CN116189866A - 一种基于数据分析的远程医用护理分析*** - Google Patents

一种基于数据分析的远程医用护理分析*** Download PDF

Info

Publication number
CN116189866A
CN116189866A CN202310476850.8A CN202310476850A CN116189866A CN 116189866 A CN116189866 A CN 116189866A CN 202310476850 A CN202310476850 A CN 202310476850A CN 116189866 A CN116189866 A CN 116189866A
Authority
CN
China
Prior art keywords
data
nursing
module
analysis
care
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
Application number
CN202310476850.8A
Other languages
English (en)
Inventor
郭东方
李青
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Qingdao No5th People's Hospital
Original Assignee
Qingdao No5th People's Hospital
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Qingdao No5th People's Hospital filed Critical Qingdao No5th People's Hospital
Priority to CN202310476850.8A priority Critical patent/CN116189866A/zh
Publication of CN116189866A publication Critical patent/CN116189866A/zh
Pending legal-status Critical Current

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
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/20—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the management or administration of healthcare resources or facilities, e.g. managing hospital staff or surgery rooms
    • 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
    • G06F16/21—Design, administration or maintenance of databases
    • G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
    • 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
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2462—Approximate or statistical queries
    • 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
    • G06F16/24—Querying
    • G06F16/248—Presentation of query results
    • 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
    • G06F16/27—Replication, distribution or synchronisation of data between databases or within a distributed database system; Distributed database system architectures therefor

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Business, Economics & Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Public Health (AREA)
  • Primary Health Care (AREA)
  • Medical Informatics (AREA)
  • Epidemiology (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

本发明公开了一种基于数据分析的远程医用护理分析***，具体涉及医疗护理技术领域，用于解决现有的医用护理分析***往往只能对护理水平单一地进行分析，具有不确定性和表面性，难以对其进行准确的判定的问题；包括处理器以及与处理器通讯连接的数据采集模块、数据预处理模块、数据存储模块、数据分析模块、护理健康评估模块以及数据展示模块，本发明通过结合护理健康、护理素质和护理管理三个大类数据获取护理健康评估指标，能够多维度、全方面地对医护人员的护理水平进行评估，了解医护人员工作的优劣程度，发现问题及时改进提升护理水平，检查护理流程中的疏漏状态保证护理服务的质量和效果，有效地处理护理数据，提高护理服务的质量和效率。

Description

一种基于数据分析的远程医用护理分析***
技术领域
本发明涉及医疗护理技术领域，更具体地说，本发明涉及一种基于数据分析的远程医用护理分析***。
背景技术
医疗护理人员作为医疗辅助服务人员的一分子，主要的工作内容是辅助护理，是医疗人力资源的补充力量，一名称职的医疗护理人员不仅仅需要拥有日常的生活照护技能，在必要时候完成患者的***转换、转运以及病情观察的基本工作，还要对患者进行心理以及健康的照护，医护人员在对患者的照顾过程中会存在诸多潜在问题，因此需要对医护人员的护理水平进行分析评定，从而能够促进医用护理质量的提高和改善。由于对医护水平评价的影响因素较多，现有的医用护理分析***往往只能单一地对其进行分析，具有不确定性和表面性，难以对护理水平进行准确的判定。
同时，随着护理服务的不断发展和需求的不断增加，远程护理已成为一种重要的护理服务形式。然而，由于护理数据的复杂性和数量庞大，如何快速、准确地处理这些数据成了远程护理中的重要问题。目前市面上已有的远程护理***大多存在数据处理效率低、数据分析精度不高等问题，因此需要一种新的基于数据分析的远程医用护理分析***来解决这些问题。为了解决上述问题，现提供一种技术方案。
发明内容
为了克服现有技术的上述缺陷，本发明的实施例提供一种基于数据分析的远程医用护理分析***，是通过结合护理健康、护理素质和护理管理三个大类数据获取护理健康评估指标，能够多维度、全方面地对医护人员的护理水平进行评估，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：
一种基于数据分析的远程医用护理分析***，包括处理器以及与处理器通讯连接的数据采集模块、数据预处理模块、数据存储模块、数据分析模块、护理健康评估模块以及数据展示模块，处理器用于处理来自远程医用护理分析***的至少一个组件数据，具体包括以下步骤：
数据采集模块：该模块主要用于采集远程护理***中的各类护理数据，包括病人个人信息、护理记录、健康评估、用药情况及其他数据，保证数据的完整性和准确性。
数据预处理模块：该模块主要对采集的数据进行预处理，包括数据清洗、数据整合、数据去重、数据格式转换，保证数据的可用性和准确性。
数据存储模块：该模块主要用于存储预处理后的数据，采用分布式存储技术，保证数据的安全性和可靠性。
数据分析模块：该模块主要对存储的数据进行分析处理，包括数据预处理、特征选择、模型训练、模型评估、模型应用，提取护理特征和规律，并生成各类分析报告。
数据展示模块：该模块主要用于将分析结果以可视化的形式展示出来，包括图表、报表、文本等，方便护理人员对病人的情况进行判断和决策。
其中：
数据分析模块通过数据预处理模块处理好的护理质量指标、护理素质指标和护理管理指标作为自变量，代入护理健康评估模块中，将三元一次函数作为护理健康评估指标的评估机制，护理健康评估指标的公式为：
Figure SMS_1
;
式中：
Figure SMS_4
作为护理健康评估指标，/>
Figure SMS_7
和/>
Figure SMS_10
为三元一次函数/>
Figure SMS_3
的三个自变量，/>
Figure SMS_6
为护理质量指标，/>
Figure SMS_9
为护理素质指标，/>
Figure SMS_11
为护理管理指标，/>
Figure SMS_2
为第一权重系数，/>
Figure SMS_5
为第二权重系数，/>
Figure SMS_8
为第三权重系数，由专家商议决定。
作为本发明进一步的技术方案，数据分析模块中，利用护理质量指标与操作规范程度、护理记录完整度和为护理效果良好度相关，护理质量指标的公式为：
Figure SMS_12
；
式中：
Figure SMS_13
为操作规范程度，/>
Figure SMS_14
为护理记录完整度，/>
Figure SMS_15
为护理效果良好度。
作为本发明进一步的技术方案，数据分析模块中，利用护理素质指标与专业技能掌握度和护理满意度，护理质量指标的公式为：
Figure SMS_16
；
式中：
Figure SMS_17
为专业技能掌握度，/>
Figure SMS_18
为护理满意度。
作为本发明进一步的技术方案，数据分析模块中，利用护理管理指标与基础医疗服务评分、情感支持服务评分和生理保健服务评分，护理管理指标的公式为：
Figure SMS_19
；
式中：
Figure SMS_20
为基础医疗服务评分，/>
Figure SMS_21
为情感支持服务评分，/>
Figure SMS_22
生理保健服务评分。
在数据分析模块中，本发明采用基于机器学习的算法用于评估病人的疾病发展趋势，能够实现病人护理数据的预处理、特征选择、机器学习算法的训练和评估，以及疾病发展趋势的评估，该***能够有效提高护理服务的效果和质量，具体步骤如下：
数据预处理：首先，将病人的护理数据进行预处理，包括数据清洗、缺失值填补、数据归一化等操作。预处理后的数据可以用于机器学习算法的训练和测试。
特征选择：接下来，从预处理后的数据中选择出与疾病发展相关的特征。这些特征可以包括生理参数、实验室检查指标、治疗方案等。特征选择可以采用相关系数、卡方检验、决策树等方法进行。
模型训练：将选择出的特征作为输入，建立一个基于支持向量机的分类模型，用于预测病人的疾病发展趋势。支持向量机是一种广泛应用于机器学习的分类算法，其优点是具有良好的泛化性能和较高的分类准确率。
模型评估：使用交叉验证等方法对训练好的分类模型进行评估，确定最优的模型参数。同时，也可以使用ROC曲线、AUC等指标对模型的性能进行评估。
模型应用：最后，将训练好的分类模型应用于病人的护理数据中，预测其疾病发展趋势。预测结果可以用于指导病人的治疗和康复，提高护理服务的效果和质量。
作为本发明进一步的技术方案，在数据分析模块中，对于给定的训练集，
Figure SMS_23
其中/>
Figure SMS_24
表示样本的特征向量，/>
Figure SMS_25
表示样本的类别。支持向量机的分类模型可以表示为：
Figure SMS_26
；其中，/>
Figure SMS_27
是支持向量机的拉格朗日乘子，/>
Figure SMS_28
是核函数，用于将样本从原始空间映射到高维特征空间，b是偏置项。其中，核函数为高斯核函数，其数学表达式为：
Figure SMS_29
；
其中
Figure SMS_30
表示测试样本的特征向量，/>
Figure SMS_31
是核函数的参数，用于控制高斯核函数的宽度；
在支持向量机的训练过程中，需要求解一个凸二次规划问题，即：
Figure SMS_32
；
其中
Figure SMS_33
是正则化参数，用于控制分类模型的复杂度。通过求解上述二次规划问题，可以得到支持向量机的分类模型。
作为本发明进一步的技术方案，数据采集模块采集的目标人员为年龄区间相同且在三个月内接受过或者正在接受医疗机构护理的病患，目标人员应具有良好认知能力和沟通能力，交流障碍者需有熟悉的照顾者协助调查，将严重器官功能障碍和不能长时间耐受者排除在目标人员之外。
作为本发明进一步的技术方案，数据存储模块使用计算机、存储器和移动设备对数据进行存储和管理。
作为本发明进一步的技术方案，获取护理健康评估指标后，利用护理健康评估指标的数值创建样本集，并获取样本集中的均值和标准差，利用均值和标准差对数据进行标准化，标准化公式为
Figure SMS_34
，在此式中/>
Figure SMS_35
为标准参量，/>
Figure SMS_36
为样本数据的方差，/>
Figure SMS_37
为样本数据的均值，在完成标准化后，将标准参量利用/>
Figure SMS_38
将数值区间调整至/>
Figure SMS_39
之间，利用
Figure SMS_40
的函数值对护理健康评估指标进行分类，分类的机制为：/>
当
Figure SMS_41
≤/>
Figure SMS_42
＜/>
Figure SMS_43
时，护理健康评估指标分类为一级；
当
Figure SMS_44
≤/>
Figure SMS_45
＜/>
Figure SMS_46
时，护理健康评估指标分类为二级。
本发明一种基于数据分析的远程医用护理分析***的技术效果和优点：
本发明的数据处理模块采用分布式处理技术，能够快速处理大量的护理数据，提高数据处理效率；数据分析模块采用各种数据分析方法和算法，能够准确地提取护理特征和规律，生成高质量的分析报告；数据展示模块采用可视化技术，将分析结果以图表、报表、文本等形式展示出来，使护理人员能够直观地了解病人的情况；数据存储模块采用分布式存储技术，能够保证数据的安全性和可靠性，避免数据丢失和泄露的风险，本发明能够有效地处理护理数据，提高护理服务的质量和效率，具有广泛的应用前景，在医疗护理领域具有重要的意义。本发明结合护理健康、护理素质和护理管理三个大类数据获取护理健康评估指标，能够多维度、全方面地对医护人员的护理水平进行评估，了解医护人员工作的优劣程度，发现问题及时改进提升护理水平，促进护理科学化、规范化和专业化，检查护理流程中的疏漏状态保证护理服务的质量和效果。
附图说明
图1为本发明一种基于数据分析的远程医用护理分析***的结构示意图。
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，所描述的实施例仅仅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。
实施例1。本发明一种基于数据分析的远程医用护理分析***，是通过结合护理健康、护理素质和护理管理三个大类数据获取护理健康评估指标，能够多维度、全方面地对医护人员的护理水平进行评估，了解医护人员工作的优劣程度，发现问题及时改进提升护理水平，促进护理科学化、规范化和专业化，检查护理流程中的疏漏状态保证护理服务的质量和效果，包括处理器以及与处理器通讯连接的数据采集模块、数据预处理模块、数据存储模块、数据分析模块、护理健康评估模块以及数据展示模块，处理器用于处理来自远程医用护理分析***的至少一个组件数据，具体包括以下步骤：
数据采集模块：该模块主要用于采集远程护理***中的各类护理数据，包括病人个人信息、护理记录、健康评估、用药情况及其他数据，保证数据的完整性和准确性。
数据预处理模块：该模块主要对采集的数据进行预处理，包括数据清洗、数据整合、数据去重、数据格式转换，保证数据的可用性和准确性。
数据存储模块：该模块主要用于存储预处理后的数据，采用分布式存储技术，保证数据的安全性和可靠性。
数据分析模块：该模块主要对存储的数据进行分析处理，包括数据预处理、特征选择、模型训练、模型评估、模型应用，提取护理特征和规律，并生成各类分析报告。
数据展示模块：该模块主要用于将分析结果以可视化的形式展示出来，包括图表、报表、文本等，方便护理人员对病人的情况进行判断和决策。
在数据分析模块中，本发明采用基于机器学习的算法用于评估病人的疾病发展趋势，能够实现病人护理数据的预处理、特征选择、机器学习算法的训练和评估，以及疾病发展趋势的评估，该***能够有效提高护理服务的效果和质量，具体步骤如下：
数据预处理：首先，将病人的护理数据进行预处理，包括数据清洗、缺失值填补、数据归一化等操作。预处理后的数据可以用于机器学习算法的训练和测试。
特征选择：接下来，从预处理后的数据中选择出与疾病发展相关的特征。这些特征可以包括生理参数、实验室检查指标、治疗方案等。特征选择可以采用相关系数、卡方检验、决策树等方法进行。
模型训练：将选择出的特征作为输入，建立一个基于支持向量机的分类模型，用于预测病人的疾病发展趋势。支持向量机是一种广泛应用于机器学习的分类算法，其优点是具有良好的泛化性能和较高的分类准确率。
模型评估：使用交叉验证等方法对训练好的分类模型进行评估，确定最优的模型参数。同时，也可以使用ROC曲线、AUC等指标对模型的性能进行评估。
模型应用：最后，将训练好的分类模型应用于病人的护理数据中，预测其疾病发展趋势。预测结果可以用于指导病人的治疗和康复，提高护理服务的效果和质量。
进一步的，实现该算法的支持向量机的数学公式：对于给定的训练集，
Figure SMS_47
其中/>
Figure SMS_48
表示样本的特征向量，/>
Figure SMS_49
表示样本的类别。支持向量机的分类模型可以表示为：
Figure SMS_50
；其中，/>
Figure SMS_51
是支持向量机的拉格朗日乘子，/>
Figure SMS_52
是核函数，用于将样本从原始空间映射到高维特征空间，b是偏置项。其中，核函数为高斯核函数，其数学表达式为：
Figure SMS_53
；
其中
Figure SMS_54
表示测试样本的特征向量，/>
Figure SMS_55
是核函数的参数，用于控制高斯核函数的宽度。
在支持向量机的训练过程中，需要求解一个凸二次规划问题，即：
Figure SMS_56
；
其中
Figure SMS_57
是正则化参数，用于控制分类模型的复杂度。通过求解上述二次规划问题，可以得到支持向量机的分类模型。
进一步的，在模型训练模块中，本发明提供一种基于决策树的分类模型，用于对患者的疾病状态进行分类和预测。决策树是一种常用的机器学习算法，通过对训练数据的特征进行递归划分，生成一棵树形结构，可以快速地对新的数据进行分类。具体而言，本发明采用基于C4.5算法的决策树分类模型，其步骤如下：
数据准备：将护理数据集划分为训练集和测试集，并对训练集进行特征选择。
特征选择：采用信息增益法对特征进行选择，选择前
Figure SMS_58
个特征作为最终的特征集合。
决策树生成：使用C4.5算法生成决策树模型。具体而言，首先选择最优特征作为根节点，然后根据该特征的取值对训练集进行划分，生成子节点。接着，对于每个子节点，重复上述步骤，直到达到停止条件（如叶子节点数达到一定阈值）。
决策树剪枝：由于生成的决策树可能存在过拟合问题，需要进行剪枝处理。本发明采用基于代价复杂度的剪枝方法，即计算剪枝前后决策树的误差，选择最小代价的决策树作为最终模型。
模型评估：使用测试集对模型进行评估，计算模型的准确率、精确率、召回率等指标。
通过上述步骤，可以生成一个高精度、泛化能力强的决策树分类模型，用于对患者的疾病状态进行分类和预测。在实施本发明时，还可以根据具体的医疗需求，选择其他的分类算法或优化策略，以提高模型的性能和效果。
进一步的，在特征选择中，特征选择方法为信息增益法，它基于信息论的概念，通过计算特征对分类的贡献来选择最具有代表性的特征。信息增益法的计算公式如下：
Figure SMS_59
；
其中，
Figure SMS_60
表示特征/>
Figure SMS_61
对目标变量/>
Figure SMS_62
的信息增益；/>
Figure SMS_63
表示目标变量
Figure SMS_72
的熵，/>
Figure SMS_68
，其中/>
Figure SMS_78
为目标变量/>
Figure SMS_75
的取值个数，
Figure SMS_86
表示目标变量/>
Figure SMS_73
取值为/>
Figure SMS_82
的概率；/>
Figure SMS_74
表示给定特征/>
Figure SMS_85
的条件下目标变量/>
Figure SMS_64
的条件熵，/>
Figure SMS_76
，其中/>
Figure SMS_67
为特征/>
Figure SMS_81
的取值个数，/>
Figure SMS_66
表示特征/>
Figure SMS_79
取值为/>
Figure SMS_71
且目标变量/>
Figure SMS_83
取值为/>
Figure SMS_69
的概率，/>
Figure SMS_80
表示特征/>
Figure SMS_65
取值为/>
Figure SMS_77
的条件下目标变量/>
Figure SMS_70
取值为/>
Figure SMS_84
的概率。
在实施本发明时，将上述公式应用于护理数据特征的选择。首先，计算每个特征对目标变量的信息增益值，然后按照信息增益值的大小，选择前n个特征作为最终的特征集合。通过这种方法，可以从海量的护理数据特征中选择最有代表性、最相关的特征，以提高预测模型的准确性和泛化能力。
进一步的，在数据展示模块中，本发明提供一种交互式可视化界面，用于展示护理数据的统计信息、趋势分析和异常检测结果，该界面包括以下功能：
数据汇总：对护理数据集进行汇总统计，包括总样本数、平均年龄、男女比例、疾病分布等。
趋势分析：对护理数据集进行时间序列分析，展示不同时间段内的疾病发病率、治疗效果等趋势变化，以便医护人员及时调整治疗方案。
异常检测：通过机器学习算法对护理数据进行异常检测，标记出患者的异常行为或疾病状态，以便医护人员及时干预。
可视化展示：通过交互式可视化图表展示护理数据的统计信息、趋势分析和异常检测结果。具体而言，可以展示折线图、柱状图、饼图等不同类型的图表，方便用户直观地了解数据的分布和变化情况。
本发明中，数据采集模块采集的目标人员为年龄区间相同且在三个月内接受过或者正在接受医疗机构护理的病患，目标人员应具有良好认知能力和沟通能力，交流障碍者需有熟悉的照顾者协助调查，将严重器官功能障碍和不能长时间耐受者排除在目标人员之外，能够得到一组符合准确、完整、简洁等标准的高质量数据，保证该数据能更好地服务于后续数据分析。
本发明中，数据存储模块使用计算机、存储器和移动设备对数据进行存储和管理。
本发明通过操作规范程度、护理记录完整度和护理效果良好度信息数据获取护理质量指标，通过专业技能掌握度和护理满意度信息数据获取护理素质指标，通过基础医疗服务评分、情感支持服务评分和生理保健服务评分获取护理管理指标；
数据分析模块中，利用护理质量指标与操作规范程度、护理记录完整度和护理效果良好度相关，护理质量指标的公式为：
Figure SMS_87
；
式中：
Figure SMS_88
为操作规范程度，/>
Figure SMS_89
为护理记录完整度，/>
Figure SMS_90
为护理效果良好度。
数据分析模块中，利用护理素质指标与专业技能掌握度和护理满意度，护理质量指标的公式为：
Figure SMS_91
；
式中：
Figure SMS_92
为专业技能掌握度，/>
Figure SMS_93
为护理满意度。
数据分析模块中，利用护理管理指标与基础医疗服务评分、情感支持服务评分和生理保健服务评分，护理管理指标的公式为：
Figure SMS_94
；
式中：
Figure SMS_95
为基础医疗服务评分，/>
Figure SMS_96
为情感支持服务评分，/>
Figure SMS_97
生理保健服务评分。
处理器可以用于处理来自一种基于数据分析的远程医用护理分析***的至少一个组件或外部数据源（如云数据中心）的数据和/或信息。在一些实施例中，处理器可以是本地或远程的。例如，处理器可以通过网络从数据存储设备、终端设备和/或数据采集设备中访问信息和/或数据。又例如，处理器可以直接连接到数据存储设备、终端设备和/或数据采集设备，以访问信息和/或数据。在一些实施例中，处理器可以在云平台上实现。
本发明中，联合护理质量指标、护理素质指标和护理管理指标，获取护理健康评估指标后对健康评估指标进行分级评估。
数据分析模块通过数据预处理模块处理好的护理质量指标、护理素质指标和护理管理指标作为自变量，代入护理健康评估模块中，将三元一次函数作为护理健康评估指标的评估机制，护理健康评估指标的公式为：
Figure SMS_98
;
式中：
Figure SMS_101
作为护理健康评估指标，/>
Figure SMS_104
和/>
Figure SMS_107
为三元一次函数/>
Figure SMS_100
的三个自变量，/>
Figure SMS_103
为护理质量指标，/>
Figure SMS_106
为护理素质指标，/>
Figure SMS_108
为护理管理指标，/>
Figure SMS_99
为第一权重系数，/>
Figure SMS_102
为第二权重系数，/>
Figure SMS_105
为第三权重系数，由专家商议决定。
获取护理健康评估指标后，利用护理健康评估指标的数值创建样本集，并获取样本集中的均值和标准差，利用均值和标准差对数据进行标准化，标准化公式为
Figure SMS_109
，在此式中/>
Figure SMS_110
为标准参量，/>
Figure SMS_111
为样本数据的方差，/>
Figure SMS_112
为样本数据的均值，在完成标准化后，将标准参量利用/>
Figure SMS_113
将数值区间调整至/>
Figure SMS_114
之间，利用/>
Figure SMS_115
的函数值对护理健康评估指标进行分类，分类的机制为：
当
Figure SMS_116
≤/>
Figure SMS_117
＜/>
Figure SMS_118
时，护理健康评估指标分类为一级；
当
Figure SMS_119
≤/>
Figure SMS_120
＜/>
Figure SMS_121
时，护理健康评估指标分类为二级。
当护理健康评估指标分类为一级的护理评价水平优于护理健康评估指标分类为二级的护理评价水平。
实施例2。本申请还提供另一个数据分析模块，具体的数据处理过程如下：数据清洗：通过数据清洗技术，对护理数据进行筛选、去重、填充、转换等操作，以保证数据的准确性和完整性。
数据预处理：通过数据预处理技术，对护理数据进行标准化、归一化、特征选择等操作，以便于后续的数据分析和挖掘。
数据分析：通过数据分析技术，对护理数据进行统计分析、趋势分析、异常检测等操作，以挖掘数据中的有价值的信息和规律。
数据建模：通过机器学习技术，对护理数据进行建模和预测，以便于对患者的疾病状态和治疗效果进行评估和预测。
数据分析模块可以包括以下功能：
数据清洗功能：根据不同的数据格式和特征，对护理数据进行不同的清洗操作，包括去重、填充、转换等。
数据预处理功能：根据不同的数据特征和分析需求，对护理数据进行标准化、归一化、特征选择等预处理操作，以便于后续的数据分析和挖掘。
统计分析功能：通过统计学方法，对护理数据进行基本统计分析、描述性统计分析等操作，以获得数据的整体特征和分布情况。
趋势分析功能：通过时间序列分析等方法，对护理数据进行趋势分析，以发现数据中的潜在趋势和变化规律。
异常检测功能：通过异常检测算法，对护理数据进行异常检测，标记出患者的异常行为或疾病状态，以便医护人员及时干预。
建模预测功能：通过机器学习算法，对护理数据进行建模和预测，以便于对患者的疾病状态和治疗效果进行评估和预测。
最后：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于数据分析的远程医用护理分析***，其特征在于，包括处理器以及与处理器通讯连接的数据采集模块、数据预处理模块、数据存储模块、数据分析模块、护理健康评估模块以及数据展示模块，处理器用于处理来自远程医用护理分析***的至少一个组件数据，其中：
数据采集模块主要用于采集远程护理***中的护理数据，包括病人个人信息、护理记录、健康评估、护理记录和用药情况；
数据预处理模块主要对采集的数据进行预处理，包括数据清洗、数据整合、数据去重、数据格式转换；
数据存储模块主要用于存储预处理后的数据，采用分布式存储技术；
数据分析模块主要对存储的数据进行分析处理，包括数据预处理、特征选择、模型训练、模型评估、模型应用，提取护理特征和规律，并生成各类分析报告；
数据展示模块主要用于将分析结果以可视化的形式展示出来，方便护理人员对病人的情况进行判断和决策；
数据分析模块通过数据预处理模块处理好的护理质量指标、护理素质指标和护理管理指标作为自变量，代入护理健康评估模块中，将三元一次函数作为护理健康评估指标的评估机制，护理健康评估指标的公式为：
Figure QLYQS_1
;
式中：
Figure QLYQS_3
作为护理健康评估指标，/>
Figure QLYQS_7
和/>
Figure QLYQS_10
为三元一次函数/>
Figure QLYQS_4
的三个自变量，/>
Figure QLYQS_6
为护理质量指标，/>
Figure QLYQS_9
为护理素质指标，/>
Figure QLYQS_11
为护理管理指标，/>
Figure QLYQS_2
为第一权重系数，/>
Figure QLYQS_5
为第二权重系数，/>
Figure QLYQS_8
为第三权重系数，由专家商议决定。
2.根据权利要求1所述的一种基于数据分析的远程医用护理分析***，其特征在于：数据分析模块中，利用护理质量指标与操作规范程度、护理记录完整度和护理效果良好度相关，护理质量指标的公式为：
Figure QLYQS_12
；
式中：
Figure QLYQS_13
为操作规范程度，/>
Figure QLYQS_14
为护理记录完整度，/>
Figure QLYQS_15
为护理效果良好度。
3.根据权利要求1所述的一种基于数据分析的远程医用护理分析***，其特征在于：数据分析模块中，利用护理素质指标与专业技能掌握度和护理满意度，护理质量指标的公式为：
Figure QLYQS_16
；
式中：
Figure QLYQS_17
为专业技能掌握度，/>
Figure QLYQS_18
为护理满意度。
4.根据权利要求1所述的一种基于数据分析的远程医用护理分析***，其特征在于：
数据分析模块中，利用护理管理指标与基础医疗服务评分、情感支持服务评分和生理保健服务评分，护理管理指标的公式为：
Figure QLYQS_19
；
式中：
Figure QLYQS_20
为基础医疗服务评分，/>
Figure QLYQS_21
为情感支持服务评分，/>
Figure QLYQS_22
生理保健服务评分。
5.根据权利要求1所述的一种基于数据分析的远程医用护理分析***，其特征在于：数据采集模块采集的目标人员为年龄区间相同且在三个月内接受过或者正在接受医疗护理的病患，目标人员应具有良好认知能力和沟通能力，交流障碍者需有熟悉的照顾者协助调查，将严重器官功能障碍和不能长时间耐受者排除在目标人员之外。
6.根据权利要求1所述的一种基于数据分析的远程医用护理分析***，其特征在于：数据存储模块使用计算机、存储器和移动设备对数据进行存储和管理。
7.根据权利要求1所述的一种基于数据分析的远程医用护理分析***，其特征在于：获取护理健康评估指标后，利用护理健康评估指标的数值创建样本集，并获取样本集中的均值和标准差，利用均值和标准差对数据进行标准化，标准化公式为
Figure QLYQS_23
，在此式中/>
Figure QLYQS_24
为标准参量，/>
Figure QLYQS_25
为样本数据的方差，/>
Figure QLYQS_26
为样本数据的均值，在完成标准化后，将标准参量利用
Figure QLYQS_27
将数值区间调整至/>
Figure QLYQS_28
之间，利用/>
Figure QLYQS_29
的函数值对护理健康评估指标进行分类，分类的机制为：
当
Figure QLYQS_30
≤/>
Figure QLYQS_31
＜/>
Figure QLYQS_32
时，护理健康评估指标分类为一级；
当
Figure QLYQS_33
≤/>
Figure QLYQS_34
＜/>
Figure QLYQS_35
时，护理健康评估指标分类为二级。
8.根据权利要求1所述的一种基于数据分析的远程医用护理分析***，其特征在于：在数据分析模块中，支持向量机的分类模型为：
Figure QLYQS_36
；
其中，
Figure QLYQS_37
是支持向量机的拉格朗日乘子，/>
Figure QLYQS_38
是核函数，用于将样本从原始空间映射到高维特征空间，b是偏置项；
其中，核函数为高斯核函数，其数学表达式为：
Figure QLYQS_39
；
其中
Figure QLYQS_40
表示测试样本的特征向量，/>
Figure QLYQS_41
是核函数的参数，用于控制高斯核函数的宽度。/>
CN202310476850.8A 2023-04-28 2023-04-28 一种基于数据分析的远程医用护理分析*** Pending CN116189866A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310476850.8A CN116189866A (zh) 2023-04-28 2023-04-28 一种基于数据分析的远程医用护理分析***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310476850.8A CN116189866A (zh) 2023-04-28 2023-04-28 一种基于数据分析的远程医用护理分析***

Publications (1)

Publication Number Publication Date
CN116189866A true CN116189866A (zh) 2023-05-30

Family

ID=86452704

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310476850.8A Pending CN116189866A (zh) 2023-04-28 2023-04-28 一种基于数据分析的远程医用护理分析***

Country Status (1)

Country Link
CN (1) CN116189866A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117238460A (zh) * 2023-09-18 2023-12-15 四川互慧软件有限公司 一种基于护理晨交班数据的病情监测方法和***
CN117831745A (zh) * 2024-03-06 2024-04-05 中国人民解放军海军青岛特勤疗养中心 基于数据分析的远程护理管理方法及***

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114240231A (zh) * 2021-12-16 2022-03-25 深圳市方软信息产业有限公司 一种基于大数据平台的医美行业服务质量评价方法
CN115860254A (zh) * 2022-12-22 2023-03-28 河南中医药大学 一种基于临床实习的护理智能导学***

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114240231A (zh) * 2021-12-16 2022-03-25 深圳市方软信息产业有限公司 一种基于大数据平台的医美行业服务质量评价方法
CN115860254A (zh) * 2022-12-22 2023-03-28 河南中医药大学 一种基于临床实习的护理智能导学***

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117238460A (zh) * 2023-09-18 2023-12-15 四川互慧软件有限公司 一种基于护理晨交班数据的病情监测方法和***
CN117831745A (zh) * 2024-03-06 2024-04-05 中国人民解放军海军青岛特勤疗养中心 基于数据分析的远程护理管理方法及***
CN117831745B (zh) * 2024-03-06 2024-05-07 中国人民解放军海军青岛特勤疗养中心 基于数据分析的远程护理管理方法及***

Similar Documents

Publication Publication Date Title
US10039485B2 (en) Method and system for assessing mental state
US20220254493A1 (en) Chronic disease prediction system based on multi-task learning model
Bozkurt et al. Using automatically extracted information from mammography reports for decision-support
CN116189866A (zh) 一种基于数据分析的远程医用护理分析***
CN110739076A (zh) 一种医疗人工智能公共训练平台
CN113707264A (zh) 基于机器学习的药物推荐方法、装置、设备及介质
CN112967803A (zh) 基于集成模型的急诊患者早期死亡率预测方法及***
CN112541066A (zh) 基于文本结构化的医技报告检测方法及相关设备
CN112786203A (zh) 一种机器学习糖尿病视网膜病变发病风险预测方法及应用
CN115579104A (zh) 一种基于人工智能的肝癌全病程数字化管理方法及***
CN116864139A (zh) 疾病风险评估方法、装置、计算机设备及可读存储介质
US11961204B2 (en) State visualization device, state visualization method, and state visualization program
CN116864121A (zh) 健康风险筛查***
Ahmed et al. A review on the detection techniques of polycystic ovary syndrome using machine learning
CN117292829A (zh) 一种冠心病分级诊疗信息***
Kumar et al. Students' academic performance prediction using regression: a case study
CN116864104A (zh) 基于人工智能的慢性血栓栓塞性肺动脉高压风险分级***
JP2024061599A (ja) 階層図ニューラルネットワークに基づく疾患診療過程異常識別システム
Klemm et al. Interactive visual analysis of lumbar back pain-what the lumbar spine tells about your life
Conforti et al. Kernel-based support vector machine classifiers for early detection of myocardial infarction
Hughes et al. Towards automatic and interpretable assignments of patients presenting with pain to the emergency department
Sixian et al. Application of Shapley Additive Explanation Towards Determining Personalized Triage from Health Checkup Data
Kavya et al. Heart Disease Prediction Using Logistic Regression
Sams et al. Predictive modelling and its visualization for telehealth data–Concept and implementation of an interactive viewer
Rani et al. Machine Learning Model for Accurate Prediction of Thyroid Disease

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20230530