CN110164519B - 一种基于众智网络的用于处理电子病历混合数据的分类方法 - Google Patents

一种基于众智网络的用于处理电子病历混合数据的分类方法 Download PDF

Info

Publication number
CN110164519B
CN110164519B CN201910372303.9A CN201910372303A CN110164519B CN 110164519 B CN110164519 B CN 110164519B CN 201910372303 A CN201910372303 A CN 201910372303A CN 110164519 B CN110164519 B CN 110164519B
Authority
CN
China
Prior art keywords
electronic medical
medical record
data
symbolic
data set
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
CN201910372303.9A
Other languages
English (en)
Other versions
CN110164519A (zh
Inventor
李建强
王延安
李鹏智
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.)
Yami Technology Guangzhou Co ltd
Original Assignee
Beijing University of Technology
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 Beijing University of Technology filed Critical Beijing University of Technology
Priority to CN201910372303.9A priority Critical patent/CN110164519B/zh
Publication of CN110164519A publication Critical patent/CN110164519A/zh
Application granted granted Critical
Publication of CN110164519B publication Critical patent/CN110164519B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/21—Design, administration or maintenance of databases
    • G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
    • 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
    • G06F16/355—Class or cluster creation or modification
    • 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
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Epidemiology (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Biomedical Technology (AREA)
  • Pathology (AREA)
  • Quality & Reliability (AREA)
  • Medical Treatment And Welfare Office Work (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

本发明涉及一种基于众智网络的用于处理电子病历混合数据的分类方法，能够有效的利用已有处理数值型数据方法，提高电子病历中的混合数据的分类效率，帮助医生提高诊断的质量与效率。方法包括：步骤1.提取原始电子病历数据库中的原始电子病历数据集；步骤2，对清洗后的电子病历数据集进行符号型数据判断，并对符号性数据进行数值型数据的转化；步骤3.提取原始电子病历数据集中关键特征字段，并训练分类诊断模型；步骤4.提取待诊断的电子病历中关键特征字段，输入到训练好的模型中，输出分类结果和患病概率。本发明可以有效发掘电子病历中有价值的信息和帮助医生快速诊断病情，具有重要的理论意义及适用价值。

Description

一种基于众智网络的用于处理电子病历混合数据的分类方法
技术领域
本发明涉及一种众智网络和电子病历与大数据领域。是一种处理处理混合数据的分析方法，可对海量电子病历的混合型数据进行分类处理。
背景技术
众智网络(Crowd Network)是为了探究众智科学这种大规模在线环境下群体智能活动所搭建的大规模仿真与实验平台。在众智网络中，人、机器、物品等异质互联，同时在网络中存在着不同类型的数据。电子病历(EMR,Electronic Medical Record)也叫计算机化的病案***或称基于计算机的病人记录。它是用电子设备(计算机、健康卡等)保存、管理、传输和重现的数字化的医疗记录，用以取代手写纸张病历。它的内容包括纸张病历的所有信息。美国国立医学研究所将定义为：EMR是基于一个特定***的电子化病人记录，该***提供用户访问完整准确的数据、警示、提示和临床决策支持***的能力，电子病历文本的特点是具有较多的领域术语短语及缩写，并且由于患者种类多样化，但其数据类型大多以和数据型和字型数据为主。
对于数值型数据，所有数据都可以转化为欧式空间中的向量，具有清晰的空间几何结构，通过欧式距离或者余弦距离等来衡量数据之间的相似程度或差异程度。其相关研究已经取得了十分显著的成效，产生了很多有效的算法，如SVM算法、卷积神经网络算法、KNN算法。
对于符号型数据，相较于一般的文本，该类型的数据取值有限状态的字符、分类或者数值。如患者血型(A型，B型，AB型，O型)，付费方式(医保，自费等等)，证件类型(居民身份证、港澳台身份证、护照等等)以及有无过往病史(是，没有)等等。这类数据一般不能直接进行数值运算。处理符号型数据的方法目前也很少。
随着众智网络时代和电子病历时代的到来，越来越多的医院(医生)加入到众智网络中来，同时更多的医院愿意花更多选择用电子病历代替操作繁杂的手写病历。在众智网络中，越来越多的医生能够在网络中与其他医生进行信息交换。增加医生对病人的了解，有效的提升医疗水平的质量。那么如何有效的利用电子病历丰富的医疗资源和数值型方法，挖掘电子病历中有效的信息，为医生的诊断提供帮助，是当下解决的热点之一。
发明内容
本发明的目的在于提供一种基于众智网络的用于处理电子病历混合数据的分类方法。
本发明的另一个目的如何有效的利用已有处理数值型数据方法，提高众智网络中电子病历的混合数据的分类效率；
为达到上述目的，本发明的技术方案如下：
一种基于众智网络的用于处理电子病历混合数据的分类方法，包括：
步骤1.提取众智网络中电子病历数据库中的原始电子病历数据集，对数据集进行数据清洗；
步骤2.对清洗后的电子病历数据集进行符号型数据判断，若存在符号性数据需进行符号型数据转数值型数据的转化；
步骤3.提取原始电子病历数据集中关键特征字段，生成训练样本，将训练样本输入到卷积神经网络中，进行训练生成辅助分类诊断模型；
步骤4.提取待诊断的电子病历中关键特征字段，生成测试样本，将测试样本输入到训练好的卷积神经网络中，输出分类结果，以及各个病症的患病概率；
进一步，所描述步骤1提取众智网络中电子病历数据库中的原始电子病历数据集，对数据集进行数据清洗：
由于原始电子病历数据库中的的电子病历数据集，数据集可能存在单位不同，字段冗余，数据中有无效值和缺失值等问题，为保证数据的一致性和正确性，所以需进行数据清洗；
进一步，所描述步骤2对清洗后的电子病历数据集进行符号型数据判断，若存在符号性数据需进行符号型数据转数值型数据的转化：
首先，对于电子病历中存在的大量字符型数值，需构建符号型数据字典，数据字典(部分)形式如下表所示：
Figure BDA0002050404600000031
若数据集中，对于字典中存在的字符，则需要用独热编码(One-Hot)将符号型数据表示在欧式空间中，将其转化为0和1为组成的编码，例如将证件类型居民身份证转化为00，港澳台居民身份证转化为01，居民户口薄为10，护照为11；
其次，通过互信息和条件熵方法计算出属性与标签之间的频率关系(相似性)。本专利定义了两个不同的相关性计算方法I(·)和H(·)。属性aj下属性值ajk和标签c的频率关系，
Figure BDA0002050404600000032
和
Figure BDA0002050404600000033
计算方法如下：
Figure BDA0002050404600000034
Figure BDA0002050404600000035
其中，p(yc)表示属性ajk的概率，p(yc)标签yi的取值为c的概率，p(yc,ajk)和p(yc|ajk)为ajk与yc的联合概率和条件概率。
在取得电子病历的标签与属性值频率关系，依据大数定律，使用频率来近似表示相应的相似关系：
计算方法如下：
Figure BDA0002050404600000041
其中，这里的IF(·)是一个指示函数，即IF(true)＝1，IF(false)＝0。
由公式(1)、(2)和(3)可以得到两个属性值ajk与标签yc的相关性矩阵O-I(ajk)
表示形式如下，实现将符号型数据转化为数值型数据。表示过程如下：
Figure BDA0002050404600000042
O-H(ajk)展开形式与O-I(ajk)类似。表示如下：
Figure BDA0002050404600000043
由此，本专利利用标签与属性之间的频率关系，近似其之间的相似程度，从而实现符号型数据转化为数值型数据。
进一步，所描述步骤3提取原始电子病历数据集中关键特征字段，生成训练样本，将训练样本输入到卷积神经网络中，进行训练生成辅助分类诊断模型，其具体步步骤如下：
对转化后的电子病历数据集进行特征提取，提取医生在诊断中的关键特征字段(关键字段包括病人主诉及过往病史等等)；
对上一步提取处的关键特征字段进行分词处理，生成训练样本；
将生成好的训练样本输入到卷积神经网络模型中进行训练，不断回传调整参数进行权值更新，以减小误差，生成辅助分类诊断模型。
对于上一步所使用卷积神经网络模型，选用6层卷积神经网络模型，包括：输入层、卷积层、融合层、池化层、Softmax层以及输出层。利用不同大小的卷积核进行特征提取，将提取的不同特征进行融合再传至下一层。本专利设置用k1,k2表示卷积核大小，其取值范围设置为[1,5]，b＝0，模型初始化参数
Figure BDA0002050404600000051
其中k＝k1或k2。卷积层操作后，其中特征序列F加上偏置b，并用Relu函数进行映射；
为防止模型出现过拟合或欠拟合的现象发生，使用5折交叉验证方法；
具体地，本专利在训练过程中，通过诸如反向传播算法(BP算法)等预设算法，更新卷积神经网络模型的参数和分类器参数。
最后，判断所述训练后的卷积神经网络模型的训练误差是否大于真实值的误差，若小于，则停止训练；若大于，则调整预设比例，重新对模型进行训练。本专利采用交叉熵函数作为损失函数L来衡量模型预测值和真实值yi；
进一步，所描述步骤4提取待诊断的电子病历中关键特征字段，生成测试样本，将测试样本输入到训练好的卷积神经网络中，输出分类结果，以及各个病症的患病概率包括：
对待检测的电子病历提取关键特征字段；
对提取处的特征字段进行分词处理，获得电子病历的测试集；
将生成好的测试集输入到，已被训练好的卷积神经网络模型中，并选用Softmax分类器进行分类，最后输出得到各个病症的患病概率；
本发明有益效果如下：
本发明涉及一种基于众智网络的用于处理电子病历混合数据的分类方法，利用已有处理数值型数据方法，提高电子病历中的混合数据的分类效率。首先，利用独热编码(One-Hot)算法将电子病历中的符号数据表示在欧式空间中，利用互信息和条件熵两种方法，探究特征属性与标签之间的频率关系(相关性)，成功的将符号型数据转化为数值型，并利用卷积神经网络实现对电子病历的数据分类，从而帮助医生提高诊断的效率和质量，以达到“辅助诊断”的目的。
附图说明
图1.为一种基于众智网络的用于处理电子病历混合数据的分类方法的流程图
图2.为一个网络公开的电子病历示意图
具体实施方式
为使本发明的目的、技术方案及效果更佳清楚明确，结合附图对本发明进一步详细说明。应当理解，此处所描述的具体实施仅仅用以解释本发明，并不用于限定本发明。
本发明提供了一种基于众智网络的用于处理电子病历混合数据的分类方法的实施流程图,如图1所示，电子病历示意图为图2，流程包括：
步骤1.提取众智网络中电子病历数据库中的原始电子病历数据集，对数据集进行数据清洗；
步骤2.对清洗后的电子病历数据集进行符号型数据判断，若存在符号性数据需进行符号型数据转数值型数据的转化；
步骤3.提取原始电子病历数据集中关键特征字段，生成训练样本，将训练样本输入到卷积神经网络中，进行训练生成辅助分类诊断模型；
步骤4.提取待诊断的电子病历中关键特征字段，生成测试样本，将测试样本输入到训练好的卷积神经网络中，输出分类结果，以及各个病症的患病概率；
步骤1.提取众智网络中电子病历数据库中的原始电子病历数据集，对数据集进行数据清洗：
由于原始电子病历数据库中的的电子病历数据集，数据集可能存在单位不同，字段冗余，数据中有无效值和缺失值等问题，为保证数据的一致性和正确性，所以需进行数据清洗；
本专利使用数据清理软件DataWrangler进行数据处理。
步骤2对清洗后的电子病历数据集进行符号型数据判断，若存在符号性数据需进行符号型数据转数值型数据的转化：
首先，对于电子病历中存在的大量字符型数值(例如：)，需构建数据字典，数据字典(部分)形式如下表所示：
Figure BDA0002050404600000071
若数据集中，对于字典中存在的字符，则需要用独热编码(One-Hot)将符号型数据表示在欧式空间中，将其转化为0和1为组成的编码，例如将证件类型居民身份证转化为00，港澳台居民身份证转化为01，居民户口薄为10，护照为11；
其次，通过互信息和条件熵方法计算出属性与标签之间的频率关系(相似性)。本专利定义了两个不同的相关性计算方法I(·)和H(·)。属性aj下属性值ajk和标签c的频率关系，
Figure BDA0002050404600000072
和
Figure BDA0002050404600000073
计算方法如下：
Figure BDA0002050404600000074
Figure BDA0002050404600000075
其中，p(yc)表示属性ajk的概率，p(yc)标签yi的取值为c的概率，p(yc,ajk)和p(yc|ajk)为ajk与yc的联合概率和条件概率。
在取得电子病历的标签与属性值频率关系，依据大数定律，使用频率来近似表示相应的相似关系：
计算方法如下：
Figure BDA0002050404600000081
其中，这里的IF(·)是一个指示函数，即IF(true)＝1，IF(false)＝0。
由公式(1)、(2)和(3)可以得到两个属性值ajk与标签yc的相关性矩阵O-I(ajk)
表示形式如下，实现将符号型数据转化为数值型数据。表示过程如下：
Figure BDA0002050404600000082
O-H(ajk)展开形式与O-I(ajk)类似。表示如下：
Figure BDA0002050404600000083
由此，本专利利用标签与属性之间的频率关系，近似其之间的相似程度，从而实现符号型数据转化为数值型数据。
步骤3提取原始电子病历数据集中关键特征字段，生成训练样本，将训练样本输入到卷积神经网络中，进行训练生成辅助分类诊断模型，其具体步步骤如下：
对转化后的电子病历数据集进行特征提取，提取医生在诊断中的关键特征字段(关键字段包括病人主诉及过往病史等等)；
对上一步提取处的关键特征字段进行分词处理，生成训练样本；
将生成好的训练样本输入到卷积神经网络模型中进行训练，不断回传调整参数进行权值更新，以减小误差，生成辅助分类诊断模型。
对于上一步所使用卷积神经网络模型，选用6层卷积神经网络模型，包括：输入层、卷积层、融合层、池化层、Softmax层以及输出层。利用不同大小的卷积核进行特征提取，将提取的不同特征进行融合再传至下一层。本专利设置用k1,k2表示卷积核大小，其取值范围设置为[1,5]，b＝0，模型初始化参数
Figure BDA0002050404600000091
其中k＝k1或k2。卷积层操作后，其中特征序列F加上偏置b，并用Relu函数进行映射，计算公式如下：
Relu(F)＝max(0,F+b)
为防止模型出现过拟合或欠拟合的现象发生，本专利使用5折交叉验证方法；
具体地，本专利在训练过程中，通过诸如反向传播算法(BP算法)等预设算法，更新卷积神经网络模型的参数和分类器参数。
最后，判断所述训练后的卷积神经网络模型的训练误差是否大于真实值的误差，若小于，则停止训练；若大于，则调整预设比例，重新对模型进行训练。本专利采用交叉熵函数作为损失函数L来衡量模型预测值和真实值yi，计算公式如下：
Figure BDA0002050404600000092
步骤4提取待诊断的电子病历中关键特征字段，生成测试样本，将测试样本输入到训练好的卷积神经网络中，输出分类结果，以及各个病症的患病概率包括：
对待检测的电子病历提取关键特征字段；
对提取处的特征字段进行分词处理，获得电子病历的测试集；
将生成好的测试集输入到，已被训练好的卷积神经网络模型中，并选用Softmax分类器进行分类，最后输出得到各个病症的患病概率，其计算公式如下；
Figure BDA0002050404600000101
其中，pi表示已诊断的电子病历的第i个患病的概率，yi表示y的第i个元素，及电子病历中第i个病症对应的特征向量，yj表示y的第j个元素，即电子病历中第j个病症对应的特征向量。
以上述依据发明的理想实时例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项发明技术思想的范围内，进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。

Claims (1)

1.一种基于众智网络的用于处理电子病历混合数据的分类方法，包括以下步骤：
步骤1.提取原始电子病历数据库中的原始电子病历数据集，对数据集进行数据清洗；
步骤2.对清洗后的电子病历数据集进行符号型数据判断，若存在符号性数据需进行符号型数据转数值型数据的转化；
步骤3.提取原始电子病历数据集中关键特征字段，生成训练样本，将训练样本输入到卷积神经网络中，进行训练生成辅助分类诊断模型；
步骤4.提取待诊断的电子病历中关键特征字段，生成测试样本，将测试样本输入到训练好的卷积神经网络中，输出分类结果，以及各个病症的患病概率；
其特征在于，所描述步骤2对清洗后的电子病历数据集进行符号型数据判断，若存在符号性数据需进行符号型数据转数值型数据的转化，其具体特征如下：
(1)首先，对于电子病历中存在的大量字符型数值，需构建符号型数据字典；
(2)若数据集中，对于字典中存在的字符，则需要用独热编码将符号型数据表示在欧式空间中，将其转化为0和1为组成的编码；
(3)其次，通过互信息和条件熵方法计算出属性与标签之间的频率关系即相似性；定义了两个不同的相关性计算方法I(·)和H(·)；属性aj下属性值ajk和标签c的频率关系，
Figure FDA0003067782870000011
和
Figure FDA0003067782870000012
计算方法如下：
Figure FDA0003067782870000013
Figure FDA0003067782870000014
其中，p(yc)表示属性ajk的概率，p(yc)标签yi的取值为c的概率，p(yc,ajk)和p(yc|ajk)为ajk与yc的联合概率和条件概率；
(4)再取得电子病历的标签与属性值频率关系，依据大数定律，使用频率来近似表示相应的相似关系：
Figure FDA0003067782870000021
其中，这里的IF(·)是一个指示函数，即IF(true)＝1，IF(false)＝0；
由公式(1)、(2)和(3)得到两个属性值ajk与标签yc的相关性矩阵O-I(ajk)表示形式如下，实现将符号型数据转化为数值型数据；表示过程如下：
Figure FDA0003067782870000022
[0077]O-H(ajk)展开形式与O-I(ajk)类似；表示如下：
Figure FDA0003067782870000023
利用标签与属性之间的频率关系，近似其之间的相似程度，从而实现符号型数据转化为数值型数据。
CN201910372303.9A 2019-05-06 2019-05-06 一种基于众智网络的用于处理电子病历混合数据的分类方法 Active CN110164519B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910372303.9A CN110164519B (zh) 2019-05-06 2019-05-06 一种基于众智网络的用于处理电子病历混合数据的分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910372303.9A CN110164519B (zh) 2019-05-06 2019-05-06 一种基于众智网络的用于处理电子病历混合数据的分类方法

Publications (2)

Publication Number Publication Date
CN110164519A CN110164519A (zh) 2019-08-23
CN110164519B true CN110164519B (zh) 2021-08-06

Family

ID=67633493

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910372303.9A Active CN110164519B (zh) 2019-05-06 2019-05-06 一种基于众智网络的用于处理电子病历混合数据的分类方法

Country Status (1)

Country Link
CN (1) CN110164519B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111161814A (zh) * 2019-12-18 2020-05-15 浙江大学 一种基于卷积神经网络的DRGs自动分组方法
CN111128375B (zh) * 2020-01-10 2021-11-02 电子科技大学 一种基于多标签学习的藏医诊断辅助装置
CN111696661A (zh) * 2020-05-13 2020-09-22 平安科技（深圳）有限公司 患者分群模型构建方法、患者分群方法及相关设备

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106845529B (zh) * 2016-12-30 2020-10-27 北京柏惠维康科技有限公司 基于多视野卷积神经网络的影像特征识别方法
CN107958257A (zh) * 2017-10-11 2018-04-24 华南理工大学 一种基于深度神经网络的中药材识别方法
CN107833629A (zh) * 2017-10-25 2018-03-23 厦门大学 基于深度学习的辅助诊断方法及***
CN109378066A (zh) * 2018-12-20 2019-02-22 翼健(上海)信息科技有限公司 一种基于特征向量实现疾病预测的控制方法及控制装置

Also Published As

Publication number Publication date
CN110164519A (zh) 2019-08-23

Similar Documents

Publication Publication Date Title
Pereira et al. COVID-19 identification in chest X-ray images on flat and hierarchical classification scenarios
CN109669994B (zh) 一种健康知识图谱的构建方法及***
CN107016438B (zh) 一种基于中医辨证人工神经网络算法模型的***
Liu et al. Medical-vlbert: Medical visual language bert for covid-19 ct report generation with alternate learning
Lee et al. Machine learning in relation to emergency medicine clinical and operational scenarios: an overview
CN109378066A (zh) 一种基于特征向量实现疾病预测的控制方法及控制装置
CN110164519B (zh) 一种基于众智网络的用于处理电子病历混合数据的分类方法
CN109994216A (zh) 一种基于机器学习的icd智能诊断编码方法
Taylan et al. Early prediction in classification of cardiovascular diseases with machine learning, neuro-fuzzy and statistical methods
Xu et al. Intelligent syndrome differentiation of traditional Chinese medicine by ANN: a case study of chronic obstructive pulmonary disease
Gupta et al. A novel deep similarity learning approach to electronic health records data
Teo et al. Discovering the predictive value of clinical notes: machine learning analysis with text representation
Alahmari et al. A comprehensive review of deep learning-based methods for COVID-19 detection using chest X-ray images
Adetiba et al. DeepCOVID-19: A model for identification of COVID-19 virus sequences with genomic signal processing and deep learning
CN114781382A (zh) 基于rwlstm模型融合的医疗命名实体识别***及方法
CN113611401A (zh) 一种围术期血液管理的***和方法
CN117393098A (zh) 基于视觉先验和跨模态对齐网络的医疗影像报告生成方法
Ullah et al. Detecting High‐Risk Factors and Early Diagnosis of Diabetes Using Machine Learning Methods
Belsti et al. Comparison of machine learning and conventional logistic regression-based prediction models for gestational diabetes in an ethnically diverse population; the Monash GDM Machine learning model
CN117954090A (zh) 一种基于多模态缺失数据患者的死亡率预测方法及***
El-Magd et al. An interpretable deep learning based approach for chronic obstructive pulmonary disease using explainable artificial intelligence
CN113656601A (zh) 医患匹配方法、装置、设备及存储介质
CN115036034B (zh) 一种基于患者表征图的相似患者识别方法及***
CN116468043A (zh) 嵌套实体识别方法、装置、设备及存储介质
Gunturu et al. A Smart Multimodal Biomedical Diagnosis Based on Patient's Medical Questions and Symptoms

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
TR01 Transfer of patent right

Effective date of registration: 20220920

Address after: Room 801, 85 Kefeng Road, Huangpu District, Guangzhou City, Guangdong Province

Patentee after: Yami Technology (Guangzhou) Co.,Ltd.

Address before: 100124 No. 100 Chaoyang District Ping Tian Park, Beijing

Patentee before: Beijing University of Technology

TR01 Transfer of patent right