CN106778042A - 心脑血管患者相似性分析方法及系统 - Google Patents
心脑血管患者相似性分析方法及系统 Download PDFInfo
- Publication number
- CN106778042A CN106778042A CN201710057343.5A CN201710057343A CN106778042A CN 106778042 A CN106778042 A CN 106778042A CN 201710057343 A CN201710057343 A CN 201710057343A CN 106778042 A CN106778042 A CN 106778042A
- Authority
- CN
- China
- Prior art keywords
- data
- patient
- cardio
- diagnosis
- feature
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Biology (AREA)
- Pathology (AREA)
- Probability & Statistics with Applications (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明提供了一种心脑血管患者相似性分析方法及系统,该方法包括以下步骤:步骤一,问题定义,心脑血管患者问题定义,步骤二,数据采集,采集心脑血管患者的健康医疗数据,步骤三,数据预处理,包括数据集成、数据清洗、缺失值处理、特征删除以及去异常点,步骤四,特征工程,包括特征构造和特征选择、特征处理、步骤五,患者聚类建模,步骤六,诊疗方案推荐。本发明建立有效地心脑血管患者相似性分析模型,临床医生通过患者特征就能得到给定患者的相似人群,然后推荐个性化治疗方案,以达到精准医疗的目的,能够很好的对中国人群心脑血管疾病患者进行基于相似性分析的人群分组,尽早针对不同的风险人群进行有针对性的个性化康复治疗。
Description
技术领域
本发明涉及一种智慧医疗领域,具体地,涉及一种心脑血管患者相似性分析方法及系统。
背景技术
随着社会的发展,心脑血管疾病的发病率逐年上升。在我国,心脑血管疾病已成为当今严重危害中老年人生命与健康的主要公共卫生问题,其发病率、病死率、致残率较高。根据统计,中国每年发生脑中风病人达200万,致残率高达75%,约3/4的患者有不同程度劳动丧失,生活需要照顾,给患者、家庭、社会带来沉重的负担。
随着康复医学在我国得到迅速发展,心脑血管患者的病死率显著降低,但致残率仍非常高。今后临床治疗模式将越来越呈现个性化、精确化,精准康复将是今后康复医学发展方向。目前的康复治疗没有从临床的角度根据病因、生理体征、生活习惯、生活环境等影响因子对患者群体进行基于相似性的有效分组,因此也就无法对患者进行个性化的康复治疗,大大影响了患者的康复效果和满意度。
随着医疗信息化的发展,医院也积累了大量的数据。如何更好的利用数据以及医学知识,通过认知计算技术,提供精准医疗的决策是心脑血管疾病临床治疗阶段所需要的。本发明的主要目标就是基于历史数据将脑卒中康复患者细化分群,为特定患者找到患情最相似的一群其他患者,从而基于相似患者的诊疗实践提取和挖据诊疗证据,为目标个体患者的个性化的康复治疗项目。
到目前为止,基于认知计算技术的中国人群心脑血管疾病相似性分析方面尚属空白。而国内外认知计算技术在心脑血管疾病中的应用主要集中在发病风险预测及诊断方面,在心脑血管患者相似性分析方面还尚未见有报道。鉴于国内外没有可用于心脑血管患者相似性分析的智能模型,很有必要建立一种面向临床医生的心脑血管患者相似性分析模型。
发明内容
针对现有技术中的缺陷,本发明的目的是提供一种心脑血管患者相似性分析方法及系统,其建立有效地心脑血管患者相似性分析模型,临床医生通过患者特征就能得到给定患者的相似人群,然后推荐个性化治疗方案,以达到精准医疗的目的,能够很好的对中国人群心脑血管疾病患者进行基于相似性分析的人群分组,尽早针对不同的风险人群进行有针对性的个性化康复治疗,具有巨大的医疗和临床使用价值。
根据本发明的一个方面,提供一种心脑血管患者相似性分析方法,其特征在于,其包括以下步骤:
步骤一,问题定义,基于历史数据对心脑血管患者进行细化分群,研究特定治疗手段对特定人群治疗结局的影响,并针对个体患者推荐个性化治疗方案,将帮助临床医生更精准地认识目标患者的病情以及治疗手段所带来的预后效果,从而有效地实现个性化精准医疗;
步骤二,数据采集,针对目标人群,从相关信息系统收集观察期窗口内的患者医疗健康数据及预后结局数据,所采集的数据包括:康复科门诊数据、康复科治疗室数据、神内/神外门诊数据、神内/神外住院数据、康复科住院数据、脑卒中筛查门诊数据,这些数据涉及的内容涵盖有患者基本信息、病历或电子病历、检测检验、影像、诊断、处方、治疗、评估表数据;
步骤三,数据预处理,所采集的数据类型多种多样,包括:选择项、日期时间、数值型、字符型以及是否型数据,针对不同数据类型需要采取不同处理方法进行针对性数据预处理;
步骤四,特征工程,患者数据来自多个临床数据库,涉及患者个体生理信息、历史诊疗信息、病情信息,在使用机器学习技术建模学习数据之前,首先需要使用特定领域知识以及统计学习方法来提取或组合变化得到的各属性数据,从而生成有效的特征数据;
步骤五,基于相似性的患者聚类建模,采用基于划分的聚类算法、k-均值算法进行患者的聚类建模,其中通过夹角余弦来度量患者之间的相似性;
步骤六,诊疗方案推荐,当患者问诊时,结合问诊患者的个体特征和病患群体特征,采用基于相似性计算的群组定向技术,为问诊患者找到最相近历史病患群组,抽取出该群组内病患的主体诊疗方案作为首选诊疗方案推荐给问诊患者。
优选地,所述步骤三具体包括以下步骤:
步骤三十一,数据集成,把不同来源的数据按照一定规则整合到一起,根据病人ID号把不同数据源但是有同样ID号的信息连接在一起,这样所有不同数据源的数据就整合到了一起;
步骤三十二,数据清洗,针对不同数据类型存在的不同问题,提出了基于规则的数据清洗方法;
步骤三十三,缺失值处理,医疗领域的特征数据普遍在时间序列上比较稀疏,因此采用基于正则化最大期望算法进行缺失数据的填补,将缺失特征变量视为无法观测的隐藏变量,此方法一般分为三步:一,计算最大期望;二,正则化EM,避免过度拟合;三,对上一步生成的方程进行评估;
步骤三十四,特征删除,根据专家知识对那些无效值和缺失值超过总样本量30%的,对于诊断问题不是特别重要的特征进行删除处理;
步骤三十五,去异常点,采用偏差分析、基于分布不合理性的异常检测方法,结合常识性规则、业务特定规则进行异常值的识别,并对异常点进行删除处理。
优选地,所述步骤四具体包括以下步骤:
步骤四十一,特征构造和特征选择,其基于预处理后的数据,通过特征构造和特征选择技术识别潜在的风险因子;
步骤四十二,特征处理,使用log映射函数将特征取值映射到[0,1]区间,同时采用等值划分方法对连续数据的离散化处理,将特征空间按照值域进行均分,每一段内的取值等同处理。
本发明还提供一种心脑血管患者相似性分析系统,其特征在于,其包括:
问题定义模块,基于历史数据对心脑血管患者进行细化分群,研究特定治疗手段对特定人群治疗结局的影响,并针对个体患者推荐个性化治疗方案;
数据采集模块,从相关信息系统收集观察期窗口内的患者医疗健康数据及预后结局数据;
数据预处理模块,针对不同数据类型需要采取不同处理方法进行针对性数据预处理;
特征工程生成模块,生成有效的特征数据;
患者聚类建模模块,采用基于划分的聚类算法,即k-均值算法进行患者的聚类建模;
诊疗方案推荐模块,采用基于相似性计算的群组定向技术,为问诊患者找到最相近历史病患群组,抽取出该群组内病患的主体诊疗方案作为首选诊疗方案推荐给问诊患者;
数据库,存储数据采集模块采集的数据以及诊疗方案推荐模块的治疗方案。
优选地,所述问题定义模块、数据采集模块、数据预处理模块、特征工程生成模块、患者聚类建模模块、诊疗方案推荐模块依次连接,数据库与数据采集模块连接。
与现有技术相比,本发明具有如下的有益效果:本发明建立有效地心脑血管患者相似性分析模型,临床医生通过患者特征就能得到给定患者的相似人群,然后推荐个性化治疗方案,以达到精准医疗的目的,能够很好的对中国人群心脑血管疾病患者进行基于相似性分析的人群分组,尽早针对不同的风险人群进行有针对性的个性化康复治疗,具有巨大的医疗和临床使用价值。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述,本发明的其它特征、目的和优点将会变得更明显:
图1为本发明心脑血管疾病相似性分析方法的流程图。
图2为特征选择的一般过程的流程图。
图3为本发明心脑血管疾病相似性分析系统的原理框图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明,但不以任何形式限制本发明。应当指出的是,对本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进。这些都属于本发明的保护范围。
如图1所示,本发明心脑血管患者相似性分析方法包括以下步骤:
步骤一,问题定义,基于历史数据对心脑血管患者进行细化分群,研究特定治疗手段对特定人群治疗结局的影响,并针对个体患者推荐个性化治疗方案,将帮助临床医生更精准地认识目标患者的病情以及可能的治疗手段所带来的预后效果,从而有效地实现个性化精准医疗;
步骤二,数据采集,针对目标人群,从相关信息系统收集观察期窗口内的患者医疗健康数据及预后结局数据,所采集的数据包括:康复科门诊数据、康复科治疗室数据、神内/神外门诊数据、神内/神外住院数据、康复科住院数据、脑卒中筛查门诊数据,这些数据涉及的内容涵盖有患者基本信息、病历或EMR(电子病历)、检测检验、影像、诊断、处方、治疗、评估表等数据;
步骤三,数据预处理,所采集的数据类型多种多样,包括:选择项(比如性别为男/女)、日期时间、数值型(比如检测值)、字符型(比如诊断)以及是否型数据,针对不同数据类型需要采取不同处理方法进行针对性数据预处理,具体处理过程如下:
步骤三十一,数据集成,把不同来源的数据按照一定规则整合到一起,根据病人ID号把不同数据源但是有同样ID号的信息连接在一起,这样所有不同数据源的数据就整合到了一起;
步骤三十二,数据清洗,针对不同数据类型存在的不同问题,提出了基于规则的数据清洗方法;
步骤三十三,缺失值处理,医疗领域的特征数据普遍在时间序列上比较稀疏,因此采用基于正则化最大期望算法进行缺失数据的填补,将缺失特征变量视为无法观测的隐藏变量,此方法一般可以分为三步:1)计算最大期望;2)正则化EM(最大期望),避免过度拟合;3)对上一步生成的方程进行评估;
步骤三十四,特征删除,根据专家知识对那些无效值和缺失值超过总样本量30%的,对于诊断问题不是特别重要的特征进行删除处理;
步骤三十五,去异常点,采用偏差分析、基于分布不合理性的异常检测方法,结合常识性规则、业务特定规则进行异常值的识别,并对异常点进行删除处理;
步骤四,特征工程,患者数据来自多个临床数据库,涉及患者个体生理信息、历史诊疗信息、病情信息,在使用机器学习技术建模学习数据之前,首先需要使用特定领域知识以及统计学习方法来提取或组合变化得到的各属性数据,从而生成有效的特征数据,具体处理过程如下:
步骤四十一,特征构造和特征选择,其基于预处理后的数据,通过特征构造(转换原始特征并衍生组合特征)和特征选择(从原始特征和组合特征中自动选择潜在的风险因素)技术识别潜在的风险因子;
步骤四十二,特征处理,使用log映射函数将特征取值映射到[0,1]区间,同时采用等值划分方法对连续数据的离散化处理,将特征空间按照值域进行均分,每一段内的取值等同处理;
步骤五,基于相似性的患者聚类建模,采用基于划分的聚类算法、k-均值算法进行患者的聚类建模,其中通过夹角余弦来度量患者之间的相似性;
步骤六,诊疗方案推荐,当患者问诊时,结合问诊患者的个体特征和病患群体特征,采用基于相似性计算的群组定向技术,为问诊患者找到最相近历史病患群组,抽取出该群组内病患的主体诊疗方案作为首选诊疗方案推荐给问诊患者。
实施例
本实施例涉及一种心脑血管患者相似性分析方法。
本实施例以XXX医院康复科所采集的700位有明确康复结局的脑卒中患者为样本,样本数据具体包括:患者的基本信息(性别、年龄、身高、体重、教育程度、婚姻状态等),体征数据(血压、心率),病史数据(门诊及住院诊断、用药史及治疗历史、检查检验历史及相关影像数据),进入康复科后的功能评估项目及康复治疗后的评定结果。
步骤一,问题定义
基于脑卒中患者康复治疗的既往数据,首先将患者人群按照特定康复预后结局分为子群,每个子群内患者应具有相似的预后结局,从以下几方面对相似性分析模型进行定义:1)训练集合患者总数;2)群族数目及不同群族中的患者标识;3)分群元数据包括分群相似性度量,分群算法及参数,数据变换矩阵等。基于相似性分析的分群模型,实现以下功能:1)针对特定患者,识别患情相似的患者群;2)发现并总结相似患者群的共性特征;3)根据相似患者为目标患者推荐使用的康复治疗方案。
步骤二,数据采集
首先使用病人ID号将不同数据源但是有同样ID号的数据连接在一起,这样所有来自不同数据源的数据就整合到了同一个数据文件中,
步骤三,数据预处理,所采集的数据类型多种多样,包括:选择项、日期时间、数值型、字符型以及是否型数据,针对不同数据类型需要采取不同处理方法进行针对性数据预处理;具体处理过程如下:
步骤三十一,数据集成,把不同来源的数据按照一定规则整合到一起,根据病人ID号把不同数据源但是有同样ID号的信息连接在一起,这样所有不同数据源的数据就整合到了一起;
步骤三十二,数据清洗,如图2所示,以数值型数据的清洗过程为例,分别针对不同原始数据的特征,使用相应的清洗规则清洗数据,进而得到清洗后整齐的数据。
步骤二十三,缺失值处理,将数据清洗后的数据集进行最大期望的详细计算方法如下:
1、EM(最大期望)算法步骤,最大期望算法经过两个步骤交替进行计算,第一步是计算期望(E),利用对隐藏变量的现有估计值,计算其最大似然估计值;第二步是最大化(M),最大化在期望(E)步上求得的最大似然值来计算参数的值,最大化(M)步找到的参数估计值被用于下一个期望(E)步计算中,这个过程不断交替进行。
2、EM(最大期望)算法应用,用于估计无法观测的数据,y表示能够观察到的不完整变量值,用x表示无法观察到的变量值,在给定的观察到的数据条件下未知数据的条件分布如下式(1):
其中,p表示概率密度函数;x表示输入特征变量;y表示输出目标变量;θ表示模型的未知参数。
3、处理效果评估,采用标准误差(RMSE)对缺失值的填充效果进行评估,RMSE(采用标准误差)能够很好地反映出所填充数据和真实数据的偏离程度,RMSE值越小,表示填充数据和真实数据的偏离程度越小,其精度越高,反之,RMSE(采用标准误差)越大,表示填充数据和真实数据的偏离程度越大,RMSE(采用标准误差)的数学表达式如下式(2):
其中,n为样本数;Xobs,i代表第i个观测值;Xmodel,i代表Xobs,i的模型预测值。
本实施例中未发现满足删除条件的特征和异常值。
步骤三十四,特征删除,根据专家知识对那些无效值和缺失值超过总样本量30%的,对于诊断问题不是特别重要的特征进行删除处理;
步骤三十五,去异常点,采用偏差分析、基于分布不合理性的异常检测方法,结合常识性规则、业务特定规则进行异常值的识别,并对异常点进行删除处理。
步骤四,特征工程,潜在风险因子识别
如图2所示,采用基于集合运算(count,mean,min,max,std.)和领域知识的方法构造新特征,例如某个病人一天中可能有几个血压值,我们可以采用平均值,最大值或最小值最为血压这个特征变量的最后值,另外,采用的特征选择过程包括产生过程、评价函数、停止准则、验证过程四个部分。
在产生过程中,采用基于启发式搜索方法的序列前向选择方法,假设特征子集X从空集开始,每次选择一个特征加入特征子集,使得特征函数最优,即每次都选择一个使得评价函数的取值达到最优的特征加入,采用的评价函数是基于筛选器的方法,并且使用线性相关系数来衡量向量之间线性相关度,如下式(3):
其中,Xi表示第i个特征向量;Y表示目标输出向量;cov(Xi,Y)表示Xi和Y的协方差;var(Xi)和var(Y)分别表示Xi和Y的方差。
当评价函数值达到停止准则设定的阈值后停止搜索过程,最后在验证数据集上验证选出来的特征子集的有效性,最后,通过log函数归一化映射函数将特征取值映射到[0,1]区间,然后通过等值划分对连续特征进行离散化处理。
步骤四十一,特征构造和特征选择,其基于预处理后的数据,通过特征构造(转换原始特征并衍生组合特征)和特征选择(从原始特征和组合特征中自动选择潜在的风险因素)技术识别潜在的风险因子;
步骤四十二,特征处理
假设n维空间内两点a(x11,x12,...,x1n)与b(x21,x22,...,x2n),计算公式如下式(4):
其中,x1k表示点a的第k个元素;x2k表示点b的第k个元素;θ表示两点之间的夹角。
其中夹角余弦取值范围为[-1,1]。夹角余弦越大表示两个向量的夹角越小,夹角余弦越小表示两向量的夹角越大。当两个向量的方向重合时夹角余弦取最大值1,当两个向量的方向完全相反夹角余弦取最小值-1。
步骤五,基于相似性的患者聚类建模
对由700位脑卒中患者特征向量组成的数据集,基于KNN聚类算法构造六个分组,每一个分组就代表一个聚类,详细聚类过程如下:
给定要构建的群组数,划分方法首先创建一个初始化划分;
通过把对象从一个组移动到另一个组来进行划分,使同一个群组中的各对象尽可能相互接近或相关,而不同的群组中的对象尽可能远离或不同;
反复迭代的方式更新分组,使得更新之后的分组方案都较前一次好,知道算法收敛。
步骤六,个性化诊疗方案推荐
采用基于相似性度量的KNN找到与目标患者最相近的历史患者群组,kNN算法的核心思想是如果一个样本在特征空间中的k个最相邻的样本中的大多数属于某一个类别,则该样本也属于这个类别,并具有这个类别上样本的特性。该方法在确定分类决策上只依据最邻近的一个或者几个样本的类别来决定待分样本所属的类别。
如图3所示,本发明心脑血管患者相似性分析系统包括:
问题定义模块,基于历史数据对心脑血管患者进行细化分群,研究特定治疗手段对特定人群治疗结局的影响,并针对个体患者推荐个性化治疗方案;
数据采集模块,从相关信息系统收集观察期窗口内的患者医疗健康数据及预后结局数据;
数据预处理模块,针对不同数据类型需要采取不同处理方法进行针对性数据预处理;
特征工程生成模块,生成有效的特征数据;
患者聚类建模模块,采用基于划分的聚类算法、k-均值算法进行患者的聚类建模;
诊疗方案推荐模块,采用基于相似性计算的群组定向技术,为问诊患者找到最相近历史病患群组,抽取出该群组内病患的主体诊疗方案作为首选诊疗方案推荐给问诊患者;
数据库,存储数据采集模块采集的数据以及诊疗方案推荐模块的治疗方案等。
问题定义模块、数据采集模块、数据预处理模块、特征工程生成模块、患者聚类建模模块、诊疗方案推荐模块依次连接,数据库与数据采集模块连接,这样方便连接。
综上所述,本发明建立有效地心脑血管患者相似性分析模型,临床医生通过患者特征就能得到给定患者的相似人群,然后推荐个性化治疗方案,以达到精准医疗的目的,能够很好的对中国人群心脑血管疾病患者进行基于相似性分析的人群分组,尽早针对不同的风险人群进行有针对性的个性化康复治疗,具有巨大的医疗和临床使用价值。
以上对本发明的具体实施例进行了描述。需要理解的是,本发明并不局限于上述特定实施方式,本领域技术人员可以在权利要求的范围内做出各种变形或修改,这并不影响本发明的实质内容。
Claims (5)
1.一种心脑血管患者相似性分析方法,其特征在于,其包括以下步骤:
步骤一,问题定义,基于历史数据对心脑血管患者进行细化分群,研究特定治疗手段对特定人群治疗结局的影响,并针对个体患者推荐个性化治疗方案,将帮助临床医生更精准地认识目标患者的病情以及治疗手段所带来的预后效果,从而有效地实现个性化精准医疗;
步骤二,数据采集,针对目标人群,从相关信息系统收集观察期窗口内的患者医疗健康数据及预后结局数据,所采集的数据包括:康复科门诊数据、康复科治疗室数据、神内/神外门诊数据、神内/神外住院数据、康复科住院数据、脑卒中筛查门诊数据,这些数据涉及的内容涵盖有患者基本信息、病历或电子病历、检测检验、影像、诊断、处方、治疗、评估表数据;
步骤三,数据预处理,所采集的数据类型多种多样,包括:选择项、日期时间、数值型、字符型以及是否型数据,针对不同数据类型需要采取不同处理方法进行针对性数据预处理;
步骤四,特征工程,患者数据来自多个临床数据库,涉及患者个体生理信息、历史诊疗信息、病情信息,在使用机器学习技术建模学习数据之前,首先需要使用特定领域知识以及统计学习方法来提取或组合变化得到的各属性数据,从而生成有效的特征数据;
步骤五,基于相似性的患者聚类建模,采用基于划分的聚类算法,即k-均值算法进行患者的聚类建模,其中通过夹角余弦来度量患者之间的相似性;
步骤六,诊疗方案推荐,当患者问诊时,结合问诊患者的个体特征和病患群体特征,采用基于相似性计算的群组定向技术,为问诊患者找到最相近历史病患群组,抽取出该群组内病患的主体诊疗方案作为首选诊疗方案推荐给问诊患者。
2.根据权利要求1所述的心脑血管患者相似性分析方法,其特征在于,所述步骤三具体包括以下步骤:
步骤三十一,数据集成,把不同来源的数据按照一定规则整合到一起,根据病人ID号把不同数据源但是有同样ID号的信息连接在一起,这样所有不同数据源的数据就整合到了一起;
步骤三十二,数据清洗,针对不同数据类型存在的不同问题,提出了基于规则的数据清洗方法;
步骤三十三,缺失值处理,医疗领域的特征数据普遍在时间序列上比较稀疏,因此采用基于正则化最大期望算法进行缺失数据的填补,将缺失特征变量视为无法观测的隐藏变量,此方法一般分为三步:一,计算最大期望;二,正则化EM,避免过度拟合;三,对上一步生成的方程进行评估;
步骤三十四,特征删除,根据专家知识对那些无效值和缺失值超过总样本量30%的,对于诊断问题不是特别重要的特征进行删除处理;
步骤三十五,去异常点,采用偏差分析、基于分布不合理性的异常检测方法,结合常识性规则、业务特定规则进行异常值的识别,并对异常点进行删除处理。
3.根据权利要求1所述的心脑血管患者相似性分析方法,其特征在于,所述步骤四具体包括以下步骤:
步骤四十一,特征构造和特征选择,其基于预处理后的数据,通过特征构造和特征选择技术识别潜在的风险因子;
步骤四十二,特征处理,使用log映射函数将特征取值映射到[0,1]区间,同时采用等值划分方法对连续数据的离散化处理,将特征空间按照值域进行均分,每一段内的取值等同处理。
4.一种心脑血管患者相似性分析系统,其特征在于,其包括:
问题定义模块,基于历史数据对心脑血管患者进行细化分群,研究特定治疗手段对特定人群治疗结局的影响,并针对个体患者推荐个性化治疗方案;
数据采集模块,从相关信息系统收集观察期窗口内的患者医疗健康数据及预后结局数据;
数据预处理模块,针对不同数据类型需要采取不同处理方法进行针对性数据预处理;
特征工程生成模块,生成有效的特征数据;
患者聚类建模模块,采用基于划分的聚类算法,即k-均值算法进行患者的聚类建模;
诊疗方案推荐模块,采用基于相似性计算的群组定向技术,为问诊患者找到最相近历史病患群组,抽取出该群组内病患的主体诊疗方案作为首选诊疗方案推荐给问诊患者;
数据库,存储数据采集模块采集的数据以及诊疗方案推荐模块的治疗方案。
5.根据权利要求4所述的心脑血管患者相似性分析系统,其特征在于,所述问题定义模块、数据采集模块、数据预处理模块、特征工程生成模块、患者聚类建模模块、诊疗方案推荐模块依次连接,数据库与数据采集模块连接。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710057343.5A CN106778042A (zh) | 2017-01-26 | 2017-01-26 | 心脑血管患者相似性分析方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710057343.5A CN106778042A (zh) | 2017-01-26 | 2017-01-26 | 心脑血管患者相似性分析方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106778042A true CN106778042A (zh) | 2017-05-31 |
Family
ID=58941838
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710057343.5A Pending CN106778042A (zh) | 2017-01-26 | 2017-01-26 | 心脑血管患者相似性分析方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106778042A (zh) |
Cited By (47)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106980914A (zh) * | 2017-06-05 | 2017-07-25 | 厦门美柚信息科技有限公司 | 女性生理周期的预测方法及装置、终端 |
CN107436933A (zh) * | 2017-07-20 | 2017-12-05 | 广州慧扬健康科技有限公司 | 用于病历档案整理的层次聚类系统 |
CN107436993A (zh) * | 2017-05-05 | 2017-12-05 | 陈昕 | 建立icu患者病情评估模型的方法和服务器 |
CN107679734A (zh) * | 2017-09-27 | 2018-02-09 | 成都四方伟业软件股份有限公司 | 一种用于无标签数据分类预测的方法和系统 |
CN107680676A (zh) * | 2017-09-26 | 2018-02-09 | 电子科技大学 | 一种基于电子病历数据驱动的妊娠期糖尿病预测方法 |
CN108039205A (zh) * | 2017-12-20 | 2018-05-15 | 深圳市智慧健康产业发展有限公司 | 一种居于体征大数据的慢性病自动跟踪、治疗及推送方法 |
CN108511056A (zh) * | 2018-02-09 | 2018-09-07 | 上海长江科技发展有限公司 | 基于脑卒中患者相似性分析的治疗方案推荐方法及系统 |
CN108742513A (zh) * | 2018-02-09 | 2018-11-06 | 上海长江科技发展有限公司 | 脑卒中患者康复预测方法及系统 |
CN108986907A (zh) * | 2018-07-24 | 2018-12-11 | 郑州大学第附属医院 | 一种基于knn算法的远程医疗自动分诊方法 |
CN109065175A (zh) * | 2018-08-14 | 2018-12-21 | 平安医疗健康管理股份有限公司 | 医疗特征筛选方法、装置、计算机设备和存储介质 |
CN109243620A (zh) * | 2018-09-07 | 2019-01-18 | 上海交通大学医学院附属新华医院 | 基于血药浓度监测的药效优化方法及装置 |
CN109243546A (zh) * | 2018-09-07 | 2019-01-18 | 上海交通大学医学院附属新华医院 | 抗凝药药效优化模型的建立方法及装置 |
CN109599176A (zh) * | 2018-10-31 | 2019-04-09 | 北京春雨天下软件有限公司 | 问诊技巧推荐方法及装置、在线辅诊系统 |
CN109771842A (zh) * | 2017-11-10 | 2019-05-21 | 北京连心医疗科技有限公司 | 基于机器学习的云放疗质量控制方法、设备和存储介质 |
CN109785928A (zh) * | 2018-12-25 | 2019-05-21 | 平安科技(深圳)有限公司 | 诊疗方案推荐方法、装置及存储介质 |
CN109817341A (zh) * | 2019-01-30 | 2019-05-28 | 熊飞 | 基于大数据的肾病透析指标测定系统及方法 |
CN109817339A (zh) * | 2018-12-14 | 2019-05-28 | 平安医疗健康管理股份有限公司 | 基于大数据的患者分组方法和装置 |
CN109830302A (zh) * | 2019-01-28 | 2019-05-31 | 北京交通大学 | 用药模式挖掘方法、装置和电子设备 |
CN110164524A (zh) * | 2019-04-29 | 2019-08-23 | 北京国润健康医学投资有限公司 | 一种偏瘫患者康复训练任务自适应匹配方法及其系统 |
CN110327016A (zh) * | 2019-06-11 | 2019-10-15 | 清华大学 | 基于光学影像与光学治疗的智能型微创诊疗一体化系统 |
CN110415821A (zh) * | 2019-07-02 | 2019-11-05 | 山东大学 | 一种基于人体生理数据的健康知识推荐系统及其运行方法 |
CN110598766A (zh) * | 2019-08-28 | 2019-12-20 | 第四范式(北京)技术有限公司 | 一种商品推荐模型的训练方法、装置及电子设备 |
CN110610761A (zh) * | 2018-06-14 | 2019-12-24 | 胡盛寿 | 一种高血压辅诊方法和系统 |
CN110782989A (zh) * | 2019-09-18 | 2020-02-11 | 平安科技(深圳)有限公司 | 数据分析方法、装置、设备及计算机可读存储介质 |
CN111028956A (zh) * | 2019-11-04 | 2020-04-17 | 杭州憶盛医疗科技有限公司 | 一种基于物联网的病情共享平台 |
CN111243753A (zh) * | 2020-02-27 | 2020-06-05 | 西安交通大学 | 一种面向医疗数据的多因素相关性交互式分析方法 |
CN111403038A (zh) * | 2020-03-13 | 2020-07-10 | 上海洛书医药科技有限公司 | 基于ai的体质评测及健康管理系统 |
CN111684539A (zh) * | 2017-12-06 | 2020-09-18 | 心脏起搏器股份公司 | 改善临床工作流程的系统 |
CN111696660A (zh) * | 2020-05-13 | 2020-09-22 | 平安科技(深圳)有限公司 | 基于人工智能的患者分群方法、装置、设备及存储介质 |
CN112164460A (zh) * | 2020-10-19 | 2021-01-01 | 科技谷(厦门)信息技术有限公司 | 一种基于医疗知识图谱的智能疾病辅助诊断系统 |
CN112289444A (zh) * | 2020-09-10 | 2021-01-29 | 北京大学 | 一种患者潜在重要信息的确定方法和装置 |
CN112562857A (zh) * | 2020-12-28 | 2021-03-26 | 上海蓬海涞讯数据技术有限公司 | 基于k均值聚类实现高危手术预测的方法、装置、处理器及其存储介质 |
WO2021073277A1 (zh) * | 2019-10-16 | 2021-04-22 | 平安科技(深圳)有限公司 | 一种个性化精准用药推荐方法及装置 |
CN112700858A (zh) * | 2020-12-14 | 2021-04-23 | 毕宏生 | 一种儿童青少年近视预警方法及设备 |
CN112735596A (zh) * | 2020-12-31 | 2021-04-30 | 神州医疗科技股份有限公司 | 一种相似患者的确定方法、装置、电子设备及存储介质 |
CN113010783A (zh) * | 2021-03-17 | 2021-06-22 | 华南理工大学 | 基于多模态心血管疾病信息的医疗推荐方法、系统及介质 |
CN113160996A (zh) * | 2021-01-19 | 2021-07-23 | 北京安智因生物技术有限公司 | 一种基于实体的心血管疾病数据集成方法 |
CN113808747A (zh) * | 2021-10-11 | 2021-12-17 | 南昌大学第二附属医院 | 一种缺血性脑卒中复发预测方法 |
CN114171162A (zh) * | 2021-12-03 | 2022-03-11 | 广州穗海新峰医疗设备制造股份有限公司 | 一种基于大数据分析的镜像神经元康复训练的方法及系统 |
CN115223721A (zh) * | 2022-07-12 | 2022-10-21 | 曜立科技(北京)有限公司 | 一种基于元数据的患者心脑血管疾病管数相似性分析系统 |
CN115292391A (zh) * | 2022-10-10 | 2022-11-04 | 山东宝德龙健身器材有限公司 | 一种康复训练数据分析管理系统 |
CN115969465A (zh) * | 2022-12-27 | 2023-04-18 | 北京先瑞达医疗科技有限公司 | 一种血栓智能抽吸系统 |
CN116434975A (zh) * | 2023-06-14 | 2023-07-14 | 西安交通大学医学院第一附属医院 | 一种呼吸内科清肺排痰装置智能管理系统 |
CN116504354A (zh) * | 2023-06-28 | 2023-07-28 | 合肥工业大学 | 一种基于智慧医疗的智能化服务推荐方法及系统 |
CN116825336A (zh) * | 2023-08-30 | 2023-09-29 | 山东志诚普惠健康科技有限公司 | 一种基于ai的医疗信息智能管理方法及系统 |
CN117012375A (zh) * | 2023-10-07 | 2023-11-07 | 之江实验室 | 一种基于患者拓扑特征相似性的临床决策支持方法和系统 |
CN117174330A (zh) * | 2023-08-21 | 2023-12-05 | 肾泰网健康科技(南京)有限公司 | 一种基于机器学习的IgA肾病患者治疗方案推荐方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104036445A (zh) * | 2014-06-17 | 2014-09-10 | 南京邮电大学 | 一种智慧医疗个性化推荐系统及其实现方法 |
CN104915561A (zh) * | 2015-06-11 | 2015-09-16 | 万达信息股份有限公司 | 疾病特征智能匹配方法 |
CN104915560A (zh) * | 2015-06-11 | 2015-09-16 | 万达信息股份有限公司 | 一种基于广义神经网络聚类的疾病病种诊疗方案预测方法 |
CN105342767A (zh) * | 2015-11-20 | 2016-02-24 | 合肥工业大学 | 一种基于移动终端控制的智能轮椅 |
CN105455976A (zh) * | 2015-11-20 | 2016-04-06 | 安宁 | 一种智能康复轮椅 |
CN105455979A (zh) * | 2015-11-20 | 2016-04-06 | 合肥工业大学 | 一种智能轮椅的控制系统及控制方法 |
CN105997432A (zh) * | 2016-06-21 | 2016-10-12 | 合肥工业大学 | 一种辅助站立的医疗装置 |
-
2017
- 2017-01-26 CN CN201710057343.5A patent/CN106778042A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104036445A (zh) * | 2014-06-17 | 2014-09-10 | 南京邮电大学 | 一种智慧医疗个性化推荐系统及其实现方法 |
CN104915561A (zh) * | 2015-06-11 | 2015-09-16 | 万达信息股份有限公司 | 疾病特征智能匹配方法 |
CN104915560A (zh) * | 2015-06-11 | 2015-09-16 | 万达信息股份有限公司 | 一种基于广义神经网络聚类的疾病病种诊疗方案预测方法 |
CN105342767A (zh) * | 2015-11-20 | 2016-02-24 | 合肥工业大学 | 一种基于移动终端控制的智能轮椅 |
CN105455976A (zh) * | 2015-11-20 | 2016-04-06 | 安宁 | 一种智能康复轮椅 |
CN105455979A (zh) * | 2015-11-20 | 2016-04-06 | 合肥工业大学 | 一种智能轮椅的控制系统及控制方法 |
CN105997432A (zh) * | 2016-06-21 | 2016-10-12 | 合肥工业大学 | 一种辅助站立的医疗装置 |
Cited By (66)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107436993A (zh) * | 2017-05-05 | 2017-12-05 | 陈昕 | 建立icu患者病情评估模型的方法和服务器 |
CN106980914B (zh) * | 2017-06-05 | 2018-04-03 | 厦门美柚信息科技有限公司 | 女性生理周期的预测方法及装置、终端 |
CN106980914A (zh) * | 2017-06-05 | 2017-07-25 | 厦门美柚信息科技有限公司 | 女性生理周期的预测方法及装置、终端 |
CN107436933A (zh) * | 2017-07-20 | 2017-12-05 | 广州慧扬健康科技有限公司 | 用于病历档案整理的层次聚类系统 |
CN107680676B (zh) * | 2017-09-26 | 2021-04-27 | 电子科技大学 | 一种基于电子病历数据驱动的妊娠期糖尿病预测方法 |
CN107680676A (zh) * | 2017-09-26 | 2018-02-09 | 电子科技大学 | 一种基于电子病历数据驱动的妊娠期糖尿病预测方法 |
CN107679734A (zh) * | 2017-09-27 | 2018-02-09 | 成都四方伟业软件股份有限公司 | 一种用于无标签数据分类预测的方法和系统 |
CN109771842A (zh) * | 2017-11-10 | 2019-05-21 | 北京连心医疗科技有限公司 | 基于机器学习的云放疗质量控制方法、设备和存储介质 |
CN111684539A (zh) * | 2017-12-06 | 2020-09-18 | 心脏起搏器股份公司 | 改善临床工作流程的系统 |
CN108039205A (zh) * | 2017-12-20 | 2018-05-15 | 深圳市智慧健康产业发展有限公司 | 一种居于体征大数据的慢性病自动跟踪、治疗及推送方法 |
CN108742513A (zh) * | 2018-02-09 | 2018-11-06 | 上海长江科技发展有限公司 | 脑卒中患者康复预测方法及系统 |
CN108511056A (zh) * | 2018-02-09 | 2018-09-07 | 上海长江科技发展有限公司 | 基于脑卒中患者相似性分析的治疗方案推荐方法及系统 |
CN110610761A (zh) * | 2018-06-14 | 2019-12-24 | 胡盛寿 | 一种高血压辅诊方法和系统 |
CN108986907A (zh) * | 2018-07-24 | 2018-12-11 | 郑州大学第附属医院 | 一种基于knn算法的远程医疗自动分诊方法 |
CN109065175A (zh) * | 2018-08-14 | 2018-12-21 | 平安医疗健康管理股份有限公司 | 医疗特征筛选方法、装置、计算机设备和存储介质 |
CN109243620B (zh) * | 2018-09-07 | 2020-10-02 | 上海交通大学医学院附属新华医院 | 基于血药浓度监测的药效优化方法及装置 |
CN109243620A (zh) * | 2018-09-07 | 2019-01-18 | 上海交通大学医学院附属新华医院 | 基于血药浓度监测的药效优化方法及装置 |
CN109243546B (zh) * | 2018-09-07 | 2020-10-27 | 上海交通大学医学院附属新华医院 | 抗凝药药效优化模型的建立方法及装置 |
CN109243546A (zh) * | 2018-09-07 | 2019-01-18 | 上海交通大学医学院附属新华医院 | 抗凝药药效优化模型的建立方法及装置 |
CN109599176A (zh) * | 2018-10-31 | 2019-04-09 | 北京春雨天下软件有限公司 | 问诊技巧推荐方法及装置、在线辅诊系统 |
CN109599176B (zh) * | 2018-10-31 | 2021-06-25 | 北京春雨天下软件有限公司 | 问诊技巧推荐方法及装置、在线辅诊系统 |
CN109817339A (zh) * | 2018-12-14 | 2019-05-28 | 平安医疗健康管理股份有限公司 | 基于大数据的患者分组方法和装置 |
CN109817339B (zh) * | 2018-12-14 | 2023-07-04 | 平安医疗健康管理股份有限公司 | 基于大数据的患者分组方法和装置 |
CN109785928A (zh) * | 2018-12-25 | 2019-05-21 | 平安科技(深圳)有限公司 | 诊疗方案推荐方法、装置及存储介质 |
CN109830302A (zh) * | 2019-01-28 | 2019-05-31 | 北京交通大学 | 用药模式挖掘方法、装置和电子设备 |
CN109817341A (zh) * | 2019-01-30 | 2019-05-28 | 熊飞 | 基于大数据的肾病透析指标测定系统及方法 |
CN110164524A (zh) * | 2019-04-29 | 2019-08-23 | 北京国润健康医学投资有限公司 | 一种偏瘫患者康复训练任务自适应匹配方法及其系统 |
CN110327016A (zh) * | 2019-06-11 | 2019-10-15 | 清华大学 | 基于光学影像与光学治疗的智能型微创诊疗一体化系统 |
CN110415821B (zh) * | 2019-07-02 | 2023-02-24 | 山东大学 | 一种基于人体生理数据的健康知识推荐系统及其运行方法 |
CN110415821A (zh) * | 2019-07-02 | 2019-11-05 | 山东大学 | 一种基于人体生理数据的健康知识推荐系统及其运行方法 |
CN110598766A (zh) * | 2019-08-28 | 2019-12-20 | 第四范式(北京)技术有限公司 | 一种商品推荐模型的训练方法、装置及电子设备 |
CN110598766B (zh) * | 2019-08-28 | 2022-05-10 | 第四范式(北京)技术有限公司 | 一种商品推荐模型的训练方法、装置及电子设备 |
CN110782989A (zh) * | 2019-09-18 | 2020-02-11 | 平安科技(深圳)有限公司 | 数据分析方法、装置、设备及计算机可读存储介质 |
WO2021073277A1 (zh) * | 2019-10-16 | 2021-04-22 | 平安科技(深圳)有限公司 | 一种个性化精准用药推荐方法及装置 |
CN111028956A (zh) * | 2019-11-04 | 2020-04-17 | 杭州憶盛医疗科技有限公司 | 一种基于物联网的病情共享平台 |
CN111243753B (zh) * | 2020-02-27 | 2024-04-02 | 西安交通大学 | 一种面向医疗数据的多因素相关性交互式分析方法 |
CN111243753A (zh) * | 2020-02-27 | 2020-06-05 | 西安交通大学 | 一种面向医疗数据的多因素相关性交互式分析方法 |
CN111403038A (zh) * | 2020-03-13 | 2020-07-10 | 上海洛书医药科技有限公司 | 基于ai的体质评测及健康管理系统 |
CN111696660A (zh) * | 2020-05-13 | 2020-09-22 | 平安科技(深圳)有限公司 | 基于人工智能的患者分群方法、装置、设备及存储介质 |
CN111696660B (zh) * | 2020-05-13 | 2023-07-25 | 平安科技(深圳)有限公司 | 基于人工智能的患者分群方法、装置、设备及存储介质 |
CN112289444A (zh) * | 2020-09-10 | 2021-01-29 | 北京大学 | 一种患者潜在重要信息的确定方法和装置 |
CN112289444B (zh) * | 2020-09-10 | 2023-09-19 | 北京大学 | 一种患者潜在重要信息的确定方法和装置 |
CN112164460B (zh) * | 2020-10-19 | 2023-06-30 | 集美大学 | 一种基于医疗知识图谱的智能疾病辅助诊断系统 |
CN112164460A (zh) * | 2020-10-19 | 2021-01-01 | 科技谷(厦门)信息技术有限公司 | 一种基于医疗知识图谱的智能疾病辅助诊断系统 |
CN112700858B (zh) * | 2020-12-14 | 2022-05-03 | 济南瞳星智能科技有限公司 | 一种儿童青少年近视预警方法及设备 |
CN112700858A (zh) * | 2020-12-14 | 2021-04-23 | 毕宏生 | 一种儿童青少年近视预警方法及设备 |
CN112562857A (zh) * | 2020-12-28 | 2021-03-26 | 上海蓬海涞讯数据技术有限公司 | 基于k均值聚类实现高危手术预测的方法、装置、处理器及其存储介质 |
CN112735596A (zh) * | 2020-12-31 | 2021-04-30 | 神州医疗科技股份有限公司 | 一种相似患者的确定方法、装置、电子设备及存储介质 |
CN113160996A (zh) * | 2021-01-19 | 2021-07-23 | 北京安智因生物技术有限公司 | 一种基于实体的心血管疾病数据集成方法 |
CN113160996B (zh) * | 2021-01-19 | 2021-12-07 | 北京安智因生物技术有限公司 | 一种基于实体的心血管疾病数据集成方法 |
CN113010783A (zh) * | 2021-03-17 | 2021-06-22 | 华南理工大学 | 基于多模态心血管疾病信息的医疗推荐方法、系统及介质 |
CN113808747A (zh) * | 2021-10-11 | 2021-12-17 | 南昌大学第二附属医院 | 一种缺血性脑卒中复发预测方法 |
CN113808747B (zh) * | 2021-10-11 | 2023-12-26 | 南昌大学第二附属医院 | 一种缺血性脑卒中复发预测方法 |
CN114171162A (zh) * | 2021-12-03 | 2022-03-11 | 广州穗海新峰医疗设备制造股份有限公司 | 一种基于大数据分析的镜像神经元康复训练的方法及系统 |
CN115223721A (zh) * | 2022-07-12 | 2022-10-21 | 曜立科技(北京)有限公司 | 一种基于元数据的患者心脑血管疾病管数相似性分析系统 |
CN115292391A (zh) * | 2022-10-10 | 2022-11-04 | 山东宝德龙健身器材有限公司 | 一种康复训练数据分析管理系统 |
CN115969465B (zh) * | 2022-12-27 | 2023-11-07 | 北京先瑞达医疗科技有限公司 | 一种血栓智能抽吸系统 |
CN115969465A (zh) * | 2022-12-27 | 2023-04-18 | 北京先瑞达医疗科技有限公司 | 一种血栓智能抽吸系统 |
CN116434975A (zh) * | 2023-06-14 | 2023-07-14 | 西安交通大学医学院第一附属医院 | 一种呼吸内科清肺排痰装置智能管理系统 |
CN116434975B (zh) * | 2023-06-14 | 2023-09-01 | 西安交通大学医学院第一附属医院 | 一种呼吸内科清肺排痰装置智能管理系统 |
CN116504354B (zh) * | 2023-06-28 | 2024-01-09 | 合肥工业大学 | 一种基于智慧医疗的智能化服务推荐方法及系统 |
CN116504354A (zh) * | 2023-06-28 | 2023-07-28 | 合肥工业大学 | 一种基于智慧医疗的智能化服务推荐方法及系统 |
CN117174330A (zh) * | 2023-08-21 | 2023-12-05 | 肾泰网健康科技(南京)有限公司 | 一种基于机器学习的IgA肾病患者治疗方案推荐方法 |
CN116825336A (zh) * | 2023-08-30 | 2023-09-29 | 山东志诚普惠健康科技有限公司 | 一种基于ai的医疗信息智能管理方法及系统 |
CN117012375A (zh) * | 2023-10-07 | 2023-11-07 | 之江实验室 | 一种基于患者拓扑特征相似性的临床决策支持方法和系统 |
CN117012375B (zh) * | 2023-10-07 | 2024-03-26 | 之江实验室 | 一种基于患者拓扑特征相似性的临床决策支持方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106778042A (zh) | 心脑血管患者相似性分析方法及系统 | |
Ieracitano et al. | A fuzzy-enhanced deep learning approach for early detection of Covid-19 pneumonia from portable chest X-ray images | |
Heidari et al. | The COVID-19 epidemic analysis and diagnosis using deep learning: A systematic literature review and future directions | |
JP6522161B2 (ja) | ディープラーニングに基づく医療データ分析方法及びそのインテリジェントアナライザー | |
Zhao et al. | Advances in patient classification for traditional Chinese medicine: a machine learning perspective | |
Wasan et al. | The impact of data mining techniques on medical diagnostics | |
CN109830303A (zh) | 基于互联网一体化医疗平台的临床数据挖掘分析与辅助决策方法 | |
CN109378066A (zh) | 一种基于特征向量实现疾病预测的控制方法及控制装置 | |
CN116364299B (zh) | 一种基于异构信息网络的疾病诊疗路径聚类方法及系统 | |
Chushig-Muzo et al. | Data-driven visual characterization of patient health-status using electronic health records and self-organizing maps | |
Chen et al. | Unite: Uncertainty-based health risk prediction leveraging multi-sourced data | |
Li et al. | BCRAM: A social-network-inspired breast cancer risk assessment model | |
CN109360658A (zh) | 一种基于词向量模型的疾病模式挖掘方法及装置 | |
Swarupa et al. | Disease prediction: smart disease prediction system using random forest algorithm | |
Chou et al. | Extracting drug utilization knowledge using self-organizing map and rough set theory | |
Li et al. | Multi-modal cardiac function signals classification algorithm based on improved DS evidence theory | |
Shukla et al. | Cloud computing with artificial intelligence techniques for effective disease detection | |
Liao et al. | Recognizing diseases with multivariate physiological signals by a DeepCNN-LSTM network | |
Chaturvedi et al. | An Innovative Approach of Early Diabetes Prediction using Combined Approach of DC based Bidirectional GRU and CNN | |
Gopalakrishnan et al. | A Novel Deep Learning-Based Heart Disease Prediction System Using Convolutional Neural Networks (CNN) Algorithm | |
Verma et al. | Prediction of heart disease in diabetic patients using naive bayes classification technique | |
Su et al. | Cloud computing management architecture for digital health remote patient monitoring | |
Bahrami et al. | Heart attack detection in internet of things: modeling with health markov game theory | |
Saaty et al. | The need for adding judgment in bayesian prediction | |
Schellenberger et al. | An ensemble lstm architecture for clinical sepsis detection |
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: 20170531 |