CN117171407A - 一种基于大数据分析的智慧平台管理系统 - Google Patents
一种基于大数据分析的智慧平台管理系统 Download PDFInfo
- Publication number
- CN117171407A CN117171407A CN202311456580.0A CN202311456580A CN117171407A CN 117171407 A CN117171407 A CN 117171407A CN 202311456580 A CN202311456580 A CN 202311456580A CN 117171407 A CN117171407 A CN 117171407A
- Authority
- CN
- China
- Prior art keywords
- information
- feature map
- historical
- case
- data analysis
- 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.)
- Pending
Links
- 238000007405 data analysis Methods 0.000 title claims abstract description 24
- 238000002586 coronary angiography Methods 0.000 claims abstract description 22
- 238000001356 surgical procedure Methods 0.000 claims abstract description 15
- 230000002980 postoperative effect Effects 0.000 claims abstract description 6
- 230000010365 information processing Effects 0.000 claims abstract description 5
- 239000013598 vector Substances 0.000 claims description 67
- 238000012545 processing Methods 0.000 claims description 28
- 238000007726 management method Methods 0.000 claims description 22
- 238000000034 method Methods 0.000 claims description 22
- 238000004364 calculation method Methods 0.000 claims description 10
- 230000003902 lesion Effects 0.000 claims description 8
- 238000002583 angiography Methods 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 208000029078 coronary artery disease Diseases 0.000 claims description 3
- 238000003745 diagnosis Methods 0.000 claims description 3
- 238000003384 imaging method Methods 0.000 claims description 3
- 230000007170 pathology Effects 0.000 claims description 3
- 238000012549 training Methods 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 4
- 239000008280 blood Substances 0.000 description 3
- 210000004369 blood Anatomy 0.000 description 3
- 230000001684 chronic effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000017531 blood circulation Effects 0.000 description 1
- 230000000747 cardiac effect Effects 0.000 description 1
- 210000004351 coronary vessel Anatomy 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
Classifications
-
- 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
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明涉及医生推荐技术领域，公开了一种基于大数据分析的智慧平台管理系统，包括：手术信息采集模块，其用于采集手术的信息；第一信息生成模块，其用于提取医生历史的术后结果为成功的手术的信息作为第一手术信息；第二信息生成模块，其用于提取当前待执行的手术的信息作为第二手术信息；信息处理模块，其用于将第一手术信息和第二手术信息输入匹配模型，输出表示医生与患者是否匹配的值；本发明能够根据患者的冠状动脉造影图像和病例文本信息匹配符合该患者手术难度的医生，保障患者的生命安全。
Description
技术领域
本发明涉及医生推荐技术领域，更具体地说，它涉及一种基于大数据分析的智慧平台管理系统。
背景技术
公开号为CN114065856A，名称为基于医生画像的医生推荐方法、装置、设备及存储介质的中国专利公开了为手术推荐合适的医生的方法，具体的是通过通用性的失血量、手术时间等指标来对手术进行分类。
通过医生执行过的手术信息的结果来获得医生对于不同类别的手术的经验指数，术后结果越好，经验指数越大。根据当前手术的失血量、手术时间等指标来判断手术的经验指数要求，并通过该要求筛选符合条件的医生。
CTO（慢性完全闭塞病变）手术是一种介入性心脏手术，用于治疗冠状动脉慢性完全闭塞病变，CTO手术的关键在于通过导管将器械引入心脏血管内，尝试穿过完全闭塞的冠状动脉段，以恢复血流。
导引导丝穿刺动脉斑块是CTO手术的核心步骤，动脉斑块的位置、动脉斑块的长度等条件是影响导引导丝穿刺动脉斑块的难度的主要因素，通过失血量或时间等指标无法衡量CTO手术的难度，也无法通过前述的方法匹配符合难度要求的医生。
发明内容
本发明提供一种基于大数据分析的智慧平台管理系统，解决相关技术中通过一般性的手术指标无法合理的匹配合适的CTO手术的医生技术问题。
本发明提供了一种基于大数据分析的智慧平台管理系统，包括：手术信息采集模块，其用于采集手术的信息；手术的信息包括：包含病变部位的冠状动脉造影图像和患者的病例文本信息。
第一信息生成模块，其用于提取医生历史的术后结果为成功的手术的信息作为第一手术信息；第二信息生成模块，其用于提取当前待执行的手术的信息作为第二手术信息；信息处理模块，其用于将第一手术信息和第二手术信息输入匹配模型；匹配模型包括：图像处理模块、语义处理模块、第一逻辑层、第二逻辑层、拼接层和全连接层。
图像处理模块输入第一手术信息的冠状动脉造影图像时，对应的输出一个历史特征图；输入第二手术信息的冠状动脉造影图像时，对应的输出一个当前特征图；语义处理模块输入第一手术信息的病例文本信息时，对应的输出一个历史病例特征；输入第二手术信息的病例文本信息时，对应的输出一个当前病例特征。
第一逻辑层用于累加历史特征图获得第一特征图。
第一特征图的第i个行向量的计算公式如下：。
其中，M为第一特征图的行向量的总数，N为历史特征图的总数，/>表示第j个历史特征图的第i个行向量与当前特征图的第i个行向量的相似度，/>表示第j个历史特征图的第i个行向量。
第二逻辑层用于累加历史病例特征获得第一特征向量。
第一特征向量的计算公式如下：。
其中E表示第一特征向量，表示第u个历史病例特征与当前病理特征的相似度，表示第u个历史病例特征，S为历史病例特征的总数。
拼接层用于将第一特征图展开为第二特征向量与第一特征向量进行拼接获得第三特征向量，输入到全连接层，输出表示医生与患者是否匹配的值。
进一步地，冠状动脉造影图像是侵入式冠状动脉造影成像技术获得的完全造影图像。
进一步地，患者的病例文本信息包括：病人的年龄、性别、冠心病病史记录、诊断结果。
进一步地，图像处理模块基于卷积神经网络模型构建。
进一步地，语义处理模块包括词向量模型，首先对病历文本信息中提取词或者进行分词，然后通过词向量模型生成词向量，词向量拼接后获得病例特征。
进一步地，第j个历史特征图的第i个行向量与当前特征图的第i个行向量的相似度的计算公式如下：；其中/>表示第j个的历史特征图的第i个行向量与当前特征图的第i个行向量的相似度，/>表示第j个的历史特征图的第i个行向量的第k个维度的值，/>表示当前特征图的第i个行向量的第k个维度的值，A表示历史特征图的第i个行向量的维度的数量。
进一步地，历史病例特征与当前病例特征的相似度的计算公式如下：；其中/>表示第u个历史病例特征的第w个维度的值，/>表示当前病例特征的第w个维度的值，T表示历史病例特征的维度的总数。
进一步地，全连接层的输出连接一个softmax分类器，输出医生与患者匹配的概率以及医生与患者不匹配的概率，如果匹配的概率大于不匹配的概率则结果为匹配，否则为不匹配。
本发明提供一种基于大数据分析的智慧平台管理方法，包括以下步骤：步骤S301，采集手术的信息；手术的信息包括：包含病变部位的冠状动脉造影图像和患者的病例文本信息。
步骤S302，提取医生历史的术后结果为成功的手术的信息作为第一手术信息。
步骤S303，提取当前待执行的手术的信息作为第二手术信息。
步骤S304，将第一手术信息和第二手术信息输入匹配模型，输出表示医生与患者是否匹配的值。
本发明提供一种存储介质，其存储了非暂时性计算机可读指令，当非暂时性计算机可读指令由计算机执行时，能够执行前述的一种基于大数据分析的智慧平台管理方法中的步骤。
本发明的有益效果在于：本发明能够根据患者的冠状动脉造影图像和病例文本信息匹配符合该患者手术难度的医生，保障患者的生命安全。
附图说明
图1是本发明的一种基于大数据分析的智慧平台管理系统的模块图。
图2是本发明的匹配模型的模块示意图。
图3是本发明的一种基于大数据分析的智慧平台管理方法的流程图。
图中：手术信息采集模块101、第一信息生成模块102、第二信息生成模块103、信息处理模块104、图像处理模块201、语义处理模块202、第一逻辑层203、第二逻辑层204、拼接层205、全连接层206。
具体实施方式
现在将参考示例实施方式讨论本文描述的主题。应该理解，讨论这些实施方式只是为了使得本领域技术人员能够更好地理解从而实现本文描述的主题，可以在不脱离本说明书内容的保护范围的情况下，对所讨论的元素的功能和排列进行改变。各个示例可以根据需要，省略、替代或者添加各种过程或组件。另外，相对一些示例所描述的特征在其他例子中也可以进行组合。
如图1所示，一种基于大数据分析的智慧平台管理系统，包括：手术信息采集模块101，其用于采集手术的信息；手术的信息包括：包含病变部位的冠状动脉造影图像和患者的病例文本信息。
第一信息生成模块102，其用于提取医生历史的术后结果为成功的手术的信息作为第一手术信息。
第二信息生成模块103，其用于提取当前待执行的手术的信息作为第二手术信息。
信息处理模块104，其用于将第一手术信息和第二手术信息输入匹配模型。
如图2所示，匹配模型包括：图像处理模块201、语义处理模块202、第一逻辑层203、第二逻辑层204、拼接层205和全连接层206。
图像处理模块201和语义处理模块202分别用于输入冠状动脉造影图像和病例文本信息，图像处理模块201输出特征图，语义处理模块202输出病例特征。
图像处理模块201每次只输入一个手术的冠状动脉造影图像，图像处理模块201输入第一手术信息的冠状动脉造影图像时，对应的输出一个历史特征图；输入第二手术信息的冠状动脉造影图像时，对应的输出一个当前特征图。
语义处理模块202每次只输入一个手术的病例文本信息，语义处理模块202输入第一手术信息的病例文本信息时，对应的输出一个历史病例特征；输入第二手术信息的病例文本信息时，对应的输出一个当前病例特征。
第一逻辑层203用于累加历史特征图获得第一特征图。
第一特征图的第i个行向量的计算公式如下：。
其中，M为第一特征图的行向量的总数，N为历史特征图的总数，/>表示第j个历史特征图的第i个行向量与当前特征图的第i个行向量的相似度，/>表示第j个历史特征图的第i个行向量。
第二逻辑层204用于累加历史病例特征获得第一特征向量。
第一特征向量的计算公式如下：。
其中E表示第一特征向量，表示第u个历史病例特征与当前病理特征的相似度，表示第u个历史病例特征，S为历史病例特征的总数。
拼接层205用于将第一特征图展开为第二特征向量与第一特征向量进行拼接获得第三特征向量，输入到全连接层206，输出表示医生与患者是否匹配的值。
在本发明的一个实施例中，冠状动脉造影图像是侵入式冠状动脉造影成像技术获得的完全造影图像。
在本发明的一个实施例中，患者的病例文本信息包括：病人的年龄、性别、冠心病病史记录、诊断结果。
在本发明的一个实施例中，图像处理模块201基于卷积神经网络模型构建。
在本发明的一个实施例中，语义处理模块202包括词向量模型，首先对病历文本信息中提取词或者进行分词，然后通过词向量模型生成词向量，词向量拼接后获得病例特征。
词向量模型可以是Word2Vec、fastText等。
为了保证病历特征的长度一致，从患者病历文本信息中提取的词的数量是相同的。
第j个历史特征图的第i个行向量与当前特征图的第i个行向量的相似度的计算公式如下：；其中/>表示第j个的历史特征图的第i个行向量与当前特征图的第i个行向量的相似度，/>表示第j个的历史特征图的第i个行向量的第k个维度的值，/>表示当前特征图的第i个行向量的第k个维度的值，A表示历史特征图的第i个行向量的维度的数量。
在本发明的一个实施例中，历史病例特征与当前病例特征的相似度的计算公式如下：；其中/>表示第u个历史病例特征的第w个维度的值，/>表示当前病例特征的第w个维度的值，T表示历史病例特征的维度的总数。
在本发明的一个实施例中，全连接层206的输出连接一个softmax分类器，输出医生与患者匹配的概率以及医生与患者不匹配的概率，如果匹配的概率大于不匹配的概率则结果为匹配，否则为不匹配。
需要说明的是，虽然本发明提供了前述的匹配的方法，但是不排除结合管理人员人工决策的情况，例如管理人员可以决定是否采用前述的方法所匹配的医生，或者可以根据手术中的情况来更换其他的医生。
前述的匹配模型包含了图像特征提取和文本特征提取两个部分，训练所需训练样本数量较多，而训练样本需要由专家进行评估标记标签，而且评估依赖于专家的技术水平和经验，训练的成本高。
图像处理模块201进行预训练，预训练连接第二全连接层206，特征图展开获得第四特征向量输入第二全连接层206，第二全连接层206输出表示导引导丝穿刺动脉斑块的方法的类型的值。
预训练的训练样本可以来源于历史上进行过的术后结果为成功的手术的信息，不需要专家进行标记，包含更多参数的图像处理模块201的预训练能够降低匹配模型训练时的训练样本的数量，降低训练的成本。
在本发明的一个实施例中，导引导丝穿刺动脉斑块的方法的类型包括：正向导丝技术、逆向导丝技术和正向内膜下重回真腔技术。
在本发明的一个实施例中，特征图展开的方式是将特征图的行向量按照顺序进行拼接。
如图3所示，一种基于大数据分析的智慧平台管理方法，包括以下步骤：步骤S301，采集手术的信息；手术的信息包括：包含病变部位的冠状动脉造影图像和患者的病例文本信息。
步骤S302，提取医生历史的术后结果为成功的手术的信息作为第一手术信息。
步骤S303，提取当前待执行的手术的信息作为第二手术信息。
步骤S304，将第一手术信息和第二手术信息输入匹配模型，输出表示医生与患者是否匹配的值。
本发明提供一种存储介质，其存储了非暂时性计算机可读指令，当非暂时性计算机可读指令由计算机执行时，能够执行前述的一种基于大数据分析的智慧平台管理方法中的步骤。
上面对本实施例的实施例进行了描述，但是本实施例并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本实施例的启示下，还可做出很多形式，均属于本实施例的保护之内。
Claims (10)
1.一种基于大数据分析的智慧平台管理系统，其特征在于，包括：
手术信息采集模块，其用于采集手术的信息；手术的信息包括：包含病变部位的冠状动脉造影图像和患者的病例文本信息；
第一信息生成模块，其用于提取医生历史的术后结果为成功的手术的信息作为第一手术信息；第二信息生成模块，其用于提取当前待执行的手术的信息作为第二手术信息；信息处理模块，其用于将第一手术信息和第二手术信息输入匹配模型；匹配模型包括：图像处理模块、语义处理模块、第一逻辑层、第二逻辑层、拼接层和全连接层；
图像处理模块输入第一手术信息的冠状动脉造影图像时，对应的输出一个历史特征图；输入第二手术信息的冠状动脉造影图像时，对应的输出一个当前特征图；语义处理模块输入第一手术信息的病例文本信息时，对应的输出一个历史病例特征；输入第二手术信息的病例文本信息时，对应的输出一个当前病例特征；
第一逻辑层用于累加历史特征图获得第一特征图；
第一特征图的第i个行向量的计算公式如下：；
其中，M为第一特征图的行向量的总数，N为历史特征图的总数，/>表示第j个历史特征图的第i个行向量与当前特征图的第i个行向量的相似度，/>表示第j个历史特征图的第i个行向量；
第二逻辑层用于累加历史病例特征获得第一特征向量；
第一特征向量的计算公式如下：；
其中E表示第一特征向量，表示第u个历史病例特征与当前病理特征的相似度，/>表示第u个历史病例特征，S为历史病例特征的总数；
拼接层用于将第一特征图展开为第二特征向量与第一特征向量进行拼接获得第三特征向量，输入到全连接层，输出表示医生与患者是否匹配的值。
2.根据权利要求1所述的一种基于大数据分析的智慧平台管理系统，其特征在于，冠状动脉造影图像是侵入式冠状动脉造影成像技术获得的完全造影图像。
3.根据权利要求1所述的一种基于大数据分析的智慧平台管理系统，其特征在于，患者的病例文本信息包括：病人的年龄、性别、冠心病病史记录、诊断结果。
4.根据权利要求1所述的一种基于大数据分析的智慧平台管理系统，其特征在于，图像处理模块基于卷积神经网络模型构建。
5.根据权利要求1所述的一种基于大数据分析的智慧平台管理系统，其特征在于，语义处理模块包括词向量模型，首先对病历文本信息中提取词或者进行分词，然后通过词向量模型生成词向量，词向量拼接后获得病例特征。
6.根据权利要求1所述的一种基于大数据分析的智慧平台管理系统，其特征在于，第j个历史特征图的第i个行向量与当前特征图的第i个行向量的相似度的计算公式如下：；其中/>表示第j个的历史特征图的第i个行向量与当前特征图的第i个行向量的相似度，/>表示第j个的历史特征图的第i个行向量的第k个维度的值，/>表示当前特征图的第i个行向量的第k个维度的值，A表示历史特征图的第i个行向量的维度的数量。
7.根据权利要求1所述的一种基于大数据分析的智慧平台管理系统，其特征在于，历史病例特征与当前病例特征的相似度的计算公式如下：；其中表示第u个历史病例特征的第w个维度的值，/>表示当前病例特征的第w个维度的值，T表示历史病例特征的维度的总数。
8.根据权利要求1所述的一种基于大数据分析的智慧平台管理系统，其特征在于，全连接层的输出连接一个softmax分类器，输出医生与患者匹配的概率以及医生与患者不匹配的概率，如果匹配的概率大于不匹配的概率则结果为匹配，否则为不匹配。
9.一种基于大数据分析的智慧平台管理方法，其特征在于，其通过如权利要求1-8任一所述的一种基于大数据分析的智慧平台管理系统执行以下步骤：
步骤S301，采集手术的信息；手术的信息包括：包含病变部位的冠状动脉造影图像和患者的病例文本信息；
步骤S302，提取医生历史的术后结果为成功的手术的信息作为第一手术信息；
步骤S303，提取当前待执行的手术的信息作为第二手术信息；
步骤S304，将第一手术信息和第二手术信息输入匹配模型，输出表示医生与患者是否匹配的值。
10.一种存储介质，其特征在于，其存储了非暂时性计算机可读指令，当非暂时性计算机可读指令由计算机执行时，能够执行如权利要求9所述的一种基于大数据分析的智慧平台管理方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311456580.0A CN117171407A (zh) | 2023-11-03 | 2023-11-03 | 一种基于大数据分析的智慧平台管理系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311456580.0A CN117171407A (zh) | 2023-11-03 | 2023-11-03 | 一种基于大数据分析的智慧平台管理系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117171407A true CN117171407A (zh) | 2023-12-05 |
Family
ID=88941756
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311456580.0A Pending CN117171407A (zh) | 2023-11-03 | 2023-11-03 | 一种基于大数据分析的智慧平台管理系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117171407A (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2021127625A1 (en) * | 2019-12-20 | 2021-06-24 | Smith & Nephew, Inc. | Three-dimensional selective bone matching from two-dimensional image data |
| CN113782163A (zh) * | 2021-03-29 | 2021-12-10 | 北京京东拓先科技有限公司 | 信息推送方法、装置和计算机可读存储介质 |
| CN115424691A (zh) * | 2022-06-24 | 2022-12-02 | 上海联影医疗科技股份有限公司 | 病例匹配方法、系统、设备和介质 |
-
2023
- 2023-11-03 CN CN202311456580.0A patent/CN117171407A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2021127625A1 (en) * | 2019-12-20 | 2021-06-24 | Smith & Nephew, Inc. | Three-dimensional selective bone matching from two-dimensional image data |
| CN113782163A (zh) * | 2021-03-29 | 2021-12-10 | 北京京东拓先科技有限公司 | 信息推送方法、装置和计算机可读存储介质 |
| CN115424691A (zh) * | 2022-06-24 | 2022-12-02 | 上海联影医疗科技股份有限公司 | 病例匹配方法、系统、设备和介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111932554B (zh) | 一种肺部血管分割方法、设备及存储介质 | |
| EP3654343A1 (en) | Application of deep learning for medical imaging evaluation | |
| Šajn et al. | Image processing and machine learning for fully automated probabilistic evaluation of medical images | |
| Xu et al. | Learning domain adaptation with model calibration for surgical report generation in robotic surgery | |
| CN111428072A (zh) | 眼科多模态影像的检索方法、装置、服务器及存储介质 | |
| US20240054638A1 (en) | Automatic annotation of condition features in medical images | |
| CN117457229B (zh) | 基于人工智能的麻醉深度监测系统及方法 | |
| WO2023095492A1 (ja) | 手術支援システム、手術支援方法、及び手術支援プログラム | |
| CN114299072A (zh) | 一种基于人工智能的解剖变异识别提示方法及系统 | |
| CN115908599A (zh) | 一种主动脉夹层术后影像的生成方法 | |
| CN117524402A (zh) | 关于内镜影像分析并自动生成诊断报告的方法 | |
| CN116188466B (zh) | 医疗器械体内停留时长确定方法和装置 | |
| CN117171407A (zh) | 一种基于大数据分析的智慧平台管理系统 | |
| CN114601560B (zh) | 微创手术辅助方法、装置、设备及存储介质 | |
| Ali et al. | Efficient video indexing for monitoring disease activity and progression in the upper gastrointestinal tract | |
| KR102136107B1 (ko) | 뼈 감쇄된 x-선 영상의 정합 장치 및 방법 | |
| CN113499033A (zh) | 一种医疗数据方法及系统 | |
| CN115249228A (zh) | 胸部x射线图像识别方法、装置、计算机设备和存储介质 | |
| CN114037830A (zh) | 增强图像生成模型的训练方法、图像处理方法及装置 | |
| CN111640127A (zh) | 一种用于骨科的精准临床诊断导航方法 | |
| Halim et al. | A review of iris recognition system ROI and accuracy | |
| CN114068013B (zh) | 一种脑动脉闭塞人工智能辅助决策系统 | |
| Sindhura et al. | Sub-Axial Vertebral Column Fracture CT Image Synthesis by Progressive Growing Generative Adversarial Networks (PGGANs) | |
| CN115222665B (zh) | 一种斑块检测方法、装置、电子设备及可读存储介质 | |
| KR102376249B1 (ko) | 폐 예측 영상과 TRelu를 이용한 폐 질병 예측 시스템 및 그 방법 |
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 |