CN111091884B - 一种医院信息集成平台的患者主索引匹配***及方法 - Google Patents
一种医院信息集成平台的患者主索引匹配***及方法 Download PDFInfo
- Publication number
- CN111091884B CN111091884B CN201911346622.9A CN201911346622A CN111091884B CN 111091884 B CN111091884 B CN 111091884B CN 201911346622 A CN201911346622 A CN 201911346622A CN 111091884 B CN111091884 B CN 111091884B
- Authority
- CN
- China
- Prior art keywords
- matching
- samples
- qualified
- card number
- patient
- 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
- 230000010354 integration Effects 0.000 title claims abstract description 24
- 238000000034 method Methods 0.000 title claims abstract description 15
- 230000002787 reinforcement Effects 0.000 claims abstract description 26
- 238000005070 sampling Methods 0.000 claims abstract description 13
- 238000004364 calculation method Methods 0.000 claims abstract description 7
- 238000012795 verification Methods 0.000 claims description 23
- 238000012549 training Methods 0.000 claims description 10
- 238000013528 artificial neural network Methods 0.000 claims description 9
- 238000012417 linear regression Methods 0.000 claims description 7
- 210000002569 neuron Anatomy 0.000 claims description 6
- 238000003745 diagnosis Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 abstract description 3
- 239000008280 blood Substances 0.000 description 4
- 210000004369 blood Anatomy 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012797 qualification 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
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/22—Indexing; Data structures therefor; Storage structures
-
- 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
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2455—Query execution
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Public Health (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Epidemiology (AREA)
- Computational Linguistics (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明涉及医院患者信息领域,公开了一种医院信息集成平台的患者主索引匹配***及方法,包括信息录入单元、取样单元、监督学习单元、增强学习单元和匹配单元。取样单元根据信息录入单元录入的患者就诊信息生成合格样本,监督学习单元和增强学习单元根据合格样本计算出匹配因子及其权重参数,匹配单元根据匹配因子和权重参数对不完全匹配但又疑是同一人的就诊信息进行匹配计算,从而提高患者就诊信息的匹配率,推动智慧医院建设。
Description
技术领域
本发明涉及医院患者信息领域,具体涉及一种医院信息集成平台的患者主索引匹配***及方法。
背景技术
随着国家卫健委对智慧医院建设、医院互联互通成熟度评测要求的持续加强,医院陆续开始建设医院信息集成平台***。其中,医院信息化建设中的医院信息集成平台***,需要将医院历史数据中的患者就诊信息进行识别,以患者主索引串连,将同一患者的历次就诊信息合并,并且使用时间轴进行展示。
传统的患者主索引使用“决策树”的方法来识别匹配,因患者就诊时往往不总是携带身份证、医保卡、健康卡等,导致患者每次就诊的患者信息不完整,因此出现大量不完全匹配的相似信息但不确定是否是同一人的疑似信息,匹配率较低,只能达到35%左右。
发明内容
鉴于背景技术的不足,本发明是提供了一种医院信息集成平台的患者主索引匹配***及方法,所要解决的技术问题是现有医院信息集成平台***在对患者使用不同证件号的就诊信息进行整合时匹配率较低。
为解决以上技术问题,本发明提供了如下技术方案:一种医院信息集成平台的患者主索引匹配方法,包括以下步骤:
S1:生成合格样本,具体如下:首先对医院信息集成平台中的患者就诊信息进行取样,然后判断取样的患者就诊信息中的身份证号、居民健康***和医保***是否是同一就诊患者,如果是同一就诊患者,判断每个身份证号、居民健康***和医保***对应的姓名、性别和出生日期是否一致,如果一致生成合格样本,否则不能生成合格样本;若干合格样本组成样本总量;
S2:样本监督学习,具体如下:对任一合格样本配置初始匹配因子和设置初始匹配因子的初始权重参数,建立EMPI匹配模型;然后通过人工神经网络对该合格样本进行训练,所述训练是指采用线性回归算法计算初始匹配因子的加权权重;接着对样本总量的其余合格样本先进行合并、生成合并样本,然后根据初始匹配因子和加权权重对合并样本进行校验,对校验成功的合格样本进行标记;当校验成功率达到90%,进入步骤S4,校验成功率是指校验成功的合并样本总数与样本总量的比例,当校验成功率低于90%,进入步骤S3;
S3:增强学***台中的其余就诊信息进行EMPI匹配、然后检查合并样本;在增强学习时,如果没有调整匹配因子,进入步骤S4,如果调整匹配因子,进入步骤S2;
S4:学习结束,记录匹配因子和权重参数。
一种医院信息集成平台的患者主索引匹配***,包括信息录入单元、取样单元、监督学习单元、增强学习单元和匹配单元。
信息录入单元用于录入患者就诊信息,生成就诊信息数据库;
取样单元用于从就诊信息数据库取样、生成若干合格样本,每个合格样本包括身份证号、居民健康***、医保***、姓名、性别和出生日期,若干合格样本组成样本总量;
监督学习单元用于对样本总量进行学习,学习是指根据任一合格样本配置初始匹配因子和设置初始匹配因子的初始权重参数,建立EMPI匹配模型;然后通过人工神经网络对该合格样本进行训练,训练为采用线性回归算法计算初始匹配因子的加权权重;接着对样本总量的其余合格样本先进行合并、生成合并样本,然后根据初始匹配因子和加权权重对合并样本进行校验,对校验成功的合格样本进行标记;当校验成功率达到90%,记录匹配因子和权重参数,学习过程结束,校验成功率是指校验成功的合并样本总数与样本总量的比例;
在校验成功的合并样本总数与样本总量的比例低于校验成功率时,增强学习单元对样本总量进行增强学习,增强学习是指人工查找合并样本与合格样本不一样的原因,或者使用EMPI匹配模型对就诊信息数据库中的其余患者就诊信息进行EMPI匹配、然后检查合并样本;当增强学习单元没有调整匹配因子时,记录匹配因子和权重参数,当增强学习单元调整匹配因子时,监督学习单元对调整后的匹配因子继续进行学习;
匹配单元根据记录的匹配因子和权重参数对身份证号、居民健康***或者医保***缺失的患者就诊信息进行匹配计算,如果计算后的匹配率符合要求,对患者就诊信息进行合并。
进一步,样本总量采用均衡分布的方式生成且样本总量的数量不低于就诊患者总量的30%。
进一步,增强学习单元调整匹配因子后,校验成功率需重新配置。
进一步,合并为将合格样本中的身份证号、居民健康***和医保***任两个证件号对应患者就诊信息进行合并,校验为根据初始匹配因子和权重参数计算合并样本与合格样本是否相同,如果相同,检验成功。
进一步,合格样本的生成步骤如下:首先判断身份证号、居民健康***和医保***是否是同一就诊患者,如果是同一就诊患者,判断每个身份证号、居民健康***和医保***对应的姓名、性别和出生日期是否一致,如果一致生成合格样本,否则不能生成合格样本。
本发明与现有技术相比所具有的有益效果是:先根据明确的患者就诊信息生成合格样本,根据合格样本配置匹配因子和计算出每个匹配因子的加权权重,然后将匹配因子和加权权重带入样本总量中计算校验成功率,如果校验成功率符合要求,则匹配单元根据匹配因子及其加权权重对不完全匹配但又疑是同一人的就诊信息进行匹配计算如果计算后的匹配率符合要求,则对患者信息进行合并,进而提高匹配率。
附图说明
本发明有如下附图:
图1为本发明的结构框图;
图2为本发明得到匹配因子和加权权重的流程图。
具体实施方式
现在结合附图对本发明作进一步详细的说明。这些附图均为简化的示意图,仅以示意方式说明本发明的基本结构,因此其仅显示与本发明有关的构成。
一种医院信息集成平台的患者主索引匹配方法,包括以下步骤:
S1:生成合格样本,具体如下:首先对医院信息集成平台中的患者就诊信息进行取样,然后判断取样的患者就诊信息中的身份证号、居民健康***和医保***是否是同一就诊患者,如果是同一就诊患者,判断每个身份证号、居民健康***和医保***对应的姓名、性别和出生日期是否一致,如果一致生成合格样本,否则不能生成合格样本;若干合格样本组成样本总量;
S2:样本监督学习,具体如下:对任一合格样本配置初始匹配因子和设置初始匹配因子的初始权重参数,建立EMPI匹配模型;然后通过人工神经网络对该合格样本进行训练,所述训练是指采用线性回归算法计算初始匹配因子的加权权重;接着对样本总量的其余合格样本先进行合并、生成合并样本,然后根据初始匹配因子和加权权重对合并样本进行校验,对校验成功的合格样本进行标记;当校验成功率达到90%,进入步骤S4,校验成功率是指校验成功的合并样本总数与样本总量的比例,当校验成功率低于90%,进入步骤S3;
S3:增强学***台中的其余就诊信息进行EMPI匹配、然后检查合并样本;在增强学习时,如果没有调整匹配因子,进入步骤S4,如果调整匹配因子,进入步骤S2;
S4:学习结束,记录匹配因子和权重参数。
如图1所示,一种医院信息集成平台的患者主索引匹配***,包括信息录入单元10、取样单元11、监督学习单元12、增强学习单元13和匹配单元14。
信息录入单元10用于录入患者就诊信息,生成就诊信息数据库;
取样单元11用于从就诊信息数据库取样、生成若干合格样本,每个合格样本包括身份证号、居民健康***、医保***、姓名、性别和出生日期,若干合格样本组成样本总量;
监督学习单元12用于对样本总量进行学习,学习是指根据任一合格样本配置初始匹配因子和设置初始匹配因子的初始权重参数,建立EMPI匹配模型;然后通过人工神经网络对该合格样本进行训练,训练为采用线性回归算法计算初始匹配因子的加权权重;接着对样本总量的其余合格样本先进行合并、生成合并样本,然后根据初始匹配因子和加权权重对合并样本进行校验,对校验成功的合格样本进行标记;当校验成功率达到90%,记录匹配因子和权重参数,学习过程结束,校验成功率是指校验成功的合并样本总数与样本总量的比例;
在校验成功的合并样本总数与样本总量的比例低于校验成功率时,增强学习单元13对样本总量进行增强学习,增强学习是指人工查找合并样本与合格样本不一样的原因,或者使用EMPI匹配模型对就诊信息数据库中的其余患者就诊信息进行EMPI匹配、然后检查合并样本;当增强学习单元13没有调整匹配因子时,记录匹配因子和权重参数,当增强学习单元13调整匹配因子时,监督学习单元12对调整后的匹配因子继续进行学习;
匹配单元14根据记录的匹配因子和权重参数对身份证号、居民健康***或者医保***缺失的患者就诊信息进行匹配计算,如果计算后的匹配率符合要求,对患者就诊信息进行合并。
进一步,样本总量采用均衡分布的方式生成且样本总量的数量不低于就诊患者总量的30%。
进一步,增强学习单元13调整匹配因子后,校验成功率需重新配置。
进一步,合并为将合格样本中的身份证号、居民健康***和医保***任两个证件号对应的患者就诊信息进行合并,校验为根据初始匹配因子和权重参数计算合并样本与合格样本的是否相同,如果相同,检验成功。
进一步,合格样本的生成步骤如下:首先判断身份证号、居民健康***和医保***是否是同一就诊患者,如果是同一就诊患者,判断每个身份证号、居民健康***和医保***对应的姓名、性别和出生日期是否一致,如果一致生成合格样本,否则不能生成合格样本。
完整的就诊信息还包括:婚姻状况代码、婚姻状况名称、民族代码、民族名称、ABO血型代码、ABO血型名称、Rh血型代码、Rh血型名称、医疗保险类别代码、医疗保险类别名称、现住址地址、现住址地址-省(自治区、直辖市)、现住址地址-市(地区、州)、现住址地址-县(区)、现住址地址-乡(镇、街道办事处)、现住址地址-村(街、路、弄等)、现住址地址-门牌号码、现住址邮编、患者手机号码、工作单位名称、工作单位电话、工作单位地址、工作单位邮编、联系人姓名、联系人关系代码、联系人关系名称、联系人地址、联系人电话、户口地址、户口地址-省(自治区、直辖市)、户口地址-市(地区、州)、户口地址-县(区)、户口地址-乡(镇、街道办事处)、户口地址-村(街、路、弄等)、户口地址-门牌号码、出生地、出生地-省(自治区、直辖市)、出生地-市(地区、州)、出生地-县(区)、国籍代码、国籍名称、籍贯地址-省(自治区、直辖市)、籍贯地址-市(地区、州)、籍贯地址-县(区)。
监督学习单元12在进行学习时先去除明确匹配因子比如身份证号、居民健康***和医保***,然后对初始匹配因子设置初始权重参数,接着使用线性回归算法计算各初始匹配因子的加权权重,具体计算流程为先将某一类患者作为人工神经网络中的神经元,获取各神经元之间的知识图谱,然后根据知识图谱对不同合格样本的加权权重做验证,具体验证过程为根据初始匹配因子的各加权权重,在合格样本中计算匹配度,并与明确匹配信息进行比较,符合要求即验证成功。
实际操作过程中,无论是样本生成还是样本外的数据,都需要进行合法性检验及数据的预处理,比如身份证非法、姓名后的特殊符号或者姓名有默认规则的,比如张立军-,李小妹,张绍清之女等,这些需与操作人员确认并进行合格性处理后再进行训练或校验。
另外,在理论上判断条件可以满足即学习结束,然而实际操作中,校验成功的合并样本数占样本总量比例在达一定程度就很难提高,这时需人工停止学习。
其中,建立EMPI匹配模型是指选择初始匹配因子以及为初始匹配因子配置初始权重参数。表1为本实施例中EMPI匹配模型的初始匹配因子和初始权重以及最终加权权重的表格。匹配单元14根据表1中的初始匹配因子及其对应的加权权重对不完全匹配但又疑是同一人的就诊信息进行匹配计算。
表1
因子序号 | 因子名称 | 初始权重 | 加权权重 |
1 | 姓名 | 0.6 | 33.33% |
2 | 性别 | 0.5 | 27.78% |
3 | 出生日期 | 0.3 | 16.67% |
4 | 联系电话 | 0.2 | 11.11% |
5 | 现住址 | 0.1 | 5.56% |
6 | 联系人姓名 | 0.1 | 5.56% |
图2为本发明得到匹配因子和权重参数的流程图,其中权重参数就是加权权重。该流程图主要包括三个步骤,分别是样本生成1、样本监督学习2和增强学习3。在样本监督学习2中,对合并记录数与样本数进行比较是判断校验成功的合并样本数与样本总量的比例是否达到校验成功率,本实施例中在校验成功率达到90%时,监督学习完成。
上述依据本发明为启示,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 (6)
1.一种医院信息集成平台的患者主索引匹配方法,其特征在于,包括以下步骤:
S1:生成合格样本,具体如下:首先对医院信息集成平台中的患者就诊信息进行取样,然后判断取样的患者就诊信息中的身份证号、居民健康***和医保***是否是同一就诊患者,如果是同一就诊患者,判断每个身份证号、居民健康***和医保***对应的姓名、性别和出生日期是否一致,如果一致生成合格样本,否则不能生成合格样本;若干合格样本组成样本总量;
S2:样本监督学习,具体如下:对任一合格样本配置初始匹配因子和设置初始匹配因子的初始权重参数,建立EMPI匹配模型;然后通过人工神经网络对该合格样本进行训练,所述训练是指采用线性回归算法计算初始匹配因子的加权权重,具体计算流程为先将某一类患者作为人工神经网络中的神经元,获取各神经元之间的知识图谱,然后根据知识图谱对不同合格样本的加权权重做验证,具体验证过程为根据初始匹配因子的各加权权重,在合格样本中计算匹配度,并与明确匹配信息进行比较,符合要求即验证成功;接着对样本总量的其余合格样本先进行合并、生成合并样本,然后根据初始匹配因子和加权权重对合并样本进行校验,对校验成功的合格样本进行标记;当校验成功率达到90%,进入步骤S4,校验成功率是指校验成功的合并样本总数与样本总量的比例,当校验成功率低于90%,进入步骤S3;
S3:增强学***台中的其余就诊信息进行EMPI匹配、然后检查合并样本;在增强学习时,如果没有调整匹配因子,进入步骤S4,如果调整匹配因子,进入步骤S2;
S4:学习结束,记录匹配因子和权重参数。
2.一种医院信息集成平台的患者主索引匹配***,其特征在于:包括信息录入单元、取样单元、监督学习单元、增强学习单元和匹配单元;
所述信息录入单元用于录入患者就诊信息,生成就诊信息数据库;
所述取样单元用于从就诊信息数据库取样、生成若干合格样本,每个合格样本包括身份证号、居民健康***、医保***、姓名、性别和出生日期,若干合格样本组成样本总量;
所述监督学习单元用于对样本总量进行监督学习,所述学习是指根据任一合格样本配置初始匹配因子和设置初始匹配因子的初始权重参数,建立EMPI匹配模型;然后通过人工神经网络对该合格样本进行训练,所述训练为采用线性回归算法计算初始匹配因子的加权权重,具体计算流程为先将某一类患者作为人工神经网络中的神经元,获取各神经元之间的知识图谱,然后根据知识图谱对不同合格样本的加权权重做验证,具体验证过程为根据初始匹配因子的各加权权重,在合格样本中计算匹配度,并与明确匹配信息进行比较,符合要求即验证成功;接着对样本总量的其余合格样本先进行合并、生成合并样本,然后根据初始匹配因子和加权权重对合并样本进行校验,对校验成功的合格样本进行标记;当校验成功率达到90%,记录匹配因子和权重参数,学习过程结束,校验成功率是指校验成功的合并样本总数与样本总量的比例;
在校验成功的合并样本总数与样本总量的比例低于校验成功率时,所述增强学习单元对样本总量进行增强学习,所述增强学习是指人工查找合并样本与合格样本不一样的原因,或者使用EMPI匹配模型对就诊信息数据库中的其余患者就诊信息进行EMPI匹配、然后检查合并样本;当增强学习单元没有调整匹配因子时,记录匹配因子和权重参数,当增强学习单元调整匹配因子时,所述监督学习单元对调整后的匹配因子继续进行学习;
所述匹配单元根据记录的匹配因子和权重参数对身份证号、居民健康***或者医保***缺失的患者就诊信息进行匹配计算,如果计算后的匹配率符合要求,对患者就诊信息进行合并。
3.根据权利要求2所述的医院信息集成平台的患者主索引匹配***,其特征在于:所述样本总量采用均衡分布的方式生成且样本总量的数量不低于就诊患者总量的30%。
4.根据权利要求2所述的医院信息集成平台的患者主索引匹配***,其特征在于:所述增强学习单元调整匹配因子后,校验成功率需重新配置。
5.根据权利要求2所述的医院信息集成平台的患者主索引匹配***,其特征在于:所述合并为将合格样本中的身份证号、居民健康***和医保***任两个证件号对应患者就诊信息进行合并,所述校验为根据初始匹配因子和权重参数计算合并样本与合格样本是否相同,如果相同,检验成功。
6.根据权利要求2所述的医院信息集成平台的患者主索引匹配***,其特征在于:合格样本的生成步骤如下:首先判断身份证号、居民健康***和医保***是否是同一就诊患者,如果是同一就诊患者,判断每个身份证号、居民健康***和医保***对应的姓名、性别和出生日期是否一致,如果一致生成合格样本,否则不能生成合格样本。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911346622.9A CN111091884B (zh) | 2019-12-24 | 2019-12-24 | 一种医院信息集成平台的患者主索引匹配***及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911346622.9A CN111091884B (zh) | 2019-12-24 | 2019-12-24 | 一种医院信息集成平台的患者主索引匹配***及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111091884A CN111091884A (zh) | 2020-05-01 |
CN111091884B true CN111091884B (zh) | 2024-04-05 |
Family
ID=70396755
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911346622.9A Active CN111091884B (zh) | 2019-12-24 | 2019-12-24 | 一种医院信息集成平台的患者主索引匹配***及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111091884B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111694993B (zh) * | 2020-06-11 | 2023-05-02 | 北京金山云网络技术有限公司 | 一种创建数据索引的方法、装置、电子设备及介质 |
CN112489743B (zh) * | 2020-11-24 | 2023-07-04 | 泰康保险集团股份有限公司 | 一种医疗数据视图实现方法和*** |
CN114121204A (zh) * | 2021-12-09 | 2022-03-01 | 上海森亿医疗科技有限公司 | 基于患者主索引的患者记录匹配方法、存储介质及设备 |
CN116825265A (zh) * | 2023-08-29 | 2023-09-29 | 先临三维科技股份有限公司 | 就诊记录处理方法、装置、电子设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108108449A (zh) * | 2017-12-27 | 2018-06-01 | 哈尔滨福满科技有限责任公司 | 一种面向医疗领域的基于多源异构数据问答***及该***的实现方法 |
CN108388580A (zh) * | 2018-01-24 | 2018-08-10 | 平安医疗健康管理股份有限公司 | 融合医学知识及应用病例的动态知识图谱更新方法 |
CN108447534A (zh) * | 2018-05-18 | 2018-08-24 | 灵玖中科软件(北京)有限公司 | 一种基于nlp的电子病历数据质量管理方法 |
CN109947928A (zh) * | 2019-04-16 | 2019-06-28 | 上海海事大学 | 一种检索式人工智能问答机器人开发方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101727535A (zh) * | 2008-10-30 | 2010-06-09 | 北大方正集团有限公司 | 一种跨***患者交叉索引方法及其*** |
JP5873959B2 (ja) * | 2010-09-27 | 2016-03-01 | パナソニックIpマネジメント株式会社 | ホワイトリスト内外判定装置及び方法 |
CN103324085B (zh) * | 2013-06-09 | 2016-03-02 | 中国科学院自动化研究所 | 基于监督式强化学习的最优控制方法 |
CN109616184A (zh) * | 2018-12-07 | 2019-04-12 | 西安海天信息工程有限公司 | 一种基于互联网的医疗数据集成*** |
CN110136007A (zh) * | 2019-04-09 | 2019-08-16 | 中康龙马(北京)医疗健康科技有限公司 | 一种自适应调整医疗保险覆盖策略的方法 |
CN110600092A (zh) * | 2019-08-13 | 2019-12-20 | 万达信息股份有限公司 | 一种应用于医疗领域的人员主索引的生成方法和*** |
-
2019
- 2019-12-24 CN CN201911346622.9A patent/CN111091884B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108108449A (zh) * | 2017-12-27 | 2018-06-01 | 哈尔滨福满科技有限责任公司 | 一种面向医疗领域的基于多源异构数据问答***及该***的实现方法 |
CN108388580A (zh) * | 2018-01-24 | 2018-08-10 | 平安医疗健康管理股份有限公司 | 融合医学知识及应用病例的动态知识图谱更新方法 |
CN108447534A (zh) * | 2018-05-18 | 2018-08-24 | 灵玖中科软件(北京)有限公司 | 一种基于nlp的电子病历数据质量管理方法 |
CN109947928A (zh) * | 2019-04-16 | 2019-06-28 | 上海海事大学 | 一种检索式人工智能问答机器人开发方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111091884A (zh) | 2020-05-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111091884B (zh) | 一种医院信息集成平台的患者主索引匹配***及方法 | |
US20240185354A1 (en) | Method of personalizing, individualizing, and automating the management of healthcare fraud-waste-abuse to unique individual healthcare providers | |
CN109509551A (zh) | 一种常见疾病智能诊断方法及*** | |
CN110249392A (zh) | 智能辅助诊疗***及方法 | |
CN111652775B (zh) | 居家医养服务过程的智能监管方法 | |
CN107038343A (zh) | 临床诊断模型的构建方法及构建***、临床诊断*** | |
CN106897546A (zh) | 医疗信息化辅助医生诊疗***和方法 | |
CN106874653A (zh) | 医院辅助决策***和方法 | |
CN108682457B (zh) | 患者长期预后定量预测和干预***及方法 | |
CN105975740A (zh) | 一种带有智能诊断的医疗*** | |
WO2021180244A1 (zh) | 一种疾病风险预测***、方法、装置、设备及介质 | |
WO2021151327A1 (zh) | 分诊数据处理方法、装置、设备及介质 | |
CN110111884A (zh) | 一种基于cmkmc的人机协同智慧医疗辅助决策*** | |
CN106529110A (zh) | 一种用户数据分类的方法和设备 | |
CN109935337A (zh) | 一种基于相似性度量的病案查找方法及*** | |
CN111291131A (zh) | 数据处理方法、装置、存储介质及电子设备 | |
CN109934723A (zh) | 一种医保欺诈行为识别方法、装置及设备 | |
KR20110098286A (ko) | 퍼지 추론기법을 이용한 한방 자가 진단방법 | |
CN105160183A (zh) | 基于虚拟病例的诊疗正确性自动评价方法 | |
CN116759082A (zh) | 一种基于知识图谱的健康评估*** | |
CN114471170B (zh) | 一种基于物联网的陶瓷膜自动加药清洗***及方法 | |
WO2021151330A1 (zh) | 用户分群方法、装置、设备和计算机可读存储介质 | |
CN114649071A (zh) | 一种基于真实世界数据的消化性溃疡治疗方案的预测*** | |
CN112164450A (zh) | 一种医疗服务的签约方法和*** | |
CN111311175A (zh) | 评残条款智能预测方法、装置、计算机设备及存储介质 |
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 |