CN114722976A - 一种药品推荐***及构建方法 - Google Patents
一种药品推荐***及构建方法 Download PDFInfo
- Publication number
- CN114722976A CN114722976A CN202210644251.8A CN202210644251A CN114722976A CN 114722976 A CN114722976 A CN 114722976A CN 202210644251 A CN202210644251 A CN 202210644251A CN 114722976 A CN114722976 A CN 114722976A
- Authority
- CN
- China
- Prior art keywords
- classification model
- training set
- recommended
- current
- characteristic parameter
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- 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
- G16H70/40—ICT specially adapted for the handling or processing of medical references relating to drugs, e.g. their side effects or intended usage
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Medicinal Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Pharmacology & Pharmacy (AREA)
- Toxicology (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明涉及医药信息处理技术领域,具体涉及一种药品推荐***及构建方法,该构建方法包括:S1、将预先输入的数据进行分类组合,构建特征参数组合,根据预设的特征参数类型,将预先输入的数据分解成特征参数组合,并根据所述特征参数组合构建特征向量,形成训练集;S2、使用所述训练集,对预设的多个初始分类模型进行训练;S3、将训练后的初始分类模型融合成目标分类模型,所述目标分类模型根据输入的待推荐特征参数,输出药品品类。本发明通过将多个初始分类模型融合成一个目标分类模型的方式,能够结合不同初始分类模型的长处,从而实现准确推荐药品品类的目的。
Description
技术领域
本发明涉及医疗辅助技术领域,尤其涉及一种药品推荐***及构建方法。
背景技术
在患者进行增强CT和增强MR检查时,需要通过使用造影对比剂让医生能够更好地判断组织器官的异常变化。但是造影对比剂带来的过敏及外渗情况不仅给患者带来身体和心理的伤害,也为科室增添了很多纠纷。
目前,在造影对比剂的选用上,需要医生考虑多种因素及海量的医学、药学数据,基于当前科技发展,人工智能已广泛应用于辅助医生进行部位识别和病灶的识别,需要一种基于人工智能的药品推荐***为医师选择提供可靠的参考。
发明内容
针对上述技术问题,本发明提供一种药品推荐***及构建方法,通过将多个初始分类模型融合成一个目标分类模型的方式,能够结合不同初始分类模型的长处,从而辅助医生实现准确推荐药品品类的目的。
第一方面,本发明提供一种药品推荐***的构建方法,包括:
S1、将预先输入的数据进行分类组合,构建特征参数组合,根据预设的特征参数类型,将预先输入的数据分解成特征参数组合,并根据所述特征参数组合构建特征向量,形成训练集;
S2、使用所述训练集,对预设的多个初始分类模型进行训练;
S3、将训练后的初始分类模型融合成目标分类模型,所述目标分类模型根据输入的待推荐特征参数,输出药品品类。
可选地,所述步骤S2具体包括:
S21、初始化所述训练集中的每个样本的权值分布,作为当前训练集;
S22、使用当前训练集对当前初始分类模型进行训练;
S23、计算训练后的当前初始分类模型的分类误差率;
S24、根据所述训练后的当前初始分类模型的分类误差率,计算所述当前分类模型在目标分类模型中所占的权重;
S25、根据计算的所述当前分类模型的权重,更新所述当前分类模型对应的当前训练集中样本的权重分布,得到新的训练集;
S26、判断所有的初始分类模型是否都进行训练,是则结束,否则将所述新的训练集作为当前训练集,选择未训练的初始分类模型作为当前初始分类模型,返回步骤S22。
可选地,所述步骤S23中,所述训练后的当前初始分类模型的分类误差率em的计算公式为:
可选地,所述步骤S24中,计算当前分类模型在目标分类模型中所占的权重αm,具体公式为:
可选地,所述步骤S25中,更新所述当前分类模型对应的当前训练集中样本的权重分布,具体公式为:
其中,i=1,2……N,zm是归一化因子,wm+1,i为更新后的训练集中第i个样本的权重。
可选地,所述步骤S3中,将多个初始分类模型融合形成目标分类模型,具体包括:
其中,sign(x)为符号函数,x>0输出1,x<0输出-1,αm表示第m个初始分类模型Gm(x)在目标分类模型中的权重。
可选地,所述方法还包括:
S4、将物品品类加入到所述特征参数类型,形成第二特征参数组合;
S5、根据所述第二特征参数组合,组成第二特征向量;
S6、根据所述第二特征向量,将所述样本集构建成第二样本集;
S7、根据所述第二特征向量构建线性回归模型,并使用梯度下降优化所述模型,得到所述线性回归模型的最优参数;
S8、根据所述最优参数构建优化后的线性回归模型,所述优化后的线性回归模型根据待推荐第二特征参数,输出对应的药品的剂量,其中,所述待推荐第二特征参数为所述输入的待推荐特征参数和所述步骤S3输出的对应的药品品类形成的第二特征参数。
可选地,所述特征参数包括患者年龄、过敏史和***位,所述第二特征参数包括:患者年龄、过敏史、***位和药品品类。
第二方面,本发明还提供一种药品推荐***,使用上述的药品推荐***的构建方法构建而成,所述***包括:
输入模块,用于输入待推荐特征参数;
计算模块,用于根据所述待推荐特征参数,得到对应的药品品类;
输出模块,用于将得到的药品品类输出;
其中,所述计算模块包括目标分类模型,所述目标分类模型由多个初始分类模型通过训练后融合而成,所述目标分类模型根据输入的待推荐特征参数,计算得到对应的药品品类。
可选地,所述***还包括:
待推荐第二特征参数生辰模块,用于根据待推荐的特征参数和计算模块得到的对应的药品品类,生成待推荐第二特征参数;
第二计算模块,用于根据待推荐第二特征参数数,计算对应的药品剂量;
其中,所述第二计算模块包括优化的线性回归模型,所述优化的线性回归模型根据所述待推荐第二特征参数,计算得到对应的药品剂量。
本发明的药品推荐***及构建方法,通过将多个初始分类模型融合成一个目标分类模型的方式,能够结合不同初始分类模型的长处,从而实现准确推荐药品品类的目的,并通过构建线性回归模型,结合输入的特征参数和生成的药品品类,能够对对应的药品剂量进行推荐,从而给出相对准确、客观地药品品类及剂量的推荐,辅助医生实现准确推荐药品品类的目的,提高药品推荐的准确度。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本发明的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
图1为本发明的药品推荐***的构建方法的流程图。
图2为本发明的药品推荐***的结构框图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步详细描述,应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
在后续的描述中,使用用于表示元件的诸如“模块”、“部件”或“单元”的后缀仅为了有利于本发明的说明,其本身没有特定的意义。因此,“模块”、“部件”或“单元”可以混合地使用。
实施例一
本发明实施例提供一种药品推荐***的构建方法,如图1所示,该方法具体包括:
S1、将预先输入的数据进行分类组合,构建特征参数组合,根据预设的特征参数类型,将预先输入的数据分解成特征参数组合,并根据所述特征参数组合构建特征向量,形成训练集。
本实施例中,针对CT、MR检查中使用药物涉及到的患者信息,构成特征参数,本实施例中按照患者年龄、过敏史、***位组合成3个不同特征参数,将不同的特征用数字表示离散变量,最终组合成一组特征向量。在构建过程中,将录入的临床医疗数据作为原始数据,通过对原始数据分解解析,按照特征向量生成数据组,作为训练集。
S2、使用所述训练集,对预设的多个初始分类模型进行训练。
本实施例中,初始分类模型可以使用多个,在一个实施例中,如可以使用LR逻辑回归、SVM、随机森林等分类模型。
S3、将训练后的初始分类模型融合成目标分类模型,所述目标分类模型根据输入的待推荐特征参数,输出药品品类。
本实施例中,使用Adaboost算法对多个初始分类模型进行训练,最终融合形成一个目标分类模型,其核心思想是针对同一个训练集训练不同的初始分类区,然后把这些初始分类模型集合起来,构成一个目标分类模型。此过程的目的是结合不同初始分类模型的长处,达到互补短处的目的,如果初始分类模型有独立且互补的错误,那么融合后的最终输出就可以得到一个更好的模型。
在进一步的实施例中,步骤S2具体包括:
S21、初始化所述训练集中的每个样本的权值分布,作为当前训练集;
具体地,训练集为训练数据集T={(x1,y1), (x2,y2),……(xN,yN)}其中N为训练样本个数,x1…N为特征向量:[患者年龄,过敏史, ***位],y1…N为x1…N特征向量所对应的药品推荐的结果。
S22、使用当前训练集对当前初始分类模型进行训练;
S23、计算训练后的当前初始分类模型的分类误差率,其计算公式为:
其中,wm,i为第m个初始分类模型Gm(x) 对应的训练集中第i个样本的权重,xi为训练集中第i个样本的特征向量,yi为特征向量xi所对应的药品品类结果;
S24、根据所述训练后的当前初始分类模型的分类误差率,计算所述当前分类模型在目标分类模型中所占的权重,具体公式为:
S25、根据计算的所述当前分类模型的权重,更新所述当前分类模型对应的当前训练集中样本的权重分布,得到新的训练集;
具体地,更新所述当前分类模型对应的当前训练集中样本的公式为:
其中,i=1,2,……,N,zm是归一化因子,wm+1,i权重分布,更新后的训练集中第i个样本的权重。
S26、判断所有的初始分类模型是否都进行训练,是则结束,否则将所述新的训练集作为当前训练集,选择未训练的初始分类模型作为当前初始分类模型,返回步骤S22。
上述训练过程中,如果某个样本点已经被准确地分类,那么在构造下一个训练集中,它的权值就被降低;相反,如果某个样本点没有被准确地分类,那么它的权值就得到提高。然后,权值更新过的样本集被用于训练下一个分类器,整个训练过程如此迭代地进行下去。
各个初始分类器的训练过程结束后,加大分类误差率小的初始分类器的权重,使其在最终的分类函数中起着较大的决定作用,而降低分类误差率大的初始分类器的权重,使其在最终的分类函数中起着较小的决定作用。换言之,误差率低的初始分类器在最终分类器中占的权重较大,否则较小。
由此,根据上述对初始分类模型的训练过程,目标分类模型生成使用以下公式:
其中,sign(x)为符号函数,x>0输出1,x<0输出-1,αm表示第m个初始分类模型Gm(x)在目标分类模型中的权重。
通过上述过程得到的目标分类模型,形成了用于对药品品类进行推荐的模型,在使用时,将由患者年龄、过敏史、***位组合成的一组特征向量输入到该目标分类模型中后,输出的即是推荐的对应的药品品类。
实施例二
本实施例在实施例一的基础上,在特征参数中加入药品品类,形成由4个参数组成的第二特征参数组合,从而实现对该要品类的剂量进行推荐。
因此,本实施例的药品推荐***的构建方法,进一步还包括:
S4、将物品品类加入到所述特征参数类型,形成第二特征参数组合;
S5、根据所述第二特征参数组合,组成第二特征向量;
S6、根据所述第二特征向量,将所述样本集构建成第二样本集;
S7、根据所述第二特征向量构建线性回归模型,并使用梯度下降优化所述模型,得到所述线性回归模型的最优参数;
S8、根据所述最优参数构建优化后的线性回归模型,所述优化后的线性回归模型根据待推荐第二特征参数,输出对应的药品的剂量,其中,所述待推荐第二特征参数为所述输入的待推荐特征参数和所述步骤S3输出的对应的药品品类形成的第二特征参数。
本实施例中,由于使用第二训练集为D={(X1, Y1), (X2, Y2), …,(XN, YN),}, Xi为第二特征向量:[患者年龄,过敏史, ***位,药品品类],Yi为Xi所对应的药物剂量的结果。
上述实施例中,具体地,线性回归试图学习到一个线性模型
,以尽可能准确的预测实际输出值,其中w=(w1, w2, …wd) ,w和b是通过训练学习之后得到的最优参数。使用sklearn构建线性回归模型,将第二训练集的数字化特征{患者年龄:n1,过敏史:n2, ***位:n3,药品品类:n4 }->{药品剂量:n}作为网络是输入层,{药品剂量:n}作为输出层,采用梯度下降优化器训练模型,得到拟合度最优的一组参数(w和b)。
通过上述过程得到的线性回归模型,在使用时,将由患者年龄、过敏史、***位、药品品类组合成的一组特征向量输入到该模型中后,输出的即是推荐的对应的药品品类的药品剂量。
实施例三
本实施例中,提高一种使用上述药品推荐***的构建方法构建而成的药品推荐***,如图2所示,该***包括:
输入模块10,用于输入待推荐特征参数;
计算模块20,用于根据所述待推荐特征参数,得到对应的药品品类;
输出模块30,用于将得到的药品品类输出;
其中,所述计算模块包括目标分类模型,所述目标分类模型由多个初始分类模型通过训练后融合而成,所述目标分类模型根据输入的待推荐特征参数,计算得到对应的药品品类。
进一步地,上述***还包括:
待推荐第二特征参数生辰模块,用于根据待推荐的特征参数和计算模块得到的对应的药品品类,生成待推荐第二特征参数;
第二计算模块,用于根据待推荐第二特征参数数,计算对应的药品剂量;
其中,所述第二计算模块包括优化的线性回归模型,所述优化的线性回归模型根据所述待推荐第二特征参数,计算得到对应的药品剂量;
相应地,输出模块30还用于输出对应药品品类的药品剂量。
实施例四
本发明实施例提供一种计算机可读存储介质,所述计算机可读存储介质上存储有推荐药物的的程序,所该推荐药物的程序被处理器执行时,可以实现输入特征参数后,输出对应的药品品类和药品剂量。
实施例二至实施例四在具体实现过程中,可以参阅实施例一,具有相应的技术效果。
可以理解为,本发明是通过一些实施例进行描述的,本领域技术人员在不脱离本发明的精神和范围的情况下,可以对这些特征和实施例进行各种改变或等效替换。另外,在本发明的教导下,可以对这些特征和实施例进行修改以适应具体的情况及材料而不会脱离本发明的精神和范围。因此,本发明不受此处所公开的具体实施例的限制,所有落入本申请的权利要求范围内的实施例都属于本发明的保护范围。
Claims (10)
1.一种药品推荐***的构建方法,其特征在于,所述方法包括:
S1、将预先输入的数据进行分类组合,构建特征参数组合,根据预设的特征参数类型,将预先输入的数据分解成特征参数组合,并根据所述特征参数组合构建特征向量,形成训练集;
S2、使用所述训练集,对预设的多个初始分类模型进行训练;
S3、将训练后的初始分类模型融合成目标分类模型,所述目标分类模型根据输入的待推荐特征参数,输出药品品类。
2.如权利要求1所述的构建方法,其特征在于,所述步骤S2具体包括:
S21、初始化所述训练集中的每个样本的权值分布,作为当前训练集;
S22、使用当前训练集对当前初始分类模型进行训练;
S23、计算训练后的当前初始分类模型的分类误差率;
S24、根据所述训练后的当前初始分类模型的分类误差率,计算所述当前分类模型在目标分类模型中所占的权重;
S25、根据计算的所述当前分类模型的权重,更新所述当前分类模型对应的当前训练集中样本的权重分布,得到新的训练集;
S26、判断所有的初始分类模型是否都进行训练,是则结束,否则将所述新的训练集作为当前训练集,选择未训练的初始分类模型作为当前初始分类模型,返回步骤S22。
7.如权利要求1所述的构建方法,其特征在于,所述方法还包括:
S4、将物品品类加入到所述特征参数类型,形成第二特征参数组合;
S5、根据所述第二特征参数组合,组成第二特征向量;
S6、根据所述第二特征向量,将所述样本集构建成第二样本集;
S7、根据所述第二特征向量构建线性回归模型,并使用梯度下降优化所述模型,得到所述线性回归模型的最优参数;
S8、根据所述最优参数构建优化后的线性回归模型,所述优化后的线性回归模型根据待推荐第二特征参数,输出对应的药品的剂量,其中,所述待推荐第二特征参数为所述输入的待推荐特征参数和所述步骤S3输出的对应的药品品类形成的第二特征参数。
8.如权利要求7所述的构建方法,其特征在于,所述特征参数包括患者年龄、过敏史和***位,所述第二特征参数包括:患者年龄、过敏史、***位和药品品类。
9.一种药品推荐***,其特征在于,使用权利要求1-8所述的药品推荐***的构建方法构建而成,所述***包括:
输入模块,用于输入待推荐特征参数;
计算模块,用于根据所述待推荐特征参数,得到对应的药品品类;
输出模块,用于将得到的药品品类输出;
其中,所述计算模块包括目标分类模型,所述目标分类模型由多个初始分类模型通过训练后融合而成,所述目标分类模型根据输入的待推荐特征参数,计算得到对应的药品品类。
10.根据权利要求9所述的药品推荐***,其特征在于,所述***还包括:
待推荐第二特征参数生辰模块,用于根据待推荐的特征参数和计算模块得到的对应的药品品类,生成待推荐第二特征参数;
第二计算模块,用于根据待推荐第二特征参数数,计算对应的药品剂量;
其中,所述第二计算模块包括优化的线性回归模型,所述优化的线性回归模型根据所述待推荐第二特征参数,计算得到对应的药品剂量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210644251.8A CN114722976A (zh) | 2022-06-09 | 2022-06-09 | 一种药品推荐***及构建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210644251.8A CN114722976A (zh) | 2022-06-09 | 2022-06-09 | 一种药品推荐***及构建方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114722976A true CN114722976A (zh) | 2022-07-08 |
Family
ID=82232979
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210644251.8A Pending CN114722976A (zh) | 2022-06-09 | 2022-06-09 | 一种药品推荐***及构建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114722976A (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106372624A (zh) * | 2016-10-15 | 2017-02-01 | 杭州艾米机器人有限公司 | 人脸识别方法及*** |
CN107092797A (zh) * | 2017-04-26 | 2017-08-25 | 广东亿荣电子商务有限公司 | 一种基于深度学习的药品推荐算法 |
US20180092864A1 (en) * | 2016-09-30 | 2018-04-05 | Zogenix International Limited | Compositions and methods for treating seizure disorders |
CN109478420A (zh) * | 2016-07-18 | 2019-03-15 | 费森尤斯医疗护理德国有限责任公司 | 药物剂量给药推荐 |
CN111191020A (zh) * | 2019-12-27 | 2020-05-22 | 江苏省人民医院(南京医科大学第一附属医院) | 基于机器学习和知识图谱的处方推荐方法和*** |
CN111260448A (zh) * | 2020-02-13 | 2020-06-09 | 平安科技(深圳)有限公司 | 基于人工智能的药品推荐方法及相关设备 |
CN112002426A (zh) * | 2020-09-03 | 2020-11-27 | 杭州甘道智能科技有限公司 | 健康服务分析方法和*** |
CN113270203A (zh) * | 2021-04-20 | 2021-08-17 | 郑州大学第一附属医院 | 药物剂量预测方法、装置、电子设备及存储介质 |
CN114255883A (zh) * | 2021-10-25 | 2022-03-29 | 郑州市中心医院 | 伏立康唑维持剂量预测数学模型及其构建方法和应用 |
-
2022
- 2022-06-09 CN CN202210644251.8A patent/CN114722976A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109478420A (zh) * | 2016-07-18 | 2019-03-15 | 费森尤斯医疗护理德国有限责任公司 | 药物剂量给药推荐 |
US20180092864A1 (en) * | 2016-09-30 | 2018-04-05 | Zogenix International Limited | Compositions and methods for treating seizure disorders |
CN106372624A (zh) * | 2016-10-15 | 2017-02-01 | 杭州艾米机器人有限公司 | 人脸识别方法及*** |
CN107092797A (zh) * | 2017-04-26 | 2017-08-25 | 广东亿荣电子商务有限公司 | 一种基于深度学习的药品推荐算法 |
CN111191020A (zh) * | 2019-12-27 | 2020-05-22 | 江苏省人民医院(南京医科大学第一附属医院) | 基于机器学习和知识图谱的处方推荐方法和*** |
CN111260448A (zh) * | 2020-02-13 | 2020-06-09 | 平安科技(深圳)有限公司 | 基于人工智能的药品推荐方法及相关设备 |
CN112002426A (zh) * | 2020-09-03 | 2020-11-27 | 杭州甘道智能科技有限公司 | 健康服务分析方法和*** |
CN113270203A (zh) * | 2021-04-20 | 2021-08-17 | 郑州大学第一附属医院 | 药物剂量预测方法、装置、电子设备及存储介质 |
CN114255883A (zh) * | 2021-10-25 | 2022-03-29 | 郑州市中心医院 | 伏立康唑维持剂量预测数学模型及其构建方法和应用 |
Non-Patent Citations (2)
Title |
---|
杨杰孚著: "《心房颤动 杨杰孚2019观点》", 30 November 2018, 科学技术文献出版社 * |
马伟明等: "《Python金融数据分析 原书第2版》", 30 April 2021, 机械工业出版社 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Norgeot et al. | Assessment of a deep learning model based on electronic health record data to forecast clinical outcomes in patients with rheumatoid arthritis | |
Avrunin et al. | Possibilities of automated diagnostics of odontogenic sinusitis according to the computer tomography data | |
Miled et al. | Predicting dementia with routine care EMR data | |
US7840511B2 (en) | Learning or inferring medical concepts from medical transcripts using probabilistic models with words or phrases identification | |
Cypko et al. | Validation workflow for a clinical Bayesian network model in multidisciplinary decision making in head and neck oncology treatment | |
Burlina et al. | Utility of deep learning methods for referability classification of age-related macular degeneration | |
Özkaraca et al. | Multiple brain tumor classification with dense CNN architecture using brain MRI images | |
Grundmeier et al. | Identification of long bone fractures in radiology reports using natural language processing to support healthcare quality improvement | |
Batch et al. | Developing a cancer digital twin: supervised metastases detection from consecutive structured radiology reports | |
Gao et al. | Chest X-ray image analysis and classification for COVID-19 pneumonia detection using Deep CNN | |
Iqbal et al. | Reimagining healthcare: unleashing the power of artificial intelligence in medicine | |
Chakraborty et al. | From machine learning to deep learning: An advances of the recent data-driven paradigm shift in medicine and healthcare | |
Tavabi et al. | Building large-scale registries from unstructured clinical notes using a low-resource natural language processing pipeline | |
Abd Ghani et al. | Innovative artificial intelligence approach for hearing-loss symptoms identification model using machine learning techniques | |
Rojek et al. | Traditional artificial neural networks versus deep learning in optimization of material aspects of 3D printing | |
Wang et al. | Endovascular aneurysm repair devices as a use case for postmarketing surveillance of medical devices | |
Morreel et al. | Microsoft Bing outperforms five other generative artificial intelligence ChatBots in the Antwerp University multiple choice medical license exam | |
CN114722976A (zh) | 一种药品推荐***及构建方法 | |
Silva-Aravena et al. | Dynamic surgical waiting list methodology: A networking approach | |
JP2008027093A (ja) | 医療行為支援方法および医療行為支援装置 | |
Ogunyemi et al. | Combining geometric and probabilistic reasoning for computer-based penetrating-trauma assessment | |
CN113066531B (zh) | 风险预测方法、装置、计算机设备及存储介质 | |
de Graaf et al. | A multiclass classification model for tooth removal procedures | |
Weed et al. | Ending Medicine’s Chronic Dysfunction: Tools and Standards for Medical Decision Making | |
Zaki et al. | From tabulated data to knowledge graph: A novel way of improving the performance of the classification models in the healthcare data |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220708 |
|
RJ01 | Rejection of invention patent application after publication |