TWI780608B - 藥物推薦系統與方法 - Google Patents
藥物推薦系統與方法 Download PDFInfo
- Publication number
- TWI780608B TWI780608B TW110106918A TW110106918A TWI780608B TW I780608 B TWI780608 B TW I780608B TW 110106918 A TW110106918 A TW 110106918A TW 110106918 A TW110106918 A TW 110106918A TW I780608 B TWI780608 B TW I780608B
- Authority
- TW
- Taiwan
- Prior art keywords
- data
- drug
- patient
- diagnosis
- module
- Prior art date
Links
Images
Landscapes
- Medical Treatment And Welfare Office Work (AREA)
- Pharmaceuticals Containing Other Organic And Inorganic Compounds (AREA)
- Medicines Containing Plant Substances (AREA)
Abstract
本案提供一種藥物推薦系統,包括一資料提取模組、一病人資料模型、一診斷碼模型、一醫療紀錄分析模組與一藥物推薦模型。資料提取模組取得一就診病人之病人資料、當前診斷碼、當前醫療紀錄資料、先前診斷碼與先前醫療紀錄資料。病人資料模型依據用以依據病人資料產生病人特徵。診斷碼模型用以依據當前診斷碼與先前診斷碼產生診斷碼特徵。醫療紀錄分析模組對當前醫療紀錄資料與先前醫療紀錄資料進行文本分析以產生醫療紀錄文本特徵。藥物推薦模型依據病人特徵、診斷碼特徵與醫療紀錄文本特徵產生藥物排序資料。本案並提供一種藥物推薦方法。
Description
本案係關於一種藥物推薦系統與方法。
隨著人工智慧技術的發展,近年來人工智慧也進入醫療場域成為醫療產業的重點發展方向。其中的一個發展方向就是利用人工智慧技術輔助醫生進行診療,以減輕醫生負擔,降低人為失誤。
本案提供一種藥物推薦系統,包括一資料提取模組、一病人資料模型、一診斷碼模型、一醫療紀錄分析模組以及一藥物推薦模型。資料提取模組係用於取得一就診病人之一病人資料、一當前診斷碼、一當前醫療紀錄資料、至少一先前診斷碼與至少一先前醫療紀錄資料。
病人資料模型訊號連接資料提取模組,用以依據病人資料產生一病人特徵。診斷碼模型訊號連接資料提取模組,用以依據當前診斷碼與至少一先前診斷碼產生一診斷碼特徵。醫療紀錄分析模組訊號連接資料提取模組,用以對當前醫療紀錄資料與至少一先前醫療紀錄資料進行文本分析以產生一醫療紀錄文本特徵。
藥物推薦模型訊號連接病人資料模型、診斷碼模型與醫療紀錄分析模組,用以提取病人特徵、診斷碼特徵與醫療紀錄文本特徵,且訊號連接一藥物資料庫取得複數藥物資料,並依據病人特徵、診斷碼特徵、醫療紀錄文本特徵與這些藥物資料產生一藥物排序資料。
本案並提供一種藥物推薦方法,包括以下步驟。
首先,從一診斷資料庫取得複數歷史診斷資料,各歷史診斷資料包含一病人資訊、一診斷碼、一醫療紀錄與一用藥資訊,並依據這些歷史診斷資料建立一藥物推薦模型。另外,從一藥物資料庫取得複數藥物資料。一實施例中,診斷碼可以是國際疾病傷害及死因分類標準所定義的編碼。
隨後,取得一就診病人之一當前診斷資料與至少一先前診斷資料。接下來,對當前診斷資料與前述至少一先前診斷資料進行特徵提取,以產生一病人特徵、一診斷碼特徵與一醫療紀錄文本特徵。然後,利用前述藥物推薦模型,並依據前述病人特徵、前述診斷碼特徵與前述醫療紀錄文本特徵與這些藥物資料產生一藥物排序資料。
本案利用深度學習模型結合醫療紀錄文本分析、診斷碼及病人資訊綜合判斷以產生藥物排序資料,有助於增加藥物預測的準確性,減輕醫生與藥師的負擔。此藥物排序資料並可用於提升藥物搜尋的效率,以及作為警示依據以降低醫生開立不當藥物的可能性。
下面將結合示意圖對本案的具體實施方式進行更詳細的描述。根據下列描述和申請專利範圍,本案的優點和特徵將更清楚。需說明的是,圖式均採用非常簡化的形式且均使用非精準的比例,僅用以方便、明晰地輔助說明本案實施例的目的。
第一圖係本案藥物推薦系統第一實施例之方塊示意圖。
如第一圖所示,本案所提供之藥物推薦系統100包括一資料提取模組110、一病人資料模型120、一診斷碼模型130、一醫療紀錄分析模組140、一藥物推薦模型150、一排序模組160以及一使用者介面170。
資料提取模組110係用於取得一就診病人之一病人資料B1、一當前診斷碼C1、一當前醫療紀錄資料R1、至少一先前診斷碼C2與至少一先前醫療紀錄資料R2。一實施例中,前述當前診斷碼C1與先前診斷碼C2可以是診斷碼可以是國際疾病傷害及死因分類標準(International Statistical Classification of Diseases and Related Health Problems, ICD)所定義的編碼。一實施例中,前述當前醫療紀錄資料R1與先前醫療紀錄資料R2可以是醫學界常用的主客觀評估紀錄(SOAP note)。
一實施例中,資料提取模組110可訊號連接一使用者終端20,取得醫生看診時由使用者終端20輸入的當前診斷資料,並可訊號連接至一診斷資料庫30以取得對應於就診病人的先前診斷資料。當前診斷資料可包括病人資料B1、當前診斷碼C1與當前醫療紀錄資料R1。先前診斷資料可包括先前診斷碼C2、先前醫療紀錄資料R2與先前用藥資料E2。此先前用藥資料E2可包括藥物名稱以及其用藥劑量、頻率與天數等。
病人資料模型120係訊號連接資料提取模組110,並依據病人資料B1產生一病人特徵A1。一實施例中,病人資料模型120會依據病人年齡、性別、門診科別、過去用藥、試驗報告等產生病人特徵A1。
一實施例中,此病人特徵A1可以是由多個數字構成的一維陣列,各個數字代表病人的一個特徵項目,如病人年齡、性別、門診科別、過去用藥、試驗報告等。
診斷碼模型130係訊號連接資料提取模組110,並依據當前診斷碼C1與至少一先前診斷碼C2產生一診斷碼特徵A2。一實施例中,診斷碼模型130可分析當前診斷碼C1與先前診斷碼C2之關聯性以產生診斷碼特徵A2。一實施例中,診斷碼模型130可依據當前診斷碼C1與先前診斷碼C2產生對應的向量,向量間的距離即可表達關聯性。
醫療紀錄分析模組140係訊號連接資料提取模組110,並對當前醫療紀錄資料R1與至少一先前醫療紀錄資料R2進行文本分析以產生一醫療紀錄文本特徵A3。一實施例中,可使用N-gram演算法分析取得當前醫療紀錄資料R1與至少一先前醫療紀錄資料R2所對應之特徵值作為前述醫療紀錄文本特徵A3。
藥物推薦模型150係一經訓練後的深度學習模型。藥物推薦模型150係訊號連接病人資料模型120、診斷碼模型130與醫療紀錄分析模組140以提取病人特徵A1、診斷碼特徵A2與醫療紀錄文本特徵A3,且訊號連接一藥物資料庫40取得複數藥物資料D1,並依據病人特徵A1、診斷碼特徵A2、醫療紀錄文本特徵A3與這些藥物資料產生一藥物排序資料E1。
一實施例中,藥物推薦模型150可針對藥物資料庫40中所有藥物,依據病人特徵A1、診斷碼特徵A2與醫療紀錄文本特徵A3,給出對應的分數作為藥物排序資料E1。此分數會介於0至1之間,分數越高代表其可能性越高。
排序模組160係訊號連接藥物推薦模型150,依據來自藥物推薦模型150之藥物排序資料E1產生一推薦藥物列表T1。使用者介面170係訊號連接排序模組160,用以呈現推薦藥物列表T1。此使用者介面170可呈現於使用者終端20。
第二圖即顯示利用使用者介面170呈現推薦藥物列表T1一實施例之示意圖。圖中左側即呈現此推薦藥物列表T1。一實施例中,排序模組160會依據各個藥物的分數進行排序,且只將分數超過一預設閾值的藥物列入此推薦藥物列表T1。
一實施例中,排序模組160並可連線至藥物資料庫40,利用藥物資料庫40的資料同步調整推薦藥物列表T1,剔除停藥、缺藥或有替代藥物出現的藥物品項。
第一圖之實施例所描述的藥物推薦系統100可結合醫療紀錄文本分析、診斷碼及病人資訊,進行綜合判斷以產生藥物排序資料,方便醫師使用,並可減輕醫師與藥師的負擔。第一圖中的藥物推薦模型係一經訓練後的深度學習模型。以下針對此深度學習模型的訓練架構進行說明。
第三圖係第一圖之藥物推薦系統100進行訓練時之方塊示意圖。如圖中所示,此藥物推薦系統100具有一訓練模組180,用以取得訓練資料對藥物推薦模型150進行訓練。
如第三圖所示,訓練模組180係訊號連接至診斷資料庫30取得複數歷史診斷資料。訓練模組180會擷取這些歷史診斷資料中對應至同一病人之連續複數筆歷史診斷資料F1, F2(例如連續兩筆資料)作為訓練資料,逐次輸入深度學習模型150’進行訓練,以產生第一圖中的藥物推薦模型150。
每一筆歷史診斷資料包括一病人資料、一診斷碼、一醫療紀錄資料與一用藥資訊。訓練模組180所提供的訓練資料會經過病人資料模型120、診斷碼模型130、醫療紀錄分析模組140處理產生對應的特徵後再輸入深度學習模型150’產生訓練中藥物排序資料E1’。
透過比對實際輸入之訓練資料中較新的歷史診斷資料F1之用藥資訊與深度學習模型150’產生的訓練中藥物排序資料E1’,即可對此深度學習模型150’進行訓練以提升其準確率。
第四圖係依據第一圖之藥物推薦系統100所提供之藥物推薦方法一實施例之流程圖。
如圖中所示,本案所提供之藥物推薦方法包括以下步驟。
首先,如步驟S110所述,取得複數歷史診斷資料,各歷史診斷資料包含一病人資訊、一診斷碼、一醫療紀錄與一用藥資訊,並依據這些歷史診斷資料建立一藥物推薦模型。
一實施例中,請一併參照第一圖,步驟S110可由一診斷資料庫30取得這些歷史診斷資料。
步驟S110係關聯於藥物推薦模型150的訓練過程,可一併參照前述第三圖之對應段落的說明。
隨後,如步驟S120所述,取得複數藥物資料。一實施例中,請一併參照第一圖,步驟S120可由一藥物資料庫40取得這些藥物資料。
接下來,如步驟S130所述,取得一就診病人之一當前診斷資料與至少一先前診斷資料。一實施例中,一實施例中,請一併參照第一圖,步驟S130可由一使用者終端20取得醫生看診時輸入的當前診斷資料,並可由診斷資料庫30取得對應於就診病人的先前診斷資料。當前診斷資料可包括病人資料、當前診斷碼與當前醫療紀錄資料。先前診斷資料可包括先前診斷碼、先前醫療紀錄資料與先前用藥資料。此先前用藥資料可包括藥物名稱以及其用藥劑量、頻率與天數等。
接下來,如步驟S140所述,對當前診斷資料與前述至少一先前診斷資料進行特徵提取,以取得一病人特徵、一診斷碼特徵與一醫療紀錄文本特徵。一實施例中,請一併參照第一圖,步驟S140可透過病人資料模型120、一診斷碼模型130與醫療紀錄分析模組140產生病人特徵A1、診斷碼特徵A2與醫療紀錄文本特徵A3。
然後,如步驟S150所述,利用經過步驟S110訓練完成之藥物推薦模型,並依據前述病人特徵、前述診斷碼特徵與前述醫療紀錄文本特徵與步驟S120所取得的藥物資料產生一藥物排序資料。一實施例中,藥物推薦模型可針對步驟S120所取得的藥物,給出對應的分數。此分數會介於0至1之間,分數越高代表其可能性越高。
隨後,如步驟S160所述,依據藥物排序資料產生一推薦藥物列表呈現於一使用者介面供使用者檢視參考。一實施例中,步驟S160會依據各個藥物的分數進行排序,且只將分數超過一預設閾值的藥物列入,以產生此推薦藥物列表。
第五圖係本案藥物推薦系統第二實施例之方塊示意圖。相較於第一圖之藥物推薦系統100係利用藥物排序資料E1產生一推薦藥物列表T1呈現於使用者介面170供使用者檢視選擇。本實施例之藥物推薦系統200還具有藥物搜尋功能,可供使用者利用搜尋關鍵字搜尋適當的藥物。
如第五圖所示,本實施例之藥物推薦系統200具有一搜尋模組280。此搜尋模組280係訊號連接排序模組160與使用者介面170。搜尋模組280可透過使用者介面170接收醫生輸入之搜尋關鍵字,並依據此搜尋關鍵字與排序模組160產生之推薦藥物列表T1產生一搜尋藥物列表T2呈現於使用者介面170。一實施例中,可利用搜尋關鍵字排除推薦藥物列表T1中的藥物品項以產生此搜尋藥物列表T2。第六圖即顯示利用使用者介面170呈現搜尋藥物列表T2一實施例之示意圖。圖中左上方的輸入框172即可用於輸入搜尋關鍵字,左下方即呈現搜尋藥物列表T2。
第七圖係本案藥物推薦系統第三實施例之方塊示意圖。相較於第一圖之藥物推薦系統100,本實施例之藥物推薦系統300更包括一警示模組380與一反向學習模組390。警示模組380係訊號連接使用者介面170。反向學習模組390係訊號連接警示模組380。
當使用者介面170接收到醫生最終決定的最終用藥不在於推薦藥物列表T1內,警示模組380即會產生一警示介面385取代原本的使用者介面170。一實施例中,警示模組380可依據最終用藥的分數是否達到一預設閾值判斷是否在推薦藥物列表T1之內。本實施例之警示模組380係產生一警示介面385取代原本的使用者介面170,不過亦不限於此。一實施例中,警示模組380亦可以產生一警示訊號提示使用者。此警示訊號可以是一視覺訊號呈現於使用者介面170。
此外,反向學習模組390並會產生關連於此最終用藥之一診斷碼資料與一適應症資料呈現於警示介面385提示使用者。一實施例中,此反向學習模組390係利用歷史診斷資料作為訓練資料,反向學習呈現給定藥物的相關診斷碼、相關適應症與相關試驗報告,提醒使用者確認當次醫療紀錄(即診斷書)上所載是否符合藥物之使用規則。此反向學習模組之架構可依據第一圖所提供的藥物推薦系統100反向設置,在此不予贅述。
第八圖係顯示本案警示介面385一實施例之示意圖。如圖中左側所示,警示介面385會透過表列方式列出此最終用藥的分數(圖中點選的藥物Curam 1.2g Vial即為最終用藥)以及其他經藥物推薦系統300判斷合適的藥物,並將分數超過預設閾值(圖中之預設閾值設定為0.5)的藥物與低於預設閾值的藥物以不同顏色表示方便使用者判讀。反向學習模組390依據最終用藥產生之診斷碼資料392與適應症資料394則是呈現在圖中右側(即圖中ICD-10 code與indication處)提醒使用者確認當次醫療紀錄上所載是否符合藥物之使用規則。
本案藥物推薦系統利用深度學習模型結合醫療紀錄文本分析、診斷碼及病人資訊綜合判斷以產生藥物排序資料,有助於增加藥物預測的準確性,減輕醫生與藥師的負擔。此藥物排序資料並可用於提升藥物搜尋的效率,以及作為警示依據以降低醫生開立不當藥物的可能性。
上述僅為本案較佳之實施例而已,並不對本案進行任何限制。本發明可以任何合適形式實施,包含硬體、軟體、韌體或此等硬體、軟體、韌體之任何組合。任何所屬技術領域的技術人員,在不脫離本案的技術手段的範圍內,對本案揭露的技術手段和技術內容做任何形式的等同替換或修改等變動,均屬未脫離本案的技術手段的內容,仍屬於本案的保護範圍之內。
100:藥物推薦系統
110:資料提取模組
120:病人資料模型
130:診斷碼模型
140:醫療紀錄分析模組
150:藥物推薦模型
160:排序模組
170:使用者介面
B1:病人資料
C1:當前診斷碼
R1:當前醫療紀錄資料
C2:先前診斷碼
R2:先前醫療紀錄資料
20:使用者終端
30:診斷資料庫
E2:先前用藥資料
A1:病人特徵
A2:診斷碼特徵
A3:醫療紀錄文本特徵
40:藥物資料庫
D1:藥物資料
E1:藥物排序資料
T1:推薦藥物列表
180:訓練模組
F1,F2:歷史診斷資料
150’:深度學習模型
E1’:訓練中藥物排序資料
200:藥物推薦系統
280:搜尋模組
172:輸入框
T2:搜尋藥物列表
300:藥物推薦系統
380:警示模組
385:警示介面
390:反向學習模組
392:診斷碼資料
394:適應症資料
第一圖係本案藥物推薦系統第一實施例之方塊示意圖;
第二圖係利用使用者介面呈現推薦藥物列表一實施例之示意圖;
第三圖係第一圖之藥物推薦系統進行訓練時之方塊示意圖;
第四圖係依據第一圖之藥物推薦系統所提供之藥物推薦方法一實施例之流程圖;
第五圖係本案藥物推薦系統第二實施例之方塊示意圖;
第六圖係利用使用者介面呈現搜尋藥物列表一實施例之示意圖;
第七圖係本案藥物推薦系統第三實施例之方塊示意圖;以及
第八圖係本案警示介面一實施例之示意圖。
100:藥物推薦系統
110:資料提取模組
120:病人資料模型
130:診斷碼模型
140:醫療紀錄分析模組
150:藥物推薦模型
160:排序模組
170:使用者介面
B1:病人資料
C1:當前診斷碼
R1:當前醫療紀錄資料
C2:先前診斷碼
R2:先前醫療紀錄資料
20:使用者終端
30:診斷資料庫
E2:先前用藥資料
A1:病人特徵
A2:診斷碼特徵
A3:醫療紀錄文本特徵
40:藥物資料庫
D1:藥物資料
E1:藥物排序資料
T1:推薦藥物列表
Claims (10)
- 一種藥物推薦系統,包括:一資料提取模組,用於取得一就診病人之一病人資料、一當前診斷碼、一當前醫療紀錄資料、至少一先前診斷碼與至少一先前醫療紀錄資料;一病人資料模型,訊號連接該資料提取模組,用以依據該病人資料產生一病人特徵;一診斷碼模型,訊號連接該資料提取模組,用以依據該當前診斷碼與該至少一先前診斷碼產生一診斷碼特徵;一醫療紀錄分析模組,訊號連接該資料提取模組,用以對該當前醫療紀錄資料與該至少一先前醫療紀錄資料進行文本分析以產生一醫療紀錄文本特徵;一藥物推薦模型,訊號連接該病人資料模型、該診斷碼模型與該醫療紀錄分析模組,用以提取該病人特徵、該診斷碼特徵與該醫療紀錄文本特徵,且訊號連接一藥物資料庫取得複數藥物資料,並依據該病人特徵、該診斷碼特徵、該醫療紀錄文本特徵與該些藥物資料產生一藥物排序資料;以及一訓練模組,訊號連接至一診斷資料庫,該訓練模組係用以取得複數歷史診斷資料,並利用該些歷史診斷資料中對應至同一病人之連續兩筆該歷史診斷資料作為訓練資料訓練一深度學習模型,以產生該藥物推薦模型,其中,各該歷史診斷資料包括一病人資料、一診斷碼、一醫療紀錄與一用藥資訊。
- 如請求項1所述之藥物推薦系統,更包括一排序模組以及一使用者介面,該排序模組係訊號連接該藥物推薦模型,用以依據該藥物排序資料產生一推薦藥物列表,該使用者介面係訊號連接該排序模組,用以呈現該推薦藥物列表。
- 如請求項2所述之藥物推薦系統,更包括一搜尋模組,訊號連接該藥物推薦模型,該搜尋模組係透過該使用者介面接收一搜尋關鍵字,並依據該搜尋關鍵字與該藥物排序資料產生一搜尋藥物列表呈現於該使用者介面。
- 如請求項2所述之藥物推薦系統,更包括一警示模組,當該使用者介面接收之一最終用藥不在於該推薦藥物列表之內,該警示模組產生一警示介面取代該使用者介面。
- 如請求項4所述之藥物推薦系統,更包括一反向學習模組,訊號連接該警示模組,當該使用者介面接收之該最終用藥不在於該推薦藥物列表之內,該反向學習模組產生關連於該最終用藥之一診斷碼資料與一適應症資料呈現於該警示介面。
- 一種藥物推薦方法,包括:取得複數歷史診斷資料,各該歷史診斷資料包含一病人資訊、一診斷碼、一醫療紀錄與一用藥資訊,並利用該些歷史診斷資料做為訓練資料,以得到一藥物推薦模型;取得複數藥物資料; 取得一就診病人之一當前診斷資料與至少一先前診斷資料;對該當前診斷資料與該至少一先前診斷資料進行特徵提取以產生一病人特徵、一診斷碼特徵與一醫療紀錄文本特徵;以及利用該藥物推薦模型,並依據該病人特徵、該診斷碼特徵與該醫療紀錄文本特徵與該些藥物資料產生一藥物排序資料;其中,依據該些歷史診斷資料建立一藥物推薦模型之步驟係利用該些歷史診斷資料中對應至同一病人之連續兩筆該歷史診斷資料作為訓練資料訓練一深度學習模型以得到該藥物推薦模型。
- 如請求項6所述之藥物推薦方法,更包括依據該藥物排序資料產生一推薦藥物列表呈現於一使用者介面。
- 如請求項7所述之藥物推薦方法,更包括透過該使用者介面接收一搜尋關鍵字,並依據該搜尋關鍵字與該藥物排序資料產生一搜尋藥物列表呈現於該使用者介面。
- 如請求項7所述之藥物推薦方法,更包括透過該使用者介面接收一最終用藥,若是該最終用藥不在於該推薦藥物列表之內,產生一警示介面取代該使用者介面。
- 如請求項9所述之藥物推薦方法,若是該最終用藥不在於該推薦藥物列表之內,更包括利用該 藥物推薦模型之一反向學習模組產生關連於該最終用藥之一診斷碼資料與一適應症資料呈現於該警示介面。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW110106918A TWI780608B (zh) | 2021-02-26 | 2021-02-26 | 藥物推薦系統與方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW110106918A TWI780608B (zh) | 2021-02-26 | 2021-02-26 | 藥物推薦系統與方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
TW202234415A TW202234415A (zh) | 2022-09-01 |
TWI780608B true TWI780608B (zh) | 2022-10-11 |
Family
ID=84957107
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW110106918A TWI780608B (zh) | 2021-02-26 | 2021-02-26 | 藥物推薦系統與方法 |
Country Status (1)
Country | Link |
---|---|
TW (1) | TWI780608B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW201812646A (zh) * | 2016-07-18 | 2018-04-01 | 美商南坦奧美克公司 | 分散式機器學習系統、分散式機器學習方法、以及產生代用資料之方法 |
CN109599177A (zh) * | 2018-11-27 | 2019-04-09 | 华侨大学 | 一种基于病历的深度学习预测医疗轨迹的方法 |
CN110691548A (zh) * | 2017-07-28 | 2020-01-14 | 谷歌有限责任公司 | 用于从电子健康记录中预测和总结医疗事件的***和方法 |
CN112037880A (zh) * | 2020-08-31 | 2020-12-04 | 康键信息技术(深圳)有限公司 | 用药推荐方法、装置、设备及存储介质 |
CN112164460A (zh) * | 2020-10-19 | 2021-01-01 | 科技谷(厦门)信息技术有限公司 | 一种基于医疗知识图谱的智能疾病辅助诊断*** |
-
2021
- 2021-02-26 TW TW110106918A patent/TWI780608B/zh active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW201812646A (zh) * | 2016-07-18 | 2018-04-01 | 美商南坦奧美克公司 | 分散式機器學習系統、分散式機器學習方法、以及產生代用資料之方法 |
CN110691548A (zh) * | 2017-07-28 | 2020-01-14 | 谷歌有限责任公司 | 用于从电子健康记录中预测和总结医疗事件的***和方法 |
CN109599177A (zh) * | 2018-11-27 | 2019-04-09 | 华侨大学 | 一种基于病历的深度学习预测医疗轨迹的方法 |
CN112037880A (zh) * | 2020-08-31 | 2020-12-04 | 康键信息技术(深圳)有限公司 | 用药推荐方法、装置、设备及存储介质 |
CN112164460A (zh) * | 2020-10-19 | 2021-01-01 | 科技谷(厦门)信息技术有限公司 | 一种基于医疗知识图谱的智能疾病辅助诊断*** |
Also Published As
Publication number | Publication date |
---|---|
TW202234415A (zh) | 2022-09-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11734629B2 (en) | Medical scan labeling quality assurance system and methods for use therewith | |
JP5977898B1 (ja) | 行動予測装置、行動予測装置の制御方法、および行動予測装置の制御プログラム | |
Tennant et al. | The Rasch measurement model in rheumatology: what is it and why use it? When should it be applied, and what should one look for in a Rasch paper? | |
Campbell et al. | Medical statistics: a textbook for the health sciences | |
Machin et al. | Medical statistics | |
Fox et al. | Model complexity improves the prediction of nonsuicidal self-injury. | |
CN111260448A (zh) | 基于人工智能的药品推荐方法及相关设备 | |
CN106845147B (zh) | 医学经验总结模型的建立方法、装置 | |
Barrett et al. | Can the ABILHAND handle manual ability in MS? | |
JP2019079503A (ja) | 問診システム及びそのプログラム | |
Cordier et al. | Evaluating the Longitudinal Item and Category Stability of the SF‐36 Full and Summary Scales Using Rasch Analysis | |
CN112635011A (zh) | 疾病诊断方法、疾病诊断***和可读存储介质 | |
JP6379199B2 (ja) | データ分析装置、データ分析装置の制御方法、およびデータ分析装置の制御プログラム | |
Jiang et al. | An aided diagnosis model of sub-health based on rough set and fuzzy mathematics: A case of TCM | |
Hajjej et al. | Novel framework for autism spectrum disorder identification and tailored education with effective data mining and ensemble learning techniques | |
CN112037888B (zh) | 生理健康特征数据的监控方法、装置、设备及存储介质 | |
TWI780608B (zh) | 藥物推薦系統與方法 | |
Umar et al. | Detection and diagnosis of psychological disorders through decision rule set formation | |
Maguire et al. | Exploring the psychometric properties of self‐report instruments used to measure health‐related quality of life and subjective wellbeing of adolescents with intellectual disabilities: A Consensus‐based Standards for the Selection of Health Measurement Instruments (COSMIN) systematic review | |
Amiri et al. | Psychometric properties of brief histrionic personality symptoms scale among Iranian students | |
Goh et al. | Development of an effective clustering algorithm for older fallers | |
Rostampour | Association of Fall-Related Injuries and Different Diagnoses in Older Adults of Ontario: A Machine Learning Approach | |
Mishra | Personalized functional health and fall risk prediction using electronic health records and in-home sensor data | |
Delgado et al. | Preliminary Results of an Analysis Using Association Rules to Find Relations between Medical Opinions About the non-Realization of Autopsies in a Mexican Hospital. | |
Ghosh et al. | Markov logic networks in health informatics |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
GD4A | Issue of patent certificate for granted invention patent |