CN111383725B - 不良反应数据鉴别方法、装置、电子设备及可读介质 - Google Patents
不良反应数据鉴别方法、装置、电子设备及可读介质 Download PDFInfo
- Publication number
- CN111383725B CN111383725B CN201811624746.4A CN201811624746A CN111383725B CN 111383725 B CN111383725 B CN 111383725B CN 201811624746 A CN201811624746 A CN 201811624746A CN 111383725 B CN111383725 B CN 111383725B
- Authority
- CN
- China
- Prior art keywords
- data
- medical record
- medication
- similarity
- feature set
- 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
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
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Data Mining & Analysis (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Biomedical Technology (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本公开涉及一种不良反应数据鉴别方法、装置、电子设备及计算机可读介质。该方法包括:由患者的电子病历数据中提取基础数据、历史数据、检验数据、检查数据、用药数据;通过所述基础数据、所述历史数据、所述检验数据、所述检查数据提取所述患者的特征集数据;将所述特征集数据与阳性数据组合和阴性数据组合进行比较,确定阳性相似度集合和阴性相似度集合;以及根据所述阳性相似度集合和所述阴性相似度集合确定所述患者的电子病历数据中的不良反应数据。本公开涉及的不良反应数据鉴别方法、装置、电子设备及计算机可读介质,能够针对不良反应数据进行了多维度分析,能够有效提升不良反应数据检测鉴别的准确度和效率。
Description
技术领域
本公开涉及计算机信息处理领域,具体而言,涉及一种不良反应数据鉴别方法、装置、电子设备及计算机可读介质。
背景技术
药品不良反应(Adverse Drug Reactions,ADR)是指在使用常用剂量的药物过程中,因药物本身的作用或药物间相互作用而产生的与用药目的无关而又不利于病人的各种反应。医药市场的发展、新药品品种的不断增多,增加了公众在正确使用药品上的难度。不安全用药在全球都难以完全避免,ADR监测是对药品安全性监测的主要手段,开展ADR监测有利于了解ADR发生情况,便于及时的采取安全防范措施,防止ADR危害情况范围的扩大。
药物性肝损伤信号发现领域,主要通过基于文本检索的ADR主动监测技术,通过从诊断数据中抽取明确诊断或相似诊断进行判断,是一种基于既定结果进行数据抽取展现的技术。
基于现有技术的药物性肝损伤鉴别技术,存在如下缺点:
1、基于文本检索技术所产生的结果假阳性率较高;
2、检索内容严重依赖于临床诊断的诊断词是否包含有所需要的诊断名称,针对漏诊情况无法进行有效监测;
3、利用特定指标监测的会造成假阳性率高,后期人为处理成本高;
4、仅能针对结果进行展示,无法提供有效的依据理论。
因此,需要一种新的不良反应数据鉴别方法、装置、电子设备及计算机可读介质。
在所述背景技术部分公开的上述信息仅用于加强对本公开的背景的理解,因此它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
有鉴于此,本公开提供一种不良反应数据鉴别方法、装置、电子设备及计算机可读介质,能够有效提升不良反应数据检测鉴别的准确度和效率。
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。
根据本公开的一方面,提出一种不良反应数据鉴别方法,该方法包括:由患者的电子病历数据中提取基础数据、历史数据、检验数据、检查数据、用药数据;通过所述基础数据、所述历史数据、所述检验数据、所述检查数据提取所述患者的特征集数据;将所述特征集数据与阳性数据组合和阴性数据组合进行比较,确定阳性相似度集合和阴性相似度集合;以及根据所述阳性相似度集合和所述阴性相似度集合确定所述患者的电子病历数据中的不良反应数据。
在本公开的一种示例性实施例中,由患者的电子病历数据中提取基础数据、历史数据、检验数据、检查数据、用药数据还包括:通过不良反应数据库对所述病历数据中的检验数据与检查数据进行筛选以剔除正常数据。
在本公开的一种示例性实施例中,将所述特征集数据与阳性数据组合和阴性数据组合进行比较,确定阳性相似度集合和阴性相似度集合包括:通过聚类算法将所述特征集数据与阳性数据组合和阴性数据组合进行比较,确定所述阳性相似度集合和所述阴性相似度集合。
在本公开的一种示例性实施例中,还包括:通过多个历史电子病历数据构建病历相似度矩阵与用药相似度矩阵;通过包含不良反应数据的历史电子病历数据与所述病历相似度矩阵、所述用药相似度矩阵构建所述阳性数据组合;以及通过不包含不良反应数据的历史电子病历数据与所述病历相似度矩阵、所述用药相似度矩阵构建所述阴性数据组合。
在本公开的一种示例性实施例中,通过多个历史电子病历数据构建病历相似度矩阵与用药相似度矩阵包括:将多个历史数据中的基础数据、历史数据、检验数据、检查数据、用药数据与预定特征集数据进行对比,生成多个历史特征集数据;基于所述基础数据、所述历史数据、所述检验数据、所述检查数据计算多个历史特征集数据中每两个历史特征集数据之间的病历相似度,以构建所述病历相似度矩阵;基于所述用药数据计算多个历史特征集数据中每两个历史特征集数据之间的用药相似度,以构建所述用药相似度矩阵。
在本公开的一种示例性实施例中,基于所述基础数据、所述历史数据、所述检验数据、所述检查数据计算多个历史特征集数据中每两个历史特征集数据之间的病历相似度包括:通过两个待计算的历史特征集数据生成共同特征集、第一特有集、第二特有集、共同非特征集;通过所述共同特征集、所述第一特有集、所述第二特有集、所述共同非特征集确定两个待计算的历史特征集数据的第一条件熵;通过所述共同特征集、所述第一特有集、所述第二特有集、所述共同非特征集确定两个待计算的历史特征集数据的第二条件熵;通过所述第一条件熵与所述第二条件熵确定矩阵熵;以及通过所述矩阵熵确定两个待计算的历史特征集数据的病历相似度。
在本公开的一种示例性实施例中,基于所述用药数据计算多个历史特征集数据中每两个历史特征集数据之间的用药相似度包括:将两个待计算的历史特征集数据中的用药数据中的药品、计量与时间分别相关联;通过关联之后的两个待计算的用药数据生成共同特征集、第一特有集、第二特有集、共同非特征集;通过所述共同特征集、所述第一特有集、所述第二特有集、所述共同非特征集确定两个待计算的历史特征集数据的第一条件熵;通过所述共同特征集、所述第一特有集、所述第二特有集、所述共同非特征集确定两个待计算的历史特征集数据的第二条件熵;通过所述第一条件熵与所述第二条件熵确定矩阵熵;以及通过所述矩阵熵确定两个待计算的历史特征集数据的用药相似度。
根据本公开的一方面,提出一种不良反应数据鉴别装置,该装置包括:数据模块,用于由患者的电子病历数据中提取基础数据、历史数据、检验数据、检查数据、用药数据;特征模块,用于通过所述基础数据、所述历史数据、所述检验数据、所述检查数据提取所述患者的特征集数据;比较模块,用于将所述特征集数据与阳性数据组合和阴性数据组合进行比较,确定阳性相似度集合和阴性相似度集合;以及判断模块,用于根据所述阳性相似度集合和所述阴性相似度集合确定所述患者的电子病历数据中的不良反应数据。
根据本公开的一方面,提出一种电子设备,该电子设备包括:一个或多个处理器;存储装置,用于存储一个或多个程序;当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现如上文的方法。
根据本公开的一方面,提出一种计算机可读介质,其上存储有计算机程序,该程序被处理器执行时实现如上文中的方法。
根据本公开的不良反应数据鉴别方法、装置、电子设备及计算机可读介质,通过所述基础数据、所述历史数据、所述检验数据、所述检查数据提取所述患者的特征集数据;将所述特征集数据分别与阳性数据组合和阴性数据组合进行比较以确定所述患者的电子病历数据中的不良反应数据的方式,能够有效提升不良反应数据检测鉴别的准确度和效率。
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的,并不能限制本公开。
附图说明
通过参照附图详细描述其示例实施例,本公开的上述和其它目标、特征及优点将变得更加显而易见。下面描述的附图仅仅是本公开的一些实施例,对于本领域的普通技术人员来讲,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是根据一示例性实施例示出的一种不良反应数据鉴别方法及装置的系统场景框图。
图2是根据一示例性实施例示出的一种不良反应数据鉴别方法的流程图。
图3是根据另一示例性实施例示出的一种不良反应数据鉴别方法的流程图。
图4是根据另一示例性实施例示出的一种不良反应数据鉴别方法的流程图。
图5是根据一示例性实施例示出的一种不良反应数据鉴别装置的框图。
图6是根据一示例性实施例示出的一种电子设备的框图。
图7是根据一示例性实施例示出一种计算机可读存储介质示意图。
具体实施方式
现在将参考附图更全面地描述示例实施例。然而,示例实施例能够以多种形式实施,且不应被理解为限于在此阐述的实施例;相反,提供这些实施例使得本公开将全面和完整,并将示例实施例的构思全面地传达给本领域的技术人员。在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。
此外,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例中。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例的充分理解。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没有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方法、装置、实现或者操作以避免模糊本公开的各方面。
附图中所示的方框图仅仅是功能实体,不一定必须与物理上独立的实体相对应。即,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。
附图中所示的流程图仅是示例性说明,不是必须包括所有的内容和操作/步骤,也不是必须按所描述的顺序执行。例如,有的操作/步骤还可以分解,而有的操作/步骤可以合并或部分合并,因此实际执行的顺序有可能根据实际情况改变。
应理解,虽然本文中可能使用术语第一、第二、第三等来描述各种组件,但这些组件不应受这些术语限制。这些术语乃用以区分一组件与另一组件。因此,下文论述的第一组件可称为第二组件而不偏离本公开概念的教示。如本文中所使用,术语“及/或”包括相关联的列出项目中的任一个及一或多者的所有组合。
本领域技术人员可以理解,附图只是示例实施例的示意图,附图中的模块或流程并不一定是实施本公开所必须的,因此不能用于限制本公开的保护范围。
药物性肝损伤的信号发现存在困难,现有的主动监测方法上存在着问题与缺陷,其一:在主动监测方法设计上,往往只考虑了部分影响因素,无法用于发现与监测新的信号,其结果的可信度和准确性相对较低;其二:在技术手段应用上,广泛使用触发器技术,然而触发器有自身的局限性,无法进行病历文本的检索,需考虑新技术的应用;其三:即使发现了有关的疑似病例/事件,无法直接通过量表评分等定量/半定量手段进行关联关系评估。
不失一般性,在本公开中将以药物性肝损伤作为药品不良反应的一种具体事例,来进行实施例的具体描述。
图1是根据一示例性实施例示出的一种不良反应数据鉴别方法及装置的系统框图。
如图1所示,系统架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用,例如医疗数据处理类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端等。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
用户可通过终端设备101、102、103生成电子病历数据,还可由电子病历数据中提取患者数据,所述患者数据中包括基础数据、历史数据、检验数据、检查数据、用药数据;终端设备101、102、103可例如通过所述基础数据、所述历史数据、所述检验数据、所述检查数据提取所述患者的特征集数据;终端设备101、102、103可例如将所述特征集数据与阳性数据组合和阴性数据组合进行比较,确定阳性相似度集合和阴性相似度集合;以及终端设备101、102、103可例如根据所述阳性相似度集合和所述阴性相似度集合确定所述患者的电子病历数据中的不良反应数据。
终端设备101、102、103还可例如通过多个历史电子病历数据构建病历相似度矩阵与用药相似度矩阵;终端设备101、102、103还可例如通过包含不良反应数据的历史电子病历数据与所述病历相似度矩阵、所述用药相似度矩阵构建所述阳性数据组合;终端设备101、102、103还可例如通过不包含不良反应数据的历史电子病历数据与所述病历相似度矩阵、所述用药相似度矩阵构建所述阴性数据组合。
服务器105可以是提供各种服务的服务器,例如对用户利用终端设备101、102、103所生成的患者数据提供支持的后台服务器。服务器105可以对接收到的患者数据进行分析等处理,并将电子病历数据中存在的可能存在药物损伤不良反应的患者数据反馈给终端设备。
用户可通过终端设备101、102、103生成病历数据,终端设备101、102、103可例如将病历数据转发至服务器105中,服务器105可例如由患者的电子病历数据中提取基础数据、历史数据、检验数据、检查数据、用药数据;服务器105可例如通过所述基础数据、所述历史数据、所述检验数据、所述检查数据提取所述患者的特征集数据;服务器105可例如将所述特征集数据与阳性数据组合和阴性数据组合进行比较,确定阳性相似度集合和阴性相似度集合;服务器105可例如根据所述阳性相似度集合和所述阴性相似度集合确定所述患者的电子病历数据中的不良反应数据。
服务器105还可例如通过多个历史电子病历数据构建病历相似度矩阵与用药相似度矩阵;服务器105还可例如通过包含不良反应数据的历史电子病历数据与所述病历相似度矩阵、所述用药相似度矩阵构建所述阳性数据组合;以及服务器105还可例如通过不包含不良反应数据的历史电子病历数据与所述病历相似度矩阵、所述用药相似度矩阵构建所述阴性数据组合。
服务器105可以是一个实体的服务器,还可例如为多个服务器组成,需要说明的是,本公开实施例所提供的不良反应数据鉴别方法可以由服务器105和/或终端设备101、102、103执行,相应地,不良反应数据鉴别装置可以设置于服务器105和/或终端设备101、102、103中。
根据本公开的不良反应数据鉴别方法及装置,通过所述基础数据、所述历史数据、所述检验数据、所述检查数据提取所述患者的特征集数据;将所述特征集数据分别与阳性数据组合和阴性数据组合进行比较以确定所述患者的电子病历数据中的不良反应数据的方式,能够有效提升不良反应数据检测鉴别的准确度和效率。
图2是根据一示例性实施例示出的一种不良反应数据鉴别方法的流程图。不良反应数据鉴别方法20至少包括步骤S202至S208。
如图2所示,在S202中,由患者的电子病历数据中提取基础数据、历史数据、检验数据、检查数据、用药数据。
其中,所述患者数据可来源于经过严格脱敏处理的医院电子病历系统,脱敏处理在本实施例中指的是对患者用户的个人敏感信息进行数据脱敏处理。数据脱敏是指对某些敏感信息通过脱敏规则进行数据的变形,实现敏感隐私数据的可靠保护。在涉及客户安全数据或者一些商业性敏感数据的情况下,在不违反系统规则条件下,对真实数据进行改造并提供测试使用,如身份证号、手机号、卡号、客户号等个人信息都需要进行数据脱敏。数据库安全技术之一。
其中在医院临床数据中,对于患者的每一次就诊记录,病历数据中标识信息包含患者唯一标识符,其医疗信息至少包含:脱敏后的患者信息表、诊断表、检查表、用药医嘱表、检验表等数据记录表。
其中,患者脱敏后的机体基础信息,可包含:a)基础信息:身高、体重、年龄、性别;b)历史信息:既往病史、吸烟史、饮酒史。
其中,患者数据中还可包括医嘱数据,主要包含与用药行为相关的药品医嘱属性信息。
其中,患者数据中还包括诊断数据及对应数据生成时间,病案记录中的诊断类型,对应诊断内容及编码标化诊断等信息。
在一个实施例中,该方法还包括:通过不良反应数据库对所述病历数据中的检验数据与检查数据进行筛选以剔除正常数据。具体可例如,通过不良反应数据库,从检验表中提取能够提示关联不良反应的检验数据;还可例如,通过不良反应数据库,从检查表中提取能够提示关联不良反应的检查数据。
在S204中,通过所述基础数据、所述历史数据、所述检验数据、所述检查数据提取所述患者的特征集数据。
在一个实施例中,如上文所述,以肝损伤鉴别作为本公开中的示例性描述,首先可确定理想态下完整肝损伤评价所需要的特征。特征集基于相关疾病诊疗指南及临床经验拆解。具体可根据已有肝损伤病历数据,向理想态中的特征进行填充,构建肝损伤的特征集合。
在一个实施例中,将基础数据、历史数据、检验数据、检查数据按照患者ID标识合并,并将数据映射到相应的特征上,假设特征全集(但不限于)为:I={a,b,c,d,e,f},其中A病历中所含有数据映射之后可为{a,b,c},B病历中所含有数据映射之后可为{b,d}。
在S206中,将所述特征集数据与阳性数据组合和阴性数据组合进行比较,确定阳性相似度集合和阴性相似度集合。
在一个实施例中,该方法还包括:通过多个历史电子病历数据构建病历相似度矩阵与用药相似度矩阵;通过包含不良反应数据的历史电子病历数据与所述病历相似度矩阵、所述用药相似度矩阵构建所述阳性数据组合;以及通过不包含不良反应数据的历史电子病历数据与所述病历相似度矩阵、所述用药相似度矩阵构建所述阴性数据组合。
具体可为:通过明确为药物性肝损伤诊断病历数据的用药行为数据特征与肝损伤鉴别相似性模型联合构成相关度阳性组合;通过明确排除药物性肝损伤诊断病历数据的用药行为数据特征与肝损伤鉴别相似性模型联合构成相关度阴性组合;
在一个实施例中,可通过明确诊断为药物性肝损伤的病历数据与病历相似度矩阵、用药相似度矩阵,构建阳性数据组合,阳性组合形式可为:{病历相似度矩阵,用药相似度矩阵,确诊的病例数据},构建阳性组合。
在一个实施例中,可通过明确诊断为药物性肝损伤的病历数据与病历相似度矩阵、用药相似度矩阵,构建阳性数据组合,阳性组合形式可为:{病历相似度矩阵,用药相似度矩阵,排除的病例数据},构建阴性组合。
在S208中,根据所述阳性相似度集合和所述阴性相似度集合确定所述患者的电子病历数据中的不良反应数据。
患者的电子病历数据与阳性相似度集合,计算药物与肝损伤鉴别模型的全局阳性相关度。通过患者的电子病历数据与阴性相似度集合,计算药物与肝损伤鉴别模型的全局阴性相关度。将所有数据汇总计算用药行为与肝损伤鉴别相似性模型的整体相关度。
在一个实施例中,将患者病历带入上文中的阳性数据组合中,输出{用药行为相似度,病例相似度,关联程度},构建阳性组合
在一个实施例中,将患者病历带入上文中的阴性数据集合中,输出{用药行为相似度,病例相似度,关联程度},构建阴性组合
在一个实施例中,将所述特征集数据与阳性数据组合和阴性数据组合进行比较,确定阳性相似度集合和阴性相似度集合包括:通过聚类算法将所述特征集数据与阳性数据组合和阴性数据组合进行比较,确定所述阳性相似度集合和所述阴性相似度集合。
根据本公开的不良反应数据鉴别方法,有效降低了输出结果的假阳性率,提升了输出结果的准确率,还能够针对该不良反应进行了多维度分析,能够有效提升信号检测的灵敏度。
通过本公开的不良反应数据鉴别方法,对患者的病例数据进行分析处理,输出的结果页面能够提供完整的结论依据及可靠性。
应清楚地理解,本公开描述了如何形成和使用特定示例,但本公开的原理不限于这些示例的任何细节。相反,基于本公开公开的内容的教导,这些原理能够应用于许多其它实施例。
图3是根据另一示例性实施例示出的一种不良反应数据鉴别方法的流程图。如图3所示的不良反应数据鉴别方法30是对“通过多个历史电子病历数据构建病历相似度矩阵与用药相似度矩阵”的详细说明。
如图3所示,在S302中,将多个历史数据中的基础数据、历史数据、检验数据、检查数据、用药数据与预定特征集数据进行对比,生成多个历史特征集数据。
可将历史数据按照患者ID标识合并,并将数据映射到相应的特征上,假设病历特征全集为:I={a,b,c,d,e,f},其中A病历中所含有特征为{a,b,c},B病历所含特征为{b,d},C病历所含的特征为{a,d},D病历所含的特征为{a,b,e}。
可将历史数据按照患者ID标识合并,并将数据映射到相应的特征上,可将读取的药品名称归一结构化成为标准通用名称,然后获取用药科室、用药医嘱类型、执行开始时间、执行结束时间、使用剂量等信息,将以上信息聚合成为药品-剂量-使用时间的用药行为数据。假设用药特征全集为:I={g,h,i,j,k,l},其中A病历中所含有特征为{g,k,l},B病历所含特征为{h,k},C病历所含的特征为{i,l},D病历所含的特征为{g,h,i}。
在S304中,基于所述基础数据、所述历史数据、所述检验数据、所述检查数据计算多个历史特征集数据中每两个历史特征集数据之间的病历相似度,以构建所述病历相似度矩阵。
可例如A病历与B病历之间的病历特征集矩阵,k11表示病历A与病历B的共同病历特征信息{b},k12表示病历A第一病历信息{a,c},k21表示病历B第二病历信息{d},k22表示病历A与病历B的共同病历非特征信息{e,f}。
通过计算病历A与病历B之间的熵,进而确定病历A与病历B的相似度。通过N份病历之间的病历相似度,可构建病历相似度矩阵。
在S306中,基于所述用药数据计算多个历史特征集数据中每两个历史特征集数据之间的用药相似度,以构建所述用药相似度矩阵。通过计算病历A与病历B之间的熵,进而确定病历A与病历B的相似度。通过N份病历之间的相似度,可构建
假设用药特征全集为:I={g,h,i,j,k,l},其中A病历中所含有特征为{g,k,l},B病历所含特征为{h,k},C病历所含的特征为{i,l},D病历所含的特征为{g,h,i}。
可例如A病历与B病历之间的特征集矩阵,k11表示病历A与病历B的共同用药特征信息{k},k12表示病历A第一用药信息{g,l},k21表示病历B第二用药信息{h},k22表示病历A与病历B的共同用药非特征信息{g,h,l}。
通过计算病历A与病历B之间的熵,进而确定病历A与病历B的用药相似度。通过N份病历之间的用药相似度,可构建用药相似度矩阵。
图4是根据另一示例性实施例示出的一种不良反应数据鉴别方法的流程图。如图4所示的不良反应数据鉴别方法40是对图3中“基于所述基础数据、所述历史数据、所述检验数据、所述检查数据计算多个历史特征集数据中每两个历史特征集数据之间的病历相似度,以构建所述病历相似度矩阵”的详细说明。
如图4所示,在S402中,通过两个待计算的历史特征集数据生成共同病历特征集、第一病历特有集、第二病历特有集、共同病历非特征集。
在S404中,通过所述共同病历特征集、所述第一病历特有集、所述第二病历特有集、所述共同病历非特征集确定两个待计算的历史特征集数据的第一病历条件熵。
在S406中,通过所述共同病历特征集、所述第一病历特有集、所述第二病历特有集、所述共同病历非特征集确定两个待计算的历史特征集数据的第二病历条件熵。
在S408中,通过所述第一病历条件熵与所述第二病历条件熵确定病历矩阵熵。
在S410中,通过所述病历矩阵熵确定两个待计算的历史特征集数据的病历相似度。
其中,k11表示病历A与病历B的共同特征信息{b},k12表示病历A特有信息{a,c},k21表示病历B特有信息{d},k22表示病历A与病历B的共同非特征信息,信息{e,f}
全特征集变量N=k11+k12+k21+k22
相似度的具体计算步骤可如下:
以病历A的病历特征信息与非病历特征信息计算条件熵:
以病历B的病历特征信息与非病历特征信息计算条件熵:
计算HA和HB的矩阵熵:
计算相似度:
A&B Similarity=2*(matrixA&B-HA-HB)
上文仅以病历相似度计算为例进行说明,用药行为相似度矩阵的构建与病历相似度计算相同,本申请在此不再赘述。
本领域技术人员可以理解实现上述实施例的全部或部分步骤被实现为由CPU执行的计算机程序。在该计算机程序被CPU执行时,执行本公开提供的上述方法所限定的上述功能。所述的程序可以存储于一种计算机可读存储介质中,该存储介质可以是只读存储器,磁盘或光盘等。
此外,需要注意的是,上述附图仅是根据本公开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。
下述为本公开装置实施例,可以用于执行本公开方法实施例。对于本公开装置实施例中未披露的细节,请参照本公开方法实施例。
图5是根据一示例性实施例示出的一种不良反应数据鉴别装置的框图。不良反应数据鉴别装置50包括:数据模块502,特征模块504,比较模块506,以及判断模块508。
数据模块502用于由患者的电子病历数据中提取基础数据、历史数据、检验数据、检查数据、用药数据;其中,所述患者数据可来源于经过严格脱敏处理的医院电子病历系统,脱敏处理在本实施例中指的是对患者用户的个人敏感信息进行数据脱敏处理。
特征模块504用于通过所述基础数据、所述历史数据、所述检验数据、所述检查数据提取所述患者的特征集数据;首先可确定理想态下完整肝损伤评价所需要的特征。特征集基于相关疾病诊疗指南及临床经验拆解。具体可根据已有肝损伤病历数据,向理想态中的特征进行填充,构建肝损伤的特征集合。
比较模块506用于将所述特征集数据与阳性数据组合和阴性数据组合进行比较,确定阳性相似度集合和阴性相似度集合;比较模块506还包括相似度构建单元,用于通过多个历史电子病历数据构建病历相似度矩阵与用药相似度矩阵;通过包含不良反应数据的历史电子病历数据与所述病历相似度矩阵、所述用药相似度矩阵构建所述阳性数据组合;以及通过不包含不良反应数据的历史电子病历数据与所述病历相似度矩阵、所述用药相似度矩阵构建所述阴性数据组合。
判断模块508用于根据所述阳性相似度集合和所述阴性相似度集合确定所述患者的电子病历数据中的不良反应数据。患者的电子病历数据与阳性相似度集合,计算药物与肝损伤鉴别模型的全局阳性相关度。通过患者的电子病历数据与阴性相似度集合,计算药物与肝损伤鉴别模型的全局阴性相关度。将所有数据汇总计算用药行为与肝损伤鉴别相似性模型的整体相关度。
根据本公开的不良反应数据鉴别装置,有效降低了输出结果的假阳性率,提升了输出结果的准确率,还能够针对该不良反应进行了多维度分析,能够有效提升信号检测的灵敏度。
图6是根据一示例性实施例示出的一种电子设备的框图。
下面参照图6来描述根据本公开的这种实施方式的电子设备200。图6显示的电子设备200仅仅是一个示例,不应对本公开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200以通用计算设备的形式表现。电子设备200的组件可以包括但不限于:至少一个处理单元210、至少一个存储单元220、连接不同系统组件(包括存储单元220和处理单元210)的总线230、显示单元240等。
其中,所述存储单元存储有程序代码,所述程序代码可以被所述处理单元210执行,使得所述处理单元210执行本说明书上述电子处方流转处理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,所述处理单元210可以执行如图2,图3,图4中所示的步骤。
所述存储单元220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)2201和/或高速缓存存储单元2202,还可以进一步包括只读存储单元(ROM)2203。
所述存储单元220还可以包括具有一组(至少一个)程序模块2205的程序/实用工具2204,这样的程序模块2205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230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200也可以与一个或多个外部设备300(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200交互的设备通信,和/或与使得该电子设备200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250进行。并且,电子设备200还可以通过网络适配器260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。网络适配器260可以通过总线230与电子设备200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200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、或者网络设备等)执行根据本公开实施方式的上述方法。
图7示意性示出本公开示例性实施例中一种计算机可读存储介质示意图。
参考图7所示,描述了根据本公开的实施方式的用于实现上述方法的程序产品400,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,并可以在终端设备,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。
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。
所述计算机可读存储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。可读存储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。可读存储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,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)。
上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被一个该设备执行时,使得该计算机可读介质实现如下功能:由患者的电子病历数据中提取基础数据、历史数据、检验数据、检查数据、用药数据;通过所述基础数据、所述历史数据、所述检验数据、所述检查数据提取所述患者的特征集数据;将所述特征集数据与阳性数据组合和阴性数据组合进行比较,确定阳性相似度集合和阴性相似度集合;以及根据所述阳性相似度集合和所述阴性相似度集合确定所述患者的电子病历数据中的不良反应数据。
本领域技术人员可以理解上述各模块可以按照实施例的描述分布于装置中,也可以进行相应变化唯一不同于本实施例的一个或多个装置中。上述实施例的模块可以合并为一个模块,也可以进一步拆分成多个子模块。
通过以上的实施例的描述,本领域的技术人员易于理解,这里描述的示例实施例可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本公开实施例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、移动终端、或者网络设备等)执行根据本公开实施例的方法。
以上具体地示出和描述了本公开的示例性实施例。应可理解的是,本公开不限于这里描述的详细结构、设置方式或实现方法;相反,本公开意图涵盖包含在所附权利要求的精神和范围内的各种修改和等效设置。
此外,本说明书说明书附图所示出的结构、比例、大小等,均仅用以配合说明书所公开的内容,以供本领域技术人员了解与阅读,并非用以限定本公开可实施的限定条件,故不具技术上的实质意义,任何结构的修饰、比例关系的改变或大小的调整,在不影响本公开所能产生的技术效果及所能实现的目的下,均应仍落在本公开所公开的技术内容得能涵盖的范围内。同时,本说明书中所引用的如“上”、“第一”、“第二”及“一”等的用语,也仅为便于叙述的明了,而非用以限定本公开可实施的范围,其相对关系的改变或调整,在无实质变更技术内容下,当也视为本公开可实施的范畴。
Claims (9)
1.一种不良反应数据鉴别方法,其特征在于,包括:
由患者的电子病历数据中提取基础数据、历史数据、检验数据、检查数据、用药数据;
通过所述基础数据、所述历史数据、所述检验数据、所述检查数据提取所述患者的特征集数据;
将所述特征集数据与阳性数据组合和阴性数据组合进行比较,确定阳性相似度集合和阴性相似度集合;以及
根据所述阳性相似度集合和所述阴性相似度集合确定所述患者的电子病历数据中的不良反应数据;
其中,所述方法还包括:
通过多个历史电子病历数据构建病历相似度矩阵与用药相似度矩阵;
通过包含不良反应数据的历史电子病历数据与所述病历相似度矩阵、所述用药相似度矩阵构建所述阳性数据组合;以及
通过不包含不良反应数据的历史电子病历数据与所述病历相似度矩阵、所述用药相似度矩阵构建所述阴性数据组合。
2.如权利要求1所述的方法,其特征在于,由患者的电子病历数据中提取基础数据、历史数据、检验数据、检查数据、用药数据还包括:
通过不良反应数据库对所述病历数据中的检验数据与检查数据进行筛选以剔除正常数据。
3.如权利要求1所述的方法,其特征在于,将所述特征集数据与阳性数据组合和阴性数据组合进行比较,确定阳性相似度集合和阴性相似度集合包括:
通过聚类算法将所述特征集数据与阳性数据组合和阴性数据组合进行比较,确定所述阳性相似度集合和所述阴性相似度集合。
4.如权利要求1所述的方法,其特征在于,通过多个历史电子病历数据构建病历相似度矩阵与用药相似度矩阵包括:
将多个历史数据中的基础数据、历史数据、检验数据、检查数据、用药数据与预定特征集数据进行对比,生成多个历史特征集数据;
基于所述基础数据、所述历史数据、所述检验数据、所述检查数据计算多个历史特征集数据中每两个历史特征集数据之间的病历相似度,以构建所述病历相似度矩阵;
基于所述用药数据计算多个历史特征集数据中每两个历史特征集数据之间的用药相似度,以构建所述用药相似度矩阵。
5.如权利要求4所述的方法,其特征在于,基于所述基础数据、所述历史数据、所述检验数据、所述检查数据计算多个历史特征集数据中每两个历史特征集数据之间的病历相似度包括:
通过两个待计算的历史特征集数据生成共同病历特征集、第一病历特有集、第二病历特有集、共同病历非特征集;
通过所述共同病历特征集、所述第一病历特有集、所述第二病历特有集、所述共同病历非特征集确定两个待计算的历史特征集数据的第一病历条件熵;
通过所述共同病历特征集、所述第一病历特有集、所述第二病历特有集、所述共同病历非特征集确定两个待计算的历史特征集数据的第二病历条件熵;
通过所述第一病历条件熵与所述第二病历条件熵确定病历矩阵熵;以及
通过所述病历矩阵熵确定两个待计算的历史特征集数据的病历相似度。
6.如权利要求4所述的方法,其特征在于,基于所述用药数据计算多个历史特征集数据中每两个历史特征集数据之间的用药相似度包括:
将两个待计算的历史特征集数据中的用药数据中的药品、计量与时间分别相关联;
通过关联之后的两个待计算的用药数据生成共同用药特征集、第一用药特有集、第二用药特有集、共同用药非特征集;
通过所述共同用药特征集、所述第一用药特有集、所述第二用药特有集、所述共同用药非特征集确定两个待计算的历史特征集数据的第一用药条件熵;
通过所述共同用药特征集、所述第一用药特有集、所述第二用药特有集、所述共同用药非特征集确定两个待计算的历史特征集数据的第二用药条件熵;
通过所述第一用药条件熵与所述第二用药条件熵确定用药矩阵熵;以及
通过所述用药矩阵熵确定两个待计算的历史特征集数据的用药相似度。
7.一种不良反应数据鉴别装置,其特征在于,包括:
数据模块,用于由患者的电子病历数据中提取基础数据、历史数据、检验数据、检查数据、用药数据;
特征模块,用于通过所述基础数据、所述历史数据、所述检验数据、所述检查数据提取所述患者的特征集数据;
比较模块,用于将所述特征集数据与阳性数据组合和阴性数据组合进行比较,确定阳性相似度集合和阴性相似度集合;以及
判断模块,用于根据所述阳性相似度集合和所述阴性相似度集合确定所述患者的电子病历数据中的不良反应数据;
其中,所述比较模块还用于:通过多个历史电子病历数据构建病历相似度矩阵与用药相似度矩阵;通过包含不良反应数据的历史电子病历数据与所述病历相似度矩阵、所述用药相似度矩阵构建所述阳性数据组合;通过不包含不良反应数据的历史电子病历数据与所述病历相似度矩阵、所述用药相似度矩阵构建所述阴性数据组合。
8.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-6中任一所述的方法。
9.一种计算机可读介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现如权利要求1-6中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811624746.4A CN111383725B (zh) | 2018-12-28 | 2018-12-28 | 不良反应数据鉴别方法、装置、电子设备及可读介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811624746.4A CN111383725B (zh) | 2018-12-28 | 2018-12-28 | 不良反应数据鉴别方法、装置、电子设备及可读介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111383725A CN111383725A (zh) | 2020-07-07 |
CN111383725B true CN111383725B (zh) | 2023-04-28 |
Family
ID=71216376
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811624746.4A Active CN111383725B (zh) | 2018-12-28 | 2018-12-28 | 不良反应数据鉴别方法、装置、电子设备及可读介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111383725B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112382413A (zh) * | 2020-12-09 | 2021-02-19 | 温州市人民医院 | 关于联合用药不良反应的检测方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2001290888A1 (en) * | 2000-09-14 | 2002-06-13 | The Board Of Trustees Of The Leland Stanford Junior University | Assessing the condition of a joint and devising treatment |
CN104599214A (zh) * | 2015-01-09 | 2015-05-06 | 中国人民解放军第四军医大学 | 医学美容病案管理系统 |
GB2537925A (en) * | 2015-04-30 | 2016-11-02 | Fujitsu Ltd | A similarity-computation apparatus, a side effect determining apparatus and a system for calculating similarities between drugs and using the similarities |
CN106803022A (zh) * | 2017-01-25 | 2017-06-06 | 济南德健信息技术有限公司 | 一种基于电子病历的合理用药监测方法 |
CN106997421A (zh) * | 2016-01-25 | 2017-08-01 | 清华大学 | 个性化医疗信息采集和健康监测的智能系统和方法 |
CN107818169A (zh) * | 2017-11-13 | 2018-03-20 | 医渡云(北京)技术有限公司 | 电子病历检索方法及装置、电子病历存储方法及装置 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2001290888B8 (en) * | 2000-09-14 | 2007-07-26 | The Board Of Trustees Of The Leland Stanford Junior University | Assessing the condition of a joint and devising treatment |
CN103488890A (zh) * | 2013-09-18 | 2014-01-01 | 万达信息股份有限公司 | 一种基于朴素贝叶斯的患者药物不良反应预警方法和系统 |
US20170116376A1 (en) * | 2015-10-22 | 2017-04-27 | International Business Machines Corporation | Prediction of adverse drug events |
CN106055879A (zh) * | 2016-05-24 | 2016-10-26 | 北京千安哲信息技术有限公司 | 药物不良反应挖掘方法和系统 |
CN107341338B (zh) * | 2017-06-02 | 2019-09-06 | 广州市品毅信息科技有限公司 | 药品不良反应率处理方法、装置、计算机设备和存储介质 |
CN108376567B (zh) * | 2018-01-05 | 2022-04-01 | 大连大学 | 一种基于标签传播算法的临床药品-药品不良反应检测方法 |
CN108630322B (zh) * | 2018-04-27 | 2020-08-14 | 厦门大学 | 药物相互作用建模与风险评估方法、终端设备及存储介质 |
CN108447534A (zh) * | 2018-05-18 | 2018-08-24 | 灵玖中科软件(北京)有限公司 | 一种基于nlp的电子病历数据质量管理方法 |
-
2018
- 2018-12-28 CN CN201811624746.4A patent/CN111383725B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2001290888A1 (en) * | 2000-09-14 | 2002-06-13 | The Board Of Trustees Of The Leland Stanford Junior University | Assessing the condition of a joint and devising treatment |
CN104599214A (zh) * | 2015-01-09 | 2015-05-06 | 中国人民解放军第四军医大学 | 医学美容病案管理系统 |
GB2537925A (en) * | 2015-04-30 | 2016-11-02 | Fujitsu Ltd | A similarity-computation apparatus, a side effect determining apparatus and a system for calculating similarities between drugs and using the similarities |
CN106997421A (zh) * | 2016-01-25 | 2017-08-01 | 清华大学 | 个性化医疗信息采集和健康监测的智能系统和方法 |
CN106803022A (zh) * | 2017-01-25 | 2017-06-06 | 济南德健信息技术有限公司 | 一种基于电子病历的合理用药监测方法 |
CN107818169A (zh) * | 2017-11-13 | 2018-03-20 | 医渡云(北京)技术有限公司 | 电子病历检索方法及装置、电子病历存储方法及装置 |
Non-Patent Citations (2)
Title |
---|
刘翠丽 ; 夏东胜 ; .我国基本药物不良反应监测实践与药品的风险管理.中国药物警戒.2014,(第10期),全文. * |
唐甜甜 ; 郭立新 ; .肠促胰素类药物的不良反应.药品评价.2013,(第11期),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN111383725A (zh) | 2020-07-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20150286783A1 (en) | Peer group discovery for anomaly detection | |
US20190304604A1 (en) | Computer-implemented system and method for guided assessments on medication effects | |
CN111383761B (zh) | 医疗数据分析方法、装置、电子设备及计算机可读介质 | |
Evans et al. | Automated classification of primary care patient safety incident report content and severity using supervised machine learning (ML) approaches | |
Andow et al. | Uiref: analysis of sensitive user inputs in android applications | |
Neubert et al. | E‐pharmacovigilance: development and implementation of a computable knowledge base to identify adverse drug reactions | |
US11887706B1 (en) | Bit vector record linkage | |
US20180210925A1 (en) | Reliability measurement in data analysis of altered data sets | |
CN108090351A (zh) | 用于处理请求消息的方法和装置 | |
CN109522705B (zh) | 一种权限管理方法、装置、电子设备及介质 | |
USRE49865E1 (en) | Reconciliation of data across distinct feature sets | |
CN111180086A (zh) | 数据匹配方法、装置、计算机设备和存储介质 | |
CN111598122B (zh) | 数据校验方法、装置、电子设备和存储介质 | |
CN111383726B (zh) | 电子病历数据处理方法、装置、电子设备及可读介质 | |
Bhattacharya et al. | Using social media data in routine pharmacovigilance: a pilot study to identify safety signals and patient perspectives | |
Qiu et al. | Estimating disease burden using Internet data | |
Mayampurath et al. | External validation of an acute respiratory distress syndrome prediction model using radiology reports | |
CN111383725B (zh) | 不良反应数据鉴别方法、装置、电子设备及可读介质 | |
CN114595765A (zh) | 数据处理方法、装置、电子设备及存储介质 | |
Saad et al. | Predicting death risk analysis in fully vaccinated people using novel extreme regression-voting classifier | |
CN109545319B (zh) | 基于知识关系分析的处方告警方法及终端设备 | |
CN111563527A (zh) | 异常事件检测方法以及装置 | |
CN111008275A (zh) | 数据挖掘方法及装置、存储介质及电子终端 | |
CN113821641B (zh) | 基于权重分配的药品分类的方法、装置、设备及存储介质 | |
CN114724693A (zh) | 异常诊疗行为的检测方法及装置、电子设备和存储介质 |
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 |