CN112712894A - 食源性疾病信息监测预警方法及*** - Google Patents
食源性疾病信息监测预警方法及*** Download PDFInfo
- Publication number
- CN112712894A CN112712894A CN202110075030.9A CN202110075030A CN112712894A CN 112712894 A CN112712894 A CN 112712894A CN 202110075030 A CN202110075030 A CN 202110075030A CN 112712894 A CN112712894 A CN 112712894A
- Authority
- CN
- China
- Prior art keywords
- food
- borne disease
- information
- report card
- client
- 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
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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/283—Multi-dimensional databases or data warehouses, e.g. MOLAP or ROLAP
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/31—Indexing; Data structures therefor; Storage structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/018—Certifying business or products
-
- 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
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/60—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to nutrition control, e.g. diets
-
- 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)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Public Health (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Primary Health Care (AREA)
- Business, Economics & Management (AREA)
- Biomedical Technology (AREA)
- Epidemiology (AREA)
- Pathology (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Finance (AREA)
- Nutrition Science (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Computational Linguistics (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本申请公开了食源性疾病信息监测预警方法及***,应用于医生客户端,包括:获取由医生输入的患者诊疗信息;基于预设的症状关键词数据库,对诊疗信息中的症状关键词进行提取;基于症状关键词,生成食源性疾病报告卡;对食源性疾病报告卡进行完整性校验和逻辑性校验;将完成校验后的食源性疾病报告卡,上传给医院内的公共卫生审核客户端。
Description
技术领域
本申请涉及疾病信息监控技术领域,特别是涉及食源性疾病信息监测预警方法及***。
背景技术
本部分的陈述仅仅是提到了与本申请相关的背景技术,并不必然构成现有技术。
现有的食源性疾病事件监测是被动式的,在食源性疾病发生一段时间后,才会启动上报程序,无法做到早期识别;上报过程中,上报数据缺乏监管,上报数据存在不规范的问题;疾控中心无法实现对食源性疾病的早期识别、预警和防控。
发明内容
为了解决现有技术的不足,本申请提供了食源性疾病信息监测预警方法及***;
第一方面,本申请提供了食源性疾病信息监测预警方法;
食源性疾病信息监测预警方法,应用于医生客户端,包括:
获取由医生输入的患者诊疗信息;
基于预设的症状关键词数据库,对诊疗信息中的症状关键词进行提取;基于症状关键词,生成食源性疾病报告卡;
对食源性疾病报告卡进行完整性校验和逻辑性校验;将完成校验后的食源性疾病报告卡,上传给医院内的公共卫生审核客户端。
第二方面,本申请提供了食源性疾病信息监测预警***;
食源性疾病信息监测预警***,包括:医生客户端和医院内的公共卫生审核客户端,其中,
医生客户端获取由医生输入的患者诊疗信息;
医生客户端基于预设的症状关键词数据库,对诊疗信息中的症状关键词进行提取;基于症状关键词,生成食源性疾病报告卡;
医生客户端对食源性疾病报告卡进行完整性校验和逻辑性校验;将完成校验后的食源性疾病报告卡,上传给医院内的公共卫生审核客户端。
与现有技术相比,本申请的有益效果是:
本申请能够发现食源性疾病聚集性病例和暴发事件线索,提高食源性疾病暴发事件早期识别、预警与防控的能力。
本申请附加方面的优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本申请的实践了解到。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。
图1为第一个实施例的方法流程图。
具体实施方式
应该指出,以下详细说明都是示例性的,旨在对本申请提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
实施例一
本实施例提供了食源性疾病信息监测预警方法;
如图1所示,食源性疾病信息监测预警方法,应用于医生客户端,包括:
S101:获取由医生输入的患者诊疗信息;
S102:基于预设的症状关键词数据库,对诊疗信息中的症状关键词进行提取;基于症状关键词,生成食源性疾病报告卡;
S103:对食源性疾病报告卡进行完整性校验和逻辑性校验;将完成校验后的食源性疾病报告卡,上传给医院内的公共卫生审核客户端。
进一步地,所述S101:获取由医生输入的患者诊疗信息;其中患者诊疗信息,包括:患者的年龄、性别、身高、体重、过敏药物、当前体温、当前症状、当前检测结果、近三天用药情况和饮食情况等。
进一步地,所述S102中,基于预设的症状关键词数据库,对诊疗信息中的症状关键词进行提取;具体包括:
症状关键词数据库中存储有症状关键词;
所述症状关键词,例如:发烧、腹泻、头晕、头疼、食物中毒、病毒感染等。
作为一个或多个实施例,所述S102中,基于症状关键词,生成食源性疾病报告卡;具体包括:
基于预设的食源性疾病信息数据库,对症状关键词进行匹配;如果匹配结果满足设定条件,则根据患者的唯一编号,从HIS***、电子病历***、LIS***和PACS***中,调取当前患者的所有诊疗数据,并将调取的所有诊疗数据存储到缓存数据库中;将缓存数据库中的信息,对应嵌入到食源性疾病报告卡的选项中,生成食源性疾病报告卡。
示例性的,所述食源性疾病报告卡,包括:患者基本信息、诊疗信息和检验信息。
应理解的,所述预设的食源性疾病信息数据库中,存储有食源性疾病信息。
示例性的,所述食源性疾病信息,包括:细菌性食源性疾病、食源性病毒感染、食源性寄生虫感染、食源性化学性中毒、食源性真菌毒素中毒、动物性毒素中毒、植物性毒素中毒、食源性感染、食源性中毒等。
示例性的,所述食源性疾病信息,还包括:发热、面色潮红、面色苍白、发绀、脱水、口渴、浮肿、体重下降、寒战、乏力、贫血、肿胀、失眠、畏光、口有糊味、金属味、肥皂味、唾液过多、色素沉着、恶心、呕吐、腹痛、腹泻、胸闷、胸痛、心悸、气短、皮肤瘙痒。
应理解的,所述匹配结果满足设定条件,是指症状关键词与食源性疾病信息匹配度超过设定阈值。
应理解的,所述HIS***,是指Hospital Information System,医院信息***。LIS***(Laboratory Information System)即实验室(检验科)信息***,它是医院信息管理的重要组成部分之一。
PACS***是Picture Archiving and Communication Systems的缩写,意为影像归档和通信***。它是应用在医院影像科室的***,主要的任务就是把日常产生的各种医学影像(包括核磁,CT,超声,各种X光机,各种红外仪、显微仪等设备产生的图像)通过各种接口(模拟,DICOM,网络)以数字化的方式海量保存起来,当需要的时候在一定的授权下能够很快的调回使用,同时增加一些辅助诊断管理功能。它在各种影像设备间传输数据和组织存储数据具有重要作用。
应理解的,将缓存数据库中的信息,对应嵌入到食源性疾病报告卡的选项中,生成食源性疾病报告卡,可以大大节省医生的宝贵诊疗时间,还可以避免因为医生工作繁忙导致食源性疾病的漏报现象。
作为一个或多个实施例,所述S103的对食源性疾病报告卡进行完整性校验和逻辑性校验;具体校验的时机为:
接收医生对食源性疾病报告卡的修改指令,完成对食源性疾病报告卡的修改,并在接收到医生对修改后报告卡的保存指令后,对修改后的报告卡进行完整性校验和逻辑性校验。
作为一个或多个实施例,所述对修改后的报告卡进行完整性校验和逻辑性校验;具体校验步骤包括:
判断报告卡中的各个选项的信息是否完整,如果不完整,提醒医生补充完整后再保存;如果完整,则进行逻辑性校验;
判断报告卡中各个选项内容时间的逻辑性是否符合要求,所述逻辑性包括:填写年龄与身份证显示年龄之间的匹配情况。
作为一个或多个实施例,所述方法还包括:
S104:医院内的公共卫生审核客户端对食源性疾病报告卡的内容进行数据准确性校验;公共卫生审核客户端将数据准确性校验通过的报告卡,通过医院内网与医院外网之间的网闸,上传给疾控中心客户端;疾控中心客户端对接收到的数据进行分类存储。
进一步地,所述医院内的公共卫生审核客户端对食源性疾病报告卡的内容进行数据准确性校验,准确性校验具体包括:
进食时间、发病时间、就诊时间、报卡时间顺序的逻辑关系是否正确;
报卡时间是否在诊断时间24小时内;
对是否为真实食源性疾病或疑似食源性疾病进行验证,对疑似食源性疾病予以二次人工筛查,避免误报。
进一步地,所述对是否为真实食源性疾病或疑似食源性疾病进行验证,通过就诊时间是否在24小时内、就食地点重复率是否超过设定阈值和就诊人数是否超过设定阈值,来确认是否为真实食源性疾病。
进一步地,所述公共卫生审核客户端将数据准确性校验通过的报告卡,通过医院内网与医院外网之间的网闸,网闸作用是安全隔离、内核防护、协议转换、病毒查杀、访问控制、安全审计、身份认证,防止未知和已知木马攻击,具有防病毒措施,上传给疾控中心客户端。
进一步地,所述疾控中心客户端对接收到的数据进行分类存储,是指:
按照患者基本信息、症状信息、食品暴露信息、样本信息按照各个独立的数据信息建立对应存储表及索引分类存储,在检索及统计时能够实现快速查询。
本申请通过对接医生的HIS、电子病例、LIS、PACS***集成接口监测食源性疾病个例监测一例病例(包括病例监测,食源性监测可不需要样本监测、主动监测,指食源性监测中普通样本监测、专项监测指特定样本的监测)和暴发监测,多个病例,同一时间同一地点多人在发病,通过标准诊断库、症状库和屏蔽诊断库指在标准提取过程将不需要提取的诊断定议为屏蔽,症状库的关键词及关键ICD的算法(通过食源性疾病定的的ICD,并从ICD码范围中准确定义到),将符合食源性疾病的患者智能推送给医生和公共卫生科进行预警,并弹出具有患者基本信息、诊疗信息、检验信息等的食源报告卡;
通过医生端在上报前会校验报卡的完整性、逻辑性,在公共卫生审核时会再次检验逻辑性和准确性,以便达到院内数据应用要求及国家采集数据的应用要求;
存储时进行分类的存储,按照患者基本信息、症状信息、食品暴露信息、样本信息、相关文件分类存储,在检索及统计时能够实现快速查询;
在数据质控后形成按照疫情报表分析,实时漏报数据分析、报告卡月度分析及图形化简报、疫情简报分析、不规范诊断分析,抽查记录、人员工作量分析;通过智能匹配及分析及发现暴事件,从而安全事件做出分析,进行溯源调查,做出危机决策。
部署方式:在医院内网上部署相应的WEB应用服务器及数据库服务器,在访问端进行请求时,对接医院内部***;在数据对外上报时,通过内外网交互以形成加密格式数据安全进行一键直传,按照国家信息***提供的数据接口,将上传信息转换成指定数据格式包,将数据包通过接口调用上传,需要传输患者的基本信息病例信息、食品暴露信息,报卡信息。
集成接口监测:基于医院内部***,建立统一访问的基础数据池,从海量数据中对食源性疾病采集、存储、处理,以大数据与计算框架为基础,通过对各类业务数据标准化的抽取、转换与存储,建立数据模型,构建食源性疾病业务数据仓库;通过几类信息辨别来更精准的识中识别监测症状、监测症候群和食源报告疾病,建立时间预警模型的智能体强化深度监测,实现食源性疾病监测预警体系,运用大数据、人工智能等为监测分析、疾病溯源,用科学的方法开展专业性论证,患者标本的检测结果、疾病流行规律,等提供支持。
诊断匹配:建立一种标准及不规则诊断词表的管理,通过诊断词表的录入、自动构建、扩展、维护、诊断词间关系控制食源性疾病诊断准确过滤,对可能存在重叠关键词,很多关键词堆积在一起进行挖掘并让搜索引擎辨别关键词的主标题,一定约束范围内共建共享,减少重复匹配的浪费,再进行深度的匹配计算后,获取食源性疾病的监测病的预警数据。
智能弹卡:实现医生诊疗过程中自动抽取标准诊断及常见症状相关指标数据进行智能分析,符合食源性疾病和特定症状指标标准的,自动弹出确认窗口待食源报告卡并进行将患者基本信息、诊断信息、检验信息、报卡信息自动赋值到报告卡,医生正常补充报告卡后保存并报送;时间30-50秒内,不影响医生工作。
多次检验:在医生保存卡时,自动校验各验证关系;如解决身份证与出生日期、性别、年龄、年龄组的自校验,解决腹泻及腹泻次数次,发热及体温必要的关系;
在公共卫生科进行审核时进行二次校验,校验各种关系;在进食时间、发病时间、就诊时间、报卡时间顺序的逻辑关系;同时建立起地址库、食源分类的自学习匹配,地址库目前是要建立起4级地址的,指省市县乡镇,自学习指已经出现过的地址库下次自动匹配,如曾出现某个村时所属省市县乡镇,下次再出现时能自动匹配所属省市县乡镇,减少操作时间;对于疾控中心需要的数据逻辑进一步强制校验,指必填项规则,在获取一定信息时,信息是必须要填写的,同时也存在关联信息的存储,如身份证号校验,包含的多层信息,如性别、年龄、年龄组。
智能存储:保存的卡的信息建立分类指并进行分类,按患者信息属性进行分类,如基本信息、诊断信息、食源暴露信息、样本信息、报卡人信息等,存储,一是信息的存储,文件的存储;信息存储时将基本信息、诊断信息按指标进行存取,暴露信息和样本信息进行分别存储,这样有效提高查询的速度。
数据分析:已审核数据形成疫情报表分析,实时漏报数据分析,依据食源ICD码诊断及症状规则筛查到漏报信息进行分类存储,在识别存储后及时更改漏报状态、报告卡月度分析及图形化简报、疫情简报分析将数据按照信息存储的类别分类统计,指定按月统计数量、疾病种类、报卡科室分类、患者地区分类等、不规范诊断分析,已定义不规范诊断从分类中提取分析,抽查记录、人员工作量分析。
一键设置数据图表联动,按照数据分类纵向、横向、360分析,按指标分析。图表钻取,改变维度层级,变换分析粒度。便于探索数据背后的价值。
安全事件:食品安全问题可引起许多疾病,从临床分类角度可能引起食源性疾病,有感染性腹泻、食物中毒;从疾病进度看有急性、亚急性、迁延性和慢性之分,还有潜在的再现性,一段时间后才出现,还存在严重的致畸、致癌、致突变,这些都是食品不安全引起来。通过分析获取到暴发事件及食品、厂家等信息趋势,转换,同步在别一个分类,风险识别和分析。
溯源调查:在软件***中初步建设追溯体系,通过大数据分析,调查清楚产生的原因,从而高度重视食品安全问题。通过样本及实验室监测确定病原体并进行分型;按照时间和特定人群监测每种病原体的变化趋势,发现病例的聚集性,并从中发现爆发。
开展流行病学调查,分析事件的流行病学特点,查找原因食品,致病因子和污染来源.方法通过描述性流行病方法分析病例的临床特征和流行病学特点,通过食品卫生学调查和实验室检测查找原因食品,致病因子,污染来源和污染原因。
危机决策:面对饮食环境复杂多变,通过规律的概括和总结进行程序决策,进行卫生应急指挥调度信息管理,推动多科学融合发展,开展智能诊疗服务,开展健康科普教育,推动信息互通的决策能力,
基于信息技术的食源性疾病防范体系,利用先进的信息技术,构建良好的食品卫生安全体系,建立综合性的、可持续的***,将积极有效地预防和及时高效地控制食源性疾病,从而降低食源性疾病对社会的危害。食源性疾病预警与控制***主要由信息收集***与信息处理决策***组成,通过信息的快速传输、资料共享和信息相关处理,及时有效地预警控制食源性疾病。
最后应说明的是:通过本平台的建设,从预警到分析,到安全事件追溯,形成最终决策分析。
实施例二
本实施例提供了食源性疾病信息监测预警***;
食源性疾病信息监测预警***,包括:医生客户端和医院内的公共卫生审核客户端,其中,
医生客户端获取由医生输入的患者诊疗信息;
医生客户端基于预设的症状关键词数据库,对诊疗信息中的症状关键词进行提取;基于症状关键词,生成食源性疾病报告卡;
医生客户端对食源性疾病报告卡进行完整性校验和逻辑性校验;将完成校验后的食源性疾病报告卡,上传给医院内的公共卫生审核客户端。
所述实施例二中的各个步骤的细节与实施例一是对应一样的,此处不再赘述。
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (10)
1.食源性疾病信息监测预警方法,其特征是,应用于医生客户端,包括:
获取由医生输入的患者诊疗信息;
基于预设的症状关键词数据库,对诊疗信息中的症状关键词进行提取;基于症状关键词,生成食源性疾病报告卡;
对食源性疾病报告卡进行完整性校验和逻辑性校验;将完成校验后的食源性疾病报告卡,上传给医院内的公共卫生审核客户端。
2.如权利要求1所述的食源性疾病信息监测预警方法,其特征是,获取由医生输入的患者诊疗信息;其中患者诊疗信息,包括:患者的年龄、性别、身高、体重、过敏药物、当前体温、当前症状、当前检测结果、近三天用药情况和饮食情况。
3.如权利要求1所述的食源性疾病信息监测预警方法,其特征是,基于症状关键词,生成食源性疾病报告卡;具体包括:
基于预设的食源性疾病信息数据库,对症状关键词进行匹配;如果匹配结果满足设定条件,则根据患者的唯一编号,从HIS***、电子病历***、LIS***和PACS***中,调取当前患者的所有诊疗数据,并将调取的所有诊疗数据存储到缓存数据库中;将缓存数据库中的信息,对应嵌入到食源性疾病报告卡的选项中,生成食源性疾病报告卡。
4.如权利要求1所述的食源性疾病信息监测预警方法,其特征是,对食源性疾病报告卡进行完整性校验和逻辑性校验;具体校验的时机为:
接收医生对食源性疾病报告卡的修改指令,完成对食源性疾病报告卡的修改,并在接收到医生对修改后报告卡的保存指令后,对修改后的报告卡进行完整性校验和逻辑性校验。
5.如权利要求1或4所述的食源性疾病信息监测预警方法,其特征是,所述对修改后的报告卡进行完整性校验和逻辑性校验;具体校验步骤包括:
判断报告卡中的各个选项的信息是否完整,如果不完整,提醒医生补充完整后再保存;如果完整,则进行逻辑性校验;
判断报告卡中各个选项内容时间的逻辑性是否符合要求,所述逻辑性包括:填写年龄与身份证显示年龄之间的匹配情况。
6.如权利要求1所述的食源性疾病信息监测预警方法,其特征是,所述方法还包括:
医院内的公共卫生审核客户端对食源性疾病报告卡的内容进行数据准确性校验;公共卫生审核客户端将数据准确性校验通过的报告卡,通过医院内网与医院外网之间的网闸,上传给疾控中心客户端;疾控中心客户端对接收到的数据进行分类存储。
7.如权利要求6所述的食源性疾病信息监测预警方法,其特征是,所述医院内的公共卫生审核客户端对食源性疾病报告卡的内容进行数据准确性校验,准确性校验具体包括:
进食时间、发病时间、就诊时间、报卡时间顺序的逻辑关系是否正确;
报卡时间是否在诊断时间24小时内;
对是否为真实食源性疾病或疑似食源性疾病进行验证,对疑似食源性疾病予以二次人工筛查,避免误报。
8.如权利要求7所述的食源性疾病信息监测预警方法,其特征是,
所述对是否为真实食源性疾病或疑似食源性疾病进行验证,通过就诊时间是否在24小时内、就食地点重复率是否超过设定阈值和就诊人数是否超过设定阈值,来确认是否为真实食源性疾病。
9.如权利要求6所述的食源性疾病信息监测预警方法,其特征是,所述疾控中心客户端对接收到的数据进行分类存储,是指:
按照患者基本信息、症状信息、食品暴露信息、样本信息分类存储,在检索及统计时能够实现快速查询。
10.食源性疾病信息监测预警***,包括:医生客户端和医院内的公共卫生审核客户端,其中,
医生客户端获取由医生输入的患者诊疗信息;
医生客户端基于预设的症状关键词数据库,对诊疗信息中的症状关键词进行提取;基于症状关键词,生成食源性疾病报告卡;
医生客户端对食源性疾病报告卡进行完整性校验和逻辑性校验;将完成校验后的食源性疾病报告卡,上传给医院内的公共卫生审核客户端。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110075030.9A CN112712894A (zh) | 2021-01-20 | 2021-01-20 | 食源性疾病信息监测预警方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110075030.9A CN112712894A (zh) | 2021-01-20 | 2021-01-20 | 食源性疾病信息监测预警方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112712894A true CN112712894A (zh) | 2021-04-27 |
Family
ID=75549867
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110075030.9A Pending CN112712894A (zh) | 2021-01-20 | 2021-01-20 | 食源性疾病信息监测预警方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112712894A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114582524A (zh) * | 2022-03-15 | 2022-06-03 | 无锡市疾病预防控制中心 | 一种传染病防漏报的智能管理方法及*** |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107346373A (zh) * | 2017-06-27 | 2017-11-14 | 苏州市疾病预防控制中心 | 一种医院端慢性病报病方法及*** |
CN111028954A (zh) * | 2019-11-29 | 2020-04-17 | 成都易欧科技有限公司 | 基于中文语义技术的传染病预警分析方法及*** |
CN111415753A (zh) * | 2020-03-06 | 2020-07-14 | 杭州云象网络技术有限公司 | 一种基于区块链的疫情监测预警方法及*** |
-
2021
- 2021-01-20 CN CN202110075030.9A patent/CN112712894A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107346373A (zh) * | 2017-06-27 | 2017-11-14 | 苏州市疾病预防控制中心 | 一种医院端慢性病报病方法及*** |
CN111028954A (zh) * | 2019-11-29 | 2020-04-17 | 成都易欧科技有限公司 | 基于中文语义技术的传染病预警分析方法及*** |
CN111415753A (zh) * | 2020-03-06 | 2020-07-14 | 杭州云象网络技术有限公司 | 一种基于区块链的疫情监测预警方法及*** |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114582524A (zh) * | 2022-03-15 | 2022-06-03 | 无锡市疾病预防控制中心 | 一种传染病防漏报的智能管理方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Fajardo‐Bernal et al. | Home‐based versus clinic‐based specimen collection in the management of Chlamydia trachomatis and Neisseria gonorrhoeae infections | |
CN105740322A (zh) | 一种出入境疫情智能卫生检疫大数据分析*** | |
CN113643821A (zh) | 一种多中心知识图谱联合决策支持方法与*** | |
CN117238458B (zh) | 基于云计算的重症护理跨机构协同平台*** | |
US7505867B2 (en) | System and method for predicting medical condition | |
WO2021032055A1 (zh) | 临床试验报告自动录入方法及装置、电子设备、存储介质 | |
Romero et al. | Public perceptions and implementation considerations on the use of artificial intelligence in health. | |
CN115205601A (zh) | 一种基于人工智能与知识图谱的医学检验结果审核*** | |
Chapman et al. | Natural language processing for biosurveillance: detection and characterization from textual clinical reports | |
CN112712894A (zh) | 食源性疾病信息监测预警方法及*** | |
Shanbehzadeh et al. | Determination of the most important diagnostic criteria for COVID-19: A step forward to design an intelligent clinical decision support system | |
US20240096462A1 (en) | Interoperable platform for reducing redundancy in medical database management | |
Belay et al. | Macrosomia and its predictors in pregnant women with diabetes in Ethiopia | |
CN111383726A (zh) | 电子病历数据处理方法、装置、电子设备及可读介质 | |
Hazlehurst et al. | Detecting possible vaccination reactions in clinical notes | |
CN115458190A (zh) | 一种面向社区的慢性阻塞性肺疾病早期筛查和干预*** | |
Henzel et al. | Classification supporting COVID-19 diagnostics based on patient survey data | |
CN111966838A (zh) | 一种不良事件和用药关联性判断方法和*** | |
CN115668178A (zh) | 用于追溯性数据挖掘的方法、***和计算机程序产品 | |
CN112562864A (zh) | 一种基于区块链技术的新冠疫情侦查方法、***和装置 | |
Hamdy et al. | Artificial intelligence strategy in the age of Covid-19: opportunities and challenges | |
US20230147366A1 (en) | Systems and methods for data normalization | |
Jyothi et al. | Covid-19 Detection using X-Ray Images and Fake X-Ray Detection | |
Rayan et al. | A Survey on an Analysis of Big Data Open Source Datasets, Techniques and Tools for the Prediction of Coronavirus Disease | |
Turner | Secondary use of electronic medical records for early identification of raised condition likelihoods in individuals: a machine learning approach |
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 |