CN111552776B - 一种基于人工智能的Meta分析生成方法 - Google Patents
一种基于人工智能的Meta分析生成方法 Download PDFInfo
- Publication number
- CN111552776B CN111552776B CN202010334403.5A CN202010334403A CN111552776B CN 111552776 B CN111552776 B CN 111552776B CN 202010334403 A CN202010334403 A CN 202010334403A CN 111552776 B CN111552776 B CN 111552776B
- Authority
- CN
- China
- Prior art keywords
- document
- meta analysis
- artificial intelligence
- documents
- data
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/3331—Query processing
- G06F16/3332—Query translation
- G06F16/3334—Selection or weighting of terms from queries, including natural language queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/335—Filtering based on additional data, e.g. user or group profiles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/237—Lexical tools
- G06F40/247—Thesauruses; Synonyms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明属于现代医学技术领域,公开了一种基于人工智能的Meta分析生成方法,包括如下步骤:S1.获取题目,提取关键词,并对关键词进行补充;S2.进行Meta分析,获取初始文献集,进行选题评价和自行查重,得到最终文献集;S3.获取入排标准,进行筛选,得到参考文献集;S4.进行质量评价;S5.对参考文献集中的所有文献进行数据提取,得到实验数据集;S6.根据预设实验信息,从实验数据集中获取对应的实验数据,并根据其得到参考结论;S7.根据预设文献格式要求和参考结论,得到参考文献,完成Meta分析。本发明解决现有技术存在的Meta分析中数据存在局限性、效率低下以及工作量大的问题。
Description
技术领域
本发明属于现代医学技术领域,具体涉及一种基于人工智能的Meta分析生成方法。
背景技术
目前循证医学最新的发展便是Meta分析的应用,Meta分析将现有的文献尽可能多的综合起来,基于统计学的方法,对收集到的临床试验或者是案例报告中的数据进行分析,以大样本得出的数据,来解决目前医学现存的争议点。
荟萃分析,又称“Meta分析”,Meta意指较晚出现的更为综合的事物,而且通常用于命名一个新的相关的并对原始学科进行评论的学问,不但包括数据结合,而且包括结果的流行病学探索和评价,以原始研究的发现取代个体作为分析实体。
人工智能的机器学习是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为,以获取新的知识或技能,重新组织已有的知识结构使之不断改善自身的性能。
在实现本发明的过程中,发明人发现现有技术中至少存在如下问题:
但是目前线上医学的数据库有进上百个,依靠人的能力,无法对所有数据库完全检索,最多也只能是3-5个,这导致了一篇Meta分析中数据的局限性,甚至会导致结论的局限性乃至错误;对从数据库收集到的证据,需要人为的按照一定要求进行筛选,这种筛选过程往往涉及几千甚至上万篇文章,工作十分机械而且由于是人在做,非常的慢,大大限制了Meta分析的速度;对证据的评级一直是Meta分析的参与者来把控,特别是对证据的评分,由于人的原因,导致差异,往往需要多个参与者一同评定,大大增加了机械的工作量;Meta分析在写作时,需要用到大量的软件,这些软件未经过专业培训,根本不会使用,这在一定程度上限制了Meta分析的写作;检索得到的文章目前需要人为的阅读并从中得到数据,这对研究者而言是很大的负担,使得Meta分析完成所需时间大大延长;Meta分析本质上是高度机械化的工作,很多研究者将他们宝贵的时间用在了这些机械的工作上,往往很多时候,很多人用大量的时间也难以得出一个所有人都信服的结论,甚至需要再做一遍,非常的浪费时间。
发明内容
本发明旨在于至少在一定程度上解决上述技术问题之一。
为此,本发明目的在于提供一种基于人工智能的Meta分析生成方法,用于解决现有技术存在的Meta分析中数据存在局限性、效率低下以及工作量大的问题。
本发明所采用的技术方案为:
一种基于人工智能的Meta分析生成方法,包括如下步骤:
S1.获取题目,基于人工智能提取题目的关键词,并对关键词进行补充;
S2.根据补充后的关键词,进行Meta分析,获取初始文献集,并根据其中的所有文献进行选题评价和自行查重,得到最终文献集;
S3.获取入排标准,根据其对最终文献集中的所有文献进行筛选,得到参考文献集;
S4.对参考文献集中的所有文献进行质量评价,生成质量评价报告;
S5.对参考文献集中的所有文献进行数据提取,得到实验数据集;
S6.根据预设实验信息,从实验数据集中获取对应的实验数据,并根据其得到参考结论;
S7.根据预设文献格式要求和参考结论,得到参考文献,完成Meta分析。
进一步地,步骤S1的具体步骤为:
S1-1.根据现有Meta分析资料,基于人工智能的机器学习,建立关键词检索模型;
S1-2.获取题目,使用关键词检索模型进行特征提取,得到题目的关键词;
S1-3.基于医学数据库,对关键词的同义词进行检索,得到对应的词组集合,并根据词组集合中结果词的出现频率进行降序排序;
S1-4.将排序前50%的结果词对关键词进行补充,得到补充后的关键词。
进一步地,步骤S2的具体步骤为:
S2-1.根据补充后的关键词,进行Meta分析,即基于所有线上医学数据库进行检索,得到初始文献集;
S2-2.进行选题评价,即根据初始文献集中的所有文献按照10%比例进行随机抽样,基于人工智能和文献样本判断选题的研究方向是否有研究价值,若是则选题合格,进入步骤S2-3,否则发出选题不合格提示信号,进行人工选题评价,并结束方法;
S2-3.进行自行查重,即将选题合格的初始文献集中题目重复的文献进行删除。
进一步地,步骤S3中入排标准包括文献的题目、摘要、出版时间、实验类型以及是否为动物实验。
进一步地,步骤S3的具体步骤为:
S3-1.获取入排标准;
S3-2.进行筛选,即基于步骤S1-1建立的关键词检索模型,遍历最终文献集的所有文献,进行特征提取,并将当前文献提取的关键词特征与入排标准进行比照,判断是否比照合格,若是则进入步骤S3-3,否则进行人工筛选,并结束方法;
S3-3.将所有比照合格的文献合并为参考文献集。
进一步地,步骤S4的具体步骤为:
S4-1.根据现有Meta分析资料,基于人工智能的机器学习,建立文献质量评价模型;
S4-2.遍历参考文献集中的所有文献,根据当前文献的研究类型,选择质量评价标准,使用文献质量评价模型对当前文献的证据质量进行评价,得到自动评分,并进行人工评价,得到人工评分;
S4-3.判断自动评分和人工评分差距是否小于两分,若是则将两者的平均值作为最终评分,即质量评价结果,否则根据当前文献的通讯作者进行第三人评价,并将得到的第三人评分和人工评分的平均值作为最终评分,即质量评价结果;
S4-4.根据质量评价结果更新文献质量评价模型的参数,并生成质量评价报告。
进一步地,步骤S4-2中的质量评价标准包括质量量表、质量清单以及风险程度。
进一步地,步骤S5的具体步骤为:
S5-1.根据现有Meta分析资料,基于人工智能的机器学习,建立文献数据提取模型;
S5-2.遍历参考文献集中的所有文献,使用文献数据提取模型对当前文献进行数据提取,得到当前文献的实验数据,实验数据包括数字数据和图像数据;
S5-3.将所有文献的实验数据合并为实验数据集。
进一步地,步骤S6的具体步骤为:
S6-1.根据现有Meta分析资料,基于人工智能的机器学习,建立参考结论获取模型;
S6-2.根据预设实验信息,从实验数据集中获取对应的实验数据,获取对应的各研究间的异质性结果,并判断各研究间的异质性结果是否大于预设阈值,若是则进行敏感性分析和亚组分析,并进入步骤S6-3,否则直接进入步骤S6-3;
S6-3.根据实验数据,使用参考结论获取模型,得到参考结论。
进一步地,使用者具有最高优先级,具体步骤如下:
当接收到人工控制开始信号时,停止当前步骤的基于人工智能的Meta分析生成方法,然后继续接收人工控制指令,根据人工控制指令跳转至当前Meta分析生成方法的对应步骤进行运行;
当接收到人工控制结束信号时,根据当前运行的步骤继续自动运行当前Meta分析生成方法的对应步骤。
本发明的有益效果为:
1)在目前线上医学的数据库有近上百个的情况下,基于人工智能进行Meta分析,可以在很短的时间以内,完成所有数据库的检索,提高了文献检索效率,并且提高了每次Meta分析的时候文献样本的数量,保证了分析的准确性与权威性;
2)对从数据库收集到的证据,能够按照使用者的要求进行主动筛选,避免了由于人为误差对文献筛选带来的不良影响,对于少部分难以筛选的文章,可交由使用者人工筛选;
3)并且本发明对证据的评价一直是Meta分析的使用者来把控,特别是对证据的评分,减小了证据评价环节浪费的时间,最大程度上提升效率;
4)本发明实现了对文献里的实验数据进行主动的检索提取,减轻了研究者工作量。
本发明的其他有益效果将在具体实施方式中进行详细说明。
附图说明
为了更清楚地说明本发明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发明的一些实施例,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是实施例1的流程框图。
具体实施方式
下面结合附图及具体实施例来对本发明作进一步阐述。在此需要说明的是,对于这些实施例方式的说明虽然是用于帮助理解本发明,但并不构成对本发明的限定。本发明公开的功能细节仅用于描述本发明的示例实施例。然而,可用很多备选的形式来体现本发明,并且不应当理解为本发明限制在本发明阐述的实施例中。
应当理解,本发明使用的术语仅用于描述特定实施例,并不意在限制本发明的示例实施例。若术语“包括”、“包括了”、“包含”和/或“包含了”在本发明中被使用时,指定所声明的特征、整数、步骤、操作、单元和/或组件的存在性,并且不排除一个或多个其他特征、数量、步骤、操作、单元、组件和/或他们的组合存在性或增加。
应当理解,还应当注意到在一些备选实施例中,所出现的功能/动作可能与附图出现的顺序不同。例如,取决于所涉及的功能/动作,实际上可以实质上并发地执行,或者有时可以以相反的顺序来执行连续示出的两个图。
应当理解,在下面的描述中提供了特定的细节,以便于对示例实施例的完全理解。然而,本领域普通技术人员应当理解可以在没有这些特定细节的情况下实现示例实施例。例如可以在框图中示出系统,以避免用不必要的细节来使得示例不清楚。在其他实例中,可以不以不必要的细节来示出众所周知的过程、结构和技术,以避免使得示例实施例不清楚。
实施例1
如图1所示,本实施例提供一种基于人工智能的Meta分析生成方法,包括如下步骤:
S1.获取题目,基于人工智能提取题目的关键词,并对关键词进行补充,具体步骤为:
S1-1.根据现有Meta分析资料,基于人工智能的机器学习,建立关键词检索模型;
S1-2.获取题目,使用关键词检索模型进行特征提取,得到题目的关键词;
S1-3.基于医学数据库,本实施例中,先自行调用PubMed网站上的MeSH功能,对关键词的同义词进行检索,得到对应的词组集合,并根据词组集合中结果词的出现频率进行降序排序;
S1-4.将排序前50%的结果词对关键词进行补充,得到补充后的关键词;
若输入的关键词全部包括了所有出现排序前50%的词,则视为关键词使用合理,进入步骤S2,若没能将排序前50%的词完全包括,将自行把剩余的词组集合中结果词对输入的关键词进行补充,而且将输入的关键词中排序前50%之外的予以保留;使用者也可以忽略词组集合中结果词建议,继续使用初始关键词进行检索;
S2.根据补充后的关键词,进行Meta分析,获取初始文献集,并根据其中的所有文献进行选题评价和自行查重,得到最终文献集,具体步骤为:
S2-1.根据补充后的关键词,进行Meta分析,即基于所有线上医学数据库进行检索,得到初始文献集;
S2-2.进行选题评价,即根据初始文献集中的所有文献按照10%比例进行随机抽样,基于人工智能和文献样本判断选题的研究方向是否有研究价值,若是则选题合格,进入步骤S2-3,否则发出选题不合格提示信号,进行人工选题评价,并结束方法;
进行人工选题评价,若选题的研究方向有研究价值,则选题合格,进入步骤S2-3,否则直接结束本次题目的研究,以避免对资源和时间的浪费;
判断选题的研究方向是否有研究价值,是通过人工智能或者根据使用者分析相应的样本文献,判断样本文献的实验结果是否具有争议,没有争议则输出具有研究价值,选题合格;
S2-3.进行自行查重,即将选题合格的初始文献集中题目重复的文献进行删除,查重的精度使用者可以按照需求自行设定;
S3.获取入排标准,根据其对最终文献集中的所有文献进行筛选,得到参考文献集,入排标准包括文献的题目、摘要、出版时间、实验类型以及是否为动物实验,具体步骤为:
S3-1.获取入排标准;
S3-2.进行筛选,即基于步骤S1-1建立的关键词检索模型,遍历最终文献集的所有文献,进行特征提取,并将当前文献提取的关键词特征与入排标准进行比照,判断是否比照合格,若是则进入步骤S3-3,否则进行人工筛选,并结束方法;
进行人工筛选的文献包括比照不合格以及由于关键词特征无法分辨的或者是关键词特征不明显造成比照失败的文献;
S3-3.将所有比照合格的文献合并为参考文献集;
S4.对参考文献集中的所有文献进行质量评价,生成质量评价报告,具体步骤为:
S4-1.根据现有Meta分析资料,基于人工智能的机器学习,建立文献质量评价模型;
S4-2.遍历参考文献集中的所有文献,根据当前文献的研究类型,选择质量评价标准,质量评价标准包括质量量表、质量清单以及风险程度,使用文献质量评价模型对当前文献的证据质量进行评价,得到自动评分,并进行人工评价,得到人工评分;
S4-3.判断自动评分和人工评分差距是否小于两分,若是则将两者的平均值作为最终评分,即质量评价结果,否则根据当前文献的通讯作者进行第三人评价,并将得到的第三人评分和人工评分的平均值作为最终评分,即质量评价结果;
质量评价失败的文献,文献质量评价模型会自动进行保存,并根据其更新文献质量评价模型的参数,进行以后的算法更新与迭代;
S4-4.根据质量评价结果更新文献质量评价模型的参数,并将作为评价依据使用的文献原文的词句和数据进行摘取并保存,生成质量评价报告;
S5.对参考文献集中的所有文献进行数据提取,得到实验数据集,具体步骤为:
S5-1.根据现有Meta分析资料,基于人工智能的机器学习,建立文献数据提取模型;
文献数据提取模型通过机器学习,具有从不同类型的文献的不同的数据模态中进行数据提取的能力,若出现模型无法识别的数据模态时,根据数据提取失败记录以及对应的数据更新文献数据提取模型的参数,用于后续算法的更新与迭代;
S5-2.遍历参考文献集中的所有文献,使用文献数据提取模型对当前文献进行数据提取,得到当前文献的实验数据,实验数据包括数字数据和图像数据;
S5-3.将所有文献的实验数据合并为实验数据集;
S6.根据预设实验信息,从实验数据集中获取对应的实验数据,并根据其得到参考结论,预设实验信息包括预设要求图像数据和预设置信区间,具体步骤为:
S6-1.根据现有Meta分析资料,基于人工智能的机器学习,建立参考结论获取模型;
S6-2.根据预设实验信息,从实验数据集中获取对应的实验数据,获取对应的各研究间的异质性结果,并判断各研究间的异质性结果是否大于预设阈值,若是则进行敏感性分析和亚组分析,敏感性分析找出各研究间的异质性的来源,亚组分析减少各研究间的异质性,并进入步骤S6-3,否则直接进入步骤S6-3;
S6-3.根据实验数据,使用参考结论获取模型,得到参考结论;
在本步骤中,若参考结论不符合使用者要求,或无需使用参考结论获取模型,得到参考结论,则使用者发出人工控制开始信号时,停止当前步骤的基于人工智能的参考结论获取,使用者自行得出参考结论;
S7.根据预设文献格式要求和参考结论,得到参考文献,完成Meta分析;
本实施例中,使用者具有最高优先级,具体步骤如下:
当接收到人工控制开始信号时,停止当前步骤的基于人工智能的Meta分析生成方法,然后继续接收人工控制指令,根据人工控制指令跳转至当前Meta分析生成方法的对应步骤进行运行,此时方法的控制权属于使用者,根据使用者的判断进行Meta分析生成方法;
当接收到人工控制结束信号时,根据当前运行的步骤继续自动运行当前Meta分析生成方法的对应步骤,此时使用者将控制权交还给人工智能,重新开始基于人工智能的Meta分析生成方法。
显然,本领域的技术人员应该明白,上述的本发明的各模块或各步骤可以用通用的计算装置来实现,它们可以集中在单个的计算装置上,或者分布在多个计算装置所组成的网络上,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样,本发明不限制于任何特定的硬件和软件结合。
以上所描述的实施例仅仅是示意性的,若涉及到作为分离部件说明的单元,其可以是或者也可以不是物理上分开的;若涉及到作为单元显示的部件,其可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换。而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
本发明不局限于上述可选的实施方式,任何人在本发明的启示下都可得出其他各种形式的产品。上述具体实施方式不应理解成对本发明的保护范围的限制,本发明的保护范围应当以权利要求书中界定的为准,并且说明书可以用于解释权利要求书。
Claims (6)
1.一种基于人工智能的Meta分析生成方法,其特征在于:包括如下步骤:
S1.获取题目,基于人工智能提取题目的关键词,并对关键词进行补充;
S2.根据补充后的关键词,进行Meta分析,获取初始文献集,并根据其中的所有文献进行选题评价和自行查重,得到最终文献集;
所述的步骤S2的具体步骤为:
S2-1.根据补充后的关键词,进行Meta分析,即基于所有线上医学数据库进行检索,得到初始文献集;
S2-2.进行选题评价,即根据初始文献集中的所有文献按照10%比例进行随机抽样,基于人工智能和文献样本判断选题的研究方向是否有研究价值,若是则选题合格,进入步骤S2-3,否则发出选题不合格提示信号,进行人工选题评价,并结束方法;
S2-3.进行自行查重,即将选题合格的初始文献集中题目重复的文献进行删除;
S3.获取入排标准,根据其对最终文献集中的所有文献进行筛选,得到参考文献集;
所述的步骤S3的具体步骤为:
S3-1.获取入排标准;
S3-2.进行筛选,即基于步骤S1-1建立的关键词检索模型,遍历最终文献集的所有文献,进行特征提取,并将当前文献提取的关键词特征与入排标准进行比照,判断是否比照合格,若是则进入步骤S3-3,否则进行人工筛选,并结束方法;
S3-3.将所有比照合格的文献合并为参考文献集;
S4.对参考文献集中的所有文献进行质量评价,生成质量评价报告;
S5.对参考文献集中的所有文献进行数据提取,得到实验数据集;
所述的步骤S5的具体步骤为:
S5-1.根据现有Meta分析资料,基于人工智能的机器学习,建立文献数据提取模型;
S5-2.遍历参考文献集中的所有文献,使用文献数据提取模型对当前文献进行数据提取,得到当前文献的实验数据,实验数据包括数字数据和图像数据;
S5-3.将所有文献的实验数据合并为实验数据集;
S6.根据预设实验信息,从实验数据集中获取对应的实验数据,并根据其得到参考结论;
S7.根据预设文献格式要求和参考结论,得到参考文献,完成Meta分析;
使用者具有最高优先级,具体步骤如下:
当接收到人工控制开始信号时,停止当前步骤的基于人工智能的Meta分析生成方法,然后继续接收人工控制指令,根据人工控制指令跳转至当前Meta分析生成方法的对应步骤进行运行;
当接收到人工控制结束信号时,根据当前运行的步骤继续自动运行当前Meta分析生成方法的对应步骤。
2.根据权利要求1所述的一种基于人工智能的Meta分析生成方法,其特征在于:所述的步骤S1的具体步骤为:
S1-1.根据现有Meta分析资料,基于人工智能的机器学习,建立关键词检索模型;
S1-2.获取题目,使用关键词检索模型进行特征提取,得到题目的关键词;
S1-3.基于医学数据库,对关键词的同义词进行检索,得到对应的词组集合,并根据词组集合中结果词的出现频率进行降序排序;
S1-4.将排序前50%的结果词对关键词进行补充,得到补充后的关键词。
3.根据权利要求2所述的一种基于人工智能的Meta分析生成方法,其特征在于:所述的步骤S3中入排标准包括文献的题目、摘要、出版时间、实验类型以及是否为动物实验。
4.根据权利要求1所述的一种基于人工智能的Meta分析生成方法,其特征在于:所述的步骤S4的具体步骤为:
S4-1.根据现有Meta分析资料,基于人工智能的机器学习,建立文献质量评价模型;
S4-2.遍历参考文献集中的所有文献,根据当前文献的研究类型,选择质量评价标准,使用文献质量评价模型对当前文献的证据质量进行评价,得到自动评分,并进行人工评价,得到人工评分;
S4-3.判断自动评分和人工评分差距是否小于两分,若是则将两者的平均值作为最终评分,即质量评价结果,否则根据当前文献的通讯作者进行第三人评价,并将得到的第三人评分和人工评分的平均值作为最终评分,即质量评价结果;
S4-4.根据质量评价结果更新文献质量评价模型的参数,并生成质量评价报告。
5.根据权利要求4所述的一种基于人工智能的Meta分析生成方法,其特征在于:所述的步骤S4-2中的质量评价标准包括质量量表、质量清单以及风险程度。
6.根据权利要求1所述的一种基于人工智能的Meta分析生成方法,其特征在于:所述的步骤S6的具体步骤为:
S6-1.根据现有Meta分析资料,基于人工智能的机器学习,建立参考结论获取模型;
S6-2.根据预设实验信息,从实验数据集中获取对应的实验数据,获取对应的各研究间的异质性结果,并判断各研究间的异质性结果是否大于预设阈值,若是则进行敏感性分析和亚组分析,并进入步骤S6-3,否则直接进入步骤S6-3;
S6-3.根据实验数据,使用参考结论获取模型,得到参考结论。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010334403.5A CN111552776B (zh) | 2020-04-24 | 2020-04-24 | 一种基于人工智能的Meta分析生成方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010334403.5A CN111552776B (zh) | 2020-04-24 | 2020-04-24 | 一种基于人工智能的Meta分析生成方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111552776A CN111552776A (zh) | 2020-08-18 |
CN111552776B true CN111552776B (zh) | 2021-03-19 |
Family
ID=72003952
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010334403.5A Active CN111552776B (zh) | 2020-04-24 | 2020-04-24 | 一种基于人工智能的Meta分析生成方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111552776B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117316371B (zh) * | 2023-11-29 | 2024-04-16 | 杭州未名信科科技有限公司 | 病例报告表的生成方法、装置、电子设备和存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103064969A (zh) * | 2012-12-31 | 2013-04-24 | 武汉传神信息技术有限公司 | 自动建立关键词索引表的方法 |
CN103310105A (zh) * | 2013-06-13 | 2013-09-18 | 浙江加州国际纳米技术研究院绍兴分院 | 筛选非小细胞肺癌治疗疗效生物标记物的方法 |
CN105925703A (zh) * | 2016-06-13 | 2016-09-07 | 华中科技大学同济医学院附属同济医院 | 一种筛选肾癌外周血miRNA标志物的方法及肾癌诊断标志物miR-210 |
CN106844671A (zh) * | 2017-01-22 | 2017-06-13 | 北京理工大学 | 医学文献智能处理方法及系统 |
CN109241270A (zh) * | 2018-08-07 | 2019-01-18 | 北京诺道认知医学科技有限公司 | 循证医学文献筛选方法及装置 |
CN109684468A (zh) * | 2018-12-13 | 2019-04-26 | 四川大学 | 针对循证医学的文献筛选标注平台 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2826002A2 (en) * | 2012-03-14 | 2015-01-21 | Sigram Schindler Beteiligungsgesellschaft mbH | An innovation expert system, ies, and its ptr data structure, ptr-ds |
CN105701167B (zh) * | 2015-12-31 | 2019-04-12 | 北京工业大学 | 基于煤矿安全事件主题相关性判别方法 |
CN106021967A (zh) * | 2016-07-12 | 2016-10-12 | 上海市浦东新区周浦医院 | 用于临床路径质量评价的数据处理方法 |
CN107566391B (zh) * | 2017-09-20 | 2020-04-14 | 上海斗象信息科技有限公司 | 域识别加主题识别构建机器学习模型检测网页暗链的方法 |
-
2020
- 2020-04-24 CN CN202010334403.5A patent/CN111552776B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103064969A (zh) * | 2012-12-31 | 2013-04-24 | 武汉传神信息技术有限公司 | 自动建立关键词索引表的方法 |
CN103310105A (zh) * | 2013-06-13 | 2013-09-18 | 浙江加州国际纳米技术研究院绍兴分院 | 筛选非小细胞肺癌治疗疗效生物标记物的方法 |
CN105925703A (zh) * | 2016-06-13 | 2016-09-07 | 华中科技大学同济医学院附属同济医院 | 一种筛选肾癌外周血miRNA标志物的方法及肾癌诊断标志物miR-210 |
CN106844671A (zh) * | 2017-01-22 | 2017-06-13 | 北京理工大学 | 医学文献智能处理方法及系统 |
CN109241270A (zh) * | 2018-08-07 | 2019-01-18 | 北京诺道认知医学科技有限公司 | 循证医学文献筛选方法及装置 |
CN109684468A (zh) * | 2018-12-13 | 2019-04-26 | 四川大学 | 针对循证医学的文献筛选标注平台 |
Non-Patent Citations (1)
Title |
---|
《石杉碱甲治疗轻度认知障碍患者有效性与安全性的系统评价与Meta分析》;黄坡 等;《中国中药杂志》;20180928;第44卷(第3期);第583-584页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111552776A (zh) | 2020-08-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11580104B2 (en) | Method, apparatus, device, and storage medium for intention recommendation | |
US10769552B2 (en) | Justifying passage machine learning for question and answer systems | |
US9621601B2 (en) | User collaboration for answer generation in question and answer system | |
Batool et al. | Precise tweet classification and sentiment analysis | |
US8805823B2 (en) | Content processing systems and methods | |
US20190213407A1 (en) | Automated Analysis System and Method for Analyzing at Least One of Scientific, Technological and Business Information | |
US20080215541A1 (en) | Techniques for searching web forums | |
EP3270303A1 (en) | An automated monitoring and archiving system and method | |
CN1637744A (zh) | 为在大量电子文档中搜索而确定文档相关性的机器学习方法 | |
CN112699303A (zh) | 一种基于5g消息的医疗信息智能推送系统和方法 | |
US20070136248A1 (en) | Keyword driven search for questions in search targets | |
CN113656687B (zh) | 基于教研数据的教师画像构建方法 | |
US20060095653A1 (en) | Network of networks of associative memory networks for knowledge management | |
CN112749328B (zh) | 搜索方法、装置和计算机设备 | |
CN116414968A (zh) | 信息搜索方法、装置、设备、介质及产品 | |
CN111552776B (zh) | 一种基于人工智能的Meta分析生成方法 | |
CN111931034B (zh) | 数据搜索方法、装置、设备及存储介质 | |
Yuan et al. | Applying an information-seeking dialogue model in an interactive information retrieval system | |
CN111523019B (zh) | 用于输出信息的方法、装置、设备以及存储介质 | |
Tandjung et al. | Topic modeling with latent-dirichlet allocation for the discovery of state-of-the-art in research: A literature review | |
KR101665649B1 (ko) | 소셜 미디어 데이터 분석 시스템 및 이를 이용한 소셜 미디어 데이터 분석 방법 | |
Rasheed et al. | Conversational chatbot system for student support in administrative exam information | |
CN113421650A (zh) | 一种基于智能决策系统的Meta分析生成方法 | |
Tamrakar et al. | Student sentiment analysis using classification with feature extraction techniques | |
CN117235242B (zh) | 一种基于智能问答数据库的热点信息筛选方法及系统 |
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 |