CN116525123A - 一种基于分析模型的医疗检查落地要素反馈***及方法 - Google Patents
一种基于分析模型的医疗检查落地要素反馈***及方法 Download PDFInfo
- Publication number
- CN116525123A CN116525123A CN202310781288.XA CN202310781288A CN116525123A CN 116525123 A CN116525123 A CN 116525123A CN 202310781288 A CN202310781288 A CN 202310781288A CN 116525123 A CN116525123 A CN 116525123A
- Authority
- CN
- China
- Prior art keywords
- user
- analysis
- landing
- model
- medical examination
- 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
- 238000000034 method Methods 0.000 title claims abstract description 30
- 230000036541 health Effects 0.000 claims abstract description 181
- 238000007689 inspection Methods 0.000 claims abstract description 27
- 238000002558 medical inspection Methods 0.000 claims abstract description 18
- 230000003993 interaction Effects 0.000 claims abstract description 13
- 238000013528 artificial neural network Methods 0.000 claims description 26
- 230000006978 adaptation Effects 0.000 claims description 25
- 238000013527 convolutional neural network Methods 0.000 claims description 23
- 238000012549 training Methods 0.000 claims description 13
- 230000005540 biological transmission Effects 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 11
- 230000006872 improvement Effects 0.000 claims description 8
- 238000004891 communication Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 6
- 230000006641 stabilisation Effects 0.000 claims description 6
- 238000011105 stabilization Methods 0.000 claims description 6
- 239000013598 vector Substances 0.000 claims description 6
- 241000135164 Timea Species 0.000 claims 1
- 238000013473 artificial intelligence Methods 0.000 abstract description 7
- 208000024891 symptom Diseases 0.000 description 11
- 230000003044 adaptive effect Effects 0.000 description 9
- 238000003058 natural language processing Methods 0.000 description 6
- 238000012423 maintenance Methods 0.000 description 4
- 201000005569 Gout Diseases 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- LEHOTFFKMJEONL-UHFFFAOYSA-N Uric Acid Chemical compound N1C(=O)NC(=O)C2=C1NC(=O)N2 LEHOTFFKMJEONL-UHFFFAOYSA-N 0.000 description 2
- TVWHNULVHGKJHS-UHFFFAOYSA-N Uric acid Natural products N1C(=O)NC(=O)C2NC(=O)NC21 TVWHNULVHGKJHS-UHFFFAOYSA-N 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013075 data extraction Methods 0.000 description 2
- 238000009533 lab test Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003908 quality control method Methods 0.000 description 2
- 230000001052 transient effect Effects 0.000 description 2
- 229940116269 uric acid Drugs 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000009423 ventilation 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
- 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
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/205—Parsing
- G06F40/216—Parsing using statistical methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0499—Feedforward networks
-
- 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
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- 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
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- 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)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Pathology (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明公开了一种基于分析模型的医疗检查落地要素反馈***及方法,包括至少一个要素落地门户和检查分析门户;所述检查分析门户用于接收用户提供的医疗检查数据,并将医疗检查数据进行语义分析后反馈至要素落地门户;所述要素落地门户内置有落地分析模型,所述要素落地门户利用落地分析模型对医疗检查数据的语义分析结果进行模型化分析得到用户检查落地要素结果。本发明构建医疗检查落地要素反馈***,用户可以在医疗检查落地要素反馈***中提交医疗检查数据直接由人工智能算法获得维持或提升健康状况的康健方案要素,智能化交互,降低对医生专家经验的依赖,落地分析模型能够适时匹配用户临床的实际情况,提高临床康健方***性。
Description
技术领域
本发明涉及智能医疗技术领域,具体涉及一种基于分析模型的医疗检查落地要素反馈***及方法。
背景技术
医疗检查获得检查报告后,需要寻求维持或提升身体健康状况的医疗方案反馈,从而依医疗方案进行健康维护,保持身体健康。
现有的医疗反馈***包含医疗决策类***或者风险评判类***,如临床决策支持***、病案质控***,通常会使用规则或人工智能(如:机器学习算法)算法对病历(病案)这类非结构化数据文本进行自然语言处理或识别,并基于自动化或者规则的方式进行数据提取,以形成结构化的数据。结合这些经过结构化的病案以及其他本身就是结构化的数据信息(如:医嘱、病案首页数据、实验室检验结果等)人为设定规则以形成决策依据或者风险识别依据,如用户尿酸测定值超过420μmol/L即被认定为痛风,会依据通风进行医嘱下发。
然而,实际临床对于诊断医嘱的下达或者病情的分析并不完全基于某一瞬态下客观化指标,而是结合各类因素(如:医嘱的临床持续表现)综合判定。因此,尽管现有技术的医疗反馈***使用了各种人工智能的算法为用户提供康健方案,但在康健方案决策依据的判断中还是基于专家经验的简单化设定,不能依用户检查报告的信息量进行适应性动态调节,与用户临床实际情况存在较大差异,也导致应用于用户康健方案制定下发时适配性差,进而导致***的反馈准确性差。
发明内容
本发明的目的在于提供一种基于分析模型的医疗检查落地要素反馈***及方法,以解决现有技术中康健方案决策依据的判断中还是基于专家经验的简单化设定,不能依用户检查报告的信息量进行适应性动态调节,与用户临床实际情况存在较大差异,也导致应用于用户康健方案制定下发时适配性差,进而导致***的反馈准确性差的技术问题。
为解决上述技术问题,本发明具体提供下述技术方案:
一种基于分析模型的医疗检查落地要素反馈***,包括至少一个要素落地门户和检查分析门户,所述检查分析门户与每个所述要素落地门户通信连接进行数据交互;
所述检查分析门户用于接收用户提供的医疗检查数据,并将医疗检查数据进行语义分析后反馈至要素落地门户;
所述要素落地门户内置有落地分析模型,所述要素落地门户利用落地分析模型对医疗检查数据的语义分析结果进行模型化分析得到用户检查落地要素结果,再将用户检查落地要素结果反馈至检查分析门户用于向用户进行展示;
其中,所述用户检查落地要素结果为将用户医疗检查数据落地成实现维持或提升用户医疗健康状态的康健方案要素。
作为本发明的种优选方案,所述落地分析模型由用户连续性自分析落地模型和用户相似性他分析落地模型进行权重组合组成,所述用户检查落地要素结果由连续性康健落地要素结果和相似性康健落地要素结果组成,其中,所述用户连续性自分析落地模型用于利用用户自身的健康状态连续性规律分析出用户的连续性康健落地要素结果,以实现维持或提升用户医疗健康状态的康健方案的个体化适配,所述用户相似性他分析落地模型用于利用用户间的健康状态相似性规律分析出用户的相似性康健落地要素结果,以实现维持或提升用户医疗健康状态的康健方案的群体化适配,所述连续性康健落地要素结果为由健康状态连续性规律分析得到的实现维持或提升用户医疗健康状态的康健方案要素,所述相似性康健落地要素结果由健康状态相似性规律分析得到的实现维持或提升用户医疗健康状态的康健方案要素;
所述用户连续性自分析落地模型的模型表达式为:
Knew=CNN(Kold,Snew,Sold);
式中,Knew为用户当前时刻的连续性康健落地要素结果,Kold为用户前一时刻的连续性康健落地要素结果,Snew为用户当前时刻的医疗检查数据的语义分析结果,Sold为用户前一时刻的医疗检查数据的语义分析结果,CNN为神经网络;
所述用户相似性他分析落地模型的模型表达式为:
Lnew=BP(Snew);
式中,Lnew为用户当前时刻的连续性康健落地要素结果,Snew为用户当前时刻的医疗检查数据的语义分析结果,BP为神经网络。
作为本发明的一种优选方案,所述用户连续性自分析落地模型的组合权重为:
;
式中,Wnew为用户当前时刻的用户连续性自分析落地模型的组合权重,nold为所有前置于用户当前时刻的医疗检查数据的语义分析结果或连续性康健落地要素结果的数量;
所述用户相似性他分析落地模型的组合权重为:
;
式中,Vnew为用户当前时刻的用户相似性他分析落地模型的组合权重,nold为所有前置于用户当前时刻的医疗检查数据的语义分析结果或连续性康健落地要素结果的数量。
作为本发明的一种优选方案,所述落地分析模型的模型表达式:
Mnew=Wnew*CNN(Kold,Snew,Sold)+Vnew*BP(Snew);
式中,Mnew为用户当前时刻的用户检查落地要素结果,Wnew为用户当前时刻的用户连续性自分析落地模型的组合权重,Vnew为用户当前时刻的用户相似性他分析落地模型的组合权重,Kold为用户前一时刻的连续性康健落地要素结果,Snew为用户当前时刻的医疗检查数据的语义分析结果,Sold为用户前一时刻的医疗检查数据的语义分析结果,CNN为神经网络,BP为神经网络。
作为本发明的一种优选方案,所述检查分析门户包含显示组件,读取组件,信息传输组件,其中,所述读取组件利用NLP算法对非结构化的医疗检查数据进行自然语言读取转化为落地分析模型可用的语义向量,以作为医疗检查数据的语义分析结果,所述显示组件利用NLP算法对要素落地门户反馈的用户检查落地要素结果由语义向量进行用户可读性语言构建并显示,所述信息传输组件用于检查分析门户与所述要素落地门户通信连接进行数据交互;
所述要素落地门户包括分析组件,存储组件,信息传输组件,其中,所述分析组件中内置有落地分析模型,所述存储组件用于存储用户所有时刻的医疗检查数据或用户检查落地要素结果,所述信息传输组件用于检查分析门户与所述要素落地门户通信连接进行数据交互。
作为本发明的一种优选方案,本发明提供了一种实施所述的基于分析模型的医疗检查落地要素反馈***的医疗检查落地要素反馈方法,包括以下步骤:
步骤S1、利用历史医疗日志库构建落地分析模型,并将落地分析模型内置于要素落地门户;
步骤S2、检查分析门户接收用户提供的当前时刻的医疗检查数据进行实时语义分析,并实时将医疗检查数据的语义分析结果反馈至要素落地门户;
步骤S3、要素落地门户利用落地分析模型对用户当前时刻的医疗检查数据的语义分析结果进行模型化分析得到用户当前时刻的用户检查落地要素结果,再将用户检查落地要素结果反馈至检查分析门户;
步骤S4、检查分析门户对用户检查落地要素结果进行用户可读性语言构建,并实时向用户进行展示。
作为本发明的一种优选方案,所述落地分析模型的构建方法包括:
利用历史医疗日志库构建用户连续性自分析落地模型,以及用户相似性他分析落地模型;
利用S型函数拟合个体化适配和群体化适配的倾向规律确定出用户连续性自分析落地模型和用户相似性他分析落地模型的组合权重;
利用用户连续性自分析落地模型和用户相似性他分析落地模型的组合权重对用户连续性自分析落地模型和用户相似性他分析落地模型进行组合构建得到落地分析模型。
作为本发明的一种优选方案,所述用户连续性自分析落地模型的构建方法包括:
在历史医疗日志库选取出用户的历史医疗检查数据和用户的历史用户检查落地要素结果,所述用户的历史医疗检查数据和用户的历史用户检查落地要素结果的历史时序一一对应;
在用户的历史医疗检查数据中将后置历史时序处的医疗检查数据与相邻前置历史时序处的医疗检查数据进行比较,保留相较于相邻前置历史时序处的医疗检查数据表征健康状况好转或稳定的后置历史时序处的医疗检查数据;
对应保留表征健康状况好转或稳定的后置历史时序处的用户检查落地要素结果;
将用户的历史医疗检查数据和历史用户检查落地要素结果中分别保留下的历史时序处的医疗检查数据和历史时序处的用户检查落地要素结果依时序进行顺序排列,得到用户的历史医疗检查数据的有效序列和历史用户检查落地要素结果的有效序列;
将用户的历史医疗检查数据的有效序列和历史用户检查落地要素结果的有效序列中各个历史时序抽象为用户当前时刻,并将历史医疗检查数据进行语义分析,以得到用户当前时刻的连续性康健落地要素结果、用户前一时刻的连续性康健落地要素结果、用户当前时刻的医疗检查数据的语义分析结果以及用户前一时刻的医疗检查数据的语义分析结果,利用CNN神经网络进行网络训练得到所述用户连续性自分析落地模型;
所述用户连续性自分析落地模型的模型表达式为:
Knew=CNN(Kold,Snew,Sold);
式中,Knew为用户当前时刻的连续性康健落地要素结果,Kold为用户前一时刻的连续性康健落地要素结果,Snew为用户当前时刻的医疗检查数据的语义分析结果,Sold为用户前一时刻的医疗检查数据的语义分析结果,CNN为神经网络。
作为本发明的一种优选方案,所述用户相似性他分析落地模型的构建方法包括:
在历史医疗日志库选取出用户的历史医疗检查数据和用户的历史康健落地要素结果,所述用户的历史医疗检查数据和用户的历史康健落地要素结果的历史时序一一对应;
在历史医疗日志库利用历史医疗检查数据的有效序列和历史康健落地要素结果的有效序列量化用户与其他用户的相似性,并选取相似性阈值范围内的其他用户对应的历史医疗检查数据的有效序列和历史康健落地要素结果的有效序列;
将其他用户对应的历史医疗检查数据的有效序列和历史康健落地要素结果的有效序列,利用CNN神经网络进行网络训练得到所述用户相似性他分析落地模型;
所述用户相似性他分析落地模型的模型表达式为:
Lnew=BP(Snew);
式中,Lnew为用户当前时刻的连续性康健落地要素结果,Snew为用户当前时刻的医疗检查数据的语义分析结果,BP为神经网络。
作为本发明的一种优选方案,所述组合权重的确定方法包括:
利用S型函数拟合个体化适配的倾向规律确定出用户连续性自分析落地模型的组合权重,所述用户连续性自分析落地模型的组合权重为:
;
式中,Wnew为用户当前时刻的用户连续性自分析落地模型的组合权重,nold为所有前置于用户当前时刻的医疗检查数据或连续性康健落地要素结果的数量;
利用S型函数拟合群体化适配的倾向规律确定出用户相似性他分析落地模型的组合权重,所述用户相似性他分析落地模型的组合权重为:
;
式中,Vnew为用户当前时刻的用户相似性他分析落地模型的组合权重,nold为所有前置于用户当前时刻的医疗检查数据或连续性康健落地要素结果的数量。
本发明与现有技术相比较具有如下有益效果:
本发明构建医疗检查落地要素反馈***,用户可以在医疗检查落地要素反馈***中提交医疗检查数据直接由人工智能算法获得维持或提升健康状况的康健方案要素,智能化交互,降低对医生专家经验的依赖,减轻医患双方的医疗负担,而且医疗检查落地要素反馈***中内置落地分析模型进行智能化下发康健方案要素,并且落地分析模型能够适时匹配用户临床的实际情况,提高临床康健方***性。
附图说明
为了更清楚地说明本发明的实施方式或现有技术中的技术方案,下面将对实施方式或现有技术描述中所需要使用的附图作简单地介绍。显而易见地,下面描述中的附图仅仅是示例性的,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,还可以根据提供的附图引伸获得其它的实施附图。
图1为本发明实施例提供的医疗检查落地要素反馈***结构框图;
图2为本发明实施例提供的医疗检查落地要素反馈方法流程图。
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。
目前用户康健方案的下发主要依靠用户获取到检查结果后,拿着检查结果至医生门诊室由医生进行病情判定和康健方案或康健医嘱下达,很多情况下,同一种疾病在不同用户身上会存在共性症状以及采用相同的医疗手段,依次映射到医疗检查数据和康健医嘱上,同种身体不适症状在不同病患处会存在相似或相同的医疗检查数据以及相似或相同的康健方案或康健医嘱进行治疗,即确定多个用户的医疗检查数据具有相似性时,会对多个用户下达相似或同样的康健方案来治疗该身体不适症状,因此针对于医疗检查数据所下的康健方案具有在用户之间的相似规律性。
目前全部由医生进行康健方案制定下达的过程,会浪费康健方案在用户之间具有相似规律性,而且康健方案全部由医生人工下达会造成医生的重复工作负担重,医生的重复工作又会造成医疗资源低效占用,因而又会造成用户等待时间长,双向降低医患双方的医疗效率,不利于医患关系。因此本发明提供了一种基于分析模型的医疗检查落地要素反馈***,用户可以在医疗检查落地要素反馈***中提交医疗检查数据直接由人工智能算法获得康健方案要素,智能化交互,降低对医生的依赖,减轻医患双方的医疗负担,
如图1所示,本发明提供了一种基于分析模型的医疗检查落地要素反馈***,包括至少一个要素落地门户和检查分析门户,检查分析门户与每个要素落地门户通信连接进行数据交互;
检查分析门户用于接收用户提供的医疗检查数据,并将医疗检查数据进行语义分析后反馈至要素落地门户;
要素落地门户内置有落地分析模型,要素落地门户利用落地分析模型对医疗检查数据的语义分析结果进行模型化分析得到用户检查落地要素结果,再将用户检查落地要素结果反馈至检查分析门户用于向用户进行展示;
其中,所述用户检查落地要素结果为将用户医疗检查数据落地成实现维持或提升用户医疗健康状态的康健方案要素。
本发明设置检查分析门户用于读取用户的医疗检查数据,以及显示用户的康健方案,设置要素落地门户用于根据医疗检查数据智能化获取康健方案,由人工智能替代医生的重复性制式工作,避免医疗资源低效占用,同时用户可直接通过***获得康健方案或康健医嘱,无需在医生诊疗室进行等待,降低对医生的依赖,减轻医患双方的医疗负担。
同一种身体不适症状在不同用户身上会存在共性症状以及采用相同的医疗手段,依次映射到医疗检查数据和康健方案上,同种身体不适症状在不同用户处会存在相似或相同的医疗检查数据以及相似或相同的康健方案或康健医嘱进行缓解不适症状,维持或提升身体健康,即确定多个用户的医疗检查数据具有相似性时,会对多个用户下达相似或同样的康健方案或康健医嘱来缓解该该不适症状,因此针对于医疗检查数据所下的康健方案或康健医嘱具有在用户之间的相似规律性,为了充分利用康健方案或康健医嘱在用户之间具有相似规律性,本发明提供了一种用户相似性他分析落地模型,通过神经网络进行学习训练得到用户检查落地要素结果与医疗检查数据的映射关联,即可以直接通过医疗检查数据得到用户检查落地要素结果,该用户相似性他分析落地模型在大数量级的用户之间进行学习训练得到,因此使得用户相似性他分析落地模型为用户间群体性专家经验的模型抽象,实现康健方案的群体化适配。
由于用户个体间存在差异,虽然能够通过其他用户总结出的专家经验进行分析得到较为适配的康健方案,但是个体性差异的存在也会导致用户相似性他分析落地模型得到康健方案难以完全准确匹配对应用户个体,因此本发明提供了一种用户连续性自分析落地模型,能够利用用户自身不适症状根据康健方案进行不适缓解的医疗连续性进行学习训练,即根据前置时序的康健方案和医疗检查数据及后置时序的医疗检查数据得到后置时序的康健方案,以使得获得的康健方案更适配用户个体。
用户连续性自分析落地模型的准确性依赖于用户自身在***中存在较多的病史数据量,因此在用户病史数据量不足时难以确保适配个体的康健方***性,用户相似性他分析落地模型不受用户病史数据量不足的影响,因此在用户病史数据量不足时,会更侧重于相信用户相似性他分析落地模型得到的适配群体的康健方案,但是等到用户病史数据量充足时,用户的个体治疗特征也会体现的更加明显,此时用户相似性他分析落地模型得到的适配群体的康健方案的结果越来越偏离个体特征,用户连续性自分析落地模型得到适配个体的康健方案越来越准确,因此本发明根据两个模型的上述特征,对他们的准确性变化趋势拟合于用户病史数据量(即nold)来设定组合权重,并利用组合权重构建出落地分析模型,使得落地分析模型能够适时匹配临床实际情况,在用户病史数据量不足时依赖用户相似性他分析落地模型确保的康健方案准确性,在用户病史数据量充足时依赖用户连续性自分析落地模型确保的康健方案准确性,提高临床康健方***性。落地分析模型的详细内容如下:
落地分析模型由用户连续性自分析落地模型和用户相似性他分析落地模型进行权重组合组成,用户检查落地要素结果由连续性康健落地要素结果和相似性康健落地要素结果组成,其中,用户连续性自分析落地模型用于利用用户自身的健康状态连续性规律分析出用户的连续性康健落地要素结果,以实现维持或提升用户医疗健康状态的康健方案的个体化适配,用户相似性他分析落地模型用于利用用户间的健康状态相似性规律分析出用户的相似性康健落地要素结果,以实现维持或提升用户医疗健康状态的康健方案的群体化适配,连续性康健落地要素结果为由健康状态连续性规律分析得到的实现维持或提升用户医疗健康状态的康健方案要素,相似性康健落地要素结果由健康状态相似性规律分析得到的实现维持或提升用户医疗健康状态的康健方案要素;
用户连续性自分析落地模型的模型表达式为:
Knew=CNN(Kold,Snew,Sold);
式中,Knew为用户当前时刻的连续性康健落地要素结果,Kold为用户前一时刻的连续性康健落地要素结果,Snew为用户当前时刻的医疗检查数据的语义分析结果,Sold为用户前一时刻的医疗检查数据的语义分析结果,CNN为神经网络;
用户相似性他分析落地模型的模型表达式为:
Lnew=BP(Snew);
式中,Lnew为用户当前时刻的连续性康健落地要素结果,Snew为用户当前时刻的医疗检查数据的语义分析结果,BP为神经网络。
用户连续性自分析落地模型的组合权重为:
;
式中,Wnew为用户当前时刻的用户连续性自分析落地模型的组合权重,nold为所有前置于用户当前时刻的医疗检查数据的语义分析结果或连续性康健落地要素结果的数量;
用户相似性他分析落地模型的组合权重为:
;
式中,Vnew为用户当前时刻的用户相似性他分析落地模型的组合权重,nold为所有前置于用户当前时刻的医疗检查数据的语义分析结果或连续性康健落地要素结果的数量。
落地分析模型的模型表达式:
Mnew=Wnew*CNN(Kold,Snew,Sold)+Vnew*BP(Snew);
式中,Mnew为用户当前时刻的用户检查落地要素结果,Wnew为用户当前时刻的用户连续性自分析落地模型的组合权重,Vnew为用户当前时刻的用户相似性他分析落地模型的组合权重,Kold为用户前一时刻的连续性康健落地要素结果,Snew为用户当前时刻的医疗检查数据的语义分析结果,Sold为用户前一时刻的医疗检查数据的语义分析结果,CNN为神经网络,BP为神经网络。
检查分析门户包含显示组件,读取组件,信息传输组件,其中,读取组件利用NLP算法对非结构化的医疗检查数据进行自然语言读取转化为落地分析模型可用的语义向量,以作为医疗检查数据的语义分析结果,显示组件利用NLP算法对要素落地门户反馈的用户检查落地要素结果由语义向量进行用户可读性语言构建并显示,信息传输组件用于检查分析门户与要素落地门户通信连接进行数据交互;
要素落地门户包括分析组件,存储组件,信息传输组件,其中,分析组件中内置有落地分析模型,存储组件用于存储用户所有时刻的医疗检查数据或用户检查落地要素结果,信息传输组件用于检查分析门户与要素落地门户通信连接进行数据交互。
现有医疗决策类***或者风险评判类***,如临床决策支持***、病案质控***,通常会使用规则或人工智能(如:机器学习算法)算法对病历(病案)这类非结构化数据文本进行自然语言处理或识别,并基于自动化或者规则的方式进行数据提取,以形成结构化的数据。结合这些经过结构化的病案以及其他本身就是结构化的数据信息(如:医嘱、病案首页数据、实验室检验结果等)人为设定规则以形成决策依据或者风险识别依据,如用户尿酸测定值超过420μmol/L即被认定为痛风,会依据痛风进行医嘱下发。然而,实际临床对于诊断医嘱的下达或者病情的分析并不完全基于某一瞬态下客观化指标,而是结合各类因素(如:医嘱的临床持续表现)综合判定。尽管使用了各种人工智能的算法,但在医嘱决策依据的判断以及风险识别依据的判断中还是基于专家经验的简单化设定,不能适时调节,与临床实际情况存在较大差异,也导致应用于临床医嘱下发时准确性差。因此本发明提供了一种医疗检查反馈方法,能够利用构建的医嘱分析模型对医疗检查结果进行智能化分析得到准确的用户医嘱,具体方法如下:
如图2所示,本发明提供了一种实施的基于分析模型的医疗检查落地要素反馈***的医疗检查落地要素反馈方法,包括以下步骤:
步骤S1、利用历史医疗日志库构建落地分析模型,并将落地分析模型内置于要素落地门户;
步骤S2、检查分析门户接收用户提供的当前时刻的医疗检查数据进行实时语义分析,并实时将医疗检查数据的语义分析结果反馈至要素落地门户;
步骤S3、要素落地门户利用落地分析模型对用户当前时刻的医疗检查数据的语义分析结果进行模型化分析得到用户当前时刻的用户检查落地要素结果,再将用户检查落地要素结果反馈至检查分析门户;
步骤S4、检查分析门户对用户检查落地要素结果进行用户可读性语言构建,并实时向用户进行展示。
同一种身体不适症状在不同用户身上会存在共性症状以及采用相同的医疗手段,依次映射到医疗检查数据和康健方案上,同种身体不适症状在不同用户处会存在相似或相同的医疗检查数据以及相似或相同的康健方案进行缓解不适症状,即确定多个用户的医疗检查数据具有相似性时,会对多个用户下达相似或同样的康健方案来缓解该身体不适症状,因此针对于医疗检查数据所下的康健方案具有在用户之间的相似规律性,为了充分利用康健方案在用户之间具有相似规律性,本发明提供了一种用户相似性他分析落地模型,通过神经网络进行学习训练得到康健方案要素与医疗检查数据的映射关联,即可以直接通过医疗检查数据得到康健方案,该用户相似性他分析落地模型在大数量级的用户之间进行学习训练得到,因此使得用户相似性他分析落地模型为用户间群体性专家经验的模型抽象,实现康健方案的群体化适配。
由于用户个体间存在差异,虽然能够通过其他用户总结出的专家经验进行分析得到较为适配的康健方案,但是个体性差异的存在也会导致用户相似性他分析落地模型得到康健方案难以完全准确匹配对应用户个体,因此本发明提供了一种用户连续性自分析落地模型,能够利用用户自身病不适症状根据康健方案进行不适症状治疗缓解的医疗连续性进行学习训练,即根据前置时序的康健方案和医疗检查数据及后置时序的医疗检查数据得到后置时序的康健方案,以使得获得的康健方案更适配用户个体。
用户连续性自分析落地模型的准确性依赖于用户自身在***中存在较多的病史数据量,因此在用户病史数据量不足时难以确保适配个体的康健方***性,用户相似性他分析落地模型不受用户病史数据量不足的影响,因此在用户病史数据量不足时,会更侧重于相信用户相似性他分析落地模型得到的适配群体的康健方案,但是等到用户病史数据量充足时,用户的个体治疗特征也会体现的更加明显,此时用户相似性他分析落地模型得到的适配群体的康健方案的结果越来越偏离个体特征,用户连续性自分析落地模型得到适配个体的康健方案越来越准确,因此本发明根据两个模型的上述特征,对他们的准确性变化趋势拟合于用户病史数据量(即nold)来设定组合权重,并利用组合权重构建出落地分析模型,使得落地分析模型能够适时匹配临床实际情况,在用户病史数据量不足时依赖用户相似性他分析落地模型确保的康健方案准确性,在用户病史数据量充足时依赖用户连续性自分析落地模型确保的康健方案准确性,提高临床康健方***性。构建医嘱分析模型的方法如下:
落地分析模型的构建方法包括:
利用历史医疗日志库构建用户连续性自分析落地模型,以及用户相似性他分析落地模型;
利用S型函数拟合个体化适配和群体化适配的倾向规律确定出用户连续性自分析落地模型和用户相似性他分析落地模型的组合权重;
利用用户连续性自分析落地模型和用户相似性他分析落地模型的组合权重对用户连续性自分析落地模型和用户相似性他分析落地模型进行组合构建得到落地分析模型。
用户连续性自分析落地模型的构建方法包括:
在历史医疗日志库选取出用户的历史医疗检查数据和用户的历史用户检查落地要素结果,用户的历史医疗检查数据和用户的历史用户检查落地要素结果的历史时序一一对应;
在用户的历史医疗检查数据中将后置历史时序处的医疗检查数据与相邻前置历史时序处的医疗检查数据进行比较,保留相较于相邻前置历史时序处的医疗检查数据表征健康状况好转或稳定的后置历史时序处的医疗检查数据;
对应保留表征健康状况好转或稳定的后置历史时序处的用户检查落地要素结果;
将用户的历史医疗检查数据和历史用户检查落地要素结果中分别保留下的历史时序处的医疗检查数据和历史时序处的用户检查落地要素结果依时序进行顺序排列,得到用户的历史医疗检查数据的有效序列和历史用户检查落地要素结果的有效序列;
将用户的历史医疗检查数据的有效序列和历史用户检查落地要素结果的有效序列中各个历史时序抽象为用户当前时刻,并将历史医疗检查数据进行语义分析,以得到用户当前时刻的连续性康健落地要素结果、用户前一时刻的连续性康健落地要素结果、用户当前时刻的医疗检查数据的语义分析结果以及用户前一时刻的医疗检查数据的语义分析结果,利用CNN神经网络进行网络训练得到用户连续性自分析落地模型;
用户连续性自分析落地模型的模型表达式为:
Knew=CNN(Kold,Snew,Sold);
式中,Knew为用户当前时刻的连续性康健落地要素结果,Kold为用户前一时刻的连续性康健落地要素结果,Snew为用户当前时刻的医疗检查数据的语义分析结果,Sold为用户前一时刻的医疗检查数据的语义分析结果,CNN为神经网络。
用户相似性他分析落地模型的构建方法包括:
在历史医疗日志库选取出用户的历史医疗检查数据和用户的历史康健落地要素结果,用户的历史医疗检查数据和用户的历史康健落地要素结果的历史时序一一对应;
在历史医疗日志库利用历史医疗检查数据的有效序列和历史康健落地要素结果的有效序列量化用户与其他用户的相似性,并选取相似性阈值范围内的其他用户对应的历史医疗检查数据的有效序列和历史康健落地要素结果的有效序列;
将其他用户对应的历史医疗检查数据的有效序列和历史康健落地要素结果的有效序列,利用CNN神经网络进行网络训练得到用户相似性他分析落地模型;
用户相似性他分析落地模型的模型表达式为:
Lnew=BP(Snew);
式中,Lnew为用户当前时刻的连续性康健落地要素结果,Snew为用户当前时刻的医疗检查数据的语义分析结果,BP为神经网络。
用户的历史医疗检查数据的有效序列和历史康健落地要素结果的有效序列,其他用户对应的历史医疗检查数据的有效序列和历史康健落地要素结果的有效序列,本发明在筛选训练数据集时只选择表征使得身体不适症状好转或维持健康状况稳定的康健方案和检查数据的历史数据,保证用户相似性他分析落地模型和用户连续性自分析落地模型得到的康佳方案均能使得用户遵从该康健方案实现身体状况好转或稳定,进一步提高准确性。
本发明利用S型函数拟合个体化适配的倾向规律,即在用户病史数据量不足时,会更侧重于相信用户相似性他分析落地模型得到的适配群体的康健方案,但是等到用户病史数据量充足时,用户的个体治疗特征也会体现的更加明显,此时用户相似性他分析落地模型得到的适配群体的康健方案的结果越来越偏离个体特征,用户连续性自分析落地模型得到适配个体的康健方案越来越准确,利用S型函数拟合个体化适配的倾向规律得到组合权重构建出落地分析模型,使得落地分析模型能够适时匹配临床实际情况,在用户病史数据量不足时依赖用户相似性他分析落地模型确保的康健方案准确性,在用户病史数据量充足时依赖用户连续性自分析落地模型确保的康健方案准确性,提高临床康健方***性。
组合权重的确定方法包括:
利用S型函数拟合个体化适配的倾向规律确定出用户连续性自分析落地模型的组合权重,用户连续性自分析落地模型的组合权重为:
;
式中,Wnew为用户当前时刻的用户连续性自分析落地模型的组合权重,nold为所有前置于用户当前时刻的医疗检查数据或连续性康健落地要素结果的数量;
利用S型函数拟合群体化适配的倾向规律确定出用户相似性他分析落地模型的组合权重,用户相似性他分析落地模型的组合权重为:
;
式中,Vnew为用户当前时刻的用户相似性他分析落地模型的组合权重,nold为所有前置于用户当前时刻的医疗检查数据或连续性康健落地要素结果的数量。
本发明构建医疗检查落地要素反馈***,用户可以在医疗检查落地要素反馈***中提交医疗检查数据直接由人工智能算法获得维持或提升健康状况的康健方案要素,智能化交互,降低对医生专家经验的依赖,减轻医患双方的医疗负担,而且医疗检查落地要素反馈***中内置落地分析模型进行智能化下发康健方案要素,并且落地分析模型能够适时匹配用户临床的实际情况,提高临床康健方***性。
以上实施例仅为本申请的示例性实施例,不用于限制本申请,本申请的保护范围由权利要求书限定。本领域技术人员可以在本申请的实质和保护范围内,对本申请做出各种修改或等同替换,这种修改或等同替换也应视为落在本申请的保护范围内。
Claims (10)
1.一种基于分析模型的医疗检查落地要素反馈***,其特征在于,包括至少一个要素落地门户和检查分析门户,所述检查分析门户与每个所述要素落地门户通信连接进行数据交互;
所述检查分析门户用于接收用户提供的医疗检查数据,并将医疗检查数据进行语义分析后反馈至要素落地门户;
所述要素落地门户内置有落地分析模型,所述要素落地门户利用落地分析模型对医疗检查数据的语义分析结果进行模型化分析得到用户检查落地要素结果,再将用户检查落地要素结果反馈至检查分析门户用于向用户进行展示;
其中,所述用户检查落地要素结果为将用户医疗检查数据落地成实现维持或提升用户医疗健康状态的康健方案要素。
2.根据权利要求1所述的一种基于分析模型的医疗检查落地要素反馈***,其特征在于:所述落地分析模型由用户连续性自分析落地模型和用户相似性他分析落地模型进行权重组合组成,所述用户检查落地要素结果由连续性康健落地要素结果和相似性康健落地要素结果组成,其中,所述用户连续性自分析落地模型用于利用用户自身的健康状态连续性规律分析出用户的连续性康健落地要素结果,以实现维持或提升用户医疗健康状态的康健方案的个体化适配,所述用户相似性他分析落地模型用于利用用户间的健康状态相似性规律分析出用户的相似性康健落地要素结果,以实现维持或提升用户医疗健康状态的康健方案的群体化适配,所述连续性康健落地要素结果为由健康状态连续性规律分析得到的实现维持或提升用户医疗健康状态的康健方案要素,所述相似性康健落地要素结果由健康状态相似性规律分析得到的实现维持或提升用户医疗健康状态的康健方案要素;
所述用户连续性自分析落地模型的模型表达式为:
Knew=CNN(Kold,Snew,Sold);
式中,Knew为用户当前时刻的连续性康健落地要素结果,Kold为用户前一时刻的连续性康健落地要素结果,Snew为用户当前时刻的医疗检查数据的语义分析结果,Sold为用户前一时刻的医疗检查数据的语义分析结果,CNN为神经网络;
所述用户相似性他分析落地模型的模型表达式为:
Lnew=BP(Snew);
式中,Lnew为用户当前时刻的连续性康健落地要素结果,Snew为用户当前时刻的医疗检查数据的语义分析结果,BP为神经网络。
3.根据权利要求2所述的一种基于分析模型的医疗检查落地要素反馈***,其特征在于:所述用户连续性自分析落地模型的组合权重为:
;
式中,Wnew为用户当前时刻的用户连续性自分析落地模型的组合权重,nold为所有前置于用户当前时刻的医疗检查数据的语义分析结果或连续性康健落地要素结果的数量;
所述用户相似性他分析落地模型的组合权重为:
;
式中,Vnew为用户当前时刻的用户相似性他分析落地模型的组合权重,nold为所有前置于用户当前时刻的医疗检查数据的语义分析结果或连续性康健落地要素结果的数量。
4.根据权利要求3所述的一种基于分析模型的医疗检查落地要素反馈***,其特征在于:所述落地分析模型的模型表达式:
;
式中,Mnew为用户当前时刻的用户检查落地要素结果,Wnew为用户当前时刻的用户连续性自分析落地模型的组合权重,Vnew为用户当前时刻的用户相似性他分析落地模型的组合权重,Kold为用户前一时刻的连续性康健落地要素结果,Snew为用户当前时刻的医疗检查数据的语义分析结果,Sold为用户前一时刻的医疗检查数据的语义分析结果,CNN为神经网络,BP为神经网络。
5.根据权利要求1所述的一种基于分析模型的医疗检查落地要素反馈***,其特征在于:所述检查分析门户包含显示组件,读取组件,信息传输组件,其中,所述读取组件利用NLP算法对非结构化的医疗检查数据进行自然语言读取转化为落地分析模型可用的语义向量,以作为医疗检查数据的语义分析结果,所述显示组件利用NLP算法对要素落地门户反馈的用户检查落地要素结果由语义向量进行用户可读性语言构建并显示,所述信息传输组件用于检查分析门户与所述要素落地门户通信连接进行数据交互;
所述要素落地门户包括分析组件,存储组件,信息传输组件,其中,所述分析组件中内置有落地分析模型,所述存储组件用于存储用户所有时刻的医疗检查数据或用户检查落地要素结果,所述信息传输组件用于检查分析门户与所述要素落地门户通信连接进行数据交互。
6.一种实施权利要求1-5任一项所述的基于分析模型的医疗检查落地要素反馈***的医疗检查落地要素反馈方法,其特征在于:包括以下步骤:
步骤S1、利用历史医疗日志库构建落地分析模型,并将落地分析模型内置于要素落地门户;
步骤S2、检查分析门户接收用户提供的当前时刻的医疗检查数据进行实时语义分析,并实时将医疗检查数据的语义分析结果反馈至要素落地门户;
步骤S3、要素落地门户利用落地分析模型对用户当前时刻的医疗检查数据的语义分析结果进行模型化分析得到用户当前时刻的用户检查落地要素结果,再将用户检查落地要素结果反馈至检查分析门户;
步骤S4、检查分析门户对用户检查落地要素结果进行用户可读性语言构建,并实时向用户进行展示。
7.根据权利要求6所述的一种医疗检查落地要素反馈方法,其特征在于,所述落地分析模型的构建方法包括:
利用历史医疗日志库构建用户连续性自分析落地模型,以及用户相似性他分析落地模型;
利用S型函数拟合个体化适配和群体化适配的倾向规律确定出用户连续性自分析落地模型和用户相似性他分析落地模型的组合权重;
利用用户连续性自分析落地模型和用户相似性他分析落地模型的组合权重对用户连续性自分析落地模型和用户相似性他分析落地模型进行组合构建得到落地分析模型。
8.根据权利要求7所述的一种医疗检查落地要素反馈方法,其特征在于,所述用户连续性自分析落地模型的构建方法包括:
在历史医疗日志库选取出用户的历史医疗检查数据和用户的历史用户检查落地要素结果,所述用户的历史医疗检查数据和用户的历史用户检查落地要素结果的历史时序一一对应;
在用户的历史医疗检查数据中将后置历史时序处的医疗检查数据与相邻前置历史时序处的医疗检查数据进行比较,保留相较于相邻前置历史时序处的医疗检查数据表征健康状况好转或稳定的后置历史时序处的医疗检查数据;
对应保留表征健康状况好转或稳定的后置历史时序处的用户检查落地要素结果;
将用户的历史医疗检查数据和历史用户检查落地要素结果中分别保留下的历史时序处的医疗检查数据和历史时序处的用户检查落地要素结果依时序进行顺序排列,得到用户的历史医疗检查数据的有效序列和历史用户检查落地要素结果的有效序列;
将用户的历史医疗检查数据的有效序列和历史用户检查落地要素结果的有效序列中各个历史时序抽象为用户当前时刻,并将历史医疗检查数据进行语义分析,以得到用户当前时刻的连续性康健落地要素结果、用户前一时刻的连续性康健落地要素结果、用户当前时刻的医疗检查数据的语义分析结果以及用户前一时刻的医疗检查数据的语义分析结果,利用CNN神经网络进行网络训练得到所述用户连续性自分析落地模型;
所述用户连续性自分析落地模型的模型表达式为:
Knew=CNN(Kold,Snew,Sold);
式中,Knew为用户当前时刻的连续性康健落地要素结果,Kold为用户前一时刻的连续性康健落地要素结果,Snew为用户当前时刻的医疗检查数据的语义分析结果,Sold为用户前一时刻的医疗检查数据的语义分析结果,CNN为神经网络。
9.根据权利要求7所述的一种医疗检查落地要素反馈方法,其特征在于,所述用户相似性他分析落地模型的构建方法包括:
在历史医疗日志库选取出用户的历史医疗检查数据和用户的历史康健落地要素结果,所述用户的历史医疗检查数据和用户的历史康健落地要素结果的历史时序一一对应;
在历史医疗日志库利用历史医疗检查数据的有效序列和历史康健落地要素结果的有效序列量化用户与其他用户的相似性,并选取相似性阈值范围内的其他用户对应的历史医疗检查数据的有效序列和历史康健落地要素结果的有效序列;
将其他用户对应的历史医疗检查数据的有效序列和历史康健落地要素结果的有效序列,利用CNN神经网络进行网络训练得到所述用户相似性他分析落地模型;
所述用户相似性他分析落地模型的模型表达式为:
Lnew=BP(Snew);
式中,Lnew为用户当前时刻的连续性康健落地要素结果,Snew为用户当前时刻的医疗检查数据的语义分析结果,BP为神经网络。
10.根据权利要求7所述的一种医疗检查落地要素反馈方法,其特征在于,所述组合权重的确定方法包括:
利用S型函数拟合个体化适配的倾向规律确定出用户连续性自分析落地模型的组合权重,所述用户连续性自分析落地模型的组合权重为:
;
式中,Wnew为用户当前时刻的用户连续性自分析落地模型的组合权重,nold为所有前置于用户当前时刻的医疗检查数据或连续性康健落地要素结果的数量;
利用S型函数拟合群体化适配的倾向规律确定出用户相似性他分析落地模型的组合权重,所述用户相似性他分析落地模型的组合权重为:
;
式中,Vnew为用户当前时刻的用户相似性他分析落地模型的组合权重,nold为所有前置于用户当前时刻的医疗检查数据或连续性康健落地要素结果的数量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310781288.XA CN116525123B (zh) | 2023-06-29 | 2023-06-29 | 一种基于分析模型的医疗检查落地要素反馈***及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310781288.XA CN116525123B (zh) | 2023-06-29 | 2023-06-29 | 一种基于分析模型的医疗检查落地要素反馈***及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116525123A true CN116525123A (zh) | 2023-08-01 |
CN116525123B CN116525123B (zh) | 2023-09-08 |
Family
ID=87403233
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310781288.XA Active CN116525123B (zh) | 2023-06-29 | 2023-06-29 | 一种基于分析模型的医疗检查落地要素反馈***及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116525123B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110046970A1 (en) * | 2006-06-23 | 2011-02-24 | Craig Fontenot | Electronic Client Data Acquisition and Analysis System |
US20120084092A1 (en) * | 2010-10-04 | 2012-04-05 | Kozuch Michael J | Method and apparatus for a comprehensive dynamic personal health record system |
US20150019462A1 (en) * | 2013-07-15 | 2015-01-15 | Senscio Systems | Systems and methods for semantic reasoning |
CN109346185A (zh) * | 2018-09-19 | 2019-02-15 | 北京科技大学 | 一种中医辅助诊断*** |
US20190333614A1 (en) * | 2018-04-30 | 2019-10-31 | Prosumer Health Inc. | Individualized health platforms |
CN111696665A (zh) * | 2020-06-10 | 2020-09-22 | 杭州联众医疗科技股份有限公司 | 一种基于时间编码的辅助决策*** |
CN112182168A (zh) * | 2020-11-27 | 2021-01-05 | 北京惠及智医科技有限公司 | 病历文本分析方法、装置、电子设备及存储介质 |
CN113168919A (zh) * | 2021-03-04 | 2021-07-23 | 曹庆恒 | 一种利用个性化指标进行健康分析的***及其使用方法 |
CN113851208A (zh) * | 2021-09-26 | 2021-12-28 | 上海大学 | 基于显式主题分配技术的医疗检查推荐***及方法 |
WO2022010384A1 (ru) * | 2020-07-10 | 2022-01-13 | Общество с ограниченной ответственностью "К-Скай" | Система для поддержки принятия врачебных решений |
CN114613487A (zh) * | 2020-12-08 | 2022-06-10 | 皇家飞利浦有限公司 | 妊娠决策支持***和方法 |
CN115644823A (zh) * | 2022-12-12 | 2023-01-31 | 中国科学院苏州生物医学工程技术研究所 | 康复效果动态预测及个体化干预方法和*** |
-
2023
- 2023-06-29 CN CN202310781288.XA patent/CN116525123B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110046970A1 (en) * | 2006-06-23 | 2011-02-24 | Craig Fontenot | Electronic Client Data Acquisition and Analysis System |
US20120084092A1 (en) * | 2010-10-04 | 2012-04-05 | Kozuch Michael J | Method and apparatus for a comprehensive dynamic personal health record system |
US20150019462A1 (en) * | 2013-07-15 | 2015-01-15 | Senscio Systems | Systems and methods for semantic reasoning |
US20190333614A1 (en) * | 2018-04-30 | 2019-10-31 | Prosumer Health Inc. | Individualized health platforms |
CN109346185A (zh) * | 2018-09-19 | 2019-02-15 | 北京科技大学 | 一种中医辅助诊断*** |
CN111696665A (zh) * | 2020-06-10 | 2020-09-22 | 杭州联众医疗科技股份有限公司 | 一种基于时间编码的辅助决策*** |
WO2022010384A1 (ru) * | 2020-07-10 | 2022-01-13 | Общество с ограниченной ответственностью "К-Скай" | Система для поддержки принятия врачебных решений |
CN112182168A (zh) * | 2020-11-27 | 2021-01-05 | 北京惠及智医科技有限公司 | 病历文本分析方法、装置、电子设备及存储介质 |
CN114613487A (zh) * | 2020-12-08 | 2022-06-10 | 皇家飞利浦有限公司 | 妊娠决策支持***和方法 |
CN113168919A (zh) * | 2021-03-04 | 2021-07-23 | 曹庆恒 | 一种利用个性化指标进行健康分析的***及其使用方法 |
CN113851208A (zh) * | 2021-09-26 | 2021-12-28 | 上海大学 | 基于显式主题分配技术的医疗检查推荐***及方法 |
CN115644823A (zh) * | 2022-12-12 | 2023-01-31 | 中国科学院苏州生物医学工程技术研究所 | 康复效果动态预测及个体化干预方法和*** |
Also Published As
Publication number | Publication date |
---|---|
CN116525123B (zh) | 2023-09-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107103201B (zh) | 医疗导航路径的生成方法、装置及医疗路径导航方法 | |
WO2020181805A1 (zh) | 糖尿病的预测方法及装置、存储介质、计算机设备 | |
US20180211727A1 (en) | Automated Evidence Based Identification of Medical Conditions and Evaluation of Health and Financial Benefits Of Health Management Intervention Programs | |
CN112017789B (zh) | 分诊数据处理方法、装置、设备及介质 | |
CN106614273B (zh) | 基于物联网大数据分析的宠物喂养方法及*** | |
CN107145723B (zh) | 基于人工神经网络的医院流程管理*** | |
JP7191443B2 (ja) | 機械学習に基づくターゲットオブジェクト属性予測方法、関連機器及びコンピュータプログラム | |
CN114220537B (zh) | 一种基于互联网医院的ai智能在线诊断方法及云*** | |
CN110890146A (zh) | 一种用于智慧病房的床旁智能交互*** | |
CN112270240B (zh) | 一种信号处理方法、装置、电子设备和存储介质 | |
CN112117002A (zh) | 结合虚拟现实技术的新型智能化心理评估干预***、方法 | |
CN110299207A (zh) | 用于慢性病检测中的基于计算机预测模型数据处理方法 | |
CN115116612A (zh) | 一种儿童患者病情智能风险评估***及方法 | |
CN114699063A (zh) | 体脂率的测量方法、装置及计算机可读存储介质 | |
WO2022141925A1 (zh) | 一种智能医学服务***、方法及存储介质 | |
CN113921127A (zh) | 一种区域内血液资源优化调度及精准使用信息***及方法 | |
CN116525123B (zh) | 一种基于分析模型的医疗检查落地要素反馈***及方法 | |
CN116434979A (zh) | 生理状态云监测方法、监测***及储存介质 | |
CN109994211B (zh) | 一种基于ehr数据的慢性肾脏病恶化风险的建模方法 | |
CN109003264B (zh) | 一种视网膜病变图像类型识别方法、装置和存储介质 | |
CN116313086A (zh) | 一种亚健康预测模型构建方法、装置、设备及存储介质 | |
KR102442778B1 (ko) | 인지 훈련을 지원 및 관리하는 서버 및 그 서버의 동작 방법 | |
WO2023050668A1 (zh) | 基于因果推断的分群模型构建方法和医疗数据处理方法 | |
CN111741125B (zh) | 基于广域网实现的远程服务方法和计算机设备 | |
CN115295115A (zh) | 基于深度学习的丙戊酸钠血药浓度预测方法及装置 |
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 |