到的监测值，d为概率偏置量。
一种实施例中，基于护理晨交班数据的营养状况监测系统还包括营养状况预警模块04，用于根据预设的营养状况大幅度变差的条件进行判断营养状况是否大幅度变差，如果是，则进行营养状况预警。基于该营养状况预警模块04，在营养状况大幅度变差时，可以及时提醒工作人员采取有效干预措施。
本领域技术人员可以理解，图1中示出的基于护理晨交班数据的营养状况监测系统的硬件结构并不构成对基于护理晨交班数据的营养状况监测系统的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
结合上述硬件，本申请的基于护理晨交班数据的营养状况监测方法可以应用于图1所示的硬件以实现。请参考图2，该方法包括：
步骤S101，数据收集。包括获取患者对象的n组晨交班数据，n≥1，n组晨交班数据中的每一组晨交班数据，均基于护理晨交班得到，其中，每一组晨交班数据均包括多个属性数据，该多个属性数据包括：大便次数、大便颜色、小便量、小便颜色、呕吐量和呕吐物颜色；
一种实施例中，每天早晨，如早上8点过，可以基于护理晨交班数据拿到患者对象最近一次的病情数据。如果是第一次获取该数据，则n=1，在两次以上时，则基于每天晨交班数据的系统记录，除当天得到的最新的数据，还可以获取之前的数据，则可以基于能够获得的最近几次数据进行营养状况监测，例如，如果n=7，则获取最近7天的晨交班数据进行营养状况监测。
一种实施例中，上述每天获取得的数据为一组数据，每一组数据均包括多个属性数据。一种实施例中，该多个属性数据包括大便次数、大便颜色、小便量、小便颜色、呕吐量和呕吐物颜色。可以理解的，该多个属性数据可以是当日晨交班数据收集之前测量的，也可以是前一日晨交班数据收集之后测量的，但均为最新的数据。以n=7为例，基于获取的7组数据，则可以得到最近7天的每日大便次数，最近7天的每日大便颜色，最近7天的每日小变量，最近7天的每日小便颜色，最近7天的每日呕吐量，以及最近7天的每日呕吐物颜色。若每天晨交班均获得1个大便次数数据、1个大便颜色数据、1个小便量数据、1个小便颜色数据、1个呕吐量数据和1个呕吐物颜色数据，则最近7天的数据就有7个大便次数数据、7个大便颜色数据、7个小便量数据、7个小便颜色数据、7个呕吐量数据和7个呕吐物颜色数据。基于该7组数据，则可以对患者的营养状况进行监测。
基于护理晨交班数据的实时性，一方面提高了并发症监测数据的实时性和并发症监测的及时性，另一方面综合最近几次的晨交班数据，可以动态地准确反映营养状况的变化趋势。基于实际情况，对于患者的数据采集，在条件有限的情况下n可以为1，在具有多次数据采集的情况下，可以设置进行营养状况监测的n值，如n=7，也就是最近的7天的数值以进行营养状况监测，当然，那也可以是4、5、6或者8等，具体根据实际需要进行设置。
步骤S102，数据预处理。为了对营养状况的趋势进行分析，我们可以基于获取的多组数据进行分析监测，但对于非量化数据如何进行科学有效的数据转化融合以实现准确的监测分析，是本申请方案的一个技术难点，经过长时间的分析研究，本申请给出了一种数据预处理方法，以对采集的营养状况数据进行数据转化，从而有助于实现各个数据间的融合，以实现营养状况趋势的准确监测分析，包括：
对于大便次数和大便颜色，如果大便次数在正常的大便次数阈值范围内，则设置为0，否则设置为1。一种实施例中，以每日的大便次数为基准，可以设置大便次数阈值范围为1到3之间，当一日的大便次数小于1次（0次）或大于3次时，则大便次数不在正常的大便次数阈值范围内，此时设置为1，否则设置为0，将该设置为0或1的值作为对采集的大便次数数据预处理后的第二数值。具体的正常的大便次数阈值范围，可以根据患者对象的实际情况进行调整。对于大便颜色，某种程度上可以反映存在的疾病情况和/营养状况，正常的大便颜色通常是各种棕色，这主要是由于食物中的胆盐和食物残渣所致。胆盐是由肝脏生产并储存在胆囊中的物质，它在肠道中帮助分解脂肪，当胆盐通过肠道时，细菌会将其分解，产生棕色的色素。本申请的一种实施例中，等级从低到高，如果大便的颜色白色、灰色和粘土色中的任意一种，一方面可以反映可能存在胆道问题，等级越高越说明可能存在肝疾病或胆石问题，另一方面可以反映营养状况，等级越高越说明当前的营养状况越差。因此，一种实施例中，我们可以按照大便颜色等级进行赋值，等级越高，则所赋的值越高，其中，大便颜色等级从高到底包括：粘土色＞灰色＞白色＞棕色。一种实施例中，如果是粘土色则赋值为1.7，如果是灰色则赋值为1.4，如果是白色则赋值为1.1，如果是棕色则赋值为1。将大便颜色的赋值作为对采集的大便颜色数据预处理后的第二数值。颜色的具体赋值可以根据实际情况进行调整。
一种实施例中，在数据预处理中，如果大便的颜色属于大便二类属性颜色，则对相应的二类属性颜色进行赋值，且进行唯一二类属性编码；该二类属性颜色包括红色、绿色、黄色和黑色。
在营养状况监测中，营养状况监测模型按照相应的编码输出相应的数据，包括：如果是红色对应的编码，则说明存在消化道出血的可能性，但需排除存在饮食了红色色素食品的问题；如果是绿色对应的编码，则说明存在食物通过肠道过快的可能性，但需排除饮食了绿色色素食品的问题；如果是黄色对应的编码，则说明大便中含有过多脂肪；如果是黑色对应的编码，则说明存在饮用了过量的酒精或存在便秘、消化道内部出血的情况。可以理解地，食物通过肠道过快、大便中含有过多脂肪、饮用了过量的酒精是个人身体条件的一个反应，不同的人，过快、过多和过量的标准存在不同，因此，无法进行一个准确的量化。
一种实施例中，在大便次数采集时，如果大便次数为0，则不再进行大便颜色数据的采集，或，如果有大便颜色数据的输入，则进行错误提示。大便次数为0的情况下，大便颜色数据预处理后的第二数值为0。
对于小便量和小便颜色，如果小便量在正常的小便量阈值范围内，则设置为0，否则设置为1。一种实施例中，以每日的小便量为基准，可以设置小便量阈值范围为大于或等于200ml到2000ml，如果符合，则设置为0，如果不符合，则设置为1。将该设置为0或1的值作为对采集的小便量数据预处理后的第二数值。具体的正常的小便量阈值范围，可以根据患者对象的实际情况进行调整。对于小便颜色，某种程度上可以反映身体的营养状况和/或身体状况，正常的尿液颜色为淡黄色，表明你的身体正常水化，并且肾脏正在正常工作。按照颜色等级进行赋值，等级越高，则所赋的值越高，其中，小便颜色等级从高到底包括：橙色＞琥珀色＞深黄色＞淡黄色，一种实施例中，如果是橙色则赋值为1.7，如果是琥珀色则赋值为1.3，如果是深黄色则赋值为1.2，如果是淡黄色则赋值为1。将小便颜色的赋值作为对采集的小便颜色数据预处理后的第二数值。颜色的具体赋值可以根据实际情况进行调整。
一种实施例中，在数据预处理中，如果小便的颜色属于小便二类属性颜色，则对相应的二类属性颜色进行赋值，且进行唯一二类属性编码；该小便二类属性颜色包括深黄色、琥珀色和橙色。
在营养状况监测中，营养状况监测模型按照相应的编码输出相应的数据，包括：如果是深黄色对应的编码，则说明你可能脱水，需要喝更多的水；如果是琥珀色对应的编码，则说明你的脱水比较严重，需要补充更多的水；如果是橙色对应的编码，则说明可能与某些药物（例如抗生素、化疗药物）的使用有关，或者可能表明肝疾病或脱水。
对于呕吐量和呕吐物颜色，如果呕吐量大于0，则表示异常，设置为1，否则设置为0。一种实施例中，以每日的呕吐量为基准，可以设置呕吐量阈值范围为大于0，如果符合，则设置为1，如果不符合，则设置为0。将该设置为0或1的值作为对采集的呕吐量数据预处理后的第二数值。具体的呕吐量阈值范围即对应的值，可以根据患者对象的实际情况进行调整。对于呕吐物颜色，某种程度上可以反映身体的营养状况和/或身体状况，对呕吐物颜色按照呕吐物颜色进行赋值，等级越高，则所赋的值越高，其中，呕吐物颜色等级从高到底包括：黄绿色＞深黄色＞黄色＞淡黄色。一种实施例中，如果是黄绿色则赋值为1.8，如果是深黄色则赋值为1.6，如果是黄色则赋值为1.3，如果是淡黄色，则赋值为1.1。将呕吐物颜色的赋值作为对采集的呕吐物颜色数据预处理后的第二数值。颜色的具体赋值可以根据实际情况进行调整。
一种实施例中，在数据预处理中，如果呕吐物的颜色属于呕吐物二类属性颜色，则对相应的二类属性颜色进行唯一二类属性编码；该呕吐物二类属性颜色包括淡黄色、黄色、深黄色和黄绿色。
在营养状况监测中，营养状况监测模型按照相应的编码输出相应的数据，包括：如果是淡黄色对应的编码，则说明你可能是胆汁或胃酸。如果你的胃已经空了（例如，你已经很久没有吃东西了），那么你可能只是在呕吐胃液，其中包含黄色的胆汁。如果是黄色对应的编码，则说明可能是由于胆汁或胃酸导致的，过量的酒精摄入也可能导致黄色的呕吐物。如果是深黄色对应的编码，则说明胆汁过多，可能是肠道阻塞或胃炎的信号。如果是黄绿色对应的编码，则说明可能是胆汁，也可能是某些食物，药物或饮料的颜色。如果伴随疼痛或发烧，可能是更严重的问题，如胆囊炎。
步骤S103，营养状况监测。将预处理后的数据通过营养状况监测模型进行营养状况监测，包括：将获取的n组多个属性数据的每一个数据所一一对应的第二数值带入向量矩阵，与各自对应的权重相乘后进行相加，将相加的和与监测偏置量相加得到监测值，基于该监测值进行营养状况监测；监测值越大则说明营养状况越差。
基于预处理的数据，可以对营养状况进行监测，营养状况监测的方法可以采用现有的一些方法实现，本申请的一种实施例中，提供了一种新的营养监测方法，该监测方法中通过本申请实施例中提供的一种新的营养监测模型实现对营养状况的监测。通过该营养状况监测模型，将获取的n组多个属性数据中的每一个数据所一一对应的第二数值带入向量矩阵，与各自对应的权重相乘后进行相加，将相加的和与监测偏置量相加得到监测值，基于该监测值进行营养状况监测，监测值越大则说明营养状况越差。具体地，该营养状况监测模型可以表示为：
。
其中，y为监测值，W=[a 1,a 2,...,a i ,...,a m ]为m个第二数值所对应的权重向量矩阵，a i 为第i个第二数值的权重，1≤i≤m，T表示转置，X=[x 1,x 2,...,x i ,...,x m ]为m个第二数值的向量矩阵，x i 为第i个第二数值，b为监测偏置量。对于W和b，可以根据经验进行设定，也可以先设定一个初始值，然后通过模型训练优化后得到。
对于营养状况监测模型，可以通过训练得到，设置一个W和b的初始值，利用神经网络进行训练收敛优化得到最优的W和b，从而得到可以进行营养状况监测的营养状况监测模型。对于该营养状况监测模型，一种实施例中，可以调整需输入的n组数据的n的具体数值，从而选择相应的W和b，以适应不同情况的晨交班护理数据和/或实际需求。
一种实施例中，基于预处理后的大便次数、大便颜色、小便量、小便颜色、呕吐量和呕吐物颜色数据，若每天获取1次，则有6个特征，考虑7天，则有7*6=49个特征，则这里m=42。
基于上述方案，基于护理晨交班采集的实时数据，作为营养状况数据，数数据更具备实时性，通过综合最近几次的晨交班数据，可以动态地准确反映营养状况的衍变趋势，通过创新的监测算法更准确地实现营养状况监测。因此，通过本申请方案，可以充分利用护理晨交班数据，更好实现营养状况监测。
一种实施例中，以n=1为例来说明并营养状况监测模型中的营养状况监测算法。将获取的一组多个属性数据所一一对应的多个第二数值（包括第二大便次数数值0（大便次数在正常的大便次数阈值范围内）、第二大便颜色数值1.1（大便颜色为白色）、第二小便量数值1（不符合正常的小便量阈值范围）、第二小便颜色数值1.3（小便颜色为琥珀色）、呕吐量1（符合呕吐阈值范围）、呕吐物颜色1.6（呕吐物为深黄色））与各自对应的权重（0.2，0.2，0.3，0.2，0.3，0.2）相乘后进行相加，将相加后的和（1.6）与监测偏置量（-0.45）相加得到监测值（1.15），基于该监测值进行营养状况监测。营养状况监测值越大，则说明该营养状况越差。
一种实施例中，基于该预监测值进行营养状况监测，包括：如果监测值大于0，则说明营养状况变差；如果监测值等于0，则说明营养状况维持；如果监测值小于0，则说明营养状况好转。上述实施例中，由于得到的监测值1.15大于0，则说明营养状况变差。
考虑到一些不确定性因素的影响，为了能够更准确地输出营养状况监测结果，一种实施例中，设置判断营养状况的第一监测阈值和第二监测阈值，第一监测阈值小于第二监测阈值；如果监测值大于第二监测阈值，则说明营养状况变差；如果监测值在第一监测阈值和第二监测阈值之间，或监测值等于第一监测阈值或第二监测阈值，则说明营养状况维持；如果监测值小于第一监测阈值，则说明营养状况好转。
一种实施例中，可以设置第一监测阈值为-0.06，第二监测阈值为0.06，由于1.15大于0.06，说明营养状况变差。关于第一监测阈值和第二监测阈值，可以根据实际情况进行设置。
为了能够更直观且准确地说明营养状况变化程度，一种实施例中，基于监测值进行营养状况监测，包括：将监测值转换为概率值，基于该概率值进行并营养状况监测。将监测值转化为概率值，包括：基于公式p=1/(1+exp(-y))+d，将监测值转换为概率值；其中，p为概率值，exp为自然常数e为底的指数函数，y为计算得到的监测值，d为概率偏置量。本申请的一种实施例中，d=-0.5。
则有，对于基于该概率值进行营养状况监测，一种实施例中，包括：如果概率值大于0，则说明营养状况变差，如果概率值等于0，则说明营养状况维持；如果概率值小于0，则说明营养状况好转。
基于上述得到的监测值1.15，则可以得到对应的概率值为25.6%，说明营养状况变差。
考虑到一些不确定性因素的影响，为了能够更准确地输出营养状况监测结果，对于基于该概率值进行营养状况监测，一种实施例中，设置判断营养状况监测的第一概率阈值和第二概率阈值，其中，第一概率阈值小于第二概率阈值；如果概率值大于第二概率阈值，则说明营养状况变差；如果概率值在第一概率阈值和第二概率阈值之间，或概率值等于第一概率阈值或第二概率阈值，则说明营养状况维持；如果概率值小于第一概率阈值，则说明营养状况好转。
一种实施例中，可以设置第一概率阈值为-0.4%，第二概率阈值为0.4%，由于25.6%大于0.4%，说明营养状况变差。
一种实施例中，可以设置一个判断营养状况衍变趋势的第三概率值，将该第三概率值作为预警阈值，例如设置20%为第三概率值，当概率值大于或等于37%时，则进行预警，说明营养状况大幅度变差。预警方式可以有多种，比如声预警、光预警、信息指定发送预警等。
基于上述方案，可以及时获取营养状况衍变趋势数据，并在及时进行预警以采取有效干预措施，可以在很大程度上提高对营养状况监测的及时性和准确性。
以上应用了具体个例对本发明进行阐述，只是用于帮助理解本发明，并不用以限制本发明。对于本发明所属技术领域的技术人员，依据本发明的思想，还可以做出若干简单推演、变形或替换。
Claims (6)
1.一种基于护理晨交班数据的营养状况监测方法，其特征在于，包括：
数据收集，包括获取患者对象的n组晨交班数据，n≥1，所述n组晨交班数据中的每一组晨交班数据，均基于护理晨交班得到，其中，每一组晨交班数据均包括多个属性数据，该多个属性数据包括：大便次数、大便颜色、小便量、小便颜色、呕吐量和呕吐物颜色；
数据预处理，对采集的多个属性数据进行数据预处理，包括：
如果大便次数在正常的大便次数阈值范围内，则设置为0，否则设置为1；对于大便颜色，按照大便颜色等级进行赋值，等级越高，则所赋的值越高，其中，大便颜色等级从高到低包括：粘土色＞灰色＞白色＞棕色；
如果小便量在正常的小便量阈值范围内，则设置为0，否则设置为1；对于小便颜色，按照颜色等级进行赋值，等级越高，则所赋的值越高，其中，大便颜色等级从高到低包括：橙色＞琥珀色＞深黄色＞淡黄色；
如果呕吐量大于0，则表示异常，设置为1，否则设置为0；对呕吐物颜色按照呕吐物颜色进行赋值，等级越高，则所赋的值越高，其中，呕吐物颜色等级从高到低包括：黄绿色＞深黄色＞黄色＞淡黄色；
将各个数据预处理后的值作为属性数据的第二数值，包括：
对于大便颜色，如果是粘土色则赋值为1.7，如果是灰色则赋值为1.4，如果是白色则赋值为1.1，如果是棕色则赋值为1，将大便颜色的赋值作为对采集的大便颜色数据预处理后的第二数值；
对于小便颜色，如果是橙色则赋值为1.7，如果是琥珀色则赋值为1.3，如果是深黄色则赋值为1.2，如果是淡黄色则赋值为1；将小便颜色的赋值作为对采集的小便颜色数据预处理后的第二数值；
对于呕吐物颜色，如果是黄绿色则赋值为1.8，如果是深黄色则赋值为1.6，如果是黄色则赋值为1.3，如果是淡黄色，则赋值为1.1；将呕吐物颜色的赋值作为对采集的呕吐物颜色数据预处理后的第二数值；
营养状况监测，将预处理后的数据通过营养状况监测模型进行营养状况监测，包括：将获取的n组多个属性数据的每一个数据所一一对应的第二数值代入向量矩阵，与各自对应的权重相乘后进行相加，将相加的和与监测偏置量相加得到监测值，基于该监测值进行营养状况监测；监测值越大则说明营养状况越差；
所述的基于该监测值进行营养状况监测，包括：
将监测值转换为概率值，基于该概率值进行营养状况监测；
所述的将监测值转化为概率值，包括：
基于公式p=1/(1+exp(-y))+d，将监测值转化为概率值；其中，p为概率值，exp为自然常数e为底的指数函数，y为计算得到的监测值，d为概率偏置量。
2.如权利要求1所述的基于护理晨交班数据的营养状况监测方法，其特征在于，所述的基于该概率值进行营养状况监测，包括：
如果所述概率值大于0，则说明营养状况变差，如果所述概率值等于0，则说明营养状况维持；如果所述概率值小于0，则说明营养状况好转。
3.如权利要求1所述的基于护理晨交班数据的营养状况监测方法，其特征在于，所述的基于该概率值进行营养状况监测，包括：
设置营养状况监测的第一概率阈值和第二概率阈值，所述第一概率阈值小于第二概率阈值；
如果概率值大于第二概率阈值，则说明营养状况变差；
如果概率值在第一概率阈值和第二概率阈值之间，或概率值等于第一概率阈值或第二概率阈值，则说明营养状况维持；
如果概率值小于第一概率阈值，则说明营养状况好转。
4.如权利要求1所述的基于护理晨交班数据的营养状况监测方法，其特征在于，所述的基于该概率值进行营养状况监测，包括：
设置判断营养状况衍变趋势的第三概率值，如果概率值大于或等于第三概率值，进行营养状况预警。
5.如权利要求1所述的基于护理晨交班数据的营养状况监测方法，其特征在于，在数据预处理中，如果大便的颜色属于二类属性颜色，则对相应的二类属性颜色进行赋值，且进行唯一二类属性编码；所述二类属性颜色包括红色、绿色、黄色和黑色；
在营养状况监测中，营养状况监测模型按照相应的编码输出相应的数据，包括：如果是红色对应的编码，则说明存在消化道出血的可能性，但需排除存在饮食了红色色素食品的问题；如果是绿色对应的编码，则说明存在食物通过肠道过快的可能性，但需排除饮食了绿色色素食品的问题；如果是黄色对应的编码，则说明大便中含有过多脂肪；如果是黑色对应的编码，则说明存在饮用了过量的酒精或存在便秘、消化道内部出血的情况。
6.一种基于护理晨交班数据的营养状况监测系统，其特征在于，包括：
数据采集模块（01），用于基于护理晨交班数据，获取患者对象每天的晨交班数据，组成n组晨交班数据，n≥1，其中，每一组晨交班数据均包括多个属性数据；所述多个属性数据包括大便次数、大便颜色、小便量、小便颜色、呕吐量和呕吐物颜色；
数据预处理模块（02），用于对采集的多个属性数据进行数据预处理；其中，如果大便次数在正常的大便次数阈值范围内，则设置为0，否则设置为1；对于大便颜色，按照大便颜色等级进行赋值，等级越高，则所赋的值越高，其中，大便颜色等级从高到低包括：粘土色＞灰色＞白色＞棕色；
如果小便量在正常的小便量阈值范围内，则设置为0，否则设置为1；对于小便颜色，按照颜色等级进行赋值，等级越高，则所赋的值越高，其中，大便颜色等级从高到低包括：橙色＞琥珀色＞深黄色＞淡黄色；
如果呕吐量大于0，则表示异常，设置为1，否则设置为0；对呕吐物颜色按照呕吐物颜色进行赋值，等级越高，则所赋的值越高，其中，呕吐物颜色等级从高到低包括：黄绿色＞深黄色＞黄色＞淡黄色；
将各个数据预处理后的值作为属性数据的第二数值，包括：
对于大便颜色，如果是粘土色则赋值为1.7，如果是灰色则赋值为1.4，如果是白色则赋值为1.1，如果是棕色则赋值为1，将大便颜色的赋值作为对采集的大便颜色数据预处理后的第二数值；
对于小便颜色，如果是橙色则赋值为1.7，如果是琥珀色则赋值为1.3，如果是深黄色则赋值为1.2，如果是淡黄色则赋值为1；将小便颜色的赋值作为对采集的小便颜色数据预处理后的第二数值；
对于呕吐物颜色，如果是黄绿色则赋值为1.8，如果是深黄色则赋值为1.6，如果是黄色则赋值为1.3，如果是淡黄色，则赋值为1.1；将呕吐物颜色的赋值作为对采集的呕吐物颜色数据预处理后的第二数值；
营养状况监测模块（03），用于将预处理后的数据作为输入进行营养状况监测，包括监测值计算单元（0301）；所述监测值计算单元（0301）用于将获取的n组多个属性数据所一一对应的第二数值代入向量矩阵，与各自对应的权重相乘后进行相加，将相加的和与监测偏置量相加得到监测值，基于该监测值进行营养状况监测；监测值越大则说明营养状况越差；
所述营养状况监测模块（03）还包括概率值计算单元（0302）；所述概率值计算单元（0302）用于将检测值转换为概率值，基于该概率值进行营养状况监测，包括：
基于公式p=1/(1+exp(-y))+d，将监测值转换为概率值；其中，p为概率值，exp为自然常数e为底的指数函数，y为计算得到的监测值，d为概率偏置量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311199113.4A CN116936133B (zh) | 2023-09-18 | 2023-09-18 | 一种基于护理晨交班数据的营养状况监测方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311199113.4A CN116936133B (zh) | 2023-09-18 | 2023-09-18 | 一种基于护理晨交班数据的营养状况监测方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116936133A CN116936133A (zh) | 2023-10-24 |
| CN116936133B true CN116936133B (zh) | 2023-12-08 |
Family
ID=88388253
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311199113.4A Active CN116936133B (zh) | 2023-09-18 | 2023-09-18 | 一种基于护理晨交班数据的营养状况监测方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116936133B (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105136798A (zh) * | 2015-08-15 | 2015-12-09 | 潘建根 | 一种健康监测马桶 |
| CN112687383A (zh) * | 2020-12-28 | 2021-04-20 | 西安科锐盛创新科技有限公司 | 一种医院护理交互系统 |
| KR20210109460A (ko) * | 2021-02-24 | 2021-09-06 | 주식회사 넘버제로 | 기저귀 대변 이미지를 활용한 아기 건강 진단 솔루션 제공 방법, 장치 및 시스템 |
| CN113679348A (zh) * | 2021-08-26 | 2021-11-23 | 平安国际智慧城市科技股份有限公司 | 血糖预测方法、血糖预测装置、设备及存储介质 |
| CN113925454A (zh) * | 2020-06-29 | 2022-01-14 | 华子昂 | 一种日常监测大小便的方法 |
| CN114023423A (zh) * | 2021-10-27 | 2022-02-08 | 安徽科大讯飞医疗信息技术有限公司 | 一种智能交班方法、装置以及设备 |
| CN115312191A (zh) * | 2022-06-20 | 2022-11-08 | 常州工学院 | 一种老年人轻度认知功能损害发病风险的预测方法 |
| CN115691817A (zh) * | 2022-11-21 | 2023-02-03 | 河南工业职业技术学院 | 一种基于融合神经网络的LncRNA-疾病关联预测方法 |
| CN116490120A (zh) * | 2020-12-25 | 2023-07-25 | 深圳迈瑞生物医疗电子股份有限公司 | 监护设备及监测数据的显示方法 |
| CN116686002A (zh) * | 2019-07-31 | 2023-09-01 | 迪格实验室公司 | 用于动物健康评估的粘液分析 |
| CN116936134A (zh) * | 2023-09-18 | 2023-10-24 | 四川互慧软件有限公司 | 一种基于护理晨交班数据的并发症监测方法和系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7835925B2 (en) * | 2001-02-20 | 2010-11-16 | The Procter & Gamble Company | System for improving the management of the health of an individual and related methods |
-
2023
- 2023-09-18 CN CN202311199113.4A patent/CN116936133B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105136798A (zh) * | 2015-08-15 | 2015-12-09 | 潘建根 | 一种健康监测马桶 |
| CN116686002A (zh) * | 2019-07-31 | 2023-09-01 | 迪格实验室公司 | 用于动物健康评估的粘液分析 |
| CN113925454A (zh) * | 2020-06-29 | 2022-01-14 | 华子昂 | 一种日常监测大小便的方法 |
| CN116490120A (zh) * | 2020-12-25 | 2023-07-25 | 深圳迈瑞生物医疗电子股份有限公司 | 监护设备及监测数据的显示方法 |
| CN112687383A (zh) * | 2020-12-28 | 2021-04-20 | 西安科锐盛创新科技有限公司 | 一种医院护理交互系统 |
| KR20210109460A (ko) * | 2021-02-24 | 2021-09-06 | 주식회사 넘버제로 | 기저귀 대변 이미지를 활용한 아기 건강 진단 솔루션 제공 방법, 장치 및 시스템 |
| CN113679348A (zh) * | 2021-08-26 | 2021-11-23 | 平安国际智慧城市科技股份有限公司 | 血糖预测方法、血糖预测装置、设备及存储介质 |
| CN114023423A (zh) * | 2021-10-27 | 2022-02-08 | 安徽科大讯飞医疗信息技术有限公司 | 一种智能交班方法、装置以及设备 |
| CN115312191A (zh) * | 2022-06-20 | 2022-11-08 | 常州工学院 | 一种老年人轻度认知功能损害发病风险的预测方法 |
| CN115691817A (zh) * | 2022-11-21 | 2023-02-03 | 河南工业职业技术学院 | 一种基于融合神经网络的LncRNA-疾病关联预测方法 |
| CN116936134A (zh) * | 2023-09-18 | 2023-10-24 | 四川互慧软件有限公司 | 一种基于护理晨交班数据的并发症监测方法和系统 |
Non-Patent Citations (3)
| Title |
|---|
| 刘小斌 等.《国医大师邓铁涛学术经验传承研究》.广东科学技术出版社,2021,第132页. * |
| 医院感染病例监测与护理干预效果分析;李会芳;《中外医学研究》;第14卷(第15期);115-117 * |
| 肖芳 等.《护理学理论与护理技能》.黑龙江科学技术出版社,2022,第432页. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116936133A (zh) | 2023-10-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Bunn et al. | Increasing fluid intake and reducing dehydration risk in older people living in long-term care: a systematic review | |
| Walsh et al. | Potentially avoidable hospitalizations of dually eligible Medicare and Medicaid beneficiaries from nursing facility and home‐and community‐based services waiver programs | |
| Blaum et al. | Factors associated with low body mass index and weight loss in nursing home residents | |
| Baines et al. | Changes in adverse event rates in hospitals over time: a longitudinal retrospective patient record review study | |
| CN108573752A (zh) | 一种基于健康大数据的健康信息处理的方法及系统 | |
| Mahalanabis | Breast feeding and vitamin A deficiency among children attending a diarrhoea treatment centre in Bangladesh: a case-control study. | |
| Participants | Health service costs and quality of life for early elective surgery or ultrasonographic surveillance for small abdominal aortic aneurysms | |
| CN116936133B (zh) | 一种基于护理晨交班数据的营养状况监测方法和系统 | |
| CN202776267U (zh) | 中医体质养生调理系统 | |
| CN107516019A (zh) | 无创健康预测系统及方法 | |
| CN116936134B (zh) | 一种基于护理晨交班数据的并发症监测方法和系统 | |
| CN114868203A (zh) | 信息传递装置以及信息传递方法 | |
| Islam et al. | Assessment of nutrient adequacy and associated factors among lactating women of rural Bangladesh using observed intake: Findings from Bangladesh integrated household survey 2018–2019 | |
| CN107526931A (zh) | 基于个性化因子的健康评估的方法 | |
| Yarnold | Initial use of hierarchically optimal classification tree analysis in medical research | |
| Day et al. | Health and related indicators | |
| CN108573748A (zh) | 一种孕前优生健康风险评估系统 | |
| CN115019961A (zh) | 基于知识图谱和老人画像的个性化健康关爱服务系统 | |
| Kini | Multidimensional Food Security Index: A Comprehensive Approach | |
| Glascock et al. | An evidentiary study of the uses of automated behavioral monitoring | |
| Roesler et al. | Improving Preventive Healthcare with an User-centric Mobile Tele-monitoring Model | |
| Forsyth et al. | Hydration status of geriatric patients in a psychiatric hospital | |
| US20230301765A1 (en) | Prediction apparatus, prediction system and prediction method | |
| WO2022141926A1 (zh) | 一种消化道穿孔诊断装置、干预装置及诊断干预系统 | |
| Beck et al. | Nutritional Requirements in Geriatrics |
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 |