CN113658686B - 一种基于图数据库在智能诊疗决策系统中的应用方法 - Google Patents
一种基于图数据库在智能诊疗决策系统中的应用方法 Download PDFInfo
- Publication number
- CN113658686B CN113658686B CN202110940910.8A CN202110940910A CN113658686B CN 113658686 B CN113658686 B CN 113658686B CN 202110940910 A CN202110940910 A CN 202110940910A CN 113658686 B CN113658686 B CN 113658686B
- Authority
- CN
- China
- Prior art keywords
- nodes
- document
- decision
- node
- tree
- 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
- 238000011282 treatment Methods 0.000 title claims abstract description 32
- 238000003745 diagnosis Methods 0.000 title claims abstract description 23
- 238000000034 method Methods 0.000 title claims abstract description 23
- 238000003066 decision tree Methods 0.000 claims abstract description 27
- 230000002457 bidirectional effect Effects 0.000 claims abstract description 11
- 238000000605 extraction Methods 0.000 claims description 17
- 230000000694 effects Effects 0.000 claims description 9
- 230000005540 biological transmission Effects 0.000 claims description 6
- 230000010354 integration Effects 0.000 claims description 6
- 238000010801 machine learning Methods 0.000 claims description 5
- 230000009471 action Effects 0.000 claims description 4
- 238000013135 deep learning Methods 0.000 claims description 3
- 230000004083 survival effect Effects 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 230000003287 optical effect Effects 0.000 claims 1
- 238000012423 maintenance Methods 0.000 abstract 1
- 238000013461 design Methods 0.000 description 3
- 238000011144 upstream manufacturing Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000008676 import Effects 0.000 description 2
- 238000011369 optimal treatment Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 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
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/901—Indexing; Data structures therefor; Storage structures
- G06F16/9024—Graphs; Linked lists
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Pathology (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明公开了诊疗决策系统应用方法技术领域的一种基于图数据库在智能诊疗决策系统中的应用方法，且所述病历输入模块通过OCR或NLP电性输出连接精细化标签，所述精细化标签电性输出连接决策树，所述决策树电性输出连接且关联连接文档树，所述文档树电性输出连接方案或文档证据；所述图数据库内设置有标签节点，所述标签节点双向电性连接且关联连接方案节点，且方案节点双向电性连接且关联连接文档节点，且所述标签节点关联连接文档节点，具备更加灵活的可扩展性，各个节点以及关联关系可以随时调整属性以适应新需求，图数据库内支持同类型节点的父子节点关联，大大地方便了维护决策树和文件树这些树型的数据结构。
Description
技术领域
本发明涉及诊疗决策系统应用方法技术领域，具体为一种基于图数据库在智能诊疗决策系统中的应用方法。
背景技术
目前患者在医院就诊时，通常会通过输入简单的个人信息和病历，从而通过智能诊疗系统确立出一套切实可行的诊疗方案，诊疗系统中的机器学习最基本的做法，是使用算法来解析数据、从中学习，然后对真实世界中的事件作出决策和预测，但是基于各个表之间通过主键索引相互建立起关联关系，这种依赖关系一旦创建则无法轻易修改，牵一发而动全身，因此在扩展性这个层面关系型数据库很难适应灵活多变的需求场景，在智能诊疗决策这个场景下，以决策系统为中心，上游的标签池和语料库，以及下游的文档库等都具备十分复杂的领域模型，单纯利用关系型数据库难以设计出具备高扩展性，高可用性的系统。
关系型数据库中各个表之间一般只具备单向的关联关系，根据输入的标签可以通过决策树获取诊疗方案，然后根据对应的方案查找与之关联的文档证据，系统的上下游之间只存在这种以决策系统为中心的单向关联关系，但是事实上一部分标签并不具备决策属性但是也有关联文档的需求，这时候就需要区分不同类型的标签去新建关联关系，苦不堪言。另一方面，关系型数据库难以从下游节点反推上游节点，需要负担额外的索引空间支持反向查询，并且关系型数据库查询各个节点之间的依赖关系十分困难，需要对整个业务链路都十分熟悉的人来编写和维护查询语句，以MySQL为例，这种查询语句一般都需要包含复杂而冗长的join语句，有几个表就需要几个关联查询，还包括必要的子查询，为此，我们提出一种基于图数据库在智能诊疗决策系统中的应用方法。
发明内容
本发明的目的在于提供一种基于图数据库在智能诊疗决策系统中的应用方法，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：一种基于图数据库在智能诊疗决策系统中的应用方法，包括关系型数据库和图数据库，且所述关系型数据库内设置有病历输入模块，且所述病历输入模块通过OCR或NLP电性输出连接精细化标签，所述精细化标签电性输出连接决策树，所述决策树电性输出连接且关联连接文档树，所述文档树电性输出连接方案或文档证据；
所述图数据库内设置有标签节点，所述标签节点双向电性连接且关联连接方案节点，且方案节点双向电性连接且关联连接文档节点，且所述标签节点关联连接文档节点，所述标签节点、方案节点和文档节点均双向电性连接任意输入和输出节点；
所述精细化标签通过标签池抽取和标签节点关联连接，所述决策树通过方案库抽取和方案节点关联连接，所述文档树通过文档库抽取和文档节点关联连接。
优选的，所述精细化标签内包括数据特征值提取模块，且数据特征值提取模块电性输出连接数据整合模块，数据整合模块电性输出连接数据传输模块，且数据传输模块电性输出连接标签池。
优选的，所述病历输入模块包括将图像数据库中的CT、MRI、PETCT影像数据根据登记号进行归类整理，一一对应治疗中及治疗后的临床数据、生存数据、治疗方案、效果评价，采用传统机器学习方法和深度学习方法建立基于疗效的最优预测模型。
优选的，所述决策树上的单一节点都具有唯一性的节点编码，通过可用指标对各单一节点进行参数配置，再根据各单一节点的类型、节点编码和输入或输出参数将所有单一节点相互形成父或子关系，其中，单一节点的类型包括开始节点、分支节点、规则节点和叶子节点，其中叶子节点没有子节点，每个子节点的输入参数是其父节点的输出参数，对具有父子关系的节点分别进行条件配置，得到配置完整的决策路径，每条决策路径的叶子节点都具有表示决策行为的决策行动码，然后对配置完整的决策路径进行正确性校验，得到决策树。
与现有技术相比，本发明的有益效果是：
1.本发明基于病历输入模块能够实现患者个人的基本信息以及相关病历数据的导入，继而通过精细化标签实现对基本信息的特征值提取，完成输入信息的精确分类，继而通过决策树完成特征值和数据库中的相对应关联文件，同时通过文档库确定节点之间的关联性，并调取相对应的方案和文档，本发明相对于关系型数据库而言具备更加灵活的可扩展性，各个节点以及关联关系可以随时调整属性以适应新需求，相比其他几种非关系型数据库而言这种基于节点和关联关系的数据库更加符合自然场景，也自然更容易理解和使用，去中心化的领域设计，支持任意节点之间进行关联，打破了单向的关联逻辑，每个节点都既是输入，也都是输出，通过任意节点都可以快速地查找到任意一个与之关联的节点与路径，通过这种关系，在智能诊疗系统中可以很方便地通过文档库节点或者决策节点反推出患者的病历标签，甚至可以直接虚拟出任意一个病例匹配到该相应的决策节点和或或文档证据，同时，精细化标签通过标签池抽取和标签节点关联连接，决策树通过方案库抽取和方案节点关联连接，文档树通过文档库抽取和文档节点关联连接，图数据库内支持同类型节点的父子节点关联，大大地方便了维护决策树和文件树这些树型的数据结构；
2.本发明利用机器学习的方法进行模型建立，可实现更细致的分层，能够对于人群进行更进一步地细化分类，查询语句简单，相比于关系型数据库复杂的关联查询，图数据库一般的查询只要一行便可轻松查找到对应的节点和路径。且借助可视化的图数据库工具，使得没有开发基础的人也可以直观地分析查询结果，从而能够使得临床医师针对不同的病人采取优化治疗方案，提高治疗效果，减少“过度治疗”，降低医疗成本，同时能够通过自主学习和人工干预的方法结合能够不断地提高和完善数据库，通过数据的不断收集，基于大数据的人工智能学习，不断提高诊疗决策的准确性，总结甚至发现新的规律，逐步优化诊断效果。
附图说明
图1为本发明工作原理图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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做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。
请参阅图1，本发明提供一种技术方案：一种基于图数据库在智能诊疗决策系统中的应用方法，包括关系型数据库和图数据库，且所述关系型数据库内设置有病历输入模块，且所述病历输入模块通过OCR或NLP电性输出连接精细化标签，所述精细化标签电性输出连接决策树，所述决策树电性输出连接且关联连接文档树，所述文档树电性输出连接方案或文档证据；
所述图数据库内设置有标签节点，所述标签节点双向电性连接且关联连接方案节点，且方案节点双向电性连接且关联连接文档节点，且所述标签节点关联连接文档节点，所述标签节点、方案节点和文档节点均双向电性连接任意输入和输出节点；
所述精细化标签通过标签池抽取和标签节点关联连接，所述决策树通过方案库抽取和方案节点关联连接，所述文档树通过文档库抽取和文档节点关联连接。
所述精细化标签内包括数据特征值提取模块，且数据特征值提取模块电性输出连接数据整合模块，数据整合模块电性输出连接数据传输模块，且数据传输模块电性输出连接标签池；
所述病历输入模块包括将图像数据库中的CT、MRI、PETCT影像数据根据登记号进行归类整理，一一对应治疗中及治疗后的临床数据、生存数据、治疗方案、效果评价，采用传统机器学习方法和深度学习方法建立基于疗效的最优预测模型；
所述决策树上的单一节点都具有唯一性的节点编码，通过可用指标对各单一节点进行参数配置，再根据各单一节点的类型、节点编码和输入或输出参数将所有单一节点相互形成父或子关系，其中，单一节点的类型包括开始节点、分支节点、规则节点和叶子节点，其中叶子节点没有子节点，每个子节点的输入参数是其父节点的输出参数，对具有父子关系的节点分别进行条件配置，得到配置完整的决策路径，每条决策路径的叶子节点都具有表示决策行为的决策行动码，然后对配置完整的决策路径进行正确性校验，得到决策树；
工作原理：本发明基于病历输入模块能够实现患者个人的基本信息以及相关病历数据的导入，继而通过精细化标签实现对基本信息的特征值提取，完成输入信息的精确分类，继而通过决策树完成特征值和数据库中的相对应关联文件，同时通过文档库确定节点之间的关联性，并调取相对应的方案和文档，本发明相对于关系型数据库而言具备更加灵活的可扩展性，各个节点以及关联关系可以随时调整属性以适应新需求，相比其他几种非关系型数据库而言这种基于节点和关联关系的数据库更加符合自然场景，也自然更容易理解和使用，去中心化的领域设计，支持任意节点之间进行关联，打破了单向的关联逻辑，每个节点都既是输入，也都是输出，通过任意节点都可以快速地查找到任意一个与之关联的节点与路径，通过这种关系，在智能诊疗系统中可以很方便地通过文档库节点或者决策节点反推出患者的病历标签，甚至可以直接虚拟出任意一个病例匹配到该相应的决策节点和或或文档证据，同时，精细化标签通过标签池抽取和标签节点关联连接，决策树通过方案库抽取和方案节点关联连接，文档树通过文档库抽取和文档节点关联连接，图数据库内支持同类型节点的父子节点关联，大大地方便了维护决策树和文件树这些树型的数据结构，利用机器学习的方法进行模型建立，可实现更细致的分层，能够对于人群进行更进一步的细化分类，查询语句简单，相比于关系型数据库复杂的关联查询，图数据库一般的查询只要一行便可轻松查找到对应的节点和路径。且借助可视化的图数据库工具，使得没有开发基础的人也可以直观地分析查询结果，从而能够使得临床医师针对不同的病人采取优化治疗方案，提高治疗效果，减少“过度治疗”，降低医疗成本，同时能够通过自主学习和人工干预的方法结合能够不断地提高和完善数据库，通过数据的不断收集，基于大数据的人工智能学习，不断提高诊疗决策的准确性，总结甚至发现新的规律，逐步优化诊断效果。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
Claims (4)
1.一种基于图数据库在智能诊疗决策系统中的应用方法，其特征在于：包括关系型数据库和图数据库，且所述关系型数据库内设置有病历输入模块，且所述病历输入模块通过OCR/NLP电性输出连接精细化标签，所述精细化标签电性输出连接决策树，所述决策树电性输出连接且关联连接文档树，所述文档树电性输出连接方案/文档证据；
所述图数据库内设置有标签节点，所述标签节点双向电性连接且关联连接方案节点，且方案节点双向电性连接且关联连接文档节点，且所述标签节点关联连接文档节点，所述标签节点、方案节点和文档节点均双向电性连接任意输入和输出节点；
所述精细化标签通过标签池抽取和标签节点关联连接，所述决策树通过方案库抽取和方案节点关联连接，所述文档树通过文档库抽取和文档节点关联连接。
2.根据权利要求1所述的一种基于图数据库在智能诊疗决策系统中的应用方法，其特征在于：所述精细化标签内包括数据特征值提取模块，且数据特征值提取模块电性输出连接数据整合模块，数据整合模块电性输出连接数据传输模块，且数据传输模块电性输出连接标签池。
3.根据权利要求1所述的一种基于图数据库在智能诊疗决策系统中的应用方法，其特征在于：所述病历输入模块包括将图像数据库中的CT、MRI、PETCT影像数据根据登记号进行归类整理，一一对应治疗中及治疗后的临床数据、生存数据、治疗方案，采用机器学习方法和深度学习方法建立基于疗效的最优预测模型。
4.根据权利要求1所述的一种基于图数据库在智能诊疗决策系统中的应用方法，其特征在于：所述决策树上的单一节点都具有唯一性的节点编码，通过可用指标对各单一节点进行参数配置，再根据各单一节点的类型、节点编码和输入/输出参数将所有单一节点相互形成父/子关系，其中，单一节点的类型包括开始节点、分支节点、规则节点和叶子节点，其中叶子节点没有子节点，每个子节点的输入参数是其父节点的输出参数，对具有父子关系的节点分别进行条件配置，得到配置完整的决策路径，每条决策路径的叶子节点都具有表示决策行为的决策行动码，然后对配置完整的决策路径进行正确性校验，得到决策树。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110940910.8A CN113658686B (zh) | 2021-08-17 | 2021-08-17 | 一种基于图数据库在智能诊疗决策系统中的应用方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110940910.8A CN113658686B (zh) | 2021-08-17 | 2021-08-17 | 一种基于图数据库在智能诊疗决策系统中的应用方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113658686A CN113658686A (zh) | 2021-11-16 |
| CN113658686B true CN113658686B (zh) | 2024-08-16 |
Family
ID=78480442
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110940910.8A Active CN113658686B (zh) | 2021-08-17 | 2021-08-17 | 一种基于图数据库在智能诊疗决策系统中的应用方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113658686B (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107239665A (zh) * | 2017-06-09 | 2017-10-10 | 京东方科技集团股份有限公司 | 医疗信息查询系统及方法 |
| CN109448856A (zh) * | 2018-10-16 | 2019-03-08 | 张倩 | 基于人工智能的诊疗决策系统 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3675138B1 (en) * | 2018-03-07 | 2022-09-21 | Siemens Healthcare GmbH | Medical imaging device control based on decision tree data structures |
| CN110222319A (zh) * | 2019-06-19 | 2019-09-10 | 北京百度网讯科技有限公司 | 用于挖掘数据的方法和装置 |
-
2021
- 2021-08-17 CN CN202110940910.8A patent/CN113658686B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107239665A (zh) * | 2017-06-09 | 2017-10-10 | 京东方科技集团股份有限公司 | 医疗信息查询系统及方法 |
| CN109448856A (zh) * | 2018-10-16 | 2019-03-08 | 张倩 | 基于人工智能的诊疗决策系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113658686A (zh) | 2021-11-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Liu et al. | MMKG: multi-modal knowledge graphs | |
| US10535003B2 (en) | Establishing semantic equivalence between concepts | |
| CN112380325B (zh) | 基于联合知识嵌入模型和事实记忆网络的知识图谱问答系统 | |
| CN106663101A (zh) | 本体映射方法和设备 | |
| CN113516164A (zh) | 一种融合知识图谱与深度学习的果树病虫害诊断方法 | |
| CN117973519A (zh) | 一种基于知识图谱的数据处理方法 | |
| CN113987139A (zh) | 一种基于知识图谱的航空发动机fadec系统软件缺陷案例可视化查询管理系统 | |
| CN115831380A (zh) | 一种基于医疗知识图谱的智能医疗数据管理系统及方法 | |
| Gao et al. | Automatic index selection with learned cost estimator | |
| CN113658686B (zh) | 一种基于图数据库在智能诊疗决策系统中的应用方法 | |
| Xu et al. | Construction of chinese sports knowledge graph based on neo4j | |
| Ren et al. | HMDFF: a heterogeneous medical data fusion framework supporting multimodal query | |
| CN101452462B (zh) | 用于自动建立网络上信息对象之间层次结构的方法和系统 | |
| CN110188169A (zh) | 一种基于简化标签的知识匹配方法、系统及设备 | |
| Zemmouchi-Ghomari et al. | Proposal for a mutual conversion relational database-ontology approach | |
| Su-Cheng et al. | Mapping of extensible markup language-to-ontology representation for effective data integration | |
| Yan et al. | Research and exploration on the construction method of knowledge graph of water field based on text | |
| Jin et al. | Research on the method of knowledge base question answering | |
| Martinez-Cruz et al. | An ontology to represent queries in fuzzy relational databases | |
| Smith et al. | Unity: Speeding the creation of community vocabularies for information integration and reuse | |
| Pernelle | Semantic enrichment of data: annotation and data linking | |
| CENSUALES et al. | Schema query reverse engineering | |
| Mattam et al. | A Framework for Knowledgebase Curation using Cognitive Web Architecture | |
| Bonchi et al. | On interactive pattern mining from relational databases | |
| Zhang | A Knowledge Graph Based Medical Intelligent Question Answering System |
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 |