CN111599482A - 电子病例推荐方法和服务器 - Google Patents
电子病例推荐方法和服务器 Download PDFInfo
- Publication number
- CN111599482A CN111599482A CN202010406634.2A CN202010406634A CN111599482A CN 111599482 A CN111599482 A CN 111599482A CN 202010406634 A CN202010406634 A CN 202010406634A CN 111599482 A CN111599482 A CN 111599482A
- Authority
- CN
- China
- Prior art keywords
- case
- cases
- similar
- keywords
- specified
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000003745 diagnosis Methods 0.000 claims abstract description 70
- 238000012216 screening Methods 0.000 claims abstract description 46
- 238000004891 communication Methods 0.000 claims description 40
- 201000010099 disease Diseases 0.000 claims description 37
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 37
- 230000002596 correlated effect Effects 0.000 claims description 30
- 238000012163 sequencing technique Methods 0.000 claims description 21
- 238000001914 filtration Methods 0.000 claims description 7
- 230000003993 interaction Effects 0.000 claims description 6
- 230000008569 process Effects 0.000 abstract description 10
- 238000012545 processing Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 10
- 208000024891 symptom Diseases 0.000 description 8
- 230000006870 function Effects 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 6
- 238000004590 computer program Methods 0.000 description 5
- 230000014509 gene expression Effects 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000012549 training Methods 0.000 description 4
- 230000000875 corresponding effect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 230000005236 sound signal Effects 0.000 description 3
- 230000001954 sterilising effect Effects 0.000 description 3
- 238000004659 sterilization and disinfection Methods 0.000 description 3
- 238000002604 ultrasonography Methods 0.000 description 3
- 206010000087 Abdominal pain upper Diseases 0.000 description 2
- 241000282414 Homo sapiens Species 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 206010008479 Chest Pain Diseases 0.000 description 1
- 206010058467 Lung neoplasm malignant Diseases 0.000 description 1
- 206010033557 Palpitations Diseases 0.000 description 1
- 206010037660 Pyrexia Diseases 0.000 description 1
- 208000007107 Stomach Ulcer Diseases 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 208000000718 duodenal ulcer Diseases 0.000 description 1
- 201000005917 gastric ulcer Diseases 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 201000005202 lung cancer Diseases 0.000 description 1
- 208000020816 lung neoplasm Diseases 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- 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)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请公开了本申请实施例中提供的一种电子病历推荐方法和服务器,电子病例都具有其诊断报告信息,诊断报告信息越相似,说明电子病例之间的关联关系越紧密。故此,在病例筛选过程中,可以根据诊断报告信息的相似度进行筛选和推荐。整个筛选过程无需用户参与,相似病例的筛选过程依赖于病例诊断信息之间的相似度即可完成,故此能够减少用户参与程度,简化用户操作。此外,也能弥补新手医生经验不足带来的无法有效二次利用电子病例的问题。
Description
技术领域
本申请实施例涉及数据处理技术领域,尤其涉及一种电子病例推荐方法和服务器。
背景技术
随着医院信息化的飞速发展,各大医院都已广泛使用电子病例系统,这些电子病例也成为了医院的重要资源,如何使这些电子病例易于搜索,发挥更大的作用,成为一个现实问题。大量的电子病例之间都有着相似之处,比如,患有肺癌的不同患者之间的病例具有相似之处。相似病例之间可以相互借鉴,例如未被诊断的病例可借助已被诊断的相似病例进行辅助诊断。提供辅助诊断的同时也能提高病例的诊断效率及诊断精确度;将相似病例关联起来更容易检索相关资源,也有益于病例教学,大幅度的提高相似病例的二次利用。
相关技术中,都是在病例库中进行关键词搜索,对所有检索到的病例由医生逐一进行查看分析,将认为与主病例有关联的病例由医生手动添加到相似病例集合,作为该主病例的关联病例;但是,一方面在病例筛选方便人工干预较多,使得病例的筛选操作复杂;另一方面,从业年限较短、经验较少的医生进行相似病例关联时,可能关联起来的病例相似度并不高,存在偏差,进而影响相似病例的二次利用。
发明内容
本申请实施例提供一种电子病例推荐方法和服务器,用以解决相关技术中过多的人工干预病例筛选,导致一方面在病例筛选方便人工干预较多,使得病例的筛选操作复杂;另一方面,从业年限较短、经验较少的医生进行相似病例关联时,可能关联起来的病例相似度并不高,存在偏差,进而影响相似病例的二次利用的问题。
根据示例性的实施方式中的一个方面,提供一种电子病历推荐方法,所述方法包括:
响应于目标对象对参考病例的选择指令,获取所述参考病例的诊断报告信息;
在与所述参考病例具有相同疾病的病例集合中,根据诊断报告信息之间的相似度筛选所述参考病例的相似病例;
将所述相似病例推荐给所述目标对象。
在一个实施例中,各病例的诊断报告信息中均包括至少一个关键词,所述在与所述参考病例具有相同疾病的病例集合中,根据诊断报告信息之间的相似度筛选所述参考病例的相似病例,包括:
根据所述参考病例的关键词在所述病例集合中进行检索,得到包含指定关键词的病例作为候选病例,其中,所述指定关键词为与所述参考病例的任一关键词具有相似语义的关键词;
从由候选病例构成的候选病例集合中,按照关键词与指定关键词之间的相似度筛选出相似病例。
在一个实施例中,所述从由候选病例构成的候选病例集合中,按照关键词与指定关键词之间的相似度筛选出相似病例,包括:
按照各候选病例中包含的指定关键词的排序参数、对各候选病例进行排序;所述排序参数包括指定关键词的重要程度和/或指定关键词的数量;
按照排序顺序,过滤掉指定数量的候选病例,由剩余的候选病例作为所述参考病例的相似病例。
在一个实施例中,所述方法还包括:
根据所述指定数量与指定信息正相关、且与所述参考病例的关键词总量负相关的原则,确定所述指定数量;
其中,所述指定信息包括以下中的至少一种:候选病例的总数、候选病例的总数的调整因子、所有候选病例中包含的指定关键词总量。
在一个实施例中,所述根据诊断报告信息之间的相似度筛选所述参考病例的相似病例之后,所述方法还包括:
获取所述参考病例的各关键词的权值因子;以及,
对各相似病例,获取指定关键词的权值因子:
根据所述相似度与关键词的权值因子负相关、且与指定关键词的权值因子正相关的原则,确定各相似病例和所述参考病例的关联度;
按照病例之间的关联度,对相似病例进行排序;
所述将所述相似病例推荐给所述目标对象,包括:
按照关联度的排序顺序将所述相似病例推荐给所述目标对象。
在一个实施例中,所述相似度还与以下信息中的至少一种具有正相关关系:相似病例的数量,相似病例的数量的调整因子。
在一个实施例中,所述在与所述参考病例具有相同疾病的病例集合中,根据诊断报告信息之间的相似度筛选所述参考病例的相似病例之后,所述方法还包括:
分别获取所述参考病历和所述相似病历的诊断信息的有效度;所述有效度表示诊断报信息中的关键词与非关键词之间的字数差距;
根据所述相似病历的有效度,以及所述相似病历与所述参考病历的关联度,对各相似病历进行排序;
所述将所述相似病例推荐给所述目标对象,包括:
基于确定的排序将所述相似病历推荐给所述目标对象。
根据示例性的实施方式中的一个方面,提供一种服务器,包括:
输入输出单元,被配置为与通信终端进行信息交互;
处理器,与所述输入输出单元连接,被配置为:
响应于目标对象对参考病例的选择指令,获取所述参考病例的诊断报告信息;
在与所述参考病例具有相同疾病的病例集合中,根据诊断报告信息之间的相似度筛选所述参考病例的相似病例;
将所述相似病例推荐给所述目标对象。
在一个实施例中,各病例的诊断报告信息中均包括至少一个关键词,所述处理器在执行在与所述参考病例具有相同疾病的病例集合中,根据诊断报告信息之间的相似度筛选所述参考病例的相似病例时,被配置为:
根据所述参考病例的关键词在所述病例集合中进行检索,得到包含指定关键词的病例作为候选病例,其中,所述指定关键词为与所述参考病例的任一关键词具有相似语义的关键词;
从由候选病例构成的候选病例集合中,按照关键词与指定关键词之间的相似度筛选出相似病例。
在一个实施例中,所述处理器在执行从由候选病例构成的候选病例集合中,按照关键词与指定关键词之间的相似度筛选出相似病例时,被配置为:
按照各候选病例中包含的指定关键词的排序参数、对各候选病例进行排序;所述排序参数包括指定关键词的重要程度和/或指定关键词的数量;
按照排序顺序,过滤掉指定数量的候选病例,由剩余的候选病例作为所述参考病例的相似病例。
在一个实施例中,所述处理器还被配置为:
根据所述指定数量与指定信息正相关、且与所述参考病例的关键词总量负相关的原则,确定所述指定数量;
其中,所述指定信息包括以下中的至少一种:候选病例的总数、候选病例的总数的调整因子、所有候选病例中包含的指定关键词总量。
在一个实施例中,所述根据诊断报告信息之间的相似度筛选所述参考病例的相似病例之后,所述处理器还被配置为:
获取所述参考病例的各关键词的权值因子;以及,
对各相似病例,获取指定关键词的权值因子:
根据所述相似度与关键词的权值因子负相关、且与指定关键词的权值因子正相关的原则,确定各相似病例和所述参考病例的关联度;
按照病例之间的关联度,对相似病例进行排序;
在执行所述将所述相似病例推荐给所述目标对象时,所述处理器被配置为:
按照关联度的排序顺序将所述相似病例推荐给所述目标对象。
在一个实施例中,所述相似度还与以下信息中的至少一种具有正相关关系:相似病例的数量,相似病例的数量的调整因子。
在一个实施例中,所述在与所述参考病例具有相同疾病的病例集合中,根据诊断报告信息之间的相似度筛选所述参考病例的相似病例之后,所述处理器还被配置为:
分别获取所述参考病历和所述相似病历的诊断信息的有效度;所述有效度表示诊断报信息中的关键词与非关键词之间的字数差距;
根据所述相似病历的有效度,以及所述相似病历与所述参考病历的关联度,对各相似病历进行排序;
所述处理器在执行所述将所述相似病例推荐给所述目标对象时,被配置为:
基于确定的排序将相似病历推荐给所述目标对象。
根据示例性的实施方式中的再一方面,提供一种计算机存储介质,所述计算机存储介质中存储有计算机程序指令,当所述指令在计算机上运行时,使得所述计算机执行如上所述的电子病历推荐方法。
本申请实施例中提供的一种电子病历推荐方法和服务器,电子病例都具有诊断报告信息,诊断报告信息越相似,说明电子病例之间的关联关系越紧密。故此,在病例筛选过程中,可以根据诊断报告信息的相似度进行筛选和推荐。整个筛选过程无需用户参与,相似病例的筛选过程依赖于病例诊断信息之间的相似度即可完成,故此能够减少用户参与程度,简化用户操作。此外,也能弥补新手医生经验不足带来的无法有效二次利用电子病例的问题。
本申请的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本申请而了解。本申请的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简要介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,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为根据本申请一个实施例的通信终端的结构示意图;
图2为根据本申请一个实施例的服务器的结构示意图;
图3为根据本申请实施例提供的一种电子病历推荐方法的应用场景示意图;
图4为根据本申请实施例提供的一种电子病历推荐方法的流程示意图;
图5为根据本申请实施例提供的一种电子病历推荐方法的流程示意图;
图6为根据本申请实施例提供的一种电子病历推荐方法的流程示意图;
图7为根据本申请实施例提供的一种服务器的结构示意图。
具体实施方式
为了使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请作进一步地详细描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本申请保护的范围。
为了便于理解本申请提供的电子病例推荐方法,这里先对本申请的发明构思做简要说明:电子病例都具有其对象的诊断报告信息,诊断报告信息越相似,说明电子病例之间的关联关系越紧密。故此,在病例筛选过程中,可以根据诊断报告信息的相似度进行筛选和推荐。本申请实施例中为了能够提高筛选的速度,不同电子病例都预先分析出能够简明扼要的传达诊断报告信息的精髓的关键词。在此基础上,不同电子病例可以采用关键词匹配度来衡量诊断报告信息之间相似度。筛选出相似病例之后,可以将病例推荐给用户设备进行展示。以便于用户能够使用相似病例进行后续工作。
故此,本申请实施例中,设计用户设备以及服务器。其中服务器可用于完成相似病例的筛选,用户设备可以展示筛选出的相似病例。
图1示出了一种用户设备的结构示意图。
下面以通信终端100为例对本申请实施例的用户设备进行具体说明。应该理解的是,图1所示通信终端100仅是一个范例,并且通信终端100可以具有比图1中所示的更多的或者更少的部件,可以组合两个或多个的部件,或者可以具有不同的部件配置。图中所示出的各种部件可以在包括一个或多个信号处理和/或专用集成电路在内的硬件、软件、或硬件和软件的组合中实现。
图1中示例性示出了根据示例性实施例中通信终端100的硬件配置框图。
如图1所示,通信终端100例如可以包括:RF(射频,radio frequency)电路110、存储器120、显示单元130、超声图像采集装置140、传感器150、音频电路160、无线保真(Wireless Fidelity,Wi-Fi)模块170、处理器180、蓝牙模块181、以及电源190等部件。本申请实施例中,输入输出单元可以为音频电路160、蓝牙模块181、Wi-Fi模块170和超声图像采集装置140中的至少一种。
RF电路110可用于在收发信息或通话过程中信号的接收和发送,可以接收基站的下行数据后交给处理器180处理;可以将上行数据发送给基站。通常,RF电路包括但不限于天线、至少一个放大器、收发信机、耦合器、低噪声放大器、双工器等器件。
存储器120可用于存储软件程序及数据。处理器180通过运行存储在存储器120的软件程序或数据,从而执行通信终端100的各种功能以及数据处理。存储器120可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。存储器120存储有使得通信终端100能运行的操作系统。本申请中存储器120可以存储操作系统及各种应用程序,还可以存储执行本申请实施例所述紫外线灭菌设备的数据方法的代码。例如,通信设备可以提供用户程序以便于和用户进行人机交互。例如,用户可通过用户界面选择主病例(即后文所述的参考病例)。
显示单元130例如可用于显示输入的数字或字符或图像信息,并产生与通信终端100的用户设置以及功能控制有关的信号输入,具体地,显示单元130例如可以包括设置在通信终端100正面的触摸屏131,可收集用户在其上或附近的触摸操作,例如点击按钮,拖动滚动框等。
显示单元130例如还可用于显示所述拍摄画面的应用程序的显示界面。具体地,显示单元130可以包括设置在通信终端100正面的显示屏132。其中,显示屏132例如可以采用液晶显示器、发光二极管等形式来配置。显示单元130可以用于显示本申请中所述的各个实施例的界面。
其中,触摸屏131可以覆盖在显示屏132之上,也可以将触摸屏131与显示屏132集成而实现通信终端100的输入和输出功能,集成后可以简称触摸显示屏。本申请中显示单元130可以显示应用程序以及对应的操作步骤。
作为输入输出设备,超声图像采集装置140例如可用于捕获静态图像或视频。物体通过镜头生成光学图像投射到感光元件。感光元件可以是电荷耦合器件(charge coupleddevice,CCD)或互补金属氧化物半导体(complementary metal-oxide-semiconductor,CMOS)光电晶体管。感光元件把光信号转换成电信号,之后将电信号传递给处理器180转换成数字图像信号。音频电路160、蓝牙模块181、Wi-Fi模块170等,例如可以与其它设备(例如医疗器械、服务器或是通信终端的其它部件)进行信息交互,以接收或向其它设备输出拍摄画面。
通信终端100还可以包括至少一种传感器150,比如加速度传感器151、距离传感器152、指纹传感器153、温度传感器154。通信终端100还可配置有陀螺仪、气压计、湿度计、温度计、红外线传感器、光传感器、运动传感器等其他传感器。
音频电路160、扬声器161、麦克风162可提供用户与通信终端100之间的音频接口。音频电路160可将接收到的音频数据转换后的电信号,传输到扬声器161,由扬声器161转换为声音信号输出。通信终端100还可配置音量按钮,用于调节声音信号的音量。另一方面,麦克风162将收集的声音信号转换为电信号,由音频电路160接收后转换为音频数据,再将音频数据输出至RF电路110以发送给比如另一终端,或者将音频数据输出至存储器120以便进一步处理。本申请中麦克风162可以获取用户的语音。
Wi-Fi属于短距离无线传输技术,通信终端100可以通过Wi-Fi模块170帮助用户收发紫外线灭菌设备的相关信息等,它为用户提供了无线的宽带互联网访问。
处理器180是通信终端100的控制中心,利用各种接口和线路连接整个终端的各个部分,通过运行或执行存储在存储器120内的软件程序,以及调用存储在存储器120内的数据,执行通信终端100的各种功能和处理数据。
在一些实施例中,处理器180可包括一个或多个处理单元;处理器180还可以集成应用处理器和基带处理器,其中,应用处理器主要处理操作系统、用户界面和应用程序等,基带处理器主要处理无线通信。可以理解的是,上述基带处理器也可以集成到处理器180中。本申请中处理器180可以运行操作系统、应用程序、用户界面显示及触控响应,以及本申请实施例所述的处理方法。另外,处理器180与输入输出单元和显示单元耦接。
蓝牙模块181,用于通过蓝牙协议来与其他具有蓝牙模块的蓝牙设备进行信息交互。例如,通信终端100可以通过蓝牙模块181与同样具备蓝牙模块的设备(例如紫外线灭菌设备)建立蓝牙连接,从而进行数据交互。
通信终端100还包括给各个部件供电的电源190(比如电池)。电源可以通过电源管理系统与处理器180逻辑相连,从而通过电源管理系统实现管理充电、放电以及功耗等功能。通信终端100还可配置有电源按钮,用于终端的开机和关机,以及锁屏等功能。
参阅图2,为本申请实施例提供的服务器的结构示意图,如图2所述,为本申请实施例提供的服务器200的一个示例。图2以通用服务器的形式表现。服务器200的组件可以包括但不限于:上述至少一个处理单元201、上述至少一个存储单元202、连接不同系统组件(包括存储单元202和处理单元201)的总线203。
总线203表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器、外围总线、处理器或者使用多种总线结构中的任意总线结构的局域总线。
存储单元202可以包括易失性存储器形式的可读介质,例如随机存取存储器(RAM)221和/或高速缓存存储单元222,还可以进一步包括只读存储器(ROM)223。
存储单元202还可以包括具有一组(至少一个)程序模块224的程序/实用工具225,这样的程序模块224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。
服务器200也可以与一个或多个外部设备204(例如键盘、指向设备等)通信,还可与一个或者多个使得用户能与服务器200交互的设备通信和/或与使得该服务器200能与一个或多个其它服务器进行通信的任何设备(例如路由器、调制解调器、通信终端等等)通信。这种通信可以通过输入/输出(I/O)接口205进行。并且,服务器200还可以通过网络适配器206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2所示,网络适配器206通过总线203与用于服务器200的其它模块通信。应当理解,尽管图2中未示出,可以结合服务器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、冗余处理器、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。
参阅图3,本申请实施例提供的一种电子病例推荐方法的应用场景示意图,该场景包括用户300、通信终端301和服务器302。其中通信终端301和服务器302可通过通信网络进行通信连接,该网络可以为局域网、广域网等。
图3中是以一个通信终端为例,实际上不限制通信终端的数量。各通信终端301和服务器302之间可以通过通信网络进行通信。其中,各通信终端可为电子显示屏。服务器302可以通过单个服务器实现,也可以通过多个服务器实现。服务器302可以通过实体服务器实现,也可以通过虚拟服务器实现。
在图3所示的应用场景中,用户300可以在通信终端301展示的界面中选择参考病例作为种子病例,然后将参考病例告知给服务器302,由服务器302以参考病例为基准,在病例库中检索与参考病例的诊断报告信息比较相似的病例作为相似病例,并推荐给通信终端301以展示给用户300。
整个筛选过程无需用户参与,相似病例的筛选过程依赖于病例诊断信息之间的相似度即可完成,故此能够减少用户参与程度,简化用户操作。此外,也能弥补新手医生经验不足带来的无法有效二次利用电子病例的问题。
需要说明的是,上述图3所示的应用场景仅是一种示例,本申请实施例对此不做限定。
基于上述描述,图4详细的示出了本申请实施例提供的一种电子病例推荐方法的流程示意图,该流程具体包括:
步骤401:响应于目标对象对参考病例的选择指令,获取所述参考病例的诊断报告信息;
步骤402:在与所述参考病例具有相同疾病的病例集合中,根据诊断报告信息之间的相似度筛选所述参考病例的相似病例;
步骤403:将所述相似病例推荐给所述目标对象。
在一个实施例中,为了能够高效的进行相似病例的筛选,可以预先对同种疾病构建词库,该词库中可包括能够描述疾病特征的关键词;亦或者包括关键词和无用字符。
关键词可根据医生讨论或是大数据分析决定,例如关键词可包括:心悸、胸闷、发烧、胃疼等。无用字符例如可包括:的、感觉,标点符号等。还有另一类信息为干扰信息也可以存储在词库中,可包括:难受、不舒服等模糊字眼。
并病例库中各诊断报告信息进行分词处理后,在疾病的词库中进行搜索,若和关键词对应,则认为该词为诊断报告中的关键词,若是和无用字符的词对应,则认为该词为无用字符,若和词库中的关键词和无用字符都对应不上,则认为该词为干扰信息。
在一个实施例中,一种筛选相似病历的实施方式可以为:根据所述参考病例的关键词在所述病例集合中进行检索,得到包含指定关键词的病例作为候选病例,其中,所述指定关键词为与所述参考病例的任一关键词具有相似语义的关键词;也即,获取到了参考病例的关键字后,将这些关键字逐个在病例库的所有病例的诊断信息库中进行检索;以参考病例的关键字及其不同表述方法的关键字为基准,检索出在诊断信息中带有参考病例关键字的所有病例作为候选病例。然后,从由候选病例构成的候选病例集合中,按照关键词与指定关键词之间的相似度筛选出相似病例。
由此,以关键词为基准,由于关键词相当于对病例诊断信息重要信息的浓缩,故此关键词能够从一定程度上表达病例诊断信息,关键词信息量少,易于维护和管理,可以较高效的检索到相似病例。
在一个实施例中,病例集合中的病例与参考病例的相似度当采用关键词与指定关键词的相似度进行表达时,可以指定关键词的排序参数来表达该相似度。该排序参数例如是包括的指定关键词的重要程度和/或指定关键词的数量。其中,对于一种疾病而言,能够描述该疾病特征的关键词可能有很多种,但是每种关键词对疾病诊断的重要程度不同。
例如,不同类型的疾病,表现出不同的发病症状,而不同的疾病有时会有相同的发病症状,比如十二指肠溃疡、胃溃疡都可能表现为胃痛,但每种疾病都有主要的发病病症和次要的发病病症;所以同一疾病的不同发病症状所代表的影响程度不同,为其发病症状赋权值因子,权值因子越高,代表着对应症状对疾病的影响程度越大,和疾病的关联程度越强,进行相似病例关联时,这种发病症状表现的越突出,和参考病例关联性越强的相似病例,发病病症中越有可能出现这种病症表现。所以指定关键词的重要程度可以采用权值因子表示。
在筛选相似病例时,可以按照各候选病例中包含的指定关键词的排序参数、对各候选病例进行排序;然后按照排序顺序,过滤掉指定数量的候选病例,由剩余的候选病例作为所述参考病例的相似病例。
这样,当候选病例较多时,为了能够获取较为符合需求的病例,排除相似度较弱的病例。其中,排序规则如下:
首先按照检索出参考病例中权值因子高的关键字进行排序,将指定关键词的权值因子越高的电子病例,排序越靠前;排完具有最高权值因子的候选病例后,依次按照权值因子由高到低的顺序排序权值因子排序的候选病例,以此类推;
其次,若多个候选病例中均包含权值因子最高的指定关键字,再按照匹配到第二高的权值因子的指定关键字进行排序,以此类推。其中,指定关键词的权值因子采用与其匹配的参考病例的关键词的权值因子表示。
在简单排序后,当候选病例的数据量较大时,可直接排除排序靠后的一些候选病例。过滤方法为:根据指定数量与指定信息正相关、且与所述参考病例的关键词总量负相关的原则,确定所述指定数量;其中,所述指定信息包括以下中的至少一种:候选病例的总数、候选病例的总数的调整因子、所有候选病例中包含的指定关键词总量。然后,排除排序靠后的指定数量个候选病例。
指定数量的计算方法可实施为:若参考病例的关键字的个数为A,检索出的候选病例的总数为B,需要过滤掉的候选病例总数为C,则:
C=k×B×(a/A) (1)
其中,a所有候选病例中包含的指定关键词总量,k为候选病例的总数B的调整因子。
基于动态的确定指定数量,可以根据当前的实际情况来确定过滤掉多少候选病例较为合适,能够在信息量和信息精度之间找到一个动态的平衡点。
除了根据关键词的权值因子排序外,包含的指定关键词数量越多,也能够反映和参考病例越相似,所以也可以按照关键词的数量多少进行排序。
除此之外,还可以对不同的病例的诊断病例信息通过人工智能方法提取出摘要信息,然后通过比对摘要信息的字符串距离来衡量摘要信息之间的语义相似度,来筛选候选病例。
为了便于在病例推荐时,能够很好的体现各相似病例与参考病例的相似程度,可以对相似病例进行排序。可以理解为当采用前述关键词的排序参数进行排序时,利用一种计算量较小的排序方式过滤掉低相关度的候选病例,对剩下的候选病例,在采用计算相对复杂度方式来准确的计算不同病例之间的相似度,以便于能够得到一个合理的顺序实现精排序以便于将相似病例推荐给用户。
其中,精排序可实施为如图5所示,包括:
步骤S1:获取所述参考病例的各关键词的权值因子;以及,对各相似病例,获取指定关键词的权值因子:
步骤S2:根据所述相似度与关键词的权值因子负相关、且与指定关键词的权值因子正相关的原则,确定各相似病例和所述参考病例的关联度;
关联度的计算方式可计算方法如下公式(2)所示:
其中,Yi表示各相似病例和参考病例的关联度,v为相似病例的数量,Xj为相似病例中各指定关键词对应的权值因子,m为参考病例中各关键词的个数,i为相似病例中匹配到参考病例中的关键词个数和/或不同表述的关键词个数,u为预设值,u的值可根据相似病例总数进行调整,即u为相似病例的数量的调整因子。调整因子u这个系数可由医生根据自身经验决定,每个病例可单独的由医生来确定这个系数,也可以直接取值为固定值,例如为1;一般情况下,v值可以取大于1的值,总候选病例数量越大,则u值越大。
步骤S3:按照病例之间的关联度,对相似病例进行排序;
由此,通过精确的算出关联度后,在推荐时进行精确的排序,使得推荐给用户时能够按照关联度高低的顺序将相似病历推荐给用户,以便于用户能够首先获得更有价值的病历。
在另一个实施例中,在获取每个诊断报告的关键词时,可根据诊断报告中的字符和词库的匹配结果,确定参考病例的诊断信息的有效度。其中,所述有效度表示所述参考病例的诊断报告中关键词与非关键词之间的字数差距。例如,可以采用字数差值来表示字数差距,在另一个实施例中,可以采用公式(3)来表示:
f=N/(S-N) (3)
在公式(1)中,f表示有效度,若诊断报告信息的总字数(标点符号计算在内)为S,关键词的总字数为N,无用字符的总字数为M。
在一个实施例中,有效度可以作为参考信息输出,以便于用户了解针对报告的信息有效度情况。
在另一个实施例中,有效度也可用于对相似病历进行排序。例如,在筛选出相似病例之后,可以分别获取所述参考病历和所述相似病历的诊断信息的有效度;然后根据所述相似病历的有效度,以及所述相似病历与所述参考病历的关联度,对各相似病历进行排序。最后推荐时,可以根据排序顺序进行推荐。
举例说明,当根据关联度进行排序时,若有多个相似病历的关联度相同,则可以进一步根据各相似病历的有效度进行排序。如有效度越高的排序越靠前,这样关联度相同且有效度高的病历会优先推荐给用户。有效度越高可以理解为针对报告中的有效信息越多,以便于用户能够优先查看信息有效且关联度最高的相似病历。
在另一个实施例中,在基于关联度和/或有效度进行排序之后,还可以对相似病历进一步筛选,例如可以通过预设阈值过滤掉关联度低于预设阈值的病历。预设阈值可以根据实际情况进行调整,当相似病例的关联度大于预设阈值时,认为该相似病历为参考病例的关联病例,将其添加进入该参考病例的关联病例组里;各相似病例被添加到关联病例组中后,依然按照与参考病例的关联度的强弱进行排序。最终将自动关联好的一组病例推荐给用户。
在一个实施例中,可以基于大量病例诊断报告信息的大数据,通过人工智能方法训练得出每种疾病的诊断报告信息中的关键词和相似语义的不同表述的关键词、无用字符等,以及各关键词的权值因子。
例如,可通过医院电子病例库获取训练样本,样本的主要内容是医生对病人的诊断报告,通过该诊断报告可以确定病人的病症和疾病种类;权值因子的取值主要来源于两部分:1是医生的经验,2是统计该关键词在此种病症中出现的次数所占比例,结合这两部分信息可获取一定范围内的最佳取值。
实施时,为了获得准确性更高的模型,可以一种疾病对应一个训练模型,训练出适用于此种疾病的权值因子;不同种类的疾病间,即使有同一症状,它们的权值因子也不相同,互不干扰。继而能够保证不同疾病都能够采用关键词进行准确的表达。
此外,一些需要依据医生经验、人为提前设置的数值等都可通过机器学习方法训练得到,且可根据实际情况进行实时调整,也可随着病例数据量的改变更新各项数据(也即,不同相似病历数量可对应不同的调整因子),以此更大程度上节省了人力,且精度更高。
如图6所示,为本公开实施例中,电子病历推荐方法的整体流程图,可包括以下步骤:
步骤601:响应于目标对象对参考病例的选择指令,获取所述参考病例的诊断报告信息。
步骤602:根据所述参考病例的关键词在所述病例集合中进行检索,得到包含指定关键词的病例作为候选病例。
步骤603:根据指定数量与指定信息正相关、且与所述参考病例的关键词总量负相关的原则,确定所述指定数量。
步骤604:按照各候选病例中包含的指定关键词的排序参数、对各候选病例进行排序。
步骤605:按照排序顺序,过滤掉指定数量的候选病例,由剩余的候选病例作为所述参考病例的相似病例。
步骤606:获取所述参考病例的各关键词的权值因子,以及对各相似病例,获取指定关键词的权值因子。
步骤607:根据所述相似度与关键词的权值因子负相关、且与指定关键词的权值因子正相关的原则,确定各相似病例和所述参考病例的关联度。
步骤608:按照病例之间的关联度,对相似病例进行排序。
步骤609:按照关联度的排序顺序将所述相似病例推荐给所述目标对象。
基于相同的技术构思,图7示例性的示出了本申请实施例提供的一种服务器700,该服务器700具体包括:
输入输出单元701,被配置为与通信终端进行信息交互;
处理器702,与所述输入输出单元连接,被配置为:
响应于目标对象对参考病例的选择指令,获取所述参考病例的诊断报告信息;
在与所述参考病例具有相同疾病的病例集合中,根据诊断报告信息之间的相似度筛选所述参考病例的相似病例;
将所述相似病例推荐给所述目标对象。
在一个实施例中,各病例的诊断报告信息中均包括至少一个关键词,所述处理器在执行在与所述参考病例具有相同疾病的病例集合中,根据诊断报告信息之间的相似度筛选所述参考病例的相似病例时,被配置为:
根据所述参考病例的关键词在所述病例集合中进行检索,得到包含指定关键词的病例作为候选病例,其中,所述指定关键词为与所述参考病例的任一关键词具有相似语义的关键词;
从由候选病例构成的候选病例集合中,按照关键词与指定关键词之间的相似度筛选出相似病例。
在一个实施例中,所述处理器在执行从由候选病例构成的候选病例集合中,按照关键词与指定关键词之间的相似度筛选出相似病例时,被配置为:
按照各候选病例中包含的指定关键词的排序参数、对各候选病例进行排序;所述排序参数包括指定关键词的重要程度和/或指定关键词的数量;
按照排序顺序,过滤掉指定数量的候选病例,由剩余的候选病例作为所述参考病例的相似病例。
在一个实施例中,所述处理器还被配置为:
根据所述指定数量与指定信息正相关、且与所述参考病例的关键词总量负相关的原则,确定所述指定数量;
其中,所述指定信息包括以下中的至少一种:候选病例的总数、候选病例的总数的调整因子、所有候选病例中包含的指定关键词总量。
在一个实施例中,所述根据诊断报告信息之间的相似度筛选所述参考病例的相似病例之后,所述处理器还被配置为:
获取所述参考病例的各关键词的权值因子;以及,
对各相似病例,获取指定关键词的权值因子:
根据所述相似度与关键词的权值因子负相关、且与指定关键词的权值因子正相关的原则,确定各相似病例和所述参考病例的关联度;
按照病例之间的关联度,对相似病例进行排序;
在执行所述将所述相似病例推荐给所述目标对象时,所述处理器被配置为:
按照关联度的排序顺序将所述相似病例推荐给所述目标对象。
在一个实施例中,所述相似度还与以下信息中的至少一种具有正相关关系:相似病例的数量,相似病例的数量的调整因子。
在一个实施例中,所述在与所述参考病例具有相同疾病的病例集合中,根据诊断报告信息之间的相似度筛选所述参考病例的相似病例之后,所述处理器还被配置为:
分别获取所述参考病历和所述相似病历的诊断信息的有效度;所述有效度表示诊断报信息中的关键词与非关键词之间的字数差距;
根据所述相似病历的有效度,以及所述相似病历与所述参考病历的关联度,对各相似病历进行排序;
所述处理器在执行所述将所述相似病例推荐给所述目标对象时,被配置为:
基于确定的排序将相似病历推荐给所述目标对象。
上述服务器及其功能实现的细节可参见上文结合图1-图6的相关描述,在此不再赘述。
在一些可能的实施方式中,本申请实施例提供的方法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,当所述程序代码在计算机设备上运行时,所述程序代码用于使所述计算机设备执行本说明书中描述的根据本申请各种示例性实施方式的电子病历推荐方法中的步骤。
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是——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。
根据本申请的实施方式的用于执行数据处理的程序产品,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,并可以在服务器设备上运行。然而,本申请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,该程序可以被信息传输、装置或者器件使用或者与其结合使用。
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周期网络动作系统、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,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申请操作的程序代码,所述程序设计语言包括面向对象的程序设计语言一诸如Java、C++等,还包括常规的过程式程序设计语言一诸如″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)一连接到用户计算设备,或者,可以连接到外部计算设备。
本申请实施例执行电子病历推荐方法还提供一种计算设备可读存储介质,即断电后内容不丢失。该存储介质中存储软件程序,包括程序代码,当所述程序代码在计算设备上运行时,该软件程序在被一个或多个处理器读取并执行时可实现本申请实施例上面任何一种电子病历推荐的方案。
以上参照示出根据本申请实施例的方法、装置(系统)和/或计算机程序产品的框图和/或流程图描述本申请。应理解,可以通过计算机程序指令来实现框图和/或流程图示图的一个块以及框图和/或流程图示图的块的组合。可以将这些计算机程序指令提供给通用计算机、专用计算机的处理器和/或其它可编程数据处理装置,以产生机器,使得经由计算机处理器和/或其它可编程数据处理装置执行的指令创建用于实现框图和/或流程图块中所指定的功能/动作的方法。
相应地,还可以用硬件和/或软件(包括固件、驻留软件、微码等)来实施本申请。更进一步地,本申请可以采取计算机可使用或计算机可读存储介质上的计算机程序产品的形式,其具有在介质中实现的计算机可使用或计算机可读程序代码,以由指令执行系统来使用或结合指令执行系统而使用。在本申请上下文中,计算机可使用或计算机可读介质可以是任意介质,其可以包含、存储、通信、传输、或传送程序,以由指令执行系统、装置或设备使用,或结合指令执行系统、装置或设备使用。
尽管结合具体特征及其实施例对本申请进行了描述,显而易见的,在不脱离本申请的精神和范围的情况下,可对其进行各种修改和组合。相应地,本说明书和附图仅仅是所附权利要求所界定的本申请的示例性说明,且视为已覆盖本申请范围内的任意和所有修改、变化、组合或等同物。
显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包括这些改动和变型在内。
Claims (14)
1.一种电子病例推荐方法,其特征在于,所述方法包括:
响应于目标对象对参考病例的选择指令,获取所述参考病例的诊断报告信息;
在与所述参考病例具有相同疾病的病例集合中,根据诊断报告信息之间的相似度筛选所述参考病例的相似病例;
将所述相似病例推荐给所述目标对象。
2.根据权利要求1所述的方法,其特征在于,各病例的诊断报告信息中均包括至少一个关键词,所述在与所述参考病例具有相同疾病的病例集合中,根据诊断报告信息之间的相似度筛选所述参考病例的相似病例,包括:
根据所述参考病例的关键词在所述病例集合中进行检索,得到包含指定关键词的病例作为候选病例,其中,所述指定关键词为与所述参考病例的任一关键词具有相似语义的关键词;
从由候选病例构成的候选病例集合中,按照关键词与指定关键词之间的相似度筛选出相似病例。
3.根据权利要求2所述的方法,其特征在于,所述从由候选病例构成的候选病例集合中,按照关键词与指定关键词之间的相似度筛选出相似病例,包括:
按照各候选病例中包含的指定关键词的排序参数、对各候选病例进行排序;所述排序参数包括指定关键词的重要程度和/或指定关键词的数量;
按照排序顺序,过滤掉指定数量的候选病例,由剩余的候选病例作为所述参考病例的相似病例。
4.根据权利要求3所述的方法,其特征在于,所述方法还包括:
根据所述指定数量与指定信息正相关、且与所述参考病例的关键词总量负相关的原则,确定所述指定数量;
其中,所述指定信息包括以下中的至少一种:候选病例的总数、候选病例的总数的调整因子、所有候选病例中包含的指定关键词总量。
5.根据权利要求1-4中任一所述的方法,其特征在于,所述根据诊断报告信息之间的相似度筛选所述参考病例的相似病例之后,所述方法还包括:
获取所述参考病例的各关键词的权值因子;以及,
对各相似病例,获取指定关键词的权值因子:
根据所述相似度与关键词的权值因子负相关、且与指定关键词的权值因子正相关的原则,确定各相似病例和所述参考病例的关联度;
按照病例之间的关联度,对相似病例进行排序;
所述将所述相似病例推荐给所述目标对象,包括:
按照关联度的排序顺序将所述相似病例推荐给所述目标对象。
6.根据权利要求5所述的方法,其特征在于,所述相似度还与以下信息中的至少一种具有正相关关系:相似病例的数量,相似病例的数量的调整因子。
7.根据权利要求1所述的方法,其特征在于,所述在与所述参考病例具有相同疾病的病例集合中,根据诊断报告信息之间的相似度筛选所述参考病例的相似病例之后,所述方法还包括:
分别获取所述参考病历和所述相似病历的诊断信息的有效度;所述有效度表示诊断报信息中的关键词与非关键词之间的字数差距;
根据所述相似病历的有效度,以及所述相似病历与所述参考病历的关联度,对各相似病历进行排序;
所述将所述相似病例推荐给所述目标对象,包括:
基于确定的排序将所述相似病历推荐给所述目标对象。
8.一种服务器,其特征在于,包括:
输入输出单元,被配置为与通信终端进行信息交互;
处理器,与所述输入输出单元连接,被配置为:
响应于目标对象对参考病例的选择指令,获取所述参考病例的诊断报告信息;
在与所述参考病例具有相同疾病的病例集合中,根据诊断报告信息之间的相似度筛选所述参考病例的相似病例;
将所述相似病例推荐给所述目标对象。
9.根据权利要求8所述的服务器,其特征在于,各病例的诊断报告信息中均包括至少一个关键词,所述处理器在执行在与所述参考病例具有相同疾病的病例集合中,根据诊断报告信息之间的相似度筛选所述参考病例的相似病例时,被配置为:
根据所述参考病例的关键词在所述病例集合中进行检索,得到包含指定关键词的病例作为候选病例,其中,所述指定关键词为与所述参考病例的任一关键词具有相似语义的关键词;
从由候选病例构成的候选病例集合中,按照关键词与指定关键词之间的相似度筛选出相似病例。
10.根据权利要求9所述的服务器,其特征在于,所述处理器在执行从由候选病例构成的候选病例集合中,按照关键词与指定关键词之间的相似度筛选出相似病例时,被配置为:
按照各候选病例中包含的指定关键词的排序参数、对各候选病例进行排序;所述排序参数包括指定关键词的重要程度和/或指定关键词的数量;
按照排序顺序,过滤掉指定数量的候选病例,由剩余的候选病例作为所述参考病例的相似病例。
11.根据权利要求10所述的服务器,其特征在于,所述处理器还被配置为:
根据所述指定数量与指定信息正相关、且与所述参考病例的关键词总量负相关的原则,确定所述指定数量;
其中,所述指定信息包括以下中的至少一种:候选病例的总数、候选病例的总数的调整因子、所有候选病例中包含的指定关键词总量。
12.根据权利要求8-11中任一所述的服务器,其特征在于,所述根据诊断报告信息之间的相似度筛选所述参考病例的相似病例之后,所述处理器还被配置为:
获取所述参考病例的各关键词的权值因子;以及,
对各相似病例,获取指定关键词的权值因子:
根据所述相似度与关键词的权值因子负相关、且与指定关键词的权值因子正相关的原则,确定各相似病例和所述参考病例的关联度;
按照病例之间的关联度,对相似病例进行排序;
在执行所述将所述相似病例推荐给所述目标对象时,所述处理器被配置为:
按照关联度的排序顺序将所述相似病例推荐给所述目标对象。
13.根据权利要求12所述的服务器,其特征在于,所述相似度还与以下信息中的至少一种具有正相关关系:相似病例的数量,相似病例的数量的调整因子。
14.根据权利要求8所述的服务器,其特征在于,所述在与所述参考病例具有相同疾病的病例集合中,根据诊断报告信息之间的相似度筛选所述参考病例的相似病例之后,所述处理器还被配置为:
分别获取所述参考病历和所述相似病历的诊断信息的有效度;所述有效度表示诊断报信息中的关键词与非关键词之间的字数差距;
根据所述相似病历的有效度,以及所述相似病历与所述参考病历的关联度,对各相似病历进行排序;
所述处理器在执行所述将所述相似病例推荐给所述目标对象时,被配置为:
基于确定的排序将相似病历推荐给所述目标对象。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010406634.2A CN111599482A (zh) | 2020-05-14 | 2020-05-14 | 电子病例推荐方法和服务器 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010406634.2A CN111599482A (zh) | 2020-05-14 | 2020-05-14 | 电子病例推荐方法和服务器 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111599482A true CN111599482A (zh) | 2020-08-28 |
Family
ID=72183735
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010406634.2A Pending CN111599482A (zh) | 2020-05-14 | 2020-05-14 | 电子病例推荐方法和服务器 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111599482A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112541064A (zh) * | 2020-12-09 | 2021-03-23 | 联仁健康医疗大数据科技股份有限公司 | 健康评测方法、装置、计算机设备及存储介质 |
CN112863659A (zh) * | 2021-02-23 | 2021-05-28 | 联仁健康医疗大数据科技股份有限公司 | 一种体检服务管理方法、装置、电子终端及存储介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015056069A (ja) * | 2013-09-12 | 2015-03-23 | 株式会社日立システムズ | 音声自動応答ヘルプデスクシステム及び音声自動応答ヘルプデスク方法 |
CN106502547A (zh) * | 2016-11-05 | 2017-03-15 | 深圳市前海安测信息技术有限公司 | 运用于移动终端的电子病历医疗数据查询系统及方法 |
CN106503468A (zh) * | 2016-11-05 | 2017-03-15 | 深圳市前海安测信息技术有限公司 | 医疗信息化基于匹配关键字的电子病历分析系统及方法 |
CN107958007A (zh) * | 2016-10-18 | 2018-04-24 | 浙江格林蓝德信息技术有限公司 | 病例信息检索方法及装置 |
CN109002449A (zh) * | 2017-06-06 | 2018-12-14 | 株式会社日立制作所 | 一种基于疾病相关属性检索诊断病例的装置及方法 |
CN109002442A (zh) * | 2017-06-06 | 2018-12-14 | 株式会社日立制作所 | 一种基于医生相关属性检索诊断病例的装置及方法 |
CN110277165A (zh) * | 2019-06-27 | 2019-09-24 | 清华大学 | 基于图神经网络的辅助诊断方法、装置、设备及存储介质 |
CN110517785A (zh) * | 2019-08-28 | 2019-11-29 | 北京百度网讯科技有限公司 | 相似病例的查找方法、装置及设备 |
CN110650210A (zh) * | 2019-10-14 | 2020-01-03 | 青岛海信医疗设备股份有限公司 | 影像数据获取方法、装置及存储介质 |
-
2020
- 2020-05-14 CN CN202010406634.2A patent/CN111599482A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015056069A (ja) * | 2013-09-12 | 2015-03-23 | 株式会社日立システムズ | 音声自動応答ヘルプデスクシステム及び音声自動応答ヘルプデスク方法 |
CN107958007A (zh) * | 2016-10-18 | 2018-04-24 | 浙江格林蓝德信息技术有限公司 | 病例信息检索方法及装置 |
CN106502547A (zh) * | 2016-11-05 | 2017-03-15 | 深圳市前海安测信息技术有限公司 | 运用于移动终端的电子病历医疗数据查询系统及方法 |
CN106503468A (zh) * | 2016-11-05 | 2017-03-15 | 深圳市前海安测信息技术有限公司 | 医疗信息化基于匹配关键字的电子病历分析系统及方法 |
CN109002449A (zh) * | 2017-06-06 | 2018-12-14 | 株式会社日立制作所 | 一种基于疾病相关属性检索诊断病例的装置及方法 |
CN109002442A (zh) * | 2017-06-06 | 2018-12-14 | 株式会社日立制作所 | 一种基于医生相关属性检索诊断病例的装置及方法 |
CN110277165A (zh) * | 2019-06-27 | 2019-09-24 | 清华大学 | 基于图神经网络的辅助诊断方法、装置、设备及存储介质 |
CN110517785A (zh) * | 2019-08-28 | 2019-11-29 | 北京百度网讯科技有限公司 | 相似病例的查找方法、装置及设备 |
CN110650210A (zh) * | 2019-10-14 | 2020-01-03 | 青岛海信医疗设备股份有限公司 | 影像数据获取方法、装置及存储介质 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112541064A (zh) * | 2020-12-09 | 2021-03-23 | 联仁健康医疗大数据科技股份有限公司 | 健康评测方法、装置、计算机设备及存储介质 |
CN112863659A (zh) * | 2021-02-23 | 2021-05-28 | 联仁健康医疗大数据科技股份有限公司 | 一种体检服务管理方法、装置、电子终端及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11763599B2 (en) | Model training method and apparatus, face recognition method and apparatus, device, and storage medium | |
Souri et al. | A new machine learning-based healthcare monitoring model for student’s condition diagnosis in Internet of Things environment | |
CN110033851B (zh) | 信息推荐方法、装置、存储介质及服务器 | |
US8799269B2 (en) | Optimizing map/reduce searches by using synthetic events | |
CN111105852B (zh) | 一种电子病历推荐方法、装置、终端及存储介质 | |
CN109918669B (zh) | 实体确定方法、装置及存储介质 | |
CN111095232B (zh) | 发掘用于机器学习技术中的基因组 | |
CN113724848A (zh) | 基于人工智能的医疗资源推荐方法、装置、服务器及介质 | |
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 | |
CN111382275A (zh) | 医疗知识图谱的构建方法、装置、介质及电子设备 | |
WO2021073110A1 (zh) | 基于对话机器人的分诊方法、装置、存储介质及机器人 | |
CN111599482A (zh) | 电子病例推荐方法和服务器 | |
CN110704659B (zh) | 图像列表的排序方法和装置、存储介质及电子装置 | |
US10558783B2 (en) | Image data ingestion application of a medical imaging data processing and retrieval system | |
CN113505256B (zh) | 特征提取网络训练方法、图像处理方法及装置 | |
CN113257412B (zh) | 信息处理方法、装置、计算机设备及存储介质 | |
CN113223734A (zh) | 基于算法、医学影像和大数据的疾病诊断和大健康管理平台 | |
CN115840809A (zh) | 一种信息推荐方法、装置、设备、系统及存储介质 | |
CN116959733A (zh) | 医疗数据的分析方法、装置、设备及存储介质 | |
Mahapatra et al. | MRMR-SSA: a hybrid approach for optimal feature selection | |
RU2251965C2 (ru) | Информационно-аналитическая система в области телемедицины | |
CN112309519B (zh) | 基于多模型的电子病历用药结构化处理系统 | |
Tarekegn et al. | Efficient Human Gait Activity Recognition Based on Sensor Fusion and Intelligent Stacking Framework | |
CN113707285A (zh) | 科室分诊方法、系统、设备以及存储介质 | |
CN110289065A (zh) | 一种辅助生成医学电子报告的控制方法以及装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200828 |