CN116913532B - 一种临床路径推荐方法 - Google Patents
一种临床路径推荐方法 Download PDFInfo
- Publication number
- CN116913532B CN116913532B CN202311169605.9A CN202311169605A CN116913532B CN 116913532 B CN116913532 B CN 116913532B CN 202311169605 A CN202311169605 A CN 202311169605A CN 116913532 B CN116913532 B CN 116913532B
- Authority
- CN
- China
- Prior art keywords
- layer
- matrix
- coding
- clinical path
- label
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 239000011159 matrix material Substances 0.000 claims description 80
- 230000004927 fusion Effects 0.000 claims description 39
- 230000008569 process Effects 0.000 claims description 9
- 230000009191 jumping Effects 0.000 claims description 8
- 210000002569 neuron Anatomy 0.000 claims description 8
- 238000004140 cleaning Methods 0.000 claims description 3
- 230000037361 pathway Effects 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 238000009472 formulation Methods 0.000 abstract description 2
- 239000000203 mixture Substances 0.000 abstract description 2
- 238000003745 diagnosis Methods 0.000 description 6
- 230000010354 integration Effects 0.000 description 6
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 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
- G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
-
- 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
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Public Health (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- Medical Informatics (AREA)
- General Engineering & Computer Science (AREA)
- Epidemiology (AREA)
- Pathology (AREA)
- Primary Health Care (AREA)
- Databases & Information Systems (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明提供了一种临床路径推荐方法,涉及路径推荐技术领域,包括以下步骤:获取用户就诊ID,并根据用户就诊ID获取对应的电子病历数据;根据用户就诊ID对应的电子病历数据,确定电子病历数据的标签分组;构建临床路径推荐模型,将电子病历数据的标签分组输入至临床路径推荐模型中,生成最优临床路径。本发明根据用户的医疗数据,进行标签分组,以确定用户的特定组别;同时,本发明构建临床路径推荐模型,将各个组别的医疗数据输入至临床路径推荐模型中,能生成准确度高且通用性强的本地化临床路径,该临床路径更贴近用户实际情况,从而为临床质量管理、医院临床路径制定和管理提供参考依据。
Description
技术领域
本发明涉及路径推荐技术领域,具体而言,涉及一种临床路径推荐方法。
背景技术
临床路径是指事先写好的标准化的工作流程,其由各学科的专业人员根据循证医学的原则,将某疾病或手术的关键性治疗、检查、护理活动的顺序和时间的安排尽可能的达到最优化。目前国内外的医院中,对于为用户提供诊疗路径的分析和汇总,主要还是由医生人为来处理。这种方式对于诊断方案简单的情况尚可以应用,但是疾病诊断节点较多,诊断方案复杂的情况,则现有的诊疗路径分析和汇总方法存在卫生资源利用效率低和诊断路径不够完善的缺陷。
发明内容
本发明的目的在于提供一种临床路径推荐方法。
本发明的实施例通过以下技术方案实现:
一种临床路径推荐方法包括以下步骤:
获取用户就诊ID,并根据用户就诊ID获取对应的电子病历数据;
根据用户就诊ID对应的电子病历数据,确定电子病历数据的标签分组;
构建临床路径推荐模型,将电子病历数据的标签分组输入至临床路径推荐模型中,生成最优临床路径。
进一步地,根据用户就诊ID对应的电子病历数据,确定电子病历数据的标签分组,包括以下步骤:
提取用户就诊ID对应的电子病历数据的所有医疗数据;
对所有医疗数据进行数据清洗,得到标准医疗数据集合;
计算标准医疗数据集合中各个标准医疗数据的标签值;
根据各个标准医疗数据的标签值,确定电子病历数据的标签分组。
进一步地,标准医疗数据的标签值α的计算公式为:
式中,l k表示第k个标准医疗数据在所有医疗数据集合中的权重,K表示标准医疗数据个数。
进一步地,电子病历数据的标签分组的确定具体方法为:将所有标准医疗数据的标签值从大到小排序,得到标签值序列,将标签值序列中前个标签值对应的标准医疗数据作为第一标签分组,将除第一标签分组外标签值序列中前/>个标签值对应的标准医疗数据作为第二标签分组,将除第一标签分组和第二标签分组外标签值序列中剩余标签值对应的标准医疗数据作为第三标签分组,其中,M表示医疗数据个数。
进一步地,临床路径推荐模型包括第一卷积层、第二卷积层、第三卷积层、第一编码层、第二编码层、第三编码层、融合层和全连接层;
第一卷积层的输入端、第二卷积层的输入端和第三卷积层的输入端的输入端均作为临床路径推荐模型的输入端;
第一卷积层的第一输出端和第一编码层的输入端连接;第一卷积层的第二输出端和融入层的输入端连接;
第二卷积层的第一输出端和第二编码层的输入端连接;第二卷积层的第二输出端和融入层的输入端连接;
第三卷积层的第一输出端和第三编码层的输入端连接;第三卷积层的第二输出端和融入层的输入端连接;
第一编码层的输出端、第二编码层的输出端、第三编码层的输出端和融合层的输出端均与全连接层的输入端连接;
全连接层的输出端作为临床路径推荐模型的输出端。
进一步地,第一卷积层用于将第一标签分组输入至临床路径推荐模型中,并对第一标签分组进行卷积操作,生成第一分组矩阵;第二卷积层用于将第二标签分组输入至临床路径推荐模型中,并对第二标签分组进行卷积操作,生成第二分组矩阵;第三卷积层用于将第三标签分组输入至临床路径推荐模型中,并对第三标签分组进行卷积操作,生成第三分组矩阵;
第一编码层用于对第一分组矩阵进行编码,生成第一编码矩阵;第二编码层用于对第二分组矩阵进行编码,生成第二编码矩阵;第三编码层用于对第三分组矩阵进行编码,生成第三编码矩阵;
融合层用于对第一分组矩阵、第二分组矩阵和第三分组矩阵进行融合,生成融合矩阵;
全连接层用于对第一编码矩阵、第二编码矩阵、第三编码矩阵和融合矩阵相加,生成融合特征矩阵,并根据融合特征矩阵生成最优临床路径。
进一步地,第一卷积层与融合层之间采用跳跃连接;第二卷积层与融合层之间采用跳跃连接;第三卷积层与融合层之间采用跳跃连接。
进一步地,融合矩阵Z的表达式为:
式中,A表示第一编码矩阵,B表示第二编码矩阵,C表示第三编码矩阵。
进一步地,全连接层的损失函数Loss的表达式为:
式中,N表示全连接层的神经元个数,θ n表示全连接层中第n个神经元的脉冲值,θ n-1表示全连接层中第n-1个神经元的脉冲值,A表示第一编码矩阵,B表示第二编码矩阵,C表示第三编码矩阵,Z表示融合特征。
本发明实施例的技术方案至少具有如下优点和有益效果:该临床路径推荐方法根据用户的医疗数据,进行标签分组,以确定用户的特定组别;同时,本发明构建临床路径推荐模型,将各个组别的医疗数据输入至临床路径推荐模型中,能生成准确度高且通用性强的本地化临床路径,该临床路径更贴近用户实际情况,从而为临床质量管理、医院临床路径制定和管理提供参考依据。
附图说明
图1为本发明实施例提供的临床路径推荐方法的流程图;
图2为本发明实施例提供的临床路径推荐模型的结构图。
具体实施方式
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,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
如图1所示,本发明提供了一种临床路径推荐方法,包括以下步骤:
获取用户就诊ID,并根据用户就诊ID获取对应的电子病历数据。
根据用户就诊ID对应的电子病历数据,确定电子病历数据的标签分组;其具体包括:
提取用户就诊ID对应的电子病历数据的所有医疗数据。
对所有医疗数据进行数据清洗,得到标准医疗数据集合;其中,标准医疗数据的标签值α的计算公式为:
式中,l k表示第k个标准医疗数据在所有医疗数据集合中的权重,K表示标准医疗数据个数。
计算标准医疗数据集合中各个标准医疗数据的标签值。
根据各个标准医疗数据的标签值,确定电子病历数据的标签分组;其中,电子病历数据的标签分组的确定具体方法为:将所有标准医疗数据的标签值从大到小排序,得到标签值序列,将标签值序列中前个标签值对应的标准医疗数据作为第一标签分组,将除第一标签分组外标签值序列中前/>个标签值对应的标准医疗数据作为第二标签分组,将除第一标签分组和第二标签分组外标签值序列中剩余标签值对应的标准医疗数据作为第三标签分组,其中,M表示医疗数据个数。。
通常用户的电子病历数据中包含各种各样的医疗数据,因此需对医疗数据进行预处理,使标准医疗数据集合中的数据无冗余。另外,根据标准医疗数据在所有医疗数据集合中的权重进行分组,可以保证标签分组的准确性。
构建临床路径推荐模型,将电子病历数据的标签分组输入至临床路径推荐模型中,生成最优临床路径。
如图2所示,临床路径推荐模型包括第一卷积层、第二卷积层、第三卷积层、第一编码层、第二编码层、第三编码层、融合层和全连接层;
第一卷积层的输入端、第二卷积层的输入端和第三卷积层的输入端的输入端均作为临床路径推荐模型的输入端;
第一卷积层的第一输出端和第一编码层的输入端连接;第一卷积层的第二输出端和融入层的输入端连接;
第二卷积层的第一输出端和第二编码层的输入端连接;第二卷积层的第二输出端和融入层的输入端连接;
第三卷积层的第一输出端和第三编码层的输入端连接;第三卷积层的第二输出端和融入层的输入端连接;
第一编码层的输出端、第二编码层的输出端、第三编码层的输出端和融合层的输出端均与全连接层的输入端连接;
全连接层的输出端作为临床路径推荐模型的输出端。
在本发明实施例中,第一卷积层用于将第一标签分组输入至临床路径推荐模型中,并对第一标签分组进行卷积操作,生成第一分组矩阵;第二卷积层用于将第二标签分组输入至临床路径推荐模型中,并对第二标签分组进行卷积操作,生成第二分组矩阵;第三卷积层用于将第三标签分组输入至临床路径推荐模型中,并对第三标签分组进行卷积操作,生成第三分组矩阵;第一卷积层、第二卷积层和第三卷积层可以分别提取标签分组的特征,得到对应的分组矩阵;标签分组的特征包括标注分组中包含的标签值。通过第一卷积层、第二卷积层和第三卷积层的卷积,可以丰富标签分组特征,便于后续模块进行编码处理。
第一编码层用于对第一分组矩阵进行编码,生成第一编码矩阵;第二编码层用于对第二分组矩阵进行编码,生成第二编码矩阵;第三编码层用于对第三分组矩阵进行编码,生成第三编码矩阵;第一编码层、第二编码层和第三编码层分别对分组矩阵进行编码操作,可以使各个分组矩阵占用更少的空间,并且编码操作具有自动纠错的功能,因此对分组矩阵的编码操作还可以对分组矩阵的元素进行纠错处理。
融合层用于对第一分组矩阵、第二分组矩阵和第三分组矩阵进行融合,生成融合矩阵;融合层对三个分组矩阵的元素进行相加处理,可以使三个矩阵的元素充分融合,便于生成最优临床路径。
全连接层用于对第一编码矩阵、第二编码矩阵、第三编码矩阵和融合矩阵相加,生成融合特征矩阵,并根据融合特征矩阵生成最优临床路径。
在本发明实施例中,第一卷积层与融合层之间采用跳跃连接;第二卷积层与融合层之间采用跳跃连接;第三卷积层与融合层之间采用跳跃连接。
在本发明实施例中,融合矩阵Z的表达式为:
式中,A表示第一编码矩阵,B表示第二编码矩阵,C表示第三编码矩阵。
在本发明实施例中,全连接层的损失函数Loss的表达式为:
式中,N表示全连接层的神经元个数,θ n表示全连接层中第n个神经元的脉冲值,θ n-1表示全连接层中第n-1个神经元的脉冲值,A表示第一编码矩阵,B表示第二编码矩阵,C表示第三编码矩阵,Z表示融合特征。
以上仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种临床路径推荐方法,其特征在于,包括以下步骤:
获取用户就诊ID,并根据用户就诊ID获取对应的电子病历数据;
根据用户就诊ID对应的电子病历数据,确定电子病历数据的标签分组;
构建临床路径推荐模型,将电子病历数据的标签分组输入至临床路径推荐模型中,生成最优临床路径;
所述临床路径推荐模型包括第一卷积层、第二卷积层、第三卷积层、第一编码层、第二编码层、第三编码层、融合层和全连接层;
所述第一卷积层的输入端、第二卷积层的输入端和第三卷积层的输入端的输入端均作为临床路径推荐模型的输入端;
所述第一卷积层的第一输出端和第一编码层的输入端连接;所述第一卷积层的第二输出端和融合层的输入端连接;
所述第二卷积层的第一输出端和第二编码层的输入端连接;所述第二卷积层的第二输出端和融合层的输入端连接;
所述第三卷积层的第一输出端和第三编码层的输入端连接;所述第三卷积层的第二输出端和融合层的输入端连接;
所述第一编码层的输出端、第二编码层的输出端、第三编码层的输出端和融合层的输出端均与全连接层的输入端连接;
所述全连接层的输出端作为临床路径推荐模型的输出端;
所述第一卷积层用于将第一标签分组输入至临床路径推荐模型中,并对第一标签分组进行卷积操作,生成第一分组矩阵;所述第二卷积层用于将第二标签分组输入至临床路径推荐模型中,并对第二标签分组进行卷积操作,生成第二分组矩阵;所述第三卷积层用于将第三标签分组输入至临床路径推荐模型中,并对第三标签分组进行卷积操作,生成第三分组矩阵;
所述第一编码层用于对第一分组矩阵进行编码,生成第一编码矩阵;所述第二编码层用于对第二分组矩阵进行编码,生成第二编码矩阵;所述第三编码层用于对第三分组矩阵进行编码,生成第三编码矩阵;
所述融合层用于对第一分组矩阵、第二分组矩阵和第三分组矩阵进行融合,生成融合矩阵;
所述全连接层用于对第一编码矩阵、第二编码矩阵、第三编码矩阵和融合矩阵相加,生成融合特征矩阵,并根据融合特征矩阵生成最优临床路径。
2.根据权利要求1所述的临床路径推荐方法,其特征在于:所述根据用户就诊ID对应的电子病历数据,确定电子病历数据的标签分组,包括以下步骤:
提取用户就诊ID对应的电子病历数据的所有医疗数据;
对所有医疗数据进行数据清洗,得到标准医疗数据集合;
计算标准医疗数据集合中各个标准医疗数据的标签值;
根据各个标准医疗数据的标签值,确定电子病历数据的标签分组。
3.根据权利要求2所述的临床路径推荐方法,其特征在于:所述标准医疗数据的标签值α的计算公式为:
式中,l k表示第k个标准医疗数据在所有医疗数据集合中的权重,K表示标准医疗数据个数。
4.根据权利要求2所述的临床路径推荐方法,其特征在于:所述电子病历数据的标签分组的确定具体方法为:将所有标准医疗数据的标签值从大到小排序,得到标签值序列,将标签值序列中前个标签值对应的标准医疗数据作为第一标签分组,将除第一标签分组外标签值序列中前/>个标签值对应的标准医疗数据作为第二标签分组,将除第一标签分组和第二标签分组外标签值序列中剩余标签值对应的标准医疗数据作为第三标签分组,其中,M表示医疗数据个数。
5.根据权利要求1所述的临床路径推荐方法,其特征在于:所述第一卷积层与融合层之间采用跳跃连接;所述第二卷积层与融合层之间采用跳跃连接;所述第三卷积层与融合层之间采用跳跃连接。
6.根据权利要求1所述的临床路径推荐方法,其特征在于:所述融合矩阵Z的表达式为:
式中,A表示第一编码矩阵,B表示第二编码矩阵,C表示第三编码矩阵。
7.根据权利要求1所述的临床路径推荐方法,其特征在于:所述全连接层的损失函数Loss的表达式为:
式中,N表示全连接层的神经元个数,θ n表示全连接层中第n个神经元的脉冲值,θ n-1表示全连接层中第n-1个神经元的脉冲值,A表示第一编码矩阵,B表示第二编码矩阵,C表示第三编码矩阵,Z表示融合特征矩阵。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311169605.9A CN116913532B (zh) | 2023-09-12 | 2023-09-12 | 一种临床路径推荐方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311169605.9A CN116913532B (zh) | 2023-09-12 | 2023-09-12 | 一种临床路径推荐方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116913532A CN116913532A (zh) | 2023-10-20 |
CN116913532B true CN116913532B (zh) | 2023-12-08 |
Family
ID=88356926
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311169605.9A Active CN116913532B (zh) | 2023-09-12 | 2023-09-12 | 一种临床路径推荐方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116913532B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110223741A (zh) * | 2019-06-10 | 2019-09-10 | 四川互慧软件有限公司 | 一种临床路径信息*** |
JP2019185234A (ja) * | 2018-04-05 | 2019-10-24 | 富士通株式会社 | 推奨処置通知プログラム、推奨処置通知方法、及び情報処理装置 |
CN110739036A (zh) * | 2019-10-09 | 2020-01-31 | 武汉志软科技有限公司 | 一种临床路径分析应用数据检索方法 |
CN111581510A (zh) * | 2020-05-07 | 2020-08-25 | 腾讯科技(深圳)有限公司 | 分享内容处理方法、装置、计算机设备和存储介质 |
CN112873211A (zh) * | 2021-02-24 | 2021-06-01 | 清华大学 | 一种机器人人机交互方法 |
US11222217B1 (en) * | 2020-08-14 | 2022-01-11 | Tsinghua University | Detection method using fusion network based on attention mechanism, and terminal device |
CN114077844A (zh) * | 2020-08-17 | 2022-02-22 | 北京金山数字娱乐科技有限公司 | 一种数据处理方法及装置 |
CN114116825A (zh) * | 2021-12-02 | 2022-03-01 | 浙江和仁科技股份有限公司 | 健康画像推荐引擎及方法、医疗数据集成显示***及方法 |
CN116562307A (zh) * | 2022-02-07 | 2023-08-08 | 辉达公司 | 使用一个或更多个神经网络执行文本翻译 |
CN116665210A (zh) * | 2023-07-28 | 2023-08-29 | 珠海横琴圣澳云智科技有限公司 | 基于多通道信息融合的细胞分类方法和装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220188595A1 (en) * | 2020-12-16 | 2022-06-16 | Microsoft Technology Licensing, Llc | Dynamic matrix convolution with channel fusion |
-
2023
- 2023-09-12 CN CN202311169605.9A patent/CN116913532B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2019185234A (ja) * | 2018-04-05 | 2019-10-24 | 富士通株式会社 | 推奨処置通知プログラム、推奨処置通知方法、及び情報処理装置 |
CN110223741A (zh) * | 2019-06-10 | 2019-09-10 | 四川互慧软件有限公司 | 一种临床路径信息*** |
CN110739036A (zh) * | 2019-10-09 | 2020-01-31 | 武汉志软科技有限公司 | 一种临床路径分析应用数据检索方法 |
CN111581510A (zh) * | 2020-05-07 | 2020-08-25 | 腾讯科技(深圳)有限公司 | 分享内容处理方法、装置、计算机设备和存储介质 |
US11222217B1 (en) * | 2020-08-14 | 2022-01-11 | Tsinghua University | Detection method using fusion network based on attention mechanism, and terminal device |
CN114077844A (zh) * | 2020-08-17 | 2022-02-22 | 北京金山数字娱乐科技有限公司 | 一种数据处理方法及装置 |
CN112873211A (zh) * | 2021-02-24 | 2021-06-01 | 清华大学 | 一种机器人人机交互方法 |
CN114116825A (zh) * | 2021-12-02 | 2022-03-01 | 浙江和仁科技股份有限公司 | 健康画像推荐引擎及方法、医疗数据集成显示***及方法 |
CN116562307A (zh) * | 2022-02-07 | 2023-08-08 | 辉达公司 | 使用一个或更多个神经网络执行文本翻译 |
CN116665210A (zh) * | 2023-07-28 | 2023-08-29 | 珠海横琴圣澳云智科技有限公司 | 基于多通道信息融合的细胞分类方法和装置 |
Non-Patent Citations (3)
Title |
---|
图文跨模态检索研究进展;张飞飞 等;《数据采集与处理》;第38卷(第03期);479-505 * |
基于梯度下降的脉冲神经网络训练算法;徐梦遥;《现代计算机》;第27卷(第35期);1-11 * |
老年性白内障日间手术临床路径模式效果分析;刘文雅 等;《中国医院管理》;第37卷(第09期);42-44 * |
Also Published As
Publication number | Publication date |
---|---|
CN116913532A (zh) | 2023-10-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107016438B (zh) | 一种基于中医辨证人工神经网络算法模型的*** | |
US10133727B2 (en) | Ontologically driven procedure coding | |
CN110335647A (zh) | 一种临床数据标准化***及标准化数据采集方法 | |
CN107247881A (zh) | 一种多模态智能分析方法及*** | |
CN108280149A (zh) | 一种基于多维度分类标签的医患纠纷类案件推荐方法 | |
CN107767929A (zh) | 病例报告表填写方法、装置、电子设备及存储介质 | |
CN105190634A (zh) | 用于计算用作医疗决策支持的医疗建议的分数的方法 | |
CN117034142B (zh) | 一种不平衡医疗数据缺失值填充方法及*** | |
CN115148370B (zh) | 一种生成dip病种目录的方法及*** | |
CN113053513A (zh) | 一种基于智慧社区的智慧医疗*** | |
CN105574355B (zh) | 临床科研数据的记录方法及*** | |
CN114496233A (zh) | 一种心肌梗死并发症的辅助诊断*** | |
CN116913532B (zh) | 一种临床路径推荐方法 | |
CN114420279A (zh) | 一种医疗资源推荐方法、装置、设备及存储介质 | |
CN112259243B (zh) | 一种基于双向GRUs的单病种临床路径构建方法及*** | |
Wang et al. | A high-fidelity model to predict length of stay in the neonatal intensive care unit | |
CN117216322A (zh) | 一种电子病历的生成方法、装置、设备及存储介质 | |
Mathew et al. | Distributed privacy preserving decision support system for predicting hospitalization risk in hospitals with insufficient data | |
CN111862049A (zh) | 基于深度学习的脑胶质瘤分割网络***及分割方法 | |
CN116543917A (zh) | 一种针对异构时间序列数据的信息挖掘方法 | |
CN113792798B (zh) | 基于多源数据的模型训练方法、装置及计算机设备 | |
CN115659987A (zh) | 基于双通道的多模态命名实体识别方法、装置以及设备 | |
JP2012043428A (ja) | 二分決定図として格納されているセンサー・データの検索 | |
CN108806801A (zh) | 医疗随访方法和装置 | |
CN112232408B (zh) | 目标推荐方法、装置、电子设备及计算机可读存储介质 |
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 |