CN110310745B - 医疗指南和数据驱动相结合的治疗方案推荐系统 - Google Patents

医疗指南和数据驱动相结合的治疗方案推荐系统 Download PDF

Info

Publication number
CN110310745B
CN110310745B CN201910424781.XA CN201910424781A CN110310745B CN 110310745 B CN110310745 B CN 110310745B CN 201910424781 A CN201910424781 A CN 201910424781A CN 110310745 B CN110310745 B CN 110310745B
Authority
CN
China
Prior art keywords
treatment scheme
treatment
recommended
data
scheme
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.)
Active
Application number
CN201910424781.XA
Other languages
English (en)
Other versions
CN110310745A (zh
Inventor
沈坤炜
陈小松
朱思吉
曹健
朱能军
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Jiaotong University
Ruinjin Hospital Affiliated to Shanghai Jiaotong University School of Medicine Co Ltd
Original Assignee
Shanghai Jiaotong University
Ruinjin Hospital Affiliated to Shanghai Jiaotong University School of Medicine Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai Jiaotong University, Ruinjin Hospital Affiliated to Shanghai Jiaotong University School of Medicine Co Ltd filed Critical Shanghai Jiaotong University
Priority to CN201910424781.XA priority Critical patent/CN110310745B/zh
Publication of CN110310745A publication Critical patent/CN110310745A/zh
Application granted granted Critical
Publication of CN110310745B publication Critical patent/CN110310745B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (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

本发明提供医疗指南和数据驱动相结合的治疗方案推荐系统，包括训练出数据驱动的推荐模型；建立治疗方案分类列表，以确定粗粒度的治疗方案和细粒度的治疗方案之间的映射关系；将数据驱动的推荐模型的推荐治疗方案作为第一推荐治疗方案；将医疗指南规则库的推荐治疗方案作为第二推荐治疗方案；将第一推荐治疗方案、第二推荐治疗方案按照治疗方案分类列表进行过滤，得到过滤后的推荐治疗方案作为第三推荐治疗方案，将第三推荐治疗方案推荐给目标病例。本发明融合医疗指南和数据驱动的各自的特点，推荐出更合理的治疗方案，降低决策风险。本发明得出的推荐方案既可以通过医疗指南做出合理性解释，也能得到历史病例作为证据的支持，更能让患者信服。

Description

医疗指南和数据驱动相结合的治疗方案推荐系统
技术领域
本发明涉及医疗决策领域，具体地，涉及医疗指南和数据驱动相结合的治疗方案推荐系统。
背景技术
为了降低选择不恰当的治疗方案的风险，许多权威的医学指导方针，如国际上的NCCN(the National Comprehensive Cancer Network)医疗指南，已被各种医疗机构发布和使用。在决策支持系统中，指南可以作为一个基本规则指导医生做出正确的决定。然而，这些指南推荐的治疗方案通常是粗略的，比如它会建议需要化疗而一般不会给出具体需要哪种类型的化疗方案。
与此同时，由于收集和记录了越来越多的病例数据，以数据驱动的方法来确立治疗方案推荐系统变得非常有吸引力。通过这种方法，可以从历史案例或学术文献中挖掘出帮助做出合理治疗方案决策的内在因素，并在确定病例治疗方案的过程中进一步得以应用。然而，数据驱动的方法有一些固有的问题。例如，当数据的统计特性随着时间的推移而改变时，就会出现概念漂移。此外，数据驱动方法的性能取决于数据的质量，这在现实中是很难控制的。
发明内容
针对现有技术中的缺陷，本发明的目的是提供一种医疗指南和数据驱动相结合的治疗方案推荐方法及系统。
根据本发明提供的一种医疗指南和数据驱动相结合的治疗方案推荐系统，包括以下模块：
训练数据驱动推荐模型装置：利用训练集训练出数据驱动的推荐模型；
建立治疗方案分类列表装置：建立治疗方案分类列表，以确定粗粒度的治疗方案和细粒度的治疗方案之间的映射关系；
获取目标病例特征数据装置：获取目标病例的特征数据；
获取第一推荐治疗方案装置：将所述目标病例的特征数据作为数据驱动的推荐模型的输入，获取数据驱动的推荐模型的推荐治疗方案作为第一推荐治疗方案；
获取第二推荐治疗方案装置：将所述目标病例的特征数据作为医疗指南规则库的输入，获取医疗指南规则库的推荐治疗方案作为第二推荐治疗方案；
选择第三推荐治疗方案装置：将所述第一推荐治疗方案、第二推荐治疗方案分别作为粗粒度的治疗方案、细粒度的治疗方案，按照治疗方案分类列表进行过滤，得到过滤后的推荐治疗方案作为第三推荐治疗方案，将所述第三推荐治疗方案推荐给目标病例。
优选地，所述训练集包括至少一个历史病例特征数据和所述历史病例特征数据对应的历史治疗方案，且每个历史病例特征数据中包括与该历史病例特征数据对应的信息，每个历史治疗方案中包括对应的治疗方案、对应的解决效果。
优选地，所述的医疗指南和数据驱动相结合的治疗方案推荐系统，包括：
建立医疗指南规则库：将医疗指南转换成医疗指南规则库；
所述医疗指南规则库包括至少一条医疗指南规则，且每条医疗指南规则转换成独立的决策规则，决策规则用于推荐对应的治疗方案。
优选地，所述目标病例的特征数据包括用户信息、诊断结果。
优选地，所述历史病例特征数据对应的信息包括用户信息、诊断结果。
优选地，所述第一推荐治疗方案至少包括一个治疗方案。
优选地，所述选择第三推荐治疗方案装置，包括：
第一推荐装置：当第二推荐治疗方案提示无方案时，将第一推荐治疗方案作为第三推荐治疗方案推荐给目标病例；
第二推荐装置：当第二推荐治疗方案中含有方案时，在治疗方案分类列表中查询出与第二推荐治疗方案存在映射关系的第一推荐治疗方案，将所述第一推荐治疗方案作为第三推荐治疗方案推荐给目标病例。
与现有技术相比，本发明具有如下的有益效果：
1、本发明能够充分利用基于规则的推荐方法和数据驱动的推荐方法各自优势，简单但有效的融合了两种方法给出的推荐方案，从而使得最终的推荐结果在不违背医疗指南的前提下，给出更为精细的治疗方案。
2、根据本发明得出的推荐方案既可以通过医疗指南做出合理性解释，也能得到历史病例作为证据的支持，更能让患者信服。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1为本发明的治疗方案及其分类列表；
图2为本发明的治疗方案推荐处理流程图；
图3为本发明的目标病例的特征数据的属性对应图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变化和改进。这些都属于本发明的保护范围。
本发明主要涉及医疗决策领域和机器学习相关技术，利用医疗指南和病例历史数据构造更加合理的治疗方案推荐算法。医疗指南本质上是一条条决策规则，它是根据医疗机构若干年的经验总结，具有一定的权威性。通过合理的解析和编码医疗指南，使医疗指南成为一条条独立的规则，方便维护。另外，利用机器学习技术可以很好的利用历史病例数据，建立推荐模型，从数据中挖掘隐藏的规则，如K-近邻(KNN)算法，确定数据驱动的治疗方案推荐系统。将这两个方法有机结合起来，根据基于规则方法和数据驱动的方法各自的特点，融合基于规则和数据驱动的这两种方法，系统推荐出更合理的治疗方案，降低决策风险。
如图2所示，本发明公开了一种医疗指南和数据驱动相结合的治疗方案推荐系统，包括以下模块：训练数据驱动推荐模型装置：利用训练集训练出数据驱动的推荐模型；数据驱动的推荐模型用以挖掘数据中潜在的规则，优选地，采用K-近邻算法作为数据驱动的推荐模型，根据病例特征数据之间的具体确定K个最相似的邻居病例；建立治疗方案分类列表装置：建立治疗方案分类列表，以确定粗粒度的治疗方案和细粒度的治疗方案之间的映射关系；在图1所示的治疗方案及其分类列表中，体现出粗粒度(main class)的治疗方案和细粒度(subclass/specific therapies)的治疗方案之间的映射关系，如TC*4方案是特定的TC方案，而只要是给出了TC方案，就表明该病例需要该项治疗，如需要放疗，所以TC*4属于TC，TC属于Need(需要)；获取目标病例特征数据装置：获取目标病例的特征数据；获取第一推荐治疗方案装置：将所述目标病例的特征数据作为数据驱动的推荐模型的输入，获取数据驱动的推荐模型的推荐治疗方案作为第一推荐治疗方案；获取第二推荐治疗方案装置：将所述目标病例的特征数据作为医疗指南规则库的输入，获取医疗指南规则库的推荐治疗方案作为第二推荐治疗方案；选择第三推荐治疗方案装置：将所述第一推荐治疗方案、第二推荐治疗方案分别作为粗粒度的治疗方案、细粒度的治疗方案，按照治疗方案分类列表进行过滤，得到过滤后的推荐治疗方案作为第三推荐治疗方案，将所述第三推荐治疗方案推荐给目标病例。
具体地，所述训练集包括至少一个历史病例特征数据和所述历史病例特征数据对应的历史治疗方案，且每个历史病例特征数据中包括与该历史病例特征数据对应的信息，每个历史治疗方案中包括对应的治疗方案、对应的解决效果。
具体地，上述医疗指南和数据驱动相结合的治疗方案推荐系统，包括建立医疗指南规则库：将医疗指南转换成医疗指南规则库；所述医疗指南规则库包括至少一条医疗指南规则，且每条医疗指南规则转换成独立的决策规则，决策规则用于推荐对应的治疗方案。具体地，所述第一推荐治疗方案至少包括一个治疗方案。
具体地，所述选择第三推荐治疗方案装置，包括以下装置，第一推荐装置：当第二推荐治疗方案提示无方案时，将第一推荐治疗方案作为第三推荐治疗方案推荐给目标病例；第二推荐装置：当第二推荐治疗方案中含有方案时，在治疗方案分类列表中查询出与第二推荐治疗方案存在映射关系的第一推荐治疗方案，将所述第一推荐治疗方案作为第三推荐治疗方案推荐给目标病例。如果基于医疗指南不能给出推荐结果，那么数据驱动的推荐模型给出的结果直接作为最终的治疗方案推荐结果。如果基于医疗指南可以给出推荐结果，则利用基于医疗指南推荐产生的粗粒度的治疗方案去过滤数据驱动算法给出的细粒度治疗方案。每一个细粒度的治疗方案都属于一个粗粒度的治疗方案，如图1所示，所以可以过滤掉那些与规则推荐的粗粒度治疗方案不一致的细粒度治疗方案。
目标病例的特征数据、历史病例特征数据对应的信息均包括用户信息、诊断结果两个方面，具体属性信息如图3的Name列所示，而根据属性信息的数据做出的最后的诊断结果如图3的Values列所示，结合这两类数据，可以构造历史训练样本(用户信息，诊断结果)，通过这些训练样本，以及选定的成熟监督式机器学习模型，如：KNN算法，NN神经网络算法，决策树算法等(不需要局限于某一种算法)学习出这些样本所蕴含的本质规律。最后基于这些规律，对新样本做出基于数据驱动的决策。同样的，在设定了规则库之后，新样本可以通过与规则进行匹配(要求满足该条规则的所有约束)确定最终的治疗指南给出的推荐结果。最后利用指南给出的结果过滤和调整数据驱动给出的结果。
以下对具体实施的举例阐述。
首先确定粗粒度(main class)的治疗方案和细粒度(subclass/specifictherapies)的治疗方案之间的映射关系，如图1所示。如TC*4方案是特定的TC方案，而只要是给出了TC方案，就表明该病例需要该项治疗，如需要放疗，所以TC*4属于TC，TC属于Need(需要)。
其次，利用历史病例数据和对应的治疗方案训练出数据驱动的推荐模型，以挖掘数据中潜在的规则，如KNN算法，根据病例特征数据之间的具体确定K个最相似的邻居病例。
再次，通过学出的数据驱动推荐模型，给出目标病例的推荐治疗方案，例如，根据KNN算法给出目标病例的候选治疗方案为TC*4，TC*6和CMF。将医疗指南转换成一条条独立的决策规则，并根据这些规则给出目标病例的推荐治疗方案，例如根据规则1得出该病例的治疗方案为TC。
最后：根据基于规则给出的推荐结果，过滤数据驱动推荐模型给出的推荐结果。如果基于医疗指南规则不能给出推荐结果，那么数据驱动算法给出的结果直接作为最终的治疗方案推荐结果，例如，如果医疗指南规则中规则不能给出目标病例的推荐治疗方案，那么最终的推荐治疗方案就为来自基于数据驱动算法的推荐结果，即TC*4，TC*6和CMF；：如果基于医疗指南规则可以给出推荐结果，则利用基于规则推荐产生的粗粒度的治疗方案去过滤数据驱动算法给出的细粒度治疗方案，用方案TC去过滤CMF，所以在这个例子里，最后推荐的治疗方案为TC*4和TC*6，过滤掉了CMF，因为TC*4和TC*6都属于TC，而CMF不属于TC。因此，最终的推荐结果既保证了基于医疗指南规则的权威性，也继承了数据驱动方法更加个性化，更具体的特点，同时，KNN算法中支持TC*4和TC*6方案的近邻也可以作为证据支持最终的推荐结果。
本领域技术人员知道，除了以纯计算机可读程序代码方式实现本发明提供的系统、装置及其各个模块以外，完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统、装置及其各个模块以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同程序。所以，本发明提供的系统、装置及其各个模块可以被认为是一种硬件部件，而对其内包括的用于实现各种程序的模块也可以视为硬件部件内的结构；也可以将用于实现各种功能的模块视为既可以是实现方法的软件程序又可以是硬件部件内的结构。
以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本申请的实施例和实施例中的特征可以任意相互组合。

Claims (7)

1.一种医疗指南和数据驱动相结合的治疗方案推荐系统，其特征在于，包括以下模块：
训练数据驱动推荐模型装置：利用训练集训练出数据驱动的推荐模型；
建立治疗方案分类列表装置：建立治疗方案分类列表，以确定粗粒度的治疗方案和细粒度的治疗方案之间的映射关系；
获取目标病例特征数据装置：获取目标病例的特征数据；
获取第一推荐治疗方案装置：将所述目标病例的特征数据作为数据驱动的推荐模型的输入，获取数据驱动的推荐模型的推荐治疗方案作为第一推荐治疗方案；
获取第二推荐治疗方案装置：将所述目标病例的特征数据作为医疗指南规则库的输入，获取医疗指南规则库的推荐治疗方案作为第二推荐治疗方案；选择第三推荐治疗方案装置：将所述第一推荐治疗方案、第二推荐治疗方案分别作为粗粒度的治疗方案、细粒度的治疗方案，基于医疗指南给出的推荐结果，利用基于医疗指南推荐产生的粗粒度的治疗方案去过滤数据驱动算法给出的细粒度治疗方案，每一个细粒度的治疗方案都属于一个粗粒度的治疗方案，过滤掉与规则推荐的粗粒度治疗方案不一致的细粒度治疗方案，得到过滤后的推荐治疗方案作为第三推荐治疗方案，将所述第三推荐治疗方案推荐给目标病例。
2.根据权利要求1所述的医疗指南和数据驱动相结合的治疗方案推荐系统，其特征在于，所述训练集包括至少一个历史病例特征数据和所述历史病例特征数据对应的历史治疗方案，且每个历史病例特征数据中包括与该历史病例特征数据对应的信息，每个历史治疗方案中包括对应的治疗方案、对应的解决效果。
3.根据权利要求1所述的医疗指南和数据驱动相结合的治疗方案推荐系统，其特征在于，包括：
建立医疗指南规则库：将医疗指南转换成医疗指南规则库；
所述医疗指南规则库包括至少一条医疗指南规则，且每条医疗指南规则转换成独立的决策规则，决策规则用于推荐对应的治疗方案。
4.根据权利要求1所述的医疗指南和数据驱动相结合的治疗方案推荐系统，其特征在于，所述目标病例的特征数据包括用户信息、诊断结果。
5.根据权利要求2所述的医疗指南和数据驱动相结合的治疗方案推荐系统，其特征在于，所述历史病例特征数据对应的信息包括用户信息、诊断结果。
6.根据权利要求1所述的医疗指南和数据驱动相结合的治疗方案推荐系统，其特征在于，所述第一推荐治疗方案至少包括一个治疗方案。
7.根据权利要求1所述的医疗指南和数据驱动相结合的治疗方案推荐系统，其特征在于，所述选择第三推荐治疗方案装置，包括：
第一推荐装置：当第二推荐治疗方案提示无方案时，将第一推荐治疗方案作为第三推荐治疗方案推荐给目标病例；
第二推荐装置：当第二推荐治疗方案中含有方案时，在治疗方案分类列表中查询出与第二推荐治疗方案存在映射关系的第一推荐治疗方案，将所述第一推荐治疗方案作为第三推荐治疗方案推荐给目标病例。
CN201910424781.XA 2019-05-21 2019-05-21 医疗指南和数据驱动相结合的治疗方案推荐系统 Active CN110310745B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910424781.XA CN110310745B (zh) 2019-05-21 2019-05-21 医疗指南和数据驱动相结合的治疗方案推荐系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910424781.XA CN110310745B (zh) 2019-05-21 2019-05-21 医疗指南和数据驱动相结合的治疗方案推荐系统

Publications (2)

Publication Number Publication Date
CN110310745A CN110310745A (zh) 2019-10-08
CN110310745B true CN110310745B (zh) 2021-12-03

Family

ID=68074830

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910424781.XA Active CN110310745B (zh) 2019-05-21 2019-05-21 医疗指南和数据驱动相结合的治疗方案推荐系统

Country Status (1)

Country Link
CN (1) CN110310745B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112148937B (zh) * 2020-10-12 2023-07-25 平安科技（深圳）有限公司 动态防疫知识的推送方法及系统
CN116246749B (zh) * 2023-05-11 2023-07-21 西南医科大学附属医院 集成电子病历的内分泌病人个性化健康管理系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20160072852A (ko) * 2014-12-12 2016-06-24 경희대학교 산학협력단 사례 베이스 추론 기반의 임상 지식 검증 시스템 및 방법
KR101766583B1 (ko) * 2016-04-27 2017-08-09 숭실대학교산학협력단 전문가의 지식을 이용한 온톨로지 기반의 추론 장치 및 방법
CN108511055A (zh) * 2017-02-27 2018-09-07 中国科学院苏州纳米技术与纳米仿生研究所 基于分类器融合及诊断规则的室性早搏识别系统及方法
CN109036549A (zh) * 2018-06-29 2018-12-18 重庆柚瓣家科技有限公司 一种基于模糊决策和病历数据的疾病预诊系统
CN109102886A (zh) * 2018-08-20 2018-12-28 重庆柚瓣家科技有限公司 多推理模式融合的老年病推理诊断系统
CN109273099A (zh) * 2018-08-09 2019-01-25 上海交通大学 多源治疗方案推荐的结论合成方法及系统
CN109411082A (zh) * 2018-11-08 2019-03-01 西华大学 一种医疗质量评价及就诊推荐方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20160072852A (ko) * 2014-12-12 2016-06-24 경희대학교 산학협력단 사례 베이스 추론 기반의 임상 지식 검증 시스템 및 방법
KR101766583B1 (ko) * 2016-04-27 2017-08-09 숭실대학교산학협력단 전문가의 지식을 이용한 온톨로지 기반의 추론 장치 및 방법
CN108511055A (zh) * 2017-02-27 2018-09-07 中国科学院苏州纳米技术与纳米仿生研究所 基于分类器融合及诊断规则的室性早搏识别系统及方法
CN109036549A (zh) * 2018-06-29 2018-12-18 重庆柚瓣家科技有限公司 一种基于模糊决策和病历数据的疾病预诊系统
CN109273099A (zh) * 2018-08-09 2019-01-25 上海交通大学 多源治疗方案推荐的结论合成方法及系统
CN109102886A (zh) * 2018-08-20 2018-12-28 重庆柚瓣家科技有限公司 多推理模式融合的老年病推理诊断系统
CN109411082A (zh) * 2018-11-08 2019-03-01 西华大学 一种医疗质量评价及就诊推荐方法

Also Published As

Publication number Publication date
CN110310745A (zh) 2019-10-08

Similar Documents

Publication Publication Date Title
US10380505B2 (en) Methods and systems for dynamically generating real-time recommendations
CN102411350B (zh) 用于管理过程控制搜索结果的方法和装置
CN110310745B (zh) 医疗指南和数据驱动相结合的治疗方案推荐系统
CN110377814A (zh) 题目推荐方法、装置及介质
CN101398686B (zh) 通过嵌入式历史机数据实现的自适应工业系统
Moscoso-Zea et al. Evaluation of algorithms to predict graduation rate in higher education institutions by applying educational data mining
Eguia et al. Cell formation and scheduling of part families for reconfigurable cellular manufacturing systems using Tabu search
US10417580B2 (en) Iterative refinement of pathways correlated with outcomes
CN105556517A (zh) 智能搜索精细化
CN111461937A (zh) 一种自闭症干预教学课程自动跟踪方法及系统
DE112021005167T5 (de) Chancenerkennung in echtzeit zur produktivitätssteigerung
CN104661093A (zh) 用于确定视频教程的更新的方法和系统
Mnyawami et al. Enhanced model for predicting student dropouts in developing countries using automated machine learning approach: A case of Tanzanian’s Secondary Schools
Luo et al. The effect of college students' adaptability on nomophobia: Based on lasso regression
CN109243561B (zh) 治疗方案推荐系统的模型优化方法及系统
Samancioglu et al. A determination of the smartness level of university campuses: the Smart Availability Scale (SAS)
CN116071033A (zh) 基于预测的人岗匹配精准召回推荐方法
US11087235B2 (en) Cohort consensus approach to manufacturing watson Q and A pipeline training cases from historical data
CN113255303B (zh) 一种文档辅助编辑的方法和系统
CN114417980A (zh) 一种业务模型的建立方法、装置、电子设备及存储介质
Szela̧g et al. Rule‐based approach to multicriteria ranking
KR102650337B1 (ko) 추천 컨텐츠를 제공하는 전자 장치 및 방법
US20230281327A1 (en) Utilizing a switchboard management system to efficiently and accurately manage sensitive digital data across multiple computer applications, systems, and data repositories
Delso Gutiérrez et al. Autonomy and Automation in the Architectural Project: The Algorithm of Hypermobile Commuter's City
Fahlevi et al. Predicting Cost Recovery Rate of Inpatient Cases: the Application of Machine Learning Approaches

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