CN111081325B - 医疗数据处理方法与装置 - Google Patents
医疗数据处理方法与装置 Download PDFInfo
- Publication number
- CN111081325B CN111081325B CN201911373362.4A CN201911373362A CN111081325B CN 111081325 B CN111081325 B CN 111081325B CN 201911373362 A CN201911373362 A CN 201911373362A CN 111081325 B CN111081325 B CN 111081325B
- Authority
- CN
- China
- Prior art keywords
- medical
- information
- data processing
- user
- data
- 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
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 22
- 230000000694 effects Effects 0.000 claims abstract description 101
- 238000012545 processing Methods 0.000 claims abstract description 72
- 238000011156 evaluation Methods 0.000 claims description 61
- 238000000034 method Methods 0.000 claims description 39
- 201000010099 disease Diseases 0.000 claims description 30
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 30
- 230000008569 process Effects 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 15
- 239000013598 vector Substances 0.000 claims description 10
- 238000000968 medical method and process Methods 0.000 claims description 9
- 230000009471 action Effects 0.000 claims description 8
- 238000010801 machine learning Methods 0.000 claims description 5
- 230000001225 therapeutic effect Effects 0.000 claims description 4
- 206010028980 Neoplasm Diseases 0.000 description 11
- 238000010586 diagram Methods 0.000 description 4
- 230000006872 improvement Effects 0.000 description 4
- 206010010264 Condition aggravated Diseases 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000010365 information processing Effects 0.000 description 2
- 230000007721 medicinal effect Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000007170 pathology Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000001959 radiotherapy Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- 206010067484 Adverse reaction Diseases 0.000 description 1
- 208000017667 Chronic Disease Diseases 0.000 description 1
- 206010061818 Disease progression Diseases 0.000 description 1
- 208000007433 Lymphatic Metastasis Diseases 0.000 description 1
- 206010027476 Metastases Diseases 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000006838 adverse reaction Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000005750 disease progression Effects 0.000 description 1
- 230000035622 drinking Effects 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000013394 immunophenotyping Methods 0.000 description 1
- 238000001802 infusion Methods 0.000 description 1
- 239000008155 medical solution Substances 0.000 description 1
- 230000009401 metastasis Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000007105 physical stamina Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 208000011581 secondary neoplasm Diseases 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000000391 smoking effect Effects 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000003313 weakening effect Effects 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
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- 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
- G16H70/00—ICT specially adapted for the handling or processing of medical references
- G16H70/20—ICT specially adapted for the handling or processing of medical references relating to practices or guidelines
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Biomedical Technology (AREA)
- Bioethics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Pathology (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本公开提供一种医疗数据处理方法与装置。医疗数据处理方法包括:获取用户的医疗信息;根据所述医疗信息获取用户的医疗条件数据;根据数据处理分类器确定所述医疗条件数据对应的效果值最高的医疗方案。本公开提供的医疗数据处理方法能够根据本公开提供的数据处理分类器得出具有较好疗效的医疗方案,并提供给医务人员进行参考,从而避免相关医务人员确定医疗方案带来的不确定性,提高医疗方案设置的合理性和准确性。
Description
技术领域
本公开涉及机器学习技术领域,具体而言,涉及一种医疗数据处理方法与装置。
背景技术
在医疗行业,病人的诊疗数据纷繁复杂,传统的数据分析难以确定最准确的医疗方案。例如,肿瘤治疗是一项复杂的医学问题,需要医学专家经验分析病情进而选择合适的医疗方案。但是肿瘤病人的病情各异,专家经验也各不相同,如何选择医疗方案是一个难题。传统的确定医疗方案的方法要么通过专家经验进行主观预测,要么需要通过大量的人工专家标注数据,通过学习分类分类器或者人工定制规则分类器预测方案,这种方法虽可借鉴诊断经验,但数据统计工作繁琐,且仅从一个时间点或者过去多个时间点的信息预测当前时刻的最优方案,不一定是病人整个生存期最有利的医疗方案。
需要说明的是,在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解,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
本公开的目的在于提供一种医疗数据处理方法与医疗数据处理装置,用于根据本公开提供的数据处理分类器得出具有较好疗效的医疗方案,并提供给医务人员进行参考,从而避免相关医务人员确定医疗方案带来的不确定性,提高医疗方案设置的合理性和准确性。
根据本公开的第一方面,提供一种医疗数据处理方法,包括:
获取用户的医疗信息;
根据所述医疗信息获取用户的医疗条件数据;
根据预先设置的数据处理分类器确定所述医疗条件数据对应的医疗方案,其中,所述预先设置的数据处理分类器是根据医疗条件数据、医疗方案信息以及疗效评价信息训练得到的。
在本公开的一种示例性实施例中,所述数据处理分类器的训练过程包括:
获取多组医疗信息,每组所述医疗信息包括一名用户在一次医疗过程中的医疗条件数据、医疗方案信息和疗效评价信息;
对所述医疗条件数据、所述医疗方案信息和所述疗效评价信息进行量化;
根据量化后的所述疗效评价信息确定每组所述医疗信息中每个医疗方案信息对应的效果值;
将量化后的所述医疗条件数据、所述医疗方案信息及所述医疗方案信息对应的所述效果值分别作为环境参数、动作参数和反馈数输入所述数据处理分类器,以对所述数据处理分类器进行训练。
在本公开的一种示例性实施例中,对所述疗效评价信息进行量化包括:
提取所述疗效评价信息中的词向量;
根据所述疗效评价信息中的词向量中的预设关键词确定所述疗效评价信息的种类;
根据所述疗效评价信息的种类对应的数值确定所述疗效评价信息对应的数值。
在本公开的一种示例性实施例中,根据量化后的所述疗效评价信息确定每组所述医疗信息中每个医疗方案信息对应的效果值包括:
确定所述用户对应的第i组医疗信息对应的量化后的疗效评价信息ri;
根据预设衰减系数γ与医疗信息组次序i确定第i组医疗信息对应的影响系数γi-1;
根据所述影响系数和所述量化后的疗效评价信息的乘积确定第i组医疗信息对应的影响值;
将第t组医疗信息之后多组医疗信息的影响值之和确定为第t组医疗信息对应的所述效果值,其中,i、t均为大于零的自然数,0<γ<1。
在本公开的一种示例性实施例中,所述获取多组医疗信息包括:
根据所述医疗信息中的所述医疗条件数据确定多个疾病种类;
在每个疾病种类对应的医疗信息中,根据用户识别符和所述医疗条件数据确定同一用户在同一种类疾病的医疗过程中对应的医疗方案信息、疗效评价信息和医疗次数信息。
在本公开的一种示例性实施例中,所述医疗方案信息为一次医疗过程对应的治疗手段的组合。
在本公开的一种示例性实施例中,所述医疗信息包括电子病历,所述医疗条件数据包括病情信息、病史信息和历史治疗信息。
在本公开的一种示例性实施例中,包括:
信息获取模块,设置为获取用户的医疗信息;
条件获取模块,设置为根据所述医疗信息获取用户的医疗条件数据;
方案确定模块,设置为根据预先设置的数据处理分类器确定所述医疗条件数据对应的效果值最高的医疗方案,其中,所述预先设置的数据处理分类器是根据医疗条件数据、医疗方案信息以及疗效评价信息训练得到的。
根据本公开的一个方面,提供一种电子设备,包括:
存储器;以及
耦合到所述存储器的处理器,所述处理器被配置为基于存储在所述存储器中的指令,执行如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,提供一种计算机可读存储介质,其上存储有程序,该程序被处理器执行时实现如上述任意一项所述的医疗数据处理方法。
本公开实施例通过使用数据处理分类器确定用户的医疗条件数据对应的医疗方案,由于本公开提供的数据处理分类器是以及多组医疗数据通过机器学习方式训练的模型,因此通过本公开提供的数据处理分类器得出的医疗方案具有较好的医疗效果,并提供给医务人员,供医务人员参考。从而可以避免相关医务人员确定医疗方案带来的不确定性,提高医疗方案设置的合理性和准确性。
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,并不能限制本公开。
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,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。显而易见地,下面描述中的附图仅仅是本公开的一些实施例,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是本公开示例性实施例中进行分类器训练的医疗数据处理方法的流程图。
图2是本公开示例性实施例中训练分类器的流程图。
图3是本公开示例性实施例中量化疗效评价信息的流程图。
图4是本公开示例性实施例中确定效果值的流程图。
图5是本公开一个示例性实施例中一种医疗数据处理装置的方框图。
图6是本公开一个示例性实施例中一种电子设备的方框图。
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公开将更加全面和完整,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公开的实施方式的充分理解。然而,本领域技术人员将意识到,可以实践本公开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公开的各方面变得模糊。
此外,附图仅为本公开的示意性图解,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。
下面结合附图对本公开示例实施方式进行详细说明。
图1示意性示出本公开示例性实施例中进行分类器训练的医疗数据处理方法100流程图。
参考图1,医疗数据处理方法100可以包括:
步骤S102,获取用户的医疗信息;
步骤S104,根据所述医疗信息获取用户的医疗条件数据;
步骤S106,根据预先设置的数据处理分类器确定所述医疗条件数据对应的效果值最高的医疗方案,其中,所述预先设置的数据处理分类器是根据医疗条件数据、医疗方案信息以及疗效评价信息训练得到的。
本公开实施例通过使用数据处理分类器确定用户的医疗条件数据对应的医疗方案时,由于本公开提供的数据处理分类器是以及多组医疗数据通过机器学习方式训练的模型,因此通过本公开提供的数据处理分类器得出的医疗方案具有较好的医疗效果,并提供给医务人员,供医务人员参考。从而可以避免相关医务人员确定医疗方案带来的不确定性,提高医疗方案设置的合理性和准确性。
下面,对医疗数据处理方法100的各步骤进行详细说明。
在步骤S102,获取用户的医疗信息。
具体地,步骤S102中的医疗信息可以来源于用户的电子病历。电子病历例如可以记录用户的就诊次数、就诊时间、疾病种类、治疗手段、诊断信息等等。为了更好地实施方法100,可以预先存储并整理用户的电子病历,使之按照预设格式进行存储,以方便后续的信息提取和信息处理。
如果医疗信息并非是已存储为预设格式的电子病历,还可以通过输入或扫描、文本识别、词向量提取等手段获取用户的医疗信息,本领域技术人员可以根据实际情况自行设置。
在步骤S104,根据所述医疗信息获取用户的医疗条件数据。
在本公开实施例中,医疗条件数据例如可以包括病情信息、病史信息和历史治疗信息。对于已经进行预先处理并存储为预设格式的电子病历,可以直接提取对应属性的属性值,例如直接获取病情信息对应的文本;对于并未存储为预设格式的电子病历,则可以通过人工输入、文本识别、语义识别等手段确定医疗条件数据,本公开不以为限。
值得说明的是,在使用经过训练的数据处理模型(例如数据处理分类器)实现方法100时,步骤S102和步骤S104均可以由数据处理模型进行直接处理,即可以将数据处理模型的输入数据设置为用户的医疗信息。
在步骤S106,根据数据处理分类器确定所述医疗条件数据对应的效果值最高的医疗方案。
本公开实施例使用经过训练的数据处理分类器来确定用户的医疗条件数据对应的效果值最高的医疗方案。
图2是本公开实施例中数据处理分类器的训练过程流程图。
参考图2,数据处理分类器的训练过程可以包括:
步骤S202,获取多组医疗信息,每组所述医疗信息包括一名用户在一次医疗过程中的医疗条件数据、医疗方案信息和疗效评价信息;
步骤S204,对所述医疗条件数据、所述医疗方案信息和所述疗效评价信息进行量化;
步骤S206,根据量化后的所述疗效评价信息确定每组所述医疗信息中每个医疗方案信息对应的效果值;
步骤S208,将量化后的所述医疗条件数据、所述医疗方案信息及所述医疗方案信息对应的所述效果值分别作为环境参数、动作参数和反馈数输入所述数据处理分类器,以对所述数据处理分类器进行训练。
其中,用于训练数据处理分类器的医疗信息可以来自于多家医院的大量病人的电子病历。为方便医疗信息的提取和统计,可以先将获取到的医疗信息按照疾病种类进行预处理,例如,可以首先根据医疗信息中的医疗条件数据确定多个疾病种类,按照疾病种类将所述医疗信息进行分组,然后在每个疾病种类对应的医疗信息中,根据用户识别符和医疗条件数据确定同一用户在同一种类疾病的医疗过程中对应的医疗方案信息、疗效评价信息和医疗次数信息。
一个病人的历次就诊可以看成一个事件时间轴的序列,每次就诊之前的所有诊断详情、历史治疗、病情变化等信息可以作为当前分类器环境,医学指南中推荐的所有候选医疗方案可以作为当前时刻可以执行的动作集合,后续的就诊中医生对病人变化的评价可以作为奖励。至此就可以将病人在某次就诊的医疗方案预测问题,转化成一个通过分类器的数据输入输出进行的数据处理问题。
在本公开实施例中,疾病种类可依据标准病理学分类进行设置;医疗方案信息可以根据病历中处方单上的标准词进行提取;疗效评价信息可以根据病历中的预设词语(例如“病情好转”“康复”“病情加重”等)进行提取;治疗次数信息可以根据病历中的记录日期或处方单上的日期进行统计。
在对数据进行量化的过程中,可以扩充数据维度,以对用户的医疗条件数据、医生所采用的医疗方案信息、就诊后医生给出的疗效评价信息进行细化的定义。
其中,医疗条件数据可以包括病情信息、病史信息和历史治疗信息。病情信息可以包括但不限于病理信息、肿瘤分期信息、基因检测结果信息、免疫分型结果信息、肿瘤原发灶情况信息、淋巴结转移情况信息、远端转移情况信息和体能状态信息。针对上述细分的病情信息可设置不同的等级将病情信息量化为不同的分值,例如肿瘤一期的值为10,肿瘤二期的值为20。病史信息可以包括但不限于是否有其他原发肿瘤信息、吸烟饮酒情况信息、其他慢性疾病信息和历史手术信息。针对上述细分的病史信息可对不同的病史设置不同的分值,例如有其他原发肿瘤信息的值为5,无其他原发肿瘤信息的值为0。历史治疗信息可以包括但不限于是否进行过肿瘤手术信息、是否进行过放疗信息、是否出现过不良反应信息和是否换过医疗方案信息。针对上述细分的历史治疗信息可对不同的历史治疗情况匹配不同的分值,例如进行过肿瘤手术信息的值为5,无进行过肿瘤手术信息的值为0。
医生所采用的医疗方案信息为一次医疗过程对应的治疗手段的组合,包括但不限于药物系统医疗方案、手术方案、放疗方案、介入方案和腔内灌注方案。此处可根据不同疾病的治疗手段细化医疗方案并赋予不同的量化分值。
可以对疗效评价信息进行分词处理,以将疗效评价信息分为病情发展类、病情稳定类、部分缓解类和完全化解类;按照病情发展类、病情稳定类、部分缓解类和完全化解类对应的预设分数将所述疗效评价信息转化为分数值。例如,病情发展类对应-10分、病情稳定类对应2分、部分缓解类对应5分、完全化解类对应10分。
在使用数据处理分类器处理用户的最新医疗条件数据时,可以直接将该用户的识别符作为输入数据输入前置分类器,由前置分类器根据该用户的识别符自动爬取用户的医疗条件数据,以提高自动化水平;此外,也可以由医生手动录入或修改用户的最新医疗条件数据,本公开对此不作特殊限制。
可以将量化后的医疗条件数据、医疗方案信息和效果值分别作为环境参数、动作参数和反馈数据对预设数据处理分类器进行不断的训练(训练方法例如可以为Q-learning等算法),使该数据处理分类器不断地自我学习直至成为一个成熟的能够输出最优医疗方案的数据处理分类器。预设处理分类器可以有多种,本领域技术人员可以根据实际情况自行调整分类器的种类、参数和算法,本公开对此不作特殊限制。
训练好数据处理分类器后,可以应用该数据处理分类器处理实时医疗信息,以将以往由人工进行的判断进行量化处理,提高判断结果的效率和准确性。
为了进一步提高准确度,可以针对不同疾病种类训练专属数据处理分类器,并根据不同疾病种类使用不同的专属数据处理分类器对用户最新医疗条件数据进行处理,以输出最佳医疗方案;对于复杂病情,可以同时针对多种疾病训练一个数据处理分类器,以利于应对多种并发症的医疗方案决策。
图3示意性示出本公开示例性实施例中量化疗效评价信息的流程图。
参考图3,对疗效评价信息进行量化的步骤S204包括:
步骤S2041,提取所述疗效评价信息中的词向量;
步骤S2042,根据所述疗效评价信息中的词向量中的预设关键词确定所述疗效评价信息的种类;
步骤S2043,根据所述疗效评价信息的种类对应的数值确定所述疗效评价信息对应的数值。
首先,可以对疗效评价信息进行分词处理,然后根据疗效评价信息中的词向量提取预设关键词,预设关键词例如可以为“病情好转”“康复”“病情加重”等,接下来可以将“病情好转”、“康复”、和“病情加重”等预设关键词转化为分数值。例如,病情好转对应5分、康复对应10分、病情加重对应-10分,最后,确定该疗效评价信息对应的分数值为5分、10分或-10分。分数值的设置方案可以为多种,本公开不以此为限。
图4示意性示出本公开示例性实施例中确定效果值的流程图。
参考图4,确定效果值的步骤S206可以包括:
步骤S2061,确定所述用户对应的第i组医疗数据对应的量化后的疗效评价信息ri;
步骤S2062,根据预设衰减系数γ与治疗次序i确定第i次治疗对应的影响系数γi-1;
步骤S2063,根据预设衰减系数γ与医疗数据组次序i确定第i组医疗数据对应的影响系数γi-1;
步骤S2064,根据所述影响系数和所述量化后的疗效评价信息的乘积确定第i组医疗数据对应的影响值;
步骤S2065,将第t组医疗数据之后多组医疗数据的影响值之和确定为第t组医疗数据对应的所述效果值,其中,i、t均为大于零的自然数,0<γ<1。
上述过程也可以表述为公式(1):
其中,t为用户就诊次序,T为用户就诊总数,Jt为第t次就诊对应的效果值。该公式表示用户治疗的效果值是由过去多次就诊的疗效累积得出的,用户已知的每一次就诊治疗后的反馈都受到之前治疗的影响。该公式利用衰减系数γ与治疗次序i确定第i次治疗对应的影响系数γi-1是为了对与当次就诊时间相比时间间隔较远的治疗疗效影响设置更大的衰减系数,突出与当次就诊时间间隔较近的治疗疗效的影响,弱化与当次就诊时间间隔较远的治疗疗效的影响。例如利用该公式确定用户第五次就诊的效果值,需要将该用户第六次就诊的效果值乘以衰减系数1加上第七次的效果值乘以衰减系数0.9加上第八次的效果值乘以衰减系数0.8……以此类推。
本公开实施例采用加权累加的计算方法对效果值进行计算,目的是对用户采用某种医疗方案后进行后置效果值的量化,该效果值量化方法使本公开的医疗信息处理的学习分类器在判断效果值最高的医疗方案过程中具备更接近临床实践的准确性。
本公开实施例基于电子病例数据构建并训练数据处理分类器,可以训练出能够自动处理用户的医疗条件数据、迅速准确地输出预测疗效最佳的医疗方案的数据处理分类器,而后根据训练出的分类器确定医疗条件数据对应的效果值最高的医疗方案,可以提高数据处理的自动化程度和准确性,为人工智能时代的智能医疗提供有效的技术方案。
对应于上述方法实施例,本公开还提供一种医疗数据处理数据装置,可以用于执行上述方法实施例。
图5示意性示出本公开一个示例性实施例中一种医疗数据处理装置500的方框图。
参考图5,医疗数据处理装置500可以包括:
信息获取模块502,设置为获取用户的医疗信息;
条件获取模块504,设置为根据所述医疗信息获取用户的医疗条件数据;
方案确定模块506,设置为根据预先设置的数据处理分类器确定所述医疗条件数据对应的效果值最高的医疗方案,其中,所述预先设置的数据处理分类器是根据医疗条件数据、医疗方案信息以及疗效评价信息训练得到的。
在本公开的一种示例性实施例中,所述数据处理分类器的训练过程包括:
获取多组医疗信息,每组所述医疗信息包括一名用户在一次医疗过程中的医疗条件数据、医疗方案信息和疗效评价信息;
对所述医疗条件数据、所述医疗方案信息和所述疗效评价信息进行量化;
根据量化后的所述疗效评价信息确定每组所述医疗信息中每个医疗方案信息对应的效果值;
将量化后的所述医疗条件数据、所述医疗方案信息及所述医疗方案信息对应的所述效果值分别作为环境参数、动作参数和反馈数输入所述数据处理分类器,以对所述数据处理分类器进行训练。
在本公开的一种示例性实施例中,对所述疗效评价信息进行量化包括:
提取所述疗效评价信息中的词向量;
根据所述疗效评价信息中的词向量中的预设关键词确定所述疗效评价信息的种类;
根据所述疗效评价信息的种类对应的数值确定所述疗效评价信息对应的数值。
在本公开的一种示例性实施例中,所述根据量化后的所述疗效评价信息确定每组所述医疗数据中所述医疗方案信息对应的效果值包括:
确定所述用户对应的第i组医疗数据对应的量化后的疗效评价信息ri;
根据预设衰减系数γ与治疗次序i确定第i次治疗对应的影响系数γi-1;
根据预设衰减系数γ与医疗数据组次序i确定第i组医疗数据对应的影响系数γi-1;
根据所述影响系数和所述量化后的疗效评价信息的乘积确定第i组医疗数据对应的影响值;
将第t组医疗数据之后多组医疗数据的影响值之和确定为第t组医疗数据对应的所述效果值,其中,i、t均为大于零的自然数,0<γ<1。
在本公开的一种示例性实施例中,所述根据所述医疗信息提取用户对应的多组医疗数据包括:
根据所述医疗信息中的所述医疗条件数据确定多个疾病种类;
在每个疾病种类对应的医疗数据中,根据用户识别符和所述医疗条件数据确定同一用户在同一种类疾病的医疗过程中对应的医疗方案信息、疗效评价信息和医疗次数信息。
在本公开的一种示例性实施例中,所述医疗方案信息为一次医疗过程对应的治疗手段的组合。
在本公开的一种示例性实施例中,所述医疗信息包括电子病历,所述医疗条件数据包括病情信息、病史信息和历史治疗信息。
由于医疗数据处理装置500的各功能已在其对应的方法实施例中予以详细说明,本公开于此不再赘述。
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,根据本公开的实施方式,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。
在本公开的示例性实施例中,还提供了一种能够实现上述方法的电子设备。
所述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:存储器620,以及耦合到存储器620的处理器610,处理器610被配置为基于存储在存储器620中的指令执行上述的医疗数据处理方法100。存储器620与处理器610之间通过总线630进行数据传输。
其中,存储器620存储有程序代码,程序代码可以被处理器610执行,使得所述处理器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,处理器610可以执行如图1中所示的步骤S102:获取用户的医疗信息;步骤S104:根据所述医疗信息获取用户的医疗条件数据;步骤S106:根据数据处理分类器确定所述医疗条件数据对应的效果值最高的医疗方案。
存储器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。
存储器620还可以包括具有一组(至少一个)程序模块5205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500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,根据本公开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)执行根据本公开实施方式的方法。
在本公开的示例性实施例中,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。
根据本发明的实施方式的用于实现上述方法的程序产品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公开的发明后,将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、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公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术方案。说明书和实施例仅被视为示例性的,本公开的真正范围和构思由权利要求指出。
Claims (8)
1.一种医疗数据处理方法,其特征在于,包括:
获取用户的医疗信息;
根据所述医疗信息获取用户的医疗条件数据,所述医疗条件数据包括病情信息、病史信息和历史治疗信息;
根据预先设置的数据处理分类器确定所述医疗条件数据对应的医疗方案,其中,所述预先设置的数据处理分类器是根据医疗条件数据、医疗方案信息以及疗效评价信息训练得到的,所述数据处理分类器是通过机器学习方式训练的模型,所述数据处理分类器的训练过程包括:
获取多组医疗信息,每组所述医疗信息包括一名用户在一次医疗过程中的医疗条件数据、医疗方案信息和疗效评价信息;
对所述医疗条件数据、所述医疗方案信息和所述疗效评价信息进行量化;
根据量化后的所述疗效评价信息确定每组所述医疗信息中每个医疗方案信息对应的效果值;
将量化后的所述医疗条件数据、所述医疗方案信息及所述医疗方案信息对应的所述效果值分别作为环境参数、动作参数和反馈数输入所述数据处理分类器,以对所述数据处理分类器进行训练;
其中,根据量化后的所述疗效评价信息确定每组所述医疗信息中每个医疗方案信息对应的效果值包括根据以下公式确定所述效果值:
其中,γ为预设衰减系数,ri为第i组医疗数据对应的量化后的疗效评价信息,γi-1为第i次治疗对应的影响系数,t为用户就诊次序,T为用户就诊总数,Jt为第t次就诊对应的效果值,i、t均为大于零的自然数,0<γ<1。
2.如权利要求1所述的医疗数据处理方法,其特征在于,对所述疗效评价信息进行量化包括:
提取所述疗效评价信息中的词向量;
根据所述疗效评价信息中的词向量中的预设关键词确定所述疗效评价信息的种类;
根据所述疗效评价信息的种类对应的数值确定所述疗效评价信息对应的数值。
3.如权利要求1所述的医疗数据处理方法,其特征在于,所述获取多组医疗信息包括:
根据所述医疗信息中的所述医疗条件数据确定多个疾病种类;
在每个疾病种类对应的医疗信息中,根据用户识别符和所述医疗条件数据确定同一用户在同一种类疾病的医疗过程中对应的医疗方案信息、疗效评价信息和医疗次数信息。
4.如权利要求3所述的医疗数据处理方法,其特征在于,所述医疗方案信息为一次医疗过程对应的治疗手段的组合。
5.如权利要求1所述的医疗数据处理方法,其特征在于,所述医疗信息包括电子病历。
6.一种医疗数据处理装置,其特征在于,包括:
信息获取模块,设置为获取用户的医疗信息;
条件获取模块,设置为根据所述医疗信息获取用户的医疗条件数据,所述医疗信息包括电子病历,所述医疗条件数据包括病情信息、病史信息和历史治疗信息;
方案确定模块,设置为根据预先设置的数据处理分类器确定所述医疗条件数据对应的效果值最高的医疗方案,其中,所述预先设置的数据处理分类器是根据医疗条件数据、医疗方案信息以及疗效评价信息训练得到的,所述数据处理分类器是通过机器学习方式训练的模型,所述数据处理分类器的训练过程包括:获取多组医疗信息,每组所述医疗信息包括一名用户在一次医疗过程中的医疗条件数据、医疗方案信息和疗效评价信息;对所述医疗条件数据、所述医疗方案信息和所述疗效评价信息进行量化;根据量化后的所述疗效评价信息确定每组所述医疗信息中每个医疗方案信息对应的效果值;将量化后的所述医疗条件数据、所述医疗方案信息及所述医疗方案信息对应的所述效果值分别作为环境参数、动作参数和反馈数输入所述数据处理分类器,以对所述数据处理分类器进行训练;
其中,根据量化后的所述疗效评价信息确定每组所述医疗信息中每个医疗方案信息对应的效果值包括根据以下公式确定所述效果值:
其中,γ为预设衰减系数,ri为第i组医疗数据对应的量化后的疗效评价信息,γi-1为第i次治疗对应的影响系数,t为用户就诊次序,T为用户就诊总数,Jt为第t次就诊对应的效果值,i、t均为大于零的自然数,0<γ<1。
7.一种电子设备,其特征在于,包括:
存储器;以及
耦合到所述存储器的处理器,所述处理器被配置为基于存储在所述存储器中的指令,执行如权利要求1-5任一项所述的医疗数据处理方法。
8.一种计算机可读存储介质,其上存储有程序,该程序被处理器执行时实现如权利要求1-5任一项所述的医疗数据处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911373362.4A CN111081325B (zh) | 2019-12-27 | 2019-12-27 | 医疗数据处理方法与装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911373362.4A CN111081325B (zh) | 2019-12-27 | 2019-12-27 | 医疗数据处理方法与装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111081325A CN111081325A (zh) | 2020-04-28 |
CN111081325B true CN111081325B (zh) | 2023-12-12 |
Family
ID=70318291
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911373362.4A Active CN111081325B (zh) | 2019-12-27 | 2019-12-27 | 医疗数据处理方法与装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111081325B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111816300A (zh) * | 2020-06-30 | 2020-10-23 | 平安科技(深圳)有限公司 | 基于深度强化学习的数据分类方法、装置、设备及介质 |
CN113380363B (zh) * | 2021-06-24 | 2023-04-07 | 湖南创星科技股份有限公司 | 基于人工智能的医疗数据质量评价方法及系统 |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1102131A (zh) * | 1993-11-01 | 1995-05-03 | 锦州市微电子电热技术开发公司 | 腰脱综合治疗仪 |
US5626627A (en) * | 1995-07-27 | 1997-05-06 | Duke University | Electroconvulsive therapy method using ICTAL EEG data as an indicator of ECT seizure adequacy |
WO2001081926A1 (en) * | 2000-04-19 | 2001-11-01 | Washington University | Inhibitors of retroviral protease as inducers of reversible insulin resistance in vitro and in vivo |
CN101683550A (zh) * | 2008-09-27 | 2010-03-31 | 海扶宁高强超声技术(北京)有限公司 | 高能聚焦超声波治疗机及其治疗参数的确定方法 |
CN103329135A (zh) * | 2010-09-29 | 2013-09-25 | 达卡多股份有限公司 | 自动健康数据获取、处理和通信系统 |
CN106780436A (zh) * | 2016-11-18 | 2017-05-31 | 北京郁金香伙伴科技有限公司 | 一种医疗影像显示参数确定方法及装置 |
CN107346369A (zh) * | 2017-05-11 | 2017-11-14 | 北京紫宸正阳科技有限公司 | 一种医疗信息处理方法及装置 |
CN107491638A (zh) * | 2017-07-28 | 2017-12-19 | 深圳和而泰智能控制股份有限公司 | 一种基于深度学习模型的icu用户病情预测方法及终端设备 |
CN107874989A (zh) * | 2017-12-04 | 2018-04-06 | 广东美的安川服务机器人有限公司 | 空气波治疗方法、系统、计算机设备和存储介质 |
EP3336175A1 (en) * | 2016-12-16 | 2018-06-20 | Universite De Bordeaux | Three-dimensional model of depigmenting disorder |
KR101884609B1 (ko) * | 2017-05-08 | 2018-08-02 | (주)헬스허브 | 모듈화된 강화학습을 통한 질병 진단 시스템 |
WO2019008571A1 (en) * | 2017-07-02 | 2019-01-10 | Oberon Sciences Ilan Ltd. | SYSTEM AND METHOD SPECIFIC TO A SUBJECT FOR PREVENTING BODY ADAPTATION TO CHRONIC DISEASE TREATMENT |
CN109243561A (zh) * | 2018-08-10 | 2019-01-18 | 上海交通大学 | 治疗方案推荐系统的模型优化方法及系统 |
CN109754886A (zh) * | 2019-01-07 | 2019-05-14 | 广州达美智能科技有限公司 | 治疗方案智能生成系统、方法及可读存储介质、电子设备 |
CN109859836A (zh) * | 2019-01-15 | 2019-06-07 | 上海鹰瞳医疗科技有限公司 | 医疗图像识别方法和设备 |
CN110585256A (zh) * | 2019-09-19 | 2019-12-20 | 汉寿县新运堂医药科技有限公司 | 平卧菊三七制剂 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2006121972A2 (en) * | 2005-05-06 | 2006-11-16 | Stereoraxis, Inc. | Preoperative and intra-operative imaging-based procedure workflow with complexity scoring |
US8951192B2 (en) * | 2010-06-15 | 2015-02-10 | Flint Hills Scientific, Llc | Systems approach to disease state and health assessment |
US20120215106A1 (en) * | 2010-10-18 | 2012-08-23 | CardioSonic Ltd. | Tissue treatment |
US20160171174A1 (en) * | 2013-08-15 | 2016-06-16 | Stc.Unm | System and methods for managing congestive heart failure |
US20190076046A1 (en) * | 2017-09-13 | 2019-03-14 | Stimscience Inc. | Systems, methods, and devices for closed loop control |
-
2019
- 2019-12-27 CN CN201911373362.4A patent/CN111081325B/zh active Active
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1102131A (zh) * | 1993-11-01 | 1995-05-03 | 锦州市微电子电热技术开发公司 | 腰脱综合治疗仪 |
US5626627A (en) * | 1995-07-27 | 1997-05-06 | Duke University | Electroconvulsive therapy method using ICTAL EEG data as an indicator of ECT seizure adequacy |
WO2001081926A1 (en) * | 2000-04-19 | 2001-11-01 | Washington University | Inhibitors of retroviral protease as inducers of reversible insulin resistance in vitro and in vivo |
CN101683550A (zh) * | 2008-09-27 | 2010-03-31 | 海扶宁高强超声技术(北京)有限公司 | 高能聚焦超声波治疗机及其治疗参数的确定方法 |
CN103329135A (zh) * | 2010-09-29 | 2013-09-25 | 达卡多股份有限公司 | 自动健康数据获取、处理和通信系统 |
CN106780436A (zh) * | 2016-11-18 | 2017-05-31 | 北京郁金香伙伴科技有限公司 | 一种医疗影像显示参数确定方法及装置 |
EP3336175A1 (en) * | 2016-12-16 | 2018-06-20 | Universite De Bordeaux | Three-dimensional model of depigmenting disorder |
KR101884609B1 (ko) * | 2017-05-08 | 2018-08-02 | (주)헬스허브 | 모듈화된 강화학습을 통한 질병 진단 시스템 |
CN107346369A (zh) * | 2017-05-11 | 2017-11-14 | 北京紫宸正阳科技有限公司 | 一种医疗信息处理方法及装置 |
WO2019008571A1 (en) * | 2017-07-02 | 2019-01-10 | Oberon Sciences Ilan Ltd. | SYSTEM AND METHOD SPECIFIC TO A SUBJECT FOR PREVENTING BODY ADAPTATION TO CHRONIC DISEASE TREATMENT |
CN107491638A (zh) * | 2017-07-28 | 2017-12-19 | 深圳和而泰智能控制股份有限公司 | 一种基于深度学习模型的icu用户病情预测方法及终端设备 |
CN107874989A (zh) * | 2017-12-04 | 2018-04-06 | 广东美的安川服务机器人有限公司 | 空气波治疗方法、系统、计算机设备和存储介质 |
CN109243561A (zh) * | 2018-08-10 | 2019-01-18 | 上海交通大学 | 治疗方案推荐系统的模型优化方法及系统 |
CN109754886A (zh) * | 2019-01-07 | 2019-05-14 | 广州达美智能科技有限公司 | 治疗方案智能生成系统、方法及可读存储介质、电子设备 |
CN109859836A (zh) * | 2019-01-15 | 2019-06-07 | 上海鹰瞳医疗科技有限公司 | 医疗图像识别方法和设备 |
CN110585256A (zh) * | 2019-09-19 | 2019-12-20 | 汉寿县新运堂医药科技有限公司 | 平卧菊三七制剂 |
Non-Patent Citations (1)
Title |
---|
颈源性头痛针刺治疗方案的初步优选;郝传传;《中医杂志》;第55卷(第06期);478-481 * |
Also Published As
Publication number | Publication date |
---|---|
CN111081325A (zh) | 2020-04-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11182894B2 (en) | Method and means of CAD system personalization to reduce intraoperator and interoperator variation | |
US20210034813A1 (en) | Neural network model with evidence extraction | |
CN113241135A (zh) | 一种基于多模态融合的疾病风险预测方法和系统 | |
US20200227175A1 (en) | Document improvement prioritization using automated generated codes | |
US11468989B2 (en) | Machine-aided dialog system and medical condition inquiry apparatus and method | |
Gligorijevic et al. | Deep attention model for triage of emergency department patients | |
US20220115135A1 (en) | Machine Learning Systems and Methods for Assessing Medical Interventions for Utilization Review | |
US20210192365A1 (en) | Computer device, system, readable storage medium and medical data analysis method | |
US20190370387A1 (en) | Automatic Processing of Ambiguously Labeled Data | |
US10847261B1 (en) | Methods and systems for prioritizing comprehensive diagnoses | |
CN111081325B (zh) | 医疗数据处理方法与装置 | |
CN111477320A (zh) | 治疗效果预测模型的构建系统、治疗效果预测系统及终端 | |
RU2699607C2 (ru) | Повышение эффективности и уменьшение частоты последующих лучевых исследований путем прогнозирования основания для следующего исследования | |
CN113012774A (zh) | 病案自动编码方法、装置、电子设备及存储介质 | |
CN117149998B (zh) | 基于多目标优化的智能就诊推荐方法及系统 | |
CN114141349A (zh) | 一种icu护理人员的智能调配方法及系统 | |
CN109597989A (zh) | 诊断词归一方法及装置、存储介质、电子设备 | |
CN113658688A (zh) | 基于无分词深度学习的临床决策支持方法 | |
CN110289065A (zh) | 一种辅助生成医学电子报告的控制方法以及装置 | |
CN113488178B (zh) | 一种信息生成方法、装置、存储介质及电子设备 | |
US20210335491A1 (en) | Predictive adaptive intelligent diagnostics and treatment | |
US20230104795A1 (en) | Methods for managing one or more uncorrelated elements in data and devices thereof | |
Maheshwari et al. | Deep-learning approaches for health care: patients in intensive care | |
Sahoo et al. | Utilizing predictive analysis to aid emergency medical services | |
Khadilkar et al. | Analyse Indications of Vital Parameters in Patients Using Business Intelligence and Random Forest |
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 |