CN117524454B - 一种基于互联网的医疗数据安全监测系统及方法 - Google Patents

一种基于互联网的医疗数据安全监测系统及方法 Download PDF

Info

Publication number
CN117524454B
CN117524454B CN202410016226.4A CN202410016226A CN117524454B CN 117524454 B CN117524454 B CN 117524454B CN 202410016226 A CN202410016226 A CN 202410016226A CN 117524454 B CN117524454 B CN 117524454B
Authority
CN
China
Prior art keywords
doctor
behavior
risk
unified
statistical
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
Application number
CN202410016226.4A
Other languages
English (en)
Other versions
CN117524454A (zh
Inventor
郭楚华
李文翔
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.)
Nanjing Hengdu Medical Technology Co ltd
Original Assignee
Nanjing Hengdu Medical 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 Nanjing Hengdu Medical Technology Co ltd filed Critical Nanjing Hengdu Medical Technology Co ltd
Priority to CN202410016226.4A priority Critical patent/CN117524454B/zh
Publication of CN117524454A publication Critical patent/CN117524454A/zh
Application granted granted Critical
Publication of CN117524454B publication Critical patent/CN117524454B/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
    • 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
    • G16H40/60—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 operation of medical equipment or devices
    • G16H40/67—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 operation of medical equipment or devices for remote operation
    • 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/1396—Protocols specially adapted for monitoring users' activity
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/50—Network services
    • H04L67/535—Tracking the activity of the user
    • 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)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Business, Economics & Management (AREA)
  • General Business, Economics & Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Epidemiology (AREA)
  • Medical Informatics (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Computer Hardware Design (AREA)
  • General Engineering & Computer Science (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

本发明涉及数据安全监测技术领域，具体为一种基于互联网的医疗数据安全监测系统及方法，所述系统包括风险行为分析及识别模块，所述风险行为分析及识别模块调取待测医院的各个医生在基于当前时间的单位时间内分别对医院数据库的统计操作行为信息，根据每个操作行为归类信息集中医生的身份要素特征及操作要素特征，结合构建的待测医院对应的医生身份操作关联模型，得到相应医生的统计操作行为对应的模型关联系数，并识别医生的统方风险行为信息。本发明在统方风险行为分析过程中，考虑到不同医生冒名统方的情况，结合定位影像识别结果及统方风险影响值对医生的统方风险行为进行量化，提高对医疗数据中统方行为的安全监测能力及监测精度。

Description

一种基于互联网的医疗数据安全监测系统及方法
技术领域
本发明涉及数据安全监测技术领域，具体为一种基于互联网的医疗数据安全监测系统及方法。
背景技术
随着各医院信息化系统的大量使用，统方医疗数据的方法越来越多，非法统方的事件逐渐频繁发生。为及时定位非法统方人员以及避免更多非法统方事件的发生，越来越多的医院使用了防统方系统，对医生的统方操作行为进行监控预警。
现有的基于互联网的医疗数据安全监测系统中，在进行防统方时，通常只从医生账号对应的指令操作层面对医生的统方行为进行监测，但是，该方式存在较大的缺陷，由于医院中主机设备存在他用的情况，在用户未退出登录的账号时，其余用户在该主机设备上执行的操作行为均默认为登录的账号对应的操作行为；同时，医院中不同科室对操作行为的需求也是存在差异的，不能采用同一个的监测标准进行衡量，进而现有技术存在统方行为监测结果误判的情况，无法准确识别非法统方行为。
发明内容
本发明的目的在于提供一种基于互联网的医疗数据安全监测系统及方法，以解决上述背景技术中提出的问题。
为了解决上述技术问题，本发明提供如下技术方案：一种基于互联网的医疗数据安全监测方法，所述方法包括以下步骤：
S1、获取历史数据中待测医院的各个医生分别对医院数据库的统计操作行为信息，对每个医生对应的统计操作行为信息进行归类，得到每个医生对应的操作行为归类信息集；分别提取每个操作行为归类信息集中医生的身份要素特征及操作要素特征，构建待测医院对应的医生身份操作关联模型；
S2、调取待测医院的各个医生在基于当前时间的单位时间内分别对医院数据库的统计操作行为信息，根据每个操作行为归类信息集中医生的身份要素特征及操作要素特征，结合构建的待测医院对应的医生身份操作关联模型，得到相应医生的统计操作行为对应的模型关联系数，并识别医生的统方风险行为信息；
S3、对同一医生对应的各个统方风险行为信息进行统计，并将同一医生对应的统方风险行为信息逐个录入到一个空白集合中，得到相应医生的统方风险行为集；并分析相应医生的统方风险行为集中各个元素之间的关联关系，并将存在关联关系的不同元素进行融合，得到融合处理后相应医生的统方风险行为集；
S4、提取每个医生对应统方风险行为集中各元素分别对应的影响时间区间内设备操作影像，结合融合处理后的每个医生的统方风险行为集中各个元素分别对应的信息，分析每个医生对应的统方风险影响值，并按照对应统方风险影响值从大到小的顺序生成医生统方行为风险序列，将每个医生对应统方风险行为集及提取的相应设备操作影像与相应医生进行绑定，生成统方行为预警信息反馈给管理员。
进一步的，所述S1中医生的统计操作行为信息包括身份要素特征及操作要素特征，所述身份要素特征包括医生登录账号、医生所属科室、操作时间及操作设备，所述操作要素特征包括操作执行语句、统计关键词及操作指令最大停留时长；所述统计关键词包括用户对象、统计材料及统计时间区间，且每个操作要素特征包括统计关键词中的一个或多个；
每个医生对应的操作行为归类信息集中元素内的医生登录账号与相应医生的医生登录账号相同或统计的用户对象为相应的医生；所述医生的操作行为归类信息集中对应的每个操作行为均为统计操作行为；所述医生的操作行为包括统计操作行为及非统计操作行为；
构建待测医院对应的医生身份操作关联模型的方法包括以下步骤：
S11、获取每个医生的操作行为归类信息集，
S12、构建每个科室医生的身份操作关联数据对，将第k个科室医生的身份操作关联数据对记为（k，BTk，BFk），
，
其中，BTk表示第k个科室医生的统计操作行为中的时间需求占比；TZk表示第k个科室的所有医生分别对应的各个操作行为归类信息集内，每个元素中操作指令最大停留时长的累加和；TPZk表示待测医院内所有医生分别对应的各个操作行为归类信息集内，每个元素中操作指令最大停留时长的累加和；
；
其中，BFk表示第k个科室医生的操作行为需求偏向占比；TPk表示第k个科室的所有医生分别对应的各个操作行为归类信息集内，每个元素中操作指令最大停留时长的平均值；TFPk表示第k个科室的所有医生在执行非统计操作行为时，每个操作对应的操作指令最大停留时长的平均值；TYP表示待测医院的所有医生分别对应的各个操作行为归类信息集内，每个元素中操作指令最大停留时长的平均值；TYFP表示待测医院的所有医生在执行非统计操作行为时，每个操作对应的操作指令最大停留时长的平均值；
S13、得到待测医院对应的医生身份操作关联模型，记为Q，所述Q等于k为不同值时分别对应的各个科室医生的身份操作关联数据对构成的集合。
本发明考虑到不同科室对系统的依赖需求不同，需要执行统计行为的次数及时间存在差异，进而在构建模型的过程中，以科室为单位对医生的身份及操作行为进行关联分析，使得构建的模型更加精准，便于后续步骤中准确识别医生的统方风险行为。
进一步的，所述S2中得到相应医生操作行为对应的模型关联系数时，将第i个医生的第g个操作行为对应的模型关联系数记为Mig，
，
其中，BTig表示第i个医生所属科室内医生的统计操作行为中的时间需求占比；BFig表示第i个医生所属科室内医生的操作行为需求偏向占比；TPig表示第i个医生的第g个操作行为对应的操作指令最大停留时长；TFPi表示第i个医生在执行非统计操作行为时，每个操作对应的操作指令最大停留时长的平均值；R表示偏差承受阈值，r1表示偏差转化系数，且R与r均为数据库中阈值的常数；
所述G{}表示关联系数裁定函数，当G{}内的自变量对应的值小于等于0时，则G{}对应的函数值等于0；当G{}内的自变量对应的值大于0时，则G{}对应的函数值等于自变量对应的值本身；
所述识别医生的统方风险行为信息时，将对应的模型关联系数不为0的医生操作行为作为一个统方风险行为，所述统方风险行为信息等于相应统方风险行为对应的操作行为信息。
本发明获取操作行为对应的模型管理系数，一方面是为了识别医生的统方风险行为，另一方面为后续步骤中计算医生对应的统方风险影响值提供了数据支撑。
进一步的，所述S3中得到相应医生的统方风险行为集时，将待测医院中第i个医生对应的统方风险行为集记为Ai；
分析Ai中第j个元素与第j1个元素之间的关联关系的方法包括以下步骤：
S31、获取Ai中第j个元素与第j1个元素分别对应的统计操作行为信息；
S32、得到Ai中第j个元素与第j1个元素分别对应的统计操作行为信息之间的关联影响值，记为HAi（j，j1），
HAi（j，j1）=Ei（j，j1）·（Dij∩j1/Dij∪j1）；
其中，Ei（j，j1）表示Ai中第j个元素与第j1个元素分别对应的统计操作行为信息之间的检索时间关联值，且Ei（j，j1）=TLi（j，j1）/（WHi（j，j1）-WLi（j，j1）），0≤Ei（j，j1）≤1；
TLi（j，j1）表示Ai中第j个元素与第j1个元素中，对应操作时间小的元素内的操作指令最大停留时长；
WHi（j，j1）表示Ai中第j个元素与第j1个元素分别对应操作时间中的最大值；
WLi（j，j1）表示Ai中第j个元素与第j1个元素分别对应操作时间中的最小值；
Dij∩j1表示Ai中第j个元素与第j1个元素对应的统计操作行为信息之间的操作执行语句中，代码分别对应关键词的交集个数；
Dij∪j1表示Ai中第j个元素与第j1个元素对应的统计操作行为信息之间的操作执行语句中，代码分别对应关键词的并集个数；所述操作执行语句通过代码表示；
S33、将HAi（j，j1）与RM进行比较，所述RM为数据库中预置的关联阈值；
当HAi（j，j1）≥RM时，则判定Ai中第j个元素与第j1个元素之间存在关联关系，两者能够进行融合；
当HAi（j，j1）＜RM时，则判定Ai中第j个元素与第j1个元素之间不存在关联关系，两者不能够进行融合；
将存在关联关系的不同元素进行融合时，融合结果包括身份要素特征及操作要素特征，所述融合后的身份要素特征中医生登录账号、医生所属科室与相应医生的账号及所属科室信息相同，融合后的操作设备为融合前分别对应的各个操作设备的集合，融合后的操作时间为融合前的各个操作时间构成的时间区间；所述融合后的操作要素特征中操作执行语句等于融合前分别对应的操作执行语句构成的集合，融合后的统计关键词等于融合前分别对应的各个统计关键词构成的集合，融合后的操作指令最大停留时长等于融合前对应的最大操作时间与最小操作时间的差值加上最大操作时间所属统计操作行为信息中操作指令最大停留时长之和。
本发明分析不同统方风险行为之间的关联关系，是为了区分医生的统方风险行为是偶然性的行为，还是连续性的行为，便于将存在连续性的行为对应的不同统方风险行为进行融合便于后续步骤对医生的统方风险影响值进行量化，进而辅助管理员对医生的统方行为进行甄别处理。
进一步的，所述S4中分析每个医生对应的统方风险影响值的方法包括以下步骤：
S41、提取每个医生对应统方风险行为集中各元素分别对应的影响时间区间内设备操作影像；识别每个元素对应影响时间区间内设备操作影像中的所有操作人员与相应统方风险行为集对应的医生之间的关系，其中，元素对应的影响时间区间的最小值为相应元素对应的操作时间，元素对应的影响时间区间的最大值等于相应元素对应的操作时间与相应元素对应的操作指令最大停留时长之和；
在识别结果中操作人员存在相应统方风险行为集对应的医生之外的人员，则对识别人员进行标记，并将识别结果所属元素与各个识别人员进行绑定，在绑定人员对应的统方风险行为集中不存在识别结果所属元素的情况下，将识别结果所属元素添加到绑定人员对应的统方风险行为集中；
S42、得到第i个医生对应的统方风险影响值，记为YXi，
当第i个医生对应的统方风险行为集为空集时，则YXi=0；
当第i个医生对应的统方风险行为集不为空集时，
所述；
其中，TPFf表示第i个医生对应的统方风险行为集中第f个操作风险行为相应的操作指令最大停留时长；f1表示第i个医生对应的统方风险行为集中的元素总个数；
Mif表示第i个医生对应的统方风险行为集中第f个操作风险行为相应的模型关联系数；若第i个医生对应的统方风险行为集中第f个操作风险行为是由多个统方风险行为的融合结果，则Mif等于融合前对应的各个统方风险行为对应的各个模型关联系数的累加和；
YPf表示第i个医生对应的统方风险行为集中第f个操作风险行为中对应的统计结果内对应各个药品的优先级系数最大值，每个药品在数据库预置表单对应唯一的优先级系数且优先级系数为常数；
SRf表示第i个医生对应的统方风险行为集中第f个操作风险行为对应设备操作影像中的识别人员个数；
βf表示第i个医生对应的统方风险行为集中第f个操作风险行为对应设备操作影像中的识别人员与第i个医生之间的关系值，
若第i个医生对应的统方风险行为集中第f个操作风险行为对应设备操作影像中的识别人员中含有第i个医生，则判定βf=1；反之，则βf=0。
进一步的，所述S4中生成统方行为预警信息反馈给管理员时，所述统方行为预警信息包括医生统方行为风险序列、序列中各个医生分别绑定的统方风险行为集及相应设备操作影像。
一种基于互联网的医疗数据安全监测系统，所述系统包括以下模块：
特征提取及模型构建模块，所述特征提取及模型构建模块获取历史数据中待测医院的各个医生分别对医院数据库的统计操作行为信息，对每个医生对应的统计操作行为信息进行归类，得到每个医生对应的操作行为归类信息集；分别提取每个操作行为归类信息集中医生的身份要素特征及操作要素特征，构建待测医院对应的医生身份操作关联模型；
风险行为分析及识别模块，所述风险行为分析及识别模块调取待测医院的各个医生在基于当前时间的单位时间内分别对医院数据库的统计操作行为信息，根据每个操作行为归类信息集中医生的身份要素特征及操作要素特征，结合构建的待测医院对应的医生身份操作关联模型，得到相应医生的统计操作行为对应的模型关联系数，并识别医生的统方风险行为信息；
风险行为融合分析模块，所述风险行为融合分析模块对同一医生对应的各个统方风险行为信息进行统计，并将同一医生对应的统方风险行为信息逐个录入到一个空白集合中，得到相应医生的统方风险行为集；并分析相应医生的统方风险行为集中各个元素之间的关联关系，并将存在关联关系的不同元素进行融合，得到融合处理后相应医生的统方风险行为集；
风险影响预警管理模块，所述风险影响预警管理模块提取每个医生对应统方风险行为集中各元素分别对应的影响时间区间内设备操作影像，结合融合处理后的每个医生的统方风险行为集中各个元素分别对应的信息，分析每个医生对应的统方风险影响值，并按照对应统方风险影响值从大到小的顺序生成医生统方行为风险序列，将每个医生对应统方风险行为集及提取的相应设备操作影像与相应医生进行绑定，生成统方行为预警信息反馈给管理员。
进一步的，所述风险行为融合分析模块包括统方风险行为集生成单元及统方风险行为融合单元，
所述统方风险行为集生成单元对同一医生对应的各个统方风险行为信息进行统计，并将同一医生对应的统方风险行为信息逐个录入到一个空白集合中，得到相应医生的统方风险行为集；
所述统方风险行为融合单元分析相应医生的统方风险行为集中各个元素之间的关联关系，并将存在关联关系的不同元素进行融合，得到融合处理后相应医生的统方风险行为集。
进一步的，所述风险影响预警管理模块包括统方风险影响值分析单元、统方行为风险序列生成单元及预警反馈单元，
所述统方风险影响值分析单元提取每个医生对应统方风险行为集中各元素分别对应的影响时间区间内设备操作影像，结合融合处理后的每个医生的统方风险行为集中各个元素分别对应的信息，分析每个医生对应的统方风险影响值；
所述统方行为风险序列生成单元按照对应统方风险影响值从大到小的顺序生成医生统方行为风险序列；
所述预警反馈单元将每个医生对应统方风险行为集及提取的相应设备操作影像与相应医生进行绑定，生成统方行为预警信息反馈给管理员。
与现有技术相比，本发明所达到的有益效果是：本发明在对医疗数据中的统方行为进行监测时，从身份巡检要素特征及操作要素特征这两个方面进行综合分析，构建不同身份要素特征对应的模型，确保对应的统方风险行为识别的准确性；并且在统方风险行为分析过程中，考虑到不同医生冒名统方的情况，结合定位影像识别结果及统方风险影响值对医生的统方风险行为进行量化，并根据生成的医生统方行为风险序列对管理员进行快速预警，提高对医疗数据中统方行为的安全监测能力及监测精度，实现对医疗数据的有效管理。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1是本发明一种基于互联网的医疗数据安全监测方法的流程示意图；
图2是本发明一种基于互联网的医疗数据安全监测系统的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图1，本发明提供技术方案：一种基于互联网的医疗数据安全监测方法，所述方法包括以下步骤：
S1、获取历史数据中待测医院的各个医生分别对医院数据库的统计操作行为信息，对每个医生对应的统计操作行为信息进行归类，得到每个医生对应的操作行为归类信息集；分别提取每个操作行为归类信息集中医生的身份要素特征及操作要素特征，构建待测医院对应的医生身份操作关联模型；
所述S1中医生的统计操作行为信息包括身份要素特征及操作要素特征，所述身份要素特征包括医生登录账号、医生所属科室、操作时间及操作设备，所述操作要素特征包括操作执行语句、统计关键词及操作指令最大停留时长；所述统计关键词包括用户对象、统计材料及统计时间区间，且每个操作要素特征包括统计关键词中的一个或多个，本实施例中默认用户对象为空时对应的医生为待测医院的所有医生；
每个医生对应的操作行为归类信息集中元素内的医生登录账号与相应医生的医生登录账号相同或统计的用户对象为相应的医生；所述医生的操作行为归类信息集中对应的每个操作行为均为统计操作行为；所述医生的操作行为包括统计操作行为及非统计操作行为；
本实施例中若医生甲对应的账号为account，医生乙对应的账号为account1，
若存在三条统计操作行为信息，分别记为count1、count2及count3；
若count1中身份要素特征中的医生登录账号为account，操作要素特征中的用户对象相应的医生为甲，
若count2中身份要素特征中的医生登录账号为account1，操作要素特征中的用户对象相应的医生为甲，
若count3中身份要素特征中的医生登录账号为account1，操作要素特征中的用户对象相应的医生为乙，
则甲医生的操作行为归类信息集包括count1及count2；乙医生的操作行为归类信息集包括count2及count3。
构建待测医院对应的医生身份操作关联模型的方法包括以下步骤：
S11、获取每个医生的操作行为归类信息集，
S12、构建每个科室医生的身份操作关联数据对，将第k个科室医生的身份操作关联数据对记为（k，BTk，BFk），
，
其中，BTk表示第k个科室医生的统计操作行为中的时间需求占比；TZk表示第k个科室的所有医生分别对应的各个操作行为归类信息集内，每个元素中操作指令最大停留时长的累加和；TPZk表示待测医院内所有医生分别对应的各个操作行为归类信息集内，每个元素中操作指令最大停留时长的累加和；
；
其中，BFk表示第k个科室医生的操作行为需求偏向占比；TPk表示第k个科室的所有医生分别对应的各个操作行为归类信息集内，每个元素中操作指令最大停留时长的平均值；TFPk表示第k个科室的所有医生在执行非统计操作行为时，每个操作对应的操作指令最大停留时长的平均值；TYP表示待测医院的所有医生分别对应的各个操作行为归类信息集内，每个元素中操作指令最大停留时长的平均值；TYFP表示待测医院的所有医生在执行非统计操作行为时，每个操作对应的操作指令最大停留时长的平均值；
S13、得到待测医院对应的医生身份操作关联模型，记为Q，所述Q等于k为不同值时分别对应的各个科室医生的身份操作关联数据对构成的集合。
S2、调取待测医院的各个医生在基于当前时间的单位时间内分别对医院数据库的统计操作行为信息，根据每个操作行为归类信息集中医生的身份要素特征及操作要素特征，结合构建的待测医院对应的医生身份操作关联模型，得到相应医生的统计操作行为对应的模型关联系数，并识别医生的统方风险行为信息；
所述S2中得到相应医生操作行为对应的模型关联系数时，将第i个医生的第g个操作行为对应的模型关联系数记为Mig，
，
其中，BTig表示第i个医生所属科室内医生的统计操作行为中的时间需求占比；BFig表示第i个医生所属科室内医生的操作行为需求偏向占比；TPig表示第i个医生的第g个操作行为对应的操作指令最大停留时长；TFPi表示第i个医生在执行非统计操作行为时，每个操作对应的操作指令最大停留时长的平均值；R表示偏差承受阈值，r1表示偏差转化系数，且R与r均为数据库中阈值的常数；
所述G{}表示关联系数裁定函数，当G{}内的自变量对应的值小于等于0时，则G{}对应的函数值等于0；当G{}内的自变量对应的值大于0时，则G{}对应的函数值等于自变量对应的值本身；
所述识别医生的统方风险行为信息时，将对应的模型关联系数不为0的医生操作行为作为一个统方风险行为，所述统方风险行为信息等于相应统方风险行为对应的操作行为信息。
S3、对同一医生对应的各个统方风险行为信息进行统计，并将同一医生对应的统方风险行为信息逐个录入到一个空白集合中，得到相应医生的统方风险行为集；并分析相应医生的统方风险行为集中各个元素之间的关联关系，并将存在关联关系的不同元素进行融合，得到融合处理后相应医生的统方风险行为集；
所述S3中得到相应医生的统方风险行为集时，将待测医院中第i个医生对应的统方风险行为集记为Ai；
分析Ai中第j个元素与第j1个元素之间的关联关系的方法包括以下步骤：
S31、获取Ai中第j个元素与第j1个元素分别对应的统计操作行为信息；
S32、得到Ai中第j个元素与第j1个元素分别对应的统计操作行为信息之间的关联影响值，记为HAi（j，j1），
HAi（j，j1）=Ei（j，j1）·（Dij∩j1/Dij∪j1）；
其中，Ei（j，j1）表示Ai中第j个元素与第j1个元素分别对应的统计操作行为信息之间的检索时间关联值，且Ei（j，j1）=TLi（j，j1）/（WHi（j，j1）-WLi（j，j1）），0≤Ei（j，j1）≤1；
TLi（j，j1）表示Ai中第j个元素与第j1个元素中，对应操作时间小的元素内的操作指令最大停留时长；
WHi（j，j1）表示Ai中第j个元素与第j1个元素分别对应操作时间中的最大值；
WLi（j，j1）表示Ai中第j个元素与第j1个元素分别对应操作时间中的最小值；
Dij∩j1表示Ai中第j个元素与第j1个元素对应的统计操作行为信息之间的操作执行语句中，代码分别对应关键词的交集个数；
Dij∪j1表示Ai中第j个元素与第j1个元素对应的统计操作行为信息之间的操作执行语句中，代码分别对应关键词的并集个数；所述操作执行语句通过代码表示；
S33、将HAi（j，j1）与RM进行比较，所述RM为数据库中预置的关联阈值；
当HAi（j，j1）≥RM时，则判定Ai中第j个元素与第j1个元素之间存在关联关系，两者能够进行融合；
当HAi（j，j1）＜RM时，则判定Ai中第j个元素与第j1个元素之间不存在关联关系，两者不能够进行融合；
将存在关联关系的不同元素进行融合时，融合结果包括身份要素特征及操作要素特征，所述融合后的身份要素特征中医生登录账号、医生所属科室与相应医生的账号及所属科室信息相同，融合后的操作设备为融合前分别对应的各个操作设备的集合，融合后的操作时间为融合前的各个操作时间构成的时间区间；所述融合后的操作要素特征中操作执行语句等于融合前分别对应的操作执行语句构成的集合，融合后的统计关键词等于融合前分别对应的各个统计关键词构成的集合，融合后的操作指令最大停留时长等于融合前对应的最大操作时间与最小操作时间的差值加上最大操作时间所属统计操作行为信息中操作指令最大停留时长之和。
本实施例中操作指令最大停留时长等于相应操作时间的最小值至退出相应操作界面的时间之间的间隔时长。
S4、提取每个医生对应统方风险行为集中各元素分别对应的影响时间区间内设备操作影像，结合融合处理后的每个医生的统方风险行为集中各个元素分别对应的信息，分析每个医生对应的统方风险影响值，并按照对应统方风险影响值从大到小的顺序生成医生统方行为风险序列，将每个医生对应统方风险行为集及提取的相应设备操作影像与相应医生进行绑定，生成统方行为预警信息反馈给管理员。
所述S4中分析每个医生对应的统方风险影响值的方法包括以下步骤：
S41、提取每个医生对应统方风险行为集中各元素分别对应的影响时间区间内设备操作影像；识别每个元素对应影响时间区间内设备操作影像中的所有操作人员与相应统方风险行为集对应的医生之间的关系，其中，元素对应的影响时间区间的最小值为相应元素对应的操作时间，元素对应的影响时间区间的最大值等于相应元素对应的操作时间与相应元素对应的操作指令最大停留时长之和；
在识别结果中操作人员存在相应统方风险行为集对应的医生之外的人员，则对识别人员进行标记，并将识别结果所属元素与各个识别人员进行绑定，在绑定人员对应的统方风险行为集中不存在识别结果所属元素的情况下，将识别结果所属元素添加到绑定人员对应的统方风险行为集中；
S42、得到第i个医生对应的统方风险影响值，记为YXi，
当第i个医生对应的统方风险行为集为空集时，则YXi=0；
当第i个医生对应的统方风险行为集不为空集时，
所述；
其中，TPFf表示第i个医生对应的统方风险行为集中第f个操作风险行为相应的操作指令最大停留时长；f1表示第i个医生对应的统方风险行为集中的元素总个数；
Mif表示第i个医生对应的统方风险行为集中第f个操作风险行为相应的模型关联系数；若第i个医生对应的统方风险行为集中第f个操作风险行为是由多个统方风险行为的融合结果，则Mif等于融合前对应的各个统方风险行为对应的各个模型关联系数的累加和；
YPf表示第i个医生对应的统方风险行为集中第f个操作风险行为中对应的统计结果内对应各个药品的优先级系数最大值，每个药品在数据库预置表单对应唯一的优先级系数且优先级系数为常数；
SRf表示第i个医生对应的统方风险行为集中第f个操作风险行为对应设备操作影像中的识别人员个数；
βf表示第i个医生对应的统方风险行为集中第f个操作风险行为对应设备操作影像中的识别人员与第i个医生之间的关系值，
若第i个医生对应的统方风险行为集中第f个操作风险行为对应设备操作影像中的识别人员中含有第i个医生，则判定βf=1；反之，则βf=0。
所述S4中生成统方行为预警信息反馈给管理员时，所述统方行为预警信息包括医生统方行为风险序列、序列中各个医生分别绑定的统方风险行为集及相应设备操作影像。
如图2所示，一种基于互联网的医疗数据安全监测系统，所述系统包括以下模块：
特征提取及模型构建模块，所述特征提取及模型构建模块获取历史数据中待测医院的各个医生分别对医院数据库的统计操作行为信息，对每个医生对应的统计操作行为信息进行归类，得到每个医生对应的操作行为归类信息集；分别提取每个操作行为归类信息集中医生的身份要素特征及操作要素特征，构建待测医院对应的医生身份操作关联模型；
风险行为分析及识别模块，所述风险行为分析及识别模块调取待测医院的各个医生在基于当前时间的单位时间内分别对医院数据库的统计操作行为信息，根据每个操作行为归类信息集中医生的身份要素特征及操作要素特征，结合构建的待测医院对应的医生身份操作关联模型，得到相应医生的统计操作行为对应的模型关联系数，并识别医生的统方风险行为信息；
风险行为融合分析模块，所述风险行为融合分析模块对同一医生对应的各个统方风险行为信息进行统计，并将同一医生对应的统方风险行为信息逐个录入到一个空白集合中，得到相应医生的统方风险行为集；并分析相应医生的统方风险行为集中各个元素之间的关联关系，并将存在关联关系的不同元素进行融合，得到融合处理后相应医生的统方风险行为集；
风险影响预警管理模块，所述风险影响预警管理模块提取每个医生对应统方风险行为集中各元素分别对应的影响时间区间内设备操作影像，结合融合处理后的每个医生的统方风险行为集中各个元素分别对应的信息，分析每个医生对应的统方风险影响值，并按照对应统方风险影响值从大到小的顺序生成医生统方行为风险序列，将每个医生对应统方风险行为集及提取的相应设备操作影像与相应医生进行绑定，生成统方行为预警信息反馈给管理员。
所述风险行为融合分析模块包括统方风险行为集生成单元及统方风险行为融合单元，
所述统方风险行为集生成单元对同一医生对应的各个统方风险行为信息进行统计，并将同一医生对应的统方风险行为信息逐个录入到一个空白集合中，得到相应医生的统方风险行为集；
所述统方风险行为融合单元分析相应医生的统方风险行为集中各个元素之间的关联关系，并将存在关联关系的不同元素进行融合，得到融合处理后相应医生的统方风险行为集。
所述风险影响预警管理模块包括统方风险影响值分析单元、统方行为风险序列生成单元及预警反馈单元，
所述统方风险影响值分析单元提取每个医生对应统方风险行为集中各元素分别对应的影响时间区间内设备操作影像，结合融合处理后的每个医生的统方风险行为集中各个元素分别对应的信息，分析每个医生对应的统方风险影响值；
所述统方行为风险序列生成单元按照对应统方风险影响值从大到小的顺序生成医生统方行为风险序列；
所述预警反馈单元将每个医生对应统方风险行为集及提取的相应设备操作影像与相应医生进行绑定，生成统方行为预警信息反馈给管理员。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。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 (5)

1.一种基于互联网的医疗数据安全监测方法，其特征在于，所述方法包括以下步骤：
S1、获取历史数据中待测医院的各个医生分别对医院数据库的统计操作行为信息，对每个医生对应的统计操作行为信息进行归类，得到每个医生对应的操作行为归类信息集；分别提取每个操作行为归类信息集中医生的身份要素特征及操作要素特征，构建待测医院对应的医生身份操作关联模型；
S2、调取待测医院的各个医生在基于当前时间的单位时间内分别对医院数据库的统计操作行为信息，根据每个操作行为归类信息集中医生的身份要素特征及操作要素特征，结合构建的待测医院对应的医生身份操作关联模型，得到相应医生的统计操作行为对应的模型关联系数，并识别医生的统方风险行为信息；
S3、对同一医生对应的各个统方风险行为信息进行统计，并将同一医生对应的统方风险行为信息逐个录入到一个空白集合中，得到相应医生的统方风险行为集；并分析相应医生的统方风险行为集中各个元素之间的关联关系，并将存在关联关系的不同元素进行融合，得到融合处理后相应医生的统方风险行为集；
S4、提取每个医生对应统方风险行为集中各元素分别对应的影响时间区间内设备操作影像，结合融合处理后的每个医生的统方风险行为集中各个元素分别对应的信息，分析每个医生对应的统方风险影响值，并按照对应统方风险影响值从大到小的顺序生成医生统方行为风险序列，将每个医生对应统方风险行为集及提取的相应设备操作影像与相应医生进行绑定，生成统方行为预警信息反馈给管理员；
所述S1中医生的统计操作行为信息包括身份要素特征及操作要素特征，所述身份要素特征包括医生登录账号、医生所属科室、操作时间及操作设备，所述操作要素特征包括操作执行语句、统计关键词及操作指令最大停留时长；所述统计关键词包括用户对象、统计材料及统计时间区间，且每个操作要素特征包括统计关键词中的一个或多个；
每个医生对应的操作行为归类信息集中元素内的医生登录账号与相应医生的医生登录账号相同或统计的用户对象为相应的医生；所述医生的操作行为归类信息集中对应的每个操作行为均为统计操作行为；所述医生的操作行为包括统计操作行为及非统计操作行为；
构建待测医院对应的医生身份操作关联模型的方法包括以下步骤：
S11、获取每个医生的操作行为归类信息集，
S12、构建每个科室医生的身份操作关联数据对，将第k个科室医生的身份操作关联数据对记为（k，BTk，BFk），
，
其中，BTk表示第k个科室医生的统计操作行为中的时间需求占比；TZk表示第k个科室的所有医生分别对应的各个操作行为归类信息集内，每个元素中操作指令最大停留时长的累加和；TPZk表示待测医院内所有医生分别对应的各个操作行为归类信息集内，每个元素中操作指令最大停留时长的累加和；
；
其中，BFk表示第k个科室医生的操作行为需求偏向占比；TPk表示第k个科室的所有医生分别对应的各个操作行为归类信息集内，每个元素中操作指令最大停留时长的平均值；TFPk表示第k个科室的所有医生在执行非统计操作行为时，每个操作对应的操作指令最大停留时长的平均值；TYP表示待测医院的所有医生分别对应的各个操作行为归类信息集内，每个元素中操作指令最大停留时长的平均值；TYFP表示待测医院的所有医生在执行非统计操作行为时，每个操作对应的操作指令最大停留时长的平均值；
S13、得到待测医院对应的医生身份操作关联模型，记为Q，所述Q等于k为不同值时分别对应的各个科室医生的身份操作关联数据对构成的集合；
所述S2中得到相应医生操作行为对应的模型关联系数时，将第i个医生的第g个操作行为对应的模型关联系数记为Mig，
，
其中，BTig表示第i个医生所属科室内医生的统计操作行为中的时间需求占比；BFig表示第i个医生所属科室内医生的操作行为需求偏向占比；TPig表示第i个医生的第g个操作行为对应的操作指令最大停留时长；TFPi表示第i个医生在执行非统计操作行为时，每个操作对应的操作指令最大停留时长的平均值；R表示偏差承受阈值，r1表示偏差转化系数，且R与r均为数据库中阈值的常数；
G{}表示关联系数裁定函数，当G{}内的自变量对应的值小于等于0时，则G{}对应的函数值等于0；当G{}内的自变量对应的值大于0时，则G{}对应的函数值等于自变量对应的值本身；
所述识别医生的统方风险行为信息时，将对应的模型关联系数不为0的医生操作行为作为一个统方风险行为，所述统方风险行为信息等于相应统方风险行为对应的操作行为信息；
所述S3中得到相应医生的统方风险行为集时，将待测医院中第i个医生对应的统方风险行为集记为Ai；
分析Ai中第j个元素与第j1个元素之间的关联关系的方法包括以下步骤：
S31、获取Ai中第j个元素与第j1个元素分别对应的统计操作行为信息；
S32、得到Ai中第j个元素与第j1个元素分别对应的统计操作行为信息之间的关联影响值，记为HAi（j，j1），
HAi（j，j1）=Ei（j，j1）·（Dij∩j1/Dij∪j1）；
其中，Ei（j，j1）表示Ai中第j个元素与第j1个元素分别对应的统计操作行为信息之间的检索时间关联值，且Ei（j，j1）=TLi（j，j1）/（WHi（j，j1）-WLi（j，j1）），0≤Ei（j，j1）≤1；
TLi（j，j1）表示Ai中第j个元素与第j1个元素中，对应操作时间小的元素内的操作指令最大停留时长；
WHi（j，j1）表示Ai中第j个元素与第j1个元素分别对应操作时间中的最大值；
WLi（j，j1）表示Ai中第j个元素与第j1个元素分别对应操作时间中的最小值；
Dij∩j1表示Ai中第j个元素与第j1个元素对应的统计操作行为信息之间的操作执行语句中，代码分别对应关键词的交集个数；
Dij∪j1表示Ai中第j个元素与第j1个元素对应的统计操作行为信息之间的操作执行语句中，代码分别对应关键词的并集个数；所述操作执行语句通过代码表示；
S33、将HAi（j，j1）与RM进行比较，所述RM为数据库中预置的关联阈值；
当HAi（j，j1）≥RM时，则判定Ai中第j个元素与第j1个元素之间存在关联关系，两者能够进行融合；
当HAi（j，j1）＜RM时，则判定Ai中第j个元素与第j1个元素之间不存在关联关系，两者不能够进行融合；
将存在关联关系的不同元素进行融合时，融合结果包括身份要素特征及操作要素特征，所述融合后的身份要素特征中医生登录账号、医生所属科室与相应医生的账号及所属科室信息相同，融合后的操作设备为融合前分别对应的各个操作设备的集合，融合后的操作时间为融合前的各个操作时间构成的时间区间；所述融合后的操作要素特征中操作执行语句等于融合前分别对应的操作执行语句构成的集合，融合后的统计关键词等于融合前分别对应的各个统计关键词构成的集合，融合后的操作指令最大停留时长等于融合前对应的最大操作时间与最小操作时间的差值加上最大操作时间所属统计操作行为信息中操作指令最大停留时长之和；
所述S4中分析每个医生对应的统方风险影响值的方法包括以下步骤：
S41、提取每个医生对应统方风险行为集中各元素分别对应的影响时间区间内设备操作影像；识别每个元素对应影响时间区间内设备操作影像中的所有操作人员与相应统方风险行为集对应的医生之间的关系，其中，元素对应的影响时间区间的最小值为相应元素对应的操作时间，元素对应的影响时间区间的最大值等于相应元素对应的操作时间与相应元素对应的操作指令最大停留时长之和；
在识别结果中操作人员存在相应统方风险行为集对应的医生之外的人员，则对识别人员进行标记，并将识别结果所属元素与各个识别人员进行绑定，在绑定人员对应的统方风险行为集中不存在识别结果所属元素的情况下，将识别结果所属元素添加到绑定人员对应的统方风险行为集中；
S42、得到第i个医生对应的统方风险影响值，记为YXi，
当第i个医生对应的统方风险行为集为空集时，则YXi=0；
当第i个医生对应的统方风险行为集不为空集时，
所述；
其中，TPFf表示第i个医生对应的统方风险行为集中第f个操作风险行为相应的操作指令最大停留时长；f1表示第i个医生对应的统方风险行为集中的元素总个数；
Mif表示第i个医生对应的统方风险行为集中第f个操作风险行为相应的模型关联系数；若第i个医生对应的统方风险行为集中第f个操作风险行为是由多个统方风险行为的融合结果，则Mif等于融合前对应的各个统方风险行为对应的各个模型关联系数的累加和；
YPf表示第i个医生对应的统方风险行为集中第f个操作风险行为中对应的统计结果内对应各个药品的优先级系数最大值，每个药品在数据库预置表单对应唯一的优先级系数且优先级系数为常数；
SRf表示第i个医生对应的统方风险行为集中第f个操作风险行为对应设备操作影像中的识别人员个数；
βf表示第i个医生对应的统方风险行为集中第f个操作风险行为对应设备操作影像中的识别人员与第i个医生之间的关系值，
若第i个医生对应的统方风险行为集中第f个操作风险行为对应设备操作影像中的识别人员中含有第i个医生，则判定βf=1；反之，则βf=0。
2.根据权利要求1所述的一种基于互联网的医疗数据安全监测方法，其特征在于：所述S4中生成统方行为预警信息反馈给管理员时，所述统方行为预警信息包括医生统方行为风险序列、序列中各个医生分别绑定的统方风险行为集及相应设备操作影像。
3.一种基于互联网的医疗数据安全监测系统，所述系统应用权利要求1-2中任意一项所述的一种基于互联网的医疗数据安全监测方法实现，其特征在于，所述系统包括以下模块：
特征提取及模型构建模块，所述特征提取及模型构建模块获取历史数据中待测医院的各个医生分别对医院数据库的统计操作行为信息，对每个医生对应的统计操作行为信息进行归类，得到每个医生对应的操作行为归类信息集；分别提取每个操作行为归类信息集中医生的身份要素特征及操作要素特征，构建待测医院对应的医生身份操作关联模型；
风险行为分析及识别模块，所述风险行为分析及识别模块调取待测医院的各个医生在基于当前时间的单位时间内分别对医院数据库的统计操作行为信息，根据每个操作行为归类信息集中医生的身份要素特征及操作要素特征，结合构建的待测医院对应的医生身份操作关联模型，得到相应医生的统计操作行为对应的模型关联系数，并识别医生的统方风险行为信息；
风险行为融合分析模块，所述风险行为融合分析模块对同一医生对应的各个统方风险行为信息进行统计，并将同一医生对应的统方风险行为信息逐个录入到一个空白集合中，得到相应医生的统方风险行为集；并分析相应医生的统方风险行为集中各个元素之间的关联关系，并将存在关联关系的不同元素进行融合，得到融合处理后相应医生的统方风险行为集；
风险影响预警管理模块，所述风险影响预警管理模块提取每个医生对应统方风险行为集中各元素分别对应的影响时间区间内设备操作影像，结合融合处理后的每个医生的统方风险行为集中各个元素分别对应的信息，分析每个医生对应的统方风险影响值，并按照对应统方风险影响值从大到小的顺序生成医生统方行为风险序列，将每个医生对应统方风险行为集及提取的相应设备操作影像与相应医生进行绑定，生成统方行为预警信息反馈给管理员。
4.根据权利要求3所述的一种基于互联网的医疗数据安全监测系统，其特征在于：所述风险行为融合分析模块包括统方风险行为集生成单元及统方风险行为融合单元，
所述统方风险行为集生成单元对同一医生对应的各个统方风险行为信息进行统计，并将同一医生对应的统方风险行为信息逐个录入到一个空白集合中，得到相应医生的统方风险行为集；
所述统方风险行为融合单元分析相应医生的统方风险行为集中各个元素之间的关联关系，并将存在关联关系的不同元素进行融合，得到融合处理后相应医生的统方风险行为集。
5.根据权利要求3所述的一种基于互联网的医疗数据安全监测系统，其特征在于：所述风险影响预警管理模块包括统方风险影响值分析单元、统方行为风险序列生成单元及预警反馈单元，
所述统方风险影响值分析单元提取每个医生对应统方风险行为集中各元素分别对应的影响时间区间内设备操作影像，结合融合处理后的每个医生的统方风险行为集中各个元素分别对应的信息，分析每个医生对应的统方风险影响值；
所述统方行为风险序列生成单元按照对应统方风险影响值从大到小的顺序生成医生统方行为风险序列；
所述预警反馈单元将每个医生对应统方风险行为集及提取的相应设备操作影像与相应医生进行绑定，生成统方行为预警信息反馈给管理员。
CN202410016226.4A 2024-01-05 2024-01-05 一种基于互联网的医疗数据安全监测系统及方法 Active CN117524454B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410016226.4A CN117524454B (zh) 2024-01-05 2024-01-05 一种基于互联网的医疗数据安全监测系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410016226.4A CN117524454B (zh) 2024-01-05 2024-01-05 一种基于互联网的医疗数据安全监测系统及方法

Publications (2)

Publication Number Publication Date
CN117524454A CN117524454A (zh) 2024-02-06
CN117524454B true CN117524454B (zh) 2024-03-12

Family

ID=89742319

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410016226.4A Active CN117524454B (zh) 2024-01-05 2024-01-05 一种基于互联网的医疗数据安全监测系统及方法

Country Status (1)

Country Link
CN (1) CN117524454B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103034682A (zh) * 2012-11-23 2013-04-10 佘焱生 一种通过数据库的监听监测医院统方行为并告警的方法
CN104951894A (zh) * 2015-06-25 2015-09-30 成都厚立信息技术有限公司 医院疾病管理智能分析和评估系统
CN107169356A (zh) * 2017-05-03 2017-09-15 上海上讯信息技术股份有限公司 统方分析方法及设备
CN109785944A (zh) * 2018-12-13 2019-05-21 平安医疗健康管理股份有限公司 基于数据分析的医院评价方法及相关产品
CN111144795A (zh) * 2016-02-29 2020-05-12 飞救医疗科技（北京）有限公司 一种协同工作与质量控制方法与系统
CN113539485A (zh) * 2021-09-02 2021-10-22 河南省尚德尚行网络技术有限公司 医疗数据处理方法及装置
CN113921101A (zh) * 2021-10-15 2022-01-11 首都医科大学宣武医院 一种医疗辅助系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103034682A (zh) * 2012-11-23 2013-04-10 佘焱生 一种通过数据库的监听监测医院统方行为并告警的方法
CN104951894A (zh) * 2015-06-25 2015-09-30 成都厚立信息技术有限公司 医院疾病管理智能分析和评估系统
CN111144795A (zh) * 2016-02-29 2020-05-12 飞救医疗科技（北京）有限公司 一种协同工作与质量控制方法与系统
CN107169356A (zh) * 2017-05-03 2017-09-15 上海上讯信息技术股份有限公司 统方分析方法及设备
CN109785944A (zh) * 2018-12-13 2019-05-21 平安医疗健康管理股份有限公司 基于数据分析的医院评价方法及相关产品
CN113539485A (zh) * 2021-09-02 2021-10-22 河南省尚德尚行网络技术有限公司 医疗数据处理方法及装置
CN113921101A (zh) * 2021-10-15 2022-01-11 首都医科大学宣武医院 一种医疗辅助系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
医院药品防统方工作的实践与探讨;龚晓;杨新潮;柳震;翁怡毅;;现代医院;20171028(第10期);全文 *

Also Published As

Publication number Publication date
CN117524454A (zh) 2024-02-06

Similar Documents

Publication Publication Date Title
GB2586105A (en) Quality review management system
US20180293377A1 (en) Suspicious behavior detection system, information-processing device, method, and program
US20140053025A1 (en) Methods and systems for abnormality analysis of streamed log data
Wang et al. Crowdsourced reliable labeling of safety-rule violations on images of complex construction scenes for advanced vision-based workplace safety
CN109934268B (zh) 异常交易检测方法及系统
CN111370113A (zh) 一种基于物联云的远程心理辅导系统及方法
CN112241734A (zh) 通过知识图谱和贝叶斯网络对设备故障诊断的方法和系统
CN115357418A (zh) 微服务故障检测方法、装置、存储介质及计算机设备
Sumalatha et al. Mediclaim fraud detection and management using predictive analytics
CN113470775B (zh) 信息采集方法、装置、设备及存储介质
CN115050442A (zh) 基于挖掘聚类算法的病种数据上报方法、装置及存储介质
US11816112B1 (en) Systems and methods for automated process discovery
CN117524454B (zh) 一种基于互联网的医疗数据安全监测系统及方法
US20120078912A1 (en) Method and system for event correlation
Villamarín-Bello et al. Gold standard evaluation of an automatic HAIs surveillance system
JP4838593B2 (ja) トラブル情報分析プログラム、トラブル情報分析装置およびトラブル情報分析方法
CN117370548A (zh) 用户行为风险识别方法、装置、电子设备及介质
CN115146728A (zh) 一种行为异常分析方法、装置及电子设备
Xia et al. Process monitoring based on improved recursive PCA methods by adaptive extracting principal components
CN116487066A (zh) 一种临床试验数据监控方法、系统和电子设备
Bansal et al. Data Extraction and Integration from Unstructured Electronic Health Records
Catchpoole et al. Application of a machine learning–based decision support tool to improve an injury surveillance system workflow
Heinrichsmeyer et al. Validation of a failure cause searching and solution finding algorithm for failures in production
US8448028B2 (en) System monitoring method and system monitoring device
CN113535458A (zh) 异常误报的处理方法及装置、存储介质、终端

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