CN109346183A - 基于循环神经网络模型rnn的疾病诊断预测系统 - Google Patents
基于循环神经网络模型rnn的疾病诊断预测系统 Download PDFInfo
- Publication number
- CN109346183A CN109346183A CN201811086200.8A CN201811086200A CN109346183A CN 109346183 A CN109346183 A CN 109346183A CN 201811086200 A CN201811086200 A CN 201811086200A CN 109346183 A CN109346183 A CN 109346183A
- Authority
- CN
- China
- Prior art keywords
- vector
- diagnosis
- neural network
- network model
- recognition
- 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
- G16H50/70—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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
Abstract
本发明公开了基于循环神经网络模型RNN的疾病诊断预测系统，包括：存储器、处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成的步骤如下：获取就诊信息和人口统计学信息；对就诊信息和人口统计学信息进行预处理，得到诊断向量、药物向量和人口统计学向量；利用预处理得到的数据对循环神经网络模型RNN进行训练；疾病诊断预测步骤：获取待预测患者的诊断诊断向量、药物向量和人口统计学向量；将待预测患者的诊断诊断向量、药物向量和人口统计学向量同时输入到训练好的循环神经网络模型RNN中，输出待预测患者的疾病诊断预测结论。
Description
技术领域
本发明涉及于医疗健康领域，特别是涉及基于循环神经网络模型RNN的疾病诊断预测系统。
背景技术
健康是促进人的全面发展的必然要求，是经济社会发展的基础条件。健康医疗大数据是国家重要的基础性战略资源，要通过其应用，激发深化医药卫生体制改革的动力和活力，提升健康医疗服务效率和质量。
发明内容
为了提高疾病诊断的预测精度和运算速度，本发明提供了基于循环神经网络模型RNN的疾病诊断预测系统；提出的预测系统对医疗健康领域的诊断行为进行建模和分析。以往的利用循环神经网络的疾病诊断预测系统，绝大多数仅仅基于患者的就诊信息进行预测；本发明的创新点在于利用循环神经网络，基于患者的就诊信息和人口统计学信息，提出了循环神经网络模型RNN进行疾病诊断预测。
作为本发明的第一方面，提供了基于循环神经网络模型RNN的疾病诊断预测系统；
基于循环神经网络模型RNN的疾病诊断预测系统，包括：存储器、处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成的步骤如下：
步骤(1)：获取就诊信息和人口统计学信息；
步骤(2)：对就诊信息和人口统计学信息进行预处理，得到诊断向量、药物向量和人口统计学向量；
步骤(3)：利用预处理得到的数据对循环神经网络模型RNN进行训练；
将得到的诊断向量和药物向量作为输入值，将已知的疾病诊断结果作为输出值，对循环神经网络模型RNN进行训练；当损失函数值小于设定阈值时，结束训练，得到初步训练的循环神经网络模型RNN；
再将得到的人口统计学向量作为输入值，将已知的疾病诊断结果作为输出值，对循环神经网络模型RNN进行二次训练，当损失函数值小于设定阈值时，结束训练，得到最后训练好的循环神经网络模型RNN；
步骤(4)：疾病诊断预测步骤：
获取待预测患者的诊断诊断向量、药物向量和人口统计学向量；将待预测患者的诊断诊断向量、药物向量和人口统计学向量同时输入到训练好的循环神经网络模型RNN中，输出待预测患者的疾病诊断预测结论。
进一步的，所述就诊信息包括：身份证号、患病数据、用药数据和诊疗数据。
进一步的，所述人口统计学信息包括：患者的年龄、性别、身份证号、人员类别、婚姻、文化水平、职业和居住地。
进一步的，所述步骤(2)的步骤为：
对缺失率高于设定阈值的数据进行删除；
用MD5算法将身份证号、姓名和居住地进行消密处理；
将就诊信息中的疾病诊断代码转换为国际疾病分类标准编码ICD-10中的疾病代码；
将就诊信息中的药物编码转换为《中国药典》2015年版中的药物代码；
采用Min-Max最大最小值对人口统计学信息中的连续变量进行归一化处理，得到人口统计学向量；
采用One-Hot编码对人口统计学信息中的离散变量进行处理，得到人口统计学向量；
采用Multi-Hot编码对疾病诊断代码和药物编码中的变量进行处理，分别得到诊断向量和药物向量。
作为本发明的第二方面，提供了一种计算机可读存储介质；
一种计算机可读存储介质，其上运行有计算机指令，所述计算机指令被处理器运行时，完成的步骤如下：
步骤(1)：获取就诊信息和人口统计学信息；
步骤(2)：对就诊信息和人口统计学信息进行预处理，得到诊断向量、药物向量和人口统计学向量；
步骤(3)：利用预处理得到的数据对循环神经网络模型RNN进行训练；
将得到的诊断向量和药物向量作为输入值，将已知的疾病诊断结果作为输出值，对循环神经网络模型RNN进行训练；当损失函数值小于设定阈值时，结束训练，得到初步训练的循环神经网络模型RNN；
再将得到的人口统计学向量作为输入值，将已知的疾病诊断结果作为输出值，对循环神经网络模型RNN进行二次训练，当损失函数值小于设定阈值时，结束训练，得到最后训练好的循环神经网络模型RNN；
步骤(4)：疾病诊断预测步骤：
获取待预测患者的诊断诊断向量、药物向量和人口统计学向量；将待预测患者的诊断诊断向量、药物向量和人口统计学向量同时输入到训练好的循环神经网络模型RNN中，输出待预测患者的疾病诊断预测结论。
作为本发明的第三方面，提供了基于循环神经网络模型RNN的疾病诊断预测系统；
基于循环神经网络模型RNN的疾病诊断预测系统，包括：
获取就诊信息和人口统计学信息模块；
预处理模块：对就诊信息和人口统计学信息进行预处理，得到诊断向量、药物向量和人口统计学向量；
循环神经网络模型RNN训练模块，利用预处理得到的数据对循环神经网络模型RNN进行训练；
将得到的诊断向量和药物向量作为输入值，将已知的疾病诊断结果作为输出值，对循环神经网络模型RNN进行训练；当损失函数值小于设定阈值时，结束训练，得到初步训练的循环神经网络模型RNN；
再将得到的人口统计学向量作为输入值，将已知的疾病诊断结果作为输出值，对循环神经网络模型RNN进行二次训练，当损失函数值小于设定阈值时，结束训练，得到最后训练好的循环神经网络模型RNN；
疾病诊断预测模块：
获取待预测患者的诊断诊断向量、药物向量和人口统计学向量；将待预测患者的诊断诊断向量、药物向量和人口统计学向量同时输入到训练好的循环神经网络模型RNN中，输出待预测患者的疾病诊断预测结论。
与现有技术相比，本发明的有益效果是：
本发明提出一个结合人口统计学信息的循环神经网络模型RNN。以往的利用循环神经网络的疾病诊断预测系统，绝大多数仅仅基于患者的就诊信息进行预测；本发明是利用患者的就诊信息和人口统计学信息进行疾病诊断预测。相较于预测准确率为78％的仅基于患者的就诊信息进行预测的RNN模型，本模型可以提高疾病的检测准确率至85％。本发明有助于医疗机构合理安排医疗资源；有助于医疗保险机构主动预防和提前干预疾病的进展，减少医疗保险经费的支出。
用MD5算法将敏感数据处理成没有意义的字符串，避免使用数据时敏感信息泄露。
在医疗数据中，缺失数据是不能被填充的，所以要对缺失率高于设定阈值的数据进行删除。如缺失率高达95％以上的种族等信息是要删除的，否则进行疾病诊断预测时，将影响预测准确率。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。
图1为本发明的系统结构示意图；
图2为本发明的循环神经网络训练示意图。
具体实施方式
应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
技术术语介绍：
循环神经网络：循环神经网络(RNN)是一种节点定向连接成环的人工神经网络。这种网络的内部状态可以展示动态时序行为。不同于前馈神经网络的是，RNN可以利用它内部的记忆来处理任意时序的输入序列。医疗领域中患者的电子健康档案具有很高的维度和时间序列特征。医疗概念的有效表示是医疗健康应用中的一个重要组成部分。而RNN是一种很好的表示学习方法，特别适用于医疗电子病历中的时间序列数据。
人口统计学信息：阐述搜集整理反映人口现象的状态、变动过程及其与社会经济发展的数量关系。它通过数量表现揭示人口现象的本质、规律和发展趋势，是人口学重要组成部分，也是社会经济统计学的重要组成部分。医疗领域上使用人口统计学信息可以反映患者的状态分布，规律趋势等特征
对于人口统计信息中的连续变量，它们由Min-MaxScaler缩放。Min-Max Scaler表示为：
其中，g代表人口统计学信息。使用Min-Max标量，可将人口统计学信息更改为通用比例，便于循环神经网络理解人口统计学信息的内容。
对于人口统计学信息中的离散变量，本发明采用了One-Hot编码。
本发明设计一个名为RNN(Recurrent Neural Networks-Information)的模型。
作为本发明的第一个实施例，如图1所示，提供了基于循环神经网络模型RNN的疾病诊断预测系统；
基于循环神经网络模型RNN的疾病诊断预测系统，包括：存储器、处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成的步骤如下：
步骤(1)：获取就诊信息和人口统计学信息；
步骤(2)：对就诊信息和人口统计学信息进行预处理，得到诊断向量、药物向量和人口统计学向量；
步骤(3)：利用预处理得到的数据对循环神经网络模型RNN进行训练；
将得到的诊断向量和药物向量作为输入值，将已知的疾病诊断结果作为输出值，对循环神经网络模型RNN进行训练；当损失函数值小于设定阈值时，结束训练，得到初步训练的循环神经网络模型RNN；
再将得到的人口统计学向量作为输入值，将已知的疾病诊断结果作为输出值，对循环神经网络模型RNN进行二次训练，当损失函数值小于设定阈值时，结束训练，得到最后训练好的循环神经网络模型RNN；如图2所示。
步骤(4)：疾病诊断预测步骤：
获取待预测患者的诊断诊断向量、药物向量和人口统计学向量；将待预测患者的诊断诊断向量、药物向量和人口统计学向量同时输入到训练好的循环神经网络模型RNN中，输出待预测患者的疾病诊断预测结论。
进一步的，所述就诊信息包括：身份证号、患病数据、用药数据和诊疗数据。
进一步的，所述人口统计学信息包括：患者的年龄、性别、身份证号、人员类别、婚姻、文化水平、职业和居住地。
进一步的，所述步骤(2)的步骤为：
对缺失率高于设定阈值的数据进行删除；
用MD5算法将身份证号、姓名和居住地进行消密处理；
将就诊信息中的疾病诊断代码转换为国际疾病分类标准编码ICD-10中的疾病代码；
将就诊信息中的药物编码转换为《中国药典》2015年版中的药物代码；
采用Min-Max最大最小值对人口统计学信息中的连续变量进行归一化处理，得到人口统计学向量；
采用One-Hot编码对人口统计学信息中的离散变量进行处理，得到人口统计学向量；
采用Multi-Hot编码对疾病诊断代码和药物编码中的变量进行处理，分别得到诊断向量和药物向量。
作为本发明的第二个实施例，提供了一种计算机可读存储介质；
一种计算机可读存储介质，其上运行有计算机指令，所述计算机指令被处理器运行时，完成的步骤如下：
步骤(1)：获取就诊信息和人口统计学信息；
步骤(2)：对就诊信息和人口统计学信息进行预处理，得到诊断向量、药物向量和人口统计学向量；
步骤(3)：利用预处理得到的数据对循环神经网络模型RNN进行训练；
将得到的诊断向量和药物向量作为输入值，将已知的疾病诊断结果作为输出值，对循环神经网络模型RNN进行训练；当损失函数值小于设定阈值时，结束训练，得到初步训练的循环神经网络模型RNN；
再将得到的人口统计学向量作为输入值，将已知的疾病诊断结果作为输出值，对循环神经网络模型RNN进行二次训练，当损失函数值小于设定阈值时，结束训练，得到最后训练好的循环神经网络模型RNN；
步骤(4)：疾病诊断预测步骤：
获取待预测患者的诊断诊断向量、药物向量和人口统计学向量；将待预测患者的诊断诊断向量、药物向量和人口统计学向量同时输入到训练好的循环神经网络模型RNN中，输出待预测患者的疾病诊断预测结论。
作为本发明的第三个实施例，提供了基于循环神经网络模型RNN的疾病诊断预测系统；
基于循环神经网络模型RNN的疾病诊断预测系统，包括：
获取就诊信息和人口统计学信息模块；
预处理模块：对就诊信息和人口统计学信息进行预处理，得到诊断向量、药物向量和人口统计学向量；
循环神经网络模型RNN训练模块，利用预处理得到的数据对循环神经网络模型RNN进行训练；
将得到的诊断向量和药物向量作为输入值，将已知的疾病诊断结果作为输出值，对循环神经网络模型RNN进行训练；当损失函数值小于设定阈值时，结束训练，得到初步训练的循环神经网络模型RNN；
再将得到的人口统计学向量作为输入值，将已知的疾病诊断结果作为输出值，对循环神经网络模型RNN进行二次训练，当损失函数值小于设定阈值时，结束训练，得到最后训练好的循环神经网络模型RNN；
疾病诊断预测模块：
获取待预测患者的诊断诊断向量、药物向量和人口统计学向量；将待预测患者的诊断诊断向量、药物向量和人口统计学向量同时输入到训练好的循环神经网络模型RNN中，输出待预测患者的疾病诊断预测结论。
利用循环神经网络和人口统计学信息，提出结合人口统计学信息的循环神经网络模型RNN，不仅仅利用患者的就诊信息，还结合人口统计学信息进行疾病诊断预测，提高了疾病诊断预测的准确率。
依据国际疾病分类标准编码ICD-10，将就诊信息中的疾病诊断代码转换为对应的国际疾病分类标准编码ICD-10中的疾病代码。常见疾病如趋酮症性糖尿病属于糖尿病类别，疾病代码是E10；肌营养性不良属于肌肉的原发性疾患类别，疾病代码是G71；心脏梗塞属于急性心肌梗死类别，疾病代码是I21等。
依据《中国药典》2015年版，将就诊信息中的药物编码转换为对应的《中国药典》2015年版中的药物代码。常见药物如胆碱脂酶重活化剂属于解毒剂类药物，药物代码是ZA；口腔科制剂属于消化道和代谢类药物，药物代码是KA等。
综上所述，本发明在对患者的疾病诊断预测中，利用患者的人口统计学信息、用药信息和疾病信息，设计了基于RNN模型预测患者的疾病诊断结论。
以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
Claims (6)
1.基于循环神经网络模型RNN的疾病诊断预测系统，其特征是，包括：存储器、处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成的步骤如下：
步骤(1)：获取就诊信息和人口统计学信息；
步骤(2)：对就诊信息和人口统计学信息进行预处理，得到诊断向量、药物向量和人口统计学向量；
步骤(3)：利用预处理得到的数据对循环神经网络模型RNN进行训练；
将得到的诊断向量和药物向量作为输入值，将已知的疾病诊断结果作为输出值，对循环神经网络模型RNN进行训练；当损失函数值小于设定阈值时，结束训练，得到初步训练的循环神经网络模型RNN；
再将得到的人口统计学向量作为输入值，将已知的疾病诊断结果作为输出值，对循环神经网络模型RNN进行二次训练，当损失函数值小于设定阈值时，结束训练，得到最后训练好的循环神经网络模型RNN；
步骤(4)：疾病诊断预测步骤：
获取待预测患者的诊断诊断向量、药物向量和人口统计学向量；将待预测患者的诊断诊断向量、药物向量和人口统计学向量同时输入到训练好的循环神经网络模型RNN中，输出待预测患者的疾病诊断预测结论。
2.如权利要求1所述的基于循环神经网络模型RNN的疾病诊断预测系统，其特征是，所述就诊信息包括：身份证号、患病数据、用药数据和诊疗数据。
3.如权利要求1所述的基于循环神经网络模型RNN的疾病诊断预测系统，其特征是，所述人口统计学信息包括：患者的年龄、性别、身份证号、人员类别、婚姻、文化水平、职业和居住地。
4.如权利要求1所述的基于循环神经网络模型RNN的疾病诊断预测系统，其特征是，所述步骤(2)的步骤为：
对缺失率高于设定阈值的数据进行删除；
用MD5算法将身份证号、姓名和居住地进行消密处理；
将就诊信息中的疾病诊断代码转换为国际疾病分类标准编码ICD-10中的疾病代码；
将就诊信息中的药物编码转换为《中国药典》2015年版中的药物代码；
采用Min-Max最大最小值对人口统计学信息中的连续变量进行归一化处理，得到人口统计学向量；
采用One-Hot编码对人口统计学信息中的离散变量进行处理，得到人口统计学向量；
采用Multi-Hot编码对疾病诊断代码和药物编码中的变量进行处理，分别得到诊断向量和药物向量。
5.一种计算机可读存储介质，其特征是，其上运行有计算机指令，所述计算机指令被处理器运行时，完成的步骤如下：
步骤(1)：获取就诊信息和人口统计学信息；
步骤(2)：对就诊信息和人口统计学信息进行预处理，得到诊断向量、药物向量和人口统计学向量；
步骤(3)：利用预处理得到的数据对循环神经网络模型RNN进行训练；
将得到的诊断向量和药物向量作为输入值，将已知的疾病诊断结果作为输出值，对循环神经网络模型RNN进行训练；当损失函数值小于设定阈值时，结束训练，得到初步训练的循环神经网络模型RNN；
再将得到的人口统计学向量作为输入值，将已知的疾病诊断结果作为输出值，对循环神经网络模型RNN进行二次训练，当损失函数值小于设定阈值时，结束训练，得到最后训练好的循环神经网络模型RNN；
步骤(4)：疾病诊断预测步骤：
获取待预测患者的诊断诊断向量、药物向量和人口统计学向量；将待预测患者的诊断诊断向量、药物向量和人口统计学向量同时输入到训练好的循环神经网络模型RNN中，输出待预测患者的疾病诊断预测结论。
6.基于循环神经网络模型RNN的疾病诊断预测系统，其特征是，包括：
获取就诊信息和人口统计学信息模块；
预处理模块：对就诊信息和人口统计学信息进行预处理，得到诊断向量、药物向量和人口统计学向量；
循环神经网络模型RNN训练模块，利用预处理得到的数据对循环神经网络模型RNN进行训练；
将得到的诊断向量和药物向量作为输入值，将已知的疾病诊断结果作为输出值，对循环神经网络模型RNN进行训练；当损失函数值小于设定阈值时，结束训练，得到初步训练的循环神经网络模型RNN；
再将得到的人口统计学向量作为输入值，将已知的疾病诊断结果作为输出值，对循环神经网络模型RNN进行二次训练，当损失函数值小于设定阈值时，结束训练，得到最后训练好的循环神经网络模型RNN；
疾病诊断预测模块：
获取待预测患者的诊断诊断向量、药物向量和人口统计学向量；将待预测患者的诊断诊断向量、药物向量和人口统计学向量同时输入到训练好的循环神经网络模型RNN中，输出待预测患者的疾病诊断预测结论。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811086200.8A CN109346183A (zh) | 2018-09-18 | 2018-09-18 | 基于循环神经网络模型rnn的疾病诊断预测系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811086200.8A CN109346183A (zh) | 2018-09-18 | 2018-09-18 | 基于循环神经网络模型rnn的疾病诊断预测系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109346183A true CN109346183A (zh) | 2019-02-15 |
Family
ID=65305478
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811086200.8A Pending CN109346183A (zh) | 2018-09-18 | 2018-09-18 | 基于循环神经网络模型rnn的疾病诊断预测系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109346183A (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110211690A (zh) * | 2019-04-19 | 2019-09-06 | 平安科技（深圳）有限公司 | 疾病风险预测方法、装置、计算机设备及计算机存储介质 |
| CN110349664A (zh) * | 2019-06-18 | 2019-10-18 | 精锐视觉智能科技（深圳）有限公司 | 基于循环神经网络的肿瘤预测装置、终端设备及存储介质 |
| CN111192693A (zh) * | 2019-12-19 | 2020-05-22 | 山东大学 | 一种基于药物组合进行诊断编码纠正的方法及系统 |
| CN111243697A (zh) * | 2020-01-08 | 2020-06-05 | 来康科技有限责任公司 | 一种基于神经网络对目标对象数据进行判断的方法及系统 |
| CN111274305A (zh) * | 2020-01-15 | 2020-06-12 | 平安医疗健康管理股份有限公司 | 三维图片的生成方法、装置、计算机设备和存储介质 |
| CN112992376A (zh) * | 2021-03-04 | 2021-06-18 | 山东大学 | 基于权重调整的疾病名称匹配方法及系统 |
| CN113782209A (zh) * | 2020-09-25 | 2021-12-10 | 北京大学 | 一种基于循环神经网络的慢性病患者智能预后方法及系统 |
| CN114582511A (zh) * | 2022-05-07 | 2022-06-03 | 中国人民解放军总医院第八医学中心 | 一种支气管扩张症急性加重期预警方法、装置、设备及介质 |
| CN114822867A (zh) * | 2022-03-01 | 2022-07-29 | 四川大学 | 用于包虫病的早期预测的系统、计算机装置和存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106202968A (zh) * | 2016-07-28 | 2016-12-07 | 北京博源兴康科技有限公司 | 癌症的数据分析方法及装置 |
| CN106778014A (zh) * | 2016-12-29 | 2017-05-31 | 浙江大学 | 一种基于循环神经网络的患病风险预测方法 |
| CN107145746A (zh) * | 2017-05-09 | 2017-09-08 | 北京大数医达科技有限公司 | 一种病情描述的智能分析方法及系统 |
| CN108231146A (zh) * | 2017-12-01 | 2018-06-29 | 华南师范大学 | 一种基于深度学习的医疗记录模型构建方法、系统及装置 |
-
2018
- 2018-09-18 CN CN201811086200.8A patent/CN109346183A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106202968A (zh) * | 2016-07-28 | 2016-12-07 | 北京博源兴康科技有限公司 | 癌症的数据分析方法及装置 |
| CN106778014A (zh) * | 2016-12-29 | 2017-05-31 | 浙江大学 | 一种基于循环神经网络的患病风险预测方法 |
| CN107145746A (zh) * | 2017-05-09 | 2017-09-08 | 北京大数医达科技有限公司 | 一种病情描述的智能分析方法及系统 |
| CN108231146A (zh) * | 2017-12-01 | 2018-06-29 | 华南师范大学 | 一种基于深度学习的医疗记录模型构建方法、系统及装置 |
Non-Patent Citations (1)
| Title |
|---|
| WEIWEI WANG: "Predicting Clinical Visits Using Recurrent Neural Networks and Demographic Information", 《PROCEEDINGS OF THE 2018 IEEE 22ND INTERNATIONAL CONFERENCE ON COMPUTER SUPPORTED COOPERATIVE WORK IN DESIGN》 * |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110211690A (zh) * | 2019-04-19 | 2019-09-06 | 平安科技（深圳）有限公司 | 疾病风险预测方法、装置、计算机设备及计算机存储介质 |
| CN110349664A (zh) * | 2019-06-18 | 2019-10-18 | 精锐视觉智能科技（深圳）有限公司 | 基于循环神经网络的肿瘤预测装置、终端设备及存储介质 |
| CN110349664B (zh) * | 2019-06-18 | 2022-05-27 | 精锐视觉科技(山东)有限公司 | 基于循环神经网络的肿瘤预测装置、终端设备及存储介质 |
| CN111192693B (zh) * | 2019-12-19 | 2021-07-27 | 山东大学 | 一种基于药物组合进行诊断编码纠正的方法及系统 |
| CN111192693A (zh) * | 2019-12-19 | 2020-05-22 | 山东大学 | 一种基于药物组合进行诊断编码纠正的方法及系统 |
| CN111243697A (zh) * | 2020-01-08 | 2020-06-05 | 来康科技有限责任公司 | 一种基于神经网络对目标对象数据进行判断的方法及系统 |
| CN111274305A (zh) * | 2020-01-15 | 2020-06-12 | 平安医疗健康管理股份有限公司 | 三维图片的生成方法、装置、计算机设备和存储介质 |
| CN111274305B (zh) * | 2020-01-15 | 2023-03-31 | 深圳平安医疗健康科技服务有限公司 | 三维图片的生成方法、装置、计算机设备和存储介质 |
| CN113782209A (zh) * | 2020-09-25 | 2021-12-10 | 北京大学 | 一种基于循环神经网络的慢性病患者智能预后方法及系统 |
| CN112992376A (zh) * | 2021-03-04 | 2021-06-18 | 山东大学 | 基于权重调整的疾病名称匹配方法及系统 |
| CN114822867A (zh) * | 2022-03-01 | 2022-07-29 | 四川大学 | 用于包虫病的早期预测的系统、计算机装置和存储介质 |
| CN114822867B (zh) * | 2022-03-01 | 2023-04-18 | 四川大学 | 用于包虫病的早期预测的系统、计算机装置和存储介质 |
| CN114582511A (zh) * | 2022-05-07 | 2022-06-03 | 中国人民解放军总医院第八医学中心 | 一种支气管扩张症急性加重期预警方法、装置、设备及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109346183A (zh) | 基于循环神经网络模型rnn的疾病诊断预测系统 | |
| Schwendicke et al. | Artificial intelligence in dentistry: chances and challenges | |
| CN111883228B (zh) | 基于知识图谱的健康信息推荐方法、装置、设备及介质 | |
| Geukes et al. | Health literacy and people with intellectual disabilities: What we know, what we do not know, and what we need: A theoretical discourse | |
| Fati et al. | Deep and hybrid learning technique for early detection of tuberculosis based on X-ray images using feature fusion | |
| Shao et al. | Shedding light on the black box: explaining deep neural network prediction of clinical outcomes | |
| Mathur | Machine learning applications using python: Cases studies from healthcare, retail, and finance | |
| CN112908452A (zh) | 事件数据建模 | |
| Yu et al. | Machine learning for predictive modelling of ambulance calls | |
| Liu et al. | Inter-patient congestive heart failure detection using ECG-convolution-vision transformer network | |
| Alqudah et al. | Reduced number of parameters for predicting post-stroke activities of daily living using machine learning algorithms on initiating rehabilitation | |
| WO2022006103A1 (en) | System and methods utilizing artificial intelligence algorithms to analyze wearable activity tracker data | |
| CN117557331A (zh) | 一种产品推荐方法、装置、计算机设备及存储介质 | |
| Islam et al. | Twitter user representation using weakly supervised graph embedding | |
| Ali et al. | KARE: A hybrid reasoning approach for promoting active lifestyle | |
| CN117012380A (zh) | 事件预估方法、装置、设备、存储介质及程序产品 | |
| Bandopadhyay et al. | Speech Recognition and Neural Networks based Talking Health Care Bot (THCB): Medibot | |
| Shen et al. | Did Household Income Loss Have an Immediate Impact on Animal-Source Foods Consumption during the Early Stage of the COVID-19 Pandemic? | |
| Jyothsna et al. | Health Insurance Premium Prediction using XGboost Regressor | |
| CN113821641A (zh) | 基于权重分配的药品分类的方法、装置、设备及存储介质 | |
| Sharma et al. | Accurate prediction of life style based disorders by smart healthcare using machine learning and prescriptive big data analytics | |
| Stambler | Eating data: The rhetorics of food, medicine, and technology in employee wellness programs | |
| CN110689963A (zh) | 基于深度学习的分析食物营养成分的慢性病风险预测方法 | |
| Dobrzycki et al. | Exploring the Use of Contrastive Language-Image Pre-Training for Human Posture Classification: Insights from Yoga Pose Analysis | |
| Zhu et al. | Inferring personality traits from user liked images via weakly supervised dual convolutional network |
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 |