CN109887605A - 一种基于模型的机构长期护理住院时间模式分析方法 - Google Patents
一种基于模型的机构长期护理住院时间模式分析方法 Download PDFInfo
- Publication number
- CN109887605A CN109887605A CN201910144639.XA CN201910144639A CN109887605A CN 109887605 A CN109887605 A CN 109887605A CN 201910144639 A CN201910144639 A CN 201910144639A CN 109887605 A CN109887605 A CN 109887605A
- Authority
- CN
- China
- Prior art keywords
- model
- term care
- resident
- long
- analysis method
- 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
Landscapes
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明公开一种基于模型的机构长期护理住院时间模式分析方法，包括如下步骤：介绍长期护理(LTC)的机构：向患者以及相关人员介绍长期护理(LTC)的机构，LTC主要包括由地方当局运行的社会服务项目，以及机构养老院提供的住宅护理(RC)和护理(NC)。该基于模型的机构长期护理住院时间模式分析方法，将马尔可夫模型拟合数据集，第一阶段拟合表明RC为一种状态，NC为两种状态，同时用Kaplan‑Meier型估计和用Markov模型估计的RC和NC两种性别的幸存者，以此确定马尔可夫模型的结构，并对相应的数据进行分析处理，可以很好的根据居民的各项属性参数通过机构长期护理住院时间模式分析方法计算出所需要的数据并进行相应的管理措施。
Description
技术领域
本发明涉及医疗技术领域，具体为一种基于模型的机构长期护理住院时间模式分析方法。
背景技术
老年人经常经历身心健康和日常生活活动的下降，例如，进食、如厕和自我护理可能变得困难，当老人不能在家里得到照顾时，就需要提供长期护理(LTC)的机构的帮助，LTC主要包括由地方当局运行的社会服务项目，以及机构养老院提供的住宅护理(RC)和护理(NC)，一般来说，RC由董事会和个人护理组成，为那些身体虚弱但仍能管理日常生活活动的人提供服务，而NC则为身体稳定但身体和精神残疾程度较高的老年人提供服务，需要NHS(国家卫生服务)注册护士的投入。
住院时间数据的分析属于统计学的一个分支，称为生存分析，它通常将住院时间数据作为研究不同患者特征对生存时间影响的工具。然而，用于分析生存数据的数据挖掘方法(如基于决策规则和人工神经网络的方法)通常涉及对给定的一组患者特征(如治疗后3年死亡或存活)的分类生存结果的预测。对于这些方法，生成观测服务水平数据的底层随机过程通常是隐式建模的。其他方法，如基于流动模型和随机过程的方法，集中于对底层过程的明确建模，目的是捕捉停留时间的高水平模式。
在现有技术中，难以很好的根据居民的各项属性参数通过机构长期护理住院时间模式分析方法计算出所需要的数据并进行相应的管理措施，降低服务效率的同时在一定程度上增加了成本的支出，同时容易出现由于数据较多而导致的管理混乱。
发明内容
(一)解决的技术问题
针对现有技术的不足，本发明提供了一种基于模型的机构长期护理住院时间模式分析方法，解决了在现有技术中，难以很好的根据居民的各项属性参数通过机构长期护理住院时间模式分析方法计算出所需要的数据并进行相应的管理措施的问题。
(二)技术方案
为实现以上目的，本发明通过以下技术方案予以实现：一种基于模型的机构长期护理住院时间模式分析方法，包括如下步骤：
S1、介绍长期护理(LTC)的机构：向患者以及相关人员介绍长期护理(LTC)的机构，LTC主要包括由地方当局运行的社会服务项目，以及机构养老院提供的住宅护理(RC)和护理(NC)；
S2、收集数据：收集自地方当局定期收集受其照顾的居民的数据，入院日期、入院地点、转移日期和地点以及出院日期，并记录成表格后存储于数据库内；
S3、模拟ILTC中老年人的流动：使用状态组合来捕获每种类型护理的居民流动情况，并记录于数据库内，RC和NC中的停留时间均遵循coxian分布，A类概率密度函数形式为：fA(t)＝-ΦT Aexp(QAAt)QAA 1，其中ΦA是通过每个成员状态进入类A概率的列向量；
S4、整合居民的特征：检测并记录步骤S3中每种类型的居民的P个属性X：x1、x2、x3...xp(第k个居民的属性i到j的转变率写为：qi，j，k＝exp(βT ijxk)，其中(i≠j))；
S5、ILTC中公共资助居民的停留时间模式状态区分：将马尔可夫模型拟合数据集，第一阶段拟合表明RC为一种状态，NC为两种状态；
S6、NC居民的停留时间模式差异的特征纳入：使用两种不同的方法将特性纳入模型，即模型1：作为连续变量在RC中的停留时间，模型2：作为二进制变量在RC中的先前存在时间；
S7、停留时间模式的性别差异记录：将性别作为区别特征区分居民并记录于数据库内；
S8、确定马尔可夫模型的结构：通过公式：L(θ)＝(nΣi-1)log{l(θ|ci，ti)}，计算n对c和t的对数可能性，随后选择一组θ的值，使对数似然函数最大化，将马尔可夫模型拟合到观测数据中，将马尔可夫模型拟合到整个停留数据长度。
优选的，在步骤S3中，所使用的状态组合为短期停留状态或长期停留状态。
优选的，在步骤S7中，用Kaplan-Meier型估计和用Markov模型估计的RC和NC两种性别的幸存者。
优选的，在步骤S8中，所有的模型拟合都通过使用通用的优化器(Matlab提供的优化器)最大化对数似然函数实现的。
(三)有益效果
本发明提供了一种基于模型的机构长期护理住院时间模式分析方法。具备以下有益效果：
该基于模型的机构长期护理住院时间模式分析方法，将马尔可夫模型拟合数据集，第一阶段拟合表明RC为一种状态，NC为两种状态，同时用Kaplan-Meier型估计和用Markov模型估计的RC和NC两种性别的幸存者，以此确定马尔可夫模型的结构，并对相应的数据进行分析处理，可以很好的根据居民的各项属性参数通过机构长期护理住院时间模式分析方法计算出所需要的数据并进行相应的管理措施，提高服务效率的同时在一定程度上减少了成本的支出，同时避免了由于数据较多而导致的管理混乱。
具体实施方式
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。
一种基于模型的机构长期护理住院时间模式分析方法，包括如下步骤：
S1、介绍长期护理(LTC)的机构：向患者以及相关人员介绍长期护理(LTC)的机构，LTC主要包括由地方当局运行的社会服务项目，以及机构养老院提供的住宅护理(RC)和护理(NC)；
S2、收集数据：收集自地方当局定期收集受其照顾的居民的数据，入院日期、入院地点、转移日期和地点以及出院日期，并记录成表格后存储于数据库内；
S3、模拟ILTC中老年人的流动：使用状态组合来捕获每种类型护理的居民流动情况，并记录于数据库内，RC和NC中的停留时间均遵循coxian分布，A类概率密度函数形式为：fA(t)＝-ΦT Aexp(QAAt)QAA 1，其中ΦA是通过每个成员状态进入类A概率的列向量(所使用的状态组合为短期停留状态或长期停留状态)；
S4、整合居民的特征：检测并记录步骤S3中每种类型的居民的P个属性X：x1、x2、x3...xp(第k个居民的属性i到j的转变率写为：qi，j，k＝exp(βT ijxk)，其中(i≠j))；
S5、ILTC中公共资助居民的停留时间模式状态区分：将马尔可夫模型拟合数据集，第一阶段拟合表明RC为一种状态，NC为两种状态；
S6、NC居民的停留时间模式差异的特征纳入：使用两种不同的方法将特性纳入模型，即模型1：作为连续变量在RC中的停留时间，模型2：作为二进制变量在RC中的先前存在时间；
S7、停留时间模式的性别差异记录：将性别作为区别特征区分居民并记录于数据库内(用Kaplan-Meier型估计和用Markov模型估计的RC和NC两种性别的幸存者)；
S8、确定马尔可夫模型的结构：通过公式：L(θ)＝(nΣi-1)log{l(θ|ci，ti)}，计算n对c和t的对数可能性，随后选择一组θ的值，使对数似然函数最大化，将马尔可夫模型拟合到观测数据中，将马尔可夫模型拟合到整个停留数据长度(所有的模型拟合都通过使用通用的优化器(Matlab提供的优化器)最大化对数似然函数实现的)。
综上所述，该基于模型的机构长期护理住院时间模式分析方法，将马尔可夫模型拟合数据集，第一阶段拟合表明RC为一种状态，NC为两种状态，同时用Kaplan-Meier型估计和用Markov模型估计的RC和NC两种性别的幸存者，以此确定马尔可夫模型的结构，并对相应的数据进行分析处理，可以很好的根据居民的各项属性参数通过机构长期护理住院时间模式分析方法计算出所需要的数据并进行相应的管理措施，提高服务效率的同时在一定程度上减少了成本的支出，同时避免了由于数据较多而导致的管理混乱。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
Claims (4)
1.一种基于模型的机构长期护理住院时间模式分析方法，其特征在于，包括如下步骤：
S1、介绍长期护理(LTC)的机构：向患者以及相关人员介绍长期护理(LTC)的机构，LTC主要包括由地方当局运行的社会服务项目，以及机构养老院提供的住宅护理(RC)和护理(NC)；
S2、收集数据：收集自地方当局定期收集受其照顾的居民的数据，入院日期、入院地点、转移日期和地点以及出院日期，并记录成表格后存储于数据库内；
S3、模拟ILTC中老年人的流动：使用状态组合来捕获每种类型护理的居民流动情况，并记录于数据库内，RC和NC中的停留时间均遵循coxian分布，A类概率密度函数形式为：fA(t)＝-ΦT Aexp(QAAt)QAA 1，其中ΦA是通过每个成员状态进入类A概率的列向量；
S4、整合居民的特征：检测并记录步骤S3中每种类型的居民的P个属性X：x1、x2、x3...xp(第k个居民的属性i到j的转变率写为：qi，j，k＝exp(βT ijxk)，其中(i≠j))；
S5、ILTC中公共资助居民的停留时间模式状态区分：将马尔可夫模型拟合数据集，第一阶段拟合表明RC为一种状态，NC为两种状态；
S6、NC居民的停留时间模式差异的特征纳入：使用两种不同的方法将特性纳入模型，即模型1：作为连续变量在RC中的停留时间，模型2：作为二进制变量在RC中的先前存在时间；
S7、停留时间模式的性别差异记录：将性别作为区别特征区分居民并记录于数据库内；
S8、确定马尔可夫模型的结构：通过公式：L(θ)＝(nΣi-1)log{l(θ|ci，ti)}，计算n对c和t的对数可能性，随后选择一组θ的值，使对数似然函数最大化，将马尔可夫模型拟合到观测数据中，将马尔可夫模型拟合到整个停留数据长度。
2.根据权利要求1所述的一种基于模型的机构长期护理住院时间模式分析方法，其特征在于：在步骤S3中，所使用的状态组合为短期停留状态或长期停留状态。
3.根据权利要求1所述的一种基于模型的机构长期护理住院时间模式分析方法，其特征在于：在步骤S7中，用Kaplan-Meier型估计和用Markov模型估计的RC和NC两种性别的幸存者。
4.根据权利要求1所述的一种基于模型的机构长期护理住院时间模式分析方法，其特征在于：在步骤S8中，所有的模型拟合都通过使用通用的优化器(Matlab提供的优化器)最大化对数似然函数实现的。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910144639.XA CN109887605A (zh) | 2019-02-27 | 2019-02-27 | 一种基于模型的机构长期护理住院时间模式分析方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910144639.XA CN109887605A (zh) | 2019-02-27 | 2019-02-27 | 一种基于模型的机构长期护理住院时间模式分析方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109887605A true CN109887605A (zh) | 2019-06-14 |
Family
ID=66929573
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910144639.XA Pending CN109887605A (zh) | 2019-02-27 | 2019-02-27 | 一种基于模型的机构长期护理住院时间模式分析方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109887605A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113393939A (zh) * | 2021-04-26 | 2021-09-14 | 上海米健信息技术有限公司 | 重症监护室患者住院天数预测方法及*** |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107180283A (zh) * | 2017-07-05 | 2017-09-19 | 山东大学 | 一种基于最优特征组合的再住院行为预测***及方法 |
-
2019
- 2019-02-27 CN CN201910144639.XA patent/CN109887605A/zh active Pending
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107180283A (zh) * | 2017-07-05 | 2017-09-19 | 山东大学 | 一种基于最优特征组合的再住院行为预测***及方法 |
Non-Patent Citations (1)
| Title |
|---|
| HAIFENG XIE等: "A Model-Based Approach to the Analysis of Patterns of Length of Stay in Institutional Long-Term Care", 《IEEE TRANSACTIONS ON INFORMATION TECHNOLOGY IN BIOMEDICINE》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113393939A (zh) * | 2021-04-26 | 2021-09-14 | 上海米健信息技术有限公司 | 重症监护室患者住院天数预测方法及*** |
| CN113393939B (zh) * | 2021-04-26 | 2024-05-28 | 上海米健信息技术有限公司 | 重症监护室患者住院天数预测方法及*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Shibata et al. | Detecting emerging research fronts based on topological measures in citation networks of scientific publications | |
| CN106778042A (zh) | 心脑血管患者相似性分析方法及*** | |
| Moore et al. | Characterizing social environment's association with neurocognition using census and crime data linked to the Philadelphia Neurodevelopmental Cohort | |
| CN107247881A (zh) | 一种多模态智能分析方法及*** | |
| CN109841282A (zh) | 一种基于云计算的中医健康管理云***及其搭建方法 | |
| Lin et al. | Analysis by data mining in the emergency medicine triage database at a Taiwanese regional hospital | |
| CN111081379B (zh) | 一种疾病概率决策方法及其*** | |
| Manzak et al. | Automated classification of Alzheimer’s disease using deep neural network (DNN) by random forest feature elimination | |
| CN104462858A (zh) | 基于多阶隐马尔可夫模型的健康预警方法 | |
| Sprint et al. | Behavioral differences between subject groups identified using smart homes and change point detection | |
| CN106446552A (zh) | 一种基于增量式神经网络模型的睡眠障碍预测方法和预测*** | |
| CN106446560A (zh) | 一种基于增量式神经网络模型的高血脂症预测方法和预测*** | |
| Hajihashemi et al. | Detecting daily routines of older adults using sensor time series clustering | |
| CN109887605A (zh) | 一种基于模型的机构长期护理住院时间模式分析方法 | |
| Chaari et al. | Comparative survey of multigraph integration methods for holistic brain connectivity mapping | |
| Shahid et al. | Recognizing long-term sleep behaviour change using clustering for elderly in smart homes | |
| CN107436997A (zh) | 一种生理数据的分析***及方法 | |
| JP7365747B1 (ja) | 階層図ニューラルネットワークに基づく疾患診療過程異常識別システム | |
| CN109119155A (zh) | 基于深度学习的icu死亡危险性评估*** | |
| Howedi et al. | A multi-scale fuzzy entropy measure for anomaly detection in activities of daily living | |
| CN106295238A (zh) | 一种基于增量式神经网络模型的高血压肾病预测方法和预测*** | |
| Thangarasu et al. | Prediction of hidden knowledge from clinical database using data mining techniques | |
| Shen et al. | LGSleepNet: an automatic sleep staging model based on local and global representation learning | |
| CN109567742A (zh) | 一种儿科病情早期预警方法 | |
| Shahid et al. | Outlier detection in iot data for elderly care in smart homes |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190614 |