CN112035595A - 医疗领域中审核规则引擎的构建方法、装置和计算机设备 - Google Patents
医疗领域中审核规则引擎的构建方法、装置和计算机设备 Download PDFInfo
- Publication number
- CN112035595A CN112035595A CN202010897818.3A CN202010897818A CN112035595A CN 112035595 A CN112035595 A CN 112035595A CN 202010897818 A CN202010897818 A CN 202010897818A CN 112035595 A CN112035595 A CN 112035595A
- Authority
- CN
- China
- Prior art keywords
- medical
- fact
- engine
- text
- rule
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/06—Asset management; Financial planning or analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/31—Indexing; Data structures therefor; Storage structures
- G06F16/316—Indexing structures
- G06F16/325—Hash tables
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/3331—Query processing
- G06F16/334—Query execution
- G06F16/3344—Query execution using natural language analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
- G06F16/353—Clustering; Classification into predefined classes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/205—Parsing
- G06F40/216—Parsing using statistical methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
- G06F40/295—Named entity recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Finance (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Game Theory and Decision Science (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Probability & Statistics with Applications (AREA)
- Molecular Biology (AREA)
- Human Resources & Organizations (AREA)
- Operations Research (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- General Business, Economics & Management (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本申请涉及智慧医疗技术领域,提供一种医疗领域中审核规则引擎的构建方法、装置、计算机设备和存储介质,获取当前的医疗规则文本以及医疗政策信息文本;并从中抽象出事实对象以及事实对象的特征;进而在浏览器页面可视化展示出所述事实对象以及所述事实对象对应的特征;获取医疗用户在所述浏览器页面从所述事实对象中选择出的目标事实对象,以及获取所述医疗用户输入的医疗知识明细;最后,将所述医疗用户选择的所述目标事实对象实时加载至Drools引擎中,实时生成审核规则引擎,实现了审核规则引擎的实时更新;同时,审核规则引擎可以通过医疗用户进行灵活配置。本申请应用于智慧医疗领域,以推动智慧城市的建设。
Description
技术领域
本申请涉及智慧医疗技术领域,特别涉及一种医疗领域中审核规则引擎的构建方法、装置、计算机设备和存储介质。
背景技术
有效利用医保基金,控制不合理的医保基金支出,已经在社会上达成广泛共识。目前业内关于医保智能控费的解决方案提供商,大多为当地医疗岗位工作人员基于经验告知产品方,然后由产品开发实现产品方提出的各种经验类或者政策类规则引擎,通过后台系统审核结算单据来解决基金不合理支出的问题。
上述解决方案,通过事先设定好的审核规则引擎来解决医保基金不合理支出的问题,一定时间内能起到较好的作用,但是由于部分骗保行为不断升级变化,导致审核规则引擎跟不上变化,进而审核阳性率偏低,导致审核规则引擎不能持续,不利于风险控制。
发明内容
本申请的主要目的为提供一种医疗领域中审核规则引擎的构建方法、装置、计算机设备和存储介质,旨在克服目前审核规则引擎不能持续更新的缺陷。
为实现上述目的,本申请提供了一种医疗领域中审核规则引擎的构建方法,包括以下步骤:
获取医疗规则文本以及医疗政策信息文本;
从所述医疗规则文本以及医疗政策信息文本中抽象出事实对象以及事实对象的特征;
在浏览器页面可视化展示出所述事实对象以及所述事实对象对应的特征;
获取医疗用户在所述浏览器页面从所述事实对象中选择出的目标事实对象,以及获取所述医疗用户输入的医疗知识明细;其中,所述医疗用户根据当前的审核规则,基于所述事实对象的特征从所述事实对象中选择出目标事实对象;
将所述医疗用户选择的所述目标事实对象生成Drools对象,并将所述Drools对象以及所述医疗知识明细实时加载至Drools引擎中,实时生成审核规则引擎。
进一步地,所述将所述医疗用户选择的所述目标事实对象生成Drools对象,并将所述Drools对象以及所述医疗知识明细实时加载至Drools引擎中,实时生成审核规则引擎的步骤之后,包括:
针对每一所述审核规则引擎,生成对应绑定的唯一编号;
在所述浏览器页面获取所述医疗用户配置的唯一编号,并根据所述唯一编号确定对应的目标审核规则引擎;
在所述浏览器页面获取所述医疗用户对审核数据的筛选指令,并根据所述筛选指令从引擎标准库中筛选出对应的审核数据;其中,所述引擎标准库中存储有审核数据;
基于所述目标审核规则引擎对所述审核数据进行审核。
进一步地,所述从所述医疗规则文本以及医疗政策信息文本中抽象出事实对象以及事实对象的特征的步骤,包括:
对所述医疗规则文本以及医疗政策信息文本进行分词,得到文本中的各个单词;
统计所述医疗规则文本以及医疗政策信息文本中各个单词的词频;
根据所述词频的统计结果,确定出事实对象;
根据所述事实对象的类别对所述事实对象进行分类,确定所述事实对象的特征。
进一步地,每一个事实对象配置有对应的数字序号;
所述针对每一所述审核规则引擎,生成对应绑定的唯一编号的步骤,包括:
针对每一所述审核规则引擎,获取每一个目标事实对象的数字序号;
根据所述目标事实对象的数字序号的升序,对所述目标事实对象进行排序;
对排序后的所述目标事实对象依次进行拼接,得到拼接对象;
对所述拼接对象进行哈希计算得到对应的一个哈希值;
查询数据库中是否存在所述哈希值;
若不存在,则将所述哈希值进行进制转换为一个字符串,将所述字符串作为所述审核规则引擎对应绑定的唯一编号;若存在,则在所述哈希值的指定位置添加一预设字符后进行进制转换为一个字符串,将所述字符串作为所述审核规则引擎对应绑定的唯一编号。
进一步地,所述从所述医疗规则文本以及医疗政策信息文本中抽象出事实对象以及事实对象的特征的步骤,包括:
将所述医疗规则文本以及医疗政策信息文本输入至预设的命名实体识别模型中,识别出多个初始命名实体;
获取医疗用户从多个所述初始命名实体的标注出的多个正确命名实体;
计算所述正确命名实体与所述初始命名实体的比值,并判断所述比值是否大于阈值;
若大于,则将每个初始命名实体分别作为一个事实对象,并对所述事实对象进行分类,得到所述事实对象的特征;
若不大于,则将所述正确命名实体输入至所述预设的命名实体识别模型中进行训练;并将每个所述正确命名实体分别作为一个事实对象,并对所述事实对象进行分类,得到所述事实对象的特征。
进一步地,所述从所述医疗规则文本以及医疗政策信息文本中抽象出事实对象以及事实对象的特征的步骤,包括:
根据预设的关键词词典,提取所述医疗规则文本以及医疗政策信息文本中的关键词;
根据所述关键词在所述医疗规则文本以及医疗政策信息文本中的顺序,对所述关键词进行排序,得到排序后的关键词序列;
在所述排序后的关键词序列中,依次统计每个所述关键词的词频;
将所述词频大于阈值的每个所述关键词作为一个事实对象,并对所述事实对象进行分类,得到所述事实对象的特征。
本申请还提供了一种医疗领域中审核规则引擎的构建装置,包括:
第一获取单元,用于获取医疗规则文本以及医疗政策信息文本;
抽象单元,用于从所述医疗规则文本以及医疗政策信息文本中抽象出事实对象以及事实对象的特征;
展示单元,用于在浏览器页面可视化展示出所述事实对象以及所述事实对象对应的特征;
第二获取单元,用于获取医疗用户在所述浏览器页面从所述事实对象中选择出的目标事实对象,以及获取所述医疗用户输入的医疗知识明细;其中,所述医疗用户根据当前的审核规则,基于所述事实对象的特征从所述事实对象中选择出目标事实对象;
第一生成单元,用于将所述医疗用户选择的所述目标事实对象生成Drools对象,并将所述Drools对象以及所述医疗知识明细实时加载至Drools引擎中,实时生成审核规则引擎。
进一步地,还包括:
第二生成单元,用于针对每一所述审核规则引擎,生成对应绑定的唯一编号;
确定单元,用于在所述浏览器页面获取所述医疗用户配置的唯一编号,并根据所述唯一编号确定对应的目标审核规则引擎;
筛选单元,用于在所述浏览器页面获取所述医疗用户对审核数据的筛选指令,并根据所述筛选指令从引擎标准库中筛选出对应的审核数据;其中,所述引擎标准库中存储有审核数据;
审核单元,用于基于所述目标审核规则引擎对所述审核数据进行审核。
本申请还提供一种计算机设备,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器执行所述计算机程序时实现上述任一项所述方法的步骤。
本申请还提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述任一项所述的方法的步骤。
本申请提供的医疗领域中审核规则引擎的构建方法、装置、计算机设备和存储介质,通过获取当前的医疗规则文本以及医疗政策信息文本;并从中抽象出事实对象以及事实对象的特征;进而在浏览器页面可视化展示出所述事实对象以及所述事实对象对应的特征;获取医疗用户在所述浏览器页面从所述事实对象中选择出的目标事实对象,以及获取所述医疗用户输入的医疗知识明细;最后,将所述医疗用户选择的所述目标事实对象实时加载至Drools引擎中,实时生成审核规则引擎,实现了审核规则引擎的实时更新;同时,审核规则引擎可以通过医疗用户进行灵活配置。
附图说明
图1是本申请一实施例中医疗领域中审核规则引擎的构建方法步骤示意图;
图2是本申请一实施例中医疗领域中审核规则引擎的构建装置结构框图;
图3为本申请一实施例的计算机设备的结构示意框图。
本申请目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
参照图1,本申请一实施例中提供了一种医疗领域中审核规则引擎的构建方法,包括以下步骤:
步骤S1,获取医疗规则文本以及医疗政策信息文本;
步骤S2,从所述医疗规则文本以及医疗政策信息文本中抽象出事实对象以及事实对象的特征;
步骤S3,在浏览器页面可视化展示出所述事实对象以及所述事实对象对应的特征;
步骤S4,获取医疗用户在所述浏览器页面从所述事实对象中选择出的目标事实对象,以及获取所述医疗用户输入的医疗知识明细;其中,所述医疗用户根据当前的审核规则,基于所述事实对象的特征从所述事实对象中选择出目标事实对象;
步骤S5,将所述医疗用户选择的所述目标事实对象生成Drools对象,并将所述Drools对象以及所述医疗知识明细实时加载至Drools引擎中,实时生成审核规则引擎。
在本实施例中,上述方法应用于智慧医疗领域中,以推动智慧城市的建设。上述方法具体用于实时根据医疗用户对审核规则的配置需求,实时生成对应的审核规则引擎,在当前的审核规则发生变化时,可通过医疗用户进行更改,并实时更新审核规则引擎。
如上述步骤S1所述的,上述医疗规则文本指的是关于医疗规则逻辑的文本。例如各地常用到的一些审核规则,比如参保人性别是男性,使用了男性禁用药;又比如参保人性别是女性,使用了女性禁用药。上述医疗政策信息文本指的是各地与医疗政策相关的文本,其中记载有与医保相关的政策信息。
如上述步骤S2所述的,在本实施例中,上述事实对象指的是与医保密切相关的字段,例如性别、年龄、所在城市、历史诊断数据等等,上述事实对象是用于在对用户进行医保报销时,核查用户的报销额度、报销范围等所要参考的关键字段。上述事实对象的特征指的是上述事实对象对应所属的类别,例如针对上述性别,其为一个事实对象,而该事实对象所属的类别为参保人基本特征。
例如,在一个实施例中,上述事实对象的特征包括参保人基本特征、就诊特征、诊断特征、药品特征等。
属于上述参保人基本特征的事实对象包括:性别、年龄、工作单位、收入、险种类型、所在城市、婚姻状况、征信记录等。
属于上述就诊特征的事实对象包括:历史就诊记录、近一月就诊次数、近一年就诊次数、近期住院信息等等。在医保领域中,用户就诊次数,会影响到用户的医保报销,因此将历史就诊记录、近一月就诊次数、近一年就诊次数、近期住院信息等字段作为一个事实对象。
属于上述诊断特征的事实对象包括:历史诊断数据、是否有重大疾病历史等等。在医保领域中,用户的疾病史,历史诊断数据,均会影响到用户的医保报销,因此将历史诊断数据、是否有重大疾病历史等字段作为一个事实对象。
药品特征:中药、西药等。
在本实施例中,可以采用自然语言的通用处理方法,统计出上述医疗规则文本以及医疗政策信息文本中出现词语的词频,根据词频统计结果,抽象出上述事实对象,并根据事实对象的类型对其进行分类得到对应的特征。
如上述步骤S3所述的,基于浏览器的可视化页面,将上述事实对象进行可视化展示,为了便于医疗用户在上述浏览器的可视化页面进行分类选择,还需要展示上述事实对象的特征。由于审核规则可能随时发生变化,因此医疗用户可以根据当前的审核规则,在上述浏览器页面上进行审核规则的配置。
如上步骤S4所述的,所述医疗用户根据当前的审核规则,基于所述事实对象的特征从所述事实对象中选择出目标事实对象,医疗用户可以根据实际需求,自由选择上述事实对象,从而确定对应的审核规则。
可以理解的是,为了支持上述审核规则的运行,还需要录入上述医疗知识明细。上述医疗知识明细指的是利用上述审核规则进行审核时所需要的医疗知识。例如标识一类药品属于男性禁用药;或者标识一类诊断属于违规诊断。根据上述医疗知识,则可以利用上述审核规则进行医保结算单据的审核,例如判断医保结算单据中使用的药品是否为男性禁用药等。
如上述步骤S5所述的,在本实施例中,采用了Drools引擎,Drools引擎是一种开源业务规则引擎,其用于生成业务规则引擎。在本实施例中,将其用于生成审核规则引擎,且生成上述审核规则引擎时,实时生效。
具体地,将所述医疗用户选择的所述目标事实对象生成Drools对象。例如,针对参保人性别信息,可以在上述Drools引擎中通过代码适配成对象的sex字段;将性别信息完全适配成一个Drools对象,Drools引擎称之为VisitFact,即就诊事实类。
进而,将所述Drools对象以及所述医疗知识明细实时加载至Drools引擎中,实时生成审核规则引擎。具体地,利用Drools引擎提供的KieFileSystem开源API实时操作Drools虚拟文件系统,从而得到审核规则引擎,以实现动态更新规则内容。其中,加载的规则范围(哪些规则需要审核)也是通过Drools引擎提供的AgendaFilter的API所实现,在此不再进行赘述。
在本实施例中,通过医疗用户可以对各个事实对象灵活搭配配置,并通过Drools引擎实时动态加载审核规则引擎,实现规则的灵活配置和改动。避免目前对于审核医保结算单据的规则,规则上线后很难改动,容易造成规则越来越不适用的缺陷。
其次,由于Drools引擎对于Java语言的天然支持,可以高效的对成千上万的规则同时审核,同时开发人员投入极少,这样既提高了审核效率,也提高的人员复用效率。
在一实施例,所述将所述医疗用户选择的所述目标事实对象生成Drools对象,并将所述Drools对象以及所述医疗知识明细实时加载至Drools引擎中,实时生成审核规则引擎的步骤S5之后,包括:
步骤S6,针对每一所述审核规则引擎,生成对应绑定的唯一编号;
步骤S7,在所述浏览器页面获取所述医疗用户配置的唯一编号,并根据所述唯一编号确定对应的目标审核规则引擎;
步骤S8,在所述浏览器页面获取所述医疗用户对审核数据的筛选指令,并根据所述筛选指令从引擎标准库中筛选出对应的审核数据;其中,所述引擎标准库中存储有审核数据;
步骤S9,基于所述目标审核规则引擎对所述审核数据进行审核。
在本实施例中,对于每一条配置好的审核规则引擎,引擎系统会给该条审核规则分配一个唯一编号。上述医疗结算单据数据预先经过数据清洗同步到引擎标准库,在对医保结算单据(即审核数据)进行审核时,医疗用户可以在浏览器页面通过选择唯一编号而确定对应的审核规则引擎;同时,还可以在浏览器页面上进行数据的筛选,比如选择医疗结算单据的结算日期等。最终,根据医疗用户选择出的审核规则引擎,针对对应的审核数据进行审核。
在一实施例中,所述从所述医疗规则文本以及医疗政策信息文本中抽象出事实对象以及事实对象的特征的步骤S2,包括:
A、对所述医疗规则文本以及医疗政策信息文本进行分词,得到文本中的各个单词;在本实施例中,基于Trie树结构对上述医疗规则文本以及医疗政策信息文本实现词图扫描,生成文本句子中汉字所有可能成词情况所构成的有向无环图(DAG);并进行树的遍历,输出字典序。进而,便可以查找出上述树结构中的各个单词,并可以查询出词频和词频数。
B、统计所述医疗规则文本以及医疗政策信息文本中各个单词的词频;在本实施例中,对于上述已经切分好的词汇,出现的频率,对句子从右到左反向计算最大概率。因为汉语句子的中心在后面,即落在右边。从右往左计算,正确率要高于从左往右计算,依次类推,最后得到最大概率路径,得到最大概率的切分组合,进而采用统计粗分模型,计算词汇出现的频率。
C、根据所述词频的统计结果,确定出事实对象;分析出较高频率词汇,比如参保人,年龄,性别,药品,发票类等词汇,从而抽象出事实对象。
D、根据所述事实对象的类别对所述事实对象进行分类,确定所述事实对象的特征。
在一实施例中,每一个事实对象配置有对应的数字序号;
所述针对每一所述审核规则引擎,生成对应绑定的唯一编号的步骤S6,包括:
步骤S601,针对每一所述审核规则引擎,获取每一个目标事实对象的数字序号;
步骤S602,根据所述目标事实对象的数字序号的升序,对所述目标事实对象进行排序;
步骤S603,对排序后的所述目标事实对象依次进行拼接,得到拼接对象;
步骤S604,对所述拼接对象进行哈希计算得到对应的一个哈希值;
步骤S605,查询数据库中是否存在所述哈希值;
步骤S606,若不存在,则将所述哈希值进行进制转换为一个字符串,将所述字符串作为所述审核规则引擎对应绑定的唯一编号;若存在,则在所述哈希值的指定位置添加一预设字符后进行进制转换为一个字符串,将所述字符串作为所述审核规则引擎对应绑定的唯一编号。
在本实施例中,提出一种生成上述唯一编号的方案,本方案中针对每一条审核规则引擎中涉及到的目标事实对象,按照对应的数字序号进行排序,进而将上述目标事实对象进行拼接得到一串拼接对象,对所述拼接对象进行哈希计算得到对应的一个哈希值。可以理解的是,若上述审核规则引擎中的任意一个目标事实对象发生改变,则会影响上述哈希值的改变。为了后续保障唯一编号的唯一性,还需要在上述数据库查询是否存在上述哈希值;若存在,则表明在此之前已经生成了相同的审核规则引擎对应的唯一编号,此时为了避免重复,则在哈希值的指定位置添加一预设字符,例如,在末位添加零;进而再进行进制转换(例如二进制转换、十进制转换)得到一个字符串,将该字符串作为上述唯一编号。
在一实施例中,所述从所述医疗规则文本以及医疗政策信息文本中抽象出事实对象以及事实对象的特征的步骤S2,包括:
步骤S21,将所述医疗规则文本以及医疗政策信息文本输入至预设的命名实体识别模型中,识别出多个初始命名实体;
步骤S22,获取医疗用户从多个所述初始命名实体的标注出的多个正确命名实体;
步骤S23,计算所述正确命名实体与所述初始命名实体的比值,并判断所述比值是否大于阈值;
步骤S24,若大于,则将每个初始命名实体分别作为一个事实对象,并对所述事实对象进行分类,得到所述事实对象的特征;
步骤S25,若不大于,则将所述正确命名实体输入至所述预设的命名实体识别模型中进行训练;并将每个所述正确命名实体分别作为一个事实对象,并对所述事实对象进行分类,得到所述事实对象的特征。
在本实施例中,基于深度学习,采用医疗领域中的大量医保文本作为训练样本训练神经网络模型,得到上述命名实体识别模型。其中,上述作为训练样本的医保文本中包括多个字段,将其中与医保报销相关的字段标注为命名实体,例如文本中的性别、年龄、就诊记录等字段添加命名实体的标签。可以理解的是,在标注时,上述属于命名实体的字段即属于本实施例中的事实对象。
将上述训练样本输入至神经网络模型训练后得到上述命名实体识别模型,便可以采用上述基于深度学习得到的命名实体识别模型从医疗规则文本以及医疗政策信息文本中识别得到多个类似于上述标注的字段,即上述初始命名实体,由于上述初始命名实体不一定准确,为了便于抽象出正确性较高的事实对象,需要医疗用户对上述初始命名实体进行标注。标注时,医疗用户从上述初始命名实体中标注出多个正确命名实体。为了验证上述预设的命名实体识别模型的准确性,计算上述正确命名实体与所述初始命名实体的比值,并判断该比值是否大于阈值,若大于阈值,则表明上述预设的命名实体识别模型的准确性较高,则可以将上述初始命名实体均作为事实对象。本申请中将初始命名实体作为事实对象,而不仅仅是将正确命名实体作为事实对象,不仅保障了正确性,而且可以保障事实对象的数据量更大,医疗用户的选择性更宽。
若上述比值不大于阈值,则表明上述预设的命名实体识别模型的准确性较低,需要重新进行训练,进而,可以采用上述正确命名实体输入至所述预设的命名实体识别模型中进行训练。此时由于命名实体识别模型的准确性较低,因此,为了保障正确性,只将上述正确命名实体作为事实对象。
在本实施例中,上述对所述事实对象进行分类,得到所述事实对象的特征的实现过程与上述实施例中相似,在此不再进行赘述。
在一实施例中,所述从所述医疗规则文本以及医疗政策信息文本中抽象出事实对象以及事实对象的特征的步骤S2,包括:
步骤S201,根据预设的关键词词典,提取所述医疗规则文本以及医疗政策信息文本中的关键词;
步骤S202,根据所述关键词在所述医疗规则文本以及医疗政策信息文本中的顺序,对所述关键词进行排序,得到排序后的关键词序列;
步骤S203,在所述排序后的关键词序列中,依次统计每个所述关键词的词频;
步骤S204,将所述词频大于阈值的每个所述关键词作为一个事实对象,并对所述事实对象进行分类,得到所述事实对象的特征。
在本实施例中,预先维护好一个医疗领域的关键词词典,从上述医疗规则文本以及医疗政策信息文本中,提取出多个关键词,并对其进行排序得到关键词序列,进而在所述排序后的关键词序列中,依次统计每个所述关键词的词频。本实施例中,统计所述关键词在所述关键词序列中的词频,相比于统计在整个文本中的词频,可以降低运算量。
参照图2,本申请一实施例中还提供了一种医疗领域中审核规则引擎的构建装置,包括:
第一获取单元10,用于获取医疗规则文本以及医疗政策信息文本;
抽象单元20,用于从所述医疗规则文本以及医疗政策信息文本中抽象出事实对象以及事实对象的特征;
展示单元30,用于在浏览器页面可视化展示出所述事实对象以及所述事实对象对应的特征;
第二获取单元40,用于获取医疗用户在所述浏览器页面从所述事实对象中选择出的目标事实对象,以及获取所述医疗用户输入的医疗知识明细;其中,所述医疗用户根据当前的审核规则,基于所述事实对象的特征从所述事实对象中选择出目标事实对象;
第一生成单元50,用于将所述医疗用户选择的所述目标事实对象生成Drools对象,并将所述Drools对象以及所述医疗知识明细实时加载至Drools引擎中,实时生成审核规则引擎。
在一实施例中,上述医疗领域中审核规则引擎的构建装置,还包括:
第二生成单元,用于针对每一所述审核规则引擎,生成对应绑定的唯一编号;
确定单元,用于在所述浏览器页面获取所述医疗用户配置的唯一编号,并根据所述唯一编号确定对应的目标审核规则引擎;
筛选单元,用于在所述浏览器页面获取所述医疗用户对审核数据的筛选指令,并根据所述筛选指令从引擎标准库中筛选出对应的审核数据;其中,所述引擎标准库中存储有审核数据;
审核单元,用于基于所述目标审核规则引擎对所述审核数据进行审核。
在一实施例中,所述抽象单元20,具体用于:
对所述医疗规则文本以及医疗政策信息文本进行分词,得到文本中的各个单词;
统计所述医疗规则文本以及医疗政策信息文本中各个单词的词频;
根据所述词频的统计结果,确定出事实对象;
根据所述事实对象的类别对所述事实对象进行分类,确定所述事实对象的特征。
在一实施例中,每一个事实对象配置有对应的数字序号;
所述第二生成单元,具体用于:
针对每一所述审核规则引擎,获取每一个目标事实对象的数字序号;
根据所述目标事实对象的数字序号的升序,对所述目标事实对象进行排序;
对排序后的所述目标事实对象依次进行拼接,得到拼接对象;
对所述拼接对象进行哈希计算得到对应的一个哈希值;
查询数据库中是否存在所述哈希值;
若不存在,则将所述哈希值进行进制转换为一个字符串,将所述字符串作为所述审核规则引擎对应绑定的唯一编号;若存在,则在所述哈希值的指定位置添加一预设字符后进行进制转换为一个字符串,将所述字符串作为所述审核规则引擎对应绑定的唯一编号。
在另一实施例中,所述抽象单元20,具体用于:
将所述医疗规则文本以及医疗政策信息文本输入至预设的命名实体识别模型中,识别出多个初始命名实体;
获取医疗用户从多个所述初始命名实体的标注出的多个正确命名实体;
计算所述正确命名实体与所述初始命名实体的比值,并判断所述比值是否大于阈值;
若大于,则将每个初始命名实体分别作为一个事实对象,并对所述事实对象进行分类,得到所述事实对象的特征;
若不大于,则将所述正确命名实体输入至所述预设的命名实体识别模型中进行训练;并将每个所述正确命名实体分别作为一个事实对象,并对所述事实对象进行分类,得到所述事实对象的特征。
在又一实施例中,所述抽象单元20,具体用于:
根据预设的关键词词典,提取所述医疗规则文本以及医疗政策信息文本中的关键词;
根据所述关键词在所述医疗规则文本以及医疗政策信息文本中的顺序,对所述关键词进行排序,得到排序后的关键词序列;
在所述排序后的关键词序列中,依次统计每个所述关键词的词频;
将所述词频大于阈值的每个所述关键词作为一个事实对象,并对所述事实对象进行分类,得到所述事实对象的特征。
在本实施例中,上述各个单元的具体实现,请参照上述方法实施例中所述,在此不再进行赘述。
参照图3,本申请实施例中还提供一种计算机设备,该计算机设备可以是服务器,其内部结构可以如图3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,该计算机设计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存储医疗文本等。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医疗领域中审核规则引擎的构建方法。
本领域技术人员可以理解,图3中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定。
本申请一实施例还提供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一种医疗领域中审核规则引擎的构建方法。可以理解的是,本实施例中的计算机可读存储介质可以是易失性可读存储介质,也可以为非易失性可读存储介质。
综上所述,为本申请实施例中提供的医疗领域中审核规则引擎的构建方法、装置、计算机设备和存储介质,通过获取当前的医疗规则文本以及医疗政策信息文本;并从中抽象出事实对象以及事实对象的特征;进而在浏览器页面可视化展示出所述事实对象以及所述事实对象对应的特征;获取医疗用户在所述浏览器页面从所述事实对象中选择出的目标事实对象,以及获取所述医疗用户输入的医疗知识明细;最后,将所述医疗用户选择的所述目标事实对象实时加载至Drools引擎中,实时生成审核规则引擎,实现了审核规则引擎的实时更新;同时,审核规则引擎可以通过医疗用户进行灵活配置。
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,本申请所提供的和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。非易失性存储器可以包括只读存储器(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通过多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双速据率SDRAM(SSRSDRAM)、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。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其它变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素,而且还包括没有明确列出的其它要素,或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
以上所述仅为本申请的优选实施例,并非因此限制本申请的专利范围,凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其它相关的技术领域,均同理包括在本申请的专利保护范围内。
Claims (10)
1.一种医疗领域中审核规则引擎的构建方法,其特征在于,包括以下步骤:
获取医疗规则文本以及医疗政策信息文本;
从所述医疗规则文本以及医疗政策信息文本中抽象出事实对象以及事实对象的特征;
在浏览器页面可视化展示出所述事实对象以及所述事实对象对应的特征;
获取医疗用户在所述浏览器页面从所述事实对象中选择出的目标事实对象,以及获取所述医疗用户输入的医疗知识明细;其中,所述医疗用户根据当前的审核规则,基于所述事实对象的特征从所述事实对象中选择出目标事实对象;
将所述医疗用户选择的所述目标事实对象生成Drools对象,并将所述Drools对象以及所述医疗知识明细实时加载至Drools引擎中,实时生成审核规则引擎。
2.根据权利要求1所述的医疗领域中审核规则引擎的构建方法,其特征在于,所述将所述医疗用户选择的所述目标事实对象生成Drools对象,并将所述Drools对象以及所述医疗知识明细实时加载至Drools引擎中,实时生成审核规则引擎的步骤之后,包括:
针对每一所述审核规则引擎,生成对应绑定的唯一编号;
在所述浏览器页面获取所述医疗用户配置的唯一编号,并根据所述唯一编号确定对应的目标审核规则引擎;
在所述浏览器页面获取所述医疗用户对审核数据的筛选指令,并根据所述筛选指令从引擎标准库中筛选出对应的审核数据;其中,所述引擎标准库中存储有审核数据;
基于所述目标审核规则引擎对所述审核数据进行审核。
3.根据权利要求1所述的医疗领域中审核规则引擎的构建方法,其特征在于,所述从所述医疗规则文本以及医疗政策信息文本中抽象出事实对象以及事实对象的特征的步骤,包括:
对所述医疗规则文本以及医疗政策信息文本进行分词,得到文本中的各个单词;
统计所述医疗规则文本以及医疗政策信息文本中各个单词的词频;
根据所述词频的统计结果,确定出事实对象;
根据所述事实对象的类别对所述事实对象进行分类,确定所述事实对象的特征。
4.根据权利要求2所述的医疗领域中审核规则引擎的构建方法,其特征在于,每一个事实对象配置有对应的数字序号;
所述针对每一所述审核规则引擎,生成对应绑定的唯一编号的步骤,包括:
针对每一所述审核规则引擎,获取每一个目标事实对象的数字序号;
根据所述目标事实对象的数字序号的升序,对所述目标事实对象进行排序;
对排序后的所述目标事实对象依次进行拼接,得到拼接对象;
对所述拼接对象进行哈希计算得到对应的一个哈希值;
查询数据库中是否存在所述哈希值;
若不存在,则将所述哈希值进行进制转换为一个字符串,将所述字符串作为所述审核规则引擎对应绑定的唯一编号;若存在,则在所述哈希值的指定位置添加一预设字符后进行进制转换为一个字符串,将所述字符串作为所述审核规则引擎对应绑定的唯一编号。
5.根据权利要求1所述的医疗领域中审核规则引擎的构建方法,其特征在于,所述从所述医疗规则文本以及医疗政策信息文本中抽象出事实对象以及事实对象的特征的步骤,包括:
将所述医疗规则文本以及医疗政策信息文本输入至预设的命名实体识别模型中,识别出多个初始命名实体;
获取医疗用户从多个所述初始命名实体的标注出的多个正确命名实体;
计算所述正确命名实体与所述初始命名实体的比值,并判断所述比值是否大于阈值;
若大于,则将每个初始命名实体分别作为一个事实对象,并对所述事实对象进行分类,得到所述事实对象的特征;
若不大于,则将所述正确命名实体输入至所述预设的命名实体识别模型中进行训练;并将每个所述正确命名实体分别作为一个事实对象,并对所述事实对象进行分类,得到所述事实对象的特征。
6.根据权利要求1所述的医疗领域中审核规则引擎的构建方法,其特征在于,所述从所述医疗规则文本以及医疗政策信息文本中抽象出事实对象以及事实对象的特征的步骤,包括:
根据预设的关键词词典,提取所述医疗规则文本以及医疗政策信息文本中的关键词;
根据所述关键词在所述医疗规则文本以及医疗政策信息文本中的顺序,对所述关键词进行排序,得到排序后的关键词序列;
在所述排序后的关键词序列中,依次统计每个所述关键词的词频;
将所述词频大于阈值的每个所述关键词作为一个事实对象,并对所述事实对象进行分类,得到所述事实对象的特征。
7.一种医疗领域中审核规则引擎的构建装置,其特征在于,包括:
第一获取单元,用于获取医疗规则文本以及医疗政策信息文本;
抽象单元,用于从所述医疗规则文本以及医疗政策信息文本中抽象出事实对象以及事实对象的特征;
展示单元,用于在浏览器页面可视化展示出所述事实对象以及所述事实对象对应的特征;
第二获取单元,用于获取医疗用户在所述浏览器页面从所述事实对象中选择出的目标事实对象,以及获取所述医疗用户输入的医疗知识明细;其中,所述医疗用户根据当前的审核规则,基于所述事实对象的特征从所述事实对象中选择出目标事实对象;
第一生成单元,用于将所述医疗用户选择的所述目标事实对象生成Drools对象,并将所述Drools对象以及所述医疗知识明细实时加载至Drools引擎中,实时生成审核规则引擎。
8.根据权利要求7所述的医疗领域中审核规则引擎的构建装置,其特征在于,还包括:
第二生成单元,用于针对每一所述审核规则引擎,生成对应绑定的唯一编号;
确定单元,用于在所述浏览器页面获取所述医疗用户配置的唯一编号,并根据所述唯一编号确定对应的目标审核规则引擎;
筛选单元,用于在所述浏览器页面获取所述医疗用户对审核数据的筛选指令,并根据所述筛选指令从引擎标准库中筛选出对应的审核数据;其中,所述引擎标准库中存储有审核数据;
审核单元,用于基于所述目标审核规则引擎对所述审核数据进行审核。
9.一种计算机设备,包括存储器和处理器,所述存储器中存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010897818.3A CN112035595A (zh) | 2020-08-31 | 2020-08-31 | 医疗领域中审核规则引擎的构建方法、装置和计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010897818.3A CN112035595A (zh) | 2020-08-31 | 2020-08-31 | 医疗领域中审核规则引擎的构建方法、装置和计算机设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112035595A true CN112035595A (zh) | 2020-12-04 |
Family
ID=73587597
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010897818.3A Pending CN112035595A (zh) | 2020-08-31 | 2020-08-31 | 医疗领域中审核规则引擎的构建方法、装置和计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112035595A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112418827A (zh) * | 2020-12-16 | 2021-02-26 | 平安健康保险股份有限公司 | 产品方案配置方法、装置、计算机设备和存储介质 |
CN112765433A (zh) * | 2021-01-12 | 2021-05-07 | 深圳市房多多网络科技有限公司 | 文本关键词扫描方法、装置、设备及计算机可读存储介质 |
CN113360671A (zh) * | 2021-06-16 | 2021-09-07 | 浙江工业大学 | 一种基于知识图谱的医保医疗单据审核方法及其系统 |
CN113609836A (zh) * | 2021-09-29 | 2021-11-05 | 深圳市指南针医疗科技有限公司 | 医疗政策全量定义解析系统及方法 |
CN113723922A (zh) * | 2021-08-30 | 2021-11-30 | 北京人马座科技有限公司 | 一种基于规则引擎实现处方审核的方法及系统 |
CN114021723A (zh) * | 2021-11-26 | 2022-02-08 | 深圳创维智慧科技有限公司 | 医疗知识库的规则管理方法、装置及计算机可读存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1840803A1 (en) * | 2006-03-30 | 2007-10-03 | Pegasystems Inc. | User interface methods and apparatus for rules processing |
JP2009245232A (ja) * | 2008-03-31 | 2009-10-22 | Gengo Rikai Kenkyusho:Kk | 医療所見文書の自由記述文からプロブレム抽出の規則定義を生成する専用ルールエディタ |
CN107644323A (zh) * | 2017-09-30 | 2018-01-30 | 成都莲合软件科技有限公司 | 一种面向业务流的智能审核系统 |
CN109411079A (zh) * | 2018-09-11 | 2019-03-01 | 平安科技(深圳)有限公司 | 审核诊疗规则生成方法、装置、计算机设备和存储介质 |
CN111161815A (zh) * | 2019-12-27 | 2020-05-15 | 深圳中兴网信科技有限公司 | 医疗数据检测方法、装置、终端和计算机可读存储介质 |
CN111427560A (zh) * | 2020-02-27 | 2020-07-17 | 平安医疗健康管理股份有限公司 | 规则代码的可视化创建方法、装置和计算机设备 |
-
2020
- 2020-08-31 CN CN202010897818.3A patent/CN112035595A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1840803A1 (en) * | 2006-03-30 | 2007-10-03 | Pegasystems Inc. | User interface methods and apparatus for rules processing |
JP2009245232A (ja) * | 2008-03-31 | 2009-10-22 | Gengo Rikai Kenkyusho:Kk | 医療所見文書の自由記述文からプロブレム抽出の規則定義を生成する専用ルールエディタ |
CN107644323A (zh) * | 2017-09-30 | 2018-01-30 | 成都莲合软件科技有限公司 | 一种面向业务流的智能审核系统 |
CN109411079A (zh) * | 2018-09-11 | 2019-03-01 | 平安科技(深圳)有限公司 | 审核诊疗规则生成方法、装置、计算机设备和存储介质 |
CN111161815A (zh) * | 2019-12-27 | 2020-05-15 | 深圳中兴网信科技有限公司 | 医疗数据检测方法、装置、终端和计算机可读存储介质 |
CN111427560A (zh) * | 2020-02-27 | 2020-07-17 | 平安医疗健康管理股份有限公司 | 规则代码的可视化创建方法、装置和计算机设备 |
Non-Patent Citations (1)
Title |
---|
彭坤;冷金昌;孙晓玮;: "医保智能审核系统的技术创新研究", 现代仪器与医疗, no. 01, pages 1 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112418827A (zh) * | 2020-12-16 | 2021-02-26 | 平安健康保险股份有限公司 | 产品方案配置方法、装置、计算机设备和存储介质 |
CN112418827B (zh) * | 2020-12-16 | 2024-05-28 | 平安健康保险股份有限公司 | 产品方案配置方法、装置、计算机设备和存储介质 |
CN112765433A (zh) * | 2021-01-12 | 2021-05-07 | 深圳市房多多网络科技有限公司 | 文本关键词扫描方法、装置、设备及计算机可读存储介质 |
CN112765433B (zh) * | 2021-01-12 | 2024-04-26 | 深圳市房多多网络科技有限公司 | 文本关键词扫描方法、装置、设备及计算机可读存储介质 |
CN113360671A (zh) * | 2021-06-16 | 2021-09-07 | 浙江工业大学 | 一种基于知识图谱的医保医疗单据审核方法及其系统 |
CN113360671B (zh) * | 2021-06-16 | 2022-04-19 | 浙江工业大学 | 一种基于知识图谱的医保医疗单据审核方法及其系统 |
CN113723922A (zh) * | 2021-08-30 | 2021-11-30 | 北京人马座科技有限公司 | 一种基于规则引擎实现处方审核的方法及系统 |
CN113723922B (zh) * | 2021-08-30 | 2022-08-30 | 北京人马座科技有限公司 | 一种基于规则引擎实现处方审核的方法及系统 |
CN113609836A (zh) * | 2021-09-29 | 2021-11-05 | 深圳市指南针医疗科技有限公司 | 医疗政策全量定义解析系统及方法 |
CN113609836B (zh) * | 2021-09-29 | 2022-01-28 | 深圳市指南针医疗科技有限公司 | 医疗政策全量定义解析系统及方法 |
CN114021723A (zh) * | 2021-11-26 | 2022-02-08 | 深圳创维智慧科技有限公司 | 医疗知识库的规则管理方法、装置及计算机可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210150130A1 (en) | Methods for generating natural language processing systems | |
CN109213870B (zh) | 文档处理 | |
CN112035595A (zh) | 医疗领域中审核规则引擎的构建方法、装置和计算机设备 | |
US11734328B2 (en) | Artificial intelligence based corpus enrichment for knowledge population and query response | |
CN110069623B (zh) | 摘要文本生成方法、装置、存储介质和计算机设备 | |
US11580459B2 (en) | Systems and methods for extracting specific data from documents using machine learning | |
US20070050187A1 (en) | Medical billing system and method | |
CN108256074A (zh) | 校验处理的方法、装置、电子设备和存储介质 | |
US20150032645A1 (en) | Computer-implemented systems and methods of performing contract review | |
US10733675B2 (en) | Accuracy and speed of automatically processing records in an automated environment | |
JP2011048822A (ja) | 支払請求分析エンジン | |
US11783130B2 (en) | Using unsupervised machine learning for automatic entity resolution of natural language records | |
US20160110502A1 (en) | Human and Machine Assisted Data Curation for Producing High Quality Data Sets from Medical Records | |
US20210375488A1 (en) | System and methods for automatic medical knowledge curation | |
Banerjee et al. | Segmenting scientific abstracts into discourse categories: a deep learning-based approach for sparse labeled data | |
Eisele et al. | Capturing a news frame–comparing machine-learning approaches to frame analysis with different degrees of supervision | |
CN110287270B (zh) | 实体关系挖掘方法及设备 | |
Szabó et al. | Exploring the dynamic changes of key concepts of the Hungarian socialist era with natural language processing methods | |
EP4064038B1 (en) | Automated generation and integration of an optimized regular expression | |
US20220215142A1 (en) | Extensible Agents in Agent-Based Generative Models | |
CN112182253B (zh) | 一种数据处理方法、设备以及计算机可读存储介质 | |
Christen et al. | Big data is not the new oil: Common misconceptions about population data | |
US11880394B2 (en) | System and method for machine learning architecture for interdependence detection | |
WO2022150343A1 (en) | Generation and evaluation of secure synthetic data | |
Shahri et al. | An Ensemble Approach for Automatic Structuring of Radiology Reports |
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 |