CN108877921B - 医疗智能分诊方法和医疗智能分诊*** - Google Patents

医疗智能分诊方法和医疗智能分诊*** Download PDF

Info

Publication number
CN108877921B
CN108877921B CN201710333821.0A CN201710333821A CN108877921B CN 108877921 B CN108877921 B CN 108877921B CN 201710333821 A CN201710333821 A CN 201710333821A CN 108877921 B CN108877921 B CN 108877921B
Authority
CN
China
Prior art keywords
information
patient
symptoms
knowledge
medical
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
Application number
CN201710333821.0A
Other languages
English (en)
Other versions
CN108877921A (zh
Inventor
张振中
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
BOE Technology Group Co Ltd
Original Assignee
BOE Technology Group Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by BOE Technology Group Co Ltd filed Critical BOE Technology Group Co Ltd
Priority to CN201710333821.0A priority Critical patent/CN108877921B/zh
Priority to EP17908895.0A priority patent/EP3623970A4/en
Priority to PCT/CN2017/116370 priority patent/WO2018205609A1/zh
Priority to US16/069,139 priority patent/US20210280301A1/en
Publication of CN108877921A publication Critical patent/CN108877921A/zh
Application granted granted Critical
Publication of CN108877921B publication Critical patent/CN108877921B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/10—Text processing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/40—Processing or translation of natural language
    • 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
    • G16H50/70—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)
  • Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • General Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • General Business, Economics & Management (AREA)
  • Business, Economics & Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Artificial Intelligence (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Algebra (AREA)
  • Software Systems (AREA)
  • Operations Research (AREA)
  • Medical Treatment And Welfare Office Work (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

本发明属于计算机技术领域，具体涉及医疗智能分诊方法和***。该医疗智能分诊方法，包括：从患者信息中抽取与疾病相关的症状和体征作为候选因素信息；根据候选因素信息，从医学文献中获取与症状相关的多种疾病以及治疗措施作为鉴定知识信息；将鉴定知识信息与候选因素信息进行匹配；重复上述步骤，直到确定疾病所属科室或者患者信息已抽取并匹配完毕，返回分诊结果。该方法和***通过分析和患者的交互内容，从医学文献或者其他医学数据中发现相关知识和规律从而形成鉴定知识信息的医学证据，进而分析患者的患病情况并给出相关建议。从而达到根据患者的主要症状及体征，匹配出可能的疾病及其隶属专科，并推荐有效的就诊的科室或就医路径的目的。

Description

医疗智能分诊方法和医疗智能分诊***
技术领域
本发明属于计算机技术领域，具体涉及一种医疗智能分诊方法和医疗智能分诊***。
背景技术
更准确诊断出疾病，更快速找到最有效的治疗方案，是人类一如既往的追求。然而现实中的门诊分诊场景是，患者患病却对医院的科室分类不了解，仅在挂号时才简单咨询挂号窗口或者分诊台的工作人员挂什么科比较合适，然而术业有专攻，很多挂号窗口或分诊台工作人员并非医师专业出身。因此，患者面临的结果往往是，好不容易挂到的号，见到医生却被告知病症和所挂科室并不符合，要对症看病需要重新选择另一个科室挂号。这时，患者要么重新挂号，要么请医生开大概对症的药了事。然而医生的号源有限，再次挂号患者可能只能改天才能看病，耽误病情的黄金诊断期。对于更稀少号源的专家号，同样存在病不对诊，或者仅能开具多日后的检查预约单的问题。这些情况除了耽误病情诊断，往往还伴随着很高的时间成本和交通成本。
上述情况距离科学分诊还有很大的距离。目前的分诊***通常基于人工编写的规则库，需要耗费大量的人力和时间，适用的范围窄。随着人工智能的兴起和人文关怀的普及，医疗智能分诊(Intelligent Triage)开始发展起来。相比传统的门诊分诊，医疗智能分诊能够更快速、更准确的判断疾病并给出合理建议。例如，一种提出的分诊方法是基于深度学习方法的Airdoc的分诊方式，使用深度学习方法通常是端到端(end to end)的应用，其过程对于人来说具有不可解释性，并且缺少良好的信息交互，这对于医学应用来说是个很大的弊端。
发明内容
本发明所要解决的技术问题是针对现有技术中上述不足，提供一种医疗智能分诊方法和医疗智能分诊***，能基于知识挖掘(Knowledge Mining)和语义关系(SemanticRelation)，通过患者提供的信息从医学文献中挖掘相关的医学知识，自动地选择和患者的交互内容，从而更快更准地确定患者的分诊情况。
解决本发明技术问题所采用的技术方案是该医疗智能分诊方法，基于知识挖掘进行分诊，所述方法包括：
从患者信息中抽取与疾病相关的症状和体征作为候选因素信息；
根据所述候选因素信息，从医学文献中获取与症状相关的多种疾病以及治疗措施作为鉴定知识信息；
将所述鉴定知识信息与所述候选因素信息进行匹配；
重复上述步骤，直到确定疾病所属科室或者所述患者信息已抽取并匹配完毕，返回分诊结果。
优选的是，所述患者信息由患者口头表达语言或电子录入获得，所述分诊结果通过语音播报或电子信息文本展示返回至患者。
优选的是，抽取所述候选因素信息的过程为，通过自然语言处理技术从患者提供的口头表达语言中/或通过信息抽取技术从患者提供的信息文本中，抽取与疾病相关的症状和体征的关键词或者关键短语和时间事件，上述关键词或者关键短语和时间事件即所述候选因素信息。
优选的是，获取所述鉴定知识信息的过程包括：
根据所述候选因素信息中的关键词或者关键短语，从医学文献中检索与关键词或者关键短语相关的文档内容；
利用自然语言处理技术从检索的文档内容中查找并挖掘与疾病相关的知识。
优选的是，在从医学文献中检索与关键词或者关键短语相关的文档内容的过程中，使用自然语言处理技术对医学文献进行分词和命名实体识别，并建立倒排索引；
以及，根据所述候选因素信息中的关键词或者关键短语，从倒排索引中检索出包含所有关键词或关键短语的文档。
优选的是，在利用自然语言处理技术从检索的文档内容中查找并挖掘与疾病相关的知识的过程中，确定关键词或者关键短语在文档中所在的片段，并通过语义关系抽取与症状和体征相关的因素。
优选的是，在将所述鉴定知识信息与所述候选因素信息进行匹配的过程中：
如果输出的所述候选因素只有一种，则根据所述候选因素确定该所述候选因素以及对应的所属科室；
如果输出的所述候选因素有多种，则根据具有相同的症状和体征在设定时间段或设定地域的疾病流行度确定所属科室；或者，进一步选择具有交叉的症状和体征的不同疾病之间区分度最大的信息作为延展问题，进一步获取患者信息并抽取新的所述候选因素信息，进一步进行匹配过程。
优选的是，通过信息增益来判断具有交叉的症状和体征的不同疾病之间的区分度，信息增益越大则区分度越大，信息增益越小则区分度越小，信息增益计算公式为：
IG(symptom)＝H(Deseases)-H(Deseases|symptom)
其中，symptom表示症状，Deseases表示疾病，H(.)表示熵。
一种医疗智能分诊***，基于知识挖掘进行分诊，该***包括候选因素分析模块、鉴定知识挖掘模块以及匹配模块，其中：
所述候选因素分析模块，用于从患者信息中抽取与疾病相关的症状和体征作为候选因素信息；
所述鉴定知识挖掘模块，与所述候选因素分析模块连接，被配置为根据所述候选因素信息，从医学文献中获取与症状相关的多种疾病以及治疗措施作为鉴定知识信息；
所述匹配模块，与所述鉴定知识挖掘模块相连，用于将所述鉴定知识信息与所述候选因素信息进行匹配，返回分诊结果。
优选的是，该所述***还包括人机交互模块，所述人机交互模块与所述候选因素分析模块和所述匹配模块分别连接，所述人机交互模块为患者提供人机交互接口，用于收集患者信息以及向患者展示分诊结果；其中，所述患者信息由患者口头表达语言或电子录入获得，所述分诊结果通过语音播报或电子信息文本展示返回至患者。
优选的是，所述候选因素分析模块，被配置为通过自然语言处理技术从患者提供的口头表达语言中/或通过信息抽取技术从患者提供的信息文本中，抽取与疾病相关的症状和体征的关键词或者关键短语和时间事件，上述关键词或者关键短语和时间事件即所述候选因素信息。
优选的是，所述鉴定知识挖掘模块包含内容检索单元和知识抽取单元，其中：
所述内容检索单元，被配置为根据所述候选因素分析模块输出的关键词或者关键短语，从医学文献中检索与关键词或者关键短语相关的文档内容；
所述知识抽取单元，被配置为利用自然语言处理技术从检索的文档内容中查找并挖掘与疾病相关的知识。
优选的是，在所述内容检索单元中，被配置为使用自然语言处理技术对医学文献进行分词和命名实体识别，并建立倒排索引；
以及，依据候选因素分析模块输出的关键词或者关键短语，从倒排索引中检索出包含所有关键词或关键短语的文档。
优选的是，在所述知识抽取单元中，被配置为确定关键词或者关键短语在文档中所在的片段，并通过语义关系抽取与症状和体征相关的因素。
优选的是，在所述匹配模块中，如果输出的所述候选因素只有一种，则根据所述候选因素确定该所述候选因素以及对应的所属科室；
如果输出的所述候选因素有多种，则根据具有相同的症状和体征在设定时间段或设定地域的疾病流行度确定所属科室；或者，进一步选择具有交叉的症状和体征的不同疾病之间区分度最大的信息作为延展问题，进一步获取患者信息并抽取新的所述候选因素信息，进一步进行匹配过程。
优选的是，在所述匹配模块中，通过信息增益来判断具有交叉的症状和体征的不同疾病之间的区分度，信息增益越大则区分度越大，信息增益越小则区分度越小，信息增益计算公式为：
IG(symptom)＝H(Deseases)-H(Deseases|symptom)
其中，symptom表示症状，Deseases表示疾病，H(.)表示熵。
本发明的有益效果是：该医疗智能分诊方法和医疗智能分诊***通过分析和患者的交互内容，从医学文献或者其他医学数据中发现相关知识和规律从而形成鉴定知识信息的医学证据，进而分析患者的患病情况并给出相关建议。从而达到根据患者的主要症状及体征，匹配出可能的疾病及其隶属专科，并推荐有效的就诊的科室或就医路径的目的。
附图说明
图1为本发明实施例中的医疗智能分诊方法的流程图；
图2为本发明实施例中的医疗智能分诊***的架构示意图；
图3为本发明实施例中分诊实例示意；
附图标识中：
1－人机交互模块；
2－候选因素分析模块；
3－鉴定知识挖掘模块；
4－匹配模块；
5－患者；
6－医学文献。
具体实施方式
为使本领域技术人员更好地理解本发明的技术方案，下面结合附图和具体实施方式对本发明医疗智能分诊方法和医疗智能分诊***作进一步详细描述。
本发明的技术构思在于：医疗智能分诊是指根据患者的主要症状及体征，诊断出可能的疾病，判断病情的轻重缓急及其隶属专科，并推荐有效的就诊的路径。本发明提供一种基于知识挖掘的医疗智能分诊方法以及相应的医疗智能分诊***，基于知识挖掘(Knowledge Mining)和语义关系(Semantic Relation)，通过患者提供的信息从医学文献中挖掘相关的医学知识，自动地选择和患者与疾病相关的交互内容，从而更快更准地确定患者的分诊情况。
本实施例中的医疗智能分诊方法，针对目前的分诊方式除了耽误病情诊断，往往还伴随着很高的时间成本和交通成本的问题，通过基于知识挖掘进行分诊，实现了自动地选择和患者的交互内容，从而更快更准地确定患者的分诊科室。
如图1所示，该医疗智能分诊方法，包括步骤：
步骤S1)收集患者信息。
在该步骤中，患者信息由患者口头表达语言或电子录入获得，分诊结果通过语音播报或电子信息文本展示返回至患者。具体可以通过多种途径收集患者信息，例如：人机文字交互或语音交互，以获取患者包括主要症状的尽可能多的信息。
这里应该理解的是，患者信息可以一次性获取留待后续分析、匹配处理；也可以多次分步获取，逐步提供更多新的患者信息进行分析、匹配处理。
步骤S2)从患者信息中抽取与疾病相关的症状和体征作为候选因素信息。
在该步骤中，分析患者提供的信息，从中抽取和疾病相关的主要症状和主要体征的候选因素信息。具体为通过自然语言处理技术从患者提供的口头表达语言中/或通过信息抽取技术从患者提供的信息文本中，抽取与疾病相关的症状和体征的关键词或者关键短语和时间事件，上述关键词或者关键短语和时间事件即候选因素信息。
步骤S3)根据候选因素信息，从医学文献中获取与症状相关的多种疾病以及治疗措施作为鉴定知识信息。
在该步骤中，从海量医学文献中挖掘与主要症状相关的疾病以及治疗措施的相关知识信息。即根据候选因素信息中的关键词或者关键短语，从医学文献中检索与关键词或者关键短语相关的文档内容；以及利用自然语言处理技术从检索的文档内容中查找并挖掘与疾病相关的知识。
从医学文献中获取与主要症状相关的疾病以及治疗措施等相关的鉴定知识信息的过程，具体包括：
步骤S31)：依据步骤S2)中输出的关键词或者关键短语，从医学文献中检索相关内容。即使用自然语言处理技术对医学文献进行分词和命名实体识别，并建立倒排索引；以及，依据步骤S2)中输出的关键词或者关键短语，从倒排索引中检索出包含所有关键词或关键短语的文档。
步骤S32)：利用自然语言处理技术从检索的文档中查找并挖掘与疾病相关知识。即确定关键词或者关键短语在文档中所在的片段，并通过语义关系抽取和主要症状和主要体征相关的因素。
通过步骤S3)中提取海量医学文献中与疾病相关的信息的具体步骤和方法，从而获得疾病候选因素对应的疾病可能多的信息。
步骤S4)将鉴定知识信息与候选因素信息进行匹配。
在该步骤中，将从步骤S3)获取的与主要症状相关的疾病以及治疗措施的相关知识信息中，抽取医学证据，并根据医学证据对候选因素信息进行匹配。包括以下情况：
如果输出的候选因素只有一种，则根据候选因素确定该候选因素以及对应的所属科室；
如果输出的候选因素有多种，则根据具有相同的症状和体征在设定时间段或设定地域的疾病流行度确定所属科室；或者，进一步选择具有交叉的症状和体征的不同疾病之间区分度最大的信息作为延展问题，进一步获取患者信息并抽取新的候选因素信息，进一步进行匹配过程。这里获取患者信息的方式可以向患者进一步提问咨询，目的即进一步获得与疾病相关的信息，并根据与疾病相关的候选因素和疾病可能信息确定分诊结果，获得分诊结果。
进一步的，通过信息增益来判断具有交叉的症状和体征的不同疾病之间的区分度，信息增益越大则区分度越大，信息增益越小则区分度越小，信息增益计算公式为：
IG(symptom)＝H(Deseases)-H(Deseases|symptom)
其中，symptom表示症状，Deseases表示疾病，H(.)表示熵；
通过进一步对多个候选因素信息进行筛选和定位，获得实际最可能的分诊结果。
步骤S5)重复上述步骤，直到确定疾病所属科室或者患者信息已抽取并匹配完毕，返回分诊结果。
重复步骤S1)-步骤S4)，直到确定疾病所属科室，或者不能再从患者信息中获得任何与疾病相关的信息，则返回并向患者展示可能患病的分诊结果。
通过上述步骤的往复交互和分析，直到自动返回分诊结果。该分诊结果从患者信息出发抽取与疾病相关的症状和体征作为候选因素信息，并从海量医学文献中自动查找并挖掘与疾病相关的鉴定知识信息，因此分诊结果最接近实际的应挂号科室。
相应的，本实施例还提供一种医疗智能分诊***，同样基于知识挖掘进行分诊，该分诊***能够自动地选择和患者信息中与疾病相关的候选因素信息，从而更快更准地确定患者的分诊科室。
如图2所示，该医疗智能分诊***包括人机交互模块1、候选因素分析模块2、鉴定知识挖掘模块3以及匹配模块4，其中：
人机交互模块1，为患者5提供人机交互接口，用于收集患者信息以及向患者5展示分诊结果。其中，患者信息由患者口头表达语言或电子录入获得，分诊结果通过语音播报或电子信息文本展示返回至患者。
候选因素分析模块2，与人机交互模块1连接，用于从患者信息中抽取与疾病相关的症状和体征作为候选因素信息，例如分析人机交互模块1收集的患者5提供的信息，从中抽取和疾病相关的主要症状和主要体征的候选因素信息。具体的，候选因素分析模块2被配置为通过自然语言处理技术从患者提供的口头表达语言中/或通过信息抽取技术从患者提供的信息文本中，抽取与疾病相关的症状和体征的关键词或者关键短语和时间事件，上述关键词或者关键短语和时间事件即候选因素信息。通过候选因素分析模块2提取患者信息中与疾病相关的信息，获得疾病候选因素。
鉴定知识挖掘模块3，与候选因素分析模块2连接，被配置为根据候选因素信息，从医学文献中获取与症状相关的多种疾病以及治疗措施作为鉴定知识信息。即根据从候选因素分析模块2抽取的信息，从海量医学文献6中挖掘与主要症状相关的疾病以及治疗措施的相关知识信息，获得疾病候选因素对应的疾病可能信息。
具体的，鉴定知识挖掘模块3包含内容检索单元和知识抽取单元，其中：内容检索单元，被配置为根据候选因素分析模块输出的关键词或者关键短语，从医学文献中检索与关键词或者关键短语相关的文档内容；知识抽取单元，被配置为利用自然语言处理技术从检索的文档内容中查找并挖掘与疾病相关的知识。
在内容检索单元中，被配置为使用自然语言处理技术对医学文献进行分词和命名实体识别，并建立倒排索引；以及，依据候选因素分析模块输出的关键词或者关键短语，从倒排索引中检索出包含所有关键词或关键短语的文档。在知识抽取单元中，被配置为确定关键词或者关键短语在文档中所在的片段，并通过语义关系抽取与症状和体征相关的因素。
匹配模块4，分别与人机交互模块1和鉴定知识挖掘模块3相连，用于将鉴定知识信息与候选因素信息进行匹配，返回分诊结果。即通过从鉴定知识挖掘模块3输出的知识和候选因素信息的比对，匹配患者5可能患病的分诊结果。在匹配模块4中，如果输出的候选因素只有一种，则根据候选因素确定该候选因素以及对应的所属科室；如果输出的候选因素有多种，则根据具有相同的症状和体征在设定时间段或设定地域的疾病流行度确定所属科室；或者，进一步选择具有交叉的症状和体征的不同疾病之间区分度最大的信息作为延展问题，进一步获取患者信息并抽取新的候选因素信息，进一步进行匹配过程。
匹配模块4通过信息增益来判断具有交叉的症状和体征的不同疾病之间的区分度，信息增益越大则区分度越大，信息增益越小则区分度越小，通过信息增益来判断区分度，信息增益越大则区分度越大，信息增益越小则区分度越小，信息增益计算公式为：
IG(symptom)＝H(Deseases)-H(Deseases|symptom)
其中，symptom表示症状，Deseases表示疾病，H(.)表示熵。
通过匹配模块4进一步对多个候选因素信息进行筛选和定位，获得实际最可能的分诊结果。
请参考图3，下面将结合一个分诊实例对上述医疗智能分诊方法和医疗智能分诊***各模块的功能和实现方式进行详细的说明。
其中，医疗智能分诊***中的四大模块与医疗智能分诊方法中的五大步骤的对应关系为：人机交互模块1涉及步骤S1)和步骤S5)、候选因素分析模块2涉及步骤S2)、鉴定知识挖掘模块3涉及步骤S3)以及匹配模块4涉及步骤S4)。
首先，通过人机交互模块1为患者5提供人机交互接口，用于收集患者5提供的症状和体征等信息以及向患者5展示分诊结果。例如，通过询问患者5不舒服的部位或者提供相应的症状、体征等，然后收集患者5的回复信息形成患者信息。该医疗智能分诊***最终的分诊结果也会通过该模块展示给患者5。
接着，通过候选因素分析模块2分析人机交互模块1收集的患者信息，从中抽取和疾病相关的症状和体征等主要信息。具体来说，通过自然语言处理技术和信息抽取技术从患者信息语音或文本中抽取关键词或者关键短语(这里的关键词或关键短语指和疾病相关的症状体征等)和时间事件。例如，***问“请问您哪里不舒服？”，患者5回答“昨天开始肚子痛，今天腰也开始痛了”。从这个例子中，候选因素分析模块2自动抽取出关键词“肚子痛”和关键短语“腰也开始痛了”。同时，抽取时间名词“昨天”和“今天”，进而分析得到时间、事件(昨天、肚子痛)和(今天、肚子痛和腰痛)。
然后，通过鉴定知识挖掘模块3依据候选因素分析模块2抽取的信息，从海量医学文献6中挖掘相关知识信息，从前述内容可知：鉴定知识挖掘模块3包含内容检索单元和知识抽取单元。
在内容检索单元依据候选因素分析模块2输出的关键词或者关键短语，从医学文献6中检索相关内容。细化为如下过程：先是使用自然语言处理技术对医学文献6进行分词和命名实体识别，并建立倒排索引(形式为：“词语1”-“文档1，文档i，…,文档N”，其中“文档1，文档i，文档N”都是包含“词语1”的文档)；再依据候选因素分析模块2输出的关键词或者关键短语，从倒排索引中检索出包含所有关键词或关键短语的文档。“w1,w2,…,wK”为K个关键词或者关键短语，”S1,S2,…,SK”为倒排索引中对应的文档集合(即S1为包含w1的文档集合，依此类推)，则检索出的文档集为S＝{S1∩S2∩…∩SK}。例如，假设关键词为“头疼”和“眩晕”，在倒排索引中“头疼”对应的文档集为{“文档1”、”文档2”、”文档3”}，“眩晕”对应的文档集为{“文档2”，”文档4”，”文档6”}，则检索出符合条件的文档集为{“文档2”}。
在知识抽取单元利用自然语言处理技术从检索的文档中挖掘相关知识。细化为如下过程：线确定关键词或者关键短语在文档中所在的片段，在通过语义关系抽取和症状体征(关键词或者关键短语，如头疼、眩晕等)相关的因素。例如，给定关键词“头疼”和“眩晕”，从检索的文档中确定片段“高血压会引起动脉充血、扩张，产生头疼，甚至有时引发恶心、呕吐、眩晕。”。通过语义关系抽取，本模块获得如下的语义关系：
通过上述的语义关系，该内容检索模块挖掘出知识{引发(高血压，头疼)，引发(高血压，恶心)，引发(高血压，呕吐)，引发(高血压，眩晕)}，进而将“高血压”作为引起患者5头疼眩晕的候选因素信息。
最后，通过匹配模块4从鉴定知识挖掘模块3输出的知识和候选因素信息中分析患者5的可能患病的分诊情况。细化为如下过程：
如果鉴定知识挖掘模块3输出的候选因素只有一种，则输出该候选因素以及对应的科室。例如，如果针对“头疼”和“眩晕”，“知识挖掘”模块输出的候选因素只有“高血压”，则输出“高血压”以及应挂号的科室“心血管内科”；
如果输出的候选因素有多种，则选择区分度最大的信息作为问题向患者5咨询。具体来说，通过信息增益来判断区分度，信息增益越大则区分度越大，信息增益越小则区分度越小。例如，针对上例，如果输出的候选因素有“高血压”、“偏头痛”以及“神经衰弱”，返回的知识如表1所示：
表1返回知识表
疾病 关系 症状或体征
高血压 引发 头疼、眩晕、恶心、尿多
偏头痛 引发 头疼、眩晕、恶心、呕吐
神经衰弱 引发 头疼、眩晕、失眠、焦虑、烦躁
从表1中可以看出，仅仅依靠“头疼”和“眩晕”无法判断患者5可能患有的疾病，该疾病可能为高血压、偏头痛或神经衰弱中的任一种。因此，根据新知识进一步的交互提问，***需要通过人机交互模块1和患者5交流，收集新的患者信息来确定可能患有的疾病症状或体征。针对上例，***可以提出问题“您有恶心的症状吗？”或者“您最近失眠吗？”或者其他任何相关症状的问题。由于病种和症状通常很多，因此***如何选择症状以便尽快确定患者5的患病信息变得至关重要。
通过进一步对多个候选因素信息进行筛选和定位，获得实际最可能的分诊结果。该医疗智能分诊方法和医疗智能分诊***从两个方面考虑选择症状：
1)疾病的流行度。即医院已经确诊的具有相同症状的病人所患疾病所占的比例。例如假设具有“头疼、眩晕”症状的100人中，70人确诊为高血压，20人确诊为偏头痛，10人为神经衰弱，则高血压的流行度为popular(高血压)＝70％，popular(偏头痛)＝20％，popular(神经衰弱)＝10％。本实施例的医疗智能分诊方法将疾病的流行度看作先验概率，在其他条件相同的情况下，优先选择流行度大的疾病的症状。比如，在上述疾病流行度比例条件下，匹配表1中可能的疾病为高血压；
2)症状的区分度。即症状是否对疾病具有区分性。例如，针对上例，如果***选择问“您有恶心的症状吗？”，如果患者5回答“是”，***仍然无法判断患者5是患有高血压还是患有偏头痛，因为这两种疾病都能引起恶心的症状，可能还需要进一步获得新的候选因素。
本实施例的医疗智能分诊方法采用信息增益公式来计算症状的区分度，即：IG(symptom)＝H(Deseases)-H(Deseases|symptom)，其中，symptom表示症状，Deseases表示疾病，H(.)表示熵。
根据表1信息，假设一个具有“头疼、眩晕”症状的患者来分诊，此时***无法确定患者是该分诊为“高血压”，“偏头痛”还是该分诊为“神经衰弱”(因为这三种疾病都可能引起上述症状)。为了进一步明确患者的情况，***需要收集更多的患者信息。
***首先根据疾病的流行度判断具有上述症状的哪种疾病的患者最多，例如在本示例中假设高血压的患者所占比例为70％(可以通过统计医院确诊的病历来获取该百分比)，即大部分情况下出现“头疼、眩晕”症状的患者是患有高血压。此时***会从知识候选因素分析模块2得到的高血压相关症状中选择一个症状来询问患者以便确定患者是否患有高血压的可能。
其次，除去“头疼、眩晕”，高血压还有两个相关症状“恶心”和“尿多”。对于这两个症状，***分别计算它们的信息增益(IG)，并选择信息增益最大的症状向患者获取相关的信息。假设“高血压”，“偏头痛”还是“神经衰弱”服从均匀分布，则p(高血压)＝p(偏头痛)＝p(神经衰弱)＝1/3，其中p(.)表示概率。此时与“头疼、眩晕”症状相关疾病的熵为：
Figure BDA0001293221980000141
由于在本示例中出现“恶心”的疾病只有高血压和偏头痛，当症状为“恶心”的时候，p(高血压)＝1/2，p(偏头痛)＝1/2，p(神经衰弱)＝0，此时与“恶心”症状相关疾病的熵为：
Figure BDA0001293221980000142
则根据症状的区分度的信息增益公式，有：
Figure BDA0001293221980000143
由于在本示例中出现“尿多”的疾病只有高血压，因此当症状为“尿多”的时候，p(高血压)＝1，p(偏头痛)＝0，p(神经衰弱)＝0，此时与“尿多”症状相关疾病的熵为：
Figure BDA0001293221980000144
Figure BDA0001293221980000145
因为IG(尿多)>IG(恶心)，所以***选择症状“尿多”向患者进一步获取信息或提问(例如，您最近出现尿多情况吗？)。如果患者提供的信息或回答为“是”，则确定为高血压分诊结果。如果回答“否”，则排除高血压分诊结果，并将剩下的疾病作为候选因素。可见，对于本示例而言，分诊匹配是对“偏头痛”和“神经衰弱”重复上述步骤，直到确定疾病分诊或者患者终止该过程。
综上所述，本实施例的医疗智能分诊方法及其相应的医疗智能分诊***，首先通过疾病的流行度，选择流行度最大的疾病，然后从该疾病中选择最具有区分度的症状作为问题，通过人机交互模块1向患者5询问。例如，对于上例，首先选择高血压作为患者5最有可能患有的疾病(因为高血压的流行度最大70％)，然后从知识抽取模块输出的知识中，寻找高血压的其他症状，选择区分度最大的症状“尿多”，产生问题“您最近尿多吗？”通过人机交互模块1向患者5进行询问。如此往复循环直到确定疾病分诊或者不能再获取新的疾病候选因素信息，此时将***匹配的分诊结果通过人机交互模块1展现给用户。
该医疗智能分诊方法和医疗智能分诊***通过分析和患者的交互内容，从医学文献或者其他医学数据中发现相关知识和规律从而形成鉴定知识信息的医学证据，进而分析患者的患病情况并给出相关建议。从而达到根据患者的主要症状及体征，匹配出可能的疾病及其隶属专科，并推荐有效的就诊的科室或就医路径的目的。
本实施例中基于知识挖掘的医疗智能分诊方法和医疗智能分诊***有如下两大优点：
1)通过分析患者提供的信息以及相关的医学知识，能够自动地选择和患者的交互内容，从而更快更准地确定患者的患病所属科室情况；
2)通过知识挖掘确定相关证据，这些证据使用自然语言描述，具有可解释性。然后，依据支持度列出患者所有可能的情况，并给出合理的建议。
可以理解的是，以上实施方式仅仅是为了说明本发明的原理而采用的示例性实施方式，然而本发明并不局限于此。对于本领域内的普通技术人员而言，在不脱离本发明的精神和实质的情况下，可以做出各种变型和改进，这些变型和改进也视为本发明的保护范围。

Claims (6)

1.一种医疗智能分诊方法，其特征在于，基于知识挖掘进行分诊，所述方法包括：
从患者信息中抽取与疾病相关的症状和体征作为候选因素信息；
根据所述候选因素信息，从医学文献中获取与症状相关的多种疾病以及治疗措施作为鉴定知识信息；
将所述鉴定知识信息与所述候选因素信息进行匹配；
重复上述步骤，直到确定疾病所属科室或者所述患者信息已抽取并匹配完毕，返回分诊结果；
抽取所述候选因素信息的过程为，通过自然语言处理技术从患者提供的口头表达语言中/或通过信息抽取技术从患者提供的信息文本中，抽取与疾病相关的症状和体征的关键词或者关键短语和时间事件，上述关键词或者关键短语和时间事件即所述候选因素信息；
获取所述鉴定知识信息的过程包括：
根据所述候选因素信息中的关键词或者关键短语，从医学文献中检索与关键词或者关键短语相关的文档内容；
利用自然语言处理技术从检索的文档内容中查找并挖掘与疾病相关的知识；
在从医学文献中检索与关键词或者关键短语相关的文档内容的过程中，使用自然语言处理技术对医学文献进行分词和命名实体识别，并建立倒排索引；
以及，根据所述候选因素信息中的关键词或者关键短语，从倒排索引中检索出包含所有关键词或关键短语的文档；
在利用自然语言处理技术从检索的文档内容中查找并挖掘与疾病相关的知识的过程中，确定关键词或者关键短语在文档中所在的片段，并通过语义关系抽取与症状和体征相关的因素；
在将所述鉴定知识信息与所述候选因素信息进行匹配的过程中：
如果输出的所述候选因素只有一种，则根据所述候选因素确定该所述候选因素以及对应的所属科室；
如果输出的所述候选因素有多种，则根据具有相同的症状和体征在设定时间段或设定地域的疾病流行度确定所属科室；或者，进一步选择具有交叉的症状和体征的不同疾病之间区分度最大的信息作为延展问题，进一步获取患者信息并抽取新的所述候选因素信息，进一步进行匹配过程。
2.根据权利要求1所述的医疗智能分诊方法，其特征在于，所述患者信息由患者口头表达语言或电子录入获得，所述分诊结果通过语音播报或电子信息文本展示返回至患者。
3.根据权利要求1所述的医疗智能分诊方法，其特征在于，通过信息增益来判断具有交叉的症状和体征的不同疾病之间的区分度，信息增益越大则区分度越大，信息增益越小则区分度越小，信息增益计算公式为：
IG(symptom)＝H(Deseases)-H(Deseases|symptom)
其中，symptom表示症状，Deseases表示疾病，H(.)表示熵。
4.一种医疗智能分诊***，其特征在于，基于知识挖掘进行分诊，该***包括候选因素分析模块、鉴定知识挖掘模块以及匹配模块，其中：
所述候选因素分析模块，用于从患者信息中抽取与疾病相关的症状和体征作为候选因素信息；
所述鉴定知识挖掘模块，与所述候选因素分析模块连接，被配置为根据所述候选因素信息，从医学文献中获取与症状相关的多种疾病以及治疗措施作为鉴定知识信息；
所述匹配模块，与所述鉴定知识挖掘模块相连，用于将所述鉴定知识信息与所述候选因素信息进行匹配，返回分诊结果；
所述候选因素分析模块，被配置为通过自然语言处理技术从患者提供的口头表达语言中/或通过信息抽取技术从患者提供的信息文本中，抽取与疾病相关的症状和体征的关键词或者关键短语和时间事件，上述关键词或者关键短语和时间事件即所述候选因素信息；
所述鉴定知识挖掘模块包含内容检索单元和知识抽取单元，其中：
所述内容检索单元，被配置为根据所述候选因素分析模块输出的关键词或者关键短语，从医学文献中检索与关键词或者关键短语相关的文档内容；
所述知识抽取单元，被配置为利用自然语言处理技术从检索的文档内容中查找并挖掘与疾病相关的知识；
在所述内容检索单元中，被配置为使用自然语言处理技术对医学文献进行分词和命名实体识别，并建立倒排索引；
以及，依据候选因素分析模块输出的关键词或者关键短语，从倒排索引中检索出包含所有关键词或关键短语的文档；
在所述知识抽取单元中，被配置为确定关键词或者关键短语在文档中所在的片段，并通过语义关系抽取与症状和体征相关的因素；
在所述匹配模块中，如果输出的所述候选因素只有一种，则根据所述候选因素确定该所述候选因素以及对应的所属科室；
如果输出的所述候选因素有多种，则根据具有相同的症状和体征在设定时间段或设定地域的疾病流行度确定所属科室；或者，进一步选择具有交叉的症状和体征的不同疾病之间区分度最大的信息作为延展问题，进一步获取患者信息并抽取新的所述候选因素信息，进一步进行匹配过程。
5.根据权利要求4所述的医疗智能分诊***，其特征在于，该所述***还包括人机交互模块，所述人机交互模块与所述候选因素分析模块和所述匹配模块分别连接，所述人机交互模块为患者提供人机交互接口，用于收集患者信息以及向患者展示分诊结果；其中，所述患者信息由患者口头表达语言或电子录入获得，所述分诊结果通过语音播报或电子信息文本展示返回至患者。
6.根据权利要求4所述的医疗智能分诊***，其特征在于，在所述匹配模块中，通过信息增益来判断具有交叉的症状和体征的不同疾病之间的区分度，信息增益越大则区分度越大，信息增益越小则区分度越小，信息增益计算公式为：
IG(symptom)＝H(Deseases)-H(Deseases|symptom)
其中，symptom表示症状，Deseases表示疾病，H(.)表示熵。
CN201710333821.0A 2017-05-12 2017-05-12 医疗智能分诊方法和医疗智能分诊*** Active CN108877921B (zh)

Priority Applications (4)

Application Number Priority Date Filing Date Title
CN201710333821.0A CN108877921B (zh) 2017-05-12 2017-05-12 医疗智能分诊方法和医疗智能分诊***
EP17908895.0A EP3623970A4 (en) 2017-05-12 2017-12-15 MEDICAL INTELLIGENT SORTING PROCESS AND DEVICE
PCT/CN2017/116370 WO2018205609A1 (zh) 2017-05-12 2017-12-15 医疗智能分诊方法和设备
US16/069,139 US20210280301A1 (en) 2017-05-12 2017-12-15 Intelligent triage method and device

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710333821.0A CN108877921B (zh) 2017-05-12 2017-05-12 医疗智能分诊方法和医疗智能分诊***

Publications (2)

Publication Number Publication Date
CN108877921A CN108877921A (zh) 2018-11-23
CN108877921B true CN108877921B (zh) 2021-10-19

Family

ID=64104391

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710333821.0A Active CN108877921B (zh) 2017-05-12 2017-05-12 医疗智能分诊方法和医疗智能分诊***

Country Status (4)

Country Link
US (1) US20210280301A1 (zh)
EP (1) EP3623970A4 (zh)
CN (1) CN108877921B (zh)
WO (1) WO2018205609A1 (zh)

Families Citing this family (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109659013B (zh) * 2018-11-28 2023-07-07 平安科技（深圳）有限公司 病症分诊及路径优化方法、装置、设备及存储介质
CN111276259B (zh) * 2018-12-04 2024-03-01 阿里巴巴集团控股有限公司 服务确定、网络交互、分类方法和客户端、服务器和介质
WO2020132793A1 (en) * 2018-12-24 2020-07-02 Beijing Didi Infinity Technology And Development Co., Ltd. Artificial intelligence medical symptom recognition system based on span searching
CN111326240B (zh) * 2019-07-15 2022-05-27 郑州大学第一附属医院 一种基于无模型的智慧医疗分诊推荐方法
CN110415776A (zh) * 2019-07-26 2019-11-05 深圳市赛为智能股份有限公司 医疗管理方法、装置、计算机设备及存储介质
CN111128376B (zh) * 2019-11-21 2023-06-16 泰康保险集团股份有限公司 一种推荐评估表单的方法和装置
CN112837813A (zh) * 2019-11-25 2021-05-25 北京搜狗科技发展有限公司 自动问诊方法及装置
CN111383728A (zh) * 2020-02-24 2020-07-07 华中科技大学同济医学院附属同济医院 用于新冠肺炎隔离管理的医学症状信息处理装置及隔离管理***
CN111462909B (zh) * 2020-03-30 2024-04-05 讯飞医疗科技股份有限公司 疾病演化跟踪和病情提示方法、装置及电子设备
CN111813957A (zh) * 2020-07-14 2020-10-23 深圳中兴网信科技有限公司 基于知识图谱的医疗导诊方法和可读存储介质
KR102241399B1 (ko) * 2020-08-25 2021-04-16 주식회사 쓰리빌리언 증상의 질병 특이도 측정 시스템
CN111985246B (zh) * 2020-08-27 2023-08-15 武汉东湖大数据交易中心股份有限公司 一种基于主要症状与伴随症状词的疾病认知***
CN112016318B (zh) * 2020-09-08 2023-11-21 平安科技（深圳）有限公司 基于解释模型的分诊信息推荐方法、装置、设备及介质
CN112199509A (zh) * 2020-09-14 2021-01-08 山东众阳健康科技集团有限公司 一种基于知识图谱的导诊方法、***和存储介质
CN112700865A (zh) * 2021-01-07 2021-04-23 重庆中肾网络科技有限公司 一种基于综合推理的智能分诊方法
CN113571167B (zh) * 2021-07-28 2024-04-19 重庆橡树信息科技有限公司 一种基于配置式评分知识模型的快捷分诊***
CN116665865B (zh) * 2023-06-13 2023-12-26 爱汇葆力(广州)数据科技有限公司 基于大数据实现陪诊人员的信息智能管理方法及***
CN116759078B (zh) * 2023-08-21 2023-12-08 药融云数字科技(成都)有限公司 支持双语输入的疾病循证方法、***、存储介质及终端
CN118016263B (zh) * 2024-04-09 2024-06-07 广州市挖米科技有限责任公司 一种基于语音识别的数字化医疗助手***

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102129526A (zh) * 2011-04-02 2011-07-20 中国医学科学院医学信息研究所 面向公众的就医向导式自助分诊挂号方法及***
CN102184315A (zh) * 2011-04-02 2011-09-14 中国医学科学院医学信息研究所 基于诊断要素分析的科室分诊***
CN103164616A (zh) * 2013-02-02 2013-06-19 杭州卓健信息科技有限公司 一种智能导诊***和方法
CN106407721A (zh) * 2016-11-10 2017-02-15 上海电机学院 一种可实现分级诊疗的医生预约挂号方法

Family Cites Families (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6915254B1 (en) * 1998-07-30 2005-07-05 A-Life Medical, Inc. Automatically assigning medical codes using natural language processing
US7379885B1 (en) * 2000-03-10 2008-05-27 David S. Zakim System and method for obtaining, processing and evaluating patient information for diagnosing disease and selecting treatment
US20030105638A1 (en) * 2001-11-27 2003-06-05 Taira Rick K. Method and system for creating computer-understandable structured medical data from natural language reports
US20090187425A1 (en) * 2007-09-17 2009-07-23 Arthur Solomon Thompson PDA software robots leveraging past history in seconds with software robots
CN101441636A (zh) * 2007-11-21 2009-05-27 中国科学院自动化研究所 一种基于知识库的医院信息搜索引擎及***
US9521961B2 (en) * 2007-11-26 2016-12-20 C. R. Bard, Inc. Systems and methods for guiding a medical instrument
US20090241177A1 (en) * 2008-03-21 2009-09-24 Computerized Screening, Inc. Security system for a community based managed health kiosk system
US20140122109A1 (en) * 2012-10-29 2014-05-01 Consuli, Inc. Clinical diagnosis objects interaction
CN103870673A (zh) * 2013-09-03 2014-06-18 北京天鹏恒宇科技发展有限公司 医疗研发***使用支持文档的结构化标记法
US20150161331A1 (en) * 2013-12-04 2015-06-11 Mark Oleynik Computational medical treatment plan method and system with mass medical analysis
CN104376409A (zh) * 2014-11-07 2015-02-25 深圳市前海安测信息技术有限公司 一种基于网络医院的分诊数据处理方法及***
US10770184B1 (en) * 2014-12-04 2020-09-08 Cerner Innovation, Inc. Determining patient condition from unstructured text data
CN206021239U (zh) * 2016-06-27 2017-03-15 好人生（上海）健康科技有限公司 专门适用于医学预分诊的自然语言交互装置
CN106295186B (zh) * 2016-08-11 2019-03-15 中国科学院计算技术研究所 一种基于智能推理的辅助疾病诊断的***
CN106557653B (zh) * 2016-11-15 2017-09-22 合肥工业大学 一种移动医疗智能导医***及其方法
CN106650261A (zh) * 2016-12-22 2017-05-10 上海智臻智能网络科技股份有限公司 智能问诊方法、装置和***
US20180218126A1 (en) * 2017-01-31 2018-08-02 Pager, Inc. Determining Patient Symptoms and Medical Recommendations Based on Medical Information
US10599771B2 (en) * 2017-04-10 2020-03-24 International Business Machines Corporation Negation scope analysis for negation detection

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102129526A (zh) * 2011-04-02 2011-07-20 中国医学科学院医学信息研究所 面向公众的就医向导式自助分诊挂号方法及***
CN102184315A (zh) * 2011-04-02 2011-09-14 中国医学科学院医学信息研究所 基于诊断要素分析的科室分诊***
CN103164616A (zh) * 2013-02-02 2013-06-19 杭州卓健信息科技有限公司 一种智能导诊***和方法
CN106407721A (zh) * 2016-11-10 2017-02-15 上海电机学院 一种可实现分级诊疗的医生预约挂号方法

Also Published As

Publication number Publication date
US20210280301A1 (en) 2021-09-09
CN108877921A (zh) 2018-11-23
EP3623970A4 (en) 2021-01-13
EP3623970A1 (en) 2020-03-18
WO2018205609A1 (zh) 2018-11-15

Similar Documents

Publication Publication Date Title
CN108877921B (zh) 医疗智能分诊方法和医疗智能分诊***
US20190035506A1 (en) Intelligent auxiliary diagnosis method, system and machine-readable medium thereof
US20180322954A1 (en) Method and device for constructing medical knowledge graph and assistant diagnosis method
CN112786194A (zh) 基于人工智能的医学影像导诊导检***、方法及设备
US20090259487A1 (en) Patient Data Mining
WO2022267678A1 (zh) 视频问诊方法、装置、设备及存储介质
CN112667799B (zh) 一种基于语言模型和实体匹配的医疗问答***构建方法
CN110246572B (zh) 一种基于词向量的医疗分诊方法及***
CN111048167A (zh) 一种层级式病例结构化方法及***
CN112905764A (zh) 流行病咨询防治与培训***构建方法及***
KR20170090063A (ko) 의료 학술연구 지원 시스템 및 방법
CN111667891A (zh) 应用于专病临床试验的队列识别方法及装置
CN111063429A (zh) 一种医疗咨询方法、装置、设备和计算机可读存储介质
CN110752027A (zh) 电子病历数据推送方法、装置、计算机设备和存储介质
CN116682579A (zh) 基于问诊意图的信息推荐方法、装置、设备以及存储介质
CN113972009A (zh) 一种基于临床检验医学大数据的医学检验咨询***
CN113553840A (zh) 一种文本信息处理方法、装置、设备及存储介质
CN113220896A (zh) 多来源知识图谱生成方法、装置、终端设备
CN111986818A (zh) 一种基于tmprss2的新冠covid-19治疗药物筛选***
CN112948559B (zh) 一种用于药店服务人员辅助的音频识别方法及***
CN117316415B (zh) 一种基于多模态的智能随访方法及***
Reyner-Fuentes et al. Prediction of the Gender-based Violence Victim Condition using Speech: What do Machine Learning Models rely on
Behrman et al. Migrating to New Contraceptive Contexts: The Case of Migrants from Turkey to France
Alterazi Towards Reaping the Promotions of Big Data in Healthcare Services
Anibal et al. Voice EHR: Introducing Multimodal Audio Data for Health

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