CN118098545A - 一种大数据驱动的中老年患者健康状态评估方法 - Google Patents
一种大数据驱动的中老年患者健康状态评估方法 Download PDFInfo
- Publication number
- CN118098545A CN118098545A CN202410081436.1A CN202410081436A CN118098545A CN 118098545 A CN118098545 A CN 118098545A CN 202410081436 A CN202410081436 A CN 202410081436A CN 118098545 A CN118098545 A CN 118098545A
- Authority
- CN
- China
- Prior art keywords
- old
- data
- equipment
- health
- monitoring
- 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
- 230000036541 health Effects 0.000 title claims abstract description 228
- 238000000034 method Methods 0.000 title claims description 30
- 238000012544 monitoring process Methods 0.000 claims abstract description 249
- 238000011156 evaluation Methods 0.000 claims abstract description 11
- 238000004458 analytical method Methods 0.000 claims abstract description 7
- 238000001514 detection method Methods 0.000 claims abstract description 6
- 239000008280 blood Substances 0.000 claims description 53
- 210000004369 blood Anatomy 0.000 claims description 53
- 230000036772 blood pressure Effects 0.000 claims description 51
- 230000008859 change Effects 0.000 claims description 41
- 230000002159 abnormal effect Effects 0.000 claims description 36
- 238000012549 training Methods 0.000 claims description 34
- 230000003862 health status Effects 0.000 claims description 23
- 238000012806 monitoring device Methods 0.000 claims description 23
- 230000036760 body temperature Effects 0.000 claims description 22
- 230000000694 effects Effects 0.000 claims description 22
- 238000012360 testing method Methods 0.000 claims description 22
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 claims description 20
- 239000008103 glucose Substances 0.000 claims description 20
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 14
- 235000005911 diet Nutrition 0.000 claims description 14
- 230000037213 diet Effects 0.000 claims description 14
- 238000013178 mathematical model Methods 0.000 claims description 14
- 229910052760 oxygen Inorganic materials 0.000 claims description 14
- 239000001301 oxygen Substances 0.000 claims description 14
- 230000036578 sleeping time Effects 0.000 claims description 14
- 238000005259 measurement Methods 0.000 claims description 12
- 238000007781 pre-processing Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 10
- 206010012601 diabetes mellitus Diseases 0.000 claims description 9
- 238000004140 cleaning Methods 0.000 claims description 8
- 238000007405 data analysis Methods 0.000 claims description 8
- 201000010099 disease Diseases 0.000 claims description 8
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 8
- 230000036387 respiratory rate Effects 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 7
- 238000007637 random forest analysis Methods 0.000 claims description 7
- 230000007246 mechanism Effects 0.000 claims description 6
- 206010020772 Hypertension Diseases 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 230000003860 sleep quality Effects 0.000 claims description 5
- 230000037396 body weight Effects 0.000 claims description 4
- 238000012417 linear regression Methods 0.000 claims description 4
- 230000004202 respiratory function Effects 0.000 claims description 4
- 230000003247 decreasing effect Effects 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 238000012706 support-vector machine Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 claims description 2
- 230000002354 daily effect Effects 0.000 description 8
- 230000000474 nursing effect Effects 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 5
- 230000005189 cardiac health Effects 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 230000004622 sleep time Effects 0.000 description 4
- 230000001960 triggered effect Effects 0.000 description 4
- 208000017667 Chronic Disease Diseases 0.000 description 3
- 230000009471 action Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 208000032368 Device malfunction Diseases 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 208000008960 Diabetic foot Diseases 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 235000004251 balanced diet Nutrition 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000035487 diastolic blood pressure Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000005802 health problem Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000008376 long-term health Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000000284 resting effect Effects 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 230000007958 sleep Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 230000035488 systolic blood pressure Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- 230000003442 weekly effect Effects 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
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
-
- 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
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Business, Economics & Management (AREA)
- General Business, Economics & Management (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本申请提供一种大数据驱动的中老年患者健康状态评估方法,包括:获取老人的健康检测设备使用日志,若分析显示老人更倾向于使用可穿戴设备,则优先选择可穿戴设备进行日常监测;获取老人的生理指标,若生理指标稳定,减少可穿戴设备的使用时间,增加远程监控的使用时间;将可穿戴设备和远程监控设备获取的数据进行汇总,生成完整数据集;若用户接受度调查显示老人对于远程监控设备的接受度低于预设值,减少远程监控的使用,增加可穿戴设备的使用;根据老人的健康状况和个人偏好,建立设备监控策略,选择不同健康监测设备;建立健康状况预测模型分析老人的健康状况和风险因素,定期评估老人的健康状况,确保所选监控策略仍然适合老人的当前状态。
Description
技术领域
本发明涉及信息技术领域,尤其涉及一种大数据驱动的中老年患者健康状态评估方法。
背景技术
随着可穿戴设备和远程监控技术的不断发展,中老年患者的健康状态评估变得更加便捷和准确。随着社会老龄化的加剧,老年人口逐年增加,老年人口的增长导致了更多老年患者,他们面临慢性疾病高发的问题,如高血压、糖尿病等,这需要长期的健康管理措施。传统的健康管理方式通常涉及定期的体检或医院就诊,但这限制了管理的时间和空间范围,老年人可能不方便定期前往医院,特别是在偏远地区或行动不便的情况下。老年人日常生活中的实时、连续的健康监测需求日益增加,而现有的健康管理方式往往无法满足这种需求,许多健康问题需要更频繁的监测,而传统的体检和医院访问通常是间断的。老年人需要更多的自主权和实时数据,以更好地了解他们的健康状况,尤其是在疾病控制和预防方面。虽然可穿戴设备和远程监控技术为健康管理带来了新的可能性,但在数据准确性方面存在一定局限性。老年人可能会遇到设备误操作或数据不准确的问题,这可能对医疗决策产生不良影响。老年人对新科技产品的接受程度因个体差异而异,有的老人抗拒远程监控,有的老人抗拒穿戴智能设备,一些老年人可能对技术不太熟悉,需要教育和培训,而另一些人可能更容易接受并有效使用这些设备。不同健康状况,不同健康风险的老人对设备的需求也不一样。因此,如何合理选择和整合可穿戴设备和远程监控技术是一个需要认真考虑的问题。
发明内容
本发明提供了一种大数据驱动的中老年患者健康状态评估方法,主要包括:
获取老人的健康检测设备使用日志,若分析显示老人更倾向于使用可穿戴设备,则优先选择可穿戴设备进行日常监测;在需要进行精确监测的情况下,比较可穿戴设备与远程监控设备的数据准确性,如果可穿戴设备的数据准确性更高,选择使用可穿戴设备进行监测;获取老人的生理指标,若生理指标稳定,减少可穿戴设备的使用时间,增加远程监控的使用时间;使用生理数据变化趋势的数学模型判断老人是否存在变化速率超出阈值的生理数据,增加监测该生理数据的可穿戴设备的使用时间;将可穿戴设备和远程监控设备获取的数据进行汇总,生成完整数据集;建立老人健康监测模型,对数据集进行分析,判断老人健康状况是否异常,若老人的健康状况出现异常,触发报警机制,提醒工作人员及时处理;若用户接受度调查显示老人对于远程监控设备的接受度低于预设值,减少远程监控的使用,增加可穿戴设备的使用;根据老人的健康状况和个人偏好,建立设备监控策略,选择不同健康监测设备;建立健康状况预测模型分析老人的健康状况和风险因素,定期评估老人的健康状况,确保所选监控策略仍然适合老人的当前状态。
优选的,所述获取老人的健康检测设备使用日志,若分析显示老人更倾向于使用可穿戴设备,则优先选择可穿戴设备进行日常监测,包括:
根据设备使用日志,用户反馈,获取老人的常用设备类型和用户设备使用数据;若老人在常用设备类型中使用可穿戴设备时间超过预设偏好时间,则判断可穿戴设备为老人的偏好设备;对常用设备获取的监测数据进行预处理,包括去噪、填补缺失值;对预处理后的监测数据进行分析,获取潜在的健康风险,并将结果分类;将分类后的结果进行可视化展示,在可穿戴设备上集成用户反馈功能,获取使用者对监测结果的反馈,并根据反馈调整监测方案。
优选的,所述在需要进行精确监测的情况下,比较可穿戴设备与远程监控设备的数据准确性,如果可穿戴设备的数据准确性更高,选择使用可穿戴设备进行监测,包括:
选择需要监测的生理参数,包括心率、血压、血氧饱和度或体温;通过不同可穿戴设备和远程监控设备,包括智能手表、心率监测器、医疗传感器,获取相同生理参数数据;在不同条件下进行测试,包括休息状态、运动状态、不同环境温度,记录参与者的生理参数;将获取的生理参数与专业医疗设备测量的生理参数进行数据比对,评估可穿戴设备和远程监控设备的数据准确性;使用测量误差、标准差、相关性和一致性分析可穿戴设备和远程监控设备收集的数据,以比较其准确性;基于数据分析的结果,确定在监测生理参数时,可穿戴设备和远程监控设备哪一个更准确,选择具有最高数据准确性的设备作为监测工具;定期检查选定设备的数据准确性,对于健康状况可能发生变化的个体,持续进行监测和评估。
优选的,所述获取老人的生理指标,若生理指标稳定,减少可穿戴设备的使用时间,增加远程监控的使用时间,包括:
通过医疗专业人员进行初次检查,并借助可穿戴设备进行连续的健康监测,若老年人的生理指标的变化在预设范围内,判断老人生理指标稳定;对于生理指标稳定的老年人,逐步减少使用可穿戴设备的时间,工作人员定期访问老人,测量老人生理指标,包括心率、血压;根据老年人的实际需求和家庭环境,增加远程监控的使用时间,在获取老人的授权同意后,在老人的生活区域安装摄像头;对摄像头获取的图像进行分析,获取老人的睡眠时间与活动时间,若老人睡眠时间与活动时间突然改变,则存在身体状态变化,需要使用可穿戴设备或工作人员上门对老人生理指标进行检测;获取老人反馈,根据老人的反馈调整访问次数或远程监控方式。
优选的,所述使用生理数据变化趋势的数学模型判断老人是否存在变化速率超出阈值的生理数据,增加监测该生理数据的可穿戴设备的使用时间,包括:
获取老人的基本健康信息和病史,包括年龄、性别、疾病历史;根据医生评估和老人的健康状况,确定需要监测的生理指标,包括心率、血压、血糖;根据医疗专家的建议和老人的健康状况,设定生理数据变化趋势阈值;选择适合监测生理指标的可穿戴设备,包括心率监测器、血压计、血糖仪;使用可穿戴设备获取老人的生理数据,包括心率、血压、血糖的时间序列数据;对获取到的数据进行预处理,包括数据清洗、去除异常值,对数据进行平滑处理,减少噪音和波动;对老人的生理数据使用线性回归,对平滑后的数据进行拟合,建立生理数据变化趋势的数学模型;根据拟合的生理数据变化趋势的数学模型,得到趋势线的斜率,用于表示生理指标的变化趋势;判断是否存在生理指标变化趋势的趋势线斜率的绝对值超出设定阈值;若存在趋势线斜率的绝对值超出设定阈值的生理数据,增加监测该生理数据的可穿戴设备的使用时间,增加时间跟随趋势线斜率调整。
优选的,所述将可穿戴设备和远程监控设备获取的数据进行汇总,生成完整数据集,包括:
根据时间戳记录可穿戴设备和远程监控设备获取的数据,并通过用户ID和设备ID对数据进行标识和区分;获取用户的步数、心率数据、呼吸频率和血氧水平,监测用户的活动强度和呼吸功能;获取用户的体温、体重、血压数据、睡眠时间、入睡时间、醒来时间和睡眠质量信息,分析用户的睡眠,监测用户的健康状况;将获取的各项数据进行汇总,存入数据库中,并按照用户ID和设备ID编写索引,生成数据集;还包括:根据可穿戴设备获取的数据,判断设备是否损坏,老人是否正确佩戴可穿戴设备,并发送警报。
所述根据可穿戴设备获取的数据,判断设备是否损坏,老人是否正确佩戴可穿戴设备,并发送警报,具体包括:
使用可穿戴设备定期采集相关数据包括心率、血压、体温,并将数据通过无线传输方式发送到数据库。定期监测可穿戴设备的信号强度和连接状态,若信号丢失或信号强度下降,表示老人未正确佩戴设备或设备出现故障,记录事件并触发警报。获取可穿戴设备的状态,包括电池电量、设备故障、传感器状态,若设备状态异常,发出警报通知护理人员。对监测数据进行分析,计算老人的实际生理数据与设备监测的数据的差异,若差异大于预设值,表示设备未正确佩戴或设备出现故障,触发警报。为可穿戴设备安装加速计或陀螺仪检测设备是否被老人佩戴,若检测到设备未佩戴或佩戴方式不正确,发出警报。针对发出警报的可穿戴设备,安排工作人员上门,检查设备状态并对老人或老人护理人员进行教学,正确佩戴可穿戴设备。
优选的,所述建立老人健康监测模型,对数据集进行分析,判断老人健康状况是否异常,若老人的健康状况出现异常,触发报警机制,提醒工作人员及时处理,包括:
将从可穿戴设备和远程监控设备获取的各项数据整合到数据集中,根据用户ID和设备ID进行标识和索引,对数据集中的数据进行预处理,包括清洗、缺失值处理、特征工程;根据健康状况判断需求,从整合后的数据中提取特征,包括活动强度、心率变化、呼吸频率、血氧水平、体温、体重、血压、睡眠质量,基于医学标准,将数据分为正常和异常两类,并对数据进行标注,得到标注后的老人健康数据特征;使用支持向量机建立老人健康监测模型,将标注后的老人健康数据特征分为训练集和测试集,用于老人健康监测模型的训练和评估;使用老人健康监测模型对训练集进行训练,输入为老人健康数据特征,输出为预测的老人的健康状态,将老人健康状态分为正常、异常两类;使用测试集评估老人健康监测模型的性能,包括准确度、精确度、召回率、F1分数;根据医学标准,设置决策阈值,当老人健康监测模型的输出超过阈值时,判断老人健康状态为异常,触发报警,通过电子邮件、短信、手机应用程序通知工作人员;定期更新数据,并重新训练支持老人健康监测模型,确保老人健康监测模型适应老人的健康状况变化。
优选的,所述若用户接受度调查显示老人对于远程监控设备的接受度低于预设值,减少远程监控的使用,增加可穿戴设备的使用,包括:
通过历史使用数据,得到远程监控设备的使用频率和效果;通过用户反馈获取老人对远程监控设备的使用接受度,处理调查数据,得到老人对远程监控设备的整体接受度;若接受度低于预设阈值,对设备使用进行调整,减少远程监控设备的使用;分析调整后远程监控设备的使用空缺时间,计算需要增加的可穿戴设备数量和穿戴时间,选取符合需求的设备型号和数量;将新的设备配置和使用策略下发到相关设备和系统中,对新配置后系统的运行状态进行监控和评估,根据老人的反馈调整设备使用策略。
优选的,所述根据老人的健康状况和个人偏好,建立设备监控策略,选择不同健康监测设备,包括:
对每一位老人进行需求评估,获取老人的日常健康状况、个人偏好,并根据老人的需求,建立不同的设备监控策略,选择不同健康监测设备,包括智能摄像头、智能手表或智能手环;使用健康监测设备获取老人的健康数据,并对获取的数据进行分析,根据数据分析结果,定期调整老人的设备监控策略;获取老人的身体健康状况,调整设备监控策略,包括增加或者减少监测频率、更换健康监测设备或调整健康监测设备使用时间;若发现老人无法正确佩戴或使用某个设备,替换或升级设备;若老人身体健康为正常或轻微不适,增加使用远程监控包括智能摄像头的使用时间;若老人身体健康为中度不适或重度不适,增加使用可穿戴设备包括智能手环、智能手表的使用时间;还包括:根据老人的身体状况调整设备使用频率。
所述根据老人的身体状况调整设备使用频率,具体包括:
定期收集老人的健康数据,并基于医学标准设定正常范围,包括心率正常范围、血压正常范围和体温正常体温范围。根据老人的生理指标,将老人的健康状态分为以下等级,正常状态、轻微不适、中度不适、重度不适。基于老人的健康状态和医学建议,建立不同的设备使用频率。根据实时的健康数据调整设备使用频率,当检测到老人的健康状态发生变化,自动切换设备使用频率,关注老人的状况。若显示老人的状态达到中度或重度不适水平,立即触发报警,通过短信、电话呼叫或手机应用程序,通知医生或护理人员。
优选的,所述建立健康状况预测模型分析老人的健康状况和风险因素,定期评估老人的健康状况,确保所选监控策略仍然适合老人的当前状态,包括:
经过老人授权同意后,获取老人的信息数据包括年龄、性别、饮食、运动、健康状况、血压、血糖、医疗记录;对数据进行处理,去除异常值、填充缺失值,提取特征;划分数据集为训练集和测试集;通过随机森林算法来建立健康状况预测模型,输入为老人的信息数据,输出为老人的健康状况和风险因素;健康状况预测模型表示为
P(HealthRisk|Attributes)=f(Age,Gender,Lifestyle,Diet,Exercise,HealthStatus,BP,BG,MedicalRecord);其中,P(HealthRisk|Attributes)是基于属性计算出的健康风险概率;Age、Gender、Lifestyle、Diet、Exercise、HealthStatus、BP、BG和MedicalRecord分别代表老人的年龄、性别、饮食、运动、健康状况、血压、血糖和医疗记录;f是通过随机森林算法学习到的函数,用于从属性中推断出老人的健康状况和相关风险因素;使用训练集对选择的模型进行训练,学习数据中的模式和关联,使用交叉验证调整模型参数,使用测试集对模型进行评估;根据健康状况预测模型的输出,获取影响老年人健康的风险因素,包括疾病史、生理指标;针对风险因素,调整监控策略,对于高血压高风险老人,监控策略增加测量血压的频率;对于糖尿病风险老人,监控策略增加血糖测量频率。
本发明实施例提供的技术方案可以包括以下有益效果:
本发明公开了一种基于用户习惯数据的老人健康监控系统和方法。获取用户习惯数据,根据老人的喜好和行为习惯,为老人提供个性化的监测策略,提高老人对监测设备的接受度。
比较可穿戴设备和远程监控设备的数据准确性,选择数据更准确的设备进行监测,提高监测的精确度。根据老人的健康状况进行动态调整,确保在病症加重时提供及时监测。将可穿戴设备和远程监控设备的数据整合,提供完整的健康数据集,更全面地了解老人的健康状况和风险因素。在老人的健康状况出现异常时触发报警机制,通知工作人员采取行动。根据老人的个人习惯和健康状况,选择不同的监测策略,避免了资源浪费。定期评估老人健康状况和风险因素,确保所选监测策略仍然适合老人的当前状态。本发明提高老年人的健康监测质量,降低健康风险,提高生活质量,并在老年人需要帮助时及时提供支持,对老年人的健康和福祉产生积极影响。
附图说明
图1为本发明的一种大数据驱动的中老年患者健康状态评估方法的流程图。
图2为本发明的一种大数据驱动的中老年患者健康状态评估方法的示意图。
图3为本发明的一种大数据驱动的中老年患者健康状态评估方法的又一示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面结合附图和具体实施例对本发明进行详细描述。
本实施例一种大数据驱动的中老年患者健康状态评估方法具体可以包括:
S101、获取老人的健康检测设备使用日志,若分析显示老人更倾向于使用可穿戴设备,则优先选择可穿戴设备进行日常监测。
根据设备使用日志,用户反馈,获取老人的常用设备类型和用户设备使用数据。若老人在常用设备类型中使用可穿戴设备时间超过预设偏好时间,则判断可穿戴设备为老人的偏好设备。对常用设备获取的监测数据进行预处理,包括去噪、填补缺失值。对预处理后的监测数据进行分析,获取潜在的健康风险,并将结果分类。将分类后的结果进行可视化展示,在可穿戴设备上集成用户反馈功能,获取使用者对监测结果的反馈,并根据反馈调整监测方案。例如,老人常用设备类型包括手机、智能手表和血压计。根据设备使用日志和用户反馈,可以获得老人在不同设备上的使用时间和频率。老人在手机上使用时间为4小时,智能手表上使用时间为6小时,血压计使用时间为30分钟。预设偏好时间为3小时,超过该时间的设备被认为是老人的偏好设备。根据以上数据,老人的偏好设备为手机、智能手表。对获取的监测数据进行预处理,在手机上记录的监测数据为步数,在智能手表上记录的数据为心率。在预处理阶段去除噪声和填补缺失值,在智能手表上记录的心率数据为
[75,80,85,NaN,90],其中NaN表示缺失值。使用线性插值来填补缺失值,得到
[75,80,85,87,90]。对预处理后的监测数据进行分析,以获取潜在的健康风险。通过分析心率数据,判断老人的心率是否在正常范围内,是否存在异常波动,来评估老人的心脏健康状况。正常心率范围为60-100,通过分析心率数据,发现老人的心率在正常范围内,并且没有异常波动,以得出结论,老人的心脏健康状况良好。将分析结果进行分类,并进行可视化展示,将心脏健康状况分类为正常、异常或有待观察,并通过图表或图形展示出来,以便老人和医护人员进行查看和评估。在可穿戴设备上集成用户反馈功能后,老人可以对监测结果进行反馈。老人可以通过设备上的按钮或界面来表示对监测结果的满意度、准确性等方面的反馈,根据老人的反馈,调整监测方案,提供更准确、个性化的监测服务。
S102、在需要进行精确监测的情况下,比较可穿戴设备与远程监控设备的数据准确性,如果可穿戴设备的数据准确性更高,选择使用可穿戴设备进行监测。
选择需要监测的生理参数,包括心率、血压、血氧饱和度或体温。通过不同可穿戴设备和远程监控设备,包括智能手表、心率监测器、医疗传感器,获取相同生理参数数据。在不同条件下进行测试,包括休息状态、运动状态、不同环境温度,记录参与者的生理参数。将获取的生理参数与专业医疗设备测量的生理参数进行数据比对,评估可穿戴设备和远程监控设备的数据准确性。使用测量误差、标准差、相关性和一致性分析可穿戴设备和远程监控设备收集的数据,以比较其准确性。基于数据分析的结果,确定在监测生理参数时,可穿戴设备和远程监控设备哪一个更准确,选择具有最高数据准确性的设备作为监测工具。定期检查选定设备的数据准确性,对于健康状况可能发生变化的个体,持续进行监测和评估。例如,使用三种设备智能手表、心率监测器和医用脉搏氧仪测量血氧饱和度。在受试者处于静息状态下进行测量,获得基准数据,受试者进行有氧运动,包括跑步或骑自行车,模拟日常活动中的运动状态,再次进行测试。测量在不同温度条件下进行,包括室内正常温度和较冷的室外温度。同时使用医用脉搏氧仪、智能手表或心率监测器测量受试者的血氧饱和度。将智能手表、心率监测器的测量数据与医用脉搏氧仪的测量数据进行比对。使用均值、标准差、相关性和一致性,评估可穿戴设备和远程监控设备的数据准确性,比较各设备在不同测试条件下的表现。基于数据分析的结果,确定哪种设备在监测血氧饱和度时更准确。如果智能手表在所有测试条件下都与专业医疗设备的测量值高度一致,那么可以选择智能手表,即可穿戴设备作为监测工具。定期进行数据准确性检查,对于个体的健康状况可能发生变化的情况,持续进行监测和评估,及时调整监测工具。
S103、获取老人的生理指标,若生理指标稳定,减少可穿戴设备的使用时间,增加远程监控的使用时间。
通过医疗专业人员进行初次检查,并借助可穿戴设备进行连续的健康监测,若老年人的生理指标的变化在预设范围内,判断老人生理指标稳定。对于生理指标稳定的老年人,逐步减少使用可穿戴设备的时间,工作人员定期访问老人,测量老人生理指标,包括心率、血压。根据老年人的实际需求和家庭环境,增加远程监控的使用时间,在获取老人的授权同意后,在老人的生活区域安装摄像头。对摄像头获取的图像进行分析,获取老人的睡眠时间与活动时间,若老人睡眠时间与活动时间突然改变,则存在身体状态变化,需要使用可穿戴设备或工作人员上门对老人生理指标进行检测。获取老人反馈,根据老人的反馈调整访问次数或远程监控方式。例如,通过医疗专业人员进行初次检查,并借助可穿戴设备进行连续的健康监测,确定老年人的身体状况是否稳定。初次检查中医生会测量老年人的血压,得到结果为140/90mmHg。对于身体状况稳定的老年人,逐步减少使用可穿戴设备的时间,每周工作人员访问老人一次,测量老人的心率为70次/分钟,血压为130/80mmHg。根据老年人的实际需求和家庭环境,增加远程监控的使用时间,在获取老人的授权同意后,在老人的生活区域安装摄像头,老人同意安装摄像头,并允许远程监控每天16小时。摄像头获取的图像进行分析,获取老人的睡眠时间与活动时间,若老人睡眠时间与活动时间突然改变,则存在身体状态变化,需要使用可穿戴设备或工作人员上门对老人生理指标进行检测。老人通常每天在早上7点起床,但某天早上8点还未起床,可能存在身体状态变化。获取老人反馈,根据老人的反馈调整访问次数或远程监控方式,老人表示希望每周增加一次工作人员的访问,以便更好地监测身体状态,工作人员根据反馈将访问次数调整为每周两次。
S104、使用生理数据变化趋势的数学模型判断老人是否存在变化速率超出阈值的生理数据,增加监测该生理数据的可穿戴设备的使用时间。
获取老人的基本健康信息和病史,包括年龄、性别、疾病历史。根据医生评估和老人的健康状况,确定需要监测的生理指标,包括心率、血压、血糖。根据医疗专家的建议和老人的健康状况,设定生理数据变化趋势阈值。选择适合监测生理指标的可穿戴设备,包括心率监测器、血压计、血糖仪。使用可穿戴设备获取老人的生理数据,包括心率、血压、血糖的时间序列数据。对获取到的数据进行预处理,包括数据清洗、去除异常值,对数据进行平滑处理,减少噪音和波动。对老人的生理数据使用线性回归,对平滑后的数据进行拟合,建立生理数据变化趋势的数学模型。根据拟合的生理数据变化趋势的数学模型,得到趋势线的斜率,用于表示生理指标的变化趋势。判断是否存在生理指标变化趋势的趋势线斜率的绝对值超出设定阈值。若存在趋势线斜率的绝对值超出设定阈值的生理数据,增加监测该生理数据的可穿戴设备的使用时间,增加时间跟随趋势线斜率调整。例如,老人的基本健康信息和病史显示,他是一位65岁的男性,有高血压和糖尿病的病史。根据医生的评估和老人的健康状况,确定需要监测的生理指标为心率、血压和血糖。根据医疗专家的建议和老人的健康状况,设定心率、血压和血糖的变化趋势阈值。选择适合监测这些生理指标的可穿戴设备,包括心率监测器、血压计和血糖仪。老人佩戴这些可穿戴设备,通过设备获取心率、血压和血糖的时间序列数据。获取到的数据经过预处理,包括清洗和去除异常值,对数据进行平滑处理,以减少噪音和波动的影响。对平滑后的数据应用线性回归,拟合出心率、血压和血糖的变化趋势数学模型。根据拟合的数学模型,得到心率、血压和血糖的趋势线斜率,用于表示这些生理指标的变化趋势。判断是否存在趋势线斜率的绝对值超出设定阈值的情况,若某个生理指标的趋势线斜率的绝对值超出阈值,针对超出设定阈值的生理数据,确定需要增加监测的生理指标和对应的可穿戴设备。若斜率的绝对值较小,表示生理指标的变化趋势缓慢,少量增加监测时间。若斜率的绝对值较大,表示生理指标的变化趋势快速,大量增加监测时间,以更全面监测生理指标的变化。调整可穿戴设备的使用时间,使其与趋势线斜率的变化保持一致,趋势线斜率大于预设阈值且上升,增加可穿戴设备每次的使用时间1h,每天多进行一次监测。
S105、将可穿戴设备和远程监控设备获取的数据进行汇总,生成完整数据集。
根据时间戳记录可穿戴设备和远程监控设备获取的数据,并通过用户ID和设备ID对数据进行标识和区分。获取用户的步数、心率数据、呼吸频率和血氧水平,监测用户的活动强度和呼吸功能。获取用户的体温、体重、血压数据、睡眠时间、入睡时间、醒来时间和睡眠质量信息,分析用户的睡眠,监测用户的健康状况。将获取的各项数据进行汇总,存入数据库中,并按照用户ID和设备ID编写索引,生成数据集。例如,根据时间戳记录可穿戴设备和远程监控设备获取的数据,并通过用户ID和设备ID对数据进行标识和区分。某用户A的用户ID为A,使用设备ID为001的可穿戴设备和设备ID为002的远程监控设备。获取用户的步数、心率数据、呼吸频率和血氧水平,监测用户的活动强度和呼吸功能。在时间戳为2022年1月1日12:00的记录中,用户ID为A,设备ID为001的可穿戴设备获取的数据如下,步数10000步、心率数据70次/分钟、呼吸频率15次/分钟、血氧水平95%。获取用户的体温、体重、血压数据、睡眠时间、入睡时间、醒来时间和睡眠质量信息,分析用户的睡眠情况,监测用户的健康状况。在时间戳为2022年1月1日8:00的记录中,用户ID为A,设备ID为002的远程监控设备获取的数据如下,体温35摄氏度、体重65公斤、血压数据120/80mmHg、睡眠时间8小时、入睡时间23:00、醒来时间7:00、睡眠质量良好。将用户ID为A,设备ID为001的可穿戴设备获取的数据和用户ID为A,设备ID为002的远程监控设备获取的数据汇总存入数据库,并编写索引。
根据可穿戴设备获取的数据,判断设备是否损坏,老人是否正确佩戴可穿戴设备,并发送警报。
使用可穿戴设备定期采集相关数据包括心率、血压、体温,并将数据通过无线传输方式发送到数据库。定期监测可穿戴设备的信号强度和连接状态,若信号丢失或信号强度下降,表示老人未正确佩戴设备或设备出现故障,记录事件并触发警报。获取可穿戴设备的状态,包括电池电量、设备故障、传感器状态,若设备状态异常,发出警报通知护理人员。对监测数据进行分析,计算老人的实际生理数据与设备监测的数据的差异,若差异大于预设值,表示设备未正确佩戴或设备出现故障,触发警报。为可穿戴设备安装加速计或陀螺仪检测设备是否被老人佩戴,若检测到设备未佩戴或佩戴方式不正确,发出警报。针对发出警报的可穿戴设备,安排工作人员上门,检查设备状态并对老人或老人护理人员进行教学,正确佩戴可穿戴设备。例如,老人的心率正常范围为60-100次/分钟,可穿戴设备每分钟记录一次心率数据,并通过无线传输发送到数据库。护理人员在数据库中查看老人的心率数据,并将其与老人的实际心率进行比较。在某个时间段内,老人的实际心率为75次/分钟,可穿戴设备在同一时间段内记录的心率数据为80次/分钟。根据预设的差异阈值10次/分钟,设备监测的数据与老人的实际心率差异为5次/分钟,未超过阈值。如果设备监测的心率数据为110次/分钟,与老人的实际心率75次/分钟相差35次/分钟,超过了预设的差异阈值,触发警报,通知护理人员设备可能未正确佩戴或设备出现故障。护理人员会收到警报并立即检查设备状态,并对老人或老人护理人员进行指导,确保正确佩戴可穿戴设备。
S106、建立老人健康监测模型,对数据集进行分析,判断老人健康状况是否异常,若老人的健康状况出现异常,触发报警机制,提醒工作人员及时处理。
将从可穿戴设备和远程监控设备获取的各项数据整合到数据集中,根据用户ID和设备ID进行标识和索引,对数据集中的数据进行预处理,包括清洗、缺失值处理、特征工程。根据健康状况判断需求,从整合后的数据中提取特征,包括活动强度、心率变化、呼吸频率、血氧水平、体温、体重、血压、睡眠质量,基于医学标准,将数据分为正常和异常两类,并对数据进行标注,得到标注后的老人健康数据特征。使用支持向量机建立老人健康监测模型,将标注后的老人健康数据特征分为训练集和测试集,用于老人健康监测模型的训练和评估。使用老人健康监测模型对训练集进行训练,输入为老人健康数据特征,输出为预测的老人的健康状态,将老人健康状态分为正常、异常两类。使用测试集评估老人健康监测模型的性能,包括准确度、精确度、召回率、F1分数。根据医学标准,设置决策阈值,当老人健康监测模型的输出超过阈值时,判断老人健康状态为异常,触发报警,通过电子邮件、短信、手机应用程序通知工作人员。定期更新数据,并重新训练支持老人健康监测模型,确保老人健康监测模型适应老人的健康状况变化。例如,有一个老年人健康数据的数据库,包含以下特征,心率、血压、体温、运动步数和睡眠时间。从设备中获取数据,心率75bpm,血压120/80mmHg,体温37.0℃,步数8000步/天,睡眠时间7小时/夜晚,数据整合到数据库,并进行清洗和处理异常值。提取特征,每日平均心率75bpm,每日步数8000步,每晚睡眠时间7小时。基于医学标准,将数据标记为正常或异常,心率超过100bpm可能被标记为异常。70%的数据用于训练集,30%的数据用于测试集,使用训练集对老人健康监测模型进行训练,根据特征,包括心率、步数、睡眠时间预测老年人的健康状态分为正常或异常。在测试集上评估模型性能,准确度为85%,精确度为90%,召回率为80%,F1分数为85%。设置决策阈值为0.8,若向量机模型输出的异常概率超过0.8,触发报警。每周更新数据库中的数据,每月重新训练老人健康监测模型,使用新的数据提高老人健康监测模型的准确性。
S107、若用户接受度调查显示老人对于远程监控设备的接受度低于预设值,减少远程监控的使用,增加可穿戴设备的使用。
通过历史使用数据,得到远程监控设备的使用频率和效果。通过用户反馈获取老人对远程监控设备的使用接受度,处理调查数据,得到老人对远程监控设备的整体接受度。若接受度低于预设阈值,对设备使用进行调整,减少远程监控设备的使用。分析调整后远程监控设备的使用空缺时间,计算需要增加的可穿戴设备数量和穿戴时间,选取符合需求的设备型号和数量。将新的设备配置和使用策略下发到相关设备和系统中,对新配置后系统的运行状态进行监控和评估,根据老人的反馈调整设备使用策略。例如,从历史使用数据中发现,在过去的三个月里,远程监控设备平均每天被使用了8小时,且监控效果良好,没有发生重大故障或问题。为了获取老人对远程监控设备的使用接受度,获取了用户反馈。调查结果显示,老人们对远程监控设备的使用接受度为70%,低于预设阈值80%。由于接受度低于预期,需要对设备使用进行调整以提高老人的满意度。为了减少远程监控设备的使用,决定每天将监控时间减少到6小时。根据历史数据,平均每天的使用时间减少2小时。因此,调整后的远程监控设备的使用空缺时间为2小时。为了填补这2小时的使用空缺,需要增加可穿戴设备的数量和穿戴时间。一台可穿戴设备平均每天被佩戴4小时,那么需要增加的可穿戴设备数量为2小时/4小时=0.5台,由于设备数量不能是小数,所以需增加1台可穿戴设备。选择了型号为ABC的可穿戴设备,配置1台,并将新的设备配置和使用策略下发到设备中。对新配置后运行状态进行监控和评估,获取老人的反馈。经过两周的使用,老人们对新的设备配置和使用策略的使用接受度为85%,高于预设阈值,根据老人的反馈,确认设备使用策略的调整有效。
S108、根据老人的健康状况和个人偏好,建立设备监控策略,选择不同健康监测设备。
对每一位老人进行需求评估,获取老人的日常健康状况、个人偏好,并根据老人的需求,建立不同的设备监控策略,选择不同健康监测设备,包括智能摄像头、智能手表或智能手环。使用健康监测设备获取老人的健康数据,并对获取的数据进行分析,根据数据分析结果,定期调整老人的设备监控策略。获取老人的身体健康状况,调整设备监控策略,包括增加或者减少监测频率、更换健康监测设备或调整健康监测设备使用时间。若发现老人无法正确佩戴或使用某个设备,替换或升级设备。若老人身体健康为正常或轻微不适,增加使用远程监控包括智能摄像头的使用时间。若老人身体健康为中度不适或重度不适,增加使用可穿戴设备包括智能手环、智能手表的使用时间。例如,老人A是一个晚睡早起的人,有糖尿病病史,喜欢户外散步,需要定期监测血糖。针对老人A的需求,为她选择了智能手环、智能摄像头和血糖监测仪。智能手环用于监测步数和睡眠质量,智能摄像头用于室内活动监测,血糖监测仪用于定期测量血糖。智能手环和健康监测器每天自动记录老人A的步数、睡眠和血糖数据,发送至中央数据平台。数据分析系统定期分析数据,评估老人A的健康状况,分析老人A的数据,发现她的步数和睡眠质量正常,但血糖略有波动,根据结果,调整设备监控策略,增加智能摄像头的使用时间,增加对老人的关注时间。随着时间推移,老人A的血糖波动较大,显示出中度不适的迹象,血糖高容易导致糖尿病足,需要增加对老人的关注。根据健康状况的变化,增加血糖监测仪的监测频率,获取血糖情况。调整设备监控策略,增加智能手环的使用时间,通过手环获取老人步数,通过老人步数判断老人足部健康是否被糖尿病影响。
根据老人的身体状况调整设备使用频率。
定期收集老人的健康数据,并基于医学标准设定正常范围,包括心率正常范围、血压正常范围和体温正常体温范围。根据老人的生理指标,将老人的健康状态分为以下等级,正常状态、轻微不适、中度不适、重度不适。基于老人的健康状态和医学建议,建立不同的设备使用频率。根据实时的健康数据调整设备使用频率,当检测到老人的健康状态发生变化,自动切换设备使用频率,关注老人的状况。若显示老人的状态达到中度或重度不适水平,立即触发报警,通过短信、电话呼叫或手机应用程序,通知医生或护理人员。例如,获取到一位老人的健康数据如下,心率75次/分钟、血压130/80、mmHg体温36.8℃。根据医学标准,设定以下正常范围,心率正常范围60-100次/分钟、血压正常范围90-120/60-80mmHg、体温正常范围36.5-37.5℃。根据老人的生理指标,评估他的健康状态,心率处于正常范围内,血压高于预设范围,体温在正常范围内,将他的健康状态划分为轻微不适。基于老人的健康状态和医学建议,建立不同的设备使用频率,对于轻微不适状态的老人,设备使用频率是每天一次进行健康数据获取。根据实时的健康数据,调整设备使用频率,若检测到老人的健康状态达到中度不适水平,包括心率升高到100次/分钟,血压升高到140/90mmHg,体温升高到38.5℃,自动切换设备使用频率,增加到每6小时一次进行健康数据收集,更密切地关注老人的状况。如果显示老人的状态达到中度或重度不适水平,包括心率达到130次/分钟,血压升高到160/100mmHg,体温升高到39.5℃,将立即触发报警,通过短信、电话呼叫或手机应用程序,通知医生或护理人员及时采取行动。
S109、建立健康状况预测模型分析老人的健康状况和风险因素,定期评估老人的健康状况,确保所选监控策略仍然适合老人的当前状态。
经过老人授权同意后,获取老人的信息数据包括年龄、性别、饮食、运动、健康状况、血压、血糖、医疗记录。对数据进行处理,去除异常值、填充缺失值,提取特征。划分数据集为训练集和测试集。通过随机森林算法来建立健康状况预测模型,输入为老人的信息数据,输出为老人的健康状况和风险因素。健康状况预测模型表示为
P(HealthRisk|Attributes)=f(Age,Gender,Lifestyle,Diet,Exercise,HealthStatus,BP,BG,MedicalRecord)。其中,P(HealthRisk|Attributes)是基于属性计算出的健康风险概率。Age、Gender、Lifestyle、Diet、Exercise、HealthStatus、BP、BG和MedicalRecord分别代表老人的年龄、性别、饮食、运动、健康状况、血压、血糖和医疗记录。f是通过随机森林算法学习到的函数,用于从属性中推断出老人的健康状况和相关风险因素。使用训练集对选择的模型进行训练,学习数据中的模式和关联,使用交叉验证调整模型参数,使用测试集对模型进行评估。根据健康状况预测模型的输出,获取影响老年人健康的风险因素,包括疾病史、生理指标。针对风险因素,调整监控策略,对于高血压高风险老人,监控策略增加测量血压的频率;对于糖尿病风险老人,监控策略增加血糖测量频率。例如,经过老人授权同意后,获取老人的信息数据包括年龄、性别、饮食、运动、健康状况、血压、血糖、医疗记录。老人的信息数据,年龄65岁、性别男性、均衡饮食,少油少盐、运动每周三次健身、健康状况无慢性疾病,体重正常、血压收缩压120mmHg,舒张压80mmHg、血糖空腹血糖高于正常值、医疗记录无。对数据进行处理,去除异常值和填充缺失值,数据中存在缺失的健康状况和血压的数据,使用平均值填充这些缺失值。划分数据集为训练集和测试集,有100个老人的信息数据,可以将80%的数据作为训练集,20%的数据作为测试集,使用随机森林算法来建立健康状况预测模型。使用训练集的数据来训练模型,学习数据中的模式和关联。通过交叉验证调整模型参数,提高模型的准确性。根据健康状况预测模型的输出,获取影响老年人健康的风险因素。模型预测结果为该老人的健康状况为良好,则对于风险因素,得出以下结论,无风险因素。疾病史无慢性疾病有利于健康。生理指标,血糖略微偏高需要注意饮食,存在糖尿病风险。针对风险因素,调整监控策略,对于糖尿病风险的老人,增加血糖测量的频率,每天测量一次血糖。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种大数据驱动的中老年患者健康状态评估方法,其特征在于,所述方法包括:
获取老人的健康检测设备使用日志,若分析显示老人更倾向于使用可穿戴设备,则优先选择所述可穿戴设备进行日常监测;在需要进行精确监测的情况下,比较所述可穿戴设备与远程监控设备的数据准确性,如果所述可穿戴设备的数据准确性更高,选择使用所述可穿戴设备进行监测;获取老人的生理指标,若生理指标稳定,减少所述可穿戴设备的使用时间,增加远程监控的使用时间;使用生理数据变化趋势的数学模型判断老人是否存在变化速率超出阈值的生理数据,增加监测所述生理数据的所述可穿戴设备的使用时间;将所述可穿戴设备和所述远程监控设备获取的数据进行汇总,生成完整数据集;建立老人健康监测模型,对所述数据集进行分析,判断老人健康状况是否异常,若老人的健康状况出现异常,触发报警机制,提醒工作人员及时处理;若用户接受度调查显示老人对于所述远程监控设备的接受度低于预设值,减少远程监控的使用,增加所述可穿戴设备的使用;根据老人的健康状况和个人偏好,建立设备监控策略,选择不同健康监测设备;建立健康状况预测模型分析老人的健康状况和风险因素,定期评估老人的健康状况,确保所选监控策略仍然适合老人的当前状态。
2.根据权利要求1所述的方法,其中,所述获取老人的健康检测设备使用日志,若分析显示老人更倾向于使用可穿戴设备,则优先选择所述可穿戴设备进行日常监测,包括:
根据设备使用日志,用户反馈,获取老人的常用设备类型和用户设备使用数据;若老人在常用设备类型中使用可穿戴设备时间超过预设偏好时间,则判断所述可穿戴设备为老人的偏好设备;对常用设备获取的监测数据进行预处理,包括去噪和填补缺失值;对预处理后的监测数据进行分析,获取潜在的健康风险,并将结果分类;将分类后的结果进行可视化展示,在可穿戴设备上集成用户反馈功能,获取使用者对监测结果的反馈,并根据反馈调整监测方案。
3.根据权利要求1所述的方法,其中,所述在需要进行精确监测的情况下,比较所述可穿戴设备与远程监控设备的数据准确性,如果所述可穿戴设备的数据准确性更高,选择使用所述可穿戴设备进行监测,包括:
选择需要监测的生理参数,包括心率、血压、血氧饱和度或体温;通过不同可穿戴设备和远程监控设备,包括智能手表、心率监测器和医疗传感器,获取相同生理参数数据;在不同条件下进行测试,包括休息状态、运动状态和不同环境温度,记录参与者的生理参数;将获取的所述生理参数与专业医疗设备测量的生理参数进行数据比对,评估可穿戴设备和远程监控设备的数据准确性;使用测量误差、标准差、相关性和一致性分析可穿戴设备和远程监控设备收集的数据,以比较其准确性;基于数据分析的结果,确定在监测生理参数时,可穿戴设备和远程监控设备哪一个更准确,选择具有最高数据准确性的设备作为监测工具;定期检查选定设备的数据准确性,对于健康状况可能发生变化的个体,持续进行监测和评估。
4.根据权利要求1所述的方法,其中,所述获取老人的生理指标,若生理指标稳定,减少所述可穿戴设备的使用时间,增加远程监控的使用时间,包括:
通过医疗专业人员进行初次检查,并借助可穿戴设备进行连续的健康监测,若老年人的生理指标的变化在预设范围内,判断老人生理指标稳定;对于生理指标稳定的老年人,逐步减少使用可穿戴设备的时间,工作人员定期访问老人,测量老人生理指标,包括心率和血压;根据老年人的实际需求和家庭环境,增加远程监控的使用时间,在获取老人的授权同意后,在老人的生活区域安装摄像头;对摄像头获取的图像进行分析,获取老人的睡眠时间与活动时间,若老人睡眠时间与活动时间突然改变,则存在身体状态变化,需要使用可穿戴设备或工作人员上门对老人生理指标进行检测;获取老人反馈,根据老人的反馈调整访问次数或远程监控方式。
5.根据权利要求1所述的方法,其中,所述使用生理数据变化趋势的数学模型判断老人是否存在变化速率超出阈值的生理数据,增加监测所述生理数据的所述可穿戴设备的使用时间,包括:
获取老人的基本健康信息和病史,包括年龄、性别和疾病历史;根据医生评估和老人的健康状况,确定需要监测的生理指标,包括心率、血压和血糖;根据医疗专家的建议和老人的健康状况,设定生理数据变化趋势阈值;选择适合监测生理指标的可穿戴设备,包括心率监测器、血压计和血糖仪;使用可穿戴设备获取老人的生理数据,包括心率、血压和血糖的时间序列数据;对获取到的数据进行预处理,包括数据清洗和去除异常值,对数据进行平滑处理,减少噪音和波动;对老人的生理数据使用线性回归,对平滑后的数据进行拟合,建立生理数据变化趋势的数学模型;根据拟合的生理数据变化趋势的数学模型,得到趋势线的斜率,用于表示生理指标的变化趋势;判断是否存在生理指标变化趋势的趋势线斜率的绝对值超出设定阈值;若存在趋势线斜率的绝对值超出设定阈值的生理数据,增加监测该生理数据的可穿戴设备的使用时间,增加时间跟随趋势线斜率调整。
6.根据权利要求1所述的方法,其中,所述将所述可穿戴设备和所述远程监控设备获取的数据进行汇总,生成完整数据集,包括:
根据时间戳记录可穿戴设备和远程监控设备获取的数据,并通过用户ID和设备ID对数据进行标识和区分;获取用户的步数、心率数据、呼吸频率和血氧水平,监测用户的活动强度和呼吸功能;获取用户的体温、体重、血压数据、睡眠时间、入睡时间、醒来时间和睡眠质量信息,分析用户的睡眠,监测用户的健康状况;将获取的各项数据进行汇总,存入数据库中,并按照用户ID和设备ID编写索引,生成数据集;还包括:根据可穿戴设备获取的数据,判断设备是否损坏,老人是否正确佩戴可穿戴设备,并发送警报。
7.根据权利要求1所述的方法,其中,所述建立老人健康监测模型,对所述数据集进行分析,判断老人健康状况是否异常,若老人的健康状况出现异常,触发报警机制,提醒工作人员及时处理,包括:
将从可穿戴设备和远程监控设备获取的各项数据整合到数据集中,根据用户ID和设备ID进行标识和索引,对所述数据集中的数据进行预处理,包括清洗、缺失值处理和特征工程;根据健康状况判断需求,从整合后的数据中提取特征,包括活动强度、心率变化、呼吸频率、血氧水平、体温、体重、血压和睡眠质量,基于医学标准,将数据分为正常和异常两类,并对数据进行标注,得到标注后的老人健康数据特征;使用支持向量机建立老人健康监测模型,将标注后的老人健康数据特征分为训练集和测试集,用于老人健康监测模型的训练和评估;使用老人健康监测模型对训练集进行训练,输入为老人健康数据特征,输出为预测的老人的健康状态,将老人健康状态分为正常和异常两类;使用测试集评估老人健康监测模型的性能,包括准确度、精确度、召回率和F1分数;根据医学标准,设置决策阈值,当老人健康监测模型的输出超过阈值时,判断老人健康状态为异常,触发报警,通过电子邮件、短信和手机应用程序通知工作人员;定期更新数据,并重新训练支持老人健康监测模型,确保老人健康监测模型适应老人的健康状况变化。
8.根据权利要求1所述的方法,其中,所述若用户接受度调查显示老人对于所述远程监控设备的接受度低于预设值,减少远程监控的使用,增加所述可穿戴设备的使用,包括:
通过历史使用数据,得到远程监控设备的使用频率和效果;通过用户反馈获取老人对远程监控设备的使用接受度,处理调查数据,得到老人对远程监控设备的整体接受度;若接受度低于预设阈值,对设备使用进行调整,减少远程监控设备的使用;分析调整后远程监控设备的使用空缺时间,计算需要增加的可穿戴设备数量和穿戴时间,选取符合需求的设备型号和数量;将新的设备配置和使用策略下发到相关设备和系统中,对新配置后系统的运行状态进行监控和评估,根据老人的反馈调整设备使用策略。
9.根据权利要求1所述的方法,其中,所述根据老人的健康状况和个人偏好,建立设备监控策略,选择不同健康监测设备,包括:
对每一位老人进行需求评估,获取老人的日常健康状况和个人偏好,并根据老人的需求,建立不同的设备监控策略,选择不同健康监测设备,包括智能摄像头和智能手表或智能手环;使用健康监测设备获取老人的健康数据,并对获取的数据进行分析,根据数据分析结果,定期调整老人的设备监控策略;获取老人的身体健康状况,调整设备监控策略,包括增加或者减少监测频率和更换健康监测设备或调整健康监测设备使用时间;若发现老人无法正确佩戴或使用某个设备,替换或升级设备;若老人身体健康为正常或轻微不适,增加使用远程监控包括智能摄像头的使用时间;若老人身体健康为中度不适或重度不适,增加使用可穿戴设备包括智能手环和智能手表的使用时间;还包括:根据老人的身体状况调整设备使用频率。
10.根据权利要求1所述的方法,其中,所述建立健康状况预测模型分析老人的健康状况和风险因素,定期评估老人的健康状况,确保所选监控策略仍然适合老人的当前状态,包括:
经过老人授权同意后,获取老人的信息数据包括年龄、性别、饮食、运动、健康状况、血压、血糖和医疗记录;对数据进行处理,去除异常值和填充缺失值,提取特征;划分数据集为训练集和测试集;通过随机森林算法来建立健康状况预测模型,输入为老人的信息数据,输出为老人的健康状况和风险因素;健康状况预测模型表示为P(HealthRisk|Attributes)=f(Age,Gender,Lifestyle,Diet,Exercise,
HealthStatus,BP,BG,MedicalRecord);其中,P(HealthRisk|Attributes)是基于属性计算出的健康风险概率;Age、Gender、Lifestyle、Diet、Exercise、HealthStatus、BP、BG和MedicalRecord分别代表老人的年龄、性别、饮食、运动、健康状况、血压、血糖和医疗记录;f是通过随机森林算法学习到的函数,用于从属性中推断出老人的健康状况和相关风险因素;使用训练集对选择的模型进行训练,学习数据中的模式和关联,使用交叉验证调整模型参数,使用测试集对模型进行评估;根据健康状况预测模型的输出,获取影响老年人健康的风险因素,包括疾病史和生理指标;针对风险因素,调整监控策略,对于高血压高风险老人,监控策略增加测量血压的频率;对于糖尿病风险老人,监控策略增加血糖测量频率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410081436.1A CN118098545A (zh) | 2024-01-19 | 2024-01-19 | 一种大数据驱动的中老年患者健康状态评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410081436.1A CN118098545A (zh) | 2024-01-19 | 2024-01-19 | 一种大数据驱动的中老年患者健康状态评估方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118098545A true CN118098545A (zh) | 2024-05-28 |
Family
ID=91146552
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410081436.1A Pending CN118098545A (zh) | 2024-01-19 | 2024-01-19 | 一种大数据驱动的中老年患者健康状态评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118098545A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118319258A (zh) * | 2024-06-12 | 2024-07-12 | 河北医科大学第一医院 | 无线多功能体征监测系统 |
-
2024
- 2024-01-19 CN CN202410081436.1A patent/CN118098545A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118319258A (zh) * | 2024-06-12 | 2024-07-12 | 河北医科大学第一医院 | 无线多功能体征监测系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP5090013B2 (ja) | 情報管理システム及びサーバ | |
EP2298158B1 (en) | Adaptive selection of a warning limit in patient monitoring | |
US7621871B2 (en) | Systems and methods for monitoring and evaluating individual performance | |
JP6651356B2 (ja) | 分析物データの処理およびレポートを生成するためのシステムおよび方法 | |
US9113778B2 (en) | Predicting near-term deterioration of hospital patients | |
US20210407684A1 (en) | Illness Detection Based on Temperature Data | |
US20050096512A1 (en) | System for monitoring physiological characteristics | |
US20110201902A1 (en) | Health condition determining device | |
JP2019097828A (ja) | 異常報知装置、プログラム及び異常報知方法 | |
US20110201901A1 (en) | Systems and Methods for Predicting Patient Health Problems and Providing Timely Intervention | |
US20190313919A1 (en) | System and method for monitoring asthma symptoms | |
CN118098545A (zh) | 一种大数据驱动的中老年患者健康状态评估方法 | |
JP2013238970A (ja) | 健康管理システム | |
CN113520395A (zh) | 一种精神状态的实时评估系统和方法 | |
US20230309830A1 (en) | System and method for providing a remedial procedure | |
KR20110121799A (ko) | 생체정보관리 시스템 ,생체정보관리 서버 및 생체정보관리 방법 | |
US20220020492A1 (en) | Predicting orthosomnia in an individual | |
KR20170129937A (ko) | 정신적 고통 모니터링 시스템 | |
JP7407419B2 (ja) | 体調評価方法、および、体調評価システム | |
CN113598721A (zh) | 可穿戴终端及其核心体温监测方法和计算机可读存储介质 | |
CA3067451A1 (en) | Device and methods for monitoring a visual field progression of a user | |
AU2021104518A4 (en) | System and method for monitoring health of home isolated patient and automatically demanding health resources using artificial intelligence | |
WO2022245891A1 (en) | Reducing adverse health events in assisted living | |
CN117414299A (zh) | 一种基于行为分析的慢性病患者用药提醒预警系统 | |
CN118557149A (zh) | 腕式体征遥测系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |