CN111383754A - 医疗决策方法、医疗决策装置、电子设备及存储介质 - Google Patents
医疗决策方法、医疗决策装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN111383754A CN111383754A CN201811624481.8A CN201811624481A CN111383754A CN 111383754 A CN111383754 A CN 111383754A CN 201811624481 A CN201811624481 A CN 201811624481A CN 111383754 A CN111383754 A CN 111383754A
- Authority
- CN
- China
- Prior art keywords
- data
- target object
- decision result
- information
- audited
- 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
- 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
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- 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
-
- 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)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Pathology (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决策方法、医疗决策装置、电子设备及计算机可读存储介质,属于人工智能技术领域。该方法包括:获取目标对象的初始医疗信息,所述初始医疗信息包括所述目标对象的基本信息及症状信息;通过第一模型对所述初始医疗信息进行处理,得到所述目标对象的中间决策结果;根据所述初始医疗信息及所述中间决策结果生成所述目标对象的特征数据;通过第二模型对所述特征数据进行处理,得到所述目标对象的最终决策结果。本公开可以提高医疗决策结果的准确性,实现医疗决策过程的智能化。
Description
技术领域
本公开涉及人工智能技术领域,尤其涉及一种医疗决策方法、医疗决策装置、电子设备及计算机可读存储介质。
背景技术
近年来,人工智能技术在医疗领域得到了广泛的应用,例如在数据检测、临床辅助、影像分析以及病变预测等方面都得到了极大的发展,其中,人工智能技术最重要的应用之一是进行医疗决策,通过机器帮助医生做出准确的医疗决策,以得到最优的治疗方案。
现有的医疗决策方法大多依赖于已有的知识库,将患者的医疗信息输入知识库中,通过查找与其匹配的医疗特征信息,最终得到判断结果。然而,在实际应用中,获取的判断结果通常比较单一,例如只能对医疗信息进行定性分析,得到诸如“阴性”或“阳性”的判断结果,而难以得到更加具体的判断内容。并且,判断结果的准确性极大地依赖于知识库信息是否丰富,鉴于知识库无法涵盖医疗领域的各个方面,导致判断结果普遍存在局限性的问题,影响其准确性。
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决策方法、医疗决策装置、电子设备及计算机可读存储介质,进而至少在一定程度上克服现有的医疗决策结果信息单一且准确性较低的问题。
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。
根据本公开的一个方面,提供一种医疗决策方法,包括:获取目标对象的初始医疗信息,所述初始医疗信息包括所述目标对象的基本信息及症状信息;通过第一模型对所述初始医疗信息进行处理,得到所述目标对象的中间决策结果;根据所述初始医疗信息及所述中间决策结果生成所述目标对象的特征数据;通过第二模型对所述特征数据进行处理,得到所述目标对象的最终决策结果。
在本公开的一种示例性实施例中,所述方法还包括:从所述最终决策结果中提取待审核数据;对所述待审核数据进行审核处理,得到所述最终决策结果是否通过审核的结果。
在本公开的一种示例性实施例中,所述对所述待审核数据进行审核处理,得到所述最终决策结果是否通过审核的结果包括:根据所述待审核数据查找与所述待审核数据对应的审核条件;如果所述待审核数据满足所述审核条件,则确定所述最终决策结果审核通过。
在本公开的一种示例性实施例中,所述待审核数据包括多个维度的待审核数据;所述根据所述待审核数据查找与所述待审核数据对应的审核条件包括:分别查找所述多个维度中每个维度的待审核数据对应的审核条件;所述如果所述待审核数据满足所述审核条件,则确定所述最终决策结果审核通过包括:如果所述每个维度的待审核数据都满足所述待审核数据对应的审核条件,则确定所述最终决策结果审核通过。
在本公开的一种示例性实施例中,所述根据所述初始医疗信息及所述中间决策结果生成所述目标对象的特征数据包括:提供与所述中间决策结果相关的特征信息;响应于针对所述特征信息的外部指令,根据所述初始医疗信息以及所述外部指令对应的所述特征信息生成所述目标对象的特征数据。
在本公开的一种示例性实施例中,在获取目标对象的初始医疗信息之后,所述方法还包括:获取所述初始医疗信息的多个关键词,并基于所述多个关键词,生成多个关键词组合;根据所述多个关键词组合得到所述目标对象的初始信息向量;所述通过第一模型对所述初始医疗信息进行处理,得到所述目标对象的中间决策结果包括:通过第一模型对所述初始信息向量进行处理,得到所述目标对象的中间决策结果。
在本公开的一种示例性实施例中,所述通过第二模型对所述特征数据进行处理,得到所述目标对象的最终决策结果包括:通过第二模型对所述特征数据进行处理,得到与所述目标对象匹配的多个候选决策结果以及所述候选决策结果的匹配概率;将所述多个候选决策结果按照所述匹配概率从高到底的顺序呈现,并响应于选择指令,从所述多个候选决策结果中确定所述最终决策结果。
根据本公开的一个方面,提供一种医疗决策装置,包括:信息获取模块,用于获取目标对象的初始医疗信息,所述初始医疗信息包括所述目标对象的基本信息及症状信息;第一处理模块,用于通过第一模型对所述初始医疗信息进行处理,得到所述目标对象的中间决策结果;数据生成模块,用于根据所述初始医疗信息及所述中间决策结果生成所述目标对象的特征数据;第二处理模块,用于通过第二模型对所述特征数据进行处理,得到所述目标对象的最终决策结果。
根据本公开的一个方面,医疗决策装置还可以包括:数据提取模块,用于从所述最终决策结果中提取待审核数据;审核处理模块,用于对待审核数据进行审核处理,得到所述最终决策结果是否通过审核的结果。
根据本公开的一个方面,审核处理模块包括:条件查找单元,用于根据待审核数据查找与所述待审核数据对应的审核条件;审核判断单元,用于如果所述待审核数据满足所述审核条件,则确定所述最终决策结果审核通过。
根据本公开的一个方面,所述待审核数据可以包括多个维度的待审核数据,条件查找单元可以用于分别查找所述多个维度中每个维度的待审核数据对应的审核条件;审核判断单元可以用于如果所述每个维度的待审核数据都满足所述待审核数据对应的审核条件,则确定所述最终决策结果审核通过。
根据本公开的一个方面,数据生成模块可以包括:信息提供单元,用于提供与所述中间决策结果相关的特征信息;外部指令响应单元,用于响应于针对所述特征信息的外部指令,根据所述初始医疗信息以及所述外部指令对应的特征信息生成所述目标对象的特征数据。
根据本公开的一个方面,医疗决策装置可以包括:关键词组合生成模块,用于获取所述初始医疗信息的多个关键词,并基于所述多个关键词,生成多个关键词组合;向量获得模块,用于根据所述多个关键词组合得到目标对象的初始信息向量;第一处理模块可以用于通过第一模型对所述初始信息向量进行处理,得到所述目标对象的中间决策结果。
根据本公开的一个方面,第二处理模块可以包括:概率获得单元,用于通过第二模型对所述特征数据进行处理,得到与所述目标对象匹配的多个候选决策结果以及所述候选决策结果的匹配概率;决策确定单元,用于将所述多个候选决策结果按照所述匹配概率从高到底的顺序呈现,并响应于选择指令,从所述多个候选决策结果中确定所述最终决策结果。
根据本公开的一个方面,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意一项所述的方法。
根据本公开的一个方面,提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述任意一项所述的方法。
本公开的示例性实施例具有以下有益效果:
通过第一模型对获取的目标对象的初始医疗信息进行处理,得到中间决策结果,再根据初始医疗信息以及中间决策结果生成目标对象的特征数据,通过第二模型对其进行处理,得到最终决策结果。一方面,本示例性实施例通过机器学习模型对医疗信息数据及特征数据进行处理,可以挖掘与学习患者基本信息、医疗症状特征、病症以及治疗方案之间的关联,从而突破知识库的局限性,提高医疗决策结果的准确性。另一方面,第二模型输出的最终决策结果不是单一的定性分析结果,而是针对于目标对象的具体治疗方案或治疗建议,从而丰富了医疗决策结果的内容,能够在实际应用中向医生或患者提供更多的决策支持。再一方面,本示例性实施例可以通过应用程序系统的方式完成从初始医疗信息到最终决策结果的处理过程,从而实现医疗决策的自动化与智能化,减少人力成本。
应当理解的是,以上的一般描述和后文的细节述仅是示例性和解释性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。显而易见地,下面描述中的附图仅仅是本公开的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1示出本示例性实施例中一种医疗决策方法的流程图;
图2示出本示例性实施例中医疗决策应用程序的界面示意图;
图3示出本示例性实施例中医疗决策应用程序的另一界面示意图;
图4示出本示例性实施例中一种医疗决策方法的子流程图;
图5示出本示例性实施例中医疗决策应用程序的再一界面示意图;
图6示出本示例性实施例中另一种医疗决策方法的子流程图;
图7示出本示例性实施例中一种医疗决策装置的结构框图;
图8示出本示例性实施例中一种用于实现上述方法的电子设备;
图9示出本示例性实施例中一种用于实现上述方法的计算机可读存储介质。
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。
本公开的示例性实施例首先提供了一种医疗决策方法,可用于输出医疗决策结果,其中医疗决策结果是指针对于特定患者的治疗方案或治疗建议。本示例性实施例的应用场景可以是:医生在对患者进行门诊时,通过本示例性实施例的方法做出治疗方案;患者通过客户端程序在线进行自主化的医疗诊断,得到关于自身病症的治疗建议等等。
下面结合附图1对本示例性实施例做进一步说明,如图1所示,医疗决策方法可以包括以下步骤S110~S140:
步骤S110,获取目标对象的初始医疗信息,初始医疗信息包括目标对象的基本信息及症状信息。
其中,目标对象是指需要进行医疗决策的对象,例如需要进行医疗诊断的患者等。初始医疗信息可以是关于目标对象的未经过分析的医疗原始数据,包括目标对象的基本信息或者症状信息等。基本信息可以包括患者的年龄、身高、性别等个人信息,症状信息是指患者提供的关于其病症的外在表现,例如咳嗽、气促、高热、乏力、寒颤3天、咳痰1周、体温39℃等等。另外,初始医疗信息还可以包括目标对象的基本信息与症状信息以外的信息,例如目标对象的个人病史、家族病史或者婚育史等等,本公开对此不做具体限定。
在本示例性实施例中,医生或患者可以将患者完整的初始医疗信息输入到系统中,也可以将患者的部分信息输入到系统中,使系统通过在数据库中查找该患者的其他信息,以得到完整的初始医疗信息。
步骤S120,通过第一模型对初始医疗信息进行处理,得到目标对象的中间决策结果。
其中,中间决策结果可以是关于初始医疗信息作出的初步判断,例如患者患病的名称、类型、原因等判断结果。在本示例性实施例中,系统可以通过第一模型,根据初始医疗信息,得到目标对象的中间决策结果。第一模型可以是机器学习模型,例如神经网络模型、随机森林模型、支持向量机模型或者逻辑回归模型等。图2示出了一种医疗决策的应用程序中输出中间决策结果的界面示意图,如图2所示,通过对患者的主诉及现病史(反复咳嗽、咳痰、气促2年等)进行分析处理,可以判断该患者所患疾病为肺炎的中间决策结果,即初步诊断结果为肺炎。
在本示例性实施例中,可以从历史病例中提取训练第一模型所需的样本数据,其中,历史病例中患者的初始医疗信息为第一模型的样本输入数据,病症名称、类型等为样本输入数据对应的标签,将样本输入数据输入到第一模型中,输出病症名称、类型等中间决策结果,通过迭代调整模型参数,可以使输出的中间决策结果越来越接近样本输入数据对应的标签,直到模型的准确率达到一定的标准,可以认为训练完成,得到可以实际应用的第一模型。
在一示例性实施例中,为了便于第一模型对初始医疗信息进行识别与处理,可以对初始医疗信息进行预处理,预处理可以包括对初始医疗信息进行筛选,去除其中的无用信息,或者对初始医疗信息进行统一的格式转换,例如根据预先定义的规则进行数值化转换,或者根据预先确定的信息维度将初始医疗信息转换为向量等,本公开对此不做特别限定。然后可以将预处理后的初始医疗信息输入到第一模型中,得到目标对象的中间决策结果。
步骤S130,根据初始医疗信息及中间决策结果生成目标对象的特征数据。
其中,特征数据是全面反映目标对象患病状况的信息数据,相比于初始医疗信息,特征数据通常具有更加丰富的信息维度、更加深入的信息特征。基于初始医疗信息与中间决策结果,可以对目标对象的患病状况的信息做进一步挖掘,以得到特征数据。举例说明,可以将患者的年龄、性别、个人病史等初始医疗信息与患者所患病症的名称、病症类型等中间决策结果进行组合或拼接,得到该患者的特征数据。考虑到相同的初始医疗信息可能对应不同的中间决策结果,例如,症状信息“咳嗽”、“头晕”可能确定的中间决策结果有“肺炎”、“感冒”、“支气管炎”等,也可以将患者的初始医疗信息、中间决策结果以及初始医疗信息与各中间决策结果对应的概率进行特征组合,得到特征数据,例如特征数据可以是某患者的年龄、性别、个人病史和患者可能患有“感冒”、“肺炎”、“支气管炎”,以及该患者患“感冒”的概率为20%,患“肺炎”的概率为40%,患“支气管炎”的概率为70%。另外,由于某些病症较为复杂,病理潜伏期较长,难以在患病初期进行确诊,可以将患者的初始医疗信息、预测的中间决策结果,以及各中间决策结果能够被确诊的观察时间进行特征组合,得到特征数据,例如某患者感到“咳嗽”、“头晕”,三天后进行诊断,特征数据可以包括该患者的初始医疗信息,以及可能患“感冒”、观察时间2天,可能患“肺炎”、观察时间1周等。
步骤S140,通过第二模型对特征数据进行处理,得到目标对象的最终决策结果。
其中,最终决策结果是系统针对于目标对象所做出的治疗方案或治疗建议,可以包括用药方案、医疗检查方案、数据监测方案、手术方案等。图3示出了医疗决策应用程序中确定最终决策结果的界面示意图,如图3所示,系统通过对患者的特征数据进行分析,可以得到该患者的相关治疗建议,包括药物及手术等多种治疗方法,即为针对于该患者的最终决策结果。在本示例性实施例中,对特征数据的分析可以通过第二模型完成,第二模型可以是机器学习模型,其可以与第一模型的类型相同,也可以不同。训练过程与第一模型类似,可以从历史病例中提取患者的特征数据,作为样本输入数据,将患者最终的治疗方案作为样本输入数据对应的标签,利用样本输入数据及其标签训练并得到第二模型。
基于上述说明,在本示例性实施例中,通过第一模型对获取的目标对象的初始医疗信息进行处理,得到中间决策结果,再根据初始医疗信息以及中间决策结果生成目标对象的特征数据,通过第二模型对其进行处理,得到最终决策结果。一方面,本示例性实施例通过机器学习模型对医疗信息数据及特征数据进行处理,可以挖掘与学习患者基本信息、医疗症状特征、病症以及治疗方案之间的关联,从而突破知识库的局限性,提高医疗决策结果的准确性。另一方面,第二模型输出的最终决策结果不是单一的定性分析结果,而是针对于目标对象的具体治疗方案或治疗建议,从而丰富了医疗决策结果的内容,能够在实际应用中向医生或患者提供更多的决策支持。再一方面,本示例性实施例可以通过应用程序系统的方式完成从初始医疗信息到最终决策结果的处理过程,从而实现医疗决策的自动化与智能化,减少人力成本。
系统输出的最终决策结果可能具有一定的风险,或者与患者的需求不符,例如患者希望进行保守治疗,最终决策结果为激进治疗的方案。鉴于这些情况,在一示例性实施例中,参考图4所示,医疗决策方法还可以包括以下步骤:
步骤S410,从最终决策结果中提取待审核数据;
步骤S420,对待审核数据进行审核处理,得到最终决策结果是否通过审核的结果。
其中,待审核数据用于表征最终决策结果中需要审核的信息,例如最终决策结果为使用某种药品时,待审核数据可以是最终决策结果中该种药品的剂量、适用年龄、用药频次、用药时长等;或者最终决策结果为做皮试或外科治疗手段时,待审核数据可以是过敏测试数据、外科治疗与患者的相符性的判断数据等。在一示例性实施例中,可以从最终决策结果与目标对象的初始医疗信息中共同提取待审核数据,例如提取药品用量数据与患者年龄数据,以审核药品用量是否符合该患者的年龄。图5示出了医疗决策应用程序的审核界面示意图,患者的治疗方案中包含了阿司匹林肠溶片、琥珀酸美托洛尔缓释片等多种药物,图5标明了各种药品的具体信息,包括剂量、频率、疗程等,审核区域列出了关于药品的审核内容及分析结果,包括相互作用风险、用药剂量风险以及儿童用药风险等信息,通过药品信息及各药品的审核条件进行分析,可以得到治疗方案能否通过审核的结果。
在一示例性实施例中,可以根据预设的公式对待审核数据进行计算,得到治疗失败或负作用等不良结果的风险概率,并通过为风险概率设置阈值,以判断风险概率是否过高,从而判断最终决策结果是否审核通过。
在一示例性实施例中,也可以建立用于审核的分类模型,该分类模型可以是机器学习模型,以待审核数据为输入,以审核是否通过的分类结果为输出,通过获取历史病例中成功的治疗方案与失败的治疗方案,可以提取用于训练该分类模型的样本数据,从而训练并得到该模型。
在一示例性实施例中,还可以预先确定用于审核最终决策结果的审核条件,参考图6所示,步骤S420可以包括以下步骤:
步骤S610,根据待审核数据查找与待审核数据对应的审核条件;
步骤S620,如果待审核数据满足审核条件,则确定最终决策结果审核通过。
其中,审核条件可以设置为定量条件,例如设置一审核阈值,阈值可以是具体数值或百分比等。另外,审核条件还可以根据待审核数据进行定性分析,例如待审核数据中出现包括A药品在内的多种药品时,审核条件可以是“A药品的禁忌药品搭配包括xxx”等。在本示例性实施例中,可以在预先确定的审核条件中,根据待审核数据的关键词查找与待审核数据相匹配的审核条件,如果待审核数据满足对应的审核条件,则可以确定最终决策结果审核通过。
进一步的,在一示例性实施例中,上述待审核数据可以包括多个维度的待审核数据,则步骤S610可以通过以下步骤实现:
分别查找多个维度中每个维度的待审核数据对应的审核条件;
相应的,步骤S620可以通过以下步骤实现:
如果每个维度的待审核数据都满足该待审核数据对应的审核条件,则确定最终决策结果审核通过。
其中,上述每个维度可以用于反映待审核数据的一个或多个方面的属性信息,例如可以是药品种类、药品使用规范、手术类型等。考虑到待审核数据的多样性,不同的待审核数据所对应的审核条件通常不同,每个维度的待审核数据分别对应各自的审核条件,例如待审核数据为药品剂量时,审核条件可以是“药品剂量低于95%”(超过95%为异常剂量);待审核数据为年龄时,审核条件可以是“年龄大于18岁”(未成年患者禁止使用)等等。
需要说明的是,同一待审核数据可以有多个对应的审核条件,例如某患者最终决策结果的待审核数据中,出现A药品、B药品、C药品,且A药品剂量为90%,则对应的审核条件可以为“A药品剂量低于95%”和“A药品的禁忌药品搭配包括B药品”等。
为了保证医疗结果的准确性,提供给患者更有保障的治疗方案。在本示例性实施例中,上述每个维度的待审核数据都满足待审核数据对应的审核条件时,系统可以确定最终决策结果的审核通过,即最终决策结果是否通过审核不仅仅依赖于某一审核条件,需要所有对应的审核条件共同确定,如果有某一审核条件不通过审核,则判断最终数据结果审核不通过。例如某患者最终决策结果中待审核数据中,患者年龄为17岁,A药品剂量为90%,对应的审核条件可以为“A药品剂量低于95%”和“年龄大于18岁”,因为年龄未达到审核条件,则可以判断该最终决策结果审核未通过。
在一示例性实施例中,步骤S130可以包括以下步骤:
提供与中间决策结果相关的特征信息;
响应于针对特征信息的外部指令,根据初始医疗信息以及外部指令对应的特征信息生成目标对象的特征数据。
其中,特征信息可以是反映中间决策结果特征的具体内容信息。在本示例性实施例中,系统可以在相关数据库(可以包括已有的知识库、电子书、历史医疗记录或互联网搜索引擎等)进行搜索,匹配得到与中间决策结果相关的特征信息,例如在现有的知识库中搜索中间决策结果的关键词,得到关于中间决策结果的论文、历史病例、词条介绍等信息。
在本示例性实施例中,特征信息可以以文本的形式展示于应用程序界面的某一区域,外部指令可以是医生或患者在该区域输入的指令,例如医生可以在其中点击或框定部分文本,确定其为与本病例相关的特征信息,系统响应于外部指令,将这部分信息筛选出来,与初始医疗信息进行关联或组合后,生成目标对象的特征数据。
在一示例性实施例中,在步骤S110之后,医疗决策方法还可以包括以下步骤:
获取初始医疗信息的多个关键词,并基于多个关键词,生成多个关键词组合;
根据多个关键词组合得到目标对象的初始信息向量;
相应的,步骤S120可以通过以下步骤实现:
通过第一模型对初始信息向量进行处理,得到目标对象的中间决策结果。
在本示例性实施例中,可以对初始医疗信息进行自然语言识别处理,提取出相关的关键词,通常情况下,初始医疗信息可以包括多个关键词,例如初始医疗信息为“A患者从xx时候开始连续咳嗽,并伴有咳痰,病史已经气促2年”,关键词可以为“咳嗽”、“咳痰”、“气促”、“2年”,B患者从xx时候开始出现高热、乏力,并且寒颤维持2天,关键词可以为“高热”、“乏力”、“2天”等。在本示例性实施例中,可以根据预定的标准将这些关键词进行组合,例如关键词“咳嗽”、“咳痰”、“气促”、“2年”在同一条病历记录里,则可以视为一组关键词组合,关键词“高热”、“乏力”、“2天”在同一条病历记录里,则可以视为另一组关键词组合。也可以在对初始医疗信息进行自然语言识别处理时,直接通过系统划分关键词组合等等。
为了方便第一模型对关键词组合进行处理,在本示例性实施例中,可以对关键词组合进行数值化处理,生成关于关键词组合的特征向量,即初始信息向量,其中,每一关键词转换的数值可以作为特征向量的一个分量。系统将初始信息向量输入第一模型进行处理,可以得到关于目标对象的中间决策结果。
考虑到同一特征数据可以对应一种或多种最终决策结果,每个最终决策结果可以看作是一个候选决策结果。在一示例性实施例中,步骤S140可以包括以下步骤:
通过第二模型对特征数据进行处理,得到与目标对象匹配的多个候选决策结果及其匹配概率;
将上述多个候选决策结果按照匹配概率从高到底的顺序呈现,并响应于选择指令,从中确定最终决策结果。
其中,匹配概率可以是通过第二模型对特征数据进行处理后,得到的每个候选决策结果是否与目标对象相匹配的概率,通常在机器学习模型中,是计算输入的数据与每个分类结果的匹配概率,将匹配概率最高的作为最终分类结果,本示例性实施例中,可以划定匹配概率的阈值,将高于该阈值的决策结果作为候选决策结果同时呈现于应用程序界面中。选择指令是指人为进行选择的操作指令,医生或患者可以根据实际情况,从候选决策结果中选择合适的最终决策结果,此时最终决策结果可能并非匹配概率最高的候选决策结果。例如如果匹配概率最高的治疗方案为化学治疗方法,而患者希望采取物理治疗方法,则可以在匹配概率的顺序排序中,寻找物理治疗方法排序为第一的治疗方法。
本公开的示例性实施例还提供了一种医疗决策装置,参照图7,该装置700可以包括,信息获取模块710,第一处理模块720,数据生成模块730及第二处理模块740。其中,信息获取模块710,用于获取目标对象的初始医疗信息,初始医疗信息包括目标对象的基本信息及症状信息;第一处理模块720,用于通过第一模型对初始医疗信息进行处理,得到目标对象的中间决策结果;数据生成模块730,用于根据初始医疗信息及中间决策结果生成目标对象的特征数据;第二处理模块740,用于通过第二模型对特征数据进行处理,得到目标对象的最终决策结果。
在一示例性实施例中,医疗决策装置还可以包括:数据提取模块,用于从最终决策结果中提取待审核数据;审核处理模块,用于对待审核数据进行审核处理,得到最终决策结果是否通过审核的结果。
在一示例性实施例中,审核处理模块可以包括:条件查找单元,用于根据待审核数据查找与待审核数据对应的审核条件;审核判断单元,用于如果待审核数据满足审核条件,则确定最终决策结果审核通过。
在一示例性实施例中,上述待审核数据可以包括多个维度的待审核数据,条件查找单元可以用于分别查找其中每个维度的待审核数据对应的审核条件;审核判断单元可以用于如果每个维度的待审核数据都满足该待审核数据对应的审核条件,则确定最终决策结果审核通过。
在一示例性实施例中,数据生成模块可以包括:信息提供单元,用于提供与中间决策结果相关的特征信息;外部指令响应单元,用于响应于针对特征信息的外部指令,根据初始医疗信息以及该外部指令对应的特征信息生成目标对象的特征数据。
在一示例性实施例中,医疗决策装置可以包括:关键词组合生成模块,用于获取初始医疗信息的多个关键词,并基于多个关键词,生成多个关键词组合;向量获得模块,用于根据多个关键词组合得到目标对象的初始信息向量;第一处理模块可以用于通过第一模型对初始信息向量进行处理,得到目标对象的中间决策结果。
在一示例性实施例中,第二处理模块可以包括:候选决策结果确定单元,用于通过第二模型对特征数据进行处理,得到与目标对象匹配的多个候选决策结果以及候选决策结果的匹配概率;最终决策结果确定单元,用于将多个候选决策结果按照匹配概率从高到底的顺序呈现,并响应于选择指令,从中确定最终决策结果。
上述各模块/单元的具体细节已经在对应的方法部分实施例中进行了详细的描述,因此此处不再赘述。
本公开的示例性实施例还提供了一种能够实现上述方法的电子设备。
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”。
下面参照图8来描述根据本公开的这种示例性实施例的电子设备800。图8显示的电子设备800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8所示,电子设备800以通用计算设备的形式表现。电子设备800的组件可以包括但不限于:上述至少一个处理单元810、上述至少一个存储单元820、连接不同系统组件(包括存储单元820和处理单元810)的总线830、显示单元840。
其中,存储单元存储有程序代码,程序代码可以被处理单元810执行,使得处理单元810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810可以执行图1或图4所示的方法步骤等。
存储单元820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)821和/或高速缓存存储单元822,还可以进一步包括只读存储单元(ROM)823。
存储单元820还可以包括具有一组(至少一个)程序模块825的程序/实用工具824,这样的程序模块825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830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800也可以与一个或多个外部设备1000(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800交互的设备通信,和/或与使得该电子设备800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850进行。并且,电子设备800还可以通过网络适配器860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860通过总线830与电子设备800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800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例的方法。
本公开的示例性实施例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,当程序产品在终端设备上运行时,程序代码用于使终端设备执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。
参考图900所示,描述了根据本公开的示例性实施例的用于实现上述方法的程序产品900,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。
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)。
此外,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。
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例,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例。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。说明书和实施例仅被视为示例性的,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 (10)
1.一种医疗决策方法,其特征在于,包括:
获取目标对象的初始医疗信息,所述初始医疗信息包括所述目标对象的基本信息及症状信息;
通过第一模型对所述初始医疗信息进行处理,得到所述目标对象的中间决策结果;
根据所述初始医疗信息及所述中间决策结果生成所述目标对象的特征数据;
通过第二模型对所述特征数据进行处理,得到所述目标对象的最终决策结果。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
从所述最终决策结果中提取待审核数据;
对所述待审核数据进行审核处理,得到所述最终决策结果是否通过审核的结果。
3.根据权利要求2所述的方法,其特征在于,所述对所述待审核数据进行审核处理,得到所述最终决策结果是否通过审核的结果包括:
根据所述待审核数据查找与所述待审核数据对应的审核条件;
如果所述待审核数据满足所述审核条件,则确定所述最终决策结果审核通过。
4.根据权利要求3所述的方法,其特征在于,所述待审核数据包括多个维度的待审核数据;所述根据所述待审核数据查找与所述待审核数据对应的审核条件包括:
分别查找所述多个维度中每个维度的待审核数据对应的审核条件;
所述如果所述待审核数据满足所述审核条件,则确定所述最终决策结果审核通过包括:
如果所述每个维度的待审核数据都满足所述待审核数据对应的审核条件,则确定所述最终决策结果审核通过。
5.根据权利要求1所述的方法,其特征在于,所述根据所述初始医疗信息及所述中间决策结果生成所述目标对象的特征数据包括:
提供与所述中间决策结果相关的特征信息;
响应于针对所述特征信息的外部指令,根据所述初始医疗信息以及所述外部指令对应的所述特征信息生成所述目标对象的特征数据。
6.根据权利要求1所述的方法,其特征在于,在获取目标对象的初始医疗信息之后,所述方法还包括:
获取所述初始医疗信息的多个关键词,并基于所述多个关键词,生成多个关键词组合;
根据所述多个关键词组合得到所述目标对象的初始信息向量;
所述通过第一模型对所述初始医疗信息进行处理,得到所述目标对象的中间决策结果包括:
通过第一模型对所述初始信息向量进行处理,得到所述目标对象的中间决策结果。
7.根据权利要求1所述的方法,其特征在于,所述通过第二模型对所述特征数据进行处理,得到所述目标对象的最终决策结果包括:
通过第二模型对所述特征数据进行处理,得到与所述目标对象匹配的多个候选决策结果以及所述候选决策结果的匹配概率;
将所述多个候选决策结果按照所述匹配概率从高到底的顺序呈现,并响应于选择指令,从所述多个候选决策结果中确定所述最终决策结果。
8.一种医疗决策装置,其特征在于,包括:
信息获取模块,用于获取目标对象的初始医疗信息,所述初始医疗信息包括所述目标对象的基本信息及症状信息;
第一处理模块,用于通过第一模型对所述初始医疗信息进行处理,得到所述目标对象的中间决策结果;
数据生成模块,用于根据所述初始医疗信息及所述中间决策结果生成所述目标对象的特征数据;
第二处理模块,用于通过第二模型对所述特征数据进行处理,得到所述目标对象的最终决策结果。
9.一种电子设备,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1-7任一项所述的方法。
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1-7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811624481.8A CN111383754B (zh) | 2018-12-28 | 2018-12-28 | 医疗决策方法、医疗决策装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811624481.8A CN111383754B (zh) | 2018-12-28 | 2018-12-28 | 医疗决策方法、医疗决策装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111383754A true CN111383754A (zh) | 2020-07-07 |
CN111383754B CN111383754B (zh) | 2023-08-08 |
Family
ID=71222806
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811624481.8A Active CN111383754B (zh) | 2018-12-28 | 2018-12-28 | 医疗决策方法、医疗决策装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111383754B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112614598A (zh) * | 2021-01-06 | 2021-04-06 | 尚林梅 | 基于大数据的医疗信息处理方法和系统 |
CN113345577A (zh) * | 2021-06-18 | 2021-09-03 | 北京百度网讯科技有限公司 | 诊疗辅助信息的生成方法、模型训练方法、装置、设备以及存储介质 |
CN113689930A (zh) * | 2021-08-26 | 2021-11-23 | 平安国际智慧城市科技股份有限公司 | 用药方案调整方法、装置、计算机设备和存储介质 |
WO2022100687A1 (zh) * | 2020-11-12 | 2022-05-19 | 医渡云(北京)技术有限公司 | 融合决策方法及装置、计算机可读存储介质及电子设备 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8515777B1 (en) * | 2010-10-13 | 2013-08-20 | ProcessProxy Corporation | System and method for efficient provision of healthcare |
US20150199488A1 (en) * | 1997-03-14 | 2015-07-16 | Best Doctors, Inc. | Systems and Methods for Interpreting Medical Information |
US20150227691A1 (en) * | 2014-02-13 | 2015-08-13 | Xerox Corporation | Methods and systems for analyzing healthcare data |
US9195801B1 (en) * | 2014-08-05 | 2015-11-24 | Heartflow, Inc. | Systems and methods for treatment planning based on plaque progression and regression curves |
US20160027339A1 (en) * | 2014-07-25 | 2016-01-28 | Dermatology Professional Educators, LLC | Providing dermatology-specific training to primary care providers |
US20160180042A1 (en) * | 2014-12-01 | 2016-06-23 | Quikflo Technologies Inc. | Decision support tool for stroke patients |
US20160239611A1 (en) * | 2015-02-17 | 2016-08-18 | Massachusetts Institute Of Technology | System and method for sepsis care task management |
JP2017117469A (ja) * | 2015-12-22 | 2017-06-29 | 国立研究開発法人理化学研究所 | リスク評価方法、リスク評価装置及びリスク評価プログラム |
US20180046773A1 (en) * | 2016-08-11 | 2018-02-15 | Htc Corporation | Medical system and method for providing medical prediction |
CN108399951A (zh) * | 2018-03-12 | 2018-08-14 | 东南大学 | 呼吸机相关性肺炎决策辅助方法、装置、设备及介质 |
CN108766560A (zh) * | 2018-05-31 | 2018-11-06 | 广州往圣生物科技有限公司 | 基于人工智能的白癜风机器人医生装置 |
CN109036544A (zh) * | 2018-05-31 | 2018-12-18 | 平安医疗科技有限公司 | 医疗信息推送方法、装置、计算机设备和存储介质 |
-
2018
- 2018-12-28 CN CN201811624481.8A patent/CN111383754B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150199488A1 (en) * | 1997-03-14 | 2015-07-16 | Best Doctors, Inc. | Systems and Methods for Interpreting Medical Information |
US8515777B1 (en) * | 2010-10-13 | 2013-08-20 | ProcessProxy Corporation | System and method for efficient provision of healthcare |
US20150227691A1 (en) * | 2014-02-13 | 2015-08-13 | Xerox Corporation | Methods and systems for analyzing healthcare data |
US20160027339A1 (en) * | 2014-07-25 | 2016-01-28 | Dermatology Professional Educators, LLC | Providing dermatology-specific training to primary care providers |
US9195801B1 (en) * | 2014-08-05 | 2015-11-24 | Heartflow, Inc. | Systems and methods for treatment planning based on plaque progression and regression curves |
US20160180042A1 (en) * | 2014-12-01 | 2016-06-23 | Quikflo Technologies Inc. | Decision support tool for stroke patients |
US20160239611A1 (en) * | 2015-02-17 | 2016-08-18 | Massachusetts Institute Of Technology | System and method for sepsis care task management |
JP2017117469A (ja) * | 2015-12-22 | 2017-06-29 | 国立研究開発法人理化学研究所 | リスク評価方法、リスク評価装置及びリスク評価プログラム |
US20180046773A1 (en) * | 2016-08-11 | 2018-02-15 | Htc Corporation | Medical system and method for providing medical prediction |
CN108399951A (zh) * | 2018-03-12 | 2018-08-14 | 东南大学 | 呼吸机相关性肺炎决策辅助方法、装置、设备及介质 |
CN108766560A (zh) * | 2018-05-31 | 2018-11-06 | 广州往圣生物科技有限公司 | 基于人工智能的白癜风机器人医生装置 |
CN109036544A (zh) * | 2018-05-31 | 2018-12-18 | 平安医疗科技有限公司 | 医疗信息推送方法、装置、计算机设备和存储介质 |
Non-Patent Citations (5)
Title |
---|
安靓等: "2016年云南省艾滋病抗病毒治疗人力现状及需要量分析", 《中国艾滋病性病》 * |
安靓等: "2016年云南省艾滋病抗病毒治疗人力现状及需要量分析", 《中国艾滋病性病》, no. 10, 26 October 2018 (2018-10-26), pages 83 - 86 * |
李鹏飞等: "基于医疗过程挖掘与患者体征的药物推荐方法", 《计算机集成制造系统》 * |
李鹏飞等: "基于医疗过程挖掘与患者体征的药物推荐方法", 《计算机集成制造系统》, no. 06, 31 December 2020 (2020-12-31), pages 228 - 238 * |
许杜鹃等: "《药学服务实务》", 31 January 2016, 中国医药科技出版社, pages: 104 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022100687A1 (zh) * | 2020-11-12 | 2022-05-19 | 医渡云(北京)技术有限公司 | 融合决策方法及装置、计算机可读存储介质及电子设备 |
CN112614598A (zh) * | 2021-01-06 | 2021-04-06 | 尚林梅 | 基于大数据的医疗信息处理方法和系统 |
CN113345577A (zh) * | 2021-06-18 | 2021-09-03 | 北京百度网讯科技有限公司 | 诊疗辅助信息的生成方法、模型训练方法、装置、设备以及存储介质 |
CN113689930A (zh) * | 2021-08-26 | 2021-11-23 | 平安国际智慧城市科技股份有限公司 | 用药方案调整方法、装置、计算机设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111383754B (zh) | 2023-08-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6542664B2 (ja) | 患者情報を臨床基準にマッチングするシステム及び方法 | |
CN111383754B (zh) | 医疗决策方法、医疗决策装置、电子设备及存储介质 | |
US11037070B2 (en) | Diagnostic test planning using machine learning techniques | |
US10541053B2 (en) | Automated clinical indicator recognition with natural language processing | |
US8214224B2 (en) | Patient data mining for quality adherence | |
US20170337334A1 (en) | Systems and Methods of Generating Medical Billing Codes | |
CN110827941B (zh) | 电子病历信息校正方法及系统 | |
CN111564223B (zh) | 传染病生存概率的预测方法、预测模型的训练方法及装置 | |
US20030149597A1 (en) | System for supporting clinical decision-making | |
US11222031B1 (en) | Determining terminologies for entities based on word embeddings | |
US20140095204A1 (en) | Automated medical cohort determination | |
WO2019000852A1 (en) | AUTOMATIC PATIENT SORTING APPARATUS AND AUTOMATIC SORTING METHOD | |
CN112635011A (zh) | 疾病诊断方法、疾病诊断系统和可读存储介质 | |
EP3955260A1 (en) | Clinical decision support | |
CN112786131A (zh) | 识别就诊信息的方法及装置、电子设备和存储介质 | |
CN111008269A (zh) | 数据处理方法及装置、存储介质及电子终端 | |
CN110471941B (zh) | 自动定位判断依据的方法、装置及电子设备 | |
CN111755090A (zh) | 病历查找方法、病历查找装置、存储介质与电子设备 | |
CN115458107A (zh) | 医疗数据的核查方法及装置、存储介质、电子设备 | |
Liu et al. | A large-scale multi-label 12-lead electrocardiogram database with standardized diagnostic statements | |
US20240203588A1 (en) | Diagnostic disease prediction and therapeutic plan recommendation system through artificial intelligence questionnaire analysis and method thereof | |
Nair et al. | Automated clinical concept-value pair extraction from discharge summary of pituitary adenoma patients | |
CN117216322A (zh) | 一种电子病历的生成方法、装置、设备及存储介质 | |
CN111370130A (zh) | 医疗数据的实时处理方法及装置、存储介质、电子设备 | |
US20230072155A1 (en) | Method and system for incorporating patient information |
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 |