CN104915561A - 疾病特征智能匹配方法 - Google Patents
疾病特征智能匹配方法 Download PDFInfo
- Publication number
- CN104915561A CN104915561A CN201510319351.3A CN201510319351A CN104915561A CN 104915561 A CN104915561 A CN 104915561A CN 201510319351 A CN201510319351 A CN 201510319351A CN 104915561 A CN104915561 A CN 104915561A
- Authority
- CN
- China
- Prior art keywords
- patient
- index
- matched
- eigenmatrix
- disease
- 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.)
- Granted
Links
Landscapes
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明提供了一种疾病特征智能匹配方法。本发明利用患者的体征和检验检查数据来构建疾病特征的智能匹配模型,用于辅助诊断和治疗方案推荐。本发明的有益效果是,与传统的基于关键词搜索的方法不同,本发明所涉及的疾病特征的智能匹配方法和系统,能根据患者体征和检验检查指标信息诊断病情,同时获取相应治疗方案推荐,为医生的诊治提供参考,同时提高诊治的效率。
Description
技术领域
本发明属于医学数据挖掘领域,涉及一种用于辅助诊断的疾病特征智能匹配方法。
背景技术
医生在日常工作中,常常需要根据当前患者的症状参考已有病例的治疗方案。患者的体征数据和检验检查数据共同构成了多维的疾病特征向量,相似病例的搜索意味着从庞大的病例数据库中找到相匹配的特征向量,显然传统的基于关键词的搜索方式无法满足多维特征快速匹配的需求。
另一方面,数据挖掘技术作为数据库知识发现的重要过程,已被广泛应用在诸多领域,通过建立相应的挖掘模型,可以解决现实中的分类、预测、推荐等各类问题。
发明内容
本发明的目的是利用患者的体征和检验检查数据来构建疾病特征的智能匹配模型,用于辅助诊断和治疗方案推荐。
为了达到上述目的,本发明的技术方案是提供了一种疾病特征智能匹配方法,其特征在于,包括以下步骤:
步骤1、对电子病例库中已有的患者数据按照事先建立的疾病体征集和检验检查指标集提取相应的值构成每位患者的特征向量,将所有患者的特征向量整合成病例特征矩阵D;
步骤2、采用主成分分析提取病例特征矩阵D的主成分,并按照主成分所在方向进行数据变换,变换后的空间称为病例特征矩阵D的特征空间F;
步骤3、将待匹配患者的疾病体征数据和检验检查数据投影到特征空间F中,并计算待匹配患者与病例特征矩阵D中每一位患者的特征向量的相似度,排序选择相似度最大的前N个患者的特征向量作为待匹配患者的最近邻特征集U;
步骤4、以相似度为权值,计算待匹配患者的各疾病体征指标和检验检查指标的得分,选取排序后得分贡献度在一定百分比以上的疾病体征指标和/或检验检查指标作为判断病症的主要特征,用于辅助诊断,其中,第i个待匹配患者的第a个指标的得分为Pia,则有:
式中,为第i个待匹配患者的指标的平均值,simij为第i个待匹配患者与最近邻特征集U中第j个患者的相似度,zja表示最近邻特征集U中第j个患者的第a个指标的得分,为最近邻特征集U中第j个患者的指标的平均值。
优选地,所述疾病体征集和检验检查指标集通过以下方法得到:
以包含患者基本信息、体征信息、检验检查信息和诊断信息的电子病历为基础,结合疾病防治指南和国内外研究现状构建的疾病体征词袋,将电子病历中的非结构化体征信息进行结构化处理,得到疾病体征集和检验检查指标集。
优选地,在所述步骤3中,采用余弦相似性度量计算待匹配患者与病例特征矩阵D中每一位患者的特征向量的相似度,则在所述步骤4中,第i个待匹配患者与最近邻特征集U中第j个患者的相似度为式中,fi为第i个待匹配患者的特征向量,fj为最近邻特征集U中第j个患者的特征向量。
优选地,在所述步骤4后还包括:
步骤5、采用数据稀疏性评估和匹配模型评估进行性能评估。
优选地,在所述步骤2之前并所述步骤1之后还包括:
步骤A、将所述病例特征矩阵D分块,即分为患者疾病体征指标矩阵X和患者检验检查指标矩阵Y,则所述步骤2为:
分别对患者疾病体征指标矩阵X和患者检验检查指标矩阵Y执行主成分分析,并按照主成分所在方向进行数据变换,将分别变换后获得的特征空间串型组合成病例特征矩阵D的特征空间F。
优选地,在所述步骤2之前并所述步骤A之后还包括:
步骤B、将所述病例特征矩阵D中的数据进行标准化,以消除量纲和数量级的影响。
优选地,采用相同的方法分别将所述患者疾病体征指标矩阵X和患者检验检查指标矩阵Y中的数据标准化,其中,设患者疾病体征指标矩阵X有n行m列,则将患者疾病体征指标矩阵X中的体征指标值xij标准化为的方法为:
式中,μj为第j项体征指标的均值, 为第j项体征指标的方差,
优选地,在所述步骤2中,选取主成分时选择累积方差贡献度大于0.85的成分作为主成分,且主成分相应的特征值必须大于1,以保证所选主成分足以解释原变量。
本发明的有益效果是,与传统的基于关键词搜索的方法不同,本发明所涉及的疾病特征的智能匹配方法和系统,能根据患者体征和检验检查指标信息诊断病情,同时获取相应治疗方案推荐,为医生的诊治提供参考,同时提高诊治的效率。
附图说明
图1为本发明的整体逻辑图;
图2为本发明性能评估过程中覆盖率的累积概率分布函数曲线。
图中:1.数据集成过程、2.电子病历库、3.患者体征数据、4.患者检验检查数据、5.非结构化数据结构化处理、6.患者体征指标特征矩阵、7.患者检验检查指标特征矩阵、8.集成后的病例特征矩阵(包括体征指标特征矩阵和检验检查指标特征矩阵)、9.维数约简过程、10.标准化、11.分块进行主成分分析、12.稀疏度计算、13.约简后的病例特征矩阵、14.待匹配患者特征向量、15.相似度量过程、16.计算相似性、17.待匹配患者最近邻特征集、18.智能匹配过程、19.计算匹配特征得分、20.匹配体征集、21.性能评估过程。
具体实施方式
为使本发明更明显易懂,兹以优选实施例,并配合附图作详细说明如下。
本发明涉及一种用于辅助诊断的疾病特征智能匹配方法和系统。其基本思想是:在医疗大数据背景下,根据单一疾病患者的临床表现具有相似性,通过匹配当前患者与数据库中的已有病例,得到对于当前患者的疾病诊断的额外临床决策支持及治疗方案推荐,起到提高医生诊断效率的辅助作用。本发明以住院高血压患者为例,具体介绍实施过程。值得一提的是,因为所获取的疾病特征具有严重的稀疏性,因此本发明中首先采用高维数据维数约简的思想来减弱因稀疏性和冗余性造成的匹配率下降问题。结合图1,本发明的具体步骤为:
步骤1、以包含患者基本信息、体征信息、检验检查信息和诊断信息的电子病历为基础,结合疾病防治指南和国内外研究现状构建的疾病体征词袋,将电子病历中的非结构化体征信息进行结构化处理,得到疾病体征集和检验检查指标集。
对电子病例库中已有的患者数据按照事先建立的疾病体征集和检验检查指标集提取相应的值构成每位患者的特征向量,将所有患者的特征向量整合成病例特征矩阵D,表述如下:
式中,X为患者疾病体征指标矩阵,Y为患者检验检查指标矩阵,xij为第i个患者的第j项体征指标,yit为第i个患者的第t项检验检查指标。
步骤2、将病例特征矩阵D中的数据进行标准化,以消除量纲和数量级的影响。采用相同的方法分别将患者疾病体征指标矩阵X和患者检验检查指标矩阵Y中的数据标准化,其中,将患者疾病体征指标矩阵X中的体征指标值xij标准化为的方法为:
式中,μj为第j项体征指标的均值, 为第j项体征指标的方差,
步骤3、维数约简过程:因数据集成过程得到的病例特征矩阵D是非对称的稀疏矩阵,直接进行相似性度量将导致冗余的计算量,并且算法精度不高。因此,本发明采用主成分分析分别提取病例特征矩阵D中患者疾病体征指标矩阵X和患者检验检查指标矩阵Y的主成分,选取主成分时选择累积方差贡献度大于0.85的成分作为主成分,且主成分相应的特征值必须大于1,以保证所选主成分足以解释原变量,并按照主成分所在方向进行数据变换,将分别变换后获得的特征空间串型组合成病例特征矩阵D的特征空间F。
步骤4、将待匹配患者的疾病体征数据和检验检查数据投影到特征空间F中,并采用余弦相似性度量计算待匹配患者与病例特征矩阵D中每一位患者的特征向量的相似度,排序选择相似度最大的前N个患者的特征向量作为待匹配患者的最近邻特征集U;
步骤5、以以余弦相似度为权值,计算待匹配患者的各疾病体征指标和检验检查指标的得分,选取排序后得分贡献度在95%以上的疾病体征指标和检验检查指标作为判断病症的主要特征,用于辅助诊断,其中,第i个待匹配患者的第a个指标的得分为Pia,则有:
式中,为第i个待匹配患者的指标的平均值,zja表示最近邻特征集U中第j个患者的第a个指标的得分,为最近邻特征集U中第j个患者的指标的平均值,simij为第i个待匹配患者与最近邻特征集U中第j个患者的相似度,式中,fi为第i个待匹配患者的特征向量,fj为最近邻特征集U中第j个患者的特征向量。
步骤6、性能评估过程:这里的性能评估包含数据稀疏性评估和匹配模型评估,其中数据的稀疏性通过如下的稀疏度sparse来评价:
式中,N0∈D表示病例特征矩阵D中所有的零元的个数。sparse越接近于1表示数据的稀疏性越高。
匹配模型评估采取覆盖率COV来衡量疾病特征匹配的覆盖程度,其定义为给定匹配原则的前提下,匹配集中覆盖实际体征的个数占实际体征的比。同时采用累积概率分布来分析整个匹配系统的精度。
以下以具体实施来进一步说明本发明。
步骤1、依据电子病历库2中上海市2011年度各医院汇总的572975条高血压患者住院记录,选取出院小结表中患者的基本信息,以及相应的诊断体征数据3和住院期间的检验检查数据4。
步骤2、根据《中国高血压防治指南(2010年版)》构建高血压疾病体征词袋,将电子病历中的非结构化体征信息进行结构化处理5,得到高血压患者体征指标集,即乏力、腹痛腹胀、恶心呕吐、咳嗽、气促、心悸、干湿罗音、发烧、胸痛胸闷、头昏头痛、尿频尿急、盗汗、口干、视力模糊、大便秘结、腰酸腰痛、呼吸音低粗、四肢麻木、睡眠质量差、咳痰、颈部肿块、耳鸣、精神萎靡、意识模糊、口齿含糊、压痛、背部酸痛、舌淡、抽搐、吞咽困难共计30项。
依据高血压体征指标集重构高血压体征数据,即按照卡号和卡类型将诊断体征信息构造成一个0-1矩阵,称之为患者体征指标特征矩阵6,它是一个非对称的稀疏矩阵,其中0表示患者不存在相应的体征特征,1表示存在。
步骤3、结合《中国高血压防治指南(2010年版)》中的常规检验检查项目,将检验检查表按照卡号、卡类型整理成患者检验检查指标特征矩阵7,它也是一个非对称的稀疏矩阵,每行表示一位患者的检验检查指标向量,分量值为相应的检验检查结果。在实施中,选择的指标为谷草转氨酶(AST)、谷丙转氨酶(ALT)、尿素氮(BUN)、24小时尿钾、24小时尿钠、B型钠尿肽(BNP)、C反应蛋白(CRP)、口服葡萄糖胰岛素释放实验(空腹OGTT、1小时OGTT、2小时OGTT)、低密度蛋白胆固醇(LDL)、尿酸、尿蛋白肌酐、尿蛋白、尿PH值、尿红细胞。
步骤4、按照卡号、卡类型整合患者体征指标特征矩阵6和患者检验检查指标特征矩阵7,构成高血压病例特征矩阵8。并在此基础上建立疾病特征的智能匹配方案,用于辅助诊断。
步骤5、消除稀疏性造成的匹配率下降的问题。将高血压病例特征矩阵8按照特征进行标准化10,基于此,采用分块主成分分析11执行维数约简9,合并得到约简后的病例特征矩阵13。同时将待匹配患者的特征向量14投影至相同的空间,得到约简后的带匹配患者的特征向量。在本实施样例中,随机选取80%的病例特征数据用于训练规则,其余20%用于规则的性能评估。经稀疏度计算12,训练数据的稀疏度达到了82.94%,对其执行分块主成分分析11,合并构成表1的约简矩阵,其中,前30行为体征指标,后16项为检验检查指标。
表1病例特征矩阵的约简矩阵
步骤6、针对第5步获取的约简后的病例特征矩阵13,采用基于相似度的近邻规则,获取待匹配患者14的最近邻特征矩阵。采用余弦相似性16的前提下,提取患者的20项最近邻特征构成患者的近邻特征集17,并记录相应的相似度用于后续计算。为了详细阐明,这里选取其中五位患者作为样例说明。若选择的患者体征指标为:
patient1:(1,1,0,0,0,0,1,0,0,1,1,1,1,0,1,1,1,1,0,0,1,0,0,1,0,0,0,0,0,0)
patient2:(0,1,0,0,0,1,1,0,0,0,0,0,0,0,0,0,0,1,0,0,0,0,0,0,0,1,0,0,0,0)
patient3:(0,1,0,0,0,1,1,0,0,0,0,0,0,0,0,0,1,1,0,0,1,1,0,0,0,1,0,0,0,0)
patient4:(0,1,0,0,0,0,1,0,0,0,1,0,0,0,0,0,1,1,0,0,0,0,0,0,0,1,0,0,0,0)
patient5:(0,1,0,1,0,0,1,0,0,0,0,0,0,0,1,0,1,0,0,1,0,1,0,0,0,1,0,0,0,0)
这里仅给出了体征指标,没有显式列出检验检查指标。表2给出了5位患者的近邻特征在匹配库中的位置和相应的相似度。可以看出,在选择20-近邻的前提下,近邻规则的质量很高,相似度都在99%以上。
表2与待匹配患者最近邻特征所在行数和相应的相似度
这里,灰色底纹所示数字为近邻特征在病例特征矩阵中的行数,下方对应的是相似度。
7、计算待匹配患者各项指标的得分19。表3给出了5位患者特征的得分(归一化后的得分)和相应的排名。
表3患者指标得分和排名结果表
根据表3可知,在匹配特征得分贡献度大于95%的原则下,提取5位患者按得分从大到小排序后的特征见表4。可以看出,特征匹配不仅涵盖了5位患者的绝大多数实际体征,而且给出了实际体征的排名。参考疾病特征匹配结果,医生可快速精准的诊断疾病。
表4 95%原则下匹配特征和相应的覆盖率
可以看出patient5的体征“咳痰”未被匹配到,为了分析整个系统的优劣,采用经验累积概率分布函数(CDF)21来衡量。由图2可知,覆盖率小于0.9的CDF仍然小于0.3,也就是说70%的覆盖率超过了0.9。在覆盖率小于0.7被认为匹配不合格的原则下,CDF大约在0.05,也就是说95%的匹配都是合格的。说明疾病特征智能匹配和预测模型具备优秀的匹配体征覆盖率,可以辅助医生诊断患者体征,防止漏诊。
Claims (8)
1.一种疾病特征智能匹配方法,其特征在于,包括以下步骤:
步骤1、对电子病例库中已有的患者数据按照事先建立的疾病体征集和检验检查指标集提取相应的值构成每位患者的特征向量,将所有患者的特征向量整合成病例特征矩阵D;
步骤2、采用主成分分析提取病例特征矩阵D的主成分,并按照主成分所在方向进行数据变换,变换后的空间称为病例特征矩阵D的特征空间F;
步骤3、将待匹配患者的疾病体征数据和检验检查数据投影到特征空间F中,并计算待匹配患者与病例特征矩阵D中每一位患者的特征向量的相似度,排序选择相似度最大的前N个患者的特征向量作为待匹配患者的最近邻特征集U:
步骤4、以相似度为权值,计算待匹配患者的各疾病体征指标和检验检查指标的得分,选取排序后得分贡献度在一定百分比以上的疾病体征指标和/或检验检查指标作为判断病症的主要特征,用于辅助诊断,其中,第i个待匹配患者的第a个指标的得分为Pia,则有:
式中,为第i个待匹配患者的指标的平均值,simij为第i个待匹配患者与最近邻特征集U中第j个患者的相似度,zja表示最近邻特征集U中第j个患者的第a个指标的得分,为最近邻特征集U中第j个患者的指标的平均值。
2.如权利要求1所述的一种疾病特征智能匹配方法,其特征在于,在所述步骤1中,所述疾病体征集和检验检查指标集通过以下方法得到:
以包含患者基本信息、体征信息、检验检查信息和诊断信息的电子病历为基础,结合疾病防治指南和国内外研究现状构建的疾病体征词袋,将电子病历中的非结构化体征信息进行结构化处理,得到疾病体征集和检验检查指标集。
3.如权利要求1所述的一种疾病特征智能匹配方法,其特征在于,在所述步骤3中,采用余弦相似性度量计算待匹配患者与病例特征矩阵D中每一位患者的特征向量的相似度,则在所述步骤4中,第i个待匹配患者与最近邻特征集U中第j个患者的相似度式中,fi为第i个待匹配患者的特征向量,fj为最近邻特征集U中第j个患者的特征向量。
4.如权利要求1所述的一种疾病特征智能匹配方法,其特征在于,在所述步骤4后还包括:
步骤5、采用数据稀疏性评估和匹配模型评估进行性能评估。
5.如权利要求1所述的一种疾病特征智能匹配方法,其特征在于,在所述步骤2之前并所述步骤1之后还包括:
步骤A、将所述病例特征矩阵D分块,即分为患者疾病体征指标矩阵X和患者检验检查指标矩阵Y,则所述步骤2为:
分别对患者疾病体征指标矩阵X和患者检验检查指标矩阵Y执行主成分分析,并按照主成分所在方向进行数据变换,将分别变换后获得的特征空间串型组合成病例特征矩阵D的特征空间F。
6.如权利要求5所述的一种疾病特征智能匹配方法,其特征在于,在所述步骤2之前并所述步骤A之后还包括:
步骤B、将所述病例特征矩阵D中的数据进行标准化,以消除量纲和数量级的影响。
7.如权利要求6所述的一种疾病特征智能匹配方法,其特征在于,采用相同的方法分别将所述患者疾病体征指标矩阵X和患者检验检查指标矩阵Y中的数据标准化,其中,设患者疾病体征指标矩阵X有n行m列,则将患者疾病体征指标矩阵X中的体征指标值xij标准化为的方法为:
式中,μj为第j项体征指标的均值, 为第j项体征指标的方差,
8.如权利要求1所述的一种疾病特征智能匹配方法,其特征在于,在所述步骤2中,选取主成分时选择累积方差贡献度大于0.85的成分作为主成分,且主成分相应的特征值必须大于1,以保证所选主成分足以解释原变量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510319351.3A CN104915561B (zh) | 2015-06-11 | 2015-06-11 | 疾病特征智能匹配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510319351.3A CN104915561B (zh) | 2015-06-11 | 2015-06-11 | 疾病特征智能匹配方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104915561A true CN104915561A (zh) | 2015-09-16 |
CN104915561B CN104915561B (zh) | 2018-10-16 |
Family
ID=54084622
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510319351.3A Active CN104915561B (zh) | 2015-06-11 | 2015-06-11 | 疾病特征智能匹配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104915561B (zh) |
Cited By (37)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105205337A (zh) * | 2015-10-15 | 2015-12-30 | 上海楚腾信息技术有限公司 | 基于自然语言词汇分析的辅助生殖专家治疗方案推荐系统 |
CN105389465A (zh) * | 2015-10-29 | 2016-03-09 | 徐翼 | 病历数据处理方法、装置以及系统 |
CN105740612A (zh) * | 2016-01-27 | 2016-07-06 | 北京国医精诚科技有限公司 | 基于中医临床医案的疾病诊疗方法和系统 |
CN105787494A (zh) * | 2016-02-24 | 2016-07-20 | 中国科学院自动化研究所 | 基于多级分区词袋模型的脑疾病识别方法 |
CN105825056A (zh) * | 2016-03-16 | 2016-08-03 | 苏州德品医疗科技股份有限公司 | 一种智慧病区信息中心系统 |
CN105975794A (zh) * | 2016-05-23 | 2016-09-28 | 上海交通大学 | 基于加权knn的乳腺癌化疗方案推荐方法 |
CN106021871A (zh) * | 2016-05-10 | 2016-10-12 | 深圳前海信息技术有限公司 | 基于大数据群体行为的疾病相似度计算方法及装置 |
CN106126873A (zh) * | 2016-05-30 | 2016-11-16 | 刘华英 | 治疗方案推荐方法和系统 |
CN106202888A (zh) * | 2016-06-29 | 2016-12-07 | 北京千安哲信息技术有限公司 | 一种度量中药材相似性的方法及装置 |
CN106650299A (zh) * | 2017-01-18 | 2017-05-10 | 浙江大学 | 一种患者相似性分析的快速计算方法 |
CN106778046A (zh) * | 2017-02-28 | 2017-05-31 | 思派(北京)网络科技有限公司 | 一种基于特征值进行前列腺癌复发预测的系统和方法 |
CN106778042A (zh) * | 2017-01-26 | 2017-05-31 | 中电科软件信息服务有限公司 | 心脑血管患者相似性分析方法及系统 |
CN106934223A (zh) * | 2017-02-28 | 2017-07-07 | 思派(北京)网络科技有限公司 | 一种基于大数据的血液病智能分类系统及方法 |
CN106951917A (zh) * | 2017-02-28 | 2017-07-14 | 思派(北京)网络科技有限公司 | 一种淋巴瘤病理类型的智能分类系统和方法 |
CN107169259A (zh) * | 2016-12-12 | 2017-09-15 | 为朔生物医学有限公司 | 基于协同过滤和建议的个性化医学决定支持系统 |
CN107591203A (zh) * | 2017-10-25 | 2018-01-16 | 湖南网数科技有限公司 | 一种基于知识库的疾病预警方法及系统 |
CN107785075A (zh) * | 2017-11-01 | 2018-03-09 | 杭州依图医疗技术有限公司 | 基于文本病历的小儿发热疾病深度学习辅助诊断系统 |
WO2018133340A1 (zh) * | 2017-01-19 | 2018-07-26 | 京东方科技集团股份有限公司 | 数据分析方法和设备 |
CN108492885A (zh) * | 2018-02-26 | 2018-09-04 | 上海联影医疗科技有限公司 | 检查工作流推荐方法、装置及终端 |
CN108573751A (zh) * | 2017-03-08 | 2018-09-25 | 深圳大森智能科技有限公司 | 治疗效果的检验方法及装置 |
CN109002449A (zh) * | 2017-06-06 | 2018-12-14 | 株式会社日立制作所 | 一种基于疾病相关属性检索诊断病例的装置及方法 |
CN106055909B (zh) * | 2016-06-14 | 2018-12-28 | 华南师范大学 | 基于大数据知识库的治疗方案推荐系统 |
CN105912881B (zh) * | 2016-06-14 | 2018-12-28 | 华南师范大学 | 基于大数据知识库的个性化治疗方案推荐系统 |
CN109408530A (zh) * | 2018-09-07 | 2019-03-01 | 中交广州航道局有限公司 | 信号点转换关系建立方法、装置和计算机设备 |
CN109686453A (zh) * | 2018-12-26 | 2019-04-26 | 上海元荷生物技术有限公司 | 基于大数据的医疗辅助决策系统 |
CN110021438A (zh) * | 2017-07-21 | 2019-07-16 | 上海营康计算机科技有限公司 | 人体营养状态辅助诊断系统及方法 |
CN110176308A (zh) * | 2019-05-28 | 2019-08-27 | 广东工业大学 | 疾病与生命体征的关联性建立装置、方法、设备及介质 |
CN110456976A (zh) * | 2019-07-29 | 2019-11-15 | 腾讯科技(深圳)有限公司 | 检验单处理方法及装置、存储介质和电子装置 |
CN111128320A (zh) * | 2019-11-19 | 2020-05-08 | 四川好医生云医疗科技有限公司 | 基于检验结果确定医学标签的系统及人工智能方法 |
CN111803804A (zh) * | 2020-06-19 | 2020-10-23 | 山东省肿瘤防治研究院(山东省肿瘤医院) | 自适应放疗系统、存储介质及设备 |
CN112349423A (zh) * | 2020-11-04 | 2021-02-09 | 吾征智能技术(北京)有限公司 | 一种基于BiMPM方法的口干信息匹配系统 |
WO2021174788A1 (zh) * | 2020-03-02 | 2021-09-10 | 平安科技(深圳)有限公司 | 信息匹配分析方法、装置、计算机系统及可读存储介质 |
CN114334145A (zh) * | 2021-12-06 | 2022-04-12 | 中国医学科学院北京协和医院 | 一种不典型危重患者的动态识别方法 |
CN114676390A (zh) * | 2022-05-27 | 2022-06-28 | 华南师范大学 | 心理特质相近人员的查找方法、系统、装置和存储介质 |
CN116206774A (zh) * | 2023-04-27 | 2023-06-02 | 深圳市浩然盈科通讯科技有限公司 | 一种结合大数据自动匹配护理治疗方案的方法及系统 |
CN116578711A (zh) * | 2023-07-06 | 2023-08-11 | 武汉楚精灵医疗科技有限公司 | 腹痛特征提取方法、装置、电子设备及存储介质 |
CN116796046A (zh) * | 2023-08-29 | 2023-09-22 | 武汉大学人民医院(湖北省人民医院) | 基于罕见特征的病例检索方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH08131405A (ja) * | 1994-11-07 | 1996-05-28 | Takayoshi Saito | 健康管理技術の標準化方法及び装置 |
CN102473305A (zh) * | 2009-08-18 | 2012-05-23 | 公立大学法人大阪府立大学 | 用于检测物体的方法 |
CN104392085A (zh) * | 2014-09-05 | 2015-03-04 | 上海卫生信息工程技术研究中心有限公司 | 一种基于核主成分topsis的药物效果评价方法 |
-
2015
- 2015-06-11 CN CN201510319351.3A patent/CN104915561B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH08131405A (ja) * | 1994-11-07 | 1996-05-28 | Takayoshi Saito | 健康管理技術の標準化方法及び装置 |
CN102473305A (zh) * | 2009-08-18 | 2012-05-23 | 公立大学法人大阪府立大学 | 用于检测物体的方法 |
CN104392085A (zh) * | 2014-09-05 | 2015-03-04 | 上海卫生信息工程技术研究中心有限公司 | 一种基于核主成分topsis的药物效果评价方法 |
Non-Patent Citations (2)
Title |
---|
罗洋: "基于案例推理的糖尿病诊断系统的研究与应用", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
顾东晓: "基于案例库的诊疗决策支持技术研究", 《中国博士学位论文全文数据库 》 * |
Cited By (51)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105205337A (zh) * | 2015-10-15 | 2015-12-30 | 上海楚腾信息技术有限公司 | 基于自然语言词汇分析的辅助生殖专家治疗方案推荐系统 |
CN105205337B (zh) * | 2015-10-15 | 2018-08-21 | 上海楚腾信息技术有限公司 | 基于自然语言词汇分析的辅助生殖专家治疗方案推荐系统 |
CN105389465A (zh) * | 2015-10-29 | 2016-03-09 | 徐翼 | 病历数据处理方法、装置以及系统 |
CN105389465B (zh) * | 2015-10-29 | 2018-09-28 | 徐翼 | 病历数据处理方法、装置以及系统 |
CN105740612A (zh) * | 2016-01-27 | 2016-07-06 | 北京国医精诚科技有限公司 | 基于中医临床医案的疾病诊疗方法和系统 |
CN105740612B (zh) * | 2016-01-27 | 2019-07-05 | 北京国医精诚科技有限公司 | 基于中医临床医案的疾病诊疗系统 |
CN105787494A (zh) * | 2016-02-24 | 2016-07-20 | 中国科学院自动化研究所 | 基于多级分区词袋模型的脑疾病识别方法 |
CN105787494B (zh) * | 2016-02-24 | 2019-04-23 | 中国科学院自动化研究所 | 基于多级分区词袋模型的脑疾病识别装置 |
CN105825056A (zh) * | 2016-03-16 | 2016-08-03 | 苏州德品医疗科技股份有限公司 | 一种智慧病区信息中心系统 |
CN106021871A (zh) * | 2016-05-10 | 2016-10-12 | 深圳前海信息技术有限公司 | 基于大数据群体行为的疾病相似度计算方法及装置 |
CN105975794A (zh) * | 2016-05-23 | 2016-09-28 | 上海交通大学 | 基于加权knn的乳腺癌化疗方案推荐方法 |
CN106126873A (zh) * | 2016-05-30 | 2016-11-16 | 刘华英 | 治疗方案推荐方法和系统 |
CN106126873B (zh) * | 2016-05-30 | 2019-02-05 | 刘华英 | 治疗方案推荐方法和系统 |
CN105912881B (zh) * | 2016-06-14 | 2018-12-28 | 华南师范大学 | 基于大数据知识库的个性化治疗方案推荐系统 |
CN106055909B (zh) * | 2016-06-14 | 2018-12-28 | 华南师范大学 | 基于大数据知识库的治疗方案推荐系统 |
CN106202888B (zh) * | 2016-06-29 | 2019-05-07 | 北京千安哲信息技术有限公司 | 一种度量中药材相似性的方法及装置 |
CN106202888A (zh) * | 2016-06-29 | 2016-12-07 | 北京千安哲信息技术有限公司 | 一种度量中药材相似性的方法及装置 |
CN107169259A (zh) * | 2016-12-12 | 2017-09-15 | 为朔生物医学有限公司 | 基于协同过滤和建议的个性化医学决定支持系统 |
CN106650299A (zh) * | 2017-01-18 | 2017-05-10 | 浙江大学 | 一种患者相似性分析的快速计算方法 |
CN108335755B (zh) * | 2017-01-19 | 2022-03-04 | 京东方科技集团股份有限公司 | 数据分析方法和设备 |
WO2018133340A1 (zh) * | 2017-01-19 | 2018-07-26 | 京东方科技集团股份有限公司 | 数据分析方法和设备 |
CN108335755A (zh) * | 2017-01-19 | 2018-07-27 | 京东方科技集团股份有限公司 | 数据分析方法和设备 |
US11195114B2 (en) * | 2017-01-19 | 2021-12-07 | Boe Technology Group Co., Ltd. | Medical data analysis method and device as well as computer-readable storage medium |
CN106778042A (zh) * | 2017-01-26 | 2017-05-31 | 中电科软件信息服务有限公司 | 心脑血管患者相似性分析方法及系统 |
CN106934223A (zh) * | 2017-02-28 | 2017-07-07 | 思派(北京)网络科技有限公司 | 一种基于大数据的血液病智能分类系统及方法 |
CN106778046A (zh) * | 2017-02-28 | 2017-05-31 | 思派(北京)网络科技有限公司 | 一种基于特征值进行前列腺癌复发预测的系统和方法 |
CN106951917A (zh) * | 2017-02-28 | 2017-07-14 | 思派(北京)网络科技有限公司 | 一种淋巴瘤病理类型的智能分类系统和方法 |
CN108573751A (zh) * | 2017-03-08 | 2018-09-25 | 深圳大森智能科技有限公司 | 治疗效果的检验方法及装置 |
CN109002449A (zh) * | 2017-06-06 | 2018-12-14 | 株式会社日立制作所 | 一种基于疾病相关属性检索诊断病例的装置及方法 |
CN109002449B (zh) * | 2017-06-06 | 2023-04-07 | 株式会社日立制作所 | 一种基于疾病相关属性检索诊断病例的装置及方法 |
CN110021438A (zh) * | 2017-07-21 | 2019-07-16 | 上海营康计算机科技有限公司 | 人体营养状态辅助诊断系统及方法 |
CN107591203A (zh) * | 2017-10-25 | 2018-01-16 | 湖南网数科技有限公司 | 一种基于知识库的疾病预警方法及系统 |
CN107785075A (zh) * | 2017-11-01 | 2018-03-09 | 杭州依图医疗技术有限公司 | 基于文本病历的小儿发热疾病深度学习辅助诊断系统 |
CN108492885A (zh) * | 2018-02-26 | 2018-09-04 | 上海联影医疗科技有限公司 | 检查工作流推荐方法、装置及终端 |
CN109408530A (zh) * | 2018-09-07 | 2019-03-01 | 中交广州航道局有限公司 | 信号点转换关系建立方法、装置和计算机设备 |
CN109686453A (zh) * | 2018-12-26 | 2019-04-26 | 上海元荷生物技术有限公司 | 基于大数据的医疗辅助决策系统 |
CN110176308A (zh) * | 2019-05-28 | 2019-08-27 | 广东工业大学 | 疾病与生命体征的关联性建立装置、方法、设备及介质 |
CN110456976A (zh) * | 2019-07-29 | 2019-11-15 | 腾讯科技(深圳)有限公司 | 检验单处理方法及装置、存储介质和电子装置 |
CN110456976B (zh) * | 2019-07-29 | 2023-07-18 | 腾讯科技(深圳)有限公司 | 检验单处理方法及装置、存储介质和电子装置 |
CN111128320A (zh) * | 2019-11-19 | 2020-05-08 | 四川好医生云医疗科技有限公司 | 基于检验结果确定医学标签的系统及人工智能方法 |
WO2021174788A1 (zh) * | 2020-03-02 | 2021-09-10 | 平安科技(深圳)有限公司 | 信息匹配分析方法、装置、计算机系统及可读存储介质 |
CN111803804A (zh) * | 2020-06-19 | 2020-10-23 | 山东省肿瘤防治研究院(山东省肿瘤医院) | 自适应放疗系统、存储介质及设备 |
CN112349423A (zh) * | 2020-11-04 | 2021-02-09 | 吾征智能技术(北京)有限公司 | 一种基于BiMPM方法的口干信息匹配系统 |
CN114334145A (zh) * | 2021-12-06 | 2022-04-12 | 中国医学科学院北京协和医院 | 一种不典型危重患者的动态识别方法 |
CN114676390B (zh) * | 2022-05-27 | 2022-08-16 | 华南师范大学 | 心理特质相近人员的查找方法、系统、装置和存储介质 |
CN114676390A (zh) * | 2022-05-27 | 2022-06-28 | 华南师范大学 | 心理特质相近人员的查找方法、系统、装置和存储介质 |
CN116206774A (zh) * | 2023-04-27 | 2023-06-02 | 深圳市浩然盈科通讯科技有限公司 | 一种结合大数据自动匹配护理治疗方案的方法及系统 |
CN116578711A (zh) * | 2023-07-06 | 2023-08-11 | 武汉楚精灵医疗科技有限公司 | 腹痛特征提取方法、装置、电子设备及存储介质 |
CN116578711B (zh) * | 2023-07-06 | 2023-10-27 | 武汉楚精灵医疗科技有限公司 | 腹痛特征提取方法、装置、电子设备及存储介质 |
CN116796046A (zh) * | 2023-08-29 | 2023-09-22 | 武汉大学人民医院(湖北省人民医院) | 基于罕见特征的病例检索方法及装置 |
CN116796046B (zh) * | 2023-08-29 | 2023-11-10 | 武汉大学人民医院(湖北省人民医院) | 基于罕见特征的病例检索方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN104915561B (zh) | 2018-10-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104915561A (zh) | 疾病特征智能匹配方法 | |
Zheng et al. | Time series classification using multi-channels deep convolutional neural networks | |
Kamadi et al. | A computational intelligence technique for the effective diagnosis of diabetic patients using principal component analysis (PCA) and modified fuzzy SLIQ decision tree approach | |
Chetty et al. | Role of attributes selection in classification of Chronic Kidney Disease patients | |
Chang et al. | An assessment of machine learning models and algorithms for early prediction and diagnosis of diabetes using health indicators | |
Faust et al. | Automated arrhythmia detection based on RR intervals | |
CN104866713B (zh) | 基于增量局部鉴别子空间嵌入的川崎病和发烧诊断系统 | |
CN109102899A (zh) | 基于机器学习与大数据的中医智能辅助系统及方法 | |
CN103678534A (zh) | 结合粗糙集和模糊推理的生理信息与健康相关性获取方法 | |
CN111009321A (zh) | 一种机器学习分类模型在青少年孤独症辅助诊断中的应用方法 | |
CN106021871A (zh) | 基于大数据群体行为的疾病相似度计算方法及装置 | |
Sapna et al. | Implementation of genetic algorithm in predicting diabetes | |
CN112733774A (zh) | 一种基于BiLSTM与串并多尺度CNN结合的轻量化ECG分类方法 | |
CN109213871A (zh) | 患者信息知识图谱构建方法、可读存储介质和终端 | |
Xiong et al. | Prediction of hemodialysis timing based on LVW feature selection and ensemble learning | |
CN112819045A (zh) | 用于用户生理状态分类的方法、装置、电子设备及介质 | |
Al-Mualemi et al. | A deep learning-based sepsis estimation scheme | |
Nieto-del-Amor et al. | Assessment of dispersion and bubble entropy measures for enhancing preterm birth prediction based on electrohysterographic signals | |
Yang et al. | A novel method for automated congestive heart failure and coronary artery disease recognition using THC-Net | |
Zhang et al. | Identification of Autism spectrum disorder based on a novel feature selection method and Variational Autoencoder | |
Jiang et al. | An aided diagnosis model of sub-health based on rough set and fuzzy mathematics: A case of TCM | |
Oanh et al. | Predicting hypertension based on machine learning methods: A case study in northwest vietnam | |
Fu et al. | An ensemble machine learning model for the early detection of sepsis from clinical data | |
Lin et al. | Learning patient similarity via heterogeneous medical knowledge graph embedding | |
CN107491656A (zh) | 一种基于相对危险度决策树模型的妊娠结局影响因子评估方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |