CN111681765B - 一种医学问答系统的多模型融合方法 - Google Patents
一种医学问答系统的多模型融合方法 Download PDFInfo
- Publication number
- CN111681765B CN111681765B CN202010353908.6A CN202010353908A CN111681765B CN 111681765 B CN111681765 B CN 111681765B CN 202010353908 A CN202010353908 A CN 202010353908A CN 111681765 B CN111681765 B CN 111681765B
- Authority
- CN
- China
- Prior art keywords
- medical
- determining
- model
- answering system
- question
- 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
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- 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
Abstract
本发明公开了一种医学问答系统的多模型融合方法。医学问答系统的多模型融合方法包括使用多个医学问答系统模型,得到多个组合模型;根据医学问题,使用组合模型获取医学答案,确定组合模型的匹配度评分和数据源的可用性评分,确定各医学答案的综合评分,根据综合评分确定医学答案并确定医学答案对应的一种或多种组合模型以进行返回等步骤。本发明能够较为全面地反映出每种医学问答系统模型的答题质量,可以实现将多种医学问答系统模型的优点融合起来的效果,使用户所获得的医学答案更有可能是最接近客观正确和更全面的医学答案,更全面有效地应对医学问题。本发明广泛应用于计算机技术领域。
Description
技术领域
本发明涉及计算机技术领域,尤其是一种医学问答系统的多模型融合方法。
背景技术
随着健康意识的提高,人们对医学知识的需求也在不断增长,希望能够向有知识的机构或人员咨询医学问题,并获得可靠的解答。一些慢性病患者,例如糖尿病患者,由于面临自身调节代谢的能力丧失,其病情容易受到气候变化、不当饮食、紧张劳累以及情绪波动等内外因素影响而变化,他们需要随时关注内在感受以及外在环境等信息,来评估自己的身体状况,确定疗养手段以进行长期病情控制;在这个过程中,患者可能随时产生咨询医学健康问题的需求,但是患者难以与医院等专业机构保持随时随地的密切沟通,因此患者也就难以获得针对医学问题的日常解答。
基于上述情况,患者或其家属有动机去使用医学智能问答系统查询获得针对医学问题的日常解答。现有的医学智能问答系统较为多样,分别基于浅层句法分析、知识库推理、加权衰变模型或常问问答库等技术,从Medline、KEGG或Yahoo!等数据源获取对医学问题的解答,这就造成了不同的医学智能问答系统针对同一医学问题提供的医学答案不一致甚至冲突的情况。而且不同的医学智能问答系统提供了多个不同的医学答案这个事实,也反映出单个医学智能问答系统所提供的医学答案可能是不完整的,不能充分地满足患者的需求。
发明内容
针对上述至少一个技术问题,本发明的目的在于提供一种医学问答系统的多模型融合方法。
本发明实施例中,医学问答系统的多模型融合方法包括以下步骤:
获取医学问题;
使用多个医学问答系统模型,得到多个医学问答系统的组合模型;
根据所述医学问题,使用至少一个所述组合模型,获取医学答案;
确定各所述组合模型的匹配度评分;
确定各所述组合模型在确定医学答案时所使用的数据源的可用性评分;
根据各所述匹配度评分和各所述可用性评分,分别确定各所述医学答案的综合评分;
根据各所述综合评分,确定一个或多个所述医学答案,并确定这些答案对应的一种或多种组合模型,以进行返回。
进一步地,所述使用多个医学问答系统模型,得到多个医学问答系统的组合模型这一步骤,具体包括:
确定待选择的所述多个医学问答系统模型;
根据所述医学问答系统模型的模型特点和用途,划分为若干医学问答系统模型类别;
根据一个或多个测试数据集,对所述划分类别中的每个类别所包含的医学问答系统模型进行性能验证,获取每个划分类别中的最优医学问答系统模型;
将各所述最优医学问答系统模型进行组合,从而得到至少一个所述组合模型;各所述组合模型分别包括至少两个所述最优医学问答系统模型。
进一步地,所述确定各组合模型在确定医学答案时所使用的数据源的可用性评分这一步骤,具体包括:
确定各所述组合模型在确定医学答案时所使用的数据源,以及所述数据源的优先度;
确定所述数据源的特征属性;所述特征属性包括类型、质量和可靠度;
根据所述优先度和特征属性,确定所述数据源的可用性评分。
进一步地,所述确定各所述组合模型的匹配度评分这一步骤,具体包括:
获取数据源;所述数据源包括多个知识元组,以及各所述知识元组各自可生成的答案;所述数据源还包括多个文本片段,以及各所述文本片段各自蕴含的答案信息;
根据所述医学问题,使用各所述组合模型,使用各所述数据源,将所述医学问题与所述数据源中的知识元组和文本片段进行对比计算;
根据对比计算结果,确定各所述组合模型的匹配度评分;
确定各所述组合模型在所述对比计算时对应的数据源。
进一步地,所述医学答案的综合评分为所述医学答案对应的所述匹配度评分和可用性评分的加权求和数。
进一步地,所述根据各所述综合评分,确定一个或多个所述医学答案这一步骤,具体包括:
确定所述综合评分最高的一个或多个所述医学答案。
本发明的有益效果是:本发明的实施例中,组合模型融合了各种类型下的最优医学问答系统模型的优点,所使用的可知匹配度评分是对组合模型本身的评价,所使用的可用性评分是对组合模型在确定医学答案时所使用的数据源的评价,每个医学答案的综合评分融合了上述两种评价的信息,能够较为全面地反映出每种组合模型的答题质量,通过返回综合评分最高的一个或多个所述医学答案,可以实现将多种医学问答系统模型的优点融合起来的效果,所获得的医学答案更有可能是最接近客观正确和更全面的医学答案,从而更容易全面有效地应对医学问题。
附图说明
图1为实施例中医学问答系统的多模型融合方法的流程图;
图2为实施例中医学问答系统的多模型融合方法的原理图;
图3为实施例中确定可用性评分的原理图;
图4为实施例中确定匹配度评分的原理图。
具体实施方式
实施例1
参照图1,本实施例中的医学问答系统的多模型融合方法,包括以下步骤:
S1.获取医学问题;
S2.使用多个医学问答系统模型,得到多个医学问答系统的组合模型;
S3.根据所述医学问题,使用至少一个所述组合模型,获取医学答案;
S4.确定各所述组合模型的匹配度评分;
S5.确定各组合模型在确定医学答案时所使用的数据源的可用性评分;
S6.根据各所述匹配度评分和各所述可用性评分,分别确定各所述医学答案的综合评分;
S7.根据各所述综合评分,确定一个或多个所述医学答案,并确定这些答案对应的一种或多种组合模型,以进行返回。
本实施例中,各个医学问答系统模型分别基于浅层句法分析、知识库推理、加权衰变模型或常问问答库等技术实现,所使用的医学问答系统模型本身可以是现有技术,例如现有的医学智能问答系统或者医学智能问答方法等。每个医学问答系统模型接收到医学问题后,可以选择从Medline、KEGG或Yahoo!等数据源查询得到相应的医学答案。
本实施例中,可以执行以下步骤,以获得各组合模型:
S201.确定待选择的所述多个医学问答系统模型;
S202.根据所述医学问答系统模型的模型特点和用途,划分为若干医学问答系统模型类别;
S203.根据一个或多个测试数据集,对所述划分类别中的每个类别所包含的医学问答系统模型进行性能验证,获取每个划分类别中的最优医学问答系统模型;
S204.将各所述最优医学问答系统模型进行组合,从而得到至少一个所述组合模型;各所述组合模型分别包括至少两个所述最优医学问答系统模型。
步骤S201-S204的原理如图2所示。本实施例中,医学问答系统模型1和医学问答系统模型4都属于类别1,而医学问答系统模型1是类别1中的最优医学问答系统模型;医学问答系统模型2和医学问答系统模型5都属于类别2,而医学问答系统模型5是类别2中的最优医学问答系统模型;医学问答系统模型3和医学问答系统模型6都属于类别3,而医学问答系统模型6是类别3中的最优医学问答系统模型。本实施例中,将医学问答系统模型1和医学问答系统模型5融合得到组合模型1,将医学问答系统模型1、医学问答系统模型5和医学问答系统模型6融合得到组合模型2,将医学问答系统模型5和医学问答系统模型6融合得到组合模型3。
本实施例中,可以执行以下步骤,以确定每个组合模型所使用的数据源的可用性评分:
S301.确定各所述组合模型在确定医学答案时所使用的数据源,以及所述数据源的优先度;
S302.确定所述数据源的特征属性;所述特征属性包括类型、质量和可靠度;
S303.根据所述优先度和特征属性,确定所述数据源的可用性评分。
步骤S301-S303的原理如图3所示。以组合模型1为例,在执行步骤S301时,先确定组合模型1可以使用的数据源,在组合模型1可以使用多个数据源的情况下,确定每个数据源的优先度,优先度越高的数据源,越优先被组合模型1使用。下一步,步骤S302中,确定组合模型1可以使用的每个数据源的特征属性,包括类型、质量和可靠度等可以量化的数据。在执行步骤S303时,将每个数据源的优先度与其自身的特征属性的乘积作为其可用性评分。
本实施例中,可以执行以下步骤,以确定每个组合模型的匹配度评分:
S401.获取数据源;
S402.根据所述医学问题,使用各所述组合模型,使用各所述数据源,将所述医学问题与所述数据源中的知识元组和文本片段进行对比计算;
S403.根据对比计算结果,确定各所述组合模型的匹配度评分;
S404.确定各所述组合模型在所述对比计算时对应的数据源。
步骤S401-S404的原理如图4所示。本实施例中,数据源包括多个知识元组,以及各所述知识元组各自可生成的答案;数据源还包括多个文本片段,以及各所述文本片段各自蕴含的答案信息。知识元组和文本片段包括一段文字、一个问句或者一个关键词等,例如“糖尿病的常见症状”、“二型糖尿病怎么办?”以及“糖尿病and医院and口碑”等。知识元组与其生成的答案是一一对应的关系,知识元组生成的答案是用于对知识元组进行解答的文段或词语。在执行步骤S402和S403时,可以使用语义分析技术,检测得到组合模型的输出结果与知识元组生成答案之间的相似度作为对比结果,并将匹配度评分设定为与相似度正相关的数值,即组合模型的输出结果与知识元组生成答案越相似,则组合模型的匹配度评分越高。
由步骤S301-S303和步骤S401-S404可知,本实施例中,组合模型与当前所使用的数据源之间可以是一一对应的关系,而本领域技术人员也可以根据需要,为每个组合模型设置多个可选的数据源;对于同一个医学问题,组合模型与其所述输出的医学答案之间也可以是一一对应的关系,因此根据一个医学答案,可以得知其属于哪个组合模型输出的,该组合模型在输出该医学答案的过程中使用了哪个数据源,从而可以根据一个医学答案查找得到相应的匹配度评分和可用性评分。
本实施例中,为匹配度评分和可用性评分分别设定权重,可以计算得到匹配度评分和可用性评分的加权求和数。同一医学答案所对应的匹配度评分和可用性评分的加权求和数,可以作为这一医学答案的综合评分。
本实施例中,将所述综合评分最高的一个或多个所述医学答案返回。
通过上述对步骤S1-S6的说明,可知匹配度评分可被视为对组合模型本身的评价,可用性评分可被视为对组合模型在确定医学答案时所使用的数据源的评价。本实施例中,每个医学答案的综合评分融合了上述两种评价的信息,能够较为全面地反映出每种组合模型的答题质量。通过返回综合评分最高的一个或多个所述医学答案,可以实现将多种组合模型的优点融合起来的效果,使用户所获得的医学答案更有可能是最接近客观正确的医学答案,在返回多个医学答案的情况下,可以在获得更接近客观正确的医学答案的基础上,使用户获得更全面的医学答案,从而更容易全面有效地应对医学问题。
需要说明的是,如无特殊说明,当某一特征被称为“固定”、“连接”在另一个特征,它可以直接固定、连接在另一个特征上,也可以间接地固定、连接在另一个特征上。此外,本公开中所使用的上、下、左、右等描述仅仅是相对于附图中本公开各组成部分的相互位置关系来说的。在本公开中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。此外,除非另有定义,本实施例所使用的所有的技术和科学术语与本技术领域的技术人员通常理解的含义相同。本实施例说明书中所使用的术语只是为了描述具体的实施例,而不是为了限制本发明。本实施例所使用的术语“和/或”包括一个或多个相关的所列项目的任意的组合。
应当理解,尽管在本公开可能采用术语第一、第二、第三等来描述各种元件,但这些元件不应限于这些术语。这些术语仅用来将同一类型的元件彼此区分开。例如,在不脱离本公开范围的情况下,第一元件也可以被称为第二元件,类似地,第二元件也可以被称为第一元件。本实施例所提供的任何以及所有实例或示例性语言(“例如”、“如”等)的使用仅意图更好地说明本发明的实施例,并且除非另外要求,否则不会对本发明的范围施加限制。
应当认识到,本发明的实施例可以由计算机硬件、硬件和软件的组合、或者通过存储在非暂时性计算机可读存储器中的计算机指令来实现或实施。所述方法可以使用标准编程技术-包括配置有计算机程序的非暂时性计算机可读存储介质在计算机程序中实现,其中如此配置的存储介质使得计算机以特定和预定义的方式操作——根据在具体实施例中描述的方法和附图。每个程序可以以高级过程或面向目标终端的编程语言来实现以与计算机系统通信。然而,若需要,该程序可以以汇编或机器语言实现。在任何情况下,该语言可以是编译或解释的语言。此外,为此目的该程序能够在编程的专用集成电路上运行。
此外,可按任何合适的顺序来执行本实施例描述的过程的操作,除非本实施例另外指示或以其他方式明显地与上下文矛盾。本实施例描述的过程(或变型和/或其组合)可在配置有可执行指令的一个或多个计算机系统的控制下执行,并且可作为共同地在一个或多个处理器上执行的代码(例如,可执行指令、一个或多个计算机程序或一个或多个应用)、由硬件或其组合来实现。所述计算机程序包括可由一个或多个处理器执行的多个指令。
进一步,所述方法可以在可操作地连接至合适的任何类型的计算平台中实现,包括但不限于个人电脑、迷你计算机、主框架、工作站、网络或分布式计算环境、单独的或集成的计算机平台、或者与带电粒子工具或其它成像装置通信等等。本发明的各方面可以以存储在非暂时性存储介质或设备上的机器可读代码来实现,无论是可移动的还是集成至计算平台,如硬盘、光学读取和/或写入存储介质、RAM、ROM等,使得其可由可编程计算机读取,当存储介质或设备由计算机读取时可用于配置和操作计算机以执行在此所描述的过程。此外,机器可读代码,或其部分可以通过有线或无线网络传输。当此类媒体包括结合微处理器或其他数据处理器实现上文所述步骤的指令或程序时,本实施例所述的发明包括这些和其他不同类型的非暂时性计算机可读存储介质。当根据本发明所述的方法和技术编程时,本发明还包括计算机本身。
计算机程序能够应用于输入数据以执行本实施例所述的功能,从而转换输入数据以生成存储至非易失性存储器的输出数据。输出信息还可以应用于一个或多个输出设备如显示器。在本发明优选的实施例中,转换的数据表示物理和有形的目标终端,包括显示器上产生的物理和有形目标终端的特定视觉描绘。
以上所述,只是本发明的较佳实施例而已,本发明并不局限于上述实施方式,只要其以相同的手段达到本发明的技术效果,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明保护的范围之内。在本发明的保护范围内其技术方案和/或实施方式可以有各种不同的修改和变化。
Claims (3)
1.一种医学问答系统的多模型融合方法,其特征在于,包括以下步骤:
获取医学问题;
使用多个医学问答系统模型,得到多个医学问答系统的组合模型;
根据所述医学问题,使用至少一个所述组合模型,获取医学答案;
确定各所述组合模型的匹配度评分;
确定各所述组合模型在确定医学答案时所使用的数据源的可用性评分;
根据各所述匹配度评分和各所述可用性评分,分别确定各所述医学答案的综合评分;
根据各所述综合评分,确定一个或多个所述医学答案,并确定这些答案对应的一种或多种组合模型,以进行返回;
所述使用多个医学问答系统模型,得到多个医学问答系统的组合模型这一步骤,具体包括:
确定待选择的所述多个医学问答系统模型;
根据所述医学问答系统模型的模型特点和用途,划分为若干医学问答系统模型类别;
根据一个或多个测试数据集,对划分类别中的每个类别所包含的医学问答系统模型进行性能验证,获取每个划分类别中的最优医学问答系统模型;
将各所述划分类别中的最优医学问答系统模型进行组合,从而得到至少一个所述组合模型;各所述组合模型分别包括至少两个所述最优医学问答系统模型;所述确定各组合模型在确定医学答案时所使用的数据源的可用性评分这一步骤,具体包括:
确定各所述组合模型在确定医学答案时所使用的数据源,以及所述数据源的优先度;
确定所述数据源的特征属性;所述特征属性包括类型、质量和可靠度;
根据所述优先度和特征属性,确定所述数据源的可用性评分;
所述确定各所述组合模型的匹配度评分这一步骤,具体包括:
获取数据源;所述数据源包括多个预置问题,以及各所述预置问题对应的答案;所述数据源还包括多个知识元组,以及各所述知识元组各自可生成的答案;所述数据源还包括多个文本片段,以及各所述文本片段各自蕴含的答案信息;
根据所述医学问题,使用各所述组合模型,使用各所述数据源,将所述医学问题与所述数据源中的预置问题、知识元组和文本片段进行对比计算;
根据对比计算结果,确定各所述组合模型的匹配度评分;
确定各所述组合模型在所述对比计算时对应的数据源。
2.根据权利要求1所述的医学问答系统的多模型融合方法,其特征在于,所述医学答案的综合评分为所述医学答案对应的所述匹配度评分和可用性评分的加权求和数,权重由样本数据集经过训练而得。
3.根据权利要求1所述的医学问答系统的多模型融合方法,其特征在于,所述根据各所述综合评分,确定一个或多个所述医学答案这一步骤,具体包括:
确定所述综合评分最高的一个或多个所述医学答案。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010353908.6A CN111681765B (zh) | 2020-04-29 | 2020-04-29 | 一种医学问答系统的多模型融合方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010353908.6A CN111681765B (zh) | 2020-04-29 | 2020-04-29 | 一种医学问答系统的多模型融合方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111681765A CN111681765A (zh) | 2020-09-18 |
CN111681765B true CN111681765B (zh) | 2023-08-11 |
Family
ID=72452669
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010353908.6A Active CN111681765B (zh) | 2020-04-29 | 2020-04-29 | 一种医学问答系统的多模型融合方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111681765B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112530584A (zh) * | 2020-12-15 | 2021-03-19 | 贵州小宝健康科技有限公司 | 一种医疗诊断辅助方法及系统 |
CN116070153A (zh) * | 2023-03-06 | 2023-05-05 | 四川省华盾防务科技股份有限公司 | 相控阵t/r组件故障参数的预测方法、装置、设备和介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6766320B1 (en) * | 2000-08-24 | 2004-07-20 | Microsoft Corporation | Search engine with natural language-based robust parsing for user query and relevance feedback learning |
CN109033229A (zh) * | 2018-06-29 | 2018-12-18 | 北京百度网讯科技有限公司 | 问答处理方法和装置 |
CN109585014A (zh) * | 2018-07-03 | 2019-04-05 | 清华大学 | 一种决策结果确定方法、装置、设备及可读存储介质 |
CN110647619A (zh) * | 2019-08-01 | 2020-01-03 | 中山大学 | 一种基于问题生成和卷积神经网络的常识问答方法 |
CN110727779A (zh) * | 2019-10-16 | 2020-01-24 | 信雅达系统工程股份有限公司 | 基于多模型融合的问答方法及系统 |
CN110895561A (zh) * | 2019-11-13 | 2020-03-20 | 中国科学院自动化研究所 | 基于多模态知识感知的医疗问答检索方法、系统、装置 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040167875A1 (en) * | 2003-02-20 | 2004-08-26 | Eriks Sneiders | Information processing method and system |
US8898159B2 (en) * | 2010-09-28 | 2014-11-25 | International Business Machines Corporation | Providing answers to questions using logical synthesis of candidate answers |
US9146918B2 (en) * | 2013-09-13 | 2015-09-29 | International Business Machines Corporation | Compressing data for natural language processing |
-
2020
- 2020-04-29 CN CN202010353908.6A patent/CN111681765B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6766320B1 (en) * | 2000-08-24 | 2004-07-20 | Microsoft Corporation | Search engine with natural language-based robust parsing for user query and relevance feedback learning |
CN109033229A (zh) * | 2018-06-29 | 2018-12-18 | 北京百度网讯科技有限公司 | 问答处理方法和装置 |
CN109585014A (zh) * | 2018-07-03 | 2019-04-05 | 清华大学 | 一种决策结果确定方法、装置、设备及可读存储介质 |
CN110647619A (zh) * | 2019-08-01 | 2020-01-03 | 中山大学 | 一种基于问题生成和卷积神经网络的常识问答方法 |
CN110727779A (zh) * | 2019-10-16 | 2020-01-24 | 信雅达系统工程股份有限公司 | 基于多模型融合的问答方法及系统 |
CN110895561A (zh) * | 2019-11-13 | 2020-03-20 | 中国科学院自动化研究所 | 基于多模态知识感知的医疗问答检索方法、系统、装置 |
Also Published As
Publication number | Publication date |
---|---|
CN111681765A (zh) | 2020-09-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11049165B2 (en) | System for clustering and aggregating data from multiple sources | |
Ghosh et al. | Quro: facilitating user symptom check using a personalised chatbot-oriented dialogue system | |
JP6629246B2 (ja) | クエリー曖昧性除去のための文脈に応じたコンテンツ取得ルールの学習と使用 | |
Jonnalagadda et al. | A new iterative method to reduce workload in systematic review process | |
US20210342212A1 (en) | Method and system for identifying root causes | |
US20140229199A1 (en) | System and method for dynamic and customized questionnaire generation | |
AU2017250467B2 (en) | Query optimizer for combined structured and unstructured data records | |
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 | |
CN111681765B (zh) | 一种医学问答系统的多模型融合方法 | |
Oreskovic et al. | Optimizing the use of electronic health records to identify high-risk psychosocial determinants of health | |
CN112307215A (zh) | 数据处理方法、装置及计算机可读存储介质 | |
US20200058408A1 (en) | Systems, methods, and apparatus for linking family electronic medical records and prediction of medical conditions and health management | |
Lin et al. | Predicting wait times in pediatric ophthalmology outpatient clinic using machine learning | |
KR20160145978A (ko) | 건강 정보 제공 시스템 및 방법 | |
AU2020202730B2 (en) | Method and system for personalizing software based on real time tracking of voice-of-customer feedback | |
CN113409907A (zh) | 一种基于互联网医院的智能预问诊方法及系统 | |
CN112509656A (zh) | 基于医疗机构的等级评价方法、装置、计算机设备及介质 | |
CN114491072A (zh) | 一种中医数据处理系统、方法、存储介质及终端 | |
CA2997354A1 (en) | Experience engine-method and apparatus of learning from similar patients | |
US20100088111A1 (en) | System and method for obtaining, processing and evaluating individual blood type and ayurvedic core constitution (prakruti) to construct a personalized health risk assessment report | |
Raffenaud et al. | Utilizing telemedicine in oncology settings: patient favourability rates and perceptions of use analysis using chi-square and neural networks | |
US11355239B1 (en) | Cross care matrix based care giving intelligence | |
Yan et al. | A co-citation analysis of cross-disciplinarity in the empirically-informed philosophy of mind | |
Burke | Process dissociation models in racial bias research: Updating the analytic method and integrating with signal detection approaches | |
CN110473636B (zh) | 基于深度学习的智能医嘱推荐方法及系统 |
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 |