CN115146179A - 基于跨域医疗数据的信息推荐方法、装置及计算机设备 - Google Patents
基于跨域医疗数据的信息推荐方法、装置及计算机设备 Download PDFInfo
- Publication number
- CN115146179A CN115146179A CN202210908422.3A CN202210908422A CN115146179A CN 115146179 A CN115146179 A CN 115146179A CN 202210908422 A CN202210908422 A CN 202210908422A CN 115146179 A CN115146179 A CN 115146179A
- Authority
- CN
- China
- Prior art keywords
- user
- feature
- data
- fusion
- medical
- 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
- 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
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9536—Search customisation based on social or collaborative filtering
-
- 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
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
- G06F40/295—Named entity recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/40—Document-oriented image-based pattern recognition
- G06V30/41—Analysis of document content
-
- 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
-
- 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
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
Abstract
本公开提出一种基于跨域医疗数据的信息推荐方法、装置及计算机设备,涉及智能医疗技术领域。该方法包括:获取推荐信息生成请求,其中,推荐信息生成请求包括第一用户标识;根据第一用户标识,获取第一用户标识对应的第一历史诊疗数据及第一融合特征,其中,第一融合特征为基于多方跨域医疗数据融合生成;根据第一融合特征及第一历史诊疗数据,确定第一用户标识对应的健康评估结果;根据健康评估结果及预设的医疗知识图谱,生成推荐信息。由此,对用户在多方跨域医疗机构中的数据进行融合,并基于融合后的特征,生成用户对应的个性化诊疗方案,从而使得生成的诊疗方案更加准确。
Description
技术领域
本公开涉及智能医疗技术领域,尤其涉及一种基于跨域医疗数据的信息推荐方法、装置及计算机设备。
背景技术
近年来,诸如糖尿病、高血压、冠心病、心血管疾病和肿瘤等慢性病的发病率逐年上升,为居民的身心带来了严重的损害。由于慢性病是一种长期积累形成的疾病,且慢性病的影响因素较为复杂,因此,如何根据慢性病患者的历史诊疗数据,为慢性病患者提供准确的推荐信息成为重点的研究方向。
发明内容
本公开旨在至少在一定程度上解决相关技术中的技术问题之一。
本公开第一方面实施例提出了一种基于跨域医疗数据的信息推荐方法,包括:
获取推荐信息生成请求,其中,所述推荐信息生成请求包括第一用户标识;
根据所述第一用户标识,获取所述第一用户标识对应的第一历史诊疗数据及第一融合特征,其中,所述第一融合特征为基于多方跨域医疗数据融合生成;根据所述第一融合特征及所述第一历史诊疗数据,确定所述第一用户标识对应的健康评估结果;
根据所述健康评估结果及预设的医疗知识图谱,生成推荐信息。
本公开第二方面实施例提出了一种基于跨域医疗数据的信息推荐装置,包括:
第一获取模块,用于获取推荐信息生成请求,其中,所述推荐信息生成请求包括第一用户标识;
第二获取模块,用于根据所述第一用户标识,获取所述第一用户标识对应的第一历史诊疗数据及第一融合特征,其中,所述第一融合特征为基于多方跨域医疗数据融合生成;
第一确定模块,用于根据所述第一融合特征及所述第一历史诊疗数据,确定所述第一用户标识对应的健康评估结果;
生成模块,用于根据所述健康评估结果及预设的医疗知识图谱,生成推荐信息。
本公开第三方面实施例提出了一种计算机设备,包括:存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时,实现如本公开第一方面实施例提出的基于跨域医疗数据的信息推荐方法。
本公开第四方面实施例提出了一种非临时性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本公开第一方面实施例提出的基于跨域医疗数据的信息推荐方法。
本公开第五方面实施例提出了一种计算机程序产品,当所述计算机程序产品中的指令处理器执行时,执行本公开第一方面实施例提出的基于跨域医疗数据的信息推荐方法。
本公开提供的基于跨域医疗数据的信息推荐方法、装置、计算机设备及存储介质,存在如下有益效果:
本公开实施例中,首先获取推荐信息生成请求,之后根据第一用户标识,获取第一用户标识对应的第一历史诊疗数据及第一融合特征,之后根据第一融合特征及第一历史诊疗数据,确定第一用户标识对应的健康评估结果,最后根据健康评估结果及预设的医疗知识图谱,生成推荐信息。由此,对用户在多方跨域医疗机构中的数据进行融合,并基于融合后的特征,生成用户对应的个性化诊疗方案,从而使得生成的诊疗方案更加准确。
本公开附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本公开的实践了解到。
附图说明
本公开上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1为本公开一实施例所提供的一种基于跨域医疗数据的信息推荐方法的流程示意图;
图2为本公开另一实施例所提供的一种基于跨域医疗数据的信息推荐方法的流程示意图;
图3为本公开一实施所提供的一种多方医疗数据跨域融合方法的流程示意图;
图4为本公开一实施例所提供的基于跨域医疗数据的信息推荐方法的流程示意图;
图5为本公开一实施例所提供的一种慢性病知识图谱的示意图;
图6为本公开一实施例所提供的一种药物知识图谱的示意图;
图7为本公开一实施例所提供的一种健康评估结果的显示界面的示意图;
图8为本公开一实施例所提供的一种推荐信息的显示界面的示意图;
图9为本公开实施例所提供的一种基于跨域医疗数据的信息推荐装置的结构示意图;
图10示出了适于用来实现本公开实施方式的示例性计算机设备的框图。
具体实施方式
下面详细描述本公开的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本公开,而不能理解为对本公开的限制。
下面参考附图描述本公开实施例的基于跨域医疗数据的信息推荐方法、装置、计算机设备和存储介质。
本公开的技术方案中,所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理,均符合相关法律法规的规定,且不违背公序良俗。
图1为本公开实施例所提供的基于跨域医疗数据的信息推荐方法的流程示意图。
本公开实施例以该基于跨域医疗数据的信息推荐方法被配置于基于跨域医疗数据的信息推荐装置中来举例说明,该基于跨域医疗数据的信息推荐装置可以应用于任一计算机设备中,以使该计算机设备可以执行基于跨域医疗数据的信息推荐功能。
其中,计算机设备可以为个人电脑(Personal Computer,简称PC)、云端设备、移动设备等,移动设备例如可以为手机、平板电脑、个人数字助理、穿戴式设备、车载设备等具有各种操作系统、触摸屏和/或显示屏的硬件设备。
如图1所示,该基于跨域医疗数据的信息推荐方法可以包括以下步骤:
步骤101,获取推荐信息生成请求,其中,推荐信息生成请求包括第一用户标识。
其中,推荐信息生成请求,可以为由电子设备生成的,用于获取推荐信息的请求。其中,推荐信息可以为第一用户标识对应的个性化诊疗方案。
其中,用户标识,可以为用于唯一标识用户的身份,即可以根据用户标识,确定与用户标识对应的唯一用户。第一用户标识,可以为推荐信息生成请求中包含的,需要为其生成推荐信息的用户的标识。
步骤102,根据第一用户标识,获取第一用户标识对应的第一历史诊疗数据及第一融合特征,其中,第一融合特征为基于多方跨域医疗数据融合生成。
其中,第一历史诊疗数据,可以为生成推荐信息的医疗机构的数据库中存储的与第一用户标识对应的历史诊疗数据。历史诊疗数据中可以包括用户的基本信息(如性别、年龄、家族史等),就诊数据,购药数据、检测报告、病历数据等等。本公开对此不做限定。
可选的,第一历史诊疗数据可以为第一用户标识对应的原始的诊疗数据。比如,互联网问诊文本、处方文本、流数据等等。或者,第一历史诊疗数据也可以为对第一用户标识对应的原始的诊疗数据进行结构化提取之后,得到的结构化数据。本公开对此不做限定。
其中,第一融合特征,可以为对第一用户标识对应的用户在多个医疗机构中的历史诊疗数据进行融合后得到的数据。
需要说明的是,为了保证医疗信息数据的隐私性,每个医疗机构需要在本地对用户的历史诊疗数据进行特征提取后,之后将提取到的特征加密传输至生成推荐信息的医疗机构,由生成推荐信息的医疗机构对同一用户标识对应的来自于多个医疗机构的多个特征进行融合。
步骤103,根据第一融合特征及第一历史诊疗数据,确定第一用户标识对应的健康评估结果。
可以理解的是,不同的疾病类型对应的健康评估指标不同。比如,糖尿病对应的健康评估指标可以包括血糖、血压等;而高血压对应的健康评估指标包含血压、不包含血糖。因此,本公开实施例中,需要先根据疾病类型确定健康评估指标,之后结合健康评估指标,确定健康评估结果。
其中,健康评估结果可以从多个维度表征用户的健康情况。比如,糖尿病患者,可以从预测风险等级、血糖、血压、用药分析等维度确定健康评估结果。
可选的,可以先根据第一历史诊疗数据中包含的病历数据,确定第一用户标识对应的疾病类型,之后根据疾病类型,确定疾病类型对应的健康评估指标,再根据第一融合特征及第一历史诊疗数据,确定第一用户标识对应的预测风险等级,最后根据第一历史诊疗数据、健康评估指标及预测风险等级,确定健康评估结果。
其中,第一历史诊疗数据中的病历数据中可以包含第一用户标识对应的用户的疾病类型。可选的,可以采用自然语言处理(Natural Language Processing,NLP)对病历数据进行分析,以获取病历数据中包含的疾病类型。
在一些实施例中,可以将第一融合特征及第一历史诊疗数据输入预先训练好的风险等级预测模型中,以获取第一用户标识对应的预测风险等级。
举例来说,若第一历史诊疗数据的病历数据显示,第一用户标识对应的疾病类型为糖尿病,则需先确定糖尿病对应的健康评估指标为血糖、血压、风险等级、用药分析等。之后根据第一历史诊疗数据中包含的性别、年龄、血糖、血压、病史等数据,确定预测风险等级,将第一历史诊疗数据中包含的血压、血糖值与正常血糖、正常血压取值进行比较,以确定健康评估结果。
需要说明的是,上述示例只是简单的举例说明,不能作为本公开实施例中的疾病类型、健康评估指标等的具体限定。
或者,也可以将第一融合特征及第一历史诊疗数据输入预先训练好的健康评估模型中,以获取第一用户标识对应的健康评估结果。
步骤104,根据健康评估结果及预设的医疗知识图谱,生成推荐信息。
其中,推荐信息可以包括用药指导信息、饮食控制信息等等,即,为第一用户标识生成的个性化诊疗方案中可以包括用药指导信息、饮食控制信息等等。本公开对此不做限定。
其中,预设的医疗知识图谱可以为根据生成推荐信息的医疗机构中的数据库中存储的每个用户对应的历史诊疗数据,预先构建好的知识图谱。因此,预设的知识图谱中可以包含每个用户对应的病症信息、用药信息、检测结果等,进而可以根据健康评估结果,及预设的知识图谱中包含的相似用户的诊疗数据,获取推荐信息。
本公开实施例中,首先获取推荐信息生成请求,之后根据第一用户标识,获取第一用户标识对应的第一历史诊疗数据及第一融合特征,之后根据第一融合特征及第一历史诊疗数据,确定第一用户标识对应的健康评估结果,最后根据健康评估结果及预设的医疗知识图谱,生成推荐信息。由此,对用户在多方跨域医疗机构中的数据进行融合,并基于融合后的特征,生成用户对应的个性化诊疗方案,从而使得生成的诊疗方案更加准确。
图2为本公开一实施例所提供的基于跨域医疗数据的信息推荐方法的流程示意图,如图2所示,该基于跨域医疗数据的信息推荐方法可以包括以下步骤:
步骤201,获取推荐信息生成请求,其中,推荐信息生成请求包括第一用户标识。
其中,步骤201的具体实现形式,可参照本公开中其他各实施例中的具体描述,此处不再详细赘述。
步骤202,获取当前数据库中包含的与第一用户标识对应的第一历史诊疗数据。
需要说明的是,生成推荐信息的医疗机构的数据库中存储有每个用户对应的用户标识,及每个用户标识对应的历史诊疗数据。因此,可以根据第一用户标识从当前数据库中获取第一用户标识对应的第一历史诊疗数据。
步骤203,对第一历史诊疗数据进行特征提取,以获取第一用户标识对应的第一特征集。
其中,第一特征集中可以包含对第一诊疗数据进行特征提取后得到的特征数据。
可选的,可以先对第一历史诊疗数据进行实体提取,以获取第一历史诊疗数据中包含的多个实体,之后对多个实体分别进行向量映射,以确定每个实体对应的特征向量,最后根据每个实体对应的特征向量,生成第一特征集。
可选的,还可以根据第一历史诊疗数据的类型,确定特征提取的方法。
可选的,在第一历史诊疗数据为互联网问诊文本的情况下,可以先采用命名实体识别模型(BiLSTM-CRF)对互联网文本数据进行命名实体提取,以获取互联网文本数据中包含的多个实体,之后通过中文医疗预训练模型(MC-BERT)对提取的实体进行特征映射,以获取每个实体对应的特征向量。
或者,在第一历史诊疗数据为线下体检报告的情况下,可以先采用光学字符识别技术(Optical Character Recognition,OCR)对线下体检报告进行字符识别,以获取线下体检报告中包含的文本数据,之后对获取的文本数据进行命名实体识别,以获取包含的实体信息,最后对每个实体进行向量映射,以确定每个实体对应的特征向量,最后根据每个实体对应的特征向量,生成第一特征集。
步骤204,获取其他医疗机构发送的多个第二用户标识及每个第二用户标识分别对应的第二特征集。
可以理解的是,为了保护医疗信息的隐私性,其他医疗机构需要先将每个用户的历史诊疗数据在本地进行特征提取之后,将用户的标识及对应的特征集加密发送给生成推荐信息的医疗机构。
其中,第二用户标识可以为,其他医疗机构中包含的用户的标识。
另外,第二特征集可以为其他医疗机构对其包含的每个用户的历史诊疗数据进行特征提取后,得到的每个用户对应的特征的集合。
本公开实施例中,为了保证数据传输的安全性、保密性,其他医疗机构可以将第二用户标识及第二用户标识分别对应的第二特征集加密之后传输给生成推荐信息的医疗机构。
可选的,可以采用非对称加密算法(RSA)、高级加密算法(Advanced EncryptionStandard)等等。本公开对此不做限定。
步骤205,在任一第二用户标识与第一用户标识相同的情况下,将任一第二用户标识对应的第二特征集,及第一特征集进行融合,以获取第一用户标识对应的第一融合特征。
可以理解的是,本公开实施例中,将与第一用户标识相同的任一第二用户标识对应的第二特征集与第一特征集进行融合,即将多方跨域医疗机构中包含的同一个用户的诊疗数据结合起来,从而使得到的第一融合特征可以更全面、更准确的体现用户的数据。
可以理解的是,由于第一特征集及第二特征集中包含大量的特征数据,可能会存在一些不太重要的特征。因此,可以先获取第一特征集及第二特征集中每个特征对应的权重,之后将权重大于阈值的各个特征进行融合,以获取第一融合特征,从而进一步提高第一融合特征的准确性。
图3为本公开一实施所提供的一种多方医疗数据跨域融合方法的流程示意图。如图3所示,多方数据可以来自于A、B、C三个医疗机构,其中,A机构可以为互联网医院,B机构可以为线下体检中心,C机构可以为智能手环。A机构、B机构、C机构三个医疗机构中包含的用户的数据是不共享的,即每个机构均在本地客户端对用户的数据进行特征提取,之后将提取到的特征数据加密传输至服务器端。
其中,A机构可以先对每个患者对应的互联网文本及患者的基本信息分别输入BiLSTM-CRF中进行命名实体提取,之后将提取到的命名实体输入MC-BERT中,以获取每个实体对应的特征向量,最后将每个患者对应的用户标识及特征集及加密传输至服务器端。
B机构可以先对每个用户对应的线下医院体检报告进行OCR识别和命名实体识别,以获取线下医院体检报告中包含的命名实体,之后通过文本分类模型TextCNN获取特征向量,之后将用户标识及对应的特征集发送给服务器端。
由于C机构中包含的是每个用户对应的IOT数据,且IOT数据具有时序特征,因此要先对IOT数据进行时序处理,之后将经过时序处理后的数据输入Transformer中,以获取特征数据,最后将得到的特征数据加密传输至服务器端。
可以理解的是,由于每个机构上传的特征是多种多样,因此,服务器在接收到A医疗机构、B医疗机构、C医疗机构发送的特征集之后,可以先通过交互层(InteracticeLayer)对同一用户标识对应的特征集中的每两个特征之间的关系进行捕获。即判断每两个特征之间如何进行交互,也即从大量特征中获取重要特征。之后通过注意力层(AttentionLayer)获取重要特征对应的权重,最后将关键特征输入深度神经网络(Deep NeuralNetworks,DNN)层,以得到融合后的特征。
需要说明的是,上述提取命名实体的方法、获取实体对应的特征向量的方法、及服务器端的交互层、注意力层、DNN层均可以采用任意可取的方式进行替换。本公开对此不做限定。比如,交互层可以替换为因子分解机(Factorization Machine,FM)模型、场因子分解机(Field Factorization Machine,FFM)模型等。
本公开实施例中,可以将获取的每个用户标识对应的融合特征存储在A医疗机构、B医疗机构、C医疗机构共有的数据库中,由此,在任一医疗机构需要为用户生成推荐信息的情况下,均可以直接从共有的数据库中调用用户标识对应的融合特征,从而提高生成推荐信息的效率。
或者,可以在任一医疗机构需要为用户提供推荐信息的情况下,获取其他机构的授权,并接收其他医疗机构发送的用户标识意对应的特征集,进而由成推荐信息的医疗机构对同一用户标识对应的多个特征进行处理,以得到每个用户标识对应的融合特征。
本公开实施例中,每个医疗机构均在本地对用户的数据进行特征提取,之后将提取到的特征发给服务器端,由服务器端对同一用户在多个医疗机构的诊疗数据进行融合,从而不仅保护了每个医疗机构的医疗信息隐私性,而且解决了数据采集难带来的数据孤岛问题。
步骤206,根据第一融合特征及第一历史诊疗数据,确定第一用户标识对应的健康评估结果。
步骤207,根据健康评估结果及预设的医疗知识图谱,生成推荐信息。
其中,步骤206、步骤207的具体实现形式,可参照本公开中其他各实施例中的具体描述,此处不再详细赘述。
本公开实施例中,先获取推荐信息生成请求,之后获取第一用户标识对应的第一历史诊疗数据,对第一历史诊疗数据进行特征提取,以获取第一用户标识对应的第一特征集,获取其他医疗机构发送的多个第二用户标识及每个第二用户标识分别对应的第二特征集,在任一第二用户标识与第一用户标识相同的情况下,将任一第二用户标识对应的第二特征集,及第一特征集进行融合,以获取第一用户标识对应的第一融合特征,之后根据第一融合特征及第一历史诊疗数据,确定第一用户标识对应的健康评估结果,最后根据健康评估结果及预设的医疗知识图谱,生成推荐信息。由此,通过将多方跨域医疗机构中包含的同一用户对应的历史诊疗数据中包含的特征进行融合,之后根据融合的特征确定用户对应的健康评估结果,从而使确定的健康评估结果更加准确,进而使得生成的推荐信息更加准确。
图4为本公开一实施例所提供的基于跨域医疗数据的信息推荐方法的流程示意图,如图4所示,该基于跨域医疗数据的信息推荐方法可以包括以下步骤:
步骤401,获取推荐信息生成请求,其中,推荐信息生成请求包括第一用户标识。
步骤402,根据第一用户标识,获取第一用户标识对应的第一历史诊疗数据及第一融合特征,其中,第一融合特征为基于多方跨域医疗数据融合生成。
步骤403,根据第一融合特征及第一历史诊疗数据,确定第一用户标识对应的健康评估结果。
其中,步骤401至步骤403的具体实现形式,可参照本公开中,其他各实施例中的具体描述。
步骤404,根据当前医疗机构中包含的多个用户标识及每个用户标识对应的历史诊疗数据,构建用户知识图谱。
其中,知识图谱本质上是一种实体相关的语义网络,其具有有向图结构的知识库。知识图谱中的节点表示实体,边的关系表示的是各种语义关系。
其中,当前的医疗机构可以为为用户生成推荐信息的医疗机构。当前的医疗机构可以根据自身数据库中存储的每个用户的历史诊疗数据的原始文本,构建用户知识图谱。用户知识图谱的节点可以为用户标识、药物、疾病类型等,本公开对此不做限定。
可选的,用户知识图谱中还可以包含用户所佩戴的电子手环记录的数据等。其中,获取电子手环记录的数据需要经过用户授权。
步骤405,获取药物知识图谱和慢性病知识图谱。
其中,药物知识图谱和慢性病知识图谱可以为预先已经构建好的知识图谱,可以直接从数据库中获取。
可选的,可以对医学指南进行自然语言处理,以构建慢性病知识图谱。
图5为本公开一实施例所提供的一种慢性病知识图谱的示意图。如图5所示,其示出了一种以糖尿病为例的知识图谱。糖尿病对应的知识图谱中可以包括糖尿病的用药、症状、并发症等等。
图6为本公开一实施例所提供的一种药物知识图谱的示意图。如图5所示,其示出了一种以胰岛素为例的知识图谱。胰岛素对应的知识图谱中可以包括胰岛素的作用,胰岛素的分类等等。
步骤406,根据药物知识图谱、慢性病知识图谱及用户知识图谱,生成预设的医疗知识图谱。
可选的,可以将药物知识图谱、慢性病知识图谱及用户知识图谱融合为一个整体的医疗知识图谱。或者,也可以将药物知识图谱、慢性病知识图谱及用户知识图谱存储同一数据库中,之后根据某一用户标识对应的疾病类型,调用对应的慢性病知识图谱,根据某一用户标识对应的用药记录,调用对应的药物知识图谱。
步骤407,获取第一融合特征与数据库中包含的其他融合特征之间的相似度。
本公开实施例中,为了使生成的推荐信息,更加符合第一用户标识对应的用户的病症,可以先获取与第一用户标识对应的病症最相似的多个用户的诊疗记录,之后根据相似病症的用户对应的治疗方案为第一用户标识对应的用户生成准确的推荐信息。
可选的,可以通过第一用户标识对应的第一融合特征,与其他用户对应的融合特征之间的相似度,确定与第一用户标识对应的用户的病症最相似的多个用户。
可选的,可以使用欧式距离公式、曼哈顿距离公式计算第一融合特征与其他融合特征之间的相似度,或者,还可以通过计算第一融合特征与其他融合特征之间的余弦相似度,将余弦相似度作为第一融合特征与其他融合特征之间的相似度,本公开在此不做限定。
步骤408,根据相似度,从其他融合特征中获取多个第二融合特征。
可选的,可以将相似度大于预设的阈值的多个融合特征作为第二融合特征。
其中,预设的阈值可以为提前设定好的阈值,比如可以为0.7、0.6等等,本公开对此不做限定。比如说,阈值为0.7。任一融合特征与第一融合特征之间的相似度大于阈值0.7,则可以确定该任一融合特征为第二融合特征等等,本公开对此不做限定。
或者,还可以将第一融合特征与每个其他融合特征之间的相似度进行由大到小依次排序,将最大的n个相似度对应的融合特征作为第二融合特征。
步骤409,根据每个第二融合特征对应的用户标识,从预设的医疗知识图谱中,获取参考推荐信息。
其中,参考推荐信息可以为从医疗知识图谱中与第一用户标识对应的用户的病症相似的多个用户的数据中获取的信息。
可以理解的是,本公开实施例中,可以先获取与第一用户标识对应的用户的病症最相似的多个用户,之后可采用推荐算法,从预设的医疗知识图谱中相似用户的治疗数据中,获取参考推荐信息。
可选的,推荐算法可以为基于用户协同过滤推荐算法,或者,也可以为深度学习智能推荐算法。本公开对此不做限定。
步骤410,根据健康评估结果及参考推荐信息,生成推荐信息。
本公开实施例中,在确定了参考推荐信息之后,可以基于健康评估结果从参考推荐信息中筛选出推荐信息。
可选的,还可以根据健康评估结果从参考推荐信息中获取部分推荐信息,之后结合医学指南对获取的部分推荐信息进行完善,以生成更加完善的推荐信息。
图7为本公开一实施例所提供的一种健康评估结果的显示界面示意图。如图7所示,以糖尿病用户的健康评估结果为例,健康评估显示界面中可以包含用户的基本信息、用户的风险等级等等。从而可以更直观地为用户显示其健康情况。
图8为本公开一实施例所提供的一种推荐信息的显示界面示意图。如图8所示,以糖尿病用户的推荐信息为例,推荐信息的显示界面可以从饮食方案、运动方案、控糖目标、用药指导等多个维度为用户展示推荐信息。
可以理解的是,显示界面中显示的推荐信息也可以为医生提供建议,从而使医生也可以参考推荐信息,快速地针对用户的病症提供有效的治疗方案。
需要说明的是,用户的疾病类型不同,生成的推荐信息包含的维度也不相同。比如,糖尿病用户的推荐信息中包含控糖目标这一维度的信息,而心脏病患者的推荐信息中不包含控糖目标这一维度的信息。
本公开实施例,首先获取推荐信息生成请求,之后根据第一用户标识,获取第一用户标识对应的第一历史诊疗数据及第一融合特征,再根据第一融合特征及所述第一历史诊疗数据,确定第一用户标识对应的健康评估结果,之后根据药物知识图谱、慢性病知识图谱及用户知识图谱,生成预设的医疗知识图谱,再获取第一融合特征与数据库中包含的其他融合特征之间的相似度,根据相似度,从其他融合特征中获取多个第二融合特征,根据每个第二融合特征对应的用户标识,从预设的医疗知识图谱中,获取参考推荐信息,最后根据健康评估结果及参考推荐信息,生成推荐信息。由此,先根据第一用户标识对应的第一融合特征与其他融合特征之间的相似度,确定与第一用户标识对应的用户的病症相似的多个用户,进而根据医疗知识图谱中包含的相似用户的诊疗数据,及健康评估结果,生成推荐信息,从而使得生成的推荐信息更加贴合当前用户的病症,有助于为用户提供准确的指导意见。
为了实现上述实施例,本公开还提出一种基于跨域医疗数据的信息推荐装置。
图9为本公开一实施例所提供的一种基于跨域医疗数据的信息推荐装置的结构示意图。如图9所示,该基于跨域医疗数据的信息推荐装置900可以包括:第一获取模块910、第二获取模块920、第一确定模块930、生成模块940。
其中,第一获取模块910,用于获取推荐信息生成请求,其中,推荐信息生成请求包括第一用户标识;
第二获取模块920,用于根据第一用户标识,获取第一用户标识对应的第一历史诊疗数据及第一融合特征,其中,第一融合特征为基于多方跨域医疗数据融合生成;
第一确定模块930,用于根据第一融合特征及第一历史诊疗数据,确定第一用户标识对应的健康评估结果;
生成模块940,用于根据健康评估结果及预设的医疗知识图谱,生成推荐信息。
可选的,第二获取模块920,包括:
第一获取单元,用于获取当前数据库中包含的与第一用户标识对应的第一历史诊疗数据;
第二获取单元,用于对第一历史诊疗数据进行特征提取,以获取第一用户标识对应的第一特征集;
第三获取单元,用于获取其他医疗机构发送的多个第二用户标识及每个第二用户标识分别对应的第二特征集;
第四获取单元,用于在任一第二用户标识与第一用户标识相同的情况下,将任一第二用户标识对应的第二特征集,及第一特征集进行融合,以获取第一用户标识对应的第一融合特征。
可选的,第二获取单元,具体用于:
对第一历史诊疗数据进行实体提取,以获取第一历史诊疗数据中包含的多个实体;
对多个实体分别进行向量映射,以确定每个实体对应的特征向量;
根据每个实体对应的特征向量,生成第一特征集。
可选的,第四获取单元,具体用于:
获取第一特征集及第二特征集中每个特征对应的权重;
将权重大于阈值的各个特征进行融合,以获取第一融合特征。
可选的,第一确定模块930,具体用于:
根据第一历史诊疗数据中包含的病历数据,确定第一用户标识对应的疾病类型;
根据疾病类型,确定疾病类型对应的健康评估指标;
根据第一融合特征及第一历史诊疗数据,确定第一用户标识对应的预测风险等级;
根据第一历史诊疗数据、健康评估指标及预测风险等级,确定健康评估结果。
可选的,生成模块940,还具体用于:
根据当前医疗机构中包含的多个用户标识及每个用户标识对应的历史诊疗数据,构建用户知识图谱;
获取药物知识图谱和慢性病知识图谱;
根据药物知识图谱、慢性病知识图谱及用户知识图谱,生成预设的医疗知识图谱。
可选的,生成模块940,还具体用于:
获取第一融合特征与数据库中包含的其他融合特征之间的相似度;
根据相似度,从其他融合特征中获取多个第二融合特征;
根据每个第二融合特征对应的用户标识,从预设的医疗知识图谱中,获取参考推荐信息;
根据健康评估结果及参考推荐信息,生成推荐信息。
本公开实施例中的上述各模块的功能及具体实现原理,可参照上述各方法实施例,此处不再赘述。
本公开实施例的基于跨域医疗数据的信息推荐装置,获取推荐信息生成请求,之后根据第一用户标识,获取第一用户标识对应的第一历史诊疗数据及第一融合特征,之后根据第一融合特征及第一历史诊疗数据,确定第一用户标识对应的健康评估结果,最后根据健康评估结果及预设的医疗知识图谱,生成推荐信息。由此,由此,对用户在多方跨域医疗机构中的数据进行融合,并基于融合后的特征,生成用户对应的个性化诊疗方案,从而使得生成的诊疗方案更加准确。
为了实现上述实施例,本公开还提出一种计算机设备,包括:存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行程序时,实现如本公开前述实施例提出的基于跨域医疗数据的信息推荐方法。
为了实现上述实施例,本公开还提出一种非临时性计算机可读存储介质,存储有计算机程序,计算机程序被处理器执行时实现如本公开前述实施例提出的基于跨域医疗数据的信息推荐方法。
为了实现上述实施例,本公开还提出一种计算机程序产品,当计算机程序产品中的指令处理器执行时,执行如本公开前述实施例提出的基于跨域医疗数据的信息推荐方法。
图10示出了适于用来实现本公开实施方式的示例性计算机设备的框图。图10显示的计算机设备12仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图10所示,计算机设备12以通用计算设备的形式表现。计算机设备12的组件可以包括但不限于:一个或者多个处理器或者处理单元16,系统存储器28,连接不同系统组件(包括系统存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器,外围总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(Industry StandardArchitecture;以下简称:ISA)总线,微通道体系结构(Micro Channel Architecture;以下简称:MAC)总线,增强型ISA总线、视频电子标准协会(Video Electronics StandardsAssociation;以下简称:VESA)局域总线以及外围组件互连(Peripheral ComponentInterconnection;以下简称:PCI)总线。
计算机设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备12访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
存储器28可以包括易失性存储器形式的计算机系统可读介质,例如随机存取存储器(Random Access Memory;以下简称:RAM)30和/或高速缓存存储器32。计算机设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例,存储系统34可以用于读写不可移动的、非易失性磁介质(图10未显示,通常称为“硬盘驱动器”)。尽管图10中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如:光盘只读存储器(Compact Disc Read OnlyMemory;以下简称:CD-ROM)、数字多功能只读光盘(Digital Video Disc Read OnlyMemory;以下简称:DVD-ROM)或者其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块,这些程序模块被配置以执行本公开各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40,可以存储在例如存储器28中,这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本公开所描述的实施例中的功能和/或方法。
计算机设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信,还可与一个或者多个使得用户能与该计算机设备12交互的设备通信,和/或与使得该计算机设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡,调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且,计算机设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(Local Area Network;以下简称:LAN),广域网(Wide Area Network;以下简称:WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器20通过总线18与计算机设备12的其它模块通信。应当明白,尽管图中未示出,可以结合计算机设备12使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理单元16通过运行存储在系统存储器28中的程序,从而执行各种功能应用以及数据处理,例如实现前述实施例中提及的方法。
本公开实的技术方案中,首先获取推荐信息生成请求,之后根据第一用户标识,获取第一用户标识对应的第一历史诊疗数据及第一融合特征,之后根据第一融合特征及第一历史诊疗数据,确定第一用户标识对应的健康评估结果,最后根据健康评估结果及预设的医疗知识图谱,生成推荐信息。由此,由此,对用户在多方跨域医疗机构中的数据进行融合,并基于融合后的特征,生成用户对应的个性化诊疗方案,从而使得生成的诊疗方案更加准确。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本公开的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本公开的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本公开的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本公开的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本公开的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如,如果用硬件来实现和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本公开各个实施例中的各功能单元可以集成在一个处理模块中,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模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器,磁盘或光盘等。尽管上面已经示出和描述了本公开的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本公开的限制,本领域的普通技术人员在本公开的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (17)
1.一种基于跨域医疗数据的信息推荐方法,其特征在于,包括:
获取推荐信息生成请求,其中,所述推荐信息生成请求包括第一用户标识;
根据所述第一用户标识,获取所述第一用户标识对应的第一历史诊疗数据及第一融合特征,其中,所述第一融合特征为基于多方跨域医疗数据融合生成;
根据所述第一融合特征及所述第一历史诊疗数据,确定所述第一用户标识对应的健康评估结果;
根据所述健康评估结果及预设的医疗知识图谱,生成推荐信息。
2.如权利要求1所述的方法,其特征在于,所述根据所述第一用户标识,获取所述第一用户标识对应的第一历史诊疗数据及第一融合特征,包括:
获取当前数据库中包含的与所述第一用户标识对应的第一历史诊疗数据;
对所述第一历史诊疗数据进行特征提取,以获取所述第一用户标识对应的第一特征集;
获取其他医疗机构发送的多个第二用户标识及每个第二用户标识分别对应的第二特征集;
在任一第二用户标识与所述第一用户标识相同的情况下,将所述任一第二用户标识对应的第二特征集,及所述第一特征集进行融合,以获取所述第一用户标识对应的第一融合特征。
3.如权利要求2所述的方法,其特征在于,所述对所述第一历史诊疗数据进行特征提取,以获取所述第一用户标识对应的第一特征集,包括:
对所述第一历史诊疗数据进行实体提取,以获取所述第一历史诊疗数据中包含的多个实体;
对所述多个实体分别进行向量映射,以确定每个实体对应的特征向量;
根据每个实体对应的特征向量,生成所述第一特征集。
4.如权利要求2所述的方法,其特征在于,所述获取所述第一用户标识对应的第一融合特征,包括:
获取所述第一特征集及所述第二特征集中每个特征对应的权重;
将权重大于阈值的各个特征进行融合,以获取所述第一融合特征。
5.如权利要求1所述的方法,其特征在于,所述根据所述第一融合特征及所述第一历史诊疗数据,确定所述第一用户标识对应的健康评估结果,包括:
根据所述第一历史诊疗数据中包含的病历数据,确定所述第一用户标识对应的疾病类型;
根据所述疾病类型,确定所述疾病类型对应的健康评估指标;
根据所述第一融合特征及所述第一历史诊疗数据,确定所述第一用户标识对应的预测风险等级;
根据所述第一历史诊疗数据、所述健康评估指标及所述预测风险等级,确定所述健康评估结果。
6.如权利要求1-5任一所述的方法,其特征在于,在所述根据所述健康评估结果及预设的医疗知识图谱,生成推荐信息之前,还包括:
根据当前医疗机构中包含的多个用户标识及每个用户标识对应的历史诊疗数据,构建用户知识图谱;
获取药物知识图谱和慢性病知识图谱;
根据所述药物知识图谱、所述慢性病知识图谱及所述用户知识图谱,生成所述预设的医疗知识图谱。
7.如权利要求6所述的方法,其特征在于,所述根据所述健康评估结果及预设的医疗知识图谱,生成推荐信息,包括:
获取所述第一融合特征与所述数据库中包含的其他融合特征之间的相似度;
根据所述相似度,从所述其他融合特征中获取多个第二融合特征;
根据每个所述第二融合特征对应的用户标识,从所述预设的医疗知识图谱中,获取参考推荐信息;
根据所述健康评估结果及所述参考推荐信息,生成所述推荐信息。
8.一种基于跨域医疗数据的信息推荐装置,其特征在于,包括:
第一获取模块,用于获取推荐信息生成请求,其中,所述推荐信息生成请求包括第一用户标识;
第二获取模块,用于根据所述第一用户标识,获取所述第一用户标识对应的第一历史诊疗数据及第一融合特征,其中,所述第一融合特征为基于多方跨域医疗数据融合生成;
第一确定模块,用于根据所述第一融合特征及所述第一历史诊疗数据,确定所述第一用户标识对应的健康评估结果;
生成模块,用于根据所述健康评估结果及预设的医疗知识图谱,生成推荐信息。
9.如权利要求8所述的装置,其特征在于,所述第二获取模块,包括:
第一获取单元,用于获取当前数据库中包含的与所述第一用户标识对应的第一历史诊疗数据;
第二获取单元,用于对所述第一历史诊疗数据进行特征提取,以获取所述第一用户标识对应的第一特征集;
第三获取单元,用于获取其他医疗机构发送的多个第二用户标识及每个第二用户标识分别对应的第二特征集;
第四获取单元,用于在任一第二用户标识与所述第一用户标识相同的情况下,将所述任一第二用户标识对应的第二特征集,及所述第一特征集进行融合,以获取所述第一用户标识对应的第一融合特征。
10.如权利要求9所述的装置,其特征在于,所述第二获取单元,具体用于:
对所述第一历史诊疗数据进行实体提取,以获取所述第一历史诊疗数据中包含的多个实体;
对所述多个实体分别进行向量映射,以确定每个实体对应的特征向量;
根据每个实体对应的特征向量,生成所述第一特征集。
11.如权利要求9所述的装置,其特征在于,所述第四获取单元,具体用于:
获取所述第一特征集及所述第二特征集中每个特征对应的权重;
将权重大于阈值的各个特征进行融合,以获取所述第一融合特征。
12.如权利要求8所述的装置,其特征在于,所述第一确定模块,具体用于:
根据所述第一历史诊疗数据中包含的病历数据,确定所述第一用户标识对应的疾病类型;
根据所述疾病类型,确定所述疾病类型对应的健康评估指标;
根据所述第一融合特征及所述第一历史诊疗数据,确定所述第一用户标识对应的预测风险等级;
根据所述第一历史诊疗数据、所述健康评估指标及所述预测风险等级,确定所述健康评估结果。
13.如权利要求8-12任一所述的装置,其特征在于,所述生成模块,还具体用于:
根据当前医疗机构中包含的多个用户标识及每个用户标识对应的历史诊疗数据,构建用户知识图谱;
获取药物知识图谱和慢性病知识图谱;
根据所述药物知识图谱、所述慢性病知识图谱及所述用户知识图谱,生成所述预设的医疗知识图谱。
14.如权利要求13所述的装置,其特征在于,所述生成模块,还具体用于:
获取所述第一融合特征与所述数据库中包含的其他融合特征之间的相似度;
根据所述相似度,从所述其他融合特征中获取多个第二融合特征;
根据每个所述第二融合特征对应的用户标识,从所述预设的医疗知识图谱中,获取参考推荐信息;
根据所述健康评估结果及所述参考推荐信息,生成所述推荐信息。
15.一种计算机设备,其特征在于,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时,实现如权利要求1-7中任一所述的基于跨域医疗数据的信息推荐方法。
16.一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1-7中任一所述的基于跨域医疗数据的信息推荐方法。
17.一种计算机程序产品,其特征在于,包括计算机程序,所述计算机程序在被处理器执行时,实现如权利要求1-7中任一项所述的基于跨域医疗数据的信息推荐方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210908422.3A CN115146179A (zh) | 2022-07-29 | 2022-07-29 | 基于跨域医疗数据的信息推荐方法、装置及计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210908422.3A CN115146179A (zh) | 2022-07-29 | 2022-07-29 | 基于跨域医疗数据的信息推荐方法、装置及计算机设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115146179A true CN115146179A (zh) | 2022-10-04 |
Family
ID=83414792
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210908422.3A Pending CN115146179A (zh) | 2022-07-29 | 2022-07-29 | 基于跨域医疗数据的信息推荐方法、装置及计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115146179A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117149998A (zh) * | 2023-10-30 | 2023-12-01 | 北京南师信息技术有限公司 | 基于多目标优化的智能就诊推荐方法及系统 |
-
2022
- 2022-07-29 CN CN202210908422.3A patent/CN115146179A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117149998A (zh) * | 2023-10-30 | 2023-12-01 | 北京南师信息技术有限公司 | 基于多目标优化的智能就诊推荐方法及系统 |
CN117149998B (zh) * | 2023-10-30 | 2024-01-23 | 北京南师信息技术有限公司 | 基于多目标优化的智能就诊推荐方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20190279767A1 (en) | Systems and methods for creating an expert-trained data model | |
US11839480B2 (en) | Computer implemented method for analyzing electroencephalogram signals | |
KR20170061222A (ko) | 건강데이터 패턴의 일반화를 통한 건강수치 예측 방법 및 그 장치 | |
US11157822B2 (en) | Methods and systems for classification using expert data | |
US20190214134A1 (en) | System and method for automated healthcare service | |
US20210177324A1 (en) | Method and system for remotely monitoring the psychological state of an application user using machine learning-based models | |
AU2020404923A1 (en) | Method and system for remotely monitoring the psychological state of an application user based on average user interaction data | |
CN113707253A (zh) | 医疗方案推荐方法、装置、设备及介质 | |
KR102595904B1 (ko) | 의료상담 콘텐츠에 기초한 의료상담자 추천 방법 및 시스템 | |
CN115146179A (zh) | 基于跨域医疗数据的信息推荐方法、装置及计算机设备 | |
Agrawal et al. | ElectroCardioGram (ECG)-based user authentication using deep learning algorithms | |
CN114218955A (zh) | 基于医疗知识图谱的辅助参考信息的确定方法及系统 | |
Statz et al. | Can Artificial Intelligence Enhance Syncope Management? A JACC: Advances Multidisciplinary Collaborative Statement | |
CN112365976A (zh) | 一种基于迁移学习的复合病种临床路径构建方法及系统 | |
CN115700826A (zh) | 单据处理、单据展示方法、装置、计算机设备和存储介质 | |
KR20220069327A (ko) | 유전자 검사 정보를 반영한 건강 관리 서비스 제공 장치의 동작 방법 | |
Dubey et al. | Design and development methodology for healthcare monitoring system based on IoT and machine learning approach | |
US20240006067A1 (en) | System by which patients receiving treatment and at risk for iatrogenic cytokine release syndrome are safely monitored | |
Halamka et al. | Population analytics and decision support | |
US20230178200A1 (en) | Direct medical treatment predictions using artificial intelligence | |
Meng et al. | Advancing Precision Medicine: Treatment Regimen Recommendations via Siamese Neural Networks | |
Kumar et al. | A Smart Recommendation System for Medicine using Intelligent NLP Techniques | |
Gupta et al. | Revolutionizing Healthcare by Unleashing the Power of Machine Learning in Diagnosis and Treatment | |
Vani et al. | Natural Language Processing Utilisation in Healthcare | |
Kokilavani et al. | Machine Learning–Based Case Studies for Healthcare Analytics: Electronic Health Records, Smart Health Monitoring, Disease Prediction, Precision Medicine, and Clinical Support Systems |
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 |