一种神经内科临床护理安全隐患分析方法及系统转让专利
申请号 : CN202110670916.8
文献号 : CN113314201B
文献日 : 2022-05-13
发明人 : 张瑾
申请人 : 南通市第一人民医院
摘要 :
权利要求 :
1.一种神经内科临床护理安全隐患分析方法,其中,所述方法包括:获得第一用户的病理指标集合;
根据主成分分析法从所述第一用户的病理指标集合中获得第一病理指标和第二病理指标;
将所述第一病理指标和所述第二病理指标输入第一疾病确定模型,获得所述第一用户的诊断疾病信息;
获得第N用户的诊断疾病信息;
根据所述第一用户直到所述第N用户的诊断疾病信息,构建诊断疾病数据集;
根据所述诊断疾病数据集,获得所述诊断疾病数据集中各疾病的运动能力特征、精神状态特征、语言能力特征;
根据所述运动能力特征、所述精神状态特征、所述语言能力特征,获得第一根节点特征;
根据所述第一根节点特征和所述诊断疾病数据集,构建诊断疾病分类决策树;
根据所述诊断疾病分类决策树,对所述诊断疾病数据集进行分类,获得第一分类结果;
根据所述第一分类结果,获得不同类别的神经内科临床护理安全隐患标准;
根据所述不同类别的神经内科临床护理安全隐患标准,获得所述第一用户的神经内科临床护理安全隐患标准;
根据所述第一用户的神经内科临床护理安全隐患标准对所述第一用户的临床护理安全隐患进行分析处理。
2.如权利要求1所述的方法,其中,所述根据主成分分析法从所述第一用户的病理指标集合中获得第一病理指标和第二病理指标,包括:获得所述第一用户的病理指标集合的第一病理指标数据集;
对所述第一病理指标数据集进行去中心化处理,获得第二病理指标数据集;
获得所述第二病理指标数据集的第一协方差矩阵;
通过矩阵运算,求出所述第一协方差矩阵的特征值及特征向量,且每一特征值对应一个特征向量;在求出的第一特征向量中,选取最大的前K个特征值及其对应的特征向量,并将第一特征数据集中的原始特征投影到所选取的特征向量之上,得到降维之后的第一特征数据集;
将所述第一特征数据集投影到所述第一特征向量,获得第一降维病理指标数据集,其中所述第一降维病理指标数据集为所述第一特征数据集降维之后获得的特征数据集;
根据所述第一降维病理指标数据集,获得第一病理指标和第二病理指标。
3.如权利要求1所述的方法,其中,所述根据所述运动能力特征、所述精神状态特征、所述语言能力特征,获得第一根节点特征,包括:对所述运动能力特征进行信息论编码运算,获得运动能力特征信息熵;
对所述精神状态特征进行信息论编码运算,获得精神状态特征信息熵;
对所述语言能力特征进行信息论编码运算,获得语言能力特征信息熵;
将所述运动能力特征信息熵、所述精神状态特征信息熵和所述语言能力特征信息熵按照熵的大小进行顺序排列,获得所述第一根节点特征。
4.如权利要求1所述的方法,其中,所述根据所述第一用户的神经内科临床护理安全隐患标准对所述第一用户的临床护理安全隐患进行分析处理,包括:获得所述第一用户的第一数据采集信息,所述第一数据采集信息包括监控信息、体征检测信息;
判断所述第一用户的所述第一数据采集信息是否满足所述第一用户的神经内科临床护理安全隐患标准;
如果所述第一用户的所述第一数据采集信息不满足所述第一用户的神经内科临床护理安全隐患标准,获得第一提醒信息,所述第一提醒信息用于提醒所述第一用户的神经内科临床护理存在安全隐患。
5.如权利要求1所述的方法,其中,所述方法包括:根据所述第一用户的神经内科临床护理安全隐患标准,获得第一环境影响因素和第二环境影响因素;
将所述第一环境影响因素和所述第二环境影响因素输入环境隐患评估分析模型,获得第一环境隐患分析结果;
判断所述第一环境隐患分析结果是否满足所述第一用户的神经内科临床护理安全隐患标准;
如果所述第一环境隐患分析结果不满足所述第一用户的神经内科临床护理安全隐患标准,获得第二提醒信息,所述第二提醒信息用于提醒所述第一用户的护理环境存在安全隐患。
6.如权利要求1所述的方法,其中,所述将所述第一病理指标和所述第二病理指标输入第一疾病确定模型,获得所述第一用户的诊断疾病信息,包括:将所述第一病理指标和所述第二病理指标作为输入信息输入第一疾病确定模型;
通过作为训练数据的所述第一病理指标和所述第二病理指标对神经网络进行训练,获得所述第一疾病确定模型;
获得所述第一疾病确定模型的输出结果,所述输出结果包括所述第一用户的诊断疾病信息。
7.一种神经内科临床护理安全隐患分析系统,其中,所述系统包括:第一获得单元,所述第一获得单元用于获得第一用户的病理指标集合;
第二获得单元,所述第二获得单元用于根据主成分分析法从所述第一用户的病理指标集合中获得第一病理指标和第二病理指标;
第三获得单元,所述第三获得单元用于将所述第一病理指标和所述第二病理指标输入第一疾病确定模型,获得所述第一用户的诊断疾病信息;
第四获得单元,所述第四获得单元用于获得第N用户的诊断疾病信息;
第一构建单元,所述第一构建单元用于根据所述第一用户直到所述第N用户的诊断疾病信息,构建诊断疾病数据集;
第五获得单元,所属第五获得单元用于根据所述诊断疾病数据集,获得所述诊断疾病数据集中各疾病的运动能力特征、精神状态特征、语言能力特征;
第六获得单元,所述第六获得单元用于根据所述运动能力特征、所述精神状态特征、所述语言能力特征,获得第一根节点特征;
第二构建单元,所述第二构建单元用于根据所述第一根节点特征和所述诊断疾病数据集,构建诊断疾病分类决策树;
第七获得单元,所属第七获得单元用于根据所述诊断疾病分类决策树,对所述诊断疾病数据集进行分类,获得第一分类结果;
第八获得单元,所述第八获得单元根据所述第一分类结果,获得不同类别的神经内科临床护理安全隐患标准;
第九获得单元,所述第九获得单元用于根据所述不同类别的神经内科临床护理安全隐患标准,获得所述第一用户的神经内科临床护理安全隐患标准;
第一执行单元,所述第一执行单元用于根据所述第一用户的神经内科临床护理安全隐患标准对所述第一用户的临床护理安全隐患进行分析处理。
8.一种神经内科临床护理安全隐患分析系统,包括:处理器,所述处理器与存储器耦合,所述存储器用于存储程序,当所述程序被所述处理器执行时,使得系统以执行如权利要求1至6任一项所述的方法。
说明书 :
一种神经内科临床护理安全隐患分析方法及系统
技术领域
背景技术
十分受重视,其专科护理是临床护理学的重要组成部分,合格的护理质量对保障神经内科
病人正常治疗和良好康复有着重要的意义。
害到患者的健康。现在主要依靠过往护理经验排除安全隐患,加强护理人员的素质培训,由
相关专家分析并防范潜在隐患,规范护理服务行为。
发明内容
题,通过主成分分析获取病房中所有患者的疾病信息,并提取患者身上对应的疾病特征,再
依据疾病特征构建决策树,进而对疾病进行分类,针对不同类别的疾病分别获取对应的安
全隐患标准,最后根据相关隐患标准对患者状况进行分析,使用智能化系统提高了分析决
策的速度,达到了得到效率更高且全面的安全隐患分析结果的技术效果。
指标集合中获得第一病理指标和第二病理指标;将所述第一病理指标和所述第二病理指标
输入第一疾病确定模型,获得所述第一用户的诊断疾病信息;获得第N用户的诊断疾病信
息;根据所述第一用户直到所述第N用户的诊断疾病信息,构建诊断疾病数据集;根据所述
诊断疾病数据集,获得所述诊断疾病数据集中各疾病的运动能力特征、精神状态特征、语言
能力特征;根据所述运动能力特征、所述精神状态特征、所述语言能力特征,获得第一根节
点特征;根据所述第一根节点特征和所述诊断疾病数据集,构建所述诊断疾病分类决策树;
根据所述诊断疾病分类决策树,对所述诊断疾病数据集进行分类,获得第一分类结果;根据
所述第一分类结果,获得不同类别的神经内科临床护理安全隐患标准;根据所述不同类别
的神经内科临床护理安全隐患标准,获得所述第一用户的神经内科临床护理安全隐患标
准;根据所述第一用户的神经内科临床护理安全隐患标准对所述第一用户的临床护理安全
隐患进行分析处理。
获得单元,所述第二获得单元用于根据主成分分析法从所述第一用户的病理指标集合中获
得第一病理指标和第二病理指标;第三获得单元,所述第三获得单元用于将所述第一病理
指标和所述第二病理指标输入第一疾病确定模型,获得所述第一用户的诊断疾病信息;第
四获得单元,所述第四获得单元用于获得第N用户的诊断疾病信息;第一构建单元,所述第
一构建单元用于根据所述第一用户直到所述第N用户的诊断疾病信息,构建诊断疾病数据
集;第五获得单元,所属第五获得单元用于根据所述诊断疾病数据集,获得所述诊断疾病数
据集中各疾病的运动能力特征、精神状态特征、语言能力特征;第六获得单元,所述第六获
得单元用于根据所述运动能力特征、所述精神状态特征、所述语言能力特征,获得第一根节
点特征;第二构建单元,所述第二构建单元用于根据所述第一根节点特征和所述诊断疾病
数据集,构建所述诊断疾病分类决策树;第七获得单元,所属第七获得单元用于根据所述诊
断疾病分类决策树,对所述诊断疾病数据集进行分类,获得第一分类结果;第八获得单元,
所述第八获得单元根据所述第一分类结果,获得不同类别的神经内科临床护理安全隐患标
准;第九获得单元,所述第九获得单元用于根据所述不同类别的神经内科临床护理安全隐
患标准,获得所述第一用户的神经内科临床护理安全隐患标准;第一执行单元,所述第一执
行单元用于根据所述第一用户的神经内科临床护理安全隐患标准对所述第一用户的临床
护理安全隐患进行分析处理。
行所述程序时实现第一方面任一项所述方法的步骤。
指标输入第一疾病确定模型,获得所述第一用户的诊断疾病信息;获得第N用户的诊断疾病
信息;根据所述第一用户直到所述第N用户的诊断疾病信息,构建诊断疾病数据集;根据所
述诊断疾病数据集,获得所述诊断疾病数据集中各疾病的运动能力特征、精神状态特征、语
言能力特征;根据所述运动能力特征、所述精神状态特征、所述语言能力特征,获得第一根
节点特征;根据所述第一根节点特征和所述诊断疾病数据集,构建所述诊断疾病分类决策
树;根据所述诊断疾病分类决策树,对所述诊断疾病数据集进行分类,获得第一分类结果;
根据所述第一分类结果,获得不同类别的神经内科临床护理安全隐患标准;根据所述不同
类别的神经内科临床护理安全隐患标准,获得所述第一用户的神经内科临床护理安全隐患
标准;根据所述第一用户的神经内科临床护理安全隐患标准对所述第一用户的临床护理安
全隐患进行分析处理的技术方案,达到了通过主成分分析获取病房中所有患者的疾病信
息,并提取患者身上对应的疾病特征,再依据疾病特征构建决策树,进而对疾病进行分类,
针对不同类别的疾病分别获取对应的安全隐患标准,最后根据相关隐患标准对患者状况进
行分析。使用智能化系统提高了分析决策的速度,进而得到效率更高且全面的安全隐患分
析结果的技术效果。
更明显易懂,以下特举本申请的具体实施方式。
附图说明
19,第八获得单元20,第九获得单元21,第一执行单元22,电子设备300,存储器301,处理器
302,通信接口303,总线架构304。
具体实施方式
题,通过主成分分析获取病房中所有患者的疾病信息,并提取患者身上对应的疾病特征,再
依据疾病特征构建决策树,进而对疾病进行分类,针对不同类别的疾病分别获取对应的安
全隐患标准,最后根据相关隐患标准对患者状况进行分析,使用智能化系统提高了分析决
策的速度,达到了得到效率更高且全面的安全隐患分析结果的技术效果。
十分受重视,其专科护理是临床护理学的重要组成部分,合格的护理质量对保障神经内科
病人正常治疗和良好康复有着重要的意义。在临床护理工作中,护理安全管理是护理管理
的重点,在神经内科病房中的患者大多数都是病情重、住院时间长、预后差、致残率高,导致
护理中的不安全隐患时常存在,危害到患者的健康。现在主要依靠过往护理经验排除安全
隐患,加强护理人员的素质培训,由相关专家分析并防范潜在隐患,规范护理服务行为,但
现有技术中存在由于人力分析的不稳定性,导致分析结果不够全面和效率较低的技术问
题。
中获得第一病理指标和第二病理指标;将所述第一病理指标和所述第二病理指标输入第一
疾病确定模型,获得所述第一用户的诊断疾病信息;获得第N用户的诊断疾病信息;根据所
述第一用户直到所述第N用户的诊断疾病信息,构建诊断疾病数据集;根据所述诊断疾病数
据集,获得所述诊断疾病数据集中各疾病的运动能力特征、精神状态特征、语言能力特征;
根据所述运动能力特征、所述精神状态特征、所述语言能力特征,获得第一根节点特征;根
据所述第一根节点特征和所述诊断疾病数据集,构建所述诊断疾病分类决策树;根据所述
诊断疾病分类决策树,对所述诊断疾病数据集进行分类,获得第一分类结果;根据所述第一
分类结果,获得不同类别的神经内科临床护理安全隐患标准;根据所述不同类别的神经内
科临床护理安全隐患标准,获得所述第一用户的神经内科临床护理安全隐患标准;根据所
述第一用户的神经内科临床护理安全隐患标准对所述第一用户的临床护理安全隐患进行
分析处理。
一用户疾病实时状况的指标信息集合。举不设限的一例如所述第一用户的疾病是脑溢血,
则因为造成脑溢血的主要原因就是血糖急性升高,则此时的病理指标信息主要为血糖含
量、蛋白尿、血压、心电图等。通过存储所述第一用户的病理指标,有助于对所述第一用户的
病情实时状况得以掌握,也为后步的进程提供了信息基础。
变量的信息的统计方法,是数学上用来降维的一种方法,换句话说,因为在变量过多的情况
下会导致数据过于冗杂,而所述主成分分析法的作用就是对于提出的所有变量,将重复的
变量和关系紧密的变量删减,建立尽可能少的新变量,且新变量之间两两无关但是又可以
反馈出未删除变量之前的原有信息,即减少工作量的同时保证工作效果。进一步的,所述第
一病理指标和所述第二病理指标指的就是利用所述主成分分析法对所述第一用户的病理
指标集合进行处理,获得的可以表征所述第一用户病情实时状况的降维变量。仍以上述脑
溢血为例子,脑溢血相关的所述病理指标有血糖含量、心电频率、颅内血压、面部麻木、嗜
睡、蛋白尿等,由于脑溢血的直观原因是血糖含量急剧升高,而血压和血糖含量升高为正相
关,所以只需要保留血糖含量,此外面部麻木、嗜睡都是外在表现,造成的因素太多,所以删
除,此处阐述原理具体的数据计算不做限定。经主成分分析后,以血糖含量作为所述第一病
理指标;蛋白尿作为所述第二病理指标。通过主成分分析法对所述第一用户的病理指标信
息集进行降维,提高了进程运算的效率。
用户疾病状况的结果,所述第一疾病确定模型是以神经网络模型为基础建立,具有神经网
络模型的特性,其中,人工神经网络是在现代神经科学的基础上提出和发展起来的,旨在反
映人脑结构及功能的一种抽象数学模型,神经网络是一种运算模型,由大量的节点(或称神
经元)之间相互连接构成,每个节点代表一种特定的输出函数称为激励函数,每两个节点之
间的连接都代表一个对于通过该连接信号的加权值,称之为权重,这相当于人工神经网络
的记忆,网络的输出则依照网络的连接方式,是对一种逻辑策略的表达,基于神经网络模型
建立的所述第一疾病确定模型能够输出准确的所述第一用户的诊断疾病信息,从而具备了
较强的分析计算能力,达到了准确而高效的技术效果。
信息,直到最后一个所述第N用户的所述第一病理指标信息和所述第二病理指标信息。进一
步,分别输入所述第一疾病确定模型,得到所述第二用户的诊断疾病信息,所述第三用户的
疾病诊断信息,直到所述第N用户的诊断疾病信息。所述诊断疾病数据集指的将所得数据进
行存储并等待调用的数据集,存储方式举不设限的一例:使用云端数据库的方式将所述第
一用户到所述第N用户的病理指标信息和对应的所述诊断疾病信息优选双向列表的形式进
行存储,使得在出现相同的病理指标信息和对应的诊断疾病信息时可以相互调用。云数据
库是部署和虚拟化在云计算环境中的数据库,它极大地增强了数据库的存储能力,消除了
人员、硬件、软件的重复配置,让软、硬件升级变得更加容易,且,可以降低投入成本。
信息,例如运动能力、精神能力、语言能力等数据;所述运动能力特征、所述精神状态特征、
所述语言能力特征指的是在所述病理指标信息出现异常状况时,所述第一用户到所述第N
用户外在运动能力、精神能力、语言能力的表现情况。仍以脑溢血为例,若是血糖含量超过
10mmol/L,则外在的表现形式为运动能力明显较弱,耐力缺乏,嗜睡,注意力不集中等信息。
通过将所述第一用户到所述第N用户的外在表现状况可以分析其存在的安全隐患,并有利
于提前针对性防治。
个所述第一根节点特征;所述诊断疾病分类决策树模型是一种对所述第一根节点特征和所
述诊断疾病数据集进行分类的树形结构,其由结点和有向边组成,而结点也分成内部结点
和叶结点两种,内部结点表示的是一个特征和一个属性,叶结点表示具体的一个分类,通过
所述第一根节点,即通过监测所述第一用户的实时的外在表现状况,可以对所述第一用户
到所述第N用户身体内部出现的对应病理指标信息进行并分类存储,得到的结果就是所述
第一分类结果,根据所述第一分类结果就可以得到可能出现的对应的所述第一用户的病理
指标值,进而预测可能存在的恶化情况,并发出警报即可采取防治措施。
间,若是在区间内但是有往区间端值靠近的趋势或者不在正常区间之内为非正常区间,都
为神经内科临床护理安全隐患标准值,将不同类别的病理指标对应的神经内科临床护理安
全隐患标准和对应的所述第一分类结果进行存储,优选的存储至云数据库;进一步的,所述
第一用户的神经内科临床护理安全隐患标准指的是根据所述第一用户的所述第一分类结
果得到对应的病理指标信息的非正常区间和正常区间值;更进一步的,将所述第一分类结
果中的病理指标值和所述第一用户的神经内科临床护理安全隐患标准进行比对,若是为非
正常区间,则发出存储安全隐患的通知,可选的方式有将预警信息发送给护理人员,发出警
报等;若是为正常区间,则继续正常工作,监控所述第一用户。
取对应的安全隐患标准,最后根据相关隐患标准对患者状况进行分析,使用智能化系统提
高了分析决策的速度,得到效率更高且全面的安全隐患分析结果的技术效果。
各病理指标数据进行中心化处理,首先求解所述第一病理指标数据集中各病理指标的平均
值,然后对于所有的样本,每一个病理指标都减去自身的均值,继而获得新的病理指标值,
由新的病理指标值构成所述第二病理指标数据集,所述第二病理指标数据集为一数据矩
阵。通过协方差公式:
均值; 为所述第二病理指标数据集中的样本数据总量。继而通过矩阵运算,求出所述第一
协方差矩阵的特征值及特征向量,且每一特征值对应一个特征向量。在求出的所述第一特
征向量中,选取最大的前K个特征值及其对应的特征向量,并将所述第一特征数据集中的原
始特征投影到所选取的特征向量之上,得到降维之后的所述第一特征数据集。进一步的,使
用降维后的所述第一特征数据集构建所述第一降维病理指标数据集,获得所述第一病理指
标和所述第二病理指标。通过主成分分析法对数据库中的病理指标数据进行降维处理,在
保证信息量的前提下,剔除冗余数据,使得数据库中病理指标数据的样本量减小,且降维后
信息量损失最小,从而加快训练模型对于数据的运算速度。
合信息的度量方式称为所述信息熵,熵是定义一个随机变量不确定性的度量,所述信息熵
越小,则代表信息增益就越大,则对信息增益大的随机变量作为根节点进行属性划分。
所述精神状态特征、所述语言能力特征分别进行编号,组成K元类别,将正常区间特征记为
1,非正常区间特征记为0。
息熵计算公式可选为:
进行特征划分,进一步的,对划分的子结点的特征信息继续计算信息熵,若是与其他的特征
信息熵相等,则可将其他的特征信息作为子节点,最终构建所述分类决策树模型。通过所述
分类决策树模型将所述第一用户到所述第N用户的所述运动能力特征、所述精神状态特征、
所述语言能力特征信息量化,并使用分类决策树模型学习分类,获得所述第一分类结果能
够表现所述第一用户到所述第N用户实时的特征信息表现状况,并依据所述诊断疾病数据
集,得到对应的所述病理指标数据,精准且及时的观测其是否存在安全隐患。
户的神经内科临床护理存在安全隐患。
息和所述第一用户的神经内科临床护理安全隐患标准进行比对,看所述第一用户的各项信
息是否处在正常区间之内,若是在,则所述第一用户的所述第一数据采集信息满足所述第
一用户的神经内科临床护理安全隐患标准,继续监测;若是不在,则发出所述第一提醒信
息,提醒所述第一用户的神经内科临床护理存在安全隐患。通过对所述第一用户的数据实
时采集和通过对所述第一分类结果分析相结合,可以更加准确的推断所述第一用户存在的
安全隐患,并有进一步及时的加以防治。
境存在安全隐患。
有护栏、室内通风不好,对于呼吸困难者造成窒息风险、看护太少使得老年痴呆者走失等。
所述环境隐患评估分析模型是基于神经网络模型训练的无监督学习聚类模型,可以在输入
所述第一环境影响因素和所述第二环境影响因素并对之进行评估分析,针对性将环境因素
对所述第一用户的影响进行等级划分,划分的等级和所述第一用户的神经内科临床护理安
全隐患标准的等级相对应,若是所述环境隐患评估分析模型划分的评估等级在所述第一用
户的神经内科临床护理安全隐患标准的安全等级之外,则表明存在安全隐患,进而发出所
述第二提醒信息用于提醒所述第一用户的护理环境存在安全隐患。通过所述环境隐患评估
分析模型对所述第一用户的环境因素进行评估,得到对应的风险隐患等级,并将之与所述
第一用户的神经内科临床护理安全隐患标准的等级比对,分析所述第一用户的安全潜在隐
患,并及时发出提醒信息进行调整,将环境因素加入之安全隐患的考虑范围内,使得分析结
果达到了更加全面和准确的技术效果。
学习系统。其中,它能根据训练数据进行不断的自我训练学习,所述多组中的训练数据中的
每一组训练数据均包括:所述第一病理指标集合信息、所述第二病理指标信息。所述第一疾
病确定模型不断地自我的修正,当所述第一疾病确定模型的输出信息达到预定的准确率/
收敛状态时,则非监督学习过程结束。通过对所述第一疾病确定模型进行数据训练,使得所
述第一疾病确定模型处理输入数据更加准确,进而使得输出的所述第一用户的诊断疾病信
息也更加准确,达到了准确获得数据信息,提高评估结果智能化的技术效果。
获取对应的安全隐患标准,最后根据相关隐患标准对患者状况进行分析,使用智能化系统
提高了分析决策的速度,得到效率更高且全面的安全隐患分析结果的技术效果。
小,从而加快训练模型对于数据的运算速度。
得所述第一分类结果能够表现所述第一用户到所述第N用户实时的特征信息表现状况,并
依据所述诊断疾病数据集,得到对应的所述病理指标数据,精准且及时的观测其是否存在
安全隐患。
统包括:
据集降维之后获得的特征数据集;
根节点特征。
第一提醒信息用于提醒所述第一用户的神经内科临床护理存在安全隐患。
于提醒所述第一用户的护理环境存在安全隐患。
器与存储器耦合,所述存储器用于存储程序,当所述程序被所述处理器执行时,使得系统以
执行第一方面任一项所述的方法
304相互连接;总线架构304可以是外设部件互连标(peripheral component
interconnect,简称PCI)总线或扩展工业标准结构(extended industry Standard
architecture,简称EISA)总线等。所述总线架构304可以分为地址总线、数据总线、控制总
线等。为便于表示,图3中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
networks,WLAN),有线接入网等。
(electrically erasable Programmable read‑only memory,EEPROM)、只读光盘(compact
disc
或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,
但不限于此。存储器可以是独立存在,通过总线架构304与处理器相连接。存储器也可以和
处理器集成在一起。
实施例提供的一种神经内科临床护理安全隐患分析方法。
中获得第一病理指标和第二病理指标;将所述第一病理指标和所述第二病理指标输入第一
疾病确定模型,获得所述第一用户的诊断疾病信息;获得第N用户的诊断疾病信息;根据所
述第一用户直到所述第N用户的诊断疾病信息,构建诊断疾病数据集;根据所述诊断疾病数
据集,获得所述诊断疾病数据集中各疾病的运动能力特征、精神状态特征、语言能力特征;
根据所述运动能力特征、所述精神状态特征、所述语言能力特征,获得第一根节点特征;根
据所述第一根节点特征和所述诊断疾病数据集,构建所述诊断疾病分类决策树;根据所述
诊断疾病分类决策树,对所述诊断疾病数据集进行分类,获得第一分类结果;根据所述第一
分类结果,获得不同类别的神经内科临床护理安全隐患标准;根据所述不同类别的神经内
科临床护理安全隐患标准,获得所述第一用户的神经内科临床护理安全隐患标准;根据所
述第一用户的神经内科临床护理安全隐患标准对所述第一用户的临床护理安全隐患进行
分析处理。通过主成分分析获取病房中所有患者的疾病信息,并提取患者身上对应的疾病
特征,再依据疾病特征构建决策树,进而对疾病进行分类,针对不同类别的疾病分别获取对
应的安全隐患标准,最后根据相关隐患标准对患者状况进行分析,使用智能化系统提高了
分析决策的速度,达到了得到效率更高且全面的安全隐患分析结果的技术效果。
述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同
时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
“至少一个”是指一个或者多个。至少两个是指两个或者多个。“至少一个”、“任意一个”或其
类似表达,是指的这些项中的任意组合,包括单项(个)或复数项(个)的任意组合。例如,a ,
b,或c中的至少一项(个、种),可以表示:a ,b,c,a ‑b,a‑c,b‑c,或a‑b‑c,其中a,b,c可以是
单个,也可以是多个。
产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或
部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计
算机、计算机网络、或者其他可编程装置。所述计算机指
数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波
等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介
质可以是计算机能够存取的任何可用介质或者是包括一个或多个可用介质集成的服务器、
数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介
质(例如,DVD)、或者半导体介质(例如固态硬盘(Solid State Disk,SSD))等。
散门或晶体管逻辑,离散硬件部件,或上述任何组合的设计来实现或操作所描述的功能。通
用处理器可以为微处理器,可选地,该通用处理器也可以为任何传统的处理器、控制器、微
控制器或状态机。处理器也可以通过计算装置的组合来实现,例如数字信号处理器和微处
理器,多个微处理器,一个或多个微处理器联合一个数字信号处理器核,或任何其它类似的
配置来实现。
器、EEPROM存储器、寄存器、硬盘、可移动磁盘、CD‑ROM或本领域中其它任意形式的存储媒介
中。示例性地,存储媒介可以与处理器连接,以使得处理器可以从存储媒介中读取信息,并
可以向存储媒介存写信息。可选地,存储媒介还可以集成到处理器中。处理器和存储媒介可
以设置于ASIC中,ASIC可以设置于终端中。可选地,处理器和存储媒介也可以设置于终端中
的不同的部件中。这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,
使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在
计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或
方框图一个方框或多个方框中指定的功能的步骤。
附权利要求所界定的本申请的示例性说明,且视为已覆盖本申请范围内的任意和所有修
改、变化、组合或等同物。显然,本领域的技术人员可以对本申请进行各种改动和变型而不
脱离本申请的范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技
术的范围之内,则本申请意图包括这些改动和变型在内。