CN109378065A - 医疗数据处理方法及装置、存储介质、电子设备 - Google Patents
医疗数据处理方法及装置、存储介质、电子设备 Download PDFInfo
- Publication number
- CN109378065A CN109378065A CN201811279851.9A CN201811279851A CN109378065A CN 109378065 A CN109378065 A CN 109378065A CN 201811279851 A CN201811279851 A CN 201811279851A CN 109378065 A CN109378065 A CN 109378065A
- Authority
- CN
- China
- Prior art keywords
- medical
- information
- decision making
- feature information
- fisrt 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
- 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)
- Data Mining & Analysis (AREA)
- Biomedical Technology (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
本发明实施例是关于一种医疗数据处理方法及装置，属于数据处理技术领域，该方法包括：获取满足预设条件的原始病历数据，并从所述原始病历数据中获取目标病历数据的第一医疗决策信息以及第一特征信息；利用所述第一医疗决策信息以及所述第一特征信息对基于机器学习的原始模型进行训练，得到辅助决策模型；利用所述辅助决策模型对待处理病患的第二特征信息进行预测，得到所述待处理病患的第二医疗决策信息。该方法解决了现有技术中基于规则树的推荐医疗方案准确率较低的问题，提高了医疗方案推荐的准确性。
Description
技术领域
本发明实施例涉及数据处理技术领域，具体而言，涉及一种医疗数据处理方法、医疗数据处理装置、计算机可读存储介质以及电子设备。
背景技术
随着临床医疗大数据的不断应用与机器学习技术的快速发展，基于机器学习技术，从海量的电子病历数据中，自动挖掘数据隐藏的知识(医学只是发现、医生诊疗经验等)，已经成为一个热点的研究方向。
结直肠癌是发病率top5的恶性肿瘤之一，结直肠癌的术后辅助化疗方案的选择在结直肠癌的治疗过程中是比较重要的一个决策。目前，医生都是基于自己的诊疗经验和临床指南来选择化疗方案，有部分实现的辅助系统时基于临床指南来构建基于规则树的推荐。
但是，基于规则树的结直肠癌术后化疗推荐模型主要是针对临床指南的拆解，不能覆盖临床各种病人的真实情况，大多数时候推荐的方案准确率较低。
因此，需要提供一种新的医疗数据处理方法及装置。
需要说明的是，在上述背景技术部分发明的信息仅用于加强对本发明的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本发明的目的在于提供一种医疗数据处理方法、医疗数据处理装置、计算机可读存储介质以及电子设备，进而至少在一定程度上克服由于相关技术的限制和缺陷而导致的方案准确率较低的问题。
根据本公开的一个方面，提供一种医疗数据处理方法，包括：
获取满足预设条件的原始病历数据，并从所述原始病历数据中获取目标病历数据的第一医疗决策信息以及第一特征信息；
利用所述第一医疗决策信息以及所述第一特征信息对基于机器学习的原始模型进行训练，得到辅助决策模型；
利用所述辅助决策模型对待处理病患的第二特征信息进行预测，得到所述待处理病患的第二医疗决策信息。
在本公开的一种示例性实施例中，利用所述第一医疗决策信息以及所述第一特征信息对基于机器学习的原始模型进行训练，得到辅助决策模型包括：
根据所述第一医疗决策信息以及第一特征信息建立数据集，并将所述数据集分为训练数据集以及测试数据集；
利用所述训练数据集对基于机器学习的原始模型进行训练，得到训练结果；其中，所述训练结果包括所述第一医疗决策信息以及所述第一特征信息的关联关系；
利用所述测试数据集对所述训练结果进行测试；
如果所述训练结果的测试结果满足预设测试结果，则将训练后的原始模型作为所述辅助决策模型。
在本公开的一种示例性实施例中，所述原始模型包括Bayes模型、决策树模型、逻辑回归模型、SVM模型以及神经网络模型中的一种或多种。
在本公开的一种示例性实施例中，所述预设条件包括诊断结果是否为目标疾病、是否做过与所述目标疾病对应的手术以及是否在手术后的预设时间内进行与所述目标疾病对应的治疗中的一种或多种。
在本公开的一种示例性实施例中，从所述原始病历数据中获取目标病历数据的第一医疗决策信息包括：
对所述原始病历数据中的用药信息以及医嘱信息进行标准化处理，得到所述第一医疗决策信息。
在本公开的一种示例性实施例中，所述第一特征信息包括患者基本信息以及疾病信息；
其中，患者基本信息包括患者年龄以及性别中的一种或多种；
疾病信息包括疾病的分期信息以及影响疾病的危险因素中的一种或多种。
根据本公开的一个方面，提供一种医疗数据处理装置，包括：
获取模块，用于获取满足预设条件的原始病历数据，并从所述原始病历数据中获取目标病历数据的第一医疗决策信息以及第一特征信息；
机器学习模块，用于利用所述第一医疗决策信息以及所述第一特征信息对基于机器学习的原始模型进行训练，得到辅助决策模型；
预测模块，用于利用所述辅助决策模型对待处理病患的第二特征信息进行预测，得到所述待处理病患的第二医疗决策信息。
根据本公开的一个方面，提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任意一项所述的医疗数据处理方法。
根据本公开的一个方面，提供一种电子设备，包括：
处理器；以及
存储器，用于存储所述处理器的可执行指令；
其中，所述处理器配置为经由执行所述可执行指令来执行上述任意一项所述的医疗数据处理方法。
本发明实施例一种医疗数据处理方法及装置，通过获取目标病历数据的第一医疗决策信息以及第一特征信息，然后进行训练得到辅助决策模型，最后利用辅助决策模型得到待处理病患的第二医疗决策信息；一方面，通过通过利用第一医疗决策信息以及第一特征信息对基于机器学习的原始模型进行训练，得到辅助决策模型；然后再通过辅助决策模型对带处理病患的第二特征信息进行预测，得到第二医疗决策信息，解决了现有技术中基于规则树推荐的医疗方案准确率较低的问题，提高了第二医疗决策信息(医疗方案)推荐的准确性；另一方面，通过利用辅助决策模型对待处理病患的第二特征信息进行预测，得到待处理病患的第二医疗决策信息，提高了医疗方案的获取速度，使得待处理患者可以及时的得到治疗，进而节省了待处理患者的治疗时间；再一方面，通过利用辅助决策模型对待处理病患的第二特征信息进行分析，得到待处理病患的第二医疗决策信息，使得该医疗方案可以根据待处理患者的特征信息进行推荐，避免了医疗方案不适用于待处理患者的问题，进一步的提升了待处理患者的用户体验。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1示意性示出一种医疗数据处理方法的流程图。
图2示意性示出一种关联关系示例图。
图3示意性示出一种利用所述第一医疗决策信息以及所述第一特征信息对基于机器学习的原始模型进行训练，得到辅助决策模型的方法流程图。
图4示意性示出一种根据所述第一医疗决策信息以及第一特征信息建立数据集的方法流程图。
图5示意性示出一种医疗数据处理装置的框图。
图6示意性示出一种用于实现上述医疗数据处理方法的电子设备示例图。
图7示意性示出一种用于实现上述医疗数据处理方法的计算机可读存储介质。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本发明将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中，提供许多具体细节从而给出对本发明的实施方式的充分理解。然而，本领域技术人员将意识到，可以实践本发明的技术方案而省略所述特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知技术方案以避免喧宾夺主而使得本发明的各方面变得模糊。
此外，附图仅为本发明的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
本示例实施方式中首先提供了一种医疗数据处理方法，该方法可以运行于服务器、服务器集群或云服务器等，也可以运行与设备终端；当然，本领域技术人员也可以根据需求在其他平台运行本发明的方法，本示例性实施例中对此不做特殊限定。
图1示意性示出了一种医疗数据处理方法的流程图。参考图1所示，该医疗数据处理方法可以包括步骤S110-步骤S130。其中：
在步骤S110中，获取满足预设条件的原始病历数据，并从所述原始病历数据中获取目标病历数据的第一医疗决策信息以及第一特征信息。
在本示例实施方式中，上述预设条件可以包括：诊断结果是否为目标疾病(例如可以是出院诊断为结直肠癌)、是否做过与所述目标疾病对应的手术(例如可以是做过结直肠癌手术)以及是否在手术后的预设时间内进行与所述目标疾病对应的治疗(例如可以是在手术后的3个月内进行过化疗)等等，也可以包括其他条件，例如在治疗后的预设时间内是否发病(例如可以是在化疗后的半年内是否继续恶化)等等，本示例对此不做特殊限制。特征信息可以包括病患基本信息(例如可以包括患者的年龄以及性别信息，也可以包括患者的既往病史等信息，本示例对此不做特殊限制)以及疾病信息等等，也可以包括其他信息，例如可以是治疗时长信息等等，本示例对此不做特殊限制。其中，疾病信息可以包括患者的具体病况，例如，可以是疾病的分期信息(可以通过T、N、M分期进行确定)、影响疾病的危险因素等等；其中，危险因素可以包括：高危因素(神经浸润；脉管浸润；肠穿孔；肠梗阻；组织学分化3/4级；切缘阳性或情况不明；切缘安全距离不够送检；淋巴结小于12枚)，以及低危因素(MSI-H(微卫星高不稳定性)以及dMMR(免疫组化检测MLH1,MSH2,MSH6,PMS6蛋白表达阴性))等等。具体的示例图可以参考图2所示。
进一步的，获取满足预设条件的原始病历数据可以包括：获取历史病历数据；从所述历史病历数据中查找包括诊断结果为目标疾病、做过与所述目标疾病对应的手术，且在手术后的预设时间内进行过与所述目标疾病对应的治疗的病历数据作为所述原始病历数据。详细而言：
首先，从病历数据库中获取历史病历数据(可以是包括癌症患者的历史病历数据)；然后，从该历史病历数据中筛选满足以下条件的病历数据作为原始病历数据：
1.出院诊断为结直肠癌；
2.做过结直肠癌手术；
3.在手术后的3个月内进行过化疗。
更进一步的，从所述原始病历数据中获取目标病历数据的第一医疗决策信息可以包括：对所述原始病历数据中的用药信息以及医嘱信息进行标准化处理，得到所述第一医疗决策信息。详细而言：
首先，可以利用自然语言处理方法，将原始病历数据中的用药信息以及医嘱信息进行标准化处理；例如，将用药信息统一成国际标准化的用药名称；将医嘱信息同一成标准的业内专业术语等等；然后，根据标准化处理后的用药信息以及医嘱信息得到第一医疗决策信息；例如，该目标病例数据可以是真正在执行结直肠癌手术后，第一次辅助化疗的病历；得到的第一医疗决策信息例如可以是：沙利铂+卡培他滨＝XELOX方案。
在步骤S120中，利用所述第一医疗决策信息以及所述第一特征信息对基于机器学习的原始模型进行训练，得到辅助决策模型。
在本示例实施方式中，原始模型可以包括但不限于Bayes模型、决策树模型、逻辑回归模型、SVM模型以及神经网络模型等等，本示例对此不做特殊限制。
在步骤S130中，利用所述辅助决策模型对待处理病患的第二特征信息进行预测，得到所述待处理病患的第二医疗决策信息
在本示例实施方式中，首先，可以从待处理患者的病历信息中提取第二特征信息；其中，该病历信息可以是患者本诊断为患有结直肠癌的确诊病历；其中，该病历信息可以为一份，也可以为多份，本示例对此不做特殊限制。进一步的，当得到辅助决策模型以后，可以向该辅助决策模型中输入第二特征信息，使得该辅助决策模型对该第二特征信息进行预测分析并最终得到该待处理病患的第二医疗决策信息。通过方式，避免了待处理病患在遇到不同的医护人员时，都需要对第二医疗决策信息进行多次确定的问题，节省了待处理患者确定治疗方案的时间，进一步的提升了待处理患者的用户体验。
上述医疗数据处理方法中，一方面，通过利用第一医疗决策信息以及第一特征信息对基于机器学习的原始模型进行训练，得到辅助决策模型；然后再通过辅助决策模型对带处理病患的第二特征信息进行预测，得到第二医疗决策信息，解决了现有技术中基于规则树推荐的医疗方案准确率较低的问题，提高了第二医疗决策信息(医疗方案)推荐的准确性；另一方面，通过利用辅助决策模型对待处理病患的第二特征信息进行预测，得到待处理病患的第二医疗决策信息，提高了医疗方案的获取速度，使得待处理患者可以及时的得到治疗，进而节省了待处理患者的治疗时间；再一方面，通过利用辅助决策模型对待处理病患的第二特征信息进行分析，得到待处理病患的第二医疗决策信息，使得该医疗方案可以根据待处理患者的特征信息进行推荐，避免了医疗方案不适用于待处理患者的问题，进一步的提升了待处理患者的用户体验。
图3示意性示出一种利用所述第一医疗决策信息以及所述第一特征信息对基于机器学习的原始模型进行训练，得到辅助决策模型的方法流程图。参考图3所示，利用所述第一医疗决策信息以及所述第一特征信息对基于机器学习的原始模型进行训练，得到辅助决策模型可以包括步骤S310-步骤S340。其中：
在步骤S310中，根据所述第一医疗决策信息以及第一特征信息建立数据集，并将所述数据集分为训练数据集以及测试数据集。
在步骤S320中，利用所述训练数据集对基于机器学习的原始模型进行训练，得到训练结果；其中，所述训练结果包括所述第一医疗决策信息以及所述第一特征信息的关联关系。
在步骤S330中，利用所述测试数据集对所述训练结果进行测试。
在步骤S340中，如果所述训练结果的测试结果满足预设测试结果，则将训练后的原始模型作为所述辅助决策模型。
下面，将对步骤S310-步骤S340进行解释以及说明。首先，建立包括第一医疗决策信息以及第一特征信息的数据集；再将该数据集分为训练数据集以及测试数据集；其中，训练数据集以及测试数据集的比例可以为7:3，也可以为8:2，本示例对此不做特殊限制；其次，可以利用训练数据集对上述基于机器学习的原始模型进行训练，得到训练结果；然后，利用测试数据集对对训练结果进行测试，得到多个测试结果；最后，统计各测试结果的是否准确得到测试结果的准确率，如果该准确率大于预设测试结果的准确率(例如，准确率大于0.9)，则可以将该第一训练模型作为辅助决策模型；如果小于预设测试结果的准确率，则可以增加训练数据集以及测试数据集的数据量，并再次对训练数据集进行机器学习得到第二训练模型，直至最终的测试结果的准确率大于预设测试结果的准确率为止。通过该方式，可以提升辅助决策模型的准确性，进而提升医疗方案的准确性。
进一步的，对上述训练结果进行进一步的补充说明。上述训练结果中可以包括第一医疗决策信息以及第一特征信息之间的关联关系。参考图2所示，图中T分期、N分期、高危因素、低危因素以及年龄为第一特征信息；XELOX(卡培他滨+奥沙利铂)、FOLFOX(奥沙利铂+亚叶酸钙+氟尿嘧啶)、卡培他滨以及氟尿嘧啶为第一医疗决策信息；当对原始模型训练结束后，可以得到T分期+高危因素+年龄较大时，需要的第一医疗决策信息为FOLFOX；或者，T分期时，可以根据T分期的不同阶段，选择XELOX，或者FOLFOX、或者卡培他滨或者氟尿嘧啶等等。此处需要补充说明的是，由于患者的特征信息不同(疾病分期不同、既往病史不同以及年龄不同)，因此需要的治疗方案(第一医疗决策信息)不同，所以需要经过多次不同的训练，得到如图2中所示网状联系，然后再根据不同的特征信息进行预测得到特定的治疗方案。
图4示意性示出一种根据所述第一医疗决策信息以及第一特征信息建立数据集的方法流程图。参考图4所示，根据所述第一医疗决策信息以及第一特征信息建立数据集可以包括步骤S410-步骤S440。其中：
在步骤S410中，判断所述第一特征信息是否为连续特征值。
在步骤S420中，如果所述第一特征信息为连续特征值，则对所述第一特征信息进行离散化处理，得到离散特征值。
在步骤S430中，对所述离散特征值进行归一化以及标准化处理，得到标准离散特征值。
在步骤S440中，利用所述第一医疗决策信息以及所述标准离散特征值建立数据集。
下面，将对步骤S410-步骤S440进行详细的解释以及说明。首先，可以根据第一特征信息对应的数值判断该特征信息是否为连续特征值；例如，当特征信息对应的数值为某一个区间值时，可以判断该特征信息为连续特征值，例如血压；当特征信息对应的数值为某一个固定值时，可以判断该特征信息为离散特征值，例如年龄；进一步的，如果第一特征信息为连续特征值，则可以对第一特征信息进行离散化处理，得到离散特征值；例如，可以将血压值处理为：高压、低压以及中间值各取一个数值，得到多个离散特征值；更进一步的，当得到多个离散特征值以后，还需要对离散特征值进行归一化以及标准化处理，得到标准离散特征值；例如，可以参考国际医学标准，将离散特征值处理成与国际医学标准统一的数值；例如，可以将体温的温度数值统一处理成国际单位等等；最后再利用第一医疗决策信息以及标准离散特征值建立数据集。通过对离散特征值进行标准化处理，便于后续在得到患者的治疗方案以后，患者以及其他医护人员可以明白如何实施用药以及治疗方案，并且在后续处理的过程中可以更加的方便。此处需要说明的是，图2仅仅是对本公开的示例实施例进行解释以及说明，并不用于解决病人的具体病况。
本公开还提供了一种医疗数据处理装置。参考图5所示，该医疗数据处理装置可以包括：获取模块510、机器学习模块520以及预测模块530。其中：
获取模块510可以用于获取满足预设条件的原始病历数据，并从所述原始病历数据中获取目标病历数据的第一医疗决策信息以及第一特征信息。
机器学习模块520可以用于利用所述第一医疗决策信息以及所述第一特征信息对基于机器学习的原始模型进行训练，得到辅助决策模型。
预测模块530用于所述辅助决策模型对待处理病患的第二特征信息进行预测，得到所述待处理病患的第二医疗决策信息。
在本公开的一种示例实施方式中，利用所述第一医疗决策信息以及所述第一特征信息对基于机器学习的原始模型进行训练，得到辅助决策模型包括：
根据所述第一医疗决策信息以及第一特征信息建立数据集，并将所述数据集分为训练数据集以及测试数据集；
利用所述训练数据集对基于机器学习的原始模型进行训练，得到训练结果；其中，所述训练结果包括所述第一医疗决策信息以及所述第一特征信息的关联关系；
利用所述测试数据集对所述训练结果进行测试；
如果所述训练结果的测试结果满足预设测试结果，则将训练后的原始模型作为所述辅助决策模型。
在本公开的一种示例实施方式中，所述原始模型包括Bayes模型、决策树模型、逻辑回归模型、SVM模型以及神经网络模型中的一种或多种。
在本公开的一种示例实施方式中，根据所述第一医疗决策信息以及第一特征信息建立数据集包括：
判断所述第一特征信息是否为连续特征值；
如果所述第一特征信息为连续特征值，则对所述第一特征信息进行离散化处理，得到离散特征值；
对所述离散特征值进行归一化以及标准化处理，得到标准离散特征值；
利用所述第一医疗决策信息以及所述标准离散特征值建立数据集。
在本公开的一种示例实施方式中，所述预设条件包括诊断结果是否为目标疾病、是否做过与所述目标疾病对应的手术以及是否在手术后的预设时间内进行与所述目标疾病对应的治疗中的一种或多种。
在本公开的一种示例实施方式中，从所述原始病历数据中获取目标病历数据的第一医疗决策信息包括：
对所述原始病历数据中的用药信息以及医嘱信息进行标准化处理，得到所述第一医疗决策信息。
在本公开的一种示例实施方式中，所述第一特征信息包括患者基本信息以及疾病信息；
其中，患者基本信息包括患者年龄以及性别中的一种或多种；
疾病信息包括疾病的分期信息以及影响疾病的危险因素中的一种或多种。
上述医疗数据处理装置中各模块的具体细节已经在对应的医疗数据处理方法中进行了详细想描述，因此此处不再赘述。
应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本发明的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
此外，尽管在附图中以特定顺序描述了本发明中方法的各个步骤，但是，这并非要求或者暗示必须按照该特定顺序来执行这些步骤，或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的，可以省略某些步骤，将多个步骤合并为一个步骤执行，以及/或者将一个步骤分解为多个步骤执行等。
通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本发明实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者网络设备等)执行根据本发明实施方式的方法。
在本发明的示例性实施例中，还提供了一种能够实现上述方法的电子设备。
所属技术领域的技术人员能够理解，本发明的各个方面可以实现为系统、方法或程序产品。因此，本发明的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。
下面参照图6来描述根据本发明的这种实施方式的电子设备600。图6显示的电子设备600仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图6所示，电子设备600以通用计算设备的形式表现。电子设备600的组件可以包括但不限于：上述至少一个处理单元610、上述至少一个存储单元620、连接不同系统组件(包括存储单元620和处理单元610)的总线630。
其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元610执行，使得所述处理单元610执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。例如，所述处理单元610可以执行如图1中所示的步骤S110：获取满足预设条件的原始病历数据，并从所述原始病历数据中获取目标病历数据的第一医疗决策信息以及第一特征信息；S120：利用所述第一医疗决策信息以及所述第一特征信息对基于机器学习的原始模型进行训练，得到辅助决策模型；步骤S130：利用所述辅助决策模型对待处理病患的第二特征信息进行预测，得到所述待处理病患的第二医疗决策信息。
存储单元620可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)6201和/或高速缓存存储单元6202，还可以进一步包括只读存储单元(ROM)6203。
存储单元620还可以包括具有一组(至少一个)程序模块6205的程序/实用工具6204，这样的程序模块6205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线630可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备600也可以与一个或多个外部设备700(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备600交互的设备通信，和/或与使得该电子设备600能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口650进行。并且，电子设备600还可以通过网络适配器660与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器660通过总线630与电子设备600的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备600使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本发明实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本发明实施方式的方法。
在本发明的示例性实施例中，还提供了一种计算机可读存储介质，其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施方式中，本发明的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。
参考图7所示，描述了根据本发明的实施方式的用于实现上述方法的程序产品710，其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本发明的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
此外，上述附图仅是根据本发明示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。
本领域技术人员在考虑说明书及实践这里发明的发明后，将容易想到本发明的其他实施例。本申请旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未发明的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本发明的真正范围和精神由权利要求指出。
Claims (10)
1.一种医疗数据处理方法，其特征在于，包括：
获取满足预设条件的原始病历数据，并从所述原始病历数据中获取目标病历数据的第一医疗决策信息以及第一特征信息；
利用所述第一医疗决策信息以及所述第一特征信息对基于机器学习的原始模型进行训练，得到辅助决策模型；
利用所述辅助决策模型对待处理病患的第二特征信息进行预测，得到所述待处理病患的第二医疗决策信息。
2.根据权利要求1所述的医疗数据处理方法，其特征在于，利用所述第一医疗决策信息以及所述第一特征信息对基于机器学习的原始模型进行训练，得到辅助决策模型包括：
根据所述第一医疗决策信息以及第一特征信息建立数据集，并将所述数据集分为训练数据集以及测试数据集；
利用所述训练数据集对基于机器学习的原始模型进行训练，得到训练结果；其中，所述训练结果包括所述第一医疗决策信息以及所述第一特征信息的关联关系；
利用所述测试数据集对所述训练结果进行测试；
如果所述训练结果的测试结果满足预设测试结果，则将训练后的原始模型作为所述辅助决策模型。
3.根据权利要求2所述的医疗数据处理方法，其特征在于，所述原始模型包括Bayes模型、决策树模型、逻辑回归模型、SVM模型以及神经网络模型中的一种或多种。
4.根据权利要求2所述的医疗数据处理方法，根据所述第一医疗决策信息以及第一特征信息建立数据集包括：
判断所述第一特征信息是否为连续特征值；
如果所述第一特征信息为连续特征值，则对所述第一特征信息进行离散化处理，得到离散特征值；
对所述离散特征值进行归一化以及标准化处理，得到标准离散特征值；
利用所述第一医疗决策信息以及所述标准离散特征值建立数据集。
5.根据权利要求1所述的医疗数据处理方法，其特征在于，所述预设条件包括诊断结果是否为目标疾病、是否做过与所述目标疾病对应的手术以及是否在手术后的预设时间内进行与所述目标疾病对应的治疗中的一种或多种。
6.根据权利要求1所述的医疗数据处理方法，其特征在于，从所述原始病历数据中获取目标病历数据的第一医疗决策信息包括：
对所述原始病历数据中的用药信息以及医嘱信息进行标准化处理，得到所述第一医疗决策信息。
7.根据权利要求1所述的医疗数据处理方法，其特征在于，所述第一特征信息包括患者基本信息以及疾病信息；
其中，患者基本信息包括患者年龄以及性别中的一种或多种；
疾病信息包括疾病的分期信息以及影响疾病的危险因素中的一种或多种。
8.一种医疗数据处理装置，其特征在于，包括：
获取模块，用于获取满足预设条件的原始病历数据，并从所述原始病历数据中获取目标病历数据的第一医疗决策信息以及第一特征信息；
机器学习模块，用于利用所述第一医疗决策信息以及所述第一特征信息对基于机器学习的原始模型进行训练，得到辅助决策模型；
预测模块，用于利用所述辅助决策模型对待处理病患的第二特征信息进行预测，得到所述待处理病患的第二医疗决策信息。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1-7任一项所述的医疗数据处理方法。
10.一种电子设备，其特征在于，包括：
处理器；以及
存储器，用于存储所述处理器的可执行指令；
其中，所述处理器配置为经由执行所述可执行指令来执行权利要求1-7任一项所述的医疗数据处理方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811279851.9A CN109378065A (zh) | 2018-10-30 | 2018-10-30 | 医疗数据处理方法及装置、存储介质、电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811279851.9A CN109378065A (zh) | 2018-10-30 | 2018-10-30 | 医疗数据处理方法及装置、存储介质、电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109378065A true CN109378065A (zh) | 2019-02-22 |
Family
ID=65390789
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811279851.9A Pending CN109378065A (zh) | 2018-10-30 | 2018-10-30 | 医疗数据处理方法及装置、存储介质、电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109378065A (zh) |
Cited By (29)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109948806A (zh) * | 2019-03-28 | 2019-06-28 | 医渡云（北京）技术有限公司 | 决策模型优化方法、装置、存储介质及设备 |
| CN110136007A (zh) * | 2019-04-09 | 2019-08-16 | 中康龙马(北京)医疗健康科技有限公司 | 一种自适应调整医疗保险覆盖策略的方法 |
| CN110211701A (zh) * | 2019-06-17 | 2019-09-06 | 戴松世 | 一种模型生成方法、数据处理方法及对应装置 |
| CN110660456A (zh) * | 2019-09-12 | 2020-01-07 | 上海森亿医疗科技有限公司 | 临床决策支持及其模型训练方法、装置、终端、介质 |
| CN110675958A (zh) * | 2019-08-31 | 2020-01-10 | 天津开心生活科技有限公司 | 一种肿瘤治疗方案判线方法及装置 |
| CN110706803A (zh) * | 2019-08-20 | 2020-01-17 | 南京医基云医疗数据研究院有限公司 | 一种确定心肌纤维化的方法、装置、可读介质及电子设备 |
| CN110782996A (zh) * | 2019-09-18 | 2020-02-11 | 平安科技（深圳）有限公司 | 医疗数据库的构建方法、装置、计算机设备和存储介质 |
| CN111028942A (zh) * | 2019-12-10 | 2020-04-17 | 医渡云（北京）技术有限公司 | 数据处理方法及装置、存储介质及电子终端 |
| CN111144658A (zh) * | 2019-12-30 | 2020-05-12 | 医渡云（北京）技术有限公司 | 医疗风险预测方法、装置、系统、存储介质与电子设备 |
| CN111145905A (zh) * | 2019-12-31 | 2020-05-12 | 北京懿医云科技有限公司 | 目标决策模型构建方法及装置、电子设备、存储介质 |
| CN111223076A (zh) * | 2019-12-30 | 2020-06-02 | 北京深睿博联科技有限责任公司 | 神经系统影像分析方法和装置 |
| 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 |
| CN111242893A (zh) * | 2019-12-30 | 2020-06-05 | 北京深睿博联科技有限责任公司 | 神经系统影像分析方法和装置 |
| CN111261298A (zh) * | 2019-12-25 | 2020-06-09 | 南京医康科技有限公司 | 一种医疗数据质量预判方法、装置、可读介质及电子设备 |
| CN111626883A (zh) * | 2020-05-29 | 2020-09-04 | 上海商汤智能科技有限公司 | 核保方法及装置、电子设备和存储介质 |
| CN111768867A (zh) * | 2020-07-01 | 2020-10-13 | 北京爱康宜诚医疗器材有限公司 | 治疗方案的确定方法及装置 |
| CN111899865A (zh) * | 2020-07-15 | 2020-11-06 | 医渡云（北京）技术有限公司 | 医疗信息的推荐方法、装置、介质及电子设备 |
| CN111915698A (zh) * | 2020-08-21 | 2020-11-10 | 南方科技大学 | 一种脉管浸润检测方法、装置、计算机设备及存储介质 |
| CN112037911A (zh) * | 2020-08-28 | 2020-12-04 | 北京万灵盘古科技有限公司 | 基于机器学习的精神评估的筛查系统及其训练方法 |
| CN112185575A (zh) * | 2020-10-14 | 2021-01-05 | 北京嘉和美康信息技术有限公司 | 一种确定待比对医疗数据的方法和装置 |
| CN112435753A (zh) * | 2019-08-26 | 2021-03-02 | 豪夫迈·罗氏有限公司 | 医疗数据的自动验证 |
| CN112614562A (zh) * | 2020-12-23 | 2021-04-06 | 联仁健康医疗大数据科技股份有限公司 | 基于电子病历的模型训练方法、装置、设备及存储介质 |
| CN113032469A (zh) * | 2019-12-24 | 2021-06-25 | 医渡云（北京）技术有限公司 | 文本结构化模型训练、医疗文本结构化方法及装置 |
| CN113053522A (zh) * | 2021-04-22 | 2021-06-29 | 北京百度网讯科技有限公司 | 用于处理医疗数据的方法、装置、设备、介质和产品 |
| CN113241183A (zh) * | 2021-04-30 | 2021-08-10 | 深圳睿心智能医疗科技有限公司 | 治疗方案预测方法及装置 |
| CN113270189A (zh) * | 2021-05-19 | 2021-08-17 | 复旦大学附属肿瘤医院 | 一种基于强化学习的肿瘤治疗辅助决策方法 |
| CN113362958A (zh) * | 2021-06-01 | 2021-09-07 | 深圳睿心智能医疗科技有限公司 | 治疗方案的应用后效果的预测方法及装置 |
| WO2022100687A1 (zh) * | 2020-11-12 | 2022-05-19 | 医渡云（北京）技术有限公司 | 融合决策方法及装置、计算机可读存储介质及电子设备 |
| CN112614562B (zh) * | 2020-12-23 | 2024-05-31 | 联仁健康医疗大数据科技股份有限公司 | 基于电子病历的模型训练方法、装置、设备及存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130274564A1 (en) * | 2012-03-15 | 2013-10-17 | Samsung Electronics Co., Ltd. | Apparatus and method for predicting upcoming stage of carotid stenosis |
| CN107730087A (zh) * | 2017-09-20 | 2018-02-23 | 平安科技（深圳）有限公司 | 预测模型训练方法、数据监控方法、装置、设备及介质 |
| CN108461152A (zh) * | 2018-01-12 | 2018-08-28 | 平安科技（深圳）有限公司 | 医疗模型训练方法、医疗识别方法、装置、设备及介质 |
| CN108573752A (zh) * | 2018-02-09 | 2018-09-25 | 上海米因医疗器械科技有限公司 | 一种基于健康大数据的健康信息处理的方法及系统 |
-
2018
- 2018-10-30 CN CN201811279851.9A patent/CN109378065A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130274564A1 (en) * | 2012-03-15 | 2013-10-17 | Samsung Electronics Co., Ltd. | Apparatus and method for predicting upcoming stage of carotid stenosis |
| CN107730087A (zh) * | 2017-09-20 | 2018-02-23 | 平安科技（深圳）有限公司 | 预测模型训练方法、数据监控方法、装置、设备及介质 |
| CN108461152A (zh) * | 2018-01-12 | 2018-08-28 | 平安科技（深圳）有限公司 | 医疗模型训练方法、医疗识别方法、装置、设备及介质 |
| CN108573752A (zh) * | 2018-02-09 | 2018-09-25 | 上海米因医疗器械科技有限公司 | 一种基于健康大数据的健康信息处理的方法及系统 |
Cited By (47)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109948806A (zh) * | 2019-03-28 | 2019-06-28 | 医渡云（北京）技术有限公司 | 决策模型优化方法、装置、存储介质及设备 |
| CN110136007A (zh) * | 2019-04-09 | 2019-08-16 | 中康龙马(北京)医疗健康科技有限公司 | 一种自适应调整医疗保险覆盖策略的方法 |
| CN110211701A (zh) * | 2019-06-17 | 2019-09-06 | 戴松世 | 一种模型生成方法、数据处理方法及对应装置 |
| CN110211701B (zh) * | 2019-06-17 | 2021-05-25 | 戴松世 | 一种模型生成方法、数据处理方法及对应装置 |
| CN110706803B (zh) * | 2019-08-20 | 2023-06-27 | 南京医基云医疗数据研究院有限公司 | 一种确定心肌纤维化的方法、装置、可读介质及电子设备 |
| CN110706803A (zh) * | 2019-08-20 | 2020-01-17 | 南京医基云医疗数据研究院有限公司 | 一种确定心肌纤维化的方法、装置、可读介质及电子设备 |
| CN112435753A (zh) * | 2019-08-26 | 2021-03-02 | 豪夫迈·罗氏有限公司 | 医疗数据的自动验证 |
| CN110675958A (zh) * | 2019-08-31 | 2020-01-10 | 天津开心生活科技有限公司 | 一种肿瘤治疗方案判线方法及装置 |
| CN110675958B (zh) * | 2019-08-31 | 2023-03-31 | 天津开心生活科技有限公司 | 一种肿瘤治疗方案判线方法及装置 |
| CN110660456A (zh) * | 2019-09-12 | 2020-01-07 | 上海森亿医疗科技有限公司 | 临床决策支持及其模型训练方法、装置、终端、介质 |
| CN110782996A (zh) * | 2019-09-18 | 2020-02-11 | 平安科技（深圳）有限公司 | 医疗数据库的构建方法、装置、计算机设备和存储介质 |
| WO2020215675A1 (zh) * | 2019-09-18 | 2020-10-29 | 平安科技（深圳）有限公司 | 医疗数据库的构建方法、装置、计算机设备和存储介质 |
| CN111028942A (zh) * | 2019-12-10 | 2020-04-17 | 医渡云（北京）技术有限公司 | 数据处理方法及装置、存储介质及电子终端 |
| CN111028942B (zh) * | 2019-12-10 | 2023-11-03 | 医渡云（北京）技术有限公司 | 数据处理方法及装置、存储介质及电子终端 |
| CN113032469A (zh) * | 2019-12-24 | 2021-06-25 | 医渡云（北京）技术有限公司 | 文本结构化模型训练、医疗文本结构化方法及装置 |
| CN113032469B (zh) * | 2019-12-24 | 2024-02-20 | 医渡云（北京）技术有限公司 | 文本结构化模型训练、医疗文本结构化方法及装置 |
| CN111261298A (zh) * | 2019-12-25 | 2020-06-09 | 南京医康科技有限公司 | 一种医疗数据质量预判方法、装置、可读介质及电子设备 |
| CN111261298B (zh) * | 2019-12-25 | 2024-02-23 | 医渡云（北京）技术有限公司 | 一种医疗数据质量预判方法、装置、可读介质及电子设备 |
| CN111223076B (zh) * | 2019-12-30 | 2023-12-15 | 北京深睿博联科技有限责任公司 | 神经系统影像分析方法和装置 |
| CN111144658A (zh) * | 2019-12-30 | 2020-05-12 | 医渡云（北京）技术有限公司 | 医疗风险预测方法、装置、系统、存储介质与电子设备 |
| CN111242893B (zh) * | 2019-12-30 | 2023-12-15 | 北京深睿博联科技有限责任公司 | 神经系统影像分析方法和装置 |
| CN111242893A (zh) * | 2019-12-30 | 2020-06-05 | 北京深睿博联科技有限责任公司 | 神经系统影像分析方法和装置 |
| CN111144658B (zh) * | 2019-12-30 | 2023-06-16 | 医渡云（北京）技术有限公司 | 医疗风险预测方法、装置、系统、存储介质与电子设备 |
| CN111223076A (zh) * | 2019-12-30 | 2020-06-02 | 北京深睿博联科技有限责任公司 | 神经系统影像分析方法和装置 |
| CN111145905A (zh) * | 2019-12-31 | 2020-05-12 | 北京懿医云科技有限公司 | 目标决策模型构建方法及装置、电子设备、存储介质 |
| CN111145905B (zh) * | 2019-12-31 | 2024-04-05 | 北京懿医云科技有限公司 | 目标决策模型构建方法及装置、电子设备、存储介质 |
| 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 |
| 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 |
| CN111626883A (zh) * | 2020-05-29 | 2020-09-04 | 上海商汤智能科技有限公司 | 核保方法及装置、电子设备和存储介质 |
| CN111768867B (zh) * | 2020-07-01 | 2024-02-27 | 北京爱康宜诚医疗器材有限公司 | 治疗方案的确定方法及装置 |
| CN111768867A (zh) * | 2020-07-01 | 2020-10-13 | 北京爱康宜诚医疗器材有限公司 | 治疗方案的确定方法及装置 |
| CN111899865A (zh) * | 2020-07-15 | 2020-11-06 | 医渡云（北京）技术有限公司 | 医疗信息的推荐方法、装置、介质及电子设备 |
| CN111915698A (zh) * | 2020-08-21 | 2020-11-10 | 南方科技大学 | 一种脉管浸润检测方法、装置、计算机设备及存储介质 |
| CN112037911B (zh) * | 2020-08-28 | 2024-03-05 | 北京万灵盘古科技有限公司 | 基于机器学习的精神评估的筛查系统及其训练方法 |
| CN112037911A (zh) * | 2020-08-28 | 2020-12-04 | 北京万灵盘古科技有限公司 | 基于机器学习的精神评估的筛查系统及其训练方法 |
| CN112185575A (zh) * | 2020-10-14 | 2021-01-05 | 北京嘉和美康信息技术有限公司 | 一种确定待比对医疗数据的方法和装置 |
| CN112185575B (zh) * | 2020-10-14 | 2024-01-16 | 北京嘉和美康信息技术有限公司 | 一种确定待比对医疗数据的方法和装置 |
| WO2022100687A1 (zh) * | 2020-11-12 | 2022-05-19 | 医渡云（北京）技术有限公司 | 融合决策方法及装置、计算机可读存储介质及电子设备 |
| CN112614562A (zh) * | 2020-12-23 | 2021-04-06 | 联仁健康医疗大数据科技股份有限公司 | 基于电子病历的模型训练方法、装置、设备及存储介质 |
| CN112614562B (zh) * | 2020-12-23 | 2024-05-31 | 联仁健康医疗大数据科技股份有限公司 | 基于电子病历的模型训练方法、装置、设备及存储介质 |
| CN113053522B (zh) * | 2021-04-22 | 2023-08-08 | 北京百度网讯科技有限公司 | 用于处理医疗数据的方法、装置、设备、介质和产品 |
| CN113053522A (zh) * | 2021-04-22 | 2021-06-29 | 北京百度网讯科技有限公司 | 用于处理医疗数据的方法、装置、设备、介质和产品 |
| CN113241183B (zh) * | 2021-04-30 | 2024-03-29 | 深圳睿心智能医疗科技有限公司 | 治疗方案预测方法及装置 |
| CN113241183A (zh) * | 2021-04-30 | 2021-08-10 | 深圳睿心智能医疗科技有限公司 | 治疗方案预测方法及装置 |
| CN113270189B (zh) * | 2021-05-19 | 2023-08-18 | 复旦大学附属肿瘤医院 | 一种基于强化学习的肿瘤治疗辅助决策方法 |
| CN113270189A (zh) * | 2021-05-19 | 2021-08-17 | 复旦大学附属肿瘤医院 | 一种基于强化学习的肿瘤治疗辅助决策方法 |
| CN113362958A (zh) * | 2021-06-01 | 2021-09-07 | 深圳睿心智能医疗科技有限公司 | 治疗方案的应用后效果的预测方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109378065A (zh) | 医疗数据处理方法及装置、存储介质、电子设备 | |
| Cui et al. | Artificial intelligence and computational pathology | |
| CN109448858A (zh) | 结直肠癌医疗数据处理方法及装置、存储介质、电子设备 | |
| US11037070B2 (en) | Diagnostic test planning using machine learning techniques | |
| Bharati et al. | A review on explainable artificial intelligence for healthcare: why, how, and when? | |
| Wu et al. | Skin cancer classification with deep learning: a systematic review | |
| Castanho et al. | Fuzzy expert system for predicting pathological stage of prostate cancer | |
| US10971255B2 (en) | Multimodal learning framework for analysis of clinical trials | |
| CN111145905B (zh) | 目标决策模型构建方法及装置、电子设备、存储介质 | |
| US20190370387A1 (en) | Automatic Processing of Ambiguously Labeled Data | |
| US11152123B1 (en) | Processing brain data using autoencoder neural networks | |
| JP7320856B2 (ja) | 生体画像診断システム、生体画像診断方法、及びこれを行うための端末 | |
| Stoean et al. | Ensemble of classifiers for length of stay prediction in colorectal cancer | |
| KR102394758B1 (ko) | 데이터의 특징점을 취합하여 기계 학습하는 방법 및 장치 | |
| KR102543013B1 (ko) | 전문가의 진단 능력 평가 방법, 인공지능 기반의 진단 보조 방법 및 이를 이용한 디바이스 | |
| Lagani et al. | Realization of a service for the long-term risk assessment of diabetes-related complications | |
| Roski et al. | How artificial intelligence is changing health and healthcare | |
| Liu et al. | Extendable and explainable deep learning for pan-cancer radiogenomics research | |
| Kharel et al. | Early detection of depression and treatment response prediction using machine learning: a review | |
| Lin et al. | Deep learning for the dynamic prediction of multivariate longitudinal and survival data | |
| Idri et al. | ISO/IEC 25010 based evaluation of free mobile personal health records for pregnancy monitoring | |
| Dutta et al. | Breast cancer prediction using stacked GRU-LSTM-BRNN | |
| Chakraborty et al. | From machine learning to deep learning: An advances of the recent data-driven paradigm shift in medicine and healthcare | |
| Kuo et al. | Perspectives: A surgeon's guide to machine learning | |
| Wong et al. | Patient centered care for prostate cancer—how can artificial intelligence and machine learning help make the right decision for the right patient? |
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: 20190222 |
|
| RJ01 | Rejection of invention patent application after publication |