TWI804448B - 重症評估模型更新方法及其區塊鏈系統以及重症評估方法及其運算節點 - Google Patents
重症評估模型更新方法及其區塊鏈系統以及重症評估方法及其運算節點 Download PDFInfo
- Publication number
- TWI804448B TWI804448B TW111142173A TW111142173A TWI804448B TW I804448 B TWI804448 B TW I804448B TW 111142173 A TW111142173 A TW 111142173A TW 111142173 A TW111142173 A TW 111142173A TW I804448 B TWI804448 B TW I804448B
- Authority
- TW
- Taiwan
- Prior art keywords
- result
- data
- blood pressure
- model
- training
- Prior art date
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一種重症評估模型更新方法，藉由一包含多個運算節點的區塊鏈系統來實施，該方法包含以下步驟：(A)對於每一運算節點，該運算節點對每一特徵資料進行一數據分析方法以獲得一對應之分析後的特徵資料；(B)對於每一運算節點，該運算節點將該等分析後的特徵資料與多個訓練重症評估結果分別作為多組待訓練資料；(C)該等運算節點根據自身所對應的該等待訓練資料，利用一群體學習方法，獲得一組模型參數，並將該組模型參數儲存於自身所對應之區塊鏈；及(D)對於每一運算節點，該運算節點獲得該組模型參數，並更新所儲存之重症評估模型的模型參數。
Description
本發明是有關於一種模型更新方法，特別是指一種關於重症評估模型的重症評估模型更新方法。
過往在患者去醫院就醫時，若醫院需要評估患者是否有重症，傳統的方法是醫院需要耗費大量醫療資源對患者進行密切監控，並由醫師判定患者是否有重症，因此，近年來已延伸出許多智能診斷方法應用在醫療，不但可減輕人力及時間成本，亦可減少醫療資源的浪費。
其智能診斷方法應用在醫療最常見的是透過機器學習演算法建立模型，且用模型來進行評估，但由於醫院在建立模型時需要大量且相關於患者之數據，然而每一家醫院所存有之相關於患者的數據皆有隱私性的問題，不能相互分享，因此每一家醫院根據自身所存有的數據所訓練出來的模型往往僅能供個別使用，無法參考更多不同的數據所訓練出來之成果，故實有必要提出一解決方案。
因此，本發明的目的，即在提供一種可保障數據隱私性並共同更新模型參數之重症評估模型更新方法。
於是，本發明重症評估模型更新方法，藉由一包含多個經由一通訊網路相互連接之運算節點的區塊鏈系統來實施，每一運算節點儲存有一用於儲存一相關於該重症評估模型之模型參數的區塊鏈、一用於產生一相關於一使用者之一重症評估結果的重症評估模型、對應於多個不同之測試者的多筆特徵資料，及對應於該等不同之測試者的多個訓練重症評估結果，每一特徵資料包含所對應之測試者在多個不同的量測時間所量測到的多筆訓練生命徵象資料，每一訓練重症評估結果為指示出所對應之測試者處於不會發生重症的一第一結果、即將發生重症的一第二結果及已發生重症的一第三結果之其中一者，該重症評估模型更新方法包含一步驟(A)、一步驟(B)、一步驟(C)，及一步驟(D)。
該步驟(A)是對於每一運算節點，該運算節點對每一特徵資料進行一數據分析方法以獲得一對應之分析後的特徵資料，每一分析後的特徵資料包含多筆分析後的訓練生命徵象資料。
該步驟(B)是對於每一運算節點，該運算節點將該等測試者所對應的該等分析後的特徵資料與該等訓練重症評估結果分別
作為多組待訓練資料。
該步驟(C)是該等運算節點根據自身所對應的該等待訓練資料，利用一群體學習方法，獲得一組相關於該重症評估模型之模型參數，並將該組模型參數儲存於自身所對應之區塊鏈。
該步驟(D)是對於每一運算節點，該運算節點自所儲存之區塊鏈獲得該組模型參數，並根據該組模型參數更新所儲存之重症評估模型的模型參數。
本發明的另一目的，即在提供一種能夠實現上述方法的之區塊鏈系統。
於是，本發明區塊鏈系統，包含適用於評估一待評估者，並藉由一區塊鏈系統中之一運算節點來實施，且包含多個經由一通訊網路相互連接之運算節點，每一運算節點包含一儲存模組，及一電連接該儲存模組的處理模組。
該儲存模組用於儲存一相關於該重症評估模型之模型參數的區塊鏈、一用於產生一相關於一使用者之一重症評估結果的重症評估模型、對應於多個不同之測試者的多筆特徵資料，及對應於該等不同之測試者的多個訓練重症評估結果，每一特徵資料包含所對應之測試者在多個不同的量測時間所量測到的多筆訓練生命徵象資料，每一訓練重症評估結果為指示出所對應之測試者處於不會發生重症的一第一結果、即將發生重症的一第二結果及已發生重症
的一第三結果之其中一者。
其中，對於每一運算節點之處理模組，該處理模組對該儲存模組所儲存之每一特徵資料進行一數據分析方法以獲得一對應之分析後的特徵資料，每一分析後的特徵資料包含多筆分析後的訓練生命徵象資料，該處理模組將該等測試者所對應的該等分析後的特徵資料與該儲存模組所儲存之該等訓練重症評估結果分別作為多組待訓練資料，且該等運算節點之處理模組根據自身所對應的該等待訓練資料，利用一群體學習方法，獲得一組相關於該重症評估模型之模型參數，並將該組模型參數儲存於自身所對應之區塊鏈，對於每一運算節點之處理模組，該處理模組自該儲存模組所儲存之區塊鏈獲得該組模型參數，並根據該組模型參數更新該儲存模組所儲存之重症評估模型的模型參數。
本發明的又一目的，即在提供一種用於評估一待評估者之重症評估方法。
於是，本發明重症評估方法，藉由一區塊鏈系統中之一運算節點來實施，該運算節點儲存如上所述的一重症評估模型，且包含一步驟(A)，及一步驟(B)。
該步驟(A)是在該運算節點接收到相關於該待評估者在多個不同評估量測時間所量測到之多筆生命徵象資料後，該運算節點對每一生命徵象資料進行一數據分析方法以獲得一對應之分析
後的生命徵象資料。
該步驟(B)是該運算節點根據該等分析後的生命徵象資料，利用該重症評估模型，獲得相關於該待評估者之一重症評估結果，該重症評估結果為指示出該待評估者處於不會發生重症的一第一結果、即將發生重症的一第二結果及已發生重症的一第三結果之其中一者。
本發明的再一目的，即在提供一種能夠實現上述之重症評估方法之用於評估重症的運算節點。
於是，本發明運算節點，適用於評估一待評估者，並包含一儲存模組，及一電連接該儲存模組的處理模組。
該儲存模組用於儲存儲存如上所述的一重症評估模型。
其中，在該處理模組接收到相關於該待評估者在多個不同評估量測時間所量測到之多筆生命徵象資料後，該處理模組對每一生命徵象資料進行一數據分析方法以獲得一對應之分析後的生命徵象資料，且該處理模組根據該等分析後的生命徵象資料，利用該儲存模組所儲存之該重症評估模型，獲得相關於該待評估者之一重症評估結果，該重症評估結果為指示出該待評估者處於不會發生重症的一第一結果、即將發生重症的一第二結果及已發生重症的一第三結果之其中一者。
本發明的功效在於：藉由該區塊鏈系統之該等運算節點
根據自身所對應之該等待訓練資料，利用該群體學習方法獲得該組模型參數，並儲存於自身所對應之區塊鏈，且根據該組模型參數更新所儲存之重症評估模型的模型參數，於是，每一運算節點即可利用更新後之重症評估模型獲得該待評估者之重症評估結果，由於每一運算節點僅需儲存該組模型參數而非所有的待訓練資料，藉此，可達成保障資料的隱私性並參考更多不同的資料所訓練出來的成果之功效。
1:區塊鏈系統
10:通訊網路
11:運算節點
111:處理模組
112:儲存模組
601~604:步驟
701~702:步驟
本發明的其他的特徵及功效，將於參照圖式的實施方式中清楚地呈現，其中：圖1是一方塊圖，說明一用於執行本發明重症評估模型更新方法之一實施例的區塊鏈系統；圖2是一流程圖，說明本發明之該實施例的一模型更新程序；及圖3是一流程圖，說明本發明之該實施例的一評估程序。
在本發明被詳細描述的前，應當注意在以下的說明內容中，類似的元件是以相同的編號來表示。
參閱圖1，本發明重症評估模型更新方法的一實施例，藉由一包含多個經由一通訊網路10相互連接之運算節點11的區塊鏈系統1來實施。每一運算節點11包含一儲存模組112，一電連接該儲存模組112之處理模組111。
每一運算節點11之儲存模組112用於儲存一相關於該重症評估模型之模型參數的區塊鏈、一用於產生一相關於一使用者之一重症評估結果的重症評估模型、對應於多個不同之測試者的多筆特徵資料，及對應於該等不同之測試者的多個訓練重症評估結果，每一特徵資料包含所對應之測試者在多個不同的量測時間所量測到的多筆訓練生命徵象資料，每一訓練重症評估結果為指示出所對應之測試者處於不會發生重症的一第一結果、即將發生重症的一第二結果及已發生重症的一第三結果之其中一者。其中，每一訓練重症評估結果是相關於一敗血症(Sepsis)的評估結果，並指示出所對應之測試者處於不會發生該敗血症的該第一結果、即將發生該敗血症的該第二結果及已發生該敗血症的該第三結果之其中一者，且每一特徵資料之每一訓練生命徵象資料包括所對應之測試者的一平均血壓(Mean arterial pressure,MAP)、一相關於血壓的收縮壓(Systolic blood pressure,SBP)、一相關於血壓的舒張壓(Diastolic blood pressure,DBP)、一心律(Heart Rate)、一體溫(Temperature)、一血氧濃度(Oxygen saturation)，及一呼吸
頻率(Respiratory frequency)。在另一實施例中，該等訓練重症評估結果亦可相關於一感染(Infection)、一全身炎症反應綜合症(Systemic inflammatory response syndrome,SIRS)、一急性呼吸窘迫症候群(Acute respiratory distress syndrome,ARDS)、一急性腎損傷(Acute kidney injury,AKI)、一休克(Shock)或一多重器官衰竭(Multiple organ failure)的評估結果，但不以此為限。
舉例來說，該等特徵資料其中之一可以是相關於所對應之測試者在過去如，2021年06月15日上午9點至2021年06月15日下午7點之每一小時所測量到的訓練生命徵象資料，但不以此為限；且該第一結果是相關於該測試者在2021年06月15日下午7點處於不會發生該敗血症，該第二結果是相關於該測試者在2021年06月15日下午7點至2021年06月16日上午1點期間內可能會發生該敗血症，該第三結果是相關於該測試者在2021年06月15日下午7點已發生該敗血症，但不以此為限。
在本實施例中，每一運算節點11可為一平板電腦、一筆記型電腦、一伺服器或一個人電腦，但不以此為限。
以下將配合本發明重症評估模型更新方法之該實施例，來說明該區塊鏈系統1中各元件的運作細節，該實施例包含一用於更新該重症評估模型之模型更新程序及一用於評估重症之評估程
序。
參閱圖1與圖2，該模型更新程序包含步驟601~604。
在步驟601中，對於每一運算節點11之處理模組111，該處理模組111對所對應之該儲存模組112所儲存的每一特徵資料進行一數據分析方法以獲得一對應之分析後的特徵資料，每一分析後的特徵資料包含多筆分析後的訓練生命徵象資料，其中該數據分析方法為一異常檢測方法，該處理模組111是利用該異常檢測方法，將每一特徵資料所對應的平均血壓、收縮壓、舒張壓、心律、體溫、血氧濃度，及呼吸頻率進行異常值排除後標準化(Standardization)，以獲得對應之分析後的特徵資料，舉例來說，該處理模組111是將2021年06月15日上午9點至2021年06月15日下午7點之每一小時所測量到的且超出一平均血壓預設區間的平均血壓進行濾除，並將濾除過的平均血壓標準化，將2021年06月15日上午9點至2021年06月15日下午7點之每一小時所測量到的且超出一收縮壓預設區間的收縮壓進行濾除，並將濾除過的收縮壓標準化，以此類推，以獲得所對應的分析後的特徵資料之該等分析後的訓練生命徵象資料。
在步驟602中，對於每一運算節點11之處理模組111，該處理模組111將該等測試者所對應的該等分析後的特徵資料與所對應之該儲存模組112所儲存的該等訓練重症評估結果分別作為多組
待訓練資料。其中，每一分析後的特徵資料是對應該等訓練重症評估結果之其中一者，以作為該等待訓練資料之其中一者。
在步驟603中，該等運算節點11之處理模組111根據自身所對應的該等待訓練資料，利用一群體學習方法(Swarm Learning,SL)，獲得一組相關於該重症評估模型之模型參數，並將該組模型參數儲存於自身所對應之該儲存模組112所儲存的區塊鏈。其中該群體學習方法例如為德國Joachim L.Schultze等人在科學期刊(Nature)所發表的“Swarm Learning for decentralized and confidential clinical machine learning”論文中所提到的群體學習方法。
值得特別說明的是，在本實施例所提及的該群體學習方法中，每一運算節點11根據自身的該等待訓練資料利用一機器學習演算法所建立的該重症評估模型之準確率需達到一特定值(亦即，需滿足同步條件)，才可將所有的運算節點11各自所訓練出來的重症評估模型所對應的待整合模型參數進行整合，以獲得該組模型參數。其中該機器學習演算法可為循環神經網路(Recurrent Neural Network,RNN)演算模型。
在步驟604中，對於每一運算節點11之處理模組111，該處理模組111自所對應之該儲存模組112所儲存之區塊鏈獲得該組模型參數，並根據該組模型參數更新所對應之該儲存模組112所儲
存之重症評估模型的模型參數。
參閱圖1與圖3，該區塊鏈系統1中的每一運算節點11在執行該評估程序之流程相似，因此以下僅以單一運算節點11來作說明，且該評估程序包含步驟701~702。
在步驟701中，在該運算節點11之處理模組111接收到相關於該待評估者在多個不同評估量測時間所量測到之多筆生命徵象資料後，該處理模組111對每一生命徵象資料進行該數據分析方法以獲得一對應之分析後的生命徵象資料。其中，每一生命徵象資料包括該待評估者的一平均血壓(Mean arterial pressure,MAP)、一相關於血壓的收縮壓(Systolic blood pressure,SBP)、一相關於血壓的舒張壓(Diastolic blood pressure,DBP)、一心律(Heart Rate)、一體溫(Temperature)、一血氧濃度(Oxygen saturation)，及一呼吸頻率(Respiratory frequency)。
在步驟702中，該運算節點11之處理模組111根據該等分析後的生命徵象資料，利用所對應之該儲存模組112所儲存的更新過的該重症評估模型，獲得相關於該待評估者之一重症評估結果，該重症評估結果為指示出該待評估者處於不會發生重症的一第一結果、即將發生重症的一第二結果及已發生重症的一第三結果之其中一者。其中，該重症評估結果是相關於該敗血症的評估結果，並指示出該待評估者處於不會發生該敗血症的該第一結果、即將發生
該敗血症的該第二結果及已發生該敗血症的該第三結果之其中一者。在另一實施例中，該重症評估結果亦可相關於該感染、該全身炎症反應綜合症、該急性呼吸窘迫症候群、該急性腎損傷、該休克或該多重器官衰竭的評估結果，但不以此為限。
舉例來說，若當前時間為2022年03年07日上午6點，則該運算節點11所接收到的相關於該待評估者之該等生命徵象資料是在2022年03年06日下午10點至2022年03年07日上午6點之每一小時所測量到，但不以此為限；且該第一結果是相關於該待評估者在2022年03年07日上午6點處於不會發生該敗血症，該第二結果是相關於該待評估者在2022年03年07日上午6點至2022年03年07日下午12點期間內可能會發生該敗血症，該第三結果是相關於該待評估者在2022年03年07日上午6點已發生該敗血症，但不以此為限。
綜上所述，本發明重症評估模型更新方法，藉由該區塊鏈系統1之該等運算節點11根據自身所對應之該等待訓練資料，利用該群體學習方法獲得該組模型參數，並儲存於自身所對應之區塊鏈，且每一運算節點11根據該組模型參數更新自身所儲存之重症評估模型的模型參數，即可利用更新後之重症評估模型獲得該待評估者之重症評估結果，由於每一運算節點11僅需儲存該組模型參數而非所有的待訓練資料，藉此，便可保障資料的隱私性並參考更多不
同的資料所訓練出來的成果，故確實能達成本發明的目的。
惟以上所述者，僅為本發明的實施例而已，當不能以此限定本發明實施的範圍，凡是依本發明申請專利範圍及專利說明書內容所作的簡單的等效變化與修飾，皆仍屬本發明專利涵蓋的範圍內。
601~604:步驟
Claims (12)
- 一種重症評估模型更新方法，藉由一包含多個經由一通訊網路相互連接之運算節點的區塊鏈系統來實施，每一運算節點儲存有一用於儲存一相關於一重症評估模型之模型參數的區塊鏈、用於產生一相關於一使用者之一重症評估結果的該重症評估模型、對應於多個不同之測試者的多筆特徵資料，及對應於該等不同之測試者的多個訓練重症評估結果，每一特徵資料包含所對應之測試者在多個不同的量測時間所量測到的多筆訓練生命徵象資料，每一訓練重症評估結果為指示出所對應之測試者處於不會發生重症的一第一結果、即將發生重症的一第二結果及已發生重症的一第三結果之其中一者，該重症評估模型更新方法包含以下步驟：(A)對於每一運算節點，該運算節點對每一特徵資料進行一數據分析方法以獲得一對應之分析後的特徵資料，每一分析後的特徵資料包含多筆分析後的訓練生命徵象資料；(B)對於每一運算節點，該運算節點將該等測試者所對應的該等分析後的特徵資料與該等訓練重症評估結果分別作為多組待訓練資料；(C)該等運算節點根據自身所對應的該等待訓練資料，利用一群體學習方法，獲得一組相關於該重症評估模型之模型參數，並將該組模型參數儲存於自身所對應之區塊鏈；及 (D)對於每一運算節點，該運算節點自所儲存之區塊鏈獲得該組模型參數，並根據該組模型參數更新所儲存之重症評估模型的模型參數。
- 如請求項1所述的重症評估模型更新方法，其中，在步驟(A)中，該數據分析方法為一異常檢測方法。
- 如請求項1所述的重症評估模型更新方法，其中，每一訓練重症評估結果是相關於一敗血症的評估結果，並指示出所對應之測試者處於不會發生該敗血症的該第一結果、即將發生該敗血症的該第二結果及已發生該敗血症的該第三結果之其中一者，且每一特徵資料之每一訓練生命徵象資料包括所對應之測試者的一平均血壓、一相關於血壓的收縮壓、一相關於血壓的舒張壓、一心律、一體溫、一血氧濃度，及一呼吸頻率。
- 一種重症評估方法，適用於評估一待評估者，並藉由一區塊鏈系統中之一運算節點來實施，該運算節點儲存如請求項1所述的一重症評估模型，且包含以下步驟：(A)在該運算節點接收到相關於該待評估者在多個不同評估量測時間所量測到之多筆生命徵象資料後，該運算節點對每一生命徵象資料進行一數據分析方法以獲得一對應之分析後的生命徵象資料；及(B)該運算節點根據該等分析後的生命徵象資料，利用該重症評估模型，獲得相關於該待評估者之一重症評估結果，該重症評估結果為指示出該待評估者處於不會發生重症的一第一結果、即將發生重症的一第二結果及已發生 重症的一第三結果之其中一者。
- 如請求項4所述的重症評估方法，其中，在步驟(A)中，該數據分析方法為一異常檢測方法。
- 如請求項4所述的重症評估方法，其中，該重症評估結果是相關於一敗血症的評估結果，並指示出該待評估者處於不會發生該敗血症的該第一結果、即將發生該敗血症的該第二結果及已發生該敗血症的該第三結果之其中一者，且每一生命徵象資料包括該待評估者的一平均血壓、一相關於血壓的收縮壓、一相關於血壓的舒張壓、一心律、一體溫、一血氧濃度，及一呼吸頻率。
- 一種用於建立重症評估模型的區塊鏈系統，包含：多個運算節點，經由一通訊網路相互連接，每一運算節點包括一儲存模組，用於儲存一相關於該重症評估模型之模型參數的區塊鏈、一用於產生一相關於一使用者之一重症評估結果的重症評估模型、對應於多個不同之測試者的多筆特徵資料，及對應於該等不同之測試者的多個訓練重症評估結果，每一特徵資料包含所對應之測試者在多個不同的量測時間所量測到的多筆訓練生命徵象資料，每一訓練重症評估結果為指示出所對應之測試者處於不會發生重症的一第一結果、即將發生重症的一第二結果及已發生重症的一第三結果之其中一者；及一處理模組，電連接該儲存模組；其中，對於每一運算節點之處理模組，該處理模組對 該儲存模組所儲存之每一特徵資料進行一數據分析方法以獲得一對應之分析後的特徵資料，每一分析後的特徵資料包含多筆分析後的訓練生命徵象資料，該處理模組將該等測試者所對應的該等分析後的特徵資料與該儲存模組所儲存之該等訓練重症評估結果分別作為多組待訓練資料，且該等運算節點之處理模組根據自身所對應的該等待訓練資料，利用一群體學習方法，獲得一組相關於該重症評估模型之模型參數，並將該組模型參數儲存於自身所對應之區塊鏈，對於每一運算節點之處理模組，該處理模組自該儲存模組所儲存之區塊鏈獲得該組模型參數，並根據該組模型參數更新該儲存模組所儲存之重症評估模型的模型參數。
- 如請求項7所述的區塊鏈系統，其中，該數據分析方法為一異常檢測方法。
- 如請求項7所述的區塊鏈系統，其中，每一運算節點之儲存模組所儲存的每一訓練重症評估結果是相關於一敗血症的評估結果，並指示出所對應之測試者處於不會發生該敗血症的該第一結果、即將發生該敗血症的該第二結果及已發生該敗血症的該第三結果之其中一者，且每一特徵資料之每一訓練生命徵象資料包括所對應之測試者的一平均血壓、一相關於血壓的收縮壓、一相關於血壓的舒張壓、一心律、一體溫、一血氧濃度，及一呼吸頻率。
- 一種用於評估重症的運算節點，適用於評估一待評估者，並包含： 一儲存模組，用於儲存如請求項7所述的一重症評估模型；及一處理模組，電連接該儲存模組；其中，在該處理模組接收到相關於該待評估者在多個不同評估量測時間所量測到之多筆生命徵象資料後，該處理模組對每一生命徵象資料進行一數據分析方法以獲得一對應之分析後的生命徵象資料，且該處理模組根據該等分析後的生命徵象資料，利用該儲存模組所儲存之該重症評估模型，獲得相關於該待評估者之一重症評估結果，該重症評估結果為指示出該待評估者處於不會發生重症的一第一結果、即將發生重症的一第二結果及已發生重症的一第三結果之其中一者。
- 如請求項10所述的運算節點，其中，該數據分析方法為一異常檢測方法。
- 如請求項10所述的運算節點，其中，該重症評估結果是相關於一敗血症的評估結果，並指示出該待評估者處於不會發生該敗血症的該第一結果、即將發生該敗血症的該第二結果及已發生該敗血症的該第三結果之其中一者，且每一生命徵象資料包括該待評估者的一平均血壓、一相關於血壓的收縮壓、一相關於血壓的舒張壓、一心律、一體溫、一血氧濃度，及一呼吸頻率。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW111142173A TWI804448B (zh) | 2022-11-04 | 2022-11-04 | 重症評估模型更新方法及其區塊鏈系統以及重症評估方法及其運算節點 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW111142173A TWI804448B (zh) | 2022-11-04 | 2022-11-04 | 重症評估模型更新方法及其區塊鏈系統以及重症評估方法及其運算節點 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| TWI804448B true TWI804448B (zh) | 2023-06-01 |
| TW202420330A TW202420330A (zh) | 2024-05-16 |
Family
ID=87803447
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| TW111142173A TWI804448B (zh) | 2022-11-04 | 2022-11-04 | 重症評估模型更新方法及其區塊鏈系統以及重症評估方法及其運算節點 |
Country Status (1)
| Country | Link |
|---|---|
| TW (1) | TWI804448B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180167200A1 (en) * | 2016-12-14 | 2018-06-14 | Wal-Mart Stores, Inc. | Obtaining a medical record stored on a blockchain from a wearable device |
| US20190392928A1 (en) * | 2017-03-01 | 2019-12-26 | Seqster Pdm, Inc. | Personal data marketplace for genetic, fitness, and medical information including health trust management |
| TWM600457U (zh) * | 2019-11-25 | 2020-08-21 | 梓燊 李 | 癌症照護管理系統 |
| US10930377B2 (en) * | 2017-08-29 | 2021-02-23 | International Business Machines Corporation | Dental health tracking via blockchain |
| CN113889252A (zh) * | 2021-01-29 | 2022-01-04 | 广东德澳智慧医疗科技有限公司 | 基于生命体征大数据聚类核心算法和区块链的远程互联网大数据智慧医疗系统 |
| CN114297722A (zh) * | 2022-03-09 | 2022-04-08 | 广东工业大学 | 一种基于区块链的隐私保护异步联邦共享方法及系统 |
| CN114760543A (zh) * | 2022-06-15 | 2022-07-15 | 北京北投智慧城市科技有限公司 | 一种基于区块链的跨网数据交换方法及系统 |
-
2022
- 2022-11-04 TW TW111142173A patent/TWI804448B/zh active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180167200A1 (en) * | 2016-12-14 | 2018-06-14 | Wal-Mart Stores, Inc. | Obtaining a medical record stored on a blockchain from a wearable device |
| US20190392928A1 (en) * | 2017-03-01 | 2019-12-26 | Seqster Pdm, Inc. | Personal data marketplace for genetic, fitness, and medical information including health trust management |
| US10930377B2 (en) * | 2017-08-29 | 2021-02-23 | International Business Machines Corporation | Dental health tracking via blockchain |
| TWM600457U (zh) * | 2019-11-25 | 2020-08-21 | 梓燊 李 | 癌症照護管理系統 |
| CN113889252A (zh) * | 2021-01-29 | 2022-01-04 | 广东德澳智慧医疗科技有限公司 | 基于生命体征大数据聚类核心算法和区块链的远程互联网大数据智慧医疗系统 |
| CN114297722A (zh) * | 2022-03-09 | 2022-04-08 | 广东工业大学 | 一种基于区块链的隐私保护异步联邦共享方法及系统 |
| CN114760543A (zh) * | 2022-06-15 | 2022-07-15 | 北京北投智慧城市科技有限公司 | 一种基于区块链的跨网数据交换方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Alazzam et al. | [Retracted] A Novel Smart Healthcare Monitoring System Using Machine Learning and the Internet of Things | |
| US11147463B2 (en) | Method and apparatus for high accuracy photoplethysmogram based atrial fibrillation detection using wearable device | |
| Salem et al. | Sensor fault and patient anomaly detection and classification in medical wireless sensor networks | |
| JP5388580B2 (ja) | ヒトの健康に関する残差ベースの管理 | |
| Choyon et al. | IoT based Health monitoring & automated predictive system to confront COVID-19 | |
| US10638980B2 (en) | System and method for predicting heart failure decompensation | |
| WO2021143780A1 (zh) | 一种基于多标签学习的体检后慢性疾病预后系统 | |
| WO2019182510A1 (en) | Systems and methods for personalized medication therapy management | |
| Pal et al. | Deep learning techniques for prediction and diagnosis of diabetes mellitus | |
| Merone et al. | A decision support system for tele-monitoring COPD-related worrisome events | |
| JP2018534697A (ja) | 個人化された予測モデルに基づいて健康モニタリングを容易化するシステム及び方法 | |
| TWI804448B (zh) | 重症評估模型更新方法及其區塊鏈系統以及重症評估方法及其運算節點 | |
| JP2022538417A (ja) | 生理学的状態の検出のためのイベント駆動型スパイキング・ニューラル・ネットワーク・システム | |
| Khan et al. | Severe analysis of cardiac disease detection using the wearable device by artificial intelligence | |
| TW202420330A (zh) | 重症評估模型更新方法及其區塊鏈系統以及重症評估方法及其運算節點 | |
| Aghav et al. | Health track | |
| KR102541362B1 (ko) | 인공 지능을 이용한 혈액 투석 중 저혈압 예측 장치 및 그 방법 | |
| Oliveira et al. | Fault diagnosis in highly dependable medical wearable systems | |
| Saranya et al. | Design of IoT Enabled Cloud Assisted Health Monitoring System for Covid-19 Patients | |
| Dey et al. | Patient Health Observation and Analysis with Machine Learning and IoT Based in Realtime Environment | |
| KR20210157444A (ko) | 머신러닝 기반 조현병 진단 방법 및 그 시스템 | |
| Pipke et al. | Feasibility of personalized nonparametric analytics for predictive monitoring of heart failure patients using continuous mobile telemetry | |
| Handayani et al. | Analysis of Android-based Body Health Monitoring System Results using Fuzzy Mamdani Method | |
| TWI834520B (zh) | 用於分析白袍效應關聯度的模型之建立方法及其運算裝置以及白袍效應關聯度分析方法及其運算裝置 | |
| WO2024049193A1 (ko) | 심전도 데이터의 거래 서비스를 제공하는 방법, 프로그램 및 장치 |