CN112289396A - 一种医疗数据转移系统的故障诊断方法 - Google Patents
一种医疗数据转移系统的故障诊断方法 Download PDFInfo
- Publication number
- CN112289396A CN112289396A CN202011116423.1A CN202011116423A CN112289396A CN 112289396 A CN112289396 A CN 112289396A CN 202011116423 A CN202011116423 A CN 202011116423A CN 112289396 A CN112289396 A CN 112289396A
- Authority
- CN
- China
- Prior art keywords
- referral
- medical
- fault
- information
- data
- 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
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
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/22—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing
- G06F11/2205—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing using arrangements specific to the hardware being tested
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/22—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing
- G06F11/2273—Test methods
Abstract
本发明公开了一种医疗数据转移系统的故障诊断方法,通过将患者转诊信息提取、医疗数据预处理、利用半马尔可夫模型和瓶颈分析法进行故障分析以及输出故障诊断报告,故障分析过程包括:1)利用半马尔可夫模型计算医疗数据转移路径每一环节的时延期望和总时延期望,2)利用瓶颈分析法,计算转诊路径的外源性延迟故障节点、转诊数据请求服务能力故障节点和返工频率故障节点。通过上述措施,以达到在转诊相关医疗数据在不同医疗服务点间转移的过程中,找出患者转诊传递时发生丢失、延误的原因,以便后续消除医疗数据转移瓶颈,提高患者转诊效率、质量和满意度的技术目的。
Description
技术领域
本发明属于智慧医疗、系统优化技术领域,具体涉及一种医疗数据转移系统 的故障诊断方法。
背景技术
在我国分级诊疗制度的贯彻落实下,病人由于病症种类以及病情程度的不同, 可能会在家庭医生、基层医院、大型综合医院、专科门诊医院之间逐级转诊,而 病人转诊必然伴随着相关医疗信息与数据的转移。
专利201910327398.2《转诊时医疗信息的迁移方法、装置、计算机设备和 存储介质》提供了一种转诊时医疗信息的迁移方法、装置、计算机设备和存储介 质,首先,将转诊路径下游医疗节点产生的患者医疗影像信息进行识别,检测出 患者的患病区域,并将患者的基本身份信息与医疗影像信息进行加密、并在区块 链网络上公开以进行共识;经过患者授权操作后,系统对转诊路径上游医疗节点 的医生开放数据访问权限,即对其解密,然后通过下载操作将基本信息与患病区 域信息发送至患者终端,以便医生通过工作站浏览该患者终端中的基本信息与患 病区域信息,最终达到转诊过程中医疗信息迁移的目的。
专利200810217724.6《患者医疗数据转移方法及装置》提供了一种医疗数 据转移方法和装置。其方法包括如下步骤:将目标操作装置接入存储有患者医疗 数据的存储介质;判断所述患者医疗数据是否符合数据转移条件:如果符合,则 进行数据转入操作。本发明使医务人员将患者的医疗数据由源操作装置转移至目 标操作装置中,实现无需转移医护设备,即可快捷转移病人的医疗数据。
然而,在转诊相关医疗数据在不同医疗服务点间转移的过程中,来自不同医 院、科室的医疗数据通常具有异构性的特点,前述专利与公开文献均无法避免常 规处理方法带来的关键信息丢失与记录错误问题,患者的就诊服务会因为不符合 转诊、入院标准而产生严重延误,甚至危及患者生命安全。因此,我们需要研制 一种方法,以高效找出患者转诊过程中医疗护理数据在不同医院、科室单位之间 传递时发生丢失、延误的原因,迅速确定故障节点,方便后续消除医疗数据转移 瓶颈,提高患者转诊效率、质量和满意度。
发明内容
为了克服上述现有技术的不足,本发明提供了一种医疗数据转移系统的故障 诊断方法,通过将患者转诊信息提取、医疗数据预处理、利用半马尔可夫模型和 瓶颈分析法进行故障分析以及输出故障诊断报告,故障分析过程包括:1)利用 半马尔可夫模型计算医疗数据转移路径每一环节的时延期望和总时延期望,2) 利用瓶颈分析法,计算转诊路径的外源性延迟故障节点、转诊数据请求服务能力 故障节点和返工频率故障节点。通过上述措施,以达到在转诊相关医疗数据在不 同医疗服务点间转移的过程中,找出患者转诊过程中医疗护理数据在不同医院、 科室单位之间传递时发生丢失、延误的原因,迅速确定故障节点,以便后续消除 医疗数据转移瓶颈,提高患者转诊效率、质量和满意度的技术目的。
为此,本发明提出一种医疗数据转移系统的故障诊断方法,包括如下步骤:
S1、患者转诊信息提取,用计算机程序从患者来源医疗单位的医院信息管理 子系统、临床信息子系统、电子病历子系统、影像归档子系统、通信子系统和放 射科信息管理子系统提取医疗数据,以作为患者转诊信息;所述患者转诊信息包 括上述每一子系统的实时状态信息与历史统计信息;
S2、医疗数据预处理,用计算机程序将提取到的一系列患者转诊信息进行数 据预处理,形成格式统一、定义一致的i条归一化患者转诊样本数据,后文简称 USD数据;第i条USD数据的结构包括所属的医疗环节、环节平均处理时间Ti以及 环节平均出错概率pi;
S3、对S2所得的USD数据利用半马尔可夫模型和瓶颈分析法进行故障分析, 具体包括如下子步骤:
S301、将医疗数据转移过程建模为状态空间为
S={g0,b0,g1,r1,b1,...,rN-2,bN-2,gN}的半马尔可夫模型Jn,其中N等于医疗数 据转移过程所包含的环节数;根据医疗行业经验,定义在任一表示医疗数据转移 环节的状态s处的数据处理时间Ts,以及由该状态医疗服务提供者自身服务能力 限制所引起的外源性延迟Ds;
用τs表示医疗信息在某一状态的滞留时间,τs的计算公式为:
τs=Ts+Ds,s∈S (1)
其中τs,Ts,Ds均为随机变量。
用Y表示医疗转诊信息流在整条医疗数据转移路径中的总时延期望,其计算公式如下:
其中,pn表示第n环节的平均出错概率,E运算表示计算一组样本的数学期 望;
用Yn表示第n环节的时延期望,由下式估算:
其中,μ为转诊数据的请求到达速率。
S302、利用瓶颈分析法,计算转诊路径的外源性延迟故障节点、转诊数据请 求服务能力故障节点和返工频率故障节点,具体算法为:
定义Id即为转诊路径中外源性延迟故障节点,其计算公式为:
Id=argmaxi(pi+pi+1),i=0,1,...,N-1 (4)
定义It为转诊路径中转诊数据请求服务能力故障节点,其计算公式为:
定义If为转诊路径中返工频率故障节点,其计算公式为:
S4、输出故障诊断报告,对S3得出的故障数据生成符合约定格式的故障诊 断报告。
更优的,医疗转诊信息流在整条医疗数据转移路径中的总时延期望Y的另一 个计算公式是:
其中Yn表示第n环节的时延期望。
本发明具有如下有益效果:
首先,本发明所述一种医疗数据转移系统的故障诊断方法在现有的患者医疗 数据转移装置和医疗数据转移机制的基础上,运用统计学技术计算各转移环节的 时延期望值和总时延期望值,用瓶颈分析法快速得到转诊路径的外源性延迟故障 节点、转诊数据请求服务能力故障节点和返工频率故障节点,有利于找出患者转 诊过程中医疗护理数据在不同医院、科室单位之间传递时发生丢失、延误的环节 和故障原因,迅速确定故障节点,方便后续消除医疗数据转移瓶颈,提高患者转 诊效率、质量和满意度;
其次,本发明所述故障诊断方法还对来自患者来源医疗单位的各子系统提取 的医疗数据进行数据预处理,得到格式统一、定义一致的归一化患者转诊样本数 据,从而所述故障诊断方法可适用于不同医院、科室之间异构数据的通用故障诊 断方法。
附图说明
图1是一种医疗数据转移系统的故障诊断方法的流程图,
图2是S3利用半马尔可夫模型和瓶颈分析法进行故障分析的流程图,
图3是半马尔可夫模型的原理示意图;
图4为医疗数据转移系统的故障诊断方法所对应的系统组成结构图。
具体实施方式
为了加深对本发明的理解,下面结合附图和实施例对本发明进一步说明,该 实施例仅用于解释本发明,并不对本发明的保护范围构成限定。
在我国分级诊疗制度的贯彻落实下,病人由于病症种类以及病情程度的不同, 可能会在家庭医生、基层医院、大型综合医院、专科门诊医院之间逐级转诊,而 病人转诊必然伴随着相关医疗信息与数据的转移。
在统计学中,argmax是一种函数,是对函数求参数(集合)的函数,可表示 为:
具体含义是:寻找一个自变量x值,使得函数f(x)取值为最大。
实施例1
本发明涉及一种医疗数据转移系统的故障诊断方法,流程图如图1所述,包 括如下步骤:
S1、患者转诊信息提取,用计算机程序从患者来源医疗单位的医院信息管理 子系统、临床信息子系统、电子病历子系统、影像归档子系统、通信子系统和放 射科信息管理子系统提取医疗数据,以作为患者转诊信息;所述患者转诊信息包 括上述每一子系统的实时状态信息与历史统计信息。
实时服务状态信息包括但不限于该医疗服务节点当前服务队列信息和节点 数据计算资源使用率等信息;服务历史统计信息利用历史数据统计得到,其中包 括但不限于节点数据处理效率、转诊数据相关统计特性信息、当前节点数据处理 准确性等信息。
S2、医疗数据预处理,用计算机程序将提取到的一系列患者转诊信息进行数 据预处理,形成格式统一、定义一致的i条归一化患者转诊样本数据,后文简称 USD数据;第i条USD数据的结构包括所属的医疗环节、环节平均处理时间Ti以及 环节平均出错概率pi;
由于这些患者转诊信息数据来自不同的医疗信息管理系统,所得到的原始数 据会存在格式不统一、存在缺失值、重复值、含噪声问题,这些问题会影响分析 结果,无法直接利用。医疗数据预处理模块就是通过数据格式化、数据准确性审 核、缺失值补全、去噪等操作将原始数据处理成适应文中所述瓶颈分析模型的数 据,以便于保证模型的可用性与计算精度。更具体的,第i条归一化患者转诊样 本数据(USD数据)的结构包括所属的医疗环节、环节平均处理时间Ti以及环节 平均出错概率pi。
本发明所述故障诊断方法对来自患者来源医疗单位的各子系统提取的医疗 数据进行数据预处理,得到格式统一、定义一致的归一化患者转诊样本数据,从 而达到可适用于不同医院、科室之间异构数据的通用故障诊断方法。
S3、对S2所得的USD数据利用半马尔可夫模型和瓶颈分析法进行故障分析, 其详细流程如图2所述,包括如下子步骤:
S301、将医疗数据转移过程建模为状态空间为
S={g0,b0,g1,r1,b1,...,rN-2,bN-2,gN}的半马尔可夫模型Jn,其中N等于医疗数 据转移过程所包含的环节数;根据医疗行业经验,定义在任一表示医疗数据转移 环节的状态s处的数据处理时间Ts,以及由该状态医疗服务提供者自身服务能力 限制所引起的外源性延迟Ds;
用τs表示医疗信息在某一状态的滞留时间,τs的计算公式为:
τs=Ts+Ds,s∈S (1)
其中τs,Ts,Ds均为随机变量。
用Y表示医疗转诊信息流在整条医疗数据转移路径中的总时延期望,其计算公式如下:
其中,pn表示第n环节的平均出错概率,E运算表示计算一组样本的数学期 望;
用Yn表示第n环节的时延期望,由下式估算:
其中,μ为转诊数据的请求到达速率。
S302、利用瓶颈分析法,计算转诊路径的外源性延迟故障节点、转诊数据请 求服务能力故障节点和返工频率故障节点,具体算法为:
定义Id即为转诊路径中外源性延迟故障节点,其计算公式为:
Id=argmaxi(pi+pi+1),i=0,1,...,N-1 (4)
定义It为转诊路径中转诊数据请求服务能力故障节点,其计算公式为:
定义If为转诊路径中返工频率故障节点,其计算公式为:
本发明所述一种医疗数据转移系统的故障诊断方法在现有的患者医疗数据 转移装置和医疗数据转移机制的基础上,综合运用现代化的统计学技术,主要包 括半马尔科夫模型和瓶颈分析法,计算各转移环节的时延期望值和总时延期望值, 用瓶颈分析法快速得到转诊路径的外源性延迟故障节点、转诊数据请求服务能力 故障节点和返工频率故障节点,有利于找出患者转诊过程中医疗护理数据在不同 医院、科室单位之间传递时发生丢失、延误的环节和故障原因,迅速确定故障节 点,方便后续消除医疗数据转移瓶颈,提高患者转诊效率、质量和满意度。
S4、输出故障诊断报告,对S3得出的故障数据生成符合约定格式的故障诊 断报告。
将预处理好的故障数据输入到模型中进行计算分析,确定转诊过程中医疗数 据转移路径上的故障节点。
为了更好的理解步骤S301的半马尔可夫过程中,半马尔可夫过程的推理过 程如图3所述,本发明中将病人从基层门诊逐级转诊至专家门诊过程中伴随的医 疗信息流转移路径定义成一个串行过程,其中:各个阶段按时间顺序排列,其信 息处理所消耗时间依次表示为gn,n=0,1,2,...,N。医疗信息流在第0阶段(意 味着基层门诊医生发起转诊)开始转移,经过若干个医疗服务节点,最终于第N 阶段结束。由于种种因素,信息的转移可能会因为处理信息所需资源限制、信息 不完整、人为疏忽导致信息记录错误等原因需要以概率pn返回上一阶段进行修正 (bn),上一阶段完成修正的信息将在当前阶段重新加载以继续处理(rn), n=1,2,...,N-1。因此本发明中将该数据转移过程建模成状态空间为 S={g0,b0,g1,r1,b1,...,rN-2,bN-2,gN}的半马尔可夫过程Jn,并定义在状态s处 的数据处理时间Ts以及由该状态医疗服务提供者自身服务能力限制所引起的外 源性延迟Ds,若用τs表示为医疗信息在某一状态的滞留时间,则τs的计算依据为 公式(1),其中τs,Ts,Ds均为随机变量。
为了更好的理解步骤S301的瓶颈分析法,计算转诊路径中若i阶段为外源性 延迟故障节点,需满足以下条件:
若i阶段为转诊数据请求服务能力故障节点,则满足以下条件:
若i阶段为返工频率故障节点,则满足以下条件:
为了与实际场景数据相对应,分别对公式(8)(9)(10)内的偏导数求解, 即可得到公式(4)(5)(6)。
实施例2
由于医疗信息流在整个转诊路径中的总时延期望就是在各阶段的时延期望 之和,故可得到医疗转诊信息流在整条医疗数据转移路径中的总时延期望Y的另 一个计算公式是:
其中Yn表示第n环节的时延期望。
为了更好的理解本发明内容,根据所述一种医疗数据转移系统的故障诊断方 法所对应的系统组成结构如图4所述,包括如下4个模块;
1)数据采集模块
该模块与各医疗机构信息管理系统(医院信息管理系统(HIS)、临床信息 系统(CIS)、电子病历系统(EMR)、影像归档和通信系统(PACS)、放射科信 息管理系统(RIS)等)具有逻辑连接关系,是用于采集各医疗机构信息管理系 统(医院信息管理系统(HIS)、临床信息系统(CIS)、电子病历系统(EMR)、 影像归档和通信系统(PACS)、放射科信息管理系统(RIS)等)中所产生的患 者转诊信息。
转诊信息主要包括转诊路径中各医疗服务节点的实时服务状态信息与服务 历史统计信息,实时服务状态信息包括但不限于该医疗服务节点当前服务队列信 息和节点数据计算资源使用率等信息。服务历史统计信息利用历史数据统计得到, 其中包括但不限于节点数据处理效率、转诊数据相关统计特性信息、当前节点数 据处理准确性等信息;
2)数据预处理模块
用于接收数据采集模块所采集的数据,由于这些数据来自不同的医疗信息管 理系统,所得到的原始数据会存在格式不统一、存在缺失值、重复值、含噪声问 题,这些问题会影响分析结果,无法直接利用。本模块就是通过数据格式化、数 据准确性审核、缺失值补全、去噪等操作将原始数据处理成适应文中所述瓶颈分 析模型的数据,以便于保证模型的可用性与计算精度。
3)故障分析模块
利用本发明所提出的模型结合瓶颈分析方法,将预处理好的数据输入到模型 中进行计算分析,确定转诊过程中医疗数据转移路径上的故障节点;
4)优化决策模块
接收来自故障分析模块得出的结果,针对故障节点自身特性做出一组优化策 略,并支持导出报告、决策图表到外部的人机交互界面。
本发明的实施例公布的是较佳的实施例,但并不局限于此,本领域的普通技 术人员,极易根据上述实施例,领会本发明的精神,并做出不同的引申和变化, 但只要不脱离本发明的精神,都在本发明的保护范围内。
Claims (2)
1.一种医疗数据转移系统的故障诊断方法,其特征在于,包括如下步骤:
S1、患者转诊信息提取,用计算机程序从患者来源医疗单位的医院信息管理子系统、临床信息子系统、电子病历子系统、影像归档子系统、通信子系统和放射科信息管理子系统提取医疗数据,以作为患者转诊信息;
所述患者转诊信息包括上述每一子系统的实时状态信息与历史统计信息;
S2、医疗数据预处理,用计算机程序将提取到的一系列患者转诊信息进行数据预处理,形成格式统一、定义一致的i条归一化患者转诊样本数据,后文简称USD数据;第i条USD数据的结构包括所属的医疗环节、环节平均处理时间Ti以及环节平均出错概率pi;
S3、对S2所得的USD数据利用半马尔可夫模型和瓶颈分析法进行故障分析,具体包括如下子步骤:
S301、将医疗数据转移过程建模为状态空间为S={g0,b0,g1,r1,b1,...,rN-2,bN-2,gN}的半马尔可夫模型Jn,其中N等于医疗数据转移过程所包含的环节数;根据医疗行业经验,定义在任一表示医疗数据转移环节的状态s处的数据处理时间Ts,以及由该状态医疗服务提供者自身服务能力限制所引起的外源性延迟Ds;
用τs表示医疗信息在某一状态的滞留时间,τs的计算公式为:
τs=Ts+Ds,s∈S (1)
其中τs,Ts,Ds均为随机变量;
用Y表示医疗转诊信息流在整条医疗数据转移路径中的总时延期望,其计算公式如下:
其中,pn表示第n环节的平均出错概率,E运算表示计算一组样本的数学期望;
用Yn表示第n环节的时延期望,由下式估算:
其中,μ为转诊数据的请求到达速率;
S302、利用瓶颈分析法,计算转诊路径的外源性延迟故障节点、转诊数据请求服务能力故障节点和返工频率故障节点,具体算法为:
定义Id即为转诊路径中外源性延迟故障节点,其计算公式为:
Id=argmaxi(pi+pi+1),i=0,1,...,N-1 (4)
定义It为转诊路径中转诊数据请求服务能力故障节点,其计算公式为:
定义If为转诊路径中返工频率故障节点,其计算公式为:
S4、输出故障诊断报告,对S3得出的故障数据生成符合约定格式的故障诊断报告。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011116423.1A CN112289396B (zh) | 2020-10-19 | 2020-10-19 | 一种医疗数据转移系统的故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011116423.1A CN112289396B (zh) | 2020-10-19 | 2020-10-19 | 一种医疗数据转移系统的故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112289396A true CN112289396A (zh) | 2021-01-29 |
CN112289396B CN112289396B (zh) | 2023-10-13 |
Family
ID=74497554
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011116423.1A Active CN112289396B (zh) | 2020-10-19 | 2020-10-19 | 一种医疗数据转移系统的故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112289396B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115910255A (zh) * | 2022-09-29 | 2023-04-04 | 海南星捷安科技集团股份有限公司 | 一种诊断辅助系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040044546A1 (en) * | 2002-05-16 | 2004-03-04 | Moore Gordon T. | Checklist-based flow and tracking system for patient care by medical providers |
US20070136091A1 (en) * | 2005-12-13 | 2007-06-14 | Mctaggart Ryan | Method and system for patient transfers and referrals |
US20110118932A1 (en) * | 2009-11-17 | 2011-05-19 | Gm Global Technology Operations, Inc. | Fault diagnosis and prognosis using diagnostic trouble code markov chains |
CN103072566A (zh) * | 2011-10-26 | 2013-05-01 | 现代摩比斯株式会社 | 车辆用制动系统的故障防护方法 |
CN111462851A (zh) * | 2020-04-30 | 2020-07-28 | 广西海宝医疗科技有限公司 | 一种开放式远程医疗平台及其方法 |
-
2020
- 2020-10-19 CN CN202011116423.1A patent/CN112289396B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040044546A1 (en) * | 2002-05-16 | 2004-03-04 | Moore Gordon T. | Checklist-based flow and tracking system for patient care by medical providers |
US20070136091A1 (en) * | 2005-12-13 | 2007-06-14 | Mctaggart Ryan | Method and system for patient transfers and referrals |
US20110118932A1 (en) * | 2009-11-17 | 2011-05-19 | Gm Global Technology Operations, Inc. | Fault diagnosis and prognosis using diagnostic trouble code markov chains |
CN103072566A (zh) * | 2011-10-26 | 2013-05-01 | 现代摩比斯株式会社 | 车辆用制动系统的故障防护方法 |
CN111462851A (zh) * | 2020-04-30 | 2020-07-28 | 广西海宝医疗科技有限公司 | 一种开放式远程医疗平台及其方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115910255A (zh) * | 2022-09-29 | 2023-04-04 | 海南星捷安科技集团股份有限公司 | 一种诊断辅助系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112289396B (zh) | 2023-10-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10198816B2 (en) | Medical evaluation machine learning workflows and processes | |
US10102340B2 (en) | System and method for dynamic healthcare insurance claims decision support | |
JP2020513615A (ja) | 深層学習ニューラルネットワークの分散化された診断ワークフロー訓練 | |
WO2021068617A1 (zh) | 任务处理时间自动预测方法、装置、电子设备及介质 | |
Zucker et al. | Deep learning to automate Brasfield chest radiographic scoring for cystic fibrosis | |
WO2018160929A1 (en) | Patient predictive admission, discharge, and monitoring tool | |
US20210398650A1 (en) | Medical imaging characteristic detection, workflows, and ai model management | |
WO2020163055A1 (en) | Extraction and conversion of electronic health information for training a computerized data model | |
US20210035693A1 (en) | Methods, systems, and apparatuses for predicting the risk of hospitalization | |
US20170103190A1 (en) | System and method for evaluating risks of clinical trial conducting sites | |
EP3329403A1 (en) | Reliability measurement in data analysis of altered data sets | |
EP4301222A1 (en) | Systems and methods for analyzing patient data and allocating medical resources | |
CN112289396B (zh) | 一种医疗数据转移系统的故障诊断方法 | |
JP2008129936A (ja) | 病院内ワークフロー解析システム及び病院内ワークフロー解析方法 | |
CN113192627A (zh) | 一种基于病人与疾病二部图的再入院预测方法及系统 | |
Qiu et al. | HFS‐LightGBM: A machine learning model based on hybrid feature selection for classifying ICU patient readmissions | |
Wang et al. | Socio-Economic Factors and Clinical Context Can Predict Adherence to Incidental Pulmonary Nodule Follow-up via Machine Learning Models | |
CN114550930A (zh) | 疾病预测方法、装置、设备及存储介质 | |
CN112967789A (zh) | 一种口腔类专科病种的资源消耗计算测定方法 | |
CN111899844A (zh) | 一种样本生成方法、装置、服务器及存储介质 | |
Saravanan et al. | Impact of big data in healthcare system—a quick look into electronic health record systems | |
JP7422873B2 (ja) | 胸部x線写真から胸部状態を診断するためのディープラーニングシステム | |
CN116506205B (zh) | 一种智慧医疗平台的数据处理方法及系统 | |
US11842801B2 (en) | Systems and methods for guiding traversal through logic series for event chains | |
AU2019100889A4 (en) | System and method to find minimum diagnostics required for prescriptions and minimum medicines required to cure patient symptoms |
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 |