CN112489789A - 一种用于心血管疾病风险评估的分层管理***及方法 - Google Patents
一种用于心血管疾病风险评估的分层管理***及方法 Download PDFInfo
- Publication number
- CN112489789A CN112489789A CN202011345287.3A CN202011345287A CN112489789A CN 112489789 A CN112489789 A CN 112489789A CN 202011345287 A CN202011345287 A CN 202011345287A CN 112489789 A CN112489789 A CN 112489789A
- Authority
- CN
- China
- Prior art keywords
- data
- individual
- risk
- item
- storage unit
- 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
- 208000024172 Cardiovascular disease Diseases 0.000 title claims abstract description 50
- 238000012502 risk assessment Methods 0.000 title claims abstract description 23
- 238000000034 method Methods 0.000 title description 3
- 238000007726 management method Methods 0.000 claims abstract description 29
- 210000001715 carotid artery Anatomy 0.000 claims abstract description 25
- 238000011282 treatment Methods 0.000 claims abstract description 18
- 238000013507 mapping Methods 0.000 claims abstract description 17
- 238000011156 evaluation Methods 0.000 claims abstract description 14
- 238000012545 processing Methods 0.000 claims abstract description 8
- 238000002604 ultrasonography Methods 0.000 claims description 16
- 239000008280 blood Substances 0.000 claims description 10
- 210000004369 blood Anatomy 0.000 claims description 10
- 238000013473 artificial intelligence Methods 0.000 claims description 6
- 208000008589 Obesity Diseases 0.000 claims description 5
- 230000036772 blood pressure Effects 0.000 claims description 5
- 235000020824 obesity Nutrition 0.000 claims description 5
- 230000000391 smoking effect Effects 0.000 claims description 5
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 claims description 4
- 239000008103 glucose Substances 0.000 claims description 4
- 150000002632 lipids Chemical class 0.000 claims description 4
- 238000011269 treatment regimen Methods 0.000 claims description 2
- 238000013517 stratification Methods 0.000 abstract description 7
- 201000010099 disease Diseases 0.000 abstract description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 abstract description 3
- 230000006806 disease prevention Effects 0.000 description 5
- 230000007211 cardiovascular event Effects 0.000 description 4
- 230000002526 effect on cardiovascular system Effects 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 210000000577 adipose tissue Anatomy 0.000 description 2
- HVYWMOMLDIMFJA-DPAQBDIFSA-N cholesterol Chemical compound C1C=C2C[C@@H](O)CC[C@]2(C)[C@@H]2[C@@H]1[C@@H]1CC[C@H]([C@H](C)CCCC(C)C)[C@@]1(C)CC2 HVYWMOMLDIMFJA-DPAQBDIFSA-N 0.000 description 2
- 206010012601 diabetes mellitus Diseases 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 230000000302 ischemic effect Effects 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 230000009862 primary prevention Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 208000032928 Dyslipidaemia Diseases 0.000 description 1
- 206010020772 Hypertension Diseases 0.000 description 1
- 208000017170 Lipid metabolism disease Diseases 0.000 description 1
- 206010033307 Overweight Diseases 0.000 description 1
- 208000006011 Stroke Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 208000029078 coronary artery disease Diseases 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 208000010125 myocardial infarction Diseases 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 208000023516 stroke disease Diseases 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000002560 therapeutic procedure Methods 0.000 description 1
- 239000002699 waste material Substances 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
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- 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
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (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
本发明提供一种用于心血管疾病风险评估的分层管理***及方法，涉及疾病风险评估领域，包括：采集模块，用于采集人群中每个个体的潜在心血管疾病的至少一项数据；评估模块，连接采集模块，用于根据至少一项数据对人群中的每个个体按照数据项目进行评分，并将评分与预设的危险阈值映射后得到对应每项数据的危险等级；处理模块，连接评估模块，用于根据每个个体的每项数据的危险等级对每个个体按照一预设的层级设置进行划分；执行模块，用于向对每个层级中个体提供对应所在层级的治疗方案。本发明根据输入的危险因素数据和颈动脉超声检查数据实现对患者患心血管疾病的危险等级进行准确评估，并将患者分入不同的层级中，实现对心血管疾病的危险分层。
Description
技术领域
本发明涉及疾病风险评估领域，尤其涉及一种用于心血管疾病风险评估的分层管理***及方法。
背景技术
心血管疾病的发生是多种危险因素共同作用的结果，从20世纪末以来，国际上各种心血管疾病防治指南均强调了心血管疾病一级预防中整体危险评估和危险层级治疗策略的重要性。心血管疾病是造成我国疾病负担的首要病因，高血压、血脂异常、糖尿病等患病率不断上升，不良生活方式持续流行，使我国心血管疾病预防和管理形式更加严峻。因此，心血管疾病风险评估和风险分层，是加强心血管疾病一级预防和健康管理的重要基础。
现有的技术方案中，存在多个心血管疾病危险初筛工具，包括Framinghtam危险评估模型、欧洲SCORE危险评估模型、WHO/ISH风险预测图、中国缺血性心血管疾病危险评估模型等。其中，Framinghtam危险评估模型应用最广泛，但该模型高估了我国人群的心血管风险。国家“十五”攻关“冠心病、卒中综合危险度评估及干预方案的研究”课题组建立了国人缺血性心血管发病危险的评估方法和简易评估工具，危险因素包括年龄、性别、血压、总胆固醇水平、超重与肥胖、糖尿病和吸烟。该量表适用于39～59岁人群，预测该人群未来10年心肌梗死、卒中和心血管疾病死亡的风险。年龄≥60岁人群为心血管疾病高危人群，使用该量表常低估其未来10年心血管疾病危险。
上述危险评分工具计算的是个体未来10年发生心血管事件绝对风险，由于年龄是预测心血管事件最重要的因素，对于年轻个体来说，尽管未来10年心血管事件绝对风险低，但相对于同龄人，可能患病风险增加了数倍，因此2008年中国医师协会心血管内科医师分会和中华医学会心血管病学分会组织相关临床和流行病学专家共同制定了“心血管疾病相对危险评估量表”，强调与同龄健康个体比较，未来10年心血管疾病相对危险增加的倍数。
心血管疾病发病风险分层包括10年风险评估和终生风险评估两个部分，10年风险评估中定义风险分层的界值：低危(<5％)、中危(5％-9.9％)或高危(≥10％)。根据不同危险层级得决定控制目标和干预力度，不但有益于降低高危患者患心血管疾病风险，同时避免了低危患者的医疗风险和不必要的医疗资源浪费。2002年AHA心血管疾病一级预防指南建议：40岁以上个体应至少每5年进行一次危险评估。
现有的技术方案中，尚未有一种方案能够实现对心血管疾病的进行准确的危险分层，并为患者提供训练治疗方案，实现对疾病的预防及改善患者生活方式。
发明内容
针对现有技术中存在的问题，本发明提供一种用于心血管疾病风险评估的分层管理***，包括：
采集模块，用于采集人群中每个个体的潜在心血管疾病的至少一项数据；
评估模块，连接所述采集模块，用于根据所述至少一项数据对所述人群中的每个个体按照数据项目进行评分，并将所述评分与预设的危险阈值映射后得到对应每项数据的危险等级；
处理模块，连接所述评估模块，用于根据所述每个个体的每项数据的所述危险等级对所述每个个体按照一预设的层级设置进行划分；
执行模块，用于向对每个所述层级中所述个体提供对应所在层级的治疗方案。
优选的，所述数据包括：危险因素数据和颈动脉超声检查数据。
优选的，所述危险因素数据包括：
年龄数据、早发心血管疾病家族史数据、吸烟数据、肥胖指数、血压数据、血脂数据和血糖数据。
优选的，所述颈动脉超声检查数据包括：
颈动脉内膜中层厚度和斑块指数。
优选的，所述采集模块包括：
采集单元，用于采集人群中每个个体的潜在心血管疾病的至少一项数据；
第一存储单元，连接所述采集单元，用于保存所述至少一项数据。
优选的，所述评估模块包括：
评分单元，连接所述第一存储单元，用于根据所述至少一项数据对所述人群中的每个个体按照数据项目进行评分；
映射单元，连接所述评分单元，用于将所述评分与预设的危险阈值映射后得到对应每项数据的危险等级；
第二存储单元，连接所述映射单元，用以保存所述每个个体的每项数据的所述危险等级。
优选的，所述处理模块包括：
分层单元，连接所述第二存储单元，用于根据所述每个个体的每项数据的所述危险等级对所述每个个体按照一预设的层级设置进行划分；
第三存储单元，用于保存所述每个个体对应的层级。
优选的，所述执行单元包括：
一人工智能单元，连接所述第三存储单元，用于根据所述每个个体所处的层级，以及一预训练的模型，对每个个体提供治疗方案；
一第四存储单元，用于存储所述每个个体对应的治疗方案。
优选的，所述第一存储单元、第二存储单元、第三存储单元及第四存储单元形成于一个物理存储器内。
一种用于心血管疾病风险评估的分层管理方法，应用于如上任意一项所述的分层管理***，所述分层管理方法具体包括以下步骤：
步骤S1，采集人群中每个个体的潜在心血管疾病的至少一项数据；
步骤S2，根据所述至少一项数据对所述人群中的每个个体按照数据项目进行评分，并将所述评分与预设的危险阈值映射后得到对应每项数据的危险等级；
步骤S3，根据所述每个个体的每项数据的所述危险等级对所述每个个体按照一预设的层级设置进行划分；
步骤S4，向对每个所述层级中所述个体提供对应所在层级的治疗方案。
上述技术方案具有如下优点或有益效果：
本技术方案根据输入的危险因素数据和颈动脉超声检查数据实现对患者患心血管疾病的危险等级进行准确评估，并将患者分入不同的层级中，实现对心血管疾病的危险分层；同时还为患者提供训练治疗方案，实现对疾病的预防及改善患者生活方式。
附图说明
图1为本发明的较佳的实施例中，分层管理***的结构示意图；
图2为本发明的较佳的实施例中，分层管理方法的流程图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本发明并不限定于该实施方式，只要符合本发明的主旨，则其他实施方式也可以属于本发明的范畴。
本发明的较佳的实施例中，基于现有技术中存在的上述问题，现提供一种用于心血管疾病风险评估的分层管理***，如图1所示，包括：
采集模块1，用于采集人群中每个个体的潜在心血管疾病的至少一项数据；
评估模块2，连接采集模块1，用于根据至少一项数据对人群中的每个个体按照数据项目进行评分，并将评分与预设的危险阈值映射后得到对应每项数据的危险等级；
处理模块3，连接评估模块2，用于根据每个个体的每项数据的危险等级对每个个体按照一预设的层级设置进行划分；
执行模块4，用于向对每个层级中个体提供对应所在层级的治疗方案。
具体地，本实施例中，通过采集模块1采集患者的危险因素数据和颈动脉超声检查数据，其中危险因素数据包括：年龄数据、早发心血管疾病家族史数据、吸烟数据、肥胖指数、血压数据、血脂数据和血糖数据；颈动脉超声检查数据包括颈动脉内膜中层厚度和斑块指数。通过体脂机所测得的体脂率来代替患者未进行的血脂化验，进而提供血脂数据。
评估模块2根据危险因素数据对危险因素的严重程度进行评分，并将评分与预设的危险阈值进行映射后得到危险因素数据对应的危险等级：在本实施例中，危险因素数据的危险阈值为3分，即当评分低于3分时将评分对应的危险因素数据划分入低危险等级中，当评分不低于3分时将评分对应的危险因素数据划分入高危险等级中。
评估模块2根据颈动脉超声检查数据对颈动脉的严重程度进行评分，并将颈动脉超声检查数据与预设的危险阈值进行映射后得到颈动脉超声检查数据对应的危险等级；在本实施例中，颈动脉超声检查数据的危险阈值包括第一危险阈值(1.0mm)和第二危险阈值(3分)，第一危险阈值对应颈动脉内膜中层厚度，第二危险阈值对应斑块指数；当颈动脉内膜中层厚度低于1.0mm且斑块指数低于3分时，将颈动脉超声检查数据划分入低危险等级，表明颈动脉超声检查数据正常；当颈动脉内膜中层厚度不低于1.0mm和/或斑块指数不低于3分时将颈动脉超声检查数据划分入高危险等级，表明颈动脉超声检查数据异常。
处理模块3分别根据危险因素数据对应的危险等级和颈动脉超声检查数据对应的危险等级对相应的患者按照预设的层级设置进行划分。层级包括低危险层级和中/高危险层级，将低危险等级中的危险因素数据对应的患者和颈动脉超声检查数据对应的患者划分入低危险层级中，将高危险等级中的危险因素数据对应的患者和颈动脉超声检查数据对应的患者划分入中/高危险层级中。
执行模块4对于低危险层级中的患者，提供随访的指导意见；对与中/高危险层级中的患者提供干预治疗的指导意见。
本发明的较佳的实施例中，数据包括：危险因素数据和颈动脉超声检查数据。
本发明的较佳的实施例中，危险因素数据包括：
年龄数据、早发心血管疾病家族史数据、吸烟数据、肥胖指数、血压数据、血脂数据和血糖数据。
本发明的较佳的实施例中，颈动脉超声检查数据包括：
颈动脉内膜中层厚度和斑块指数。
本发明的较佳的实施例中，采集模块1包括：
采集单元11，用于采集人群中每个个体的潜在心血管疾病的至少一项数据；
第一存储单元12，连接采集单元11，用于保存至少一项数据。
具体地，本实施例中，通过采集单元11对危险因素数据和颈动脉超声检查数据分别进行采集，并通过第一存储单元12将采集得到的危险因素数据和颈动脉超声检查数据进行存储。
本发明的较佳的实施例中，评估模块2包括：
评分单元21，连接第一存储单元12，用于根据至少一项数据对人群中的每个个体按照数据项目进行评分；
映射单元22，连接评分单元21，用于将评分与预设的危险阈值映射后得到对应每项数据的危险等级；
第二存储单元23，连接映射单元22，用以保存每个个体的每项数据的危险等级。
具体地，本实施例中，通过设置评分单元21分别根据危险因素的严重程度对危险因素数据进行评分，以及根据颈动脉超声检查数据对颈动脉的严重程度进行评分。通过映射单元22分别将危险因素数据的评分与危险阈值映射后得到危险因素数据对应的危险等级，以及将颈动脉超声检查数据的评分与危险阈值映射后得到颈动脉超声检查数据对应的危险等级。通过第二存储单元23将危险因素数据对应的危险等级和颈动脉超声检查数据对应的危险等级进行存储。
本发明的较佳的实施例中，处理模块3包括：
分层单元31，连接第二存储单元23，用于根据每个个体的每项数据的危险等级对每个个体按照一预设的层级设置进行划分；
第三存储单元32，用于保存每个个体对应的层级。
具体地，本实施例中，通过分层单元31将低危险等级中的危险因素数据对应的患者和颈动脉超声检查数据对应的患者划分入低危险层级中，将高危险等级中的危险因素数据对应的患者和颈动脉超声检查数据对应的患者划分入中/高危险层级中，并通过第三存储单元32对各患者对应的层级进行存储。
本发明的较佳的实施例中，执行单元包括：
一人工智能单元41，连接第三存储单元32，用于根据每个个体所处的层级，以及一预训练的模型，对每个个体提供治疗方案；
一第四存储单元42，用于存储每个个体对应的治疗方案。
具体地，本实施例中，人工智能单元41对低危险层级中的患者，提供随访的指导意见；对与中/高危险层级中的患者提供干预治疗的指导意见，通过设置人工智能单元41，为患者提供了一个人机交互的咨询平台，患者通过人工智能单元41了解自己目前的生活方式及危险因素可能带来的长期后果，同时还了解改良生活方式和使用有循证医学证据的药物能降低心血管疾病风险的原因，以及了解尽早开始降低心血管疾病风险的原因，如何开始和如何进行实现对疾病的预防及改善患者生活方式等健康信息，进而实现对疾病的预防以及对自身生活方式的改善，通过第四存储单元42实现对各患者对应的治疗方案的存储，有利于为后续治疗提供指导意见。
本发明的较佳的实施例中，第一存储单元12、第二存储单元23、第三存储单元32及第四存储单元42形成于一个物理存储器内。
一种用于心血管疾病风险评估的分层管理方法，应用于如上任意一项的分层管理***，如图2所示，分层管理方法包括以下步骤：
步骤S1，采集人群中每个个体的潜在心血管疾病的至少一项数据；
步骤S2，根据至少一项数据对人群中的每个个体按照数据项目进行评分，并将评分与预设的危险阈值映射后得到对应每项数据的危险等级；
步骤S3，根据每个个体的每项数据的危险等级对每个个体按照一预设的层级设置进行划分；
步骤S4，对每个层级中个体提供对应所在层级的治疗方案。
以上所述仅为本发明较佳的实施例，并非因此限制本发明的实施方式及保护范围，对于本领域技术人员而言，应当能够意识到凡运用本说明书及图示内容所作出的等同替换和显而易见的变化所得到的方案，均应当包含在本发明的保护范围内。
Claims (10)
1.一种用于心血管疾病风险评估的分层管理***，其特征在于，包括：
采集模块，用于采集人群中每个个体的潜在心血管疾病的至少一项数据；
评估模块，连接所述采集模块，用于根据所述至少一项数据对所述人群中的每个个体按照数据项目进行评分，并将所述评分与预设的危险阈值映射后得到对应每项数据的危险等级；
处理模块，连接所述评估模块，用于根据所述每个个体的每项数据的所述危险等级对所述每个个体按照一预设的层级设置进行划分；
执行模块，用于向对每个所述层级中所述个体提供对应所在层级的治疗方案。
2.根据权利要求1所述的分层管理***，其特征在于，所述数据包括：危险因素数据和颈动脉超声检查数据。
3.根据权利要求2所述的分层管理***，其特征在于，所述危险因素数据包括：
年龄数据、早发心血管疾病家族史数据、吸烟数据、肥胖指数、血压数据、血脂数据和血糖数据。
4.根据权利要求2所述的分层管理***，其特征在于，所述颈动脉超声检查数据包括：
颈动脉内膜中层厚度和斑块指标。
5.根据权利要求1所述的分层管理***，其特征在于，所述采集模块包括：
采集单元，用于采集人群中每个个体的潜在心血管疾病的至少一项数据；
第一存储单元，连接所述采集单元，用于保存所述至少一项数据。
6.根据权利要求5所述的分层管理***，其特征在于，所述评估模块包括：
评分单元，连接所述第一存储单元，用于根据所述至少一项数据对所述人群中的每个个体按照数据项目进行评分；
映射单元，连接所述评分单元，用于将所述评分与预设的危险阈值映射后得到对应每项数据的危险等级；
第二存储单元，连接所述映射单元，用以保存所述每个个体的每项数据的所述危险等级。
7.根据权利要求6所述的分层管理***，其特征在于，所述处理模块包括：
分层单元，连接所述第二存储单元，用于根据所述每个个体的每项数据的所述危险等级对所述每个个体按照一预设的层级设置进行划分；
第三存储单元，用于保存所述每个个体对应的层级。
8.根据权利要求1所述的分层管理***，其特征在于，所述执行单元包括：
一人工智能单元，连接所述第三存储单元，用于根据所述每个个体所处的层级，以及一预训练的模型，对每个个体提供治疗方案；
一第四存储单元，用于存储所述每个个体对应的治疗方案。
9.根据权利要求8所述的分层管理***，其特征在于，所述第一存储单元、第二存储单元、第三存储单元及第四存储单元形成于一个物理存储器内。
10.一种用于心血管疾病风险评估的分层管理方法，其特征在于，应用于如权利要求1-9中任意一项所述的分层管理***，所述分层管理方法包括以下步骤：
步骤S1，采集人群中每个个体的潜在心血管疾病的至少一项数据；
步骤S2，根据所述至少一项数据对所述人群中的每个个体按照数据项目进行评分，并将所述评分与预设的危险阈值映射后得到对应每项数据的危险等级；
步骤S3，根据所述每个个体的每项数据的所述危险等级对所述每个个体按照一预设的层级设置进行划分；
步骤S4，对每个所述层级中所述个体提供对应所在层级的治疗方案。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011345287.3A CN112489789A (zh) | 2020-11-25 | 2020-11-25 | 一种用于心血管疾病风险评估的分层管理***及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011345287.3A CN112489789A (zh) | 2020-11-25 | 2020-11-25 | 一种用于心血管疾病风险评估的分层管理***及方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112489789A true CN112489789A (zh) | 2021-03-12 |
Family
ID=74934798
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011345287.3A Pending CN112489789A (zh) | 2020-11-25 | 2020-11-25 | 一种用于心血管疾病风险评估的分层管理***及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112489789A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113812933A (zh) * | 2021-09-18 | 2021-12-21 | 重庆大学 | 基于可穿戴式设备的急性心肌梗死实时预警*** |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110208434A1 (en) * | 2010-02-12 | 2011-08-25 | Hersh Steven H | Method and software for cardiovascular assessment and risk detection |
| CN106066938A (zh) * | 2016-06-03 | 2016-11-02 | 贡京京 | 一种疾病预防和健康管理方法及*** |
| US20160342764A1 (en) * | 2015-05-19 | 2016-11-24 | Universidad De Vigo | System, computer-implemented method and computer program product for individualized multiple-disease quantitative risk assessment |
| CN106909769A (zh) * | 2016-09-30 | 2017-06-30 | 马立明 | 大数据心血管疾病风险监控*** |
| CN107358047A (zh) * | 2017-07-13 | 2017-11-17 | 刘峰 | 糖尿病患者评估及管理*** |
| CN108206058A (zh) * | 2016-12-19 | 2018-06-26 | 平安科技（深圳）有限公司 | 人体综合健康风险预测方法及*** |
| CN108847283A (zh) * | 2018-04-19 | 2018-11-20 | 中国人民解放军第二军医大学 | 个性化健康管理方法及*** |
| CN111028948A (zh) * | 2019-12-23 | 2020-04-17 | 丁玎 | 一种基于相关风险因素的中风风险评估方法及*** |
| CN111276230A (zh) * | 2020-02-24 | 2020-06-12 | 上海市同仁医院 | 一种心脑血管疾病一体化分层管理***及方法 |
-
2020
- 2020-11-25 CN CN202011345287.3A patent/CN112489789A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110208434A1 (en) * | 2010-02-12 | 2011-08-25 | Hersh Steven H | Method and software for cardiovascular assessment and risk detection |
| US20160342764A1 (en) * | 2015-05-19 | 2016-11-24 | Universidad De Vigo | System, computer-implemented method and computer program product for individualized multiple-disease quantitative risk assessment |
| CN106066938A (zh) * | 2016-06-03 | 2016-11-02 | 贡京京 | 一种疾病预防和健康管理方法及*** |
| CN106909769A (zh) * | 2016-09-30 | 2017-06-30 | 马立明 | 大数据心血管疾病风险监控*** |
| CN108206058A (zh) * | 2016-12-19 | 2018-06-26 | 平安科技（深圳）有限公司 | 人体综合健康风险预测方法及*** |
| CN107358047A (zh) * | 2017-07-13 | 2017-11-17 | 刘峰 | 糖尿病患者评估及管理*** |
| CN108847283A (zh) * | 2018-04-19 | 2018-11-20 | 中国人民解放军第二军医大学 | 个性化健康管理方法及*** |
| CN111028948A (zh) * | 2019-12-23 | 2020-04-17 | 丁玎 | 一种基于相关风险因素的中风风险评估方法及*** |
| CN111276230A (zh) * | 2020-02-24 | 2020-06-12 | 上海市同仁医院 | 一种心脑血管疾病一体化分层管理***及方法 |
Non-Patent Citations (2)
| Title |
|---|
| 中国心血管病风险评估和管理指南编写联合委员会: ""中国心血管病风险评估和管理指南"", 《中国循环杂志》, vol. 34, no. 1, pages 164 - 28 * |
| 中国心血管病风险评估和管理指南编写联合委员会: ""慢性病健康管理规范（T/CHAA 007-2019）"", 《中国慢性病预防与控制》, vol. 28, no. 1, pages 1 - 2 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113812933A (zh) * | 2021-09-18 | 2021-12-21 | 重庆大学 | 基于可穿戴式设备的急性心肌梗死实时预警*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20210007807A1 (en) | Systems and methods for treatment planning based on plaque progression and regression curves | |
| Morise et al. | Development and validation of a clinical score to estimate the probability of coronary artery disease in men and women presenting with suspected coronary disease | |
| Harmon et al. | Incidence, etiology, and comparative frequency of sudden cardiac death in NCAA athletes: a decade in review | |
| Hurrell et al. | Short deceleration time of mitral inflow E velocity: prognostic implication with atrial fibrillation versus sinus rhythm | |
| JP2021168913A (ja) | 対象者の緑内障のリスクを予測する予測モデルを生成する方法、当該予測モデルを用いて対象者の緑内障リスクを決定する方法、対象者の緑内障リスクを予測する装置、コンピュータプログラム及びコンピュータ可読媒体 | |
| Cavarretta et al. | How to manage an athlete with mitral valve prolapse | |
| CN111028948A (zh) | 一种基于相关风险因素的中风风险评估方法及*** | |
| CN112489789A (zh) | 一种用于心血管疾病风险评估的分层管理***及方法 | |
| Axente et al. | Heart failure prognostic model | |
| Kakkad et al. | Factors affecting recovery after stroke: a narrative review | |
| Korsakov et al. | Deep and machine learning models to improve risk prediction of cardiovascular disease using data extraction from electronic health records | |
| Cubukcu et al. | What’s the risk? Assessment of patients with stable chest pain | |
| Calenda et al. | Utilization of echocardiography by internists and cardiologists: a comparative study | |
| JP7489723B2 (ja) | プログラム、情報処理装置、情報処理方法、および学習モデルの生成方法 | |
| Susanti et al. | RELATIONSHIP OF COMORBID DISEASE WITH THE INCIDENCE OF STROKE IN THE ELDERLY GROUP | |
| WO2023133166A9 (en) | System and method for determining a cardiac health status | |
| Enriquez et al. | CLINICAL EVALUATION | |
| Stephens | Machine Learning Predicts Risk of Death in Patients with Suspected or Known Heart Disease | |
| KR20210047149A (ko) | 임상 데이터, 라이프로그 데이터와 머신러닝 기법을 이용하여 심장재활 환자의 심근경색 재발 위험을 예측하는 방법 및 시스템 | |
| Skalman | Heart Disease Stat log Analysis and Modeling | |
| Das | Dobutamine dose: What are its effects | |
| WO2024086821A1 (en) | System and method of treatment of hypertrophic cardiomyopathy | |
| CN116597990A (zh) | 一种预测慢性冠脉综合征患者pci术后主要心血管不良事件发生概率的***及方法 | |
| Gibbons | Obtaining incremental information from diagnostic tests | |
| Overmars et al. | Improving Imaging Decisions in Patients Suspected of Coronary Artery Disease Through Machine Learning of Electronic Health Records-External Validation Study |
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 |