CN117809789A - 基于edc系统的医生评估量表质控审查方法 - Google Patents
基于edc系统的医生评估量表质控审查方法 Download PDFInfo
- Publication number
- CN117809789A CN117809789A CN202311252015.2A CN202311252015A CN117809789A CN 117809789 A CN117809789 A CN 117809789A CN 202311252015 A CN202311252015 A CN 202311252015A CN 117809789 A CN117809789 A CN 117809789A
- Authority
- CN
- China
- Prior art keywords
- rule
- data
- quality control
- doctor
- questioned
- 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
- 238000003908 quality control method Methods 0.000 title claims abstract description 70
- 238000011156 evaluation Methods 0.000 title claims abstract description 22
- 238000000034 method Methods 0.000 title claims abstract description 22
- 230000010354 integration Effects 0.000 claims abstract description 8
- 201000010099 disease Diseases 0.000 claims abstract description 5
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 5
- 239000003814 drug Substances 0.000 claims abstract description 5
- 230000000875 corresponding effect Effects 0.000 claims description 38
- 150000001875 compounds Chemical class 0.000 claims description 12
- 238000012552 review Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 6
- 230000001960 triggered effect Effects 0.000 claims description 5
- 230000003068 static effect Effects 0.000 claims description 4
- 238000003066 decision tree Methods 0.000 claims description 3
- 238000003058 natural language processing Methods 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 abstract description 5
- 238000010219 correlation analysis Methods 0.000 description 6
- COCAUCFPFHUGAA-MGNBDDOMSA-N n-[3-[(1s,7s)-5-amino-4-thia-6-azabicyclo[5.1.0]oct-5-en-7-yl]-4-fluorophenyl]-5-chloropyridine-2-carboxamide Chemical compound C=1C=C(F)C([C@@]23N=C(SCC[C@@H]2C3)N)=CC=1NC(=O)C1=CC=C(Cl)C=N1 COCAUCFPFHUGAA-MGNBDDOMSA-N 0.000 description 5
- 238000013480 data collection Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000009472 formulation Methods 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 239000000243 solution Substances 0.000 description 3
- 238000007619 statistical method Methods 0.000 description 3
- OOIBFPKQHULHSQ-UHFFFAOYSA-N (3-hydroxy-1-adamantyl) 2-methylprop-2-enoate Chemical compound C1C(C2)CC3CC2(O)CC1(OC(=O)C(=C)C)C3 OOIBFPKQHULHSQ-UHFFFAOYSA-N 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 206010012374 Depressed mood Diseases 0.000 description 1
- 208000020401 Depressive disease Diseases 0.000 description 1
- 239000008186 active pharmaceutical agent Substances 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000000611 regression analysis 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
- 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
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Data Mining & Analysis (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Biomedical Technology (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明公开了基于EDC系统的医生评估量表质控审查方法，涉及医疗医疗统计分析技术领域，其方法步骤如下：步骤一：获取质控规则引擎中确诊病种和/或使用某种药品规则集中的全部质控规则；步骤二：对规则集中的全部质控规则进行分析，获取所涉及到的全部数据表；步骤三：获取各数据表的数据，通过左连接对各数据表中的全部数据进行关联整合，获取单个病人一次就诊所填写的全部数据；步骤四：根据各条质控规则在经过统一关联整合后的大宽表中进行质控审查，本发明通过设置对应的预设质疑回复合理范围及预设质疑回复不合理范围，可以自动化对医生做出的质疑回复做分析处理，全面准确的对医生的能力水平进行自动化评估，保证被质控数据的准确性。
Description
技术领域
本发明涉及医疗医疗统计分析技术领域，具体是基于EDC系统的医生评估量表质控审查方法。
背景技术
药厂对于某确诊病种的病人使用某种药品的治疗效果进行统计分析，统计分析对象为某医生针对某患者在此次就诊中所表现的情况所进行的评估量表，一次评估包含多个量表，多个量表的评估结果之间具有逻辑相关性，若多个量表的质控结果不符合逻辑，则向评估医生提出质疑，若医生长期无法合理解释原因，则认为该医生量表评估能力有限，其量表评估数据将被剔除统计分析样本。
然而现有技术针对上述需求一般是通过人工进行判断，没有能够针对此需求的自动化处理技术，费时费力，效率低下。
发明内容
本发明的目的在于提供基于EDC系统的医生评估量表质控审查方法，以解决上述背景技术中提出的现有技术针对上述需求一般是通过人工进行判断，没有能够针对此需求的自动化处理技术，费时费力，效率低下的问题。
为实现上述目的，本发明提供如下技术方案：
基于EDC系统的医生评估量表质控审查方法，其方法步骤如下：
步骤一：获取质控规则引擎中确诊病种和/或使用某种药品规则集中的全部质控规则；
步骤二：进一步对规则集中的全部质控规则进行分析，获取所涉及到的全部数据表；
步骤三：进一步获取各数据表的数据，通过左连接对各数据表中的全部数据进行关联整合，获取单个病人一次就诊所填写的全部数据；
步骤四：进一步根据各条质控规则在经过统一关联整合后的大宽表中进行质控审查，避免了每次数据质控核查时，需针对每条数据去不同的数据表中查找对应的数据条目，再进行核查的步骤，避免了对数据库数据频繁的OA操作，降低了资源占用，提高了核查效率，同时也提高了质控审查的准确率。
作为本发明进一步的方案：所述步骤一中规则引擎是一种实现将业务规则自动转化为可执行的数据质控审查语句的工具，可以将复杂的业务逻辑通过可视化配置页面和/或自然语言处理，转换为易于理解和维护的、由一条条质控规则组成的规则集，同时规则引擎支持多种规则生成方式，如对用户导入的决策树、规则表、流程图文件进行解析，生成相应的规则集。
作为本发明再进一步的方案：所述步骤一中规则引擎中的质控规则包括预定义规则和/或自定义规则。
作为本发明再进一步的方案：所述规则集基于评分逻辑关系的特点和相关性质控的需求制定。
作为本发明再进一步的方案：所述规则集包括普通规则、事件规则和复合规则
作为本发明再进一步的方案：所述普通规则由规则条件和规则动作组成，普通规则适用于静态数据，当条件匹配时，会执行相应的动作；
所述事件规则是针对事件数据的规则，它与普通规则不同之处在于，事件规则会根据特定的事件发生而触发执行，支持多种类型的事件，包括时间触发和外部事件触发；
所述复合规则是由普通规则和事件规则组合而成的规则。
作为本发明再进一步的方案：所述步骤一中具体制定规则如下：
(1)如果表A条目1≥1分，则表A条目2有90％的概率≥10分，若不满足则提出相应的质疑；
(2)如果表A条目3≥1分，则表B条目1≥1分且表C条目3≥1分且表D条目4≥1分，若不满足则提出相应的质疑；
(3)若质疑未回复或者质疑回复结果不属于合理范畴内的理由，则排除该条数据；
(4)判断该医生被质疑数和/或被质疑比例，和/或，质疑回复不合理数和/或质疑回复不合理率，若高于预设值，则排除该医生所对应的全部数据。
作为本发明再进一步的方案：针对(3)，通过对既往各条质控审查规则所对应的各质疑点的质疑回复数据及处理意见的大数据分析统计，结合被质疑数据形成各条质控审查规则所对应的预设质疑回复合理范围及预设质疑回复不合理范围。
作为本发明再进一步的方案：针对(4)，根据被质疑的质控审查规则，和/或，被质疑数据，和/或，质疑回复内容设置不同的权重，根据医生被触发质疑的规则，和/或，被质疑数据，和/或，质疑回复内容计算单次和/或累计权值，根据该医生针对一个患者的单次数据的质疑权值，判断是否排除该医生针对该患者的单次采集数据是否可信，可信则保留，不可信则排除；同时还可以根据该医生针对不同患者的多次数据的累计质疑权值，判断是否排除该医生所对应的采集数据是否可信，可信则保留，不可信则全部排除。
与现有技术相比，本发明的有益效果是：
1、本发明通过设置规则引擎，可以通过多种方式将多种格式的业务质控逻辑固化为质控规则集合，大幅降低了对数据进行自动化逻辑相关性质控审查的操作难度，降低了学习和编程成本；
2、本发明通过对规则集中全部质控规则的分析，获取所涉及到的全部数据表，并对全部数据表数据进行关联，避免了频繁调用I/O接口，减少资源占用，提高质控审查的效率；
3、本发明通过设置对应的预设质疑回复合理范围及预设质疑回复不合理范围，可以自动化对医生做出的质疑回复做进一步的分析处理，提高自动化程度；
4、本发明通过设置不同的质疑权重，可以更为全面准确的对医生的能力水平进行自动化评估，进而保证被质控数据的准确性。
附图说明
图1为基于EDC系统的医生评估量表质控审查方法的步骤流程图。
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，本发明实施例中，基于EDC系统的医生评估量表质控审查方法，其方法步骤如下：
步骤一：获取质控规则引擎中确诊病种和/或使用某种药品规则集中的全部质控规则；
规则引擎是一种实现将业务规则自动转化为可执行的数据质控审查语句的工具，可以将复杂的业务逻辑通过可视化配置页面和/或自然语言处理，转换为易于理解和维护的、由一条条质控规则组成的规则集，同时规则引擎还可以支持多种规则生成方式，如对用户导入的决策树、规则表、流程图等文件进行解析，生成相应的规则集；易于集成和扩展、支持多种数据源和格式、具有高效性和可扩展性等。
规则引擎中的质控规则包括预定义规则和/或自定义规则，基于评分逻辑关系的特点和相关性质控的需求，我们可以制定相应的规则集，包括普通规则、事件规则、复合规则等。例如，可以制定如下规则：
(1)如果表A条目1≥1分，则表A条目2有90％的概率≥10分，若不满足则提出相应的质疑；
(2)如果表A条目3≥1分，则表B条目1≥1分且表C条目3≥1分且表D条目4≥1分，若不满足则提出相应的质疑；
(3)若质疑未回复或者质疑回复结果不属于合理范畴内的理由，则排除该条数据；
(4)判断该医生被质疑数和/或被质疑比例，和/或，质疑回复不合理数和/或质疑回复不合理率，若高于预设值，则排除该医生所对应的全部数据。
针对(3)，通过对既往各条质控审查规则所对应的各质疑点的质疑回复数据及处理意见的大数据分析统计，结合被质疑数据形成各条质控审查规则所对应的预设质疑回复合理范围及预设质疑回复不合理范围。例如(1)中，若表A条目1＝1分，而表A条目2＝0分，则提出“表A条目2为什么为0”的质疑，根据统计质疑回复为“忘填了”“填错了”了为质疑回复合理范围，若表A条目2＝9分，则提出“表A条目2为什么为9”的质疑，根据统计质疑回复为“填错了”了为质疑回复合理范围，“忘填了”为质疑回复不合理范围。
针对(4)，还可以是：根据被质疑的质控审查规则，和/或，被质疑数据，和/或，质疑回复内容设置不同的权重，根据医生被触发质疑的规则，和/或，被质疑数据，和/或，质疑回复内容计算单次和/或累计权值，根据该医生针对一个患者的单次数据的质疑权值，判断是否排除该医生针对该患者的单次采集数据是否可信，可信则保留，不可信则排除；同时还可以根据该医生针对不同患者的多次数据的累计质疑权值，判断是否排除该医生所对应的采集数据是否可信，可信则保留，不可信则全部排除；
步骤二：对规则集中的全部质控规则进行分析，获取所涉及到的全部数据表；
步骤三：获取各数据表的数据，通过左连接对各数据表中的全部数据进行关联整合，获取单个病人一次就诊所填写的全部数据；
步骤四：根据各条质控规则在经过统一关联整合后的大宽表中进行质控审查，有效避免了每次数据质控核查时，需针对每条数据去不同的数据表中查找对应的数据条目，再进行核查的步骤，避免了对数据库数据频繁的OA操作，降低了资源占用，提高了核查效率，同时也提高了质控审查的准确率。
实施例一
基于规则引擎实现评分逻辑关系控制
1、所述规则引擎具体组成包括：
规则管理器：它是一个基于Web的用户界面，可以用于创建、编辑和管理规则。提供了一个规则编辑器，可以用于定义规则、规则条件和规则动作，以及其他与规则相关的元数据。
规则库：规则库是一个存储规则的中央存储库，规则以XML或DRL的形式进行存储。规则库支持版本控制和规则组织，以便规则可以按照不同的版本和分类进行管理。
规则引擎：规则引擎的核心是一个推理引擎，它负责评估规则条件并执行规则动作。使用基于RETE算法的规则引擎，该算法通过建立一个规则网络来高效地匹配和执行规则。规则引擎使用规则库中的规则和事实数据进行匹配，并根据规则条件的匹配结果执行相应的规则动作。
事实(Facts)：事实是规则引擎处理的输入数据。事实可以是简单的数据对象，也可以是复杂的领域对象。事实被注入到规则引擎中，然后被规则条件用于匹配和筛选。
触发器：支持多种类型的触发器，用于触发规则执行。触发器可以是基于时间的触发器(例如定时触发)，也可以是基于外部事件的触发器(例如接收到特定消息时触发)。
2、所述规则引擎的工作原理步骤如下：
步骤S1：定义规则：规则由条件和动作组成。条件使用规则语言(DRL)表达，动作则是规则执行时要执行的操作。
步骤S2：构建规则库：将规则编译成可执行的规则库，并将其部署到规则引擎中。
步骤S3：注入事实：将需要处理的事实(数据)注入到规则引擎中。
步骤S4：触发规则执行：满足触发条件时，规则引擎开始执行规则。
步骤S5：匹配规则条件：规则引擎使用RETE算法匹配事实和规则条件，以确定哪些规则适用于给定的事实数据。
步骤S6：执行规则动作：对于匹配的规则，规则引擎执行其相应的动作。动作可以是更新事实数据、生成报告、发出消息等。
步骤S7：迭代执行：规则引擎可能需要对规则进行多次评估和执行，直到满足停止条件为止。
基于评分逻辑关系的特点和相关性质控的需求，可以制定相应的规则集，包括普通规则、事件规则、复合规则等。例如，可以制定如下规则：
在Drools中，普通规则、事件规则和复合规则是规则引擎中的三种不同类型的规则。它们各自包括以下内容：
(1).普通规则(Simple Rule)：普通规则是最基本的规则类型，它由规则条件和规则动作组成。普通规则适用于静态数据，当条件匹配时，会执行相应的动作。
普通规则的语法如下：
规则条件可以使用规则语言(DRL)来表达，规则动作是在规则条件匹配时要执行的操作。
(2).事件规则(Event Rule)：事件规则是针对事件数据的规则，它与普通规则不同之处在于，事件规则会根据特定的事件发生而触发执行。支持多种类型的事件，包括时间触发和外部事件触发。
事件规则的语法如下：
事件模式定义了事件的属性和条件，当事件模式匹配到事件时，规则引擎会执行相应的规则动作。
(3).复合规则(Composite Rule)：复合规则是由普通规则和事件规则组合而成的规则。它允许将多个规则组合在一起，以实现更复杂的业务逻辑。
复合规则的条件和动作可以包含多个普通规则和事件规则。条件和动作之间可以使用逻辑操作符(如AND、OR)来组合多个规则。
需要注意的是，普通规则、事件规则和复合规则都可以在规则库中进行定义和管理，并由规则引擎进行匹配和执行。它们的不同之处在于适用的数据类型和触发方式。普通规则适用于静态数据，事件规则适用于事件数据，而复合规则可以组合多个普通规则和事件规则以实现更复杂的业务逻辑；
-如果条目1≥1分，则条目2通常≥1分。
-如果条目9≥1分，则条目10通常≥1分。
-如果MADRS2≥1分，则MADRS1≥1分且HAMD3≥1分且HAMA6≥1分。
-如果MADRS总得分≥20分，则建议进行抑郁症治疗。
3、数据源的集成
规则引擎需要能够访问MADRS、HAMD和HAMA诸发多种量表的评分数据，以便根据评分结果来触发相应的规则。我们需要将这些数据源集成到规则引擎中，或者通过API等方式进行数据调用和交换。
4、规则引擎的实现和应用
基于以上制定的规则集和数据源的集成，我们可以实现一个评分逻辑关系控制的规则引擎。该引擎可以根据评分结果自动触发相应的规则，并根据规则的执行结果进行相应的处理，例如，给出治疗建议或者警告提示等。
实施例二
基于相关性质控的MADRS评分控制技术方案
1.数据收集和整理
首先，需要建立一个针对MADRS、HAMD和HAMA多种量表的数据收集系统，包括病人基本信息、评分结果和评估时间等内容。其次，需要将数据进行整理和归类，以便后续的数据分析和挖掘。
2.相关性分析和建模
基于收集到的数据，我们可以运用数据分析和挖掘技术，探索评分项之间的关系。具体地，可以采用相关性分析和建模等方法，找出评分项之间的相关性和影响因素。例如，可以通过相关性分析确定MADRS条目1/2/9/10、HAMD 1/3与HAMA 6之间的相关性程度，进而根据相关性程度制定相应的评分规则和逻辑关系。
3.评分规则制定
根据上述分析结果，我们可以制定相应的评分规则，以实现对MADRS评分的控制。具体地，可以根据相关性分析结果制定评分项之间的关联规则，例如，如果条目1≥1分，则条目2通常≥1分，如果条目9≥1分，则条目10通常≥1分。同时，可以根据回归分析结果制定评分项之间的权重规则，例如，可以根据条目1/2/9/10的权重值来计算整个MADRS评分的总得分。
4.系统实现和应用
最后，我们可以基于以上的分析结果和评分规则，设计和实现一个评分系统，以实现对患者抑郁情绪的评估和控制。具体地，该系统应该包括数据收集、相关性分析和建模、评分规则制定和评分结果输出等功能模块，同时需要考虑数据的安全和隐私保护等问题。该系统可以应用于医院、诊所等医疗机构，为医生提供更准确的抑郁情绪评估和治疗建议；
综上所述，以上的技术方案可以实现对MADRS评分的控制，为医生提供更准确的抑郁情绪评估和治疗建议，该方案需要采用数据收集和整理、相关性分析和建模、评分规则制定和系统实现等多个环节，需要综合运用数据科学、人工智能和医学知识等多种技术和方法。
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 (9)
1.基于EDC系统的医生评估量表质控审查方法，其特征在于：其方法步骤如下：
步骤一：获取质控规则引擎中确诊病种和/或使用某种药品规则集中的全部质控规则；
步骤二：进一步对规则集中的全部质控规则进行分析，获取所涉及到的全部数据表；
步骤三：进一步获取各数据表的数据，通过左连接对各数据表中的全部数据进行关联整合，获取单个病人一次就诊所填写的全部数据；
步骤四：进一步根据各条质控规则在经过统一关联整合后的大宽表中进行质控审查。
2.根据权利要求1所述的基于EDC系统的医生评估量表质控审查方法，其特征在于：所述步骤一中规则引擎是一种实现将业务规则自动转化为可执行的数据质控审查语句的工具，可以将复杂的业务逻辑通过可视化配置页面和/或自然语言处理，转换为易于理解和维护的、由一条条质控规则组成的规则集，同时规则引擎支持多种规则生成方式，如对用户导入的决策树、规则表、流程图文件进行解析，生成相应的规则集。
3.根据权利要求1所述的基于EDC系统的医生评估量表质控审查方法，其特征在于：所述步骤一中规则引擎中的质控规则包括预定义规则和/或自定义规则。
4.根据权利要求1所述的基于EDC系统的医生评估量表质控审查方法，其特征在于：所述规则集基于评分逻辑关系的特点和相关性质控的需求制定。
5.根据权利要求1所述的基于EDC系统的医生评估量表质控审查方法，其特征在于：所述规则集包括普通规则、事件规则和复合规则。
6.根据权利要求5所述的基于EDC系统的医生评估量表质控审查方法，其特征在于：所述普通规则由规则条件和规则动作组成，普通规则适用于静态数据，当条件匹配时，会执行相应的动作；
所述事件规则是针对事件数据的规则，它与普通规则不同之处在于，事件规则会根据特定的事件发生而触发执行，支持多种类型的事件，包括时间触发和外部事件触发；
所述复合规则是由普通规则和事件规则组合而成的规则。
7.根据权利要求1所述的基于EDC系统的医生评估量表质控审查方法，其特征在于：所述步骤一中具体制定规则如下：
(1)如果表A条目1≥1分，则表A条目2有90％的概率≥10分，若不满足则提出相应的质疑；
(2)如果表A条目3≥1分，则表B条目1≥1分且表C条目3≥1分且表D条目4≥1分，若不满足则提出相应的质疑；
(3)若质疑未回复或者质疑回复结果不属于合理范畴内的理由，则排除该条数据；
(4)判断该医生被质疑数和/或被质疑比例，和/或，质疑回复不合理数和/或质疑回复不合理率，若高于预设值，则排除该医生所对应的全部数据。
8.根据权利要求7所述的基于EDC系统的医生评估量表质控审查方法，其特征在于：针对(3)，通过对既往各条质控审查规则所对应的各质疑点的质疑回复数据及处理意见的大数据分析统计，结合被质疑数据形成各条质控审查规则所对应的预设质疑回复合理范围及预设质疑回复不合理范围。
9.根据权利要求7所述的基于EDC系统的医生评估量表质控审查方法，其特征在于：针对(4)，根据被质疑的质控审查规则，和/或，被质疑数据，和/或，质疑回复内容设置不同的权重，根据医生被触发质疑的规则，和/或，被质疑数据，和/或，质疑回复内容计算单次和/或累计权值，根据该医生针对一个患者的单次数据的质疑权值，判断是否排除该医生针对该患者的单次采集数据是否可信，可信则保留，不可信则排除；同时还可以根据该医生针对不同患者的多次数据的累计质疑权值，判断是否排除该医生所对应的采集数据是否可信，可信则保留，不可信则全部排除。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311252015.2A CN117809789A (zh) | 2023-09-26 | 2023-09-26 | 基于edc系统的医生评估量表质控审查方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311252015.2A CN117809789A (zh) | 2023-09-26 | 2023-09-26 | 基于edc系统的医生评估量表质控审查方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117809789A true CN117809789A (zh) | 2024-04-02 |
Family
ID=90420897
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311252015.2A Pending CN117809789A (zh) | 2023-09-26 | 2023-09-26 | 基于edc系统的医生评估量表质控审查方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117809789A (zh) |
-
2023
- 2023-09-26 CN CN202311252015.2A patent/CN117809789A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US7774291B2 (en) | Network of networks of associative memory networks for knowledge management | |
| JP2017513134A (ja) | オントロジーマッピング方法及び装置 | |
| Chen et al. | Automated domain modeling with large language models: A comparative study | |
| Cunha et al. | Model-based programming environments for spreadsheets | |
| Ali et al. | A hybrid DevOps process supporting software reuse: A pilot project | |
| Li et al. | Automatic Classification of Review Comments in Pull-based Development Model. | |
| Rybina et al. | Combined method of automated temporal information acquisition for development of knowledge bases of intelligent systems | |
| CN117829291B (zh) | 一种全过程咨询知识集成管理系统及方法 | |
| Jimenez et al. | ARIEX: Automated ranking of information extractors | |
| US5720008A (en) | Knowledge base management system with dependency information for procedural tests | |
| Tan et al. | A model-based approach to generate dynamic synthetic test data: A conceptual model | |
| Roubtsova et al. | A method for modeling of KPIs enabling validation of their properties | |
| CN117809789A (zh) | 基于edc系统的医生评估量表质控审查方法 | |
| Mao et al. | Dynamic sub-ontology evolution for traditional Chinese medicine web ontology | |
| CN111797619B (zh) | 根据公式自动计算观察项的装置及方法 | |
| Kessel | LASSO–an observatorium for the dynamic selection, analysis and comparison of software | |
| Cattelani et al. | FRAT-up, a rule-based system evaluating fall risk in the elderly | |
| CN113421650A (zh) | 一种基于智能决策系统的Meta分析生成方法 | |
| Andriichuk et al. | Usage of expert decision-making support systems in information operations detection | |
| Barth et al. | Detecting Stale Data in Wikipedia Infoboxes. | |
| Haque et al. | Restoring consistency in ontological multidimensional data models via weighted repairs | |
| Vasconcellos-Gaete et al. | On the Use of CSP Semantic Information in SAT Models | |
| US20230054008A1 (en) | Granular context aware autosuggestion of document codes | |
| Jamil et al. | Smarts: Software metric analyzer for relational database systems | |
| Abelló et al. | Ontology driven search of compound IDs |
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 |