《慢病健康信息智能管理技术规范》

ICS

CCS

CI

团体标准

T/CIXXX-2023

慢病健康信息智能管理技术规范

TechnicalSpecificationforIntelligentManagementofChronicDisease

HealthInformation

（征求意见稿）

2023-X-X发布2023-X-X实施

中国国际科技促进会 发布

T/CIXXX—2023

慢病健康信息智能管理技术规范

1范围

本文件提供了慢病健康信息智能管理关键技术及应用的术语和定义、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指南。

本文件适用于慢病健康信息智能管理的研究、设计、技术路线，可作为智慧医疗系统设

计与研究的技术依据。

2规范性引用文件

本文件没有规范性引用文件。

3术语和定义

GB/T38668、GB/T4365、GB7665-87、GB/T33008.1、GB/T20271、GB/T29261.3、

GB/T37033.3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

智能织物e-textile是融合了可穿戴计算、接口设计和纺织工程等多项技术的新型的可穿

戴设备。

3.2

慢性疾病ChronicDiseases,CDs

指长期积累等原因形成疾病的总称，包括的种类很多，譬如，糖尿病、慢性呼吸系统疾

病、癌症、心脑血管疾病、中风、超重、血脂异常、类风湿病等

3.3

数字化协同管理模型Pathway­driveneHealthbasedIntegratedCareModel，PEICM

数字协同化智能管理模型是一种基于数字技术和协同化理念的管理模型，旨在通过智能

化技术实现业务流程的优化和效率的提升。该模型基于数字化的平台和工具，将各个部门或

个体的工作集中在一个数字化的环境中进行协同和管理。通过实时的信息共享、协作和互动，

可以快速响应市场变化、提高决策的准确性，并提升团队的协同效率和创新能力。

1

T/CIXXX—2023

3.4

反向传播神经网络BackPropagationNeuralNetwork

BP神经网络是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，是目前应用最广泛的神经网络模型之一。

3.5

支持向量机supportvectormachines,SVM

SVM是一种机器学习算法，用于进行分类和回归分析。SVM的基本思想是找到一个最优

的超平面，将不同类别的样本分开。在二分类问题中，SVM找到一个能够将两个类别的样本

点分隔开的超平面，使得两个类别中距离超平面最近的样本点到该超平面的距离最大化，这

些最近的样本点被称为支持向量。

3.6

人工智能ArtificialIntelligence,AI

AI是研究、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基本原则

（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。

（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。

（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

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

2

T/CIXXX—2023

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。

4.3慢病数据实时监测技术

4.3.1慢病数据实时监测技术概述

伴随医学科技的发展以及人民健康意识的提高，现代医疗模式更主张实现对“健康人”

的生命体征信息动态健康监测管理，提倡“预防重于治疗”，关注治“未病”，让病人得到个

体化、动态的医疗服务。心电、心率、脉搏、血氧饱和度、呼吸、体温、血压等这些人体基

本的生理参数与疾病的防治密切相关。从技术手段上来说，除了医院专业的医疗设备可以实

现对人体健康状态监测外，便捷、灵活的穿戴式生理参数监测系统为个性化实时的生理参数

监测提供了技术支撑平台。现代医疗模式的转变，对医疗级穿戴式微型化、智能化设备提出

了更高的要求，穿戴式生理参数监测采用微型化、智能化、高精度的各种传感器采集人体的

生理参数，实现对人体健康生理参数无创连续的实时监测，是实现全面健康和个性化医疗较

为有效的新型医疗监护模式。

在临床应用中，人体生理参数的监测需要通过传感器（电极）将人体或生物体部位的

电位引导到专业的医学测量仪器上进行生物电测量，从而实现对生命体征的健康监测，为

健康管理提供技术平台。传感器检测电极属于敏感元件，起到对生物电信号的采集及传导

等作用，是测量系统最为关键的核心部件之一，也是穿戴式监测系统中最为重要的环节之

一。

4.3.2可穿戴设备监控技术

目前，可穿戴设备被广泛的应用于健康医疗领域。而在健康医疗领域，利用可穿戴设备

监控慢病数据主要有3种方法：基于传感器、智能织物和生物电极。

（1）基于智能织物的健康数据采集技术

智能织物（e-textile）是融合了可穿戴计算、接口设计和纺织工程等多项技术的新型

的可穿戴设备。它将电子功能组件、传感器和电源等器件织入到布块中，使布块不仅具备可

穿戴和外观柔顺等常规性质，而且还具备计算、通信、提供能源等功能。智能织物的显著优

势包括：智能织物可以与人体90%的皮肤直接接触；柔性好且穿着舒适；价格低廉，可一次

性使用。其主要工作原理是在布块中集成传感器、处理器和驱动器这三部分，当外界环境发

生改变时，通过传感器感知并收集外界环境变化的信息，并将信息交由处理器进行判断处理，

3

T/CIXXX—2023

之后处理器发出指令，通过驱动器调整材料的各种状态，以适应外界环境的变化，从而实现

自调节等功能。目前智能织物被应用于日常生活的各个领域中，尤其是健康医疗领域。

智能织物最普遍的一种应用是被用来设计制作一种新型柔性医用干式电极，这种电极比

起传统的医用电极可以满足长时间穿戴和测量舒适度的要求。除此之外，智能织物也可以作

为主要的传感单元去采集生理信号和生物力学参数。如：导电聚合物涂层织物和碳加载的热

塑性弹性体纤维被用于检测呼吸频率，它是通过在呼吸过程中记录关节变化的角度或胸部直

径的变化来确定呼吸频率的；植入应变传感器阵列的智能织物可以捕获和分类不同的姿势，

被用于上肢神经康复训练中；将生物传感器集成到衣物中，可以在穿戴时对人体的生理参数

进行实时监测，对心脑血管类等疾病的治疗和预防起到了十分重要的作用。

（2）基于生物电极的健康数据采集技术

生物电极是一种能够有效地将生物体电化学活动产生的离子电位转换成测量系统电子

电位的传感器，在现代临床检测和生物医学测量被广泛的应用于生命体征和生理参数的连续

监测中，如心电图ECG、脑电图EEG、肌电图EMG、眼电图EOG、胃电活动GEA、神经电位和

电阻抗成像EIT等，其中最主要的应用就是心电图ECG。

生物电极按照制作工艺不同可以分为两类：湿电极和干电极。湿电极通常在临床监测用

于心电图的测量。最常见的一种湿电极是银/氯化银（Ag/AgCl）电极。Ag/AgCl电极通常由

电极芯、Ag/AgCl层、导电凝胶和无纺布等组成，依靠传感器和病人皮肤之间的导电凝胶来

提高传感器感知身体电信号的能力。但是湿电极在长期监测中存在以下问题：长期监测时导

电凝胶干涸从而导致电信号质量下降；导电凝胶会刺激病人皮肤，使病人产生不适感；人体

位移时会产生电极位移从而影响测量的精度。此外由于湿电极必须配合导电凝胶使用，且制

备工艺受限，所以很难应用于可穿戴设备。

而干电极的出现则旨在解决上述这些问题，在可穿戴系统和长期监测的设备中十分常见。

最常见的一种干电极是微针干电极，它主要用于脑电图的监测。微针干电极采用针式电极直

接穿透皮肤的角质层的方式，避免了角质层的高阻抗特性对脑电信号采集带来的影响。与

Ag/AgCl电极相比，微针电极使用时不需要在皮肤上涂抹导电凝胶，具有更小的阻抗，更适

合在长期监测中使用。

（3）基于传感器的健康数据采集技术

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化学量转换成以

电学形式表达的信息的换能器叫做传感器，通常由敏感元件和转换元件组成。而应用于健康

4

T/CIXXX—2023

数据采集的医学传感器能把人体的生理信息转换成为与之有确定函数关系的电信息。最常见

的医学传感器的用途包括测量血氧、血压、心电和心率等生理参数。医学传感器是用于生物

体的，因此还必须满足一些特殊要求：要有一定的物理性能，即灵敏度、分辨率等；绝缘性

好；不能为身体带来损伤；不易脱落，有较高的牢固性。

4.3.3慢病实时监测系统

慢病监测系统主要是针对慢病管理和日常健康监测，要求信号采集芯片必须是小体积、

低功耗且具有较强的抗干扰能力。系统整体框图如图1所示，终端微型化的心电、血氧监

测设备实时采集用户心电数据和血氧数据，并经内置的微处理器进行数据滤波降噪处理后，

通过传输模块上传至云端服务器或者专业临床诊断中心，利用深度学习等智能化算法实现对

心电数据的智能分类与分析，通过PC机或手机APP查询和分析结果。

图1系统整体框图

该系统主要针对慢病患者和“未病”人群的心电、血氧等生理参数的快速实时监测，采

集设备终端具有时间灵活、穿戴方便的特点，能充分利用互联网大数据和机器学习算法优势，

为慢病的理想治疗模式：预防为主，早预防、早发现、早诊治提供便捷快速的技术支撑手段

和平台。

慢病监控系统主要涉及的功能包括：用户管理、数据监测、数据传输、平台数据处理和

数据反馈等。

用户管理：可通过客户端实现医疗专家、家庭健康终端、医疗服务机构的信息管理，首

次使用的用户可进行注册，进行实名认证，已有记录的用户可通过接入平台的各医疗服务机

构的系统数据库实现数据互联互通。

数据监测：使用便捷式采集装备测量患者的血压、血糖、体温等生理参数，并将生理参

数以可视化、数字化的形式呈现，通过物联网技术和移动通信技术将移动监测设备与数据中

心互联，完成监测数据上传。

5

T/CIXXX—2023

数据传输：数据传输分两种情况：在局域网环境下监测数据传送至移动端本地存储数据

库以保证数据不丢失；在移动网络环境下数据直接传输到云平台数据库，实现数据实时传输。

平台数据处理中心负责接收存放通过物联网、移动网络传送的数据信息。数据处理中

心为用户建立个人病案，结合患者最近一段时间的监测数据（包括患者基本信息、营养学知

识、监控数据信息、医疗知识、病情案例、预警值范围、诊断信息等）进行数据分析，并

根据分析结论及用户的不同需求，将分析数据以多种类型的图表形式（如折线图、面积图、

三维梯形图等）呈现，信息采用定点式实时记录的方式，数据采集记录以秒为单位记录患

者的生理参数及定位位置的变化。数据反馈：用户可以通过手机APP或客户端进行数据查看，

并根据实际的情况通过APP上传反馈信息，后台将反馈信息进行数据更新和处理，以提升患

者体验。

4.4慢病数据智能分析技术

4.4.1慢病数据智能分析技术概述

面向精准诊疗的慢性疾病数据分析关键技术，实现了精确、有效地探索个体间慢病发生

的病因和发展过程，识别异常点，找出控制慢病发生，发展的相关因素，进而进行慢病的精

准预测、风险判别、及时预警，并辅助临床医生决策，有效降低医疗成本，提高医疗效率和

服务质量。基于医疗大数据分析的精准诊疗已逐步成为未来发展趋势，参与性、预测性、预

防性、个性化及精准性成为慢病服务发展的根本引领，该模式实现的根源就在于包括医疗大

数据的集成化处理和智能算法的开发在内的慢病数据。

4.4.2慢性疾病数据分析关键技术

随着移动物联网、人工智能技术的飞速发展，以及可穿戴设备的普及，健康医疗数据迅

速积累，形成了医疗健康领域的“大数据”，基于慢病数据分析的精准诊疗应运而生，包括

了精准预防、精准治疗、精准预后等。借助于医疗健康大数据的AI方法，可将来自不同系

统、设备记录、收集的海量慢病数据进行充分挖掘与知识学习，实现精准的个体慢病决策支

持。

在慢病管理领域，人工智能技术主要为以本体为代表的知识驱动方法与以机器学习、深

度学习为代表的数据驱动方法。以本体为代表的知识驱动方法所表达的模型具有支持语义互

操作、可共享、可重用等慢病领域模型的常见特征。数据驱动方法可以划分为基于结构化数

据的统计学习方法、机器学习方法和基于非结构化数据的深度学习方法。

6

T/CIXXX—2023

（1）基于本体的模型知识表达，本体是对可共享概念模型的一种明确而形式化的说明，

本体的构建是一项较为复杂的工程，本体应主要包括：类、属性以及对属性的限制约束，一

般类由概念构成，属性由描述概念特征构成。将概念进行分层，由本体与类对应的实例的组

合构成了知识库，由实例及属性构成了知识图谱。七步法是当前使用较为广泛的本体构建方

法之一，通过将本体构建要素进行结合，提供了一种具有较强可操作性的本体构建方法。

在慢病分析过程中，本体能够进行慢病精准诊疗管理，搭建底层基础架构。慢病领域的

本体主要包括慢病知识的领域本体以及用于推动精准诊疗的应用本体。本体可以在慢病决策

支持过程中对所需要的慢病知识进行高效的表达，为慢病分析赋予演绎式推理的能力。

（2）特征提取方法，在慢病诊疗大数据中存在多个多源异构、高维的数据集，使得研

究者无法把所有特征同时放入一个模型中进行分类预测。此外，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。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。

在面向精准诊疗的慢病数据选择特征时常用3类方法，即过滤式方法、嵌入式方法、包

含式方法。其中，过滤式方法是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。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。包含式方法主要是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。

（3）常用机器学习与深度学习算法，在慢病数据分析预测中，常常使用机器学习和深

度学习算法进行预测。对输入的慢病数据集按照个体进行分类，被称为分类算法。如经典机

器学习方法支持向量机，它是一种二分类的模型，基于线性划分与非线性分类。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。尽管传统的机器学习技术已普遍应用在慢病数据分析预

测中，但机器学习需要大量带标签的训练样本，在很多情况下，收集足够的训练数据通常比

较费时。通过迁移学习，利用来自不同领域获得的数据进行训练，往往效率更高。迁移学习

7

T/CIXXX—2023

中训练和测试的数据样本分布可能不同。根据迁移学习的定义，可将迁移学习分为3个子设

定，包括：直推式迁移学习、归纳迁移学习和无监督迁移学习。

将迁移学习方法运用在慢病分析中有不同的实现策略，即如何实现慢病分析的迁移学习，

可分为2种，包括同构迁移学习方法和异构迁移学习方法。同构迁移学习是采用分布相同的

方法进行学习，但其源和目标域特征空间不同、异构迁移学习是分布相同、特征空间不同的

迁移学习。它是在不同特征空间中表示源和目标域的场景里进行。异构迁移学习可以进行针

对呼吸系统慢病的影像识别、慢病大文本的文本分类、药物功效分类等深度学习算法模拟人

类大脑处理数据和创造制定决策的模式，常见的算法包括人工神经网络、循环神经网络等。

在慢病分析领域，人工神经网络可以不依赖于固定的模型参数，其预测能力主要来自网络结

构与训练方式。常见的应用于精准诊疗慢病分析领域的人工神经网络一般包含了输入层、隐

含层及输出层。在慢病分析训练及预测过程中，输入数据经输入层采集，通过隐藏层计算，

最终由输出层输出最终慢病分析相关预测结果，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，这些参数最终决定了模型的表达能力。

循环神经网络是以序列数据为输入并进行递归，所有循环单元均按链式连接的递归神经

网络。它具有记忆性，广泛用于时间序列预测中。循环神经处理序列数据，可预测时间序列

发生情况，对数据时序性要求较高，在网络中表现为：除隐藏层之间的节点是连接的之外，

内部相邻的节点也是连接的。

（4）其他相关技术，常用的推荐算法，建立慢病健康知识库为慢病分析推荐服务提供

依据，推荐算法是面向精准诊疗的慢病健康知识推荐技术的核心，根据推荐慢病健康知识算

法策略不同，可分为协同过滤推荐、内容推荐及混合推荐等推荐方法。

协同过滤推荐主要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。此外，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。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。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。

图像分割，在慢病诊疗过程中，需要通过如超声、放射、病理等检查报告进行诊疗确认，

而检查报告往往涉及图像的分析过程。通过面向精准诊疗的图像分割方法，可实现系统化、

快速分析、分类。图像分割一般是指根据如纹理、形状、灰度、颜色等在内的特征把图像划

8

T/CIXXX—2023

分成若干个互不交叠的区域，使这些特征在同一区域内呈现出相似性，不同区域间呈现出明

显的差异性。

传统的图像分割方法是通过医学图像的先验特征进行划分的。它通过设定一个阈值，将

图像的像素值与阈值进行比较分类，通过医学图像的自身特性，诸如纹理、颜色、边缘等作

为阈值标准进行图像划分。针对基于深度学习的图像分割，提供了基于标准深层网络结构的

基础，以及新的算法模型。在图像分类、检测分割方面，卷积神经网络取得了巨大的成果，

它的多层结构能自动学习特征，并且可以学习到多个层次的特征。它可以对传统分割区域赋

予特定的语义类别属性，更为细粒度层面进行分类，具有重要的研究意义和广阔的应用前景。

医疗大数据可视化技术，基于医疗大数据的精准慢病诊疗可视化技术包含传统的可视化

展示和信息可视化，从面向精准诊疗的慢病数据分析角度出发，信息可视化技术尤为重要。

根据慢病数据类型可分为时空数据、非时空数据2大类。

时空数据是指具有地理位置与时间标签的数据。基于慢病的时空数据可视化可以与慢病

发生的地理制图相结合，与时间、空间维度以及慢病相关的信息对象属性关联，建立可视化

表征。面向精准诊疗的慢病大数据环境下时空数据具有高维性、实时性等特点。针对慢病数

据的非时空可视化，包括层次和网络数据可视化、文本和文档可视化、复杂高维多元数据可

视化3类。层次数据可视化主要通过节点－链接法和空间填充法来实现。网络数据不具有自

下向上或自上向下的层次结构，这决定了网络数据可视化可用弧长链接图法和力引导布局图

来实现。文本信息是医疗大数据时代非结构化数据的典型，能够将文本中蕴含的语义特征形

象化表达，可采用标签云和文档散，又称旭日图法的2种方法。复杂高维的多元数据是指具

有多个维度属性的数据变量。高维多元慢病数据分析的目标是探索高维多元数据项的分布规

律和分布模式，从而揭示不同维度属性之间的隐含关系。

4.5慢病诊断预测技术

4.5.1慢病诊断预测技术概述

近年来，AI技术在疾病预测方面蓬勃发展，其技术主要是机器学习。AI预测疾病的

发展进程见图1。在临床实践中，机器学习预测模型可以突出关于个体患者护理决策的增强

规则，也能根据临床规定自主诊断不同疾病。使用机器学习模型，可以提高医疗数据的质量，

减少病人病发率波动，并节省医疗成本。慢性疾病(ChronicDiseases,CDs)费用占全球

卫生费用的主要部分，该疾病患者需要接受终身治疗。因此，提出一种能帮助慢性病诊断和

9

T/CIXXX—2023

预测患者未来预后的决策模型是十分必要的。虽然在人工智能领域有许多方法来实现这一目

标，但关于机器学习预测模型用于CDs的研究较少，这值得进一步关注。

慢性病具有多发、起病隐匿、病程长、反复发作等特点[1]，给患者带来生理和心理的

双重打击，严重影响患者的生活质量，加重社会和经济负担。近年来，已成为人类健康的主

要威胁。据世界卫生组织报道，每年因慢性病死亡的人数占总死亡人数的74%。在我国，慢

性病发生发展形势也极为严峻，慢性病死亡率已占总死亡率88.5%。因此，对慢性病的发生

发展以及结局的有效预测是及时发现患者病情、采取有效治疗措施的重中之重。目前，临床

常采用传统的医疗电子信息系统整合患者的各项数据，然后基于特定的流程与知识库对数据

进行采集、计算，从而预测疾病的发生、发展。

但传统的医疗电子信息系统只能进行简单的机械探索，对变量之间的非线性关系处理不

够准确，对数据的挖掘也不够深入，且处理效率较低。交叉学科思维和技术为发病机制复杂、

病理过程长及数据多维、繁杂的慢性疾病的预测提供了新思路和新视角。目前在慢性病领域，

AI能做的还是以辅助医生看诊、缓解医疗资源紧张为主。这主要是因为慢性疾病发病过程

漫长，初期症状不明显，在目前的医疗水平下，医生只能在症状明显时进行诊断，而此时病

变已到达晚期。所以医疗AI的重点放在以大数据为基础上的预测，将患者的生命指标量化，

利用数据进行科学精准的诊断。这样就弥补了人力在预测和判断方面的不足，通过对病例数

据库的深入研究，建立起特定疾病诊断的规则和模型，以及预测疾病的未来发展趋势，进而

帮助医生预测病情、制定更加可靠的治疗方案，在预防疾病的发展过程中，起到更好的保障。

图2疾病预测方法进展的鱼骨图

10

T/CIXXX—2023

4.5.2构建基于大数据慢病诊断预测模型

通过云计算与数据挖掘等技术可对具有相同危险因素人群做到“个体化”健康管理，为

慢病高危者进行预警，从而指导其采取针对性的干预措施，有效降低慢病的发生。

医疗决策支持是智慧医疗的核心技术，以实时获取和临床积累的各种数据为基础，通过

大数据技术对海量医疗数据进行数据的收集、整合、存储、分析，采用机器学习技术，分析

常见老年慢病危险因素，提取出关键特征，然后采用逻辑回归。决策树、深度学习等机器学

习模型训练出慢病风险评估预测模型，将慢病风险进行分级分层，见图3。

图3模型构建流程

4.5.3慢病诊断预测技术

慢性病是指持续时间较长、进展缓慢、病程波动性大的疾病，包括糖尿病、高血压、肥

胖、冠心病、中风等。预测慢性病的算法可以帮助医生进行早期诊断和预防措施的制定，从

而降低患者的风险和提高生活质量。以下是几种常用的算法：

（1）知识图谱构建：知识图谱构建流程从实体定义，即从模式层的设计角度考虑，可

以划分为Ｒ种类型，分别是自上而下、自底向上以及两者结合。其中，自上而下的方式与传

统概念网络的构建类似，需要专家在专业领域知识的范畴内根据知识体系的结构来定义本体，

即抽象层面的实体类型。在此基础上，设计本体的属性与本体之间的关联规则，随后基于

数据源进行信息提取与数据填充。该方法对专家的领域知识及专家经验的要求较高，适用于

专业性强的小规模的专业垂直领域，如企业风险知识库等。在产业实践中，通常会选取自底

向上的构建方法，根据数据类型选择不同的信息提取方法，在构建本体时，观察数据源的特

点并根据可抽取出的实体进行归纳总结，并基于抽取出的有效信息设计模式层，最后选取合

适的数据库存储知识并进一步研究应用。知识图谱包括了从数据处理到提取信息，形成并存

储为知识图谱的全过程。构建慢病知识图谱的功能是对数据源进行知识组织，知识图谱技术

可以将分散无序的数据源按照一定的原则、方法和知识体系组织起来，形成结构化的三元组

形式，从而揭示知识间的关联关系，便于知识发现，知识推理。将知识融合到模型里边，也

可以提高模型的预能力。

11

T/CIXXX—2023

（2）迁移学习（TransferLearning）：迁移学习在慢病预测上的应用是指将已经在一

个相关任务上训练好的模型或知识应用于慢病预测任务中，以提高预测性能和效果。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。迁移学习的优势在于可

以利用已有的知识和模型，在数据量较少或缺乏标注的情况下，仍然能够进行有效的慢病预

测。然而，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。因此，针对具体的慢病预测问题，需要进行合适的迁移学

习方法选择和调整，以获得最佳的预测性能。

（3）集成学习：集成学习在慢病预测上的应用是指将多个基本模型的预测结果进行组

合，以提高慢病预测的准确性和鲁棒性。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。通过集成多个预测模型的结果，集成学习可以克服单个模型的局限

性，提高慢病预测的准确性和鲁棒性。

（4）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。强化学习在慢病预测中的一些应用方式如个性化治疗策略、干

预优化、数据采样和处理、状态建模和预测。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。

4.6慢病管理系统构建技术

4.6.1慢病管理系统构建技术概述

慢病管理系统是一种基于现代信息技术和数据分析技术的系统，旨在对患者的医疗健康

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，

围绕常见慢性疾病（例如高血压、糖尿病、帕金森、类风湿等）的智能化健康管理流程，建

成基于云平台的慢病管理平台，完成慢病患者/高危群人的常见慢性疾病综合筛查、饮食习

惯评估、运动风险评估、心脑血管评估、生活质量评估、糖尿病患者自我效能评估、抑郁症

评估、睡眠评估等8项评估项目，然后根据评估结果制定个性化人健康管理方案，同时结合

我县原有的公共卫生管理系统完成慢性病患者的建档和随访管理、以及高危人群的筛查和建

档工作。

基于大数据老年多重病风评估预测模型对慢性病健康管理目前仍有一些待完善之处，

如样本小、样本不平、数据质量及标准化差、模型适应性差等问题，还存在数据安全性、隐

私保护关键技术、隐私保护法律法规等问题，故迫切需要建立完善的慢性病云数据库，加强

医疗数据共享，研究样本医学教处理的模型优化和过机合的解决方法，能诊断算法优化等，

12

T/CIXXX—2023

促使数想采集、存情、处理技术快速发展，最终实现大数据背景下多重慢病风险预测模型的

健康管理模式。

4.6.2构建慢病管理系统模型构建

根据不同任务在管理过程中的执行方式与触发时机，可以将其归为常规干预、异常干预

与自我管理支持三大类，其中常规干预包括诊断检出、危险评估、分级管理与常规随访；异

常干预包括危险报警与依从度管理；自我管理支持则包括生活方式干预、用药指导与健康教

育。这些任务之间存在着一定的时序关系，如诊断检出、危险评估与分级管理任务具有较明

显的先后顺序，生活方式干预与用药指导一般跟随分级管理任务发生，而健康教育、依从度

管理与异常报警任务的触发则具有相对的不定时性。

基于所提炼的九大慢病管理共通任务，本研究进一步依据我国的临床路径制定标准，将

这些任务进行组合，形成具有时序特征的通用性慢病管理路径。根据国家卫生计生委于2017

年8月印发的《临床路径管理指导原则》，临床路径的制定需要明确以下几个主要问题：（1）

实施路径的病种；（2）路径的进入与退出标准；（3）标准诊疗流程所需的时间；（4）路径变

异处理；（5）医师版、护理版与患者版路径文本。具体来看，在通用性慢病管理路径中，实

施路径的病种对应为常见的慢性疾病；路径的进入标准为诊断明确，无严重合并症且愿意接

受管理的相关慢病患者；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；标准诊疗流程所需的时间为长期管理；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。

面向医护人员与患者的路径文本则对应常规干预与自我管理支持这两大类的共通任务，

各版本的路径文本相互关联，形成统一的整体。以上述临床路径制定基本要素为基础，结合

各类共通任务之间的时序性，最终形成的通用性慢病管理路径如图4所示。

13

T/CIXXX—2023

图4基于路径制定标准与共通任务的通用性慢病管理路径

基于上述过程所构建的路径驱动的数字化协同管理模型，如图5所示。数字化协同管理

模型以通用性慢病管理路径为核心，将不同的共通任务分配给不同的管理角色，以形成协同

式护理路径。具体来说，诊断检出任务由专科医师完成，并形成以用药指导与生活方式干预

任务为主体的治疗计划；全科医师主要参与危险评估、常规随访以及异常报警三类任务，并

在干预过程中适时对患者的治疗计划进行调整；个案管理师（护士）则主要负责健康教育与

依从度管理两类任务。对于患者来说，其会经历管理初期与分级管理期两大阶段，其中分级

管理。

在传统干预方式下由全科医师完成，而在数字化管理背景下则一般由计算机辅助完成。

数字化协同管理模型的数字化特征主要体现在：患者的自我管理状态能够在信息技术手段的

帮助下，实时地传输给医护人员；医护人员的远程监督与干预同样能够及时地作用于患者，

在病情进一步加重之前提早进行调整，从而形成完整的反馈回路，实现医患之间的高效互动。

基于数字化协同管理模型的标准化管理流程可以描述为两个阶段：管理计划生成阶段

与长期管理阶段。在第一阶段，患者将首先由来自二级或三级医院的专科医师进行较为精确

的诊断，并制定以用药方案为主的初始治疗计划；如果患者的临床状况稳定，无需住院治疗，

则将其分配给下属