CN111863238A - 一种基于平行智能的慢病诊疗系统及诊疗方法 - Google Patents
一种基于平行智能的慢病诊疗系统及诊疗方法 Download PDFInfo
- Publication number
- CN111863238A CN111863238A CN202010582282.6A CN202010582282A CN111863238A CN 111863238 A CN111863238 A CN 111863238A CN 202010582282 A CN202010582282 A CN 202010582282A CN 111863238 A CN111863238 A CN 111863238A
- Authority
- CN
- China
- Prior art keywords
- intelligent
- diagnosis
- treatment
- actual
- doctor
- 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
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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- 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
- G16H80/00—ICT specially adapted for facilitating communication between medical practitioners or patients, e.g. for collaborative diagnosis, therapy or health monitoring
Abstract
本发明公开了一种基于平行智能的慢病诊疗系统及诊疗方法,该系统包括实际诊疗系统、虚拟诊疗系统,以及虚实平行执行;所述实际诊疗系统包括实际医生、实际患者以及实际医生为实际患者诊断疾病和制定实际治疗方案的过程;所述虚拟诊疗系统包括智能医生、智能患者、以及智能医生根据智能患者的信息进行智能诊断和制定智能治疗方案的过程;所述虚实平行执行,包括智能医生与实际医生之间关于疾病诊断结果的交互和疾病治疗方案的交互,以及实际患者治疗过程中治疗效果的监测反馈与异常干预;本发明所公开的慢病诊疗系统可以保证诊断治疗方案的精准、可靠,并确保慢病患者治疗效果,为智能化的慢病诊疗研究提供一种可靠有效的解决方案。
Description
技术领域
本发明涉及智慧医疗疾病智能诊断与治疗技术领域,特别涉及一种基于平行智能的慢病诊疗系统及诊疗方法。
背景技术
慢病是指病情持续时间长、发展缓慢的疾病,主要包括心血管疾病、癌症、慢性呼吸系统疾病和糖尿病等,由于其高患病率和致残、死亡率,已经成为人类健康的主要威胁。由于各类慢性疾病早期症状不明显、病因复杂、病程长、可逆性小、治愈困难等特点,导致各类疾病的诊断与治疗更具不确定性与多样性。由于慢病患者易发生并发症或多个脏器功能衰竭,难以根据常用指南确定治疗目标,治疗时往往需要根据慢病及并发症给予综合治疗,因此,对医务人员的诊疗水平要求较高。对于患者,部分慢病难以根除,需要长期甚至终身治疗,要求患者坚持长期规范治疗,控制病情定期检查,根据治疗情况及时的调整药物用量,需要长期的医疗护理指导。目前,随着老龄化比例逐年提高,潜在慢病人群基数势必继续扩大,社会将面临日益严重的慢病挑战。
相比于日益增长的慢病患者,目前医疗资源有限,并且区域医疗资源不均衡、医务人员技术水平参差不齐、患者依存性、治疗达标率低等诊疗问题日益凸显。为此,提出发展“互联网+医疗”的措施,实现精准治疗、远程治疗,降低误诊误治率,更好的为患者服务。
发明内容
为解决上述技术问题,本发明提供了一种基于平行智能的慢病诊疗系统及诊疗方法,以达到用于辅助医生精准地诊断和治疗慢病患者的目的。
为达到上述目的,本发明的技术方案如下:
一种基于平行智能的慢病诊疗系统,包括实际诊疗系统、虚拟诊疗系统,以及虚实平行执行;
所述实际诊疗系统包括实际医生、实际患者以及实际医生为实际患者诊断疾病和制定实际治疗方案的过程;
所述虚拟诊疗系统包括智能医生、智能患者以及智能医生根据智能患者的信息进行智能诊断和制定智能治疗方案的过程;
所述智能患者,负责定期收集实际患者的患病信息,包括病历信息、化验结果信息、日常监测结果信息、以及影像学报告信息,反馈给智能医生;
所述智能医生,通过学习疾病诊断和治疗知识以及临床病例数据,构建智能诊断模型与智能治疗模型,并进行诊断计算实验和治疗计算实验,以得出智能诊断结果和智能治疗方案;
所述虚实平行执行,包括智能医生与实际医生之间关于疾病诊断结果的交互和疾病治疗方案的交互,智能患者与实际患者之间关于治疗效果的监测交互;
所述疾病诊断结果的交互为智能医生将智能诊断结果推荐给实际医生,实际医生确认是否采纳该智能诊断结果,并生成实际诊断结果,然后将实际诊断结果反馈给智能医生,用于更新智能诊断模型;
所述疾病治疗方案的交互为智能医生将智能治疗方案推荐给实际医生,实际医生确认是否采纳该智能治疗方案,并生成实际治疗方案,然后将实际治疗方案反馈给智能医生,用于更新智能治疗模型;
所述智能患者与实际患者之间关于治疗效果的监测交互,是指智能患者在实际患者治疗过程中对各项指标进行智能监测,以确定治疗效果,若未达到预期治疗效果,则反馈给智能医生重新确定智能治疗方案。
上述方案中,所述智能诊断模型将基于医学知识的诊断模型与基于临床数据的机器学习诊断模型相结合,给出智能诊断结果,同时给出诊断依据及过程解释。
上述方案中,所述智能治疗模型,通过分析实际诊断结果、各化验指标的数值、病情描述、查体、影像学检查以及以往的看诊记录给出智能治疗方案,具体精确到是否用药,以及药物名称和药物剂量。
上述方案中,所述基于医学知识的诊断模型通过建立慢病诊疗知识图谱,诊疗知识库,知识推理引擎,将医学知识变成可推理计算的知识图谱模型,实现疾病的自动诊断,包括图谱构建、实体识别、关系抽取、知识融合。
上述方案中,所述基于临床数据的机器学习诊断模型,通过深度学习模型从大量历史病例中学习诊断知识,其输入是患者的病历数据,输出是疾病诊断结果。
进一步的技术方案中,所述基于临床数据的机器学习诊断模型为基于Soft-Voting的疾病诊断预测模型,其模型构建与优化单元中,采用Soft-Voting方法对多个算法的分类概率值进行加权平均,采用随机森林、梯度提升树、XGBoost三种算法作为Soft-Voting方法的基本分类器,并使用网格搜索方法将三种算法调至最优参数模型。
更进一步的技术方案中,所述Soft-Voting方法具体如下:Soft-Voting的标签Label=argmax[P(j)],
其中,j代表对象类别;Wi表示第i个分类器的权重;Pij表示在第i个分类器上样本属于第j类的概率;P(j)表示样本属于第j类的概率;其中,分类器的权重数值采用网格搜索调参的方法选取最优权重。
一种基于平行智能的慢病诊疗方法,采用上述的一种基于平行智能的慢病诊疗系统,包括如下过程:
(1)智能患者定期收集实际患者的患病信息,包括病历信息、化验结果信息、日常监测结果信息、以及影像学报告信息,并反馈给智能医生;
(2)智能医生通过智能诊断模型,根据智能患者定期收集的患病信息进行诊断计算实验,给出智能诊断结果;
(3)智能医生将智能诊断结果推荐给实际医生,实际医生确认是否采纳该智能诊断结果,并生成该患者的实际诊断结果,然后将实际诊断结果反馈给智能医生,用于更新智能诊断模型;
(4)智能医生通过智能治疗模型,根据实际诊断结果及智能患者定期收集的患病信息进行治疗计算实验,给出智能治疗方案;
(5)智能医生将智能治疗方案推荐给实际医生,实际医生确认是否采纳该智能治疗方案,并生成该患者的实际治疗方案,然后将实际治疗方案反馈给智能医生,用于更新智能治疗模型;
(6)智能患者在实际患者治疗过程中对各项指标进行智能监测,以确定治疗效果,若未达到预期治疗效果,则反馈给智能医生,智能医生将重新进行治疗计算实验,重新确定新智能治疗方案,并将新智能治疗方案反馈给实际医生,以确认为该患者重新调整新实际治疗方案。
通过上述技术方案,本发明提供的一种基于平行智能的慢病诊疗系统及诊疗方法以实际医学临床应用为导向,利用知识图谱、深度学习、模糊逻辑、大数据挖掘等技术,融合了基于知识的模型与基于临床数据的深度学习模型,充分发挥“医学知识+临床数据”的优势,并让医生参与其中,实现诊疗系统诊断和治疗,使其具备医学知识自主扩展学习、合理病因推理以及自主诊断的功能,能够帮助医生有效提高诊疗的效率和准确率;同时,借助通过智能化监测设备,系统长期在线监测患者的指标情况,并及时反馈更新调整治疗方案。本发明为智能化的慢病诊疗研究提供一种可靠有效的解决方案。
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。
图1为本发明实施例所公开的一种基于平行智能的慢病诊疗系统组成示意图;
图2为本发明实施例所公开的一种基于平行智能的慢病诊疗方法流程示意图;
图3为本发明实施例所公开的治疗方案更新过程示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述。
本发明提供了一种基于平行智能的慢病诊疗系统,如图1所示,包括实际诊疗系统、虚拟诊疗系统,以及虚实平行执行。
一、实际诊疗系统
实际诊疗系统包括实际医生、实际患者以及实际医生为实际患者诊断疾病和制定实际治疗方案的过程。
二、虚拟诊疗系统
虚拟诊疗系统包括智能医生、智能患者、以及智能医生根据智能患者的信息进行智能诊断和制定智能治疗方案的过程。
1、智能医生,通过学习疾病诊断和治疗知识以及临床病例数据,利用平行智能方法,构建智能诊断模型与智能治疗模型,并进行诊断计算实验和治疗计算实验,以得出智能诊断结果和智能治疗方案。
(1)智能诊断模型将基于医学知识的诊断模型与基于临床数据的机器学习诊断模型相结合,给出智能诊断结果,同时给出诊断依据及过程解释。
基于医学知识的诊断模型通过建立慢病诊疗知识图谱,诊疗知识库,知识推理引擎,将医学知识变成可推理计算的知识图谱模型,实现疾病的自动诊断,包括图谱构建、实体识别、关系抽取、知识融合。
基于临床数据的机器学习诊断模型,通过深度学习模型从大量历史病例中学习诊断知识,其输入是患者的病历数据,输出是疾病诊断结果。
基于临床数据的机器学习诊断模型为基于Soft-Voting的疾病诊断预测模型,其模型构建与优化单元中,采用Soft-Voting方法对多个算法的分类概率值进行加权平均,采用随机森林、梯度提升树、XGBoost三种算法作为Soft-Voting方法的基本分类器,并使用网格搜索方法将三种算法调至最优参数模型。
Soft-Voting方法具体如下:Soft-Voting的标签Label=argmax[P(j)],
其中,j代表对象类别;Wi表示第i个分类器的权重;Pij表示在第i个分类器上样本属于第j类的概率;P(j)表示样本属于第j类的概率;其中,分类器的权重数值采用网格搜索调参的方法选取最优权重。
(2)智能治疗模型,通过分析实际诊断结果、各化验指标的数值、病情描述、查体、影像学检查以及以往的看诊记录给出智能治疗方案,具体精确到是否用药,以及药物名称和药物剂量。本模型主要通过指标收集模块、计算推理模块、模型训练模块来实现上述功能。
智能治疗模型基于大量慢病诊疗数据训练深度神经网络模型,通过收集实际慢病门诊看诊数据,训练深度学习网络,并通过深度网络挖掘疾病、症状与药物之间的关联关系,并不断优化模型,能够通过患者的症状、疾病与药物的映射关系进行推断,推理出患者系统化的精准治疗方案。模型可选择决策树、随机森林、GBDT、AdaBoost、循环神经网络(RNN)、长短期记忆模型(LSTM)、条件随机场(CRF)、贝叶斯网等模型。
该过程基于大量计算实验的治疗方案预测,将大量慢病临床医疗数据输入深度神经网络模型,引入基于特定任务驱动的融合层,将融入专家医生经验的知识图谱作为网络训练的先验知识,从而实现“专家经验+深度学习”的新型结构,充分发挥专家系统和深度学习的优势。能够通过大规模的模糊推理计算实验搜索最优解空间,给出最佳治疗方案的同时解释其决策依据。
模型学习与训练,模型的训练主要包括智能诊断模型的学习训练与智能治疗模型的学习与训练,智能诊断模型对不同的疾病分别建立预测模型,并针对不同疾病特点进行训练,利用有医生诊断标签的训练数据集进行监督学习获得相关诊断知识。智能治疗模型的训练,主要包括治疗知识图谱的构建与基于临床数据的治疗模型的构建。基于知识图谱的治疗模型主要将疾病治疗相关知识转化为知识图网络,其学习过程就是知识图谱的不断完善过程;基于数据的临床数据治疗模型主要利用深度学习方法,对大量临床病例进行学习,发现疾病与治疗方案之间的关联关系,从而实现根据疾病推荐治疗方案。
模型评估,本模型利用收集的临床诊疗测试数据集对智能疾病诊断模型和疾病治疗模型进行评估,评估指标主要有精确率(Precision)、召回率(Recall)、F1值(F1-Score)、准确率(Accuracy)等。
(3)诊断计算实验,通过智能诊断模型,根据智能患者定期收集的患病信息诊断疾病,给出智能诊断结果反馈给智能医生。该诊断采用基于知识+数据融合的模型来实现。通过将基于知识的诊断结果与基于数据的诊断结果相结合,在给出患者的智能诊断结果的同时,给出诊断依据及推理过程。
(4)治疗计算实验,通过智能治疗模型,根据实际诊断结果及智能患者定期收集的患病信息,给出智能治疗方案反馈给智能医生。该模型利用模糊推理及循证医学相关知识,给出智能治疗方案依据及过程解释。
治疗计算实验通过分析患者的诊断结果、各化验指标的数值、病情描述、查体、影像学检查以及以往的看诊记录(针对复诊患者)。通过将医疗知识融入基于知识的模型,确定各类疾病对应药物的使用条件,包括药物的适应症和禁忌等,通过基于数据的模型学习治疗该疾病的具体用药选择。由于慢性疾病患者往往同时合并多个疾病,需要综合治疗,选择最佳治疗方案,因此治疗计算实验过程中,还包括药物调整模型以使得针对该患者的治疗方案最佳。
2、智能患者,负责定期收集实际患者的患病信息,包括病历信息、化验结果信息、日常监测结果信息、以及影像学报告信息,反馈给智能医生。主要通过系统的实际患者端及相关智能硬件设备来完成,智能硬件设备,包括血压仪、血糖仪、尿酸仪等设备,将实际患者定期的指标检测结果自动上传至智能患者端,进行智能监测,以确定治疗效果,如图3所示,若未达到预期治疗效果,智能医生将重新进行治疗计算实验,重新确定新智能治疗方案,并将新智能治疗方案反馈给实际医生,以确认为该患者重新调整新实际治疗方案。
三、虚实平行执行
虚实平行执行,包括智能医生与实际医生关于疾病诊断结果的交互和疾病治疗方案的交互,智能患者与实际患者之间关于治疗效果的监测交互。
1、疾病诊断结果的交互为智能医生将智能诊断结果推荐给实际医生,实际医生确认是否采纳,并将实际诊断结果反馈给智能医生,用于更新智能诊断模型。
2、疾病治疗方案的交互为智能医生将智能治疗方案推荐给实际医生,实际医生确认是否采纳,并将实际治疗方案反馈给智能医生,用于更新智能治疗模型,确保治疗方案的准确性和有效性。
3、智能患者与实际患者之间关于治疗效果的监测交互,是指智能患者在实际患者治疗过程中对各项指标进行智能监测,以确定治疗效果,若未达到预期治疗效果,则反馈给智能医生重新确定智能治疗方案。
如图2所示,一种基于平行智能的慢病诊疗方法,采用上述的一种基于平行智能的慢病诊疗系统,包括如下过程:
(1)智能患者定期收集实际患者的患病信息,包括病历信息、化验结果信息、日常监测结果信息、以及影像学报告信息,并反馈给智能医生;
(2)智能医生通过智能诊断模型,根据智能患者定期收集的患病信息进行诊断计算实验,给出智能诊断结果;
(3)智能医生将智能诊断结果推荐给实际医生,实际医生确认是否采纳该智能诊断结果,并生成该患者的实际诊断结果,然后将实际诊断结果反馈给智能医生,用于更新智能诊断模型;
(4)智能医生通过智能治疗模型,根据实际诊断结果及智能患者定期收集的患病信息进行治疗计算实验,给出智能治疗方案;
(5)智能医生将智能治疗方案推荐给实际医生,实际医生确认是否采纳该智能治疗方案,并生成该患者的实际治疗方案,然后将实际治疗方案反馈给智能医生,用于更新智能治疗模型;
(6)智能患者在实际患者治疗过程中对各项指标进行智能监测,以确定治疗效果,如图3所示,若未达到预期治疗效果,则反馈给智能医生,智能医生将重新进行治疗计算实验,重新确定新智能治疗方案,并将新智能治疗方案反馈给实际医生,以确认为该患者重新调整新实际治疗方案。
由于慢病的治疗过程漫长,需要长期用药,现实中医生无法长期主动跟踪检测病人的治疗情况,通过智能医生及部分便携式检测装置,可以实现病人的病情的长期监测,并对治疗过程中出现的异常情况及时分析,并及时提示患者就诊,重新调整治疗方案。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (8)
1.一种基于平行智能的慢病诊疗系统,其特征在于,包括实际诊疗系统、虚拟诊疗系统,以及虚实平行执行;
所述实际诊疗系统包括实际医生、实际患者以及实际医生为实际患者诊断疾病和制定实际治疗方案的过程;
所述虚拟诊疗系统包括智能医生、智能患者以及智能医生根据智能患者的信息进行智能诊断和制定智能治疗方案的过程;
所述智能患者,负责定期收集实际患者的患病信息,包括病历信息、化验结果信息、日常监测结果信息、以及影像学报告信息,反馈给智能医生;
所述智能医生,通过学习疾病诊断和治疗知识以及临床病例数据,构建智能诊断模型与智能治疗模型,并进行诊断计算实验和治疗计算实验,以得出智能诊断结果和智能治疗方案;
所述虚实平行执行,包括智能医生与实际医生之间关于疾病诊断结果的交互和疾病治疗方案的交互,智能患者与实际患者之间关于治疗效果的监测交互;
所述疾病诊断结果的交互为智能医生将智能诊断结果推荐给实际医生,实际医生确认是否采纳该智能诊断结果,并生成实际诊断结果,然后将实际诊断结果反馈给智能医生,用于更新智能诊断模型;
所述疾病治疗方案的交互为智能医生将智能治疗方案推荐给实际医生,实际医生确认是否采纳该智能治疗方案,并生成实际治疗方案,然后将实际治疗方案反馈给智能医生,用于更新智能治疗模型;
所述智能患者与实际患者之间关于治疗效果的监测交互,是指智能患者在实际患者治疗过程中对各项指标进行智能监测,以确定治疗效果,若未达到预期治疗效果,则反馈给智能医生重新确定智能治疗方案。
2.根据权利要求1所述的一种基于平行智能的慢病诊疗系统,其特征在于,所述智能诊断模型将基于医学知识的诊断模型与基于临床数据的机器学习诊断模型相结合,给出智能诊断结果,同时给出诊断依据及过程解释。
3.根据权利要求1所述的一种基于平行智能的慢病诊疗系统,其特征在于,所述智能治疗模型,通过分析实际诊断结果、各化验指标的数值、病情描述、查体、影像学检查以及以往的看诊记录给出智能治疗方案,具体精确到是否用药,以及药物名称和药物剂量。
4.根据权利要求2所述的一种基于平行智能的慢病诊疗系统,其特征在于,所述基于医学知识的诊断模型通过建立慢病诊疗知识图谱,诊疗知识库,知识推理引擎,将医学知识变成可推理计算的知识图谱模型,实现疾病的自动诊断,包括图谱构建、实体识别、关系抽取、知识融合。
5.根据权利要求2所述的一种基于平行智能的慢病诊疗系统,其特征在于,所述基于临床数据的机器学习诊断模型,通过深度学习模型从大量历史病例中学习诊断知识,其输入是患者的病历数据,输出是疾病诊断结果。
6.根据权利要求5所述的一种基于平行智能的慢病诊疗系统,其特征在于,所述基于临床数据的机器学习诊断模型为基于Soft-Voting的疾病诊断预测模型,其模型构建与优化单元中,采用Soft-Voting方法对多个算法的分类概率值进行加权平均,采用随机森林、梯度提升树、XGBoost三种算法作为Soft-Voting方法的基本分类器,并使用网格搜索方法将三种算法调至最优参数模型。
8.一种基于平行智能的慢病诊疗方法,采用如权利要求1所述的一种基于平行智能的慢病诊疗系统,其特征在于,包括如下过程:
(1)智能患者定期收集实际患者的患病信息,包括病历信息、化验结果信息、日常监测结果信息、以及影像学报告信息,并反馈给智能医生;
(2)智能医生通过智能诊断模型,根据智能患者定期收集的患病信息进行诊断计算实验,给出智能诊断结果;
(3)智能医生将智能诊断结果推荐给实际医生,实际医生确认是否采纳该智能诊断结果,并生成该患者的实际诊断结果,然后将实际诊断结果反馈给智能医生,用于更新智能诊断模型;
(4)智能医生通过智能治疗模型,根据实际诊断结果及智能患者定期收集的患病信息进行治疗计算实验,给出智能治疗方案;
(5)智能医生将智能治疗方案推荐给实际医生,实际医生确认是否采纳该智能治疗方案,并生成该患者的实际治疗方案,然后将实际治疗方案反馈给智能医生,用于更新智能治疗模型;
(6)智能患者在实际患者治疗过程中对各项指标进行智能监测,以确定治疗效果,若未达到预期治疗效果,则反馈给智能医生,智能医生将重新进行治疗计算实验,重新确定新智能治疗方案,并将新智能治疗方案反馈给实际医生,以确认为该患者重新调整新实际治疗方案。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010582282.6A CN111863238A (zh) | 2020-06-23 | 2020-06-23 | 一种基于平行智能的慢病诊疗系统及诊疗方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010582282.6A CN111863238A (zh) | 2020-06-23 | 2020-06-23 | 一种基于平行智能的慢病诊疗系统及诊疗方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111863238A true CN111863238A (zh) | 2020-10-30 |
Family
ID=72988481
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010582282.6A Pending CN111863238A (zh) | 2020-06-23 | 2020-06-23 | 一种基于平行智能的慢病诊疗系统及诊疗方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111863238A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112435745A (zh) * | 2020-12-18 | 2021-03-02 | 深圳赛安特技术服务有限公司 | 就诊策略推荐方法、装置、电子设备及存储介质 |
CN112466423A (zh) * | 2020-12-08 | 2021-03-09 | 北京无极慧通科技有限公司 | 智能慢病健康管理方法及系统 |
CN112837804A (zh) * | 2021-01-07 | 2021-05-25 | 港湾之星健康生物(深圳)有限公司 | 人工智能个性化慢病健康管疗的方法 |
CN112951414A (zh) * | 2021-03-26 | 2021-06-11 | 嘉兴市第二医院 | 基层医疗临床辅助决策系统 |
CN113506622A (zh) * | 2021-07-12 | 2021-10-15 | 曹庆恒 | 一种智能诊断分析系统及其使用方法 |
CN113808736A (zh) * | 2021-09-13 | 2021-12-17 | 浙江海心智惠科技有限公司 | 一种可根据病历时间切片的癌症智能诊疗决策系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050033121A1 (en) * | 2001-12-28 | 2005-02-10 | Modrovich Ivan E. | Diagnostic information systems |
CN105303059A (zh) * | 2015-11-20 | 2016-02-03 | 杭州看上科技有限公司 | 一种基于智能移动设备和智能大数据分析的远程诊疗系统 |
CN109785976A (zh) * | 2018-12-11 | 2019-05-21 | 青岛中科慧康科技有限公司 | 一种基于Soft-Voting的痛风病分期预测系统 |
KR20190132290A (ko) * | 2018-05-18 | 2019-11-27 | 주식회사 송아리아이티 | 환자 진단 학습 방법, 서버 및 프로그램 |
-
2020
- 2020-06-23 CN CN202010582282.6A patent/CN111863238A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050033121A1 (en) * | 2001-12-28 | 2005-02-10 | Modrovich Ivan E. | Diagnostic information systems |
CN105303059A (zh) * | 2015-11-20 | 2016-02-03 | 杭州看上科技有限公司 | 一种基于智能移动设备和智能大数据分析的远程诊疗系统 |
KR20190132290A (ko) * | 2018-05-18 | 2019-11-27 | 주식회사 송아리아이티 | 환자 진단 학습 방법, 서버 및 프로그램 |
CN109785976A (zh) * | 2018-12-11 | 2019-05-21 | 青岛中科慧康科技有限公司 | 一种基于Soft-Voting的痛风病分期预测系统 |
Non-Patent Citations (2)
Title |
---|
SHUAI WANG等: "Blockchain-Powered Parallel Healthcare Systems Based on the ACP Approach", IEEE TRANSACTIONS ON COMPUTATIONAL SOCIAL SYSTEMS, vol. 5, no. 4, pages 942 - 950, XP011699468, DOI: 10.1109/TCSS.2018.2865526 * |
王飞跃等: "平行高特:基于ACP的平行痛风诊疗系统框架", 模式识别与人工智能, vol. 30, no. 12, pages 1 - 3 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112466423A (zh) * | 2020-12-08 | 2021-03-09 | 北京无极慧通科技有限公司 | 智能慢病健康管理方法及系统 |
CN112435745A (zh) * | 2020-12-18 | 2021-03-02 | 深圳赛安特技术服务有限公司 | 就诊策略推荐方法、装置、电子设备及存储介质 |
CN112435745B (zh) * | 2020-12-18 | 2024-04-05 | 深圳赛安特技术服务有限公司 | 就诊策略推荐方法、装置、电子设备及存储介质 |
CN112837804A (zh) * | 2021-01-07 | 2021-05-25 | 港湾之星健康生物(深圳)有限公司 | 人工智能个性化慢病健康管疗的方法 |
CN112951414A (zh) * | 2021-03-26 | 2021-06-11 | 嘉兴市第二医院 | 基层医疗临床辅助决策系统 |
CN113506622A (zh) * | 2021-07-12 | 2021-10-15 | 曹庆恒 | 一种智能诊断分析系统及其使用方法 |
CN113808736A (zh) * | 2021-09-13 | 2021-12-17 | 浙江海心智惠科技有限公司 | 一种可根据病历时间切片的癌症智能诊疗决策系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111863238A (zh) | 一种基于平行智能的慢病诊疗系统及诊疗方法 | |
Chang et al. | Pima Indians diabetes mellitus classification based on machine learning (ML) algorithms | |
Lin et al. | Applications of artificial intelligence to electronic health record data in ophthalmology | |
CN110880362B (zh) | 一种大规模医疗数据知识挖掘与治疗方案推荐系统 | |
Yao et al. | Liver disease screening based on densely connected deep neural networks | |
US20040103001A1 (en) | System and method for automatic diagnosis of patient health | |
Dami et al. | Predicting cardiovascular events with deep learning approach in the context of the internet of things | |
Marling et al. | Synergistic case-based reasoning in medical domains | |
CN113241196B (zh) | 基于云-终端协同的远程医疗与分级监控系统 | |
Wei et al. | Risk assessment of cardiovascular disease based on SOLSSA-CatBoost model | |
Bellazzi et al. | Data mining technologies for blood glucose and diabetes management | |
Schlosser et al. | Visual acuity prediction on real-life patient data using a machine learning based multistage system | |
Montani et al. | A multi-modal reasoning methodology for managing IDDM patients | |
Shukla et al. | Cloud computing with artificial intelligence techniques for effective disease detection | |
Basha et al. | Deep learning neural network (DLNN)-based classification and optimization algorithm for organ inflammation disease diagnosis | |
US11322250B1 (en) | Intelligent medical care path systems and methods | |
Amalarathinam et al. | A New Monotony Advanced Decision Tree Using Graft Algorithm to Predict the Diagnosis of Diabetes Mellitus | |
CN114783587A (zh) | 严重急性肾损伤智能预测系统 | |
Wang et al. | Prediction of target range of intact parathyroid hormone in hemodialysis patients with artificial neural network | |
Zhang et al. | Learning Representations from Local to Global for Fine-grained Patient Similarity Measuring in Intensive Care Unit | |
Madhuri et al. | Novel Internet of Things Based Disease Diagnosis Framework for Smart Healthcare Schemes using Combined Optimized Artificial Intelligence Approach | |
Lei et al. | Intelligent generation technology of sub-health diagnosis case based on case reasoning | |
D'Antoni et al. | Early experience in forecasting blood glucose levels using a delayed and auto-regressive jump neural network | |
Kamra et al. | An experimental outlook to design and measure efficacy of an artificial intelligence based medical diagnosis support system | |
Rajendran et al. | A review on patient monitoring and diagnosis assistance by artificial intelligence tools |
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 |