CN117373677A - 基于数字化医疗档案管理的智能健康监护系统 - Google Patents

基于数字化医疗档案管理的智能健康监护系统 Download PDF

Info

Publication number
CN117373677A
CN117373677A CN202311667900.7A CN202311667900A CN117373677A CN 117373677 A CN117373677 A CN 117373677A CN 202311667900 A CN202311667900 A CN 202311667900A CN 117373677 A CN117373677 A CN 117373677A
Authority
CN
China
Prior art keywords
data
iteration
diabetics
individual
curve
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.)
Granted
Application number
CN202311667900.7A
Other languages
English (en)
Other versions
CN117373677B (zh
Inventor
崔祥瑞
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Wenzhi Tcm Health Technology Co ltd
Original Assignee
Shenzhen Wenzhi Tcm Health Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shenzhen Wenzhi Tcm Health Technology Co ltd filed Critical Shenzhen Wenzhi Tcm Health Technology Co ltd
Priority to CN202311667900.7A priority Critical patent/CN117373677B/zh
Publication of CN117373677A publication Critical patent/CN117373677A/zh
Application granted granted Critical
Publication of CN117373677B publication Critical patent/CN117373677B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
    • 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
    • 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)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Physics & Mathematics (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

本发明涉及数据处理技术领域，具体涉及基于数字化医疗档案管理的智能健康监护系统，包括数据采集模块、数据第一特征获取模块、获取最优迭代次数模块和数据规划模块，用以获取医院中所有糖尿病患者的医疗档案数据；获取每个糖尿病患者的照护需求度；根据每个聚簇中每个糖尿病患者的照护需求度与所在聚簇的所有糖尿病患者的照护需求度均值的差异，获取每次迭代数据的聚类结果集中度；根据每次迭代数据中每个聚簇与其它聚簇之间的差异度，获取每次迭代数据的聚类结果合理度；进而获取最优聚类迭代次数；根据最优聚类迭代次数，对医院中所有糖尿病患者安排监护等级。本发明在迭代自组织聚类算法的聚类过程中自适应确定最优迭代次数。

Description

基于数字化医疗档案管理的智能健康监护系统
技术领域
本发明涉及数据处理技术领域，具体涉及基于数字化医疗档案管理的智能健康监护系统。
背景技术
随着人们对健康问题的重视程度不断提高，对医疗服务的需求也在不断增加。基于数字化医疗档案管理的智能健康监护系统可以满足人们对个性化、精准化医疗服务的需求，因此有着广阔的市场前景；通常在医院中，不同患者照护等级通常是不同的。照护等级通常是根据患者的病情、健康状况等因素评估后确定的，因此医院通常根据每个患者的具体情况，制定个性化的照护计划，以确保患者得到最适合他们的照护，所以需要根据历史的患者医疗档案数据进行聚类，将相似病情的患者聚为一类，后续根据聚类结果对不同类簇中的患者安排合适的照护。
迭代自组织聚类(ISODATA)算法是现有常用聚类方法，它通常有一个迭代次数的参数，并且迭代次数通常是人为根据经验设定的。但是如果迭代次数过少，可能会导致聚类结果不稳定，无法达到理想的聚类效果；如果迭代次数过多，可能会导致计算时间过长，甚至会导致过拟合，使得聚类结果不准确。
发明内容
本发明提供基于数字化医疗档案管理的智能健康监护系统，以解决现有的问题。
本发明的基于数字化医疗档案管理的智能健康监护系统采用如下技术方案：
包括以下模块：
数据采集模块，用于获取医院中所有糖尿病患者的医疗档案数据，每个糖尿病患者的医疗档案数据包含每个糖尿病患者的体征测量数据；
数据第一特征获取模块，用于通过迭代自组织聚类算法对所有糖尿病患者的体征测量数据进行若干次聚类，获得若干次迭代数据，每次迭代数据包括若干个聚簇，每个聚簇包括若干个糖尿病患者的体征测量数据；根据每个糖尿病患者的体征测量数据，获取每个糖尿病患者的照护需求度；根据每次迭代数据的每个聚簇中每个糖尿病患者的照护需求度与所在聚簇的所有糖尿病患者的照护需求度均值的差异，获取每次迭代数据的聚类结果集中度；
获取最优迭代次数模块，用于根据每次迭代数据的每个聚簇中糖尿病患者的照护需求度与其他聚簇的糖尿病患者的照护需求度的差异，获取每次迭代数据中每个聚簇与其它聚簇之间的差异度；根据每次迭代数据的聚类结果集中度和每次迭代数据中所有个聚簇与其它聚簇之间的差异度，获取每次迭代数据的聚类结果合理度；根据每次迭代数据聚类结果合理度，获取医院中所有糖尿病患者的体征检测数据的最优聚类迭代次数；
数据规划模块，用于将最优聚类迭代次数对应的迭代数据作为最优聚类结果，根据最优聚类结果对医院中所有糖尿病患者安排监护等级。
优选的，所述根据每个糖尿病患者的体征测量数据，获取每个糖尿病患者的照护需求度，包括的具体方法为：
根据每个糖尿病患者的体征测量数据，获取每个糖尿病患者的血糖波动曲线、高血压波动曲线和低血压波动曲线的所有极值点；根据每个糖尿病患者的高血压波动曲线和低血压波动曲线的极值点与高血压波动曲线和低血压波动曲线的整体数据值差异，获取每个糖尿病患者的并发症高血压数据的变化程度；
将第个糖尿病患者的血糖波动曲线中所有两两相邻的极值点进行连接，获得第/>个糖尿病患者的血糖波动曲线的所有曲线段；则第/>次迭代数据中第/>个聚簇中第/>个糖尿病患者的照护需求度的计算方法为：
式中，表示第/>次迭代数据中第/>个聚簇中第/>个糖尿病患者的照护需求度；表示第/>次迭代数据中第/>个聚簇中第/>个糖尿病患者的血糖波动曲线的所有曲线段总数量；/>表示第/>次迭代数据中第/>个聚簇中第/>个糖尿病患者的血糖波动曲线的第/>个曲线段的斜率；/>表示第/>次迭代数据中第/>个聚簇中第/>个糖尿病患者的并发症高血压数据的变化程度；/>表示取绝对值；/>表示向上取整符号。
优选的，所述根据每个糖尿病患者的体征测量数据，获取每个糖尿病患者的血糖波动曲线、高血压波动曲线和低血压波动曲线的所有极值点，包括的具体方法为：
对于第次迭代数据中第/>个聚簇中第/>个糖尿病患者的体征测量数据，将第/>个糖尿病患者的体征测量数据中所有次血糖测量数据通过最小二乘法进行拟合，获得第/>个糖尿病患者的血糖波动曲线；将第/>个糖尿病患者的体征测量数据中所有次高血压测量数据通过最小二乘法进行拟合，获得第/>个糖尿病患者的高血压波动曲线；将第/>个糖尿病患者的体征测量数据中所有次低血压测量数据通过最小二乘法进行拟合，获得第/>个糖尿病患者的低血压波动曲线；进而获取每次迭代数据中每个聚簇中每个糖尿病患者的血糖波动曲线、高血压波动曲线和低血压波动曲线；对第/>个糖尿病患者的血糖波动曲线、高血压波动曲线和低血压波动曲线进行牛顿法，获得第/>个糖尿病患者的血糖波动曲线、高血压波动曲线和低血压波动曲线的所有极值点。
优选的，所述根据每个糖尿病患者的高血压波动曲线和低血压波动曲线的极值点与高血压波动曲线和低血压波动曲线的整体数据值差异，获取每个糖尿病患者的并发症高血压数据的变化程度，包括的具体方法为：
将第个糖尿病患者的高血压波动曲线中所有极大值点的数据均值与高血压波动曲线中所有数据的均值的差值绝对值，作为第/>个糖尿病患者的高血压波动曲线的极值整体差异性；将第/>个糖尿病患者的低血压波动曲线中所有极大值点的数据均值与低血压波动曲线中所有数据的均值的差值绝对值，作为第/>个糖尿病患者的低血压波动曲线的极值整体差异性；则第/>次迭代数据中第/>个聚簇中第/>个糖尿病患者的并发症高血压数据的变化程度的计算方法为：
式中，表示第/>次迭代数据中第/>个聚簇中第/>个糖尿病患者的并发症高血压数据的变化程度；/>表示第/>次迭代数据中第/>个聚簇中第/>个糖尿病患者的高血压波动曲线中所有数据的均值；/>表示第/>次迭代数据中第/>个聚簇中第/>个糖尿病患者的高血压波动曲线的极值整体差异性；/>表示第/>次迭代数据中第/>个聚簇中第/>个糖尿病患者的低血压波动曲线中所有数据的均值；/>表示第/>次迭代数据中第/>个聚簇中第/>个糖尿病患者的低血压波动曲线的极值整体差异性；/>为预设参数。
优选的，所述根据每次迭代数据的每个聚簇中每个糖尿病患者的照护需求度与所在聚簇的所有糖尿病患者的照护需求度均值的差异，获取每次迭代数据的聚类结果集中度，包括的具体方法为：
根据每个糖尿病患者的照护需求度与所在聚簇的所有糖尿病患者的照护需求度均值的差异，获取每个糖尿病患者的与所在聚簇所有患者的体征测量数据的相似度；根据每次迭代数据中每个聚簇中每个糖尿病患者的与所在聚簇所有患者的体征测量数据的相似度进行拟合，获取每次迭代数据的聚类结果集中度；
通过最小二乘法对第次迭代数据中第/>个聚簇中所有糖尿病患者的与所在聚簇中所有患者的体征测量数据的相似度进行拟合，获得第/>次迭代数据中第/>个聚簇的相似度曲线，对第/>个聚簇的相似度曲线进行牛顿法，获得第/>个聚簇的相似度曲线的所有极值点，将第/>个聚簇的相似度曲线中所有两两相邻的极值点进行连接，获得第/>个聚簇的相似度曲线的所有曲线段，将第/>个聚簇的相似度曲线的所有曲线段的斜率均值，作为第/>个聚簇的患者医疗档案数据集中度，进而获取第/>次迭代数据中所有聚簇的患者医疗档案数据集中度；将第/>次迭代数据中所有聚簇的患者医疗档案数据集中度的均值，作为第/>次迭代数据的聚类结果集中度。
优选的，所述根据每个糖尿病患者的照护需求度与所在聚簇的所有糖尿病患者的照护需求度均值的差异，获取每个糖尿病患者的与所在聚簇所有患者的体征测量数据的相似度的具体公式为：
式中，表示第/>次迭代数据中第/>个聚簇中第/>个糖尿病患者的与所在聚簇所有患者的体征测量数据的相似度；/>表示第/>次迭代数据中第/>个聚簇中第/>个糖尿病患者的照护需求度；/>表示第/>次迭代数据中第/>个聚簇中所有糖尿病患者的总数量；/>表示第/>次迭代数据中第/>个聚簇中第/>个糖尿病患者的照护需求度；/>表示取绝对值。
优选的，所述根据每次迭代数据的每个聚簇中糖尿病患者的照护需求度与其他聚簇的糖尿病患者的照护需求度的差异，获取每次迭代数据中每个聚簇与其它聚簇之间的差异度的具体公式为：
式中，表示第/>次迭代数据中第/>个聚簇与其它聚簇之间的差异度；/>表示第/>次迭代数据中所有聚簇的总数量；/>表示第/>次迭代数据中第/>个聚簇中所有糖尿病患者的照护需求度的最大值；/>表示第/>次迭代数据中第/>个聚簇中所有糖尿病患者的照护需求度的最大值；/>表示第/>次迭代数据中第/>个聚簇中所有糖尿病患者的照护需求度的均值；/>表示第/>次迭代数据中第/>个聚簇中所有糖尿病患者的照护需求度的均值；/>表示取绝对值。
优选的，所述根据每次迭代数据的聚类结果集中度和每次迭代数据中所有个聚簇与其它聚簇之间的差异度，获取每次迭代数据的聚类结果合理度的具体公式为：
式中，表示第/>次迭代数据的聚类结果合理度；/>表示第/>次迭代数据的聚类结果集中度；/>表示第/>次迭代数据中所有个聚簇与其它聚簇之间的差异度的均值。
优选的，所述根据每次迭代数据聚类结果合理度，获取医院中所有糖尿病患者的体征检测数据的最优聚类迭代次数，包括的具体方法为：
根据每次迭代数据与左右相邻次迭代数据的聚类结果合理度差值，获取每次迭代数据的优选程度；
将所有次迭代数据的优选程度组成迭代次数序列，从左向右进行遍历迭代次数序列时，若第一次出现负值是第次迭代数据的优选程度，则将第/>次迭代作为医院中所有糖尿病患者的体征测量数据的最优聚类迭代次数。
优选的，所述根据每次迭代数据与左右相邻次迭代数据的聚类结果合理度差值，获取每次迭代数据的优选程度，包括的具体方法为：
将第次迭代数据的聚类结果合理度与第/>次迭代数据的聚类结果合理度的差值记为第一差值，将第/>次迭代数据的聚类结果合理度与第/>次迭代数据的聚类结果合理度的差值记为第二差值，将第一差值和第二差值的乘积作为第/>次迭代数据的优选程度。
本发明的技术方案的有益效果是：本发明根据每次迭代数据的聚类结果集中度和每次迭代数据中所有个聚簇与其它聚簇之间的差异度，获取每次迭代数据的聚类结果合理度；根据每次迭代数据聚类结果合理度，获取最优聚类迭代次数；相比于现有方法，本发明可以在迭代自组织聚类算法的聚类过程中自适应确定最优迭代次数，进而减少了计算时间，防止过拟合，使得得到的聚类结果稳定和准确，以此达到理想的聚类效果。
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，下面将对实施例或现有技术描述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为本发明基于数字化医疗档案管理的智能健康监护系统的结构框图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的基于数字化医疗档案管理的智能健康监护系统，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的基于数字化医疗档案管理的智能健康监护系统的具体方案。
请参阅图1，其示出了本发明一个实施例提供的基于数字化医疗档案管理的智能健康监护系统的结构框图，该系统包括以下模块：
数据采集模块，用以获取医院中所有糖尿病患者的医疗档案数据。
需要说明的是，医院中每个患者都会有一个数字化医疗档案数据，对于同一种类型病情的患者比如糖尿病患者，糖尿病患者病情的严重程度不同需要的照护等级通常也是不同的；患者的数字化医疗档案是将传统的纸质住院病历转换为电子形式的住院病历档案。患者病历数字化档案主要提高了病历的管理效率，减少了病历的丢失和损坏风险，方便了病历的检索和利用，有利于病历的安全保管，有利于病历的共享和交流，有利于病历的研究和利用。
为了实现本实施例提出的基于数字化医疗档案管理的智能健康监护系统，首先需要采集医院中所有糖尿病患者的医疗档案数据，具体过程为：
在本实施例以医院中糖尿病患者的医疗档案数据为例。获取所有糖尿病患者的医疗档案数据。其中，糖尿病患者的医疗档案数据中包含糖尿病患者的基本信息，基本信息包含性别、年龄、联系方式等基础信息；还包含了糖尿病患者在住院过程中的血糖测量数据、高血压测量数据和低血压测量数据，将糖尿病患者在住院过程中的血糖测量数据、高血压测量数据和低血压测量数据作为糖尿病患者的体征测量数据。其中，每种测量数据是每隔1小时采集一次。
至此，通过上述方法得到医院中所有糖尿病患者的医疗档案数据。
数据第一特征获取模块，用以根据每个糖尿病患者的体征测量数据，获取每个糖尿病患者的照护需求度；根据每次迭代数据的每个聚簇中每个糖尿病患者的照护需求度与所在聚簇的所有糖尿病患者的照护需求度均值的差异，获取每次迭代数据的聚类结果集中度。
需要说明的是，通常在医院中，不同患者照护等级通常是不同的。照护等级通常是根据患者的病情、健康状况等因素评估后确定的。因此医院通常根据每个患者的具体情况，制定个性化的照护计划，以确保患者得到最适合他们的照护。因此需要根据历史的患者医疗档案数据进行迭代自组织聚类算法算法聚类，将相似病情的患者聚为一类。后续根据聚类结果对不同类簇中的患者安排合适的照护。
具体的，通过迭代自组织聚类算法算法聚类对医院中所有糖尿病患者的医疗档案数据中的体征测量数据进行若干次聚类，获得若干次迭代数据，每次迭代数据包括若干个聚簇，每个聚簇包括若干个糖尿病患者的体征测量数据。
1.获取每次迭代数据中每个聚簇中每个糖尿病患者的血糖波动曲线、高血压波动曲线和低血压波动曲线的所有极值点。
对于第次迭代数据中第/>个聚簇中第/>个糖尿病患者的体征测量数据，将第/>个糖尿病患者的体征测量数据中所有次血糖测量数据通过最小二乘法进行拟合，获得第/>个糖尿病患者的血糖波动曲线；将第/>个糖尿病患者的体征测量数据中所有次高血压测量数据通过最小二乘法进行拟合，获得第/>个糖尿病患者的高血压波动曲线；将第/>个糖尿病患者的体征测量数据中所有次低血压测量数据通过最小二乘法进行拟合，获得第/>个糖尿病患者的低血压波动曲线；进而获取每次迭代数据中每个聚簇中每个糖尿病患者的血糖波动曲线、高血压波动曲线和低血压波动曲线；对第/>个糖尿病患者的血糖波动曲线、高血压波动曲线和低血压波动曲线进行牛顿法，获得第/>个糖尿病患者的血糖波动曲线、高血压波动曲线和低血压波动曲线的所有极值点；其中，最小二乘法和牛顿法为现有技术，本实施例在此处不作过多赘述。
至此，获得每次迭代数据中每个聚簇中每个糖尿病患者的血糖波动曲线、高血压波动曲线和低血压波动曲线的所有极值点。
2.获取每次迭代数据中每个聚簇中每个糖尿病患者的并发症高血压数据的变化程度。
需要说明的是，在任意一个糖尿病患者的高血压波动曲线中，若所述糖尿病患者的高血压波动曲线的所有极大值与整体数据之间的差异性越大，则所述糖尿病患者的高血压数据越异常；若所述糖尿病患者的高血压波动曲线的所有次高血压测量数据均值越大，则所述糖尿病患者的高血压数据越正常；若所述糖尿病患者的低血压波动曲线的所有极大值与整体数据之间的差异性越大，则所述糖尿病患者的低血压数据越异常；若所述糖尿病患者的低血压波动曲线的所有次低血压测量数据均值越大，则所述糖尿病患者的低血压数据越正常。
预设一个参数，其中本实施例以/>为例进行叙述，本实施例不进行具体限定，其中/>根据具体实施情况而定。
具体的，对于第次迭代数据中第/>个聚簇中第/>个糖尿病患者的体征测量数据，将第/>个糖尿病患者的高血压波动曲线中所有极大值点的数据均值与高血压波动曲线中所有数据的均值的差值绝对值，作为第/>个糖尿病患者的高血压波动曲线的极值整体差异性；将第/>个糖尿病患者的低血压波动曲线中所有极大值点的数据均值与低血压波动曲线中所有数据的均值的差值绝对值，作为第/>个糖尿病患者的低血压波动曲线的极值整体差异性；则第/>次迭代数据中第/>个聚簇中第/>个糖尿病患者的并发症高血压数据的变化程度的计算方法为：
式中，表示第/>次迭代数据中第/>个聚簇中第/>个糖尿病患者的并发症高血压数据的变化程度；/>表示第/>次迭代数据中第/>个聚簇中第/>个糖尿病患者的高血压波动曲线中所有数据的均值；/>表示第/>次迭代数据中第/>个聚簇中第/>个糖尿病患者的高血压波动曲线的极值整体差异性；/>表示第/>次迭代数据中第/>个聚簇中第/>个糖尿病患者的低血压波动曲线中所有数据的均值；/>表示第/>次迭代数据中第/>个聚簇中第/>个糖尿病患者的低血压波动曲线的极值整体差异性；/>为预设参数。
至此，获得每次迭代数据中每个聚簇中每个糖尿病患者的并发症高血压数据的变化程度。
3.获取每次迭代数据中每个聚簇中每个糖尿病患者的照护需求度。
需要说明的是，由于要计算患者后续的照护需求度，所以需要判断患者的病情是否有好转的迹象，若患者治疗期数据与恢复期数据差异越大，则表示患者血糖恢复情况越好，所需的照护需求度越小；患者的并发症高血压数据的变化程度越大，所需的照护需求度越打。
具体的，对于第次迭代数据中第/>个聚簇中第/>个糖尿病患者的体征测量数据，将第/>个糖尿病患者的血糖波动曲线中所有两两相邻的极值点进行连接，获得第/>个糖尿病患者的血糖波动曲线的所有曲线段；则第/>次迭代数据中第/>个聚簇中第/>个糖尿病患者的照护需求度的计算方法为：
式中，表示第/>次迭代数据中第/>个聚簇中第/>个糖尿病患者的照护需求度；表示第/>次迭代数据中第/>个聚簇中第/>个糖尿病患者的血糖波动曲线的所有曲线段总数量；/>表示第/>次迭代数据中第/>个聚簇中第/>个糖尿病患者的血糖波动曲线的第/>个曲线段的斜率；/>表示第/>次迭代数据中第/>个聚簇中第/>个糖尿病患者的并发症高血压数据的变化程度；/>表示取绝对值；/>表示向上取整符号。
需要说明的是，将患者的血糖波动曲线的第一个曲线段到所有曲线段的一半，这段时间作为患者治疗期，将患者的血糖波动曲线的所有曲线段的一半到最后一个曲线段，这段时间作为患者恢复期。
至此，获得每次迭代数据中每个聚簇中每个糖尿病患者的照护需求度。
4.获取每次迭代数据中每个聚簇中每个糖尿病患者的与所在聚簇所有患者的体征测量数据的相似度。
需要说明的是，在迭代自组织聚类算法算法的聚类过程中，每一次迭代过程中都包含簇的分裂或者合并操作。所以不同迭代过程中每一簇内数据之间的相似度都是不同的。因此可以通过对比不同迭代过程中每一簇内数据之间的相似度来确定迭代操作的有效性；患者的照护需求度与所在聚簇中所有患者的照护需求度之和的差异越大，则患者与该聚簇整体患者数据的相似度越低。
具体的，根据第次迭代数据中第/>个聚簇中第/>个糖尿病患者的照护需求度，获取第/>次迭代数据中第/>个聚簇中第/>个糖尿病患者的与所在聚簇所有患者的体征测量数据的相似度的计算表达式为：
式中，表示第/>次迭代数据中第/>个聚簇中第/>个糖尿病患者的与所在聚簇所有患者的体征测量数据的相似度；/>表示第/>次迭代数据中第/>个聚簇中第/>个糖尿病患者的照护需求度；/>表示第/>次迭代数据中第/>个聚簇中所有糖尿病患者的总数量；/>表示第/>次迭代数据中第/>个聚簇中第/>个糖尿病患者的照护需求度；/>表示取绝对值。
至此，获得每次迭代数据中每个聚簇中每个糖尿病患者的与所在聚簇所有患者的体征测量数据的相似度。
5.获取每次迭代数据的聚类结果集中度。
具体的，对于第次迭代数据，通过最小二乘法对第/>次迭代数据中第/>个聚簇中所有糖尿病患者的与所在聚簇中所有患者的体征测量数据的相似度进行拟合，获得第/>次迭代数据中第/>个聚簇的相似度曲线，对第/>个聚簇的相似度曲线进行牛顿法，获得第/>个聚簇的相似度曲线的所有极值点，将第/>个聚簇的相似度曲线中所有两两相邻的极值点进行连接，获得第/>个聚簇的相似度曲线的所有曲线段，将第/>个聚簇的相似度曲线的所有曲线段的斜率均值，作为第/>个聚簇的患者医疗档案数据集中度，进而获取第/>次迭代数据中所有聚簇的患者医疗档案数据集中度；将第/>次迭代数据中所有聚簇的患者医疗档案数据集中度的均值，作为第/>次迭代数据的聚类结果集中度。
至此，获得每次迭代数据的聚类结果集中度。
获取最优迭代次数模块，用以根据每次迭代数据中每个聚簇与其它聚簇之间的差异度，获取每次迭代数据的聚类结果合理度；进而获取最优聚类迭代次数。
1.获取每次迭代数据中每个聚簇与其它聚簇之间的差异度。
需要说明的是，每一次迭代过程中聚类结果的好坏不仅在簇内数据之间的相似性中体现，而且在不同簇之间的差异度中也会得到体现。不同簇数据之间的差异度越大，表示聚类结果越好；对于任意一个聚簇，所述聚簇中最大患者的照护需求度与其他聚簇中最大患者的照护需求度的差值越大，则所述聚簇与其它聚簇之间的差异度越小，所述聚簇中患者的照护需求度均值与其他聚簇中患者的照护需求度均值的差值越大，则所述聚簇与其它聚簇之间的差异度越小。
具体的，第次迭代数据中第/>个聚簇与其它聚簇之间的差异度的计算表达式为：
式中，表示第/>次迭代数据中第/>个聚簇与其它聚簇之间的差异度；/>表示第/>次迭代数据中所有聚簇的总数量；/>表示第/>次迭代数据中第/>个聚簇中所有糖尿病患者的照护需求度的最大值；/>表示第/>次迭代数据中第/>个聚簇中所有糖尿病患者的照护需求度的最大值；/>表示第/>次迭代数据中第/>个聚簇中所有糖尿病患者的照护需求度的均值；/>表示第/>次迭代数据中第/>个聚簇中所有糖尿病患者的照护需求度的均值；/>表示取绝对值。
至此，获得每次迭代数据中每个聚簇与其它聚簇之间的差异度。
2.获取医院中所有糖尿病患者的体征测量数据的最优聚类迭代次数。
需要说明的是，根据上述获得每次迭代条件下簇内数据之间的相似度以及不同簇数据之间的差异度来确定最优的迭代次数。
具体的，第次迭代数据的聚类结果合理度的计算方法为：
式中，表示第/>次迭代数据的聚类结果合理度；/>表示第/>次迭代数据的聚类结果集中度；/>表示第/>次迭代数据中所有个聚簇与其它聚簇之间的差异度的均值。
进一步，根据第次迭代数据的聚类结果合理度，获取第/>次迭代数据的优选程度的计算方法为：
式中，表示第/>次迭代数据的优选程度；/>表示第/>次迭代数据的聚类结果合理度；表示第/>次迭代数据的聚类结果合理度；/>表示第/>次迭代数据的聚类结果合理度。
需要说明的是，通常在算法刚开始迭代过程中的值是较小的，随着迭代次数的增加/>的值逐渐增大。/>表示第/>次迭代过程的合理度和第/>次迭代过程的合理度的差值。/>第/>次迭代过程的合理度和第/>次迭代过程的合理度的差值；当/>的值第一次为负值时，表示聚类结果开始出现了负反馈。所以第/>次聚类结果是最优的迭代次数。
具体的，将所有次迭代数据的优选程度组成迭代次数序列，从左向右进行遍历迭代次数序列时，若第一次出现负值是第次迭代数据的优选程度，则将第/>次迭代作为医院中所有糖尿病患者的体征测量数据的最优聚类迭代次数。
至此，通过上述方法得到医院中所有糖尿病患者的体征测量数据的最优聚类迭代次数。
数据规划模块，用以根据最优聚类迭代次数，对医院中所有糖尿病患者安排监护等级。
具体的，将医院中所有糖尿病患者的体征测量数据的最优聚类迭代次数对应的迭代数据，作为最优聚类结果，将最优聚类结果中每个聚簇中所有糖尿病患者的照护需求度的均值，作为所述聚簇的患者照护需求度，将最优聚类结果中所有聚簇按照每个聚簇的患者照护需求度从大到小的顺序进行排序，获得最优聚类结果的聚簇患者照护需求序列，将聚簇患者照护需求序列中前50%的聚簇中所有糖尿病患者安排高等级监护策略，将聚簇患者照护需求序列中后50%的聚簇中所有糖尿病患者安排正常等级监护策略。
至此，本实施例完成。
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 (10)

1.基于数字化医疗档案管理的智能健康监护系统，其特征在于，该系统包括以下模块：
数据采集模块，用于获取医院中所有糖尿病患者的医疗档案数据，每个糖尿病患者的医疗档案数据包含每个糖尿病患者的体征测量数据；
数据第一特征获取模块，用于通过迭代自组织聚类算法对所有糖尿病患者的体征测量数据进行若干次聚类，得到若干次迭代数据，每次迭代数据包括若干个聚簇，每个聚簇包括若干个糖尿病患者的体征测量数据；根据每个糖尿病患者的体征测量数据，获取每个糖尿病患者的照护需求度；根据每次迭代数据的每个聚簇中每个糖尿病患者的照护需求度与所在聚簇的所有糖尿病患者的照护需求度均值的差异，获取每次迭代数据的聚类结果集中度；
获取最优迭代次数模块，用于根据每次迭代数据的每个聚簇中糖尿病患者的照护需求度与其他聚簇的糖尿病患者的照护需求度的差异，获取每次迭代数据中每个聚簇与其它聚簇之间的差异度；根据每次迭代数据的聚类结果集中度和每次迭代数据中所有个聚簇与其它聚簇之间的差异度，获取每次迭代数据的聚类结果合理度；根据每次迭代数据聚类结果合理度，获取医院中所有糖尿病患者的体征检测数据的最优聚类迭代次数；
数据规划模块，用于将最优聚类迭代次数对应的迭代数据作为最优聚类结果，根据最优聚类结果对医院中所有糖尿病患者安排监护等级。
2.根据权利要求1所述基于数字化医疗档案管理的智能健康监护系统，其特征在于，所述根据每个糖尿病患者的体征测量数据，获取每个糖尿病患者的照护需求度，包括的具体方法为：
根据每个糖尿病患者的体征测量数据，获取每个糖尿病患者的血糖波动曲线、高血压波动曲线和低血压波动曲线的所有极值点；根据每个糖尿病患者的高血压波动曲线和低血压波动曲线的极值点与高血压波动曲线和低血压波动曲线的整体数据值差异，获取每个糖尿病患者的并发症高血压数据的变化程度；
将第个糖尿病患者的血糖波动曲线中所有两两相邻的极值点进行连接，获得第/>个糖尿病患者的血糖波动曲线的所有曲线段；则第/>次迭代数据中第/>个聚簇中第/>个糖尿病患者的照护需求度的计算方法为：/>式中，/>表示第/>次迭代数据中第/>个聚簇中第/>个糖尿病患者的照护需求度；/>表示第/>次迭代数据中第/>个聚簇中第/>个糖尿病患者的血糖波动曲线的所有曲线段总数量；表示第/>次迭代数据中第/>个聚簇中第/>个糖尿病患者的血糖波动曲线的第/>个曲线段的斜率；/>表示第/>次迭代数据中第/>个聚簇中第/>个糖尿病患者的并发症高血压数据的变化程度；/>表示取绝对值；/>表示向上取整符号。
3.根据权利要求2所述基于数字化医疗档案管理的智能健康监护系统，其特征在于，所述根据每个糖尿病患者的体征测量数据，获取每个糖尿病患者的血糖波动曲线、高血压波动曲线和低血压波动曲线的所有极值点，包括的具体方法为：
对于第次迭代数据中第/>个聚簇中第/>个糖尿病患者的体征测量数据，将第/>个糖尿病患者的体征测量数据中所有次血糖测量数据通过最小二乘法进行拟合，获得第/>个糖尿病患者的血糖波动曲线；将第/>个糖尿病患者的体征测量数据中所有次高血压测量数据通过最小二乘法进行拟合，获得第/>个糖尿病患者的高血压波动曲线；将第/>个糖尿病患者的体征测量数据中所有次低血压测量数据通过最小二乘法进行拟合，获得第/>个糖尿病患者的低血压波动曲线；进而获取每次迭代数据中每个聚簇中每个糖尿病患者的血糖波动曲线、高血压波动曲线和低血压波动曲线；对第/>个糖尿病患者的血糖波动曲线、高血压波动曲线和低血压波动曲线进行牛顿法，获得第/>个糖尿病患者的血糖波动曲线、高血压波动曲线和低血压波动曲线的所有极值点。
4.根据权利要求2所述基于数字化医疗档案管理的智能健康监护系统，其特征在于，所述根据每个糖尿病患者的高血压波动曲线和低血压波动曲线的极值点与高血压波动曲线和低血压波动曲线的整体数据值差异，获取每个糖尿病患者的并发症高血压数据的变化程度，包括的具体方法为：
将第个糖尿病患者的高血压波动曲线中所有极大值点的数据均值与高血压波动曲线中所有数据的均值的差值绝对值，作为第/>个糖尿病患者的高血压波动曲线的极值整体差异性；将第/>个糖尿病患者的低血压波动曲线中所有极大值点的数据均值与低血压波动曲线中所有数据的均值的差值绝对值，作为第/>个糖尿病患者的低血压波动曲线的极值整体差异性；则第/>次迭代数据中第/>个聚簇中第/>个糖尿病患者的并发症高血压数据的变化程度的计算方法为：/>式中，/>表示第/>次迭代数据中第/>个聚簇中第/>个糖尿病患者的并发症高血压数据的变化程度；/>表示第/>次迭代数据中第/>个聚簇中第/>个糖尿病患者的高血压波动曲线中所有数据的均值；/>表示第/>次迭代数据中第/>个聚簇中第/>个糖尿病患者的高血压波动曲线的极值整体差异性；表示第/>次迭代数据中第/>个聚簇中第/>个糖尿病患者的低血压波动曲线中所有数据的均值；/>表示第/>次迭代数据中第/>个聚簇中第/>个糖尿病患者的低血压波动曲线的极值整体差异性；/>为预设参数。
5.根据权利要求1所述基于数字化医疗档案管理的智能健康监护系统，其特征在于，所述根据每次迭代数据的每个聚簇中每个糖尿病患者的照护需求度与所在聚簇的所有糖尿病患者的照护需求度均值的差异，获取每次迭代数据的聚类结果集中度，包括的具体方法为：
根据每个糖尿病患者的照护需求度与所在聚簇的所有糖尿病患者的照护需求度均值的差异，获取每个糖尿病患者的与所在聚簇所有患者的体征测量数据的相似度；根据每次迭代数据中每个聚簇中每个糖尿病患者的与所在聚簇所有患者的体征测量数据的相似度进行拟合，获取每次迭代数据的聚类结果集中度；
通过最小二乘法对第次迭代数据中第/>个聚簇中所有糖尿病患者的与所在聚簇中所有患者的体征测量数据的相似度进行拟合，获得第/>次迭代数据中第/>个聚簇的相似度曲线，对第/>个聚簇的相似度曲线进行牛顿法，获得第/>个聚簇的相似度曲线的所有极值点，将第/>个聚簇的相似度曲线中所有两两相邻的极值点进行连接，获得第/>个聚簇的相似度曲线的所有曲线段，将第/>个聚簇的相似度曲线的所有曲线段的斜率均值，作为第/>个聚簇的患者医疗档案数据集中度，进而获取第/>次迭代数据中所有聚簇的患者医疗档案数据集中度；将第/>次迭代数据中所有聚簇的患者医疗档案数据集中度的均值，作为第/>次迭代数据的聚类结果集中度。
6.根据权利要求5所述基于数字化医疗档案管理的智能健康监护系统，其特征在于，所述根据每个糖尿病患者的照护需求度与所在聚簇的所有糖尿病患者的照护需求度均值的差异，获取每个糖尿病患者的与所在聚簇所有患者的体征测量数据的相似度的具体公式为：式中，/>表示第/>次迭代数据中第/>个聚簇中第/>个糖尿病患者的与所在聚簇所有患者的体征测量数据的相似度；/>表示第/>次迭代数据中第/>个聚簇中第/>个糖尿病患者的照护需求度；/>表示第/>次迭代数据中第/>个聚簇中所有糖尿病患者的总数量；/>表示第/>次迭代数据中第/>个聚簇中第/>个糖尿病患者的照护需求度；/>表示取绝对值。
7.根据权利要求1所述基于数字化医疗档案管理的智能健康监护系统，其特征在于，所述根据每次迭代数据的每个聚簇中糖尿病患者的照护需求度与其他聚簇的糖尿病患者的照护需求度的差异，获取每次迭代数据中每个聚簇与其它聚簇之间的差异度的具体公式为：式中，/>表示第/>次迭代数据中第/>个聚簇与其它聚簇之间的差异度；/>表示第/>次迭代数据中所有聚簇的总数量；/>表示第/>次迭代数据中第/>个聚簇中所有糖尿病患者的照护需求度的最大值；/>表示第/>次迭代数据中第/>个聚簇中所有糖尿病患者的照护需求度的最大值；/>表示第/>次迭代数据中第/>个聚簇中所有糖尿病患者的照护需求度的均值；/>表示第/>次迭代数据中第/>个聚簇中所有糖尿病患者的照护需求度的均值；/>表示取绝对值。
8.根据权利要求1所述基于数字化医疗档案管理的智能健康监护系统，其特征在于，所述根据每次迭代数据的聚类结果集中度和每次迭代数据中所有个聚簇与其它聚簇之间的差异度，获取每次迭代数据的聚类结果合理度的具体公式为：式中，/>表示第/>次迭代数据的聚类结果合理度；/>表示第/>次迭代数据的聚类结果集中度；/>表示第/>次迭代数据中所有个聚簇与其它聚簇之间的差异度的均值。
9.根据权利要求1所述基于数字化医疗档案管理的智能健康监护系统，其特征在于，所述根据每次迭代数据聚类结果合理度，获取医院中所有糖尿病患者的体征检测数据的最优聚类迭代次数，包括的具体方法为：
根据每次迭代数据与左右相邻次迭代数据的聚类结果合理度差值，获取每次迭代数据的优选程度；
将所有次迭代数据的优选程度组成迭代次数序列，从左向右进行遍历迭代次数序列时，若第一次出现负值是第次迭代数据的优选程度，则将第/>次迭代作为医院中所有糖尿病患者的体征测量数据的最优聚类迭代次数。
10.根据权利要求9所述基于数字化医疗档案管理的智能健康监护系统，其特征在于，所述根据每次迭代数据与左右相邻次迭代数据的聚类结果合理度差值，获取每次迭代数据的优选程度，包括的具体方法为：
将第次迭代数据的聚类结果合理度与第/>次迭代数据的聚类结果合理度的差值记为第一差值，将第/>次迭代数据的聚类结果合理度与第/>次迭代数据的聚类结果合理度的差值记为第二差值，将第一差值和第二差值的乘积作为第/>次迭代数据的优选程度。
CN202311667900.7A 2023-12-07 2023-12-07 基于数字化医疗档案管理的智能健康监护系统 Active CN117373677B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311667900.7A CN117373677B (zh) 2023-12-07 2023-12-07 基于数字化医疗档案管理的智能健康监护系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311667900.7A CN117373677B (zh) 2023-12-07 2023-12-07 基于数字化医疗档案管理的智能健康监护系统

Publications (2)

Publication Number Publication Date
CN117373677A true CN117373677A (zh) 2024-01-09
CN117373677B CN117373677B (zh) 2024-03-08

Family

ID=89404499

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311667900.7A Active CN117373677B (zh) 2023-12-07 2023-12-07 基于数字化医疗档案管理的智能健康监护系统

Country Status (1)

Country Link
CN (1) CN117373677B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117609813A (zh) * 2024-01-23 2024-02-27 山东第一医科大学附属省立医院(山东省立医院) 一种重症患者监护数据智能管理方法
CN118016240A (zh) * 2024-04-09 2024-05-10 西安澎湃跃动电子科技有限公司 一种基于大数据的身体健康评估系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116109933A (zh) * 2023-04-13 2023-05-12 山东省土地发展集团有限公司 一种用于废弃矿山生态修复的动态识别方法
CN116665904A (zh) * 2023-07-31 2023-08-29 营动智能技术(山东)有限公司 一种基于云计算的慢性病患者健康数据跟踪分析系统
CN116961675A (zh) * 2023-09-20 2023-10-27 长春医学高等专科学校(长春职工医科大学长春市医学情报所) 一种医疗护理数据智能处理方法
US20230352155A1 (en) * 2023-07-08 2023-11-02 Quantiphi, Inc Method and system for forecasting demand for nursing services
CN117116412A (zh) * 2023-08-07 2023-11-24 中国美术学院风景建筑设计研究总院有限公司 一种基于病历数据分析的智能护理建议生成方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116109933A (zh) * 2023-04-13 2023-05-12 山东省土地发展集团有限公司 一种用于废弃矿山生态修复的动态识别方法
US20230352155A1 (en) * 2023-07-08 2023-11-02 Quantiphi, Inc Method and system for forecasting demand for nursing services
CN116665904A (zh) * 2023-07-31 2023-08-29 营动智能技术(山东)有限公司 一种基于云计算的慢性病患者健康数据跟踪分析系统
CN117116412A (zh) * 2023-08-07 2023-11-24 中国美术学院风景建筑设计研究总院有限公司 一种基于病历数据分析的智能护理建议生成方法
CN116961675A (zh) * 2023-09-20 2023-10-27 长春医学高等专科学校(长春职工医科大学长春市医学情报所) 一种医疗护理数据智能处理方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117609813A (zh) * 2024-01-23 2024-02-27 山东第一医科大学附属省立医院(山东省立医院) 一种重症患者监护数据智能管理方法
CN117609813B (zh) * 2024-01-23 2024-04-23 山东第一医科大学附属省立医院(山东省立医院) 一种重症患者监护数据智能管理方法
CN118016240A (zh) * 2024-04-09 2024-05-10 西安澎湃跃动电子科技有限公司 一种基于大数据的身体健康评估系统

Also Published As

Publication number Publication date
CN117373677B (zh) 2024-03-08

Similar Documents

Publication Publication Date Title
CN117373677B (zh) 基于数字化医疗档案管理的智能健康监护系统
CN111493828B (zh) 基于全卷积网络的序列到序列的睡眠障碍检测方法
WO2021139241A1 (zh) 基于人工智能的患者分群方法、装置、设备及存储介质
CN111261282A (zh) 一种基于机器学习的脓毒症早期预测方法
US20120059779A1 (en) Personalized Health Risk Assessment For Critical Care
CN109858522A (zh) 一种基于数据挖掘的管理线损异常识别方法
CN117542536B (zh) 一种基于体检数据的智能护理方法及系统
CN116992322B (zh) 一种智慧城市数据中心管理系统
WO2021073255A1 (zh) 基于时序聚类的用药提醒方法及相关设备
CN117877750B (zh) 一种基于物联网的智慧养老服务管理系统
CN117473351B (zh) 基于物联网的电源信息远程传输系统
CN115482932A (zh) 一种基于迁移学习和糖化血红蛋白的多变量血糖预测算法
CN112669968A (zh) 一种疾病风险预测方法和设备
CN117577327B (zh) 一种基于大数据的体检信息推荐系统
CN117153416B (zh) 一种糖尿病筛查数据处理及管理系统
CN110647870B (zh) 一种基于滑动窗计算静息态fMRI数据近似熵的方法
CN116936107B (zh) 基于卷积神经网络的心脏数据风险分析方法、系统及介质
CN116070150B (zh) 基于呼吸机运行参数的异常监测方法
CN109994211B (zh) 一种基于ehr数据的慢性肾脏病恶化风险的建模方法
CN107832928B (zh) 基于风力发电特性曲线的等效综合线损评价方法
CN116230193B (zh) 一种智能化医院用档案管理方法及系统
CN118194023B (zh) 一种基于协同深度学习的患者病症数据共性提取系统
CN117854709B (zh) 一种基于深度对比聚类的糖尿病六分型方法和系统
CN118571490B (zh) 基于大数据分析的孕妇孕期健康状态监测方法
US20230190203A1 (en) Human health risk assessment method

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