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