WO2023246352A1 - 健康数据管理方法、装置、电子设备和可读存储介质 - Google Patents

健康数据管理方法、装置、电子设备和可读存储介质 Download PDF

Info

Publication number
WO2023246352A1
WO2023246352A1 PCT/CN2023/093234 CN2023093234W WO2023246352A1 WO 2023246352 A1 WO2023246352 A1 WO 2023246352A1 CN 2023093234 W CN2023093234 W CN 2023093234W WO 2023246352 A1 WO2023246352 A1 WO 2023246352A1
Authority
WO
WIPO (PCT)
Prior art keywords
health
model
data
sub
health detection
Prior art date
Application number
PCT/CN2023/093234
Other languages
English (en)
French (fr)
Inventor
周育彬
张国强
刘庆兵
李艳
黄恩帝
Original Assignee
京东方科技集团股份有限公司
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 京东方科技集团股份有限公司 filed Critical 京东方科技集团股份有限公司
Publication of WO2023246352A1 publication Critical patent/WO2023246352A1/zh

Links

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
    • G16H50/70—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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/903—Querying
    • G06F16/9035—Filtering based on additional data, e.g. user or group profiles
    • 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

Definitions

  • Embodiments of the present disclosure provide a health data management method, device, electronic device, and readable storage medium.
  • embodiments of the present disclosure provide a health data management method, which is applied to a health management server.
  • the health management server is communicatively connected to an Internet of Things health detection terminal.
  • the method includes the following steps:
  • the biological model is verified, and a health detection result of the target user is generated based on the biological model that passes the verification.
  • the biological model includes multiple detection sub-models corresponding to different detection items, and verifying the biological model includes:
  • the verification result of the biological model is generated according to the matching degree of the sub-model.
  • verifying the sub-model matching degree of the detection sub-model based on reference data matching the target user includes:
  • the detection sub-model includes a blood pressure sub-model, a blood glucose sub-model, a blood oxygen sub-model, a body fat sub-model, a human body composition molecule model, a blood pressure sub-model, a bone mass sub-model, a lung function sub-model, an arterial sub-model One or more of the hardening submodel and the cardiotronic model.
  • the method before verifying the confidence of the biological model, the method further includes:
  • the associated information of the health detection data includes at least one of environmental factors and physical factors of the target user
  • Constraints for verifying the biological model are generated according to the associated information.
  • the environmental factors include one or more of collection period, weather information, and geographical environment; and/or
  • the physical factors include one or more of eating information and health information.
  • the method after receiving the health detection data associated with the target user sent by the IoT health detection terminal, the method further includes:
  • the data filtering rules include one or more of numerical range rules, data collection status rules, and data format rules;
  • the method before receiving the health detection data associated with the target user sent by the IoT health detection terminal, the method includes:
  • embodiments of the present disclosure provide a health data management device, which is applied to a health management server.
  • the health management server is communicatively connected to an Internet of Things health detection terminal.
  • the device include:
  • a health detection data receiving module configured to receive health detection data associated with the target user sent by the Internet of Things health detection terminal;
  • a biological model establishment module configured to establish a biological model of the target user based on the health detection data
  • a verification module configured to verify the biological model, and generate health detection results of the target user based on the biological model that passes the verification.
  • embodiments of the present disclosure provide a readable storage medium for storing a program that, when executed by a processor, implements the steps in the health data management method as described in any one of the above.
  • Figure 1 is a schematic flowchart of a health data management method provided by an embodiment of the present disclosure
  • Figure 2 is another schematic flowchart of the health data management method provided by an embodiment of the present disclosure
  • FIG. 4 is a schematic structural diagram of an electronic device provided by an implementation of the present disclosure.
  • first”, “second”, etc. in the embodiments of the present disclosure are used to distinguish similar objects and are not necessarily used to describe a specific order or sequence.
  • the terms “including” and “having” and any variations thereof are intended to cover non-exclusive inclusions, e.g., a process, method, system, product, or apparatus that encompasses a series of steps or units and need not be limited to those explicitly listed. Those steps or elements may instead include other steps or elements not expressly listed or inherent to the process, method, product or apparatus.
  • Embodiments of the present disclosure provide a health data management method.
  • the IoT health detection terminal in this embodiment can be installed in a health cabin, but is not limited thereto.
  • each IoT health detection terminal can communicate directly with the health management server based on IoT technology.
  • users need to verify their identity information before using the IoT health detection terminal to establish a corresponding relationship between each user and health detection data.
  • the user when the user can log in to his own account, the user is logged in and authenticated.
  • the IoT health detection terminal collects the user's login information.
  • users can provide login information in different ways for identity verification.
  • the user can enter a unique account and password as the login information, and the user can also provide the login information by reading the ID, facial recognition, using the mobile phone to log in to the terminal device for scan code authentication, etc.
  • the IoT health detection terminal sends login information to the health management server. After receiving the login information, the health management server verifies the identity information based on the saved authentication information, and then sends the verification results to the IoT health detection terminal.
  • the user can further use the IoT health detection terminal for health detection.
  • Various IoT health detection terminals that detect different health data can be set up in the health cabin.
  • various IoT health detection terminals can communicate directly with the health management server, and after obtaining the health detection data, send the health detection data to the health management server.
  • each health management server communicates with the control terminal through different communication methods.
  • the communication method can select wired methods such as serial ports, data lines, or Wlan (Wireless Local Area Networks, wireless Local area network), (4th generation mobile networks or 4th generation wireless systems, 4th-Generation, fourth generation mobile Existing or improved data communication networks such as mobile communication technology) networks, 5G (5th generation mobile networks or 5th generation wireless systems, 5th-Generation, fifth generation mobile communication technology) networks, Bluetooth and other wireless communication methods are not included here. make further qualifications.
  • the control terminal collects the health detection data collected by each Internet of Things health detection terminal, summarizes it, and sends it to the health management server.
  • the user can be interacted with through the interactive interface set up in the health cabin to guide the user to use the IoT health detection terminal for health detection.
  • the health data management method further includes the following steps:
  • Step 101 Receive health detection data associated with the target user sent by the Internet of Things health detection terminal.
  • the health management server After receiving the health detection data sent by the Internet of Things health detection terminal, the health management server can first preprocess the health management data.
  • the IoT management server after receiving the health detection data, matches the health detection data with preset indicators according to certain rules, and then performs unified management, normalization, classification processing, etc. Further, it can also Classify the health detection data as needed to form a data set including one or more indicators.
  • the preprocessing further includes the step of filtering the health management data to reduce abnormal data in the health management data.
  • the step of filtering data includes:
  • the data filtering rules include numerical range rules.
  • the numerical range rules refer to verifying the range of health detection data obtained by detection to eliminate data that exceeds the range of biological attributes.
  • the parameter of a certain parameter index may fluctuate.
  • the parameter index is within the normal range.
  • the parameter index may be in the abnormal range. range, while both the normal range and the abnormal range belong to the range of biological attributes. No matter what state the human body is in, the range that this parameter index cannot reach is considered to be beyond the range of biological attributes.
  • Such parameter indexes may be caused by detection errors, data transmission errors and other factors. Therefore, these data need to be eliminated.
  • the data collection status rule refers to verifying the data collection status. For example, if the IoT health detection terminal fails to collect data successfully due to a fault when collecting data, an abnormal value may be returned, for example, it may be empty. value, at this time, it is necessary to filter based on the data with abnormal data collection status.
  • Data format rules refer to verifying the format of the received health detection data to determine whether the data format is abnormal. Normally, if the data is collected and transmitted normally, its format will meet certain format rules. If the format is abnormal, , the health detection data may not be used for health analysis in the future. In addition, there may be abnormalities in the collection and transmission process of the data itself. The data may be inaccurate and may have an abnormal impact on the health analysis results.
  • Step 102 Establish a biological model of the target user based on the health detection data.
  • the biological model refers to a model that reflects the user's physical status based on the user's various health testing data.
  • the biological model includes multiple detection sub-models corresponding to different detection items, thereby improving the accuracy of analysis of different health parameters.
  • the detection sub-model includes a blood pressure sub-model, a blood glucose sub-model, a blood oxygen sub-model, a body fat sub-model, a human body composition molecule model, a blood pressure sub-model, a bone mass sub-model, and a lung function sub-model.
  • a blood pressure sub-model includes a blood pressure sub-model, a blood glucose sub-model, a blood oxygen sub-model, a body fat sub-model, a human body composition molecule model, a blood pressure sub-model, a bone mass sub-model, and a lung function sub-model.
  • the blood pressure sub-model can analyze whether the user's blood pressure is abnormal based on various factors such as the user's height, weight, blood pressure, age, gender, etc.
  • the blood sugar sub-model can analyze whether the user's blood sugar is normal based on the user's meal status, medication habits, height, weight and other parameters.
  • the body fat sub-model can determine whether the user's body fat content is normal through the user's height, weight, muscle content, bone mass, body fat content and other parameters, and by combining the above parameters.
  • the monitoring and monitoring parameters that need to be collected can be determined based on the opinions of professionals such as doctors and health coaches, and corresponding detection sub-models can be established based on professional knowledge, thereby improving the professionalism and accuracy of human body status monitoring and analysis.
  • the specific construction method of each detection sub-model is not further limited in the embodiment.
  • Step 103 Verify the biological model, and generate a health detection result of the target user based on the biological model that passes the verification.
  • the above-mentioned steps of analyzing the biological model in this embodiment refer to comparing and analyzing the user's health detection data and normal data in combination with various professional opinions or medical knowledge, so as to determine the user's physical health status. Is there any exception?
  • Verifying the biological model in this embodiment refers to verifying the constructed biological model to determine whether there are data errors or abnormalities caused by detection errors, data transmission errors, etc.
  • a data set is established to verify the constructed biological model.
  • the data set in this embodiment corresponds to the user's health detection data.
  • the health detection parameters include parameters related to blood pressure
  • a data set corresponding to the blood pressure related parameters needs to be established to use the data set to analyze
  • the blood pressure-related parameters obtained by detection are verified.
  • the blood pressure sub-model can be verified to determine whether there is any abnormality in the user's blood pressure-related health status.
  • the verifying the biological model includes:
  • the verification result of the biological model is generated according to the matching degree of the sub-model.
  • the matching degree of the constructed blood pressure sub-model is first verified.
  • a blood pressure data set in this embodiment, first obtain a data set corresponding to the blood pressure sub-model, which is called a blood pressure data set in this embodiment, and then compare the matching degree between the data in the blood pressure sub-model and the data in the blood pressure data set.
  • the data in the submodel and the data of the submodel's data set may be represented in the following schema.
  • T represents the data label of the sub-model data
  • D is the corresponding data set.
  • the matching degree of the data can be calculated through the following formula (1):
  • the confidence Con of the blood pressure sub-model is set.
  • the confidence Con of the blood pressure sub-model can be set by professionals based on experience and professional knowledge.
  • the sub-model matching degree of the detection sub-model can be verified based on the matching degree of each detection sub-model with the reference data, but also the sub-model matching degree can be verified based on the correlation between different detection sub-models. check.
  • the degree of arteriosclerosis of the user may have a certain impact on the user's blood pressure. Therefore, the blood pressure sub-model can be calibrated in combination with the arteriosclerosis sub-model, thereby improving the accuracy of the calibration results of each sub-model.
  • environmental factors include one or more of collection period, weather information, and geographical environment; and/or physical factors include one or more of eating information and health information.
  • correlation conditions can be set up with corresponding sensor collection in the health cabin or manually input by the user.
  • the collected correlation conditions can be uploaded to the health management server together with the health detection data to improve the accuracy and reliability of the health detection data. Analyze the results.
  • the health detection result is sent to the user for the user's reference.
  • the health detection results can be sent to the health cabin, for example, pushed to the control terminal of the health cabin for the user to browse or export by printing or other methods.
  • the health test results can also be sent directly to the user's terminal device.
  • they can be sent to the user through email, a specific application, an applet, etc., to For users to browse and review.
  • health files can also be established based on the association with each user's account or identity, and the user's health information can be saved and maintained.
  • the user's historical health check results can be kept in the health file for the user to review.
  • health files can view historical data through trend charts, lists, single reports, comprehensive reports, etc.
  • the health management server can also push reminders and rationalized assessments accordingly for abnormal indicators. Users can follow medical advice or suggestions to perform conditioning or seek medical treatment to improve their physical condition.
  • users can also delete, modify, annotate and other operations on the detection data through the client, and the health management server automatically synchronizes and processes the data to correct the biological model and build an accurate closed loop for user physical sign monitoring and health management.
  • the health detection results include various indicator data obtained by detection, the normal range of each indicator data, abnormal indicators, etc., so as to facilitate the user to understand possible abnormalities. Furthermore, the health detection results may also include Analyze abnormal results and give rationalization suggestions.
  • prompt information can be sent. Specifically, this can include sending prompt information to the user and/or staff. Further, the verification results can be reviewed. For example, the verification results can be reviewed by staff. to avoid leakage of user information.
  • Embodiments of the present disclosure provide a health data management device, which is applied to a health management server, and the health management server is communicatively connected to an Internet of Things health detection terminal.
  • the health detection data receiving module 301 is used to receive the health detection data associated with the target user sent by the Internet of Things health detection terminal;
  • the verification module 303 is used to verify the biological model, and generate a health detection result of the target user based on the biological model that passes the verification.
  • a verification unit configured to verify the sub-model matching degree of the detection sub-model according to the association relationship.
  • the detection sub-model includes a blood pressure sub-model, a blood glucose sub-model, a blood oxygen sub-model, a body fat sub-model, a human body composition molecule model, a blood pressure sub-model, a bone mass sub-model, a lung function sub-model, an arterial sub-model One or more of the hardening submodel and the cardiotronic model.
  • a constraint generation module is configured to generate constraints for verifying the biological model according to the associated information.
  • the environmental factors include one or more of collection period, weather information, and geographical environment; and/or
  • a login information receiving module configured to receive login information sent by the Internet of Things health terminal
  • the health data management device 300 of this embodiment can implement each step of the above health data management method embodiment, and can achieve basically the same technical effect, which will not be described again here.
  • Embodiments of the present disclosure also provide a readable storage medium.
  • a computer program is stored on the readable storage medium. When executed by a processor, the computer program can implement any of the steps in the above method embodiments and achieve the same results. To avoid repetition, the technical effects will not be repeated here.
  • the storage medium such as read-only memory (Read-Only Memory, ROM), random access memory (Random Access Memory, RAM), magnetic disk or optical disk, etc.
  • each module above is only a division of logical functions. In actual implementation, it can be fully or partially integrated into a physical entity, or it can also be physically separated.
  • these modules can all be implemented in the form of software calling through processing components; they can also all be implemented in the form of hardware; some modules can also be implemented in the form of software calling through processing components, and some modules can be implemented in the form of hardware.
  • the determination module can be a separate processing element, or can be integrated into a chip of the above device.
  • it can also be stored in the memory of the above device in the form of program code, and can be processed by a certain processing element of the above device. Call and execute the functions of the above identified modules.
  • the implementation of other modules is similar.
  • each step of the above method or each of the above modules can be completed by instructions in the form of hardware integrated logic circuits or software in the processor element.
  • each module, unit, sub-unit or sub-module may be one or more integrated circuits configured to implement the above method, such as: one or more Application Specific Integrated Circuits (ASICs), or one or Multiple microprocessors (digital signal processor, DSP), or one or more field programmable gate arrays (Field Programmable Gate Array, FPGA), etc.
  • ASICs Application Specific Integrated Circuits
  • DSP digital signal processor
  • FPGA Field Programmable Gate Array
  • the processing element can be a general-purpose processor, such as a central processing unit (Central Processing Unit, CPU) or other processors that can call the program code.
  • CPU central processing unit
  • these modules can be integrated together and implemented in the form of a system-on-a-chip (SOC).
  • SOC system-on-a-chip

Landscapes

  • Engineering & Computer Science (AREA)
  • Public Health (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Medical Informatics (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Pathology (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

本公开提供一种健康数据管理方法、装置、电子设备和可读存储介质。健康数据管理方法，应用于健康管理服务器，所述健康管理服务器与物联网健康检测终端通信连接，所述方法包括以下步骤：接收所述物联网健康检测终端发送的与目标用户关联的健康检测数据；根据所述健康检测数据建立所述目标用户的生物模型；校验所述生物模型，并根据通过校验的所述生物模型生成所述目标用户的健康检测结果。

Description

健康数据管理方法、装置、电子设备和可读存储介质
相关申请的交叉引用
本公开主张在2022年6月22日在中国提交的中国专利申请号No.202210713607.9的优先权，其全部内容通过引用包含于此。
技术领域
本公开实施例涉及物联网技术领域，尤其涉及一种健康数据管理方法、装置、电子设备和可读存储介质。
背景技术
随着人们对健康认知水平不断提高，人们对自身健康状态监护也越来越重视，而对于健康检测范围和指标也不断增多，随着信息技术的发展，尤其是物联网技术的发展，基于开放物联网的健康检测场景应用成为一种趋势，能够提供方便的对体征数据进行采集和后续管理。
发明内容
本公开实施例提供一种健康数据管理方法、装置、电子设备和可读存储介质。
第一方面，本公开实施例提供了一种健康数据管理方法，应用于健康管理服务器，所述健康管理服务器与物联网健康检测终端通信连接，所述方法包括以下步骤：
接收所述物联网健康检测终端发送的与目标用户关联的健康检测数据；
根据所述健康检测数据建立所述目标用户的生物模型；
校验所述生物模型，并根据通过校验的所述生物模型生成所述目标用户的健康检测结果。
在一些实施例中，所述生物模型包括与不同检测项目对应的多个检测子模型，所述校验所述生物模型，包括：
根据与所述目标用户匹配的参考数据校验所述检测子模型的子模型匹配 度；
根据所述子模型匹配度生成所述生物模型的校验结果。
在一些实施例中，所述根据与所述目标用户匹配的参考数据校验所述检测子模型的子模型匹配度，包括：
获取至少部分所述检测子模型之间的关联关系；
根据所述关联关系校验所述检测子模型的子模型匹配度。
在一些实施例中，所述检测子模型包括血压子模型、血糖子模型、血氧子模型、体脂子模型、人体成分子模型、血压子模型、骨质子模型、肺功能子模型、动脉硬化子模型和心电子模型中的一项或多项。
在一些实施例中，所述校验所述生物模型的置信度之前，所述方法还包括：
获取所述健康检测数据的关联信息，其中，所述关联信息包括环境因素，和所述目标用户的身体因素中的至少一项；
根据所述关联信息生成校验所述生物模型的约束条件。
在一些实施例中，所述环境因素包括采集时段、天气信息和地理环境中的一项或多项；和/或
所述身体因素包括进食信息和健康信息中的一项或多项。
在一些实施例中，所述接收所述物联网健康检测终端发送的与目标用户关联的健康检测数据之后，所述方法还包括：
调用与所述健康检测数据对应的数据过滤规则，其中，所述数据过滤规则包括数值范围规则、数据采集状态规则以及数据格式规则中的一项或多项；
根据所述数据过滤规则剔除所述健康检测数据中的异常数据。
在一些实施例中，所述接收所述物联网健康检测终端发送的与目标用户关联的健康检测数据之前，所述方法包括：
接收所述物联网健康终端发送的登录信息；
根据所述目标用户的用户信息校验所述登录信息；
向所述物联网健康检测终端发送对于所述登录信息的校验结果。
第二方面，本公开实施例提供了一种健康数据管理装置，应用于健康管理服务器，所述健康管理服务器与物联网健康检测终端通信连接，所述装置 包括：
健康检测数据接收模块，用于接收所述物联网健康检测终端发送的与目标用户关联的健康检测数据；
生物模型建立模块，用于根据所述健康检测数据建立所述目标用户的生物模型；
校验模块，用于校验所述生物模型，并根据通过校验的所述生物模型生成所述目标用户的健康检测结果。
第三方面，本公开实施例提供了一种电子设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的程序；所述处理器，用于读取存储器中的程序实现如以上任一项所述的健康数据管理方法中的步骤。
第四方面，本公开实施例提供了一种可读存储介质，用于存储程序，所述程序被处理器执行时实现如以上任一项所述的健康数据管理方法中的步骤。
附图说明
为了更清楚地说明本公开实施例的技术方案，下面将对本公开实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本公开实施例提供的健康数据管理方法的流程示意图；
图2是本公开实施例提供的健康数据管理方法的又一流程示意图；
图3是本公开实施例提供的健康数据管理装置的结构示意图；
图4是本公开实施提供的电子设备的结构示意图。
具体实施方式
下面将结合本公开实施例中的附图，对本公开实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本公开一部分实施例，而不是全部的实施例。基于本公开中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。
本公开实施例中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。此外，本申请中使用“和/或”表示所连接对象的至少其中之一，例如A和/或B和/或C，表示包含单独A，单独B，单独C，以及A和B都存在，B和C都存在，A和C都存在，以及A、B和C都存在的7种情况。
本公开实施例提供了一种健康数据管理方法。
在一个实施例中，该健康数据管理方法应用于健康管理服务器，健康管理服务器与物联网健康检测终端通信连接。
本实施例中的物联网健康检测终端可以设置于健康小屋中，但不局限于此。
在一个实施例中，健康小屋指的是至少在一定程度上公共开放的健康检测站，健康小屋中设置有各种物联网健康检测终端，用户可以利用这些物联网健康检测终端进行身体检测，从而获得检测数据。
在一些实施例中，每一台物联网健康检测终端可以直接基于物联网技术与健康管理服务器通信连接。
在另外一些实施例中，也可以以健康小屋为单位，将其中的物联网健康检测终端检测到的数据汇总后，基于物联网技术发送至健康管理服务器。示例性的，健康小屋中包括控制终端和各种不同类型的健康检测设备，控制终端用于控制各健康检测设备的信息传输等。
由于物联网健康检测终端的工作环境具有一定的公开性，因此，使用过程中，数据的处理和传输可能存在出现异常的风险，例如，在先用户未检测完成，其他用户使用设备进行检测，导致数据对应关系存在异常，又如，网络环境、服务器响应、网络攻击等因素可能对数据传输造成影响。因此，检测获得的健康数据的管理和传输存在一定的风险。
接下来对本实施例中的健康数据管理方法的整体流程做进一步说明。
如图1和图2所示，在其中一些实施例中，用户在使用物联网健康检测终端前，需要对身份信息进行验证，以建立各用户与健康检测数据之间的对应关系。
在一个示例性的实施例中，在用户可以登录自己的账号时，对用户进行登录认证。
在一个实施例中，对登录信息进行认证的认证信息可以保存在物联网健康检测终端处，例如，保存在健康小屋的控制终端中。认证信息也可以保存在健康管理服务器中，能够对于身份信息校验的可靠性。
在一些实施例中，对于身份进行校验的步骤包括：
接收所述物联网健康终端发送的登录信息；
根据所述目标用户的用户信息校验所述登录信息；
向所述物联网健康检测终端发送对于所述登录信息的校验结果。
实施时，物联网健康检测终端采集用户的登录信息。在一个实施例中，用户可以通过不同的方式提供登录信息，以进行身份校验。示例性的，用户可以输入唯一的账号密码作为登录信息，用户还可以通过读取证件、人脸识别、利用手机登终端设备进行扫码认证等方式提供登录信息。
物联网健康检测终端向健康管理服务器发送登录信息，健康管理服务器接收到登录信息后，根据保存的认证信息对身份信息进行校验，然后将校验结果发送至物联网健康检测终端。
如果用户的登录信息通过校验，那么用户可以进一步使用物联网健康检测终端进行健康检测。
健康小屋中可以设置各种检测不同健康数据的物联网健康检测终端。
在一个实施例中，各种物联网健康检测终端可以直接与健康管理服务器通信连接，并在检测获得健康检测数据后，向健康管理服务器发送健康检测数据。
在另外一个实施例中，各健康管理服务器通过不同的他通信方式与控制终端通信连接，示例性的，通信方式可以选择串口、数据线等有线方式，也可以选择Wlan(Wireless Local Area Networks，无线局域网)、(4th generation mobile networks或4th generation wireless systems、4th-Generation，第四代移 动通信技术)网络、5G(5th generation mobile networks或5th generation wireless systems、5th-Generation，第五代移动通信技术)网络等现有的或改进的数据通讯网络、蓝牙等无线通信方式，此处不做进一步限定。控制终端收集各物联网健康检测终端采集的健康检测数据并汇总后，发送至健康管理服务器。
实施时，可以通过设置于健康小屋中的交互界面等方式与用户进行交互，以指导用户使用物联网健康检测终端进行健康检测。
如图1所示，在一个实施例中，该健康数据管理方法还包括以下步骤：
步骤101：接收所述物联网健康检测终端发送的与目标用户关联的健康检测数据。
健康管理服务器接收到物联网健康检测终端发送的健康检测数据之后，可以首先对健康管理数据进行预处理。
在其中一个实施例中，物联网管理服务器接收到健康检测数据之后，根据一定的规则对健康检测数据与预设指标匹配，然后进行统一管理、归一化和分类处理等，进一步的，还可以将健康检测数据按照需要分类，形成包括一个或多个指标的数据集。
在其中一些实施例中，预处理还包括对健康管理数据进行过滤的步骤，以减少健康管理数据中的异常数据。
在一个示例性的实施例中，对于数据进行过滤的步骤包括：
调用与所述健康检测数据对应的数据过滤规则；
根据所述数据过滤规则剔除所述健康检测数据中的异常数据。
在其中一些实施例中，数据过滤规则包括数值范围规则，本实施例中，数值范围规则指的是对检测获得的健康检测数据的范围进行校验，以剔除超过生物属性范围的数据。
示例性的，在人体健康及不健康的情况下，某一参数指标的参数可能存在波动，其在人体健康状态下，该参数指标处于正常范围，在人体不健康的情况下，该参数指标可能处于异常范围，而正常范围和异常范围均属于生物属性范围。而无论人体处于何种状态，该参数指标均不能达到的范围则认为超出了生物属性范围，这样的参数指标可能是由于检测错误、数据传输错误等因素导致的，因此，需要剔除这些数据。
数据采集状态规则指的是对数据采集状态进行校验，示例性的，如果物联网健康检测终端进行数据采集时，由于故障导致未能成功采集数据，可能会返回一个异常值，例如可能是空值，此时，需要根据数据采集状态存在异常的数据进行过滤。
数据格式规则指的是对接收到的健康检测数据的格式进行校验，以确定数据格式是否异常，正常来说，如果数据正常采集和传输，其格式会满足一定的格式规则，如果格式存在异常，后续可能无法使用该健康检测数据进行健康分析，此外，该数据的采集和传输过程本身也可能存在异常，该数据可能不准确，可能会对健康分析结果造成异常影响。
步骤102：根据所述健康检测数据建立所述目标用户的生物模型。
生物模型指的是根据用户的各项健康检测数据建立的反应用户身体状态的模型。
在一个实施例中，生物模型包括与不同检测项目对应的多个检测子模型，从而能够提高对于不同健康参数分析精度。
在一个示例性的实施例中，检测子模型包括血压子模型、血糖子模型、血氧子模型、体脂子模型、人体成分子模型、血压子模型、骨质子模型、肺功能子模型、动脉硬化子模型和心电子模型中的一项或多项。
示例性的，血压子模型可以根据用户的身高、体重、血压、年龄、性别等各种因素分析用户的血压是否存在异常。
血糖子模型可以根据用户的用餐状态、用药习惯、身高、体重等参数分析用户的血糖是否正常。
体脂子模型可以通过用户的身高、体重、肌肉含量、骨量、体脂含量等参数，通过结合上述各项参数，能够确定用户的体脂含量是否正常。
实施时，可以根据医生、健康教练等专业人士的意见确定所需采集的监控监测参数，并根据专业知识建立相应的检测子模型，从而提高对于人体状态监测和分析的专业性和准确性，本实施例中不对各检测子模型的具体构建方式做进一步限定。
步骤103：校验所述生物模型，并根据通过校验的所述生物模型生成所述目标用户的健康检测结果。
需要注意的是，本实施例中上述对生物模型进行分析的步骤指的是，结合各种专业意见或医疗知识等，对用户健康检测数据与正常数据进行对比分析，从而判断用户的身体健康状态是否存在异常。
本实施例中的校验生物模型指的是对所构建的生物模型进行校验，以确定是否存在由于检测错误、数据传输错误等导致的数据错误或异常。
在一个示例性的实施例中，在健康管理服务器接收到健康检测数据之后，建立数据集，以对所构建的生物模型进行校验。本实施例中的数据集与用户的健康检测数据相对应，示例性的，如果健康检测参数中包括与血压相关的参数，则需要建立与血压相关参数对应的数据集，以通过该数据集对检测获得的血压相关参数进行校验，具体而言，可以是对血压子模型进行校验，以确定用户的血压相关健康状态是否存异常。
在一些实施例中，所述校验所述生物模型，包括：
根据与所述目标用户匹配的参考数据校验所述检测子模型的子模型匹配度；
根据所述子模型匹配度生成所述生物模型的校验结果。
以血压子模型做示例性说明，实施时，首先对所构建的血压子模型的匹配度进行校验。
实施时，首先获得与血压子模型对应的数据集，本实施例中称作血压数据集，然后对比血压子模型中的数据和血压数据集中的数据的匹配度。
在一个实施例中，子模型中的数据和子模型的数据集的数据可以以以下模式表示。
{"T":{
"T1":["T1V1","T1V2",...],
"T2":["T2V1","T2V2",...],
...
"Tn":["TnV1","TnV2",...],
},
"D":[["d1","d2","d3",...],["d1","d2","d3",...]]}
其中，T代表子模型数据的数据标签，D为相应的数据集。
在一个示例性的实施例中可以通过以下公式(1)计算数据的匹配度：
上述公式中，a代表血压子模型中的数据，b代表血压数据集中每个样本的数据，n为血压数据集中的样本数量。这样，通过上述公式(1)能够计算出血压子模型与血压数据集的数据匹配度Si。
进一步的，设定血压子模型的置信度Con，血压子模型的置信度Con可以由专业人士根据经验和专业知识设定。
在其中一些实施例中，置信度Con设置时，还可以融入用户评价机制，用户评价标记越高置信度Con的值越高，能够结合用户自身的体验和感受提高对于置信度Con设定的准确性。
结合血压子模型的数据匹配度Si和血压子模型的置信度Con，能够计算得到血压子模型的子模型匹配度Mat＝Si*Con。依次类推，能够获得各检测子模型的子模型匹配度Mat。
接下来，计算生物模型的整体的模型匹配度。针对置信度的偏差，可基于健康小屋所属网格对子模型设置权重计为p，以修正自动计算得出的置信度的准确性，其中，权重p的值可以由专业人士根据经验给出，并可以根据分析结果进行优化和调整。
确定各检测子模型的子模型匹配度Mat和权重p之后，能够计算得到生物模型的模型匹配度masterMat。其中，masterMat＝∑piMati。
如果最终获得的模型匹配度masterMat大于预设的匹配度阈值，则认为所构建的生物模型是相对准确的，数据的采集、保存和传输过程不存在异常，否则，认为数据的采集、保存和传输过程可能存在异常。
在数据的采集、保存和传输过程可能存在异常的情况下，可以进一步进行分析校验，以确定异常问题，并对数据进行纠正。
在另外一些实施例中，所述根据与所述目标用户匹配的参考数据校验所述检测子模型的子模型匹配度，包括：
获取至少部分所述检测子模型之间的关联关系；
根据所述关联关系校验所述检测子模型的子模型匹配度。
在另外一些实施例中，不仅可以根据每一检测子模型与参考数据的匹配程度校验检测子模型的子模型匹配度，还可以根据不同检测子模型之间的关联关系对子模型匹配度进行校验。
示例性的，用户的动脉硬化程度可能对用户的血压造成一定的影响，因此，可以结合动脉硬化子模型对血压子模型进行校验，从而能够提高对于各子模型的校验结果的准确性。
在一些实施例中，所述校验所述生物模型的置信度之前，所述方法还包括：
获取所述健康检测数据的关联信息，其中，所述关联信息包括环境因素，和所述目标用户的身体因素中的至少一项；
根据所述关联信息生成校验所述生物模型的约束条件。
需要理解的是，人体的健康数据是存在一定的波动的，各种外部环境条件可能会对用户的身体状态造成影响。
例如，如果运动过后，可能会导致血压短时间内升高，温度升高时，血压会有一定的下降，而温度降低时，血压可能会有一定上升。
实施时，可以采集关联信息，通过关联信息调整对于生物模型进行校验时的约束条件，以提高对于生物模型数据校验的准确性。
在一些实施例中，环境因素包括采集时段、天气信息和地理环境中的一项或多项；和/或身体因素包括进食信息和健康信息中的一项或多项。
这些关联条件可以在健康小屋中设置相应的传感器采集，也可以由用户手动输入，所收集到的关联条件可以和健康检测数据同时上传至健康管理服务器，以提高健康检测数据准确性和可靠性的分析结果。
在生成了健康检测结果之后，向用户发送该健康检测结果，以供用户参考。
在一个示例性的实施例中，健康检测结果可以发送至健康小屋，例如，推送至健康小屋的控制终端，以供用户浏览或通过打印等方式导出。
在另一个实施例中，健康检测结果也可以直接发送至用户的终端设备，示例性的，可以通过邮箱、特定的应用程序、小程序等方式向用户发送，以 供用户浏览查阅。
在一个示例性的实施例中，在得到用户授权或许可的情况下，还可以根据与各用户的账号或身份的关联关系，建立健康档案，保存和维护用户的健康信息。
示例性的，健康档案中可以保持用户的历史健康检查结果，以供用户查阅。
示例性的，健康档案可以通过趋势图、列表、单项报告、综合报告等对历史数据情况进行查看。健康管理服务器还可以针对异常指标相对应地推送提醒和合理化评估，用户可按照医嘱或建议进行调理或就医进而改善身体状况。
示例性的，用户也可通过客户端对检测数据进行删除、修改、标注等操作，健康管理服务器自动同步，并对数据进行处理以修正生物模型，构建用户体征监测健康管理精准闭环。
在一个实施例中，健康检测结果包括检测获得的各项指标数据、各项指标数据的正常范围、异常指标等，这样，能够便于用户了解可能存在的异常，进一步的，健康检测结果还可以包括对于异常结果的分析，并给出合理化建议。
在其中一个实施例中，在推送健康检测结果时，还可以对用户身份进行再次校验，如果用户通过校验，则可以参考上述过程进行结果推送。
如果未通过校验，则可以发送提示信息，具体的，可以包括向用户和/或工作人员发送提示信息，进一步的，可以对校验结果进行复核，例如，由工作人员对校验结果进行复核，以避免用户的信息泄露。
本公开实施例提供了一种健康数据管理装置，应用于健康管理服务器，所述健康管理服务器与物联网健康检测终端通信连接。
如图3所示，在一个实施例中，所述健康数据管理装置包括：
健康检测数据接收模块301，用于接收所述物联网健康检测终端发送的与目标用户关联的健康检测数据；
生物模型建立模块302，用于根据所述健康检测数据建立所述目标用户的生物模型；
校验模块303，用于校验所述生物模型，并根据通过校验的所述生物模型生成所述目标用户的健康检测结果。
在一些实施例中，所述生物模型包括与不同检测项目对应的多个检测子模型，校验模块303包括：
子模型匹配度校验子模块，用于根据与所述目标用户匹配的参考数据校验所述检测子模型的子模型匹配度；
校验结果生成子模块，用于根据所述子模型匹配度生成所述生物模型的校验结果。
在一些实施例中，所述子模型匹配度校验子模块包括：
关联关系获取单元，用于获取至少部分所述检测子模型之间的关联关系；
校验单元，用于根据所述关联关系校验所述检测子模型的子模型匹配度。
在一些实施例中，所述检测子模型包括血压子模型、血糖子模型、血氧子模型、体脂子模型、人体成分子模型、血压子模型、骨质子模型、肺功能子模型、动脉硬化子模型和心电子模型中的一项或多项。
在一些实施例中，还包括：
关联信息获取模块，用于获取所述健康检测数据的关联信息，其中，所述关联信息包括环境因素，和所述目标用户的身体因素中的至少一项；
约束条件生成模块，用于根据所述关联信息生成校验所述生物模型的约束条件。
在一些实施例中，所述环境因素包括采集时段、天气信息和地理环境中的一项或多项；和/或
所述身体因素包括进食信息和健康信息中的一项或多项。
在一些实施例中，还包括：
数据过滤规则调用模块，用于调用与所述健康检测数据对应的数据过滤规则，其中，所述数据过滤规则包括数值范围规则、数据采集状态规则以及数据格式规则中的一项或多项；
过滤模块，用于根据所述数据过滤规则剔除所述健康检测数据中的异常数据。
在一些实施例中，还包括：
登录信息接收模块，用于接收所述物联网健康终端发送的登录信息；
登录信息校验模块，用于根据所述目标用户的用户信息校验所述登录信息；
校验结果发送模块，用于向所述物联网健康检测终端发送对于所述登录信息的校验结果。
本实施例的健康数据管理装置300能够实现上述健康数据管理方法实施例的各个步骤，并能实现基本相同的技术效果，此处不再赘述。
本公开实施例还提供一种电子设备。请参见图4，电子设备可以包括处理器401、存储器402及存储在存储器402上并可在处理器401上运行的程序4021。
程序4021被处理器401执行时可实现上述方法实施例中的任意步骤及达到相同的有益效果，此处不再赘述。
本领域普通技术人员可以理解实现上述实施例方法的全部或者部分步骤是可以通过程序指令相关的硬件来完成，所述的程序可以存储于一可读取介质中。
本公开实施例还提供一种可读存储介质，所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时可实现上述方法实施例中的任意步骤，且能达到相同的技术效果，为避免重复，这里不再赘述。
所述的存储介质，如只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等。
需要说明的是，应理解以上各个模块的划分仅仅是一种逻辑功能的划分，实际实现时可以全部或部分集成到一个物理实体上，也可以物理上分开。且这些模块可以全部以软件通过处理元件调用的形式实现；也可以全部以硬件的形式实现；还可以部分模块通过处理元件调用软件的形式实现，部分模块通过硬件的形式实现。例如，确定模块可以为单独设立的处理元件，也可以集成在上述装置的某一个芯片中实现，此外，也可以以程序代码的形式存储于上述装置的存储器中，由上述装置的某一个处理元件调用并执行以上确定模块的功能。其它模块的实现与之类似。此外这些模块全部或部分可以集成在一起，也可以独立实现。这里所述的处理元件可以是一种集成电路，具有 信号的处理能力。在实现过程中，上述方法的各步骤或以上各个模块可以通过处理器元件中的硬件的集成逻辑电路或者软件形式的指令完成。
例如，各个模块、单元、子单元或子模块可以是被配置成实施以上方法的一个或多个集成电路，例如：一个或多个特定集成电路(Application Specific Integrated Circuit，ASIC)，或，一个或多个微处理器(digital signal processor，DSP)，或，一个或者多个现场可编程门阵列(Field Programmable Gate Array，FPGA)等。再如，当以上某个模块通过处理元件调度程序代码的形式实现时，该处理元件可以是通用处理器，例如中央处理器(Central Processing Unit，CPU)或其它可以调用程序代码的处理器。再如，这些模块可以集成在一起，以片上系统(system-on-a-chip，SOC)的形式实现。
以上所述是本公开实施例的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本公开所述原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本公开的保护范围。

Claims (11)

  1. 一种健康数据管理方法，应用于健康管理服务器，所述健康管理服务器与物联网健康检测终端通信连接，所述方法包括以下步骤：
    接收所述物联网健康检测终端发送的与目标用户关联的健康检测数据；
    根据所述健康检测数据建立所述目标用户的生物模型；
    校验所述生物模型，并根据通过校验的所述生物模型生成所述目标用户的健康检测结果。
  2. 如权利要求1所述的方法，其中，所述生物模型包括与不同检测项目对应的多个检测子模型，所述校验所述生物模型，包括：
    根据与所述目标用户匹配的参考数据校验所述检测子模型的子模型匹配度；
    根据所述子模型匹配度生成所述生物模型的校验结果。
  3. 如权利要求2所述的方法，其中，所述根据与所述目标用户匹配的参考数据校验所述检测子模型的子模型匹配度，包括：
    获取至少部分所述检测子模型之间的关联关系；
    根据所述关联关系校验所述检测子模型的子模型匹配度。
  4. 如权利要求2或3所述的方法，其中，所述检测子模型包括血压子模型、血糖子模型、血氧子模型、体脂子模型、人体成分子模型、血压子模型、骨质子模型、肺功能子模型、动脉硬化子模型和心电子模型中的一项或多项。
  5. 如权利要求1所述的方法，其中，所述校验所述生物模型的置信度之前，所述方法还包括：
    获取所述健康检测数据的关联信息，其中，所述关联信息包括环境因素，和所述目标用户的身体因素中的至少一项；
    根据所述关联信息生成校验所述生物模型的约束条件。
  6. 如权利要求5所述的方法，其中，所述环境因素包括采集时段、天气信息和地理环境中的一项或多项；和/或
    所述身体因素包括进食信息和健康信息中的一项或多项。
  7. 如权利要求1所述的方法，其中，所述接收所述物联网健康检测终端 发送的与目标用户关联的健康检测数据之后，所述方法还包括：
    调用与所述健康检测数据对应的数据过滤规则，其中，所述数据过滤规则包括数值范围规则、数据采集状态规则以及数据格式规则中的一项或多项；
    根据所述数据过滤规则剔除所述健康检测数据中的异常数据。
  8. 如权利要求1所述的方法，其中，所述接收所述物联网健康检测终端发送的与目标用户关联的健康检测数据之前，所述方法包括：
    接收所述物联网健康终端发送的登录信息；
    根据所述目标用户的用户信息校验所述登录信息；
    向所述物联网健康检测终端发送对于所述登录信息的校验结果。
  9. 一种健康数据管理装置，应用于健康管理服务器，所述健康管理服务器与物联网健康检测终端通信连接，所述装置包括：
    健康检测数据接收模块，用于接收所述物联网健康检测终端发送的与目标用户关联的健康检测数据；
    生物模型建立模块，用于根据所述健康检测数据建立所述目标用户的生物模型；
    校验模块，用于校验所述生物模型，并根据通过校验的所述生物模型生成所述目标用户的健康检测结果。
  10. 一种电子设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的程序；所述处理器，用于读取存储器中的程序实现如权利要求1至8中任一项所述的健康数据管理方法中的步骤。
  11. 一种可读存储介质，用于存储程序，所述程序被处理器执行时实现如权利要求1至8中任一项所述的健康数据管理方法中的步骤。
PCT/CN2023/093234 2022-06-22 2023-05-10 健康数据管理方法、装置、电子设备和可读存储介质 WO2023246352A1 (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN202210713607.9A CN115036033A (zh) 2022-06-22 2022-06-22 健康数据管理方法、装置、电子设备和可读存储介质
CN202210713607.9 2022-06-22

Publications (1)

Publication Number Publication Date
WO2023246352A1 true WO2023246352A1 (zh) 2023-12-28

Family

ID=83127595

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2023/093234 WO2023246352A1 (zh) 2022-06-22 2023-05-10 健康数据管理方法、装置、电子设备和可读存储介质

Country Status (2)

Country Link
CN (1) CN115036033A (zh)
WO (1) WO2023246352A1 (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115036033A (zh) * 2022-06-22 2022-09-09 京东方科技集团股份有限公司 健康数据管理方法、装置、电子设备和可读存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150379226A1 (en) * 2014-06-25 2015-12-31 Panasonic Intellectual Property Management Co., Ltd. Health management system, health management apparatus, and display method
CN109461482A (zh) * 2018-05-29 2019-03-12 平安医疗健康管理股份有限公司 健康计划生成方法、装置、计算机设备和存储介质
CN113643814A (zh) * 2021-08-30 2021-11-12 平安医疗健康管理股份有限公司 健康管理方案的推荐方法、装置、设备及存储介质
CN115036033A (zh) * 2022-06-22 2022-09-09 京东方科技集团股份有限公司 健康数据管理方法、装置、电子设备和可读存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150379226A1 (en) * 2014-06-25 2015-12-31 Panasonic Intellectual Property Management Co., Ltd. Health management system, health management apparatus, and display method
CN109461482A (zh) * 2018-05-29 2019-03-12 平安医疗健康管理股份有限公司 健康计划生成方法、装置、计算机设备和存储介质
CN113643814A (zh) * 2021-08-30 2021-11-12 平安医疗健康管理股份有限公司 健康管理方案的推荐方法、装置、设备及存储介质
CN115036033A (zh) * 2022-06-22 2022-09-09 京东方科技集团股份有限公司 健康数据管理方法、装置、电子设备和可读存储介质

Also Published As

Publication number Publication date
CN115036033A (zh) 2022-09-09

Similar Documents

Publication Publication Date Title
US10565705B2 (en) Systems and methods for collecting and transmitting assay results
WO2020181805A1 (zh) 糖尿病的预测方法及装置、存储介质、计算机设备
US9529968B2 (en) System and method of integrating mobile medical data into a database centric analytical process, and clinical workflow
WO2011126860A2 (en) Medical diagnosis using biometric sensor protocols
WO2023246352A1 (zh) 健康数据管理方法、装置、电子设备和可读存储介质
CN114549469A (zh) 一种基于置信度校准的深层神经网络医疗图像诊断方法
CN104133999A (zh) 消化道疾病远程医疗信息服务系统
CN111863252A (zh) 健康监测方法、系统、计算机设备及存储介质
CN113990482A (zh) 健康数据处理系统及方法
CN114783580B (zh) 一种医疗数据质量评估方法及系统
CN109003670A (zh) 大数据医疗信息处理方法、系统、终端设备及存储介质
CN114121266A (zh) 一种智能化的辅助诊断方法和系统
US20150106124A1 (en) Date and time accuracy testing patient data transferred from a remote device
CN115691746A (zh) 一种基于健康档案的机体评估管理系统
KR101603308B1 (ko) 생체 나이 연산 모델 생성 방법 및 시스템과, 그 생체 나이 연산 방법 및 시스템
CN108196058A (zh) 血糖仪质控检测方法及系统
CN117617921A (zh) 基于物联网的智能血压监控系统及方法
CN112863675B (zh) 一种骨质疏松患者的信息收集与评估方法及系统
WO2013043204A1 (en) Systems and methods for collecting and transmitting assay results
CN112017779A (zh) 一种基于体检数据分析人体健康预警系统
CN114557690B (zh) 一种用于连续葡萄糖监测的校准系统及方法
CN112754457B (zh) 体脂健康状态获取方法、装置和系统
CN112786185A (zh) 血压健康状态获取方法、装置和系统
US20210350530A1 (en) Dental Images Correlated to the Human Genome with Artificial Intelligence
JP6681640B1 (ja) サーバ及び情報処理方法

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 23826002

Country of ref document: EP

Kind code of ref document: A1