CN106228000A - 过度医疗检测***及方法 - Google Patents
过度医疗检测***及方法 Download PDFInfo
- Publication number
- CN106228000A CN106228000A CN201610565865.1A CN201610565865A CN106228000A CN 106228000 A CN106228000 A CN 106228000A CN 201610565865 A CN201610565865 A CN 201610565865A CN 106228000 A CN106228000 A CN 106228000A
- Authority
- CN
- China
- Prior art keywords
- data
- module
- mining
- over
- selection unit
- 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
Classifications
-
- G06F19/32—
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种过度医疗检测***及方法,所述***包括:包括中央控制单元、策略选择单元和存储单元;所述中央控制单元,用于向所述策略选择单元发送进行数据挖掘的控制信号;所述策略选择单元,用于提取数据,并根据所述提取的数据进行数据挖掘;所述存储单元,用于保存所述策略选择单元在数据挖掘过程中所产生的各类数据。本发明的技术方案基于数据挖掘方法,通过中央控制单元向策略选择单元发送进行数据挖掘的控制信号,由策略选择单元对所提取的大量的数据进行数据挖掘,从而检测出在医疗过程中出现的过度医疗行为,从而促进医疗行业的发展。
Description
技术领域
本发明涉及数据挖掘技术领域,特别涉及一种过度医疗检测***及方法。
背景技术
在医疗行业中,存在着过度医疗的现象。过度医疗是指医疗机构或者医护人员违背临床医学规范和伦理准则,不为患者真正提高诊治价值,只是徒增医疗资源耗费的诊治行为。过度医疗是影响我国医疗行业发展的重要因素。这种非正常的医疗行为严重破坏了医患之间的信任,造成医患关系的紧张,并且损害了患者的财产权、健康权,浪费了大量的、有限的医疗资源,甚至阻碍了医学的进步。在过度医疗的研究领域内,学者们从社会学、伦理学、经济学、法学等不同的角度对过度医疗问题的产生原因和判定标准进行了分析,但是并没有一个完整的、高效的方案可以清楚的检测出过度医疗行为。
随着计算机网络化、数据库技术的迅速发展,产生了海量数据。例如,一般医院的数据库***中都存储有大量有关患者的基本信息,如,患者的病史、诊断、检验和治疗等临床信息,这些信息为医疗行业的各领域的研究提供研究基础。这些海量数据为医疗行业的研究提供了研究基础。另外,随着现代科学技术的发展,越来越多的研究方法被用于医疗行业的研究中。其中,数据挖掘技术是指从海量的、不完全的、有噪声的、模糊的、随机的数据中提取隐含在其中的、事先不知道的、但是又潜在有用的信息的过程。数据挖掘技术能帮助人们智能地、自动地发现隐含在海量数据中的潜在信息,以供分析和决策之用。目前,数据挖掘技术已经在医疗领域内进行应用,例如,在疾病辅助诊断、药物开发、医院信息***以及遗传学等方面的应用。
发明内容
有鉴于此,本发明的目的是提供一种基于数据挖掘方法对医院过度医疗行为进行检测的过度医疗检测***及方法。
为了实现上述目的,本发明提供了一种过度医疗检测***,包括:中央控制单元、策略选择单元和存储单元;
所述中央控制单元,用于向所述策略选择单元发送进行数据挖掘的控制信号;
所述策略选择单元,用于提取数据,并根据提取的所述数据进行数据挖掘;
所述存储单元,用于保存所述策略选择单元在数据挖掘过程中所产生的各类数据。
作为优选,所述中央控制单元包括数据处理模块、数据挖掘引擎模块和数据可视化处理器;
所述数据处理模块,用于生成构建数据库的控制信号;
所述数据挖掘引擎模块,用于生成执行数据挖掘算法的控制信号;
所述数据可视化处理模块,用于生成显示控制信号。
作为优选,所述策略选择单元包括数据提取模块、数据挖掘模块和可视化模块;
所述数据提取模块,用于获取原始医疗数据,并对所述原始医疗数据进行预处理;
所述数据挖掘模块,用于对所述原始医疗数据进行挖掘;
所述可视化模块,用于对数据挖掘过程进行显示。
作为优选,所述数据提取模块包括用于获取原始医疗数据的数据抽取模块、用于对所述原始医疗数据进行过滤以生成第一中间数据的过滤模块、用于将所述中间数据进行集成的集成模块和用于将集成后的所述第一中间数据进行处理以抽取出其中的有用数据的数据转换模块。
作为优选,所述数据挖掘模块包括用于对所述第一中间数据进行分类的分类分析模块、用于对所述第一中间数据进行聚类分析的聚类分析模块、用于对各所述第一中间数据之间的关系性进行分析的关联分析模块、用于对所述第一中间数据进行预测分析的预测分析模块以及用于对所述第一中间数据的序列进行分析的序列模式分析模块。
作为优选,所述可视化模块包括:第一可视化模块和第二可视化模块;
所述第一可视化模块,用于显示所述数据库中的数据;
所述第二可视化模块,用于显示数据挖掘结果。
作为优选,所述存储单元包括用于存储所述原始数据的原始数据模块、用于存储医疗费用的医疗费用模块、用于存储电子病历的电子病历模块、用于存储问诊途径的问诊途径模块、用于存储患者反馈信息的患者反馈模块、用于存储医疗政策的医疗政策模块、用于存储医疗分析模型的模型库以及存储分析规则的规则模块。
本发明还提供一种过度医疗检测方法,包括:
向所述策略选择单元发送进行数据挖掘的控制信号;
根据所述控制信号提取数据,并根据提取的所述数据进行数据挖掘;
保存数据挖掘过程中所产生的各类数据。
与现有技术相比,本发明具有以下有益效果:本发明的技术方案基于数据挖掘方法,通过中央控制单元向策略选择单元发送进行数据挖掘的控制信号,由策略选择单元对所提取的大量的数据进行数据挖掘,从而检测出在医疗过程中出现的过度医疗行为,从而促进医疗行业的发展。
附图说明
图1为本发明的过度医疗检测***的实施例一的示意图;
图2为本发明的过度医疗检测***的实施例二的示意图;
图3为本发明的过度医疗检测方法的实施例一的流程图。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明,但不用来限制本发明的范围。
图1为本发明的过度医疗检测***的实施例一的示意图,如图1所示,本实施例的过度医疗检测***,具体可以包括中央控制单元10、策略选择单元20和存储单元30。
中央控制单元10,用于向策略选择单元20发送进行数据挖掘的控制信号。
具体地,中央控制单元10根据操作人员所输入的指令,生成控制信号,并向策略选择单元20发送控制信号,以对医院是否存在过度医疗行为进行检测。
策略选择单元20,用于提取数据,并根据提取的数据进行数据挖掘。
具体地,策略选择单元20用于在海量的电子病历中提取数据,并且,根据所提取的数据,选择相应的挖掘算法进行挖掘。该数据包括:原始数据、医疗费用、电子病历、问诊途径、患者反馈、医疗政策、数据模型和规则。此处的数据模型可以包括,如,决策树算法生成的决策树模型、K-means算法聚类簇显示等模型。
存储单元30,用于保存策略选择单元20在数据挖掘过程中所产生的各类数据。
具体地,在策略选择单元20对所提取的数据进行数据挖掘时,必须会存在原始数据,以及根据原始数据所产生的中间数据,以及最后的挖掘结果等,为保存这些数据,本实施设置有存储单元30来存储挖过程中涉及的各类数据。
本实施例的技术方案基于数据挖掘方法,通过中央控制单元10向策略选择单元20发送进行数据挖掘的控制信号,由策略选择单元20对所提取的大量的数据进行数据挖掘,从而检测出在医疗过程中出现的过度医疗行为,从而促进医疗行业的发展。
图2为本发明的过度医疗检测***的实施例二的示意图,本实施例的过度医疗检测***在如图1所示实施例一的基础上,进一步更加详细地介绍本发明的技术方案。如图2所示,本实施例的过度医疗检测***,具体进一步可以包括:
中央控制单元10包括数据处理模块101、数据挖掘引擎模块102和数据可视化处理模块103;
数据处理模块101,用于生成构建数据库的控制信号;
数据挖掘引擎模块102,用于生成执行数据挖掘算法的控制信号;
数据可视化处理模块103,用于生成显示控制信号。
具体地,中央控制单元10的数据处理模块101生成构建数据库的控制信号,此处的数据库存储于存储单元30,且数据库中存储有医疗费用、电子病历、患者反馈等用于数据挖掘的数据;完成构建数据库以后,数据挖掘引擎模块102生成执行数据挖掘算法的控制信号;最后,数据可视化处理模块生成显示控制信号,将上述数据控掘过程显示出来。可见,整个检测过程,由中央控制单元主导,每一个过程都由中央控制单元进行控制,以至最后生成挖掘结果。
这里,设置数据可视化处理模块103能够使操作人员能够更直观地了解到各数据处理的情况,以便于了解各数据的特征。
进一步地,策略选择单元20包括数据提取模块201、数据挖掘模块202和可视化模块203;
数据提取模块201,用于获取原始医疗数据,并对原始医疗数据进行预处理;
数据挖掘模块202,用于对原始医疗数据进行挖掘;
可视化模块203,用于对数据挖掘过程进行显示。
例如,可视化模块203为显示屏,则本实施例在具体实施时,可以将数据挖掘过程在显示屏上显示出来,以便于操作人员更直观地了解数据处理的进程。
进一步地,数据提取模块201包括用于获取原始医疗数据的数据抽取模块2011、用于对原始医疗数据进行过滤以生成第一中间数据的过滤模块2012、用于将中间数据进行集成的集成模块20113和用于将集成后的第一中间数据进行处理以抽取出其中的有用数据的数据转换模块2014。
进一步地,数据挖掘模块202包括用于对第一中间数据进行分类的分类分析模块2021、用于对第一中间数据进行聚类分析的聚类分析模块2022、用于对各第一中间数据之间的关系性进行分析的关联分析模块2023、用于对第一中间数据进行预测分析的预测分析模块2024以及用于对第一中间数据的序列进行分析的序列模式分析模块2025。
具体地,数据挖掘模块202是策略选择单元的核心模块。其中,分类分析模块2021可以执行的分类分析法包括决策树分类法、贝叶斯分类法等;聚类分析模块2022可以执行的聚类分析方法包括划分聚类法、层次聚类法、密度聚类法、网络聚类法、孤立点分析和空间聚类法;关联分析模块2023可以执行的关联分析法包括关联发现算法、数值属性关联规则、多层关联规则和约束性关联等;预测分析模块2024可以集成的数据挖掘算法有线性回归法、非线性回归法、对数回归法等。
进一步地,
可视化模块203包括:第一可视化模块2031和第二可视化模块2032。
第一可视化模块2031,用于显示数据库中的数据。
具体地,第一可视化模块2031能够直观地展示数据库中的数据,在具体实施时,例如,可视化模块为显示屏,则第一可视化模块2031为显示屏上的某一区域,在该区域可以分类显示数据库中的数据。另外,第一可视化模块还具有人机交互功能,也就是说,操作人员可以通过第一可视化模块,来选择数据以及数据挖掘过程中的各类算法。
第二可视化模块2032,用于显示数据挖掘结果。
具体地,第二可视化模块2032能够直观地展示数据挖掘结果,在具体实施时,例如,可视化模块为显示屏,则第二可视化模块2032为显示屏上的某一区域,在该区域显示有数据挖掘结果。
进一步地,存储单元30包括用于存储原始数据的原始数据模块301、用于存储医疗费用的医疗费用模块302、用于存储电子病历的电子病历模块303、用于存储问诊途径的问诊途径模块304、用于存储患者反馈信息的患者反馈模块305、用于存储医疗政策的医疗政策模块306、用于存储医疗分析模型的模型库模块307以及存储分析规则的规则模块308。
具体地,本实施例在具体实施时,存储模块30可以为数据库,也就是说以数据库中分类存储原始数据、医疗费用、电子病历等各类数据;也可以组建多个相关联的原始数据数据库、医疗费用数据库、电子病历数据库等。
本实施例的技术方案基于数据挖掘方法,通过中央控制单元10向策略选择单元20发送进行数据挖掘的控制信号,由策略选择单元20对所提取的大量的数据进行数据挖掘,从而检测出在医疗过程中出现的过度医疗行为,从而促进医疗行业的发展。
图3为本发明的过度医疗检测方法的实施例一的示意图,如图3所示,本实施例的过度医疗检测方法,具体可以包括以下步骤:
S301,向策略选择单元发送进行数据挖掘的控制信号。
S302,根据控制信号提取数据,并根据提取的数据进行数据挖掘。
S303,保存数据挖掘过程中所产生的各类数据。
本实施例的过度医疗检测方法,通过采用上述步骤对过度医疗行为进行检测的实现机制与上述图1所示实施例的过度医疗检测***的实现机制相同,详细可以参考上述图1所示实施例的记载,在此不再赘述。
以上实施例仅为本发明的示例性实施例,不用于限制本发明,本发明的保护范围由权利要求书限定。本领域技术人员可以在本发明的实质和保护范围内,对本发明做出各种修改或等同替换,这种修改或等同替换也应视为落在本发明的保护范围内。
Claims (8)
1.一种过度医疗检测***,其特征在于,包括中央控制单元、策略选择单元和存储单元;
所述中央控制单元,用于向所述策略选择单元发送进行数据挖掘的控制信号;
所述策略选择单元,用于提取数据,并根据提取的所述数据进行数据挖掘;
所述存储单元,用于保存所述策略选择单元在数据挖掘过程中所产生的各类数据。
2.根据权利要求1所述的过度医疗检测***,其特征在于,所述中央控制单元包括数据处理模块、数据挖掘引擎模块和数据可视化处理器;
所述数据处理模块,用于生成构建数据库的控制信号;
所述数据挖掘引擎模块,用于生成执行数据挖掘算法的控制信号;
所述数据可视化处理模块,用于生成显示控制信号。
3.根据权利要求2所述的过度医疗检测***,其特征在于,所述策略选择单元包括数据提取模块、数据挖掘模块和可视化模块;
所述数据提取模块,用于获取原始医疗数据,并对所述原始医疗数据进行预处理;
所述数据挖掘模块,用于对所述原始医疗数据进行挖掘;
所述可视化模块,用于对数据挖掘过程进行显示。
4.根据权利要求3所述的过度医疗检测***,其特征在于,
所述数据提取模块包括用于获取原始医疗数据的数据抽取模块、用于对所述原始医疗数据进行过滤以生成第一中间数据的过滤模块、用于将所述中间数据进行集成的集成模块和用于将集成后的所述第一中间数据进行处理以抽取出其中的有用数据的数据转换模块。
5.根据权利要求4所述的过度医疗检测***,其特征在于,
所述数据挖掘模块包括用于对所述第一中间数据进行分类的分类分析模块、用于对所述第一中间数据进行聚类分析的聚类分析模块、用于对各所述第一中间数据之间的关系性进行分析的关联分析模块、用于对所述第一中间数据进行预测分析的预测分析模块以及用于对所述第一中间数据的序列进行分析的序列模式分析模块。
6.根据权利要求4所述的过度医疗检测***,其特征在于,所述可视化模块包括:第一可视化模块和第二可视化模块;
所述第一可视化模块,用于显示所述数据库中的数据;
所述第二可视化模块,用于显示数据挖掘结果。
7.根据权利要求1所述的过度医疗检测***,其特征在于,
所述存储单元包括用于存储所述原始数据的原始数据模块、用于存储医疗费用的医疗费用模块、用于存储电子病历的电子病历模块、用于存储问诊途径的问诊途径模块、用于存储患者反馈信息的患者反馈模块、用于存储医疗政策的医疗政策模块、用于存储医疗分析模型的模型库以及存储分析规则的规则模块。
8.一种过度医疗检测方法,其特征在于,包括:
向所述策略选择单元发送进行数据挖掘的控制信号;
根据所述控制信号提取数据,并根据提取的所述数据进行数据挖掘;
保存数据挖掘过程中所产生的各类数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610565865.1A CN106228000A (zh) | 2016-07-18 | 2016-07-18 | 过度医疗检测***及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610565865.1A CN106228000A (zh) | 2016-07-18 | 2016-07-18 | 过度医疗检测***及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106228000A true CN106228000A (zh) | 2016-12-14 |
Family
ID=57530878
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610565865.1A Pending CN106228000A (zh) | 2016-07-18 | 2016-07-18 | 过度医疗检测***及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106228000A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106980767A (zh) * | 2017-03-31 | 2017-07-25 | 上海森亿医疗科技有限公司 | 一种基于结构化医学数据库的数据搜索方法及*** |
CN107220484A (zh) * | 2017-05-10 | 2017-09-29 | 山东中医药大学 | 一种中医方药数据分析挖掘*** |
CN107247872A (zh) * | 2017-05-24 | 2017-10-13 | 祁本洲 | 一种约定医疗服务***及其方法 |
CN107436933A (zh) * | 2017-07-20 | 2017-12-05 | 广州慧扬健康科技有限公司 | 用于病历档案整理的层次聚类*** |
CN110517787A (zh) * | 2019-08-30 | 2019-11-29 | 山东健康医疗大数据有限公司 | 一种基于中文医疗主诉分析的临床数据组分类方法 |
CN111161819A (zh) * | 2019-12-31 | 2020-05-15 | 重庆亚德科技股份有限公司 | 一种中医病历数据处理***及方法 |
CN111696650A (zh) * | 2020-06-10 | 2020-09-22 | 杭州联众医疗科技股份有限公司 | 一种基于历史影像数据比对的医保控费*** |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2004027706A1 (en) * | 2002-09-20 | 2004-04-01 | Board Of Regents, University Of Texas System | Computer program products, systems and methods for information discovery and relational analyses |
CN1588361A (zh) * | 2004-09-09 | 2005-03-02 | 复旦大学 | 一种表达数据挖掘流程的方法 |
CN101529418A (zh) * | 2006-01-19 | 2009-09-09 | 维里德克斯有限责任公司 | 用于获取、分析和挖掘数据和信息的***和方法 |
CN102521246A (zh) * | 2011-11-11 | 2012-06-27 | 国网信息通信有限公司 | 一种云数据仓库*** |
CN102685221A (zh) * | 2012-04-29 | 2012-09-19 | 华北电力大学(保定) | 一种状态监测数据的分布式存储与并行挖掘方法 |
CN102945235A (zh) * | 2011-08-16 | 2013-02-27 | 句容今太科技园有限公司 | 面向医疗保险违规和欺诈行为的数据挖掘*** |
CN103577605A (zh) * | 2013-11-20 | 2014-02-12 | 贵州电网公司电力调度控制中心 | 基于数据融合和数据挖掘的数据仓库及其应用方法 |
CN104933043A (zh) * | 2014-03-17 | 2015-09-23 | 成都志炎科技有限公司 | 一种数据挖掘的方法 |
-
2016
- 2016-07-18 CN CN201610565865.1A patent/CN106228000A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2004027706A1 (en) * | 2002-09-20 | 2004-04-01 | Board Of Regents, University Of Texas System | Computer program products, systems and methods for information discovery and relational analyses |
CN1588361A (zh) * | 2004-09-09 | 2005-03-02 | 复旦大学 | 一种表达数据挖掘流程的方法 |
CN101529418A (zh) * | 2006-01-19 | 2009-09-09 | 维里德克斯有限责任公司 | 用于获取、分析和挖掘数据和信息的***和方法 |
CN102945235A (zh) * | 2011-08-16 | 2013-02-27 | 句容今太科技园有限公司 | 面向医疗保险违规和欺诈行为的数据挖掘*** |
CN102521246A (zh) * | 2011-11-11 | 2012-06-27 | 国网信息通信有限公司 | 一种云数据仓库*** |
CN102685221A (zh) * | 2012-04-29 | 2012-09-19 | 华北电力大学(保定) | 一种状态监测数据的分布式存储与并行挖掘方法 |
CN103577605A (zh) * | 2013-11-20 | 2014-02-12 | 贵州电网公司电力调度控制中心 | 基于数据融合和数据挖掘的数据仓库及其应用方法 |
CN104933043A (zh) * | 2014-03-17 | 2015-09-23 | 成都志炎科技有限公司 | 一种数据挖掘的方法 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106980767A (zh) * | 2017-03-31 | 2017-07-25 | 上海森亿医疗科技有限公司 | 一种基于结构化医学数据库的数据搜索方法及*** |
CN107220484A (zh) * | 2017-05-10 | 2017-09-29 | 山东中医药大学 | 一种中医方药数据分析挖掘*** |
CN107220484B (zh) * | 2017-05-10 | 2019-11-05 | 山东中医药大学 | 一种中医方药数据分析挖掘*** |
CN107247872A (zh) * | 2017-05-24 | 2017-10-13 | 祁本洲 | 一种约定医疗服务***及其方法 |
CN107436933A (zh) * | 2017-07-20 | 2017-12-05 | 广州慧扬健康科技有限公司 | 用于病历档案整理的层次聚类*** |
CN110517787A (zh) * | 2019-08-30 | 2019-11-29 | 山东健康医疗大数据有限公司 | 一种基于中文医疗主诉分析的临床数据组分类方法 |
CN111161819A (zh) * | 2019-12-31 | 2020-05-15 | 重庆亚德科技股份有限公司 | 一种中医病历数据处理***及方法 |
CN111161819B (zh) * | 2019-12-31 | 2023-06-30 | 重庆亚德科技股份有限公司 | 一种中医病历数据处理***及方法 |
CN111696650A (zh) * | 2020-06-10 | 2020-09-22 | 杭州联众医疗科技股份有限公司 | 一种基于历史影像数据比对的医保控费*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106228000A (zh) | 过度医疗检测***及方法 | |
Shen et al. | Discovering the potential opportunities of scientific advancement and technological innovation: A case study of smart health monitoring technology | |
DE112014000897T5 (de) | Lernende Gesundheitssysteme und -verfahren | |
CN112562808B (zh) | 患者画像的生成方法、装置、电子设备及存储介质 | |
CN110085314A (zh) | 医学检验数据的智能分析方法、***以及设备 | |
Wang et al. | Exploring AI-healthcare innovation: natural language processing-based patents analysis for technology-driven roadmapping | |
Bishnoi et al. | Artificial intelligence techniques used in medical sciences: a review | |
Zhao et al. | A general framework for medical data mining | |
Chauhan et al. | A robust model for big healthcare data analytics | |
Chen et al. | Using data mining strategies in clinical decision making: a literature review | |
Mothkur et al. | Machine learning will transfigure medical sector: a survey | |
Bhosale et al. | Bio-medical imaging (X-ray, CT, ultrasound, ECG), genome sequences applications of deep neural network and machine learning in diagnosis, detection, classification, and segmentation of COVID-19: a Meta-analysis & systematic review | |
Chou et al. | Extracting drug utilization knowledge using self-organizing map and rough set theory | |
Shabtari et al. | Analyzing PIMA Indian Diabetes Dataset through Data Mining Tool ‘RapidMiner’ | |
Reddy et al. | Prediction of heart disease using decision tree approach | |
Mandava | MDensNet201-IDRSRNet: Efficient cardiovascular disease prediction system using hybrid deep learning | |
Kamble et al. | Smart Health Prediction System Using Data Mining | |
Abdulkadium et al. | Application of Data Mining and Knowledge Discovery in Medical Databases | |
Zamora et al. | Characterizing chronic disease and polymedication prescription patterns from electronic health records | |
McDougall et al. | Predicting Opioid Overdose Readmission and Opioid Use Disorder with Machine Learning | |
Ambhaikar | A survey on health care and expert system | |
Janani et al. | Dengue prediction using (MLP) multilayer perceptron—A machine learning approach | |
Kant et al. | Review of heart disease prediction using data mining classifications | |
Kejriwal | Artificial intelligence (AI) in medicine and modern healthcare systems | |
Memon et al. | A relative study of different machine learning classification algorithms to forecast the heart disease |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20161214 |
|
RJ01 | Rejection of invention patent application after publication |