CN113066561A - 一种基于lda主题模型的中医药材推荐方法 - Google Patents

一种基于lda主题模型的中医药材推荐方法 Download PDF

Info

Publication number
CN113066561A
CN113066561A CN202110485011.3A CN202110485011A CN113066561A CN 113066561 A CN113066561 A CN 113066561A CN 202110485011 A CN202110485011 A CN 202110485011A CN 113066561 A CN113066561 A CN 113066561A
Authority
CN
China
Prior art keywords
syndrome
treatment
traditional chinese
medical record
chinese medicine
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
CN202110485011.3A
Other languages
English (en)
Inventor
张明川
刘丹丹
李美雯
吴庆涛
朱军龙
郑瑞娟
王琳
宋建强
邢玲
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.)
Henan University of Science and Technology
Original Assignee
Henan University of Science and Technology
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 Henan University of Science and Technology filed Critical Henan University of Science and Technology
Priority to CN202110485011.3A priority Critical patent/CN113066561A/zh
Publication of CN113066561A publication Critical patent/CN113066561A/zh
Pending legal-status Critical Current

Links

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
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/90—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to alternative medicines, e.g. homeopathy or oriental medicines
    • 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
    • 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
    • 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
    • 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
    • G16H70/00—ICT specially adapted for the handling or processing of medical references
    • G16H70/40—ICT specially adapted for the handling or processing of medical references relating to drugs, e.g. their side effects or intended usage

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Pharmacology & Pharmacy (AREA)
  • Chemical & Material Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Medicinal Chemistry (AREA)
  • Toxicology (AREA)
  • Alternative & Traditional Medicine (AREA)
  • Medical Treatment And Welfare Office Work (AREA)
  • Medicines Containing Plant Substances (AREA)

Abstract

一种基于LDA主题模型的中医药材推荐方法，涉及中医药材推荐技术领域，将机器学习中的隐狄利克雷模型应用于中医药材推荐中，建立相应的主题模型，从而观察推荐药材的准确性，为中医药材推荐提供初筛和决策支持。本发明有益效果：克服了现有技术中中医组方规律挖掘缺乏对隐含治法的考虑的问题，提高了中医组方推荐的精度和效率，为中医医师诊疗过程的组方提供初筛和辅助决策支持。

Description

一种基于LDA主题模型的中医药材推荐方法
技术领域
本发明属于中医药材推荐技术领域，具体涉及一种基于LDA主题模型的中医药材推荐方法。
背景技术
中医药文化是中国历代著名中医在长期的实践和临床治疗中形成的一种医学文化，承载着中华民族几千年宝贵的经验和理论知识。证候概括为一系列有相互关联的症状总称，即通过望、闻、问、切四诊所获知的疾病过程中表现在整体层次上的机体反应状态及其运动、变化，简称证或者候，证候也是中医确立治疗原则、采用最恰当技术方法开展诊疗活动的基本依据。药方是传统中医文化的智慧结晶和组成部分，是为治疗某种疾病而组合起来的若干种药材的名称、剂量和用法。
当前中医诊疗经验大多基于分析总结先前的药方，但是大多数药方是凭经验主观给出，缺乏客观标准，中医系统体系也是由主观理解和推断构成。由于缺少科学数据的支撑和解释，使得在实践中很多人对中医给出的不同药方结果存在怀疑，因此，对中医药方的过程数据化十分重要。
发明内容
本发明所要解决的技术问题是提供一种基于LDA主题模型的中医药材推荐方法，挖掘出证候和药材之间的隐含关系，观察推荐药材的准确性，为中医药材推荐提供初筛和决策支持，解决现有药方凭经验主观给出，缺乏客观标准等问题。
本发明为解决上述技术问题所采用的技术方案是：一种基于LDA主题模型的中医药材推荐方法，包括以下步骤：
步骤一、采集某种疾病的多例医案信息，对医案数据进行预处理，经处理后的每例医案信息包含一组证候单词s和药材单词h；
步骤二、通过对医案中的证候和对应处方的隐语义分析挖掘出主题z，z为药材单词h和证候单词s的潜在治法分布，发现隐含治法、证候和药物间存在的关系，构建基于证候—治法—药物的主题模型并进行参数学习训练；
步骤三、把待检测的用户证候输入训练好的模型中，获取证候、治法和药物之间的对应关系，进行相应处方推荐并输出推荐结果，为医生诊疗过程的组方提供参考和辅助。
本发明所述步骤二中构建基于证候—治法—药物的主题模型的具体方法为：假设每例医案被视为一篇文档，一个病机被视为一个主题，令|C|为临床医案数，每例医案c包含一组证候和n种药物，hcn为医案c中的第n种药物，sc为医案c中的证候，z为药材单词h和证候单词s的潜在治法分布；K为治法主题数，每个治法主题k∈[1,…,K]表示一种治法；
Figure BDA0003050356950000021
为治法k∈[1,…,K]上S维的证候-治法多项式分布，用于描述不同证候对治法的重要性，其中，S为医案集包含的治法总数；
Figure BDA0003050356950000022
为治法k∈[1,…,K]上H维的治法-药物多项式分布，用于描述不同药物治疗一种治法的重要性，其中，H为医案集包含的药物总数；对于某种治法下的所有词，假设
Figure BDA0003050356950000023
和
Figure BDA0003050356950000024
相互独立；θC为医案C上K维的医案-证候多项式分布；x为二元变量值，取值范围为{syndrome，herb}，以此来表达所生成词的2种不同类型，若x＝syndrome，则表示所生成词为证候，否则为药物；α、β、γ分别为狄利克雷先验分布的超参数，基于证候-治法-药物的主题模型如下所示：(1)对于每个治法主题k∈[1,…,K]，
Figure BDA0003050356950000025
服从参数为β的狄利克雷先验分布，
Figure BDA0003050356950000026
服从参数为γ的狄利克雷先验分布：
Figure BDA0003050356950000027
(2)对于每例医案c∈C，θc服从参数为α的狄利克雷先验分布：θc～Dirichlet(α)；
(3)对于包含于每例医案c中的词，治法主题z服从参数为θc的多项式z～Multi(θc)；
(4)若x＝syndrome，则证候s服从参数为
Figure BDA0003050356950000028
的多项式分布：
Figure BDA0003050356950000029
若x＝herb，则药物h服从参数为
Figure BDA00030503569500000210
的多项式分布：
Figure BDA00030503569500000211
本发明所述步骤三中对待检测的用户证候进行相应处方推荐的具体方法为：
(1)构建证候-药物矩阵，其第i行第j列的元素表示为p(hj|si)，即治疗证候si的药物包含hj的概率：
Figure BDA0003050356950000031
其中，k为基于证候-治法-药物的主题模型中的治法主题，K为主题总数，p(hj|k)为模型中的参数
Figure BDA0003050356950000032
p(k|si)表示证候si包含于治法k的概率：
Figure BDA0003050356950000033
其中，p(si|k)为模型中的参数
Figure BDA0003050356950000034
p(si)表示证候si在医案集中的出现频率，p(k)为主题k的先验概率，将其看作为一个常数。
(2)基于输入的证候，计算该证候下每种药物h的排序值Rank，其计算如下所示：
Figure BDA0003050356950000035
对所有药物的Rank值进行降序排列，并选择前N个药物作为其推荐药物，并将这N个药物的组合作为治疗患者证候的推荐处方。
本发明的有益效果是：本发明通过对医案库中证候和对应处方的隐语义分析，提取出隐含治法，科学准确地找出隐含治法、证候和药物间存在的关系，并构建基于证候-治法-药物的主题模型并训练模型，结合了隐含治法来建模，克服了现有技术中中医组方规律挖掘缺乏对隐含治法的考虑的问题；然后，把待检测的用户证候输入到训练好的模型中，获取证候、治法、药物之间的对应关系，进行相应处方推荐，提高了中医组方推荐的精度和效率，为中医医师诊疗过程的组方提供初筛和辅助决策支持。
具体实施方式
本发明提供一种基于LDA主题模型的中医药材推荐方法，包括以下内容：
1.医案预处理
首先采集某种疾病的多例医案信息，对医案数据进行预处理，经处理后的每例医案信息包含一组证候单词s和药材单词h。
2.挖掘隐含病机建立模型
通过处理后的医案中证候单词s和药物单词h，构建基于证候—治法—药物的主题模型，并进行参数学习训练。
假设每例病案被视为一篇文档，一个病机被视为一个主题，令|C|为临床医案数，每例医案c包含一组证候和n种药物，hcn为医案c中的第n种药物，sc为医案c中的证候，z为药材单词h和证候单词s的潜在治法分布；K为治法主题数，每个治法主题k∈[1,…,K]表示一种治法；
Figure BDA0003050356950000041
为治法k∈[1,…,K]上S维的证候-治法多项式分布，用于描述不同证候对治法的重要性，其中，S为医案集包含的治法总数；
Figure BDA0003050356950000042
为治法k∈[1,…,K]上H维的治法-药物多项式分布，用于描述不同药物治疗一种治法的重要性，其中，H为医案集包含的药物总数；对于某种治法下的所有词，假设
Figure BDA0003050356950000043
和
Figure BDA0003050356950000044
相互独立；θC为医案C上K维的医案-证候多项式分布；x为二元变量值，取值范围为{syndrome,herb}，以此来表达所生成词的2种不同类型，若x＝syndrome，则表示所生成词为证候，否则为药物；α、β、γ分别为Dirichlet先验分布的超参数，基于证候-治法-药物主题模型的生成过程如下所示：
(1)对于每个主题k∈[1,…,K]，
Figure BDA0003050356950000045
服从参数为β的狄利克雷先验分布，
Figure BDA0003050356950000046
服从参数为γ的狄利克雷先验分布：
Figure BDA0003050356950000047
(2)对于每例医案c∈C，θc服从参数为α的狄利克雷先验分布：θc～Dirichlet(α)；
(3)对于包含于每例医案c中的词，治法主题z服从参数为θc的多项式z～Multi(θc)；
(4)若x＝syndrome，则证候s服从参数为
Figure BDA0003050356950000051
的多项式分布：
Figure BDA0003050356950000052
若x＝herb，则药物h服从参数为
Figure BDA0003050356950000053
的多项式分布：
Figure BDA0003050356950000054
3.模型参数学习训练
在模型构建过程中，使用Gibbs抽样方法进行参数学习。当x＝syndrome时，利用Gibbs抽样生成主题zs＝k的概率计算公式如下：
p(zs＝k|x＝symptom,s,h)
Figure BDA0003050356950000055
其中，
Figure BDA0003050356950000056
和
Figure BDA0003050356950000057
分别表示医案C的证候和药物分配给治法k的个数，
Figure BDA0003050356950000058
表示医案集中证候m给主题k的次数。
当＝herb时，利用Gibbs抽样生成主题zh＝k的概率计算公式如下：
p(zh＝k|x＝herb,s,h)
Figure BDA0003050356950000059
其中，
Figure BDA00030503569500000510
和
Figure BDA00030503569500000511
分别表示医案C的药物和证候分配给治法k的次数，
Figure BDA00030503569500000512
表示在医案集中药物n分配给主题K的次数。
参数学习单元用于根据模型生成单元构建的模型，并对模型进行训练；其中训练过程中的参数θck、
Figure BDA00030503569500000513
和φsk的计算分别如下：
Figure BDA00030503569500000514
Figure BDA00030503569500000515
Figure BDA0003050356950000061
θck表示医案c中包含治法k的概率，
Figure BDA0003050356950000062
表示治法k包含证候的概率，
Figure BDA0003050356950000063
表示治法k包含药物h的概率。
4.中医药材推荐
把待检测的用户证候输入到训练好的模型中获取证候、治法、药物之间的对应关系，进行相应处方推荐，提高中医组方推荐的精度和效率，为中医医师诊疗过程的组方提供辅助决策。中药材推荐具体步骤：
(1)构建证候-药物矩阵，其第i行j列的元素表示为p(hj|si)，即治疗证候si的药物包含hj的概率：
Figure BDA0003050356950000064
其中，k为基于证候-治法-药物的主题模型中的病机主题，k为主题数，p(hj|k)即为STH-TM模型中的参数
Figure BDA0003050356950000065
p(k|si)表示证候si包含于治法k的概率：
Figure BDA0003050356950000066
其中，p(si|k)模型中的参数
Figure BDA0003050356950000067
p(si)表示证候si在医案集中的出现频率，p(k)为主题k的先验概率，将其看作为一个常数。
(2)基于输入的证候，计算每种证候下每种药物h的排序值Rank，其计算如下所示：
Figure BDA0003050356950000068
对所有药物的Rank值进行降序排列，并选择前N个药物作为其推荐药物，并将这N个药物的组合作为治疗患者证候的推荐处方，记为：pres.＝{H(N)}。
在中医药材推荐中，，为了能够准确的对证候做出分析以及给出合理的药材推荐，因此我们提出了基于主题模型的中医药材推荐方法，通过发现临床病例中所包含的开处方原则，达到中药材推荐的目的，从辩证记录的产生关系角度分析中医临床证候和中医药材，即发现中医证候与临床医生开处方向量之间的定量关系。
中医是中国传统医学，所以用中医的数据来对结果进行分析和比较。在提供的实验数据集中，样本集“证候/药材”进行试验，通过对证候和药材建立联系，找出之间的相关联的主题，实现对中医药材的推荐。
具体地，一种发现中医证候与处方推荐之间的定量关系的方法如下所示：
第一步：按照先验概率p(si)选择一个中医证候si；
第二步：根据证候-治法的Dirichlet先验分布α中取样生成中医证候si的治法分布θi；
第三步：从治法的多项式分布θi中取样生成中医证候si的第j个治法zij；
第四步：依据证候-病机Dirichlet先验分布β中取样生成治法sij对应的药材
Figure BDA0003050356950000071
第五步：从药材的多项式分布
Figure BDA0003050356950000072
中采样最终的药材hij；
第六步：采用该治法下的top-N个药材作为推荐结果。

Claims (3)

1.一种基于LDA主题模型的中医药材推荐方法，其特征在于，包括以下步骤：
步骤一、采集某种疾病的多例医案信息，对医案数据进行预处理，经处理后的每例医案信息包含一组证候单词s和药材单词h；
步骤二、通过对医案中的证候和对应处方的隐语义分析挖掘出主题z，z为药材单词h和证候单词s的潜在治法分布，发现隐含治法、证候和药物间存在的关系，构建基于证候—治法—药物的主题模型并进行参数学习训练；
步骤三、把待检测的用户证候输入训练好的模型中，获取证候、治法和药物之间的对应关系，进行相应处方推荐并输出推荐结果，为医生诊疗过程的组方提供参考和辅助。
2.根据权利要求1所述的一种基于LDA主题模型的中医药材推荐方法，其特征在于：所述步骤二中构建基于证候—治法—药物的主题模型的具体方法为：假设每例医案被视为一篇文档，一个病机被视为一个主题，令|C|为临床医案数，每例医案c包含一组证候和n种药物，hcn为医案c中的第n种药物，sc为医案c中的证候，z为药材单词h和证候单词s的潜在治法分布；K为治法主题数，每个治法主题k∈[1,…,K]表示一种治法；
Figure FDA0003050356940000011
为治法k∈[1,…,K]上S维的证候-治法多项式分布，用于描述不同证候对治法的重要性，其中，S为医案集包含的治法总数；
Figure FDA0003050356940000012
为治法k∈[1,…,K]上H维的治法-药物多项式分布，用于描述不同药物治疗一种治法的重要性，其中，H为医案集包含的药物总数；对于某种治法下的所有词，假设
Figure FDA0003050356940000013
和
Figure FDA0003050356940000014
相互独立；θC为医案C上K维的医案-证候多项式分布；x为二元变量值，取值范围为{syndrome，herb}，以此来表达所生成词的2种不同类型，若x＝syndrome，则表示所生成词为证候，否则为药物；α、β、γ分别为狄利克雷先验分布的超参数，基于证候-治法-药物的主题模型如下所示：
(1)对于每个治法主题k∈[1,…,K]，
Figure FDA0003050356940000015
服从参数为β的狄利克雷先验分布，
Figure FDA0003050356940000016
服从参数为γ的狄利克雷先验分布：
Figure FDA0003050356940000017
(2)对于每例医案c∈C，θc服从参数为α的狄利克雷先验分布：θc～Dirichlet(α)；
(3)对于包含于每例医案c中的词，治法主题z服从参数为θc的多项式z～Multi(θc)；
(4)若x＝syndrome，则证候s服从参数为
Figure FDA0003050356940000021
的多项式分布：
Figure FDA0003050356940000022
若x＝herb，则药物h服从参数为
Figure FDA0003050356940000023
的多项式分布：
Figure FDA0003050356940000024
3.根据权利要求1所述的一种基于LDA主题模型的中医药材推荐方法，其特征在于，所述步骤三中对待检测的用户证候进行相应处方推荐的具体方法为：
(1)构建证候-药物矩阵，其第i行j列的元素表示为p(hj|si)，即治疗证候si的药物包含hj的概率：
Figure FDA0003050356940000025
其中，k为基于证候-治法-药物的主题模型中的治法主题，K为主题总数，p(hj|k)为模型中的参数
Figure FDA0003050356940000026
p(k|si)表示证候si包含于治法k的概率：
Figure FDA0003050356940000027
其中，p(si|k)为模型中的参数
Figure FDA0003050356940000028
p(si)表示证候si在医案集中的出现频率，p(k)为主题k的先验概率，将其看作为一个常数；
(2)基于输入的证候，计算该证候下每种药物h的排序值Rank，其计算如下所示：
Figure FDA0003050356940000029
对所有药物的Rank值进行降序排列，并选择前N个药物作为其推荐药物，并将这N个药物的组合作为治疗患者证候的推荐处方。
CN202110485011.3A 2021-04-30 2021-04-30 一种基于lda主题模型的中医药材推荐方法 Pending CN113066561A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110485011.3A CN113066561A (zh) 2021-04-30 2021-04-30 一种基于lda主题模型的中医药材推荐方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110485011.3A CN113066561A (zh) 2021-04-30 2021-04-30 一种基于lda主题模型的中医药材推荐方法

Publications (1)

Publication Number Publication Date
CN113066561A true CN113066561A (zh) 2021-07-02

Family

ID=76567987

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110485011.3A Pending CN113066561A (zh) 2021-04-30 2021-04-30 一种基于lda主题模型的中医药材推荐方法

Country Status (1)

Country Link
CN (1) CN113066561A (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109243567A (zh) * 2018-08-14 2019-01-18 山东科技大学 一种基于处方数据挖掘的药物推荐方法
CN111477295A (zh) * 2020-04-10 2020-07-31 电子科技大学 一种基于隐语义模型的中医组方推荐方法及系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109243567A (zh) * 2018-08-14 2019-01-18 山东科技大学 一种基于处方数据挖掘的药物推荐方法
CN111477295A (zh) * 2020-04-10 2020-07-31 电子科技大学 一种基于隐语义模型的中医组方推荐方法及系统

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
尹裴 等: "《基于LDA主题模型和领域本体的中文产品评论细粒度情感分析》", 31 October 2018, 同济大学出版社 *
张颖: "中医诊疗数据的隐语义分析技术", 《中国优秀博硕士学位论文全文数据库(硕士) 医药卫生科技辑》 *
张颖等: "基于隐语义模型的中医在线辅助诊疗系统", 《计算机应用》 *
武朝尉 等: "基于主题模型的中医辨证关系探索", 《中华医学图书情报杂志》 *

Similar Documents

Publication Publication Date Title
Alnæs et al. Brain heterogeneity in schizophrenia and its association with polygenic risk
Simmons et al. Text mining for precision medicine: bringing structure to EHRs and biomedical literature to understand genes and health
Picardi et al. Delusional themes across affective and non-affective psychoses
Hlatky et al. Tying clinical research to patient care by use of an observational database
CN1613069A (zh) 利用基于群体的分析挖掘病人数据
CN113539515B (zh) 临床需求挖掘方法、装置、电子设备和存储介质
CN111048173B (zh) 一种用药数据推送方法及装置
CN111477295B (zh) 一种基于隐语义模型的中医组方推荐方法及系统
Moon et al. Artificial neural networks in neurorehabilitation: A scoping review
Su et al. Cognitive profile difference between Allen Cognitive Levels 4 and 5 in schizophrenia
Hane et al. Predicting onset of dementia using clinical notes and machine learning: case-control study
Tang et al. Comparing different algorithms for the course of Alzheimer’s disease using machine learning
Trommer et al. Exercise interventions for adults with cancer receiving radiation therapy alone
Butler et al. The data gap in the EHR for clinical research eligibility screening
Park Decomposing the effects of familiarity with music cues on stride length and variability in persons with Parkinson’s disease: on the role of covariates
CN113066561A (zh) 一种基于lda主题模型的中医药材推荐方法
CN113517044A (zh) 基于药代学评价胞二磷胆碱的临床数据处理方法及系统
Zhang et al. Risk factors and drug discovery for cognitive impairment in type 2 diabetes mellitus using artificial intelligence interpretation and graph neural networks
Tache et al. Text mining of medical records
Yang et al. The Effectiveness of Personalized Nursing on Quality of Life in Cardiovascular Disease Patients: A Systematic Review and Meta-analysis
Lu et al. Neurobiology for human suicide
Lamer et al. Standardized description of the feature extraction process to transform raw data into meaningful information for enhancing data reuse: Consensus study
Zhao et al. Clinical Traditional Chinese Medicine Research in Hospitals and Its Clinical Value Analysis
Englehart Implementing the Condensed Memorial Symptom Assessment Scale on an Inpatient Oncology Unit
Van Raan et al. Discovery of patterns of scientific and technological development and knowledge transfer

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

Application publication date: 20210702

RJ01 Rejection of invention patent application after publication