CN113539485B - 医疗数据处理方法及装置 - Google Patents
医疗数据处理方法及装置 Download PDFInfo
- Publication number
- CN113539485B CN113539485B CN202111028288.XA CN202111028288A CN113539485B CN 113539485 B CN113539485 B CN 113539485B CN 202111028288 A CN202111028288 A CN 202111028288A CN 113539485 B CN113539485 B CN 113539485B
- Authority
- CN
- China
- Prior art keywords
- medical
- information
- data
- doctor
- detection result
- 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
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 16
- 230000003993 interaction Effects 0.000 claims abstract description 88
- 238000013439 planning Methods 0.000 claims abstract description 75
- 238000004891 communication Methods 0.000 claims abstract description 56
- 238000012545 processing Methods 0.000 claims abstract description 51
- 238000001514 detection method Methods 0.000 claims description 104
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 85
- 238000000034 method Methods 0.000 claims description 61
- 201000010099 disease Diseases 0.000 claims description 53
- 230000008569 process Effects 0.000 claims description 33
- 238000012549 training Methods 0.000 claims description 31
- 238000013058 risk prediction model Methods 0.000 claims description 25
- 238000003745 diagnosis Methods 0.000 claims description 24
- 238000007637 random forest analysis Methods 0.000 claims description 21
- 238000013139 quantization Methods 0.000 claims description 19
- 238000005516 engineering process Methods 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 15
- 230000004044 response Effects 0.000 claims description 10
- 238000003058 natural language processing Methods 0.000 claims description 9
- 230000001960 triggered effect Effects 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 11
- 208000035475 disorder Diseases 0.000 description 24
- 239000013598 vector Substances 0.000 description 9
- 238000012795 verification Methods 0.000 description 8
- 210000004369 blood Anatomy 0.000 description 6
- 239000008280 blood Substances 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 238000012423 maintenance Methods 0.000 description 5
- 208000024891 symptom Diseases 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 238000013500 data storage Methods 0.000 description 4
- 102000004190 Enzymes Human genes 0.000 description 3
- 108090000790 Enzymes Proteins 0.000 description 3
- 230000002902 bimodal effect Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 238000003066 decision tree Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 208000019622 heart disease Diseases 0.000 description 3
- 230000002107 myocardial effect Effects 0.000 description 3
- 230000000399 orthopedic effect Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000002604 ultrasonography Methods 0.000 description 3
- 208000002193 Pain Diseases 0.000 description 2
- 230000036772 blood pressure Effects 0.000 description 2
- 230000000295 complement effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000001356 surgical procedure Methods 0.000 description 2
- 238000012384 transportation and delivery Methods 0.000 description 2
- 206010008479 Chest Pain Diseases 0.000 description 1
- 206010020772 Hypertension Diseases 0.000 description 1
- 206010037660 Pyrexia Diseases 0.000 description 1
- 206010043276 Teratoma Diseases 0.000 description 1
- LEHOTFFKMJEONL-UHFFFAOYSA-N Uric Acid Chemical compound N1C(=O)NC(=O)C2=C1NC(=O)N2 LEHOTFFKMJEONL-UHFFFAOYSA-N 0.000 description 1
- TVWHNULVHGKJHS-UHFFFAOYSA-N Uric acid Natural products N1C(=O)NC(=O)C2NC(=O)NC21 TVWHNULVHGKJHS-UHFFFAOYSA-N 0.000 description 1
- 230000003187 abdominal effect Effects 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000001754 anti-pyretic effect Effects 0.000 description 1
- 230000000840 anti-viral effect Effects 0.000 description 1
- 239000002221 antipyretic Substances 0.000 description 1
- 238000004159 blood analysis Methods 0.000 description 1
- 238000009530 blood pressure measurement Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 201000001421 hyperglycemia Diseases 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 210000004698 lymphocyte Anatomy 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000011022 operating instruction Methods 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 229940116269 uric acid Drugs 0.000 description 1
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
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/62—Protecting access to data via a platform, e.g. using keys or access control rules
- G06F21/6218—Protecting access to data via a platform, e.g. using keys or access control rules to a system of files or objects, e.g. local or distributed file system or database
- G06F21/6245—Protecting personal data, e.g. for financial or medical purposes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Biomedical Technology (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Pathology (AREA)
- Entrepreneurship & Innovation (AREA)
- General Engineering & Computer Science (AREA)
- Economics (AREA)
- Bioethics (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Educational Administration (AREA)
- Computer Hardware Design (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Computer Security & Cryptography (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明公开了一种医疗数据处理方法及装置,涉及人工智能与数字医疗技术领域,主要目的在于解决现有医疗数据的处理效率低的问题。包括:当基于外部接口子系统对医生身份信息的权限验证后,接收患者方传输的医疗数据,生成并输出与所述医疗数据匹配的医疗风险信息、医疗规划信息、医疗辅助提示信息;当所述患者方启动与医生方之间的数据交互操作后,调取交互端口并基于交互子系统为所述患者方、所述医生方建立数据通信交互环境;当所述患者方在所述数据通信交互环境中选取所述医疗风险信息、所述医疗规划信息、所述医疗辅助提示信息中至少一项时,则生成医疗指示信息,并发送至所述医生方,以所述医生方对所述医疗指示信息进行操作处理。
Description
技术领域
本发明涉及一种人工智能与数字医疗技术领域,特别是涉及一种医疗数据处理方法及装置。
背景技术
随着人工智能与数字医疗的快速发展,医生与患者之间的问诊交流场景已经从线下方式转为线上方式,从而保障医疗资源的有效利用以及医疗科普便捷性的实现。
目前,现有的数字医疗系统中对于患者用户的医疗信息的处理权限仅仅掌握在医院方,即数字医疗系统是医院方为各个医生以及患者用户构建包含各种问诊流程的数据交互以及处理方式,患者仅仅可以基于在医院申请的就诊流程进行相关医疗诊断结果的确定,针对复杂病情或者患有多种疾病的患者,无法针对最优的诊断科室进行线上会诊,大大减少了辅助生成就诊结果的灵活性,从而降低了医疗数据的处理效率。
发明内容
有鉴于此,本发明提供一种医疗数据处理方法及装置,主要目的在于解决现有医疗数据的处理效率低的问题。
依据本发明一个方面,提供了一种医疗数据处理方法,包括:
当基于外部接口子系统对医生身份信息的权限验证后,接收患者方传输的医疗数据,生成并输出与所述医疗数据匹配的医疗风险信息、医疗规划信息、医疗辅助提示信息,所述医疗数据至少包括用于医疗项目检测的数值数据、文本数据、图像数据、语音数据中一项;
当所述患者方启动与医生方之间的数据交互操作后,调取交互端口并基于交互子系统为所述患者方、所述医生方建立数据通信交互环境,所述数据通信交互环境为具有唯一身份标识的对话环境;
当所述患者方在所述数据通信交互环境中选取所述医疗风险信息、所述医疗规划信息、所述医疗辅助提示信息中至少一项时,则生成医疗指示信息,并发送至所述医生方,以使所述医生方对所述医疗指示信息进行操作处理。
进一步地,所述生成并输出与所述医疗数据匹配的医疗风险信息、医疗规划信息、医疗辅助提示信息包括:
解析所述医疗数据中的医疗项目信息、检测结果信息、病症描述信息、就诊信息;
根据已完成模型训练的风险预测模型对所述检测结果信息、所述病症描述信息进行风险预测处理,得到医疗风险信息,所述风险预测模型为基于所述就诊信息的数值化参数作为网络层级权重进行训练得到的;
根据已构建的医疗知识网络查找与所述医疗项目信息、所述检测结果信息、所述病症描述信息匹配的医疗规划信息,所述医疗知识网络中包括不同医疗项目信息、不同检测结果信息、不同病症描述信息之间组合所预期执行不同医疗项目、医疗操作的规划内容;
基于自然语言处理技术从所述检测结果信息、所述病症描述信息中提取与医疗关键词库中的医疗关键词匹配的目标关键词,并基于预置辅助提示信息库查找与所述目标关键词匹配的医疗辅助提示信息。
进一步地,所述根据已完成模型训练的风险预测模型对所述检测结果信息、所述病症描述信息进行风险预测处理,得到医疗风险信息之前,所述方法还包括:
获取历史检测结果信息、历史病症描述信息、历史就诊信息;
构建输出个数为至少四个分群结果的随机森林树模型网络;
基于预设数值量化序列对所述历史检测结果信息、所述历史病症描述信息、所述历史就诊信息进行数值量化处理,得到数值化参数,所述预设数值量化序列中存储不同历史检测结果信息、历史病症描述信息、历史就诊信息分别对应的不同数值化参数;
将所述数值化参数引入所述随机森林树模型网络的信息增益率函数中,并基于引入所述数值化参数的随机森林树模型网络进行模型训练,得到风险预测模型。
进一步地,所述方法还包括:
获取录入的医疗项目步骤信息和/或医疗操作步骤信息;
根据所述医疗项目步骤信息、所述医疗操作步骤信息与不同医疗项目信息、不同医疗检测结果信息、不同病症描述信息进行匹配;
基于所述医疗项目信息、所述医疗检测结果信息、所述病症描述信息与所述医疗项目步骤信息以及所述医疗操作步骤信息之间的匹配程度构建医疗知识网络,并为不同匹配程度配置医疗规划信息。
进一步地,所述方法还包括:
当患者方和/或医生方基于外部接口子系统完成平台注册后,响应于患者方客户端和/或医生方客户端触发的访问请求,对所述患者方和/或所述医生方录入的用户基础信息进行查询、数据维护。
进一步地,所述方法还包括:
当医生方通过医生方客户端触发院方就诊事件时,基于所述外部接口子系统调取院方系统接口,并向所述院方系统发送就诊流程启动请求;
当接收到就诊流程启动响应后,将已创建的就诊流程路径发送至患者方客户端,以使所述患者方进入所述院方系统触发就诊流程。
进一步地,所述方法还包括:
解析所述医疗数据的模态类型;
若所述模态类型为多模态医疗数据,则调取已完成的多模态混合模型对所述医疗数据进行识别处理,得到多模态识别结果,所述多模态混合模型为基于模态类型的个数分别配置模态替换对象进行构建的;
当所述多模态识别结果中包含多个医疗特征信息,则基于所述医疗特征信息查找匹配的医生用户信息,并向患者方客户端进行输出。
依据本发明另一个方面,提供了一种医疗数据处理装置,包括:
接收模块,用于当基于外部接口子系统对医生身份信息的权限验证后,接收患者方传输的医疗数据,生成并输出与所述医疗数据匹配的医疗风险信息、医疗规划信息、医疗辅助提示信息,所述医疗数据至少包括用于医疗项目检测的数值数据、文本数据、图像数据、语音数据中一项;
调取模块,用于当所述患者方启动与医生方之间的数据交互操作后,调取交互端口并基于交互子系统为所述患者方、所述医生方建立数据通信交互环境,所述数据通信交互环境为具有唯一身份标识的对话环境;
发送模块,用于当所述患者方在所述数据通信交互环境中选取所述医疗风险信息、所述医疗规划信息、所述医疗辅助提示信息中至少一项时,则生成医疗指示信息,并发送至所述医生方,以使所述医生方对所述医疗指示信息进行操作处理。
进一步地,所述接收模块包括:
解析单元,用于解析所述医疗数据中的医疗项目信息、检测结果信息、病症描述信息、就诊信息;
处理单元,用于根据已完成模型训练的风险预测模型对所述检测结果信息、所述病症描述信息进行风险预测处理,得到医疗风险信息,所述风险预测模型为基于所述就诊信息的数值化参数作为网络层级权重进行训练得到的;
查找单元,用于根据已构建的医疗知识网络查找与所述医疗项目信息、所述检测结果信息、所述病症描述信息匹配的医疗规划信息,所述医疗知识网络中包括不同医疗项目信息、不同检测结果信息、不同病症描述信息之间组合所预期执行不同医疗项目、医疗操作的规划内容;
提取单元,用于基于自然语言处理技术从所述检测结果信息、所述病症描述信息中提取与医疗关键词库中的医疗关键词匹配的目标关键词,并基于预置辅助提示信息库查找与所述目标关键词匹配的医疗辅助提示信息。
进一步地,所述装置还包括:
获取模块,用于获取历史检测结果信息、历史病症描述信息、历史就诊信息;
构建模块,用于构建输出个数为至少四个分群结果的随机森林树模型网络;
处理模块,用于基于预设数值量化序列对所述历史检测结果信息、所述历史病症描述信息、所述历史就诊信息进行数值量化处理,得到数值化参数,所述预设数值量化序列中存储不同历史检测结果信息、历史病症描述信息、历史就诊信息分别对应的不同数值化参数;
训练模块,用于将所述数值化参数引入所述随机森林树模型网络的信息增益率函数中,并基于引入所述数值化参数的随机森林树模型网络进行模型训练,得到风险预测模型。
进一步地,所述装置还包括:匹配模块,配置模块,
所述获取模块,还用于获取录入的医疗项目步骤信息和/或医疗操作步骤信息;
所述匹配模块,用于根据所述医疗项目步骤信息、所述医疗操作步骤信息与不同医疗项目信息、不同医疗检测结果信息、不同病症描述信息进行匹配;
所述配置模块,用于基于所述医疗项目信息、所述医疗检测结果信息、所述病症描述信息与所述医疗项目步骤信息以及所述医疗操作步骤信息之间的匹配程度构建医疗知识网络,并为不同匹配程度配置医疗规划信息。
进一步地,
所述处理模块,还用于当患者方和/或医生方基于外部接口子系统完成平台注册后,响应于患者方客户端和/或医生方客户端触发的访问请求,对所述患者方和/或所述医生方录入的用户基础信息进行查询、数据维护。
进一步地,所述装置还包括:
发送模块,用于当医生方通过医生方客户端触发院方就诊事件时,基于所述外部接口子系统调取院方系统接口,并向所述院方系统发送就诊流程启动请求;
创建模块,用于当接收到就诊流程启动响应后,将已创建的就诊流程路径发送至患者方客户端,以使所述患者方进入所述院方系统触发就诊流程。
进一步地,所述装置还包括:
解析模块,用于解析所述医疗数据的模态类型;
调取模块,用于若所述模态类型为多模态医疗数据,则调取已完成的多模态混合模型对所述医疗数据进行识别处理,得到多模态识别结果,所述多模态混合模型为基于模态类型的个数分别配置模态替换对象进行构建的;
输出模块,用于当所述多模态识别结果中包含多个医疗特征信息,则基于所述医疗特征信息查找匹配的医生用户信息,并向患者方客户端进行输出。
根据本发明的又一方面,提供了一种存储介质,所述存储介质中存储有至少一可执行指令,所述可执行指令使处理器执行如上述医疗数据处理方法对应的操作。
根据本发明的再一方面,提供了一种终端,包括:处理器、存储器、通信接口和通信总线,所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信;
所述存储器用于存放至少一可执行指令,所述可执行指令使所述处理器执行上述医疗数据处理方法对应的操作。
借由上述技术方案,本发明实施例提供的技术方案至少具有下列优点:
本发明提供了一种医疗数据处理方法及装置,与现有技术相比,本发明实施例通过当基于外部接口子系统对医生身份信息的权限验证后,接收患者方传输的医疗数据,生成并输出与所述医疗数据匹配的医疗风险信息、医疗规划信息、医疗辅助提示信息,所述医疗数据至少包括用于医疗项目检测的数值数据、文本数据、图像数据、语音数据中一项;当所述患者方启动与医生方之间的数据交互操作后,调取交互端口并基于交互子系统为所述患者方、所述医生方建立数据通信交互环境,所述数据通信交互环境为具有唯一身份标识的对话环境;当所述患者方在所述数据通信交互环境中选取所述医疗风险信息、所述医疗规划信息、所述医疗辅助提示信息中至少一项时,则生成医疗指示信息,并发送至所述医生方,以使所述医生方对所述医疗指示信息进行操作处理,实现了第三方为患者、医生提供数字医疗平台,从而智能性地为患者、医生提供数字医疗服务,大大提高对医疗就诊过程的辅助功能的有效性,基于人工智能方式为患者提供最优的医疗就诊流程,在对医疗数据处理的同时,满足了不同医疗业务需求,从而提高了医疗数据的处理效率以及准确性。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本发明的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
图1示出了本发明实施例提供的一种医疗数据处理方法流程图;
图2示出了本发明实施例提供的一种医疗数据处理装置组成框图;
图3示出了本发明实施例提供的一种终端的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
本发明实施例提供了一种医疗数据处理方法,如图1所示,以该方法应用于服务器等计算机设备为例进行说明,其中,服务器可以是独立的服务器,也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network,CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器,如智能医疗系统、数字医疗平台。上述方法包括以下步骤:
本发明实施例中,作为当前执行主体的医疗数据处理端可以为问诊管理平台,作为一种数字医疗平台执行本发明实施例中的101至103步骤中的处理步骤。
101、当基于外部接口子系统对医生身份信息的权限验证后,接收患者方传输的医疗数据,生成并输出与所述医疗数据匹配的医疗风险信息、医疗规划信息、医疗辅助提示信息。
当前系统可以包括外部接口子系统,外部接口子系统用于接收不同身份用户的客户端与当前系统之间的数据传输,不同身份用户包括但不限于患者、医生、系统管理员等,因此,医生可以基于外部接口子系统进行医生身份信息的权限验证,医生身份信息的权限验证包括但不限于对医生资质、医生科室、医生年资等内容的验证,从而当前系统对不同的医生身份信息验证后分配不同的权限,以使不同医生可以为不同病症患者进行医疗信息的交互。另外,由于当前系统可以与不同身份用户的客户端之间进行数据交互,即患者方、医生方均可以基于下载并安装患者客户端与当前系统进行交互,从而患者将患者的医疗数据上传至当前系统中进行处理,医生将医生身份信息上传到当前系统中进行验证。其中,所述医疗数据至少包括用于医疗项目检测的数值数据、文本数据、图像数据、语音数据中一项,医疗数据可以为患者在医院进行医疗检查所得到的内容,也可以为直接录入的基础疾病内容,例如血压值、血糖值、尿酸值等确定为高血压、高血糖等基础疾病的数值内容,从而使当前系统基于接收患者方传输来的医疗数据后,生成与所述医疗数据匹配的医疗风险信息、医疗规划信息、医疗辅助提示信息,并输出。其中,输出的医疗风险信息、医疗规划信息、医疗辅助提示信息可以直接向患者方录入医疗数据后直接输出,也可以在建立的对话环境中输出,本发明实施例不做具体限定。
需要说明的是,为了实现作为数字医疗系统的智能性,在为患者提供医疗数据处理服务过程中,本发明实施例基于录入的医疗数据生成医疗风险信息、医疗规划信息、医疗辅助提示信息。其中,医疗风险信息为基于医疗数据预期所发生的病症风险内容,医疗规划信息为按照医疗数据预期针对不同时间、不同医生进行的治疗步骤、医疗项目等内容,医疗辅助提示信息为按照医疗数据为患者按照时间进行治疗步骤、医疗项目、药品服用等步骤的提示内容,通过生成医疗风险信息、医疗规划信息、医疗辅助提示信息进行输出,以使患者进行选择上述的医疗风险信息、医疗规划信息、医疗辅助提示信息,从而实现当前系统的智能性。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中,人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
102、当所述患者方启动与医生方之间的数据交互操作后,调取交互端口并基于交互子系统为所述患者方、所述医生方建立数据通信交互环境。
本发明实施例中,为了便于患者方与医生方可以基于当前系统进行具有私密性的进行对话交互,患者方可以基于患者方客户端启动与医生方之间的数据交互操作。具体的,患者方通过患者方客户端触发与医生之间的对话来启动数据交互操作,当前系统接收到数据交互操作的请求后,调取交互端口,并基于交互子系统建立数据通信交互环境。其中,当前系统还包括交互端口,用于为各个客户端单独提供数据交互的传输通道,同时还包括交互子系统,专门用于建立与各个数据交互操作的请求所对应的数据通信交互环境,每个数据通信交互环境为具有唯一身份标识的对话环境,从而确保患者与医生对话过程中的私密性。
需要说明的是,对于基于交互子系统为患者方、医生方建立数据通信交互环境具体为通过交互子系统建立与患者方、医生方唯一匹配的对话环境,并通过交互端口分别为此对话环境提供两方客户端之间的数据传输,其中,作为当前系统的一个子系统,交互子系统在构建数据通信交互环境时,为每个唯一身份标识对应的对话环境配置一个单独的加密锁,用于保证私密性,此加密锁配置于对话环境对应的数据存储文件中,在患者进行对话时,基于患者身份解锁,并进行数据录入,例如,患者录入对话内容,当医生进行回答时,基于对话的对应性进行录入,因此,整个对话过程为一个解锁录入的过程,当患者、医生再次打开对话时,为了保证私密性,通过请求对加密锁锁定的对话内容,即数据存储文件中的数据进行解锁,进而查看历史对话内容。其中,解锁的过程包括基于对话环境的唯一身份标识向患者方发送验证信息,如验证码,通过后,解锁被加密锁锁定的数据存储文件,进行查看,因此,只有患者有权限对对话环境进行解锁。
103、当所述患者方在所述数据通信交互环境中选取所述医疗风险信息、所述医疗规划信息、所述医疗辅助提示信息中至少一项时,则生成医疗指示信息,并发送至所述医生方,以使所述医生方对所述医疗指示信息进行操作处理。
本发明实施例中,由于医疗风险信息、医疗规划信息、医疗辅助提示信息可以在建立的对话环境中输出,因此,当患者方在数据通信交互环境选取医疗风险信息、医疗规划信息、医疗辅助提示信息中至少一项时,说明患者期望当前系统为患者提供智能的医疗服务,因此,生成医疗指示信息,发送给医生,以使医生方对医疗指示信息进行操作处理。其中,生成的医疗指示信息为向医生确认、认证是否按照当前系统生成且患者选中的医疗风险信息、医疗规划信息、医疗辅助提示信息进行推送的内容,例如,医疗风险信息为基于医疗数据确定的患有心脏病的风险,医疗指示信息可以为确认患者患有心脏病的风险的正确性,或者还可以包括指示医生对于患者心脏病的风险添加注意事项的内容,从而发送给医生进行确认。
需要说明的是,本发明实施例中,为了实现作为智能医疗系统的智能性,对于患者方客户端、医生方客户端传输来的数据,当前系统可以进行数据存储、数据处理、以及输出传输等功能的实现,当前系统中嵌入有不同数据处理功能的机器学习算法,以对各种数据进行处理。同时,为了实现对当前系统中数据的维护,当前系统为各个维护管理方创建权限,以使维护管理方注册登录后基于开放功能的数据源对不同数据内容进行维护、加密、异常筛查等处理,本发明实施例不做具体限定。
在一个本发明实施例中,为了进一步说明及限定,所述生成并输出与所述医疗数据匹配的医疗风险信息、医疗规划信息、医疗辅助提示信息包括:解析所述医疗数据中的医疗项目信息、检测结果信息、病症描述信息、就诊信息;根据已完成模型训练的风险预测模型对所述检测结果信息、所述病症描述信息进行风险预测处理,得到医疗风险信息,所述风险预测模型为基于所述就诊信息的数值化参数作为网络层级权重进行训练得到的;根据已构建的医疗知识网络查找与所述医疗项目信息、所述检测结果信息、所述病症描述信息匹配的医疗规划信息,所述医疗知识网络中包括不同医疗项目信息、不同检测结果信息、不同病症描述信息之间组合所预期执行不同医疗项目、医疗操作的规划内容;基于自然语言处理技术从所述检测结果信息、所述病症描述信息中提取与医疗关键词库中的医疗关键词匹配的目标关键词,并基于预置辅助提示信息库查找与所述目标关键词匹配的医疗辅助提示信息。
本发明实施例中,为了实现对医疗风险信息、医疗规划信息、医疗辅助提示信息的准确生成,首先解析医疗数据中的医疗项目信息、检测结果信息、病症描述信息以及就诊信息。其中,医疗项目信息为患者在医院或者线下活动参加的有关就医的项目,例如,血液检查项目、血压测量项目、心电图检查项目、CT检查项目等,检测结果信息为针对医疗项目所产生的结果内容,如血压、心电图、血糖、CT图像等,症状描述信息为在医院或线下活动中就医时,医护人员对患者症状所确定的描述内容,例如,间接性胸闷、腹部钝性疼痛等,就诊信息包括但不限于就诊的时间、次数、就诊地点、就诊医生等信息,本发明实施例不做具体限定。一般的,由于患者上传的医疗数据中包含有不同形式的数据,例如,图片格式、文本格式、数值格式,因此,在解析医疗数据中的医疗项目信息、检测结果信息、病症描述信息以及就诊信息时,可以直接基于文字关键词解析医疗项目信息、检测结果信息、疾病描述信息、就诊信息等内容,例如,基于“CT”关键词,直接从录入的医疗数据中提取CT图像解析得到医疗项目信息CT图像检查,以及检测结果信息为CT图像,从而作为生成医疗风险信息、医疗规划信息、医疗辅助提示信息的数据基础。
对于医疗风险信息,本发明实施例中基于已完成模型训练的风险预测模型对检测结果信息、以及病症描述信息进行风险预测处理,得到医疗风险信息。其中,风险预测模型为基于就诊信息的数值化参数作为网络层级权重进行训练得到的,从而得到不同的医疗风险信息。医疗风险信息包括高风险、中度风险、低风险、无风险,因此,风险预测模型可以优选为基于决策树模型进行构建,从而在训练过程中,基于就诊信息的数值化参数作为网络层级权重进行训练。
对于医疗规划信息,本发明实施例中基于已构建的医疗知识网络进行查找,其中,由于医疗知识网络中包括不同医疗项目信息、不同检测结果信息、不同病症描述信息之间组合所预期执行不同医疗项目、医疗操作的规划内容,因此,可以基于医疗项目信息、检测结果信息、病症描述信息查找到匹配的医疗规划信息。例如,血液检测项目、检测结果为淋巴细胞值超出正常值范围,病症描述信息为发烧,基于医疗知识网络匹配到的医疗规划内容为抗病毒针剂治疗、退烧治疗。
对于医疗辅助提示信息,本发明实施例中基于自然语言处理技术从检测结果信息、病症描述信息中提取医疗关键词,从而基于医疗关键词从预置辅助提示信息库中查找医疗辅助提示信息。其中,医疗关键词为表征执行医疗内的主要词语,本发明实施例中预先配置医疗关键词库作为匹配的依据,管理员可以基于不同的医疗业务需求对关键词进行更新,从而从检测结果信息、病症描述信息中查找到匹配的目标关键词。同时,结合预置辅助提示信息库查找与目标关键词匹配的医疗辅助提示信息,其中,预置辅助提示信息库中存储有不同关键词所匹配的医疗辅助提示信息,从而进行匹配。当然的,在进行匹配时,基于自然语言处理技术对文本词语进行匹配,从而查找到待进行推送的医疗辅助提示信息,本发明实施例不做具体限定。
在一个本发明实施例中,为了进一步说明及限定,所述根据已完成模型训练的风险预测模型对所述检测结果信息、所述病症描述信息进行风险预测处理,得到医疗风险信息之前,所述方法还包括:获取历史检测结果信息、历史病症描述信息、历史就诊信息;构建输出个数为至少四个分群结果的随机森林树模型网络;基于预设数值量化序列对所述历史检测结果信息、所述历史病症描述信息、所述历史就诊信息进行数值量化处理,得到数值化参数,所述预设数值量化序列中存储不同历史检测结果信息、历史病症描述信息、历史就诊信息分别对应的不同数值化参数;将所述数值化参数引入所述随机森林树模型网络的信息增益率函数中,并基于引入所述数值化参数的随机森林树模型网络进行模型训练,得到风险预测模型。
本发明实施例中,历史就诊信息包括历史就诊时长、历史次数等内容,所述预设数值量化序列中存储不同历史检测结果信息、历史病症描述信息、历史就诊信息分别对应的不同数值化参数,从而完成基于预设数值量化序列对历史检测结果信息、历史病症描述信息、历史就诊信息进行数值量化处理。
具体的,历史检测结果信息、历史病症描述信息、历史就诊信息作为风险预测模型的训练数据。优选的,针对风险预测模型,优选为决策树模型,在构建决策树的模型网络时,配置输出风险结果包括高风险、中度风险、低风险、无风险4种,本申请实施例不做具体限定。同时,基于得到的数值化参数配置随机森林中各个森林树网络的信息增益率的改进参数,以完成对随机森林树模型网络的训练,得到预测风险模型。其中森林树网络的中各个森林树由结点和有向边组成。结点有两种类型:内部结点和叶结点,其中内部结点表示一个特征或属性,叶结点表示一个类。通常情况下,一棵森林树包含一个根结点、若干个内部结点和若干个叶结点。叶结点对应于决策结果,其他每个结点则对应于一个属性测试。每个结点包含的样本集合根据属性测试的结果被划分到子结点中,根结点包含样本全集,从根结点到每个叶结点的路径对应了一个判定测试序列,由多个森林树组成一个投票机制,得到随机森林网络的构建。其中,树的信息增益是随机变量X对于随机变量Y的信息增益被定义成Y的熵和Y对X的条件熵之差,在本发明实施例中,信息增益的含义就是特征X对样本标签Y不确定性减少的贡献,信息增益也叫做互信息,其中,Y对X的互信息和X对Y的互信息是相等的,以应用信息增益准则选择特征。具体的,历史检测结果信息、历史病症描述信息、历史就诊信息为训练数据集D和特征a*,经验熵H(D)表示对数据集D进行分类的不确定性。|D|表示样本容量,即样本个数,以本发明实施例中的4个类为例,E1、E2、E3、E4,|E1+E2+E3+E3|=|D|,设特征a*有V个不同的取值{a*1,a*2,a*3...a*V},根据特征a*的取值将D划分为V个子集D1,D2,D3....DV,|Dt|为Dt的样本个数,记子集Di中属于类E1、E2、E3的样本集合为Dik,Dik=Di∩Ek,|Dik|为Dik的样本个数,于是计算信息增益:经验熵/>特征A对数据集D的经验条件熵H(D∣A),/>计算信息增益g(D,a*)=H(D)-H(D|a*)。为了使随机森林树在风险预测中提高模型分群准确性,在计算信息增益时,进行改进参数,即基于检测结果信息、病症描述信息、就诊信息的数值化参数配置信息增益率的参数,改进的参数包括h1、h2,基于预设的量化列表查找h1、h2,从而得到的改进的信息增益计算式g(D,a*)=h1×H(D)-h2×H(D|a*),其中,h1,h2的数值范围在0.4-0.7之间。
在一个本发明实施例中,为了进一步说明及限定,所述方法还包括:获取录入的医疗项目步骤信息和/或医疗操作步骤信息;根据所述医疗项目步骤信息、所述医疗操作步骤信息与不同医疗项目信息、不同医疗检测结果信息、不同病症描述信息进行匹配;基于所述医疗项目信息、所述医疗检测结果信息、所述病症描述信息与所述医疗项目步骤信息以及所述医疗操作步骤信息之间的匹配程度构建医疗知识网络,并为不同匹配程度配置医疗规划信息。
本发明实施例中,为了准确地为患者提供医疗规划信息的推送,实现数字医疗的智能性,在基于医疗知识网络查找医疗规划信息之前,需要构建属于当前系统的医疗知识网络,从而实现数字医疗的智能匹配功能。其中,医疗项目步骤信息为执行医疗项目所需要启动的医疗步骤对应的步骤内容,医疗操作步骤信息为执行医疗操作所需要启动的医疗步骤对应的步骤内容,例如,医疗项目步骤信息为心肌酶血项检查-心电图检查-心脏彩超检查-心脏CT检查,心脏彩超检查为心脏检查步骤中的一个医疗项目,医疗操作步骤信息为清肠-备皮-开腹手术-术后换药,开腹手术为畸胎瘤手术中的的一个医疗操作步骤,因此,为了使不同医疗项目信息、医疗检测结果信息、病症描述信息与医疗规划信息进行匹配,又满足医疗方案随时更新的需求,可以基于录入方式将医疗项目步骤信息、医疗操作步骤信息存储至当前系统中。同时,按照医疗项目步骤信息、医疗操作步骤信息与不同医疗项目信息、不同医疗检测结果信息、不同病症描述信息进行匹配,即匹配的内容为医疗项目步骤信息或者医疗操作步骤信息中是否存在对应的医疗项目信息、医疗检测结果信息、病症描述信息,例如,医疗项目步骤信息为心肌酶血项检查-心电图检查-心脏彩超检查-心脏CT检查,与心肌酶血项检测结果匹配,与心电图检测项目匹配、与心脏疼痛描述症状匹配,则说明医疗项目步骤信息与医疗项目信息、医疗检测结果信息、病症描述信息完全匹配。另外,由于是基于医疗项目步骤信息、医疗操作步骤信息与包括医疗项目信息、医疗检测结果信息、病症描述信息的三项内容进行匹配,因此,若全部匹配,则匹配程度为完全匹配,若匹配两个,则匹配程度为高度匹配,若匹配一个,则匹配程度为一般匹配,若无匹配,则匹配程度为不匹配,从而按照不同的匹配程度构建医疗知识网络。例如,完全匹配的医疗项目步骤信息、医疗操作步骤信息与对应的医疗项目信息、医疗检测结果信息、病症描述信息确定为网络的主路径,高度匹配的医疗项目步骤信息、医疗操作步骤信息与对应的医疗项目信息、医疗检测结果信息、病症描述信息确定为第一层分支路径,一般匹配的医疗项目步骤信息、医疗操作步骤信息与对应的医疗项目信息、医疗检测结果信息、病症描述信息确定为第二层级分支路径,无匹配的医疗项目步骤信息、医疗操作步骤信息与对应的医疗项目信息、医疗检测结果信息、病症描述信息确定为第三层分支路径,形成一个以主路径主,多个分支路径非辅的多层级树枝网络。
需要说明的是,结合医疗知识网络进行查找医疗规划信息,在配置医疗规划信息时,为了实现规划的精准性以及医疗的高效性,在完成医疗知识网络后,对于不同匹配程度的医疗项目步骤信息、医疗操作步骤信息与对应的医疗项目信息、医疗检测结果信息、病症描述信息,配置医疗规划信息,以在医疗知识网络查找与医疗项目信息、检测结果信息、病症描述信息匹配的医疗规划信息。例如,对于完全匹配的医疗项目步骤信息、医疗操作步骤信息与对应的医疗项目信息、医疗检测结果信息、病症描述信息,配置的医疗规划信息即为规划执行全部医疗项目步骤、操作步骤的内容,对于高度匹配或一般的医疗项目步骤信息、医疗操作步骤信息与对应的医疗项目信息、医疗检测结果信息、病症描述信息,配置的医疗规划信息即为规划执行匹配内容中部分的医疗项目步骤、操作步骤的内容,对于不匹配的医疗项目步骤信息、医疗操作步骤信息与对应的医疗项目信息、医疗检测结果信息、病症描述信息,配置的医疗规划信息即为规划执行指定的医疗项目步骤、操作步骤的内容,从而实现医疗智能性,并满足不同医疗项目、检测结果、病症标识所需的医疗规划选取。
在一个本发明实施例中,为了进一步说明及限定,所述方法还包括:当患者方和/或医生方基于外部接口子系统完成平台注册后,响应于患者方客户端和/或医生方客户端触发的访问请求,对所述患者方和/或所述医生方录入的用户基础信息进行查询、数据维护。
为了实现医疗系统的智能性,作为当前执行主体的数字医疗系统,开发方基于应用程序的开发,分别为患者方与医生方开发患者方应用程序以及医生方应用程序,即患者方客户端、以及医生方客户端,以便患者以及医生进行系统平台的注册。当前系统在检测到患者方或医生方基于外部接口子系统完成平台注册后,响应于患者方客户端或医生方客户端发送的访问请求,即患者方或医生方用户在完成注册后,可以基于当前系统中的不同管理功能的应用进行访问,以触发访问请求,从而使得当前系统可以在接收到访问请求后,对患者方或医生方录入的用户基础信息进行查询、数据维护。其中,录入的用户基础信息包括但不限于患者或医生的身份证号、照片、年龄、性别等,数据维护包括但不限于对上述用户基础信息的更新或添加、删减等操作。
在一个本发明实施例中,为了进一步说明及限定,所述方法还包括:当医生方通过医生方客户端触发院方就诊事件时,基于所述外部接口子系统调取院方系统接口,并向所述院方系统发送就诊流程启动请求;当接收到就诊流程启动响应后,将已创建的就诊流程路径发送至患者方客户端,以使所述患者方进入所述院方系统触发就诊流程。
为了实现为患者提供更为便捷的就诊流程,从而提高医疗数据的处理效率,当前系统预先配置院方就诊事件,以使医生将医院的就诊预约流程、就诊支付流程等反馈至患者方,让患者进行选取。其中,当前系统为医生方与院方之间建立就诊协议,以使就职于院方的医生有权限将院方的就诊流程的启动请求通过医生发送给患者,从而使得医生在与患者进行交流时,可以直接为患者提供医院的就诊流程,实现了将线上就诊对接于线下就诊,从而提高了就诊的效率。具体的,医生通过医生方客户端与患者进行沟通时,若存在去医院检查或就诊的需求,则触发院方就诊事件,当前系统检测到触发了院方就诊事件时,基于外部接口子系统调取院方系统接口,此时,院方系统接口为医院的医疗系统接口,从而向院方系统发送就诊流程启动请求。当院方系统基于就诊协议响应就诊流程启动请求后,则当前系统将已创建的就诊流程路径方式至患者方客户端,以使患者方客户端基于就诊流程路径进入院方系统,从而触发就诊流程,使患者实现从当前系统跳入院方系统的目的,大大加快的就诊流程速度。
在一个本发明实施例中,为了进一步说明及限定,所述方法还包括:解析所述医疗数据的模态类型;若所述模态类型为多模态医疗数据,则调取已完成的多模态混合模型对所述医疗数据进行识别处理,得到多模态识别结果,所述多模态混合模型为基于模态类型的个数分别配置模态替换对象进行构建的;当所述多模态识别结果中包含多个医疗特征信息,则基于所述医疗特征信息查找匹配的医生用户信息,并向患者方客户端进行输出。
为了更精准地使医生与患者进行匹配对话,从而提高数字医疗对医疗数据处理的准确性,结合医疗数据包括了图像数据、文本数据、数值数据,不同类别的数据即对应一个模态,针对不同医疗数据中存在多模态数据的情况,本发明实施例中首先解析医疗数据的模态类型,若模态类型为多模态医疗数据,则调取已完成的多模态混合模型医疗数据进行识别处理,得到多模态识别结果。其中,多模态混合模型为基于模态类型的个数分别配置模态替换对象进行构建的,然后获取多模态的训练样本集,多模态训练样本集中包含至少三个单模态训练样本组,通过预先得到的多模态混合网络模型进行模型训练。其中,模型中配置有替换至少一个单模态输入参数的替换对象,基于此替换对象、训练样本组对多模态混合网络模型进行模型训练,得到多模态混合模型。其中,单模态输入参数的个数总和为多模态输入参数个数。
具体的,多模态训练样本集为经过解析的多模态医疗数据的数据内容,至少包含三个单模态训练样本组,如图像数、文本、数值数据训练样本组。优选的,以三模态混模型为例,模态1为文本数据,模态2为图像数据、模态3为数值数据。首先构建三模态输入格式,分别在每个模态后面拼接[fet]字符进行区分,然后拼接起输入给模型。基于transformer的输入长度是固定的,优选设置为512,当合并后的长度大于512时,拦截,少于512时,添加[sre]字符补全至512个。其次,分别构建单模态数据输入格式Q1’,以及单模态数据输入格式Q2’、单模态数据输入格式Q3’,基于transformer的输入长度是固定的,优选设置为512,只有单模态的情况下,单模态特征后首先添加[fet],然后添加[sre]字符补全至512个。分别将三个单模态训练样本组的数据分别输入Transformer架构,取出最后一层网络[sre]位置对应的向量。Q1表示双模态输入时模态1的特征向量表示,Q2表示双模态输入时模态2的特征向量表示,Q3表示双模态输入时模态3的特征向量表示,Q1’表示单模态输入时模态1的特征向量表示,Q2’表示单模态输入时模态2的特征向量表示,Q3’表示单模态输入时模态3的特征向量表示。进一步的,为了使Q1和Q1’、Q2和Q2’的以及Q3和Q3’的向量相同,定义损失函数L1,L1=|Q1-Q1’|2+|Q2-Q2’|2+|Q3-Q3’|3。其中||2表示向量见的二范数。
需要说明的是,完成多模态识别后,当多模态识别结果中包含多个医疗特征信息,则说明医疗数据中医疗内容比较复杂,需要基于医疗特征信息查找匹配的医生用户信息,并向患者方客户端进行输出,从而使用户可以找到符合自己病情的医生进行医疗对话。其中,医疗特征信息用于表示不同医疗能力的特征内容,例如,识别得到多个医疗特征信息为小儿疾病、骨科疾病的医疗特征,则基于小儿疾病、骨科疾病查找匹配的医生用户信息为小儿骨科医生的信息,将此医生推送给患者进行构建对话环境,从而提高数字医疗的智能性,以及对医疗数据处理的高效性。
本发明实施例提供了一种医疗数据处理方法,与现有技术相比,本发明实施例通过当基于外部接口子系统对医生身份信息的权限验证后,接收患者方传输的医疗数据,生成并输出与所述医疗数据匹配的医疗风险信息、医疗规划信息、医疗辅助提示信息,所述医疗数据至少包括用于医疗项目检测的数值数据、文本数据、图像数据、语音数据中一项;当所述患者方启动与医生方之间的数据交互操作后,调取交互端口并基于交互子系统为所述患者方、所述医生方建立数据通信交互环境,所述数据通信交互环境为具有唯一身份标识的对话环境;当所述患者方在所述数据通信交互环境中选取所述医疗风险信息、所述医疗规划信息、所述医疗辅助提示信息中至少一项时,则生成医疗指示信息,并发送至所述医生方,以使所述医生方对所述医疗指示信息进行操作处理,实现了第三方为患者、医生提供数字医疗平台,从而智能性地为患者、医生提供数字医疗服务,大大提高对医疗就诊过程的辅助功能的有效性,基于人工智能方式为患者提供最优的医疗就诊流程,在对医疗数据处理的同时,满足了不同医疗业务需求,从而提高了医疗数据的处理效率以及准确性。
进一步的,作为对上述图1所示方法的实现,本发明实施例提供了一种医疗数据处理装置,如图2所示,该装置包括:
接收模块21,用于当基于外部接口子系统对医生身份信息的权限验证后,接收患者方传输的医疗数据,生成并输出与所述医疗数据匹配的医疗风险信息、医疗规划信息、医疗辅助提示信息,所述医疗数据至少包括用于医疗项目检测的数值数据、文本数据、图像数据、语音数据中一项;
调取模块22,用于当所述患者方启动与医生方之间的数据交互操作后,调取交互端口并基于交互子系统为所述患者方、所述医生方建立数据通信交互环境,所述数据通信交互环境为具有唯一身份标识的对话环境;
发送模块23,用于当所述患者方在所述数据通信交互环境中选取所述医疗风险信息、所述医疗规划信息、所述医疗辅助提示信息中至少一项时,则生成医疗指示信息,并发送至所述医生方,以使所述医生方对所述医疗指示信息进行操作处理。
进一步地,所述接收模块包括:
解析单元,用于解析所述医疗数据中的医疗项目信息、检测结果信息、病症描述信息、就诊信息;
处理单元,用于根据已完成模型训练的风险预测模型对所述检测结果信息、所述病症描述信息进行风险预测处理,得到医疗风险信息,所述风险预测模型为基于所述就诊信息的数值化参数作为网络层级权重进行训练得到的;
查找单元,用于根据已构建的医疗知识网络查找与所述医疗项目信息、所述检测结果信息、所述病症描述信息匹配的医疗规划信息,所述医疗知识网络中包括不同医疗项目信息、不同检测结果信息、不同病症描述信息之间组合所预期执行不同医疗项目、医疗操作的规划内容;
提取单元,用于基于自然语言处理技术从所述检测结果信息、所述病症描述信息中提取与医疗关键词库中的医疗关键词匹配的目标关键词,并基于预置辅助提示信息库查找与所述目标关键词匹配的医疗辅助提示信息。
进一步地,所述装置还包括:
获取模块,用于获取历史检测结果信息、历史病症描述信息、历史就诊信息;
构建模块,用于构建输出个数为至少四个分群结果的随机森林树模型网络;
处理模块,用于基于预设数值量化序列对所述历史检测结果信息、所述历史病症描述信息、所述历史就诊信息进行数值量化处理,得到数值化参数,所述预设数值量化序列中存储不同历史检测结果信息、历史病症描述信息、历史就诊信息分别对应的不同数值化参数;
训练模块,用于将所述数值化参数引入所述随机森林树模型网络的信息增益率函数中,并基于引入所述数值化参数的随机森林树模型网络进行模型训练,得到风险预测模型。
进一步地,所述装置还包括:匹配模块,配置模块,
所述获取模块,还用于获取录入的医疗项目步骤信息和/或医疗操作步骤信息;
所述匹配模块,用于根据所述医疗项目步骤信息、所述医疗操作步骤信息与不同医疗项目信息、不同医疗检测结果信息、不同病症描述信息进行匹配;
所述配置模块,用于基于所述医疗项目信息、所述医疗检测结果信息、所述病症描述信息与所述医疗项目步骤信息以及所述医疗操作步骤信息之间的匹配程度构建医疗知识网络,并为不同匹配程度配置医疗规划信息。
进一步地,
所述处理模块,还用于当患者方和/或医生方基于外部接口子系统完成平台注册后,响应于患者方客户端和/或医生方客户端触发的访问请求,对所述患者方和/或所述医生方录入的用户基础信息进行查询、数据维护。
进一步地,所述装置还包括:
发送模块,用于当医生方通过医生方客户端触发院方就诊事件时,基于所述外部接口子系统调取院方系统接口,并向所述院方系统发送就诊流程启动请求;
创建模块,用于当接收到就诊流程启动响应后,将已创建的就诊流程路径发送至患者方客户端,以使所述患者方进入所述院方系统触发就诊流程。
进一步地,所述装置还包括:
解析模块,用于解析所述医疗数据的模态类型;
调取模块,用于若所述模态类型为多模态医疗数据,则调取已完成的多模态混合模型对所述医疗数据进行识别处理,得到多模态识别结果,所述多模态混合模型为基于模态类型的个数分别配置模态替换对象进行构建的;
输出模块,用于当所述多模态识别结果中包含多个医疗特征信息,则基于所述医疗特征信息查找匹配的医生用户信息,并向患者方客户端进行输出。
本发明实施例提供了一种医疗数据处理装置,与现有技术相比,本发明实施例通过当基于外部接口子系统对医生身份信息的权限验证后,接收患者方传输的医疗数据,生成并输出与所述医疗数据匹配的医疗风险信息、医疗规划信息、医疗辅助提示信息,所述医疗数据至少包括用于医疗项目检测的数值数据、文本数据、图像数据、语音数据中一项;当所述患者方启动与医生方之间的数据交互操作后,调取交互端口并基于交互子系统为所述患者方、所述医生方建立数据通信交互环境,所述数据通信交互环境为具有唯一身份标识的对话环境;当所述患者方在所述数据通信交互环境中选取所述医疗风险信息、所述医疗规划信息、所述医疗辅助提示信息中至少一项时,则生成医疗指示信息,并发送至所述医生方,以使所述医生方对所述医疗指示信息进行操作处理,实现了第三方为患者、医生提供数字医疗平台,从而智能性地为患者、医生提供数字医疗服务,大大提高对医疗就诊过程的辅助功能的有效性,基于人工智能方式为患者提供最优的医疗就诊流程,在对医疗数据处理的同时,满足了不同医疗业务需求,从而提高了医疗数据的处理效率以及准确性。
根据本发明一个实施例提供了一种存储介质,所述存储介质存储有至少一可执行指令,该计算机可执行指令可执行上述任意方法实施例中的医疗数据处理方法。
图3示出了根据本发明一个实施例提供的一种终端的结构示意图,本发明具体实施例并不对终端的具体实现做限定。
如图3所示,该终端可以包括:处理器(processor)302、通信接口(CommunicationsInterface)304、存储器(memory)306、以及通信总线308。
其中:处理器302、通信接口304、以及存储器306通过通信总线308完成相互间的通信。
通信接口304,用于与其它设备比如客户端或其它服务器等的网元通信。
处理器302,用于执行程序310,具体可以执行上述医疗数据处理方法实施例中的相关步骤。
具体地,程序310可以包括程序代码,该程序代码包括计算机操作指令。
处理器302可能是中央处理器CPU,或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit),或者是被配置成实施本发明实施例的一个或多个集成电路。终端包括的一个或多个处理器,可以是同一类型的处理器,如一个或多个CPU;也可以是不同类型的处理器,如一个或多个CPU以及一个或多个ASIC。
存储器306,用于存放程序310。存储器306可能包含高速RAM存储器,也可能还包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。
程序310具体可以用于使得处理器302执行以下操作:
当基于外部接口子系统对医生身份信息的权限验证后,接收患者方传输的医疗数据,生成并输出与所述医疗数据匹配的医疗风险信息、医疗规划信息、医疗辅助提示信息,所述医疗数据至少包括用于医疗项目检测的数值数据、文本数据、图像数据、语音数据中一项;
当所述患者方启动与医生方之间的数据交互操作后,调取交互端口并基于交互子系统为所述患者方、所述医生方建立数据通信交互环境,所述数据通信交互环境为具有唯一身份标识的对话环境;
当所述患者方在所述数据通信交互环境中选取所述医疗风险信息、所述医疗规划信息、所述医疗辅助提示信息中至少一项时,则生成医疗指示信息,并发送至所述医生方,以使所述医生方对所述医疗指示信息进行操作处理。
显然,本领域的技术人员应该明白,上述的本发明的各模块或各步骤可以用通用的计算装置来实现,它们可以集中在单个的计算装置上,或者分布在多个计算装置所组成的网络上,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,并且在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样,本发明不限制于任何特定的硬件和软件结合。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。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,均应包括在本发明的保护范围之内。
Claims (8)
1.一种医疗数据处理方法,其特征在于,包括:
当基于外部接口子系统对医生身份信息的权限验证后,接收患者方传输的医疗数据,生成并输出与所述医疗数据匹配的医疗风险信息、医疗规划信息、医疗辅助提示信息,所述医疗数据至少包括用于医疗项目检测的数值数据、文本数据、图像数据、语音数据中一项;
当所述患者方启动与医生方之间的数据交互操作后,调取交互端口并基于交互子系统为所述患者方、所述医生方建立数据通信交互环境,所述数据通信交互环境为具有唯一身份标识的对话环境;
当所述患者方在所述数据通信交互环境中选取所述医疗风险信息、所述医疗规划信息、所述医疗辅助提示信息中至少一项时,则生成医疗指示信息,并发送至所述医生方,以使所述医生方对所述医疗指示信息进行操作处理,所述医疗指示信息为向医生确认、认证是否按照当前系统生成且患者选中的医疗风险信息、医疗规划信息、医疗辅助提示信息进行推送的内容;
其中,所述生成并输出与所述医疗数据匹配的医疗风险信息、医疗规划信息、医疗辅助提示信息包括:
解析所述医疗数据中的医疗项目信息、检测结果信息、病症描述信息、就诊信息;
根据已完成模型训练的风险预测模型对所述检测结果信息、所述病症描述信息进行风险预测处理,得到医疗风险信息,所述风险预测模型为基于所述就诊信息的数值化参数作为网络层级权重采用随机森林树模型进行训练得到的;
根据已构建的医疗知识网络查找与所述医疗项目信息、所述检测结果信息、所述病症描述信息匹配的医疗规划信息,所述医疗知识网络中包括不同医疗项目信息、不同检测结果信息、不同病症描述信息之间组合所预期执行不同医疗项目、医疗操作的规划内容;所述医疗规划信息查找的方法为:
获取录入的医疗项目步骤信息和/或医疗操作步骤信息;
根据所述医疗项目步骤信息、所述医疗操作步骤信息与不同医疗项目信息、不同医疗检测结果信息、不同病症描述信息进行匹配;
基于所述医疗项目信息、所述医疗检测结果信息、所述病症描述信息与所述医疗项目步骤信息以及所述医疗操作步骤信息之间的匹配程度构建医疗知识网络,并为不同匹配程度配置医疗规划信息;
基于自然语言处理技术从所述检测结果信息、所述病症描述信息中提取与医疗关键词库中的医疗关键词匹配的目标关键词,并基于预置辅助提示信息库查找与所述目标关键词匹配的医疗辅助提示信息。
2.根据权利要求1所述的方法,其特征在于,所述根据已完成模型训练的风险预测模型对所述检测结果信息、所述病症描述信息进行风险预测处理,得到医疗风险信息之前,所述方法还包括:
获取历史检测结果信息、历史病症描述信息、历史就诊信息;
构建输出个数为至少四个分群结果的随机森林树模型网络;
基于预设数值量化序列对所述历史检测结果信息、所述历史病症描述信息、所述历史就诊信息进行数值量化处理,得到数值化参数,所述预设数值量化序列中存储不同历史检测结果信息、历史病症描述信息、历史就诊信息分别对应的不同数值化参数;
将所述数值化参数引入所述随机森林树模型网络的信息增益率函数中,并基于引入所述数值化参数的随机森林树模型网络进行模型训练,得到风险预测模型。
3.根据权利要求1或2所述的方法,其特征在于,所述方法还包括:
当患者方和/或医生方基于外部接口子系统完成平台注册后,响应于患者方客户端和/或医生方客户端触发的访问请求,对所述患者方和/或所述医生方录入的用户基础信息进行查询、数据维护。
4.根据权利要求3所述的方法,其特征在于,所述方法还包括:
当医生方通过医生方客户端触发院方就诊事件时,基于所述外部接口子系统调取院方系统接口,并向所述院方系统发送就诊流程启动请求;
当接收到就诊流程启动响应后,将已创建的就诊流程路径发送至患者方客户端,以使所述患者方进入所述院方系统触发就诊流程。
5.根据权利要求4所述的方法,其特征在于,所述方法还包括:
解析所述医疗数据的模态类型;
若所述模态类型为多模态医疗数据,则调取已完成的多模态混合模型对所述医疗数据进行识别处理,得到多模态识别结果,所述多模态混合模型为基于模态类型的个数分别配置模态替换对象进行构建的;
当所述多模态识别结果中包含多个医疗特征信息,则基于所述医疗特征信息查找匹配的医生用户信息,并向患者方客户端进行输出。
6.一种医疗数据处理装置,其特征在于,包括:
接收模块,用于当基于外部接口子系统对医生身份信息的权限验证后,接收患者方传输的医疗数据,生成并输出与所述医疗数据匹配的医疗风险信息、医疗规划信息、医疗辅助提示信息,所述医疗数据至少包括用于医疗项目检测的数值数据、文本数据、图像数据、语音数据中一项;
调取模块,用于当所述患者方启动与医生方之间的数据交互操作后,调取交互端口并基于交互子系统为所述患者方、所述医生方建立数据通信交互环境,所述数据通信交互环境为具有唯一身份标识的对话环境;
发送模块,用于当所述患者方在所述数据通信交互环境中选取所述医疗风险信息、所述医疗规划信息、所述医疗辅助提示信息中至少一项时,则生成医疗指示信息,并发送至所述医生方,以使所述医生方对所述医疗指示信息进行操作处理,所述医疗指示信息为向医生确认、认证是否按照当前系统生成且患者选中的医疗风险信息、医疗规划信息、医疗辅助提示信息进行推送的内容;
其中,所述接收模块包括:
解析单元,用于解析所述医疗数据中的医疗项目信息、检测结果信息、病症描述信息、就诊信息;
处理单元,用于根据已完成模型训练的风险预测模型对所述检测结果信息、所述病症描述信息进行风险预测处理,得到医疗风险信息,所述风险预测模型为基于所述就诊信息的数值化参数作为网络层级权重采用随机森林树模型进行训练得到的;
查找单元,用于根据已构建的医疗知识网络查找与所述医疗项目信息、所述检测结果信息、所述病症描述信息匹配的医疗规划信息,所述医疗知识网络中包括不同医疗项目信息、不同检测结果信息、不同病症描述信息之间组合所预期执行不同医疗项目、医疗操作的规划内容;
获取模块,用于获取录入的医疗项目步骤信息和/或医疗操作步骤信息;
匹配模块,用于根据所述医疗项目步骤信息、所述医疗操作步骤信息与不同医疗项目信息、不同医疗检测结果信息、不同病症描述信息进行匹配;
配置模块,用于基于所述医疗项目信息、所述医疗检测结果信息、所述病症描述信息与所述医疗项目步骤信息以及所述医疗操作步骤信息之间的匹配程度构建医疗知识网络,并为不同匹配程度配置医疗规划信息;
提取单元,用于基于自然语言处理技术从所述检测结果信息、所述病症描述信息中提取与医疗关键词库中的医疗关键词匹配的目标关键词,并基于预置辅助提示信息库查找与所述目标关键词匹配的医疗辅助提示信息。
7.一种存储介质,所述存储介质中存储有至少一可执行指令,所述可执行指令使处理器执行如权利要求1-5中任一项所述的医疗数据处理方法对应的操作。
8.一种终端,包括:处理器、存储器、通信接口和通信总线,所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信;
所述存储器用于存放至少一可执行指令,所述可执行指令使所述处理器执行如权利要求1-5中任一项所述的医疗数据处理方法对应的操作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111028288.XA CN113539485B (zh) | 2021-09-02 | 2021-09-02 | 医疗数据处理方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111028288.XA CN113539485B (zh) | 2021-09-02 | 2021-09-02 | 医疗数据处理方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113539485A CN113539485A (zh) | 2021-10-22 |
CN113539485B true CN113539485B (zh) | 2024-03-26 |
Family
ID=78092396
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111028288.XA Active CN113539485B (zh) | 2021-09-02 | 2021-09-02 | 医疗数据处理方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113539485B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116110615B (zh) * | 2023-04-12 | 2023-06-30 | 四川智康科技有限责任公司 | 干预慢性疼痛的数字医疗系统 |
CN116994704B (zh) * | 2023-09-22 | 2023-12-15 | 北斗云方(北京)健康科技有限公司 | 基于临床多模态数据深度表示学习的合理用药判别方法 |
CN117524454B (zh) * | 2024-01-05 | 2024-03-12 | 南京横渡医疗技术有限公司 | 一种基于互联网的医疗数据安全监测系统及方法 |
CN117951746A (zh) * | 2024-03-26 | 2024-04-30 | 北京大学第三医院(北京大学第三临床医学院) | 一种用于多模态大语言模型的医疗数据加密系统 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104915576A (zh) * | 2015-07-09 | 2015-09-16 | 北京慧摩尔科技有限公司 | 数字化心血管风险评估系统 |
WO2016077786A1 (en) * | 2014-11-14 | 2016-05-19 | Zoll Medical Corporation | Medical premonitory event estimation |
CN110249392A (zh) * | 2018-08-20 | 2019-09-17 | 深圳市全息医疗科技有限公司 | 智能辅助诊疗系统及方法 |
CN110600136A (zh) * | 2019-08-22 | 2019-12-20 | 佛山市第一人民医院(中山大学附属佛山医院) | 病种追踪管理方法及系统 |
WO2020131746A1 (en) * | 2018-12-17 | 2020-06-25 | Georgia State University Research Foundation, Inc. | Predicting dcis recurrence risk using a machine learning-based high-content image analysis approach |
CN111554365A (zh) * | 2019-03-20 | 2020-08-18 | 华中科技大学同济医学院附属协和医院 | 一种慢性病综合服务平台 |
CN111832360A (zh) * | 2019-04-19 | 2020-10-27 | 北京三星通信技术研究有限公司 | 提示信息的处理方法、装置、电子设备以及可读存储介质 |
CN112101413A (zh) * | 2020-08-12 | 2020-12-18 | 海南大学 | 面向脑卒中风险预测的智能系统 |
CN112908474A (zh) * | 2021-04-09 | 2021-06-04 | 深圳万普瑞邦技术有限公司 | 一种基于人工智能的医疗诊断系统 |
CN112951431A (zh) * | 2021-03-30 | 2021-06-11 | 太原理工大学 | 基于医疗数据的充血性心衰风险预测方法、系统及设备、存储介质 |
CN115762769A (zh) * | 2022-02-21 | 2023-03-07 | 周中银 | 一种ercp术后风险智能预警系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150213217A1 (en) * | 2012-09-13 | 2015-07-30 | Parkland Center For Clinical Innovation | Holistic hospital patient care and management system and method for telemedicine |
-
2021
- 2021-09-02 CN CN202111028288.XA patent/CN113539485B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016077786A1 (en) * | 2014-11-14 | 2016-05-19 | Zoll Medical Corporation | Medical premonitory event estimation |
CN104915576A (zh) * | 2015-07-09 | 2015-09-16 | 北京慧摩尔科技有限公司 | 数字化心血管风险评估系统 |
CN110249392A (zh) * | 2018-08-20 | 2019-09-17 | 深圳市全息医疗科技有限公司 | 智能辅助诊疗系统及方法 |
WO2020131746A1 (en) * | 2018-12-17 | 2020-06-25 | Georgia State University Research Foundation, Inc. | Predicting dcis recurrence risk using a machine learning-based high-content image analysis approach |
CN111554365A (zh) * | 2019-03-20 | 2020-08-18 | 华中科技大学同济医学院附属协和医院 | 一种慢性病综合服务平台 |
CN111832360A (zh) * | 2019-04-19 | 2020-10-27 | 北京三星通信技术研究有限公司 | 提示信息的处理方法、装置、电子设备以及可读存储介质 |
CN110600136A (zh) * | 2019-08-22 | 2019-12-20 | 佛山市第一人民医院(中山大学附属佛山医院) | 病种追踪管理方法及系统 |
CN112101413A (zh) * | 2020-08-12 | 2020-12-18 | 海南大学 | 面向脑卒中风险预测的智能系统 |
CN112951431A (zh) * | 2021-03-30 | 2021-06-11 | 太原理工大学 | 基于医疗数据的充血性心衰风险预测方法、系统及设备、存储介质 |
CN112908474A (zh) * | 2021-04-09 | 2021-06-04 | 深圳万普瑞邦技术有限公司 | 一种基于人工智能的医疗诊断系统 |
CN115762769A (zh) * | 2022-02-21 | 2023-03-07 | 周中银 | 一种ercp术后风险智能预警系统 |
Non-Patent Citations (3)
Title |
---|
中国科学技术协会.《控制科学与工程学科发展报告 2010-2011》.中国科学技术出版社,2011,60. * |
何泽奇.《人工智能》.航空工业出版社,2021,220-222. * |
基于神经网络的知识推理研究综述;张仲伟;曹雷;陈希亮;寇大磊;宋天挺;;计算机工程与应用(12);13-24+41 * |
Also Published As
Publication number | Publication date |
---|---|
CN113539485A (zh) | 2021-10-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113539485B (zh) | 医疗数据处理方法及装置 | |
CN111816301A (zh) | 医疗问诊辅助方法、装置、电子设备及介质 | |
US11062035B2 (en) | Secure document management using blockchain | |
US9268827B2 (en) | System and method for collecting data from data sources and using data collection tools | |
WO2022062353A1 (zh) | 医疗数据处理方法、装置、计算机设备和存储介质 | |
CN103455886A (zh) | 基于工作流的诊疗决策支持系统及其方法 | |
CN110597946B (zh) | 一种案例存储方法、装置、设备及存储介质 | |
CN114360639A (zh) | 基于人工智能的药物靶点作用关系确定方法及装置 | |
CN114332984B (zh) | 训练数据处理方法、装置和存储介质 | |
Al-Safi et al. | Patient privacy in smart cities by blockchain technology and feature selection with Harris Hawks Optimization (HHO) algorithm and machine learning | |
US20200004771A1 (en) | System and method for executing access transactions of documents related to drug discovery | |
CN113657343A (zh) | 基于机器学习的理赔资源数据的生成方法及装置 | |
CN116431871B (zh) | 智慧实验室的信息化管理方法及系统 | |
WO2010018575A1 (en) | Method and system for matching between a tissue donor and a tissue recipient | |
CN114063651A (zh) | 用户与多架无人机进行相互认证的方法、可存储介质 | |
CN112435745B (zh) | 就诊策略推荐方法、装置、电子设备及存储介质 | |
CN116955646A (zh) | 知识图谱的生成方法和装置、存储介质及电子设备 | |
CN111739595A (zh) | 一种医疗大数据共享分析方法及装置 | |
CN114360732B (zh) | 医疗数据分析方法、装置、电子设备及存储介质 | |
CN113257439B (zh) | 一种远程医疗会诊平台的功能定制方法及系统 | |
CN113782225B (zh) | 一种多学科会诊系统 | |
CN112927152B (zh) | Ct图像去噪处理方法、装置、计算机设备及介质 | |
CN111694884B (zh) | 基于大数据的智慧政务请求处理方法 | |
CN113903433A (zh) | 一种图像处理方法、装置和电子设备 | |
Sreeji et al. | Security and privacy preserving deep learning framework that protect healthcare data breaches |
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 |