CN112017745A - 决策信息推荐、药物信息推荐方法、装置、设备及介质 - Google Patents

决策信息推荐、药物信息推荐方法、装置、设备及介质 Download PDF

Info

Publication number
CN112017745A
CN112017745A CN202010936621.6A CN202010936621A CN112017745A CN 112017745 A CN112017745 A CN 112017745A CN 202010936621 A CN202010936621 A CN 202010936621A CN 112017745 A CN112017745 A CN 112017745A
Authority
CN
China
Prior art keywords
information
decision
decision information
sample
target
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.)
Granted
Application number
CN202010936621.6A
Other languages
English (en)
Other versions
CN112017745B (zh
Inventor
姚海申
蒋雪涵
孙行智
胡岗
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 CN202010936621.6A priority Critical patent/CN112017745B/zh
Publication of CN112017745A publication Critical patent/CN112017745A/zh
Priority to PCT/CN2020/135721 priority patent/WO2021151357A1/zh
Application granted granted Critical
Publication of CN112017745B publication Critical patent/CN112017745B/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
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/10—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to patients
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Data Mining & Analysis (AREA)
  • Public Health (AREA)
  • Primary Health Care (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Medicinal Chemistry (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Chemical & Material Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明涉及人工智能技术领域，应用于智慧医疗领域中，以便推动智慧城市的建设，揭露了一种决策信息推荐、药物信息推荐方法、装置、设备及介质。该方法通过获取目标推送对象的目标特征信息；将目标特征信息输入至预设决策特征相似度模型中，得到与目标特征信息对应的决策分类标签；自基于历史决策数据构建的预设决策数据库中，获取具有与决策分类标签相同的样本分类标签的样本决策信息；在样本决策信息不符合预设推荐要求时，获取预设决策信息转换表，在自预设决策信息转换表中查询到目标决策信息时，将目标决策信息推送至目标推送对象。本发明结合了历史决策数据以及决策信息转换表，提高了决策信息推送准确率。

Description

决策信息推荐、药物信息推荐方法、装置、设备及介质
技术领域
本发明涉及人工智能技术领域，尤其涉及一种决策信息推荐、药物信息推荐方法、装置、设备及介质。
背景技术
随着人工智能技术的发展，机器学习也越来越多地被应用到各个行业中，如应用程序开发行业、医疗行业等，目前，通常以数据驱动的方式运用机器学习方法进行建模，以辅助相关人员作出相应的决策。
对于机器学习建模来说，需要质量较好的数据作为支撑，以在做数据分析决策时，得出准确率较高的决策结果。但是现有技术中采用的机器学习建模常常会存在数据不充足，亦或者是历史数据保存、处理不当导致的数据残缺等问题，该问题会导致机器学习建模得到的模型准确率较低。例如在医疗行业中，对于一个患者进行门诊治疗，一般是通过医生的经验，并根据患者当前的症状给出药物信息推荐；然而，每一个不同的医生的经验是不同的，并且在同一病情的不同时期患者的症状也是不一样的。门诊医生仅能根据当前的患者症状以及自身经验进行诊断和确定用药，因此，在医生的经验不足的情况下，可能导致用药并不规范，即便医生经验充分，但是针对患者病情发展的不同时期的症状，若其病情发展前期的信息记录残缺，亦会导致用药信息的不准确，在该门诊用药的信息基础上进而导致机器学习，训练得到的模型没有较好的数据作为支撑，在使用上述门诊数据进行训练得到决策模型时，该决策模型给医生提供的决策结果准确率较低。
发明内容
本发明实施例提供一种决策信息推荐、药物信息推荐方法、装置、设备及介质，以解决当前机器学习建模得到的模型准确率较低问题。
一种决策信息推荐方法，包括：
获取目标推送对象的目标特征信息；所述目标特征信息为所述目标推送对象的个人特征信息；
将所述目标特征信息输入至预设决策特征相似度模型中，得到与所述目标特征信息对应的决策分类标签；
自基于历史决策数据构建的预设决策数据库中，获取具有与所述决策分类标签相同的样本分类标签的样本决策信息；
在所述样本决策信息不符合预设推荐要求时，获取预设决策信息转换表，在自所述预设决策信息转换表中查询到目标决策信息时，将所述目标决策信息推送至所述目标推送对象；所述目标决策信息是指所述预设决策信息转换表中与所述样本决策信息具有相同样本分类标签的决策信息。
一种药物信息推荐方法，包括：
接收患者的药物信息推荐请求，将所述药物信息推荐中的患者症状信息记录为目标特征信息，通过上述决策信息推荐方法确定与所述目标特征信息对应的目标决策信息；
将所述目标决策信息推送至所述患者。
一种决策信息推荐装置，包括：
特征信息获取模块，用于获取目标推送对象的目标特征信息；所述目标特征信息为所述目标推送对象的个人特征信息；
分类标签获取模块，用于将所述目标特征信息输入至预设决策特征相似度模型中，得到与所述目标特征信息对应的决策分类标签；
决策信息获取模块，用于自基于历史决策数据构建的预设决策数据库中，获取具有与所述决策分类标签相同的样本分类标签的样本决策信息；
决策信息转换模块，用于在所述样本决策信息不符合预设推荐要求时，获取预设决策信息转换表，在自所述预设决策信息转换表中查询到目标决策信息时，将所述目标决策信息推送至所述目标推送对象；所述目标决策信息是指所述预设决策信息转换表中与所述样本决策信息具有相同样本分类标签的决策信息。
一种药物信息推荐装置，包括：
推荐请求接收模块，用于接收患者的药物信息推荐请求，将所述药物信息推荐中的患者症状信息记录为目标特征信息，通过上述决策信息推荐方法确定与所述目标特征信息对应的目标决策信息；
决策信息推送模块，用于将所述目标决策信息推送至所述患者。
一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述决策信息推荐方法，或者所述处理器执行所述计算机程序时实现上述药物信息推荐方法。
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，所述计算机程序被处理器执行时实现上述决策信息推荐方法，或者所述计算机程序被处理器执行时实现上述药物信息推荐方法。
上述决策信息推荐、药物信息推荐方法、装置、设备及介质，通过获取目标推送对象的目标特征信息；所述目标特征信息为所述目标推送对象的个人特征信息；将所述目标特征信息输入至预设决策特征相似度模型中，得到与所述目标特征信息对应的决策分类标签；自基于历史决策数据构建的预设决策数据库中，获取具有与所述决策分类标签相同的样本分类标签的样本决策信息；在所述样本决策信息不符合预设推荐要求时，获取预设决策信息转换表，在自所述预设决策信息转换表中查询目标决策信息时，将所述目标决策信息推送至所述目标推送对象；所述目标决策信息是指所述预设决策信息转换表中与所述样本决策信息具有相同样本分类标签的决策信息。
本发明通过历史决策数据(如住院数据)构建的预设决策数据库中，获取样本决策信息，解决了机器学习中样本数据不规范或不准确的情况。并且通过预设决策信息转换表，在样本决策信息不符合预设要求时，将样本决策信息转换为目标决策信息，提高决策信息推送准确率；比如，在医疗行业中，由于住院药物信息记录较为完善且较为齐全，进而在通过住院药物信息构建的预设决策数据库范围较广且准确度较高，进而，自预设决策数据库中获取样本决策信息(住院药物信息)准确度也较高，并且，本发明还可以在预设决策信息转换表中查询与样本决策信息(住院药物信息)匹配的门诊药物信息(与所述样本决策信息具有相同样本分类标签的决策信息)，从而可以将不符合推荐要求的住院药物信息转换为门诊药物信息，使得最终得到的决策信息(门诊药物信息)准确率较高。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的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性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明一实施例中决策信息推荐方法的一应用环境示意图；
图2是本发明一实施例中决策信息推荐方法的一流程图；
图3是本发明一实施例中决策信息推荐方法的步骤S80的一流程图；
图4是本发明一实施例中决策信息推荐装置的一原理框图；
图5是本发明一实施例中决策信息推荐装置的另一原理框图；
图6是本发明一实施例中计算机设备的一示意图。
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，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
本发明实施例提供的决策信息推荐方法，该决策信息推荐方法可应用如图1所示的应用环境中。具体地，该决策信息推荐方法应用在决策信息推荐系统中，该决策信息推荐系统包括如图1所示的客户端和服务器，客户端与服务器通过网络进行通信，用于实现解决当前机器学习建模得到的模型准确率较低问题。其中，客户端又称为用户端，是指与服务器相对应,为客户提供本地服务的程序。客户端可安装在但不限于各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备上。服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一实施例中，如图2所示，提供一种决策信息推荐方法，以该方法应用在图1中的服务器为例进行说明，包括如下步骤：
S10：获取目标推送对象的目标特征信息；所述目标特征信息为所述目标推送对象的个人特征信息。
示例性地，假设决策信息推荐方法应用在一些应用程序中，则该目标推送对象可以为应用程序(如音乐、视频播放软件)的新用户或者老用户；假设决策信息推荐方法应用在医疗场景中，则该目标推送对象可以为患者。目标特征信息包括但不限于目标推送对象的基本信息(如年龄、身高等)、症状信息(如病情信息等)或者喜好信息(如喜欢的音乐类别、电影类别等)。
S20：将目标特征信息输入至预设决策特征相似度模型中，得到与目标特征信息对应的决策分类标签。
其中，预设决策特征相似度模型用于确定与目标特征信息对应的决策分类标签，预设决策特征相似度模型中包括多组与决策信息关联的分类标签，该分类标签表征与其对应的特征信息，根据目标特征信息确定在预设决策特征相似度模型中与其相似的特征信息，进而确定决策分类标签。
示例性地，假设该决策信息推荐方法应用在音乐程序中，在获取目标推送对象的目标特征信息(如目标推送对象的歌曲栏中的最爱歌曲，或者目标推送对象最近常听的歌曲)后，根据目标推送对象的歌曲栏中的最爱歌曲或者目标推送对象最近常听的歌曲，判定目标推送对象喜爱的歌曲类别，进而确定决策分类标签，若该歌曲类别为流行乐或者摇滚乐，则判定与该目标推送对象的目标特征信息对应的决策分类标签为流行乐标签或者摇滚乐标签。
S30：自基于历史决策数据构建的预设决策数据库中，获取具有与所述决策分类标签相同的样本分类标签的样本决策信息。
示例性地，历史决策数据可以为历史住院数据(如住院期间使用的药物信息)、历史音乐推送数据(如某音乐人创作的歌曲、某歌星演唱的歌曲等)亦或者是历史电影推送数据(如某一类的电影、推送某一明星主演的电影等)。
S40：在所述样本决策信息不符合预设推荐要求时，获取预设决策信息转换表，在自所述预设决策信息转换表中查询到目标决策信息时，将所述目标决策信息推送至所述目标推送对象；所述目标决策信息是指所述预设决策信息转换表中与所述样本决策信息具有相同样本分类标签的决策信息。
其中，预设决策信息转换表为包含样本分类标签以及与各样本分类标签对应的所有决策信息(如可能包含目标决策信息)。目标决策信息为预设决策信息转换表中与样本决策信息具有相同样本分类标签的另一决策信息，可以理解地，目标决策信息与样本决策信息的内容不同，但两者具有相同的样本分类标签。若该方法应用场景为医疗行业中，且该决策信息为推荐的是门诊药物信息，而样本决策信息中为住院药物信息，则不满足预设推荐要求，需要进行替换。
具体地，在自基于历史决策数据构建的预设决策数据库中，获取具有与所述决策分类标签相同的样本分类标签的所有样本决策信息之后，若样本决策信息不符合预设推荐要求时，获取预设决策信息转换表，并从该预设决策信息转换表中，查询与样本决策信息对应的目标决策信息，以在获取到该目标决策信息之后，将该目标决策信息推送至目标推送对象。
进一步地，若样本决策信息符合预设推荐要求时，则直接将该样本决策信息推送至目标推送对象。
示例性地，假设该决策信息推荐方法应用在音乐程序中，在获取目标推送对象的目标特征信息(如目标推送对象的歌曲栏中的最爱歌曲，或者目标推送对象最近常听的歌曲)后，判定目标推送对象喜爱的歌曲类别为流行英语歌曲，则对应的决策分类标签为流行英语歌曲。自基于历史决策数据构建的预设决策数据库中，获取与决策分类标签为流行歌曲对应的样本分类标签中所有相关的流行歌曲，该流行歌曲类别中可能包含中文歌曲、英文歌曲或者其它语言的流行歌曲；若不存在流行英语歌曲，获取预设决策信息转换表，查询样本决策信息中为非流行英语歌曲的歌曲，是否有对应替换的英语版本，若存在，则将该非流行英语歌曲替换为流行英语歌曲，并将所有流行英语歌曲推送至目标推送对象。其中，若存在流行英语歌曲，则直接将该流行英语歌曲推送至目标推送对象。
又一示例中，假设一患者为24岁的男生，该患者发送的药物信息推荐请求中的患者症状信息中表明其当前症状为低血糖；将该患者症状信息输入至预设决策特征相似度模型中，得到的决策分类标签即为低血糖标签。自基于历史住院数据构建的预设决策数据库中，获取得到的样本决策信息为葡萄糖注射剂；但是该葡萄糖注射剂是基于住院数据给出的样本决策信息，不符合预设推荐要求(也即门诊药物信息推送要求)，获取预设决策信息转换表，在自预设决策信息转换表中查询目标决策信息，得到该目标决策信息为葡萄糖冲剂，将该葡萄糖冲剂推送给患者。
进一步地，若在自所述预设决策信息转换表中未查询目标决策信息时，也即没有查询到与住院药物信息映射对应的门诊药物信息时，表征此时患者对应的症状不能通过门诊药物进行推荐，则推荐该患者推荐其它方案(如住院治疗等)。
在另一具体实施例中，所述获取预设决策信息转换表之后，还包括：
在自所述预设决策信息转换表中未查询到与所述样本决策信息具有相同样本分类标签对应的目标决策信息时，提示所述目标推送对象当前并不存在目标决策信息，并向所述目标推送对象推送预设解决方案。
具体地，在自基于历史决策数据构建的预设决策数据库中，获取具有与所述决策分类标签相同的样本分类标签的所有样本决策信息之后，获取预设决策信息转换表，并从该预设决策信息转换表中，查询与样本决策信息对应的目标决策信息；示例性地，假若决策分类标签为流行英语歌曲，获取与决策分类标签为流行歌曲对应的样本分类标签中所有相关的流行歌曲，若在该样本决策信息对应的流行歌曲中没有流行英文歌曲，则获取预设决策信息转换表，查询预设决策信息转换表中是否有与上述非流行英文歌曲对应的流行英文歌曲，若没有查询到，则向目标推送对象推送其它语言的流行音乐。
在本实施例中，通过历史决策数据(如住院数据)构建的预设决策数据库中，获取样本决策信息，解决了机器学习中样本数据不规范或不准确的情况。并且通过预设决策信息转换表，在样本决策信息不符合预设要求时，将样本决策信息转换为目标决策信息，提高决策信息推送准确率；比如，在医疗行业中，由于住院药物信息记录较为完善且较为齐全，进而在通过住院药物信息构建的预设决策数据库范围较广且准确度较高，进而，自预设决策数据库中获取样本决策信息(住院药物信息)准确度也较高，并且，本发明还可以在预设决策信息转换表中查询与样本决策信息(住院药物信息)匹配的门诊药物信息(与所述样本决策信息具有相同样本分类标签的决策信息)，从而可以将不符合推荐要求的住院药物信息转换为门诊药物信息，使得最终得到的决策信息(门诊药物信息)准确率较高。
在另一具体实施例中，为了保证上述实施例中的目标特征信息以及预设决策数据库的私密以及安全性，可以将目标特征信息以及预设决策数据库存储在区块链中。其中，区块链(Blockchain)，是由区块(Block)形成的加密的、链式的交易的存储结构。
例如，每个区块的头部既可以包括区块中所有交易的哈希值，同时也包含前一个区块中所有交易的哈希值，从而基于哈希值实现区块中交易的防篡改和防伪造；新产生的交易被填充到区块并经过区块链网络中节点的共识后，会被追加到区块链的尾部从而形成链式的增长。
在一实施例中，步骤S30之前，也即自基于历史决策数据构建的预设决策数据库中，获取具有与所述决策分类标签相同的样本分类标签的所有样本决策信息之前，包括：
S50：获取历史样本数据集，所述历史样本数据集中包含至少一个样本对象的所述历史决策数据。
其中，历史样本数据集是通过收集各个其它平台历史给各样本对象推送的历史决策数据生成的。样本对象为历史样本推送对象(如应用程序的老用户)，历史决策数据中包含与其对应的样本对象的个体特征信息以及对应的历史决策信息。示例性地，历史决策数据中可以包括样本对象常听的歌曲以及其它平台给其推送的歌曲；也可以包括样本对象的在住院期间的病情信息以及给其推送的药物信息，也即样本对象的住院数据等。
S60：抽取与所述样本对象对应的所述历史决策数据中的样本特征信息，所述样本特征信息为所述样本对象的个体特征信息；同时，抽取与该样本对象对应的所述历史决策数据中的历史决策信息。
其中，样本特征信息包括但不限于样本对象的基本信息(如年龄、身高等)、症状信息(如病情信息等)或者喜好信息(如喜欢的音乐类别、电影类别等)。历史决策信息可以为推送至样本对象的歌曲、电影亦或者药物信息等。
具体地，在获取历史样本数据集之后，抽取与样本对象对应的历史决策数据中的样本特征信息；同时，抽取与该样本对象对应的历史决策数据中的历史决策信息。可以理解地，对于一个历史决策数据存在关联的样本特征信息以及历史决策信息。
S70：根据所述样本特征信息生成所述样本分类标签。
具体地，在抽取与所述样本对象对应的所述历史决策数据中的样本特征信息之后，根据样本特征信息生成与其对应的样本分类标签。示例性地，假设样本对象近期常听的音乐为流行音乐，则与其对应的样本分类标签为流行音乐标签。
S80：对所述历史决策信息进行预处理，得到与所述历史决策信息对应的所述样本决策信息。
其中，预处理指的是对历史决策信息进行基于时间轴的组织以及切分。
具体地，在抽取与该样本对象对应的所述历史决策数据中的历史决策信息之后，对历史决策信息进行预处理，得到与历史决策信息对应的样本决策信息。
在一具体实施例中，如图3所示，步骤S80中，也即对所述历史决策信息进行预处理，得到与所述历史决策信息对应的所述样本决策信息，包括：
S801：对各所述样本对象的所有所述历史决策信息进行基于时间轴的切分处理，得到各所述历史决策信息在不同时间段上的切分决策信息。
其中，基于时间轴的切分处理指的是将样本对象的历史决策信息按照时间排序关系，将历史决策信息切分为各个不同时间段上的切分决策信息。
具体地，在抽取与该样本对象对应的所述历史决策数据中的历史决策信息之后，由于对于一个样本对象的历史决策信息中可能会随着时间进行变化的，为了更好的了解每一历史决策信息中在一定时间内发生的变换，故需要对各样本对象的历史决策信息进行基于时间轴的切分处理，以将历史决策信息切分为不同时间段上的切分决策信息。
示例性地，将采集一周给样本对象推送的音乐推荐数据，并将该音乐推荐数据以一天的时间切分，也即切分成七天的切分决策信息。可以理解地，将历史决策信息按照基于时间轴的方式展示出来，可以根据任意细粒度对历史决策信息进行，也即可以具体到一天中的某一时刻，也可以为如一天作为一个切分周期，如此可以更好的每一历史决策信息在各个时间段上的变化。
S802：对各所述切分决策信息进行校验。
S803：若所述切分决策信息为空，则将该切分决策信息合并至与其相邻的时间段的切分决策信息中，在合并后的所述切分决策信息不为空时，将合并后的所述切分决策信息记录为所述样本决策信息。
具体地，在对各所述样本对象的所有所述历史决策信息进行基于时间轴的切分处理，得到各所述历史决策信息在不同时间段上的切分决策信息之后，对各切分决策信息进行校验，以确定各切分决策信息中是否存在相关的内容，若切分决策信息为空，则表征该时间段内没有切分决策信息，需要合并至相邻时间段的切分决策信息中，以令每一切分时间段对应的切分决策信息是有内容的，也即每一时间段对应的切分决策信息是可以作为样本推荐信息辅助推荐给其它对象的，因此将该时间段为空的切分决策信息合并至与其相邻的时间段的切分决策信息中，在合并后的所述切分决策信息不为空时，将合并后的所述切分决策信息记录为所述样本决策信息。
可以理解地，在对历史决策信息进行基于时间轴的切分处理时，可能会由于切分细粒度过小(如具体到某一时间段，如10点至12点等)，导致切分出来的各时间段对应的切分决策信息可能存在为空的现象。进一步地，在第一个时间段内的切分决策信息为空时，可以将该第一时间段的切分决策信息合并至下一时间段对应的切分决策信息中。示例性地，假设10点至12点对应的切分决策信息，则将该切分决策信息合并至下一时间段(也即12点至14点)的切分决策信息中，则对应的时间段应为10点至14点。
在另一具体实施例中，在合并后的所述切分决策信息为空时，则删除合并后为空的所述切分决策信息。
示例性地，假设10点至12点对应的切分决策信息，则将该切分决策信息合并至下一时间段(也即12点至14点)的切分决策信息中，此时应为10点至14点对应的切分决策信息，若该切分决策信息仍为空，则删除该时间段以及对应的切分决策信息。由于基于时间轴的切分处理是根据时间展示每一切分决策信息的，若将超过两个时间段的切分决策信息合并，则可能导致不同时间段对应的切分决策信息存在偏差，因此选择相邻的时间段进行合并，可以有效减少偏差。
S804：若所述切分决策信息不为空，将所述切分决策信息记录为所述样本决策信息。
具体地，在对各所述样本对象的所有所述历史决策信息进行基于时间轴的切分处理，得到各所述历史决策信息在不同时间段上的切分决策信息之后，对各切分决策信息进行校验；若一个时间段对应的切分决策信息不为空，则将该时间段对应的切分决策信息记录为样本决策信息。
S90：将所述样本分类标签与所述样本决策信息关联存储至所述预设决策数据库中。
其中，预设决策数据库用于存储每一样本分类标签以及与其对应的样本决策信息。
具体地，在将各不为空的切分决策信息记录为样本决策信息，以及将合并后不为空的切分决策信息记录为样本决策信息之后，将样本分类标签以及与其对应的所有样本决策信息关联存储值预设决策数据库中。
进一步地，步骤S50-S90也可以采用模型训练的方法实现，也即在步骤S80之后，也即对所述历史决策信息进行预处理，得到与所述历史决策信息对应的所述样本决策信息之后，将该样本决策信息输入至机器学习模型中(作为优选，该机器学习模型可以选取LSTM等时序性的机器学习模型)，以得到与样本决策信息对应的分类结果；对该分类结果和与样本决策信息对应的样本分类标签进行校验，若分类结果与样本分类标签一致，则将样本分类标签与该样本决策信息关联存储至机器学习模型的数据库中。若分类结果与样本分类标签不一致，则表明该样本决策信息与样本分类标签不符合，剔除该样本决策信息，进一步提高后续为目标对象选取样本决策信息的准确率。
在本实施例中，针对历史决策数据提出了一种基于时间点的数据组织方式，能够将患者一次决策信息展现在一条时间轴上，后续的数据处理可以很方便的根据事件的发生时间点进行提取和处理。并且在出现切分决策信息为空时，通过与相邻的切分决策信息合并的方式，提高后续生成样本决策信息的准确率。
在一实施例中，提供一种药物信息推荐方法，包括如下步骤：
接收患者的药物信息推荐请求，将所述药物信息推荐中的患者症状信息记录为目标特征信息，通过上述决策信息推荐方法确定与所述目标特征信息对应的目标决策信息。
将所述目标决策信息推送至所述患者。
其中，患者症状信息可以为患者当前的症状(如咳嗽、感冒等)，该患者症状信息中还可以包括患者的基本信息，如年龄等。
具体地，在接收到患者的药物信息推荐请求之后，获取该药物信息推荐请求中的患者症状信息，也即该患者的基本信息、当前症状等。将该患者症状信息输入至预设决策特征相似度模型中，得到与该患者症状信息对应的决策分类标签；自基于历史决策数据构建的预设决策数据库中，获取具有与所述决策分类标签相同的样本分类标签的所有样本决策信息；在所述样本决策信息不符合预设要求时，获取预设决策信息转换表，在自所述预设决策信息转换表中查询目标决策信息时，将所述目标决策信息推送至所述目标推送对象。
其中，在本实施例中，历史决策数据可以采用样本对象的住院数据得到，以更好的推荐给其它患者。预设决策信息转换表为药物信息映射表，该预设决策信息转换表中记录住院药物信息以及与其映射对应的门诊药物信息，如将“呋塞米注射液”映射到“呋塞米片”。
示例性地，假设一患者为24岁的男生，该患者发送的药物信息推荐请求中的患者症状信息中表明其当前症状为低血糖；将该患者症状信息输入至预设决策特征相似度模型中，得到的决策分类标签即为低血糖标签。自基于历史住院数据构建的预设决策数据库中，获取得到的样本决策信息为葡萄糖注射剂；但是该葡萄糖注射剂是基于住院数据给出的样本决策信息，不符合预设推荐要求，获取预设决策信息转换表，在自预设决策信息转换表中查询目标决策信息，得到该目标决策信息为葡萄糖冲剂，将该葡萄糖冲剂推送给患者。
进一步地，若在自所述预设决策信息转换表中未查询目标决策信息时，也即没有查询到与住院药物信息映射对应的门诊药物信息时，表征此时患者对应的症状不能通过门诊药物进行推荐，则推荐该患者推荐其它方案(如住院治疗等)。
进一步地，在本实施例中预设决策数据库是基于历史住院数据进行构建的，也即本实施例中的历史决策数据即为历史住院数据进行构建。其中，历史住院数据可以包括但不限于历史样本患者的入院信息、检验检查信息、药物信息、护理记录、查房记录、出院信息等；进而可以知道历史样本患者对应的样本特征信息可以包括该患者的基本信息(如年龄、性别等)，以及病情信息(如感冒症状、咳嗽症状等)，历史样本患者的历史住院数据中对应的历史决策信息可以包括校验检查信息、药物信息、护理记录等。
进一步地，对历史决策信息进行基于时间轴的切分处理时，是将上述入院信息、检验检查信息、药物信息、护理记录、查房记录、出院信息按照时间顺序以时间轴的方式展开；这样可以很好的了解到每一患者对应的历史住院数据中的变化(如药物信息变化，亦或者从校验检查信息中发现患者的病情变换与药物信息之间的关系等)；因此，在切分处理时，可以将历史住院数据切分为每一天对应的住院数据(也即上述实施例中的切分决策信息)，而这一天的住院数据若不为空(也即包含校验检查信息、药物信息等)，则可以将该住院数据作为样本决策信息；并且在任意一个住院数据为空时，可以参照上一时间段的住院数据对其进行补充，也即合并两个时间段的住院数据，从而解决了数据缺失的问题。
在本实施例中，根据住院期间发生的事件变化，将住院数据进行切分并用于门诊分析的数据切分和填充方法，可有效解决在做门诊数据建模时存在的数据缺失严重的问题，构建的模型可有效辅助相关医疗人员作出决策。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
在一实施例中，提供一种决策信息推荐装置，该决策信息推荐装置与上述实施例中决策信息推荐方法一一对应。如图4所示，该决策信息推荐装置包括特征信息获取模块10、分类标签获取模块20、决策信息获取模块30和决策信息转换模块40。各功能模块详细说明如下：
特征信息获取模块10，用于获取目标推送对象的目标特征信息；所述目标特征信息为所述目标推送对象的个人特征信息；
分类标签获取模块20，用于将所述目标特征信息输入至预设决策特征相似度模型中，得到与所述目标特征信息对应的决策分类标签；
决策信息获取模块30，用于自基于历史决策数据构建的预设决策数据库中，获取具有与所述决策分类标签相同的样本分类标签的样本决策信息；
决策信息转换模块40，用于在所述样本决策信息不符合预设推荐要求时，获取预设决策信息转换表，在自所述预设决策信息转换表中查询到目标决策信息时，将所述目标决策信息推送至所述目标推送对象；所述目标决策信息是指所述预设决策信息转换表中与所述样本决策信息具有相同样本分类标签的决策信息。
优选地，决策信息推荐装置还包括如下模块：
样本数据获取模块50，用于获取历史样本数据集，所述历史样本数据集中包含至少一个样本对象的所述历史决策数据；
信息抽取模块60，用于抽取与所述样本对象对应所述历史决策数据中的样本特征信息，所述样本特征信息为所述样本对象的个体特征信息；同时，抽取与该样本对象对应的所述历史决策数据中的历史决策信息；
分类标签生成模块70，用于根据所述样本特征信息生成所述样本分类标签；
预处理模块80，用于对所述历史决策信息进行预处理，得到与所述历史决策信息对应的所述样本决策信息；
信息存储模块90，用于将所述样本分类标签与所述样本决策信息关联存储至所述预设决策数据库中。
优选地，如图5所示，预处理模块80中包含如下单元：
切分处理单元801，用于对各所述样本对象的所有所述历史决策信息进行基于时间轴的切分处理，得到各所述历史决策信息在不同时间段上的切分决策信息；
信息校验单元802，用于对各所述切分决策信息进行校验；
信息合并单元803，用于在所述切分决策信息为空时，则将该切分决策信息合并至与其相邻的时间段的切分决策信息中，在合并后的所述切分决策信息不为空时，将合并后的所述切分决策信息记录为所述样本决策信息；
信息记录单元804，用于在所述切分决策信息不为空时，将所述切分决策信息记录为所述样本决策信息。
优选地，预处理模块80还包含如下单元：
信息删除单元805，用于在合并后的所述切分决策信息为空时，则删除合并后为空的所述切分决策信息。
优选地，决策信息推荐装置还包括如下模块：
方案推送模块，用于在自所述预设决策信息转换表中未查询到与所述样本决策信息具有相同样本分类标签对应的目标决策信息时，提示所述目标推送对象当前并不存在目标决策信息，并向所述目标推送对象推送预设解决方案。
关于决策信息推荐装置的具体限定可以参见上文中对于决策信息推荐方法的限定，在此不再赘述。上述决策信息推荐装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一实施例中，提供一种药物信息推荐装置，该药物信息推荐装置与上述实施例中药物信息推荐方法一一对应。该药物信息推荐装置包括推荐请求接收模块和决策信息推送模块。各功能模块详细说明如下：
推荐请求接收模块，用于接收患者的药物信息推荐请求，将所述药物信息推荐中的患者症状信息记录为目标特征信息，通过上述实施例中的决策信息推荐方法确定与所述目标特征信息对应的目标决策信息；
决策信息推送模块，用于将所述目标决策信息推送至所述患者。
关于药物信息推荐装置的具体限定可以参见上文中对于药物信息推荐方法的限定，在此不再赘述。上述药物信息推荐装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图6所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于上述实施例中决策信息推荐方法中使用到的数据，或者上述实施例中药物信息推荐方法中使用到的数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种决策信息推荐方法，或者该计算机程序被处理器执行时以实现一种药物信息推荐方法。
在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述实施例中的决策信息推荐方法，或者处理器执行计算机程序时实现上述实施例中的药物信息推荐方法。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述实施例中的决策信息推荐方法，或者计算机程序被处理器执行时实现上述实施例中的药物信息推荐方法。
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，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。
以上所述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，均应包含在本发明的保护范围之内。

Claims (10)

1.一种决策信息推荐方法，其特征在于，包括：
获取目标推送对象的目标特征信息；所述目标特征信息为所述目标推送对象的个人特征信息；
将所述目标特征信息输入至预设决策特征相似度模型中，得到与所述目标特征信息对应的决策分类标签；
自基于历史决策数据构建的预设决策数据库中，获取具有与所述决策分类标签相同的样本分类标签的样本决策信息；
在所述样本决策信息不符合预设推荐要求时，获取预设决策信息转换表，在自所述预设决策信息转换表中查询到目标决策信息时，将所述目标决策信息推送至所述目标推送对象；所述目标决策信息是指所述预设决策信息转换表中与所述样本决策信息具有相同样本分类标签的决策信息。
2.如权利要求1所述的决策信息推荐方法，其特征在于，所述自基于历史决策数据构建的预设决策数据库中，获取具有与所述决策分类标签相同的样本分类标签的所有样本决策信息之前，包括：
获取历史样本数据集，所述历史样本数据集中包含至少一个样本对象的所述历史决策数据；
抽取与所述样本对象对应所述历史决策数据中的样本特征信息，所述样本特征信息为所述样本对象的个体特征信息；同时，抽取与该样本对象对应的所述历史决策数据中的历史决策信息；
根据所述样本特征信息生成所述样本分类标签；
对所述历史决策信息进行预处理，得到与所述历史决策信息对应的所述样本决策信息；
将所述样本分类标签与所述样本决策信息关联存储至所述预设决策数据库中。
3.如权利要求2所述的决策信息推荐方法，其特征在于，所述对所述历史决策信息进行预处理，得到与所述历史决策信息对应的所述样本决策信息，包括：
对各所述样本对象的所有所述历史决策信息进行基于时间轴的切分处理，得到各所述历史决策信息在不同时间段上的切分决策信息；
对各所述切分决策信息进行校验；
若所述切分决策信息为空，则将该切分决策信息合并至与其相邻的时间段的切分决策信息中，在合并后的所述切分决策信息不为空时，将合并后的所述切分决策信息记录为所述样本决策信息；
若所述切分决策信息不为空，则将所述切分决策信息记录为所述样本决策信息。
4.如权利要求3所述的决策信息推荐方法，其特征在于，所述将该切分决策信息合并至与其相邻的时间段的切分决策信息中之后，还包括：
在合并后的所述切分决策信息为空时，则删除合并后为空的所述切分决策信息。
5.如权利要求1所述的决策信息推荐方法，其特征在于，所述获取预设决策信息转换表之后，还包括：
在自所述预设决策信息转换表中未查询到与所述样本决策信息具有相同样本分类标签对应的目标决策信息时，提示所述目标推送对象当前并不存在目标决策信息，并向所述目标推送对象推送预设解决方案。
6.一种药物信息推荐方法，其特征在于，包括：
接收患者的药物信息推荐请求，将所述药物信息推荐中的患者症状信息记录为目标特征信息，通过如权利要求1至5任一项所述的决策信息推荐方法确定与所述目标特征信息对应的目标决策信息；
将所述目标决策信息推送至所述患者。
7.一种决策信息推荐装置，其特征在于，包括：
特征信息获取模块，用于获取目标推送对象的目标特征信息；所述目标特征信息为所述目标推送对象的个人特征信息；
分类标签获取模块，用于将所述目标特征信息输入至预设决策特征相似度模型中，得到与所述目标特征信息对应的决策分类标签；
决策信息获取模块，用于自基于历史决策数据构建的预设决策数据库中，获取具有与所述决策分类标签相同的样本分类标签的样本决策信息；
决策信息转换模块，用于在所述样本决策信息不符合预设推荐要求时，获取预设决策信息转换表，在自所述预设决策信息转换表中查询到目标决策信息时，将所述目标决策信息推送至所述目标推送对象；所述目标决策信息是指所述预设决策信息转换表中与所述样本决策信息具有相同样本分类标签的决策信息。
8.一种药物信息推荐装置，其特征在于，包括：
推荐请求接收模块，用于接收患者的药物信息推荐请求，将所述药物信息推荐中的患者症状信息记录为目标特征信息，通过如权利要求1至5任一项所述的决策信息推荐方法确定与所述目标特征信息对应的目标决策信息；
决策信息推送模块，用于将所述目标决策信息推送至所述患者。
9.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至5任一项所述决策信息推荐方法，或者所述处理器执行所述计算机程序时实现如权利要求6所述药物信息推荐方法。
10.一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，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至5任一项所述决策信息推荐方法，或者所述计算机程序被处理器执行时实现如权利要求6所述药物信息推荐方法。
CN202010936621.6A 2020-09-08 2020-09-08 决策信息推荐、药物信息推荐方法、装置、设备及介质 Active CN112017745B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202010936621.6A CN112017745B (zh) 2020-09-08 2020-09-08 决策信息推荐、药物信息推荐方法、装置、设备及介质
PCT/CN2020/135721 WO2021151357A1 (zh) 2020-09-08 2020-12-11 决策信息推荐、药物信息推荐方法、装置、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010936621.6A CN112017745B (zh) 2020-09-08 2020-09-08 决策信息推荐、药物信息推荐方法、装置、设备及介质

Publications (2)

Publication Number Publication Date
CN112017745A true CN112017745A (zh) 2020-12-01
CN112017745B CN112017745B (zh) 2023-06-27

Family

ID=73521242

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010936621.6A Active CN112017745B (zh) 2020-09-08 2020-09-08 决策信息推荐、药物信息推荐方法、装置、设备及介质

Country Status (2)

Country Link
CN (1) CN112017745B (zh)
WO (1) WO2021151357A1 (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112613848A (zh) * 2020-12-29 2021-04-06 中国农业银行股份有限公司 一种项目实施方式的推荐方法及装置
WO2021151357A1 (zh) * 2020-09-08 2021-08-05 平安科技（深圳）有限公司 决策信息推荐、药物信息推荐方法、装置、设备及介质
CN114819590A (zh) * 2022-04-20 2022-07-29 平安科技（深圳）有限公司 策略智能推荐方法、装置、设备及存储介质

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117829435B (zh) * 2024-03-04 2024-05-14 江苏臻云技术有限公司 一种基于大数据的城市数据质量管理方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107766561A (zh) * 2017-11-06 2018-03-06 广东欧珀移动通信有限公司 音乐推荐的方法、装置、存储介质及终端设备
CN109255013A (zh) * 2018-08-14 2019-01-22 平安医疗健康管理股份有限公司 理赔决策方法、装置、计算机设备和存储介质
CN109658208A (zh) * 2019-01-15 2019-04-19 京东方科技集团股份有限公司 药品的推荐方法、装置、介质和电子设备
CN110827951A (zh) * 2019-12-24 2020-02-21 陕西省中医医院 一种临床智能决策平台

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111192654A (zh) * 2019-12-30 2020-05-22 北京左医健康技术有限公司 基于知识图谱的用药指导查询方法及装置
CN112017745B (zh) * 2020-09-08 2023-06-27 平安科技（深圳）有限公司 决策信息推荐、药物信息推荐方法、装置、设备及介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107766561A (zh) * 2017-11-06 2018-03-06 广东欧珀移动通信有限公司 音乐推荐的方法、装置、存储介质及终端设备
CN109255013A (zh) * 2018-08-14 2019-01-22 平安医疗健康管理股份有限公司 理赔决策方法、装置、计算机设备和存储介质
CN109658208A (zh) * 2019-01-15 2019-04-19 京东方科技集团股份有限公司 药品的推荐方法、装置、介质和电子设备
CN110827951A (zh) * 2019-12-24 2020-02-21 陕西省中医医院 一种临床智能决策平台

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021151357A1 (zh) * 2020-09-08 2021-08-05 平安科技（深圳）有限公司 决策信息推荐、药物信息推荐方法、装置、设备及介质
CN112613848A (zh) * 2020-12-29 2021-04-06 中国农业银行股份有限公司 一种项目实施方式的推荐方法及装置
CN114819590A (zh) * 2022-04-20 2022-07-29 平安科技（深圳）有限公司 策略智能推荐方法、装置、设备及存储介质
CN114819590B (zh) * 2022-04-20 2023-07-18 平安科技（深圳）有限公司 策略智能推荐方法、装置、设备及存储介质

Also Published As

Publication number Publication date
CN112017745B (zh) 2023-06-27
WO2021151357A1 (zh) 2021-08-05

Similar Documents

Publication Publication Date Title
CN112017745B (zh) 决策信息推荐、药物信息推荐方法、装置、设备及介质
CN111696675B (zh) 基于物联网数据的用户数据分类方法、装置及计算机设备
WO2021073277A1 (zh) 一种个性化精准用药推荐方法及装置
US20200160970A1 (en) Medical scan header standardization system
CN109036545B (zh) 医疗信息处理方法、装置、计算机设备和存储介质
CN111180024B (zh) 基于词频逆文档频率的数据处理方法、装置和计算机设备
CN112016318B (zh) 基于解释模型的分诊信息推荐方法、装置、设备及介质
CN112035674B (zh) 导诊数据获取方法、装置、计算机设备和存储介质
WO2022062353A1 (zh) 医疗数据处理方法、装置、计算机设备和存储介质
CN112035611B (zh) 目标用户推荐方法、装置、计算机设备和存储介质
CN112132624A (zh) 医疗理赔数据预测系统
CN111180086A (zh) 数据匹配方法、装置、计算机设备和存储介质
CN110782998A (zh) 数据审核方法、装置、计算机设备和存储介质
CN112447270A (zh) 一种用药推荐方法、装置、设备及存储介质
CN112035614A (zh) 测试集生成方法、装置、计算机设备和存储介质
CN113707304B (zh) 分诊数据处理方法、装置、设备及存储介质
CN113128448B (zh) 基于肢体识别的视频匹配方法、装置、设备及存储介质
CN111221876A (zh) 数据降维处理方法、装置、计算机设备和存储介质
CN113724830A (zh) 基于人工智能的用药风险检测方法及相关设备
CN113241193A (zh) 药物推荐模型训练方法、推荐方法、装置、设备及介质
CN110265104B (zh) 诊断报告符合度检测方法、装置、计算机设备和存储介质
CN116631614A (zh) 治疗方案生成方法、装置、电子设备及存储介质
CN111370086A (zh) 电子病例检测方法、装置、计算机设备和存储介质
CN111063452A (zh) 药物匹配方法、计算机设备
CN115662562A (zh) 病历诊疗数据管理方法、装置、设备及存储介质

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