CN111370107A - 回诊时间预测方法及装置、电子设备、存储介质 - Google Patents
回诊时间预测方法及装置、电子设备、存储介质 Download PDFInfo
- Publication number
- CN111370107A CN111370107A CN202010146938.XA CN202010146938A CN111370107A CN 111370107 A CN111370107 A CN 111370107A CN 202010146938 A CN202010146938 A CN 202010146938A CN 111370107 A CN111370107 A CN 111370107A
- Authority
- CN
- China
- Prior art keywords
- patient
- sample data
- return visit
- training
- model
- 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
- 238000000034 method Methods 0.000 title claims abstract description 69
- 238000012360 testing method Methods 0.000 claims abstract description 46
- 238000012549 training Methods 0.000 claims description 87
- 238000007689 inspection Methods 0.000 claims description 31
- 238000004422 calculation algorithm Methods 0.000 claims description 20
- 230000015654 memory Effects 0.000 claims description 19
- 238000003745 diagnosis Methods 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 15
- 238000012552 review Methods 0.000 claims description 11
- 238000003066 decision tree Methods 0.000 claims description 10
- 230000007246 mechanism Effects 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 5
- 238000007637 random forest analysis Methods 0.000 claims description 5
- 238000012706 support-vector machine Methods 0.000 claims description 5
- 230000010354 integration Effects 0.000 claims description 4
- 230000008447 perception Effects 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 2
- 238000004891 communication Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 5
- 230000004048 modification Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 206010012601 diabetes mellitus Diseases 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000007636 ensemble learning method Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 208000019622 heart disease Diseases 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- 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
Landscapes
- Business, Economics & Management (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本说明书一个或多个实施例提供一种回诊时间预测方法及装置，包括：获取患者的检验报告单；从所述检验报告单中提取所述患者的检验报告单特征以及对应的门诊科室特征；利用回诊时间预测模型，根据所述患者的检验报告单特征以及所述门诊科室特征，预测得到所述患者的回诊时间。本说明书一个或多个实施例提供的回诊时间预测方法及装置、电子设备、存储介质，解决了患者在医院经检验拿到检验报告单后，向医生咨询时的等候时间过长的问题。
Description
技术领域
本说明书一个或多个实施例涉及数据处理技术领域，尤其涉及一种回诊时间预测方法及装置、电子设备、存储介质。
背景技术
患者回诊时间是指患者在进行相关医疗检验或测试后，再找医生根据检验报告单进行诊治的时间。现有技术中，没有对患者回诊时间的预测机制，使得患者在拿到检验报告单后，只能自行预测回诊时间。但是，患者拿到检验报告单后若自行到相关诊室进行诊治，可能会遇到诊室人满为患等情况，导致回诊效率不高。
发明内容
有鉴于此，本说明书一个或多个实施例的目的在于提出一种回诊时间预测方法及装置、电子设备、存储介质，以解决上述的问题。
基于上述目的，本说明书一个或多个实施例提供了一种回诊时间预测方法，包括：
获取患者的检验报告单；
从所述检验报告单中提取所述患者的检验报告单特征以及对应的门诊科室特征；
利用回诊时间预测模型，根据所述患者的检验报告单特征以及所述门诊科室特征，预测得到所述患者的回诊时间。
可选地，所述方法还包括以下步骤至少其一：
输出所述患者的回诊时间；以及
将所述患者的回诊时间发送到指定的设备。
可选地，所述方法还包括：
获取已知的患者回诊信息数据集；
根据预先确定的检验报告单目标特征和对应的门诊科室目标特征，确定所述数据集中每个患者回诊信息对应的患者的检验报告单特征以及对应的门诊科室特征；
将每个患者的所述检验报告单特征、对应的门诊科室特征以及回诊时间信息，形成为样本数据；其中，所述回诊时间信息根据所述患者回诊信息确定；
将每个患者对应的样本数据形成为样本数据集；其中，所述样本数据集包括训练集和测试集。
可选地，所述方法还包括：
利用所述训练集中的样本数据，对初始模型进行训练，得到所述预训练模型；
利用所述测试集中的样本数据，对所述预训练模型进行参数调优，得到所述回诊时间预测模型。
可选地，所述回诊时间预测模型为集成学习模型，所述集成学习模型包括若干基学习器，所述基学习器采用的模型算法为以下算法至少其一：
决策树、梯度提升决策树、人工神经网络、支持向量机、正则化方法、近邻法、随机森林、编码-解码算法+多层感知算法。
可选地，利用所述训练集中的样本数据，对初始模型进行训练，得到所述预训练模型，包括：
采用序列集成方法，将所述基学习器进行集成；其中，参与训练的基学习器基于依赖关系按照顺序生成。
可选地，所述方法还包括：
创建初始模型，所述初始模型包括所述基学习器，所述基学习器包括编码-解码器和多层感知器；其中：
所述编码-解码器，用于对所述样本数据进行编码处理和解码处理，结合注意力机制，生成所述样本数据的特征序列；
所述多层感知器，用于对所述样本数据的特征序列进行分类和回归，进而得到预测结果。
可选地，利用所述测试集中的样本数据，对所述预训练模型进行参数调优，得到所述回诊时间预测模型，包括：
针对每个特征，从所述测试集中抽取包含对应特征的预设数量的样本数据；其中，所述特征为检验报告单目标特征或对应的门诊科室目标特征；
修改每个所述样本数据中与所述特征对应的参数值；
根据参数值被修改的所述样本数据，利用所述预训练模型，预测对应的患者的回诊时间；
比对所述样本数据中包含的回诊时间信息以及所述预训练模型预测得到的回诊时间，确定所述特征对应的准确率；
若所述准确率小于设定阈值，则将所述特征确定为目标特征；
若所述准确率大于或等于设定阈值，则从所述预先确定的检验报告单目标特征或对应的门诊科室目标特征中删除所述特征。
本说明书一个或多个实施例提供了一种回诊时间预测装置，包括：
获取模块，用于获取患者的检验报告单；
特征提取模块，用于从所述检验报告单中提取所述患者的检验报告单特征以及对应的门诊科室特征；
预测模块，用于利用回诊时间预测模型，根据所述患者的检验报告单特征以及所述门诊科室特征，预测得到所述患者的回诊时间。
可选地，所述装置还包括以下模块至少其一：
输出模块，用于输出所述患者的回诊时间；以及
发送模块，用于将所述患者的回诊时间发送到指定的设备。
可选地，所述装置还包括训练模块，用于：
获取已知的患者回诊信息数据集；
根据预先确定的检验报告单目标特征和对应的门诊科室目标特征，确定所述数据集中每个患者回诊信息对应的患者的检验报告单特征以及对应的门诊科室特征；
将每个患者的所述检验报告单特征、对应的门诊科室特征以及回诊时间信息，形成为样本数据；其中，所述回诊时间信息根据所述患者回诊信息确定；
将每个患者对应的样本数据形成为样本数据集；其中，所述样本数据集包括训练集和测试集。
可选地，所述训练模块，用于：
利用所述训练集中的样本数据，对初始模型进行训练，得到所述预训练模型；
利用所述测试集中的样本数据，对所述预训练模型进行参数调优，得到所述回诊时间预测模型。
可选地，所述训练模块，用于：
创建初始模型，所述初始模型包括所述基学习器，所述基学习器包括编码-解码器和多层感知器；其中：
所述编码-解码器，用于对所述样本数据进行编码处理和解码处理，结合注意力机制，生成所述样本数据的特征序列；
所述多层感知器，用于对所述样本数据的特征序列进行分类和回归，进而得到预测结果。
可选地，所述训练模块，用于：
针对每个特征，从所述测试集中抽取包含对应特征的预设数量的样本数据；其中，所述特征为检验报告单目标特征或对应的门诊科室目标特征；
修改每个所述样本数据中与所述特征对应的参数值；
根据参数值被修改的所述样本数据，利用所述预训练模型，预测对应的患者的回诊时间；
比对所述样本数据中包含的回诊时间信息以及所述预训练模型预测得到的回诊时间，确定所述特征对应的准确率；
若所述准确率小于设定阈值，则将所述特征确定为目标特征；
若所述准确率大于或等于设定阈值，则从所述预先确定的检验报告单目标特征或对应的门诊科室目标特征中删除所述特征。
本说明书一个或多个实施例提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现所述的方法。
本说明书一个或多个实施例提供了一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行所述方法。
从上面所述可以看出，本说明书一个或多个实施例提供的回诊时间预测方法及装置、电子设备、存储介质，通过采集患者的检验报告单中的检验报告单特征以及对应的门诊科室特征，并利用回诊时间预测模型预测患者的回诊时间，解决了患者在医院经检验拿到检验报告单后，向医生咨询时的等候时间过长的问题，通过对已取得检验报告单的所述患者的回诊时间进行预测，利于提高医生及患者的时间利用率，给人们生活带来极大的便利。
附图说明
为了更清楚地说明本说明书一个或多个实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本说明书一个或多个实施例，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为本说明书一个或多个实施例提供的回诊时间预测方法的流程示意图；
图2为本说明书一个或多个实施例中形成样本数据集的流程示意图；
图3为本说明书一个或多个实施例中对目标特征进行筛选的流程示意图；
图4为本说明书一个或多个实施例中预测模型的结构示意图；
图5为本说明书一个或多个实施例提供的回诊时间预测装置的框图结构示意图；
图6为本说明书一个或多个实施例提供的电子设备的硬件结构示意图。
具体实施方式
为使本公开的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本公开进一步详细说明。
需要说明的是，除非另外定义，本说明书一个或多个实施例使用的技术术语或者科学术语应当为本公开所属领域内具有一般技能的人士所理解的通常意义。本说明书一个或多个实施例中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系，当被描述对象的绝对位置改变后，则该相对位置关系也可能相应地改变。
图1示出了本说明书一个或多个实施例提供的回诊时间预测方法的流程示意图。
如图1所示，所述回诊时间预测方法，包括：
步骤102：获取患者的检验报告单。可选地，所述患者的检验报告单的示例如表1所示。
表1患者的检验报告单示例
以上患者的检验报告单示例仅是举例，根据不同检验类型、不同门诊科室，所述检验报告单可能是不同的，其中的检验项目也可以是不同的。
可选地，所述检验报告单可以是从医院的服务器中获取的也可以是通过多家医院联网甚至全国联网的服务器中获取的，根据不同的场景或不同的需求，所述检验报告单的来源不同，可根据实际情况进行设置。
可选地，所述检验报告单的获取方式可以是例如通过手机连接医院的局域网而从医院服务器进行获取，也可以是通过手机添加医院的小程序而获取，当然还可以是从第三方创建的APP或小程序等进行获取，等等。具体实现方式可以根据实际情况设置，在此不做限制。
可选地，当所述检验报告单生成后，可以将所述检验报告单发送给相应科室的医生，供医生查阅，进一步提高了医生的工作效率和日接诊数量。
步骤104：从所述检验报告单中提取所述患者的检验报告单特征以及对应的门诊科室特征。
可选地，所述从所述检验报告单中提取所述患者的检验报告单特征以及对应的门诊科室特征，可以具体包括：
调用预先得到的检验报告单目标特征和对应科室门诊的目标特征；
根据所述检验报告单目标特征和对应科室门诊的目标特征，从所述检验报告单中提取相应的患者的检验报告单特征以及对应的门诊科室特征。具体地，可以是比对目标特征的名称和检验报告单中相应的文字，进而将相应的内容提取为所述患者的检验报告单特征以及对应的门诊科室特征。
可选地，所述检验报告单特征可以包括患者特征和报告单特征；其中，所述患者特征可以包括以下任意一项或多项：姓名、性别、年龄、地域、患者类型；所述报告单特征可以包括以下任意一项或多项：报告单编号、样本类型、检验项目、检验者、复核者、样本接收时间、样本报告时间。
可选地，所述检验报告单特征可以通过对所述检验报告单进行数据分析并获取得到。
可选地，所述门诊科室特征可以包括科室特征和该科室的医生特征；其中，所述科室特征可以包括以下任意一项或多项：科室名称、科室位置、挂号时间、医生数量；所述医生特征可以包括以下任意一项或多项：姓名、职称、擅长、执业经历。
可选地，所述对应的门诊科室特征是指与所述患者的检验报告单相对应的门诊科室的特征。其中，所述门诊科室的科室名称可以通过对所述检验报告单进行数据分析并获取得到(参考表1)。可选地，所述门诊科室特征中的其他特征可以基于所述科室名称从医院的数据库中调取相应科室的数据而获得。特别地，所述挂号时间是指所述患者的挂号时间，可以通过从该科室的数据中找到与该患者信息相对应的挂号时间而获取得到。
步骤106：利用回诊时间预测模型，根据所述患者的检验报告单特征以及所述门诊科室特征，预测得到所述患者的回诊时间。
本步骤中，所述回诊时间预测模型，是根据患者的相关数据进行建模和训练得到的，可以用于根据患者的检验报告单特征以及所述门诊科室特征，预测得到所述患者的回诊时间。
本说明书一个或多个实施例提出的回诊时间预测方法，通过采集患者的检验报告单中的检验报告单特征以及对应的门诊科室特征，并利用回诊时间预测模型预测患者的回诊时间，解决了患者在医院经检验拿到检验报告单后，向医生咨询时的等候时间过长的问题，通过对已取得检验报告单的所述患者的回诊时间进行预测，利于提高医生及患者的时间利用率，给人们生活带来极大的便利。
本说明书一个或多个实施例中，所述回诊时间预测方法还包括以下步骤：
利用训练集中的样本数据，对初始模型进行训练，得到所述预训练模型；
利用测试集中的样本数据，对所述预训练模型进行参数调优，得到所述回诊时间预测模型。
通过上述方法，根据训练集和测试集，训练得到所述回诊时间预测模型。
可选地，参考图2，本说明书一个或多个实施例中，所述回诊时间预测方法还包括：
步骤202：获取已知的患者回诊信息数据集。本步骤中，所述已知的患者回诊信息数据集，可以是医院的数据库中存储的已有的患者回诊信息。可选地，所述患者回诊信息可包括：患者信息、报告单信息、对应的科室信息和该科室的医生信息，等等。
步骤204：根据预先确定的检验报告单目标特征和对应的门诊科室目标特征，确定所述数据集中每个患者回诊信息对应的患者的检验报告单特征以及对应的门诊科室特征。本步骤中，所述预先确定的检验报告单目标特征和对应的门诊科室目标特征，可以是根据回诊时间可能的影响因素所选择出来的，由于在训练过程中可以根据该目标特征对模型整体的影响度进行修正，因此，在一开始确定目标特征时可以尽量多地确定目标特征，进而在样本数据中保留更多的特征。
具体地，可以是通过比对目标特征的名称和患者回诊信息中相应的文字，进而将相应的内容提取为所述患者的检验报告单特征以及对应的门诊科室特征。
步骤206：将每个患者的所述检验报告单特征、对应的门诊科室特征以及回诊时间信息，形成为样本数据；其中，所述回诊时间信息根据所述患者回诊信息确定。
步骤208：将每个患者对应的样本数据形成为样本数据集；其中，所述样本数据集包括训练集和测试集，所述训练集用于对所述初始模型进行训练以得到所述预训练模型，所述测试集用于对所述预训练模型进行参数调优以得到所述回诊时间预测模型。
通过上述方法，确定每个样本数据，其中所述样本数据中包含患者的回诊时间信息、患者的检验报告单特征和对应的门诊科室特征，后续即可基于这些样本数据对模型进行训练和参数调优。
可选地，所述回诊时间预测模型为集成学习模型，所述集成学习模型包括若干基学习器，所述基学习器采用的模型算法为以下算法至少其一：
决策树、梯度提升决策树、人工神经网络、支持向量机、正则化方法、近邻法、随机森林。
这样，所述回诊时间预测模型采用集成学习方法，从而能够优化泛化性能。
可选地，利用所述训练集中的样本数据，对所述初始模型进行训练，得到所述预训练模型，包括：
采用序列集成方法，将所述基学习器进行集成；其中，参与训练的基学习器基于依赖关系按照顺序生成。
具体地，利用集成学习Boosting算法对训练样本集Strain进行迭代训练得到满足误差要求的基学习器(或弱学习器)序列h，再利用基学习器(或弱学习器)序列h加权求和的方法集成得到集成学习模型H(或强学习器)。
具体可包括以下步骤：
步骤1)：设定集成学习Boosting算法最大迭代次数k，并设定Boosting算法调用的基学习器算法；例如，决策树、梯度提升决策树、人工神经网络、支持向量机、正则化方法、近邻法、随机森林，等等；
步骤2)：规范化训练集Strain，并设定Strain为Boosting算法的原始数据样本集D；
步骤3)：以wf(i)为抽取比例，从原始数据样本集D中抽取的样本集Df，并由基学习器算法训练，得到基学习器hf；
步骤4)：计算基学习器hf的训练误差
步骤5)：计算基学习器hf的权重
步骤6)：更新原始数据样本集D中样本数据的权重；
步骤7)：当满足以下两个条件之一，执行步骤8)；否则返回步骤3)；
条件1：Boosting算法达到最大迭代次数；
条件2：样本集Df不再变化；
步骤8)：输出集成学习模型
即回诊时间预测模型。
本说明书一个或多个实施例中，所述回诊时间预测方法还包括以下步骤：
创建初始模型，所述初始模型包括所述基学习器，所述基学习器包括编码-解码器和多层感知器；其中：
所述编码-解码器(encoder-decoder模型)，用于对所述样本数据进行编码处理和解码处理，结合注意力机制，生成所述样本数据的特征序列；其中，所述编码，就是将输入序列转化成一个固定长度的向量；所述解码，就是将之前生成的固定向量再转化成输出序列。
所述多层感知器，用于对所述样本数据的特征序列进行分类和回归，进而得到预测结果；其中，所述多层感知器(MLP，Multilayer Perceptron)是一种前馈人工神经网络模型，其将输入的多个数据集映射到单一的输出的数据集上。
考虑到某个时间点的多个特征可作为一个序列，且每个特征对回诊时间的影响因子不同，本实施例提出使用encoder-decoder+多层感知器作为回诊时间预测模型的基学习器。模型结构如图4所示，输入为某一患者在某一时刻的多个特征组成的序列(也可以是样本数据)；输出为患者的回诊时间。模型包括两大架构：encoder-decoder模型和多层感知器，encoder-decoder模型的输出为多层感知器的输入，其中加入注意力机制(attention)，学习不同特征的权重分布，以提高模型的准确度。LSTM(Long Short-Term Memory)即长短期记忆网络，是一种时间循环神经网络，可以学习长期依赖信息，通常应用在encoder-decoder模型中，因为编码的过程和解码的过程使用RNN(Recurrent Neural Network，循环神经网络)实现，由于RNN存在梯度消失和梯度爆炸问题，因此通常引入LSTM。
在序列到序列模型(即seq2seq模型，encoder-decoder模型的主要应用场景)中，原始encoder-decoder模型的encode过程会生成一个中间向量C，用于保存原序列的语义信息。但是这个向量长度是固定的，当输入原序列的长度比较长时，向量C无法保存全部的语义信息，上下文语义信息受到了限制，这也限制了模型的理解能力。本实施例采用Attention机制来打破这种原始encoder-decoder模型对固定向量的限制。Attention的原理就是计算当前输入序列与输出向量的匹配程度，匹配程度高就是注意力集中点相对的得分越高，其中Attention计算得到的匹配度权重，只限于当前序列对，不像网络模型权重这样的整体权重。这样，使得encoder-decoder模型可以自动地学习与回诊时间更有利的特征。
由于模型的目标是回诊时间，属于回归问题，而encoder-decoder模型的输出是一个序列(Y1、Y2、…Yt、…)。多层感知器可以解决分类和回归问题，因此将encoder-decoder模型的输出作为多层感知器的输入。所述多层感知器除了输入层和输出层，中间可以有多个隐层，通过训练，可以学习最优的回诊时间预测模型的网络结构及参数。
参考图3，本说明书一个或多个实施例中，利用所述测试集中的样本数据，对所述预训练模型进行参数调优，得到所述回诊时间预测模型，包括：
步骤302：针对每个特征，从所述测试集中抽取包含对应特征的预设数量的样本数据；其中，所述特征为检验报告单目标特征或对应的门诊科室目标特征。例如，所述特征为患者类型为糖尿病患者，则从测试集中抽取预设数量的包含有糖尿病患者特征的样本数据。
步骤304：修改每个所述样本数据中与所述特征对应的参数值。本步骤中，在抽取得到预设数量的样本数据后，再将所述样本数据中的与一开始抽取样本数据时所用的那个特征的对应特征的参数值进行修改。例如，所述特征为糖尿病患者，则修改抽取出来的样本数据中的患者类型为心脏病患者。当然，这种修改是可以根据一定预设规则来设定的，在此不做具体限制。
步骤306：根据参数值被修改的所述样本数据，利用所述预训练模型，预测对应的患者的回诊时间。
步骤308：比对所述样本数据中包含的回诊时间信息以及所述预训练模型预测得到的回诊时间，确定所述特征对应的准确率。由于所述样本数据是已知的，其中含有回诊时间信息，将步骤306中预测得到的回诊时间与该样本数据中已知的回诊时间信息进行比对，就能得到该特征的准确率。这里，这个准确率反映的是该特征在进行回诊时间预测时对回诊时间的影响力大小。
步骤310：若所述准确率小于设定阈值，说明该特征对于回诊时间的影响力较大，则将所述特征确定为目标特征。
步骤312：若所述准确率大于或等于设定阈值，说明该特征对于回诊时间的影响力较小，则从所述预先确定的检验报告单目标特征或对应的门诊科室目标特征中删除所述特征。
本实施例，利用测试集对一开始确定的目标特征进行了筛选，使得保留的目标特征最能反映其对回诊时间的影响，从而使预测结果更加准确。通过从特征中获取到影响因子较大的目标特征，寻找最优特征子集，减少了实际获取特征的数量，达到提高模型精确度，减少运行时间的目的。
需要说明的是，这里筛选后的目标特征即可用于在前述的步骤104中对检验报告单进行特征提取。
本说明书一个或多个实施例中，所述回诊时间预测方法还包括以下步骤：
利用所述准确率小于设定阈值的目标特征更新所述训练集中的样本数据；
利用更新后的样本数据训练所述预训练模型，得到回诊时间预测模型。
这样，将更新后的目标特征作为输入特征，样本数据对应的回诊时间信息为输出特征，继续训练所述预训练模型，使得最终的预测模型的预测结果更加准确。通过调整参数，获取较高准确度与泛化能力较好的模型。
在获取到较高准确度的回诊时间预测模型后，只需根据检验报告单获取患者的特征信息，便可预测回诊时间。此外，经过对目标特征的筛选，能够减少模型的输入特征，极大地提高模型计算速度以及响应效率，从而提供较好的用户体验。
本说明书一个或多个实施例中，参考图1，所述回诊时间预测方法还包括以下步骤至少其一：
步骤108：输出所述患者的回诊时间。
本步骤中，所述输出所述用户的回诊时间，可以是通过医院大屏幕进行显示，或者通过医院广播进行广播，等等，根据需要该输出方式可以进行调整、组合，等等，在此不做具体限制。
步骤110：将所述患者的回诊时间发送到指定的设备。可选地，该指定的设备可以为手机、平板电脑、PC等设备。
本步骤中，可以是将回诊时间发送到患者的手机，可以是通过短信、电话、微信等形式通知，等等。可选地，所述患者的回诊时间还可以是发送到医生的手机、工作电脑等等，以供医生进行查看，从而合理安排时间。
通过上述实施例，使患者能够及时知道回诊时间，提前做好安排，大大提高了患者的就诊效率。
本说明书一个或多个实施例提供的回诊时间预测方法，其对患者回诊时间进行了预测，提高了医生及患者的时间利用率，更加完善了医疗系统。同时，合理安排回诊患者，减少医院拥堵，保证医院秩序。可选地，本说明书一个或多个实施例提供的回诊时间预测方法，使患者可以随时随地的使用智能移动终端查看回诊时间，而医生利用本系统，可以自动化地实现回诊工作时间的管理、患者检验报告单数据的调取查阅，本系统运行时完全无人工客服参与，全部由系统自动实现，给人们的生活带来极大的便利。
需要说明的是，本说明书一个或多个实施例的方法可以由单个设备执行，例如一台计算机或服务器等。本实施例的方法也可以应用于分布式场景下，由多台设备相互配合来完成。在这种分布式场景的情况下，这多台设备中的一台设备可以只执行本说明书一个或多个实施例的方法中的某一个或多个步骤，这多台设备相互之间会进行交互以完成所述的方法。
图5示出了本说明书一个或多个实施例提供的回诊时间预测装置的框图结构示意图。
如图5所示，所述回诊时间预测装置400，包括：
获取模块401，用于获取患者的检验报告单；
特征提取模块402，用于从所述检验报告单中提取所述患者的检验报告单特征以及对应的门诊科室特征；
预测模块403，用于利用回诊时间预测模型，根据所述患者的检验报告单特征以及所述门诊科室特征，预测得到所述患者的回诊时间。
本说明书一个或多个实施例提出的回诊时间预测装置，通过采集患者的检验报告单中的检验报告单特征以及对应的门诊科室特征，并利用回诊时间预测模型预测患者的回诊时间，解决了患者在医院经检验拿到检验报告单后，向医生咨询时的等候时间过长的问题，通过对已取得检验报告单的所述患者的回诊时间进行预测，利于提高医生及患者的时间利用率，给人们生活带来极大的便利。
可选地，所述装置还包括以下模块至少其一：
输出模块404，用于输出所述患者的回诊时间；以及
发送模块405，用于将所述患者的回诊时间发送到指定的设备。
可选地，所述装置还包括训练模块406，用于：
获取已知的患者回诊信息数据集；
根据预先确定的检验报告单目标特征和对应的门诊科室目标特征，确定所述数据集中每个患者回诊信息对应的患者的检验报告单特征以及对应的门诊科室特征；
将每个患者的所述检验报告单特征、对应的门诊科室特征以及回诊时间信息，形成为样本数据；其中，所述回诊时间信息根据所述患者回诊信息确定；
将每个患者对应的样本数据形成为样本数据集；其中，所述样本数据集包括训练集和测试集。
可选地，所述训练模块406，用于：
利用所述训练集中的样本数据，对初始模型进行训练，得到所述预训练模型；
利用所述测试集中的样本数据，对所述预训练模型进行参数调优，得到所述回诊时间预测模型。
可选地，所述回诊时间预测模型为集成学习模型，所述集成学习模型包括若干基学习器，所述基学习器采用的模型算法为以下算法至少其一：
决策树、梯度提升决策树、人工神经网络、支持向量机、正则化方法、近邻法、随机森林、编码-解码算法+多层感知算法。
可选地，所述训练模块406，用于：
采用序列集成方法，将所述基学习器进行集成；其中，参与训练的基学习器基于依赖关系按照顺序生成。
可选地，所述训练模块406，用于：
创建初始模型，所述初始模型包括所述基学习器，所述基学习器包括编码-解码器和多层感知器；其中：
所述编码-解码器，用于对所述样本数据进行编码处理和解码处理，结合注意力机制，生成所述样本数据的特征序列；
所述多层感知器，用于对所述样本数据的特征序列进行分类和回归，进而得到预测结果。
可选地，所述训练模块406，用于：
针对每个特征，从所述测试集中抽取包含对应特征的预设数量的样本数据；其中，所述特征为检验报告单目标特征或对应的门诊科室目标特征；
修改每个所述样本数据中与所述特征对应的参数值；
根据参数值被修改的所述样本数据，利用所述预训练模型，预测对应的患者的回诊时间；
比对所述样本数据中包含的回诊时间信息以及所述预训练模型预测得到的回诊时间，确定所述特征对应的准确率；
若所述准确率小于设定阈值，则将所述特征确定为目标特征；
若所述准确率大于或等于设定阈值，则从所述预先确定的检验报告单目标特征或对应的门诊科室目标特征中删除所述特征。
为了描述的方便，描述以上装置时以功能分为各种模块分别描述。当然，在实施本说明书一个或多个实施例时可以把各模块的功能在同一个或多个软件和/或硬件中实现。
上述实施例的装置用于实现前述实施例中相应的方法，并且具有相应的方法实施例的有益效果，在此不再赘述。
图6示出了本实施例所提供的一种更为具体的电子设备硬件结构示意图，该设备可以包括：处理器501、存储器502、输入/输出接口503、通信接口504和总线505。其中处理器501、存储器502、输入/输出接口503和通信接口504通过总线505实现彼此之间在设备内部的通信连接。
处理器501可以采用通用的CPU(Central Processing Unit，中央处理器)、微处理器、应用专用集成电路(Application Specific Integrated Circuit，ASIC)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本说明书实施例所提供的技术方案。
存储器502可以采用ROM(Read Only Memory，只读存储器)、RAM(Random AccessMemory，随机存取存储器)、静态存储设备，动态存储设备等形式实现。存储器502可以存储操作系统和其他应用程序，在通过软件或者固件来实现本说明书实施例所提供的技术方案时，相关的程序代码保存在存储器502中，并由处理器501来调用执行。
输入/输出接口503用于连接输入/输出模块，以实现信息输入及输出。输入输出/模块可以作为组件配置在设备中(图中未示出)，也可以外接于设备以提供相应功能。其中输入设备可以包括键盘、鼠标、触摸屏、麦克风、各类传感器等，输出设备可以包括显示器、扬声器、振动器、指示灯等。
通信接口504用于连接通信模块(图中未示出)，以实现本设备与其他设备的通信交互。其中通信模块可以通过有线方式(例如USB、网线等)实现通信，也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信。
总线505包括一通路，在设备的各个组件(例如处理器501、存储器502、输入/输出接口503和通信接口504)之间传输信息。
需要说明的是，尽管上述设备仅示出了处理器501、存储器502、输入/输出接口503、通信接口504以及总线505，但是在具体实施过程中，该设备还可以包括实现正常运行所必需的其他组件。此外，本领域的技术人员可以理解的是，上述设备中也可以仅包含实现本说明书实施例方案所必需的组件，而不必包含图中所示的全部组件。
本实施例的计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。
上述对本说明书特定实施例进行了描述。其他实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本公开的范围(包括权利要求)被限于这些例子；在本公开的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，步骤可以以任意顺序实现，并存在如上所述的本说明书一个或多个实施例的不同方面的许多其它变化，为了简明它们没有在细节中提供。
另外，为简化说明和讨论，并且为了不会使本说明书一个或多个实施例难以理解，在所提供的附图中可以示出或可以不示出与集成电路(IC)芯片和其它部件的公知的电源/接地连接。此外，可以以框图的形式示出装置，以便避免使本说明书一个或多个实施例难以理解，并且这也考虑了以下事实，即关于这些框图装置的实施方式的细节是高度取决于将要实施本说明书一个或多个实施例的平台的(即，这些细节应当完全处于本领域技术人员的理解范围内)。在阐述了具体细节(例如，电路)以描述本公开的示例性实施例的情况下，对本领域技术人员来说显而易见的是，可以在没有这些具体细节的情况下或者这些具体细节有变化的情况下实施本说明书一个或多个实施例。因此，这些描述应被认为是说明性的而不是限制性的。
尽管已经结合了本公开的具体实施例对本公开进行了描述，但是根据前面的描述，这些实施例的很多替换、修改和变型对本领域普通技术人员来说将是显而易见的。例如，其它存储器架构(例如，动态RAM(DRAM))可以使用所讨论的实施例。
本说明书一个或多个实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此，凡在本说明书一个或多个实施例的精神和原则之内，所做的任何省略、修改、等同替换、改进等，均应包含在本公开的保护范围之内。
Claims (16)
1.一种回诊时间预测方法，包括：
获取患者的检验报告单；
从所述检验报告单中提取所述患者的检验报告单特征以及对应的门诊科室特征；
利用回诊时间预测模型，根据所述患者的检验报告单特征以及所述门诊科室特征，预测得到所述患者的回诊时间。
2.根据权利要求1所述的方法，其中，所述方法还包括以下步骤至少其一：
输出所述患者的回诊时间；以及
将所述患者的回诊时间发送到指定的设备。
3.根据权利要求1所述的方法，其中，所述方法还包括：
获取已知的患者回诊信息数据集；
根据预先确定的检验报告单目标特征和对应的门诊科室目标特征，确定所述数据集中每个患者回诊信息对应的患者的检验报告单特征以及对应的门诊科室特征；
将每个患者的所述检验报告单特征、对应的门诊科室特征以及回诊时间信息，形成为样本数据；其中，所述回诊时间信息根据所述患者回诊信息确定；
将每个患者对应的样本数据形成为样本数据集；其中，所述样本数据集包括训练集和测试集。
4.根据权利要求3所述的方法，其中，所述方法还包括：
利用所述训练集中的样本数据，对初始模型进行训练，得到所述预训练模型；
利用所述测试集中的样本数据，对所述预训练模型进行参数调优，得到所述回诊时间预测模型。
5.根据权利要求4所述的方法，其中，所述回诊时间预测模型为集成学习模型，所述集成学习模型包括若干基学习器，所述基学习器采用的模型算法为以下算法至少其一：
决策树、梯度提升决策树、人工神经网络、支持向量机、正则化方法、近邻法、随机森林、编码-解码算法+多层感知算法。
6.根据权利要求5所述的方法，其中，利用所述训练集中的样本数据，对初始模型进行训练，得到所述预训练模型，包括：
采用序列集成方法，将所述基学习器进行集成；其中，参与训练的基学习器基于依赖关系按照顺序生成。
7.根据权利要求5所述的方法，其中，所述方法还包括：
创建初始模型，所述初始模型包括所述基学习器，所述基学习器包括编码-解码器和多层感知器；其中：
所述编码-解码器，用于对所述样本数据进行编码处理和解码处理，结合注意力机制，生成所述样本数据的特征序列；
所述多层感知器，用于对所述样本数据的特征序列进行分类和回归，进而得到预测结果。
8.根据权利要求4所述的方法，其中，利用所述测试集中的样本数据，对所述预训练模型进行参数调优，得到所述回诊时间预测模型，包括：
针对每个特征，从所述测试集中抽取包含对应特征的预设数量的样本数据；其中，所述特征为检验报告单目标特征或对应的门诊科室目标特征；
修改每个所述样本数据中与所述特征对应的参数值；
根据参数值被修改的所述样本数据，利用所述预训练模型，预测对应的患者的回诊时间；
比对所述样本数据中包含的回诊时间信息以及所述预训练模型预测得到的回诊时间，确定所述特征对应的准确率；
若所述准确率小于设定阈值，则将所述特征确定为目标特征；
若所述准确率大于或等于设定阈值，则从所述预先确定的检验报告单目标特征或对应的门诊科室目标特征中删除所述特征。
9.一种回诊时间预测装置，包括：
获取模块，用于获取患者的检验报告单；
特征提取模块，用于从所述检验报告单中提取所述患者的检验报告单特征以及对应的门诊科室特征；
预测模块，用于利用回诊时间预测模型，根据所述患者的检验报告单特征以及所述门诊科室特征，预测得到所述患者的回诊时间。
10.根据权利要求9所述的装置，其中，所述装置还包括以下模块至少其一：
输出模块，用于输出所述患者的回诊时间；以及
发送模块，用于将所述患者的回诊时间发送到指定的设备。
11.根据权利要求9所述的装置，其中，所述装置还包括训练模块，用于：
获取已知的患者回诊信息数据集；
根据预先确定的检验报告单目标特征和对应的门诊科室目标特征，确定所述数据集中每个患者回诊信息对应的患者的检验报告单特征以及对应的门诊科室特征；
将每个患者的所述检验报告单特征、对应的门诊科室特征以及回诊时间信息，形成为样本数据；其中，所述回诊时间信息根据所述患者回诊信息确定；
将每个患者对应的样本数据形成为样本数据集；其中，所述样本数据集包括训练集和测试集。
12.根据权利要求11所述的装置，其中，所述训练模块，用于：
利用所述训练集中的样本数据，对初始模型进行训练，得到所述预训练模型；
利用所述测试集中的样本数据，对所述预训练模型进行参数调优，得到所述回诊时间预测模型。
13.根据权利要求11所述的装置，其中，所述训练模块，用于：
创建初始模型，所述初始模型包括所述基学习器，所述基学习器包括编码-解码器和多层感知器；其中：
所述编码-解码器，用于对所述样本数据进行编码处理和解码处理，结合注意力机制，生成所述样本数据的特征序列；
所述多层感知器，用于对所述样本数据的特征序列进行分类和回归，进而得到预测结果。
14.根据权利要求11所述的装置，其中，所述训练模块，用于：
针对每个特征，从所述测试集中抽取包含对应特征的预设数量的样本数据；其中，所述特征为检验报告单目标特征或对应的门诊科室目标特征；
修改每个所述样本数据中与所述特征对应的参数值；
根据参数值被修改的所述样本数据，利用所述预训练模型，预测对应的患者的回诊时间；
比对所述样本数据中包含的回诊时间信息以及所述预训练模型预测得到的回诊时间，确定所述特征对应的准确率；
若所述准确率小于设定阈值，则将所述特征确定为目标特征；
若所述准确率大于或等于设定阈值，则从所述预先确定的检验报告单目标特征或对应的门诊科室目标特征中删除所述特征。
15.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如权利要求1至8任意一项所述的方法。
16.一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行权利要求1至8任一所述方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010146938.XA CN111370107B (zh) | 2020-03-05 | 2020-03-05 | 回诊时间预测方法及装置、电子设备、存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010146938.XA CN111370107B (zh) | 2020-03-05 | 2020-03-05 | 回诊时间预测方法及装置、电子设备、存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111370107A true CN111370107A (zh) | 2020-07-03 |
| CN111370107B CN111370107B (zh) | 2024-08-20 |
Family
ID=71210345
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010146938.XA Active CN111370107B (zh) | 2020-03-05 | 2020-03-05 | 回诊时间预测方法及装置、电子设备、存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111370107B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114944225A (zh) * | 2022-07-25 | 2022-08-26 | 武汉盛博汇信息技术有限公司 | 一种基于患者信息的科室管理方法和装置 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN203084808U (zh) * | 2013-01-15 | 2013-07-24 | 中国人民解放军第三军医大学第一附属医院 | 门诊候诊叫号系统 |
| CN107145746A (zh) * | 2017-05-09 | 2017-09-08 | 北京大数医达科技有限公司 | 一种病情描述的智能分析方法及系统 |
| CN107978361A (zh) * | 2017-12-19 | 2018-05-01 | 莫晶亮 | 门诊就诊等候时长预测算法及门诊就诊等候队伍控制算法 |
| CN108090510A (zh) * | 2017-12-15 | 2018-05-29 | 北京大学 | 一种基于间隔优化的集成学习方法及装置 |
| JP2018142041A (ja) * | 2017-02-24 | 2018-09-13 | 富士通株式会社 | 巡回予定時刻通知プログラム、巡回予定時刻通知方法、および通知装置 |
| CN108877905A (zh) * | 2018-06-12 | 2018-11-23 | 中南大学 | 一种基于Xgboost框架的医院门诊就诊量预测方法 |
| CN110322943A (zh) * | 2019-07-15 | 2019-10-11 | 西安交通大学医学院第一附属医院 | 就诊引导方法及引导系统 |
| CN110473615A (zh) * | 2019-08-16 | 2019-11-19 | 北京声智科技有限公司 | 一种信息处理方法及装置 |
-
2020
- 2020-03-05 CN CN202010146938.XA patent/CN111370107B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN203084808U (zh) * | 2013-01-15 | 2013-07-24 | 中国人民解放军第三军医大学第一附属医院 | 门诊候诊叫号系统 |
| JP2018142041A (ja) * | 2017-02-24 | 2018-09-13 | 富士通株式会社 | 巡回予定時刻通知プログラム、巡回予定時刻通知方法、および通知装置 |
| CN107145746A (zh) * | 2017-05-09 | 2017-09-08 | 北京大数医达科技有限公司 | 一种病情描述的智能分析方法及系统 |
| CN108090510A (zh) * | 2017-12-15 | 2018-05-29 | 北京大学 | 一种基于间隔优化的集成学习方法及装置 |
| CN107978361A (zh) * | 2017-12-19 | 2018-05-01 | 莫晶亮 | 门诊就诊等候时长预测算法及门诊就诊等候队伍控制算法 |
| CN108877905A (zh) * | 2018-06-12 | 2018-11-23 | 中南大学 | 一种基于Xgboost框架的医院门诊就诊量预测方法 |
| CN110322943A (zh) * | 2019-07-15 | 2019-10-11 | 西安交通大学医学院第一附属医院 | 就诊引导方法及引导系统 |
| CN110473615A (zh) * | 2019-08-16 | 2019-11-19 | 北京声智科技有限公司 | 一种信息处理方法及装置 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114944225A (zh) * | 2022-07-25 | 2022-08-26 | 武汉盛博汇信息技术有限公司 | 一种基于患者信息的科室管理方法和装置 |
| CN114944225B (zh) * | 2022-07-25 | 2022-09-27 | 武汉盛博汇信息技术有限公司 | 一种基于患者信息的科室管理方法和装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111370107B (zh) | 2024-08-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11068660B2 (en) | Systems and methods for neural clinical paraphrase generation | |
| Stewart et al. | Applications of machine learning to undifferentiated chest pain in the emergency department: A systematic review | |
| CA3137079A1 (en) | Computer-implemented machine learning for detection and statistical analysis of errors by healthcare providers | |
| CN112287089B (zh) | 用于自动问答系统的分类模型训练、自动问答方法及装置 | |
| WO2017117230A1 (en) | Method and apparatus for facilitating on-demand building of predictive models | |
| Banos et al. | Mining minds: an innovative framework for personalized health and wellness support | |
| CN118507074B (zh) | 用于放化疗期肿瘤患者的智能护理系统及方法 | |
| CN113707323B (zh) | 基于机器学习的疾病预测方法、装置、设备及介质 | |
| US11893990B2 (en) | Audio file annotation | |
| CN114662697A (zh) | 时间序列异常检测 | |
| Ayzenberg et al. | FEEL: A system for frequent event and electrodermal activity labeling | |
| CN117522538A (zh) | 招投标信息处理方法、装置、计算机设备及存储介质 | |
| CN116864106A (zh) | 医疗数据处理方法、装置、设备及介质 | |
| CN112397195B (zh) | 用于生成体格检查模型的方法、装置、电子设备和介质 | |
| US20230076575A1 (en) | Model personalization system with out-of-distribution event detection in dialysis medical records | |
| CN113421646B (zh) | 患病持续时长预测方法、装置、计算机设备及存储介质 | |
| CN112309565A (zh) | 用于匹配药品信息和病症信息的方法、装置、电子设备和介质 | |
| CN111370107B (zh) | 回诊时间预测方法及装置、电子设备、存储介质 | |
| CN111581929B (zh) | 基于表格的文本生成方法及相关装置 | |
| CN118352083A (zh) | 一种孕期心理健康ai辅助评估方法及系统 | |
| US20230187068A1 (en) | Methods, apparatuses and computer program products for generating predicted member query vertices in a healthcare graph data object | |
| CN116090458A (zh) | 医学信息抽取方法、装置、电子设备及存储介质 | |
| US20230376532A1 (en) | Machine learning techniques for generating disease prediction utilizing cross-temporal semi-structured input data | |
| Siddiqui et al. | Analysing and Identifying COVID-19 Risk Factors Using Machine Learning Algorithm with Smartphone Application | |
| Bania et al. | FiReS: A Semantic Model for Advanced Querying and Prediction Analysis for First Responders in Post-Disaster Response Plans. |
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 |