CN113611380A - 针对诊断预测的数据选择方法 - Google Patents
针对诊断预测的数据选择方法 Download PDFInfo
- Publication number
- CN113611380A CN113611380A CN202110775978.5A CN202110775978A CN113611380A CN 113611380 A CN113611380 A CN 113611380A CN 202110775978 A CN202110775978 A CN 202110775978A CN 113611380 A CN113611380 A CN 113611380A
- Authority
- CN
- China
- Prior art keywords
- data
- diagnosis
- module
- medical record
- information
- 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
- 238000010187 selection method Methods 0.000 title abstract description 10
- 238000003745 diagnosis Methods 0.000 claims abstract description 96
- 238000000034 method Methods 0.000 claims abstract description 23
- 201000010099 disease Diseases 0.000 claims description 45
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 45
- 230000008569 process Effects 0.000 claims description 4
- 230000008676 import Effects 0.000 claims description 2
- 238000004806 packaging method and process Methods 0.000 claims description 2
- 230000005540 biological transmission Effects 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 3
- 238000010801 machine learning Methods 0.000 abstract description 3
- 230000000052 comparative effect Effects 0.000 abstract description 2
- 238000004458 analytical method Methods 0.000 description 5
- 208000024891 symptom Diseases 0.000 description 3
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 238000009795 derivation Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 206010007559 Cardiac failure congestive Diseases 0.000 description 1
- 206010056370 Congestive cardiomyopathy Diseases 0.000 description 1
- 201000010046 Dilated cardiomyopathy Diseases 0.000 description 1
- 241000288140 Gruiformes Species 0.000 description 1
- 206010019280 Heart failures Diseases 0.000 description 1
- 206010020772 Hypertension Diseases 0.000 description 1
- 206010020802 Hypertensive crisis Diseases 0.000 description 1
- 208000032923 Lobar pneumonia Diseases 0.000 description 1
- 206010035664 Pneumonia Diseases 0.000 description 1
- 206010036790 Productive cough Diseases 0.000 description 1
- 208000037656 Respiratory Sounds Diseases 0.000 description 1
- 206010003119 arrhythmia Diseases 0.000 description 1
- 230000006793 arrhythmia Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 230000000747 cardiac effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000004064 dysfunction Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 208000021760 high fever Diseases 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 238000012856 packing Methods 0.000 description 1
- 201000003144 pneumothorax Diseases 0.000 description 1
- 206010037833 rales Diseases 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 208000024794 sputum Diseases 0.000 description 1
- 210000003802 sputum Anatomy 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000035488 systolic blood pressure Effects 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
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
- 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
- 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
- G06F16/31—Indexing; Data structures therefor; Storage structures
-
- 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
- G06F16/3331—Query processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/205—Parsing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Epidemiology (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及数据报文分发技术领域，具体涉及针对诊断预测的数据选择方法；包括以下步骤：S1、解析电子病历、获取文本数据，S2、提取病历数据和诊断数据，S3、上传至病历库，并搜索相关数据，S4、对比病历数据和诊断数据，S5、数据相似度排列，S6、获取多组相关诊断方案，所述文本数据指患者在特指科室的完整诊断病历数据信息。本发明避免了对病历建模和机器学习的繁琐步骤，降低了诊断预测方案的实施成本，且在医师对特殊病历或含有并发症病历进行诊断时，提供了多种诊断方案，避免了复杂病历被漏诊或错诊的情况，同时，检索出的对比病历中还为医师提供了往期病例的治疗方法及治疗效果，便于医师在诊断预测后对患者进行治疗。
Description
技术领域
本发明涉及诊断预测的数据选择技术领域，具体涉及针对诊断预测的数据选择方法。
背景技术
在医疗领域中，病案诊断是确定病人患病的标准定义，是医院管理、医疗、科研和教学的重要资料之一，具有重要的科学价值，特别是随着医疗制度的改革和规范化管理，基于病案诊断的疾病分类则成为费用核算支付的重要依据。
中国专利申请号为CN 108597614 A公开了一种基于中文电子病历的辅助诊断决策方法，包括：首先将中文电子病历集中的疾病与症状信息进行清洗，然后挖掘疾病与症状事务的关联规则，本发明根据疾病与症状事务关联规则的置信度进行排序，并且以基分类器分类结果为基准从中进行特征选择，根据特征选择出的特征向量运用决策树分类器进行疾病分类，实现了对疾病的预测。但是其在诊断过程中，为保证诊断准确性，需要大量的对病例建模并导入数据库中，还必须将大量的数据模型导入智能机器库中进行学习和编程才可使用，极大地提高了诊断预测成本和维护成本。
综上所述，研发针对诊断预测的数据选择方法，仍是诊断预测的数据选择技术领域中急需解决的关键问题。
发明内容
针对现有技术所存在的上述缺点，本发明的目的在于提供针对诊断预测的数据选择方法，本发明通过提取电子病历诊断要素并在病历库中进行检索，即可获取详细诊断预测结果，只需患者将电子病历传输至病历库中进行保存，加入相关搜索引擎即可完成建库，避免了对病历建模和机器学习的繁琐步骤，降低了诊断预测方案的实施成本，且通过对比实例病例和配合诊断方法，提升了诊断预测的准确性，且将通过输入模块输入诊断预测患者的病历编号，选择需要诊断预测的项目，并病历库中，经病历库中的搜索模块在病历库中进行相关检索后，将筛选出的相关实例病例传输至显示模块进行显示，可通过选择模块选择诊断预测方案，并通过导出模块将诊断预测方案传输至电子终端或纸质打印，快速获得诊断预测结果和分析资料。
针对诊断预测的数据选择方法，包括以下步骤：
S1、解析电子病历，获取文本数据。
S2、提取病历数据和诊断数据。
S3、上传至病历库，并搜索相关数据。
S4、对比病历数据和诊断数据。
S5、数据相似度排列。
S6、获取多组相关诊断方案。
本发明进一步设置为：在所述步骤S1中，所述文本数据指患者在特指科室的完整诊断病历数据信息。
本发明进一步设置为：在所述步骤S2中，所述病历数据包括患者性别、患者年龄和病情描述信息，所述诊断数据指患者在特指科室的往期诊断信息。
本发明进一步设置为：在所述步骤S3中，对比病历数据和诊断数据，包括以下步骤：
S201、在所述步骤S2中获取的患者性别、患者年龄、病情描述信息和往期诊断信息，导入病历库中。
S202、通过病历库的对比、分析和搜索，获取多组相似实例病例。
本发明进一步设置为：将通过在步骤201中获取的信息，根据病情描述关键词1+病情描述关键词2+…+病情描述关键词3+患者年纪+患者性别，依次排序后在病历库中对比、分析和搜索，获取多组相似实例病例。
通过相关要素在病历库中检索时，若存在相关实例病例，则将获取的相关实例病例导入步骤S3中，若不存在相关实例病例，则结束下述若干步骤并将检索结果上报。
本发明进一步设置为：在所述步骤S202中，通过相关要素在病历库中检索时，若存在相关实例病例，则将获取的相关实例病例导入所述步骤S3中，若不存在相关实例病例，则结束下述若干步骤并将检索结果上报。
本发明进一步设置为：在所述步骤S4中，将所述步骤2中获取的病情描述信息和往期诊断信息与所述步骤S3中，病历库中检索出的多组实例病例进行对比分析，并对要素进行按照病情要素和诊断要素分类标记。
本发明进一步设置为：在所述步骤S5，数据相似度排列，包括以下步骤：
S501、对多组相似实例病例通过所述步骤S4中标记过的分类要素，进行相似度降序排列。
S502、从多组相似实例病例中，选择若干组相似度最高的实例病例并导出，在进行相似度降序排列过程中，可选择综合相似度降序排列、病情描述信息相似度降序排列和诊断信息相似度降序排列。
本发明还包括针对诊断预测的数据选择设备，包括：
请求连接模块，所述请求连接模块用于向病历库发起数据连接请求信息。
输入模块，所述输入模块用于输入电子病例编码，搜索输入模块与请求连接模块电性连接。
搜索模块，所述搜索模块用于在病历库中检测相关实例病例，搜索搜索模块与输入模块信号连接。
显示模块，所述显示模块用于将实例病例数据转化为图像信息显示，所述显示模块与搜索模块信号连接。
选择模块，所述选择模块用于挑选所需的实例病例，所述选择模块与显示模块电性连接。
导出模块，所述导出模块用于将选择模块挑选出的实例病例数据打包传输导出，所述导出模块与选择模块电性连接。
本发明进一步设置为：在步骤S202中，获取的实例病例包括往期患者性别信息、往期患者年龄信息、往期患者病情描述信息和往期患者诊断信息。
有益效果
采用本发明提供的技术方案，与已知的公有技术相比，具有如下有益效果：
(1)、本发明通过提取电子病历诊断要素并在病历库中进行检索，即可获取详细诊断预测结果，只需患者将电子病历传输至病历库中进行保存，加入相关搜索引擎即可完成建库，避免了对病历建模和机器学习的繁琐步骤，降低了诊断预测方案的实施成本，且通过对比实例病例和配合诊断方法，提升了诊断预测的准确性。
(2)、本发明通过病历关键词对比病历库内存储的往期病历，而获取多个相似度最高的病历，供医师诊断参考，因往期病历都为现实病历数据，相比直接导入数据库中学习的诊断预测方式，本诊断预测方式使得诊断预测的结果更为准确，在医师对特殊病历或含有并发症病历进行诊断时，提供了多种诊断方案，避免了复杂病历被漏诊或错诊的情况，同时，检索出的对比病历中还为医师提供了往期病例的治疗方法及治疗效果，便于医师在诊断预测后对患者进行治疗。
(3)、本发明由请求模块与病历库建立连接后，将通过输入模块输入诊断预测患者的病历编号，选择需要诊断预测的项目，并病历库中，经病历库中的搜索模块在病历库中进行相关检索后，将筛选出的相关实例病例传输至显示模块进行显示，可通过选择模块选择诊断预测方案，并通过导出模块将诊断预测方案传输至电子终端或纸质打印，快速获得诊断预测结果和分析资料。
附图说明
图1为针对诊断预测的数据选择方法的流程图；
图2为针对诊断预测的数据选择方法步骤S3中的流程图；
图3为针对诊断预测的数据选择设备的系统图；
图4为针对诊断预测的数据选择方法步骤s3的流程图。
图中标号说明：
1、请求连接模块；11、输入模块；12、搜索模块；13、显示模块；14、选择模块；15、导出模块。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将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作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。
下面结合实施例对本发明作进一步的描述。
实施例1
请参照图1、图2和图4所示，针对诊断预测的数据选择方法，包括以下步骤：
步骤一、解析电子病历，获取文本数据。
文本数据指患者在特指科室的完整诊断病历数据信息。
在本实施例中，需要对患者进行诊断预测时，通过输入电子病历编号，并选择提取项目，即可提取电子病历中相关项目的整体信息。
步骤二、提取病历数据和诊断数据。
病历数据包括患者性别、患者年龄和病情描述信息，诊断数据指患者在特指科室的往期诊断信息。
在本实施例中，在提取出的电子病历整体信息中，筛选出患者性别、患者年龄和病情描述信息。
步骤三、上传至病历库，并搜索相关数据。
在步骤三中，对比病历数据和诊断数据，包括以下步骤：
201)、在步骤S2中获取的患者性别、患者年龄、病情描述信息和往期诊断信息，导入病历库中，患者性别、患者年龄和往期诊断信息为选择性导入病历库的搜索引擎中，也可配合病情描述信息共同导入病历库的搜索引擎中，其中病情描述信息为必要导入信息。
202)、将通过在步骤201中获取的信息，根据病情描述关键词1+病情描述关键词2+…+病情描述关键词3+患者年纪+患者性别，依次排序后在病历库中对比、分析和搜索，获取多组相似实例病例；
通过相关要素在病历库中检索时，若存在相关实例病例，则将获取的相关实例病例导入步骤S3中，若不存在相关实例病例，则结束下述若干步骤并将检索结果上报。
在本实施例中，将患者提取出的病情描述信息或诊断信息发送至病历库中通过搜索引擎检索，即可获取往期相关患者的电子病历，及其记录的病情描述信息和诊断信息，也可通过输入性别信息或年龄信息，进一步更加精准地筛选实例病例数据。
步骤四、对比病历数据和诊断数据。
在本实施例中，将步骤2中获取的病情描述信息和往期诊断信息与步骤S3中，病历库中检索出的多组实例病例进行对比分析，并对要素进行按照病情要素和诊断要素分类标记。
步骤五、数据相似度排列。
在步骤S5，数据相似度排列，包括以下步骤：
501)、对多组相似实例病例通过步骤S4中标记过的分类要素，进行相似度降序排列。
502)、从多组相似实例病例中，选择若干组相似度最高的实例病例并导出，在进行相似度降序排列过程中，可选择综合相似度降序排列、病情描述信息相似度降序排列和诊断信息相似度降序排列。
在本实施例中，将筛选出的实例病例通过综合相似度、病情描述信息相似度和诊断信息三种方式进行排列，提升了实用性，例如：当患者病情描述足够明显时，即可通过病情描述信息相似度降序排列的顺序获取实例病例的诊断信息，加快了诊断预测的效率和准确性。
步骤六、获取多组相关诊断方案。
在本实施例中，获取的诊断方案中，包括实例病例记录的患者性别、患者年龄、病情描述信息和诊断信息，方便与诊断预测患者进行对比分析，提升了诊断预测的准确性。
如图4所示，对比病情描述关键词与病历库中多个病历之间的多个对比关键词逐一对比，计算病情描述关键词与对比关键词的重复率，将按照重复率降序排列并获取前N个诊断方案，以用来供医师对比诊断预测，例如：
受凉+高热+湿啰音+铁锈色样痰+23岁+男性→诊断方案1+诊断方案2+诊断方案n→大叶性肺炎；
呼吸音消失+高压气体→诊断方案1+诊断方案2→张力性气胸；
高血压病史+血压显著增高(收缩压≥200mmHg)+靶器官功能障碍+男性→高血压危象；
充血性心力衰竭+心脏扩大+心率失常+30岁→扩张型心肌病等。
实施例2
在实施例1的基础上，请参照图3所示，本发明还提供了针对诊断预测的数据选择设备，包括：
请求连接模块1，请求连接模块1用于向病历库发起数据连接请求信息。
输入模块11，输入模块11用于输入电子病例编码，搜索输入模块11与请求连接模块1电性连接。
搜索模块12，搜索模块12用于在病历库中检测相关实例病例，搜索搜索模块12与输入模块11信号连接。
显示模块13，显示模块13用于将实例病例数据转化为图像信息显示，显示模块13与搜索模块12信号连接。
选择模块14，选择模块14用于挑选所需的实例病例，选择模块14与显示模块13电性连接。
导出模块15，导出模块15用于将选择模块14挑选出的实例病例数据打包传输导出，导出模块15与选择模块14电性连接。
在本实施例中，由请求模块1与病历库建立连接后，将通过输入模块11输入诊断预测患者的病历编号，选择需要诊断预测的项目，并病历库中，经病历库中的搜索模块12在病历库中进行相关检索后，将筛选出的相关实例病例传输至显示模块13进行显示，可通过选择模块14选择诊断预测方案，并通过导出模块15将诊断预测方案传输至电子终端或纸质打印，快速获得诊断预测结果和分析资料。
本发明的各部分可以用硬件、软件、固件或他们的组合来实现，在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现，例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不会使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.针对诊断预测的数据选择方法，其特征在于，包括以下步骤：
S1、解析电子病历，获取文本数据；
S2、提取病历数据和诊断数据；
S3、上传至病历库，并搜索相关数据；
S4、对比病历数据和诊断数据；
S5、数据相似度排列；
S6、获取多组相关诊断方案。
2.根据权利要求1所述的针对诊断预测的数据选择方法，其特征在于，在所述步骤S1中，所述文本数据指患者在特指科室的完整诊断病历数据信息。
3.根据权利要求1所述的针对诊断预测的数据选择方法，其特征在于，在所述步骤S2中，所述病历数据包括患者性别、患者年龄和病情描述信息，所述诊断数据指患者在特指科室的往期诊断信息。
4.根据权利要求1所述的针对诊断预测的数据选择方法，其特征在于，在所述步骤S3中，对比病历数据和诊断数据，包括以下步骤：
S201、在所述步骤S2中获取的患者性别、患者年龄、病情描述信息和往期诊断信息，导入病历库中；
S202、将通过在步骤S201中获取的信息，根据病情描述关键词1+病情描述关键词2+…+病情描述关键词3+患者年纪+患者性别，依次排序后在病历库中对比、分析和搜索，获取多组相似实例病例。
5.根据权利要求4所述的针对诊断预测的数据选择方法，其特征在于，在所述步骤S201中，患者性别、患者年龄和往期诊断信息为选择性导入病历库的搜索引擎中，也可配合病情描述关键词共同导入病历库的搜索引擎中，其中病情描述关键词为必要导入信息。
6.根据权利要求4所述的针对诊断预测的数据选择方法，其特征在于，在所述步骤S202中，通过相关要素在病历库中检索时，若存在相关实例病例，则将获取的相关实例病例导入所述步骤S3中，若不存在相关实例病例，则结束下述若干步骤并将检索结果上报。
7.根据权利要求1所述的针对诊断预测的数据选择方法，其特征在于，在所述步骤S4中，将所述步骤2中获取的病情描述信息和往期诊断信息与所述步骤S3中，病历库中检索出的多组实例病例进行对比分析，并对要素进行按照病情要素和诊断要素分类标记。
8.根据权利要求7所述的针对诊断预测的数据选择方法，其特征在于，在所述步骤S5，数据相似度排列，包括以下步骤：
S501、对多组相似实例病例通过所述步骤S4中标记过的分类要素，进行相似度降序排列；
S502、从多组相似实例病例中，选择若干组相似度最高的实例病例并导出，在进行相似度降序排列过程中，可选择综合相似度降序排列、病情描述信息相似度降序排列和诊断信息相似度降序排列。
9.针对诊断预测的数据选择设备，其特征在于，包括：
请求连接模块(1)，所述请求连接模块(1)用于向病历库发起数据连接请求信息；
输入模块(11)，所述输入模块(11)用于输入电子病例编码，搜索输入模块(11)与请求连接模块(1)电性连接；
搜索模块(12)，所述搜索模块(12)用于在病历库中检测相关实例病例，搜索模块(12)与输入模块(11)信号连接；
显示模块(13)，所述显示模块(13)用于将实例病例数据转化为图像信息显示，所述显示模块(13)与搜索模块(12)信号连接；
选择模块(14)，所述选择模块(14)用于挑选所需的实例病例，所述选择模块(14)与显示模块(13)电性连接；
导出模块(15)，所述导出模块(15)用于将选择模块(14)挑选出的实例病例数据打包传输导出，所述导出模块(15)与选择模块(14)电性连接。
10.根据权利要求4所述的针对诊断预测的数据选择方法，其特征在于，在步骤S202中，获取的实例病例包括往期患者性别信息、往期患者年龄信息、往期患者病情描述信息和往期患者诊断信息。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110775978.5A CN113611380A (zh) | 2021-07-09 | 2021-07-09 | 针对诊断预测的数据选择方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110775978.5A CN113611380A (zh) | 2021-07-09 | 2021-07-09 | 针对诊断预测的数据选择方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113611380A true CN113611380A (zh) | 2021-11-05 |
Family
ID=78304251
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110775978.5A Pending CN113611380A (zh) | 2021-07-09 | 2021-07-09 | 针对诊断预测的数据选择方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113611380A (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109299239A (zh) * | 2018-09-29 | 2019-02-01 | 福建弘扬软件股份有限公司 | 一种基于es的电子病历检索方法 |
| CN110534206A (zh) * | 2019-08-26 | 2019-12-03 | 北京好医生云医院管理技术有限公司 | 一种医疗诊断辅助系统的工作方法 |
| CN111489800A (zh) * | 2020-04-10 | 2020-08-04 | 武汉万屏电子科技有限公司 | 一种病历和报告单图像识别与存储的分析方法及系统 |
| CN113064960A (zh) * | 2020-01-02 | 2021-07-02 | 广州创金谷科技有限公司 | 一种精确搜索与患者病情相似病例的方法 |
-
2021
- 2021-07-09 CN CN202110775978.5A patent/CN113611380A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109299239A (zh) * | 2018-09-29 | 2019-02-01 | 福建弘扬软件股份有限公司 | 一种基于es的电子病历检索方法 |
| CN110534206A (zh) * | 2019-08-26 | 2019-12-03 | 北京好医生云医院管理技术有限公司 | 一种医疗诊断辅助系统的工作方法 |
| CN113064960A (zh) * | 2020-01-02 | 2021-07-02 | 广州创金谷科技有限公司 | 一种精确搜索与患者病情相似病例的方法 |
| CN111489800A (zh) * | 2020-04-10 | 2020-08-04 | 武汉万屏电子科技有限公司 | 一种病历和报告单图像识别与存储的分析方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhang et al. | The gap of semantic parsing: A survey on automatic math word problem solvers | |
| US20220044812A1 (en) | Automated generation of structured patient data record | |
| CN113688248B (zh) | 一种小样本弱标注条件下的医疗事件识别方法及系统 | |
| CN112635011A (zh) | 疾病诊断方法、疾病诊断系统和可读存储介质 | |
| Searle et al. | Experimental evaluation and development of a silver-standard for the MIMIC-III clinical coding dataset | |
| Enad et al. | A review on artificial intelligence and quantum machine learning for heart disease diagnosis: Current techniques, challenges and issues, recent developments, and future directions | |
| CN116364274A (zh) | 基于因果推断和动态集成多标签的疾病预测方法及系统 | |
| CN113851208A (zh) | 基于显式主题分配技术的医疗检查推荐系统及方法 | |
| CN108604463A (zh) | 认知患者护理事件重建 | |
| Barandas et al. | Evaluation of uncertainty quantification methods in multi-label classification: A case study with automatic diagnosis of electrocardiogram | |
| Yogarajan et al. | Seeing the whole patient: using multi-label medical text classification techniques to enhance predictions of medical codes | |
| CN117542467B (zh) | 基于患者数据的专病标准数据库自动构建方法 | |
| CN114758742A (zh) | 病历信息处理方法、装置、电子设备及存储介质 | |
| CN110471941A (zh) | 自动定位判断依据的方法、装置及电子设备 | |
| CN114298314A (zh) | 一种基于电子病历的多粒度因果关系推理方法 | |
| Miranda et al. | Understanding Arteriosclerotic Heart Disease Patients Using Electronic Health Records: A Machine Learning and Shapley Additive exPlanations Approach | |
| CN112836012A (zh) | 一种基于排序学习的相似患者检索方法 | |
| Rajathi et al. | Named Entity Recognition-based Hospital Recommendation | |
| CN113611380A (zh) | 针对诊断预测的数据选择方法 | |
| CN116227478A (zh) | 面向DRGs支付的诊断依据发现方法及系统 | |
| Kohankhaki et al. | Radiopaths: Deep multimodal analysis on chest radiographs | |
| Liu et al. | Patient clustering for vital organ failure using ICD code with graph attention | |
| WO2022101928A1 (en) | Method for improving clinical documentation using knowledge graph | |
| Harerimana et al. | HSGA: A Hybrid LSTM-CNN Self-Guided Attention to predict the future diagnosis from discharge narratives | |
| Meena et al. | Heart and cardiac arrest analysis by prediction of hybrid model |
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 |