CN112905767A - 一种基于智能移动终端的疾病数据采集方法 - Google Patents

一种基于智能移动终端的疾病数据采集方法 Download PDF

Info

Publication number
CN112905767A
CN112905767A CN202110180159.6A CN202110180159A CN112905767A CN 112905767 A CN112905767 A CN 112905767A CN 202110180159 A CN202110180159 A CN 202110180159A CN 112905767 A CN112905767 A CN 112905767A
Authority
CN
China
Prior art keywords
nodes
symptoms
symptom
disease
inquiring
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
Application number
CN202110180159.6A
Other languages
English (en)
Inventor
沈斌
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shufu Shanghai Information Technology Co ltd
Original Assignee
Shufu Shanghai Information Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shufu Shanghai Information Technology Co ltd filed Critical Shufu Shanghai Information Technology Co ltd
Priority to CN202110180159.6A priority Critical patent/CN112905767A/zh
Publication of CN112905767A publication Critical patent/CN112905767A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06F16/332—Query formulation
    • G06F16/3329—Natural language query formulation or dialogue systems
    • 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
    • G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
    • G06F16/367—Ontology
    • 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
    • G16H10/65—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 stored on portable record carriers, e.g. on smartcards, RFID tags or CD

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Animal Behavior & Ethology (AREA)
  • Health & Medical Sciences (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • Medical Treatment And Welfare Office Work (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

本发明公开了一种基于智能移动终端的疾病数据采集方法，本发明可以独立完成对初诊及复诊患者的诊前疾病数据采集工作，为医生提供足够的疾病信息，帮助医生在更短的时间内更加全面的了解病情。并与医院HIS系统对接，将患者疾病信息自动录入医院，最终提供给医生进行参考。本发明在智能移动终端构件系统，且该系统对接医院HIS系统。患者通过二维码扫面进入页面，先选择主诉，系统自动开始询问，患者再完成问题填写和回答。系统生成包含所有有效疾病信息的病历初稿上传到医生端。

Description

一种基于智能移动终端的疾病数据采集方法
技术领域
本发明涉及医疗初期诊断技术领域，具体为一种基于智能移动终端的疾病数据采集方法。
背景技术
目前，现阶段的医疗系统大多是医院内部记录病人的基本信息和疾病情况，大多涉及挂号、排队、门诊预约、收费系统等，即使有病人信息收集系统，收集的信息少，且没有进行针对性的搜集。
科室上报是医疗数据的重要统计来源，也是目前最主要的疾病数据采集方式。医生在工作的过程中，应当严格遵守国家卫计委下发的相关文件来填写相关资料中的入院病情、疾病诊断、疾病编码等等，同时应当由病案统计人员对其审核，确认无误后进行上报。在大数据背景下，信息化得到了快速的发展，但是因为医院网络系统设计平台将重点放在了医生诊疗结果的数据收集上，这样收集到的数据多为本次就诊的诊断结果、处方用药等，常常缺乏患者的疾病史、家族史、个人史等数据，对于医生诊断时的临床决策辅助作用甚微。而且这样收集疾病数据，不但没有减轻医生的负担还加大了医生的工作量。
网络系统生成是医疗数据的另一种主要采集方式。从医院的HIS开始投入使用直到现在，结合现实的情况，系统经过了了不断的调整与完善，不但能够统计更多的医疗数据，而且还可以统计出更为准确的数据。然而HIS系统所生成的数据虽然更加准确全面了，但是其数据来源仍然依靠医生录入和辅助检查结果录入。因此对需要患者提供的数据仍然无法采集到。
目前无论是医生上报数据，还是网络系统自动生成的数据，其数据来源主要都来自于医生，以及在就诊过程中检查设备自动生成的原始疾病数据。随着医疗信息系统的普及与应用，在诊疗过程中的数据采集越来越全面，越来越及时。但是在诊前，与患者相关的症状学数据，既往疾病数据，以及个人健康史数据，在自动采集技术方面仍然是一篇空白。然而这些症状学数据、既往史、个人史、家族史等疾病数据，对于医生做出诊疗判断，有非常重要的参考作用。目前仅仅依靠医生自己在门诊中询问患者，并且尚无有效的自动采集方式。因此急需一种诊前疾病数据采集技术，能够将患者的症状学、既往史、家族史、个人史等数据真实、准确、高效得进行收集，成为医生在诊中提供临床决策支持服务的依据。并且不增加医生的工作负担，还能为医生节约时间。
发明内容
本发明的目的在于提供一种基于智能移动终端的疾病数据采集方法，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：一种基于智能移动终端的疾病数据采集方法，其具体步骤如下：
第一步，引入知识图谱，所述的知识图谱为完善的医疗知识图谱，该知识图谱以症状、可能疾病等为节点，以关于症状描述为属性值，并对节点之间的关系进行描述；
第二步，询问主诉，主诉即主要症状，将主诉优化排序，供用户选择，用户也可以在搜索框中，直接搜索选择自己的主诉，所述的主诉可单选，也可多选。
第三步，根据患者选择的主诉，引出初步症状图谱，并根据初步症状图谱，寻找相关的症状；
第三步，主诉详情询问，首先根据知识图谱的中该主诉的属性值，查找到该主诉的属性值对应的问题进行询问；
第四步，相关症状询问，根据知识图谱中该主诉的相关症状子节点找到相关症状及其属性值进行询问。
第五步，伴随症状询问，根据知识图谱中伴随症状子节点询问该伴随症状的属性值所对应的相关问题；
第六步，初步判断相关疾病，根据用户回答的主诉、伴随症状相关问题，得到该用户的主诉、伴随症状的各属性值数据，构成现有症状的知识图谱，在其中寻找相关疾病的子节点；
第七步，鉴别诊断信息问诊，根据所找到的相关疾病子节点寻找到鉴别诊断子节点，询问鉴别诊断子节点对应的问诊问题；
第七步，诊疗经历问诊，根据诊疗方案子节点询问诊疗经历；
第八步，病程变化问诊，寻找相关症状的病程变化的子节点，并根据该子节点所对应的问题询问病程变化；
第十步，返回，进行下一轮问诊。
作为优选地，所述的节点、属性值与问题库中的标准问诊问题模板分别一一相对应。
作为优选地，所述的症状包括主诉、典型症状、其他症状和伴随症状等，所述的症状描述包括颜色、性状、持续时间、频率、起止时间等。
作为优选地，所述的优化排序以历史选中频率或次数作为优先排列的依据。
作为优选地，所述的子节点是相对的，节点间可互为子节点，从一个节点出发，到下一个节点为子节点。
本发明所依托的医疗知识图谱是通过从大量诊疗指南、专家临床经验的大量结构化或非结构化的医学数据中提取节点、关系、属性值等知识图谱的组成元素，存入知识库。知识图谱的节点(实体)个数和关系个数，非常庞大复杂，因此大大增加了网络的结构复杂度及推理的效率和难度。
本发明的知识图谱借鉴了SNOMED-CT系统在医学知识图谱及问题库的构建过程中对内容进行消歧和链接，增强二者间的逻辑性和表达能力，并持续通过人工及自动的方式为医学知识图谱更新旧知识或补充新知识。
与现有技术相比，本发明的有益效果是：本发明可以独立完成对初诊及复诊患者的诊前疾病数据采集工作，为医生提供足够的疾病信息，帮助医生在更短的时间内更加全面的了解病情。并与医院HIS系统对接，将患者疾病信息自动录入医院，最终提供给医生进行参考。本发明在智能移动终端构件系统，且该系统对接医院HIS系统。患者通过二维码扫面进入页面，先选择主诉，系统自动开始询问，患者再完成问题填写和回答。系统生成包含所有有效疾病信息的病历初稿上传到医生端。
附图说明
图1为本发明流程示意图；
图2为本发明实施例知识图谱示意图；
图3为本发明实施例初始知识图谱示意图；
图4本发明实施例知识图谱词向量转换示意图；
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。
请参阅图1，本发明提供了一种基于智能移动终端的疾病数据采集方法，其具体步骤如下：
第一步，引入知识图谱，所述的知识图谱为完善的医疗知识图谱，该知识图谱以症状、可能疾病等为节点，以关于症状描述为属性值，并对节点之间的关系进行描述；
第二步，询问主诉，主诉即主要症状，将主诉优化排序，供用户选择，用户也可以在搜索框中，直接搜索选择自己的主诉，所述的主诉可单选，也可多选。
第三步，根据患者选择的主诉，引出初步症状图谱，并根据初步症状图谱，寻找相关的症状；
第三步，主诉详情询问，首先根据知识图谱的中该主诉的属性值，查找到该主诉的属性值对应的问题进行询问；
第四步，相关症状询问，根据知识图谱中该主诉的相关症状子节点找到相关症状及其属性值进行询问。
第五步，伴随症状询问，根据知识图谱中伴随症状子节点询问该伴随症状的属性值所对应的相关问题；
第六步，初步判断相关疾病，根据用户回答的主诉、伴随症状相关问题，得到该用户的主诉、伴随症状的各属性值数据，构成现有症状的知识图谱，在其中寻找相关疾病的子节点；
第七步，鉴别诊断信息问诊，根据所找到的相关疾病子节点寻找到鉴别诊断子节点，询问鉴别诊断子节点对应的问诊问题；
第七步，诊疗经历问诊，根据诊疗方案子节点询问诊疗经历；
第八步，病程变化问诊，寻找相关症状的病程变化的子节点，并根据该子节点所对应的问题询问病程变化；
第十步，返回，进行下一轮问诊。
作为优选地，所述的节点、属性值与问题库中的标准问诊问题模板分别一一相对应。
作为优选地，所述的症状包括主诉、典型症状、其他症状和伴随症状等，所述的症状描述包括颜色、性状、持续时间、频率、起止时间等。
作为优选地，所述的优化排序以历史选中频率或次数作为优先排列的依据。
作为优选地，所述的子节点是相对的，节点间可互为子节点，从一个节点出发，到下一个节点为子节点。
实施例1
当患者应用智能移动终端扫描二维码以后，即进入数据采集的小程序或者网页。服务器先提取存储的主诉列表，然后计算每个主诉在此时间点之前被患者选中的总次数，得到含有选中次数的主诉列表，将此列表中的主诉按其选中次数采用快速排序算法进行排序。向智能终端发送经过排序的常见主诉列表，询问患者本次就诊的主诉。患者在列表中选择最符合自身病情描述的主诉，发送回服务器。
服务器收到患者选择的主诉后，例如“咳嗽(成人)”，即在已构建完成的医学知识图谱中寻找与“咳嗽(成人)”想关联的所有节点，构建初始症状图谱。与咳嗽相关联的节点包括：伴随症状(比如咳痰、盗汗、乏力等)、相关症状(比如发烧、咽喉痛等)、属性值(比如起病时间、发病频率、严重程度、病程变化等)、相关疾病(比如上呼吸道感染、COPD急性发作、肺炎、慢性支气管炎、鼻后滴漏、胃食道反流等)。
在与“咳嗽(成人)相关的所有节点所组成的初始症状图谱中，寻找到所有相关症状节点，包括但不限于咽痛等。
然后将所有相关症状节点，按照每个相关症状节点与主诉的相关系数采用二路归并排序算法进行排序。相关症状节点与主诉的相关系数是基于该相关症状与主诉症状共同出现在同一份病历中频率进行统计计算的。本方法中相关系数是采用了合作医院临床病历进行计算的，提取每份病历中的所有症状用语，计算每两个症状同时出现在一份病历的中次数，以此为基础作为相关系数。将相关症状按照相关系数排序后得到按相关性排序的相关症状列表，选取相关性最高的n个相关症状发送到终端，询问患者是否有这些症状。N的选取可根据用户使用反馈进行调整。
在与“咳嗽(成人)相关的所有节点所组成的初始症状图谱中，寻找到所有属性值节点，包括但不限于起病时间、发病频率、严重程度、病程变化等。
寻找到每个属性值在问题库中对应的问题模板。比如起病时间对应的问题模板“您是什么时候开始出现上述症状的？”依次将所有属性值对应的问题(选择题包括选项)发送到智能终端，患者依次回答所有属性值问题。
智能终端将所有患者回答返回服务器。服务器将患者属性值回答中的关键词(仅限选择题及有限制性填空题，比如年龄、时间输入类填空题)采用word2vector算法将词转换为向量，得到词向量。我们用以下的Softmax函数p(wo|wi)来优化词向量。
其中vw是词向量，wi是输入词，wo是输出词，W是词的总数。
将此词向量与知识图谱中同位置原有的属性值节点向量进行向量计算，得到回答相关度系数。回答相关度系数表示了患者回答的内容与知识图谱中元素的相似程度，回答相关度系数越高，患者回答内容与知识图谱中元素的相似程度也越高。
再将回答相关系数乘以属性值与症状相关系数，得到属性值排序权重系数。属性值与症状相关系数是基于该属性值与其关联症状共同出现在同一份病历中频率进行统计计算的。本方法中此相关系数是采用了合作医院临床病历进行计算的，提取每份病历中的所有症状及其描述用语，计算该症状与其某一个描述属性值同时出现在一份病历的中次数，以此为基础作为相关系数。
属性值排序权重系数既代表了该患者回答与医生所需信息(及知识图谱中对应节点)的相关程度，也代表了该属性值对于该症状的相关程度。因此我们任务当属性值排序权重系数小于P时，改属性值对于该症状或患者回答之于医生所需信息的相关度太小，可以不予显示在呈现给医生的报告中。P的选取根据临床应用中医生反馈进行调整。
本方法也可以将某一症状的属性值序列按属性值排序权重系数采用二次归并排序算法进行排序，选择前O个属性值显示在报告中。O的取值根据医生临床反馈进行调整。
若患者选择了相关症状中的某些症状，比如患者选择了有发烧症状。则智能终端将患者选择的结果返回服务器。服务器在已构建的知识图谱中寻找与相关症状“发烧”关联的所有属性值节点，拓展初始症状图谱。然后寻找到发烧每个属性值节点在问题库中对应的问题模板。比如“体温”对应的问题，“您现在的体温是多少？”依次将这些属性值所对应的问题模板发送到智能终端，询问患者。
智能终端返回患者属性值回答后，基于属性值权重系数对患者属性值回答进行筛选。
在与“咳嗽(成人)相关的所有节点所组成的初始症状图谱中，寻找到所有伴随症状节点，形成伴随症状列表，并排除掉伴随症状列表中，已经在相关症状列表中出现过的症状，成为伴随症状问题列表，将该列表发送到智能终端，询问患者是否有以下症状。若患者选择了其中一个或多个伴随症状。则将患者所选择的伴随症状返回给服务器。服务器根据患者所选择的伴随症状，在知识图谱中寻找到这些伴随症状的所有属性值节点，进一步拓展初始症状图谱。并寻找到所有伴随症状属性值节点对应的问题模板，将这些伴随症状属性值所对应的问题，依次发送到智能终端，询问患者。
智能终端返回患者属性值回答后，基于属性值权重系数对患者属性值回答进行筛选。
在知识图谱中寻找主诉、相关症状、伴随症状想关联的所有相关疾病节点。比如咳嗽的相关疾病节点有上呼吸道感染、COPD急性发作、肺炎、慢性支气管炎、鼻后滴漏、胃食道反流等，发烧的相关疾病节点有上呼吸道感染、下呼吸道感染、消化道感染、泌尿道感染、皮肤感染等。然后计算所有疾病的疾病权重系数，即将该疾病与患者所选症状(包括主诉、相关症状、伴随症状)的相关系数与疾病相似度系数进行计算。按照疾病权重系数对疾病进行排序，形成新的相关疾病序列。疾病与症状的相关系数是基于该症状与该疾病同时出现在同一份病历中的次数计算的。即疾病与症状在不同病历中出现的次数越多，该疾病与该症状的相关系数就越高。由于共享疾病链接(即两个疾病至少共享一个症状的组合)与疾病相似度的皮尔逊积矩相关系数非常高(PCC＝0.96，P＝1.4*10^(-5))。因此这里用共享疾病链接的个数表示疾病间的相似度，即疾病相似度系数。在生成的相关疾病序列中，选取前m个疾病。M的选择可根据用户使用感受进行调整。
然后寻找与这m个相关疾病为鉴别诊断关系的症状以及属性值节点。比如上呼吸道感染和胃食道反流的鉴别诊断关系的症状有烧心、胸痛。寻找到这m个相关疾病的所有鉴别诊断关系的症状节点以及症状属性值节点，组成症状及属性值列表，并从中去已经询问过的主诉列表、相关症状列表、伴随症状列表、主诉属性值、相关症状属性值、伴随症状属性值，形成新的鉴别诊断症状及属性值列表，发送到智能终端，询问患者是否具有以下症状以及回答属性值问题。
寻找到这m个相关疾病的治疗方案节点，并从问题库中寻找到所有对应的治疗方案问题。比如上呼吸道感染的治疗问题有，“您是否服用过如下药物？选项：氯苯那敏、鼻内异丙托溴铵气雾剂等”。将所有相关疾病的治疗方案节点所对应的问题组成治疗方案问题列表，去掉其中重复的问题，以及合并相同题干不同选项的问题。得到质量方案问题列表，发送到智能终端，依次询问患者。
最后再补充询问病程变化，寻找到所有相关症状的“病程变化”属性值节点所对应的问题，组成病程变化问题列表，并删除其中重复的问题，合并题干相同的问题，发送到智能终端，询问患者。
经过上述步骤，完成一轮疾病信息询问。若患者添加修改补充主诉时，重复以上步骤。
经过上述步骤，完成所有病情信息问题询问，即病情数据采集工作，所有患者回答的数据都存储在数据处理服务器。将患者的病情数据进行可视化处理后形成患者病情报告。
智能移动终端与数据处理服务器及医生终端相连，智能移动终端将患者填写的基本信息和答题信息等数据发送至所述数据处理服务器，数据处理服务器，用于生成“问诊”问题，存储患者的回答信息，并使用GPT-3模型将数据生成报告发送给所述医生终端，医生终端，用于接受所述疾病信息报告，并将疾病信息报告展示给医生查阅。
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 (5)

1.一种基于智能移动终端的疾病数据采集方法，其特征在于，其具体步骤如下：
第一步，引入知识图谱，所述的知识图谱为完善的医疗知识图谱，该知识图谱以症状、可能疾病等为节点，以关于症状描述为属性值，并对节点之间的关系进行描述；
第二步，询问主诉，主诉即主要症状，将主诉优化排序，供用户选择，用户也可以在搜索框中，直接搜索选择自己的主诉，所述的主诉可单选，也可多选；
第三步，根据患者选择的主诉，引出初步症状图谱，并根据初步症状图谱，寻找相关的症状；
第三步，主诉详情询问，首先根据知识图谱的中该主诉的属性值，查找到该主诉的属性值对应的问题进行询问；
第四步，相关症状询问，根据知识图谱中该主诉的相关症状子节点找到相关症状及其属性值进行询问；
第五步，伴随症状询问，根据知识图谱中伴随症状子节点询问该伴随症状的属性值所对应的相关问题；
第六步，初步判断相关疾病，根据用户回答的主诉、伴随症状相关问题，得到该用户的主诉、伴随症状的各属性值数据，构成现有症状的知识图谱，在其中寻找相关疾病的子节点；
第七步，鉴别诊断信息问诊，根据所找到的相关疾病子节点寻找到鉴别诊断子节点，询问鉴别诊断子节点对应的问诊问题；
第七步，诊疗经历问诊，根据诊疗方案子节点询问诊疗经历；
第八步，病程变化问诊，寻找相关症状的病程变化的子节点，并根据该子节点所对应的问题询问病程变化；
第十步，返回，进行下一轮问诊。
2.根据权利要求1所述的一种基于智能移动终端的疾病数据采集方法，其特征在于，所述的节点、属性值与问题库中的标准问诊问题模板分别一一相对应。
3.根据权利要求1所述的一种基于智能移动终端的疾病数据采集方法，其特征在于，所述的症状包括主诉、典型症状、其他症状和伴随症状等，所述的症状描述包括颜色、性状、持续时间、频率、起止时间等。
4.根据权利要求1所述的一种基于智能移动终端的疾病数据采集方法，其特征在于，所述的优化排序以历史选中频率或次数作为优先排列的依据。
5.根据权利要求1所述的一种基于智能移动终端的疾病数据采集方法，其特征在于，所述的子节点是相对的，节点间可互为子节点，从一个节点出发，到下一个节点为子节点。
CN202110180159.6A 2021-02-08 2021-02-08 一种基于智能移动终端的疾病数据采集方法 Pending CN112905767A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110180159.6A CN112905767A (zh) 2021-02-08 2021-02-08 一种基于智能移动终端的疾病数据采集方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110180159.6A CN112905767A (zh) 2021-02-08 2021-02-08 一种基于智能移动终端的疾病数据采集方法

Publications (1)

Publication Number Publication Date
CN112905767A true CN112905767A (zh) 2021-06-04

Family

ID=76123237

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110180159.6A Pending CN112905767A (zh) 2021-02-08 2021-02-08 一种基于智能移动终端的疾病数据采集方法

Country Status (1)

Country Link
CN (1) CN112905767A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113722504A (zh) * 2021-08-27 2021-11-30 上海钛米机器人股份有限公司 预问诊信息生成方法及装置
CN114464286A (zh) * 2022-02-25 2022-05-10 广州循证医药科技有限公司 基于人机交互的可视化病例数据导入、报告系统与方法
CN117524405A (zh) * 2024-01-05 2024-02-06 长春中医药大学 一种基于云计算的妇科护理方法智能选择系统

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113722504A (zh) * 2021-08-27 2021-11-30 上海钛米机器人股份有限公司 预问诊信息生成方法及装置
CN114464286A (zh) * 2022-02-25 2022-05-10 广州循证医药科技有限公司 基于人机交互的可视化病例数据导入、报告系统与方法
CN117524405A (zh) * 2024-01-05 2024-02-06 长春中医药大学 一种基于云计算的妇科护理方法智能选择系统
CN117524405B (zh) * 2024-01-05 2024-03-26 长春中医药大学 一种基于云计算的妇科护理方法智能选择系统

Similar Documents

Publication Publication Date Title
CN112905767A (zh) 一种基于智能移动终端的疾病数据采集方法
US7516110B2 (en) Expert systems
Chu et al. A Delphi-based approach to developing expert systems with the cooperation of multiple experts
CN1258726C (zh) 构建智能在线社区的系统
US7676384B2 (en) System and method for the automated presentation of system data to, and interaction with, a computer maintained database
CN106991284B (zh) 智能育儿知识服务方法及系统
US5671333A (en) Training apparatus and method
CN108182262A (zh) 基于深度学习和知识图谱的智能问答系统构建方法和系统
CN110838368A (zh) 一种基于中医临床知识图谱的机器人主动问诊方法
Henry Nursing informatics: state of the science
CN111930948B (zh) 一种信息收集和分级方法、装置、计算机设备及存储介质
Ting et al. Knowledge elicitation approach in enhancing tacit knowledge sharing
CN104965898A (zh) 面向患者的医院在线查询系统
CN101334770A (zh) 循证医学数据库组建方法及相关的循证医学疾病诊断方法
CN108039198A (zh) 一种面向移动医疗的医生推荐方法及系统
WO2024060508A1 (zh) 知识驱动的罕见病可视化问答式辅助鉴别诊断系统及方法
Hwang et al. A time scale-oriented approach for building medical expert systems
Mohammadi et al. 20 years of workplace diversity research in hospitality and tourism: a bibliometric analysis
Revathy Health care counselling via voicebot using multinomial naive bayes algorithm
Guerrero-Sosa et al. Analysis of internal and external academic collaboration in an institution through graph theory
Gore et al. Building core domains for the evaluation of PBS: A consensus-based approach
Price et al. Semantic components enhance retrieval of domain-specific documents
EP1686513B1 (en) Improvements relating to expert systems
CN112364065B (zh) 一种获取大数据中转、反馈的方法及系统
CN112700861B (zh) 伴随症状交互方法及伴随症状交互系统

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