一种皮肤病患者规范化系统
阅读：699发布：2024-01-10
专利汇可以提供一种皮肤病患者规范化系统专利检索，专利查询，专利分析的服务。并且本 发明 公开了一种 皮肤 病患者规范化系统，属于医疗信息化技术领域。包括临床 数据采集 单元、患者数据管理单元、账户权限管理单元，采集内容定制服务单元，展示形式定制服务单元，数据分析单元，医学术语标准化单元，其中，临床数据采集单元，用于临床数据收集；患者数据管理单元，用于对患者信息进行维护管理；账户权限管理单元，用于维护管理系统账户权限；采集内容定制服务单元，用于将采集到的临床数据内容进行定制服务；展示形式定制服务单元，用于将采集到的临床数据内容进行展示形式的定制服务。本发明通过数据规范化的收集，可以解决数据准确性、完整性、唯一性、规整性、时效性等问题。，下面是一种皮肤病患者规范化系统专利的具体信息内容。
1.一种皮肤病患者规范化系统，其特征在于，包括临床数据采集单元、患者数据管理单元、账户权限管理单元，采集内容定制服务单元，展示形式定制服务单元，数据分析单元，医学术语标准化单元，其中，
临床数据采集单元，用于临床数据收集；患者数据管理单元，用于对患者信息进行维护管理；账户权限管理单元，用于维护管理系统账户权限；采集内容定制服务单元，用于将采集到的临床数据内容进行定制服务；展示形式定制服务单元，用于将采集到的临床数据内容进行展示形式的定制服务；数据分析单元，用于分析标准化的医学术语，形成标准化的接口；医学术语标准化单元，用于将采集到的临床数据进行医学术语的标准化，便于数据分析单元进行数据分析。
2.根据权利要求1所述的系统，其特征在于，所述数据分析单元的分析方法为：确定分析对象；选择分析对象的分析指标；选择分析工具，以可视化的报表展示分析结果。
3.根据权利要求1所述的系统，其特征在于，所述临床数据采集单元采用ETL工具，ETL工具负责将分布的、异构数据源中的数据抽取到临时中间层后进行清洗、转换、集成，最后加载到数据仓库或数据集市中，成为联机分析处理、数据挖掘的基础。
4.根据权利要求1所述的系统，其特征在于，还包括数据存储单元，所述数据存储单元采用关系数据库、NOSQL、SQL对数据进行存取；所述数据存储单元的基础架构为：云存储、分布式文件存储。
5.根据权利要求1所述的系统，其特征在于，还包括数据处理单元，所述数据处理单元采用自然语言处理技术、人工智能。
6.根据权利要求2所述的系统，其特征在于，所述数据分析单元的分析工具采用统计分析技术，包括：假设检验、显著性检验、差异分析、相关分析、T检验、方差分析、卡方分析、偏相关分析、距离分析、回归分析、简单回归分析、多元回归分析、逐步回归、回归预测与残差分析、logistic回归分析、曲线估计、因子分析、聚类分析、主成分分析、因子分析、快速聚类法与聚类法、判别分析、对应分析、多元对应分析和ootstrap技术。
7.根据权利要求2所述的系统，其特征在于，还包括数据挖掘单元：所述数据挖掘单元进行分类、估计、预测、相关性分组或关联规则、聚类、描述和可视化、复杂数据类型挖掘。
8.根据权利要求2所述的系统，其特征在于，所述展示分析结果包括以云计算、标签云、关系图进行结果呈现。
9.根据权利要求4所述的系统，其特征在于，所述数据存储单元，还用于数据的实时查询，包括时间、空间、特定属性和综合查询。
10.根据权利要求2所述的系统，其特征在于，所述数据分析单元，还具有数据语义引擎能力，从用户的搜索关键词、标签关键词、或其他输入语义，分析，判断用户需求。
一种皮肤病患者规范化系统
技术领域
[0001] 本发明涉及医疗信息化技术领域，尤其涉及一种皮肤病患者规范化系统。
背景技术
[0002] 中国医院的信息化建设开始上世纪七十年代，其发展历程大体包括了单机单用户应用、部门级系统应用、全院级系统应用、区域医疗探索四个阶段。建设模式也经历一定的转变，在应用目的上，从面向业务运行向面向资源整合转变；在应用范围上，从面向一次、一点应用向协同服务、远程医院转变；在发展重点上；从注重数据收集转变为注重信息利用；在实现发放上，从面向交换向平台化方向转变。
[0003] 现阶段医疗数据分析系统不能处理海量的医疗数据，只能针对少量的数据进行分析，得到的结果不具有普适性、准确性。而且分析速度慢，容易出错。近年来，随着医疗和健康数据的急剧扩容和几何级的增长，如何充分利用包括影像数据、病历数据、检验检查结果、诊疗费用等在内的各种数据，搭建合理先进的数据采集分析平台，成为亟待解决的技术问题。
[0004] 医院的信息化建设应用对医疗诊断水平的提高具有重要作用，同时，国内一些大医院和一些有实力的机构已开始探索数据的分析挖掘，实现医疗信息交换的共享；然而，由于医疗行业本身的专业性、复杂性，以及不同医院需求的差异性，医院数据的规范化收集与分析在建设中也存在着许多困难与问题。
[0005] 随着医院信息化建设的不断推进，医院信息系统日臻完善，医疗领域应用数据快速增长，数据库规模与日俱增，信息资源积累也日渐丰富。如何利用现代信息技术和方法对这些数据开展皮肤病相关研究成为当下的研究趋势。其中皮肤病患者数据的收集、分析是其中比较活跃的领域之一，但是在利用这些数据进行分析研究时却遇到不少问题。皮肤病患者的数据收集方面存在的很多问题：收集表单繁杂、数据互联共享程度低以及智能分析水平低等问题。收集的信息描述是否完整、准确、规范、一致，收集的信息表示是否易于理解，信息处理与交换是否及时直接影响着皮肤病患者信息组织、交互共享和利用，给皮肤病患者临床治疗应用、用药安全、科研管理带来不便，阻止了信息资源共享与深度利用。究其原因,数据整理、信息的规范化、标准化程度不高是其处理利用的瓶颈。
发明内容
[0006] 1.发明要解决的技术问题
[0007] 为了克服上述技术问题，本发明提供了一种皮肤病患者规范化系统。通过数据规范化的收集，可以解决数据准确性、完整性、唯一性、规整性、时效性等问题。通过对数据的业务建模、复杂分析、数据的实时查询、数据分析的原理，进行了更加深层次的挖掘分析。
[0008] 2.技术方案
[0009] 为解决上述问题，本发明提供的技术方案为：
[0010] 第一方面，本发明提供了一种皮肤病患者规范化系统，包括临床数据采集单元、患者数据管理单元、账户权限管理单元，采集内容定制服务单元，展示形式定制服务单元，数据分析单元，医学术语标准化单元，其中，临床数据采集单元，用于临床数据收集；患者数据管理单元，用于对患者信息进行维护管理；账户权限管理单元，用于维护管理系统账户权限；采集内容定制服务单元，用于将采集到的临床数据内容进行定制服务；展示形式定制服务单元，用于将采集到的临床数据内容进行展示形式的定制服务；数据分析单元，用于分析标准化的医学术语，形成标准化的接口；医学术语标准化单元，用于将采集到的临床数据进行医学术语的标准化，便于数据分析单元进行数据分析。
[0011] 可选地，所述数据分析单元的分析方法为：确定分析对象；选择分析对象的分析指标；选择分析工具，以可视化的报表展示分析结果。
[0012] 可选地，所述临床数据采集单元采用ETL工具，ETL工具负责将分布的、异构数据源中的数据抽取到临时中间层后进行清洗、转换、集成，最后加载到数据仓库或数据集市中，成为联机分析处理、数据挖掘的基础。
[0013] 可选地，还包括数据存储单元，所述数据存储单元采用关系数据库、NOSQL、SQL对数据进行存取；所述数据存储单元的基础架构为：云存储、分布式文件存储。
[0015] 可选地，所述数据分析单元的分析工具采用统计分析技术，包括：假设检验、显著性检验、差异分析、相关分析、T检验、方差分析、卡方分析、偏相关分析、距离分析、回归分析、简单回归分析、多元回归分析、逐步回归、回归预测与残差分析、logistic回归分析、曲线估计、因子分析、聚类分析、主成分分析、因子分析、快速聚类法与聚类法、判别分析、对应分析、多元对应分析和ootstrap技术。
[0016] 可选地，还包括数据挖掘单元：所述数据挖掘单元进行分类、估计、预测、相关性分组或关联规则、聚类、描述和可视化、复杂数据类型挖掘。
[0017] 可选地，所述展示分析结果包括以云计算、标签云、关系图进行结果呈现。
[0018] 可选地，所述数据存储单元，还用于数据的实时查询，包括时间、空间、特定属性和综合查询。
[0019] 可选地，所述数据分析单元，还具有数据语义引擎能力，从用户的搜索关键词、标签关键词、或其他输入语义，分析，判断用户需求。
[0020] 3.有益效果
[0021] 采用本发明提供的技术方案，与现有技术相比，具有如下有益效果：
[0022] 合理有效地组织数据并对其进行规范是应用现代科学技术方法对其进行分析处理和加工利用的前提。对皮肤病患者信息进行系统化归纳、规范化表达和层次化表示，使之系统化、条理化、结构化，为皮肤病治疗领域的研究和医院信息管理及电子病历中用药信息的组织、整合、分析及利用提供规范化的数据标准依据，满足相关内容的需要。构建的数据规范化收集与分析系统，为计算机识别、处理、多角度挖掘与利用皮肤病治疗与科研奠定了基础，同时也将分析后的数据运用在医疗领域上，做出临床决策、疾病预警和分析患者的行为，此外,本专利为医疗领域的信息化、标准化研究提供了标准支撑,是收集与分析系统的一项重要基础性工作。
[0023] 本发明通过数据规范化的收集，可以解决数据准确性、完整性、唯一性、规整性、时效性等问题。通过对数据的业务建模、复杂分析、数据的实时查询、数据分析的原理，进行了更加深层次的挖掘分析。附图说明
[0024] 图1为本发明一种皮肤病患者规范化系统的结构示意图。
[0025] 图2为临床数据收集示意图。
[0026] 图3为患者管理示意图。
[0027] 图4为页面展示示意图。
[0028] 图5为收集内容定制示意图。
具体实施方式
[0029] 为进一步了解本发明的内容，结合附图及实施例对本发明作详细描述。
[0030] 下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与发明相关的部分。
[0031] 本发明中所述的第一、第二等词语，是为了描述本发明的技术方案方便而设置，并没有特定的限定作用，均为泛指，对本发明的技术方案不构成限定作用。
[0032] 需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
[0033] 实施例1
[0034] 第一方面，本发明提供了一种皮肤病患者规范化系统，如图1所示，包括临床数据采集单元、患者数据管理单元、账户权限管理单元，采集内容定制服务单元，展示形式定制服务单元，数据分析单元，医学术语标准化单元，其中，临床数据采集单元，用于临床数据收集；患者数据管理单元，用于对患者信息进行维护管理；账户权限管理单元，用于维护管理系统账户权限；采集内容定制服务单元，用于将采集到的临床数据内容进行定制服务；展示形式定制服务单元，用于将采集到的临床数据内容进行展示形式的定制服务；数据分析单元，用于分析标准化的医学术语，形成标准化的接口；医学术语标准化单元，用于将采集到的临床数据进行医学术语的标准化，便于数据分析单元进行数据分析。
[0035] 针对皮肤病患者的数据收集方面存在的很多问题：收集表单繁杂、数据互联共享程度低以及智能分析水平低等问题，可以清楚的看到，对于专科疾病数据收集，将收集的数据处理后，可转化为规范化的数据。
[0036] (1)临床数据收集
[0037] 数据信息的收集由患者、实习医生、医生和管理人员三者参与完成。按照科室、疾病名称和当前就诊分类，包含了主诉、现病史、既往史、个人史、家族史、婚育史等表单完成临床数据信息的收集工作。如图2所示。
[0038] 1.由医护人员录入信息，如患者基本信息、主诉、简单既往史等。
[0039] 2.管理收集的数据，将数据进行分析统计。
[0040] (2)患者管理
[0042] (3)页面展示
[0043] 页面展示，可以自定义收集表单，如图4所示。
[0044] (4)收集内容定制
[0045] 临床医生和科研专家信息收集的需求，收集内容可自定义、收集项目可灵活配置的功能，可以逐级分类定义需要收集的类别，如图5所示。
[0046] 所述数据分析单元的分析方法为：确定分析对象；选择分析对象的分析指标；选择分析工具，以可视化的报表展示分析结果。
[0047] 所述临床数据采集单元采用ETL工具，ETL工具负责将分布的、异构数据源中的数据抽取到临时中间层后进行清洗、转换、集成，最后加载到数据仓库或数据集市中，成为联机分析处理、数据挖掘的基础。
[0048] 还包括数据存储单元，所述数据存储单元采用关系数据库、NOSQL、SQL对数据进行存取；所述数据存储单元的基础架构为：云存储、分布式文件存储。
[0049] 还包括数据处理单元，所述数据处理单元采用自然语言处理技术、人工智能。可选地，所述数据分析单元的分析工具采用统计分析技术，包括：假设检验、显著性检验、差异分析、相关分析、T检验、方差分析、卡方分析、偏相关分析、距离分析、回归分析、简单回归分析、多元回归分析、逐步回归、回归预测与残差分析、logistic回归分析、曲线估计、因子分析、聚类分析、主成分分析、因子分析、快速聚类法与聚类法、判别分析、对应分析、多元对应分析和ootstrap技术。
[0050] 还包括数据挖掘单元：所述数据挖掘单元进行分类、估计、预测、相关性分组或关联规则、聚类、描述和可视化、复杂数据类型挖掘。
[0051] 所述展示分析结果包括以云计算、标签云、关系图进行结果呈现。所述数据存储单元，还用于数据的实时查询，包括时间、空间、特定属性和综合查询。所述数据分析单元，还具有数据语义引擎能力，从用户的搜索关键词、标签关键词、或其他输入语义，分析，判断用户需求。
[0052] 数据分析
[0053] 分析的流程
[0054] 分析系统是通过拖拽式的操作，可灵活方便地进行多种数据查询。智能分析系统的具体操作流程：分析人群---分析指标---分析工具---分析结果。
[0055] (1)确定分析对象
[0056] 通过对患者人群进行筛选，可以分为不同的组，例如男女组的勾选，年龄阶段的勾选，治疗方法的勾选以及更多的匹配条件。检索的条件是匹配的条件需要满足“或，与”的逻辑，匹配的条件组内，可以满足大于、等于、小于等。还可增加多组匹配条件的选项。
[0057] (2)分析指标的选择
[0058] 确定分析的指标，例如患者的基本情况、诊断维度、治疗方法、手术维度、实验室检验以及其他的参数；以勾选所需匹配条件的模式操作。
[0059] (3)分析结果的展示
[0060] 选择常用的分析工具后，以可视化的图形、数据视图的方式进行界面展示。
[0061] (4)可视化的报表
[0062] 可视化的报表以综合、管理、临床、运行等信息的查询，可根据院领导、科室主任、医务人员、信息管理者等人员设置相关的可视化报表。
[0063] 数据分析的原理说明：数据可视化分析能力，数据分析的使用者有数据分析专家，同时还有普通用户，二者对于数据分析最基本的要求就是可视化分析。
[0064] 数据挖掘发现能力，数据分析的理论核心就是数据挖掘算法，被全世界统计学家所公认的各种统计方法才能深入数据内部，更快速的处理大数据，挖掘出公认的价值；如果一个算法得花上好几年才能得出结论，那数据的价值就减弱了。
[0065] 数据预测趋势能力，数据分析最重要的应用领域之一就是预测性分析，从数据中挖掘出特点，通过科学的建立模型，之后便可以通过模型带入新的数据，从而预测未来的数据。
[0066] 数据语义引擎能力，数据分析广泛应用于网络数据挖掘，可从用户的搜索关键词、标签关键词、或其他输入语义，分析，判断用户需求。
[0067] 数据质量和管理能力，数据分析离不开数据质量和数据管理，高质量的数据和有效的数据管理，无论是在学术研究还是在商业应用领域，都能够保证分析结果的真实和有价值。
[0068] 数据分析技术包括：
[0069] 数据采集：ETL工具负责将分布的、异构数据源中的数据如关系数据、平面数据文件等抽取到临时中间层后进行清洗、转换、集成，最后加载到数据仓库或数据集市中，成为联机分析处理、数据挖掘的基础。
[0070] 数据存取：关系数据库、NOSQL、SQL等。
[0071] 基础架构：云存储、分布式文件存储等。
[0072] 数据处理：自然语言处理技术、人工智能等
[0073] 统计分析：假设检验、显著性检验、差异分析、相关分析、T检验、方差分析、卡方分析、偏相关分析、距离分析、回归分析、简单回归分析、多元回归分析、逐步回归、回归预测与残差分析、logistic回归分析、曲线估计、因子分析、聚类分析、主成分分析、因子分析、快速聚类法与聚类法、判别分析、对应分析、多元对应分析(最优尺度分析)、bootstrap技术等。
[0074] 数据挖掘：分类、估计、预测、相关性分组或关联规则、聚类、描述和可视化、复杂数据类型(Text，Web，图形图像，视频，音频等)挖掘。
[0076] 结果呈现：云计算、标签云、关系图等。
[0077] 数据业务模型建模
[0078] 在更高级的数据管理方面，最重要的数据管理系统是以关系数据模型为基础的关系数据库系统(RDBMS)。关系数据模型最主要的优点之一是具有与一阶逻辑体系同等强大的知识表达能力，这意味着现实中的许多查询都可以用关系代数描述。此外，使用关系数据模型，用户能够方便地为各种对象以及对象之间的联系设计逻辑模型而无需了解数据库的实现细节。
[0079] 数据的实时查询
[0080] 医疗服务对时效性的要求很高，很多查询都要求得到实时响应。涉及实时查询的可大致分为:
[0081] (1)与时间有关的查询，如检索监护对象某一时间段内的全部信息；
[0082] (2)与空间有关的查询，例如检索监护对象在某个区域(如某个医院)内的全部信息；
[0083] (3)与特定属性有关的查询，例如检索监护对象的血压变化历史和用药记录等；
[0084] (4)综合查询，例如检索监护对象在某段时间和某个区域内的某项生命体征数据。
[0085] 为满足数据实时查询的需要，必须对现有的索引技术必须加以改进，将索引的创建与更新速度提高至少一个数量级。索引更新速度慢的一个重要原因是数据逐条添加时引发了多次随机小量写操作，因此首先需要重新设计索引结构，使其能够批量添加数据(bulk-insertion)，尽量用顺序写入大块数据取代随机写入小块数据。另外，需要设计索引的并行创建与更新算法，使索引的创建与更新能够在无共享架构中水平扩展。
[0086] 数据的复杂分析
[0087] 在数据分析中，有很多复杂的数据分析查询，以下仅举几例:
[0088] (1)医疗数据统计，如统计历年皮肤病患者地域、季节等比例变化跟分布等；
[0089] (2)相似联接查询(similarity join)，如根据CT成像图片，寻找相似的病例与诊断，寻找匹配治疗方法等；
[0090] (3)医疗数据挖掘与预测，如寻找亚健康状况与职业、性别、年龄等因素的联系和预测下一个月各类药品的需求等。这些复杂分析查询的主要特点有:
[0091] 需要读取大量数据，所需计算时间长；
[0092] 查询灵活多变，难以预测；
[0093] 涉及多学科交叉，需要医疗、统计、计算机等各领域的专业人士协作完成。
[0094] 从数据分析性能的角度看，数据库专家们对并行分析型数据库与MapReduce的优劣曾经有过长达数年的争论。随着对两者研究的深入，目前已取得的主要共识有:
[0095] 对于简单的结构化查询，当计算节点较少时(100台或以下)，并行分析型数据库由于采取了更优化的存储结构与查询算法，性能明显优于MapReduce；
[0096] 当计算节点较多时，此时计算节点出错的概率很高，并行分析型数据库在出错时往往需要重新执行整个查询，性能会受到较大影响，而MapReduce的设计从一开始就将常态化的出错问题纳入考虑，因此能够轻松扩展到数千台节点；
[0097] 并行分析型数据库必须预先加载数据，而数据加载的时间通常十分漫长，因此对于日志分析等仅需读取一次数据的任务并不合适；
[0098] MapReduce比并行分析型数据库的应用更广泛，如能够处理非结构化查询，实现复杂的数据挖掘算法；
[0099] 分析型数据库基于关系数据模型，与传统关系数据库相比，其存储结构与查询算法为数据读取进行了专门优化，如用列式存储(column-store)替代行式存储(row-store)。目前主流的并行分析型数据库的有Vertica和Greenplum等。这些数据库提供的用户接口是与传统关系数据库相同的结构化查询语言(SQL)。
[0100] 1.数据的复杂分析
[0101] 分析型数据库基于关系数据模型，与传统关系数据库相比，其存储结构与查询算法为数据读取进行了专门优化，如用列式存储(column-store)替代行式存储(row-store)。
[0102] 2.数据分析技术
[0103] 数据采集：ETL工具负责将分布的、异构数据源中的数据如关系数据、平面数据文件等抽取到临时中间层后进行清洗、转换、集成，最后加载到数据仓库或数据集市中，成为联机分析处理、数据挖掘的基础。
[0104] 3.实现了数据的快速收集
[0105] 搭建了智能收集平台，可以通过平台快速的收集患者信息。
[0106] 4.实现了数据快速分析
[0107] 为了提高数据分析处理的能力，采用了一类是并行分析型数据库，另一类是基于MapReduce的数据分析工具。
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 用于在传输时间间隔内的动态时钟切换的方法和设备 | 2020-05-08 | 564 |
| 灵活的卫星内信号通路 | 2020-05-08 | 705 |
| 一种无线耳机切换方法、装置、无线耳机及介质 | 2020-05-08 | 830 |
| 基于天线阵列设计的无线功率传输的设备及方法 | 2020-05-11 | 57 |
| 飞行器的无线测试发射控制系统及方法 | 2020-05-11 | 482 |
| 用于协调通信系统中的FDX和TDD通信的方法和装置 | 2020-05-08 | 473 |
| 一种基于时间反演的DOA定位方法 | 2020-05-08 | 362 |
| 一种家电设备的配网方法和家电设备 | 2020-05-08 | 932 |
| 光照值上报方法、装置、存储介质及移动终端 | 2020-05-08 | 887 |
| 具有改善的线性度的放大设备 | 2020-05-11 | 864 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
分析报告
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
QQ群二维码
意见反馈
意见反馈