CN116936134B - 一种基于护理晨交班数据的并发症监测方法和系统 - Google Patents
一种基于护理晨交班数据的并发症监测方法和系统 Download PDFInfo
- Publication number
- CN116936134B CN116936134B CN202311199114.9A CN202311199114A CN116936134B CN 116936134 B CN116936134 B CN 116936134B CN 202311199114 A CN202311199114 A CN 202311199114A CN 116936134 B CN116936134 B CN 116936134B
- Authority
- CN
- China
- Prior art keywords
- data
- value
- probability
- complication
- complications
- 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 72
- 238000000034 method Methods 0.000 title claims abstract description 35
- 230000000474 nursing effect Effects 0.000 title claims abstract description 23
- 239000003814 drug Substances 0.000 claims abstract description 39
- 238000007781 pre-processing Methods 0.000 claims abstract description 28
- 229940079593 drug Drugs 0.000 claims abstract description 24
- 230000036772 blood pressure Effects 0.000 claims abstract description 16
- 230000036760 body temperature Effects 0.000 claims abstract description 16
- 230000029058 respiratory gaseous exchange Effects 0.000 claims abstract description 13
- 230000009467 reduction Effects 0.000 claims description 20
- 238000004364 calculation method Methods 0.000 claims description 11
- 239000011159 matrix material Substances 0.000 claims description 9
- 230000003203 everyday effect Effects 0.000 claims description 5
- 201000010099 disease Diseases 0.000 claims description 4
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 4
- 208000019622 heart disease Diseases 0.000 description 10
- 238000004458 analytical method Methods 0.000 description 6
- 238000007726 management method Methods 0.000 description 4
- 230000004927 fusion Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000001356 surgical procedure Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 206010020772 Hypertension Diseases 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
- 230000036541 health Effects 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- PJVWKTKQMONHTI-UHFFFAOYSA-N warfarin Chemical compound OC=1C2=CC=CC=C2OC(=O)C=1C(CC(=O)C)C1=CC=CC=C1 PJVWKTKQMONHTI-UHFFFAOYSA-N 0.000 description 2
- 229960005080 warfarin Drugs 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000002354 daily effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000000241 respiratory effect Effects 0.000 description 1
- 230000000630 rising effect Effects 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
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- 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
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- General Physics & Mathematics (AREA)
- Public Health (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Analysis (AREA)
- Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Mathematical Optimization (AREA)
- Pathology (AREA)
- General Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Algebra (AREA)
- Operations Research (AREA)
- Software Systems (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明涉及一种基于护理晨交班数据的并发症监测方法和系统。方法包括：收集多个第一属性数据和多个第二属性数据，其中，多个第一属性数据包括体温数据、脉搏数据、呼吸数据和血压数据，多个第二属性数据包括病史数据、与病史数据对应的手术记录和用药信息；对收集的数据进行数据预处理，将预处理后的数据通过并发症监测模型进行并发症预测。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并发症的发病趋势，第三方面，通过创新的监测算法更准确地实现并发症的发病监测。因此，可以充分利用护理晨交班数据，以更好实现并发症监测。
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并发症监测方法和系统。
背景技术
对于并发症发病的监测和预警，多基于当前的得到的生理参数，与基准生理参数进行比较，从而实现并发症发病的监测和预警，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，并发症的发病概率会进一步增大，在考虑病情的同时，也需要关注并发症发病风险。
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，导致其在并发症发病预警和管理中的潜力没有得到充分利用。
此外，现有的并发症发病预警大多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并发症监测方法和系统，具有可以充分利用护理晨交班数据，更好实现并发症监测的特点。
第一方面，一种实施例中提供一种基于护理晨交班数据的并发症监测方法，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第一属性数据和多个第二属性数据；所述多个第一属性数据包括体温数据、脉搏数据、呼吸数据和血压数据；所述多个第二属性数据包括病史数据、与病史数据对应的手术记录和用药信息；
数据预处理，对采集的多个第一属性数据和多个第二属性数据进行第一数值降噪预处理，对于任意第一属性数据，所述第一数值降噪预处理包括：将第一属性数据所对应的n个第一属性数值作为n个第一数值，获取该n个第一数值中的最大值和最小值，将所述最大值和最小值的差值作为第一差值；对于任意一个第一数值，将该第一数值与所述最小值的差值作为第二差值，将该第二差值与所述第一差值的比值作为所述第一属性数据进行第一数值降噪预处理后的第二数值；对于任意第二属性数据，所述第一数值降噪预处理包括：包含的病史设置为1，不包含则设置为0，与该病史相对应的，如果做过手术则设置为1，如果未做过手术则设置为0，如果正在服用某种药物，则该药物对应项设置为1，如果没有，则该药物对应项设置为0；将各个第二属性数据预处理后的数值作为第二属性数据的第二数值；
并发症监测，将预处理后的数据通过并发症监测模型进行并发症预测，包括：将获取的n组多个第一属性数据和多个第二属性数据中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，将相加的和与预测偏置量相加得到预测值，基于该预测值进行相应并发症发病预测，预测值越大则相应并发症的发病可能性越大。
一种实施例中，所述的基于该预测值进行相应并发症发病预测，包括：
如果预测值大于0，则说明相应并发症发病的可能性变大；
如果预测值等于0，则说明相应并发症发病的可能性不变；
如果预测值小于0，则说明相应并发症发病的可能性降低。
一种实施例中，所述的基于该预测值进行相应并发症发病预测，包括：
设置判断相应并发症发病预测的第一预测阈值和第二预测阈值，所述第一预测阈值小于第二预测阈值；
如果预测值大于第二预测阈值，则说明相应并发症发病的可能性变大；
如果预测值在第一预测阈值和第二预测阈值之间，或预测值等于第一预测阈值或第二预测阈值，则说明相应并发症发病的可能性不变；
如果预测值小于第一预测阈值，则说明相应并发症发病的可能性降低。
一种实施例中，所述的基于该预测值进行相应并发症发病预测，包括：
将预测值转换为概率值，基于该概率值进行相应并发症发病预测；
所述的将预测值转化为概率值，包括：
基于公式p=1/(1+exp(-y))+d，将与预测偏置量相加后的值转换为概率值；其中，p为概率值，exp为自然常数e为底的指数函数，y为计算得到的预测值，d为概率偏置量。
一种实施例中，所述的基于该概率值进行相应并发症发病预测，包括：
如果所述概率值大于0，则说明相应并发症发病的可能性变大，如果所述概率值等于0，则说明相应并发症发病的可能性不变；如果所述概率值小于0，则说明相应并发症发病的可能性降低。
一种实施例中，所述的基于该概率值进行相应并发症发病预测，包括：
设置判断相应并发症发病预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，则说明相应并发症发病的可能性变大；
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，则说明相应并发症发病的可能性不变；
如果概率值小于第一概率阈值，则说明相应并发症发病的可能性降低。
一种实施例中，所述的基于该概率值进行相应并发症发病预测，包括：
设置判断相应并发症发病预测的第三概率值，如果概率值大于或等于第三概率值，则进行相应并发症发病预警。
第二方面，一种实施例中提供一种基于护理晨交班数据的并发症监测系统，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第一属性数据和多个第二属性数据；所述多个第一属性数据包括体温数据、脉搏数据、呼吸数据和血压数据；所述多个第二属性数据包括病史数据、与病史数据对应的手术记录和用药信息；
数据预处理模块，用于对采集的多个第一属性数据和多个第二属性数据进行第一数值降噪预处理；其中，对于任意第一属性数据，将第一属性数据所对应的n个第一属性数值作为n个第一数值，将该n个第一数值作为输入，获取该n个第一数值中的最大值和最小值，将所述最大值和最小值的差值作为第一差值；对于任意一个第一数值，将该第一数值与所述最小值的差值作为第二差值，将该第二差值与所述第一差值的比值作为所述第一属性数据进行第一数值降噪预处理后的第二数值；对于任意第二属性数据，所述第一数值降噪预处理包括：包含的病史设置为1，不包含则设置为0，与该病史相对应的，如果做过手术则设置为1，如果未做过手术则设置为0，如果正在服用某种药物，则该药物对应项设置为1，如果没有，则该药物对应项设置为0；将各个第二属性数据预处理后的数值作为第二属性数据的第二数值；
并发症监测模块，用于将预处理后的数据作为输入进行并发症预测，包括预测值计算单元；所述预测值计算单元用于将获取的n组多个第一属性数据和多个第二属性数据中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，将相加的和与预测偏置量相加得到预测值，基于该预测值进行相应并发症发病预测，预测值越大则相应并发症的发病可能性越大。
一种实施例中，所述并发症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预测值转换为概率值，基于该概率值进行相应并发症发病预测，包括：
基于公式p=1/(1+exp(-y))+d，将与预测偏置量相加后的值转换为概率值；其中，p为概率值，exp为自然常数e为底的指数函数，y为计算得到的预测值，d为概率偏置量。
一种实施例中，还包括并发症发病预警模块，用于根据相应并发症发病条件进行判断是否需要进行相应并发症发病预警，如果是，则进行相应并发症发病预警。
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并发症的发病趋势，第三方面，通过创新的监测算法更准确地实现并发症的发病监测。因此，可以充分利用护理晨交班数据，以更好实现并发症监测。
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并发症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并发症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、并发症监测模块；04、并发症发病预警模块；0101、体温数据采集单元；0102、脉搏数据采集单元；0103、呼吸数据采集单元；0104、血压数据采集单元；0105、病史数据采集单元；0106、手术记录采集单元；0107、用药信息采集单元；0301、预测值计算单元；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，导致其在病情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并发症监测方法和系统，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，可以动态地准确反应并发症的发病趋势，第三方面，通过创新的监测算法更准确地实现并发症的发病监测。因此，可以充分利用护理晨交班数据，以更好实现并发症监测。为更清楚地对基于护理晨交班数据的并发症监测方法进行说明，请参考图1，先对该基于护理晨交班数据的并发症监测系统进行介绍，包括数据采集模块01、数据预处理模块02和并发症监测模块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第一属性数据和多个第二属性数据；多个第一属性数据包括体温数据、脉搏数据、呼吸数据和血压数据，对应的，可以有体温数据采集单元0101，脉搏数据采集单元0102、呼吸数据采集单元0103和血压数据采集单元0104。多个第二属性数据包括病史数据、与病史数据对应的手术记录和用药信息。对应的，可以有病史数据采集单元0105、与病史数据对应的手术记录采集单元0106和用药信息采集单元0107。
其中，对于病史数据采集单元0105，一种实施例中，可以选择存在的病史，例如，存在心脏病病史，则可以选择心脏病病史。对于手术记录采集单元0106，当选择完所存在的病史后，则自然跳转或对应到与相应的病史所关联对应的手术记录采集单元，从而对关于该关联病史是否进行过相应手术进行采集。对于用药信息采集单元0107，当选择完所存在的病史后，则自然跳转或对应到与相应的病史所关联对应的用药信息采集单元，从而采集相应的用药信息。
对于数据预处理模块02，用于对采集的多个第一属性数据和多个第二属性数据进行第一数值降噪预处理。其中，对于任意第一属性数据，将第一属性数据所对应的n个第一属性数值作为n个第一数值，将该n个第一数值作为输入，获取该n个第一数值中的最大值和最小值，将最大值和最小值的差值作为第一差值；对于任意一个第一数值，将该第一数值与所述最小值的差值作为第二差值，将该第二差值与所述第一差值的比值作为所述第一属性数据进行第一数值降噪预处理后的第二数值。对于任意第二属性数据，第一数值降噪预处理包括：包含的病史设置为1，不包含则设置为0，与该病史相对应的，如果做过手术则设置为1，如果未做过手术则设置为0，如果正在服用某种药物，则该药物对应项设置为1，如果没有，则该药物对应项设置为0；将各个第二属性数据预处理后的数值作为第二属性数据的第二数值。
对于并发症监测模块03，用于将预处理后的数据作为输入进行并发症预测，包括预测值计算单元0301；预测值计算单元0301用于将获取的n组多个第一属性数据和多个第二属性数据中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，将相加的和与预测偏置量相加得到预测值，基于该预测值进行相应并发症发病预测，预测值越大则相应并发症的发病可能性越大。
可以理解地，如果存在心脏病病史，则可以对心脏病并发症发病可能性进行预测，如果存在高血压病史，则可以对高血压并发症发病可能性进行预测。
对于并发症监测模块03，一种实施例中，还包括概率值计算单元0302，用于将预测值转换为概率值，基于该概率值进行相应并发症发病预测，包括：基于公式p=1/(1+exp(-y))+d，将与预测偏置量相加后的值转换为概率值；其中，p为概率值，exp为自然常数e为底的指数函数，y为计算得到的预测值，d为概率偏置量。
一种实施例中，基于护理晨交班数据的并发症监测系统还包括并发症发病预警模块04，用于根据相应并发症发病条件进行判断是否相应并发症发病的可能性很大，如果是，则进行相应并发症发病预警。基于该并发症发病预警模块04，在相应并发症发病的可能性很大时，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并发症监测系统的硬件结构并不构成对基于护理晨交班数据的并发症监测系统的限定，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。
结合上述硬件的，本申请的基于护理晨交班数据的并发症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第一属性数据和多个第二属性数据；该多个第一属性数据包括体温数据、脉搏数据、呼吸数据和血压数据。多个第二属性数据包括病史数据、与病史数据对应的手术记录和用药信息。
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并发症监测，例如，如果n=7，则获取最近7天的晨交班数据进行并发症监测。
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第一属性数据和多个第二属性数据。一种实施例中，该多个第一属性数据包括体温数据、脉搏数据、呼吸数据和血压数据；该多个第二属性数据包括病史数据、与病史数据对应的手术记录和用药信息。可以理解的，该多个第一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天的体温数据，最近7天的脉搏数据，最近7天的呼吸数据，最近7天的血压数据，以及最近7天的病史数据、与病史数据对应的手术记录和用药信息。若每天晨交班均获得1个体温数据、1个脉搏数据、1个呼吸数据、1个血压数据、至少1个病史数据、至少1个与病史数据对应的手术记录和至少1个与病史数据对应的用药信息，则最近7天的数据就有7个体温数据、7个脉搏数据、7个呼吸数据、7个血压数据、至少7个病史数据、至少7个与病史数据对应的手术记录和至少7个与病史数据对应的用药信息。基于该7组数据，则可以对患者的并发症进行监测，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，可以动态地准确反应并发症发病可能性大小的趋势。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，可以设置进行并发症监测的n值，如n=7，也就是最近的7天的数值以进行并发症监测，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。为了对并发症的发病可能性进行趋势分析，我们可以基于获取的多组数据进行分析监测，但申请人在研究中发现，获取的数据，由于种种因素影响，会存在数据之间差距较大的情况，例如骤升骤降的数据，这样，对于并发症发病可能性趋势的分析，会存在判断误差比较大的情况，不利于对于并发症发病可能性的准确监测。同时，也需要融合非量化性数据进行数据融合。基于此，本申请的一种实施例中给出了一种对获取的并发症数据进行处理的方法，该方法可以采用现有技术的一些方法对数据进行处理，本申请的一种实施例中给出了一种新的数据预处理方法，包括：
对采集的多个第一属性数据和多个第二属性数据进行第一数值降噪预处理，对于任意第一属性数据，所述第一数值降噪预处理包括：将第一属性数据所对应的n个第一属性数值作为n个第一数值，获取该n个第一数值中的最大值和最小值，将最大值和最小值的差值作为第一差值；对于任意一个第一数值，将该第一数值与最小值的差值作为第二差值，将该第二差值与第一差值的比值作为第一属性数据进行第一数值降噪预处理后的第二数值。对于任意第二属性数据，第一数值降噪预处理包括：包含的病史设置为1，不包含则设置为0，与该病史相对应的，如果做过手术则设置为1，如果未做过手术则设置为0，如果正在服用某种药物，则该药物对应项设置为1，如果没有，则该药物对应项设置为0；将各个第二属性数据预处理后的数值作为第二属性数据的第二数值。
对于任意第一属性数据，将获取的第一属性数据的n个数值作为n个第一数值，还是以n=7为例，如体温数据，以7天的体温数据为例，则可以有按照时间依次排序的7个体温数据36℃、36.6℃、39℃、37℃、38℃、36.2℃，该7个体温数据的7个值为7个第一体温数值。获取该7个第一体温数值中的最大值39和最小值36，将最大值39和最小值36的差值3作为第一差值；对于7个第一体温数值中的任意一个第一体温数值，如第四天的37，则有将37与36的差值1作为第二差值。将第二差值1与第一差值3的比值作为第一体温数值降噪处理后的第二体温数值。如此，则可以得到最近7天的7个第二体温数值。
以此类推，获取到最近7天的7个第二脉搏数值、7个第二呼吸数值和7个第二血压数值。
对于任意第二属性数据，对于所有病史，包含的病史则设置为1，不包含则设置为0，对于包含的相应病史，如果做过手术则设置为1，如果未做过手术则设置为0，如果正在服用某种药物，则该药物对应项设置为1，如果没有，则该药物对应项设置为0；将各个数据预处理后的数值作为第二属性数据的第二数值。
以包含的病史仅有心脏病为例，则心脏病病史数据为1，其他病史项数据为0，对于心脏病，做过手术则对应的手术记录为1，未做过手术则对应的手术记录为0，如果正在服用某种药物，则该药物对应项设置为1，例如，正在服用华法林，则该药物项数据为1。
可以理解地，对于第一属性数据，由于每天都会更新数据，因此，最近的n个数据也是变化的，这样，就会存在最大值和/或最小值发生了变化，因此，对于同一个数据，可能不同时间得到的对应的第二数值就会不同，这样，也就提高了趋势分析的准确性。对于第二属性数据，一般情况下不会每天变化，如存在在病史和是否做过相应的手术，但某些数据会有所变化，例如用药情况，包括是否用药和药物的类型。为能够将第一属性的量化数据和第二属性的非量化数据进行综合考虑，进行数据融合，因此，一方面需要顾虑到第二属性数据的融合特性，另一方面需要考虑到并发症发病预测的准确性，我们给出了上述数据预处理方法。
通过上述的预处理方法，降低了数据骤升骤降带来的较大影响，并且有利于将量化数据和非量化数据进行有效融合，可以使得判断误差降低，减少对医务人员的数据误导，从而得到更真实的分析曲线数据。
步骤S103，并发症监测。将预处理后的数据通过并发症监测模型进行并发症预测，包括：将获取的n组多个第一属性数据和多个第二属性数据中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，将相加的和与预测偏置量相加得到预测值，基于该预测值进行相应并发症发病预测，预测值越大则相应并发症的发病可能性越大。
基于预处理的数据，可以对并发症进行监测，并发症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，提供了一种新的并发症监测方法，该监测方法中通过本申请实施例中提供的一种新的并发症监测模型实现对并发症的预测。通过该并发症监测模型，将获取的n组多个第一属性数据和多个第二属性数据中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，将相加的和与预测偏置量相加得到预测值，基于该预测值进行并发症发病预测，预测值越大则相应并发症的发病可能性越大。具体地，该并发症监测模型可以表示为：
，
其中，y为预测值，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为预测偏置量。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。
对于并发症监测模型，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，从而得到可以进行并发症监测的并发症监测模型。对于该并发症监测模型，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，基于预处理后的体温数据、脉搏数据、呼吸数据、血压数据、病史数据、与病史数据对应的手术记录和用药信息，若每天获取1次，且存在一个病史，则有7个特征，考虑7天，则有7*7=49个特征，则这里m=49。
基于上述方案，基于护理晨交班采集的实时数据，作为并发症监测数据，让数据更具备实时性，通过综合最近几次的晨交班数据，可以动态地准确反应并发症发病的可能性趋势，通过创新的监测算法更准确地实现并发症监测。因此，通过本申请方案，可以充分利用护理晨交班数据，更好实现并发症监测。
一种实施例中，以n=1为例来说明并发症监测模型中的并发症监测算法。将获取的一组多个第一属性数据和多个第二属性数据所一一对应的多个第二数值（包括第二温度数值0.8、第二脉搏数值0.6、第二呼吸数值0.7、第二血压数值0.75、包含心脏病1、做过心脏病手术1和正在服用华法林1）与各自对应的权重（0.3，0.1，0.2，0.1，0.3，0.1，0.2，0.2）相乘后进行相加，将相加后的和（1.165）与预测偏置量（-0.5）相加得到预测值（0.665），基于该预测值进行相应并发症（如：心脏病）发病预测。并发症预测值越大，则说明该并发症发病的可能性越大。
一种实施例中，基于该预测值进行相应并发症发病预测，包括：如果预测值大于0，则说明相应并发症发病的可能性变大；如果预测值等于0，则说明相应并发症发病的可能性不变；如果预测值小于0，则说明相应并发症发病的可能性降低。上述实施例中，由于得到的预测值0.665大于0，则说明心脏病的发病可能性变大。
考虑到一些不确定性因素的影响，为了能够更准确地输出并发症发病预测结果，一种实施例中，设置并发症发病预测的第一预测阈值和第二预测阈值，其中，第一预测阈值小于第二预测阈值；如果预测值大于第二预测阈值，则说明相应并发症发病的可能性变大；如果预测值在第一预测阈值和第二预测阈值之间，或预测值等于第一预测阈值或第二预测阈值，则说明相应并发症发病的可能性不变；如果预测值小于第一预测阈值，则说明相应并发症发病的可能性降低。
一种实施例中，可以设置第一预测阈值为-0.05，第二预测阈值为0.05，由于0.665大于0.05，说明相应并发症发病的可能性变大。
为了能够更直观且准确地说明并发症发病风险程度，一种实施例中，基于预测值进行并发症发病预测，包括：将预测值转换为概率值，基于该概率值进行并发症发病预测。将预测值转化为概率值，包括：基于公式p=1/(1+exp(-y))+d，将与预测偏置量相加后的值转换为概率值；其中，p为概率值，exp为自然常数e为底的指数函数，y为计算得到的预测值，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并发症发病预测，一种实施例中，包括：如果概率值大于0，则说明相应并发症发病的可能性变大，如果概率值等于0，则说明相应并发症发病的可能性不变；如果概率值小于0，则说明相应并发症发病的可能性降低。
基于上述得到的预测值0.665，则可以得到对应的概率值为15.1%，说明相应并发症发病的可能性变大。
考虑到一些不确定性因素的影响，为了能够更准确地输出并发症预测结果，对于基于该概率值进行并发症发病预测，一种实施例中，设置判断并发症发病预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，则说明相应并发症发病的可能性变大；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，则说明相应并发症发病的可能性不变；如果概率值小于第一概率阈值，则说明相应并发症发病的可能性变大。
一种实施例中，可以设置第一概率阈值为-0.5%，第二概率阈值为0.5%，由于15.1%大于0.5%，说明相应并发症发病的可能性变大。
一种实施例中，可以设置一个判断并发症发病预测的第三概率值，将该第三概率值作为预警阈值，例如设置35%为第三概率值，当概率值大于或等于35%时，则进行预警，说明相应并发症发病的可能性很大。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，可以及时获取并发症发病可能性数据，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并发症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并发症监测方法，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第一属性数据和多个第二属性数据；所述多个第一属性数据包括体温数据、脉搏数据、呼吸数据和血压数据；所述多个第二属性数据包括病史数据、与病史数据对应的手术记录和用药信息；
数据预处理，对采集的多个第一属性数据和多个第二属性数据进行第一数值降噪预处理，对于任意第一属性数据，所述第一数值降噪预处理包括：将第一属性数据所对应的n个第一属性数值作为n个第一数值，获取该n个第一数值中的最大值和最小值，将所述最大值和最小值的差值作为第一差值；对于任意一个第一数值，将该第一数值与所述最小值的差值作为第二差值，将该第二差值与所述第一差值的比值作为所述第一属性数据进行第一数值降噪预处理后的第二数值；对于任意第二属性数据，所述第一数值降噪预处理包括：包含的病史设置为1，不包含则设置为0，与该病史相对应的，如果做过手术则设置为1，如果未做过手术则设置为0，如果正在服用某种药物，则该药物对应项设置为1，如果没有，则该药物对应项设置为0；将各个第二属性数据预处理后的数值作为第二属性数据的第二数值；
并发症监测，将预处理后的数据通过并发症监测模型进行并发症预测，包括：将获取的n组多个第一属性数据和多个第二属性数据中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，将相加的和与预测偏置量相加得到预测值，基于该预测值进行相应并发症发病预测，预测值越大则相应并发症的发病可能性越大；
所述的基于该预测值进行相应并发症发病预测，包括：
将预测值转换为概率值，基于该概率值进行相应并发症发病预测；
所述的将预测值转化为概率值，包括：
基于公式p=1/(1+exp(-y))+d，将与预测偏置量相加后的值转化为概率值；其中，p为概率值，exp为自然常数e为底的指数函数，y为计算得到的预测值，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并发症监测方法，其特征在于，所述的基于该概率值进行相应并发症发病预测，包括：
如果所述概率值大于0，则说明相应并发症发病的可能性变大，如果所述概率值等于0，则说明相应并发症发病的可能性不变；如果所述概率值小于0，则说明相应并发症发病的可能性降低。
3.如权利要求1所述的基于护理晨交班数据的并发症监测方法，其特征在于，所述的基于该概率值进行相应并发症发病预测，包括：
设置判断相应并发症发病预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，则说明相应并发症发病的可能性变大；
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，则说明相应并发症发病的可能性不变；
如果概率值小于第一概率阈值，则说明相应并发症发病的可能性降低。
4.如权利要求1所述的基于护理晨交班数据的并发症监测方法，其特征在于，所述的基于该概率值进行相应并发症发病预测，包括：
设置判断相应并发症发病预测的第三概率值，如果概率值大于或等于第三概率值，则进行相应并发症发病预警。
5.一种基于护理晨交班数据的并发症监测系统，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第一属性数据和多个第二属性数据；所述多个第一属性数据包括体温数据、脉搏数据、呼吸数据和血压数据；所述多个第二属性数据包括病史数据、与病史数据对应的手术记录和用药信息；
数据预处理模块（02），用于对采集的多个第一属性数据和多个第二属性数据进行第一数值降噪预处理；其中，对于任意第一属性数据，将第一属性数据所对应的n个第一属性数值作为n个第一数值，将该n个第一数值作为输入，获取该n个第一数值中的最大值和最小值，将所述最大值和最小值的差值作为第一差值；对于任意一个第一数值，将该第一数值与所述最小值的差值作为第二差值，将该第二差值与所述第一差值的比值作为所述第一属性数据进行第一数值降噪预处理后的第二数值；对于任意第二属性数据，所述第一数值降噪预处理包括：包含的病史设置为1，不包含则设置为0，与该病史相对应的，如果做过手术则设置为1，如果未做过手术则设置为0，如果正在服用某种药物，则该药物对应项设置为1，如果没有，则该药物对应项设置为0；将各个第二属性数据预处理后的数值作为第二属性数据的第二数值；
并发症监测模块（03），用于将预处理后的数据作为输入进行并发症预测，包括预测值计算单元（0301）；所述预测值计算单元（0301）用于将获取的n组多个第一属性数据和多个第二属性数据中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，将相加的和与预测偏置量相加得到预测值，基于该预测值进行相应并发症发病预测，预测值越大则相应并发症的发病可能性越大；
所述并发症监测模块（03）还包括概率值计算单元（0302）；所述概率值计算单元（0302）用于将预测值转换为概率值，基于该概率值进行相应并发症发病预测，包括：
基于公式p=1/(1+exp(-y))+d，将与预测偏置量相加后的值转换为概率值；其中，p为概率值，exp为自然常数e为底的指数函数，y为计算得到的预测值，d为概率偏置量。
6.如权利要求5所述的基于护理晨交班数据的并发症监测系统，其特征在于，还包括并发症发病预警模块（04），用于根据相应并发症发病条件进行判断是否需要进行相应并发症发病预警，如果是，则进行相应并发症发病预警。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311199114.9A CN116936134B (zh) | 2023-09-18 | 2023-09-18 | 一种基于护理晨交班数据的并发症监测方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311199114.9A CN116936134B (zh) | 2023-09-18 | 2023-09-18 | 一种基于护理晨交班数据的并发症监测方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116936134A CN116936134A (zh) | 2023-10-24 |
| CN116936134B true CN116936134B (zh) | 2023-11-24 |
Family
ID=88382892
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311199114.9A Active CN116936134B (zh) | 2023-09-18 | 2023-09-18 | 一种基于护理晨交班数据的并发症监测方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116936134B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116936133B (zh) * | 2023-09-18 | 2023-12-08 | 四川互慧软件有限公司 | 一种基于护理晨交班数据的营养状况监测方法和系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111710420A (zh) * | 2020-05-15 | 2020-09-25 | 深圳先进技术研究院 | 一种基于电子病历大数据的并发症发病风险预测方法、系统、终端以及存储介质 |
| 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 |
| CN115240803A (zh) * | 2021-04-25 | 2022-10-25 | 华中科技大学同济医学院附属协和医院 | 模型训练方法、并发症预测方法及系统、设备和介质 |
| 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 (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CA2650562A1 (en) * | 2005-04-25 | 2006-11-02 | Caduceus Information Systems Inc. | System for development of individualised treatment regimens |
| WO2018220600A1 (en) * | 2017-06-02 | 2018-12-06 | University Of Florida Research Foundation, Inc. | Method and apparatus for prediction of complications after surgery |
| CN116682557A (zh) * | 2023-06-05 | 2023-09-01 | 东南大学 | 一种基于小样本深度学习的慢性病并发症早期风险预警方法 |
-
2023
- 2023-09-18 CN CN202311199114.9A patent/CN116936134B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111710420A (zh) * | 2020-05-15 | 2020-09-25 | 深圳先进技术研究院 | 一种基于电子病历大数据的并发症发病风险预测方法、系统、终端以及存储介质 |
| CN115240803A (zh) * | 2021-04-25 | 2022-10-25 | 华中科技大学同济医学院附属协和医院 | 模型训练方法、并发症预测方法及系统、设备和介质 |
| 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 |
| 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 |
Non-Patent Citations (3)
| Title |
|---|
| Risk Estimate of Complications in Type 2 Diabetes Using Ensemble Learning and Deep Learning;Kanika Sood等;《2023 IEEE World AI IoT Congress (AIIoT)》;359-368 * |
| SBAR交班模式在儿科护理晨交班中的应用;蒋媛;;《当代护士(中旬刊)》(第05期);178-179 * |
| 深度学习模型在糖尿病及其并发症预测中的应用;肖丽等;《成都中医药大学学报》;第45卷(第03期);80-84 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116936134A (zh) | 2023-10-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20200221990A1 (en) | Systems and methods for assessing and evaluating renal health diagnosis, staging, and therapy recommendation | |
| US6193654B1 (en) | Computerized method and system for measuring and determining neonatal severity of illness and mortality risk | |
| US20090093686A1 (en) | Multi Automated Severity Scoring | |
| US8224670B2 (en) | Graphical user interface for visualizing person centric infection risk | |
| US8489429B2 (en) | System and method for determining a person centric infection risk associated with encountering a healthcare provider | |
| CN116936134B (zh) | 一种基于护理晨交班数据的并发症监测方法和系统 | |
| CN109805898A (zh) | 基于注意力机制时序卷积网络算法的危重症死亡预测方法 | |
| US20170193181A1 (en) | Remote patient monitoring system | |
| US20190311809A1 (en) | Patient status monitor and method of monitoring patient status | |
| Blacky et al. | Fully automated surveillance of healthcare-associated infections with MONI-ICU | |
| US11720833B2 (en) | Recreating a time-ordered sequence of events | |
| Heitz et al. | Performance of the maximum modified early warning score to predict the need for higher care utilization among admitted emergency department patients | |
| CN117238460A (zh) | 一种基于护理晨交班数据的病情监测方法和系统 | |
| US8417541B1 (en) | Multi-stage model for predicting probabilities of mortality in adult critically ill patients | |
| CN110752002A (zh) | 一种药物用量预测装置 | |
| CN106650232A (zh) | 一种根据药物计算疾病发生概率的方法及其系统 | |
| CN113112372A (zh) | 一种医保支付预警系统及其处理方法 | |
| Pugh et al. | Evaluating alarm classifiers with high-confidence data programming | |
| Vollmer et al. | Searching multiple clinical information systems for longer time periods found more prevalent cases of asthma | |
| CN115409380A (zh) | 医院医保绩效评价方法、装置、电子设备及其存储介质 | |
| Shirwaikar et al. | Design framework for a data mart in the neonatal intensive care unit | |
| EP4336518A1 (en) | Data processing system and method for predicting a score representative of a probability of a sepsis for a patient | |
| Borlawsky et al. | Evaluation of an automated pressure ulcer risk assessment model | |
| Wickramasinghe et al. | Real-time prediction of the risk of hospital readmissions | |
| US20230012295A1 (en) | Method of generating credible solutions from non-validated datasets |
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 |