CN117409984A - 一种糖尿病随访管理系统、装置、电子设备和存储介质 - Google Patents
一种糖尿病随访管理系统、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN117409984A CN117409984A CN202311221870.7A CN202311221870A CN117409984A CN 117409984 A CN117409984 A CN 117409984A CN 202311221870 A CN202311221870 A CN 202311221870A CN 117409984 A CN117409984 A CN 117409984A
- Authority
- CN
- China
- Prior art keywords
- data
- patient
- follow
- health
- module
- 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
Links
- 206010012601 diabetes mellitus Diseases 0.000 title claims abstract description 56
- 238000003860 storage Methods 0.000 title claims abstract description 51
- 230000036541 health Effects 0.000 claims abstract description 82
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 45
- 238000012544 monitoring process Methods 0.000 claims abstract description 27
- 238000005457 optimization Methods 0.000 claims abstract description 24
- 238000011161 development Methods 0.000 claims abstract description 4
- 238000007726 management method Methods 0.000 claims description 52
- 230000006870 function Effects 0.000 claims description 34
- 238000000034 method Methods 0.000 claims description 24
- 238000013528 artificial neural network Methods 0.000 claims description 21
- 238000004364 calculation method Methods 0.000 claims description 18
- 210000002569 neuron Anatomy 0.000 claims description 17
- 201000010099 disease Diseases 0.000 claims description 13
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 13
- 238000004891 communication Methods 0.000 claims description 10
- 239000008280 blood Substances 0.000 claims description 9
- 210000004369 blood Anatomy 0.000 claims description 9
- 238000005516 engineering process Methods 0.000 claims description 9
- 238000009499 grossing Methods 0.000 claims description 9
- 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 claims description 8
- 239000008103 glucose Substances 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 6
- 235000005911 diet Nutrition 0.000 claims description 6
- 230000037213 diet Effects 0.000 claims description 6
- 230000036772 blood pressure Effects 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 230000006399 behavior Effects 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims 2
- 238000009530 blood pressure measurement Methods 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 7
- 238000004590 computer program Methods 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 208000024172 Cardiovascular disease Diseases 0.000 description 1
- 206010047571 Visual impairment Diseases 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000001684 chronic effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 208000016097 disease of metabolism Diseases 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000005802 health problem Effects 0.000 description 1
- 208000017169 kidney disease Diseases 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 208000030159 metabolic disease Diseases 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 201000001119 neuropathy Diseases 0.000 description 1
- 230000007823 neuropathy Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 208000033808 peripheral neuropathy Diseases 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 208000029257 vision disease Diseases 0.000 description 1
- 230000004393 visual impairment Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H80/00—ICT specially adapted for facilitating communication between medical practitioners or patients, e.g. for collaborative diagnosis, therapy or health monitoring
-
- G—PHYSICS
- 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
- 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
- G16H50/70—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)
- Medical Informatics (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Chemical & Material Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Medicinal Chemistry (AREA)
- Databases & Information Systems (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
一种糖尿病随访管理系统、装置、电子设备和存储介质，包括客户端模块、信息收集模块、信息储存模块、算法预测模块、健康管理模块、在线随访模块、实时监测模块；本发明提出的一种糖尿病随访管理系统、装置、电子设备和存储介质，首先所述管理系统通过客户端进行操作，对患者进行身体信息的收集、上传，利用改进的自回归预测算法，预测患者后续糖尿病发展情况和潜在因素，通过权重优化算法，计算患者健康程度，安排随访，在患者身边有实时监控设备，监测患者的状况。
Description
技术领域
本发明涉及医疗领域，具体地说，涉及一种糖尿病随访管理系统、装置、电子设备和存储介质。
背景技术
糖尿病是一种全球范围内广泛存在的慢性代谢性疾病，其特征是血糖水平的异常升高，可能导致多种严重的健康问题，包括心血管疾病、肾病、视觉损害和神经病变。管理糖尿病需要持续的监测、药物治疗和生活方式干预，以确保患者的血糖控制在安全范围内。传统的糖尿病管理方法通常依赖于患者手动测量血糖水平、记录饮食和运动情况，以及与医疗保健提供者进行不定期的面对面随访。然而，这种方法存在一些显著的局限性，包括，效率低下、信息不准确、缺乏实时监测、不便利。传统管理方法需要患者花费大量时间和精力来记录和监测相关数据，容易导致疏忽或错误，且手动记录的数据容易受到主观因素的干扰，从而降低了数据的准确性。而且面对面的医疗随访需要患者和医疗保健提供者的时间和物理接触，可能不方便和不及时。传统方法无法提供实时的病情监测和预测，无法及时应对患者糖尿病风险的变化。因此，提出一种创新的糖尿病随访管理系统和装置，以解决上述问题，并提高糖尿病患者的管理效率和生活质量。本发明旨在提供一种全面的解决方案，以实现更好的糖尿病管理和预防。这将有助于改善患者的健康状况，并减少医疗资源的浪费。
发明内容
本发明的目的在于提供一种糖尿病随访管理系统、装置、电子设备和存储介质，以解决上述背景技术中提出的问题。
为了实现上述目的，本发明提出一种糖尿病随访管理系统，包括客户端模块、信息收集模块、信息储存模块、算法预测模块、健康管理模块、在线随访模块、实时监测模块；客户端模块为系统提供操作界面；信息收集模块利用简易检查设备，收集患者糖尿病相关身体信息；信息储存模块利用分布式储存技术，对患者信息进行分布式储存；算法预测模块利用改进的自回归预测算法，基于患者身体信息数据，预测患者的病情发展情况；健康管理模块采用权重优化算法，构建健康计算模型，计算患者健康程度，安排随访；在线随访模块利用电子设备，提供患者和医护人员线上沟通的渠道；实时监测模块利用智能手环设备，实时监测患者的基本身体数据。
进一步的，所述客户端模块，包括患者客户端、医护人员客户端；所述患者客户端提供身体数据上传界面、数据统计界面、病情预测界面、康复方案界面；所述医护人员客户端提供患者信息界面、患者管理界面、随访沟通界面、患者数据统计界面。
进一步的，所述信息收集模块，包括利用电子设备对身体进行一些和糖尿病相关的检查，包括利用血糖仪检测血糖、利用体重秤检测体重、利用血压计测量血压，将检测的数据通过患者客户端进行上传储存；包括通过患者客户端输入患者一天的饮食结构、利用智能手环自动上传的睡眠数据、锻炼数据。
进一步的，所述信息储存模块，利用分布式储存技术，将患者信息数据进行去中心化分布式储存，保证患者数据的稳定性和安全性；采用分层存储结构，便于有效地组织和检索各种类型的信息，根据时间戳将数据存储在不同的存储单元中，便于查找历史数据和趋势，支持多种数据格式，容纳不同类型的信息，包括文本、图像、视频。
进一步的，所述算法预测模块，利用改进的自回归预测算法，构建患者信息预测模型，基于患者历史身体信息数据，预测未来时刻患者身体数据的变化情况，详细过程如下：
定义t时刻患者身体信息数据Xα,t，表示为Xα,t＝[x1,t,x2,t,xi,t,…,xn,t]，其中x1,t、x2,t、xi,t、xn,t分别表示t时刻第1种、第2种、第i种、第n种身体信息数据，针对患者信息预测模型，定义参数γa、γb、γc，分别表示回归阶数、数据差分次序、平均阶数，利用改进的神经网络算法，对所述回归阶数、数据差分次序、平均阶数进行个性优化，设置神经网络输出层有三个输出元素，将用户数据输入神经网络输入层，隐含层输出表示为：
表示输入层第i个数据到隐含层第j个神经元之间的权值，不同数据到不同神经元之间的权值不同，/>表示隐含层第j个神经元的输出，基于输出数据，得到输出层输出/>表示如下：
表示隐含层第j个神经元与输出层第k个神经元之间的权值，/>表示输出层第k个神经元的输出，k取1、2、3，输出层输出的三个元素对应回归阶数、数据差分次序、平均阶数，表示如下：
根据神经网络反向传播，更新权值，基于t+1时刻用户数据，进行迭代计算，针对不同用户具体情况，优化回归阶数、数据差分次序、平均阶数；基于用户数据，定义预测系数，计算公式如下：
μi,t表示t时刻数据i的预测系数，xi,t-1表示t-1时刻第i各数据的值，基于预测系数，构建预测模型函数，函数表达式如下：
∑fi′,t×(1-μi,t)γb＝∑fi′,′t×ξi,t
fi′,t表示t时刻数据i的预测回归函数，fi′,′t表示t时刻数据i的预测偏差函数，α1、α2、分别表示预测回归函数系数，β1、β2、/>表示预测偏差函数系数，ξi,t表示t时刻数据i的白噪声、
基于预测模型函数，对t+1时刻的数据进行预测，公式如下：
本发明提出的改进的自回归预测算法，其中参数利用改进的神经网络进行迭代，输出的结果更符合患者特征，与传统疾病预测算法相比，本发明提出的预测算法，预测结果准确性更高，且可以根据后续数据，进行实时优化。进一步的，所述健康管理模块，基于患者预测的数据，结合权重优化算法，构建健康计算模型，计算患者健康程度，详细过程如下：
基于对患者身体数据的预测，计算患者的标准健康程度，不同患者对不同的特征敏感程度不同，提出权重优化算法，对各数据权重进行优化，定义权重优化函数D，公式如下：
ηi,t表示t时刻数据i的健康权重，表示t时刻数据i的预测值，且权重和为1，通过非线性规划模型得到各权重的最优解，基于指数平滑法，每个时间点的数据都会对时间轴上后续所有点的结果产生影响，考虑历史时刻数据和采用迭代法考虑历史数据期望值，得到t+1时刻健康权重ηi,t+1，公式如下：
σ1、σt表示平滑因子，ηi,1、分别表示初始时刻的健康权重和初始时刻健康权重的估计值，初始时刻二者相等，/>表示t时刻数据i的健康权重估计值，根据各个时刻的患者数据、患者糖尿病状态、医务人员的随访结果，对不同患者的健康权重进行迭代优化，基于优化后的健康权重，提出患者的健康程度F，计算公式如下：
Ii表示身体指标i的健康标准范围 ρi表示身体指标数据i的健康标准范围的上限和下限，/>表示/>与Ii的偏差程度，本发明提出的健康计算模型，采用权重优化算法，针对不同患者的具体情况，在计算健康程度时，采用不同的计算参数，基于健康程度F的计算结果，医护人员可以根据患者的糖尿病危险程度，安排随访，提高了医护人员的工作效率和医疗资源的利用率。
进一步的，所述在线随访模块，利用配备显示屏和摄像头的智能随访仪，医护人员可随时与患者进行视频沟通，医护人员和患者的客户端也在所述智能随访仪上操作，医护人员基于患者上传的健康数据和视频观察，判断患者的身体情况。
进一步的，所述实时监测模块，患者通过智能手环设备，对身体基本指标进行实时监测，当监测到变化波动较大时，医护人员客户端对医护人员进行提醒、医护人员立刻通过智能手环与患者进行沟通检查。
进一步的，一种糖尿病随访装置，其特征在于，应用于糖尿病随访平台，包括智能手环设备，用于患者身体指标的监测和沟通、智能随访仪，用于医护人员随访行为。
进一步的，一种电子设备，其特征在于，包括至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器执行如权利要求1-8任一所述的糖尿病随访的步骤。
进一步的，所述存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现权利要求1-8所述的糖尿病随访步骤。
有益效果：
本发明提出一种糖尿病随访管理系统、装置、电子设备和存储介质，包括客户端模块、信息收集模块、信息储存模块、算法预测模块、健康管理模块、在线随访模块、实时监测模块；客户端模块为系统提供操作界面，将医护人员和患者客户端进行分离，提供不同的功能；身体信息收集模块利用简易检查设备，收集患者糖尿病相关身体信息，且收集患者饮食信息、锻炼数据、睡眠数据；信息储存模块利用分布式储存技术，对患者信息进行分布式储存，采用分层储存结构，便于进行信息检索，且可储存多种格式的信息；算法预测模块利用改进的自回归预测算法，采用改进的神经网络，设置三层神经网络，利用神经网络输出层的数据，优化回归阶数、数据差分次序、平均阶数，基于历史数据和当前数据，计算预测系数，构建预测模型函数，预测未来时刻数据，与传统的疾病预测算法相比，使用改进的神经网络计算卖出的预测模型参数，提高了预测模型的准确性，且根据后续数据，预测模型可实时进行更新；健康管理模块采用权重优化算法，根据数据敏感程度不同，构建权重优化函数，基于指数平滑法，考虑历史数据的值和期望值，更新权重，进行患者健康程度计算，本发明提出的健康计算模型，针对不同的患者情况，有着不同的计算参数，将患者健康进行量化，便于医护人员进行随访安排，提高了医护人员的工作效率，提高医疗资源的利用率；在线随访模块利用电子设备，提供患者和医护人员线上沟通的渠道；实时监测模块利用智能手环设备，实时监测患者的基本身体数据。本发明提出的糖尿病随访管理系统，让患者更轻松地记录和监测其生理数据，无需繁琐的手动操作，提高了管理的效率，提高了数据的准确性，减少了主观误差，减少了患者和医疗保健提供者的时间和精力，为医疗决策提供了更可靠的基础。分析患者的数据并预测其糖尿病风险和趋势。有助于医疗保健提供者为每位患者提供个性化的治疗和管理建议，提高了疾病管理的效果。在线随访允许医疗保健提供者远程监测患者的状况，并提供实时支持和建议。降低了面对面随访的需求，特别是对于居住在偏远地区或行动不便的患者而言，具有极大的便利性。本发明提供了一种综合性的糖尿病管理解决方案，通过提高管理效率、数据准确性、个性化管理和远程监测等多方面的有益效果，有望改善糖尿病患者的生活质量，减轻医疗保健系统的负担，从而对社会和患者都具有显著的价值。
附图说明
利用附图对发明创造作进一步说明，但附图中的实施例不构成对本发明创造的任何限制，对于本领域的普通技术人员，在不付出创造性劳动的前提下，还可以根据以下附图获得其它的附图。
图1是本发明结构示意图。
具体实施方式
结合以下实例对本发明作进一步描述。
参见图1，本发明的目的在于提供一种糖尿病随访管理系统、装置、电子设备和存储介质，以解决上述背景技术中提出的问题。
为了实现上述目的，本发明提出一种糖尿病随访管理系统，包括客户端模块、信息收集模块、信息储存模块、算法预测模块、健康管理模块、在线随访模块、实时监测模块；客户端模块为系统提供操作界面；信息收集模块利用简易检查设备，收集患者糖尿病相关身体信息；信息储存模块利用分布式储存技术，对患者信息进行分布式储存；算法预测模块利用改进的自回归预测算法，基于患者身体信息数据，预测患者的病情发展情况；健康管理模块采用权重优化算法，构建健康计算模型，计算患者健康程度，安排随访；在线随访模块利用电子设备，提供患者和医护人员线上沟通的渠道；实时监测模块利用智能手环设备，实时监测患者的基本身体数据。
具体的，所述客户端模块，包括患者客户端、医护人员客户端；所述患者客户端提供身体数据上传界面、数据统计界面、病情预测界面、康复方案界面；所述医护人员客户端提供患者信息界面、患者管理界面、随访沟通界面、患者数据统计界面。
具体的，所述信息收集模块，包括利用电子设备对身体进行一些和糖尿病相关的检查，包括利用血糖仪检测血糖、利用体重秤检测体重、血压计测量血压，将检测的数据通过患者客户端进行上传储存；包括通过患者客户端输入患者一天的饮食结构、利用智能手环自动上传的睡眠数据、锻炼数据。
具体的，所述信息储存模块，利用分布式储存技术，将患者信息数据进行去中心化分布式储存，保证患者数据的稳定性和安全性；采用分层存储结构，便于有效地组织和检索各种类型的信息，根据时间戳将数据存储在不同的存储单元中，便于查找历史数据和趋势，支持多种数据格式，容纳不同类型的信息，包括文本、图像、视频。
具体的，所述算法预测模块，利用改进的自回归预测算法，构建患者信息预测模型，基于患者历史身体信息数据，预测未来时刻患者身体数据的变化情况，详细过程如下：
定义t时刻患者身体信息数据Xα,t，表示为Xα,t＝[x1,t,x2,t,xi,t,…,xn,t]，其中x1,t、x2,t、xi,t、xn,t分别表示t时刻第1种、第2种、第i种、第n种身体信息数据，针对患者信息预测模型，定义参数γa、γb、γc，分别表示回归阶数、数据差分次序、平均阶数，利用改进的神经网络算法，对所述回归阶数、数据差分次序、平均阶数进行个性优化，设置神经网络输出层有三个输出元素，将用户数据输入神经网络输入层，隐含层输出表示为：
表示输入层第i个数据到隐含层第j个神经元之间的权值，不同数据到不同神经元之间的权值不同，/>表示隐含层第j个神经元的输出，基于输出数据，得到输出层输出/>表示如下：
表示隐含层第j个神经元与输出层第k个神经元之间的权值，/>表示输出层第k个神经元的输出，k取1、2、3，输出层输出的三个元素对应回归阶数、数据差分次序、平均阶数，表示如下：
根据神经网络反向传播，更新权值，基于t+1时刻用户数据，进行迭代计算，针对不同用户具体情况，优化回归阶数、数据差分次序、平均阶数；基于用户数据，定义预测系数，计算公式如下：
μi,t表示t时刻数据i的预测系数，xi,t-1表示t-1时刻第i各数据的值，基于预测系数，构建预测模型函数，函数表达式如下：
∑fi′,t×(1-μi,t)γb＝∑fi′,′t×ξi,t
fi′,t表示t时刻数据i的预测回归函数，fi′,′t表示t时刻数据i的预测偏差函数，α1、α2、分别表示预测回归函数系数，β1、β2、/>表示预测偏差函数系数，ξi,t表示t时刻数据i的白噪声、
基于预测模型函数，对t+1时刻的数据进行预测，公式如下：
在具体实施例中，采用本发明提供的患者信息预测模型，对一百个患者的信息进行预测，相比于传统的疾病预测算法，预测结果的准确率较高。具体的，所述健康管理模块，基于患者预测的数据，结合权重优化算法，构建健康计算模型，计算患者健康程度，详细过程如下：
基于对患者身体数据的预测，计算患者的标准健康程度，不同患者对不同的特征敏感程度不同，提出权重优化算法，对各数据权重进行优化，定义权重优化函数D，公式如下：
ηi,t表示t时刻数据i的健康权重，表示t时刻数据i的预测值，且权重和为1，通过非线性规划模型得到各权重的最优解，基于指数平滑法，每个时间点的数据都会对时间轴上后续所有点的结果产生影响，考虑历史时刻数据和采用迭代法考虑历史数据期望值，得到t+1时刻健康权重ηi,t+1，公式如下：
σ1、σt表示平滑因子，ηi,1、分别表示初始时刻的健康权重和初始时刻健康权重的估计值，初始时刻二者相等，/>表示t时刻数据i的健康权重估计值，根据各个时刻的患者数据、患者糖尿病状态、医务人员的随访结果，对不同患者的健康权重进行迭代优化，基于优化后的健康权重，提出患者的健康程度F，计算公式如下：
Ii表示身体指标i的健康标准范围 ρi表示身体指标数据i的健康标准范围的上限和下限，/>表示/>与Ii的偏差程度，在具体实施例中，采用本发明提供的健康计算模型对一百名患者健康程度进行计算，根据计算结果安排随访，相比于传统的随访安排方案，可以快速决定需随访患者，提高了医护人员的随访效率。
具体的，所述在线随访模块，利用配备显示屏和摄像头的智能随访仪，医护人员可随时与患者进行视频沟通，医护人员和患者的客户端也在所述智能随访仪上操作，医护人员基于患者上传的健康数据和视频观察，判断患者的身体情况。
具体的，所述实时监测模块，患者通过智能手环设备，对身体基本指标进行实时监测，当监测到变化波动较大时，医护人员客户端对医护人员进行提醒、医护人员立刻通过智能手环与患者进行沟通检查。
具体的，一种糖尿病随访装置，其特征在于，应用于糖尿病随访平台，包括智能手环设备，用于患者身体指标的监测和沟通、智能随访仪，用于医护人员随访行为。
具体的，一种电子设备，其特征在于，包括至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器执行如权利要求1-8任一所述的糖尿病随访的步骤。
具体的，所述存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现权利要求1-8所述的糖尿病随访步骤。
本实施例的有益效果：
本发明提出一种糖尿病随访管理系统、装置、电子设备和存储介质，包括客户端模块、信息收集模块、信息储存模块、算法预测模块、健康管理模块、在线随访模块、实时监测模块；客户端模块为系统提供操作界面，将医护人员和患者客户端进行分离，提供不同的功能；身体信息收集模块利用简易检查设备，收集患者糖尿病相关身体信息，且收集患者饮食信息、锻炼数据、睡眠数据；信息储存模块利用分布式储存技术，对患者信息进行分布式储存，采用分层储存结构，便于进行信息检索，且可储存多种格式的信息；算法预测模块利用改进的自回归预测算法，采用改进的神经网络，设置三层神经网络，利用神经网络输出层的数据，优化回归阶数、数据差分次序、平均阶数，基于历史数据和当前数据，计算预测系数，构建预测模型函数，预测未来时刻数据，与传统的疾病预测算法相比，使用改进的神经网络计算卖出的预测模型参数，提高了预测模型的准确性，且根据后续数据，预测模型可实时进行更新；健康管理模块采用权重优化算法，根据数据敏感程度不同，构建权重优化函数，基于指数平滑法，考虑历史数据的值和期望值，更新权重，进行患者健康程度计算，本发明提出的健康计算模型，针对不同的患者情况，有着不同的计算参数，将患者健康进行量化，便于医护人员进行随访安排，提高了医护人员的工作效率，提高医疗资源的利用率；在线随访模块利用电子设备，提供患者和医护人员线上沟通的渠道；实时监测模块利用智能手环设备，实时监测患者的基本身体数据。本发明提出的糖尿病随访管理系统，让患者更轻松地记录和监测其生理数据，无需繁琐的手动操作，提高了管理的效率，提高了数据的准确性，减少了主观误差，减少了患者和医疗保健提供者的时间和精力，为医疗决策提供了更可靠的基础。分析患者的数据并预测其糖尿病风险和趋势。有助于医疗保健提供者为每位患者提供个性化的治疗和管理建议，提高了疾病管理的效果。在线随访允许医疗保健提供者远程监测患者的状况，并提供实时支持和建议。降低了面对面随访的需求，特别是对于居住在偏远地区或行动不便的患者而言，具有极大的便利性。本发明提供了一种综合性的糖尿病管理解决方案，通过提高管理效率、数据准确性、个性化管理和远程监测等多方面的有益效果，有望改善糖尿病患者的生活质量，减轻医疗保健系统的负担，从而对社会和患者都具有显著的价值。
本发明还提供了一种计算机可读存储介质，该存储介质中存储有至少一条指令，该指令由处理器加载并执行，以实现上述方法。其中，该计算机可读存储介质可以是ROM、随机存取存储器、CD-ROM、磁带、软盘和光数据存储设备等。其内存储的指令可由终端中的处理器加载并执行上述方法。
本发明实施方式是参照本发明实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上，便于计算机或其他可编程终端设备可执行一系列操作步骤以产生计算机实现的处理方法，从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本发明中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本发明所示的这些实施例，而是要符合与本发明所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种糖尿病随访管理系统，包括客户端模块、信息收集模块、信息储存模块、算法预测模块、健康管理模块、在线随访模块、实时监测模块；客户端模块为系统提供操作界面；信息收集模块利用简易检查设备，收集患者糖尿病相关身体信息；信息储存模块利用分布式储存技术，对患者信息进行分布式储存；算法预测模块利用改进的自回归预测算法，基于患者身体信息数据，预测患者的病情发展情况；健康管理模块采用权重优化算法，构建健康计算模型，计算患者健康程度，安排随访；在线随访模块利用电子设备，提供患者和医护人员线上沟通的渠道；实时监测模块利用智能手环设备，实时监测患者的基本身体数据。
2.根据权利要求1所述一种糖尿病随访管理系统，其特征在于，所述客户端模块，包括患者客户端、医护人员客户端；所述患者客户端提供身体数据上传界面、数据统计界面、病情预测界面、康复方案界面；所述医护人员客户端提供患者信息界面、患者管理界面、随访沟通界面、患者数据统计界面。
3.根据权利要求1所述一种糖尿病随访管理系统，其特征在于，所述信息收集模块，包括利用电子设备对身体进行一些和糖尿病相关的检查，包括利用血糖仪检测血糖、利用体重秤检测体重、利用血压计测量血压，将检测的数据通过患者客户端进行上传储存；包括通过患者客户端输入患者一天的饮食结构、利用智能手环自动上传的睡眠数据、锻炼数据。
4.根据权利要求1所述一种糖尿病随访管理系统，其特征在于，所述信息储存模块，利用分布式储存技术，将患者信息数据进行去中心化分布式储存，保证患者数据的稳定性和安全性；采用分层存储结构，便于有效地组织和检索各种类型的信息，根据时间戳将数据存储在不同的存储单元中，便于查找历史数据和趋势，支持多种数据格式，容纳不同类型的信息，包括文本、图像、视频。
5.根据权利要求1所述一种糖尿病随访管理系统，其特征在于，所述算法预测模块，利用改进的自回归预测算法，构建患者信息预测模型，基于患者历史身体信息数据，预测未来时刻患者身体数据的变化情况，详细过程如下：
定义t时刻患者身体信息数据Xα,t，表示为Xα,t＝[x1,t,x2,t,xi,t,…,xn,t]，其中x1,t、x2,t、xi,t、xn,t分别表示t时刻第1种、第2种、第i种、第n种身体信息数据，针对患者信息预测模型，定义参数γa、γb、γc，分别表示回归阶数、数据差分次序、平均阶数，利用改进的神经网络算法，对所述回归阶数、数据差分次序、平均阶数进行个性优化，设置神经网络输出层有三个输出元素，将用户数据输入神经网络输入层，隐含层输出表示为：
表示输入层第i个数据到隐含层第j个神经元之间的权值，不同数据到不同神经元之间的权值不同，/>表示隐含层第j个神经元的输出，基于输出数据，得到输出层输出表示如下：
表示隐含层第j个神经元与输出层第k个神经元之间的权值，/>表示输出层第k个神经元的输出，k取1、2、3，输出层输出的三个元素对应回归阶数、数据差分次序、平均阶数，表示如下：
根据神经网络反向传播，更新权值，基于t+1时刻用户数据，进行迭代计算，针对不同用户具体情况，优化回归阶数、数据差分次序、平均阶数；基于用户数据，定义预测系数，计算公式如下：
μi,t表示t时刻数据i的预测系数，xi,t-1表示t-1时刻第i各数据的值，基于预测系数，构建预测模型函数，函数表达式如下：
f′i,t表示t时刻数据i的预测回归函数，f″i,t表示t时刻数据i的预测偏差函数，α1、α2、分别表示预测回归函数系数，β1、β2、/>表示预测偏差函数系数，ξi,t表示t时刻数据i的白噪声、
基于预测模型函数，对t+1时刻的数据进行预测，公式如下：
6.根据权利要求1所述一种糖尿病随访管理系统，其特征在于，所述健康管理模块，基于患者预测的数据，结合权重优化算法，构建健康计算模型，计算患者健康程度，详细过程如下：
基于对患者身体数据的预测，计算患者的标准健康程度，不同患者对不同的特征敏感程度不同，提出权重优化算法，对各数据权重进行优化，定义权重优化函数D，公式如下：
ηi,t表示t时刻数据i的健康权重，表示t时刻数据i的预测值，且权重限定如下：
∑ηi,t＝1
通过非线性规划模型得到各权重的最优解，基于指数平滑法，每个时间点的数据都会对时间轴上后续所有点的结果产生影响，通过平滑因子同步考虑历史时刻的估计值，采用迭代法进一步的考虑过去所有的期望值，得到t+1时刻健康权重ηi,t+1，公式如下：
σ1、σt表示平滑因子，ηi,1、分别表示初始时刻的健康权重和初始时刻健康权重的估计值，初始时刻二者相等，/>表示t时刻数据i的健康权重估计值，根据各个时刻的患者数据、患者糖尿病状态、医务人员的随访结果，对不同患者的健康权重进行迭代优化，基于优化后的健康权重，提出患者的健康程度F，计算公式如下：
Ii表示身体指标i的健康标准范围 ρi表示身体指标数据i的健康标准范围的上限和下限，/>表示/>与Ii的偏差程度，基于健康程度F的计算结果，医护人员根据患者的糖尿病发展危险程度，安排随访。
7.根据权利要求1所述一种糖尿病随访管理系统，其特征在于，所述在线随访模块，利用配备显示屏和摄像头的智能随访仪，医护人员可随时与患者进行视频沟通，医护人员和患者的客户端也在所述智能随访仪上操作，医护人员基于患者上传的健康数据和视频观察，判断患者的身体情况。
8.根据权利要求1所述一种糖尿病随访管理系统，其特征在于，所述实时监测模块，患者通过智能手环设备，对身体基本指标进行实时监测，当监测到变化波动较大时，医护人员客户端对医护人员进行提醒、医护人员立刻通过智能手环与患者进行沟通检查。
9.一种糖尿病随访装置，其特征在于，应用于糖尿病随访平台，包括智能手环设备，用于患者身体指标的监测和沟通、智能随访仪，用于医护人员随访行为。
10.一种电子设备，其特征在于，包括至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器执行如权利要求1-8任一所述的糖尿病随访的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311221870.7A CN117409984B (zh) | 2023-09-21 | 2023-09-21 | 一种糖尿病随访管理系统、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311221870.7A CN117409984B (zh) | 2023-09-21 | 2023-09-21 | 一种糖尿病随访管理系统、装置、电子设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117409984A true CN117409984A (zh) | 2024-01-16 |
| CN117409984B CN117409984B (zh) | 2024-07-02 |
Family
ID=89486186
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311221870.7A Active CN117409984B (zh) | 2023-09-21 | 2023-09-21 | 一种糖尿病随访管理系统、装置、电子设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117409984B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118072915A (zh) * | 2024-03-18 | 2024-05-24 | 广州海博特医药科技有限公司 | 一种随访路径定义方法和系统 |
Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2005110029A2 (en) * | 2004-05-07 | 2005-11-24 | Intermed Advisor, Inc. | Method and apparatus for real time predictive modeling for chronically ill patients |
| US20060025931A1 (en) * | 2004-07-30 | 2006-02-02 | Richard Rosen | Method and apparatus for real time predictive modeling for chronically ill patients |
| US20070168224A1 (en) * | 2005-11-22 | 2007-07-19 | Letzt Alan M | Advanced diabetes management system (adms) |
| CN106446591A (zh) * | 2016-11-26 | 2017-02-22 | 烟台凯富医疗科技有限公司 | 一种基于医疗系统的智能随访管理系统 |
| CN109360613A (zh) * | 2018-10-15 | 2019-02-19 | 平安科技（深圳）有限公司 | 用户健康的随访方法、装置、计算机设备及存储介质 |
| CN208768109U (zh) * | 2018-09-03 | 2019-04-19 | 广州市行心信息科技有限公司 | 一种基于云平台的1型糖尿病病人康复跟踪系统 |
| CN110136841A (zh) * | 2019-03-27 | 2019-08-16 | 平安科技（深圳）有限公司 | 疾病发病预测方法、装置及计算机可读存储介质 |
| CN111631730A (zh) * | 2020-05-15 | 2020-09-08 | 中国科学院深圳先进技术研究院 | 基于传感数据和生理信息融合的低血糖预警方法和系统 |
| CN112102953A (zh) * | 2020-10-22 | 2020-12-18 | 平安科技（深圳）有限公司 | 个性化糖尿病健康管理系统、设备及存储介质 |
| CN113113156A (zh) * | 2021-04-16 | 2021-07-13 | 广州中康数字科技有限公司 | 一种基于医疗系统用的智能随访管理系统及方法 |
| CN113284632A (zh) * | 2021-05-28 | 2021-08-20 | 平安国际智慧城市科技股份有限公司 | 糖尿病患者的随访方法、装置、电子设备及存储介质 |
| CN113299357A (zh) * | 2021-04-28 | 2021-08-24 | 山东第一医科大学附属省立医院 | 一种糖尿病随访方法、装置、电子设备和存储介质 |
| CN115862795A (zh) * | 2022-09-22 | 2023-03-28 | 深圳可孚生物科技有限公司 | 一种基于预训练和数据分解两阶段的血糖预测方法 |
| CN115985523A (zh) * | 2023-02-02 | 2023-04-18 | 南京市妇幼保健院 | 一种数字化慢病随访管理系统 |
| US20230140055A1 (en) * | 2021-11-02 | 2023-05-04 | Dexcom, Inc. | Prediction funnel for generation of hypo- and hyper-glycemic alerts based on continuous glucose monitoring data |
| CN116417141A (zh) * | 2023-02-28 | 2023-07-11 | 江苏省人民医院（南京医科大学第一附属医院） | 基于人工智能的1型糖尿病健康评估模型及方法 |
-
2023
- 2023-09-21 CN CN202311221870.7A patent/CN117409984B/zh active Active
Patent Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2005110029A2 (en) * | 2004-05-07 | 2005-11-24 | Intermed Advisor, Inc. | Method and apparatus for real time predictive modeling for chronically ill patients |
| US20060025931A1 (en) * | 2004-07-30 | 2006-02-02 | Richard Rosen | Method and apparatus for real time predictive modeling for chronically ill patients |
| US20070168224A1 (en) * | 2005-11-22 | 2007-07-19 | Letzt Alan M | Advanced diabetes management system (adms) |
| CN106446591A (zh) * | 2016-11-26 | 2017-02-22 | 烟台凯富医疗科技有限公司 | 一种基于医疗系统的智能随访管理系统 |
| CN208768109U (zh) * | 2018-09-03 | 2019-04-19 | 广州市行心信息科技有限公司 | 一种基于云平台的1型糖尿病病人康复跟踪系统 |
| CN109360613A (zh) * | 2018-10-15 | 2019-02-19 | 平安科技（深圳）有限公司 | 用户健康的随访方法、装置、计算机设备及存储介质 |
| CN110136841A (zh) * | 2019-03-27 | 2019-08-16 | 平安科技（深圳）有限公司 | 疾病发病预测方法、装置及计算机可读存储介质 |
| CN111631730A (zh) * | 2020-05-15 | 2020-09-08 | 中国科学院深圳先进技术研究院 | 基于传感数据和生理信息融合的低血糖预警方法和系统 |
| CN112102953A (zh) * | 2020-10-22 | 2020-12-18 | 平安科技（深圳）有限公司 | 个性化糖尿病健康管理系统、设备及存储介质 |
| CN113113156A (zh) * | 2021-04-16 | 2021-07-13 | 广州中康数字科技有限公司 | 一种基于医疗系统用的智能随访管理系统及方法 |
| CN113299357A (zh) * | 2021-04-28 | 2021-08-24 | 山东第一医科大学附属省立医院 | 一种糖尿病随访方法、装置、电子设备和存储介质 |
| CN113284632A (zh) * | 2021-05-28 | 2021-08-20 | 平安国际智慧城市科技股份有限公司 | 糖尿病患者的随访方法、装置、电子设备及存储介质 |
| US20230140055A1 (en) * | 2021-11-02 | 2023-05-04 | Dexcom, Inc. | Prediction funnel for generation of hypo- and hyper-glycemic alerts based on continuous glucose monitoring data |
| CN115862795A (zh) * | 2022-09-22 | 2023-03-28 | 深圳可孚生物科技有限公司 | 一种基于预训练和数据分解两阶段的血糖预测方法 |
| CN115985523A (zh) * | 2023-02-02 | 2023-04-18 | 南京市妇幼保健院 | 一种数字化慢病随访管理系统 |
| CN116417141A (zh) * | 2023-02-28 | 2023-07-11 | 江苏省人民医院（南京医科大学第一附属医院） | 基于人工智能的1型糖尿病健康评估模型及方法 |
Non-Patent Citations (2)
| Title |
|---|
| FRANCESCO PRENDIN ET AL: "Assessment of Seasonal Stochastic Local Models for Glucose Prediction without Meal Size Information under Free-Living Conditions", 《SENSORS》, 10 November 2022 (2022-11-10), pages 1 - 17 * |
| 耿建军 等: "基于GRNN神经网络的变权组合预测的权重确定方法", 《数学的实践与认识》, vol. 41, no. 3, 28 February 2011 (2011-02-28), pages 86 - 93 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118072915A (zh) * | 2024-03-18 | 2024-05-24 | 广州海博特医药科技有限公司 | 一种随访路径定义方法和系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117409984B (zh) | 2024-07-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| RU2757048C1 (ru) | Способ и система оценки здоровья тела человека на основе данных большого объема о сне | |
| CN109119130A (zh) | 一种基于云计算的大数据健康管理系统及方法 | |
| JP2018524137A (ja) | 心理状態を評価するための方法およびシステム | |
| CN113241196B (zh) | 基于云-终端协同的远程医疗与分级监控系统 | |
| CN117409984B (zh) | 一种糖尿病随访管理系统、装置、电子设备和存储介质 | |
| RU2712395C1 (ru) | Способ выдачи рекомендаций по поддержанию здорового образа жизни на основе параметров ежедневной деятельности пользователя, автоматически отслеживаемых в реальном времени, и соответствующая система (варианты) | |
| CN117831745B (zh) | 基于数据分析的远程护理管理方法及系统 | |
| CN116098595B (zh) | 一种心源性及脑源性猝死监测预防系统和方法 | |
| US20240006069A1 (en) | Medical Event Prediction Using a Personalized Dual-Channel Combiner Network | |
| CN118213092B (zh) | 一种用于慢性创面疾病的远程医疗监管系统 | |
| CN117045889A (zh) | 终末期肾病血透血压模式识别和干预系统及相关装置 | |
| CN116417141A (zh) | 基于人工智能的1型糖尿病健康评估模型及方法 | |
| US12073945B2 (en) | Patient ventilator asynchrony detection | |
| CN116936134B (zh) | 一种基于护理晨交班数据的并发症监测方法和系统 | |
| CN117095828A (zh) | 基于糖尿病患者随访记录的血糖值预测和告警方法 | |
| US20170011184A1 (en) | Method of Adaptively Predicting Blood-Glucose Level by Collecting Biometric and Activity Data with A User Portable Device | |
| WO2023148145A1 (en) | System for forecasting a mental state of a subject and method | |
| CN114093450A (zh) | 一种基于可穿戴设备的慢病管理系统及方法 | |
| KR101422064B1 (ko) | 시멘틱 환경의 유헬스 서비스를 제공하기 위한 나이브 베이지안 필터링 기반의 개인화 컨텐츠 추천 방법 및 이를 이용하는 디지털 ｔｖ 기반의 유헬스 서비스 플랫폼 | |
| KR102382659B1 (ko) | 당화혈색소 수치 추정을 위한 인공지능학습 모델의 학습 방법 및 그 시스템 | |
| CN118692681B (zh) | 一种心脏监测信息分析方法及系统 | |
| CN118072930B (zh) | 基于数字孪生的医院运营管理系统及方法 | |
| WO2021181634A1 (ja) | 教師データ収集依頼装置および教師データ収集方法 | |
| US20210407686A1 (en) | Detecting Early Symptoms And Providing Preventative Healthcare Using Minimally Required But Sufficient Data | |
| CN118800459A (zh) | 一种慢病人群健康评估方法及评估装置 |
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 |