CN117690582B - 护理工作站的信息管理系统及方法 - Google Patents
护理工作站的信息管理系统及方法 Download PDFInfo
- Publication number
- CN117690582B CN117690582B CN202410132807.4A CN202410132807A CN117690582B CN 117690582 B CN117690582 B CN 117690582B CN 202410132807 A CN202410132807 A CN 202410132807A CN 117690582 B CN117690582 B CN 117690582B
- Authority
- CN
- China
- Prior art keywords
- training
- intervention
- feature vector
- physical index
- feature
- 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
- 230000000474 nursing effect Effects 0.000 title claims abstract description 54
- 238000000034 method Methods 0.000 title claims abstract description 15
- 230000036541 health Effects 0.000 claims abstract description 141
- 239000013598 vector Substances 0.000 claims description 294
- 238000012549 training Methods 0.000 claims description 202
- 230000008859 change Effects 0.000 claims description 135
- 230000006996 mental state Effects 0.000 claims description 70
- 239000011159 matrix material Substances 0.000 claims description 62
- 208000019901 Anxiety disease Diseases 0.000 claims description 42
- 230000036506 anxiety Effects 0.000 claims description 42
- 230000000694 effects Effects 0.000 claims description 40
- 230000035487 diastolic blood pressure Effects 0.000 claims description 34
- 238000000605 extraction Methods 0.000 claims description 34
- 238000007781 pre-processing Methods 0.000 claims description 34
- 230000035488 systolic blood pressure Effects 0.000 claims description 34
- 238000011156 evaluation Methods 0.000 claims description 30
- 230000006870 function Effects 0.000 claims description 22
- 230000004927 fusion Effects 0.000 claims description 9
- 238000013527 convolutional neural network Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000013480 data collection Methods 0.000 claims description 3
- 238000007726 management method Methods 0.000 description 42
- 238000012545 processing Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 238000001356 surgical procedure Methods 0.000 description 7
- 238000013135 deep learning Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 4
- 230000002996 emotional effect Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000035790 physiological processes and functions Effects 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000036772 blood pressure Effects 0.000 description 3
- 230000003205 diastolic effect Effects 0.000 description 3
- 238000003058 natural language processing Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000019771 cognition Effects 0.000 description 2
- 230000008451 emotion Effects 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000002203 pretreatment Methods 0.000 description 2
- 238000004393 prognosis Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 210000004100 adrenal gland Anatomy 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 239000012633 leachable Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 230000002889 sympathetic effect Effects 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 238000013519 translation 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Medical Informatics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- Computing Systems (AREA)
- Public Health (AREA)
- Business, Economics & Management (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- General Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本申请提供了一种护理工作站的信息管理系统及方法，涉及智能管理领域，其采用基于深度学习的人工智能分析技术，通过对患者入院后一段时间及术前一段时间的身体指标数据和心理状态数据进行特征提取来判断患者是否需要加强健康教育干预。这样，针对不同患者的情况可以制定个性化的健康教育计划，以提高护理的效果。
Description
技术领域
本申请涉及智能管理领域，且更为具体地，涉及一种护理工作站的信息管理系统及方法。
背景技术
在医院中，患者在面临手术治疗时常常感到紧张和焦虑，这是因为他们对手术的了解较少，缺乏相关的认知。这种紧张和焦虑会影响手术的进行，并可能延长手术的时间。为了解决这个问题，术前给予患者有效的健康教育干预非常重要。在这方面，护理工作站发挥着重要的作用。护理工作站是医院护理工作中不可或缺的一环。它主要负责接收和处理患者的护理需求，包括处理医嘱、制定护理计划、记录护理情况以及管理患者信息等。现在的护理工作站已经具备了一些先进的功能。例如，可以通过USB接口导入标准化的健康宣教资料，这样护理人员可以随时为患者及其家属提供标准化的健康教育。对于老年患者来说，这些教育资料可以反复播放，帮助他们加深对手术治疗相关知识的记忆。通过使用护理工作站，护理人员可以更好地了解患者的状态，制定个性化的护理计划，并提高护理的效果。
因此，需要一种护理工作站的信息管理方案。
发明内容
为了解决上述技术问题，提出了本申请。
根据本申请的一个方面，提供了一种护理工作站的信息管理系统，其包括：
患者相关数据收集模块，用于获取患者刚入院一段时间和术前一段时间的收缩压值、舒张压值和心率值以及入院时和术前填写的汉密尔顿焦虑量表及抑郁量表；
身体指标数据特征提取模块，用于对所述患者刚入院一段时间和术前一段时间的收缩压值、舒张压值和心率值进行特征提取以得到身体指标变化特征向量；
心理状态数据特征提取模块，用于对所述患者入院时和术前填写的汉密尔顿焦虑量表及抑郁量表进行特征提取以得到心理状态变化特征向量；
特征融合模块，用于融合所述身体指标变化特征向量和所述心理状态变化特征向量以得到健康教育效果评估特征向量；
健康教育干预需求评估模块，用于基于所述健康教育效果评估特征向量，判断是否需要对所述患者加强健康教育干预；
其中，所述身体指标数据特征提取模块，包括：身体指标数据结构化单元，用于将所述患者刚入院一段时间和术前一段时间的收缩压值、舒张压值和心率值分别按照时间维度排列为健康教育干预前身体指标输入矩阵和健康教育干预后身体指标输入矩阵；身体指标特征生成单元，用于将所述健康教育干预前身体指标输入矩阵和所述健康教育干预后身体指标输入矩阵分别通过身体指标特征提取器以得到干预前身体指标特征向量和干预后身体指标特征向量；身体指标变化特征生成单元，用于对所述干预前身体指标特征向量和所述干预后身体指标特征向量进行差分以得到所述身体指标变化特征向量。
在上述护理工作站的信息管理系统中，所述身体指标变化特征生成单元，用于：以如下第一差分公式对所述干预前身体指标特征向量和所述干预后身体指标特征向量进行差分以得到所述身体指标变化特征向量；其中，所述第一差分公式为：
；
其中，表示所述干预前身体指标特征向量，/>表示按位置作差，/>表示所述干预后身体指标特征向量，/>表示所述身体指标变化特征向量。
在上述护理工作站的信息管理系统中，所述心理状态数据特征提取模块，包括：数据预处理单元，用于对所述入院时和术前填写的汉密尔顿焦虑量表及抑郁量表分别进行预处理以得到入院预处理后表选项及患者选择结果和术前预处理后表选项及患者选择结果；心理状态特征生成单元，用于将所述入院预处理后表选项及患者选择结果和所述术前预处理后表选项及患者选择结果分别通过基于转换器的心理状态特征编码器以得到干预前心理状态特征向量和干预后心理状态特征向量；心理状态变化特征生成单元，用于对所述干预前心理状态特征向量和所述干预后心理状态特征向量进行差分以得到所述心理状态变化特征向量。
在上述护理工作站的信息管理系统中，所述心理状态变化特征生成单元，用于：以如下第二差分公式对所述干预前心理状态特征向量和所述干预后心理状态特征向量进行差分以得到所述心理状态变化特征向量；其中，所述第二差分公式为：
；
其中，表示所述干预前心理状态特征向量，/>表示按位置作差，/>表示所述干预后心理状态特征向量，/>表示所述心理状态变化特征向量。
在上述护理工作站的信息管理系统中，所述身体指标特征提取器为使用二维卷积核的卷积神经网络模型，所述基于转换器的心理状态特征编码器为基于转换器的上下文语义编码器。
在上述护理工作站的信息管理系统中，所述健康教育干预需求评估模块，用于：将所述健康教育效果评估特征向量通过分类器以得到分类结果，所述分类结果用于表示是否需要对所述患者加强健康教育干预。
在上述护理工作站的信息管理系统中，还包括对所述身体指标特征提取器、所述基于转换器的心理状态特征编码器和所述分类器进行训练的训练模块，其中，所述训练模块，包括：训练数据获取单元，用于获取患者刚入院一段时间和术前一段时间的训练收缩压值、训练舒张压值和训练心率值以及入院时和术前填写的训练汉密尔顿焦虑量表及抑郁量表；训练身体指标数据结构化单元，用于将所述患者刚入院一段时间和术前一段时间的训练收缩压值、训练舒张压值和训练心率值分别按照时间维度排列为训练健康教育干预前身体指标输入矩阵和训练健康教育干预后身体指标输入矩阵；训练身体指标数据特征提取单元，用于将所述训练健康教育干预前身体指标输入矩阵和所述训练健康教育干预后身体指标输入矩阵分别通过所述身体指标特征提取器以得到训练干预前身体指标特征向量和训练干预后身体指标特征向量；训练身体指标变化特征计算单元，用于对所述训练干预前身体指标特征向量和所述训练干预后身体指标特征向量进行差分以得到训练身体指标变化特征向量；训练心理状态数据预处理单元，用于对所述入院时和术前填写的训练汉密尔顿焦虑量表及抑郁量表分别进行预处理以得到训练入院预处理后表选项及患者选择结果和训练术前预处理后表选项及患者选择结果；训练心理状态数据特征提取单元，用于将所述训练入院预处理后表选项及患者选择结果和所述训练术前预处理后表选项及患者选择结果分别通过所述基于转换器的心理状态特征编码器以得到训练干预前心理状态特征向量和训练干预后心理状态特征向量；训练心理状态变化特征生成单元，用于对所述训练干预前心理状态特征向量和所述训练干预后心理状态特征向量进行差分以得到训练心理状态变化特征向量；训练特征融合单元，用于融合所述训练身体指标变化特征向量和所述训练心理状态变化特征向量以得到训练健康教育效果评估特征向量；模型训练单元，用于计算所述训练身体指标变化特征向量和所述训练心理状态变化特征向量之间的概率密度分布单调性超凸度量系数作为补偿损失函数值对所述身体指标特征提取器、所述基于转换器的心理状态特征编码器和所述分类器进行训练。
在上述护理工作站的信息管理系统中，所述模型训练单元，用于：以如下公式计算所述训练身体指标变化特征向量和所述训练心理状态变化特征向量之间的概率密度分布单调性超凸度量系数作为补偿损失函数值；其中，所述公式为：
；
其中，表示所述训练身体指标变化特征向量，/>表示所述训练心理状态变化特征向量，/>表示向量的Frobenius范数，/>表示向量减法，/>表示分类函数，/>表示所述概率密度分布单调性超凸度量系数。
根据本申请的另一方面，提供了一种护理工作站的信息管理方法，其包括：
获取患者刚入院一段时间和术前一段时间的收缩压值、舒张压值和心率值以及入院时和术前填写的汉密尔顿焦虑量表及抑郁量表；
对所述患者刚入院一段时间和术前一段时间的收缩压值、舒张压值和心率值进行特征提取以得到身体指标变化特征向量；
对所述患者入院时和术前填写的汉密尔顿焦虑量表及抑郁量表进行特征提取以得到心理状态变化特征向量；
融合所述身体指标变化特征向量和所述心理状态变化特征向量以得到健康教育效果评估特征向量；
基于所述健康教育效果评估特征向量，判断是否需要对所述患者加强健康教育干预；
其中，对所述患者刚入院一段时间和术前一段时间的收缩压值、舒张压值和心率值进行特征提取以得到身体指标变化特征向量，包括：
身体指标数据结构化单元，用于将所述患者刚入院一段时间和术前一段时间的收缩压值、舒张压值和心率值分别按照时间维度排列为健康教育干预前身体指标输入矩阵和健康教育干预后身体指标输入矩阵；
身体指标特征生成单元，用于将所述健康教育干预前身体指标输入矩阵和所述健康教育干预后身体指标输入矩阵分别通过身体指标特征提取器以得到干预前身体指标特征向量和干预后身体指标特征向量；
身体指标变化特征生成单元，用于对所述干预前身体指标特征向量和所述干预后身体指标特征向量进行差分以得到所述身体指标变化特征向量。
与现有技术相比，本申请提供的护理工作站的信息管理系统及方法，其采用基于深度学习的人工智能分析技术，通过对患者入院后一段时间及术前一段时间的身体指标数据和心理状态数据进行特征提取来判断患者是否需要加强健康教育干预。这样，针对不同患者的情况可以制定个性化的健康教育计划，以提高护理的效果。
附图说明
通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用于提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
图1为根据本申请实施例的护理工作站的信息管理系统的系统框图。
图2为根据本申请实施例的护理工作站的信息管理系统中身体指标数据特征提取模块的框图。
图3为根据本申请实施例的护理工作站的信息管理系统中心理状态数据特征提取模块的框图。
图4为根据本申请实施例的护理工作站的信息管理系统中训练模块的框图。
图5为根据本申请实施例的护理工作站的信息管理方法的流程图。
具体实施方式
下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
如上述背景技术所言，有些患者对于自己要做的手术治疗缺乏认知，极易产生紧张、焦虑等应激情绪,延长手术进程,因此术前给予患者有效的健康教育干预具有积极意义。护理工作站是医院护理工作的重要环节，主要负责接收和处理病人的护理需求，包括医嘱处理、护理计划制定、护理记录和病人信息管理等。术前健康教育干预一般通过向患者发放健康教育手册及口述手术治疗相关知识等，现在的护理工作站可通过USB接口导入标准化的健康宣教资料，可以随时为患者及家属提供标准化健康教育，对于老年人，可反复播放，强化记忆。为了更好地了解患者的状态，制定个性化的护理计划，提高护理的效果，因此，期待一种护理工作站的信息管理系统及方法。
近年来，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。此外，深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平。深度学习以及神经网络的发展为护理工作站的信息管理提供了新的解决思路和方案。
图1为根据本申请实施例的护理工作站的信息管理系统的系统框图。如图1所示，在护理工作站的信息管理系统100中，包括：患者相关数据收集模块110，用于获取患者刚入院一段时间和术前一段时间的收缩压值、舒张压值和心率值以及入院时和术前填写的汉密尔顿焦虑量表及抑郁量表；身体指标数据特征提取模块120，用于对所述患者刚入院一段时间和术前一段时间的收缩压值、舒张压值和心率值进行特征提取以得到身体指标变化特征向量；心理状态数据特征提取模块130，用于对所述患者入院时和术前填写的汉密尔顿焦虑量表及抑郁量表进行特征提取以得到心理状态变化特征向量；特征融合模块140，用于融合所述身体指标变化特征向量和所述心理状态变化特征向量以得到健康教育效果评估特征向量；健康教育干预需求评估模块150，用于基于所述健康教育效果评估特征向量，判断是否需要对所述患者加强健康教育干预。
具体地，在本申请的技术方案中，首先，获取患者刚入院一段时间和术前一段时间的收缩压值、舒张压值和心率值以及入院时和术前填写的汉密尔顿焦虑量表及抑郁量表。应很好理解，由于患者担忧手术成功率、安全性等问题,易出现紧张、焦虑等不良心理情绪,而过度的紧张、焦虑情绪可刺激肾上腺和交感神经兴奋,促使其呼吸、心率加快及血压升高。收缩压、舒张压和心率是常见的生理指标，可以反映患者的身体状况和情绪状态，通过血压和心率的变化可以提示患者的紧张程度和焦虑程度，进而反映健康教育干预的效果。通过比较患者入院时和术前这些生理指标的变化，可以从一方面评估健康教育干预是否有效降低患者的紧张和焦虑程度。为了了解患者的心理状态，技术方案中引入了汉密尔顿焦虑量表及抑郁量表，这些量表是经过广泛验证，具有较高的信度和效度，被广泛应用于临床。汉密尔顿焦虑量表及抑郁量表都是常见帮助进行心理评估的工具，这两个表都由一系列问题组成，患者可以根据自己的感受选择合适的选项，通过分析患者的回答，可以了解患者在接受健康教育干预后的心理状态变化，并评估健康教育对患者心理状态的影响。总的来说，获取患者的身体指标数据和填写的心理状态量表数据是为了了解患者接受健康教育前后的变化，从而判断健康教育的效果是否有效，以便对患者进行个性化的护理计划和干预措施。
在本申请的实施例中，获取患者刚入院一段时间和术前一段时间的收缩压值、舒张压值和心率值以及入院时和术前填写的汉密尔顿焦虑量表及抑郁量表的一个可实施方式可以为：1.患者的收缩压值、舒张压值和心率值数据的获取：护士或医疗人员可以使用血压计和心率计来测量患者的收缩压、舒张压和心率值，并把收集到的患者数据及时输入到护理工作站的信息管理系统中，可以在患者刚入院的前三天和术前的前三天对患者进行相关数据和采集，确保在进行不同阶段的数据采集时应尽量控制变量，比如每次进行数据采集的时间点的时刻是一样的，尽可能地降低因为数据采集带来的误差的影响；2.患者填写的汉密尔顿焦虑量表及抑郁量表数据的获取：在患者刚入院时和术前，护士或医疗人员提供汉密二段焦虑量表及抑郁量表给患者，患者根据自己的感受和情绪状态进行填写。值得注意的是，这些数据的存储过程中，一定要确保数据的安全性和隐私保护，遵守相关的法律法规和医疗机构的数据管理政策。
图2为根据本申请实施例的护理工作站的信息管理系统中身体指标数据特征提取模块的框图。如图2所示，所述身体指标数据特征提取模块120，包括：身体指标数据结构化单元121，用于将所述患者刚入院一段时间和术前一段时间的收缩压值、舒张压值和心率值分别按照时间维度排列为健康教育干预前身体指标输入矩阵和健康教育干预后身体指标输入矩阵；身体指标特征生成单元122，用于将所述健康教育干预前身体指标输入矩阵和所述健康教育干预后身体指标输入矩阵分别通过身体指标特征提取器以得到干预前身体指标特征向量和干预后身体指标特征向量；身体指标变化特征生成单元123，用于对所述干预前身体指标特征向量和所述干预后身体指标特征向量进行差分以得到所述身体指标变化特征向量。
接着，将所述患者刚入院一段时间和术前一段时间的收缩压值、舒张压值和心率值分别按照时间维度排列为健康教育干预前身体指标输入矩阵和健康教育干预后身体指标输入矩阵。应很好理解，将收缩压、舒张压和心率按照时间维度排列，可以形成一个矩阵，其中每一行代表一个时间点，每一列代表一个生理指标（收缩压、舒张压、心率）。这样的矩阵可以直观地展示患者在不同时间点的生理指标数值。健康教育干预前身体指标输入矩阵包含了患者在接受健康教育干预之前的生理指标数值。这些数据可以提供基准值，用于评估患者的初始身体状况和情绪状态。健康教育干预后身体指标输入矩阵包含了患者在接受健康教育干预之后的生理指标数值。通过对比健康教育干预前后的生理指标数值，可以帮助评估健康教育的效果。如果患者的收缩压、舒张压和心率在干预后有所改善，可以一定程度上说明健康教育对患者的生理状态产生了积极影响。
为了从健康教育干预前身体指标输入矩阵和健康教育干预后身体指标输入矩阵中提取有用的特征信息，于是将所述健康教育干预前身体指标输入矩阵和所述健康教育干预后身体指标输入矩阵分别通过身体指标特征提取器以得到干预前身体指标特征向量和干预后身体指标特征向量。在本申请的技术方案中，身体指标特征提取器的本质为使用二维卷积核的卷积神经网络模型。卷积神经网络在图像特征提取领域表现优异，身体指标输入矩阵是一个二维数据，可看作是图像，每个像素点可以代表某个时间点的某个生理指标。通过身体指标特征提取器，可以从身体指标输入矩阵中学习到一些重要的模式和特征。卷积操作可以捕捉到不同时间点和不同生理指标之间的关联性和时序性。通过多层卷积和池化操作，网络可以逐渐提取出更高级别的特征，从而更好地描述患者的生理状态和变化。
在本申请的实施例中，将所述健康教育干预前身体指标输入矩阵和所述健康教育干预后身体指标输入矩阵分别通过身体指标特征提取器以得到干预前身体指标特征向量和干预后身体指标特征向量的一个可实施方式可以为：所述身体指标特征提取器的各层在层的正向传递过程中分别对输入数据进行：基于所述二维卷积核对所述输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行沿通道维度的各个特征矩阵的均值池化处理以得到池化特征图；对所述池化特征图进行非线性激活以得到激活特征图；其中，所述身体指标特征提取器的最后一层的输出为所述干预前身体指标特征向量或所述干预后身体指标特征向量，所述身体指标特征提取器的第一层的输入为所述健康教育干预前身体指标输入矩阵或所述健康教育干预后身体指标输入矩阵。
为了了解健康教育干预前后身体指标的变化信息，在本申请的技术方案中对所述干预前身体指标特征向量和所述干预后身体指标特征向量进行差分以得到身体指标变化特征向量。通过分析身体指标变化特征向量中的数值变化，可以了解患者在健康教育干预前后的生理变化趋势。例如，如果身体指标变化特征向量中的元素值呈现逐渐减小的趋势，可以推断患者的生理状态可能有所改善。
在本申请的实施例中，对所述干预前身体指标特征向量和所述干预后身体指标特征向量进行差分以得到身体指标变化特征向量的一个可实施方式可以为：以如下第一差分公式对所述干预前身体指标特征向量和所述干预后身体指标特征向量进行差分以得到所述身体指标变化特征向量；其中，所述第一差分公式为：
；
其中，表示所述干预前身体指标特征向量，/>表示按位置作差，/>表示所述干预后身体指标特征向量，/>表示所述身体指标变化特征向量。
图3为根据本申请实施例的护理工作站的信息管理系统中心理状态数据特征提取模块的框图。如图3所示，所述心理状态数据特征提取模块130，包括：数据预处理单元131，用于对所述入院时和术前填写的汉密尔顿焦虑量表及抑郁量表分别进行预处理以得到入院预处理后表选项及患者选择结果和术前预处理后表选项及患者选择结果；心理状态特征生成单元132，用于将所述入院预处理后表选项及患者选择结果和所述术前预处理后表选项及患者选择结果分别通过基于转换器的心理状态特征编码器以得到干预前心理状态特征向量和干预后心理状态特征向量；心理状态变化特征生成单元133，用于对所述干预前心理状态特征向量和所述干预后心理状态特征向量进行差分以得到所述心理状态变化特征向量。
为了将原始量表数据转换成适合进一步分析的形式，在本申请的技术方案中需要对所述入院时和术前填写的汉密尔顿焦虑量表及抑郁量表分别进行预处理以得到入院预处理后表选项及患者选择结果和术前预处理后表选项及患者选择结果。应很好理解，量表中会存在与患者选择无关的信息，如指导语，一些数字编号等，通过对患者填写的量表进行预处理可以去除这些无关信息，还需要对表中各个选项进行提取，比如担心、担忧、感到有最坏的事情发生这个症状，患者是无症状、是轻微、是中度还是比较严重，需要提取这些症状的文字信息以及患者的填写情况，这样可以方便后续步骤进行语义理解，以更好地分析患者的心理状况，为健康教育干预的效果提供有效的参考依据。
在本申请的实施例中，对所述入院时和术前填写的汉密尔顿焦虑量表及抑郁量表分别进行预处理以得到入院预处理后表选项及患者选择结果和术前预处理后表选项及患者选择结果的一个可实施方式可以为：先使用正则表达式匹配和文本过滤来去除量表数据中的无关信息；对于每个量表的选项和患者选择结果，提取对应的文字信息，可以使用自然语言处理技术来进行识别和提取以得到预处理后表选项及患者选择结果。
为了将量表数据中的信息充分利用，以便对患者的心理状态进行更深入的分析，于是将所述入院预处理后表选项及患者选择结果和所述术前预处理后表选项及患者选择结果分别通过基于转换器的心理状态特征编码器以得到干预前心理状态特征向量和干预后心理状态特征向量。在本申请的技术方案中，基于转换器的心理状态特征编码器的本质是基于转换器的上下文语义编码器。转换器（Transformer）是一种基于注意力机制的神经网络模型，广泛应用于自然语言处理任务中。它可以对输入序列进行编码，并学习序列中的上下文语义信息。将预处理后表选项及患者选择结果输入到心理状态特征编码器中，可以通过注意力机制和编码层来捕捉输入数据中的上下文语义信息，以得到包含患者心理状态特征的心理状态特征向量。
在本申请的技术方案中，入院预处理后表选项及患者选择结果和术前预处理后表选项及患者选择结果的处理方式是一样的，为了使内容更加简洁扼要，以对入院预处理后表选项及患者选择结果数据为例进行阐述，将所述入院预处理后表选项及患者选择结果通过基于转换器的心理状态特征编码器以得到干预前心理状态特征向量的一个可实施方式可以为：对所述入院预处理后表选项及患者选择结果进行分词处理以获得多个干预前心理状态相关词；将所述多个干预前心理状态相关词通过嵌入层以将所述多个干预前心理状态相关词中各个干预前心理状态相关词转化为干预前心理状态相关词嵌入向量以得到干预前心理状态相关词嵌入向量的序列，其中，所述嵌入层使用可学习的嵌入矩阵对所述各个干预前心理状态相关词进行嵌入编码；将所述干预前心理状态相关词嵌入向量的序列排列为干预前心理状态输入向量；将所述干预前心理状态输入向量通过所述可学习嵌入矩阵分别转化为查询向量和关键向量；计算所述查询向量和所述关键向量的转置向量之间的乘积以得到自注意关联矩阵；对所述自注意关联矩阵进行标准化处理以得到标准化自注意关联矩阵；将所述标准化自注意关联矩阵输入Softmax激活函数进行激活以得到自注意力特征矩阵；将所述自注意力特征矩阵与以所述干预前心理状态相关词嵌入向量的序列中各个干预前心理状态相关词嵌入向量作为值向量分别进行相乘以得到所述多个干预前心理状态相关特征向量；将所述多个干预前心理状态相关特征向量进行级联以得到所述干预前心理状态特征向量。
为了更好地理解患者在干预前后的心理状态变化情况，于是对所述干预前心理状态特征向量和所述干预后心理状态特征向量进行差分以得到心理状态变化特征向量。通过分析心理状态变化特征向量，护理人员可以了解患者在不同干预阶段的心理状态情况，为护理决策和干预计划的制定提供依据。
在本申请的实施例中，对所述干预前心理状态特征向量和所述干预后心理状态特征向量进行差分以得到心理状态变化特征向量的一个可实施方式可以为：以如下第二差分公式对所述干预前心理状态特征向量和所述干预后心理状态特征向量进行差分以得到所述心理状态变化特征向量；其中，所述第二差分公式为：
；
其中，表示所述干预前心理状态特征向量，/>表示按位置作差，/>表示所述干预后心理状态特征向量，/>表示所述心理状态变化特征向量。
身体指标变化特征向量是通过对患者的收缩压、舒张压和心率等生理指标进行分析得到的。这些指标的变化可以反映患者的身体状况和情绪状态。例如，如果患者在健康教育干预后的身体指标变化特征向量中显示出心率有所减慢更接近合理范围值，血压降低更接近合理范围值等变化，可以一定程度上表面患者的紧张和焦虑程度有所减轻，健康教育的效果可能是积极的。心理状态变化特征向量是通过对患者的汉密尔顿焦虑量表及抑郁量表进行分析得到的。这些量表是常用的心理评估工具，用于评估患者的焦虑和抑郁程度。如果患者在健康教育干预后的心理状态变化特征向量中显示出焦虑和抑郁程度减轻的趋势，可以认为健康教育的效果可能是积极的，患者的心理状态得到了改善。为了综合考虑了患者的身体和心理状态的变化情况，提供了一个综合的评估指标，于是在本申请的技术方案中融合所述身体指标变化特征向量和所述心理状态变化特征向量以得到健康教育效果评估特征向量。
在本申请的实施例中，融合所述身体指标变化特征向量和所述心理状态变化特征向量以得到健康教育效果评估特征向量的一个可实施方式可以为：以如下融合公式来融合所述身体指标变化特征向量和所述心理状态变化特征向量以得到所述健康教育效果评估特征向量；其中，所述融合公式为：
；
其中，表示所述身体指标变化特征向量，/>表示所述心理状态变化特征向量，/>表示级联函数，/>表示所述健康教育效果评估特征向量。
最后，将所述健康教育效果评估特征向量通过分类器以得到分类结果，所述分类结果用于表示是否需要对所述患者加强健康教育干预。通过将健康教育效果评估特征向量输入分类器，可以得到分类结果。如果分类结果为"需要加强健康教育干预"，则说明患者在健康教育干预后的状态仍然需要进一步改善，可能需要提供更多的健康教育资源和支持。如果分类结果为"不需要加强健康教育干预"，则说明患者在健康教育干预后的状态已经得到了较好的改善，不需要额外的干预。这样的分类结果可以为护理人员提供重要的决策参考。对于被分类为"需要加强健康教育干预"的患者，护理人员可以采取进一步的干预措施，例如提供更详细的健康教育资讯、加强与患者的沟通和支持等，以进一步改善其健康状况和心理状态。而对于被分类为"不需要加强健康教育干预"的患者，护理人员可以确认其健康教育的效果良好，可以继续监测其状态，但不需要额外的干预措施。这样有利于针对不同患者制定个性化的健康教育计划，提高护理的效果。
在本申请的实施例中，将所述健康教育效果评估特征向量通过分类器以得到分类结果，所述分类结果用于表示是否需要对所述患者加强健康教育干预的一个可实施方式可以为：使用所述分类器以如下分类公式对所述健康教育效果评估特征向量进行处理以生成所述分类结果；其中，所述分类公式为：
；
其中为所述分类结果，/>表示所述健康教育效果评估特征向量，/>为全连接层的权重矩阵，/>表示全连接层的偏向向量，/>为归一化指数函数。
在护理工作站的信息管理系统100中，还包括对所述身体指标特征提取器、所述基于转换器的心理状态特征编码器和所述分类器进行训练的训练模块200。
图4为根据本申请实施例的护理工作站的信息管理系统中训练模块的框图。如图4所述，所述训练模块200，包括：训练数据获取单元210，用于获取患者刚入院一段时间和术前一段时间的训练收缩压值、训练舒张压值和训练心率值以及入院时和术前填写的训练汉密尔顿焦虑量表及抑郁量表；训练身体指标数据结构化单元220，用于将所述患者刚入院一段时间和术前一段时间的训练收缩压值、训练舒张压值和训练心率值分别按照时间维度排列为训练健康教育干预前身体指标输入矩阵和训练健康教育干预后身体指标输入矩阵；训练身体指标数据特征提取单元230，用于将所述训练健康教育干预前身体指标输入矩阵和所述训练健康教育干预后身体指标输入矩阵分别通过所述身体指标特征提取器以得到训练干预前身体指标特征向量和训练干预后身体指标特征向量；训练身体指标变化特征计算单元240，用于对所述训练干预前身体指标特征向量和所述训练干预后身体指标特征向量进行差分以得到训练身体指标变化特征向量；训练心理状态数据预处理单元250，用于对所述入院时和术前填写的训练汉密尔顿焦虑量表及抑郁量表分别进行预处理以得到训练入院预处理后表选项及患者选择结果和训练术前预处理后表选项及患者选择结果；训练心理状态数据特征提取单元260，用于将所述训练入院预处理后表选项及患者选择结果和所述训练术前预处理后表选项及患者选择结果分别通过所述基于转换器的心理状态特征编码器以得到训练干预前心理状态特征向量和训练干预后心理状态特征向量；训练心理状态变化特征生成单元270，用于对所述训练干预前心理状态特征向量和所述训练干预后心理状态特征向量进行差分以得到训练心理状态变化特征向量；训练特征融合单元280，用于融合所述训练身体指标变化特征向量和所述训练心理状态变化特征向量以得到训练健康教育效果评估特征向量；模型训练单元290，用于计算所述训练身体指标变化特征向量和所述训练心理状态变化特征向量之间的概率密度分布单调性超凸度量系数作为补偿损失函数值对所述身体指标特征提取器、所述基于转换器的心理状态特征编码器和所述分类器进行训练。
特别地，在本申请的技术方案中，健康教育干预的目标是通过干预前后的身体指标和心理状态变化来评估干预的效果。训练身体指标变化特征向量反映了患者在健康教育干预前后的生理状态变化，而训练心理状态变化特征向量反映了患者在心理层面的变化。这两个特征向量在高维特征空间中的概率密度分布单调性表示它们在特征空间中的分布趋势是否一致。通过提高训练身体指标变化特征向量和训练心理状态变化特征向量在高维特征空间的概率密度分布单调性之间的协调性，可以使得它们的分布趋势更加一致。这样做的目的是为了确保训练健康教育效果评估特征向量在特征空间中的整体分布具有一致的趋势，使其更具有代表性和稳定性。通过提高特征向量的概率密度分布单调性，可以减少特征向量在特征空间中的不确定性和随机性，从而提高分类器对特征向量的分类判断的精准度。基于此，计算所述训练身体指标变化特征向量和所述训练心理状态变化特征向量之间的概率密度分布单调性超凸度量系数作为补偿损失函数值，从而提高训练健康教育效果评估特征向量的整体特征分布的概率密度分布单调性，进而提升其通过分类器的分类判断的精准度。这有助于更准确地评估健康教育干预的效果，以便确定是否需要对患者加强健康教育干预。
具体地，以如下公式计算所述训练身体指标变化特征向量和所述训练心理状态变化特征向量之间的概率密度分布单调性超凸度量系数作为补偿损失函数值；其中，所述公式为：
；
其中，表示所述训练身体指标变化特征向量，/>表示所述训练心理状态变化特征向量，/>表示向量的Frobenius范数，/>表示向量减法，/>表示分类函数，/>表示所述概率密度分布单调性超凸度量系数。
也就是，考虑到在融合所述训练身体指标变化特征向量和所述训练心理状态变化特征向量以得到训练健康教育效果评估特征向量的过程中，如果能提高所述训练身体指标变化特征向量和所述训练心理状态变化特征向量在高维特征空间的概率密度分布单调性之间的协调性，则能够提高所述训练健康教育效果评估特征向量的整体特征分布的概率密度分布单调性，以提升其通过分类器的分类判断的精准度。
因此，在本申请的技术方案中，计算所述训练身体指标变化特征向量和所述训练心理状态变化特征向量之间的概率密度分布单调性超凸度量系数作为补偿损失函数值，其通过构建一个基于特征向量的概率密度分布单调性的超凸度量系数的补偿损失函数，使得特征向量间的每个位置的概率密度分布都能够在其子维度上保持与目标域的一致性，从而实现特征向量的概率密度分布单调性的匹配，这样能够消除特征向量间的概率密度分布单调性的差异，提高特征向量的概率密度分布单调性的一致性，增强特征向量的融合质量。
综上所述，基于本申请实施例的护理工作站的信息管理系统100被阐明，其采用基于深度学习的人工智能分析技术，通过对患者入院后一段时间及术前一段时间的身体指标数据和心理状态数据进行特征提取来判断患者是否需要加强健康教育干预。这样，针对不同患者的情况可以制定个性化的健康教育计划，以提高护理的效果。
如上所述，根据本申请实施例的护理工作站的信息管理系统100可以实现在各种终端设备中，例如用于护理工作站的信息管理的服务器等。在一个示例中，根据本申请实施例的护理工作站的信息管理系统100可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该护理工作站的信息管理系统100可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该护理工作站的信息管理系统100同样可以是该终端设备的众多硬件模块之一。
替换地，在另一示例中，该护理工作站的信息管理系统100与该终端设备也可以是分立的设备，并且该护理工作站的信息管理系统100可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
图5为根据本申请实施例的护理工作站的信息管理方法的流程图。如图5所示，在护理工作站的信息管理方法中，包括：S110，获取患者刚入院一段时间和术前一段时间的收缩压值、舒张压值和心率值以及入院时和术前填写的汉密尔顿焦虑量表及抑郁量表；S120，对所述患者刚入院一段时间和术前一段时间的收缩压值、舒张压值和心率值进行特征提取以得到身体指标变化特征向量；S130，对所述患者入院时和术前填写的汉密尔顿焦虑量表及抑郁量表进行特征提取以得到心理状态变化特征向量；S140，融合所述身体指标变化特征向量和所述心理状态变化特征向量以得到健康教育效果评估特征向量；S150，基于所述健康教育效果评估特征向量，判断是否需要对所述患者加强健康教育干预。
这里，本领域技术人员可以理解，上述护理工作站的信息管理方法中的各个步骤的具体操作已经在上面参考图1到图4的护理工作站的信息管理系统的描述中得到了详细介绍，并因此，将省略其重复描述。
综上所述，基于本申请实施例的护理工作站的信息管理方法被阐明，其采用基于深度学习的人工智能分析技术，通过对患者入院后一段时间及术前一段时间的身体指标数据和心理状态数据进行特征提取来判断患者是否需要加强健康教育干预。这样，针对不同患者的情况可以制定个性化的健康教育计划，以提高护理的效果。
对于本领域技术人员而言，显然本申请不限于上述示范性实施例的细节，而且在不背离本申请的精神或基本特征的情况下，能够以其他的具体形式实现本申请。本申请的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本申请内，不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。最后应说明的是，以上实施例仅用以说明本申请的技术方案而非限制，尽管参照较佳实施例对本申请进行了详细说明，本领域的普通技术人员应当理解，可以对本申请的技术方案进行修改或等同替换，而不脱离本申请技术方案的精神。
Claims (7)
1.一种护理工作站的信息管理系统，其特征在于，包括：
患者相关数据收集模块，用于获取患者刚入院一段时间和术前一段时间的收缩压值、舒张压值和心率值以及入院时和术前填写的汉密尔顿焦虑量表及抑郁量表；
身体指标数据特征提取模块，用于对所述患者刚入院一段时间和术前一段时间的收缩压值、舒张压值和心率值进行特征提取以得到身体指标变化特征向量；
心理状态数据特征提取模块，用于对所述患者入院时和术前填写的汉密尔顿焦虑量表及抑郁量表进行特征提取以得到心理状态变化特征向量；
特征融合模块，用于融合所述身体指标变化特征向量和所述心理状态变化特征向量以得到健康教育效果评估特征向量；
健康教育干预需求评估模块，用于基于所述健康教育效果评估特征向量，判断是否需要对所述患者加强健康教育干预；
其中，所述身体指标数据特征提取模块，包括：
身体指标数据结构化单元，用于将所述患者刚入院一段时间和术前一段时间的收缩压值、舒张压值和心率值分别按照时间维度排列为健康教育干预前身体指标输入矩阵和健康教育干预后身体指标输入矩阵；
身体指标特征生成单元，用于将所述健康教育干预前身体指标输入矩阵和所述健康教育干预后身体指标输入矩阵分别通过身体指标特征提取器以得到干预前身体指标特征向量和干预后身体指标特征向量；
身体指标变化特征生成单元，用于对所述干预前身体指标特征向量和所述干预后身体指标特征向量进行差分以得到所述身体指标变化特征向量；
其中，还包括对身体指标特征提取器、基于转换器的心理状态特征编码器和分类器进行训练的训练模块，其中，所述训练模块，包括：
训练数据获取单元，用于获取患者刚入院一段时间和术前一段时间的训练收缩压值、训练舒张压值和训练心率值以及入院时和术前填写的训练汉密尔顿焦虑量表及抑郁量表；
训练身体指标数据结构化单元，用于将所述患者刚入院一段时间和术前一段时间的训练收缩压值、训练舒张压值和训练心率值分别按照时间维度排列为训练健康教育干预前身体指标输入矩阵和训练健康教育干预后身体指标输入矩阵；
训练身体指标数据特征提取单元，用于将所述训练健康教育干预前身体指标输入矩阵和所述训练健康教育干预后身体指标输入矩阵分别通过所述身体指标特征提取器以得到训练干预前身体指标特征向量和训练干预后身体指标特征向量；
训练身体指标变化特征计算单元，用于对所述训练干预前身体指标特征向量和所述训练干预后身体指标特征向量进行差分以得到训练身体指标变化特征向量；
训练心理状态数据预处理单元，用于对所述入院时和术前填写的训练汉密尔顿焦虑量表及抑郁量表分别进行预处理以得到训练入院预处理后表选项及患者选择结果和训练术前预处理后表选项及患者选择结果；
训练心理状态数据特征提取单元，用于将所述训练入院预处理后表选项及患者选择结果和所述训练术前预处理后表选项及患者选择结果分别通过所述基于转换器的心理状态特征编码器以得到训练干预前心理状态特征向量和训练干预后心理状态特征向量；
训练心理状态变化特征生成单元，用于对所述训练干预前心理状态特征向量和所述训练干预后心理状态特征向量进行差分以得到训练心理状态变化特征向量；
训练特征融合单元，用于融合所述训练身体指标变化特征向量和所述训练心理状态变化特征向量以得到训练健康教育效果评估特征向量；
模型训练单元，用于计算所述训练身体指标变化特征向量和所述训练心理状态变化特征向量之间的概率密度分布单调性超凸度量系数作为补偿损失函数值对所述身体指标特征提取器、所述基于转换器的心理状态特征编码器和所述分类器进行训练；
其中，所述模型训练单元，用于：以如下公式计算所述训练身体指标变化特征向量和所述训练心理状态变化特征向量之间的概率密度分布单调性超凸度量系数作为补偿损失函数值；
其中，所述公式为：
；
其中，表示所述训练身体指标变化特征向量，/>表示所述训练心理状态变化特征向量，/>表示向量的Frobenius范数，/>表示向量减法，/>表示分类函数，表示所述概率密度分布单调性超凸度量系数。
2.根据权利要求1所述的护理工作站的信息管理系统，其特征在于，所述身体指标变化特征生成单元，用于：以如下第一差分公式对所述干预前身体指标特征向量和所述干预后身体指标特征向量进行差分以得到所述身体指标变化特征向量；
其中，所述第一差分公式为：
；
其中，表示所述干预前身体指标特征向量，/>表示按位置作差，/>表示所述干预后身体指标特征向量，/>表示所述身体指标变化特征向量。
3.根据权利要求2所述的护理工作站的信息管理系统，其特征在于，所述心理状态数据特征提取模块，包括：
数据预处理单元，用于对所述入院时和术前填写的汉密尔顿焦虑量表及抑郁量表分别进行预处理以得到入院预处理后表选项及患者选择结果和术前预处理后表选项及患者选择结果；
心理状态特征生成单元，用于将所述入院预处理后表选项及患者选择结果和所述术前预处理后表选项及患者选择结果分别通过基于转换器的心理状态特征编码器以得到干预前心理状态特征向量和干预后心理状态特征向量；
心理状态变化特征生成单元，用于对所述干预前心理状态特征向量和所述干预后心理状态特征向量进行差分以得到所述心理状态变化特征向量。
4.根据权利要求3所述的护理工作站的信息管理系统，其特征在于，所述心理状态变化特征生成单元，用于：以如下第二差分公式对所述干预前心理状态特征向量和所述干预后心理状态特征向量进行差分以得到所述心理状态变化特征向量；
其中，所述第二差分公式为：
；
其中，表示所述干预前心理状态特征向量，/>表示按位置作差， />表示所述干预后心理状态特征向量，/>表示所述心理状态变化特征向量。
5.根据权利要求4所述的护理工作站的信息管理系统，其特征在于，所述身体指标特征提取器为使用二维卷积核的卷积神经网络模型，所述基于转换器的心理状态特征编码器为基于转换器的上下文语义编码器。
6.根据权利要求5所述的护理工作站的信息管理系统，其特征在于，所述健康教育干预需求评估模块，用于：将所述健康教育效果评估特征向量通过分类器以得到分类结果，所述分类结果用于表示是否需要对所述患者加强健康教育干预。
7.一种护理工作站的信息管理方法，其特征在于，包括：
获取患者刚入院一段时间和术前一段时间的收缩压值、舒张压值和心率值以及入院时和术前填写的汉密尔顿焦虑量表及抑郁量表；
对所述患者刚入院一段时间和术前一段时间的收缩压值、舒张压值和心率值进行特征提取以得到身体指标变化特征向量；
对所述患者入院时和术前填写的汉密尔顿焦虑量表及抑郁量表进行特征提取以得到心理状态变化特征向量；
融合所述身体指标变化特征向量和所述心理状态变化特征向量以得到健康教育效果评估特征向量；
基于所述健康教育效果评估特征向量，判断是否需要对所述患者加强健康教育干预；
其中，对所述患者刚入院一段时间和术前一段时间的收缩压值、舒张压值和心率值进行特征提取以得到身体指标变化特征向量，包括：
身体指标数据结构化单元，用于将所述患者刚入院一段时间和术前一段时间的收缩压值、舒张压值和心率值分别按照时间维度排列为健康教育干预前身体指标输入矩阵和健康教育干预后身体指标输入矩阵；
身体指标特征生成单元，用于将所述健康教育干预前身体指标输入矩阵和所述健康教育干预后身体指标输入矩阵分别通过身体指标特征提取器以得到干预前身体指标特征向量和干预后身体指标特征向量；
身体指标变化特征生成单元，用于对所述干预前身体指标特征向量和所述干预后身体指标特征向量进行差分以得到所述身体指标变化特征向量；
其中，还包括对身体指标特征提取器、基于转换器的心理状态特征编码器和分类器进行训练；
其中，对身体指标特征提取器、基于转换器的心理状态特征编码器和分类器进行训练，包括：
获取患者刚入院一段时间和术前一段时间的训练收缩压值、训练舒张压值和训练心率值以及入院时和术前填写的训练汉密尔顿焦虑量表及抑郁量表；
将所述患者刚入院一段时间和术前一段时间的训练收缩压值、训练舒张压值和训练心率值分别按照时间维度排列为训练健康教育干预前身体指标输入矩阵和训练健康教育干预后身体指标输入矩阵；
将所述训练健康教育干预前身体指标输入矩阵和所述训练健康教育干预后身体指标输入矩阵分别通过所述身体指标特征提取器以得到训练干预前身体指标特征向量和训练干预后身体指标特征向量；
对所述训练干预前身体指标特征向量和所述训练干预后身体指标特征向量进行差分以得到训练身体指标变化特征向量；
对所述入院时和术前填写的训练汉密尔顿焦虑量表及抑郁量表分别进行预处理以得到训练入院预处理后表选项及患者选择结果和训练术前预处理后表选项及患者选择结果；
将所述训练入院预处理后表选项及患者选择结果和所述训练术前预处理后表选项及患者选择结果分别通过所述基于转换器的心理状态特征编码器以得到训练干预前心理状态特征向量和训练干预后心理状态特征向量；
对所述训练干预前心理状态特征向量和所述训练干预后心理状态特征向量进行差分以得到训练心理状态变化特征向量；
融合所述训练身体指标变化特征向量和所述训练心理状态变化特征向量以得到训练健康教育效果评估特征向量；
计算所述训练身体指标变化特征向量和所述训练心理状态变化特征向量之间的概率密度分布单调性超凸度量系数作为补偿损失函数值对所述身体指标特征提取器、所述基于转换器的心理状态特征编码器和所述分类器进行训练；
其中，计算所述训练身体指标变化特征向量和所述训练心理状态变化特征向量之间的概率密度分布单调性超凸度量系数作为补偿损失函数值对所述身体指标特征提取器、所述基于转换器的心理状态特征编码器和所述分类器进行训练，包括：以如下公式计算所述训练身体指标变化特征向量和所述训练心理状态变化特征向量之间的概率密度分布单调性超凸度量系数作为补偿损失函数值；
其中，所述公式为：
；
其中，表示所述训练身体指标变化特征向量，/>表示所述训练心理状态变化特征向量，/>表示向量的Frobenius范数，/>表示向量减法，/>表示分类函数，表示所述概率密度分布单调性超凸度量系数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410132807.4A CN117690582B (zh) | 2024-01-31 | 2024-01-31 | 护理工作站的信息管理系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410132807.4A CN117690582B (zh) | 2024-01-31 | 2024-01-31 | 护理工作站的信息管理系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117690582A CN117690582A (zh) | 2024-03-12 |
| CN117690582B true CN117690582B (zh) | 2024-04-26 |
Family
ID=90135566
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410132807.4A Active CN117690582B (zh) | 2024-01-31 | 2024-01-31 | 护理工作站的信息管理系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117690582B (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107799165A (zh) * | 2017-09-18 | 2018-03-13 | 华南理工大学 | 一种基于虚拟现实技术的心理评估方法 |
| CN112890816A (zh) * | 2020-12-11 | 2021-06-04 | 万达信息股份有限公司 | 一种个人用户的健康指数评分方法和装置 |
| CN113077903A (zh) * | 2021-04-12 | 2021-07-06 | 杜秋林 | 一种泌尿外科患者心理健康评估方法及系统 |
| CN114864090A (zh) * | 2022-05-23 | 2022-08-05 | 浙江大学 | 基于数据智能的超重肥胖儿童的干预效果评估系统 |
| CN116269351A (zh) * | 2023-03-24 | 2023-06-23 | 河南中医药大学第一附属医院 | 基于运动姿态变化的脑卒中患者康复效果评估系统 |
| CN116564561A (zh) * | 2023-05-11 | 2023-08-08 | 亿慧云智能科技（深圳）股份有限公司 | 基于生理与情感特征的智能语音看护系统及看护方法 |
| CN116570283A (zh) * | 2023-04-25 | 2023-08-11 | 甘肃省人民医院 | 一种围手术期患者情绪监测系统及方法 |
| CN116864128A (zh) * | 2023-07-13 | 2023-10-10 | 浙江工商大学 | 基于身体活动行为模式监测的心理状态评估系统及其方法 |
| CN117116498A (zh) * | 2023-10-23 | 2023-11-24 | 吉林大学 | 移动查房数据处理系统及其方法 |
| CN117438087A (zh) * | 2023-11-03 | 2024-01-23 | 上饶汉氏医学健康体检中心有限公司 | 基于健康监测数据分析的健康管理方法及系统 |
-
2024
- 2024-01-31 CN CN202410132807.4A patent/CN117690582B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107799165A (zh) * | 2017-09-18 | 2018-03-13 | 华南理工大学 | 一种基于虚拟现实技术的心理评估方法 |
| CN112890816A (zh) * | 2020-12-11 | 2021-06-04 | 万达信息股份有限公司 | 一种个人用户的健康指数评分方法和装置 |
| CN113077903A (zh) * | 2021-04-12 | 2021-07-06 | 杜秋林 | 一种泌尿外科患者心理健康评估方法及系统 |
| CN114864090A (zh) * | 2022-05-23 | 2022-08-05 | 浙江大学 | 基于数据智能的超重肥胖儿童的干预效果评估系统 |
| CN116269351A (zh) * | 2023-03-24 | 2023-06-23 | 河南中医药大学第一附属医院 | 基于运动姿态变化的脑卒中患者康复效果评估系统 |
| CN116570283A (zh) * | 2023-04-25 | 2023-08-11 | 甘肃省人民医院 | 一种围手术期患者情绪监测系统及方法 |
| CN116564561A (zh) * | 2023-05-11 | 2023-08-08 | 亿慧云智能科技（深圳）股份有限公司 | 基于生理与情感特征的智能语音看护系统及看护方法 |
| CN116864128A (zh) * | 2023-07-13 | 2023-10-10 | 浙江工商大学 | 基于身体活动行为模式监测的心理状态评估系统及其方法 |
| CN117116498A (zh) * | 2023-10-23 | 2023-11-24 | 吉林大学 | 移动查房数据处理系统及其方法 |
| CN117438087A (zh) * | 2023-11-03 | 2024-01-23 | 上饶汉氏医学健康体检中心有限公司 | 基于健康监测数据分析的健康管理方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117690582A (zh) | 2024-03-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Van Aken et al. | Clinical outcome prediction from admission notes using self-supervised knowledge integration | |
| WO2022267678A1 (zh) | 视频问诊方法、装置、设备及存储介质 | |
| WO2019132685A1 (ru) | Способ и система поддержки принятия врачебных решений | |
| CN107247881A (zh) | 一种多模态智能分析方法及系统 | |
| KR20170061222A (ko) | 건강데이터 패턴의 일반화를 통한 건강수치 예측 방법 및 그 장치 | |
| CN118098482B (zh) | 基于5g技术的智慧医疗管理系统及方法 | |
| JP6908977B2 (ja) | 医療情報処理システム、医療情報処理装置及び医療情報処理方法 | |
| CN111317464A (zh) | 心电图分析方法和装置 | |
| WO2024008043A1 (zh) | 一种基于因果关系挖掘的临床数据自动化生成方法及系统 | |
| CN112100406A (zh) | 数据处理方法、装置、设备以及介质 | |
| CN117637153B (zh) | 患者安全护理的信息化管理系统及方法 | |
| CN116759041B (zh) | 一种考虑诊疗事件关系的医疗时序数据生成方法及装置 | |
| CN113611433A (zh) | 一种问诊辅助系统及方法 | |
| RU2699607C2 (ru) | Повышение эффективности и уменьшение частоты последующих лучевых исследований путем прогнозирования основания для следующего исследования | |
| CN112382388A (zh) | 一种压疮不良事件的预警方法 | |
| CN115691798A (zh) | 一种多疾病风险预测模型训练方法 | |
| CN117391092A (zh) | 一种基于对比学习的电子病历多模态医疗语义对齐方法 | |
| CN117690582B (zh) | 护理工作站的信息管理系统及方法 | |
| Feng et al. | Can Attention Be Used to Explain EHR-Based Mortality Prediction Tasks: A Case Study on Hemorrhagic Stroke | |
| CN116543917A (zh) | 一种针对异构时间序列数据的信息挖掘方法 | |
| KR102503609B1 (ko) | 머신 러닝을 이용한 가상 환자 정보 생성 시스템 및 방법 | |
| Zarabzadeh et al. | Features of electronic early warning systems which impact clinical decision making | |
| CN114613477A (zh) | 基于深度学习的心理监护方法、装置、设备及存储介质 | |
| CN110289065A (zh) | 一种辅助生成医学电子报告的控制方法以及装置 | |
| Hiriyannaiah et al. | Multi-modal Data-Driven Analytics for Health Care |
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 |