CN117609813B - 一种重症患者监护数据智能管理方法 - Google Patents
一种重症患者监护数据智能管理方法 Download PDFInfo
- Publication number
- CN117609813B CN117609813B CN202410089391.2A CN202410089391A CN117609813B CN 117609813 B CN117609813 B CN 117609813B CN 202410089391 A CN202410089391 A CN 202410089391A CN 117609813 B CN117609813 B CN 117609813B
- Authority
- CN
- China
- Prior art keywords
- similarity
- monitoring
- patients
- index
- monitored data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 185
- 238000007726 management method Methods 0.000 title claims abstract description 25
- 238000000034 method Methods 0.000 claims abstract description 35
- 230000011218 segmentation Effects 0.000 claims abstract description 9
- 201000010099 disease Diseases 0.000 claims description 26
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 26
- 238000004364 calculation method Methods 0.000 claims description 21
- 238000013507 mapping Methods 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 238000003064 k means clustering Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 9
- 238000004458 analytical method Methods 0.000 abstract description 6
- 238000013523 data management Methods 0.000 abstract description 2
- 208000028399 Critical Illness Diseases 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 230000036760 body temperature Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000010224 classification analysis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000000474 nursing effect Effects 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 238000000554 physical therapy Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
- 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
- G16H80/00—ICT specially adapted for facilitating communication between medical practitioners or patients, e.g. for collaborative diagnosis, therapy or health monitoring
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Epidemiology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明涉及监护数据聚类技术领域，具体涉及一种重症患者监护数据智能管理方法。本方法首先获取重症患者监护数据的初始聚类簇，将每个监护数据对应所有指标时序序列分段，获取不同重症患者的每个监护指标在相同时段内的分段变化相似度，然后对所有监护指标每个时段对应的分段变化相似度赋权合并，获取不同重症患者的监护数据相似度，进而获取每个初始聚类簇的集中程度以确定代表监护数据，从而得到最终聚类结果并根据最终聚类结果管理数据。本发明将每个初始聚类簇内监护数据按时序参考价值分段分析并赋权得到不同患者的监护数据相似度，进一步获取每个初始聚类簇的集中特征以确定代表点，提高了最终聚类结果的准确性及监护数据智能管理效果。
Description
技术领域
本发明涉及监护数据聚类技术领域，具体涉及一种重症患者监护数据智能管理方法。
背景技术
重症患者的监护数据可以帮助医生了解重症患者的生命体征及病情发展情况等信息，从而更准确地判断患者的病情、制定更合理的治疗及监护方案。由于医院内重症患者较多且不同的患者病情可能并不相同，故通常需要将监护数据相似的重症患者划分为一类，不仅能够对每类患者进行个性化护理，还有助于医疗资源分配与管理；同时通过分析研究不同类别患者的病情变化以判断不同理疗方案的实施效果，还有助于推动医疗质量的提高。
在对重症患者监护数据进行分类管理时，通常采用代表点聚类算法（ClusteringUsing Representatives，CURE）将相似监护数据的患者划分至同一类别中。在CURE算法聚类过程中，首先需要将整个监护数据集划分为若干个初始簇，然后在每个初始簇内选择部分监护数据作为代表点，进而根据代表点间的距离信息合并初始簇，不断合并簇并迭代获取新的代表点进行簇合并以获取最终聚类结果。代表点数量的合理选择对聚类质量及算法效率至关重要，代表点过多将影响算法的计算复杂度，代表点过少又无法准确反映每个初始簇或合并簇内监护数据的分布特征，进而导致最终聚类结果失真；不合适的代表点数量将严重影响聚类结果质量及算法效率，进而影响对重症患者监护数据智能管理效果。
发明内容
为了解决CURE算法代表点数量设置不合理导致聚类结果质量低进而导致对重症患者监护数据智能管理效果差的技术问题，本发明的目的在于提供一种重症患者监护数据智能管理方法，所采用的技术方案具体如下：
本发明提出一种重症患者监护数据智能管理方法，所述方法包括：
获取每个重症患者在预设历史时段内的监护数据，所述监护数据包括预设历史时段内重症患者在每个监护指标下的指标时序序列；获取所有重症患者的所述监护数据的所有初始聚类簇；
将每个重症患者在每个监护指标下的所述指标时序序列进行分段；在每个所述初始聚类簇中，在相同时段对应分段内，根据不同重症患者在相同监护指标下监护指标的变化趋势差异及幅值差异，获取不同重症患者的每个监护指标在对应时段内的分段变化相似度；将不同重症患者的每个监护指标在每个时段内的所述分段变化相似度根据时序赋权合并，获取预设历史时段内不同重症患者的监护数据相似度；在每个所述初始聚类簇中，根据所有重症患者间的所述监护数据相似度获取对应所述初始聚类簇的集中程度；
根据每个所述初始聚类簇的集中程度获取每个所述初始聚类簇中的代表点数量；根据不同重症患者间的监护数据相似度筛选出每个所述初始聚类簇中所述代表点数量个代表监护数据；根据所有重症患者的监护数据间的差异及所述代表监护数据间的差异获取预设历史时段内所有监护数据的最终聚类结果；根据最终聚类结果对所有重症患者的监护数据分类管理。
进一步地，所述分段变化相似度的计算公式包括：
；
其中，为第/>个重症患者和第/>个重症患者的第/>个监护指标在第/>个时段对应分段内的分段变化相似度；/>为第/>个重症患者的第/>个监护指标在第/>个时段对应分段内的指标幅值均值；/>为第/>个重症患者的第/>个监护指标在第/>个时段对应分段内的指标幅值均值；/>为第/>个重症患者和第/>个重症患者的第/>个监护指标在第/>个时段对应分段内的极大值趋势相似度；/>为第/>个重症患者和第/>个重症患者的第/>个监护指标在第/>个时段对应分段内的极小值趋势相似度；/>为预设第一正常数。
进一步地，所述极大值趋势相似度及极小值趋势相似度的获取方法包括：
获取每个重症患者的每个监护指标在每个时段对应分段内所有监护指标的极大值指标序列及极小值指标序列；在每个极大值指标序列中，将每个极大值指标序列中首尾两个序列元素间的斜率作为对应极大值指标序列的序列斜率；在每个极小值指标序列中，将每个极小值指标序列中首尾两个序列元素间的斜率作为对应极小值指标序列的序列斜率；
在任意两个重症患者间，将每个监护指标在每个时段对应分段内的所述极大值指标序列中，所有相同序列序号的极大值指标对应的监护时刻间隔差异的均值，与两个重症患者对应的所述极大值指标序列的序列斜率的差异相乘，得到第一乘积，将第一乘积负相关映射归一化，得到两个重症患者的每个监护指标在每个时段对应分段内的极大值趋势相似度；
在任意两个重症患者间，将每个监护指标在每个时段对应分段内的所述极小值指标序列中，所有相同序列序号的极小值指标对应的监护时刻间隔差异的均值，与两个重症患者对应的所述极小值指标序列的序列斜率的差异相乘，得到第二乘积，将第二乘积负相关映射归一化，得到两个重症患者的每个监护指标在每个时段对应分段内的极小值趋势相似度。
进一步地，所述监护数据相似度的获取方法包括：
所述指标时序序列被分段为前区分段、中区分段及后区分段；根据监护数据相似度的计算公式获取监护数据相似度；监护数据相似度的计算公式为：
；
其中，为第/>个重症患者和第/>个重症患者的监护数据相似度；/>为监护指标的总数量；/>为第/>个重症患者和第/>个重症患者的第/>个监护指标在第/>个时段对应的前区分段内的分段变化相似度；/>为第/>个重症患者和第/>个重症患者的第/>个监护指标在第/>个时段对应的中区分段内的分段变化相似度；/>为第/>个重症患者和第/>个重症患者的第/>个监护指标在第/>个时段对应的后区分段内的分段变化相似度；/>为前区分段内的分段变化相似度的前区分段权重，/>为中区分段内的分段变化相似度的中区分段权重，/>为后区分段内的分段变化相似度的后区分段权重，其中/>且/>。
进一步地，所述集中程度的获取方法包括：
在每个所述初始聚类簇中，以任一重症患者为目标重症患者，将除所述目标重症患者外的其余所有重症患者与所述目标重症患者间的所述监护数据相似度求均值，得到所述目标重症患者的集中参考值；将每个所述初始聚类簇中的每个重症患者的所述集中参考值的均值，作为对应所述初始聚类簇的集中程度。
进一步地，所述代表点数量的计算公式包括：
；
其中，为第/>个初始聚类簇中的代表点数量；/>为预设第一正整数，/>为预设第二正整数，其中/>；/>为第/>个初始聚类簇的集中程度；/>为所有初始聚类簇的集中程度中的最大集中程度；/>为预设第二正常数。
进一步地，所述代表监护数据的获取方法包括：
在每个所述初始聚类簇中，将与所述初始聚类簇的质心对应监护数据的所述监护数据相似度最小的监护数据，作为对应所述初始聚类簇中的第一代表监护数据，在除质心对应监护数据及所述第一代表监护数据外的其余所有监护数据中，将所述初始聚类簇中与所述第一代表监护数据的所述监护数据相似度最小的监护数据，作为第二代表监护数据，在除质心对应监护数据、所述第一代表监护数据及所述第二代表监护数据外的其余所有监护数据中，将所述初始聚类簇中与所述第一代表监护数据及所述第二代表监护数据的所述监护数据相似度的和值最小的监护数据，作为第三代表监护数据；不断迭代获取新的代表监护数据，直至获取所述初始聚类簇中代表点数量个代表监护数据为止。
进一步地，所述最终聚类结果的获取方法包括：
根据所有重症患者的所述代表监护数据的差异，基于CURE算法获取预设监护等级数量个中间聚类簇，将所述中间聚类簇的质心作为中间聚类簇中心；
将所有监护数据作为样本，根据所有重症患者的监护数据间的欧式距离，以所有所述代表监护数据为聚类中心获取所有代表聚类簇，将所述中间聚类簇中所有代表监护数据对应的代表聚类簇作为所述中间聚类簇中心对应的簇内样本，得到最终聚类结果。
进一步地，所述初始聚类簇的获取方法包括：
基于K-means聚类算法和预设K值对所有监护数据进行聚类，得到初始聚类簇。
进一步地，对所述指标时序序列进行分段的分段方法包括：
将预设历史时段的所述指标时序序列按预设分段数量平均划分。
本发明具有如下有益效果：
本发明首先获取所有重症患者监护数据的初始聚类簇，降低分析规模减少计算资源；然后由于不同时段内的监护数据对重症患者体征情况的参考价值不同，故将每个监护数据对应的所有监护指标下的指标时序序列分段，并在每个初始聚类簇中获取不同重症患者的每个监护指标在对应时段内的分段变化相似度，进而对每个监护指标每个时段对应的分段变化相似度根据时序赋权合并，距离当前时刻越近，对应分段权重越高，以综合获取不同重症患者的监护数据相似度，然后根据监护数据相似度获取每个初始聚类簇的集中程度，以获取每个初始聚类簇中代表点数量个代表监护数据，集中程度侧面反映了代表点的选取数量能否准确反映整个初始聚类簇的相关分布特征，集中程度越小，则越需要更多代表点以表征整个聚簇的特征，进而得到准确的最终聚类结果。本发明通过将每个初始聚类簇内的监护数据按时序参考价值进行分段分析赋权得到不同重症患者间的监护数据相似度，进一步获取每个初始聚类簇内的集中特征以确定代表点，提高了最终聚类结果的准确性及监护数据智能管理效果。
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和优点，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的介绍，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它附图。
图1为本发明一个实施例所提供的一种重症患者监护数据智能管理方法的方法流程图。
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一种重症患者监护数据智能管理方法，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一种重症患者监护数据智能管理方法的具体方案。
请参阅图1，其示出了本发明一个实施例提供的一种重症患者监护数据智能管理方法的方法流程图，具体包括以下步骤：
本发明为对所有重症患者监护数据分类管理，首先获取预设数量个初始聚类簇，然后分析每个初始聚类簇内监护数据的相似度判断每个初始聚类簇的集中程度以获取合适的代表监测数据，进而获取最终聚类结果，便于辅助医护人员管理监护数据或进一步个性化监护重症患者。
步骤S1，获取每个重症患者在预设历史时段内的监护数据，监护数据包括预设历史时段内重症患者在每个监护指标下的指标时序序列；获取所有重症患者的监护数据的所有初始聚类簇。
在本发明的一个实施例中，首先获取当前时刻在历史30天内每个重症患者的监护数据，其中监护数据包括历史30天内每个重症患者的每个监护指标参数，监护指标参数为通过多参数监护仪所采集的包括心率、血压、血氧及体温等反映重症患者生命体征的指标参数；同时为便于后续分析不同重症患者间的监护数据相似度，将历史30天内每个重症患者的每个监护指标的每时刻指标参数根据监护时序顺序构建对应的指标时序序列；在本发明的其他实施例中，实施者也可根据实际管理需求采集其他时间段内的监护数据，也可结合医护人员的定时临床检查数据获取其他种类或数量的监护指标的指标参数，需要注意的是每个患者的每种监护指标的采样频率是一致的。
需要说明的是，本发明实施例所针对的是重症监护患者的监护数据智能管理，故监护数据的完整性对于后续的分类分析至关重要，故本发明实施例中参与重症患者监护数据管理的重症患者至少入院监护20天以上才能根据其监护数据判断数据的变化情况，监护超过20天但少于30天的重症患者可通过差值拟合算法拟合出其余缺失监护数据，进而便于后续分析不同监护患者的监护数据相似情况；在后续的表述说明中，所有重症患者为满足监护数据管理要求的重症患者；差值拟合算法是本领域技术人员所熟知的技术手段，在此不做赘述。
由于重症患者的监护数据规模庞大，故首先将所有重症患者的监护数据进行初始聚类，获取所有重症患者的监护数据的所有初始聚类簇，在降低计算资源的同时便于在较小聚类簇规模内分析患者监护数据间的相似度，以获取反映聚类簇特征结构的代表点。
在本发明的一个优选实施例中，具体采用K-means聚类算法及预设K值将所有重症患者的监护数据进行聚类，其中预设K值设置为8，从所有重症患者的监护数据中随机选择8个监测数据作为聚类中心，得到所有初始聚类簇。在本发明的其他实施例中也可已采用其他聚类算法获取初始聚类簇，其均为本领域技术人员熟知的现有技术，在此不再赘述。
需要说明的是，每个初始聚类簇内的监护数据总数量必须大于1，否则后续步骤将无法分析计算每个初始聚类簇内的不同重症患者间的监护数据相似性，当任一初始聚类簇内监护数据的总数量为1时，需要重新选择聚类中心，获取满足条件的初始聚类簇。
步骤S2，将每个重症患者在每个监护指标下的指标时序序列进行分段；在每个初始聚类簇中，在相同时段对应分段内，根据不同重症患者在相同监护指标下监护指标的变化趋势差异及幅值差异，获取不同重症患者的每个监护指标在对应时段内的分段变化相似度；将不同重症患者的每个监护指标在每个时段内的分段变化相似度根据时序赋权合并，获取预设历史时段内不同重症患者的监护数据相似度；在每个初始聚类簇中，根据所有重症患者间的监护数据相似度获取对应初始聚类簇的集中程度。
考虑到每个重症患者的体征情况会随时间及诊疗效果而变化，距离当前时刻越近的监护数据对重症患者体征情况的表征参考价值越高，且时间跨度过长可能会平滑掉监护数据的相关变化趋势特征，故本发明实施例将每个重症患者在每个监护指标下的指标时序序列进行分段，在每个局部分段内分析重症患者监护数据间的相似度。在本发明的一个实施例中，具体将预设历史时段的指标时序序列按预设分段数量平均划分，将历史30天内的每个指标时序序列平均划分为三段，即每10天内每个重症患者的每个监护指标的指标参数为一个分段。
将每个重症患者在每个监护指标下的指标时序序列分段后，便可在每个初始聚类簇中，根据不同重症患者在相同监护指标下的每个相同时段对应分段间，指标的变化趋势差异及幅值差异，获取不同重症患者的每个监护指标在对应时段内的分段变化相似度。
优选地，在本发明的一个实施例中，考虑到极值点的变化情况侧面反映了指标的波动变化情况，又考虑到分段内监护指标的幅值均值反映了该重症患者的大致体征情况，不同重症患者间的极值波动变化差异及幅值差异能够侧面反映重症患者的监护指标在相同时段对应分段内体征情况的相似程度；分段变化相似度的计算公式包括：
；
其中，为第/>个重症患者和第/>个重症患者的第/>个监护指标在第/>个时段对应分段内的分段变化相似度；/>为第/>个重症患者的第/>个监护指标在第/>个时段对应分段内的指标幅值均值；/>为第/>个重症患者的第/>个监护指标在第/>个时段对应分段内的指标幅值均值；/>为第/>个重症患者和第/>个重症患者的第/>个监护指标在第/>个时段对应分段内的极大值趋势相似度；/>为第/>个重症患者和第/>个重症患者的第/>个监护指标在第/>个时段对应分段内的极小值趋势相似度；/>为预设第一正常数，在本发明实施例中/>具体设置为0.01，防止分母为0。
分段变化相似度的计算公式中，反映了两重症患者在相同监护指标下的指标幅值平均水平的差异，该值越小，说明相同时段内该监测指标的幅值越相似，侧面反映了两重症患者的大致体征情况也越可能相似；/>综合极大值和极小值两个方面反映了两重症患者在相同时段内相同监护指标的波动相似情况，该值越大也说明两重症患者的大致体征波动变化情况也越可能相似；通过乘法将极值点的波动变化趋势相似性及指标幅值均值合并，综合反映两重症患者相同时段内相同监护指标的相似度。
优选地，在本发明的一个实施例中，考虑到极大值点和极小值点均能反映数据的波动情况，且不同重症患者的极大值或极小值的出现时间差异反映了不同重症患者的监护指标的波动变化差异；同时考虑到分段内首尾对应的两个极大值或极小值的差异反映了分段内监护数据的整体变化趋势；基于此，极大值趋势相似度及极小值趋势相似度的获取方法包括：
获取每个重症患者的每个监护指标在每个时段对应分段内所有监护指标的极大值指标序列及极小值指标序列；在每个极大值指标序列中，将每个极大值指标序列中首尾两个序列元素间的斜率作为对应极大值指标序列的序列斜率；在每个极小值指标序列中，将每个极小值指标序列中首尾两个序列元素间的斜率作为对应极小值指标序列的序列斜率；
在任意两个重症患者间，将每个监护指标在每个时段对应分段内的极大值指标序列中，所有相同序列序号的极大值指标对应的监护时刻间隔差异的均值，与两个重症患者对应的极大值指标序列的序列斜率的差异相乘，得到第一乘积，将第一乘积负相关映射归一化，得到两个重症患者的每个监护指标在每个时段对应分段内的极大值趋势相似度；极大值趋势相似度的计算公式为：
；
其中，为第/>个患者和第/>个患者的第/>个监护指标在第/>个时段对应分段内的极大值趋势相似度；/>为第/>个患者的第/>个监护指标在第/>个时段对应分段内所有监护指标的极大值指标序列的序列斜率；/>为第/>个患者的第/>个监护指标在第个时段对应分段内所有监护指标的极大值指标序列的序列斜率；/>为第/>个患者和第/>个患者的第/>个监护指标在第/>个时段对应分段内的两个极大值指标序列中，序列序号同为/>的两个极大值指标对应的监护时刻间隔的差值；/>为第/>个患者和第/>个患者的第/>个监护指标在第/>个时段对应分段内的两个极大值指标序列中，极大值指标数量较少的数量；/>为预设第一正参数，在本发明实施例中/>设置为0.01，防止做倒数运算时分母为0导致函数无意义；
极大值趋势相似度的计算公式中，反映了两重症患者在相同时段内的某监护指标中极大值指标的整体变化趋势差异，差异越大，说明两重症患者的该监护指标在相同时段内的趋势相似度越低；/>反映了两重症患者在相同时段内的某监护指标中极大值指标的出现时间一致性，侧面反映了两重症患者的该监护指标在相同时段内的波动趋势相似度；将二者通过乘法合并后加上预设第一正参数后做倒数运算，以实现负相关映射归一化，改变其逻辑关系，使得两差异值的乘积越大，对应的极大值趋势相似度越小。
在任意两个重症患者间，将每个监护指标在每个时段对应分段内的极小值指标序列中，所有相同序列序号的极小值指标对应的监护时刻间隔差异的均值，与两个重症患者对应的极小值指标序列的序列斜率的差异相乘，得到第二乘积，将第二乘积负相关映射归一化，得到两个重症患者的每个监护指标在每个时段对应分段内的极小值趋势相似度；
极小值趋势相似度的计算公式为：
；
其中，为第/>个患者和第/>个患者的第/>个监护指标在第/>个时段对应分段内的极小值趋势相似度；/>为第/>个患者的第/>个监护指标在第/>个时段对应分段内所有监护指标的极小值指标序列的序列斜率；/>为第/>个患者的第/>个监护指标在第/>个时段对应分段内所有监护指标的极小值指标序列的序列斜率；/>为第/>个患者和第/>个患者的第/>个监护指标在第/>个时段对应分段内的两个极小值指标序列中，序列序号同为/>的两个极小值指标对应的监护时刻间隔的差值；/>为第/>个患者和第/>个患者的第/>个监护指标在第/>个时段对应分段内的两个极小值指标序列中，极小值指标数量较少的数量；/>为预设第二正参数，在本发明实施例中/>设置为0.01，防止做倒数运算时分母为0导致函数无意义；
极小值趋势相似度的计算公式中，反映了两重症患者在相同时段内的某监护指标中极小值指标的整体变化趋势差异，差异越大，说明两重症患者的该监护指标在相同时段内的趋势相似度越低；/>反映了两重症患者在相同时段内的某监护指标中极小值指标的出现时间一致性，侧面反映了两重症患者的该监护指标在相同时段内的波动趋势相似度；将二者通过乘法合并后加上预设第二正参数后做倒数运算，以实现负相关映射归一化，改变其逻辑关系，使得两差异值的乘积越大，对应的极小值趋势相似度越小。
由于仅通过单一监护指标在某一时段对应分段内的分段变化相似度是无法全面反映不同重症患者的体征相似情况，且每个时段对应分段内的监护数据变化的参考价值不同，故本发明实施例将不同重症患者的每个监护指标在每个时段内的分段变化相似度根据时序赋权合并，获取预设历史时段内不同重症患者的监护数据相似度；通过综合所有监护指标在每个时段对应的赋权后的分段变化相似度，获取不同重症患者的监护数据的整体相似情况。
优选地，在本发明的一个实施例中，具体将指标时序序列平均划分为三段，包括前区分段、中区分段及后区分段，例如30天的指标时序序列平均分为3个时序长度为10天的分段，其中1-10天为前区分段、11-20天为中区分段、21-30天为后区分段，由于距离当前时刻越近则对于重症患者当前体征情况评估的参考价值越大，故将三个分段分别赋予不同的时序分段权重，后区分段内的监护数据由于为当前时刻最近的一个时段内的监护数据，参考价值最大，故后区分段的后区分段权重最大，中区分段权重次之，前区分段权重最小；通过加权求和的方式合并两重症患者在每个时段对应分段的分段相似度，然后综合所有监护指标评估两重症患者的监护数据相似度。监护数据相似度的计算公式为：
；
其中，为第/>个重症患者和第/>个重症患者的监护数据相似度；/>为监护指标的总数量；/>为第/>个重症患者和第/>个重症患者的第/>个监护指标在第/>个时段对应的前区分段内的分段变化相似度；/>为第/>个重症患者和第/>个重症患者的第/>个监护指标在第/>个时段对应的中区分段内的分段变化相似度；/>为第/>个重症患者和第/>个重症患者的第/>个监护指标在第/>个时段对应的后区分段内的分段变化相似度；/>为前区分段内的分段变化相似度的前区分段权重，/>为中区分段内的分段变化相似度的中区分段权重，/>为后区分段内的分段变化相似度的后区分段权重，其中/>且，在本发明实施例中，/>取0.2，/>取0.3，/>取0.5。
监护数据相似度的计算公式中，通过将两重症患者每个监护指标在每个分段的分段变化相似度按对应分段的时序顺序赋予不同的权重合并，得到两重症患者每个监护指标在整个预设历史时段内的整体变化相似度，然后综合两重症患者的所有监护指标的整体变化相似度得到两重症患者间的监护数据相似度。
需要说明的是，在本发明的其他实施例中，实施者也可根据具体实施情况将整个监护数据的指标时序序列按照非均分等其他划分方式划分为其他数量个分段，并将每个分段的分段变化相似度设置为其他数值的分段权重。
在每个初始聚类簇中，获取每两个重症患者间的监护数据相似度后，便可根据所有重症患者间的监护数据相似度获取对应初始聚类簇的集中程度，每个初始聚类簇的集中程度侧面反映了整个初始聚类簇的聚类质量及簇内监护数据的分布等特征，进而便于后续获取可以表征对应初始聚类簇特征的代表点；集中程度越大，说明簇内数据较相似，较少代表点即可代表聚簇特征，相反则需要更多代表点以表征整个聚簇的特征。
优选地，在本发明的一个实施例中，集中程度的获取方法包括：在每个初始聚类簇中，以任一重症患者为目标重症患者，将除目标重症患者外的其余所有重症患者与目标重症患者间的监护数据相似度求均值，得到目标重症患者的集中参考值；将每个初始聚类簇中的每个重症患者的集中参考值的均值，作为对应初始聚类簇的集中程度；集中程度的计算公式为：
；
其中，为第/>个初始聚类簇中监护数据的集中程度；/>为第/>个初始聚类簇中重症患者监护数据的总数量；/>为第/>个重症患者和第/>个重症患者的监护数据相似度；需要说明的是，每个初始聚类簇内的监护数据总数量大于1，故/>不可能为0。
集中程度的计算公式中，表示第/>个重症患者相对所属初始聚类簇内其他所有重症患者的监护数据相似性，然后综合初始聚类簇内每个重症患者相对所属初始聚类簇内其他所有重症患者的监护数据相似性的平均水平反映初始聚类簇中监护数据的集中程度。
步骤S3，根据每个初始聚类簇的集中程度获取每个初始聚类簇中的代表点数量；根据不同重症患者间的监护数据相似度筛选出每个初始聚类簇中代表点数量个代表监护数据；根据所有重症患者的监护数据间的差异及代表监护数据间的差异获取预设历史时段内所有监护数据的最终聚类结果；根据最终聚类结果对所有重症患者的监护数据分类管理。
在步骤S2中获取了每个初始聚类簇中监护数据的集中程度后，本发明实施例进一步根据每个初始聚类簇中监护数据的集中程度获取每个初始聚类簇中的代表点数量。
优选地，在本发明的一个实施例中，考虑到每个初始聚类簇的代表点数量的选取通常会在一个经验值范围内，又考虑到集中程度侧面反映了代表点的选取数量能否准确反映整个初始聚类簇的相关特征；基于此，本发明实施例根据代表点的经验值及每个初始聚类簇的集中程度确定每个初始聚类簇的代表点数量；代表点数量的计算公式包括：
；
其中，为第/>个初始聚类簇中的代表点数量；/>为预设第一正整数，/>为预设第二正整数，其中/>；/>为第/>个初始聚类簇的集中程度；/>为所有初始聚类簇的集中程度中的最大集中程度；/>为预设第二正常数；在本发明实施例中，由于代表点数量经验值通常为3-10，故将/>设置为经验低值3，/>设置为经验高值10，/>取1，防止分母为零。
代表点数量的计算公式中，反映了每个初始聚类簇内监护数据的集中程度在所有初始聚类簇间的大致水平，集中程度越小，与最大集中程度的差异越大，该比值就越小，所需选择的代表点数量越多；以代表点数量的经验低值为基础，根据集中程度的大小水平增加代表点数量，最高取值为经验高值。
确定每个初始聚类簇内需要选择的代表监测数据的代表点数量后，便可根据不同重症患者间的监护数据相似度在每个初始聚类簇中筛选出代表点数量个代表监护数据。传统聚类算法是通过计算监护数据间的距离如欧式距离、切比雪夫距离等距离度量方式判断监护数据间的差异性，而本发明实施例根据步骤S2中获取的监护数据相似度来判断监护数据间的差异性，更能准确筛选出每个初始聚类簇内能够表示簇特征的代表监护数据。
优选地，在本发明的一个实施例中，代表监护数据的获取方法包括：在每个初始聚类簇中，将与初始聚类簇的质心对应监护数据的监护数据相似度最小的监护数据，作为对应初始聚类簇中的第一代表监护数据，在除质心对应监护数据及第一代表监护数据外的其余所有监护数据中，将初始聚类簇中与第一代表监护数据的监护数据相似度最小的监护数据，作为第二代表监护数据，在除质心对应监护数据、第一代表监护数据及第二代表监护数据外的其余所有监护数据中，将初始聚类簇中与第一代表监护数据及第二代表监护数据的监护数据相似度的和值最小的监护数据，作为第三代表监护数据；不断迭代获取新的代表监护数据，直至获取初始聚类簇中代表点数量个代表监护数据为止。
需要说明的是，上述代表监护数据的获取实施例中，代表监护数据筛选过程已是本领域技术人员熟知的现有技术，但其相对传统算法采用的是监护数据相似度来度量监护数据间的差异以确定代表监护数据的，获取原理及思路一致，且已是本领域技术人员熟知的现有技术，在此不再赘述。
获取每个初始聚类簇中的代表监护数据后，进一步根据所有重症患者的监护数据相似度及代表监护数据获取预设历史时段内所有监护数据的最终聚类结果。
优选地，在本发明的一个实施例中，最终聚类结果的获取方法包括：
根据所有重症患者的代表监护数据的差异，基于CURE算法获取预设监护等级数量个中间聚类簇，将中间聚类簇的质心作为中间聚类簇中心；将所有监护数据作为样本，根据所有重症患者的监护数据间的欧式距离，以所有代表监护数据为聚类中心获取所有代表聚类簇，将中间聚类簇中所有代表监护数据对应的代表聚类簇作为中间聚类簇中心对应的簇内样本，得到最终聚类结果。
本发明的一个实施例中，考虑到CURE算法已是本领域技术人员熟知的现有技术，在此仅简述其大致步骤及相关参数设置：获取每个初始聚类簇中的代表监护数据后，将每个代表监护数据向对应所属初始聚类簇的中心收缩20%的距离；通过完全链接聚类算法合并初始聚类簇，即以两个初始聚类簇内欧式距离最远的两个代表监护数据的欧式距离为其簇间距离，将簇间距离最近的两个初始聚类簇合并；不断迭代更新合并后的初始聚类簇的代表监护数据以合并簇，直至最终合并为预设监护等级数量个中间聚类簇后停止，其中预设监护等级数量设置为3，即将重症患者分为3个等级以进行分级管理，并将每个中间聚类簇的质心作为中间聚类簇中心；由于在CURE算法获取中间聚类簇的时候，将代表监护数据收缩的过程中虽然会降低簇的规模便于聚类，但同时也可能导致一定的数据失真，故进一步以所有代表监护数据为聚类中心，根据所有重症患者的监护数据间的欧式距离，将所有监护数据重新采用聚类，并将每个中间聚类簇中所有代表监护数据对应的代表聚类簇作为中间聚类簇中心对应的簇内样本，得到最终聚类结果。
在本发明的另一个实施例中，实施者也可计算每两个重症患者间的监护数据相似度，然后根据上述方法以监护数据相似度来度量距离差异获取中间聚类簇，然后进一步以监护数据相似度来度量距离差异获取代表聚类簇，得到最终聚类结果；度量距离差异的选择将影响算法效率及最终聚类结果，实施者可根据实际需求进行选择。
需要说明的是CURE算法及完全链接聚类算法已是本领域技术人员所熟知的现有技术，在此不再赘述。
最终聚类结果中的每个聚类簇内的监护数据为相似体征情况的重症监护患者的监护数据，通过将所有重症患者根据监护数据划分至不同聚类簇内，即分为不同等级类别进行分级管理，可以辅助医护人员为具有相似体征情况的每个等级的重症患者制定个性化监护方案，有助于医疗资源的管理分配。
综上所述，本发明实施例首先获取每个重症患者在预设历史时段内所有监护指标下的监护数据并将所有监护数据的聚类，得到初始聚类簇；然后将每个监护数据对应的所有指标时序序列分段处理，并在每个初始聚类簇中，根据不同重症患者在相同监护指标下的每个相同时段对应分段内的指标的变化，获取不同重症患者的每个监护指标在对应时段内的分段变化相似度，进而对所有监护指标每个时段对应的分段变化相似度根据时序赋权合并，获取不同重症患者的监护数据相似度，然后根据所有重症患者间的监护数据相似度获取每个初始聚类簇中监护数据的集中程度，以获取每个初始聚类簇中的代表点数量个代表监护数据；最后根据所有重症患者的监护数据相似度及代表监护数据获取最终聚类结果，进而分级管理监护数据。本发明通过将每个初始聚类簇内的监护数据按时序参考价值进行分段分析赋权得到不同重症患者间的监护数据相似度，进一步获取每个初始聚类簇内的集中特征以确定代表点，提高了最终聚类结果的准确性及监护数据智能管理效果。
需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
Claims (3)
1.一种重症患者监护数据智能管理方法，其特征在于，所述方法包括：
获取每个重症患者在预设历史时段内的监护数据，所述监护数据包括预设历史时段内重症患者在每个监护指标下的指标时序序列；获取所有重症患者的所述监护数据的所有初始聚类簇；
将每个重症患者在每个监护指标下的所述指标时序序列进行分段；在每个所述初始聚类簇中，在相同时段对应分段内，根据不同重症患者在相同监护指标下监护指标的变化趋势差异及幅值差异，获取不同重症患者的每个监护指标在对应时段内的分段变化相似度；将不同重症患者的每个监护指标在每个时段内的所述分段变化相似度根据时序赋权合并，获取预设历史时段内不同重症患者的监护数据相似度；在每个所述初始聚类簇中，根据所有重症患者间的所述监护数据相似度获取对应所述初始聚类簇的集中程度；
根据每个所述初始聚类簇的集中程度获取每个所述初始聚类簇中的代表点数量；根据不同重症患者间的监护数据相似度筛选出每个所述初始聚类簇中所述代表点数量个代表监护数据；根据所有重症患者的监护数据间的差异及所述代表监护数据间的差异获取预设历史时段内所有监护数据的最终聚类结果；根据最终聚类结果对所有重症患者的监护数据分类管理；
所述分段变化相似度的计算公式包括：
；
其中，为第/>个重症患者和第/>个重症患者的第/>个监护指标在第/>个时段对应分段内的分段变化相似度；/>为第/>个重症患者的第/>个监护指标在第/>个时段对应分段内的指标幅值均值；/>为第/>个重症患者的第/>个监护指标在第/>个时段对应分段内的指标幅值均值；/>为第/>个重症患者和第/>个重症患者的第/>个监护指标在第/>个时段对应分段内的极大值趋势相似度；/>为第/>个重症患者和第/>个重症患者的第/>个监护指标在第/>个时段对应分段内的极小值趋势相似度；/>为预设第一正常数；
所述极大值趋势相似度及极小值趋势相似度的获取方法包括：
获取每个重症患者的每个监护指标在每个时段对应分段内所有监护指标的极大值指标序列及极小值指标序列；在每个极大值指标序列中，将每个极大值指标序列中首尾两个序列元素间的斜率作为对应极大值指标序列的序列斜率；在每个极小值指标序列中，将每个极小值指标序列中首尾两个序列元素间的斜率作为对应极小值指标序列的序列斜率；
在任意两个重症患者间，将每个监护指标在每个时段对应分段内的所述极大值指标序列中，所有相同序列序号的极大值指标对应的监护时刻间隔差异的均值，与两个重症患者对应的所述极大值指标序列的序列斜率的差异相乘，得到第一乘积，将第一乘积负相关映射归一化，得到两个重症患者的每个监护指标在每个时段对应分段内的极大值趋势相似度；
在任意两个重症患者间，将每个监护指标在每个时段对应分段内的所述极小值指标序列中，所有相同序列序号的极小值指标对应的监护时刻间隔差异的均值，与两个重症患者对应的所述极小值指标序列的序列斜率的差异相乘，得到第二乘积，将第二乘积负相关映射归一化，得到两个重症患者的每个监护指标在每个时段对应分段内的极小值趋势相似度；
所述监护数据相似度的获取方法包括：
所述指标时序序列被分段为前区分段、中区分段及后区分段；根据监护数据相似度的计算公式获取监护数据相似度；监护数据相似度的计算公式为：
；
其中，为第/>个重症患者和第/>个重症患者的监护数据相似度；/>为监护指标的总数量；/>为第/>个重症患者和第/>个重症患者的第/>个监护指标在第/>个时段对应的前区分段内的分段变化相似度；/>为第/>个重症患者和第/>个重症患者的第/>个监护指标在第/>个时段对应的中区分段内的分段变化相似度；/>为第/>个重症患者和第/>个重症患者的第/>个监护指标在第/>个时段对应的后区分段内的分段变化相似度；/>为前区分段内的分段变化相似度的前区分段权重，/>为中区分段内的分段变化相似度的中区分段权重，/>为后区分段内的分段变化相似度的后区分段权重，其中/>且；
所述集中程度的获取方法包括：
在每个所述初始聚类簇中，以任一重症患者为目标重症患者，将除所述目标重症患者外的其余所有重症患者与所述目标重症患者间的所述监护数据相似度求均值，得到所述目标重症患者的集中参考值；将每个所述初始聚类簇中的每个重症患者的所述集中参考值的均值，作为对应所述初始聚类簇的集中程度；
所述代表点数量的计算公式包括：
；
其中，为第/>个初始聚类簇中的代表点数量；/>为预设第一正整数，/>为预设第二正整数，其中/>；/>为第/>个初始聚类簇的集中程度；/>为所有初始聚类簇的集中程度中的最大集中程度；/>为预设第二正常数；
所述代表监护数据的获取方法包括：
在每个所述初始聚类簇中，将与所述初始聚类簇的质心对应监护数据的所述监护数据相似度最小的监护数据，作为对应所述初始聚类簇中的第一代表监护数据，在除质心对应监护数据及所述第一代表监护数据外的其余所有监护数据中，将所述初始聚类簇中与所述第一代表监护数据的所述监护数据相似度最小的监护数据，作为第二代表监护数据，在除质心对应监护数据、所述第一代表监护数据及所述第二代表监护数据外的其余所有监护数据中，将所述初始聚类簇中与所述第一代表监护数据及所述第二代表监护数据的所述监护数据相似度的和值最小的监护数据，作为第三代表监护数据；不断迭代获取新的代表监护数据，直至获取所述初始聚类簇中代表点数量个代表监护数据为止；
所述最终聚类结果的获取方法包括：
根据所有重症患者的所述代表监护数据的差异，基于CURE算法获取预设监护等级数量个中间聚类簇，将所述中间聚类簇的质心作为中间聚类簇中心；
将所有监护数据作为样本，根据所有重症患者的监护数据间的欧式距离，以所有所述代表监护数据为聚类中心获取所有代表聚类簇，将所述中间聚类簇中所有代表监护数据对应的代表聚类簇作为所述中间聚类簇中心对应的簇内样本，得到最终聚类结果。
2.根据权利要求1所述的一种重症患者监护数据智能管理方法，其特征在于，所述初始聚类簇的获取方法包括：
基于K-means聚类算法和预设K值对所有监护数据进行聚类，得到初始聚类簇。
3.根据权利要求1所述的一种重症患者监护数据智能管理方法，其特征在于，对所述指标时序序列进行分段的分段方法包括：
将预设历史时段的所述指标时序序列按预设分段数量平均划分。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410089391.2A CN117609813B (zh) | 2024-01-23 | 2024-01-23 | 一种重症患者监护数据智能管理方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410089391.2A CN117609813B (zh) | 2024-01-23 | 2024-01-23 | 一种重症患者监护数据智能管理方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117609813A CN117609813A (zh) | 2024-02-27 |
| CN117609813B true CN117609813B (zh) | 2024-04-23 |
Family
ID=89946556
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410089391.2A Active CN117609813B (zh) | 2024-01-23 | 2024-01-23 | 一种重症患者监护数据智能管理方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117609813B (zh) |
Families Citing this family (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117789907B (zh) * | 2024-02-28 | 2024-05-10 | 山东金卫软件技术有限公司 | 基于多源数据融合的智慧医疗数据智能管理方法 |
| CN117851836B (zh) * | 2024-03-05 | 2024-05-28 | 浙江普康智慧养老产业科技有限公司 | 一种用于养老信息服务系统的数据智能分析方法 |
| CN117912712B (zh) * | 2024-03-20 | 2024-05-28 | 徕兄健康科技(威海)有限责任公司 | 基于大数据的甲状腺疾病数据智能管理方法及系统 |
| CN117951630B (zh) * | 2024-03-26 | 2024-06-18 | 大连云间来客科技有限公司 | 一种呼吸重症患者异常呼吸模式识别方法 |
| CN117997352B (zh) * | 2024-04-07 | 2024-05-31 | 中国医学科学院阜外医院 | 一种麻醉机监测数据优化存储方法 |
| CN118053597B (zh) * | 2024-04-11 | 2024-07-02 | 青岛云智霄凡科技有限公司 | 一种基于内科检测电子数据的分析方法 |
| CN118072916B (zh) * | 2024-04-25 | 2024-07-19 | 湖南营养树生物科技有限公司 | 基于大数据的益生菌肠道改善功能信息挖掘方法 |
| CN118152826B (zh) * | 2024-05-09 | 2024-08-02 | 深圳市翔飞科技股份有限公司 | 基于行为分析的摄像机智能报警系统 |
| CN118247275B (zh) * | 2024-05-28 | 2024-08-02 | 山东第一医科大学附属省立医院(山东省立医院) | 基于数据分析的消化内镜远程处理方法 |
| CN118430815B (zh) * | 2024-07-02 | 2024-09-27 | 辽宁爱科森信息技术有限公司 | 一种用于医疗护理的病患数据远程监控方法及系统 |
| CN118507084A (zh) * | 2024-07-17 | 2024-08-16 | 济南宝林信息技术有限公司 | 一种外科护理智慧交互系统 |
| CN118522470B (zh) * | 2024-07-23 | 2024-09-27 | 中国人民解放军空军军医大学 | 基于协同诊断的带状疱疹疼痛患者的医疗数据处理方法 |
| CN118626678A (zh) * | 2024-08-09 | 2024-09-10 | 北京大众益康科技有限公司 | 基于人工智能的护理数据分析方法及系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116578890A (zh) * | 2023-07-14 | 2023-08-11 | 山东焦易网数字科技股份有限公司 | 基于数字孪生的智能工厂数据优化采集方法 |
| CN116735807A (zh) * | 2023-08-09 | 2023-09-12 | 山东优控智能技术有限公司 | 基于多传感器数据的空气质量检测评估方法 |
| WO2023206888A1 (zh) * | 2022-04-25 | 2023-11-02 | 广东玖智科技有限公司 | 一种ppg信号聚类中心获取方法及装置和ppg信号处理方法及装置 |
| CN117034043A (zh) * | 2023-10-09 | 2023-11-10 | 山东五棵松电气科技有限公司 | 基于多能源物联网的智慧建筑综合能耗监测方法及系统 |
| CN117373657A (zh) * | 2023-12-07 | 2024-01-09 | 深圳问止中医健康科技有限公司 | 基于大数据分析的个性化医疗辅助问诊系统 |
| CN117373677A (zh) * | 2023-12-07 | 2024-01-09 | 深圳问止中医健康科技有限公司 | 基于数字化医疗档案管理的智能健康监护系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7802236B2 (en) * | 2002-09-09 | 2010-09-21 | The Regents Of The University Of California | Method and apparatus for identifying similar regions of a program's execution |
-
2024
- 2024-01-23 CN CN202410089391.2A patent/CN117609813B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023206888A1 (zh) * | 2022-04-25 | 2023-11-02 | 广东玖智科技有限公司 | 一种ppg信号聚类中心获取方法及装置和ppg信号处理方法及装置 |
| CN116578890A (zh) * | 2023-07-14 | 2023-08-11 | 山东焦易网数字科技股份有限公司 | 基于数字孪生的智能工厂数据优化采集方法 |
| CN116735807A (zh) * | 2023-08-09 | 2023-09-12 | 山东优控智能技术有限公司 | 基于多传感器数据的空气质量检测评估方法 |
| CN117034043A (zh) * | 2023-10-09 | 2023-11-10 | 山东五棵松电气科技有限公司 | 基于多能源物联网的智慧建筑综合能耗监测方法及系统 |
| CN117373657A (zh) * | 2023-12-07 | 2024-01-09 | 深圳问止中医健康科技有限公司 | 基于大数据分析的个性化医疗辅助问诊系统 |
| CN117373677A (zh) * | 2023-12-07 | 2024-01-09 | 深圳问止中医健康科技有限公司 | 基于数字化医疗档案管理的智能健康监护系统 |
Non-Patent Citations (2)
| Title |
|---|
| 基于机器学习的云存储数据分段聚类方法仿真;王俊;杨茹;程显生;;计算机仿真;20200615(06);全文 * |
| 基于簇间相似度判定的自适应K均值算法;陈杰;朱娟;;计算机工程与设计;20100528(10);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117609813A (zh) | 2024-02-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117609813B (zh) | 一种重症患者监护数据智能管理方法 | |
| US6443889B1 (en) | Provision of decision support for acute myocardial infarction | |
| İşler et al. | Combining classical HRV indices with wavelet entropy measures improves to performance in diagnosing congestive heart failure | |
| Li et al. | Combining convolutional neural network and distance distribution matrix for identification of congestive heart failure | |
| CN108847285B (zh) | 基于机器学习的孕前期及孕中期唐氏综合征筛查方法 | |
| CN111067503A (zh) | 一种基于心率变异性的睡眠分期方法 | |
| SenthilPandi et al. | Multi-Level Interpretable and Adaptive Representation of EEG Signals for Sleep Scoring Using Ensemble Learning Multi Classifiers | |
| Jiang et al. | Sleep stage classification using covariance features of multi-channel physiological signals on Riemannian manifolds | |
| Desai et al. | Decision support system for arrhythmia beats using ECG signals with DCT, DWT and EMD methods: A comparative study | |
| Işler et al. | Heart rate normalization in the analysis of heart rate variability in congestive heart failure | |
| Roy et al. | Photoplethysmogram signal quality evaluation by unsupervised learning approach | |
| CN112101413A (zh) | 面向脑卒中风险预测的智能系统 | |
| CN118380160B (zh) | 基于大数据的口腔癌病历数据分析方法 | |
| CN113593708A (zh) | 基于集成学习算法的脓毒症预后预测方法 | |
| Nath et al. | Quantum annealing for automated feature selection in stress detection | |
| Bai et al. | Detection of sleep apnea syndrome by CNN based on ECG | |
| CN111329467A (zh) | 一种基于人工智能的心脏疾病辅助检测方法 | |
| Lu et al. | Data enhancement and deep learning for bone age assessment using the standards of skeletal maturity of hand and wrist for chinese | |
| CN117195027A (zh) | 基于成员选择的簇加权聚类集成方法 | |
| CN116564458A (zh) | 一种基于电子病历的数据处理方法、系统、设备及介质 | |
| CN117116475A (zh) | 缺血性脑卒中的风险预测方法、系统、终端及存储介质 | |
| CN110575177B (zh) | 一种基于马氏距离的步态分类与量化方法 | |
| Kumar et al. | Recognition of Obstructive Sleep Apnea from a Single Lead Electrocardiogram Signal Using a ResNet Model | |
| Shankar et al. | Wavelet based Machine Learning Approaches towards Precision Medicine in Diabetes Mellitus. | |
| PREMASIRI et al. | An improved machine learning approach to classify sleep stages and apnea events |
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 | ||
| EE01 | Entry into force of recordation of patent licensing contract | ||
| EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20240227 Assignee: Shandong Shikang Medical Technology Co.,Ltd. Assignor: Shandong Provincial Hospital Affiliated to Shandong First Medical University Contract record no.: X2024980010924 Denomination of invention: A method for intelligent management of intensive care patient monitoring data Granted publication date: 20240423 License type: Common License Record date: 20240802 |