CN112786192A - 一种手足口病智能认知系统、设备、存储介质 - Google Patents
一种手足口病智能认知系统、设备、存储介质 Download PDFInfo
- Publication number
- CN112786192A CN112786192A CN202110064566.0A CN202110064566A CN112786192A CN 112786192 A CN112786192 A CN 112786192A CN 202110064566 A CN202110064566 A CN 202110064566A CN 112786192 A CN112786192 A CN 112786192A
- Authority
- CN
- China
- Prior art keywords
- foot
- hand
- mouth disease
- diagnosis
- 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.)
- 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
- G16H50/20—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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- 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
-
- 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
-
- 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
- G16H10/20—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for electronic clinical trials or questionnaires
-
- 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
- G16H50/80—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for detecting, monitoring or modelling epidemics or pandemics, e.g. flu
Abstract
本发明公开一种手足口病智能认知系统、设备、存储介质,所述系统包括:数据采集单元:用于采集手足口病相关的诊断标准信息,并对所述诊断标准信息进行向量化处理,得到样本数据集;数据划分单元:用于采用决策树模型将所述样本数据集按照类别进行划分,构成对应的数据子集;模型构建单元:基于数据子集分别建立对应的语义相似度计算模型并训练;认知计算单元:用于分别得到被检者流行病学史、临床征兆和病原学特征信息相似度概率;判别诊断单元,用于对各相似度概率进行加权统计,根据统计的结果,推导出手足口病的判别结果,确定对应的分期和分型。本发明可实现手足口病的智能辅助诊断,减少确诊筛查时间。
Description
技术领域
本发明涉及人工智能领域,尤其涉及一种基于手足口病智能认知模型的系统及设备。
背景技术
手足口病是由肠道病毒感染引起的一种儿童常见传染病,5岁以下儿童多发,引起手足口病最常见的是柯萨奇病毒A16型及肠道病毒71型。密切接触是手足口病重要的传播方式,通过接触被病毒污染的手、毛巾、玩具等引起感染,还可通过呼吸道飞沫传播,饮用或食入被病毒污染的水和食物后亦可感染,临床以手足肌肤、口咽部发生疱疹为特征。患儿和隐性感染者为主要传染源,手足口病隐性感染率高。本病一年四季均可发生,但以夏秋季节为多见,发病以4-9月为主。任何年龄均可发病,尤以3岁以下年龄组发病率最高。本病传染性强,易引起流行,婴幼儿和儿童普遍易感。
手足口病疾病一般需要根据结合流行病学史、临床表现和病原学检查做出诊断,确诊需要实验室检查、影像学检查等,一般筛查比较耗时耗力。
发明内容
有鉴于此,本发明提出了一种手足口病智能认知系统、设备、存储介质,用于实现手足口病的智能辅助诊断,减少确诊筛查时间。
本发明第一方面,公开一种手足口病智能认知系统,所述系统包括:
数据采集单元:用于采集手足口病相关的诊断标准信息,并对所述诊断标准信息进行向量化和归一化处理,得到归一化样本数据集;
数据划分单元:用于按照手足口病诊断标准信息,采用决策树模型将所述手足口病诊断标准信息按照流行病学史、临床征兆和病原学类别进行划分,构成对应的基于手足口病分类诊断标准数据子集;
模型构建单元:基于手足口病诊断标准数据子集与对应的类别划分之间的关系,分别建立语义相似度计算模型并训练;
认知计算单元:用于将被检者手足口病特征信息数据输入对应的语义相似度计算模型,分别得到流行病学史、临床征兆和病原学特征信息相似度概率;
判别诊断单元,用于对计算获取到的流行病学史、临床征兆和病原学特征信息相似度概率进行加权统计,根据统计的结果,推导出手足口病的判别结果,确定对应的分期和分型。
优选的,所述数据划分单元具体包括:
根据给定的样本数据集D选择信息增益最大属性特征作为决策树的节根点,所述决策树中的每个子结点表示手足口病样本的某个属性特征数据,决策树的叶子节点表示手足口病样本所属的类别,所述决策树模型构建方法为:
计算样本数据集D的信息熵:
其中D表示手足口病样本数据集,c表示手足口病样本类别数,pi表示属于类别i的样本数量占所有样本的比例;
对于样本数据集D,选择属性特征A作为决策树判断节点时,在属性特征作用后的信息熵的为Info(D),计算如下:
其中k表示样本D被分为k个部分;
计算信息增益值Gain(A):
Gain(A)=Info(D)-InfoA(D)
以信息增益值Gain(A)最大的属性特征作为根节点,以根节点分裂出子节点,进一步计算信息增益并以信息增益最大的作为子节点,以此构建决策树,直到所有属性特征值均小于设定阈值或没有属性特征选择为止,实现流行病学史、临床征兆和病原学类别的数据子集划分。
优选的,所述模型构建单元中,语义相似度的计算模型包括DSSM、CNN-DSSM、LSTM-DSSM中的一种或多种,分别通过病学史、临床征兆和病原学的数据子集对选定的语义相似度的计算模型训练,得到对应的训练好的病学史、临床征兆和病原学语义相似度计算模型,通过softmax函数输出各个语义相似度计算模型二分类结果。
优选的,所述判别诊断单元中,根据统计的结果,推导出手足口病的判别结果具体为:
对计算获取到的流行病学史、临床征兆和病原学特征信息相似度概率进行加权求和,若加权求和结果超过预设阈值则判定为确诊;
或者当流行病学史、临床征兆特征信息相似度概率均超过对应的预设阈值时,检查对应的病原学特征信息,若对应的病原学特征信息满足一种或多种特征条件则判定为确诊。
优选的,所述判别诊断单元中,确定对应的分期和分型具体为:
根据疾病的发生发展过程,将手足口病分为五期,包括出疹期、神经系统受累期、心肺功能衰竭前期、心肺功能衰竭期、恢复期;不同分期对应的分型包括普通型、重型、危重型;
在确诊的基础上,根据临床征兆特征信息对获得的统计结果进行分期和分型归类。
本发明第二方面,公开一种电子设备,包括:至少一个处理器、至少一个存储器、通信接口和总线;
其中,所述处理器、存储器、通信接口通过所述总线完成相互间的通信;
所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令,以实现如本发明第一方面所述的系统。
本发明第二方面,公开一种计算机可读存储介质,所述计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机实现本发明第一方面所述的系统。
本发明相对于现有技术具有以下有益效果:
1)本发明基于手足口病诊断标准数据子集与对应的类别划分之间的关系,分别建立语义相似度计算模型并训练;将被检者手足口病特征信息数据输入对应的语义相似度计算模型,分别得到流行病学史、临床征兆和病原学特征信息相似度概率;基于加权统计的结果,推导出手足口病的判别结果,确定对应的分期和分型。
2)本发明可实现基于手足口病特征信息数据的认知与智能辅助诊断,从而提高了手足口病初始筛查确认的效率,降低医生工作强度,以解决现有手足口病筛查方法较为耗时耗力的问题,节省确诊筛查时间。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术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的前提下,还可以根据这些附图获得其他的附图。
图1为本发明的手足口病智能认知系统结构示意图。
具体实施方式
下面将结合本发明实施方式,对本发明实施方式中的技术方案进行清楚、完整地描述,显然,所描述的实施方式仅仅是本发明一部分实施方式,而不是全部的实施方式。基于本发明中的实施方式,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方式,都属于本发明保护的范围。
如图1所示,本发明提出一种手足口病智能认知系统,所述系统包括数据采集单元1、数据划分单元2、模型构建单元3、认知计算单元4、判别诊断单元5;
数据采集单元1,用于采集手足口病相关的诊断标准信息,并对所述诊断标准信息进行向量化处理,得到样本数据集;比如,手足口病相关的流行病学史特征信息包括手足口病常见于学龄前儿童,婴幼儿多见;流行季节,当地托幼机构及周围人群有手足口病流行,发病前与手足口病患儿有直接或间接接触史;再比如,手足口病相关的临床征兆特征信息包括潜伏期多为2~10天,平均3~5天;出疹期主要表现为发热,手、足、口、臀等部位出疹,可伴有咳嗽、流涕、食欲不振等症状。部分病例仅表现为皮疹或疱疹性咽峡炎,个别病例可无皮疹。典型皮疹表现为斑丘疹、丘疹、疱疹。皮疹周围有炎性红晕,疱疹内液体较少,不疼不痒,皮疹恢复时不结痂、不留疤。不典型皮疹通常小、厚、硬、少,有时可见瘀点、瘀斑。某些型别肠道病毒如CV-A6和CV-A10所致皮损严重,皮疹可表现为大疱样改变,伴疼痛及痒感,且不限于手、足、口部位等。
对诊断标准信息进行分词、去停用词处理,提取关键特征,组成特征向量集作为样本数据集。
数据划分单元2,用于按照手足口病诊断标准信息,采用决策树模型将所述手足口病诊断标准信息按照流行病学史、临床征兆和病原学类别进行划分,构成对应的基于手足口病分类诊断标准数据子集;所述数据划分单元具体包括:
根据给定的样本数据集D选择信息增益最大属性特征作为决策树的节根点,所述决策树中的每个子结点表示手足口病样本的某个属性特征数据,决策树的叶子节点表示手足口病样本所属的类别,所述决策树模型构建方法为:
计算样本数据集D的信息熵:
其中D表示手足口病样本数据集,c表示手足口病样本类别数,pi表示属于类别i的样本数量占所有样本的比例;
对于样本数据集D,选择属性特征A作为决策树判断节点时,在属性特征作用后的信息熵的为Info(D),计算如下:
其中k表示样本D被分为k个部分;
计算信息增益值Gain(A):
Gain(A)=Info(D)-InfoA(D)
以信息增益值Gain(A)最大的属性特征作为根节点,以根节点分裂出子节点,进一步计算信息增益并以信息增益最大的作为子节点,以此构建决策树,直到所有属性特征值均小于设定阈值或没有属性特征选择为止,实现流行病学史、临床征兆和病原学类别的数据子集划分。
模型构建单元3,基于手足口病诊断标准数据子集与对应的类别划分之间的关系,分别建立语义相似度计算模型并训练;
所述模型构建单元中,语义相似度的计算模型包括DSSM、CNN-DSSM、LSTM-DSSM中的一种或多种,分别通过病学史、临床征兆和病原学的数据子集对选定的语义相似度的计算模型训练,得到对应的训练好的病学史、临床征兆和病原学语义相似度计算模型,通过softmax函数输出各个语义相似度计算模型二分类结果。
认知计算单元4,用于将被检者手足口病特征信息数据输入对应的语义相似度计算模型,分别得到流行病学史、临床征兆和病原学特征信息相似度概率;
判别诊断单元5,用于对计算获取到的流行病学史、临床征兆和病原学特征信息相似度概率进行加权统计,根据统计的结果,推导出手足口病的判别结果,确定对应的分期和分型。
对计算获取到的流行病学史、临床征兆和病原学特征信息相似度概率进行加权求和,若加权求和结果超过预设阈值则判定为确诊;或者当流行病学史、临床征兆特征信息相似度概率均超过对应的预设阈值时,检查对应的病原学特征信息,若对应的病原学特征信息满足一种或多种特征条件则判定为确诊。比如,在流行病学史、临床诊断病例相似度概率都比较较高的基础上,具有下列之一的病原学特征信息患者即可确诊。1、肠道病毒(CV-A16、EV-A71等)特异性核酸检查阳性;2、分离出肠道病毒,并鉴定为CV-A16、EV-A71或其他可引起手足口病的肠道病毒;3、急性期血清相关病毒IgM抗体阳性;4、恢复期血清相关肠道病毒的中和抗体比急性期有4倍及以上升高。
根据疾病的发生发展过程,将手足口病分为五期,包括出疹期、神经系统受累期、心肺功能衰竭前期、心肺功能衰竭期、恢复期;不同分期对应的分型包括普通型、重型、危重型;
在确诊的基础上,根据临床征兆特征信息对获得的统计结果进行分期和分型归类。比如,第1期(出疹期)主要表现为发热,手、足、口、臀等部位出疹,可伴有咳嗽、流涕、食欲不振等症状。部分病例仅表现为皮疹或疱疹性咽峡炎,个别病例可无皮疹。典型皮疹表现为斑丘疹、丘疹、疱疹。皮疹周围有炎性红晕,疱疹内液体较少,不疼不痒,皮疹恢复时不结痂、不留疤。不典型皮疹通常小、厚、硬、少,有时可见瘀点、瘀斑。某些型别肠道病毒如CV-A6和CV-A10所致皮损严重,皮疹可表现为大疱样改变,伴疼痛及痒感,且不限于手、足、口部位。此期属于手足口病普通型,绝大多数在此期痊愈;第2期(神经系统受累期):少数病例可出现中枢神经系统损害,多发生在病程1~5天内,表现为精神差、嗜睡、吸吮无力、易惊、头痛、呕吐、烦躁、肢体抖动、肌无力、颈项强直等。此期属于手足口病重症病例重型,大多数可痊愈;第3期(心肺功能衰竭前期)多发生在病程5天内,表现为心率和呼吸增快、出冷汗、四肢末梢发凉、皮肤发花、血压升高。此期属于手足口病重症病例危重型。及时识别并正确治疗,是降低病死率的关键;第4期(心肺功能衰竭期)可在第3期的基础上迅速进入该期。临床表现为心动过速(个别患儿心动过缓)、呼吸急促、口唇紫绀、咳粉红色泡沫痰或血性液体、血压降低或休克。亦有病例以严重脑功能衰竭为主要表现,临床可见抽搐、严重意识障碍等。此期属于手足口病重症危重型,病死率较高;第5期(恢复期)体温逐渐恢复正常,对血管活性药物的依赖逐渐减少,神经系统受累症状和心肺功能逐渐恢复,少数可遗留神经系统后遗症。
本发明还公开一种电子设备,包括:至少一个处理器、至少一个存储器、通信接口和总线;其中,所述处理器、存储器、通信接口通过所述总线完成相互间的通信;所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令,以实现本发明前述的新生儿黄疸的智能评估系统,包括数据采集单元、数据划分单元、模型构建单元、认知计算单元、判别诊断单元。
本发明还公开一种计算机可读存储介质,所述计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机实现本发明实施例所述的全部系统或部分系统。例如包括数据采集单元、数据划分单元、模型构建单元、认知计算单元、判别诊断单元。所述存储介质包括:U盘、移动硬盘、只议存储器ROM、随机存取存储器RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所描述的系统实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以分布到多个网络单元上。可以根据实际的衙要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
以上所述仅为本发明的较佳实施方式而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种手足口病智能认知系统,其特征在于,所述系统包括:
数据采集单元:用于采集手足口病相关的诊断标准信息,并对所述诊断标准信息进行向量化处理,得到样本数据集;
数据划分单元:用于按照手足口病诊断标准信息,采用决策树模型将所述手足口病诊断标准信息按照流行病学史、临床征兆和病原学类别进行划分,构成对应的基于手足口病分类诊断标准数据子集;
模型构建单元:基于手足口病诊断标准数据子集与对应的类别划分之间的关系,分别建立语义相似度计算模型并训练;
认知计算单元:用于将被检者手足口病特征信息数据输入对应的语义相似度计算模型,分别得到流行病学史、临床征兆和病原学特征信息相似度概率;
判别诊断单元,用于对计算获取到的流行病学史、临床征兆和病原学特征信息相似度概率进行加权统计,根据统计的结果,推导出手足口病的判别结果,确定对应的分期和分型。
2.根据权利要求1所述的手足口病智能认知系统,其特征在于,所述数据划分单元具体包括:
根据给定的样本数据集D选择信息增益最大属性特征作为决策树的节根点,所述决策树中的每个子结点表示手足口病样本的某个属性特征数据,决策树的叶子节点表示手足口病样本所属的类别,所述决策树模型构建方法为:
计算样本数据集D的信息熵:
其中D表示手足口病样本数据集,c表示手足口病样本类别数,pi表示属于类别i的样本数量占所有样本的比例;
对于样本数据集D,选择属性特征A作为决策树判断节点时,在属性特征作用后的信息熵的为Info(D),计算如下:
其中k表示样本D被分为k个部分;
计算信息增益值Gain(A):
Gain(A)=Info(D)-InfoA(D)
以信息增益值Gain(A)最大的属性特征作为根节点,以根节点分裂出子节点,进一步计算信息增益并以信息增益最大的作为子节点,以此构建决策树,直到所有属性特征值均小于设定阈值或没有属性特征选择为止,实现流行病学史、临床征兆和病原学类别的数据子集划分。
3.根据权利要求1所述的手足口病智能认知系统,其特征在于,所述模型构建单元中,语义相似度的计算模型包括DSSM、CNN-DSSM、LSTM-DSSM中的一种或多种,分别通过病学史、临床征兆和病原学的数据子集对选定的语义相似度的计算模型训练,得到对应的训练好的病学史、临床征兆和病原学语义相似度计算模型,通过softmax函数输出各个语义相似度计算模型二分类结果。
4.根据权利要求3所述的手足口病智能认知系统,其特征在于,所述判别诊断单元中,根据统计的结果,推导出手足口病的判别结果具体为:
对计算获取到的流行病学史、临床征兆和病原学特征信息相似度概率进行加权求和,若加权求和结果超过预设阈值则判定为确诊;
或者当流行病学史、临床征兆特征信息相似度概率均超过对应的预设阈值时,检查对应的病原学特征信息,若对应的病原学特征信息满足一种或多种特征条件则判定为确诊。
5.根据权利要求4所述的手足口病智能认知系统,其特征在于,所述判别诊断单元中,确定对应的分期和分型具体为:
根据疾病的发生发展过程,将手足口病分为五期,包括出疹期、神经系统受累期、心肺功能衰竭前期、心肺功能衰竭期、恢复期;不同分期对应的分型包括普通型、重型、危重型;
在确诊的基础上,根据临床征兆特征信息对获得的统计结果进行分期和分型归类。
6.一种电子设备,包括:至少一个处理器、至少一个存储器、通信接口和总线;
其中,所述处理器、存储器、通信接口通过所述总线完成相互间的通信;
所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令,以实现如权利要求1~5任一项所述的系统。
7.一种计算机可读存储介质,所述计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机实现权利要求1~5任一项所述的系统。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110064566.0A CN112786192A (zh) | 2021-01-18 | 2021-01-18 | 一种手足口病智能认知系统、设备、存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110064566.0A CN112786192A (zh) | 2021-01-18 | 2021-01-18 | 一种手足口病智能认知系统、设备、存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112786192A true CN112786192A (zh) | 2021-05-11 |
Family
ID=75757178
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110064566.0A Pending CN112786192A (zh) | 2021-01-18 | 2021-01-18 | 一种手足口病智能认知系统、设备、存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112786192A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113299388A (zh) * | 2021-05-12 | 2021-08-24 | 吾征智能技术(北京)有限公司 | 基于发热伴皮疹的跨模态医学生物特征认知疾病的系统 |
CN116434960A (zh) * | 2023-06-13 | 2023-07-14 | 中国人民解放军总医院 | 一种心源性休克临床决策支持系统、设备及可存储介质 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007279942A (ja) * | 2006-04-05 | 2007-10-25 | Fujifilm Corp | 類似症例検索装置、類似症例検索方法およびそのプログラム |
CN107180155A (zh) * | 2017-04-17 | 2017-09-19 | 中国科学院计算技术研究所 | 一种基于异构集成模型的疾病预测方法及系统 |
CN107862694A (zh) * | 2017-12-19 | 2018-03-30 | 济南大象信息技术有限公司 | 一种基于深度学习的手足口病检测系统 |
CN110490251A (zh) * | 2019-03-08 | 2019-11-22 | 腾讯科技(深圳)有限公司 | 基于人工智能的预测分类模型获取方法及装置、存储介质 |
CN110675944A (zh) * | 2019-09-20 | 2020-01-10 | 京东方科技集团股份有限公司 | 分诊方法及装置、计算机设备及介质 |
WO2020022959A1 (en) * | 2018-07-23 | 2020-01-30 | Agency For Science, Technology And Research | A method of detecting hfmd |
CN111161872A (zh) * | 2019-12-03 | 2020-05-15 | 王洁 | 一种儿童健康智能管理系统 |
CN111489827A (zh) * | 2020-04-10 | 2020-08-04 | 吉林大学 | 一种基于关联决策树的甲状腺疾病预测建模方法 |
CN112071438A (zh) * | 2020-09-29 | 2020-12-11 | 武汉东湖大数据交易中心股份有限公司 | 一种百日咳智能筛查方法及系统 |
CN112185571A (zh) * | 2020-09-17 | 2021-01-05 | 吾征智能技术(北京)有限公司 | 一种基于口酸的疾病辅助诊断系统、设备、存储介质 |
-
2021
- 2021-01-18 CN CN202110064566.0A patent/CN112786192A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007279942A (ja) * | 2006-04-05 | 2007-10-25 | Fujifilm Corp | 類似症例検索装置、類似症例検索方法およびそのプログラム |
CN107180155A (zh) * | 2017-04-17 | 2017-09-19 | 中国科学院计算技术研究所 | 一种基于异构集成模型的疾病预测方法及系统 |
CN107862694A (zh) * | 2017-12-19 | 2018-03-30 | 济南大象信息技术有限公司 | 一种基于深度学习的手足口病检测系统 |
WO2020022959A1 (en) * | 2018-07-23 | 2020-01-30 | Agency For Science, Technology And Research | A method of detecting hfmd |
CN110490251A (zh) * | 2019-03-08 | 2019-11-22 | 腾讯科技(深圳)有限公司 | 基于人工智能的预测分类模型获取方法及装置、存储介质 |
CN110675944A (zh) * | 2019-09-20 | 2020-01-10 | 京东方科技集团股份有限公司 | 分诊方法及装置、计算机设备及介质 |
CN111161872A (zh) * | 2019-12-03 | 2020-05-15 | 王洁 | 一种儿童健康智能管理系统 |
CN111489827A (zh) * | 2020-04-10 | 2020-08-04 | 吉林大学 | 一种基于关联决策树的甲状腺疾病预测建模方法 |
CN112185571A (zh) * | 2020-09-17 | 2021-01-05 | 吾征智能技术(北京)有限公司 | 一种基于口酸的疾病辅助诊断系统、设备、存储介质 |
CN112071438A (zh) * | 2020-09-29 | 2020-12-11 | 武汉东湖大数据交易中心股份有限公司 | 一种百日咳智能筛查方法及系统 |
Non-Patent Citations (2)
Title |
---|
兰文林;白宝鑫;石武祥;: "手足口病研究进展及防治措施", 医学信息, no. 15, pages 37 - 40 * |
王瑾;奚卓;: "小儿手足口病的药物治疗概述", 中国医学文摘(儿科学), vol. 2018, no. 03, pages 13 - 14 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113299388A (zh) * | 2021-05-12 | 2021-08-24 | 吾征智能技术(北京)有限公司 | 基于发热伴皮疹的跨模态医学生物特征认知疾病的系统 |
CN113299388B (zh) * | 2021-05-12 | 2023-09-29 | 吾征智能技术(北京)有限公司 | 基于发热伴皮疹的跨模态医学生物特征认知疾病的系统 |
CN116434960A (zh) * | 2023-06-13 | 2023-07-14 | 中国人民解放军总医院 | 一种心源性休克临床决策支持系统、设备及可存储介质 |
CN116434960B (zh) * | 2023-06-13 | 2023-10-13 | 中国人民解放军总医院 | 一种心源性休克临床决策支持系统、设备及可存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110675944A (zh) | 分诊方法及装置、计算机设备及介质 | |
CN110838368B (zh) | 一种基于中医临床知识图谱的主动问诊机器人 | |
CN111613289A (zh) | 个体化药物剂量预测方法、装置、电子设备及存储介质 | |
CN109670179A (zh) | 基于迭代膨胀卷积神经网络的病历文本命名实体识别方法 | |
WO2023078025A1 (zh) | 一种基于任务分解策略的发热待查辅助鉴别诊断系统 | |
CN106934235A (zh) | 一种基于迁移学习的疾病领域间病人相似性度量迁移系统 | |
CN112786192A (zh) | 一种手足口病智能认知系统、设备、存储介质 | |
JP7464800B2 (ja) | 小サンプル弱ラベル付け条件での医療イベント認識方法及びシステム | |
CN107180155A (zh) | 一种基于异构集成模型的疾病预测方法及系统 | |
CN109949929A (zh) | 一种基于深度学习大规模病历的辅助诊断系统 | |
CN111816321B (zh) | 基于法定诊断标准智能识别传染病的系统、设备及存储介质 | |
CN107887025A (zh) | 一种医疗大脑系统 | |
Zhao et al. | Early prediction of sepsis based on machine learning algorithm | |
Sapna et al. | Implementation of genetic algorithm in predicting diabetes | |
CN111326243B (zh) | 分诊推荐方法、装置、电子设备和存储介质 | |
CN112712895A (zh) | 一种针对2型糖尿病并发症的多模态大数据的数据分析方法 | |
CN112002419A (zh) | 一种基于聚类的疾病辅助诊断系统、设备、存储介质 | |
CN116630062A (zh) | 一种医保欺诈行为检测方法、系统、存储介质 | |
CN113066572B (zh) | 一种增强局部特征提取的中医辅助诊断系统及方法 | |
CN113658714B (zh) | 境外传染病输入的口岸卫生检疫案例情景匹配方法及系统 | |
CN112329479B (zh) | 一种人类表型本体术语识别方法及系统 | |
CN112466462B (zh) | 一种基于图深度学习的emr信息关联及演化方法 | |
Miller et al. | Development and validation of metabolic syndrome prediction and classification-pathways using decision trees | |
CN114613460A (zh) | 一种中文电子病历识别中否定域判定方法 | |
CN113343686A (zh) | 文本多特征歧义消解方法及系统 |
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 |