CN113724831A - 基于人工智能的药品调配方法、装置、终端设备及介质 - Google Patents
基于人工智能的药品调配方法、装置、终端设备及介质 Download PDFInfo
- Publication number
- CN113724831A CN113724831A CN202111015398.2A CN202111015398A CN113724831A CN 113724831 A CN113724831 A CN 113724831A CN 202111015398 A CN202111015398 A CN 202111015398A CN 113724831 A CN113724831 A CN 113724831A
- Authority
- CN
- China
- Prior art keywords
- target
- patients
- syndrome
- patient
- diagnosed
- 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
- 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
- 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
- G06F16/332—Query formulation
-
- 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
- G06F16/35—Clustering; Classification
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- General Physics & Mathematics (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Medicinal Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Pathology (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本申请适用于医疗健康技术领域,尤其涉及一种基于人工智能的药品调配方法、装置、终端设备及介质。该方法从获取的目标区域内就诊病人的历史诊疗数据中,得到目标症候群对应的就诊病人的历史诊疗数据,并根据历史诊疗数据,确定该目标症候群对应的病人数量增长趋势和用药明细,再根据病人数量增长趋势,确定在目标时间段内的病人数量,依据病人数量和用药明细,得到在目标时间段内目标症候群在目标区域内的药品及其调配量,实现药品调配的预估,提前做好药品贮备工作,减轻了药品储备跟不上医疗需求的情况,提高了患者就诊效率。
Description
技术领域
本申请属于医疗健康技术领域,尤其涉及一种基于人工智能的药品调配方法、装置、终端设备及介质。
背景技术
目前,随着社会经济的发展,人们的生活水平越来越高,人们对自身的健康问题也是越来越重视,但由于现代人的生活节奏加快,工作压力大,缺少运动,饮食不规律等不良的生活习惯,越来越多的人出现各种症候群的症状,针对不同症状所使用的药品及其规格、用药量不同,对于一个区域内病人数量较多的症候群,其用药量较大,一般采用平均进药方式的药房,可能会存在缺药等情况,无法针对性的满足区域内不同症候群的用药需求,因此,如何合理规划药品进货成为亟待解决的问题。
发明内容
有鉴于此,本申请实施例提供了一种基于人工智能的药品调配方法、装置、终端设备及介质,以解决如何合理规划药品进货,以满足用药需求的问题。
第一方面,本申请实施例提供一种基于人工智能的药品调配方法,所述药品调配方法包括:
从获取的目标区域内就诊病人的历史诊疗数据中,得到目标症候群对应的就诊病人的历史诊疗数据,所述目标症候群为所述目标区域内任一就诊病人所属的症候群;
根据所述目标症候群对应的就诊病人的历史诊疗数据,得到所述目标症候群对应的病人数量增长趋势和用药明细,所述用药明细包括药品及其对应的人均用药量;
根据所述病人数量增长趋势,确定在目标时间段内所述目标症候群对应的病人数量;
根据所述病人数量和所述用药明细,得到在所述目标时间段内药品的调配量,所述药品的调配量为在所述目标区域内针对所述目标症候群所需的药品的数量。
第二方面,本申请实施例提供一种基于人工智能的药品调配装置,所述药品调配装置包括:
数据获取模块,用于从获取的目标区域内就诊病人的历史诊疗数据中,得到目标症候群对应的就诊病人的历史诊疗数据,所述目标症候群为所述目标区域内任一就诊病人所属的症候群;
数据处理模块,用于根据所述目标症候群对应的就诊病人的历史诊疗数据,得到所述目标症候群对应的病人数量增长趋势和用药明细,所述用药明细包括药品及其对应的人均用药量;
数量预估模块,用于根据所述病人数量增长趋势,确定在目标时间段内所述目标症候群对应的病人数量;
药品调配模块,用于根据所述病人数量和所述用药明细,得到在所述目标时间段内药品的调配量,所述药品的调配量为在所述目标区域内针对所述目标症候群所需的药品的数量。
第三方面,本申请实施例提供一种终端设备,所述终端设备包括处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如第一方面所述的药品调配方法。
第四方面,本申请实施例提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如第一方面所述的药品调配方法。
第五方面,本申请实施例提供一种计算机程序产品,当计算机程序产品在终端设备上运行时,使得终端设备执行上述第一方面所述的药品调配方法。
本申请实施例与现有技术相比存在的有益效果是:本申请从获取的目标区域内就诊病人的历史诊疗数据中,得到目标症候群对应的就诊病人的历史诊疗数据,并根据历史诊疗数据,确定该目标症候群对应的病人数量增长趋势和用药明细,再根据病人数量增长趋势,确定在目标时间段内的病人数量,依据病人数量和用药明细,得到在目标时间段内目标症候群在目标区域内的药品及其调配量,实现药品调配的预估,提前做好药品贮备工作,减轻了药品储备跟不上医疗需求的情况,提高了患者就诊效率。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本申请实施例一提供的一种基于人工智能的药品调配方法的流程示意图;
图2是本申请实施例二提供的一种基于人工智能的药品调配方法的流程示意图;
图3是本申请实施例三提供的一种基于人工智能的药品调配装置的结构示意图;
图4是本申请实施例四提供的一种终端设备的结构示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本申请实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本申请的描述。
应当理解,当在本申请说明书和所附权利要求书中使用时,术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
如在本申请说明书和所附权利要求书中所使用的那样,术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地,短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外,在本申请说明书和所附权利要求书的描述中,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此,在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例,而是意味着“一个或多个但不是所有的实施例”,除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”,除非是以其他方式另外特别强调。
本申请实施例中的终端设备可以是掌上电脑、桌上型计算机、笔记本电脑、超级移动个人计算机(ultra-mobile personal computer,UMPC)、上网本、云端终端设备、个人数字助理(personal digital assistant,PDA)等,本申请实施例对终端设备的具体类型不作任何限制。
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。
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。
应理解,以下实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
为了说明本申请的技术方案,下面通过具体实施例来进行说明。
参见图1,是本申请实施例一提供的一种基于人工智能的药品调配方法的流程示意图,上述药品调配方法应用于终端设备,终端设备连接目标区域内所有相应的数据库,从而可以获取就诊病人的历史诊疗数据。如图1所示,该药品调配方法可以包括以下步骤:
步骤S101,从获取的目标区域内就诊病人的历史诊疗数据中,得到目标症候群对应的就诊病人的历史诊疗数据。
上述就诊病人的历史诊疗数据一般记录在医院系统、医保系统等服务器中。上述历史诊疗数据可以是一段历史时间内的就诊病人的诊疗信息,诊疗信息可以包括就诊病人姓名、就诊时间、就诊医院、就诊科室、诊断证明、开药清单等。
终端设备连接相应的服务器,并通过设置在服务器中的爬取软件,爬取就诊病人及其诊疗信息,如在服务器中录入新的诊疗信息时,自动爬取该诊疗信息并发送至终端设备。
终端设备上配置有分配服务界面,用户可以在该分配服务界面中设置目标地区、历史时间段等筛选条件,终端设备根据目标地区等筛选条件,从与其连接的服务器中筛选该目标地区对应的服务器,并将历史时间段发送至该目标地区对应的服务器,以查询并获取该历史时间段的就诊病人的历史诊疗数据,筛选条件还可以包括将历史诊疗数据中就诊医院、诊断证明等就诊病人的诊疗信息去除,保留有效的历史诊疗数据。
目标症候群为目标区域内任一就诊病人所属的一种症候群。例如,症候群包括发热呼吸道症候群、腹泻症候群、发热伴出疹症候群、发热伴出血症候群、脑炎脑膜炎症候群等,目标症候群可以是指上述症候群中的一种症候群。
上述历史诊疗数据可以包括就诊病人姓名、就诊时间、就诊医院、就诊科室、诊断证明等。通过神经网络模型识别诊断证明、就诊科室等信息可以确定对应的就诊病人对应的症候群。例如,就诊病人A的诊断证明为发热、咳嗽等,就诊科室为发热门诊,从而可以确定该就诊病人A属于发热呼吸道症候群。因此,遍历所有历史诊疗数据可以通过神经网络模型识别出所有就诊病人所属的症候群。
上述神经网络模型通过其中训练好的提取模型提取诊断证明中的关键词,并使用其中训练好的识别模型对关键词进行识别,确定该诊断证明对应的症候群。训练好的识别模型的输入为关键词,输出为症候群,训练上述识别模型可以使用由关键词与对应症候群构成的训练集,该训练集中关键词与对应症候群可以由医生或者专家进行关联标定。
在通过神经网络模型识别诊断证明之前,终端设备检测上述历史诊疗数据中是否包括就诊病人所属的症候群,若检测到上述历史诊疗数据中包括就诊病人所属的症候群,则无需再对诊断证明等进行识别。
本申请中,上述终端设备还可以提供上传界面,在上传界面中可以填写就诊病人的基本信息及其诊疗信息,并上传至与终端设备连接数据库。终端设备可以从该数据库中直接获取就诊病人的历史诊疗数据。医生可以通过其终端设备所配置的web应用等访问指定地址的数据库,并基于终端设备的上传界面填写出院后或诊治后的就诊病人的基本信息以及其诊疗信息,终端设备将该就诊病人的基本信息以及其诊疗信息交由数据库进行存储。由于就诊病人的基本信息与诊疗信息具备映射关系,在使用数据库进行存储时,可以通过map表记录基本信息与诊疗信息之间的对应关系,以便于后续终端设备可根据基本信息,从map表中查找到对应的诊疗信息。
步骤S102,根据目标症候群对应的就诊病人的历史诊疗数据,得到目标症候群对应的病人数量增长趋势和用药明细。
其中,用药明细包括药品及其对应的人均用药量。在步骤S101得到目标症候群之后,根据属于该目标症候群的就诊病人的历史诊疗数据,主要是开药清单等信息,分析得到针对该目标症候群的用药明细。如对所有就诊病人的开药清单中所有药品进行统计,得到针对该目标症候群的所有药品及其总的用药量。根据一药品的总的用药量和该目标症候群下的就诊病人的数量,可以得到该药品的人均用药量。举例说明,目标症候群为发热呼吸道症候群,该发热呼吸道症候群下包括就诊病人A、就诊病人B和就诊病人C,就诊病人A开药清单为药品D(数量为2盒)、药品E(数量为4盒)、药品F(数量为2盒),就诊病人B开药清单为药品D(数量为2盒)、药品E(数量为4盒)、药品G(数量为2盒),就诊病人C开药清单为药品D(数量为2盒)、药品F(数量为4盒)、药品G(数量为2盒),因此,针对该发热呼吸道症候群的用药明细为药品D(总的数量为6盒)、药品E(总的数量为8盒)、药品F(总的数量为6盒)、药品G(总的数量为4盒),药品D对应的人均用药量为2盒、药品E的人均用药量为8/3盒、药品F的人均用药量为2盒、药品G的人均用药量为4/3盒。
在对就诊病人的开药清单中所有药品进行统计时,根据药品的名称,提取对应的特征向量,从而将特征向量相同的数据归为一类,并将特征向量对应的数量进行叠加。
在步骤S101得到目标症候群之后,根据属于该目标症候群的就诊病人的历史诊疗数据中的就诊时间,可以得到目标症候群的每天、每周、每月或者每年就诊病人数量随时间变化的数据。上述每天、每周、每月或者每年就诊病人数量随时间变化的数据,可以用于得到病人数量增长趋势。
回归预测方法是根据自变量和因变量之间的相关关系进行预测的,自变量的个数可以一个或多个,根据自变量的个数可分为一元回归预测和多元回归预测,同时根据自变量和因变量的相关关系,分为线性回归预测方法和非线性回归方法,即选择一条函数曲线使其很好的拟合已知数据且能很好的预测未知数据。
本申请中还可以采用其他预测方法,来预估病人数量增长趋势。例如,采用趋势外推预测方法,预估未来某个时间病人数量增长趋势,其中,上述趋势外推预测方法是根据事物的历史和现实数据,寻求事物随时间推移而发展变化的规律,从而推测事物发展渐进过程的一种统计预测方法,趋势外推法的假设条件是事物发展过程没有跳跃式变化,即事物的发展变化是渐进型,且所研究系统的结构、功能等基本保持不变,即根据过去资料建立的趋势外推模型能适合未来,能代表未来趋势变化的情况,运用一个数学模型,拟合一条趋势线,然后用这个模型外推预测未来时期事物的发展,上述趋势外推预测法主要利用描绘散点图的方法和差分法计算进行模型选择,该方法比较适合中、长期新预测,要求有至少5年的数据资料。
为了获得较好的预测结果,还可以采用组合预测法,组合的主要目的是综合利用各种方法所提供的预测结果,尽可能地提高预测精度。组合预测有2种基本形式,一是等权组合,即各预测方法的预测结果按相同的权数组合成新的预测结果;二是不等权组合,即赋予不同预测方法的预测结果不同的权数。这2种形式的原理和运用方法完全相同,只是权数的取定有所区别。其中,不等权组合的组合预测法的结果较为准确。
可选的是,在从获取的目标区域内就诊病人的历史诊疗数据中,得到目标症候群对应的就诊病人的历史诊疗数据之后,还包括:
将历史诊疗数据中存在N个就诊时间的同一就诊病人的历史诊疗数据拆分为该就诊病人的N组历史诊疗数据,得到拆分后的历史诊疗数据,N为大于1的整数;
相应地,根据目标症候群对应的就诊病人的历史诊疗数据,得到目标症候群对应的病人数量增长趋势和用药明细包括:
根据拆分后的历史诊疗数据,得到目标症候群对应的病人数量增长趋势和用药明细。
其中,同一就诊病人可能存在多次就诊,该就诊病人的历史诊疗数据中就会包括多个就诊时间,为了保证后续病人数量预估的准确性,需要将该就诊病人的每次就诊的诊疗数据作为一组历史诊疗数据,因此,将历史诊疗数据中存在N个就诊时间的同一就诊病人的历史诊疗数据拆分为该就诊病人的N组历史诊疗数据,得到拆分后的历史诊疗数据。
步骤S103,根据病人数量增长趋势,确定在目标时间段内目标症候群对应的病人数量。
上述目标时间段可以是指一天、一周、一个月或者一年等。若目标时间段为一天,则可以依据目标症候群的每天就诊病人数量随时间变化的数据,来确定的病人数量增长趋势,计算未来某一天的目标症候群对应的病人数量。若目标时间段为一周,则可以依据区域内目标症候群的每周就诊病人数量随时间变化的数据,来确定的病人数量增长趋势,计算未来某一周的目标症候群对应的病人数量。若目标时间段为一个月,则可以依据区域内目标症候群的每月就诊病人数量随时间变化的数据,来确定的病人数量增长趋势,计算未来某一个月的目标症候群对应的病人数量。
可选的是,根据目标症候群对应的就诊病人的历史诊疗数据,得到目标症候群对应的病人数量增长趋势包括:
根据目标症候群对应的就诊病人的历史诊疗数据,得到就诊病人及其就诊时间;
根据就诊病人及其就诊时间,确定就诊病人数量随时间变化的曲线;
对曲线进行拟合,确定拟合后的曲线为目标症候群对应的病人数量增长趋势。
其中,可以将每天、每周、每月或者每年的就诊病人数量作为以时间为自变量的采样点,将这些采样点连接成为曲线,即就诊病人数量随时间变化的曲线,再采用线性回归预测方法或者非线性回归方法对曲线进行拟合,得到一条拟合后的曲线,该曲线的X轴为时间,Y轴为就诊病人数量,将拟合后的曲线作为目标症候群对应的病人数量增长趋势。
可选的是,根据病人数量增长趋势,确定在目标时间段内目标症候群对应的病人数量包括:
根据拟合后的曲线和目标时间段,确定在目标时间段内目标症候群对应的病人数量。
其中,拟合后的曲线的X轴为时间,Y轴为数量,将目标时间段内拟合后的曲线在Y轴上对应的值相加,确定相加的结果为目标时间段内的病人数量。
步骤S104,根据病人数量和用药明细,得到在目标时间段内药品的调配量。
其中,药品的调配量为在目标区域内针对目标症候群所需的药品的数量。
用药明细中包括药品及其对应的人均用药量,目标区域在目标时间段内所需药品即为用药明细中的药品,药品的调配量可以根据病人数量和药品的人均用药量得到。
可选的是,根据病人数量和用药明细,得到在目标时间段内药品的调配量包括:
将用药明细中药品对应的人均用药量与病人数量相乘,确定相乘的结果为在目标时间段内药品的调配量。
其中,将某一药品的人均用药量与病人数量做乘,即可得到该药品的调配量。例如,目标区域内目标症候群对应的药品分别为药品D、药品E、药品F、药品G,药品D对应的人均用药量为2盒、药品E的人均用药量为8/3盒、药品F的人均用药量为2盒、药品G的人均用药量为4/3盒,若下个月病人数量为30人,则下个月初就需要调配药品D为60盒、药品E为80盒、药品F为60盒、药品G为40盒。
本申请在不同时间维度合并目标区域内医院的数据进行统计分析推演,如根据每个月的统计数据创建一个数据模型,包括一个月的确诊病例数据,用药量、贮备药量等。通过每个月的统计数据模型进行对比、演算,推测出下个月的数据模型,即可得到下个月的可能确诊患者病例数,来分配相应的人力资源,及可知每种症候群需要贮备相应药品的数量。同样的每个季度每一年时间维度上进行统计,来更好更准确的推演预估症候群的发展趋势,更优的调配资源。
可选的是,在从获取的目标区域内就诊病人的历史诊疗数据中,得到目标症候群对应的就诊病人的历史诊疗数据之后,还包括:
提取目标症候群对应的就诊病人中症状程度为目标程度的就诊病人的历史诊疗数据;
相应地,根据目标症候群对应的就诊病人的历史诊疗数据,得到目标症候群对应的病人数量增长趋势和用药明细包括:
根据症状程度为目标程度的就诊病人的历史诊疗数据,得到症状程度为目标程度的病人数量增长趋势和用药明细;
相应地,根据病人数量增长趋势,确定在目标时间段内目标症候群对应的病人数量包括:
根据症状程度为目标程度的病人数量增长趋势,确定在目标时间段内症状程度为目标程度的病人数量;
相应地,根据病人数量和用药明细,得到在目标时间段内药品的调配量包括:
根据症状程度为目标程度的病人数量和用药明细,得到在目标时间段内针对症状程度为目标程度的就诊病人的药品的调配量。
其中,根据就诊病人的症状程度进行分类,对症状程度为目标程度的就诊病人的历史诊疗数据进行分析与研究,确定症状程度为目标程度的用药明细以及在目标时间段内症状程度为目标程度的病人数量,进而可以得到在目标时间段内针对症状程度为目标程度的就诊病人的药品的调配量。经过对不同症状程度的分析与研究,可以详细地针对不同症状程度进行药品的调配,使得药品调配结果更加精细。
本申请实施例从获取的目标区域内就诊病人的历史诊疗数据中,得到目标症候群对应的就诊病人的历史诊疗数据,并根据历史诊疗数据,确定该目标症候群对应的病人数量增长趋势和用药明细,再根据病人数量增长趋势,确定在目标时间段内的病人数量,依据病人数量和用药明细,得到在目标时间段内目标症候群在目标区域内的药品及其调配量,实现药品调配的预估,提前做好药品贮备工作,减轻了药品储备跟不上医疗需求的情况,提高了患者就诊效率。
参见图2,是本申请实施例二提供的一种基于人工智能的药品调配方法的流程示意图,如图2所示,该药品调配方法可以包括以下步骤:
步骤S201,从获取的目标区域内就诊病人的历史诊疗数据中,得到目标症候群对应的就诊病人的历史诊疗数据。
其中,步骤S201与上述步骤S101的内容型相同,可参考步骤S101的描述,在此不再赘述。
步骤S202,获取目标症候群中就诊病人的投保类型。
本申请中,终端设备可以对接医保、商保系统等投保系统。根据就诊病人的身份证可以查询患者到是否购买医保和\或商保,并绑定其医保和\或商保卡。若就诊病人同时购买多种投保,则需要以其最终结账时所使用的投保类型作为该就诊病人的投保类型。
步骤S203,根据目标症候群对应的就诊病人的历史诊疗数据和投保类型,得到目标症候群内每种投保类型对应的病人数量增长趋势和用药明细。
其中,用药明细包括药品及其对应的人均用药量。根据目标症候群对应的就诊病人的历史诊疗数据和投保类型,将同一投保类型的就诊病人的历史诊疗数据归为一类,每种投保类型对应的就诊病人的历史诊疗数据。
对每种投保类型对应的就诊病人的历史诊疗数据分别进行独立处理,可参考上述步骤S102的内容。例如,根据医保类的就诊病人的历史诊疗数据,主要是开药清单等信息,分析得到针对该目标症候群的用药明细。如对所有就诊病人的开药清单中所有药品进行统计,得到针对该目标症候群的所有药品及其总的用药量。根据一药品的总的用药量和该目标症候群下的就诊病人的数量,可以得到该药品的人均用药量。
举例说明,目标症候群为发热呼吸道症候群,该发热呼吸道症候群下包括就诊病人A、就诊病人B和就诊病人C,就诊病人A的投保类型为医保类、就诊病人B的投保类型为医保类、就诊病人C的头孢类型为商保类,就诊病人A开药清单为药品D(数量为2盒)、药品E(数量为4盒)、药品F(数量为2盒),就诊病人B开药清单为药品D(数量为2盒)、药品E(数量为4盒)、药品G(数量为2盒),就诊病人C开药清单为药品D(数量为2盒)、药品F(数量为4盒)、药品G(数量为2盒),因此,针对该发热呼吸道症候群,医保类的用药明细为药品D(总的数量为4盒)、药品E(总的数量为8盒)、药品F(总的数量为2盒)、药品G(总的数量为2盒),药品D对应的人均用药量为2盒、药品E的人均用药量为8/3盒、药品F的人均用药量为2盒、药品G的人均用药量为4/3盒,商保类的用药明细为品D(总的数量为2盒)、药品F(总的数量为4盒)、药品G(总的数量为2盒),药品D对应的人均用药量为2盒、药品F的人均用药量为4盒、药品G的人均用药量为2盒。
步骤S204,根据每种投保类型对应的病人数量增长趋势,确定在目标时间段内对应投保类型的病人数量。
对每种投保类型对应的病人数量分别进行独立计算,可参考上述步骤S103的内容。
步骤S205,根据每种投保类型对应的病人数量和用药明细,得到在目标时间段内对应投保类型的药品的调配量。
对每种投保类型对应的药品的调配量分别进行独立计算,可参考上述步骤S104的内容。
根据每种投保类型的药品及其调配量,得到总的药品及其总的调配量。
本申请实施例根据就诊病人的投保类型进行分类,确定针对目标症候群的医保类的用药明细以及在目标时间段内医保类的病人数量,或者确定针对目标症候群的商保类的用药明细以及在目标时间段内商保类的病人数量,进而可以得到在目标时间段内针对医保类或商保类的就诊病人的药品的调配量,可以详细地针对不同投保类型进行药品的调配,使得药品调配结果更加精细。
对应于上文实施例的药品调配方法,图3示出了本申请实施例三提供的基于人工智能的药品调配装置的结构框图,上述药品调配装置应用于终端设备,终端设备连接目标区域内所有相应的数据库,从而可以获取就诊病人的历史诊疗数据。为了便于说明,仅示出了与本申请实施例相关的部分。
参见图3,该药品调配装置包括:
数据获取模块31,用于从获取的目标区域内就诊病人的历史诊疗数据中,得到目标症候群对应的就诊病人的历史诊疗数据,目标症候群为目标区域内任一就诊病人所属的症候群;
数据处理模块32,用于根据目标症候群对应的就诊病人的历史诊疗数据,得到目标症候群对应的病人数量增长趋势和用药明细,用药明细包括药品及其对应的人均用药量;
数量预估模块33,用于根据病人数量增长趋势,确定在目标时间段内目标症候群对应的病人数量;
药品调配模块34,用于根据病人数量和用药明细,得到在目标时间段内药品的调配量,药品的调配量为在目标区域内针对目标症候群所需的药品的数量。
可选的是,上述药品调配装置还包括:
投保获取模块,用于在从获取的目标区域内就诊病人的历史诊疗数据中,得到目标症候群对应的就诊病人的历史诊疗数据之后,获取目标症候群中就诊病人的投保类型;
相应地,上述数据处理模块32具体用于:
根据目标症候群对应的就诊病人的历史诊疗数据和投保类型,得到目标症候群内每种投保类型对应的病人数量增长趋势和用药明细;
相应地,上述数量预估模块33具体用于:
根据每种投保类型对应的病人数量增长趋势,确定在目标时间段内对应投保类型的病人数量;
相应地,上述药品调配模块34具体用于:
根据每种投保类型对应的病人数量和用药明细,得到在目标时间段内对应投保类型的药品的调配量。
可选的是,上述药品调配装置还包括:
提取模块,用于在从获取的目标区域内就诊病人的历史诊疗数据中,得到目标症候群对应的就诊病人的历史诊疗数据之后,提取目标症候群对应的就诊病人中症状程度为目标程度的就诊病人的历史诊疗数据;
相应地,上述数据处理模块32具体用于:
根据症状程度为目标程度的就诊病人的历史诊疗数据,得到症状程度为目标程度的病人数量增长趋势和用药明细;
相应地,上述数量预估模块33具体用于:
根据症状程度为目标程度的病人数量增长趋势,确定在目标时间段内症状程度为目标程度的病人数量;
相应地,上述药品调配模块34具体用于:
根据症状程度为目标程度的病人数量和用药明细,得到在目标时间段内针对症状程度为目标程度的就诊病人的药品的调配量。
可选的是,上述药品调配模块34包括:
药品调配单元,用于将用药明细中药品对应的人均用药量与病人数量相乘,确定相乘的结果为在目标时间段内药品的调配量。
可选的是,上述药品调配装置还包括:
拆分模块,用于在从获取的目标区域内就诊病人的历史诊疗数据中,得到目标症候群对应的就诊病人的历史诊疗数据之后,将历史诊疗数据中存在N个就诊时间的同一就诊病人的历史诊疗数据拆分为该就诊病人的N组历史诊疗数据,得到拆分后的历史诊疗数据,N为大于1的整数;
相应地,上述数据处理模块32具体用于:
根据拆分后的历史诊疗数据,得到目标症候群对应的病人数量增长趋势和用药明细。
可选的是,上述数据处理模块32包括:
数据处理单元,用于根据目标症候群对应的就诊病人的历史诊疗数据,得到就诊病人及其就诊时间;
曲线确定单元,用于根据就诊病人及其就诊时间,确定就诊病人数量随时间变化的曲线;
趋势确定单元,用于对曲线进行拟合,确定拟合后的曲线为目标症候群对应的病人数量增长趋势。
可选的是,上述数量预估模块33包括:
数量预估单元,用于根据拟合后的曲线和目标时间段,确定在目标时间段内目标症候群对应的病人数量。
需要说明的是,上述模块之间的信息交互、执行过程等内容,由于与本申请方法实施例基于同一构思,其具体功能及带来的技术效果,具体可参见方法实施例部分,此处不再赘述。
图4为本申请实施例四提供的一种终端设备的结构示意图。如图4所示,该实施例的终端设备4包括:至少一个处理器40(图4中仅示出一个)、存储器41以及存储在存储器41中并可在至少一个处理器40上运行的计算机程序42,处理器40执行计算机程序42时实现上述任意各个药品调配方法实施例中的步骤。
该终端设备4可包括,但不仅限于,处理器40、存储器41。本领域技术人员可以理解,图4仅仅是终端设备4的举例,并不构成对终端设备4的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如还可以包括输入输出设备、网络接入设备等。
所称处理器40可以是CPU,该处理器40还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific IntegratedCircuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器41在一些实施例中可以是终端设备4的内部存储单元,例如终端设备4的硬盘或内存。存储器41在另一些实施例中也可以是终端设备4的外部存储设备,例如终端设备4上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,存储器41还可以既包括终端设备4的内部存储单元也包括外部存储设备。存储器41用于存储操作系统、应用程序、引导装载程序(BootLoader)、数据以及其他程序等,例如计算机程序的程序代码等。存储器41还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述装置中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请实现上述实施例方法中的全部或部分流程,可以通过计算机程序来指令相关的硬件来完成,计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述方法实施例的步骤。其中,计算机程序包括计算机程序代码,计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质至少可以包括:能够携带计算机程序代码的任何实体或装置、记录介质、计算机存储器、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区,根据立法和专利实践,计算机可读介质不可以是电载波信号和电信信号。
本申请实现上述实施例方法中的全部或部分流程,也可以通过一种计算机程序产品来完成,当计算机程序产品在终端设备上运行时,使得终端设备执行时实现可实现上述方法实施例中的步骤。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中,应该理解到,所揭露的装置/终端设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/终端设备实施例仅仅是示意性的,例如,模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,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,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (10)
1.一种基于人工智能的药品调配方法,其特征在于,所述药品调配方法包括:
从获取的目标区域内就诊病人的历史诊疗数据中,得到目标症候群对应的就诊病人的历史诊疗数据,所述目标症候群为所述目标区域内任一就诊病人所属的症候群;
根据所述目标症候群对应的就诊病人的历史诊疗数据,得到所述目标症候群对应的病人数量增长趋势和用药明细,所述用药明细包括药品及其对应的人均用药量;
根据所述病人数量增长趋势,确定在目标时间段内所述目标症候群对应的病人数量;
根据所述病人数量和所述用药明细,得到在所述目标时间段内药品的调配量,所述药品的调配量为在所述目标区域内针对所述目标症候群所需的药品的数量。
2.根据权利要求1所述的药品调配方法,其特征在于,在所述从获取的目标区域内就诊病人的历史诊疗数据中,得到目标症候群对应的就诊病人的历史诊疗数据之后,还包括:
获取所述目标症候群中就诊病人的投保类型;
相应地,所述根据所述目标症候群对应的就诊病人的历史诊疗数据,得到所述目标症候群对应的病人数量增长趋势和用药明细包括:
根据所述目标症候群对应的就诊病人的历史诊疗数据和投保类型,得到所述目标症候群内每种投保类型对应的病人数量增长趋势和用药明细;
相应地,所述根据所述病人数量增长趋势,确定在目标时间段内所述目标症候群对应的病人数量包括:
根据每种投保类型对应的病人数量增长趋势,确定在目标时间段内对应投保类型的病人数量;
相应地,所述根据所述病人数量和所述用药明细,得到在所述目标时间段内药品的调配量包括:
根据每种投保类型对应的病人数量和用药明细,得到在所述目标时间段内对应投保类型的药品的调配量。
3.根据权利要求1所述的药品调配方法,其特征在于,在所述从获取的目标区域内就诊病人的历史诊疗数据中,得到目标症候群对应的就诊病人的历史诊疗数据之后,还包括:
提取所述目标症候群对应的就诊病人中症状程度为目标程度的就诊病人的历史诊疗数据;
相应地,所述根据所述目标症候群对应的就诊病人的历史诊疗数据,得到所述目标症候群对应的病人数量增长趋势和用药明细包括:
根据症状程度为目标程度的就诊病人的历史诊疗数据,得到症状程度为目标程度的病人数量增长趋势和用药明细;
相应地,所述根据所述病人数量增长趋势,确定在目标时间段内所述目标症候群对应的病人数量包括:
根据症状程度为目标程度的病人数量增长趋势,确定在目标时间段内症状程度为目标程度的病人数量;
相应地,所述根据所述病人数量和所述用药明细,得到在所述目标时间段内药品的调配量包括:
根据症状程度为目标程度的病人数量和用药明细,得到在所述目标时间段内针对症状程度为目标程度的就诊病人的药品的调配量。
4.根据权利要求1所述的药品调配方法,其特征在于,所述根据所述病人数量和所述用药明细,得到在所述目标时间段内药品的调配量包括:
将所述用药明细中药品对应的人均用药量与所述病人数量相乘,确定相乘的结果为在所述目标时间段内药品的调配量。
5.根据权利要求1所述的药品调配方法,其特征在于,在所述从获取的目标区域内就诊病人的历史诊疗数据中,得到目标症候群对应的就诊病人的历史诊疗数据之后,还包括:
将所述历史诊疗数据中存在N个就诊时间的同一就诊病人的历史诊疗数据拆分为该就诊病人的N组历史诊疗数据,得到拆分后的历史诊疗数据,所述N为大于1的整数;
相应地,所述根据所述目标症候群对应的就诊病人的历史诊疗数据,得到所述目标症候群对应的病人数量增长趋势和用药明细包括:
根据所述拆分后的历史诊疗数据,得到所述目标症候群对应的病人数量增长趋势和用药明细。
6.根据权利要求1至5任一项所述的药品调配方法,其特征在于,所述根据所述目标症候群对应的就诊病人的历史诊疗数据,得到所述目标症候群对应的病人数量增长趋势包括:
根据所述目标症候群对应的就诊病人的历史诊疗数据,得到就诊病人及其就诊时间;
根据所述就诊病人及其就诊时间,确定就诊病人数量随时间变化的曲线;
对所述曲线进行拟合,确定拟合后的曲线为所述目标症候群对应的病人数量增长趋势。
7.根据权利要求6所述的药品调配方法,其特征在于,所述根据所述病人数量增长趋势,确定在目标时间段内所述目标症候群对应的病人数量包括:
根据所述拟合后的曲线和所述目标时间段,确定在目标时间段内所述目标症候群对应的病人数量。
8.一种基于人工智能的药品调配装置,其特征在于,所述药品调配装置包括:
数据获取模块,用于从获取的目标区域内就诊病人的历史诊疗数据中,得到目标症候群对应的就诊病人的历史诊疗数据,所述目标症候群为所述目标区域内任一就诊病人所属的症候群;
数据处理模块,用于根据所述目标症候群对应的就诊病人的历史诊疗数据,得到所述目标症候群对应的病人数量增长趋势和用药明细,所述用药明细包括药品及其对应的人均用药量;
数量预估模块,用于根据所述病人数量增长趋势,确定在目标时间段内所述目标症候群对应的病人数量;
药品调配模块,用于根据所述病人数量和所述用药明细,得到在所述目标时间段内药品的调配量,所述药品的调配量为在所述目标区域内针对所述目标症候群所需的药品的数量。
9.一种终端设备,其特征在于,所述终端设备包括处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的药品调配方法。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的药品调配方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111015398.2A CN113724831A (zh) | 2021-08-31 | 2021-08-31 | 基于人工智能的药品调配方法、装置、终端设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111015398.2A CN113724831A (zh) | 2021-08-31 | 2021-08-31 | 基于人工智能的药品调配方法、装置、终端设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113724831A true CN113724831A (zh) | 2021-11-30 |
Family
ID=78680135
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111015398.2A Pending CN113724831A (zh) | 2021-08-31 | 2021-08-31 | 基于人工智能的药品调配方法、装置、终端设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113724831A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116386808A (zh) * | 2023-01-19 | 2023-07-04 | 南京玛瑜信息科技有限公司 | 互联网开药资源动态调配系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109036579A (zh) * | 2018-08-22 | 2018-12-18 | 泰康保险集团股份有限公司 | 基于区块链的信息预测方法、装置、介质及电子设备 |
CN109785003A (zh) * | 2019-01-17 | 2019-05-21 | 四川骏逸富顿科技有限公司 | 一种药品零售行业药品销售预测系统及方法 |
CN111310977A (zh) * | 2020-01-20 | 2020-06-19 | 重庆亚德科技股份有限公司 | 基于大数据的药品库存预测系统及方法 |
WO2021151351A1 (zh) * | 2020-09-04 | 2021-08-05 | 平安科技(深圳)有限公司 | 一种数据处理方法、装置、计算机设备及存储介质 |
-
2021
- 2021-08-31 CN CN202111015398.2A patent/CN113724831A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109036579A (zh) * | 2018-08-22 | 2018-12-18 | 泰康保险集团股份有限公司 | 基于区块链的信息预测方法、装置、介质及电子设备 |
CN109785003A (zh) * | 2019-01-17 | 2019-05-21 | 四川骏逸富顿科技有限公司 | 一种药品零售行业药品销售预测系统及方法 |
CN111310977A (zh) * | 2020-01-20 | 2020-06-19 | 重庆亚德科技股份有限公司 | 基于大数据的药品库存预测系统及方法 |
WO2021151351A1 (zh) * | 2020-09-04 | 2021-08-05 | 平安科技(深圳)有限公司 | 一种数据处理方法、装置、计算机设备及存储介质 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116386808A (zh) * | 2023-01-19 | 2023-07-04 | 南京玛瑜信息科技有限公司 | 互联网开药资源动态调配系统 |
CN116386808B (zh) * | 2023-01-19 | 2023-11-14 | 北京智胜远景科技有限公司 | 互联网开药资源动态调配系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Subrahmanya et al. | The role of data science in healthcare advancements: applications, benefits, and future prospects | |
US20210193320A1 (en) | Machine-learning based query construction and pattern identification for hereditary angioedema | |
US20200050949A1 (en) | Digital assistant platform | |
US9443002B1 (en) | Dynamic data analysis and selection for determining outcomes associated with domain specific probabilistic data sets | |
CN113724848A (zh) | 基于人工智能的医疗资源推荐方法、装置、服务器及介质 | |
US20170199965A1 (en) | Medical system and method for predicting future outcomes of patient care | |
CN113724847A (zh) | 基于人工智能的医疗资源分配方法、装置、终端设备及介质 | |
CN113658712A (zh) | 医患匹配方法、装置、设备及存储介质 | |
Daizadeh | Investigating rates of food and drug administration approvals and guidances in drug development: a structural breakpoint/cointegration timeseries analysis | |
CN113724831A (zh) | 基于人工智能的药品调配方法、装置、终端设备及介质 | |
EP3120317A1 (en) | Predicting personalized risk of preventable healthcare events | |
CN111933246A (zh) | 医疗处方分析方法、系统、电子设备及存储介质 | |
CN109522331A (zh) | 以个人为中心的区域化多维度健康数据处理方法及介质 | |
CN113821641B (zh) | 基于权重分配的药品分类的方法、装置、设备及存储介质 | |
CN114724677A (zh) | 一种健康卡片的推送方法、装置、计算机设备及介质 | |
CN113689924A (zh) | 相似病历检索方法、装置、电子设备及可读存储介质 | |
US20170177813A1 (en) | System and method for recommending analytic modules based on leading factors contributing to a category of concern | |
Ivanoti et al. | Decision Support System for Predicting Employee Leave Using the Light Gradient Boosting Machine (Lightgbm) and K-Means Algorithm | |
Gautam et al. | An overview of big data applications in healthcare: opportunities and challenges | |
O'Rourke et al. | Exploring Breast Cancer Systemic Drug Therapy Patterns in Real-World Data | |
US20150332182A1 (en) | Method for measuring risks and opportunities during patient care | |
Haque et al. | Big data and analytics: application to healthcare industry | |
Rana et al. | An overview of big data in health care | |
Hahn et al. | Holistic View of Autografting Patients by Percentage of Total Body Surface Area Burned: Medical Record Abstraction Integrated with Administrative Claims | |
Hinnenthal | Endpoint-oriented clustering of individual patient data: A new approach for the health economic evaluation of medical interventions |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20220921 Address after: Room 2601 (Unit 07), Qianhai Free Trade Building, No. 3048, Xinghai Avenue, Nanshan Street, Qianhai Shenzhen-Hong Kong Cooperation Zone, Shenzhen, Guangdong 518000 Applicant after: Shenzhen Ping An Smart Healthcare Technology Co.,Ltd. Address before: 1-34 / F, Qianhai free trade building, 3048 Xinghai Avenue, Mawan, Qianhai Shenzhen Hong Kong cooperation zone, Shenzhen, Guangdong 518000 Applicant before: Ping An International Smart City Technology Co.,Ltd. |