CN110246572A - 一种基于词向量的医疗分诊方法及系统 - Google Patents
一种基于词向量的医疗分诊方法及系统 Download PDFInfo
- Publication number
- CN110246572A CN110246572A CN201910366790.8A CN201910366790A CN110246572A CN 110246572 A CN110246572 A CN 110246572A CN 201910366790 A CN201910366790 A CN 201910366790A CN 110246572 A CN110246572 A CN 110246572A
- Authority
- CN
- China
- Prior art keywords
- vector
- symptom
- point
- outpatient service
- disease
- 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.)
- Granted
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
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/20—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the management or administration of healthcare resources or facilities, e.g. managing hospital staff or surgery rooms
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- General Business, Economics & Management (AREA)
- Business, Economics & Management (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明提供了一种基于词向量的医疗分诊方法及系统,所述方法包括获取用户的症状数据信息;判断获取的用户症状数据信息是用户输入还是问诊数据,若是用户输入数据则执行分诊步骤,若是问诊数据则执行问诊步骤;基于所述症状数据信息查找与其对应的词向量,与门诊向量求余弦相似度,得到分诊概率,作为分诊结果;通过分诊概率求熵,并代入预先设置的症状向量列表,将概率分布的熵最小化,从而找到需要问诊的症状,获得问诊结果。通过本发明的技术方案能够帮助患者确认自己需要挂号的科室,且帮助医院提高分诊准确性,提高流程效率和节约成本。
Description
技术领域
本发明属于医学生物技术领域,涉及一种基于词向量的医疗分诊方法及系统。
背景技术
综合性医院科室种类繁多,患者自身难以判断自己应该就诊的科室。大型医院一般都设有分诊台,由护士进行现场分诊,根据患者所表现出的症状给出挂号科室的建议。
一方面,分诊需要经验丰富的护士,对每一个门诊和疾病症状都有所了解,但事实上这是很难做到的;另一方面,大的三甲医院往往病人众多,分诊效率比较低,且忙中容易出错,而且设立多个分诊台会增加医院成本。
此外,通过公众号等方式进行网上挂号越来越普遍,然而患者难以确定自己因该挂号的科室,这给他们带来了额外的困难。
因此,一个有效的问诊分诊算法能够帮助患者确认自己需要挂号的科室,且帮助医院提高分诊准确性,提高流程效率和节约成本。
发明内容
为解决上述技术问题,本发明提出了一种基于词向量的医疗分诊方法及系统,从而帮助患者确认自己需要挂号的科室,且帮助医院提高分诊准确性,提高流程效率和节约成本。
根据本发明的一个实施例,本发明提供了一种基于词向量的医疗分诊方法,所述方法包括:
步骤一、获取用户的症状数据信息;
步骤二、判断获取的用户症状数据信息是用户输入还是问诊数据,若是用户输入数据则执行步骤三,若是问诊数据则执行步骤四;
步骤三、基于所述症状数据信息查找与其对应的词向量,与门诊向量求余弦相似度,得到分诊概率,作为分诊结果;
步骤四、通过分诊概率求熵,并代入预先设置的症状向量列表,将概率分布的熵最小化,从而找到需要问诊的症状,获得问诊结果。
优选的,所述获取用户的症状数据信息之前,还包括构建词向量,其中所述构建词向量包括病症向量抽取、疾病向量与门诊向量的构建。
优选的,所述病症向量的抽取,具体为:
(1)使用Jieba分词工具对语料进行分词,得到T个单词,其集合为W;同时,导入180个症状,其集合为S,作为自定义词典,进行强制分词,即
S∈W (1)
(2)使用Word2Vec工具,对分词后的语料进行训练得到词向量模型M,得到每一个单词Wi的向量表示Vi,其中向量均为180维;
(3)取其中的180个症状单词,得到症状对应的180个向量,用集合Sv表示,则表示第i个症状的向量。
优选的,使用《疾病大全》作为训练词向量的语料。
优选的,所述构建疾病向量与门诊向量,具体为:
(1)对180个症状向量进行正交规范化,使得每个症状向量的均值为0、标准差为1;
(2)对于每一个症状向量定义其第j个分量为代表其在第j个维度的值,得到每一个症状向量的平均值Mi:
其方差Vi:
则标准化后的症状向量为:
更新症状向量使
症状向量组的正交化是通过施密特正交化的方法实现的。
……
更新症状向量,使
对疾病所包含的症状向量Sv做加权平均得到疾病向量Dv:
(3)根据每个门诊C对疾病D的包含关系,假设第t个门诊中,包含m个疾病,通过对门诊所包含的疾病向量Dv做加权平均得到门诊向量Cv,
优选的,所述基于所述症状数据信息查找与其对应的词向量,与门诊向量求余弦相似度,得到分诊概率,具体为:
(1)将用户的病症数据生成查询向量Qv;
(2)计算查询向量与现有的门诊向量之间的余弦相似度,就可以得到它属于每个门诊的概率,表示如下:
优选的,所述通过分诊概率求熵,并代入预先设置的症状向量列表,将概率分布的熵最小化,从而找到需要问诊的症状,具体为:
构建新的查询症状它是输入的查询症状向量加上一个已有症状中的任意一个症状向量:
根据信息熵公式:
得到门诊概率:
通过遍历式(9)中i的取值,使其从1变到180,代入式(10)和式(11)中,得到180个熵值,其中使熵最小的那个就是要拿来问诊的症状。
优选的,如果用户认定症状存在,则将此症状与之前的查询症状加权,重新进行步骤三;如果患者认定此症状不存在,则将含有此症状的门诊删去。
根据本发明的又一实施例,本发明还提供了一种基于词向量的医疗分诊系统,所述系统包括:
获取装置,用于获取用户的症状数据信息;
判断装置,用于判断获取的用户症状数据信息是用户输入还是问诊数据,若是用户输入数据,则进入第一计算装置获取第一结果,若是问诊数据,则进入第二计算装置获取第二结果;
第一计算装置,用于基于所述症状数据信息查找与其对应的词向量,与门诊向量求余弦相似度,得到分诊概率;
第二计算装置,用于通过分诊概率求熵,并代入预先设置的症状向量列表,将概率分布的熵最小化,从而找到需要问诊的症状。
优选的,所述系统还包括,
抽取装置,用于病症向量的抽取。
构建装置,用于构建疾病向量和门诊向量。
本发明提供了一种基于词向量的医疗分诊方法及系统,所述方法包括获取用户的症状数据信息;判断获取的用户症状数据信息是用户输入还是问诊数据,若是用户输入数据则执行分诊步骤,若是问诊数据则执行问诊步骤;基于所述症状数据信息查找与其对应的词向量,与门诊向量求余弦相似度,得到分诊概率,作为分诊结果;通过分诊概率求熵,并代入预先设置的症状向量列表,将概率分布的熵最小化,从而找到需要问诊的症状,获得问诊结果。通过本发明的技术方案能够帮助患者确认自己需要挂号的科室,且帮助医院提高分诊准确性,提高流程效率和节约成本。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解,其中:
图1为本发明提出的基于词向量的医疗分诊方法流程图;
图2为本发明提出的基于词向量的医疗分诊方法框架图;
图3为本发明提出的基于词向量的医疗分诊方法词向量训练图;
图4为本发明提出的基于词向量的医疗分诊方法疾病及门诊向量构建图;
图5为本发明提出的基于词向量的医疗分诊方法词求门诊概率图;
图6为本发明提出的基于词向量的医疗分诊系统组成图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
本案发明人为了解决现有技术的缺陷,创造性的提出了一种解决方案,一方面,分诊需要经验丰富的护士,对每一个门诊和疾病症状都有所了解,但事实上这是很难做到的;另一方面,大的三甲医院往往病人众多,分诊效率比较低,且忙中容易出错,而且设立多个分诊台会增加医院成本,从而提出了一种基于词向量的医疗分诊方法。
分诊算法最核心的思想是,输入患者症状,输出挂号的门诊及其概率。症状作为词汇,无法直接被计算机处理,因此需要通过算法将其转换成向量(症状向量),从而可以被后续的算法处理。在具备症状向量的前提下,我们可以继续获得疾病向量和门诊向量。
通过比较输入的症状组合所产生的向量组合与疾病、门诊向量的相似度,就可以输出该症状组合属于每一个疾病、门诊的概率。
根据信息熵理论,我们可以通过遍历所有的症状向量与疾病、门诊向量之熵,从而找到一个症状,使其加上给定的输入症状的向量之后,能够最大化某几个疾病、门诊的概率,也就是说,能使输入症状更有区分度。找到的这个症状,就是需要问诊的症状。
1.使用Word2Vec工具,使用数据集《疾病大全》构建症状的词向量;
2.根据《疾病大全》所确定的症状-疾病-门诊之间的关系,分别构建疾病、门诊向量;
3.结合余弦相似度与熵理论,进行自主问诊,输出分诊结果。
接下来,详细介绍本申请方案,如图1所示,方法包括:
S1、获取用户的症状数据信息;
在本实施例中,获取用户的症状数据信息时包括了用户输入的症状数据信息,同时,考虑到实际应用中,使用者输入的症状可能不足以确定疾病或就医门诊,需要引入问诊的算法,即提问一个症状,使其与之前输入的查询症状共同作用,能够最大程度地确定应该分到的门诊。
当输入几个查询症状时,其关键在于将某几个概率最大的门诊筛选出来,而我们要提问的症状,就是为了使某几个门诊的概率与其他门诊的概率更有区分度。因此,根据信息熵理论,我们要问的症状,就是使概率分布存在最大差异化的那个症状。
因此,在本发明的实施例中包括了用户输入的症状数据信息和提问的症状数据信息即问诊数据。
在本发明的实施例中,在该步骤之前还包括构建词向量,如图3所示,其中所述构建词向量包括病症向量抽取、疾病向量与门诊向量的构建。
所述病症向量的抽取,具体为:
我们使用了《疾病大全》作为训练词向量的语料。其专业词汇严格,内容充足,文本数据达35.4MB;症状分类明确,共有280个不同症状,基本满足门诊需求;疾病覆盖面广,共有2535个疾病的详细介绍;门诊分类权威专业,共有33个门诊子分类,涵盖了综合性医院的所有门诊科室。
我们先使用分词工具Jieba分词对语料进行了分词,得到T个单词,其集合为W;同时,导入了180个症状,其集合为S,作为自定义词典,进行强制分词,即
S∈W (1)
之后,我们使用了谷歌开源的Word2Vec工具,以分词后的《疾病大全》作为语料,对分词后的语料进行训练得到词向量模型M,得到每一个单词Wi的向量表示Vi,其中向量均为180维;
取其中的180个症状单词,得到症状对应的180个向量,用集合Sv表示,则表示第i个症状的向量。
构建疾病向量与门诊向量,具体为:
在推导疾病向量之前,我们先对症状向量做了标准化,并对180个症状向量所构成的向量组进行了正交规范化。标准化后会使每个症状向量的数值平均变为0、标准差变为1;正交化后,向量之间彼此正交,具有更高的区分度。
要对向量进行标准化,首先要求出向量的模,对每一个症状向量而言,它有180维,即180个分量,定义其第j个分量为代表其在第j个维度的值,得到每一个症状向量的平均值Mi:
其方差Vi:
则标准化后的症状向量为:
更新症状向量使
症状向量组的正交化是通过施密特正交化的方法实现的,
……
更新症状向量,使
对疾病所包含的症状向量Sv做加权平均得到疾病向量Dv,疾病向量共有2325个。假设第l个疾病中,包含n个症状。
例如,第m个疾病(Dm)中,包含了三个症状,则计算向量的方法如图4所示。
同理,根据《疾病大全》中每个门诊C对疾病D的包含关系,假设第t个门诊中,包含m个疾病,通过对门诊所包含的疾病向量Dv做加权平均得到门诊向量Cv,
至此,症状、疾病与门诊向量构建完成,可以用于分诊算法。
S2、判断获取的用户症状数据信息是用户输入还是问诊数据,若是用户输入数据则执行步骤S3,若是问诊数据则执行S4;
S3、基于所述症状数据信息查找与其对应的词向量,与门诊向量求余弦相似度,得到分诊概率,作为分诊结果;
当输入一个或几个症状,就可以按照生成疾病向量的方式,来计算其向量(查询向量Qv)。该查询向量是输入的症状向量的加权平均,存在于向量空间中。根据距离测度理论,可以用余弦相似度来表征两个向量在向量空间中的接近程度。因此,我们计算查询向量与现有的门诊向量之间的余弦相似度,就可以得到它属于每个门诊的概率,从而实现分诊。
查询向量与第t个门诊向量的余弦相似度的表示:
得到的结果介于(0,1)之间,可以认为这就是查询症状属于门诊t的概率。
在本实施例中,共有30个门诊,所以,将输入的查询向量与30个门诊向量分别求余弦相似度,找到其中最大的三个值输出,作为分诊的结果。
输入要查询的症状组合,输出可能性最大的3个门诊,准确率超过70%。
S4、通过分诊概率求熵,并代入预先设置的症状向量列表,将概率分布的熵最小化,从而找到需要问诊的症状,获得问诊结果。
考虑到实际应用中,使用者输入的症状可能不足以确定疾病或就医门诊,需要引入问诊的算法,即提问一个症状,使其与之前输入的查询症状共同作用,能够最大程度地确定应该分到的门诊。
当输入几个查询症状时,其关键在于将某几个概率最大的门诊筛选出来,而我们要提问的症状,就是为了使某几个门诊的概率与其他门诊的概率更有区分度。因此,根据信息熵理论,我们要问的症状,就是使概率分布存在最大差异化的那个症状。
所述通过分诊概率求熵,并代入预先设置的症状向量列表,将概率分布的熵最小化,从而找到需要问诊的症状,具体为:
构建新的查询症状它是输入的查询症状向量加上一个已有症状中的任意一个症状向量:
根据信息熵公式:
得到门诊概率:
通过遍历式(9)中i的取值,使其从1变到180,代入式(10)和式(11)中,得到180个熵值,其中使熵最小的那个就是要拿来问诊的症状。
如果患者认定此症状存在,则将此症状与之前的查询症状加权,重新进行分诊算法,就可以进行更准确的分诊;如果患者认定此症状不存在,则将含有此症状的门诊删去,分诊亦能更加精确。
本发明还提供了一种基于词向量的医疗分诊系统,所述系统包括:
获取装置,用于获取用户的症状数据信息;
判断装置,用于判断获取的用户症状数据信息是用户输入还是问诊数据,若是用户输入数据,则进入第一计算装置获取第一结果,若是问诊数据,则进入第二计算装置获取第二结果;
第一计算装置,用于基于所述症状数据信息查找与其对应的词向量,与门诊向量求余弦相似度,得到分诊概率;
第二计算装置,用于通过分诊概率求熵,并代入预先设置的症状向量列表,将概率分布的熵最小化,从而找到需要问诊的症状。
抽取装置,用于病症向量的抽取。
构建装置,用于构建疾病向量和门诊向量。
对于本领域技术人员而言,显然本发明实施例不限于上述示范性实施例的细节,而且在不背离本发明实施例的精神或基本特征的情况下,能够以其他的具体形式实现本发明实施例。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明实施例的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明实施例内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。系统、装置或终端权利要求中陈述的多个单元、模块或装置也可以由同一个单元、模块或装置通过软件或者硬件来实现。第一,第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施方式仅用以说明本发明实施例的技术方案而非限制,尽管参照以上较佳实施方式对本发明实施例进行了详细说明,本领域的普通技术人员应当理解,可以对本发明实施例的技术方案进行修改或等同替换都不应脱离本发明实施例的技术方案的精神和范围。
Claims (10)
1.一种基于词向量的医疗分诊方法,其特征在于,所述方法包括如下步骤:
步骤一、获取用户的症状数据信息;
步骤二、判断获取的用户症状数据信息是用户输入还是问诊数据,若是用户输入数据则执行步骤三,若是问诊数据则执行步骤四;
步骤三、基于所述症状数据信息查找与其对应的词向量,与门诊向量求余弦相似度,得到分诊概率,作为分诊结果;
步骤四、通过分诊概率求熵,并代入预先设置的症状向量列表,将概率分布的熵最小化,从而找到需要问诊的症状,获得问诊结果。
2.根据权利要求1所述的基于词向量的医疗分诊方法,其特征在于,所述获取用户的症状数据信息之前,还包括构建词向量,其中所述构建词向量包括病症向量抽取、疾病向量与门诊向量的构建。
3.根据权利要求2所述的基于词向量的医疗分诊方法,其特征在于,所述病症向量的抽取,具体为:
(1)使用Jieba分词工具对语料进行分词,得到T个单词,其集合为W;同时,导入180个症状,其集合为S,作为自定义词典,进行强制分词,即
S∈W (1)
(2)使用Word2Vec工具,对分词后的语料进行训练得到词向量模型M,得到每一个单词Wi的向量表示Vi,其中向量均为180维;
(3)取其中的180个症状单词,得到症状对应的180个向量,用集合Sv表示,则表示第i个症状的向量。
4.根据权利要求3所述的基于词向量的医疗分诊方法,其特征在于,使用《疾病大全》作为训练词向量的语料。
5.根据权利要求3所述的基于词向量的医疗分诊方法,其特征在于,所述构建疾病向量与门诊向量,具体为:
(1)对180个症状向量进行正交规范化,使得每个症状向量的均值为0、标准差为1;
(2)对于每一个症状向量定义其第j个分量为代表其在第j个维度的值,得到每一个症状向量的平均值Mi:
其方差Vi:
则标准化后的症状向量为:
更新症状向量使
症状向量组的正交化是通过施密特正交化的方法实现的。
更新症状向量,使
对疾病所包含的症状向量Sv做加权平均得到疾病向量Dv,第l个疾病中,包含n个症状
(3)根据每个门诊C对疾病D的包含关系,假设第t个门诊中,包含m个疾病,通过对门诊所包含的疾病向量Dv做加权平均得到门诊向量Cv,
6.根据权利要求5所述的基于词向量的医疗分诊方法,其特征在于,所述基于所述症状数据信息查找与其对应的词向量,与门诊向量求余弦相似度,得到分诊概率,具体为:
(1)将用户的病症数据生成查询向量Qv;
(2)计算查询向量与现有的门诊向量之间的余弦相似度,就可以得到它属于每个门诊的概率,表示如下:
7.根据权利要求1所述的基于词向量的医疗分诊方法,其特征在于,所述通过分诊概率求熵,并代入预先设置的症状向量列表,将概率分布的熵最小化,从而找到需要问诊的症状,具体为:
构建新的查询症状它是输入的查询症状向量加上一个已有症状中的任意一个症状向量:
根据信息熵公式:
得到门诊概率:
通过遍历式(9)中i的取值,使其从1变到180,代入式(10)和式(11)中,得到180个熵值,其中使熵最小的那个就是要拿来问诊的症状。
8.根据权利要求7所述的基于词向量的医疗分诊方法,其特征在于,如果用户认定症状存在,则将此症状与之前的查询症状加权,重新进行步骤三;如果患者认定此症状不存在,则将含有此症状的门诊删去。
9.一种基于词向量的医疗分诊系统,其特征在于,所述系统包括:
获取装置,用于获取用户的症状数据信息;
判断装置,用于判断获取的用户症状数据信息是用户输入还是问诊数据,若是用户输入数据,则进入第一计算装置获取第一结果,若是问诊数据,则进入第二计算装置获取第二结果;
第一计算装置,用于基于所述症状数据信息查找与其对应的词向量,与门诊向量求余弦相似度,得到分诊概率;
第二计算装置,用于通过分诊概率求熵,并代入预先设置的症状向量列表,将概率分布的熵最小化,从而找到需要问诊的症状。
10.根据权利要求9所述的基于词向量的医疗分诊系统,其特征在于,所述系统还包括,
抽取装置,用于病症向量的抽取;
构建装置,用于构建疾病向量和门诊向量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910366790.8A CN110246572B (zh) | 2019-05-05 | 2019-05-05 | 一种基于词向量的医疗分诊方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910366790.8A CN110246572B (zh) | 2019-05-05 | 2019-05-05 | 一种基于词向量的医疗分诊方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110246572A true CN110246572A (zh) | 2019-09-17 |
CN110246572B CN110246572B (zh) | 2021-07-13 |
Family
ID=67883755
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910366790.8A Active CN110246572B (zh) | 2019-05-05 | 2019-05-05 | 一种基于词向量的医疗分诊方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110246572B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110838359A (zh) * | 2019-10-16 | 2020-02-25 | 平安科技(深圳)有限公司 | 基于对话机器人的分诊方法、装置、存储介质及机器人 |
CN111326251A (zh) * | 2020-02-13 | 2020-06-23 | 北京百度网讯科技有限公司 | 一种问诊问题输出方法、装置以及电子设备 |
CN112016295A (zh) * | 2020-09-04 | 2020-12-01 | 平安科技(深圳)有限公司 | 症状数据处理方法、装置、计算机设备及存储介质 |
CN112349410A (zh) * | 2020-11-13 | 2021-02-09 | 北京京东尚科信息技术有限公司 | 用于科室分诊的分诊模型的训练方法、分诊方法和系统 |
CN112951394A (zh) * | 2021-03-10 | 2021-06-11 | 中电健康云科技有限公司 | 一种基于深度学习的医院分诊和预测医学检查项目的方法 |
CN113012804A (zh) * | 2019-12-20 | 2021-06-22 | 中移(成都)信息通信科技有限公司 | 症状确定方法、装置、设备及介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102156812A (zh) * | 2011-04-02 | 2011-08-17 | 中国医学科学院医学信息研究所 | 基于症状相似度分析的就医辅助决策方法 |
CN108764280A (zh) * | 2018-04-17 | 2018-11-06 | 中国科学院计算技术研究所 | 一种基于症状向量的医学数据处理方法和系统 |
CN108986907A (zh) * | 2018-07-24 | 2018-12-11 | 郑州大学第附属医院 | 一种基于knn算法的远程医疗自动分诊方法 |
US20190034810A1 (en) * | 2017-07-31 | 2019-01-31 | Boe Technology Group Co., Ltd. | Data processing method, medical term processing system and medical diagnostic system |
-
2019
- 2019-05-05 CN CN201910366790.8A patent/CN110246572B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102156812A (zh) * | 2011-04-02 | 2011-08-17 | 中国医学科学院医学信息研究所 | 基于症状相似度分析的就医辅助决策方法 |
US20190034810A1 (en) * | 2017-07-31 | 2019-01-31 | Boe Technology Group Co., Ltd. | Data processing method, medical term processing system and medical diagnostic system |
CN108764280A (zh) * | 2018-04-17 | 2018-11-06 | 中国科学院计算技术研究所 | 一种基于症状向量的医学数据处理方法和系统 |
CN108986907A (zh) * | 2018-07-24 | 2018-12-11 | 郑州大学第附属医院 | 一种基于knn算法的远程医疗自动分诊方法 |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110838359A (zh) * | 2019-10-16 | 2020-02-25 | 平安科技(深圳)有限公司 | 基于对话机器人的分诊方法、装置、存储介质及机器人 |
CN113012804A (zh) * | 2019-12-20 | 2021-06-22 | 中移(成都)信息通信科技有限公司 | 症状确定方法、装置、设备及介质 |
CN113012804B (zh) * | 2019-12-20 | 2024-03-19 | 中移(成都)信息通信科技有限公司 | 症状确定方法、装置、设备及介质 |
CN111326251A (zh) * | 2020-02-13 | 2020-06-23 | 北京百度网讯科技有限公司 | 一种问诊问题输出方法、装置以及电子设备 |
CN111326251B (zh) * | 2020-02-13 | 2023-08-29 | 北京百度网讯科技有限公司 | 一种问诊问题输出方法、装置以及电子设备 |
CN112016295A (zh) * | 2020-09-04 | 2020-12-01 | 平安科技(深圳)有限公司 | 症状数据处理方法、装置、计算机设备及存储介质 |
WO2021151328A1 (zh) * | 2020-09-04 | 2021-08-05 | 平安科技(深圳)有限公司 | 症状数据处理方法、装置、计算机设备及存储介质 |
CN112016295B (zh) * | 2020-09-04 | 2024-02-23 | 平安科技(深圳)有限公司 | 症状数据处理方法、装置、计算机设备及存储介质 |
CN112349410A (zh) * | 2020-11-13 | 2021-02-09 | 北京京东尚科信息技术有限公司 | 用于科室分诊的分诊模型的训练方法、分诊方法和系统 |
CN112349410B (zh) * | 2020-11-13 | 2024-04-09 | 北京京东尚科信息技术有限公司 | 用于科室分诊的分诊模型的训练方法、分诊方法和系统 |
CN112951394A (zh) * | 2021-03-10 | 2021-06-11 | 中电健康云科技有限公司 | 一种基于深度学习的医院分诊和预测医学检查项目的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110246572B (zh) | 2021-07-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110246572A (zh) | 一种基于词向量的医疗分诊方法及系统 | |
CN111414393B (zh) | 一种基于医学知识图谱的语义相似病例检索方法及设备 | |
US11475143B2 (en) | Sensitive data classification | |
US11816078B2 (en) | Automatic entity resolution with rules detection and generation system | |
CN106844723B (zh) | 基于问答系统的医学知识库构建方法 | |
CN113535974B (zh) | 诊断推荐方法及相关装置、电子设备、存储介质 | |
WO2020124856A1 (zh) | 一种基于词向量的诊断标准化方法及装置 | |
JP2020520516A (ja) | 自然言語クエリのデータベースクエリへのニューラルネットワークに基づく翻訳 | |
CN111368094B (zh) | 实体知识图谱建立、属性信息获取、门诊分诊方法及装置 | |
CN106126577A (zh) | 一种基于数据源划分矩阵的加权关联规则挖掘方法 | |
CN111949759A (zh) | 病历文本相似度的检索方法、系统及计算机设备 | |
US20170147753A1 (en) | Method for searching for similar case of multi-dimensional health data and apparatus for the same | |
CN104199855B (zh) | 一种针对中医药学信息的检索系统和方法 | |
CN114334070A (zh) | 一种基于医疗大数据的辅助处方系统 | |
CN107251045A (zh) | 物体识别装置、物体识别方法及程序 | |
CN111899890B (zh) | 基于比特串哈希的医疗数据相似度检测系统与方法 | |
US20200342954A1 (en) | Polypharmacy Side Effect Prediction With Relational Representation Learning | |
Wang et al. | Automatic diagnosis with efficient medical case searching based on evolving graphs | |
CN110751027A (zh) | 一种基于深度多示例学习的行人重识别方法 | |
CN115359873B (zh) | 用于手术质量的控制方法 | |
WO2021169203A1 (zh) | 基于多层级结构相似度的单基因病名称推荐方法和系统 | |
CN111274332A (zh) | 一种基于知识图谱的专利智能检索方法及系统 | |
Shoaib et al. | Hybrid classification structures for automatic COVID-19 detection | |
Zhang et al. | An improved probabilistic relaxation method for matching multi-scale road networks | |
CN115982222A (zh) | 一种基于特病特药场景的搜索方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |