一种慢病智能化管理方法及系统技术方案

本发明专利技术公开了一种慢病智能化管理方法及系统，包括以下步骤：步骤S1、患者端获取目标患者的历史病情表征数据，并利用LSTM神经网络基于历史病情表征数据构建病情预测模型以预测目标患者的未来病情表征数据，再基于未来病情表征数据量化出目标患者的未来病情波动程度；步骤S2、患者端将所述未来病情波动程度同步传输至医疗端。本发明专利技术通过设置患者端对目标患者量化出目标患者的未来病情波动程度，以及依据未来病情处置意见及未来病情随访时间监督患者服药和复诊，医疗端评估目标患者的所述未来病情波动程度，以根据病情变化预见性实现对目标患者病情的处置意见和随访时间的预见性调整来保障目标患者的病情稳定。整来保障目标患者的病情稳定。整来保障目标患者的病情稳定。

【技术实现步骤摘要】
一种慢病智能化管理方法及系统


[0001]本专利技术涉及物疾病管理
，具体涉及一种慢病智能化管理方法及 系统。

技术介绍

[0002]慢病管理现状的医疗方面：患者可能辗转于不同医院、不同医生就诊。 患者对既往诊治情况描述不清，医生对患者既往信息把握不全面，在治疗意 见及治疗追踪上缺少有力的干预，可能导致治疗延误或治疗偏差的情况。
[0003]慢病管理现状的患者方面：长期用药患者治疗依从性差，治疗不及时或 治疗中断时有发生，同时也可能存在因治疗周期不同导致再治疗时间混淆的 情况(如一个乳腺癌患者可能在维持治疗中需要长期靶向治疗及内分泌治疗， 而靶向治疗周期为3周，内分泌治疗中LHRH激动剂治疗周期为4周，口服 内分泌药物可能为一天两次或一天一次)。患者也可能存在用药后不及时随访 复查，以至于病情变化而治疗未变的情况，直接导致患者疾病进展，预期生 存缩短。

技术实现思路

[0004]本专利技术的目的在于提供一种慢病智能化管理方法及系统，以解决现有技 术中病患信息监管不全，慢病治疗患者依从性和医治及时性差的技术问题。
[0005]为解决上述技术问题，本专利技术具体提供下述技术方案：
[0006]一种慢病智能化管理方法，包括以下步骤：
[0007]步骤S1、患者端获取目标患者的历史病情表征数据，并利用LSTM神经 网络基于历史病情表征数据构建病情预测模型以预测目标患者的未来病情表 征数据，再基于未来病情表征数据量化出目标患者的未来病情波动程度；
[0008]步骤S2、患者端将所述未来病情波动程度同步传输至医疗端；
[0009]步骤S3、医疗端评估目标患者的所述未来病情波动程度，并基于历史病 情表征数据和历史病情处理意见构建意见辅助模型，其中，
[0010]当所述未来病情波动程度超过病情波动程度阈值的目标患者，则将目标 患者的未来病情表征数据反馈给目标医生，再基于意见辅助模型和未来病情 波动程度辅助目标医生制定未来病情处置意见及未来病情随访时间；
[0011]当所述未来病情波动程度超过病情波动程度阈值的目标患者，则将目标 患者的历史病情处理意见及历史病情随访时间制定为未来病情处置意见及未 来病情随访时间；
[0012]步骤S4、医疗端将所述未来病情处置意见及未来病情随访时间同步传输 至患者端，患者端依据未来病情处置意见及未来病情随访时间监督患者服药 和复诊，以根据病情变化预见性实现对目标患者病情的处置意见和随访时间 的预见性调整来保障目标患者的病情稳定。
[0013]作为本专利技术的一种优选方案，所述利用LSTM神经网络基于历史病情表 征数据构建病情预测模型以预测目标患者的未来病情表征数据，包括：
[0014]将历史病情表征数据中每个时序的病情表征数据量化为第一训练序列， 所述第一训练序列为一训练序列为其中，分别表征为历史病情表征数据中位于时序t
i
、t
i+k
处的病情表征数据，t
i
、t
i+k
分别表征为历史病情表征数据中的第i、i+k个时序，k∈[1,n
‑
i]，n表征为历史病情表征数据中的时序总数目，k、i为计量常数，input、out分别表征为第一训练序列的输入项和输出项标识符；
[0015]将分别作为LSTM神经网络的输入 项和输出项对LSTM神经网络进行模型训练得到LSTM网络模型；
[0016]依所述历史病情表征数据的时序依次获取所述目标患者的历史身体机能 表征数据，并基于历史身体机能表征数据计算出身体机能的衰减率，所述衰 减率的计算公式包括：
[0017][0018]式中，I表征为衰减率，分别表征为历史身体机能表征数据在时 序t
i+1
、t
i
处的身体机能表征数据，t
i
、t
i+1
分别表征为历史身体机能表征数 据中的第i、i+1个时序，i为计量常数，表征为和的欧 几里得距离，表征为和0向量的欧几里得距离；
[0019]将所述衰减率作为LSTM网络模型的衰减系数叠加至LSTM网络模型上 得到所述病情预测模型，所述病情预测模型的函数表达式为：
[0020]out＝(1
‑
I*Δt)*LSTM(input)；
[0021]式中，Δt表征为out数据序列中时序与input数据序列中时序的最小时差， LSTM为LSTM神经网络。
[0022]作为本专利技术的一种优选方案，所述基于未来病情表征数据量化出目标患 者的未来病情波动程度，包括：
[0023]将未来病情表征数据与历史病情表征数据的差值在所述未来病情表征数 据上的占比作为未来病情波动程度，所述未来病情波动程度的计算公式为：式中，表征为未来时序t
n+j
的病情波动程度，分别表 征为未来时序t
n+j
、t
n+j
‑1处的病情表征数据，表征为 和的欧几里得距离，表征为和0向量的欧几 里得距离，j∈[1,+∞]，j为计量常
数。
[0024]作为本专利技术的一种优选方案，所述基于历史病情表征数据和历史病情处 理意见构建意见辅助模型，包括：
[0025]将历史病情表征数据和历史病情处理意见依时序进行量化为第二训练序 列，所述第二训练序列为其中，表 征为时序t
i
处的病情处理意见的语义向量，input2、out2分别表征为第二训 练序列的输入项和输出项标识符；
[0026]将分别作为CNN神经网络的输入项和输出项 对CNN神经网络进行模型训练得到意见辅助模型，所述意见辅助模型的函数 表达式为：
[0027]out2＝CNN(input2)；
[0028]式中，CNN表征为CNN神经网络；
[0029]所述病情处理意见的语义向量由Word2Vec模型对病情处理意见的语义 文本转化而得。
[0030]作为本专利技术的一种优选方案，所述病情表征数据在模型训练前进行归一 化处理以消除量纲误差。
[0031]作为本专利技术的一种优选方案，基于意见辅助模型辅助目标医生制定未来 病情处置意见，包括：
[0032]将未来时序t
n+j
处的病情表征数据通过意见辅助模型得到未来时 序t
n+j
处的病情处理意见的语义向量并将病情处理意见的语义向量 转化为未来时序t
n+j
处的病情处理意见的语义文本；
[0033]将未来时序t
n+j
处的病情处理意见的语义文本反馈至目标医生，由目标 医生进行确认修改制定出未来时序t
n+j
处的病情处理意见。
[0034]作为本专利技术的一种优选方案，基于未来病情波动程度辅助目标医生制定 未来病情随访时间，包括：
[0035]当所述未来病情波动程度超过病情波动程度阈值的目标患者，则未 来病情随访时间设定为：
[0036本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种慢病智能化管理方法，其特征在于：包括以下步骤：步骤S1、患者端获取目标患者的历史病情表征数据，并利用LSTM神经网络基于历史病情表征数据构建病情预测模型以预测目标患者的未来病情表征数据，再基于未来病情表征数据量化出目标患者的未来病情波动程度；步骤S2、患者端将所述未来病情波动程度同步传输至医疗端；步骤S3、医疗端评估目标患者的所述未来病情波动程度，并基于历史病情表征数据和历史病情处理意见构建意见辅助模型，其中，当所述未来病情波动程度超过病情波动程度阈值的目标患者，则将目标患者的未来病情表征数据反馈给目标医生，再基于意见辅助模型和未来病情波动程度辅助目标医生制定未来病情处置意见及未来病情随访时间；当所述未来病情波动程度超过病情波动程度阈值的目标患者，则将目标患者的历史病情处理意见及历史病情随访时间制定为未来病情处置意见及未来病情随访时间；步骤S4、医疗端将所述未来病情处置意见及未来病情随访时间同步传输至患者端，患者端依据未来病情处置意见及未来病情随访时间监督患者服药和复诊，以根据病情变化预见性实现对目标患者病情的处置意见和随访时间的预见性调整来保障目标患者的病情稳定。2.根据权利要求1所述的一种慢病智能化管理方法，其特征在于：所述利用LSTM神经网络基于历史病情表征数据构建病情预测模型以预测目标患者的未来病情表征数据，包括：将历史病情表征数据中每个时序的病情表征数据量化为第一训练序列，所述第一训练序列为序列为其中，分别表征为历史病情表征数据中位于时序t
i
、t
i+k
处的病情表征数据，t
i
、t
i+k
分别表征为历史病情表征数据中的第i、i+k个时序，k∈[1,n
‑
i]，n表征为历史病情表征数据中的时序总数目，k、i为计量常数，input、out分别表征为第一训练序列的输入项和输出项标识符；将将分别作为LSTM神经网络的输入项和输出项对LSTM神经网络进行模型训练得到LSTM网络模型；依所述历史病情表征数据的时序依次获取所述目标患者的历史身体机能表征数据，并基于历史身体机能表征数据计算出身体机能的衰减率，所述衰减率的计算公式包括：式中，I表征为衰减率，分别表征为历史身体机能表征数据在时序t
i+1
、t
i
处的身体机能表征数据，t
i
、t
i+1
分别表征为历史身体机能表征数据中的第i、i+1个时序，i为计量常数，表征为和的欧几里得距离，表征为和0向量的欧几里得距离；将所述衰减率作为LSTM网络模型的衰减系数叠加至LSTM网络模型上得到所述病情预测模型，所述病情预测模型的函数表达式为：
out＝(1
‑
I*Δt)*LSTM(input)；式中，Δt表征为out数据序列中时序与input数据序列中时序的最小时差，LSTM为LSTM神经网络。3.根据权利要求2所述的一种慢病智能化管理方法，其特征在于：所述基于未来病情表征数据量化出目标患者的未来病情波动程度，包括：将未来病情表征数据与历史病情表征数据的差值在所述未来病情表征数据上的占比作为未来病情波动程度，所述未来病情波动程度的计算公式为：式中，表征为未来时序t
n+j
的病情波动程度，分别表 征为未来时序t
n+j
、t
n+j
‑1处的病情表征数据，表征为 和的欧几里得距离，表征为和0向量的欧几 里得距离，j∈[1,+∞]，j为计量常数。4.根据权利要求3所述的一种慢病智能化管理方法，其特征在于：所述基于历史病情表征数据和历史病情处理意见构建意见辅助模型，包括：将历史病情表征数据和历史病情处理意见依时序进行量化为第二训练序列，所述第二训练序列为其中，表征为时序t
i
处的病情处理意见的语义向量，input2、out2分别表征为第二训练序列的输入项和输出项标识符；将分别作为CNN神经网络的输入项和输出项对CNN神经网络进行模型训...

【专利技术属性】
技术研发人员：刘娟，李伟，杜凌艳，杨强劲，
申请(专利权)人：乐山市人民医院，
类型：发明
国别省市：