CN112133385A - 一种问诊信息采集分析***及采集分析方法 - Google Patents
一种问诊信息采集分析***及采集分析方法 Download PDFInfo
- Publication number
- CN112133385A CN112133385A CN202010960137.7A CN202010960137A CN112133385A CN 112133385 A CN112133385 A CN 112133385A CN 202010960137 A CN202010960137 A CN 202010960137A CN 112133385 A CN112133385 A CN 112133385A
- Authority
- CN
- China
- Prior art keywords
- patient
- medical
- analysis
- questionnaire
- algorithm
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 109
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 50
- 238000011160 research Methods 0.000 claims abstract description 21
- 238000000034 method Methods 0.000 claims abstract description 20
- 239000000463 material Substances 0.000 claims abstract description 8
- 238000013528 artificial neural network Methods 0.000 claims description 12
- 201000010099 disease Diseases 0.000 claims description 10
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 7
- 238000013527 convolutional neural network Methods 0.000 claims description 6
- 238000007477 logistic regression Methods 0.000 claims description 6
- 239000000284 extract Substances 0.000 claims description 4
- 235000018185 Betula X alpestris Nutrition 0.000 claims description 3
- 235000018212 Betula X uliginosa Nutrition 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 3
- 238000003064 k means clustering Methods 0.000 claims description 3
- 238000012417 linear regression Methods 0.000 claims description 3
- 230000000306 recurrent effect Effects 0.000 claims description 3
- 230000002787 reinforcement Effects 0.000 claims description 3
- 238000000926 separation method Methods 0.000 claims description 3
- 238000012421 spiking Methods 0.000 claims description 3
- 238000012706 support-vector machine Methods 0.000 claims description 3
- 238000007405 data analysis Methods 0.000 claims description 2
- 239000002244 precipitate Substances 0.000 claims description 2
- 238000007637 random forest analysis Methods 0.000 claims description 2
- 238000010801 machine learning Methods 0.000 abstract description 6
- 230000008569 process Effects 0.000 abstract description 6
- 238000013473 artificial intelligence Methods 0.000 abstract description 5
- 238000012545 processing Methods 0.000 abstract description 4
- 238000012795 verification Methods 0.000 description 6
- 206010020751 Hypersensitivity Diseases 0.000 description 4
- 208000026935 allergic disease Diseases 0.000 description 4
- 230000007815 allergy Effects 0.000 description 4
- 230000035606 childbirth Effects 0.000 description 4
- 208000014674 injury Diseases 0.000 description 4
- 230000008733 trauma Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000008092 positive effect Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 239000013049 sediment Substances 0.000 description 1
- 230000003068 static 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
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/20—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for electronic clinical trials or questionnaires
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Primary Health Care (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Epidemiology (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Databases & Information Systems (AREA)
- Algebra (AREA)
- Pathology (AREA)
- Probability & Statistics with Applications (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明提供一种问诊信息采集分析***及采集分析方法,包括患者端、存储分析端和医护端,患者端设有问卷,问诊患者填写好问卷后,将问卷发送给存储分析端。存储分析端利用问卷信息生成患者病历,反馈给患者端和医护端,医护端接收存储分析端的患者病历,辅助完成患者问诊。存储分析端沉淀的结构化数据可作为科研素材,利用人工智能等方法进行分析,探寻新的医学知识。本发明通过问卷调查的方式搜集信息,将机器学习、人工智能引入到对患者相应数据库的处理之中,构建了相应的分析模型和算法,通过不同维度对数据库中患者的各项指标和状况进行综合处理,快速搜集素材、存储信息、生成病历、分析结果、探寻新知识、提示各类风险。
Description
技术领域
本发明属于医疗用软件开发技术领域,尤其是涉及一种问诊信息采集分析***及采集分析方法。
背景技术
在临床实践中,门诊患者的医疗信息采集,大多通过医生对患者进行问诊获取。但医生与患者进行问诊的过程中,费时费力,同时,由于医疗资源有限,医生分配给患者的问诊时间更为稀少,大多只能通过重点询问,抓住重点信息完成问诊环节。
然而,许多重要细节医生来不及问,或者患者忘记回答,导致细节被隐藏甚至遗漏。这些未被重视的隐藏细节可能是现有医学知识已经认识到的,但不被患者重视,亦或是现有医学知识没有认识到但与疾病或预后等诊断治疗相关的重要因素。
发明内容
本发明要解决的问题是提供一种信息采集分析***及采集分析方法;尤其应用在医疗领域,基于网络问卷获取患者医疗信息,智能分析出患者的身体状况并生成病历存储,为科研提供高质量数据,便于医护人员查询,智能化程度强的一种问诊信息采集分析***及采集分析方法。
为解决上述技术问题,本发明采用的技术方案是:
一种问诊信息采集分析***,包括患者端、存储分析端和医护端,
所述患者端设有问卷,所述患者端通过Internet网络连接所述存储分析端,问诊患者填写好所述问卷后,将所述问卷发送给所述存储分析端;
所述存储分析端接收并存储问诊患者的所述问卷信息,生成患者病历,反馈给所述患者端和所述医护端,并将所述问卷信息沉淀为结构数据,进行智能分析,为医疗科研***提供数据信息和探寻可能的新知识,同时将已有知识和新知识提示的疾病风险、治疗方案推荐信息发送给所述患者端和所述医护端,辅助医疗环节完成并促进患者的医学认识;
所述医护端通过Internet网络连接所述存储分析端,所述医护端接收所述存储分析端的患者病历,辅助完成患者问诊。
进一步的,所述患者端为智能手机,所述问卷通过应用程序或网页形式加载在所述智能手机上。
进一步的,所述患者端为电脑,所述问卷通过Web界面形式加载在所述电脑上。
进一步的,所述存储分析端为云端存储,所述存储分析端包括模板抓取模块或智能分析模块,所述模板抓取模块提取所述问卷信息生成所述患者病历,或通过所述智能分析模块生成所述患者病历。
进一步的,所述存储分析端包括分析模型,所述分析模型将数据以结构化的形式沉淀下来,通过不同维度对数据库中患者的各项指标和状况进行综合处理,沉淀科研素材,发现新医学知识,同时将已有知识和新知识提示的疾病风险、治疗方案推荐信息发送给患者端和医护端,辅助医疗环节的完成并促进患者的医学认识。
进一步的,所述分析模型包括但不限于反向传播、波尔兹曼机、卷积神经网络、Hopfield网络、多层感知器、径向基函数网络、受限波尔兹曼机、回归神经网络、自组织映射、尖峰神经网络、朴素贝叶斯 、高斯贝叶斯、多项朴素贝叶斯、平均-依赖性评估、贝叶斯信念网络、贝叶斯网络等、分类和回归树、迭代Dichotomiser3、C4.5算法、C5.0算法、卡方自动交互检测、决策残端、ID3算法、随机森林、SLIQ、Fisher的线性判别、线性回归、逻辑回归、多项逻辑回归、朴素贝叶斯分类器、感知、支持向量机、生成对抗网络、前馈神经网络、逻辑学习机、自组织映射、先验算法、Eclat算法、FP-Growth算法、单连锁聚类、概念聚类、BIRCH算法、DBSCAN算法,期望最大化、模糊聚类、K-means算法、K均值聚类、K-medians聚类、均值漂移算法、OPTICS算法、最邻近算法、局部异常因子算法、生成模型、低密度分离、基于图形的方法、联合训练、Q学习、状态-行动-奖励-状态-行动、DQN、策略梯度算法、基于模型强化学习、时序差分学习、深度信念网络、深度卷积神经网络、深度递归神经网络、分层时间记忆、深度波尔兹曼机、栈式自动编码器、生成对抗网络。
进一步的,所述医护端为智能手机或电脑,通过应用程序或Web界面显示所述问卷。
进一步的,本发明还提供一种问诊信息采集分析方法,利用上述的问诊信息采集分析***,包括以下步骤,
S1:所述患者端通过所述问卷采集被问诊患者的信息;
S2:所述患者端将采集到的所述问卷信息发送给存储分析端存储、分析;
S3:所述存储分析端生成患者病历,所述存储分析端将所述患者病历发送给所述患者端和所述医护端,同时,所述存储分析端将所述问卷信息的结构化数据存储下来并发送给算法建模模块进行数据分析;
S4:所述医护端由所述存储分析端获取所述患者病历。
进一步的,所述S1包括以下步骤,
S11:所述患者端依据个人信息登录账户;
S12:所述患者端接收所述账户内的所述问卷内容;
S13:所述问卷填写完毕后,经所述患者端确认后,发送至所述存储分析端。
进一步的,所述S4包括以下步骤,
S41:所述医护端依据个人信息登录;
S42:所述医护端获取所述患者病历;
S43:所述医护端借助所述患者病历完善患者问诊。
本发明具有的优点和积极效果是:
1、本发明通过问卷调查的方式在患者面诊医生之前进行问诊调查,自动生成病历,简化医护人员及患者的就诊流程,提高就医效率。同时,数据将以结构化的形式沉淀下来,并将机器学习、人工智能引入到对患者相应数据的处理之中,构建了相应的分析模型和算法,通过不同维度对数据库中患者的各项指标和状况进行综合处理,沉淀科研素材,发现可能的新医学知识。同时将已有知识和新知识提示的疾病风险、治疗方案推荐等信息发送给患者端和医护端,辅助医疗环节的完成并促进患者的医学认识。
2、本发明借助网页或手机客户端的小程序等形式进行问卷信息收集,通过树形深入的问卷形式,***地收集了现病史、既往史、手术外伤史、婚育史、家族史、过敏史、疫源疫区接触史、体格检查、辅助检查等传统病史内容,及与患者相关的心理学评估指标、经济情况、社会关系、职业情况,教育情况等生物学和人生经历情况。***地全面地收集传统的病史,节省医疗人员问诊时间,辅助完成问诊环节。同时,可将多因素进行深度学习,探寻各因素间可能存在的关联性。为医疗人员提供提示,同时可作为高质量的科研数据进行自动分析和存储,有利于医学进步。
3、本发明医护端通过个人账户登录,查看患者病历,确保患者隐私不被泄露,同时,使用的医生可自行添加感兴趣的问题,作为特定科研使用及病人随访,完善问卷内容。
4、本发明的存储分析端在模型的基础时建立后续的机器学习、训练方法和训练机制,以不断优化模型预测的准确度,同时,对以往数据的动态分析和对将要发生事件的预测功能,自动化程度高,实用性强。
附图说明
图1是本发明一实施例的工作原理图。
图2是本发明另一实施例的整体流程图。
具体实施方式
下面将结合附图对本发明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。
在本发明的描述中,需要说明的是,术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
在本发明的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
下面结合附图对本发明实施例做进一步描述:
如图1所示,一种问诊信息采集分析***,包括患者端、存储分析端和医护端。
患者端设有问卷,患者端通过Internet网络连接存储分析端,问诊患者填写好问卷后,将问卷发送给存储分析端。
存储分析端接收并存储多名问诊患者的问卷信息,生成病历。沉淀问卷信息为结构化数据,并对数据进行智能分析,为医疗科研***提供数据和可能的新知识。同时将已有知识和新知识提示的疾病风险、治疗方案推荐等信息发送给患者端和医护端,辅助医疗环节的完成并促进患者的医学认识。
医护端通过Internet网络连接存储分析端,医护端接收存储分析端的患者病历,辅助完成患者问诊。
本实施例通过问卷调查的方式在患者面诊医生之前进行问诊调查,自动生成病历,简化医护人员及患者的就诊流程,提高就医效率。同时,数据将以结构化的形式沉淀下来,并将机器学习、人工智能引入到对患者相应数据的处理之中,构建了相应的分析模型和算法,通过不同维度对数据库中患者的各项指标和状况进行综合处理,沉淀科研素材,发现可能的新医学知识。同时将已有知识和新知识提示的疾病风险、治疗方案推荐等信息发送给患者端和医护端,辅助医疗环节的完成并促进患者的医学认识。
具体的,本实施例中的术语“问卷”是以问题的形式***的记载需调查内容的一种载体,问卷形式包括但不限于文字、音频、视频、游戏等。将问题传达给被问患者,并使被问患者乐于回答,通过得到的答案获取需要了解的信息。具体的,本实施例提供的问卷内容包括传统病史,包括但不限于现病史、既往史、手术外伤史、婚育史、家族史、过敏史、疫源疫区接触史、体格检查、辅助检查等。同时还包括与患者相关的生物学和人生经历情况,包括但不限于心理学评估指标、经济情况、社会关系、职业情况,教育情况等。
患者端为响应存储分析端的推送消息通知后从存储分析端获取问卷内容的设备,问诊患者填写完问卷后,患者端将问诊患者的问卷答案数据、上网行为数据发送给存储分析端,存储分析端储存并分析,获得最终调研信息。
患者端可以为智能手机,问卷通过应用程序形式加载在智能手机上。或者患者端为电脑,问卷通过Web界面形式加载在电脑上。优选的,患者端设有患者身份验证功能,用以在患者问卷信息采集前,对患者身份进行验证,便于患者自行填写问卷后,患者病历结果直接记录到患者的信息库内。
存储分析端的执行主体为服务器,服务器可以为远程的后台服务器,也可以为云平台的服务器,即云端存储。而云端存储平台,采用应用虚拟化技术,集软件搜索、下载、使用、管理、备份等多种功能为一体,为用户搭建软件资源、软件应用和软件服务平台,改善目前软件获取和使用的方式,带给用户简单流畅、方便快捷的全新体验。后台服务器具体可采用独立的服务器或者是多个服务器组成的服务器集群来实现。
存储分析端的输入端接收并存储患者端传递的各患者的问卷信息,存储分析端的输出端分别连接患者端和医护端。患者端、医护端和服务器之间通过通信网络传输问卷信息,通信网络可以但不限于为3G、4G、5G、wifi。
存储分析端可通过模板抓取模块提取问卷信息生成患者病历,也可以通过智能分析模块生成患者病历。存储分析端还包括分析模型,分析模型将数据以结构化的形式沉淀下来,通过不同维度对数据库中患者的各项指标和状况进行综合处理,沉淀科研素材,发现新医学知识,同时将已有知识和新知识提示的疾病风险、治疗方案推荐信息发送给患者端和医护端,辅助医疗环节的完成并促进患者的医学认识。分析模型包括但不限于反向传播、波尔兹曼机、卷积神经网络、Hopfield网络、多层感知器、径向基函数网络、受限波尔兹曼机、回归神经网络、自组织映射、尖峰神经网络、朴素贝叶斯 、高斯贝叶斯、多项朴素贝叶斯、平均-依赖性评估、贝叶斯信念网络、贝叶斯网络等、分类和回归树、迭代Dichotomiser3、C4.5算法、C5.0算法、卡方自动交互检测、决策残端、ID3算法、随机森林、SLIQ、Fisher的线性判别、线性回归、逻辑回归、多项逻辑回归、朴素贝叶斯分类器、感知、支持向量机、生成对抗网络、前馈神经网络、逻辑学习机、自组织映射、先验算法、Eclat算法、FP-Growth算法、单连锁聚类、概念聚类、BIRCH算法、DBSCAN算法,期望最大化、模糊聚类、K-means算法、K均值聚类、K-medians聚类、均值漂移算法、OPTICS算法、最邻近(K-nearestNeighbor,KNN)算法、局部异常因子算法、生成模型、低密度分离、基于图形的方法、联合训练、Q学习、状态-行动-奖励-状态-行动、DQN、策略梯度算法、基于模型强化学习、时序差分学习、深度信念网络、深度卷积神经网络、深度递归神经网络、分层时间记忆、深度波尔兹曼机、栈式自动编码器、生成对抗网络。
通过树形深入的问卷形式,***地全面地收集传统的病史,节省医疗人员问诊时间,辅助完成问诊环节。同时,可将多因素进行深度学习,探寻各因素间可能存在的关联性。为医疗人员提供提示,同时可作为高质量的科研数据进行自动分析和存储,有利于医学进步。
患者端上安装有App应用程序或Web应用程序,患者端通过应用程序实现与云端服务器之间的信息交互。患者端的应用程序实时检测患者端与云端服务器之间通信连接是否正常。
患者端可以通过使用自身的生物识别方式登录,例如,指纹识别方式登录、面部识别方式登录等。也可以使用账户名和密码请求登录、使用手机号和密码请求登录等方式登录。
存储分析端的云端服务器接收到患者端的登录请求后,与云端服务器中存储的用户信息进行匹配,若匹配成功,则登录请求验证通过;若匹配不成功,则登录请求验证未通过,云端服务器验证结果均反馈至患者端。
若登录请求验证未通过,患者端提示用户是否注册,若用户选择注册,显示注册页面,用户在注册页面内填写信息,注册完成后,患者端向云端服务器发送注册信息,云端服务器更新存储的用户信息。
只有登录请求验证通过后,云端服务器方可接收患者端发送的问卷。
医护端为智能手机或电脑,通过应用程序或Web界面显示问卷。医护端接收存储分析端发送到医护端的分析结果,辅助医生完成患者问诊。
具体的,医护端上安装有App应用程序或Web应用程序,医护端通过应用程序实现与云端服务器之间的信息交互。医护端的应用程序实时检测医护端与云端服务器之间通信连接是否正常。
医护端可以通过使用自身的生物识别方式登录,例如,指纹识别方式登录、面部识别方式登录等。也可以使用账户名和密码请求登录、使用手机号和密码请求登录等。
存储分析端的云端服务器接收到医护端的登录请求后,与云端服务器中存储的医护信息进行匹配,若匹配成功,则登录请求验证通过;若匹配不成功,则登录请求验证未通过,云端服务器验证结果均反馈至医护端。
若登录请求验证未通过,医护端提示医护是否注册,若医护选择注册,显示注册页面,医护在注册页面内填写信息,注册完成后,医护端向云端服务器发送注册信息,云端服务器更新存储的用户信息。
只有登录请求验证通过后,云端服务器方可向医护端发送分析结果,医护端方可将完善信息发送至云端服务器,以便云端服务器存储后发送给科研***。
优选的,如图2所示,本发明还提供一种问诊信息采集分析方法,利用上述的问诊信息采集分析***,包括以下步骤。
S1:患者端通过问卷采集问诊患者的问诊信息。具体的,服务器获取最新的问卷任务和分发策略,向符合任务策略条件的患者端推送问卷任务,患者端可以是患者的电脑、手机等。问卷消息以HTML页面由通知、消息推送等方法推送给患者设备。由于路由器推送的消息基于HTTP标准协议,因此支持跨操作***、跨设备的接入。
S11:患者端依据个人信息登录账户,可以通过使用自身的生物识别方式登录,例如,指纹识别方式登录、面部识别方式登录等。也可以使用账户名和密码请求登录、使用手机号和密码请求登录等方式登录。
S12:患者端接收账户内的问卷内容,即患者响应了服务器推送的问卷任务后,患者端从服务器获取该问卷的问卷内容,并可对问卷的内容作答。问卷内容包括但不限于传统病史及与患者相关的生物学和人生经历情况,其中,传统病史包括但不限于现病史、既往史、手术外伤史、婚育史、家族史、过敏史、疫源疫区接触史、体格检查、辅助检查等。与患者相关的生物学和人生经历情况,包括但不限于心理学评估指标、经济情况、社会关系、职业情况,教育情况等。
S13:问卷填写完毕后,经患者端确认后,发送至存储分析端。
S2:患者端将采集到的问卷信息发送给存储分析端存储、分析。存储分析端可以以一个医院作为一个整体,建立一个数据库;也可以一定区域内的多家医院资源共享,建立一个数据库;或者以社会整个医疗资源作为一个整体,建立数据量更大、更全面的数据库。
S21:存储分析端获取患者端的问卷信息。
S22:存储分析端通过对问卷信息进行模型运算。
S23:获取问卷信息中包含的多个模型参数。
S3:存储分析端生成患者病历,存储分析端将患者病历发送给患者端和医护端,同时,存储分析端将问卷信息发送给科研***,为科研***提供高质量的科研数据,有利于医学进步。
S31:存储分析端通过自身的模板抓取模块,模板抓取模块提取问卷信息生成患者病历。
S32:存储分析端通过智能分析模块智能分析后,生成患者病历。
S33:存储分析端将患者病历,发送给患者端和医护端。
S4:医护端由存储分析端获取患者病历。
S41:医护端依据个人信息登录,医护端可以通过使用自身的生物识别方式登录,例如,指纹识别方式登录、面部识别方式登录等。也可以使用账户名和密码请求登录、使用手机号和密码请求登录等。
S42:医护端获取患者病历,使用的医生可自行添加感兴趣的问题,作为特定科研使用及病人随访,完善问卷内容。
S43:医生借助患者病历完善患者问诊。
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,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。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
本发明具有的优点和积极效果是:
1、本发明通过问卷调查的方式在患者面诊医生之前进行问诊调查,自动生成病历,简化医护人员及患者的就诊流程,提高就医效率。同时,数据将以结构化的形式沉淀下来,并将机器学习、人工智能引入到对患者相应数据的处理之中,构建了相应的分析模型和算法,通过不同维度对数据库中患者的各项指标和状况进行综合处理,沉淀科研素材,发现可能的新医学知识。同时将已有知识和新知识提示的疾病风险、治疗方案推荐等信息发送给患者端和医护端,辅助医疗环节的完成并促进患者的医学认识。
2、本发明借助网页或手机客户端的小程序等形式进行问卷信息收集,通过树形深入的问卷形式,***地收集了现病史、既往史、手术外伤史、婚育史、家族史、过敏史、疫源疫区接触史、体格检查、辅助检查等传统病史内容,及与患者相关的心理学评估指标、经济情况、社会关系、职业情况,教育情况等生物学和人生经历情况。***地全面地收集传统的病史,节省医疗人员问诊时间,辅助完成问诊环节。同时,可将多因素进行深度学习,探寻各因素间可能存在的关联性。为医疗人员提供提示,同时可作为高质量的科研数据进行自动分析和存储,有利于医学进步。
3、本发明医护端通过个人账户登录,查看患者病历,确保患者隐私不被泄露,同时,使用的医生可自行添加感兴趣的问题,作为特定科研使用及病人随访,完善问卷内容。
4、本发明的存储分析端在模型的基础时建立后续的机器学习、训练方法和训练机制,以不断优化模型预测的准确度,同时,对以往数据的动态分析和对将要发生事件的预测功能,自动化程度高,实用性强。
以上对本发明的一个实施例进行了详细说明,但所述内容仅为本发明的较佳实施例,不能被认为用于限定本发明的实施范围。凡依本发明申请范围所作的均等变化与改进等,均应仍归属于本发明的专利涵盖范围之内。
Claims (10)
1.一种问诊信息采集分析***,其特征在于:包括患者端、存储分析端和医护端,
所述患者端设有问卷,所述患者端通过Internet网络连接所述存储分析端,问诊患者填写好所述问卷后,将所述问卷发送给所述存储分析端;
所述存储分析端接收并存储问诊患者的所述问卷信息,生成患者病历,反馈给所述患者端和所述医护端,并将所述问卷信息沉淀为结构数据,进行智能分析,为医疗科研***提供数据信息和探寻可能的新知识,同时将已有知识和新知识提示的疾病风险、治疗方案推荐信息发送给所述患者端和所述医护端,辅助医疗环节完成并促进患者的医学认识;
所述医护端通过Internet网络连接所述存储分析端,所述医护端接收所述存储分析端的患者病历,辅助完成患者问诊。
2.根据权利要求1所述的一种问诊信息采集分析***,其特征在于:所述患者端为智能手机,所述问卷通过应用程序或网页形式加载在所述智能手机上。
3.根据权利要求1所述的一种问诊信息采集分析***,其特征在于:所述患者端为电脑,所述问卷通过Web界面形式加载在所述电脑上。
4.根据权利要求1至3任一所述的一种问诊信息采集分析***,其特征在于:所述存储分析端为云端存储,所述存储分析端包括模板抓取模块或智能分析模块,所述模板抓取模块提取所述问卷信息生成所述患者病历,或通过所述智能分析模块生成所述患者病历。
5.根据权利要求1至3任一所述的一种问诊信息采集分析***,其特征在于:所述存储分析端包括分析模型,所述分析模型将数据以结构化的形式沉淀下来,通过不同维度对数据库中患者的各项指标和状况进行综合处理,沉淀科研素材,发现新医学知识,同时将已有知识和新知识提示的疾病风险、治疗方案推荐信息发送给患者端和医护端,辅助医疗环节的完成并促进患者的医学认识。
6.根据权利要求5所述的一种问诊信息采集分析***,其特征在于:所述分析模型包括但不限于反向传播、波尔兹曼机、卷积神经网络、Hopfield网络、多层感知器、径向基函数网络、受限波尔兹曼机、回归神经网络、自组织映射、尖峰神经网络、朴素贝叶斯 、高斯贝叶斯、多项朴素贝叶斯、平均-依赖性评估、贝叶斯信念网络、贝叶斯网络等、分类和回归树、迭代Dichotomiser3、C4.5算法、C5.0算法、卡方自动交互检测、决策残端、ID3算法、随机森林、SLIQ、Fisher的线性判别、线性回归、逻辑回归、多项逻辑回归、朴素贝叶斯分类器、感知、支持向量机、生成对抗网络、前馈神经网络、逻辑学习机、自组织映射、先验算法、Eclat算法、FP-Growth算法、单连锁聚类、概念聚类、BIRCH算法、DBSCAN算法,期望最大化、模糊聚类、K-means算法、K均值聚类、K-medians聚类、均值漂移算法、OPTICS算法、最邻近算法、局部异常因子算法、生成模型、低密度分离、基于图形的方法、联合训练、Q学习、状态-行动-奖励-状态-行动、DQN、策略梯度算法、基于模型强化学习、时序差分学习、深度信念网络、深度卷积神经网络、深度递归神经网络、分层时间记忆、深度波尔兹曼机、栈式自动编码器、生成对抗网络。
7.根据权利要求1至3任一所述的一种问诊信息采集分析***,其特征在于:所述医护端为智能手机或电脑,通过应用程序或Web界面显示所述问卷。
8.一种问诊信息采集分析方法,利用上述权利要求1至7任一所述的问诊信息采集分析***,其特征在于:包括以下步骤,
S1:所述患者端通过所述问卷采集被问诊患者的信息;
S2:所述患者端将采集到的所述问卷信息发送给存储分析端存储、分析;
S3:所述存储分析端生成患者病历,所述存储分析端将所述患者病历发送给所述患者端和所述医护端,同时,所述存储分析端将所述问卷信息的结构化数据存储下来并发送给算法建模模块进行数据分析;
S4:所述医护端由所述存储分析端获取所述患者病历。
9.根据权利要求8所述的一种问诊信息采集分析方法,其特征在于:所述S1包括以下步骤,
S11:所述患者端依据个人信息登录账户;
S12:所述患者端接收所述账户内的所述问卷内容;
S13:所述问卷填写完毕后,经所述患者端确认后,发送至所述存储分析端。
10.根据权利要求8或9所述的一种问诊信息采集分析方法,其特征在于:所述S4包括以下步骤,
S41:所述医护端依据个人信息登录;
S42:所述医护端获取所述患者病历;
S43:所述医护端借助所述患者病历完善患者问诊。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010960137.7A CN112133385A (zh) | 2020-09-14 | 2020-09-14 | 一种问诊信息采集分析***及采集分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010960137.7A CN112133385A (zh) | 2020-09-14 | 2020-09-14 | 一种问诊信息采集分析***及采集分析方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112133385A true CN112133385A (zh) | 2020-12-25 |
Family
ID=73846774
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010960137.7A Pending CN112133385A (zh) | 2020-09-14 | 2020-09-14 | 一种问诊信息采集分析***及采集分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112133385A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112466426A (zh) * | 2020-12-31 | 2021-03-09 | 曜立科技(北京)有限公司 | 一种心血管手术风险评估***及方法 |
CN113096817A (zh) * | 2021-04-13 | 2021-07-09 | 北京大学 | 用于疾病预测的方法、装置、计算机设备和存储介质 |
CN113257414A (zh) * | 2021-07-14 | 2021-08-13 | 北京好欣晴移动医疗科技有限公司 | 基于贝叶斯结构学习的信息归类方法、装置和*** |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107247868A (zh) * | 2017-05-18 | 2017-10-13 | 深思考人工智能机器人科技(北京)有限公司 | 一种人工智能辅助问诊*** |
CN107451407A (zh) * | 2017-07-31 | 2017-12-08 | 广东工业大学 | 一种中医智能诊断方法、***及中医医疗*** |
CN108564986A (zh) * | 2018-04-19 | 2018-09-21 | 苏秦 | 一种通过手机app的儿童疾病自动问诊及病历生成*** |
CN109390058A (zh) * | 2018-09-28 | 2019-02-26 | 湖南智腾安控科技有限公司 | 一种病历辅助分析***及该***的建立方法 |
CN110580953A (zh) * | 2018-06-08 | 2019-12-17 | 上海交迅智能科技有限公司 | 采用人工智能的诊病***和方法 |
CN110610762A (zh) * | 2018-06-15 | 2019-12-24 | 朱一帆 | 病情信息研究方法和***、存储介质 |
-
2020
- 2020-09-14 CN CN202010960137.7A patent/CN112133385A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107247868A (zh) * | 2017-05-18 | 2017-10-13 | 深思考人工智能机器人科技(北京)有限公司 | 一种人工智能辅助问诊*** |
CN107451407A (zh) * | 2017-07-31 | 2017-12-08 | 广东工业大学 | 一种中医智能诊断方法、***及中医医疗*** |
CN108564986A (zh) * | 2018-04-19 | 2018-09-21 | 苏秦 | 一种通过手机app的儿童疾病自动问诊及病历生成*** |
CN110580953A (zh) * | 2018-06-08 | 2019-12-17 | 上海交迅智能科技有限公司 | 采用人工智能的诊病***和方法 |
CN110610762A (zh) * | 2018-06-15 | 2019-12-24 | 朱一帆 | 病情信息研究方法和***、存储介质 |
CN109390058A (zh) * | 2018-09-28 | 2019-02-26 | 湖南智腾安控科技有限公司 | 一种病历辅助分析***及该***的建立方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112466426A (zh) * | 2020-12-31 | 2021-03-09 | 曜立科技(北京)有限公司 | 一种心血管手术风险评估***及方法 |
CN113096817A (zh) * | 2021-04-13 | 2021-07-09 | 北京大学 | 用于疾病预测的方法、装置、计算机设备和存储介质 |
CN113257414A (zh) * | 2021-07-14 | 2021-08-13 | 北京好欣晴移动医疗科技有限公司 | 基于贝叶斯结构学习的信息归类方法、装置和*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR101873926B1 (ko) | 빅데이터 기반 의료자문 서비스 제공 방법 | |
CN112133385A (zh) | 一种问诊信息采集分析***及采集分析方法 | |
JP2016520228A (ja) | 医療システムにおけるコンテキスト意識予測 | |
Panda et al. | Big data in health care: A mobile based solution | |
WO2023178971A1 (zh) | 就医的互联网挂号方法、装置、设备及存储介质 | |
CN112017789B (zh) | 分诊数据处理方法、装置、设备及介质 | |
CN112035674A (zh) | 导诊数据获取方法、装置、计算机设备和存储介质 | |
CN112365941A (zh) | 受试者招募的方法及*** | |
CN115579104B (zh) | 一种基于人工智能的肝癌全病程数字化管理方法及*** | |
Sarkar et al. | A conceptual distributed framework for improved and secured healthcare system | |
Azbeg et al. | Diabetes emergency cases identification based on a statistical predictive model | |
JPWO2019220833A1 (ja) | 診断支援システム、診断支援装置および診断支援方法 | |
CN110752027B (zh) | 电子病历数据推送方法、装置、计算机设备和存储介质 | |
González et al. | Case-based reasoning in intelligent health decision support systems | |
KR101983383B1 (ko) | 의료비 지급심사를 위해 보험약관이 적용된 룰 기반 유사질의답변 연계 의료정보 서비스 제공 방법 | |
CN113724878B (zh) | 基于机器学习的医疗风险信息推送方法及装置 | |
Saiod et al. | Electronic health records: benefits and challenges for data quality | |
KR102581906B1 (ko) | 클라우드 emr 기반의 교육용 진료 정보 교류 시스템 및 그 방법 | |
CN111696677B (zh) | 利用医疗大数据支撑临床科研的信息管理*** | |
Magade et al. | Automating Decision Process of Overnight Patient Care Using Hybrig Machine Learning Algorithms | |
Dutta et al. | Artificial Intelligence and Big Data Analytics in Healthcare for Predictive Analysis and Future Prospects | |
Kunjachen et al. | Artifical Intelligence based Predictive and PrescriptiveAnalytics on Clinical Data Using Data Analytics | |
Tang et al. | Integration of Biot and artificial intelligence for long-term geriatric care management | |
Janeja et al. | Collaborative data mining for clinical trial analytics | |
KR102563244B1 (ko) | 빅데이터에 기반한 메타 인지 향상을 위한 일상 정보 피드백 방법 및 시스템 |
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 |
Application publication date: 20201225 |
|
RJ01 | Rejection of invention patent application after publication |