CN114420279A - 一种医疗资源推荐方法、装置、设备及存储介质 - Google Patents
一种医疗资源推荐方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN114420279A CN114420279A CN202210137916.6A CN202210137916A CN114420279A CN 114420279 A CN114420279 A CN 114420279A CN 202210137916 A CN202210137916 A CN 202210137916A CN 114420279 A CN114420279 A CN 114420279A
- Authority
- CN
- China
- Prior art keywords
- medical resource
- historical
- medical
- historical patient
- patient
- 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
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/20—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the management or administration of healthcare resources or facilities, e.g. managing hospital staff or surgery rooms
-
- 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
- G06F16/334—Query execution
- G06F16/3344—Query execution using natural language analysis
-
- 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
- G06F16/335—Filtering based on additional data, e.g. user or group profiles
-
- 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
- G06F16/338—Presentation of query results
-
- 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
- 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)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Epidemiology (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Primary Health Care (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Pathology (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及人工智能技术,揭露了一种医疗资源推荐方法,包括:利用历史患者就诊数据,提取历史患者信息特征集及历史医疗资源特征集之间的关联特征;利用历史患者信息特征集、历史医疗资源特征集及关联特征,构建历史患者医疗推荐样本集;基于历史患者医疗推荐样本集,对预构建的医疗资源推荐模型进行训练,得到训练完成的医疗资源推荐模型;利用训练完成的医疗资源推荐模型对待分析患者信息及可用医疗资源进行匹配分析,得到推荐医疗资源数据。此外,本发明还涉及区块链技术,历史患者医疗推荐样本集可存储于区块链的节点。本发明还提出一种医疗资源推荐装置、电子设备以及存储介质。本发明可以提高医疗资源推荐准确度。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种医疗资源推荐方法、装置、电子设备及计算机可读存储介质。
背景技术
求医问诊是人们生活中常遇到的事情,选择合适的医院和医生至关重要,然而大多数患者由于医学知识的限制,对于自身的症状无法正确评估,同时互联网信息庞杂,患者无从分辨真伪,由于缺乏医疗专业知识,也很难找到擅长自己病情的医院和医生,从而降低医疗效率并浪费了医疗资源。通过配置医疗推荐系统,能够帮助病人和医生大大缩短就诊时间,节省人力物力。
现有的医疗推荐系统往往采用固定的搜索方式,或单纯使用医生和病人的历史交互信息作为输入进行相关医疗信息的推荐,这种方法推荐的医疗资源不够准确。
发明内容
本发明提供一种医疗资源推荐方法、装置及计算机可读存储介质,其主要目的在于解决进行医疗资源推荐时的准确度较低的问题。
为实现上述目的,本发明提供的一种医疗资源推荐方法,包括:
获取历史患者数据集及历史医疗资源集,从所述历史患者数据集中提取历史患者信息特征集以及提取历史患者就诊数据,从所述历史医疗资源集中提取历史医疗资源特征集;
利用所述历史患者就诊数据,提取所述历史患者信息特征集及所述历史医疗资源特征集之间的关联特征,利用所述历史患者信息特征集、所述历史医疗资源特征集及所述关联特征,构建历史患者医疗推荐样本集;
基于所述历史患者医疗推荐样本集,利用对比散度算法,对预构建的医疗资源推荐模型进行训练,得到训练完成的医疗资源推荐模型;
获取待分析患者信息及可用医疗资源,利用所述训练完成的医疗资源推荐模型对所述待分析患者信息及可用医疗资源进行匹配分析,得到推荐医疗资源数据。
可选地,所述从所述历史患者数据集中提取历史患者信息特征集,包括:
将所述历史患者数据集统一转换为文本格式,得到历史患者文本数据集;
对所述历史患者文本数据集进行分词及词性标注,得到分词及词性标注的结果;
根据所述词性标注的结果从所述分词中提取名词及名词短语,并根据所述名词及名词短语,统计得到历史患者信息特征频率,根据所述历史患者信息特征频率生成频繁模式树;
识别所述频繁模式树中的特征,得到候选历史患者信息特征集;
计算所述候选历史患者信息特征集中各个特征的点互信息值,并从所述候选历史患者信息特征集中过滤掉点互信息值小于预设的标准阈值的历史患者信息特征,得到历史患者信息特征集。
可选地,所述利用所述历史患者就诊数据,提取所述历史患者信息特征集及所述历史医疗资源特征集之间的关联特征,包括:
对所述历史患者信息特征集中每个历史患者信息特征及所述历史医疗资源特征集中每个历史医疗资源特征进行分词,从所述分词结果中提取关键词汇及关系词汇;
删除与所述历史患者就诊数据无关的所述关键词汇及关系词汇,得到所述历史患者信息特征集与所述历史医疗资源特征集之间的关联特征。
可选地,所述基于所述历史患者医疗推荐样本集,利用对比散度算法,对预构建的医疗资源推荐模型进行训练,得到训练完成的医疗资源推荐模型,包括:
将所述历史患者医疗推荐样本集划分为训练集和测试集;
根据所述训练集,利用对比散度算法调整所述医疗资源推荐模型的参数,对所述医疗资源推荐模型进行迭代训练,得到经过训练的医疗资源推荐模型;
利用所述测试集对所述经过训练的医疗资源推荐模型进行测试和调整,得到训练完成的医疗资源推荐模型。
可选地,所述根据所述训练集,利用对比散度算法调整所述医疗资源推荐模型的参数,对所述医疗资源推荐模型进行迭代训练,得到经过训练的医疗资源推荐模型,包括:
将所述训练集中所述历史患者信息特征集、所述历史医疗资源特征集及所述关联特征转化为特征向量,并对所述特征向量进行均值、方差、白化处理,并对所述处理后的特征向量按照从小到大的顺序均匀归一到0、1之间,得到归一化的样本集;
初始化所述医疗资源推荐模型中可视层神经元和隐藏层神经元之间的权重值,及所述可视层神经元的偏置参数和隐藏层神经元的偏置参数;
利用所述归一化的样本集、所述权重值、所述可视层神经元的偏置参数及所述隐藏层神经元的偏置参数,对所述可视层神经元和所述隐藏层神经元进行循环迭代,并计算所述隐藏层神经元的激活概率;
利用所述循环迭代后的隐藏层神经元,反向循环迭代所述可视层神经元,并计算所述可视层神经元的激活概率;
根据所述隐藏层神经元的激活概率及所述可视层神经元的激活概率,利用对比散度算法对所述权重值及所述偏置参数进行调整,利用调整后的所述权重值及所述偏置参数,重新计算所述可视层神经元的激活概率,根据所述可视层神经元的激活概率的最大值对应的医疗资源推荐模型的输出结果作为预测推荐医疗资源;
利用损失函数计算所述预测推荐医疗资源与所述历史患者就诊数据之间的损失值,并根据所述损失值调整所述医疗资源推荐模型的参数,返回所述初始化所述医疗资源推荐模型中可视层神经元和隐藏层神经元之间的权重值的步骤,直到所述损失值小于预设的损失阈值,得到经过训练的医疗资源推荐模型。
可选地,所述根据所述隐藏层神经元的激活概率及所述可视层神经元的激活概率,利用对比散度算法对所述权重值及所述偏置参数进行调整,包括:
利用所述归一化的样本集初始化所述可视层神经元、所述隐藏层神经元的状态向量、所述可视层神经元和所述隐藏层神经元之间的权重值;
利用所述隐藏层神经元的激活概率及所述可视层神经元的激活概率,执行K步吉布斯采样,得到t-1时刻对应的可视层神经元的状态向量及隐藏层神经元的状态向量、t时刻对应的可视层神经元的状态向量及隐藏层神经元的状态向量;
利用所述t-1时刻对应的可视层神经元的状态向量及隐藏层神经元的状态向量、t时刻对应的可视层神经元的状态向量及隐藏层神经元的状态向量,对所述归一化的样本集进行循环计算得到对比误差值;
利用所述对比误差值对所述权重值、所述可视层神经元的偏置参数及所述隐藏层神经元的偏置参数进行调整。
可选地,所述获取待分析患者信息及可用医疗资源,利用所述训练完成的医疗资源推荐模型对所述待分析患者信息及可用医疗资源进行匹配分析,得到推荐医疗资源数据,包括:
获取用户端上传的待分析患者信息及可用医疗资源;
从所述待分析患者信息中提取待分析患者信息特征及从所述可用医疗资源中提取可用医疗资源特征;
利用所述训练完成的医疗资源推荐模型对所述待分析患者信息特征及所述可用医疗资源特征进行匹配分析,得到推荐医疗资源数据;
将所述推荐医疗资源数据反馈给所述用户端。
为了解决上述问题,本发明还提供一种医疗资源推荐装置,所述装置包括:
特征提取模块,用于获取历史患者数据集及历史医疗资源集,从所述历史患者数据集中提取历史患者信息特征集以及提取历史患者就诊数据,从所述历史医疗资源集中提取历史医疗资源特征集;
样本构建模块,用于利用所述历史患者就诊数据,提取所述历史患者信息特征集及所述历史医疗资源特征集之间的关联特征,利用所述历史患者信息特征集、所述历史医疗资源特征集及所述关联特征,构建历史患者医疗推荐样本集;
模型训练模块,用于基于所述历史患者医疗推荐样本集,利用对比散度算法,对预构建的医疗资源推荐模型进行训练,得到训练完成的医疗资源推荐模型;
推荐模块,用于获取待分析患者信息及可用医疗资源,利用所述训练完成的医疗资源推荐模型对所述待分析患者信息及可用医疗资源进行匹配分析,得到推荐医疗资源数据。
为了解决上述问题,本发明还提供一种电子设备,所述电子设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行上述所述的医疗资源推荐方法。
为了解决上述问题,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质中存储有至少一个计算机程序,所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的医疗资源推荐方法。
本发明实施例通过分别从所述历史患者数据集、所述历史医疗资源集中提取历史患者信息特征集及历史医疗资源特征集;利用所述历史患者就诊数据,提取所述历史患者信息特征集与所述历史医疗资源特征集之间的关联特征,利用所述历史患者信息特征集、所述历史医疗资源特征集及所述关联特征,构建历史患者医疗推荐样本集,有利于提高患者与推荐医疗资源的匹配度,进而提高推荐医疗资源准确度;利用对比散度算法训练得到医疗资源推荐模型,加快模型收敛速度,降低了模型迭代次数,提升了医疗资源推荐准确性。因此本发明提出的医疗资源推荐方法、装置、电子设备及计算机可读存储介质,可以解决医疗资源推荐准确度低的问题。
附图说明
图1为本发明一实施例提供的医疗资源推荐方法的流程示意图;
图2为图1所示医疗资源推荐方法中其中一个步骤的详细实施流程示意图;
图3为图1所示医疗资源推荐方法中其中另一个步骤的详细实施流程示意图;
图4为本发明一实施例提供的医疗资源推荐装置的功能模块图;
图5为本发明一实施例提供的实现所述医疗资源推荐方法的电子设备的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本申请实施例提供一种医疗资源推荐方法。所述医疗资源推荐方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之,所述医疗资源推荐方法可以由安装在终端设备或服务端设备的软件或硬件来执行,所述软件可以是区块链平台。所述服务端包括但不限于:单台服务器、服务器集群、云端服务器或云端服务器集群等。所述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(ContentDelivery 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。
参照图1所示,为本发明一实施例提供的医疗资源推荐方法的流程示意图。在本实施例中,所述医疗资源推荐方法包括:
S1、获取历史患者数据集及历史医疗资源集,从所述历史患者数据集中提取历史患者信息特征集以及提取历史患者就诊数据,从所述历史医疗资源集中提取历史医疗资源特征集。
本发明其中一个实施例中,所述历史患者数据集包括:历史患者病历数据、历史患者就诊数据。
本发明实施例中,所述历史患者病历数据包括患者的基本信息、疾病类型、症状描述、体力状况、既往治疗情况、病理类型等。其中,所述基本信息包括:姓名、年龄、体重、性别等;所述疾病类型包括:心血管疾病、肺部疾病、风湿免疫系统疾病、泌尿系统疾病、肾病、糖尿病与内分泌系统疾病、耳鼻喉科疾病、消化系统疾病、妇科疾病、神经系统疾病、眼科疾病、骨科疾病等;所述症状描述是患者本人的异常感觉,如头晕、目眩、气喘、咳嗽等;所述体力状况可以通过美国东部肿瘤协作组(EasternCooperative Oncology Group,ECOG)评分标准来判定,所述ECOG评分是从患者的体力来了解其一般健康状况和对治疗耐受能力的指标,其中,0分表示活动能力完全正常,与起病前活动能力无任何差异;1分表示能自由走动及从事轻体力活动,包括一般家务或办公室工作,但不能从事较重的体力活动;2分表示能自由走动及生活自理,但已丧失工作能力,日间不少于一半时间可以起床活动;3分表示生活仅能部分自理,日间一半以上时间卧床或坐轮椅;4分表示卧床不起,生活不能自理;所述既往治疗情况是患者曾经治疗情况,包括是否接受过手术治疗等。
进一步地,所述历史患者就诊数据包括历史患者最终实际就诊的医院数据和医生数据等,如医院名称,医院排名、医院等级、医生姓名、医生所属科室、医生现任职务、医生擅长方向等。
进一步地,所述历史医疗资源集包括国内外医院官网以及权威网站公开的医院数据以及国内外医院官网以及权威网站公开的医生数据。
其中,所述医院数据具体可以包括医院排名、医院是否参与制定疾病相关的诊疗指南、医院是否有医生任职于疾病相关的专业学术机构、医院发表的疾病相关论文数、医院开展的疾病相关临床试验数以及医院的专家团队数量;所述医生数据可以包括医生姓名、医生所属中心/项目、医生所属科室、医生现任职务、医生学术头衔、医生临床专长、医生是否参与制定疾病相关诊疗指南、医生是否任职于疾病相关协会和基金会以及医生发表的疾病相关论文数等。
本发明其中一个实施例中,所述历史患者数据集可包括文本、图像等多种数据形式,因此,在获取到所述历史患者数据集后,需要利用现有的文本转换技术(如OCR识别技术等),将各种数据形式的历史患者数据集统一转换为文本形式,以便提取历史患者信息特征集以及历史患者就诊数据。
详细地,S1中所述从所述历史患者数据集中提取历史患者信息特征集,包括:
将所述历史患者数据集统一转换为文本格式,得到历史患者文本数据集;
对所述历史患者文本数据集进行分词及词性标注,得到分词及词性标注的结果;
根据所述词性标注的结果从所述分词中提取名词及名词短语,并根据所述名词及名词短语,统计得到历史患者信息特征频率,根据所述历史患者信息特征频率生成频繁模式树;
识别所述频繁模式树中的特征,得到候选历史患者信息特征集;
计算所述候选历史患者信息特征集中各个特征的点互信息值,并从所述候选历史患者信息特征集中过滤掉点互信息值小于预设的标准阈值的历史患者信息特征,得到历史患者信息特征集。
本发明其中一个实施例中,可以利用下述算法计算所述候选历史患者信息特征集中各个特征的点互信息值PMI:
其中,历史患者表示历史患者姓名,特征表示候选历史患者信息特征集中各个特征;所述hit(“历史患者”)表示搜索所述历史患者得到的数量;hit(“特征”)表示搜索所述特征得到的数量;hit("历史患者“and”特征“)表示搜索所述特征和所述历史患者得到的数量;所述点互信息值越高,代表历史患者和特征关联程度越高,当所述点互信息值低于预设的标准阈值时,过滤掉对应的历史患者信息特征;当所述点互信息值高于预设的标准阈值时,保留对应的历史患者信息特征,组合得到所述历史患者信息特征集。
进一步,本发明实施例可以采取与上述提取历史患者信息特征集相同的方法提取所述历史患者就诊数据以及所述历史医疗资源特征集,这里不再赘述。
S2、利用所述历史患者就诊数据,提取所述历史患者信息特征集及所述历史医疗资源特征集之间的关联特征,利用所述历史患者信息特征集、所述历史医疗资源特征集及所述关联特征,构建历史患者医疗推荐样本集。
详细地,S2中所述利用所述历史患者就诊数据,提取所述历史患者信息特征集及所述历史医疗资源特征集之间的关联特征,包括:
对所述历史患者信息特征集中每个历史患者信息特征及所述历史医疗资源特征集中每个历史医疗资源特征进行分词,从所述分词结果中提取关键词汇及关系词汇;
删除与所述历史患者就诊数据无关的所述关键词汇及关系词汇,得到所述历史患者信息特征集与所述历史医疗资源特征集之间的关联特征。
具体地,本发明实施例删除与所述历史患者就诊数据无关的关键词汇及关系词汇,删除历史患者信息特征及历史医疗资源特征中缺失数据过多的特征,从而筛选出对医疗资源推荐起关键作用的特征,例如患者的病理类型、医生是否参与制定疾病相关诊疗指南等,将筛选出的对医疗资源推荐起关键作用的特征作为所述历史患者信息特征集与所述历史医疗资源特征集之间的关联特征。
进一步,本发明实施例中在构建历史患者医疗推荐样本集之前,需要统一所述历史患者信息特征集、所述历史医疗资源特征集及所述关联特征中特征的表示形式,例如,在所述历史患者信息特征集、所述历史医疗资源特征集及所述关联特征中,有的时间表示形式为“****年**月**日**时**分**秒”,有的时间表示形式为“****年/**月/**日**时**分**秒”,那么本发明实施例可将时间表示形式都统一为“****年**月**日**时**分**秒”;又如,在所述特征中医院名称有的为医院名称简称,有的为医院名称全称,那么可将医院名称全部都统一为医院名称全称。
S3、基于所述历史患者医疗推荐样本集,利用对比散度算法,对预构建的医疗资源推荐模型进行训练,得到训练完成的医疗资源推荐模型。
本发明实施中,所述医疗资源推荐模型是基于多层受限玻尔兹曼机(restrictedBoltzmann machine,简称RBM)构建。其中,所述RBM是一种基于深度学习的概率生成模型,包含一个可视层和一个隐藏层,所述可视层由多个可视层神经元组成,所述隐藏层由多个隐藏层神经元组成,所述可视层与隐藏层之间存在连接,但是层内的单元间不存在连接,多层受限玻尔兹曼机网络连接是通过自定向下的权重值来确定的。本发明其中一个实施例中,所述多层受限玻尔兹曼机可以由3个RBM构成。
详细地,参阅图2所示,所述S3包括:
S31、将所述历史患者医疗推荐样本集划分为训练集和测试集;
S32、根据所述训练集,利用对比散度算法调整所述医疗资源推荐模型的参数,对所述医疗资源推荐模型进行迭代训练,得到经过训练的医疗资源推荐模型;
S33、利用所述测试集对所述经过训练的医疗资源推荐模型进行测试和调整,得到训练完成的医疗资源推荐模型。
本发明其中一个实施例,可将所述历史患者医疗推荐样本集中80%的样本划分为训练集,剩余20%的样本划分为测试集。
本发明实施例中所述对比散度算法(contrastive divergence,简称CD算法)通过所述隐藏层的神经元的值重构所述可视层神经元的值,根据可视层神经元的初始值与所述可视层神经元的重构值的误差来调整医疗资源推荐模型的参数。
进一步地,参阅图3所示,所述S32包括:
S321、将所述训练集中的所述历史患者信息特征集、所述历史医疗资源特征集及所述关联特征转化为特征向量,并对所述特征向量进行均值、方差、白化处理,并对所述处理后的特征向量按照从小到大的顺序均匀归一到0、1之间,得到归一化的样本集;
S322、初始化所述医疗资源推荐模型中可视层神经元和隐藏层神经元之间的权重值,及所述可视层神经元的偏置参数和隐藏层神经元的偏置参数;
S323、利用所述归一化的样本集、所述权重值、所述可视层神经元的偏置参数及所述隐藏层神经元的偏置参数,对所述可视层神经元和所述隐藏层神经元进行循环迭代,并计算所述隐藏层神经元的激活概率;
本发明其中一个实施例可通过如下公式计算所述隐藏层神经元的激活概率:
其中,f()表示sigmoid函数,j表示隐藏层第j个神经元的值,v表示可视层神经元的值,θ=(wij,bi,cj),cj表示所述隐藏层第j个神经元的偏置参数,wij表示连接第j个隐藏层神经元和第i个可视层神经元之间的权重值,bi表示可视层第i个神经元的偏置参数,vi表示所述可视层第i个神经元的值。
S324、利用所述循环迭代后的隐藏层神经元,反向循环迭代所述可视层神经元,并计算所述可视层神经元的激活概率;
本发明其中一个实施例可通过如下公式计算所述可视层神经元的激活概率:
其中f()表示sigmoid函数,vi表示可视层第i个神经元的值,表示隐藏层神经元的值,θ=(wij,bi,cj),cj表示所述隐藏层第j个神经元的偏置参数,wij表示连接隐藏层神经元j和可视层神经元i之间的权重值,bi表示可视层第i个神经元的偏置参数,bj表示所述可视层第j个神经元的值。
S325、根据所述隐藏层神经元的激活概率及所述可视层神经元的激活概率,利用对比散度算法对所述权重值、所述可视层神经元的偏置参数及所述隐藏层神经元的偏置参数进行调整,利用调整后的所述权重值及所述偏置参数,重新计算所述可视层神经元的激活概率,根据所述可视层神经元的激活概率的最大值对应的医疗资源推荐模型的输出结果作为预测推荐医疗资源;
S326、利用损失函数计算所述预测推荐医疗资源与所述历史患者就诊数据之间的损失值,并判断所述损失值是否小于预设的损失阈值;
当所述损失值大于或者等于预设的损失阈值时,执行S327,调整所述医疗资源推荐模型的参数,并返回所述S322对应的步骤;
当所述损失值小于预设的损失阈值时,执行S328,得到并输出训练完成的医疗资源推荐模型。
进一步地,S325中所述利用对比散度算法对所述权重值、所述可视层神经元的偏置参数及所述隐藏层神经元的偏置参数进行调整,包括:
步骤A、利用所述归一化的样本集初始化所述可视层神经元、所述隐藏层神经元的状态向量、所述可视层神经元和所述隐藏层神经元之间的权重值;
步骤B、利用所述隐藏层神经元的激活概率及所述可视层神经元的激活概率,执行K步吉布斯采样,得到t-1时刻对应的可视层神经元的状态向量及隐藏层神经元的状态向量、t时刻对应的可视层神经元的状态向量及隐藏层神经元的状态向量;
本发明实施例中所述吉布斯采样(Gibbs sampling)是统计学中用于马尔科夫蒙特卡洛(MCMC)的一种算法,用于在难以直接采样时从某一多变量概率分布中近似抽取样本序列。
步骤C、利用所述t-1时刻对应的可视层神经元的状态向量及隐藏层神经元的状态向量、t时刻对应的可视层神经元的状态向量及隐藏层神经元的状态向量,对所述归一化的样本集进行循环计算得到对比误差值;
步骤D、利用所述对比误差值对所述权重值、所述可视层神经元的偏置参数及所述隐藏层神经元的偏置参数进行调整。
本发明实施例利用对比散度算法训练得到的医疗资源推荐模型,使得模型参数的更新方向依赖于上一次迭代的结果,使得算法跳出局部最优,加快了模型收敛速度,较大地降低了模型迭代次数,较大地提高了推荐效率,提升了医疗资源推荐准确性。
S4、获取待分析患者信息及可用医疗资源,利用所述训练完成的医疗资源推荐模型对所述待分析患者信息及可用医疗资源进行匹配分析,得到推荐医疗资源数据。
本发明实施例中,所述可用医疗资源包括国内外医院官网以及权威网站公开的医院数据以及国内外医院官网以及权威网站公开的医生数据。
详细地,所述S4,包括:
获取用户端上传的待分析患者信息及可用医疗资源;
从所述待分析患者信息中提取待分析患者信息特征及从所述可用医疗资源中提取可用医疗资源特征;
利用所述训练完成的医疗资源推荐模型对所述待分析患者信息特征及所述可用医疗资源特征进行匹配分析,得到推荐医疗资源数据;
将所述推荐医疗资源数据反馈给所述用户端。
本发明其中一个实施,待分析患者可通过用户端设置的与病情相关的标签筛选项输入相关的病例数据,得到待分析患者信息。
本发明其中一个实施,所述推荐医疗资源数据中的医院数据和医生数据的选项可以为多项,当前用户可根据自身的实际需求再次进行筛选。
本发明实施例通过分别从所述历史患者数据集、所述历史医疗资源集中提取历史患者信息特征集及历史医疗资源特征集;利用所述历史患者就诊数据,提取所述历史患者信息特征集与所述历史医疗资源特征集之间的关联特征,利用所述历史患者信息特征集、所述历史医疗资源特征集及所述关联特征,构建历史患者医疗推荐样本集,有利于提高患者与推荐医疗资源的匹配度,进而提高推荐医疗资源准确度;利用对比散度算法训练得到医疗资源推荐模型,加快模型收敛速度,降低了模型迭代次数,提升了医疗资源推荐准确性。因此本发明提出的医疗资源推荐方法,可以解决医疗资源推荐准确度低的问题。
如图4所示,是本发明一实施例提供的医疗资源推荐装置的功能模块图。本发明所述医疗资源推荐装置100可以安装于电子设备中。根据实现的功能,所述医疗资源推荐装置100可以包括特征提取模块101、样本构建模块102、模型训练模块103及推荐模块104。本发明所述模块也可以称之为单元,是指一种能够被电子设备处理器所执行,并且能够完成固定功能的一系列计算机程序段,其存储在电子设备的存储器中。
在本实施例中,关于各模块/单元的功能如下:
所述特征提取模块101,用于获取历史患者数据集及历史医疗资源集,从所述历史患者数据集中提取历史患者信息特征集以及提取历史患者就诊数据,从所述历史医疗资源集中提取历史医疗资源特征集;
所述样本构建模块102,用于利用所述历史患者就诊数据,提取所述历史患者信息特征集及所述历史医疗资源特征集之间的关联特征,利用所述历史患者信息特征集、所述历史医疗资源特征集及所述关联特征,构建历史患者医疗推荐样本集;
所述模型训练模块103,用于基于所述历史患者医疗推荐样本集,利用对比散度算法,对预构建的医疗资源推荐模型进行训练,得到训练完成的医疗资源推荐模型;
所述推荐模块104,用于获取待分析患者信息及可用医疗资源,利用所述训练完成的医疗资源推荐模型对所述待分析患者信息及可用医疗资源进行匹配分析,得到推荐医疗资源数据。
详细地,本发明实施例中所述医疗资源推荐装置100中所述的各模块在使用时采用与上述图1至图3中所述的医疗资源推荐方法一样的技术手段,并能够产生相同的技术效果,这里不再赘述。
如图5所示,是本发明一实施例提供的实现医疗资源推荐方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11、通信总线12以及通信接口13,还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序,如医疗资源推荐程序。
其中,所述处理器10在一些实施例中可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(ControlUnit),利用各种接口和线路连接整个电子设备的各个部件,通过运行或执行存储在所述存储器11内的程序或者模块(例如执行医疗资源推荐程序等),以及调用存储在所述存储器11内的数据,以执行电子设备的各种功能和处理数据。
所述存储器11至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如:SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备的内部存储单元,例如该电子设备的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备的外部存储设备,例如电子设备上配备的插接式移动硬盘、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,所述存储器11还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备的应用软件及各类数据,例如医疗资源推荐程序的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
所述通信总线12可以是外设部件互连标准(peripheral componentinterconnect,简称PCI)总线或扩展工业标准结构(extended industry standardarchitecture,简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
所述通信接口13用于上述电子设备与其他设备之间的通信,包括网络接口和用户接口。可选地,所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等),通常用于在该电子设备与其他电子设备之间建立通信连接。所述用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard)),可选地,用户接口还可以是标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
图5仅示出了具有部件的电子设备,本领域技术人员可以理解的是,图5示出的结构并不构成对所述电子设备1的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
例如,尽管未示出,所述电子设备还可以包括给各个部件供电的电源(比如电池),优选地,电源可以通过电源管理装置与所述至少一个处理器10逻辑相连,从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、Wi-Fi模块等,在此不再赘述。
应该了解,所述实施例仅为说明之用,在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的医疗资源推荐程序是多个指令的组合,在所述处理器10中运行时,可以实现:
获取历史患者数据集及历史医疗资源集,从所述历史患者数据集中提取历史患者信息特征集以及提取历史患者就诊数据,从所述历史医疗资源集中提取历史医疗资源特征集;
利用所述历史患者就诊数据,提取所述历史患者信息特征集及所述历史医疗资源特征集之间的关联特征,利用所述历史患者信息特征集、所述历史医疗资源特征集及所述关联特征,构建历史患者医疗推荐样本集;
基于所述历史患者医疗推荐样本集,利用对比散度算法,对预构建的医疗资源推荐模型进行训练,得到训练完成的医疗资源推荐模型;
获取待分析患者信息及可用医疗资源,利用所述训练完成的医疗资源推荐模型对所述待分析患者信息及可用医疗资源进行匹配分析,得到推荐医疗资源数据。
具体地,所述处理器10对上述指令的具体实现方法可参考附图对应实施例中相关步骤的描述,在此不赘述。
进一步地,所述电子设备1集成的模块/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存储介质中。所述计算机可读存储介质可以是易失性的,也可以是非易失性的。例如,所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)。
本发明还提供一种计算机可读存储介质,所述可读存储介质存储有计算机程序,所述计算机程序在被电子设备的处理器所执行时,可以实现:
获取历史患者数据集及历史医疗资源集,从所述历史患者数据集中提取历史患者信息特征集以及提取历史患者就诊数据,从所述历史医疗资源集中提取历史医疗资源特征集;
利用所述历史患者就诊数据,提取所述历史患者信息特征集及所述历史医疗资源特征集之间的关联特征,利用所述历史患者信息特征集、所述历史医疗资源特征集及所述关联特征,构建历史患者医疗推荐样本集;
基于所述历史患者医疗推荐样本集,利用对比散度算法,对预构建的医疗资源推荐模型进行训练,得到训练完成的医疗资源推荐模型;
获取待分析患者信息及可用医疗资源,利用所述训练完成的医疗资源推荐模型对所述待分析患者信息及可用医疗资源进行匹配分析,得到推荐医疗资源数据。在本发明所提供的几个实施例中,应该理解到,所揭露的设备,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,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。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块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模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能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,也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
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。
此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种医疗资源推荐方法,其特征在于,所述方法包括:
获取历史患者数据集及历史医疗资源集,从所述历史患者数据集中提取历史患者信息特征集以及提取历史患者就诊数据,从所述历史医疗资源集中提取历史医疗资源特征集;
利用所述历史患者就诊数据,提取所述历史患者信息特征集及所述历史医疗资源特征集之间的关联特征,利用所述历史患者信息特征集、所述历史医疗资源特征集及所述关联特征,构建历史患者医疗推荐样本集;
基于所述历史患者医疗推荐样本集,利用对比散度算法,对预构建的医疗资源推荐模型进行训练,得到训练完成的医疗资源推荐模型;
获取待分析患者信息及可用医疗资源,利用所述训练完成的医疗资源推荐模型对所述待分析患者信息及可用医疗资源进行匹配分析,得到推荐医疗资源数据。
2.如权利要求1所述的医疗资源推荐方法,其特征在于,所述从所述历史患者数据集中提取历史患者信息特征集,包括:
将所述历史患者数据集统一转换为文本格式,得到历史患者文本数据集;
对所述历史患者文本数据集进行分词及词性标注,得到分词及词性标注的结果;
根据所述词性标注的结果从所述分词中提取名词及名词短语,并根据所述名词及名词短语,统计得到历史患者信息特征频率,根据所述历史患者信息特征频率生成频繁模式树;
识别所述频繁模式树中的特征,得到候选历史患者信息特征集;
计算所述候选历史患者信息特征集中各个特征的点互信息值,并从所述候选历史患者信息特征集中过滤掉点互信息值小于预设的标准阈值的历史患者信息特征,得到历史患者信息特征集。
3.如权利要求1所述的医疗资源推荐方法,其特征在于,所述利用所述历史患者就诊数据,提取所述历史患者信息特征集及所述历史医疗资源特征集之间的关联特征,包括:
对所述历史患者信息特征集中每个历史患者信息特征及所述历史医疗资源特征集中每个历史医疗资源特征进行分词,从所述分词结果中提取关键词汇及关系词汇;
删除与所述历史患者就诊数据无关的所述关键词汇及关系词汇,得到所述历史患者信息特征集与所述历史医疗资源特征集之间的关联特征。
4.如权利要求1所述的医疗资源推荐方法,其特征在于,所述基于所述历史患者医疗推荐样本集,利用对比散度算法,对预构建的医疗资源推荐模型进行训练,得到训练完成的医疗资源推荐模型,包括:
将所述历史患者医疗推荐样本集划分为训练集和测试集;
根据所述训练集,利用对比散度算法调整所述医疗资源推荐模型的参数,对所述医疗资源推荐模型进行迭代训练,得到经过训练的医疗资源推荐模型;
利用所述测试集对所述经过训练的医疗资源推荐模型进行测试和调整,得到训练完成的医疗资源推荐模型。
5.如权利要求4所述的医疗资源推荐方法,其特征在于,所述根据所述训练集,利用对比散度算法调整所述医疗资源推荐模型的参数,对所述医疗资源推荐模型进行迭代训练,得到经过训练的医疗资源推荐模型,包括:
将所述训练集中所述历史患者信息特征集、所述历史医疗资源特征集及所述关联特征转化为特征向量,并对所述特征向量进行均值、方差、白化处理,并对所述处理后的特征向量按照从小到大的顺序均匀归一到0、1之间,得到归一化的样本集;
初始化所述医疗资源推荐模型中可视层神经元和隐藏层神经元之间的权重值,及所述可视层神经元的偏置参数和隐藏层神经元的偏置参数;
利用所述归一化的样本集、所述权重值、所述可视层神经元的偏置参数及所述隐藏层神经元的偏置参数,对所述可视层神经元和所述隐藏层神经元进行循环迭代,并计算所述隐藏层神经元的激活概率;
利用所述循环迭代后的隐藏层神经元,反向循环迭代所述可视层神经元,并计算所述可视层神经元的激活概率;
根据所述隐藏层神经元的激活概率及所述可视层神经元的激活概率,利用对比散度算法对所述权重值及所述偏置参数进行调整,利用调整后的所述权重值及所述偏置参数,重新计算所述可视层神经元的激活概率,根据所述可视层神经元的激活概率的最大值对应的医疗资源推荐模型的输出结果作为预测推荐医疗资源;
利用损失函数计算所述预测推荐医疗资源与所述历史患者就诊数据之间的损失值,并根据所述损失值调整所述医疗资源推荐模型的参数,返回所述初始化所述医疗资源推荐模型中可视层神经元和隐藏层神经元之间的权重值的步骤,直到所述损失值小于预设的损失阈值,得到经过训练的医疗资源推荐模型。
6.如权利要求5中所述的医疗资源推荐方法,其特征在于,所述根据所述隐藏层神经元的激活概率及所述可视层神经元的激活概率,利用对比散度算法对所述权重值及所述偏置参数进行调整,包括:
利用所述归一化的样本集初始化所述可视层神经元、所述隐藏层神经元的状态向量、所述可视层神经元和所述隐藏层神经元之间的权重值;
利用所述隐藏层神经元的激活概率及所述可视层神经元的激活概率,执行K步吉布斯采样,得到t-1时刻对应的可视层神经元的状态向量及隐藏层神经元的状态向量、t时刻对应的可视层神经元的状态向量及隐藏层神经元的状态向量;
利用所述t-1时刻对应的可视层神经元的状态向量及隐藏层神经元的状态向量、t时刻对应的可视层神经元的状态向量及隐藏层神经元的状态向量,对所述归一化的样本集进行循环计算得到对比误差值;
利用所述对比误差值对所述权重值、所述可视层神经元的偏置参数及所述隐藏层神经元的偏置参数进行调整。
7.如权利要求1至6中任意一项所述的医疗资源推荐方法,其特征在于,所述获取待分析患者信息及可用医疗资源,利用所述训练完成的医疗资源推荐模型对所述待分析患者信息及可用医疗资源进行匹配分析,得到推荐医疗资源数据,包括:
获取用户端上传的待分析患者信息及可用医疗资源;
从所述待分析患者信息中提取待分析患者信息特征及从所述可用医疗资源中提取可用医疗资源特征;
利用所述训练完成的医疗资源推荐模型对所述待分析患者信息特征及所述可用医疗资源特征进行匹配分析,得到推荐医疗资源数据;
将所述推荐医疗资源数据反馈给所述用户端。
8.一种医疗资源推荐装置,其特征在于,所述装置包括:
特征提取模块,用于获取历史患者数据集及历史医疗资源集,从所述历史患者数据集中提取历史患者信息特征集以及提取历史患者就诊数据,从所述历史医疗资源集中提取历史医疗资源特征集;
样本构建模块,用于利用所述历史患者就诊数据,提取所述历史患者信息特征集及所述历史医疗资源特征集之间的关联特征,利用所述历史患者信息特征集、所述历史医疗资源特征集及所述关联特征,构建历史患者医疗推荐样本集;
模型训练模块,用于基于所述历史患者医疗推荐样本集,利用对比散度算法,对预构建的医疗资源推荐模型进行训练,得到训练完成的医疗资源推荐模型;
推荐模块,用于获取待分析患者信息及可用医疗资源,利用所述训练完成的医疗资源推荐模型对所述待分析患者信息及可用医疗资源进行匹配分析,得到推荐医疗资源数据。
9.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行如权利要求1至7中任意一项所述的医疗资源推荐方法。
10.一种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中任意一项所述的医疗资源推荐方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210137916.6A CN114420279A (zh) | 2022-02-15 | 2022-02-15 | 一种医疗资源推荐方法、装置、设备及存储介质 |
PCT/CN2022/122991 WO2023155441A1 (zh) | 2022-02-15 | 2022-09-30 | 医疗资源推荐方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210137916.6A CN114420279A (zh) | 2022-02-15 | 2022-02-15 | 一种医疗资源推荐方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114420279A true CN114420279A (zh) | 2022-04-29 |
Family
ID=81262154
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210137916.6A Pending CN114420279A (zh) | 2022-02-15 | 2022-02-15 | 一种医疗资源推荐方法、装置、设备及存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN114420279A (zh) |
WO (1) | WO2023155441A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023155441A1 (zh) * | 2022-02-15 | 2023-08-24 | 康键信息技术(深圳)有限公司 | 医疗资源推荐方法、装置、设备及存储介质 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116895358B (zh) * | 2023-09-11 | 2023-11-28 | 江苏泰德医药有限公司 | 一种基于云平台医疗资源智能管理系统及方法 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190155991A1 (en) * | 2017-11-20 | 2019-05-23 | International Business Machines Corporation | Employing a multi-modality algorithm to generate recommendation information associated with hospital department selection |
CN109615012A (zh) * | 2018-12-13 | 2019-04-12 | 平安医疗健康管理股份有限公司 | 基于机器学习的就诊数据异常识别方法、设备及存储介质 |
CN111403024A (zh) * | 2019-01-02 | 2020-07-10 | 天津幸福生命科技有限公司 | 一种基于医疗数据来获得疾病判定模型的方法及装置 |
US20210134444A1 (en) * | 2019-10-30 | 2021-05-06 | Tridiuum, Inc. | Correlating Patient Health Characteristics with Relevant Treating Clinicians |
CN111061700A (zh) * | 2019-11-12 | 2020-04-24 | 山大地纬软件股份有限公司 | 基于相似性学习的就医迁移方案推荐方法及系统 |
CN110851725B (zh) * | 2019-11-15 | 2023-10-27 | 北京盛诺一家医院管理咨询有限公司 | 一种医疗资源推荐方法、系统、计算设备和存储介质 |
CN113130052A (zh) * | 2021-03-09 | 2021-07-16 | 深圳星医科技有限公司 | 医生推荐方法、医生推荐装置、终端设备及存储介质 |
CN113851208A (zh) * | 2021-09-26 | 2021-12-28 | 上海大学 | 基于显式主题分配技术的医疗检查推荐系统及方法 |
CN113903442A (zh) * | 2021-10-19 | 2022-01-07 | 北京富通东方科技有限公司 | 一种专科医生推荐方法及装置 |
CN114420279A (zh) * | 2022-02-15 | 2022-04-29 | 康键信息技术(深圳)有限公司 | 一种医疗资源推荐方法、装置、设备及存储介质 |
-
2022
- 2022-02-15 CN CN202210137916.6A patent/CN114420279A/zh active Pending
- 2022-09-30 WO PCT/CN2022/122991 patent/WO2023155441A1/zh unknown
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023155441A1 (zh) * | 2022-02-15 | 2023-08-24 | 康键信息技术(深圳)有限公司 | 医疗资源推荐方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
WO2023155441A1 (zh) | 2023-08-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111048167B (zh) | 一种层级式病例结构化方法及系统 | |
CN109637669B (zh) | 基于深度学习的治疗方案的生成方法、装置及存储介质 | |
CN107408143A (zh) | 适于采用诊断适当性标准来确定用于识别病变的诊断试验的最佳顺序的医疗鉴别诊断装置 | |
WO2023155441A1 (zh) | 医疗资源推荐方法、装置、设备及存储介质 | |
CN113674858A (zh) | 在线医疗处方用药智能检查方法、装置、设备及存储介质 | |
Bichindaritz et al. | Case-based reasoning in the health sciences: Foundations and research directions | |
US20210134461A1 (en) | Methods and systems for prioritizing comprehensive prognoses and generating an associated treatment instruction set | |
Ha et al. | Identifying new innovative services using M&A data: an integrated approach of data-driven morphological analysis | |
US10832822B1 (en) | Methods and systems for locating therapeutic remedies | |
CN116860935A (zh) | 基于提示词问答交互的内容管理方法、装置、设备及介质 | |
CN116884612A (zh) | 疾病风险等级的智能分析方法、装置、设备及存储介质 | |
Yin et al. | A hybrid intelligent diagnosis approach for quick screening of Alzheimer’s disease based on multiple neuropsychological rating scales | |
Khademolqorani et al. | Development of a decision support system for handling health insurance deduction | |
Bichindaritz | Solving safety implications in a case based decision-support system in medicine | |
CN116994695A (zh) | 报告生成模型的训练方法、装置、设备及存储介质 | |
US20210133627A1 (en) | Methods and systems for confirming an advisory interaction with an artificial intelligence platform | |
CN114627993A (zh) | 信息预测方法、装置、存储介质及计算机设备 | |
CN110473636B (zh) | 基于深度学习的智能医嘱推荐方法及系统 | |
Permanasari et al. | A web-based decision support system of patient time prediction using iterative dichotomiser 3 algorithm | |
CN115803821A (zh) | 智能分诊方法、装置、存储介质及电子设备 | |
Wang | A multi-modal knowledge graph platform based on medical data lake | |
Mu et al. | Diagnosis prediction via recurrent neural networks | |
US11594333B2 (en) | Device and methods of calculating a therapeutic remedy result | |
US20240086771A1 (en) | Machine learning to generate service recommendations | |
US20230317279A1 (en) | Method and system for medical diagnosis using graph embeddings |
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 |