CN112382393A - 一种psd中医证候量化诊断模型构建方法 - Google Patents
一种psd中医证候量化诊断模型构建方法 Download PDFInfo
- Publication number
- CN112382393A CN112382393A CN202011100559.3A CN202011100559A CN112382393A CN 112382393 A CN112382393 A CN 112382393A CN 202011100559 A CN202011100559 A CN 202011100559A CN 112382393 A CN112382393 A CN 112382393A
- Authority
- CN
- China
- Prior art keywords
- syndrome
- psd
- traditional chinese
- chinese medicine
- diagnosis model
- 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
- 208000011580 syndromic disease Diseases 0.000 title claims abstract description 103
- 238000003745 diagnosis Methods 0.000 title claims abstract description 60
- 239000003814 drug Substances 0.000 title claims abstract description 53
- 238000010276 construction Methods 0.000 title claims abstract description 16
- 201000010099 disease Diseases 0.000 claims abstract description 48
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 48
- 208000024891 symptom Diseases 0.000 claims abstract description 20
- 238000000034 method Methods 0.000 claims abstract description 17
- 230000008569 process Effects 0.000 claims abstract description 11
- 230000007246 mechanism Effects 0.000 claims abstract description 9
- 238000013528 artificial neural network Methods 0.000 claims description 21
- 238000012549 training Methods 0.000 claims description 16
- 238000012360 testing method Methods 0.000 claims description 11
- 206010054089 Depressive symptom Diseases 0.000 claims description 9
- 238000007689 inspection Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 6
- 238000006467 substitution reaction Methods 0.000 claims description 4
- 206010061818 Disease progression Diseases 0.000 claims description 3
- 206010062717 Increased upper airway secretion Diseases 0.000 claims description 3
- 208000031971 Yin Deficiency Diseases 0.000 claims description 3
- 230000007812 deficiency Effects 0.000 claims description 3
- 230000005750 disease progression Effects 0.000 claims description 3
- 238000000556 factor analysis Methods 0.000 claims description 3
- 208000013403 hyperactivity Diseases 0.000 claims description 3
- 210000004185 liver Anatomy 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 210000000056 organ Anatomy 0.000 claims description 3
- 208000026435 phlegm Diseases 0.000 claims description 3
- 238000000513 principal component analysis Methods 0.000 claims description 3
- 238000011160 research Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 210000000952 spleen Anatomy 0.000 claims description 3
- 238000010998 test method Methods 0.000 claims description 3
- 230000001131 transforming effect Effects 0.000 claims description 2
- 206010070606 Post stroke depression Diseases 0.000 description 45
- 208000006011 Stroke Diseases 0.000 description 6
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
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
- G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- 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
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Biophysics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明提供一种PSD中医证候量化诊断模型构建方法，涉及医疗技术领域。该PSD中医证候量化诊断模型构建方法，包括以下步骤：S1.PSD不同病程下证候要素和靶位的提取；S2.分析PSD中医证候要素及靶位的演变进展机制；S3.基于病证结合的病‑证‑症三者的关联；S4.建立统一、客观的PSD中医证候量化诊断模型。通过对PSD三个病程阶段下的证候要素和靶位进行提取，然后根据各个病程阶段主要的证候要素和靶位进行分析，阐明PSD中医证候的演变进展机制，进而结合中西医症状诊断指标将病‑证‑症三者的关联进一步明确，最终建立起统一、客观的PSD中医证候量化诊断模型，这样就可以为医生在对PSD中医证候进行诊断时提供更准确的依据，减少误诊的几率，值得大力推广。
Description
技术领域
本发明涉及医疗技术领域，具体为一种PSD中医证候量化诊断模型构建方法。
背景技术
中风一旦发生，经过及时、规范的救治，很多人可以回归社会、回归家庭，但一部分人，非但不能回归社会、回归家庭，其死亡率、致残率和复发率还明显高于其他人，给家人带来的困扰也更大，这可能就是“中风后抑郁”，中风后抑郁，医学名称“卒中后抑郁(post-stroke depression，简称PSD)”，是指发生于中风后，表现为一系列抑郁症状和相应躯体症状的综合征，是中风后常见且可治疗的并发症之一，如未及时发现和治疗，将影响中风患者神经功能的恢复和回归社会的能力。
目前医生在对PSD中医证候进行诊断时，多是通过培训等专业学习，以及多年的个人治病经验进行判断，但是因为每隔医生对病症的知识掌握毕竟是有限的，即使是专业医生也会存在经验上的不足，这样就很容易产生误判。
发明内容
(一)解决的技术问题
针对现有技术的不足，本发明提供了一种PSD中医证候量化诊断模型构建方法，解决了医生在对PSD中医证候进行诊断时易产生误诊的问题。
(二)技术方案
为实现以上目的，本发明通过以下技术方案予以实现：一种PSD中医证候量化诊断模型构建方法，包括以下步骤：
S1.PSD不同病程下证候要素和靶位的提取
a.参照2016年美国卒中协会(ASA)医疗专业人员科学声明最新诊断标准和抑郁测评的严重程度，将PSD划分为三个病程阶段：轻度抑郁症状群、中度抑郁症状群、重度抑郁症状群；
b.采集临床病例数据，将临床数据中的四诊信息纳入分析，运用因子分析对PSD不同病程下的证候要素和靶位进行提取，对各群分别进行主成份分析，根据碎石图和特征根的值提取出有意义的公因子，根据各公因子中的症状指标进行证候要素的归类，并明确其靶位；
S2.分析PSD中医证候要素及靶位的演变进展机制
根据PSD不同病程阶段每一群体中各公因子对变异解释的贡献度大小，提取出PSD每一病程阶段的主要证候要素类型和靶位，根据各病程阶段主要的证候要素和靶位，分析疾病由轻到重的过程中证候要素和器官靶位的演变过程，阐明中医证候的演变进展机制；
S3.基于病证结合的病-证-症三者的关联
a.以中医证候类型为依据，将研究样本不同病程的三个群体按证候类型分类；
b.在特定病程和明确的证候下，分析PSD的西医诊断指标和中医症状的关系，进而阐释病程阶段、证候类型和中医症状、西医诊断指标之间的关联，明确不同病程阶段的主要证候类别；
S4.建立统一、客观的PSD中医证候量化诊断模型
根据病证结合的PSD中西医关联指标，确定主要PSD证型以及特定证候下的主要中医症状，并结合BP人工神经网络运算原理建立PSD中医证候量化诊断模型，BP人工神经网络诊断模型的构建步骤主要包括模型建立和模型检验两部分，为提高诊断模型的准确性和拟合度，根据随机数字表将收集的病例按照4：1的比例随机抽取生成训练组和测试组，其中训练组用以建立BP人工神经网络诊断模型，测试组用以回代检验。
优选的，所述中医证候类型包括有肝气郁结型、气郁化火型、痰淤蒙窍型、心脾两虚型、阴虚火旺型。
优选的，所述BP人工神经网络诊断模型的建立包括：在使用训练组数据构建BP人工神经网络模型时，将训练组按照7：2的比例随机分为训练数据和校验数据，确定PSD中医证候量化诊断模型的输入层和输出层变量及神经元结点个数，尝试建立隐单元数5～15的诊断模型，通过试验法并结合ROC曲线下面积来筛选最优模型。
优选的，所述BP人工神经网络诊断模型的检验包括：采用测试组数据对初步建立的BP人工神经网络诊断模型做进一步的检测和评价，对PSD的证候类型做出诊断。
(三)有益效果
本发明提供了一种PSD中医证候量化诊断模型构建方法。具备以下有益效果：
本发明通过对PSD三个病程阶段下的证候要素和靶位进行提取，然后根据各个病程阶段主要的证候要素和靶位进行分析，阐明PSD中医证候的演变进展机制，进而结合中西医症状诊断指标将病-证-症三者的关联进一步明确，最终建立起统一、客观的PSD中医证候量化诊断模型，并且通过模型内的自检验，可以进一步保证模型的准确性，这样就可以为医生在对PSD中医证候进行诊断时提供更准确的依据，从而提高诊断的准确性，减少误诊的几率，值得大力推广。
附图说明
图1为本发明的PSD中医证候量化诊断模型构建过程示意图。
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，显然，所描述的实施例仅仅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做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。
实施例：
如图1所示，本发明实施例提供一种PSD中医证候量化诊断模型构建方法，包括以下步骤：
S1.PSD不同病程下证候要素和靶位的提取
a.参照2016年美国卒中协会(ASA)医疗专业人员科学声明最新诊断标准和抑郁测评的严重程度，将PSD划分为三个病程阶段：轻度抑郁症状群、中度抑郁症状群、重度抑郁症状群；
b.采集临床病例数据，将临床数据中的四诊信息纳入分析，运用因子分析对PSD不同病程下的证候要素和靶位进行提取，对各群分别进行主成份分析，根据碎石图和特征根的值提取出有意义的公因子，根据各公因子中的症状指标进行证候要素的归类，并明确其靶位；
S2.分析PSD中医证候要素及靶位的演变进展机制
根据PSD不同病程阶段每一群体中各公因子对变异解释的贡献度大小，提取出PSD每一病程阶段的主要证候要素类型和靶位，根据各病程阶段主要的证候要素和靶位，分析疾病由轻到重的过程中证候要素和器官靶位的演变过程，阐明中医证候的演变进展机制；
S3.基于病证结合的病-证-症三者的关联
a.以中医证候类型为依据，将研究样本不同病程的三个群体按证候类型分类；
b.在特定病程和明确的证候下，分析PSD的西医诊断指标和中医症状的关系，进而阐释病程阶段、证候类型和中医症状、西医诊断指标之间的关联，明确不同病程阶段的主要证候类别；
S4.建立统一、客观的PSD中医证候量化诊断模型
根据病证结合的PSD中西医关联指标，确定主要PSD证型以及特定证候下的主要中医症状，并结合BP人工神经网络运算原理建立PSD中医证候量化诊断模型，BP人工神经网络诊断模型的构建步骤主要包括模型建立和模型检验两部分，为提高诊断模型的准确性和拟合度，根据随机数字表将收集的病例按照4：1的比例随机抽取生成训练组和测试组，其中训练组用以建立BP人工神经网络诊断模型，测试组用以回代检验。
中医证候类型包括有肝气郁结型、气郁化火型、痰淤蒙窍型、心脾两虚型、阴虚火旺型。
BP人工神经网络诊断模型的建立包括：在使用训练组数据构建BP人工神经网络模型时，将训练组按照7：2的比例随机分为训练数据和校验数据，确定PSD中医证候量化诊断模型的输入层和输出层变量及神经元结点个数，尝试建立隐单元数5～15的诊断模型，通过试验法并结合ROC曲线下面积来筛选最优模型。
BP人工神经网络诊断模型的检验包括：采用测试组数据对初步建立的BP人工神经网络诊断模型做进一步的检测和评价，对PSD的证候类型做出诊断。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
Claims (4)
1.一种PSD中医证候量化诊断模型构建方法，其特征在于：包括以下步骤：
S1.PSD不同病程下证候要素和靶位的提取
a.参照2016年美国卒中协会(ASA)医疗专业人员科学声明最新诊断标准和抑郁测评的严重程度，将PSD划分为三个病程阶段：轻度抑郁症状群、中度抑郁症状群、重度抑郁症状群；
b.采集临床病例数据，将临床数据中的四诊信息纳入分析，运用因子分析对PSD不同病程下的证候要素和靶位进行提取，对各群分别进行主成份分析，根据碎石图和特征根的值提取出有意义的公因子，根据各公因子中的症状指标进行证候要素的归类，并明确其靶位；
S2.分析PSD中医证候要素及靶位的演变进展机制
根据PSD不同病程阶段每一群体中各公因子对变异解释的贡献度大小，提取出PSD每一病程阶段的主要证候要素类型和靶位，根据各病程阶段主要的证候要素和靶位，分析疾病由轻到重的过程中证候要素和器官靶位的演变过程，阐明中医证候的演变进展机制；
S3.基于病证结合的病-证-症三者的关联
a.以中医证候类型为依据，将研究样本不同病程的三个群体按证候类型分类；
b.在特定病程和明确的证候下，分析PSD的西医诊断指标和中医症状的关系，进而阐释病程阶段、证候类型和中医症状、西医诊断指标之间的关联，明确不同病程阶段的主要证候类别；
S4.建立统一、客观的PSD中医证候量化诊断模型
根据病证结合的PSD中西医关联指标，确定主要PSD证型以及特定证候下的主要中医症状，并结合BP人工神经网络运算原理建立PSD中医证候量化诊断模型，BP人工神经网络诊断模型的构建步骤主要包括模型建立和模型检验两部分，为提高诊断模型的准确性和拟合度，根据随机数字表将收集的病例按照4：1的比例随机抽取生成训练组和测试组，其中训练组用以建立BP人工神经网络诊断模型，测试组用以回代检验。
2.根据权利要求1所述的一种PSD中医证候量化诊断模型构建方法，其特征在于：所述中医证候类型包括有肝气郁结型、气郁化火型、痰淤蒙窍型、心脾两虚型、阴虚火旺型。
3.根据权利要求1所述的一种PSD中医证候量化诊断模型构建方法，其特征在于：所述BP人工神经网络诊断模型的建立包括：在使用训练组数据构建BP人工神经网络模型时，将训练组按照7：2的比例随机分为训练数据和校验数据，确定PSD中医证候量化诊断模型的输入层和输出层变量及神经元结点个数，尝试建立隐单元数5～15的诊断模型，通过试验法并结合ROC曲线下面积来筛选最优模型。
4.根据权利要求1所述的一种PSD中医证候量化诊断模型构建方法，其特征在于：所述BP人工神经网络诊断模型的检验包括：采用测试组数据对初步建立的BP人工神经网络诊断模型做进一步的检测和评价，对PSD的证候类型做出诊断。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011100559.3A CN112382393A (zh) | 2020-10-15 | 2020-10-15 | 一种psd中医证候量化诊断模型构建方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011100559.3A CN112382393A (zh) | 2020-10-15 | 2020-10-15 | 一种psd中医证候量化诊断模型构建方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112382393A true CN112382393A (zh) | 2021-02-19 |
Family
ID=74581485
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011100559.3A Pending CN112382393A (zh) | 2020-10-15 | 2020-10-15 | 一种psd中医证候量化诊断模型构建方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112382393A (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107887022A (zh) * | 2017-11-09 | 2018-04-06 | 淮阴工学院 | 一种基于sstm的中医证候智能诊断方法 |
| CN110623640A (zh) * | 2019-09-12 | 2019-12-31 | 广东技术师范大学 | 一种基于自适应模糊神经网络的睡眠障碍中医诊治方法 |
| CN110680313A (zh) * | 2019-09-30 | 2020-01-14 | 北京工业大学 | 一种基于脉冲群智能算法并结合stft-psd和pca的癫痫时期分类方法 |
-
2020
- 2020-10-15 CN CN202011100559.3A patent/CN112382393A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107887022A (zh) * | 2017-11-09 | 2018-04-06 | 淮阴工学院 | 一种基于sstm的中医证候智能诊断方法 |
| CN110623640A (zh) * | 2019-09-12 | 2019-12-31 | 广东技术师范大学 | 一种基于自适应模糊神经网络的睡眠障碍中医诊治方法 |
| CN110680313A (zh) * | 2019-09-30 | 2020-01-14 | 北京工业大学 | 一种基于脉冲群智能算法并结合stft-psd和pca的癫痫时期分类方法 |
Non-Patent Citations (2)
| Title |
|---|
| 牛婷立，陈召辉: ""基于四诊合参的PSD证候多模态识别的策略"", 《中华中医药杂志》 * |
| 裘涛，孔丽娅: ""基于神经网络技术分析的中医证素研究缺血性脑卒中后抑郁的发生"", 《中华中医药杂志》 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Lyu et al. | BP neural network prediction model for suicide attempt among Chinese rural residents | |
| CN106951719A (zh) | 临床诊断模型的构建方法及构建系统、临床诊断系统 | |
| CN109509551A (zh) | 一种常见疾病智能诊断方法及系统 | |
| CN107038343A (zh) | 临床诊断模型的构建方法及构建系统、临床诊断系统 | |
| KR100794516B1 (ko) | 사례 기반 기계학습 추론을 이용한 질환 진단 및 검사 항목선정 시스템 및 방법 | |
| WO2021190300A1 (zh) | Ai慢性肾病风险筛查建模方法、慢性肾病风险筛查方法及系统 | |
| CN111951975A (zh) | 一种基于深度学习模型gpt-2的脓毒症早期预警方法 | |
| CN113327679A (zh) | 一种肺栓塞临床风险及预后评分方法与系统 | |
| CN114999656B (zh) | 一种阿尔兹海默病风险评估系统及模块 | |
| Boreham | Error analysis and expert-novice differences in medical diagnosis | |
| CN113838577A (zh) | 便捷化分层老年mods早期死亡风险评估模型、装置及建立方法 | |
| Tjandra et al. | Cohort discovery and risk stratification for Alzheimer's disease: an electronic health record‐based approach | |
| CN109215781A (zh) | 一种基于logistic算法的川崎病风险评估模型的构建方法及构建系统 | |
| KR20110098286A (ko) | 퍼지 추론기법을 이용한 한방 자가 진단방법 | |
| Bron et al. | Ten years of image analysis and machine learning competitions in dementia | |
| CN113128654B (zh) | 一种用于冠心病预诊断中的改进型随机森林模型及其预诊断系统 | |
| Sa-ngasoongsong et al. | An analysis of diabetes risk factors using data mining approach | |
| CN112382393A (zh) | 一种psd中医证候量化诊断模型构建方法 | |
| CN116798604A (zh) | 基于多源数据的发热呼吸道症候群监测预警方法及系统 | |
| Tarescavage et al. | Associations between MMPI-2-RF Scale scores and institutional violence among patients detained under sexually violent predator laws. | |
| Crawford et al. | An evaluation of the psychometric properties of the traumatic events questionnaire in primary care patients | |
| Gupta et al. | X-ECGNet: An interpretable DL model for stress detection using ECG in COVID-19 healthcare workers | |
| Rachmawati et al. | The Comparison between Bayes and Certainty Factor Method of Expert System in Early Diagnosis of Dengue Infection | |
| CN114898859A (zh) | 急性主动脉夹层院内预后预测系统 | |
| CN114550896A (zh) | 基于人工神经网络的头晕患者急诊预检分诊决策方法、装置及模型 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210219 |