CN112614598A - 基于大数据的医疗信息处理方法和系统 - Google Patents
基于大数据的医疗信息处理方法和系统 Download PDFInfo
- Publication number
- CN112614598A CN112614598A CN202110012421.6A CN202110012421A CN112614598A CN 112614598 A CN112614598 A CN 112614598A CN 202110012421 A CN202110012421 A CN 202110012421A CN 112614598 A CN112614598 A CN 112614598A
- Authority
- CN
- China
- Prior art keywords
- model
- training
- training data
- coping
- scheme
- 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Medical Informatics (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- Epidemiology (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本申请公开了基于大数据的医疗信息处理方法和系统,该方法包括:将患者的病例信息输入到第一模型中;从所述第一模型中获取所述病例信息对应的应对方案;将所述应对方案输入到第二模型中;从所述第二模型中获取所述应对方案对应的风险信息。通过本申请解决了相关技术中神经网络仅仅能给出治疗方案,不利于医生发现该治疗方案中的风险的问题,进而可以自动向医生提示风险,在一定程度上提高了诊疗的安全性。
Description
技术领域
本申请涉及医疗信息领域,具体而言,涉及一种基于大数据的医疗信息处理方法和系统。
背景技术
机器学习依赖于大数据,在使用大量数据进行训练之后,可以代替一部分人工的诊断。随着电脑的普及,很多医院的病例都是电子化的,这就收集了大量的病例,这为人工智能出具诊断方案提供了可靠的数据保证。
例如,某市政府网站日前发布消息称,一种基于人工智能的神经网络模块正在应用于该市的医疗系统。神经网络可以在三周的时间内分析10万份的莫斯科医疗数据。
在三周的时间内,神经网络分析了10万份医疗数据。这套系统可以帮助医生做出初步的诊断。人工智能模块可以基于固定症状的清单,做出最可能的诊断,极大地节省了医生的时间。
但是,发明人发现,在医疗系统中,其实风险是最重要的,目前神经网络仅仅能给出治疗方案,这不利于医生发现该治疗方案中的风险。
发明内容
本申请提供一种基于大数据的医疗信息处理方法和系统,以解决相关技术中神经网络仅仅能给出治疗方案,不利于医生发现该治疗方案中的风险的问题。
根据本申请的一个方面,提供了一种基于大数据的医疗信息处理方法,包括:将患者的病例信息输入到第一模型中,其中,所述第一模型是使用多组第一训练数据通过机器学习训练得到的,每组第一训练数据均包括:患者的病例信息和该病例信息对应的应对方案;从所述第一模型中获取所述病例信息对应的应对方案;将所述应对方案输入到第二模型中,其中,所述第二模型是使用多组第二训练数据通过机器学习训练得到的,每组第二训练数据均包括:针对预定病例信息的应对方案和该应对方案所对应的风险信息;从所述第二模型中获取所述应对方案对应的风险信息。
进一步地,在将所述患者的病例信息输入到所述第一模型之前,所述方法还包括:获取第一训练数据,并使用获取到的所述第一训练数据进行训练得到所述第一模型。
进一步地,将所述应对方案输入到第二模型中,所述方法还包括:获取第二训练数据,并使用获取到的所述第二训练数据进行训练得到所述第二模型。
进一步地,所述风险信息至少包括:所述应对方案对所述病例信息对应的病症治疗的成功概率。
根据本申请的另一个方面,提供了一种基于大数据的医疗信息处理系统,包括:第一输入模块,用于将患者的病例信息输入到第一模型中,其中,所述第一模型是使用多组第一训练数据通过机器学习训练得到的,每组第一训练数据均包括:患者的病例信息和该病例信息对应的应对方案;第一获取模块,用于从所述第一模型中获取所述病例信息对应的应对方案;第二输入模块,用于将所述应对方案输入到第二模型中,其中,所述第二模型是使用多组第二训练数据通过机器学习训练得到的,每组第二训练数据均包括:针对预定病例信息的应对方案和该应对方案所对应的风险信息;第二获取模块,用于从所述第二模型中获取所述应对方案对应的风险信息。
进一步地,还包括:第一训练模块,用于获取第一训练数据,并使用获取到的所述第一训练数据进行训练得到所述第一模型。
进一步地,还包括:第二训练模块,用于获取第二训练数据,并使用获取到的所述第二训练数据进行训练得到所述第二模型。
进一步地,所述风险信息至少包括:所述应对方案对所述病例信息对应的病症治疗的成功概率。
根据本申请的另一个方面,还提供了一种存储器,用于存储软件,其中,所述软件用于执行上述的方法。
根据本申请的另一个方面,还提供一种处理器,用于执行软件,其中,所述软件用于执行上述的方法。
本申请采用以下步骤:将患者的病例信息输入到第一模型中,其中,所述第一模型是使用多组第一训练数据通过机器学习训练得到的,每组第一训练数据均包括:患者的病例信息和该病例信息对应的应对方案;从所述第一模型中获取所述病例信息对应的应对方案;将所述应对方案输入到第二模型中,其中,所述第二模型是使用多组第二训练数据通过机器学习训练得到的,每组第二训练数据均包括:针对预定病例信息的应对方案和该应对方案所对应的风险信息;从所述第二模型中获取所述应对方案对应的风险信息。通过本申请解决了相关技术中神经网络仅仅能给出治疗方案,不利于医生发现该治疗方案中的风险的问题,进而可以自动向医生提示风险,在一定程度上提高了诊疗的安全性。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1是根据本申请实施例提供的基于大数据的医疗信息处理方法的流程图。
具体实施方式
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
为了使本技术领域的人员更好地理解本申请方案,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的实施例,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做出创造性劳动前提下所获得的所有其他实施例,都应当属于本申请保护的范围。
需要说明的是,本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他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、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本申请的实施例可提供为方法、系统或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
在本实施例中,提供了一种基于大数据的医疗信息处理方法,图1是根据本发明实施例的基于大数据的医疗信息处理方法的流程图,如图1所示,该方法包括如下步骤:
步骤S102,将患者的病例信息输入到第一模型中,其中,所述第一模型是使用多组第一训练数据通过机器学习训练得到的,每组第一训练数据均包括:患者的病例信息和该病例信息对应的应对方案;
步骤S104,从所述第一模型中获取所述病例信息对应的应对方案;
作为一个可以增加的可选的实施方式,可以预先配置从第一模型中输出的应对方案的数量,此时在步骤S104中输出的应对方案的数量就是多个。将多个应对方案均输入到步骤S106中的第二模型中。在步骤S108中可以输出每个应对方案的风险信息,此时,可以根据风险信息的内容评估应对方案的风险等级,风险信息指示的风险越小则对应的风险等级越低,将多个应对方案按照风险等级从低到搞的顺序排列后显示给医生。
作为另一可以增加的可选的实施方式,风险信息可能有多种,这些风险信息可以是用数字描述的一个风险值,例如,对于手术失败概率等。也有可能是用自然语言描述的风险。此时可以建立一个机器学习模型,称为第三模型,使用该模型来进行风险等级的评估。该第三模型是使用多组第三训练数据训练得到的,每组第三训练数据均包括风险信息和该风险信息对应的风险等级。第三模型训练收敛之后,就可以使用,该第三模型的输入的风险信息,输入是风险信息对应的风险等级。
作为一个可以增加的可选的实施方式,在得出应对方案之后,还可以显示该应对方案的提供方,在该提供方授权公开应对方案的具体内容的前提下,欲获取该应对方案的医生,可以在满足提供方所提出的条件了,获取该应对方案的具体内容。例如,提供方可以为该应对方案的具体内容设置价格,在欲获取该应对方案的医生通过网页平台支付费用之后,就可以获取该应对方案的具体内容。
作为另一个可选的的可以增加的实施方式,在从第一模型输入应对方案之后,获取应对方案中的每个步骤,获取该每个步骤所对应的治疗时间和治疗费用;在得到步骤S108的风险信息之后,将治疗时间、治疗费用进行量化,例如,确定该方案的治疗时间与平均治疗时间的比值,以及治疗费用与平均治疗费用的比值,风险等级也是越小越好,因此风险等级与两个比值相乘就可以得到该治疗方案的推荐度。可以按照推荐度进行排列显示给医生,并且,显示治疗时间和治疗费用。
步骤S106,将所述应对方案输入到第二模型中,其中,所述第二模型是使用多组第二训练数据通过机器学习训练得到的,每组第二训练数据均包括:针对预定病例信息的应对方案和该应对方案所对应的风险信息;
步骤S108,从所述第二模型中获取所述应对方案对应的风险信息。
作为一个可以增加的可选的实施方式,接收医生输入的第一输入信息,其中,所述第一输入信息用于指示所述医生采用了所述应对方案;接收所述医生输入的第二输入信息,其中,所述第二信息用于指示所述医生在应用所述应对方案后对所述风险信息的调整;将所述应对方案和调整后的所述风险信息发送至训练所述第二模型的服务器;所述服务器获取第二训练数据的第一数量,以及接收到的调整后的风险信息的第二数量,在第一数量在第二数量中的占比超过预定值的情况下,使用调整后的风险信息替换原来训练数据的风险信息重新进行训练。
在步骤S108中获取到风险信息之后,可以显示给医生,这样医生就可以看到该方案的风险信息了。因此,通过上述步骤解决了相关技术中神经网络仅仅能给出治疗方案,不利于医生发现该治疗方案中的风险的问题,进而可以自动向医生提示风险,在一定程度上提高了诊疗的安全性。
优选地,在将所述患者的病例信息输入到所述第一模型之前,所述方法还包括:获取第一训练数据,并使用获取到的所述第一训练数据进行训练得到所述第一模型。
优选地,将所述应对方案输入到第二模型中,所述方法还包括:获取第二训练数据,并使用获取到的所述第二训练数据进行训练得到所述第二模型。
优选地,所述风险信息至少包括:所述应对方案对所述病例信息对应的病症治疗的成功概率。
在本实施例中还提供了一种系统,该系统中的模块对应于上述的方法步骤,在上述实施例中已经进行过说明的,在此不再赘述。
本实施例中的基于大数据的医疗信息处理系统,包括:第一输入模块,用于将患者的病例信息输入到第一模型中,其中,所述第一模型是使用多组第一训练数据通过机器学习训练得到的,每组第一训练数据均包括:患者的病例信息和该病例信息对应的应对方案;第一获取模块,用于从所述第一模型中获取所述病例信息对应的应对方案;第二输入模块,用于将所述应对方案输入到第二模型中,其中,所述第二模型是使用多组第二训练数据通过机器学习训练得到的,每组第二训练数据均包括:针对预定病例信息的应对方案和该应对方案所对应的风险信息;第二获取模块,用于从所述第二模型中获取所述应对方案对应的风险信息。
可选地,还包括:第一训练模块,用于获取第一训练数据,并使用获取到的所述第一训练数据进行训练得到所述第一模型。
可选地,还包括:第二训练模块,用于获取第二训练数据,并使用获取到的所述第二训练数据进行训练得到所述第二模型。
可选地,所述风险信息至少包括:所述应对方案对所述病例信息对应的病症治疗的成功概率。
在本实施例中,提供了一种存储器,用于存储软件,其中,该软件用于执行上述的方法。
在本实施例中,提供了一种处理器,用于执行软件,其中,该软件用于执行上述的方法。
需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
本发明实施例提供了一种存储介质,其上存储有程序或者软件,该程序被处理器执行时实现上述方法。存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM),存储器包括至少一个存储芯片。
以上仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种基于大数据的医疗信息处理方法,其特征在于,包括:
将患者的病例信息输入到第一模型中,其中,所述第一模型是使用多组第一训练数据通过机器学习训练得到的,每组第一训练数据均包括:患者的病例信息和该病例信息对应的应对方案;
从所述第一模型中获取所述病例信息对应的应对方案;
将所述应对方案输入到第二模型中,其中,所述第二模型是使用多组第二训练数据通过机器学习训练得到的,每组第二训练数据均包括:针对预定病例信息的应对方案和该应对方案所对应的风险信息;
从所述第二模型中获取所述应对方案对应的风险信息。
2.根据权利要求1所述的方法,其特征在于,在将所述患者的病例信息输入到所述第一模型之前,所述方法还包括:
获取第一训练数据,并使用获取到的所述第一训练数据进行训练得到所述第一模型。
3.根据权利要求1或2所述的方法,其特征在于,将所述应对方案输入到第二模型中,所述方法还包括:
获取第二训练数据,并使用获取到的所述第二训练数据进行训练得到所述第二模型。
4.根据权利要求1至3中任一项所述的方法,其特征在于,所述风险信息至少包括:所述应对方案对所述病例信息对应的病症治疗的成功概率。
5.一种基于大数据的医疗信息处理系统,其特征在于,包括:
第一输入模块,用于将患者的病例信息输入到第一模型中,其中,所述第一模型是使用多组第一训练数据通过机器学习训练得到的,每组第一训练数据均包括:患者的病例信息和该病例信息对应的应对方案;
第一获取模块,用于从所述第一模型中获取所述病例信息对应的应对方案;
第二输入模块,用于将所述应对方案输入到第二模型中,其中,所述第二模型是使用多组第二训练数据通过机器学习训练得到的,每组第二训练数据均包括:针对预定病例信息的应对方案和该应对方案所对应的风险信息;
第二获取模块,用于从所述第二模型中获取所述应对方案对应的风险信息。
6.根据权利要求5所述的系统,其特征在于,还包括:
第一训练模块,用于获取第一训练数据,并使用获取到的所述第一训练数据进行训练得到所述第一模型。
7.根据权利要求5或6所述的系统,其特征在于,还包括:
第二训练模块,用于获取第二训练数据,并使用获取到的所述第二训练数据进行训练得到所述第二模型。
8.根据权利要求5至7中任一项所述的系统,其特征在于,所述风险信息至少包括:所述应对方案对所述病例信息对应的病症治疗的成功概率。
9.一种存储器,其特征在于,用于存储软件,其中,所述软件用于执行权利要求1至4中任一项所述的方法。
10.一种处理器,其特征在于,用于执行软件,其中,所述软件用于执行权利要求1至4中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110012421.6A CN112614598A (zh) | 2021-01-06 | 2021-01-06 | 基于大数据的医疗信息处理方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110012421.6A CN112614598A (zh) | 2021-01-06 | 2021-01-06 | 基于大数据的医疗信息处理方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112614598A true CN112614598A (zh) | 2021-04-06 |
Family
ID=75254092
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110012421.6A Pending CN112614598A (zh) | 2021-01-06 | 2021-01-06 | 基于大数据的医疗信息处理方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112614598A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113782140A (zh) * | 2021-09-08 | 2021-12-10 | 平安国际智慧城市科技股份有限公司 | 基于机器学习的诊疗策略确定方法、装置、设备及介质 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105718732A (zh) * | 2016-01-20 | 2016-06-29 | 华中科技大学同济医学院附属协和医院 | 一种医疗数据采集分析方法及系统 |
CN106295180A (zh) * | 2016-08-10 | 2017-01-04 | 中国人民解放军第三军医大学第三附属医院 | 老年骨科手术风险预测方法 |
CN109920537A (zh) * | 2019-03-04 | 2019-06-21 | 北京大学人民医院(北京大学第二临床医学院) | 肘关节周围骨折临床智能决策支持系统 |
CN109961831A (zh) * | 2019-03-29 | 2019-07-02 | 首都医科大学附属北京友谊医院 | 一种小儿肾结石手术风险数据的获取方法及系统 |
CN111128401A (zh) * | 2020-01-02 | 2020-05-08 | 曹庆恒 | 一种智能推荐手术项目的方法、系统和设备 |
CN111145916A (zh) * | 2020-01-02 | 2020-05-12 | 曹庆恒 | 一种智能推荐手术方案的方法、系统和设备 |
CN111161886A (zh) * | 2020-01-15 | 2020-05-15 | 曹庆恒 | 一种手术方案智能指导的方法、系统和设备 |
CN111223543A (zh) * | 2020-02-13 | 2020-06-02 | 曹庆恒 | 一种治疗方案智能指导的方法、系统和设备 |
CN111223546A (zh) * | 2020-02-13 | 2020-06-02 | 曹庆恒 | 一种治疗方案智能审核的方法、系统和设备 |
CN111383754A (zh) * | 2018-12-28 | 2020-07-07 | 医渡云(北京)技术有限公司 | 医疗决策方法、医疗决策装置、电子设备及存储介质 |
CN111899867A (zh) * | 2020-07-28 | 2020-11-06 | 四川大学华西医院 | 基于深度学习的手术并发症预测及规避辅助决策系统 |
-
2021
- 2021-01-06 CN CN202110012421.6A patent/CN112614598A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105718732A (zh) * | 2016-01-20 | 2016-06-29 | 华中科技大学同济医学院附属协和医院 | 一种医疗数据采集分析方法及系统 |
CN106295180A (zh) * | 2016-08-10 | 2017-01-04 | 中国人民解放军第三军医大学第三附属医院 | 老年骨科手术风险预测方法 |
CN111383754A (zh) * | 2018-12-28 | 2020-07-07 | 医渡云(北京)技术有限公司 | 医疗决策方法、医疗决策装置、电子设备及存储介质 |
CN109920537A (zh) * | 2019-03-04 | 2019-06-21 | 北京大学人民医院(北京大学第二临床医学院) | 肘关节周围骨折临床智能决策支持系统 |
CN109961831A (zh) * | 2019-03-29 | 2019-07-02 | 首都医科大学附属北京友谊医院 | 一种小儿肾结石手术风险数据的获取方法及系统 |
CN111128401A (zh) * | 2020-01-02 | 2020-05-08 | 曹庆恒 | 一种智能推荐手术项目的方法、系统和设备 |
CN111145916A (zh) * | 2020-01-02 | 2020-05-12 | 曹庆恒 | 一种智能推荐手术方案的方法、系统和设备 |
CN111161886A (zh) * | 2020-01-15 | 2020-05-15 | 曹庆恒 | 一种手术方案智能指导的方法、系统和设备 |
CN111223543A (zh) * | 2020-02-13 | 2020-06-02 | 曹庆恒 | 一种治疗方案智能指导的方法、系统和设备 |
CN111223546A (zh) * | 2020-02-13 | 2020-06-02 | 曹庆恒 | 一种治疗方案智能审核的方法、系统和设备 |
CN111899867A (zh) * | 2020-07-28 | 2020-11-06 | 四川大学华西医院 | 基于深度学习的手术并发症预测及规避辅助决策系统 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113782140A (zh) * | 2021-09-08 | 2021-12-10 | 平安国际智慧城市科技股份有限公司 | 基于机器学习的诊疗策略确定方法、装置、设备及介质 |
CN113782140B (zh) * | 2021-09-08 | 2023-07-04 | 深圳平安智慧医健科技有限公司 | 基于机器学习的诊疗策略确定方法、装置、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112614598A (zh) | 基于大数据的医疗信息处理方法和系统 | |
CN114996486A (zh) | 一种数据推荐方法、装置、服务器以及存储介质 | |
CN114359533B (zh) | 一种基于页面文本的页码识别方法和计算机设备 | |
CN117196625A (zh) | 用于汇兑业务的信息展示方法、系统、设备及存储介质 | |
CN111191007A (zh) | 一种基于区块链的文章关键词过滤方法及设备、介质 | |
CN116204391A (zh) | 基于自定义配置的预警方法及装置 | |
CN116778518A (zh) | 一种几何题目智能求解方法、装置、电子设备及存储介质 | |
CN114968028A (zh) | 基于用户行为分析动态改变菜单布局的方法、设备及介质 | |
CN114138787A (zh) | 一种条码识别方法、设备及介质 | |
CN106776636A (zh) | 数据处理方法及装置 | |
CN106776652B (zh) | 数据处理方法及装置 | |
CN112580301A (zh) | 一种表单校验方法、装置、设备和存储介质 | |
CN112749229A (zh) | 数据转换方法、装置、存储介质及电子设备 | |
CN110852118A (zh) | 分布式机器翻译方法及系统 | |
CN106933856B (zh) | 网页更新请求的生成方法和装置 | |
CN112749269A (zh) | 实体舆情计算方法及系统 | |
CN107273315A (zh) | 存储单元访问方法、系统和多核处理装置 | |
CN113496256B (zh) | 一种图像标注模型训练方法、标注方法、装置、设备及介质 | |
CN109951467B (zh) | 一种基于区块链的数据交互系统、方法和设备 | |
CN116860969A (zh) | 一种客户评论分析方法、系统、设备及介质 | |
CN117853221A (zh) | 消费信贷模型的监控方法、装置和系统 | |
CN115687524A (zh) | 一种数据移植方法及装置 | |
CN115905462A (zh) | 一种文本数据异常值检测方法和装置 | |
CN117762664A (zh) | 一种计算任务管理的方法、装置、存储介质、设备 | |
CN117726170A (zh) | 数据存储方法及装置 |
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 |