T-CI 402-2024 慢病健康信息智能管理技术规范

ICS35.240.01CCSL67团T准TechnicalspecificationforIntelligentmanagementofchronihealthinformationIT/CI402-2024 12规范性引用文件 13术语和定义 14总体设计 25慢病数据实时监测技术 36慢病数据智能分析技术 67慢病诊断预测技术 88慢病管理系统构建技术 9T/CI402-2024本文件按GB/T1.1-2020《标准化工作导则第1部分：标准化文件的结构和起草规则》的规定起草。请注意本文件的某些内容可能涉及专利。本文件的发布机构不承担识别这些专利的责任。本文件由河南科技大学提出。本文件由中国国际科技促进会归口。本文件起草单位：河南科技大学、河南科技大学第一附属医院、同济大学、河南省洛阳正骨医院（河南省骨科医院）、东南大学、广州市香雪制药股份有限公司、慧医谷中医药科技（天津）股份有限公司、深圳市人民医院、河南群智信息技术有限公司。本文件主要起草人：吴庆涛、张明川、郑瑞娟、王琳、何良华、陈阳、姜宏卫、付留俊、朱军龙、尤爱民、刘莹莹、马瑜谨、徐金锋、闫俊强、张虹、康志英、董玉舒、刘牧华、刘江辉、贾竹敏、李美雯、王斌、孙涛、陈立新、冯嘉美、盛媛媛、王辉、杨玉媚、郭影、林小璇。本文件为首次发布。1T/CI402-2024慢病健康信息智能管理技术规范本文件规定了慢病健康信息智能管理的慢病实时监测、慢病数据智能分析、慢病诊断预测、慢病管理系统构建等关键技术的信息。本文件适用于慢病健康信息的智能化管理,也可作为智慧医疗系统设计与研究的技术参考。2规范性引用文件下列文件中的内容通过文中的规范性引用而构成本文件的必不可少的条款。其中，注日期的引用文件，仅该日期对应的版本适用于本文件；不注日期的引用文件，其最新版本（包括所有的修改单）适用于本文件。GB/T20271信息安全技术信息系统通用安全技术要求GB/T29261.3信息技术自动识别和数据采集技术词汇第3部分：射频识别GB/T33008.1工业自动化和控制系统网络安全可编程序控制器（PLC）第1部分：系统要求GB/T36622.2智慧城市公共信息与服务支撑平台第2部分：目录管理与服务要求GB/T36622.3智慧城市公共信息与服务支撑平台第3部分：测试要求GB/T37033.3信息安全技术射频识别系统密码应用技术要求第3部分：密钥管理技术要求GB/T38668智能制造射频识别系统通用技术要求GB/T40028.2智慧城市智慧医疗第2部分：移动健康3术语和定义GB/T38668、GB/T33008.1、GB/T20271、GB/T29261.3、GB/T37033.3、GB/T40028.2、GB/T36622.3、GB/T36622.2界定的以及下列术语和定义适用于本文件。3.1智能织物e-textile指融合了可穿戴计算、接口设计和纺织工程等多项技术的新型的可穿戴设备。2T/CI402-20243.2慢性疾病chronicDiseases,CDs指长期积累等原因形成疾病的总称。3.3数字化协同管理模型Pathway-driveneHealthbasedIntegratedCareModel，PEICM指通过数字技术和信息系统优化组织内外协同工作流程，实现高效管理和团队协作的框架。3.4反向传播神经网络backPropagationNeuralNetwork指一种按误差逆传播算法训练的多层前馈网络，一般由输入层、隐藏层、输出层组成。3.5支持向量机supportvectormachines,SVM指一种机器学习算法，用于进行分类和回归分析，找到一个最优的超平面，将不同类别的样本分开。3.6人工智能artificialIntelligence,AI指研究、开发用于模拟、延伸和扩展人的智能的理论、方法及应用系统的一门新的技术科学。4总体设计4.1基本要求4.1.1对标国家重大需求。以国家需求为研究命题导向，以研究成果转化落地为研究目标。4.1.2结合最新的科研成果和技术创新。为未来的慢病管理提供有力支持，确保标准具有前瞻性和可持续性。4.1.3密切联系实际情况。具有一定的灵活性，允许根据具体情况进行调整和定制，以确保技术的实际应用效果。4.2慢病健康信息智能管理技术总体思路介绍慢病数据实时监控技术，慢病数据智能分析技术，慢病诊断预测技术和慢病管理系统构建技术是慢病健康信息智能管理技术的组组成部分。慢病健康信息的管理应从慢病健康数据的实时监控出发，使用穿戴式医疗设备对慢病健康数据进行实时采集，通过网络传输到慢病3T/CI402-2024健康信息大数据平台。使用人工智能技术对慢病数据进行智能分析，为慢病的诊断和预测提供依据。构建慢病管理系统，对患者的医疗健康数据进行管理、分析和应用，以提高慢性疾病的管理和治疗效果，降低医疗成本和患者负担。由于慢病健康信息智能管理涉及的技术种类繁多、分工各异、功能复杂等特点。慢病健康信息智能管理技术是解决健康信息管理的关键。最后，为贯彻产研相结合的理念，将该信息智能管理技术应用于慢病患者的实际治疗中，以应用实践反馈作为改进方向，形成良性循环。5慢病数据实时监测技术5.1可穿戴设备监控技术5.1.1基于智能织物的健康数据采集技术5.1.1.1数据采集：通过在布块中集成生理传感器，如导电聚合物涂层织物和碳加载的热塑性弹性体纤维，实现了对人体生理信号和生物力学参数的有效采集。5.1.1.2信息处理：布块内的处理器负责对传感器采集的信息进行处理和判断，实现对外界环境变化的感知和信息的分类分析。5.1.1.3自适应：智能织物具备自调节功能，通过处理器发出指令，调整材料状态以适应外界环境变化，从而提高穿戴者的舒适度。5.1.1.4生理参数监测：可作为传感单元，用于捕获和分类不同姿势，支持上肢神经康复训练。将生物传感器集成到衣物中，实现对人体生理参数的实时监测，对心脑血管疾病等的治疗和预防起到了重要作用。5.1.1.5设计因素：设计智能织物时，除了技术功能，舒适性、耐用性以及数据安全和隐私等因素也需综合考虑，为健康领域提供创新而全面的解决方案。5.1.2基于生物电极的健康数据采集技术5.1.2.1数据采集：选择合适的生物传感器，建立数据采集系统进行信号处理和记录，以及实现实时监测和长期追踪。5.1.2.2系统结构：数据采集系统包括硬件和软件，用于连接传感器、进行信号转换以及存储、分析和可视化数据。5.1.3基于传感器的健康数据采集技术5.1.3.1传感器组成：传感器由敏感元件和转换元件组成。5.1.3.2传感器要求：灵敏度、分辨率等；绝缘性好；不能对身体带来损伤；不易脱落，有较高的牢固性。4T/CI402-20245.1.3.3数据采集：将声、光、热、压力、位移、加速度等非电学物理量或人类无法感知的生理信息转换成电信息。5.2数据采集与处理技术5.2.1数据采集在数据采集方面，要求设备在采集数据时，必须保证数据的精度和频率，以适应不同用户的需求和活动状态。5.2.2数据处理5.2.2.1数据清洗：对原始数据进行清洗，去除其中的异常值和重复值，以提高数据质量。5.2.2.2分类存储：将清洗后的数据按照不同的类型和活动状态进行分类存储，以便后续的数据分析和应用。5.2.2.3数据分析：通过对这些数据的统计分析、趋势预测等，可以为用户提供个性化的健康建议和运动指导。5.2.2.4兼容性：考虑设备的兼容性、数据传输的稳定性以及用户界面的友好性等因素。要求设备能够适配不同的操作系统和终端设备，确保数据传输的稳定性，避免因网络问题导致的数据丢失或延迟。5.3慢病实时监测系统5.3.1用户管理模块5.3.1.1注册与认证：通过客户端实现用户注册和首次实名认证。5.3.1.2信息管理：管理医疗专家、家庭健康终端、医疗服务机构信息，支持用户数据互联互通。5.3.2数据监测模块5.3.2.1生理参数采集：使用便捷式采集装备测量血压、血糖、体温等生理参数。5.3.2.2可视化呈现：将生理参数以可视化、数字化形式呈现，提供直观监测数据。5.3.3实时响应控制5.3.3.1实时监测与预警：系统能够实时监测用户的生理参数，并在参数超出正常范围时及时发出预警，以便用户或医疗专家迅速作出应对。5.3.3.2动态调整数据采集频率：根据用户的生理状态和历史数据，系统可以动态调整数据采集的频率，确保在关键时刻获得足够的数据。5T/CI402-20245.3.3.3实时数据反馈：用户或医疗专家可以实时查看最新的监测数据，确保信息的时效性和准确性5.3.4虚拟脱敏技术5.3.4.1隐私保护：虚拟脱敏技术可以对用户的敏感数据进行脱敏处理，如将具体的生理数值转换为相对值或区间，以保护用户的隐私。5.3.4.2数据安全性：通过虚拟脱敏，即使数据在传输或存储过程中被截获，攻击者也无法获得用户的真实信息，大大提高了数据的安全性。5.3.4.3合规性支持：在符合相关法律法规的前提下，虚拟脱敏技术可以帮助系统处理敏感数据，确保数据的合法使用。5.3.5数据传输模块5.3.5.1局域网传输：在局域网环境下，监测数据传送至本地存储数据库，确保数据不丢失。5.3.5.2移动网络传输：在移动网络环境下，实现监测数据直接传输到云平台数据库，实现实时传输。5.3.6平台数据处理模块5.3.6.1接收与存储：平台数据处理中心接收并存储通过物联网、移动网络传送的监测数据信息。5.3.6.2数据分析：为用户建立个人病案，结合监测数据进行综合数据分析。5.3.6.3图表呈现：以多种图表形式呈现分析数据，如折线图、面积图等。5.3.7数据反馈模块5.3.7.1查看与上传：用户通过手机APP或客户端查看监测数据，并通过APP上传反馈信息。5.3.7.2更新与处理：后台对反馈信息进行数据更新和处理，以提升患者体验。5.3.8慢病监控系统整体架构慢病监控系统整体架构如图1所示。6T/CI402-2024图1慢病监测系统整体框架6慢病数据智能分析技术6.1基于本体的模型知识表达在慢病分析过程中，本体构建需明确表示慢性疾病领域的关键概念，包括病种、症状、治疗方法等，要考虑慢性疾病数据中各种概念之间的复杂关系。本体应准确地表达慢性疾病可能与遗传因素、生活方式、环境因素等方面的关系，以提供全面的数据理解，本体能够进行慢病精准诊疗管理，搭建底层基础架构。6.2特征提取方法6.2.1慢病数据特征慢性疾病数据往往涉及到不同数据源的信息，例如生理参数、医学影像、实验室检测等。数据通常是高维度的，涉及多个变量和参数。特征提取方法需要能够处理这些多源异构的数据集，将不同数据源的特征有效地整合和提取，具备处理高维度数据的能力，能够识别和提取对慢性疾病分析有关的关键特征。6.2.2特征选择标准特征选择标准是决定特征重要程度高低的标准，如果模型选取特征变量相关度低的值，则数据分类较差，会降低预测器的准确率。在预测模型中也并非特征越多越好。在慢病精准诊疗过程中需要通过特征提取方法帮助研究人员进行分析特征、理解特征，并对慢病数据特征进行降维处理，从而降低运算复杂度、提高预测模型正确率。6.2.3特征提取方法6.2.3.1过滤式方法：通过慢病数据筛选的变量排序作为变量选择的标准，再通过使用合适的慢病变量标准对变量进行评分、选择，来减少不必要的变量。6.2.3.2嵌入式方法：在慢病数据特征选择过程中需要与模型空间进行拟合，通过不断迭代，筛选较好的特征，通过自己的迭代过程融入模型学习中，从而进行特征选择。6.2.3.3包含式方法：通过学习模型作为子集评估标准，不断在特征空间中找到子集空间，然后进行评估，评估的结果可以作为一个目标函数。6.3机器学习与深度学习6.3.1机器学习机器学习算法需要大量的慢病标注数据进行训练，且数据应该涵盖慢性疾病领域的多个方面，包括不同类型的疾病、各种病例的临床信息等，同时，慢性疾病数据通常是高维的，7T/CI402-2024包含多个参数和特征。对于一个慢病样本集，可以利用SVM分类器进行分类，得到一个基于样本集的划分超平面，并通过直线分成不同的类别，通过类别划分为2类时，划分超平面的数量相对较多，其划分的直线对样本集内部发生变化时的影响也最小。6.3.2深度学习6.3.2.1人工神经网络：输入数据通过输入层采集，经过隐藏层计算，最终由输出层输出与慢性疾病相关的预测结果。在人工神经网络中，每个神经元都具有各自的权重、偏置、激活函数等参数，这些参数决定了模型的表达能力和预测效果。6.3.2.2循环神经网络：以慢性疾病患者的时间序列数据序列，如临床观察数据、生理指标变化等为输入并进行递归，隐藏层之间的节点是相互连接的，内部相邻的节点也是相互连接的，以便更好地捕捉序列数据中的时序关系和演变规律。所有循环单元按链式连接形成递归神经网络。从而预测未来的疾病发展趋势。6.4语义识别技术6.4.1文本信息提取与语义表示自然语言处理技术通过词法分析、句法分析和语义分析等方法，提取医学文献、患者病历等非结构化数据中的关键信息，如病症、治疗方案等，并进行语义表示。6.4.2语义关系抽取与知识图谱构建利用语义关系抽取技术，可以识别并建立慢性病领域中实体之间的关系，例如病因与症状的关联、治疗方法与疾病的对应关系，从而构建慢性病领域的知识图谱，为医学研究和临床决策提供支持。6.4.3语义搜索技术语义搜索技术基于语义关系和医学知识，提高医护人员对医学文献和患者资料的检索效率，为其提供更准确和相关的搜索结果，从而更快地获取所需信息。6.4.4语义推理技术通过语义推理技术，医生能够更好地理解和推断患者的病情、诊断和治疗方案。通过推理患者的病史、症状和检查结果，可以得出更全面和准确的诊断结论，为慢性病患者提供个性化的治疗建议和管理方案。6.5推荐算法6.5.1数据要求需要基于准确和完整的慢性疾病数据进行工作。这包括患者的健康历史、症状、治疗方案等8T/CI402-2024信息，还需要有明确的标签和分类信息，建立慢病健康知识库为慢病分析推荐服务提供依据。6.5.2协同过滤推荐依赖慢病患者与发病程度等相关内容的历史交互信息，其本质并不关注患者本身的特性。在协同过滤推荐算法的基础上衍生出了基于神经网络的协同过滤、基于回归模型的协同过滤等推荐方法。6.5.3基于内容的推荐算法基于内容的推荐算法是通过某种方法得到患者与慢病相关推荐的相似度，并以此为推荐的依据。6.5.4混合推荐算法混合推荐算法，将患者的特征、属性与协同过滤推荐算法融合，基于图模型的推荐方法可以作为混合推荐算法的一种，通过图嵌入学习，从而更加直观、高效地还原患者与慢病初始空间中的关系。7慢病诊断预测技术7.1构建基于大数据慢病诊断预测模型医疗决策支持技术结合机器学习技术，深入分析常见老年慢性疾病的危险因素，有效提取关键特征。进一步地，通过逻辑回归、决策树、深度学习等机器学习模型的训练，该技术构建出慢性病风险评估预测模型，模型构建图如图2所示。图2模型构建流程图9T/CI402-20247.2慢病诊断预测技术7.2.1知识图谱构建利用知识图谱技术，我们能够将原本分散、无序的数据源，依据科学的原则、方法和完整的知识体系进行组织整合，形成结构清晰的三元组形式。7.2.2迁移学习通过特征提取、微调、多任务学习、领域自适应等方式预测慢病发展趋势。在应用迁移学习时需要注意领域差异、数据偏移等问题，确保迁移的模型和知识能够适应目标任务的特点和要求。7.2.3集成学习集成学习通过投票法、平均法、堆叠法、提升法、袋装法等方式预测慢病。7.2.4强化学习强化学习在慢病预测中的应用是指通过与环境进行交互学习，以优化决策策略来达到最大化患者的健康效益。在实际应用中，需要仔细设计强化学习系统的参数设置、奖励函数设计和训练过程，以确保安全性和有效性。8慢病管理系统构建技术8.1构建慢病管理系统模型8.1.1管理分类8.1.1.1常规干预，常规干预包括诊断检出、危险评估、分级管理与常规随访。8.1.1.2异常干预，异常干预包括危险报警与依从度管理。8.1.1.3自我管理支持，自我管理支持则包括生活方式干预、用药指导与健康教育。8.1.2通用性慢病管理路径需明确问题8.1.2.1实施路径的病种。8.1.2.2路径的进入与退出标准。8.1.2.3路径变异处理。8.1.3通用性慢病管理路径8.1.3.1路径的进入标准应为诊断明确、无严重合并症且愿意接受管理的相关慢病患者；8.1.3.2路径的退出标准包括患者出现严重的不良事件、无法继续常规院外管理以及因个人原因放弃管理等；8.1.3.3标准诊疗流程所需的时间为长期管理；T/CI402-20248.1.3.4路径的变异处理在院外管理中主要体现为异常报警与依从度管理两大异常干预类共通任务，需根据具体情况采取相应的干预措施。8.1.4基于数字化协同管理模型的标准化管理流程8.1.4.1管理计划生成阶段由专科医师负责精确诊断，制定初始治疗计划。8.1.4.2患者被分配给基层医疗机构，由全科医师与个案管理师进行院外管理。8.1.4.3患者需建立个人档案，全科医师进行危险评估，细化治疗方案。8.1.4.4患者进入管理初期，在个案管理师的指导下进行自我监测。8.1.4.5根据自我监测数据和管理等级，给予不同强度的干预。8.1.5长期管理阶段8.1.5.1患者使用数字化工具进行自我监测、按时服药等。全科医师定期随访，调整治疗方案。个案管理师远程监督，主动联系异常患者或上报异常情况。8.1.5.2无法缓解时，全科医师发起转诊。此外，个案管理师进行线上宣教，增强患者的疾病意识与自我管理能力。8.2慢病管理系统访问控制与隐私保护8.2.1匿名化和脱敏系统应采用先进的匿名化和脱敏技术，