CN116127402B - 一种融合icd层级特征的drg自动分组方法及系统 - Google Patents
一种融合icd层级特征的drg自动分组方法及系统 Download PDFInfo
- Publication number
- CN116127402B CN116127402B CN202211094495.XA CN202211094495A CN116127402B CN 116127402 B CN116127402 B CN 116127402B CN 202211094495 A CN202211094495 A CN 202211094495A CN 116127402 B CN116127402 B CN 116127402B
- Authority
- CN
- China
- Prior art keywords
- icd
- drg
- layer
- code
- neural network
- 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
Links
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
- 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
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
-
- 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
本发明公开了一种融合ICD层级特征的DRG自动分组方法及系统,该方法包括:基于历史的病例数据和结算信息构建训练集;将训练集进行特征编码;构建融合ICD编码层级特征的浅层神经网络模型,并利用特征编码后的训练集对其进行迭代训练,直至训练完毕;将待分组的病例数据输入到训练好的融合ICD层级特征的浅层神经网络模型中,得到对应的DRG分组编码。本发明将医学领域知识与数据驱动的人工智能技术相结合,构建了精准普适的DRG自动分组方法,可助力于医疗服务质量评估和医保支付管理。
Description
技术领域
本发明属于医学人工智能领域,具体是涉及一种融合ICD层级特征的DRG自动分组方法及系统。
背景技术
为深化医保支付方式改革,我国多个城市已推进按疾病诊断相关分组(DiagnosisRelated Groups,DRG)进行医保付费的工作。DRG本质上是一种病例组合分类方案,核心是以病例的诊断和手术/操作为基本依据,综合考虑病例的个体特征,将临床过程相近、费用消耗相似的病例分到同一DRG分组中,以期实现医、保、患三方共赢。但是目前医院DRG分组系统的分组结果与医保局反馈入组结果存在一定差距,导致不必要的医疗资源浪费或医疗支出无法得到合理补偿。
公开号为CN111048190A的中国专利文献公开了一种基于人工智能的DRG分组方法,包括:1)获取病案数据与结算数据,利用AI技术自动获取数据特征集,并对获取数据进行裁剪处理;2)按照主诊断分为26个MDC,结合主要手术操作,对其中25个MDC进行细分获得ADRG;3)在ADRG的基础上结合CC、MCC,将ADRG进一步细分成三组;4)在特征集中选择核心特征因子,利用聚类算法分别对ADRG细分三组的病案数据进行聚类,若干类得到DRG;5)利用决策森林对聚类后的DRG进行处理,合并部分分组,获得最终DRG分组。
现有方法利用人工智能技术有效避免了传统方法高度依赖人工经验的问题,但未能充分利用相关的领域知识,忽略了知识计算与推理,导致分组精度不高、应用效果较差等问题。因此,亟需设计一个融合领域知识的DRG分组方法,实现精准普适的DRG自动分组。
发明内容
为此,本发明所要解决的技术问题在于现有技术中DRG分组方法未能充分利用相关的领域知识,忽略了知识计算与推理,导致分组精度不高、应用效果较差等问题,从而本申请提出一种融合ICD层级特征的DRG自动分组方法及系统。该方法不依靠人工经验,使用浅层神经网络来自动学习和提取数据特征;同时引入领域知识,通过利用主诊断编码和主手术编码的ICD层级特征来丰富数据的向量表达,强化神经网络的知识计算和推理,最终得到精准普适的DRG自动分组器。
为达到上述目的,本发明的技术方案如下:
根据本发明的第一方面,提供一种融合ICD层级特征的DRG自动分组方法,该方法包括如下步骤:
S1:基于历史的病例数据和结算信息构建训练集;
S2:将训练集进行特征编码;
S3:构建融合ICD层级特征的浅层神经网络模型,并利用特征编码后的训练集对其进行迭代训练,直至训练完毕;
S4:将待分组的病例数据输入到训练好的融合ICD层级特征的浅层神经网络模型中,得到对应的DRG分组编码。
进一步地,所述步骤S1中:
训练集是从历史的病例数据和结算信息中获取的,且一条训练数据包含主诊断编码和主手术编码在内的自变量集合X,以及因变量DRG分组编码y。
进一步地,所述步骤S2具体包括如下步骤:
S21:将自变量集合X中的数值型变量进行归一化处理得到V1,将自变量集合X中的分类型变量进行独热编码得到V2;
S22:将步骤S21中的V1和V2进行拼接,得到自变量的特征编码[V1:V2];
S23:将DRG分组编码y进行独热编码,得到因变量的特征编码Y。
进一步地,所述步骤S3具体包括如下步骤:
S31:基于ICD-10代码的层级结构,获取主诊断编码的层级信息,包括章、节、类目代码和亚目代码;
S32:基于ICD-9-CM3代码的层级结构,获取主手术编码的层级信息,包括章、类目代码、亚目代码和细目代码;
S33:对步骤S31获得的主诊断编码的4层层级信息进行独热编码,并通过特征融合方法f进行融合,得到主诊断编码的层级特征V3;
S34:对步骤S32获得的主手术编码的4层层级信息进行独热编码,并通过特征融合方法f进行融合,得到主手术编码的层级特征V4;
S35:将步骤S22所得的[V1:V2]、步骤S33所得的V3和步骤S34所得的V4进行拼接,得到融合ICD层级特征的向量V=[V1:V2:V3:V4];
S36:构建融合ICD层级特征的浅层神经网络模型,该模型包括输入层、特征学习层和输出层;其中,输入层为基于训练集的特征编码和基于ICD层级结构的层级特征;特征学习层由3层网络组成,特征学习层的第一层为一个卷积层,特征学习层的第二层由一个卷积层和池化层组成,特征学习层的第三层是一个全连接层;输出层由全连接层和softmax层组成。
S37:初始化融合ICD层级特征的浅层神经网络模型;
S38:将步骤S35所得的融合ICD层级特征的向量V输入到融合ICD层级特征的浅层神经网络模型中进行前向传播计算,得到预测分组编码
S39:根据真实的DRG分组编码Y和预测分组编码计算融合ICD层级特征的浅层神经网络模型的多分类交叉熵损失L,计算方式如下:
其中,N为训练集的总样本数,K为DRG分组编码的总类别数,代表第n个样本为第k类DRG分组编码的预测值,Yn,k代表第n个样本的真实标签为第k类DRG分组编码;
S310:将多分类交叉熵损失L进行反向传播来更新网络参数,直至达到最大迭代次数τ,最终得到训练好的融合ICD层级特征的浅层神经网络模型。
根据本发明的第二方面,提供一种融合ICD层级特征的DRG自动分组系统,该系统包括以下模块:
训练集构建模块:基于历史的病例数据和结算信息构建训练集;
特征编码模块:将训练集进行特征编码;
模型构建模块:构建融合ICD层级特征的浅层神经网络模型,并利用特征编码后的训练集对其进行迭代训练,直至训练完毕;
DRG分组模块:将待分组的病例数据输入到训练好的融合ICD层级特征的浅层神经网络模型中,得到对应的DRG分组编码。
根据本发明的第三方面,提供一种计算机设备,包括存储器和处理器,所述存储器中存储有计算机可读指令,所述计算机可读指令被所述处理器执行时,使得所述处理器执行上述融合ICD层级特征的DRG自动分组方法的步骤。
根据本发明的第四方面,提供一种存储有计算机可读指令的存储介质,所述计算机可读指令被一个或多个处理器执行时,使得一个或多个处理器执行上述融合ICD层级特征的DRG自动分组方法的步骤。
本发明的有益效果在于:本发明利用浅层神经网络来自动学习和提取数据特征,无需依靠人工经验进行特征工程;引入领域知识,利用主诊断编码和主手术编码的ICD层级特征来丰富数据的向量表达,强化浅层神经网络的知识计算和推理;将领域知识与数据驱动的人工智能技术相结合,具有较强的普适性和推广性,可获得精准的DRG分组结果,进而助力于医疗服务质量评估和医保支付管理。
附图说明
图1为本发明一种融合ICD层级特征的DRG自动分组方法的流程图。
图2为本发明融合ICD层级特征的浅层神经网络的模型框架图。
图3为本发明实施例中DGR分组算法的性能比较图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步详细说明,应当理解,此处描述的具体实施方式仅仅用以解释本发明,并不用于限定本发明。
如图1所示,本发明提出的一种融合ICD层级特征的DRG自动分组方法,包括如下步骤:
S1:基于历史的病例数据和结算信息构建训练集。在本实施例中,DRG数据集是从某医院的历史病例数据和结算信息中获取的,共190141条。其中,一条数据的自变量集合X包含主诊断编码、主手术编码、次诊断编码、次手术编码、是否有主手术、次诊断的个数、次手术的个数、住院天数、医疗总费用,因变量y为DRG分组编码。在实验中,按照1:3的比例将数据集划分为测试集和训练集。
S2:将训练集进行特征编码。该步骤具体包括以下子步骤:
S21:将自变量集合X中的数值型变量(次诊断的个数、次手术的个数、住院天数、医疗总费用)进行归一化处理得到V1,将自变量集合X中的分类型变量(主诊断编码、主手术编码、次诊断编码、次手术编码、是否有主手术)进行独热编码得到V2;
S22:将步骤S21中的V1和V2进行拼接,得到自变量的特征编码[V1:V2];
S23:将DRG分组编码y进行独热编码,得到因变量的特征编码Y。
S3:构建融合ICD层级特征的浅层神经网络模型,并利用特征编码后的训练集对其进行迭代训练,直至训练完毕。该步骤具体包括以下子步骤:
S31:基于ICD-10代码的层级结构,根据国家医疗保障局发布的《ICD-10医保2.0版》获取主诊断编码的层级信息,包括章、节代码;
S32:基于ICD-9-CM3代码的层级结构,根据国家医疗保障局发布的《ICD-9-CM3医保2.0版》获取主手术编码的层级信息,包括章、类目代码;
S33:对步骤S31获得的主诊断编码的章、节代码两层层级信息进行独热编码,在本实施例中通过特征融合方法f=concat进行融合得到主诊断编码的层级特征V3;
S34:对步骤S32获得的主手术编码的章、类目代码两层层级信息进行独热编码,在本实施例中通过特征融合方法f=concat进行融合得到主手术编码的层级特征V4;
S35:将步骤S22所得的[V1:V2]、步骤S33所得的V3和步骤S34所得的V4进行拼接,得到融合ICD层级特征的向量V=[V1:V2:V3:V4];
S36:构建融合ICD层级特征的浅层神经网络模型,图3展示了模型框架图,包括输入层、特征学习层和输出层。其中,输入层为基于训练集的特征编码和基于ICD层级结构的层级特征;特征学习层由3层网络组成,特征学习层的第一层为一个卷积层,特征学习层的第二层由一个卷积层和池化层组成,特征学习层的第三层是一个全连接层;;输出层由全连接层和softmax层组成。
S37:初始化融合ICD层级特征的浅层神经网络模型;
S38:将步骤S35所得的融合ICD层级特征的向量V输入到融合ICD层级特征的浅层神经网络模型中进行前向传播计算,得到预测分组编码
S39:根据真实的DRG分组编码Y和预测分组编码计算融合ICD层级特征的浅层神经网络模型的多分类交叉熵损失L,计算方式如下:
其中,N为训练集的总样本数,K为DRG分组编码的总类别数,代表第n个样本为第k类DRG分组编码的预测值,Yn,k代表第n个样本的真实标签为第k类DRG分组编码。在本实施例中,训练集的总样本数N=142605和DRG分组编码的总类别数K=299。
S310:将多分类交叉熵损失L进行反向传播来更新网络参数,直至达到最大迭代次数τ=15,最终得到训练好的融合ICD层级特征的浅层神经网络模型。
S4:将待分组的病例数据输入到训练好的融合ICD层级特征的浅层神经网络模型中,得到对应的DRG分组编码。
本发明主要利用准确率和F1-score作为评判指标,且与主流的基于机器学习的DRG分组算法——随机森林进行了比较。表1和图3展示了这些算法模型在190141条实际DRG数据集上的准确率和F1分数。
表1 DGR分组算法的性能比较
算法 | 准确率 | F1-score |
随机森林 | 0.8421 | 0.8390 |
本发明提出的方法 | 0.9281 | 0.9279 |
从表1可以看出,与随机森林方法相比,本发明提出的融合ICD层级特征的DRG自动分组方法是一种更有效的DRG分组方法,且在190141条实际DRG数据集上的准确率和F1-score分别达到了92.81%和92.79%,比随机森林方法提高了10%左右,充分展示了本发明方法的优越性。
本实施例所述的一种融合ICD层级特征的DRG自动分组方法,无需依靠人工经验进行特征工程,而是使用浅层神经网络来自动学习和提取数据的特征;同时引入领域知识,利用主诊断编码和主手术编码的ICD层级特征来丰富数据的向量表达,强化浅层神经网络的知识计算和推理;将领域知识与数据驱动的人工智能技术相结合,具有较强的普适性和推广性,可获得精准的DRG分组结果,进而助力于医疗服务质量评估和医保支付管理。
在一个实施例中,提供一种融合ICD层级特征的DRG自动分组系统,该系统包括以下模块:
训练集构建模块:基于历史的病例数据和结算信息构建训练集;
特征编码模块:将训练集进行特征编码;
模型构建模块:构建融合ICD层级特征的浅层神经网络模型,并利用特征编码后的训练集对其进行迭代训练,直至训练完毕;
DRG分组模块:将待分组的病例数据输入到训练好的融合ICD层级特征的浅层神经网络模型中,得到对应的DRG分组编码。
在一个实施例中,提出了一种计算机设备,包括存储器和处理器,存储器中存储有计算机可读指令,计算机可读指令被处理器执行时,使得处理器执行上述各实施例中融合ICD层级特征的DRG自动分组方法中的步骤。
在一个实施例中,提出了一种存储有计算机可读指令的存储介质,计算机可读指令被一个或多个处理器执行时,使得一个或多个处理器执行上述各实施例中融合ICD层级特征的DRG自动分组方法中的步骤。其中,存储介质可以为非易失性存储介质。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序可以存储于一计算机可读存储介质中,存储介质可以包括:只读存储器(ROM,Read Only Memory)、随机存取存储器(RAM,RandomAccess Memory)、磁盘或光盘等。
以上所述仅为本说明书一个或多个实施例的较佳实施例而已,并不用以限制本说明书一个或多个实施例,凡在本说明书一个或多个实施例的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本说明书一个或多个实施例保护的范围之内。
Claims (4)
1.一种融合ICD层级特征的DRG自动分组方法,其特征在于,包括如下步骤:
S1:基于历史的病例数据和结算信息构建训练集,所述训练集是从历史的病例数据和结算信息中获取的,且一条训练数据包含主诊断编码、主手术编码次诊断编码、次手术编码、是否有主手术、次诊断的个数、次手术的个数、住院天数、医疗总费用在内的自变量集合X,以及因变量DRG分组编码y;
S2:将训练集进行特征编码,具体包括如下步骤:
S21:将自变量集合X中的数值型变量进行归一化处理得到V1,将自变量集合X中的分类型变量进行独热编码得到V2;
S22:将步骤S21中的V1和V2进行拼接,得到自变量的特征编码[V1:2];
S23:将DRG分组编码y进行独热编码,得到因变量的特征编码Y;
S3:构建融合ICD层级特征的浅层神经网络模型,并利用特征编码后的训练集对其进行迭代训练,直至训练完毕,具体包括如下步骤:
S31:基于ICD-10代码的层级结构,获取主诊断编码的层级信息,包括章、节、类目代码和亚目代码;
S32:基于ICD-9-CM3代码的层级结构,获取主手术编码的层级信息,包括章、类目代码、亚目代码和细目代码;
S33:对步骤S31获得的主诊断编码的4层层级信息进行独热编码,并通过特征融合方法f进行融合,得到主诊断编码的层级特征V3;
S34:对步骤S32获得的主手术编码的4层层级信息进行独热编码,并通过特征融合方法f进行融合,得到主手术编码的层级特征V4;
S35:将步骤S22所得的[V1:2]、步骤S33所得的V3和步骤S34所得的V4进行拼接,得到融合ICD层级特征的向量V=[V1:2:3:4];
S36:构建融合ICD层级特征的浅层神经网络模型,该模型包括输入层、特征学习层和输出层;其中,输入层为基于训练集的特征编码和基于ICD层级结构的层级特征;特征学习层由3层网络组成,特征学习层的第一层为一个卷积层,特征学习层的第二层由一个卷积层和池化层组成,特征学习层的第三层是一个全连接层;输出层由全连接层和softmax层组成;
S37:初始化融合ICD层级特征的浅层神经网络模型;
S38:将步骤S35所得的融合ICD层级特征的向量V输入到融合ICD层级特征的浅层神经网络模型中进行前向传播计算,得到预测分组编码
S39:根据真实的DRG分组编码Y和预测分组编码计算融合ICD层级特征的浅层神经网络模型的多分类交叉熵损失L,计算方式如下:
其中,N为训练集的总样本数,K为DRG分组编码的总类别数,代表第n个样本为第k类DRG分组编码的预测值,Yn,k代表第n个样本的真实标签为第k类DRG分组编码;
S310:将多分类交叉熵损失L进行反向传播来更新网络参数,直至达到最大迭代次数τ,最终得到训练好的融合ICD层级特征的浅层神经网络模型;
S4:将待分组的病例数据输入到训练好的融合ICD层级特征的浅层神经网络模型中,得到对应的DRG分组编码。
2.一种利用权利要求1所述方法实现的融合ICD层级特征的DRG自动分组系统,其特征在于,包括:
训练集构建模块:基于历史的病例数据和结算信息构建训练集;
特征编码模块:将训练集进行特征编码;
模型构建模块:构建融合ICD层级特征的浅层神经网络模型,并利用特征编码后的训练集对其进行迭代训练,直至训练完毕;
DRG分组模块:将待分组的病例数据输入到训练好的融合ICD层级特征的浅层神经网络模型中,得到对应的DRG分组编码。
3.一种计算机设备,包括存储器和处理器,所述存储器中存储有计算机可读指令,所述计算机可读指令被所述处理器执行时,使得所述处理器执行如权利要求1所述融合ICD层级特征的DRG自动分组方法的步骤。
4.一种存储有计算机可读指令的存储介质,所述计算机可读指令被一个或多个处理器执行时,使得一个或多个处理器执行如权利要求1所述融合ICD层级特征的DRG自动分组方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211094495.XA CN116127402B (zh) | 2022-09-08 | 2022-09-08 | 一种融合icd层级特征的drg自动分组方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211094495.XA CN116127402B (zh) | 2022-09-08 | 2022-09-08 | 一种融合icd层级特征的drg自动分组方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116127402A CN116127402A (zh) | 2023-05-16 |
CN116127402B true CN116127402B (zh) | 2023-08-22 |
Family
ID=86294385
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211094495.XA Active CN116127402B (zh) | 2022-09-08 | 2022-09-08 | 一种融合icd层级特征的drg自动分组方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116127402B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111048190A (zh) * | 2019-11-29 | 2020-04-21 | 挂号网(杭州)科技有限公司 | 一种基于人工智能的drg分组方法 |
CN111161814A (zh) * | 2019-12-18 | 2020-05-15 | 浙江大学 | 一种基于卷积神经网络的DRGs自动分组方法 |
CN111540468A (zh) * | 2020-04-21 | 2020-08-14 | 重庆大学 | 一种诊断原因可视化的icd自动编码方法与系统 |
CN113779180A (zh) * | 2021-09-29 | 2021-12-10 | 北京雅丁信息技术有限公司 | 一种地区drg分组模拟方法 |
CN114023412A (zh) * | 2021-11-23 | 2022-02-08 | 大连海事大学 | 基于联合学习和去噪机制的icd代码预测方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200227147A1 (en) * | 2019-01-10 | 2020-07-16 | 3M Innovative Properties Company | Automated generation of codes |
-
2022
- 2022-09-08 CN CN202211094495.XA patent/CN116127402B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111048190A (zh) * | 2019-11-29 | 2020-04-21 | 挂号网(杭州)科技有限公司 | 一种基于人工智能的drg分组方法 |
CN111161814A (zh) * | 2019-12-18 | 2020-05-15 | 浙江大学 | 一种基于卷积神经网络的DRGs自动分组方法 |
CN111540468A (zh) * | 2020-04-21 | 2020-08-14 | 重庆大学 | 一种诊断原因可视化的icd自动编码方法与系统 |
CN113779180A (zh) * | 2021-09-29 | 2021-12-10 | 北京雅丁信息技术有限公司 | 一种地区drg分组模拟方法 |
CN114023412A (zh) * | 2021-11-23 | 2022-02-08 | 大连海事大学 | 基于联合学习和去噪机制的icd代码预测方法及系统 |
Non-Patent Citations (1)
Title |
---|
Automatic ICD Code Assignment based on ICD’s Hierarchy Structure for Chinese Electronic Medical Records;Lingyu Cao et al.;《AMIA Joint Summits on Translational Science proceedings. AMIA Joint Summits on Translational Science》;第417-424页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116127402A (zh) | 2023-05-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112784092B (zh) | 一种混合融合模型的跨模态图像文本检索方法 | |
LU503448B1 (en) | Alignment Method, Device and Storage Medium for Entity of Multimodal Knowledge Graph | |
CN110188272B (zh) | 一种基于用户背景的社区问答网站标签推荐方法 | |
CN108459955B (zh) | 基于深度自编码网络的软件缺陷预测方法 | |
CN110674850A (zh) | 一种基于注意力机制的图像描述生成方法 | |
CN110097096B (zh) | 一种基于tf-idf矩阵和胶囊网络的文本分类方法 | |
CN111125520B (zh) | 一种面向新闻文本的基于深度聚类模型的事件线抽取方法 | |
CN114818703B (zh) | 基于BERT语言模型和TextCNN模型的多意图识别方法及系统 | |
CN114926150A (zh) | 一种变压器技术符合性评估数字化智能审核方法与装置 | |
CN115526236A (zh) | 一种基于多模态对比学习的文本网络图分类方法 | |
CN110299194B (zh) | 基于综合特征表示与改进宽深度模型的相似病例推荐方法 | |
Bhardwaj et al. | Health insurance amount prediction | |
CN110377909B (zh) | 一种客户反馈信息的分类方法及装置 | |
Lonij et al. | Open-world visual recognition using knowledge graphs | |
Tiruneh et al. | Feature selection for construction organizational competencies impacting performance | |
CN113920379A (zh) | 一种基于知识辅助的零样本图像分类方法 | |
CN111104492B (zh) | 一种基于层次化Attention机制的民航领域自动问答方法 | |
CN116127402B (zh) | 一种融合icd层级特征的drg自动分组方法及系统 | |
Shankar et al. | Analyzing attrition and performance of an employee using machine learning techniques | |
CN111143573A (zh) | 基于用户反馈信息进行知识图谱目标节点预测的方法 | |
CN115293827A (zh) | 一种助力企业精细化运营的模型可解释性分析新方法 | |
US20220405623A1 (en) | Explainable artificial intelligence in computing environment | |
CN112686306B (zh) | 基于图神经网络的icd手术分类自动匹配方法及系统 | |
CN114820074A (zh) | 基于机器学习的目标用户群体预测模型构建方法 | |
CN113835739A (zh) | 一种软件缺陷修复时间的智能化预测方法 |
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 |