CN111383761B - 医疗数据分析方法、装置、电子设备及计算机可读介质 - Google Patents
医疗数据分析方法、装置、电子设备及计算机可读介质 Download PDFInfo
- Publication number
- CN111383761B CN111383761B CN201811622954.0A CN201811622954A CN111383761B CN 111383761 B CN111383761 B CN 111383761B CN 201811622954 A CN201811622954 A CN 201811622954A CN 111383761 B CN111383761 B CN 111383761B
- Authority
- CN
- China
- Prior art keywords
- data
- test
- weight
- weights
- patient
- 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
- 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
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- 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
- G16H70/00—ICT specially adapted for the handling or processing of medical references
- G16H70/40—ICT specially adapted for the handling or processing of medical references relating to drugs, e.g. their side effects or intended usage
-
- 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)
- Public Health (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Epidemiology (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Chemical & Material Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Medicinal Chemistry (AREA)
- Pharmacology & Pharmacy (AREA)
- Toxicology (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本公开涉及一种医疗数据分析方法、装置、电子设备及计算机可读介质。该方法包括:获取患者数据;基于历史医疗数据库,确定所述患者数据与所述诊断数据的特征权重与诊断权重;建立检验数据与时间的第一关联关系,并基于所述第一关联关系确定检验数据的检验权重;建立检查数据与时间的第二关联关系,并基于所述第二关联关系确定检查数据的检查权重;以及根据所述基础数据、所述诊断数据,所述检验数据,所述检查数据,以及所述特征权重,所述诊断权重,所述检验权重,所述检查权重确定所述患者数据的药品不良反应风险值。本公开能够及时发现药品不良反应的信号,简化人工判断流程,提升药品不良反应的鉴别效率。
Description
技术领域
本公开涉及计算机信息处理领域,具体而言,涉及一种医疗数据分析方法、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。
目前,我国使用的国家药品不良反应(Adverse Drug Reaction,ADR)监测平台是基于“自发呈报”模式的系统,被动的收集来自全国医疗机构(监测主体)、药品生产厂家、经营企业的ADR病例报告。现行医疗机构内ADR监测工作主要以人工填报表单的方式来开展。而且,上市后药品的不良反应评价主要由医疗机构及药品生产企业主动上报,报告质量会取决于医疗卫生机构、药品生产企业、个体的上报积极性以及录入数据的质量等,此模式会导致药品不良反应报告漏报率高、数据差异大、呈报时间不及时等问题。报告数据差异性使得药品不良反应关联性评价结果不准确。
因此,需要一种新的医疗数据分析方法、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,本公开提供一种医疗数据分析方法、装置、电子设备及计算机可读介质,能够及时发现药品不良反应的信号,简化人工判断流程,提升药品不良反应的鉴别效率。
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,提出一种医疗数据分析方法,该方法包括:获取患者数据,所述患者数据中包括基础数据、诊断数据,检验数据,以及检查数据;基于历史医疗数据库,确定所述患者数据与所述诊断数据的特征权重与诊断权重;建立检验数据与时间的第一关联关系,并基于所述第一关联关系确定检验数据的检验权重;建立检查数据与时间的第二关联关系,并基于所述第二关联关系确定检查数据的检查权重;以及根据所述基础数据、所述诊断数据,所述检验数据,所述检查数据,以及所述特征权重,所述诊断权重,所述检验权重,所述检查权重确定所述患者数据的药品不良反应风险值。
在本公开的一种示例性实施例中,所述患者数据还包括用药时序;所述方法还包括:建立所述检验数据与所述用药时序的第三关联关系;建立所述检查数据与所述用药时序的第四关联关系;以及将所述第一关联关系,所述第二关联关系,所述第三关联关系,以及所述第四关联关系进行图形化界面展示。
在本公开的一种示例性实施例中,还包括:获取原始病历数据;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;以及通过筛选之后的原始病历数据生成所述患者数据。
在本公开的一种示例性实施例中,基于历史医疗数据库,确定所述患者数据与所述诊断数据的特征权重与诊断权重包括:将历史数据库中所有确诊的不良反应数据作为样本数据;通过所述患者数据中的特征在所述样本数据中对应的特征的比例确定所述特征权重。
在本公开的一种示例性实施例中,基于历史医疗数据库,确定所述患者数据与所述诊断数据的特征权重与诊断权重包括:基于所述历史医疗数据库获取药物不良反应字典表;通过所述诊断数据中的诊断名称与所述不良反应字典表的匹配度确定所述诊断权重。
在本公开的一种示例性实施例中,基于所述第一关联关系确定检验数据的检验权重包括:通过检验指标阈值标定所述检验数据中异常指标对应的时间;基于所述异常指标对应的时间之后的所述检验数据与所述患者数据、用药数据对所述检验数据进行筛选;以及通过筛选后的所述检验数据确定所述检验权重。
在本公开的一种示例性实施例中,根据所述基础数据、所述诊断数据,所述检验数据,所述检查数据,以及所述特征权重,所述诊断权重,所述检验权重,所述检查权重确定所述患者数据的药品不良反应风险值包括:将所述基础数据、所述诊断数据,所述检验数据,所述检查数据,以及所述特征权重,所述诊断权重,所述检验权重,所述检查权重输入风险模型中以确定所述患者数据的药品不良反应风险值;其中所述风险模型通过确诊的药品不良反应数据与机器学习模型生成。
根据本公开的一方面,提出一种医疗数据分析装置,该装置包括:数据模块,用于获取患者数据,所述患者数据中包括基础数据、诊断数据,检验数据,以及检查数据;第一权重模块,用于基于历史医疗数据库,确定所述患者数据与所述诊断数据的特征权重与诊断权重;第二权重模块,用于建立检验数据与时间的第一关联关系,并基于所述第一关联关系确定检验数据的检验权重;建立检查数据与时间的第二关联关系,并基于所述第二关联关系确定检查数据的检查权重;以及分析模块,用于根据所述基础数据、所述诊断数据,所述检验数据,所述检查数据,以及所述特征权重,所述诊断权重,所述检验权重,所述检查权重确定所述患者数据的药品不良反应风险值。
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。
根据本公开的医疗数据分析方法、装置、电子设备及计算机可读介质,通过患者的基础数据、诊断数据,检验数据,检查数据,以及对应的特征权重,诊断权重,检验权重,检查权重确定所述患者数据的药品不良反应风险值的方式,能够及时发现药品不良反应的信号,简化人工判断流程,提升药品不良反应的鉴别效率。
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医疗数据分析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医疗数据分析方法的流程图。
图3是根据另一示例性实施例示出的一种医疗数据分析方法的流程图。
图4是根据一示例性实施例示出的一种医疗数据分析装置的框图。
图5是根据一示例性实施例示出的一种电子设备的框图。
图6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。
图1是根据一示例性实施例示出的一种医疗数据分析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、诊断数据,检验数据,以及检查数据;终端设备101、102、103可例如基于历史医疗数据库,确定所述患者数据与所述诊断数据的特征权重与诊断权重;终端设备101、102、103可例如建立检验数据与时间的第一关联关系,并基于所述第一关联关系确定检验数据的检验权重;以及终端设备101、102、103可例如建立检查数据与时间的第二关联关系,并基于所述第二关联关系确定检查数据的检查权重;终端设备101、102、103可例如根据所述基础数据、所述诊断数据,所述检验数据,所述检查数据,以及所述特征权重,所述诊断权重,所述检验权重,所述检查权重确定所述患者数据的药品不良反应风险值。
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生成患者数据,终端设备101、102、103可例如将患者数据转发至服务器105中,服务器105可例如获取患者数据,所述患者数据中包括基础数据、诊断数据,检验数据,以及检查数据;服务器105可例如基于历史医疗数据库,确定所述患者数据与所述诊断数据的特征权重与诊断权重;服务器105可例如建立检验数据与时间的第一关联关系,并基于所述第一关联关系确定检验数据的检验权重;服务器105还可例如建立检查数据与时间的第二关联关系,并基于所述第二关联关系确定检查数据的检查权重;服务器105还可例如根据所述基础数据、所述诊断数据,所述检验数据,所述检查数据,以及所述特征权重,所述诊断权重,所述检验权重,所述检查权重确定所述患者数据的药品不良反应风险值。
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医疗数据分析方法可以由服务器105和/或终端设备101、102、103执行,相应地,医疗数据分析装置可以设置于服务器105和/或终端设备101、102、103中。
根据本公开的医疗数据分析方法及装置,通过患者的基础数据、诊断数据,检验数据,检查数据,以及对应的特征权重,诊断权重,检验权重,检查权重确定所述患者数据的药品不良反应风险值的方式,能够及时发现药品不良反应的信号,简化人工判断流程,提升药品不良反应的鉴别效率。
图2是根据一示例性实施例示出的一种医疗数据分析方法的流程图。医疗数据分析方法20至少包括步骤S202至S210。
如图2所示,在S202中,获取患者数据,所述患者数据中包括基础数据、诊断数据,检验数据,以及检查数据。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。
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。
在一个实施例中,在数据脱敏之后,对病历数据的处理步骤还包括:获取原始病历数据;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;以及通过筛选之后的原始病历数据生成所述患者数据。
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,基于历史医疗数据库,确定所述患者数据与所述诊断数据的特征权重与诊断权重。
在一个实施例中,基于历史医疗数据库,确定所述患者数据与所述诊断数据的特征权重与诊断权重包括:将历史数据库中所有确诊的不良反应数据作为样本数据;通过所述患者数据中的特征在所述样本数据中对应的特征的比例确定所述特征权重。
具体可例如:首先可建立患者的基础信息与药物不良反应的关联关系因素:通过历史数据中的患者的基础信息,将发生某种药品不良反应的概率与技术信息进行关联。例如:“年龄65岁,吸烟史20年,饮酒史20年”,与“年龄30岁,无吸烟史,无饮酒史”两份基础信息在发生药物导致的肝损伤事件中的影响权重不同。
计算与某一不良反应有关的特定因素比例作为特征权重中的第一子权重。可通过数据库中全部确诊数据作为样本基底,计算特定因素在样本中出现的比例。例如,药物性肝损伤中年龄为65岁比例=(诊断为药物性肝损伤-诊断年龄65岁)/(诊断为药物性肝损伤-全部诊断年龄)。
还可例如,计算与某一不良反应的特定干扰因素比例作为特征权重中的第二子权重。与建立关联性方法类似,但在权重计算中属于降低权重项。
还可例如,综合上述各因素中的权重系数(第一子权重和第二子权重),构建不良反应类型及严重程度评价模型体系。针对不同类型不良反应,选取的因素与权重系数与模型构建的函数形式会有所区分。
在一个实施例中,基于历史医疗数据库,确定所述患者数据与所述诊断数据的特征权重与诊断权重包括:基于所述历史医疗数据库获取药物不良反应字典表;通过所述诊断数据中的诊断名称与所述不良反应字典表的匹配度确定所述诊断权重。
其中,可使用现有技术将诊断名称进行标化处理,对应药品不良反应诊断字典表做匹配度排序,构建诊断与药品不良反应诊断之间的关系。例如“药物性肝炎”为明确的药品不良反应诊断,而“肝衰竭,药物性”则需要进一步结合其他信息进行综合判断,进而确定诊断权重。
在S206中,建立检验数据与时间的第一关联关系,并基于所述第一关联关系确定检验数据的检验权重。
在一个实施例中,基于所述第一关联关系确定检验数据的检验权重包括:通过检验指标阈值标定所述检验数据中异常指标对应的时间;基于所述异常指标对应的时间之后的所述检验数据与所述患者数据、用药数据对所述检验数据进行筛选;以及通过筛选后的所述检验数据确定所述检验权重。
其中,通过第一关联关系确定检验权重的计算过程将在图3对应的实施例中进行详细描述。
在S208中,建立检查数据与时间的第二关联关系,并基于所述第二关联关系确定检查数据的检查权重。
在一个实施例中,基于所述第二关联关系确定检查数据的检查权重包括:通过检验指标阈值标定所述检查数据中异常指标对应的时间;基于所述异常指标对应的时间之后的所述检查数据与所述患者数据、用药数据对所述检验数据进行筛选;以及通过筛选后的所述检查数据确定所述检查权重。
其中,通过第二关联关系确定检查权重的过程与通过第一关联关系确定特征权重的过程相同,本公开在此不再赘述。
在S210中,根据所述基础数据、所述诊断数据,所述检验数据,所述检查数据,以及所述特征权重,所述诊断权重,所述检验权重,所述检查权重确定所述患者数据的药品不良反应风险值。
在一个实施例中,所述不良反应包括多个类型;所述方法还包括:根据不良反应的类型,确定该类型不良反应对应的所述特征权重,所述诊断权重,所述检验权重,所述检查权重以确定该类型的不良反应对应的不良反应风险值。针对不同类型不良反应判断,可通过确诊病例数据结合上述因素计算各因素的默认权重系数。
在一个实施例中,根据所述基础数据、所述诊断数据,所述检验数据,所述检查数据,以及所述特征权重,所述诊断权重,所述检验权重,所述检查权重确定所述患者数据的药品不良反应风险值包括:将所述基础数据、所述诊断数据,所述检验数据,所述检查数据,以及所述特征权重,所述诊断权重,所述检验权重,所述检查权重输入风险模型中以确定所述患者数据的药品不良反应风险值;其中所述风险模型通过确诊的药品不良反应数据与机器学习模型生成。根据已确诊的不良放映数据综合上述各因素中的权重系数,构建不良反应类型风险模型体系。还可针对不同类型不良反应,确定不同的风险模型进而确定不同类型的不良反应的风险值。
在一个实施例中,所述患者数据还包括用药时序;其中,用药数据可来源于医嘱数据,主要包含与用药行为相关的药品医嘱属性信息。所述方法还包括:建立所述检验数据与所述用药时序的第三关联关系;建立所述检查数据与所述用药时序的第四关联关系;以及将所述第一关联关系,所述第二关联关系,所述第三关联关系,以及所述第四关联关系进行图形化界面展示。可将上述数据按照患者ID标识合并,并将数据进行转化处理,建立基础信息-诊断-检验-检查-用药与时间对应的关联关系,并进行展示。
根据本公开的医疗数据分析方法,能够通过真实世界数据的分析能够发现新的药品不良反应信号;还能够通过对信息的有效筛选,简化人工判断流程,提升不良反应鉴别效率;本公开的医疗数据分析方法,可以为药品不良反应关联关系提供医学验证数据支持。
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医疗数据分析方法的流程图。图3所示的流程30是对图2所示的流程中S206中“建立检验数据与时间的第一关联关系,并基于所述第一关联关系确定检验数据的检验权重”的详细描述。
检验数据与药物不良反应的关联关系因素可通过将对应检验指标与时间建立一阶关系进而获取。
如图3所示,在S302中,通过检验指标阈值标定所述检验数据中异常指标对应的时间。可例如,通过建立定量检验指标的正常值阈用以标定异常指标的发生时间点,作为观察如丙氨酸氨基转移酶(ALT)在某一时间前处于标致参数,例如正常高值下(ULN),在这一时间点后超过设定阈,如突然异常升高数倍,则可通过构建时序与检验值的趋势关系针对异常情况发生的时间点进行自动标定,用于进一步针对该情况的后续分析。
在S304中,基于所述异常指标对应的时间之后的所述检验数据与所述患者数据、用药数据对所述检验数据进行筛选。标定高可能性时间点后,建立定量趋势与严重性关联关系,通过在标定时间点后续特定一或多项检验指标的趋势进行判读,如数日后某一检验指标恢复到正常水平或仍然持续升高,则对应相关严重性低或高。在一定时间段内触及到某一特定上限时,则可能进展成为标志性检验指标。
通过定性检验指标对干扰因素进行排除,如使用甲型肝炎病毒抗体IgM的检测结果判断在该时间点下患者是否处于甲型肝炎病毒感染的急性期,如果该结果呈现阳性,则会降低了由药品使用导致肝功能异常的可能性。
在S306中,通过筛选后的所述检验数据确定所述检验权重。
其中,通过第二关联关系确定检查数据的对应的检查权重的的过程与通过第一关联关系确定检验所数据对应的特征权重的过程相同,本公开在此不再赘述。
其中,通过本公开中的方法构建出的判断模型会通过人工判读的方式不断完善样本数据,也通过增量数据可以以上各种权重关系及相关因素重做校验,并不断优化和调整参数关系。
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4是根据一示例性实施例示出的一种医疗数据分析装置的框图。医疗数据分析装置40包括:数据模块402,第一权重模块404,第二权重模块406,以及分析模块408。
数据模块402用于获取患者数据,所述患者数据中包括基础数据、诊断数据,检验数据,以及检查数据;在数据脱敏之后,对病历数据的处理步骤还包括:获取原始病历数据;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;以及通过筛选之后的原始病历数据生成所述患者数据。
第一权重模块404用于基于历史医疗数据库,确定所述患者数据与所述诊断数据的特征权重与诊断权重;可包括:将历史数据库中所有确诊的不良反应数据作为样本数据;通过所述患者数据中的特征在所述样本数据中对应的特征的比例确定所述特征权重。还可包括:基于所述历史医疗数据库获取药物不良反应字典表;通过所述诊断数据中的诊断名称与所述不良反应字典表的匹配度确定所述诊断权重。
第二权重模块406用于建立检验数据与时间的第一关联关系,并基于所述第一关联关系确定检验数据的检验权重;建立检查数据与时间的第二关联关系,并基于所述第二关联关系确定检查数据的检查权重;
可包括:通过检验指标阈值标定所述检验数据中异常指标对应的时间;基于所述异常指标对应的时间之后的所述检验数据与所述患者数据、用药数据对所述检验数据进行筛选;以及通过筛选后的所述检验数据确定所述检验权重。
还可包括:通过检验指标阈值标定所述检查数据中异常指标对应的时间;基于所述异常指标对应的时间之后的所述检查数据与所述患者数据、用药数据对所述检验数据进行筛选;以及通过筛选后的所述检查数据确定所述检查权重。
分析模块408用于根据所述基础数据、所述诊断数据,所述检验数据,所述检查数据,以及所述特征权重,所述诊断权重,所述检验权重,所述检查权重确定所述患者数据的药品不良反应风险值。
根据本公开的医疗数据分析装置,能够通过真实世界数据的分析能够发现新的药品不良反应信号;还能够通过对信息的有效筛选,简化人工判断流程,提升不良反应鉴别效率;本公开的医疗数据分析方法,可以为药品不良反应关联关系提供医学验证数据支持。
图5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5来描述根据本公开的这种实施方式的电子设备200。图5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5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6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6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:获取患者数据,所述患者数据中包括基础数据、诊断数据,检验数据,以及检查数据;基于历史医疗数据库,确定所述患者数据与所述诊断数据的特征权重与诊断权重;建立检验数据与时间的第一关联关系,并基于所述第一关联关系确定检验数据的检验权重;建立检查数据与时间的第二关联关系,并基于所述第二关联关系确定检查数据的检查权重;以及根据所述基础数据、所述诊断数据,所述检验数据,所述检查数据,以及所述特征权重,所述诊断权重,所述检验权重,所述检查权重确定所述患者数据的药品不良反应风险值。
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 (6)
1.一种医疗数据分析方法,其特征在于,包括:
获取患者数据,所述患者数据中包括基础数据、诊断数据,检验数据,以及检查数据;
基于历史医疗数据库,确定所述患者数据与所述诊断数据的特征权重与诊断权重,其中,所述特征权重通过所述患者数据中的特征在历史数据库中所有确诊的不良反应数据中对应的特征的比例确定,所述诊断权重通过所述诊断数据中的诊断名称与基于所述历史医疗数据库获取药物不良反应字典表的匹配度确定;
建立检验数据与时间的第一关联关系,并基于所述第一关联关系确定检验数据的检验权重,其中,所述检验权重基于通过检验指标阈值标定所述检验数据中异常指标对应的时间之后的所述检验数据与所述患者数据、用药数据对所述检验数据进行筛选后确定;
建立检查数据与时间的第二关联关系,并基于所述第二关联关系确定检查数据的检查权重,其中,所述检查权重基于通过检查指标阈值标定所述检查数据中异常指标对应的时间之后的所述检查数据与所述患者数据、用药数据对所述检查数据进行筛选后确定;以及
将所述基础数据、所述诊断数据,所述检验数据,所述检查数据,以及所述特征权重,所述诊断权重,所述检验权重,所述检查权重输入风险模型中以确定所述患者数据的药品不良反应风险值;其中所述风险模型通过确诊的药品不良反应数据与机器学习模型生成。
2.如权利要求1所述的方法,其特征在于,所述患者数据还包括用药时序;
所述方法还包括:
建立所述检验数据与所述用药时序的第三关联关系;
建立所述检查数据与所述用药时序的第四关联关系;以及
将所述第一关联关系,所述第二关联关系,所述第三关联关系,以及所述第四关联关系进行图形化界面展示。
3.如权利要求1所述的方法,其特征在于,还包括:
获取原始病历数据;
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;以及
通过筛选之后的原始病历数据生成所述患者数据。
4.一种医疗数据分析装置,其特征在于,包括:
数据模块,用于获取患者数据,所述患者数据中包括基础数据、诊断数据,检验数据,以及检查数据;
第一权重模块,用于基于历史医疗数据库,确定所述患者数据与所述诊断数据的特征权重与诊断权重,其中,所述特征权重通过所述患者数据中的特征在历史数据库中所有确诊的不良反应数据中对应的特征的比例确定,所述诊断权重通过所述诊断数据中的诊断名称与基于所述历史医疗数据库获取药物不良反应字典表的匹配度确定;
第二权重模块,用于建立检验数据与时间的第一关联关系,并基于所述第一关联关系确定检验数据的检验权重,其中,所述检验权重基于通过检验指标阈值标定所述检验数据中异常指标对应的时间之后的所述检验数据与所述患者数据、用药数据对所述检验数据进行筛选后确定;建立检查数据与时间的第二关联关系,并基于所述第二关联关系确定检查数据的检查权重,其中,所述检查权重基于通过检查指标阈值标定所述检查数据中异常指标对应的时间之后的所述检查数据与所述患者数据、用药数据对所述检查数据进行筛选后确定;以及
分析模块,用于根据所述基础数据、所述诊断数据,所述检验数据,所述检查数据,以及所述特征权重,所述诊断权重,所述检验权重,所述检查权重确定所述患者数据的药品不良反应风险值包括:将所述基础数据、所述诊断数据,所述检验数据,所述检查数据,以及所述特征权重,所述诊断权重,所述检验权重,所述检查权重输入风险模型中以确定所述患者数据的药品不良反应风险值;其中所述风险模型通过确诊的药品不良反应数据与机器学习模型生成。
5.一种电子设备,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1-3中任一所述的方法。
6.一种计算机可读介质,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1-3中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811622954.0A CN111383761B (zh) | 2018-12-28 | 2018-12-28 | 医疗数据分析方法、装置、电子设备及计算机可读介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811622954.0A CN111383761B (zh) | 2018-12-28 | 2018-12-28 | 医疗数据分析方法、装置、电子设备及计算机可读介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111383761A CN111383761A (zh) | 2020-07-07 |
CN111383761B true CN111383761B (zh) | 2023-05-12 |
Family
ID=71216308
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811622954.0A Active CN111383761B (zh) | 2018-12-28 | 2018-12-28 | 医疗数据分析方法、装置、电子设备及计算机可读介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111383761B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111951924A (zh) * | 2020-08-14 | 2020-11-17 | 江苏云脑数据科技有限公司 | 一种异常用药行为检测方法及系统 |
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 |
CN112711579A (zh) * | 2020-12-30 | 2021-04-27 | 医渡云(北京)技术有限公司 | 医疗数据的质量检测方法及装置、存储介质及电子设备 |
CN117076515B (zh) * | 2023-10-12 | 2024-01-05 | 通用技术集团健康数字科技(北京)有限公司 | 医疗管理系统中元数据的溯源方法、装置、服务器及存储介质 |
Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH11282934A (ja) * | 1998-03-30 | 1999-10-15 | System Yoshii:Kk | 調剤及び医療診断支援装置 |
WO2002088901A2 (en) * | 2001-05-02 | 2002-11-07 | Qed Solutions, Inc. | A method for analyzing drug adverse effects employing multivariate statistical analysis |
CN101689220A (zh) * | 2007-04-05 | 2010-03-31 | 奥利安实验室有限公司 | 用于治疗、诊断和预测医学病症发生的系统和方法 |
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 |
AU2015213274A1 (en) * | 2008-02-26 | 2015-09-03 | Purdue Research Foundation | Method for patient genotyping |
CN106066936A (zh) * | 2016-05-30 | 2016-11-02 | 北京千安哲信息技术有限公司 | 一种提高药物不良反应预测精度的方法及系统 |
CN106156483A (zh) * | 2016-01-18 | 2016-11-23 | 李雪 | 一种基于文献数据的风险评价方法、装置及服务器 |
CN106446585A (zh) * | 2016-10-21 | 2017-02-22 | 上海交通大学 | 一种通过不良反应报告系统挖掘药物的潜在用途的方法 |
CN106529177A (zh) * | 2016-11-12 | 2017-03-22 | 杭州电子科技大学 | 一种基于医疗大数据的患者画像方法及装置 |
CN107133475A (zh) * | 2017-05-10 | 2017-09-05 | 浙江省立同德医院 | 一种中药注射剂不良反应高危患者模式识别方法 |
EP3239869A1 (en) * | 2016-04-29 | 2017-11-01 | Fujitsu Limited | A system and method to produce and validate weighted relations between drug and adverse drug reactions |
CN107341345A (zh) * | 2017-06-22 | 2017-11-10 | 厦门大学 | 一种基于电子病历大数据的临床合理用药风险评估方法 |
CN107341338A (zh) * | 2017-06-02 | 2017-11-10 | 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 |
CN107610742A (zh) * | 2017-11-16 | 2018-01-19 | 贵州省人民医院 | 一种临床药师抗感染会诊随访数据库管理系统 |
CN107610774A (zh) * | 2017-10-25 | 2018-01-19 | 医渡云(北京)技术有限公司 | 智能问诊方法及装置、存储介质、电子设备 |
CN108108765A (zh) * | 2017-12-28 | 2018-06-01 | 北京理工大学 | 一种基于概率密度比的数据融合的设备故障诊断方法 |
CN108231194A (zh) * | 2018-04-04 | 2018-06-29 | 苏州医云健康管理有限公司 | 一种疾病诊断系统 |
CN108836285A (zh) * | 2018-05-09 | 2018-11-20 | 陕西数字人信息科技有限公司 | 人体疾病自主诊断模型和人工智能体检方法及系统和健康评估直观演示方法 |
CN109003682A (zh) * | 2018-06-25 | 2018-12-14 | 广州市品毅信息科技有限公司 | 基于领域本体知识库的药品不良反应智能监测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080201173A1 (en) * | 2006-12-05 | 2008-08-21 | Toyohiro Takehara | Methods for delivering a drug to a patient while restricting access to the drug by patients for whom the drug may be contraindicated |
-
2018
- 2018-12-28 CN CN201811622954.0A patent/CN111383761B/zh active Active
Patent Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH11282934A (ja) * | 1998-03-30 | 1999-10-15 | System Yoshii:Kk | 調剤及び医療診断支援装置 |
WO2002088901A2 (en) * | 2001-05-02 | 2002-11-07 | Qed Solutions, Inc. | A method for analyzing drug adverse effects employing multivariate statistical analysis |
CN101689220A (zh) * | 2007-04-05 | 2010-03-31 | 奥利安实验室有限公司 | 用于治疗、诊断和预测医学病症发生的系统和方法 |
AU2015213274A1 (en) * | 2008-02-26 | 2015-09-03 | Purdue Research Foundation | Method for patient genotyping |
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 |
CN106156483A (zh) * | 2016-01-18 | 2016-11-23 | 李雪 | 一种基于文献数据的风险评价方法、装置及服务器 |
EP3239869A1 (en) * | 2016-04-29 | 2017-11-01 | Fujitsu Limited | A system and method to produce and validate weighted relations between drug and adverse drug reactions |
CN106066936A (zh) * | 2016-05-30 | 2016-11-02 | 北京千安哲信息技术有限公司 | 一种提高药物不良反应预测精度的方法及系统 |
CN106446585A (zh) * | 2016-10-21 | 2017-02-22 | 上海交通大学 | 一种通过不良反应报告系统挖掘药物的潜在用途的方法 |
CN106529177A (zh) * | 2016-11-12 | 2017-03-22 | 杭州电子科技大学 | 一种基于医疗大数据的患者画像方法及装置 |
CN107133475A (zh) * | 2017-05-10 | 2017-09-05 | 浙江省立同德医院 | 一种中药注射剂不良反应高危患者模式识别方法 |
CN107341338A (zh) * | 2017-06-02 | 2017-11-10 | 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 |
CN107341345A (zh) * | 2017-06-22 | 2017-11-10 | 厦门大学 | 一种基于电子病历大数据的临床合理用药风险评估方法 |
CN107610774A (zh) * | 2017-10-25 | 2018-01-19 | 医渡云(北京)技术有限公司 | 智能问诊方法及装置、存储介质、电子设备 |
CN107610742A (zh) * | 2017-11-16 | 2018-01-19 | 贵州省人民医院 | 一种临床药师抗感染会诊随访数据库管理系统 |
CN108108765A (zh) * | 2017-12-28 | 2018-06-01 | 北京理工大学 | 一种基于概率密度比的数据融合的设备故障诊断方法 |
CN108231194A (zh) * | 2018-04-04 | 2018-06-29 | 苏州医云健康管理有限公司 | 一种疾病诊断系统 |
CN108836285A (zh) * | 2018-05-09 | 2018-11-20 | 陕西数字人信息科技有限公司 | 人体疾病自主诊断模型和人工智能体检方法及系统和健康评估直观演示方法 |
CN109003682A (zh) * | 2018-06-25 | 2018-12-14 | 广州市品毅信息科技有限公司 | 基于领域本体知识库的药品不良反应智能监测方法 |
Non-Patent Citations (1)
Title |
---|
牟冬梅 ; .嵌入医疗业务的知识服务.数字图书馆论坛.2017,(第01期),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN111383761A (zh) | 2020-07-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111383761B (zh) | 医疗数据分析方法、装置、电子设备及计算机可读介质 | |
Donaldson et al. | Patient-safety-related hospital deaths in England: thematic analysis of incidents reported to a national database, 2010–2012 | |
US8612261B1 (en) | Automated learning for medical data processing system | |
Varadhan et al. | Evaluating health outcomes in the presence of competing risks: a review of statistical methods and clinical applications | |
US10886025B2 (en) | Drug adverse event extraction method and apparatus | |
RU2606050C2 (ru) | Поддержка принятия решений об устранении ошибок в клинической документации | |
US20140257846A1 (en) | Identifying potential audit targets in fraud and abuse investigations | |
Liaw et al. | Data quality and fitness for purpose of routinely collected data–a general practice case study from an electronic practice-based research network (ePBRN) | |
US11152087B2 (en) | Ensuring quality in electronic health data | |
US10762981B2 (en) | Pathogenicity scoring system for human clinical genetics | |
US20220156372A1 (en) | Cybersecurity system evaluation and configuration | |
US20160132969A1 (en) | Method and system for optimizing processing of insurance claims and detecting fraud thereof | |
Amouzou et al. | Measuring postnatal care contacts for mothers and newborns: An analysis of data from the MICS and DHS surveys | |
Ryckman et al. | Infectious and clinical tuberculosis trajectories: Bayesian modeling with case finding implications | |
Tazare et al. | Transparency of high‐dimensional propensity score analyses: guidance for diagnostics and reporting | |
CN111383726B (zh) | 电子病历数据处理方法、装置、电子设备及可读介质 | |
Liu et al. | Rethinking PICO in the machine learning era: ML-PICO | |
Oliveira et al. | Management of a pandemic based on an openehr approach | |
US20210125725A1 (en) | Automated Medical Device Regulation Risk Assessments | |
CN111383725B (zh) | 不良反应数据鉴别方法、装置、电子设备及可读介质 | |
CN111063445A (zh) | 基于医疗数据的特征提取方法及装置、设备和介质 | |
CN111427874B (zh) | 医疗数据生产的质控方法、装置以及电子设备 | |
US20120330901A1 (en) | Validation of ingested data | |
Ranasinghe et al. | Transparency and quality of health apps: the HON approach | |
CN112699872A (zh) | 表单审核处理方法及装置、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 |