智能化出院患者随访系统

技术领域

本发明涉及医疗信息技术领域，尤其涉及智能化出院患者随访系统。

背景技术

随着医疗科技的不断发展和普及，患者的医疗管理和随访过程正发生着根本性的变革。传统的出院患者随访往往依赖于周期性的门诊，而这种模式存在着许多不便之处，包括患者的交通、等待时间以及医生资源的浪费。因此，智能化出院患者随访系统应运而生，以利用先进的技术和数据分析来提供更加便捷、个性化和高效的医疗服务，有望改善患者的医疗体验，提高医疗效率，并更好地关心他们的健康。

经检索，中国专利号CN113744826A公开了一种出院患者随访系统，该发明虽然提供一种加强出院患者积极性、医生随访效率高、随访质量好的并可持续性开展的出院患者随访系统，但是不利于患者管理自己的健康状况，降低治疗成功率以及医疗效率；此外，现有的出院患者随访系统对患者的情感智能感知能力差，医患沟通的效率低下，情感分析精度低，为此，我们提出智能化出院患者随访系统。

发明内容

本发明的目的是为了解决现有技术中存在的缺陷，而提出的智能化出院患者随访系统。

为了实现上述目的，本发明采用了如下技术方案：

智能化出院患者随访系统，包括患者管理模块、随访管理模块、患者平台、数据采集模块、分析报告模块、医护平台、语言分析模块、健康预测模块、药物管理模块以及风险评估模块；

所述患者管理模块用于记录和维护患者的个人信息、病史和住院信息；

所述随访管理模块用于基于患者的信息，制定个性化的随访计划；

所述患者平台用于患者通过移动设备查看随访计划、记录健康数据，并与医护人员沟通；

所述数据采集模块用于收集并与处理患者数据，并上传到系统中；

所述分析报告模块用于分析患者的健康数据，生成随访报告和趋势分析；

所述医护平台用于医护人员查看患者的信息、随访计划和报告，与患者进行在线沟通；

所述语言分析模块用于分析患者的语言和情感，以获取患者的需求和情感状态；

所述健康预测模块用于自动预测患者未来可能的健康风险；

所述药物管理模块用于监测患者的用药情况，提供用药建议，并自动发出药物提醒；

所述风险评估模块用于评估患者的遗传风险，并提供遗传咨询。

作为本发明的进一步方案，所述数据采集模块收集处理患者数据具体步骤如下：

步骤一：对接收到的患者数据进行解析，并将其转换成可处理的数字格式，再通过高斯滤波去除数据中的噪声并平滑数据，之后计算患者数据的标准偏差，之后依据计算出的标准偏差分别对异常数据进行检测并筛除；

步骤二：检测是否存在重复的数据记录，若存在重复数据，则将其删除，检测各组数据中存在的缺失值，并标记各缺失值在对应数据中的所在位置，对各组数据中存在的缺失值进行统计和可视化分析以获取缺失值的分布情况和影响范围，并计算KNN算法找到的相应的K组数据点的平均值或中位数来替代异常值或缺失值。

作为本发明的进一步方案，所述语言分析模块患者语言情感分析具体步骤如下：

步骤Ⅰ：语言分析模块从患者随访时的文本数据源中收集患者的语言信息，去除语言信息中的特殊字符和标点符号，以获取主要的文本内容，之后将获取的文本大小写形式统一转换为小写，再去除文本内容中包含的停用词；

步骤Ⅱ：从互联网以及历史数据库中收集与患者语气相关的各种知识和信息，并对收集到的语气知识进行分类、去重以及筛选处理，通过NLP技术识别和抽取出处理后的语气知识中的实体，再从相关的知识信息中提取每组实体的对应属性，并建立实体之间的关系，形成语气图谱的连接；

步骤Ⅲ：采用三元组的形式将实体、属性和关系处理成对应图状结构以创建包含正面、负面和中性情感词汇的语气图谱，选择合适的图数据库来存储和管理语气图谱，并对语气图谱进行不断地更新和维护，将预处理后的语言信息与语气图谱进行匹配，计算正面和负面情感词的数量；

步骤Ⅳ：根据匹配的情感词的数量和权重，计算文本的情感得分，根据情感得分判断文本的情感为正面、负面或中性，将情感分析的结果用图表或文本标签表示，同时对患者的情感分析结果进行历史跟踪，以获取患者的情感状态的演变趋势。

作为本发明的进一步方案，构建语气图谱使系统可以针对特定领域或目标受众进行情感分析，增加了分析的准确性和定制化程度，且语气图谱能够相对快速地构建，不需要大量的标注数据和训练时间，因此有助于快速部署语言分析模块。

作为本发明的进一步方案，所述健康预测模块风险预测具体步骤如下：

步骤①：收集患者的历史健康数据并对其进行清洗和预处理数据，提取其中合适的特征来描述患者的健康状态，通过随机替换或采样获取创建新特征，再通过特征缩放和标准化使不同特征在相同的尺度上，将特征数据分为训练集和测试集；

步骤②：创建一组预测模型，并定义该模型损失函数，之后选择随机梯度下降算法来调整模型参数以最小化损失函数，将训练集划分为小批量，并使用每组批量来更新模型的权重，重复执行前向传播计算模型的输出，然后执行反向传播来计算梯度并更新模型的参数，直到所有的训练集都使用完毕后停止；

步骤③：使用独立的测试集来评估训练好的模型的性能，并根据模型评估结果，进行超参数的调优，将最新患者数据输入预测模型中，各隐藏层分别对输入数据进行处理后，将其通过各层之间的权重和激活函数进行逐层传递，之后输出层输出预测结果，并通过线性回归模型预测患者的健康风险值。

作为本发明的进一步方案，步骤②所述损失函数具体计算公式如下：

式中，L(θ)是损失函数；n是样本数量；y

步骤③所述健康风险值具体预测公式如下：

式中，β

作为本发明的进一步方案，所述风险评估模块遗传风险评估具体步骤如下：

步骤1：收集患者的基因组数据，清洗和预处理基因数据，将不同基因数据源整合到一个一致的格式和坐标系中，进行基因型分析，确定患者的基因型；

步骤2：依据患者疾病信息选择一组适当的遗传风险模型，使用所选的遗传风险模型根据基因型和可能的风险基因的数量、强度和权重计算患者的遗传风险得分，并解释遗传风险得分；

步骤3：将遗传风险评估的结果以可视化方式展示，再根据遗传风险评估的结果，制定个性化的风险管理策略，提供医疗建议和干预措施，以减少患者可能的遗传风险。

相比于现有技术，本发明的有益效果在于：

1、本发明通过创建一组预测模型，并定义该模型损失函数，之后选择随机梯度下降算法来调整模型参数以最小化损失函数，将训练集划分为小批量，并使用每组批量来更新模型的权重，重复执行前向传播计算模型的输出，然后执行反向传播来计算梯度并更新模型的参数，直到所有的训练集都使用完毕后停止，使用独立的测试集来评估训练好的模型的性能，并根据模型评估结果，进行超参数的调优，将最新患者数据输入预测模型中，各隐藏层分别对输入数据进行处理后，将其通过各层之间的权重和激活函数进行逐层传递，之后输出层输出预测结果，并通过线性回归模型预测患者的健康风险值，有助于患者更好地管理自己的健康状况，提高治疗成功率以及医疗效率，预防慢性疾病的发生。

2、本发明从患者随访时的文本数据源中收集并处理患者的语言信息，收集与患者语气相关的各种知识和信息，并对收集到的语气知识进行分类、去重以及筛选处理，通过NLP技术识别和抽取出处理后的语气知识中的实体，再从相关的知识信息中提取每组实体的对应属性，并建立实体之间的关系，形成语气图谱的连接，采用三元组的形式将实体、属性和关系处理成对应图状结构以创建包含正面、负面和中性情感词汇的语气图谱，选择合适的图数据库来存储和管理语气图谱，并对语气图谱进行不断地更新和维护，将预处理后的语言信息与语气图谱进行匹配，计算正面和负面情感词的数量，根据匹配的情感词的数量和权重，计算文本的情感得分，根据情感得分判断文本的情感为正面、负面或中性，将情感分析的结果用图表或文本标签表示，同时对患者的情感分析结果进行历史跟踪，以获取患者的情感状态的演变趋势，提高对患者的情感智能感知，提供更加个性化的互动和反馈，增强患者满意度，提高医患沟通的效率，情感分析精度高。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。

图1为本发明提出的智能化出院患者随访系统的系统框图。

具体实施方式

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，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。

实施例1

参照图1，智能化出院患者随访系统，包括患者管理模块、随访管理模块、患者平台、数据采集模块、分析报告模块、医护平台、语言分析模块、健康预测模块、药物管理模块以及风险评估模块。

所述患者管理模块用于记录和维护患者的个人信息、病史和住院信息；所述随访管理模块用于基于患者的信息，制定个性化的随访计划；所述患者平台用于患者通过移动设备查看随访计划、记录健康数据，并与医护人员沟通；所述数据采集模块用于收集并与处理患者数据，并上传到系统中。

具体的，对接收到的患者数据进行解析，并将其转换成可处理的数字格式，再通过高斯滤波去除数据中的噪声并平滑数据，之后计算患者数据的标准偏差，之后依据计算出的标准偏差分别对异常数据进行检测并筛除，检测是否存在重复的数据记录，若存在重复数据，则将其删除，检测各组数据中存在的缺失值，并标记各缺失值在对应数据中的所在位置，对各组数据中存在的缺失值进行统计和可视化分析以获取缺失值的分布情况和影响范围，并计算KNN算法找到的相应的K组数据点的平均值或中位数来替代异常值或缺失值。

所述分析报告模块用于分析患者的健康数据，生成随访报告和趋势分析；所述医护平台用于医护人员查看患者的信息、随访计划和报告，与患者进行在线沟通。所述语言分析模块用于分析患者的语言和情感，以获取患者的需求和情感状态。

具体的，语言分析模块从患者随访时的文本数据源中收集患者的语言信息，去除语言信息中的特殊字符和标点符号，以获取主要的文本内容，之后将获取的文本大小写形式统一转换为小写，再去除文本内容中包含的停用词，从互联网以及历史数据库中收集与患者语气相关的各种知识和信息，并对收集到的语气知识进行分类、去重以及筛选处理，通过NLP技术识别和抽取出处理后的语气知识中的实体，再从相关的知识信息中提取每组实体的对应属性，并建立实体之间的关系，形成语气图谱的连接，采用三元组的形式将实体、属性和关系处理成对应图状结构以创建包含正面、负面和中性情感词汇的语气图谱，选择合适的图数据库来存储和管理语气图谱，并对语气图谱进行不断地更新和维护，将预处理后的语言信息与语气图谱进行匹配，计算正面和负面情感词的数量，根据匹配的情感词的数量和权重，计算文本的情感得分，根据情感得分判断文本的情感为正面、负面或中性，将情感分析的结果用图表或文本标签表示，同时对患者的情感分析结果进行历史跟踪，以获取患者的情感状态的演变趋势。

实施例2

参照图1，智能化出院患者随访系统，包括患者管理模块、随访管理模块、患者平台、数据采集模块、分析报告模块、医护平台、语言分析模块、健康预测模块、药物管理模块以及风险评估模块。

所述健康预测模块用于自动预测患者未来可能的健康风险。

具体的，收集患者的历史健康数据并对其进行清洗和预处理数据，提取其中合适的特征来描述患者的健康状态，通过随机替换或采样获取创建新特征，再通过特征缩放和标准化使不同特征在相同的尺度上，将特征数据分为训练集和测试集，创建一组预测模型，并定义该模型损失函数，之后选择随机梯度下降算法来调整模型参数以最小化损失函数，将训练集划分为小批量，并使用每组批量来更新模型的权重，重复执行前向传播计算模型的输出，然后执行反向传播来计算梯度并更新模型的参数，直到所有的训练集都使用完毕后停止，使用独立的测试集来评估训练好的模型的性能，并根据模型评估结果，进行超参数的调优，将最新患者数据输入预测模型中，各隐藏层分别对输入数据进行处理后，将其通过各层之间的权重和激活函数进行逐层传递，之后输出层输出预测结果，并通过线性回归模型预测患者的健康风险值。

需要进一步说明的是，损失函数具体计算公式如下：

式中，L(θ)是损失函数；n是样本数量；y

健康风险值具体预测公式如下：

式中，β

所述药物管理模块用于监测患者的用药情况，提供用药建议，并自动发出药物提醒；所述风险评估模块用于评估患者的遗传风险，并提供遗传咨询。

具体的，收集患者的基因组数据，清洗和预处理基因数据，将不同基因数据源整合到一个一致的格式和坐标系中，进行基因型分析，确定患者的基因型，依据患者疾病信息选择一组适当的遗传风险模型，使用所选的遗传风险模型根据基因型和可能的风险基因的数量、强度和权重计算患者的遗传风险得分，并解释遗传风险得分，将遗传风险评估的结果以可视化方式展示，再根据遗传风险评估的结果，制定个性化的风险管理策略，提供医疗建议和干预措施，以减少患者可能的遗传风险。