CN117238434B - 一种基于预防心内科潜在并发症的护理方法及系统 - Google Patents
一种基于预防心内科潜在并发症的护理方法及系统 Download PDFInfo
- Publication number
- CN117238434B CN117238434B CN202311502098.6A CN202311502098A CN117238434B CN 117238434 B CN117238434 B CN 117238434B CN 202311502098 A CN202311502098 A CN 202311502098A CN 117238434 B CN117238434 B CN 117238434B
- Authority
- CN
- China
- Prior art keywords
- patient
- health
- environmental condition
- data
- coefficient
- 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
- 230000000474 nursing effect Effects 0.000 title claims abstract description 61
- 238000000034 method Methods 0.000 title claims abstract description 34
- 230000002265 prevention Effects 0.000 title claims abstract description 15
- 230000036541 health Effects 0.000 claims abstract description 140
- 230000007613 environmental effect Effects 0.000 claims abstract description 123
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 10
- 230000003862 health status Effects 0.000 claims abstract description 7
- 238000001514 detection method Methods 0.000 claims description 64
- 230000036772 blood pressure Effects 0.000 claims description 15
- 238000012417 linear regression Methods 0.000 claims description 15
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 12
- 229910052760 oxygen Inorganic materials 0.000 claims description 12
- 239000001301 oxygen Substances 0.000 claims description 12
- 230000001580 bacterial effect Effects 0.000 claims description 9
- 238000007499 fusion processing Methods 0.000 claims description 8
- 238000012544 monitoring process Methods 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 6
- 238000010801 machine learning Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 230000036391 respiratory frequency Effects 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 230000001419 dependent effect Effects 0.000 claims description 4
- 241000894006 Bacteria Species 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 239000008280 blood Substances 0.000 claims 1
- 210000004369 blood Anatomy 0.000 claims 1
- 239000000284 extract Substances 0.000 claims 1
- 230000002159 abnormal effect Effects 0.000 description 7
- 230000036387 respiratory rate Effects 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000006467 substitution reaction Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 239000003814 drug Substances 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 206010003119 arrhythmia Diseases 0.000 description 2
- 230000006793 arrhythmia Effects 0.000 description 2
- 230000035565 breathing frequency Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000006866 deterioration Effects 0.000 description 2
- 230000002526 effect on cardiovascular system Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 206010002383 Angina Pectoris Diseases 0.000 description 1
- 208000031229 Cardiomyopathies Diseases 0.000 description 1
- 208000024172 Cardiovascular disease Diseases 0.000 description 1
- 206010019280 Heart failures Diseases 0.000 description 1
- 206010020772 Hypertension Diseases 0.000 description 1
- 208000009525 Myocarditis Diseases 0.000 description 1
- 208000000418 Premature Cardiac Complexes Diseases 0.000 description 1
- 206010042434 Sudden death Diseases 0.000 description 1
- 206010000891 acute myocardial infarction Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000036760 body temperature Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 208000010125 myocardial infarction Diseases 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Classifications
-
- 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
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明公开了一种基于预防心内科潜在并发症的护理方法及系统，涉及医疗护理技术领域，由检测获取的患者的身体状态数据构建患者身体状态集合，进而获取患者的健康状态系数，若其低于健康阈值，获取各个环境条件参数对健康状态系数的影响程度，若环境影响度超过影响阈值，对环境条件参数做适应性调整；由卷积神经网络构建健康状态预测模型，以调整后的环境条件参数作为输入，使用训练后的健康状态预测模型对患者的身体状态进行预测，在对预测结果进行识别后，建立患者健康特征集合；依据患者健康特征，从知识图谱中匹配出对应的护理方案。对患者的健康状态形成准确预测，从而在必要时，可以采取更为准确和适当的护理方案。
Description
技术领域
本发明涉及医疗护理技术领域，具体为一种基于预防心内科潜在并发症的护理方法及系统。
背景技术
心内科，即心血管内科，它负责的疾病包括心绞痛、高血压、猝死、心律失常、心力衰竭、期前收缩、心律不齐、心肌梗死、心肌病、心肌炎、急性心肌梗死等心血管疾病等，心内科患者一般容易患有其他并发症，有显性也有隐性并发症。
在申请公布号为CN113035307A的中国发明专利中，公开了一种预防心内科潜在并发症的护理系统及方法，获得第一用户的正常生命指标信息和异常生命指标信息；获得所述正常生命指标信息和所述异常生命指标信息的第一异常比；获得所述异常生命指标中与心内科并发症的关联度；获得预定关联度阈值，提取异常生命指标中与心内科并发症的关联度在预定关联度阈值之内的第一异常指标集合；根据第一异常指标集合，确定所述第一用户的心内科患病等级；根据所述患病等级和所述第一异常比，获得第一护理方案；根据所述第一护理方案对所述第一用户进行护理。
在以上申请中，解决了现有技术中缺少一种智能化基于患者的身体信息对用户的数据进行分析，进而达到对心内科患者的并发症进行有效的预防的技术问题，但是，在需要对患者进行护理前，在患者所在区域内温度、细菌浓度以及氧气浓度产生变化甚至异常的情况下，患者心内科潜在并发症产生的风险也远远较常规情况高得多，但是，在现有的众多护理方法或方案中，并未对该风险进行考量，而只考虑到了患者的身体状态的变化，并不会对原有的护理方案进行调整，这就导致在患者所处环境风险较大时，原护理方案也可能已经难以起到应有的效果。
发明内容
针对现有技术的不足，本发明提供了一种基于预防心内科潜在并发症的护理方法及系统，由检测获取的患者的身体状态数据构建患者身体状态集合，进而获取患者的健康状态系数，若其低于健康阈值，获取各个环境条件参数对健康状态系数的影响程度，若环境影响度超过影响阈值，对环境条件参数做适应性调整；由卷积神经网络构建健康状态预测模型，以调整后的环境条件参数作为输入，使用训练后的健康状态预测模型对患者的身体状态进行预测，在对预测结果进行识别后，建立患者健康特征集合；依据患者健康特征，从知识图谱中匹配出对应的护理方案。对患者的健康状态形成准确预测，从而在必要时，可以采取更为准确和适当的护理方案，解决了背景技术中提成的技术问题。
为实现以上目的，本发明通过以下技术方案予以实现：
一种基于预防心内科潜在并发症的护理方法，包括如下步骤：
在患者所处的检测区域内选择检测点，在检测点处对检测区域内的环境条件进行检测，由检测结果构建环境条件集合，并由环境条件集合生成环境条件系数，若所获取的环境条件系数/>超过预设的环境阈值，发出预警信息；
接收到预警信息后，由检测获取的患者的身体状态数据构建患者身体状态集合；再由患者身体状态集合生成患者的健康状态系数，若所获取的健康状态系数低于健康阈值，则向外部发出报警信息；
接收到报警信息后，使用训练后的多重线性回归模型对健康状态系数做多重线性回归分析，获取各个环境条件参数对健康状态系数/>的影响程度，汇总建立影响度集合，由影响度集合生成环境影响度/>，具体方式如下：分别获取血压Xu、心率Xv及呼吸频率Hp的影响因子/>、/>及/>，依照如下公式：
；
权重系数取值为：，/>，/>，其具体值由用户调整设置，若环境影响度/>超过影响阈值，对环境条件参数做适应性调整；
由卷积神经网络构建健康状态预测模型，以调整后的环境条件参数作为输入，使用训练后的健康状态预测模型对患者的身体状态进行预测，在对预测结果进行识别后，建立患者健康特征集合；
依据网络表示学习算法建立表示学习模型，以心内科并发症及其相关词作为检索词，检索汇总并生成图谱数据集，在对图谱数据集中的数据进行融合处理后搭建知识图谱，依据患者健康特征，从知识图谱中匹配出对应的护理方案。
进一步，在确定患者所处区域后，将其确定为检测区域，在检测区域内选择检测点，在检测点内对检测区域内的环境条件参数进行持续监测，具体包括：在每个检测周期内分别检测获取检测区域内的空气温度Kt、空气内的细菌浓度Nt以及检测区域内的氧气浓度Ot，将以上环境参数汇总后，建立环境条件集合；由环境条件集合生成环境条件系数，若所获取的环境条件系数/>超过预设的环境阈值，发出预警信息。
进一步，由环境条件集合生成环境条件系数，其具体方式如下：对环境条件集合内的空气温度Kt、空气内的细菌浓度Nt以及检测区域内的氧气浓度Ot做线性归一化处理，并将相应的数据值映射至区间/>内，依照如下方式：
；
其中，参数意义为：n为大于1的正整数，，其为检测周期的个数；权重系数：/>，/>，/>且，所述/>为空气温度的合格标准值，/>为细菌浓度的合格标准值，/>为氧气浓度的合格标准值。
进一步，接收到预警信息后，对患者的身体状态进行持续监控，在每个检测周期结束时获取患者的身体状态数据，其中包括患者的血压Xu、心率Xv及呼吸频率Hp，在将以上数据连续获取若干组后，汇总后生成患者身体状态集合；由患者身体状态集合生成患者的健康状态系数，若所获取的健康状态系数/>低于健康阈值，发出报警信息。
进一步，获取健康状态系数的方式如下：将血压Xu、心率Xv及呼吸频率Hp做线性归一化处理，并将相应的数据值映射至区间/>内，依照如下方式：
；
权重系数： ，/>，/>，且/>，，此处，n为检测周期的个数，/>为血压的均值，/>为血压的合格标准值，/>为心率的均值，/>为心率的合格标准值，/>为呼吸频率的均值，为呼吸频率的合格标准值。
进一步，接收到报警信息后，使用训练后的多重线性回归模型，以环境条件集合内环境条件参数作为自变量，以健康状态系数作为因变量，做多重线性回归分析并获取相应的回归方程；从所述回归方程中获取各个自变量的回归系数，将各个回归系数作为影响因子，并在汇总后建立影响度集合；
由影响度集合生成环境影响度，若环境影响度/>超过影响阈值，使用多重回归线性模型依次对自变量的值进行调整，直至使健康状态系数/>的值超过健康阈值，获取调整后的自变量并将相对应的环境条件参数汇总后生成修正后的环境条件集合。
进一步，在采集数据后，由卷积神经网络构建初始模型，在对初始模型经过测试和训练后，以训练后的初始模型作为健康状态预测模型，以调整后的环境条件参数作为输入，使用训练后的健康状态预测模型对患者的身体状态进行预测，从预测结果中获取身体状态参数，并在经过特征识别后，获取相应的患者健康特征，将识别获取的患者健康特征汇总后，建立患者健康特征集合。
进一步，基于网络表示学习算法建立表示学习模型，在选择数据样本并在经过训练和测试后，将构建成的网络表示学习模型输出，依据网络表示学习模型，以心内科并发症及其相关词作为检索词，采用深度优先搜索从公开渠道检索并采集数据，汇总后生成图谱数据集；使用Bp神经网络构建初始模型，从图谱数据集中抽取部分数据作为样本数据，对初始模型经过训练和测试后，完成基于机器学习的语义网络模型的构建。
进一步，通过基于机器学习的语义网络模型从图谱数据集中选择数据，并经过融合处理后，完成知识图谱的构建，从患者健康特征集合中选择健康特征，依据患者健康特征与护理方案的对应性，使用训练后的匹配模型从知识图谱中匹配出一个或者多个护理方案，并将其作为对患者做护理时的参考方案输出。
一种基于预防心内科潜在并发症的护理系统，包括：
检测单元，对患者所处的检测区域内的环境条件进行检测，由检测结果构建环境条件集合，并由环境条件集合生成环境条件系数，若所获取的环境条件系数超过预设的环境阈值，发出预警信息；
预警单元、由检测获取的患者的身体状态数据构建患者身体状态集合，进而获取患者的健康状态系数，若其低于健康阈值，则向外部发出报警信息；
调整单元、接收到报警信息后，获取各个环境条件参数对健康状态系数的影响程度，若环境影响度超过影响阈值，对环境条件参数做适应性调整；
预测单元、由卷积神经网络构建健康状态预测模型，以调整后的环境条件参数作为输入，使用训练后的健康状态预测模型对患者的身体状态进行预测，在对预测结果进行识别后，建立患者健康特征集合；
方案匹配单元、以心内科并发症及其相关词作为检索词，检索汇总并生成图谱数据集，在对图谱数据集中的数据进行融合处理后搭建知识图谱，依据患者健康特征，从知识图谱中匹配出对应的护理方案。
本发明提供了一种基于预防心内科潜在并发症的护理方法及系统，具备以下有益效果：
1、在所获取的检测结果的基础上获取健康状态系数，并以此对患者的健康状态进行评价，若是患者当前健康状态变差，则说明患者需要及时采取护理或者治疗措施，保障患者的身体健康，实现对患者健康状态的综合评估和监控。
2、判断各个自变量对患者的健康状态系数的影响程度，也即，判断患者所处的环境条件对患者的健康状态系数/>的影响程度，并在做综合处理后生成环境影响度/>，在环境影响度/>超过影响阈值时，对患者所处的环境条件进行针对性调整和改善，从而在改善后能够有效的降低患者并发症产生风险，对患者的健康形成保障。
3、在配合构建的健康状态预测模型的基础上，在患者位于检测区域的身体状态进行预测，并在完成特征识别后，获取患者的健康特征数据，在完成对患者所处环境的调整后，对患者的健康状态形成准确预测，从而在必要时，可以采取更为准确和适当的护理方案。
4、依据患者健康特征与护理方案的对应性选择可以起到参考作用的护理方案，从而，在需要对患者做护理时，可以快速获取对应的护理方案，以使该护理方案与患者的身体状态及其所处的环境条件充分对应，在对患者做护理时，护理方案可以起到应有的效用，减少可能的护理风险，保障患者的健康。
附图说明
图1为本发明预防心内科潜在并发症的护理方法流程示意图；
图2为本发明预防心内科潜在并发症的护理系统结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图1，本发明提供一种基于预防心内科潜在并发症的护理方法，包括：
步骤一、在患者所处的检测区域内选择检测点，在检测点处对检测区域内的环境条件进行检测，由检测结果构建环境条件集合，并由环境条件集合生成环境条件系数，若所获取的环境条件系数/>超过预设的环境阈值，发出预警信息；
所述步骤一包括如下内容：
步骤101、在确定患者所处区域后，将其确定为检测区域，在检测区域内选择若干个检测点，在检测点内对检测区域内的环境条件参数进行持续监测，具体包括：
设置检测周期，例如，以5分钟为一个检测周期，在每个检测周期内分别检测获取检测区域内的空气温度Kt、空气内的细菌浓度Nt以及检测区域内的氧气浓度Ot，将以上环境参数汇总后，建立环境条件集合；
步骤102、由环境条件集合生成环境条件系数，其具体方式如下：对环境条件集合内的空气温度Kt、空气内的细菌浓度Nt以及检测区域内的氧气浓度Ot做线性归一化处理，并将相应的数据值映射至区间/>内，依照如下方式：
；
其中，参数意义为：n为大于1的正整数，，其为检测周期的个数；权重系数：/>，/>，/>且/>，所述/>为空气温度的合格标准值，/>为细菌浓度的合格标准值，/>为氧气浓度的合格标准值；
作为补充说明，为空气温度在i位置上的值，/>为细菌浓度在i位置上的值，/>为氧气浓度在i位置上的值；
结合历史数据及对环境条件的预期，预先设置环境阈值，若所获取的环境条件系数超过预设的环境阈值，则说明当前的环境条件较差，可能会对患者的健康状态产生一定的影响，此时，向外部发出预警信息，反之，在环境条件相对较好时，则继续维持当前的状态；
使用时，结合步骤101及102中的内容：
在需要对患者进行护理前，确定其所处区域后，对该区域内的环境条件进行检测，由检测结果生成环境条件系数，以此对所述区域内的环境条件进行判断，而在患者所在区域内温度、细菌浓度以及氧气浓度产生变化甚至异常的情况下，患者心内科潜在并发症产生的风险也远远较常规情况高得多，但是，在现有的众多护理方法或方案中，并未对该风险进行考量，而只考虑到了患者的身体状态的变化，并不会对原有的护理方案进行调整，这就导致在患者所处环境风险较大时，原护理方案也可能已经难以起到应有的效果。
而在本步骤中，在对患者进行护理前，先对环境风险进行评价，判断当前的环境条件是否产生变化，若产生变化，则便于及时对环境进行及时调整，降低患者产生并发症的风险，对患者的健康形成保障作用。
步骤二、接收到预警信息后，由检测获取的患者的身体状态数据构建患者身体状态集合；再由患者身体状态集合生成患者的健康状态系数，若所获取的健康状态系数/>低于健康阈值，则向外部发出报警信息；
所述步骤二包括如下内容：
步骤201、接收到预警信息后，对患者的身体状态进行持续监控，在设置检测周期后，例如以2分钟为一个检测周期，在每个检测周期结束时获取患者的身体状态数据，其中包括患者的血压Xu、心率Xv及呼吸频率Hp，在将以上数据连续获取若干组后，汇总后生成患者身体状态集合；
步骤202、由患者身体状态集合生成患者的健康状态系数，其具体方式如下：将血压Xu、心率Xv及呼吸频率Hp做线性归一化处理，并将相应的数据值映射至区间内，依照如下方式：
；
权重系数： ，/>，/>，且/>，，此处，n为检测周期的个数，/>为血压的均值，/>为血压的合格标准值，/>为心率的均值，/>为心率的合格标准值，/>为呼吸频率的均值，为呼吸频率的合格标准值；
依据历史数据及对患者健康管理的预期，预先设置健康阈值，若所获取的健康状态系数低于健康阈值，则说明患者当前的健康状态较差，需要及时的进行护理或者采取治疗措施，此时向外部发出报警信息，以便于及时的做出处理；反之，若是不低于，则说明患者的健康状态相对较好，可以继续维持现状，不需要进行额外的治疗或者护理。
使用时，结合步骤201及步骤202中的内容：
在患者所处环境条件已经产生一定的变化甚至产生异常时，对患者当前的多项身体指标进行检测，在所获取的检测结果的基础上获取健康状态系数，并以此对患者的健康状态进行评价，若是患者当前健康状态变差，则说明患者需要及时采取护理或者治疗措施，保障患者的身体健康，实现对患者健康状态的综合评估和监控。
步骤三、接收到报警信息后，使用训练后的多重线性回归模型对健康状态系数做多重线性回归分析，获取各个环境条件参数对健康状态系数/>的影响程度，汇总建立影响度集合，由影响度集合生成环境影响度/>，若环境影响度超过影响阈值，对环境条件参数做适应性调整；
所述步骤三包括如下内容：
步骤301、训练获取多重线性回归模型，其具体方式如下：使用多重线性回归模型，根据选择的自变量和应变量构建模型，可以使用软件如SPSS、R等来进行模型的拟合和建立，对构建的模型进行评估，包括模型的拟合度、残差平方和、系数显著性等方面的评估，若存在模型拟合度不高或存在多重共线性等问题，通过增加或减少自变量、改变变量类型等方式对模型进行优化；
接收到报警信息后，在结合历史数据的基础上，使用训练后的多重线性回归模型，以环境条件集合内环境条件参数作为自变量，以健康状态系数作为因变量，做多重线性回归分析并获取相应的回归方程；从所述回归方程中获取各个自变量的回归系数，将各个回归系数作为影响因子，并在汇总后建立影响度集合；
步骤302、由影响度集合生成环境影响度，其具体方式如下：分别获取血压Xu、心率Xv及呼吸频率Hp的影响因子/>、/>及/>，依照如下公式：
；
权重系数取值为：，/>，/>，其具体值由用户调整设置；
预先设置影响度阈值，若环境影响度超过影响阈值，则说明当前的环境条件可能会对患者的健康带来较大的影响，此时，向外部调整指令；
步骤303、接收到调整指令后，使用多重回归线性模型依次对自变量的值进行调整，直至使健康状态系数的值超过健康阈值，获取调整后的自变量并将相对应的环境条件参数汇总后生成修正后的环境条件集合；
使用时，结合步骤301至303中的内容：
在患者健康状态存在变差趋势时，需要考虑导致这种变差的原因，因此进行多重线性回归分析，判断各个自变量对患者的健康状态系数的影响程度，也即，判断患者所处的环境条件对患者的健康状态系数/>的影响程度，并在做综合处理后生成环境影响度/>，在环境影响度/>超过影响阈值时，对患者所处的环境条件进行针对性调整和改善，从而在改善后能够有效的降低患者并发症产生风险，对患者的健康形成保障。
步骤四、由卷积神经网络构建健康状态预测模型，以调整后的环境条件参数作为输入，使用训练后的健康状态预测模型对患者的身体状态进行预测，在对预测结果进行识别后，建立患者健康特征集合；
所述步骤四包括如下内容：
步骤401、采集检测区域内的环境条件数据，例如温度、湿度等；患者的健康指标，例如，呼吸频率、体温及血压等，以及当前所接受的治疗方案数据，将以上数据汇总后进行特征识别，获取识别出的特征数据，并在将若干特征数据汇总后，生成建模特征集合；
从建模特征集合中抽取部分数据，分别作为训练集和测试集，由卷积神经网络构建初始模型，在对初始模型经过测试和训练后，以训练后的初始模型作为健康状态预测模型；
步骤402、以调整后的环境条件参数作为输入，使用训练后的健康状态预测模型对患者的身体状态进行预测，从预测结果中获取身体状态参数，并在经过特征识别后，获取相应的患者健康特征，将识别获取的患者健康特征汇总后，建立患者健康特征集合；
使用时，结合步骤401及402中的内容：
在对患者所处区域的环境条件做出针对性调整，获取调整后的数据，在配合构建的健康状态预测模型的基础上，在患者位于检测区域的身体状态进行预测，并在完成特征识别后，获取患者的健康特征数据，在完成对患者所处环境的调整后，对患者的健康状态形成准确预测，从而在必要时，可以采取更为准确和适当的护理方案。
步骤五、依据网络表示学习算法建立表示学习模型，以心内科并发症及其相关词作为检索词，检索汇总并生成图谱数据集，在对图谱数据集中的数据进行融合处理后搭建知识图谱，依据患者健康特征，从知识图谱中匹配出对应的护理方案；
所述步骤五包括如下内容：
步骤501、基于网络表示学习算法建立表示学习模型，在选择数据样本并在经过训练和测试后，将构建成的网络表示学习模型输出，依据网络表示学习模型，以心内科并发症及其相关词作为检索词，采用深度优先搜索从公开渠道检索并采集数据，汇总后生成图谱数据集；
使用Bp神经网络构建初始模型，从图谱数据集中抽取部分数据作为样本数据，对初始模型经过训练和测试后，完成基于机器学习的语义网络模型的构建；
步骤502、通过基于机器学习的语义网络模型从图谱数据集中选择数据，并经过融合处理后，完成知识图谱的构建，从患者健康特征集合中选择健康特征，依据患者健康特征与护理方案的对应性，使用训练后的匹配模型从知识图谱中匹配出一个或者多个护理方案，并将其作为对患者做护理时的参考方案输出。
使用时，结合步骤501及502中的内容：
在使用训练后的健康状态预测模型对患者的身体状态进行预测后，以心内科并发症及其相关词搭建知识图谱，进而依据患者健康特征与护理方案的对应性选择可以起到参考作用的护理方案，从而，在需要对患者做护理时，可以快速获取对应的护理方案，以使该护理方案与患者的身体状态及其所处的环境条件充分对应，从而，在对患者做护理时，护理方案可以起到应有的效用，减少可能的护理风险，保障患者的健康。
请参阅图2，本发明提供一种基于预防心内科潜在并发症的护理系统，包括：
检测单元，对患者所处的检测区域内的环境条件进行检测，由检测结果构建环境条件集合，并由环境条件集合生成环境条件系数，若所获取的环境条件系数超过预设的环境阈值，发出预警信息；
预警单元、由检测获取的患者的身体状态数据构建患者身体状态集合，进而获取患者的健康状态系数，若其低于健康阈值，则向外部发出报警信息；
调整单元、接收到报警信息后，获取各个环境条件参数对健康状态系数的影响程度，若环境影响度超过影响阈值，对环境条件参数做适应性调整；
预测单元、由卷积神经网络构建健康状态预测模型，以调整后的环境条件参数作为输入，使用训练后的健康状态预测模型对患者的身体状态进行预测，在对预测结果进行识别后，建立患者健康特征集合；
方案匹配单元、以心内科并发症及其相关词作为检索词，检索汇总并生成图谱数据集，在对图谱数据集中的数据进行融合处理后搭建知识图谱，依据患者健康特征，从知识图谱中匹配出对应的护理方案。
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。所述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所述计算机指令或计算机程序时，全部或部分地产生按照本申请实施例所述的流程或功能。所述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。所述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，所述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（例如红外、无线、微波等）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。所述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。所述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，结合本文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申请的范围。
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。
在本申请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，所述单元的划分，仅仅为一些逻辑功能划分，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。
所述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，在本申请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。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术作出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（read-onlymemory，ROM）、随机存取存储器（randomaccessmemory，RAM）、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。
Claims (7)
1.一种基于预防心内科潜在并发症的护理方法，其特征在于：包括如下步骤：
在患者所处的检测区域内选择检测点，在检测点处对检测区域内的环境条件进行检测，由检测结果构建环境条件集合，并由环境条件集合生成环境条件系数，若所获取的环境条件系数/>超过预设的环境阈值，发出预警信息；其中，由环境条件集合生成环境条件系数/>，其具体方式如下：对环境条件集合内的空气温度Kt、空气内的细菌浓度Nt以及检测区域内的氧气浓度Ot做线性归一化处理，并将相应的数据值映射至区间内，依照如下方式：
；
其中，参数意义为：n为大于1的正整数，，其为检测周期的个数；权重系数：/>，/>，/>且/>，所述/>为空气温度的合格标准值，/>为细菌浓度的合格标准值，/>为氧气浓度的合格标准值；
接收到预警信息后，由检测获取的患者的身体状态数据构建患者身体状态集合；再由患者身体状态集合生成患者的健康状态系数，若所获取的健康状态系数/>低于健康阈值，则向外部发出报警信息；其中，获取健康状态系数/>的方式如下：将血压Xu、心率Xv及呼吸频率Hp做线性归一化处理，并将相应的数据值映射至区间/>内，依照如下方式：
；
权重系数： ，/>，/>，且/>，/>，此处，n为检测周期的个数，/>为血压的均值，/>为血压的合格标准值，/>为心率的均值，为心率的合格标准值，/>为呼吸频率的均值，/>为呼吸频率的合格标准值；
接收到报警信息后，使用训练后的多重线性回归模型对健康状态系数做多重线性回归分析，获取各个环境条件参数对健康状态系数/>的影响程度，汇总建立影响度集合，由影响度集合生成环境影响度/>，具体方式如下：分别获取血压Xu、心率Xv及呼吸频率Hp的影响因子/>、/>及/>，依照如下公式：
；
权重系数取值为：，/>，/>，其具体值由用户调整设置，若环境影响度/>超过影响阈值，对环境条件参数做适应性调整；
由卷积神经网络构建健康状态预测模型，以调整后的环境条件参数作为输入，使用训练后的健康状态预测模型对患者的身体状态进行预测，在对预测结果进行识别后，建立患者健康特征集合；
依据网络表示学习算法建立表示学习模型，以心内科并发症及其相关词作为检索词，检索汇总并生成图谱数据集，在对图谱数据集中的数据进行融合处理后搭建知识图谱，依据患者健康特征，从知识图谱中匹配出对应的护理方案。
2.根据权利要求1所述的一种基于预防心内科潜在并发症的护理方法，其特征在于：
在确定患者所处区域后，将其确定为检测区域，在检测区域内选择检测点，在检测点内对检测区域内的环境条件参数进行持续监测，具体包括：在每个检测周期内分别检测获取检测区域内的空气温度Kt、空气内的细菌浓度Nt以及检测区域内的氧气浓度Ot，将以上环境条件参数汇总后，建立环境条件集合；由环境条件集合生成环境条件系数，若所获取的环境条件系数/>超过预设的环境阈值，发出预警信息。
3.根据权利要求1所述的一种基于预防心内科潜在并发症的护理方法，其特征在于：
接收到预警信息后，对患者的身体状态进行持续监控，在每个检测周期结束时获取患者的身体状态数据，其中包括患者的血压Xu、心率Xv及呼吸频率Hp，在将以上数据连续获取若干组后，汇总后生成患者身体状态集合；由患者身体状态集合生成患者的健康状态系数，若所获取的健康状态系数/>低于健康阈值，发出报警信息。
4.根据权利要求1所述的一种基于预防心内科潜在并发症的护理方法，其特征在于：
接收到报警信息后，使用训练后的多重线性回归模型，以环境条件集合内环境条件参数作为自变量，以健康状态系数作为因变量，做多重线性回归分析并获取相应的回归方程；从所述回归方程中获取各个自变量的回归系数，将各个回归系数作为影响因子，并在汇总后建立影响度集合；由影响度集合生成环境影响度/>，若环境影响度/>超过影响阈值，使用多重回归线性模型依次对自变量的值进行调整，直至使健康状态系数的值超过健康阈值，获取调整后的自变量并将相对应的环境条件参数汇总后生成修正后的环境条件集合。
5.根据权利要求1所述的一种基于预防心内科潜在并发症的护理方法，其特征在于：
在采集数据后，由卷积神经网络构建初始模型，在对初始模型经过测试和训练后，以训练后的初始模型作为健康状态预测模型，以调整后的环境条件参数作为输入，使用训练后的健康状态预测模型对患者的身体状态进行预测，从预测结果中获取身体状态参数，并在经过特征识别后，获取相应的患者健康特征，将识别获取的患者健康特征汇总后，建立患者健康特征集合。
6.根据权利要求5所述的一种基于预防心内科潜在并发症的护理方法，其特征在于：
基于网络表示学习算法建立表示学习模型，在选择数据样本并在经过训练和测试后，将构建成的网络表示学习模型输出，依据网络表示学习模型，以心内科并发症及其相关词作为检索词，采用深度优先搜索从公开渠道检索并采集数据，汇总后生成图谱数据集；使用Bp神经网络构建初始模型，从图谱数据集中抽取部分数据作为样本数据，对初始模型经过训练和测试后，完成基于机器学习的语义网络模型的构建。
7.根据权利要求6所述的一种基于预防心内科潜在并发症的护理方法，其特征在于：
通过基于机器学习的语义网络模型从图谱数据集中选择数据，并经过融合处理后，完成知识图谱的构建，从患者健康特征集合中选择健康特征，依据患者健康特征与护理方案的对应性，使用训练后的匹配模型从知识图谱中匹配出一个或者多个护理方案，并将其作为对患者做护理时的参考方案输出。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311502098.6A CN117238434B (zh) | 2023-11-13 | 2023-11-13 | 一种基于预防心内科潜在并发症的护理方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311502098.6A CN117238434B (zh) | 2023-11-13 | 2023-11-13 | 一种基于预防心内科潜在并发症的护理方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117238434A CN117238434A (zh) | 2023-12-15 |
| CN117238434B true CN117238434B (zh) | 2024-03-05 |
Family
ID=89084491
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311502098.6A Active CN117238434B (zh) | 2023-11-13 | 2023-11-13 | 一种基于预防心内科潜在并发症的护理方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117238434B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115311114A (zh) * | 2022-06-30 | 2022-11-08 | 齐鲁工业大学 | 基于健康大数据的智慧康养管理云平台 |
| DE202023100911U1 (de) * | 2023-02-25 | 2023-03-06 | Arshpreet Singh | Ein Internet der Dinge-basiertes Covid-Erkennungs- und Präventionssystem |
| CN116509350A (zh) * | 2023-07-03 | 2023-08-01 | 云天智能信息(深圳)有限公司 | 一种基于智能手环的医疗监控系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114969379A (zh) * | 2022-06-17 | 2022-08-30 | 好人生（上海）健康科技有限公司 | 基于大数据的单病种健康管理知识图谱生成方法和装置 |
-
2023
- 2023-11-13 CN CN202311502098.6A patent/CN117238434B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115311114A (zh) * | 2022-06-30 | 2022-11-08 | 齐鲁工业大学 | 基于健康大数据的智慧康养管理云平台 |
| DE202023100911U1 (de) * | 2023-02-25 | 2023-03-06 | Arshpreet Singh | Ein Internet der Dinge-basiertes Covid-Erkennungs- und Präventionssystem |
| CN116509350A (zh) * | 2023-07-03 | 2023-08-01 | 云天智能信息(深圳)有限公司 | 一种基于智能手环的医疗监控系统 |
Non-Patent Citations (2)
| Title |
|---|
| 侯迪波 ; 陈玥 ; 赵海峰 ; 黄平捷 ; 张光新 ; .基于RBF神经网络和小波分析的水质异常检测方法.传感器与微系统.2013,(02),全文. * |
| 基于RBF神经网络和小波分析的水质异常检测方法;侯迪波;陈;赵海峰;黄平捷;张光新;;传感器与微系统(02);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117238434A (zh) | 2023-12-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP2677927B1 (en) | Respiration monitoring method and system | |
| US8768718B2 (en) | Between-patient comparisons for risk stratification of future heart failure decompensation | |
| US9629548B2 (en) | Within-patient algorithm to predict heart failure decompensation | |
| US9022930B2 (en) | Inter-relation between within-patient decompensation detection algorithm and between-patient stratifier to manage HF patients in a more efficient manner | |
| US10311533B2 (en) | Method and system to enable physician labels on a remote server and use labels to verify and improve algorithm results | |
| US20080161651A1 (en) | Surrogate measure of patient compliance | |
| CN108492890B (zh) | 一种人体健康状态监测系统及方法 | |
| CN110179465A (zh) | 机械通气脱机量化评估方法、装置、设备和存储介质 | |
| CN116965818B (zh) | 一种基于人工智能的异常情绪调控方法及系统 | |
| CN109935327B (zh) | 基于智能决策支持的高血压患者心血管危险分层评估方法 | |
| CN117617921B (zh) | 基于物联网的智能血压监控系统及方法 | |
| WO2022266392A1 (en) | Ml-based anomaly detection and descriptive root-cause analysis for biodata | |
| CN116936104B (zh) | 一种基于人工智能的健康检测仪数据分析系统及方法 | |
| CN117238434B (zh) | 一种基于预防心内科潜在并发症的护理方法及系统 | |
| CN111317458A (zh) | 一种基于深度学习的血压检测系统 | |
| CN108109696B (zh) | 一种数据处理方法和装置 | |
| CN117133464A (zh) | 一种老年人健康智能监测系统及监测方法 | |
| EP3304365B1 (en) | System for the detection and the early prediction of the approaching of exacerbations in patients suffering from chronic obstructive broncopneumaty | |
| US20060069535A1 (en) | System and method for converting data, and system and method for providing warning signals | |
| Niu et al. | The identification of sputum situation based on the sound from the respiratory tract | |
| CN117153412A (zh) | 患病风险筛查方法、设备及存储介质 | |
| CN117253605A (zh) | 一种家用心血管疾病预警系统及风险评估方法 | |
| CN117524477A (zh) | 一种基于无创参数的mods动态预警方法及系统 | |
| CN117373604A (zh) | 一种快速查看健康报告方法、系统及介质 | |
| CN118078215A (zh) | 一种生命体征监测方法及系统 |
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 |