CN116246749A - 集成电子病历的内分泌病人个性化健康管理*** - Google Patents
集成电子病历的内分泌病人个性化健康管理*** Download PDFInfo
- Publication number
- CN116246749A CN116246749A CN202310527665.7A CN202310527665A CN116246749A CN 116246749 A CN116246749 A CN 116246749A CN 202310527665 A CN202310527665 A CN 202310527665A CN 116246749 A CN116246749 A CN 116246749A
- Authority
- CN
- China
- Prior art keywords
- patient
- training
- model
- data
- meta
- 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
- 230000002124 endocrine Effects 0.000 title claims abstract description 35
- 230000036541 health Effects 0.000 title claims abstract description 27
- 238000012549 training Methods 0.000 claims abstract description 127
- 238000003745 diagnosis Methods 0.000 claims abstract description 45
- 239000013598 vector Substances 0.000 claims description 34
- 238000013527 convolutional neural network Methods 0.000 claims description 32
- 239000000523 sample Substances 0.000 claims description 31
- 230000006870 function Effects 0.000 claims description 26
- 238000000034 method Methods 0.000 claims description 26
- 238000012795 verification Methods 0.000 claims description 26
- 238000000605 extraction Methods 0.000 claims description 21
- 238000003066 decision tree Methods 0.000 claims description 15
- 238000005457 optimization Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 8
- 238000013145 classification model Methods 0.000 claims description 4
- 239000000284 extract Substances 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 4
- 239000013610 patient sample Substances 0.000 claims description 4
- 230000015654 memory Effects 0.000 description 25
- 230000000875 corresponding effect Effects 0.000 description 14
- 208000030172 endocrine system disease Diseases 0.000 description 12
- 230000003993 interaction Effects 0.000 description 10
- 238000004891 communication Methods 0.000 description 9
- 201000010099 disease Diseases 0.000 description 9
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 9
- 238000010586 diagram Methods 0.000 description 6
- 238000012216 screening Methods 0.000 description 6
- 208000017701 Endocrine disease Diseases 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 5
- 210000001685 thyroid gland Anatomy 0.000 description 5
- 238000002604 ultrasonography Methods 0.000 description 5
- 230000006016 thyroid dysfunction Effects 0.000 description 4
- 238000009825 accumulation Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000037213 diet Effects 0.000 description 3
- 235000005911 diet Nutrition 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000003907 kidney function Effects 0.000 description 2
- 230000003902 lesion Effects 0.000 description 2
- 210000004185 liver Anatomy 0.000 description 2
- 230000003908 liver function Effects 0.000 description 2
- 210000001165 lymph node Anatomy 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 208000024891 symptom Diseases 0.000 description 2
- 208000024799 Thyroid disease Diseases 0.000 description 1
- 230000007488 abnormal function Effects 0.000 description 1
- 208000025368 adrenal gland disease Diseases 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 238000011278 co-treatment Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 206010012601 diabetes mellitus Diseases 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 210000003372 endocrine gland Anatomy 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000004412 neuroendocrine cell Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001225 therapeutic effect Effects 0.000 description 1
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
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
-
- 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)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Biomedical Technology (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Pathology (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明属于智能医疗技术领域,本发明的一种集成电子病历的内分泌病人个性化健康管理***,包括电子病历库、患者服务库和推荐模块,所述电子病历库存储内分泌患者就诊数据;所述患者服务库存储内分泌患者诊疗服务类型;所述推荐模块根据所述患者就诊数据与所述患者诊疗服务类型进行元学习训练得到患者服务推荐模型,并根据患者更新的就诊数据向医生以及患者推荐相应服务类型。本发明通过对患者就诊数据与患者诊疗服务类型进行元学习训练用以对抗冷启动的问题,进而得到最优的患者服务推荐模型,其泛化性较好。
Description
技术领域
本发明涉及智能医疗技术领域,尤其是一种集成电子病历的内分泌病人个性化健康管理***。
背景技术
内分泌疾病是指内分泌腺或神经内分泌细胞功能异常导致的疾病,其中包括糖尿病、甲状腺疾病、肾上腺疾病等多种常见疾病。随着生活方式的改变、老龄化人口的增加以及人口的增长,内分泌疾病的发病率呈现出逐年上升的趋势。同时,内分泌疾病的治疗管理与普通疾病治疗管理存在较大差异,差异包括:①、多数内分泌疾病在大多数情况下并不影响病人的日常生活,容易被忽视,病人自我管理能力的不同极大的影响治疗管理效果;②、内分泌疾病的治疗与普通疾病的根治治疗目标有所不同,在前沿医学研究中,一般建议以兼顾病人的基本生活品质作为基础前提,基本生活品质与个体差异关联性大;③、内分泌疾病通常是长期的、难以根治的,动态管理用药方案的需求普遍;④、同样的病灶表现,患者的年龄、性别、病史、症状等因素的不同也将影响治疗效果。因此,内分泌疾病的管理的个性化需求尤其明显。
传统的医疗模式往往存在信息不对称、医患沟通不畅、诊断误差等问题,严重影响了医疗效率和患者体验。信息技术开始逐渐应用于医疗领域,医疗信息化成为医疗改革和现代化医疗建设的重要内容之一。电子病历、健康管理等信息化***均已服务于医疗***。虽然信息化对于同病同治等治疗标准化具有一定的促进作用,但应用于内分泌疾病的治疗时,病人的个体差异以及极大的时间跨度,使得用于内分泌疾病管理领域的数据样本总量小,且极其孤立。并且,由于影响治疗效果的因素多,对于兼顾生活品质等前沿治疗理论方面甚至具有医生和患者看问题较强的主观性因素。因此,内分泌疾病的管理既不能按单一大样本疾病的信息化推进那样进行大样本训练提取有价值信息,也不能单独的仅仅做病历电子化记录管理。
期待的状态应是以病人的全面的个性化参数条件限定为前提,定制属于病人自己的智慧管理方案。信息***从数据中提取的是病人自己的个性化数据,或者少量雷同样本的数据。这对于信息的学习获取而言具有较大的挑战,因为数据量极小、且积累速度慢的情况下,如何能让患者尽早感受到信息化***的有价规律挖掘,最终实现对病人的专业服务管理价值输出,成为***信息化的重要挑战。
发明内容
为解决上述现有技术问题,本发明提供一种集成电子病历的内分泌病人个性化健康管理***,包括:电子病历库,所述电子病历库存储内分泌患者就诊数据;患者服务库,所述患者服务库存储内分泌患者诊疗服务类型;以及推荐模块,所述推荐模块根据所述患者就诊数据与所述患者诊疗服务类型进行元学习训练得到患者服务推荐模型,并根据患者的更新的就诊数据向医生以及患者推荐相应服务类型;其中,推荐模块具有元学习训练单元和数据类聚单元;其中,数据类聚单元以患者属性参数为条件,以周期T对***数据进行提取类聚,并将类聚数据推送至元学习训练单元;其中,所述元学习训练单元以所述类聚数据以及当前模型为基础,重新训练获得优化模型;其中,属性参数为患者的自然参数。其中自然参数是指非人为定义的参数,人为定义的参数如姓名、身份证号;自然参数如性别、年龄、病灶、医嘱等。
考虑到***的使用规模和数据积累,方案优选为每4000-6000人次就诊数据进行一次模型更新训练。具体到周期,建议周期T为1-3个月。
进一步的,所述患者就诊数据包括:患者疾病数据、诊断结果、医嘱及就诊时间;所述服务类型包括:检查、饮食或作息。
进一步的,所述推荐模块包括:获取单元,用以获取患者样本数据集,所述样本数据集包括内分泌患者就诊数据以及相应的患者诊疗服务类型;第一训练单元,用以输入所述样本数据集至卷积神经网络中进行训练得到第一模型;分类单元,用以将所述样本数据集按照不同的患者进行分类得到多个患者的元知识集;第二训练单元,用以输入所述患者的元知识集至所述第一模型中再次进行训练得到元参数学习模型,所述元知识集包括多个不同患者的样本数据集;第三训练单元,用以输入所述样本数据集至所述元参数学习模型进行训练得到所述患者诊疗服务类型;输入单元,用以输入患者的更新的就诊数据至所述推荐模块得到相应推荐服务类型。
进一步的,所述第一训练单元包括:特征提取子单元,用以输入所述患者就诊信息至第一卷积神经网络中进行特征提取得到第一特征向量,输入所述服务类型至第二卷积网络中进行特征提取得到第二特征向量;建立子单元,用以建立所述第一特征向量与所述第二特征向量的相似度函数;计算子单元,用以对所述相似度函数进行最优化求解得所述第一训练模型,并用以将所述患者就诊数据映射至所述患者诊疗服务类型的相同维度。
进一步的,所述第二训练单元包括:划分子单元,将每个患者所对应的元知识集分为训练集与验证集;局部更新子单元,分别输入每个患者的训练集至所述第一训练模型中进行训练,得到多个模型参数,并对所述多个模型参数进行局部更新得到多个第二训练模型;全局更新子单元,输入所有患者的验证集至多个所述第二训练模型中进行验证,并对所述第二训练模型中的参数进行全局更新,得到所述元参数学习模型。
进一步的,所述第三训练单元包括:分配子单元,将所述样本数据集随机分为训练样本与测试样本;读取子单元,读取所述训练样本中的数据,分批输入所述训练样本至所述元参数学习模型中,以执行训练操作;调整子单元,在训练过程中对所述元参数学习模型的网络参数权重进行调整,以获得训练后的第三训练模型;验证子单元,输入所述测试样本至所述第三训练模型中进行验证操作,得到验证结果;以及优化子单元,根据所验证结果对所述第三训练模型进行优化,以获得所述患者诊疗服务类型。
进一步的,所述的集成电子病历的内分泌病人个性化健康管理***还包括:健康报警模块,用以将患者检查结果所对应的第一特征向量输入至分类决策树中进行训练,得到分类模型,并根据患者的更新的就诊数据向医生提供报警信息。
进一步的,所述第一卷积神经网络与所述第二卷积神经网络的结构相同;所述第一卷积神经网络与所述第二卷积神经网络的参数不相同。
进一步的,所述相似度函数包括:皮尔逊相关系数或杰卡德相似系数。
进一步的,所述最优化求解包括:梯度下降。
进一步的,所述分类决策树的结果包括危险与非危险。
进一步的,当基于用户输入的诊疗数据得到的第一特征向量和服务向对应的第二特征向量的相似度大于设定阈值时,向用户推荐所述服务。
本发明的有益效果体现在,本发明提供了一种集成电子病历的内分泌病人个性化健康管理***,通过对患者就诊数据与所述患者诊疗服务类型进行元学习训练用以对抗冷启动的问题,进而得到最优的患者服务推荐模型,其泛化性较好。
附图说明
图1为本发明所提供的集成电子病历的内分泌病人个性化健康管理***的结构示意图;
图2为本发明所提供的推荐模块的结构示意图;
图3为本发明所提供的第一训练单元的结构示意图;
图4为本发明所提供的第二训练单元的结构示意图;
图5为本发明所提供的内分泌疾病的冷启动推荐方法的流程示意图;
图6为本发明所提供的内分泌疾病的冷启动推荐方法的步骤S2的流程示意图;
图7为本发明所提供的内分泌疾病的冷启动推荐方法的步骤S4的流程示意图;
图8为本发明所提供的电子设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本领域那些技术人员可以理解,可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件,以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外,可以采用任何组合对本说明书中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述,本说明书中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
本申请的各个部件实施例可以以硬件实现,或者以在一个或者多个处理器上运行的软件模块实现,或者以它们的组合实现。本领域的技术人员应当理解,可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本申请实施例的虚拟机的创建装置中的一些或者全部部件的一些或者全部功能。本申请还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序。实现本申请的程序可以存储在计算机可读介质上,或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到,或者在载体信号上提供,或者以任何其他形式提供。
在背景技术的冷启动中,如:某患者被诊断为甲状腺功能障碍,医生给患者开具了颈部甲状腺及***彩超、甲状腺功能筛查。颈部甲状腺及***彩超是为了排除占位性病变如结节、恶性肿瘤造成的甲状腺功能障碍,甲状腺功能筛查是为了确认甲状腺功能障碍成立。该患者同时做了这两项检查,由于两项检查的频率相等都为1,因此并不能根据频率为用户做服务推荐(若彩超的频率为1,甲功为3,则使用传统方法可以为用户推荐甲功)。
实施例1
如图1所示,本发明实施例1提供一种集成电子病历的内分泌病人个性化健康管理***,包括:电子病历库、患者服务库以及推荐模块。
所述电子病历库存储内分泌患者就诊数据。所述患者就诊数据包括:患者疾病数据、诊断结果、医嘱及就诊时间;所述患者就诊数据以电子病历的形式保存在电子病历库中。所述检查包括医疗诊断中所需要的服务类型,包括:彩超、甲状腺功能筛查、肝肾功能检查等。在就诊时,医生将就诊结果以电子表单的形式进行记录,其中包括用户的诊断结果、检查、医嘱、就诊时间等。需要注意的是,在数据库中每个都有患者一专属的表,表中的数据按照时间进行排列。除上述属性外,库中还应包含患者检查结果。
所述患者服务库存储内分泌患者诊疗服务类型。所述服务类型包括:检查、饮食或作息。
所述推荐模块根据所述患者就诊数据与所述患者诊疗服务类型进行元学习训练得到患者服务推荐模型,并根据患者的更新的就诊数据向医生以及患者推荐相应服务类型。
如图2所示,所述推荐模块包括:获取单元101、第一训练单元102、分类单元103、第二训练单元104、第三训练单元105以及输入单元106。
所述获取单元101用以获取患者样本数据集,所述样本数据集包括内分泌患者就诊数据以及相应的患者诊疗服务类型;
所述第一训练单元102用以输入所述样本数据集至卷积神经网络中进行训练得到第一训练模型;
如图3所示,所述第一训练单元102包括:特征提取子单元1021、建立子单元1022以及计算子单元1023。
此外,推荐模块具有元学习训练单元和数据类聚单元;其中,数据类聚单元以患者属性参数为条件,以周期T对***数据进行提取类聚,并将类聚数据推送至元学习训练单元;其中,所述元学习训练单元以所述类聚数据以及当前模型为基础,重新训练获得优化模型;其中,属性参数为患者的自然参数。其中自然参数是指非人为定义的参数,人为定义的参数如姓名、身份证号;自然参数如性别、年龄等。
考虑到***的使用规模和数据积累,方案优选为每4000-6000人次就诊数据进行一次模型更新训练。具体到周期,建议周期T为1-3个月。该周期能满足大多数三级医院的日常数据就诊管理需求,同时对于元学习算法的冷启动性能有较高效的发挥。对患者而言,表现为能够更高效地建立起属于自己的推介服务,***冷启动至实用化周期短。
考虑到元学习训练单元在本地的不常用属性,该功能算法部分优先部署于服务器端。各患者端具备模型更新条件时,首先生成训练需求任务,元学习训练单元根据任务集顺序训练,训练的模型结果远程发送至终端并实现模型更新。
所述特征提取子单元1021用以输入所述患者就诊信息至第一卷积神经网络中进行特征提取得到第一特征向量,输入所述服务类型至第二卷积网络中进行特征提取得到第二特征向量。所述第一卷积神经网络与所述第二卷积神经网络的结构相同;所述第一卷积神经网络与所述第二卷积神经网络的参数不相同。
所述建立子单元1022用以建立所述第一特征向量与所述第二特征向量的相似度函数。所述相似度函数包括:皮尔逊相关系数或杰卡德相似系数。相似度函数公式如下:
u(c,s)=score(Userpro(c),Itempro(s))(1)
其中,score()为相似度函数,描述了用户c对服务s的契合度。Userpro()为用户c的特征提取的第一卷积神经网络,Itempro()为服务s的特征提取的第二卷积神经网络。在本发明中,Userpro()和Itempro()本质为两个结构相同但参数不同的卷积神经网络。在基于内容的推荐中,需要将用户的属性维度映射到与服务内容特征相同的维度。所述相似度函数包括:皮尔逊相关系数或杰卡德相似系数。
所述计算子单元1023用以对所述相似度函数进行最优化求解得所述第一训练模型,并用以将所述患者就诊数据映射至所述患者诊疗服务类型的相同维度。所述最优化求解包括:梯度下降。其中,计算公式如下:
其中,s:r(s,c)代表用户c接受过的服务s,这里的服务s指的是一种类型的服务并不是指的一次服务,y(s,c)代表的是用户c的属性维度映射到已经接收的服务s属性维度上的结果,这可以由人工标注确定,也可直接用(Itempro(s))T(Itempro(s))。代表的用户属性向量,这是要学习的属性特征。同样x(s)代表的是服务的属性向量,这是参考量。式子(2)使用梯度下降优化即可求解。需要注意的是,/>和x(s)分别为Userpro()和Itempro()的特征提取结果,即上述所述的特征向量。当Userpro()训练完成后,使用式子(1)就可确定c和s是否契合了。但这一过程并不能解决冷启动的问题,即s:r(s,c)极少时,式子(2)并不能得到最优/>。因此本发明实施例引入元学习对抗冷启动。
所述分类单元103用以将所述样本数据集按照不同的患者进行分类得到多个患者的元知识集;对于第一模型Userpro(),我们的目标是通过元知识集学习得到一个适合的网络参数θ(=θi,0),使得Userpro()对抗较少的患者服务交互,/>中的向量按照时间排序,/>代表用户c与服务s的交互向量;在元学习中θ(=θc,0)定义为元知识。
所述第二训练单元104用以输入所述患者的元知识集至所述第一训练模型中再次进行训练得到元参数学习模型;所述元知识集包括多个不同患者的样本数据集;
如图4所示,所述第二训练单元104包括:划分子单元1041、局部更新子单元1042以及全局更新子单元1043。
划分子单元1041用以将每个患者所对应的元知识集分为训练集与验证集;
局部更新子单元1042用以分别输入每个患者的训练集至所述第一训练模型中进行训练,得到多个模型参数,并对多个模型参数进行局部更新得到多个第二训练模型;在元学习中θ(=θc,0)定义为元知识,元知识在训练的过程中会变为任务模型参数θc,s,θc,s是针对每一个服务s的,这个过程叫做局部更新,过程如下表示:
其中,为支持集(训练集),具体为评分与患者服务交互数据对,即每一个患者服务交互行为对应一个评分,这个已知的。L为损失函数,α为梯度下降步长;/>为用户c与上一次服务的交互的任务模型参数的梯度;/>为内部参数为θc,s-1的Userpro()模型。
全局更新子单元1043用以输入所有患者的验证集至多个所述第二训练模型中进行验证,并对所述第二训练模型中的参数进行全局更新,得到所述元参数学习模型。在局部更新完成后,对于局部更新完成的模型Userpro()local还需进行全局更新,过程如下:
其中,为/>和/>的集合,/>为支持集(训练集),/>查询集(即验证集),具体为未观测的交互,可以理解为神经网络训练中的验证集,对于用户c,一组/>和/>构成了该用户的任务(Task)。L为损失函数,β为全局更新步长,/>为θ的梯度,θ为全局最优元知识,也就是我们需要的神经网络参数。
第三训练单元105,用以输入所述样本数据集至所述元参数学习模型进行训练得到所述患者诊疗服务类型;
所述第三训练单元105包括:分配子单元、读取子单元、调整子单元、验证子单元以及优化子单元。
分配子单元将所述样本数据集随机分为训练样本与测试样本;
读取子单元读取所述训练样本中的数据,分批输入所述训练样本至所述元参数学习模型中,以执行训练操作;
调整子单元在训练过程中对所述元参数学习模型的网络参数权重进行调整,以获得训练后的第三训练模型;
验证子单元输入所述测试样本至所述第三训练模型中进行验证操作,得到验证结果;以及优化子单元根据所验证结果对所述第三训练模型进行优化,以获得所述患者诊疗服务类型。
所述输入单元106用以输入患者的更新的就诊数据至所述推荐模块得到相应推荐服务类型。对于服务s,若其对于用户c的score函数值大于阈值,则向患者和医生推送。
继续参照图1所示,在实施例1中,所述的集成电子病历的内分泌病人个性化健康管理***还包括:健康报警模块,用以将患者检查结果所对应的第一特征向量输入至分类决策树中进行训练,得到分类模型,并根据患者的更新的就诊数据向医生提供报警信息。所述分类决策树的结果包括危险与非危险。
本发明实施例1中,提供了一种集成电子病历的内分泌病人个性化健康管理***,通过对患者就诊数据与所述患者诊疗服务类型进行元学习训练用以对抗冷启动的问题,进而得到最优的患者服务推荐模型,其泛化性较好。
实施例1中,通过对样本数据集分类得到元知识集,并通过对元知识集进行训练用以对抗冷启动的问题,具体通过对第一模型的局部更新与全局更新,建立不同患者之间的关系,进而得到最优的患者服务推荐模型,并且使用了卷积神经网络对用户就诊信息的特征进行了提取,经过卷积神经网络提取后的特征为高维度特征,高维特征包含了全局信息,其抽象程度高。经过提取后,抽象属性数目低于原始属性数目。因此,将特征共享给分类决策树,在计算信息增益时计算量较传统方法更少,但又不会影响分类结果,因为所使用抽象属性已经包含全局信息。
实施例2
参照图5所示,实施例2提供一种内分泌疾病的冷启动推荐方法,包括如下步骤S1~S6。
S1、获取患者样本数据集,所述样本数据集包括内分泌患者就诊数据以及相应的患者诊疗服务类型。
所述患者就诊数据包括:患者疾病数据、诊断结果、医嘱及就诊时间;所述服务类型包括:检查、饮食或作息。在本发明中,如下描述服务类型或服务s指代一个意思。所述患者就诊数据以电子病历的形式保存在数据库中。所述检查包括医疗诊断中所需要的服务类型,包括:彩超、甲状腺功能筛查、肝肾功能检查等。
在就诊时,医生将就诊结果以电子表单的形式进行记录,其中包括用户的诊断结果、检查、医嘱、就诊时间等。需要注意的是,在数据库中每个都有患者一专属的表,表中的数据按照时间进行排列。除上述属性外,库中还应包含患者检查结果。
S2、输入所述样本数据集至卷积神经网络中进行训练得到第一模型;
如图6所示,在步骤S2中,所述输入所述样本数据集至卷积神经网络中进行训练得到第一模型包括如下步骤:S201~S203。
S201、输入所述患者就诊信息至第一卷积神经网络中进行特征提取得到第一特征向量,输入所述服务类型至第二卷积网络中进行特征提取得到第二特征向量;
S202、建立所述第一特征向量与所述第二特征向量的相似度函数;公式如下:
u(c,s)=score(Userpro(c),Itempro(s))(5)
其中,score()为相似度函数,描述了用户c对服务s的契合度。Userpro()为用户c的特征提取,Itempro()为服务s的特征提取。在本发明中,Userpro()和Itempro()本质为两个结构相同但参数不同的卷积神经网络。在基于内容的推荐中,需要将用户的属性维度映射到与服务内容特征相同的维度。所述相似度函数包括:皮尔逊相关系数或杰卡德相似系数。
S203、对所述相似度函数进行梯度下降求解得到第一训练模型。其中,回归公式如下:
其中,s:r(s,c)代表用户c接受过的服务s,这里的服务s指的是一种类型的服务并不是指的一次服务,y(s,c)代表的是用户c的属性维度映射到已经接收的服务s属性维度上的结果,这可以由人工标注确定,也可直接用(Itempro(s))T(Itempro(s))。代表的用户属性向量,这是要学习的属性特征。同样x(s)代表的是服务的属性向量,这是参考量。式子(6)使用梯度下降优化即可求解。需要注意的是,/>和x(s)分别为Userpro()和Itempro()的特征提取结果,即上述所述的特征向量。当Userpro()训练完成后,使用式子(5)就可确定c和s是否契合了。但这一过程并不能解决冷启动的问题,即s:r(s,c)极少时,式子(6)并不能得到最优/>。因此本发明实施例引入元学习对抗冷启动。具体参照如下步骤。
S3、将所述样本数据集按照不同的患者进行分类得到多个患者的元知识集。
对于第一模型Userpro(),我们的目标是通过元知识集学习得到一个适合的网络参数θ(=θi,0),使得Userpro()对抗较少的患者服务交互,/>中的向量按照时间排序,/>代表用户c与服务s的交互向量;在元学习中θ(=θc,0)定义为元知识。
S4、输入所述多个患者的元知识集至所述第一模型中再次进行训练得到患者服务推荐模型。
如图7所示,在步骤S4中,所述输入所述多个元知识集至所述第一模型中再次进行训练得到患者推荐模型包括如下步骤:S401~S403。
S401、将每个患者所对应的元知识集分为训练集与验证集。
S402、输入所有患者的训练集至所述第一模型中进行训练,并对所述第一模型中的参数进行局部更新得到第二模型。
在元学习中θ(=θc,0)定义为元知识,元知识在训练的过程中会变为任务模型参数θc,s,θc,s是针对每一个服务s的,这个过程叫做局部更新,过程如下表示:
其中,为支持集(训练集),具体为评分与患者服务交互数据对,即每一个患者服务交互行为对应一个评分,这个已知的。L为损失函数,α为梯度下降步长;/>为用户c与上一次服务的交互的任务模型参数的梯度;/>为内部参数为θc,s-1的Userpro()模型。
S403、输入所有患者的验证集至所述第二模型中进行验证,并对所述第二模型中的参数进行全局更新,得到所述患者服务推荐模型。
在局部更新完成后,对于局部更新完成的模型Userpro()local还需进行全局更新,过程如下:
其中,为/>和/>的集合,/>查询集(即验证集),具体为未观测的交互,可以理解为神经网络训练中的验证集,对于用户c,一组/>和/>构成了该用户的任务(Task)。L为损失函数,β为全局更新步长,/>为θ的梯度,θ为全局最优元知识,也就是我们需要的神经网络参数。/>
S5、输入患者的更新的就诊数据得到相应推荐服务类型。
对于服务s,若其对于用户c的score函数值大于阈值,则向患者和医生推送。
在实施例2中,还包括如下步骤S6。
S6、将所述第一特征向量输入至分类决策树中进行训练,得到分类模型;所述分类决策树的结果包括危险与非危险。
步骤S6对步骤S2的卷积神经网络所提取的患者接诊数据特征进行进一步分析,所用模型为分类决策树,该模块将会对检查结果自动分类,以识别该检查结果所属症状为危险型或非危险型。若为危险型,则向医生及用户发送警报。
分类决策树实质是通过计算信息增益以确定最优特征,即对数据中的每一个属性都进行一次计算,当属性较少的情况下,此方法计算量是较少的。但在电子病历的检查结果中,属性是较多,且当中的某些属性是冗余的,即该属性的存在与否并不会对分类决策树的分类结果产生影响。若采用传统的方式直接利用原始检查结果特征进行分类,在分类决策树中会对所有属性都计算一次信息增益其中包括冗余的属性,这必然使得算法计算量大。
本发明实施例2中,通过对样本数据集分类得到元知识集,并通过对元知识集进行训练用以对抗冷启动的问题,具体通过对第一模型的局部更新与全局更新,建立不同患者之间的关系,进而得到最优的患者服务推荐模型,其泛化性较好。
实施例2使用了卷积神经网络对用户就诊信息的特征进行了提取,经过卷积神经网络Userpro()local提取后的特征为高维度特征,高维特征包含了全局信息,其抽象程度高。经过提取后,抽象属性数目低于原始属性数目。因此,将Userpro()local的特征共享给分类决策树,在计算信息增益时计算量较传统方法更少,但又不会影响分类结果,因为所使用抽象属性已经包含全局信息。
实施例3
本发明实施例3还提供一种电子设备,具有上述图1所示的集成电子病历的内分泌病人个性化健康管理***。
请参阅图8,图8是本发明可选实施例提供的一种电子设备的结构示意图,该电子设备可以包括:至少一个处理器51,例如CPU(Central Processing Unit,中央处理器),至少一个通信接口53,存储器54,至少一个通信总线52。其中,通信总线52用于实现这些组件之间的连接通信。其中,通信接口53可以包括显示屏(Display)、键盘(Keyboard),可选通信接口53还可以包括标准的有线接口、无线接口。存储器54可以是高速RAM存储器(RandomAccess Memory,易挥发性随机存取存储器),也可以是非不稳定的存储器(non-volatilememory),例如至少一个磁盘存储器。存储器54可选的还可以是至少一个位于远离前述处理器51的存储装置。其中处理器51可以结合图1所描述的***,存储器54中存储应用程序,且处理器51调用存储器54中存储的程序代码,以用于执行实施例2中的方法步骤。存储器54中配置有操作***和应用程序。
其中,通信总线52可以是外设部件互联标准(peripheral componentinterconnect,简称PCI)总线或扩展工业标准结构(extended industry standardarchitecture,简称EISA)总线等。通信总线52可以分为地址总线、数据总线、控制总线等。为便于表示,图8中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
其中,存储器54可以包括易失性存储器(英文:volatile memory),例如随机存取存储器(英文:random-access memory,缩写:RAM);存储器也可以包括非易失性存储器(英文:non-volatile memory),例如快闪存储器(英文:flash memory),硬盘(英文:hard diskdrive,缩写:HDD)或固态硬盘(英文:solid-state drive,缩写:SSD);存储器54还可以包括上述种类的存储器的组合。
其中,处理器51可以是中央处理器(英文:central processing unit,缩写:CPU),网络处理器(英文:network processor,缩写:NP)或者CPU和NP的组合。
其中,处理器51还可以进一步包括硬件芯片。上述硬件芯片可以是专用集成电路(英文:application-specific integrated circuit,缩写:ASIC),可编程逻辑器件(英文:programmable logic device,缩写:PLD)或其组合。上述PLD可以是复杂可编程逻辑器件(英文:complex programmable logic device,缩写:CPLD),现场可编程逻辑门阵列(英文:field-programmable gate array,缩写:FPGA),通用阵列逻辑(英文:generic arraylogic,缩写:GAL)或其任意组合。
可选地,存储器54还用于存储程序指令。处理器51可以调用程序指令,实现如本发明所示的实施例1中的内分泌疾病的冷启动推荐方法。
本发明实施例3中,通过对样本数据集分类得到元知识集,并通过对元知识集进行训练用以对抗冷启动的问题,具体通过对第一模型的局部更新与全局更新,建立不同患者之间的关系,进而得到最优的患者服务推荐模型,其泛化性较好。
实施例3使用了卷积神经网络对用户就诊信息的特征进行了提取,经过卷积神经网络提取后的特征为高维度特征,高维特征包含了全局信息,其抽象程度高。经过提取后,抽象属性数目低于原始属性数目。因此,将特征共享给分类决策树,在计算信息增益时计算量较传统方法更少,但又不会影响分类结果,因为所使用抽象属性已经包含全局信息。
实施例4
本发明实施例4还提供了一种非暂态计算机存储介质,计算机存储介质存储有计算机可执行指令,该计算机可执行指令可执行上述实施例2中的推荐方法。其中,存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)、随机存储记忆体(RandomAccess Memory,RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive,缩写:HDD)或固态硬盘(Solid-State Drive,SSD)等;存储介质还可以包括上述种类的存储器的组合。
在本发明的实施例的描述中,需要理解的是,术语“第一”、“第二”、“第三”仅用以描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”、“第三”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中,除非另有说明,“多个”的含义是两个或两个以上。
在本发明的实施例的描述中,具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (10)
1.一种集成电子病历的内分泌病人个性化健康管理***,其特征在于,包括:
电子病历库,所述电子病历库存储内分泌患者就诊数据;
患者服务库,所述患者服务库存储内分泌患者诊疗服务类型;以及
推荐模块,所述推荐模块根据所述患者就诊数据与所述患者诊疗服务类型进行元学习训练得到患者服务推荐模型,并根据患者更新的就诊数据向医生以及患者推荐相应服务类型;
其中,所述推荐模块具有元学习训练单元和数据类聚单元;
其中,所述数据类聚单元以患者属性参数为条件,以周期T对***数据进行提取类聚,并将类聚数据推送至元学习训练单元;
其中,所述元学习训练单元以所述类聚数据以及当前模型为基础,重新训练获得优化模型;
其中,属性参数为患者的自然参数。
2.根据权利要求1所述的集成电子病历的内分泌病人个性化健康管理***,其特征在于,所述推荐模块还包括:
获取单元,用以获取患者样本数据集,所述样本数据集包括内分泌患者就诊数据以及相应的患者诊疗服务类型;
第一训练单元,用以输入所述样本数据集至卷积神经网络中进行训练得到第一训练模型;
第二训练单元,用以输入所述患者的元知识集至所述第一训练模型中再次进行训练得到元参数学习模型,所述元知识集包括多个不同患者的样本数据集;
第三训练单元,用以输入所述样本数据集至所述元参数学习模型进行训练得到所述患者诊疗服务类型;
输入单元,用以输入患者的更新的就诊数据至所述推荐模块得到相应推荐服务类型。
3.根据权利要求2所述的集成电子病历的内分泌病人个性化健康管理***,其特征在于,所述第一训练单元包括:
特征提取子单元,用以输入所述患者的就诊信息至第一卷积神经网络中进行特征提取得到第一特征向量,输入所述服务类型至第二卷积神经网络中进行特征提取得到第二特征向量;
建立子单元,用以建立所述第一特征向量与所述第二特征向量的相似度函数;
计算子单元,用以对所述相似度函数进行最优化求解得所述第一训练模型,并用以将所述患者就诊数据映射至所述患者诊疗服务类型的相同维度。
4.根据权利要求2所述的集成电子病历的内分泌病人个性化健康管理***,其特征在于,所述第二训练单元包括:
划分子单元,将每个患者所对应的元知识集分为训练集与验证集;
局部更新子单元,分别输入每个患者的训练集至第一训练模型中进行训练,得到多个模型参数,并对所述多个模型参数进行局部更新得到多个第二训练模型;
全局更新子单元,输入所有患者的验证集至多个所述第二训练模型中进行验证,并对所述第二训练模型中的参数进行全局更新,得到所述元参数学习模型。
5.根据权利要求2所述的集成电子病历的内分泌病人个性化健康管理***,其特征在于,所述第三训练单元包括:
分配子单元,将所述样本数据集随机分为训练样本与测试样本;
读取子单元,读取所述训练样本中的数据,分批输入所述训练样本至所述元参数学习模型中,以执行训练操作;
调整子单元,在训练过程中对所述元参数学习模型的网络参数权重进行调整,以获得训练后的第三训练模型;
验证子单元,输入所述测试样本至所述第三训练模型中进行验证操作,得到验证结果;以及
优化子单元,根据所验证结果对所述第三训练模型进行优化,以获得所述患者诊疗服务类型。
6.根据权利要求3所述的集成电子病历的内分泌病人个性化健康管理***,其特征在于,还包括:
健康报警模块,用以将患者检查结果所对应的第一特征向量输入至分类决策树中进行训练,得到分类模型,并根据患者的更新的就诊数据向医生提供报警信息。
7.根据权利要求3所述的集成电子病历的内分泌病人个性化健康管理***,其特征在于,所述第一卷积神经网络与所述第二卷积神经网络的结构相同;所述第一卷积神经网络与所述第二卷积神经网络的参数不相同。
8.根据权利要求3所述的集成电子病历的内分泌病人个性化健康管理***,其特征在于,所述相似度函数包括:皮尔逊相关系数或杰卡德相似系数。
9.根据权利要求6所述的集成电子病历的内分泌病人个性化健康管理***,其特征在于,所述分类决策树的结果包括危险与非危险。
10.根据权利要求3所述的集成电子病历的内分泌病人个性化健康管理***,其特征在于,当基于用户输入的诊疗数据得到的第一特征向量和服务向对应的第二特征向量的相似度大于设定阈值时,向用户推荐所述服务。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310527665.7A CN116246749B (zh) | 2023-05-11 | 2023-05-11 | 集成电子病历的内分泌病人个性化健康管理*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310527665.7A CN116246749B (zh) | 2023-05-11 | 2023-05-11 | 集成电子病历的内分泌病人个性化健康管理*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116246749A true CN116246749A (zh) | 2023-06-09 |
CN116246749B CN116246749B (zh) | 2023-07-21 |
Family
ID=86629909
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310527665.7A Active CN116246749B (zh) | 2023-05-11 | 2023-05-11 | 集成电子病历的内分泌病人个性化健康管理*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116246749B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116994704A (zh) * | 2023-09-22 | 2023-11-03 | 北斗云方(北京)健康科技有限公司 | 基于临床多模态数据深度表示学习的合理用药判别方法 |
Citations (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190012575A1 (en) * | 2017-07-04 | 2019-01-10 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Method, apparatus and system for updating deep learning model |
US20190036716A1 (en) * | 2017-07-26 | 2019-01-31 | Amazon Technologies, Inc. | Training models for iot devices |
CN109785928A (zh) * | 2018-12-25 | 2019-05-21 | 平安科技(深圳)有限公司 | 诊疗方案推荐方法、装置及存储介质 |
CN110310745A (zh) * | 2019-05-21 | 2019-10-08 | 上海交通大学医学院附属瑞金医院 | 医疗指南和数据驱动相结合的治疗方案推荐*** |
CN110415821A (zh) * | 2019-07-02 | 2019-11-05 | 山东大学 | 一种基于人体生理数据的健康知识推荐***及其运行方法 |
CN111091200A (zh) * | 2019-12-20 | 2020-05-01 | 深圳前海微众银行股份有限公司 | 训练模型的更新方法、***、智能体、服务器及存储介质 |
CN111696675A (zh) * | 2020-05-22 | 2020-09-22 | 平安国际智慧城市科技股份有限公司 | 基于物联网数据的用户数据分类方法、装置及计算机设备 |
CN112182412A (zh) * | 2020-11-26 | 2021-01-05 | 南京吉拉福网络科技有限公司 | 用于推荐体检项目的方法、计算设备和计算机存储介质 |
CN112289467A (zh) * | 2020-11-17 | 2021-01-29 | 中山大学 | 一种面向低资源场景可迁移的医疗问诊对话***及方法 |
CN112397196A (zh) * | 2019-08-16 | 2021-02-23 | 北京大数医达科技有限公司 | 生成影像检查推荐模型的方法和装置 |
CN112507219A (zh) * | 2020-12-07 | 2021-03-16 | 中国人民大学 | 一种基于联邦学习增强隐私保护的个性化搜索*** |
US20210125696A1 (en) * | 2018-06-28 | 2021-04-29 | Koninklijke Philips N.V. | Method and system for personalized hypertension treatment |
CN113539409A (zh) * | 2021-07-28 | 2021-10-22 | 平安科技(深圳)有限公司 | 治疗方案推荐方法、装置、设备及存储介质 |
CN113555077A (zh) * | 2021-09-18 | 2021-10-26 | 北京大学第三医院(北京大学第三临床医学院) | 疑似传染病预测方法及装置 |
CN114188022A (zh) * | 2021-12-13 | 2022-03-15 | 浙江大学 | 一种基于TextCNN模型的临床儿童咳嗽智能预诊断*** |
CN114416967A (zh) * | 2022-01-26 | 2022-04-29 | 平安国际智慧城市科技股份有限公司 | 智能推荐医生的方法、装置、设备及存储介质 |
CN114564641A (zh) * | 2022-02-18 | 2022-05-31 | 华东师范大学 | 个性化多视图联邦推荐*** |
US20220172841A1 (en) * | 2020-12-02 | 2022-06-02 | Predicta Med Ltd | Methods of identifying individuals at risk of developing a specific chronic disease |
CN114639479A (zh) * | 2022-03-16 | 2022-06-17 | 南京海彬信息科技有限公司 | 一种基于医疗知识图谱的智能诊断辅助*** |
US20220223293A1 (en) * | 2019-06-02 | 2022-07-14 | Predicta Med Ltd | A method of evaluating autoimmune disease risk and treatment selection |
CN115186833A (zh) * | 2022-09-07 | 2022-10-14 | 阿里巴巴(中国)有限公司 | 联邦学习方法、***、装置及存储介质 |
CN115409579A (zh) * | 2022-09-02 | 2022-11-29 | 重庆大学 | 一种基于元学习的响应式推荐方法、***及设备 |
CN115798707A (zh) * | 2022-11-22 | 2023-03-14 | 东软集团股份有限公司 | 病历处理方法、装置、存储介质与芯片 |
CN115859184A (zh) * | 2022-11-24 | 2023-03-28 | 武汉理工大学 | 基于联合学习的船舶故障诊断模型***及其训练方法 |
-
2023
- 2023-05-11 CN CN202310527665.7A patent/CN116246749B/zh active Active
Patent Citations (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190012575A1 (en) * | 2017-07-04 | 2019-01-10 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Method, apparatus and system for updating deep learning model |
US20190036716A1 (en) * | 2017-07-26 | 2019-01-31 | Amazon Technologies, Inc. | Training models for iot devices |
US20210125696A1 (en) * | 2018-06-28 | 2021-04-29 | Koninklijke Philips N.V. | Method and system for personalized hypertension treatment |
CN109785928A (zh) * | 2018-12-25 | 2019-05-21 | 平安科技(深圳)有限公司 | 诊疗方案推荐方法、装置及存储介质 |
CN110310745A (zh) * | 2019-05-21 | 2019-10-08 | 上海交通大学医学院附属瑞金医院 | 医疗指南和数据驱动相结合的治疗方案推荐*** |
US20220223293A1 (en) * | 2019-06-02 | 2022-07-14 | Predicta Med Ltd | A method of evaluating autoimmune disease risk and treatment selection |
CN110415821A (zh) * | 2019-07-02 | 2019-11-05 | 山东大学 | 一种基于人体生理数据的健康知识推荐***及其运行方法 |
CN112397196A (zh) * | 2019-08-16 | 2021-02-23 | 北京大数医达科技有限公司 | 生成影像检查推荐模型的方法和装置 |
CN111091200A (zh) * | 2019-12-20 | 2020-05-01 | 深圳前海微众银行股份有限公司 | 训练模型的更新方法、***、智能体、服务器及存储介质 |
CN111696675A (zh) * | 2020-05-22 | 2020-09-22 | 平安国际智慧城市科技股份有限公司 | 基于物联网数据的用户数据分类方法、装置及计算机设备 |
CN112289467A (zh) * | 2020-11-17 | 2021-01-29 | 中山大学 | 一种面向低资源场景可迁移的医疗问诊对话***及方法 |
CN112182412A (zh) * | 2020-11-26 | 2021-01-05 | 南京吉拉福网络科技有限公司 | 用于推荐体检项目的方法、计算设备和计算机存储介质 |
US20220172841A1 (en) * | 2020-12-02 | 2022-06-02 | Predicta Med Ltd | Methods of identifying individuals at risk of developing a specific chronic disease |
CN112507219A (zh) * | 2020-12-07 | 2021-03-16 | 中国人民大学 | 一种基于联邦学习增强隐私保护的个性化搜索*** |
CN113539409A (zh) * | 2021-07-28 | 2021-10-22 | 平安科技(深圳)有限公司 | 治疗方案推荐方法、装置、设备及存储介质 |
CN113555077A (zh) * | 2021-09-18 | 2021-10-26 | 北京大学第三医院(北京大学第三临床医学院) | 疑似传染病预测方法及装置 |
CN114188022A (zh) * | 2021-12-13 | 2022-03-15 | 浙江大学 | 一种基于TextCNN模型的临床儿童咳嗽智能预诊断*** |
CN114416967A (zh) * | 2022-01-26 | 2022-04-29 | 平安国际智慧城市科技股份有限公司 | 智能推荐医生的方法、装置、设备及存储介质 |
CN114564641A (zh) * | 2022-02-18 | 2022-05-31 | 华东师范大学 | 个性化多视图联邦推荐*** |
CN114639479A (zh) * | 2022-03-16 | 2022-06-17 | 南京海彬信息科技有限公司 | 一种基于医疗知识图谱的智能诊断辅助*** |
CN115409579A (zh) * | 2022-09-02 | 2022-11-29 | 重庆大学 | 一种基于元学习的响应式推荐方法、***及设备 |
CN115186833A (zh) * | 2022-09-07 | 2022-10-14 | 阿里巴巴(中国)有限公司 | 联邦学习方法、***、装置及存储介质 |
CN115798707A (zh) * | 2022-11-22 | 2023-03-14 | 东软集团股份有限公司 | 病历处理方法、装置、存储介质与芯片 |
CN115859184A (zh) * | 2022-11-24 | 2023-03-28 | 武汉理工大学 | 基于联合学习的船舶故障诊断模型***及其训练方法 |
Non-Patent Citations (3)
Title |
---|
催建双等: "基于元学习推荐的优化算法自动选择框架与实证分析", 《计算机应用》, vol. 37, no. 04, pages 1105 - 1110 * |
杨柯涵: "基于图嵌入与多任务学习的推荐算法研究与实现", 《中国优秀硕士学位论文全文数据库信息科技辑》, no. 05, pages 138 - 1581 * |
邹昊: "基于模型无关元学习的冷启动推荐模型研究", 《中国优秀硕士学位论文全文数据库信息科技辑》, no. 01, pages 138 - 3289 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116994704A (zh) * | 2023-09-22 | 2023-11-03 | 北斗云方(北京)健康科技有限公司 | 基于临床多模态数据深度表示学习的合理用药判别方法 |
CN116994704B (zh) * | 2023-09-22 | 2023-12-15 | 北斗云方(北京)健康科技有限公司 | 基于临床多模态数据深度表示学习的合理用药判别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116246749B (zh) | 2023-07-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10902953B2 (en) | Clinical outcome tracking and analysis | |
US20210210184A1 (en) | Clinical concept identification, extraction, and prediction system and related methods | |
CN111696675B (zh) | 基于物联网数据的用户数据分类方法、装置及计算机设备 | |
WO2021184571A1 (zh) | 动态表单生成方法、装置、计算机设备和存储介质 | |
Neuvirth et al. | Toward personalized care management of patients at risk: the diabetes case study | |
CN111382275A (zh) | 医疗知识图谱的构建方法、装置、介质及电子设备 | |
WO2021017306A1 (zh) | 根据用户画像的个性化搜索方法、***、设备及存储介质 | |
CN116246749B (zh) | 集成电子病历的内分泌病人个性化健康管理*** | |
WO2020034801A1 (zh) | 医疗特征筛选方法、装置、计算机设备和存储介质 | |
WO2020103482A1 (zh) | 电子病历生成方法、装置、计算机设备和存储介质 | |
CN112447270A (zh) | 一种用药推荐方法、装置、设备及存储介质 | |
US11935636B2 (en) | Dynamic medical summary | |
WO2020034874A1 (zh) | 医疗单据审核方法、装置、计算机设备和存储介质 | |
Jeyafzam et al. | Improvement of grey wolf optimizer with adaptive middle filter to adjust support vector machine parameters to predict diabetes complications | |
CN113436725A (zh) | 数据处理方法、***、计算机设备及计算机可读存储介质 | |
CN113220895A (zh) | 基于强化学习的信息处理方法、装置、终端设备 | |
US20150339602A1 (en) | System and method for modeling health care costs | |
CN114446470A (zh) | 基于人工智能模型的急性肾损伤恢复时间预测方法 | |
CN113436746B (zh) | 基于排序算法的用药推荐方法、装置、设备及存储介质 | |
CN115631823A (zh) | 相似病例推荐方法及*** | |
CN110570943B (zh) | 智能推荐mdt入组的方法及装置、电子设备、存储介质 | |
CN114520035A (zh) | 一种志愿者筛选方法、装置、电子设备及存储介质 | |
Lee et al. | Estimating disease onset from change points of markers measured with error | |
CN114512241B (zh) | 一种基于频次分析的食管静脉瘤信息智能搜寻方法及*** | |
US20230153757A1 (en) | System and Method for Rapid Informatics-Based Prognosis and Treatment Development |
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 |