CN116072303B - 一种医院信息科用医疗信息卡数据识别系统和方法 - Google Patents

一种医院信息科用医疗信息卡数据识别系统和方法 Download PDF

Info

Publication number
CN116072303B
CN116072303B CN202310342869.3A CN202310342869A CN116072303B CN 116072303 B CN116072303 B CN 116072303B CN 202310342869 A CN202310342869 A CN 202310342869A CN 116072303 B CN116072303 B CN 116072303B
Authority
CN
China
Prior art keywords
patient
disease
unit
name
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.)
Active
Application number
CN202310342869.3A
Other languages
English (en)
Other versions
CN116072303A (zh
Inventor
郑成林
冷锴
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing Wuai Network Technology Co ltd
Original Assignee
Nanjing Wuai Network Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing Wuai Network Technology Co ltd filed Critical Nanjing Wuai Network Technology Co ltd
Priority to CN202310342869.3A priority Critical patent/CN116072303B/zh
Publication of CN116072303A publication Critical patent/CN116072303A/zh
Application granted granted Critical
Publication of CN116072303B publication Critical patent/CN116072303B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/901—Indexing; Data structures therefor; Storage structures
    • 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
    • G06F16/903—Querying
    • G06F16/9035—Filtering based on additional data, e.g. user or group profiles
    • 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
    • G16H10/65—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 stored on portable record carriers, e.g. on smartcards, RFID tags or CD
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Abstract

本发明公开了一种医院信息科用医疗信息卡数据识别系统和方法，涉及数据识别技术领域，该数据识别系统与疾病数据库呈网络连接，包括识别模块、查询模块、医院数据库、操作屏，通过对病人信息进行有效预测，找到候选病人姓名，通过对候选病人在医院的就诊记录，有效推断出该病人的既往病史，与病人信息卡中的既往病史进行比对，找出匹配的病人信息，有效解决医疗信息卡数据识别系统对更改姓名后的医疗信息卡无法识别的问题。该系统通过数据挖掘与分析预测相结合的方式，实现对病人在医院医疗信息的有效搜索，有效解决医疗信息卡数据库与医院数据库数据不同步的问题。

Description

一种医院信息科用医疗信息卡数据识别系统和方法
技术领域
本发明涉及数据识别技术领域，具体为一种医院信息科用医疗信息卡数据识别系统和方法。
背景技术
信息识别系统是医疗信息系统体系中必不可少的一部分，它包含了系统的登录注册以及根据病人身份信息查询病人在该医院的业务信息等功能。在病人使用医疗信息卡的过程中，会出现有些病人更改了医疗信息卡的姓名，而在医院的信息识别系统中并未同步姓名的更改，造成信息卡识别系统无法识别更改姓名的医疗信息卡的问题。
如公开号为CN110519761A的中国专利公开了一种用户身份识别卡的验证方法、装置、电子设备及存储介质。所述方法包括：接收第一通信设备发送的用户身份识别卡共享请求；根据用户身份识别卡共享请求向至少一个第二通信设备发送查询请求；接收第二通信设备发送的所述第一查询信息；将第一查询信息与用户身份识别卡共享信息和/或预设条件信息进行比对，得到对用户身份识别卡验证结果。该方法实现了对用户身份识别卡共享信息的真实性和用户身份识别卡的有效性的自动化验证，从而避免了通过人工验证导致的人力资源的浪费和效率低下的问题，进而提高了用户身份识别卡共享系统的易用性，提高了用户身份识别卡共享系统的效率。该发明通过信息比对的方式增加了卡识别的安全性，但并没有考虑比对的两个信息源数据不同步的问题。
如公开号为CN113590852A的中国专利公开了一种多模态识别模型的训练方法、多模态识别方法及装置，涉及计算机技术领域，尤其涉及深度学习和数据识别技术领域。多模态识别模型的训练方法的具体实现方案为：获取样本数据，样本数据包括第一图片数据和第一文本数据中的至少一项对所述样本数据进行识别，得到目标数据；基于所述目标数据与样本数据之间的相似度，对所述多模态识别模型进行训练；其中，所述目标数据包括如下至少一项：与第一图片数据对应的第二图片数据；与所述第一文本数据对应的第二文本数据。该发明引入了多模态识别模型的思想，但训练的样本均为静态样本，无法适应如病人这种动态变化样本的识别。
综上所述，在信息卡识别领域存在如下问题：医疗信息卡数据库发生更改，医院数据库并未有同步更新的机制，导致信息卡识别系统在识别医疗信息卡时，出现识别不出该病人的现象；现有技术通过对比样本之间的相似度，虽然可以一定程度上解决识别问题，但无法解决病人作为动态样本会数据更新的情况。
基于此，我们提出一种医院信息科用医疗信息卡数据识别系统和方法来解决上述问题。
发明内容
本发明的目的在于提供一种医院信息科用医疗信息卡数据识别系统和方法，以解决上述背景技术中提出的医疗信息卡数据识别系统对更改姓名后的医疗信息卡无法识别的问题。
为实现上述目的，本发明提供一种医院信息科用医疗信息卡数据识别系统和方法，所述医院信息科用医疗信息卡数据识别系统，与疾病数据库呈网络连接，包括识别模块、查询模块、医院数据库、操作屏：其中，
识别模块：用于对医疗信息卡进行识别，生成病人信息数据，包括：病人姓名、年龄、既往病史、身高、体重、血型、职业，并将医疗信息卡中的病人信息数据传输至查询模块；
查询模块：用于根据相关系数计算策略，计算该病人与疾病的相关系数；根据计算得到该病人与疾病的相关系数，根据就医记录查询策略，查询得到对应的就医记录；根据查询得到对应的就医记录，根据既往病史比对策略，找到相似度最高的病人姓名，并将相似度最高的病人姓名作为最终病人姓名；根据识别模块传输的病人信息数据或最终病人姓名，从医院数据库搜索病人业务数据，病人业务数据包括：病人姓名、电子病历、消费记录、影像学报告、病人权限，并将搜索出的病人业务数据传输至操作屏；
医院数据库：用于存储病人业务数据和病人信息数据；
操作屏：用于显示查询模块搜索出的病人业务数据；
其中，所述的查询模块包括搜索单元、索引解析单元、计算单元、相关值存储单元和病史预测单元；
搜索单元：用于将识别模块传输的病人信息数据中的病人姓名作为索引，从医院数据库搜索病人业务数据，并将搜索出的病人业务数据传输至操作屏；根据搜索词集合从相关值存储单元对搜索词与相关疾病的相关值进行搜索，并将搜索出的搜索词与相关疾病的相关值传输至计算单元；根据计算单元传输的相关系数，相关系数含义为衡量病人与疾病的相关程度的系数，判断病人是否在相关疾病数据库中，并根据判断结果，将索引解析单元传输的搜索词集合中的搜索词作为索引，从疾病数据库中搜索病人姓名，最终得到病人疑似姓名组的集合，并将病人疑似姓名组的集合传输至计算单元；根据候选病人姓名集合中的姓名，从医院数据库搜索病人业务数据，找出病人业务数据中的就医记录，并将就医记录传输至病史预测单元；
索引解析单元：用于根据识别模块传输的病人信息数据，解析出搜索词集合，并将搜索词集合传输至搜索单元；
计算单元：用于根据搜索单元传输的搜索词与相关疾病的相关值，计算该病人与疾病的相关系数，并将相关系数传输至搜索单元；根据搜索单元传输的病人疑似姓名组的集合计算得到候选病人姓名集合；根据病史预测单元传输的预测既往病史与病人信息数据中的既往病史计算相似度，相似度含义为候选病人姓名对应的既往病史与病人信息数据中的既往病史的相似程度；找出相似度最高的候选病人姓名，并将相似度最高的候选病人姓名作为最终病人姓名；
相关值存储单元：用于存储搜索词与相关疾病的相关值，相关值的含义为衡量搜索词与相关疾病的相关程度的数值；
病史预测单元：用于根据搜索单元传输的就医记录计算疾病可能性预测值，并根据疾病可能性预测值，推测候选病人姓名集合中病人姓名对应的既往病史，得到预测既往病史，并将预测既往病史传输至计算单元。
本发明进一步改进在于，所述疾病数据库用于对不同疾病的病人身份信息进行存储，病人身份信息包括病人姓名、病人性别、病人年龄、病人血型、所挂科室号、就诊时间、入院日期、出院日期。
本发明进一步改进在于，一种用于对病人的医疗信息卡进行识别的识别方法，所述识别方法中包括用于对病人的医疗信息卡进行识别的识别策略，所述识别策略包括以下步骤：
S1：识别模块对医疗信息卡进行识别，生成病人信息数据，并将医疗信息卡中的病人信息数据传输至查询模块；
S2：查询模块根据识别模块传输的病人信息数据，从医院数据库搜索病人业务数据，如果能够搜索出病人业务数据，则将搜索出的病人业务数据传输至操作屏，执行S7；如果未搜索出病人业务数据，则执行S3；
S3：查询模块根据相关系数计算策略，计算该病人与疾病的相关系数；
S4：查询模块根据计算得到该病人与疾病的相关系数，根据就医记录查询策略，查询得到对应的就医记录；
S5：查询模块根据查询得到对应的就医记录，根据既往病史比对策略，找到相似度最高的病人姓名，并将相似度最高的病人姓名作为最终病人姓名；
S6：查询模块根据最终病人姓名，从医院数据库搜索病人业务数据，并将搜索出的病人业务数据传输至操作屏；
S7：结束识别操作。
本发明进一步改进在于，所述识别方法中包括相关系数计算策略，所述相关系数计算策略包括以下具体步骤：
S301：索引解析单元根据识别模块传输的病人信息数据，解析出搜索词集合
Figure SMS_1
，其中/>
Figure SMS_2
表示第/>
Figure SMS_3
个搜索词，/>
Figure SMS_4
表示搜索词总个数，并将搜索词集合传输至搜索单元；
S302：搜索单元根据搜索词集合从相关值存储单元对搜索词与相关疾病的相关值进行搜索，搜索结果为
Figure SMS_7
，/>
Figure SMS_9
，/>
Figure SMS_11
，其中，/>
Figure SMS_6
表示第/>
Figure SMS_8
个搜索词与第/>
Figure SMS_10
个疾病的相关值，/>
Figure SMS_12
为疾病总个数，/>
Figure SMS_5
为搜索词总个数；
S303：计算单元根据搜索单元传输的搜索词与相关疾病的相关值，计算该病人与疾病的相关系数，并将相关系数传输至搜索单元，计算公式如下：
Figure SMS_13
；
其中，
Figure SMS_15
表示该病人与第/>
Figure SMS_18
个疾病的相关系数，/>
Figure SMS_21
表示第/>
Figure SMS_16
个搜索词与第/>
Figure SMS_19
个疾病的相关值，/>
Figure SMS_22
为第/>
Figure SMS_23
个搜索词的公共因子，表示为第/>
Figure SMS_14
个搜索词的相关值的所占比重，/>
Figure SMS_17
为疾病总个数，/>
Figure SMS_20
为搜索词总个数。
本发明进一步改进在于，所述识别方法中包括就医记录查询策略，所述就医记录查询策略包括以下具体步骤：
S401：搜索单元根据计算单元传输的相关系数，判断病人是否在相关疾病数据库中，如果
Figure SMS_26
，/>
Figure SMS_28
，其中，/>
Figure SMS_32
为疾病总个数，/>
Figure SMS_25
表示该病人与第/>
Figure SMS_31
个疾病的相关系数，/>
Figure SMS_35
表示该病人与第/>
Figure SMS_37
个疾病的相关系数阈值，表示为如果该病人与第/>
Figure SMS_24
个疾病的相关系数超过该病人与第/>
Figure SMS_30
个疾病的相关系数阈值，说明病人与该疾病相关，则搜索单元将索引解析单元传输的搜索词集合中的搜索词作为索引，从第/>
Figure SMS_34
个疾病数据库中搜索病人姓名；最终得到病人疑似姓名组的集合/>
Figure SMS_36
，其中/>
Figure SMS_27
表示第/>
Figure SMS_29
个病人疑似姓名组，病人疑似姓名组表示在同一个疾病数据库中搜索出的一组病人疑似姓名组，/>
Figure SMS_33
表示病人疑似姓名组总个数，并将病人疑似姓名组的集合传输至计算单元；
S402：计算单元根据搜索单元传输的病人疑似姓名组的集合计算得到候选病人姓名集合
Figure SMS_38
，计算公式为/>
Figure SMS_39
；
S403：搜索单元根据候选病人姓名集合中的姓名，从医院数据库搜索病人业务数据，找出病人业务数据中的就医记录
Figure SMS_40
，/>
Figure SMS_41
表示从医院开始运行起的第/>
Figure SMS_42
天，病人在第/>
Figure SMS_43
个疾病的就医记录，/>
Figure SMS_44
的数值的含义为从医院开始运行起的第/>
Figure SMS_45
天通过诊断判断的第/>
Figure SMS_46
个疾病的可能性，并将就医记录传输至病史预测单元。
本发明进一步改进在于，所述查询模块中包括既往病史比对策略，所述既往病史比对策略包括以下具体步骤：
S501：病史预测单元根据搜索单元传输的就医记录计算疾病可能性预测值；
S502：病史预测单元根据疾病可能性预测值，推测候选病人姓名集合中病人姓名对应的既往病史，得到预测既往病史，并将预测既往病史传输至计算单元；
S503：计算单元根据候选病人姓名集合中病人姓名对应的既往病史与病人信息数据中的既往病史计算相似度；
S504：计算单元找出相似度最高的候选病人姓名，并将相似度最高的候选病人姓名作为最终病人姓名。
本发明进一步改进在于，S501包括疾病可能性预测策略，包括以下具体步骤：病史预测单元根据搜索单元传输的就医记录计算疾病可能性预测值
Figure SMS_51
，计算公式为
Figure SMS_49
，其中，/>
Figure SMS_65
为当前经过的天数，表示从医院开始运行起，到当前时间总共经历的天数，/>
Figure SMS_57
为医院候选病人所得疾病中第/>
Figure SMS_63
个疾病的诊断时间距离当前时间的天数，/>
Figure SMS_55
为1到/>
Figure SMS_64
任意的实数，/>
Figure SMS_48
为对在第/>
Figure SMS_58
天对第/>
Figure SMS_47
个的疾病可能性预测值，/>
Figure SMS_60
为在医院候选病人所得疾病诊断时刻，通过诊断判断的第/>
Figure SMS_56
个疾病的可能性，
Figure SMS_62
为第/>
Figure SMS_52
天的第/>
Figure SMS_61
个疾病可能性预测值保留到下一次的比例，通过候选病人所得疾病可能性预测值集合/>
Figure SMS_53
查对应关系表得出疾病可能性预测值保留到下一次的比例，/>
Figure SMS_59
为医院候选病人所得疾病总个数，对应关系表为医生根据疾病发展规律事先设定；/>
Figure SMS_54
为在第/>
Figure SMS_66
天第/>
Figure SMS_50
个疾病可能性预测值。
本发明进一步改进在于，所述S502包括既往病史推测策略，包括以下具体步骤：病史预测单元根据疾病可能性预测值，推测候选病人姓名集合中病人姓名对应的既往病史，推测方法为：如果
Figure SMS_69
，则将第/>
Figure SMS_71
个疾病作为该病人的既往病史，其中，/>
Figure SMS_74
表示第/>
Figure SMS_68
个疾病的既往病史判断阈值，表示当第/>
Figure SMS_70
个疾病可能性预测值大于第/>
Figure SMS_73
个疾病的既往病史判断阈值，则认定第/>
Figure SMS_75
个疾病为既往病史，最终得到候选病人姓名集合中病人姓名对应的预测既往病史/>
Figure SMS_67
，表示第/>
Figure SMS_72
个候选病人姓名对应的预测既往病史，并将预测既往病史传输至计算单元。
本发明进一步改进在于，所述S503包括相似度计算策略，包括以下具体步骤：计算单元根据候选病人姓名集合中病人姓名对应的既往病史
Figure SMS_78
与病人信息数据中的既往病史
Figure SMS_82
计算相似度/>
Figure SMS_85
，计算公式为/>
Figure SMS_79
，其中，/>
Figure SMS_81
为相似度，表示第/>
Figure SMS_84
个候选病人姓名对应的既往病史与病人信息数据中的既往病史的相似程度，/>
Figure SMS_87
为病人信息数据中的既往病史中的疾病个数，/>
Figure SMS_76
为1到/>
Figure SMS_80
任意一个实数，/>
Figure SMS_83
表示在病人信息数据中的既往病史中的第/>
Figure SMS_86
个疾病是否在第/>
Figure SMS_77
个候选病人姓名对应的预测既往病史中存在，如果存在，则为1，否则为0。
通过本发明的一个或者多个技术方案，本发明具有以下有益效果：
通过对病人信息进行有效预测，找到候选病人姓名，通过对候选病人在医院的就诊记录，有效推断出该病人的既往病史，与病人信息卡中的既往病史进行比对，找出匹配的病人信息，有效解决医疗信息卡数据识别系统对更改姓名后的医疗信息卡无法识别的问题。该系统通过数据挖掘与分析预测相结合的方式，实现对病人在医院医疗信息的有效搜索，有效解决医疗信息卡数据库与医院数据库数据不同步的问题。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例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发明的一些实施例的附图，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它的附图。
图1是本发明的一种用于对病人的医疗信息卡进行识别的识别策略的流程图。
图2是本发明的一种医院信息科用医疗信息卡数据识别系统的架构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。
请参阅图1和图2，本发明提供的两种实施例，一种医院信息科用医疗信息卡数据识别系统和一种用于对病人的医疗信息卡进行识别的识别方法：
实施例一：
如图2所示，一种医院信息科用医疗信息卡数据识别系统，与疾病数据库呈网络连接，包括识别模块、查询模块、医院数据库、操作屏：其中，
识别模块：用于对医疗信息卡进行识别，生成病人信息数据，包括：病人姓名、年龄、既往病史、身高、体重、血型、职业，并将医疗信息卡中的病人信息数据传输至查询模块；
查询模块：用于根据相关系数计算策略，计算该病人与疾病的相关系数；根据计算得到该病人与疾病的相关系数，根据就医记录查询策略，查询得到对应的就医记录；根据查询得到对应的就医记录，根据既往病史比对策略，找到相似度最高的病人姓名，并将相似度最高的病人姓名作为最终病人姓名；根据识别模块传输的病人信息数据或最终病人姓名，从医院数据库搜索病人业务数据，病人业务数据包括：病人姓名、电子病历、消费记录、影像学报告、病人权限，并将搜索出的病人业务数据传输至操作屏；
医院数据库：用于存储病人业务数据和病人信息数据；
操作屏：用于显示查询模块搜索出的病人业务数据；
其中，查询模块包括搜索单元、索引解析单元、计算单元、相关值存储单元和病史预测单元；
搜索单元：用于将识别模块传输的病人信息数据中的病人姓名作为索引，从医院数据库搜索病人业务数据，并将搜索出的病人业务数据传输至操作屏；根据搜索词集合从相关值存储单元对搜索词与相关疾病的相关值进行搜索，并将搜索出的搜索词与相关疾病的相关值传输至计算单元；根据计算单元传输的相关系数，相关系数含义为衡量病人与疾病的相关程度的系数，判断病人是否在相关疾病数据库中，并根据判断结果，将索引解析单元传输的搜索词集合中的搜索词作为索引，从疾病数据库中搜索病人姓名，最终得到病人疑似姓名组的集合，并将病人疑似姓名组的集合传输至计算单元；根据候选病人姓名集合中的姓名，从医院数据库搜索病人业务数据，找出病人业务数据中的就医记录，并将就医记录传输至病史预测单元；
索引解析单元：用于根据识别模块传输的病人信息数据，解析出搜索词集合，并将搜索词集合传输至搜索单元；
计算单元：用于根据搜索单元传输的搜索词与相关疾病的相关值，计算该病人与疾病的相关系数，并将相关系数传输至搜索单元；根据搜索单元传输的病人疑似姓名组的集合计算得到候选病人姓名集合；根据病史预测单元传输的预测既往病史与病人信息数据中的既往病史计算相似度，相似度含义为候选病人姓名对应的既往病史与病人信息数据中的既往病史的相似程度；找出相似度最高的候选病人姓名，并将相似度最高的候选病人姓名作为最终病人姓名；
相关值存储单元：用于存储搜索词与相关疾病的相关值，相关值的含义为衡量搜索词与相关疾病的相关程度的数值；
病史预测单元：用于根据搜索单元传输的就医记录计算疾病可能性预测值，并根据疾病可能性预测值，推测候选病人姓名集合中病人姓名对应的既往病史，得到预测既往病史，并将预测既往病史传输至计算单元。
实施例二：
如图1所示，一种用于对病人的医疗信息卡进行识别的识别方法，包括以下具体步骤：
S1：识别模块对医疗信息卡进行识别，生成病人信息数据，并将医疗信息卡中的病人信息数据传输至查询模块；
S2：查询模块根据识别模块传输的病人信息数据，从医院数据库搜索病人业务数据，如果能够搜索出病人业务数据，则将搜索出的病人业务数据传输至操作屏，执行S7；如果未搜索出病人业务数据，则执行S3；
S3：查询模块根据相关系数计算策略，计算该病人与疾病的相关系数，其中，相关系数计算策略包括以下具体步骤：
S301：索引解析单元根据识别模块传输的病人信息数据，解析出搜索词集合
Figure SMS_88
，其中/>
Figure SMS_89
表示第/>
Figure SMS_90
个搜索词，/>
Figure SMS_91
表示搜索词总个数，并将搜索词集合传输至搜索单元；
S302：搜索单元根据搜索词集合从相关值存储单元对搜索词与相关疾病的相关值进行搜索，搜索结果为
Figure SMS_93
，/>
Figure SMS_95
，/>
Figure SMS_97
，其中，/>
Figure SMS_94
表示第/>
Figure SMS_96
个搜索词与第/>
Figure SMS_98
个疾病的相关值，/>
Figure SMS_99
为疾病总个数，/>
Figure SMS_92
为搜索词总个数；
S303：计算单元根据搜索单元传输的搜索词与相关疾病的相关值，计算该病人与疾病的相关系数，并将相关系数传输至搜索单元，计算公式如下：
Figure SMS_100
；
其中，
Figure SMS_102
表示该病人与第/>
Figure SMS_105
个疾病的相关系数，/>
Figure SMS_108
表示第/>
Figure SMS_103
个搜索词与第/>
Figure SMS_106
个疾病的相关值，/>
Figure SMS_109
为第/>
Figure SMS_110
个搜索词的公共因子，表示为第/>
Figure SMS_101
个搜索词的相关值的所占比重，/>
Figure SMS_104
为疾病总个数，/>
Figure SMS_107
为搜索词总个数；
S4：查询模块根据计算得到该病人与疾病的相关系数，根据就医记录查询策略，查询得到对应的就医记录，其中，就医记录查询策略包括以下具体步骤：
S401：搜索单元根据计算单元传输的相关系数，判断病人是否在相关疾病数据库中，如果
Figure SMS_112
，/>
Figure SMS_115
，其中，/>
Figure SMS_119
为疾病总个数，/>
Figure SMS_113
表示该病人与第/>
Figure SMS_117
个疾病的相关系数，/>
Figure SMS_121
表示该病人与第/>
Figure SMS_123
个疾病的相关系数阈值，表示为如果该病人与第/>
Figure SMS_111
个疾病的相关系数超过该病人与第/>
Figure SMS_118
个疾病的相关系数阈值，说明病人与该疾病相关，则搜索单元将索引解析单元传输的搜索词集合中的搜索词作为索引，从第/>
Figure SMS_122
个疾病数据库中搜索病人姓名；最终得到病人疑似姓名组的集合/>
Figure SMS_124
，其中/>
Figure SMS_114
表示第/>
Figure SMS_116
个病人疑似姓名组，病人疑似姓名组表示在同一个疾病数据库中搜索出的一组病人疑似姓名组，/>
Figure SMS_120
表示病人疑似姓名组总个数，并将病人疑似姓名组的集合传输至计算单元；
S402：计算单元根据搜索单元传输的病人疑似姓名组的集合计算得到候选病人姓名集合
Figure SMS_125
，计算公式为/>
Figure SMS_126
；
S403：搜索单元根据候选病人姓名集合中的姓名，从医院数据库搜索病人业务数据，找出病人业务数据中的就医记录
Figure SMS_127
，/>
Figure SMS_128
表示从医院开始运行起的第/>
Figure SMS_129
天，病人在第/>
Figure SMS_130
个疾病的就医记录，/>
Figure SMS_131
的数值的含义为从医院开始运行起的第/>
Figure SMS_132
天通过诊断判断的第/>
Figure SMS_133
个疾病的可能性，并将就医记录传输至病史预测单元；
S5：查询模块根据查询得到对应的就医记录，根据既往病史比对策略，找到相似度最高的病人姓名，并将相似度最高的病人姓名作为最终病人姓名，其中，既往病史比对策略包括以下具体步骤：
S501：既往病史比对策略包括疾病可能性预测策略，包括以下具体步骤：病史预测单元根据搜索单元传输的就医记录计算疾病可能性预测值
Figure SMS_138
，计算公式为
Figure SMS_144
，其中，/>
Figure SMS_147
为当前经过的天数，表示从医院开始运行起，到当前时间总共经历的天数，/>
Figure SMS_140
为医院候选病人所得疾病中第/>
Figure SMS_149
个疾病的诊断时间距离当前时间的天数，/>
Figure SMS_143
为1到/>
Figure SMS_153
任意的实数，/>
Figure SMS_142
为对在第/>
Figure SMS_151
天对第/>
Figure SMS_134
个的疾病可能性预测值，/>
Figure SMS_148
为在医院候选病人所得疾病诊断时刻，通过诊断判断的第/>
Figure SMS_136
个疾病的可能性，
Figure SMS_145
为第/>
Figure SMS_141
天的第/>
Figure SMS_152
个疾病可能性预测值保留到下一次的比例，通过候选病人所得疾病可能性预测值集合/>
Figure SMS_137
查对应关系表得出疾病可能性预测值保留到下一次的比例，/>
Figure SMS_150
为医院候选病人所得疾病总个数，对应关系表为医生根据疾病发展规律事先设定；/>
Figure SMS_139
为在第/>
Figure SMS_146
天第/>
Figure SMS_135
个疾病可能性预测值；
S502：病史预测单元根据疾病可能性预测值，推测候选病人姓名集合中病人姓名对应的既往病史，得到预测既往病史，并将预测既往病史传输至计算单元，其中，S502包括既往病史推测策略，包括以下具体步骤：病史预测单元根据疾病可能性预测值，推测候选病人姓名集合中病人姓名对应的既往病史，推测方法为：如果
Figure SMS_155
，则将第/>
Figure SMS_159
个疾病作为该病人的既往病史，其中，/>
Figure SMS_161
表示第/>
Figure SMS_156
个疾病的既往病史判断阈值，表示当第/>
Figure SMS_158
个疾病可能性预测值大于第/>
Figure SMS_160
个疾病的既往病史判断阈值，则认定第/>
Figure SMS_162
个疾病为既往病史，最终得到候选病人姓名集合中病人姓名对应的预测既往病史/>
Figure SMS_154
，表示第/>
Figure SMS_157
个候选病人姓名对应的预测既往病史，并将预测既往病史传输至计算单元；
S503：计算单元根据候选病人姓名集合中病人姓名对应的既往病史与病人信息数据中的既往病史计算相似度，其中，S503包括相似度计算策略，包括以下具体步骤：计算单元根据候选病人姓名集合中病人姓名对应的既往病史
Figure SMS_165
与病人信息数据中的既往病史
Figure SMS_168
计算相似度/>
Figure SMS_171
，计算公式为/>
Figure SMS_166
，其中，/>
Figure SMS_169
为相似度，表示第/>
Figure SMS_172
个候选病人姓名对应的既往病史与病人信息数据中的既往病史的相似程度，/>
Figure SMS_174
为病人信息数据中的既往病史中的疾病个数，/>
Figure SMS_163
为1到/>
Figure SMS_167
任意一个实数，/>
Figure SMS_170
表示在病人信息数据中的既往病史中的第/>
Figure SMS_173
个疾病是否在第/>
Figure SMS_164
个候选病人姓名对应的预测既往病史中存在，如果存在，则为1，否则为0；/>
S504：计算单元找出相似度最高的候选病人姓名，并将相似度最高的候选病人姓名作为最终病人姓名；
S6：查询模块根据最终病人姓名，从医院数据库搜索病人业务数据，并将搜索出的病人业务数据传输至操作屏；
S7：结束识别操作。

Claims (9)

1.一种医院信息科用医疗信息卡数据识别系统，包括：
识别模块：用于对医疗信息卡进行识别，生成病人信息数据，包括病人姓名、年龄、既往病史、身高、体重、血型、职业，并将医疗信息卡中的病人信息数据传输至查询模块；
医院数据库：用于存储病人业务数据和病人信息数据；
操作屏：用于显示查询模块搜索出的病人业务数据；
其特征在于：所述医院信息科用医疗信息卡数据识别系统与疾病数据库呈网络连接，还包括查询模块：用于根据相关系数计算策略，计算该病人与疾病的相关系数；根据计算得到该病人与疾病的相关系数，根据就医记录查询策略，查询得到对应的就医记录；根据查询得到对应的就医记录，根据既往病史比对策略，找到相似度最高的病人姓名，并将相似度最高的病人姓名作为最终病人姓名；根据识别模块传输的病人信息数据或最终病人姓名，从医院数据库搜索病人业务数据，病人业务数据包括：病人姓名、电子病历、消费记录、影像学报告、病人权限，并将搜索出的病人业务数据传输至操作屏；所述查询模块包括搜索单元、索引解析单元、计算单元、相关值存储单元和病史预测单元；
搜索单元：用于将索引解析单元传输的搜索词集合中的病人姓名作为索引，从医院数据库搜索病人业务数据，并将搜索出的病人业务数据传输至操作屏；根据搜索词集合从相关值存储单元对搜索词与相关疾病的相关值进行搜索，并将搜索出的搜索词与相关疾病的相关值传输至计算单元；根据计算单元传输的相关系数，相关系数含义为衡量病人与疾病的相关程度的系数，判断病人是否在相关疾病数据库中，并根据判断结果，将索引解析单元传输的搜索词集合中的搜索词作为索引，从疾病数据库中搜索病人姓名，最终得到病人疑似姓名组的集合，并将病人疑似姓名组的集合传输至计算单元；根据候选病人姓名集合中的姓名，从医院数据库搜索病人业务数据，找出病人业务数据中的就医记录，并将就医记录传输至病史预测单元；
索引解析单元：用于根据识别模块传输的病人信息数据，解析出搜索词集合，并将搜索词集合传输至搜索单元；
计算单元：用于根据搜索单元传输的搜索词与相关疾病的相关值，计算该病人与疾病的相关系数，并将相关系数传输至搜索单元；根据搜索单元传输的病人疑似姓名组的集合计算得到候选病人姓名集合；根据病史预测单元传输的预测既往病史与病人信息数据中的既往病史计算相似度，相似度含义为候选病人姓名对应的既往病史与病人信息数据中的既往病史的相似程度；找出相似度最高的候选病人姓名，并将相似度最高的候选病人姓名作为最终病人姓名；
相关值存储单元：用于存储搜索词与相关疾病的相关值，相关值的含义为衡量搜索词与相关疾病的相关程度的数值；
病史预测单元：用于根据搜索单元传输的就医记录计算疾病可能性预测值，并根据疾病可能性预测值，推测候选病人姓名集合中病人姓名对应的既往病史，得到预测既往病史，并将预测既往病史传输至计算单元。
2.根据权利要求1所述的一种医院信息科用医疗信息卡数据识别系统，其特征在于：所述疾病数据库用于对不同疾病的病人身份信息进行存储，病人身份信息包括病人姓名、病人性别、病人年龄、病人血型、所挂科室号、就诊时间、入院日期和出院日期。
3.一种医院信息科用医疗信息卡数据识别方法，其基于权利要求1-2任一项所述的一种医院信息科用医疗信息卡数据识别系统实现，其特征在于：所述识别方法中包括用于对病人的医疗信息卡进行识别的识别策略，所述识别策略包括以下步骤：
S1：识别模块对医疗信息卡进行识别，生成病人信息数据，并将医疗信息卡中的病人信息数据传输至查询模块；
S2：查询模块根据识别模块传输的病人信息数据，从医院数据库搜索病人业务数据，如果能够搜索出病人业务数据，则将搜索出的病人业务数据传输至操作屏，执行S7；如果未搜索出病人业务数据，则执行S3；
S3：查询模块根据相关系数计算策略，计算该病人与疾病的相关系数；
S4：查询模块根据计算得到该病人与疾病的相关系数，根据就医记录查询策略，查询得到对应的就医记录；
S5：查询模块根据查询得到对应的就医记录，根据既往病史比对策略，找到相似度最高的病人姓名，并将相似度最高的病人姓名作为最终病人姓名；
S6：查询模块根据最终病人姓名，从医院数据库搜索病人业务数据，并将搜索出的病人业务数据传输至操作屏；
S7：结束识别操作。
4.根据权利要求3所述的一种医院信息科用医疗信息卡数据识别方法，其特征在于：所述识别方法中包括相关系数计算策略，所述相关系数计算策略包括以下具体步骤：
S301：索引解析单元根据识别模块传输的病人信息数据，解析出搜索词集合
Figure QLYQS_1
，其中/>
Figure QLYQS_2
表示第/>
Figure QLYQS_3
个搜索词，/>
Figure QLYQS_4
表示搜索词总个数，并将搜索词集合传输至搜索单元；
S302：搜索单元根据搜索词集合从相关值存储单元对搜索词与相关疾病的相关值进行搜索，搜索结果为
Figure QLYQS_7
，/>
Figure QLYQS_9
，/>
Figure QLYQS_11
，其中，/>
Figure QLYQS_6
表示第/>
Figure QLYQS_8
个搜索词与第
Figure QLYQS_10
个疾病的相关值，/>
Figure QLYQS_12
为疾病总个数，/>
Figure QLYQS_5
为搜索词总个数；
S303：计算单元根据搜索单元传输的搜索词与相关疾病的相关值，计算该病人与疾病的相关系数，并将相关系数传输至搜索单元，计算公式如下：
Figure QLYQS_13
，
其中，
Figure QLYQS_15
表示该病人与第/>
Figure QLYQS_18
个疾病的相关系数，/>
Figure QLYQS_21
表示第/>
Figure QLYQS_16
个搜索词与第/>
Figure QLYQS_19
个疾病的相关值，/>
Figure QLYQS_22
为第/>
Figure QLYQS_23
个搜索词的公共因子，表示为第/>
Figure QLYQS_14
个搜索词的相关值的所占比重，/>
Figure QLYQS_17
为疾病总个数，/>
Figure QLYQS_20
为搜索词总个数。
5.根据权利要求4所述的一种医院信息科用医疗信息卡数据识别方法，其特征在于：所述识别方法中包括就医记录查询策略，所述就医记录查询策略包括以下具体步骤：
S401：搜索单元根据计算单元传输的相关系数，判断病人是否在相关疾病数据库中，如果
Figure QLYQS_25
，/>
Figure QLYQS_30
，其中，/>
Figure QLYQS_34
为疾病总个数，/>
Figure QLYQS_27
表示该病人与第/>
Figure QLYQS_31
个疾病的相关系数，
Figure QLYQS_35
表示该病人与第/>
Figure QLYQS_37
个疾病的相关系数阈值，表示为如果该病人与第/>
Figure QLYQS_24
个疾病的相关系数超过该病人与第/>
Figure QLYQS_28
个疾病的相关系数阈值，说明病人与该疾病相关，则搜索单元将索引解析单元传输的搜索词集合中的搜索词作为索引，从第/>
Figure QLYQS_32
个疾病数据库中搜索病人姓名；最终得到病人疑似姓名组的集合/>
Figure QLYQS_36
，其中/>
Figure QLYQS_26
表示第/>
Figure QLYQS_29
个病人疑似姓名组，病人疑似姓名组表示在同一个疾病数据库中搜索出的一组病人疑似姓名组，/>
Figure QLYQS_33
表示病人疑似姓名组总个数，并将病人疑似姓名组的集合传输至计算单元；
S402：计算单元根据搜索单元传输的病人疑似姓名组的集合计算得到候选病人姓名集合
Figure QLYQS_38
，计算公式为/>
Figure QLYQS_39
；
S403：搜索单元根据候选病人姓名集合中的姓名，从医院数据库搜索病人业务数据，找出病人业务数据中的就医记录
Figure QLYQS_40
，/>
Figure QLYQS_41
表示从医院开始运行起的第/>
Figure QLYQS_42
天，病人在第/>
Figure QLYQS_43
个疾病的就医记录，/>
Figure QLYQS_44
的数值的含义为从医院开始运行起的第/>
Figure QLYQS_45
天通过诊断判断的第/>
Figure QLYQS_46
个疾病的可能性，并将就医记录传输至病史预测单元。
6.根据权利要求5所述的一种医院信息科用医疗信息卡数据识别方法，其特征在于：所述识别方法中包括既往病史比对策略，所述既往病史比对策略包括以下具体步骤：
S501：病史预测单元根据搜索单元传输的就医记录计算疾病可能性预测值；
S502：病史预测单元根据疾病可能性预测值，推测候选病人姓名集合中病人姓名对应的既往病史，得到预测既往病史，并将预测既往病史传输至计算单元；
S503：计算单元根据候选病人姓名集合中病人姓名对应的既往病史与病人信息数据中的既往病史计算相似度；
S504：计算单元找出相似度最高的候选病人姓名，并将相似度最高的候选病人姓名作为最终病人姓名。
7.权利要求6所述的一种医院信息科用医疗信息卡数据识别方法，其特征在于：所述S501包括疾病可能性预测策略，包括以下具体步骤：病史预测单元根据搜索单元传输的就医记录计算疾病可能性预测值
Figure QLYQS_55
，计算公式为
Figure QLYQS_49
，其中，/>
Figure QLYQS_61
为当前经过的天数，表示从医院开始运行起，到当前时间总共经历的天数，/>
Figure QLYQS_54
为医院候选病人所得疾病中第/>
Figure QLYQS_62
个疾病的诊断时间距离当前时间的天数，/>
Figure QLYQS_56
为1到/>
Figure QLYQS_64
任意的实数，/>
Figure QLYQS_51
为对在第/>
Figure QLYQS_60
天对第/>
Figure QLYQS_47
个的疾病可能性预测值，/>
Figure QLYQS_58
为在医院候选病人所得疾病诊断时刻，通过诊断判断的第/>
Figure QLYQS_52
个疾病的可能性，/>
Figure QLYQS_66
为第/>
Figure QLYQS_48
天的第/>
Figure QLYQS_65
个疾病可能性预测值保留到下一次的比例，通过候选病人所得疾病可能性预测值集合/>
Figure QLYQS_53
查对应关系表得出疾病可能性预测值保留到下一次的比例，/>
Figure QLYQS_63
为医院候选病人所得疾病总个数，对应关系表为医生根据疾病发展规律事先设定；/>
Figure QLYQS_57
为在第/>
Figure QLYQS_59
天第/>
Figure QLYQS_50
个疾病可能性预测值。
8.根据权利要求7所述的一种医院信息科用医疗信息卡数据识别方法，其特征在于：所述S502包括既往病史推测策略，包括以下具体步骤：病史预测单元根据疾病可能性预测值，推测候选病人姓名集合中病人姓名对应的既往病史，推测方法为：如果
Figure QLYQS_69
，则将第/>
Figure QLYQS_72
个疾病作为该病人的既往病史，其中，/>
Figure QLYQS_74
表示第/>
Figure QLYQS_68
个疾病的既往病史判断阈值，表示当第/>
Figure QLYQS_70
个疾病可能性预测值大于第/>
Figure QLYQS_73
个疾病的既往病史判断阈值，则认定第/>
Figure QLYQS_75
个疾病为既往病史，最终得到候选病人姓名集合中病人姓名对应的预测既往病史/>
Figure QLYQS_67
，表示第/>
Figure QLYQS_71
个候选病人姓名对应的预测既往病史，并将预测既往病史传输至计算单元。
9.根据权利要求8所述的一种医院信息科用医疗信息卡数据识别方法，其特征在于：所述S503包括相似度计算策略，包括以下具体步骤：计算单元根据候选病人姓名集合中病人姓名对应的既往病史
Figure QLYQS_79
与病人信息数据中的既往病史/>
Figure QLYQS_81
计算相似度/>
Figure QLYQS_84
，计算公式为
Figure QLYQS_78
，其中，/>
Figure QLYQS_82
为相似度，表示第/>
Figure QLYQS_85
个候选病人姓名对应的既往病史与病人信息数据中的既往病史的相似程度，/>
Figure QLYQS_87
为病人信息数据中的既往病史中的疾病个数，/>
Figure QLYQS_76
为1到/>
Figure QLYQS_80
任意一个实数，/>
Figure QLYQS_83
表示在病人信息数据中的既往病史中的第/>
Figure QLYQS_86
个疾病是否在第
Figure QLYQS_77
个候选病人姓名对应的预测既往病史中存在，如果存在，则为1，否则为0。/>
CN202310342869.3A 2023-04-03 2023-04-03 一种医院信息科用医疗信息卡数据识别系统和方法 Active CN116072303B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310342869.3A CN116072303B (zh) 2023-04-03 2023-04-03 一种医院信息科用医疗信息卡数据识别系统和方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310342869.3A CN116072303B (zh) 2023-04-03 2023-04-03 一种医院信息科用医疗信息卡数据识别系统和方法

Publications (2)

Publication Number Publication Date
CN116072303A CN116072303A (zh) 2023-05-05
CN116072303B true CN116072303B (zh) 2023-06-02

Family

ID=86175316

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310342869.3A Active CN116072303B (zh) 2023-04-03 2023-04-03 一种医院信息科用医疗信息卡数据识别系统和方法

Country Status (1)

Country Link
CN (1) CN116072303B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105096028A (zh) * 2014-11-20 2015-11-25 北京航天金盾科技有限公司 一种人口数据的智能匹配方法
CN106021964A (zh) * 2016-06-30 2016-10-12 安徽易联众信息技术有限公司 一种医疗信息智能管理系统
CN108877873A (zh) * 2018-01-08 2018-11-23 上海铱硙医疗科技有限公司 通用医疗系统
CN111223541A (zh) * 2020-01-10 2020-06-02 王利 一种新生儿信息匹配方法、装置及终端设备
CN112233740A (zh) * 2020-09-28 2021-01-15 广州金域医学检验中心有限公司 患者身份识别方法、装置、设备和介质
CN112885420A (zh) * 2021-02-19 2021-06-01 云南达远软件有限公司 一种电子病历智能管理系统
CN113742348A (zh) * 2021-09-07 2021-12-03 上海柯林布瑞信息技术有限公司 Cdr系统中的患者数据匹配方法、主索引建立方法及装置
CN114611147A (zh) * 2022-03-15 2022-06-10 北京盛世信安科技有限公司 一种姓名字段脱敏处理方法、系统、装置及存储介质
CN115827956A (zh) * 2022-12-14 2023-03-21 达而观科技(北京)有限公司 一种数据信息检索方法、装置、电子设备及存储介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3596620A4 (en) * 2017-03-13 2020-12-23 Chartspan Medical Technologies, Inc. INTEROPERABLES DATA SET MATCHING PROCEDURE

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105096028A (zh) * 2014-11-20 2015-11-25 北京航天金盾科技有限公司 一种人口数据的智能匹配方法
CN106021964A (zh) * 2016-06-30 2016-10-12 安徽易联众信息技术有限公司 一种医疗信息智能管理系统
CN108877873A (zh) * 2018-01-08 2018-11-23 上海铱硙医疗科技有限公司 通用医疗系统
CN111223541A (zh) * 2020-01-10 2020-06-02 王利 一种新生儿信息匹配方法、装置及终端设备
CN112233740A (zh) * 2020-09-28 2021-01-15 广州金域医学检验中心有限公司 患者身份识别方法、装置、设备和介质
CN112885420A (zh) * 2021-02-19 2021-06-01 云南达远软件有限公司 一种电子病历智能管理系统
CN113742348A (zh) * 2021-09-07 2021-12-03 上海柯林布瑞信息技术有限公司 Cdr系统中的患者数据匹配方法、主索引建立方法及装置
CN114611147A (zh) * 2022-03-15 2022-06-10 北京盛世信安科技有限公司 一种姓名字段脱敏处理方法、系统、装置及存储介质
CN115827956A (zh) * 2022-12-14 2023-03-21 达而观科技(北京)有限公司 一种数据信息检索方法、装置、电子设备及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于IHE PIX的MPI研究及其在医院的应用分析;李维;陈祁;;医疗卫生装备(第06期);50-52+55 *

Also Published As

Publication number Publication date
CN116072303A (zh) 2023-05-05

Similar Documents

Publication Publication Date Title
CN110085307B (zh) 一种基于多源知识图谱融合的智能导诊方法和系统
WO2021139146A1 (zh) 信息推荐方法、设备、计算机可读存储介质及装置
US8799269B2 (en) Optimizing map/reduce searches by using synthetic events
Merriam et al. Risk for postpartum hemorrhage, transfusion, and hemorrhage-related morbidity at low, moderate, and high volume hospitals
CA2964269A1 (en) Identification of codable sections in medical documents
Haas et al. Overcoming barriers to population-based injury research: development and validation of an ICD-10–to–AIS algorithm
White et al. Evaluation of the feasibility of screening patients for early signs of lung carcinoma in web search logs
CN102947832A (zh) 患者记录的身份匹配
US20130262474A1 (en) Methods, apparatuses and computer program products for facilitating location and retrieval of health informtion in a healthcare system
CN111564223A (zh) 传染病生存概率的预测方法、预测模型的训练方法及装置
CN108461130B (zh) 就诊任务智能调度方法及系统
US11848100B2 (en) Automatic clinical report generation
US10936962B1 (en) Methods and systems for confirming an advisory interaction with an artificial intelligence platform
CN110471941B (zh) 自动定位判断依据的方法、装置及电子设备
CN115862831A (zh) 一种智能在线预约诊疗管理系统及方法
Mayampurath et al. External validation of an acute respiratory distress syndrome prediction model using radiology reports
Movva et al. Coarse race data conceals disparities in clinical risk score performance
CN116072303B (zh) 一种医院信息科用医疗信息卡数据识别系统和方法
Burd et al. Predicting hospital mortality among injured children using a national trauma database
EP3341870B1 (en) System and methods for extracting infiltrate information from imaging reports for disease decision support applications
CN111916193A (zh) 智能就医方法、装置、计算机设备及存储介质
Henao et al. Patient clustering with uncoded text in electronic medical records
CN115700826A (zh) 单据处理、单据展示方法、装置、计算机设备和存储介质
CN114664458A (zh) 患者分类装置、计算机设备及存储介质
CN113990514A (zh) 医师诊疗行为的异常检测装置、计算机设备及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant