CN110752027A - 电子病历数据推送方法、装置、计算机设备和存储介质 - Google Patents
电子病历数据推送方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN110752027A CN110752027A CN201911000771.XA CN201911000771A CN110752027A CN 110752027 A CN110752027 A CN 110752027A CN 201911000771 A CN201911000771 A CN 201911000771A CN 110752027 A CN110752027 A CN 110752027A
- Authority
- CN
- China
- Prior art keywords
- electronic medical
- medical record
- similar
- record set
- disease
- 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.)
- Granted
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
- 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
- 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
- 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
- G16H70/00—ICT specially adapted for the handling or processing of medical references
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本申请涉及一种上述电子病历数据推送方法、装置、计算机设备和存储介质,其中方法包括:获取电子病历集合,针对当前电子病历,从电子病历集合中筛选得到相似电子病历集合,基于相似电子病历集合中电子病历身份标识,获取对应的医疗机构特征字段,构建疾病‑治疗医生‑治疗机构的关系模型,再基于该关系模型与所述相似电子病历集合进行匹配,对匹配结果采取最相似排序、疑难杂症排序或最权威排序的排序规则进行排序推送。整个过程中,通过学习电子病历集合中的数据,准确得到电子病历匹配结果,并且采取相似度、疾病罕见度或诊断权威度三个不同方向的排序推送,能够不同侧重点提供准确的诊断数据支持。
Description
技术领域
本申请涉及电子病历技术领域,特别是涉及一种电子病历数据推送方法、装置、计算机设备和存储介质。
背景技术
随着医疗技术与互联网技术的发展,目前在越来越多的医院推广应用电子病历。具体来说,电子病历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病人的医疗记录,取代手写纸张病历。
电子病历的推广应用给人们带来便捷,基于电子病历目前也衍生出一些新技术的研究,例如基于电子病历进行大数据分析和处理,实现病历数据的关联推送等研究。
传统基于电子病历大数据处理采用的方式是通过***内部数据的分析或机器学习,加上一些疾病公开资料进行诊断,上述基于大数据的关联推送方式虽然可以推送一些相关电子病历的数据给用户,但是数据分析和机器学习过程是从其他领域大数据分析直接移植过来的,没有针对电子病历数据的特征进行优化,所以推送的数据准确度不同,推送的电子病历数据无法给医生诊断提供可靠的数据支持。
发明内容
基于此,有必要针对上述技术问题,提供一种准确的电子病历数据推送方法、装置、计算机设备和存储介质。
一种电子病历数据推送方法,所述方法包括:
获取医院的电子病历集合;
从所述电子病历集合中筛选与当前电子病历相似的电子病历,得到相似电子病历集合;
识别所述相似电子病历集合中电子病历的身份识别标识,获取与所述身份识别标识对应的医疗机构特征字段,构建疾病-治疗医生-治疗机构的关系模型;
将所述关系模型与所述相似电子病历集合进行匹配、并根据预设排序规则对匹配结果进行排序推送,所述预设排序规则包括最相似排序、疑难杂症排序或最权威排序。
在其中一个实施例中,所述获取医院的电子病历集合包括:
获取三甲医院的初始电子病历集合;
对所述初始电子病历集合进行个人字段信息隐藏或脱敏处理,得到电子病历集合,所述个人字段信息包括姓名、职业、工作单位、电话以及住址。
在其中一个实施例中,所述从所述电子病历集合中筛选与当前电子病历相似的电子病历,得到相似电子病历集合包括:
根据特征字段,从所述电子病历集合中筛选与当前电子病历相似的电子病历,得到相似电子病历集合,所述特征字段包括年龄字段、症状字段以及疾病名称字段。
在其中一个实施例中,所述根据特征字段,从所述电子病历集合中筛选与当前电子病历相似的电子病历,得到相似电子病历集合包括:
根据特征字段对所述电子病历集合采用自然语言处理方法处理,并根据预设医学症状知识图谱,得到所述电子病历集合中电子病历的特征向量;
对所述当前电子病历进行语义分析,抽取症状字段,得到所述当前电子病历对应特征字段的特征向量;
匹配所述电子病历集合中电子病历的特征向量与所述当前电子病历的特征向量,得到相似电子病历集合。
在其中一个实施例中,所述根据特征字段对所述电子病历集合采用自然语言处理方法处理,并根据预设医学症状知识图谱,得到所述电子病历集合中电子病历的特征向量包括:
根据特征字段对所述电子病历集合进行文本分词处理,得到分词结果;
对所述分词结果进行词性识别,根据所述分词结果、词性识别结果以及预设医学症状知识图谱,得到所述电子病历集合中电子病历的特征向量。
在其中一个实施例中,所述匹配所述电子病历集合中电子病历的特征向量与所述当前电子病历的特征向量,得到相似电子病历集合包括:
计算所述电子病历集合中电子病历的特征向量与所述当前电子病历的特征向量之间欧式距离;
根据所述欧式距离,得到相似电子病历集合。
在其中一个实施例中,所述识别所述相似电子病历集合中电子病历的身份识别标识,获取与所述身份识别标识对应的医疗机构特征字段,构建疾病-治疗医生-治疗机构的关系模型包括:
识别所述相似电子病历集合中电子病历建档ID、并提取所述相似电子病历集合中电子病历的疾病名称字段;
查找所述建档ID对应的医生工作年龄、所在科室以及所在医院名称;
根据所述疾病名称字段与查找到的医生工作年龄、所在科室以及所在医院名称,构建疾病-治疗医生-治疗机构的关系模型。
一种电子病历数据推送装置,所述装置包括:
病历获取模块,用于获取医院的电子病历集合;
相似筛选模块,用于从所述电子病历集合中筛选与当前电子病历相似的电子病历,得到相似电子病历集合;
识别模块,用于识别所述相似电子病历集合中电子病历的身份识别标识,获取与所述身份识别标识对应的医疗机构特征字段,构建疾病-治疗医生-治疗机构的关系模型;
匹配排序模块,用于将所述关系模型与所述相似电子病历集合进行匹配、并根据预设排序规则对匹配结果进行排序推送,所述预设排序规则包括最相似排序、疑难杂症排序或最权威排序。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现如上述方法的步骤。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如上述的方法的步骤。
上述电子病历数据推送方法、装置、计算机设备和存储介质,针对当前电子病历,从电子病历集合中筛选得到相似电子病历集合,基于相似电子病历集合中电子病历身份标识,获取对应的医疗机构特征字段,构建疾病-治疗医生-治疗机构的关系模型,再基于该关系模型与所述相似电子病历集合进行匹配,对匹配结果采取最相似排序、疑难杂症排序或最权威排序的排序规则进行排序推送。整个过程中,通过学习电子病历集合中的数据,准确得到电子病历匹配结果,并且采取相似度(最相似排序)、疾病罕见度(疑难杂症排序)或诊断权威度(最权威排序)三个不同方向的排序推送,能够不同侧重点提供准确的诊断数据支持。
附图说明
图1为一个实施例中电子病历数据推送方法的应用环境图;
图2为一个实施例中电子病历数据推送方法的流程示意图;
图3为另一个实施例中电子病历数据推送方法的流程示意图;
图4为一个应用实施例中电子病历数据推送方法的流程示意图;
图5为一个实施例中电子病历数据推送装置的结构框图;
图6为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请提供的电子病历数据推送方法,可以应用于如图1所示的应用环境中。其中,终端102通过网络与服务器104通过网络进行通信。服务器104具体可以电子病历管理***服务器,终端102将当前电子病历数据录入到服务器104中,服务器104获取医院的电子病历集合,从电子病历集合中筛选与当前电子病历相似的电子病历,得到相似电子病历集合;识别相似电子病历集合中电子病历的身份识别标识,获取与身份识别标识对应的医疗机构特征字段,构建疾病-治疗医生-治疗机构的关系模型;将关系模型与相似电子病历集合进行匹配,根据预设排序规则对匹配结果进行排序并推送,预设排序规则包括最相似排序、疑难杂症排序或最权威排序,终端102接收服务器104推送的排序后的相关数据,并将这部分数据展示给到用户(医生),以提供诊断上的数据支持。其中,终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备,服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中,如图2所示,提供了一种电子病历数据推送方法,以该方法应用于图1中的服务器104为例进行说明,包括以下步骤:
S100:获取医院的电子病历集合。
医院的电子病历集合具体可以是某个区域所有医院的电子病历集合,例如某个市所有医院的电子病历集合,甚至是某个省所有医院的店子病历集合,这需要该区域内的医院电子病历数据互通、共享,优选的需要所有医院的电子病历***基于相同的架构搭建且具备互通功能。医院的电子病历数据还可以是某个医院历史记录的电子病历集合,例如某市中心医院的电子病历集合、某省人民医院的电子病历集合等。由于电子病历涉及较多隐私、明感信息,针对获取的电子病历集合需要经过个人信息脱敏或隐藏处理,以保护每位病人的隐私,仅利用电子病历中携带的与病症相关数据作为后续学习处理的依据。
S200:从电子病历集合中筛选与当前电子病历相似的电子病历,得到相似电子病历集合。
当前电子病历是指当前生成的电子病历,服务器需要从步骤S100得到的电子病历集合中查找到当前电子病历相似的电子病历。以糖尿病患者张三为例,医生对患者张三进行诊断,将张三各项检查和诊断数据录入到电子病历***,生成张三电子病历,则当前电子病历即为张三电子病历。进一步的,医生可以是在自己的办公电脑(终端)对张三的检查和诊断数据录入到电子病历***,由电子病历***服务器从电子病历集合中筛选与张三电子病历相似的电子病历,得到张三-糖尿病-相似电子病历集合。
S300:识别相似电子病历集合中电子病历的身份识别标识,获取与身份识别标识对应的医疗机构特征字段,构建疾病-治疗医生-治疗机构的关系模型。
电子病历的身份识别标识用于区分电子病历的身份,进一步还可以识别出电子病历的存放位置。一般来说,在电子病历***中会对电子病历按照疾病名称字段或诊断疾病名称又或使用药物、治疗手段等进行归类建档,例如可以按照树状方式进行归类建档,具体电子病历的身份识别标识可以为建档ID。医疗机构特征字段具体可以包括主治医生姓名、主治医生职称、医生工作年龄、所在科室、所在医院等字段信息。在经过这些处理之后,服务器可以得到电子病历中携带的疾病名称字段,查询建档ID得到的治疗医生相关信息、治疗机构信息,基于这些信息可以构建疾病-治疗医生-治疗机构的关系模型,该关系模型可以简单理解为疾病-治疗医生-治疗机构三者之间简单对应关系模型,即在该模型中将疾病-治疗医生-治疗机构三者关联起来,以便基于其中任意一项信息可以得到其他两项信息。例如识别相似电子病历集合中李四电子病历的建档ID为5678,该建档ID5678对应的医疗特征字段王五主治医生、从业40年、治疗机构为X省人民医院,在李四电子病历中携带有疾病名称为糖尿病,这基于这部分数据构建的疾病-治疗医生-治疗机构的关系为糖尿病-王五-X省人民医院,可以理解的是,基于相似电子病历集合中各个电子病历重复上述过程可以得到各自对应的疾病-治疗医生-治疗机构的关系,基于这些对应关系,优化对应关系模型,最终可以得到疾病-治疗医生-治疗机构的关系模型。
S400:将关系模型与相似电子病历集合进行匹配、并根据预设排序规则对匹配结果进行排序推送,预设排序规则包括最相似排序、疑难杂症排序或最权威排序。
在疾病-治疗医生-治疗机构的关系模型中携带有疾病名称、治疗医生以及治疗机构三个维度的关联数据,基于该关系模型与相似电子里集合进行匹配,这个匹配过程具体是匹配疾病名称、治疗医生以及治疗机构三个维度匹配,针对匹配结果采取预设排序规则的方式进行排序推送,在排序的时候需要基于三个维度数据匹配结果以及预设排序规则。具体来说,预设排序规则包括最相似排序、疑难杂症排序或最权威排序,其中,最相似排序是以疾病名称为主要维度,具体以症状、疾病描述的相似度为核心匹配指标进行排序;疑难杂症排序是以疾病名称为主要维度,基于疾病名称以及相应病历描述找到相关的较罕见的可能疾病为指标进行排序,目的是为了提示医生某些症状看似不严重,但也可能是罕见病的特征,需要医生留意并排除;最权威排序是以治疗医生与治疗机构为主要维度,关联相似病历集合中医院级别、主治医生级别由高到低的排序,目的是给当前的医生参考该类疾病的权威专家给出的诊断方案。
上述电子病历数据推送方法,针对当前电子病历,从电子病历集合中筛选得到相似电子病历集合,基于相似电子病历集合中电子病历身份标识,获取对应的医疗机构特征字段,构建疾病-治疗医生-治疗机构的关系模型,再基于该关系模型与相似电子病历集合进行匹配,对匹配结果采取最相似排序、疑难杂症排序或最权威排序的排序规则进行排序推送。整个过程中,通过学习电子病历集合中的数据,准确得到电子病历匹配结果,并且采取相似度(最相似排序)、疾病罕见度(疑难杂症排序)或诊断权威度(最权威排序)三个不同方向的排序推送,能够不同侧重点提供准确的诊断数据支持。
如图3所示,在其中一个实施例中,步骤S100包括:
S120:获取三甲医院的初始电子病历集合。
S140:对初始电子病历集合进行个人字段信息隐藏或脱敏处理,得到电子病历集合,个人字段信息包括姓名、职业、工作单位、电话以及住址。
三甲医院是依照中国现行《医院分级管理办法》等的规定划分的医疗机构级别,是中国内地对医院实行"三级六等"的划分等级中的最高级别。三甲医院申报考核的主要项目包括医疗服务与管理、医疗质量与安全、技术水平与效率。一般来说,三甲医院医生遇到病历情况更多、做出诊断结果相对更加权威与准确,因此,为了确保原始数据的准确与全面,选取获取三甲医院的初始电子病历集合。另外,由于电子病历中携带有较多显著的个人信息,为了保护用户(患者)的隐私,需要对个人字段信息隐藏或脱敏处理,个人字段信息主要包括姓名、职业、工作单位、电话以及住址等方面。例如某份电子病历原始记录有如下信息,姓名:王三一、职业:地铁司机、工作单位:轨道交通集团,进行隐藏处理是直接将上述姓名、职业、工作单位全部隐藏掉;进行脱敏处理具体可以用通用符号替换其中具体文字,例如脱敏处理后得到,姓名:王XX、职业:XX司机、工作单位:XX集团。在本实施例中,一方面选取三甲医院的电子病历作为原始数据集,确保原始数据更加权威、全面和准确;另一方面,对电子病历中携带的显著个人信息进行隐藏或脱敏处理,保护患者个人隐私。
在其中一个实施例中,从电子病历集合中筛选与当前电子病历相似的电子病历,得到相似电子病历集合包括:根据特征字段,从电子病历集合中筛选与当前电子病历相似的电子病历,得到相似电子病历集合,特征字段包括年龄字段、症状字段以及疾病名称字段。
特征字段包括年龄字段、症状字段以及疾病名称字段,年龄字段具体指年龄,症状字段用于描述患者患病症状和临床表现,疾病名称字段具体为诊断结果中记录的疾病名称。以张三为例,特征字段包括年龄字段——45岁、症状字段——消瘦、食量大、尿液含糖量超高等、疾病名称字段——糖尿病。根据这些特征字段,在电子病历集合中筛选与前电子病历相似的电子病历,相似电子病历集合。具体可以,从年龄字段、症状字段以及疾病名称字段三个指标层面去筛选,例如选择年龄相近、症状相似以及疾病名称相同或相似或相关联的电子病历作为相似电子病历集合中的子集。
在其中一个实施例中,根据特征字段,从电子病历集合中筛选与当前电子病历相似的电子病历,得到相似电子病历集合包括:
根据特征字段对电子病历集合采用自然语言处理方法处理,并根据预设医学症状知识图谱,得到电子病历集合中电子病历的特征向量;对当前电子病历进行语义分析,抽取症状字段,得到当前电子病历对应特征字段的特征向量;匹配电子病历集合中电子病历的特征向量与当前电子病历的特征向量,得到相似电子病历集合。
自然语言处理是计算机科学领域与人工智能领域中的一个重要方向。它研究能实现人与计算机之间用自然语言进行有效通信的各种理论和方法。自然语言处理是一门融语言学、计算机科学、数学于一体的科学。因此,这一领域的研究将涉及自然语言,即人们日常使用的语言,所以它与语言学的研究有着密切的联系,但又有重要的区别。预设医学症状知识图谱是预先构建的指示图谱,该知识图谱可以直接采用目前已有的医学症状知识图谱。具体来说,自然语言处理方法包括文本分词等处理,基于自然语言处理方法处理之后的数据和预设医学症状知识图谱,得到特征向量,上述是对电子病历集合中电子病历的处理,另一层面,针对电子病历首先进行语义分析,基于语义分词结果抽取症状字段,根据抽取的症状字段以及当前电子病历对应的包括年龄字段、症状字段以及疾病名称字段在内的特征字段,得到当前电子病历的特征向量,匹配两个特征向量,构建相似电子病历集合。另外,抽取的症状字段具体可以是抽取显著的症状字段,当有多个显著的症状字段时,根据医学症状训练模型进行排序,得到当前电子病历特征字段的特征向量。
进一步来说,可以计算电子病历集合中电子病历的特征向量与当前电子病历的特征向量之间欧式距离;根据欧式距离,得到相似电子病历集合。具体可以,根据欧式距离的大小,构建不同的病历集合,选取距离相近的集合作为一个相似病历集合。
在其中一个实施例中,根据特征字段对电子病历集合采用自然语言处理方法处理,并根据预设医学症状知识图谱,得到电子病历集合中电子病历的特征向量包括:
根据特征字段对电子病历集合进行文本分词处理,得到分词结果;对分词结果进行词性识别,根据分词结果、词性识别结果以及预设医学症状知识图谱,得到电子病历集合中电子病历的特征向量。
根据特征字段对电子病历进行文本分词处理,并且对分词结果进行词性识别和词性标注,根据分词结果、词性识别结果以及医学症状知识图谱,得到特征向量。具体以电子病历集合中王五的电子病历为例,根据特征字段对王五的电子病历进行分词处理,得到王五的年龄字段分词——50岁,症状字段分词——胸闷、头昏,疾病名称字段分词——冠心病,对分词结果进行词性识别词性包括名称、动词以及量词等,根据王五的上述分词结果与词性识别结果,借助预设医学症状知识图谱,得到王五的特征向量,针对电子病历集合中其他人的电子病历重复上述过程,即得到电子病历集合中电子病历的特征向量。
在其中一个实施例中,识别相似电子病历集合中电子病历的身份识别标识,获取与身份识别标识对应的医疗机构特征字段,构建疾病-治疗医生-治疗机构的关系模型包括:
识别相似电子病历集合中电子病历建档ID、并提取相似电子病历集合中电子病历的疾病名称字段;查找建档ID对应的医生工作年龄、所在科室以及所在医院名称;根据疾病名称字段与查找到的医生工作年龄、所在科室以及所在医院名称,构建疾病-治疗医生-治疗机构的关系模型。
具体来说,在疾病-治疗医生-治疗机构的关系模型中携带有疾病名称、治疗医生以及治疗机构三个维度的关联数据,该关系模型的构建可以基于电子病历建档ID,以建档ID得到进一步的医生工作年龄、所在科室以及所在医院名称等数据,再结合之前得到的疾病名称字段,构建包括疾病名称、治疗医生以及治疗机构三个维度的关系模型。
为进一步详细解释本申请电子病历数据推送方法的技术方案,下面将采用具体应用实例,并结合图4详细说明。在其中一个应用实例中,本申请电子病历数据推送方法包括以下步骤:
步骤S1,获得三甲医院的电子病历的电子病历集合A,其中电子病历的姓名、职业、工作单位、电话、住址等显著个人信息字段被隐藏或脱敏处理。
步骤S2,筛选和本病历相似的病历,搜索依据包括但不限于年龄字段、症状字段、疾病名称字段,匹配得到的相似电子病历集合。步骤S2具体包括下述S21~S24的子步骤。
步骤S21,对三甲医院的电子病历集合A中的年龄字段、症状字段、疾病名称字段采用自然语言处理方法处理,例如对文本进行分词,并对分词结果进行词性标注,根据分词、词性、医学症状知识图谱建立特征向量。
步骤S22,对当前电子病历进行语义分析,抽取具有代表性的显著症状字段,如有多个症状则根据医学症状训练模型进行排序,建立当前电子病历年龄、症状、疾病名称特征向量。
步骤S23,计算三甲医院电子病历集合A经过步骤S21得出的特征向量与当前电子病历年龄、症状、疾病名称经过步骤S22得出的特征向量,两者之间的欧式距离。
步骤S24,根据欧式距离的大小,构建不同的病历集合,距离相近的集合作为一个相似病历集合。
步骤S3,识别相似电子病历的建档ID,查看具有该ID的医生工作年龄、所在科室、医院名称、构建模型,即明确可以治疗该病历涉及的疾病的医生与医院信息,建立疾病-治疗医生-治疗机构的关系模型。
步骤S4,将S3构建的关系模型与S2中的相似电子病历集合中各个电子病历相匹配,形成病历的推荐排序结果。
步骤S5,排序时,生产三种排序结果:最相似排序,疑难杂症排序,最权威排序,供当前电子病历的医生查看,以获得优质的医疗经验,减少因小医院造成的医生经验缺乏的误诊事故。3种排序方式最终生成下述三种排序表:基于相似度的症状、疾病相似度推荐排序列表;基于罕见度的疑难杂症(罕见病)特殊情况排序列表;基于权威度的疾病按照医院、医生的专业权威度排序列表。
应该理解的是,虽然图2-4的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2-4中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
另外,如图5所示,本申请还提供一种电子病历数据推送装置,装置包括:
病历获取模块100,用于获取医院的电子病历集合;
相似筛选模块200,用于从电子病历集合中筛选与当前电子病历相似的电子病历,得到相似电子病历集合;
识别模块300,用于识别相似电子病历集合中电子病历的身份识别标识,获取与身份识别标识对应的医疗机构特征字段,构建疾病-治疗医生-治疗机构的关系模型;
匹配排序模块400,用于将关系模型与相似电子病历集合进行匹配、并根据预设排序规则对匹配结果进行排序推送,预设排序规则包括最相似排序、疑难杂症排序或最权威排序。
上述电子病历数据推送装置,针对当前电子病历,从电子病历集合中筛选得到相似电子病历集合,基于相似电子病历集合中电子病历身份标识,获取对应的医疗机构特征字段,构建疾病-治疗医生-治疗机构的关系模型,再基于该关系模型与相似电子病历集合进行匹配,对匹配结果采取最相似排序、疑难杂症排序或最权威排序的排序规则进行排序推送。整个过程中,通过学习电子病历集合中的数据,准确得到电子病历匹配结果,并且采取相似度(最相似排序)、疾病罕见度(疑难杂症排序)或诊断权威度(最权威排序)三个不同方向的排序推送,能够不同侧重点提供准确的诊断数据支持。
在其中一个实施例中,病历获取模块100还用于获取三甲医院的初始电子病历集合;对初始电子病历集合进行个人字段信息隐藏或脱敏处理,得到电子病历集合,个人字段信息包括姓名、职业、工作单位、电话以及住址。
在其中一个实施例中,相似筛选模块200还用于根据特征字段,从电子病历集合中筛选与当前电子病历相似的电子病历,得到相似电子病历集合,特征字段包括年龄字段、症状字段以及疾病名称字段。
在其中一个实施例中,相似筛选模块200还用于根据特征字段对电子病历集合采用自然语言处理方法处理,并根据预设医学症状知识图谱,得到电子病历集合中电子病历的特征向量;对当前电子病历进行语义分析,抽取症状字段,得到当前电子病历对应特征字段的特征向量;匹配电子病历集合中电子病历的特征向量与当前电子病历的特征向量,得到相似电子病历集合。
在其中一个实施例中,相似筛选模块200还用于根据特征字段对电子病历集合进行文本分词处理,得到分词结果;对分词结果进行词性识别,根据分词结果、词性识别结果以及预设医学症状知识图谱,得到电子病历集合中电子病历的特征向量。
在其中一个实施例中,相似筛选模块200还用于计算电子病历集合中电子病历的特征向量与当前电子病历的特征向量之间欧式距离;根据欧式距离,得到相似电子病历集合。
在其中一个实施例中,识别模块300还用于识别相似电子病历集合中电子病历建档ID、并提取相似电子病历集合中电子病历的疾病名称字段;查找建档ID对应的医生工作年龄、所在科室以及所在医院名称;根据疾病名称字段与查找到的医生工作年龄、所在科室以及所在医院名称,构建疾病-治疗医生-治疗机构的关系模型。
关于电子病历数据推送装置的具体限定可以参见上文中对于电子病历数据推送方法的限定,在此不再赘述。上述电子病历数据推送装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图6所示。该计算机设备包括通过***总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***、计算机程序和数据库。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的数据库用于存储历史记录中医院电子病历等数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种电子病历数据推送方法。
本领域技术人员可以理解,图6中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现以下步骤:
获取医院的电子病历集合;
从电子病历集合中筛选与当前电子病历相似的电子病历,得到相似电子病历集合;
识别相似电子病历集合中电子病历的身份识别标识,获取与身份识别标识对应的医疗机构特征字段,构建疾病-治疗医生-治疗机构的关系模型;
将关系模型与相似电子病历集合进行匹配、并根据预设排序规则对匹配结果进行排序推送,预设排序规则包括最相似排序、疑难杂症排序或最权威排序。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
获取三甲医院的初始电子病历集合;对初始电子病历集合进行个人字段信息隐藏或脱敏处理,得到电子病历集合,个人字段信息包括姓名、职业、工作单位、电话以及住址。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
根据特征字段,从电子病历集合中筛选与当前电子病历相似的电子病历,得到相似电子病历集合,特征字段包括年龄字段、症状字段以及疾病名称字段。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
根据特征字段对电子病历集合采用自然语言处理方法处理,并根据预设医学症状知识图谱,得到电子病历集合中电子病历的特征向量;对当前电子病历进行语义分析,抽取症状字段,得到当前电子病历对应特征字段的特征向量;匹配电子病历集合中电子病历的特征向量与当前电子病历的特征向量,得到相似电子病历集合。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
根据特征字段对电子病历集合进行文本分词处理,得到分词结果;对分词结果进行词性识别,根据分词结果、词性识别结果以及预设医学症状知识图谱,得到电子病历集合中电子病历的特征向量。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
计算电子病历集合中电子病历的特征向量与当前电子病历的特征向量之间欧式距离;根据欧式距离,得到相似电子病历集合。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
识别相似电子病历集合中电子病历建档ID、并提取相似电子病历集合中电子病历的疾病名称字段;查找建档ID对应的医生工作年龄、所在科室以及所在医院名称;根据疾病名称字段与查找到的医生工作年龄、所在科室以及所在医院名称,构建疾病-治疗医生-治疗机构的关系模型。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取医院的电子病历集合;
从电子病历集合中筛选与当前电子病历相似的电子病历,得到相似电子病历集合;
识别相似电子病历集合中电子病历的身份识别标识,获取与身份识别标识对应的医疗机构特征字段,构建疾病-治疗医生-治疗机构的关系模型;
将关系模型与相似电子病历集合进行匹配、并根据预设排序规则对匹配结果进行排序推送,预设排序规则包括最相似排序、疑难杂症排序或最权威排序。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
获取三甲医院的初始电子病历集合;对初始电子病历集合进行个人字段信息隐藏或脱敏处理,得到电子病历集合,个人字段信息包括姓名、职业、工作单位、电话以及住址。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
根据特征字段,从电子病历集合中筛选与当前电子病历相似的电子病历,得到相似电子病历集合,特征字段包括年龄字段、症状字段以及疾病名称字段。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
根据特征字段对电子病历集合采用自然语言处理方法处理,并根据预设医学症状知识图谱,得到电子病历集合中电子病历的特征向量;对当前电子病历进行语义分析,抽取症状字段,得到当前电子病历对应特征字段的特征向量;匹配电子病历集合中电子病历的特征向量与当前电子病历的特征向量,得到相似电子病历集合。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
根据特征字段对电子病历集合进行文本分词处理,得到分词结果;对分词结果进行词性识别,根据分词结果、词性识别结果以及预设医学症状知识图谱,得到电子病历集合中电子病历的特征向量。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
计算电子病历集合中电子病历的特征向量与当前电子病历的特征向量之间欧式距离;根据欧式距离,得到相似电子病历集合。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
识别相似电子病历集合中电子病历建档ID、并提取相似电子病历集合中电子病历的疾病名称字段;查找建档ID对应的医生工作年龄、所在科室以及所在医院名称;根据疾病名称字段与查找到的医生工作年龄、所在科室以及所在医院名称,构建疾病-治疗医生-治疗机构的关系模型。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种电子病历数据推送方法,所述方法包括:
获取医院的电子病历集合;
从所述电子病历集合中筛选与当前电子病历相似的电子病历,得到相似电子病历集合;
识别所述相似电子病历集合中电子病历的身份识别标识,获取与所述身份识别标识对应的医疗机构特征字段,构建疾病-治疗医生-治疗机构的关系模型;
将所述关系模型与所述相似电子病历集合进行匹配、并根据预设排序规则对匹配结果进行排序推送,所述预设排序规则包括最相似排序、疑难杂症排序或最权威排序。
2.根据权利要求1所述的方法,其特征在于,所述获取医院的电子病历集合包括:
获取三甲医院的初始电子病历集合;
对所述初始电子病历集合进行个人字段信息隐藏或脱敏处理,得到电子病历集合,所述个人字段信息包括姓名、职业、工作单位、电话以及住址。
3.根据权利要求1所述的方法,其特征在于,所述从所述电子病历集合中筛选与当前电子病历相似的电子病历,得到相似电子病历集合包括:
根据特征字段,从所述电子病历集合中筛选与当前电子病历相似的电子病历,得到相似电子病历集合,所述特征字段包括年龄字段、症状字段以及疾病名称字段。
4.根据权利要求3所述的方法,其特征在于,所述根据特征字段,从所述电子病历集合中筛选与当前电子病历相似的电子病历,得到相似电子病历集合包括:
根据特征字段对所述电子病历集合采用自然语言处理方法处理,并根据预设医学症状知识图谱,得到所述电子病历集合中电子病历的特征向量;
对所述当前电子病历进行语义分析,抽取症状字段,得到所述当前电子病历对应特征字段的特征向量;
匹配所述电子病历集合中电子病历的特征向量与所述当前电子病历的特征向量,得到相似电子病历集合。
5.根据权利要求4所述的方法,其特征在于,所述根据特征字段对所述电子病历集合采用自然语言处理方法处理,并根据预设医学症状知识图谱,得到所述电子病历集合中电子病历的特征向量包括:
根据特征字段对所述电子病历集合进行文本分词处理,得到分词结果;
对所述分词结果进行词性识别,根据所述分词结果、词性识别结果以及预设医学症状知识图谱,得到所述电子病历集合中电子病历的特征向量。
6.根据权利要求4所述的方法,其特征在于,所述匹配所述电子病历集合中电子病历的特征向量与所述当前电子病历的特征向量,得到相似电子病历集合包括:
计算所述电子病历集合中电子病历的特征向量与所述当前电子病历的特征向量之间欧式距离;
根据所述欧式距离,得到相似电子病历集合。
7.根据权利要求1所述的方法,其特征在于,所述识别所述相似电子病历集合中电子病历的身份识别标识,获取与所述身份识别标识对应的医疗机构特征字段,构建疾病-治疗医生-治疗机构的关系模型包括:
识别所述相似电子病历集合中电子病历建档ID、并提取所述相似电子病历集合中电子病历的疾病名称字段;
查找所述建档ID对应的医生工作年龄、所在科室以及所在医院名称;
根据所述疾病名称字段与查找到的医生工作年龄、所在科室以及所在医院名称,构建疾病-治疗医生-治疗机构的关系模型。
8.一种电子病历数据推送装置,其特征在于,所述装置包括:
病历获取模块,用于获取医院的电子病历集合;
相似筛选模块,用于从所述电子病历集合中筛选与当前电子病历相似的电子病历,得到相似电子病历集合;
识别模块,用于识别所述相似电子病历集合中电子病历的身份识别标识,获取与所述身份识别标识对应的医疗机构特征字段,构建疾病-治疗医生-治疗机构的关系模型;
匹配排序模块,用于将所述关系模型与所述相似电子病历集合进行匹配、并根据预设排序规则对匹配结果进行排序推送,所述预设排序规则包括最相似排序、疑难杂症排序或最权威排序。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911000771.XA CN110752027B (zh) | 2019-10-21 | 2019-10-21 | 电子病历数据推送方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911000771.XA CN110752027B (zh) | 2019-10-21 | 2019-10-21 | 电子病历数据推送方法、装置、计算机设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110752027A true CN110752027A (zh) | 2020-02-04 |
CN110752027B CN110752027B (zh) | 2023-05-23 |
Family
ID=69279138
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911000771.XA Active CN110752027B (zh) | 2019-10-21 | 2019-10-21 | 电子病历数据推送方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110752027B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111430037A (zh) * | 2020-03-30 | 2020-07-17 | 安徽科大讯飞医疗信息技术有限公司 | 相似病历查找方法及*** |
CN111540425A (zh) * | 2020-04-26 | 2020-08-14 | 吴九云 | 基于人工智能的智慧医疗信息推送方法及电子病历云平台 |
CN111613339A (zh) * | 2020-05-15 | 2020-09-01 | 山东大学 | 一种基于深度学习的相似病历查找方法与*** |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105184103A (zh) * | 2015-10-15 | 2015-12-23 | 清华大学深圳研究生院 | 基于病历数据库的虚拟名医 |
CN108154928A (zh) * | 2017-12-27 | 2018-06-12 | 北京嘉和美康信息技术有限公司 | 一种疾病诊断方法及装置 |
CN109215754A (zh) * | 2018-09-10 | 2019-01-15 | 平安科技(深圳)有限公司 | 病历数据处理方法、装置、计算机设备和存储介质 |
CN109346185A (zh) * | 2018-09-19 | 2019-02-15 | 北京科技大学 | 一种中医辅助诊断*** |
CN109473169A (zh) * | 2018-10-18 | 2019-03-15 | 安吉康尔(深圳)科技有限公司 | 一种疾病诊断方法、装置及终端设备 |
CN109801688A (zh) * | 2017-11-17 | 2019-05-24 | 深圳市前海安测信息技术有限公司 | 区域医疗电子病历安全协同整合***及方法 |
CN109801690A (zh) * | 2017-11-17 | 2019-05-24 | 深圳市前海安测信息技术有限公司 | 区域医疗电子病历共享整合查询***及方法 |
-
2019
- 2019-10-21 CN CN201911000771.XA patent/CN110752027B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105184103A (zh) * | 2015-10-15 | 2015-12-23 | 清华大学深圳研究生院 | 基于病历数据库的虚拟名医 |
CN109801688A (zh) * | 2017-11-17 | 2019-05-24 | 深圳市前海安测信息技术有限公司 | 区域医疗电子病历安全协同整合***及方法 |
CN109801690A (zh) * | 2017-11-17 | 2019-05-24 | 深圳市前海安测信息技术有限公司 | 区域医疗电子病历共享整合查询***及方法 |
CN108154928A (zh) * | 2017-12-27 | 2018-06-12 | 北京嘉和美康信息技术有限公司 | 一种疾病诊断方法及装置 |
CN109215754A (zh) * | 2018-09-10 | 2019-01-15 | 平安科技(深圳)有限公司 | 病历数据处理方法、装置、计算机设备和存储介质 |
CN109346185A (zh) * | 2018-09-19 | 2019-02-15 | 北京科技大学 | 一种中医辅助诊断*** |
CN109473169A (zh) * | 2018-10-18 | 2019-03-15 | 安吉康尔(深圳)科技有限公司 | 一种疾病诊断方法、装置及终端设备 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111430037A (zh) * | 2020-03-30 | 2020-07-17 | 安徽科大讯飞医疗信息技术有限公司 | 相似病历查找方法及*** |
CN111430037B (zh) * | 2020-03-30 | 2024-04-09 | 讯飞医疗科技股份有限公司 | 相似病历查找方法及*** |
CN111540425A (zh) * | 2020-04-26 | 2020-08-14 | 吴九云 | 基于人工智能的智慧医疗信息推送方法及电子病历云平台 |
CN111613339A (zh) * | 2020-05-15 | 2020-09-01 | 山东大学 | 一种基于深度学习的相似病历查找方法与*** |
CN111613339B (zh) * | 2020-05-15 | 2021-07-09 | 山东大学 | 一种基于深度学习的相似病历查找方法与*** |
Also Published As
Publication number | Publication date |
---|---|
CN110752027B (zh) | 2023-05-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102088980B1 (ko) | 사용자 맞춤형 의료정보 제공 시스템 및 이의 구동방법 | |
JP6907831B2 (ja) | コンテキストベースの患者類似性の方法及び装置 | |
CN109036545B (zh) | 医疗信息处理方法、装置、计算机设备和存储介质 | |
CN111180024B (zh) | 基于词频逆文档频率的数据处理方法、装置和计算机设备 | |
CN110752027B (zh) | 电子病历数据推送方法、装置、计算机设备和存储介质 | |
US10936962B1 (en) | Methods and systems for confirming an advisory interaction with an artificial intelligence platform | |
CN113409907A (zh) | 一种基于互联网医院的智能预问诊方法及*** | |
JP6908977B2 (ja) | 医療情報処理システム、医療情報処理装置及び医療情報処理方法 | |
CN114611735A (zh) | 就医的互联网挂号方法、装置、设备及存储介质 | |
CN109087688B (zh) | 患者信息采集方法、装置、计算机设备和存储介质 | |
CN111415760B (zh) | 医生推荐方法、***、计算机设备及存储介质 | |
CN112201359A (zh) | 基于人工智能的重症问诊数据识别方法及装置 | |
JP6177609B2 (ja) | 医療カルテシステム及び医療カルテ検索方法 | |
CN113658712A (zh) | 医患匹配方法、装置、设备及存储介质 | |
CN111785383A (zh) | 数据处理方法及相关设备 | |
CN113111159A (zh) | 问答记录生成方法、装置、电子设备及存储介质 | |
CN109299238B (zh) | 一种数据查询方法和装置 | |
Hom et al. | Facilitating clinical research through automation: Combining optical character recognition with natural language processing | |
CN109522331B (zh) | 以个人为中心的区域化多维度健康数据处理方法及介质 | |
CN112349367A (zh) | 一种生成仿真病历的方法、装置、电子设备及存储介质 | |
CN112259260A (zh) | 基于智能穿戴设备的智能医疗问答方法、***及装置 | |
CN116737977A (zh) | 图像检索方法、装置、设备及介质 | |
JP2021189872A (ja) | 情報処理システム | |
CN114154514B (zh) | 一种中医证型识别方法及*** | |
US20210133627A1 (en) | Methods and systems for confirming an advisory interaction with an artificial intelligence platform |
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 |