一种基于护理晨交班数据的病情监测方法和系统技术方案

本发明专利技术涉及一种基于护理晨交班数据的病情监测方法和系统

【技术实现步骤摘要】
一种基于护理晨交班数据的病情监测方法和系统


[0001]本专利技术涉及医疗领域，具体涉及一种基于护理晨交班数据的病情监测方法和系统
。

技术介绍

[0002]对于病情监测和预警，多基于当前的得到的生理参数，与基准生理参数进行比较，从而实现病情的监测和预警，不能起到一个提前的趋势监测和预警作用
。
[0003]在当前的医疗健康管理系统中，护理人员通常在晨交班时会进行一次患者信息的交接，包括患者的生理指标
、
病情变化等
。
然而，这些信息大多数情况下只被用于单次的病情评估和处理，缺少对历史信息和大量患者数据的深度挖掘和分析，导致其在病情预警和管理中的潜力没有得到充分利用
。
[0004]此外，现有的病情预警系统大多数基于某一特定疾病或病情，而非全面考虑患者的综合情况，这可能导致预警结果的精确性和鲁棒性不足
。
[0005]上述内容仅用于辅助理解本专利技术的技术方案，并不代表承认上述内容是现有技术
。

技术实现思路

[0006]本申请要解决的技术问题是提供一种基于护理晨交班数据的病情监测方法和系统，具有可以充分利用护理晨交班数据，更好实现病情监测的特点
。
[0007]第一方面，一种实施例中提供一种基于护理晨交班数据的病情监测方法，包括：数据收集，包括获取患者对象的
n
组晨交班数据，
n≥1
，所述
n
组晨交班数据中的每一组晨交班数据，均基于护理晨交班得到，其中，每一组晨交班数据均包括多个第一属性数据；所述多个第一属性数据包括体温数据
、
脉搏数据
、
呼吸数据和血压数据；数据预处理，对采集的多个第一属性数据进行第一数值降噪预处理，对于任意第一属性数据，所述第一数值降噪预处理包括：将第一属性数据所对应的
n
个第一属性数值作为
n
个第一数值，获取该
n
个第一数值中的最大值和最小值，将所述最大值和最小值的差值作为第一差值；对于任意一个第一数值，将该第一数值与所述最小值的差值作为第二差值，将该第二差值与所述第一数值的比值作为所述第一数值降噪预处理后的第二数值；病情监测，将预处理后的数据通过病情监测模型进行病情预测，包括：将获取的
n
组多个第一属性数据中的每一个数据所一一对应的第二数值带入向量矩阵，与各自对应的权重相乘后进行相加，将相加的和与预测偏置量相加得到预测值，基于该预测值进行病情衍变预测；所述病情衍变预测包括病情恶化
、
病情未恶化和病情好转
。
[0008]一种实施例中，所述的基于该预测值进行病情衍变预测，包括：如果预测值大于0，则说明病情恶化；如果预测值等于0，则说明病情未恶化；如果预测值小于0，则说明病情好转
。
[0009]一种实施例中，所述的基于该预测值进行病情衍变预测，包括：设置判断病情衍变预测的第一预测阈值和第二预测阈值，所述第一预测阈值小于第二预测阈值；如果预测值大于第二预测阈值，则说明病情恶化；如果预测值在第一预测阈值和第二预测阈值之间，或预测值等于第一预测阈值或第二预测阈值，则说明未恶化；如果预测值小于第一预测阈值，则说明病情好转
。
[0010]一种实施例中，所述的基于该预测值进行病情衍变预测，包括：将预测值转换为概率值，基于该概率值进行病情衍变预测；所述的将预测值转换为概率值，包括：基于公式
p=1/(1+exp(
‑
y))+d
，将与预测偏置量相加后的值转换为概率值；其中，
p
为概率值，
exp
为自然常数
e
为底的指数函数，
y
为计算得到的预测值，
d
为概率偏置量
。
[0011]一种实施例中，所述的基于该概率值进行病情衍变预测，包括：如果所述概率值大于0，则说明病情恶化，如果所述概率值等于0，则说明病情未恶化；如果所述概率值小于0，则说明病情好转
。
[0012]一种实施例中，所述的基于该概率值进行病情衍变预测，包括：设置判断病情衍变预测的第一概率阈值和第二概率阈值，所述第一概率阈值小于第二概率阈值；如果概率值大于第二概率阈值，则说明病情恶化；如果概率值在第一概率阈值和第二概率阈值之间，或概率值等于第一概率阈值或第二概率阈值，则说明未恶化；如果概率值小于第一概率阈值，则说明病情好转
。
[0013]一种实施例中，所述的基于该概率值进行病情衍变预测，包括：设置判断病情衍变预测的第三概率值，如果概率值大于或等于第三概率值，则说明病情恶化严重，进行病情衍变预警
。
[0014]第二方面，一种实施例中提供一种基于护理晨交班数据的病情监测系统，包括：数据采集模块，用于基于护理晨交班数据，获取患者对象每天的晨交班数据，组成
n
组晨交班数据，
n≥1
，其中，每一组晨交班数据均包括多个第一属性数据；所述多个第一属性数据包括体温数据
、
脉搏数据
、
呼吸数据和血压数据；数据预处理模块，用于对采集的多个第一属性数据进行第一数值降噪预处理；其中，对于任意第一属性数据，将第一属性数据所对应的
n
个第一属性数值作为
n
个第一数值，将该
n
个第一数值作为输入，获取该
n
个第一数值中的最大值和最小值，将所述最大值和最小值的差值作为第一差值；对于任意一个第一数值，将该第一数值与所述最小值的差值作为第二差值，将该第二差值与所述第一数值的比值作为所述第一数值降噪预处理后的第二数值；病情监测模型，用于将预处理后的数据作为输入进行病情预测，包括预测值计算单元；所述预测值计算单元用于将获取的
n
组多个第一属性数据中的每一个数据所一一对应的第二数值带入向量矩阵，与各自对应的权重相乘后进行相加，将相加的和与预测偏置量相加得到预测值，基于该预测值进行病情衍变预测；所述病情衍变预测包括病情恶化
、
病
情未恶化和病情好转
。
[0015]一种实施例中，所述病情监测模型还包括概率值计算单元；所述概率值计算单元用于将预测值转换为概率值，基于该概率值进行病情衍变预测，包括：基于公式
p=1/(1+exp(
‑
y))+d
，将与预测偏置量相加后的值转换为概率值；其中，
p
为概率值，
exp
为自然常数
e
为底的指数函数，
y
为计算得到的预测值，
d
为概率偏置量
。
[0016]一种实施例中，还包括病情衍变预警模块，用于根据病情恶化严重条件进行判断是否病情恶化严重，如果是，则进行病情衍变预警
。
[0017]本专利技术的有本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于护理晨交班数据的病情监测方法，其特征在于，包括：数据收集，包括获取患者对象的
n
组晨交班数据，
n≥1
，所述
n
组晨交班数据中的每一组晨交班数据，均基于护理晨交班得到，其中，每一组晨交班数据均包括多个第一属性数据；所述多个第一属性数据包括体温数据
、
脉搏数据
、
呼吸数据和血压数据；数据预处理，对采集的多个第一属性数据进行第一数值降噪预处理，对于任意第一属性数据，所述第一数值降噪预处理包括：将第一属性数据所对应的
n
个第一属性数值作为
n
个第一数值，获取该
n
个第一数值中的最大值和最小值，将所述最大值和最小值的差值作为第一差值；对于任意一个第一数值，将该第一数值与所述最小值的差值作为第二差值，将该第二差值与所述第一数值的比值作为所述第一数值降噪预处理后的第二数值；病情监测，将预处理后的数据通过病情监测模型进行病情预测，包括：将获取的
n
组多个第一属性数据中的每一个数据所一一对应的第二数值带入向量矩阵，与各自对应的权重相乘后进行相加，将相加的和与预测偏置量相加得到预测值，基于该预测值进行病情衍变预测；所述病情衍变预测包括病情恶化
、
病情未恶化和病情好转
。2.
如权利要求1所述的基于护理晨交班数据的病情监测方法，其特征在于，所述的基于该预测值进行病情衍变预测，包括：如果预测值大于0，则说明病情恶化；如果预测值等于0，则说明病情未恶化；如果预测值小于0，则说明病情好转
。3.
如权利要求1所述的基于护理晨交班数据的病情监测方法，其特征在于，所述的基于该预测值进行病情衍变预测，包括：设置判断病情衍变预测的第一预测阈值和第二预测阈值，所述第一预测阈值小于第二预测阈值；如果预测值大于第二预测阈值，则说明病情恶化；如果预测值在第一预测阈值和第二预测阈值之间，或预测值等于第一预测阈值或第二预测阈值，则说明未恶化；如果预测值小于第一预测阈值，则说明病情好转
。4.
如权利要求1所述的基于护理晨交班数据的病情监测方法，其特征在于，所述的基于该预测值进行病情衍变预测，包括：将预测值转换为概率值，基于该概率值进行病情衍变预测；所述的将预测值转换为概率值，包括：基于公式
p=1/(1+exp(
‑
y))+d
，将与预测偏置量相加后的值转换为概率值；其中，
p
为概率值，
exp
为自然常数
e
为底的指数函数，
y
为计算得到的预测值，
d
为概率偏置量
。5.
如权利要求4所述的基于护理晨交班数据的病情监测方法，其特征在于，所述的基于该概率值进行病情衍变预测，包括：如果所述概率值大于0，则说明病情恶化，如果所述概率值等于0，则说明病情未恶化；如果所述概率值小于0，则说明病情好转
。6.
如权利要求4所述的基于护理晨交班数据的病情监测方法，其特征在于，所述的基于该概率值进行病情衍变预测，包括：设置判断病情衍变预测的第一...

【专利技术属性】
技术研发人员：肖桐，
申请(专利权)人：四川互慧软件有限公司，
类型：发明
国别省市：