一种居于体征大数据的慢性病自动跟踪、治疗及推送方法技术

本发明专利技术公开了一种居于体征大数据的慢性病自动跟踪、治疗及推送方法，包括以下步骤：根据患者的慢病种类、初始体征数据开出处方，形成健康档案；获取患者的实时体征数据，做出治疗效果的评分；根据患者的慢病种类、初始体征数据、处方建立治疗模板，治疗模板具有可量化的治疗效果量化值，治疗模板对多个同种类疾病的治疗效果量化值与评分相对应；获取初次诊治患者的慢病种类、初始体征数据，并向医生推送治疗模板中的处方；医生对处方确认后，发送给初次诊治患者。本发明专利技术提供的方法解决了医生对相同慢性病做大量重复性工作，导致的医疗资源浪费的技术问题。

【技术实现步骤摘要】
一种居于体征大数据的慢性病自动跟踪、治疗及推送方法
本专利技术涉及医疗领域，具体地说，涉及一种居于体征大数据的慢性病自动跟踪、治疗及推送方法。
技术介绍
慢性病全称是慢性非传染性疾病，不是特指某种疾病，而是对一类起病隐匿，病程长且病情迁延不愈，缺乏确切的传染性生物病因证据，病因复杂。常见的慢性病主要有心脑血管疾病、糖尿病、慢性呼吸系统疾病等。慢性病治疗疗程时间较长，患者的生活起居、饮食、睡眠、运动都会对慢性病的治疗和控制效果起到重要作用，容易导致慢性病病程的反复，患者需要多次往返于医院。随着生活节奏的加快，慢性病发病率提高，慢性病中的常发病相对集中，此时，对于医生而言存在需要长时间应对相同类的几类疾病，医生常常是在根据自身的治疗经验做相对重复的大量工作，工作乏味从而导致医疗态度的降低，且医生自身医疗知识没有最大化的利用，导致医疗资源的浪费。同时没有科学的方法对医生所开出的处方的治疗效果进行统计，无法实时跟踪治疗效果。
技术实现思路
本专利技术的目的在于提供一种居于体征大数据的慢性病自动跟踪、治疗及推送方法，旨在解决医生做大量重复性工作，导致的医疗资源浪费的技术问题。本专利技术提供一种居于体征大数据的慢性病自动跟踪、治疗及推送方法。所述居于体征大数据的慢性病自动跟踪、治疗及推送方法包括以下步骤：步骤S1：根据患者的慢病种类、初始体征数据开出处方，形成健康档案；步骤S2：获取患者的实时体征数据，做出治疗效果的评分；步骤S3：根据患者的慢病种类、初始体征数据、所述处方建立治疗模板，所述治疗模板具有可量化的治疗效果量化值，所述治疗模板对多个同种类疾病的治疗效果量化值与所述评分相对应；步骤S4：获取初次诊治患者的慢病种类、初始体征数据，并向医生推送所述治疗模板中的所述处方；步骤S5：所述医生对所述处方确认后，发送给初次诊治患者。进一步地，所述处方包括运动处方和/或药物处方，所述运动处方和/或运动频次、运动方式、运动幅度以及运动时间；所述药物处方包括药物名称、服用方式、服用频次、服用量。进一步地，所述治疗效果的评分采用百分制，设置有效阈值；当评分大于所述有效阈值时，认为治疗效果有效。进一步地，所述步骤S3包括：步骤S31：于所述初始体征数据、所述处方中提取多个影响治疗效果的影响因子，设置多个影响因子的影响权重值，计算影响因子的期望值，设定表示治疗效果有效的有效期望阈值；步骤S32：录入多个所述健康档案中的影响因子数值，并计算得出多个期望值，所述期望值与所述评分相对应；步骤S33：设置统计阈值百分比；步骤S34：判断根据多个健康档案计算形成的期望值中大于有效期望阈值的百分比是否大于统计阈值百分比；若大于，则所述治疗模板建立结束；若小于，则修正所述影响因子，以使所述期望值中大于有效期望阈值的百分比大于统计阈值百分比；所述治疗效果量化值为期望值。进一步地，录入的所述健康档案的数量不少于3000条。进一步地，所述治疗模板具有多个，每个治疗模板对应于一种类慢性病。进一步地，所述影响因子包括以下的至少一种以及多种的组合：运动频次、运动方式、运动幅度以及运动时间；药物的服用方式、服用频次、服用量；血压、血脂、血糖、体重、年龄、身高、性别。进一步地，多个所述影响权重值之和为1。进一步地，医生通过远程智能终端获取患者的实时体征数据。进一步地，所述居于体征大数据的慢性病自动跟踪、治疗及推送方法还包括：步骤S6：所述医生根据多个患者的治疗效果评分，实时更新所述治疗模板，以使治疗模板更符合初次诊治患者治疗。本专利技术公开的居于体征大数据的慢性病自动跟踪、治疗及推送方法通过医生建立与实际治疗效果相对应的治疗模板，使利用该治疗模板的处方对患者的治疗能够使统计上达到绝大部分治疗有效的治疗效果，从而克服医生对每个慢性病患者都需要亲自诊治，做大量重复性工作，导致的医疗资源浪费的技术问题。附图说明图1是本专利技术居于体征大数据的慢性病自动跟踪、治疗及推送方法的流程示意图；图2是本专利技术步骤S3的方法流程示意图。具体实施方式下面结合具体实施例和说明书附图对本专利技术做进一步阐述和说明:请参考图1，本专利技术提供一种居于体征大数据的慢性病自动跟踪、治疗及推送方法，该方法具体的包括：1、步骤S1，根据患者的慢病种类、初始体征数据开出处方，形成健康档案。其中，患有慢性病的患者在前往医院诊治的过程中，首先采集患者的初始体征数据，该初始体征数据是患者初次诊治时通过检测设备检测活动得。在初次诊治时医生根据初始体征数据对患者的慢性病诊断，确定所患慢病种类，并根据患者病情开出相应的处方。医生同时，将患者的基本信息，慢病种类，初始体征数据，以及开具的处方录入软件系统或硬件存储设备，形成健康档案。在本步骤中，医生所开出的处方包括运动处方和/或药物处方，其中运动的处方包括运动的方式、运动的频次、运动的幅度以及运动的时间等参数；药物处方包括药物病程、服用方式、服用频次以及服用量。2、步骤S2：获取患者的实时体征数据，做出治疗效果的评分。其中，对患者实时体征数据的采集采用远程智能终端或者远程智能设备，例如，心电仪，血压计等。医生在获取检测的实时体征数据后，根据上一次测得的初始体征数据或者实时更新的体征数据，对患者当前的治疗效果进行评分。评分的方式包括采用百分制，如治疗效果非常好达到预期为100分，完全没有治疗效果为0分，根据治疗效果在0～100分中做出评分。当然此时还可以根据医生自身的治疗经验，设置一个有效阈值，当治疗效果评分达到了有效阈值时，可以判定治疗时有效地，例如设置有效阈值为70分。当某一患者按照开具的处方治疗时，医生对治疗效果的评分为60分，意味着具有治疗效果，但是治疗并不能说有效，或者并一定是处方所带来的效果，存在一些随机不确定的影响因素；当医生对治疗效果的评分为80分时，意味着具有治疗效果，且治疗效果有效。3、步骤S3：根据患者的慢病种类、初始体征数据、处方建立治疗模板，治疗模板具有可量化的治疗效果量化值，治疗模板对多个同种类疾病的治疗效果量化值与评分相对应。在本步骤中，治疗模板由医生建立，该治疗模板可以根据医生对某一慢性病的治疗经验建立，再改治疗模板中设置有可以量化的治疗效果量化值，该量化值可以通过对慢性病种类、初始体征数据以及处方的相关参数的录入而计算获得。针对一类慢性病建立一个治疗模板，每个治疗模板计算获得的治疗效果量化值保证与步骤S2中诊治后的评分相对应，即不存在评分高的治疗效果量化值确比较低的情况。如图2，具体的，该步骤还具体包括：步骤S31：于初始体征数据、处方中提取多个影响治疗效果的影响因子，设置多个影响因子的影响权重值，计算影响因子的期望值，设定表示治疗效果有效的有效期望阈值。其中，医生根据治疗知识和经验确定在初始体征数据中的哪些体征数据、以及处方中的哪些参数会影响该慢性病治疗的治疗效果，并确定这些体征数据以及处方中的参数为影响因子。医生再根据对该慢性病治疗的知识和经验对这些影响因子对该慢性病治疗效果好坏的影响大小设置对个权重值。设定影响因子在相对应的权重值下的期望值表示治疗效果。同时，医生根据治疗知识和经验设置一个有效期望阈值，当计算获得的期望大于有效期望阈值时，认为该期望值表示治疗是有效地。在本步骤中，影响因子包括运动频次、运动方式、运动幅度以及运动时间；药物的本文档来自技高网...

【技术保护点】
一种居于体征大数据的慢性病自动跟踪、治疗及推送方法，其特征在于，所述方法包括以下步骤：步骤S1：根据患者的慢病种类、初始体征数据开出处方，形成健康档案；步骤S2：获取患者的实时体征数据，做出治疗效果的评分；步骤S3：根据患者的慢病种类、初始体征数据、所述处方建立治疗模板，所述治疗模板具有可量化的治疗效果量化值，所述治疗模板对多个同种类疾病的治疗效果量化值与所述评分相对应；步骤S4：获取初次诊治患者的慢病种类、初始体征数据，并向医生推送所述治疗模板中的所述处方；步骤S5：所述医生对所述处方确认后，发送给初次诊治患者。

【技术特征摘要】
1.一种居于体征大数据的慢性病自动跟踪、治疗及推送方法，其特征在于，所述方法包括以下步骤：步骤S1：根据患者的慢病种类、初始体征数据开出处方，形成健康档案；步骤S2：获取患者的实时体征数据，做出治疗效果的评分；步骤S3：根据患者的慢病种类、初始体征数据、所述处方建立治疗模板，所述治疗模板具有可量化的治疗效果量化值，所述治疗模板对多个同种类疾病的治疗效果量化值与所述评分相对应；步骤S4：获取初次诊治患者的慢病种类、初始体征数据，并向医生推送所述治疗模板中的所述处方；步骤S5：所述医生对所述处方确认后，发送给初次诊治患者。2.如权利要求1所述的居于体征大数据的慢性病自动跟踪、治疗及推送方法，其特征在于，所述处方包括运动处方和/或药物处方，所述运动处方包括运动频次、运动方式、运动幅度以及运动时间；所述药物处方包括药物名称、服用方式、服用频次、服用量。3.如权利要求2所述的居于体征大数据的慢性病自动跟踪、治疗及推送方法，其特征在于，所述治疗效果的评分采用百分制，设置有效阈值；当评分大于所述有效阈值时，认为治疗效果有效。4.如权利要求1或2所述的居于体征大数据的慢性病自动跟踪、治疗及推送方法，其特征在于：所述步骤S3包括：步骤S31：于所述初始体征数据、所述处方中提取多个影响治疗效果的影响因子，设置多个影响因子的影响权重值，计算影响因子的期望值，设定表示治疗效果有效的有效期望阈值；步骤S32：录入多个所述健康档案中的影响因子数值，并计算得出多个期...

【专利技术属性】
技术研发人员：林江峰，
申请(专利权)人：深圳市智慧健康产业发展有限公司，
类型：发明
国别省市：广东,44