CN107622796A - 基于健康管理平台的皮肤病评估及远程会诊方法及系统 - Google Patents
基于健康管理平台的皮肤病评估及远程会诊方法及系统 Download PDFInfo
- Publication number
- CN107622796A CN107622796A CN201710801131.3A CN201710801131A CN107622796A CN 107622796 A CN107622796 A CN 107622796A CN 201710801131 A CN201710801131 A CN 201710801131A CN 107622796 A CN107622796 A CN 107622796A
- Authority
- CN
- China
- Prior art keywords
- model
- skin
- analysis
- intelligent
- consultation
- 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
Landscapes
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明公开一种基于智能健康管理平台的皮肤病评估及远程会诊方法及系统，其收集大量医疗卫生数据，利用大数据挖掘算法及统计分析方法，生成出智能皮肤管理问诊问卷；进一步，通过问诊问卷结果，演算皮肤病症问诊分析模型，该模型通过决策树模型机器自学习生成，通过医生远程会诊对用户皮肤症状给出精确个性治疗方案，将后续数据不断纳入其中，并且不断进行模型拟合，通过该模型，系统自动推送皮肤病症治疗和管理方案，解决了传统远程问诊中专家重复问诊常见高频皮肤症状的问题，提高远程会诊的可利用性和效率，同时，此会诊平台基于云端服务器的智能问诊分析评估系统，利用移动智能终端和远程会诊平台，便捷快速，使用价值极高。
Description
技术领域
本发明涉及计算机系统远程会诊及大数据人工智能算法领域，更具体地，涉及一种基于智能健康管理平台的皮肤病评估及远程会诊方法及系统。
背景技术
目前，远程医疗系统或远程医疗客户端，作为远程医疗会诊的主要平台类型，其对于皮肤管理远程会诊存在的主要问题是：①远程系统仍是以传统模式为主的对接平台或受终端对接产品限制；②数据输入来源有限，缺乏案例积累，每次都需医生对用户进行重新会诊，导致有些常见皮肤症状所对应病例反复会诊，造成一定的资源浪费。
发明内容
本发明解决了传统远程问诊中专家重复问诊常见高频皮肤症状的问题，提供一种基于智能健康管理平台的皮肤病评估及远程会诊方法及系统，其收集大量医疗卫生数据，利用大数据挖掘算法及统计分析方法，生成出智能皮肤管理问诊问卷；进一步，通过问诊问卷结果，演算皮肤病症问诊分析模型，该模型通过决策树模型机器自学习生成，通过医生远程会诊对用户皮肤症状给出精确个性治疗方案，将后续数据不断纳入其中，并且不断进行模型拟合，通过该模型，系统自动推送皮肤病症治疗和管理方案，达到远程会诊平台管理治疗皮肤问题的目的，提高远程会诊平台的精确性和效率。
为解决上述技术问题，本发明的技术方案如下：
一种基于智能健康管理平台的皮肤病评估及远程会诊方法，包括以下步骤：
S1：根据大量医疗卫生数据利用大数据挖掘算法及统计分析方法，筛选出相关疾病危险因素，建立多层累积Logistic回归模型，应用该模型分析出的疾病危险因素，生成多维度智能问诊分析问卷；
S2：通过移动终端在线填写多维度智能问诊分析问卷，结合数据分析模型构建个体皮肤病症问诊分析决策树模型；所述的个体皮肤病症问诊分析决策树模型的自变量为多维度智能问诊分析问卷相关变量，因变量为健康风险危险因素；
S3：若远程会诊平台的用户所出现的皮肤症状存在于云端数据库中，直接推送个性化精准的治疗和管理方案；若远程会诊平台的用户所出现的皮肤症状不存在于云端数据库中，则用户进行远程会诊，医生给出用户相应皮肤症状的治疗方案，再推送个性化精准的治疗和管理方案；完成之后，该用户皮肤症状以及相应皮肤症状治疗方案进入云端数据库更新存档，以供远程会诊平台后续计算使用。
在一种优选的方案中，步骤S1中所述的多层累积logistic回归数学模型为：
假设结局测量被分为m个类别(m＝1,2,…,M)，其测量值为(yij＝1),(yij＝2)，(yij＝M),且(yij＝1)<(yij＝2)＜…＜(yij＝M)。当πijm表示观察对象被分到m类的概率时，其累计概率函数表示为：
γijm＝P(y＜m)＝πij1+πij2+…+πijm
由于累积logit连接函数为
因此，考虑随机效应后，多层累积logistic回归模型可表达为：
β1j＝γ1+u1j
β2j＝γ2+u2j
…
βkj＝γk+ukj
该模型包含m-1个累计logit，其中β0m为第m个logit的截距；式中，γk表示自变量xx对因变量的平均效应，βk为xx的回归系数，ukj为残差，服从多元正态分布：uj～N(0,Ωu)；此处，i，j分别代表测量值矩阵的行列编号，k代表层级(不同的测量指标)。
在一种优选的方案中，步骤S2中所述的数据分析模型包括回归模型、对数线性模型、主成分分析模型以及聚类分析；通过分析将问卷结果归集成几个相关变量，消减数据块，减少数据挖掘时要考虑的特征数，构建个体健康问诊分析决策树模型。
在一种优选的方案中，所述的个体健康问诊分析决策树模型生长层数为3-5层；所述生长层数根据归集的相关变量自动设置。
在一种优选的方案中，通过个体皮肤病症问诊分析决策树模型，找出个体皮肤出现的相应症状，通过移动终端，基于云端服务器的智能问诊分析平台，自动推送给用户个性化精准的治疗和管理方案。
一种基于智能健康管理平台的皮肤病评估及远程会诊系统，基于所述的方法，其特征在于，至少包括：
生成模块，用于根据大量医疗卫生数据利用大数据挖掘算法及统计分析方法，筛选出相关疾病危险因素，建立多层累积Logistic回归模型，应用该模型分析出的疾病危险因素，生成多维度智能问诊分析问卷；
构建模块，用于通过移动终端在线填写多维度智能问诊分析问卷，结合数据分析模型构建个体皮肤病症问诊分析决策树模型；所述的个体皮肤病症问诊分析决策树模型的自变量为多维度智能问诊分析问卷相关变量，因变量为健康风险危险因素；
推送模块，用于若远程会诊平台的用户所出现的皮肤症状存在于云端数据库中，直接推送个性化精准的治疗和管理方案；若远程会诊平台的用户所出现的皮肤症状不存在于云端数据库中，则用户进行远程会诊，医生给出用户相应皮肤症状的治疗方案，再推送个性化精准的治疗和管理方案；完成之后，该用户皮肤症状以及相应皮肤症状治疗方案进入云端数据库更新存档，以供远程会诊平台后续计算使用。
与现有技术相比，本发明技术方案的有益效果是：一种基于智能健康管理平台的皮肤病评估及远程会诊方法及系统，其收集大量医疗卫生数据，利用大数据挖掘算法及统计分析方法，生成出智能皮肤管理问诊问卷；进一步，通过问诊问卷结果，演算皮肤病症问诊分析模型，该模型通过决策树模型机器自学习生成，通过医生远程会诊对用户皮肤症状给出精确个性治疗方案，将后续数据不断纳入其中，并且不断进行模型拟合，通过该模型，系统自动推送皮肤病症治疗和管理方案，解决了传统远程问诊中专家重复问诊常见高频皮肤症状的问题，提高远程会诊的可利用性和效率，同时，此会诊平台基于云端服务器的智能问诊分析评估系统，利用移动智能终端和远程会诊平台，便捷快速，使用价值极高。
附图说明
图1为本发明实施例1的整个远程会诊平台问诊的步骤示意图。
具体实施方式
附图仅用于示例性说明，不能理解为对本专利的限制；
为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；
对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
下面结合附图和实施例对本发明的技术方案做进一步的说明。
实施例1
如图1所示，一种基于智能健康管理平台的皮肤病评估及远程会诊方法，包括以下步骤：
S1：根据大量医疗卫生数据利用大数据挖掘算法及统计分析方法，筛选出相关疾病危险因素，建立多层累积Logistic回归模型，应用该模型分析出的疾病危险因素，生成多维度智能问诊分析问卷；
S2：通过移动终端在线填写多维度智能问诊分析问卷，结合数据分析模型构建个体皮肤病症问诊分析决策树模型；所述的个体皮肤病症问诊分析决策树模型的自变量为多维度智能问诊分析问卷相关变量，因变量为健康风险危险因素；
S3：若远程会诊平台的用户所出现的皮肤症状存在于云端数据库中，直接推送个性化精准的治疗和管理方案；若远程会诊平台的用户所出现的皮肤症状不存在于云端数据库中，则用户进行远程会诊，医生给出用户相应皮肤症状的治疗方案，再推送个性化精准的治疗和管理方案；完成之后，该用户皮肤症状以及相应皮肤症状治疗方案进入云端数据库更新存档，以供远程会诊平台后续计算使用。
在具体实施过程中，步骤S1中所述的多层累积logistic回归数学模型为：
假设结局测量被分为m个类别(m＝1,2,…,M)，其测量值为(yij＝1),(yij＝2)，(yij＝M),且(yij＝1)<(yij＝2)＜…＜(yij＝M)。当πijm表示观察对象被分到m类的概率时，其累计概率函数表示为：
γijm＝P(y＜m)＝πij1+πij2+…+πijm
由于累积logit连接函数为
因此，考虑随机效应后，多层累积logistic回归模型可表达为：
β1j＝γ1+u1j
β2j＝γ2+u2j
…
βkj＝γk+ukj
该模型包含m-1个累计logit，其中β0m为第m个logit的截距；式中，γk表示自变量xx对因变量的平均效应，βk为xx的回归系数，ukj为残差，服从多元正态分布：uj～N(0,Ωu)；此处，i，j分别代表测量值矩阵的行列编号，k代表层级(不同的测量指标)。
在具体实施过程中，步骤S2中所述的数据分析模型包括回归模型、对数线性模型、主成分分析模型以及聚类分析；通过分析将问卷结果归集成几个相关变量，消减数据块，减少数据挖掘时要考虑的特征数，构建个体健康问诊分析决策树模型。
在具体实施过程中，所述的个体健康问诊分析决策树模型生长层数为3-5层；所述生长层数根据归集的相关变量自动设置。
在具体实施过程中，通过个体皮肤病症问诊分析决策树模型，找出个体皮肤出现的相应症状，通过移动终端，基于云端服务器的智能问诊分析平台，自动推送给用户个性化精准的治疗和管理方案。
一种基于智能健康管理平台的皮肤病评估及远程会诊系统，基于所述的方法，其特征在于，至少包括：
生成模块，用于根据大量医疗卫生数据利用大数据挖掘算法及统计分析方法，筛选出相关疾病危险因素，建立多层累积Logistic回归模型，应用该模型分析出的疾病危险因素，生成多维度智能问诊分析问卷；
构建模块，用于通过移动终端在线填写多维度智能问诊分析问卷，结合数据分析模型构建个体皮肤病症问诊分析决策树模型；所述的个体皮肤病症问诊分析决策树模型的自变量为多维度智能问诊分析问卷相关变量，因变量为健康风险危险因素；
推送模块，用于若远程会诊平台的用户所出现的皮肤症状存在于云端数据库中，直接推送个性化精准的治疗和管理方案；若远程会诊平台的用户所出现的皮肤症状不存在于云端数据库中，则用户进行远程会诊，医生给出用户相应皮肤症状的治疗方案，再推送个性化精准的治疗和管理方案；完成之后，该用户皮肤症状以及相应皮肤症状治疗方案进入云端数据库更新存档，以供远程会诊平台后续计算使用。
一种基于智能健康管理平台的皮肤病评估及远程会诊方法及系统，其收集大量医疗卫生数据，利用大数据挖掘算法及统计分析方法，生成出智能皮肤管理问诊问卷；进一步，通过问诊问卷结果，演算皮肤病症问诊分析模型，该模型通过决策树模型机器自学习生成，通过医生远程会诊对用户皮肤症状给出精确个性治疗方案，将后续数据不断纳入其中，并且不断进行模型拟合，通过该模型，系统自动推送皮肤病症治疗和管理方案，解决了传统远程问诊中专家重复问诊常见高频皮肤症状的问题，提高远程会诊的可利用性和效率，同时，此会诊平台基于云端服务器的智能问诊分析评估系统，利用移动智能终端和远程会诊平台，便捷快速，使用价值极高。
相同或相似的标号对应相同或相似的部件；
附图中描述位置关系的用语仅用于示例性说明，不能理解为对本专利的限制；
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。
Claims (6)
1.一种基于智能健康管理平台的皮肤病评估及远程会诊方法，其特征在于，包括以下步骤：
S1：根据大量医疗卫生数据利用大数据挖掘算法及统计分析方法，筛选出相关疾病危险因素，建立多层累积Logistic回归模型，应用该模型分析出的疾病危险因素，生成多维度智能问诊分析问卷；
S2：通过移动终端在线填写多维度智能问诊分析问卷，结合数据分析模型构建个体皮肤病症问诊分析决策树模型；所述的个体皮肤病症问诊分析决策树模型的自变量为多维度智能问诊分析问卷相关变量，因变量为健康风险危险因素；
S3：若云端数据库有相应皮肤症状，直接推送个性化精准的治疗和管理方案；若云端数据库无相应皮肤症状，则进行远程会诊，推送个性化精准的治疗和管理方案，并将会诊数据更新存档到云端数据库供远程会诊平台后续使用。
2.根据权利要求1所述的基于智能健康管理平台的皮肤病评估及远程会诊方法，其特征在于，步骤S1中所述的多层累积logistic回归数学模型为：
假设结局测量被分为m个类别(m＝1,2,…,M)，其测量值为(yij＝1),(yij＝2)，(yij＝M),且(yij＝1)<(yij＝2)＜…＜(yij＝M)。当πijm表示观察对象被分到m类的概率时，其累计概率函数表示为：
γijm＝P(y＜m)＝πij1+πij2+…+πijm
由于累积logit连接函数为
<mrow>
<mi>log</mi>
<mi>i</mi>
<mi>t</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>&gamma;</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
<mi>m</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>log</mi>
<mi>i</mi>
<mi>t</mi>
<mrow>
<mo>(</mo>
<mi>P</mi>
<mo>(</mo>
<msub>
<mi>y</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>&le;</mo>
<mi>m</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>log</mi>
<mrow>
<mo>(</mo>
<mfrac>
<mrow>
<mi>P</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>y</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>&le;</mo>
<mi>m</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mn>1</mn>
<mo>-</mo>
<mi>p</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>y</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>&le;</mo>
<mi>m</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>)</mo>
</mrow>
<mo>,</mo>
<mrow>
<mo>(</mo>
<mi>m</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mn>3</mn>
<mo>,</mo>
<mn>...</mn>
<mo>,</mo>
<mi>M</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
因此，考虑随机效应后，多层累积logistic回归模型可表达为：
<mrow>
<mi>log</mi>
<mi>i</mi>
<mi>t</mi>
<mi>P</mi>
<mrow>
<mo>(</mo>
<mi>y</mi>
<mo>&le;</mo>
<mi>m</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>l</mi>
<mi>o</mi>
<mi>g</mi>
<mrow>
<mo>(</mo>
<mfrac>
<mrow>
<mi>P</mi>
<mrow>
<mo>(</mo>
<mi>y</mi>
<mo>&le;</mo>
<mi>m</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mn>1</mn>
<mo>-</mo>
<mi>p</mi>
<mrow>
<mo>(</mo>
<mi>y</mi>
<mo>&le;</mo>
<mi>m</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msub>
<mi>&beta;</mi>
<mn>0</mn>
</msub>
<mo>+</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
<mi>k</mi>
</munderover>
<msub>
<mi>&beta;</mi>
<mi>k</mi>
</msub>
<msub>
<mi>x</mi>
<mi>x</mi>
</msub>
<mo>+</mo>
<msub>
<mi>u</mi>
<mrow>
<mn>0</mn>
<mi>j</mi>
</mrow>
</msub>
<mo>,</mo>
<mrow>
<mo>(</mo>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mn>3</mn>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<mi>J</mi>
<mo>)</mo>
</mrow>
</mrow>
β1j＝γ1+u1j
β2j＝γ2+u2j
…
βkj＝γk+ukj
该模型包含m-1个累计logit，其中β0m为第m个logit的截距；式中，γk表示自变量xx对因变量的平均效应，βk为xx的回归系数，ukj为残差，服从多元正态分布：uj～N(0,Ωu)；此处，i，j分别代表测量值矩阵的行列编号，k代表层级。
3.根据权利要求1所述的基于智能健康管理平台的皮肤病评估及远程会诊方法，其特征在于，步骤S2中所述的数据分析模型包括回归模型、对数线性模型、主成分分析模型以及聚类分析；通过分析将问卷结果归集成几个相关变量，消减数据块，减少数据挖掘时要考虑的特征数，构建个体健康问诊分析决策树模型。
4.根据权利要求1所述的基于智能健康管理平台的皮肤病评估及远程会诊方法，其特征在于，所述的个体健康问诊分析决策树模型生长层数为3-5层；所述生长层数根据归集的相关变量自动设置。
5.根据权利要求1所述的基于智能健康管理平台的皮肤病评估及远程会诊方法，其特征在于，通过个体皮肤病症问诊分析决策树模型，找出个体皮肤出现的相应症状，通过移动终端，基于云端服务器的智能问诊分析平台，自动推送给用户个性化精准的治疗和管理方案。
6.一种基于智能健康管理平台的皮肤病评估及远程会诊系统，基于权利要求1所述的方法，其特征在于，至少包括：
生成模块，用于根据大量医疗卫生数据利用大数据挖掘算法及统计分析方法，筛选出相关疾病危险因素，建立多层累积Logistic回归模型，应用该模型分析出的疾病危险因素，生成多维度智能问诊分析问卷；
构建模块，用于通过移动终端在线填写多维度智能问诊分析问卷，结合数据分析模型构建个体皮肤病症问诊分析决策树模型；所述的个体皮肤病症问诊分析决策树模型的自变量为多维度智能问诊分析问卷相关变量，因变量为健康风险危险因素；
推送模块，用于若云端数据库有相应皮肤症状，直接推送个性化精准的治疗和管理方案；若云端数据库无相应皮肤症状，则进行远程会诊，推送个性化精准的治疗和管理方案，并将会诊数据更新存档到云端数据库供远程会诊平台后续使用。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710801131.3A CN107622796A (zh) | 2017-09-07 | 2017-09-07 | 基于健康管理平台的皮肤病评估及远程会诊方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710801131.3A CN107622796A (zh) | 2017-09-07 | 2017-09-07 | 基于健康管理平台的皮肤病评估及远程会诊方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107622796A true CN107622796A (zh) | 2018-01-23 |
Family
ID=61089342
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710801131.3A Pending CN107622796A (zh) | 2017-09-07 | 2017-09-07 | 基于健康管理平台的皮肤病评估及远程会诊方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107622796A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113257423A (zh) * | 2021-06-28 | 2021-08-13 | 天津慧医谷科技有限公司 | 健康检测系统、方法及电子设备 |
| CN113257391A (zh) * | 2021-06-02 | 2021-08-13 | 杭州咏柳科技有限公司 | 一种皮肤病的病程管理系统 |
| CN113506601A (zh) * | 2021-07-13 | 2021-10-15 | 北京美医医学技术研究院有限公司 | 一种基于大数据的皮肤耐受性分析系统 |
| CN113707344A (zh) * | 2021-08-30 | 2021-11-26 | 平安国际智慧城市科技股份有限公司 | 基于ai的患者康复跟踪方法、装置、服务器及介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103136716A (zh) * | 2013-02-05 | 2013-06-05 | 深圳市元征软件开发有限公司 | 一种通过网络实现中医远程诊断的系统及方法 |
| WO2016060364A1 (ko) * | 2014-10-16 | 2016-04-21 | (주)이투오피에스 | 동적시스템에 적용할 수 있는 휴먼요인의 트리비트리거 데이터를 이용한 빅데이터 구축 방법과 빅데이터의 활용방법 |
| CN106897566A (zh) * | 2017-02-28 | 2017-06-27 | 北京积水潭医院 | 一种风险预估模型的构建方法及装置 |
-
2017
- 2017-09-07 CN CN201710801131.3A patent/CN107622796A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103136716A (zh) * | 2013-02-05 | 2013-06-05 | 深圳市元征软件开发有限公司 | 一种通过网络实现中医远程诊断的系统及方法 |
| WO2016060364A1 (ko) * | 2014-10-16 | 2016-04-21 | (주)이투오피에스 | 동적시스템에 적용할 수 있는 휴먼요인의 트리비트리거 데이터를 이용한 빅데이터 구축 방법과 빅데이터의 활용방법 |
| CN106897566A (zh) * | 2017-02-28 | 2017-06-27 | 北京积水潭医院 | 一种风险预估模型的构建方法及装置 |
Non-Patent Citations (3)
| Title |
|---|
| 柳青: "《中华医学统计百科全书 多元统计分册》", 30 June 2013, 中国统计出版社 * |
| 穆勒 等: "《耳鸣》", 31 July 2015, 上海科学技术出版社 * |
| 郭仲琪 等: "基于贝叶斯估计的累积logistic回归与多层累积logistic回归模型比较", 《数理医药学杂志》 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113257391A (zh) * | 2021-06-02 | 2021-08-13 | 杭州咏柳科技有限公司 | 一种皮肤病的病程管理系统 |
| CN113257391B (zh) * | 2021-06-02 | 2021-11-30 | 杭州咏柳科技有限公司 | 一种皮肤病的病程管理系统 |
| CN113257423A (zh) * | 2021-06-28 | 2021-08-13 | 天津慧医谷科技有限公司 | 健康检测系统、方法及电子设备 |
| CN113506601A (zh) * | 2021-07-13 | 2021-10-15 | 北京美医医学技术研究院有限公司 | 一种基于大数据的皮肤耐受性分析系统 |
| CN113506601B (zh) * | 2021-07-13 | 2024-01-16 | 北京美医医学技术研究院有限公司 | 一种基于大数据的皮肤耐受性分析系统 |
| CN113707344A (zh) * | 2021-08-30 | 2021-11-26 | 平安国际智慧城市科技股份有限公司 | 基于ai的患者康复跟踪方法、装置、服务器及介质 |
| CN113707344B (zh) * | 2021-08-30 | 2023-07-21 | 深圳平安智慧医健科技有限公司 | 基于ai的患者康复跟踪方法、装置、服务器及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US8015136B1 (en) | Algorithmic method for generating a medical utilization profile for a patient and to be used for medical risk analysis decisioning | |
| CN107622796A (zh) | 基于健康管理平台的皮肤病评估及远程会诊方法及系统 | |
| US11152119B2 (en) | Care path analysis and management platform | |
| ȚĂRANU | Data mining in healthcare: decision making and precision. | |
| CN110111886A (zh) | 一种基于XGBoost疾病预测的智能问诊系统及方法 | |
| DE112021000189T5 (de) | Mikrodienst-Aufspaltungsstrategie von monolithischen Anwendungen | |
| Khademolqorani et al. | An adjusted decision support system through data mining and multiple criteria decision making | |
| Yeow et al. | An application of case-based reasoning with machine learning for forensic autopsy | |
| CN110929752B (zh) | 基于知识驱动和数据驱动的分群方法及相关设备 | |
| Combes et al. | Using a KDD process to forecast the duration of surgery | |
| CN105303059B (zh) | 一种基于智能移动设备和智能大数据分析的远程诊疗系统 | |
| Han | Discriminating risky software project using neural networks | |
| Biswas et al. | Hybrid expert system using case based reasoning and neural network for classification | |
| Jiang et al. | Petabyte-scale multi-morphometry of single neurons for whole brains | |
| CN117238437A (zh) | 基于知识图谱的病情诊断辅助方法及系统 | |
| Buldakova et al. | Multi-agent architecture for medical diagnostic systems | |
| CN117316409A (zh) | 一种基于大数据的医院信息管理方法及系统 | |
| CN107610741A (zh) | 一种基于移动终端的智能健康管理的问诊分析方法及系统 | |
| CN109994171B (zh) | 一种用于临床路径对比的流形可视化方法及系统 | |
| Muro et al. | Experience-based electronic health records | |
| Dadyan et al. | Neural Networks and Forecasting COVID-19 | |
| Permanasari et al. | A web-based decision support system of patient time prediction using iterative dichotomiser 3 algorithm | |
| binti Omar et al. | Personalized clinical pathway for heart failure management | |
| Bansal et al. | Interpreting the Predictions of Deep Network Build to Identify Early Detection of COVID-19 in X-Ray Images | |
| Маланчук et al. | Architecture of an intelligent information system for forecasting components of medical projects |
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: 20180123 |