CN117747058A - 一种数字化临床营养智能管理方法及系统 - Google Patents
一种数字化临床营养智能管理方法及系统 Download PDFInfo
- Publication number
- CN117747058A CN117747058A CN202311540925.0A CN202311540925A CN117747058A CN 117747058 A CN117747058 A CN 117747058A CN 202311540925 A CN202311540925 A CN 202311540925A CN 117747058 A CN117747058 A CN 117747058A
- Authority
- CN
- China
- Prior art keywords
- nutrition
- state
- target
- data
- determining
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 235000016709 nutrition Nutrition 0.000 title claims abstract description 203
- 230000035764 nutrition Effects 0.000 title claims abstract description 195
- 238000007726 management method Methods 0.000 title claims abstract description 30
- 238000012216 screening Methods 0.000 claims abstract description 21
- 230000007613 environmental effect Effects 0.000 claims abstract description 7
- 230000002159 abnormal effect Effects 0.000 claims description 59
- 238000000034 method Methods 0.000 claims description 14
- 238000004458 analytical method Methods 0.000 claims description 12
- 230000005856 abnormality Effects 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 6
- 230000008901 benefit Effects 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 230000006978 adaptation Effects 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 5
- 230000008859 change Effects 0.000 description 7
- 230000006872 improvement Effects 0.000 description 3
- 235000021075 protein intake Nutrition 0.000 description 3
- 102000004169 proteins and genes Human genes 0.000 description 3
- 108090000623 proteins and genes Proteins 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 235000012054 meals Nutrition 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 210000003205 muscle Anatomy 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 239000013589 supplement Substances 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 208000015580 Increased body weight Diseases 0.000 description 1
- 150000001413 amino acids Chemical class 0.000 description 1
- 230000037396 body weight Effects 0.000 description 1
- 235000019577 caloric intake Nutrition 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 235000005911 diet Nutrition 0.000 description 1
- 230000000378 dietary effect Effects 0.000 description 1
- 235000021004 dietary regimen Nutrition 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 210000000265 leukocyte Anatomy 0.000 description 1
- 201000002364 leukopenia Diseases 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 235000006286 nutrient intake Nutrition 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 239000000843 powder Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 235000013343 vitamin Nutrition 0.000 description 1
- 229940088594 vitamin Drugs 0.000 description 1
- 229930003231 vitamin Natural products 0.000 description 1
- 239000011782 vitamin Substances 0.000 description 1
- 150000003722 vitamin derivatives Chemical class 0.000 description 1
Landscapes
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本申请公开了一种数字化临床营养智能管理方法及系统,涉及营养处理技术领域,包括:获取目标用户的体态数据,从体态数据中获取目标数据集合和目标用户特征;根据目标数据集合和目标用户特征,确定目标用户的用户环境特征;根据用户环境特征,对体态数据进行筛选,得到筛选数据集合,基于筛选数据集合,确定营养配置参数;获取实时体态数据与历史体态数据,基于历史体态数据与实时体态数据的比较结果,确定目标反馈状态;基于目标反馈状态,确定营养方案的第一补偿变量,所述第一补偿变量至少为两个数据型,输出第一补偿变量实施指令;能够提高营养方案配置的质量与效果,提高营养方案的个性化与参与性。
Description
技术领域
本发明涉及营养处理技术领域,尤其涉及一种数字化临床营养智能管理方法及系统。
背景技术
随着经济的发展以及生活水平的提高,人们越来越重视饮食营养对健康的影响,因此,临床自动诊断,提高营养治疗效率逐渐成为目前营养学领域内的热门研究课题之一。营养干预在对待临床上的各种疾病方面具有极其重要的地位,因此,研制功能强,通用性好,能完成需结合营养治疗相关的常见疾病的诊断、病因的分析、治疗方案的确定及相应食物的推荐的系统是很有必要的,具有重要的社会意义和应用价值。
现有的临床营养管理是构建热量分配回归模型,根据热量分配回归模型进行准确的膳食分配,并对多个营养膳食分配方案进行方案筛选,得到满足要求的目标营养方案;但是,注意力集中到热量分配时,可能会导致整体营养摄入不足,导致其他所需的营养需要得不到满足。
发明内容
本申请实施例通过提供一种数字化临床营养智能管理方法及系统,解决了现有技术中针对营养方案设置的不充分,以及营养配置中没有考虑补偿变量与异常变量之间的关联。提高了营养配置的质量及效率,提高了营养方案的个性化与参与性。
本申请实施例提供了一种数字化临床营养智能管理方法,包括:
获取目标用户的体态数据,从体态数据中获取目标数据集合和目标用户特征;
根据目标数据集合和目标用户特征,确定目标用户的用户环境特征;
根据用户环境特征,对体态数据进行筛选,得到筛选数据集合,基于筛选数据集合,确定营养配置参数;
获取实时体态数据与历史体态数据,基于历史体态数据与实时体态数据的比较结果,确定目标反馈状态;
基于目标反馈状态,确定营养方案的第一补偿变量,所述第一补偿变量至少为两个数据型,输出第一补偿变量实施指令;
基于第一补偿变量实施指令,将营养配置参数作为输入,确定得到第二补偿变量;
以第一补偿变量实施指令为输入,第二补偿变量为变量,用户环境特征为补充变量,根据目标反馈状态,获取关联拓扑图;
以关联拓扑图为基础,输入目标用户的体态数据,获取异常数据集,根据异常数据集,确定营养指标。
一种数字化临床营养智能管理系统,包括:
用户状态数据获取模块,用于获取目标用户的体态数据,当体态数据的数据量达到分析的数量要求时,发送到环境特征提取模块;
环境特征提取模块,用于根据目标数据集合和目标用户特征,获取目标用户的用户环境特征;
反馈状态确定模块,用于根据历史体态数据与实时体态数据的比较结果,确定目标反馈状态;
第一补偿模块,用于根据目标反馈状态,得到营养方案在每个状态下的第一补偿变量;
第二补偿模块,用于根据目标用户的需求和历史体态数据,确定第二补偿变量;
关联模块,用于根据第一补偿变量指令、第二补偿变量、用户环境特征、目标反馈状态,确定关联拓扑图;
异常分析模块,用于以关联拓扑图为基础,输入目标用户的体态数据,获取异常数据集,根据异常数据集的分析结果,确定营养指标。
本申请实施例中提供的一个或多个技术方案,至少具有如下技术效果或优点:
本申请通过对目标用户的体态数据进行处理,获取目标数据集合和目标用户特征;根据目标用户特征,确定得到营养配置参数;基于历史体态数据与实时体态数据的比较结果,确定目标反馈状态,基于目标反馈状态,确定营养方案的第一补偿变量,基于第一补偿变量实施指令,将营养配置参数作为输入,确定得到第二补偿变量;以第一补偿变量实施指令为输入,第二补偿变量为变量,用户环境特征为补充变量,根据目标反馈状态,获取关联拓扑图;以关联拓扑图为基础,输入目标用户的体态数据,获取异常数据集,根据异常数据集,确定营养指标。得到的第一补偿变量与第二补偿变量可以补充营养方案中出现的不足处,并根据目标反馈状态和用户环境特征,可以使得获得的方案对当前环境的适应性更强,更能凸显营养方案对目标用户的预测性、预防性、个性化及参与性。
附图说明
图1为一种数字化临床营养智能管理方法的流程示意图;
图2为一种数字化临床营养智能管理系统的系统示意图;
图3为一种数字化临床营养智能管理方法的步骤S300的流程示意图;
图4为一种数字化临床营养智能管理方法的步骤S400的流程示意图;
图5为一种数字化临床营养智能管理方法的步骤S500的流程示意图;
图6为一种数字化临床营养智能管理方法的步骤S600的流程示意图;
图7为一种数字化临床营养智能管理方法的步骤S700的流程示意图;
图8为一种数字化临床营养智能管理方法的步骤S800的流程示意图。
具体实施方式
为了便于理解本发明,下面将参照相关附图对本申请进行更全面的描述;附图中给出了本发明的较佳实施方式,但是,本发明可以以许多不同的形式来实现,并不限于本文所描述的实施方式;相反地,提供这些实施方式的目的是使对本发明的公开内容理解的更加透彻全面。
需要说明的是,本文所使用的术语“垂直”、“水平”、“上”、“下”、“左”、“右”以及类似的表述只是为了说明的目的,并不表示是唯一的实施方式。
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;本文中在本发明的说明书中所使用的术语只是为了描述具体的实施方式的目的,不是旨在于限制本发明;本文所使用的术语“和/或”包括一个或多个相关的所列项目的任意的和所有的组合。
如图1所示,一种数字化临床营养智能管理方法,包括:
S100,获取目标用户的体态数据,从体态数据中获取目标数据集合和目标用户特征。
其中,体态数据是指目标用户的个人的身体基本信息、住院时自身的病症、时间、健康状况、目标用户所处在的环境信息。获取的目标数据集合是表示与目标用户某个身体特征相关的数据集合,比如特定的体重对应的数据信息,目标用户特征是表示能够对目标用户的营养方案起到一定影响的特征。
S200,根据目标数据集合和目标用户特征,确定目标用户的用户环境特征。
其中用户环境特征是指,目标用户的个人所处在的环境信息,例如,家庭环境,所处在的地区温度、湿度、压力与使用营养方案时自身周围的环境。
对于目标用户特征,获取目标数据集合和目标用户特征,选择与环境相关的数据,对环境数据进行排序,选取排序后对营养方案影响程度最大的环境特征作为输出的用户环境特征。
S300,根据用户环境特征,对体态数据进行筛选,得到筛选数据集合,基于筛选数据集合,确定营养配置参数。
进一步,如图3所示,步骤S300包括:
S301,根据筛选数据集合,生成初步营养方案。
S302,将所述初步营养方案根据用户环境特征,确定营养设置流程。
S303,根据每个营养设置流程中的营养分配指标,获取每个营养设置流程的营养配置参数。
具体来说,根据筛选得到的筛选数据集合,对目标用户的用户环境特征确定营养方案;用户环境特征是用于将用户根据每个用户的环境信息,确定其中对应环境的特征信息,从而可以便于对于环境相关的目标用户进行筛选。营养设置流程是在不同时间范围内对于营养方案的使用方式,营养分配指标就是每个营养方案需要满足达到的营养量,营养配置参数则是具体的分配量。
对于获得的营养配置参数,分别对筛选数据集合中多个环境变量与营养方案的适配性进行分析,获取对应的营养设置流程。将满足环境变化的营养设置流程中,选取相关的营养分配指标,比较其中的营养配置参数,从而输出符合当前条件的一些营养配置参数。根据得到的营养配置参数对营养方案中使用的营养粉进行调整。
进一步,比较初步营养方案的历史体态数据,对初步营养方案进行回归计算,得到目标营养方案;
根据目标营养方案的设置权重,确定配置时的环境特征,权重最大的目标营养方案作为第一输出方案,将权重值为平均的目标营养方案作为第二输出方案;
基于第一输出方案与第二输出方案,提取方案舒适度,根据所述方案舒适度,确定最终输出的营养配置参数。
S400,获取实时体态数据与历史体态数据,基于历史体态数据与实时体态数据的比较结果,确定目标反馈状态。
其中,实时体态数据与历史体态数据进行对比,比较的目的是找出历史体态数据和实时数据之间的差异和变化趋势。营养配置参数是指与目标用户的体态数据相关的特定指标或规则。针对不同的目标用户,分析体态数据的差异和变化趋势,结合营养配置参数可以判断出目标用户的体态状态。
具体的,如图4所示,对于步骤S400,还包括:
S401,根据营养需求和目标用户特征,确定与体态数据相关的营养配置参数。
S402,基于实时体态数据与历史体态数据的比对结果,进行状态判断,输出初始状态集。
S403,基于初始状态集,获取N个状态下的N个目标状态特征;基于N个目标状态特征的损失情况,确定得到N个状态指数;其中,N是目标用户的状态类别聚类后的结果值。
对于目标状态特征,选取N个状态作为初始聚类中心,根据状态中心与目标状态特征之间距离进行比较,选择其中最为接近的N个目标状态特征。然后计算距离的差值的平方和的平方根,将其作为初始聚类中心的评估值,选取最接近评估值的初始聚类中心作为聚类中心,根据聚类中心的数值大小确定N的值。
获取的N个目标状态特征、N个状态、N个状态指数一一对应。
S404,将N个状态指数中最大的状态指数设为第一状态指数,以第一状态指数为寻优点,将最符合目标用户的状态指数输出为目标反馈状态。
S500,基于目标反馈状态,确定营养方案的第一补偿变量,所述第一补偿变量至少为两个数据型,输出第一补偿变量实施指令。
在本步骤中,基于目标反馈状态确定得到营养方案中需要补充的部分,第一补偿变量是根据目标反馈状态进行选择的;第一补偿变量是在目标状态聚类后,与当前状态最为相关的变量;第一补偿变量至少包含两个数据型,例如数值、比例、百分比等。
具体的,第一补偿变量可以是对于目标用户摄入营养的成分,例如,第一补偿变量在用户的身体状况缺乏卫生素时,第一补偿变量是当前病症主要摄入的维生素;当用户自身白细胞或者其他人体成分过高时,第一补偿变量为治愈或者减少过高人体成分的药物。
对于步骤S500,如图5所示,处理方式如下所示:
S501,从预设的营养方案库中,选择与目标反馈状态相符合的营养方案。
S502,对营养方案进行特征识别,标识大于目标反馈状态的状态区间。
S503,对状态区间进行实时标识,选取目标反馈状态与状态区间差值最大的值作为确定的第一补偿变量。
S504,将第一补偿变量输入状态关联模型,确定输出的第一补偿变量。
对于确定第一补偿变量,比较每次第一补偿变量对应的用户环境特征与目标特征,目标特征与用户环境特征差值最小的部分,确定第一补偿变量。
S505,基于第一补偿变量,生成相应的第一补偿变量实施指令。
其中,通过从预设的营养方案库中获取符合要求的营养方案,在营养方案中进行特征识别,并与目标反馈状态进行比较,选择其中差异较大的值作为输出的状态区间,状态区间的获得是根据目标反馈状态与多个营养方案比较后输出的集合;之后选择相差最大的状态区间中的值作为第一补偿变量,并根据设置的状态关联模型来确定第一补偿变量的适配性,将适配性最高的第一补偿变量进行输出。
详细的,适配性越高,说明根据第一补偿变量得到的营养方案更能贴近人们日常生活和需要解决身体问题的饮食方案,适配性越低说明第一补偿变量得到的方案效果越差。
例如,根据目标反馈状态,选择两个数据型的变量作为第一补偿变量;这两个变量是希望改变或调整的营养配置参数,如摄入的蛋白质量(克)和脂肪量(克)。
输出第一补偿变量实施指令为:增加蛋白质摄入量至目标值X克,减少脂肪摄入量至目标值Y克。此时得到的第一补偿变量实施指令就是用于调整蛋白质和脂肪量的摄入。
S600,基于第一补偿变量实施指令,将营养配置参数作为输入,确定得到第二补偿变量。
对于第二补偿变量是根据当前体态数据的变化情况来进行选择的,获取的第二补偿变量在第一补偿变量的基础上,体态数据变化中相对突出的变量。
具体的,第二补偿变量是指,通过第一补偿变量对人体成分进行处理后,若仍存在一定的人体风险或者使用的第一补偿变量无法完全解决人体成分过高或者人体成分过低带来的问题时,第二补偿变量用于辅助第一补偿变量进行解决。
例如,第一补偿变量是蛋白质摄入量和脂肪摄入量,第二补偿变量是体重变化;
增加蛋白质摄入量可以提供更多的氨基酸,有助于肌肉修复和生长,从而可能导致肌肉质量的增加、体重的增加或脂肪含量的减少。
减少脂肪摄入量可以减少能量摄入,从而有助于体重的减少或脂肪含量的减少。
第一补偿变量会造成第二补偿变量的增加或者减少,针对第一补偿变量和第二补偿变量做适应性调整就可以提高营养方案的处理效果。
具体的,如图6所示,步骤S600的实现方式如下所示:
S601,根据目标用户的需求和营养方案的特点,确定每组的营养配置参数;
S602,将第一补偿变量实施指令作为输入,根据实施指令中的信息进行相应的调整;
S603,结合目标用户的需求和历史体态数据,确定营养配置参数与第一补偿变量之间的关联;
S604,基于营养配置参数和第一补偿变量的分析结果,确定第二补偿变量。
根据第二补偿变量建立与营养配置参数相关的数据模型,将营养配置参数输入到状态关联模型中,根据模型的计算和预测结果,确定第二补偿变量的数值或设定。
此时生成的营养方案至少具备两个或两个以上的补偿值,使营养方案更加便于修改与实现。
S700,以第一补偿变量实施指令为输入,第二补偿变量为变量,用户环境特征为补充变量,根据目标反馈状态,获取关联拓扑图。
具体的,为了使得获取的体态数据能够更贴合实现的需求,如图7所示,步骤S700表现方式如下所示:
S701,获取目标用户的反馈状态和用户环境特征数据;
S702,确定第一补偿变量实施指令和第二补偿变量的具体定义和范围;
S703,将第一补偿变量实施指令、第二补偿变量和用户环境特征作为节点,建立关联拓扑图;
S704,将实时体况数据输入到关联拓扑图中,将相关的节点和边添加到关联拓扑图;
S705,对构建的关联拓扑图进行分析,比较关联拓扑图之间的关联和影响路径。
具体的,将第一补偿变量实施指令与第二补偿变量根据用户环境特征进行分析,将这些数据之间的联系建立相应的关联拓扑图,对于关联拓扑图用于显示不同数据之间的相关信息,根据每个节点之间的距离确定每个变量之间的权重分布;将目标用户对应的用户环境特征作为进行输入的信息,选择其中与目标用户之间距离最近的第一补偿变量实施指令与第二补偿变量,从而确定营养方案采用的第一补偿实施质量与第二补偿变量。
之后,对多个输入的用户环境特征之间的距离进行判断,选择其中权重值最大的用户环境特征,作为最终作为选择营养方案的依据,并将营养方案推送给用户。
在本步骤中,对于第一补偿变量实施指令和第二补偿变量确定需要处理的人体成分,例如处理蛋白质的摄入,白细胞减少的处理方式,确定体态数据和不同补偿变量之间的关系,体态数据增加时,什么形式的成分会缺少,根据这些相互影响的关系比较关联拓扑图之间的关联和影响路径。
在本发明的一个实施例中,根据输入的变量确定关联拓扑图中存在的异常信息,根据异常信息的具体情况,确定最后生成的营养方案,如图8所示,具体实现方式如下所示:
S800,以关联拓扑图为基础,输入目标用户的体态数据,获取异常数据集,根据异常数据集,确定营养指标;
S801,将所有相关变量输入关联拓扑图,根据预设指标对关联拓扑图的输出结果进行异常识别,获取异常数据集。
其中,对于关联拓扑图的异常识别,包括:
定义预设指标,首先确定用于异常识别的预设指标,这些指标可以是与拓扑图相关的属性或参数,例如节点的度数、边的权重、节点之间的距离。
建立正常数据集,使用正常已知的正常数据集,计算每个指标的数值,并将这些指标用于正常情况下的基准。
获取异常数据集,根据异常数据集中与关联拓扑图之间的关联情况,来确定异常数据输入后指标的数值。
特征提取,将每个关联拓扑图中提取的预设指标的数值作为特征。
异常识别模型训练,使用正常数据集和异常数据集,构建一个异常识别模型;将提取的特征作为输入,标记正常数据为类别1,异常数据为类别0,并进行模型训练。
异常识别,使用训练好的模型对新的拓扑图数据进行异常识别。提取新数据的特征,并使用模型进行预测;根据模型的输出,将被判定为异常的数据记录下来。
构建异常数据集:根据异常识别的结果,将被判定为异常的关联拓扑图数据记录下来,形成异常数据集。
为了使得异常数据集得到的数据更为准确,将异常数据集分为第一异常变量与第二异常变量,比较两种异常变量的不同来获取更为清楚的异常特征,具体的,如下所示:
S802,判断当前异常数据集是否为两种类型的输出,若异常数据集为两种类型输出,根据用户环境特征,确定环境异常变量。
S803,根据环境异常变量,确定得到第一异常变量和第二异常变量,其中第一异常变量是指环境异常变量其中一种类型的输出,第二异常变量是指除了第一异常变量以外的环境异常变量。
S804,以第一异常变量和第二异常变量,提取异常差分集。
异常差分集是用于获取第一异常变量与第二异常变量中存在的不同值的异常变量,从而减少获取的时间复杂度,能够更加准确得到异常数据出现的时间;
进一步,将获取的异常数据集与实时配置的营养参数进行比对,确定得到优化的营养配置参数。
S805,获取实时营养配置参数和预测营养配置参数;以异常差分集为基础,筛选实时营养配置参数和预测营养配置参数,输出营养控制指标;其中,营养控制指标时排除点异常差分集中相关的参数后输出的指标。
S806,基于营养控制指标,对关联拓扑图进行优化;获取关联拓扑图中各个营养配置流程的营养叠加指标。
S807,基于营养叠加指标,对预设的适配值进行比对,输出比较后的营养叠加指标作为营养方案的营养指标。
上述本申请实施例中的技术方案,至少具有如下的技术效果或优点:
本申请通过对目标用户的体态数据进行处理,获取目标数据集合和目标用户特征;根据目标用户特征,确定得到营养配置参数;基于历史体态数据与实时体态数据的比较结果,确定目标反馈状态,基于目标反馈状态,确定营养方案的第一补偿变量,基于第一补偿变量实施指令,将营养配置参数作为输入,确定得到第二补偿变量;以第一补偿变量实施指令为输入,第二补偿变量为变量,用户环境特征为补充变量,根据目标反馈状态,获取关联拓扑图;以关联拓扑图为基础,输入目标用户的体态数据,获取异常数据集,根据异常数据集,确定营养指标。得到的第一补偿变量与第二补偿变量可以补充营养方案中出现的不足处,并根据目标反馈状态和用户环境特征,可以使得获得的方案对当前环境的适应性更强,更能凸显营养方案对目标用户的预测性、预防性、个性化及参与性。
如图2所示,一种数字化临床营养智能管理系统,包括:
用户状态数据获取模块,用于获取目标用户的体态数据,当体态数据的数据量达到分析的数量要求时,发送到环境特征提取模块;
环境特征提取模块,用于根据目标数据集合和目标用户特征,获取目标用户的用户环境特征;
反馈状态确定模块,用于根据历史体态数据与实时体态数据的比较结果,确定目标反馈状态;
第一补偿模块,用于根据目标反馈状态,得到营养方案在每个状态下的第一补偿变量;
第二补偿模块,用于根据目标用户的需求和历史体态数据,确定第二补偿变量;
关联模块,用于根据第一补偿变量指令、第二补偿变量、用户环境特征、目标反馈状态,确定关联拓扑图;
异常分析模块,用于以关联拓扑图为基础,输入目标用户的体态数据,获取异常数据集,根据异常数据集的分析结果,确定营养指标。
在本发明的一个实施例中,一种数字化临床营养智能管理系统,还包括:营养分配单元、状态选择单元。
营养分配单元,用于根据营养设置流程,选择对应的营养配置参数;
状态选择单元,用于根据目标用户的目标状态特征,确定得到状态指数,将状态指数中最大的状态指数设为第一状态指数。
在本发明的一个实施例中,一种数字化临床营养智能管理系统,还包括:状态关联单元、异常识别单元、营养叠加单元。
状态关联单元,用于根据目标反馈状态,标识营养方案中大于目标反馈状态的状态区间,基于状态区间,选取第一补偿变量;
异常识别单元,用于对关联拓扑图的输出结果进行异常识别,获取异常数据集;
营养叠加单元,用于基于营养控制指标,获取关联拓扑图中各个营养配置流程的营养叠加指标。
以上所述仅为本发明的优选实施方式,并不用于限制本发明,对于本领域技术人员来说,本发明可以有各种更改和变化。凡在本发明精神和原则内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种数字化临床营养智能管理方法,其特征在于,包括:
获取目标用户的体态数据,从体态数据中获取目标数据集合和目标用户特征;
根据目标数据集合和目标用户特征,确定目标用户的用户环境特征;
根据用户环境特征,对体态数据进行筛选,得到筛选数据集合,基于筛选数据集合,确定营养配置参数;
获取实时体态数据与历史体态数据,基于历史体态数据与实时体态数据的比较结果,确定目标反馈状态;
基于目标反馈状态,确定营养方案的第一补偿变量,所述第一补偿变量至少为两个数据型,输出第一补偿变量实施指令;
基于第一补偿变量实施指令,将营养配置参数作为输入,确定得到第二补偿变量;
以第一补偿变量实施指令为输入,第二补偿变量为变量,用户环境特征为补充变量,根据目标反馈状态,获取关联拓扑图;
以关联拓扑图为基础,输入目标用户的体态数据,获取异常数据集,根据异常数据集,确定营养指标。
2.如权利要求1所述的一种数字化临床营养智能管理方法,其特征在于,
根据筛选数据集合,生成初步营养方案;
将所述初步营养方案根据用户环境特征,确定营养设置流程;
根据每个营养设置流程中的营养分配指标,获取每个营养设置流程的营养配置参数。
3.如权利要求1所述的一种数字化临床营养智能管理方法,其特征在于,
根据营养需求和目标用户特征,确定与体态数据相关的营养配置参数;
基于实时体态数据与历史体态数据的比对结果,进行状态判断,输出初始状态集;
基于初始状态集,获取N个状态下的N个目标状态特征;基于N个目标状态特征的损失情况,确定得到N个状态指数;其中,N是目标用户的状态类别聚类后的结果值;
将N个状态指数中最大的状态指数设为第一状态指数,以第一状态指数为寻优点,将最符合目标用户的状态指数输出为目标反馈状态。
4.如权利要求1所述的一种数字化临床营养智能管理方法,其特征在于,
从预设的营养方案库中,选择与目标反馈状态相符合的营养方案;
对营养方案进行特征识别,标识大于目标反馈状态的状态区间;
对状态区间进行实时标识,选取目标反馈状态与状态区间差值最大的值作为确定的第一补偿变量;
将第一补偿变量输入状态关联模型,确定输出的第一补偿变量;
基于第一补偿变量,生成相应的第一补偿变量实施指令。
5.如权利要求1所述的一种数字化临床营养智能管理方法,其特征在于,
根据目标用户的需求和营养方案的特点,确定每组的营养配置参数;
将第一补偿变量实施指令作为输入,根据实施指令中的信息进行相应的调整;
结合目标用户的需求和历史体态数据,确定营养配置参数与第一补偿变量之间的关联;
基于营养配置参数和第一补偿变量的分析结果,确定第二补偿变量。
6.如权利要求1所述的一种数字化临床营养智能管理方法,其特征在于,
获取目标用户的反馈状态和用户环境特征数据;
确定第一补偿变量实施指令和第二补偿变量的具体定义和范围;
将第一补偿变量实施指令、第二补偿变量和用户环境特征作为节点,建立关联拓扑图;
将实时体况数据输入到关联拓扑图中,将相关的节点和边添加到关联拓扑图;
对构建的关联拓扑图进行分析,比较关联拓扑图之间的关联和影响路径。
7.如权利要求1所述的一种数字化临床营养智能管理方法,其特征在于,
将所有相关变量输入关联拓扑图,根据预设指标对关联拓扑图的输出结果进行异常识别,获取异常数据集;
判断当前异常数据集是否为两种类型的输出,若异常数据集为两种类型输出,根据用户环境特征,确定环境异常变量;
根据环境异常变量,确定得到第一异常变量和第二异常变量;
以第一异常变量和第二异常变量,提取异常差分集;
获取实时营养配置参数和预测营养配置参数;以异常差分集为基础,筛选实时营养配置参数和预测营养配置参数,输出营养控制指标;
基于营养控制指标,对关联拓扑图进行优化;获取关联拓扑图中各个营养配置流程的营养叠加指标;
基于营养叠加指标,对预设的适配值进行比对,输出比较后的营养叠加指标作为营养方案的营养指标。
8.一种数字化临床营养智能管理系统,其特征在于,包括:
用户状态数据获取模块,用于获取目标用户的体态数据,当体态数据的数据量达到分析的数量要求时,发送到环境特征提取模块;
环境特征提取模块,用于根据目标数据集合和目标用户特征,获取目标用户的用户环境特征;
反馈状态确定模块,用于根据历史体态数据与实时体态数据的比较结果,确定目标反馈状态;
第一补偿模块,用于根据目标反馈状态,得到营养方案在每个状态下的第一补偿变量;
第二补偿模块,用于根据目标用户的需求和历史体态数据,确定第二补偿变量;
关联模块,用于根据第一补偿变量指令、第二补偿变量、用户环境特征、目标反馈状态,确定关联拓扑图;
异常分析模块,用于以关联拓扑图为基础,输入目标用户的体态数据,获取异常数据集,根据异常数据集的分析结果,确定营养指标。
9.如权利要求8所述的一种数字化临床营养智能管理系统,其特征在于,还包括:营养分配单元、状态选择单元;
营养分配单元,用于根据营养设置流程,选择对应的营养配置参数;
状态选择单元,用于根据目标用户的目标状态特征,确定得到状态指数,将状态指数中最大的状态指数设为第一状态指数。
10.如权利要求8所述的一种数字化临床营养智能管理系统,其特征在于,还包括:状态关联单元、异常识别单元、营养叠加单元;
状态关联单元,用于根据目标反馈状态,标识营养方案中大于目标反馈状态的状态区间,基于状态区间,选取第一补偿变量;
异常识别单元,用于对关联拓扑图的输出结果进行异常识别,获取异常数据集;
营养叠加单元,用于基于营养控制指标,获取关联拓扑图中各个营养配置流程的营养叠加指标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311540925.0A CN117747058A (zh) | 2023-11-20 | 2023-11-20 | 一种数字化临床营养智能管理方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311540925.0A CN117747058A (zh) | 2023-11-20 | 2023-11-20 | 一种数字化临床营养智能管理方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117747058A true CN117747058A (zh) | 2024-03-22 |
Family
ID=90259923
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311540925.0A Pending CN117747058A (zh) | 2023-11-20 | 2023-11-20 | 一种数字化临床营养智能管理方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117747058A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109065126A (zh) * | 2018-08-01 | 2018-12-21 | 糖友管家(北京)健康管理有限公司 | 一种生活方式管理方法、装置及终端 |
KR20220168142A (ko) * | 2021-06-15 | 2022-12-22 | 서울대학교산학협력단 | 개인 맞춤형 식이 제안 플랫폼 제공 시스템 및 방법 |
CN115831322A (zh) * | 2023-01-09 | 2023-03-21 | 上海楚动智能科技有限公司 | 一种基于自动化营养配置的营养方案生成方法及系统 |
US20230089697A1 (en) * | 2020-02-11 | 2023-03-23 | Fablife | Method for generating a composite nutritional index, and associated system |
CN116994709A (zh) * | 2023-06-01 | 2023-11-03 | 广州营悦营养健康咨询有限公司 | 一种个性化的饮食与运动推荐方法、系统及电子设备 |
-
2023
- 2023-11-20 CN CN202311540925.0A patent/CN117747058A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109065126A (zh) * | 2018-08-01 | 2018-12-21 | 糖友管家(北京)健康管理有限公司 | 一种生活方式管理方法、装置及终端 |
US20230089697A1 (en) * | 2020-02-11 | 2023-03-23 | Fablife | Method for generating a composite nutritional index, and associated system |
KR20220168142A (ko) * | 2021-06-15 | 2022-12-22 | 서울대학교산학협력단 | 개인 맞춤형 식이 제안 플랫폼 제공 시스템 및 방법 |
CN115831322A (zh) * | 2023-01-09 | 2023-03-21 | 上海楚动智能科技有限公司 | 一种基于自动化营养配置的营养方案生成方法及系统 |
CN116994709A (zh) * | 2023-06-01 | 2023-11-03 | 广州营悦营养健康咨询有限公司 | 一种个性化的饮食与运动推荐方法、系统及电子设备 |
Non-Patent Citations (1)
Title |
---|
王乐 等: ""营养个体化定量化指导系统"", 计算机工程与设计, vol. 29, no. 24, 31 December 2008 (2008-12-31), pages 6397 - 6398 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103370703A (zh) | 监控、分析并优化营养的生理状态的方法和设备 | |
Wan et al. | A probabilistic linguistic dominance score method considering individual semantics and psychological behavior of decision makers | |
CN109581981B (zh) | 一种数据融合系统及其工作方法 | |
CN106874355A (zh) | 同时融入社交关系和用户相似度的协同过滤方法 | |
CN110332671A (zh) | 室内机的控制方法、装置、设备和空调系统 | |
CN109065113A (zh) | 基于机器学习的人体减重方案推荐方法、系统及介质 | |
Kangra et al. | Comparative analysis of predictive machine learning algorithms for diabetes mellitus | |
CN111223523A (zh) | 基于多时滞因果熵的基因调控网络构建方法及系统 | |
CN117747058A (zh) | 一种数字化临床营养智能管理方法及系统 | |
CN105787232B (zh) | 一种数据处理方法、装置、健康系统平台及终端 | |
CN112133404A (zh) | 一种基于多维度评分法的食谱推荐方法、系统以及电子设备 | |
CN116665843B (zh) | 一种肿瘤患者膳食能量摄入优化方法 | |
CN115862814A (zh) | 一种基于智能健康数据分析的精准膳食管理方法 | |
Wang et al. | Personalized individual semantics based approach to MAGDM with the linguistic preference information on alternatives | |
CN111986779A (zh) | 一种结合多目标线性规划与遗传算法的菜谱推荐方法 | |
US20230089697A1 (en) | Method for generating a composite nutritional index, and associated system | |
CN116564521A (zh) | 一种慢性病风险评估模型建立方法、介质及系统 | |
CN116196196A (zh) | 一种按摩椅控制方法、系统及计算机可读存储介质 | |
US20210217530A1 (en) | System for estimating the state of target complex system | |
CN114023419A (zh) | 食谱推荐方法、装置及非易失性存储介质 | |
Wan et al. | A integrating CRITIC-WASPAS group decision making method under interval-valued q-rung orthogonal fuzzy enviroment | |
CN111859263B (zh) | 一种用于自来水处理的精准投药方法 | |
Vignesh et al. | Rule extraction for diagnosis of diabetes mellitus used for enhancing regular covering technique | |
CN113096768A (zh) | 一种食管癌的饮食调理养护方法及系统 | |
CN113096815A (zh) | 一种基于logistic回归的慢性肾病预测方法 |
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 |