养老机构风险预警方法

技术领域

本发明涉及大数据应用技术领域，特别涉及养老机构各类数据分析处理方法，具体是一种养老机构风险预警方法。

背景技术

自2000年我国迈入老龄化社会之后，我国人口老龄化的程度持续加深，各种结合养老机构越来越多，但是在养老机构的建设和管理中，一般都是基于各自的管理制度和基础设施进行粗放的管理，尚没有成型的基于老人群体的专业风险管理的内控体系，对机构内部老人的照护等级评估和照护服务、健康评估、健康风险管理以及他们之间的关联关系不能精细化掌控，更没有一种信息化手段基于老人的健康生命体征数据、健康评估数据、照护服务等级和照护服务数据进行连续动态的采集和大数据分析建模，形成动态的风险预警方案。

现有养老机构风险管理尚没有形成统一的基于老年群体的风险管控体系，尤其在信息化建设方面，要么分开建设了机构管理系统、评估系统、智能化硬件系统，要么没有建立信息化系统。系统之间只负责单独的业务体系，没有进行数据共享和数据挖掘，没有基于老人的健康生命体征数据、健康评估数据、照护服务等级和照护服务数据进行连续动态采集和大数据分析建模，形成整个机构的动态风险预警方案。

归纳现有养老机构的主要缺点包括：

1.信息化建设薄弱，各个系统独立，比如机构管理系统、评估系统、智能化硬件系统。

2.没有整体对老人的照护服务等级和照护服务数据进行连续动态的采集和分析匹配，通过设置预警规则，达到对整个机构形成动态风险预警。

3.没有整体对老人健康生命体征数据、健康评估数据进行连续动态采集和分析，通过设置预警规则，达到对整个机构形成动态风险预警。

发明内容

本发明的主要目的在于提供一种养老机构风险预警方法，以解决现有技术中养老机构风险预警的技术问题。

为了实现上述目的，根据本发明具体实施方式的一个方面，提供了一种养老机构风险预警方法，包括照护服务预警方法，其特征在于，所述照护服务预警方法包括如下步骤：

根据照护等级模型对老人进行评估；

根据评估结果自动计算得到该老人对应照护等级；

根据照护等级，自动获取到对应的照护服务方案；

在进行照护服务时采集现场照片并传照护服务数据；

按一定周期对所有的照护服务数据和每个老人对应照护服务方案进行匹配计算，得到每个老人个体的匹配结果；

根据每个老人的匹配结果统计养老机构内所有老人的匹配结果；

根据设置的预警规则进行风险预警，当统计养老机构内所有老人的匹配结果符合设置的预警规则，发出风险预警通知。

在某些实施例中，所述照护等级模型用于表征一定的照护等级与对应的老人条件。

在某些实施例中，所述照护服务方案包括服务项目、服务频次和服务要求。

在某些实施例中，所述预警通知包括短信通知、微信通知、APP通知或WEB通知。

在某些实施例中，所述预警规则设置为照护服务方案与照护等级的匹配度百分比和/或某一照护等级与相应的照护服务匹配度低于设定的百分比。

在某些实施例中，还包括健康预警方法，所述健康预警方法包括如下步骤：

采集生命体征数据和健康评估数据；

根据健康评估模型和健康预警模型进行个体分析评估；

对采集的每个老人的生命体征数据和健康评估数据进行深度神经网络算法分析，预测老年人患某种或某几种老年病的概率，统计养老机构所有老人患某种或某几种老年病的概率；

根据设置的预警模型和采集的数据获得每个老人的健康风险项目；

根据老人患病风险设置预警规则进行风险判断；

统计养老机构内所有老人患老年病的风险；

当统计养老机构内所有老人患老年病风险等级符合设置的预警模型，发出风险预警通知。

在某些实施例中，所述健康评估模型是采用量表的方式进行评估，评估周期为每周一次。

在某些实施例中，所述健康评估模型包括高血压模型、高血糖模型、支气管哮喘模型、骨质疏松模型、痛风模型、慢阻肺模型。

在某些实施例中，所述健康预警模型是采用神经网络对数据集进行训练，输入的数据项是老年人各类指标。

在某些实施例中，所述对数据集进行训练具体为：

通过RNN LSTM(Long-Short Term Memory LSTM)训练模型训练得到分类器；

以AUC（Area Under Curve）值或宏AUC值判断分类器分类的准确度；

以所述分类器对新入数据进行分类处理，同时作为训练数据输入以更新模型。

在某些实施例中，所述预警模型包括跌倒风险、吞咽风险、脑卒中风险、压疮风险、导管滑脱风险。

在某些实施例中，所述预警通知包括短信通知、微信通知、APP通知、WEB通知。

根据本发明技术方案及其在某些实施例中进一步改进的技术方案，本发明具有如下有益效果：

1.一般医护人员通过照护等级评估体系，就可以对老人进行照护等级评估，提高了机构的专业性；

2.通过智能化和信息化手段对照护服务数据进行采集，一方面减少了人力物力的投入，另一方面及时掌握老人的动态数据，提高了专业性和及时性，方便机构进行管控；

3.通过对机构内所有老人的照护等级和照护服务数据进行连续动态采集和匹配分析进行预警，提高机构对照护服务情况进行及时掌握，当出现风险时，可以及时进行管控，降低风险发生几率；

4.进一步通过对机构内所有老人的健康生命体征数据根据个体健康预警模型、健康评估模型进行连续动态采集和分析进行预警，提高机构对老人的情况进行及时掌握，当出现风险时，可以及时进行管控，降低风险发生几率。

下面结合附图和具体实施方式对本发明做进一步的说明。本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

构成本申请的一部分的附图用来提供对本发明的进一步理解，本发明的具体实施方式、示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1为根据本发明具体实施方式的照护服务预警方法流程示意图；

图2为根据本发明具体实施方式的健康预警方法流程示意图。

具体实施方式

需要说明的是，在不冲突的情况下，本申请中的具体实施方式、实施例以及其中的特征可以相互组合。现将参考附图并结合以下内容详细说明本发明。

为了使本领域技术人员更好的理解本发明方案，下面将结合本发明具体实施方式、实施例中的附图，对本发明具体实施方式、实施例中的技术方案进行清楚、完整的描述，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。基于本发明中的具体实施方式、实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施方式、实施例，都应当属于本发明保护的范围。

本说明书和权利要求书及有关部分中的术语“包括”、“包含”、“具有”以及它们的任何变形，意图在于覆盖不排他的包含。

图1为本发明的照护服务预警方法流程示意图，如图1所示，照护服务预警方法，包括步骤：

S110：根据照护等级模型对老人进行评估。

照护等级模型是用于评价什么条件的老人对应的照护等级，如生活基本能够自理、部分能够自理、完全不能自理等分别应当给予的照护等级。

照护等级分为：0级（能力完好）、1级（轻度失能）、2级（中度失能）、3级（重度失能）、4级（极重度失能）。

该步骤中，医护人员根据照护等级模型给出的评估条件，对老人身体情况、运动功能、智力情况等进行评估。

老人能力评估分为四个维度：日常生活活动、精神状态、感知觉与沟通、社会参与。通过四个维度的评估结果，得出老人能力评估结果，如下表：

S120：根据步骤S100的评估结果，自动计算得到该老人对应照护等级。

S130：根据照护等级，自动获取到对应的照护服务方案。

照护服务方案包括服务项目、服务频次和服务要求。

照护服务方案内容分为六大类：生活照料、康复训练、安全防护、专业护理、中医护理、健康教育。每个大类下面，有详细的服务项目。

比如服务方案里面的生活照料部分有一条服务项目是头发清洁，要求每2天必须洗1次头发，使用的是温水，时间要求是10分钟。

S140：在进行照护服务时采集现场照片并传照护服务数据。

该步骤中，利用相关场景中的摄像头连续实时采集进行照护服务的现场图像并上传到系统监控中心。

S150：按一定周期对所有的照护服务数据和每个老人对应照护服务方案进行匹配计算。

S160：根据S150的计算，得到每个老人个体的匹配结果。

S170：根据每个老人的匹配结果统计养老机构内所有老人的匹配结果。

S180：根据设置的预警规则，进行风险预警。

这里预警规则设置为照护服务方案与照护等级的匹配度百分比和/或某一照护等级与相应的照护服务匹配度低于设定的百分比。

S190：当统计养老机构内所有老人的差异结果符合设置的预警规则，发出风险预警通知。

该步骤中，预警通知可以是短信通知、微信通知、APP通知或WEB通知。

养老机构根据风险预警的结果进行照护服务管控，可以提高机构的运营能力和风险管控能力。

本发明的养老机构风险预警方法，还包括健康预警方法。

健康预警方法流程如图2所示，包括如下步骤：

S210：采集生命体征数据和健康评估数据。

生命体征数据由健康体检设备采集，包括：血压、血糖、血氧、身高体重、脂肪、胆固醇、尿酸、骨密度、腰臀比、睡眠、心率、心电、体温、血红蛋白、血脂、尿常规、心理测评、中医体质辨识、呼吸共19种指标。

健康评估数据主要是在系统做健康评估得出的数据，健康评估包括：老人综合健康能力评估和风险评估两个大类。

老人综合健康能力评估包括：日常生活活动、精神状态、感知觉与沟通、社会参与，风险评估评估包括：跌倒风险评估、吞咽风险评估、脑卒中风险评估、压疮风险评估、导管滑脱风险评估、营养风险评估等。

健康评估数据主要是通过相关量表进行评估。

采集生命体征数据和健康评估数据，采用动态连续方式进行采集。

S220：根据健康评估模型和健康预警模型进行个体分析评估。

健康评估模型包括高血压模型、高血糖模型、支气管哮喘模型、骨质疏松模型、痛风模型、慢阻肺模型，采用量表的方式进行评估，评估周期为每周一次。

具体的评估方法是对采集的每个老人的生命体征数据和健康评估数据进行深度神经网络算法分析，预测老年人患某种或某几种老年病的概率，统计养老机构所有老人患某种或某几种老年病的概率。

S230：根据设置的预警模型和采集的数据获得每个老人的健康风险项目。

这里的健康预警模型是采用神经网络对数据集进行训练，输入的数据项是老年人各类指标属性，包括作为标识的姓名、编号；指标项作为输入：50项基础特征+老年病患病与否。

对数据集进行训练的具体过程如下：

通过RNN LSTM(Long-Short Term Memory,LSTM)训练模型训练得到分类器；

以AUC（Area Under Curve）值或宏AUC值判断分类器分类的准确度；

以所述分类器对新入数据进行分类处理，同时作为训练数据输入以更新模型。

S240：统计养老机构内所有老人患老年病的健康风险。

S250：根据老人患病风险设置预警模型进行风险判断。

预警模型包括跌倒风险、吞咽风险、脑卒中风险、压疮风险、导管滑脱风险。

S260：当统计养老机构内所有老人患老年病风险等级符合设置的预警模型，发出风险预警通知。

预警通知包括短信通知、微信通知、APP通知、WEB通知。

养老机构根据预警的结果进行管控，提高机构的运营能力和风险管控能力。