CN110752035A - 健康数据处理方法、装置、计算机设备及存储介质 - Google Patents
健康数据处理方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN110752035A CN110752035A CN201910842462.0A CN201910842462A CN110752035A CN 110752035 A CN110752035 A CN 110752035A CN 201910842462 A CN201910842462 A CN 201910842462A CN 110752035 A CN110752035 A CN 110752035A
- Authority
- CN
- China
- Prior art keywords
- health
- user
- preset
- target disease
- data set
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000036541 health Effects 0.000 title claims abstract description 218
- 238000003672 processing method Methods 0.000 title claims abstract description 28
- 201000010099 disease Diseases 0.000 claims abstract description 120
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 120
- 238000003745 diagnosis Methods 0.000 claims abstract description 50
- 238000000034 method Methods 0.000 claims abstract description 22
- 238000012545 processing Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 14
- 230000002265 prevention Effects 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 5
- 239000010749 BS 2869 Class C1 Substances 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 description 6
- 230000036772 blood pressure Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 235000005911 diet Nutrition 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000003449 preventive effect Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000037213 diet Effects 0.000 description 2
- 230000003862 health status Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000036387 respiratory rate Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000004617 sleep duration Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 208000007502 anemia Diseases 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 206010012601 diabetes mellitus Diseases 0.000 description 1
- 230000000378 dietary effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 208000015210 hypertensive heart disease Diseases 0.000 description 1
- 230000033001 locomotion Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 235000019633 pungent taste Nutrition 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
- G06F18/24155—Bayesian classification
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Pathology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明公开了一种健康数据处理方法、装置、计算机设备及存储介质。所述方法包括：从预设的区块链节点获取用户的健康数据；分别从医院诊断记录、健康应用数据和生活应用数据中提取预设的特征属性的属性内容，并将提取到的每个特征属性的属性内容按照预设的维度组成待处理的个体数据集；根据预设的样本数据库中目标疾病的样本数据集，基于朴素贝叶斯分类器对个体数据集进行分类，得到个体数据集对应的用户的分类结果；根据分类结果对用户进行健康预警。本发明的技术方案实现了在个体数据集包含了用户全面完整的健康数据的基础上，采用朴素贝叶斯分类器准确计算用户对目标疾病的患病风险的概率，从而有效提高个人健康预警的准确性。
Description
技术领域
本发明涉及数据处理技术领域，尤其涉及一种健康数据处理方法、装置、计算机设备及存储介质。
背景技术
目前，与个人健康相关的数据涉及到日常生活的方方面面，比如，医院的检验数据和医疗病历、智能终端设备或可穿戴智能设备上各种应用采集到的与健康和生活习惯相关的数据等。
然而，这些信息和数据往往都处于零散分散的状态，并且有些数据受制于个人隐私和书面形式等约束，无法获取到全面的个人健康数据，导致针对个人的疾病患病风险的健康预警缺乏有效的数据基础，从而影响个人健康预警的准确性，同时，现有的根据分散的健康数据进行孤立的个人健康预警分析，缺乏有效的分析预警模型，也导致得到的个人健康预警的准确性较低。
发明内容
本发明实施例提供一种健康数据处理方法、装置、计算机设备及存储介质，以解决现有的健康数据分散，无法获取全面的健康数据，以及缺乏有效的分析预警模型，导致根据健康数据进行个人健康预警的准确性低的问题。
一种健康数据处理方法，包括：
从预设的区块链节点获取用户的健康数据，其中，所述健康数据包括医院诊断记录、健康应用数据和生活应用数据；
分别从所述医院诊断记录、所述健康应用数据和所述生活应用数据中提取预设的特征属性的属性内容，并将提取到的每个所述特征属性的属性内容按照预设的维度组成待处理的个体数据集；
根据预设的样本数据库中目标疾病的样本数据集，基于朴素贝叶斯分类器对所述个体数据集进行分类，得到所述个体数据集对应的所述用户的分类结果，其中，所述朴素贝叶斯分类器用于分析所述个体数据集对应的所述用户存在所述目标疾病的患病风险；
根据所述分类结果对所述用户进行健康预警。
一种健康数据处理装置，包括：
数据获取模块，用于从预设的区块链节点获取用户的健康数据，其中，所述健康数据包括医院诊断记录、健康应用数据和生活应用数据；
属性提取模块，用于分别从所述医院诊断记录、所述健康应用数据和所述生活应用数据中提取预设的特征属性的属性内容，并将提取到的每个所述特征属性的属性内容按照预设的维度组成待处理的个体数据集；
用户分类模块，用于根据预设的样本数据库中目标疾病的样本数据集，基于朴素贝叶斯分类器对所述个体数据集进行分类，得到所述个体数据集对应的所述用户的分类结果，其中，所述朴素贝叶斯分类器用于分析所述个体数据集对应的所述用户存在所述目标疾病的患病风险；
健康预警模块，用于根据所述分类结果对所述用户进行健康预警。
一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述健康数据处理方法的步骤。
一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述健康数据处理方法的步骤。
上述健康数据处理方法、装置、计算机设备及存储介质中，通过从预设的区块链节点获取用户的医院诊断记录、健康应用数据和生活应用数据，实现了将用户在各种渠道中分散的健康数据及时保存到区块链节点中，通过区块链网络获取用户全面的健康数据，并从中提取预设的特征属性的属性内容，将提取到的每个特征属性的属性内容按照预设的维度组成待处理的个体数据集，个体数据集中涵盖了用户在医院就诊时的检验结果和诊断结果，以及日常生活中身体指标检测数据和生活习惯相关的健康数据，使得个体数据集能够综合全面的反映用户的健康情况，进而根据预设的样本数据库中目标疾病的样本数据集，基于朴素贝叶斯分类器对个体数据集进行分类，得到个体数据集对应的用户的分类结果，并根据分类结果对用户进行健康预警，实现了在个体数据集包含了用户全面完整的健康数据的基础上，采用朴素贝叶斯分类器能够依据目标疾病的样本数据集，准确计算出个体数据集对应的用户对目标疾病的患病风险的概率，从而有效提高个人健康预警的准确性。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的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发明的一些实施例，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是本发明一实施例中健康数据处理方法的一应用环境示意图；
图2是本发明一实施例中健康数据处理方法的一流程图；
图3是本发明一实施例中健康数据处理方法的步骤S3的一流程图；
图4是本发明一实施例中健康数据处理方法的步骤S4的一流程图；
图5是本发明一实施例中健康数据处理方法中根据医院诊断记录监测用户的健康状况并进行健康预警的一流程图；
图6是本发明一实施例中健康数据处理方法的步骤S1的一流程图；
图7是本发明一实施例中健康数据处理装置的一示意图；
图8是本发明一实施例中计算机设备的一示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明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，都属于本发明保护的范围。
本申请提供的健康数据处理方法，可应用在如图1所示的应用环境中，该应用环境包括服务端、客户端以及区块链节点，其中，服务端和区块链节点之间，以及客户端和区块链节点之间通过网络进行连接，该网络可以是有线网络或者无线网络，客户端具体包括但不限于各种个人计算机、笔记本电脑、智能手机和平板电脑和便携式可穿戴设备，服务端具体均可以用独立的服务器或者多个服务器组成的服务器集群实现。客户端将用户的健康数据上传到区块链节点，服务端从区块链节点获取健康数据，并通过对各种类型的健康数据的综合分析，完成个人健康预警。
在一实施例中，如图2所示，提供一种健康数据处理方法，以该方法应用在图1中的服务端为例进行说明，具体包括步骤S1至步骤S4，详述如下：
S1：从预设的区块链节点获取用户的健康数据，其中，健康数据包括医院诊断记录、健康应用数据和生活应用数据。
在本实施例中，用户的健康数据被保存在区块链节点中，客户端可以定期或者实时将用户的健康数据上传到预设的区块链节点中。进一步地，客户端还可以采用预设的加密方式对健康数据进行加密上链，以增强健康数据的保密性，避免用户的隐私泄露。
具体地，服务端从区块链节点获取健康数据，若区块链节点保存的健康数据被加密，则服务端首先按照预设的解密方式对健康数据进行解密处理，得到解密后的健康数据。
健康数据包括医院诊断记录、健康应用数据和生活应用数据。其中，医院诊断记录包括用户在医院就诊过程中进行各种身体指标检验的检验结果，以及医生给用户开具的疾病诊断结果；健康应用数据具体为用户使用的客户端中各种健康应用(Application，APP)或可穿戴设备等记录的信息，包括但不限于年龄、呼吸频率、心跳、血压、睡眠时长、运动记录等数据；生活应用数据具体为用户使用的客户端中各种生活APP记录的信息，包括但不限于餐饮信息、出行信息等，例如出行度假的日期、时间长度、频次，餐饮偏好，清单或辛辣等，这些都可能会对用户健康产生影响。
由于不同的医院、健康APP、生活APP和可穿戴设备等记录的数据标准不同、单位不同，因此，客户端在将用户的健康数据上传到预设的区块链节点之前，需要按照统一的数据格式要求对健康数据进行标准化转换，得到统一格式的结构化数据后，再将该结构化数据上传到预设的区块链节点中。其中，统一格式的结构化数据具体可以是由特征属性组成的数据集合，每个特征属性由预先设置的一组属性单元组成，每个属性单元用于描述特征属性的定义、标识或取值等。
需要说明的是，预设的区块链节点可以是一个或者多个，当采用多个区块链节点时，每个区块链节点可以分别存储一种或几种类型的健康数据。
进一步地，预设的区块链节点可以包括诊断信息区块链节点、健康信息区块链节点和生活信息区块链节点，其中，诊断信息区块链节点用于存储每个用户的医院诊断记录，健康信息区块链节点用于存储每个用户的健康应用数据，生活信息区块链节点用于存储每个用户的生活应用数据。
S2：分别从医院诊断记录、健康应用数据和生活应用数据中提取预设的特征属性的属性内容，并将提取到的每个特征属性的属性内容按照预设的维度组成待处理的个体数据集。
具体地，医院诊断记录、健康应用数据和生活应用数据均为统一格式的结构化数据，该结构化数据为由特征属性组成的数据集合，每个特征属性由预先设置的一组属性单元组成，特征属性具体可以包括但不限于年龄、呼吸频率、心跳、血压、睡眠时长、运动时长、外卖次数、休假次数等，属性内容具体可以包括特征属性中预设的属性单元的内容，例如，运动时长的属性内容可以是在一个月内每日运动总时长，休假次数的属性内容可以是在六个月内休假的总次数，其中，休假的总次数可以从出行相关的APP中记录的出行信息中获取。
由于不同渠道的健康数据可能具有相同的特征属性，因此，服务端从医院诊断记录、健康应用数据和生活应用数据中分别提取出特征属性的属性内容后，对相同的特征属性进行属性内容的合并，并将每个特征属性的属性内容按照预设的维度组成待处理的个体数据集。
在本实施例中，预设的维度具体可以是时间维度，服务端将每个特征属性在同一个时间点的属性内容作为该时间点的向量分量，并将不同时间点的向量分量组成向量矩阵，该向量矩阵即为待处理的个体数据集。
例如，若预设的特征属性的数量为3个，分别为血压a、心跳b和外卖次数c，则个体数据集可以为向量矩阵X＝(x1,x2,...,xn)，xj＝(a(tj),b(tj),c(tj))T，其中，n为预设时间段的时间点数量，xj为由预设时间段内第j个时间点的每个特征属性的属性内容组成的向量分量，a(tj)为血压在时间点tj的取值，b(tj)为心跳在时间点tj的取值，c(tj)为外卖次数在时间点tj的取值。
S3：根据预设的样本数据库中目标疾病的样本数据集，基于朴素贝叶斯分类器对个体数据集进行分类，得到个体数据集对应的用户的分类结果，其中，朴素贝叶斯分类器用于分析个体数据集对应的用户存在目标疾病的患病风险。
具体地，预设的样本数据库中存储有目标疾病的样本数据集，该样本数据集中包含患有目标疾病的样本和未患有目标疾病的的样本，样本来源于区块链节点中保存的大量用户的健康数据，其数据格式与个体数据集的数据格式相同。
朴素贝叶斯分类器是以假设特征属性之间强独立条件下运用贝叶斯定理为基础的简单概率分类器。在本实施例中，以样本数据库中的样本数据集为基础，采用朴素贝叶斯分类器，计算用户的个体数据集中的数据条件下，用户患目标疾病的概率和不患目标疾病的概率，并通过两个概率的比较，对个体数据集对应的用户是否存在目标疾病的患病风险进行分类，分类结果至少包括存在目标疾病的患病风险和不存在目标疾病的患病风险两种结果。
需要说明的是，目标疾病可以是一个也可以是多个，针对每个目标疾病均可得到对应的分类结果。
S4：根据分类结果对用户进行健康预警。
具体地，服务端根据步骤S3得到的分类结果，确定个体数据集对应的用户是否存在目标疾病的患病风险，若存在目标疾病的患病风险，则对用户进行健康预警。
健康预警的方式具体可以是通过短信、微信等即时消息，或者邮件等通信方式向用户发送目标疾病的患病风险提示信息，以及针对目标疾病的预防措施等。
例如，针对高血压心脏病等目标疾病，服务端发送的患病风险提示信息中会建议饮食少盐、少糖，多运动，还可以将不合理的饮食数据同步发送给用户，以提醒用户注意。
本实施例中，通过从预设的区块链节点获取用户的医院诊断记录、健康应用数据和生活应用数据，实现了将用户在各种渠道中分散的健康数据及时保存到区块链节点中，通过区块链网络获取用户全面的健康数据，并从中提取预设的特征属性的属性内容，将提取到的每个特征属性的属性内容按照预设的维度组成待处理的个体数据集，个体数据集中涵盖了用户在医院就诊时的检验结果和诊断结果，以及日常生活中身体指标检测数据和生活习惯相关的健康数据，使得个体数据集能够综合全面的反映用户的健康情况，进而根据预设的样本数据库中目标疾病的样本数据集，基于朴素贝叶斯分类器对个体数据集进行分类，得到个体数据集对应的用户的分类结果，并根据分类结果对用户进行健康预警，在个体数据集包含了用户全面完整的健康数据的基础上，采用朴素贝叶斯分类器能够依据目标疾病的样本数据集，准确计算出个体数据集对应的用户对目标疾病的患病风险的概率，从而有效提高个人健康预警的准确性。
在一实施例中，如图3所示，在步骤S3中，根据预设的样本数据库中目标疾病的样本数据集，基于朴素贝叶斯分类器对个体数据集进行分类，得到个体数据集对应的用户的分类结果，具体包括步骤S31至步骤S36，详述如下：
S31：根据目标疾病的样本数据集，计算类别Ci的先验概率P(Ci)，其中，i为0或1，类别C0为存在目标疾病的患病风险，类别C1为不存在目标疾病的患病风险。
具体地，类别Ci的先验概率P(Ci)是指不考虑样本数据集中特征属性的属性内容，仅计算类别Ci出现的概率。例如，若目标疾病的样本数据集中样本总数量为1000，其中，患有目标疾病的样本数量为400，未患目标疾病的样本数量为600，则类别C0的先验概率P(C0)为400/1000＝0.4，类别C1的先验概率P(C1)为600/1000＝0.6。
S32：按照如下公式(1)计算个体数据集X在类别Ci的概率P(Ci|X)：
其中，X＝(x1,x2,...,xn)，xj＝(a1(tj),a2(tj),...,am(tj))T，n为预设时间段的时间点数量，xj为由预设时间段内第j个时间点的每个特征属性的属性内容组成的向量分量，tj为预设时间段内的第j个时间点，ak(tj)为特征属性ak在时间点tj的取值，m为特征属性的数量，k∈[1,m]。
具体地，个体数据集是由向量分量组成的向量矩阵，以时间为预设的维度，将预设时间段内每个预设的时间点每个特征属性的属性内容作为向量分量。计算在已知出现类别Ci的情况下，条件xj出现的条件概率P(xj|Ci)，得到n个条件概率，并计算这n个条件概率与步骤S31得到的先验概率P(Ci)的乘积，该乘积作为个体数据集X在类别Ci的概率P(Ci|X)。
可以理解的是，类别Ci包括C0和C1两个情况，因此，根据步骤S31和步骤S32可以得到两个概率值，分别为个体数据集X在类别C0的概率P(C0|X)，以及个体数据集X在类别C1的概率P(C1|X)，其中，P(C0|X)表示个体数据集对应的用户存在目标疾病的患病风险的概率，P(C1|X)表示个体数据集对应的用户不存在目标疾病的患病风险的概率。
S33：计算P(C0|X)与P(C1|X)之间的绝对差值。
具体地，根据步骤S32得到的P(C0|X)和P(C1|X)，计算两者的绝对差值。
S34：若绝对差值小于或等于预设的偏差阈值，则确认分类结果为用户属于目标疾病的潜在风险人群。
具体地，判断步骤S33得到的绝对差值是否小于或等于预设的偏差阈值，若绝对差值小于或等于预设的偏差阈值，则说明个体数据集对应的用户存在目标疾病的患病风险的概率与不存在目标疾病的患病风险的概率较为接近，此时将该用户作为目标疾病的潜在风险人群，进行定期的预防和筛查提醒，即分类结果为用户属于目标疾病的潜在风险人群。
S35：若绝对差值大于预设的偏差阈值，并且P(C0|X)大于P(C1|X)，则确认分类结果为用户存在目标疾病的患病风险。
具体地，若步骤S33得到的绝对差值大于预设的偏差阈值，则进一步根据P(C0|X)和P(C1|X)的大小判断用户是否存在目标疾病的患病风险。
若P(C0|X)大于P(C1|X)，即用户存在目标疾病的患病风险的概率远远大于不存在目标疾病的患病风险的概率，则分类结果为用户存在目标疾病的患病风险。
S36：若绝对差值大于预设的偏差阈值，并且P(C0|X)小于P(C1|X)，则确认分类结果为用户不存在目标疾病的患病风险。
具体地，在步骤S33得到的绝对差值大于预设的偏差阈值的条件下，若P(C0|X)小于P(C1|X)，即用户存在目标疾病的患病风险的概率远远小于不存在目标疾病的患病风险的概率，则分类结果为用不户存在目标疾病的患病风险。
本实施例中，首先根据目标疾病的样本数据集，计算类别C0的先验概率P(C0)和类别C1的先验概率P(C1)，然后根据公式(1)计算个体数据集X在类别C0的概率P(C0|X)，以及个体数据集X在类别C1的概率P(C1|X)，再通过对P(C0|X)与P(C1|X)这两个概率值的比较确定用户是否存在目标疾病的患病风险的分类结果，实现了基于朴素贝叶斯分类器对个体数据集的准确分类，为后续根据分类结果进行健康预警提供准确的数据基础，从而有助于提高个人健康预警的准确性。
在一实施例中，如图4所示，在步骤S4中，根据分类结果对用户进行健康预警，具体包括步骤S41至步骤S42，详述如下：
S41：若分类结果为用户属于目标疾病的潜在风险人群，则向用户发送对目标疾病的预防提示信息。
具体地，若服务端根据步骤S34得到分类结果为用户属于目标疾病的潜在风险人群，则服务端向用户发送包含目标疾病的预防措施、饮食和运动建议等内容的预防提示信息，并可以采用定期提醒的方式向用户发送对目标疾病的筛查提醒，以提醒用户及时去医院进行定期检查。
S42：若分类结果为用户存在目标疾病的患病风险，则对用户进行病前预警。
具体地，若服务端根据步骤S35得到分类结果为用户存在目标疾病的患病风险，则服务端向用户发送病前预警信息，该病前预警信息包含用户存在目标疾病的患病风险的提示信息，以及计算出的目标疾病的患病风险的概率。
进一步地，服务端预先设置不同的预警级别，并设置分类结果与预警级别之间的对应关系。每种预警级别对应有预设的消息发送方式，例如，对于低级的预警级别，其对应的消息发送方式可以为邮件或短信的方式，对于高级的预警级别，其对应的消息发送方式可以为即时消息或电话的方式。
例如，对用户属于目标疾病的潜在风险人群的分类结果，其对应的预警级别可以为一级预警，对用户存在目标疾病的患病风险的分类结果，其对应的预警级别可以为二级预警，一级预警对应的消息发送方式为邮件方式，二级预警对应的消息发送方式为即时消息方式。
本实施例中，对于属于目标疾病的潜在风险人群的用户，服务端发送目标疾病的预防提示信息，对于存在目标疾病的患病风险的用户，服务端发送病前预警信息，实现了针对不同的分类结果采取不同健康预警策略，增强个人健康预警的智能化水平。
在一实施例中，如图5所示，在步骤S1之后，还可以根据医院诊断记录监测用户的健康状况并进行健康预警，具体包括步骤S51至步骤S53，详述如下：
S51：从医院诊断记录中获取用户的医疗诊断结果。
具体地，从医院诊断记录中获取医疗诊断结果这一特征属性的属性内容，该属性内容中记录有用户是否患有某种疾病的医疗诊断结果。
S52：根据预设的疾病与健康指标之间的对应关系，获取医疗诊断结果对应的目标健康指标。
具体地，服务端预先设置每种疾病对应的健康指标，该健康指标是对日常生活中身体指标检测数据和生活习惯相关的健康数据的指标定义，该指标定义包括指标项及其合理参数值。
对于不同的疾病，其对应的健康指标中可能包含相同的指标项，但是对应不同的合理参数值。例如，贫血和糖尿病对应的健康指标均包含血压这一指标项，但其对应的合理参数值不同。
服务端从医疗诊断结果中提取用户的疾病信息，并根据疾病与健康指标之间的对应关系，获取提取到的疾病信息对应的健康指标，即目标健康指标。
S53：若健康应用数据或生活应用数据不满足目标健康指标的要求，则对用户进行健康预警。
具体地，服务端从步骤S1得到的健康应用数据和生活应用数据的特征属性中，提取与目标健康指标包含的指标项相同的特征属性及其属性内容，并判断该属性内容是否属于目标健康指标中该指标项对应的合理参数值的范围，若该属性内容属于目标健康指标中该指标项对应的合理参数值的范围，则确认健康应用数据或生活应用数据满足目标健康指标的要求，若该属性内容不属于目标健康指标中该指标项对应的合理参数值的范围，则确认健康应用数据或生活应用数据满足不目标健康指标的要求。
若服务端判断健康应用数据或生活应用数据不满足目标健康指标的要求，则对用户进行健康预警。其中，健康预警的方式具体可以是通过短信、微信等即时消息，或者邮件等通信方式向用户发送对医疗诊断结果中记录的疾病的患病风险提示信息，以及针对该疾病的预防措施等。
本实施例中，服务端从区块链中保存的医院诊断记录中获取用户的医疗诊断结果，并根据预设的疾病与健康指标之间的对应关系，获取医疗诊断结果对应的目标健康指标，通过判断健康应用数据或生活应用数据是否满足目标健康指标的要求，确定是否向用户进行健康预警，从而实现了结合用户实际发生的疾病情况有针对性的进行健康指标的判断，并且针对不同疾病设置与之对应的合理的健康指标，从而提高对用户的健康状况的监测准确性，进而提高健康预警的准确性。
在一实施例中，区块链节点包括诊断信息区块链节点、健康信息区块链节点和生活信息区块链节点。
其中，诊断信息区块链节点用于存储每个用户的医院诊断记录，健康信息区块链节点用于存储每个用户的健康应用数据，生活信息区块链节点用于存储每个用户的生活应用数据。
进一步地，如图6所示，在步骤S1中，从预设的区块链节点获取用户的健康数据，具体包括步骤S11至步骤S12，详述如下：
S11：获取用户的身份标识信息。
具体地，服务端对需要进行健康预警的用户，获取该用户的身份标识信息。身份标识信息用于唯一标识该用户，其具体可以是用户的身份证号码、手机号码或其他能够唯一标识用户的信息。
S12：从诊断信息区块链节点中获取身份标识信息对应的医院诊断记录，从健康信息区块链节点中获取身份标识信息对应的健康应用数据，并从生活信息区块链节点中获取身份标识信息对应的生活应用数据。
具体地，在每个区块链节点中，用户的身份标识信息与用户的健康数据对应保存，通过身份标识信息能够查询到该身份标识信息对应的健康数据。
服务端使用步骤S11获取到的用户的身份标识信息，采用串行或者并行的方式从诊断信息区块链节点中获取该身份标识信息对应的医院诊断记录，从健康信息区块链节点中获取该身份标识信息对应的健康应用数据，并从生活信息区块链节点中获取该身份标识信息对应的生活应用数据。
服务端将获取到的医院诊断记录、健康应用数据和生活应用数据作为与用户的身份标识信息对应的健康数据。
本实施例中，采用多个不同的区块链节点分别存储不同类型的健康数据，使得不同类型的健康数据可以独立存储，便于统一集中管理，并且根据用户的身份标识信息从各个区块链节点中获取对应的健康数据，进而使得服务端能够作为一个统一的平台进行全面可信的健康监测服务，准确完成对获取到的各个区块链节点中存储的健康数据进行综合分析和健康预警。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
在一实施例中，提供一种健康数据处理装置，该健康数据处理装置与上述实施例中健康数据处理方法一一对应。如图7所示，该健康数据处理装置包括：数据获取模块10、属性提取模块20、用户分类模块30和健康预警模块40。各功能模块详细说明如下：
数据获取模块10，用于从预设的区块链节点获取用户的健康数据，其中，健康数据包括医院诊断记录、健康应用数据和生活应用数据；
属性提取模块20，用于分别从医院诊断记录、健康应用数据和生活应用数据中提取预设的特征属性的属性内容，并将提取到的每个特征属性的属性内容按照预设的维度组成待处理的个体数据集；
用户分类模块30，用于根据预设的样本数据库中目标疾病的样本数据集，基于朴素贝叶斯分类器对个体数据集进行分类，得到个体数据集对应的用户的分类结果，其中，朴素贝叶斯分类器用于分析个体数据集对应的用户存在目标疾病的患病风险；
健康预警模块40，用于根据分类结果对用户进行健康预警。
进一步地，用户分类模块30包括：
第一概率计算子模块301，用于根据目标疾病的样本数据集，计算类别Ci的先验概率P(Ci)，其中，i为0或1，类别C0为存在目标疾病的患病风险，类别C1为不存在目标疾病的患病风险；
第二概率计算子模块302，用于按照如下公式计算个体数据集X在类别Ci的概率P(Ci|X)：
其中，X＝(x1,x2,...,xn)，xj＝(a1(tj),a2(tj),...,am(tj))T，n为预设时间段的时间点数量，xj为由预设时间段内第j个时间点的每个特征属性的属性内容组成的向量分量，tj为预设时间段内的第j个时间点，ak(tj)为特征属性ak在时间点tj的取值，m为特征属性的数量，k∈[1,m]；
概率差值计算子模块303，用于计算P(C0|X)与P(C1|X)之间的绝对差值；
第一分类子模块304，用于若绝对差值小于或等于预设的偏差阈值，则确认分类结果为用户属于目标疾病的潜在风险人群；
第二分类子模块305，用于若绝对差值大于预设的偏差阈值，并且P(C0|X)大于P(C1|X)，则确认分类结果为用户存在目标疾病的患病风险；
第三分类子模块306，用于若绝对差值大于预设的偏差阈值，并且P(C0|X)小于P(C1|X)，则确认分类结果为用户不存在目标疾病的患病风险。
进一步地，健康预警模块40包括：
预防提示子模块401，用于若分类结果为用户属于目标疾病的潜在风险人群，则向用户发送对目标疾病的预防提示信息；
病前预警子模块402，用于若分类结果为用户存在目标疾病的患病风险，则对用户进行病前预警。
进一步地，该健康数据处理装置还包括：
医疗数据获取模块51，用于从医院诊断记录中获取用户的医疗诊断结果；
健康指标确定模块52，用于根据预设的疾病与健康指标之间的对应关系，获取医疗诊断结果对应的目标健康指标；
预警判断模块53，用于若健康应用数据或生活应用数据不满足目标健康指标的要求，则对用户进行健康预警。
进一步地，区块链节点包括诊断信息区块链节点、健康信息区块链节点和生活信息区块链节点，数据获取模块10包括：
标识获取子模块101，用于获取用户的身份标识信息；
分区提取子模块102，用于从诊断信息区块链节点中获取身份标识信息对应的医院诊断记录，从健康信息区块链节点中获取身份标识信息对应的健康应用数据，并从生活信息区块链节点中获取身份标识信息对应的生活应用数据。
关于健康数据处理装置的具体限定可以参见上文中对于健康数据处理方法的限定，在此不再赘述。上述健康数据处理装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图8所示。该计算机设备包括通过***总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***、计算机程序和数据库。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种健康数据处理方法。
在一实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述实施例中健康数据处理方法的步骤，例如图2所示的步骤S1至步骤S4。或者，处理器执行计算机程序时实现上述实施例中健康数据处理装置的各模块/单元的功能，例如图7所示模块10至模块40的功能。为避免重复，此处不再赘述。
在一实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述方法实施例中健康数据处理方法，或者，该计算机程序被处理器执行时实现上述装置实施例中健康数据处理装置中各模块/单元的功能。为避免重复，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中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。
Claims (10)
1.一种健康数据处理方法，其特征在于，所述健康数据处理方法包括：
从预设的区块链节点获取用户的健康数据，其中，所述健康数据包括医院诊断记录、健康应用数据和生活应用数据；
分别从所述医院诊断记录、所述健康应用数据和所述生活应用数据中提取预设的特征属性的属性内容，并将提取到的每个所述特征属性的属性内容按照预设的维度组成待处理的个体数据集；
根据预设的样本数据库中目标疾病的样本数据集，基于朴素贝叶斯分类器对所述个体数据集进行分类，得到所述个体数据集对应的所述用户的分类结果，其中，所述朴素贝叶斯分类器用于分析所述个体数据集对应的所述用户存在所述目标疾病的患病风险；
根据所述分类结果对所述用户进行健康预警。
2.如权利要求1所述的健康数据处理方法，其特征在于，所述根据预设的样本数据库中目标疾病的样本数据集，基于朴素贝叶斯分类器对所述个体数据集进行分类，得到所述个体数据集的分类结果包括：
根据所述目标疾病的样本数据集，计算类别Ci的先验概率P(Ci)，其中，i为0或1，类别C0为存在所述目标疾病的患病风险，类别C1为不存在所述目标疾病的患病风险；
按照如下公式计算所述个体数据集X在类别Ci的概率P(Ci|X)：
其中，X＝(x1,x2,...,xn)，xj＝(a1(tj),a2(tj),...,am(tj))T，n为预设时间段的时间点数量，xj为由所述预设时间段内第j个时间点的每个所述特征属性的属性内容组成的向量分量，tj为所述预设时间段内的第j个时间点，ak(tj)为特征属性ak在时间点tj的取值，m为所述特征属性的数量，k∈[1,m]；
计算P(C0|X)与P(C1|X)之间的绝对差值；
若所述绝对差值小于或等于预设的偏差阈值，则确认所述分类结果为所述用户属于所述目标疾病的潜在风险人群；
若所述绝对差值大于所述预设的偏差阈值，并且P(C0|X)大于P(C1|X)，则确认所述分类结果为所述用户存在所述目标疾病的患病风险；
若所述绝对差值大于所述预设的偏差阈值，并且P(C0|X)小于P(C1|X)，则确认所述分类结果为所述用户不存在所述目标疾病的患病风险。
3.如权利要求2所述的健康数据处理方法，其特征在于，所述根据所述分类结果对所述用户进行健康预警包括：
若所述分类结果为所述用户属于所述目标疾病的潜在风险人群，则向所述用户发送对所述目标疾病的预防提示信息；
若所述分类结果为所述用户存在所述目标疾病的患病风险，则对所述用户进行病前预警。
4.如权利要求1所述的健康数据处理方法，其特征在于，所述从预设的区块链节点获取用户的健康数据之后，所述健康数据处理方法还包括：
从所述医院诊断记录中获取所述用户的医疗诊断结果；
根据预设的疾病与健康指标之间的对应关系，获取所述医疗诊断结果对应的目标健康指标；
若所述健康应用数据或所述生活应用数据不满足所述目标健康指标的要求，则对所述用户进行健康预警。
5.如权利要求1所述的健康数据处理方法，其特征在于，所述区块链节点包括诊断信息区块链节点、健康信息区块链节点和生活信息区块链节点，所述从预设的区块链节点获取用户的健康数据包括：
获取所述用户的身份标识信息；
从所述诊断信息区块链节点中获取所述身份标识信息对应的所述医院诊断记录，从所述健康信息区块链节点中获取所述身份标识信息对应的所述健康应用数据，并从所述生活信息区块链节点中获取所述身份标识信息对应的所述生活应用数据。
6.一种健康数据处理装置，其特征在于，所述健康数据处理装置包括：
数据获取模块，用于从预设的区块链节点获取用户的健康数据，其中，所述健康数据包括医院诊断记录、健康应用数据和生活应用数据；
属性提取模块，用于分别从所述医院诊断记录、所述健康应用数据和所述生活应用数据中提取预设的特征属性的属性内容，并将提取到的每个所述特征属性的属性内容按照预设的维度组成待处理的个体数据集；
用户分类模块，用于根据预设的样本数据库中目标疾病的样本数据集，基于朴素贝叶斯分类器对所述个体数据集进行分类，得到所述个体数据集对应的所述用户的分类结果，其中，所述朴素贝叶斯分类器用于分析所述个体数据集对应的所述用户存在所述目标疾病的患病风险；
健康预警模块，用于根据所述分类结果对所述用户进行健康预警。
7.如权利要求6所述的健康数据处理装置，其特征在于，所述用户分类模块包括：
第一概率计算子模块，用于根据所述目标疾病的样本数据集，计算类别Ci的先验概率P(Ci)，其中，i为0或1，类别C0为存在所述目标疾病的患病风险，类别C1为不存在所述目标疾病的患病风险；
第二概率计算子模块，用于按照如下公式计算所述个体数据集X在类别Ci的概率P(Ci|X)：
其中，X＝(x1,x2,...,xn)，xj＝(a1(tj),a2(tj),...,am(tj))T，n为预设时间段的时间点数量，xj为由所述预设时间段内第j个时间点的每个所述特征属性的属性内容组成的向量分量，tj为所述预设时间段内的第j个时间点，ak(tj)为特征属性ak在时间点tj的取值，m为所述特征属性的数量，k∈[1,m]；
概率差值计算子模块，用于计算P(C0|X)与P(C1|X)之间的绝对差值；
第一分类子模块，用于若所述绝对差值小于或等于预设的偏差阈值，则确认所述分类结果为所述用户属于所述目标疾病的潜在风险人群；
第二分类子模块，用于若所述绝对差值大于所述预设的偏差阈值，并且P(C0|X)大于P(C1|X)，则确认所述分类结果为所述用户存在所述目标疾病的患病风险；
第三分类子模块，用于若所述绝对差值大于所述预设的偏差阈值，并且P(C0|X)小于P(C1|X)，则确认所述分类结果为所述用户不存在所述目标疾病的患病风险。
8.如权利要求7所述的健康数据处理装置，其特征在于，所述健康预警模块包括：
预防提示子模块，用于若所述分类结果为所述用户属于所述目标疾病的潜在风险人群，则向所述用户发送对所述目标疾病的预防提示信息；
病前预警子模块，用于若所述分类结果为所述用户存在所述目标疾病的患病风险，则对所述用户进行病前预警。
9.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至5任一项所述的健康数据处理方法。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至5任一项所述的健康数据处理方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910842462.0A CN110752035A (zh) | 2019-09-06 | 2019-09-06 | 健康数据处理方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910842462.0A CN110752035A (zh) | 2019-09-06 | 2019-09-06 | 健康数据处理方法、装置、计算机设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110752035A true CN110752035A (zh) | 2020-02-04 |
Family
ID=69276120
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910842462.0A Pending CN110752035A (zh) | 2019-09-06 | 2019-09-06 | 健康数据处理方法、装置、计算机设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110752035A (zh) |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111370125A (zh) * | 2020-03-10 | 2020-07-03 | 武汉诶唉智能科技有限公司 | 一种基于5g和区块链的大健康ai预防管理***及方法 |
| CN111370115A (zh) * | 2020-03-10 | 2020-07-03 | 武汉诶唉智能科技有限公司 | 一种基于区块链的大健康人工智能预防管理方法及*** |
| CN111708820A (zh) * | 2020-06-17 | 2020-09-25 | 中国银行股份有限公司 | 一种出行数据查询方法 |
| CN111899872A (zh) * | 2020-06-16 | 2020-11-06 | 东南大学 | 一种基于智能健康识别码与区块链集成技术的健康风险控制方法 |
| CN112133434A (zh) * | 2020-09-17 | 2020-12-25 | 吾征智能技术(北京)有限公司 | 基于饮食习惯的高血脂辅助诊断***、设备、存储介质 |
| CN112465231A (zh) * | 2020-12-01 | 2021-03-09 | 平安医疗健康管理股份有限公司 | 地区人口健康状态预测方法、设备和可读存储介质 |
| CN112527902A (zh) * | 2020-12-08 | 2021-03-19 | 李桂梅 | 一种基于区块链的餐饮人员身体数据共享*** |
| CN113436725A (zh) * | 2021-06-24 | 2021-09-24 | 平安国际智慧城市科技股份有限公司 | 数据处理方法、***、计算机设备及计算机可读存储介质 |
| WO2021238460A1 (zh) * | 2020-05-29 | 2021-12-02 | 华为技术有限公司 | 风险预警方法、风险行为信息获取方法和电子设备 |
| CN113823412A (zh) * | 2021-09-29 | 2021-12-21 | 康键信息技术（深圳）有限公司 | 健康管理计划生成方法、装置、电子设备及存储介质 |
| WO2022062353A1 (zh) * | 2020-09-23 | 2022-03-31 | 康键信息技术（深圳）有限公司 | 医疗数据处理方法、装置、计算机设备和存储介质 |
| CN114694355A (zh) * | 2020-12-30 | 2022-07-01 | 深圳融昕医疗科技有限公司 | 远程预警方法及*** |
| CN115662643A (zh) * | 2022-10-27 | 2023-01-31 | *** | 一种糖尿病健康医疗大数据采集*** |
| CN115910339A (zh) * | 2022-11-25 | 2023-04-04 | 浙江大学 | 体重监测方法、***、计算机设备和存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103955703A (zh) * | 2014-04-25 | 2014-07-30 | 杭州电子科技大学 | 一种基于朴素贝叶斯的医疗影像疾病分类方法 |
| CN108922623A (zh) * | 2018-07-12 | 2018-11-30 | 中国铁道科学研究院集团有限公司 | 一种健康风险评估和疾病预警信息*** |
| KR20190070430A (ko) * | 2017-12-13 | 2019-06-21 | (주)엔텔스 | 빅데이터 분석 기반 질병 진단명 추정 방법 및 추정 장치 |
| CN110033866A (zh) * | 2019-03-08 | 2019-07-19 | 平安科技（深圳）有限公司 | 健康提醒方法、装置、计算机设备及存储介质 |
-
2019
- 2019-09-06 CN CN201910842462.0A patent/CN110752035A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103955703A (zh) * | 2014-04-25 | 2014-07-30 | 杭州电子科技大学 | 一种基于朴素贝叶斯的医疗影像疾病分类方法 |
| KR20190070430A (ko) * | 2017-12-13 | 2019-06-21 | (주)엔텔스 | 빅데이터 분석 기반 질병 진단명 추정 방법 및 추정 장치 |
| CN108922623A (zh) * | 2018-07-12 | 2018-11-30 | 中国铁道科学研究院集团有限公司 | 一种健康风险评估和疾病预警信息*** |
| CN110033866A (zh) * | 2019-03-08 | 2019-07-19 | 平安科技（深圳）有限公司 | 健康提醒方法、装置、计算机设备及存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| QXWONLY: "机器学习实战（五）朴素贝叶斯算法", pages 9, Retrieved from the Internet <URL:https://blog.csdn.net/qs17809259715/article/details/96153630> * |
Cited By (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111370115A (zh) * | 2020-03-10 | 2020-07-03 | 武汉诶唉智能科技有限公司 | 一种基于区块链的大健康人工智能预防管理方法及*** |
| CN111370125A (zh) * | 2020-03-10 | 2020-07-03 | 武汉诶唉智能科技有限公司 | 一种基于5g和区块链的大健康ai预防管理***及方法 |
| WO2021238460A1 (zh) * | 2020-05-29 | 2021-12-02 | 华为技术有限公司 | 风险预警方法、风险行为信息获取方法和电子设备 |
| CN111899872A (zh) * | 2020-06-16 | 2020-11-06 | 东南大学 | 一种基于智能健康识别码与区块链集成技术的健康风险控制方法 |
| CN111708820A (zh) * | 2020-06-17 | 2020-09-25 | 中国银行股份有限公司 | 一种出行数据查询方法 |
| CN112133434A (zh) * | 2020-09-17 | 2020-12-25 | 吾征智能技术(北京)有限公司 | 基于饮食习惯的高血脂辅助诊断***、设备、存储介质 |
| WO2022062353A1 (zh) * | 2020-09-23 | 2022-03-31 | 康键信息技术（深圳）有限公司 | 医疗数据处理方法、装置、计算机设备和存储介质 |
| CN112465231B (zh) * | 2020-12-01 | 2023-02-03 | 深圳平安医疗健康科技服务有限公司 | 地区人口健康状态预测方法、设备和可读存储介质 |
| CN112465231A (zh) * | 2020-12-01 | 2021-03-09 | 平安医疗健康管理股份有限公司 | 地区人口健康状态预测方法、设备和可读存储介质 |
| CN112527902A (zh) * | 2020-12-08 | 2021-03-19 | 李桂梅 | 一种基于区块链的餐饮人员身体数据共享*** |
| CN112527902B (zh) * | 2020-12-08 | 2023-01-10 | 苏州鱼得水电气科技有限公司 | 一种基于区块链的餐饮人员身体数据共享*** |
| CN114694355A (zh) * | 2020-12-30 | 2022-07-01 | 深圳融昕医疗科技有限公司 | 远程预警方法及*** |
| CN114694355B (zh) * | 2020-12-30 | 2024-02-23 | 深圳融昕医疗科技有限公司 | 远程预警方法及*** |
| CN113436725A (zh) * | 2021-06-24 | 2021-09-24 | 平安国际智慧城市科技股份有限公司 | 数据处理方法、***、计算机设备及计算机可读存储介质 |
| CN113823412A (zh) * | 2021-09-29 | 2021-12-21 | 康键信息技术（深圳）有限公司 | 健康管理计划生成方法、装置、电子设备及存储介质 |
| CN113823412B (zh) * | 2021-09-29 | 2024-04-12 | 康键信息技术（深圳）有限公司 | 健康管理计划生成方法、装置、电子设备及存储介质 |
| CN115662643A (zh) * | 2022-10-27 | 2023-01-31 | *** | 一种糖尿病健康医疗大数据采集*** |
| CN115910339A (zh) * | 2022-11-25 | 2023-04-04 | 浙江大学 | 体重监测方法、***、计算机设备和存储介质 |
| CN115910339B (zh) * | 2022-11-25 | 2023-07-07 | 浙江大学 | 体重监测方法、***、计算机设备和存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110752035A (zh) | 健康数据处理方法、装置、计算机设备及存储介质 | |
| Willetts et al. | Statistical machine learning of sleep and physical activity phenotypes from sensor data in 96,220 UK Biobank participants | |
| US10937164B2 (en) | Medical evaluation machine learning workflows and processes | |
| KR101873926B1 (ko) | 빅데이터 기반 의료자문 서비스 제공 방법 | |
| US9955869B2 (en) | System and method for supporting health management services | |
| US20170147777A1 (en) | Method and apparatus for predicting health data value through generation of health data pattern | |
| CN111145910A (zh) | 基于人工智能的异常案例识别方法、装置、计算机设备 | |
| KR20180002234A (ko) | 치매 조기 진단을 위한 스마트 검사장치 및 그 방법 | |
| CN110729054B (zh) | 异常就诊行为检测方法、装置、计算机设备及存储介质 | |
| Sreejith et al. | A real time patient monitoring system for heart disease prediction using random forest algorithm | |
| US11676704B2 (en) | Systems and methods for processing electronic images for health monitoring and forecasting | |
| KR102342770B1 (ko) | 질병 예측치의 분포를 이용한 건강관리 상담 시스템 | |
| CN108766584A (zh) | 疾病预警方法及*** | |
| CN117238458A (zh) | 基于云计算的重症护理跨机构协同平台*** | |
| Chakraborty et al. | Identification of chronic wound status under tele-wound network through smartphone | |
| CN113990482A (zh) | 健康数据处理***及方法 | |
| CN112131277A (zh) | 基于大数据的医疗数据异常分析方法、装置和计算机设备 | |
| Sood et al. | Fog–cloud assisted IoT-based hierarchical approach for controlling dengue infection | |
| CN111221876A (zh) | 数据降维处理方法、装置、计算机设备和存储介质 | |
| Kavitha et al. | IoT-cloud-based health care system framework to detect breast abnormality | |
| KR102579786B1 (ko) | 임상 결과들을 개선하고 총 케어 비용을 감소시키기 위한 cna-유도 케어 | |
| Jersak et al. | A systematic review on mobile health care | |
| CN113436738A (zh) | 管理风险用户的方法、装置、设备及存储介质 | |
| CN109003193B (zh) | 投保风险预测方法、装置、计算机设备和存储介质 | |
| KR20180002229A (ko) | 치매 정보 데이터베이스 구축을 위한 에이전트 장치 및 그 운영방법 |
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 |