CN114334070A - 一种基于医疗大数据的辅助处方系统 - Google Patents
一种基于医疗大数据的辅助处方系统 Download PDFInfo
- Publication number
- CN114334070A CN114334070A CN202210006475.6A CN202210006475A CN114334070A CN 114334070 A CN114334070 A CN 114334070A CN 202210006475 A CN202210006475 A CN 202210006475A CN 114334070 A CN114334070 A CN 114334070A
- Authority
- CN
- China
- Prior art keywords
- prescription
- disease
- keyword
- unit
- matching
- 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.)
- Withdrawn
Links
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 264
- 201000010099 disease Diseases 0.000 claims abstract description 259
- 239000003814 drug Substances 0.000 claims abstract description 46
- 229940079593 drug Drugs 0.000 claims abstract description 30
- 239000013598 vector Substances 0.000 claims description 58
- 238000000605 extraction Methods 0.000 claims description 33
- 230000000694 effects Effects 0.000 claims description 23
- 238000004364 calculation method Methods 0.000 claims description 16
- 230000011218 segmentation Effects 0.000 claims description 13
- 238000012216 screening Methods 0.000 claims description 11
- 238000006243 chemical reaction Methods 0.000 claims description 9
- 238000007621 cluster analysis Methods 0.000 claims description 7
- 238000003062 neural network model Methods 0.000 claims description 7
- 238000004891 communication Methods 0.000 claims description 5
- 230000000007 visual effect Effects 0.000 claims description 5
- 238000012550 audit Methods 0.000 claims description 3
- 238000012790 confirmation Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 208000036647 Medication errors Diseases 0.000 abstract description 4
- 238000000034 method Methods 0.000 description 27
- 238000013461 design Methods 0.000 description 16
- 230000008569 process Effects 0.000 description 14
- 238000013528 artificial neural network Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 238000012549 training Methods 0.000 description 6
- 206010011224 Cough Diseases 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 5
- 208000035475 disorder Diseases 0.000 description 5
- 206010006451 bronchitis Diseases 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 206010028748 Nasal obstruction Diseases 0.000 description 2
- 206010037660 Pyrexia Diseases 0.000 description 2
- 206010039101 Rhinorrhoea Diseases 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 208000010753 nasal discharge Diseases 0.000 description 2
- 208000024891 symptom Diseases 0.000 description 2
- 206010002383 Angina Pectoris Diseases 0.000 description 1
- 208000000059 Dyspnea Diseases 0.000 description 1
- 206010013975 Dyspnoeas Diseases 0.000 description 1
- 206010019233 Headaches Diseases 0.000 description 1
- 206010068319 Oropharyngeal pain Diseases 0.000 description 1
- 201000007100 Pharyngitis Diseases 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 231100000869 headache Toxicity 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 208000013220 shortness of breath Diseases 0.000 description 1
- 206010041232 sneezing Diseases 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Landscapes
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明公开了一种基于医疗大数据的辅助处方系统，本发明基于医疗大数据，建立了病症数据库以及处方数据库，即本发明可根据用户的病情信息，在病症数据库中查询与之相匹配的病症匹配词，最后，基于病症匹配词以及用户的年龄和性别，可在处方数据库中查找出与该病情信息最匹配的医疗处方；由此，本发明可为医务工作者对患者的用药方案提供客观的用药指导，从而降低因用药错误而导致出现医疗事故的概率，同时，对于常见病，还可方便用户远程就诊，不仅节省了用户的就诊时间，还节约了医疗资源，便于大规模应用与推广。
Description
技术领域
本发明属于医疗信息计算和数据处理技术领域，具体涉及一种基于医疗大数据的辅助处方系统。
背景技术
当前，在疾病处方过程中，多由主治医生根据临床经验给出用药策略，此过程依赖于医生个人的临床经验，药不对症以及过度治疗的医疗事故时有发生，尤其是当前优质医疗资源分配不均，特别是优良水平的医务工作者大多集中在大中城市的三甲医院的情况下，就进一步的增加了前述医疗事故的发生。
同时，随着电子通讯技术的发展，医院的信息化建设正在不断的提高，给患者以及医生带来了很大的方便，充分利用大数据信息技术和计算机技术，使医院的诊疗系统更加先进，以提高医院的服务水平以及患者医疗的便捷性是当代医疗领域不断研究的课题。
目前，大数据是医学的重要应用领域，大数据分析为许多医学问题的解决提供了新途径，因此，基于大数据，如何为病人和医生的用药方案提供客观的参考依据成为降低医疗事故的关键，由此，提供一种能够对病人和医生的用药方案具有客观指导意义的处方系统迫在眉睫。
发明内容
本发明的目的是提供一种基于医疗大数据的辅助处方系统，以解决现有在医疗资源分配不均的情况下，无法对医生和病人的用药方案提供客观指导而导致医疗事故频发的问题。
为了实现上述目的，本发明采用以下技术方案：
第一方面，本发明提供了一种基于医疗大数据的辅助处方系统，包括：
信息录入模块，用于录入用户的病情信息，其中，所述病情信息包括语音信息、文字信息或图像信息；
关键词提取模块，电连接所述信息录入模块，用于对所述病情信息进行关键词提取，得出基于所述病情信息的病症关键词集合和病人信息关键词集合，其中，所述病症关键词集合包括至少一个病症关键词，所述病人信息关键词集合包括年龄和性别；
关键词匹配模块，电连接所述关键词提取模块，用于根据所述病症关键词集合，在病症数据库中，查找出与所述病症关键词集合相对应的病症匹配词，其中，所述病症数据库包括多个病症匹配词以及每个病症匹配词对应的病症描述，且所述病症描述包括对应病症匹配词的历史患者的患者病症描述和对应病症匹配词的医学病症描述；
处方匹配模块，电连接所述关键词匹配模块，用于根据所述病症匹配词和所述病人信息关键词集合，在处方数据库中查找出与所述病情信息最匹配的医疗处方，作为所述用户的第一推荐处方，其中，所述处方数据库包括多个医疗处方，且每个医疗处方包括治疗病症的病症匹配词、用药年龄、用药性别和用药方案；
显示模块，电连接所述处方匹配模块，用于将所述第一推荐处方进行可视化展示。
基于上述公开的内容，本发明基于医疗大数据，建立了病症数据库以及处方数据库，即本发明可根据用户的病情信息，在病症数据库中查询与之相匹配的病症匹配词，最后，基于病症匹配词以及用户的年龄和性别，可在处方数据库中查找出与该病情信息最匹配的医疗处方；由此，本发明可为医务工作者对患者的用药方案提供客观的用药指导，从而降低因用药错误而导致出现医疗事故的概率，同时，对于常见病，还可方便用户远程就诊，不仅节省了用户的就诊时间，还节约了医疗资源，便于大规模应用与推广。
在一个可能的设计中，所述关键词提取模块包括：语音识别单元、图像识别单元和关键词提取单元；
所述语音识别单元，用于对所述语音信息进行语音识别，得到第一病情文本；
所述图像识别单元，用于对所述图像信息进行图像识别，以识别出所述图像信息中的文字数据，得到第二病情文本；
所述关键词提取单元，用于对所述第一病情文本、所述第二病情文本或所述文字信息进行关键词提取，得出所述用户的年龄、性别和至少一个病症关键词，以利用所述年龄和所述性别组成所述病人信息关键词集合，以及利用所述至少一个病症关键词组成所述病症关键词集合。
基于上述公开的内容，本发明录入信息的方式多样，用户可通过打字输入病情信息，也可使用语音输入病情信息，还可写出病情信息并拍照进行上传；由此通过上述设计，可方便不同年龄段人群的使用，提高了使用的便捷性和实用性。
在一个可能的设计中，所述关键词提取单元包括：分词单元、词语转换单元、词语分类单元、基准关键词提取单元、词语相似度计算单元以及关键词组合单元；
所述分词单元，用于对所述文字信息进行分词，得到多个词语；
所述词语转换单元，用于将所述多个词语中的每个词语转换为词向量；
所述词语分类单元，用于对所有的词向量进行聚类分析，并根据聚类分析结果将所述词向量划分为多个类簇；
所述基准关键词提取单元，用于将多个类簇中的每个类簇输入至训练后的神经网络模型中进行关键词提取，以得到每个类簇对应的基准关键词的词向量；
所述词语相似度计算单元，用于计算每个类簇中的任一词向量，与对应基准关键词的词向量之间的相似度，并将相似度最大基准关键词作为所述任一词向量对应的关键词；
所述关键词组合单元，用于利用每个类簇中所有词向量对应的关键词，组成所述病人信息关键词集合和所述病症关键词集合。
基于上述公开的内容，本发明公开了关键词提取单元进行关键词提取的具体过程，也就是先对文字信息进行分词，然后将分词得到的词语转换为词向量，接着对词向量进行聚类分析，从而将词向量分为多个类簇，最后，使用训练后的神经网络模型得出每个类簇对应的基准关键词的词向量，并通过计算类簇的中任一词向量与对应基准关键词的词向量的相似度，来得出任一词向量对应的关键词。
在一个可能的设计中，所述关键词匹配模块包括：关键词匹配单元、加权计算单元以及关键词确认单元；
所述关键词匹配单元，用于根据所述至少一个病症关键词，在病症数据库中，匹配出多个初始病症匹配词，其中，所述多个初始病症匹配词中的每个初始病症匹配词的病症描述包括一个病症关键词、2个病症关键词或2个以上的病症关键词；
所述加权计算单元，用于将每个初始病症匹配词的病症描述中包含的病症关键词的权重相加，以得出每个初始病症匹配词的权重值；
所述关键词确认单元，用于将权重值最大的初始病症匹配词作为所述病症关键词集合相对应的病症匹配词。
基于上述公开的内容，本发明公开了关键词匹配模块的具体工作过程，即将病症数据库中的病症描述内含有病症关键词的病症匹配词，作为初步匹配结果(即初始病症匹配词)，然后基于每个病症关键词的权重(为预设权重)，来得出每个初始病症匹配词的权重，最后，将权重值最大的初始病症匹配词作为病症关键词集合相对应的病症匹配词。
在一个可能的设计中，所述处方匹配模块包括：处方匹配单元以及处方筛选单元；
所述处方匹配单元，用于以所述病症匹配词、性别和年龄为处方匹配关键词，在所述处方数据库中查找出与所述处方匹配关键词相对应的至少一个医疗处方，作为初步处方；
所述处方筛选单元，用于按照治疗效果从高到低的顺序对所述初步处方进行排序，并将排序第一的初步处方作为与所述病情信息最匹配的医疗处方。
基于上述公开的内容，本发明公开了处方匹配模块的具体工作过程，即以病症匹配词、用户的性别和年龄作为处方匹配关键词，在处方匹配数据中，查找出含有该处方匹配关键词的医疗处方，作为初步处方，最后，将治疗效果最好的初步处方作为最佳的处方，进行可视化显示，以便医生和用户查看，从而为医生的用药方案提供客观的用药指导。
在一个可能的设计中，所述每个医疗处方还包括治疗周期，其中，所述处方筛选单元，用于按照治疗周期从短到长的顺序对所述初步处方进行排序，以将治疗周期从短到长的顺序作为所述初步处方的治疗效果从高到低的排序顺序。
在一个可能的设计中，所述信息录入模块，还用于录入用户需求信息，其中，所述用户需求信息包括医药价格；
所述处方匹配模块还包括：权重获取单元和优先级计算单元；
所述权重获取单元，用于根据每个初步处方中的医药价格得出价格权重，以及根据每个初步处方的治疗效果得出治疗权重；
所述优先级计算单元，用于求和每个初步处方中的价格权重和治疗权重，得出每个初步处方的优先级值；
所述处方筛选单元，用于将优先级值最大的初步处方作为第二推荐处方。
基于上述公开的内容，本发明考虑了医药价格的因素，从而为各个初步处方赋予价格权重以及治疗权重，最后，综合前述两个权重后，得出综合考虑了价格以及治疗效果的最优的初步处方，来作为第二推荐处方。
在一个可能的设计中，所述辅助处方系统还包括：处方审核模块，其中，所述处方审核模块通信连接有各个医疗终端，所述处方审核模块用于将所述初步处方发送至所述各个医疗终端，以使所述各个医疗终端对应的医生对所述初步处方进行处方审核，以从所述初步处方中选取一个初步处方作为最佳处方，并返回至所述处方审核模块；
所述处方审核模块，还用于在接收的最佳处方中选取目标处方作为第三推荐处方，并发送至显示终端进行可视化显示，其中，所述目标初步处方为所述最佳处方中，相同个数最多的最佳处方。
基于上述公开的内容，本发明通过将筛选出的初步处方发送至各个医药终端对应的医生，通过各个医生对初步处方进行审核，选取各自认为最佳的处方返回至处方审核模块，最后，选择相同个数最多的最佳处方，作为最终推荐的处方，在显示模块中进行可视化显示；由此，对于一些疑难病症，可保证推荐处方的合理性，为后续医生的用药提供更为合理的指导。
在一个可能的设计中，所述辅助处方系统还包括：紧急救助模块，其中，所述紧急救助模块包括定位单元、判断单元和报警单元；
所述判断单元，电连接所述关键词匹配模块，用于判断所述病症匹配词是否为需要进行紧急治疗的病症；
所述定位单元，用于获取用户的位置信息；
所述报警单元，用于在所述判断单元判断出所述病症匹配词为需要进行紧急治疗的病症后，根据所述病症匹配词和所述位置信息，生成紧急救助请求，并将所述紧急救助请求发送至医疗救护中心。
基于上述公开的内容，可实现紧急病症的紧急救助，提高了对用户生命安全的保障性。
在一个可能的设计中，所述辅助处方系统还包括：病历生成模块；
所述信息录入模块，还用于录入用户的反馈信息，其中，所述反馈信息包括用户的病症匹配词、病症描述、医疗处方、用户名称、年龄、性别、用药禁忌、医药价格和治疗效果；
所述病历生成模块，用于根据所述反馈信息，生成所述用户的病历，且还用于将所述病历发送至医院数据库。
基于上述公开的内容，通过用户的反馈信息，生成该用户的病历，并发送至医院服务器，可便于后续医院对该用户诊疗时，了解用户的疾病史，提高了诊疗的安全性。
附图说明
图1为本发明提供的基于医疗大数据的辅助处方系统的结构示意图；
图2为本发明提供的基于医疗大数据的辅助处方系统的架构示意图；
图3为本发明提供的基于医疗大数据的辅助处方推荐方法的流程示意图；
图4为本发明提供的电子设备的结构示意图。
具体实施方式
下面结合附图及具体实施例来对本发明作进一步阐述。在此需要说明的是，对于这些实施例方式的说明虽然是用于帮助理解本发明，但并不构成对本发明的限定。本文公开的特定结构和功能细节仅用于描述本发明的示例实施例。然而，可用很多备选的形式来体现本发明，并且不应当理解为本发明限制在本文阐述的实施例中。
应当理解，尽管本文可能使用术语第一、第二等等来描述各种单元，但是这些单元不应当受到这些术语的限制。这些术语仅用于区分一个单元和另一个单元。例如可以将第一单元称作第二单元,并且类似地可以将第二单元称作第一单元，同时不脱离本发明的示例实施例的范围。
应当理解，对于本文中可能出现的术语“和/或”，其仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，单独存在B，同时存在A和B三种情况；对于本文中可能出现的术语“/和”，其是描述另一种关联对象关系，表示可以存在两种关系，例如，A/和B，可以表示：单独存在A，单独存在A和B两种情况；另外，对于本文中可能出现的字符“/”，一般表示前后关联对象是一种“或”关系。
实施例
参见图2所示，本实施例第一方面所提供的基于医疗大数据的辅助处方系统，可布置于医疗自助机上，供患者或医生进行处方查询，同时，也可布置到各个用户终端上，如手机、电脑和/或平板等，由患者或医生通过用户终端进行处方查询；其中，本实施例所提供的辅助处方系统，通过建立处方数据库以及病症数据库，可为医务工作者对患者的用药方案提供客观的用药指导，从而降低因用药错误而导致出现医疗事故的概率，同时，对于常见病，还可方便用户远程就诊，不仅节省了用户的就诊时间，还节约了医疗资源，适用于大规模应用与推广。
参见图1所示，本实施例第一方面所提供的基于医疗大数据的辅助处方系统，可以但不限于包括信息录入模块、关键字提取模块、关键词匹配模块、处方匹配模块和显示终端，其中，各个模块的具体功能如下所示：
信息录入模块，用于录入用户的病情信息，其中，所述病情信息包括语音信息、文字信息或图像信息；可选的，用户可利用信息录入模块输入病情信息，以便后续通过该系统匹配出与该病情信息最匹配的医疗处方；具体应用时，信息录入模块设置有虚拟键盘、外设键盘或语音按钮，即用户可通过打字输入病情信息，形成文字信息，也可通过语音输入病情信息，得到语音信息，同理，当该系统布置于各个终端时，还可设置图片上传按钮，以便上传记载了病情信息的照片(例如从手机的相册或电脑本地上传)，从而得到图像信息；由此，该系统可兼容多种信息录入方式，从而适用不同人群的使用，提高了使用的便捷性和实用性。
在本实施例中，举例病情信息可以但不限于包括：患者姓名、年龄、性别以及患者所出现的病症特征，也就是病症描述；例如。姓名：张三，年龄：18，性别：男，病症描述：咳嗽、发热、浑身无力和嗓子痛。
在用户通过信息录入模块输入病情信息后，即可通过关键词提取模块进行对应病情信息中关键词的提取，以便后续根据提取出的关键词进行处方的查询，即关键词提取模块，电连接所述信息录入模块，用于对所述病情信息进行关键词提取，得出基于所述病情信息的病症关键词集合和病人信息关键词集合，其中，所述病症关键词集合包括至少一个病症关键词，所述病人信息关键词集合包括年龄和性别。
具体应用时，由于前述信息录入方式具有文字、语音以及图像，因此，举例所述关键词提取模块可以但不限于包括：语音识别单元、图像识别单元和关键词提取单元，其中，所述语音识别单元，用于对所述语音信息进行语音识别，得到第一病情文本，所述图像识别单元，用于对所述图像信息进行图像识别，以识别出所述图像信息中的文字数据，得到第二病情文本，而所述关键词提取单元，则用于对所述第一病情文本、所述第二病情文本或所述文字信息进行关键词提取，得出所述用户的年龄、性别和至少一个病症关键词，以利用所述年龄和所述性别组成所述病人信息关键词集合，以及利用所述至少一个病症关键词组成所述病症关键词集合；由此，当用户输入语音信息时，则通过语音识别单元将语音转换为文字，而当用户输入图像信息时，则利用图像识别单元从图像中提取出病情信息，而当用户输入的为文字信息时，则可直接利用关键词提取单元进行关键词的提取。
可选的，举例语音识别单元可以但不限于使用语音识别模型进行语音识别，其中，语音识别模型可采用训练后的深度全序列卷积神经网络，具体训练过程为：利用多个音频数据作为输入，每个音频数据对应的文字数据作为输出，训练深度全序列卷积神经网络，从而得到语音识别模型；当然，也可使用现有的语音识别软件进行语音识别，如科大讯飞语音识别软件或百度实时语音识别软件。
同理，举例图像识别单元可以但不限于采用图像识别模型，其中，图像识别模块采用训练后的通用物体检测模型(Single Shot MultiBox Detector，SSD)或Joseph Redmon和Ali Farhadi等人于2015年提出的基于单个神经网络的目标检测系统(You Only LookOnce，YOLO)，具体训练过程为：利用多张图像作为输入，每张图像中的文字数据作为输出，训练YOLO神经网络，从而得到图像识别模型。
在具体实施时，举例关键词提取单元包括：分词单元、词语转换单元、词语分类单元、基准关键词提取单元、词语相似度计算单元以及关键词组合单元，且由于对第一病情文本、第二病情文本以及文字信息进行关键词提取的过程相同，下述以用户输入文字信息为例，来具体阐述前述关键词提取单元的具体工作过程。
即所述分词单元，用于对所述文字信息进行分词，得到多个词语；具体应用时，可以但不限于利用维护词典将文字信息中的每个文字与维护词典中的词逐一比较，来进行分割，其分割方式可以但不限于采用正向最大匹配法、逆向最大匹配法或双向最大匹配法；在对文字信息进行词语分割后，得到多个初始词语，然后可利用停词表对多个初始词语进行过滤，从而得到多个词语，其中，停词表和维护词典均预设在系统中，且停词表中存储有多个停用词，停用词通常是一些出现频率很高或无实意的词，例如：的、我，并且，在的等词语。
在对文字信息进行分词，得到多个词语后，即可利用词语转换单元进行向量转换，即所述词语转换单元，用于将所述多个词语中的每个词语转换为词向量；具体的，可以但不限于使用Word2Vec模型(是一群用来产生词向量的相关模型，这些模型为浅而双层的神经网络)来进行词语的向量转换，从而得到每个词语对应的词向量。
在将每个词语转换为词向量后，即可对词语进行聚类分析，即利用所述词语分类单元，对所有的词向量进行聚类分析，并根据聚类分析结果将所述词向量划分为多个类簇；在本实施例中，举例使用聚类算法对词向量进行聚类分析，如使用K均值聚类、均值漂移聚类或基于高斯混合模型的最大期望聚类等方法；在对词向量进行聚类分析后，即可根据分析结果将词向量划分为多个类簇，如划分为5个类簇，以便后续根据类簇进行关键词的提取。
在将每个词向量划分为多个类簇后，即可查询出每个类簇对应的基准关键词的词向量，以便后续基于基准关键词的词向量，来确定出每个类簇对应的关键词，即利用所述基准关键词提取单元，将多个类簇中的每个类簇输入至训练后的神经网络模型中进行关键词提取，以得到每个类簇对应的基准关键词的词向量；具体的，首先提取出每个类簇的类簇向量(可以但不限于将每个类簇对应的词向量相加得出)，然后将每个类簇的类簇向量输入至训练后的神经网络模型中，得到每个类簇对应的基准关键词的词向量。
具体应用时，举例可利用训练后的SSD(Single Shot MultiBox Detector)神经网络来进行每个类簇对应基准关键词的词向量的预测，其中，SSD神经网络的训练过程为：以多个类簇的类簇向量为输入，每个类簇向量对应的关键词为输出，训练SSD神经网络，从而得到训练后的SSD神经网络模型。
在得到每个类簇对应的基准关键词的词向量后，即可利用所述词语相似度计算单元，计算每个类簇中的任一词向量，与对应基准关键词的词向量之间的相似度，并将相似度最大基准关键词作为所述任一词向量对应的关键词；具体应用时，可利用余弦距离或欧式距离来进行相似度的度量。
最后，即可通过所述关键词组合单元，并利用每个类簇中所有词向量对应的关键词，组成所述病人信息关键词集合和所述病症关键词集合；具体应用时，可根据确定出的关键词，进行集合的划分，即将关键词含有性别和年龄的词语划分到病人信息关键词集合中，然后将包含性别和年龄的关键词之外的所有关键词，作为病症关键词集合。
在提取出病情信息的关键词后，即可利用提取出的关键词，在病症数据库中进行病症的匹配，即关键词匹配模块，电连接所述关键词提取模块，用于根据所述病症关键词集合，在病症数据库中，查找出与所述病症关键词集合相对应的病症匹配词，其中，所述病症数据库包括多个病症匹配词以及每个病症匹配词对应的病症描述，且所述病症描述包括对应病症匹配词的历史患者的患者病症描述和对应病症匹配词的医学病症描述，在本实施例中，医学病症描述是各个病症匹配词在医学教学书本中的官方症状描述，但是，由于个体的差异，对于同一病症，不同的人存在不同的病症反应，因此，同时将患者病症描述以及医学病症描述均录入至病症数据库中，可提高匹配的准确性。
具体应用时，举例所述关键词匹配模块包括：关键词匹配单元、加权计算单元以及关键词确认单元；其中，所述关键词匹配单元，用于根据所述至少一个病症关键词，在病症数据库中，匹配出多个初始病症匹配词，其中，所述多个初始病症匹配词中的每个初始病症匹配词的病症描述包括一个病症关键词、2个病症关键词或2个以上的病症关键词；即只要病症数据库中的病症匹配词对应的病症描述中，含有前述病症关键词，即可作为初始病症匹配词。
同时，在本实施例中，为得出与用户病情描述相似度最高的病症匹配词，还设置有加权计算单元，即所述加权计算单元，用于将每个初始病症匹配词的病症描述中包含的病症关键词的权重相加，以得出每个初始病症匹配词的权重值；具体应用时，对于任一病症匹配词，其对应病症描述中的关键词所占的权重不同，因此，可预先为病症数据库中每个病症匹配词对应的病症描述中的各个关键词设置权重，由此，在根据病症关键词集合匹配出多个初始病症匹配词后，可利用预先设置的权重，计算各个初始病症匹配词的权重值。
最后，即可利用所述关键词确认单元，将权重值最大的初始病症匹配词作为所述病症关键词集合相对应的病症匹配词。
例如，对于病症匹配词：支气管炎，病症描述为：鼻塞、流清涕、咽痛、声音嘶哑、低热、畏寒、周身乏力、自觉咽喉部发痒、恶心、呕吐、胸部、腹部以及肌肉疼痛、持久性咳嗽、哮鸣和气急等，因此，可为前述各个病症描述中的各个关键词设置相应的权重，如持久性咳嗽和气急为支气管炎的代表特征，可依次设置权重为0.4和0.3，咽痛可设置为0.1，其余各个关键词的设置与前述一致，不再赘述。
又如，对于病症匹配词：伤风，病症描述为：鼻塞、喷嚏、流涕、发热、咳嗽、头痛等，其中，流涕和鼻塞为伤风的代表特征，可设置权重为0.5和0.6，咳嗽为并发症，不一定所有患者均会出现咳嗽，因此可设置权重为0.3。
假设病症关键词集合中存在：咳嗽、气急和咽痛，那么前述两个病症匹配词均含有前述病症关键词，因此，均为初始病症匹配词，那么此时，依据前述权重计算规则，即症病匹配词支气管炎的权重为：0.3+0.1＝0.5，而病症匹配词伤风的权重为：0.3，因此，应将支气管炎作为病症关键词集合的病症匹配词。
在得到病症关键词集合相匹配的病症匹配词后，即可利用病症匹配词和病人信息关键词集合在处方数据库中查找出与对应的医疗处方，即处方匹配模块，电连接所述关键词匹配模块，用于根据所述病症匹配词和所述病人信息关键词集合，在处方数据库中查找出与所述病情信息最匹配的医疗处方，作为所述用户的第一推荐处方，其中，所述处方数据库包括多个医疗处方，且每个医疗处方包括治疗病症的病症匹配词、用药年龄、用药性别和用药方案。
具体应用时，举例所述处方匹配模块包括：处方匹配单元以及处方筛选单元，其中，所述处方匹配单元，用于以所述病症匹配词、性别和年龄为处方匹配关键词，在所述处方数据库中查找出与所述处方匹配关键词相对应的至少一个医疗处方，作为初步处方；其中，处方匹配单元的工作原理为：只要医疗处方中包含有前述处方匹配关键词，则作为初步处方，也就是包含有病症匹配词、年龄(如18岁)和性别(如男)的医疗处方均作为初步处方。
最后，即可利用所述处方筛选单元，按照治疗效果从高到低的顺序对所述初步处方进行排序，并将排序第一的初步处方作为与所述病情信息最匹配的医疗处方；具体应用时，所述每个医疗处方还包括治疗周期，而在本实施例中，治疗效果则通过治疗周期来度量，其中，治疗周期越短，效果越好，即所述处方筛选单元，用于按照治疗周期从短到长的顺序对所述初步处方进行排序，以将治疗周期从短到长的排序顺序作为所述初步处方的治疗效果从高到低的排序顺序。
当从处方数据库中匹配得到第一推荐处方后，即可将该第一推荐处方推送至显示模块进行可视化显示，以供患者和/或医生查看；即显示模块，电连接所述处方匹配模块，用于将所述第一推荐处方进行可视化展示。
通过前述设计，本发明基于医疗大数据，建立了病症数据库以及处方数据库，即本发明可根据用户的病情信息，在病症数据库中查询与之相匹配的病症匹配词，最后，基于病症匹配词以及用户的年龄和性别，在处方数据库中查找出与该病情信息最匹配的医疗处方；由此，本发明可为医务工作者对患者的用药方案提供客观的用药指导，从而降低因用药错误而导致出现医疗事故的概率，同时，对于常见病，还可方便用户远程就诊，不仅节省了用户的就诊时间，还节约了医疗资源。
在一个可能的设计中，本实施例第二方面在实施例第一方面上进行进一步的优化，使该系统可根据用户的需求，提供与用户需求相对应的医疗处方，具体设置如下：
所述信息录入模块，还用于录入用户需求信息，其中，所述用户需求信息包括医药价格，也就是根据医疗处方配药的药价。
所述处方匹配模块还包括：权重获取单元和优先级计算单元，其中，所述权重获取单元，用于根据每个初步处方中的医药价格得出价格权重，以及根据每个初步处方的治疗效果得出治疗权重；具体应用时，可设置价格区间，并且为各个价格区间设置不同的权重，同理，对于治疗效果，由于前述第一方面就已阐述，其使用治疗周期来评价，因此，可为各个治疗周期设置不同的权重，并以权重表的形式预设至系统中，从而在得到初步处方后，根据药价和治疗周期，在权重表中进行权重查询。
接着，即可利用所述优先级计算单元，求和每个初步处方中的价格权重和治疗权重，得出每个初步处方的优先级值；最后，即可利用所述处方筛选单元，将优先级值最大的初步处方作为第二推荐处方。
例如，价格权重对应的权重表为：价格在[0,50]之间，权重为0.1，价格在(0,100]之间，权重为0.3，价格在(100,200]之间，权重为0.4，价格在(200,300]之间，权重为0.5，价格在(300,400]之间，权重为0.6。
治疗效果对应的权重表为：治疗周期在[1,3]之间，权重为0.7，治疗周期在(3,5]之间，权重为0.5，治疗周期在(5,10]之间，权重为0.4，治疗周期在(10,20]之间，权重为0.3，治疗周期在(20,50]之间，权重为0.1。
假设，查找出有初步处方A1、初步处方A2和初步处方A3，其中，初步处方A1的药价为100元，初步处方A2的药价为120元，初步处方A3的药价为78元，且初步处方A1、初步处方A2和初步处方A3的治疗周期分别为：10天、5天和5天，因此，初步处方A1的优先级值为：0.3+0.4＝0.7；初步处方A2的优先级值为：0.4+0.5＝0.9；初步处方A3的优先级值为：0.3+0.5＝0.8；由此，初步处方A2的优先级值最高，即初步处方A2作为第二推荐处方，发送至显示终端进行可视化显示，以便患者和/或医生查看。
由此通过前述设计，可综合考虑用户的需求，从而综合不同需求，在处方数据库中匹配出最适合用户的医疗处方。
在本实施例中，为保证处方的合理性，还设置有处方审核模块，其中，所述处方审核模块通信连接有各个医疗终端，所述处方审核模块用于将所述初步处方发送至所述各个医疗终端，以使所述各个医疗终端对应的医生对所述初步处方进行处方审核，以从所述初步处方中选取一个初步处方作为最佳处方，并返回至所述处方审核模块，而所述处方审核模块，还用于在接收的最佳处方中选取目标处方作为第三推荐处方，并发送至显示终端进行可视化显示，其中，所述目标初步处方为所述最佳处方中，相同个数最多的最佳处方。
通过前述设计，本发明通过将筛选出的初步处方发送至各个医药终端对应的医生，通过各个医生对初步处方进行审核，选取各自认为最佳的处方返回至处方审核模块，最后，选择相同个数最多的最佳处方，作为最终推荐的处方，在显示模块中进行可视化显示；由此，对于一些疑难病症，可保证推荐处方的合理性，为后续医生的用药提供更为合理的指导方案。
可选的，举例所述辅助处方系统还包括：紧急救助模块，其中，所述紧急救助模块包括定位单元、判断单元和报警单元，具体的，所述判断单元，电连接所述关键词匹配模块，用于判断所述病症匹配词是否为需要进行紧急治疗的病症；所述定位单元，用于获取用户的位置信息；所述报警单元，用于在所述判断单元判断出所述病症匹配词为需要进行紧急治疗的病症后，根据所述病症匹配词和所述位置信息，生成紧急救助请求，并将所述紧急救助请求发送至医疗救护中心。
通过前述设计，当该系统根据病情信息匹配出其对应的病症匹配词为需进行紧急治疗的病症时，可实现该用户的位置定位，并基于位置以及病症匹配词，向医疗救护中心(如医院急救中心)发送紧急救助请求；由此，可实现紧急病症的紧急救助，提高了对用户生命安全的保障性。
另外，在具体应用时，该系统还设置有病历生成模块，其中，所述信息录入模块，还用于录入用户的反馈信息，其中，所述反馈信息包括用户的病症匹配词、病症描述、医疗处方、用户名称、年龄、性别、用药禁忌、医药价格和治疗效果；所述病历生成模块，用于根据所述反馈信息，生成所述用户的病历，且还用于将所述病历发送至医院数据库。
由此通过前述设计，通过用户的反馈信息，生成该用户的病历，并发送至医院服务器，可便于后续医院对该用户诊疗时，了解用户的疾病史，提高了诊疗的安全性。
如图3所示，本实施例第三方面提供了一种基于第一方面中所述的基于医疗大数据的辅助处方系统的处方推荐方法，包括如下步骤S1～S5：
S1.获取用户的病情信息，其中，所述病情信息包括语音信息、文字信息或图像信息。
S2.对所述病情信息进行关键词提取，得出基于所述病情信息的病症关键词集合和病人信息关键词集合，其中，所述病症关键词集合包括至少一个病症关键词，所述病人信息关键词集合包括年龄和性别。
S3.根据所述病症关键词集合，在病症数据库中，查找出与所述病症关键词集合相对应的病症匹配词，其中，所述病症数据库包括多个病症匹配词以及每个病症匹配词对应的病症描述，且所述病症描述包括对应病症匹配词的历史患者的患者病症描述和对应病症匹配词的医学病症描述。
S4.根据所述病症匹配词和所述病人信息关键词集合，在处方数据库中查找出与所述病情信息最匹配的医疗处方，作为所述用户的第一推荐处方，其中，所述处方数据库包括多个医疗处方，且每个医疗处方包括治疗病症的病症匹配词、用药年龄、用药性别和用药方案。
S5.将所述第一推荐处方进行可视化展示。
具体应用时，对所述病情信息进行关键词提取，得出基于所述病情信息的病症关键词集合和病人信息关键词集合，包括：
S21.若病情信息为图像信息，则对所述图像信息进行图像识别，以识别出所述图像信息中的文字数据，得到第二病情文本；若病情信息为语音信息，则对所述语音信息进行语音识别，得到第一病情文本。
S22.对所述文字信息、所述第一病情文本或所述第二病情文办进行分词，得到多个词语。
S23.将所述多个词语中的每个词语转换为词向量。
S24.对所有的词向量进行聚类分析，并根据聚类分析结果将所述词向量划分为多个类簇。
S25.将多个类簇中的每个类簇输入至训练后的神经网络模型中进行关键词提取，以得到每个类簇对应的基准关键词的词向量。
S26.计算每个类簇中的任一词向量，与对应基准关键词的词向量之间的相似度，并将相似度最大基准关键词作为所述任一词向量对应的关键词。
S27.利用每个类簇中所有词向量对应的关键词，组成所述病人信息关键词集合和所述病症关键词集合。
具体应用时，步骤S3包括：
S31.根据所述至少一个病症关键词，在病症数据库中，匹配出多个初始病症匹配词，其中，所述多个初始病症匹配词中的每个初始病症匹配词的病症描述包括一个病症关键词、2个病症关键词或2个以上的病症关键词。
S32.将每个初始病症匹配词的病症描述中包含的病症关键词的权重相加，以得出每个初始病症匹配词的权重值。
S33.将权重值最大的初始病症匹配词作为所述病症关键词集合相对应的病症匹配词。
同理，步骤S4具体包括：
S41.以所述病症匹配词、性别和年龄为处方匹配关键词，在所述处方数据库中查找出与所述处方匹配关键词相对应的至少一个医疗处方，作为初步处方。
S42.按照治疗效果从高到低的顺序对所述初步处方进行排序，并将排序第一的初步处方作为与所述病情信息最匹配的医疗处方。
本实施例提供的系统的工作过程、工作细节和技术效果，可以参见实施例第一方面，于此不再赘述。
如图4所示，本实施例第四方面提供了一种电子设备，包括：依次通信相连的存储器、处理器和收发器，其中，所述存储器用于存储计算机程序，所述收发器用于收发消息，所述处理器用于读取所述计算机程序，执行如实施例第三方面所述的基于医疗大数据的辅助处方推荐方法。
具体举例的，所述存储器可以但不限于包括随机存取存储器(random accessmemory，RAM)、只读存储器(Read Only Memory image，ROM)、闪存(Flash Memory)、先进先出存储器(First Input First Output，FIFO)和/或先进后出存储器(First In Last Out，FILO)等等；具体地，处理器可以包括一个或多个处理核心，比如4核心处理器、8核心处理器等。处理器可以采用DSP(Digital Signal Processing，数字信号处理)、FPGA(Field－Programmable Gate Array，现场可编程门阵列)、PLA(Programmable Logic Array，可编程逻辑阵列)中的至少一种硬件形式来实现，同时，处理器也可以包括主处理器和协处理器，主处理器是用于对在唤醒状态下的数据进行处理的处理器，也称CPU(Central ProcessingUnit，中央处理器)；协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中，处理器可以在集成有GPU(Graphics Processing Unit，图像处理器)，GPU用于负责显示屏所需要显示的内容的渲染和绘制，例如，所述处理器可以不限于采用型号为STM32F105系列的微处理器、精简指令集计算机(reduced instruction set computer,RSIC)微处理器、X86等架构处理器或集成嵌入式神经网络处理器(neural-networkprocessing units，NPU)的处理器；所述收发器可以但不限于为无线保真(WIFI)无线收发器、蓝牙无线收发器、通用分组无线服务技术(General Packet Radio Service，GPRS)无线收发器、紫蜂协议(基于IEEE802.15.4标准的低功耗局域网协议，ZigBee)无线收发器、3G收发器、4G收发器和/或5G收发器等。此外，所述装置还可以但不限于包括有电源模块、显示屏和其它必要的部件。
本实施例提供的电子设备的工作过程、工作细节和技术效果，可以参见实施例第三方面，于此不再赘述。
本实施例第五方面提供了一种存储包含有实施例第三方面所述的基于医疗大数据的辅助处方推荐方法的指令的存储介质，即所述存储介质上存储有指令，当所述指令在计算机上运行时，执行如第三方面所述的基于医疗大数据的辅助处方推荐方法。
其中，所述存储介质是指存储数据的载体，可以但不限于包括软盘、光盘、硬盘、闪存、优盘和/或记忆棒(Memory Stick)等，所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。
本实施例提供的存储介质的工作过程、工作细节和技术效果，可以参见实施例第三方面，于此不再赘述。
本实施例第六方面提供了一种包含指令的计算机程序产品，当所述指令在计算机上运行时，使所述计算机执行如实施例第一方面所述的基于医疗大数据的辅助处方推荐方法，其中，所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。
最后应说明的是：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的保护范围。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，均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于医疗大数据的辅助处方系统，其特征在于，包括：
信息录入模块，用于录入用户的病情信息，其中，所述病情信息包括语音信息、文字信息或图像信息；
关键词提取模块，电连接所述信息录入模块，用于对所述病情信息进行关键词提取，得出基于所述病情信息的病症关键词集合和病人信息关键词集合，其中，所述病症关键词集合包括至少一个病症关键词，所述病人信息关键词集合包括年龄和性别；
关键词匹配模块，电连接所述关键词提取模块，用于根据所述病症关键词集合，在病症数据库中，查找出与所述病症关键词集合相对应的病症匹配词，其中，所述病症数据库包括多个病症匹配词以及每个病症匹配词对应的病症描述，且所述病症描述包括对应病症匹配词的历史患者的患者病症描述和对应病症匹配词的医学病症描述；
处方匹配模块，电连接所述关键词匹配模块，用于根据所述病症匹配词和所述病人信息关键词集合，在处方数据库中查找出与所述病情信息最匹配的医疗处方，作为所述用户的第一推荐处方，其中，所述处方数据库包括多个医疗处方，且每个医疗处方包括治疗病症的病症匹配词、用药年龄、用药性别和用药方案；
显示模块，电连接所述处方匹配模块，用于将所述第一推荐处方进行可视化展示。
2.如权利要求1所述的辅助处方系统，其特征在于，所述关键词提取模块包括：语音识别单元、图像识别单元和关键词提取单元；
所述语音识别单元，用于对所述语音信息进行语音识别，得到第一病情文本；
所述图像识别单元，用于对所述图像信息进行图像识别，以识别出所述图像信息中的文字数据，得到第二病情文本；
所述关键词提取单元，用于对所述第一病情文本、所述第二病情文本或所述文字信息进行关键词提取，得出所述用户的年龄、性别和至少一个病症关键词，以利用所述年龄和所述性别组成所述病人信息关键词集合，以及利用所述至少一个病症关键词组成所述病症关键词集合。
3.如权利要求2所述的辅助处方系统，其特征在于，所述关键词提取单元包括：分词单元、词语转换单元、词语分类单元、基准关键词提取单元、词语相似度计算单元以及关键词组合单元；
所述分词单元，用于对所述文字信息进行分词，得到多个词语；
所述词语转换单元，用于将所述多个词语中的每个词语转换为词向量；
所述词语分类单元，用于对所有的词向量进行聚类分析，并根据聚类分析结果将所述词向量划分为多个类簇；
所述基准关键词提取单元，用于将多个类簇中的每个类簇输入至训练后的神经网络模型中进行关键词提取，以得到每个类簇对应的基准关键词的词向量；
所述词语相似度计算单元，用于计算每个类簇中的任一词向量，与对应基准关键词的词向量之间的相似度，并将相似度最大基准关键词作为所述任一词向量对应的关键词；
所述关键词组合单元，用于利用每个类簇中所有词向量对应的关键词，组成所述病人信息关键词集合和所述病症关键词集合。
4.如权利要求1所述的辅助处方系统，其特征在于，所述关键词匹配模块包括：关键词匹配单元、加权计算单元以及关键词确认单元；
所述关键词匹配单元，用于根据所述至少一个病症关键词，在病症数据库中，匹配出多个初始病症匹配词，其中，所述多个初始病症匹配词中的每个初始病症匹配词的病症描述包括一个病症关键词、2个病症关键词或2个以上的病症关键词；
所述加权计算单元，用于将每个初始病症匹配词的病症描述中包含的病症关键词的权重相加，以得出每个初始病症匹配词的权重值；
所述关键词确认单元，用于将权重值最大的初始病症匹配词作为所述病症关键词集合相对应的病症匹配词。
5.如权利要求1所述的辅助处方系统，其特征在于，所述处方匹配模块包括：处方匹配单元以及处方筛选单元；
所述处方匹配单元，用于以所述病症匹配词、性别和年龄为处方匹配关键词，在所述处方数据库中查找出与所述处方匹配关键词相对应的至少一个医疗处方，作为初步处方；
所述处方筛选单元，用于按照治疗效果从高到低的顺序对所述初步处方进行排序，并将排序第一的初步处方作为与所述病情信息最匹配的医疗处方。
6.如权利要求5所述的辅助处方系统，其特征在于，所述每个医疗处方还包括治疗周期，其中，所述处方筛选单元，用于按照治疗周期从短到长的顺序对所述初步处方进行排序，以将治疗周期从短到长的顺序作为所述初步处方的治疗效果从高到低的排序顺序。
7.如权利要求6所述的辅助处方系统，其特征在于，所述信息录入模块，还用于录入用户需求信息，其中，所述用户需求信息包括医药价格；
所述处方匹配模块还包括：权重获取单元和优先级计算单元；
所述权重获取单元，用于根据每个初步处方中的医药价格得出价格权重，以及根据每个初步处方的治疗效果得出治疗权重；
所述优先级计算单元，用于求和每个初步处方中的价格权重和治疗权重，得出每个初步处方的优先级值；
所述处方筛选单元，用于将优先级值最大的初步处方作为第二推荐处方。
8.如权利要求5所述的辅助处方系统，其特征在于，所述辅助处方系统还包括：处方审核模块，其中，所述处方审核模块通信连接有各个医疗终端，所述处方审核模块用于将所述初步处方发送至所述各个医疗终端，以使所述各个医疗终端对应的医生对所述初步处方进行处方审核，以从所述初步处方中选取一个初步处方作为最佳处方，并返回至所述处方审核模块；
所述处方审核模块，还用于在接收的最佳处方中选取目标处方作为第三推荐处方，并发送至显示终端进行可视化显示，其中，所述目标初步处方为所述最佳处方中，相同个数最多的最佳处方。
9.如权利要求1所述的辅助处方系统，其特征在于，所述辅助处方系统还包括：紧急救助模块，其中，所述紧急救助模块包括定位单元、判断单元和报警单元；
所述判断单元，电连接所述关键词匹配模块，用于判断所述病症匹配词是否为需要进行紧急治疗的病症；
所述定位单元，用于获取用户的位置信息；
所述报警单元，用于在所述判断单元判断出所述病症匹配词为需要进行紧急治疗的病症后，根据所述病症匹配词和所述位置信息，生成紧急救助请求，并将所述紧急救助请求发送至医疗救护中心。
10.如权利要求1所述的辅助处方系统，其特征在于，所述辅助处方系统还包括：病历生成模块；
所述信息录入模块，还用于录入用户的反馈信息，其中，所述反馈信息包括用户的病症匹配词、病症描述、医疗处方、用户名称、年龄、性别、用药禁忌、医药价格和治疗效果；
所述病历生成模块，用于根据所述反馈信息，生成所述用户的病历，且还用于将所述病历发送至医院数据库。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210006475.6A CN114334070A (zh) | 2022-01-05 | 2022-01-05 | 一种基于医疗大数据的辅助处方系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210006475.6A CN114334070A (zh) | 2022-01-05 | 2022-01-05 | 一种基于医疗大数据的辅助处方系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114334070A true CN114334070A (zh) | 2022-04-12 |
Family
ID=81024223
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210006475.6A Withdrawn CN114334070A (zh) | 2022-01-05 | 2022-01-05 | 一种基于医疗大数据的辅助处方系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114334070A (zh) |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115116572A (zh) * | 2022-08-27 | 2022-09-27 | 朔至美(南通)科技有限公司 | 一种基于人工智能的医疗数据管理系统及方法 |
| CN115238064A (zh) * | 2022-09-20 | 2022-10-25 | 大安健康科技(北京)有限公司 | 一种基于聚类的中医医案的关键词提取方法 |
| CN115938540A (zh) * | 2022-12-14 | 2023-04-07 | 正德(海南)康复医疗中心管理有限责任公司 | 一种基于云平台的情景互动儿童康复训练系统 |
| CN116913493A (zh) * | 2023-07-24 | 2023-10-20 | 北京同仁堂互联网医院管理有限公司 | 一种医患的匹配方法、装置、设备及可读介质 |
| CN116936021A (zh) * | 2023-09-18 | 2023-10-24 | 万链指数(青岛)信息科技有限公司 | 一种基于区块链的医疗电子病历信息管理方法及系统 |
| CN117116461A (zh) * | 2023-09-05 | 2023-11-24 | 易康(广州)数字科技有限公司 | 一种基于机器学习的线上个性化诊疗评估方法及系统 |
| CN117372210A (zh) * | 2023-10-10 | 2024-01-09 | 广东海洋大学 | 一种法律服务咨询系统 |
| CN117556790A (zh) * | 2024-01-02 | 2024-02-13 | 四川大学华西医院 | 医疗信息处理方法、装置、设备和存储介质 |
| CN117690545A (zh) * | 2023-12-12 | 2024-03-12 | 北京健康有益科技有限公司 | 一种基于大模型的治疗方案生成方法及装置 |
| CN117789907A (zh) * | 2024-02-28 | 2024-03-29 | 山东金卫软件技术有限公司 | 基于多源数据融合的智慧医疗数据智能管理方法 |
| CN118072904A (zh) * | 2024-04-24 | 2024-05-24 | 万链指数(青岛)信息科技有限公司 | 一种在线医疗处方用药智能检查方法及系统 |
| CN118522396A (zh) * | 2024-07-23 | 2024-08-20 | 济南科汛智能科技有限公司 | 一种临床诊疗数据录入方法及系统 |
-
2022
- 2022-01-05 CN CN202210006475.6A patent/CN114334070A/zh not_active Withdrawn
Cited By (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115116572B (zh) * | 2022-08-27 | 2022-11-25 | 朔至美(南通)科技有限公司 | 一种基于人工智能的医疗数据管理系统及方法 |
| CN115116572A (zh) * | 2022-08-27 | 2022-09-27 | 朔至美(南通)科技有限公司 | 一种基于人工智能的医疗数据管理系统及方法 |
| CN115238064A (zh) * | 2022-09-20 | 2022-10-25 | 大安健康科技(北京)有限公司 | 一种基于聚类的中医医案的关键词提取方法 |
| CN115238064B (zh) * | 2022-09-20 | 2022-12-09 | 大安健康科技(北京)有限公司 | 一种基于聚类的中医医案的关键词提取方法 |
| CN115938540B (zh) * | 2022-12-14 | 2024-02-27 | 中科创新(深圳)技术控股有限公司 | 一种基于云平台的情景互动儿童康复训练系统 |
| CN115938540A (zh) * | 2022-12-14 | 2023-04-07 | 正德(海南)康复医疗中心管理有限责任公司 | 一种基于云平台的情景互动儿童康复训练系统 |
| CN116913493A (zh) * | 2023-07-24 | 2023-10-20 | 北京同仁堂互联网医院管理有限公司 | 一种医患的匹配方法、装置、设备及可读介质 |
| CN117116461A (zh) * | 2023-09-05 | 2023-11-24 | 易康(广州)数字科技有限公司 | 一种基于机器学习的线上个性化诊疗评估方法及系统 |
| CN116936021A (zh) * | 2023-09-18 | 2023-10-24 | 万链指数(青岛)信息科技有限公司 | 一种基于区块链的医疗电子病历信息管理方法及系统 |
| CN117372210A (zh) * | 2023-10-10 | 2024-01-09 | 广东海洋大学 | 一种法律服务咨询系统 |
| CN117372210B (zh) * | 2023-10-10 | 2024-03-26 | 广东海洋大学 | 一种法律服务咨询系统 |
| CN117690545A (zh) * | 2023-12-12 | 2024-03-12 | 北京健康有益科技有限公司 | 一种基于大模型的治疗方案生成方法及装置 |
| CN117556790A (zh) * | 2024-01-02 | 2024-02-13 | 四川大学华西医院 | 医疗信息处理方法、装置、设备和存储介质 |
| CN117556790B (zh) * | 2024-01-02 | 2024-04-16 | 四川大学华西医院 | 医疗信息处理方法、装置、设备和存储介质 |
| CN117789907A (zh) * | 2024-02-28 | 2024-03-29 | 山东金卫软件技术有限公司 | 基于多源数据融合的智慧医疗数据智能管理方法 |
| CN117789907B (zh) * | 2024-02-28 | 2024-05-10 | 山东金卫软件技术有限公司 | 基于多源数据融合的智慧医疗数据智能管理方法 |
| CN118072904A (zh) * | 2024-04-24 | 2024-05-24 | 万链指数(青岛)信息科技有限公司 | 一种在线医疗处方用药智能检查方法及系统 |
| CN118072904B (zh) * | 2024-04-24 | 2024-09-06 | 万链指数(青岛)信息科技有限公司 | 一种在线医疗处方用药智能检查方法及系统 |
| CN118522396A (zh) * | 2024-07-23 | 2024-08-20 | 济南科汛智能科技有限公司 | 一种临床诊疗数据录入方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114334070A (zh) | 一种基于医疗大数据的辅助处方系统 | |
| KR102088980B1 (ko) | 사용자 맞춤형 의료정보 제공 시스템 및 이의 구동방법 | |
| CN111798941B (zh) | 用于生成临床查询的预测系统 | |
| CN109906449B (zh) | 一种查找方法及装置 | |
| CN110364234B (zh) | 电子病历智能存储分析检索系统及方法 | |
| CN112863630A (zh) | 基于数据和知识的个性化精准医疗问答系统 | |
| CN111949759A (zh) | 病历文本相似度的检索方法、系统及计算机设备 | |
| CN107194158A (zh) | 一种基于图像识别的疾病辅助诊断方法 | |
| CN112541056B (zh) | 医学术语标准化方法、装置、电子设备及存储介质 | |
| CN111274365A (zh) | 基于语义理解的智能问诊方法、装置、存储介质及服务器 | |
| CN109994216A (zh) | 一种基于机器学习的icd智能诊断编码方法 | |
| CN113345577B (zh) | 诊疗辅助信息的生成方法、模型训练方法、装置、设备以及存储介质 | |
| CN113707299A (zh) | 基于问诊会话的辅助诊断方法、装置及计算机设备 | |
| CN112786131A (zh) | 识别就诊信息的方法及装置、电子设备和存储介质 | |
| CN112885478A (zh) | 医疗文献的检索方法、装置、电子设备及存储介质 | |
| CN113724859A (zh) | 基于人工智能的疾病提示设备、方法、装置及存储介质 | |
| CN115579104A (zh) | 一种基于人工智能的肝癌全病程数字化管理方法及系统 | |
| CN113870974A (zh) | 基于人工智能的风险预测方法、装置、电子设备及介质 | |
| CN113611401A (zh) | 一种围术期血液管理的系统和方法 | |
| CN115713078A (zh) | 知识图谱构建方法、装置、存储介质及电子设备 | |
| Vale-Silva et al. | MultiSurv: Long-term cancer survival prediction using multimodal deep learning | |
| CN113284627A (zh) | 基于患者表征学习的用药推荐方法 | |
| Henao et al. | Patient clustering with uncoded text in electronic medical records | |
| CN113241198B (zh) | 用户数据处理方法、装置、设备及存储介质 | |
| CN114664421A (zh) | 一种医患匹配方法、装置、电子设备、介质及产品 |
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 | ||
| WW01 | Invention patent application withdrawn after publication | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20220412 |