CN110504031B - 用于健康行为干预的云端管理数据库建立方法及*** - Google Patents
用于健康行为干预的云端管理数据库建立方法及*** Download PDFInfo
- Publication number
- CN110504031B CN110504031B CN201910806875.3A CN201910806875A CN110504031B CN 110504031 B CN110504031 B CN 110504031B CN 201910806875 A CN201910806875 A CN 201910806875A CN 110504031 B CN110504031 B CN 110504031B
- Authority
- CN
- China
- Prior art keywords
- user
- database
- list
- data
- base
- 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.)
- Active
Links
- 230000005548 health behavior Effects 0.000 title claims abstract description 245
- 238000000034 method Methods 0.000 title claims abstract description 64
- 238000004458 analytical method Methods 0.000 claims abstract description 312
- 201000010099 disease Diseases 0.000 claims abstract description 110
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 110
- 238000012216 screening Methods 0.000 claims abstract description 45
- 230000006399 behavior Effects 0.000 claims abstract description 28
- 238000007781 pre-processing Methods 0.000 claims abstract description 16
- 208000024891 symptom Diseases 0.000 claims abstract description 11
- 230000000694 effects Effects 0.000 claims description 41
- 208000031940 Disease Attributes Diseases 0.000 claims description 34
- 230000008859 change Effects 0.000 claims description 24
- 230000002159 abnormal effect Effects 0.000 claims description 20
- 230000004044 response Effects 0.000 claims description 13
- 230000003542 behavioural effect Effects 0.000 claims description 8
- 238000005192 partition Methods 0.000 claims description 7
- 230000000875 corresponding effect Effects 0.000 description 33
- UGDGKPDPIXAUJL-UHFFFAOYSA-N ethyl n-[4-[benzyl(2-phenylethyl)amino]-2-(4-ethylphenyl)-1h-imidazo[4,5-c]pyridin-6-yl]carbamate Chemical compound N=1C(NC(=O)OCC)=CC=2NC(C=3C=CC(CC)=CC=3)=NC=2C=1N(CC=1C=CC=CC=1)CCC1=CC=CC=C1 UGDGKPDPIXAUJL-UHFFFAOYSA-N 0.000 description 30
- 230000036541 health Effects 0.000 description 26
- 238000007726 management method Methods 0.000 description 24
- 239000003814 drug Substances 0.000 description 17
- 230000009471 action Effects 0.000 description 14
- 235000005911 diet Nutrition 0.000 description 13
- 230000006835 compression Effects 0.000 description 12
- 238000007906 compression Methods 0.000 description 12
- 238000012423 maintenance Methods 0.000 description 12
- 230000037213 diet Effects 0.000 description 11
- 238000011156 evaluation Methods 0.000 description 11
- 238000012545 processing Methods 0.000 description 11
- 230000002829 reductive effect Effects 0.000 description 11
- 238000005516 engineering process Methods 0.000 description 10
- 238000007689 inspection Methods 0.000 description 10
- 238000004422 calculation algorithm Methods 0.000 description 9
- 230000006872 improvement Effects 0.000 description 9
- 230000000474 nursing effect Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 229940079593 drug Drugs 0.000 description 8
- 230000000750 progressive effect Effects 0.000 description 7
- 230000008901 benefit Effects 0.000 description 6
- 230000008450 motivation Effects 0.000 description 6
- 230000008447 perception Effects 0.000 description 6
- 230000000391 smoking effect Effects 0.000 description 6
- 230000036772 blood pressure Effects 0.000 description 5
- 238000003745 diagnosis Methods 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 230000033001 locomotion Effects 0.000 description 4
- 238000005267 amalgamation Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 239000008280 blood Substances 0.000 description 3
- 210000004369 blood Anatomy 0.000 description 3
- 230000036760 body temperature Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 235000006694 eating habits Nutrition 0.000 description 3
- 230000008821 health effect Effects 0.000 description 3
- 238000001802 infusion Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000029058 respiratory gaseous exchange Effects 0.000 description 3
- 230000000717 retained effect Effects 0.000 description 3
- 238000000638 solvent extraction Methods 0.000 description 3
- 206010000097 Abdominal tenderness Diseases 0.000 description 2
- 230000003187 abdominal effect Effects 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 208000029078 coronary artery disease Diseases 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 238000013499 data model Methods 0.000 description 2
- 238000012217 deletion Methods 0.000 description 2
- 230000037430 deletion Effects 0.000 description 2
- 230000000378 dietary effect Effects 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 235000013305 food Nutrition 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 239000007788 liquid Substances 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000003449 preventive effect Effects 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 238000007493 shaping process Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 206010067484 Adverse reaction Diseases 0.000 description 1
- 206010021403 Illusion Diseases 0.000 description 1
- 208000032023 Signs and Symptoms Diseases 0.000 description 1
- 230000006838 adverse reaction Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000003556 assay Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000003750 conditioning effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000020595 eating behavior Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- PVCRZXZVBSCCHH-UHFFFAOYSA-N ethyl n-[4-[benzyl(2-phenylethyl)amino]-2-(4-phenoxyphenyl)-1h-imidazo[4,5-c]pyridin-6-yl]carbamate Chemical compound N=1C(NC(=O)OCC)=CC=2NC(C=3C=CC(OC=4C=CC=CC=4)=CC=3)=NC=2C=1N(CC=1C=CC=CC=1)CCC1=CC=CC=C1 PVCRZXZVBSCCHH-UHFFFAOYSA-N 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000000265 homogenisation Methods 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 230000007119 pathological manifestation Effects 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000005586 smoking cessation Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000003319 supportive effect Effects 0.000 description 1
- 230000001225 therapeutic effect Effects 0.000 description 1
Images
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
- G16H50/30—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
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明涉及用于健康行为干预的云端管理数据库建立方法及***,数据库建立方法包括以下步骤:云端处理器基于以行为单位存储的用户数据进行预处理,生成以列为单位存储的用户属性列表;云端处理器基于用户属性列表,生成能够关于用户的基本信息进行筛选和分组的分析数据库、关于用户健康行为的健康行为数据库以及关于用户体征和症状的病情数据库;云端处理器基于分析数据库关联由先验知识建立的知识库从而生成具有共性的一级决策库,一级决策库基于健康行为数据库和/或病情数据库生成能够被推送至至少一个终端的且能够个性化健康行为干预的二级决策库,其中,二级决策库以行为单位进行存储。
Description
技术领域
本发明属于医学数据库领域,涉及一种云端管理数据库件建立方法及***,尤其涉及用于健康行为干预的云端管理数据库建立方法及***。
背景技术
随着计算机技术的发展,用户各种行为都可以通过线上进行,能够为医护人员的临床研究和诊断提供并积累有价值的诊断分析数据,从而方便医护人员根据患者的健康行为进行干预。健康行为干预是一种运用传播、教育、指导、说服、鼓励、限制等方法和手段,促进个体或群体健康行为的改变和维持的机制。具体而言,健康行为干预是指医务人员可以通过用户携带的智能终端、随访以及其他方式收集用户的健康行为数据和反馈效果,建立用户健康行动过程模型,并以此为框架,借鉴行为改变理论,生成患者健康行为改变的“意图-行动-保持”模型,基于“意图-行动-保持”模型建立促进健康行为干预综合策略与措施,并应用敏捷开发模式研发用于健康行为干预的云端管理***,该***通过生成个性化的信息推送等方式,促进用户健康行为的改变和维持,从而改善用户的患病风险因素,例如血压、血脂、血糖、体重等,能够降低用户患病风险,因此对线上或者云端的关于健康行为干预管理的医疗类数据库的建立有着迫切的需要。
传统的建立医疗类数据的方法往往是通过获取疾病名称与相应的病理表现建立医疗数据库,而人工建立的医疗数据库由于工作量大,则导致建立耗费时间长,并且人工建立相应的医疗数据库易出错。此外,为了便于医疗管理,有必要建立一种能够提高建立医疗数据库的效率及准确度的医疗数据库。
例如,公开号为CN109471852A的中国专利文献公开了一种医疗数据库建立方法、装置、计算机设备和存储装置。方法包括:获取待分类医疗数据,并从所获取的待分类医疗数据中提取关键字相同的待分类医疗数据,将关键字相同的待分类医疗数据作为初始分组;查询初始分组中的待分类医疗数据对应的费用;获取预设费用范围,从初始分组中获取费用在预设费用范围内的待分类医疗数据作为目标待分类医疗数据;从初始分组中提取目标待分类医疗数据得到目标分组,根据目标分组建立医疗数据库;根据医疗数据库中的目标分组是否分组合理,判断目标分组是否可用,并将目标分组是否可用的判断结果输出。采用该方法能够提高对医疗数据库的建立效率,且无需人工大量操作,避免经常出现误操作导致建立的医疗数据库准确率不高。但是,该专利提供的数据库建立方法没有考虑医疗***或者云端管理等***,往往存在获取的信息数据格式不一致的情况,由于数据格式的不一致,导致数据传递过程中需要花费大量的时间对数据格式进行转化,从而耗费大量的资源,并且随着互联网技术的发展,IT技术的不断更新,社会信息的不断深化,用户采集的数据呈爆发式增长,因此采用该专利提供的数据库建立方法来处理大量数据时,需要较多的时间和资源来对数据进行分类、查询、提取等操作,导致建立的医疗数据库使用效率低下。
例如,公开号为CN106874660A的中国专利文献公开了一种医养信息数据库建立方法,包括在医养服务器中进行数据获取和标准化处理,并将处理后的数据同以太网存放在数据库中,数据库的建立方法包括步骤:S01获取数据,获取老人在健康仪器上采集的健康体检数据、录入收集的专家信息数据和录入收集的调度知识数据;S02解析和清洗数据,采用专家规则引擎和规则算法对获取的数据进行解析,并对解析后的数据进行清洗操作;S03协议标准化,通过协议的标准规格对解析清洗过后的数据进行统一化处理,得到统一的标准化数据;S04数据入库,将标准化数据进行分类存储,从而建立老人健康档案数据库、专家数据库和调度决策知识数据库。但是,该专利提供的数据库建立方法是传统的关系型的数据库,借助于集合代数等数学概念和方法来处理数据,例如SQL等标准数据查询语言将统一化处理过后的标准化数据入库进行分类存储。但是传统的关系型数据库已经不适用这种需要巨大存储和计算要求的数据。新兴的大数据存储数据库有两种选择,基于“记录”的行存储和列存储。对于行存储技术,基本操作数据是一条记录(多列构成),其数据的结构性更强,对数据的更改操作(例如删除和修改)、数据的强一致性的实现更方便,但对大批量数据的存储、分析检索的便捷性较差,不适合用于处理大量数据。为解决上述问题,现有技术提供了一种基于列存储技术的数据库建立方法。
例如,公开号为CN102890721B的中国专利文献公开了一种基于列存储技术的数据库建立方法及***,其中,所述方法包括:建立表;在所述表中建立描述数据结构的组成列信息的列文件;存储所述组成列信息的列元数据至所述列文件,并对所述列文件分块,每块存储固定数量的列元数据;对表中所有的字节数组列,生成一个数组,对该数组的每个数组元数据计算一个散列值并存储这个散列值至列文件。相比于现有技术,该发明基于列存储技术进行建库,在检索这种结构的数据时,只需要操作相关列的相关索引块;在存储时,各列可以并发独立操作,提高效率。以列为操作单位,可以方便地对列制定“热点词”,提供常用词的快速检索,可以方便地对列数据进行压缩共享处理,减少磁盘空间的占用,极大地提高了数据库的存储、分析检索的便捷性。但是,该专利提供的基于列存储的数据库没有考虑到现有用户数据的海量性与复杂性,其中复杂性,即在使用列存储时如何描述一个列数据及其原始数据的上下文,每个用户对于描述某一疾病的潜在风险用语不同,潜在风险包括用户服药治疗后的疗效感知、不良反应以及副作用等。此外,云端数据库需要不断生成推送信息,会导致频繁的读写操作,而列存储技术由于列压缩,导致读写成本比较高,因此列存储技术不适用于需要频繁删除、更新等操作的数据库。
此外,影响人体健康的因素是多方面综合的,例如,同一种疾病可能会由于性别、并发症的不同,导致每个个体被该疾病的影响的程度不同,因此医学类的数据库需要根据用户的基本信息以及健康行为等,建立相应的可供医护人员分析的数据库。例如,公开号为CN108122612A的中国专利文献公开了数据库的建立、多维度健康风险等级确定方法及装置,其中,数据库的建立方法包括:对获取的实验医学数据进行分析得到不同的疾病风险项,分别确定所述不同疾病风险项的影响因素;基于所述不同疾病风险项的影响因素与所述疾病风险项的关系,分别建立每个疾病风险项的线性回归分析数据模型;为每个疾病风险项建立变迁,基于所述每个疾病风险项、所述每个疾病风险项的线性回归分析数据模型和二者的对应关系建立健康评估模型数据库。但是,该专利公开的数据库没有考虑到每个用户可能患有多种疾病,并且不同疾病之间是彼此关联的,因此采用以疾病类型为导向的健康评估模型数据,可能无法准确的评估的用户的健康情况;其次,采用统一的模型可能会到相同的健康管理建议,导致用户得到同质化的治疗方案,不利于也不便于医护人员根据用户的疾病实际变化针对性地提供治疗建议。
综上,针对现有技术不足,需要提供一种能够快速、准确检索,并且以用户为导向的用于健康行为干预的云端管理数据库。该数据库具有以用户为导向的多个维度的子数据库,例如,同一年龄下的用户健康行为数据库、同一性别下的用户健康行为数据库、至少患有一项相同疾病的下的用户健康行为数据库,医护人员可根据以上数据库的数据进行分析整理,制定相应的个性化健康方案或者措施。
此外,一方面由于对本领域技术人员的理解存在差异;另一方面由于发明人做出本发明时研究了大量文献和专利,但篇幅所限并未详细罗列所有的细节与内容,然而这绝非本发明不具备这些现有技术的特征,相反本发明已经具备现有技术的所有特征,而且申请人保留在背景技术中增加相关现有技术之权利。
发明内容
本发明提供了用于健康行为干预的云端管理数据库建立方法,针对现有呈爆发式增长的海量用户数据需要的海量存储和巨大的计算需求,本发明首先通过传统的以行为单位的存储方式存储用户数据,从而利用行存储的适合频繁更新、删改操作的特点来用于获取用户数据,在根据行存储的用户数据生成逻辑表进行预处理之后,将属性相同的列进行聚类合并,并且以列为单位的方式存储相应的用户属性列表,从而能够利用列存储的压缩比高、适合分析性操作和查询操作的特点建立相应的分析数据库、健康行为数据库和病情数据库,并且为了节省存储开销,删除原有的逻辑表,只保留第一标识码和第二标识码,从而保留了行存储的能够频繁更新、删改操作的优点。而且,针对现有的医学类数据推送的策略与措施同质化严重的问题,本发明根据用户的基本属性、病情属性以及健康行为三个大类,多维度的对用户数据进行筛选、分组,从而关联由先验知识建立的知识库来生成相应的具有共性的一级决策库,并与记录用户健康行为的健康行为数据库或者记录用户体征和症状数据的病情数据库相结合,能够结合用户的症状趋势和健康行为的干预趋势来生成个性化的二级决策库来干预用户的健康行为,并且生成的非同质化的二级决策库还能够更新至知识库或二级决策库。
用于健康行为干预的云端管理数据库建立方法,所述方法包括云端处理器获得由至少一个终端上传的与用户疾病以及健康行为相关的用户数据。云端处理器将所述用户数据以行为单位的方式存储在云端存储介质内。所述数据库建立方法还包括以下步骤:所述云端处理器基于以行为单位存储的用户数据进行预处理,生成以列为单位存储的用户属性列表;所述云端处理器基于所述用户属性列表,生成能够关于用户的基本信息进行筛选和分组的分析数据库、关于用户健康行为的健康行为数据库以及关于用户体征和症状的病情数据库;所述云端处理器基于所述分析数据库关联由先验知识建立的知识库从而生成具有共性的一级决策库,所述一级决策库基于健康行为数据库和/或病情数据库生成能够被推送至至少一个终端的且能够个性化健康行为干预的二级决策库。所述二级决策库以行为单位进行存储。
根据一个优选实施方式,所述云端处理器基于以行为单位存储的用户数据进行预处理的步骤至少包括:基于所述用户数据生成逻辑表,并为每个用户分配第一标识码;基于所述逻辑表每列所描述的用户信息,执行将描述同类用户信息的列进行合并的合并操作,并且为描述用户信息的每列分配第二标识码;基于合并后的逻辑表进行垂直分区,并将分区后的逻辑表以列为单位进行压缩和存储,从而生成包含每列以及与该列一一对应的第一标识码列的所述用户属性列表。
根据一个优选实施方式,在所述云端处理器基于所述用户数据生成逻辑表的情况下,所述云端处理器能够至少基于数据类型以及语义识别的方式检查所述逻辑表的数据是否异常。在所述逻辑表数据正常的情况下,所述云端处理器执行预处理的后续步骤。所述云端处理器在生成所述用户属性列表之后生成以行为单位存储的且关于所述第一标识码和第二标识码一一对应的空白一级逻辑表以便后续更新操作。在所述逻辑表数据至少一处数据异常的情况下,所述云端处理器为至少一处异常数据赋予符号值。所述云端处理器生成能够推送至至少一个所述终端的检查信息。所述云端处理器响应于所述终端的反馈信息为所述符号值赋予实际值。
根据一个优选实施方式,所述云端处理器基于所述用户属性列表生成分析数据库的步骤如下:所述云端处理器基于所述第二标识码所描述的用户数据属性,将所述用户属性列表至少分为描述用户基本属性的第一列表、描述用户病情属性的第二列表和描述用户健康行为的第三属性列表;所述云端处理器基于所述第一列表中的至少一列相同属性进行筛选,将具有相同属性数据的第一标识码关联所述第二列表和第三列表,从而生成第一分析数据列表;所述云端处理器基于所述第二列表中的至少一列相同属性进行筛选,将具有相同属性数据的第一标识码关联所述第一列表和第三列表,从而生成第二分析数据列表;所述云端处理器基于所述第三列表中的至少一列相同属性进行筛选,将具有相同属性数据的第二标识码关联所述第一列表和第二列表,从而生成第三分析数据列表。所述分析数据库还包括第四分析数据列表、第五分析数据列表、第六分析数据列表以及第七分析数据列表。所述第四分析数据列表基于所述第一分析数据列表和第二分析数据列表筛选具有相同第一标识码的方式获得;所述第五分析数据列表基于所述第一分析数据列表和第三分析数据列表筛选具有相同第一标识码的方式获得;所述第六分析数据列表基于所述第二分析数据列表和第三分析数据列表筛选具有相同第一标识码的方式获得;所述第七分析数据列表基于所述第一分析数据列表、第二分析数据列表以及第三分析数据列表筛选具有相同第一标识码的方式获得。
根据一个优选实施方式,所述云端处理器基于所述分析数据库关联由先验知识建立的知识库从而生成具有共性的一级决策库的步骤至少包括:响应于所述分析数据库中的第一分析数据列表、第四分析数据列表、第五分析数据列表以及第七分析数据列表,关联所述知识库生成第一一级决策库;响应于所述分析数据库中的第二分析数据列表、第五分析数据列表、第六分析数据列表以及第七分析数据列表,关联所述知识库生成第二一级决策库;响应于所述分析数据库中的第三分析数据列表、第五分析数据列表、第六分析数据列表以及第七分析数据列表,关联所述知识库生成第三一级决策库;在所述第一一级决策库、第二一级决策库以及第三一级决策库彼此连接形成所述一级决策库的情况下,所述云端处理器删除所述分析数据库。
根据一个优选实施方式,生成所述二级决策库的步骤至少包括:
所述云端处理器基于所述第一一级决策库关联健康行为数据库和/或病情数据库生成第一二级决策库;所述云端处理器基于所述第二一级决策库关联健康行为数据库和/或病情数据库生成第二二级决策库;所述云端处理器基于所述第三一级决策库关联健康行为数据库和/或病情数据库生成第三二级决策库;所述二级决策库至少包括彼此各不相同的所述第一二级决策库、第二二级决策库以及第三二级决策库。
根据一个优选实施方式,在所述云端处理器生成所述二级决策库的情况下,所述云端处理器删除所述一级决策库。所述云端处理器以行为单位的方式存储健康行为数据库和病情数据库。
根据一个优选实施方式,所述云端处理器基于健康行为改变模型构建所述知识库。所述云端处理器在基于所述分析数据库关联所述知识库生成所述二级决策库的情况下,所述云端处理器基于所述健康行为改变模型的结构变量建立规则库以及与所述规则库相应的措施库,并基于所述规则库以及措施库以循证所述二级决策库的方式生成推送至至少一个终端的三级决策库。
用于健康行为干预的云端管理数据库建立***,所述***至少包括能够获得由至少一个终端上传的与用户疾病以及健康行为相关的用户数据且将所述用户数据以行为单位的方式存储在云端存储介质的云端处理器。所述云端处理器被配置为:基于以行为单位存储的用户数据进行预处理,生成以列为单位存储的用户属性列表;基于所述用户属性列表,生成能够关于用户的基本信息进行筛选和分组的分析数据库、关于用户健康行为的健康行为数据库以及关于用户体征和症状的病情数据库;基于所述分析数据库关联由先验知识建立的知识库从而生成具有共性的一级决策库,所述一级决策库基于健康行为数据库和/或病情数据库生成能够被推送至至少一个终端的且能够个性化健康行为干预的二级决策库。所述二级决策库以行为单位进行存储。
一种健康行为干预方法,所述方法采用前述的用于健康行为干预的云端管理数据库建立方法建立的数据库进行健康行为干预。所述方法还包括以下步骤:基于所述用于健康行为干预的云端管理数据库中的三级决策库推送至至少一个终端来进行健康行为干预。其中,基于健康行为改变模型以及所述用于健康行为干预的云端管理数据库中的健康行为数据库、病情数据库构建规则库以及与所述规则库相应的措施库;基于所述三级决策库的健康行为干预效果来调节规则库内的健康行为改变模型结构变量。
本发明的有益技术效果包括以下一下或多项:
1、相比现有的单纯的行存储数据库、列存储数据库或者行存储模拟列存储的数据库,本发明在行存储的生成逻辑表后基于逻辑表中每列所描述的用户信息,执行将描述同类用户信息的列进行合并的合并操作,从而能够在用户查询时减少相关列的连接操作,提高查询执行的性能;并在聚类合并后的逻辑表以列单位进行存储,删除逻辑表内的用户数据,从而能够节省存储开销,但还保留了以行为单位存储的一级逻辑表,从而使用行存储模式进行后续批量增加其他用户数据以及对现有用户数据进行更新和删改的操作,避免使用列存储模式进行上述操作,增加读写开销。
2、本发明在逻辑表数据量不断增大后,采用分区存储的方式避免查询数据速度变慢,并且将分区后的逻辑表以列为单位进行压缩和存储,由于逻辑表中每列的数据类型一致,数据特征相似,以此可以实现高效压缩。比如可以采用增量压缩、前缀压缩算法等,从而大幅度提高压缩比,有利于减少存储和网络输出数据带宽的消耗,而且列存储只访问查询涉及的列,可以大量降低***的读写开销,并且由于每一列有一个线程来处理,具有较高的并发处理性能。
3、本发明是在以行为单位存储的前提下,将相关列进行聚类合并,相比单纯的以列为单位存储的数据库来说,由于物理存储模式的限制,所有属性列都是单独存储的,查询执行引擎也是基于列代数而设计的,在不做大量底层代码修改的情况下,我们几乎无法实现这种多个属性列合并存储,因此属性聚类存储模式难以在以列为单位存储的数据库中得到应用,然而本发明在生成逻辑表时使用传统的以行为单位存储的模型,可以相对容易地实现属性聚类,将相关属性列组合存储,并执行查询操作,提高查询执行的性能。此外,本发明还保留了以行为单位存储的优点,即在预处理数据之前采用以行为单位的存储模式,避免了以列为单位存储的模式不方便进行更新和删改的操作,尤其是在大批量的增添和更新操作的情况下,列存储模式的数据库需要遍历整个列来进行修改,会增加云端处理器的性能开销。
4、现有的医学类数据的建立方法,都是基于现有的健康管理方法,即疾病类型的分类、统一的专家规则算法等,导致对特定人群给出的健康管理建议是相同的,并未充分考虑个体的实际情况,而本发明通过分析数据库的第一分析数据列表、第二分析数据列表、第三分析数据列表分别从用户的基本属性、病情属性和健康行为三个方面来进行筛选分组,得到不同维度下用户的共性,并通过第四分析数据列表、第五分析数据列表、第六分析数据列表以及第七分析数据列表以层层递进的的方式对基本属性、病情属性和健康行为相互交叉筛选分组,得到用户在不同属性下的共性,充分挖掘了用户在不同维度下的共同特征和趋势,不仅保证了分析结果的准确性,而且确保了制定的策略和措施具有一定的普适性。而且,在得到相对同质化的一级决策库后,关联知识库、用户的健康行为数据库和病情数据库能够得到个性化的关于用户基本属性的第一二级决策库、关于用户病情属性的第二二级决策库以及关于用户健康行为第三二级决策库。此外,在每次生成二级决策库之前,能够基于先前生成的二级决策库的内容与健康行为数据库和病情数据库相结合,来评估生成的二级决策库的内容的效果。
附图说明
图1是本发明的***一个优选实施方式的模块连接示意图;
图2是本发明的方法的一个优选实施方式的流程示意图;
图3是本发明的***的一个优选分析数据库的生成模块示意图;
图4是本发明的***的一个优选一级决策库的生成模块示意图;
图5是本发明的***的一个优选二级决策库的生成模块示意图;
图6是本发明的方法的一个优选健康行为模型模块结构示意图;
图7是本发明的方法的一个优选三级决策库的数据结构示意图;和
图8是本发明的方法的一个优选信息库的数据结构示意图。
附图标记列表
1:云端处理器 2:终端
3:存储介质 4:分析数据库
5:健康行为数据库 6:病情数据库
7:知识库 8:一级决策库
9:二级决策库 10:第一列表
11:第二列表 12:第三列表
41:第一分析数据列表 42:第二分析数据列表
43:第三分析数据列表 44:第四分析数据列表
45:第五分析数据列表 46:第六分析数据列表
47:第七分析数据列表 81:第一一级决策库
82:第二一级决策库 83:第三一级决策库
91:第一二级决策库 92:第二二级决策库
93:第三二级决策库 101:意图
102:行动 103:维持
104:动机 105:意志
106:风险感知 107:结果预期
108:行动计划 109:自我效能
110:应对计划 111:行为体验
112:疗效感知
具体实施方式
下面结合附图1至8进行详细说明。
实施例1
本实施例还公开了一种数据库建立方法,也可以是一种云端管理数据库的建立方法,也可以是一种用于健康行为干预的云端管理数据库建立方法,该方法可以由本发明的***和/或其他可替代的零部件实现。比如,通过使用本发明的***中的各个零部件实现本发明公开的方法。在不造成冲突或者矛盾的情况下,其他实施例的优选实施方式的整体和/或部分内容可以作为本实施例的补充。
用于健康行为干预的云端管理数据库建立方法,方法包括云端处理器1获得用户数据。优选地,用户数据是关于用户的疾病和健康行为相关的数据,例如,用户的性别、年龄、体重、身高、体征数据、病症数据以及医嘱等相关数据。体征数据至少包括体温、脉搏、呼吸、血压以及专科特征信息。优选地,专科体征信息至少包括腹部***、右上腹压痛等。优选地,医嘱类数据至少包括口服药液、输液药、治疗类医嘱信息以及护理类医嘱信息。治疗类医嘱信息至少包括治疗的药品种类、剂量、用法等信息。护理类医嘱信息至少包括护理常规、护理等级、饮食、***等信息。优选地,用户的数据由至少一个终端2上传。至少一个终端2至少包括用户的计算终端,例如手机、电脑、平板电脑等,还包括护士使用的计算终端,例如护士使用的手机、医院内护士端上传病人病例数据的计算机等。优选地,云端处理器1将用户数据以行为单位的方式存储在云端存储介质3内。优选地,云端处理器1可以是处理器芯片,例如FPGA、CPU等,也可以是ARM架构的处理器,例如ThunderX2芯片、Cortex-A76芯片,也可以是云端智能芯片,例如型号为MLU100的云端智能芯片。云端存储介质3可以是随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
优选地,如图2所示,数据库建立方法包括以下步骤:
S100:云端处理器1基于以行为单位存储的用户数据进行预处理,生成以列为单位存储的用户属性列表。优选地,云端处理器1基于以行为单位存储的用户数据。优选地,由于云端处理器1需要大批量地处理大量用户的数据,并且涉及用户数据的删改以及更新等操作。由于用户、护士或者医护人员上传的数据种类较多且数据类型不同,而以行为单位的存储,其写入是一次完成的,因此可以清楚地判断写入过程的成功或者失败,数据的完整性因此可以确定。优选地,进行预处理的步骤至少包括:基于用户数据生成逻辑表,并为每个用户分配第一标识码。第一标识码为分配给用户的匿名身份标识码,可用来作为用户的主键。第一标识码采用32位长整形数据,范围是-2147483648至2147483647。逻辑表中的每行的行头包括用户的第一标识码。第一标识码之后是用户信息,依次包括用户的基本属性、用户的用户病情属性以及用户的健康行为等数据。用户的基本属性至少包括医保号码、姓名、性别、年龄、身高、体重等信息。用户病情属性至少包括体征数据、医嘱数据、病历数据、检验数据、信息采集数据、患者评估数据以及随访数据。体征数据至少包括体温、脉搏、呼吸、血压以及专科体征信息等。医嘱数据至少包括口服药、输液药、治疗类医嘱以及护理类医嘱等。病历数据至少包括主诉、现病史、既往病史、个人史、家族史、通科体查、专科体查、诊断、病程记录以及手术相关信息等。检验数据至少包括化验报告单、图片报告单等。信息采集数据至少包括CT、MRI、X光等的报告单等。患者评估数据至少包括医护人员记录的用户的饮食、运动、戒烟、用药等健康行为信息,还包括相关健康指标,例如血压、血糖的数据。随访数据至少包括医护人员随访的频率以及随访内容。随访内容至少包括记录用户对药物的依从性评估、健康行为评估等数据。优选地,健康行为数据至少包括用户的饮食和运动数据。优选地,饮食数据包括饮食信息、饮食习惯等。运动数据包括运动方式、强度、距离等。优选地,本发明还可以记录用户、护士以及医护人员上传的附加属性数据。附加属性数据至少包括用户的爱好以及个人倾向。个人倾向至少包括医护人员评估的个人特质、心理基础评估、健康行为偏好评估等数据。
优选地,云端处理器1基于逻辑表每列所描述的用户信息,执行将描述同类用户信息的列进行合并的聚类合并操作。例如,将对应上述用户的基本属性的列进行聚类合并,将对应上述用户病情属性进行聚类合并,将对应上述用户的健康行为的列进行聚类合并。通过该设置方式,能够在用户查询时减少相关列的连接操作。列的连接操作是在查询时,可能涉及一个用户的多个属性列,需要将相关列连接,而将用户的相关列聚类合并,能够减少连接操作数量,提高查询执行的性能。
优选地,在云端处理器1进行聚类合并操作之后,为描述用户信息的且合并后的每列分配第二标识码。优选地,第二标识码可以是字段,也可以是数据。例如,第二标识码可以是描述基本属性、病情属性、健康行为等多个字符,也可以是数字,例如1、2、3等二位整形数据类型的数字。通过该设置方式,为每个属性列提供可以快速链接的第二标识码作为每列数据的主键,能够快速地实现用户相关属性的查询,尤其是在用户在查询相关少量数列属性的情况下。
优选地,基于合并后的逻辑表进行垂直分区。优选地,将合并后的逻辑表以固定的行数进行分区存储。通过该设置方式,在逻辑表数据量不断增大后,分区存储能够避免查询数据速度变慢。只需要根据用户的第一标识码所在分区来进行检索,能够提高查询的效率。优选地,将分区后的逻辑表以列为单位进行压缩和存储,从而生成包含每列以及与该列一一对应的,并且包含第一标识码列的用户属性列表。优选地,由于逻辑表中每列的数据类型一致,数据特征相似,可以高效压缩。比如可以采用增量压缩、前缀压缩算法等,能够大幅度提高压缩比,有利于减少存储和网络输出数据带宽的开销。而且以列为单位进行存储,即逻辑表中的每一列都单独存储,可以只访问查询涉及的列,可以大量降低***的读写开销,并且由于每一列有一个线程来处理,具有较高的并发处理性能。而且本发明是在以行为单位存储的前提下,将相关列进行聚类合并,相比单纯的以列为单位存储的数据库来说,由于物理存储模式的限制,所述有的属性列都是单独存储的,查询执行引擎也是基于列代数而设计的,因此在不做大量底层代码修改的情况下,我们几乎无法实现这种多个属性列合并存储,因此优化的属性聚类存储模式难以在以列为单位存储的数据库中得到应用,然而使用以传统的以行为单位存储的模型模拟的列存储模型的方法可以相对容易地实现属性聚类将相关属性列组合存储,并执行查询操作,从而提高查询执行的性能。此外,本发明还保留了以行为单位存储的优点,即在预处理数据之前采用以行为单位的存储模式,避免了以列为单位存储的模式不方便进行更新和删改的操作的缺陷,尤其是大批量的增添和更新操作,列存储模式的数据库需要遍历整个列来进行修改,会增加云端处理器1的性能开销。
优选地,在云端处理器1基于用户数据生成逻辑表的情况下,云端处理器1能够至少基于数据类型以及语义识别的方式检查逻辑表的数据是否异常。优选地,由于逻辑表中的每列数据的数据类型相同,因此能够通过检查数据类型是否不同来判断上传的数据是否异常。例如,用户的年龄是0至130之间,数据类型为两位的整数型数据,当数据出现小数点,或者超过0至130的范围内,即为数据出现异常。优选地,语义识别可以通过识别热点词来判断。例如,用户的基本属性、健康行为以及病情属性都有多个固定出现的术语,可以通过输入数据的频繁出现的热点词来与上述属性类内的固定出现的术语进行匹配,当某一列用户数据的热点词与其他列的固定出现术语匹配时,即为数据出现异常。优选地,云端处理器1可以为每个属性列建立相关术语库,术语库内的术语可以由医护人员或者护士更新。优选地,在逻辑表数据正常的情况下,云端处理器1执行预处理的后续步骤。优选地,云端处理器1在生成用户属性列表之后,生成空白的一级逻辑表。优选地,一级逻辑表内置保留逻辑表的第一标识码和第二标识码。第一标识码和第二标识码一一对应,即不改变第一标识码和第二标识码的位置。优选地,一级逻辑表以行为单位进行存储。通过该设置方式,逻辑表以列单位进行存储,删除逻辑表内的用户数据,能够节省存储开销,而且还保留了以行为单位存储的一级逻辑表,从而使用行存储模式进行后续批量增加其他用户数据以及对现有用户数据进行更新和删改的操作,避免使用列存储模式进行上述操作。此外,以列为单位存储的用户属性列更方便用户或者医护人员进行查询。
优选地,在逻辑表数据至少一处数据异常的情况下,云端处理器1为至少一处异常数据赋予符号值。优选地,云端处理器1生成能够推送至至少一个终端2的检查信息。云端处理器1响应于终端2的反馈信息为符号值赋予实际值。通过该设置方式,能够通过符号直接锁定需要修改的用户的数据位置,避免遍历每列数据进行查询的操作,提高修改数据的效率。
S200:云端处理器1基于用户属性列表,生成能够关于用户的基本信息进行筛选和分组的分析数据库4、关于用户健康行为的健康行为数据库5以及关于用户体征和症状的病情数据库6。优选地,云端处理器1基于用户属性列表生成分析数据库4的步骤如下:
1、云端处理器1基于第二标识码所描述的用户数据属性,将用户属性列表至少分为描述用户基本属性的第一列表、描述用户病情属性的第二列表和描述用户健康行为的第三属性列表。
2、云端处理器1基于第一列表中的至少一列相同属性进行筛选,将具有相同属性数据的第一标识码连接第二列表和第三列表,从而生成第一分析数据列表。优选地,由于第一列表中至少包括了用户的性别、年龄、身高、体重等相关信息,因此第一分析数据列表内包含筛选出相同年龄的用户的第一子列表,并且每行的数据包括这些相同用户的第二列表中相应的用户病情属性的数据以及第三属性列表中相应的描述用户健康行为的数据。第一子列表还可以筛选出相同年龄或者身高的用户。优选地,第一子列表还可以多维度筛选数据,例如可以筛选出具有相同性别和年龄的用户、相同性别和体重的用户、相同性别和身高的用户,或者是相同年龄和体重的用户、相同年龄和身高的用户,或者是相同性别、年龄、体重、身高的用户。优选地,第一分析数据列表包含上述多个不同的第一子列表。通过该设置方式,从用户的基本属性出发,从一个维度到多个维度,对用户数据进行筛选和分组,能够形成多个相互交叉递进的数据表,不仅方便医护人员护士整理其共性,而且数据库能够根据第一列表全面的生成一级决策库。
3、云端处理器1基于第二列表中的至少一列相同属性进行筛选,将具有相同属性数据的第一标识码连接至第一列表和第三列表,从而生成第二分析数据列表。优选地,第二分析数据列表同样包含多个第二子列表。第二子列表能够根据用户病情属性中的体征数据、医嘱数据、病历数据、检验数据、信息采集数据、患者评估数据、随访数据中的一个或几个进行筛选,生成如同第一子列表的第二子列表。优选地,第二子列表同样可以多个维度筛选数据,例如可以筛选出具有相同体征数据和医嘱数据的用户、相同体征数据和病历数据的用户、相同体征数据和检验数据的用户等。优选地,第二分析数据列表包含上述多个不同维度的第二子列表。
4、云端处理器1基于第三列表中的至少一列相同属性进行筛选,将具有相同属性数据的第二标识码连接第一列表和第二列表,从而生成第三分析数据列表。优选地,如上所述,第三分析数据列表包含多个第三子列表。第三子列表能根据用户的饮食、运动等健康行为,多个维度筛选数据。
5、分析数据库4至少包括第一分析数据列表、第二分析数据列表以及第三分析数据列表。优选地,第一分析数据列表、第二分析数据列表以及第三分析数列表分别分块存储,并且以列为单位的方式存储。通过该设置方式,分析数据库4能够利用列数据便于高效查询和分析的特点,能够提高分析数据库分析的效率。此外,分析数据库4能够推送给医护人员端或者用户端,并且存储在临时存储介质内。
优选地,分析数据库4还包括第四分析数据列表、第五分析数据列表、第六分析数据列表以及第七分析数据列表。优选地,第四分析数据列表基于第一分析数据列表和第二分析数据列表筛选具有相同第一标识码的方式获得。优选地,通过该设置方式,能够把在用户基本属性和用户病情属性具有共性的用户筛选出来,并分析其健康行为。
优选地,第五分析数据列表基于第一分析数据列表和第三分析数据列表筛选具有相同第一标识码的方式获得。通过该设置方式,能够把在用户基本属性和健康行为具有共性的用户筛选出来,并分析其病情数据。
优选地,第六分析数据列表基于第二分析数据列表和第三分析数据列表筛选具有相同第一标识码的方式获得。通过该设置方式,能够把在用户病情数据和健康行为具有共性的用户筛选出来,并分析其基本属性数据。
优选地,第七分析数据列表基于第一分析数据列表、第二分析数据列表以及第三分析数据列表筛选具有相同第一标识码的方式获得。通过该设置方式,能够把在用户基本属性、用户病情属性和健康行为三个方面具有共性的用户筛选出来,并进行数据整理,得到用户共性数据和共性趋势,供医护人员进行查询和分析。
S300:云端处理器1基于分析数据库4关联由先验知识建立的知识库7从而生成具有共性的一级决策库8。优选地,知识库7是由现有的先验知识建立的。先验知识包括各种基本症状信息、治疗信息、药物信息、相关健康生方式、预防药物治疗的依从性等。优选地,知识库7可以是外部的数据库。优选地,云端处理器1基于分析数据库4关联由先验知识建立的知识库7从而生成具有共性的一级决策库8的步骤至少包括:
1、基于分析数据库4中的第一分析数据列表、第四分析数据列表、第五分析数据列表以及第七分析数据列表,关联知识库7生成第一一级决策库。优选地,由于第一分析数据列表、第四分析数据列表、第五分析数据列表以及第七分析数据列表均涉及第一分析数据列表,并且是以用户的基本属性来筛选用户,因此通过该设置方式,能够基于用户的基本属性来进行分析和评估用户的病情属性和健康行为,从而得到第一一级决策库。
2、基于分析数据库4中的第二分析数据列表、第五分析数据列表、第六分析数据列表以及第七分析数据列表,关联知识库7生成第二一级决策库。优选地,由于第二分析数据列表、第五分析数据列表、第六分析数据列表以及第七分析数据列表均涉及第二分析数据列表,并且是以用户病情属性来筛选用户,因此通过该设置方式,能够基于用户的病情属性来进行分析和评估用户的基本属性和健康行为。
3、基于分析数据库4中的第三分析数据列表、第五分析数据列表、第六分析数据列表以及第七分析数据列表,关联知识库7生成第三一级决策库。优选地,由于第三分析数据列表、第五分析数据列表、第六分析数据列表以及第七分析数据列表均涉及第三分析数据列表,并且是以用户的健康行为来筛选用户,因此通过该设置方式,能够基于用户的健康来进行分析和评估用户的基本属性和病情属性。
优选地,在第一一级决策库、第二一级决策库以及第三一级决策库彼此连接形成一级决策库8的情况下,云端处理器1删除分析数据库4。优选地,由于分析数据库4是根据用户数据形成的数据库,与以列为单位存储的用户属性列形成重复存储,通过删除分析数据库4能够减少存储开销,还可以避免数据混乱,删除冗余的数据库,促使云端处理器1以更快更小的体量和更快的速度来进行决策。
优选地,一级决策库8基于健康行为数据库5生成能够被推送至至少一个终端2的二级决策库9。优选地,二级决策库9是关于每个用户的用于个性化健康行为干预的数据库。优选地,一级决策库8还可以基于病情数据库6生成二级决策库9。优选地,一级决策库8还可以基于病情数据库6和一级决策库8还可以基于病情数据库6生成二级决策库9来生成二级决策库9。优选地,健康行为数据库5包含用户的所有健康行为数据,并按时间排序。优选地,时间排序的顺序为从过去到现在,从而能够得到用户历次经过二级决策库9推送的策略与措施后,其健康行为的干预效果。通过健康行为数据库5可得到用户的历史健康行为、健康行为习惯、健康行为干预的效果以及其趋势。例如,用户患有冠心病经过三次推送二级决策库9推送后,其健康行为中的饮食行为逐渐减少了高脂肪、高热量食物的摄入,其趋势显示其高脂肪、高热量食物的摄入量趋于稳定值。例如,患有冠心病的用户,其健康行为中的吸烟行为显示其每日吸烟量在十根左右上下波动,与健康行为干预之前的吸烟量相同,即对该用户健康行为干预的效果较差,并且通过健康行为数据库5可以发现用户的每日吸烟量只是上下波动,表示用户的吸烟量稳定,而且没有减少吸烟数量的趋势。优选地,因此每次录入的健康行为与上次推送的二级决策库相关联,同时查看健康行为数据5就能够得到上次推送的决策的健康行为干预效果,方便医护人员分析评估每次的推送决策的方案。优选地,病情数据库6包含用户的所用病情数据,并按时间排序。通过病情数据库6能够得到用户的历史病情数据、与健康行为对应的病情指标以及健康行为干预后的改善情况。优选地,通过病情数据库6可以监控病人的病情,并且可以通过病情数据库6得到用户在健康行为干预后对身体的改善情况。
优选地,生成二级决策库9的步骤至少包括:
1、云端处理器1基于第一一级决策库关联健康行为数据库5和/或病情数据库6生成第一二级决策库。通过该设置方式,通过第一一级决策库得到相同用户的基本属性关于其病情属性和健康行为具有共性的策略和措施,从而与用户的健康行为数据库5和/或病情数据库6相结合来根据用户的历史健康行为、及其趋势、习惯、干预的历史效果以及用户的病情改善效果来得到个性化的第一二级决策库。
2、云端处理器1基于第二一级决策库关联健康行为数据库5和/或病情数据库6生成第二二级决策库。通过该设置方式,通过第二一级决策库得到相同用户的病情属性关于其基本属性和健康行为具有共性的策略和措施,从而与用户的健康行为数据库5和/或病情数据库6相结合来根据用户的历史健康行为及其趋势、习惯、干预的历史效果以及用户的病情改善效果来得到个性化的第二二级决策库。
3、云端处理器1基于第三一级决策库关联健康行为数据库5和/或病情数据库6生成第三二级决策库。通过该设置方式,通过第三一级决策库得到相同用户的健康行为下关于其基本属性和病情属性具有共性的策略和措施,从而与用户的健康行为数据库5和/或病情数据库6相结合来根据用户的历史健康行为及其趋势、习惯、干预的历史效果以及用户的病情改善效果来得到个性化的第三二级决策库。
4、二级决策库9至少包括彼此各不相同的第一二级决策库、第二二级决策库以及第三二级决策库。优选地,第一二级决策库、第二二级决策库以及第三二级决策库均推送至终端2,供用户或者医护人员选择。优选地,用户或者医护人员的选择反馈至云端处理器1,云端处理器1件选择的决策库保留并更新至知识库中。优选地,存储介质3内还包含历史二级决策库。历史二级决策库包括每个用户历次推送的二级决策库9。优选地,在生成二级决策库9之前,使用一级决策库9关联历史二级决策库。通过该设置方式,在每次生成二级决策库9之前,能够基于先前生成的二级决策库9的内容与健康行为数据库5和病情数据库6相结合,来评估生成的二级决策库9的内容的效果。
优选地,在所云端处理器1生成二级决策库9的情况下,云端处理器1删除一级决策库8。云端处理器1以行为单位的方式存储健康行为数据库5和病情数据库6。优选地,二级决策库9以行为单位进行存储。通过该设置方式,能够节省存储开销,对于行为单位的存储技术,基本操作数据是一条由多列构成记录,其数据的结构性更强,由于数据的强一致性,对数据的更改操作,例如删除和修改,其实现更方便,因此方便健康行为数据库5和病情数据库6数据的更新和删改。通过以上设置方式,本发明具有以下有益技术效果:
现有的医学类数据的建立方法,都是基于现有的健康管理方法,即疾病类型的分类、统一的专家规则算法等,导致对特定人群给出的健康管理建议是相同的,并未充分考虑个体的实际情况,例如,同一种疾病可能会由于性别、并发症的不同,进而导致每个个体被该疾病的影响的程度不同,而本发明通过分析数据库4的第一分析数据列表、第二分析数据列表、第三分析数据列表分别从用户的基本属性、病情属性和健康行为三个方面来进行筛选分组,得到不同维度下用户的共性,并通过第四分析数据列表、第五分析数据列表、第六分析数据列表以及第七分析数据列表层层递进的使得基本属性、病情属性和健康行为相互交叉筛选分组,得到用户在不同属性下的共性,充分挖掘了用户在不同维度下的共同特征和趋势,不仅保证了分析结果的准确性,而且确保了制定的策略和措施具有一定的普适性。而且,在得到相对同质化的一级决策库后,关联知识库、用户的健康行为数据库5和病情数据库6能够得到个性化的关于用户基本属性的第一二级决策库、关于用户病情属性的第二二级决策库以及关于用户健康行为第三二级决策库。此外,在每次生成二级决策库9之前,能够基于先前生成的二级决策库9的内容与健康行为数据库5和病情数据库6相结合,来评估生成的二级决策库9的内容的效果。例如,通过健康行为数据库5和病情数据库6内记录的用户历次的健康行为以及病情数据,检索用户健康行和病情数据变化较大的时间节点,并调取相应的历史二级决策库9内的策略与措施方案,将历次的历史二级决策库9彼此进行对比分析,获取相应的共有策略与措施方案以及区别策略与措施方案。共有策略与措施方案可以是至少两次历史二级决策库9内共有的策略与措施方案,也可以是三次历史二级决策库9共有的策略与措施方案,或者是更多个历史二级决策库9共有的策略与措施方案。区别策略与措施方案可以是至少两次历史二级决策库9不同的策略与措施方案,也可以是三次历史二级决策库9之间不同的策略与措施方案,也可以是更多个历史二级决策库9之间不同的策略与措施方案。优选地,云端处理器1基于历次反馈的健康行为干预效果分别为共有策略与措施方案以及区别策略与措施方案分配权重。权重按照历次健康行为干预的效果以及病情数据的改善情况来分配,例如,筛选出所有共有策略与措施方案,根据共有策略与措施方案出现的次数分配第一权重T1。根据共有策略与措施方案对健康行为以及病情属性出现变化的次数分配第二权重T2。优选地,医护人员或护士可以对共有策略与措施方案对应的用户的健康行为的效果和病情属性的变化做出评估,并分配第三权重T3。优选地,权重的大小为其中,c代表用户的健康行为出现变化的次数。优选地,区别策略与措施方案同样根据其在历次二级决策库出现的次数分配其第一权重N1,根据对健康行为以及病情属性出现变化的次数分配第二权重N2,根据医护人员或护士可以对区别策略与措施方案对应的用户的健康行为的效果和病情属性的变化做出评估,并分配第三权重N3,最后得到区别策略与措施方案的权重为通过共有策略与措施方案以及区别策略与措施方案评估和修正现有生成的二级决策库9内的策略与措施方案,其评估和修正步骤为:比对现有生成的二级决策库9内的方案与共有策略与措施方案以及区别策略与措施方案是否重复,并将现有生成的二级决策库9内的策略与措施方案中的共有策略与措施方案剔除,并且只保留权重最大的共有策略与措施方案以及区别策略与措施方案,从而避免生成的同质化的二级决策库9。优选地,在区别策略与措施方案与现有二级决策库9内的策略与措施重复的情况下,基于重复的区别策略与措施方案的权重,至少保留按照权重排序前20%的区别策略与措施方案。
优选地,云端处理器1基于健康行为改变模型构建知识库7,并在基于分析数据库4关联由知识库7生成所述二级决策库(9)的情况下,云端处理器1执行以下步骤:
1、基于健康行为改变模型的结构变量建立规则库以及与所述规则库相应的措施库。优选地,健康行为改变模型是借鉴行为改变理论,采用结构方程模型验证用户健康行为改变的“意图-行动-保持”模型中的各调节因素。优选地,用户健康行为改变的“意图-行动-保持”模型至少包括三个阶段,即意图101、行动102和维持103,如图6所示。优选地,云端处理器1根据用户健康行为的“意图-行动-保持”模型中的结构变量,例如调节变量、中介变量、行为阶段、干预目标等建立规则库。优选地,云端处理器1可以通过循证规则库方式建立相应的措施库。优选地,循证规则库建立措施库的方式是指应用当前先验知识所能获得的相关的研究依据,同时结合医护人员的个人专业技能和多年临床经验,考虑病人的干预期望,综合前三者以及规则库内的结构变量制定治疗措施,从而生成措施库。优选地,调节变量至少包括风险感知106、结果预期107、行动计划108、应对计划110、行为体验111等。优选地,中介变量可以是动机104、意志105等。优选地,行为阶段至少包括意图101、行动102和维持103。优选地,干预目标为医护人员根据用户的健康意图、身体状况制定的所要达到的健康目标。例如,干预目标可以是促使健康行为从行动期向维持期转变。优选地,如图6所示,用户健康行为改变的“意图-行动-保持”模型是一个通过用户和医护人员的反馈进行循环验证的模型。例如通过用户和医护人员的反馈修正调节变量、中介变量、干预目标,并通过用户和医护人员反馈的干预效果再次验证修正后的干预措施。例如,如图6所示,在意图101到行动102阶段包含中介变量动机104。在行动102到维持103包含中介变量意志105。在意图101到动机104之间还有调节变量风险感知106和结果预期107。在动机104到行动102之间还有调节变量行动计划108和自我效能109。优选地,自我效能109为患者对行动计划108效果的主观评估。在意志105到维持103之前还有调节变量应对计划110、自我效能109、疗效感知112和行为体验111。通过该设置方式,在意图101阶段可以通过向患者推荐相关座谈会、有关读物,来提高患者对疾病的认知,并且通过向患者提供规范性的行为指南,明确患者切实可行的行为干预目标。行动102阶段能够为患者争取环境及社会支持,为患者提供替代方法。维持103阶段通过为患者创造良好的支持性环境,让患者持之以恒。此外,在意图101到行动102阶段以及行动102到维持103阶段,根据患者的心理行为特点,即动机104以及意志105,采用针对性的心理性行为干预,提高患者行为干预的信心及依从性。本发明基于用户健康行为改变的“意图-行动-保持”模型制定长时间、渐进性以及连续性的行为干预措施,在意图101阶段评估患者行为干预的知觉障碍,找出薄弱环节,并通过医护人员的随访,记录患者行为改变情况,并根据患者反馈的效果及时调整干预方案,让患者了解行为改变对疾病干预的重要性。行动102阶段通过改变患者生活方式,增强患者行为改变的动力及信心。
2、基于规则库以及措施库以循证二级决策库9的方式生成三级决策库。优选地,三级决策库能够推送至至少一个终端2。优选地,云端处理器1基于规则库内的用户健康行为的“意图-行动-保持维持”模型和相应的措施库内的措施方案来修正二级决策库9内的干预措施,从而生成三级决策库。优选地,云端处理器1根据用户和医务人员反馈的临床数据、行为干预效果来调整二级决策库9所使用的调节变量、中介变量、行为阶段、干预目标,从而生成包含新的健康行为干预措施的三级决策库。优选地,循证指的是医疗决策应在现有的最好的临床研究依据的基础上做出,同时也重视结合个人的临床经验。优选地,本发明的循证二级决策库9的方式指的是根据用户和医护人员实时反馈的临床数据、用户主观的疗效感知以及医护人员随访的记录来调整调节变量、中介变量、行为阶段、干预目标后生成的三级决策库。生成的三级决策库至少包括干预目标、中介变量、调节因素、近期目标、策略、措施编码等,如图7所示。
优选地,二级决策库9以及三级决策库可以通过视频、漫画、动画、图片、趋势图等多种呈现形式来承载干预措施。优选地,二级决策库9以及三级决策库还可以通过如健康小游戏、奖励机制来承载相应的干预措施。优选地,二级决策库9以及三级决策还包括在护士端提醒随访的数据。优选地,二级决策库9以及三级决策还包括提醒用户端的用户服药、复查、复诊等数据。优选地,二级决策库9以及三级决策还包括运动方案制定、运动激励管理、饮食方案制定、饮食跟踪管理等相关措施。优选地,二级决策库9至少还包括医嘱、用药等措施。优选地,云端处理器1还关联知识库7、健康行为数据库5、病情数据库6以及用户的兴趣爱好、个性特质生成用于给用户推送信息的个性化信息库。信息库推送的信息至少包括疾病相关的动态咨资讯、健康宣教更新动态、诊疗方案动态资讯、专家讲座动态资讯、线下义诊活动以及用户关心的相关资讯等,如图8所示。
实施例2
本实施例是与实施例1对应的用于健康行为干预的云端管理数据建立***,重复的内容不再赘述。
用于健康行为干预的云端管理数据库建立***,***至少包括云端处理器1、终端2以及存储介质。云端处理器1将由至少一个终端2上传的与用户疾病以及健康行为相关的用户数据以行为单位的方式存储在云端存储介质3内。优选地,用户数据是关于用户的疾病和健康行为相关的数据,例如,用户的性别、年龄、体重、身高、体征数据、病症数据以及医嘱等相关数据。体征数据至少包括体温、脉搏、呼吸、血压以及专科特征信息。优选地,专科体征信息至少包括腹部***、右上腹压痛等。优选地,医嘱类数据至少包括口服药液、输液药、治疗类医嘱信息以及护理类医嘱信息。治疗类医嘱信息至少包括治疗的药品种类、剂量、用法等信息。护理类医嘱信息至少包括护理常规、护理等级、饮食、***等信息。优选地,用户的数据由至少一个终端2上传。至少一个终端2至少包括用户的计算终端,例如手机、电脑、平板电脑等,还包括护士使用的计算终端,例如护士使用的手机、医院内护士端上传病人病例数据的计算机等。优选地,云端处理器1可以是处理器芯片,例如FPGA、CPU等,也可以是ARM架构的处理器,例如ThunderX2芯片、Cortex-A76芯片,也可以是云端智能芯片,例如型号为MLU100的云端智能芯片。云端存储介质3可以是随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质。
云端处理器1被配置为:基于以行为单位存储的用户数据进行预处理,生成以列为单位存储的用户属性列表。优选地,云端处理器1基于用户数据生成逻辑表,并为每个用户分配第一标识码。第一标识码为分配给用户的匿名身份标识码,可用来作为用户的主键。第一标识码采用32位长整形数据,范围是-2147483648至2147483647。逻辑表中的每行的行头包括用户的第一标识码。第一标识码之后是用户信息,依次包括用户的基本属性、用户的用户病情属性以及用户的健康行为等数据。用户的基本属性至少包括医保号码、姓名、性别、年龄、身高、体重等信息。用户病情属性至少包括体征数据、医嘱数据、病历数据、检验数据、信息采集数据、患者评估数据以及随访数据。优选地,健康行为至少包括用户的饮食和运动。优选地,饮食包括饮食信息、饮食习惯等。运动包括运动方式、强度、距离等。优选地,本发明还可以记录用户、护士以及医护人员上传的附加属性数据。附加属性数据至少包括用户的爱好以及个人倾向。个人倾向至少包括医护人员评估的个人特质、心理基础评估、健康行为偏好评估等数据。
优选地,云端处理器1基于逻辑表每列所描述的用户信息,执行将描述同类用户信息的列进行合并的合并操作。例如,将对应上述用户的基本属性的列进行聚类合并,将对应上述用户病情属性进行聚类合并,将对应上用户的健康行为的列进行。
优选地,在云端处理器1进行聚类合并操作之后,为描述用户信息的且合并后的每列分配第二标识码。优选地,基于合并后的逻辑表进行垂直分区。优选地,将合并后的逻辑表以固定的行数进行分区存储。通过该设置方式,在逻辑表数据量不断增大后,分区存储能够避免查询数据速度变慢,只需要根据用户的第一标识码所在分区来进行检索,能够提高查询的效率。优选地,将分区后的逻辑表以列为单位进行压缩和存储,从而生成包含每列以及与该列一一对应的第一标识码列的用户属性列表。优选地,由于逻辑表中每列的数据类型一致,数据特征相似,可以高效压缩。比如可以采用增量压缩、前缀压缩算法等,可以大幅度提高压缩比,有利于减少存储和网络输出数据带宽的消耗。而且以列为单位进行存储,即逻辑表中的每一列都单独存储,可以只访问查询涉及的列,可以大量降低***的读写开销,并且由于每一列有一个线程来处理,具有较高的并发处理性能。
优选地,在云端处理器1基于用户数据生成逻辑表的情况下,云端处理器1能够至少基于数据类型以及语义识别的方式检查逻辑表的数据是否异常。优选地,由于逻辑表中的每列数据的数据类型相同,因此能够通过检查数据类型是否不同来判断上传的数据是否异常。例如,用户的年龄是0至130之间,数据类型为2位的整数型数据,当数据出现小数点,或者超过0至130的范围内,即为数据出现异常。优选地,语义识别可以通过识别热点词来判断。例如,用户的基本属性、健康行为以及病情属性都有多个固定出现的术语,可以通过输入数据的频繁出现的热点词来与上述属性类内的固定出现的术语进行匹配,但某一用户数据的热点词与其他列的固定出现术语匹配时,即为数据出现异常。优选地,在逻辑表数据正常的情况下,云端处理器1执行预处理的后续步骤。优选地,云端处理器1在生成用户属性列表之后,生成空白的一级逻辑表。优选地,一级逻辑表内置保留逻辑表的第一标识码和第二标识码。优选地,第一标识码和第二标识码一一对应,即不改变第一标识码和第二标识码的位置。优选地,一级逻辑表以行为单位进行存储。优选地,在逻辑表数据至少一处数据异常的情况下,云端处理器1为至少一处异常数据赋予符号值。优选地,云端处理器1生成能够推送至至少一个终端2的检查信息。云端处理器1响应于终端2的反馈信息为符号值赋予实际值。通过该设置方式,在数据出现异常时,记录该数据的位置以及数据内容,并利用符号代替。符号为非该数据列的数据类型,例如该数据列为2位整数类型,那么符号可以是字符数据类型,例如a、b、c等,而且符号也可以是指针,指向存储该异常数据的位置和内容的存储地址,从而云端计算机1能够通过符号直接锁定需要修改的用户的数据位置,避免遍历每列数据进行查询的操作,进而提高修改数据的效率。
云端处理器1基于用户属性列表,生成能够关于用户的基本信息进行筛选和分组的分析数据库4、关于用户健康行为的健康行为数据库5以及关于用户体征和症状的病情数据库6。优选地,云端处理器1基于第二标识码所描述的用户数据属性,将用户属性列表至少分为描述用户基本属性的第一列表、描述用户病情属性的第二列表和描述用户健康行为的第三属性列表。优选地,云端处理器1基于第一列表中的至少一列相同属性进行筛选,将具有相同属性数据的第一标识码连接第二列表和第三列表,从而生成第一分析数据列表。优选地,由于第一列表中至少包括了用户的性别、年龄、身高、体重等相关信息,因此第一分析数据列表内包含筛选出相同年龄的用户的第一子列表,并且每行的数据包括这些相同用户的第二列表中相应的用户病情属性的数据以及第三属性列表中相应的描述用户健康行为的数据。第一子列表还可以筛选出相同年龄或者身高的用户。优选地,第一子列表还可以多维度筛选数据,例如从性别和年龄进行筛选、从性别和体重进行筛选、从性别和身高进行筛选,或者是从年龄和体重、年龄和身高进行筛选,或者是从性别、年龄、体重、身高进行筛选。优选地,第一分析数据列表包含上述多个不同的第一子列表。通过该方式,从用户的基本属性出发,从一个维度到多个维度,对用户数据进行筛选和分组,能够形成多个相互交叉递进的数据表,不仅方便医护人员护士整理其共性,而且数据库能够根据第一列表全面的生成一级决策库。
优选地,云端处理器1基于第二列表中的至少一列相同属性进行筛选,将具有相同属性数据的第一标识码连接第一列表和第三列表,从而生成第二分析数据列表。优选地,第二分析数据列表同样包含多个第二子列表。第二子列表能够根据用户病情属性中的体征数据、医嘱数据、病历数据、检验数据、信息采集数据、患者评估数据、随访数据中的一个进行筛选,生成如同第一子列表的第二子列表。通过该设置方式,第二子列表同第一子列表一样可以得到多个维度筛选数据,例如具有相同体征数据和医嘱数据、相同体征数据和病历数据、相同体征数据和检验数据等。第二分析数据列表包含上述多个不同维度的第二子列表,从而能够分别得到相同体征数据、相同医嘱数据、相同病历数据、相同检验数据、相同信息采集数据、相同患者评估数据、相同随访数据下用户的基本属性和健康行为的数据列表,方便医护人员在单一维度下分析用户的健康行为以及基本属性的共性,并在此基础上,在两个维度、三个维度、四个维度以及更多个维度进行交叉组合,增加筛选条件,缩减筛选范围进而得到随筛选条件递进的共性以及趋势,从而不仅能够全面地评估用户的基本属性、病情属性以及健康行为三者之间的关系,还能够通过递进的共性及趋势得到体征数据、医嘱数据、病历数据、检验数据、信息采集数据、患者评估数据、随访数据的权重因子,从而有利于生成随权重因子不同的非同质化的一级决策库。
优选地,云端处理器1基于第三列表中的至少一列相同属性进行筛选,将具有相同属性数据的第二标识码连接第一列表和第二列表,从而生成第三分析数据列表。优选地,如上所述,第三分析数据列表包含多个第三子列表。优选地,第三子列表同第一子列表和第二子列表的设置方式相同,第三子列表能够根据用户的饮食、运动等健康行为,多个维度筛选数据,从而得到相同饮食习惯或者健康行为下用户的基本属性和病情属性的共性、趋势以及权重因子。优选地,分析数据库4至少包括第一分析数据列表、第二分析数据列表以及第三分析数据列表。优选地,第一分析数据列表、第二分析数据列表以及第三分析数列表分别分块存储,并且以列为单位的方式存储。通过该设置方式,分析数据库4能够利用列数据便于高效查询和分析的特点,能够提高分析数据库分析的效率。此外,分析数据库4能够推送给医护人员端或者护士端,并且存储在临时存储介质内。
优选地,分析数据库4还包括第四分析数据列表、第五分析数据列表、第六分析数据列表以及第七分析数据列表。优选地,第四分析数据列表基于第一分析数据列表和第二分析数据列表筛选具有相同第一标识码的方式获得。优选地,通过该设置方式,在第一分析数据列表、第二分析数据列表的基础上能够把在用户基本属性和用户病情属性具有共性的用户筛选出来,并分析其健康行为。
优选地,第五分析数据列表基于第一分析数据列表和第三分析数据列表筛选具有相同第一标识码的方式获得。通过该设置方式,能够把在用户基本属性和健康行为具有共性的用户筛选出来,并分析其病情数据。
优选地,第六分析数据列表基于第二分析数据列表和第三分析数据列表筛选具有相同第一标识码的方式获得。通过该设置方式,能够把在用户病情数据和健康行为具有共性的用户筛选出来,并分析其基本属性数据。
优选地,第七分析数据列表基于第一分析数据列表、第二分析数据列表以及第三分析数据列表筛选具有相同第一标识码的方式获得。通过该设置方式,能够把在用户基本属性、用户病情属性和健康行为三个方面具有共性的用户筛选出来,并进行数据整理,得到用户共性数据和共性趋势,供医护人员进行查询和分析。
通过以上设置方式得到的第四分析数据列表、第五分析数据列表以及第六分析数据列表,能够将用户的基本属性、病情属性以及健康行为两两组合,并结合第一分析数据列表、第二分析数据列表以及第三分析数据列表,进一步地得到用户的基本属性、病情属性以及健康行为相互关系,充分挖掘了用户在不同属性下的共同特征和趋势,保证了分析结果的全面性和准确性,从而为一级决策库的生成提供了丰富的共性数据基础,保证了一级决策库内的策略和措施具有一定的普适性,避免生成极端或对用户的健康行为产生消极影响的策略和措施。而且第七分析数据列表能够把具有相同基本属性、病情属性和健康行为的用户筛选出来,作为标准比对数据列表得到其共性和趋势,并分别与第一分析数据列表、第二分析数据列表、第三分析数据列表、第四分析数据列表、第五分析数据列表以及第六分析数据列表进行比对,能够剔除第一分析数据列表、第二分析数据列表、第三分析数据列表、第四分析数据列表、第五分析数据列表以及第六分析数据列表中第七分析数据列表中的共性,从而得到相对不确定的其他分析数据列表的共性数据,因此在保证共性数据丰富的基础上,使得一级决策库内能够根据相对不确定的共性数据生成多种策略和措施。
优选地,云端处理器1基于分析数据库4关联由先验知识建立的知识库7从而生成具有共性的一级决策库8。优选地,知识库7是由现有的先验知识建立的。先验知识包括各种基本症状信息、治疗信息、药物信息、相关健康生方式、预防药物治疗的依从性等。优选地,知识库7可以是外部的数据库。
优选地,云端处理器1响应于分析数据库4中的第一分析数据列表、第四分析数据列表、第五分析数据列表以及第七分析数据列表,关联知识库7生成第一一级决策库。优选地,由于第一分析数据列表、第四分析数据列表、第五分析数据列表以及第七分析数据列表均涉及第一分析数据列表,并且是以用户的基本属性来筛选用户,因此通过该设置方式,能够基于用户的基本属性来进行分析和评估用户的病情属性和健康行为,从而得到第一一级决策库。
优选地,云端处理器1响应于分析数据库4中的第二分析数据列表、第五分析数据列表、第六分析数据列表以及第七分析数据列表,关联知识库7生成第二一级决策库。优选地,由于第二分析数据列表、第五分析数据列表、第六分析数据列表以及第七分析数据列表均涉及第二分析数据列表,并且是以用户病情属性来筛选用户,因此通过该设置方式,能够基于用户的病情属性来进行分析和评估用户的基本属性和健康行为。
优选地,云端处理器1响应于分析数据库4中的第三分析数据列表、第五分析数据列表、第六分析数据列表以及第七分析数据列表,关联知识库7生成第三一级决策库。优选地,由于第三分析数据列表、第五分析数据列表、第六分析数据列表以及第七分析数据列表均涉及第三分析数据列表,并且是以用户的健康行为来筛选用户,因此通过该设置方式,能够基于用户的健康来进行分析和评估用户的基本属性和病情属性。
优选地,云端处理器1基于第一一级决策库关联健康行为数据库5和/或病情数据库6生成第一二级决策库。通过该设置方式,通过第一一级决策库得到相同用户的基本属性关于其病情属性和健康行为具有共性的策略和措施,从而与用户的健康行为数据库5和/或病情数据库6相结合来根据用户的历史健康行为、及其趋势、习惯、干预的历史效果以及用户的病情改善效果来得到个性化的第一二级决策库。
优选地,云端处理器1基于第二一级决策库关联健康行为数据库5和/或病情数据库6生成第二二级决策库。通过该设置方式,通过第二一级决策库得到相同用户的病情属性关于其基本属性和健康行为具有共性的策略和措施,从而与用户的健康行为数据库5和/或病情数据库6相结合来根据用户的历史健康行为及其趋势、习惯、干预的历史效果以及用户的病情改善效果来得到个性化的第二二级决策库。
优选地,云端处理器1基于第三一级决策库关联健康行为数据库5和/或病情数据库6生成第三二级决策库。通过该设置方式,通过第三一级决策库得到相同用户的健康行为下关于其基本属性和病情属性具有共性的策略和措施,从而与用户的健康行为数据库5和/或病情数据库6相结合来根据用户的历史健康行为及其趋势、习惯、干预的历史效果以及用户的病情改善效果来得到个性化的第三二级决策库。
优选地,二级决策库9至少包括彼此各不相同的第一二级决策库、第二二级决策库以及第三二级决策库。优选地,第一二级决策库、第二二级决策库以及第三二级决策库均推送至终端2,供用户或者医护人员选择。优选地,用户或者医护人员的选择反馈至云端处理器1,云端处理器1件选择的决策库保留并更新至知识库中。优选地,存储介质3内还包含历史二级决策库。历史二级决策库包括每个用户历次推送的二级决策库9。优选地,在生成二级决策库9之前,使用一级决策库9关联历史二级决策库。通过该设置方式,在每次生成二级决策库9之前,能够基于先前生成的二级决策库9的内容与健康行为数据库5和病情数据库6相结合,来评估生成的二级决策库9的内容的效果,并根据评估的结果来修正二级决策库9的内容。优选地,评估和修正的步骤可以采用实施例1公开的评估和修正步骤。通过以上设置方式,能够使得二级决策库9生成的策略和措施能够根据用户的健康行为数据库4和病情数据库6,生成具有针对用户具体属性的个性化特征。而且根据历次推送给用户的二级决策库9的健康行为干预的效果来获得历次二级决策库中对用户的健康行为干预有效的策略和措施,并以此来修正二级决策库9,从而保证二级决策库9生成的策略和措施能够有效的对用户的健康行为进行干预,从而形成了评估、生成方案、反馈的首尾相连的循环体系,增加了健康干预的效果,也提高了生成二级决策库9的效率。
为了便于理解本发明的数据库的建立***,将本实施例的工作原理举例说明。
本发明的模块连接示意图,如图1所示。在云端存储介质3内,本发明的数据在初始阶段,云端处理器1批量获取终端2的用户数据,经过预处理后生成以列单位存储的用户属性列表。云端处理器1基于预处理中的聚类合并操作将用户属性列表分为描述用户基本属性的第一列表10、描述用户病情属性的第二列表11和描述用户健康行为的第三属性列表12。
如图3所示,云端处理器1根据第二列表11生成关于每个用户的健康行为数据库5,健康行为数据库5内存储关于用户的以时间为单位排序的健康行为数据。云端处理器1根据第三列表12生成关于每个用户的体征和症状的病情数据库6,病情数据库内存储关于用的以时间为单位排序的病情数据。
以用户A为例,用户A的第一标识码分配为20。云端处理器1基于云端处理器1基于列存储的第一列表10,查询用户A的基本属性,得到第一分析数据列表41。第一分析数据列表41包含至少一个第一子列表。第一子列表至少包括与用户A相同基本属性的其他用户的数据,包括病情属性和健康行为。例如,与用户A相同的性别的用户的病情属性数据和健康行为数据,与用户A相同年龄的用户的病情属性数据和健康行为数据,与A体重相同的用户的病情属性数据和健康行为数据。此外,第一子列表还包括两个维度下的数据。例如,与用户A性别和年龄相同的用户的病情属性数据和健康行为数据,与用户A性别和体重相同的用户的病情属性数据和健康行为数据,与用户A体重和年龄相同的病情属性数据和健康行为数据。第一子列表还包括三个维度下的数据。例如,与用户A性别、年龄、体重均相同的用户的病情属性数据和健康行为数据。通过相同的设置方式,可以得到第二分析数据列表42以及第三分析数据列表43。通过以上设置方式,从一个维度到多个维度,对用户数据进行筛选和分组,能够形成多个相互交叉递进的数据表,用利于整理在同一基本属性,或病情属性,或健康行为下不同用户的共性。例如,单一维度下,可以得到在性别相同的情况下的共性和在年龄下相同的共性,通过两者的比较可以得到性别和年龄分别侧重的共性特征,然后通过与性别和年龄均相同的二维维度下的共性特征进行比较,可以分别得性别和年龄对病情和健康行为影响的权重因子,通过这种交叉递进对比的方式能够得到相应的基本属性的中性别、年龄、体重等属性对病情和健康行为的影响权重因子,也能够得到性别对年龄、体重等属性的影响。第二分析数据列表42以及第三分析数据列表43采用与第一分析数据列表相同的处理方式设置。
如图3所示,第四分析数据列表44基于第一分析数据列表41和第二分析数据列表42筛选具有相同第一标识码的方式获得。第五分析数据列表45基于第一分析数据列表41和第三分析数据列表43筛选具有相同第一标识码的方式获得。第六分析数据列表46基于第二分析数据列表42和第三分析数据列表43筛选具有相同第一标识码的方式获得。第七分析数据列表47基于第一分析数据列表41、第二分析数据列表42以及第三分析数据列表43筛选具有相同第一标识码的方式获得。通过以上设置方式得到的第四分析数据列表44、第五分析数据列表45以及第六分析数据列表46,能够将用户的基本属性、病情属性以及健康行为两两组合,并结合第一分析数据列表41、第二分析数据列表42以及第三分析数据列表43,进一步地得到用户的基本属性、病情属性以及健康行为相互关系,充分挖掘了用户在不同属性下的共同特征和趋势,保证了分析结果的全面性和准确性,从而为一级决策库8的生成提供了丰富的共性数据基础,保证了一级决策库8内的策略和措施具有一定的普适性,避免生成极端或对用户的健康行为产生消极影响的策略和措施。而且第七分析数据列表47能够把就有相同基本属性、病情属性和健康行为的用户筛选出来,作为标准比对数据列表得到其共性和趋势,并分别与第一分析数据列表41、第二分析数据列表42、第三分析数据列表43、第四分析数据列表44、第五分析数据列表45以及第六分析数据列表46进行比对,能够剔除第一分析数据列表41、第二分析数据列表42、第三分析数据列表43、第四分析数据列表44、第五分析数据列表45以及第六分析数据列表46中第七分析数据列表47中的共性,从而得到相对不确定的其他共性数据,所以在保证共性数据丰富的基础上,使得一级决策库8内能够根据相对不确定的共性数据生成多种策略和措施。
关于用户A的一级决策库8可以通过如图4所示的数据处理方式得到。一级决策库8包括第一一级决策库81、第二一级决策库82以及第三一级决策库83。第一一级决策库81是以用户的基本属性为导向,能够基于用户的基本属性来进行分析和评估用户的病情属性和健康行为,采取的策略与措施针对是与用户A的基本属性相同的多个用户的共性特征。第二一级决策库82是以用户的病情属性为导向,能够基于用户的病情属性来进行分析和评估用户的基本属性和健康行为,采取的策略与措施针对是与用户A的病情属性相同的多个用户的共性特征。第三一级决策库83是以用户的健康行为为导向,能够基于用户的健康来进行分析和评估用户的基本属性和病情属性,采取的策略与措施针对是与用户A的健康行为相同的多个用户的共性特征。
关于用户A的二级决策库9,可以通过如图5所述的数据处理方式得到。在第一一级决策库81、第二一级决策库82以及第三一级决策库83的基础上,结合用户A的健康行为数据库5以及病情数据库6来分别生成以及用户A的基本属性为导向的第一二级决策库91、以及用户A的病情属性为导向的第二二级决策库92以及以用户A的健康行为为导向的第三二级决策库93。以上三种二级决策库的内容可以推送到用户端,供用户选择。同时也可以推送至医护人员端,由医护人员选择评估后推送至用户端。而且,在推送至用户端或医护人员端之前,云端处理器1基于先前生成的二级决策库9的内容与健康行为数据库5和病情数据库6相结合,来评估生成的二级决策库9的内容的效果,并根据评估的结果来修正二级决策库9的内容,从而使得二级决策库9生成的策略和措施能够根据用户的健康行为数据库4和病情数据库6,生成具有针对用户具体属性的个性化特征。而且根据历次推送给用户的二级决策库9的健康行为干预的效果来获得历次二级决策库中对用户的健康行为干预有效的策略和措施,并以此来修正二级决策库9,从而保证二级决策库9生成的策略和措施能够有效的对用户的健康行为进行干预,从而形成了评估、生成方案、反馈的首尾相连的循环体系,增加了健康干预的效果,也提高了生成二级决策库9的效率。
需要注意的是,上述具体实施例是示例性的,本领域技术人员可以在本发明公开内容的启发下想出各种解决方案,而这些解决方案也都属于本发明的公开范围并落入本发明的保护范围之内。本领域技术人员应该明白,本发明说明书及其附图均为说明性而并非构成对权利要求的限制。本发明的保护范围由权利要求及其等同物限定。
Claims (10)
1.用于健康行为干预的云端管理数据库建立方法,所述方法包括:云端处理器(1)获得由至少一个终端(2)上传的与用户疾病以及健康行为相关的用户数据,并将所述用户数据以行为单位存储在云端存储介质(3)内,其特征在于,所述数据库建立方法还包括以下步骤:
所述云端处理器(1)基于以行为单位存储的用户数据进行预处理,生成以列为单位存储的用户属性列表;
所述云端处理器(1)基于所述用户属性列表,生成能够关于用户的基本信息进行筛选和分组的分析数据库(4)、关于用户健康行为的健康行为数据库(5)以及关于用户体征和症状的病情数据库(6);
所述云端处理器(1)基于所述分析数据库(4)关联由先验知识建立的知识库(7)从而生成具有共性的一级决策库(8),所述一级决策库(8)基于健康行为数据库(5)和/或病情数据库(6)生成能够被推送至至少一个终端(2)的且能够个性化健康行为干预的二级决策库(9),其中,所述二级决策库(9)以行为单位进行存储。
2.根据权利要求1所述的建立方法,其特征在于,所述云端处理器(1)基于以行为单位存储的用户数据进行预处理的步骤至少包括:
基于所述用户数据生成逻辑表,并为每个用户分配第一标识码;
基于所述逻辑表每列所描述的用户信息,执行将描述同类用户信息的列进行合并的合并操作,并且为描述用户信息的每列分配第二标识码;
基于合并后的逻辑表进行垂直分区,并将分区后的逻辑表以列为单位进行压缩和存储,从而生成包含每列以及与该列一一对应的第一标识码列的所述用户属性列表。
3.根据权利要求2所述的建立方法,其特征在于,在所述云端处理器(1)基于所述用户数据生成逻辑表的情况下,所述云端处理器(1)能够至少基于数据类型以及语义识别的方式检查所述逻辑表的数据是否异常,其中:
在所述逻辑表数据正常的情况下,所述云端处理器(1)执行预处理的后续步骤,并在生成所述用户属性列表之后生成以行为单位存储的且关于所述第一标识码和第二标识码一一对应的空白一级逻辑表以便后续更新操作;
在所述逻辑表数据至少一处数据异常的情况下,所述云端处理器(1)为至少一处异常数据赋予符号值,并生成能够推送至至少一个所述终端(2)的检查信息,其中,所述云端处理器(1)响应于所述终端(2)的反馈信息为所述符号值赋予实际值。
4.根据权利要求3所述的建立方法,其特征在于,所述云端处理器(1)基于所述用户属性列表生成分析数据库(4)的步骤如下:
所述云端处理器(1)基于所述第二标识码所描述的用户数据属性,将所述用户属性列表至少分为描述用户基本属性的第一列表、描述用户病情属性的第二列表和描述用户健康行为的第三属性列表;
所述云端处理器(1)基于所述第一列表中的至少一列相同属性进行筛选,将具有相同属性数据的第一标识码关联所述第二列表和第三列表,从而生成第一分析数据列表;
所述云端处理器(1)基于所述第二列表中的至少一列相同属性进行筛选,将具有相同属性数据的第一标识码关联所述第一列表和第三列表,从而生成第二分析数据列表;
所述云端处理器(1)基于所述第三列表中的至少一列相同属性进行筛选,将具有相同属性数据的第二标识码关联所述第一列表和第二列表,从而生成第三分析数据列表;
所述分析数据库(4)还包括第四分析数据列表、第五分析数据列表、第六分析数据列表以及第七分析数据列表,其中,所述第四分析数据列表基于所述第一分析数据列表和第二分析数据列表筛选具有相同第一标识码的方式获得;
所述第五分析数据列表基于所述第一分析数据列表和第三分析数据列表筛选具有相同第一标识码的方式获得;
所述第六分析数据列表基于所述第二分析数据列表和第三分析数据列表筛选具有相同第一标识码的方式获得;
所述第七分析数据列表基于所述第一分析数据列表、第二分析数据列表以及第三分析数据列表筛选具有相同第一标识码的方式获得。
5.根据权利要求4所述的建立方法,其特征在于,所述云端处理器(1)基于所述分析数据库(4)关联由先验知识建立的知识库(7)从而生成具有共性的一级决策库(8)的步骤至少包括:
响应于所述分析数据库(4)中的第一分析数据列表、第四分析数据列表、第五分析数据列表以及第七分析数据列表,关联所述知识库(7)生成第一一级决策库;
响应于所述分析数据库(4)中的第二分析数据列表、第五分析数据列表、第六分析数据列表以及第七分析数据列表,关联所述知识库(7)生成第二一级决策库;
响应于所述分析数据库(4)中的第三分析数据列表、第五分析数据列表、第六分析数据列表以及第七分析数据列表,关联所述知识库(7)生成第三一级决策库;并且在所述第一一级决策库、第二一级决策库以及第三一级决策库彼此连接形成所述一级决策库(8)的情况下,所述云端处理器(1)删除所述分析数据库(4)。
6.根据权利要求5所述的建立方法,其特征在于,生成所述二级决策库(9)的步骤至少包括:
所述云端处理器(1)基于所述第一一级决策库关联健康行为数据库(5)和/或病情数据库(6)生成第一二级决策库;
所述云端处理器(1)基于所述第二一级决策库关联健康行为数据库(5)和/或病情数据库(6)生成第二二级决策库;
所述云端处理器(1)基于所述第三一级决策库关联健康行为数据库(5)和/或病情数据库(6)生成第三二级决策库;
其中,所述二级决策库(9)至少包括彼此各不相同的所述第一二级决策库、第二二级决策库以及第三二级决策库。
7.根据权利要求6所述的建立方法,其特征在于,在所述云端处理器(1)生成所述二级决策库(9)的情况下,所述云端处理器(1)删除所述一级决策库(8),并以行为单位的方式存储健康行为数据库(5)和病情数据库(6)。
8.根据权利要求7所述的建立方法,其特征在于,所述云端处理器(1)基于健康行为改变模型构建所述知识库(7),并在基于所述分析数据库(4)关联所述知识库(7)生成所述二级决策库(9)的情况下,所述云端处理器(1)基于所述健康行为改变模型的结构变量建立规则库以及与所述规则库相应的措施库,并基于所述规则库以及措施库以循证所述二级决策库(9)的方式生成推送至至少一个终端(2)的三级决策库。
9.用于健康行为干预的云端管理数据库建立***,所述***至少包括能够获得由至少一个终端(2)上传的与用户疾病以及健康行为相关的用户数据且将所述用户数据以行为单位的方式存储在云端存储介质(3)的云端处理器(1),其特征在于,所述云端处理器(1)被配置为:
基于以行为单位存储的用户数据进行预处理,生成以列为单位存储的用户属性列表;
基于所述用户属性列表,生成能够关于用户的基本信息进行筛选和分组的分析数据库(4)、关于用户健康行为的健康行为数据库(5)以及关于用户体征和症状的病情数据库(6);
基于所述分析数据库(4)关联由先验知识建立的知识库(7)从而生成具有共性的一级决策库(8),所述一级决策库(8)基于健康行为数据库(5)和/或病情数据库(6)生成能够被推送至至少一个终端(2)的且能够个性化健康行为干预的二级决策库(9),其中,所述二级决策库(9)以行为单位进行存储。
10.一种健康行为干预方法,所述方法采用如权利要求1至8之一所述的数据库建立方法建立的用于健康行为干预的云端管理数据库进行健康行为干预,其特征在于,所述方法还包括以下步骤:
基于所述用于健康行为干预的云端管理数据库中的三级决策库推送至至少一个终端来进行健康行为干预,其中,
基于健康行为改变模型以及所述用于健康行为干预的云端管理数据库中的健康行为数据库(5)、病情数据库(6)构建规则库以及与所述规则库相应的措施库;
基于所述三级决策库的健康行为干预效果来调节规则库内的健康行为改变模型结构变量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910806875.3A CN110504031B (zh) | 2019-08-28 | 2019-08-28 | 用于健康行为干预的云端管理数据库建立方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910806875.3A CN110504031B (zh) | 2019-08-28 | 2019-08-28 | 用于健康行为干预的云端管理数据库建立方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110504031A CN110504031A (zh) | 2019-11-26 |
CN110504031B true CN110504031B (zh) | 2022-02-11 |
Family
ID=68590312
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910806875.3A Active CN110504031B (zh) | 2019-08-28 | 2019-08-28 | 用于健康行为干预的云端管理数据库建立方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110504031B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024054798A1 (en) * | 2022-09-07 | 2024-03-14 | Deepintent, Inc. | Interactive estimates of media delivery and user interactions based on secure merges of de-identified records |
CN111403038A (zh) * | 2020-03-13 | 2020-07-10 | 上海洛书医药科技有限公司 | 基于ai的体质评测及健康管理*** |
CN111696676A (zh) * | 2020-05-28 | 2020-09-22 | 思派健康产业投资有限公司 | 一种基于依从性的慢病患者筛选方法 |
CN111724873B (zh) * | 2020-06-18 | 2024-01-09 | 北京嘉和海森健康科技有限公司 | 一种数据处理方法及装置 |
CN113066554A (zh) * | 2021-04-20 | 2021-07-02 | 北京大学第一医院 | 一种基于bct的慢性病自我管理的方法及装置 |
TWI805347B (zh) * | 2022-05-03 | 2023-06-11 | 高雄醫學大學 | 動態行為評估系統 |
CN115938540B (zh) * | 2022-12-14 | 2024-02-27 | 中科创新(深圳)技术控股有限公司 | 一种基于云平台的情景互动儿童康复训练*** |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105393252A (zh) * | 2013-04-18 | 2016-03-09 | 数字标记公司 | 生理数据采集和分析 |
CN105608091A (zh) * | 2014-11-21 | 2016-05-25 | ***通信集团公司 | 一种动态医疗知识库的构建方法及装置 |
CN109478178A (zh) * | 2016-04-19 | 2019-03-15 | Tilr公司 | 属性匹配 |
CN109800127A (zh) * | 2019-01-03 | 2019-05-24 | 众安信息技术服务有限公司 | 一种基于机器学习的***故障诊断智能化运维方法及*** |
CN110111171A (zh) * | 2019-04-04 | 2019-08-09 | 深圳壹账通智能科技有限公司 | 线上投保定制方法、装置、电子设备和存储介质 |
-
2019
- 2019-08-28 CN CN201910806875.3A patent/CN110504031B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105393252A (zh) * | 2013-04-18 | 2016-03-09 | 数字标记公司 | 生理数据采集和分析 |
CN105608091A (zh) * | 2014-11-21 | 2016-05-25 | ***通信集团公司 | 一种动态医疗知识库的构建方法及装置 |
CN109478178A (zh) * | 2016-04-19 | 2019-03-15 | Tilr公司 | 属性匹配 |
CN109800127A (zh) * | 2019-01-03 | 2019-05-24 | 众安信息技术服务有限公司 | 一种基于机器学习的***故障诊断智能化运维方法及*** |
CN110111171A (zh) * | 2019-04-04 | 2019-08-09 | 深圳壹账通智能科技有限公司 | 线上投保定制方法、装置、电子设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110504031A (zh) | 2019-11-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110504031B (zh) | 用于健康行为干预的云端管理数据库建立方法及*** | |
Kim et al. | Medical informatics research trend analysis: a text mining approach | |
Loftus et al. | Artificial intelligence and surgical decision-making | |
Neuvirth et al. | Toward personalized care management of patients at risk: the diabetes case study | |
US9378271B2 (en) | Database system for analysis of longitudinal data sets | |
Yao et al. | A Novel Method for Disease Prediction: Hybrid of Random Forest and Multivariate Adaptive Regression Splines. | |
El-Gayar et al. | Opportunities for business intelligence and big data analytics in evidence based medicine | |
Tashkandi et al. | Efficient in-database patient similarity analysis for personalized medical decision support systems | |
US20220172841A1 (en) | Methods of identifying individuals at risk of developing a specific chronic disease | |
Lee et al. | Prediction model for health-related quality of life of elderly with chronic diseases using machine learning techniques | |
Lin et al. | Temporal event tracing on big healthcare data analytics | |
US20180358129A1 (en) | System and method for educating a user about a condition of interest | |
US20150310179A1 (en) | System and method that applies relational and non-relational data structures to medical diagnosis | |
US10936962B1 (en) | Methods and systems for confirming an advisory interaction with an artificial intelligence platform | |
Chennamsetty et al. | Predictive analytics on electronic health records (EHRs) using hadoop and hive | |
CN115497631A (zh) | 一种临床科研大数据分析*** | |
US20220115100A1 (en) | Systems and methods for retrieving clinical information based on clinical patient data | |
JP6177609B2 (ja) | 医療カルテシステム及び医療カルテ検索方法 | |
CN116910172A (zh) | 基于人工智能的随访量表生成方法及*** | |
Khan et al. | Towards development of national health data warehouse for knowledge discovery | |
Ramesh et al. | Exploring big data analytics in health care | |
Kondylakis et al. | Developing a data infrastructure for enabling breast cancer women to BOUNCE back | |
Chou et al. | Extracting drug utilization knowledge using self-organizing map and rough set theory | |
Frasca et al. | Visualizing correlations among Parkinson biomedical data through information retrieval and machine learning techniques | |
Khokhar et al. | Framework for mining and analysis of standardized nursing care plan data |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |