CN113314195B - 一种针对慢病的阶段性动态用药匹配系统 - Google Patents

一种针对慢病的阶段性动态用药匹配系统 Download PDF

Info

Publication number
CN113314195B
CN113314195B CN202110589875.XA CN202110589875A CN113314195B CN 113314195 B CN113314195 B CN 113314195B CN 202110589875 A CN202110589875 A CN 202110589875A CN 113314195 B CN113314195 B CN 113314195B
Authority
CN
China
Prior art keywords
patient
medication
drug
graph
relation
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.)
Active
Application number
CN202110589875.XA
Other languages
English (en)
Other versions
CN113314195A (zh
Inventor
李建欣
张帅
周号益
朱琪山
杨继远
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.)
Beihang University
Original Assignee
Beihang University
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 Beihang University filed Critical Beihang University
Priority to CN202110589875.XA priority Critical patent/CN113314195B/zh
Publication of CN113314195A publication Critical patent/CN113314195A/zh
Application granted granted Critical
Publication of CN113314195B publication Critical patent/CN113314195B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/10—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to patients
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • 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
    • G06N3/08—Learning methods
    • 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
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • 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)
  • General Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Theoretical Computer Science (AREA)
  • Primary Health Care (AREA)
  • Biomedical Technology (AREA)
  • Epidemiology (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Medicinal Chemistry (AREA)
  • General Engineering & Computer Science (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Chemical & Material Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Toxicology (AREA)
  • Pharmacology & Pharmacy (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Medical Treatment And Welfare Office Work (AREA)
  • Medical Preparation Storing Or Oral Administration Devices (AREA)

Abstract

本发明通过信息技术领域的方法，实现了一种针对慢病的阶段性动态用药匹配系统。系统整体结构分为三部分：患者指标编码单元、患者指标编码与药物关系图融合单元、计算输出单元，并采用神经网络方法进行训练后实现；患者指标编码单元应用自注意力机制将其形成患者指标编码，接着利用图卷积神经网络方法将电子健康记录图、药物间相互作用图、药物间序列关系图进行预处理得到药物关系图，结合上两部分的输出结果，将患者指标编码与药物关系图进行融合，将生成结果与患者当前的用药输出至所述计算输出单元运算后，得到最终的当前用药对患者状态的匹配程度。本发明结合病人的编码、历史用药信息以及药物的相关性图，最终形成指标对应下的用药匹配系统。

Description

一种针对慢病的阶段性动态用药匹配系统
技术领域
本发明涉及信息技术领域，尤其涉及一种针对慢病的阶段性动态用药匹配系统。
背景技术
慢性病是对通过长期积累形成且治疗周期长的疾病的总称。据一项统计调查显示，在我国，因慢性病死亡的人数占总死亡人数的80％以上，慢性病防控形势严峻复杂。慢性病的治疗需要根据病人的基本体征、药物间的相互作用等信息，此外，慢性病患者通常有治疗周期长，病情随时间变化的特点，因此医生需要根据病人的病情变化长期来动态调整用药方案。近年来，随着人工智能技术的不断发展，越来越多的为医生提供用药辅助的决策系统应运而生。对于医院及医生而言，用药辅助系统能够充分利用病人的电子病历，结合病人的就诊记录和各项化验指标，学习医生历史的用药策略，进而帮助医生检查用药的合规性、安全性和策略性是否符合历史的经验，规避用药冲突或新型用药组合导致的风险，并能随时跟踪患者长期的病情变化；对于患者而言，能够根据患者状态变化判断当前的用药是否适合，及时调整用药；对于国家而言，能够一定程度减少地域间医疗水平差距，促进国家医疗水平整体的提升。然而，当前很多用药系统仍存在一些局限性：
1.缺乏针对患者状态的动态调整机制，无法根据病人的动态指标等信息进行阶段性用药选择。例如，只根据当前病症数据以及化验信息通过机器学习模型进行用药选择，缺少对病人历史数据的建模，不适用于慢性病长期用药的场景。
2.缺乏关于药物间相互作用对病人治疗效果及安全性的考虑。多数用药决策系统只关注了从输入病人的相关数据到输出用药建议列表的这一过程，而没有关注药物间相互作用的影响。部分药物同时使用可能会降低疗效，甚至可能产生冲突，对病人健康造成不良影响。
3.缺乏对慢性病患者的长期状态跟踪，目前很多的用药辅助系统只关注患者短期内或者当前的状态，而慢性病患者的治疗周期长，病情随着时间发生变化，当前的患者治疗方案会依赖于患者的历史状态与治疗情况，因此对于用药决策系统需要对慢性病患者长期的病情变化来提供治疗决策。
神经网络常微分方程(Neural ODE)通过将含有隐藏状态的神经网络的训练问题转化为常微分方程的求解问题，实现了对诸如时间序列等的动态信息的编码。使用神经网络常微分方程可以实现对病人的动态信息进行表征，从而实现针对慢性病治疗的阶段性动态用药决策系统。
注意力机制(Attention Mechanism)是一种表征学习的方法，其通过对输入序列的不同部分赋予不同的注意力权重，从输入中提取重要信息，实现对输入的编码。通过注意力机制，我们对病人的信息进行表征，由此进行计算患者用药是否匹配患者当前的状态，提高模型的可迁移性和可扩展性。
如上所述，为了医生就行用药，改善患者的就医体验，并克服目前用药系统的一些局限性，我们提出一种针对慢病治疗的阶段性用药匹配系统。
发明内容
为此，本发明首先提出一种针对慢病的阶段性动态用药匹配系统，系统用于学习医生历史的用药策略，进而帮助医生检查用药的合规性、安全性和策略性是否符合历史的经验，规避用药冲突或新型用药组合导致的风险。本发明所述
系统整体结构分为三部分：患者指标与用药历史编码单元、患者指标编码与药物关系图融合单元、计算输出单元，并采用神经网络方法进行训练后实现；所述患者指标与用药历史编码单元接收患者的静态指标、动态指标和历史用药记录，应用自注意力机制将其形成患者指标编码输入所述患者指标编码与药物关系图融合单元经过计算后输出根据医生历史用药计算出的用药组合，所述患者指标编码与药物关系图融合单元包括药物关系图处理和患者指标融合两个子模块，利用图卷积神经网络方法将无向的电子健康记录图
Figure BDA0003088962430000021
无向的药物间相互作用图
Figure BDA0003088962430000022
和有向的药物间序列关系图
Figure BDA0003088962430000023
进行预先计算，应用于药物关系处理，节点集合
Figure BDA0003088962430000024
εe,εd,εs均为由已知关系构造的边集合；
所述计算输出单元接收医生实际处方，并将所述患者指标编码与药物关系图融合单元的输出结果与患者当前用药进行运算后，得到根据医生历史用药经验而得出的最佳安全用药组合，进而与医生实际处方进行匹配计算出匹配程度。
所述应用自注意力机制将其形成患者指标编码的具体方法为：所述静态指标定义为：
Figure BDA0003088962430000031
Figure BDA0003088962430000032
为静态指标编码的集合的大小，动态指标定义为
Figure BDA0003088962430000033
Figure BDA0003088962430000034
Figure BDA0003088962430000035
为动态指标编码的集合的大小，用药历史定义为
Figure BDA0003088962430000036
Figure BDA0003088962430000037
为患者用药的集合的大小，首先分别通过一个编码网络进行编码，记使用的编码网络的权重矩阵分别为
Figure BDA0003088962430000038
则编码后的结果分别为Ed,
Figure BDA0003088962430000039
然后，对于动态指标，使用Neural ODE模型进行编码，得到
Figure BDA00030889624300000310
对于患者用药历史，使用自注意力机制进行编码，得到
Figure BDA00030889624300000311
接下来，对Ed和Es进行拼接,对其应用注意力机制：
Figure BDA00030889624300000312
dk＝dim([Ed,Es])＝2d，将其结果记为Ep，则Ep即为患者指标编码。
所述预处理方法为：电子健康记录图、药物间相互作用图、药物间序列关系图的邻接矩阵分别定义为
Figure BDA00030889624300000313
对于Ae，首先构造一个二部图，药物在一侧，药物的组合在另一侧，如果某项药物存在于药物组合中，那么从该药物对应的节点到药物组合对应的节点存在一条边，记该二部图的邻接矩阵为
Figure BDA00030889624300000314
l为该二部图中药物组合的数量，则有
Figure BDA00030889624300000315
对于Ad，只考虑两两药物间的关系，定义第i种药物和第j种药物存在相互作用，则令Ad[i,j]＝1，As为有向图的邻接矩阵，表示药物之间的顺序关系，通过学习药物之间的序列关系来解决用药的动态策略问题，
在得到三个关系矩阵后，需要对起进行对称归一化操作，以满足拉普拉斯矩阵的条件，经过处理后的矩阵再经过两层的图卷积网络处理，最后将其加权求和，即得到药物关系图处理模块的输出值Eg。
所述患者指标编码与药物关系图融合的实现方式为：输入所述患者指标编码Ep并结合药物关系处理的输出值。
Figure BDA00030889624300000316
其中，
Figure BDA0003088962430000041
记
Figure BDA0003088962430000042
为
Figure BDA0003088962430000043
为一次查询使用的患者记录编码Ep与药物关系图的相似度，并以此相似度对各项加权，得到
Figure BDA0003088962430000044
所述计算输出单元的所述运算过程为：
结合所述患者指标编码与药物关系图单元的输出值
Figure BDA0003088962430000045
以及患者当前的用药cm进行计算，患者用药的匹配程度
Figure BDA0003088962430000046
训练过程中采用使用损失函数
Figure BDA0003088962430000047
Figure BDA0003088962430000048
是患者当前用药与模型输出的最优用药之间的交叉熵损失函数，
Figure BDA0003088962430000049
是模型输出的最优用药之间的多重边际损失，为权重系数，并满足1≥λ≥0。
本发明所要实现的技术效果在于：
与传统的用药系统的相比，慢病阶段性动态用药匹配的方法具有以下优势：
1.通过结合病人的编码、历史用药信息以及药物的相关性图，为医生提供阶段性动态用药参考。
2.通过系统学习药物之间的相关性，构建药物的相关性图，并利用药物相关性图选择最佳组合，并避免药物冲突；
3.使用神经网络常微分方程对病人的动态指标进行编码，能够获取病人一段时间内各项指标的变化情况的提取；
4.通过使用注意力机制对病人的静态指标和动态指标编码进行整合，实现对慢性病病人阶段性病情的表征，通过表征学习的方法提高用药系统的可迁移性和可扩展性；
附图说明
图1模型模块关系示意图；
图2患者指标编码过程图；
图3患者指标编码与药物关系图融合过程图；
图4模型整体框架图；
具体实施方式
以下是本发明的优选实施例并结合附图，对本发明的技术方案作进一步的描述，但本发明并不限于此实施例。
本发明提出了一种针对慢病的阶段性动态用药匹配系统，系统整体结构分为三部分，分别为患者指标与用药历史编码单元、患者状态编码与药物关系图融合单元、计算输出单元，如图1所示。
(1)患者指标的编码
本发明的问题设定中，患者指标分为静态指标和动态指标。
对于静态指标cd和动态指标
Figure BDA0003088962430000051
以及患者的历史用药
Figure BDA0003088962430000052
首先分别通过一个编码网络进行编码。记使用的编码网络的权重矩阵分别为
Figure BDA0003088962430000053
Figure BDA0003088962430000054
则编码后的结果分别为Ed,
Figure BDA0003088962430000055
Figure BDA0003088962430000056
则编码后的结果分别为Ed,
Figure BDA0003088962430000057
然后，对于动态指标，使用Neural ODE模型进行编码，得到：
Figure BDA0003088962430000058
对于患者用药历史，使用自注意力机制进行编码，得到：
Figure BDA0003088962430000059
接下来，对Ed和Es进行拼接,对其应用注意力机制：
Figure BDA00030889624300000510
dk＝dim([Ed,Es])＝2d，将其结果记为Ep，则Ep即为患者指标编码。患者指标编码过程如图2所示。
(2)患者指标编码与药物关系图的融合
该部分包括两个子模块，分别为药物关系图处理和患者指标编码融合两个模块。其中，药物关系图处理通过图卷积网络来处理得到的三个药物关系图的表征。设处理后药物关系图为Eg。首先对三个药物关系图的邻接矩阵Ae,Ad,As按照图卷积网络的要求进行预处理，即对其进行对称归一化操作，以满足拉普拉斯矩阵的条件，经过处理后的矩阵再经过两层的图卷积网络处理，最后将其加权求和，即得到记忆存储输出值Eg。
患者指标编码融合模块使用注意力机制方式来将患者指标编码与药物关系图进行融合，输入所述患者指标编码Ep并结合药物关系处理的输出值。
Figure BDA00030889624300000511
其中，
Figure BDA0003088962430000061
记
Figure BDA0003088962430000062
为
Figure BDA0003088962430000063
为一次查询使用的患者记录编码Ep与药物关系图的相似度，并以此相似度对各项加权，得到
Figure BDA0003088962430000064
如图3所示。
(3)输出用药匹配程度
结合所述患者指标编码与药物关系图单元的输出值以及患者当前的用药cm进行计算，医生实际处方与医生历史用药经验而得出的最佳安全用药组合的匹配程度
Figure BDA0003088962430000065
模型的整体框架如图4所示。
(4)模型的训练
首先，可以将用药匹配问题视作多标签预测问题。在多标签预测问题中常使用的两类损失函数(loss function)为二值交叉熵损失(binary cross entropy loss)和多标签边缘损失(multi-label margin loss)，分别定义为
Figure BDA0003088962430000066
Figure BDA0003088962430000067
所述训练过程最终采用的损失函数是上述两种损失函数的加权：
Figure BDA0003088962430000068
其中λ为权重系数，并满足1≥λ≥0。
Figure BDA0003088962430000069
表示第i个患者记录中t时刻的观测值，
Figure BDA00030889624300000610
表示t时刻预测的标签集合
Figure BDA00030889624300000611
中第j个预测的标签。

Claims (4)

1.一种针对慢病的阶段性动态用药匹配系统，其特征在于：系统整体结构分为三部分：患者指标与用药历史编码单元、患者指标编码与药物关系图融合单元、计算输出单元，并采用神经网络方法进行训练后实现；所述患者指标与用药历史编码单元接收患者的静态指标、动态指标和历史用药记录，应用自注意力机制将其形成患者指标编码输入所述患者指标编码与药物关系图融合单元经过计算后输出根据医生历史用药计算出的用药组合，所述患者指标编码与药物关系图融合单元包括药物关系图处理和患者指标融合两个子模块，利用图卷积神经网络方法将无向的电子健康记录图
Figure FDA0003567964250000011
无向的药物间相互作用图
Figure FDA0003567964250000012
Figure FDA0003567964250000013
和有向的药物间序列关系图
Figure FDA0003567964250000014
进行预先计算，应用于药物关系处理，节点集合
Figure FDA0003567964250000015
εe,εd,εs均为由已知关系构造的边集合；
所述计算输出单元接收医生实际处方，并将所述患者指标编码与药物关系图融合单元的输出结果与患者当前用药进行运算后，得到根据医生历史用药经验而得出的最佳安全用药组合，进而与医生实际处方进行匹配计算出匹配程度；所述应用自注意力机制将其形成患者指标编码的具体方法为：所述静态指标定义为：
Figure FDA0003567964250000016
Figure FDA0003567964250000017
为静态指标编码的集合的大小，动态指标定义为
Figure FDA0003567964250000018
Figure FDA0003567964250000019
为动态指标编码的集合的大小，用药历史定义为
Figure FDA00035679642500000110
Figure FDA00035679642500000111
为患者用药的集合的大小，首先分别通过一个编码网络进行编码，记使用的编码网络的权重矩阵分别为
Figure FDA00035679642500000112
则编码后的结果分别为Ed,
Figure FDA00035679642500000113
然后，对于动态指标，使用Neural ODE模型进行编码，得到
Figure FDA00035679642500000114
对于患者用药历史，使用自注意力机制进行编码，得到
Figure FDA00035679642500000115
接下来，对Ed和Es进行拼接,对其应用注意力机制：
Figure FDA00035679642500000116
dk＝dim([Ed,Es])＝2d，将其结果记为Ep，则Ep即为患者指标编码；
所述训练过程采用使用损失函数
Figure FDA0003567964250000021
Figure FDA0003567964250000022
是患者当前用药与模型输出的最优用药之间的交叉熵损失函数，
Figure FDA0003567964250000023
是模型输出的最优用药之间的多重边际损失，
分别定义为
Figure FDA0003567964250000024
Figure FDA0003567964250000025
λ为权重系数，并满足1≥λ≥0。
2.如权利要求1所述的一种针对慢病的阶段性动态用药匹配系统，其特征在于：所述预处理方法为：电子健康记录图、药物间相互作用图、药物间序列关系图的邻接矩阵分别定义为Ae,Ad,
Figure FDA0003567964250000026
对于Ae，首先构造一个二部图，药物在一侧，药物的组合在另一侧，如果某项药物存在于药物组合中，那么从该药物对应的节点到药物组合对应的节点存在一条边，记该二部图的邻接矩阵为
Figure FDA0003567964250000027
l为该二部图中药物组合的数量，则有
Figure FDA0003567964250000028
对于Ad，只考虑两两药物间的关系，定义第i种药物和第j种药物存在相互作用，则令Ad[i,j]＝1，As为有向图的邻接矩阵，表示药物之间的顺序关系，通过学习药物之间的序列关系来解决用药的动态策略问题，
在得到三个关系矩阵后，需要对起进行对称归一化操作，以满足拉普拉斯矩阵的条件，经过处理后的矩阵再经过两层的图卷积网络处理，最后将其加权求和，即得到药物关系图处理模块的输出值Eg。
3.如权利要求2所述的一种针对慢病的阶段性动态用药匹配系统，其特征在于：所述的患者指标编码与药物关系融合实现方式为：输入所述患者指标编码Ep并结合药物关系处理的输出值
Figure FDA0003567964250000029
其中，
Figure FDA00035679642500000210
记
Figure FDA00035679642500000211
为
Figure FDA00035679642500000212
为一次查询使用的患者记录编码Ep与药物关系图的相似度，并以此相似度对各项加权，得到
Figure FDA00035679642500000213
4.如权利要求3所述的一种针对慢病的阶段性动态用药匹配系统，其特征在于：所述计算输出单元的所述运算过程为：结合所述患者指标编码与药物关系图单元的输出值以及患者当前的用药cm进行计算，患者用药的匹配程度
Figure FDA0003567964250000031
Figure FDA0003567964250000032
CN202110589875.XA 2021-05-28 2021-05-28 一种针对慢病的阶段性动态用药匹配系统 Active CN113314195B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110589875.XA CN113314195B (zh) 2021-05-28 2021-05-28 一种针对慢病的阶段性动态用药匹配系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110589875.XA CN113314195B (zh) 2021-05-28 2021-05-28 一种针对慢病的阶段性动态用药匹配系统

Publications (2)

Publication Number Publication Date
CN113314195A CN113314195A (zh) 2021-08-27
CN113314195B true CN113314195B (zh) 2022-05-17

Family

ID=77375995

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110589875.XA Active CN113314195B (zh) 2021-05-28 2021-05-28 一种针对慢病的阶段性动态用药匹配系统

Country Status (1)

Country Link
CN (1) CN113314195B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116013495A (zh) * 2022-12-08 2023-04-25 广州视声健康科技有限公司 一种基于智慧病房的数据监控方法和装置

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11645358B2 (en) * 2019-01-29 2023-05-09 Hewlett Packard Enterprise Development Lp Generation of executable files corresponding to neural network models
CN111192693B (zh) * 2019-12-19 2021-07-27 山东大学 一种基于药物组合进行诊断编码纠正的方法及系统
CN111798954A (zh) * 2020-06-11 2020-10-20 西北工业大学 基于时间注意力机制和图卷积网络的药物组合推荐方法
CN111968715B (zh) * 2020-06-30 2022-11-01 厦门大学 一种基于病历数据和药物相互作用风险的药物推荐建模方法

Also Published As

Publication number Publication date
CN113314195A (zh) 2021-08-27

Similar Documents

Publication Publication Date Title
Kannadasan et al. Type 2 diabetes data classification using stacked autoencoders in deep neural networks
Singh et al. An intelligent hybrid approach for hepatitis disease diagnosis: Combining enhanced k‐means clustering and improved ensemble learning
Whig et al. A novel method for diabetes classification and prediction with Pycaret
CN111798954A (zh) 基于时间注意力机制和图卷积网络的药物组合推荐方法
Cai et al. Evaluation of the Cincinnati veterans affairs medical center hospital‐in‐home program
Wang et al. Personalized prescription for comorbidity
Ho et al. The dependence of machine learning on electronic medical record quality
CN113674858A (zh) 在线医疗处方用药智能检查方法、装置、设备及存储介质
CN113314195B (zh) 一种针对慢病的阶段性动态用药匹配系统
CN114783571A (zh) 基于深度强化学习的中医动态诊疗方案优化方法及系统
Payrovnaziri et al. Enhancing prediction models for one-year mortality in patients with acute myocardial infarction and post myocardial infarction syndrome
CN114783603A (zh) 基于多源图神经网络融合的患病风险预测方法及系统
Ursino et al. Development of a Bayesian estimator for audio-visual integration: a neurocomputational study
Maheshwari et al. A comprehensive evaluation for the prediction of mortality in intensive care units with LSTM networks: patients with cardiovascular disease
Guo et al. Learning dynamic treatment strategies for coronary heart diseases by artificial intelligence: real-world data-driven study
Assaf et al. 30-day hospital readmission prediction using MIMIC data
Wang et al. Deep learning models to predict pediatric asthma emergency department visits
Guerrero et al. Use of neural networks for dosage individualisation of erythropoietin in patients with secondary anemia to chronic renal failure
Muthukumar et al. RETRACTED ARTICLE: KYP modeling architecture for cardiovascular diseases and treatments in healthcare institutions
CN113657086A (zh) 词语处理方法、装置、设备及存储介质
CN116110533B (zh) 基于事件图谱的药物种类和用量推荐系统及方法
CN115565636A (zh) 一种药物推荐模型构建方法、装置、设备及可读存储介质
CN114649077A (zh) 一种基于知识增强和预训练的慢性病用药推荐方法
Liu et al. Using artificial neural network condensation to facilitate adaptation of machine learning in medical settings by reducing computational burden: model design and evaluation study
Li et al. Knowledge‐aware representation learning for diagnosis prediction

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
GR01 Patent grant
GR01 Patent grant