Page 55 - 南京医科大学学报社会科学版
P. 55

南
               第6期 总第119期                           南京医科大学学报(社会科学版)京医科大学学报(社会科学版)
                 2023年12月                     Journal of Nanjing Medical University(Social Sciences)of Nanjing Medical University(Social Sciences)  · 547  ·
                                              Journal
                  (二)健康画像种类                                      对性方面仍存在一定局限性。健康画像技术不仅
                   根据健康画像应用对象的不同,可将其分为个                          可以收集患者医疗健康数据,还可以收集患者生活
               体健康画像和群体健康画像。个体健康画像是通过                            习惯、环境特征等信息,在提高风险预测模型的精
               提取个体特征数据,以标签形式直观展现个体行为、                           准性与适应性方面具有重要意义。已有研究通过
               需求、兴趣等特征。个体健康画像主要用于个案分                            全方位追溯患者就医行为、疾病发展等各项数据,
               析,利用尽可能全面的数据从多个角度对个体进行分                           抽取患者画像特征化标签和统计类标签,构建适合
               析,从而刻画出具有个人特征的画像模型                   [5,7] 。而群    高血压和糖尿病患者的风险预测模型以加强疾病
               体健康画像是在个体健康画像基础上,运用统计、                            预测和管理能力        [18] 。在心理疾病识别方面,国外研
               分类、聚类等数据挖掘方法把具有相似特征的个体                            究者通过问卷收集精神科门诊患者心理健康状况
               聚集成不同群组,以发现群体特征变化规律。群体                            资料,基于泊松分布模型构建健康画像模型来预
               健康画像旨在对群体特征进行分析,挖掘和提炼群                            测患者的危险行为         [19] 。国内学者分别利用抑郁情
               体的共性,为实现人群特征分析、精准推荐等提供                            感词典和抑郁情感分类模型构建抑郁症患者健康
                   [8]
               支持 。                                              画像,以精准识别患者抑郁症状与程度并帮助其
                  (三)健康画像刻画步骤                                    治疗  [20-21] 。与以往研究相比,运用健康画像技术构
                   健康画像刻画主要包括数据采集、特征提取和                          建风险预测模型,可深入挖掘影响疾病发生发展的
               画像生成与可视化三个步骤。第一步为采集健康                             各种危险因素,更加精准预测个体疾病风险状况,
               数据。数据采集越全面、完整,健康画像越符合真                            实现有病治病、无病防病的目标。健康画像虽然可
               实世界场景。目前,健康画像数据主要来源于患者                            以早期对疾病进行精准识别与预测,但目前仍需依
               医疗信息、访谈和问卷调查、移动健康软件或社交                            赖大量高质量健康信息数据及机器学习技术对患
                       [9]
               网络平台 。第二步为提取健康特征。特征提取是                            者特征标签进行精准挖掘,并且开发周期较长,开
               健康画像刻画的核心步骤,主要是通过人工或机器                            发成本较高。
               学习算法将收集的数据进行整理和分析,抽取主题                                (二)智能化健康教育
               相关特征,得到健康画像标签体系                [10] 。第三步为健            健康教育在健康管理中发挥重要作用,可帮助
               康画像生成与可视化。基于数据挖掘技术和标签                             患者改善不良生活习惯,提高健康素养                   [22] 。目前,
               体系刻画健康画像模型,并利用词云图、雷达图、气                           健康教育主要有专题讲座、视频、科普宣传栏、微信
               泡图等可视化图形清晰展示             [11-12] 。                群等多种形式,对患者健康状况改善具有一定效
                                                                 果,但这些教育形式内容有限,导致患者无法获取
                   二、健康画像在慢性病管理中的应用
                                                                 全面、必要的健康知识。而健康画像技术可根据患
                   健康管理是指全面收集患者个人或群体健康                           者自身需求,提供多方面的健康知识。在糖尿病疾
               信息,对可能的健康危险因素进行监测、分析、评估,                          病领域,张海涛等        [23] 基于概念格从用户需求、用户
               并针对性给予患者健康指导与干预,从而改善患者健                           角色和用户行为三个维度精准刻画社区糖尿病患
               康状况,达到预防疾病发生、发展的目的                 [13] 。健康管      者群体健康画像,并根据画像特征分析患者对疾病
               理核心目的是在节约资源、减少医疗成本的基础                             预防、治疗、管理等方面的信息需求,准确将健康知
               上,降低个体及群体患病风险,提高健康状况                      [14] 。  识推送给患者。胡畔           [24] 也基于概念格刻画糖尿病
               随着“互联网+医疗”迅速发展,电子健康档案、电子                          患者画像,并以用户需求为导向、以网页位置为场
               病历等健康大数据被用来刻画患者健康画像,以更                            景划分,在不同场景下向患者精准推荐预防、治疗
               好地实现对慢性病的健康管理,控制病情进展。健                            等方面的健康知识。在高血压疾病领域,也有研究
               康画像在慢性病健康管理中的应用主要包括精准                             在基于概念格刻画健康画像的基础上,利用关联规
               化风险预测、智能化健康教育、信息化用药管理及                            则深入挖掘患者潜在行为规律完善健康画像,为在
               数字化诊疗服务等方面。                                       线健康社区健康教育和个性化推荐提供参考                        [25] 。
                  (一)精准化风险预测                                     在肿瘤疾病领域,研究者分别基于高斯模型、主题
                   慢性病发病隐匿、不易识别,且一旦发病难以                          分类算法,构建不同类型患者健康画像模型以挖掘
               治愈,具有较高的致残率和致死率,给个人、家庭、                           其知识需求差异,为向患者精准知识推荐服务奠定
               社会造成了严重的疾病负担。因此,早期预测和识                            了基础   [26-27] 。为了更好地满足患者对健康知识的需
               别疾病发生与发展尤为重要。目前基于风险评估                             求,国外有学者利用访谈收集的数据构建患者消息
               量表  [15] 、Logistic 回归 [16] 、列线图 [17] 等构建的慢性病      偏好画像,并基于画像呈现的偏好特征将健康知识
               风险预测模型,对疾病早期预测与识别具有一定意                            推荐给冠心病患者,以提高其自我管理能力                     [28] 。以
               义,但上述方法构建的风险预测模型在准确性与针                            健康画像为核心的智能化健康教育方法,不仅能快
   50   51   52   53   54   55   56   57   58   59   60