CN116936132B - 基于大数据的智慧医疗病情监控方法及系统 - Google Patents
基于大数据的智慧医疗病情监控方法及系统 Download PDFInfo
- Publication number
- CN116936132B CN116936132B CN202311196099.2A CN202311196099A CN116936132B CN 116936132 B CN116936132 B CN 116936132B CN 202311196099 A CN202311196099 A CN 202311196099A CN 116936132 B CN116936132 B CN 116936132B
- Authority
- CN
- China
- Prior art keywords
- cluster
- patient
- information
- historical
- disease
- 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
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000012544 monitoring process Methods 0.000 title claims abstract description 26
- 201000010099 disease Diseases 0.000 claims abstract description 176
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 176
- 238000012216 screening Methods 0.000 claims abstract description 25
- 238000012549 training Methods 0.000 claims description 98
- 239000011159 matrix material Substances 0.000 claims description 30
- 238000003062 neural network model Methods 0.000 claims description 18
- 230000000306 recurrent effect Effects 0.000 claims description 18
- 238000004422 calculation algorithm Methods 0.000 claims description 14
- 238000003064 k means clustering Methods 0.000 claims description 14
- 238000013527 convolutional neural network Methods 0.000 claims description 12
- 238000011156 evaluation Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000013210 evaluation model Methods 0.000 claims description 5
- 238000012806 monitoring device Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 7
- 239000013598 vector Substances 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 238000002372 labelling Methods 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 206010012601 diabetes mellitus Diseases 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- KLDZYURQCUYZBL-UHFFFAOYSA-N 2-[3-[(2-hydroxyphenyl)methylideneamino]propyliminomethyl]phenol Chemical compound OC1=CC=CC=C1C=NCCCN=CC1=CC=CC=C1O KLDZYURQCUYZBL-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000739 chaotic effect Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 201000001098 delayed sleep phase syndrome Diseases 0.000 description 1
- 208000033921 delayed sleep phase type circadian rhythm sleep disease Diseases 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
- G16H80/00—ICT specially adapted for facilitating communication between medical practitioners or patients, e.g. for collaborative diagnosis, therapy or health monitoring
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Theoretical Computer Science (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明属于医疗信息技术领域,提供了基于大数据的智慧医疗病情监控方法及系统,所述方法包括:获取患者当前的患病信息;根据患者当前的患病信息确定患者所患疾病的类型和患病程度;根据患病程度计算患病程度得分,对患病程度得分进行分析,若患病程度得分超过得分阈值,则根据类型获取第一历史患者的第一历史患病信息,第一历史患者与患者所患的疾病属于同一类型;根据患者当前的患病信息,从第一历史患病信息中筛选出与患者当前的患病信息相关的第一历史患病信息,并发送至患者对应的医生处。本发明中的方法可以实时的关注到患者当前的病情,一旦严重时,还可以马上获取历史患病信息,帮助患者获取到适合的治疗方案,便于治疗。
Description
技术领域
本发明涉及医疗信息技术领域,具体而言,涉及基于大数据的智慧医疗病情监控方法及系统。
背景技术
当患者身患疾病时,若不能及时的进行救治,有可能会有生命危险;所以,当患者身患疾病时,需要对患者进行密切的监控,降低患者的生命危险。因此急需一种可以密切监控患者病情的方法。
发明内容
本发明的目的在于提供基于大数据的智慧医疗病情监控方法及系统,以改善上述问题。
为了实现上述目的,本申请实施例提供了如下技术方案:
一方面,本申请实施例提供了基于大数据的智慧医疗病情监控方法,所述方法包括:
获取患者当前的患病信息;
根据所述患者当前的患病信息确定所述患者所患疾病的类型和患病程度;
根据所述患病程度计算患病程度得分,对所述患病程度得分进行分析,若所述患病程度得分超过得分阈值,则根据所述类型获取第一历史患者的第一历史患病信息,所述第一历史患者与所述患者所患的疾病属于同一类型;
根据所述患者当前的患病信息,从所述第一历史患病信息中筛选出与所述患者当前的患病信息相关的第一历史患病信息,并发送至所述患者对应的医生处。
第二方面,本申请实施例提供了基于大数据的智慧医疗病情监控系统,所述系统包括获取模块、计算模块、分析模块和筛选模块。
获取模块,用于获取患者当前的患病信息;
计算模块,用于根据所述患者当前的患病信息确定所述患者所患疾病的类型和患病程度;
分析模块,用于根据所述患病程度计算患病程度得分,对所述患病程度得分进行分析,若所述患病程度得分超过得分阈值,则根据所述类型获取第一历史患者的第一历史患病信息,所述第一历史患者与所述患者所患的疾病属于同一类型;
筛选模块,用于根据所述患者当前的患病信息,从所述第一历史患病信息中筛选出与所述患者当前的患病信息相关的第一历史患病信息,并发送至所述患者对应的医生处。
第三方面,本申请实施例提供了基于大数据的智慧医疗病情监控设备,所述设备包括存储器和处理器。存储器用于存储计算机程序;处理器用于执行所述计算机程序时实现上述基于大数据的智慧医疗病情监控方法的步骤。
第四方面,本申请实施例提供了一种可读存储介质,所述可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现上述基于大数据的智慧医疗病情监控方法的步骤。
本发明的有益效果为:
1、在本发明中,首先根据患者当前的患病信息确定了患病程度,在确定患病程度时,采用了模型识别的方式,同时,在模型训练的过程中,考虑到标注误差,对训练数据进行了聚类,并针对每个聚类结果进行了训练数据的筛选,通过此种方式可以提高训练数据的准确性,进而提高模型识别的准确性;然后根据计算得到的患病程度得到患病程度得分,当患病程度得分超过阈值时,患者的病情可能较为严重,不容乐观,那么需要对患者的病情进行重点关注,那么就需要定制适合的治疗方法,因此本发明将历史患病信息(历史病历)进行了采集,然后筛选出与患者当前的患病信息相类似的历史患病信息,并发送给了患者的医生处,通过此种方法可以帮助医生定制更加适合患者的医疗方案。
2、本发明中的方法可以实时的关注到患者当前的病情,一旦严重时,还可以马上获取历史患病信息,帮助患者获取到适合的治疗方案,便于治疗。
本发明的其他特征和优点将在随后的说明书阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明实施例了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1是本发明实施例中所述的基于大数据的智慧医疗病情监控方法流程示意图;
图2是本发明实施例中所述的基于大数据的智慧医疗病情监控系统结构示意图;
图3是本发明实施例中所述的基于大数据的智慧医疗病情监控设备结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。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。
应注意到:相似的标号或字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。同时,在本发明的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
实施例1
如图1所示,本实施例提供了基于大数据的智慧医疗病情监控方法,该方法包括步骤S1、步骤S2、步骤S3和步骤S4。
步骤S1、获取患者当前的患病信息;
步骤S2、根据所述患者当前的患病信息确定所述患者所患疾病的类型和患病程度;
本步骤的具体实现步骤包括步骤S21和步骤S22;
步骤S21、将所述患者当前的患病信息输入预设的第一模型中,得到所述患者当前的患病信息对应的关注点,所述第一模型用于表征所述患者当前的患病信息与关注点的对应关系;
步骤S22、将所述患者当前的患病信息对应的关注点输入预设的第二模型中,得到所述患者所患疾病的类型,所述第二模型用于表征关注点与疾病的类型的对应关系;将所述患者当前的患病信息输入预设的患病程度识别模型中,得到患病程度。
在步骤步骤S21和步骤S22中的第一模型和第二模型可以是预先训练好的模型,同时第一模型可以理解为注意力模型,第二模型可以是通过训练得到,训练时将关注点作为输入,疾病的类型做出输出,训练的模型可以是卷积神经网络模型,也可以是其他深度学习模型;
同时,除了上述方法之外,还可以由医生手动上传疾病的类型;另外,将所述患者当前的患病信息输入预设的患病程度识别模型中,得到患病程度的具体实现步骤包括步骤S221和步骤S222;
步骤S221、获取第二历史患者的第二历史患病信息,所述第二历史患者与所述患者所患的疾病属于同一类型,对每个第二历史患病信息进行患病程度标注,将标注后的每个第二历史患病信息作为一个训练数据;将每个所述训练数据输入递归神经网络模型中,将所述递归神经网络模型隐层输出的数据记为第一特征数据;
在本步骤中,所述第二历史患者与所述患者所患的疾病属于同一类型,例如所述患者所患的疾病属于糖尿病,那么第二历史患者所患的疾病也属于糖尿病;患病程度标注可以理解为,轻度、中度、重度;
在本步骤中,标注采用人工标注的方式进行,将所述递归神经网络模型隐层输出的数据记为第一特征数据可以理解为:将所述递归神经网络模型隐层输出的隐层向量作为第一特征数据,第一特征数据可以理解为特征向量;
步骤S222、基于所述第一特征数据,利用K-Means聚类算法对全部的所述训练数据进行聚类,得到多个聚类簇,计算每个所述聚类簇的信息熵,根据每个所述聚类簇的信息熵对全部的训练数据进行筛选,得到筛选后的训练数据,利用筛选后的训练数据对卷积神经网络模型进行训练,得到所述患病程度识别模型。
在本步骤中,考虑到标注是采用人工标注的方式,可能会存在误差,导致标注不准确,因此本步骤对标注的数据进行了筛选,筛选后再进行模型的训练,通过此种方式可以保证数据的准确性,进而提高模型识别的准确性;
在本步骤中,信息熵的计算公式为:,公式中,Y为信息熵,为每个聚类簇中,第i种患病程度对应的全部训练数据占聚类簇中训练数据总数的比例,例如,一个聚类簇中,轻度患病程度对应的训练数据为10个,这个聚类簇中包含的训练数据的总数为100个,那么轻度患病程度对应的比例为0.1;m为每个聚类簇包含的患病程度的种类数,例如一个聚类簇中包含轻度和中度两种患病程度,那么m就为2;本步骤的具体实现步骤包括步骤S2221和步骤S2222;
步骤S2221、将每个所述聚类簇的信息熵的倒数与预设的倒数阈值进行比较,若大于所述倒数阈值,则判断所述聚类簇中包含的训练数据的类型,若全部所述训练数据对应的患病程度一致,则将所述聚类簇中包含的每个训练数据记为第一数据;若全部所述训练数据对应的患病程度不一致,则统计每种患病程度对应的训练数据的个数,将个数最大对应的患病程度记为目标程度,将所述目标程度对应的每个训练数据记为第一数据;
在本步骤中,每个聚类簇中样本越混乱,相应的信息熵Y越大,因此可以使用信息熵的倒数1/Y作为每个聚类簇的纯度;
步骤S2222、将每个所述聚类簇的信息熵的倒数与预设的倒数阈值进行比较,若小于或等于所述倒数阈值,则统计所述聚类簇中包含的训练数据的个数,得到第二数据,将所述第二数据与预设第一个数阈值进行比较,若所述第二数据小于所述第一个数阈值,则将所述聚类簇中包含的训练数据删除;若所述第二数据大于或等于所述第一个数阈值,则将所述聚类簇中包含的训练数据记为第一数据,利用全部的所述第一数据对卷积神经网络模型进行训练,得到所述患病程度识别模型。
步骤S2221和步骤S2222中,针对每个聚类簇,根据信息熵的不同采用不同的方法来进行训练数据的筛选,通过此种方法可以筛选出优质的样本,从而提高训练的精度,提高模型识别的准确性;
步骤S3、根据所述患病程度计算患病程度得分,对所述患病程度得分进行分析,若所述患病程度得分超过得分阈值,则根据所述类型获取第一历史患者的第一历史患病信息,所述第一历史患者与所述患者所患的疾病属于同一类型;
在本步骤中,患病程度计算出来之后,可以根据预设的患病程度-评分表计算其患病程度得分,患病程度-评分表中每种患病程度有对应的患病程度得分;
在本步骤中,考虑到若超过得分阈值那么患者的病情可能比较严重,那么就需要对此患者的病情进行重点关注,因此本步骤中获取了大量的第一历史患病信息,根据过去的一些患病信息可以筛选出与患者类似的病历信息,通过这些病历信息可以帮助医生更好的制定治疗方法;
步骤S4、根据所述患者当前的患病信息,从所述第一历史患病信息中筛选出与所述患者当前的患病信息相关的第一历史患病信息,并发送至所述患者对应的医生处。
在本步骤中,考虑到第一历史病患信息数量较为庞大,因此对其进行了一系列的筛选,将与患者类似的第一历史病患信息进行了发送,筛选之后,可以缩短医生查看病历的时间,提高效率;本步骤的具体筛选步骤包括步骤S41和步骤S42;
步骤S41、将每个所述第一历史患病信息输入递归神经网络模型中,将所述递归神经网络模型隐层输出的数据记为第二特征数据,基于所述第二特征数据,利用K-Means聚类算法对全部的第一历史患病信息进行聚类,得到多个第一聚类簇;
步骤S42、针对每个第一聚类簇,将所述第一聚类簇对应的全部第二特征数据进行均值计算,得到第三数据;计算所述第一聚类簇对应的全部第二特征数据分别与所述第一聚类簇对应的第三数据之间的距离,将距离最大对应的第二特征数据记为第四数据;将所述第三数据和所述第四数据沿矩阵行方向进行组合,得到组合矩阵,计算所述组合矩阵对应的协方差矩阵;基于每个所述协方差矩阵完成第一历史患病信息的聚类,得到多个第二聚类簇,对每个所述第二聚类簇进行调整,得到第三聚类簇,基于所述第三聚类簇筛选出与所述患者当前的患病信息相关的第一历史患病信息。
在本步骤中,将所述第一聚类簇对应的全部第二特征数据进行均值计算,得到第三数据可以理解为:第三数据可以理解为中心点特征向量,第一聚类簇对应的全部第二特征数据(可以理解为特征向量)的坐标的平均值作为中心点特征向量的坐标;
本步骤中,基于每个所述协方差矩阵完成第一历史患病信息的聚类,得到多个第二聚类簇,对每个所述第二聚类簇进行调整,得到第三聚类簇,基于所述第三聚类簇筛选出与所述患者当前的患病信息相关的第一历史患病信息的具体实现步骤包括步骤S421和步骤S422;
步骤S421、将每个第一聚类簇对应的所述协方差矩阵输入预设的评价模型中,若有第一个数的第一聚类簇的评价结果符合要求,则完成聚类,将每个所述第一聚类簇作为每个所述第二聚类簇,否则重新调整K-Means聚类算法的参数,重新聚类,所述第一个数大于或等于预设第二个数阈值;
在本步骤中,预设的评价模型可以将协方差矩阵作为输入,评价结果作为输出进行训练,训练模型也可以采用卷积神经网络模型;评价结果可以为准确,一般准确,不准确等结果;
在本步骤中,评价结果符合要求即为评价结果为准确,若有第一个数的第一聚类簇的评价结果符合要求,则完成聚类,可以理解为:若预设第二个数阈值为7,如果有8个第一聚类簇的评价结果为准确,那么即可完成聚类;
在本步骤中,重新调整K-Means聚类算法的参数,重新聚类,可以理解为:重新调整K-Means聚类算法中的K值,重新聚类,直至有第一个数的第一聚类簇的评价结果符合要求;
本步骤中,聚类后,还进行了聚类准确性的评价,通过此种方法可以提高聚类的准确性;
步骤S422、将每个所述第二聚类簇中包含的第一历史患病信息的个数与预设第三个数阈值进行比较,若小于所述第三个数阈值,则将距离所述第二聚类簇的质心最近的第一历史患病信息添加至所述第二聚类簇,直到所述第二聚类簇中包含的第一历史患病信息的个数大于或等于第三个数阈值,调整后得到第三聚类簇;计算所述患者当前的患病信息与所述第三聚类簇中每个第一历史患病信息之间的相似度,并将相似度进行相加,得到相似度之和,每个所述第三聚类簇对应一个相似度之和,将相似度之和大于预设相似度之和阈值的第三聚类簇挑选出来,并记为第四聚类簇,将每个所述第四聚类簇中包含的第一历史患病信息全部发送至所述医生处。
在本步骤中,考虑到如果第二聚类簇中的第一历史患病信息的个数较少,有可能不利于医生进行综合分析,制定治疗方法,因此本步骤对每个第二聚类簇进行了调整,以使每个第二聚类簇中的第一历史患病信息达到预设的第三个数阈值;最后,还可以按照相似度之和从大到小的顺序,将每个第四聚类簇进行显示。
在本实施例中,首先根据患者当前的患病信息确定了患病程度,在确定患病程度时,采用了模型识别的方式,同时,在模型训练的过程中,考虑到标注误差,对训练数据进行了聚类,并针对每个聚类结果进行了训练数据的筛选,通过此种方式可以提高训练数据的准确性,进而提高模型识别的准确性;然后根据计算得到的患病程度得到患病程度得分,当患病程度得分超过阈值时,患者的病情可能较为严重,不容乐观,那么需要对患者的病情进行重点关注,那么就需要定制适合的治疗方法,因此本实施例将历史患病信息(历史病历)进行了采集,然后筛选出与患者当前的患病信息相类似的历史患病信息,并发送给了患者的医生处,通过此种方法可以帮助医生定制更加适合患者的医疗方案。综上,通过本实施例中的方法可以实时的关注到患者当前的病情,一旦严重时,还可以马上获取历史患病信息,帮助患者获取到适合的治疗方案,便于治疗。
实施例2
如图2所示,本实施例提供了基于大数据的智慧医疗病情监控系统,所述系统包括获取模块701、计算模块702、分析模块703和筛选模块704。
获取模块701,用于获取患者当前的患病信息;
计算模块702,用于根据所述患者当前的患病信息确定所述患者所患疾病的类型和患病程度;
分析模块703,用于根据所述患病程度计算患病程度得分,对所述患病程度得分进行分析,若所述患病程度得分超过得分阈值,则根据所述类型获取第一历史患者的第一历史患病信息,所述第一历史患者与所述患者所患的疾病属于同一类型;
筛选模块704,用于根据所述患者当前的患病信息,从所述第一历史患病信息中筛选出与所述患者当前的患病信息相关的第一历史患病信息,并发送至所述患者对应的医生处。
在本公开的一种具体实施方式中,所述计算模块702,还包括第一计算单元7021和第二计算单元7022。
第一计算单元7021,用于将所述患者当前的患病信息输入预设的第一模型中,得到所述患者当前的患病信息对应的关注点,所述第一模型用于表征所述患者当前的患病信息与关注点的对应关系;
第二计算单元7022,用于将所述患者当前的患病信息对应的关注点输入预设的第二模型中,得到所述患者所患疾病的类型,所述第二模型用于表征关注点与疾病的类型的对应关系;将所述患者当前的患病信息输入预设的患病程度识别模型中,得到患病程度。
在本公开的一种具体实施方式中,所述第二计算单元7022,还包括获取单元70221和训练单元70222。
获取单元70221,用于获取第二历史患者的第二历史患病信息,所述第二历史患者与所述患者所患的疾病属于同一类型,对每个第二历史患病信息进行患病程度标注,将标注后的每个第二历史患病信息作为一个训练数据;将每个所述训练数据输入递归神经网络模型中,将所述递归神经网络模型隐层输出的数据记为第一特征数据;
训练单元70222,用于基于所述第一特征数据,利用K-Means聚类算法对全部的所述训练数据进行聚类,得到多个聚类簇,计算每个所述聚类簇的信息熵,根据每个所述聚类簇的信息熵对全部的训练数据进行筛选,得到筛选后的训练数据,利用筛选后的训练数据对卷积神经网络模型进行训练,得到所述患病程度识别模型。
在本公开的一种具体实施方式中,所述训练单元70222,还包括第一比较单元702221和第二比较单元702222。
第一比较单元702221,用于将每个所述聚类簇的信息熵的倒数与预设的倒数阈值进行比较,若大于所述倒数阈值,则判断所述聚类簇中包含的训练数据的类型,若全部所述训练数据对应的患病程度一致,则将所述聚类簇中包含的每个训练数据记为第一数据;若全部所述训练数据对应的患病程度不一致,则统计每种患病程度对应的训练数据的个数,将个数最大对应的患病程度记为目标程度,将所述目标程度对应的每个训练数据记为第一数据;
第二比较单元702222,用于将每个所述聚类簇的信息熵的倒数与预设的倒数阈值进行比较,若小于或等于所述倒数阈值,则统计所述聚类簇中包含的训练数据的个数,得到第二数据,将所述第二数据与预设第一个数阈值进行比较,若所述第二数据小于所述第一个数阈值,则将所述聚类簇中包含的训练数据删除;若所述第二数据大于或等于所述第一个数阈值,则将所述聚类簇中包含的训练数据记为第一数据,利用全部的所述第一数据对卷积神经网络模型进行训练,得到所述患病程度识别模型。
在本公开的一种具体实施方式中,所述筛选模块704,还包括聚类单元7041和调整单元7042。
聚类单元7041,用于将每个所述第一历史患病信息输入递归神经网络模型中,将所述递归神经网络模型隐层输出的数据记为第二特征数据,基于所述第二特征数据,利用K-Means聚类算法对全部的第一历史患病信息进行聚类,得到多个第一聚类簇;
调整单元7042,用于针对每个第一聚类簇,将所述第一聚类簇对应的全部第二特征数据进行均值计算,得到第三数据;计算所述第一聚类簇对应的全部第二特征数据分别与所述第一聚类簇对应的第三数据之间的距离,将距离最大对应的第二特征数据记为第四数据;将所述第三数据和所述第四数据沿矩阵行方向进行组合,得到组合矩阵,计算所述组合矩阵对应的协方差矩阵;基于每个所述协方差矩阵完成第一历史患病信息的聚类,得到多个第二聚类簇,对每个所述第二聚类簇进行调整,得到第三聚类簇,基于所述第三聚类簇筛选出与所述患者当前的患病信息相关的第一历史患病信息。
在本公开的一种具体实施方式中,所述调整单元7042,还包括评价单元70421和挑选单元70422。
评价单元70421,用于将每个第一聚类簇对应的所述协方差矩阵输入预设的评价模型中,若有第一个数的第一聚类簇的评价结果符合要求,则完成聚类,将每个所述第一聚类簇作为每个所述第二聚类簇,否则重新调整K-Means聚类算法的参数,重新聚类,所述第一个数大于或等于预设第二个数阈值;
挑选单元70422,用于将每个所述第二聚类簇中包含的第一历史患病信息的个数与预设第三个数阈值进行比较,若小于所述第三个数阈值,则将距离所述第二聚类簇的质心最近的第一历史患病信息添加至所述第二聚类簇,直到所述第二聚类簇中包含的第一历史患病信息的个数大于或等于第三个数阈值,调整后得到第三聚类簇;计算所述患者当前的患病信息与所述第三聚类簇中每个第一历史患病信息之间的相似度,并将相似度进行相加,得到相似度之和,每个所述第三聚类簇对应一个相似度之和,将相似度之和大于预设相似度之和阈值的第三聚类簇挑选出来,并记为第四聚类簇,将每个所述第四聚类簇中包含的第一历史患病信息全部发送至所述医生处。
需要说明的是,关于上述实施例中的系统,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
实施例3
相应于上面的方法实施例,本公开实施例还提供了一种基于大数据的智慧医疗病情监控设备,下文描述的基于大数据的智慧医疗病情监控设备与上文描述的基于大数据的智慧医疗病情监控方法可相互对应参照。
图3是根据一示例性实施例示出的基于大数据的智慧医疗病情监控设备800的框图。如图3所示,该基于大数据的智慧医疗病情监控设备800可以包括:处理器801,存储器802。该基于大数据的智慧医疗病情监控设备800还可以包括多媒体组件803, I/O接口804,以及通信组件805中的一者或多者。
其中,处理器801用于控制该基于大数据的智慧医疗病情监控设备800的整体操作,以完成上述的基于大数据的智慧医疗病情监控方法中的全部或部分步骤。存储器802用于存储各种类型的数据以支持在该基于大数据的智慧医疗病情监控设备800的操作,这些数据例如可以包括用于在该基于大数据的智慧医疗病情监控设备800上操作的任何应用程序或方法的指令,以及应用程序相关的数据,例如联系人数据、收发的消息、图片、音频、视频等等。该存储器802可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,例如静态随机存取存储器(Static Random Access Memory,简称SRAM),电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory,简称EEPROM),可擦除可编程只读存储器(Erasable Programmable Read-Only Memory,简称EPROM),可编程只读存储器(Programmable Read-Only Memory,简称PROM),只读存储器(Read-Only Memory,简称ROM),磁存储器,快闪存储器,磁盘或光盘。多媒体组件803可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏,音频组件用于输出和/或输入音频信号。例如,音频组件可以包括一个麦克风,麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器802或通过通信组件805发送。音频组件还包括至少一个扬声器,用于输出音频信号。I/O接口804为处理器801和其他接口模块之间提供接口,上述其他接口模块可以是键盘,鼠标,按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件805用于该基于大数据的智慧医疗病情监控设备800与其他设备之间进行有线或无线通信。无线通信,例如Wi-Fi,蓝牙,近场通信(Near FieldCommunication,简称NFC),2G、3G或4G,或它们中的一种或几种的组合,因此相应的该通信组件805可以包括:Wi-Fi模块,蓝牙模块,NFC模块。
在一示例性实施例中,该基于大数据的智慧医疗病情监控设备800可以被一个或多个应用专用集成电路(Application Specific Integrated Circuit,简称ASIC)、数字信号处理器(DigitalSignal Processor,简称DSP)、数字信号处理设备(Digital SignalProcessing Device,简称DSPD)、可编程逻辑器件(Programmable Logic Device,简称PLD)、现场可编程门阵列(Field Programmable Gate Array,简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述的基于大数据的智慧医疗病情监控方法。
在另一示例性实施例中,还提供了一种包括程序指令的计算机可读存储介质,该程序指令被处理器执行时实现上述的基于大数据的智慧医疗病情监控方法的步骤。例如,该计算机可读存储介质可以为上述包括程序指令的存储器802,上述程序指令可由该基于大数据的智慧医疗病情监控设备800的处理器801执行以完成上述的基于大数据的智慧医疗病情监控方法。
实施例4
相应于上面的方法实施例,本公开实施例还提供了一种可读存储介质,下文描述的一种可读存储介质与上文描述的基于大数据的智慧医疗病情监控方法可相互对应参照。
一种可读存储介质,可读存储介质上存储有计算机程序,计算机程序被处理器执行时实现上述方法实施例的基于大数据的智慧医疗病情监控方法的步骤。
该可读存储介质具体可以为U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可存储程序代码的可读存储介质。
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保护范围之内。
Claims (2)
1.基于大数据的智慧医疗病情监控方法,其特征在于,包括:
获取患者当前的患病信息;
根据所述患者当前的患病信息确定所述患者所患疾病的类型和患病程度;
根据所述患病程度计算患病程度得分,对所述患病程度得分进行分析,若所述患病程度得分超过得分阈值,则根据所述类型获取第一历史患者的第一历史患病信息,所述第一历史患者与所述患者所患的疾病属于同一类型;
根据所述患者当前的患病信息,从所述第一历史患病信息中筛选出与所述患者当前的患病信息相关的第一历史患病信息,并发送至所述患者对应的医生处;
其中,根据所述患者当前的患病信息,从所述第一历史患病信息中筛选出与所述患者当前的患病信息相关的第一历史患病信息,包括:
将每个所述第一历史患病信息输入递归神经网络模型中,将所述递归神经网络模型隐层输出的数据记为第二特征数据,基于所述第二特征数据,利用K-Means聚类算法对全部的第一历史患病信息进行聚类,得到多个第一聚类簇;
针对每个第一聚类簇,将所述第一聚类簇对应的全部第二特征数据进行均值计算,得到第三数据;计算所述第一聚类簇对应的全部第二特征数据分别与所述第一聚类簇对应的第三数据之间的距离,将距离最大对应的第二特征数据记为第四数据;将所述第三数据和所述第四数据沿矩阵行方向进行组合,得到组合矩阵,计算所述组合矩阵对应的协方差矩阵;基于每个所述协方差矩阵完成第一历史患病信息的聚类,得到多个第二聚类簇,对每个所述第二聚类簇进行调整,得到第三聚类簇,基于所述第三聚类簇筛选出与所述患者当前的患病信息相关的第一历史患病信息;
其中,基于每个所述协方差矩阵完成第一历史患病信息的聚类,得到多个第二聚类簇,对每个所述第二聚类簇进行调整,得到第三聚类簇,基于所述第三聚类簇筛选出与所述患者当前的患病信息相关的第一历史患病信息,包括:
将每个第一聚类簇对应的所述协方差矩阵输入预设的评价模型中,若有第一个数的第一聚类簇的评价结果符合要求,则完成聚类,将每个所述第一聚类簇作为每个所述第二聚类簇,否则重新调整K-Means聚类算法的参数,重新聚类,所述第一个数大于或等于预设第二个数阈值;
将每个所述第二聚类簇中包含的第一历史患病信息的个数与预设第三个数阈值进行比较,若小于所述第三个数阈值,则将距离所述第二聚类簇的质心最近的第一历史患病信息添加至所述第二聚类簇,直到所述第二聚类簇中包含的第一历史患病信息的个数大于或等于第三个数阈值,调整后得到第三聚类簇;计算所述患者当前的患病信息与所述第三聚类簇中每个第一历史患病信息之间的相似度,并将相似度进行相加,得到相似度之和,每个所述第三聚类簇对应一个相似度之和,将相似度之和大于预设相似度之和阈值的第三聚类簇挑选出来,并记为第四聚类簇,将每个所述第四聚类簇中包含的第一历史患病信息全部发送至所述医生处;
其中,根据所述患者当前的患病信息确定所述患者所患疾病的类型和患病程度,包括:
将所述患者当前的患病信息输入预设的第一模型中,得到所述患者当前的患病信息对应的关注点,所述第一模型用于表征所述患者当前的患病信息与关注点的对应关系;
将所述患者当前的患病信息对应的关注点输入预设的第二模型中,得到所述患者所患疾病的类型,所述第二模型用于表征关注点与疾病的类型的对应关系;将所述患者当前的患病信息输入预设的患病程度识别模型中,得到患病程度;
其中,将所述患者当前的患病信息输入预设的患病程度识别模型中,得到患病程度,包括:
获取第二历史患者的第二历史患病信息,所述第二历史患者与所述患者所患的疾病属于同一类型,对每个第二历史患病信息进行患病程度标注,将标注后的每个第二历史患病信息作为一个训练数据;将每个所述训练数据输入递归神经网络模型中,将所述递归神经网络模型隐层输出的数据记为第一特征数据;
基于所述第一特征数据,利用K-Means聚类算法对全部的所述训练数据进行聚类,得到多个聚类簇,计算每个所述聚类簇的信息熵,根据每个所述聚类簇的信息熵对全部的训练数据进行筛选,得到筛选后的训练数据,利用筛选后的训练数据对卷积神经网络模型进行训练,得到所述患病程度识别模型;
其中,根据每个所述聚类簇的信息熵对全部的训练数据进行筛选,得到筛选后的训练数据,利用筛选后的训练数据对卷积神经网络模型进行训练,得到所述患病程度识别模型,包括:
将每个所述聚类簇的信息熵的倒数与预设的倒数阈值进行比较,若大于所述倒数阈值,则判断所述聚类簇中包含的训练数据的类型,若全部所述训练数据对应的患病程度一致,则将所述聚类簇中包含的每个训练数据记为第一数据;若全部所述训练数据对应的患病程度不一致,则统计每种患病程度对应的训练数据的个数,将个数最大对应的患病程度记为目标程度,将所述目标程度对应的每个训练数据记为第一数据;
将每个所述聚类簇的信息熵的倒数与预设的倒数阈值进行比较,若小于或等于所述倒数阈值,则统计所述聚类簇中包含的训练数据的个数,得到第二数据,将所述第二数据与预设第一个数阈值进行比较,若所述第二数据小于所述第一个数阈值,则将所述聚类簇中包含的训练数据删除;若所述第二数据大于或等于所述第一个数阈值,则将所述聚类簇中包含的训练数据记为第一数据,利用全部的所述第一数据对卷积神经网络模型进行训练,得到所述患病程度识别模型。
2.基于大数据的智慧医疗病情监控系统,其特征在于,包括:
获取模块,用于获取患者当前的患病信息;
计算模块,用于根据所述患者当前的患病信息确定所述患者所患疾病的类型和患病程度;
分析模块,用于根据所述患病程度计算患病程度得分,对所述患病程度得分进行分析,若所述患病程度得分超过得分阈值,则根据所述类型获取第一历史患者的第一历史患病信息,所述第一历史患者与所述患者所患的疾病属于同一类型;
筛选模块,用于根据所述患者当前的患病信息,从所述第一历史患病信息中筛选出与所述患者当前的患病信息相关的第一历史患病信息,并发送至所述患者对应的医生处;
其中,根据所述患者当前的患病信息,从所述第一历史患病信息中筛选出与所述患者当前的患病信息相关的第一历史患病信息,包括:
将每个所述第一历史患病信息输入递归神经网络模型中,将所述递归神经网络模型隐层输出的数据记为第二特征数据,基于所述第二特征数据,利用K-Means聚类算法对全部的第一历史患病信息进行聚类,得到多个第一聚类簇;
针对每个第一聚类簇,将所述第一聚类簇对应的全部第二特征数据进行均值计算,得到第三数据;计算所述第一聚类簇对应的全部第二特征数据分别与所述第一聚类簇对应的第三数据之间的距离,将距离最大对应的第二特征数据记为第四数据;将所述第三数据和所述第四数据沿矩阵行方向进行组合,得到组合矩阵,计算所述组合矩阵对应的协方差矩阵;基于每个所述协方差矩阵完成第一历史患病信息的聚类,得到多个第二聚类簇,对每个所述第二聚类簇进行调整,得到第三聚类簇,基于所述第三聚类簇筛选出与所述患者当前的患病信息相关的第一历史患病信息;
其中,基于每个所述协方差矩阵完成第一历史患病信息的聚类,得到多个第二聚类簇,对每个所述第二聚类簇进行调整,得到第三聚类簇,基于所述第三聚类簇筛选出与所述患者当前的患病信息相关的第一历史患病信息,包括:
将每个第一聚类簇对应的所述协方差矩阵输入预设的评价模型中,若有第一个数的第一聚类簇的评价结果符合要求,则完成聚类,将每个所述第一聚类簇作为每个所述第二聚类簇,否则重新调整K-Means聚类算法的参数,重新聚类,所述第一个数大于或等于预设第二个数阈值;
将每个所述第二聚类簇中包含的第一历史患病信息的个数与预设第三个数阈值进行比较,若小于所述第三个数阈值,则将距离所述第二聚类簇的质心最近的第一历史患病信息添加至所述第二聚类簇,直到所述第二聚类簇中包含的第一历史患病信息的个数大于或等于第三个数阈值,调整后得到第三聚类簇;计算所述患者当前的患病信息与所述第三聚类簇中每个第一历史患病信息之间的相似度,并将相似度进行相加,得到相似度之和,每个所述第三聚类簇对应一个相似度之和,将相似度之和大于预设相似度之和阈值的第三聚类簇挑选出来,并记为第四聚类簇,将每个所述第四聚类簇中包含的第一历史患病信息全部发送至所述医生处;
其中,根据所述患者当前的患病信息确定所述患者所患疾病的类型和患病程度,包括:
将所述患者当前的患病信息输入预设的第一模型中,得到所述患者当前的患病信息对应的关注点,所述第一模型用于表征所述患者当前的患病信息与关注点的对应关系;
将所述患者当前的患病信息对应的关注点输入预设的第二模型中,得到所述患者所患疾病的类型,所述第二模型用于表征关注点与疾病的类型的对应关系;将所述患者当前的患病信息输入预设的患病程度识别模型中,得到患病程度;
其中,将所述患者当前的患病信息输入预设的患病程度识别模型中,得到患病程度,包括:
获取第二历史患者的第二历史患病信息,所述第二历史患者与所述患者所患的疾病属于同一类型,对每个第二历史患病信息进行患病程度标注,将标注后的每个第二历史患病信息作为一个训练数据;将每个所述训练数据输入递归神经网络模型中,将所述递归神经网络模型隐层输出的数据记为第一特征数据;
基于所述第一特征数据,利用K-Means聚类算法对全部的所述训练数据进行聚类,得到多个聚类簇,计算每个所述聚类簇的信息熵,根据每个所述聚类簇的信息熵对全部的训练数据进行筛选,得到筛选后的训练数据,利用筛选后的训练数据对卷积神经网络模型进行训练,得到所述患病程度识别模型;
其中,根据每个所述聚类簇的信息熵对全部的训练数据进行筛选,得到筛选后的训练数据,利用筛选后的训练数据对卷积神经网络模型进行训练,得到所述患病程度识别模型,包括:
将每个所述聚类簇的信息熵的倒数与预设的倒数阈值进行比较,若大于所述倒数阈值,则判断所述聚类簇中包含的训练数据的类型,若全部所述训练数据对应的患病程度一致,则将所述聚类簇中包含的每个训练数据记为第一数据;若全部所述训练数据对应的患病程度不一致,则统计每种患病程度对应的训练数据的个数,将个数最大对应的患病程度记为目标程度,将所述目标程度对应的每个训练数据记为第一数据;
将每个所述聚类簇的信息熵的倒数与预设的倒数阈值进行比较,若小于或等于所述倒数阈值,则统计所述聚类簇中包含的训练数据的个数,得到第二数据,将所述第二数据与预设第一个数阈值进行比较,若所述第二数据小于所述第一个数阈值,则将所述聚类簇中包含的训练数据删除;若所述第二数据大于或等于所述第一个数阈值,则将所述聚类簇中包含的训练数据记为第一数据,利用全部的所述第一数据对卷积神经网络模型进行训练,得到所述患病程度识别模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311196099.2A CN116936132B (zh) | 2023-09-18 | 2023-09-18 | 基于大数据的智慧医疗病情监控方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311196099.2A CN116936132B (zh) | 2023-09-18 | 2023-09-18 | 基于大数据的智慧医疗病情监控方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116936132A CN116936132A (zh) | 2023-10-24 |
CN116936132B true CN116936132B (zh) | 2024-04-26 |
Family
ID=88388258
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311196099.2A Active CN116936132B (zh) | 2023-09-18 | 2023-09-18 | 基于大数据的智慧医疗病情监控方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116936132B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109726735A (zh) * | 2018-11-27 | 2019-05-07 | 南京邮电大学 | 一种基于K-means聚类和随机森林算法的移动应用程序识别方法 |
CN113782214A (zh) * | 2021-09-09 | 2021-12-10 | 浙江雲禾健康管理有限公司 | 一种具有健康数据分析功能的健康管理方法和系统 |
CN114343585A (zh) * | 2022-01-13 | 2022-04-15 | 平安科技(深圳)有限公司 | 认知和行为障碍的预警方法、装置、设备及存储介质 |
CN115330800A (zh) * | 2022-10-14 | 2022-11-11 | 深圳市亿康医疗技术有限公司 | 基于图像处理的放疗靶区自动分割方法 |
CN116525053A (zh) * | 2023-04-28 | 2023-08-01 | 康键信息技术(深圳)有限公司 | 病患报告生成方法、装置、电子设备及介质 |
-
2023
- 2023-09-18 CN CN202311196099.2A patent/CN116936132B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109726735A (zh) * | 2018-11-27 | 2019-05-07 | 南京邮电大学 | 一种基于K-means聚类和随机森林算法的移动应用程序识别方法 |
CN113782214A (zh) * | 2021-09-09 | 2021-12-10 | 浙江雲禾健康管理有限公司 | 一种具有健康数据分析功能的健康管理方法和系统 |
CN114343585A (zh) * | 2022-01-13 | 2022-04-15 | 平安科技(深圳)有限公司 | 认知和行为障碍的预警方法、装置、设备及存储介质 |
CN115330800A (zh) * | 2022-10-14 | 2022-11-11 | 深圳市亿康医疗技术有限公司 | 基于图像处理的放疗靶区自动分割方法 |
CN116525053A (zh) * | 2023-04-28 | 2023-08-01 | 康键信息技术(深圳)有限公司 | 病患报告生成方法、装置、电子设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN116936132A (zh) | 2023-10-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110807495B (zh) | 多标签分类方法、装置、电子设备及存储介质 | |
CN111582342B (zh) | 一种图像识别方法、装置、设备以及可读存储介质 | |
Nishadi | Predicting heart diseases in logistic regression of machine learning algorithms by Python Jupyterlab | |
CN109543718B (zh) | 修改病种描述的方法和装置 | |
US10176202B1 (en) | Methods and systems for content-based image retrieval | |
CN116091432A (zh) | 一种用于医疗内窥镜检查的质控方法、装置及计算机设备 | |
CN116936132B (zh) | 基于大数据的智慧医疗病情监控方法及系统 | |
CN114203300A (zh) | 一种健康状态评估方法及系统、服务端、存储介质 | |
CN113724188A (zh) | 一种病灶图像的处理方法以及相关装置 | |
CN115019305B (zh) | 一种根尖细胞的识别方法、装置、设备及可读存储介质 | |
CN112115182A (zh) | 时序数据的处理方法、装置、设备及存储介质 | |
CN116343980A (zh) | 一种基于智慧医疗复诊随访数据处理方法及系统 | |
CN111340540A (zh) | 广告推荐模型的监控方法、推荐方法及装置 | |
CN115019928A (zh) | 实时调整康复方案的方法、装置、设备及可读存储介质 | |
CN111652433B (zh) | 养老费用测算装置 | |
CN114648688A (zh) | 高铁沿线景观等级评估方法、系统、设备及可读存储介质 | |
CN110969209B (zh) | 一种陌生人识别方法、装置、电子设备及存储介质 | |
CN114118306A (zh) | Sds凝胶电泳实验数据的分析方法、装置及sds凝胶试剂 | |
CN110033862B (zh) | 一种基于加权有向图的中医量化诊断系统及存储介质 | |
CN113782212A (zh) | 一种数据处理系统 | |
CN115147661B (zh) | 一种染色体分类方法、装置、设备及可读存储介质 | |
CN116936119A (zh) | 一种血库智能调度管理系统及方法 | |
CN115237739B (zh) | 板卡运行环境的分析方法、装置、设备及可读存储介质 | |
CN114239741B (zh) | 基于证据推理分类器的医疗数据分类方法及相关设备 | |
CN117253064A (zh) | 一种可自定义监测数据的方法及系统 |
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 |