CN117612693B - 一种患者实时监测和预警方法、装置、计算机及存储介质 - Google Patents
一种患者实时监测和预警方法、装置、计算机及存储介质 Download PDFInfo
- Publication number
- CN117612693B CN117612693B CN202410098290.1A CN202410098290A CN117612693B CN 117612693 B CN117612693 B CN 117612693B CN 202410098290 A CN202410098290 A CN 202410098290A CN 117612693 B CN117612693 B CN 117612693B
- Authority
- CN
- China
- Prior art keywords
- parameter
- monitoring
- patient
- state
- early warning
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 124
- 238000000034 method Methods 0.000 title claims abstract description 43
- 230000002159 abnormal effect Effects 0.000 claims abstract description 17
- 239000011159 matrix material Substances 0.000 claims description 58
- 238000012512 characterization method Methods 0.000 claims description 24
- 238000004590 computer program Methods 0.000 claims description 10
- 238000001514 detection method Methods 0.000 claims description 7
- 230000036772 blood pressure Effects 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 4
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 3
- 239000008280 blood Substances 0.000 claims description 3
- 210000004369 blood Anatomy 0.000 claims description 3
- 230000036760 body temperature Effects 0.000 claims description 3
- 210000004556 brain Anatomy 0.000 claims description 3
- 229910052760 oxygen Inorganic materials 0.000 claims description 3
- 239000001301 oxygen Substances 0.000 claims description 3
- 230000000241 respiratory effect Effects 0.000 claims description 3
- 230000036387 respiratory rate Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 abstract description 8
- 238000012545 processing Methods 0.000 abstract description 8
- 238000012216 screening Methods 0.000 description 9
- 238000007405 data analysis Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000001914 filtration Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000000007 visual effect Effects 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
- 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
- G16H40/60—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 operation of medical equipment or devices
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Business, Economics & Management (AREA)
- General Business, Economics & Management (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明提供了一种患者实时监测和预警方法、装置、计算机及存储介质,涉及患者状态监测技术领域,目的是在保证监测可靠性的前提下优化***对患者数据的处理效率、节约算力资源,包括以下步骤:周期性获取患者的多种监测参数,分别依照时序形成多种监测参数的监测参数序列;根据多种所述监测参数序列提取关键参数序列;将所述关键参数序列输送到预先训练的状态判断模型识别患者是否存在异常状态;若患者存在异常状态则进行预警提醒,否则不做操作。本发明具有降低数据处理维度、提升模型对数据处理效率的优点。
Description
技术领域
本发明涉及患者状态监测技术领域,具体而言,涉及一种患者实时监测和预警方法、装置、计算机及存储介质。
背景技术
患者实时监测和预警解决的问题是提供早期警示和干预,以改善患者的治疗结果、增加患者安全性,并减轻医护人员的工作负担。
患者实时监测和预警助于实现更精准、个性化的医疗护理,并提高医疗质量和效率。通过医院集成平台,能实时获取各种运行数据,但是通过人工进行定期的数据监测和数据判断容易因为疲劳等问题出现观测和判断错误。因此,可以对患者的数据监测等进行优化,通过智能化、智慧化数据分析报告及监测预警,实现实时、连续、真实呈现现状和问题,从而实现及时、精准的监督管理。但是患者的数据往往较为庞大,处理较为困难。
因此,需设计新的数据监测方法,优先提取更为重要的数据,对数据进行一次初步过滤,减小数据量,在保证监测可靠性的前提下优化***对患者数据的处理效率、节约算力资源。
发明内容
本发明的目的在于提供一种患者实时监测和预警方法、装置、计算机及存储介质,其可以在保证监测可靠性的前提下优化***对患者数据的处理效率、节约算力资源。
本发明的实施例通过以下技术方案实现:
本发明提供了一种患者实时监测和预警方法,包括以下步骤:
周期性获取患者的多种监测参数,为多种监测参数按照种类进行顺次编号,分别依照时序形成多种监测参数的监测参数序列;
根据多种所述监测参数序列提取关键参数序列;
将所述关键参数序列输送到预先训练的状态判断模型识别患者是否存在异常状态;
若患者存在异常状态则进行预警提醒,否则不做操作。
优选地,所述监测参数包括心率、心率变异性、脑电波电位、皮电活动、血压、体温、血压、血氧饱和度、呼吸频率和活动量。
优选地,根据多种所述监测参数序列提取关键参数序列的方法包以下步骤:
根据多种所述监测参数序列获取参数差异表征矩阵;
根据所述参数差异表征矩阵获取状态参数相关矩阵;
根据所述状态参数相关矩阵提取所述关键参数序列。
优选地,根据多种所述监测参数序列获取参数差异表征矩阵的方法为:
获取所述参数差异表征矩阵中第i行第j列的元素:
;
其中,代表获取患者的多种监测参数的次序,/>代表获取患者的多种监测参数的总次数,/>代表第k次获取到的i号监测参数的值,/>代表截止第n次检测参数的获取到的i号监测参数的平均值,/>代表第k次获取到的j号监测参数的值,/>代表截止第n次检测参数的获取到的j号监测参数的平均值;
按照在所述参数差异表征矩阵的位置整合元素形成所述参数差异表征矩阵。
优选地,根据所述参数差异表征矩阵获取状态参数相关矩阵的方法包括以下步骤:
获取所述状态参数相关矩阵中第i行第j列的元素:
;
按照在所述状态参数相关矩阵的位置整合元素形成所述状态参数相关矩阵,/>为所述参数差异表征矩阵中第i行第i列的元素,/>为所述参数差异表征矩阵中第j行第j列的元素。
优选地,根据所述状态参数相关矩阵提取所述关键参数序列的方法包括以下步骤:
将所述状态参数相关矩阵中的元素按照从大到小的次序进行排序,得到从大到小的序列/>、/>、…、/>,m为所述状态参数相关矩阵中的元素总数;
设置比例阈值,/>;
初始化当前状态参数数量h=1;
获取当前相关比例:
;
判断是否大于等于所述比例阈值/>,若否则更新h=h+1,返回获取当前相关比例/>直到/>大于等于所述比例阈值/>,并在到/>大于等于所述比例阈值/>时记录h的值,/>和/>均为从大到小的序列中的状态参数的编号;
提取、/>、…、/>中涉及的所有所述监测参数序列作为所述关键参数序列;
检查剩余所有未被提取的号监测参数,获取所述参数差异表征矩阵中的元素/>,若/>小于预设差异阈值则不做操作,否则把/>号监测参数的监测参数序列加入所述关键参数序列。
为了解决以上问题,本发明还提供一种患者实时监测和预警装置,应用于以上任意一项所述一种患者实时监测和预警方法,包括:
参数采集模块:用于周期性获取患者的多种监测参数,分别依照时序形成多种监测参数的监测参数序列;
关键参数序列提取模块:用于根据多种所述监测参数序列提取关键参数序列;
状态判断模型:用于将所述关键参数序列输入判断模型识别患者是否存在异常状态;
预警模块:用于在患者存在异常状态时进行预警提醒。
为了解决以上问题,本发明还提供一种计算机,包括存储器和处理器,所述存储器中存储计算机程序,所述处理器用于执行所述计算机程序时实现以上任意一项所述一种患者实时监测和预警方法。
为了解决以上问题,本发明还提供一种可读存储介质,所述可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现以上任意一项所述一种患者实时监测和预警方法。
本发明实施例的技术方案至少具有如下优点和有益效果:
本发明可以实现自动化监测患者状态,节约人力资源,也避免人工监测出现的疲劳造成的错误;
本发明提取了多种患者数据,监测全面,进一步提升了患者情况监测的可靠性;
本发明预先对众多的患者数据进行处理,进行一个初步过滤以提取出关键数据来进行状态识别,可以减少大量无关或重复的数据处理工作,降低数据分析的难度,节省时间和算力成本;
本发明的过滤方式是保留了相互关联性更强的数据,防止数据之间的冲突可能造成的***识别混乱;
本发明也进行了再次判断保留了自身变化较大的参数,防止漏掉变化数据对结果产生不良影响;
本发明设计合理,在患者状态监测方面可以适用于不同监测数据对象组合的情况,便于推广和实施。
附图说明
图1为本发明实施例1提供的一种患者实时监测和预警方法的方法流程示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
实施例1
本实施例提供了一种患者实时监测和预警方法,参阅图1,包括以下步骤:
步骤S1:周期性获取患者的多种监测参数,为多种监测参数按照种类进行顺次编号,分别依照时序形成多种监测参数的监测参数序列;
步骤S2:根据多种所述监测参数序列提取关键参数序列;
步骤S3:将所述关键参数序列输送到预先训练的状态判断模型识别患者是否存在异常状态;
步骤S4:若患者存在异常状态则进行预警提醒,否则不做操作。
作为本实施例的优选方案,所述监测参数包括心率、心率变异性、脑电波电位、皮电活动、血压、体温、血压、血氧饱和度、呼吸频率和活动量。
本实施例的主要方法在于,周期性采集多项监测参数的时序序列,然后为了避免庞大的数据造成算力资源浪费或导致计算冲突、计算效率降低等情况,从中筛选出关键参数供预先训练的状态判断模型识别患者是否存在异常状态,仅对部分数据进行分析,然后根据情况进行预警,有效降低了***的计算负担。在后续实际判断的时候,可以根据情况进行设计,例如如果设置的状态判断模型是基于整体所有监测参数序列进行识别,在送入模型的时候可以直接将过滤掉的监测参数标记为正常。
特别说明的是,还可以设置一个序列长度阈值,也就是当一个监测参数序列中的值超出序列长度阈值以后,监测参数序列只取截止当次采集的连续x个数值,x的值即为序列长度阈值。
此外,这里采取的状态判断模型可以采取一些常规的可用于根据采集的数值进行数据分析的模型,作为一个案例,可以采用RNN模型,根据RNN模型的分析结果当监测数据超过或达到设定的阈值,或者出现预先定义的异常模式时,***会触发预警机制。RNN模型是一种具有处理时序信息能力的神经网络,它循环地接受不同时间戳下的数据输入,将其中蕴含的信息以某种形式提取并保存,同时给出在该时间戳下的输出,在网络接受下一个时间戳的输入时,网络能利用之前的时间戳保存的信息,对当前的网络状态进行更新,并给出该时间戳下的合理输出,基于该原理可以判断本实施例提取的各个时间序列下的参数是否异常。
另一方面,具体来说,预警可以通过声音、视觉提示、移动应用程序或电子病历***实现。
实施例2
本实施例基于实施例1的技术方案,对监测参数序列提取关键参数序列的方法做进一步说明。
在本实施例中,根据多种所述监测参数序列提取关键参数序列的方法包括以下步骤:
步骤S21:根据多种所述监测参数序列获取参数差异表征矩阵;
步骤S22:根据所述参数差异表征矩阵获取状态参数相关矩阵;
步骤S23:根据所述状态参数相关矩阵提取所述关键参数序列。
进一步地,根据多种所述监测参数序列获取参数差异表征矩阵的方法为:
步骤S211:获取所述参数差异表征矩阵中第i行第j列的元素:
;
其中,代表获取患者的多种监测参数的次序,/>代表获取患者的多种监测参数的总次数,/>代表第k次获取到的i号监测参数的值,/>代表截止第n次检测参数的获取到的i号监测参数的平均值,/>代表第k次获取到的j号监测参数的值,/>代表截止第n次检测参数的获取到的j号监测参数的平均值;
步骤S212:按照在所述参数差异表征矩阵的位置整合元素形成所述参数差异表征矩阵。
另一方面,根据所述参数差异表征矩阵获取状态参数相关矩阵的方法包括以下步骤:
步骤S221:获取所述状态参数相关矩阵中第i行第j列的元素:
;
为所述参数差异表征矩阵中第i行第i列的元素,/>为所述参数差异表征矩阵中第j行第j列的元素;
步骤S222:按照在所述状态参数相关矩阵的位置整合元素形成所述状态参数相关矩阵。
最后,根据所述状态参数相关矩阵提取所述关键参数序列的方法包括以下步骤:
步骤S231:将所述状态参数相关矩阵中的元素按照从大到小的次序进行排序,得到从大到小的序列/>、/>、…、/>,m为所述状态参数相关矩阵中的元素总数;
步骤S232:设置比例阈值,/>;
步骤S233:初始化当前状态参数数量h=1;
步骤S234:获取当前相关比例:
;
步骤S235:判断是否大于等于所述比例阈值/>,若否则更新h=h+1,然后返回步骤S234获取当前相关比例/>直到/>大于等于所述比例阈值/>,并在到/>大于等于所述比例阈值/>时记录h的值,/>和/>均为从大到小的序列中的状态参数的编号;
步骤S236:提取、/>、…、/>中涉及的所有所述监测参数序列作为所述关键参数序列;例如,假设h为6的时候相关比例/>达到了比例阈值/>,那么找到/>到/>具体对应参数相关矩阵中的那些元素,找到了对应的元素即可判断涉及哪些编号的监测参数,进而找到对应的监测参数序列,比如元素/>则涉及i号和j号监测参数;
步骤S237:检查剩余所有未被提取的号监测参数,获取所述参数差异表征矩阵中的元素/>,若/>小于预设差异阈值则不做操作,否则把/>号监测参数的监测参数序列加入所述关键参数序列。
由于患者多种数据的采集下存在数据庞大可能导致数据冲突和效率下降等问题,这里预先对数据进行了降维,很多现有的降维方法本身仍然需要大量的搭建过程或复杂的计算,实际应用后带来整体全流程的改善并不会太明显,因此本实施例目的在于采用更简要的方式实现降维来提取关键数据。
本实施例把互相关联更大的数据作为重点,并作为判断异常状态的依据。选取相互关联性较强的参数进行评估,可以避免独立参数之间相互冲突等情况,从而提高评估结果的准确性和可靠性,还可以降低数据分析的难度,节省时间和成本。
除了筛选出相互关联更大的参数以外,这种筛选方式实际上也足够筛选出波动较大的数据,也就是去掉了影响不大的数据,进一步保证了数据筛选的可靠性。同时,本实施例相当于在相关比例的筛选后还进行了二次筛选,也就是通过相关比例/>的筛选后还会剩下一些监测参数,从这些剩余的r号监测参数中再进行一次筛选,这一步主要是通过检查的值以实现对于自身波动较大的参数重新纳入判断异常的考虑范围。例如,一共有1-10号检测参数,此时通过当前相关比例/>将1-4号、6-7号监测参数作为所述关键参数序列,那么r依次取5、8、9和10进行检查,若只有/>的值大于等于预设差异阈值,则把8号监测参数对应的序列也放入关键参数序列,其余参数直接舍弃。
另外特别说明的是,还可以搭建注意力机制来更着重于重要参数。不过相比之下,本实施例的这种筛选方式搭建简单、不需要训练、对技术要求较低的情况下就可以达到优质的筛选效果,便于推广到各个级别的医护平台,适用性较广。
实施例3
本实施例提供一种患者实时监测和预警装置,应用于以上任意一项所述一种患者实时监测和预警方法,包括:
参数采集模块:用于周期性获取患者的多种监测参数,分别依照时序形成多种监测参数的监测参数序列;
关键参数序列提取模块:用于根据多种所述监测参数序列提取关键参数序列;
状态判断模型:用于将所述关键参数序列输入判断模型识别患者是否存在异常状态;
预警模块:用于在患者存在异常状态时进行预警提醒。
本实施例的装置应用于以上的一种患者实时监测和预警方法,其基本运作原理和模块之间的配合方式和实施例1相同。
实施例4
本实施例提供一种计算机,包括存储器和处理器,所述存储器中存储计算机程序,所述处理器用于执行所述计算机程序时实现以上任意一项所述一种患者实时监测和预警方法。
以上提到的计算机只要可以通过处理器和存储器执行对应的计算机程序即可,可以采用台式电路、笔记本电脑等装置,由用户借助外接设备例如键盘和鼠标等实现人机交互,进而实现程序的读取、存储和运行等操作,也可以实现数据的存储和读取等操作。
实施例5
本实施例提供一种可读存储介质,所述可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现以上任意一项所述一种患者实时监测和预警方法。
本实施例存储介质可以是计算机自带内置的存储器,也可以是外接存储器,常见的有移动硬盘和U盘等。存储介质既可以存储用于执行前述实施例的一种患者实时监测和预警方法,也用于存储一种患者实时监测和预警方法的处理过程涉及的所有输入数据、输出数据和中间缓存数据。
以上仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。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 (5)
1.一种患者实时监测和预警方法,其特征在于,包括以下步骤:
周期性获取患者的多种监测参数,为多种监测参数按照种类进行顺次编号,分别依照时序形成多种监测参数的监测参数序列;
根据多种所述监测参数序列提取关键参数序列;
将所述关键参数序列输送到预先训练的状态判断模型识别患者是否存在异常状态;
若患者存在异常状态则进行预警提醒,否则不做操作;
根据多种所述监测参数序列提取关键参数序列的方法包括以下步骤:
根据多种所述监测参数序列获取参数差异表征矩阵;
根据所述参数差异表征矩阵获取状态参数相关矩阵;
根据所述状态参数相关矩阵提取所述关键参数序列;
根据多种所述监测参数序列获取参数差异表征矩阵的方法为:
获取所述参数差异表征矩阵中第i行第j列的元素:
;
其中,代表获取患者的多种监测参数的次序,/>代表获取患者的多种监测参数的总次数,/>代表第k次获取到的i号监测参数的值,/>代表截止第n次检测参数的获取到的i号监测参数的平均值,/>代表第k次获取到的j号监测参数的值,/>代表截止第n次检测参数的获取到的j号监测参数的平均值;
按照在所述参数差异表征矩阵的位置整合元素形成所述参数差异表征矩阵;
根据所述参数差异表征矩阵获取状态参数相关矩阵的方法包括以下步骤:
获取所述状态参数相关矩阵中第i行第j列的元素:
;
按照在所述状态参数相关矩阵的位置整合元素形成所述状态参数相关矩阵,/>为所述参数差异表征矩阵中第i行第i列的元素,/>为所述参数差异表征矩阵中第j行第j列的元素;
根据所述状态参数相关矩阵提取所述关键参数序列的方法包括以下步骤:
将所述状态参数相关矩阵中的元素按照从大到小的次序进行排序,得到从大到小的序列/>、/>、…、/>,m为所述状态参数相关矩阵中的元素总数;
设置比例阈值,/>;
初始化当前状态参数数量h=1;
获取当前相关比例:
;
判断是否大于等于所述比例阈值/>,若否则更新h=h+1,返回获取当前相关比例/>直到/>大于等于所述比例阈值/>,并在到/>大于等于所述比例阈值/>时记录h的值,/>和/>均为从大到小的序列中的状态参数的编号;
提取、/>、…、/>中涉及的所有所述监测参数序列作为所述关键参数序列;
检查剩余所有未被提取的号监测参数,获取所述参数差异表征矩阵中的元素/>,若小于预设差异阈值则不做操作,否则把/>号监测参数的监测参数序列加入所述关键参数序列。
2.根据权利要求1所述的一种患者实时监测和预警方法,其特征在于,所述监测参数包括心率、心率变异性、脑电波电位、皮电活动、血压、体温、血压、血氧饱和度、呼吸频率和活动量。
3.一种患者实时监测和预警装置,应用于权利要求1-2任意一项所述一种患者实时监测和预警方法,其特征在于,包括:
参数采集模块:用于周期性获取患者的多种监测参数,分别依照时序形成多种监测参数的监测参数序列;
关键参数序列提取模块:用于根据多种所述监测参数序列提取关键参数序列;
状态判断模型:用于将所述关键参数序列输入判断模型识别患者是否存在异常状态;
预警模块:用于在患者存在异常状态时进行预警提醒。
4.一种计算机,其特征在于,包括存储器和处理器,所述存储器中存储计算机程序,所述处理器用于执行所述计算机程序时实现如权利要求1-2任意一项所述一种患者实时监测和预警方法。
5.一种可读存储介质,其特征在于,所述可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1-2任意一项所述一种患者实时监测和预警方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410098290.1A CN117612693B (zh) | 2024-01-24 | 2024-01-24 | 一种患者实时监测和预警方法、装置、计算机及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410098290.1A CN117612693B (zh) | 2024-01-24 | 2024-01-24 | 一种患者实时监测和预警方法、装置、计算机及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117612693A CN117612693A (zh) | 2024-02-27 |
CN117612693B true CN117612693B (zh) | 2024-04-05 |
Family
ID=89953928
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410098290.1A Active CN117612693B (zh) | 2024-01-24 | 2024-01-24 | 一种患者实时监测和预警方法、装置、计算机及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117612693B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117936054B (zh) * | 2024-03-25 | 2024-05-17 | 四川互慧软件有限公司 | 一种基于大数据的急诊急救质控指标灵活展示统计方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114711784A (zh) * | 2022-05-11 | 2022-07-08 | 遵义医科大学附属医院 | 一种心脏移植术后心电图异常分析方法及*** |
CN116364292A (zh) * | 2023-03-31 | 2023-06-30 | 上海交通大学医学院附属第九人民医院 | 甲状腺眼病的预后预测方法、装置、设备及存储介质 |
CN116548938A (zh) * | 2023-06-01 | 2023-08-08 | 佳木斯大学 | 临床医学用防感染隔离体征状态监测设备及监测*** |
CN117038050A (zh) * | 2023-10-10 | 2023-11-10 | 深圳华声医疗技术股份有限公司 | 生理参数异常处理方法、***及医疗设备 |
CN117235649A (zh) * | 2023-11-09 | 2023-12-15 | 广东正德工业科技股份有限公司 | 一种基于大数据的工业设备状态智能监测***及方法 |
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*** |
CN117251819A (zh) * | 2023-11-20 | 2023-12-19 | 广东蘑菇物联科技有限公司 | 电能数据异常检测方法、装置、存储介质及计算机设备 |
CN117438024A (zh) * | 2023-12-15 | 2024-01-23 | 吉林大学 | 急诊病人体征数据的智能采集分析***及方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10143377B2 (en) * | 2012-05-02 | 2018-12-04 | Augusta University Research Institute, Inc. | Single channel imaging measurement of dynamic changes in heart or respiration rate |
-
2024
- 2024-01-24 CN CN202410098290.1A patent/CN117612693B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114711784A (zh) * | 2022-05-11 | 2022-07-08 | 遵义医科大学附属医院 | 一种心脏移植术后心电图异常分析方法及*** |
CN116364292A (zh) * | 2023-03-31 | 2023-06-30 | 上海交通大学医学院附属第九人民医院 | 甲状腺眼病的预后预测方法、装置、设备及存储介质 |
CN116548938A (zh) * | 2023-06-01 | 2023-08-08 | 佳木斯大学 | 临床医学用防感染隔离体征状态监测设备及监测*** |
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*** |
CN117038050A (zh) * | 2023-10-10 | 2023-11-10 | 深圳华声医疗技术股份有限公司 | 生理参数异常处理方法、***及医疗设备 |
CN117235649A (zh) * | 2023-11-09 | 2023-12-15 | 广东正德工业科技股份有限公司 | 一种基于大数据的工业设备状态智能监测***及方法 |
CN117251819A (zh) * | 2023-11-20 | 2023-12-19 | 广东蘑菇物联科技有限公司 | 电能数据异常检测方法、装置、存储介质及计算机设备 |
CN117438024A (zh) * | 2023-12-15 | 2024-01-23 | 吉林大学 | 急诊病人体征数据的智能采集分析***及方法 |
Non-Patent Citations (1)
Title |
---|
帕金森病患者静息态下脑活动的局部一致性;刘虎 等;《中国医学影像技术》;20111020;第27卷(第10期);第1967-1971页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117612693A (zh) | 2024-02-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117612693B (zh) | 一种患者实时监测和预警方法、装置、计算机及存储介质 | |
CN112365978B (zh) | 心动过速事件早期风险评估的模型的建立方法及其装置 | |
CN102831288B (zh) | 生理参数指标运算***及方法 | |
CN115910351B (zh) | 一种睡眠周期性检测量化及辅助干预的方法、***和装置 | |
CN110739076A (zh) | 一种医疗人工智能公共训练平台 | |
CN105574322A (zh) | 生理参数指标运算***及方法 | |
CN115714022B (zh) | 基于人工智能的新生儿黄疸健康管理*** | |
CN115862873A (zh) | 一种睡眠节律量化及干预的方法、***和装置 | |
CN105117980B (zh) | 一种电网设备状态的自动评价方法 | |
CN114191665A (zh) | 机械通气过程中人机异步现象的分类方法和分类装置 | |
CN113796873A (zh) | 穿戴式动态心电信号分类方法及*** | |
CN113360643A (zh) | 一种基于短文本分类的电子病历数据质量评价方法 | |
CN113128585A (zh) | 一种基于多尺寸卷积核的深度神经网络实现心电异常检测分类方法 | |
CN115966314B (zh) | 一种数据处理方法、装置、电子设备及存储介质 | |
CN116543154A (zh) | 一种基于多层次语义特征的医学影像分割方法 | |
CN114444872A (zh) | 采用人工智能算法进行司机驾驶行为分析的方法及*** | |
CN116135146A (zh) | 动态心电的分析方法、装置及医疗设备 | |
CN110660479A (zh) | 一种动态医学影像ai训练诊断*** | |
CN117438083B (zh) | 一种基于人工智能的中老年疾病预测*** | |
CN117084683B (zh) | 一种技术人员心理状态监测评估方法及*** | |
CN117524464B (zh) | 一种基于大数据的计算手术后目标血红蛋白的方法及*** | |
CN112541085B (zh) | 问卷的结构化方法、问卷的结构化装置及存储介质 | |
CN114420292A (zh) | 一种医疗健康动态预测方法、***和设备 | |
CN116386843A (zh) | 一种病案首页病例分型的判别方法 | |
CN118236067A (zh) | 疲倦状态检测方法、装置和存储介质 |
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 |