CN116665865A - 基于大数据实现陪诊人员的信息智能管理方法及系统 - Google Patents
基于大数据实现陪诊人员的信息智能管理方法及系统 Download PDFInfo
- Publication number
- CN116665865A CN116665865A CN202310703247.9A CN202310703247A CN116665865A CN 116665865 A CN116665865 A CN 116665865A CN 202310703247 A CN202310703247 A CN 202310703247A CN 116665865 A CN116665865 A CN 116665865A
- Authority
- CN
- China
- Prior art keywords
- accompanying
- patient
- information
- staff
- vertexes
- 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.)
- Granted
Links
- 238000007726 management method Methods 0.000 title claims abstract description 22
- 238000013528 artificial neural network Methods 0.000 claims abstract description 29
- 238000000034 method Methods 0.000 claims abstract description 20
- 201000010099 disease Diseases 0.000 claims description 70
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 70
- 238000003745 diagnosis Methods 0.000 claims description 68
- 238000004364 calculation method Methods 0.000 claims description 17
- 238000010276 construction Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 abstract description 15
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 description 9
- 238000004590 computer program Methods 0.000 description 6
- 238000013473 artificial intelligence Methods 0.000 description 5
- 230000002776 aggregation Effects 0.000 description 4
- 238000004220 aggregation Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000006467 substitution reaction Methods 0.000 description 4
- 208000010392 Bone Fractures Diseases 0.000 description 2
- 206010017076 Fracture Diseases 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000004931 aggregating effect Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0499—Feedforward networks
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Business, Economics & Management (AREA)
- Computational Linguistics (AREA)
- General Business, Economics & Management (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Epidemiology (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明提供了一种基于大数据实现陪诊人员的信息智能管理方法及系统,其中,方法包括:通过患者的就诊信息和陪诊人员陪诊信息,对陪诊人员和患者进行分组匹配形式,构建第一样本图和第二样本图,输入前馈神经网络中,从而输出患者与陪诊人员的匹配信息。本发明的有益效果:可以使为患者匹配的陪诊人员提供与病情相关的服务,提高了用户的体验,并且提高患者的就医效率。
Description
技术领域
本发明涉及大数据领域,特别涉及一种基于大数据实现陪诊人员的信息智能管理方法及系统。
背景技术
随着老龄化社会的不断加剧、不少人员外出务工,导致子女与老人异地、异地就医的需求不断增大,陪诊成为了一种新兴的行业。目前陪诊员的工作内容主要包括代预约、代候诊、代取报告、代办理住院、代问诊等,逐渐成为异地子女陪伴父母就医的替代方案。同时,陪诊员的出现可以减轻看病难、提高就医效率等。
目前,由于陪诊人员的参差不齐,不少客户无法找到相关的陪诊员进行陪诊,从而导致患者选择的陪诊人员无法为患者提供与病情相关的服务。
发明内容
本发明的主要目的为提供一种基于大数据实现陪诊人员的信息智能管理方法及系统,旨在解决患者选择的陪诊人员无法为患者提供与病情相关的服务的问题。
本发明提供了一种基于大数据实现陪诊人员的信息智能管理方法,包括:
获取n位患者的就诊信息;其中,所述患者的就诊信息包括所述患者的疾病信息和第一位置信息;
根据所述就诊信息获取m位陪诊人员的陪诊信息,并计算患者与陪诊人员的相关度;其中,所述陪诊信息包括陪诊人员的专业技能信息以及第二位置信息,且m≥n;
根据所述陪诊人员的专业技能信息与所述患者的疾病信息之间的相关度构建每个陪诊人员与所述患者的第一样本图;其中,所述第一样本图包括多个第一顶点和第二顶点,所述第一顶点为患者,所述第二顶点为陪诊人员,所述第一样本图中标记了各个第一顶点至每个所述第二顶点的第一边,所述第一边的边长为对应第一顶点至第二顶点的相关度;
根据所述第一位置信息和所述第二位置信息计算患者至陪诊人员的距离,按照距离大小为每个患者选取预设数量的目标陪诊人员;
将每个患者连接预设数量的目标陪诊人员,构建第二样本图;其中,所述第二样本图中的包括多个第三顶点和第四顶点,所述第三顶点为患者,所述第四顶点为陪诊人员,所述第一样本图中标记了各个第三顶点至每个所述第四顶点的第二边,所述第二边的边长为对应第三顶点至第四顶点的距离值;
将各个所述第一样本图输入至预设的特征加权卷积网络中,得到第一样本数据,以及将所述第二样本图输入至预设的稀疏图卷积网络中,得到第二样本数据;
将所述第一样本数据和所述第二样本数据输入至预设的前馈神经网络中,以输出n位患者与m位陪诊人员的匹配信息;
根据匹配信息为患者推荐对应的陪诊人员,并将患者对应的疾病信息发送给所述陪诊人员。
进一步地,所述将所述第一样本数据和所述第二样本数据输入至预设的前馈神经网络中,以输出n位患者与m位陪诊人员的匹配信息的步骤,包括:
将所述第一样本数据至预设的前馈神经网络中的第一部分中,通过公式计算第一分值,以及将所述第二样本数据输入预设的前馈神经网络中的第二部分中,通过公式/>计算第二分值;其中,/>表示第一分值,/>表示第二分值,i表示第i位患者,j表示第j种患者与陪诊人员的匹配方案,Aij表示第j种方案中第i个患者与对应陪诊人员的第一样本数据,Bij表示第j种方案中第i个患者与对应陪诊人员的第二样本数据,Wij表示第j种方案中第i个患者与对应陪诊人员的预设权重值,a⊙b表示a与b的哈达玛积,P表示方案的总个数;
计算第一分值和第二分值的和值,并根据计算结果选取和值最大的n位患者与m位陪诊人员的匹配信息。
进一步地,所述计算患者与陪诊人员的相关度的步骤,包括:
通过公式计算患者与陪诊人员的相关度;其中,Sik表示第i位患者与第k位陪诊人员的相关度,xi表示第i位患者的疾病信息,xk表示第k位陪诊人员的专业技能信息,μ表示超参数,∈i表示与第i位患者所患疾病相关的缩放参数,ρ(xi,xk)表示xk与xi的欧式距离。
进一步地,所述根据所述就诊信息获取m位陪诊人员的陪诊信息的步骤,包括:
根据各个所述患者的疾病信息,得到各个患者所属的疾病类别;
根据各个疾病类别的数量,从预设的陪诊人员数据库中,找取具有所述疾病类别陪诊历史记录的目标陪诊人员;
从目标陪诊人员选取m位陪诊人员,并获取其陪诊信息。
进一步地,所述根据匹配信息为患者推荐对应的陪诊人员,并将患者对应的疾病信息发送给所述陪诊人员的步骤之后,还包括:
当所述患者接受所述陪诊人员后,接收患者输入的陪诊内容;
将所述陪诊内容输入至预设的陪诊模板中,以生成陪诊任务;
将所述陪诊任务发送至对应的陪诊人员。
本发明还提供了一种基于大数据实现陪诊人员的信息智能管理系统,包括:
获取模块,用于获取n位患者的就诊信息;其中,所述患者的就诊信息包括所述患者的疾病信息和第一位置信息;
第一计算模块,用于根据所述就诊信息获取m位陪诊人员的陪诊信息,并计算患者与陪诊人员的相关度;其中,所述陪诊信息包括陪诊人员的专业技能信息以及第二位置信息,且m≥n;
构建模块,用于根据所述陪诊人员的专业技能信息与所述患者的疾病信息之间的相关度构建每个陪诊人员与所述患者的第一样本图;其中,所述第一样本图包括多个第一顶点和第二顶点,所述第一顶点为患者,所述第二顶点为陪诊人员,所述第一样本图中标记了各个第一顶点至每个所述第二顶点的第一边,所述第一边的边长为对应第一顶点至第二顶点的相关度;
第二计算模块,用于根据所述第一位置信息和所述第二位置信息计算患者至陪诊人员的距离,按照距离大小为每个患者选取预设数量的目标陪诊人员;
连接模块,用于将每个患者连接预设数量的目标陪诊人员,构建第二样本图;其中,所述第二样本图中的包括多个第三顶点和第四顶点,所述第三顶点为患者,所述第四顶点为陪诊人员,所述第一样本图中标记了各个第三顶点至每个所述第四顶点的第二边,所述第二边的边长为对应第三顶点至第四顶点的距离值;
第一输入模块,用于将各个所述第一样本图输入至预设的特征加权卷积网络中,得到第一样本数据,以及将所述第二样本图输入至预设的稀疏图卷积网络中,得到第二样本数据;
第二输入模块,用于将所述第一样本数据和所述第二样本数据输入至预设的前馈神经网络中,以输出n位患者与m位陪诊人员的匹配信息;
发送模块,用于根据匹配信息为患者推荐对应的陪诊人员,并将患者对应的疾病信息发送给所述陪诊人员。
进一步地,所述第二输入模块,包括:
输入子模块,用于将所述第一样本数据至预设的前馈神经网络中的第一部分中,通过公式计算第一分值,以及将所述第二样本数据输入预设的前馈神经网络中的第二部分中,通过公式/>计算第二分值;其中,/>表示第一分值,/>表示第二分值,i表示第i位患者,j表示第j种患者与陪诊人员的匹配方案,Aij表示第j种方案中第i个患者与对应陪诊人员的第一样本数据,Bij表示第j种方案中第i个患者与对应陪诊人员的第二样本数据,Wij表示第j种方案中第i个患者与对应陪诊人员的预设权重值,a⊙b表示a与b的哈达玛积,P表示方案的总个数;
计算子模块,用于计算第一分值和第二分值的和值,并根据计算结果选取和值最大的n位患者与m位陪诊人员的匹配信息。
进一步地,所述第一计算模块,包括:
相关度计算子模块,用于通过公式计算患者与陪诊人员的相关度;其中,Sik表示第i位患者与第k位陪诊人员的相关度,xi表示第i位患者的疾病信息,xk表示第k位陪诊人员的专业技能信息,μ表示超参数,∈i表示与第i位患者所患疾病相关的缩放参数,ρ(xi,xk)表示xk与xi的欧式距离。
进一步地,所述第一计算模块,包括:
疾病类别获取子模块,用于根据各个所述患者的疾病信息,得到各个患者所属的疾病类别;
找取子模块,用于根据各个疾病类别的数量,从预设的陪诊人员数据库中,找取具有所述疾病类别陪诊历史记录的目标陪诊人员;
陪诊信息获取子模块,用于从目标陪诊人员选取m位陪诊人员,并获取其陪诊信息。
进一步地,所述基于大数据实现陪诊人员的信息智能管理系统,还包括:
接收模块,用于当所述患者接受所述陪诊人员后,接收患者输入的陪诊内容;
生成模块,用于将所述陪诊内容输入至预设的陪诊模板中,以生成陪诊任务;
发送模块,用于将所述陪诊任务发送至对应的陪诊人员。
本发明的有益效果:通过患者的就诊信息和陪诊人员陪诊信息,对陪诊人员和患者进行分组匹配形式,构建第一样本图和第二样本图,输入前馈神经网络中,从而输出患者与陪诊人员的匹配信息,从而可以使为患者匹配的陪诊人员提供与病情相关的服务,极大地提高了用户的体验,并且可以提高患者的就医效率。
附图说明
图1是本发明一实施例的一种基于大数据实现陪诊人员的信息智能管理方法的流程示意图;
图2是本发明一实施例的一种基于大数据实现陪诊人员的信息智能管理系统的结构示意框图;
图3为本申请一实施例的计算机设备的结构示意框图。
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
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,所描述的实施例仅仅是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
需要说明,本发明实施例中所有方向性指示(诸如上、下、左、右、前、后等)仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等,如果该特定姿态发生改变时,则该方向性指示也相应地随之改变,所述的连接可以是直接连接,也可以是间接连接。
本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。
另外,在本发明中如涉及“第一”、“第二”等的描述仅用于描述目的,而不能理解为指示或暗示其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。另外,各个实施例之间的技术方案可以相互结合,但是必须是以本领域普通技术人员能够实现为基础,当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在,也不在本发明要求的保护范围之内。
参照图1,本发明提出一种基于大数据实现陪诊人员的信息智能管理方法,一种基于大数据实现陪诊人员的信息智能管理方法,包括:
S1:获取n位患者的就诊信息;其中,所述患者的就诊信息包括所述患者的疾病信息和第一位置信息;
S2:根据所述就诊信息获取m位陪诊人员的陪诊信息,并计算患者与陪诊人员的相关度;其中,所述陪诊信息包括陪诊人员的专业技能信息以及第二位置信息,且m≥n;
S3:根据所述陪诊人员的专业技能信息与所述患者的疾病信息之间的相关度构建每个陪诊人员与所述患者的第一样本图;其中,所述第一样本图包括多个第一顶点和第二顶点,所述第一顶点为患者,所述第二顶点为陪诊人员,所述第一样本图中标记了各个第一顶点至每个所述第二顶点的第一边,所述第一边的边长为对应第一顶点至第二顶点的相关度;
S4:根据所述第一位置信息和所述第二位置信息计算患者至陪诊人员的距离,按照距离大小为每个患者选取预设数量的目标陪诊人员;
S5:将每个患者连接预设数量的目标陪诊人员,构建第二样本图;其中,所述第二样本图中的包括多个第三顶点和第四顶点,所述第三顶点为患者,所述第四顶点为陪诊人员,所述第一样本图中标记了各个第三顶点至每个所述第四顶点的第二边,所述第二边的边长为对应第三顶点至第四顶点的距离值;
S6:将各个所述第一样本图输入至预设的特征加权卷积网络中,得到第一样本数据,以及将所述第二样本图输入至预设的稀疏图卷积网络中,得到第二样本数据;
S7:将所述第一样本数据和所述第二样本数据输入至预设的前馈神经网络中,以输出n位患者与m位陪诊人员的匹配信息;
S8:根据匹配信息为患者推荐对应的陪诊人员,并将患者对应的疾病信息发送给所述陪诊人员。
如上述步骤S1所述,获取n位患者的就诊信息,其中,本申请以n位患者为一组,按照组别为患者推荐对应的陪诊人员,n为预设的数量,其可以是5个也可以是10个,具体根据业务大小进行确定,需要说明的是,当n越大,其后续推荐的陪诊人员相对所有的患者而言是更好的,可以满足大多数患者的需要,当n越小,为单个患者推荐的人员可能是比较好的,但是难以满足大多数患者的需求,另外,患者的疾病信息为患者的所患有的疾病信息,其可以包括这次问诊的疾病信息,也可以是患者已有的疾病信息,在一些具体的实施例中,若患者无法说出相关的疾病名称,疾病信息还可以是患者描述病情信息,另外,第一位置信息可以指患者所在的位置信息,还可以是医院信息,前者需要陪诊人员从家里出发去医院,后者可以是直接在医院进行集合,因此,患者对应的第一位置信息需要患者自行确定,或者选择。
如上述步骤S2所述,根据所述就诊信息获取m位陪诊人员的陪诊信息,并计算患者与陪诊人员的相关度;其中,所述陪诊信息包括陪诊人员的专业技能信息以及第二位置信息,且m≥n;其中,m位陪诊人员可以预先根据患者的就诊信息进行初步选取,选取的方式可以是根据患者的疾病信息来进行选择,例如,患者为骨折患者,那么可以挑选处陪诊过骨折患者的陪诊人员,则获取m为陪诊人员,患者与陪诊人员的相关度,可以是根据陪诊人员的专业技能信息与患者的疾病信息进行相关度的计算,具体地计算方式可以是预先构建专业技能信息对应的疾病信息,然后通过相似度计算公式进行计算,在一个优选的实施例中,后续有计算相关度的具体公式,本申请不再赘述。
如上述步骤S3所述,根据所述陪诊人员的专业技能信息与所述患者的疾病信息之间的相关度构建每个陪诊人员与所述患者的第一样本图,即实现了信息的聚集,将各个相关度以样本图的形式进行聚集,在后续的学习过程中,可以保证顶点之间的距离是一致的,避免后续模型计算过程中出现误算,提高后续前馈神经网络的计算准确性。
如上述步骤S4-S5所述,根据所述第一位置信息和所述第二位置信息计算患者至陪诊人员的距离,按照距离大小为每个患者选取预设数量的目标陪诊人员;将每个患者连接预设数量的目标陪诊人员,构建第二样本图。同理,由于患者和陪诊人员的距离也是一个重要的参考因素,陪诊人员一般不可能远距离对患者进行服务,因此,将距离作为变成,得到第二样本图,也可以提高后续前馈神经网络的计算准确性。
如上述步骤S6所述,将各个所述第一样本图输入至预设的特征加权卷积网络中,得到第一样本数据,以及将所述第二样本图输入至预设的稀疏图卷积网络中,得到第二样本数据。其中,预设的特征加权卷积网络可以进行样本空间的信息聚集,其具体地,可以通过公式hi=w⊙xi进行聚集,其中,w为预设的权重参数,xi表示第一样本数据中的第i个边长,hi表示第i个边长对应的样本数据;从而可以得到第一样本数据,稀疏图卷积网络中接收了第二样本图后,通过公式H=σ(X(B⊙W)),其中,H表示该第二样本数据,X表示对应的第二样本图,σ为预设的参数,B表示对应第二样本图基于第二边构建的邻接矩阵,W表示预设的参数,在完成特征空间的信息聚集后,为每一个样本赋予不同的权重,从而让后续在样本空间进行信息聚集时所涉及的样本都不太相似。值得注意的是,在完成两个空间的信息聚集后,本发明使用前馈神经网络(Feedforward Neural Network,FNN)进行后续的表征以适应不同的任务。
如上述步骤S7所述,将所述第一样本数据和所述第二样本数据输入至预设的前馈神经网络中,以输出n位患者与m位陪诊人员的匹配信息,其中,前馈神经网络包括两个部分,然后每一个部分分别接收对应的第一样本数据或第二样本数据,用于计算n位患者与m位陪诊人员的匹配值,并使最终的值达到最大,将此时的患者与陪诊人员的对应匹配关系进行输出。
如上述步骤S8所述,根据匹配信息为患者推荐对应的陪诊人员,并将患者对应的疾病信息发送给所述陪诊人员,在匹配完成后,对患者进行匹配,其中,若患者不满意,则将患者计入下一组匹配计算中,并将对应的陪诊人员从下一组预匹配的m位陪诊人员中删除,以提高匹配效率。从而实现了根据患者病情以及对应的位置,为患者提供与其病情相关的陪诊人员,极大地提高了陪诊人员的陪诊效率,以及可以为患者提供更好的服务。
在一个实施例中,所述将所述第一样本数据和所述第二样本数据输入至预设的前馈神经网络中,以输出n位患者与m位陪诊人员的匹配信息的步骤S7,包括:
S701:将所述第一样本数据至预设的前馈神经网络中的第一部分中,通过公式计算第一分值,以及将所述第二样本数据输入预设的前馈神经网络中的第二部分中,通过公式/>计算第二分值;其中,/>表示第一分值,/>表示第二分值,i表示第i位患者,j表示第j种患者与陪诊人员的匹配方案,Aij表示第j种方案中第i个患者与对应陪诊人员的第一样本数据,Bij表示第j种方案中第i个患者与对应陪诊人员的第二样本数据,Wij表示第j种方案中第i个患者与对应陪诊人员的预设权重值,a⊙b表示a与b的哈达玛积,P表示方案的总个数;
S702:计算第一分值和第二分值的和值,并根据计算结果选取和值最大的n位患者与m位陪诊人员的匹配信息。
如上述步骤S701-S702所述,实现了对患者与陪诊人员的匹配。具体地,计算第一分值和第二分值都是对分子部分进行重要性的缩放,使第一分值和第二分值所求的值为相对重要性,在通过相加的方式作为最终的和值,以作为患者与陪诊人员的匹配关系,从而可以选取一个总体的最优值作为患者与陪诊人员的匹配,另外,需要说明的是,第j中方案为患者与陪诊人员的预匹配方案,即为每个患者进行预匹配所形成的方案,其可以包括多个,在一些较佳的实施例中,该预匹配是根据其对应的技能信息进行匹配的较佳的方案,即P可以是所有的匹配方案,也可以是一些较佳的匹配方案。
在一个实施例中,所述计算患者与陪诊人员的相关度的步骤S2,包括:
S201:通过公式计算患者与陪诊人员的相关度;其中,Sik表示第i位患者与第k位陪诊人员的相关度,xi表示第i位患者的疾病信息,xk表示第k位陪诊人员的专业技能信息,μ表示超参数,∈i表示与第i位患者所患疾病相关的缩放参数,μ(xi,xk)表示xk与xi的欧式距离。
如上述步骤S201所述,通过公式计算患者与陪诊人员的相关度;其中,μ表示超参数,其取值为0.3-0.8,/>mean(ρ(xi,Ni))表示第i为患者至每个陪诊人员的欧式距离的平均值,其衡量了所有患者之间的相似性,使所求的相关度更加准确。
在一个实施例中,所述根据所述就诊信息获取m位陪诊人员的陪诊信息的步骤S2,包括:
S211:根据各个所述患者的疾病信息,得到各个患者所属的疾病类别;
S212:根据各个疾病类别的数量,从预设的陪诊人员数据库中,找取具有所述疾病类别陪诊历史记录的目标陪诊人员;
S213:从目标陪诊人员选取m位陪诊人员,并获取其陪诊信息。
如上述步骤S211-S213所述,实现了对m位陪诊人员的筛选,即每个患者所患有的疾病都具有一个疾病类别,然后根据疾病类别的数量,从预设的陪诊人员数据库中,找取具有所述疾病类别陪诊历史记录的目标陪诊人员,再从其中筛选m位陪诊人员,从而可以使筛选的陪诊人员都可以符合患者的需求,从而提高了m位陪诊人员与患者的匹配度,更加满足患者的需求。
在一个实施例中,所述根据匹配信息为患者推荐对应的陪诊人员,并将患者对应的疾病信息发送给所述陪诊人员的步骤S8之后,还包括:
S901:当所述患者接受所述陪诊人员后,接收患者输入的陪诊内容;
S902:将所述陪诊内容输入至预设的陪诊模板中,以生成陪诊任务;
S903:将所述陪诊任务发送至对应的陪诊人员。
如上述步骤S901-S903所述,当所述患者接受所述陪诊人员后,接收患者输入的陪诊内容,将所述陪诊内容输入至预设的陪诊模板中,以生成陪诊任务,将所述陪诊任务发送至对应的陪诊人员,其中,患者对于自身的需求会进行提交意见,为了使陪诊人员可以更好的了解自己的工作内容,使陪诊人员更具有专业性,因此,在接收患者输入的陪诊内容后,可以根据实际情况,利用预设语言模型生成陪诊任务,从而可以提高陪诊人员的工作效率,避免在陪诊过程中发生遗漏,提高患者的体验。
参照图2,本发明还提供了一种基于大数据实现陪诊人员的信息智能管理系统,包括:
获取模块10,用于获取n位患者的就诊信息;其中,所述患者的就诊信息包括所述患者的疾病信息和第一位置信息;
第一计算模块20,用于根据所述就诊信息获取m位陪诊人员的陪诊信息,并计算患者与陪诊人员的相关度;其中,所述陪诊信息包括陪诊人员的专业技能信息以及第二位置信息,且m≥n;
构建模块30,用于根据所述陪诊人员的专业技能信息与所述患者的疾病信息之间的相关度构建每个陪诊人员与所述患者的第一样本图;其中,所述第一样本图包括多个第一顶点和第二顶点,所述第一顶点为患者,所述第二顶点为陪诊人员,所述第一样本图中标记了各个第一顶点至每个所述第二顶点的第一边,所述第一边的边长为对应第一顶点至第二顶点的相关度;
第二计算模块40,用于根据所述第一位置信息和所述第二位置信息计算患者至陪诊人员的距离,按照距离大小为每个患者选取预设数量的目标陪诊人员;
连接模块50,用于将每个患者连接预设数量的目标陪诊人员,构建第二样本图;其中,所述第二样本图中的包括多个第三顶点和第四顶点,所述第三顶点为患者,所述第四顶点为陪诊人员,所述第一样本图中标记了各个第三顶点至每个所述第四顶点的第二边,所述第二边的边长为对应第三顶点至第四顶点的距离值;
第一输入模块60,用于将各个所述第一样本图输入至预设的特征加权卷积网络中,得到第一样本数据,以及将所述第二样本图输入至预设的稀疏图卷积网络中,得到第二样本数据;
第二输入模块70,用于将所述第一样本数据和所述第二样本数据输入至预设的前馈神经网络中,以输出n位患者与m位陪诊人员的匹配信息;
发送模块80,用于根据匹配信息为患者推荐对应的陪诊人员,并将患者对应的疾病信息发送给所述陪诊人员。
进一步地,所述第二输入模块70,包括:
输入子模块,用于将所述第一样本数据至预设的前馈神经网络中的第一部分中,通过公式计算第一分值,以及将所述第二样本数据输入预设的前馈神经网络中的第二部分中,通过公式/>计算第二分值;其中,/>表示第一分值,/>表示第二分值,i表示第i位患者,j表示第j种患者与陪诊人员的匹配方案,Aij表示第j种方案中第i个患者与对应陪诊人员的第一样本数据,Bij表示第j种方案中第i个患者与对应陪诊人员的第二样本数据,Wij表示第j种方案中第i个患者与对应陪诊人员的预设权重值,a⊙b表示a与b的哈达玛积,P表示方案的总个数;
计算子模块,用于计算第一分值和第二分值的和值,并根据计算结果选取和值最大的n位患者与m位陪诊人员的匹配信息。
在一个实施例中,所述第一计算模块20,包括:
相关度计算子模块,用于通过公式计算患者与陪诊人员的相关度;其中,Sik表示第i位患者与第k位陪诊人员的相关度,xi表示第i位患者的疾病信息,xk表示第k位陪诊人员的专业技能信息,μ表示超参数,∈i表示与第i位患者所患疾病相关的缩放参数,ρ(xi,xk)表示xk与xi的欧式距离。
在一个实施例中,所述第一计算模块20,包括:
疾病类别获取子模块,用于根据各个所述患者的疾病信息,得到各个患者所属的疾病类别;
找取子模块,用于根据各个疾病类别的数量,从预设的陪诊人员数据库中,找取具有所述疾病类别陪诊历史记录的目标陪诊人员;
陪诊信息获取子模块,用于从目标陪诊人员选取m位陪诊人员,并获取其陪诊信息。
在一个实施例中,所述基于大数据实现陪诊人员的信息智能管理系统,还包括:
接收模块,用于当所述患者接受所述陪诊人员后,接收患者输入的陪诊内容;
生成模块,用于将所述陪诊内容输入至预设的陪诊模板中,以生成陪诊任务;
发送模块,用于将所述陪诊任务发送至对应的陪诊人员。
本发明的有益效果:通过患者的就诊信息和陪诊人员陪诊信息,对陪诊人员和患者进行分组匹配形式,构建第一样本图和第二样本图,输入前馈神经网络中,从而输出患者与陪诊人员的匹配信息,从而可以使为患者匹配的陪诊人员提供与病情相关的服务,极大地提高了用户的体验,并且可以提高患者的就医效率。
参照图3,本申请实施例中还提供一种计算机设备,该计算机设备可以是服务器,其内部结构可以如图3所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设计的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储各种就诊信息等。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时可以实现上述任一实施例所述的基于大数据实现陪诊人员的信息智能管理方法。
本领域技术人员可以理解,图3中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定。
本申请实施例还提供一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时可以实现上述任一实施例所述的基于大数据实现陪诊人员的信息智能管理方法。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的和实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可以包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM一多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
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。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的权利要求范围之内。
Claims (10)
1.一种基于大数据实现陪诊人员的信息智能管理方法,其特征在于,包括:
获取n位患者的就诊信息;其中,所述患者的就诊信息包括所述患者的疾病信息和第一位置信息;
根据所述就诊信息获取m位陪诊人员的陪诊信息,并计算患者与陪诊人员的相关度;其中,所述陪诊信息包括陪诊人员的专业技能信息以及第二位置信息,且m≥n;
根据所述陪诊人员的专业技能信息与所述患者的疾病信息之间的相关度构建每个陪诊人员与所述患者的第一样本图;其中,所述第一样本图包括多个第一顶点和第二顶点,所述第一顶点为患者,所述第二顶点为陪诊人员,所述第一样本图中标记了各个第一顶点至每个所述第二顶点的第一边,所述第一边的边长为对应第一顶点至第二顶点的相关度;
根据所述第一位置信息和所述第二位置信息计算患者至陪诊人员的距离,按照距离大小为每个患者选取预设数量的目标陪诊人员;
将每个患者连接预设数量的目标陪诊人员,构建第二样本图;其中,所述第二样本图中的包括多个第三顶点和第四顶点,所述第三顶点为患者,所述第四顶点为陪诊人员,所述第一样本图中标记了各个第三顶点至每个所述第四顶点的第二边,所述第二边的边长为对应第三顶点至第四顶点的距离值;
将各个所述第一样本图输入至预设的特征加权卷积网络中,得到第一样本数据,以及将所述第二样本图输入至预设的稀疏图卷积网络中,得到第二样本数据;
将所述第一样本数据和所述第二样本数据输入至预设的前馈神经网络中,以输出n位患者与m位陪诊人员的匹配信息;
根据匹配信息为患者推荐对应的陪诊人员,并将患者对应的疾病信息发送给所述陪诊人员。
2.如权利要求1所述的基于大数据实现陪诊人员的信息智能管理方法,其特征在于,所述将所述第一样本数据和所述第二样本数据输入至预设的前馈神经网络中,以输出n位患者与m位陪诊人员的匹配信息的步骤,包括:
将所述第一样本数据至预设的前馈神经网络中的第一部分中,通过公式计算第一分值,以及将所述第二样本数据输入预设的前馈神经网络中的第二部分中,通过公式/>计算第二分值;其中,Ij 1表示第一分值,Ij 2表示第二分值,i表示第i位患者,j表示第j种患者与陪诊人员的匹配方案,Aij表示第j种方案中第i个患者与对应陪诊人员的第一样本数据,Bij表示第j种方案中第i个患者与对应陪诊人员的第二样本数据,Wij表示第j种方案中第i个患者与对应陪诊人员的预设权重值,a⊙b表示a与b的哈达玛积,P表示方案的总个数;
计算第一分值和第二分值的和值,并根据计算结果选取和值最大的n位患者与m位陪诊人员的匹配信息。
3.如权利要求1所述的基于大数据实现陪诊人员的信息智能管理方法,其特征在于,所述计算患者与陪诊人员的相关度的步骤,包括:
通过公式计算患者与陪诊人员的相关度;其中,Sik表示第i位患者与第k位陪诊人员的相关度,xi表示第i位患者的疾病信息,xk表示第k位陪诊人员的专业技能信息,μ表示超参数,∈i表示与第i位患者所患疾病相关的缩放参数,ρ(xi,xk)表示xk与xi的欧式距离。
4.如权利要求1所述的基于大数据实现陪诊人员的信息智能管理方法,其特征在于,所述根据所述就诊信息获取m位陪诊人员的陪诊信息的步骤,包括:
根据各个所述患者的疾病信息,得到各个患者所属的疾病类别;
根据各个疾病类别的数量,从预设的陪诊人员数据库中,找取具有所述疾病类别陪诊历史记录的目标陪诊人员;
从目标陪诊人员选取m位陪诊人员,并获取其陪诊信息。
5.如权利要求1所述的基于大数据实现陪诊人员的信息智能管理方法,其特征在于,所述根据匹配信息为患者推荐对应的陪诊人员,并将患者对应的疾病信息发送给所述陪诊人员的步骤之后,还包括:
当所述患者接受所述陪诊人员后,接收患者输入的陪诊内容;
将所述陪诊内容输入至预设的陪诊模板中,以生成陪诊任务;
将所述陪诊任务发送至对应的陪诊人员。
6.一种基于大数据实现陪诊人员的信息智能管理系统,其特征在于,包括:
获取模块,用于获取n位患者的就诊信息;其中,所述患者的就诊信息包括所述患者的疾病信息和第一位置信息;
第一计算模块,用于根据所述就诊信息获取m位陪诊人员的陪诊信息,并计算患者与陪诊人员的相关度;其中,所述陪诊信息包括陪诊人员的专业技能信息以及第二位置信息,且m≥n;
构建模块,用于根据所述陪诊人员的专业技能信息与所述患者的疾病信息之间的相关度构建每个陪诊人员与所述患者的第一样本图;其中,所述第一样本图包括多个第一顶点和第二顶点,所述第一顶点为患者,所述第二顶点为陪诊人员,所述第一样本图中标记了各个第一顶点至每个所述第二顶点的第一边,所述第一边的边长为对应第一顶点至第二顶点的相关度;
第二计算模块,用于根据所述第一位置信息和所述第二位置信息计算患者至陪诊人员的距离,按照距离大小为每个患者选取预设数量的目标陪诊人员;
连接模块,用于将每个患者连接预设数量的目标陪诊人员,构建第二样本图;其中,所述第二样本图中的包括多个第三顶点和第四顶点,所述第三顶点为患者,所述第四顶点为陪诊人员,所述第一样本图中标记了各个第三顶点至每个所述第四顶点的第二边,所述第二边的边长为对应第三顶点至第四顶点的距离值;
第一输入模块,用于将各个所述第一样本图输入至预设的特征加权卷积网络中,得到第一样本数据,以及将所述第二样本图输入至预设的稀疏图卷积网络中,得到第二样本数据;
第二输入模块,用于将所述第一样本数据和所述第二样本数据输入至预设的前馈神经网络中,以输出n位患者与m位陪诊人员的匹配信息;
发送模块,用于根据匹配信息为患者推荐对应的陪诊人员,并将患者对应的疾病信息发送给所述陪诊人员。
7.如权利要求6所述的基于大数据实现陪诊人员的信息智能管理系统,其特征在于,所述第二输入模块,包括:
输入子模块,用于将所述第一样本数据至预设的前馈神经网络中的第一部分中,通过公式计算第一分值,以及将所述第二样本数据输入预设的前馈神经网络中的第二部分中,通过公式/>计算第二分值;其中,Ij 1表示第一分值,Ij 2表示第二分值,i表示第i位患者,j表示第j种患者与陪诊人员的匹配方案,Aij表示第j种方案中第i个患者与对应陪诊人员的第一样本数据,Bij表示第j种方案中第i个患者与对应陪诊人员的第二样本数据,Wij表示第j种方案中第i个患者与对应陪诊人员的预设权重值,a⊙b表示a与b的哈达玛积,P表示方案的总个数;
计算子模块,用于计算第一分值和第二分值的和值,并根据计算结果选取和值最大的n位患者与m位陪诊人员的匹配信息。
8.如权利要求6所述的基于大数据实现陪诊人员的信息智能管理系统,其特征在于,所述第一计算模块,包括:
相关度计算子模块,用于通过公式计算患者与陪诊人员的相关度;其中,Sik表示第i位患者与第k位陪诊人员的相关度,xi表示第i位患者的疾病信息,xk表示第k位陪诊人员的专业技能信息,μ表示超参数,∈i表示与第i位患者所患疾病相关的缩放参数,ρ(xi,xk)表示xk与xi的欧式距离。
9.如权利要求6所述的基于大数据实现陪诊人员的信息智能管理系统,其特征在于,所述第一计算模块,包括:
疾病类别获取子模块,用于根据各个所述患者的疾病信息,得到各个患者所属的疾病类别;
找取子模块,用于根据各个疾病类别的数量,从预设的陪诊人员数据库中,找取具有所述疾病类别陪诊历史记录的目标陪诊人员;
陪诊信息获取子模块,用于从目标陪诊人员选取m位陪诊人员,并获取其陪诊信息。
10.如权利要求6所述的基于大数据实现陪诊人员的信息智能管理系统,其特征在于,所述基于大数据实现陪诊人员的信息智能管理系统,还包括:
接收模块,用于当所述患者接受所述陪诊人员后,接收患者输入的陪诊内容;
生成模块,用于将所述陪诊内容输入至预设的陪诊模板中,以生成陪诊任务;
发送模块,用于将所述陪诊任务发送至对应的陪诊人员。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310703247.9A CN116665865B (zh) | 2023-06-13 | 2023-06-13 | 基于大数据实现陪诊人员的信息智能管理方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310703247.9A CN116665865B (zh) | 2023-06-13 | 2023-06-13 | 基于大数据实现陪诊人员的信息智能管理方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116665865A true CN116665865A (zh) | 2023-08-29 |
CN116665865B CN116665865B (zh) | 2023-12-26 |
Family
ID=87716944
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310703247.9A Active CN116665865B (zh) | 2023-06-13 | 2023-06-13 | 基于大数据实现陪诊人员的信息智能管理方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116665865B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109346192A (zh) * | 2018-10-10 | 2019-02-15 | 西安迪康网络科技有限公司 | 基于互联网提供线上全流程就医和服务的系统及方法 |
CN111863237A (zh) * | 2020-05-29 | 2020-10-30 | 东莞理工学院 | 一种基于深度学习的移动端疾病智能辅助诊断系统 |
CN112786198A (zh) * | 2021-02-08 | 2021-05-11 | 科大讯飞股份有限公司 | 诊疗信息推荐模型构建方法、诊疗信息推荐方法及装置 |
US20210280301A1 (en) * | 2017-05-12 | 2021-09-09 | Boe Technology Group Co., Ltd. | Intelligent triage method and device |
US20210304895A1 (en) * | 2020-03-27 | 2021-09-30 | TapRoot Interventions & Solutions, Inc. | System and method for generating curated interventions in response to patient behavior |
WO2021253867A1 (zh) * | 2020-06-17 | 2021-12-23 | 厦门波耐模型设计有限责任公司 | 无人化智慧医院的架构、方法、系统 |
CN114818945A (zh) * | 2022-05-05 | 2022-07-29 | 兰州理工大学 | 融入类别自适应度量学习的小样本图像分类方法及装置 |
CN115544239A (zh) * | 2022-09-30 | 2022-12-30 | 杭州电子科技大学 | 一种基于深度学习模型的布局偏好预测方法 |
US20230057933A1 (en) * | 2020-01-31 | 2023-02-23 | Fixstars Corporation | Storage medium, diagnosis support apparatus and diagnosis support method |
CN116246760A (zh) * | 2022-12-31 | 2023-06-09 | 华中科技大学同济医学院附属同济医院 | 患者就诊全流程陪诊系统、方法及相关设备 |
-
2023
- 2023-06-13 CN CN202310703247.9A patent/CN116665865B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210280301A1 (en) * | 2017-05-12 | 2021-09-09 | Boe Technology Group Co., Ltd. | Intelligent triage method and device |
CN109346192A (zh) * | 2018-10-10 | 2019-02-15 | 西安迪康网络科技有限公司 | 基于互联网提供线上全流程就医和服务的系统及方法 |
US20230057933A1 (en) * | 2020-01-31 | 2023-02-23 | Fixstars Corporation | Storage medium, diagnosis support apparatus and diagnosis support method |
US20210304895A1 (en) * | 2020-03-27 | 2021-09-30 | TapRoot Interventions & Solutions, Inc. | System and method for generating curated interventions in response to patient behavior |
CN111863237A (zh) * | 2020-05-29 | 2020-10-30 | 东莞理工学院 | 一种基于深度学习的移动端疾病智能辅助诊断系统 |
WO2021253867A1 (zh) * | 2020-06-17 | 2021-12-23 | 厦门波耐模型设计有限责任公司 | 无人化智慧医院的架构、方法、系统 |
CN112786198A (zh) * | 2021-02-08 | 2021-05-11 | 科大讯飞股份有限公司 | 诊疗信息推荐模型构建方法、诊疗信息推荐方法及装置 |
CN114818945A (zh) * | 2022-05-05 | 2022-07-29 | 兰州理工大学 | 融入类别自适应度量学习的小样本图像分类方法及装置 |
CN115544239A (zh) * | 2022-09-30 | 2022-12-30 | 杭州电子科技大学 | 一种基于深度学习模型的布局偏好预测方法 |
CN116246760A (zh) * | 2022-12-31 | 2023-06-09 | 华中科技大学同济医学院附属同济医院 | 患者就诊全流程陪诊系统、方法及相关设备 |
Also Published As
Publication number | Publication date |
---|---|
CN116665865B (zh) | 2023-12-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3734604A1 (en) | Method and system for supporting medical decision making | |
Lee et al. | Predicting project’s uncertainty risk in the bidding process by integrating unstructured text data and structured numerical data using text mining | |
CN112149414B (zh) | 文本相似度确定方法、装置、设备及存储介质 | |
Vinogradova | Multi-attribute decision-making methods as a part of mathematical optimization | |
Livieris et al. | An ensemble SSL algorithm for efficient chest X-ray image classification | |
Bashir et al. | Hesitant probabilistic multiplicative preference relations in group decision making | |
CN112016295B (zh) | 症状数据处理方法、装置、计算机设备及存储介质 | |
US20200311610A1 (en) | Rule-based feature engineering, model creation and hosting | |
Hayat et al. | Another view of aggregation operators on group-based generalized intuitionistic fuzzy soft sets: multi-attribute decision making methods | |
Strzelecki et al. | Machine learning for biomedical application | |
Das et al. | Are markets truly efficient? Experiments using deep learning algorithms for market movement prediction | |
CN116010586A (zh) | 一种健康建议的生成方法、装置、设备及存储介质 | |
Wieczorek et al. | Information theoretic causal effect quantification | |
CN114783580B (zh) | 一种医疗数据质量评估方法及系统 | |
Al-Labadi et al. | Statistical reasoning: choosing and checking the ingredients, inferences based on a measure of statistical evidence with some applications | |
US20210231449A1 (en) | Deep User Modeling by Behavior | |
Pascariu et al. | The linear link: Deriving age-specific death rates from life expectancy | |
Mueller et al. | A cluster-based machine learning ensemble approach for geospatial data: Estimation of health insurance status in Missouri | |
Peng et al. | Probabilistic hesitant intuitionistic fuzzy linguistic term sets and their application in multiple attribute group decision making | |
CN113722507B (zh) | 基于知识图谱的住院费用预测方法、装置及计算机设备 | |
CN114743647A (zh) | 医疗数据处理方法、装置、设备及存储介质 | |
Saeed et al. | A theoretical development of cubic pythagorean fuzzy soft set with its application in multi-attribute decision making | |
CN113657970A (zh) | 基于人工智能的药品推荐方法、装置、设备及存储介质 | |
Magini et al. | Generating scenarios of cross-correlated demands for modelling water distribution networks | |
Panić et al. | Optimizing the estimation of a histogram-bin width—Application to the multivariate mixture-model estimation |
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 |