[发明专利]一种慢病智能化管理方法及系统

权利要求书

1.一种慢病智能化管理方法，其特征在于：包括以下步骤：

步骤S1、患者端获取目标患者的历史病情表征数据，并利用LSTM神经网络基于历史病情表征数据构建病情预测模型以预测目标患者的未来病情表征数据，再基于未来病情表征数据量化出目标患者的未来病情波动程度；

步骤S2、患者端将所述未来病情波动程度同步传输至医疗端；

步骤S3、医疗端评估目标患者的所述未来病情波动程度，并基于历史病情表征数据和历史病情处理意见构建意见辅助模型，其中，

当所述未来病情波动程度超过病情波动程度阈值的目标患者，则将目标患者的未来病情表征数据反馈给目标医生，再基于意见辅助模型和未来病情波动程度辅助目标医生制定未来病情处置意见及未来病情随访时间；

当所述未来病情波动程度超过病情波动程度阈值的目标患者，则将目标患者的历史病情处理意见及历史病情随访时间制定为未来病情处置意见及未来病情随访时间；

步骤S4、医疗端将所述未来病情处置意见及未来病情随访时间同步传输至患者端，患者端依据未来病情处置意见及未来病情随访时间监督患者服药和复诊，以根据病情变化预见性实现对目标患者病情的处置意见和随访时间的预见性调整来保障目标患者的病情稳定。

2.根据权利要求1所述的一种慢病智能化管理方法，其特征在于：所述利用LSTM神经网络基于历史病情表征数据构建病情预测模型以预测目标患者的未来病情表征数据，包括：

将历史病情表征数据中每个时序的病情表征数据量化为第一训练序列，所述第一训练序列为其中，分别表征为历史病情表征数据中位于时序t_i、t_i+k处的病情表征数据，t_i、t_i+k分别表征为历史病情表征数据中的第i、i+k个时序，k∈[1,n-i]，n表征为历史病情表征数据中的时序总数目，k、i为计量常数，input、out分别表征为第一训练序列的输入项和输出项标识符；

将分别作为LSTM神经网络的输入项和输出项对LSTM神经网络进行模型训练得到LSTM网络模型；

依所述历史病情表征数据的时序依次获取所述目标患者的历史身体机能表征数据，并基于历史身体机能表征数据计算出身体机能的衰减率，所述衰减率的计算公式包括：

式中，I表征为衰减率，分别表征为历史身体机能表征数据在时序t_i+1、t_i处的身体机能表征数据，t_i、t_i+1分别表征为历史身体机能表征数据中的第i、i+1个时序，i为计量常数，表征为和的欧几里得距离，表征为和0向量的欧几里得距离；

将所述衰减率作为LSTM网络模型的衰减系数叠加至LSTM网络模型上得到所述病情预测模型，所述病情预测模型的函数表达式为：

out＝(1-I*Δt)*LSTM(input)；

式中，Δt表征为out数据序列中时序与input数据序列中时序的最小时差，LSTM为LSTM神经网络。

3.根据权利要求2所述的一种慢病智能化管理方法，其特征在于：所述基于未来病情表征数据量化出目标患者的未来病情波动程度，包括：

将未来病情表征数据与历史病情表征数据的差值在所述未来病情表征数据上的占比作为未来病情波动程度，所述未来病情波动程度的计算公式为：

式中，表征为未来时序t_n+j的病情波动程度，分别表 征为未来时序t_n+j、t_n+j-1处的病情表征数据，表征为 和的欧几里得距离，表征为和0向量的欧几 里得距离，j∈[1,+∞]，j为计量常数。