CN117116502A - 基于人工智能和大数据构造手术画像知识图的方法和系统 - Google Patents
基于人工智能和大数据构造手术画像知识图的方法和系统 Download PDFInfo
- Publication number
- CN117116502A CN117116502A CN202311162262.3A CN202311162262A CN117116502A CN 117116502 A CN117116502 A CN 117116502A CN 202311162262 A CN202311162262 A CN 202311162262A CN 117116502 A CN117116502 A CN 117116502A
- Authority
- CN
- China
- Prior art keywords
- feature
- name
- layer
- data
- data set
- 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
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 21
- 238000013507 mapping Methods 0.000 claims abstract description 36
- 238000013506 data mapping Methods 0.000 claims abstract description 15
- 238000013480 data collection Methods 0.000 claims abstract description 10
- 238000001356 surgical procedure Methods 0.000 claims description 17
- 238000010276 construction Methods 0.000 claims description 15
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 238000004140 cleaning Methods 0.000 claims description 7
- 230000010354 integration Effects 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 7
- 206010071229 Procedural haemorrhage Diseases 0.000 claims description 4
- 238000010882 preoperative diagnosis Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 10
- 208000032843 Hemorrhage Diseases 0.000 description 10
- 230000000740 bleeding effect Effects 0.000 description 10
- 238000010606 normalization Methods 0.000 description 3
- 238000013468 resource allocation Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 206010002091 Anaesthesia Diseases 0.000 description 1
- 206010053476 Traumatic haemorrhage Diseases 0.000 description 1
- 230000037005 anaesthesia Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001502 supplementing 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
- G16H70/00—ICT specially adapted for the handling or processing of medical references
- G16H70/20—ICT specially adapted for the handling or processing of medical references relating to practices or guidelines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/25—Integrating or interfacing systems involving database management systems
- G06F16/254—Extract, transform and load [ETL] procedures, e.g. ETL data flows in data warehouses
-
- 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
- G06F16/90335—Query processing
- G06F16/90344—Query processing by using string matching techniques
-
- 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
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Computational Linguistics (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- General Business, Economics & Management (AREA)
- Probability & Statistics with Applications (AREA)
- Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Bioethics (AREA)
- Pathology (AREA)
- Quality & Reliability (AREA)
- Computing Systems (AREA)
- Fuzzy Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明公开了基于人工智能和大数据构造手术画像知识图的方法和系统,属于数据处理技术领域,包括:步骤S1:数据收集模块获取第一数据集和第二数据集;步骤S2:手术画像知识图内设定通用逻辑结构,其包括四个特征层,每个特征层从上至下依次排列且包括多个特征点,手术画像知识图设定各个特征点的得分,并设定得分级别;步骤S3:数据映射单元设置映射条件,将第一数据集和第二数据集分别映射在通用逻辑结构的每个特征点中,组成特征结构,基于特征点的得分获取对应得分级别;步骤S4:手术画像知识图构建完成后,将实际手术名称输入模型中,模型输出对应的分层结果和得分级别。通过本发明可以实现不同医疗机构中不同手术类型的分类。
Description
技术领域
本发明属于数据处理技术领域,具体涉及基于人工智能和大数据构造手术画像知识图的方法和系统。
背景技术
随着循证医学的不断发展,建立医疗手术大数据库在当前势在必行,通过收集各个医疗机构的手术数量、手术质量和手术难度等资料,可以便于研究人员进行横向对比,分析医疗资源分配与优势互补的方式。然而,由于不同医疗机构会存在手术名称不规范、手术复杂性以及手术组合等因素,使得手术分类难以界定,从而较难评估相同的手术类型在不同医疗机构进行操作的手术效果。
基于上述问题,现有技术中提出了如下的手术信息处理方法,例如中国专利申请“CN112749307A”公开了一种医学数据的处理方法、装置及存储介质,该处理方法包括获取原始医学数据,所述原始医学数据包含原始手术信息;将所述原始手术信息与标准手术信息表的标准词匹配,获得匹配关系;基于匹配关系,筛选出分别包含原始手术信息和标准词的待处理手术信息;通过分类算法,对所述待处理手术信息进行归一化处理,以得到目标医学数据。该方法能够准确高效地针对包含复杂描述的手术信息的医学数据进行处理,从而智能化地处理手术信息。又例如中国专利申请“CN112735545A”公开了一种自训练方法、模型、处理方法、装置及存储介质,该方法包括获取具有排序标注的文本;提取文本中的医学特征信息;基于从文本中获取的手术信息,获取表征手术的属性信息;将医学特征信息和属性信息与排序标注构建关联关系,以能够基于关联关系将包含医学特征信息和属性信息的待排序文本中的手术项按排序标注的方式排序;或包括:获取包含手术项的文本;提取医学特征信息;基于从该文本中获取的手术信息,获取属性信息;根据医学特征信息和属性信息,按照所述关联关系对该文本的手术项排序。该方法能够准确高效地标准化处理完整的医疗文本,整理出有序的手术信息。
然后,上述现有技术是对手术信息的获取与处理,并未对不同医疗机构的大量手术信息进行分类和统计分析。
发明内容
为解决上述问题,本发明提供了基于人工智能和大数据构造手术画像知识图的方法和系统,以解决现有技术中的问题。
为了达到上述的发明目的,本发明提出基于人工智能和大数据构造手术画像知识图的方法,包括:
步骤S1:数据收集模块获取第一数据集和第二数据集,所述第一数据集包括手术级别、手术时长和术中出血量,所述第二数据集包括医院名称、科室名称、实际手术名称和关键特征,所述关键特征包括术前诊断和手术经过,所述手术级别包括一级手术、二级手术、三级手术和四级手术,所述数据收集模块分别对所述第一数据集和所述第二数据集进行数据转换、数据集成、数据清洗和特征构建,并将所述第二数据集进行分层统计,其中第一层单元为所述医院名称,第二层单元为所述科室名称,第三层单元为所述实际手术名称,第四层单元为所述关键特征,将所述第一层单元至所述第四层单元依次划分并连接,所述第二数据集的划分结果定义为分层结果;
步骤S2:逻辑构造模块内设置有手术画像知识图,所述手术画像知识图内设定通用逻辑结构,所述通用逻辑结构包括第一特征层、第二特征层、第三特征层和第四特征层,每个特征层依次排列且包括多个特征点,其中,所述第三特征层和所述第四特征层包括的所述特征点均由其它所述特征层所述特征点进行设定,所述手术画像知识图设定各个所述特征点的得分,并设定得分级别;
步骤S3:数据映射单元设置映射条件,所述映射条件包括字符数量判断和文本相似度判断,获取所述第一数据集和所述第二数据集,基于所述映射条件将所述第一数据集分别映射在所述通用逻辑结构的每个所述特征点中,基于所述第一数据集和所述第二数据集中数据的对应关系,将映射后的特征点由所述第一特征层向所述第四特征层的方向依次连接,组成特征结构,基于所述特征结构中所述特征点的得分获取对应所述得分级别;
步骤S4:手术画像知识图构建完成后,将所述实际手术名称输入至所述手术画像知识图中,所述手术画像知识图输出对应的所述分层结果和所述得分级别。
进一步的,所述步骤S2中,基于以下步骤设定每个特征层的所述特征点:
将所述实际手术名称设定为所述第一特征层的所述特征点,将所述实际手术名称对应的所述手术级别设定为所述第二特征层的各个所述特征点,包括一级特征点、二级特征点、三级特征点和四级特征点,所述第三特征层包括多个第一子特征层,每个所述第一子特征层包括多个第一子特征点,且所述第二特征层中不同的所述特征点对应不同的所述第一子特征层,所述第四特征层包括多个第二子特征层,每个所述第二子特征层包括多个第二子特征点,且所述第三特征层中不同的所述第一子特征点对应不同的所述第二子特征层。
进一步的,所述步骤S2之后,所述数据映射单元设置所述映射条件包括:
获取标准手术名称,抽取所述第二数据集中的所述实际手术名称,分别获取所述实际手术名称和所述标准手术名称的字符数量,所述字符数量模块判断所述实际手术名称的字符数量是否大于等于所述标准手术名称的字符数量,是的情况下,则获取所述实际手术名称和所述标准手术名称的第一相似度,否的情况下,则将所述实际手术名称对应的所述第一数据集进行人工筛选。
进一步的,所述步骤S3中,基于以下步骤获取所述第一相似度:
若所述实际手术名称的字符数量等于所述标准手术名称的字符数量,则进行字符对比,分别获取所述实际手术名称和所述标准手术名称的第一位至末位字符,按照第一位至末位的顺序依次进行字符的对比,基于第一公式计算所述第一相似度a,所述第一公式为:其中,m为所述实际手术名称字符的数量,n为所述实际手术名称和所述标准手术名称字符相同的数量,若所述第一相似度为100%,将所述数据映射单元将所述实际手术名称映射为所述标准手术名称,若所述第一相似度不为100%,则将所述实际手术名称对应的所述第二数据集进行人工筛选;
若所述实际手术名称的字符数量大于所述标准手术名称的字符数量,则从所述实际手术名称中抽取第二位置的字符,定义从所述实际手术名称中抽取的字符为第一字符,将所述第一字符与各个所述标准手术名称的首个字符进行对比,直至获取所述标准手术名称中与所述第一字符相同的第二字符,若未匹配到与所述第一字符相同的所述第二字符,则从所述实际手术名称中抽取第三位置的字符继续进行对比,重复本步骤,直至获取与所述第一字符相同的所述第二字符;
获取所述第一字符相邻的第三字符,所述标准手术名称与各个所述第二字符相邻的第四字符,若存在所述第三字符与所述第四字符相同,则判断所述实际手术名称为多个所述标准手术名称组成,将所述实际手术名称定义为组合手术,并将所述组合手术进行映射。
进一步的,所述组合手术的映射方式包括:
定义所述实际手术名称中所述第一字符之前的字符为主要手术名称,定义所述第一字符与之后的字符为次要手术名称,根据所述主要手术名称和所述次要手术名称的所述手术级别增加设定所述第二特征层的所述特征点,基于所述步骤S3将所述组合手术映射至所述特征点,并基于所述主要手术名称对所述组合手术进行分级。
本发明还提供了基于人工智能和大数据构造手术画像知识图系统,该系统用于实现上述所述的基于人工智能和大数据构造手术画像知识图的方法,该系统主要包括:
数据收集模块,用于获取第一数据集和第二数据集,所述第一数据集包括手术级别、手术时长和术中出血量,所述第二数据集包括医院名称、科室名称、实际手术名称和关键特征,所述关键特征包括术前诊断和手术经过,所述手术级别包括一级手术、二级手术、三级手术和四级手术,所述数据收集模块分别对所述第一数据集和所述第二数据集进行数据转换、数据集成、数据清洗和特征构建,并将所述第二数据集进行分层统计,其中第一层单元为所述医院名称,第二层单元为所述科室名称,第三层单元为所述实际手术名称,第四层单元为所述关键特征,将所述第一层单元至所述第四层单元依次划分并连接,所述第二数据集的划分结果定义为分层结果;
逻辑构造模块,用于设置手术画像知识图,所述手术画像知识图内设定通用逻辑结构,所述通用逻辑结构包括第一特征层、第二特征层、第三特征层和第四特征层,每个特征层依次排列且包括多个特征点,其中,所述第三特征层和所述第四特征层包括的所述特征点均由其它所述特征层所述特征点进行设定,所述手术画像知识图设定各个所述特征点的得分,并设定得分级别;
数据映射单元,设置映射条件,所述映射条件包括字符数量判断和文本相似度判断,获取所述第一数据集和所述第二数据集,基于所述映射条件将所述第一数据集分别映射在所述通用逻辑结构的每个所述特征点中,基于所述第一数据集和所述第二数据集中数据的对应关系,将映射后的特征点由所述第一特征层向所述第四特征层的方向依次连接,组成特征结构,基于所述特征结构中所述特征点的得分获取对应所述得分级别。
与现有技术相比,本发明的有益效果至少如下所述:
本发明首先收集不同医疗机构不同科室的手术记录数据,通过手术记录数据包含的手术信息数据构建手术画像知识图,该模型可以对各个医疗机构的历史手术数据进行手术数量统计、手术质量评级和手术类型分类,在模型构建完成后,将手术名称输入该模型中,可以输出包括该手术名称的医院,以及对应的手术质量评级结果,便于向医生提供术前参考。通过本发明建立手术画像知识图,手术画像知识图将多个医疗机构的手术记录数据作为输入数据,从而对手术类型进行详细分类,这样就可以评估各个医疗机构的资源分配情况,有力的帮助各个医疗机构实现优势互补。
本发明还通过字符对比的方法对各个医疗机构的手术名称进行规范性处理,使得各个手术名称完全映射在手术画像知识图中,手术画像知识图可以较准确地对各个手术名称进行分类,从而精准输出与手术名称对应的结果。
附图说明
图1为本发明基于人工智能和大数据构造手术画像知识图的方法步骤流程图;
图2为本发明构造手术画像知识图的原理图;
图3为本发明基于人工智能和大数据构造手术画像系统的结构图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
可以理解,本申请所使用的术语“第一”、“第二”等可在本文中用于描述各种元件,但除非特别说明,这些元件不受这些术语限制。这些术语仅用于将第一个元件与另一个元件区分。举例来说,在不脱离本申请的范围的情况下,可以将第一xx脚本称为第二xx脚本,且类似地,可将第二xx脚本称为第一xx脚本。
如图1所示,基于人工智能和大数据构造手术画像知识图的方法,包括:
步骤S1:数据收集模块获取第一数据集和第二数据集,第一数据集包括手术级别、手术时长和术中出血量,第二数据集包括医院名称、科室名称、实际手术名称和关键特征,关键特征包括术前诊断和手术经过,手术级别包括一级手术、二级手术、三级手术和四级手术,数据收集模块分别对第一数据集和第二数据集进行数据转换、数据集成、数据清洗和特征构建,并将第二数据集进行分层统计,其中第一层单元为医院名称,第二层单元为科室名称,第三层单元为实际手术名称,第四层单元为关键特征,将第一层单元至第四层单元依次划分并连接,第二数据集的划分结果定义为分层结果。
具体的,在组成数据集之前,通过人工智能方法对各个医疗机构的手术记录进行数据预处理,包括数据转换、数据集成、数据清洗和特征构建,数据转换是将将不同医院的不同格式和单位数据转换成预定义的标准模式,数据集成是以单个手术为中心集成患者信息、实验室检验、手术、输血等围术期数据,数据清洗可以过滤关键特征,例如过滤掉手术名称和术前术后HB缺失的记录,过滤掉例如失血量小于0、外伤大出血和急诊手术等手术数据;第一数据集和第二数据集均包括各个医疗机构的手术记录数据,手术级别是指各个医疗机构对手术操作难度的分级,其中,一级手术、二级手术、三级手术和四级手术分别对应由易至难的手术级别,基于手术名称判断其属于哪个级别是本领域公知常识;手术时长是指手术开始至手术结束的使用时间,手术时长越长说明手术比较复杂或者手术步骤较多,也可能与手术操作者的技术熟练程度相关,术中出血量是指手术过程中的出血量,其中术中出血的控制和处理是对手术操作水平的一种衡量方式,例如,不同医疗机构进行同一种手术类型的手术时,筛选出手术时长较短且术中出血量较少的医疗机构,则判断该医疗机构的手术操作水平相对较好,医院名称是指进行手术操作的医疗机构名称,实际手术名称是指手术记录数据中的手术命名;本实施例为方便描述,直接以名称进行介绍,在其它实施例中,还可以将手术名称进行编码作为手术的规范化名称进行模型的训练,在采用编码的情况下,利用基于相似度匹配和人工核查的方法,人工核查基于历史数据中医生描述的非规范手术名称和编码员编码后的规范化手术名称。手术经过是记录手术过程中的操作详情,包括手术方式的制定、手术操作流程、麻醉相关事宜、术中观察和术中出血量。第一数据集和第二数据集是对同一手术记录数据的不同种类进行划分,若第一数据集缺少一类或多类信息,则通过文本识别的方式从第二数据集中提取缺失的数据进行补充,通过手术经过的文本信息筛选计算出手术时长和术中出血量。
步骤S2:逻辑构造模块内设置有手术画像知识图,手术画像知识图内设定通用逻辑结构,通用逻辑结构包括第一特征层、第二特征层、第三特征层和第四特征层,每个特征层依次排列且包括多个特征点,其中,第三特征层和第四特征层包括的特征点均由其它特征层特征点进行设定,手术画像知识图设定各个特征点的得分,并设定得分级别。
如图2所示,下面通过图2对本步骤的原理进行解释,图2为通用逻辑结构组成手术画像知识图,其中,第一特征层H1包括一个特征点h1,第二特征层H2包括5个特征点,在第三特征层H3中分别包括4个特征点与第二特征层中每一个特征点相对应,同样的,在第四特征层H4中分别包括4个特征点与第三特征层中每一个特征点相对应。事先分别对第三特征层H3和第四特征层H4包括的各个特征点设定分值,例如,在本实施例中,第三特征层H3中特征点h31、h32、h33和h34分别设定分值为90分、80分、70分和60分,第四特征层H4中特征点h41、h42、h43和h44分别设定分值为90分、80分、70分和60分,设定得分级别包括优秀级别、较好级别、良好级别和一般级别,其中,优秀级别得分为180分,较好级别的得分区间为[160,180),良好级别的得分区间为[140,160),一般级别的得分区间为[120,140)。
步骤S3:数据映射单元设置映射条件,映射条件包括字符数量判断和文本相似度判断,获取第一数据集和第二数据集,基于映射条件将第一数据集分别映射在通用逻辑结构的每个特征点中,基于第一数据集和第二数据集中数据的对应关系,将映射后的特征点由第一特征层向第四特征层的方向依次连接,组成特征结构,基于特征结构中特征点的得分获取对应得分级别。
具体的,数据映射单元可以基于映射条件将第一数据集和第二数据集分别映射在每个特征层的各个特征点上,且映射结果是唯一的,如图2所示,在本实施例中,将第二数据集中实际手术名称映射在第一特征层H1的特征点h1上,将对应的第一数据集中手术级别映射在第二特征层H2的某个特征点上,手术时长映射在第三特征层H3的某个特征点上,术中出血量映射在第四特征层H4的某个特征点上,将数据映射后的每个特征点定义为映射结果,将映射结果依次连接,组成对应的特征结构,根据特征结构所包含的特征点得分进行累加分值,判断特征结构的得分区间,从而获取第一数据集和第二数据集的得分级别。
步骤S4:手术画像知识图构建完成后,将实际手术名称输入至手术画像知识图中,手术画像知识图输出对应的分层结果和得分级别。
具体的,首先在手术画像知识图中输入实际手术名称,可以统计对应第一数据集的得分级别和分布情况,然后对比相同的手术类型在不同医疗机构进行操作后的得分级别,定位出属于优秀级别的第一数据集和第二数据集,根据第二数据集的分层结果可以获取实际手术名称、医院名称、科室名称、关键特征的树形结构,因此可以对各个医疗机构和科室的手术级别进行分类,从而建立医疗知识库,通过对比不同医疗机构、科室和手术的数量、手术时长、术中出血量的基线水平衡量当前医疗水平,评估手术操作合理性并找到改进的空间。
本发明首先收集不同医疗机构不同科室的手术记录数据,通过手术记录数据包含的手术信息数据构建手术画像知识图,该模型可以对各个医疗机构的历史手术数据进行手术数量统计、手术质量评级和手术类型分类,在模型构建完成后,将手术名称输入该模型中,可以输出包括该手术名称的医院,以及对应的手术质量评级结果,便于向医生提供术前参考。通过本发明建立手术画像知识图,手术画像知识图将多个医疗机构的手术记录数据作为输入数据,从而对手术类型进行详细分类,这样就可以评估各个医疗机构的资源分配情况,有力的帮助各个医疗机构实现优势互补。
本发明还通过字符对比的方法对各个医疗机构的手术名称进行规范性处理,使得各个手术名称完全映射在手术画像知识图中,手术画像知识图可以较准确地对各个手术名称进行分类,从而精准输出与手术名称对应的结果。
步骤S2中,基于以下步骤设定每个特征层的特征点:
将实际手术名称设定为第一特征层的特征点,将实际手术名称对应的手术级别设定为第二特征层的各个特征点,包括一级特征点、二级特征点、三级特征点和四级特征点,第三特征层包括多个第一子特征层,每个第一子特征层包括多个第一子特征点,且第二特征层中不同的特征点对应不同的第一子特征层,第四特征层包括多个第二子特征层,每个第二子特征层包括多个第二子特征点,且第三特征层中不同的第一子特征点对应不同的第二子特征层。
具体的,如图2所示,在本实施例中,第一特征层H1的特征点h1设定为实际手术名称,第二特征层H2的一级特征点h21设定为一级手术难度,二级特征点h22设定为二级手术难度,三级特征点h23设定为三级手术难度,四级特征点h24设定为四级手术难度,第三特征层H3是由多个第一子特征层E1组成,其中第一子特征层E1包括的特征点h31、h32、h33和h34是依据第二特征层H2的特征点进行设定,同样地,第四特征层H4是由多个第二子特征层E2组成,其中第二子特征层E2包括的特征点h41、h42、h43和h44是依据第三特征层H3的特征点进行设定,例如,设定第二特征层H2的一级特征点h21为一级手术难度,对应第三特征层H3的特征点h31、h32、h33和h34设定为手术时长的区间,分别为(0,20]、(20,40]、(40,60]和大于60,其中手术时长的单位为分钟,第四特征层H4的特征点h41、h42、h43和h44设定为术中出血量的区间,分别为(0,100]、(100,200]、(200,400]和大于400,其中术中出血量的单位为毫升。
步骤S2之后,数据映射单元设置映射条件包括:
获取标准手术名称,抽取第二数据集中的实际手术名称,分别获取实际手术名称和标准手术名称的字符数量,字符数量模块判断实际手术名称的字符数量是否大于等于标准手术名称的字符数量,是的情况下,则获取实际手术名称和标准手术名称的第一相似度,否的情况下,则将实际手术名称对应的第一数据集进行人工筛选。
具体的,标准手术名称是指记录完整且规范的手术命名,可以通过医疗机构的手术分级目录获取,在第二数据集中随机抽取实际手术名称与标准手术名称进行字符判断,字符数量模块由数据映射单元设定,首先分别获取实际手术名称和标准手术名称的字符数量,在本实施例中,字符数量是指文本中字符的计数,然后判断对应的两个字符数量是否一致,若实际手术名称的字符数量大于等于标准手术名称的字符数量,则获取实际手术名称和标准手术名称的第一相似度;若实际手术名称的字符数量小于标准手术名称,则说明实际手术名称存在信息不完整的记录,将对应的实际手术名称记录进行人工处理。例如,字符数量模块获取实际手术名称的字符数量为7,获取标准手术名称的字符数量为6,则可对实际手术名称和标准手术名称进行下一步骤的字符相似度判断;又例如,字符数量模块获取实际手术名称的字符数量为5,获取标准手术名称的字符数量为6,实际手术名称可能存在不完整信息,保留实际手术名称对应的数据集进行人工处理。
步骤S3中,基于以下步骤获取第一相似度:
若实际手术名称的字符数量等于标准手术名称的字符数量,则进行字符对比,分别获取实际手术名称和标准手术名称的第一位至末位字符,按照第一位至末位的顺序依次进行字符的对比,基于第一公式计算第一相似度a,第一公式为:其中,m为实际手术名称字符的数量,n为实际手术名称和标准手术名称字符相同的数量,若第一相似度为100%,将数据映射单元将实际手术名称映射为标准手术名称,若第一相似度不为100%,则将实际手术名称对应的第二数据集进行人工筛选。
具体的,在本实施例中,字符对比是指判断两个字符是否相同,当实际手术名称和标准手术名称的字符数量相等,则进行字符对比,例如,实际手术名称和标准手术名称的字符数量均为7,分别获取实际手术名称和标准手术名称的第一位至第七位字符,从第一位字符开始依次进行实际手术名称和标准手术名称在相同位置的字符对比,若获取位置相同且字符相同的数量为7,由第一公式计算出第一相似度a=100%,则判断实际手术名称和标准手术名称的字符完全相同,若获取位置相同且字符相同的数量为5,则第一相似度a≠100%,说明实际手术名称和标准手术名称在某一位置的字符不相同,实际手术名称存在记录误差,将实际手术名称对应的数据集进行人工处理。
若实际手术名称的字符数量大于标准手术名称的字符数量,则从实际手术名称中抽取第二位置的字符,定义从实际手术名称中抽取的字符为第一字符,将第一字符与各个标准手术名称的首个字符进行对比,直至获取标准手术名称中与第一字符相同的第二字符,若未匹配到与第一字符相同的第二字符,则从实际手术名称中抽取第三位置的字符继续进行对比,重复本步骤,直至获取与第一字符相同的第二字符;
获取第一字符相邻的第三字符,标准手术名称与各个第二字符相邻的第四字符,若存在第三字符与第四字符相同,则判断实际手术名称为多个标准手术名称组成,将实际手术名称定义为组合手术,并将组合手术进行映射。
具体的,在本实施例中,首先获取实际手术名称第二位置的字符定义为第一字符,依次将第一字符与各个标准手术名称的首个字符进行对比,若标准手术名称的首个字符与第一字符相同,则将对应的标准手术名称首个字符定义为第二字符,若与第一字符不相同,则将实际手术名称第三位置的字符定义为第一字符,重复本步骤,直至获取与第二字符相同的第一字符,若实际手术名称中每一位字符均与各个标准手术名称的首个字符不相同,则将其对应的数据集进行人工筛选。
依次判断实际手术名称中第一字符所在的位置至末位的字符是否与标准手术名称的字符相同,定义为第一结果,若第一结果相同,则继续判断实际手术名称中第一位置至第一字符位置前一位的字符是否与标准手术名称的字符相同,定义为第二结果,若第二结果相同,则判别实际手术名称是由多个标准手术名称组成的,将其定义为组合手术;若第二结果不相同,则判别实际手术名称中第一位置至第一字符位置前一位的字符存在记录不完整或记录错误,并将实际手术名称替换为第一结果对应的字符文本信息。例如,实际手术名称为“ABCDEFG”,标准手术名称为“DEFG”,则实际手术名称的字符数量为7,其大于各个标准手术名称的字符数量4,第一字符位于实际手术名称的第四位,且第五位至末位的字符均与标准手术名称相同,则继续判断实际手术名称第一位至第三位字符是否均与标准手术名称相同,若相同,则判别实际手术名称是由两个标准手术名称组成的,若实际手术名称第一位至第三位字符与标准手术名称不相同,则删除第一位至第三位的字符,并保留实际手术名称第四位至末位的字符,并将实际手术名称更改为第四位至末位的字符文本信息。
进一步的,组合手术的映射方式包括:
定义实际手术名称中第一字符之前的字符为主要手术名称,定义第一字符与之后的字符为次要手术名称,根据主要手术名称和次要手术名称的手术级别增加设定第二特征层的特征点,基于步骤S3将组合手术映射至特征点,并基于主要手术名称对组合手术进行分级。
具体的,基于上述分析,组合手术是由多个标准手术名称组成,获取第一字符所在的位置,将实际手术名称的第一位置至第一字符位置前一位的字符定义为主要手术名称,将第一字符位置至末位的字符定义为次要手术名称,根据组合手术包含的标准手术名称进行每一特征层的特征点设定,如图2所示,在本实施例中,将组合手术设定为第二特征层H2的特征点h25上,然后执行步骤S3,完成组合手术的映射。
如图3所示,本发明还提供了基于人工智能和大数据构造手术画像知识图系统,该系统用于实现上述的基于人工智能和大数据构造手术画像知识图的方法,该系统主要包括:
数据收集模块,用于获取第一数据集和第二数据集,第一数据集包括手术级别、手术时长和术中出血量,第二数据集包括医院名称、实际手术名称和手术经过,手术级别包括一级手术、二级手术、三级手术和四级手术;
逻辑构造模块,用于设置手术画像知识图,手术画像知识图内设定通用逻辑结构,通用逻辑结构包括第一特征层、第二特征层、第三特征层和第四特征层,每个特征层依次排列且包括多个特征点,其中,第三特征层和第四特征层包括的特征点均由其它特征层特征点进行设定,手术画像知识图设定各个特征点的得分,并设定得分级别;
数据映射单元,设置映射条件,映射条件包括字符数量判断和文本相似度判断,获取第一数据集和第二数据集,基于映射条件将第一数据集分别映射在通用逻辑结构的每个特征点中,基于第一数据集和第二数据集中数据的对应关系,将映射后的特征点由第一特征层向第四特征层的方向依次连接,组成特征结构,基于特征结构中特征点的得分获取对应得分级别。
应该理解的是,虽然本发明各实施例的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,各实施例中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
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,上述的程序可存储于一个非易失性计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各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以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、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。
上述的实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
上述的实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
上述的仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.基于人工智能和大数据构造手术画像知识图的方法,其特征在于,包括:
步骤S1:数据收集模块获取第一数据集和第二数据集,所述第一数据集包括手术级别、手术时长和术中出血量,所述第二数据集包括医院名称、科室名称、实际手术名称和关键特征,所述关键特征包括术前诊断和手术经过,所述手术级别包括一级手术、二级手术、三级手术和四级手术,所述数据收集模块分别对所述第一数据集和所述第二数据集进行数据转换、数据集成、数据清洗和特征构建,并将所述第二数据集进行分层统计,其中第一层单元为所述医院名称,第二层单元为所述科室名称,第三层单元为所述实际手术名称,第四层单元为所述关键特征,将所述第一层单元至所述第四层单元依次划分并连接,所述第二数据集的划分结果定义为分层结果;
步骤S2:逻辑构造模块内设置有手术画像知识图,所述手术画像知识图内设定通用逻辑结构,所述通用逻辑结构包括第一特征层、第二特征层、第三特征层和第四特征层,每个特征层依次排列且包括多个特征点,其中,所述第三特征层和所述第四特征层包括的所述特征点均由其它所述特征层所述特征点进行设定,所述手术画像知识图设定各个所述特征点的得分,并设定得分级别;
步骤S3:数据映射单元设置映射条件,所述映射条件包括字符数量判断和文本相似度判断,获取所述第一数据集和所述第二数据集,基于所述映射条件将所述第一数据集分别映射在所述通用逻辑结构的每个所述特征点中,基于所述第一数据集和所述第二数据集中数据的对应关系,将映射后的特征点由所述第一特征层向所述第四特征层的方向依次连接,组成特征结构,基于所述特征结构中所述特征点的得分获取对应所述得分级别;
步骤S4:手术画像知识图构建完成后,将所述实际手术名称输入至所述手术画像知识图中,所述手术画像知识图输出对应的所述分层结果和所述得分级别。
2.根据权利要求1所述的基于人工智能和大数据构造手术画像知识图的方法,其特征在于,所述步骤S2中,基于以下步骤设定每个特征层的所述特征点:
将所述实际手术名称设定为所述第一特征层的所述特征点,将所述实际手术名称对应的所述手术级别设定为所述第二特征层的各个所述特征点,包括一级特征点、二级特征点、三级特征点和四级特征点,所述第三特征层包括多个第一子特征层,每个所述第一子特征层包括多个第一子特征点,且所述第二特征层中不同的所述特征点对应不同的所述第一子特征层,所述第四特征层包括多个第二子特征层,每个所述第二子特征层包括多个第二子特征点,且所述第三特征层中不同的所述第一子特征点对应不同的所述第二子特征层。
3.根据权利要求1所述的基于人工智能和大数据构造手术画像知识图的方法,其特征在于,所述步骤S2之后,所述数据映射单元设置所述映射条件包括:
获取标准手术名称,抽取所述第二数据集中的所述实际手术名称,分别获取所述实际手术名称和所述标准手术名称的字符数量,所述字符数量模块判断所述实际手术名称的字符数量是否大于等于所述标准手术名称的字符数量,是的情况下,则获取所述实际手术名称和所述标准手术名称的第一相似度,否的情况下,则将所述实际手术名称对应的所述第一数据集进行人工筛选。
4.根据权利要求3所述的基于人工智能和大数据构造手术画像知识图的方法,其特征在于,所述步骤S3中,基于以下步骤获取所述第一相似度:
若所述实际手术名称的字符数量等于所述标准手术名称的字符数量,则进行字符对比,分别获取所述实际手术名称和所述标准手术名称的第一位至末位字符,按照第一位至末位的顺序依次进行字符的对比,基于第一公式计算所述第一相似度a,所述第一公式为:其中,m为所述实际手术名称字符的数量,n为所述实际手术名称和所述标准手术名称字符相同的数量,若所述第一相似度为100%,将所述数据映射单元将所述实际手术名称映射为所述标准手术名称,若所述第一相似度不为100%,则将所述实际手术名称对应的所述第二数据集进行人工筛选;
若所述实际手术名称的字符数量大于所述标准手术名称的字符数量,则从所述实际手术名称中抽取第二位置的字符,定义从所述实际手术名称中抽取的字符为第一字符,将所述第一字符与各个所述标准手术名称的首个字符进行对比,直至获取所述标准手术名称中与所述第一字符相同的第二字符,若未匹配到与所述第一字符相同的所述第二字符,则从所述实际手术名称中抽取第三位置的字符继续进行对比,重复本步骤,直至获取与所述第一字符相同的所述第二字符;
获取所述第一字符相邻的第三字符,所述标准手术名称与各个所述第二字符相邻的第四字符,若存在所述第三字符与所述第四字符相同,则判断所述实际手术名称为多个所述标准手术名称组成,将所述实际手术名称定义为组合手术,并将所述组合手术进行映射。
5.根据权利要求4所述的基于人工智能和大数据构造手术画像知识图的方法,其特征在于,所述组合手术的映射方式包括:
定义所述实际手术名称中所述第一字符之前的字符为主要手术名称,定义所述第一字符与之后的字符为次要手术名称,根据所述主要手术名称和所述次要手术名称的所述手术级别增加设定所述第二特征层的所述特征点,基于所述步骤S3将所述组合手术映射至所述特征点,并基于所述主要手术名称对所述组合手术进行分级。
6.基于人工智能和大数据构造手术画像知识图系统,用于实现如权利要求1-5任一项所述的基于人工智能和大数据构造手术画像知识图的方法,其特征在于,包括:
数据收集模块,用于获取第一数据集和第二数据集,所述第一数据集包括手术级别、手术时长和术中出血量,所述第二数据集包括医院名称、科室名称、实际手术名称和关键特征,所述关键特征包括术前诊断和手术经过,所述手术级别包括一级手术、二级手术、三级手术和四级手术,所述数据收集模块分别对所述第一数据集和所述第二数据集进行数据转换、数据集成、数据清洗和特征构建,并将所述第二数据集进行分层统计,其中第一层单元为所述医院名称,第二层单元为所述科室名称,第三层单元为所述实际手术名称,第四层单元为所述关键特征,将所述第一层单元至所述第四层单元依次划分并连接,所述第二数据集的划分结果定义为分层结果;
逻辑构造模块,用于设置手术画像知识图,所述手术画像知识图内设定通用逻辑结构,所述通用逻辑结构包括第一特征层、第二特征层、第三特征层和第四特征层,每个特征层依次排列且包括多个特征点,其中,所述第三特征层和所述第四特征层包括的所述特征点均由其它所述特征层所述特征点进行设定,所述手术画像知识图设定各个所述特征点的得分,并设定得分级别;
数据映射单元,设置映射条件,所述映射条件包括字符数量判断和文本相似度判断,获取所述第一数据集和所述第二数据集,基于所述映射条件将所述第一数据集分别映射在所述通用逻辑结构的每个所述特征点中,基于所述第一数据集和所述第二数据集中数据的对应关系,将映射后的特征点由所述第一特征层向所述第四特征层的方向依次连接,组成特征结构,基于所述特征结构中所述特征点的得分获取对应所述得分级别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311162262.3A CN117116502B (zh) | 2023-09-11 | 2023-09-11 | 基于人工智能和大数据构造手术画像知识图的方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311162262.3A CN117116502B (zh) | 2023-09-11 | 2023-09-11 | 基于人工智能和大数据构造手术画像知识图的方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117116502A true CN117116502A (zh) | 2023-11-24 |
CN117116502B CN117116502B (zh) | 2024-04-05 |
Family
ID=88805521
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311162262.3A Active CN117116502B (zh) | 2023-09-11 | 2023-09-11 | 基于人工智能和大数据构造手术画像知识图的方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117116502B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106952020A (zh) * | 2017-02-25 | 2017-07-14 | 深圳市前海安测信息技术有限公司 | 医疗信息化基于网页的医生评级推荐系统及方法 |
CN108154919A (zh) * | 2018-01-09 | 2018-06-12 | 深圳市第二人民医院 | 医院科室信息处理方法及其系统 |
CN110930030A (zh) * | 2019-11-22 | 2020-03-27 | 北京雅丁信息技术有限公司 | 医生技术水平评级方法 |
CN111009311A (zh) * | 2019-11-05 | 2020-04-14 | 泰康保险集团股份有限公司 | 一种医疗资源推荐方法、装置、介质和设备 |
CN113254651A (zh) * | 2021-06-28 | 2021-08-13 | 人民法院信息技术服务中心 | 一种裁判文书的分析方法、装置、计算机设备及存储介质 |
CN113515644A (zh) * | 2021-05-26 | 2021-10-19 | 中国医学科学院医学信息研究所 | 一种基于知识图谱的医院科技画像方法和系统 |
CN114065856A (zh) * | 2021-11-16 | 2022-02-18 | 北京和兴创联健康科技有限公司 | 基于医生画像的医生推荐方法、装置、设备及存储介质 |
CN115238033A (zh) * | 2022-07-01 | 2022-10-25 | 山东浪潮智慧医疗科技有限公司 | 一种实现医疗机构手术业务数据标准化的方法和系统 |
CN115867930A (zh) * | 2020-07-14 | 2023-03-28 | 索尼集团公司 | 外科手术执行水平的确定 |
-
2023
- 2023-09-11 CN CN202311162262.3A patent/CN117116502B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106952020A (zh) * | 2017-02-25 | 2017-07-14 | 深圳市前海安测信息技术有限公司 | 医疗信息化基于网页的医生评级推荐系统及方法 |
CN108154919A (zh) * | 2018-01-09 | 2018-06-12 | 深圳市第二人民医院 | 医院科室信息处理方法及其系统 |
CN111009311A (zh) * | 2019-11-05 | 2020-04-14 | 泰康保险集团股份有限公司 | 一种医疗资源推荐方法、装置、介质和设备 |
CN110930030A (zh) * | 2019-11-22 | 2020-03-27 | 北京雅丁信息技术有限公司 | 医生技术水平评级方法 |
CN115867930A (zh) * | 2020-07-14 | 2023-03-28 | 索尼集团公司 | 外科手术执行水平的确定 |
CN113515644A (zh) * | 2021-05-26 | 2021-10-19 | 中国医学科学院医学信息研究所 | 一种基于知识图谱的医院科技画像方法和系统 |
CN113254651A (zh) * | 2021-06-28 | 2021-08-13 | 人民法院信息技术服务中心 | 一种裁判文书的分析方法、装置、计算机设备及存储介质 |
CN114065856A (zh) * | 2021-11-16 | 2022-02-18 | 北京和兴创联健康科技有限公司 | 基于医生画像的医生推荐方法、装置、设备及存储介质 |
CN115238033A (zh) * | 2022-07-01 | 2022-10-25 | 山东浪潮智慧医疗科技有限公司 | 一种实现医疗机构手术业务数据标准化的方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN117116502B (zh) | 2024-04-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Milovic et al. | Prediction and decision making in health care using data mining | |
CN105528529B (zh) | 基于大数据分析的中医临床技能评价体系的数据处理方法 | |
DE102012103089B4 (de) | System und maschinenlesbarer Datenträger zur Erstellung von Patientenprognosen | |
DE112018001996T5 (de) | Systeme und verfahren zur modellgestützten kohortenauswahl | |
CN111161815A (zh) | 医疗数据检测方法、装置、终端和计算机可读存储介质 | |
CN107193919A (zh) | 一种电子病历的检索方法及系统 | |
CN108511056A (zh) | 基于脑卒中患者相似性分析的治疗方案推荐方法及系统 | |
CN114255835B (zh) | 一种基于人工智能的病例大数据管理方法和系统 | |
CN111276203B (zh) | 一种肿瘤自动登记分析方法及系统 | |
CN110729054B (zh) | 异常就诊行为检测方法、装置、计算机设备及存储介质 | |
CN106529110A (zh) | 一种用户数据分类的方法和设备 | |
CN117116488A (zh) | 一种评估老年肺癌患者术后严重并发症的方法及相关设备 | |
CN117116477A (zh) | 基于随机森林和XGBoost的前列腺癌患病风险预测模型的构建方法及系统 | |
CN112256754A (zh) | 基于标准模型的超声检测分析系统及方法 | |
CN116189866A (zh) | 一种基于数据分析的远程医用护理分析系统 | |
CN115330569A (zh) | 用于儿童肿瘤疾病的负担差异与医疗资源的自动平衡方法 | |
CN117133461B (zh) | 一种老年肺癌患者术后短期死亡风险评估的方法及装置 | |
CN115762769A (zh) | 一种ercp术后风险智能预警系统 | |
CN117116502B (zh) | 基于人工智能和大数据构造手术画像知识图的方法和系统 | |
CN112071431B (zh) | 基于深度学习和知识图谱的临床路径自动生成方法及系统 | |
CN111724873B (zh) | 一种数据处理方法及装置 | |
CN113824580A (zh) | 一种网络指标预警方法及系统 | |
Bozhenko et al. | Application of Data Preprocessing in Medical Research | |
CN109886288A (zh) | 一种用于电力变压器的状态评价方法及装置 | |
Berdaly et al. | Comparative machine-learning approach: study for heart diseases |
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 |