计划生育政策是我国在人口发展的特殊阶段实行的一项特殊政策，它对于控制人口过快增长、促进经济快速发展起到了不可忽视的重要作用。伴随着"单独二孩"生育政策的平稳运行以及新时期我国人口发展总体形势,我国计划生育家庭扶助保障政策调整和转型迎来了重要机遇期和窗口调整期，由注重"奖励扶助"向更加注重"扶助保障"转变,成为经济新常态背景下统筹开展卫生计生工作的新思路。弘远科技准确把握计划生育政策调整这一宏观背景和计划生育家庭扶助保障规划建设这一重要机遇，开发计划生育扶助保障信息系统。该系统运用现代化信息技术，实现了信息处理智能化，相比传统系统，信息错误率显著下降，效率明显提高。该系统具有以下几个特点：1、实用性。面向工作人员，采用简单易行的方式来满足应用要求，让工作人员不需要进行繁琐的查找就可找到相关功能，简化操作流程，为扶助对象提供便利，减轻工作人员的工作负担。2、先进性。系统的建设应用了先进的计算机技术、信息技术等，兼顾系统的成熟性与整体性，以满足未来技术的发展要求。3、安全性。明确角色权限管理，避免信息数据的泄露，防止信息数据被篡改。4、一致性。该系统设有政策措施汇编，确保与政府政策要求一致。计划生育扶助保障系统紧跟时代发展的步伐，推进信息化管理，充分保障信息数据的精准性，有效提升工作效率，改善工作质量。

在医疗技术临床应用管理中引入计算机信息化管理手段，对医疗技术临床应用管理业务的标准化、规范化和建立高效便捷的管理模式是至关重要的。为了改变我国当前大多数医疗机构仍然采用手工操作统计信息的落后现状，弘远科技开发了医疗技术临床应用管理信息系统，该系统是为省、市、县卫生健康委员会行政主管部门、医疗质量控制组织、医疗机构开展我省医疗技术临床应用事中事后监管工作的软件系统，创新了管理模式，满足了现阶段医疗机构在医疗技术临床应用管理业务方面的实际需要。基于对《医疗技术临床应用管理办法》和《医疗机构依法执业自查管理办法》等文件的深入解读，该系统会对医疗机构的基本信息、所具备的医疗技术、首例手术开展的时间和具备资质的人员进行备案，同时还设有自查评估，做到技术管理工作的严格自查。通过加强医疗技术临床应用的管理与有效监督，可以确保技术的安全性和有效性，促进医疗机构管理水平的不断优化与创新发展，稳步提高人民群众的健康水平。医疗技术临床应用管理信息系统利用信息化手段对现有国家、省级医疗技术临床应用管理业务进行流程再造、协同配合、有效规范，能够彻底解除手工操作带来的效率低下、出错率高、查询统计资料存储不便等弊端，减轻工作人员的劳动强度，有效提高医疗服务质量，扩大医疗机构辐射能力，提升医疗机构核心竞争力，切实体现医疗机构的公益性，真正实现社会效益与经济效益的双丰收，促进我国医疗卫生事业的长期发展。

随着人们对管理现代化的迫切需求及电子信息技术的迅速发展，计算机管理信息系统在我国政府部门业务管理中得到越来越广泛和深入的应用，成为现在政府业务管理领域必不可少的重要组成部分。在全面分析计划生育家庭奖励扶助政策的基础上，弘远科技开发了计划生育扶助保障信息系统，此系统是一款针对计划生育家庭扶助政策的认证、申报、年审的软件系统，其涉及到的计算机技术为信息数据的存储提供了较大的空间，确保了数据的精细化。通过计划生育扶助保障信息系统，工作人员可以实时掌握政策措施的详细情况，管理与查阅计划生育扶助对象的基本信息，还可以提交审核和进行公示，做到了政策兑现过程痕迹管理和资料档案存储查阅电子化，实现了贯彻落实政策的全过程计算机网络化操作与管理，为扶助对象提供了便利。计划生育扶助保障信息系统充分利用现有先进的信息化基础平台，不仅能够提高人员、机构信息的准确性，解决计划生育部门、社会保障局等的人口、机构信息不一致的问题，减少扶助资金错发、漏发的情况发生，确保资金能发到通过扶助审核的人手中，还能够解决机构分散、情况多样、统计困难等现实难题，进一步提高政府的工作效率、降低工作成本，进一步提高政府的决策能力和公共服务能力，确保贯彻落实政策的公平、公开、高效和规范。

伴随着计算机应用的不断普及和信息技术的迅速发展，管理信息系统得到了广泛的应用，并且已经渗透到了市场经济的各个角落，发挥着着越来越重要的作用。医疗技术临床应用管理作为医疗管理的重要部分和保障医疗质量、医疗安全的重要手段,不仅对医疗机构的综合实力有所影响，还与患者的健康权益密切相关，如果在医疗技术临床应用管理中采用先进的计算机管理手段，将有助于构建较为科学完善的医疗技术管理模式。为此，弘远科技开发了医疗技术临床应用管理信息系统，该系统是为省、市、县卫生健康委员会行政主管部门、医疗质量控制组织、医疗机构开展我省医疗技术临床应用事中事后监管工作的软件系统。通过该系统，可以对现有的医疗技术进行备案，可以查询到资质人员的信息、医疗机构的基本信息、自查评估的信息和医疗机构的意见等，还可以进行病例信息管理与查询，极大的减轻了人力负担。医疗技术临床应用管理信息系统利用信息化手段对现有国家、省级医疗技术临床应用管理业务进行流程再造、协同配合、有效规范，最终形成统一集成的平台。此系统能够帮助构建较为科学完善的医疗技术管理模式，促进医疗技术的规范化管理,有效提高医疗服务质量,促进医疗机构综合实力的提升。

现实中，0-3岁婴幼儿这个庞大群体的寄托教养，基本靠以下几种形式维持：在家由祖辈、母亲照顾或保姆带养，极个别幼儿园里附设的托儿班寄托等。祖辈、母亲自带或雇请保姆基本上秉持传统的育儿理念，重在关注生活习惯养成和养育婴幼儿的健康成长。 目前，婴幼儿托育服务尚未纳入公共服务体系，这是民生的一大缺失，相信各级政府部门有能力也有意愿采取行动补齐这一民生短板。托育服务是一个朝阳产业，广阔的市场空间和迫切的市场需求，要求我们对呼之欲出的托育机构进行扶持、引导并定标，使之成为社会民生体系中的一个主要辅助力量。弘远科技大胆地走探索创新之路，进行婴幼儿托育服务管理系统研发，开创出0-3岁婴幼儿托育服务体系的新途径。婴幼儿托育服务管理系统的目标用户主要包括三类： 第一类是政府部门，用于全市托育机构的备案、群众家长端托育机构的发布宣传、基础信息管理、统计决策等功能； 第二类是托育机构，用于托育机构的日常管理、入托测评、建档立卡、健康档案管理、晨检签到、喂药记录、接班记录、班级管理等； 第三类是目标人群及家长，用于托育政策的宣传、健康知识普及、启蒙教育、托育机构展示、家长个人中心等内容。 婴幼儿托育服务管理系统积极配合妇幼保健所，卫生防疫站做好幼儿体检、接种等各项保健工作，使幼儿能够健康茁壮成长。

国家医保局发布了《关于印发区域点数法总额预算和按病种分值付费试点工作方案的通知》。根据这份文件要求，试点将以地级市统筹区为单位开展。用1-2年的时间，将统筹地区医保总额预算与点数法相结合，实现住院以按病种分值付费为主的多元复合支付方式。 文件明确指出，以地级市统筹区为单位，应符合：有较强的参与基于大数据的病种分值付费方式改革意愿或已开展病种分值付费工作的，对辖区内医疗机构全覆盖；医保部门有能力承担国家试点任务，牵头制定本地配套政策，并统筹推进试点；试点城市已做实基本医保市级统筹，近年来收支基本平衡；医保经办管理机构具备较强的组织能力和管理服务能力，具备使用疾病诊断和手术操作、药品、医用耗材、医疗服务项目、医保结算清单等全国统一的医保信息业务编码的基础条件均在试点范围内。 按病种分值付费是根据资源消耗情况赋予不同病种不同分值，年度结算时用基金总额除以地区内所有医院的总分值得到“分值单价”。每个医疗机构获得的医保额度由自身年度分值和“分值单价”共同确定，实行合理结余留用、超额分担机制。高难度病种虽然资源消耗大、治疗成本高，但能提高医院年度总分值和权重系数，从而获得更大的基金分配份额。研究显示，改革后各病种医保结余都有下降，但病种疑难程度越高，次均医保结余越多。因此整体收治病种难度的提高未造成医保超额，核心病种仍有盈余。医院病种分值与收治例数同步增长，说明医院在病案质量管理方面规范，没有高套分值的行为。医保基金既补偿了收治疑难重症所增加的支出，又未造成过度盈余，医保基金使用效率大大增加。

据了解，美、英、法、日等国婴幼儿托育行业发展较为成熟，均出台了一系列政策法规引导其发展，2018年英国接受托育服务的儿童超3.2万，日本将于2019年10月无偿提供公立托育服务。中国市场方面，从2016年开始，政府在相关政策法规中多次提及发展托育。2018年中国婴幼儿超5000万人，48%的家长对托育服务有需求，中国托育行业得到政策及资本支持;特别是2019年5月10日国务院发布托育行业指导意见，使得托育成为投资热点。 要说的是中国全面放开二胎政策发出后，2015年后中国人口出生率有小幅回升。综合2016-2018年的新生人口，至2018年中国0-3岁婴幼儿群体超过5000万名，婴幼儿托育市场需求进一步打开。此外，随着居民收入的提高和育儿观念的转变，母婴家庭逐渐倾向于寻求高质量、专业科学的婴幼儿照护产品和服务。 婴幼儿托育服务管理系统可以为0-3岁的婴幼儿提供婴幼儿发展、喂养护理、营养膳食、体格锻炼、健康检查、卫生消毒、疾病预防等服务的系统。该系统采用移动互联网、物联网等先进技术，实现0-3岁婴幼儿和机构等信息采集，实现了婴幼儿照护机构数字化管理，提升管理效能和公共服务能力；同时实现了婴幼儿照护供需对接服务，逐步满足人民群众对婴幼儿服务的需求，促进婴幼儿健康成长，经济社会持续发展。

为贯彻落实中共中央、国务院印发的《关于深化医疗保障制度改革的意见》，推进以按病种付费为主的多元复合式医保支付方式改革，按照上级部门要求，在总额控制下,按病种分值付费是目前医保制度改革的一项重要措施。基于大数据的病种分值付费（DIP）是基于大数据的探索，对分组方法、实施路径、医药付费等方面进行创新，具有中国特色的病种组合方式。 DIP是以历史数据为基础，依据现实匹配关系对每个病例的“疾病诊断+治疗方式”进行穷举与聚类，将稳定的住院病种进行组合，根据各病种费用均值、技术难度等与某基准病种的比例关系确定相应的病种点数，再结合点数单价及各医疗机构开展的总点数计算出支付总金额，是医保向医疗机构进行支付的方法。将区域点数法总额预算和按病种分值付费共同用于统筹地区试点，其实质是在某区域住院医保总额预算下，医疗机构按照各自病种的总点数及其实际费率获得医保补偿。 DIP所建立的标准及应用体系方法简单，适应性强，组别可动态调整，客观、及时反映临床现实，易于被参与各方所接受，形成了区域规范医疗的导向。在实际应用中，2018年、2019年核心病种入组率分别为87.7%、88.4%，其他病例入组综合病种或按床日分值支付，100%可通过病种分值结算，有效控制了大量数据不能入组所带来的资源控制及实施的不确定风险。全样本平均组内变异系数在0.7左右，分组具有更高的稳定性，能更客观体现疾病严重程度、治疗复杂程度、资源消耗水平和医疗服务成本的实际状况。

在个人电脑兴起的时代，便有有心者看到了计算机辅助诊断的价值，试图用程序构造一个虚拟“医生”，美其名曰“专家系统”。俗话说，医诊讲究“望闻问切”，需要医者通过多感官多渠道的信息获取，加之逻辑的判断，才能得到有效的答案。只是通过患者简单的主诉，而不能将患者年龄、身体状况、既往病史进行综合判断，这样的“诊断”不过是碰碰运气罢了。近50年过去，当年的专家系统几经迭代，已经从最初功能单一、关系独立的查询式系统逐步集成于临床系统中。在知识方面，过去配置固定、硬编码的知识体系已经发生改变，如今的CDSS定义更加宽泛，注重于医生通过临床数据分以提升医疗质量，在这个过程中，知识表达开始趋于标注化，知识共享也变得可以配置。 临床决策支持系统即CDSS，是一个基于人机交互的医疗信息技术应用系统，旨在为医生和其他卫生从业人员提供临床决策支持（CDS），通过数据、模型等辅助完成临床决策。“临床决策支持系统”的概念仍在不断更新，目前主流的工作定义是由健康证据中心的罗伯特·海沃德提出的：“将临床观察与医疗知识联系起来，从而影响医生的方案选择，提高医疗服务的质量和效果。” CDSS建设的宗旨是预防医疗工作差错、提升医疗服务质量和效能，从而保障患者医疗安全。CDSS的价值不在于替代医务人员进行临床决策，而在于辅助、支持医务人员进行更高效、更准确地临床决策。

系统介绍基于深度学习的智能临床辅助决策系统是以智能决策引擎和医学知识库为核心，遵循疾病发生、发展的本质原理，以新一代人工智能基础理论体系为指导，采用基于本体的语义网络、人工智能、深度学习神经网络算法等前沿技术对涉及疾病诊疗本质的指南、文献、医疗病历等数据进行“学习”，自我完善知识库、规则库以及决策引擎模型，实现精准、高效地智能综合分析与判断、为医生诊疗过程中所涉及的基本检、诊、治服务提供精准的解决方案推送。基于深度学习的智能临床辅助决策系统的服务流程以医生为主要使用对象，面向诊疗过程，实现初诊、复诊等不同场景的应用，其辅助功能主要为：帮助诊疗信息（患者症状、体征及辅检）的标准采集；提供规范的诊断帮助，避免误诊漏诊；帮助医务人员及患者对疾病知识全面了解；帮助医生快捷规范地完成病历记录；帮助管理者实现真实的统计分析和决策。利用大数据、知识图谱、神经网络等AI技术，在医生诊疗过程的各个环节实时提醒和推送，辅助医生完成诊疗业务，提升医生诊疗服务能力，规范诊疗行为、减少误诊漏诊。系统架构基于深度学习的智能临床辅助决策系统以国家诊疗规范为标准、以人工智能技术为支撑，在数据核心层通过神经网络算法、推理模型等构件各类库，通过与其他医疗信息系统进行数据互联互通采集诊疗所需的数据，通过数据核心层的智能推理引擎，实现快速、准确的智能综合分析与判断，通过数据服务总线提供智能问诊策略、体格检查、辅助检查推荐、参考诊断依据策略以及治疗建议的辅助服务。系统采用了Spring MVC架构，底层采用关系型数据库MySQL和图形数据库Neo4j结合的方式，通过Java语言来实现所有的功能。后台深度学习引擎使用Python，结合谷歌的TensorFlow的框架，创建了智能学习的模型。集中式云平台部署的B/S架构,支持Weblogic 或Tomcat中间件技术；支持XML和JSON格式数据传输，能与不同厂商的医疗信息化系统和信息相对接。 医学知识库医学知识库主要基于不断更新的疾病临床诊疗指南、临床路径、医学教材等权威部门颁布的医学资料，以及三甲医院的历史病历数据，通过机器学习、数据挖掘与人工整理审核相结合的方式，对医学知识库内容进行结构化、元素化梳理。某知识库覆盖常见症状670多个，症状同义词700多个，常用体格检查项目1200多项，常用检验检查项目600多项，能够对750多种常见疾病进行智能推理。医学知识库主要以临床诊疗指南为核心，后续将扩展引入英国的NICE指南。 AI推理引擎AI推理引擎，通过指南文献、临床病历等原始文本数据进行采集，利用自主研发的NLP技、大数据处理、医学术语标注等技术，把与诊疗相关的如症状、体征等关键特征信息提取出来，形成知识图谱，并通过神经网络的训练，生成多个不同应用的医学逻辑推理模型，用于辅助诊疗、智能导诊/分诊、异常检验指标解读等不用场景的智能推送。应用创新的知识发现和建模方法，使得辅助诊疗和临床决策支持功能完全符合正规的临床思维规范并契合最新的医学发展趋势。智能辅助诊疗功能常用智能推送1. 医生信息推送：根据医生相关科室、以及使用频次等属性为医生推送关键信息。2. 患者信息推送：将患者信息（健康档案、历史就诊信息等）进行智能过滤，并根据导入信息进行其他关联信息的推送。3. 模糊搜索：可根据症状不同名称描述进行模糊的关键字搜索。智能问诊策略系统会根据选入信息进行分析和推导，将医生可能需要的问诊信息推送给医生，辅助医生在诊疗各个节点中进行规范、标准的问诊，问诊可以根据患者实际情况和医生的操作习惯从各个环节直接进入，具体问诊功能如下：1. 主诉现病史：（1）症状关联推送：根据已录入症状，系统进行综合分析和判断，推送其他建议询问的伴随症状及症状详细信息（如诱因、程度、性质等）。2. 既往史：（1）既往史关联推送：根据已填选信息（如症状信息、体征信息等）推送建议询问和常规询问的既往史信息。（2）既往史自动识别：系统可自动识别分析患者历史病历信息，自动填充患者既往史部分信息，避免用户重复录入，避免诊疗疏漏。3. 其他史（1）其他史关联推送：根据已填选信息（如症状信息、体征信息等）推送建议询问和常规询问的其他史信息。（2） 其他史自动识别：系统可自动识别分析患者历史病历信息，自动填充患者其他史部分信息，避免用户重复录入，避免诊疗疏漏。4. 体征（1）体征项目推送：根据已录入信息推送可能需要进一步检查的患者体征信息。随着病史采集内容的输入，推送的内容也会相应的变化。辅助检查策略辅助检验策略系统根据已有问诊信息推送规范的、合理的检查项目，用于辅助鉴别疾病诊断。1. 实验室检查项目推送：根据已填选信息进行综合分析和判断，推送医生可能的化验项目。2. 影像学检查项目推送：根据已填选信息进行综合分析和判断，推送医生可能的检查项目。辅助检查策略根据患者已填选信息（如症状情况、体征情况、检查结果情况等一系列信息）进行综合分析和判断，根据判断结果推送疑似诊断、可能诊断、警惕疾病等信息供医生参考，辅助医生进行诊断。同时系统为用户提供疾病的诊断依据、诊断依据匹配情况、疾病百科等静态医学知识供参考，提升医生的专业医疗水平。1. 疾病诊断推荐：根据患者具体病情分析，推送疑似疾病诊断、可能的诊断、临床诊断信息供医生参考。2. 危急重病提醒：系统根据患者病情进行分析和判断，对于可能出现的危急重症给予提醒和警示，避免诊疗疏漏而引起的重大医疗事故。3. 诊断依据查看：将患者已有信息与医学知识库进行匹配，让医生对推送疾病的诊断依据及其符合情况一目了然。4. 疾病百科知识推送：将国内最新版标准的临床诊疗指南及内科学知识推送给医生供参考和学习。 治疗方案策略医生对患者疾病做出诊断后，对诊断疾病进行相应的治疗，系统针对每种疾病为医生提供了对应的治疗方案作为医生治疗参考，治疗方案内容包括：推荐药物、治疗处置、健康处方建议。结构化门诊电子病历生成医生使用本系统完成诊疗后，系统可以自动生成规范化的、可打印的、符合质控要求的、高质量的结构化门诊电子病历。无需医生诊疗完成后再次手动输入门诊病历内容，提高工作效率。临床辅助诊疗系统的电子病历符合卫生部颁发的《病历书写规范》、《电子病历共享文档规范》、《电子病历基本架构与数据标准》、《电子病历数据组与数据元标准》、《电子病历基础模板数据集标准》等标准规范。

CDSS的定义临床决策支持系统（Clinical Decision Support System，CDSS）是指运用相关的、系统的临床知识和患者基本信息及病情信息，加强医疗相关的决策和行动，提高医疗质量和医疗服务水平的计算机应用系统。与传统的将临床指南、药品使用说明等信息录入知识库中供医生查询浏览的系统完全不同，CDSS的核心是提供决策支持，而非简单的信息支持。◆ ◆ ◆CDSS发展历程CDSS的发展主要经历了四个阶段：第一阶段：以独立系统的形式存在，不与临床其他系统产生互操作。第二阶段：主要特征是能够与临床信息系统进行集成。第三阶段：为解决CDS知识共享的问题，致力于临床知识表达的标准化。第四阶段：再次从临床信息系统中独立出来，演变成基于服务模式的系统。阶段特征代表性的CDSS系统第一阶段独立存在的CDSS（Stand-alone System）1959年Ledley Lusted1961年Warner1969年Bleich1971年Leeds1975年Mycin1982年Internist QMR1983年Atending1986年Dxplain2003年Isabel第二阶段集成到临床信息系统的CDSS（Integrated System）1967年HELP1973年RMRS1993年EON1994年WizOrder1998年CPRS第三阶段基于标准的CDSS（Standards-based System）1989年Arden1998年GLIF2003年GELLO第四阶段基于服务的CDSS（Service Models）2005年SAGE SEBASTIAN2007年SANDS◆ ◆ ◆CDSS分类CDSS可根据系统的不同特征进行不同维度的划分，基于知识库形成方式，CDSS可以分为两大类。第一大类是基于知识库（Knowledge-Based）的CDSS：如早期基于精确概率的Leeds Abdominal Pain系统以及基于近似概率的DXplain和QMR。对于医生应采取行动的决策支持系统常见的有基于概率的决策树分析法与基于规则的方法。另一大类是非基于知识库（Non-knowledge Based）的CDSS：这类系统不依赖人来输入知识，而依赖机器学习（Machine learning）原理从大量的实例中自动获得知识。常见的算法有Bayesiannetwork、Support Vector Machine、神经网络、基于相似性的算法等。但此类缺点是系统难以对结果进行人类容易理解的解释。◆ ◆ ◆CDSS设计的核心要素▌基于知识库的CDSS此类CDSS的设计原理占到了目前CDSS中的大部分，其核心是知识库的建立和知识对决策支持的具体利用，系统的核心要素如下：知识库知识库里面的内容可能是结构化的知识，或者来自权威医疗信息研究院的结构化或非结构化文本材料，例如英国医学期刊（BMJ）、电子病历系统自己处理后的结构化数据等。知识库的信息模型必须要能够应对临床应用场景，提供相关的辅助信息。CDSS 知识库包含的是基于证据支持的知识，主要包含两大类：分别为基于文献的证据（Literature-based Evidence）和基于临床实践的证据（Practice-basedEvidence），两者的作用经常是相辅相成的。知识库的内容需具备两大特性，才能满足辅助临床医生决策的需求：一是知识库的内容必须是基于证据支持的（基于文献和基于临床实践的证据同等重要，可相互补充）；二是知识库随时保持证据的实时更新。