CN111933285B - 一种器官年龄预测系统、方法、装置及存储介质 - Google Patents

一种器官年龄预测系统、方法、装置及存储介质 Download PDF

Info

Publication number
CN111933285B
CN111933285B CN202011049080.1A CN202011049080A CN111933285B CN 111933285 B CN111933285 B CN 111933285B CN 202011049080 A CN202011049080 A CN 202011049080A CN 111933285 B CN111933285 B CN 111933285B
Authority
CN
China
Prior art keywords
target
organ
age
data
historical
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
Application number
CN202011049080.1A
Other languages
English (en)
Other versions
CN111933285A (zh
Inventor
马欣玥
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ping An Technology Shenzhen Co Ltd
Original Assignee
Ping An Technology Shenzhen Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Ping An Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Priority to CN202011049080.1A priority Critical patent/CN111933285B/zh
Publication of CN111933285A publication Critical patent/CN111933285A/zh
Application granted granted Critical
Publication of CN111933285B publication Critical patent/CN111933285B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

本申请实施例公开了一种器官年龄预测系统、方法、装置及存储介质，应用于医疗技术领域，该系统包括器官年龄预测平台和器官年龄预测平台对应的服务器，其中：器官年龄预测平台，用于向服务器发送包括目标用户与目标器官关联的目标时序医疗数据集的器官年龄预测请求；服务器，用于根据该目标时序医疗数据集确定目标用户的目标器官的年龄，并向器官年龄预测平台返回目标器官的年龄。通过本申请实施例，有利于高效准确地实现对目标器官年龄的预测。本申请涉及区块链技术，如可将目标用户的目标时序医疗数据集写入区块链中，以用于预测目标用户的目标器官年龄等场景下。

Description

一种器官年龄预测系统、方法、装置及存储介质
技术领域
本申请涉及数据分析技术领域，具体应用于医疗技术领域，具体涉及一种器官年龄预测系统、一种器官年龄预测方法、一种器官年龄预测装置、一种服务器及一种计算机可读存储介质。
背景技术
随着社会发展、生活节奏的加快以及生活水平的提高，人们不健康的生活方式、行为、习惯常常导致目标器官提前衰老，引起与目标器官关联的疾病发生。
对于所有人，知道自己的衰老程度将有助于理解身体的状况，理解改善生活方式、行为、习惯和其他预防措施，可以减少未来与目标器官关联的疾病发生的风险；对于大多数人，计算目标器官衰老程度评估值能够让自己知道在年轻时坚持养成良好健康的生活习惯对身体有多大潜在益处，而不会到了年老时再去寻医问药。因此，对目标器官衰老程度及时评估，以尽早采取措施，进行干预、治疗，防患于未然，就显得尤为重要。
发明内容
本申请实施例提供了一种器官年龄预测系统、方法、装置及存储介质，可以高效准确地实现对目标器官年龄的预测。
本申请实施例第一方面提供了一种器官年龄预测系统，其特征在于，该系统包括器官年龄预测平台和器官年龄预测平台对应的服务器，其中：
所述器官年龄预测平台，用于向所述服务器发送器官年龄预测请求，所述器官年龄预测请求中包括目标用户与目标器官关联的目标时序医疗数据和所述目标用户的年龄，所述目标时序医疗数据集包括所述目标用户在各历史时间节点的各历史医疗数据；
所述服务器，用于接收所述器官年龄预测请求，从所述目标时序医疗数据集中提取所述目标用户在所述各历史时间节点的结构化数据，并从所述结构化数据中筛选所述目标用户在所述各历史时间节点与目标风险指标匹配的风险指标数据，所述目标风险指标是根据所述目标器官的关联疾病预先确定的；
调用目标数据处理模型对所述风险指标数据进行数据分析，并基于数据分析结果确定所述目标用户在第一时间节点患有目标疾病的第一概率，所述目标疾病为所述关联疾病中的任一种；根据所述目标用户的年龄确定参考年龄区间，从预设存储区域中获取对照样本的时序风险指标对照数据集和对照样本的年龄，任一对照样本的时序风险指标对照数据集包括所述任一对照样本在各历史时间节点与所述目标器官关联的各风险指标数据，所述对照样本的年龄属于所述参考年龄区间；
调用所述目标数据处理模型对所述对照样本的时序风险指标对照数据集进行数据分析，以确定所述对照样本中各对照样本在第二时间节点患有所述目标疾病的第二概率；从所述各对照样本中确定所述第二概率与所述第一概率相同的目标对照样本，根据所述目标对照样本的年龄确定所述目标用户的目标器官的年龄，并向所述器官年龄预测平台返回所述目标器官的年龄。
本申请实施例第二方面提供了一种器官年龄预测方法，包括：
接收器官年龄预测请求，所述器官年龄预测请求中包括目标用户与目标器官关联的目标时序医疗数据和所述目标用户的年龄，所述目标时序医疗数据集包括所述目标用户在各历史时间节点的各历史医疗数据；
从所述目标时序医疗数据集中提取所述目标用户在所述各历史时间节点的结构化数据，并从所述结构化数据中筛选所述目标用户在所述各历史时间节点与目标风险指标匹配的风险指标数据，所述目标风险指标是根据所述目标器官的关联疾病预先确定的；
调用目标数据处理模型对所述风险指标数据进行数据分析，并基于数据分析结果确定所述目标用户在第一时间节点患有目标疾病的第一概率，所述目标疾病为所述关联疾病中的任一种；
根据所述目标用户的年龄确定参考年龄区间，从预设存储区域中获取对照样本的时序风险指标对照数据集和对照样本的年龄，任一对照样本的时序风险指标对照数据集包括所述任一对照样本在各历史时间节点与所述目标器官关联的各风险指标数据，所述对照样本的年龄属于所述参考年龄区间；
调用所述目标数据处理模型对所述对照样本的时序风险指标对照数据集进行数据分析，以确定所述对照样本中各对照样本在第二时间节点患有所述目标疾病的第二概率；
从所述各对照样本中确定所述第二概率与所述第一概率相同的目标对照样本，根据所述目标对照样本的年龄确定所述目标用户的目标器官的年龄，并向所述器官年龄预测平台返回所述目标器官的年龄。
本申请实施例第三方面提供了一种器官年龄预测装置，包括：
通信模块，用于接收器官年龄预测请求，所述器官年龄预测请求中包括目标用户与目标器官关联的目标时序医疗数据和所述目标用户的年龄，所述目标时序医疗数据集包括所述目标用户在各历史时间节点的各历史医疗数据；
处理模块，用于从所述目标时序医疗数据集中提取所述目标用户在所述各历史时间节点的结构化数据，并从所述结构化数据中筛选所述目标用户在所述各历史时间节点与目标风险指标匹配的风险指标数据，所述目标风险指标是根据所述目标器官的关联疾病预先确定的；
所述处理模块，还用于调用目标数据处理模型对所述风险指标数据进行数据分析，并基于数据分析结果确定所述目标用户在第一时间节点患有目标疾病的第一概率，所述目标疾病为所述关联疾病中的任一种；根据所述目标用户的年龄确定参考年龄区间，从预设存储区域中获取对照样本的时序风险指标对照数据集和对照样本的年龄，任一对照样本的时序风险指标对照数据集包括所述任一对照样本在各历史时间节点与所述目标器官关联的各风险指标数据，所述对照样本的年龄属于所述参考年龄区间；
所述处理模块，还用于调用所述目标数据处理模型对所述对照样本的时序风险指标对照数据集进行数据分析，以确定所述对照样本中各对照样本在第二时间节点患有所述目标疾病的第二概率；从所述各对照样本中确定所述第二概率与所述第一概率相同的目标对照样本，根据所述目标对照样本的年龄确定所述目标用户的目标器官的年龄；
所述通信模块，还用于向所述器官年龄预测平台返回所述目标器官的年龄。
本申请实施例第四方面提供了一种服务器，包括处理器和存储器，所述处理器和存储器相互连接，其中，所述存储器用于存储计算机程序，所述计算机程序包括程序，所述处理器被配置用于调用所述程序，执行上述第二方面所述的方法。
本申请实施例第五方面提供了一种计算机可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时使所述处理器执行上述第二方面所述的方法。
在本申请实施例中，可接收包括目标用户与目标器官关联的目标时序医疗数据集的器官年龄预测请求，从目标时序医疗数据集中提取目标用户在各历史时间节点的结构化数据，并从结构化数据中筛选目标用户在各历史时间节点与目标风险指标匹配的风险指标数据。进一步地，可调用目标数据处理模型对风险指标数据进行数据分析，并基于数据分析结果确定目标用户在第一时间节点患有目标疾病的第一概率，根据目标用户的年龄确定参考年龄区间，从预设存储区域中获取对照样本的时序风险指标对照数据集和对照样本的年龄；调用目标数据处理模型对对照样本的时序风险指标对照数据集进行数据分析，以确定对照样本中各对照样本在第二时间节点患有目标疾病的第二概率；从各对照样本中确定第二概率与第一概率相同的目标对照样本，根据目标对照样本的年龄确定目标用户的目标器官的年龄，并向器官年龄预测平台返回目标器官的年龄。有利于高效准确地实现对目标器官年龄的预测。
附图说明
为了更清楚地说明本申请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，下面描述的附图仅仅是本申请的一些实施例，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是本申请实施例提供的一种器官年龄预测系统的架构示意图；
图2是本申请实施例提供的一种器官年龄预测方法的流程示意图；
图3是本申请实施例提供的一种器官年龄预测装置的结构示意图；
图4是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
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，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作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
请参见图1，本申请实施提出了一种器官年龄预测系统，该系统包括器官年龄预测平台和器官年龄预测平台对应的服务器，此处的服务器理解为器官年龄预测平台的后端服务器，该服务器可以指一台独立的物理设备，也可以指服务器集群，其中：
器官年龄预测平台，用于向服务器发送器官年龄预测请求，器官年龄预测请求中包括目标用户与目标器官关联的目标时序医疗数据集和目标用户的年龄。
具体实现中，当任一用户（即目标用户）想要预测自身目标器官（例如胰腺和肾脏）的年龄时，可以在器官年龄预测平台上传自身与目标器官关联的目标时序医疗数据，其中，目标时序医疗数据集包括目标用户在各历史时间节点的各历史医疗数据。进一步地，当检测到目标用户提交的器官年龄预测指令时，可以获取该目标用户的年龄，并生成包括上述目标时序医疗数据和目标用户的年龄的器官年龄预测请求，向服务器发送上述器官年龄预测请求。
在另一个实施例中，上述目标时序医疗数据集除了可以通过用户自己上传以外，还可以由器官年龄预测平台获取。具体地，目标用户可提交器官年龄预测指令，该器官年龄预测指令携带有目标用户的身份信息，器官年龄预测平台可以预先对接的医疗大数据平台或者区块链中，根据目标用户的身份信息获取该目标用户的目标时序医疗数据集。
其中，区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。目标用户在任一历史时间节点的历史医疗数据包括目标用户的诊疗记录，每次就诊包含的各种诊断、检验、检查、药物、手术项目等数据。
服务器，用于从目标时序医疗数据集中提取目标用户在各历史时间节点的结构化数据，并从结构化数据中筛选目标用户在各历史时间节点与目标风险指标匹配的风险指标数据，目标风险指标是根据目标器官的关联疾病预先确定的。
服务器，还用于调用目标数据处理模型对风险指标数据进行数据分析，并基于数据分析结果确定目标用户在第一时间节点患有目标疾病的第一概率，目标疾病为关联疾病中的任一种。进一步，根据目标用户的年龄确定参考年龄区间，从预设存储区域中获取对照样本的时序风险指标对照数据集和对照样本的年龄，任一对照样本的时序风险指标对照数据集包括所述任一对照样本在各历史时间节点与所述目标器官关联的各风险指标数据，对照样本的年龄属于参考年龄区间；
服务器，还用于调用目标数据处理模型对对照样本的时序风险指标对照数据集进行数据分析，以确定对照样本中各对照样本在第二时间节点患有目标疾病的第二概率，从各对照样本中确定第二概率与所述第一概率相同的目标对照样本，根据目标对照样本的年龄确定目标用户的目标器官的年龄，并向器官年龄预测平台返回目标器官的年龄。
进一步地，器官年龄预测平台接收到器官年龄预测平台返回的上述目标器官的年龄后，可以向目标用户显示该目标器官的年龄。目标用户可以根据该目标器官的年龄，改善自身生活方式、行为、习惯和其他预防措施。
在一个实施例中，服务器，还用于：采集至少一个用户的时序医疗数据集，任一用户的时序医疗数据集包括任一用户在n个历史时间节点的n个历史医疗数据；从各用户的时序医疗数据集中筛选各用户在n个历史时间节点的n个结构化数据；通过决策树算法对各用户在n个历史时间节点的n个结构化数据进行数据分析，确定结构化数据中各指标对关联疾病的影响度，将影响度最高的前N个指标确定为目标风险指标，n和N均为大于0的整数。
在一个实施例中，目标用户在任一历史时间节点的结构化数据包括以下任一种或者多种：与预设关键词关联的指标数据、与目标器官语义关联的数据、以及与目标器官关联的知识信息，其中，预设关键词与目标器官关联。
在一个实施例中，服务器，具体用于：通过语言处理模型对目标时序医疗数据集中任一历史时间节点的历史医疗数据进行语义特征提取，根据提取的语义特征从任一历史时间节点的历史医疗数据中提取与目标器官语义关联的数据。
在一个实施例中，服务器，还具体用于：在医疗知识图谱中搜索与目标器官关联的图谱知识；从目标时序医疗数据集中所述任一历史时间节点的历史医疗数据中筛选与图谱知识匹配的目标医疗数据，将目标医疗数据确定为任一历史时间节点的历史医疗数据中与目标器官关联的知识信息。
在一个实施例中，知识信息包括以下任一种或者多种：目标器官的关联疾病的信息、目标用户与目标器官关联的历史行为数据、目标用户与目标器官关联的医疗知识描述信息。
在本申请实施例中，上述服务器的具体实现可参考下述图2所对应的实施例中相关内容的描述，在此不作具体赘述。
请参见图2，是本申请实施例提供的一种器官年龄预测方法的流程示意图，该器官年龄预测方法可由上述器官年龄预测系统中的服务器执行，该器官年龄预测方法包括如下步骤：
S201：接收器官年龄预测请求，该器官年龄预测请求中包括目标用户与目标器官关联的目标时序医疗数据集和目标用户的年龄，目标时序医疗数据集包括所述目标用户在各历史时间节点的各历史医疗数据。其中，目标用户在任一历史时间节点的历史医疗数据包括目标用户的诊疗记录，每次就诊包含的各种诊断、检验、检查、药物、手术项目等数据。
具体实现中，当任一用户（即目标用户）想要预测自身目标器官（例如胰腺和肾脏）的年龄时，可以在器官年龄预测平台上传自身与目标器官关联的目标时序医疗数据，其中，目标时序医疗数据集包括目标用户在各历史时间节点的各历史医疗数据。进一步地，当检测到目标用户提交的器官年龄预测指令时，可以获取该目标用户的年龄，并生成包括上述目标时序医疗数据和目标用户的年龄的器官年龄预测请求，向服务器发送上述器官年龄预测请求。
在另一个实施例中，上述目标时序医疗数据集除了可以通过用户自己上传以外，还可以由器官年龄预测平台获取。具体地，目标用户可提交器官年龄预测指令，该器官年龄预测指令携带有目标用户的身份信息，器官年龄预测平台可以预先对接的医疗大数据平台或者区块链中，根据目标用户的身份信息获取该目标用户的目标时序医疗数据集。
S202：从目标时序医疗数据集中提取目标用户在各历史时间节点的结构化数据。
其中，目标用户在任一历史时间节点的结构化数据包括以下任一种或者多种：与预设关键词关联的指标数据、与目标器官语义关联的数据、以及与目标器官关联的知识信息。预设关键词与目标器官关联，示例性地，假设目标器官为肾脏，那么该预设关键词可以为肾、肾脏、肾上腺等等；或者，假设目标器官为胰腺，那么该预设关键词可以为胰、胰腺等等。
具体实现中，假设目标器官为肾脏，与预设关键词关联的指标数据可以包括：血肌酐（SCr）、尿素氮（BUN ）、胱氨酸蛋白酶抑制剂C、尿沉渣等等指标数据；假设目标器官为胰腺，与预设关键词关联的指标数据可以包括碱性磷酸酶（ALP）、谷丙转氨酶（ALT）和谷氨酰转肽酶（GGT）等等。
在一个实施例中，以目标器官为肾脏或者胰腺为例，胰腺和肾脏相关的疾病除了可以通过相应的指标反映之外，患者的其它反应例如肚子疼，可能是胰腺有问题，例如是胰腺炎；或者肾脏有问题时一般会出现腰部不适感，小便时泡沫增多，眼睑以及全身多部位的水肿以及消化系统出现不良反应等等。但这些在指标中是无法反映的。因此，本申请实施例中，上述结构化数据除了可以包括与预设关键词关联的指标数据，还可以包括与目标器官语义关联的数据。该与目标器官语义关联的数据例如可以为：病例中记载的患者腰疼、肚子疼等主诉数据；或者，用药记录中与治疗泌尿系统、腰疼、肚子疼相关的用药数据等等。
以从任一历史时间节点的历史医疗数据为例，提取上述与目标器官语义关联的数据的具体实施方式为：通过语言处理模型对目标时序医疗数据集中该任一历史时间节点的历史医疗数据进行语义特征提取，根据提取的语义特征从任一历史时间节点的历史医疗数据中提取与目标器官语义关联的数据。
其中，上述语言处理模型可以指NLP (Nature Language processing，自然语言处理)模型，NLP是计算机科学领域与人工智能领域中的一个重要方向。它研究能实现人与计算机之间用自然语言进行有效通信的各种理论和方法。自然语言处理是一门融语言学、计算机科学、数学于一体的科学。因此，这一领域的研究将涉及自然语言，即人们日常使用的语言，所以它与语言学的研究有着密切的联系。自然语言处理技术通常包括文本处理、语义理解、机器翻译、机器人问答、知识图谱等技术。
NLP模型例如可以为语义表示模型Bert、Transformer等。预先可以通过大量标注有与目标器官语义关联的数据的训练样本对NLP模型进行训练，从而得到上述语言处理模型，后续可以通过该语音处理模型从输入的历史医疗数据中提取与目标器官语义关联的数据。
在一个实施例中，上述结构化数据除了可以包括上述与预设关键词关联的指标数据，以及与目标器官语义关联的数据以外，还可以包括与目标器官关联的知识信息。
其中，该知识信息包括以下任一种或者多种：目标器官的关联疾病的信息、目标用户与目标器官关联的历史行为数据、目标用户与目标器官关联的医疗知识描述信息。例如，假设目标器官为肾脏，关联疾病包括慢性肾炎、高血压、糖尿病、肾结石、肾衰竭等等；目标用户与目标器官关联的历史行为数据可以包括表征目标用户长期吃高脂肪高盐食物的数据（这可以从患者病历的主诉数据中获取）；目标用户与目标器官关联的医疗知识描述信息可以为目标用户的排泄描述信息、泌尿系统描述信息等等。
又例如，假设目标器官为胰腺，关联疾病包括胰腺炎、糖尿病、胰腺癌肿、胰腺癌、急性胰腺炎、慢性胰腺等等；目标用户与目标器官关联的历史行为数据可以包括表征目标用户长期暴饮暴食的数据（这可以从患者病历的主诉数据中获取）；目标用户与目标器官关联的医疗知识描述信息可以为目标用户的蛔虫描述信息、胆道描述信息等等。
以从任一历史时间节点的历史医疗数据为例，提取上述与目标器官关联的知识信息的具体实施方式为：在医疗知识图谱中搜索与目标器官关联的图谱知识，从目标时序医疗数据集中任一历史时间节点的历史医疗数据中筛选与图谱知识匹配的目标医疗数据，将目标医疗数据确定为任一历史时间节点的历史医疗数据中与目标器官关联的知识信息。
S203：从结构化数据中筛选目标用户在各历史时间节点与目标风险指标匹配的风险指标数据。
其中，目标风险指标是根据目标器官的关联疾病预先确定的。具体实现中，确定上述目标风险指标的具体方式为：采集至少一个用户的时序医疗数据集，任一用户的时序医疗数据集包括任一用户在n个历史时间节点的n个历史医疗数据。从各用户的时序医疗数据集中筛选各用户在n个历史时间节点的n个结构化数据，通过决策树算法对各用户在n个历史时间节点的n个结构化数据进行数据分析，确定结构化数据中各指标对关联疾病的影响度，将影响度最高的前N个指标确定为目标风险指标， n和N均为大于0的整数。
示例性地，上述决策树算法可以指XGboost决策树算法，可以将至少一个用户的时序医疗数据集作为输入，及与目标器官相关的所有关联疾病作为结局，计算出每种关联疾病中影响度最高的前N个指标，将每种关联疾病中影响度最高的前N个指标确定为目标风险指标。
S204：调用目标数据处理模型对风险指标数据进行数据分析，并基于数据分析结果确定目标用户在第一时间节点患有目标疾病的第一概率，目标疾病为关联疾病中的任一种。
在一个实施例中，上述目标数据处理模型是基于GNN等神经网络训练得到的。具体地，承接上面目标风险指标的描述，在确定出每种关联疾病的目标风险指标之后，可以将各个用户带有时序的风险指标数据（即各用户在各历史时间节点的风险指标数据）、以及所有关联疾病的病程信息（即每一种关联疾病的演化过程，例如胰腺炎
Figure 959042DEST_PATH_IMAGE002
胰腺癌等等）作为训练样本，对GNN等神经网络进行训练，使得神经网络学习每个时序的风险指标数据和关联疾病结局的关系。训练得到目标数据处理模型可计算出各历史时间节点的风险指标数据的输入，某一目标器官的关联疾病在某一时间节点发生的概率，即目标用户在第一时间节点患有目标疾病的第一概率。
S205：根据目标用户的年龄确定参考年龄区间，从预设存储区域中获取对照样本的时序风险指标对照数据集和对照样本的年龄，任一对照样本的时序风险指标对照数据集包括任一对照样本在各历史时间节点与目标器官关联的各风险指标数据，对照样本的年龄属于参考年龄区间。其中，该预设存储区域可以指服务器的数据库，也可以指区块链。
具体实现中，可以预先设置确定参考年龄区域的规则，例如将目标用户的年龄确定为参考年龄区间的上限，将目标用户的年龄减去预设数值后的结果确定为参考年龄区间的上限。示例性地，假设预设数值为30，目标用户的年龄为50，那么该参考年龄区域为[20，50]。
在一个实施例中，预先设置有多个健康体作为样本，这些健康体的风险指标数据中的各项指标均处于正常范围。这种情况下，服务器确定参考年龄区间后，可从预先设置的多个样本中选取年龄属于参考年龄区间的样本为对照样本，并从预设存储区域中获取对照样本的时序风险指标对照数据集和对照样本的年龄。其中，任一对照样本的时序风险指标对照数据集包括任一对照样本在各历史时间节点与目标器官关联的各风险指标数据。
S206：调用目标数据处理模型对对照样本的时序风险指标对照数据集进行数据分析，确定对照样本中各对照样本在第二时间节点患有目标疾病的第二概率。
S207：从各对照样本中确定第二概率与第一概率相同的目标对照样本，根据目标对照样本的年龄确定目标用户的目标器官的年龄，并向器官年龄预测平台返回目标器官的年龄。
示例性地，假设对照样本中各对照样本在第二时间节点患有目标疾病的第二概率如表1所示，这种情况下，若第一概率为50%，对照样本1的实际年龄为60岁，那么，可从各对照样本中确定第二概率与第一概率相同的目标对照样本为：对照样本1，将目标用户的目标器官的年龄为60岁。
表1
对照样本 第二概率
对照样本1 50%
对照样本2 20%
对照样本3 10%
本申请实施例中，可接收包括目标用户与目标器官关联的目标时序医疗数据集的器官年龄预测请求，从目标时序医疗数据集中提取目标用户在各历史时间节点的结构化数据，并从结构化数据中筛选目标用户在各历史时间节点与目标风险指标匹配的风险指标数据。进一步地，可调用目标数据处理模型对风险指标数据进行数据分析，并基于数据分析结果确定目标用户在第一时间节点患有目标疾病的第一概率，根据目标用户的年龄确定参考年龄区间，从预设存储区域中获取对照样本的时序风险指标对照数据集和对照样本的年龄；调用目标数据处理模型对对照样本的时序风险指标对照数据集进行数据分析，以确定对照样本中各对照样本在第二时间节点患有目标疾病的第二概率；从各对照样本中确定第二概率与第一概率相同的目标对照样本，根据目标对照样本的年龄确定目标用户的目标器官的年龄，并向器官年龄预测平台返回目标器官的年龄。有利于高效准确地实现对目标器官年龄的预测。
请参见图3，为本申请实施例提供的一种器官年龄预测装置的结构示意图。本实施例中所描述的器官年龄预测装置，可配置于服务器中，包括：
通信模块30，用于接收器官年龄预测请求，所述器官年龄预测请求中包括目标用户与目标器官关联的目标时序医疗数据集和所述目标用户的年龄，所述目标时序医疗数据集包括所述目标用户在各历史时间节点的各历史医疗数据；
处理模块31，用于从所述目标时序医疗数据集中提取所述目标用户在所述各历史时间节点的结构化数据，并从所述结构化数据中筛选所述目标用户在所述各历史时间节点与目标风险指标匹配的风险指标数据，所述目标风险指标是根据所述目标器官的关联疾病预先确定的；
所述处理模块31，还用于调用目标数据处理模型对所述风险指标数据进行数据分析，并基于数据分析结果确定所述目标用户在第一时间节点患有目标疾病的第一概率，所述目标疾病为所述关联疾病中的任一种；根据所述目标用户的年龄确定参考年龄区间，从预设存储区域中获取对照样本的时序风险指标对照数据集和对照样本的年龄，任一对照样本的时序风险指标对照数据集包括所述任一对照样本在各历史时间节点与所述目标器官关联的各风险指标数据，所述对照样本的年龄属于所述参考年龄区间；
所述处理模块31，还用于调用所述目标数据处理模型对所述对照样本的时序风险指标对照数据集进行数据分析，以确定所述对照样本中各对照样本在第二时间节点患有所述目标疾病的第二概率；从所述各对照样本中确定所述第二概率与所述第一概率相同的目标对照样本，根据所述目标对照样本的年龄确定所述目标用户的目标器官的年龄；
所述通信模块30，还用于向所述器官年龄预测平台返回所述目标器官的年龄。
在一个实施例中，处理模块31，还用于：采集至少一个用户的时序医疗数据集，任一用户的时序医疗数据集包括所述任一用户在n个历史时间节点的n个历史医疗数据；从各用户的时序医疗数据集中筛选各用户在n个历史时间节点的n个结构化数据；通过决策树算法对各用户在n个历史时间节点的n个结构化数据进行数据分析，确定所述结构化数据中各指标对所述关联疾病的影响度，将所述影响度最高的前N个指标确定为目标风险指标，所述n和N均为大于0的整数。
在一个实施例中，所述目标用户在任一历史时间节点的结构化数据包括以下任一种或者多种：与预设关键词关联的指标数据、与目标器官语义关联的数据、以及与目标器官关联的知识信息，其中，所述预设关键词与所述目标器官关联。
在一个实施例中，所述处理模块31，具体用于：通过语言处理模型对目标时序医疗数据集中所述任一历史时间节点的历史医疗数据进行语义特征提取，根据提取的语义特征从所述任一历史时间节点的历史医疗数据中提取与目标器官语义关联的数据。
在一个实施例中，所述处理模块31，还具体用于：
在医疗知识图谱中搜索与目标器官关联的图谱知识；
从目标时序医疗数据集中所述任一历史时间节点的历史医疗数据中筛选与所述图谱知识匹配的目标医疗数据，将所述目标医疗数据确定为所述任一历史时间节点的历史医疗数据中与所述目标器官关联的知识信息。
在一个实施例中，所述知识信息包括以下任一种或者多种：所述目标器官的关联疾病的信息、所述目标用户与目标器官关联的历史行为数据、所述目标用户与所述目标器官关联的医疗知识描述信息。
可以理解的是，本实施例的器官年龄预测装置的各功能模块可根据上述方法实施例图2中的方法具体实现，其具体实现过程可以参照上述方法实施例图2的相关描述，此处不再赘述。
本申请实施例中，器官年龄预测装置可接收包括目标用户与目标器官关联的目标时序医疗数据集的器官年龄预测请求，从目标时序医疗数据集中提取目标用户在各历史时间节点的结构化数据，并从结构化数据中筛选目标用户在各历史时间节点与目标风险指标匹配的风险指标数据。进一步地，可调用目标数据处理模型对风险指标数据进行数据分析，并基于数据分析结果确定目标用户在第一时间节点患有目标疾病的第一概率，根据目标用户的年龄确定参考年龄区间，从预设存储区域中获取对照样本的时序风险指标对照数据集和对照样本的年龄；调用目标数据处理模型对对照样本的时序风险指标对照数据集进行数据分析，以确定对照样本中各对照样本在第二时间节点患有目标疾病的第二概率；从各对照样本中确定第二概率与第一概率相同的目标对照样本，根据目标对照样本的年龄确定目标用户的目标器官的年龄，并向器官年龄预测平台返回目标器官的年龄。有利于高效准确地实现对目标器官年龄的预测。
请参阅图4，图4为本申请实施例提供的一种服务器的结构示意图。该服务器可以包括：一个或多个处理器401；一个或多个通信接口402和存储器403。上述处理器401、通信接口402和存储器403通过总线连接。存储器403用于存储计算机程序，所述计算机程序包括程序指令，处理器401用于执行存储器403存储的程序指令，执行以下操作：
通过通信接口402接收器官年龄预测请求，所述器官年龄预测请求中包括目标用户与目标器官关联的目标时序医疗数据集和所述目标用户的年龄，所述目标时序医疗数据集包括所述目标用户在各历史时间节点的各历史医疗数据；
从所述目标时序医疗数据集中提取所述目标用户在所述各历史时间节点的结构化数据，并从所述结构化数据中筛选所述目标用户在所述各历史时间节点与目标风险指标匹配的风险指标数据，所述目标风险指标是根据所述目标器官的关联疾病预先确定的；
调用目标数据处理模型对所述风险指标数据进行数据分析，并基于数据分析结果确定所述目标用户在第一时间节点患有目标疾病的第一概率，所述目标疾病为所述关联疾病中的任一种；
根据所述目标用户的年龄确定参考年龄区间，从预设存储区域中获取对照样本的时序风险指标对照数据集和对照样本的年龄，任一对照样本的时序风险指标对照数据集包括所述任一对照样本在各历史时间节点与所述目标器官关联的各风险指标数据，所述对照样本的年龄属于所述参考年龄区间；
调用所述目标数据处理模型对所述对照样本的时序风险指标对照数据集进行数据分析，以确定所述对照样本中各对照样本在第二时间节点患有所述目标疾病的第二概率；
从所述各对照样本中确定所述第二概率与所述第一概率相同的目标对照样本，根据所述目标对照样本的年龄确定所述目标用户的目标器官的年龄，并向所述器官年龄预测平台返回所述目标器官的年龄。
在一个实施例中，处理器401，还用于：采集至少一个用户的时序医疗数据集，任一用户的时序医疗数据集包括所述任一用户在n个历史时间节点的n个历史医疗数据；从各用户的时序医疗数据集中筛选各用户在n个历史时间节点的n个结构化数据；通过决策树算法对各用户在n个历史时间节点的n个结构化数据进行数据分析，确定所述结构化数据中各指标对所述关联疾病的影响度，将所述影响度最高的前N个指标确定为目标风险指标，所述n和N均为大于0的整数。
在一个实施例中，所述目标用户在任一历史时间节点的结构化数据包括以下任一种或者多种：与预设关键词关联的指标数据、与目标器官语义关联的数据、以及与目标器官关联的知识信息，其中，所述预设关键词与所述目标器官关联。
在一个实施例中，所述处理器401，具体用于：通过语言处理模型对目标时序医疗数据集中所述任一历史时间节点的历史医疗数据进行语义特征提取，根据提取的语义特征从所述任一历史时间节点的历史医疗数据中提取与目标器官语义关联的数据。
在一个实施例中，所述处理器401，还具体用于：
在医疗知识图谱中搜索与目标器官关联的图谱知识；
从目标时序医疗数据集中所述任一历史时间节点的历史医疗数据中筛选与所述图谱知识匹配的目标医疗数据，将所述目标医疗数据确定为所述任一历史时间节点的历史医疗数据中与所述目标器官关联的知识信息。
在一个实施例中，所述知识信息包括以下任一种或者多种：所述目标器官的关联疾病的信息、所述目标用户与目标器官关联的历史行为数据、所述目标用户与所述目标器官关联的医疗知识描述信息。
应当理解，在本申请实施例中，所称处理器401可以是中央处理单元（CentralProcessing Unit，CPU），该处理器401还可以是其他通用处理器、数字信号处理器（DigitalSignal Processor，DSP）、专用集成电路（Application Specific Integrated Circuit，ASIC）、现成可编程门阵列（Field-Programmable Gate Array，FPGA）或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
该存储器403可以包括只读存储器和随机存取存储器，并向处理器401提供指令和数据。存储器403的一部分还可以包括非易失性随机存取存储器。
具体实现中，本申请实施例中所描述的处理器401、通信接口402和存储器403可执行本申请实施例提供的器官年龄预测方法所描述的实现方式，也可执行本申请实施例所描述的器官年龄预测装置的实现方式，在此不再赘述。
本申请实施例中，服务器可接收包括目标用户与目标器官关联的目标时序医疗数据集的器官年龄预测请求，从目标时序医疗数据集中提取目标用户在各历史时间节点的结构化数据，并从结构化数据中筛选目标用户在各历史时间节点与目标风险指标匹配的风险指标数据。进一步地，可调用目标数据处理模型对风险指标数据进行数据分析，并基于数据分析结果确定目标用户在第一时间节点患有目标疾病的第一概率，根据目标用户的年龄确定参考年龄区间，从预设存储区域中获取对照样本的时序风险指标对照数据集和对照样本的年龄；调用目标数据处理模型对对照样本的时序风险指标对照数据集进行数据分析，以确定对照样本中各对照样本在第二时间节点患有目标疾病的第二概率；从各对照样本中确定第二概率与第一概率相同的目标对照样本，根据目标对照样本的年龄确定目标用户的目标器官的年龄，并向器官年龄预测平台返回目标器官的年龄。有利于高效准确地实现对目标器官年龄的预测
本申请实施例中还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令被处理器执行时，可执行上述器官年龄预测方法实施例中所执行的步骤。
本申请实施例还提供一种计算机程序产品，所述计算机程序产品包括计算机程序代码，当所述计算机程序代码在计算机上运行时，使得计算机执行上述器官年龄预测方法实施例中所执行的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体（Read-Only Memory，ROM）或随机存储记忆体（Random AccessMemory，RAM）等。所述的计算机可读存储介质可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储根据区块链节点的使用所创建的数据等。
其中，本申请所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
以上所揭露的仅为本申请一种较佳实施例而已，当然不能以此来限定本申请之权利范围，本领域普通技术人员可以理解实现上述实施例的全部或部分流程，并依本申请权利要求所作的等同变化，仍属于发明所涵盖的范围。

Claims (10)

1.一种器官年龄预测系统，其特征在于，该系统包括器官年龄预测平台和器官年龄预测平台对应的服务器，其中：
所述器官年龄预测平台，用于向所述服务器发送器官年龄预测请求，所述器官年龄预测请求中包括目标用户与目标器官关联的目标时序医疗数据集和所述目标用户的年龄，所述目标时序医疗数据集包括所述目标用户在各历史时间节点的各历史医疗数据；
所述服务器，用于接收所述器官年龄预测请求，从所述目标时序医疗数据集中提取所述目标用户在所述各历史时间节点的结构化数据，并从所述结构化数据中筛选所述目标用户在所述各历史时间节点与目标风险指标匹配的风险指标数据，所述目标风险指标是根据所述目标器官的关联疾病预先确定的；
调用目标数据处理模型对所述风险指标数据进行数据分析，并基于数据分析结果确定所述目标用户在第一时间节点患有目标疾病的第一概率，所述目标疾病为所述关联疾病中的任一种；根据所述目标用户的年龄确定参考年龄区间，从预设存储区域中获取对照样本的时序风险指标对照数据集和对照样本的年龄，任一对照样本的时序风险指标对照数据集包括所述任一对照样本在各历史时间节点与所述目标器官关联的各风险指标数据，所述对照样本为年龄属于所述参考年龄区间的健康体；
调用所述目标数据处理模型对所述对照样本的时序风险指标对照数据集进行数据分析，确定所述对照样本中各对照样本在第二时间节点患有所述目标疾病的第二概率；从所述各对照样本中确定所述第二概率与所述第一概率相同的目标对照样本，根据所述目标对照样本的年龄确定所述目标用户的目标器官的年龄，并向所述器官年龄预测平台返回所述目标器官的年龄。
2.根据权利要求1所述的系统，其特征在于，所述服务器，还用于：
采集至少一个用户的时序医疗数据集，任一用户的时序医疗数据集包括所述任一用户在n个历史时间节点的n个历史医疗数据；
从各用户的时序医疗数据集中筛选各用户在n个历史时间节点的n个结构化数据；通过决策树算法对各用户在n个历史时间节点的n个结构化数据进行数据分析，确定所述结构化数据中各指标对所述关联疾病的影响度，将所述影响度最高的前N个指标确定为目标风险指标，所述n和N均为大于0的整数。
3.根据权利要求1或2所述的系统，其特征在于，所述目标用户在任一历史时间节点的结构化数据包括以下任一种或者多种：与预设关键词关联的指标数据、与目标器官语义关联的数据、以及与目标器官关联的知识信息，其中，所述预设关键词与所述目标器官关联。
4.根据权利要求3所述的系统，其特征在于，所述服务器，具体用于：通过语言处理模型对目标时序医疗数据集中所述任一历史时间节点的历史医疗数据进行语义特征提取，根据提取的语义特征从所述任一历史时间节点的历史医疗数据中提取与目标器官语义关联的数据。
5.根据权利要求3所述的系统，其特征在于，所述服务器，还具体用于：
在医疗知识图谱中搜索与目标器官关联的图谱知识；
从目标时序医疗数据集包括的所述任一历史时间节点的历史医疗数据中，筛选与所述图谱知识匹配的目标医疗数据，将所述目标医疗数据确定为所述任一历史时间节点的历史医疗数据中与所述目标器官关联的知识信息。
6.根据权利要求5所述的系统，其特征在于，所述知识信息包括以下任一种或者多种：所述目标器官的关联疾病的信息、所述目标用户与目标器官关联的历史行为数据、所述目标用户与所述目标器官关联的医疗知识描述信息。
7.一种器官年龄预测方法，其特征在于，所述方法由如权利要求1-权利要求6任一项所述的系统中的服务器执行，包括：
接收器官年龄预测请求，所述器官年龄预测请求中包括目标用户与目标器官关联的目标时序医疗数据集和所述目标用户的年龄，所述目标时序医疗数据集包括所述目标用户在各历史时间节点的各历史医疗数据；
从所述目标时序医疗数据集中提取所述目标用户在所述各历史时间节点的结构化数据，并从所述结构化数据中筛选所述目标用户在所述各历史时间节点与目标风险指标匹配的风险指标数据，所述目标风险指标是根据所述目标器官的关联疾病预先确定的；
调用目标数据处理模型对所述风险指标数据进行数据分析，并基于数据分析结果确定所述目标用户在第一时间节点患有目标疾病的第一概率，所述目标疾病为所述关联疾病中的任一种；
根据所述目标用户的年龄确定参考年龄区间，从预设存储区域中获取对照样本的时序风险指标对照数据集和对照样本的年龄，任一对照样本的时序风险指标对照数据集包括所述任一对照样本在各历史时间节点与所述目标器官关联的各风险指标数据，所述对照样本为年龄属于所述参考年龄区间的健康体；
调用所述目标数据处理模型对所述对照样本的时序风险指标对照数据集进行数据分析，以确定所述对照样本中各对照样本在第二时间节点患有所述目标疾病的第二概率；
从所述各对照样本中确定所述第二概率与所述第一概率相同的目标对照样本，根据所述目标对照样本的年龄确定所述目标用户的目标器官的年龄，并向所述器官年龄预测平台返回所述目标器官的年龄。
8.一种器官年龄预测装置，其特征在于，所述装置包括：
通信模块，用于接收器官年龄预测请求，所述器官年龄预测请求中包括目标用户与目标器官关联的目标时序医疗数据集和所述目标用户的年龄，所述目标时序医疗数据集包括所述目标用户在各历史时间节点的各历史医疗数据；
处理模块，用于从所述目标时序医疗数据集中提取所述目标用户在所述各历史时间节点的结构化数据，并从所述结构化数据中筛选所述目标用户在所述各历史时间节点与目标风险指标匹配的风险指标数据，所述目标风险指标是根据所述目标器官的关联疾病预先确定的；
所述处理模块，还用于调用目标数据处理模型对所述风险指标数据进行数据分析，并基于数据分析结果确定所述目标用户在第一时间节点患有目标疾病的第一概率，所述目标疾病为所述关联疾病中的任一种；根据所述目标用户的年龄确定参考年龄区间，从预设存储区域中获取对照样本的时序风险指标对照数据集和对照样本的年龄，任一对照样本的时序风险指标对照数据集包括所述任一对照样本在各历史时间节点与所述目标器官关联的各风险指标数据，所述对照样本为年龄属于所述参考年龄区间的健康体；
所述处理模块，还用于调用所述目标数据处理模型对所述对照样本的时序风险指标对照数据集进行数据分析，以确定所述对照样本中各对照样本在第二时间节点患有所述目标疾病的第二概率；从所述各对照样本中确定所述第二概率与所述第一概率相同的目标对照样本，根据所述目标对照样本的年龄确定所述目标用户的目标器官的年龄；
所述通信模块，还用于向所述器官年龄预测平台返回所述目标器官的年龄。
9.一种服务器，其特征在于，包括处理器和存储器，所述处理器和所述存储器相互连接，其中，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器被配置用于调用所述程序指令，执行如权利要求7所述的方法。
10.一种计算机可读存储介质，其特征在于，所述可读存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时使所述处理器执行上述如权利要求7所述的方法。
CN202011049080.1A 2020-09-29 2020-09-29 一种器官年龄预测系统、方法、装置及存储介质 Active CN111933285B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011049080.1A CN111933285B (zh) 2020-09-29 2020-09-29 一种器官年龄预测系统、方法、装置及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011049080.1A CN111933285B (zh) 2020-09-29 2020-09-29 一种器官年龄预测系统、方法、装置及存储介质

Publications (2)

Publication Number Publication Date
CN111933285A CN111933285A (zh) 2020-11-13
CN111933285B true CN111933285B (zh) 2021-01-08

Family

ID=73334802

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011049080.1A Active CN111933285B (zh) 2020-09-29 2020-09-29 一种器官年龄预测系统、方法、装置及存储介质

Country Status (1)

Country Link
CN (1) CN111933285B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112967802A (zh) * 2021-01-28 2021-06-15 安徽华米健康科技有限公司 估计生理年龄的线性融合模型训练、年龄估计方法和装置
CN115641961A (zh) * 2022-09-14 2023-01-24 中国医学科学院北京协和医院 用于预测肾脏年龄的方法及装置

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8409104B2 (en) * 2008-05-02 2013-04-02 Conopco Inc. Heart age assessment
US10335092B1 (en) * 2014-02-21 2019-07-02 Pivotal Software, Inc. Building predicted future medical profiles
CN105868532B (zh) * 2016-03-22 2019-03-05 曾金生 一种智能评估心脏衰老程度的方法及系统
CN105930646B (zh) * 2016-04-15 2018-06-12 曾金生 一种评估心脏衰老程度的数据处理系统及方法
US20200286625A1 (en) * 2017-07-25 2020-09-10 Insilico Medicine Ip Limited Biological data signatures of aging and methods of determining a biological aging clock
KR102301202B1 (ko) * 2017-12-07 2021-09-13 서울대학교 산학협력단 생체인식 연령 예측 모델 생성 방법 및 장치
CN110363744B (zh) * 2019-06-10 2021-08-06 深圳市智影医疗科技有限公司 一种肺部年龄检测方法及设备
CN110710960B (zh) * 2019-09-12 2022-12-09 东莞市康助医疗科技有限公司 一种动脉血管年龄推算方法及装置

Also Published As

Publication number Publication date
CN111933285A (zh) 2020-11-13

Similar Documents

Publication Publication Date Title
Pike et al. Reinforcement learning in patients with mood and anxiety disorders vs control individuals: A systematic review and meta-analysis
Rhodes et al. Mediators of physical activity behaviour change interventions among adults: a systematic review and meta-analysis
EP3234823B1 (en) Differential medical diagnosis apparatus adapted in order to determine an optimal sequence of diagnostic tests for identifying a pathology by adopting diagnostic appropriateness criteria
Ramasamy et al. A comparison of models for predicting sperm retrieval before microdissection testicular sperm extraction in men with nonobstructive azoospermia
KR102237449B1 (ko) 환자 진단 학습 방법, 서버 및 프로그램
Garibaldi et al. Incorporation of expert variability into breast cancer treatment recommendation in designing clinical protocol guided fuzzy rule system models
CN111933285B (zh) 一种器官年龄预测系统、方法、装置及存储介质
KR102332740B1 (ko) 딥러닝을 이용하여 환자의 증상을 진단하는 방법, 장치 및 시스템
Halldorsson et al. A clinical decision support system for the diagnosis, fracture risks and treatment of osteoporosis
Hozo et al. Towards theory integration: Threshold model as a link between signal detection theory, fast‐and‐frugal trees and evidence accumulation theory
US11710572B2 (en) Experience engine-method and apparatus of learning from similar patients
Wang et al. Development and evaluation of novel ophthalmology domain-specific neural word embeddings to predict visual prognosis
Hawkins et al. Patient-reported outcome measures in colon and rectal surgery: a systematic review and quality assessment
US20090125334A1 (en) Method and System for Radiation Oncology Automatic Decision Support
Lu et al. Good statistical practice in utilizing real-world data in a comparative study for premarket evaluation of medical devices
Liao et al. Medical data inquiry using a question answering model
Kotsis et al. Fundamental principles of conducting a surgery economic analysis study
Gomez et al. A graphical decision-theoretic model for neonatal jaundice
Schmidgall et al. Addressing cognitive bias in medical language models
He et al. Medeval: A multi-level, multi-task, and multi-domain medical benchmark for language model evaluation
Schlosser et al. Visual acuity prediction on real-life patient data using a machine learning based multistage system
Wang et al. Analysis of survey on menstrual disorder among teenagers using Gaussian copula model with graphical lasso prior
Chiappelli et al. Quantitative consensus in systematic reviews: current and future challenges in translational science
CN110444286A (zh) 在对象异常状态的决策支持中利用自然语言处理的方法
US20220068485A1 (en) Computing system that generates patient-specific outcome predictions

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