CN116630777A - 一种信息瓶颈图压缩的医疗指标缺失数据补全方法 - Google Patents

一种信息瓶颈图压缩的医疗指标缺失数据补全方法 Download PDF

Info

Publication number
CN116630777A
CN116630777A CN202310623896.8A CN202310623896A CN116630777A CN 116630777 A CN116630777 A CN 116630777A CN 202310623896 A CN202310623896 A CN 202310623896A CN 116630777 A CN116630777 A CN 116630777A
Authority
CN
China
Prior art keywords
graph
information
data
missing data
node
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
Application number
CN202310623896.8A
Other languages
English (en)
Inventor
田旭东
张志忠
谢源
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
East China Normal University
Original Assignee
East China Normal University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by East China Normal University filed Critical East China Normal University
Priority to CN202310623896.8A priority Critical patent/CN116630777A/zh
Publication of CN116630777A publication Critical patent/CN116630777A/zh
Pending legal-status Critical Current

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00Arrangements for image or video recognition or understanding
    • G06V10/70Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/04Architecture, e.g. interconnection topology
    • G06N3/0464Convolutional networks [CNN, ConvNet]
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/04Architecture, e.g. interconnection topology
    • G06N3/0499Feedforward networks
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/08Learning methods
    • G06N3/082Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00Arrangements for image or video recognition or understanding
    • G06V10/70Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00Arrangements for image or video recognition or understanding
    • G06V10/70Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/806Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
    • YGENERAL 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
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02ATECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

本发明公开了一种信息瓶颈图压缩的医疗指标缺失数据补全方法,其特点是采用将同类型病人的所有属性建模为一个无向完全图的方法,根据诊断需求与信息瓶颈原则不断对其进行植剪、压缩,以保证子图与下游任务目标一致的条件下,精简缺失插补与诊断预测所用到的信息总量,具体包括:原始数据的预处理、构建无向完全图初始完全图的植剪与压缩,补全子图和节点特征和最小化子图和补全子图等步骤。本发明与现有技术相比具有保证与任务目标一致的条件下,尽可能地精简缺失插补与诊断预测所用到的信息总量,方法简便,解决了处理电子健康记录的缺失数据问题,实验结果令人满意,具有良好的应用前景和商业价值。

Description

一种信息瓶颈图压缩的医疗指标缺失数据补全方法
技术领域
本发明涉及数据处理技术领域,尤其是一种信息论指导下采用信息瓶颈图压缩的医疗指标缺失数据补全方法。
背景技术
近年来,人们对患者电子健康记录(EHR)数据分析的兴趣激增。全球卫生保健***正在迅速普及电子健康记录,这积累了大量的电子健康记录数据。因此,数据驱动的医疗产业应运而生,即利用现有的大规模医疗数据,提供最好、最个性化的医疗服务。由于患者的电子健康记录是数据驱动的卫生保健研究的主要载体。因此,理解电子健康记录中包含的信息至关重要,电子健康记录数据包括人口统计信息、诊断、实验室测试和结果、处方、放射图像、临床记录等。
然而,电子健康记录数据中普遍存在的数据缺失问题极大的限制了许多主流数据分析方法对于电子健康记录数据的建模研究。另外,电子健康记录数据是住院患者的身体测量指标,由于一些客观性原因导致电子健康记录数据缺失值较多且分布不均匀。如果删除所有缺失值的数据样本,将导致许多样本被删除,丢失太多的信息;如果不处理这些数据,将很难在传统的机器模型算法中使用。因此,有必要采用预测方法对缺失的数据进行处理。
在现有的研究中,Tang等人使用一套从临床经验总结的规则,使用患者正常范围的中值指标或平均值来填补缺失值,取得了良好的成果。但当数据的时间间隔较短和缺失值量很大时,该方法的实现将变得更加困难。Dempster等人研究的期望极大化方法(EM),根据所得观测数据建立模型,并用观测数据的边缘分布对未知参数估计的一种方法,该方法的缺点是容易陷入局部极小,且收敛速度较慢。
随着人工智能领域的高速发展,医学领域也逐渐开始引入机器学习方法来完成对数据的处理。但由于医学数据中包含庞杂的病人信息,包括病史、检测结果、用药等,使得用于训练的数据的维度特别高,其中也包含许多噪音特征,造成最终的实验结果很难令人满意。因此,采用一种新的方法来处理电子健康记录的缺失数据具有重要的意义。
发明内容
本发明的目的是针对现有技术的不足而提供的一种信息瓶颈图压缩的医疗指标缺失数据补全方法,采用灵活可扩展的插补框架,将同类型病人的所有属性建模成一个无向完全图,并输入到数层前馈图神经网络中,对所得到的节点特征进行筛选并生成一个子图,所得到的子图参与计算交叉熵损失以及一个连通性损失,根据诊断需求与信息瓶颈原则不断对其进行植剪、压缩,以保证子图与下游任务目标一致的同时尽可能简洁,插补框架具有可学习的估算器,输入为子图与其对应的完全图所对应的特征,输出则为两者之间的互信息估算,通过最小化这项互信息,亦能压缩子图所包含的信息总量,使其过滤掉对下游任务帮助不大的次要属性,尽可能地精简缺失插补与诊断预测所用到的信息总量。本发明引入因果推理的方法,挖掘特征之间的因果关系,找出最优特征子集,同时完成对子集的可视化,生成特征因果关系图,方法简便,具有良好的应用前景和商业价值。
本发明的目的是这样实现的:一种信息瓶颈图压缩的医疗指标缺失数据补全方法,其特点是采用将同类型病人的所有属性建模为一个无向完全图的方法,根据诊断需求与信息瓶颈原则不断对其进行植剪、压缩,以保证子图与下游任务目标一致的条件下,尽可能地精简缺失插补与诊断预测所用到的信息总量,具体缺失数据的补全包括以下步骤:
步骤1,对输入数据进行预处理
步骤2,以同类型病人的所有属性为节点,在其之上建立一个无向完全图
步骤3,将初始的完全图前馈至图神经网络得到一系列节点特征X,并将其传递至子图生成器进行植剪与压缩,得到子图与其包含的节点特征Xsub
步骤4,利用READOUT函数与可训练估计器,计算并最小化子图与完全图/>之间的互信息/>
步骤5,根据缺失数所在的子图,融合其邻接点特征并进行插补,得到补全子图与其节点特征/>
步骤6,对与/>分别施加连通性约束和分类损失,以保证子图的生成过程满足任务所需的最小信息量。
所述步骤1具体包括:
步骤S101,通过删除有效信息较少的无关特征以及冗余特征,选出不同类型的老年慢病数据中的重要特征,并对包含多个类别的特征进行one-hot编码。
步骤S102,针对医疗数据中常见但十分严重的不平很问题,对输入样本进行基于Tomek’slinks的欠采样。
步骤S103,对缺失数据采用MissForest的插补策略方式进行初始化填充。
所述步骤3具体包括:
步骤S301,初始化以graph attention network为骨架的图神经网络θ1,以及隐藏单元为为[32,64,128]多层感知机θ2
步骤S302,将前馈至θ1得到对应的节点特征X,再利用θ2根据以及其对应的邻接矩阵A筛选出子图/>及其包含的节点特征Xsub
所述步骤4具体包括:
步骤S4,利用READOUT函数得到与/>的全局特征,并采用DONSKER-VARADHAN特征建模/>与/>分布之间的相对熵,利用估计器φ2估算两者之间的互信息/>其具体目标由下述(a)式定义为:
其中,代表可训练的互信息估计器,输入为/>与其对应子图/>与/>分别代表/>与/>之间的联合分布以及两者各自的边缘分布。
所述步骤5具体包括:利用瓶口结构的组件θ3融合中包含的缺失数据邻接点的特征信息并进行插补,得到/>与其对应的节点特征/>
所述步骤6具体包括:
步骤S601,为保证子图筛选以及插补策略与下游任务的一致性,使用分类损失函数约束/>
约束/>其中pφ代表分类器,ygt代表真实标签,y代表根据补全节点特征/>做出的分类预测。
步骤S602,为促进子图划分的有效性,采用连通性损失约束Xsub结构,其中Norm(·)代表逐行标准化;/>代表/>中节点被划分到子图的概率分布,N代表/>中节点总数;/>为单位矩阵,||·||F代表Frobenius范数。注意/>的本质是促进每个节点被划分到子图与否的概率呈现one-hot分布,减少模棱两可的判断和潜在的冗余节点。
本发明与现有技术相比具有保证与任务目标一致的条件下,尽可能地精简缺失插补与诊断预测所用到的信息总量,方法简便,较好的解决了处理电子健康记录的缺失数据问题,实验结果令人满意,具有良好的应用前景和商业价值。
附图说明
图1为本发明流程示意图。
具体实施方式
本发明针对医疗诊断中常见的数据缺失问题,提出一种灵活可扩展的插补框架,首先将病人的所有属性建模成一张无向完全图并输入到数层前馈图神经网络中,然后对所得到的节点特征进行筛选并生成一个子图。所得到的子图参与计算交叉熵损失以及一个连通性损失,以保证子图与下游任务目标一致的同时尽可能简洁。此外,框架中还包括一项可学习的估算器,输入为子图与其对应的完全图所对应的特征,输出则为两者之间的互信息估算。通过最小化这项互信息,亦能压缩子图所包含的信息总量,使其过滤掉对下游任务帮助不大的次要属性。主要有以下优点:引入因果推理的方法,挖掘特征之间的因果关系,找出最优特征子集,同时完成对子集的可视化,生成特征因果关系图。
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然所描述地实施例是本发明的一部分实施例,而不是全部实施例。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的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。
实施例1
参阅图1,根据本发明优选实施例的医疗缺失数据的插补与诊断预测具体包括以下步骤:
步骤1:对输入数据进行预处理,待处理的病例数据集包含处于不同时间节点的子集,同时存在非常严重的不平衡以及缺失问题,因此首先需要对每个子集进行清洗以及初始化补全,然后按照时序将各子集进行融合。
针对严重的类不平衡问题,算法对训练样例占多数的类别进行欠采样:设样本A和B分别来自样本占多数和少数的类别,当且仅当A、B互为对方的K近邻时才会对A采样。为便于后续插值模型训练,预处理还需对缺失数据进行初始化填充,采用的策略为基于随机森林的MissForest无参方法,所得到的插补初始值将根据后续训练过程迭代且动量地更新。
对类平衡和初始化插补后的病理数据集,在时间维度上将静态数据与动态数据进行融合,此时数据集中每个病人对应多个样本,总数为时序长度*病人数,将数据reshape为[样本id,时序,特征],并用一个时序Transformer进行融合。
步骤2:在步骤1的基础上,以同类型病人的所有属性为节点,在其基础上建立一个无向完全图同时初始化对应的邻接矩阵/>(上标i∈{1,…c}代表类别索引)。
步骤3:将初始的每个类别完全图前馈至图神经网络θ1中的到对应的节点特征,即/> 接着通过子图生成器θ2进行植剪与压缩,在每个完全图中筛选关键节点与结构,生成每个类别对应的子图/>与/>
所述图神经网络θ1结构可以灵活选择,本发明中默认采用graph attentionnetwork(P.,Cucurull,G.,Casanova,A.,Romero,A.,Liò,P.,&Bengio,Y.GraphAttention Networks.In International Conference on Learning Representations.),同时选取隐含单元结构为[32,64,128]的多层感知机作为子图生成器。
步骤4:利用READOUT函数与可训练估计器,计算并最小化子图与完全图/>之间的互信息/>所述估计器为互信息估计器,有多种选择,例如:Belghazi,M.I.,Baratin,A.,Rajeshwar,S.,Ozair,S.,Bengio,Y.,Courville,A.,&Hjelm,D.(2018,July).Mutual information neural estimation.In International conference on machinelearning(pp.531-540).PMLR、Lehner,J.,Alkin,B.,Fürst,A.,Rumetshofer,E.,Miklautz,L.,&Hochreiter,S.(2023).Contrastive Tuning:A Little Help to MakeMasked Autoencoders Forget.arXiv preprint arXiv:2304.10520等。
所述子图生成器θ2本质为输出一个分配矩阵因此,需要尽可能被避免冗余节点被模棱两可的分配划入子图当中。具体做法则是优化/> 举个简单的例子,假设第i个类别对应的子图中存在两个节点,I2则为/>的单位矩阵,设aij为/>中第i行j列元素,如果第一个节点被划进了子图/>则此时最小化/>会使得/>且/>如果不在子图则结果相反,其余节点情况类似。
以上实施例只是对本发明做进一步说明,并非用以限制本发明专利,凡为本发明等效实施,均应包含于本发明专利的权利要求范围之内。

Claims (7)

1.一种信息瓶颈图压缩的医疗指标缺失数据补全方法,其特征在于:采用将同类型病人的所有属性建模为一个无向完全图的方法,根据诊断需求与信息瓶颈原则不断对其进行植剪、压缩,以保证子图与下游任务目标一致的条件下,精简缺失插补与诊断预测所用到的信息总量,具体缺失数据的补全包括以下步骤:
步骤1:对输入的原始数据进行预处理;
步骤2:以同类型病人的所有属性为节点,并在节点之上建立一个无向完全图
步骤3:将初始的完全图前馈至图神经网络,得到一系列节点特征,将其传递至子图生成器进行植剪与压缩,得到子图与其包含的节点特征;
步骤4:利用READOUT函数与可训练估计器,计算并最小化子图与完全图/>之间的互信息/>
步骤5:根据缺失数所在的子图,融合其邻接点特征并进行插补,得到补全子图与其节点特征/>
步骤6:对最小化子图与补全子图/>分别施加连通性约束和分类损失,以保证子图的生成过程满足任务所需的最小信息量。
2.根据权利要求1所述的信息瓶颈图压缩的医疗指标缺失数据补全方法,其特征在于,所述步骤1具体包括:
步骤S101:通过删除有效信息较少的无关特征以及冗余特征,选出不同类型的老年慢病数据中的重要特征,并对包含多个类别的特征进行one-hot编码;
步骤S102:对输入样本进行基于Tomek’s links的欠采样;
步骤S103:对缺失数据采用MissForest的插补方法进行初始化填充。
3.根据权利要求1所述的信息瓶颈图压缩的医疗指标缺失数据补全方法,其特征在于,所述步骤2将样本的所有属性建模成节点,并结合同类别病人属性建立一个无向完全图
4.根据权利要求1所述的信息瓶颈图压缩的医疗指标缺失数据补全方法,其特征在于,所述步骤3具体包括:
步骤S301:初始化以graph attention network为骨架的图神经网络,以及隐藏单元为[32,64,128]多层感知机;
步骤S302:将无向完全图前馈至图神经网络,得到对应的节点特征,利用多层感知机根据节点特征,以及其对应的邻接矩阵筛选出子图/>及其包含的节点特征。
5.根据权利要求1所述的信息瓶颈图压缩的医疗指标缺失数据补全方法,其特征在于,所述步骤4具体包括:
步骤S4:利用READOUT函数得到无向完全图和子图/>的全局特征,采用DONSKER-VARADHAN特征建模/>与/>分布之间的相对熵,使用估计器估算两者之间的互信息/>其具体目标由下述(a)式定义为:
其中,代表可训练的互信息估计器,输入为/>与其对应子图/>与/>分别代表/>与/>之间的联合分布以及两者各自的边缘分布。
6.根据权利要求1所述的信息瓶颈图压缩的医疗指标缺失数据补全方法,其特征在于,所述步骤5具体包括:利用瓶口结构的组件,融合子图中包含的缺失数据邻接点的特征信息并进行插补,得到补全子图/>与其对应的补全节点特征/>
7.根据权利要求1所述的信息瓶颈图压缩的医疗指标缺失数据补全方法,其特征在于,所述步骤6具体包括:
步骤S601:使用分类损失函数约束补全节点特征/>结构,以保证子图筛选以及插补策略与下游任务的一致性,所述分类损失函数/>由下述(b)式表示为:
其中,代表分类器,ygt代表真实标签;y代表根据补全节点特征做出的分类预测;
步骤S602:采用连通性损失函数约束节点特征结构,所述连通性损失函数/>由下述(c)式表示为:
其中,N+rm·代表逐行标准化;代表/>中节点被划分到子图的概率分布,N代表中节点总数;/>为单位矩阵,||·||F代表Frobenius范数。
CN202310623896.8A 2023-05-30 2023-05-30 一种信息瓶颈图压缩的医疗指标缺失数据补全方法 Pending CN116630777A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310623896.8A CN116630777A (zh) 2023-05-30 2023-05-30 一种信息瓶颈图压缩的医疗指标缺失数据补全方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310623896.8A CN116630777A (zh) 2023-05-30 2023-05-30 一种信息瓶颈图压缩的医疗指标缺失数据补全方法

Publications (1)

Publication Number Publication Date
CN116630777A true CN116630777A (zh) 2023-08-22

Family

ID=87637905

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310623896.8A Pending CN116630777A (zh) 2023-05-30 2023-05-30 一种信息瓶颈图压缩的医疗指标缺失数据补全方法

Country Status (1)

Country Link
CN (1) CN116630777A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117421548A (zh) * 2023-12-18 2024-01-19 四川互慧软件有限公司 基于卷积神经网络对生理指标数据缺失的治理方法及***

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117421548A (zh) * 2023-12-18 2024-01-19 四川互慧软件有限公司 基于卷积神经网络对生理指标数据缺失的治理方法及***
CN117421548B (zh) * 2023-12-18 2024-03-12 四川互慧软件有限公司 基于卷积神经网络对生理指标数据缺失的治理方法及***

Similar Documents

Publication Publication Date Title
Nepusz et al. Fuzzy communities and the concept of bridgeness in complex networks
US20170213127A1 (en) Method and System for Discovering Ancestors using Genomic and Genealogic Data
Luque et al. Analytical properties of horizontal visibility graphs in the Feigenbaum scenario
EP3620993A1 (en) Method and system for scalable multi-task learning with convex clustering
CN111611488B (zh) 基于人工智能的信息推荐方法、装置、电子设备
Guzzi et al. Biological network analysis: Trends, approaches, graph theory, and algorithms
CN111125530A (zh) 一种基于多类型特征深度学习的信息流推荐方法
Harshavardhan et al. LSGDM with Biogeography‐Based Optimization (BBO) Model for Healthcare Applications
CN112580902B (zh) 对象数据处理方法、装置、计算机设备和存储介质
Zhu et al. Portal nodes screening for large scale social networks
CN114639483A (zh) 一种基于图神经网络的电子病历检索方法及装置
CN116630777A (zh) 一种信息瓶颈图压缩的医疗指标缺失数据补全方法
Salman Heart attack mortality prediction: an application of machine learning methods
Zhang et al. Incomplete multiview nonnegative representation learning with multiple graphs
Chui et al. Representation of functions on big data associated with directed graphs
CN115546525A (zh) 多视图聚类方法、装置、电子设备及存储介质
Shao et al. Problem-solving in product innovation based on the cynefin framework-aided TRIZ
Xu et al. GFairHint: improving individual fairness for graph neural networks via fairness hint
CN113781385B (zh) 用于大脑医学影像自动分类的联合注意力图卷积方法
Zeghlache et al. Longitudinal self-supervised learning using neural ordinary differential equation
Lu et al. Soft-orthogonal constrained dual-stream encoder with self-supervised clustering network for brain functional connectivity data
Liang et al. The graph embedded topic model
Lee et al. FedUA: An uncertainty-aware distillation-based federated learning scheme for image classification
CN110993121A (zh) 一种基于双协同线性流形的药物关联预测方法
US20230197255A1 (en) Methods and systems to identify collaborative communities from multiplex healthcare providers

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