CN109326350A - 脑梗死临床诊疗系统 - Google Patents
脑梗死临床诊疗系统 Download PDFInfo
- Publication number
- CN109326350A CN109326350A CN201811113710.XA CN201811113710A CN109326350A CN 109326350 A CN109326350 A CN 109326350A CN 201811113710 A CN201811113710 A CN 201811113710A CN 109326350 A CN109326350 A CN 109326350A
- Authority
- CN
- China
- Prior art keywords
- information
- diagnosis
- module
- cerebral infarction
- machine learning
- 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)
- Public Health (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
一种脑梗死临床诊疗系统,包括知识库,所述知识库存储病案信息,所述病案信息包括四诊信息、症状信息、证型信息,还包括机器学习模块,所述机器学习模块用于以知识库存储的病案信息为训练样本,以四诊信息或症状信息为输入变量,证型信息为输出变量进行学习训练;还包括录入模块,所述录入模块用于接收输入的新的病案信息,将新的病案信息存入知识库,还包括查询诊断模块,所述查询诊断模块用于接收四诊信息、症状信息或证型信息的输入,还用于将接收到的四诊信息、症状信息发送给训练好的机器学习模块,并将机器学习模块输出的证型信息作为结果输出。能够根据已知的经验规则辅助中医学诊断的脑梗死恢复期临床诊断。
Description
技术领域
本发明涉及中医学诊疗系统设计领域,尤其涉及一种结合了机器学习方法的临床辅助诊疗中风的应用级系统。
背景技术
目前,随着人口老龄化的趋势,人们对于中老年病也越来越重视,如何防范及快速诊断、治疗一些常见中老年病成为研究热点。脑梗死中医称之为中风,又称脑卒中,大多数情况发病于中老年人,有着发病率高,致残率高、病死率高的“三高”特点,根据《中国居民营养与慢性病状况报告(2015年)》介绍,2012年中国居民心脑血管疾病死亡率为271.8/10万,位居疾病致死原因的第一位,其中仅脑梗死死亡率就达140.3/10万[1]。脑梗死疾病严重威胁着人类健康与生活,如何预防及治疗脑梗死成为重要研究内容。
2016年国家卫生计生委、国家中医药管理局联合发布了《脑卒中综合防治工作方案》,工作方案中要求对脑卒中疾病坚持预防为主、防治结合、中西医并重,并开展中医特色健康管理,中医的治未病优势,能够帮助脑梗死防治研究,形成脑梗死中医健康干预方案在医疗机构推广实施。而基于脑梗死临床路径系统的中医知识库的构建,将有助于临床医生在决策中提供合理可靠的专家建议,探讨更佳治疗方案。
本研究课题来源于福建省科技厅重点课题项目《基于数据挖掘的脑血管疾病(CVD)临床路径建模及CVD危险因素防控、诊疗、康复数据库的构建研究》(项目编号:2014H0021),课题组自主研发设计的脑梗死恢复期临床路径系统平台以福建中医药大学附属康复医院脑病科医生工作平台为基础,通过设计中医证型诊断预测管理系统模块嵌入到临床路径系统帮助脑病科医生工作,并利用福建中医药大学附属康复医院脑病科的病案数据与收集的诊疗知识及收集大量病案数据与中医专家诊疗经验,建立脑梗死中医知识库。
发明内容
为此,需要提供一种能够根据已知的经验规则辅助中医诊断的脑梗死恢复期临床诊断系统。
为实现上述目的,发明人提供了一种脑梗死临床诊疗系统,包括知识库,所述知识库存储病案信息,所述病案信息包括四诊信息、症状信息、证型信息,还包括机器学习模块,所述机器学习模块用于以知识库存储的病案信息为训练样本,以四诊信息或症状信息为输入变量,证型信息为输出变量进行学习训练;
还包括录入模块,所述录入模块用于接收输入的新的病案信息,将新的病案信息存入知识库。
还包括查询诊断模块,所述查询诊断模块用于接收四诊信息、症状信息或证型信息的输入,还用于将接收到的四诊信息、症状信息发送给训练好的机器学习模块,并将机器学习模块输出的证型信息作为结果输出。
进一步地,还包括字段匹配模块,所述字段匹配模块用于将输入的四诊信息转化成最接近的标准化字段,再进行存储。
优选地,所述病案信息还包括处方信息,所述机器学习模块还用于将处方信息作为输出变量进行学习训练。
可选地,所述病案信息还包括身份信息、性别信息。
具体地,所述治疗信息还包括处方信息、药物信息,
具体地,所述机器学习模块应用算法为监督学习算法,具体包括BN、SVM、KNN、CBR机器学习算法。
具体地,所述机器学习模块采用的判别函数为多项式判别函数:
其中sv为数据样本,αi≥0为Lagrange乘子,b为分类阈值,(xi,yi)为两类线性可分的样本集合:q为多项式的阶数。
具体地,所述机器学习模块采用的判别函数为高斯径向基判别函数,
其中sv为数据样本,σ为高斯分布的宽度,q为多项式的阶数,αi≥0为Lagrange乘子,b为分类阈值,(xi,yi)为两类线性可分的样本集合,g为最优模型核函数。
进一步地,所述机器学习模块采用的判别函数为线性判别函数:
其中sv为数据样本,αi≥0为Lagrange乘子,b为分类阈值,(xi,yi)为两类线性可分的样本集合。
区别于现有技术,上述技术方案通过设计脑梗死临床诊疗系统,能够满足随时录入数据样本,进行脑梗死有关病例的存储,还能够不断进行学习数据样本中症状与最终诊断结果、处方之间的关联关系,从而在医师进行相应的查询时也能够获得优选的诊疗方案,达到辅助医师进行诊疗的效果
附图说明
图1为具体实施方式所述的脑梗死临床诊疗系统模块图;
图2为具体实施方式所述的脑梗死恢复期;
图3为具体实施方式所述的四诊信息采集示意图;
图4为具体实施方式所述的病案信息录入示意图;
图5为具体实施方式所述的最优分类线示意图;
图6为具体实施方式所述的支持向量机最优模型图;
图7为具体实施方式所述的支持向量机最优模型图;
图8为具体实施方式所述的多项式核函数最优模型计算结果。
附图标记说明:
10、脑梗死临床诊疗系统
102、机器学习模块;
104、录入模块;
106、查询诊断模块。
具体实施方式
为详细说明技术方案的技术内容、构造特征、所实现目的及效果,以下结合具体实施例并配合附图详予说明。
目前中医药知识库的构建主要采取的方法有五种:基于本体的方法、基于神经网络的方法、基于数据库的方法、基于神经网络的方法与基于叙词表的方法,基于本体方法的知识库构建是目前应用比较广泛的中医药知识库构建方法,其对中医药知识体系成功的构建与获取方法便于对已有的知识进行挖掘利用,另外基于数据库的方法将数据库相关知识存储和管理,可应用于诊断系统,方便知识库的知识管理,降低知识库系统开发难度及操作能力要求,鉴于以上两种构建方法的特点,本临床系统知识库拟选取本体方法与数据库方法构建,应用数据库管理方法对病案库中知识内容分析处理,再利用本体知识库构建方法对知识描述自动构建获取,从而挖掘病案中可用知识,实现证型的自动判断与方药推荐。使用数据推理技术,精准化推荐疾病的诊疗方案;在医案借鉴方面,通过语义相似度分析技术,提供给名医名家的类似案例是如何诊疗的参考;其中包括采用Web本体技术,构建脑梗死恢复期中医药本体;采用语义映射和查询重写等技术,实现中医药数据库的有效整合;采用语义查询、语义搜索等技术,面向临床决策提供知识服务。
临床路径系统知识库的实现手段
知识库系统需要进行知识获取与知识分析检索,根据临床路径知识库系统实施方法及过程,设计实施计划:
(1)设计与准备
通过对医院及临床医生调研,制定系统需求分析报告,规范所需知识类型与标准,查找相关知识,根据医务人员经验及相关政策、规定、书籍等内容完善需求分析报告,并及时与开发人员沟通联系,对发现问题困难及时沟通交流。
脑梗死中医知识库是脑梗死临床路径系统重要构成,是用来存储和管理问题求解所需的系统知识,而知识库中拥有知识的数量和质量是衡量一个临床路径系统的可应用性能及对提出的问题求解能力的关键要素[25]。脑梗死中医知识库根据国家中医药管理局颁布的《1脑病科中风病(脑梗死)恢复期中医临床路径(2017年版)》,主要对脑梗死中医证型诊断、治疗、方剂知识表达。本系统知识库框架结构图如下:
(2)系统实现
首先针对计算机软件产品整理脑梗死(恢复期)临床路径系统知识库关系数据库设计说明书,以及诊疗、康复数据库的应用分析系统的需求分析;中风病(脑梗死)恢复期临床路径建模及诊疗、康复数据库研究应用系统的设计方案;中风病(脑梗死)恢复期中医专家诊断系统设计说明书。再者对术语词库和综合数据库整理,包括基于数据挖掘的中风病(脑梗死)恢复期中医专家诊断系统中,有关中医医案知识库、诊断推理、解释和人机交互等相关概念的术语词库;与经过专家系统解析和标引的医案数据库。第三点是技术标准:中风病(脑梗死)恢复期中医专家诊断系统医案选取和解析标准;关系数据库解析技术标准;关系数据库分析模型。
临床路径系统知识库是辅助临床医生诊断、帮助处理病人信息的重要工具,功能就是为了实现中医中风知识的获取与关联,包括知识检索与获取与知识积累,其系统组织示意图如图2,查询的知识库内内容来自于医院病案、网络资料、其他文档按知识库规则要求保存的现有知识,以及文献资料经知识抽取的内容。
这里请看图1,为一种脑梗死临床诊疗系统10,内容包括知识库100,所述知识库存储病案信息,所述病案信息包括四诊信息、症状信息、证型信息、治疗方法,还包括机器学习模块102,所述机器学习模块102用于以知识库存储的病案信息为训练样本,以四诊信息、症状信息、证型信息为输入变量,治疗信息为输出变量进行学习训练;
还包括录入模块104,所述录入模块用于接收输入的新的病案信息,将新的病案信息存入知识库,
还包括查询诊断模块106,所述查询诊断模块106用于接收四诊信息、症状信息或证型信息的输入,还用于将接收到的四诊信息、症状信息、证型信息发送给机器学习模块,并将机器学习模块输出的治疗信息作为结果输出。
知识库中包含脑梗死相关中医诊疗与康复训练等决策建议,根据脑梗死患者信息内容(包含既往电子病历),建立患者病案信息库。医生可以通过录入模块104录入脑梗死患者确切的四诊信息,系统根据此信息通过算法输入证型判断模型,经模型对病案信息分析,结合当前医生的需求,提供相关证型判断及方剂治疗或康复诊疗方案建议列表,列表内容可以根据当前医生的需求进行排序,并且查看方案的详情,以达到按照医生的需求灵活使用。
根据当前医生的需求与录入,当信息进入知识库102,知识库102将通过显示模块、获取模块、检索模块三部分得到相关信息。因此本系统知识库的系统结构图如图1所示。
1.四诊信息
(1)基础信息的采集与分析
此时对病人信息的采集是作为进入临床路径系统的资格验证,其中包括病人身份信息、四诊信息、体格检查、专项检查、辅助检查等数据的收集,对病人中医证型的判断,其中四诊信息采集内容如图3所示。
对于四诊信息,其为中医疗法中常用的手段,对于四诊信息得到的数据就需要通过归一化表述来进行存储,因此在下述的进一步的实施例中,本系统还包括字段匹配模块,所述字段匹配模块用于将输入的四诊信息转化成最接近的标准化字段,再进行存储。字段匹配模块主要还用于整体录入资料的分类存储或匹配,以下将介绍字段匹配模块的分类功能及其运作原理。
例如在某些实施例中,病案信息还包括身份信息、性别信息。录入界面可以参照图4,记录上述信息有利于医师对当前正在治疗的病人进行直观的了解。同时也有利于进行后续有关性别的病案信息分类。
病人现病史:右侧肢无力、头晕……等
既往史:高血压3级、2型糖尿病……等
主诉:右侧肢体无力伴吞咽困难……等
体格检查:苔薄白,脉弦滑……等
上述病案中含有图中所示关键字的病案信息都要进行抓取,并记录此次医嘱医生判断的证型如:气虚血瘀证、痰瘀阻络证等,并记录所开中药药方,用于后续分析。
通过对字段进行试验数据采集,并将得到的数据进行整理,对其中主要的数据及关键字段进行标准化字段操作及匹配,如下表3-2到3-5所示,知识库可以将采集到的四诊信息按照四诊分类,并将望诊中舌诊数据单独分类整理。
根据中医诊断学知识及咨询相关中医临床医生,将采集的所有病案中与证型判断相关数据经简单数据处理分类,全部数据类型整理后具体数据类型如下表3-1所示,共整理出数据类型86种,除年龄为计量资料外,其他均为分类资料,性别分男(1),女(2)两类,症状有、无两类,本系统进行数据分析的主要内容及目的为症状与证型间关系。
表3-1原始数据症状类型汇总表
将病案数据进行梳理展现。根据数据抓取,将有的症状自动记录为1,无则为0,并记录证型、年龄、性别。
原始数据表标准化处理过程如下,
字段匹配模块可以将表中归纳的方式进行整理,通过将录入模块录入到的四诊信息名称提取关键字,将表右侧的四诊信息名称通过识别后对应转化为表左侧的标准名,即标准化字段,从而将原始数据表整理如下:
表3-2望诊症状名
表3-3问诊症状名
表3-4闻诊症状名
表3-5脉诊与舌诊
从上表中可以看到,右侧的关键字段抓取的项数可以根据实际工作需要再另行增加,而主要的标准化字段的个数均列在了表左侧。字段匹配模块除了对四诊信息进行上述整理之外,因病案中不同医生对同一证型的称呼可能不同,根据中医药管理局临床路径标准规定,并经与相关方面专家医生咨询后,字段匹配模块还负责进行将病案中出现的证型也规范处理,将病案中证型分四类,并分别标症状编号,具体内容为下表3-6:
表3-6证型标准化名称
证型分析
根据收集到的四诊信息及各项检查结果进行综合分析,确定中医证型。证型的确定进而可帮助医生根据路径规定及常用疗法而开出处方。
根据国家中医药管理局印发的《中风病(脑梗死)中医诊疗方案(2017年版)》,中风病(脑梗死)恢复期临床常见证候为:
痰瘀阻络证:头晕目眩,痰多而黏,舌质暗淡,舌苔薄白或白腻,脉弦滑。
痰热腑实证:腹胀便干便秘,头痛目眩,咯痰或痰多,舌质暗红,苔黄腻,脉弦滑或偏瘫侧弦滑而大。
阴虚风动证:眩晕耳鸣,手足心热,咽干口燥,舌质红而体瘦,少苔或无苔,脉弦细数。
气虚血瘀证:面色晄白,气短乏力,口角流涎,自汗出,心悸便溏,手足肿胀,舌质暗淡,舌苔白腻,有齿痕,脉沉细。
处方管理
(1)常用诊疗
功能描述为根据证型分类,系统为医生提供此种证型的常用诊疗方法,医生可对提供的常用诊疗进行管理,包括常用诊疗新增、修改、删除,常用诊疗包括常用医嘱、常用护理。
(2)方剂管理
功能描述为方剂的管理,包括常用方剂新增、修改、删除,常用方剂通过系统判断证型后提供可修改、加减味的推荐方药。方药的产生是通过临床路径规定疗法系统自动推荐方药,并根据系统内医生在临床上用药习惯分析出常用加减药,提出建议用药。临床路径推荐用药根据证型分类及相应的药物信息及处方信息可以有如下示例:
(1)风痰阻络证
治法:熄风化痰通络
①推荐方药:化痰通络方加减。法半夏、生白术、天麻、紫丹参、香附、酒大黄、胆南星等。半夏白术天麻汤合桃红四物汤加减。半夏、天麻、茯苓、橘红、丹参、当归、桃仁、红花、川芎等。或具有同类功效的中成药(包括中药注射剂)。
②饮食疗法:适食月季花茶、山楂、橘皮、茯苓、黑木耳、海带、昆布、萝卜、燕、莜、荞麦、玉米、芋头、炸全蝎、金桔、玫瑰花等。忌食羊肉、狗肉、桂圆、荔枝及酒类、油炸食品。
(2)痰热腑实证
治法:化痰通腑
①推荐方药:星蒌承气汤加减。生大黄后下、芒硝冲服、胆南星、瓜蒌等。或可选用大承气汤加减。大黄后下、芒硝冲服、枳实、厚朴等。或具有同类功效的中成药(包括中药注射剂)。
②饮食疗法:适食薏苡仁、莲子、山药、冬、黄、丝瓜、茯苓、黑木耳、苦苣、萝卜、荷叶、燕、莜、荞麦、玉米、芋头、海带等。忌食羊肉、狗肉、桂圆、荔枝、酒类、花椒、大料、油炸等食品。
(3)阴虚风动证
治法:滋阴熄风
①推荐方药:育阴通络汤加减。生地黄、山萸肉、钩藤后下、天麻、丹参、白芍等。或可选用镇肝熄风汤加减。生龙骨先煎、生牡蛎先煎、代赭石先煎、龟板先煎、白芍、玄参、天冬、川牛膝、川楝子、茵陈、麦芽、川芎等。或具有同类功效的中成药(包括中药注射剂)。
②饮食疗法:适食百合、黑芝麻、黑米、海参、鲤、鳖、鸡、鸭、瘦猪肉,多食山药、枸杞、芝麻、木耳等甘润滋阴食物,多喝清淡汤类。忌食羊肉、狗肉、桂圆、荔枝、酒类、花椒、大料、油炸等食品。勿嗜食辛辣。
部分患者在此基础上辨证属于肝阳上亢证,治疗宜平肝熄风为主,天麻钩藤饮加减。天麻、钩藤后下、生石决明先煎、川牛膝、黄芩、山栀、夏枯草等。
(4)气虚血瘀证
治法:益气活血
①推荐方药:补阳还五汤加减。生黄芪、全当归、桃仁、红花、赤芍、川芎、地龙等。或具有同类功效的中成药(包括中药注射剂)。
②饮食疗法:适食山药、薏苡仁、黄芪、莲子、白菜、冬瓜、丝瓜、木耳、赤小豆等。忌食生冷油腻、肥甘厚味。
以上仅为系统从录入模块及字段存储模块处理后获得的部分信息示例,结合后续将要描述的机器学习模块,系统还能够根据新需要可根据医生常用方药进行相关性分析、推送,对不同证型用药提供建议。包括对药品的种类、用法管理。
而部分药物信息及处方信息又可以根据《中风病(脑梗死)中医诊疗方案(2017年版)》规定提供的方案提供针灸等康复疗法。
机器学习方法的选择与应用
研究方法选择
目前,机器学习在医学领域很多方面都取得了成功,例如采用机器学习方法的自动文摘问题、兼类词词性标注、机器翻译系统中的目标词选择;以及用于进行智能中文关联词语识别、中文语句生成和诊断系统等。在中医方面的应用,有研究者为解决中医医案中文献自动分词问题,使用机器学习层叠隐马模型作为分词模型的中医领域词典及测试语料库,针对300篇中医古代医案文献与现代医案文献分词评测,以及利用支持向量机方法分类预测和回归分析的中医方剂分类模式识别系统,建立了基于分类的药物与药效强度的计算模型。
现有的医学领域应用的机器学习方法主要有以下几种:
(1)常被用于分类与回归问题的监督学习算法。主要应用的方法有BN、SVM、KNN、CBR等,采用迭代计算方法,对历史数据分析,得到分析模型,并根据模型进行预报,应用于医学领域研究的案例有许朝霞等在《基于支持向量机和人工神经网络的心血管疾病中医证候分类识别研究》中,通过制定统一的中医问诊采集量表,在临床采集相关病例,利用支持向量机中径向基函数与多项式函数2种算法对证型与临床信息关联性分析,并将分析的结果模型进行临床预测,发现有较高的识别准确率。基于支持向量机方法的学习软件系统,集训练学习、参数优化、预测和结果分析等功能于一体,这种方法需要有尽量丰富的训练样本以建立模型。
(2)用于解决Association rule learning和聚类问题的无监督学习。这种方法对数据的结构与数值采用聚类方法进行归纳,有K-均值算法、Apriori算法和SOM算法。应用有仝武宁等在《基于Apriori算法的“证-症-方-药”关联模型的研究与设计》[30]中对中医治疗“证-症-方-药”之间关联关系挖掘,建立病案挖掘模型,从而挖掘专家临床诊治经验,为临床诊疗与科学研究提供了重要依据。
(3)基于统计和动态规划技术的强化学习,应用领域主要为机器人控制,相关算法有Q-learning、Temporal difference learning算法等,其在医学领域的应用不是十分广泛。
利用机器学习方法构建医学知识库,使用其方法能够对疾病进行分类总结,归纳出识别性的概念或有规律的函数,运用知识系统、专家系统、模式识别等领域的知识在知识库中进行数据挖掘和临床决策指导。机器学习在医疗数据挖掘中的应用主要在疾病辅助诊断、药物开发、图像分析和解释、医疗管理及遗传学等领域,应用机器学习方法构建的脑梗死知识库是兼疾病辅助诊断与医疗管理的应用,通过应用其在疾病辅助诊断过程中,能够将数据挖掘方法与病案数据库中大量的病案数据高效率分析处理,进而得到有价值的诊疗知识信息,还能够挖掘出有价值的诊断规则。机器学习结果能够帮助使用人员根据所提供的病症信息、生理生化指标信息、辅助检查结果等做出患者的疾病诊断与疗法推荐等,利用客观、直接的分析,让诊断结果更准确,而通过大量样本建立的诊断模型具有良好的应用普遍性。医疗数据是非常多,并且存在各种隐藏关联的信息,想要对这些信息进行准确快速挖掘,需要能够处理其不完整或有噪声的情况,机器学习技术的优势主要表现在其对数据预处理功能、信息融合技术、快速的挖掘算法、知识的准确性和可靠性,能够对数据筛选,从而获取有用知识。
基于脑梗死临床路径系统的中医知识库是一个针对于专科专病诊疗的知识库,专科专病知识库是指针对某类疾病或单一病种的诊疗知识进行采集、分类、编辑、分析处理后形成的知识管理体系,其知识来源于各类专题文献、临床专家经验、网络资源等等,对于此病种诊断提供决策建议。如王东升等借助Protégé工具建立的心血管疾病知识库,其知识源来自于临床案例与专家经验知识。刘敬华等研究开发的骨肿瘤临床诊断知识库则是通过对诊断数据库与规则库内容的完善,通过模糊推理,帮助临床诊断信息系统做病情的辅助诊断[39]。高东平等利用本体方法构建传染病知识库规则,并进行分类,知识库内包括体征数据、检查数据与治疗数据等。
知识获取与分析
系统中知识库知识获取是从知识领域归纳、分析、整理所需知识,利用计算机手段,将其转化为系统可用形式,输入到信息系统中,让系统可根据这些知识而工作的过程,这些知识来源于书本文档、网络公开权威知识库及医院现有病案库信息资料。
1.证型诊断知识的获取:包括病、症、证等信息,主要从医院病案信息库及医学文献获取。
(1)书籍等文本形式知识。主要是利用扫描设备对书籍进行全文扫描生成电子文档,再用OCR等识别软件进行识别,识别后形成文本格式的文档,经人工校对检查后,即可作为书籍数据展示内容来试用,其识别保存内容包括疾病证型名称、临床症状与诊断依据、病因病机、检查方法、治疗方法等信息。再通过信息提取技术,将书籍中内容运用信息抽取技术抽取文本中的实体属性等形成相关文本或表格信息,便于查找。
(2)临床电子病历中数据。在本方案的一些实施例中,主要的数据来源便为临床医师的诊断通过录入模块进行主动输入进知识库的数据,通过上述的标准化模块进行存储。从临床电子病历中抽取相关信息是一个繁重而复杂的过程,需要先设定抓取信息标准,并需要参与相应的人工作业,从医院临床现有的病案库中选取部分数据,导出保存成文本格式,再将信息整理为可用数据库,为后期数据挖掘与应用做准备,具体获取方法可以自行设计。
方剂及中药库知识的获取。网络上中医药知识十分丰富,并且已经有成熟的方剂库与中药库,其内容包含了方剂名称、药物组成、药物加减、方剂处方来源、用法用量、药品名称、别名、功效、分类、主治等。通过网络爬虫技术,将互联网中获取的中国中医药数据库中医药知识存储至知识库中,并将其结构化处理。另外还有已经公开的标准化资源,比如《中华人民共和国药典》、《中华人民共和国国家标准》等,分析和发现网络可用知识,再将其转化为所需的规定格式。
中医证型的诊断预测数据抓取,需要根据之前采取的数据信息集分析的结果进行,据已有信息将可能出现的症状统计表导入系统,为后期预测和采集数据更全面,症状要采集更详细,并制定了一份参考标准名称表。本文中临床病案数据抓取是根据之前在发明人所在的附属康复医院采集的证型症状、中药数据,制作证型-症状标准名称表、中药标准名称表。
获取知识的表达
采取何种方法将获取的有效知识在知识库应用中展示依赖于知识的逻辑与概念之间的联系。内部知识逻辑的表达,首先要根据需要将采集到的所有知识整理,清除不完善信息,根据证型、编码分类,构建证型信息表与方剂信息表运用本体法构建模型,本体语言方法可以为知识模型编写清晰的、形式化的概念描述,能够满足以下要求:(1)良好定义的语法;(2)良好定义的语义;(3)有效的推理支持;(4)充分的表达能力;(5)表达的方便性[41]。
根据中国医学科学院刘保延等对中医证候在中医理论体系定位研究,对症、证、候有着不同的约束条件,还阐述了对证候实质、分类、分层、构成等的认识[43],通过这种方法,我们将脑梗死本体内部逻辑框架分支情况如下3-1表示,将脑梗死病恢复期分支分为证型、症状、并发症、治疗方法四类,而证型包括中医临床路径规范中规定的气虚血瘀证、阴虚风动证、痰瘀阻络证、痰热腑实证,症状内容则包含四诊信息、体格检查信息、专项检查信息知识,治疗方法中包括中医方剂、西药及康复训练疗法。
通过对中风(脑梗死)知识抽取分层,将其分为中风证型类型、病因、临床表现、并发症、体格检查、治疗方法等层次,类型根据中医药管理局《中风病(脑梗死)中医诊疗方案(2017年版)》规定分为四种:痰瘀阻络证、痰热腑实证、阴虚风动证、气虚血瘀证,具体症状前面有介绍。病因关系如下表3-8:
表3-8脑梗死(中风)恢复期病因的关系表
临床表现主要是基于观察获得的描述疾病发病的各种临床症状;体格检查是通过有效的检查方法获取的中风相关特定信息;治疗方法是根据临床路径规定的针对中风病恢复期的有效的治疗方法及名医名方;并发症是中风发病的时间可能出现的其他病症,它们与原发病之间有着很多的联系。中风病本体的框架,在具体使用中填充相应的概念实例,就可以很容易的构建具体的中风领域本体知识库。
中医知识库的总体设计
知识库的信息概念模型
知识库建模是利用知识库中相关领域中的知识的用概念、关系、函数、实例等来对事物进行描述,用计算机的方式表达出来。相比较西医而言,中医更为复杂,与国际健康信息标准可能不兼容,采集、交换整合都有影响,其主要体现在医生与病患的交互过程。根据前面知识数据采集的标准,对系统涉及概念涉及语义模型,对医学概念、术语之间复杂关系寻找合适表达方式。中风(脑梗死)中医临床路径知识库中医学科特点突出,语义网络可以通过概念与关系表达知识,构建语义网络图,能够展示相互间的关系。语义类型宏观地表示概念的涵义以区别词型相似而涵义不同的概念,其通过计算机程序指定或人工复审增加,数量与结构相较稳定[44],同时它表现的形式也较规范自由,在自动识别用户提问和机器可读信息源中的概念涵义差异方面,概念的语义类型比定义更有用[45]。根据林丹红老师的语义关系概念图图3-2的方剂语义概念关系图可得到脑梗死临床路径系统知识库中方剂用药的语义关系概念图。林丹红老师通过语义网络模型对相关概念关系描述,从医学和中医及其下位概念中概念和关系用于对中医医案数据集进行领域建模,而当具体到脑梗死方剂用药方面,也可选择“中药”、“方剂”、“症状”和“疾病”四个类化。其中,“症状”和“疾病”两个类的内容有一定程度上的重叠,有时不做区别,可根据情况更改为“证型”;虚线与实线描绘中药、症状、方剂间关系[
机器学习的支持向量机法
由于中医学中存在的非线性、高维因素等问题,在传统的计算技术下无法得到很好的解决。支持向量机方法应用于中医学领域的优势在于:支持小样本训练学习而不同于现有的统计方法,较适用于中医学数据的现状,而且能够给出所建模型的一个较为客观评价,采取支持向量机方法的脑梗死中医证型预测模型仍然是建立在大量临床病案样本资料的基础之上。采用支持向量机方法建模步骤与常规方法基本相同:
①创建样本资料(样本来自医院采集的420例病案资料)
②构造预测因子(规定的4种证型,因痰热腑实证案例数太少,故本次实验仅对另外三种证型进行验证)
③因子的归一化处理
④确定建立SVM模型所使用的核函数
⑤创建训练集
⑥创建实验集
⑦确定寻求最优SVM推理识别模型的评定准则
⑧通过评定准则确定最终用于证型预测判断的SVM推理模型
本文中采取两类分类算法,将三种证型判断所需向量分为x1、x2、x3……xi当判断F(x)所属证型时,若属于第一类,则yi=1,否则yi=-1;进而继续判断非第一类证型的症状所属后三种证型的类别。在中医四诊信息的知识量化方面,在症状的量化方面除了采用仪器设备的检查指标外,就是人为赋值法和量表法;而对于症状证候的量化同判别分析法、回归分析法等使用的方法相同,构建实验集与预测集,其中预测集数据为后期又采集的16例病案。根据支持向量机运行需要,将数据转化为相应格式,共有因子数86个,痰瘀阻络证训练集315例(痰瘀阻络证186例,非痰瘀阻络129例),实验集84例(痰瘀阻络证50例,非痰瘀阻络34例),检验集21例(痰瘀阻络证12例,非痰瘀阻络9例);气虚血瘀证训练集180例(气虚血瘀证90例,非气虚血瘀90例),实验集48例(气虚血瘀证24例,非气虚血瘀24例),检验集21例(气虚血瘀证6例,非气虚血瘀6例);阴虚风动证训练集78例(阴虚风动证39例,非阴虚风动39例),实验集20例(阴虚风动证10例,非阴虚风动10例),检验集3例(阴虚风动证3例,非阴虚风动3例),阴虚风动因实际案例数过少,其结果可能可信度不高。
SVM是从线性可分的情况下的最优分类面而发展来的,设有两类线性可分的样本集合:
(xi,yi),i=1,…,n,xi∈Rd,yi∈{+1,-1},
线性函数判别函数的一般形式为f(x)=ω·x+b=0。Margin=2/‖ω‖为分类间隔。
对应的分类面方程为:
ω·x+b=0 (4-1)
将判别函数进行归一化,使两类所有样本都满足|f(x)|≥1,此时离分类面最近的样本f(x)1,要求分类面对所有样本都能正确分类,即满足
yi[(ω·x)+b]-1≥0,i=1,…,n (4-2)
此时分类间隔等于2/‖ω‖,间隔最大等价于‖ω‖2最小,也就是如图5所示的最优分类线H。而距离分类面最近的样本且平行于分类面H的超平面H1H2上的数据样本就是式子(4-2)中使等号成立的那些数据样本,即支持向量SV。这里的数据样本即录入的训练样本,例如四诊信息、症状信息等等。因此最优分类面的问题可以表示为如下的约束优化问题,即在式(4-2)的约束下,求如下函数的最小值。
为此,定义Lagrange函数:
其中αi≥0为Lagrange乘子。为求(4-4)最小值,分别对其中ω、b、αi求偏分,并令其等于0,则有:(4-5)
再将上述最优分类面的求解问题转化为二次规划寻优的对偶问题,求下列函数的最大值时的解αi:
设为求解到的最优解,则有:
式(4-7)中不为零的样本,即为支持向量,因此,最优分类免得权系数向量是支持向量的线性组合。b是分类阈值,可由αi[yi(ω·xi+b)-1]=0求解。解上述问题后得到的最优分类面函数为
当训练样本不满足线性分类时,需通过引用松弛因子而转换为某个高维空间中的线性问题,在变化空间求最优分类面,SVM通过核函数而解决这个问题。这时引入松弛因子ξ,允许错分样本存在,分类面ω·xi+b=0满足:
yi(ω·xi+b)≥1-ξi,i=1,…,n (4-9)
当0<ξi<1时,样本点xi正确分类,当ξi≥1时,xi被错分,为此,在最小化目标中加入惩罚项引入以下目标函数,式中,C是一个正常数,被称为惩罚因子,与线性可分情况类似,通过二次规划实现:
高维空间的线性问题,通过找到函数G,使得G(xi,xj)实现判别函数,此时,目标函数变为:
相应的分类函数变为:
本文中使用的机器学习软件为支持向量机学习建模预报软件平台2.0,根据支持向量机寻找最优分类面问题,非线性函数其相应最有支持向量机决策函数为:
其中
使用的核函数有:
(1)多项式核函数:G(xi,x)=[(xi,x)+1]q (4-14)
构造的判别函数为:
(2)高斯径向基函数:
构造的判别函数为:
(3)线性核函数(非线性可分时转化为高维空间分类):
G(xi,x)=xi,x (4-18)
构造的判别函数为:
其中σ为高斯分布的宽度,q为多项式的阶数。根据上述公式,采用径向基核函数的计算如下图6所示:
当选择径向基核函数,由图6可知当参数c初始100,步长1,循环次数为100时,最优模型核函数为105,g初始0.5,步长0.01,循环次数为100时,最优模型核函数g为0.6。
最优核函数的结果如图7所示。根据图7,可知最优模型各参数计算结果,b=0.056,g=0.6,c=105,支持向量个数=244,训练样本最高维数86。
并可知,根据此模型正样本TS评分达79.37%,预测成功率为100%,则此模型可用于痰瘀阻络证的证型预测。
当选择参数,由图7可知当参数c初始100,步长1,循环次数为100时,最优模型核函数为105,g初始0.5,步长0.1,循环次数为100时,最优模型核函数为0.6。根据上图,可知最优模型各参数计算结果,b=0.056,g=0.6,c=105,支持向量个数=244,训练样本最高维数86。
并可知,根据此模型正样本TS评分达79.37%,则此模型可用于痰瘀阻络证的证型预测。两种模型结果差距不大,均可使用。采用图4-5最优模型预测与实际数据结果对比如下表4-19,预测结果正确率为100%。
表4-19向量机径向基核函数预测结果
②当采用多项式核函数算法,C参数初始值设定为100,循环次数100,步长为1,参数d初始值1,循环次数100,循环步长1,分类模型择优标准正样本TS评分,计算得到最优模型参数C=151,d=2。根据上述参数计算,可得到此参数选择标准下的最优模型,最优模型计算结果如下图4-7所示,可知最优模型各参数计算结果,b=0.114,g=0.6,c=105,支持向量个数=106,训练样本最高维数86:
图8展示了向量机最优核函数的预测结果。
根据此最优模型对预测样本证型预测,结果如下,可计算判别正确率为93.75%:
表4-20向量机多项式核函数预测结果
由于数据量的限制,对个别数据预测可达到非常好的效果,但这并不代表此模型对临床诊断绝对准确,在临床上,病人情况可能十分复杂,此模型结果仅作为辅助诊断参考,最终诊断需医生结合具体情况再分析。
本章节通过对知识数据模板定义与预测模块架构两方面表述知识库知识建模过程,知识数据模板定义分别以证型诊断和方药推荐举例,表现知识库知识应用,诊断知识的获取则从病案库获取,根据现有病案数据情况分别用判别分析与因子分析法、支持向量机方法建立的预测证型模型,因子分析结果产生基本证型症状集,通过基本证型组合得到预测证型,此结果需医生根据具体情况对症状增减,判断基本证组合情况是否符合临床意义;判别分析建立判别方程,根据两个判别方程D1与D2计算新预测数据证型所在区间,距离组心位置,距离哪一组心位置近则判断其为此证型,以痰瘀阻络证判别举例,正确率可达90%;支持向量机方法选用径向基核函数与多项式核函数两种建立两分类模型,对痰瘀阻络证与非痰瘀阻络证进行区分,得到的最优模型进行新样本预测,正确率分别100%与93.75%,基于方法相同,其他证型未详细表述。本章完善临床路径系统知识库预测部分,但统计结果仅作为临床判断参考,具体实际决策临床医生还需根据情况判定。
需要说明的是,尽管在本文中已经对上述各实施例进行了描述,但并非因此限制本发明的专利保护范围。因此,基于本发明的创新理念,对本文所述实施例进行的变更和修改,或利用本发明说明书及附图内容所作的等效结构或等效流程变换,直接或间接地将以上技术方案运用在其他相关的技术领域,均包括在本发明的专利保护范围之内。
Claims (9)
1.一种脑梗死临床诊疗系统,其特征在于,包括知识库,所述知识库存储病案信息,所述病案信息包括四诊信息、症状信息、证型信息,还包括机器学习模块,所述机器学习模块用于以知识库存储的病案信息为训练样本,以四诊信息或症状信息为输入变量,证型信息为输出变量进行学习训练;
还包括录入模块,所述录入模块用于接收输入的新的病案信息,将新的病案信息存入知识库,
还包括查询诊断模块,所述查询诊断模块用于接收四诊信息、症状信息或证型信息的输入,还用于将接收到的四诊信息、症状信息发送给训练好的机器学习模块,并将机器学习模块输出的证型信息作为结果输出。
2.根据权利要求1所述的脑梗死临床诊疗系统,其特征在于,还包括字段匹配模块,所述字段匹配模块用于将输入的四诊信息转化成最接近的标准化字段,再进行存储。
3.根据权利要求1的脑梗死临床诊疗系统,其特征在于,所述病案信息还包括处方信息,所述机器学习模块还用于将处方信息作为输出变量进行学习训练。
4.根据权利要求1所述的脑梗死临床诊疗系统,其特征在于,所述病案信息还包括身份信息、性别信息。
5.根据权利要求1所述的脑梗死临床诊疗系统,其特征在于,所述治疗信息还包括处方信息、药物信息。
6.根据权利要求1所述的脑梗死临床诊疗系统,其特征在于,所述机器学习模块应用算法为监督学习算法,具体包括BN、SVM、KNN、CBR机器学习算法。
7.根据权利要求1所述的脑梗死临床诊疗系统,其特征在于,所述机器学习模块采用的判别函数为多项式判别函数:
其中sv为数据样本,αi≥0为Lagrange乘子,b为分类阈值,(xi,yi)为两类线性可分的样本集合:q为多项式的阶数。
8.根据权利要求1所述的脑梗死临床诊疗系统,其特征在于,所述机器学习模块采用的判别函数为高斯径向基判别函数,
其中sv为数据样本,σ为高斯分布的宽度,q为多项式的阶数,αi≥0为Lagrange乘子,b为分类阈值,(xi,yi)为两类线性可分的样本集合,g为最优模型核函数。
9.根据权利要求1所述的脑梗死临床诊疗系统,其特征在于,所述机器学习模块采用的判别函数为线性判别函数:
其中sv为数据样本,αi≥0为Lagrange乘子,b为分类阈值,(xi,yi)为两类线性可分的样本集合。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811113710.XA CN109326350A (zh) | 2018-09-25 | 2018-09-25 | 脑梗死临床诊疗系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811113710.XA CN109326350A (zh) | 2018-09-25 | 2018-09-25 | 脑梗死临床诊疗系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109326350A true CN109326350A (zh) | 2019-02-12 |
Family
ID=65265826
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811113710.XA Pending CN109326350A (zh) | 2018-09-25 | 2018-09-25 | 脑梗死临床诊疗系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109326350A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110115563A (zh) * | 2019-05-22 | 2019-08-13 | 成都中医药大学 | 一种中医证型预测系统 |
CN110459328A (zh) * | 2019-07-05 | 2019-11-15 | 梁俊 | 一种评估心脏骤停的临床决策支持系统 |
CN110931124A (zh) * | 2019-12-09 | 2020-03-27 | 中国中医科学院中医药信息研究所 | 诊断系统 |
CN111091911A (zh) * | 2019-12-30 | 2020-05-01 | 重庆同仁至诚智慧医疗科技股份有限公司 | 一种卒中风险筛查系统及方法 |
US20200257659A1 (en) * | 2019-02-12 | 2020-08-13 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Method and apparatus for determing description information, electronic device and computer storage medium |
CN113409938A (zh) * | 2021-06-30 | 2021-09-17 | 海南医学院 | 一种系统性红斑狼疮中医证型预测模型的建模方法及系统 |
CN113555118A (zh) * | 2021-07-26 | 2021-10-26 | 内蒙古自治区人民医院 | 一种病症程度的预测方法、装置、电子设备及存储介质 |
CN115083628A (zh) * | 2022-08-19 | 2022-09-20 | 成都中医药大学 | 一种基于中医望诊客观化的医教协同系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104866979A (zh) * | 2015-06-08 | 2015-08-26 | 苏芮 | 一种突发急性传染病的中医病例数据处理方法和系统 |
CN107578797A (zh) * | 2016-07-04 | 2018-01-12 | 胡峰 | 一种基于云计算的健康诊疗方案推荐的方法及其系统 |
-
2018
- 2018-09-25 CN CN201811113710.XA patent/CN109326350A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104866979A (zh) * | 2015-06-08 | 2015-08-26 | 苏芮 | 一种突发急性传染病的中医病例数据处理方法和系统 |
CN107578797A (zh) * | 2016-07-04 | 2018-01-12 | 胡峰 | 一种基于云计算的健康诊疗方案推荐的方法及其系统 |
Non-Patent Citations (6)
Title |
---|
DEL ZOPPO GJ: "Hyperfibrinogenemia and functional outcome from", 《STROKE》 * |
YINGCHUN TANG: "Study on Clinical Route System Design of Traditional Chinese Medicine Syndrome in Stroke Hospital of Rehabilitation", 《2017 2ND INTERNATIONAL CONFERENCE ON ADVANCED ROBOTICS AND MECHATRONICS (ICARM)》 * |
刘泽文: "基于机器学习的脑卒中复发预测模型研究", 《中国优秀硕士学位论文全文数据库 医药卫生科技辑》 * |
吴怡之: "基于支持向量机分类的脑中风微波检测", 《微型机与应用》 * |
唐迎春等: "康复医院脑卒中中医证型临床路径系统设计", 《医学信息学杂志》 * |
白鹏等: "《支持向量机理论及工程应用实例》", 31 August 2008 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200257659A1 (en) * | 2019-02-12 | 2020-08-13 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Method and apparatus for determing description information, electronic device and computer storage medium |
CN110115563A (zh) * | 2019-05-22 | 2019-08-13 | 成都中医药大学 | 一种中医证型预测系统 |
CN110459328A (zh) * | 2019-07-05 | 2019-11-15 | 梁俊 | 一种评估心脏骤停的临床决策支持系统 |
CN110931124A (zh) * | 2019-12-09 | 2020-03-27 | 中国中医科学院中医药信息研究所 | 诊断系统 |
CN111091911A (zh) * | 2019-12-30 | 2020-05-01 | 重庆同仁至诚智慧医疗科技股份有限公司 | 一种卒中风险筛查系统及方法 |
CN113409938A (zh) * | 2021-06-30 | 2021-09-17 | 海南医学院 | 一种系统性红斑狼疮中医证型预测模型的建模方法及系统 |
CN113555118A (zh) * | 2021-07-26 | 2021-10-26 | 内蒙古自治区人民医院 | 一种病症程度的预测方法、装置、电子设备及存储介质 |
CN113555118B (zh) * | 2021-07-26 | 2023-03-31 | 内蒙古自治区人民医院 | 一种病症程度的预测方法、装置、电子设备及存储介质 |
CN115083628A (zh) * | 2022-08-19 | 2022-09-20 | 成都中医药大学 | 一种基于中医望诊客观化的医教协同系统 |
CN115083628B (zh) * | 2022-08-19 | 2022-10-28 | 成都中医药大学 | 一种基于中医望诊客观化的医教协同系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109326350A (zh) | 脑梗死临床诊疗系统 | |
CN107169078A (zh) | 中医药知识图谱及其建立方法以及计算机系统 | |
CN109841282A (zh) | 一种基于云计算的中医健康管理云系统及其搭建方法 | |
Wang et al. | A knowledge graph enhanced topic modeling approach for herb recommendation | |
CN109785927A (zh) | 基于互联网一体化医疗平台的临床文档结构化处理方法 | |
CN109994216A (zh) | 一种基于机器学习的icd智能诊断编码方法 | |
CN105825064A (zh) | 日常性中医疗法智能咨询系统 | |
Hu et al. | An analysis model of diagnosis and treatment for COVID-19 pandemic based on medical information fusion | |
CN109947901A (zh) | 基于多层感知机和自然语言处理技术的方剂功效预测方法 | |
Bishnoi et al. | Artificial intelligence techniques used in medical sciences: a review | |
Wang et al. | Prescription function prediction using topic model and multilabel classifiers | |
Li et al. | Personalized intelligent syndrome differentiation guided by TCM consultation philosophy | |
CN117807534A (zh) | 一种中医证候归属分类方法及其数据库系统 | |
Qiao et al. | KISTCM: knowledge discovery system for traditional Chinese medicine | |
CN116721730B (zh) | 一种基于数字疗法的患者全程管理系统 | |
Aggarwal et al. | HEDEA: a Python tool for extracting and analysing semi-structured information from medical records | |
Feng et al. | Applications of data mining methods in the integrative medical studies of coronary heart disease: progress and prospect | |
WO2023240837A1 (zh) | 基于病患数据的服务包生成方法、装置、设备及存储介质 | |
Chen et al. | Mining Symptom‐Herb Patterns from Patient Records Using Tripartite Graph | |
Sharma et al. | Comparing Data Mining Techniques Used For Heart Disease Prediction | |
Li et al. | TCM Constitution Analysis Method Based on Parallel FP‐Growth Algorithm in Hadoop Framework | |
Divyashree et al. | Design and development of we-cdss using django framework: Conducing predictive and prescriptive analytics for coronary artery disease | |
Nimmagadda et al. | Ontology based data warehouse modeling and managing ecology of human body for disease and drug prescription management | |
Liu et al. | A knowledge-based health question answering system | |
Yang et al. | Mapping institutions and their weak ties in a specialty: A case study of cystic fibrosis body composition research |
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: 20190212 |
|
RJ01 | Rejection of invention patent application after publication |