CN113284590A - 一种基于位置服务的医疗资源可视化推荐方法 - Google Patents
一种基于位置服务的医疗资源可视化推荐方法 Download PDFInfo
- Publication number
- CN113284590A CN113284590A CN202110586654.7A CN202110586654A CN113284590A CN 113284590 A CN113284590 A CN 113284590A CN 202110586654 A CN202110586654 A CN 202110586654A CN 113284590 A CN113284590 A CN 113284590A
- Authority
- CN
- China
- Prior art keywords
- hospital
- information
- user
- medical
- 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
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
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/20—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the management or administration of healthcare resources or facilities, e.g. managing hospital staff or surgery rooms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/904—Browsing; Visualisation therefor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- General Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明属于互联网技术领域,具体为一种基于位置服务的医疗资源可视化推荐方法。本发明通过搜集整合现有的医疗信息资源,同时综合考虑用户地理位置,医院位置,医院评价,医院和科室信息,疾病信息等因素,构建结构化的数据模型;对影响推荐的因素进行分析并提出推荐策略;设计交互准则与方案,最后制定可视化图形的生成规则,完成基于位置服务的医疗资源可视化推荐方法。本发明一方面能够解决当前医疗资源不够透明的问题,另一方面也能更快速地帮助用户根据疾病选择合适的医院,使互联网技术更好的服务于有疾病诊治需求的用户。
Description
技术领域
本发明属于互联网技术领域,具体涉及互联网医疗资源可视化推荐方法。
背景技术
近年来,随着信息与通信技术的发展,“互联网+”的方式已经融入到人们生活中的各个方面,逐渐与各个传统领域结合,医疗领域也不例外。随着网络上积累的医疗数据的不断增多和各类互联网医疗平台的出现,越来越多的用户会利用互联网医疗平台和搜索引擎去查询治疗疾病效果较好,并且距离合适的医院,从而进行后续的线下问诊治疗。但是现有的互联网医疗平台和搜索引擎并不能直观准确的将这些医疗资源完整的展示给用户去选择,增加了用户获取信息的难度。首先,现有的在线医疗平台和搜索引擎都是以文字的形式去显示医院的相关信息,并没有对这些信息进行可视化的加工与处理。其次,现有的推荐医院的方式,并没有考虑到用户自身的位置和医院的位置因素,很多用户查询到合适的医院后,需要再次去查询自身与医院之间的距离,增加了用户的工作量。而一些距离较远的医院,用户不得不放弃,转而重新去搜索选择其他的医院,增加了用户的查询时间成本。最后,用户即使搜索选择到了距离合适的医院,也无法直观的获取到这个医院的类型、电话以及疾病对应科室的医生数量、评价等信息,需要再通过其他方式去查询获取这些信息。这些原因都导致了传统的搜索方式和在线医疗平台推荐方式无法有效地为用户推荐合适的医院,并将医院、科室、评价等信息完整形象的展示给用户参考,增加了用户的搜索难度和时间成本。基于此,本发明提供一种基于位置服务的医疗资源可视化推荐方法。在本方法中,首先解决了医院数据孤岛问题,对现有的医疗资源信息进行了整合并构建了结构化的模型;其次,面对复杂多样的医疗信息和用户需求,综合考虑了医院推荐的主观因素和客观因素,提出了医院推荐的策略;最后,针对文字形式的医疗信息,本方法对医疗数据进行了视觉编码及交互方式设计,以图形化的形式对医疗数据进行展示。
发明内容
本发明的目的在于提供一种高效的、图形化的基于位置服务的医疗资源可视化推荐方法。
本发明提供的基于位置服务的医疗资源可视化推荐方法,具体步骤为:
(1)构建医疗数据整合模型;即综合用户搜索疾病与医院之间的特点和需求关系,建立结构化模型,来表示各种数据及数据之间的关联关系;
(2)制订医院推荐的策略;即面对复杂多样的医疗信息和用户需求,综合考虑医院推荐的主观因素和客观因素,提出医院推荐的策略;
(3)设计交互方案,即针对文字形式的医疗信息,对医疗数据进行视觉编码,由此设计交互方式;
(4)最后根据可视化图形生成规则,以图形方式对医疗数据进行展示。
进一步地:
步骤(1)中,所述构建医疗数据整合模型是基于用户搜索医院时的主观特征和客观特征,将其按照相应的逻辑抽象为医疗数据整合模型,根据该模型的内部逻辑结构可拆分为五个子模型,包括医院模型、科室模型、疾病模型、评论模型和疾病-医院推荐模型。
步骤(2)中,所述考虑影响医院推荐的主观因素和客观因素,其中主观因素是用户希望展示的医院信息,如医院名称、级别、类型、规模、电话等信息,用户对医院治疗效果的评价与评分信息;客观因素是用户的位置信息、所有推荐医院的位置信息等。
步骤(3)中,所述设计交互方案,包括地图模板和位置服务设计、医院数据编码、交互方式设计;其中:
地图模板和位置服务设计,包括对常规的地图模板进行地图展示元素和背景颜色设计,并通过经纬度数据对用户和医院位置实现定位;
医院数据编码引入圆圈、颜色、大小、透明度、词云图等元素分别表示医院、医院的级别、医院和科室的规模、医院的热度、科室评论等信息,将医院的属性信息与用户的视觉通道建立联系;
交互方式设计,通过平移+缩放交互技术、焦点+上下文交互技术、协同多视图交互技术实现地图信息、医院信息、评论信息的可视化协同展示以及用户与系统之间的交互操作。
步骤(4)中,所述可视化图形生成规则包括医院颜色、医院半径、医院透明度、词云颜色、词云大小生成规则。
本发明的有益效果是:
(1)全面的分析和量化用户对疾病诊治推荐医院的需求,构建出的指标更加全面;
(2)提供一种准确性和实用性更高的基于位置服务的医疗资源可视化推荐方法;
(3)帮助用户以最少的时间和最小的精力来直观的获取到疾病诊治的推荐医院信息。
附图说明
图1是搜索疾病后推荐医院的可视化界面。
图2是推荐医院的具体流程图。
具体实施方式
为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚明白,以下结合附图及实施实例,对本发明进行详细的说明。应当说明的是,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
实施例:采用Windows10操作系统的PC机作为终端设备,以Windows平台下的IDEA和VSCode作为开发平台,选取Mysql作为后台数据库,使用Java和JavaScript语言编程,研究开发了面向患者的基于位置服务的医疗资源可视化推荐平台,实现了根据疾病搜索展示推荐医院及医院信息可视化等功能。
如图1所示,用户在搜索框输入疾病名称后,界面会显示多个圆圈,代表推荐的多家医院,并且根据医院的级别显示不同的颜色。根据医院和科室的规模,动态生成圆圈的半径。根据医院的热度,动态生成圆圈的透明度。用户鼠标滑过代表相应医院的圆圈时,会显示出医院的名称、位置、级别、类型、电话、科室医生数量和评论数量的文字信息以及评论内容的词云图信息。
图2是用户搜索疾病名称后,进行医院推荐的具体流程图。首先,根据用户输入的疾病名称,获取用户当前的位置信息,根据返回的经纬度解析出用户当前所在的省市,然后根据用户输入的疾病名称和所在省市去Redis缓存中查询,如果Redis中存在上述信息,则直接将信息返回给数据展示层进行可视化渲染。如果Redis中不存在相关信息,则去用户所在省市的疾病-医院推荐模型中查询出所有的推荐医院,再根据医院名称和疾病名称分别去医院模型、科室模型和评论模型中,查询出每家推荐医院的级别、类型、电话等医院信息、科室医生数量信息和评论信息,最后将这些数据组合返回给数据展示层,根据相应的可视化模块进行数据渲染。
更为具体地,现对医疗数据整合模型、医院推荐因素分析与策略制定、交互设计方案、可视化图形生成规则四个部分进行详细描述:
1.医疗数据整合模型
在设计基于位置服务的医疗资源可视化推荐方法之前,首先需要构建医疗数据整合模型,用于获取相关的医疗资源信息,其包含医院、科室、疾病、评论和疾病-推荐医院共5个实体,同时针对这5类实体,根据其具有的特征,定义了它们的属性以及各个实体之间的关联关系。因此,本发明将医疗信息整合模型(Medical Information Integration Model,MIIM)设计为五元组的形式,该五元组表示如下:
MIIM=<Hospital,Department,Disease,Comment,DiseaseRecHospital>
其中,该五元组中又包含着五个结构化模型,分别为医院模型、科室模型、疾病模型、评论模型和疾病—医院推荐模型。具体的模型结构如下。
(1)医院模型
Hospital=<Information,Position>
医院模型(Hospital)表示了医院主体,包括两部分信息,一部分是医院的基本信息(Information),如医院名称、类型、级别、地址、医生数量、联系电话等信息。另一部分是医院的位置信息(Position),包括医院所在的省、市、区这类比较宽泛的位置信息,以及精确的医院的经度和纬度信息。其中,医院的经纬度信息唯一确定了一家医院所在的位置。
(2)科室模型
Department=<Hospital,DepartmentName,DepartmentIntro,DoctorNum>
科室模型(Department)存储的主要是科室所属的医院、科室名称、科室介绍以及医生数量信息。科室模型实现了医院与科室信息的绑定,一家医院对应多个科室,因此属于一对多的关系。
(3)疾病模型
Disease=<DiseaseName,DiseaseCategory,Department,Symptom,Drug…>
疾病模型(Disease)主要包括疾病的名称,疾病所属的类目、疾病治疗的科室、疾病的症状、服用的药物等信息。通过疾病模型,可以获取到疾病的症状、服用药物、治疗方法等关联信息,并实现了疾病与诊治科室的关系绑定,一种疾病对应一个治疗的科室,属于一对一关系。
(4)评论模型
Comment=<Content,CommentNum,DiseaseName,HospitalName>
评论模型(Comment)中存储的是患者对医院治疗某种疾病的评论数据,主要包括评论内容、评论数量、疾病名称和医院名称。评论模型通过疾病名称字段实现与疾病模型的关系绑定,通过医院名称字段实现与医院模型的关系绑定。其中,评论内容字段包含多条评论数据,即一家医院治疗的一种疾病对应多条评论数据,医院与评论属于一对多关系。
(5)疾病-医院推荐模型
DiseaseRecHospital=<DiseaseName,Department,HospitalName,Score,Ranking>
疾病-医院推荐模型(DiseaseRecHospital)中存储的是根据疾病推荐的医院列表信息,主要包括疾病名称、疾病所属的科室、推荐的医院名称、医院评分和推荐排名。疾病-医院推荐模型分别通过医院名称字段和疾病名称字段实现了与医院模型和疾病模型的关系绑定。其中,一种疾病可以被推荐多家治疗的医院,疾病与推荐医院是一对多关系。
通过医疗信息整合模型中的五个细分模型,可以获取到医院的基本信息与位置信息,科室信息,疾病信息,评论信息以及疾病推荐医院列表信息,并且各个模型之间通过关键字段实现了医疗信息的交互与融合。
2.医院推荐因素分析与策略制定
制定医院推荐策略时,首先需要了解决定医院推荐的因素是什么,以及用户希望从推荐的医院中获得的信息有哪些,这将有助于推荐方法的制定者充分了解用户对推荐医院的预期以及这些因素对推荐医院的影响程度。因此,全面分析用户对推荐医院的需求因素,将其尽可能的量化为具体的用户特征指标,构建成完整的评估体系。
影响医院推荐的因素主要包括两个方面:主观方面和客观方面。
主观方面:用户希望展示的医院信息(名称、级别、类型、电话等),用户对医院治疗效果的评价与评分。
客观方面:用户自身的位置,医院的位置。
因此,针对这些影响推荐医院的因素,对其进行分析。首先,用户输入疾病名称后,获取用户当前的位置信息,根据返回的经纬度解析出用户当前所在的省市,然后去用户所在省市的疾病-医院推荐模型中根据用户的评分查询出所有的高分推荐医院,再根据医院名称和疾病名称分别去医院模型、科室模型和评论模型中,查询出每家推荐医院的级别、类型、电话等医院信息、科室医生数量信息和评论信息,最后将这些数据组合返回给数据展示层,根据相应的可视化规则进行数据渲染。
3.交互方案设计
基于用户参与式设计理论,我们在实现基于位置服务的医疗资源可视化推荐方法前,首先对用户使用互联网和在线医疗平台搜索医院的需求进行了调研,并结合之前对比性研究的一些发现,提出如下的可视化交互设计方案。
(1)地图模板与位置服务设计。首先去除地图上各类道路标记、商业场所等无关元素,只保留省市区文字名称和医疗设施这类关键元素,屏蔽无关元素信息对用户的视觉干扰。然后将地图背景颜色设置为暗黑色,将医院元素设计为亮色,由此可以形成反差,使用户更容易关注并获取到推荐医院信息。最后利用Geolocation定位用户自身位置,同时根据预处理好并存入数据库的医院经纬度数据定位推荐医院的位置,用户搜索疾病后可以直观的看到推荐医院与自己当前位置的距离。
(2)医院数据视觉编码。医院数据视觉编码需要将已有的医院数据的各个属性与用户的视觉通道建立联系,根据医院数据的属性差异,为其设计不同的视觉通道。首先使用圆圈表示医院,同时针对用户关注的医院级别、规模、专业度和热度等属性,进行视觉编码。医院的级别按《医院分级管理标准》规定共分为三级,加上私立医院,只包含四种取值,因此将医院的级别编码对应到定性的视觉通道,用颜色表示级别。医院的规模和专业度无法直接通过数字进行表示,但可以利用医院科室数量和疾病治疗科室的医生数量进行量化,这两个数据与医院的规模和专业度成正比。由于各个医院的级别和专攻领域的不同,不同的医院的科室数量和科室的医生数量差距及取值范围差异较大,因此将这两个变量对应到定量的视觉通道,使用圆圈的半径大小来表示医院的规模和专业度。医院的热度,一般来说,与医院的评论数量成正比,因此可以用评论数量来量化医院的热度。不同医院的评论数量,取值范围差距较大,因此将医院的热度对应到定量的视觉通道,使用圆圈的透明度表示医院的热度。具体的设计与生成规则见第4节。
(3)交互方式设计。首先采用了平移(Panning)交互技术,用户可以鼠标单击并长按地图图层,移动地图图层到界面的任意位置。然后利用缩放(Zooming)交互技术放大地图看到推荐的一个或几个医院,或缩小地图看到所有的推荐医院。当用户鼠标滑过代表相应医院的圆圈时,通过上下文+焦点(Context+Focus)交互技术,会显示出医院的名称、位置、级别、类型、电话、科室医生数量和评论数量的文字信息以及评论内容的词云图信息,同时保留了焦点医院周围的上下文信息。利用协同多视图交互技术,将医院视图和评论词云视图叠加在地图视图之上,实现了地图视图、医院视图和评论视图的协同展示。
4.可视化图形生成
医疗资源可视化交互模型主要分为医院可视化模型和评论可视化模型两个部分。其中,医院可视化模型主要展示的元素有:颜色、半径和透明度三个方面。
(1)医院颜色规则
根据已有的医院模型,可以获取到医院的等级信息,医院的等级划分为三级,每级又分为甲、乙、丙三等,此外,还有私立民营医院。根据用户对颜色的感知程度,亮色系的颜色能与第3节设计的暗黑色的地图背景颜色形成鲜明对比,更能吸引用户的关注。因此,使用红色表示三级医院,黄色表示二级医院,绿色表示一级医院,蓝色表示私立民营医院。
(2)医院半径规则
基于创建的科室模型,可以获取到推荐医院的疾病关联科室的医生数量,代表了与疾病相关的科室的专业程度,表示为specialityRank,所有推荐医院的科室医生数量区间为[a,b]。同时,通过医院模型,可以获取到推荐医院的科室数量,代表了医院的整体规模,表示为scaleRank,所有推荐医院的科室数量区间为[c,d]。设渲染的医院图形的半径为radius,专业度半径系数为α,规模半径系数为β,则:
由上述半径公式可知,医院半径与specialityRank成正比,即specialityRank越大,科室规模越大,半径越大;半径与scaleRank成正比,即scaleRank越大,医院规模越大,半径越大。
(3)医院透明度规则
使用透明度表示医院的热度,根据评论模型,可以获取到医院的评论数量,医院的评论数量与医院的热度成正相关,表示为comment,所有推荐医院的评论数量区间为[m,n]。设渲染的医院图形的透明度为opacity,其透明度区间为(0,1]。因此,需要将评论数量归一化到(0,1]。透明度计算公式如下:
其中,γ表示评论系数,γ∈(0,1]。
评论可视化模型,首先需要将所有评论数据利用TF_IDF等分词算法,提取关键词keyWord并计算词频wordFreq,得到关键词与词频的json数据对[{‘name’:keyWord,’value’:wordFreq}],然后根据所有的关键词与词频的键值对列表,去渲染构建词云图。而构建的词云图中,有两个关键可视化元素,词云的颜色color以及词云的大小size。
(4)词云颜色规则
针对词云的颜色,本发明采用的方案是随机生成词云颜色,从而减少了用户视觉上的疲劳度。词云颜色计算规则如下:
(5)词云大小规则
根据词云的关键词与词频的数据对列表,可以得到一家医院诊治某种疾病的评论关键字和词频数据,设当前关键字词频为f,关键字列表中最高词频为mf。同时设置词云最大长度为maxSize,最小长度为minSize,则当前关键字的词云大小计算公式为:
由上述公式可知,词云大小size与词频f成正比,词频越高,词云越大,且词云大小size∈[minSize,maxSize]。
Claims (5)
1.一种基于位置服务的医疗资源可视化推荐方法,其特征在于,具体步骤为:
(1)构建医疗数据整合模型;即综合用户搜索疾病与医院之间的特点和需求关系,建立结构化模型,来表示各种数据及数据之间的关联关系;
(2)制订医院推荐的策略;即面对复杂多样的医疗信息和用户需求,综合考虑医院推荐的主观因素和客观因素,提出医院推荐的策略;
(3)设计交互方案,即针对文字形式的医疗信息,对医疗数据进行视觉编码,由此设计交互方式;
(4)最后根据可视化图形生成规则,以图形方式对医疗数据进行展示。
2.根据权利要求1所述的基于位置服务的医疗资源可视化推荐方法,其特征在于,步骤(1)中所述构建医疗数据整合模型是基于用户搜索医院时的主观特征和客观特征,将其按照相应的逻辑抽象为医疗数据整合模型,根据该模型的内部逻辑结构可拆分为五个子模型,包括医院模型、科室模型、疾病模型、评论模型和疾病-医院推荐模型。
3.根据权利要求2所述的基于位置服务的医疗资源可视化推荐方法,其特征在于,步骤(2)中所述考虑影响医院推荐的主观因素和客观因素,其中主观因素是用户希望展示的医院信息,包括医院名称、级别、类型、规模、电话信息,用户对医院治疗效果的评价与评分信息;客观因素是用户的位置信息、所有推荐医院的位置信息。
4.根据权利要求3所述的基于位置服务的医疗资源可视化推荐方法,步骤(3)中所述设计交互方案,包括地图模板和位置服务设计、医院数据编码、交互方式设计;其中:
地图模板和位置服务设计,包括对常规的地图模板进行地图展示元素和背景颜色设计,并通过经纬度数据对用户和医院位置实现定位;
医院数据编码引入圆圈、颜色、大小、透明度、词云图元素分别表示医院、医院的级别、医院和科室的规模、医院的热度、科室评论信息,将医院的属性信息与用户的视觉通道建立联系;
交互方式设计,通过平移+缩放交互技术、焦点+上下文交互技术、协同多视图交互技术实现地图信息、医院信息、评论信息的可视化协同展示以及用户与系统之间的交互操作。
5.根据权利要求4所述的基于位置服务的医疗资源可视化推荐方法,步骤(4)中所述可视化图形生成规则包括医院颜色、医院半径、医院透明度、词云颜色、词云大小生成规则。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110586654.7A CN113284590A (zh) | 2021-05-27 | 2021-05-27 | 一种基于位置服务的医疗资源可视化推荐方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110586654.7A CN113284590A (zh) | 2021-05-27 | 2021-05-27 | 一种基于位置服务的医疗资源可视化推荐方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113284590A true CN113284590A (zh) | 2021-08-20 |
Family
ID=77282224
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110586654.7A Pending CN113284590A (zh) | 2021-05-27 | 2021-05-27 | 一种基于位置服务的医疗资源可视化推荐方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113284590A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105069036A (zh) * | 2015-07-22 | 2015-11-18 | 百度在线网络技术(北京)有限公司 | 一种信息推荐方法及装置 |
CN105868564A (zh) * | 2016-04-05 | 2016-08-17 | 苏州联康网络有限公司 | 疾病的就诊医院推荐系统 |
CN109522490A (zh) * | 2018-09-18 | 2019-03-26 | 武汉大学 | 一种互联网信息的地图可视化方法 |
CN110516161A (zh) * | 2019-08-30 | 2019-11-29 | 深圳前海微众银行股份有限公司 | 一种推荐方法及装置 |
CN112562836A (zh) * | 2020-12-18 | 2021-03-26 | 深圳赛安特技术服务有限公司 | 医生推荐方法、装置、电子设备及存储介质 |
-
2021
- 2021-05-27 CN CN202110586654.7A patent/CN113284590A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105069036A (zh) * | 2015-07-22 | 2015-11-18 | 百度在线网络技术(北京)有限公司 | 一种信息推荐方法及装置 |
CN105868564A (zh) * | 2016-04-05 | 2016-08-17 | 苏州联康网络有限公司 | 疾病的就诊医院推荐系统 |
CN109522490A (zh) * | 2018-09-18 | 2019-03-26 | 武汉大学 | 一种互联网信息的地图可视化方法 |
CN110516161A (zh) * | 2019-08-30 | 2019-11-29 | 深圳前海微众银行股份有限公司 | 一种推荐方法及装置 |
CN112562836A (zh) * | 2020-12-18 | 2021-03-26 | 深圳赛安特技术服务有限公司 | 医生推荐方法、装置、电子设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
陈惠芳 等: ""面向大众的宁波市医疗地理信息系统框架研究"", 《硅谷》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11799976B2 (en) | Needs-matching navigator system | |
Singh et al. | Tourism and disability: A bibliometric review | |
CN106909680A (zh) | 一种基于知识组织语义关系的科技专家信息聚合方法 | |
US20150220535A1 (en) | System and method for presentation and visual navigation of network data sets | |
Murad | Creating a GIS application for health services at Jeddah city | |
Santos et al. | Measuring organisational performance using a mix of OR methods | |
Major et al. | Graphicle: Exploring units, networks, and context in a blended visualization approach | |
Shi et al. | Service quality assessment of travel agency O2O model based on improved evidence theory | |
de Araújo et al. | Understanding interface recoloring aspects by colorblind people: a user study | |
Siciliani et al. | AI-based decision support system for public procurement | |
Ye et al. | q-Rung orthopair fuzzy TOPSIS method and the application to information service quality evaluation in online health community | |
Wu et al. | Residential self-selection in the greenness-wellbeing connection: a family composition perspective | |
Li et al. | MDIVis: Visual analytics of multiple destination images on tourism user generated content | |
Cassitas Hino et al. | Female lens in urban mobility: technology-use behavior and individual differences | |
CN113284590A (zh) | 一种基于位置服务的医疗资源可视化推荐方法 | |
Guo et al. | Has smart city transition elevated the provision of healthcare services? Evidence from China's Smart City Pilot Policy | |
Börner et al. | Science map metaphors: a comparison of network versus hexmap-based visualizations | |
Cepero et al. | Visualization Technologies to Support Decision-Making in City Management | |
Xu et al. | Quantitative evaluation of policies for combining medical and Nursing Care based on the LDA–PMC Model: A comparative analysis of typical Chinese provinces | |
Lv et al. | Prevalence and influencing factors of medical dissatisfaction experiences in Chinese hospitals: a cross-sectional study | |
Acibar et al. | Data analysis with visualization for a geographic information system of schistosomiasis community health data | |
Palácios et al. | A Bibliometric Analysis of Service Climate as a Sustainable Competitive Advantage in Hospitality. Sustainability 2021, 13, 12214 | |
Cheng et al. | Evaluation of the government urban and rural information based on Choquet integral | |
Fan et al. | Advancements and prospects of landsenses ecology research based on bibliometric analysis | |
Monson et al. | Bibliometric analysis of the 3-year trends (2018–2021) in literature on artificial intelligence in ophthalmology and vision sciences |
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 |