CN117275648B - 一种基于物联网的重症监护病房患者智能护理方法 - Google Patents
一种基于物联网的重症监护病房患者智能护理方法 Download PDFInfo
- Publication number
- CN117275648B CN117275648B CN202311556138.5A CN202311556138A CN117275648B CN 117275648 B CN117275648 B CN 117275648B CN 202311556138 A CN202311556138 A CN 202311556138A CN 117275648 B CN117275648 B CN 117275648B
- Authority
- CN
- China
- Prior art keywords
- patient
- physiological
- data
- state
- medical staff
- 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 68
- 238000000034 method Methods 0.000 title claims abstract description 44
- 230000035790 physiological processes and functions Effects 0.000 claims abstract description 67
- 238000012545 processing Methods 0.000 claims abstract description 17
- 238000004458 analytical method Methods 0.000 claims abstract description 12
- 238000012544 monitoring process Methods 0.000 claims abstract description 6
- 238000000354 decomposition reaction Methods 0.000 claims description 18
- 230000002159 abnormal effect Effects 0.000 claims description 13
- 238000012706 support-vector machine Methods 0.000 claims description 12
- 238000013210 evaluation model Methods 0.000 claims description 10
- 238000005457 optimization Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- 230000009467 reduction Effects 0.000 claims description 5
- 238000013439 planning Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 7
- 238000011084 recovery Methods 0.000 abstract 1
- 230000006870 function Effects 0.000 description 20
- 201000010099 disease Diseases 0.000 description 10
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 10
- 230000000241 respiratory effect Effects 0.000 description 7
- 230000036772 blood pressure Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 5
- 230000006866 deterioration Effects 0.000 description 5
- 230000000004 hemodynamic effect Effects 0.000 description 5
- 239000002699 waste material Substances 0.000 description 5
- 230000003111 delayed effect Effects 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 206010012218 Delirium Diseases 0.000 description 3
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 3
- 229910052760 oxygen Inorganic materials 0.000 description 3
- 239000001301 oxygen Substances 0.000 description 3
- 208000024891 symptom Diseases 0.000 description 3
- 230000001960 triggered effect Effects 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 239000008280 blood Substances 0.000 description 2
- 210000004369 blood Anatomy 0.000 description 2
- 238000013523 data management Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000037213 diet Effects 0.000 description 2
- 235000005911 diet Nutrition 0.000 description 2
- 229940079593 drug Drugs 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 238000000554 physical therapy Methods 0.000 description 2
- 230000036391 respiratory frequency Effects 0.000 description 2
- 230000036387 respiratory rate Effects 0.000 description 2
- 206010067484 Adverse reaction Diseases 0.000 description 1
- 208000028399 Critical Illness Diseases 0.000 description 1
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 description 1
- 206010020772 Hypertension Diseases 0.000 description 1
- 206010036790 Productive cough Diseases 0.000 description 1
- 230000006838 adverse reaction Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000036760 body temperature Effects 0.000 description 1
- 230000000747 cardiac effect Effects 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 206010012601 diabetes mellitus Diseases 0.000 description 1
- 238000002567 electromyography Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000008103 glucose Substances 0.000 description 1
- 208000019622 heart disease Diseases 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000002483 medication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000002980 postoperative effect Effects 0.000 description 1
- 238000002601 radiography Methods 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 210000002345 respiratory system Anatomy 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 238000004904 shortening 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
- 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
- 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
- G16H50/30—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
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y10/00—Economic sectors
- G16Y10/60—Healthcare; Welfare
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y20/00—Information sensed or collected by the things
- G16Y20/40—Information sensed or collected by the things relating to personal data, e.g. biometric data, records or preferences
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- General Business, Economics & Management (AREA)
- Business, Economics & Management (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Bioethics (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明公开了一种基于物联网的重症监护病房患者智能护理方法，涉及医疗护理技术领域，该基于物联网的重症监护病房患者智能护理方法包括以下步骤：获取病房患者的病情数据，制定相应的护理计划并进行实施；通过预先部署在病房内的传感器设备对患者的生理数据进行实时监测；收集传感器设备监测的生理数据进行分析和处理，确定患者的生理状态并分析是否发出预警；基于患者的生理状态和制定的护理计划判断患者的需求状态，并根据判断结果对医护人员进行实时调度；收集医护人员的护理反馈并根据患者生理状态调整护理计划。本发明可以大大提高医护人员的护理品质，提高患者的治疗效果，缩短康复时间，提高患者的舒适度和满意度。
Description
技术领域
本发明涉及医疗护理技术领域，具体来说，涉及一种基于物联网的重症监护病房患者智能护理方法。
背景技术
重症监护病房（简称ICU）代表了当代医疗技术的最高水平，其作为医疗组织管理方式，随着新型医疗设备的大量引入而引人注目，而重症监护病房的患者尝尝存在各种疾病的复杂情况，包括基础病问题、血流动力学问题、呼吸问题、谵妄症状等。目前ICU的存在，打破了传统的医疗模式，为危重患者提供了规范且具有高质量的生命支持服务。这种模式在增强救治效率的同时，投入对患者机体各器官的功能进行精密维护及调节，让危重症患者在面临生命威胁时，有了更多的治疗时间和机会。
如今，在移动互联网高速成长的大背景下，其所带来的技术可以催化医疗服务行业的快速发展，为提升医疗服务的安全性、效能以及稳定性作出了重大贡献。例如，智能病房护理系统的应用，借助互联网技术优势，能整合医院的全套医疗资源，提供一个高效、精准、个性化的服务平台，从而极大地辅助医护人员进行复杂且繁重的医疗和护理工作。这不仅提高了医护人员的工作效率，更能让患者获取贴心且全面的医疗服务。
目前，在现有的重症患者护理流程中，传统的响应机制可能效率不高，而且由于医护人员的工作繁重，当患者生理状态突然变化或者其他状况时，需要通过人工方式通知医护人员并调度工作，响应速度相对较慢，从而会延误患者的救治时间，进而会导致重症患者在生理状态急剧恶化时无法得到及时救治。
针对相关技术中的问题，目前尚未提出有效的解决方案。
发明内容
针对相关技术中的问题，本发明提出一种基于物联网的重症监护病房患者智能护理方法，以克服现有相关技术所存在的上述技术问题。
为此，本发明采用的具体技术方案如下：
一种基于物联网的重症监护病房患者智能护理方法，该基于物联网的重症监护病房患者智能护理方法包括以下步骤：
S1、获取病房患者的病情数据，制定相应的护理计划并进行实施；
S2、通过预先部署在病房内的传感器设备对患者的生理数据进行实时监测；
S3、收集传感器设备监测的生理数据进行分析和处理，确定患者的生理状态并分析是否发出预警；
S4、基于患者的生理状态和制定的护理计划判断患者的需求状态，并根据判断结果对医护人员进行实时调度；
S5、收集医护人员的护理反馈并根据患者生理状态调整护理计划。
优选的，收集传感器设备监测的生理数据进行分析和处理，确定患者的生理状态并分析是否发出预警包括以下步骤：
S31、基于经验模态分解法对患者的生理数据进行预处理，并重构生理数据；
S32、对重构后的生理数据进行生理特征提取，并利用熵权法对提取的生理特征进行降维和归一化处理，得到归一化后的生理数据；
S33、通过参数优化算法优化支持向量机的参数，并建立患者生理状态评估模型；
S34、将提取的生理特征数据输入至患者生理状态评估模型中，得到患者的生理状态；
S35、若患者的生理状态低于预设的状态阈值，则表示患者处于非正常状态，发出预警并通知医护人员进行及时处理，否则，则表示患者处于正常状态，无需发出预警。
优选的，基于经验模态分解法对患者的生理数据进行预处理，并重构生理数据包括以下步骤：
S311、对患者的生理数据进行经验模态分解，得到患者生理状态的IMF分量；
S312、计算各IMF分量的生理特征值，并将生理特征值小于预设阈值的IMF分量删除，得到有效的IMF分量；
S313、将有效的IMF分量进行重组，构成重构的生理数据。
优选的，对患者的生理数据进行经验模态分解，得到患者生理状态的IMF分量包括以下步骤：
S3111、从患者的生理数据中选出所有的极大值和极小值，并通过在所有的极大值之间以及所有的极小值之间构建曲线，生成生理数据的上包络线和下包络线；
S3112、计算上包络线和下包络线的平均值，并从生理数据中减去上包络线和下包络线的平均值，得到新的调整数据；
S3113、检查新的生理数据是否满足预设的IMF条件，若不满足，则将新的调整数据作为生理数据，并返回步骤S3111，直至新的调整数据满足预设的IMF条件为止，若满足，则将新的调整数据作为生理数据的IMF分量；
S3114、从生理数据中减去新得到的IMF分量，并将剩下的部分作为新的生理数据；
S3115、对新的生理数据重复执行步骤S3111至步骤S3114，直至新的生理数据最终成为单调函数或无法再分解为止，得到患者生理状态的IMF分量。
优选的，各IMF分量的生理特征值的计算公式为：
；
式中，K表示IMF分量的生理特征值；
r表示时间变量；
x(τ-r)表示生理数据x在时间τ-r处的值；
y(τ-r)表示时间长度极小的窗函数在时间τ-r处的值；
G表示复指数函数；
τ表示时间点；
dt表示微分符号；
<·>表示数学期望；
|·|表示模。
优选的，通过参数优化算法优化支持向量机的参数，并建立患者生理状态评估模型包括以下步骤：
S331、将归一化后的生理数据作为训练数据；
S332、确定支持向量机中惩罚参数和核函数参数的取值范围；
S333、根据确定的参数范围，通过参数优化算法在参数空间中寻找最佳的参数组合；
S334、通过找到的最优参数组合，使用支持向量机算法进行训练，构建患者生理状态评估模型。
优选的，基于患者的生理状态和制定的护理计划判断患者的需求状态，并根据判断结果对医护人员进行实时调度包括以下步骤：
S41、当出现患者的生理状态为非正常状态或到达护理计划中的护理时间点时，则判定患者的需求状态为应急状态，否则，则判定患者的需求状态为稳定状态；
S42、当患者的需求状态为应急状态时，则对医护人员进行调度，并指示该医护人员进行应急护理；
S43、当患者的需求状态为稳定状态时，则无需对医护人员进行调度。
优选的，当患者的需求状态为应急状态时，则对医护人员进行调度，并指示该医护人员进行应急护理包括以下步骤：
S421、当患者的需求状态为应急状态时，生成应急调度指令，并通过预设在医护人员身上的定位设备获取医护人员位置信息；
S422、获取患者病房的位置数据，并计算医护人员与患者病房的路线距离；
S423、根据计算的路线距离，采用逐级发送的方式将应急调度指令发送至医护人员进行应急护理。
优选的，获取患者病房的位置数据，并计算医护人员与患者病房的路线距离包括以下步骤：
S4221、收集住院病房的结构数据，并获取患者病房的位置数据；
S4222、根据医护人员定位设备的位置信息确定医护人员在住院病房的位置数据；
S4223、根据患者病房的位置数据和医护人员在住院病房的位置数据，计算出医护人员到患者病房的最优路线；
S4224、根据医护人员到患者病房的最优路线计算出医护人员与患者病房的路线距离。
优选的，根据患者病房的位置数据和医护人员在住院病房的位置数据，计算出医护人员到患者病房的最优路线包括以下步骤：
S42231、根据住院病房的结构数据建立住院病房模型；
S42232、将医护人员和患者病房的位置数据作为输入，分别标记为起点和终点；
S42233、将住院病房模型及标记的起点和终点输入到路径规划算法中，计算出所有的规划路线；
S42234、根据所有的规划路线，计算出医护人员到患者病房的最优路线。
本发明的有益效果为：
1、本发明通过预先部署在病房内的传感器设备能实时监测患者的生理数据，包括一些基础病状、血流动力学参数、呼吸频率或者呼吸模式等数据，可以帮助医护人员迅速了解患者的身体状况，通过根据患者的生理状态和制定的护理计划，实时调度医护人员，降低了医疗资源的浪费，提高了护理效率，通过收集和分析传感器设备监测的生理数据，能及时发现患者生理状态的异常，从而快速进行预警，避免病情的恶化，可以大大提高医护人员的护理品质，提高患者的治疗效果，缩短康复时间，提高患者的舒适度和满意度。
2、本发明通过对生理数据进行经验模态分解，可以减少噪音和异常值的影响，增强数据的质量和后续分析的准确性，通过对患者的生理状态进行实时评估和比较，能迅速触发预警，提早发现患者的异常情况，帮助医护人员做出及时的反应，通过经验模态分解，可以得到生理数据的多种模态分量，通过分析这些模态分量，可以得到更多有关患者生理状态的信息，对于理解患者的身体状况和及时识别病情变化提供了有力的支持。
3、本发明能有效地根据患者的生理状态和护理计划进行实时调度，从而快速响应患者的需求状态，提高护理的即时性和准确性，根据医护人员的实时位置信息进行调度，可以更加合理有效地使用医疗资源，使医疗服务更加精准，避免了资源的浪费，如果患者的生理状态出现异常或到达护理计划的关键时间点，可以及时判断并执行应急护理指令，减少因延迟护理导致的病情恶化的风险，不仅提升了医护工作效率，还提高了护理质量。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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的附图。
图1是根据本发明实施例的一种基于物联网的重症监护病房患者智能护理方法的流程图。
具体实施方式
为进一步说明各实施例，本发明提供有附图，这些附图为本发明揭露内容的一部分，其主要用以说明实施例，并可配合说明书的相关描述来解释实施例的运作原理，配合参考这些内容，本领域普通技术人员应能理解其他可能的实施方式以及本发明的优点，图中的组件并未按比例绘制，而类似的组件符号通常用来表示类似的组件。
根据本发明的实施例，提供了一种基于物联网的重症监护病房患者智能护理方法。
现结合附图和具体实施方式对本发明进一步说明，如图1所示，根据本发明实施例的基于物联网的重症监护病房患者智能护理方法，该基于物联网的重症监护病房患者智能护理方法包括以下步骤：
S1、获取病房患者的病情数据，制定相应的护理计划并进行实施。
需要说明的是，通过获取患者的基本信息、诊断信息、实验室检查结果、影像学检查结果等，根据患者的病情数据，在医生的指导下，由专业的护理团队制定个性化的护理计划。这个计划可能会包括用药计划、复康训练计划、饮食计划、休息计划等。部署完成后，需要将所有的传感器设备通过无线网络连接到医院的数据管理系统上，以便能够实时收集和传输数据。
S2、通过预先部署在病房内的传感器设备对患者的生理数据进行实时监测。
需要说明的是，在病房内预先部署和安装各种传感器设备，如心率监测器、血氧饱和度监测器、体温监测器、血压监测器、呼吸频率监测器等。部署完成后，需要将所有的传感器设备通过无线网络连接到医院的数据管理系统上，以便能够实时收集和传输数据。
S3、收集传感器设备监测的生理数据进行分析和处理，确定患者的生理状态并分析是否发出预警。
具体的，对于重症患者来说，重症病房的患者常常存在各种疾病的复杂状况，包括基础疾病问题、血流动力学问题、呼吸问题、谵妄问题等；因此，监测的生理数据包括：
基础疾病的问题，如血糖值、血压、心率等，用于了解和跟踪糖尿病、高血压、心脏病等基础疾病的情况；
血流动力学问题，如心输出量、血压、脉搏等，监测这些参数有助于观察患者的循环状况，以及对药物等治疗的反应。
呼吸问题，如氧饱和度、呼吸频率、呼吸深度、镇静状态下呼吸道的通畅程度等，这些数据都对呼吸问题的及时识别和处理至关重要；此外，还可以了解患者的咳痰能力、胸片或CT数据等。
谵妄问题，如神经生理指标，例如脑电图等。
作为优选的实施方式，收集传感器设备监测的生理数据进行分析和处理，确定患者的生理状态并分析是否发出预警包括以下步骤：
S31、基于经验模态分解法对患者的生理数据进行预处理，并重构生理数据。
作为优选的实施方式，基于经验模态分解法对患者的生理数据进行预处理，并重构生理数据包括以下步骤：
S311、对患者的生理数据进行经验模态分解，得到患者生理状态的IMF分量。
作为优选的实施方式，对患者的生理数据进行经验模态分解，得到患者生理状态的IMF分量包括以下步骤：
S3111、从患者的生理数据中选出所有的极大值和极小值，并通过在所有的极大值之间以及所有的极小值之间构建曲线，生成生理数据的上包络线和下包络线。
需要说明的是，极大值点是其两侧的点值都比它小的点，极小值点之间的点值都比它大，使用一个光滑函数（比如立方样条插值），在所有极大值之间构建一个曲线，这就是生理数据的上包络线。同样地，也在所有极小值之间构建一个曲线，这就是下包络线。
S3112、计算上包络线和下包络线的平均值，并从生理数据中减去上包络线和下包络线的平均值，得到新的调整数据。
需要说明的是，对每一个时间点，计算上包络线的值和下包络线的值的算术平均值，形成一个新的平均线，然后用原始数据减去这个平均线的值，得到调整后的数据。可以消除原数据内部的线性趋势和非线性趋势，让数据更容易反映出患者身体的生理变化；这样的处理非常适用于乱象数据的处理，特别是心跳、血压、血氧等具有多模态特性的信号处理，有助于揭示数据内部的复杂结构和变化规律。
S3113、检查新的生理数据是否满足预设的IMF条件，若不满足，则将新的调整数据作为生理数据，并返回步骤S3111，直至新的调整数据满足预设的IMF条件为止，若满足，则将新的调整数据作为生理数据的IMF分量。
需要说明的是，预设的IMF条件一般包括两个方面：在全局范围内，极值点的数量和零交叉点的数量要相同或者相差不超过1；对于任何固定的点，下包络线和上包络线的平均值为零；如果新的调整数据满足这些条件，我们就认为得到了一个IMF分量。
S3114、从生理数据中减去新得到的IMF分量，并将剩下的部分作为新的生理数据。
S3115、对新的生理数据重复执行步骤S3111至步骤S3114，直至新的生理数据最终成为单调函数或无法再分解为止，得到患者生理状态的IMF分量。
S312、计算各IMF分量的生理特征值，并将生理特征值小于预设阈值的IMF分量删除，得到有效的IMF分量。
需要说明的是，删除这些不重要的IMF分量后，能得到的IMF分量，就是真正能反映和描述患者生理状态的有效分量。在实际应用中，这些有效的IMF分量对于患者的健康状态监测、疾病诊断以及医疗决策是非常有帮助的。
作为优选的实施方式，各IMF分量的生理特征值的计算公式为：
。
式中，K表示IMF分量的生理特征值；r表示时间变量；x(τ-r)表示生理数据x在时间τ-r处的值；y(τ-r)表示时间长度极小的窗函数在时间τ-r处的值；G表示复指数函数；τ表示时间点；dt表示微分符号；<·>表示数学期望；|·|表示模。
需要说明的是，窗函数的主要目的是将无限长的信号转换为有限长，使得可以在离散情况下进行处理。窗函数在时间τ-r处的值，就是在这个特定的时间点，经过窗函数处理后的数值。
复指数函数往往用于表示信号的相位和频率信息，用于将时域信号转换为频域信号的一种方法，也就是所谓的傅立叶变换。这是一种在信号处理中常用的技术，可以从频域的角度分析信号。
S313、将有效的IMF分量进行重组，构成重构的生理数据。
需要说明的是，将筛选出的有效IMF分量加和在一起，重组得到的信号就是重构后的生理数据。
S32、对重构后的生理数据进行生理特征提取，并利用熵权法对提取的生理特征进行降维和归一化处理，得到归一化后的生理数据。
需要说明的是，生理特征提取的目的是为了更好地理解和解释生理数据，如心率、血压、肌电图等各类生理测量数据。这些生理特征可以包括平均值、最大值、最小值、标准差等统计参数，也可以包括频率域特征、时频特征等复杂的参数。
使用熵权法进行降维和归一化处理能够较好地处理特征多、关联性大的问题；熵权法是一种基于信息熵的多属性决策分析方法，它通过量化每一项指标的变异程度来确定其权重，从而实现对指标的归一化和降维。具体步骤为：计算每个特征的熵和差熵；利用差熵计算每个特征的权重；根据每个特征的权重进行归一化处理。
S33、通过参数优化算法优化支持向量机的参数，并建立患者生理状态评估模型。
作为优选的实施方式，通过参数优化算法优化支持向量机的参数，并建立患者生理状态评估模型包括以下步骤：
S331、将归一化后的生理数据作为训练数据。
S332、确定支持向量机中惩罚参数和核函数参数的取值范围。
需要说明的是，惩罚参数决定了模型的容忍程度，即是否允许模型对一部分数据进行错误分类；较小的惩罚参数会使错误分类的成本变小，意味着模型可能会接受一些错误分类的存在以获取更优的总体分布；较大的惩罚参数会强制模型尽可能将所有的样本分类正确，但可能会增大模型的过拟合风险；惩罚参数的取值范围通常在0到正无穷。
核函数参数在使用径向基函数作为核函数时，它决定了决策边界的复杂性，即每个样本在模型中的影响范围；核函数参数值越大，样本的影响范围越小，决策边界会变得复杂且曲折；反之，核函数参数值越小，样本的影响范围越大，决策边界会更加宽泛且简单，核函数参数的取值范围一般也是在0到正无穷。
S333、根据确定的参数范围，通过参数优化算法在参数空间中寻找最佳的参数组合。
需要说明的是，根据确定的参数范围，通过网格搜索法历所有可能的参数组合，对于每一种参数组合，都训练一个模型，并使用交叉验证来评估模型的性能。这可能涉及许多次模型训练和评估，评估每一种参数组合的性能，找出整个搜索过程中性能最好的参数组合。
S334、通过找到的最优参数组合，使用支持向量机算法进行训练，构建患者生理状态评估模型。
S34、将提取的生理特征数据输入至患者生理状态评估模型中，得到患者的生理状态。
S35、若患者的生理状态低于预设的状态阈值，则表示患者处于非正常状态，发出预警并通知医护人员进行及时处理，否则，则表示患者处于正常状态，无需发出预警。
具体的，通过对生理数据进行经验模态分解，可以减少噪音和异常值的影响，增强数据的质量和后续分析的准确性，通过对患者的生理状态进行实时评估和比较，能迅速触发预警，提早发现患者的异常情况，帮助医护人员做出及时的反应，通过经验模态分解，可以得到生理数据的多种模态分量，通过分析这些模态分量，可以得到更多有关患者生理状态的信息，对于理解患者的身体状况和及时识别病情变化提供了有力的支持。
S4、基于患者的生理状态和制定的护理计划判断患者的需求状态，并根据判断结果对医护人员进行实时调度。
作为优选的实施方式，基于患者的生理状态和制定的护理计划判断患者的需求状态，并根据判断结果对医护人员进行实时调度包括以下步骤：
S41、当出现患者的生理状态为非正常状态或到达护理计划中的护理时间点时，则判定患者的需求状态为应急状态，否则，则判定患者的需求状态为稳定状态。
需要说明的是，护理计划中的护理时间点是按照医生或医疗团队设定的时间表进行的计划性护理活动。这些活动可以包括但不限于：用药时间、体征检查、物理治疗、饮食时间、术后护理、护理操作等。
S42、当患者的需求状态为应急状态时，则对医护人员进行调度，并指示该医护人员进行应急护理。
作为优选的实施方式，当患者的需求状态为应急状态时，则对医护人员进行调度，并指示该医护人员进行应急护理包括以下步骤：
S421、当患者的需求状态为应急状态时，生成应急调度指令，并通过预设在医护人员身上的定位设备获取医护人员位置信息。
需要说明的是，在检测到患者的需求状态变为应急状态时，那么将立即生成一条应急调度指令；这条指令的目的是要安排医护人员尽快前往对应的病房并提供必要的护理服务。
S422、获取患者病房的位置数据，并计算医护人员与患者病房的路线距离。
作为优选的实施方式，获取患者病房的位置数据，并计算医护人员与患者病房的路线距离包括以下步骤：
S4221、收集住院病房的结构数据，并获取患者病房的位置数据。
需要说明的是，住院病房的结构数据通常包括医院的楼层布局、各病房的位置和大小、病房内的床位布局等信息。这些数据有助于医护人员理解医院的空间组织，并为紧急调度提供参考。
患者病房的位置数据是指患者所在病房的具体位置，包括楼层、病区、病房号以及床位号等信息。
S4222、根据医护人员定位设备的位置信息确定医护人员在住院病房的位置数据。
需要说明的是，医护人员定位设备的位置信息可以通过跟踪设备来实时获取。这种设备可以是智能手机应用，RFID标签，或特制颈牌等，收到这些信息，便可以解析这些数据，转化为换算成在住院病房的具体位置。这通常涉及将设备发送的坐标或信号强度与医院的地图或蓝图进行匹配，使得可以准确确定医护人员在医院内的精确位置。这包括他们存在于哪个楼层，哪个科室，或者是与某位特定患者的距离。
S4223、根据患者病房的位置数据和医护人员在住院病房的位置数据，计算出医护人员到患者病房的最优路线。
作为优选的实施方式，根据患者病房的位置数据和医护人员在住院病房的位置数据，计算出医护人员到患者病房的最优路线包括以下步骤：
S42231、根据住院病房的结构数据建立住院病房模型。
需要说明的是，根据收集的住院病房的结构数据，使用软件工具来建立住院病房模型，在这个过程中，需要确保模型的准确性和详细程度。
S42232、将医护人员和患者病房的位置数据作为输入，分别标记为起点和终点。
S42233、将住院病房模型及标记的起点和终点输入到路径规划算法中，计算出所有的规划路线。
需要说明的是，路径规划将从医护人员当前位置（起点）到目标病房或病患位置（终点）规划出最优路径，具体包括以下步骤：
从病房模型中提取出图形网络。每个病房可以被看作是一个节点，病房之间的通道或走廊可以被看作是边。
初始化起点和终点，然后将路径搜索算法（如Dijkstra算法，A星算法等）应用到这个图形网络上，寻找从起点到终点的所有可行路径。
S42234、根据所有的规划路线，计算出医护人员到患者病房的最优路线。
需要说明的是，计算每条路线的总长度或者总时间。考虑医护人员需要走的实际距离、通过走廊和楼梯的时间、等候电梯的时间等。比较所有路线的总长度或者总时间，找出耗时最短的那条路线，并将其作为最优路线。
S4224、根据医护人员到患者病房的最优路线计算出医护人员与患者病房的路线距离。
需要说明的是，将最优路线分解为一系列连续的直线段，对每一个直线段，使用其起始点和终止点的坐标数据来计算这一段的距离。一般来说，可以使用欧几里得距离公式进行计算，将所有直线段的长度相加，得到的总和就是医护人员到患者病房的最优路线的距离。
S423、根据计算的路线距离，采用逐级发送的方式将应急调度指令发送至医护人员进行应急护理。
具体的，将生成的应急调度指令发送至距离患者病房最近的医护人员，若距离最近的医护人员在预设的时间内未接受调度指令，则取消该医护人员的应急调度指令，并发送应急调度指令至距离患者病房第二近的医护人员，若距离患者病房第二近的医护人员在预设的时间内未接受调度指令，则取消该医护人员的应急调度指令，并发送应急调度指令至距离患者病房第三近的医护人员，以此类推，直到有医护人员接受应急调度指令并前往患者病房进行应急护理。
S43、当患者的需求状态为稳定状态时，则无需对医护人员进行调度。
具体的，能有效地根据患者的生理状态和护理计划进行实时调度，从而快速响应患者的需求状态，提高护理的即时性和准确性，根据医护人员的实时位置信息进行调度，可以更加合理有效地使用医疗资源，使医疗服务更加精准，避免了资源的浪费，如果患者的生理状态出现异常或到达护理计划的关键时间点，可以及时判断并执行应急护理指令，减少因延迟护理导致的病情恶化的风险，不仅提升了医护工作效率，还提高了护理质量。
S5、收集医护人员的护理反馈并根据患者生理状态调整护理计划。
需要说明的是，通过收集医护人员的反馈，这可以是口头反馈、书面反馈等，包括他们对患者病情的观察、护理措施的效果、是否有任何不良反应或副作用等各方面的信息。对比患者的生理状态和医护人员的反馈，分析患者的健康趋势。根据这些信息，讨论并决定是否需要调整护理计划，例如更改护理措施、调整给药方案、推荐物理疗法等。
综上，借助于本发明的上述技术方案，本发明通过预先部署在病房内的传感器设备能实时监测患者的生理数据，包括一些基础病状、血流动力学参数、呼吸频率或者呼吸模式等数据，可以帮助医护人员迅速了解患者的身体状况，通过根据患者的生理状态和制定的护理计划，实时调度医护人员，降低了医疗资源的浪费，提高了护理效率，通过收集和分析传感器设备监测的生理数据，能及时发现患者生理状态的异常，从而快速进行预警，避免病情的恶化，可以大大提高医护人员的护理品质，提高患者的治疗效果，缩短康复时间，提高患者的舒适度和满意度；本发明通过对生理数据进行经验模态分解，可以减少噪音和异常值的影响，增强数据的质量和后续分析的准确性，通过对患者的生理状态进行实时评估和比较，能迅速触发预警，提早发现患者的异常情况，帮助医护人员做出及时的反应，通过经验模态分解，可以得到生理数据的多种模态分量，通过分析这些模态分量，可以得到更多有关患者生理状态的信息，对于理解患者的身体状况和及时识别病情变化提供了有力的支持；本发明能有效地根据患者的生理状态和护理计划进行实时调度，从而快速响应患者的需求状态，提高护理的即时性和准确性，根据医护人员的实时位置信息进行调度，可以更加合理有效地使用医疗资源，使医疗服务更加精准，避免了资源的浪费，如果患者的生理状态出现异常或到达护理计划的关键时间点，可以及时判断并执行应急护理指令，减少因延迟护理导致的病情恶化的风险，不仅提升了医护工作效率，还提高了护理质量。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于物联网的重症监护病房患者智能护理方法，其特征在于，该基于物联网的重症监护病房患者智能护理方法包括以下步骤：
S1、获取病房患者的病情数据，制定相应的护理计划并进行实施；
S2、通过预先部署在病房内的传感器设备对患者的生理数据进行实时监测；
S3、收集传感器设备监测的生理数据进行分析和处理，确定患者的生理状态并分析是否发出预警；
S4、基于患者的生理状态和制定的护理计划判断患者的需求状态，并根据判断结果对医护人员进行实时调度；
S5、收集医护人员的护理反馈并根据患者生理状态调整护理计划；
所述基于患者的生理状态和制定的护理计划判断患者的需求状态，并根据判断结果对医护人员进行实时调度包括以下步骤：
S41、当出现患者的生理状态为非正常状态或到达护理计划中的护理时间点时，则判定患者的需求状态为应急状态，否则，则判定患者的需求状态为稳定状态；
S42、当患者的需求状态为应急状态时，则对医护人员进行调度，并指示该医护人员进行应急护理；
S43、当患者的需求状态为稳定状态时，则无需对医护人员进行调度；
所述当患者的需求状态为应急状态时，则对医护人员进行调度，并指示该医护人员进行应急护理包括以下步骤：
S421、当患者的需求状态为应急状态时，生成应急调度指令，并通过预设在医护人员身上的定位设备获取医护人员位置信息；
S422、获取患者病房的位置数据，并计算医护人员与患者病房的路线距离；
S423、根据计算的路线距离，采用逐级发送的方式将应急调度指令发送至医护人员进行应急护理；
所述获取患者病房的位置数据，并计算医护人员与患者病房的路线距离包括以下步骤：
S4221、收集住院病房的结构数据，并获取患者病房的位置数据；
S4222、根据医护人员定位设备的位置信息确定医护人员在住院病房的位置数据；
S4223、根据患者病房的位置数据和医护人员在住院病房的位置数据，计算出医护人员到患者病房的最优路线；
S4224、根据医护人员到患者病房的最优路线计算出医护人员与患者病房的路线距离；
所述根据患者病房的位置数据和医护人员在住院病房的位置数据，计算出医护人员到患者病房的最优路线包括以下步骤：
S42231、根据住院病房的结构数据建立住院病房模型；
S42232、将医护人员和患者病房的位置数据作为输入，分别标记为起点和终点；
S42233、将住院病房模型及标记的起点和终点输入到路径规划算法中，计算出所有的规划路线；
S42234、根据所有的规划路线，计算出医护人员到患者病房的最优路线。
2.根据权利要求1所述的一种基于物联网的重症监护病房患者智能护理方法，其特征在于，所述收集传感器设备监测的生理数据进行分析和处理，确定患者的生理状态并分析是否发出预警包括以下步骤：
S31、基于经验模态分解法对患者的生理数据进行预处理，并重构生理数据；
S32、对重构后的生理数据进行生理特征提取，并利用熵权法对提取的生理特征进行降维和归一化处理，得到归一化后的生理数据；
S33、通过参数优化算法优化支持向量机的参数，并建立患者生理状态评估模型；
S34、将提取的生理特征数据输入至患者生理状态评估模型中，得到患者的生理状态；
S35、若患者的生理状态低于预设的状态阈值，则表示患者处于非正常状态，发出预警并通知医护人员进行及时处理，否则，则表示患者处于正常状态，无需发出预警。
3.根据权利要求2所述的一种基于物联网的重症监护病房患者智能护理方法，其特征在于，所述基于经验模态分解法对患者的生理数据进行预处理，并重构生理数据包括以下步骤：
S311、对患者的生理数据进行经验模态分解，得到患者生理状态的IMF分量；
S312、计算各IMF分量的生理特征值，并将生理特征值小于预设阈值的IMF分量删除，得到有效的IMF分量；
S313、将有效的IMF分量进行重组，构成重构的生理数据。
4.根据权利要求3所述的一种基于物联网的重症监护病房患者智能护理方法，其特征在于，所述对患者的生理数据进行经验模态分解，得到患者生理状态的IMF分量包括以下步骤：
S3111、从患者的生理数据中选出所有的极大值和极小值，并通过在所有的极大值之间以及所有的极小值之间构建曲线，生成生理数据的上包络线和下包络线；
S3112、计算上包络线和下包络线的平均值，并从生理数据中减去上包络线和下包络线的平均值，得到新的调整数据；
S3113、检查新的生理数据是否满足预设的IMF条件，若不满足，则将新的调整数据作为生理数据，并返回步骤S3111，直至新的调整数据满足预设的IMF条件为止，若满足，则将新的调整数据作为生理数据的IMF分量；
S3114、从生理数据中减去新得到的IMF分量，并将剩下的部分作为新的生理数据；
S3115、对新的生理数据重复执行步骤S3111至步骤S3114，直至新的生理数据最终成为单调函数或无法再分解为止，得到患者生理状态的IMF分量。
5.根据权利要求4所述的一种基于物联网的重症监护病房患者智能护理方法，其特征在于，所述各IMF分量的生理特征值的计算公式为：
；
式中，K表示IMF分量的生理特征值；
r表示时间变量；
x(τ-r)表示生理数据x在时间τ-r处的值；
y(τ-r)表示时间长度极小的窗函数在时间τ-r处的值；
G表示复指数函数；
τ表示时间点；
dt表示微分符号；
<·>表示数学期望；
|·|表示模。
6.根据权利要求2所述的一种基于物联网的重症监护病房患者智能护理方法，其特征在于，所述通过参数优化算法优化支持向量机的参数，并建立患者生理状态评估模型包括以下步骤：
S331、将归一化后的生理数据作为训练数据；
S332、确定支持向量机中惩罚参数和核函数参数的取值范围；
S333、根据确定的参数范围，通过参数优化算法在参数空间中寻找最佳的参数组合；
S334、通过找到的最优参数组合，使用支持向量机算法进行训练，构建患者生理状态评估模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311556138.5A CN117275648B (zh) | 2023-11-21 | 2023-11-21 | 一种基于物联网的重症监护病房患者智能护理方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311556138.5A CN117275648B (zh) | 2023-11-21 | 2023-11-21 | 一种基于物联网的重症监护病房患者智能护理方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117275648A CN117275648A (zh) | 2023-12-22 |
| CN117275648B true CN117275648B (zh) | 2024-02-09 |
Family
ID=89201261
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311556138.5A Active CN117275648B (zh) | 2023-11-21 | 2023-11-21 | 一种基于物联网的重症监护病房患者智能护理方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117275648B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102499651A (zh) * | 2011-10-24 | 2012-06-20 | 华南理工大学 | 用于监护系统的报警方法 |
| CN103942452A (zh) * | 2014-05-07 | 2014-07-23 | 东南大学 | 一种基于物联网的重症监护病房患者智能家庭护理方法 |
| CN109473166A (zh) * | 2018-11-14 | 2019-03-15 | 山东中医药大学 | 一种基于多网融合的智能远程医疗护理系统及方法 |
| CN116978510A (zh) * | 2023-08-02 | 2023-10-31 | 郑州大学第一附属医院 | 一种居家脑卒中患者的护理分级评估系统 |
-
2023
- 2023-11-21 CN CN202311556138.5A patent/CN117275648B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102499651A (zh) * | 2011-10-24 | 2012-06-20 | 华南理工大学 | 用于监护系统的报警方法 |
| CN103942452A (zh) * | 2014-05-07 | 2014-07-23 | 东南大学 | 一种基于物联网的重症监护病房患者智能家庭护理方法 |
| CN109473166A (zh) * | 2018-11-14 | 2019-03-15 | 山东中医药大学 | 一种基于多网融合的智能远程医疗护理系统及方法 |
| CN116978510A (zh) * | 2023-08-02 | 2023-10-31 | 郑州大学第一附属医院 | 一种居家脑卒中患者的护理分级评估系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117275648A (zh) | 2023-12-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP6541738B2 (ja) | 急性肺損傷（ａｌｉ）について患者をモニタする装置及びその作動方法 | |
| KR101880678B1 (ko) | 기계학습을 통한 의료영상 판독 및 진단 통합 시스템 | |
| RU2679572C1 (ru) | Система поддержки принятия клинических решений на основе принятия решений по сортировке пациентов | |
| US20180107798A1 (en) | Method for aiding a diagnosis, program and apparatus | |
| JP2018524137A (ja) | 心理状態を評価するための方法およびシステム | |
| JP2012196484A (ja) | ヒトの健康に関する残差ベースの管理 | |
| CN103201743A (zh) | 患者疾病严重性、死亡率和住院时长的连续预测方法 | |
| US20170329918A1 (en) | Internet of things based monitoring and assessment platform | |
| US20220254492A1 (en) | System and method for automated detection of clinical outcome measures | |
| Agrawal et al. | Assistive framework for automatic detection of all the zones in retinopathy of prematurity using deep learning | |
| EP3591663A1 (en) | Computer aided diagnosis and monitoring of heart failure patients | |
| US20230248998A1 (en) | System and method for predicting diseases in its early phase using artificial intelligence | |
| Rehman et al. | Notice of Retraction: Infrared Sensing Based Non-Invasive Initial Diagnosis of Chronic Liver Disease Using Ensemble Learning | |
| Veena et al. | Remote monitoring system for the detection of prenatal risk in a pregnant woman | |
| Mohamed et al. | Analyzing the patient behavior for improving the medical treatment using smart healthcare and IoT-based deep belief network | |
| JP2013148996A (ja) | 重症度判定装置、及び、重症度判定方法 | |
| CN110575178B (zh) | 一种运动状态判断的诊断监控综合医疗系统及其判断方法 | |
| Singh et al. | Classification of first trimester ultrasound images using deep convolutional neural network | |
| CN111226287B (zh) | 用于分析医学成像数据集的方法、系统、程序产品和介质 | |
| Ahmetašević et al. | Using artificial neural network in diagnosis of polycystic ovary syndrome | |
| CN117275648B (zh) | 一种基于物联网的重症监护病房患者智能护理方法 | |
| US20160004818A1 (en) | Network system and method for controlling a computer tomograph | |
| KR101653502B1 (ko) | 미병 분류를 보조하는 컴퓨팅 장치 및 방법 | |
| US11842492B2 (en) | Cerebral hematoma volume analysis | |
| Shafiq et al. | Smart E-Health System for Heart Disease Detection Using Artificial Intelligence and Internet of Things Integrated Next-Generation Sensor Networks |
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 |