CN117423460A - 大模型和知识图谱融合的院前急救辅助预测方法及系统 - Google Patents
大模型和知识图谱融合的院前急救辅助预测方法及系统 Download PDFInfo
- Publication number
- CN117423460A CN117423460A CN202311542982.2A CN202311542982A CN117423460A CN 117423460 A CN117423460 A CN 117423460A CN 202311542982 A CN202311542982 A CN 202311542982A CN 117423460 A CN117423460 A CN 117423460A
- Authority
- CN
- China
- Prior art keywords
- patient
- disease
- vector
- feature vector
- knowledge
- 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
- 238000000034 method Methods 0.000 title claims abstract description 42
- 230000004927 fusion Effects 0.000 title claims description 22
- 238000001228 spectrum Methods 0.000 title claims description 18
- 239000013598 vector Substances 0.000 claims abstract description 136
- 201000010099 disease Diseases 0.000 claims abstract description 128
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 128
- 208000024891 symptom Diseases 0.000 claims abstract description 36
- 238000012512 characterization method Methods 0.000 claims abstract description 21
- 230000006870 function Effects 0.000 claims abstract description 16
- 230000007246 mechanism Effects 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 4
- 230000002708 enhancing effect Effects 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 230000004931 aggregating effect Effects 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 2
- 230000036541 health Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000012790 confirmation Methods 0.000 description 2
- 230000003111 delayed effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- BALXUFOVQVENIU-KXNXZCPBSA-N pseudoephedrine hydrochloride Chemical compound [H+].[Cl-].CN[C@@H](C)[C@@H](O)C1=CC=CC=C1 BALXUFOVQVENIU-KXNXZCPBSA-N 0.000 description 2
- 208000000044 Amnesia Diseases 0.000 description 1
- 208000031091 Amnestic disease Diseases 0.000 description 1
- 206010024642 Listless Diseases 0.000 description 1
- 208000007443 Neurasthenia Diseases 0.000 description 1
- 208000013738 Sleep Initiation and Maintenance disease Diseases 0.000 description 1
- 230000006986 amnesia Effects 0.000 description 1
- 206010003119 arrhythmia Diseases 0.000 description 1
- 230000006793 arrhythmia Effects 0.000 description 1
- 206010003549 asthenia Diseases 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 206010022437 insomnia Diseases 0.000 description 1
- 208000017971 listlessness Diseases 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 238000002636 symptomatic treatment Methods 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
- 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
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Public Health (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Computing Systems (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- Pathology (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明涉及大模型和知识图谱融合的院前急救辅助预测方法，包括以下步骤：将接入的电话语音进行实时语音识别，并转换病情文本描述信息；根据所述病情文本描述信息查询在云数据中心存储的患者知识图谱；对所述病情文本描述信息进行表征学习，对患者知识图谱进行向量表征，将分别得到的报警描述特征向量和患者历史疾病特征向量进行融合，生成急救患者特征向量；对预先构建的疾病知识图谱进行知识图谱嵌入向量学习，生成疾病特征向量；根据急救患者的特征向量和疾病特征向量进行急救患者的病情症状预测。本发明对不同疾病学习其特征向量描述，对患者特征向量和疾病特征向量进行内积操作，生成患者病情症状预测函数，从而实现对患者病情的精确预测。
Description
技术领域
本发明属于医疗健康管理领域，具体说是大模型和知识图谱融合的院前急救辅助预测方法及系统。
背景技术
院前接警急救也称院外急救，是指患者从发病到接警入院前获得的医疗救治。院前接警急救作为急诊医学的重要组成部分，能明显降低突发伤病员的病死率。院前急救水平反映了一个国家的组织管理、医疗水平及公共福利的综合能力。
在此背景下，由于老年急救患者病情的复杂性、隐匿性、进展迅速以及急救调度和临时救治人员的并非专业性等问题，可能导致对突发老年患者病情识别和及时对症救治非常困难。此外，由于突发病情进展不可控等原因，在事发现场和急救转运过程中，很难有更多的时间对患者病情进行深入症状分析，并给出可行的优先救治资源和辅助，因此也极易导致急救延误和急救资源调度低效等一系列问题。目前，现有的院前急救患者病情确认主要是依赖于患者的报警描述以及救援人员的主观经验判断，这种方法通常具有一定的主观性，容易导致现场对病情症状的误判和救治延误等风险。
因此，急需一种能够适应未知情况符合相应病情的快速急救辅助预测方法。
发明内容
针对现有方法存在的问题，本发明提出一种云端协同的大模型和知识图谱融合院前急救辅助诊断方法、装置及系统。
本发明为实现上述目的所采用的技术方案是：大模型和知识图谱融合的院前急救辅助预测方法，包括以下步骤：
将接入的电话语音进行实时语音识别，并转换病情文本描述信息；根据所述病情文本描述信息查询在云数据中心存储的患者特征知识图谱；
对所述病情文本描述信息进行表征学习得到报警描述特征向量，对患者特征知识图谱进行向量表征得到患者历史疾病特征向量，将报警描述特征向量和患者历史疾病特征向量进行融合，生成急救患者特征向量；
对预先构建的疾病知识图谱进行知识图谱嵌入向量学习，生成病情特征向量；
根据急救患者的特征向量和病情特征向量进行急救患者的病情症状预测。
所述将接入的电话语音进行实时语音识别，并转换病情文本描述信息；根据所述病情文本描述信息查询在云数据中心存储的患者知识图谱，包括以下步骤：
首先，将接入的电话语音进行实时语音识别，并转换为文本信息，对文本信息进行清洗后，形成病情文本描述信息；所述病情文本描述信息包括患者姓名、身份证、紧急情况的描述、患者地理位置、报警时间、联系人中的至少几种；
其次，根据所述病情文本描述信息查询在云数据中心存储的患者特征知识图谱信息；所述患者特征知识图谱根据患者的历史数据构建，以患者、历史疾病、疾病症状为节点、患者与所属疾病、疾病与所属疾病症状之间的关系作为节点之间的关系构成。
对所述病情文本描述信息进行表征学习得到报警描述特征向量，对患者特征知识图谱进行向量表征得到患者历史疾病特征向量，将报警描述特征向量和患者历史疾病特征向量进行融合，生成急救患者特征向量，包括以下步骤：
首先，通过大语言模型对电话语音转换后的病情文本描述信息进行表征学习，生成报警描述特征向量
其次，通过知识图谱嵌入向量学习方法对患者特征知识图谱进行向量表征，生成患者历史疾病特征向量
然后，将报警描述特征向量和患者历史疾病特征向量/>进行融合，生成融合后的急救患者特征向量Eu，所述融合采用注意力机制对患者知识图谱上节点和其邻居节点的向量进行聚合，通过下式实现：
其中，W1、W2为可训练的权重矩阵，LeakyReLU为激活函数。
所述对预先构建的疾病知识图谱进行知识图谱嵌入向量学习，生成病情特征向量，包括以下步骤：
1)预先构建疾病知识图谱，采用三元组<疾病名称或疾病症状名称，关系，病情症状>的描述方式表征，其中，疾病名称或疾病症状名称、和病情症状作为节点，关系作为节点之间的关系；
2)对疾病知识图谱进行知识图谱嵌入向量学习，将疾病知识图谱上的各个节点进行向量化表示：
用节点v表示疾病名称或疾病症状名称，v的嵌入向量表征为病情特征向量Ev，对Ev进一步通过聚合其邻居节点的嵌入向量来增强其表征能力：
其中，N(v)表示疾病知识图谱上节点v的邻居集合，g(v,v′)表示融合的权重函数，节点v′的嵌入向量表征为Ev′；采用注意力机制实现g(v,v′)，实现过程描述如下：
其中，|N(v)|、|N(v′)|分别表示节点v和v′的邻居节点的个数，表示患者u的特征向量的矩阵转置，d是缩放向量点积中的常数因子。
所述根据急救患者的特征向量和病情特征向量进行急救患者的病情预测，包括以下步骤：
f(u,v)为预测函数，用于根据f(u,v)的大小判断患者u与疾病症状v的相关性；Eu为急救患者的特征向量，Ev为病情特征向量；
根据预测函数f(u,v)值的大小，进行病情的预测。
大模型和知识图谱融合的院前急救辅助预测系统，包括：
语音识别模块，用于将接入的电话语音进行实时语音识别，并转换病情文本描述信息；根据所述病情文本描述信息查询在云数据中心存储的患者知识图谱；
病情表征学习模块，用于对所述病情文本描述信息进行表征学习得到报警描述特征向量，对患者知识图谱进行向量表征得到患者历史疾病特征向量，将报警描述特征向量和患者历史疾病特征向量进行融合，生成急救患者特征向量；
疾病特征学习模块，用于对预先构建的疾病知识图谱进行知识图谱嵌入向量学习，生成病情特征向量；
病情预测模块，用于根据急救患者的特征向量和病情特征向量进行急救患者的病情预测。
一种院前急救资源智能调度装置，包括存储器和处理器；所述存储器，用于存储计算机程序；所述处理器，用于当执行所述计算机程序时，实现所述的大模型和知识图谱融合的院前急救辅助预测方法。
本发明具有以下有益效果及优点：
现有方法对院前急救患者的病情识别和确认主要是依赖于患者的报警描述以及救援人员的主观经验判断。由于老年急救患者病情的复杂性、隐匿性、进展迅速以及急救调度和临时救治人员的并非专业性，可能导致病情识别不准确、救治延误等问题。针对这一问题，本发明的有益效果如下：
(1)本发明提出了借助大语言模型对老年患者报警信息进行增强学习，生成更为准确的急救患者病情特征描述；
(2)同时，本发明提出借助云侧存储的患者历史数据(医疗数据、康复数据、监测数据、健康档案等)构建患者特征知识图谱，借助知识图谱的嵌入学习和注意力机制生成患者历史病情的特征描述，为患者病情识别提供更深入特征描述；
(3)将患者急救报警信息所生成特征向量和患者历史疾病特征知识图谱向量进行融合，生成更为全面和丰富的患者特征向量；
(4)此外，本发明还提出构建疾病知识图谱，对不同疾病学习其特征向量描述，对患者特征向量和疾病特征向量进行内积操作，生成患者疾病或症状预测函数，从而实现对患者疾病症状的精确识别和预测过程。
附图说明
图1为本发明实施的整体逻辑框架图。
具体实施方式
下面结合附图及实施例对本发明做进一步的详细说明。
本发明基于大语言模型和知识图谱深度融合对患者报警的实时语音文本、患者在云数据中心存储的历史数据分别进行嵌入向量表征学习，并将大语言模型生成的患者语言文本特征向量和知识图谱嵌入学习生成的患者历史病情特征向量进行融合，形成云端融合后的患者特征嵌入向量。
本发明构建疾病特征知识图谱，借助注意力机制对知识图谱上的不同疾病进行嵌入向量学习，并基于注意力机制对节点邻居的嵌入向量进行聚合，生成疾病特征向量，通过对融合后的患者特征向量和聚合后的疾病特征向量进行内积操作，生成急救患者的疾病或症状预测函数。
如图1所示为本发明的整体逻辑框架图，其核心思想是：
①报警文本信息提取与患者知识图谱构建：如图1所示，首先当老年患者(假设用u表示患者)通过电话报警接入到120急救指挥调度中心后，电话语音同步被接入到后台进行实时语音识别和文本转换，形成基于电话报警在线生成病情文本描述信息，电话报警采集的基本内容包括：患者姓名、身份证、紧急情况的描述、患者地理位置、报警时间、联系人等。其次，根据老年患者提供的基本信息(如姓名、身份证ID等)查询老年患者在医防康云数据中心存储的患者知识图谱信息，我们假设知识图谱已经通过离线计算的方式构建完成。
现有方法根据报警人的语音描述很难准确的识别出老年患者的病情类别及严重程度。与现有方法不同：(1)本发明是通过语音识别将语音转换为文本信息，然后对文本信息进行清洗，去除不必要的字符、格式和噪音，以便进行后续处理；(2)基于患者在云端数据中心存储的历史数据(医疗数据、康复数据、监测数据、健康档案等)构建患者特征知识图谱，能够快速的对患者历史病情特征进行分析，更准确的推理和判断出患者可能的病情类别和严重程度。患者特征知识图谱根据患者的历史数据构建，用于表征患者的医疗数据、康复数据、监测数据、健康档案；患者特征知识图谱以患者、历史疾病(疾病症状或分类等)、疾病特征(病情症状)为节点、患者与所属疾病(疾病症状或分类等)、疾病(症状或分类等)与所属疾病特征(病情症状)之间的关系作为节点之间的关系构成。
②大语言模型与知识图谱云-端融合的患者病情表征学习：如图1所示，云侧数据主要是患者知识图谱信息，端侧数据是指当前报警求助的电话语音转换后的文本信息。本发明的创新之处在于：(1)首先，借助大语言模型(LLM)对电话语音转换后的文本数据进行表征学习，生成报警描述特征向量这里，我们提出借助大语言模型将电话报警的语音文本的向量表征能力进行增强，生成更为丰富、完善和科学的病情特征描述；(2)其次，借助知识图谱嵌入向量学习方法(这里我们采用经典的TransR方法)对患者知识图谱进行向量表征，生成患者历史疾病特征向量/>(3)然后，将基于大语言模型生成的患者的报警描述特征向量/>和基于知识图谱嵌入学习生成的患者历史疾病特征向量/>进行融合，生成融合后的嵌入向量假设为Eu，这里我们定义的融合方法为：
其中W1、W2为可训练的权重矩阵，LeakyReLU为激活函数。其中患者历史疾病特征的特征向量的计算过程与公式(2)中的实现原理一致，即采用注意力机制对知识图谱上节点和其邻居节点的向量进行聚合。
这里本发明所提出的创新点：通过大语言模型和知识图谱进行云端数据融合嵌入向量生成的方式能够增强患者病情的表征学习能力，提升急救患者在数据稀疏和冷启动条件下病情研判和分析的准确性，为院前和院内急救提供可能的参考信息。
③疾病特征向量表示学习：首先，假设在云端数据中心已经构建好各类疾病的特征知识图谱，其中知识图谱三元组的表示采用典型的三元组<name，include，symptom>描述方式，本实施例采用三元组<疾病名称或病情症状名称，关系，病情症状>等；例如：<心率失常,特征表现，精神不振>，<神经衰弱,特征表现，失眠健忘>。在这里，对疾病知识图谱进行知识图谱嵌入向量学习(同样采用TransR方法)，将知识图谱上的各个节点进行向量化表示。假设疾病用v来表示，v的嵌入向量表征假设为Ev。对Ev进一步通过聚合其邻居节点的嵌入向量来增强其表征能力：
其中，N(v)表示疾病知识图谱上节点v的邻居集合，g(v,v′)表示融合的权重函数。这里采用注意力机制实现g(v,v′)，实现过程描述如下：
其中，|N(v)|、|N(v′)|分别表示节点v和v′的邻居节点的个数，表示患者u的特征向量的矩阵转置。d是缩放向量点积中的常数因子。通过公式(2)、(3)能够计算出疾病v的特征向量，假设用Ev表示。
④急救患者病情预测：通过②和③，分别生成了急救患者的特征向量Eu和疾病特征向量Ev。接下来，可以根据生成的特征向量进行急救患者的病情预测。假设预测函数表示为f(u,v)，这里给出预测函数的计算过程如下：
f(u,v)为预测函数，表示根据f(u,v)的大小来判断患者u与疾病(或病情症状)v的相关性；Eu为急救患者的特征向量，Ev为疾病特征向量；
根据预测函数f(u,v)值的大小，进行病情症状预测，例如当v1＝”疾病1或疾病症状1”,v2＝”疾病2或疾病症状2”时，假设根据上述公式计算出f(u,v1)＝0.4，f(u,v2)＝0.5，则预测患者u患疾病或疾病症状2的概率更高。
综上所述，基于图1所示的①、②、③、④完成了本发明方案的整体实现流程描述过程。本发明对当前急救患者的历史病情信息、当前报警病情描述信息进行了融合分析，并借助大语言模型的表征学习能力以及知识图谱的表征学习和推理能力对当前患者可能存在的疾病或症状进行智能预测和分析。这将为院前急救和院内综合救治提供必要及时的辅助决策支持，缩短急救患者病情研判时间，提升急救患者院前和院内的救治时效性。
Claims (7)
1.大模型和知识图谱融合的院前急救辅助预测方法，其特征在于，包括以下步骤：
将接入的电话语音进行实时语音识别，并转换病情文本描述信息；根据所述病情文本描述信息查询在云数据中心存储的患者特征知识图谱；
对所述病情文本描述信息进行表征学习得到报警描述特征向量，对患者特征知识图谱进行向量表征得到患者历史疾病特征向量，将报警描述特征向量和患者历史疾病特征向量进行融合，生成急救患者特征向量；
对预先构建的疾病知识图谱进行知识图谱嵌入向量学习，生成病情特征向量；
根据急救患者的特征向量和病情特征向量进行急救患者的病情症状预测。
2.根据权利要求1所述的大模型和知识图谱融合的院前急救辅助预测方法，其特征在于，所述将接入的电话语音进行实时语音识别，并转换病情文本描述信息；根据所述病情文本描述信息查询在云数据中心存储的患者知识图谱，包括以下步骤：
首先，将接入的电话语音进行实时语音识别，并转换为文本信息，对文本信息进行清洗后，形成病情文本描述信息；所述病情文本描述信息包括患者姓名、身份证、紧急情况的描述、患者地理位置、报警时间、联系人中的至少几种；
其次，根据所述病情文本描述信息查询在云数据中心存储的患者特征知识图谱信息；所述患者特征知识图谱根据患者的历史数据构建，以患者、历史疾病、疾病症状为节点、患者与所属疾病、疾病与所属疾病症状之间的关系作为节点之间的关系构成。
3.根据权利要求1所述的大模型和知识图谱融合的院前急救辅助预测方法，其特征在于，对所述病情文本描述信息进行表征学习得到报警描述特征向量，对患者特征知识图谱进行向量表征得到患者历史疾病特征向量，将报警描述特征向量和患者历史疾病特征向量进行融合，生成急救患者特征向量，包括以下步骤：
首先，通过大语言模型对电话语音转换后的病情文本描述信息进行表征学习，生成报警描述特征向量
其次，通过知识图谱嵌入向量学习方法对患者特征知识图谱进行向量表征，生成患者历史疾病特征向量
然后，将报警描述特征向量和患者历史疾病特征向量/>进行融合，生成融合后的急救患者特征向量Eu，所述融合采用注意力机制对患者知识图谱上节点和其邻居节点的向量进行聚合，通过下式实现：
其中，W1、W2为可训练的权重矩阵，LeakyReLU为激活函数。
4.根据权利要求1所述的大模型和知识图谱融合的院前急救辅助预测方法，其特征在于，所述对预先构建的疾病知识图谱进行知识图谱嵌入向量学习，生成病情特征向量，包括以下步骤：
1)预先构建疾病知识图谱，采用三元组<疾病名称或疾病症状名称，关系，病情症状>的描述方式表征，其中，疾病名称或疾病症状名称、和病情症状作为节点，关系作为节点之间的关系；
2)对疾病知识图谱进行知识图谱嵌入向量学习，将疾病知识图谱上的各个节点进行向量化表示：
用节点v表示疾病名称或疾病症状名称，v的嵌入向量表征为病情特征向量Ev，对Ev进一步通过聚合其邻居节点的嵌入向量来增强其表征能力：
其中，N(v)表示疾病知识图谱上节点v的邻居集合，g(v,v′)表示融合的权重函数，节点v′的嵌入向量表征为Ev′；采用注意力机制实现g(v,v′)，实现过程描述如下：
其中，|N(v)|、|N(v′)|分别表示节点v和v′的邻居节点的个数，表示患者u的特征向量的矩阵转置，d是缩放向量点积中的常数因子。
5.根据权利要求1所述的大模型和知识图谱融合的院前急救辅助预测方法，其特征在于，所述根据急救患者的特征向量和病情特征向量进行急救患者的病情预测，包括以下步骤：
f(u,v)为预测函数，用于根据f(u,v)的大小判断患者u与疾病或疾病症状v的相关性；Eu为急救患者的特征向量，Ev为病情特征向量；
根据预测函数f(u,v)值的大小，进行病情的预测。
6.大模型和知识图谱融合的院前急救辅助预测系统，其特征在于，包括：
语音识别模块，用于将接入的电话语音进行实时语音识别，并转换病情文本描述信息；根据所述病情文本描述信息查询在云数据中心存储的患者知识图谱；
病情表征学习模块，用于对所述病情文本描述信息进行表征学习得到报警描述特征向量，对患者知识图谱进行向量表征得到患者历史疾病特征向量，将报警描述特征向量和患者历史疾病特征向量进行融合，生成急救患者特征向量；
疾病特征学习模块，用于对预先构建的疾病知识图谱进行知识图谱嵌入向量学习，生成病情特征向量；
病情预测模块，用于根据急救患者的特征向量和病情特征向量进行急救患者的病情预测。
7.一种院前急救资源智能调度装置，包括存储器和处理器；所述存储器，用于存储计算机程序；所述处理器，用于当执行所述计算机程序时，实现如权利要求1-5任一项所述的大模型和知识图谱融合的院前急救辅助预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311542982.2A CN117423460A (zh) | 2023-11-20 | 2023-11-20 | 大模型和知识图谱融合的院前急救辅助预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311542982.2A CN117423460A (zh) | 2023-11-20 | 2023-11-20 | 大模型和知识图谱融合的院前急救辅助预测方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117423460A true CN117423460A (zh) | 2024-01-19 |
Family
ID=89526506
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311542982.2A Pending CN117423460A (zh) | 2023-11-20 | 2023-11-20 | 大模型和知识图谱融合的院前急救辅助预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117423460A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117789680A (zh) * | 2024-02-23 | 2024-03-29 | 青岛海尔科技有限公司 | 基于大模型的多媒体资源的生成方法、装置及存储介质 |
-
2023
- 2023-11-20 CN CN202311542982.2A patent/CN117423460A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117789680A (zh) * | 2024-02-23 | 2024-03-29 | 青岛海尔科技有限公司 | 基于大模型的多媒体资源的生成方法、装置及存储介质 |
| CN117789680B (zh) * | 2024-02-23 | 2024-05-24 | 青岛海尔科技有限公司 | 基于大模型的多媒体资源的生成方法、装置及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Azimi et al. | Medical warning system based on Internet of Things using fog computing | |
| Li et al. | Identifying disaster damage images using a domain adaptation approach | |
| CN117423460A (zh) | 大模型和知识图谱融合的院前急救辅助预测方法及系统 | |
| Madhiarasan et al. | Analysis of artificial neural network: architecture, types, and forecasting applications | |
| JP2020017952A (ja) | 警告するための方法と装置 | |
| CN114783608B (zh) | 基于图自编码器的慢病人群疾病风险预测模型的构建方法 | |
| CN111639786B (zh) | 资源配置方法、装置、存储介质及计算机设备 | |
| Wan et al. | Network traffic prediction based on LSTM and transfer learning | |
| KR102608408B1 (ko) | 인공지능 모델을 이용한 우울증 발생 예측방법 및 이를 기록한 컴퓨터 판독 가능한 기록매체 | |
| Yoo et al. | Interactive predictive analytics for enhancing patient adherence in remote health monitoring | |
| Njoya et al. | Data prediction based encoder-decoder learning in wireless sensor networks | |
| CN114121247B (zh) | 一种资源调度方法、装置、计算机设备和存储介质 | |
| CN113658415B (zh) | 一种智能网关的预警方法和系统 | |
| CN113221984B (zh) | 用户酒驾行为分析预测方法、装置、设备及存储介质 | |
| CN113571159A (zh) | 一种基于人工智能的孤独症谱系障碍儿童康复护理系统 | |
| CN113064812A (zh) | 一种项目开发过程质量缺陷预测方法、装置及介质 | |
| Van Lam et al. | Appling machine learning to predict Melasma | |
| Rejith et al. | Machine learning based criticality estimation algorithm for search & rescue operations in collapsed infrastructures | |
| CN115952009B (zh) | 基于算网融合特征的数据中心推荐方法及装置 | |
| Hiray et al. | Complex Event driven data analysis approach in fog architecture based Smart healthcare | |
| Tiwari et al. | Earlier heart disease prediction system using machine learning | |
| CN117391456B (zh) | 基于人工智能的村社管理方法及服务平台系统 | |
| He et al. | HSMS-ADP: Adaptive DNNs Partitioning for End-Edge Collaborative Inference in High-Speed Mobile Scenarios | |
| CN117497154A (zh) | 一种院前急救资源智能调度方法、装置及系统 | |
| CN113297045B (zh) | 分布式系统的监控方法及装置 |
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 |