CN110136838A - 基于多知识库推理的数据匹配决策方法及系统 - Google Patents
基于多知识库推理的数据匹配决策方法及系统 Download PDFInfo
- Publication number
- CN110136838A CN110136838A CN201910355740.XA CN201910355740A CN110136838A CN 110136838 A CN110136838 A CN 110136838A CN 201910355740 A CN201910355740 A CN 201910355740A CN 110136838 A CN110136838 A CN 110136838A
- Authority
- CN
- China
- Prior art keywords
- knowledge
- decision
- knowledge base
- information
- base
- 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
- 238000000034 method Methods 0.000 title claims abstract description 46
- 239000003814 drug Substances 0.000 claims abstract description 34
- 238000003745 diagnosis Methods 0.000 claims abstract description 28
- 238000012502 risk assessment Methods 0.000 claims abstract description 18
- 238000003860 storage Methods 0.000 claims abstract description 15
- 229940079593 drug Drugs 0.000 claims abstract description 14
- 238000005516 engineering process Methods 0.000 claims abstract description 4
- 238000004590 computer program Methods 0.000 claims description 16
- 230000004927 fusion Effects 0.000 claims description 12
- 230000036541 health Effects 0.000 claims description 10
- 238000000554 physical therapy Methods 0.000 claims description 8
- 238000002560 therapeutic procedure Methods 0.000 claims description 8
- 208000024891 symptom Diseases 0.000 claims description 5
- 238000007405 data analysis Methods 0.000 claims description 3
- 238000011282 treatment Methods 0.000 abstract description 33
- 230000000295 complement effect Effects 0.000 abstract 1
- 201000010099 disease Diseases 0.000 description 17
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 17
- 206010003658 Atrial Fibrillation Diseases 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000007774 longterm Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 208000017667 Chronic Disease Diseases 0.000 description 3
- 208000006011 Stroke Diseases 0.000 description 3
- 238000013210 evaluation model Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 230000001960 triggered effect Effects 0.000 description 3
- 208000032843 Hemorrhage Diseases 0.000 description 2
- 208000034158 bleeding Diseases 0.000 description 2
- 230000000740 bleeding effect Effects 0.000 description 2
- 238000003759 clinical diagnosis Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 206010020751 Hypersensitivity Diseases 0.000 description 1
- 206010020850 Hyperthyroidism Diseases 0.000 description 1
- 208000026935 allergic disease Diseases 0.000 description 1
- 230000007815 allergy Effects 0.000 description 1
- 239000003146 anticoagulant agent Substances 0.000 description 1
- 229940127219 anticoagulant drug Drugs 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000023555 blood coagulation Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 208000029078 coronary artery disease Diseases 0.000 description 1
- 230000037213 diet Effects 0.000 description 1
- 235000005911 diet Nutrition 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000011866 long-term treatment Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 208000020016 psychiatric disease Diseases 0.000 description 1
- 230000005180 public health Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 229940126680 traditional chinese medicines Drugs 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 229940126673 western medicines Drugs 0.000 description 1
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
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- 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
本发明涉及智能决策技术领域，提供一种基于多知识库推理的数据匹配决策方法、系统、装置及可存储介质，其中的方法包括如下步骤：建立临床辅助决策知识库，所述临床辅助决策知识库至少包括三个分知识库：转诊推荐知识库、用药推荐知识库、风险评估知识库；根据待匹配的数据信息，在所述临床辅助决策知识库的各分知识库中匹配与所述数据信息对应的知识信息；按照预设规则对各分知识库所匹配的知识信息进行融合，形成最终数据匹配决策。利用本发明能够有效缓解目前临床辅助决策系统知识库片面、整合性差、落地性差的问题，提高社区医院的诊疗规范性，加强社区医生诊疗能力水平为社区临床医疗提供科学的、辅助性的医疗决策。
Description
技术领域
本发明涉及智能决策技术领域，更为具体地，涉及一种基于多知识库推理的数据匹配决策方法、系统、装置及可存储介质。
背景技术
随着各种信息数字化程度的提高，许多辅助决策系统应运而生。为了满足广大患者和医疗工作者的求医、诊断工作需要，在医疗卫生领域也有很多临床辅助决策系统。
目前市面上的临床辅助决策系统，一般是单独针对社区医院开发(仅涉及简单病种的简单管理)、或单独针对三级医院专科开发(仅涉及单一病种的复杂管理)，未能实现以患者为中心的全流程分级诊疗管理。而在我国的医疗诊疗架构中，作为最基层的医疗机构，社区医院主要为社区成员提供公共卫生和基本医疗服务，让小病能够在家门口就能解决，以缓解就医压力和大医院的医疗服务能力。但是如果居民的病情比较严重，需要更加专业化、更加复杂的诊疗手段，就需要转往专业性更强的专科医院以及大医院。
并且，实际上的临床诊疗通常是一个长期过程，针对不同时期的疾病严重程度需要得到不同级别医院的治疗管理。如房颤，其卒中风险高、导致较高致残致死率，需要进行长期的社区常规管理以及必要时上级医院的紧急处理。文献中报道过房颤病人管理的移动客户端，方便三级医院的医生对房颤患者的管理。但三级医院医疗资源有限、医生慢病管理动力不足，而该系统未针对社区医生能力进行定制，不适用于社区医院，故难以落地到真实的房颤长期管理场景中。
因此，亟须一种能够以患者为中心的全流程分级诊疗管理方案，以充分有效利用现有的医疗资源，为患者提供有效的医疗服务。
发明内容
鉴于上述问题，本发明的目的是提供一种基于多知识库推理的数据匹配决策方法、系统、装置及可存储介质，以解决目前的临床辅助决策系统知识库片面、整合性差、落地性差的问题。
第一方面，本发明提供一种基于多知识库推理的数据匹配决策方法，应用于电子装置，包括如下步骤：
S110：建立临床辅助决策知识库，所述临床辅助决策知识库至少包括三个分知识库：转诊推荐知识库、用药推荐知识库、风险评估知识库；
S120：根据待匹配的数据信息，在所述临床辅助决策知识库的各分知识库中匹配与所述数据信息对应的知识信息；
S130：按照预设规则对各分知识库所匹配的知识信息进行融合，形成最终数据匹配决策。
第二方面，本发明提供一种基于多知识库推理的数据匹配决策系统，包括：临床辅助决策知识库，用于存储与临床辅助决策相关的知识信息，至少包括三个分知识库：转诊推荐知识库、用药推荐知识库、风险评估知识库；
数据信息采集单元，用于采集待匹配的数据信息；
决策形成单元，用于根据所采集的待匹配的数据信息和所述临床辅助决策知识库中的知识信息，按照预设的规则，确定与所采集的待匹配的数据信息相对应的数据匹配决策；
决策输出单元，用于输出所述数据匹配决策。
第三方面，本发明还提供一种电子装置，该电子装置包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述基于多知识库推理的数据匹配决策方法的步骤。
第四方面，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其中，所述计算机程序被处理器执行时实现上述基于多知识库推理的数据匹配决策方法的步骤。
从上面的技术方案可知，本发明提供的基于多知识库推理的数据匹配决策方法、系统、装置及可存储介质，能够有效缓解目前临床辅助决策系统知识库片面、整合性差、落地性差的问题，并具有以下有益效果：
1.考虑了疾病管理不同阶段的不同需求，多个知识库并行触发，给出综合性建议，符合临床诊疗思维；
2.实现社区医院和上级医院的方便快速转诊，践行分级诊疗理念，提高医疗资源的使用效率；
3.提供多种知识库工具，如评估模型、随访计划等，提高社区医院的诊疗规范性，加强社区医生诊疗能力水平。
为了实现上述以及相关目的，本发明的一个或多个方面包括后面将详细说明的特征。下面的说明以及附图详细说明了本发明的某些示例性方面。然而，这些方面指示的仅仅是可使用本发明的原理的各种方式中的一些方式。此外，本发明旨在包括所有这些方面以及它们的等同物。
附图说明
通过参考以下结合附图的说明，并且随着对本发明的更全面理解，本发明的其它目的及结果将更加明白及易于理解。在附图中：
图1为根据本发明实施例的基于多知识库推理的数据匹配决策方法流程；
图2为根据本发明实施例的基于业务逻辑进行划分的临床辅助决策知识库的组织架构示意图；
图3为根据本发明实施例的基于技术实现划分的临床辅助决策知识库的组织架构示意图；
图4为根据本发明实施例的基于多知识库推理的数据匹配决策系统的逻辑结构；
图5为根据本发明实施例的决策形成单元的逻辑结构；
图6为根据本发明实施例的电子装置逻辑结构示意图。
在所有附图中相同的标号指示相似或相应的特征或功能。
具体实施方式
在下面的描述中，出于说明的目的，为了提供对一个或多个实施例的全面理解，阐述了许多具体细节。然而，很明显，也可以在没有这些具体细节的情况下实现这些实施例。
本发明实施例可以应用于计算机系统/服务器等电子设备，其可与众多其它通用或专用计算系统环境或配置一起操作。适于与计算机系统/服务器等电子设备一起使用的众所周知的计算系统、环境和/或配置的例子包括但不限于：个人计算机系统、服务器计算机系统、瘦客户机、厚客户机、手持或膝上设备、基于微处理器的系统、机顶盒、可编程消费电子产品、网络个人电脑、小型计算机系统、大型计算机系统和包括上述任何系统的分布式云计算技术环境，等等。
计算机系统/服务器等电子设备可以在由计算机系统执行的计算机系统可执行指令(诸如程序模块)的一般语境下描述。通常，程序模块可以包括例程、程序、目标程序、组件、逻辑、数据结构等等，它们执行特定的任务或者实现特定的抽象数据类型。计算机系统/服务器等电子设备可以在分布式云计算环境中实施，分布式云计算环境中，任务是由通过通信网络链接的远程处理设备执行的。在分布式云计算环境中，程序模块可以位于包括存储设备的本地或远程计算系统存储介质上。
以下将结合附图对本发明的具体实施例进行详细描述。应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。
本发明提供的基于多知识库推理的社区临床辅助决策方法，主要目的是为社区的首诊提供有效的临床辅助决策支持。医学知识和疾病的复杂性导致了在设计临床辅助决策系统时需要考虑非常多的患者因素，同时新发表的临床研究数以万计，质量参差不齐，如何将最高质量的证据用于临床辅助决策系统是非常复杂的事情。本发明在建立多个不同维度的知识库的基础上，利用推理机的智能规则引擎进行决策方案的推荐、融合，给出极可能综合性的临床建议，实用而且高效。
下述的基于多知识库推理的数据匹配决策方法及系统，用于在预先建立好的知识库中对临床数据进行搜索匹配，从而获得相应的辅助决策信息，推荐给医生和/或患者。
本方案中的智能规则引擎为实现本发明目的的核心程序，从实现逻辑而言，本发明所提供的基于多知识库推理的数据匹配决策系统主要包括知识库、推理机和人机交互接口。
实施例1
为了说明本发明提供的基于多知识库推理的数据匹配决策方法，图1示出了根据本发明实施例的基于多知识库推理的数据匹配决策方法流程。
如图1所示，本发明提供的基于多知识库推理的数据匹配决策方法，主要用于社区临床辅助医疗决策，可以包括如下步骤：
S110：建立临床辅助决策知识库。
本发明中的临床辅助决策知识库可以根据社区、地方的医疗卫生机构的建设以及相关医疗手段的提高随时更新完善，可以是自学习型的知识库，应当包括用于为医疗工作者和患者提供临床辅助决策的基本知识。
S120：根据待匹配的数据信息，在临床辅助决策知识库中匹配与该数据信息对应的知识信息。在本发明的一个具体实施例中，待匹配的数据信息为患者的基本信息，包括但不限于患者的就诊信息、患者主诉的住所信息、症状信息、病史信息、个人就医诉求信息以及医生查验的医疗检查信息、基础诊断信息等，对应匹配的知识信息也就是针对对应病患的诊疗信息。
S130：按照预设规则对匹配的知识信息进行融合，形成最终数据匹配决策，作为临床辅助决策的推荐方案。
在本发明的一个具体实施方式中，临床辅助决策知识库至少包括三个分知识库转诊推荐知识库、用药推荐知识库、风险评估知识库。因此，上述匹配过程中，就需要在临床辅助决策知识库的各分知识库中匹配与待匹配的数据信息对应的知识信息；在融合过程中，按照预设规则对各分知识库所匹配的知识信息进行融合，以形成最终的数据匹配决策。
其中，转诊推荐知识库中包括与转诊推荐相关的各类信息，其中包括分级诊疗病种就医的转诊推荐信息、非分级诊疗病种就医的转诊推荐信息、按地域划分的各级医疗机构的信息、转诊手续的办理流程信息等以及针对特殊病患的转诊建议等等。
比如，对于分级诊疗病种就医的转诊推荐，一般按照 的转诊推荐顺序，基层首诊、双向转诊、逐级转诊的原则，进行转诊推荐；特殊病患包括65岁以上老年人、精神疾病患者、5岁以下儿童及国家级中医重点专科诊疗的优势病种病患，以及危急重症患者等，对于特殊病患，可以不受分级诊疗限制，不必转院转诊。
用药推荐知识库，包括针对不同疾病、不同病患、不同药物品牌、不同价位等类别推荐的中药、西药信息，以及针对特殊人群如老人、婴幼儿、孕妇、有过敏史的人的用药禁忌信息等，尽可能通过用药推荐知识库的推荐向药物精准治疗靠拢。
风险评估知识库，用于为医疗机构拟采用的医疗措施以及用户自主使用的医疗措施进行风险评估提供知识储备。其中包括对医疗手段的风险评估、用药的风险评估、转诊的风险评估等等，能够根据病患提供的身体状况、医疗检查检验数据、医疗手段、用药信息等基础信息，根据预定的评估规则，进行相应的风险评估。
在实际应用过程中，临床辅助决策知识库可以包括不止以上三种具体的分知识库。图2和图3分别从不同角度示出了根据本发明实施例的临床辅助决策知识库的组织架构。
如图2所示，临床辅助决策知识库中还可以包括比如随访知识库、中医理疗知识库、保健食疗知识库、康复理疗知识库、医院专家知识库等能够提供和病患需求相关的健康信息的知识库。
其中，随访知识库中记载了针对特定病症的随访计划、随访要求等；中医理疗知识库中包括针对多种不同病症的中医理疗知识；保健食疗知识库中记载了通用保健食疗知识以及针对不同年龄、不同职业、不同身体症状等特定情况的保健食疗知识。
上述转诊推荐知识库、用药推荐知识库和风险评估知识库是按照知识库所涉及的业务逻辑进行划分的结果。
如果按照技术实现划分，本发明中的临床辅助决策知识库可以包括规则库和模型库，其组织架构如图3所示。
其中，规则库为基于专家知识、专业指南、行业规范等建立的知识库。规则库主要通过产生式规则实现，即if-then的规则模式；模型库则依据业务需求采用多种建模方法实现，包括贝叶斯网络、人工神经网络、随机森林等。模型库为基于海量真实世界数据、大数据分析技术而建立的知识库，如搜索规则模型知识库、大数据分析模型知识库、存储模型知识库、数据优化模型知识库等。
同一个业务知识库，可同时包含规则库和模型库。如用药推荐知识库，既有根据权威指南、专家经验等知识建立的规则库，来保证推荐决策的正确性，亦有就海量疾病相关数据分析建立的模型库，对于每个患者信息，推荐较为个性化的决策。
对各分知识库所匹配的知识信息进行融合的规则可以预先设定，也可以由医疗机构或者医疗人员根据实际诊疗情况人工通过人机交互接口自行修改或设定。在该规则中，可以设定个人就医诉求、病情严重程度、基础诊断信息等数据信息的权重，按照权重高低的方法对各分知识库所匹配的知识信息进行融合。对于不同业务逻辑知识库的决策，也可以采取优先权先后方法进行融合，即根据不同业务逻辑知识库的特点和病患的病情，为不同的业务逻辑的知识库设定不同的优先级。
比如，在按照预设规则对各分知识库所匹配的知识信息进行融合的过程中，可以根据待匹配的数据信息，即病患的就诊信息，确定各分知识库匹配的知识信息的权重(或优先级)，比如患者并且越严重，转诊推荐的优先级越高；如果病患为需要长期治疗的慢性病，则可以提高随访知识库、中医理疗知识库、保健食疗知识库、康复理疗知识库一类分知识库的权重(或优先级)；如果病患为婴幼儿、孕妇等需要特别注意用药的人群，则用药推荐知识库所占的权重会相应提高。
本发明中，临床辅助决策知识库独立于推理机，能够通过知识获取、机器学习等方法不断修改、扩展、完善，从而使辅助决策系统的准确性和智能化水平得到保障。在建立了完善的临床辅助决策知识库的基础上，社区医院就可以借助上述临床辅助决策方法、系统对病患进行临床辅助决策。
具体的，在收集患者相关疾病信息后，推理机的智能规则引擎会自动触发所有知识库，进而对符合规则的所有决策进行方案推荐，根据疾病严重程度、风险等级先后顺序进行融合，将推荐方案返回给医生，如推荐转诊、用药、随访计划等。
例如：某房颤患者在社区医院就诊时，根据患者诉求，其存在多次房颤病史，按照本发明提供的基于多知识库推理的数据匹配决策方法，首先根据患者的信息和医生的初诊信息为社区医院提供卒中、出血风险的评估和抗凝药物剂量的监测管理计划。当患者存在冠心病、甲亢等合并症时，治疗复杂度高，不建议在社区治疗，按照本发明提供的基于多知识库推理的数据匹配决策方法，会触发转诊知识库，给出转诊推荐，保障患者的安全。当患者不满足转诊条件，可在社区进行治疗时，按照本发明提供的基于多知识库推理的数据匹配决策方法，根据其卒中和出血风险等级高低给出最为安全有效的药物，风险评估有利于进一步规范医生的用药行为，提高用药安全性。当患者在常规服药期，随访知识库会推荐相关随访计划，如定期监测凝血指标、药物剂量调整等。
本发明提供的基于多知识库推理的数据匹配决策方法，通过人机交互接口获取患者健康数据，经数据清洗、结构化等数据预处理生成事实数据库，推理机根据事实数据库中的数据多通道调用多个知识库，调用时各个知识库独立运作，生成多个不同维度的决策，最后在决策融合模块按预设的融合方法对之前生成的多个不同维度的决策进行融合，输出综合化决策建议。从而为社区临床医疗提供科学的、辅助性的医疗决策。
通过上述实施例可以看出，本发明不仅考虑了疾病管理不同阶段的不同需求，还提供了多种知识库工具，如评估模型、随访计划等，多个知识库并行触发，给出综合性建议，提高社区医院的诊疗规范性，加强社区医生诊疗能力水平。此外，应用本发明还能够实现社区医院和上级医院的方便快速转诊，践行分级诊疗理念，提高医疗资源的使用效率。
实施例2
与上述方法相对应，本发明还提供一种基于多知识库推理的数据匹配决策系统，
总体来说，本发明提供的基于多知识库推理的数据匹配决策系统由知识库、推理机和人机交流接口部分三部分组成。其中，知识库中存储有用于数据匹配决策所需要的医疗知识、规则知识以及数据处理模型知识；推理机部分是知识库的知识与患者信息整合、比较、分析的引擎；人机交流接口则允许将结果显示给使用者，同时也可以作为系统输入。
更为细致的，该系统可以包括临床辅助决策知识库、数据信息采集单元、智能规则引擎、临床辅助决策输出单元。图4示出了根据本发明实施例的基于多知识库推理的数据匹配决策系统的逻辑结构。
如图4所示，本发明提供的基于多知识库推理的数据匹配决策系统400，包括临床辅助决策知识库410、数据信息采集单元420、决策形成单元430和决策输出单元440。
其中，临床辅助决策知识库410属于知识库部分，用于存储与临床辅助决策相关的知识信息，该临床辅助决策知识库为自学习型的知识库，应当包括用于为医疗工作者和患者提供临床辅助决策的基本知识，如转诊推荐知识库、用药推荐知识库、风险评估知识库等。
数据信息采集单元420用于采集待匹配的数据信息，也就是采集病患信息，以便在临床决策知识库中进行相关医疗诊疗信息匹配、做有针对性的临床辅助决策；该病患信息包括但不限于患者的就诊信息、患者主诉的住所信息、症状信息、病史信息、个人就医诉求信息以及医生查验的医疗检查信息、基础诊断信息等。
决策形成单元430用于根据所采集的病患信息和临床辅助决策知识库的知识，利用智能规则引擎，根据预设的规则，确定针对性的数据匹配决策，即针对病患的临床辅助决策；
决策输出单元440用于输出决策形成单元430确定的临床辅助决策。
其中，决策形成单元430又可以包括单维度决策形成单元和多维度决策融合单元。图5示出了根据本发明实施例的决策形成单元的逻辑结构。
在图5所示的实施例中，决策形成单元430包括单维度决策形成单元431和多维度决策融合单元432。
其中，单维度决策形成单元431用于根据所采集的病患信息和临床辅助决策知识库中某个知识库的知识，根据预设的规则，确定基于该单一知识库的针对性的用于临床辅助决策的数据匹配信息。比如，在单维度决策形成单元中，可以根据患者的就医信息基于不同的具体知识库形成就诊推荐决策、用药推荐决策、转诊决策、食疗决策、康复理疗决策等多个临床辅助决策。然后交由多维度决策融合单元进行融合。
多维度决策融合单元432用于将根据所有临床辅助决策知识库的多个数据匹配信息，根据预设的融合规则，融合为最终的用于临床辅助决策的数据匹配决策。
在本发明的多知识库推理中，如何对平行产生的决策进行融合是一个关键。对于不同业务逻辑知识库的决策，可以采取优先权先后方法进行融合，即根据不同业务逻辑知识库的特点和病患的病情，为不同的业务逻辑的知识库设定不同的优先级，比如患者并且越严重，优先级越高，并且不同的业务逻辑的知识库设定不同的优先级受到病患并且严重程度的影响，比如，如果患者并且严重，则提高转诊的优先级。具体优先级的设定可以在人机交互接口由医师自主设定。
在本发明的一个具体实施方式中，模拟基层社区医生的临床决策思路，在接诊患者时，首先考虑患者严重程度，对于较为危重而本院诊疗手段不足以满足条件时，建议转诊治疗；对于能在本院治疗的患者，依据评估模型对其疾病等级、用药风险、预后风险、相关疾病风险等进行评估，根据评估结果推荐相关用药；对于慢性病患者，需考虑其长期的随访管理方案。因此按转诊推荐、风险评估、用药推荐、随访推荐的先后顺序对相应知识库进行优先权设定，以保证患者的及早转诊、精准治疗、长期管理。
实施例3
图6是根据本发明一实施例提供的电子装置逻辑结构的示意图。
如图6所示，该实施例的电子装置600，包括处理器610、存储器620以及存储在存储器620中并可在处理器610上运行的计算机程序621。处理器610执行计算机程序621时实现实施例1中基于多知识库推理的数据匹配决策方法的各个步骤，例如图1所示的步骤S110至S130。或者，处理器610执行基于多知识库推理的数据匹配决策方法时实现上述基于多知识库推理的数据匹配决策系统实施例中各模块/单元的功能，例如图4所示的临床辅助决策知识库410、数据信息采集单元420、智能规则引擎430和临床辅助决策输出单元440。
示例性的，计算机程序621可以被分割成一个或多个模块/单元，一个或者多个模块/单元被存储在存储器620中，并由处理器610执行，以完成本发明。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序621在电子装置600中的执行过程。例如，计算机程序620可以被分割成实现实施例2中的各单元的程序：数据信息采集程序、智能规则引擎和临床辅助决策输出程序，而临床辅助决策知识库则被存储在存储器620中。
电子装置600可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。电子装置600可包括，但不仅限于，处理器610、存储器620。本领域技术人员可以理解，图6仅仅是电子装置600的示例，并不构成对电子装置600的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如电子装置还可以包括输入输出设备、网络接入设备、总线等。
处理器610可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器620可以是电子装置600的内部存储单元，例如电子装置600的硬盘或内存。存储器620也可以是电子装置500的外部存储设备，例如电子装置600上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital，SD)卡，闪存卡(FlashCard)等。进一步地，存储器620还可以既包括电子装置600的内部存储单元也包括外部存储设备。存储器620用于存储计算机程序以及电子设备所需的其他程序和数据。存储器620还可以用于暂时地存储已经输出或者将要输出的数据。
实施例4
本实施例提供一计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现实施例1中基于多知识库推理的数据匹配决策方法。或者，该计算机程序被处理器执行时实现实施例2中基于多知识库推理的数据匹配决策系统中各模块/单元的功能，为避免重复，这里不再赘述。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于多知识库推理的数据匹配决策方法，应用于电子装置，其特征在于，包括如下步骤：
S110：建立临床辅助决策知识库，所述临床辅助决策知识库至少包括三个分知识库：转诊推荐知识库、用药推荐知识库、风险评估知识库；
S120：根据待匹配的数据信息，在所述临床辅助决策知识库的各分知识库中匹配与所述数据信息对应的知识信息；
S130：按照预设规则对各分知识库所匹配的知识信息进行融合，形成最终数据匹配决策。
2.根据权利要求1所述的基于多知识库推理的数据匹配决策方法，其特征在于，
所述临床辅助决策知识库还包括随访知识库、中医理疗知识库、保健食疗知识库、康复理疗知识库、医院专家知识库中的至少一种分知识库。
3.根据权利要求1所述的基于多知识库推理的数据匹配决策方法，其特征在于，临床辅助决策知识库包括规则库和模型库；其中，
所述规则库为基于专家知识、专业指南、行业规范等建立的知识库；
所述模型库为基于海量真实世界数据、大数据分析技术而建立的知识库。
4.根据权利要求3所述的基于多知识库推理的数据匹配决策方法，其特征在于，所述待匹配的数据信息包括患者的就诊信息、患者主诉的住所信息、症状信息、病史信息、个人就医诉求信息以及医生查验的医疗检查信息、基础诊断信息中的至少一种。
5.根据权利要求4所述的基于多知识库推理的数据匹配决策方法，其特征在于，在步骤S130中，根据待匹配的数据信息确定各分知识库匹配的知识信息的融合优先级。
6.一种基于多知识库推理的数据匹配决策系统，其特征在于，包括：
临床辅助决策知识库，用于存储与临床辅助决策相关的知识信息，至少包括三个分知识库：转诊推荐知识库、用药推荐知识库、风险评估知识库；
数据信息采集单元，用于采集待匹配的数据信息；
决策形成单元，用于根据所采集的待匹配的数据信息和所述临床辅助决策知识库中的知识信息，按照预设的规则，确定与所采集的待匹配的数据信息相对应的数据匹配决策；
决策输出单元，用于输出所述数据匹配决策。
7.根据权利要求6所述的基于多知识库推理的数据匹配决策系统，其特征在于，所述决策形成单元进一步包括：
单维度决策形成单元，用于根据所采集的待匹配的数据信息和所述临床辅助决策知识库中分知识库的知识，根据预设的规则，确定基于所述分知识库的数据匹配信息；
多维度决策融合单元，将根据所述临床辅助决策知识库中的所有分知识库确定的数据匹配信息，根据预设的融合规则，融合为最终的数据匹配决策。
8.根据权利要求6所述的基于多知识库推理的数据匹配决策系统，其特征在于，所述数据信息采集单元采集的待匹配的数据信息包括患者的就诊信息、患者主诉的住所信息、症状信息、病史信息、个人就医诉求信息以及医生查验的医疗检查信息、基础诊断信息中的至少一种。
9.一种电子装置，所述电子装置包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至5中任一项所述的基于多知识库推理的数据匹配决策方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至5任一项所述的基于多知识库推理的数据匹配决策方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910355740.XA CN110136838A (zh) | 2019-04-29 | 2019-04-29 | 基于多知识库推理的数据匹配决策方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910355740.XA CN110136838A (zh) | 2019-04-29 | 2019-04-29 | 基于多知识库推理的数据匹配决策方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110136838A true CN110136838A (zh) | 2019-08-16 |
Family
ID=67575580
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910355740.XA Pending CN110136838A (zh) | 2019-04-29 | 2019-04-29 | 基于多知识库推理的数据匹配决策方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110136838A (zh) |
Cited By (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111564195A (zh) * | 2020-04-30 | 2020-08-21 | 安徽省立医院(中国科学技术大学附属第一医院) | 一种老年患者多重用药风险评估系统及方法 |
| CN111783931A (zh) * | 2020-06-04 | 2020-10-16 | 深圳市酷开网络科技有限公司 | 一种基于混合推理的物联网专家系统实现方法及系统 |
| CN111899871A (zh) * | 2020-08-10 | 2020-11-06 | 辉岭加拿大有限公司 | 一种带临床决策智能推荐功能的肿瘤专科电子医嘱系统的设计方法 |
| CN111951955A (zh) * | 2020-08-13 | 2020-11-17 | 神州数码医疗科技股份有限公司 | 一种基于规则推理的临床决策支持系统构建方法及装置 |
| CN111951978A (zh) * | 2020-07-02 | 2020-11-17 | 广州全科医道科技发展有限公司 | 基于真实世界研究的药品评价系统、方法、装置及介质 |
| CN112071420A (zh) * | 2020-08-12 | 2020-12-11 | 福建中榕数据科技有限公司 | 基于实时数据的临床辅助决策方法、系统、设备和介质 |
| CN112309579A (zh) * | 2020-11-26 | 2021-02-02 | 微医云(杭州)控股有限公司 | 推荐治疗方案的方法、装置、电子设备及存储介质 |
| CN113096795A (zh) * | 2019-12-23 | 2021-07-09 | 四川医枢科技股份有限公司 | 多源数据辅助的临床决策支持系统及方法 |
| CN113808732A (zh) * | 2020-12-04 | 2021-12-17 | 四川医枢科技股份有限公司 | 一种医疗决策系统及设备 |
| CN113889260A (zh) * | 2021-09-09 | 2022-01-04 | 杨惠 | 用于hpv诊断的知识系统、诊断意见系统及存储介质 |
| CN114021723A (zh) * | 2021-11-26 | 2022-02-08 | 深圳创维智慧科技有限公司 | 医疗知识库的规则管理方法、装置及计算机可读存储介质 |
| CN115238197A (zh) * | 2022-09-26 | 2022-10-25 | 中国电子科技集团公司第十研究所 | 一种基于专家思维模型的领域业务辅助分析方法 |
| CN115905702A (zh) * | 2022-12-06 | 2023-04-04 | 鄄城县馨宁网络科技有限公司 | 基于用户需求分析的数据推荐方法及系统 |
| CN116913506A (zh) * | 2023-07-25 | 2023-10-20 | 医途(杭州)科技有限公司 | 一种基于区块链技术的专家治疗方案匹配系统 |
| CN116994686A (zh) * | 2023-09-26 | 2023-11-03 | 北斗云方(北京)健康科技有限公司 | 数据驱动的临床决策支持系统和方法 |
| CN117114250A (zh) * | 2023-10-24 | 2023-11-24 | 广州知韫科技有限公司 | 一种基于大模型的智能决策系统 |
| CN117727467A (zh) * | 2024-02-07 | 2024-03-19 | 吉林大学 | 基于大数据的护理临床决策支持系统及方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106295215A (zh) * | 2016-08-18 | 2017-01-04 | 京东方科技集团股份有限公司 | 临床辅助诊断系统 |
| CN107463783A (zh) * | 2017-08-16 | 2017-12-12 | 安徽影联乐金信息科技有限公司 | 一种临床决策支持系统和决策方法 |
| CN107591201A (zh) * | 2017-09-13 | 2018-01-16 | 中国科学院重庆绿色智能技术研究院 | 一种诊疗决策支持系统 |
| CN107591203A (zh) * | 2017-10-25 | 2018-01-16 | 湖南网数科技有限公司 | 一种基于知识库的疾病预警方法及系统 |
| CN107622798A (zh) * | 2017-10-09 | 2018-01-23 | 广东全科健康管理有限公司 | 一种根据症状产生疾病治疗方案的临床决策支持系统 |
| US20180240552A1 (en) * | 2017-02-20 | 2018-08-23 | Penexa, LLC | System and method for managing treatment plans |
| CN109346169A (zh) * | 2018-10-17 | 2019-02-15 | 长沙瀚云信息科技有限公司 | 一种人工智能辅助诊疗系统及其构建方法、设备和存储介质 |
-
2019
- 2019-04-29 CN CN201910355740.XA patent/CN110136838A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106295215A (zh) * | 2016-08-18 | 2017-01-04 | 京东方科技集团股份有限公司 | 临床辅助诊断系统 |
| US20180240552A1 (en) * | 2017-02-20 | 2018-08-23 | Penexa, LLC | System and method for managing treatment plans |
| CN107463783A (zh) * | 2017-08-16 | 2017-12-12 | 安徽影联乐金信息科技有限公司 | 一种临床决策支持系统和决策方法 |
| CN107591201A (zh) * | 2017-09-13 | 2018-01-16 | 中国科学院重庆绿色智能技术研究院 | 一种诊疗决策支持系统 |
| CN107622798A (zh) * | 2017-10-09 | 2018-01-23 | 广东全科健康管理有限公司 | 一种根据症状产生疾病治疗方案的临床决策支持系统 |
| CN107591203A (zh) * | 2017-10-25 | 2018-01-16 | 湖南网数科技有限公司 | 一种基于知识库的疾病预警方法及系统 |
| CN109346169A (zh) * | 2018-10-17 | 2019-02-15 | 长沙瀚云信息科技有限公司 | 一种人工智能辅助诊疗系统及其构建方法、设备和存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 李旭等: "基于临床知识库体系的智能辅助诊疗系统的研究", 《医药界》 * |
Cited By (23)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113096795B (zh) * | 2019-12-23 | 2023-10-03 | 四川医枢科技有限责任公司 | 多源数据辅助的临床决策支持系统及方法 |
| CN113096795A (zh) * | 2019-12-23 | 2021-07-09 | 四川医枢科技股份有限公司 | 多源数据辅助的临床决策支持系统及方法 |
| CN111564195A (zh) * | 2020-04-30 | 2020-08-21 | 安徽省立医院(中国科学技术大学附属第一医院) | 一种老年患者多重用药风险评估系统及方法 |
| CN111783931A (zh) * | 2020-06-04 | 2020-10-16 | 深圳市酷开网络科技有限公司 | 一种基于混合推理的物联网专家系统实现方法及系统 |
| CN111951978A (zh) * | 2020-07-02 | 2020-11-17 | 广州全科医道科技发展有限公司 | 基于真实世界研究的药品评价系统、方法、装置及介质 |
| CN111899871A (zh) * | 2020-08-10 | 2020-11-06 | 辉岭加拿大有限公司 | 一种带临床决策智能推荐功能的肿瘤专科电子医嘱系统的设计方法 |
| CN112071420A (zh) * | 2020-08-12 | 2020-12-11 | 福建中榕数据科技有限公司 | 基于实时数据的临床辅助决策方法、系统、设备和介质 |
| CN111951955A (zh) * | 2020-08-13 | 2020-11-17 | 神州数码医疗科技股份有限公司 | 一种基于规则推理的临床决策支持系统构建方法及装置 |
| CN112309579A (zh) * | 2020-11-26 | 2021-02-02 | 微医云(杭州)控股有限公司 | 推荐治疗方案的方法、装置、电子设备及存储介质 |
| CN113808732A (zh) * | 2020-12-04 | 2021-12-17 | 四川医枢科技股份有限公司 | 一种医疗决策系统及设备 |
| CN113889260A (zh) * | 2021-09-09 | 2022-01-04 | 杨惠 | 用于hpv诊断的知识系统、诊断意见系统及存储介质 |
| CN113889260B (zh) * | 2021-09-09 | 2024-05-24 | 杨惠 | 用于hpv诊断的知识系统、诊断意见系统及存储介质 |
| CN114021723A (zh) * | 2021-11-26 | 2022-02-08 | 深圳创维智慧科技有限公司 | 医疗知识库的规则管理方法、装置及计算机可读存储介质 |
| CN115238197B (zh) * | 2022-09-26 | 2023-05-23 | 中国电子科技集团公司第十研究所 | 一种基于专家思维模型的领域业务辅助分析方法 |
| CN115238197A (zh) * | 2022-09-26 | 2022-10-25 | 中国电子科技集团公司第十研究所 | 一种基于专家思维模型的领域业务辅助分析方法 |
| CN115905702A (zh) * | 2022-12-06 | 2023-04-04 | 鄄城县馨宁网络科技有限公司 | 基于用户需求分析的数据推荐方法及系统 |
| CN115905702B (zh) * | 2022-12-06 | 2023-10-10 | 雨果跨境(厦门)科技有限公司 | 基于用户需求分析的数据推荐方法及系统 |
| CN116913506A (zh) * | 2023-07-25 | 2023-10-20 | 医途(杭州)科技有限公司 | 一种基于区块链技术的专家治疗方案匹配系统 |
| CN116994686A (zh) * | 2023-09-26 | 2023-11-03 | 北斗云方(北京)健康科技有限公司 | 数据驱动的临床决策支持系统和方法 |
| CN116994686B (zh) * | 2023-09-26 | 2023-12-15 | 北斗云方(北京)健康科技有限公司 | 数据驱动的临床决策支持系统和方法 |
| CN117114250A (zh) * | 2023-10-24 | 2023-11-24 | 广州知韫科技有限公司 | 一种基于大模型的智能决策系统 |
| CN117114250B (zh) * | 2023-10-24 | 2024-02-02 | 广州知韫科技有限公司 | 一种基于大模型的智能决策系统 |
| CN117727467A (zh) * | 2024-02-07 | 2024-03-19 | 吉林大学 | 基于大数据的护理临床决策支持系统及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110136838A (zh) | 基于多知识库推理的数据匹配决策方法及系统 | |
| CN112700838B (zh) | 基于大数据的用药方案推荐方法、装置及相关设备 | |
| Ali et al. | Type-2 fuzzy ontology–aided recommendation systems for IoT–based healthcare | |
| KR102558021B1 (ko) | 임상 의사결정 지원 앙상블 시스템 및 이를 이용한 임상 의사결정 지원 방법 | |
| KR100538577B1 (ko) | 의료 정보의 전산 표준화 방법 | |
| Sharma et al. | Deep neuro‐fuzzy approach for risk and severity prediction using recommendation systems in connected health care | |
| KR101917043B1 (ko) | AI를 활용한 IoT 기반 u-Health 지원 시스템 및 방법 | |
| Selvan et al. | Fuzzy ontology-based personalized recommendation for internet of medical things with linked open data | |
| Mustapha et al. | Impact of industry 4.0 on healthcare: a systematic literature review (SLR) from the last decade | |
| Thirugnanam et al. | Improving the prediction rate of diabetes diagnosis using fuzzy, neural network, case based (FNC) approach | |
| Ting et al. | A hybrid knowledge-based approach to supporting the medical prescription for general practitioners: Real case in a Hong Kong medical center | |
| US20190108264A1 (en) | System prototype of intelligent regional mobile healthcare integrated data center based on metadata | |
| Vyas et al. | [Retracted] Fuzzy Logic System Implementation on the Performance Parameters of Health Data Management Frameworks | |
| Vyas et al. | Big data analytics and cognitive computing in smart health systems | |
| Gupta et al. | A novel approach based on computing with words for monitoring the heart failure patients | |
| Russo et al. | A business process model for integrated home care | |
| Choi et al. | Longitudinal Healthcare Data Management Platform of Healthcare IoT Devices for Personalized Services. | |
| Shie et al. | Design and process optimization of combined medical and elderly care services: An integrated service blueprint–TRIZ model | |
| Nozari et al. | A conceptual framework for Artificial Intelligence of Medical Things (AIoMT) | |
| Promkot et al. | The personalized traditional medicine recommendation system using ontology and rule inference approach | |
| Comito et al. | Exploiting social media to enhance clinical decision support | |
| Adebayo | Predictive model for the classification of hypertension risk using decision trees algorithm | |
| Camacho et al. | Collective intelligence and databases in eHealth: A survey | |
| 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 | |
| Frize | Health care engineering Part II: Research and development in the health care environment |
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: 20190816 |
|
| RJ01 | Rejection of invention patent application after publication |