CN111144658B - 医疗风险预测方法、装置、系统、存储介质与电子设备 - Google Patents

医疗风险预测方法、装置、系统、存储介质与电子设备 Download PDF

Info

Publication number
CN111144658B
CN111144658B CN201911389215.6A CN201911389215A CN111144658B CN 111144658 B CN111144658 B CN 111144658B CN 201911389215 A CN201911389215 A CN 201911389215A CN 111144658 B CN111144658 B CN 111144658B
Authority
CN
China
Prior art keywords
risk prediction
medical
event
target medical
medical event
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
CN201911389215.6A
Other languages
English (en)
Other versions
CN111144658A (zh
Inventor
王泷
肖玉
安超
刘婷婷
李林峰
王尧
杜鑫惠
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.)
Yidu Cloud Beijing Technology Co Ltd
Original Assignee
Yidu Cloud Beijing Technology 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 Yidu Cloud Beijing Technology Co Ltd filed Critical Yidu Cloud Beijing Technology Co Ltd
Priority to CN201911389215.6A priority Critical patent/CN111144658B/zh
Publication of CN111144658A publication Critical patent/CN111144658A/zh
Application granted granted Critical
Publication of CN111144658B publication Critical patent/CN111144658B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Medical Informatics (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • General Business, Economics & Management (AREA)
  • Operations Research (AREA)
  • Software Systems (AREA)
  • Development Economics (AREA)
  • Public Health (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Educational Administration (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

本公开提供了一种医疗风险预测方法、医疗风险预测装置、医疗风险预测系统、存储介质与电子设备，涉及智能医疗技术领域。该方法包括：建立关于目标医疗事件的预测任务；通过所述预测任务获取所述目标医疗事件的特征信息；利用预测模型对所述特征信息进行处理，得到所述目标医疗事件的风险预测结果。本公开可以实现自动化的医疗风险预测，提高医疗风险预测的效率以及预测结果的客观性和准确性，降低医疗风险。

Description

医疗风险预测方法、装置、系统、存储介质与电子设备
技术领域
本公开涉及智能医疗技术领域，尤其涉及一种医疗风险预测方法、医疗风险预测装置、医疗风险预测系统、计算机可读存储介质与电子设备。
背景技术
医疗风险预测是医疗机构实施风险管理的重要环节，通过对医疗过程的风险结果进行预测，辅助实现医疗决策，并为风险处置提供科学依据。
现有的医疗风险预测大多通过医务人员的人为评估而实现，医务人员基于自身的知识和经验，对患者的临床特征进行评估，以预测是否存在医疗风险。这样的方式较为低效，且预测结果极大地依赖于医务人员的医疗水平，其客观性、准确性无法保证。
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
本公开提供了一种医疗风险预测方法、医疗风险预测装置、医疗风险预测系统、计算机可读存储介质与电子设备，进而至少在一定程度上改善现有的医疗风险预测方法低效且预测结果准确性较差的问题。
本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。
根据本公开的第一方面，提供一种医疗风险预测方法，包括：建立关于目标医疗事件的预测任务；通过所述预测任务获取所述目标医疗事件的特征信息；利用预测模型对所述特征信息进行处理，得到所述目标医疗事件的风险预测结果。
可选的，所述建立关于目标医疗事件的预测任务，包括：监听医疗数据库；当监听到所述医疗数据库触发预设规则时，建立关于目标医疗事件的预测任务。
可选的，所述监听医疗数据库，包括：建立消息队列；当所述医疗数据库发生数据更新时，通过所述消息队列获取数据更新的信息。
可选的，所述当监听到所述医疗数据库触发预设规则时，建立关于目标医疗事件的预测任务，包括：当监听到所述医疗数据库中新增预设类型的子事件时，根据该子事件确定所述目标医疗事件，并建立关于目标医疗事件的预测任务。
可选的，所述通过所述预测任务获取所述目标医疗事件的特征信息，包括：通过所述预测任务获取所述目标医疗事件的原始数据；利用预先配置的数据逻辑规则从所述原始数据中提取所述目标医疗事件的特征信息。
可选的，所述方法还包括：当接收到针对于所述风险预测结果的修改信息时，根据所述修改信息修改所述数据逻辑规则。
可选的，所述当接收到针对于所述风险预测结果的修改信息时，根据所述修改信息修改所述数据逻辑规则，包括：当接收到针对于所述风险预测结果的修改信息时，根据所述修改信息确定用于修改所述数据逻辑规则的权重；当所述权重累积超过预设阈值时，对所述数据逻辑规则进行修改。
可选的，所述预测模型包括预先训练的机器学习模型和/或基于规则的评估量表；所述利用预测模型对所述特征信息进行处理，得到所述目标医疗事件的风险预测结果，包括：将所述特征信息输入所述机器学习模型，输出所述目标医疗事件的风险预测结果；和/或通过所述评估量表计算所述特征信息对应的评估分数，汇总所述评估分数作为所述目标医疗事件的风险预测结果。
可选的，当所述预测模型包括所述机器学习模型和所述评估量表时，所述利用预测模型对所述特征信息进行处理，得到所述目标医疗事件的风险预测结果，还包括：将通过所述机器学习模型得到的风险预测结果和通过所述评估量表得到的风险预测结果进行加权，得到所述目标医疗事件最终的风险预测结果。
根据本公开的第二方面，提供一种医疗风险预测装置，包括：任务建立模块，用于建立关于目标医疗事件的预测任务；信息获取模块，用于通过所述预测任务获取所述目标医疗事件的特征信息；信息处理模块，用于利用预测模型对所述特征信息进行处理，得到所述目标医疗事件的风险预测结果。
可选的，所述任务建立模块包括：监听单元，用于监听医疗数据库；建立单元，用于当监听到所述医疗数据库触发预设规则时，建立关于目标医疗事件的预测任务。
可选的，所述监听单元，还用于建立消息队列，当所述医疗数据库发生数据更新时，通过所述消息队列获取数据更新的信息。
可选的，所述建立单元，还用于当所述监听单元监听到所述医疗数据库中新增预设类型的子事件时，根据该子事件确定所述目标医疗事件，并建立关于目标医疗事件的预测任务。
可选的，所述信息获取模块，用于通过所述预测任务获取所述目标医疗事件的原始数据，以及利用预先配置的数据逻辑规则从所述原始数据中提取所述目标医疗事件的特征信息。
可选的，所述医疗风险预测装置还包括：配置修改模块，用于当接收到针对于所述风险预测结果的修改信息时，根据所述修改信息修改所述数据逻辑规则。
可选的，所述配置修改模块，还用于当接收到针对于所述风险预测结果的修改信息时，根据所述修改信息确定用于修改所述数据逻辑规则的权重，当所述权重累积超过预设阈值时，对所述数据逻辑规则进行修改。
可选的，所述预测模型包括预先训练的机器学习模型和/或基于规则的评估量表；所述信息处理模块，用于将所述特征信息输入所述机器学习模型，输出所述目标医疗事件的风险预测结果，和/或通过所述评估量表计算所述特征信息对应的评估分数，汇总所述评估分数作为所述目标医疗事件的风险预测结果。
可选的，当所述预测模型包括所述机器学习模型和所述评估量表时，所述信息处理模块，还用于将通过所述机器学习模型得到的风险预测结果和通过所述评估量表得到的风险预测结果进行加权，得到所述目标医疗事件最终的风险预测结果。
根据本公开的第三方面，提供一种医疗风险预测系统，包括：医院信息子系统，用于提供目标医疗事件；医疗数据库，用于提供所述目标医疗事件的特征信息；风险预测子系统，和所述医院信息子系统、所述医疗数据库连接，用于通过执行上述任一种医疗风险预测方法，对所述目标医疗事件进行风险预测。
根据本公开的第四方面，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一种医疗风险预测方法。
根据本公开的第五方面，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一种医疗风险预测方法。
本公开的技术方案具有以下有益效果：
根据上述医疗风险预测方法、装置、系统、存储介质与电子设备，建立关于目标医疗事件的预测任务后，通过预测任务获取相关的特征信息，再利用预测模型对特征信息进行处理，得到目标医疗事件的风险预测结果。一方面，提出了一种自动化的医疗风险预测方法，可以实现预测任务的自动建立、特征信息的自动获取及处理，整个过程无需人为干预，从而提高医疗风险预测的效率，降低人力成本。另一方面，基于预测模型进行风险预测，可以提高预测结果的客观性和准确性，有利于实现高质量的医疗决策，以及有效的风险处置措施，从而降低医疗风险。
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方式，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方式，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示出本示例性实施方式中一种医疗风险预测系统的架构图；
图2示出本示例性实施方式中一种医疗风险预测方法的流程图；
图3示出本示例性实施方式中一种评估量表的示意图；
图4示出本示例性实施方式中一种医疗风险预测方法的子流程图；
图5示出本示例性实施方式中一种医疗风险预测装置的结构框图；
图6示出本示例性实施方式中一种用于实现上述方法的计算机可读存储介质；
图7示出本示例性实施方式中一种用于实现上述方法的电子设备。
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，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。
本公开的示例性实施方式首先提供了一种医疗风险预测方法。从医疗信息化角度而言，实现自动化、智能化的医疗风险预测，通常有赖于与医院信息系统(HospitalInformation System，HIS)结合。因此，医疗风险预测属于临床决策支持系统(ClinicalDecision Support System，CDSS)的范畴，可以辅助医务人员实现智能化的医疗决策。
图1示出了本示例性实施方式运行环境的一种医疗风险预测系统的架构。如图1所示，该医疗风险预测系统100可以包括：医院信息子系统101、风险预测子系统102和医疗数据库103。其中，医院信息子系统101即HIS系统，图1示出了医院信息子系统101主要包括医生使用的PC(Personal Computer，个人电脑)以及其他相关的终端和服务器等，PC提供可操作的用户界面，医生在使用时可以输入相关的信息，如关于医疗事件的信息；风险预测子系统102可以是医院后台专门用于风险预测处理的服务器，也可以是第三方企业提供(如医疗数据分析厂商)的系统，除了图2所示的服务器外，还可以包括终端、数据库等其他组件；医疗数据库103用于存储各种医疗数据和记录，可以是HIS系统的后台数据库，也可以是DPAP(Data Process-Application Platform，数据处理及应用平台)，通过和医院信息子系统101连接，从医院信息子系统101获取数据进行存储，并将数据提供到风险预测子系统102。
需要说明的是，图1所示的系统100仅是示例性的。根据实际需要，医院信息子系统101可以设置任意数目的PC，风险预测子系统102或医疗数据库103也可以是由多台设备形成的集群等。
本示例性实施方式的医疗预测方法可以以风险预测子系统102为执行主体，更具体的，是以风险预测子系统102中的服务器或计算机为执行主体。此外，风险预测子系统102的医疗风险预测功能也可以集成到医院信息子系统101，即在医院信息子系统101内设置用于医疗风险预测的相关服务器、程序或系统，通过和医疗数据库103的交互，执行本示例性实施方式的医疗预测方法。
图2示出了本示例性实施方式的一种流程，可以包括以下步骤S210～S230：
步骤S210，建立关于目标医疗事件的预测任务。
医疗事件是指风险预测的对象，本示例性实施方式是以每个医疗事件为单位进行风险预测，其可以是某个患者的一次就诊全过程，也可以是具体的一次治疗过程。例如：患者A来到医院就诊后，可以从挂号开始，确定目标医疗事件为患者A的本次就诊事件，建立本次就诊的全程风险预测任务；或者患者A在就诊过程中进行了一次手术治疗，可以从手术结束的节点为起始，确定目标医疗事件为患者A的术后恢复事件，建立术后风险预测任务。
为了确定在什么情况下开始执行医疗风险预测，在一种可选的实施方式中，步骤S210可以具体通过以下步骤实现：
监听医疗数据库；
当监听到医疗数据库触发预设规则时，建立关于目标医疗事件的预测任务。
其中，监听医疗数据库主要是为了监控医疗数据库中的数据更新情况，包括写入新数据、删改已有数据等。在一种实施方式中，可以通过以下方式监听医疗数据库：建立消息队列；当医疗数据库发生数据更新时，通过消息队列获取数据更新的信息。其中，可以采用任意类型的消息队列，例如采用Kafka消息队列(一种基于发布订阅的分布式消息系统)订阅医疗数据库的消息，当医疗数据库发生数据更新时，通过消息队列实时接收数据更新的记录。消息队列特别适合于存在多个医疗数据库时，对各个医疗数据的数据更新情况进行有序的监控。
监听医疗数据库触发预设规则是为了监控是否发生了需要预测风险的目标医疗事件，由此可以建立目标医疗事件的预测任务。
在一种可选的实施方式中，当监听到医疗数据库中新增预设类型的子事件时，根据该子事件确定目标医疗事件，并建立关于该目标医疗事件的预测任务。其中，子事件是指在医疗数据库中每一条记录所对应的小事件，是比事件低一个层级的概念，例如在上述患者A的例子中，就诊是一次事件，挂号、门诊、每一次检查、每一次用药等都是子事件；患者A的术后恢复是一次事件，术后阶段的每一次复查、每一次异常反应等都是子事件。预设类型的子事件是指目标医疗事件的标志性子事件，通常表示目标医疗事件的开始。仍以上述患者A举例，当监听到患者A的挂号子事件时，说明患者A的就诊事件开始，可以对就诊过程进行风险预测，挂号即预设类型的子事件，其类型为挂号，对应的医疗事件为就诊；当监听到患者A的手术结束子事件时，说明患者A的术后恢复事件开始，可以对恢复过程进行风险预测，手术结束即预设类型的子事件，其类型为手术结束，对应的医疗事件为术后恢复。在确定目标医疗事件时，还可以将患者ID(Identity，身份，例如可以是患者姓名、身份证号、诊疗卡号等)写入事件信息中。由此，系统对医疗数据库的实时数据更新进行监听，当发现预设类型的子事件，可以确定其对应的医疗事件为目标医疗事件。在确定目标医疗事件后，系统可以生成一条关于该事件的预测任务，后续通过执行该预测任务以进行医疗风险预测。
步骤S220，通过预测任务获取目标医疗事件的特征信息。
特征信息是指和目标医疗事件相关的所有数据信息，例如患者的个人基本信息(包括年龄、性别、病史等)、症状信息(包括与疾病相关的症状记录、异常反应等)、体征信息(包括诊疗、住院过程中的各项体征数据、变化趋势等)等等。在建立预测任务后，可以在预测任务中启动一个进程，从数据平台获取目标医疗事件的特征信息。
在一种实施方式中，可以通过消息队列接收由医疗数据库发送的目标医疗事件的特征信息。其中，该消息队列可以是上述监听医疗数据库所用的消息队列，也可以是另外建立的消息队列。消息队列适合于存在多个数据来源(如存在多个医疗数据库，或者HIS系统的后台数据库和数据平台并存)时，对消息的有序性、并发性进行控制。本示例性实施方式中，系统通过订阅医疗数据库的消息，实时接收医疗数据库关于目标医疗事件的数据更新消息，以获得上述特征信息。
在另一种实施方式中，可以在预测任务的进程中设置相关的索引条件，例如目标医疗事件的患者ID、时间范围等，然后监听医疗数据库的实时数据更新，一旦监听到符合索引条件的数据更新时，获取该条数据记录，即目标医疗事件的特征信息。
步骤S230，利用预测模型对特征信息进行处理，得到目标医疗事件的风险预测结果。
本示例性实施方式中，预测模型可以包括机器学习模型和评估量表中的至少一种。下面分别对两种模型的处理过程做具体说明：
机器学习模型可以采用神经网络、支持向量机、随机森林等任意类型的模型，通过历史数据预先进行训练，例如从历史医疗事件中提取特征信息作为样本数据，提取最终的风险结果作为标签，可以训练机器学习模型。根据实际需求，可以将机器学习模型的输出配置为特定的类型，例如需要将风险预测结果分类n个等级，则输出为n分类向量。在进行风险预测时，可以将特征信息输入机器学习模型，输出目标医疗事件的风险预测结果。在输入特征信息之前，还可以对其进行结构化处理，例如按照预设维度对特征信息进行整理，将文本信息做数值转换，数值归一化处理等，以得到标准化的输入向量或输入矩阵等，机器学习模型通过内部的处理，直接输出风险预测结果，例如目标医疗事件对应的风险等级。
评估量表一般是由医疗专家基于临床经验和已有的循证医学证据，通过医学统计学研究方式进行人群中的验证而总结得到的，不同的评估量表通常是针对于不同的疾病，例如Caprini、Padua等VTE(Venous Thromboembolism，静脉血栓栓塞症)评估量表，Braden、Norton等压疮评估量表。评估量表基于预先定制的规则进行打分，图3示出了一种Caprini评估量表的样式和内容，其通过对患者的状况进行评估，以打分的方式对风险进行预测。本示例性实施方式中，可以通过评估量表计算每条特征信息对应的评估分数，然后汇总评估分数作为目标医疗事件的风险预测结果。参考图3所示，系统通过比对特征信息和评估量表中的规则，将比对命中的特征信息计算分数，最后计算总分，其对应的风险等级即目标医疗事件的风险预测结果。
进一步的，当预测模型包括机器学习模型和评估量表两种模型时，在分别通过机器学习模型和评估量表处理得到风险预测结果后，可以将通过机器学习模型得到的风险预测结果和通过评估量表得到的风险预测结果进行加权，得到目标医疗事件最终的风险预测结果。权重可以根据两种模型各自的准确度确定，例如记录机器学习模型在验证集或测试集上的准确度，记录评估量表对历史医疗事件的预测准确度，两个准确度归一化后得到两个权重，也可以根据经验等进行确定，本公开对此不做限定。需要说明的是，两种模型输出的风险预测结果应当是相同类型的，例如都是预测风险等级时，其风险等级的划分方式应当相同。通过加权的方式可以综合两种模型的预测结果，具有更高的准确度和可靠性。
综上所述，本示例性实施方式中，建立关于目标医疗事件的预测任务后，通过预测任务获取相关的特征信息，再利用预测模型对特征信息进行处理，得到目标医疗事件的风险预测结果。一方面，提出了一种自动化的医疗风险预测方法，可以实现预测任务的自动建立、特征信息的自动获取及处理，整个过程无需人为干预，从而提高医疗风险预测的效率，降低人力成本。另一方面，基于预测模型进行风险预测，可以提高预测结果的客观性和准确性，有利于实现高质量的医疗决策，以及有效的风险处置措施，从而降低医疗风险。
在一种可选的实施方式中，参考图4所示，步骤S220还可以包括以下步骤S410和S420：
步骤S410，通过预测任务获取目标医疗事件的原始数据；
步骤S420，利用预先配置的数据逻辑规则从原始数据中提取目标医疗事件的特征信息。
其中，原始数据可以是医疗数据库或HIS系统内部存储的数据，具有原始的数据格式和信息内容，例如可以是医生手动录入的信息，通常是非结构化的文本数据，并不适合直接用于医疗风险预测。本示例性实施方式可以通过数据逻辑规则从原始数据中提取可用的特征信息，数据逻辑规则是根据风险预测的数据需求而预先配置的数据抽取的逻辑，可以包括正则表达式、数据映射规则、数据运算规则等等。例如在血栓风险预测中，原始数据包括一条记录为“卧床大于72小时”，可以通过数据逻辑规则进行识别：内容包含“卧床”，类别为长期医嘱、医嘱结束时间减去医嘱开始时间大于72小时。由此可以提取该条记录作为特征信息。在配置数据逻辑规则时，可以采用数据模型的计算引擎，通过对全部风险特征的逻辑统一进行配置，快速确定所有疾病预测特征对应的数据逻辑规则。
考虑到数据逻辑规则的逻辑难以覆盖到所有的医疗情况，因此可以对数据逻辑规则进行不断优化。在一种可选的实施方式中，医疗风险预测方法还可以包括以下步骤：
当接收到针对于风险预测结果的修改信息时，根据修改信息修改上述数据逻辑规则。
其中，在通过预测模型得到目标医疗事件的风险预测结果后，可以将风险预测结果呈现到相应的用户界面，例如医生在PC上使用的CDSS系统界面。医生在看到风险预测结果的提示信息后，可以对其进行确认或修改，确认或修改的信息可以保存至系统后台。其中的修改信息可以包括修改前后的结果对比，以及修改原因的描述等，可用于优化修改数据逻辑规则。例如医生将系统自动计算的“卧床大于72小时”特征修改为“需要卧床休息的患者”，指定修改的类型为“排除”，数据字段选择为医嘱类型和医嘱内容，医嘱类型值输入为包含“临时医嘱”，医嘱内容值输入为包含“卧床”，则系统可以将这一条数据逻辑规则排除出“卧床大于72小时”的逻辑判断，并且记录为“需要卧床休息的患者”该条数据逻辑规则的逻辑。
应当理解，实际应用中，上述数据逻辑规则是以计算机字符串的形式具体实现的，本公开对此不做限定。
进一步的，根据修改信息修改数据逻辑规则，可以具体包括：
当接收到针对于风险预测结果的修改信息时，根据修改信息确定用于修改数据逻辑规则的权重；
当权重累积超过预设阈值时，对数据逻辑规则进行修改。
其中，预设阈值可以根据经验或实际需求设定。每次修改的数据逻辑规则可以在系统中产生一条权重，当多次修改的权重累积大于预设阈值后，可以将数据逻辑规则的修改生效，以达到在实际应用过程中不断地优化，且提高修改的有效性。
本公开的示例性实施方式还提供了一种医疗风险预测装置，如图5所示，该医疗风险预测装置500可以包括：任务建立模块510，用于建立关于目标医疗事件的预测任务；信息获取模块520，用于通过预测任务获取目标医疗事件的特征信息；信息处理模块530，用于利用预测模型对特征信息进行处理，得到目标医疗事件的风险预测结果。
在一种可选的实施方式中，任务建立模块510可以包括：监听单元，用于监听医疗数据库；建立单元，用于当监听到医疗数据库触发预设规则时，建立关于目标医疗事件的预测任务。
在一种可选的实施方式中，监听单元，还可以用于建立消息队列，当医疗数据库发生数据更新时，通过该消息队列获取数据更新的信息。
在一种可选的实施方式中，建立单元，还可以用于当监听单元监听到医疗数据库中新增预设类型的子事件时，根据该子事件确定目标医疗事件，并建立关于目标医疗事件的预测任务。
在一种可选的实施方式中，信息获取模块520，可以用于通过预测任务获取目标医疗事件的原始数据，以及利用预先配置的数据逻辑规则从原始数据中提取目标医疗事件的特征信息。
在一种可选的实施方式中，医疗风险预测装置500还可以包括：配置修改模块，用于当接收到针对于风险预测结果的修改信息时，根据修改信息修改数据逻辑规则。
在一种可选的实施方式中，配置修改模块，还可以用于当接收到针对风险预测结果的修改信息时，根据修改信息确定用于修改数据逻辑规则的权重，当权重累积超过预设阈值时，对数据逻辑规则进行修改。
在一种可选的实施方式中，预测模型可以包括预先训练的机器学习模型和/或基于规则的评估量表；信息处理模块530，可以用于将特征信息输入机器学习模型，输出目标医疗事件的风险预测结果，和/或通过评估量表计算特征信息对应的评估分数，汇总评估分数作为目标医疗事件的风险预测结果。
在一种可选的实施方式中，当预测模型包括机器学习模型和评估量表时，信息处理模块530，还可以用于将通过机器学习模型得到的风险预测结果和通过评估量表得到的风险预测结果进行加权，得到目标医疗事件最终的风险预测结果。
上述装置中各模块/单元的具体细节在方法部分实施方式中已经详细说明，未披露的细节内容可以参见方法部分的实施方式内容，因而不再赘述。
所属技术领域的技术人员能够理解，本公开的各个方面可以实现为系统、方法或程序产品。因此，本公开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”。
本公开的示例性实施方式还提供了一种医疗风险预测系统，可以如图1中的系统100所示。该医疗风险预测系统可以包括：医院信息子系统，用于提供目标医疗事件；医疗数据库，用于提供目标医疗事件的特征信息；风险预测子系统，和上述医院信息子系统、医疗数据库连接，用于通过执行本公开的任一种医疗风险预测方法，对目标医疗事件进行风险预测。
本公开的示例性实施方式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，本公开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，当程序产品在电子设备上运行时，程序代码用于使电子设备执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。
参考图6所示，描述了根据本公开的示例性实施方式的用于实现上述方法的程序产品600，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，并可以在电子设备，例如个人电脑上运行。然而，本公开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。
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公开操作的程序代码，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)。
本公开的示例性实施方式还提供了一种能够实现上述方法的电子设备。下面参照图7来描述根据本公开的这种示例性实施方式的电子设备700。图7显示的电子设备700仅仅是一个示例，不应对本公开实施方式的功能和使用范围带来任何限制。
如图7所示，电子设备700可以以通用计算设备的形式表现。电子设备700的组件可以包括但不限于：至少一个处理单元710、至少一个存储单元720、连接不同系统组件(包括存储单元720和处理单元710)的总线730和显示单元740。
存储单元720存储有程序代码，程序代码可以被处理单元710执行，使得处理单元710执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。例如，处理单元710可以执行图2或图4所示的方法步骤等。
存储单元720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)721和/或高速缓存存储单元722，还可以进一步包括只读存储单元(ROM)723。
存储单元720还可以包括具有一组(至少一个)程序模块725的程序/实用工具724，这样的程序模块725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730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700也可以与一个或多个外部设备800(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700交互的设备通信，和/或与使得该电子设备700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750进行。并且，电子设备700还可以通过网络适配器760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760通过总线730与电子设备700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700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)执行根据本公开示例性实施方式的方法。
此外，上述附图仅是根据本公开示例性实施方式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。
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，根据本公开的示例性实施方式，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。
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他实施方式。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手段。说明书和实施方式仅被视为示例性的，本公开的真正范围和精神由权利要求指出。
应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限。

Claims (11)

1.一种医疗风险预测方法，其特征在于，包括：
建立关于目标医疗事件的预测任务；
通过所述预测任务获取所述目标医疗事件的特征信息；
利用预测模型对所述特征信息进行处理，得到所述目标医疗事件的风险预测结果；
其中，所述预测模型包括预先训练的机器学习模型和基于规则的评估量表；所述利用预测模型对所述特征信息进行处理，得到所述目标医疗事件的风险预测结果，包括：
将所述特征信息输入所述机器学习模型，输出所述目标医疗事件的风险预测结果；
通过所述评估量表计算所述特征信息对应的评估分数，汇总所述评估分数作为所述目标医疗事件的风险预测结果；
基于所述机器学习模型的权重和所述评估量表的权重，将通过所述机器学习模型得到的风险预测结果和通过所述评估量表得到的风险预测结果进行加权，得到所述目标医疗事件最终的风险预测结果；所述机器学习模型的权重、所述评估量表的权重分别为所述机器学习模型在验证集或测试集上的准确度归一化值、所述评估量表对历史医疗事件预测的准确度归一化值。
2.根据权利要求1所述的方法，其特征在于，所述建立关于目标医疗事件的预测任务，包括：
监听医疗数据库；
当监听到所述医疗数据库触发预设规则时，建立关于目标医疗事件的预测任务。
3.根据权利要求2所述的方法，其特征在于，所述监听医疗数据库，包括：
建立消息队列；
当所述医疗数据库发生数据更新时，通过所述消息队列获取数据更新的信息。
4.根据权利要求3所述的方法，其特征在于，所述当监听到所述医疗数据库触发预设规则时，建立关于目标医疗事件的预测任务，包括：
当监听到所述医疗数据库中新增预设类型的子事件时，根据该子事件确定所述目标医疗事件，并建立关于目标医疗事件的预测任务。
5.根据权利要求1所述的方法，其特征在于，所述通过所述预测任务获取所述目标医疗事件的特征信息，包括：
通过所述预测任务获取所述目标医疗事件的原始数据；
利用预先配置的数据逻辑规则从所述原始数据中提取所述目标医疗事件的特征信息。
6.根据权利要求5所述的方法，其特征在于，所述方法还包括：
当接收到针对于所述风险预测结果的修改信息时，根据所述修改信息修改所述数据逻辑规则。
7.根据权利要求6所述的方法，其特征在于，所述当接收到针对于所述风险预测结果的修改信息时，根据所述修改信息修改所述数据逻辑规则，包括：
当接收到针对于所述风险预测结果的修改信息时，根据所述修改信息确定用于修改所述数据逻辑规则的权重；
当所述权重累积超过预设阈值时，对所述数据逻辑规则进行修改。
8.一种医疗风险预测装置，其特征在于，包括：
任务建立模块，用于建立关于目标医疗事件的预测任务；
信息获取模块，用于通过所述预测任务获取所述目标医疗事件的特征信息；
信息处理模块，用于利用预测模型对所述特征信息进行处理，得到所述目标医疗事件的风险预测结果；
其中，所述预测模型包括预先训练的机器学习模型和基于规则的评估量表；所述信息处理模块，用于：
将所述特征信息输入所述机器学习模型，输出所述目标医疗事件的风险预测结果；
通过所述评估量表计算所述特征信息对应的评估分数，汇总所述评估分数作为所述目标医疗事件的风险预测结果；
基于所述机器学习模型的权重和所述评估量表的权重，将通过所述机器学习模型得到的风险预测结果和通过所述评估量表得到的风险预测结果进行加权，得到所述目标医疗事件最终的风险预测结果；所述机器学习模型的权重、所述评估量表的权重分别为所述机器学习模型在验证集或测试集上的准确度归一化值、所述评估量表对历史医疗事件预测的准确度归一化值。
9.一种医疗风险预测系统，其特征在于，包括：
医院信息子系统，用于提供目标医疗事件；
医疗数据库，用于提供所述目标医疗事件的特征信息；
风险预测子系统，和所述医院信息子系统、所述医疗数据库连接，用于通过执行权利要求1至7任一项所述的方法，对所述目标医疗事件进行风险预测。
10.一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至7任一项所述的方法。
11.一种电子设备，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至7任一项所述的方法。
CN201911389215.6A 2019-12-30 2019-12-30 医疗风险预测方法、装置、系统、存储介质与电子设备 Active CN111144658B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911389215.6A CN111144658B (zh) 2019-12-30 2019-12-30 医疗风险预测方法、装置、系统、存储介质与电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911389215.6A CN111144658B (zh) 2019-12-30 2019-12-30 医疗风险预测方法、装置、系统、存储介质与电子设备

Publications (2)

Publication Number Publication Date
CN111144658A CN111144658A (zh) 2020-05-12
CN111144658B true CN111144658B (zh) 2023-06-16

Family

ID=70521530

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911389215.6A Active CN111144658B (zh) 2019-12-30 2019-12-30 医疗风险预测方法、装置、系统、存储介质与电子设备

Country Status (1)

Country Link
CN (1) CN111144658B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111949690A (zh) * 2020-07-29 2020-11-17 合肥森亿智能科技有限公司 临床辅助决策量表自动填写方法、系统、设备和介质
CN112133389A (zh) * 2020-08-12 2020-12-25 福建中榕数据科技有限公司 临床辅助决策高危自动预警方法、系统、设备和介质
CN113052205B (zh) * 2021-03-05 2022-07-12 广州默尼互联网信息有限公司 基于机器学习的产妇数据分类方法、装置、设备及介质
CN113871026A (zh) * 2021-10-14 2021-12-31 曹庆恒 一种医疗风险评估系统及方法
CN114091899A (zh) * 2021-11-22 2022-02-25 支付宝(杭州)信息技术有限公司 风险特征识别方法以及装置
CN116230250B (zh) * 2023-02-01 2023-09-29 郑州大学 一种基于大数据的疾病预测方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106779441A (zh) * 2016-12-27 2017-05-31 中国银联股份有限公司 一种预测变更风险方法和装置
WO2017199445A1 (ja) * 2016-05-20 2017-11-23 株式会社Ｕｂｉｃ データ分析システム、その制御方法、プログラム、及び、記録媒体
CN108959236A (zh) * 2017-05-19 2018-12-07 百度在线网络技术（北京）有限公司 医学文献分类模型训练方法、医学文献分类方法及其装置
CN109378065A (zh) * 2018-10-30 2019-02-22 医渡云（北京）技术有限公司 医疗数据处理方法及装置、存储介质、电子设备
CN109378064A (zh) * 2018-10-29 2019-02-22 南京医基云医疗数据研究院有限公司 医疗数据处理方法、装置电子设备及计算机可读介质

Family Cites Families (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040122702A1 (en) * 2002-12-18 2004-06-24 Sabol John M. Medical data processing system and method
US7487134B2 (en) * 2005-10-25 2009-02-03 Caterpillar Inc. Medical risk stratifying method and system
CN101320463A (zh) * 2007-06-08 2008-12-10 陈国文 周期性整合照护专案管理系统及整合管理方法
WO2014033681A2 (en) * 2012-08-31 2014-03-06 Koninklijke Philips N.V. Modeling techniques for predicting mortality in intensive care units
WO2014201515A1 (en) * 2013-06-18 2014-12-24 Deakin University Medical data processing for risk prediction
US20180004904A1 (en) * 2014-10-24 2018-01-04 Qualdocs Medical, Llc Systems and methods for clinical decision support and documentation
EP3223178A1 (en) * 2016-03-24 2017-09-27 Fujitsu Limited A system and a method for assessing patient treatment risk using open data and clinician input
CN105740992B (zh) * 2016-03-28 2020-06-26 浙江大学 一种医院医疗风险评估系统及方法
US20170337341A1 (en) * 2016-05-20 2017-11-23 Hcl Technologies Limited System and method for mitigating a medical risk
CN108090686B (zh) * 2017-12-29 2022-01-25 北京大学 一种医疗事件风险评估分析方法及系统
CN109065131A (zh) * 2018-07-23 2018-12-21 陕西中医药大学 一种用于中医整体护理的医疗护理系统
CN109597847B (zh) * 2018-11-09 2021-03-09 金色熊猫有限公司 医疗数据回沉方法及装置、存储介质、电子终端
CN110175697B (zh) * 2019-04-25 2021-05-25 胡盛寿 一种不良事件风险预测系统及方法
CN110428091B (zh) * 2019-07-10 2022-12-27 平安科技（深圳）有限公司 基于数据分析的风险识别方法及相关设备

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017199445A1 (ja) * 2016-05-20 2017-11-23 株式会社Ｕｂｉｃ データ分析システム、その制御方法、プログラム、及び、記録媒体
CN106779441A (zh) * 2016-12-27 2017-05-31 中国银联股份有限公司 一种预测变更风险方法和装置
CN108959236A (zh) * 2017-05-19 2018-12-07 百度在线网络技术（北京）有限公司 医学文献分类模型训练方法、医学文献分类方法及其装置
CN109378064A (zh) * 2018-10-29 2019-02-22 南京医基云医疗数据研究院有限公司 医疗数据处理方法、装置电子设备及计算机可读介质
CN109378065A (zh) * 2018-10-30 2019-02-22 医渡云（北京）技术有限公司 医疗数据处理方法及装置、存储介质、电子设备

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
人工神经网络在外来医学媒介生物输入风险评估中的应用研究;裘炯良;孙志;王军;郑剑宁;卢岳云;;中华卫生杀虫药械(05);全文 *
基于机器学习与智能建模的大数据建筑火灾风险预测;曾明杰;;现代物业(中旬刊)(01);全文 *

Also Published As

Publication number Publication date
CN111144658A (zh) 2020-05-12

Similar Documents

Publication Publication Date Title
CN111144658B (zh) 医疗风险预测方法、装置、系统、存储介质与电子设备
CN112071425B (zh) 一种数据处理方法、装置、计算机设备及存储介质
US8744870B2 (en) Method and system for forecasting clinical pathways and resource requirements
US11250951B2 (en) Feature engineering method, apparatus, and system
CA3119985C (en) User support with integrated conversational user interfaces and social question answering
US20160110502A1 (en) Human and Machine Assisted Data Curation for Producing High Quality Data Sets from Medical Records
CN111383754B (zh) 医疗决策方法、医疗决策装置、电子设备及存储介质
US20220293287A1 (en) Pet evaluation and triage system
WO2020172607A1 (en) Systems and methods for using deep learning to generate acuity scores for critically ill or injured patients
KR102254419B1 (ko) 반려동물 헬스 케어 큐레이션 방법, 장치 및 이를 이용한 시스템
US20200058408A1 (en) Systems, methods, and apparatus for linking family electronic medical records and prediction of medical conditions and health management
US10586615B2 (en) Electronic health record quality enhancement
US20210257067A1 (en) State transition prediction device, and device, method, and program for learning predictive model
Portela et al. Data mining predictive models for pervasive intelligent decision support in intensive care medicine
US20210151148A1 (en) Action planner systems and methods to simulate and create a recommended action plan for a physician and a care team, optimized by outcome
US11158402B2 (en) Intelligent ranking of clinical trials for a patient
CN115762704A (zh) 一种处方审核方法、装置、设备和存储介质
CN111834005B (zh) 基于传染病的医疗数据筛选方法、装置、介质及设备
CN114579626A (zh) 数据处理方法、数据处理装置、电子设备和介质
US20200035361A1 (en) Method and electronic device for artificial intelligence (ai)-based assistive health sensing in internet of things network
CN114822857A (zh) 重复入院的预测方法、计算设备及存储介质
CN114792568B (zh) 住院风险预测方法及装置、存储介质及电子设备
CN111063436A (zh) 数据处理方法及装置、存储介质及电子终端
US11842801B2 (en) Systems and methods for guiding traversal through logic series for event chains
US11854675B1 (en) Machine learning extraction of clinical variable values for subjects from clinical record data

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