CN115691735A - 一种基于慢阻肺专科数据的多模态数据管理方法及*** - Google Patents
一种基于慢阻肺专科数据的多模态数据管理方法及*** Download PDFInfo
- Publication number
- CN115691735A CN115691735A CN202211359728.4A CN202211359728A CN115691735A CN 115691735 A CN115691735 A CN 115691735A CN 202211359728 A CN202211359728 A CN 202211359728A CN 115691735 A CN115691735 A CN 115691735A
- Authority
- CN
- China
- Prior art keywords
- data
- obstructive pulmonary
- pulmonary disease
- image
- chronic obstructive
- 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
-
- 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
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本申请提供一种基于慢阻肺专科数据的多模态数据管理方法及***,涉及诊疗数据管理技术领域。该方法包括获取多模态临床数据,并将多模态临床数据进行上传解析;对多模态临床数据进行分类存储,形成临床数据库;获取临床数据库中的数据,并基于慢阻肺疾病特征建立慢阻肺专科数据模型;根据慢阻肺专科数据模型,建立多类型的数据检索模式;根据慢阻肺专科数据模型,进行数据前处理分析,并形成病情发展引导数据。其能够针对关系慢阻肺的专业诊疗数据进行准确细致的分类,以为慢阻肺的临床治疗和研究提供高效高质量的数据服务支撑。
Description
技术领域
本申请涉及诊疗数据管理技术领域,具体而言,涉及一种基于慢阻肺专科数据的多模态数据管理方法及***。
背景技术
慢阻肺也称为慢性阻塞性的肺疾病,是慢性的呼吸***疾病。通过诊断主要依赖于肺功能,肺功能有不可逆的气流受限,临床上常见长期吸烟的患者,此外长期用生物燃料,比如做饭、烧柴等,对呼吸道的慢性刺激可以形成慢阻肺。有效的管理,及早的发现能控制慢阻肺的发展。
由于慢阻肺的治疗过程相对较长,针对病例个体需要建立长期的治疗和观察手段以更好的对病例进行慢阻肺的治疗。目前,由于临床治疗的效果以及病例个体的不同背景情况会导致病例出现在不同医疗机构进行治疗,治疗间断等复杂的诊疗情况,这对于医生在对病例进行诊疗时无法进行整个治疗过程的全面了解,因而也导致治疗效果的不佳。
当下,也有医疗机构建立了基于疾病的临床数据库以为医生提供良好的诊疗指导,但这些临床数据库仅是适用于大部分疾病的通用数据库,并没有针对性的建立基于慢阻肺的专科数据库,这造成不能准确的对关系慢阻肺的专业诊疗数据进行准确细致的分类,以为慢阻肺的临床治疗和研究提供高效高质量的数据服务支撑。
因此,设计一种基于慢阻肺专科数据的多模态数据管理方法及***,能够针对关系慢阻肺的专业诊疗数据进行准确细致的分类,以为慢阻肺的临床治疗和研究提供高效高质量的数据服务支撑,是目前亟待解决的问题。
发明内容
本申请实施例的目的在于提供一种基于慢阻肺专科数据的多模态数据管理方法,通过对关系慢阻肺的所有类型的临床数据进行专业分类,建立基于慢阻肺的专科数据模型,有效的形成了基于慢阻肺的临床数据库,为慢阻肺的临床治疗和研究提供高效高质量的数据服务支撑。同时,针对慢阻肺专科数据模型建立专业的数据检索模式,方便医护人员进行高效的数据处理和获取,大大提高医护人员对慢阻肺临床数据的使用效率和质量。另外,通过慢阻肺专科数据模型的前处理分析形成病情发展引导数据有助于医护人员进行病人病情的判断,引导医护人员进行准确的问诊,达到更好的诊疗效果。
本申请实施例的目的还在于提供一种基于慢阻肺专科数据的多模态数据管理***,该***通过数据终端进行唯一的慢阻肺临床数据上传和检索,保证临床数据的闭环性,同时有利于集中对慢阻肺临床数据进行处理,优化慢阻肺临床数据的管理。服务器提供慢阻肺临床数据的解析存储功能,为应用庞大的慢阻肺临床数据提供物质基础。
第一方面,本申请实施例提供一种基于慢阻肺专科数据的多模态数据管理方法,包括获取多模态临床数据,并将多模态临床数据进行上传解析;对多模态临床数据进行分类存储,形成临床数据库;获取临床数据库中的数据,并基于慢阻肺疾病特征建立慢阻肺专科数据模型;根据慢阻肺专科数据模型,建立多类型的数据检索模式;根据慢阻肺专科数据模型,进行数据前处理分析,并形成病情发展引导数据。
在本申请实施例中,该方法通过对关系慢阻肺的所有类型的临床数据进行专业分类,建立基于慢阻肺的专科数据模型,有效的形成了基于慢阻肺的临床数据库,为慢阻肺的临床治疗和研究提供高效高质量的数据服务支撑。同时,针对慢阻肺专科数据模型建立专业的数据检索模式,方便医护人员进行高效的数据处理和获取,大大提高医护人员对慢阻肺临床数据的使用效率和质量。另外,通过慢阻肺专科数据模型的前处理分析形成病情发展引导数据有助于医护人员进行病人病情的判断,引导医护人员进行准确的问诊,达到更好的诊疗效果。
作为一种可能的实现方式,获取多模态临床数据,并将多模态临床数据进行上传解析,包括:获取多模态临床数据,对多模态临床数据进行数据类型分析,形成病历文本数据、影像数据、病理数据以及基因数据;获取病历文本数据,对病历文本数据进行文本解析并记入文本目录;获取影像数据,对影像数据进行影像图像解析并记入影像目录;获取病理数据,对病理数据进行病理图像解析并记入病理目录;获取基因数据,对基因数据进行文本解析并记入基因目录。
在本申请实施例中,多模态的临床数据主要包括了病例文本数据、影像数据、病理数据和基因数据。但由于不同的医疗机构或者说医疗机构所使用的设备和管理模式不同,产生的这些多模态临床数据的形成也是多样的。例如病历文本可能是可编辑的文本形式,也可能是压缩包的形式;影像数据可能是dicom、zip、jpg等格式的形式;病理数据也可能是dicom、zip、jpg等格式的形式;基因数据可能是zip、json、pdf等格式的形式。因此,为了保证上传后的多模态临床数据能够被正常的使用,也为了方便进行数据的统一化管理,在上传时需要针对多模态数据的形成进行解析形成统一的数据类型后才录入,方便后续进行分类整理以及统一归纳。
作为一种可能的实现方式,获取影像数据,对影像数据进行影像图像解析并记入影像目录,包括:获取影像标签,并对影像图像进行图像预处理后将影像图像进行缩略处理,形成影像缩略图;建立影像标签和影像缩略图的对应关系,并将影像标签和影像缩略图上传;将影像标签依次进行患者标签表、检查标签表、系列标签表以及图像标签表的写入记录。
在本申请实施例中,可以理解,每种多模态数据在分类后进行解析,其解析的过程也会因为数据类型的不同而不同。本实施例提供各个类型多模态数据的解析方式。像简单的病历文本数据,因为其属于文本数据,并不需要特别的解析处理,可以统一格式后直接进行录入。而对于影像数据,由于其是图像的形式,需要进行文本识别和图像的处理。因此,对影像数据进行解析时,在图像处理的基础上对图像进行统一的缩略图处理,并设置与其对应的标签,这样即使是将标签与图像分开进行存储,也能通过标签与图像的关系迅速对应上。同时标签可作为文本的方式进行患者信息、检查信息、系列分类信息以及图像统计标签表的写入记录,方便进行对影像数据的查询。
作为一种可能的实现方式,获取病理数据,对病理数据进行病理图像解析并记入病理目录,包括:获取病理标签,并对病理图像进行图像预处理后将病理图像进行缩略处理,形成病理缩略图;建立病理标签与病理缩略图的对应关系,并将病理缩略图和病理标签上传;将病理标签依次进行患者标签表、检查标签表、系列标签表以及图像标签表的写入记录。
在本申请实施例中,同样地,对于病理数据的解析也是特别的,由于病理数据主要也是图像的形式存在,因此需要对图像进行处理。如影像数据的解析一样。病理数据在进行解析时,在图像处理的基础上对图像进行统一的缩略图处理,并设置与其对应的标签。标签作为文本的方式进行患者信息、检查信息、系列分类信息以及图像统计标签表的写入记录,方便进行对影像数据的查询。另外,需要说明的是基因数据由于其类型多样,可以根据实际需要进行解析处理,总体上也是分为文本形式的数据处理方式和图像形式的数据处理方式。
作为一种可能的实现方式,对多模态临床数据进行分类存储,形成临床数据库,包括:建立临床数据库的类别模块;将记入的病历文本数据、影像数据、病理数据以及基因数据根据类别模块进行分类整理。
在本申请实施例中,多模态的临床数据进行统一化的上传解析后,为数据库的形成提供了数据基础。在此基础上需要进行各种数据类型的划分,以为后续进行专科数据模型的建立提供数据参考。本实施例中,考虑所处理的数据为医学临床数据,为了方便医护人员对临床数据进行查询和提取,对多模态的临床数据的划分也可以结合临床医学的专业来进行,这样可以方便专业人员使用。
作为一种可能的实现方式,类别模块包括但不限于:基础表模块、操作表模块、临床表模块、药物表模块、实验室模块、影像检测报告模块、检查影像模块以及病案首页模块。
在本申请实施例中,可以理解的是,本实施例提供的类别模块主要包括基础表模块、操作表模块、临床表模块、药物表模块、实验室模块、影像检测报告模块、检查影像模块以及病案首页模块。具体说来,对于基础表模块,主要记入的是患者的基础身份信息和基本的诊疗信息,包括但不限于姓名、身份证、医保***、就诊医院信息、居住地、联系方式、职业等。对于操作表模块则主要记入在院时的治疗信息,包括但不限于手术登记号、医嘱信息、治疗时间信息、检查信息等。对于临床表模块主要记入临床数据,包括但不限于病程信息、病史、主诉、临床表现信息、医生信息等。药物表模块主要记入治疗药物的数据,包括但不限于药物医嘱信息、处方信息、药品信息、用药信息等。对于实验室模块主要记入检验数据,包括但不限于检验信息、检验医嘱信息、检验报告、采样信息等。对于影像检测包括模块主要记入与影像检测相关的数据,包括但不限于影像数据信息、检测方法、诊断信息、医生信息等。对于检查影像模块主要记入检查数据,包括但不限于检查报告号、检查文件信息、图像信息等。对于病案首页模块则主要是记入方便进行数据查询和首要显示的数据,包括但不限于就诊医院信息、患者基础信息、出入院信息、诊断治疗信息、住院信息、手术信息等。可以理解,基于专业分类的需要,有些数据会被多次的分类,这样有利于为后续进行多维度的检索提供数据支持。
作为一种可能的实现方式,获取临床数据库中的数据,并基于慢阻肺疾病特征建立慢阻肺专科数据模型,包括:获取临床数据库中的数据,建立入院记录与首次护理记录数据表;获取临床数据库中的数据,建立检查数据表;获取临床数据库中的数据,建立检验数据表;获取临床数据库中的数据,建立诊断记录数据表;获取临床数据库中的数据,建立慢阻肺检查项目数据表。
在本申请实施例中,有别于其他疾病,慢阻肺所关注的诊疗指标和其他疾病不同,因而仅仅基于通用化的数据库分类并不利于医护人员对慢阻肺数据的提取和利用。因此,在对慢阻肺的诊疗充分分析的基础上,对数据库中的数据基于慢阻肺专科的形式进行分类建立专科模型,能够更好的为医护人员提供针对慢阻肺诊疗的高效高质量数据。本实施例通过建立针对慢阻肺的不同数据表来实现针对慢阻肺的专科数据模型。具体地,入院记录与首次护理记录数据表主要包括了慢阻肺病人的基础信息、出入院信息、就诊信息、患者量表评估信息、症状信息、诊断信息、检查信息以及治疗信息。而对于检查数据表,则主要是对检查的类型、编号、检查项目信息、检查结果、检查时间等进行分类记录。对于检验数据表则是对报告号、报告时间、样本类型、检验项信息等进行分类记录。对于诊断记录数据表主要是诊断编码、诊断类型、诊断分类、诊断时间等进行分类记录。对于慢阻肺还有特别的检查需求,则划归到慢阻肺检查项数据表中,包括但不限于静脉血细胞分析、尿常规、粪便分析、肝功八项等项目。针对慢阻肺进行专业化的数据模型划分,能够有效的对慢阻肺的诊疗信息进行准确有效的处理和管理,为医护人员有针对性的进行治疗和临床数据的获取及研究提供了高效高质量的数据服务模式。
作为一种可能的实现方式,根据慢阻肺专科数据模型,建立多类型的数据检索模式,包括:根据慢阻肺专科数据模型的文本数据,建立基于文本内容的全文检索模式;根据慢阻肺专科数据模型的参量数据,建立基于符号和参量的一般检索模式;根据慢阻肺专科数据模型的语义数据,建立基于专业使用习惯的自定义检索模式。
在本申请实施例中,建立好专科数据模型后,对于后期进行针对性的数据使用提供了巨大的帮助。当然,如何快速的进行数据的提取和处理,则是将专业数据回馈给医护人员的重要内容。本实施例通过建立多种类型的数据检索模式来方便医护人员进行数据的获取和处理,极大的方便了对专科数据的管理和使用。具体地,检索模式主要包括三种:全文检索模式,该模式主要针对文本数据进行检索,通过字段、ID等方式可以实现准确的检索处理。一般检索模式根据参量的类型主要分为两类,一类是基本信息和***回顾以及既往史一类,可通过简单的符号,诸如=,>,>=,<,<=等,进行快速的检索;另一类则是患者临床特征和免疫组一类的数据,可通过in、nin等参量进行快速查询。本实施例还提供自定义检索模式,主要是针对医护人员的使用习惯,采用纳排条件进行检索。
作为一种可能的实现方式,还包括:对全文检索模式、一般检索模式以及自定义检索模式中检索的内容进行保存,形成历史检索记录数据表;建立收藏记录表,对选定的历史检索记录进行收藏保存。
在本申请实施例中,当然,为了方便进行历史检索信息的查询,设置历史检索记录数据表和收藏记录表可以快速的对历史检索记录进行查询。
第二方面,本申请实施例提供一种基于慢阻肺专科数据的多模态数据管理***,采用第一方面所说的基于慢阻肺专科数据的多模态数据管理方法,包括数据终端,用于接入服务器,进行多模态临床数据的上传,并根据需要对慢阻肺专科数据模型的数据进行检索;服务器,完成对上传的多模态临床数据的分类、解析和存储。
在本申请实施例中,该***通过数据终端进行唯一的慢阻肺临床数据上传和检索,保证临床数据的闭环性,同时有利于集中对慢阻肺临床数据进行处理,优化慢阻肺临床数据的管理。服务器提供慢阻肺临床数据的解析存储功能,为应用庞大的慢阻肺临床数据提供物质基础。
本实施例提供的一种慢阻肺专科数据的多模态数据管理方法及***的有益效果有:
基于慢阻肺专科数据的多模态数据管理方法通过对关系慢阻肺的所有类型的临床数据进行专业分类,建立基于慢阻肺的专科数据模型,有效的形成了基于慢阻肺的临床数据库,为慢阻肺的临床治疗和研究提供高效高质量的数据服务支撑。同时,针对慢阻肺专科数据模型建立专业的数据检索模式,方便医护人员进行高效的数据处理和获取,大大提高医护人员对慢阻肺临床数据的使用效率和质量。另外,通过慢阻肺专科数据模型的前处理分析形成病情发展引导数据有助于医护人员进行病人病情的判断,引导医护人员进行准确的问诊,达到更好的诊疗效果。
基于慢阻肺专科数据的多模态数据管理***通过数据终端进行唯一的慢阻肺临床数据上传和检索,保证临床数据的闭环性,同时有利于集中对慢阻肺临床数据进行处理,优化慢阻肺临床数据的管理。服务器提供慢阻肺临床数据的解析存储功能,为应用庞大的慢阻肺临床数据提供物质基础。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本申请实施例提供的基于慢阻肺专科数据的多模态数据管理方法的步骤图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行描述。
慢阻肺也称为慢性阻塞性的肺疾病,是慢性的呼吸***疾病。通过诊断主要依赖于肺功能,肺功能有不可逆的气流受限,临床上常见长期吸烟的患者,此外长期用生物燃料,比如做饭、烧柴等,对呼吸道的慢性刺激可以形成慢阻肺。有效的管理,及早的发现能控制慢阻肺的发展。
由于慢阻肺的治疗过程相对较长,针对病例个体需要建立长期的治疗和观察手段以更好的对病例进行慢阻肺的治疗。目前,由于临床治疗的效果以及病例个体的不同背景情况会导致病例出现在不同医疗机构进行治疗,治疗间断等复杂的诊疗情况,这对于医生在对病例进行诊疗时无法进行整个治疗过程的全面了解,因而也导致治疗效果的不佳。
当下,也有医疗机构建立了基于疾病的临床数据库以为医生提供良好的诊疗指导,但这些临床数据库仅是适用于大部分疾病的通用数据库,并没有针对性的建立基于慢阻肺的专科数据库,这造成不能准确的对关系慢阻肺的专业诊疗数据进行准确细致的分类,以为慢阻肺的临床治疗和研究提供高效高质量的数据服务支撑。
参考图1,本申请实施例提供一种基于慢阻肺专科数据的多模态数据管理方法。该方法通过对关系慢阻肺的所有类型的临床数据进行专业分类,建立基于慢阻肺的专科数据模型,有效的形成了基于慢阻肺的临床数据库,为慢阻肺的临床治疗和研究提供高效高质量的数据服务支撑。同时,针对慢阻肺专科数据模型建立专业的数据检索模式,方便医护人员进行高效的数据处理和获取,大大提高医护人员对慢阻肺临床数据的使用效率和质量。另外,通过慢阻肺专科数据模型的前处理分析形成病情发展引导数据有助于医护人员进行病人病情的判断,引导医护人员进行准确的问诊,达到更好的诊疗效果。
基于慢阻肺专科数据的多模态数据管理方法包括以下主要步骤:
S1:获取多模态临床数据,并将多模态临床数据进行上传解析。
该步包括获取多模态临床数据,对多模态临床数据进行数据类型分析,形成病历文本数据、影像数据、病理数据以及基因数据;获取病历文本数据,对病历文本数据进行文本解析并记入文本目录;获取影像数据,对影像数据进行影像图像解析并记入影像目录;获取病理数据,对病理数据进行病理图像解析并记入病理目录;获取基因数据,对基因数据进行文本解析并记入基因目录。
多模态的临床数据主要包括了病例文本数据、影像数据、病理数据和基因数据。但由于不同的医疗机构或者说医疗机构所使用的设备和管理模式不同,产生的这些多模态临床数据的形成也是多样的。例如病历文本可能是可编辑的文本形式,也可能是压缩包的形式;影像数据可能是dicom、zip、jpg等格式的形式;病理数据也可能是dicom、zip、jpg等格式的形式;基因数据可能是zip、json、pdf等格式的形式。因此,为了保证上传后的多模态临床数据能够被正常的使用,也为了方便进行数据的统一化管理,在上传时需要针对多模态数据的形成进行解析形成统一的数据类型后才录入,方便后续进行分类整理以及统一归纳。
详细地,获取影像数据,对影像数据进行影像图像解析并记入影像目录,包括:获取影像标签,并对影像图像进行图像预处理后将影像图像进行缩略处理,形成影像缩略图;建立影像标签和影像缩略图的对应关系,并将影像标签和影像缩略图上传;将影像标签依次进行患者标签表、检查标签表、系列标签表以及图像标签表的写入记录。
可以理解,每种多模态数据在分类后进行解析,其解析的过程也会因为数据类型的不同而不同。本实施例提供各个类型多模态数据的解析方式。像简单的病历文本数据,因为其属于文本数据,并不需要特别的解析处理,可以统一格式后直接进行录入。而对于影像数据,由于其是图像的形式,需要进行文本识别和图像的处理。因此,对影像数据进行解析时,在图像处理的基础上对图像进行统一的缩略图处理,并设置与其对应的标签,这样即使是将标签与图像分开进行存储,也能通过标签与图像的关系迅速对应上。同时标签可作为文本的方式进行患者信息、检查信息、系列分类信息以及图像统计标签表的写入记录,方便进行对影像数据的查询。
同样,获取病理数据,对病理数据进行病理图像解析并记入病理目录,包括:获取病理标签,并对病理图像进行图像预处理后将病理图像进行缩略处理,形成病理缩略图;建立病理标签与病理缩略图的对应关系,并将病理缩略图和病理标签上传;将病理标签依次进行患者标签表、检查标签表、系列标签表以及图像标签表的写入记录。
对于病理数据的解析也是特别的,由于病理数据主要也是图像的形式存在,因此需要对图像进行处理。如影像数据的解析一样。病理数据在进行解析时,在图像处理的基础上对图像进行统一的缩略图处理,并设置与其对应的标签。标签作为文本的方式进行患者信息、检查信息、系列分类信息以及图像统计标签表的写入记录,方便进行对影像数据的查询。另外,需要说明的是基因数据由于其类型多样,可以根据实际需要进行解析处理,总体上也是分为文本形式的数据处理方式和图像形式的数据处理方式。
S2:对多模态临床数据进行分类存储,形成临床数据库。
该步骤主要包括:建立临床数据库的类别模块;将记入的病历文本数据、影像数据、病理数据以及基因数据根据类别模块进行分类整理。多模态的临床数据进行统一化的上传解析后,为数据库的形成提供了数据基础。在此基础上需要进行各种数据类型的划分,以为后续进行专科数据模型的建立提供数据参考。本实施例中,考虑所处理的数据为医学临床数据,为了方便医护人员对临床数据进行查询和提取,对多模态的临床数据的划分也可以结合临床医学的专业来进行,这样可以方便专业人员使用。
需要说明的是,类别模块包括但不限于:基础表模块、操作表模块、临床表模块、药物表模块、实验室模块、影像检测报告模块、检查影像模块以及病案首页模块。
本实施例提供的类别模块主要包括基础表模块、操作表模块、临床表模块、药物表模块、实验室模块、影像检测报告模块、检查影像模块以及病案首页模块。具体说来,对于基础表模块,主要记入的是患者的基础身份信息和基本的诊疗信息,包括但不限于姓名、身份证、医保***、就诊医院信息、居住地、联系方式、职业等。对于操作表模块则主要记入在院时的治疗信息,包括但不限于手术登记号、医嘱信息、治疗时间信息、检查信息等。对于临床表模块主要记入临床数据,包括但不限于病程信息、病史、主诉、临床表现信息、医生信息等。药物表模块主要记入治疗药物的数据,包括但不限于药物医嘱信息、处方信息、药品信息、用药信息等。对于实验室模块主要记入检验数据,包括但不限于检验信息、检验医嘱信息、检验报告、采样信息等。对于影像检测包括模块主要记入与影像检测相关的数据,包括但不限于影像数据信息、检测方法、诊断信息、医生信息等。对于检查影像模块主要记入检查数据,包括但不限于检查报告号、检查文件信息、图像信息等。对于病案首页模块则主要是记入方便进行数据查询和首要显示的数据,包括但不限于就诊医院信息、患者基础信息、出入院信息、诊断治疗信息、住院信息、手术信息等。可以理解,基于专业分类的需要,有些数据会被多次的分类,这样有利于为后续进行多维度的检索提供数据支持。
S3:获取临床数据库中的数据,并基于慢阻肺疾病特征建立慢阻肺专科数据模型。
该步骤包括:获取临床数据库中的数据,建立入院记录与首次护理记录数据表;获取临床数据库中的数据,建立检查数据表;获取临床数据库中的数据,建立检验数据表;获取临床数据库中的数据,建立诊断记录数据表;获取临床数据库中的数据,建立慢阻肺检查项目数据表。
有别于其他疾病,慢阻肺所关注的诊疗指标和其他疾病不同,因而仅仅基于通用化的数据库分类并不利于医护人员对慢阻肺数据的提取和利用。因此,在对慢阻肺的诊疗充分分析的基础上,对数据库中的数据基于慢阻肺专科的形式进行分类建立专科模型,能够更好的为医护人员提供针对慢阻肺诊疗的高效高质量数据。本实施例通过建立针对慢阻肺的不同数据表来实现针对慢阻肺的专科数据模型。具体地,入院记录与首次护理记录数据表主要包括了慢阻肺病人的基础信息、出入院信息、就诊信息、患者量表评估信息、症状信息、诊断信息、检查信息以及治疗信息。而对于检查数据表,则主要是对检查的类型、编号、检查项目信息、检查结果、检查时间等进行分类记录。对于检验数据表则是对报告号、报告时间、样本类型、检验项信息等进行分类记录。对于诊断记录数据表主要是诊断编码、诊断类型、诊断分类、诊断时间等进行分类记录。对于慢阻肺还有特别的检查需求,则划归到慢阻肺检查项数据表中,包括但不限于静脉血细胞分析、尿常规、粪便分析、肝功八项等项目。针对慢阻肺进行专业化的数据模型划分,能够有效的对慢阻肺的诊疗信息进行准确有效的处理和管理,为医护人员有针对性的进行治疗和临床数据的获取及研究提供了高效高质量的数据服务模式。
S4:根据慢阻肺专科数据模型,建立多类型的数据检索模式。
根据慢阻肺专科数据模型,建立多类型的数据检索模式,包括:根据慢阻肺专科数据模型的文本数据,建立基于文本内容的全文检索模式;根据慢阻肺专科数据模型的参量数据,建立基于符号和参量的一般检索模式;根据慢阻肺专科数据模型的语义数据,建立基于专业使用习惯的自定义检索模式。
建立好专科数据模型后,对于后期进行针对性的数据使用提供了巨大的帮助。当然,如何快速的进行数据的提取和处理,则是将专业数据回馈给医护人员的重要内容。本实施例通过建立多种类型的数据检索模式来方便医护人员进行数据的获取和处理,极大的方便了对专科数据的管理和使用。具体地,检索模式主要包括三种:全文检索模式,该模式主要针对文本数据进行检索,通过字段、ID等方式可以实现准确的检索处理。一般检索模式根据参量的类型主要分为两类,一类是基本信息和***回顾以及既往史一类,可通过简单的符号,诸如=,>,>=,<,<=等,进行快速的检索;另一类则是患者临床特征和免疫组一类的数据,可通过in、nin等参量进行快速查询。本实施例还提供自定义检索模式,主要是针对医护人员的使用习惯,采用纳排条件进行检索。
另外,还包括:对全文检索模式、一般检索模式以及自定义检索模式中检索的内容进行保存,形成历史检索记录数据表;建立收藏记录表,对选定的历史检索记录进行收藏保存。为了方便进行历史检索信息的查询,设置历史检索记录数据表和收藏记录表可以快速的对历史检索记录进行查询
本申请实施例还提供一种基于慢阻肺专科数据的多模态数据管理***。该***采用本申请实施例所述的基于慢阻肺专科数据的多模态数据管理方法。其包括数据终端,用于接入服务器,进行多模态临床数据的上传,并根据需要对慢阻肺专科数据模型的数据进行检索;服务器,完成对上传的多模态临床数据的分类、解析和存储。
该***通过数据终端进行唯一的慢阻肺临床数据上传和检索,保证临床数据的闭环性,同时有利于集中对慢阻肺临床数据进行处理,优化慢阻肺临床数据的管理。服务器提供慢阻肺临床数据的解析存储功能,为应用庞大的慢阻肺临床数据提供物质基础。
需要说明的是,检索功能主要的作用在于一方面方便病人就医时能为医护人员及时的提供关于慢阻肺的专科数据,让医护人员能够对病人的病情状况和诊疗情况有一个全面清楚的了解,从而针对性的进行后续的治疗,另一方面则是方便临床上进行慢阻肺专科数据的整理和研究,快速高效的提供慢阻肺的专科数据。因此,可以理解,医护人员在通过终端进行检索时,通常所获取的数据都是有联系性质的,比如某个病人的慢阻肺诊疗数据、慢阻肺病人在某项检查或药物使用上的情况等。由此,可以根据慢阻肺专科数据获取时的特点,在对诸如病人、检查号、诊断结果号这样的唯一识别号进行编制时,可以设定由大类到小类的编号。在检索时考虑数据检索所需要的内容进行对编号进行截取式的间断检索,这样能够大大节约检索的时间。
这里提供一种间断检索的具体实施方式:
如在提供检查号这样的唯一识别码U时,依次设定检查项目编号U1、检查时间编号U2、做检查的实验室编号U3、检查的医生编号U4、受检者的身份编号U5。这样,检查号即使将上述的编号依次进行排列所形成(U1,U2,U3,U4,U5)。这样当医护人员需要进行某一属性相同的检查内容查询时,可以利用设定的间断检索式,例如S=U(X);其中,S为所要查询的检查号中的部分编号,X可以是一段或多段编号。当检索一段编号时,表示为S=U(4),表示检索A医生所做的所有该项检查;当检索多段编号时,表示为S=U(3,4),表示检索A医生在B实验室所做的所有检查。
依次类推,对于其他可建立唯一识别码的专科数据,可以根据实际情况进行识别码编号,并设立间断检查功能,为快速的进行数据检索和参考提供服务,同时,由于可以避免直接识别码整体进行遍历式的检索,能够大大缩减检索的时间,节约资源,使慢阻肺专科数据的管理更加高效。
S5:根据慢阻肺专科数据模型,进行数据前处理分析,并形成病情发展引导数据。
本步骤是在建立慢阻肺专科数据模型的基础上对数据模型进行基于疾病发展的前分析,旨在获取慢阻肺病情发展的指示性指标数据,并能根据这些指示性指标数据实现对慢阻肺病人病情发展的判断,为慢阻肺病人的治疗提供引导。
本步骤主要包括以下内容:
根据慢阻肺检查项目数据表和诊断记录数据表,将慢阻肺检查项目划分为主要检查项和辅助检查项;根据主要检查项的指标进行慢阻肺病情阶段的划分,并建立每个病情阶段的匹配数据模型;根据辅助检查项,并结合入院记录与首次护理记录数据表,建立不同辅助检查项参数下的对应治疗手段列表;获取的主要检查项结果数据,根据匹配数据模型进行慢阻肺病情阶段的匹配,确定慢阻肺病情阶段;获取辅助检查项结果数据,并结合治疗手段列表确定治疗手段。
慢阻肺的检查项所包含的类别多样,且根据不同病人的病情情况需要进行针对的检查项确认。因此,为了能够更好的进行诊疗的引导,降低医护人员对重复病情的反复诊断,基于慢阻肺专科数据模型建立慢阻肺病情分析和预分析能够大大降低医护人员的工作负担,同时在进行数据的前处理分析过程中形成的分析数据也有利于临床治疗的研究。
主要检查项可以根据需要或者临床经验来设立,主要检查项通常可以包含但不限于慢阻肺病人经常进行的检查项、对进行慢阻肺病情判断具有显著参考性的检查项。这样,能够根据这些主要检查项快速的判断出慢阻肺病情发展到了什么程度。因此,可以根据这些主要检查项可以进行慢阻肺病情阶段的划分。进行划分之后,便能够引导医护人员根据不同的病情阶段进行针对性的诊断治疗。本实施例中不同的病情阶段之间的区别主要的体现是主要检查项指标整体上处于不同的指数水平,进而对应的治疗手段或者治疗的方式会有较大的不同。比如在初期阶段,各项主要检查指标可能相对正常的指数水平偏量不大,对应的治疗手段也比较保守,诸如简单的调节性药物搭配适量的锻炼和运动;在后期阶段,各项主要检查指标可能相对正常的指数水平偏量异常的高,对应的治疗手段可能会是手术、住院化疗等。划分好慢阻肺病情的各个阶段后,可以根据各个阶段主要检查项的指标参数建立匹配各个阶段的参考指数,进而形成匹配数据模型。同时根据辅助检查项和入院记录与首次护理记录数据表给出各个阶段下的一些治疗手段,为医护人员提供诊疗的引导。这样,每次有病人进行问诊时,可以首先根据病人的检查项数据,结合匹配数据模型和治疗手段列表为医护人员提供可参考的诊疗数据。
需要说明的是,在形成匹配数据模型后,需要根据病人当前主要检查项的检查结果进行慢阻肺病情阶段的确定,即是将病人的主要检查项数据根据匹配数据模型进行匹配。本实施例提供一种数据匹配方式:
设定慢阻肺的病情阶段划分为A1、A2、A3三个阶段,且这三个阶段依次是慢阻肺病情发展顺序的三个阶段。确定的主要检查项有C1、C2、C3,且各项主要检查项的指标在三个阶段的参考范围分别为:
A1阶段:{(C10:C11;M11),(C20:C21;M21),(C30:C31;M31)};
A2阶段:{(C11:C12;M12),(C21:C22;M22),(C31:C32;M32)};
A3阶段:{(C12:C13;M13),(C22:C23;M23),(C32:C33;M33)};
其中,C1k,C2k,C3k分别为三种主要检查项的指数参数根据不同的病情阶段所划分的分界值,k可取1,2,3;M1n,M2n,M3n分别为三种主要检查项在不同病情阶段的指数参数平均值,n可取1,2,3。获取到问诊病人的主要检查项数据分别为C1x,C2x,C3x。
可以理解的是,通常情况下,三个主要检查项的指数参数具有一定的关联性,比如关于肺功能的检查项数据会和血氧检查的指标之间有紧密的联系。因此三个主要检查项的指数参数可以建立相关性的判断公式:
Q1=L11(C1x-M11)+L12(C2x-M21)+L13((C3x-M31))∈{0,T1};
Q2=L21(C1x-M12)+L22(C2x-M22)+L23((C3x-M32))∈{T1,T2};
Q3=L31(C1x-M13)+L32(C2x-M23)+L33((C3x-M33))∈{T2,T3};
其中,L1z,L2z,L3z分别为每个病情阶段三个主要检查项的相关因子,相关因子可以通过对主要检查项的大数据分析获得,z可取1,2,3。Q1,Q2,Q3分别为不同的病情阶段所要计算的相关性参数;Ty为每个病情阶段所涉及的主要检查项在进行相关性分析计算时所确定的阶段划分的相关性判断参数,y可取1,2,3;可以理解,Ty始终不大于1。
将病人的主要检查项数据按照病情发展的顺序依次进行Q1,Q2,Q3的计算,第一次出现满足相关性判断公式的时候即判断该病人的病情处于满足判断公式所在的阶段。例如,当进行Q1计算时,发现不满足Q1∈{0,T1},而继续进行发现Q2∈{T1,T2},那么可以确定病人处于A2阶段。
需要说明的是,基于相关性分析所确定的慢阻肺病情阶段符合大部分慢阻肺病人的病情情况,但由于存在个体差异,有些病人的主要检查项上某些检查项会异常的偏高,这个时候不能简单的根据相关性进行病情阶段的判断,需要医护人员根据临床经验进行判断。因此,在进行相关性分析后还需要进行单个主要检查项的指数校验。即判断每个主要检查项的指数是否处于该病情阶段下所定义的两个上下限值之间。若主要检查项的指数参数并不处于上下两个限值之间,则需要提醒医护人员对该主要检查项进行特别的关注,并暂定病人的病情处于相关性计算判定的病情阶段。另外,对于在进行到Q3的相关性判断是,发现Q3大于1,则可以直接判定病人的主要检查项指数存在异常偏离的情况,同样需要提醒医护人员特别注意,此时,可以暂定病人的病情处于A3阶段。
综上所述,本申请实施例提供的慢阻肺专科数据的多模态数据管理方法及***的有益效果有:
基于慢阻肺专科数据的多模态数据管理方法通过对关系慢阻肺的所有类型的临床数据进行专业分类,建立基于慢阻肺的专科数据模型,有效的形成了基于慢阻肺的临床数据库,为慢阻肺的临床治疗和研究提供高效高质量的数据服务支撑。同时,针对慢阻肺专科数据模型建立专业的数据检索模式,方便医护人员进行高效的数据处理和获取,大大提高医护人员对慢阻肺临床数据的使用效率和质量。
基于慢阻肺专科数据的多模态数据管理***通过数据终端进行唯一的慢阻肺临床数据上传和检索,保证临床数据的闭环性,同时有利于集中对慢阻肺临床数据进行处理,优化慢阻肺临床数据的管理。服务器提供慢阻肺临床数据的解析存储功能,为应用庞大的慢阻肺临床数据提供物质基础。
本申请中,“至少一个”是指一个或者多个,“多个”是指两个或两个以上。“以下至少一项(个)”或其类似表达,是指的这些项中的任意组合,包括单项(个)或复数项(个)的任意组合。例如,a,b,或c中的至少一项(个),可以表示:a,b,c,a-b,a-c,b-c,或a-b-c,其中a,b,c可以是单个,也可以是多个。
应理解,在本申请的各种实施例中,上述各过程的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的***、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的***、装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(read-only memory,ROM)、随机存取存储器(random access memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
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。
以上实施例仅表达了本发明的几种实施方式,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,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种基于慢阻肺专科数据的多模态数据管理方法,其特征在于,包括:
获取多模态临床数据,并将所述多模态临床数据进行上传解析;
对所述多模态临床数据进行分类存储,形成临床数据库;
获取所述临床数据库中的数据,并基于慢阻肺疾病特征建立慢阻肺专科数据模型;
根据所述慢阻肺专科数据模型,建立多类型的数据检索模式;
根据所述慢阻肺专科数据模型,进行数据前处理分析,并形成病情发展引导数据。
2.根据权利要求1所述的基于慢阻肺专科数据的多模态数据管理方法,其特征在于,所述获取多模态临床数据,并将所述多模态临床数据进行上传解析,包括:
获取多模态临床数据,对所述多模态临床数据进行数据类型分析,形成病历文本数据、影像数据、病理数据以及基因数据;
获取所述病历文本数据,对所述病历文本数据进行文本解析并记入文本目录;
获取所述影像数据,对所述影像数据进行影像图像解析并记入影像目录;
获取所述病理数据,对所述病理数据进行病理图像解析并记入病理目录;
获取所述基因数据,对所述基因数据进行文本解析并记入基因目录。
3.根据权利要求2所述的基于慢阻肺专科数据的多模态数据管理方法,其特征在于,所述获取所述影像数据,对所述影像数据进行影像图像解析并记入影像目录,包括:
获取影像标签,并对影像图像进行图像预处理后将影像图像进行缩略处理,形成影像缩略图;
建立所述影像标签和所述影像缩略图的对应关系,并将所述影像标签和所述影像缩略图上传;
将所述影像标签依次进行患者标签表、检查标签表、系列标签表以及图像标签表的写入记录。
4.根据权利要求2所述的基于慢阻肺专科数据的多模态数据管理方法,其特征在于,所述获取所述病理数据,对所述病理数据进行病理图像解析并记入病理目录,包括:
获取病理标签,并对病理图像进行图像预处理后将所述病理图像进行缩略处理,形成病理缩略图;
建立所述病理标签与所述病理缩略图的对应关系,并将所述病理缩略图和所述病理标签上传;
将所述病理标签依次进行患者标签表、检查标签表、系列标签表以及图像标签表的写入记录。
5.根据权利要求2所述的基于慢阻肺专科数据的多模态数据管理方法,其特征在于,所述对所述多模态临床数据进行分类存储,形成临床数据库,包括:
建立所述临床数据库的类别模块;
将记入的所述病历文本数据、所述影像数据、所述病理数据以及所述基因数据根据所述类别模块进行分类整理。
6.根据权利要求5所述的基于慢阻肺专科数据的多模态数据管理方法,其特征在于,所述类别模块包括但不限于:
基础表模块、操作表模块、临床表模块、药物表模块、实验室模块、影像检测报告模块、检查影像模块以及病案首页模块。
7.根据权利要求1所述的基于慢阻肺专科数据的多模态数据管理方法,其特征在于,所述获取所述临床数据库中的数据,并基于慢阻肺疾病特征建立慢阻肺专科数据模型,包括:
获取所述临床数据库中的数据,建立入院记录与首次护理记录数据表;
获取所述临床数据库中的数据,建立检查数据表;
获取所述临床数据库中的数据,建立检验数据表;
获取所述临床数据库中的数据,建立诊断记录数据表;
获取所述临床数据库中的数据,建立慢阻肺检查项目数据表。
8.根据权利要求6所述的基于慢阻肺专科数据的多模态数据管理方法,其特征在于,所述根据所述慢阻肺专科数据模型,建立多类型的数据检索模式,包括:
根据所述慢阻肺专科数据模型的文本数据,建立基于文本内容的全文检索模式;
根据所述慢阻肺专科数据模型的参量数据,建立基于符号和参量的一般检索模式;
根据所述慢阻肺专科数据模型的语义数据,建立基于专业使用习惯的自定义检索模式。
9.根据权利要求8所述的基于慢阻肺专科数据的多模态数据管理方法,其特征在于,还包括:
对所述全文检索模式、所述一般检索模式以及所述自定义检索模式中检索的内容进行保存,形成历史检索记录数据表;
建立收藏记录表,对选定的所述历史检索记录进行收藏保存。
10.一种基于慢阻肺专科数据的多模态数据管理***,其特征在于,采用权利要求1-9任一一项所述基于慢阻肺专科数据的多模态数据管理方法,包括:
数据终端,用于接入服务器,进行多模态临床数据的上传,并根据需要对慢阻肺专科数据模型的数据进行检索;
服务器,完成对上传的所述多模态临床数据的分类、解析和存储。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211359728.4A CN115691735B (zh) | 2022-11-02 | 2022-11-02 | 一种基于慢阻肺专科数据的多模态数据管理方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211359728.4A CN115691735B (zh) | 2022-11-02 | 2022-11-02 | 一种基于慢阻肺专科数据的多模态数据管理方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115691735A true CN115691735A (zh) | 2023-02-03 |
CN115691735B CN115691735B (zh) | 2023-07-18 |
Family
ID=85047926
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211359728.4A Active CN115691735B (zh) | 2022-11-02 | 2022-11-02 | 一种基于慢阻肺专科数据的多模态数据管理方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115691735B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115798714A (zh) * | 2023-02-08 | 2023-03-14 | 南方医科大学南方医院 | 一种基于互联网的老年慢性病医疗判断方法及管理*** |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109637661A (zh) * | 2019-01-25 | 2019-04-16 | 赵天 | 一种针对慢性阻塞性肺疾病的医疗数据分级评分方法 |
CN109841267A (zh) * | 2017-11-28 | 2019-06-04 | 北京市眼科研究所 | 一种眼科临床数据采集***及方法 |
CN110136821A (zh) * | 2019-05-05 | 2019-08-16 | 上海市松江区中心医院(上海交通大学附属第一人民医院松江分院) | 基于慢阻肺的分级诊疗信息平台以及诊疗方法 |
CN112669942A (zh) * | 2021-03-17 | 2021-04-16 | 上海孚慈医疗科技有限公司 | 一种基于胃溃疡病理影像的智能标签存储方法及*** |
CN113871025A (zh) * | 2021-09-08 | 2021-12-31 | 四川大学华西医院 | 一种皮肤科临床专病数据库建设方法和*** |
CN115148322A (zh) * | 2022-08-31 | 2022-10-04 | 神州医疗科技股份有限公司 | 临床医疗通用数据结构模型的临床数据储存方法和*** |
-
2022
- 2022-11-02 CN CN202211359728.4A patent/CN115691735B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109841267A (zh) * | 2017-11-28 | 2019-06-04 | 北京市眼科研究所 | 一种眼科临床数据采集***及方法 |
CN109637661A (zh) * | 2019-01-25 | 2019-04-16 | 赵天 | 一种针对慢性阻塞性肺疾病的医疗数据分级评分方法 |
CN110136821A (zh) * | 2019-05-05 | 2019-08-16 | 上海市松江区中心医院(上海交通大学附属第一人民医院松江分院) | 基于慢阻肺的分级诊疗信息平台以及诊疗方法 |
CN112669942A (zh) * | 2021-03-17 | 2021-04-16 | 上海孚慈医疗科技有限公司 | 一种基于胃溃疡病理影像的智能标签存储方法及*** |
CN113871025A (zh) * | 2021-09-08 | 2021-12-31 | 四川大学华西医院 | 一种皮肤科临床专病数据库建设方法和*** |
CN115148322A (zh) * | 2022-08-31 | 2022-10-04 | 神州医疗科技股份有限公司 | 临床医疗通用数据结构模型的临床数据储存方法和*** |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115798714A (zh) * | 2023-02-08 | 2023-03-14 | 南方医科大学南方医院 | 一种基于互联网的老年慢性病医疗判断方法及管理*** |
CN115798714B (zh) * | 2023-02-08 | 2023-05-16 | 南方医科大学南方医院 | 一种基于互联网的老年慢性病医疗判断方法及管理*** |
Also Published As
Publication number | Publication date |
---|---|
CN115691735B (zh) | 2023-07-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Glicksberg et al. | Automated disease cohort selection using word embeddings from Electronic Health Records | |
US20200381087A1 (en) | Systems and methods of clinical trial evaluation | |
US11464455B2 (en) | Method and apparatus of context-based patient similarity | |
US8589420B2 (en) | Medical information system and program for same | |
CN110109887B (zh) | 数据检索方法、电子设备和计算机存储介质 | |
Kaur et al. | Empirical study on applications of data mining techniques in healthcare | |
CN111710420B (zh) | 一种基于电子病历大数据的并发症发病风险预测方法、***、终端以及存储介质 | |
JP5952835B2 (ja) | 撮像プロトコルの更新及び/又はリコメンダ | |
CN108511056A (zh) | 基于脑卒中患者相似性分析的治疗方案推荐方法及*** | |
JPWO2012070207A1 (ja) | 診療支援システム及び診療支援方法 | |
DE112014000897T5 (de) | Lernende Gesundheitssysteme und -verfahren | |
CN110556173A (zh) | 一种检查报告单智能分类管理***及方法 | |
CN115497631A (zh) | 一种临床科研大数据分析*** | |
CN107169259A (zh) | 基于协同过滤和建议的个性化医学决定支持*** | |
CN117497149A (zh) | 一种基于人工智能的医院管理方法及*** | |
CN115691735B (zh) | 一种基于慢阻肺专科数据的多模态数据管理方法及*** | |
Imamura et al. | A technique for identifying three diagnostic findings using association analysis | |
Boag et al. | EHR safari: data is contextual | |
Lupşe et al. | Supporting prescriptions with synonym matching of section names in prospectuses | |
GB2548627A (en) | A system and a method for assessing patient treatment risk using open data and clinician input | |
Baghal et al. | Agile natural language processing model for pathology knowledge extraction and integration with clinical enterprise data warehouse | |
Sreenivasan et al. | PCPS: Personalized Care through Patient Similarity | |
Kantode et al. | Big-Data in Healthcare Management and Analysis: A Review Article | |
CN117438079B (zh) | 循证知识抽提及辅助临床决策的方法及介质 | |
Dastani et al. | Identifying the trends of global publications in health information technology using text-mining techniques |
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 |