CN101334770A - 循证医学数据库组建方法及相关的循证医学疾病诊断方法 - Google Patents
循证医学数据库组建方法及相关的循证医学疾病诊断方法 Download PDFInfo
- Publication number
- CN101334770A CN101334770A CNA2007100761568A CN200710076156A CN101334770A CN 101334770 A CN101334770 A CN 101334770A CN A2007100761568 A CNA2007100761568 A CN A2007100761568A CN 200710076156 A CN200710076156 A CN 200710076156A CN 101334770 A CN101334770 A CN 101334770A
- Authority
- CN
- China
- Prior art keywords
- key element
- diagnosis
- diagnosis key
- disease
- evidence
- 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
Images
Abstract
本发明涉及一种循证医学数据库的组建方法及循证医学疾病诊断方法,为解决传统医学数据库不能适用于循证医学决策的问题,本发明中,对每一个疾病的各个诊断要素进行分组,将具有相同内权值和并取值的诊断要素归为一组形成至少一个诊断要素组,再由诊断要素组建立相应的诊断模板,再据此建立用于循证医学疾病诊断的数据库。基于这种数据库,可建立循证医学的疾病诊断方法,其中根据用户输入的各个诊断要素查找对应的诊断要素组,再根据诊断要素组中相应的并取值S、内权值P、外权值R、以及实际满足该诊断要素组的诊断要素的个数,计算出所收到的诊断要素对相关的一个或多个疾病的决定概率,并排序显示给用户,从而可实现循证医学机理下的智能诊断目的。
Description
技术领域
本发明涉及一种计算机决策方法,更具体地说,涉及一种循证医学数据库的组建方法、以及基于该数据库的循证医学疾病诊断方法。
背景技术
一、关于医学人工智能
医学人工智能,是研究如何用计算机模拟医生的临床思维过程,像医生一样完成诊疗工作。这些过程和工作的基础是医学知识的获取和表达。一个好的医学人工智能系统,实际上会涉及人工智能的绝大部分领域,包括:(1)专家系统,主要面对医生的个人经验;(2)决策支持系统,主要面对多数医生的共同知识;(3)模式识别,围绕数据结构等核心问题;(4)理解自然语言,涉及数据规范问题;(5)人工神经网络,涉及数据库结构问题;(6)机器学习,保证系统对环境的自适应;(7)机器人,关系到系统的动作应答。
医学人工智能的要点是利用计算机工具,基于医学数据库,仿真医生的临床思路,按照医学规范和要求,对病人病情进行决策判定,并且延及后面诊疗全过程的一种决策判定。
二、关于循证医学
循证医学是当前医学界的最大热点之一,是运用流行病学的科学方法论来解决各种医学问题而发生的一场医学实践的革命。传统医学实践模式注重经验的积累,强调从经验中学习知识。而循证医学则认为:经验远不如科学研究的知识快速和可靠,从科研中学习是第一位的,经验可以弥补科研知识的不足。循证医学正在彻底改变传统的医学实践模式。1992美国医学会杂志JAMA刊登了加拿大McMaster大学《循证医学:医学实践教学新模式》的文章,创造性的将流行病学和医学统计学的原理和方法与临床医学结合起来,倡导临床医师慎重、准确而明智地应用目前最佳的研究证据,为具体病人做出临床决策。这里,最佳研究证据是指与患者疾病相关的诊断与检查的准确性、预后指标、干预方法的效果及安全性等资料。
可见,基于循证医学的临床实践是一个有贵族化倾向的高档医疗服务,可以得到更好的医疗效果。循证医学运动在国际上得到了各国政府的大力支持力,在中国也同样如此。但是中国的人口基数大,多数群众尚处在‘看病难、看病贵’的困境之中,要能够普遍享受到循证医学带来的好处,目前并不容易。
三、循证医学要点分析
循证医学的要点,实际上是将一种临床资料用于另一种临床实践,这相当于是一个类比分析过程。在进行了循证医学的各种实践后,医生最后得到的主要是一个关于某些资料是否可以运用于当前病人的判定值,从而帮助医生明确多个可选策略的判定标准,预测未来疾病的可能性,然后进行取舍决策。
不确定性是医疗过程的主流,所有医疗实践均无法达成完全肯定的境界。通过循证医学实践可以得到很多的相关证据,但是,医学决策最后对每一种证据都只需要一个确定的判断。追逐确定判断是循证医学的关键点,它表现为对各种资料做出先验概率的估计。有了确定的先验概率,就可以度量每种医疗策略的利弊,进行决策分析。先验概率主要来源于临床研究、临床数据库、专家意见、直观推断等。先验概率的产生有三个要点:(1)先验概率决定于个人经验的主观估计,(2)估计先验概率的能力是可以培养的,(3)本地临床数据库的依据通常比公共文献资料库的依据更有相关性。
四、循证医学相关信息技术
围绕循证医学的目标,循证医学的软件主要是基于统计手段的分析软件,其中最主要的循证医学软件《Review Manager(RevMan)》是由国际Cochrane协作网提供的,它由北欧Cochrane中心制作和更新。协作网的系统评价人员均使用RevMan软件制作系统评价。该软件的主要特点是可以制作和保存Cochrane系统评价的计划书和全文;可对录入的数据进行‘Meta-分析’,并以森林图(forest plot)的图表形式展示;可对Cochrane系统评价进行更新;可以根据读者的反馈意见不断修改和完善。
一所医院、或一个医疗问题的循证医学实践所需要的最好的证据,通常不能从内部得到,而需要从外部进行检索。在当前技术诊断要素下,循证医学实践对计算机、网络通讯、互联网等技术是相当依赖的。所以,国外越来越多的信息技术领域里的专家关注到了循证医学的迅速发展,对循证医学的服务做了许多工作,有的增加与循证医学有关的数据库,有的在原有数据库的基础上增加与循证医学有关的检索功能,有的建立专门的循证医学网站,有的在原有的网站上创建与循证医学有关的主页。以下中国循证医学中心/Cochrane的邓可刚和李幼平在《循证医学与医学信息学》一文中收罗有关的信息:
(1)PubMed网站生物医学文献数据库MEDLINE,“Clinical Queries”模块可检索Systematic Reviews(系统评价);“Publication type”菜单可提供与循证医学有关的“Clinical Trial(临床试验),Meta-Analysis(Meta-分析),Practice Guideline(实践指南),Randomized Controlled trial(随机对照试验)”等功能选择。PubMed还收录了Cochrane系统评价摘要。
(2)国际Cochrane协作网(http://www.cochrane.org)的系统评价制作严谨,不断收集反馈信息和新证据进行及时更新,被公认为最高质量循证医学研究信息资源。其全文由Update Software公司以Cochrane Library作为载体出版。
(3)Ovid科技公司(OVID Technologies Inc,http://www.ovid.com)是著名的信息提供商,OVID检索系统最突出的特点是它的全文期刊数据库和为临床医生服务的循证医学数据库。
(4)SUMSearch(http://sumsearch.uthscsa.edu/searchform4.htm)的优点是可同时对PubMed、NGC(临床实践指南)、国际Cochrane协作网系统评价摘要。
(5)AHRQ(Agency for Healthcare Research and Quality)美国卫生研究质量管理机构提供循证医学信息)可对Merck Manual等进行检索并分类显示。
(6)TRIP(http://www.tripdatabase.com)数据库收录70个以上的高质量医学信息资源,既可直接检索出评价性文献,也可检索出高质量原始研究文献。
(7)Mailbases(http://www.jiscmail.ac.uk)是与临床各专业相关的循证医学网站,访问该网站可选择相关专业组提出感兴趣的临床问题进行学术交流,其中专门有循证医学领域的专业组。
(8)还有一些专门提供链接与循证医学有关的搜索引擎、学术组织机构、图书馆、杂志、数据库、软件、学习资源等网站,以下是其中的一部分:
Netting the Evidence(http://www.nettingtheevidence.org.uk);
CRD Database(http://agatha.york.ac.uk/welcome.htm)。
Doctors Desk(http://drsdesk.sghms.ac.uk)
ACP Journal Club(http://www.acpjc.org/shared/past_issues.htm)
EBM on line,Evidence-based Medicine(http://ebm.bmjjournals.com)
Bandolier(http://www.jr2.ox.ac.uk/bandolier/index.html)
从以上信息可以看出,数据库的管理者和开发者已敏锐预测到市场对循证医学证据的需求,及时配合杂志为用户提供高质量服务。但是,目前尚未发现直接将循证医学与人工智能相结合的方法和思路。
五、循证医学我总结
(1)信念:个体经验不如多人经验来得可靠。
(2)来源:多人经验来源于外在搜索。
(3)排除:搜索到的资料量大,需要进行技术性排除,排除或采信的依据在于某个值。技术性排除或采信,并确定排除或采信的值,就是研究。
(4)垃圾:被排除的资料并不都是垃圾,垃圾仅指对该病人无用的信息。
(5)内库:外在搜索到的资料,必须预先存在,据此,可以预先建成内库再加以运用。
六、循证医学信息技术的相关思路
中国循证医学中心/Cochrane的邓可刚和李幼平是将循证医学与数字化医疗系统结合起来考虑的最有系统的先行者之一。他们认为,医生可采用计算机技术在病房、门诊等采集病人各种信息(包括图像资料),并用计算机检索与该病人相关的各种系统评价研究文献及各种指南、临床研究文献或其它当前能查到的各种最好的证据,再通过相应的软件并结合临床经验判断这些证据的有效性和适用性,最后结合采集到的数字化、个体化的医疗信息,综合考虑病人自身对诊疗措施的价值取向后作出医疗决策。循证医学的理念贯穿于整个医疗决策程序,数字化信息的获取和传送在该决策过程中起着极为重要的作用。
怎样实现这个目标呢?邓、李二人认为,数字化医疗系统要在循证医学的实践方面发挥应有的作用,至少应在医药信息的提取方面做到方便、迅速,中文的医院信息系统(HIS)还应考虑中英文医药信息词汇的对应转换问题。在医药学术语方面可借鉴美国国立医学图书馆研究与开发的一体化医学语言系统(unified medical language system,UMLS),UMLS是一个计算机化的、可持续发展的生物医学检索语言集成系统和机读情报资源指南系统,使用户能够通过多种检索交互程序,克服语言差异性、跨国数据相关情报分散性所造成的诸多情报检索问题,帮助用户在联系各各样的情报资源的过程中(包括电子病历、书目数据库、事实数据库以及专家系统)对其中的电子式生物医学情报一体化检索提供帮助。目前国外已将其应用于创建病案系统、课题分析、Web搜索技术等方面。国内HIS建立对应的中文词库系统有助于与外界的信息交流,通过英汉对译和通过HIS检索国际上丰富的循证医学资源并与所诊治的病人的信息进行比较,有助于循证医学临床实践,但此翻译工作和建库工作应由有关部门协调组织完成。
实现这个目标有什么问题呢?他们认为:由于目前一些医院建立的HIS获取诊治对象在本院的信息方面还有困难,更谈不上方便临床医生使用当前最好的证据用于临床决策,但随着医学术语标准化、信息交换标准化和解决已存在的异构数据库问题,同时随着循证医学研究结果及其他资源的迅速增加,以及循证医学在临床决策作中发挥越来越明显的作用,有理由相信基于循证医学临床实践所设计的数字化医疗系统会受到越来越多的用户的欢迎。其实,很多人都怀有这样的美好憧憬,只是邓、李二人将这种憧憬写成了文章,但是,真要按照这种思路到达这个目标,中间还有太多的问题需要解决。
发明内容
针对现有技术的上述缺陷,本发明要将循证医学证据机理融入数据库结构中,以特定的内存遍历技术实现医学决策,从而实现更准确的诊断。
为解决上述技术问题,本发明首先提供一种循证医学数据库的组建方法,其中包括以下步骤:
(S11)列出多个疾病,再列出与每一个疾病相关的诊断要素,其中,同一个疾病有一个或多个诊断要素,同一个诊断要素适用于一个或多个疾病;
(S12)针对每一个疾病,对它的各个诊断要素进行分组,将具有相同内权值和相同并取值的一个或多个诊断要素归为一组,从而得到至少一个诊断要素组;
(S13)针对每一个疾病,根据上述步骤得出的疾病、诊断要素、诊断要素组三者之间的映射关系,建立一个相应的诊断模板;
(S14)根据所有疾病的诊断模板信息,建立用于循证医学疾病诊断数据库。
在本发明的循证医学数据库的组建方法中,根据每一个疾病的诊断模板信息,在所述数据库中针对与之相关的每一个诊断要素设有一个记录单元,所述记录单元中包含以下数据段:要素内码段,用于存储与该诊断要素对应的内码;并取段,用于表明该诊断要素所在诊断要素组具有最大概率时需满足的诊断要素的个数,即并取值S;内权段,用于表明该诊断要素所在诊断要素组可决定所述疾病的概率,即内权值P;外权段,用于表明从外部或宏观地看待某一诊断要素对某一疾病的发生概率的评判值,即外权值R;外频段,用于表明某一诊断要素对某一疾病的实际发生次数,即外频值F;常数段,用于表明某一诊断要素对某一疾病的特定有效使用次数,该次数用以决定外频对外权进行修正的点,即常数值k;位置段,用于表明该诊断要素所在的诊断要素组及在该组中的顺序。
在本发明的循证医学数据库的组建方法中,还包括对所述外权值进行修正的步骤:针对每一个疾病的每一个诊断要素,在所述外频段记录其发生次数,初始值为0,每使用一次自动加1,并用fC表示;每一诊断要素对相应的疾病均有独立的fC;把所有诊断要素对各个疾病的使用次数fC相加,得到f;把与某一特定诊断要素相关的所有疾病的个数相加,得到fCD;用f除fCD,得到均值,用f表示,即f/fCD=f;针对某一疾病的其中一个诊断要素,取fC的最大值fc max,若fc max-f>k,则对所述外权值进行修正。
本发明中,具体修正方法可以是:若fcmax-f>1k,则所述外权值R在基数1之上增加Δr,或者在原来的基础上增加n%;若fcmax-f>2k,则所述外权值R在基数1之上增加2Δr,或者在原来的基础上增加2n%;余依此类推。
本发明中,针对每一疾病的每一个诊断要素:所述并取值S为正整数,例如1、2、3等;所述内权值P为百分数,其值大于0且小于或等于100%;所述外权值R为大于或等于1的正数,例如为1~5;所述Δr为正数,例如0.01~1,所述n为正数,例如1~100,也就是每次增加1%~100%;所述外频值F的初始值为0,每使用一次自动加1;所述常数值k为正整数,例如10~10000。
另外,本发明还提供一种基于循证医学数据库的疾病诊断方法,其中按以下步骤实现循证医学疾病诊断:
(S21)接收由用户输入的至少一个诊断要素;
(S22)针对收到的每一个诊断要素,在所述数据库中进行遍历,查找出含有该诊断要素的所有诊断要素组;
(S23)根据步骤(S22)所得的各个诊断要素组,找出与之相关的一个或多个疾病,再根据各个诊断要素组的所述并取值S、内权值P、外权值R、以及实际满足该诊断要素组的诊断要素的个数,计算出所收到的诊断要素对相关的一个或多个疾病的决定概率。
在本发明疾病诊断方法的所述步骤(S22)中,可按以下步骤进行:
(S221)取第一个诊断要素,在所述数据库中进行遍历,查找出含有该诊断要素的所有诊断要素组;
(S222)针对找出的每一个诊断要素组,查看所收到的其它诊断要素中是否有一个或多个被包含于这些诊断要素组中,得出满足该诊断要素组的诊断要素个数;
(S223)依次取下一个诊断要素,重复步骤(S221)、(S222),直至取完所有收到的诊断要素。
在本发明疾病诊断方法的所述步骤(S23)中,可按以下步骤进行计算:
(S231)用一个诊断要素组的内权值除以该诊断要素组的并取值,得到单个诊断要素的先验概率;
(S232)判断满足该诊断要素组的诊断要素的个数是否大于该诊断要素组的并取值,如为否则直接找出满足该诊断要素组的诊断要素,如为是则按外权值由大到小的顺序找出与所述并取值相同个数的诊断要素;
(S233)将所述步骤(S232)中找出的每个诊断要素的外权值相加,再乘以所述步骤(S231)中得出的先验概率,得到该诊断要素组对该疾病的决定概率;
(S234)重复所述步骤(S231)对(S233),得到该疾病的诊断模板中各个诊断要素组对该疾病的决定概率;
(S235)将各个诊断要素组对该疾病的决定概率相加,得到所收到的诊断要素对该疾病的决定概率。
在本发明疾病诊断方法的所述步骤(S23)之后,还可包括以下步骤:
(S24)将在所述步骤(S23)找出的相关疾病显示给用户,并接收用户对疾病的选择;
(S25)根据用户选择的疾病,将与之相关的全部诊断要素显示给用户;
(S26)接收用户对诊断要素的选择,作为新接收的诊断要素,并重复所述步骤(S22)至(S23),计算出新接收的诊断要素对相关的一个或多个疾病的决定概率。
在本发明疾病诊断方法的步骤(S21)可通过以下步骤进行:
(S211)接收由用户输入的一个或多个疾病;
(S212)根据用户输入的疾病,将与之相关的全部诊断要素显示给用户;
(S213)接收用户对诊断要素的选择,作为用户输入的诊断要素,然后进入所述步骤(S22)。
由于采取了上述技术方案,与现有技术相比,本发明具有以下优点:
(1)本发明作为一种计算机辅助决策方法,在许多方面分别优于二叉树决策技术、贝叶斯决策技术、超文本连接决策技术等。本发明的决策提问方式是批处理形式,交互应答的信息量大,除可以大大缩短交互的时间,提高决策速度外,还可以实现多通道并行推导,提高决策容量。
(2)本发明充分利用了决策数据库,使双向应答所需要的初始信息量非常少,从而降低了由输入难度引起的第一道使用门槛。
(3)本发明实现的是柔性数据库框架,便于数据库作大面积维护修改,适合医学知识的可积累性增长,有助于数据库追随外部医学发展进行跟踪性建设。
(4)用计算机方法将循证医学的决策机理融入医学人工智能的决策方案,不但大大加强了知识数据的证据性质,同时把循证医学的贵族应用特性拉入到平民化应用,扩大循证医学运用的广泛性,提高了医学人工智能决策的准确性。
(5)本发明第一次将循证医学机理引入了医学人工智能,或者说第一次用人工智能实现了循证医学机理。
附图说明
下面将结合附图及实施例对本发明作进一步说明,附图中:
图1是本发叨的记录单元数据结构与现有技术中的区别示意图;
图2是诊断要素与疾病的简单数据结构示意图;
图3是诊断要素与疾病的简单关联示意图;
图4是诊断要素与疾病的复杂关联示意图;
图5是疾病D2与7个诊断要素的对应关系示意图;
图6是疾病D2的诊断模板示意图;
图7是本发明一个优选实施例中的决策流程图。
具体实施方式
一、达成本发明的一些相关思路
(1)循证医学是一个医学决策体系,医学人工智能也是一个决策体系。
(2)循证医学的决策诊断要素来源于外部知识体系,医学人工智能的决策诊断要素来源于内部知识体系。
(3)从计算机软件的角度讲,医学人工智能主要是基于内部数据库的决策系统,它可以完成循证医学的几个主要步骤,除文献资料检索外,都可以在软件内部完成;所以,将循证医学的外部资源内化为人工智能数据库的一部分,并以人工智能的方式建立、使用和管理,是重要的一个改进,使循证医学实践依赖的外部证据资源,能够在软件内部的数据库建设一体化完成。
(4)使今后循证医学面对的问题是预先提出,而不是临时提出;使循证医学的实践随时可以进行,效率大大提高,可作平民化推广。
(5)用医学人工智能的方法在内部实现循证医学的实践模式,用循证医学加强医学人工智能数据库的可信度和自适应性;用医学人工智能提高循证医学的实践效率,降低操作难度,推动循证医学贯穿诊疗全过程,促进循证医学的平民化发展。
二、循证医学决策方案的技术基础
(1)本发明的申请人在此前申请过一件比较类似的中国发叨专利,其申请号为200610060260.3,名称为“疾病诊断数据库组建方法及基于该数据库的方法和系统”(以下简称为原专利),两者在记录单元数据结构方面有较大区别如图1所示,其中上一行为原专利的数据结构,下一行为本发明的数据结构,上下对应的记录段之间用线条连接。可以看出,本发明在原专利的基础上,增加了三个用于循证医学的记录段,即图中带阴影的三个记录段,分别是外权R、外频F、以及常数k。
(2)记录单元是本发明的关键部分,它形成诊断要素之间的结构性关系及其与疾病之间的决策关系,形成诊断模板概念。这些关系使得本发明能够体现医学人工智能最基本的功能,即从要素诊断疾病。记录单元,是为了便于实现而设计的技术意义上的数据结构,它的医学意义需要通过诊断模板的概念表达出来。另一方面,‘诊断模板’是相互关联的多个记录单元针对同一个疾病的整合,反映的是记录单元中的各种元素之间针对疾病诊断的相互关系及整合意义。因此,本发明中会从不同的角度使用如下概念:记录单元、记录单元数据结构、诊断模板、决策单元等。运用本发明进行医学实践,是通过诊断模板来进行智能决策和诊断,其原理是每一个诊断要素都在一定程度和一定关系上有定义疾病的作用,也就是在一定程度和一定关系上有诊断疾病的作用。
(3)决策诊断过程的具体操作,是执行对诊断模板的特定算法;而特定算法形成的基础,是记录单元中各种结构要素的构成意义。本发明的记录单元数据结构共分为7段:要素内码段、并取段、内权段、外权段、外频段、常数段位置段,如图1所示,具体说明如下:
要素内码Ci段:是用计算机方式承载医学意义的内部代码,它的外在形式是诊断要素词条,例如:恶心、白细胞、肺部阴影,等。要素内码等长,内码从‘诊断要素表’获得。
并取值S段:是为体现诊断要素的临床意义,即在一个并列意义的诊断要素组中,取其中一个或几个,其医学相同或不同,用S段的意义进行甄别。S段针对各个诊断要素组,设定各诊断要素组能够起决策作用的个数,根据诊断要素与疾病的决定关系,人为预置。
位置L段:表示诊断要素的不同分组与顺序。位置区别分组与顺序,这需要先定义一张二维关系表格。同一行,表示诊断要素处于同一分组;不同列,表示诊断要素的不同顺序。程序依据二维关系表的位置,记录每一个诊断要素的所处位置。
内权P段:是用不同的权重来描述诊断要素Ci对确定疾病Dj的重要程度。因为具有定义的意义,所有又可以称为‘定义性权重’,来源于经验积累或循证医学的研究结论,用百分比描述,需进行预设。
外权R段:在原专利的基础上,本发明增加了一个‘外权’段,原因是:从诊断要素Ci判定疾病Dj,有一个发生概率的问题,即同一诊断要素Ci可从诊断模板关联不同疾病Dj,如果从诊断要素Ci判定疾病Dj,那么该诊断要素Ci会对哪一个疾病Dj的发生概率更高?这是流行病学研究的问题,也是循证医学所倚重的证据问题。从疾病Dj内涵定义之外判定疾病Dj发生的概率,是发生性权重,即外权,用R表示。外权R在很多时候也被称为‘先验概率’。外权R不是诊断要素Ci从外延定义疾病Dj,而是从外部或宏观地看待某个诊断要素Ci对某些疾病Dj的发生概率的评判值。外权R以级别描述。外权R的值可设为先验值,其来源可参照循证医学的证据研究和计算所得,其值可设定为1~5,共5个级别。当然也可作其他设定,例如1~2,或1~10。
外频F段:诊断要素Ci对应疾病Dj的重要性不仅在于对Dj的描述性定义,而且还在对Dj的发生次数或者使用次数,这个发生次数可以决定Ci对Dj的地方性使用特征,这个使用特征正是循证医学用一种临床证据研究去指导另一种临床实践的精髓。本发明在记录单元中加上一个外频F段,专门记录Ci对Dj的发生次数,即使用频率或发生次数。外频F用于对外权R进行修正。先用循证医学的证据计算或研究结论,完成对外权R的预置。在进入使用状态后,则可以通过外频F记录段记录Ci对Dj的发生状态;再用一种特定的可控算法,对外权R的预设值进行修正。
常数k段:规定某个诊断要素Ci对某个疾病Dj的特定有效使用次数的界限。通过常数k,控制外频F对外权R修正的频度和幅度。常数k的值可设为10~100,或10~10000之间的任一数字,具体是根据实际经验得出。
(4)修正外权R的算法
针对每一个疾病的每一个诊断要素,在外频段记录其发生次数,初始值为0,每使用一次自动加1,并用fC表示;每一诊断要素对相应的疾病均有独立的fC;
把所有诊断要素对各个疾病的使用次数fC相加,得到f;
把与某一特定诊断要素相关的所有疾病的个数相加,得到fCD;
用f除以fCD,得到均值,用f表示,即f/fCD=f;
针对某一疾病的其中一个诊断要素,取fC的最大值fcmax,若fcmax-f>k,则对所述外权值进行修正:若fcmax-f>1k,则所述外权值R增加Δr,或者在原来的基础上增加n%;若fcmax-f>2k,则所述外权值R增加2Δr,或者在原来的基础上增加2n%;依此类推。当然,具体实施时也可使用其他修正方法。
其中,针对每一疾病的每一个诊断要素:并取值S为正整数,例如1、2、3等;内权值P为百分数,其值大于0且小于或等于100%;外权值R为大于或等于1的正数,例如为1~5;所述Δr为正数,例如0.01~1,以下实施例中取值为0.1,即每次增加0.1;当然,也可按比例递增,例如每次递增5%~10%,或每次增加1%~100%;外频值F的初始值为0,每使用一次自动加1;常数值k为正整数,例如10~10000。
三、基于数据库的循证医学决策方案
本发明的论域限制在医学决策范畴之内。为了区别于原专利的一般疾病诊断过程,同时强调本发明所融合的循证医学决策机理,这里基本按本发明的产生思路,重新阐述基于数据库的循证医学决策方案。
本发明的目标是临床诊断决策,所以本发明所涉及的关系范围,设定在诊断要素C(包括:症状、体征、检验)和疾病D之间。一般是用前者的集合来说明后者,即疾病Dj的现实意义是由一组诊断要素Ci来共同说明。这一组诊断要素Ci因为存在相互关联的内部结构,所以又可称为‘诊断模板’。如图2所示,在关系数据库里,用一条记录和其中的不同字段,表示疾病与诊断模板的直接对应关系;用多条不同记录,表示多个不同疾病之间的数据差别。
图2所表达的意思可进一步用图3来解释。在疾病D与诊断要素C之间,任一诊断要素Ci可与相应的疾病Dj发生关系,那么,从诊断要素可以找到相应的疾病,从疾病也可以找到相应的诊断要素。其实体模型如图3所示。
在图3中,疾病D与诊断要素C之间的关联太直接、简单,实际的疾病发生与诊断要素关联不可能这样简单,它需要一种专门的数据结构来表明相互之间的复杂关系,一如我们在上面所涉及到的‘记录单元数据结构’,形成新的实体模型,参见图4。这里特别要再次阐明的是:任一疾病Dj都可以有任意多个诊断要素Ci,每一个对应疾病Dj的诊断要素Ci都必然有一个记录单元;这样,任一疾病都可以有任意多个诊断要素Ci的记录单元,而任一诊断要素Ci因对应不同的疾病Dj也可以产生任意多个记录单元。
下面以疾病D2的实体模型结构为例,看如何建立诊断模板。图5分为三个部分,左边为独立的诊断要素表,所列7个诊断要素Ci均与疾病D2发生关系。右边为疾病表,中间部分是由诊断要素Ci构成的疾病D2的诊断模板。关键是疾病D2的实体模型结构如何在数据库中实现?
图5中,疾病D2的诊断要素Ci是7个,形成7个记录单元,共同构成疾病D2的诊断模板。此处只说明一个记录单元的构成,其它就可以类推了。如图6所示,下面以疾病D2的诊断模板中的C5为例,说明关于C5的7个记录段的数据关系建立。关于7个记录段的原理、功能和数据来源,我们在前一节“记录单元”中已经阐述。
图6的重点是关于疾病D2的诊断模板中C5记录单元的7个记录段数据。此图上部仍是3个表,以中间的诊断模板为核心,中间下部是记录单元,用于说明与C5相关的7个记录段。右边病名表中的疾病D2与诊断模板中的D2一致;中间诊断模板中主要是从下部记录单元中提取的数据,与左边的诊断要素表相应对接;这是3个表的关系。记录单元表中一块浅红色区域C5,是我们要用其下的7个记录段记录单元进行说明的部分。
要素内码C5:其内码来源于左边的诊断要素表,是元数据。
并取值S:对于组3,并取值S为1,其中有两个诊断要素C3、C5,内权为9。也就是说,诊断要素C3和C5同时出现或只出现任一个,都占9%的,两个都不出现,则概率为0。记入概率就表明该诊断要素组对疾病D2的支持度。并取值S的值在建立数据库时填入,其来源于经验积累、医理研究或循证医学的证据结论。
内权P:对于组3,内权值为9,表示9%的概率;在建立数据库时填入,其来源于经验积累、医理研究或循证医学的证据结论。
外权R:对于组3的诊断要素C5,外权为1,在建立数据库时填入,其来源于经验积累、医理研究或循证医学的证据结论。之后,根据外频F段所记录的有效使用状况,由程序对R值进行修正,修正的方法在前面已有描述。R值通过鼠标选择输入或修改。
外频F:在建立数据库时不用,在程序运用数据库进行决策时,根据其有效性,进行累加性记录,作为修改外权R值的依据。
常数k:可显示在外权R值之后,在建立数据库时填入,其来源于流行病学的统计和循证医学研究,也可包括经验积累。k值用以确定外频F对外权R修正的不同级差,例如:某些诊断要素因为常见,需要较多的使用积累才对R值的修正有意义;而另一些诊断要素因为不常见,但说明问题的性质比较强,只要比较少的使用积累就有修正R值意义。k值通过鼠标选择输入或修改。
位置L:见于记录单元表右方和下方所示Ly和Lx的值,用于定位各诊断要素Ci在诊断模板中的位置,以确定分组、顺序和重要程度。Ly和Lx的值由程序根据表中的位置自动赋予。
可见,在组建循证医学数据库时,可按以下步骤进行,先列出多个疾病,再列出与每一个疾病相关的诊断要素,其中,同一个疾病有一个或多个诊断要素,同一个诊断要素适用于一个或多个疾病;然后,针对每一个疾病,对它的各个诊断要素进行分组,将具有相同内权值和相同并取值的一个或多个诊断要素归为一组,从而得到至少一个诊断要素组;然后,针对每一个疾病,根据上述步骤得出的疾病、诊断要素、诊断要素组三者之间的映射关系,建立一个相应的诊断模板,如图6所示;最后,根据所有疾病的诊断模板信息,建立用于循证医学疾病诊断的数据库。
根据实现的目的建立好相应的数据库之后,就可用其实现疾病诊断。其中,先建立基于数据库的疾病诊断应用系统,其中包括装有前述数据库的服务器,以及通过局域网或广域网与服务器连接的计算机。具体工作过程如图7所示。
步骤21、由计算机接收用户输入的一个或多个诊断要素,并将其传送到服务器。
步骤22、针对收到的每一个诊断要素,由服务器进行诊断要素遍历,具体如下:
(221)、先取第一个诊断要素,在所述数据库中进行遍历,查找出含有该诊断要素的所有诊断要素组;
(222)、针对找出的每一个诊断要素组,查看所收到的其他诊断要素中是否有一个或多个被包含于这些诊断要素组中,得出满足该诊断要素组的诊断要素个数;
(223)、依次取下一个诊断要素,重复步骤221、222,直至取完所有收到的诊断要素。
步骤23、根据步骤22所得的各个诊断要素组,找出与之相关的一个或多个疾病,由服务器进行概率计算,并将计算结果回传给计算机,具体是按以下步骤对一个特定疾病的决定概率进行计算:
(231)用一个诊断要素组的内权值除以该诊断要素组的并取值,得到单个诊断要素的先验概率;例如图6的组3中,内权值为9%,并取值为1,所以诊断要素C5的先验概率为(9%÷1)=9%。
(232)判断满足该诊断要素组的诊断要素的个数是否大于该诊断要素组的并取值,如为否则直接找出满足该诊断要素组的诊断要素,如为是则按外权值由大到小的顺序找出与所述并取值相同个数的诊断要素;例如图6的组3中,因并取值为1,如果仅一个诊断要素满足则取它,如果有两个诊断要素满足则取外权值较大的那一个;对于图6的组2,因并取值为2,如果仅一个或两个诊断要素满足则全取,如果有3个诊断要素满足,则取外权值为前两位的那两个。
(233)将所述步骤(232)中找出的每个诊断要素的外权值相加,再乘以所述步骤(231)中得出的先验概率,得到该诊断要素组对该疾病的决定概率;对于图6的组2,因并取值为2,如果诊断要素C1、C4满足,诊断要素C1的外权值为3,诊断要素C4的外权值为1,则该组的决定概率为:(1+3)×(15%÷2)=30%。可见,此时计算所得的决定概率为高于该组的内权值15%。
(234)重复所述步骤(231)对(233),即可得到该疾病的诊断模板中各个诊断要素组对该疾病的决定概率;
(235)将各个诊断要素组对该疾病的决定概率相加,即可得到所收到的全部诊断要素对该疾病的决定概率。
上述本步骤相当于分别按‘与’、‘或’逻辑遍历关系表;其中,‘与’逻辑遍历起收敛作用,结果比较准确;‘或’逻辑遍历起发散作用,结果多用于对比参考,启发交互思维。本发明的遍历具有批量工作性质,无须中间提问,所以可加快决策速度,这一点是本发明区别于‘二叉树’等其它某些决策方法的要点之一。
从图7中可以看出,在步骤23之后,可直接跳到步骤27,输出所得的疾病及其概率;也可跳到步骤24,
步骤24、将在所述步骤23找出的相关疾病显示给用户,并接收用户对疾病的选择;
步骤25、根据用户选择的疾病,在所述数据库查找与之相关的全部诊断要素,并显示给用户;
步骤S26、接收用户对诊断要素的选择,作为新接收的诊断要素,并重复所述步骤22、23,计算出新接收的诊断要素对相关的一个或多个疾病的决定概率。
可见,步骤24、25、26构成反向推理提示,是组成振荡交互或思维仿真的重要机制。通过多次重复所述步骤22、23、24、25、26,可得到更为准确的疾病诊断结果,然后通过步骤27输出。
除此之外,还可由步骤28开始整个疾病诊断过程,即:
步骤28、先接收由用户输入的一个或多个疾病,然后跳到步骤25;
步骤25、根据用户选择的疾病,在所述数据库查找与之相关的全部诊断要素,并显示给用户;然后执行步骤26,再经步骤22、23,找出所选诊断要素相关的一个或多个疾病以及它们的决定概率。同时,此时可直接经步骤27输出结果,也可经多次重复所述步骤22、23、24、25、26后,再通过步骤27输出结果。
由图7所示的流程图可以看出,本发明中,可由诊断要素来推导出相关疾病,再根据选择的疾病列出全部相关诊断要素,再进一步推导出相关疾病,如此反复,直至得出最佳决策结果。也可先由疾病来选择相关的诊断要素,然后再作上述反复推导。两种方向操作可不分先后,可反复进行,所以是一个思维仿真过程。其原理是诊断要素会引起相关疾病的联想,疾病也会引起相关诊断要素的选择;两者互为往复,以涨落振荡的形式,将被决策的疾病稳定在一个或少数几个点上。
与申请号为200610060260.3,名称为“疾病诊断数据库组建方法及基于该数据库的方法和系统”的发明专利类似,本发明同样可用于建议‘自助式远程诊疗系统’,此处不再一一详述。
Claims (10)
1、一种循证医学数据库的组建方法,其特征在于,包括以下步骤:
(S11)列出多个疾病,再列出与每一个疾病相关的诊断要素,其中,同一个疾病有一个或多个诊断要素,同一个诊断要素适用于一个或多个疾病;
(S12)针对每一个疾病,对它的各个诊断要素进行分组,将具有相同内权值和相同并取值的一个或多个诊断要素归为一组,从而得到至少一个诊断要素组;
(S13)针对每一个疾病,根据上述步骤得出的疾病、诊断要素、诊断要素组三者之间的映射关系,建立一个相应的诊断模板;
(S14)根据所有疾病的诊断模板信息,建立用于循证医学疾病诊断的数据库。
2、根据权利要求1所述的方法,其特征在于,根据每一个疾病的诊断模板信息,在所述数据库中针对与之相关的每一个诊断要素设有一个记录单元,所述记录单元中包含以下数据段:
要素内码段,用于存储与该诊断要素对应的内码;
并取段,用于表明该诊断要素所在诊断要素组具有最大概率时需满足的诊断要素的个数,即并取值S;
内权段,用于表明该诊断要素所在诊断要素组可决定所述疾病的最大概率,即内权值P;
外权段,用于表明从外部或宏观地看待某一诊断要素对某一疾病的发生概率的评判值,即外权值R;
位置段,用于表明该诊断要素所在的诊断要素组及在该组中的顺序。
3、根据权利要求2所述的方法,其特征在于,所述记录单元中还包含以下数据段:外频段,用于表明某一诊断要素对某一疾病的实际发生次数,即外频值F;常数段,用于表明某一诊断要素对某一疾病的特定有效使用次数,即常数值k;
还包括对所述外权值进行修正的步骤:
针对每一个疾病的每一个诊断要素,在所述外频段记录其发生次数,初始值为0,每使用一次自动加1,并用fC表示;每一诊断要素对相应的疾病均有独立的fC;
把所有诊断要素对各个疾病的使用次数fC相加,得到f;
把与某一特定诊断要素相关的所有疾病的个数相加,得到fCD;
用f除以fCD,得到均值,用f表示,即f/fCD=f;
针对某一疾病的其中一个诊断要素,取fC的最大值fcmax,若fcmax-f>k,则对所述外权值进行修正。
4、根据权利要求3所述的方法,其特征在于,对所述外权值进行修正时,
若fcmax-f>1k,则所述外权值R增加Δr,或者在原来的基础上增加n%;
若fcmax-f>2k,则所述外权值R增加2Δr,或者在原来的基础上增加2n%;
余依此类推。
5、根据权利要求4所述的方法,其特征在于,针对每一疾病的每一个诊断要素:
所述并取值S为正整数;
所述内权值P为百分数,其值大于0且小于或等于100%;
所述外权值R为大于或等于1的正数,所述Δr为正数,或所述n为正数;
所述外频值F的初始值为0,每使用一次自动加1;
所述常数值k为正整数。
6、一种基于循证医学数据库的疾病诊断方法,其特征在于,按以下步骤实现循证医学疾病诊断:
(S21)接收由用户输入的至少一个诊断要素;
(S22)针对收到的每一个诊断要素,在所述数据库中进行遍历,查找出含有该诊断要素的所有诊断要素组;
(S23)根据步骤(S22)所得的各个诊断要素组,找出与之相关的一个或多个疾病,再根据各个诊断要素组的所述并取值S、内权值P、外权值R、以及实际满足该诊断要素组的诊断要素的个数,计算出所收到的诊断要素对相关的一个或多个疾病的决定概率。
7、根据权利要求6所述的方法,其特征在于,在所述步骤(S22)中,按以下步骤进行:
(S221)取第一个诊断要素,在所述数据库中进行遍历,查找出含有该诊断要素的所有诊断要素组;
(S222)针对找出的每一个诊断要素组,查看所收到的其他诊断要素中是否有一个或多个被包含于这些诊断要素组中,得出满足该诊断要素组的诊断要素个数;
(S223)依次取下一个诊断要素,重复步骤(S221)、(S222),直至取完所有收到的诊断要素。
8、根据权利要求7所述的方法,其特征在于,在所述步骤(S23)中,按以下步骤对一个相关疾病的决定概率进行计算:
(S231)用一个诊断要素组的内权值除以该诊断要素组的并取值,得到单个诊断要素的先验概率;
(S232)判断满足该诊断要素组的诊断要素的个数是否大于该诊断要素组的并取值,如为否则直接找出满足该诊断要素组的诊断要素,如为是则按外权值由大到小的顺序找出与所述并取值相同个数的诊断要素;
(S233)将所述步骤(S232)中找出的每个诊断要素的外权值相加,再乘以所述步骤(S231)中得出的先验概率,得到该诊断要素组对该疾病的决定概率;
(S234)重复所述步骤(S231)对(S233),得到该疾病的诊断模板中各个诊断要素组对该疾病的决定概率;
(S235)将各个诊断要素组对该疾病的决定概率相加,得到所收到的诊断要素对该疾病的决定概率。
9、根据权利要求6所述的方法,其特征在于,在所述步骤(S23)之后,还包括以下步骤:
(S24)将在所述步骤(S23)找出的相关疾病显示给用户,并接收用户对疾病的选择;
(S25)根据用户选择的疾病,将与之相关的全部诊断要素显示给用户;
(S26)接收用户对诊断要素的选择,作为新接收的诊断要素,并重复所述步骤(S22)至(S23),计算出新接收的诊断要素对相关的一个或多个疾病的决定概率。
10、根据权利要求6所述的方法,其特征在于,所述步骤(S21)通过以下步骤进行:
(S211)接收由用户输入的一个或多个疾病;
(S212)根据用户输入的疾病,将与之相关的全部诊断要素显示给用户;
(S213)接收用户对诊断要素的选择,作为用户输入的诊断要素,然后进入所述步骤(S22)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNA2007100761568A CN101334770A (zh) | 2007-06-28 | 2007-06-28 | 循证医学数据库组建方法及相关的循证医学疾病诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNA2007100761568A CN101334770A (zh) | 2007-06-28 | 2007-06-28 | 循证医学数据库组建方法及相关的循证医学疾病诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN101334770A true CN101334770A (zh) | 2008-12-31 |
Family
ID=40197374
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CNA2007100761568A Pending CN101334770A (zh) | 2007-06-28 | 2007-06-28 | 循证医学数据库组建方法及相关的循证医学疾病诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101334770A (zh) |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102110192A (zh) * | 2011-04-02 | 2011-06-29 | 中国医学科学院医学信息研究所 | 基于诊断要素数据关联的疾病辅助判断方法 |
CN103366073A (zh) * | 2012-03-28 | 2013-10-23 | 腾讯科技(深圳)有限公司 | 问诊信息处理方法及系统 |
CN103927299A (zh) * | 2014-04-25 | 2014-07-16 | 百度在线网络技术(北京)有限公司 | 输入法中候选语句的提供方法、输入内容推荐方法和装置 |
CN104182450A (zh) * | 2013-05-20 | 2014-12-03 | 株式会社日立制作所 | 信息结构化系统 |
CN104765771A (zh) * | 2015-03-11 | 2015-07-08 | 杭州安恒信息技术有限公司 | 一种数据库行为分析系统及分析方法 |
CN104933657A (zh) * | 2015-06-24 | 2015-09-23 | 武汉炭联健康科技有限公司 | 基于循证医学和人体生物信息评价食品药品功效的系统 |
CN105678081A (zh) * | 2016-01-11 | 2016-06-15 | 上海市肺科医院 | 一种用于医学辅助教学的疾病知识管理系统及操作方法 |
CN106778039A (zh) * | 2017-01-20 | 2017-05-31 | 深圳第医学健康管理有限公司 | 诊疗辅助系统及方法 |
CN106844671A (zh) * | 2017-01-22 | 2017-06-13 | 北京理工大学 | 医学文献智能处理方法及系统 |
CN103970973B (zh) * | 2013-01-31 | 2017-07-07 | 复旦大学附属儿科医院 | 一种基于真实数据的模拟rct分析方法 |
CN107256344A (zh) * | 2017-06-20 | 2017-10-17 | 上海联影医疗科技有限公司 | 数据处理方法、装置以及放疗管理系统 |
CN107578797A (zh) * | 2016-07-04 | 2018-01-12 | 胡峰 | 一种基于云计算的健康诊疗方案推荐的方法及其系统 |
CN107590168A (zh) * | 2016-07-08 | 2018-01-16 | 百度(美国)有限责任公司 | 用于关系推断的系统和方法 |
CN109300551A (zh) * | 2017-06-16 | 2019-02-01 | 东华软件股份公司 | 临床诊疗知识获取方法及装置 |
CN110415829A (zh) * | 2019-07-15 | 2019-11-05 | 上海中医药大学 | 一种基于元证据的临床辅助决策的方法及系统 |
CN110827988A (zh) * | 2018-08-14 | 2020-02-21 | 上海明品医学数据科技有限公司 | 一种基于移动终端进行医学数据研究的控制方法 |
CN111795919A (zh) * | 2020-05-25 | 2020-10-20 | 中国人民解放军陆军军医大学第二附属医院 | 一种骨髓细胞形态学自动检测系统及其工作方法 |
CN113722451A (zh) * | 2021-07-12 | 2021-11-30 | 上海中医药大学 | 一种循证检索词推荐方法及其应用 |
CN114496143A (zh) * | 2021-12-31 | 2022-05-13 | 医渡云(北京)技术有限公司 | 临床数据与文献的关联方法、装置、电子设备及存储介质 |
US11694815B2 (en) | 2019-10-22 | 2023-07-04 | International Business Machines Corporation | Intelligent ranking of sections of clinical practical guidelines |
-
2007
- 2007-06-28 CN CNA2007100761568A patent/CN101334770A/zh active Pending
Cited By (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102110192A (zh) * | 2011-04-02 | 2011-06-29 | 中国医学科学院医学信息研究所 | 基于诊断要素数据关联的疾病辅助判断方法 |
CN103366073A (zh) * | 2012-03-28 | 2013-10-23 | 腾讯科技(深圳)有限公司 | 问诊信息处理方法及系统 |
CN103366073B (zh) * | 2012-03-28 | 2018-09-21 | 深圳市世纪光速信息技术有限公司 | 问诊信息处理方法及系统 |
CN103970973B (zh) * | 2013-01-31 | 2017-07-07 | 复旦大学附属儿科医院 | 一种基于真实数据的模拟rct分析方法 |
CN104182450A (zh) * | 2013-05-20 | 2014-12-03 | 株式会社日立制作所 | 信息结构化系统 |
CN103927299A (zh) * | 2014-04-25 | 2014-07-16 | 百度在线网络技术(北京)有限公司 | 输入法中候选语句的提供方法、输入内容推荐方法和装置 |
CN104765771A (zh) * | 2015-03-11 | 2015-07-08 | 杭州安恒信息技术有限公司 | 一种数据库行为分析系统及分析方法 |
CN104765771B (zh) * | 2015-03-11 | 2018-12-04 | 杭州安恒信息技术有限公司 | 一种数据库行为分析系统及分析方法 |
CN104933657A (zh) * | 2015-06-24 | 2015-09-23 | 武汉炭联健康科技有限公司 | 基于循证医学和人体生物信息评价食品药品功效的系统 |
CN105678081A (zh) * | 2016-01-11 | 2016-06-15 | 上海市肺科医院 | 一种用于医学辅助教学的疾病知识管理系统及操作方法 |
CN107578797A (zh) * | 2016-07-04 | 2018-01-12 | 胡峰 | 一种基于云计算的健康诊疗方案推荐的方法及其系统 |
CN107590168A (zh) * | 2016-07-08 | 2018-01-16 | 百度(美国)有限责任公司 | 用于关系推断的系统和方法 |
CN107590168B (zh) * | 2016-07-08 | 2023-06-16 | 百度(美国)有限责任公司 | 用于关系推断的系统和方法 |
CN106778039A (zh) * | 2017-01-20 | 2017-05-31 | 深圳第医学健康管理有限公司 | 诊疗辅助系统及方法 |
CN106844671A (zh) * | 2017-01-22 | 2017-06-13 | 北京理工大学 | 医学文献智能处理方法及系统 |
CN109300551A (zh) * | 2017-06-16 | 2019-02-01 | 东华软件股份公司 | 临床诊疗知识获取方法及装置 |
CN107256344A (zh) * | 2017-06-20 | 2017-10-17 | 上海联影医疗科技有限公司 | 数据处理方法、装置以及放疗管理系统 |
CN110827988A (zh) * | 2018-08-14 | 2020-02-21 | 上海明品医学数据科技有限公司 | 一种基于移动终端进行医学数据研究的控制方法 |
CN110415829A (zh) * | 2019-07-15 | 2019-11-05 | 上海中医药大学 | 一种基于元证据的临床辅助决策的方法及系统 |
US11694815B2 (en) | 2019-10-22 | 2023-07-04 | International Business Machines Corporation | Intelligent ranking of sections of clinical practical guidelines |
CN111795919A (zh) * | 2020-05-25 | 2020-10-20 | 中国人民解放军陆军军医大学第二附属医院 | 一种骨髓细胞形态学自动检测系统及其工作方法 |
CN111795919B (zh) * | 2020-05-25 | 2024-03-26 | 中国人民解放军陆军军医大学第二附属医院 | 一种骨髓细胞形态学自动检测系统及其工作方法 |
CN113722451A (zh) * | 2021-07-12 | 2021-11-30 | 上海中医药大学 | 一种循证检索词推荐方法及其应用 |
CN114496143A (zh) * | 2021-12-31 | 2022-05-13 | 医渡云(北京)技术有限公司 | 临床数据与文献的关联方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101334770A (zh) | 循证医学数据库组建方法及相关的循证医学疾病诊断方法 | |
CN110415831B (zh) | 一种医疗大数据云服务分析平台 | |
CN106202955B (zh) | 基于编码智能适配的诊断相关分组方法及系统 | |
Cornell et al. | Multimorbidity clusters: clustering binary data from multimorbidity clusters: clustering binary data from a large administrative medical database | |
CN103679393B (zh) | 一种基于层次分析法的临床路径管理评价指标系统和方法 | |
Ferdousi et al. | Digital twins for well-being: An overview | |
Van de Velde et al. | EBMPracticeNet: a bilingual national electronic point-of-care project for retrieval of evidence-based clinical guideline information and decision support | |
Lu et al. | A survey of group decision making methods in Healthcare Industry 4.0: bibliometrics, applications, and directions | |
Li et al. | An integrated approach for evaluating hospital service quality with linguistic preferences | |
CN113707252A (zh) | 一种智能病例质控方法及系统 | |
Wu et al. | Implementation efficiency of the hierarchical diagnosis and treatment system in China: a case study of primary medical and health institutions in Fujian province | |
Muhsen et al. | A systematic literature review of fuzzy-weighted zero-inconsistency and fuzzy-decision-by-opinion-score-methods: assessment of the past to inform the future | |
Keenan et al. | The HANDS project: studying and refining the automated collection of a cross-setting clinical data set | |
Shi et al. | Global output on artificial intelligence in the field of nursing: A bibliometric analysis and science mapping | |
Comito et al. | Exploiting social media to enhance clinical decision support | |
Kovalchuk et al. | Personalized clinical decision support with complex hospital-level modelling | |
Wu et al. | Using apriori algorithm on students’ performance data for Association Rules Mining | |
Liang et al. | Intelligent hospital appointment system based on health data bank | |
Maduri et al. | Applying contemporary machine learning approaches to nutrition care real-world evidence: findings from the national quality improvement data set | |
Tian et al. | Evaluation of China’s High-Advanced Industrial Policy: A PMC Index Model Approach | |
JP5682657B2 (ja) | データベースシステム | |
Lei | Optimal incentive mechanism for dual referral based on the analytic hierarchy process | |
Zhao et al. | Logistic regression analysis of targeted poverty alleviation with big data in mobile network | |
Gaebel et al. | Modular Architecture for Integrated Model-Based Decision Support. | |
Lu et al. | Design of Intelligent Nursing Decision Support System Based on Multiattribute Decision Model |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C12 | Rejection of a patent application after its publication | ||
RJ01 | Rejection of invention patent application after publication |
Open date: 20081231 |