CN111340641A - 一种异常就医行为检测方法 - Google Patents
一种异常就医行为检测方法 Download PDFInfo
- Publication number
- CN111340641A CN111340641A CN202010442547.2A CN202010442547A CN111340641A CN 111340641 A CN111340641 A CN 111340641A CN 202010442547 A CN202010442547 A CN 202010442547A CN 111340641 A CN111340641 A CN 111340641A
- Authority
- CN
- China
- Prior art keywords
- behavior
- network
- representing
- hospitalizing
- matrix
- 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
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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/08—Insurance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Probability & Statistics with Applications (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- General Business, Economics & Management (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
一种异常就医行为检测方法,包括:1)构建就医行为网络;2)获取网络节点特征表示;3)构建就医行为网络邻接矩阵;4)构建边特征矩阵;5)构建伪特征矩阵,获取就医行为特征表示;6)构建K‑GRU网络,提取就医行为时序信息;7)将特征压缩,并对压缩后的特征进行聚类;8)将压缩后的就医行为特征进行特征重构,使得重构后的特征趋近于原始就医行为特征;根据特征重构误差以及聚类误差优化模型;9)基于重构损失以及聚类损失,得到总的模型损失函数;10)交替优化聚类损失与重构损失直至模型收敛,判断异常就医行为。本发明有助于预防医保欺诈行为。
Description
技术领域
本发明涉及图网络以及深度学习技术领域,具体而言,涉及一种异常就医行为检测方法。
背景技术
医疗保险是为患病的社会成员提供必要的物资帮助,减轻医疗费用负担,从而补偿劳动者因疾病风险造成的经济损失而建立的一项社会保障制度。目前,我国医保覆盖面以达到95%以上,但资金缺口严重,骗保形势严峻。
现有的医保审核模式,以人工审核为主,由于医保报销单据数据量巨大,很难对每一张单据做到及时有效的审核。因此推进智能化医保审核系统建设,是预防医保欺诈的有效手段。尽管目前各地区开始借助信息化力量构建智能医保审核系统,但是其核心方法依然是基于规则的方法,很难从海量的数据中发现异常就医行为,防止医保欺诈。
随着机器学习技术的日臻完善,一种医保欺诈行为识别方法、装置及设备将医保欺诈转化为分类任务,采用支持向量机识别患者是否发生医保欺诈行为。一种基于主成分分析算法的医保欺诈识别方法通过对医保数据进行清洗、整理,采取主成分分析方法,对与欺诈行为相关的变量进行特征降维,根据统计学方法计算异常阈值。然而以上方法均需要手动提取特征,难以从海量的数据中发现异常就医行为,防止医保欺诈。
近年来,随着深度学习技术在图像领域以及自然语言处理领域的成功应用,如何将深度学习技术应用于异常就医行为检测,有效预防医保欺诈是当下热门的研究内容。例如基于TLSTM的医疗保险欺诈检测模型,通过分析用户行为序列来判断医保欺诈的可能性。虽然该方法能够克服就医行为时间分布不均匀、样本不平衡的问题,但是模型能够处理的特征比较单一,无法综合分析多元化就医行为数据,发现异常就医行为,预防医保欺诈。
图网络技术在医保欺诈的应用也是当下研究热点,例如基于图卷积神经网络和变分自编码器的单分类医保欺诈检测模型,虽然该模型挖掘了病人与医生直接的权重特征,用来分析异常就医行为,但是该模型未能挖掘网络节点与节点之间连边的特征信息以及就医行为之间的时序特征信息,发现异常就医行为,从而有效的预防医保欺诈。
发明内容
本发明要克服现有技术的上述缺点,提供一种异常就医行为检测方法。
为了综合分析多元化就医行为数据,本发明构建以就医行为节点为中心的就医行为网络,设计一种特有的提取边特征的方法,充分挖掘就医行为节点和医生、药品等其他关联节点之间连边的特征信息;为了克服就医行为之间时长跨度不统一问题,提出了一种新的循环神经网络结构获取就医行为时间上的关联性信息;将压缩后的低维就医行为特征进行聚类,发现异常就医行为。
本发明解决的技术问题所采取的技术方案是:
一种异常就医行为检测方法,包括如下步骤:
1)构建就医行为网络;以患者历史就医行为数据为基础,构建就医行为网络,,其中n表示患者数量,表示第i个患者就
医行为网络集合,T表示该患者就医行为总数量。,表示患者的第j个就医行
为网络。V表示就医行为网络节点,E表示就医行为网络节点与节点之间的关系。
2)获取网络节点特征表示;提取节点和连边上的相关文本的词向量,作为节点和连边的特征。
3)构建网络邻接矩阵;基于1)构建的就医行为网络建立对应的邻接矩阵, 。其中,Ai表示就医行为网络集合
对应的邻接矩阵集合。表示就医行为网络对应的邻接矩阵,K表示邻接矩阵中的节点
的数量。邻接矩阵由0,1构成,1表示两个节点之间存在关系,0表示两个节点之间不存在关
系。
4)构建网络边特征矩阵;为了获取就医行为网络节点之间的关系特征,以就医行
为网络的邻接矩阵为基础,构建对应的边特征矩阵。其中,表示邻接矩阵
对应的边特征矩阵,边特征矩阵构建过程如下:邻接矩阵为1的地方替换为关系特征,等于0
的地方则不做更改,公式如下:
6)提取就医行为时间上的关联信息;患者就医行为在时间上存在关联性信息,采用GRU循环神经网络获取时间上的关联性信息,然而由于GRU循环神经网络输入特征之间时间间隔应该是相等的,对GRU网络结构进行更改,构建K-GRU网络,使其适用于就医行为特征提取,过程如下:
其中,表示上一次就医行为状态信息输入;表示时间控制门影响的部分就医行
为状态信息,表示时间控制门,控制时间差对就医行为状态信息的影响,表
示激活函数,是时间差映射函数,本发明中令;表示上一次就医行为经过
时间控制门后的输出;表示当前时刻的就医行为特征,rt是重置门,表示上一次的就医行
为信息有多少保留到了当前时刻;记忆了当前时刻的就医行为状态信息,zt表示更新门,
在0到1之间,越接近于1表示当前时刻就医行为信息保留下来的越多,ht表示当前时刻就医
行为隐藏状态的输出,yt表示当前时刻就医行为的输出,表示可训练
参数。
其中:表示第i个就医行为经过K-GRU神经网络特征的的输出,表示可训练参
数,Zi表示压缩后就医行为的特征,表示压缩后的特征维度,M表示不同簇的中心点构成的
矩阵,N表示就医行为网络总数量,,当属于第j个簇时,此时Sji=
1,否则Sji=0,LC表示聚类损失函数。
8)就医行为特征重构;将压缩后的就医行为特征经过非线性变换特征函数以及逆向K-GRU网络进行特征重构,使得重构后的特征趋近于原始就医行为特征。根据特征重构误差以及聚类误差训练模型。公式如下:
9)构建损失函数;基于重构损失以及聚类损失,得到总的模型损失函数L,公式如下:
10)模型优化,判断异常就医行为;交替优化聚类损失与重构损失,过程如下:
10.1)在最小化重构损失时,固定聚类损失参数M、Si,采用随机梯度下降算法最小化重构损失。
10.2)在优化聚类损失参数Si时,固定网络训练参数以及M,优化公式如下:
10.3)在优化聚类损失参数M时,固定网络训练参数以及Si,最终使得总的损失函数L收敛,停止训练;如果被输入的就医行为不属于这k个簇中一个,则该就医行为属于异常就医行为。
优选地,步骤1)所述的节点与节点之间的关系,是药物和疾病之间的治疗关系、或者疾病和症状之间的表现关系。
优选地,步骤1)所述的就医行为网络节点V,由患者、医院、医生、药物、症状、疾病、检查方式构成。
本发明的有益效果是:提出了一种基于图网络和深度学习技术的异常就医行为检测方法。将医保审核与大数据相结合,综合分析多元化就医行为数据,提升医保审核效率,有效的预防医保欺诈行为的发生。
附图说明
图1为本发明方法的流程图。
图2为本发明提供的就医行为网络结构示意图。
图3为本发明提供的K-GRU网络结构示意图。
图4为本发明提供的异常检测就医行为框架示意图。
具体实施方式
下面结合附图对本发明进一步描述。
参照图1到图4,一种异常就医行为检测方法,包括以下步骤:
步骤S1)构建就医行为网络;以患者历史就医行为数据为基础,构建就医行为网络集合,,其中n表示患者数量,表示第i个患者就
医行为网络集合,T表示该患者就医行为总数量。,表示患者的第j个就医行
为网络。V表示就医行为网络节点,由患者、医院、医生、药物、症状、疾病、检查方式构成,E表
示就医行为网络节点与节点之间的关系。
步骤S2)获取网络节点特征表示;提取节点和连边上的相关文本的词向量,作为节点和连边的特征。
步骤S3)构建网络邻接矩阵;基于1)构建的就医行为网络建立对应的邻接矩阵, 。其中,Ai表示就医行为网络集合对应的邻接矩阵集合。表示就医行为网络对应的邻接矩阵,K表示邻接矩阵中的节
点的数量。邻接矩阵由0,1构成,1表示两个节点之间存在关系,0表示两个节点之间不存在
关系。
步骤S4)构建网络边特征矩阵;为了获取就医行为网络节点之间的关系特征,以就
医行为网络的邻接矩阵为基础,构建对应的边特征矩阵。其中,表示邻接
矩阵对应的边特征矩阵,边特征矩阵构建过程如下:邻接矩阵为1的地方替换为关系特
征,等于0的地方则不做更改,公式如下:
步骤S6)提取就医行为时间上的关联信息;如图4所示,采用GRU循环神经网络获取时间上的关联性信息,然而由于GRU循环神经网络输入特征之间时间间隔应该是相等的,对GRU网络结构进行更改,构建K-GRU网络,使其适用于就医行为特征提取,过程如下:
其中,表示上一次就医行为状态信息输入;表示时间控制门影响的部分就医行为
状态信息,表示激活函数;kt表示时间控制门,控制时间差对就医行为状态
信息的影响,是时间差映射函数,令;表示上一次就医行为经过时间控
制门后的输出;表示当前时刻的就医行为特征,rt是重置门,表示上一次的就医行为信息
有多少保留到了当前时刻;记忆了当前时刻的就医行为状态信息,zt表示更新门,在0到1
之间,越接近于1表示当前时刻就医行为信息保留下来的越多,ht表示当前时刻就医行为隐
藏状态的输出,yt表示当前时刻就医行为的输出,表示可训练参数。
其中:表示第i个就医行为经过K-GRU神经网络特征的的输出,表示可训练参
数,表示压缩后的就医行为特征,表示压缩后的特征维度,N表示就医行为网络总数量,M
表示不同簇的中心点构成的矩阵,,当属于第j个簇时,此时,否则,Lc表示聚类损失函数。
步骤S8)就医行为特征重构;如图4所示,将压缩后的就医行为特征经过非线性变换特征函数以及逆向K-GRU网络进行特征重构,使得重构后的特征趋近于原始就医行为特征。根据特征重构误差以及聚类误差训练模型。公式如下:
步骤S9)构建损失函数;如图4所示,基于重构损失以及聚类损失,得到总的模型损失函数L,公式如下:
步骤S10)模型优化,判断异常就医行为;如图4所示,交替优化聚类损失与重构损失,过程如下:
1)如图4所示,在最小化重构损失时,固定聚类损失参数M、Si,采用随机梯度下降算法最小化重构损失;
2)如图4所示,在优化聚类损失参数Si时,固定网络训练参数以及M,优化公式如下:
3)如图4所示,在优化聚类损失参数M时,固定网络训练参数以及Si,最终使得总的损失函数L收敛,停止训练。如果被输入的就医行为不属于这k个簇中一个,则该就医行为属于异常就医行为。
本说明书实施例所述的内容仅仅是对发明构思的实现形式的列举,本发明的保护范围不应当被视为仅限于实施例所陈述的具体形式,本发明的保护范围也及于本领域技术人员根据本发明构思所能够想到的等同技术手段。
Claims (3)
1.一种异常就医行为检测方法,包括如下步骤:
1)构建就医行为网络;以患者历史就医行为数据为基础,构建就医行为网络集合,,其中n表示患者数量,表示第i个患者
就医行为网络集合,T表示该患者就医行为总数量;表示患者的第j个就医
行为网络;V表示就医行为网络节点,E表示就医行为网络节点与节点之间的关系;
2)获取网络节点特征表示;提取节点和连边上的相关文本的词向量,作为节点和连边的特征;
3)构建网络邻接矩阵;基于1)构建的就医行为网络建立对应的邻接矩阵, ;其中,表示就医行为网络集合对应的邻接矩阵集合;表示就医行为网络对应的邻接矩阵,K表示邻接矩阵中的节
点的数量;邻接矩阵由0,1构成,1表示两个节点之间存在关系,0表示两个节点之间不存在
关系;
4)构建网络边特征矩阵;为了获取就医行为网络节点之间的关系特征,以就医行为网
络的邻接矩阵为基础,构建对应的边特征矩阵;其中,表示邻接矩阵对
应的边特征矩阵,边特征矩阵构建过程如下:邻接矩阵为1的地方替换为关系特征,等于0的
地方则不做更改,公式如下:
6)提取就医行为时间上的关联信息;患者就医行为在时间上存在关联性信息,采用GRU循环神经网络获取时间上的关联性信息,然而由于GRU循环神经网络输入特征之间时间间隔应该是相等的,对GRU网络结构进行更改,构建K-GRU网络,使其适用于就医行为特征提取,过程如下:
其中,表示上一次就医行为状态信息输入;表示时间控制门影响的部分就医行为
状态信息,表示激活函数;kt表示时间控制门,控制时间差对就医行为状态
信息的影响,是时间差映射函数,令;表示上一次就医行为经过时间控制
门后的输出;表示当前时刻的就医行为特征,rt是重置门,表示上一次的就医行为信息有
多少保留到了当前时刻;记忆了当前时刻的就医行为状态信息,zt表示更新门,在0到1之
间,越接近于1表示当前时刻就医行为信息保留下来的越多,ht表示当前时刻就医行为隐藏
状态的输出,yt表示当前时刻就医行为的输出,表示可训练参数;
其中:表示第i个就医行为经过K-GRU神经网络特征的的输出,表示可训练参
数,表示压缩后的就医行为特征,表示压缩后的特征维度,N表示就医行为网络总数量,M
表示不同簇的中心点构成的矩阵,,当属于第j个簇时,此时,否
则,表示聚类损失函数;
8)就医行为特征重构;将压缩后的就医行为特征经过非线性变换特征函数以及逆向K-GRU网络进行特征重构,使得重构后的特征趋近于原始就医行为特征;根据特征重构误差以及聚类误差训练模型;公式如下:
9)构建损失函数;基于重构损失以及聚类损失,得到总的模型损失函数L,公式如下:
10)模型优化,判断异常就医行为;交替优化聚类损失与重构损失,过程如下:
10.1)在最小化重构损失时,固定聚类损失参数M、Si,采用随机梯度下降算法最小化重构损失;
10.2)在优化聚类损失参数Si时,固定网络训练参数以及M,优化公式如下:
10.3)在优化聚类损失参数M时,固定网络训练参数以及Si, 最终使得总的损失函数L收敛,停止训练;如果被输入的就医行为不属于这k个簇中一个,则该就医行为属于异常就医行为。
2.如权利要求1所述的一种异常就医行为检测方法,其特征在于:步骤1)所述的节点与节点之间的关系,是药物和疾病之间的治疗关系、或者疾病和症状之间的表现关系。
3.如权利要求1所述的一种异常就医行为检测方法,其特征在于:步骤1)所述的就医行为网络节点V,由患者、医院、医生、药物、症状、疾病、检查方式构成。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010442547.2A CN111340641B (zh) | 2020-05-22 | 2020-05-22 | 一种异常就医行为检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010442547.2A CN111340641B (zh) | 2020-05-22 | 2020-05-22 | 一种异常就医行为检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111340641A true CN111340641A (zh) | 2020-06-26 |
CN111340641B CN111340641B (zh) | 2020-11-13 |
Family
ID=71186462
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010442547.2A Active CN111340641B (zh) | 2020-05-22 | 2020-05-22 | 一种异常就医行为检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111340641B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111798324A (zh) * | 2020-07-16 | 2020-10-20 | 浙江工业大学 | 一种基于动态就医行为对齐的医保欺诈发现方法 |
CN112445957A (zh) * | 2020-11-05 | 2021-03-05 | 西安电子科技大学 | 社交网络异常用户检测方法、系统、介质、设备、终端 |
CN112801804A (zh) * | 2021-01-15 | 2021-05-14 | 浙江大学山东工业技术研究院 | 一种用于检测异常医保数据的图神经网络的方法 |
CN113657548A (zh) * | 2021-08-31 | 2021-11-16 | 平安医疗健康管理股份有限公司 | 医保异常检测方法、装置、计算机设备及存储介质 |
CN113707331A (zh) * | 2021-07-30 | 2021-11-26 | 电子科技大学 | 一种中医辨证数据生成方法与系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107657536A (zh) * | 2017-02-20 | 2018-02-02 | 平安科技(深圳)有限公司 | 社保欺诈行为的识别方法和装置 |
CN108492196A (zh) * | 2018-03-08 | 2018-09-04 | 平安医疗健康管理股份有限公司 | 通过数据分析推断医疗保险违规行为的风控方法 |
CN109598633A (zh) * | 2018-12-13 | 2019-04-09 | 平安医疗健康管理股份有限公司 | 社保违规检测方法、装置、设备及计算机存储介质 |
CN109636613A (zh) * | 2018-10-19 | 2019-04-16 | 平安医疗健康管理股份有限公司 | 医疗数据异常识别方法、装置、终端及存储介质 |
-
2020
- 2020-05-22 CN CN202010442547.2A patent/CN111340641B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107657536A (zh) * | 2017-02-20 | 2018-02-02 | 平安科技(深圳)有限公司 | 社保欺诈行为的识别方法和装置 |
CN108492196A (zh) * | 2018-03-08 | 2018-09-04 | 平安医疗健康管理股份有限公司 | 通过数据分析推断医疗保险违规行为的风控方法 |
CN109636613A (zh) * | 2018-10-19 | 2019-04-16 | 平安医疗健康管理股份有限公司 | 医疗数据异常识别方法、装置、终端及存储介质 |
CN109598633A (zh) * | 2018-12-13 | 2019-04-09 | 平安医疗健康管理股份有限公司 | 社保违规检测方法、装置、设备及计算机存储介质 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111798324A (zh) * | 2020-07-16 | 2020-10-20 | 浙江工业大学 | 一种基于动态就医行为对齐的医保欺诈发现方法 |
CN111798324B (zh) * | 2020-07-16 | 2024-04-02 | 浙江工业大学 | 一种基于动态就医行为对齐的医保欺诈发现方法 |
CN112445957A (zh) * | 2020-11-05 | 2021-03-05 | 西安电子科技大学 | 社交网络异常用户检测方法、系统、介质、设备、终端 |
CN112801804A (zh) * | 2021-01-15 | 2021-05-14 | 浙江大学山东工业技术研究院 | 一种用于检测异常医保数据的图神经网络的方法 |
CN113707331A (zh) * | 2021-07-30 | 2021-11-26 | 电子科技大学 | 一种中医辨证数据生成方法与系统 |
CN113707331B (zh) * | 2021-07-30 | 2023-04-07 | 电子科技大学 | 一种中医辨证数据生成方法与系统 |
CN113657548A (zh) * | 2021-08-31 | 2021-11-16 | 平安医疗健康管理股份有限公司 | 医保异常检测方法、装置、计算机设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111340641B (zh) | 2020-11-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111340641B (zh) | 一种异常就医行为检测方法 | |
Krishnan et al. | Deep kalman filters | |
WO2022227294A1 (zh) | 一种基于多模态融合的疾病风险预测方法和系统 | |
US10140422B2 (en) | Progression analytics system | |
Maghari | COVID-19 Detection in X-ray Images using CNN Algorithm | |
CN109243620B (zh) | 基于血药浓度监测的药效优化方法及装置 | |
CN108682457B (zh) | 患者长期预后定量预测和干预系统及方法 | |
US20190287680A1 (en) | Techniques for integrating proxy nodes into graph-model-based investigatory-event mappings | |
Do et al. | Classification of asthma severity and medication using TensorFlow and multilevel databases | |
CN113657548A (zh) | 医保异常检测方法、装置、计算机设备及存储介质 | |
Ramkumar et al. | IoT-based patient monitoring system for predicting heart disease using deep learning | |
Raju et al. | Optimized building of machine learning technique for thyroid monitoring and analysis | |
Cai et al. | Using ensemble of ensemble machine learning methods to predict outcomes of cardiac resynchronization | |
Alturki et al. | Predictors of readmissions and length of stay for diabetes related patients | |
Marathe et al. | Prediction of heart disease and diabetes using naive Bayes algorithm | |
Duhamel et al. | A preprocessing method for improving data mining techniques. Application to a large medical diabetes database | |
Zeghlache et al. | Longitudinal self-supervised learning using neural ordinary differential equation | |
Rao et al. | A hybrid deep learning strategy for image based automated prognosis of skin disease | |
Huang et al. | Design of a clinical decision support model for predicting pneumonia readmission | |
CN111680798A (zh) | 联合学习模型系统和方法、装置和计算机可读存储介质 | |
Ono et al. | Introduction to supervised machine learning in clinical epidemiology | |
WO2022178995A1 (zh) | Ct图像去噪处理方法、装置、计算机设备及介质 | |
Sumathi et al. | Machine learning based pattern detection technique for diabetes mellitus prediction | |
CN115064276A (zh) | 一种使用自注意力机制的疾病预测方法 | |
Merkelbach et al. | Novel architecture for gated recurrent unit autoencoder trained on time series from electronic health records enables detection of ICU patient subgroups |
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 |