CN105260598A - 口腔诊疗决策支持系统及决策方法 - Google Patents
口腔诊疗决策支持系统及决策方法 Download PDFInfo
- Publication number
- CN105260598A CN105260598A CN201510634483.5A CN201510634483A CN105260598A CN 105260598 A CN105260598 A CN 105260598A CN 201510634483 A CN201510634483 A CN 201510634483A CN 105260598 A CN105260598 A CN 105260598A
- Authority
- CN
- China
- Prior art keywords
- case
- casebook
- library
- module
- screening
- 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
Abstract
本发明公开一种口腔诊疗决策支持系统。所述口腔诊疗决策支持系统包括案例存储模块、案例库构建模块、案例提取模块及案例复用模块,所述案例存储模块用于存储患者信息,所述案例库构建模块用于抽取基于案例推理的关键信息构成两级结构案例库,所述案例提取模块用于提取与当前案例最相近的推荐案例,所述案例复用模块用于复用推荐案例为当前案例的决策提供决策依据。本发明同时还公开一种口腔诊疗决策支持系统的决策方法。采用本发明提供的系统和方法获得的推荐案例可为不同口腔病例自动提供决策参考,以满足临床诊疗过程中个体化诊疗决策,同时该系统具有筛选速度快,推荐案例精度高的优点。
Description
技术领域
本发明涉及口腔诊疗决策辅助技术领域,具体地,涉及一种口腔诊疗决策支持系统及决策方法。
背景技术
在医生的诊疗过程中,伴随着大量半结构化和非结构化数据的产生和使用,这些数据是医生经验和知识的积累,通过建立与电子病历管理系统相关联的病例数据库,有助于提升现有的电子病历管理,完善各项数据资料,为临床研究提供数据。同时,数据案例库的建立也为案例推理技术在该领域的应用提供了广阔的空间。
基于案例的推理(Case-BasedReasoning,简称CBR)把当前所面临的问题或情况称为目标案例(targetcase),而把记忆的问题或情况称为源案例(basecase)。它根据目标案例的要求或提示,检索匹配源案例,并在其指导下形成解决方案。CBR主要的思想是通过检索历史案例库得出与当前案例最为相近的历史案例并将其处理结果应用于当前案例。国内对CBR的研究相对较晚,主要从90年代开始,人数也相对较少,主要集中在高校和研究所,总体上也尚处于探索阶段,其研究领域主要集中在:关键技术(案例检索、案例修正、案例库等)、CBR应用系统、规则推理等技术的集成等方面。
虽然各种口腔诊疗系统在国内外已有广泛应用,CBR系统本身也在多个领域取得了巨大成功,但基于案例的诊疗决策支持系统成型的系统却并不多。目前,面向诊疗的基于案例决策支持技术已在乳腺癌早期探测、诊断、预测,皮肤病诊断,老年痴呆症诊断,风湿病诊断等方面取得了一定应用。但这些系统的功能和CBR系统应有的水平差距较大,不少系统多用于框架设计和原型系统研究,具体系统实现还需要深入研发。
发明内容
本发明提供一种口腔诊疗决策支持系统及决策方法,以获得与疾病诊断中最相似的推荐案例并自动提供决策数据,同时该口腔诊疗决策支持系统采用三级筛选方法获得与诊断中病例最相似的案例,具有筛选速度快、精度高的优点。
一种口腔诊疗决策支持系统,包括案例存储模块、案例库构建模块、案例提取模块及案例复用模块,其中所述案例存储模块用于存储通过口腔电子病历系统录入的患者信息所构成的病例数据库;所述案例库构建模块用于从所述案例存储模块的病例数据库中抽取基于案例推理的关键的患者信息构建第一层级为案例集、第二层级为案例的两级结构的案例库,所述第二层级的案例分别对应于其中第一层级的案例集所述案例提取模块,用于录入当前案例的信息,并根据当前案例的信息从所述案例库构建模块的案例库中筛选匹配出与之最相似的推荐案例,所述案例复用模块,通过对所述案例提取模块的推荐案例的复用获得决策参考数据;所述案例提取模块包括第一筛选匹配单元、第二筛选匹配单元、第三筛选匹配单元及排序单元,所述第一筛选匹配单元用于进行第一次筛选匹配,将当前案例与所述案例库构建模块构建的案例库进行匹配,确认当前案例所匹配到的案例库中的案例集;所述第二筛选匹配单元用于进行第二次筛选匹配,将当前案例与由所述第一筛选匹配单元的第一次筛选匹配得到的案例集中的案例进行匹配,通过匹配找到小于阈值A的案例,作为备选案例;所述第三筛选匹配单元用于进行第三次筛选匹配,将当前案例与由所述第二筛选匹配单元的第二次筛选匹配中的备选案例进行匹配,计算每个备选案例与当前案例的欧氏距离,并对计算结果进行排序,将欧氏距离最小的一个或者一组备选案例作为目标案例;所述排序单元,用于对目标案例的发生频率进行排序,选择发生频率最高的案例作为推荐案例。
在本发明提供的口腔诊疗决策支持系统的一种较佳实施例中,所述患者信息包括患者的基本信息、临床体征、体检结果、诊断结果及治疗措施。
在本发明提供的口腔诊疗决策支持系统的一种较佳实施例中,所述案例库构建模块包括信息抽取单元、案例表示单元、案例集表示单元及案例库构建单元,所述信息抽取单元,用于对案例推理过程中所需的关键信息进行分析并制定案例描述框架,所述案例描述框架中规定了案例所需包含的患者信息及患者信息的描述形式,依据所述案例描述框架提取患者信息;所述案例表示单元,用于对所提取出的患者信息按案例描述形式进行整理和结构化并形成案例;所述案例集表示单元用于对形成的案例进行整理,具共性特征的案例形成案例集,所述案例集为一组相关案例的抽象和概括;所述案例库构建单元用于构建第一层级为案例集、第二层级为案例的两级结构的案例库,所述案例集并列形成案例库的第一层级结构,每个案例集包括多个节点,每个节点对应一个案例,所述案例形成案例库的第二层级结构。
在本发明提供的口腔诊疗决策支持系统的一种较佳实施例中,所述案例的描述形式包括案例的描述信息,所述案例的描述信息包括案例特征向量及案例状态向量,所述案例集的描述形式包括案例集的描述信息,所述案例集的描述信息包括案例集状态向量和案例集权重向量。
在本发明提供的口腔诊疗决策支持系统的一种较佳实施例中,所述当前案例的描述形式包括当前案例的描述信息,所述当前案例的描述信息包括当前案例状态向量及当前案例特征向量;其中,所述第一筛选匹配单元在进行第一次筛选匹配时,将当前案例状态向量与案例集状态向量进行匹配;所述第二筛选匹配单元在进行第二次筛选匹配时,将当前案例状态向量与第一次筛选得到的案例集中的全部案例的案例状态向量进行匹配;所述第二筛选匹配单元在进行第三次筛选匹配时,采用当前案例特征向量与第二次筛选得到的案例的案例特征向量计算欧氏距离。
在本发明提供的口腔诊疗决策支持系统的一种较佳实施例中,所述阈值A为案例的数量值,A介于5与100之间。
在本发明提供的口腔诊疗决策支持系统的一种较佳实施例中,还包括案例修正模块,所述案例修正模块用于将推荐案例进行修正,同时将推荐案例的修正方案保存至案例库,并更新案例库。
本发明还提供一种口腔诊疗决策支持系统的决策方法,包括以下步骤:
步骤一、用户登录口腔诊疗决策支持系统,输入当前案例的信息并依据案例描述框架抽取信息形成当前案例;
步骤二、用户输入阈值A的值,案例提取模块将当前案例与案例库构建模块构建的案例库进行筛选匹配给出推荐案例,该步骤包括:进行第一次筛选匹配,将当前案例与案例库进行比较,确认当前案例所匹配到的案例库中的案例集;进行第二次筛选匹配,将当前案例与第一次筛选匹配案例集中的案例进行比较,通过匹配找到小于阈值A的案例即备选案例;进行第三次筛选匹配,计算第二次筛选匹配的每个备选案例与当前案例的欧氏距离,并对计算结果进行排序,将欧氏距离最小的一个或者一组备选案例作为目标案例;择优选择推荐案例,将第三次筛选匹配的目标案例按所发生的频率进行排序,将发生频率最高的案例作为推荐案例;
步骤三、案例复用模块通过人机交互界面把推荐案例展现给用户,如果用户对推荐案例满意,则用户通过案例复用模块将推荐案例复用获得诊断当前案例的决策参考数据。
在本发明提供的口腔诊疗决策支持系统的决策方法一种较佳实施例中,还包括案例复用模块通过人机交互把推荐案例展现给用户,如果用户对推荐案例不满意,则用户通过案例修正模块将推荐案例进行修正,同时将推荐案例的修正方案保存至案例库并更新案例库的步骤。
在本发明提供的口腔诊疗决策支持系统的决策方法一种较佳实施例中,所述案例集和案例均通过描述信息表示,所述案例集的描述信息包括案例集状态向量及案例集权重向量,所述案例的描述信息包括案例状态向量及案例特征向量;所述当前案例也通过描述信息表示,所述当前案例的描述信息包括当前案例状态向量和当前案例特征向量;所述第一次筛选匹配,将当前案例状态向量与案例集状态向量进行匹配;所述第二次筛选匹配,将当前案例状态向量与第一次筛选得到的案例集中的全部案例的案例状态向量进行匹配;所述第三次筛选匹配,采用当前案例特征向量与第二次筛选得到的案例的案例特征向量计算欧氏距离。
相较于现有技术,本发明提供的口腔诊疗决策支持系统及决策方法基于案例推理,具有以下有益效果:
一、通过分析和整理口腔专科病例中的大量结构化和非结构化数据,提取其中基于案例推理所需的关键信息形成案例,然后通过采用三级筛选方法获得与当前案例最相似的案例,为当前病例的诊断自动提供决策数据,以满足临床诊疗过程中个体化诊疗决策。
二、本发明首先通过一级筛选确定当前案例所属案例集,二级筛选再在一级筛选获得的案例集中匹配一类小于阈值A的备选案例,三级筛选通过最邻近算法计算当前案例与备选案例的欧氏距离判断相似度,并选取欧氏距离最小的一个或者一组作为目标案例,然后通过判断目标案例的发生频率择优选出推荐案例,该提取方法具有推荐案例精度高、匹配速度快的特点。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它的附图,其中:
图1为本发明提供的口腔诊疗决策支持系统的结构框图;
图2为图1所示口腔诊疗决策支持系统的案例库构建模块实现过程图;
图3为图1所示口腔诊疗决策支持系统的案例的信息组成结构图;
图4为图1所示口腔诊疗决策支持系统的案例库两级结构示意图;
图5为图1所示口腔诊疗决策支持系统的案例提取模块的结构框图;
图6为图5所示口腔诊疗决策支持系统的案例提取模块工作流程图;
图7为图1所示口腔诊疗决策支持系统的工作流程图;
图8为图1所示口腔诊疗决策支持系统的案例筛选流程图;
图9为本发明提供的口腔诊疗决策支持系统的决策方法的流程示意图;
图10为图9所示口腔诊疗决策支持系统的决策方法的案例筛选匹配流程图。
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、完整地描述,显然,所描述的实施例仅是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
请参阅图1,为本发明提供的口腔诊疗决策支持系统的结构框图。所述口腔诊疗决策支持系统1是基于案例推理的口腔诊疗决策支持系统,可为当前案例的诊断自动提供决策参考数据,以满足临床诊疗过程中个体化诊疗决策。所述口腔诊疗决策支持系统1包括案例存储模块11、案例库构建模块12、案例提取模块13、案例复用模块14、案例修正模块15及数据维护模块16。
所述案例存储模块11用于存储通过口腔电子病历系统录入的患者信息构成病例数据库。所述案例库构建模块12用于从所述案例存储模块11的病例数据库中抽取基于案例推理的患者信息构建两级结构案例库,所述第一层级为案例集,所述第二层级为对应于第一层级案例集的多个案例。所述案例提取模块13用于录入当前案例的信息,并根据当前案例的信息从所述案例库构建模块12构建的案例库中筛选匹配出与之最为相近的推荐案例。所述案例复用模块14通过对所述案例提取模块13获得的推荐案例的复用获得决策结果并输出。所述案例修正模块15用于将推荐案例进行修正,同时将推荐案例的修正方案保存至案例库,并更新案例库。所述数据维护模块16通过增加、删减患者信息,修改规则,重新定义权重状态系数值等方式维护更新案例库。
所述案例存储模块11的患者信息包括患者的基本信息、临床体征、体检结果、诊断结果及治疗措施,其作为系统推理知识的来源,对整个系统正常运作有着极为重要的作用。
所述案例存储模块11还包括编辑模块111及信息查询统计模块113。所述编辑模块111方便用户整理患者信息。所述信息查询统计模块113方便统计患者数量及查看患者信息为所述案例提取模块13确定筛选匹配所需涉及相关的数据。
请参阅图2,为图1所示口腔诊疗决策支持系统的案例库构建模块实现过程图。所述案例库构建模块12包括信息抽取单元121、案例表示单元123、案例集表示单元125及案例库构建单元127。
所述信息抽取单元121用于从所述案例存储模块11中抽取基于案例推理的关键信息并对其进行分析,以确认制定案例描述框架;所述案例描述框架中规定了案例所需包含的患者信息及其描述形式,依据所述案例描述框架提取患者信息即可形成案例。请参阅图3,为图1所示口腔诊疗决策支持系统的案例的信息组成结构图。所述案例的信息包括:案例编号、案例描述信息、案例分类信息、案例结论信息及案例辅助信息。其中,案例描述信息包括案例特征向量和案例状态向量;案例分类信息主要是描述案例集编号,包括案例集权重向量和案例集状态向量;案例结论信息由案例诊断向量构成;案例辅助信息记录的是案例发生频率。案例的信息描述形式和案例的组织是紧密联系的,案例组成各个部分具体描述形式如下:
1)案例编号可以由数字和字母等组成,用于区别其他案例,方便查询和提取案例;
2)案例特征向量:
案例特征向量是指在一个病例案例中,临床体征与体检结果的所有属性的实际值经过参数化处理后,按照一定的顺序组成的向量。特征向量是区别一个案例与其他案例的最重要的标志,也是定量计算案例间相似程度的基础。按特征向量的不同类型,将所有属性分为三种基本形式,它们分别为确定数值属性值、符号属性值和模糊概念属性值。
其中确定数值属性值是指在一定范围实数值表示的案例特征,对于此类属性特征值就是其实测值;
符号属性值的观测值只有真或者假两种取值状态,因此参数化比较简单,可以通过直接定义得到:当属性为真时,其特征值为1;属性为假时,其特征值为0;
模糊概念属性值最大的特点就是取值不连续,其取值集合中的元素可以由描述性字符组成,也可以由一定数值组成。例如某种病症的严重程度可以表示为:很严重、严重、不严重、轻微等几种情况,若把严重程度分级,则相应的特征的取值集合可以表示为{1,2,3,4}。模糊概念属性取值集合是对特征所有可能取值情况的罗列。所列元素主要是对案例代表的系统的某种属性定量或定性描述。当这些元素按照某种先后顺序排列成为一个有序序列时,各个元素在该序列中的位置,就反映出该元素所代表数型特征的一种度量关系,而各元素相互之间的位置差别则反映他们在度量上的差异。因此,可以凭借特征的测量值与该序列存在的一一对应关系,来确定测量值在该有序序列中的位置,并根据这个位置来进行模糊概念型特征(测量值)的参数化处理。
设V为模糊概念属性的观测值,若在V的取值集合中,各列表元素按所规定的属性特征组成一个有序(升序或降序)序列,u(V)表示由V经参数化后得到的特征值,n为有序序列(或取值集合)中全体元素个数,i为特征V(的某次测量值)经过映射后在该有序序列中所处的位置(序号),则可以通过:
来计算属性V的特征值u(V)。
3)案例状态向量:
案例特征向量是对案例的定量描述,案例状态向量是对案例的定性描述,两者都可以成为区分案例与案例的标志。跟上述案例特征向量一致将属性分为三类,即确定数值属性值、符号属性值和模糊概念属性值。
其中确定数值属性特征值即为其实测值;
符号属性的特征值与上述案例特征向量中的方法一致,只有两种状态属性,即其特征值为1或者0;
模糊概念属性值有多种状态属性,如一个病症(正常、偏高、偏低等),这类状态属性我们用0表示正常,1表示偏高,2表示偏低等。
4)案例集权重向量:
不同属性对于决定案例的重要程度不一样,因此定义权重向量。同一属性在不同的案例中的权重系数是不一样的,因此需要将案例分类进行计算其权重向量,即计算属性在案例集中的权重向量。对于同一类型的疾病其属性有相似的表现,其案例也应该具有相同的权重向量,这是由病例原理决定的。基于数据统计方法计算案例集权重向量:根据概率统计的相关知识可知道如果某个属性S在所有疾病的案例集Case中出现的频率越高,则表明属性S的出现对该病的确诊就越重要,即权值越大,反之说明属性S的出现对该病的确诊就越不重要,权值就越小。具体计算方法如下:
定义有n个案例集合
对案例集中每一案例ci计算各个属性的权值:
其中W(ci,sj)是症状属性Sj在案例Ci中的权值,P(sj)是案例子集在中症状Sj出现的总次数,是案例Ci所有的症状属性在案例子集中出现的次数之和,是案例Ci症状的个数。
5)案例集状态向量:
根据计算出来或者专家指定的权重系数设置案例集状态向量。在每个案例集中,案例所包含的特征属性Sj在案例集中出现的频率越高,其权重值越大,设定对于权重值大于0.01的属性对应的状态系数设为“1”,用以表示这些属性出现异常对这类属性的确定十分重要;案例所包含的特征属性Sj在案例集中出现的频率越低,其权重值越小,设定对于权重值小于0.01的属性对应的状态系数设为“0”,用以表示这些属性是否出现异常对这类病症确定并不太重要。
特征属性Sj对应的状态系数设为0或1的权重值的临界点设定值范围为0.005-0.01,具体可根据当前案例特征的复杂程度来决定及专家意见做出相关调整,通过数据维护模块16进行相关操作。
6)案例结论信息向量:
表示根据体征和体检结果得出的结论,诊断的结果可能有多个,故案例结论信息向量的长度不定。
7)案例辅助信息:
所述案例辅助信息反映了该案例的发生频率。
请再次参阅图2,所述案例表示单元123用于对上阶段抽取出的信息按案例描述框架规定的患者信息的描述形式进行整理和结构化,形成案例。将案例的描述形式可以定义为一个四元组,Case=<Evc,Cly,Out,Asi>,其中Evc是一个非空有限集合,代表案例的描述信息,包括临床体征与体检结果数据组成的案例特征向量及案例状态向量;Cly是一个非空有限集合,代表案例的分类信息,包括案例集的权重向量及状态向量;Out是一个非空有限集合,代表案例结论信息,包括诊断结果组成的结论向量;Asi是一个非空有限集合,代表案例辅助信息。
所述案例集表示单元125用于对上阶段形成的案例进行整理,具共性特征的案例形成案例集,所述案例集的描述形式可以定义为三元组表示:CaseSet=<Num,Sta,Wgh>;其中Num表示案例集编号,Sta表示案例集状态向量,Wgh表示案例集权重向量。
案例集不是一个具体的实际病例案例,它不提供具体的诊断与治疗信息。它是一组相关案例的抽象和概括,含有相关案例的共性知识,相当于面向对象方法中的对象类,而每个案例对象都是某个案例集的一个具体实例。面向对象方法中通过类的继承性建立了类与类之间的层级结构,相应地我们可以通过案例集将案例库组织成一个树形的层级结构。在案例组织结构中设置案例集编号这一属性,可以支持层级结构的案例组织,每个案例集包括多个节点,每个节点对应一个案例。
所述案例库构建单元127用于构建第一层级为案例集、第二层级为案例的两级结构的案例库;其中,所述案例集并列形成案例库的第一层级结构,每个案例集包括多个节点,每个节点对应一个案例;案例形成案例库的第二层级结构。具体请参阅图4所示,为图1所示的口腔诊疗决策支持系统的案例库两级结构示意图,其中案例集可以为牙体牙髓疾病、黏膜病、牙周病、口腔颌面外科疾病及正畸病等,每个案例集指向的下一层案例为多个具共性特征的案例,数量为多个。请参阅图5及图6,图5是图1所示口腔诊疗决策支持系统的案例提取模块的结构框图;图6是图5所示口腔诊疗决策支持系统的案例提取模块工作流程图。所述案例提取模块13包括第一筛选匹配单元131、第二筛选匹配单元133、第三筛选匹配单元135和排序单元137。
所述第一筛选匹配单元131用于进行第一次筛选匹配,将当前案例与所述案例库构建模块12构建的案例库进行匹配,确认当前案例所匹配到的案例库中的案例集。
所述第二筛选匹配单元133用于进行第二次筛选匹配,将当前案例与由所述第一筛选匹配单元131的第一次筛选匹配得到的案例集中的案例进行匹配,通过匹配找到小于阈值A的案例,作为备选案例。
所述第三筛选匹配单元135用于进行第三次筛选匹配,将当前案例与由所述第二筛选匹配单元133的第二次筛选匹配中的备选案例进行匹配,计算每个备选案例与当前案例的欧氏距离,并对计算结果进行排序,将欧氏距离最小的备选案例作为目标案例。
所述排序单元137用于对所述第三筛选匹配单元135确认的目标案例的发生频率进行排序,选择发生频率最高的案例作为推荐案例。
所述案例提取模块13的实现过程如图6所示,具体包括如下步骤:
步骤S21、利用所述第一筛选匹配单元131进行第一次筛选匹配,将当前案例与所述案例库构建模块12构建的案例库进行匹配,确认当前案例所匹配到的案例库中的案例集,具体为将当前案例状态向量与案例集状态向量进行匹配;
步骤S22、利用所述第二筛选匹配单元133进行第二次筛选匹配,将当前案例与上述步骤S21得到的第一次筛选案例集中的案例进行匹配,通过匹配找到小于阈值A的案例作为备选案例,具体为将当前案例状态向量与第一次筛选得到的案例集中的全部案例的案例状态向量进行匹配;
其中,阈值A指的是案例数量值,A的大小为大于0的自然数,具体可根据案例库的案例数量多少来决定,优选5-100。
步骤S23、利用所述第三筛选匹配单元135进行第三次筛选匹配,将当前案例与上述步骤S22第二次筛选匹配中的备选案例进行匹配,计算每个备选案例与当前案例的欧氏距离,并对计算结果进行排序,获取欧氏距离最小的一个或者一组备选案例作为目标案例,具体采用当前案例特征向量与目标案例的案例特征向量的数据计算欧氏距离。
步骤S24、利用所述排序单元137对上述步骤S23得到的目标案例的发生频率进行排序,选择发生频率最高的案例作为推荐案例。
请再次参阅图1,所述案例复用模块14通过人机交互界面把推荐案例展现给用户,如果用户对推荐案例满意,所述案例复用模块14配合用户对推荐案例复用得出决策结果并通过人机交互界面输出,由此获得基于案例推理的口腔诊疗决策参考数据,所谓复用即是提取推荐案例的结论信息作为当前案例的决策参考数据。
当所述案例复用模块14通过人机交互界面把推荐案例展现给用户,如果用户对推荐案例不满意,则所述案例修正模块15配合用户将推荐案例进行修正,同时将推荐案例的修正方案保存至案例库,并更新案例库。
所述数据维护模块16则可以维护案例库的数据,使该系统能够不断发展更新,具有更高的筛选精度和速度。
应当理解,本实施例提供的口腔诊疗决策支持系统的各个功能模块以及功能单元可以为软件模块或者软硬件结合的功能模块,其可以通过处理器执行而实现如上所述的功能。
请参阅图7及图8,图7为图1所示的口腔诊疗决策支持系统的工作流程图;图8为图1所示口腔诊疗决策支持系统的案例筛选流程图。本发明提供的口腔诊疗决策支持系统的工作流程如下:
开始时,通过口腔电子病历系统录入患者信息构成病例数据库;
然后提取基于案例推理的关键的患者信息构成案例;
对案例进行处理,构成两级结构案例库;
录入当前案例信息,进行第一次筛选匹配确定当前案例所属案例集,此次筛选匹配为将当前案例状态向量和案例集状态向量进行比较;
如果获得符合要求的案例集则将获得的案例集中的案例作为第二次筛选匹配案例,如果未获得符合要求的案例集则将所有的案例集中的数据作为第二次筛选匹配案例,此次筛选匹配为将当前案例状态向量和案例状态向量进行匹配,通过匹配找到小于阈值A的案例作为备选案例;
进行第三次筛选匹配,计算备选案例特征向量与当前案例向量的欧氏距离,将欧氏距离最小的案例作为目标案例;
然后从目标案例中按发生频率择优选出推荐案例;
通过人机交互界面把推荐案例展现给用户;
如果用户对推荐案例满意,则复用推荐案例输出决策结果,如果用户对推荐案例不满意,则将推荐案例进行修正,同时将推荐案例的修正方案保存至案例库,并更新案例库。
请同时参阅图9及图10,图9为本发明提供的口腔诊疗决策支持系统的决策方法的流程示意图;图10为图9所示口腔诊疗决策支持系统的决策方法的案例筛选匹配流程图。本发明同时提供一种基于案例推理的口腔诊疗决策支持系统的决策方法,包括以下步骤:
步骤S31、用户登录口腔诊疗决策支持系统,输入当前案例的信息并按案例描述框架抽取信息形成当前案例;
S32、用户输入阈值A的值,案例提取模块将当前案例与案例库构建模块构建的案例库进行筛选匹配给出推荐案例;
S33-1、案例复用模块通过人机交互界面把推荐案例展现给用户,用户对推荐案例满意时复用得出决策参考数据并通过人机交互界面输出;
S33-2、如果用户对推荐案例不满意,则通过案例修正模块将推荐案例进行修正,同时将推荐案例的修正方案保存至案例库并更新案例库。
步骤S32具体还包括以下步骤:
S32-1、第一次筛选匹配,将当前案例与案例库进行比较,确认当前案例所匹配到的案例库中的案例集;
具体为将当前案例状态向量与案例集状态向量进行匹配,匹配过程如下:
设口腔诊疗决策支持系统中有n个属性来标志案例,共有m个案例集。当前案例状态向量表示为Cdn=[C1,C2,...,Ck,...,Cn],k∈[1,n],Ck表示当前案例中第k个属性的状态系数,取值为:0,1,2...。第i个案例集的状态向量表示为Cdni=[Ci1,Ci2,...,Cik,...,Cin],i∈[1,m],k∈[1,n],Cik表示第i个案例集中第k个属性的状态系数,取值:0或1。
筛选匹配时,依次在各个案例集的Cdni=[Ci1,Ci2,...,Cik,...,Cin]中查找Cik≠0的k的所有取值,然后根据k的取值,在Cdn=[C1,C2,...,Ck,...,Cn]中查看是否对应的Ck≠0。如果所有对应的Ck都不等于0,则记录下案例集的编号i;否则,查找下一个案例集,直到找到满足条件的案例集。有可能找到的案例集不止一个,则记录下所有满足条件的案例集编号。如果没有一个案例集满足条件,则记录下所有的案例集编号;然后进入下一步检索。
S32-2、第二次筛选匹配,将当前案例与第一次筛选得到的案例集中的案例进行比较,通过匹配找到小于阈值A的案例,即备选案例;
具体为将当前案例状态向量与第一次筛选得到的案例集中的全部案例的案例状态向量依次进行匹配,匹配过程如下:
首先,按照权重向量中权重系数由大到小的顺序,匹配权重系数最大的属性对应的状态系数,将与当前对应状态系数相同的案例取出;然后再在取出的案例中匹配权重系数第二大的指标,依此类推。当取出的满足条件的案例数量小于阈值A时,检索停止,记录下案例集编号和对应的案例编号,进入第三次筛选匹配。阈值A指的是案例数量值,A的大小为大于0的自然数,具体可由案例库的案例数量多少来决定,优选5-100。
S32-3、第三次筛选匹配,计算每个备选案例与当前案例的欧氏距离,并对计算结果进行排序,将欧氏距离最小的备选案例作为目标案例;
前两步检索都只是定性检索,这一步将根据最邻近算法定量的计算当前案例与上一步所得备选案例的欧氏距离,所述欧氏距离越小,其相似度越大。并根据预先设定的阈值(推理阈值),筛选出与当前病例最相似的备选案例作为目标案例,所述目标案例可以为一个也可以为一组。具体为采用备选案例特征向量和当前案例特征向量计算欧氏距离,计算方法如下:
定义案例X={X1,X2,...,Xn},Xi(1≤i≤n)是它的特征值,Wi是其权重,X是n维特征空间上的一点,D=(D1*D2...*Dn),对于D上的X,K,则X,K在D上的距离为:
其中:
在上述公式中,r∈(1,n),且当r=2时,即Dist(X,K)为欧氏距离。
最邻近算法欧氏距离的相似度定义如下:
式中Xi代表第i个案例的第j个属性特征向量值,Wj表示第j个属性的权重,n为属性的总数,Kj为目标案例K的第j个属性特征向量的值,Sim(X,K)为目标案例K与源案例库中第i个案例之间的欧氏距离,Sim(X,K)越小说明它们之间越相似。
S32-4、择优选择推荐案例匹配,将目标案例按所发生的频率进行排序,将发生频率最高的案例作为推荐案例。
本发明提供的口腔诊疗决策支持系统及决策方法具有以下有益效果:
一、通过分析和整理口腔专科病例中的大量结构化和非结构化数据,提取其中基于案例推理所需的关键信息形成案例,然后通过采用三级筛选方法获得与当前案例最相似的案例,为当前病例的诊断自动提供决策数据,以满足临床诊疗过程中个体化诊疗决策。
二、本发明首先通过一级筛选确定当前案例所属案例集,二级筛选再在一级筛选获得的案例集中匹配一类小于阈值A的备选案例,三级筛选通过最邻近算法计算当前案例与备选案例的欧氏距离判断相似度,并选取欧氏距离最小的作为目标案例,然后通过判断目标案例的发生频率择优选出推荐案例,该提取方法具有推荐案例精度高、匹配速度快的优点。
所属技术领域的技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于计算机可读取存储介质中,并被处理器执行,前述的程序在被执行时处理器可以执行包括上述方法实施例的全部或者部分步骤。其中,所述处理器可以作为一个或多个处理器芯片实施,或者可以为一个或多个专用集成电路(ApplicationSpecificIntegratedCircuit,ASIC)的一部分;而前述的存储介质可以包括但不限于以下类型的存储介质:闪存(FlashMemory)、只读存储器(Read-OnlyMemory,ROM)、随机存取存储器(RandomAccessMemory,RAM)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种口腔诊疗决策支持系统,其特征在于,包括案例存储模块、案例库构建模块、案例提取模块及案例复用模块,其中:
所述案例存储模块,用于存储通过口腔电子病历系统录入的患者信息所构成的病例数据库;
所述案例库构建模块,用于从所述案例存储模块的病例数据库中抽取基于案例推理的关键的患者信息构建第一层级为案例集、第二层级为案例的两级结构的案例库,所述第二层级的案例分别对应于其中第一层级的案例集;
所述案例提取模块,用于录入当前案例的信息,并根据当前案例的信息从所述案例库构建模块构建的案例库中筛选匹配出与之最相似的推荐案例;
其中,所述案例提取模块包括:
第一筛选匹配单元,用于进行第一次筛选匹配,将当前案例与所述案例库构建模块构建的案例库进行匹配,确认当前案例所匹配到的案例库中的案例集;
第二筛选匹配单元,用于进行第二次筛选匹配,将当前案例与由所述第一筛选匹配单元的第一次筛选匹配得到的案例集中的案例进行匹配,通过匹配找到小于阈值A的案例,作为备选案例;
第三筛选匹配单元,用于进行第三次筛选匹配,将当前案例与由所述第二筛选匹配单元的第二次筛选匹配中的备选案例进行匹配,计算每个备选案例与当前案例的欧氏距离,并对计算结果进行排序,将欧氏距离最小的备选案例作为目标案例;及
排序单元,用于对目标案例的发生频率进行排序,选择发生频率最高的案例作为推荐案例;
所述案例复用模块,通过对所述案例提取模块的推荐案例的复用获得决策参考数据。
2.根据权利要求1所述的口腔诊疗决策支持系统,其特征在于,所述患者信息包括患者的基本信息、临床体征、体检结果、诊断结果及治疗措施。
3.根据权利要求1所述的口腔诊疗决策支持系统,其特征在于,所述案例库构建模块包括信息抽取单元、案例表示单元、案例集表示单元及案例库构建单元:
所述信息抽取单元,用于对案例推理过程中所需的关键信息进行分析并制定案例描述框架,所述案例描述框架中规定了案例所需包含的患者信息及患者信息的描述形式,依据所述案例描述框架提取患者信息;
所述案例表示单元,用于对所提取出的患者信息按案例的描述形式进行整理和结构化并形成案例;
所述案例集表示单元,用于对形成的案例进行整理,具共性特征的案例形成案例集,所述案例集为一组相关案例的抽象和概括;
所述案例库构建单元,用于构建第一层级为案例集、第二层级为案例的两级结构的案例库,其中,所述案例集并列形成案例库的第一层级结构,每个案例集包括多个节点,每个节点对应一个案例,所述案例形成案例库的第二层级结构。
4.根据权利要求3所述的口腔诊疗决策支持系统,其特征在于,所述案例的描述形式包括案例的描述信息,所述案例的描述信息包括案例特征向量及案例状态向量,所述案例集的描述形式包括案例集的描述信息,所述案例集的描述信息包括案例集状态向量和案例集权重向量。
5.根据权利要求4所述的口腔诊疗决策支持系统,其特征在于,所述当前案例的描述形式包括当前案例的描述信息,所述当前案例的描述信息包括当前案例状态向量及当前案例特征向量;
其中,所述第一筛选匹配单元在进行第一次筛选匹配时,将当前案例状态向量与案例集状态向量进行匹配;
所述第二筛选匹配单元在进行第二次筛选匹配时,将当前案例状态向量与第一次筛选得到的案例集中的全部案例的案例状态向量进行匹配;
所述第三筛选匹配单元在进行第三次筛选匹配时,采用当前案例特征向量与第二次筛选得到的案例的案例特征向量计算欧氏距离。
6.根据权利要求1所述的口腔诊疗决策支持系统,其特征在于,所述阈值A为案例的数量值,A介于5与100之间。
7.根据权利要求1所述的口腔诊疗决策支持系统,其特征在于,还包括案例修正模块,所述案例修正模块用于将推荐案例进行修正,同时将推荐案例的修正方案保存至案例库,并更新案例库。
8.一种如权利要求1所述的口腔诊疗决策支持系统的决策方法,其特征在于,包括以下步骤:
步骤一、用户登录口腔诊疗决策支持系统,输入当前案例的信息并依据案例描述框架抽取信息形成当前案例;
步骤二、用户输入阈值A的值,案例提取模块将当前案例与案例库构建模块构建的案例库进行筛选匹配给出推荐案例,所述步骤二包括:
进行第一次筛选匹配,将当前案例与案例库进行比较,确认当前案例所匹配到的案例库中的案例集;
进行第二次筛选匹配,将当前案例与第一次筛选匹配案例集中的案例进行比较,通过匹配找到小于阈值A的案例,作为备选案例;
进行第三次筛选匹配,计算第二次筛选匹配的每个备选案例与当前案例的欧氏距离,并对计算结果进行排序,将欧氏距离最小的备选案例作为目标案例;
择优选择推荐案例,将第三次筛选匹配的目标案例按所发生的频率进行排序,将发生频率最高的案例作为推荐案例;
步骤三、案例复用模块通过人机交互界面把推荐案例展现给用户,如果用户对推荐案例满意,则用户通过案例复用模块将推荐案例复用获得诊断当前案例的决策参考数据。
9.根据权利要求8所述的口腔诊疗决策支持系统的决策方法,其特征在于,还包括:
步骤四、案例复用模块通过人机交互界面把推荐案例展现给用户,如果用户对推荐案例不满意,则用户通过案例修正模块将推荐案例进行修正,同时将推荐案例的修正方案保存至案例库并更新案例库。
10.根据权利要求8所述的口腔诊疗决策支持系统的决策方法,其特征在于,
所述案例集和案例均通过描述信息表示,所述案例集的描述信息包括案例集状态向量及案例集权重向量,所述案例的描述信息包括案例状态向量及案例特征向量;
所述当前案例也通过描述信息表示,所述当前案例的描述信息包括当前案例状态向量和当前案例特征向量;
所述第一次筛选匹配,将当前案例状态向量与案例集状态向量进行匹配;
所述第二次筛选匹配,将当前案例状态向量与第一次筛选得到的案例集中的全部案例的案例状态向量进行匹配;
所述第三次筛选匹配,采用当前案例特征向量与第二次筛选得到的案例的案例特征向量计算欧氏距离。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510634483.5A CN105260598A (zh) | 2015-09-29 | 2015-09-29 | 口腔诊疗决策支持系统及决策方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510634483.5A CN105260598A (zh) | 2015-09-29 | 2015-09-29 | 口腔诊疗决策支持系统及决策方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105260598A true CN105260598A (zh) | 2016-01-20 |
Family
ID=55100287
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510634483.5A Pending CN105260598A (zh) | 2015-09-29 | 2015-09-29 | 口腔诊疗决策支持系统及决策方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105260598A (zh) |
Cited By (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106126873A (zh) * | 2016-05-30 | 2016-11-16 | 刘华英 | 治疗方案推荐方法和系统 |
CN106126541A (zh) * | 2016-06-14 | 2016-11-16 | 华南师范大学 | 基于大数据知识库的个性化解决方案推荐方法和系统 |
CN106295186A (zh) * | 2016-08-11 | 2017-01-04 | 中国科学院计算技术研究所 | 一种基于智能推理的辅助疾病诊断的方法与系统 |
CN106503465A (zh) * | 2016-10-27 | 2017-03-15 | 李露青 | 信息推送装置 |
CN106503451A (zh) * | 2016-10-24 | 2017-03-15 | 京东方科技集团股份有限公司 | 一种在线手术方案分析系统 |
CN106529138A (zh) * | 2016-10-26 | 2017-03-22 | 李露青 | 信息推送方法和装置 |
CN106528708A (zh) * | 2016-10-26 | 2017-03-22 | 李露青 | 信息推送方法和装置 |
CN106529148A (zh) * | 2016-10-27 | 2017-03-22 | 李露青 | 信息推送装置 |
CN106897572A (zh) * | 2017-03-08 | 2017-06-27 | 山东大学 | 基于流形学习的肺结节病例匹配辅助检测系统及其工作方法 |
CN107066468A (zh) * | 2016-11-18 | 2017-08-18 | 北京市高级人民法院 | 一种基于遗传算法与最近邻算法的案件检索方法 |
WO2018076243A1 (zh) * | 2016-10-27 | 2018-05-03 | 华为技术有限公司 | 一种查找方法及装置 |
CN108066134A (zh) * | 2017-12-28 | 2018-05-25 | 苏州尚领医疗科技有限公司 | 一种基于大数据的多功能人工胸外按压指导反馈系统 |
CN108231137A (zh) * | 2016-12-15 | 2018-06-29 | 童综合医疗社团法人童综合医院 | 一种具有回馈学习的医疗系统 |
CN108417272A (zh) * | 2018-02-08 | 2018-08-17 | 合肥工业大学 | 带时序约束的相似病例推荐方法及装置 |
CN108735292A (zh) * | 2018-04-28 | 2018-11-02 | 四川大学 | 基于人工智能的可摘局部义齿方案决策方法和系统 |
CN108847280A (zh) * | 2018-06-20 | 2018-11-20 | 南京邮电大学 | 基于案例推理的智慧云医疗实时管理系统 |
CN108877932A (zh) * | 2018-06-20 | 2018-11-23 | 南京邮电大学 | 智慧云医疗方法、计算机可读存储介质和终端 |
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 |
CN109378078A (zh) * | 2018-12-11 | 2019-02-22 | 北京大学口腔医学院 | 一种用于口腔种植修复的电子信息系统及方法 |
CN109473152A (zh) * | 2018-09-07 | 2019-03-15 | 大连诺道认知医学技术有限公司 | 相似病历的查找方法、装置与电子设备 |
CN110957046A (zh) * | 2019-11-15 | 2020-04-03 | 合肥工业大学 | 医疗健康案例知识匹配方法和系统 |
CN111444426A (zh) * | 2020-03-26 | 2020-07-24 | 中国环境科学研究院 | 基于技术库的技术推荐方法 |
CN113555130A (zh) * | 2021-07-21 | 2021-10-26 | 杭州甘之草科技有限公司 | 一种基于案例推理的中医临床决策支持系统的构建方法 |
CN116244863A (zh) * | 2023-03-09 | 2023-06-09 | 北京理工大学 | 基于多粒度案例柔性重构的回流焊焊点仿真设计决策系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101093559A (zh) * | 2007-06-12 | 2007-12-26 | 北京科技大学 | 一种基于知识发现的专家系统构造方法 |
CN103116707A (zh) * | 2013-03-04 | 2013-05-22 | 北京工业大学 | 一种基于案例推理的心脏病智能诊断方法 |
-
2015
- 2015-09-29 CN CN201510634483.5A patent/CN105260598A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101093559A (zh) * | 2007-06-12 | 2007-12-26 | 北京科技大学 | 一种基于知识发现的专家系统构造方法 |
CN103116707A (zh) * | 2013-03-04 | 2013-05-22 | 北京工业大学 | 一种基于案例推理的心脏病智能诊断方法 |
Non-Patent Citations (2)
Title |
---|
章虎林: "案例推理和关联规则在中风智能诊疗中的应用研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
贺晓: "基于灰色关联的案例推理在智能诊断系统中的应用研究", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》 * |
Cited By (32)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN106126541A (zh) * | 2016-06-14 | 2016-11-16 | 华南师范大学 | 基于大数据知识库的个性化解决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 |
CN106126541B (zh) * | 2016-06-14 | 2019-07-19 | 华南师范大学 | 基于大数据知识库的个性化解决方案推荐方法和系统 |
CN106295186A (zh) * | 2016-08-11 | 2017-01-04 | 中国科学院计算技术研究所 | 一种基于智能推理的辅助疾病诊断的方法与系统 |
CN106295186B (zh) * | 2016-08-11 | 2019-03-15 | 中国科学院计算技术研究所 | 一种基于智能推理的辅助疾病诊断的系统 |
CN106503451A (zh) * | 2016-10-24 | 2017-03-15 | 京东方科技集团股份有限公司 | 一种在线手术方案分析系统 |
CN106503451B (zh) * | 2016-10-24 | 2019-04-05 | 京东方科技集团股份有限公司 | 一种在线手术方案分析系统 |
CN106528708A (zh) * | 2016-10-26 | 2017-03-22 | 李露青 | 信息推送方法和装置 |
CN106529138A (zh) * | 2016-10-26 | 2017-03-22 | 李露青 | 信息推送方法和装置 |
WO2018076243A1 (zh) * | 2016-10-27 | 2018-05-03 | 华为技术有限公司 | 一种查找方法及装置 |
US11210292B2 (en) | 2016-10-27 | 2021-12-28 | Huawei Technologies Co., Ltd. | Search method and apparatus |
CN106529148A (zh) * | 2016-10-27 | 2017-03-22 | 李露青 | 信息推送装置 |
CN106503465A (zh) * | 2016-10-27 | 2017-03-15 | 李露青 | 信息推送装置 |
CN107066468A (zh) * | 2016-11-18 | 2017-08-18 | 北京市高级人民法院 | 一种基于遗传算法与最近邻算法的案件检索方法 |
CN108231137A (zh) * | 2016-12-15 | 2018-06-29 | 童综合医疗社团法人童综合医院 | 一种具有回馈学习的医疗系统 |
CN106897572A (zh) * | 2017-03-08 | 2017-06-27 | 山东大学 | 基于流形学习的肺结节病例匹配辅助检测系统及其工作方法 |
CN108066134A (zh) * | 2017-12-28 | 2018-05-25 | 苏州尚领医疗科技有限公司 | 一种基于大数据的多功能人工胸外按压指导反馈系统 |
CN108417272A (zh) * | 2018-02-08 | 2018-08-17 | 合肥工业大学 | 带时序约束的相似病例推荐方法及装置 |
CN108735292B (zh) * | 2018-04-28 | 2021-09-17 | 四川大学 | 基于人工智能的可摘局部义齿方案决策方法和系统 |
CN108735292A (zh) * | 2018-04-28 | 2018-11-02 | 四川大学 | 基于人工智能的可摘局部义齿方案决策方法和系统 |
CN108847280A (zh) * | 2018-06-20 | 2018-11-20 | 南京邮电大学 | 基于案例推理的智慧云医疗实时管理系统 |
CN108877932A (zh) * | 2018-06-20 | 2018-11-23 | 南京邮电大学 | 智慧云医疗方法、计算机可读存储介质和终端 |
CN109473152A (zh) * | 2018-09-07 | 2019-03-15 | 大连诺道认知医学技术有限公司 | 相似病历的查找方法、装置与电子设备 |
CN109378078A (zh) * | 2018-12-11 | 2019-02-22 | 北京大学口腔医学院 | 一种用于口腔种植修复的电子信息系统及方法 |
CN110957046A (zh) * | 2019-11-15 | 2020-04-03 | 合肥工业大学 | 医疗健康案例知识匹配方法和系统 |
CN110957046B (zh) * | 2019-11-15 | 2024-01-19 | 合肥工业大学 | 医疗健康案例知识匹配方法和系统 |
CN111444426A (zh) * | 2020-03-26 | 2020-07-24 | 中国环境科学研究院 | 基于技术库的技术推荐方法 |
CN113555130A (zh) * | 2021-07-21 | 2021-10-26 | 杭州甘之草科技有限公司 | 一种基于案例推理的中医临床决策支持系统的构建方法 |
CN116244863A (zh) * | 2023-03-09 | 2023-06-09 | 北京理工大学 | 基于多粒度案例柔性重构的回流焊焊点仿真设计决策系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105260598A (zh) | 口腔诊疗决策支持系统及决策方法 | |
CN109920501B (zh) | 基于卷积神经网络和主动学习的电子病历分类方法及系统 | |
Sk et al. | Coronary Heart Disease Prediction and Classification using Hybrid Machine Learning Algorithms | |
CN111512322B (zh) | 使用神经网络 | |
WO2022116430A1 (zh) | 基于大数据挖掘的模型部署方法、装置、设备及存储介质 | |
CN110291555A (zh) | 用于促进对健康状况的计算分析的系统和方法 | |
EP1534122A2 (en) | Medical decision support systems utilizing gene expression and clinical information and method for use | |
CN107767960A (zh) | 临床检测项目的数据处理方法、装置及电子设备 | |
CN109801687A (zh) | 一种面向医学的因果关系知识库的构建方法和系统 | |
CN112201330A (zh) | 结合DRGs工具和贝叶斯模型的医疗质量监测评估方法 | |
US20200058408A1 (en) | Systems, methods, and apparatus for linking family electronic medical records and prediction of medical conditions and health management | |
US11625935B2 (en) | Systems and methods for classification of scholastic works | |
CN107085655B (zh) | 基于属性的约束概念格的中医数据处理方法及系统 | |
Sudharson et al. | Performance analysis of enhanced adaboost framework in multifacet medical dataset | |
Sideris et al. | A data-driven feature extraction framework for predicting the severity of condition of congestive heart failure patients | |
Solanki et al. | Analysis of application of data mining techniques in healthcare | |
KR20180061553A (ko) | 유사사례 클러스터 기반 예측모델을 통한 미래건강추이 예측 시스템 및 그 방법 | |
Zhu et al. | Design and development of a readmission risk assessment system for patients with cardiovascular disease | |
Meena et al. | Heart and cardiac arrest analysis by prediction of hybrid model | |
Yu | Analysis and Prediction of Heart Disease Based on Machine Learning Algorithms | |
CN113744870B (zh) | 一种病案首页主要诊断预测系统及方法 | |
CN111028953B (zh) | 一种对医学数据进行提示性标注的控制方法 | |
Ahmed et al. | Diagnosis of Chronic Kidney Disease Using Machine Learning Algorithm | |
Last et al. | Utilization of data-mining techniques for evaluation of patterns of asthma drugs use by ambulatory patients in a large health maintenance organization | |
Ghoualmi et al. | Machine Learning Models for Automated Heart Disease Prognosis |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160120 |
|
RJ01 | Rejection of invention patent application after publication |