CN112992370B - 一种无监督的基于电子病历的医疗行为合规性评估方法 - Google Patents

一种无监督的基于电子病历的医疗行为合规性评估方法 Download PDF

Info

Publication number
CN112992370B
CN112992370B CN202110489454.XA CN202110489454A CN112992370B CN 112992370 B CN112992370 B CN 112992370B CN 202110489454 A CN202110489454 A CN 202110489454A CN 112992370 B CN112992370 B CN 112992370B
Authority
CN
China
Prior art keywords
medical
data
patient
diagnosis
treatment
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
CN202110489454.XA
Other languages
English (en)
Other versions
CN112992370A (zh
Inventor
杨雪
李孟娇
兰蓝
周小波
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.)
West China Hospital of Sichuan University
Original Assignee
West China Hospital of Sichuan University
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 West China Hospital of Sichuan University filed Critical West China Hospital of Sichuan University
Priority to CN202110489454.XA priority Critical patent/CN112992370B/zh
Publication of CN112992370A publication Critical patent/CN112992370A/zh
Application granted granted Critical
Publication of CN112992370B publication Critical patent/CN112992370B/zh
Priority to PCT/CN2021/132173 priority patent/WO2022233121A1/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
    • 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
    • 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
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/02—Computing arrangements based on specific mathematical models using fuzzy logic
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Pure & Applied Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Databases & Information Systems (AREA)
  • Epidemiology (AREA)
  • Algebra (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Biology (AREA)
  • Primary Health Care (AREA)
  • Probability & Statistics with Applications (AREA)
  • Operations Research (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Pathology (AREA)
  • Automation & Control Theory (AREA)
  • Fuzzy Systems (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Medical Treatment And Welfare Office Work (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

本发明公开一种无监督的基于电子病历的医疗行为合规性评估方法，S1、对病例数据进行收集、清洗和预处理；S2、对患者的病例数据进行分类；S3、对患者的医嘱数据进行聚类；S4、融合患者聚类后的医嘱数据和具有时间序列的手术数据，按照患者类别，结合患者诊疗后的效果，对诊疗过程模型进行挖掘；S5、将实际诊疗序列与挖掘出的诊疗过程模型基于此成本函数进行对齐，以此来定位异常的位置，计算异常的偏离程度。本发明降低了先验知识依赖度，能够深入利用数据，评估结果临床可解释性强，患者病情和身体状况等预设逻辑复杂度高。

Description

一种无监督的基于电子病历的医疗行为合规性评估方法
技术领域
本发明涉及医疗数据处理与分析领域领域，尤其涉及一种无监督的基于电子病历的医疗行为合规性评估方法。
背景技术
近年来，伴随着人民生活水平的日益提高，医疗健康行业的发展也遇到了诸多难题。一方面，医疗费用正在以相当快的速度不断增长，而在临床诊疗流程中，因医疗机构受利益干扰，部分患者都存在着临床医疗行为不合理的现象，这不仅造成了医疗资源的浪费，增加了患者的经济负担，甚至可能危害患者的身体健康。另一方面，在临床诊疗过程中，存在着医护人员对指南要求的干预流程及标准掌握不足、对指南要求的依从性不足等问题，从而引起医疗行为不合规的现象，导致患者住院天数增加、感染率和死亡率也相应增加等问题。
随着大数据时代的到来，很多有价值的医疗数据都被记录在电子病历中，但如何利用人工智能和信息化技术，使得电子病历数据得到更好的挖掘和利用，是我们迫切需要解决的难题。通过建立一套基于电子病历的医疗行为合规性评估***，对以往的电子病历数据进行挖掘和分析，可以为医疗工作者提供技术上的辅助，大大提高临床诊疗的质量和效率。
传统的基于机器学习方法的评估***大多依赖于相关领域专家的先验知识对数据进行标注，且基于行为分析学习的机器学习方法其学习时间长，但现实是有标注的数据相对较少，电子病历的数据挖掘更适用于半监督或无监督的数据驱动方法；
现有技术大多仅利用患者收费项信息，未全面考虑到患者入院检查结果、过敏情况以及医嘱等信息，信息利用情况不够深入；
现有技术未考虑各指标临床取值，评估结果临床可解释性不足；
现有模型过于考虑模型的统一性而轻视了不同患者病情和身体状况的差异性，导致精度不高，且适应性较差，同时预警***的预设逻辑规则多针对单一病种和简单临床场景。
发明内容
本发明旨在提供一种无监督的基于电子病历的医疗行为合规性评估方法，降低了先验知识依赖度，能够深入利用数据，评估结果临床可解释性强，患者病情和身体状况等预设逻辑复杂度高。
为达到上述目的，本发明是采用以下技术方案实现的：
本发明公开一种无监督的基于电子病历的医疗行为合规性评估方法，包括以下步骤：
S1、对病例数据进行收集、清洗和预处理，病例数据包括患者的个人信息、入院数据、病史数据、检查数据、诊断数据、诊疗结果、医疗操作数据、住院数据，医疗操作数据包括医嘱数据、手术数据，医嘱数据和手术数据均为时间序列的形式；
S2、根据患者的个人信息、病史数据、检查数据、诊断数据、诊疗结果，对患者的病例数据进行分类，构造具有相似指标值的模糊概念；
S3、对患者的医嘱数据进行聚类；
S4、融合患者聚类后的医嘱数据和手术数据，按照患者所属模糊概念的类别，结合患者诊疗后的效果，对诊疗过程模型进行挖掘；
S5、自定义诊疗过程模型的成本函数，将实际诊疗序列与挖掘出的诊疗过程模型基于此成本函数进行对齐，以此来定位异常的位置，并计算异常的偏离程度。
优选的，步骤S2中，使用模糊形式概念分析理论，每一位具有完整临床路径的历史就诊患者视为模糊形式背景的对象，每一类指标视为模糊形式背景的属性，对形式背景的取值进行归一化处理，并为每一个属性设置阈值以及合并相似疾病患者，以便于对模糊形式背景进行化简，构造模糊概念，每一个模糊概念都代表着一类具有相似指标值的特定患者群体。
优选的，步骤S3中，首先将医嘱数据采用多粒度主题模型进行聚类，然后将主题聚类后的医嘱数据采用K-means++算法将主题聚类后的医嘱数据进行按天聚类，以降低医疗行为合规性评估的难度，
若医嘱数据主题个数为t，则患者i和患者j在第m天和第n天的相似度描述如下：
Figure GDA0003131481780000031
Disi，m＝(pim1k1，pim2k2，…，pimtkt) (2)
其中D代表医嘱数据，Disi，m表示患者i在第m天总计t个维度上主题概率分布，p代表主题概率，k代表相应主题的权重，S(Di，m，Dj，n)代表患者i和患者j在第m天和第n天的相似度，pimtkt代表患者i第m天第t维主题向量的主题概率分布。
优选的，步骤S4中，使用ProM过程挖掘软件中的Imf过程发现算法对细分后的“治愈”或“好转”的患者数据进行诊疗过程模型的挖掘。
优选的，步骤S5中，在进行具体医疗行为频繁度的前提下，采用基于TF-IDF加权技术的诊疗过程模型成本函数，量化***或跳过形式的医疗行为的成本，通过ProM过程挖掘软件中的PNetReplyer插件实现实际诊疗序列与标准诊疗过程模型的对齐，判断出异常的位置和偏离程度。
优选的，步骤S5中，在医疗序列Seq的***事件x时，***成本Cos t(x)具体描述如下：
Figure GDA0003131481780000041
Figure GDA0003131481780000042
Figure GDA0003131481780000043
其中，N(Seq)为医疗序列Seq出现的总次数，N(Seq)x为包含***事件x的医疗序列Seq出现的次数，N为所有医疗序列的样本个数，N(x)为包含有***事件x的医疗序列个数，
TF-IDF(term frequency-inverse document frequency)是一种用于信息检索与数据挖掘的常用加权技术，式(3)中TF是词频(Term Frequency)，式(4)中IDF是逆文本频率指数(Inverse Document Frequency)。
本发明的有益效果：
1、本发明提出了一种综合了更全面的数据的挖掘方案，更全面的考虑了患者各方面的信息。
2、本发明引入了模糊形式概念分析理论对患者群体进行了细分，使得过程模型参照数据的范围更加精细，从而提高了标准过程模型与实际诊疗序列的适配度。
3、本发明采用的多粒度主题模型聚类方法(M-GTM，Multi-Grain Topic Model)在使用效果上显著优于普通的LDA主题模型聚类。
4、本发明在医疗行为频繁度计算时引入TF-IDF加权技术的方法提高了成本函数计算的准确度。
5、本发明提出的基于电子病历的医疗行为合规性评估流程，无需进行医疗异常数据的标注，是一种无监督的数据驱动方法。
附图说明
图1为本发明的流程示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图，对本发明进行进一步详细说明。
如图1所示，本发明包括以下步骤：
S1：病例数据的收集、清洗和预处理，病例数据包括患者的入院数据、住院数据、病史数据、各项检查数据以及医嘱数据；
S2：将病例数据根据患者的个人信息、各项检查数据、患者及家庭病史、诊断数据的不同情况，以及诊疗后的效果，对患者进行分类；
S3：对患者的医嘱数据进行聚类，该医嘱数据为时间序列的形式；
S4：融合患者聚类后的医嘱数据和手术等具有时间序列的医疗操作数据，按照细分的患者类别，综合考虑患者诊疗后的效果，挖掘出相对更有效的诊疗过程模型；
S5：自定义诊疗过程模型的成本函数，将实际诊疗序列与挖掘出的诊疗过程模型基于此成本函数进行对齐，以此来定位异常的位置，并计算异常的偏离程度。
步骤S2中，引入模糊形式概念分析理论，每一位具有完整临床路径的历史就诊患者视为模糊形式背景的对象，每一类指标视为模糊形式背景的属性。接下来对形式背景的取值进行归一化处理，并为每一个属性设置阈值以及合并相似疾病患者，以便于对模糊形式背景进行化简。然后就可以进行模糊概念格的构造，每一个模糊概念都代表着一类具有相似指标值的特定患者群体。
步骤S3中，首先将医嘱数据采用多粒度主题模型(Multi-Grain Topic Model)进行聚类，然后将主题聚类后的医嘱数据采用K-means++算法将主题聚类后的医嘱数据进行按天聚类，以降低医疗行为合规性评估的难度。若医嘱数据主题个数为t，则患者i和患者j在第m天和第n天的相似度描述如下：
Figure GDA0003131481780000061
Disi，m＝(pim1k1，Pim2k2，…，Pimtkt) (2)
其中，Disi，m＝(pim1k1，pim2k2，…，pimtkt)表示患者i在第m天总计t个维度上主题概率分布，p代表主题概率，k代表相应主题的权重。
步骤S4中，使用ProM过程挖掘软件中的Imf(Inductive Miner-frequent)过程发现算法，对细分后的“治愈”或“好转”的患者数据进行诊疗过程模型的挖掘。
步骤S5中，在进行具体医疗行为频繁度的前提下，采用基于TF-IDF加权技术的诊疗过程模型成本函数，量化***或跳过等形式的医疗行为的成本。以某医疗序列Seq的***事件x为例，***成本Cost(x)具体描述如下：
Figure GDA0003131481780000071
Figure GDA0003131481780000072
Figure GDA0003131481780000073
其中，N(Seq)为医疗序列Seq出现的总次数，N(Seq)x为包含***事件x的医疗序列Seq出现的次数，N为所有医疗序列的样本个数，N(x)为包含有***事件x的医疗序列个数。
接下来通过ProM过程挖掘软件中的PNetReplyer插件实现实际诊疗序列与标准诊疗过程模型的对齐，最终判断出异常的位置和偏离程度。
实际使用时，以大血管疾病为例，其实现过程如下：
1.大血管疾病患者电子病历的收集、清洗和预处理：
收集和整理所有患有大血管疾病患者的电子病历数据，选取电子病历中患者的入院数据、住院数据、病史数据、各项检查数据以及医嘱数据。
然后进行数据的清洗和预处理，包括统一类似项目或诊疗操作的命名、排除中途***或退出的临床路径以及医治无效的案例、合并同一时间的相同诊疗操作或医嘱等。
2.患者类型分类：
(1)按照模糊形式概念分析理论，首先构造模糊形式背景：整理患者的个人信息、各项检查数据、患者及家庭病史、诊断数据的不同情况，以及诊疗后的效果几个维度的信息，根据这些信息设置模糊形式背景的属性。
(2)每一例患者的具体信息都将转化为每一条属性所对应的隶属度，并且所有属性的隶属度需做归一化处理。
(3)通过为每一个属性的隶属度设置合适的阈值并合并相似患者来化简模糊形式背景。可依靠专家经验来对属性的隶属度进行一个合理的划分，也可以选择将此属性的隶属度的变动情况根据历史数据拟合为一个正态分布，并选择一个合适的置信区间(比如设置80％的置信度，单侧或双侧置信区间)，在置信区间外的隶属度设置为0，置信区间内的隶属度则设置为1。
(4)构造概念格。可以通过选择概念格的层次来决定患者分类的粒度。
3.医嘱数据聚类模块：
对于类似的患者，其每天的诊疗方案也类似，因此首先将医嘱数据采用多粒度主题模型M-GTM(Multi-Grain Topic Model)进行聚类，如果想提升主题聚类的精度，可以掺入少许医嘱数据分类的先验知识，然后再将主题聚类后的医嘱数据采用K-means++算法，将主题聚类后的医嘱数据根据相似度进行按天聚类，从而降低医疗行为合规性评估的难度。若医嘱数据主题个数为t，则患者i和患者j在第m天和第n天的相似度描述如下：
Figure GDA0003131481780000081
Disi，m＝(pim1k1，Pim2k2，…，Pimtkt) (2)
其中，Disi，m＝(pim1k1，pim2k2，…，pimtkt)表示患者i在第m天总计t个维度上主题概率分布，p代表主题概率，k代表相应主题的权重。
4.诊疗过程模型挖掘：
融合患者聚类后的医嘱数据和手术等具有时间序列的医疗操作数据，按照细分的患者类别，综合考虑患者诊疗后的效果，通过Prom过程挖掘软件，选择Imf(InductiveMiner-frequent)过程发现算法，并选择“治愈”和“好转”的患者类别数据进行诊疗过程模型的挖掘，挖掘出相对更有效的诊疗过程模型。
5.医疗行为异常发现：
(1)在进行大血管疾病相关具体医疗行为频繁度的前提下，采用基于TF-IDF加权技术的诊疗过程模型成本函数，量化***或跳过等形式的医疗行为的成本。以某医疗序列Seq的***事件x为例，***成本Cost(x)具体描述如下：
Figure GDA0003131481780000091
Figure GDA0003131481780000092
Figure GDA0003131481780000093
其中，N(Seq)为医疗序列Seq出现的总次数，N(Seq)x为包含***事件x的医疗序列Seq出现的次数，N为所有医疗序列的样本个数，N(x)为包含有***事件x的医疗序列个数。
(2)通过ProM软件中的PNetReplyer插件，将实际诊疗序列与挖掘出的诊疗过程标准模型基于此成本函数进行对齐，最终判断出异常的位置和偏离程度。
当然，本发明还可有其它多种实例，在不背离本发明精神及其实质的情况下，熟悉本领域的技术人员可根据本发明作出各种相应的改变和变形，但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。

Claims (6)

1.一种无监督的基于电子病历的医疗行为合规性评估方法，其特征在于包括以下步骤：
S1、对病例数据进行收集、清洗和预处理，病例数据包括患者的个人信息、入院数据、病史数据、检查数据、诊断数据、诊疗结果、医疗操作数据、住院数据，医疗操作数据包括医嘱数据、手术数据，医嘱数据和手术数据均为时间序列的形式；
S2、根据患者的个人信息、病史数据、检查数据、诊断数据、诊疗结果，对患者的病例数据进行分类，构造具有相似指标值的模糊概念；
S3、对患者的医嘱数据进行聚类；
S4、融合患者聚类后的医嘱数据和手术数据，按照患者所属模糊概念的类别，结合患者诊疗后的效果，对诊疗过程模型进行挖掘；
S5、自定义诊疗过程模型的成本函数，将实际诊疗序列与挖掘出的诊疗过程模型基于此成本函数进行对齐，以此来定位异常的位置，并计算异常的偏离程度。
2.根据权利要求1所述的无监督的基于电子病历的医疗行为合规性评估方法，其特征在于：步骤S2中，使用模糊形式概念分析理论，每一位具有完整临床路径的历史就诊患者视为模糊形式背景的对象，每一类指标视为模糊形式背景的属性，对形式背景的取值进行归一化处理，并为每一个属性设置阈值以及合并相似疾病患者，以便于对模糊形式背景进行化简，构造模糊概念，每一个模糊概念都代表着一类具有相似指标值的特定患者群体。
3.根据权利要求1所述的无监督的基于电子病历的医疗行为合规性评估方法，其特征在于：步骤S3中，首先将医嘱数据采用多粒度主题模型进行聚类，然后将主题聚类后的医嘱数据采用K-means++算法将主题聚类后的医嘱数据进行按天聚类，以降低医疗行为合规性评估的难度，
若医嘱数据主题个数为t，则患者i和患者j在第m天和第n天的相似度描述如下：
Figure FDA0003131481770000021
Disi,m＝(pim1k1,pim2k2,…,pimtkt) (2)
其中D代表医嘱数据，Disi,m表示患者i在第m天总计t个维度上主题向量的主题概率分布，p代表主题概率，k代表相应主题的权重，S(Di,m,Dj,n)代表患者i和患者j在第m天和第n天的相似度，pimtkt代表患者i第m天第t维主题向量的主题概率分布。
4.根据权利要求1所述的无监督的基于电子病历的医疗行为合规性评估方法，其特征在于：步骤S4中，使用ProM过程挖掘软件中的Imf过程发现算法对细分后的“治愈”或“好转”的患者数据进行诊疗过程模型的挖掘。
5.根据权利要求1所述的无监督的基于电子病历的医疗行为合规性评估方法，其特征在于：步骤S5中，在进行具体医疗行为频繁度的前提下，采用基于TF-IDF加权技术的诊疗过程模型成本函数，量化***或跳过形式的医疗行为的成本，通过ProM过程挖掘软件中的PNetReplyer插件实现实际诊疗序列与标准诊疗过程模型的对齐，判断出异常的位置和偏离程度。
6.根据权利要求5所述的无监督的基于电子病历的医疗行为合规性评估方法，其特征在于：步骤S5中，在医疗序列Seq的***事件x时，***成本Cos t(x)具体描述如下：
Figure FDA0003131481770000031
Figure FDA0003131481770000032
Figure FDA0003131481770000033
其中，N(Seq)为医疗序列Seq出现的总次数，N(Seq)x为包含***事件x的医疗序列Seq出现的次数，N为所有医疗序列的样本个数，N(x)为包含有***事件x的医疗序列个数。
CN202110489454.XA 2021-05-06 2021-05-06 一种无监督的基于电子病历的医疗行为合规性评估方法 Active CN112992370B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202110489454.XA CN112992370B (zh) 2021-05-06 2021-05-06 一种无监督的基于电子病历的医疗行为合规性评估方法
PCT/CN2021/132173 WO2022233121A1 (zh) 2021-05-06 2021-11-22 一种无监督的基于电子病历的医疗行为合规性评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110489454.XA CN112992370B (zh) 2021-05-06 2021-05-06 一种无监督的基于电子病历的医疗行为合规性评估方法

Publications (2)

Publication Number Publication Date
CN112992370A CN112992370A (zh) 2021-06-18
CN112992370B true CN112992370B (zh) 2021-07-30

Family

ID=76336976

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110489454.XA Active CN112992370B (zh) 2021-05-06 2021-05-06 一种无监督的基于电子病历的医疗行为合规性评估方法

Country Status (2)

Country Link
CN (1) CN112992370B (zh)
WO (1) WO2022233121A1 (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112992370B (zh) * 2021-05-06 2021-07-30 四川大学华西医院 一种无监督的基于电子病历的医疗行为合规性评估方法
CN113553399B (zh) * 2021-07-16 2022-05-27 山东建筑大学 基于模糊语言近似概念格的文本搜索方法及***
CN115083616B (zh) * 2022-08-16 2022-11-08 之江实验室 一种基于自监督图聚类的慢性肾病亚型挖掘***
CN115910387A (zh) * 2022-11-08 2023-04-04 北京健康在线技术开发有限公司 基于时间序列的数据处理方法、装置、设备及存储介质
CN116453637B (zh) * 2023-03-20 2023-11-07 杭州市卫生健康事业发展中心 一种基于区域大数据的健康数据治理方法和***

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106202477A (zh) * 2016-07-18 2016-12-07 北京千安哲信息技术有限公司 医疗费用挖掘方法及装置
CN106951719A (zh) * 2017-04-10 2017-07-14 荣科科技股份有限公司 临床诊断模型的构建方法及构建***、临床诊断***
CN110335684A (zh) * 2019-06-14 2019-10-15 电子科技大学 基于主题模型技术的中医智能辨证辅助决策方法
CN111696640A (zh) * 2020-06-12 2020-09-22 上海联影医疗科技有限公司 自动获取病历模板的方法、装置和存储介质
CN111832298A (zh) * 2020-07-14 2020-10-27 北京百度网讯科技有限公司 病历的质检方法、装置、设备以及存储介质
CN112735597A (zh) * 2020-12-31 2021-04-30 荆门汇易佳信息科技有限公司 半监督自学习驱动的医学文本病症辨识方法

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9779407B2 (en) * 2014-08-08 2017-10-03 Brighterion, Inc. Healthcare fraud preemption
US20150046181A1 (en) * 2014-02-14 2015-02-12 Brighterion, Inc. Healthcare fraud protection and management
US11521717B2 (en) * 2014-02-21 2022-12-06 Intelligent Medical Objects, Inc. System and method for generating and updating a user interface to evaluate an electronic medical record
CN104915560A (zh) * 2015-06-11 2015-09-16 万达信息股份有限公司 一种基于广义神经网络聚类的疾病病种诊疗方案预测方法
US10659225B2 (en) * 2017-06-30 2020-05-19 Microsoft Technology Licensing, Llc Encrypting existing live unencrypted data using age-based garbage collection
US10886013B1 (en) * 2017-11-15 2021-01-05 Iodine Software, LLC Systems and methods for detecting documentation drop-offs in clinical documentation
CN109243567B (zh) * 2018-08-14 2021-11-02 山东科技大学 一种基于处方数据挖掘的药物推荐方法
CN111667927A (zh) * 2020-06-05 2020-09-15 山东凯鑫宏业生物科技有限公司 一种ZigBee网络智能医疗***及其采集节点组网方法
CN111916191B (zh) * 2020-07-22 2024-07-02 复旦大学 一种基于医疗行为数据的医疗行为操作合规性评估***
CN112992370B (zh) * 2021-05-06 2021-07-30 四川大学华西医院 一种无监督的基于电子病历的医疗行为合规性评估方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106202477A (zh) * 2016-07-18 2016-12-07 北京千安哲信息技术有限公司 医疗费用挖掘方法及装置
CN106951719A (zh) * 2017-04-10 2017-07-14 荣科科技股份有限公司 临床诊断模型的构建方法及构建***、临床诊断***
CN110335684A (zh) * 2019-06-14 2019-10-15 电子科技大学 基于主题模型技术的中医智能辨证辅助决策方法
CN111696640A (zh) * 2020-06-12 2020-09-22 上海联影医疗科技有限公司 自动获取病历模板的方法、装置和存储介质
CN111832298A (zh) * 2020-07-14 2020-10-27 北京百度网讯科技有限公司 病历的质检方法、装置、设备以及存储介质
CN112735597A (zh) * 2020-12-31 2021-04-30 荆门汇易佳信息科技有限公司 半监督自学习驱动的医学文本病症辨识方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Semi-Supervised Patient Similarity Clustering Algorithm Based on Electronic Medical Records;Jiao Zhang等;《IEEE Access》;20190724;第7卷;第90705-90714页 *
电子病历命名实体识别和实体关系抽取研究综述;杨锦锋 等;《自动化学报》;20140831;第40卷(第8期);第1537-1562页 *

Also Published As

Publication number Publication date
WO2022233121A1 (zh) 2022-11-10
CN112992370A (zh) 2021-06-18

Similar Documents

Publication Publication Date Title
CN112992370B (zh) 一种无监督的基于电子病历的医疗行为合规性评估方法
Shailaja et al. Machine learning in healthcare: A review
Ambekar et al. Disease risk prediction by using convolutional neural network
Kushwaha et al. Machine learning algorithm in healthcare system: A Review
Chen et al. Semi-supervised learning via regularized boosting working on multiple semi-supervised assumptions
Meyfroidt et al. Machine learning techniques to examine large patient databases
CN113688248B (zh) 一种小样本弱标注条件下的医疗事件识别方法及***
Swain et al. Appositeness of optimized and reliable machine learning for healthcare: a survey
Jader et al. Fast and Accurate Artificial Neural Network Model for Diabetes Recogni-tion
CN110890146A (zh) 一种用于智慧病房的床旁智能交互***
Peng et al. BiteNet: bidirectional temporal encoder network to predict medical outcomes
Abdul-Jabbar Data analytics and techniques
Qian et al. Incomplete label distribution feature selection based on neighborhood-tolerance discrimination index
Kumar et al. Disease prediction using machine learning algorithms KNN and CNN
Karmani et al. A review of machine learning for healthcare informatics specifically tuberculosis disease diagnostics
Cheng et al. Combining knowledge extension with convolution neural network for diabetes prediction
Alves et al. Variational autoencoders for medical image retrieval
Hughes et al. Prediction-constrained topic models for antidepressant recommendation
Sumathi et al. Machine learning based pattern detection technique for diabetes mellitus prediction
Batal et al. Temporal Data Mining for Healthcare Data.
Sapna et al. Integration of Fuzzy Clustering Technique with Big Data for Disease Diagnosis
Karmani et al. Taxonomy on Healthcare System Based on Machine Learning
Awari Diseases prediction model using machine learning technique
Vinod et al. Classification of Incomplete Data Handling Techniques- An Overview
Jiyun et al. Patient similarity measuring with graph embedded learning and triplet network

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