1 简介

借助互联网和无线传感技术设备，对心脑血管疾病、糖尿病、高尿酸血症等慢性非传染性疾病患者进行长期监测、风险预测和预警干预。 已成为我国各级医疗机构重视和落实的重要任务。 “加强慢性病防控、精准医疗、智慧医疗等关键技术突破”是《健康中国2030》规划纲要中明确提出的目标。 王龙德院士指出，“应对慢性病，应重点关注危险因素的发现和控制，帮助公众发现危险因素”[1]。

重点关注慢性病数字化管理，包括健康监测设备提供商、数据服务电信运营商、健康数据管理机构、医疗服务机构、健康服务商、卫生监督管理政府部门、医药企业、健康管理者、慢性病不同群体患者及其家属等用户共同构成了慢病数字化管理生态系统。 近年来，各类慢病管理创新技术、产品和模式不断涌现。 只有构建和实施健康合理的服务生态系统，借助互联网和现代化、数字化的管理方法，才能调动整个生态系统中各个角色的积极性。 ，只有实现各自的利益，才能推动慢性病预防、控制和管理工作长期有效推进[2-4]。

从服务生态圈建设和应用的角度，研究了“互联网+慢病数字化管理”模式及其核心数字化技术源生态健康，提出整合慢病患者、设备供应、医药企业、健康服务、医疗等机构。 建立了包括卫生监督、健康监管等六方的多边服务生态架构，设计了能够有效协调多边服务的慢病管理服务生态平台。

2 多方参与的慢性病数字化管理与服务

随着慢病数字化管理技术和服务模式的不断进步，逐步形成多类型用户、多角色参与的慢病管理和服务体系，实现慢病数据生成、采集、监测、用药指导、用药和服务。设备供应、卫生监督等多边协作模式。 综上所述，多方参与的慢性病管理与服务体系如图1所示。

慢性病患者：所有纳入慢性病管理和服务体系的慢性病患者，包括心脑血管疾病、糖尿病、高尿酸血症等慢性病。 慢性病患者不仅是监测管理数据的原始生产者，也是整个服务体系的服务对象[5-7]。

设备供应商：生产或销售用于收集慢性病患者信息的设备，例如测量患者尿酸水平并将其上传到云端数据库的便携式尿酸计、记录患者运动和饮食的健康数据管理应用程序等。

医疗机构：为慢性病患者提供诊断、治疗、康复、康复综合服务的各类医疗机构。 具备资质的医疗机构可​​以为患者提供及时、准确的用药指导和健康管理建议。

健康服务商：借助“互联网+医疗”和便捷的技术手段和管理模式，涌现出许多为慢性病患者提供全流程健康数据管理服务的专业服务商。

制药公司：为慢性病患者提供医疗器械和药品的传统制药公司逐渐转型为更加全面的数字化服务模式。 这些企业在丰富自身产品性能的基础上，正在建立自己的产品生态链。

卫生监督部门：卫生部门对涉及疾病和患者信息管理和服务的各个环节进行监督管理，并随着慢性病管理数字化程度的不断提高，不断完善监督方式和评价机制。

慢病管理与服务系统是一个复杂的系统，包括多类用户，这些用户之间相互协作、利益各异。 需要从系统工程的角度综合考虑多边协作机制，建立反映各参与方利益的良性慢病管理和服务生态系统，从而实现慢病管理和服务的长期健康运行。

3、“互联网+慢病数字化管理”服务生态体系构建

自然界稳定的生态系统一般包括生产者、消费者和分解者，它们之间相互竞争、合作，在动态调整过程中达到相对平衡。 只有良性健康的生态系统才能长期发展，并具有一定的自我调节能力。

类比自然界的生态服务系统，慢病管理服务系统中的各类用户也根据其在健康数据中扮演的角色分为生产者、消费者和分解者，形成慢病数字化管理服务生态系统。 系统如图2所示。为了构建良性、长效的慢病数字化管理服务生态系统，我们从“互联网+医疗”和服务的角度，深入分析生产者、消费者和分解者的需求，开发慢病数字化管理工具和服务模式，提供慢病数字化管理服务。 为疾病早期筛查、精准诊断、风险预测、预警干预、综合治理和效果评估提供更加高效精准的技术支撑。 慢病数字化管理服务生态系统的技术架构如图3所示，包括从慢病数据生成与采集、慢病数据云管理系统、健康服务与监管的技术层次和交互结构，体现了数字化管理慢性疾病。 服务生态系统的技术结构。

随着无线传感器网络技术、互联网和移动应用软件开发技术的快速发展，慢病患者日常数据的采集和管理已经越来越成熟，慢病数据终端采集适合多种不同的应用场景已提供。 和管理解决方案。 图4展示了目前常见的“互联网+慢病”数据采集模型。

慢性病患者借助设备供应商提供的便携式设备，在家中即可快速检测自己的生理指标，如血压、血糖、尿酸等。 然后您可以通过便携式设备内置的蓝牙或WiFi无线传输模块以及App或小程序等移动应用软件将测试结果同步到您的智能手机。 智能手机通过4G/5G无线网络或以太网定期或实时上传慢病监测数据到医疗机构或健康管理机构的云端服务器，慢病患者的个人健康档案在服务器端管理中记录和维护系统。 。

在“互联网+慢病”数据采集和管理软硬件设备及用户的参与下，慢病患者、设备供应商、医疗机构、健康管理机构等各类用户都可以接入基于慢病管理和服务的生态系统。互联网。 ，并完成数据采集、传输、存储和分析。

“互联网+慢病”管理和服务不仅涉及健康监测、诊断和治疗，还包括数据集成和管理、健康档案标准化管理和服务、家政和配套服务、政策制定、医疗器械和药品研发和生产等以及服务链多个环节的整合。

3.2.1 慢病监测数据采集设备厂商整合 慢病监测生理参数采集技术和产品相对成熟，但采集设备的数据接口和协议存在不一致和不兼容的情况。 在设计慢病管理服务生态系统的过程中，需要预先设定标准化、统一、稳定的数据协议和接口，以尽可能兼容其他品牌和类型的监测设备、传输设备和数据可能连接的管理服务器。 ，同时保持松散耦合的结构，保证生态系统的可扩展性。

3.2.2 大数据云平台服务商整合 大数据云存储和管理是慢性病智能大数据分析和健康指导的基础。 数据存储和管理需求可以通过自建、租赁等方式满足。但与慢性病患者相关的个人和健康数据有隐私和安全保护要求。 在整合大数据云平台服务商的过程中，必须严格规范数据隐私保护和敏感信息过滤。

3.2.3医联体与健康管理机构融合慢性病防治相关的早期筛查、精准诊断、治疗方案制定、风险预测、预后评估以及综合管理流程都需要医疗健康管理机构的参与。 要结合并发挥医生的知识和决策主体地位，整合医生、远程专家和医疗卫生管理部门的专家资源，建立知识库，为远程诊断提供专业指导和临床治疗。

4 生态系统服务推荐方法及仿真实验

“互联网+慢病数字化管理”服务生态系统是一个开放的系统，同一类型的产品和服务可能包括多个供应商和服务提供商。 为了保证生态系统的健康可持续发展，需要允许供应商和服务提供商之间进行一定程度的良性竞争，并且必须赋予用户自由选择供应商和服务提供商的权力[8-9]。

为了更高效、精准地连接慢病数字化管理系统中的用户需求、产品和服务，设计并开发了慢病管理服务生态系统的协同过滤推荐方法。 协同过滤推荐算法是在社交网络推荐算法的基础上改进提出的[10-11]。 由于慢病防治涉及的用户群体复杂、业务领域交叉、服务流程时长长等特点，慢病管理社交网络的构建考虑了慢病类型、患病年限、地理位置等因素。 、医生评级和软件操作。 对于病史等因素，采用皮尔逊相关系数（ ）来衡量患者之间的相似性。 计算公式如下：

其中，uv,I表示患者u和v的相似软件操作记录，ui,r表示患者u对医生i的评分值，vi,r表示患者v对医生i的评分值，ur和vr表示分别为患者 u 和医生 i 的评分值。 患者v的历史平均评分值。基于用户相似度计算，采用K-means算法进行聚类，为属于同一聚类的用户推荐与慢病管理服务相关的产品和服务。

为了验证慢病数字化管理和服务生态系统协同过滤算法的有效性和准确性，对基于兴趣的协同过滤、基于用户的协同过滤、基于对象的协同过滤三种典型的协同过滤算法进行对比仿真。 。 实验和比较分析。 根据以往经验，将簇内用户相似度阈值设置为0.8，计算三个模型的推荐准确率平均绝对误差（MAE）。 仿真实验结果如图5所示。

实验结果表明，在慢病管理和服务生态系统中，基于兴趣的协同过滤推荐算法比其他两种算法更加准确。 因此，更适合慢病监测和健康管理相关的产品和服务。 推荐应用。 从应用效果来看，慢病管理与服务生态系统能够更好地体现“人-数据-医疗服务-医疗产业”的互动，借助互联网实现精准医疗和服务。

5 结论

研究“互联网+慢病数字化管理”模式与应用，提出整合多方资源的慢病管理与服务生态体系架构及构建方法。 “互联网+健康管理”可以有效整合慢病数据采集、慢病大数据智能分析以及慢病管理和服务产业链的各个环节，充分调动相关角色的主动性和效率，为慢病管理提供一个便捷的途径。和服务生态系统。 为企业长期健康发展提供支撑。

参考

[1]王龙德. “健康中国2030”的机遇与挑战[J]. 科技导报，2018，36(22)：8-11。

[2] 丁冲，朱杰． 基于公共卫生平台的慢性病监测系统设计与实现[J]. 中国数字医学, 2017, 12(4): 43-46.

[3] 王浩，陈菊红，姚树军，等。 服务生态系统利益相关者价值共创分析框架研究[J]. 软科学, 2021, 35(3): 108-115.

[4] 张培，杨英。 服务生态系统视角下多主体参与的服务创新过程[J]. 科研管理, 2020, 41(8): 31-38.

[5] 李静莲，冯亚迪，李静． 移动医疗APP在慢病管理领​​域的有效性评价因素分析[J]. 中国数字医学, 2020, 15(4): 46-48.

[6] 董建岭，杨静，李敏，等。 慢病管理下原发性痛风患者随访现状研究[J]. 中国临床研究, 2020, 33(9): 1185-1188.

[7] 沈东平，牟雪飞源生态健康，李俊伟，等。 基于“互联网+医疗”的慢病随访管理平台设计与应用[J]. 中国数字医学, 2019, 14(5): 49-51.

[8] 付耀. 基于个人移动服务生态系统的服务推荐方法[D]. 哈尔滨：哈尔滨工业大学，2019。

[9] 于洋，孙林甫，吴其士． 一种适合业务流程定制环境的服务推荐解决方案[J]. 计算机集成制造系统, 2019, 25(3): 692-702。

[10] 王家磊，郭耀，刘志红。 基于社交网络信任关系的服务推荐方法[J]. 计算机科学, 2018, 45(S2): 402-408.

[11] 潘伟峰，江波，李冰，等。 基于组合历史的交互式服务推荐方法[J]. 计算机研究与发展，2018，55(3)：613-628。

本站对作者上传的所有内容将尽可能审核来源及出处，但对内容不作任何保证或承诺。请读者仅作参考并自行核实其真实性及合法性。如您发现图文视频内容来源标注有误或侵犯了您的权益请告知，本站将及时予以修改或删除。