CN117524400B - 患者数据可视化管理系统及方法 - Google Patents
患者数据可视化管理系统及方法 Download PDFInfo
- Publication number
- CN117524400B CN117524400B CN202410014522.0A CN202410014522A CN117524400B CN 117524400 B CN117524400 B CN 117524400B CN 202410014522 A CN202410014522 A CN 202410014522A CN 117524400 B CN117524400 B CN 117524400B
- Authority
- CN
- China
- Prior art keywords
- patient
- feature vector
- daily sign
- daily
- health state
- 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
- 238000013079 data visualisation Methods 0.000 title claims description 48
- 238000000034 method Methods 0.000 title claims description 27
- 230000036541 health Effects 0.000 claims abstract description 171
- 238000007726 management method Methods 0.000 claims abstract description 52
- 238000012545 processing Methods 0.000 claims abstract description 24
- 238000013135 deep learning Methods 0.000 claims abstract description 12
- 230000000007 visual effect Effects 0.000 claims abstract description 7
- 239000013598 vector Substances 0.000 claims description 242
- 230000003993 interaction Effects 0.000 claims description 47
- 239000011159 matrix material Substances 0.000 claims description 36
- 238000009826 distribution Methods 0.000 claims description 29
- 230000003862 health status Effects 0.000 claims description 22
- 238000004458 analytical method Methods 0.000 claims description 20
- 230000011218 segmentation Effects 0.000 claims description 15
- 238000013527 convolutional neural network Methods 0.000 claims description 12
- 230000002123 temporal effect Effects 0.000 claims description 12
- 238000010586 diagram Methods 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 6
- 238000011176 pooling Methods 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000013523 data management Methods 0.000 abstract description 4
- 238000005516 engineering process Methods 0.000 abstract description 4
- 230000006870 function Effects 0.000 abstract description 4
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 201000010099 disease Diseases 0.000 description 8
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 8
- 230000008859 change Effects 0.000 description 7
- 238000003745 diagnosis Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 238000012937 correction Methods 0.000 description 4
- 230000036772 blood pressure Effects 0.000 description 3
- 208000017667 Chronic Disease Diseases 0.000 description 2
- 230000000875 corresponding effect Effects 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 208000024891 symptom Diseases 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 235000006694 eating habits Nutrition 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000009533 lab test Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000035790 physiological processes and functions Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000001225 therapeutic effect Effects 0.000 description 1
- 238000007794 visualization technique 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
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/3331—Query processing
- G06F16/334—Query execution
- G06F16/3344—Query execution using natural language analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- 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
- G06N3/045—Combinations of networks
- G06N3/0455—Auto-encoder networks; Encoder-decoder networks
-
- 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
- G06N3/048—Activation functions
-
- 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
- G06N3/08—Learning methods
-
- 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
- G16H50/30—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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Pathology (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明公开了一种患者数据可视化管理系统及方法,涉及智能化数据管理技术领域,其获取被分析患者的电子病历和预定时间周期内多天的日常体征数据,然后利用基于深度学习的人工智能技术,对被分析患者的电子病历和预定时间周期内多天的日常体征数据进行有效的整合、分析和可视化处理,以密切关注患者的身体健康状况,并及时识别风险因素,智能化地判断是否需要对当前的健康管理方案进行调整。这样,为医生制定并推荐个性化的管理方案提供辅助决策的功能,同时帮助患者了解自身健康状况。
Description
技术领域
本发明涉及智能化数据管理技术领域,尤其涉及一种患者数据可视化管理系统及方法。
背景技术
慢性病是一种长期存在的疾病,对患者的生活质量和社会经济造成了巨大的负担。慢性病的治疗和管理需要患者与医生之间的密切合作,以实现个性化、精准化和持续化的健康服务。
然而,目前的患者数据管理系统存在着一些问题,如数据分散、不完整、不易理解等问题,导致患者难以获取有效的健康信息和建议,医生难以对患者进行有效的监测和干预。
因此,期待一种优化的患者数据可视化管理方案。
发明内容
本发明的目的是为了克服现有技术的不足,提供一种患者数据可视化管理系统及方法。
本发明提供了一种患者数据可视化管理方法,其包括:
获取被分析患者的电子病历和预定时间周期内多天的日常体征数据;
对所述电子病历进行文本语义分析以得到患者健康状态语义特征向量;
提取所述预定时间周期内多天的日常体征数据的日常体征数据关联特征以得到日常体征数据时序关联特征图;
对所述患者健康状态语义特征向量和所述日常体征数据时序关联特征图进行特征交互以得到包含日常体征信息的患者健康状态语义特征向量;
基于所述包含日常体征信息的患者健康状态语义特征向量进行数据可视化处理;
其中,对所述患者健康状态语义特征向量和所述日常体征数据时序关联特征图进行特征交互以得到包含日常体征信息的患者健康状态语义特征向量,包括:
将所述日常体征数据时序关联特征图的沿通道维度的各个特征矩阵进行特征矩阵展开以得到日常体征时序局部特征向量的序列;
基于所述日常体征时序局部特征向量的序列对所述患者健康状态语义特征向量进行重要信息分配式特征交互以得到所述包含日常体征信息的患者健康状态语义特征向量;
其中,基于所述日常体征时序局部特征向量的序列对所述患者健康状态语义特征向量进行重要信息分配式特征交互以得到所述包含日常体征信息的患者健康状态语义特征向量,包括:
以如下权重公式计算所述日常体征时序局部特征向量的序列对于所述患者健康状态语义特征向量的权重值;
其中,所述权重公式为:
;
其中,A是1×的矩阵,/>是所述患者健康状态语义特征向量,/>是所述患者健康状态语义特征向量的维度,B是1×/>的矩阵,/>是各个所述日常体征时序局部特征向量的维度,/>是所述日常体征时序局部特征向量的序列中第/>个日常体征时序局部特征向量,是Sigmoid函数,/>是所述日常体征时序局部特征向量的序列中特征向量的总数,/>是所述权重值;
基于所述权重值以如下分配式特征交互公式来对所述患者健康状态语义特征向量进行重要信息分配式特征交互以得到所述包含日常体征信息的患者健康状态语义特征向量;
其中,所述分配式特征交互公式为:
;
其中,是所述包含日常体征信息的患者健康状态语义特征向量,/>和/>代表1×1卷积核的卷积操作,/>是所述患者健康状态语义特征向量,/>是所述日常体征时序局部特征向量的序列中特征向量的总数,/>是所述权重值,/>是所述日常体征时序局部特征向量的序列中第/>个日常体征时序局部特征向量。
进一步地,对所述电子病历进行文本语义分析以得到患者健康状态语义特征向量,包括:
提取所述电子病历中的文本信息;
对所述文本信息进行分词处理后通过包含词嵌入层的电子病历信息上下文编码器以得到所述患者健康状态语义特征向量。
进一步地,对所述文本信息进行分词处理后通过包含词嵌入层的电子病历信息上下文编码器以得到所述患者健康状态语义特征向量,包括:
对所述文本信息进行分词处理以将所述文本信息转化为由多个词组成的词序列;
使用所述包含词嵌入层的电子病历信息上下文编码器的词嵌入层将所述词序列中各个词映射到词向量以获得词向量的序列;
使用所述包含词嵌入层的电子病历信息上下文编码器对所述词向量的序列进行基于全局的上下文语义编码以获得所述患者健康状态语义特征向量。
进一步地,提取所述预定时间周期内多天的日常体征数据的日常体征数据关联特征以得到日常体征数据时序关联特征图,包括:
将所述预定时间周期内多天的日常体征数据按照时间维度和样本维度排列为日常体征时序关联输入矩阵;
利用深度学习网络模型对所述日常体征时序关联输入矩阵进行特征提取以得到所述日常体征数据时序关联特征图。
进一步地,所述深度学习网络模型为基于卷积神经网络模型的日常体征时序特征提取器;
其中,所述基于卷积神经网络模型的日常体征时序特征提取器,包括:输入层、卷积层、池化层、激活层和输出层。
进一步地,利用深度学习网络模型对所述日常体征时序关联输入矩阵进行特征提取以得到所述日常体征数据时序关联特征图,包括:
将所述日常体征时序关联输入矩阵通过所述基于卷积神经网络模型的日常体征时序特征提取器以得到所述日常体征数据时序关联特征图。
进一步地,基于所述包含日常体征信息的患者健康状态语义特征向量进行数据可视化处理,包括:
对所述包含日常体征信息的患者健康状态语义特征向量进行特征分布优化以得到包含日常体征信息的优化患者健康状态语义特征向量;
将所述包含日常体征信息的优化患者健康状态语义特征向量通过分类器以得到分类结果,所述分类结果用于表示是否产生健康管理方案调整提示;
显示所述分类结果和所述预定时间周期内多天的日常体征数据。
本发明还提供了一种患者数据可视化管理系统,其包括:
体征数据获取模块,用于获取被分析患者的电子病历和预定时间周期内多天的日常体征数据;
文本语义分析模块,用于对所述电子病历进行文本语义分析以得到患者健康状态语义特征向量;
关联特征提取模块,用于提取所述预定时间周期内多天的日常体征数据的日常体征数据关联特征以得到日常体征数据时序关联特征图;
特征交互模块,用于对所述患者健康状态语义特征向量和所述日常体征数据时序关联特征图进行特征交互以得到包含日常体征信息的患者健康状态语义特征向量;
数据可视化处理模块,用于基于所述包含日常体征信息的患者健康状态语义特征向量进行数据可视化处理;
其中,特征交互模块,包括:
将所述日常体征数据时序关联特征图的沿通道维度的各个特征矩阵进行特征矩阵展开以得到日常体征时序局部特征向量的序列;
基于所述日常体征时序局部特征向量的序列对所述患者健康状态语义特征向量进行重要信息分配式特征交互以得到所述包含日常体征信息的患者健康状态语义特征向量;
其中,基于所述日常体征时序局部特征向量的序列对所述患者健康状态语义特征向量进行重要信息分配式特征交互以得到所述包含日常体征信息的患者健康状态语义特征向量,包括:
以如下权重公式计算所述日常体征时序局部特征向量的序列对所述患者健康状态语义特征向量的权重值;
其中,所述权重公式为:
;
其中,A是1×的矩阵,/>是所述患者健康状态语义特征向量,/>是所述患者健康状态语义特征向量的维度,B是1×/>的矩阵,/>是各个所述日常体征时序局部特征向量的维度,/>是所述日常体征时序局部特征向量的序列中第/>个日常体征时序局部特征向量,是Sigmoid函数,/>是所述日常体征时序局部特征向量的序列中特征向量的总数,/>是所述权重值;
基于所述权重值以如下分配式特征交互公式来对所述患者健康状态语义特征向量进行重要信息分配式特征交互以得到所述包含日常体征信息的患者健康状态语义特征向量;
其中,所述分配式特征交互公式为:
;
其中,是所述包含日常体征信息的患者健康状态语义特征向量,/>和/>代表1×1卷积核的卷积操作,/>是所述患者健康状态语义特征向量,/>是所述日常体征时序局部特征向量的序列中特征向量的总数,/>是所述权重值,/>是所述日常体征时序局部特征向量的序列中第/>个日常体征时序局部特征向量。
本发明利用基于深度学习的人工智能技术,对患者数据进行有效的整合、分析和可视化处理,以密切关注患者的身体健康状况,并及时识别风险因素,智能化地判断是否需要对当前的健康管理方案进行调整。这样,为医生制定并推荐个性化的管理方案提供辅助决策的功能,同时帮助患者了解自身健康状况。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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的附图。在附图中:
图1为本发明实施例中提供的一种患者数据可视化管理方法的流程图。
图2为本发明实施例中提供的一种患者数据可视化管理方法的系统架构的示意图。
图3为本发明实施例中提供的一种患者数据可视化管理系统的框图。
图4为本发明实施例中提供的一种患者数据可视化管理方法的应用场景图。
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明白,下面结合附图对本发明实施例做进一步详细说明。在此,本发明的示意性实施例及其说明用于解释本发明,但并不作为对本发明的限定。
除非另有说明,本申请实施例所使用的所有技术和科学术语与本申请的技术领域的技术人员通常理解的含义相同。本申请中所使用的术语只是为了描述具体的实施例的目的,不是旨在限制本申请的范围。
在本申请实施例记载中,需要说明的是,除非另有说明和限定,术语“连接”应做广义理解,例如,可以是电连接,也可以是两个元件内部的连通,可以是直接相连,也可以通过中间媒介间接相连,对于本领域的普通技术人员而言,可以根据具体情况理解上述术语的具体含义。
需要说明的是,本申请实施例所涉及的术语“第一\第二\第三”仅仅只是区别类似的对象,不代表针对对象的特定排序,可以理解地,“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序。应该理解“第一\第二\第三”区分的对象在适当情况下可以互换,以使这里描述的本申请的实施例可以除了在这里图示或描述的那些以外的顺序实施。
患者数据管理系统在医疗领域扮演着重要的角色,但目前存在一些问题,这些问题包括数据分散、不完整和不易理解等。这些问题导致患者难以获取有效的健康信息和建议,同时也给医生带来了困扰,使他们难以对患者进行有效的监测和干预。
首先,数据分散是一个常见的问题,在许多医疗机构中,患者的数据通常存储在不同的系统和数据库中,这些系统之间缺乏有效的集成和共享机制,这导致了患者的健康信息被分散存储,医生需要在多个系统之间进行切换和查询,增加了工作的复杂性和耗时性。
其次,数据的完整性也是一个挑战,由于医疗数据的来源多样化,包括患者自己提供的信息、医生的记录、实验室测试结果等,数据的完整性往往存在问题。有时候,重要的健康信息可能被遗漏或未及时更新,这给医生提供准确诊断和制定治疗计划带来了困难。
此外,患者数据的可理解性也是一个关键问题,医疗数据通常以专业术语和编码形式存储,这对于患者来说很难理解。患者往往需要依赖医生来解释他们的健康数据,这限制了患者主动参与自己的健康管理和决策的能力。
这些问题的存在给患者和医生带来了一系列的挑战,患者难以获得全面和准确的健康信息,无法充分了解自己的疾病状况和治疗选项。医生也难以获得患者的完整健康历史和实时数据,这影响了他们对患者的监测和干预能力。为了解决这些问题,需要采取一系列的措施。
在本发明的一个实施例中,图1为本发明实施例中提供的一种患者数据可视化管理方法的流程图。图2为本发明实施例中提供的一种患者数据可视化管理方法的系统架构的示意图。如图1和图2所示,根据本发明实施例的患者数据可视化管理方法,包括:110,获取被分析患者的电子病历和预定时间周期内多天的日常体征数据;120,对所述电子病历进行文本语义分析以得到患者健康状态语义特征向量;130,提取所述预定时间周期内多天的日常体征数据的日常体征数据关联特征以得到日常体征数据时序关联特征图;140,对所述患者健康状态语义特征向量和所述日常体征数据时序关联特征图进行特征交互以得到包含日常体征信息的患者健康状态语义特征向量;及,150,基于所述包含日常体征信息的患者健康状态语义特征向量进行数据可视化处理。
在步骤110中,获取被分析患者的电子病历和预定时间周期内多天的日常体征数据。确保获取到的电子病历和日常体征数据是与被分析患者相关的,并且数据的来源和准确性可靠。通过获取电子病历和日常体征数据,可以获得患者的详细健康信息,包括病史、诊断结果、治疗方案以及日常体征数据如血压、心率等,为后续的健康状态分析提供基础数据。
在步骤120中,对所述电子病历进行文本语义分析以得到患者健康状态语义特征向量。进行文本语义分析时,需要考虑医学领域的专业术语和语境,确保准确解析和理解电子病历中的文本信息。通过文本语义分析,可以从电子病历中提取出关键的健康状态信息,如疾病诊断、症状描述、治疗计划等,形成患者健康状态的语义特征向量,为后续的健康状态分析和判断提供基础。
在步骤130中,提取所述预定时间周期内多天的日常体征数据的日常体征数据关联特征以得到日常体征数据时序关联特征图。在提取日常体征数据的关联特征时,考虑时间序列的关系,例如观察体征数据的趋势、周期性变化等。通过提取日常体征数据的关联特征,可以揭示患者体征数据的时序变化规律,例如血压的波动、心率的变化趋势等,形成日常体征数据的时序关联特征图,为后续的健康状态分析提供更全面的信息。
在步骤140中,对所述患者健康状态语义特征向量和所述日常体征数据时序关联特征图进行特征交互以得到包含日常体征信息的患者健康状态语义特征向量。在进行特征交互时,考虑不同特征之间的权重和相关性,以确保合理地融合患者健康状态语义特征向量和日常体征数据时序关联特征图。通过特征交互,可以将患者的健康状态语义特征向量与日常体征数据的时序关联特征图相结合,获得包含日常体征信息的患者健康状态语义特征向量,这样可以更全面地描述患者的健康状态,并为后续的数据可视化处理提供更丰富的数据基础。
在步骤150中,基于所述包含日常体征信息的患者健康状态语义特征向量进行数据可视化处理。在数据可视化处理时,需要选择合适的可视化方法和工具,以清晰、直观地展示患者的健康状态信息。通过数据可视化处理,可以将患者的健康状态信息以图表、图像等形式呈现出来,使医生和患者能够更直观地理解和分析患者的健康状况。这有助于医生做出准确的诊断和治疗决策,同时也提高了患者对自身健康状况的认知和参与度。
针对上述技术问题,本申请的技术构思是利用基于深度学习的人工智能技术,对患者数据进行有效的整合、分析和可视化处理,以密切关注患者的身体健康状况,并及时识别风险因素,智能化地判断是否需要对当前的健康管理方案进行调整。这样,为医生制定并推荐个性化的管理方案提供辅助决策的功能,同时帮助患者了解自身健康状况。
基于此,在本申请的技术方案中,首先获取被分析患者的电子病历和预定时间周期内多天的日常体征数据。其中,电子病历记录了患者的疾病史、各个阶段的诊断结果、治疗方案等重要医疗信息。也就是说,在电子病历的文本信息中包含了与患者健康相关的重要信息,如疾病类型、病情严重程度等,有助于判断患者的整体健康状况。而日常体征数据包括患者的生理指标、运动情况、饮食习惯等信息。通过收集多天的日常体征数据可以从中挖掘患者的时序状态变化。
接着,提取所述电子病历中的文本信息,并对所述文本信息进行分词处理后通过包含词嵌入层的电子病历信息上下文编码器以得到患者健康状态语义特征向量。在本申请的一个具体示例中,提取所述电子病历中的文本信息可以是从电子病历系统中获取所述被分析患者的电子病历数据,并通过图片转文字或提取文字等技术来获取所述电子病历中的文本信息。其中,所述电子病历数据包括但不限于诊断报告、病程记录、医嘱等。
在本申请的一个具体实施例中,对所述电子病历进行文本语义分析以得到患者健康状态语义特征向量,包括:提取所述电子病历中的文本信息;以及,对所述文本信息进行分词处理后通过包含词嵌入层的电子病历信息上下文编码器以得到所述患者健康状态语义特征向量。
首先,将电子病历文本进行预处理,包括去除特殊字符、标点符号等。然后,可以使用文本处理技术,如分词、词性标注、命名实体识别等,来将文本切分成有意义的单词或短语,并识别出关键的医学术语和实体。在得到分词处理后的文本信息后,可以使用词嵌入技术将每个词转换为向量表示。然后,可以使用包含词嵌入层的上下文编码器(如循环神经网络、Transformer等)对文本进行编码,以捕捉词与词之间的语义关系和上下文信息。最终,通过对编码后的文本进行汇聚操作(如平均池化、最大池化等),可以得到患者健康状态的语义特征向量。
应可以理解,提取电子病历中的文本信息可以帮助医生和研究人员更好地理解患者的病情、疾病诊断和治疗方案等关键信息;分词处理可以将文本信息转换为离散的词语表示,为后续的语义分析和建模提供基础;词嵌入技术能够将词语转换为连续的向量表示,捕捉词语之间的语义关系,提供更丰富的特征表示;上下文编码器可以利用词嵌入向量和上下文信息对文本进行编码,从而更好地理解文本的语义和上下文信息;得到患者健康状态的语义特征向量后,可以用于后续的健康状态分析、疾病预测、治疗效果评估等任务,为医生的决策提供支持和参考。
更具体地,分词是将连续的文本字符串切分成有意义的词语或词组的过程,常用的方法包括基于规则的分词和基于统计的分词。词嵌入层能够将词语映射到低维度的实数向量空间中的表示,使得词语的语义信息能够通过向量的方式进行表示。而电子病历信息上下文编码器可以通过学习各个词嵌入向量之间所表达的整体语义上下文关联关系,从而捕捉到文本中的语义信息,例如诊断、症状和治疗效果等关键信息,这些语义信息对评估患者的健康状况和制定管理方案具有重要意义。
在本申请的一个具体实施例中,对所述文本信息进行分词处理后通过包含词嵌入层的电子病历信息上下文编码器以得到所述患者健康状态语义特征向量,包括:对所述文本信息进行分词处理以将所述文本信息转化为由多个词组成的词序列;使用所述包含词嵌入层的电子病历信息上下文编码器的词嵌入层将所述词序列中各个词映射到词向量以获得词向量的序列;以及,使用所述包含词嵌入层的电子病历信息上下文编码器对所述词向量的序列进行基于全局的上下文语义编码以获得所述患者健康状态语义特征向量。
然后,将所述预定时间周期内多天的日常体征数据按照时间维度和样本维度排列为日常体征时序关联输入矩阵;并将所述日常体征时序关联输入矩阵通过基于卷积神经网络模型的日常体征时序特征提取器以得到日常体征数据时序关联特征图。这里,所述预定时间周期内多天的日常体征数据在时间维度上应具有一定的时序关联关系。例如血压、心率、血糖等指标在不同时间点上有连续的变化,这些变化特征对于判断患者的身体状况具有重要意义。本领域的普通技术人员应当理解,卷积神经网络模型能够有效地捕捉到数据中的时序关联性。通过卷积操作和池化操作,卷积神经网络模型可以提取出数据中的局部特征,并保留它们之间的时序关系。
在本申请的一个具体实施例中,提取所述预定时间周期内多天的日常体征数据的日常体征数据关联特征以得到日常体征数据时序关联特征图,包括:将所述预定时间周期内多天的日常体征数据按照时间维度和样本维度排列为日常体征时序关联输入矩阵;以及,利用深度学习网络模型对所述日常体征时序关联输入矩阵进行特征提取以得到所述日常体征数据时序关联特征图。
其中,所述深度学习网络模型为基于卷积神经网络模型的日常体征时序特征提取器;其中,所述基于卷积神经网络模型的日常体征时序特征提取器,包括:输入层、卷积层、池化层、激活层和输出层。
在本申请的一个具体实施例中,利用深度学习网络模型对所述日常体征时序关联输入矩阵进行特征提取以得到所述日常体征数据时序关联特征图,包括:将所述日常体征时序关联输入矩阵通过所述基于卷积神经网络模型的日常体征时序特征提取器以得到所述日常体征数据时序关联特征图。
具体来说,卷积神经网络模型通过滑动窗口的方式对输入数据进行卷积操作,可以提取出局部特征。对于日常体征数据而言,不同时间点上的数据可能包含了不同的变化模式和趋势。通过卷积操作,卷积神经网络模型可以从局部区域中捕捉到这些特征。
进一步地,将所述日常体征数据时序关联特征图的沿通道维度的各个特征矩阵进行特征矩阵展开以得到日常体征时序局部特征向量的序列;并基于所述日常体征时序局部特征向量的序列对所述患者健康状态语义特征向量进行重要信息分配式特征交互以得到包含日常体征信息的患者健康状态语义特征向量。这里,考虑到日常体征时序变化特征信息和电子病历中所表达的患者健康状态语义信息可能反映了患者不同层次的健康状态信息,通过特征交互的方式能够使得两者的特征信息进行相互交互和融合,使得所述包含日常体征信息的患者健康状态语义特征向量具有更为出色的信息表达能力。
在本申请的一个具体实施例中,对所述患者健康状态语义特征向量和所述日常体征数据时序关联特征图进行特征交互以得到包含日常体征信息的患者健康状态语义特征向量,包括:将所述日常体征数据时序关联特征图的沿通道维度的各个特征矩阵进行特征矩阵展开以得到日常体征时序局部特征向量的序列;以及,基于所述日常体征时序局部特征向量的序列对所述患者健康状态语义特征向量进行重要信息分配式特征交互以得到所述包含日常体征信息的患者健康状态语义特征向量。
具体地,在本申请的实施例中,通过重要信息分配式特征交互的方式来捕捉日常体征数据中的关键信息并融合到患者的健康状态表示中,以实现重要信息的分配和融合。这种交互式的融合方式可以根据不同的特征分布之间的重要性和相关性,动态地分配权重和关注度。例如,某些时序局部特征可能对患者健康状态的表示更加重要,通过特征交互可以增强它们的影响力,从而提升特征表示的准确性和表达能力。
在本申请的一个具体实施例中,基于所述日常体征时序局部特征向量的序列对所述患者健康状态语义特征向量进行重要信息分配式特征交互以得到所述包含日常体征信息的患者健康状态语义特征向量,包括:以如下权重公式计算所述日常体征时序局部特征向量的序列对所述患者健康状态语义特征向量的权重值;其中,所述权重公式为:
;
其中,A是1×的矩阵,/>是所述患者健康状态语义特征向量,/>是所述患者健康状态语义特征向量的维度,B是1×/>的矩阵,/>是各个所述日常体征时序局部特征向量的维度,/>是所述日常体征时序局部特征向量的序列中第/>个日常体征时序局部特征向量,是Sigmoid函数,/>是所述日常体征时序局部特征向量的序列中特征向量的总数,/>是所述权重值;以及,基于所述权重值以如下分配式特征交互公式来对所述患者健康状态语义特征向量进行重要信息分配式特征交互以得到所述包含日常体征信息的患者健康状态语义特征向量;其中,所述分配式特征交互公式为:
;
其中,是所述包含日常体征信息的患者健康状态语义特征向量,/>和/>代表1×1卷积核的卷积操作,/>是所述患者健康状态语义特征向量,/>是所述日常体征时序局部特征向量的序列中特征向量的总数,/>是所述权重值,/>是所述日常体征时序局部特征向量的序列中第/>个日常体征时序局部特征向量。
在本申请的一个实施例中,基于所述包含日常体征信息的患者健康状态语义特征向量进行数据可视化处理,包括:对所述包含日常体征信息的患者健康状态语义特征向量进行特征分布优化以得到包含日常体征信息的优化患者健康状态语义特征向量;将所述包含日常体征信息的优化患者健康状态语义特征向量通过分类器以得到分类结果,所述分类结果用于表示是否产生健康管理方案调整提示;显示所述分类结果和所述预定时间周期内多天的日常体征数据。
在上述技术方案中,所述日常体征时序局部特征向量的序列中的每个日常体征时序局部特征向量表达所述日常体征数据的样本-时序交叉维度局部关联特征,而所述患者健康状态语义特征向量表达所述电子病历中的文本信息基于词源语义上下文关联的文本语义特征,由此,基于所述日常体征时序局部特征向量的序列对所述患者健康状态语义特征向量进行重要信息分配式特征交互时,考虑到所述日常体征时序局部特征向量的序列对所述患者健康状态语义特征向量之间的跨模态语义分布差异和特征表达维度差异带来的语义信息交互不对应,可能导致基于各自语义信息的重要信息分配式特征交互稀疏性,从而影响所述包含日常体征信息的患者健康状态语义特征向量的表达效果,因此期望基于所述日常体征时序局部特征向量的序列和所述患者健康状态语义特征向量各自的特征表达显著性和关键性来进行特征对应性优化,从而提升所述包含日常体征信息的患者健康状态语义特征向量的表达效果。
基于此,本申请的申请人对所述日常体征时序局部特征向量的序列和所述患者健康状态语义特征向量进行校正,具体表示为:以如下优化公式对所述日常体征时序局部特征向量的序列和所述患者健康状态语义特征向量进行校正以得到校正特征向量;其中,所述优化公式为:
;
其中,是所述日常体征时序局部特征向量的序列级联得到的级联特征向量,且是所述患者健康状态语义特征向量,/>表示特征向量的逐位置开方,/>和分别是特征向量/>和/>最大特征值的倒数,/>和/>是权重超参数,/>是所述校正特征向量,/>表示按位置减法,/>按位置点乘;以及,将所述校正特征向量与所述包含日常体征信息的患者健康状态语义特征向量融合以得到包含日常体征信息的优化患者健康状态语义特征向量。
这里,通过所述日常体征时序局部特征向量的序列和所述患者健康状态语义特征向量的各个特征值的开方值来获得特征值集合的预分割的局部组,并从其中回归所述日常体征时序局部特征向量的序列和所述患者健康状态语义特征向量的关键最大值特征,这样,可以基于最远点采样的思想来提升特征值的按位置显著性分布,从而通过具有显著分布的关键特征来进行特征向量间的稀疏对应性控制,以实现校正特征向量对所述日常体征时序局部特征向量的序列和所述患者健康状态语义特征向量的原始特征流形几何表示的还原。这样,再将所述校正特征向量/>与所述包含日常体征信息的患者健康状态语义特征向量融合,就可以提升所述包含日常体征信息的患者健康状态语义特征向量的表达效果,从而提升包含日常体征信息的优化患者健康状态语义特征向量通过分类器得到的分类结果的准确性。
随后,将所述包含日常体征信息的优化患者健康状态语义特征向量通过分类器以得到分类结果,所述分类结果用于表示是否产生健康管理方案调整提示;并显示所述分类结果和所述预定时间周期内多天的日常体征数据。这里,将分类结果显示给医生、患者或健康管理人员可以提供直观的健康状态反馈。通过这样的方式,用简明的方式表达患者的健康状况,使人们能够迅速了解患者的整体健康状况。这样的可视化方式有助于快速地做出决策和采取相应的行动。将预定时间周期内多天的日常体征数据与分类结果一起显示可以提供更全面的信息。通过展示多天的数据,可以观察到日常体征的趋势和变化情况。这有助于深入了解患者的生理状态和健康变化,并为医生或健康管理人员提供更准确的依据和参考,以制定更有效的健康管理方案。
通过分类器对优化后的患者健康状态语义特征向量进行分类,可以根据分类结果判断是否需要对健康管理方案进行调整,有助于医生更及时地发现患者的健康变化,提供个性化的治疗和管理建议,改善治疗效果。将分类结果和预定时间周期内多天的日常体征数据可视化展示,可以帮助医生和患者更直观地了解患者的健康状态,通过图表和曲线的展示,可以清晰地看到体征数据的变化趋势,以及分类结果的影响,有助于医生和患者更好地理解患者的健康状况,做出相应的决策和调整。
综上,基于本发明实施例的患者数据可视化管理方法被阐明,其为医生制定并推荐个性化的管理方案提供辅助决策的功能,同时帮助患者了解自身健康状况。
图3为本发明实施例中提供的一种患者数据可视化管理系统的框图。如图3所示,所述患者数据可视化管理系统200,包括:体征数据获取模块210,用于获取被分析患者的电子病历和预定时间周期内多天的日常体征数据;文本语义分析模块220,用于对所述电子病历进行文本语义分析以得到患者健康状态语义特征向量;关联特征提取模块230,用于提取所述预定时间周期内多天的日常体征数据的日常体征数据关联特征以得到日常体征数据时序关联特征图;特征交互模块240,用于对所述患者健康状态语义特征向量和所述日常体征数据时序关联特征图进行特征交互以得到包含日常体征信息的患者健康状态语义特征向量;及,数据可视化处理模块250,用于基于所述包含日常体征信息的患者健康状态语义特征向量进行数据可视化处理。
本领域技术人员可以理解,上述患者数据可视化管理系统中的各个步骤的具体操作已经在上面参考图1到图2的患者数据可视化管理方法的描述中得到了详细介绍,并因此,将省略其重复描述。
如上所述,根据本发明实施例的患者数据可视化管理系统200可以实现在各种终端设备中,例如用于患者数据可视化管理的服务器等。在一个示例中,根据本发明实施例的患者数据可视化管理系统200可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如,该患者数据可视化管理系统200可以是该终端设备的操作系统中的一个软件模块,或者可以是针对于该终端设备所开发的一个应用程序;当然,该患者数据可视化管理系统200同样可以是该终端设备的众多硬件模块之一。
替换地,在另一示例中,该患者数据可视化管理系统200与该终端设备也可以是分立的设备,并且该患者数据可视化管理系统200可以通过有线和/或无线网络连接到该终端设备,并且按照约定的数据格式来传输交互信息。
图4为本发明实施例中提供的一种患者数据可视化管理方法的应用场景图。如图4所示,在该应用场景中,首先,获取被分析患者的电子病历(例如,如图4中所示意的C1)和预定时间周期内多天的日常体征数据(例如,如图4中所示意的C2);然后,将获取的电子病历和日常体征数据输入至部署有患者数据可视化管理算法的服务器(例如,如图4中所示意的S)中,其中所述服务器能够基于患者数据可视化管理算法对所述电子病历和所述日常体征数据进行处理,以基于所述包含日常体征信息的患者健康状态语义特征向量进行数据可视化处理。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种患者数据可视化管理方法,其特征在于,包括:
获取被分析患者的电子病历和预定时间周期内多天的日常体征数据;
对所述电子病历进行文本语义分析以得到患者健康状态语义特征向量;
提取所述预定时间周期内多天的日常体征数据的日常体征数据关联特征以得到日常体征数据时序关联特征图;
对所述患者健康状态语义特征向量和所述日常体征数据时序关联特征图进行特征交互以得到包含日常体征信息的患者健康状态语义特征向量;
基于所述包含日常体征信息的患者健康状态语义特征向量进行数据可视化处理;
其中,对所述患者健康状态语义特征向量和所述日常体征数据时序关联特征图进行特征交互以得到包含日常体征信息的患者健康状态语义特征向量,包括:
将所述日常体征数据时序关联特征图的沿通道维度的各个特征矩阵进行特征矩阵展开以得到日常体征时序局部特征向量的序列;
基于所述日常体征时序局部特征向量的序列对所述患者健康状态语义特征向量进行重要信息分配式特征交互以得到所述包含日常体征信息的患者健康状态语义特征向量;
其中,基于所述日常体征时序局部特征向量的序列对所述患者健康状态语义特征向量进行重要信息分配式特征交互以得到所述包含日常体征信息的患者健康状态语义特征向量,包括:
以如下权重公式计算所述日常体征时序局部特征向量的序列对于所述患者健康状态语义特征向量的权重值;
其中,所述权重公式为:
;
其中,A是1×的矩阵,/>是所述患者健康状态语义特征向量,/>是所述患者健康状态语义特征向量的维度,B是1×/>的矩阵,/>是各个所述日常体征时序局部特征向量的维度,/>是所述日常体征时序局部特征向量的序列中第/>个日常体征时序局部特征向量,/>是Sigmoid函数,/>是所述日常体征时序局部特征向量的序列中特征向量的总数,/>是所述权重值;
基于所述权重值以如下分配式特征交互公式来对所述患者健康状态语义特征向量进行重要信息分配式特征交互以得到所述包含日常体征信息的患者健康状态语义特征向量;
其中,所述分配式特征交互公式为:
;
其中,是所述包含日常体征信息的患者健康状态语义特征向量,/>和/>代表1×1卷积核的卷积操作,/>是所述患者健康状态语义特征向量,/>是所述日常体征时序局部特征向量的序列中特征向量的总数,/>是所述权重值,/>是所述日常体征时序局部特征向量的序列中第/>个日常体征时序局部特征向量。
2.根据权利要求1所述的患者数据可视化管理方法,其特征在于,对所述电子病历进行文本语义分析以得到患者健康状态语义特征向量,包括:
提取所述电子病历中的文本信息;
对所述文本信息进行分词处理后通过包含词嵌入层的电子病历信息上下文编码器以得到所述患者健康状态语义特征向量。
3.根据权利要求2所述的患者数据可视化管理方法,其特征在于,对所述文本信息进行分词处理后通过包含词嵌入层的电子病历信息上下文编码器以得到所述患者健康状态语义特征向量,包括:
对所述文本信息进行分词处理以将所述文本信息转化为由多个词组成的词序列;
使用所述包含词嵌入层的电子病历信息上下文编码器的词嵌入层将所述词序列中各个词映射到词向量以获得词向量的序列;
使用所述包含词嵌入层的电子病历信息上下文编码器对所述词向量的序列进行基于全局的上下文语义编码以获得所述患者健康状态语义特征向量。
4.根据权利要求3所述的患者数据可视化管理方法,其特征在于,提取所述预定时间周期内多天的日常体征数据的日常体征数据关联特征以得到日常体征数据时序关联特征图,包括:
将所述预定时间周期内多天的日常体征数据按照时间维度和样本维度排列为日常体征时序关联输入矩阵;
利用深度学习网络模型对所述日常体征时序关联输入矩阵进行特征提取以得到所述日常体征数据时序关联特征图。
5.根据权利要求4所述的患者数据可视化管理方法,其特征在于,所述深度学习网络模型为基于卷积神经网络模型的日常体征时序特征提取器;
其中,所述基于卷积神经网络模型的日常体征时序特征提取器,包括:输入层、卷积层、池化层、激活层和输出层。
6.根据权利要求5所述的患者数据可视化管理方法,其特征在于,利用深度学习网络模型对所述日常体征时序关联输入矩阵进行特征提取以得到所述日常体征数据时序关联特征图,包括:
将所述日常体征时序关联输入矩阵通过所述基于卷积神经网络模型的日常体征时序特征提取器以得到所述日常体征数据时序关联特征图。
7.根据权利要求6所述的患者数据可视化管理方法,其特征在于,基于所述包含日常体征信息的患者健康状态语义特征向量进行数据可视化处理,包括:
对所述包含日常体征信息的患者健康状态语义特征向量进行特征分布优化以得到包含日常体征信息的优化患者健康状态语义特征向量;
将所述包含日常体征信息的优化患者健康状态语义特征向量通过分类器以得到分类结果,所述分类结果用于表示是否产生健康管理方案调整提示;
显示所述分类结果和所述预定时间周期内多天的日常体征数据。
8.一种患者数据可视化管理系统,其特征在于,包括:
体征数据获取模块,用于获取被分析患者的电子病历和预定时间周期内多天的日常体征数据;
文本语义分析模块,用于对所述电子病历进行文本语义分析以得到患者健康状态语义特征向量;
关联特征提取模块,用于提取所述预定时间周期内多天的日常体征数据的日常体征数据关联特征以得到日常体征数据时序关联特征图;
特征交互模块,用于对所述患者健康状态语义特征向量和所述日常体征数据时序关联特征图进行特征交互以得到包含日常体征信息的患者健康状态语义特征向量;
数据可视化处理模块,用于基于所述包含日常体征信息的患者健康状态语义特征向量进行数据可视化处理;
其中,特征交互模块,包括:
将所述日常体征数据时序关联特征图的沿通道维度的各个特征矩阵进行特征矩阵展开以得到日常体征时序局部特征向量的序列;
基于所述日常体征时序局部特征向量的序列对所述患者健康状态语义特征向量进行重要信息分配式特征交互以得到所述包含日常体征信息的患者健康状态语义特征向量;
其中,基于所述日常体征时序局部特征向量的序列对所述患者健康状态语义特征向量进行重要信息分配式特征交互以得到所述包含日常体征信息的患者健康状态语义特征向量,包括:
以如下权重公式计算所述日常体征时序局部特征向量的序列对所述患者健康状态语义特征向量的权重值;
其中,所述权重公式为:
;
其中,A是1×的矩阵,/>是所述患者健康状态语义特征向量,/>是所述患者健康状态语义特征向量的维度,B是1×/>的矩阵,/>是各个所述日常体征时序局部特征向量的维度,/>是所述日常体征时序局部特征向量的序列中第/>个日常体征时序局部特征向量,/>是Sigmoid函数,/>是所述日常体征时序局部特征向量的序列中特征向量的总数,/>是所述权重值;
基于所述权重值以如下分配式特征交互公式来对所述患者健康状态语义特征向量进行重要信息分配式特征交互以得到所述包含日常体征信息的患者健康状态语义特征向量;
其中,所述分配式特征交互公式为:
;
其中,是所述包含日常体征信息的患者健康状态语义特征向量,/>和/>代表1×1卷积核的卷积操作,/>是所述患者健康状态语义特征向量,/>是所述日常体征时序局部特征向量的序列中特征向量的总数,/>是所述权重值,/>是所述日常体征时序局部特征向量的序列中第/>个日常体征时序局部特征向量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410014522.0A CN117524400B (zh) | 2024-01-05 | 2024-01-05 | 患者数据可视化管理系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410014522.0A CN117524400B (zh) | 2024-01-05 | 2024-01-05 | 患者数据可视化管理系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117524400A CN117524400A (zh) | 2024-02-06 |
CN117524400B true CN117524400B (zh) | 2024-03-22 |
Family
ID=89756998
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410014522.0A Active CN117524400B (zh) | 2024-01-05 | 2024-01-05 | 患者数据可视化管理系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117524400B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021169347A1 (zh) * | 2020-02-25 | 2021-09-02 | 华为技术有限公司 | 提取文本关键字的方法及装置 |
CN117235630A (zh) * | 2023-11-15 | 2023-12-15 | 吉林大学 | 智慧病区可视化管理系统及其方法 |
CN117238429A (zh) * | 2023-10-16 | 2023-12-15 | 泰兴市人民医院 | 一种医院病历管理方法及系统 |
CN117251699A (zh) * | 2023-11-17 | 2023-12-19 | 北京无极慧通科技有限公司 | 基于人工智能的医疗大数据分析方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170308671A1 (en) * | 2016-04-20 | 2017-10-26 | Bionous, LLC | Personal health awareness system and methods |
-
2024
- 2024-01-05 CN CN202410014522.0A patent/CN117524400B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021169347A1 (zh) * | 2020-02-25 | 2021-09-02 | 华为技术有限公司 | 提取文本关键字的方法及装置 |
CN117238429A (zh) * | 2023-10-16 | 2023-12-15 | 泰兴市人民医院 | 一种医院病历管理方法及系统 |
CN117235630A (zh) * | 2023-11-15 | 2023-12-15 | 吉林大学 | 智慧病区可视化管理系统及其方法 |
CN117251699A (zh) * | 2023-11-17 | 2023-12-19 | 北京无极慧通科技有限公司 | 基于人工智能的医疗大数据分析方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN117524400A (zh) | 2024-02-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chang et al. | Pima Indians diabetes mellitus classification based on machine learning (ML) algorithms | |
WO2016192612A1 (zh) | 基于深度学习对医疗数据进行分析的方法及其智能分析仪 | |
CN112329964B (zh) | 用于推送信息的方法、装置、设备以及存储介质 | |
CN111863237A (zh) | 一种基于深度学习的移动端疾病智能辅助诊断系统 | |
Tiwari et al. | A knowledge infused context driven dialogue agent for disease diagnosis using hierarchical reinforcement learning | |
CN110739076A (zh) | 一种医疗人工智能公共训练平台 | |
CN112541066B (zh) | 基于文本结构化的医技报告检测方法及相关设备 | |
CN111899866B (zh) | 基于深度学习的外科手术并发症评测系统 | |
CN116189866A (zh) | 一种基于数据分析的远程医用护理分析系统 | |
CN117542474A (zh) | 基于大数据的远程护理监测系统及方法 | |
CN109192312B (zh) | 一种心力衰竭患者不良事件智能管理系统及方法 | |
CN117391092B (zh) | 一种基于对比学习的电子病历多模态医疗语义对齐方法 | |
CN114191665A (zh) | 机械通气过程中人机异步现象的分类方法和分类装置 | |
US20200312456A1 (en) | Machine-learning based medical analysis system and method therefor | |
CN117524400B (zh) | 患者数据可视化管理系统及方法 | |
CN117012385A (zh) | 一种基于知识图谱的病情风险检测方法和装置以及设备 | |
CN116884612A (zh) | 疾病风险等级的智能分析方法、装置、设备及存储介质 | |
CN111833977A (zh) | 智慧医院数字化电子病历与科研教学集成系统 | |
CN116168828A (zh) | 基于知识图谱和深度学习的疾病预测方法、装置及计算机设备 | |
CN113180701B (zh) | 一种用于图像标签标注的脑电信号深度学习方法 | |
CN112287665B (zh) | 基于自然语言处理和集成训练的慢病数据分析方法及系统 | |
CN111883247B (zh) | 一种行为数据与医疗结局相关性的分析系统 | |
AU2021102832A4 (en) | System & method for automatic health prediction using fuzzy based machine learning | |
CN113591886B (zh) | 用于信息分类的方法、装置、设备及计算机可读存储介质 | |
CN118098482B (zh) | 基于5g技术的智慧医疗管理系统及方法 |
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 |