CN116030979A - 一种妊娠期妇女身体指标监控方法 - Google Patents
一种妊娠期妇女身体指标监控方法 Download PDFInfo
- Publication number
- CN116030979A CN116030979A CN202211704341.8A CN202211704341A CN116030979A CN 116030979 A CN116030979 A CN 116030979A CN 202211704341 A CN202211704341 A CN 202211704341A CN 116030979 A CN116030979 A CN 116030979A
- Authority
- CN
- China
- Prior art keywords
- weight
- gestation
- period
- data
- pregnancy
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 23
- 238000012544 monitoring process Methods 0.000 title claims abstract description 20
- 230000035935 pregnancy Effects 0.000 claims abstract description 129
- 241000282414 Homo sapiens Species 0.000 claims abstract description 20
- 206010033307 Overweight Diseases 0.000 claims abstract description 14
- 208000008589 Obesity Diseases 0.000 claims abstract description 13
- 235000020824 obesity Nutrition 0.000 claims abstract description 13
- 230000003442 weekly effect Effects 0.000 claims abstract description 13
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 9
- 230000004584 weight gain Effects 0.000 claims description 14
- 235000019786 weight gain Nutrition 0.000 claims description 14
- 230000037396 body weight Effects 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000012417 linear regression Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 5
- 230000005906 menstruation Effects 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000007619 statistical method Methods 0.000 claims description 3
- 230000035606 childbirth Effects 0.000 claims description 2
- 230000002354 daily effect Effects 0.000 description 10
- 230000032696 parturition Effects 0.000 description 5
- 238000010276 construction Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 208000030159 metabolic disease Diseases 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 239000000523 sample Substances 0.000 description 2
- 230000036266 weeks of gestation Effects 0.000 description 2
- 238000004260 weight control Methods 0.000 description 2
- 208000007530 Essential hypertension Diseases 0.000 description 1
- 208000037397 Fetal Weight Diseases 0.000 description 1
- 208000034702 Multiple pregnancies Diseases 0.000 description 1
- 208000002787 Pregnancy Complications Diseases 0.000 description 1
- 208000034790 Twin pregnancy Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 206010012601 diabetes mellitus Diseases 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000007717 exclusion Effects 0.000 description 1
- 210000003754 fetus Anatomy 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 208000019622 heart disease Diseases 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 208000017169 kidney disease Diseases 0.000 description 1
- 210000004185 liver Anatomy 0.000 description 1
- 208000019423 liver disease Diseases 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 210000001161 mammalian embryo Anatomy 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 230000035764 nutrition Effects 0.000 description 1
- 208000012113 pregnancy disease Diseases 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
Images
Landscapes
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明提供了一种妊娠期妇女身体指标监控方法，具体包括如下步骤：S1、采集数据，采集的数据包括但不限于年龄、身高、体围、体重、妊娠周期；S2、将妊娠期划分为妊娠早期、妊娠中期和妊娠晚期；S3、获取妊娠前的体重、分娩前体重，计算得到妊娠期体重总增长值；S4、计算每个妊娠时期人体体质指数BMI；S5、通过与标准的人体体质指数BMI进行对比将人体体质划分为低体重、正常体重、超重、肥胖四个等级，根据划分等级通过算法计算出每个等级的每日、周、月的推荐体重增长范围，给出体重推荐值。本方法可以科学的根据不同体质的人群、不同妊娠阶段的人群给出精确的、具体的日、周、月体重增长范围推荐数据，数据精确、针对性强。
Description
技术领域
本发明涉及一种身体指标监控方法，具体涉及一种妊娠期妇女身体指标监控方法。
背景技术
生命初期的1000天将影响人的一生，严格控制孕前体质指数(孕前BMI)指数及孕期体重增长可以减少巨大儿的发生及人类远期的并发症“代谢性疾病”及“肥胖”。我国产科质量之一要求控制巨大儿的发生率低于6％，但很多医疗机构统计数据未达标，因此目前常规的孕12周产前建孕册及孕期十余次的常规检查称重等孕期体重控制措施存在着不足。
公开号为CN108663108A的中国专利申请公开了一种孕妇体重监测电子秤及其监测方法，该监测方法可以督促孕妇在孕前及孕期每天定时检测体重；根据末次月经，自动计算孕周；运用WHO推荐的不同孕前BMI指数孕妇孕期体重增长标准，为孕妇制定孕期体重增长的警戒线；通过孕周估算胎儿体重；通过无线模块向用户推送健康建议，使得孕妇可以及时咨询营养及体重控制问题，达到合理控制孕妇孕期体重增长，合理控制胎儿大小，减少妊娠并发症，减少子代代谢性疾病等。但是该监测方法无法科学的根据不同人体体质指数划分的人群等级、不同的妊娠时期给出科学的、具体的日、周、月体重增长范围推荐值，不能科学的根据不同体质的人群、不同妊娠阶段给出精确数据，适应性和准确性均较差，因此需要改进。
发明内容
针对现有技术的不足，本发明提出了一种妊娠期妇女身体指标监控方法，可以科学的根据不同体质的人群、不同妊娠阶段的人群给出精确的、具体的日、周、月体重增长范围推荐数据，数据精确、针对性强。
为实现上述技术方案，本发明提供了一种妊娠期妇女身体指标监控方法，具体包括如下步骤：
S1、采集数据，采集的数据包括但不限于年龄、身高、体围、体重、妊娠周期；
S2、将妊娠期划分为妊娠早期、妊娠中期和妊娠晚期；
S3、获取妊娠前的体重、分娩前体重，计算得到妊娠期体重总增长值、妊娠早期体重增长值、妊娠中期体重增长值、妊娠晚期体重增长值；
S4、计算每个妊娠时期人体体质指数BMI，其中，人体体质指数BMI的计算公式为体重除以身高的平方，体重的单位为kg，身高的单位为m；
S5、通过与标准的人体体质指数BMI进行对比将人体体质划分为低体重、正常体重、超重、肥胖四个等级，根据划分等级通过算法计算出每个等级的每日、周、月的推荐体重增长范围，给出体重推荐值。
优选的，所述步骤S1中设置有数据采集App，年龄、身高、体围、体重、妊娠周期数据可通过用户对应输入至数据采集App给出的相应选项内。
优选的，所述步骤S2中按照如下方式划分妊娠期，妊娠期从末次月经的第一日开始计算，1～13周为妊娠早期，14～27周为妊娠中期，28周及以后为妊娠后期。
优选的，所述步骤S3中妊娠前的体重为妊娠之前三个月内的平均体重，分娩前体重为分娩前一周内最后一次称量的体重，妊娠期体重总增长值为分娩前体重减去妊娠前体重，妊娠早期体重增长值为妊娠早期末体重减去妊娠前体重所得数值，妊娠中期体重增长值为妊娠中期末体重减去妊娠早期末体重、妊娠晚期体重增长值为妊娠晚期末体重减去妊娠中期末体重。
优选的，所述步骤S5中，按照如下标准将人体体质划分为低体重、正常体重、超重、肥胖四个等级，当BMI≦18.5kg/m2时划分为低体重，当18.5kg/m2<BMI<24kg/m2时划分为正常体重，当24kg/m2≦BMI<28kg/m2时划分为超重，当28kg/m2≦BMI时划分为肥胖。
优选的，所述步骤S5中根据划分等级通过如下算法计算出每个等级每日、周、月的一个推荐体重增长范围：
S51、根据妇女妊娠期体重推荐标准计算先确定限定范围，建立线性回归模型，将年龄、孕次及产次、孕龄、孕前体重、分娩前体重、身高以及怀孕时间以二维数组的形式表示出来，构建一个数据集
[28,1,1,6,60,75,163,20221222],
[35,2,2,3,52,70,171,20221222],
[26,1,1,8,58,69,158,20221222]
...
S52、根据数据集，使用Origin软件模拟出最佳的拟合直线；
S53、构建完模型，对模型进行训练，训练的过程就是将表格中的数据以矩阵的形式输入到模型中，模型则通过数学统计方法计算日与各个特征之间关联关系，完成权值参数的分配；
S54、用户将数据按照特征依次填好，并输入到模型中，模型会输出一个精确的推荐体重增长数值。
本发明提供的一种妊娠期妇女身体指标监控方法的有益效果在于：本发明通过与标准的人体体质指数BMI进行对比将人体体质划分为低体重、正常体重、超重、肥胖四个等级，同时将妊娠期划分为妊娠早、中、晚三个时期，通过科学的算法，可以根据划分等级计算出每个等级、每个时期的每日、周、月的推荐体重增长值，从而可以科学的根据不同体质的人群、不同妊娠阶段的人群给出精确的、具体的日、周、月体重增长范围推荐数据，使得妊娠期体重指标跟踪可控，而且数据精确、针对性强。
附图说明
图1为本发明的流程图。
图2为本发明中线性回归模型的流程图。
图3为本发明中的拟合直线示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例，均属于本发明的保护范围。
实施例：一种妊娠期妇女身体指标监控方法。
参照图1所示，一种妊娠期妇女身体指标监控方法，具体包括如下步骤：
S1、采集数据，采集的数据包括但不限于年龄、身高、体围、体重、妊娠周期，其中体围和体重可以通过硬件抓取，比如App或者体重秤等，其它都是通过用户自己输入，提供一个输入装置，如App或者硬件上的软件屏幕交互采集数据，年龄、身高、体围、体重、妊娠周期数据可通过用户对应输入至数据采集App给出的相应选项内。
S2、将妊娠期划分为妊娠早期、妊娠中期和妊娠晚期，妊娠期从末次月经的第一日开始计算，约为280日(40周)，临床上将妊娠全程分为妊娠早期、妊娠中期、妊娠晚期3个时期，其中1～13周为妊娠早期，14～27周为妊娠中期，28周及以后为妊娠后期。
S3、获取妊娠前的体重、分娩前体重，计算得到妊娠期体重总增长值、妊娠早期体重增长值、妊娠中期体重增长值、妊娠晚期体重增长值，其中妊娠前的体重为妊娠之前三个月内的平均体重，分娩前体重为分娩前一周内最后一次称量的体重，妊娠期体重总增长值为分娩前体重减去妊娠前体重，妊娠早期体重增长值为妊娠早期末体重减去妊娠前体重所得数值，妊娠中期体重增长值为妊娠中期末体重减去妊娠早期末体重、妊娠晚期体重增长值为妊娠晚期末体重减去妊娠中期末体重，通过获取到每个时期的增重值增重的体重值，为后面计算不同时期的推荐值的时候提供参数。
S4、计算每个妊娠时期人体体质指数BMI，其中，人体体质指数BMI的计算公式为体重除以身高的平方，体重的单位为kg，身高的单位为m，例如身高为1.65m，体重为60kg的人的人体体质指数BMI＝75/1.752＝22.04kg/m2。
S5、通过与标准的人体体质指数BMI进行对比将人体体质划分为低体重、正常体重、超重、肥胖四个等级，具体按照如下标准将人体体质划分为低体重、正常体重、超重、肥胖四个等级，当BMI≦18.5kg/m2时划分为低体重，当18.5kg/m2<BMI<24kg/m2时划分为正常体重，当24kg/m2≦BMI<28kg/m2时划分为超重，当28kg/m2≦BMI时划分为肥胖，再以身高为1.65m，体重为60kg的人的人体体质指数BMI＝75/1.752＝22.04kg/m2为例，其按照人体体质指数BMI划分为正常体重。
然后根据划分等级通过算法计算出每个等级的每日、周、月的推荐体重增长范围，算法模型的构建过程如图2所示：
选择样本数量，采用方便抽样法选取1000孕妇为对象，对孕妇孕期体重增长情况进行统计学计算。对孕前体重过低、正常体重、超重及肥胖孕妇孕期体重增长情况进行统计学比较，并采用多重线性回归分析法，对孕妇孕期体重增长的影响因素进行分析。选取对象要求①足月妊娠；②年龄≥18岁；③单胎妊娠；④无心脏病、原发性高血压、糖尿病及肝、肾疾病等内科合并症。排除标准：双胎或多胎妊娠者，有其他合并症者。
统计对象每天测量的体重增长数值，根据获取对象的年龄、孕次及产次、孕龄、孕前体重、分娩前体重及身高。
根据妇女妊娠期体重推荐标准计算先确定限定范围，建立线性回归模型。
在机器学习中斜率k通常用w表示，也就是权重系数，“线性方程”通过控制w与b来实现“直线”与数据点最大程度的“拟合”。如图3(黑色x号代表数据样本)所示。
构建线性模型
在线性回归问题中数据样本会呈现“线性”分布的态势，因此我们使用“线性方程”来最大程度的“拟合数据”。线性方程预测的结果具有连续性，首先年龄、孕次及产次、孕龄、孕前体重、分娩前体重、身高时间及是一组连续性的数据，也就是因变量随着自变量规律性地连续增长，显然它是一个“回归问题”。下面把上述数据以二维数组的形式表示出来，构建一个数据集
[28,1,1,6,60,75,163,20221222],
[35,2,2,3,52,70,171,20221222],
[26,1,1,8,58,69,158,20221222]
...
根据数据集，我们知道两个点就可以确定一条“直线”,在大量的数据中，通过不断优化参数，找到一条最佳的拟合“直线”，最终预测出一个理想的结果。
构建完模型，我们需要对其进行训练，训练的过程就是将表格中的数据以矩阵的形式输入到模型中，模型则通过数学统计方法计算日与各个特征之间关联关系，也就是“权值参数”。训练完成之后，就可以对体重日、月、周增长量进行预测了。首先将数据按照“特征值”依次填好，并输入到模型中，模型会输出一个精确的推荐体重增长数值。
具体实施中，模型给出体重推荐值：当人体体质划分为低体重时，妊娠周期内总的增重范围为11～16kg，妊娠早期增长范围为0～2kg，妊娠中期和晚期每周体重增长范围为0.37～0.56kg；当人体体质划分为正常体重时，妊娠周期内总的增重范围为8～14kg，妊娠早期增长范围为0～2kg，妊娠中期和晚期每周体重增长范围为0.26～0.48kg；当人体体质划分为超重时，妊娠周期内总的增重范围为7～11kg，妊娠早期增长范围为0～2kg，妊娠中期和晚期每周体重增长范围为0.22～0.37kg；当人体体质划分为肥胖时，妊娠周期内总的增重范围为5～9kg，妊娠早期增长范围为0～2kg，妊娠中期和晚期每周体重增长范围为0.15～0.30kg。
本发明通过与标准的人体体质指数BMI进行对比将人体体质划分为低体重、正常体重、超重、肥胖四个等级，同时将妊娠期划分为妊娠早、中、晚三个时期，通过科学的算法，可以根据划分等级计算出每个等级、每个时期的每日、周、月的推荐体重增长值，从而可以科学的根据不同体质的人群、不同妊娠阶段的人群给出精确的、具体的日、周、月体重增长范围推荐数据，使得妊娠期体重指标跟踪可控，而且数据精确、针对性强。
以上所述为本发明的较佳实施例而已，但本发明不应局限于该实施例和附图所公开的内容，所以凡是不脱离本发明所公开的精神下完成的等效或修改，都落入本发明保护的范围。
Claims (6)
1.一种妊娠期妇女身体指标监控方法，其特征在于具体包括如下步骤：
S1、采集数据，采集的数据包括但不限于年龄、身高、体围、体重、妊娠周期；
S2、将妊娠期划分为妊娠早期、妊娠中期和妊娠晚期；
S3、获取妊娠前的体重、分娩前体重，计算得到妊娠期体重总增长值、妊娠早期体重增长值、妊娠中期体重增长值、妊娠晚期体重增长值；
S4、计算每个妊娠时期人体体质指数BMI，其中，人体体质指数BMI的计算公式为体重除以身高的平方，体重的单位为kg，身高的单位为m；
S5、通过与标准的人体体质指数BMI进行对比将人体体质划分为低体重、正常体重、超重、肥胖四个等级，根据划分等级通过算法计算出每个等级的每日、周、月的推荐体重增长范围，给出体重推荐值。
2.如权利要求1所述的妊娠期妇女身体指标监控方法，其特征在于：所述步骤S1中设置有数据采集App，年龄、身高、体围、体重、妊娠周期数据可通过用户对应输入至数据采集App给出的相应选项内。
3.如权利要求1所述的妊娠期妇女身体指标监控方法，其特征在于：所述步骤S2中按照如下方式划分妊娠期，妊娠期从末次月经的第一日开始计算，1～13周为妊娠早期，14～27周为妊娠中期，28周及以后为妊娠后期。
4.如权利要求1所述的妊娠期妇女身体指标监控方法，其特征在于：所述步骤S3中妊娠前的体重为妊娠之前三个月内的平均体重，分娩前体重为分娩前一周内最后一次称量的体重，妊娠期体重总增长值为分娩前体重减去妊娠前体重，妊娠早期体重增长值为妊娠早期末体重减去妊娠前体重所得数值，妊娠中期体重增长值为妊娠中期末体重减去妊娠早期末体重、妊娠晚期体重增长值为妊娠晚期末体重减去妊娠中期末体重。
5.如权利要求1所述的妊娠期妇女身体指标监控方法，其特征在于：所述步骤S5中，按照如下标准将人体体质划分为低体重、正常体重、超重、肥胖四个等级，当BMI≦18.5kg/m2时划分为低体重，当18.5kg/m2<BMI<24kg/m2时划分为正常体重，当24kg/m2≦BMI<28kg/m2时划分为超重，当28kg/m2≦BMI时划分为肥胖。
6.如权利要求5所述的妊娠期妇女身体指标监控方法，其特征在于，所述步骤S5中根据划分等级通过如下算法计算出每个等级每日、周、月的一个推荐体重增长范围：
S51、根据妇女妊娠期体重推荐标准计算先确定限定范围，建立线性回归模型，将年龄、孕次及产次、孕龄、孕前体重、分娩前体重、身高以及怀孕时间以二维数组的形式表示出来，构建一个数据集
[28,1,1,6,60,75,163,20221222],
[35,2,2,3,52,70,171,20221222],
[26,1,1,8,58,69,158,20221222]
...
S52、根据数据集，使用Origin软件模拟出最佳的拟合直线；
S53、构建完模型，对模型进行训练，训练的过程就是将表格中的数据以矩阵的形式输入到模型中，模型则通过数学统计方法计算日与各个特征之间关联关系，完成权值参数的分配；
S54、用户将数据按照特征依次填好，并输入到模型中，模型会输出一个精确的推荐体重增长数值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211704341.8A CN116030979A (zh) | 2022-12-29 | 2022-12-29 | 一种妊娠期妇女身体指标监控方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211704341.8A CN116030979A (zh) | 2022-12-29 | 2022-12-29 | 一种妊娠期妇女身体指标监控方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116030979A true CN116030979A (zh) | 2023-04-28 |
Family
ID=86090632
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211704341.8A Pending CN116030979A (zh) | 2022-12-29 | 2022-12-29 | 一种妊娠期妇女身体指标监控方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116030979A (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050085742A1 (en) * | 2003-10-16 | 2005-04-21 | Tanita Corporation | Health management device for pregnant woman |
| CN106529127A (zh) * | 2016-10-21 | 2017-03-22 | 大连千松科技有限公司 | 一种基于互联网的高危妊娠管理方法和装置 |
| CN110517778A (zh) * | 2019-08-29 | 2019-11-29 | 四川长虹电器股份有限公司 | 一种智能体重秤的体重管理方法 |
| CN110600100A (zh) * | 2019-08-20 | 2019-12-20 | 严卫丽 | 一种中国孕妇孕期体重增重管理方法 |
-
2022
- 2022-12-29 CN CN202211704341.8A patent/CN116030979A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050085742A1 (en) * | 2003-10-16 | 2005-04-21 | Tanita Corporation | Health management device for pregnant woman |
| CN106529127A (zh) * | 2016-10-21 | 2017-03-22 | 大连千松科技有限公司 | 一种基于互联网的高危妊娠管理方法和装置 |
| CN110600100A (zh) * | 2019-08-20 | 2019-12-20 | 严卫丽 | 一种中国孕妇孕期体重增重管理方法 |
| CN110517778A (zh) * | 2019-08-29 | 2019-11-29 | 四川长虹电器股份有限公司 | 一种智能体重秤的体重管理方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Lu et al. | Prediction of fetal weight at varying gestational age in the absence of ultrasound examination using ensemble learning | |
| CN114464322B (zh) | 女性盆底功能障碍性疾病风险预警模型及其构建方法和系统 | |
| Burkhardt et al. | Reference values for the weight of freshly delivered term placentas and for placental weight–birth weight ratios | |
| CN109602394A (zh) | 评估受试者卵巢储备功能的系统 | |
| CN109730796B (zh) | 一种全牙列咬合监测与智能分析辅助诊疗装置 | |
| CN113628750B (zh) | 一种基于数字技术的营养不良快速筛查系统 | |
| CN109065113B (zh) | 基于机器学习的人体减重方案推荐方法、系统及介质 | |
| CN107133457A (zh) | 智能烹饪方法、装置及设备 | |
| CN114974585A (zh) | 一种妊娠期代谢综合征早期风险预测评估模型构建方法 | |
| JP7097570B2 (ja) | データ収集解析装置及びデータ収集解析方法 | |
| CN117116490A (zh) | 心血管病评估模型构建方法、膳食食疗及健康管理系统 | |
| CN116030979A (zh) | 一种妊娠期妇女身体指标监控方法 | |
| JP2018140172A (ja) | データ収集装置及びデータ収集方法 | |
| CN112331340A (zh) | 育龄夫妇妊娠概率的智能预测方法及系统 | |
| CN113197550B (zh) | 一种双胎生长发育标准曲线构建的方法 | |
| Glantz | Cesarean delivery risk adjustment for regional interhospital comparisons | |
| CN112820406A (zh) | 一种妊娠早期对子痫前期发病风险的预测方法 | |
| CN112336379A (zh) | 一种骨质疏松症数据收集与分析平台 | |
| EP3786977A1 (de) | Computerimplementiertes verfahren und elektronisches system zur prognose eines entbindungszeitpunkts | |
| CN112289435B (zh) | 一种基于机器学习和体检数据的妊娠期糖尿病筛查系统 | |
| CN111354456A (zh) | 中医体质类型检测方法及装置 | |
| CN110600100A (zh) | 一种中国孕妇孕期体重增重管理方法 | |
| CN113096768A (zh) | 一种食管癌的饮食调理养护方法及系统 | |
| CN107832738B (zh) | 一种确定皮肤pH值变化的年龄拐点的方法 | |
| CN117954083B (zh) | 一种基于机器学习算法的子痫前期预测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20230428 |