一种智能医疗随访辅助系统及其使用方法

1.本发明是涉及一种智能医疗随访辅助系统及其使用方法，属于智能医疗技术领域。


背景技术：

2.随着我国人口的增长，人们对医疗服务的需求越来越多，每天去医院看诊的患者数量成倍增长，增长的病患数量给医生带来了巨大工作压力。此外，随访患者还需定期重复来医院就诊，医生也需要对随访患者重复解释相关问题，这也为就诊带来了负担。因此，有必要开发一种智能医疗随访辅助系统，以辅助医生工作，使减少就诊过程中重复不必要环节所产生的工作负担。


技术实现要素：

3.针对现有技术存在的上述问题和需求，本发明的目的是提供一种智能医疗随访辅助系统及其使用方法。
4.为实现上述目的，本发明采用如下技术方案：
5.一种智能医疗随访辅助系统，包括app端、web端和云端；
6.所述app端包括患者app端和医生app端；
7.所述患者app端包括：用于患者进行注册和登录账户操作的注册登录模块；用于患者录入历史病情信息和上传复查检测报告的病情信息模块；用于患者对其自身基础健康情况进行自测的健康自测模块；用于患者进行饮食和运动选择的饮食与运动模块；用于患者接收体质调理建议的体质调理模块和用于患者与医生在线交流的医患互动模块；
8.所述医生app端包括患者随访记录查看模块、诊断模块和医患互动模块；
9.所述web端包括：用于对患者app端数据进行更新和维护的患者端数据管理模块，用于对医生app端数据进行更新和维护的医生端数据管理模块，用于对患者app端和医生app端数据进行删除、下载的总数据管理模块；
10.并且，患者app端中的注册登录模块、病情信息模块、健康自测模块和饮食与运动模块均通过云端分别与医生app端中的患者随访记录查看模块通信连接；患者app端中的体质调理模块通过云端与医生app端中的诊断模块通信连接；医生通过患者随访记录查看模块获知患者的相关信息，从而给出病情诊断结论和体质调理建议；
11.医生app端中的医患互动模块通过云端与患者app端中的医患互动模块通信连接，以实现医生与患者之间的在线交流；
12.web端中的患者端数据管理模块、医生端数据管理模块和总数据管理模块均与云端通信连接；
13.所述云端用于接收和存储患者app端和医生app端的数据，并采用算法模型生成推荐治疗方案。
14.一种实施方案，所述患者app端中的注册登录模块包括注册模块和登录模块；所述
注册模块是用于患者进行注册账户操作，并录入患者的基本信息，所述基本信息包括身高、体重、血型、家族史、过敏史和体质状况；所述登录模块是用于患者进行登录账户操作，登录账户方式包括手机验证码登录和密码登录。
15.一种实施方案，所述患者app端中的健康自测模块采用答题评分方式进行自测，自测内容包括睡眠状况自测、焦虑状况自测和抑郁状况自测。
16.一种实施方案，所述患者app端中的饮食与运动模块内设有饮食和运动的数据库，该数据库中包括各类症状所需食用的饮食、各类症状所不能食用的饮食、各类症状所适宜的运动、各类症状所不适宜的运动、各类饮食的热量表和各类运动的热量消耗表，患者根据云端发送的推荐治疗方案进行相应食谱和运动方案的选择。
17.一种实施方案，所述云端采用gbt-pchd-tabnet算法模型生成推荐治疗方案。
18.一种上述智能医疗随访辅助系统的使用方法，包括如下步骤：
19.a)患者在患者app端的注册登录模块进行注册和登录账户操作，并在病情信息模块录入历史病情信息和上传复查检测报告，在健康自测模块对其自身的基础健康情况进行自测；
20.b)医生在医生app端中的患者随访记录查看模块中查看患者的相关信息，然后在诊断模块中给出病情诊断结论和体质调理建议；
21.c)云端接收和存储患者app端和医生app端的数据，并采用算法模型生成推荐治疗方案，患者根据云端发送的推荐治疗方案进行相应食谱和运动方案的选择，并将相关的饮食与运动信息反馈至云端和医生app端中的患者随访记录查看模块，以供下次随访时医生查看；
22.d)随访过程中，患者与医生通过患者app端和医生app端的医患互动模块进行在线交流；
23.e)web端通过云端实时获取患者app端和医生app端的相关数据，以对患者app端和医生app端数据分别进行更新、维护及总数据的删除与下载的管理。
24.一种实施方案，步骤c)中，云端采用gbt-pchd-tabnet算法模型生成推荐治疗方案，所述gbt-pchd-tabnet算法模型包括第一层数据预处理层、第二层gbt特征重要性评估层和第三层pchd-tabnet建模层，具体操作如下：
25.s1、在第一层数据预处理层中，对病情信息模块中的复查检测报告和诊断模块中的病情诊断结论进行数据处理，制作出相应的样本数据集并将样本数据集分为训练集和测试集，具体操作为：
26.s11、对病情信息模块中的复查检测报告进行表格化处理，使复查检测报告中的医学体检指标存储为二维数据集；
27.s12、将诊断模块中的病情诊断结论存储为二维语料集；
28.s13、对所得二维数据集和二维语料集进行清洗、特征提取和对应数据子集和语料子集的提取，并将提取得到的数据子集和语料子集均分为相应的训练集和测试集；
29.s2、在第二层gbt特征重要性评估层中，对第一层数据预处理层处理得到的测试集中的数据子集和语料子集进行特征排序，选取排名靠前的特征作为第三层pchd-tabnet建模层中的pchd-tabnet模型的输入特征，具体操作为：
30.s21、对测试集中数据子集和语料子集的数据进行分裂，计算分裂后数据的信息
熵，以数据子集为例，假设数据集r中的数据子集为y个，其中第k类样本占比为pk，则信息熵的计算公式如下：
[0031][0032]
s22、根据计算得到的信息熵对特征进行排序，得到特征重要性排名；
[0033]
s23、选取排名靠前的特征作为第三层pchd-tabnet建模层中的pchd-tabnet模型的输入特征；
[0034]
s3、在第三层pchd-tabnet建模层中，对选取的特征值通过决策步实现预测，并进行权重训练，构建出基于gbt-pchd-tabnet算法模型的推荐预测系统，具体操作为：
[0035]
s31、采用k折交叉验证方法，通过当前选择的特征值来学习一个mask达到实现一个决策步，mask是一个向量，其长度等于输入特征的维度，表示对应特征通过决策步预测的结果，记为m[i]∈r
b*d
，则mask的计算公式如下所示：
[0036]
m[i]＝sparsemax(p[i-1]hk(a[i-1])e(r))；
[0037]
式中，sparse max表示sparsemax函数，sparsemax函数是一种节点划分方法，以用于评估预测指标；i是表示当前step，a[i-1]是表示前一个step决策中通过split划分的特征信息，hk是代表fc+bn层，p[i-1]是表示特征在之前决策中的使用概率；
[0038]
当选取的特征较多时，根据特征划分得到预测值纯度更高的特征值，假设其特征值的纯度指标为iv，iv的计算公式如下所示：
[0039][0040]
式中，ri表示目标特征变量中取值为i的样本数量，y为i的取值范围，r表示总样本数量，pi表示目标特征变量中取值为i的样本在正样本中出现的概率，公式中的log为自然对数，iv值越大，表示该特征值对于gbt-pchd-tabnet模型预测的能力越强，通常情况下，iv值大于0.3被认为是一个很强的预测纯度指标；
[0041]
s32、pchd-tabnet模型使用多个mask进行训练预测，每个mask对应一个决策步，将多个mask的预测结果通过加权平均方式融合得到最终预测结果，实现权重训练，构建出基于gbt-pchd-tabnet算法模型的推荐预测系统；
[0042]
s4、将步骤s1中的测试集作为第三层pchd-tabnet建模层中的pchd-tabnet模型的输入特征，如此，推荐预测系统即能生成推荐治疗方案。
[0043]
一种优选方案，步骤s32的具体操作如下：
[0044]
s321、对于每个mask，均使用pchd-tabnet模型进行预测，得到对应的预测结果；
[0045]
s322、对于每个预测结果，分别赋予一个权重，该权重代表其对最终预测结果的贡献程度；
[0046]
s323、将所有预测结果进行加权平均，得到最终的预测结果，加权平均的计算方法如下：
[0047]
最终权重预测值＝(权重1*预测结果1+权重2*预测结果2+...+权重i*预测结果i)/总权重；
[0048]
其中，权重i代表第i个mask的权重，预测结果i代表第i个mask的预测结果，总权重为所有权重的总和。
[0049]
相较于现有技术，本发明的有益技术效果在于：
[0050]
采用本发明提供的智能医疗随访辅助系统，可实现低成本、高效率为患者和医生提供一种交互式随访服务，可有效辅助医生工作，能明显减少就诊过程中重复不必要环节所产生的工作负担，既方便患者进行随访反馈，也提高了医院随访流程的工作效率，并能快捷实现随访档案的在线管理，因此，本发明相对于现有技术，具有显著进步性和应用价值。
附图说明
[0051]
图1是本发明实施例提供的一种智能医疗随访辅助系统的结构框图。
具体实施方式
[0052]
以下将结合附图和实施例对本发明的技术方案做进一步清楚、完整地描述。
[0053]
实施例
[0054]
请参阅图1所示：本发明提供的一种智能医疗随访辅助系统，包括app端、web端和云端；
[0055]
所述app端包括患者app端和医生app端；
[0056]
所述患者app端包括：用于患者进行注册和登录账户操作的注册登录模块；用于患者录入历史病情信息和上传复查检测报告的病情信息模块；用于患者对其自身基础健康情况进行自测的健康自测模块；用于患者进行饮食和运动选择的饮食与运动模块；用于患者接收体质调理建议的体质调理模块和用于患者与医生在线交流的医患互动模块；
[0057]
所述医生app端包括患者随访记录查看模块、诊断模块和医患互动模块；
[0058]
所述web端包括：用于对患者app端数据进行更新和维护的患者端数据管理模块，用于对医生app端数据进行更新和维护的医生端数据管理模块，用于对患者app端和医生app端数据进行删除、下载的总数据管理模块；
[0059]
并且，患者app端中的注册登录模块、病情信息模块、健康自测模块和饮食与运动模块均通过云端分别与医生app端中的患者随访记录查看模块通信连接；患者app端中的体质调理模块通过云端与医生app端中的诊断模块通信连接；医生通过患者随访记录查看模块获知患者的相关信息，从而给出病情诊断结论和体质调理建议；
[0060]
医生app端中的医患互动模块通过云端与患者app端中的医患互动模块通信连接，以实现医生与患者之间的在线交流；
[0061]
web端中的患者端数据管理模块、医生端数据管理模块和总数据管理模块均与云端通信连接；
[0062]
所述云端用于接收和存储患者app端和医生app端的数据，并采用算法模型生成推荐治疗方案。
[0063]
本发明中，所述患者app端中的注册登录模块包括注册模块和登录模块；所述注册模块是用于患者进行注册账户操作，并录入患者的基本信息，所述基本信息包括身高、体重、血型、家族史、过敏史和体质状况；所述登录模块是用于患者进行登录账户操作，登录账户方式包括手机验证码登录和密码登录。
[0064]
本发明中，所述患者app端中的饮食与运动模块内设有饮食和运动的数据库，患者根据推荐治疗方案可在该数据库中选择相应的食谱和运动方案(例如：八段锦、太极拳等)，该数据库中包括各类症状所需食用的饮食、各类症状所不能食用的饮食、各类症状所适宜的运动、各类症状所不适宜的运动、各类饮食的热量表和各类运动的热量消耗表。饮食与运动模块中的数据库来源于云端。此外，饮食与运动模块还可以设有打卡模块，患者可以在打卡模块内打卡，并查看自己坚持打卡的天数，打卡模块内可以记录患者每日打卡记录，并根据打卡记录计算出患者一日三餐的饮食摄入量与运动消耗量对比，以提醒患者进行热量消耗，此外，还可以根据患者的打卡记录绘制相关图形，例如，可以绘制患者的体重、腰围、臀围变化的曲线关系图，以直观显示患者的身体变化情况。
[0065]
本发明中，所述患者app端中的健康自测模块采用答题评分方式进行自测，自测内容包括睡眠状况自测、焦虑状况自测和抑郁状况自测。
[0066]
本发明中，所述云端采用gbt-pchd-tabnet算法模型根据患者复查检测报告的结果和医生的病情诊断结论生成最终的推荐治疗方案。
[0067]
上述智能医疗随访辅助系统的使用方法，包括如下步骤：
[0068]
a)患者在患者app端的注册登录模块进行注册和登录账户操作，并在病情信息模块录入历史病情信息和上传复查检测报告，在健康自测模块对其自身的基础健康情况进行自测；
[0069]
b)医生在医生app端中的患者随访记录查看模块中查看患者的相关信息，然后在诊断模块中给出病情诊断结论和体质调理建议；
[0070]
c)云端接收和存储患者app端和医生app端的数据，并采用gbt-pchd-tabnet算法模型生成推荐治疗方案，患者根据云端发送的推荐治疗方案进行相应食谱和运动方案的选择，并将相关的饮食与运动信息反馈至云端和医生app端中的患者随访记录查看模块，以供下次随访时医生查看；所述gbt-pchd-tabnet算法模型包括第一层数据预处理层、第二层gbt特征重要性评估层和第三层pchd-tabnet建模层，具体操作如下：
[0071]
s1、在第一层数据预处理层中，对病情信息模块中的复查检测报告和诊断模块中的病情诊断结论进行数据处理，制作出相应的样本数据集并将样本数据集分为训练集和测试集，具体操作为：
[0072]
s11、对病情信息模块中的复查检测报告进行表格化处理，使复查检测报告中的医学体检指标存储为二维数据集；
[0073]
s12、将诊断模块中的病情诊断结论存储为二维语料集；
[0074]
s13、对所得二维数据集和二维语料集进行清洗、特征提取和对应数据子集和语料子集的提取，并将提取得到的数据子集和语料子集均分为相应的训练集和测试集；
[0075]
s2、在第二层gbt特征重要性评估层中，对第一层数据预处理层处理得到的测试集中的数据子集和语料子集进行特征排序，选取排名靠前的特征作为第三层pchd-tabnet建模层中的pchd-tabnet模型的输入特征，具体操作为：
[0076]
s21、对测试集中数据子集和语料子集的数据进行分裂，计算分裂后数据的信息熵，以数据子集为例，假设数据集r中的数据子集为y个，其中第k类样本占比为pk，则信息熵的计算公式如下：
[0077][0078]
s22、根据计算得到的信息熵对特征进行排序，得到特征重要性排名；
[0079]
s23、选取排名靠前的特征作为第三层pchd-tabnet建模层中的pchd-tabnet模型的输入特征；
[0080]
s3、在第三层pchd-tabnet建模层中，对选取的特征值通过决策步实现预测，并进行权重训练，构建出基于gbt-pchd-tabnet算法模型的推荐预测系统，具体操作为：
[0081]
s31、采用k折交叉验证方法，通过当前选择的特征值来学习一个mask达到实现一个决策步，mask是一个向量，其长度等于输入特征的维度，表示对应特征通过决策步预测的结果，记为m[i]∈r
b*d
，则mask的计算公式如下所示：
[0082]
m[i]＝sparsemax(p[i-1]hk(a[i-1])e(r))；
[0083]
式中，sparse max表示sparsemax函数，sparsemax函数是一种节点划分方法，以用于评估预测指标；i是表示当前step，a[i-1]是表示前一个step决策中通过split划分的特征信息，hk是代表fc+bn层，p[i-1]是表示特征在之前决策中的使用概率；
[0084]
当选取的特征较多时，根据特征划分得到预测值纯度更高的特征值，假设其特征值的纯度指标为iv，iv的计算公式如下所示：
[0085][0086]
式中，ri表示目标特征变量中取值为i的样本数量，y为i的取值范围，r表示总样本数量，pi表示目标特征变量中取值为i的样本在正样本中出现的概率，公式中的log为自然对数，iv值越大，表示该特征值对于gbt-pchd-tabnet模型预测的能力越强，通常情况下，iv值大于0.3被认为是一个很强的预测纯度指标；
[0087]
s32、pchd-tabnet模型使用多个mask进行训练预测，每个mask对应一个决策步，将多个mask的预测结果通过加权平均方式融合得到最终预测结果，实现权重训练，构建出基于gbt-pchd-tabnet算法模型的推荐预测系统，具体操作如下：
[0088]
s321、对于每个mask，均使用pchd-tabnet模型进行预测，得到对应的预测结果；
[0089]
s322、对于每个预测结果，分别赋予一个权重，该权重代表其对最终预测结果的贡献程度；
[0090]
s323、将所有预测结果进行加权平均，得到最终的预测结果，加权平均的计算方法如下：
[0091]
最终权重预测值＝(权重1*预测结果1+权重2*预测结果2+...+权重i*预测结果i)/总权重；
[0092]
其中，权重i代表第i个mask的权重，预测结果i代表第i个mask的预测结果，总权重为所有权重的总和；
[0093]
s4、将步骤s1中的测试集作为第三层pchd-tabnet建模层中的pchd-tabnet模型的输入特征，如此，推荐预测系统即能生成推荐治疗方案；
[0094]
d)随访过程中，患者与医生通过患者app端和医生app端的医患互动模块进行在线
交流；
[0095]
e)web端通过云端实时获取患者app端和医生app端的相关数据，以对患者app端和医生app端数据分别进行更新、维护及总数据的删除与下载的管理。
[0096]
综上所述可见，本发明可为患者和医生提供一种交互式随访辅助系统，可有效减少随访过程中重复不必要环节所产生的工作负担，既方便了患者进行随访反馈，也提高了医院随访流程的效率，因此，本发明相对于现有技术，具有显著进步性和应用价值。
[0097]
最后有必要在此指出的是：以上所述仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。

技术特征：
1.一种智能医疗随访辅助系统，包括app端、web端和云端；其特征在于：所述app端包括患者app端和医生app端；所述患者app端包括：用于患者进行注册和登录账户操作的注册登录模块；用于患者录入历史病情信息和上传复查检测报告的病情信息模块；用于患者对其自身基础健康情况进行自测的健康自测模块；用于患者进行饮食和运动选择的饮食与运动模块；用于患者接收体质调理建议的体质调理模块和用于患者与医生在线交流的医患互动模块；所述医生app端包括患者随访记录查看模块、诊断模块和医患互动模块；所述web端包括：用于对患者app端数据进行更新和维护的患者端数据管理模块，用于对医生app端数据进行更新和维护的医生端数据管理模块，用于对患者app端和医生app端数据进行删除、下载的总数据管理模块；并且，患者app端中的注册登录模块、病情信息模块、健康自测模块和饮食与运动模块均通过云端分别与医生app端中的患者随访记录查看模块通信连接；患者app端中的体质调理模块通过云端与医生app端中的诊断模块通信连接；医生通过患者随访记录查看模块获知患者的相关信息，从而给出病情诊断结论和体质调理建议；医生app端中的医患互动模块通过云端与患者app端中的医患互动模块通信连接，以实现医生与患者之间的在线交流；web端中的患者端数据管理模块、医生端数据管理模块和总数据管理模块均与云端通信连接；所述云端用于接收和存储患者app端和医生app端的数据，并采用算法模型生成推荐治疗方案。2.根据权利要求1所述的智能医疗随访辅助系统，其特征在于：所述患者app端中的注册登录模块包括注册模块和登录模块；所述注册模块是用于患者进行注册账户操作，并录入患者的基本信息，所述基本信息包括身高、体重、血型、家族史、过敏史和体质状况；所述登录模块是用于患者进行登录账户操作，登录账户方式包括手机验证码登录和密码登录。3.根据权利要求1所述的智能医疗随访辅助系统，其特征在于：所述患者app端中的健康自测模块采用答题评分方式进行自测，自测内容包括睡眠状况自测、焦虑状况自测和抑郁状况自测。4.根据权利要求1所述的智能医疗随访辅助系统，其特征在于：所述患者app端中的饮食与运动模块内设有饮食和运动的数据库，该数据库中包括各类症状所需食用的饮食、各类症状所不能食用的饮食、各类症状所适宜的运动、各类症状所不适宜的运动、各类饮食的热量表和各类运动的热量消耗表，患者根据云端发送的推荐治疗方案进行相应食谱和运动方案的选择。5.根据权利要求1所述的智能医疗随访辅助系统，其特征在于：所述云端采用gbt-pchd-tabnet算法模型生成推荐治疗方案。6.一种权利要求1所述的智能医疗随访辅助系统的使用方法，其特征在于，包括如下步骤：a)患者在患者app端的注册登录模块进行注册和登录账户操作，并在病情信息模块录入历史病情信息和上传复查检测报告，在健康自测模块对其自身的基础健康情况进行自测；
b)医生在医生app端中的患者随访记录查看模块中查看患者的相关信息，然后在诊断模块中给出病情诊断结论和体质调理建议；c)云端接收和存储患者app端和医生app端的数据，并采用算法模型生成推荐治疗方案，患者根据云端发送的推荐治疗方案进行相应食谱和运动方案的选择，并将相关的饮食与运动信息反馈至云端和医生app端中的患者随访记录查看模块，以供下次随访时医生查看；d)随访过程中，患者与医生通过患者app端和医生app端的医患互动模块进行在线交流；e)web端通过云端实时获取患者app端和医生app端的相关数据，以对患者app端和医生app端数据分别进行更新、维护及总数据的删除与下载的管理。7.根据权利要求6所述的使用方法，其特征在于：步骤c)中，云端采用gbt-pchd-tabnet算法模型生成推荐治疗方案，所述gbt-pchd-tabnet算法模型包括第一层数据预处理层、第二层gbt特征重要性评估层和第三层pchd-tabnet建模层，具体操作如下：s1、在第一层数据预处理层中，对病情信息模块中的复查检测报告和诊断模块中的病情诊断结论进行数据处理，制作出相应的样本数据集并将样本数据集分为训练集和测试集，具体操作为：s11、对病情信息模块中的复查检测报告进行表格化处理，使复查检测报告中的医学体检指标存储为二维数据集；s12、将诊断模块中的病情诊断结论存储为二维语料集；s13、对所得二维数据集和二维语料集进行清洗、特征提取和对应数据子集和语料子集的提取，并将提取得到的数据子集和语料子集均分为相应的训练集和测试集；s2、在第二层gbt特征重要性评估层中，对第一层数据预处理层处理得到的测试集中的数据子集和语料子集进行特征排序，选取排名靠前的特征作为第三层pchd-tabnet建模层中的pchd-tabnet模型的输入特征，具体操作为：s21、对测试集中数据子集和语料子集的数据进行分裂，计算分裂后数据的信息熵，以数据子集为例，假设数据集r中的数据子集为y个，其中第k类样本占比为p
k
，则信息熵的计算公式如下：s22、根据计算得到的信息熵对特征进行排序，得到特征重要性排名；s23、选取排名靠前的特征作为第三层pchd-tabnet建模层中的pchd-tabnet模型的输入特征；s3、在第三层pchd-tabnet建模层中，对选取的特征值通过决策步实现预测，并进行权重训练，构建出基于gbt-pchd-tabnet算法模型的推荐预测系统，具体操作为：s31、采用k折交叉验证方法，通过当前选择的特征值来学习一个mask达到实现一个决策步，mask是一个向量，其长度等于输入特征的维度，表示对应特征通过决策步预测的结果，记为m[i]∈r
b*d
，则mask的计算公式如下所示：m[i]＝sparsemax(p[i-1]h
k
(a[i-1])e(r))；
式中，sparse max表示sparsemax函数，sparsemax函数是一种节点划分方法，以用于评估预测指标；i是表示当前step，a[i-1]是表示前一个step决策中通过split划分的特征信息，h
k
是代表fc+bn层，p[i-1]是表示特征在之前决策中的使用概率；当选取的特征较多时，根据特征划分得到预测值纯度更高的特征值，假设其特征值的纯度指标为iv，iv的计算公式如下所示：式中，r
i
表示目标特征变量中取值为i的样本数量，y为i的取值范围，r表示总样本数量，p
i
表示目标特征变量中取值为i的样本在正样本中出现的概率，公式中的log为自然对数，iv值越大，表示该特征值对于gbt-pchd-tabnet模型预测的能力越强，通常情况下，iv值大于0.3被认为是一个很强的预测纯度指标；s32、pchd-tabnet模型使用多个mask进行训练预测，每个mask对应一个决策步，将多个mask的预测结果通过加权平均方式融合得到最终预测结果，实现权重训练，构建出基于gbt-pchd-tabnet算法模型的推荐预测系统；s4、将步骤s1中的测试集作为第三层pchd-tabnet建模层中的pchd-tabnet模型的输入特征，如此，推荐预测系统即能生成推荐治疗方案。8.根据权利要求7所述的使用方法，其特征在于，步骤s32的具体操作如下：s321、对于每个mask，均使用pchd-tabnet模型进行预测，得到对应的预测结果；s322、对于每个预测结果，分别赋予一个权重，该权重代表其对最终预测结果的贡献程度；s323、将所有预测结果进行加权平均，得到最终的预测结果，加权平均的计算方法如下：最终权重预测值＝(权重1*预测结果1+权重2*预测结果2+...+权重i*预测结果i)/总权重；其中，权重i代表第i个mask的权重，预测结果i代表第i个mask的预测结果，总权重为所有权重的总和。

技术总结
本发明公开了一种智能医疗随访辅助系统及其使用方法，所述系统包括APP端、WEB端和云端，APP端包括患者APP端和医生APP端，患者APP端包括注册登录模块、病情信息模块、健康自测模块、饮食与运动模块、体质调理模块和医患互动模块；医生APP端包括患者随访记录查看模块、诊断模块和医患互动模块；WEB端包括患者端数据管理模块、医生端数据管理模块和总数据管理模块；云端分别与APP端和WEB端通信连接，以用于接收和存储患者APP端和医生APP端的数据，并采用算法模型生成推荐治疗方案。本发明可实现低成本、高效率为患者和医生提供一种交互式随访服务，能明显减少就诊过程中重复不必要环节所产生的工作负担。所产生的工作负担。所产生的工作负担。


技术研发人员：黄勇 苏前敏
受保护的技术使用者：上海工程技术大学
技术研发日：2023.07.04
技术公布日：2023/10/8