CN109215777A - 中医文献智能挖掘与组方辅助决策方法及系统 - Google Patents
中医文献智能挖掘与组方辅助决策方法及系统 Download PDFInfo
- Publication number
- CN109215777A CN109215777A CN201810876403.0A CN201810876403A CN109215777A CN 109215777 A CN109215777 A CN 109215777A CN 201810876403 A CN201810876403 A CN 201810876403A CN 109215777 A CN109215777 A CN 109215777A
- Authority
- CN
- China
- Prior art keywords
- symptom
- prescription
- drug
- plus
- subtraction
- 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
- 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
-
- 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
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明提供一种中医文献智能挖掘与组方辅助决策方法及系统,涉及数据挖掘、机器学习、中医诊断辅助信息技术领域。本发明基于历史经典中医文献,以及现有的真实病案,实现依据病患症状与诊断证候,进行自动化开出方药的功能。智能组方的流程与实际中医组方的流程一致,采用经典方加减的方式进行开方,分为加减症状确定模块、加减药物确定模块与成方判定模块,从而为医生开方提供新思路,且该系统可为医生进行辅助决策,减短医生就诊时间,使得医生能够为更多病患就诊。
Description
技术领域
本发明涉及中医诊疗辅助信息技术领域,具体涉及一种中医文献智能挖掘与组方辅助决策方法及系统。
背景技术
在中医学中,方剂作为中医的重要治疗手段,这些方剂在不断的临床实验中检验和修正,形成了数不清的各种方剂。则从这些方剂中提取出有用的信息,进而根据这些信息组建出新的方剂,这不仅是对中医的传承与发扬,同时也对现代中医起到了辅佐的作用。然而处理这样杂乱无章的高维数据对人来说是非常困难的,故需要将中医学与数据挖掘技术结合起来,通过计算机来处理大量方剂数据相较人来处理大量数据要方便也要简单得多。
鉴于上述,本设计人,积极加以研究创新,以期创设一种中医文献智能挖掘与组方辅助决策方法及系统,使其更具有产业上的利用价值。
发明内容
为解决上述技术问题,本发明的目的是提供一种基于病患症状,通过数据挖掘手段,对中医组方进行辅助决策的中医文献智能挖掘与组方辅助决策方法及系统。
本发明中医文献智能挖掘与组方辅助决策方法,包括:
S1依据病患症状与诊断所得证候进行对比,获得加减症状信息并发送至加减药物确定模块;
S2对加减症状信息进行处理,结合算法得到相应的加减药物信息,将加减药物信息发送至成方判定模块;
S3对加减药物信息进行处理,生成相应的加减方,结合算法判断生成的加减方是否满足成方配伍规律,得到最终开方结果;
S4将加减方、加减方生成原因以表格形式展示出来。
进一步地,所述S1包括:
S11、依据病患症状与诊断证候,确定病患症状集合不在诊断证候对应症状集合中的症状部分,作为加症状集合;
S12、依据病患症状与诊断证候,确定诊断证候对应症状集合不在病患症状集合中的症状部分,作为减症状集合。
进一步地,所述S2包括:
S21、依据数据挖掘方法构建症状-药物关系模型;
S22、依据加症状集合确定经典方需要增加的药物;
S23、依据减症状集合确定经典方需要减少的药物;
S24、依据需要增加的药物与需要减少的药物,生成成方。
进一步地,所述S3包括:
S31、依据机器学习方法构建成方判定模型;
S32、将生成的成方代入模型进行判定,确定方剂是否满足配伍规律;
S33、满足配伍规律的方剂即可最为最终的组方结果。
进一步地,所述S4中,生成加减方分为经典方部分与加药部分,经典方部分为红色字体,加药部分为黑的字体;加减方生成原因分为经典方来源部分、加药原因部分与减药原因部分,分别分行展示。
本发明中医文献智能挖掘与组方辅助决策系统,包括:
加减症状确定模块,用于依据病患症状与诊断所得证候进行对比,获得加减症状信息并发送至加减药物确定模块;
加减药物确定模块,用于对加减症状信息进行处理,结合算法得到相应的加减药物信息,将加减药物信息发送至成方判定模块;
成方判定模块,用于对加减药物信息进行处理,生成相应的加减方,结合算法判断生成的加减方是否满足成方配伍规律,得到最终开方结果;
展示单元,用于展示加减方、加减方生成原因,所述加减方分为经典方部分与加药部分,经典方部分为红色字体,加药部分为黑的字体;加减方生成原因分为经典方来源部分、加药原因部分与减药原因部分,分别分行展示。
进一步地,组方辅助决策智能系统构建,包括如下步骤:
根据经典中医文献和实际临床案定义数据知识库逻辑架构;
通过人工录入与网页爬虫提取知识数据;
依据提取的知识数据构建相关知识库;
利用数理统计方法确定症状加减模型,并通过知识库数据进行测试,从而确定阈值;
利用数据挖掘方法确定加药、减药模型,并通过知识库数据进行测试,从而确定阈值;
利用机器学习方法确定成方判定模型,通过知识库数据训练并进行测试,从而调整参数;
依据成方判定结果确定最终生成方剂,从而完成一种中医文献挖掘与组方辅助决策智能系统的构建。
进一步地,所述加减药物确定模块包括:
加症状单元,用于依据病患症状与诊断证候,确定病患症状集合不在诊断证候对应症状集合中的症状部分,作为加症状集合;
减症状单元,用于依据病患症状与诊断证候,确定诊断证候对应症状集合不在病患症状集合中的症状部分,作为减症状集合。
进一步地,所述确定加药、减药模型包括:
关系单元,用于依据数据挖掘方法构建症状-药物关系模型;
增药单元,用于依据加症状集合确定经典方需要增加的药物;
减药单元,用于依据减症状集合确定经典方需要减少的药物;
成方单元,用于依据需要增加的药物与需要减少的药物,生成成方。
进一步地,所述成方判定模块包括:
判定模型单元,用于依据机器学习方法构建成方判定模型;
规律判定单元,用于将生成的成方代入模型进行判定,确定方剂是否满足配伍规律;
结果输出单元,用于满足配伍规律的方剂即可最为最终的组方结果。
借由上述方案,本发明中医文献智能挖掘与组方辅助决策方法及系统,至少具有以下优点:
通过构建一种中医文献挖掘与组方辅助决策智能系统,确定了加减症状确定模块、加减药物确定模块与成方判定模块的模型建立,得到最终的组方结果。本发明解决现有中医诊疗系统内的组方功能的问题,为医生拓宽思路,辅助年轻医生进行诊疗,有助于快速准确的治疗,并节约了医生在计算机上录入药方的部分时间,从而使得更多的病患能够看上病。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,并可依照说明书的内容予以实施,以下以本发明的较佳实施例并配合附图详细说明如后。
附图说明
图1是本发明的系统流程图;
图2是本发明的组方生成具体流程图;
图3是本发明的组方辅助决策智能系统架构图;
图4是本发明系统的效果原型图。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明,但不用来限制本发明的范围。
实施例1
如图1至4所示,本实施例中医文献智能挖掘与组方辅助决策方法,包括:
S1依据病患症状与诊断所得证候进行对比,获得加减症状信息并发送至加减药物确定模块;
S2对加减症状信息进行处理,结合算法得到相应的加减药物信息,将加减药物信息发送至成方判定模块;
S3对加减药物信息进行处理,生成相应的加减方,结合算法判断生成的加减方是否满足成方配伍规律,得到最终开方结果;
S4将加减方、加减方生成原因以表格形式展示出来。
本实施中S1是指将病患的症状与辨证结果进行对比分析,判断病患的症状是否均存在与辨证结果中,若存在未在辨证结果中包含的症状,认为其为加症状,则用药时需加入治疗该症状的药物,若存在未出现在辨证结果中的症状,认为起为减症状,则用药时需取出治疗该症状的药物。
S1包括如下步骤:
S11、依据病患症状与诊断证候,确定病患症状集合不在诊断证候对应症状集合中的症状部分,作为加症状集合;
S12、依据病患症状与诊断证候,确定诊断证候对应症状集合不在病患症状集合中的症状部分,作为减症状集合。
本实施中S2是指依据已判定的加减症状,根据症状-药物关系,加入或取出相应的药物的过程,如有加症状,则需要加入对应药物,如有减症状,则需要取出对应药物。
S2包括如下步骤:
S21、依据数据挖掘方法构建症状-药物关系模型;
S22、依据加症状集合确定经典方需要增加的药物;
S23、依据减症状集合确定经典方需要减少的药物;
S24、依据需要增加的药物与需要减少的药物,生成成方。
本实施中S3是指从加减方剂整体判断该方是否符合配伍规律,如是否满足“七情和合”、“十八反十九畏”原则等。
S3包括如下步骤:
S31、依据机器学习方法构建成方判定模型;
S32、将生成的成方代入模型进行判定,确定方剂是否满足配伍规律;
S33、满足配伍规律的方剂即可最为最终的组方结果。
本实施例中S4具体地,一个为加减方展示,另一个为加减方生成原因展示。生成加减方分为经典方部分与加药部分,经典方部分为红色字体,加药部分为黑的字体。加减方生成原因展示,加减方生成原因分为经典方来源部分、加药原因部分与减药原因部分,分别分行展示。
实施例2
如图1至图4所示,本实施例中医文献智能挖掘与组方辅助决策系统,依赖于中医药机器学习,包括位于后端服务器的数据库和设在前端计算机上的组方辅助决策在线\离线应用。
所述数据库中按照一定的数据存储结构存储有经典中医文献数据、实际临床病案、国标证候数据、经典方剂数据以及上述知识元间相互关联关系的数据链;
所述组方辅助决策在线\离线应用通过病患实际数据、组方模型,得出融合了包含但不限于加减方生成展示、加减方生成原因展示的结果。
中医文献挖掘与组方辅助决策智能系统的构建过程具体如图1和图2所示,组方辅助决策智能系统具有加减症状确定模块、加减药物确定模块与成方判定模块,加减症状确定模块依据病患实际症状与证候对比得到加减症状信息,加减药物确定模块依据加减症状信息对经典方进行加减,成方判定模块依据生成的加减方信息进行判定是否符合配伍规律,最后通过可视化输出模块可视化决策。
具体的,在上述的一种中医文献挖掘与组方辅助决策智能系统,所述组方辅助决策智能系统构建,包括如下步骤:
S1、根据经典中医文献和实际临床病案定义数据知识库逻辑架构;
S2、通过人工录入与网页爬虫提取知识数据;
S3、依据提取的知识数据构建相关知识库;
S4、利用数理统计方法确定症状加减模型,并通过知识库数据进行测试,从而确定阈值;
S5、利用数据挖掘方法确定加药、减药模型,并通过知识库数据进行测试,从而确定阈值;
S6、利用机器学习方法确定成方判定模型,通过知识库数据训练并进行测试,从而调整参数;
S7、依据成方判定结果确定最终生成方剂,从而完成一种中医文献挖掘与组方辅助决策智能系统的构建。
具体的,在上述的加减症状确定模块,是指将病患的症状与辨证结果进行对比分析,判断病患的症状是否均存在与辨证结果中,若存在未在辨证结果中包含的症状,认为其为加症状,则用药时需加入治疗该症状的药物,若存在未出现在辨证结果中的症状,认为起为减症状,则用药时需取出治疗该症状的药物。
具体的,所述加减药物确定模块包括:
加症状单元,用于依据病患症状与诊断证候,确定病患症状集合不在诊断证候对应症状集合中的症状部分,作为加症状集合;
减症状单元,用于依据病患症状与诊断证候,确定诊断证候对应症状集合不在病患症状集合中的症状部分,作为减症状集合。
具体的,在上述的加减药物确定模块,是指依据已判定的加减症状,根据症状-药物关系,加入或取出相应的药物的过程,如有加症状,则需要加入对应药物,如有减症状,则需要取出对应药物。
具体的,所述确定加药、减药模型包括:
关系单元,用于依据数据挖掘方法构建症状-药物关系模型;
增药单元,用于依据加症状集合确定经典方需要增加的药物;
减药单元,用于依据减症状集合确定经典方需要减少的药物;
成方单元,用于依据需要增加的药物与需要减少的药物,生成成方。
具体的,在上述的成方判定模块,是指从加减方剂整体判断该方是否符合配伍规律,如是否满足“七情和合”、“十八反十九畏”原则等。
具体的,所述成方判定模块包括:
判定模型单元,用于依据机器学习方法构建成方判定模型;
规律判定单元,用于将生成的成方代入模型进行判定,确定方剂是否满足配伍规律;
结果输出单元,用于满足配伍规律的方剂即可最为最终的组方结果。
具体的,在上述的一种中医文献挖掘与组方辅助决策智能系统,其展示形式分为两个单元,一个为加减方展示单元,另一个为加减方生成原因展示单元。
具体的,在上述的加减方展示单元,生成加减方分为经典方部分与加药部分,经典方部分为红色字体,加药部分为黑的字体。
具体的,在上述的加减方生成原因展示单元,加减方生成原因分为经典方来源部分、加药原因部分与减药原因部分,分别分行展示。表1证候与经典方关系库表
表2症状-药物关系结果表
表3成方判定结果表
表4加减方生成表
表5加减方生成原因表
以上所述仅是本发明的优选实施方式,并不用于限制本发明,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变型,这些改进和变型也应视为本发明的保护范围。
Claims (10)
1.一种中医文献智能挖掘与组方辅助决策方法,其特征在于,包括:
S1依据病患症状与诊断所得证候进行对比,获得加减症状信息并发送至加减药物确定模块;
S2对加减症状信息进行处理,结合算法得到相应的加减药物信息,将加减药物信息发送至成方判定模块;
S3对加减药物信息进行处理,生成相应的加减方,结合算法判断生成的加减方是否满足成方配伍规律,得到最终开方结果;
S4将加减方、加减方生成原因以表格形式展示出来。
2.根据权利要求1所述的中医文献智能挖掘与组方辅助决策方法,其特征在于,所述S1包括:
S11、依据病患症状与诊断证候,确定病患症状集合不在诊断证候对应症状集合中的症状部分,作为加症状集合;
S12、依据病患症状与诊断证候,确定诊断证候对应症状集合不在病患症状集合中的症状部分,作为减症状集合。
3.根据权利要求1所述的中医文献智能挖掘与组方辅助决策方法,其特征在于,所述S2包括:
S21、依据数据挖掘方法构建症状-药物关系模型;
S22、依据加症状集合确定经典方需要增加的药物;
S23、依据减症状集合确定经典方需要减少的药物;
S24、依据需要增加的药物与需要减少的药物,生成成方。
4.根据权利要求1所述的中医文献智能挖掘与组方辅助决策方法,其特征在于,所述S3包括:
S31、依据机器学习方法构建成方判定模型;
S32、将生成的成方代入模型进行判定,确定方剂是否满足配伍规律;
S33、满足配伍规律的方剂即可最为最终的组方结果。
5.根据权利要求1所述的中医文献智能挖掘与组方辅助决策方法,其特征在于,所述S4中,生成加减方分为经典方部分与加药部分,经典方部分为红色字体,加药部分为黑的字体;加减方生成原因分为经典方来源部分、加药原因部分与减药原因部分,分别分行展示。
6.一种中医文献智能挖掘与组方辅助决策系统,其特征在于,包括:
加减症状确定模块,用于依据病患症状与诊断所得证候进行对比,获得加减症状信息并发送至加减药物确定模块;
加减药物确定模块,用于对加减症状信息进行处理,结合算法得到相应的加减药物信息,将加减药物信息发送至成方判定模块;
成方判定模块,用于对加减药物信息进行处理,生成相应的加减方,结合算法判断生成的加减方是否满足成方配伍规律,得到最终开方结果;
展示单元,用于展示加减方、加减方生成原因,所述加减方分为经典方部分与加药部分,经典方部分为红色字体,加药部分为黑的字体;加减方生成原因分为经典方来源部分、加药原因部分与减药原因部分,分别分行展示。
7.根据权利要求6所述的中医文献智能挖掘与组方辅助决策系统,其特征在于,组方辅助决策智能系统构建,包括如下步骤:
根据经典中医文献和实际临床案定义数据知识库逻辑架构;
通过人工录入与网页爬虫提取知识数据;
依据提取的知识数据构建相关知识库;
利用数理统计方法确定症状加减模型,并通过知识库数据进行测试,从而确定阈值;
利用数据挖掘方法确定加药、减药模型,并通过知识库数据进行测试,从而确定阈值;
利用机器学习方法确定成方判定模型,通过知识库数据训练并进行测试,从而调整参数;
依据成方判定结果确定最终生成方剂,从而完成一种中医文献挖掘与组方辅助决策智能系统的构建。
8.根据权利要求6所述的中医文献智能挖掘与组方辅助决策系统,其特征在于,所述加减药物确定模块包括:
加症状单元,用于依据病患症状与诊断证候,确定病患症状集合不在诊断证候对应症状集合中的症状部分,作为加症状集合;
减症状单元,用于依据病患症状与诊断证候,确定诊断证候对应症状集合不在病患症状集合中的症状部分,作为减症状集合。
9.根据权利要求6所述的中医文献智能挖掘与组方辅助决策系统,其特征在于,所述确定加药、减药模型包括:
关系单元,用于依据数据挖掘方法构建症状-药物关系模型;
增药单元,用于依据加症状集合确定经典方需要增加的药物;
减药单元,用于依据减症状集合确定经典方需要减少的药物;
成方单元,用于依据需要增加的药物与需要减少的药物,生成成方。
10.根据权利要求6所述的中医文献智能挖掘与组方辅助决策系统,其特征在于,所述成方判定模块包括:
判定模型单元,用于依据机器学习方法构建成方判定模型;
规律判定单元,用于将生成的成方代入模型进行判定,确定方剂是否满足配伍规律;
结果输出单元,用于满足配伍规律的方剂即可最为最终的组方结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810876403.0A CN109215777A (zh) | 2018-08-03 | 2018-08-03 | 中医文献智能挖掘与组方辅助决策方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810876403.0A CN109215777A (zh) | 2018-08-03 | 2018-08-03 | 中医文献智能挖掘与组方辅助决策方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109215777A true CN109215777A (zh) | 2019-01-15 |
Family
ID=64988043
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810876403.0A Pending CN109215777A (zh) | 2018-08-03 | 2018-08-03 | 中医文献智能挖掘与组方辅助决策方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109215777A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109887604A (zh) * | 2019-02-26 | 2019-06-14 | 上海中医药大学 | 一种中医病名相似度的量化判定系统 |
CN110544538A (zh) * | 2019-08-23 | 2019-12-06 | 上海中医药大学 | 一种中医概念的五脏归属判定系统 |
CN111477295A (zh) * | 2020-04-10 | 2020-07-31 | 电子科技大学 | 一种基于隐语义模型的中医组方推荐方法及系统 |
CN111599487A (zh) * | 2020-05-12 | 2020-08-28 | 成都睿明医疗信息技术有限公司 | 一种基于关联分析的中药配伍辅助决策方法 |
CN111986782A (zh) * | 2020-07-15 | 2020-11-24 | 中国中医科学院中医药信息研究所 | 一种集成多平台的中医诊疗系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106919671A (zh) * | 2017-02-20 | 2017-07-04 | 广东省中医院 | 一种中医文本病案挖掘与辅助决策智能系统 |
CN107729714A (zh) * | 2017-10-26 | 2018-02-23 | 河南省中医药研究院附属医院 | 一种中药组方设计及疗效评价数学模型构建方法 |
-
2018
- 2018-08-03 CN CN201810876403.0A patent/CN109215777A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106919671A (zh) * | 2017-02-20 | 2017-07-04 | 广东省中医院 | 一种中医文本病案挖掘与辅助决策智能系统 |
CN107729714A (zh) * | 2017-10-26 | 2018-02-23 | 河南省中医药研究院附属医院 | 一种中药组方设计及疗效评价数学模型构建方法 |
Non-Patent Citations (1)
Title |
---|
程甜甜: "面向慢性肾小球肾炎的中医组方辅助决策的研究", 《HTTP://WWW.DOC88.COM/P-2045050728909.HTML》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109887604A (zh) * | 2019-02-26 | 2019-06-14 | 上海中医药大学 | 一种中医病名相似度的量化判定系统 |
CN110544538A (zh) * | 2019-08-23 | 2019-12-06 | 上海中医药大学 | 一种中医概念的五脏归属判定系统 |
CN110544538B (zh) * | 2019-08-23 | 2022-02-18 | 上海中医药大学 | 一种中医概念的五脏归属判定系统 |
CN111477295A (zh) * | 2020-04-10 | 2020-07-31 | 电子科技大学 | 一种基于隐语义模型的中医组方推荐方法及系统 |
CN111477295B (zh) * | 2020-04-10 | 2022-06-03 | 电子科技大学 | 一种基于隐语义模型的中医组方推荐方法及系统 |
CN111599487A (zh) * | 2020-05-12 | 2020-08-28 | 成都睿明医疗信息技术有限公司 | 一种基于关联分析的中药配伍辅助决策方法 |
CN111986782A (zh) * | 2020-07-15 | 2020-11-24 | 中国中医科学院中医药信息研究所 | 一种集成多平台的中医诊疗系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109215777A (zh) | 中医文献智能挖掘与组方辅助决策方法及系统 | |
CN107016438B (zh) | 一种基于中医辨证人工神经网络算法模型的系统 | |
Chu et al. | Quantitative knowledge presentation models of traditional Chinese medicine (TCM): A review | |
CN106897568A (zh) | 病历结构化的处理方法和装置 | |
Kunjir et al. | Data mining and visualization for prediction of multiple diseases in healthcare | |
CN109325131A (zh) | 一种基于生物医学知识图谱推理的药物识别方法 | |
Kalogeropoulos et al. | Towards knowledge-based systems in clinical practice:: Development of an integrated clinical information and knowledge management support system | |
Klales et al. | Statistical approaches to sex estimation | |
Kadhim | FNDSB: A fuzzy-neuro decision support system for back pain diagnosis | |
KR101295785B1 (ko) | 유전변이 데이터 베이스 구축 장치 및 방법 | |
CN116910172A (zh) | 基于人工智能的随访量表生成方法及系统 | |
Tiwari et al. | Effective analysis of lung infection using fuzzy rules | |
CN110310745A (zh) | 医疗指南和数据驱动相结合的治疗方案推荐系统 | |
CN113488187B (zh) | 一种麻醉意外案例收集分析方法及系统 | |
CN114880429A (zh) | 基于实体关系映射的医学成果推荐方法及系统 | |
Ye et al. | Study on intelligent syndrome differentiation neural network model of stomachache in traditional Chinese medicine based on the real world | |
Pratama et al. | A dempster-shafer approach to an expert system design in diagnosis of febrile disease | |
Song et al. | Study on the numerical value and the distance of symptoms on the Medical Decision Support System | |
CN117690549B (zh) | 一种基于相似患者匹配的中医个体化智能方药推荐系统 | |
Citarella et al. | Gene Ontology Terms Visualization with Dynamic Distance-Graph and Similarity Measures (S). | |
CN111048192B (zh) | 一种基于移动终端的用于医联体内的产学研管理方法 | |
Tallón-Ballesteros | Causal Reasoning Model Based on 澳 Medical Knowledge Graph for Disease Diagnosis | |
Yang et al. | MCD-LightGBM System for Intelligent Analyzing Heterogeneous Clinical Drug Therapeutic Effects | |
Liu | Topics in Nonparametric Machine Learning: Subgroup Analysis and Deep Neural Networks Regression | |
Miranda et al. | Deep Learning for Multi-Label ICD-9 Classification of Hospital Discharge Summaries |
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 |
Application publication date: 20190115 |
|
RJ01 | Rejection of invention patent application after publication |