CN117409960A - 一种基于大数据的智慧医院高质量运营管理方法及系统 - Google Patents
一种基于大数据的智慧医院高质量运营管理方法及系统 Download PDFInfo
- Publication number
- CN117409960A CN117409960A CN202311517274.3A CN202311517274A CN117409960A CN 117409960 A CN117409960 A CN 117409960A CN 202311517274 A CN202311517274 A CN 202311517274A CN 117409960 A CN117409960 A CN 117409960A
- Authority
- CN
- China
- Prior art keywords
- treatment
- diagnosis
- disease
- information data
- patient
- 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.)
- Pending
Links
- 238000007726 management method Methods 0.000 title claims abstract description 32
- 238000011282 treatment Methods 0.000 claims abstract description 344
- 238000003745 diagnosis Methods 0.000 claims abstract description 309
- 201000010099 disease Diseases 0.000 claims abstract description 148
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 148
- 238000012423 maintenance Methods 0.000 claims abstract description 101
- 238000000034 method Methods 0.000 claims abstract description 23
- 238000004458 analytical method Methods 0.000 claims abstract description 21
- 230000002159 abnormal effect Effects 0.000 claims description 48
- 238000012360 testing method Methods 0.000 claims description 42
- 238000012216 screening Methods 0.000 claims description 26
- 239000011159 matrix material Substances 0.000 claims description 15
- 238000011156 evaluation Methods 0.000 claims description 13
- 238000007689 inspection Methods 0.000 claims description 12
- 238000011269 treatment regimen Methods 0.000 claims description 10
- 230000006978 adaptation Effects 0.000 claims description 7
- 238000001514 detection method Methods 0.000 claims description 6
- 239000003814 drug Substances 0.000 claims description 6
- 230000005856 abnormality Effects 0.000 claims description 4
- 102000002274 Matrix Metalloproteinases Human genes 0.000 claims description 3
- 108010000684 Matrix Metalloproteinases Proteins 0.000 claims description 3
- 229940079593 drug Drugs 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 2
- 230000001225 therapeutic effect Effects 0.000 description 6
- 238000009472 formulation Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000011285 therapeutic regimen Methods 0.000 description 2
- 206010061818 Disease progression Diseases 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000005750 disease progression Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000005802 health problem Effects 0.000 description 1
- 238000010921 in-depth analysis Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004393 prognosis 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
- 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
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- 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
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/10—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to 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
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Epidemiology (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Chemical & Material Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Medicinal Chemistry (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本申请公开了一种基于大数据的智慧医院高质量运营管理方法及系统，涉及医疗管理技术领域，具体公开了确定出每一患者的综合诊疗记录信息数据，确定出综合诊疗信息数据之间的诊疗特征相符程度大于预设值的第二综合诊疗记录信息数据集，基于主要确诊疾病的第一体量比例和伴随疾病的第二体量比例，构建疾病诊疗预测模型，获取患者当下诊疗信息，并基于疾病诊疗预测模型分析，确定出患者的第一诊断预测结果以及当下治疗养护策略，本申请的上述技术方案，不仅实现了辅助医生对患者疾病的诊断，还提供了更加的合理的治疗养护策略，不仅减轻了医生的工作量，而且使制定治疗养护策略的适配程度更好。
Description
技术领域
本发明涉及医疗管理技术领域，尤其是涉及一种基于大数据的智慧医院高质量运营管理方法及系统。
背景技术
随着医院现代化建设程度的加深，越来越多的医院开始应用各类运营管理系统，其中包括对医疗资源的管理和分配的资源管理模块，还包括对人员行为管理和工作质量评价的人员管理模块，大大的提高了医院管理的有序性，但是，对于患者的疾病诊疗预判以及治疗养护策略的推荐功能还属于相对空白，所以，为了实现辅助医生对患者诊断以及制定治疗养护策略，提升对患者诊断的准确程度以及制定养护策略的适配程度，现亟需一种医院高质量运营管理方法及系统。
发明内容
本发明的目的是提供一种有效提升对患者诊断的准确程度以及制定养护策略的适配程度的医院高质量运营管理方法及系统。
在本申请的一些实施例中，公开了一种基于大数据的智慧医院高质量运营管理方法，包括：
调取患者诊疗数据库，并对患者诊疗数据库中的每一患者诊疗记录信息进行扫描分析，确定出每一患者的综合诊疗记录信息数据；
对综合诊疗信息数据进行第一次筛选分类，确定出不同关注程度的第一综合诊疗记录信息数据集；
对关注程度大于预设值的综合诊疗记录信息数据集进行第二次筛选分类，确定出综合诊疗信息数据之间的诊疗特征相符程度大于预设值的第二综合诊疗记录信息数据集；
对第二综合诊疗记录信息数据集进行疾病特征分析，确定出第二综合诊疗记录信息数据集中每一主要确诊疾病相比于总体的第一体量比例，并确定伴随主要确诊疾病存在的伴随疾病，以及伴随疾病相比较主要确诊疾病的第二体量比例，基于主要确诊疾病的第一体量比例和伴随疾病的第二体量比例，构建疾病诊疗预测模型；
对第二综合诊疗记录信息数据集中的治疗养护策略进行提取分析，基于对治疗养护策略的结果性评价，筛选出若干优选治疗养护策略，并基于优选治疗养护策略与疾病的对应关系，对疾病诊疗预测模型配置优选治疗养护策略；
获取患者当下诊疗信息，并基于疾病诊疗预测模型分析，确定出患者的第一诊断预测结果以及当下治疗养护策略；
基于患者的综合诊疗记录信息数据，判断患者的治疗、养护倾向，并基于患者的治疗、养护倾向，对当下治疗养护策略进行更新，并将更新后的治疗养护策略伴随第一诊断预测结果进行输出。
在本申请的一些实施例中，对综合诊疗信息数据进行第一次筛选分类的方法包括：
对每一患者的综合诊疗记录信息数据进行分析，确定出患者在预设时间段的主要确诊疾病对应的第一就诊次数；
根据主要确诊疾病预设的标准就诊次数和第一就诊次数的第一就诊差值，确定综合诊疗信息数据的第一关注因子量值；
根据主要确诊疾病预设的标准就诊次数的表现特征，确定综合诊疗信息数据的第二关注因子量值；
根据综合诊疗信息数据的第一关注因子量值和第二关注因子量值，确定综合诊疗信息数据的关注程度；
若综合诊疗信息数据的关注程度大于预设值，则将所述综合诊疗信息数据归入第一综合诊疗记录信息数据集。
在本申请的一些实施例中，计算综合诊疗信息数据的关注程度的表达式为：
；
其中，为综合诊疗信息数据的关注程度，为第一关注因子量值，为第二
关注因子量值；
；
其中，为第一关注因子量值，为第一关注因子转换系数，为患者进行诊疗
的时间在预设标准时间内的诊疗次数，为第一调整常数，为预设时间段内主要确诊疾
病对应的第一就诊次数，为预设时间段内主要确诊疾病预设的标准就诊次数，为
第二调整常数；
；
其中，为第二关注因子量值，为第二关注因子转换系数，为主要确诊疾
病预设的标准就诊次数，为第三调整常数。
在本申请的一些实施例中，对关注程度大于预设值的综合诊疗记录信息数据集进行第二次筛选分类的方法包括：
针对检验指标数据建立检验指标因子矩阵模板，所述检验指标因子矩阵模板的每一矩阵单元均用于填充特定的检验指标因子；
对综合诊疗记录信息数据进行分析，确定患者的检验指标数据，并基于预设疾病-检验指标对应关系，确定检验指标数据中的不同异常检验指标因子的上异常波动区间和下异常波动区间；
根据检验指标数据中的不同异常检验指标因子，以及每一异常检验指标因子的上
异常波动区间和下异常波动区间，对检验指标因子矩阵模板进行填充，生成异常检验指标
因子矩阵；
顺序比对不同综合诊疗记录信息数据对应的异常检验指标因子矩阵，并根据比对结果，确定综合诊疗记录信息数据之间的诊疗特征
相符程度；
其中，异常检验指标因子矩阵中，为第个异常检验
指标因子，为第个异常检验指标因子所属上异常波动区间，为第个
异常检验指标因子所属下异常波动区间。
在本申请的一些实施例中，确定综合诊疗记录信息之间的诊疗特征相符程度的方法包括：
顺序记录不同综合诊疗记录信息之间的异常检验指标因子的等同数，并基于对每一异常检验指标因子预先配置的异常权重，确定不同综合诊疗记录信息之间的诊疗特征相符程度；
计算诊疗特征相符程度的表达式为：
；
其中，为诊疗特征相符程度对应值，为第个等同的异常检验指标因子预先
配置的异常权重。
在本申请的一些实施例中，构建疾病诊疗预测模型的方法包括：
对第二综合诊疗记录信息数据集中的体检指标数据以及诊断数据进行特征提取，并生成若干体检指标特征和诊断特征，并将体检指标特征和诊断特征生成比对用特征数据组，且每一比对用特征数据组均关联有对应的主要确诊疾病或伴随疾病，将比对用特征数据组构建有比对特征库；针对每一主要确诊疾病，分别构建若干第一疾病预判单元，且每一第一疾病预判单元根据第一体量比例确定第一预测概率；
针对每一伴随确诊疾病，分别构建若干第二疾病预判单元，并将第二疾病预判单元与对应的第一疾病预判单元进行关联，且每一第二疾病预判单元根据第二体量比例确定第二预测概率；
基于比对特征库对患者当下诊疗信息进行比对分析，确定患者当下诊疗信息是否与比对特征库相符，并基于第一预测概率对第一疾病预判单元进行顺序输出，并基于第二预测概率，对第一疾病预判单元配置第二疾病预判单元。
在本申请的一些实施例中，基于治疗养护策略的结果性评价，筛选出若干优选治疗养护策略的方法包括：
获取每一治疗养护策略的治愈率、治愈周期以及患者的接受程度，并基于每一治疗养护策略的治愈率、治愈周期以及患者的接受程度，确定治疗养护策略的结果性评价。
在本申请的一些实施例中，基于患者的治疗、养护倾向，对当下治疗养护策略进行更新的方法包括：
基于患者的治疗、养护倾向，确定患者适配的药物类型、治疗措施、养护需求以及限定成本；
基于患者适配的药物类型和治疗措施，对当下治疗养护策略中的对应部分进行替换；
基于患者的养护需求以及限定成本，对当下治疗养护策略中非必要养护项目进行增加或删除。
在本申请的一些实施例中，还公开有一种基于大数据的智慧医院高质量运营管理系统，包括：
第一模块，用于调取患者诊疗数据库，并对患者诊疗数据库中的每一患者诊疗记录信息进行扫描分析，确定出每一患者的综合诊疗记录信息数据；
第二模块，用于对综合诊疗信息数据进行第一次筛选分类，确定出不同关注程度的第一综合诊疗记录信息数据集，对关注程度大于预设值的综合诊疗记录信息数据集进行第二次筛选分类，确定出综合诊疗信息数据之间的诊疗特征相符程度大于预设值的第二综合诊疗记录信息数据集；
第三模块，用于对第二综合诊疗记录信息数据集进行疾病特征分析，确定出第二综合诊疗记录信息数据集中每一主要确诊疾病相比于总体的第一体量比例，并确定伴随主要确诊疾病存在的伴随疾病，以及伴随疾病相比较主要确诊疾病的第二体量比例，基于主要确诊疾病的第一体量比例和伴随疾病的第二体量比例，构建疾病诊疗预测模型；
第四模块，用于对第二综合诊疗记录信息数据集中的治疗养护策略进行提取分析，基于对治疗养护策略的结果性评价，筛选出若干优选治疗养护策略，并基于优选治疗养护策略与疾病的对应关系，对疾病诊疗预测模型配置优选治疗养护策略，获取患者当下诊疗信息，并基于疾病诊疗预测模型分析，确定出患者的第一诊断预测结果以及当下治疗养护策略，基于患者的综合诊疗记录信息数据，判断患者的治疗、养护倾向，并基于患者的治疗、养护倾向，对当下治疗养护策略进行更新，并将更新后的治疗养护策略伴随第一诊断预测结果进行输出。
本申请公开了一种基于大数据的智慧医院高质量运营管理方法及系统，涉及医疗管理技术领域，具体公开了确定出每一患者的综合诊疗记录信息数据，确定出综合诊疗信息数据之间的诊疗特征相符程度大于预设值的第二综合诊疗记录信息数据集，基于主要确诊疾病的第一体量比例和伴随疾病的第二体量比例，构建疾病诊疗预测模型，获取患者当下诊疗信息，并基于疾病诊疗预测模型分析，确定出患者的第一诊断预测结果以及当下治疗养护策略，本申请的上述技术方案，不仅实现了辅助医生对患者疾病的诊断，还提供了更加的合理的治疗养护策略，不仅减轻了医生的工作量，而且使制定治疗养护策略的适配程度更好。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
图1为本申请实施例中一种基于大数据的智慧医院高质量运营管理方法的方法步骤图。
具体实施方式
以下通过附图和实施例对本发明的技术方案作进一步说明。
以下将结合附图以及具体实施例，对本发明的技术方案进行清楚、完整的描述，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，不能理解为对本发明保护范围的限制，该领域的技术熟练人员可以根据下述本发明的内容做出一些非本质的改进和调整。在本发明中，除非另有明确的规定和限定，本申请使用的技术术语应当为本发明所述技术人员所理解的通常意义。
实施例
本发明的目的是提供一种有效提升对患者诊断的准确程度以及制定养护策略的适配程度的医院高质量运营管理方法及系统。
在本申请的一些实施例中，参阅图1，公开了一种基于大数据的智慧医院高质量运营管理方法，包括：
步骤S100，调取患者诊疗数据库，并对患者诊疗数据库中的每一患者诊疗记录信息进行扫描分析，确定出每一患者的综合诊疗记录信息数据。
需要理解的是，在这一步骤中，系统首先访问患者诊疗数据库，然后对其中的每一患者诊疗记录信息进行扫描和分析。这包括病历、检查结果、诊断、治疗历史等数据。
步骤S200，对综合诊疗信息数据进行第一次筛选分类，确定出不同关注程度的第一综合诊疗记录信息数据集。
需要理解的是，在这一步骤中，系统对综合诊疗信息数据进行第一次筛选分类，根据不同关注程度确定出第一综合诊疗记录信息数据集。这一步可以帮助识别出哪些患者需要更深入的分析和关注。
步骤S300，对关注程度大于预设值的综合诊疗记录信息数据集进行第二次筛选分类，确定出综合诊疗信息数据之间的诊疗特征相符程度大于预设值的第二综合诊疗记录信息数据集。
需要理解的是，在这一步骤中，系统对第一综合诊疗记录信息数据集进行第二次筛选分类，确定出综合诊疗信息数据之间的诊疗特征相符程度大于预设值的第二综合诊疗记录信息数据集。这有助于进一步缩小研究范围，专注于可能更重要的患者数据。
步骤S400，对第二综合诊疗记录信息数据集进行疾病特征分析，确定出第二综合诊疗记录信息数据集中每一主要确诊疾病相比于总体的第一体量比例，并确定伴随主要确诊疾病存在的伴随疾病，以及伴随疾病相比较主要确诊疾病的第二体量比例，基于主要确诊疾病的第一体量比例和伴随疾病的第二体量比例，构建疾病诊疗预测模型。
需要理解的是，在这一步骤中，系统对第二综合诊疗记录信息数据集进行疾病特征分析，确定主要确诊疾病的相对比例以及伴随疾病的存在。然后，基于这些数据，构建疾病诊疗预测模型，以预测疾病发展和治疗方案。
步骤S500，对第二综合诊疗记录信息数据集中的治疗养护策略进行提取分析，基于对治疗养护策略的结果性评价，筛选出若干优选治疗养护策略，并基于优选治疗养护策略与疾病的对应关系，对疾病诊疗预测模型配置优选治疗养护策略。
需要理解的是，在这一步骤中，系统提取和分析第二综合诊疗记录信息数据集中的治疗养护策略。基于对治疗养护策略的结果性评价，系统筛选出若干优选治疗养护策略，并将其与疾病的对应关系配置到疾病诊疗预测模型中。
步骤S600，获取患者当下诊疗信息，并基于疾病诊疗预测模型分析，确定出患者的第一诊断预测结果以及当下治疗养护策略。
步骤S700，基于患者的综合诊疗记录信息数据，判断患者的治疗、养护倾向，并基于患者的治疗、养护倾向，对当下治疗养护策略进行更新，并将更新后的治疗养护策略伴随第一诊断预测结果进行输出。
需要理解的是，基于患者的综合诊疗记录信息数据，系统判断患者的治疗养护倾向，并基于这一倾向对当下治疗养护策略进行更新。然后，系统将更新后的治疗养护策略与第一诊断预测结果一起输出，以指导医疗专业人员在患者治疗和护理中做出决策。
在本申请的一些实施例中，对综合诊疗信息数据进行第一次筛选分类的方法包括：
第一步，对每一患者的综合诊疗记录信息数据进行分析，确定出患者在预设时间段的主要确诊疾病对应的第一就诊次数。
在这一步骤中，系统分析每一患者的综合诊疗记录信息数据，以确定患者在预设时间段内的主要确诊疾病对应的第一就诊次数。这可以帮助系统了解患者的主要健康问题和就诊历史。
第二步，根据主要确诊疾病预设的标准就诊次数和第一就诊次数的第一就诊差值，确定综合诊疗信息数据的第一关注因子量值。
基于主要确诊疾病预设的标准就诊次数和实际的第一就诊次数之间的差值，系统确定综合诊疗信息数据的第一关注因子量值。这个量值用来表示患者的就诊频率，以帮助系统评估患者的诊疗需求。
第三步，根据主要确诊疾病预设的标准就诊次数的表现特征，确定综合诊疗信息数据的第二关注因子量值。
系统根据主要确诊疾病预设的标准就诊次数的表现特征，确定综合诊疗信息数据的第二关注因子量值。这个量值可以反映患者在就诊次数方面是否存在异常或趋势，以帮助系统更全面地评估患者的健康状况。
第四步，根据综合诊疗信息数据的第一关注因子量值和第二关注因子量值，确定综合诊疗信息数据的关注程度。
系统综合考虑第一关注因子量值和第二关注因子量值，以确定综合诊疗信息数据的关注程度。如果关注程度大于预设值，说明患者的诊疗情况需要更深入的分析。
第五步，若综合诊疗信息数据的关注程度大于预设值，则将所述综合诊疗信息数据归入第一综合诊疗记录信息数据集。
如果综合诊疗信息数据的关注程度大于预设值，系统将该数据归入第一综合诊疗记录信息数据集。这个数据集包括需要更深入关注的患者记录，以便医疗专业人员进一步分析他们的诊疗需求和制定治疗计划。
在本申请的一些实施例中，计算综合诊疗信息数据的关注程度的表达式为：
；
其中，为综合诊疗信息数据的关注程度，为第一关注因子量值，为第二
关注因子量值；
；
其中，为第一关注因子量值，为第一关注因子转换系数，为患者进行诊疗
的时间在预设标准时间内的诊疗次数，为第一调整常数，为预设时间段内主要确诊疾
病对应的第一就诊次数，为预设时间段内主要确诊疾病预设的标准就诊次数，为
第二调整常数；
；
其中，为第二关注因子量值，为第二关注因子转换系数，为主要确诊疾
病预设的标准就诊次数，为第三调整常数。
在本申请的一些实施例中，对关注程度大于预设值的综合诊疗记录信息数据集进行第二次筛选分类的方法包括：
第一步，针对检验指标数据建立检验指标因子矩阵模板，所述检验指标因子矩阵模板的每一矩阵单元均用于填充特定的检验指标因子。
第二步，对综合诊疗记录信息数据进行分析，确定患者的检验指标数据，并基于预设疾病-检验指标对应关系，确定检验指标数据中的不同异常检验指标因子的上异常波动区间和下异常波动区间。
第三步，根据检验指标数据中的不同异常检验指标因子，以及每一异常检验指标
因子的上异常波动区间和下异常波动区间，对检验指标因子矩阵模板进行填充，生成异常
检验指标因子矩阵；
顺序比对不同综合诊疗记录信息数据对应的异常检验指标因子矩阵，并根据比对结果，确定综合诊疗记录信息数据之间的诊疗特征
相符程度；
其中，异常检验指标因子矩阵中，为第个异常检验
指标因子，为第个异常检验指标因子所属上异常波动区间，为第个
异常检验指标因子所属下异常波动区间。
在本申请的一些实施例中，确定综合诊疗记录信息之间的诊疗特征相符程度的方法包括：顺序记录不同综合诊疗记录信息之间的异常检验指标因子的等同数，并基于对每一异常检验指标因子预先配置的异常权重，确定不同综合诊疗记录信息之间的诊疗特征相符程度。
计算诊疗特征相符程度的表达式为：
；
其中，为诊疗特征相符程度对应值，为第个等同的异常检验指标因子预先
配置的异常权重。
在本申请的一些实施例中，构建疾病诊疗预测模型的方法包括：
第一步，对第二综合诊疗记录信息数据集中的体检指标数据以及诊断数据进行特征提取，并生成若干体检指标特征和诊断特征，并将体检指标特征和诊断特征生成比对用特征数据组，且每一比对用特征数据组均关联有对应的主要确诊疾病或伴随疾病，将比对用特征数据组构建有比对特征库；针对每一主要确诊疾病，分别构建若干第一疾病预判单元，且每一第一疾病预判单元根据第一体量比例确定第一预测概率。
第二步，针对每一伴随确诊疾病，分别构建若干第二疾病预判单元，并将第二疾病预判单元与对应的第一疾病预判单元进行关联，且每一第二疾病预判单元根据第二体量比例确定第二预测概率。
第三步，基于比对特征库对患者当下诊疗信息进行比对分析，确定患者当下诊疗信息是否与比对特征库相符，并基于第一预测概率对第一疾病预判单元进行顺序输出，并基于第二预测概率，对第一疾病预判单元配置第二疾病预判单元。
在本申请的一些实施例中，基于治疗养护策略的结果性评价，筛选出若干优选治疗养护策略的方法包括：获取每一治疗养护策略的治愈率、治愈周期以及患者的接受程度，并基于每一治疗养护策略的治愈率、治愈周期以及患者的接受程度，确定治疗养护策略的结果性评价。
在本申请的一些实施例中，基于患者的治疗、养护倾向，对当下治疗养护策略进行更新的方法包括：基于患者的治疗、养护倾向，确定患者适配的药物类型、治疗措施、养护需求以及限定成本；基于患者适配的药物类型和治疗措施，对当下治疗养护策略中的对应部分进行替换；基于患者的养护需求以及限定成本，对当下治疗养护策略中非必要养护项目进行增加或删除。
在本申请的一些实施例中，还公开有一种基于大数据的智慧医院高质量运营管理系统，包括：第一模块、第二模块、第三模块和第四模块。
所述第一模块用于调取患者诊疗数据库，并对患者诊疗数据库中的每一患者诊疗记录信息进行扫描分析，确定出每一患者的综合诊疗记录信息数据。
所述第二模块用于对综合诊疗信息数据进行第一次筛选分类，确定出不同关注程度的第一综合诊疗记录信息数据集，对关注程度大于预设值的综合诊疗记录信息数据集进行第二次筛选分类，确定出综合诊疗信息数据之间的诊疗特征相符程度大于预设值的第二综合诊疗记录信息数据集。
所述第三模块用于对第二综合诊疗记录信息数据集进行疾病特征分析，确定出第二综合诊疗记录信息数据集中每一主要确诊疾病相比于总体的第一体量比例，并确定伴随主要确诊疾病存在的伴随疾病，以及伴随疾病相比较主要确诊疾病的第二体量比例，基于主要确诊疾病的第一体量比例和伴随疾病的第二体量比例，构建疾病诊疗预测模型。
所述第四模块用于对第二综合诊疗记录信息数据集中的治疗养护策略进行提取分析，基于对治疗养护策略的结果性评价，筛选出若干优选治疗养护策略，并基于优选治疗养护策略与疾病的对应关系，对疾病诊疗预测模型配置优选治疗养护策略，获取患者当下诊疗信息，并基于疾病诊疗预测模型分析，确定出患者的第一诊断预测结果以及当下治疗养护策略，基于患者的综合诊疗记录信息数据，判断患者的治疗、养护倾向，并基于患者的治疗、养护倾向，对当下治疗养护策略进行更新，并将更新后的治疗养护策略伴随第一诊断预测结果进行输出。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到本发明可以通过硬件实现，也可以借助软件加必要的通用硬件平台的方式来实现。基于这样的理解，本发明的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质（可以是CD-ROM，U盘，移动硬盘等）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）执行本发明各个实施场景所述的方法。
本申请公开了一种基于大数据的智慧医院高质量运营管理方法及系统，涉及医疗管理技术领域，具体公开了确定出每一患者的综合诊疗记录信息数据，确定出综合诊疗信息数据之间的诊疗特征相符程度大于预设值的第二综合诊疗记录信息数据集，基于主要确诊疾病的第一体量比例和伴随疾病的第二体量比例，构建疾病诊疗预测模型，获取患者当下诊疗信息，并基于疾病诊疗预测模型分析，确定出患者的第一诊断预测结果以及当下治疗养护策略，本申请的上述技术方案，不仅实现了辅助医生对患者疾病的诊断，还提供了更加的合理的治疗养护策略，不仅减轻了医生的工作量，而且使制定治疗养护策略的适配程度更好。
最后应说明的是：以上实施例仅用以说明本发明的技术方案而非对其进行限制，尽管参照较佳实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对本发明的技术方案进行修改或者等同替换，而这些修改或者等同替换亦不能使修改后的技术方案脱离本发明技术方案的精神和范围。
Claims (9)
1.一种基于大数据的智慧医院高质量运营管理方法，其特征在于，包括：
调取患者诊疗数据库，并对患者诊疗数据库中的每一患者诊疗记录信息进行扫描分析，确定出每一患者的综合诊疗记录信息数据；
对综合诊疗信息数据进行第一次筛选分类，确定出不同关注程度的第一综合诊疗记录信息数据集；
对关注程度大于预设值的综合诊疗记录信息数据集进行第二次筛选分类，确定出综合诊疗信息数据之间的诊疗特征相符程度大于预设值的第二综合诊疗记录信息数据集；
对第二综合诊疗记录信息数据集进行疾病特征分析，确定出第二综合诊疗记录信息数据集中每一主要确诊疾病相比于总体的第一体量比例，并确定伴随主要确诊疾病存在的伴随疾病，以及伴随疾病相比较主要确诊疾病的第二体量比例，基于主要确诊疾病的第一体量比例和伴随疾病的第二体量比例，构建疾病诊疗预测模型；
对第二综合诊疗记录信息数据集中的治疗养护策略进行提取分析，基于对治疗养护策略的结果性评价，筛选出若干优选治疗养护策略，并基于优选治疗养护策略与疾病的对应关系，对疾病诊疗预测模型配置优选治疗养护策略；
获取患者当下诊疗信息，并基于疾病诊疗预测模型分析，确定出患者的第一诊断预测结果以及当下治疗养护策略；
基于患者的综合诊疗记录信息数据，判断患者的治疗、养护倾向，并基于患者的治疗、养护倾向，对当下治疗养护策略进行更新，并将更新后的治疗养护策略伴随第一诊断预测结果进行输出。
2.根据权利要求1所述的一种基于大数据的智慧医院高质量运营管理方法，其特征在于，对综合诊疗信息数据进行第一次筛选分类的方法包括：
对每一患者的综合诊疗记录信息数据进行分析，确定出患者在预设时间段的主要确诊疾病对应的第一就诊次数；
根据主要确诊疾病预设的标准就诊次数和第一就诊次数的第一就诊差值，确定综合诊疗信息数据的第一关注因子量值；
根据主要确诊疾病预设的标准就诊次数的表现特征，确定综合诊疗信息数据的第二关注因子量值；
根据综合诊疗信息数据的第一关注因子量值和第二关注因子量值，确定综合诊疗信息数据的关注程度；
若综合诊疗信息数据的关注程度大于预设值，则将所述综合诊疗信息数据归入第一综合诊疗记录信息数据集。
3.根据权利要求2所述的一种基于大数据的智慧医院高质量运营管理方法，其特征在于，计算综合诊疗信息数据的关注程度的表达式为：
；
其中，为综合诊疗信息数据的关注程度，为第一关注因子量值，为第二关注
因子量值；
；
其中，为第一关注因子量值，为第一关注因子转换系数，为患者进行诊疗的时
间在预设标准时间内的诊疗次数，为第一调整常数，为预设时间段内主要确诊疾病对
应的第一就诊次数，为预设时间段内主要确诊疾病预设的标准就诊次数，为第二
调整常数；
；
其中，为第二关注因子量值，为第二关注因子转换系数，为主要确诊疾病预
设的标准就诊次数，为第三调整常数。
4.根据权利要求1所述的一种基于大数据的智慧医院高质量运营管理方法，其特征在于，对关注程度大于预设值的综合诊疗记录信息数据集进行第二次筛选分类的方法包括：
针对检验指标数据建立检验指标因子矩阵模板，所述检验指标因子矩阵模板的每一矩阵单元均用于填充特定的检验指标因子；
对综合诊疗记录信息数据进行分析，确定患者的检验指标数据，并基于预设疾病-检验指标对应关系，确定检验指标数据中的不同异常检验指标因子的上异常波动区间和下异常波动区间；
根据检验指标数据中的不同异常检验指标因子，以及每一异常检验指标因子的上异常
波动区间和下异常波动区间，对检验指标因子矩阵模板进行填充，生成异常检验指标因子
矩阵；
顺序比对不同综合诊疗记录信息数据对应的异常检验指标因子矩阵，并根据比对结果，确定综合诊疗记录信息数据之间的诊疗特征
相符程度；
其中，异常检验指标因子矩阵中，为第个异常检验指标
因子，为第个异常检验指标因子所属上异常波动区间，为第个异常
检验指标因子所属下异常波动区间。
5.根据权利要求4所述的一种基于大数据的智慧医院高质量运营管理方法，其特征在于，确定综合诊疗记录信息之间的诊疗特征相符程度的方法包括：
顺序记录不同综合诊疗记录信息之间的异常检验指标因子的等同数，并基于对每一异常检验指标因子预先配置的异常权重，确定不同综合诊疗记录信息之间的诊疗特征相符程度；
计算诊疗特征相符程度的表达式为：
；
其中，为诊疗特征相符程度对应值，为第个等同的异常检验指标因子预先配置
的异常权重。
6.根据权利要求1所述的一种基于大数据的智慧医院高质量运营管理方法，其特征在于，构建疾病诊疗预测模型的方法包括：
对第二综合诊疗记录信息数据集中的体检指标数据以及诊断数据进行特征提取，并生成若干体检指标特征和诊断特征，并将体检指标特征和诊断特征生成比对用特征数据组，且每一比对用特征数据组均关联有对应的主要确诊疾病或伴随疾病，将比对用特征数据组构建有比对特征库；针对每一主要确诊疾病，分别构建若干第一疾病预判单元，且每一第一疾病预判单元根据第一体量比例确定第一预测概率；
针对每一伴随确诊疾病，分别构建若干第二疾病预判单元，并将第二疾病预判单元与对应的第一疾病预判单元进行关联，且每一第二疾病预判单元根据第二体量比例确定第二预测概率；
基于比对特征库对患者当下诊疗信息进行比对分析，确定患者当下诊疗信息是否与比对特征库相符，并基于第一预测概率对第一疾病预判单元进行顺序输出，并基于第二预测概率，对第一疾病预判单元配置第二疾病预判单元。
7.根据权利要求1所述的一种基于大数据的智慧医院高质量运营管理方法，其特征在于，基于治疗养护策略的结果性评价，筛选出若干优选治疗养护策略的方法包括：
获取每一治疗养护策略的治愈率、治愈周期以及患者的接受程度，并基于每一治疗养护策略的治愈率、治愈周期以及患者的接受程度，确定治疗养护策略的结果性评价。
8.根据权利要求1所述的一种基于大数据的智慧医院高质量运营管理方法，其特征在于，基于患者的治疗、养护倾向，对当下治疗养护策略进行更新的方法包括：
基于患者的治疗、养护倾向，确定患者适配的药物类型、治疗措施、养护需求以及限定成本；
基于患者适配的药物类型和治疗措施，对当下治疗养护策略中的对应部分进行替换；
基于患者的养护需求以及限定成本，对当下治疗养护策略中非必要养护项目进行增加或删除。
9.一种基于大数据的智慧医院高质量运营管理系统，其特征在于，包括：
第一模块，用于调取患者诊疗数据库，并对患者诊疗数据库中的每一患者诊疗记录信息进行扫描分析，确定出每一患者的综合诊疗记录信息数据；
第二模块，用于对综合诊疗信息数据进行第一次筛选分类，确定出不同关注程度的第一综合诊疗记录信息数据集，对关注程度大于预设值的综合诊疗记录信息数据集进行第二次筛选分类，确定出综合诊疗信息数据之间的诊疗特征相符程度大于预设值的第二综合诊疗记录信息数据集；
第三模块，用于对第二综合诊疗记录信息数据集进行疾病特征分析，确定出第二综合诊疗记录信息数据集中每一主要确诊疾病相比于总体的第一体量比例，并确定伴随主要确诊疾病存在的伴随疾病，以及伴随疾病相比较主要确诊疾病的第二体量比例，基于主要确诊疾病的第一体量比例和伴随疾病的第二体量比例，构建疾病诊疗预测模型；
第四模块，用于对第二综合诊疗记录信息数据集中的治疗养护策略进行提取分析，基于对治疗养护策略的结果性评价，筛选出若干优选治疗养护策略，并基于优选治疗养护策略与疾病的对应关系，对疾病诊疗预测模型配置优选治疗养护策略，获取患者当下诊疗信息，并基于疾病诊疗预测模型分析，确定出患者的第一诊断预测结果以及当下治疗养护策略，基于患者的综合诊疗记录信息数据，判断患者的治疗、养护倾向，并基于患者的治疗、养护倾向，对当下治疗养护策略进行更新，并将更新后的治疗养护策略伴随第一诊断预测结果进行输出。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311517274.3A CN117409960A (zh) | 2023-11-15 | 2023-11-15 | 一种基于大数据的智慧医院高质量运营管理方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311517274.3A CN117409960A (zh) | 2023-11-15 | 2023-11-15 | 一种基于大数据的智慧医院高质量运营管理方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117409960A true CN117409960A (zh) | 2024-01-16 |
Family
ID=89487087
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311517274.3A Pending CN117409960A (zh) | 2023-11-15 | 2023-11-15 | 一种基于大数据的智慧医院高质量运营管理方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117409960A (zh) |
-
2023
- 2023-11-15 CN CN202311517274.3A patent/CN117409960A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11810037B2 (en) | Automatic patient recruitment system and methods for use therewith | |
| US7725330B2 (en) | Systems and methods for automated extraction and processing of billing information in patient records | |
| US20170185723A1 (en) | Machine Learning System for Creating and Utilizing an Assessment Metric Based on Outcomes | |
| US20050137910A1 (en) | Systems and methods for automated extraction and processing of billing information in patient records | |
| US20180060521A1 (en) | Managing care pathways | |
| EP3385871A1 (en) | System and method for machine based medical diagnostic code identification, acummulation, analysis and automatic claim process adjudication | |
| US20100017225A1 (en) | Diagnostician customized medical diagnostic apparatus using a digital library | |
| WO2021159761A1 (zh) | 病理数据的分析方法、装置、计算机设备和存储介质 | |
| US20140164784A1 (en) | Integrated health care systems and methods | |
| JP2008532104A (ja) | 複数の医療関連アウトカムの予測を行い、インターベンション計画の評価を行い、更に同時にバイオマーカー因果性検証を行うことのできる、予測モデルを生成して適用する方法、そのシステム、及びそのコンピュータ・プログラム製品 | |
| JP2005515000A (ja) | 臨床判断をサポートするシステム | |
| CA2216681A1 (en) | Disease management method and system | |
| US20070150314A1 (en) | Method for carrying out quality control of medical data records collected from different but comparable patient collectives within the bounds of a medical plan | |
| US20220037019A1 (en) | Medical scan artifact detection system and methods for use therewith | |
| US20220253592A1 (en) | System with report analysis and methods for use therewith | |
| US20220005565A1 (en) | System with retroactive discrepancy flagging and methods for use therewith | |
| EP2929500A1 (en) | Integrated health care systems and methods | |
| Chen et al. | Patient stratification using electronic health records from a chronic disease management program | |
| Dillard et al. | Insights into conducting audiological research with clinical databases | |
| KR20180002229A (ko) | 치매 정보 데이터베이스 구축을 위한 에이전트 장치 및 그 운영방법 | |
| CN117409960A (zh) | 一种基于大数据的智慧医院高质量运营管理方法及系统 | |
| WO2021216988A1 (en) | Predictive adaptive intelligent diagnostics and treatment | |
| KR20180108671A (ko) | 전자 건강 기록들을 사용하여 의학적 상태들에 대한 진단 및 치료 옵션들을 식별하는 방법 및 시스템 | |
| US20240120037A1 (en) | Method and system for hybrid clinical trial design | |
| WO2022036351A1 (en) | Automatic medical scan triaging system and methods for use therewith |
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 |