CN116844732B - 基于大数据分析的高血压诊疗数据分布式调控***及方法 - Google Patents
基于大数据分析的高血压诊疗数据分布式调控***及方法 Download PDFInfo
- Publication number
- CN116844732B CN116844732B CN202310927905.2A CN202310927905A CN116844732B CN 116844732 B CN116844732 B CN 116844732B CN 202310927905 A CN202310927905 A CN 202310927905A CN 116844732 B CN116844732 B CN 116844732B
- Authority
- CN
- China
- Prior art keywords
- diagnosis
- treatment
- hypertension
- patient
- detected
- 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.)
- Active
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 489
- 206010020772 Hypertension Diseases 0.000 title claims abstract description 205
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000007405 data analysis Methods 0.000 title claims abstract description 20
- 238000012544 monitoring process Methods 0.000 claims abstract description 93
- 238000012216 screening Methods 0.000 claims abstract description 13
- 238000004458 analytical method Methods 0.000 claims description 51
- 238000011156 evaluation Methods 0.000 claims description 49
- 230000036772 blood pressure Effects 0.000 claims description 41
- 230000006978 adaptation Effects 0.000 claims description 37
- 235000005911 diet Nutrition 0.000 claims description 33
- 239000003814 drug Substances 0.000 claims description 33
- 230000037213 diet Effects 0.000 claims description 30
- 229940079593 drug Drugs 0.000 claims description 18
- 230000003044 adaptive effect Effects 0.000 claims description 12
- 230000033001 locomotion Effects 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 description 3
- 230000000378 dietary effect Effects 0.000 description 3
- 206010008190 Cerebrovascular accident Diseases 0.000 description 2
- 208000006011 Stroke Diseases 0.000 description 2
- 230000002490 cerebral effect Effects 0.000 description 2
- 239000008157 edible vegetable oil Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 235000021075 protein intake Nutrition 0.000 description 2
- 159000000000 sodium salts Chemical class 0.000 description 2
- 208000024172 Cardiovascular disease Diseases 0.000 description 1
- 208000017667 Chronic Disease Diseases 0.000 description 1
- 206010029164 Nephrotic syndrome Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 208000026106 cerebrovascular disease Diseases 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000002526 effect on cardiovascular system Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 208000019622 heart disease Diseases 0.000 description 1
- 208000010125 myocardial infarction Diseases 0.000 description 1
- 208000009928 nephrosis Diseases 0.000 description 1
- 231100001027 nephrosis Toxicity 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Databases & Information Systems (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Data Mining & Analysis (AREA)
- General Business, Economics & Management (AREA)
- Biomedical Technology (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Pathology (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明涉及诊疗数据分析技术领域，具体为基于大数据分析的高血压诊疗数据分布式调控***及方法，所述***包括候选序列预测模块，所述候选序列预测模块结合诊疗方案分析模块中分析的干扰值及适配评估值情况，预测诊疗方案分析模块中每个匹配的诊疗方案与待测高血压患者之间的综合诊疗分析值，并按照综合诊疗分析值从小到大的顺序生成待测高血压患者的诊疗挂号候选序列。本发明通过对高血压患者的历史监测情况与各个诊疗医生的诊疗情况进行分析，能够实现对诊疗医生的筛选，降低诊疗医生的诊疗方案对高血压患者的影响；并结合各个诊疗医生自身的候诊数据，实现对诊疗医生候诊数据的分布式调控。
Description
技术领域
本发明涉及诊疗数据分析技术领域，具体为基于大数据分析的高血压诊疗数据分布式调控***及方法。
背景技术
随着社会水平不断提升，高血压逐渐呈现年轻化趋势，而高血压作为最常见的慢性病之一，是心脏病、脑卒中、肾病发病和死亡的最重要的危险因素。我国因心脑血管病导致的死亡占居民总死亡的40％以上，约70％的脑卒中死亡和约50％的心肌梗死与高血压密切相关。为加强对高血压患者自身状态的监管，通常高血压患者每隔一段时间就需要到医院就诊一次。
医院中，由于不同的医生针对同一病情有不同的诊疗方案，其不同的诊疗方案之间可能是存在冲突影响的，进而患者诊疗过程中不能随意变更诊疗方案，进而就诊的医生是存在预先筛选的必要的；但是现有的患者诊疗挂号时，挂号对象均是患者主观筛选的，并非适应患者自身病情，且不同的医生的候诊病人的分布也不均衡，存在部分医生候诊病人较多，但是部分医生没有候诊病人的情况，造成医疗资源的浪费。
发明内容
本发明的目的在于提供基于大数据分析的高血压诊疗数据分布式调控***及方法，以解决上述背景技术中提出的问题。
为了解决上述技术问题，本发明提供如下技术方案：基于大数据分析的高血压诊疗数据分布式调控方法，所述方法包括以下步骤：
S1、获取待测高血压患者的历史诊疗数据，生成待测高血压患者的诊疗特征，所述诊疗特征包括生活习惯特征、诊疗监测数据特征及诊疗方案特征；
S2、获取历史数据中患者诊疗监测数据特征与待测高血压患者诊疗监测数据特征之间的匹配值，并筛选匹配值大于阈值的所有历史用户对应的诊疗医生及相应的诊疗方案，得到筛选的每个诊疗方案对应的诊疗方案特征；匹配所得诊疗方案特征与待测高血压患者诊疗方案特征之间的干扰值；并获取待测高血压患者生活习惯特征分别与待测高血压患者诊疗方案特征及匹配所得诊疗方案特征之间的适配评估值；
S3、结合S2中分析的干扰值及适配评估值情况，预测S2中每个匹配的诊疗方案与待测高血压患者之间的综合诊疗分析值，并按照综合诊疗分析值从小到大的顺序生成待测高血压患者的诊疗挂号候选序列；
S4、获取待测高血压患者挂号时对应的各个诊疗医生的候诊数据，得到待测高血压患者的最佳诊疗挂号对象，推荐给待测高血压患者，并将待测高血压患者的诊疗特征发送给相应的最佳诊疗挂号对象。
本发明通过对高血压患者的历史监测情况与各个诊疗医生的诊疗情况进行分析，能够实现对诊疗医生的筛选，使得高血压患者的诊疗挂号对象的诊疗方案能够符合高血压患者自身的需求，降低诊疗医生的诊疗方案对高血压患者的影响；并结合各个诊疗医生自身的候诊数据，实现对高血压患者最佳诊疗挂号对象的推荐，实现对诊疗医生候诊数据的分布式调控，避免出现诊疗医生的候诊人数分布不均的情况，及诊疗医生工作量不均衡的情况，既解决了高血压患者及时就诊的需求，又均衡了诊疗医生的就诊工作量。
进一步的，所述S1中生活***均值，所述运动特征值表示待测高血压患者相邻两次监测血压期间每天的运动状态分别在数据库中对应查询数值的平均值；
本发明中饮食状态包括一天中针对蛋白质摄入计算、钠盐及食用油的计算和食用的食物种类，数据库中待测高血压患者前一次监测的血压值不同且饮食状态相同时对应的查询数值不相同，数据库中每个血压值不变的情况下，每个饮食状态对应唯一的查询数值；运动状态包括运动方式及运动时间，数据库中待测高血压患者前一次监测的血压值不同且运动状态相同时对应的查询数值不相同，数据库中每个血压值不变的情况下，每个运动状态对应唯一的查询数值。
所述诊疗监测数据特征为待测高血压患者的历史诊疗数据中前n次血压监测结果构成的集合，并第前n次血压监测结果对应时间至第前1次血压监测结果对应时间之间的时长记为T，所述n为数据库中预置的常数；
所述诊疗方案特征为待测高血压患者的历史诊疗数据中最近一次诊疗方案对应的诊疗信息构成的集合，所述诊疗信息包括食用的诊疗药物及诊疗建议。
进一步的，所述S2中得到筛选的每个诊疗方案对应的诊疗方案特征的方法包括以下步骤：
S201、获取历史数据中患者诊疗监测数据特征与待测高血压患者诊疗监测数据特征之间的匹配值，
构建平面直角坐标系，所述平面直角坐标系为以标准间隔时长为x轴且以血压监测数据为y轴构成的坐标系；获取历史数据中每个患者诊疗监测数据特征对应的折线，记为第一特征折线，所述每个患者诊疗监测数据特征中的每个血压监测结果均对应第一特征折线中的一个节点，所述第一特征折线为平面直角坐标系中各个相邻节点的连线，所述标准间隔时长为相应患者诊疗检测数据特征中各个血压监测数据对应的时间与第一个血压监测数据对应时间的差值；
将待测高血压患者诊疗监测数据特征对应的折线，记为第二特征折线；
将历史数据中第i个患者诊疗监测数据特征对应第一特征折线相应的函数记为Fi(x)，将待测高血压患者诊疗监测数据特征对应第二特征折线相应的函数记为F(x)；
左右平移函数F(x)且使平移后的F(x)与函数Fi(x)之间重合的x取值范围的长度为T时，将平移后的F(x)记为Fp(x)，将重合的x取值范围记为[x1，x1+T]，计算Fp(x)与Fi(x)在[x1，x1+T]范围内的数据偏差量，记为Pi，
所述Pi＝[∫x＝x1 x＝x1+T|Fp(x)-Fi(x)|dx]/[∫x＝x1 x＝x1+T|Fp(x)|dx]；
历史数据中第i个患者诊疗监测数据特征与待测高血压患者诊疗监测数据特征之间的匹配值等于x1为不同值时分别对应的各个Pi的最小值；
S202、筛选匹配值大于阈值的所有历史用户对应的诊疗医生及相应的诊疗方案，并将所得诊疗医生与相应诊疗方案进行绑定，所述阈值为数据库中预置的常数；
S203、获取S202中筛选的各个诊疗方案对应的诊疗信息构成的集合，得到筛选的每个诊疗方案对应的诊疗方案特征。
本发明得到筛选的每个诊疗方案对应的诊疗方案特征，即得到与待测高血压患者诊疗检测数据特征相近的各个患者对应的诊疗医生及诊疗方案，便于后续步骤中分析各个诊疗方案与待测高血压患者的适配评估情况，为后续获取待测高血压患者的最佳诊疗挂号对象提供了数据支撑。
进一步的，所述S2中匹配所得诊疗方案特征与待测高血压患者诊疗方案特征之间的干扰值时，获取匹配所得诊疗方案特征中的诊疗信息对应的诊疗药物相应的药物禁忌，并查询数据库预置表单中每种药物禁忌对应的药物干扰值，所述数据库预置表单中诊疗药物的每种药物禁忌对应的唯一的药物干扰值；获取所得药物禁忌与待测高血压患者诊疗方案特征中诊疗药物的成分的交集，并将所得交集中各个元素对应的药物干扰值之和作为匹配的所得诊疗方案特征与待测高血压患者诊疗方案特征之间的干扰值；
所述S2中获取待测高血压患者生活习惯特征分别与待测高血压患者诊疗方案特征及匹配所得诊疗方案特征之间的适配评估值的方法包括以下步骤：
S211、获取待测高血压患者生活习惯特征，记为Q1，获取待测高血压患者诊疗方案特征中的诊疗建议及匹配所得诊疗方案特征中的诊疗建议，将待测高血压患者诊疗方案特征中的诊疗建议中饮食及运动情况对应的生活习惯特征记为Q2，将匹配的第k个诊疗方案特征中的诊疗建议中饮食及运动情况对应的生活习惯特征记为Q3k；
S212、获取Q1与Q2之间的适配评估值，记为G1，获取Q1与Q3k之间的适配评估值，记为G2，所述G1＝R{Q2}/Q1，所述G2k＝R{Q3k}/Q1，所述Q1≠0，
其中，R{}表示适配评估函数，当适配评估函数内的变量Q2或Q3k小于Q1时，则相应变量在适配评估函数中对应的值为Q1，当适配评估函数内的变量Q2或Q3k大于等于Q1时，则相应变量在适配评估函数中对应的值为相应变量的值，R{Q2}与R{Q3k}中的Q2与Q3k均为适配评估函数的变量；
进一步的，S3中预测每个匹配的诊疗方案与待测高血压患者之间的综合诊疗分析值的方法包括以下步骤：
S31、获取待测高血压患者诊疗方案特征中的诊疗建议中饮食及运动情况对应的生活习惯特征Q2，获取匹配的第k个诊疗方案特征中的诊疗建议中饮食及运动情况对应的生活习惯特征Q3k；
S32、获取匹配的所得诊疗方案特征与待测高血压患者诊疗方案特征之间的干扰值，将匹配的第k个诊疗方案特征与待测高血压患者诊疗方案特征之间的干扰值记为Hk；
S33、得到匹配的第k个诊疗方案与待测高血压患者之间的综合诊疗分析值，记为Wk，所述Wk＝a1·Hk+a2·(Q3k-Q2)，其中，a1与a2均为数据库中预置的常数；
按照综合诊疗分析值从小到大的顺序生成待测高血压患者的诊疗挂号候选序列时，诊疗挂号候选序列中的元素为相应综合诊疗分析值对应诊疗方案绑定的诊疗医生。
本发明获取待测高血压患者的诊疗挂号候选序列，是为了得到匹配的各个诊疗方案与待测高血压患者之间适配的优先级，所得待测高血压患者的诊疗挂号候选序列中越靠前的元素越符合待测高血压患者的就诊需求，理论上越符合高血压患者的最佳诊疗挂号对象的人选。
进一步的，所述S4中得到待测高血压患者的最佳诊疗挂号对象的方法包括以下步骤：
S41、获取待测高血压患者的诊疗挂号候选序列，记为E；
S42、获取待测高血压患者挂号时对应的各个诊疗医生的候诊数据，并将所得各个诊疗医生的候诊数据分别与E中各个元素对应的诊疗医生进行绑定，得到待测高血压患者的诊疗挂号医生候诊数据序列，所述候诊数据表示候诊人数与历史数据中相应诊疗医生平均单位时间内候诊人数的比值；
S43、得到待测高血压患者的最佳诊疗挂号对象，最佳诊疗挂号对象为待测高血压患者的诊疗挂号医生候诊数据序列中各个元素对应的序号与相应元素对应候诊数据的乘积的最小值；
所述待测高血压患者的最佳诊疗挂号对象对应一个医生。
本发明在获取待测高血压患者的最佳诊疗挂号对象时，结合各个诊疗医生的候诊数据，及待测高血压患者的诊疗挂号候选序列，实现对高血压诊疗数据分布式调控，调控的对象为待测高血压患者推荐的最终诊疗挂号对象，分布式调控体现在对满足待测高血压患者挂号对象的诊疗医生中候诊数据的均衡(使得满足待测高血压患者挂号对象的各个诊疗医生相应候诊数据不出现较大的差距，在一定程度上既解决了高血压患者及时就诊的需求，且缩短了高血压患者的就诊等待时长，又均衡了诊疗医生的就诊工作量，避免出现诊疗医生的候诊人数分布不均的情况)。
基于大数据分析的高血压诊疗数据分布式调控***，所述***包括以下模块：
诊疗特征生成模块，所述诊疗特征生成模块获取待测高血压患者的历史诊疗数据，生成待测高血压患者的诊疗特征，所述诊疗特征包括生活习惯特征、诊疗监测数据特征及诊疗方案特征；
诊疗方案分析模块，所述诊疗方案分析模块获取历史数据中患者诊疗监测数据特征与待测高血压患者诊疗监测数据特征之间的匹配值，并筛选匹配值大于阈值的所有历史用户对应的诊疗医生及相应的诊疗方案，得到筛选的每个诊疗方案对应的诊疗方案特征；匹配所得诊疗方案特征与待测高血压患者诊疗方案特征之间的干扰值；并获取待测高血压患者生活习惯特征分别与待测高血压患者诊疗方案特征及匹配所得诊疗方案特征之间的适配评估值；
候选序列预测模块，所述候选序列预测模块结合诊疗方案分析模块中分析的干扰值及适配评估值情况，预测诊疗方案分析模块中每个匹配的诊疗方案与待测高血压患者之间的综合诊疗分析值，并按照综合诊疗分析值从小到大的顺序生成待测高血压患者的诊疗挂号候选序列；
最佳诊疗挂号对象筛选模块，所述最佳诊疗挂号对象筛选模块获取待测高血压患者挂号时对应的各个诊疗医生的候诊数据，得到待测高血压患者的最佳诊疗挂号对象，推荐给待测高血压患者，并将待测高血压患者的诊疗特征发送给相应的最佳诊疗挂号对象。
进一步的，所述诊疗方案分析模块包括特征匹配分析单元、诊疗方案特征提取单元、特征干扰分析单元及适配评估单元，
所述特征匹配分析单元获取历史数据中患者诊疗监测数据特征与待测高血压患者诊疗监测数据特征之间的匹配值；
所述诊疗方案特征提取单元筛选匹配值大于阈值的所有历史用户对应的诊疗医生及相应的诊疗方案，得到筛选的每个诊疗方案对应的诊疗方案特征；
所述特征干扰分析单元分析匹配所得诊疗方案特征与待测高血压患者诊疗方案特征之间的干扰值；
所述适配评估单元获取待测高血压患者生活习惯特征分别与待测高血压患者诊疗方案特征及匹配所得诊疗方案特征之间的适配评估值。
与现有技术相比，本发明所达到的有益效果是：本发明通过对高血压患者的历史监测情况与各个诊疗医生的诊疗情况进行分析，能够实现对诊疗医生的筛选，使得高血压患者的诊疗挂号对象的诊疗方案能够符合高血压患者自身的需求，降低诊疗医生的诊疗方案对高血压患者的影响；并结合各个诊疗医生自身的候诊数据，实现对高血压患者最佳诊疗挂号对象的推荐，实现对诊疗医生候诊数据的分布式调控，避免出现诊疗医生的候诊人数分布不均及诊疗医生工作量不均衡的情况，既解决了高血压患者及时就诊的需求，又均衡了诊疗医生的就诊工作量。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1是本发明基于大数据分析的高血压诊疗数据分布式调控方法的结构示意图；
图2是本发明基于大数据分析的高血压诊疗数据分布式调控***的流程示意图。
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。
请参阅图1，本发明提供技术方案：基于大数据分析的高血压诊疗数据分布式调控方法，所述方法包括以下步骤：
S1、获取待测高血压患者的历史诊疗数据，生成待测高血压患者的诊疗特征，所述诊疗特征包括生活习惯特征、诊疗监测数据特征及诊疗方案特征；
所述S1中生活***均值(饮食状态包括一天中针对蛋白质摄入计算、钠盐及食用油的计算和食用的食物种类，数据库中待测高血压患者前一次监测的血压值不同且饮食状态相同时对应的查询数值不相同，数据库中每个血压值不变的情况下，每个饮食状态对应唯一的查询数值)，所述运动特征值表示待测高血压患者相邻两次监测血压期间每天的运动状态分别在数据库中对应查询数值的平均值(运动状态包括运动方式及运动时间，数据库中待测高血压患者前一次监测的血压值不同且运动状态相同时对应的查询数值不相同，数据库中每个血压值不变的情况下，每个运动状态对应唯一的查询数值)；
所述诊疗监测数据特征为待测高血压患者的历史诊疗数据中前n次血压监测结果构成的集合，并第前n次血压监测结果对应时间至第前1次血压监测结果对应时间之间的时长记为T，所述n为数据库中预置的常数；
所述诊疗方案特征为待测高血压患者的历史诊疗数据中最近一次诊疗方案对应的诊疗信息构成的集合，所述诊疗信息包括食用的诊疗药物及诊疗建议。
S2、获取历史数据中患者诊疗监测数据特征与待测高血压患者诊疗监测数据特征之间的匹配值，并筛选匹配值大于阈值的所有历史用户对应的诊疗医生及相应的诊疗方案，得到筛选的每个诊疗方案对应的诊疗方案特征；匹配所得诊疗方案特征与待测高血压患者诊疗方案特征之间的干扰值；并获取待测高血压患者生活习惯特征分别与待测高血压患者诊疗方案特征及匹配所得诊疗方案特征之间的适配评估值；
所述S2中得到筛选的每个诊疗方案对应的诊疗方案特征的方法包括以下步骤：
S201、获取历史数据中患者诊疗监测数据特征与待测高血压患者诊疗监测数据特征之间的匹配值，
构建平面直角坐标系，所述平面直角坐标系为以标准间隔时长为x轴且以血压监测数据为y轴构成的坐标系；获取历史数据中每个患者诊疗监测数据特征对应的折线，记为第一特征折线，所述每个患者诊疗监测数据特征中的每个血压监测结果均对应第一特征折线中的一个节点，所述第一特征折线为平面直角坐标系中各个相邻节点的连线，所述标准间隔时长为相应患者诊疗检测数据特征中各个血压监测数据对应的时间与第一个血压监测数据对应时间的差值；
将待测高血压患者诊疗监测数据特征对应的折线，记为第二特征折线；
将历史数据中第i个患者诊疗监测数据特征对应第一特征折线相应的函数记为Fi(x)，将待测高血压患者诊疗监测数据特征对应第二特征折线相应的函数记为F(x)；
左右平移函数F(x)且使平移后的F(x)与函数Fi(x)之间重合的x取值范围的长度为T时，将平移后的F(x)记为Fp(x)，将重合的x取值范围记为[x1，x1+T]，计算Fp(x)与Fi(x)在[x1，x1+T]范围内的数据偏差量，记为Pi，
所述Pi＝[∫x＝x1 x＝x1+T|Fp(x)-Fi(x)|dx]/[∫x＝x1 x＝x1+T|Fp(x)|dx]；
历史数据中第i个患者诊疗监测数据特征与待测高血压患者诊疗监测数据特征之间的匹配值等于x1为不同值时分别对应的各个Pi的最小值；
S202、筛选匹配值大于阈值的所有历史用户对应的诊疗医生及相应的诊疗方案，并将所得诊疗医生与相应诊疗方案进行绑定，所述阈值为数据库中预置的常数；
S203、获取S202中筛选的各个诊疗方案对应的诊疗信息构成的集合，得到筛选的每个诊疗方案对应的诊疗方案特征。
所述S2中匹配所得诊疗方案特征与待测高血压患者诊疗方案特征之间的干扰值时，获取匹配所得诊疗方案特征中的诊疗信息对应的诊疗药物相应的药物禁忌，并查询数据库预置表单中每种药物禁忌对应的药物干扰值，所述数据库预置表单中诊疗药物的每种药物禁忌对应的唯一的药物干扰值；获取所得药物禁忌与待测高血压患者诊疗方案特征中诊疗药物的成分的交集，并将所得交集中各个元素对应的药物干扰值之和作为匹配的所得诊疗方案特征与待测高血压患者诊疗方案特征之间的干扰值；
所述S2中获取待测高血压患者生活习惯特征分别与待测高血压患者诊疗方案特征及匹配所得诊疗方案特征之间的适配评估值的方法包括以下步骤：
S211、获取待测高血压患者生活习惯特征，记为Q1，获取待测高血压患者诊疗方案特征中的诊疗建议及匹配所得诊疗方案特征中的诊疗建议，将待测高血压患者诊疗方案特征中的诊疗建议中饮食及运动情况对应的生活习惯特征记为Q2，将匹配的第k个诊疗方案特征中的诊疗建议中饮食及运动情况对应的生活习惯特征记为Q3k；
S212、获取Q1与Q2之间的适配评估值，记为G1，获取Q1与Q3k之间的适配评估值，记为G2，所述G1＝R{Q2}/Q1，所述G2k＝R{Q3k}/Q1，所述Q1≠0，
其中，R{}表示适配评估函数，当适配评估函数内的变量Q2或Q3k小于Q1时，则相应变量在适配评估函数中对应的值为Q1，当适配评估函数内的变量Q2或Q3k大于等于Q1时，则相应变量在适配评估函数中对应的值为相应变量的值，R{Q2}与R{Q3k}中的Q2与Q3k均为适配评估函数的变量；
S3、结合S2中分析的干扰值及适配评估值情况，预测S2中每个匹配的诊疗方案与待测高血压患者之间的综合诊疗分析值，并按照综合诊疗分析值从小到大的顺序生成待测高血压患者的诊疗挂号候选序列；
S3中预测每个匹配的诊疗方案与待测高血压患者之间的综合诊疗分析值的方法包括以下步骤：
S31、获取待测高血压患者诊疗方案特征中的诊疗建议中饮食及运动情况对应的生活习惯特征Q2，获取匹配的第k个诊疗方案特征中的诊疗建议中饮食及运动情况对应的生活习惯特征Q3k；
S32、获取匹配的所得诊疗方案特征与待测高血压患者诊疗方案特征之间的干扰值，将匹配的第k个诊疗方案特征与待测高血压患者诊疗方案特征之间的干扰值记为Hk；
S33、得到匹配的第k个诊疗方案与待测高血压患者之间的综合诊疗分析值，记为Wk，所述Wk＝a1·Hk+a2·(Q3k-Q2)，其中，a1与a2均为数据库中预置的常数；
按照综合诊疗分析值从小到大的顺序生成待测高血压患者的诊疗挂号候选序列时，诊疗挂号候选序列中的元素为相应综合诊疗分析值对应诊疗方案绑定的诊疗医生。
S4、获取待测高血压患者挂号时对应的各个诊疗医生的候诊数据，得到待测高血压患者的最佳诊疗挂号对象，推荐给待测高血压患者，并将待测高血压患者的诊疗特征发送给相应的最佳诊疗挂号对象。
所述S4中得到待测高血压患者的最佳诊疗挂号对象的方法包括以下步骤：
S41、获取待测高血压患者的诊疗挂号候选序列，记为E；
S42、获取待测高血压患者挂号时对应的各个诊疗医生的候诊数据，并将所得各个诊疗医生的候诊数据分别与E中各个元素对应的诊疗医生进行绑定，得到待测高血压患者的诊疗挂号医生候诊数据序列，所述候诊数据表示候诊人数与历史数据中相应诊疗医生平均单位时间内候诊人数的比值；
S43、得到待测高血压患者的最佳诊疗挂号对象，最佳诊疗挂号对象为待测高血压患者的诊疗挂号医生候诊数据序列中各个元素对应的序号与相应元素对应候诊数据的乘积的最小值；
所述待测高血压患者的最佳诊疗挂号对象对应一个医生。
本实施例中若待测高血压患者的诊疗挂号候选序列E为{M1，M2，M3}，其中M1、M2及M3分别表示不同的医生；
若待测高血压患者挂号时对应的各个诊疗医生的候诊数据如下：
M1对应的候诊人数为9人，历史数据中诊疗医生M1平均单位时间内候诊人数为3人，本实施例中单位时间表示一个小时；
M2对应的候诊人数为10人，历史数据中诊疗医生M2平均单位时间内候诊人数为4人；
M3对应的候诊人数为6人，历史数据中诊疗医生M3平均单位时间内候诊人数为2人；
则M1对应的候诊数据为9÷3＝3；M2对应的候诊数据为10÷4＝2.5；M3对应的候诊数据为6÷2＝3；
则得到待测高血压患者的诊疗挂号医生候诊数据序列为{3，2.5，3}，且其中2.5对应的序号为2，3对应的序号为1和3；
由于1×3＜2.5×2＜3×3，则待测高血压患者的最佳诊疗挂号对象为M1；
本发明获取待测高血压患者的诊疗挂号医生候诊数据序列中各个元素对应的序号与相应元素对应候诊数据的乘积的最小值时，若存在所得最小值为多个时，则待测高血压患者的最佳诊疗挂号对象也为多个。
如图2所示，基于大数据分析的高血压诊疗数据分布式调控***，所述***包括以下模块：
诊疗特征生成模块，所述诊疗特征生成模块获取待测高血压患者的历史诊疗数据，生成待测高血压患者的诊疗特征，所述诊疗特征包括生活习惯特征、诊疗监测数据特征及诊疗方案特征；
诊疗方案分析模块，所述诊疗方案分析模块获取历史数据中患者诊疗监测数据特征与待测高血压患者诊疗监测数据特征之间的匹配值，并筛选匹配值大于阈值的所有历史用户对应的诊疗医生及相应的诊疗方案，得到筛选的每个诊疗方案对应的诊疗方案特征；匹配所得诊疗方案特征与待测高血压患者诊疗方案特征之间的干扰值；并获取待测高血压患者生活习惯特征分别与待测高血压患者诊疗方案特征及匹配所得诊疗方案特征之间的适配评估值；
候选序列预测模块，所述候选序列预测模块结合诊疗方案分析模块中分析的干扰值及适配评估值情况，预测诊疗方案分析模块中每个匹配的诊疗方案与待测高血压患者之间的综合诊疗分析值，并按照综合诊疗分析值从小到大的顺序生成待测高血压患者的诊疗挂号候选序列；
最佳诊疗挂号对象筛选模块，所述最佳诊疗挂号对象筛选模块获取待测高血压患者挂号时对应的各个诊疗医生的候诊数据，得到待测高血压患者的最佳诊疗挂号对象，推荐给待测高血压患者，并将待测高血压患者的诊疗特征发送给相应的最佳诊疗挂号对象。
所述诊疗方案分析模块包括特征匹配分析单元、诊疗方案特征提取单元、特征干扰分析单元及适配评估单元，
所述特征匹配分析单元获取历史数据中患者诊疗监测数据特征与待测高血压患者诊疗监测数据特征之间的匹配值；
所述诊疗方案特征提取单元筛选匹配值大于阈值的所有历史用户对应的诊疗医生及相应的诊疗方案，得到筛选的每个诊疗方案对应的诊疗方案特征；
所述特征干扰分析单元分析匹配所得诊疗方案特征与待测高血压患者诊疗方案特征之间的干扰值；
所述适配评估单元获取待测高血压患者生活习惯特征分别与待测高血压患者诊疗方案特征及匹配所得诊疗方案特征之间的适配评估值
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
最后应说明的是：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，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，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。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (6)
1.基于大数据分析的高血压诊疗数据分布式调控方法，其特征在于，所述方法包括以下步骤：
S1、获取待测高血压患者的历史诊疗数据，生成待测高血压患者的诊疗特征，所述诊疗特征包括生活习惯特征、诊疗监测数据特征及诊疗方案特征；
S2、获取历史数据中患者诊疗监测数据特征与待测高血压患者诊疗监测数据特征之间的匹配值，并筛选匹配值大于阈值的所有历史用户对应的诊疗医生及相应的诊疗方案，得到筛选的每个诊疗方案对应的诊疗方案特征；匹配所得诊疗方案特征与待测高血压患者诊疗方案特征之间的干扰值；并获取待测高血压患者生活习惯特征分别与待测高血压患者诊疗方案特征及匹配所得诊疗方案特征之间的适配评估值；
S3、结合S2中分析的干扰值及适配评估值情况，预测S2中每个匹配的诊疗方案与待测高血压患者之间的综合诊疗分析值，并按照综合诊疗分析值从小到大的顺序生成待测高血压患者的诊疗挂号候选序列；
S4、获取待测高血压患者挂号时对应的各个诊疗医生的候诊数据，得到待测高血压患者的最佳诊疗挂号对象，推荐给待测高血压患者，并将待测高血压患者的诊疗特征发送给相应的最佳诊疗挂号对象；
所述S1中生活***均值，所述运动特征值表示待测高血压患者相邻两次监测血压期间每天的运动状态分别在数据库中对应查询数值的平均值；
所述诊疗监测数据特征为待测高血压患者的历史诊疗数据中前n次血压监测结果构成的集合，并第前n次血压监测结果对应时间至第前1次血压监测结果对应时间之间的时长记为T，所述n为数据库中预置的常数；
所述诊疗方案特征为待测高血压患者的历史诊疗数据中最近一次诊疗方案对应的诊疗信息构成的集合，所述诊疗信息包括食用的诊疗药物及诊疗建议；
所述S2中得到筛选的每个诊疗方案对应的诊疗方案特征的方法包括以下步骤：
S201、获取历史数据中患者诊疗监测数据特征与待测高血压患者诊疗监测数据特征之间的匹配值，
构建平面直角坐标系，所述平面直角坐标系为以标准间隔时长为x轴且以血压监测数据为y轴构成的坐标系；获取历史数据中每个患者诊疗监测数据特征对应的折线，记为第一特征折线，所述每个患者诊疗监测数据特征中的每个血压监测结果均对应第一特征折线中的一个节点，所述第一特征折线为平面直角坐标系中各个相邻节点的连线，所述标准间隔时长为相应患者诊疗检测数据特征中各个血压监测数据对应的时间与第一个血压监测数据对应时间的差值；
将待测高血压患者诊疗监测数据特征对应的折线，记为第二特征折线；
将历史数据中第i个患者诊疗监测数据特征对应第一特征折线相应的函数记为Fi(x)，将待测高血压患者诊疗监测数据特征对应第二特征折线相应的函数记为F(x)；
左右平移函数F(x)且使平移后的F(x)与函数Fi(x)之间重合的x取值范围的长度为T时，将平移后的F(x)记为Fp(x)，将重合的x取值范围记为[x1，x1+T]，计算Fp(x)与Fi(x)在[x1，x1+T]范围内的数据偏差量，记为Pi，
所述Pi＝[∫x＝x1 x＝x1+T|Fp(x)-Fi(x)|dx]/[∫x＝x1 x＝x1+T|Fp(x)|dx]；
历史数据中第i个患者诊疗监测数据特征与待测高血压患者诊疗监测数据特征之间的匹配值等于x1为不同值时分别对应的各个Pi的最小值；
S202、筛选匹配值大于阈值的所有历史用户对应的诊疗医生及相应的诊疗方案，并将所得诊疗医生与相应诊疗方案进行绑定，所述阈值为数据库中预置的常数；
S203、获取S202中筛选的各个诊疗方案对应的诊疗信息构成的集合，得到筛选的每个诊疗方案对应的诊疗方案特征。
2.根据权利要求1所述的基于大数据分析的高血压诊疗数据分布式调控方法，其特征在于：所述S2中匹配所得诊疗方案特征与待测高血压患者诊疗方案特征之间的干扰值时，获取匹配所得诊疗方案特征中的诊疗信息对应的诊疗药物相应的药物禁忌，并查询数据库预置表单中每种药物禁忌对应的药物干扰值，所述数据库预置表单中诊疗药物的每种药物禁忌对应的唯一的药物干扰值；获取所得药物禁忌与待测高血压患者诊疗方案特征中诊疗药物的成分的交集，并将所得交集中各个元素对应的药物干扰值之和作为匹配的所得诊疗方案特征与待测高血压患者诊疗方案特征之间的干扰值；
所述S2中获取待测高血压患者生活习惯特征分别与待测高血压患者诊疗方案特征及匹配所得诊疗方案特征之间的适配评估值的方法包括以下步骤：
S211、获取待测高血压患者生活习惯特征，记为Q1，获取待测高血压患者诊疗方案特征中的诊疗建议及匹配所得诊疗方案特征中的诊疗建议，将待测高血压患者诊疗方案特征中的诊疗建议中饮食及运动情况对应的生活习惯特征记为Q2，将匹配的第k个诊疗方案特征中的诊疗建议中饮食及运动情况对应的生活习惯特征记为Q3k；
S212、获取Q1与Q2之间的适配评估值，记为G1，获取Q1与Q3k之间的适配评估值，记为G2，所述G1＝R{Q2}/Q1，所述G2k＝R{Q3k}/Q1，所述Q1≠0，
其中，R{}表示适配评估函数，当适配评估函数内的变量Q2或Q3k小于Q1时，则相应变量在适配评估函数中对应的值为Q1，当适配评估函数内的变量Q2或Q3k大于等于Q1时，则相应变量在适配评估函数中对应的值为相应变量的值，R{Q2}与R{Q3k}中的Q2与Q3k均为适配评估函数的变量。
3.根据权利要求2所述的基于大数据分析的高血压诊疗数据分布式调控方法，其特征在于：S3中预测每个匹配的诊疗方案与待测高血压患者之间的综合诊疗分析值的方法包括以下步骤：
S31、获取待测高血压患者诊疗方案特征中的诊疗建议中饮食及运动情况对应的生活习惯特征Q2，获取匹配的第k个诊疗方案特征中的诊疗建议中饮食及运动情况对应的生活习惯特征Q3k；
S32、获取匹配的所得诊疗方案特征与待测高血压患者诊疗方案特征之间的干扰值，将匹配的第k个诊疗方案特征与待测高血压患者诊疗方案特征之间的干扰值记为Hk；
S33、得到匹配的第k个诊疗方案与待测高血压患者之间的综合诊疗分析值，记为Wk，所述Wk＝a1·Hk+a2·(Q3k-Q2)，其中，a1与a2均为数据库中预置的常数；
按照综合诊疗分析值从小到大的顺序生成待测高血压患者的诊疗挂号候选序列时，诊疗挂号候选序列中的元素为相应综合诊疗分析值对应诊疗方案绑定的诊疗医生。
4.根据权利要求1所述的基于大数据分析的高血压诊疗数据分布式调控方法，其特征在于：所述S4中得到待测高血压患者的最佳诊疗挂号对象的方法包括以下步骤：
S41、获取待测高血压患者的诊疗挂号候选序列，记为E；
S42、获取待测高血压患者挂号时对应的各个诊疗医生的候诊数据，并将所得各个诊疗医生的候诊数据分别与E中各个元素对应的诊疗医生进行绑定，得到待测高血压患者的诊疗挂号医生候诊数据序列，所述候诊数据表示候诊人数与历史数据中相应诊疗医生平均单位时间内候诊人数的比值；
S43、得到待测高血压患者的最佳诊疗挂号对象，最佳诊疗挂号对象为待测高血压患者的诊疗挂号医生候诊数据序列中各个元素对应的序号与相应元素对应候诊数据的乘积的最小值；
所述待测高血压患者的最佳诊疗挂号对象对应一个医生。
5.基于大数据分析的高血压诊疗数据分布式调控***，所述***基于权利要求1-4任意一项所述的基于大数据分析的高血压诊疗数据分布式调控方法实现，其特征在于，所述***包括以下模块：
诊疗特征生成模块，所述诊疗特征生成模块获取待测高血压患者的历史诊疗数据，生成待测高血压患者的诊疗特征，所述诊疗特征包括生活习惯特征、诊疗监测数据特征及诊疗方案特征；
诊疗方案分析模块，所述诊疗方案分析模块获取历史数据中患者诊疗监测数据特征与待测高血压患者诊疗监测数据特征之间的匹配值，并筛选匹配值大于阈值的所有历史用户对应的诊疗医生及相应的诊疗方案，得到筛选的每个诊疗方案对应的诊疗方案特征；匹配所得诊疗方案特征与待测高血压患者诊疗方案特征之间的干扰值；并获取待测高血压患者生活习惯特征分别与待测高血压患者诊疗方案特征及匹配所得诊疗方案特征之间的适配评估值；
候选序列预测模块，所述候选序列预测模块结合诊疗方案分析模块中分析的干扰值及适配评估值情况，预测诊疗方案分析模块中每个匹配的诊疗方案与待测高血压患者之间的综合诊疗分析值，并按照综合诊疗分析值从小到大的顺序生成待测高血压患者的诊疗挂号候选序列；
最佳诊疗挂号对象筛选模块，所述最佳诊疗挂号对象筛选模块获取待测高血压患者挂号时对应的各个诊疗医生的候诊数据，得到待测高血压患者的最佳诊疗挂号对象，推荐给待测高血压患者，并将待测高血压患者的诊疗特征发送给相应的最佳诊疗挂号对象。
6.根据权利要求5所述的基于大数据分析的高血压诊疗数据分布式调控***，其特征在于：所述诊疗方案分析模块包括特征匹配分析单元、诊疗方案特征提取单元、特征干扰分析单元及适配评估单元，
所述特征匹配分析单元获取历史数据中患者诊疗监测数据特征与待测高血压患者诊疗监测数据特征之间的匹配值；
所述诊疗方案特征提取单元筛选匹配值大于阈值的所有历史用户对应的诊疗医生及相应的诊疗方案，得到筛选的每个诊疗方案对应的诊疗方案特征；
所述特征干扰分析单元分析匹配所得诊疗方案特征与待测高血压患者诊疗方案特征之间的干扰值；
所述适配评估单元获取待测高血压患者生活习惯特征分别与待测高血压患者诊疗方案特征及匹配所得诊疗方案特征之间的适配评估值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310927905.2A CN116844732B (zh) | 2023-07-27 | 2023-07-27 | 基于大数据分析的高血压诊疗数据分布式调控***及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310927905.2A CN116844732B (zh) | 2023-07-27 | 2023-07-27 | 基于大数据分析的高血压诊疗数据分布式调控***及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116844732A CN116844732A (zh) | 2023-10-03 |
| CN116844732B true CN116844732B (zh) | 2024-02-02 |
Family
ID=88167132
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310927905.2A Active CN116844732B (zh) | 2023-07-27 | 2023-07-27 | 基于大数据分析的高血压诊疗数据分布式调控***及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116844732B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103383776A (zh) * | 2013-07-14 | 2013-11-06 | 浙江大学 | 一种基于分段匹配和贝叶斯估计的递进式立体匹配算法 |
| CN110610761A (zh) * | 2018-06-14 | 2019-12-24 | 胡盛寿 | 一种高血压辅诊方法和*** |
| CN113990424A (zh) * | 2021-10-29 | 2022-01-28 | 逸群海豚信息科技(上海)有限公司 | 一种基于电子病历的挂号推荐方法及*** |
| CN114864074A (zh) * | 2022-04-07 | 2022-08-05 | 张佳昕 | 一种基于区块链的大健康监测***和方法 |
| CN116312934A (zh) * | 2023-02-01 | 2023-06-23 | 锦同缘建设有限公司 | 医疗服务推荐方案生成方法、装置、设备及可读存储介质 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106557653B (zh) * | 2016-11-15 | 2017-09-22 | 合肥工业大学 | 一种移动医疗智能导医***及其方法 |
| US20220165391A1 (en) * | 2020-11-25 | 2022-05-26 | Kyndryl, Inc. | Multi-stage treatment recommendations |
-
2023
- 2023-07-27 CN CN202310927905.2A patent/CN116844732B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103383776A (zh) * | 2013-07-14 | 2013-11-06 | 浙江大学 | 一种基于分段匹配和贝叶斯估计的递进式立体匹配算法 |
| CN110610761A (zh) * | 2018-06-14 | 2019-12-24 | 胡盛寿 | 一种高血压辅诊方法和*** |
| CN113990424A (zh) * | 2021-10-29 | 2022-01-28 | 逸群海豚信息科技(上海)有限公司 | 一种基于电子病历的挂号推荐方法及*** |
| CN114864074A (zh) * | 2022-04-07 | 2022-08-05 | 张佳昕 | 一种基于区块链的大健康监测***和方法 |
| CN116312934A (zh) * | 2023-02-01 | 2023-06-23 | 锦同缘建设有限公司 | 医疗服务推荐方案生成方法、装置、设备及可读存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116844732A (zh) | 2023-10-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Muthu et al. | IOT based wearable sensor for diseases prediction and symptom analysis in healthcare sector | |
| LaFreniere et al. | Using machine learning to predict hypertension from a clinical dataset | |
| US20100094648A1 (en) | Automated management of medical data using expert knowledge and applied complexity science for risk assessment and diagnoses | |
| US20040103001A1 (en) | System and method for automatic diagnosis of patient health | |
| US20070106129A1 (en) | Dietary monitoring system for comprehensive patient management | |
| US20060089592A1 (en) | Systems and methods for drug therapy enhancement using expected pharmacodynamic models | |
| Davis et al. | Segmentation of high-cost adults in an integrated healthcare system based on empirical clustering of acute and chronic conditions | |
| JP2022527571A (ja) | 病状によって影響を受ける可能性がある被験者を識別するための方法およびシステム | |
| Scott et al. | Machine learning in clinical practice: prospects and pitfalls | |
| US20100217094A1 (en) | Point-of-care enactive medical system and method | |
| CN108182973A (zh) | 一种基于知识图谱推理的智能诊断技术 | |
| DE112020006187T5 (de) | System und verfahren zum konfigurieren der datensammlung für einen digitalen zwilling | |
| Salvi et al. | Multi-modality approaches for medical support systems: A systematic review of the last decade | |
| CN114496166B (zh) | 一种肿瘤患者营养处方*** | |
| CN112447270A (zh) | 一种用药推荐方法、装置、设备及存储介质 | |
| US20210043326A1 (en) | Methods and systems for telemetry monitoring protocol management | |
| CN116844732B (zh) | 基于大数据分析的高血压诊疗数据分布式调控***及方法 | |
| CN108122005B (zh) | 一种临床药物层次分类的方法 | |
| Andry et al. | Electronic health record to predict a heart attack used data mining with Naïve Bayes method | |
| WO2024027438A1 (zh) | 一种基于个性化状态空间进展模型的疾病辅助决策*** | |
| CN113724883B (zh) | 医疗费用预测方法、装置、存储介质及计算机设备 | |
| KR102378093B1 (ko) | 질병 예측 시스템, 질병 예측 방법 및 이를 구현하는 기록 매체 | |
| US8145664B2 (en) | Disease oriented user interfaces | |
| CN116936071A (zh) | 预诊*** | |
| Häfner | The concept of disease in psychiatry1 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |