-
公开(公告)号：CN105095648B
公开(公告)日：2017-10-31
申请号：CN201510378198.1
申请日：2015-06-29
Applicant: 浙江大学
IPC: G07C11/00
Abstract: 本发明公开了一种门诊排队方法，包括以下步骤：S01、从医院信息系统的运营数据中提取运营参数；S02、确定可以提供诊疗服务的服务单位数s；S03、计算“先到先服务”策略下患者等待时间W1和医院单位时间的服务成本z1；S04、计算“预约绝对优先”策略下患者等待时间W2和医院单位时间的服务成本z2；S05、计算“预约分时段优先”策略下患者等待时间W3和医院单位时间的服务成本z3；S06、计算三种排队策略下的患者等待时间和医院单位时间的服务成本的加权和f，选择加权和最小的排队策略作为当前的门诊排队策略。本发明根据实际情况测算三种排队策略造成的患者等待时间和医院服务成本，为医院选择最优的排队策略，适用于所有能够预约的医院。
-
公开(公告)号：CN105095648A
公开(公告)日：2015-11-25
申请号：CN201510378198.1
申请日：2015-06-29
Applicant: 浙江大学
IPC: G06F19/00
Abstract: 本发明公开了一种门诊排队方法，包括以下步骤：S01、从医院信息系统的运营数据中提取运营参数；S02、确定可以提供诊疗服务的服务单位数s；S03、计算“先到先服务”策略下患者等待时间W1和医院单位时间的服务成本z1；S04、计算“预约绝对优先”策略下患者等待时间W2和医院单位时间的服务成本z2；S05、计算“预约分时段优先”策略下患者等待时间W3和医院单位时间的服务成本z3；S06、计算三种排队策略下的患者等待时间和医院单位时间的服务成本的加权和f，选择加权和最小的排队策略作为当前的门诊排队策略。本发明根据实际情况测算三种排队策略造成的患者等待时间和医院服务成本，为医院选择最优的排队策略，适用于所有能够预约的医院。
-
公开(公告)号：CN118335360B
公开(公告)日：2024-09-20
申请号：CN202410777261.8
申请日：2024-06-17
Applicant: 浙江大学
Abstract: 本发明公开了一种基于大模型知识增强的交互式临床决策支持系统与方法。本发明在每轮与大模型交互结束时，基于交互内容更新交互图谱。将交互图谱的嵌入表示作为状态，将问诊、查体或辅助检查等作为可执行的行动，通过强化学习方法优化诊断过程，提高诊断的准确性和效率。通过分析多轮问诊的交互图谱中的变化生成推理路径，基于推理路径生成交互图谱的反事实状态，基于反事实状态计算各推理路径的重要性，将重要推理路径输入大模型生成自然语言描述，能够提高多轮问诊中从医疗知识图谱检索知识的质量，为大模型输入提供更加可信的知识表示，提高大模型生成内容的质量与可信度。
-
公开(公告)号：CN118335360A
公开(公告)日：2024-07-12
申请号：CN202410777261.8
申请日：2024-06-17
Applicant: 浙江大学
Abstract: 本发明公开了一种基于大模型知识增强的交互式临床决策支持系统与方法。本发明在每轮与大模型交互结束时，基于交互内容更新交互图谱。将交互图谱的嵌入表示作为状态，将问诊、查体或辅助检查等作为可执行的行动，通过强化学习方法优化诊断过程，提高诊断的准确性和效率。通过分析多轮问诊的交互图谱中的变化生成推理路径，基于推理路径生成交互图谱的反事实状态，基于反事实状态计算各推理路径的重要性，将重要推理路径输入大模型生成自然语言描述，能够提高多轮问诊中从医疗知识图谱检索知识的质量，为大模型输入提供更加可信的知识表示，提高大模型生成内容的质量与可信度。
-
公开(公告)号：CN117747124A
公开(公告)日：2024-03-22
申请号：CN202410187002.X
申请日：2024-02-20
Applicant: 浙江大学
Abstract: 本发明公开了一种基于网络激发图分解的医学大模型逻辑反演方法及系统，基于网络激发图分解，通过对医学术语集精细化分割并构建网络激发基底图库，将任务过程中的医学大模型网络激发图分解为多张网络激发基底图，并将基底图对应的节点和关系映射到知识图谱中，从而重构出医学大模型输出结果时的推理逻辑路径，实现可视化的医学大模型逻辑反演。本发明通过收集大模型对精细化区分的医学实体和关系生成的网络激发图，构建完备的参考图库，实现多分类判断和多实体及关系的一次性检验；将分解得到的激发基底图对应的节点和关系映射到医学知识图谱，重构大模型思维推理路径，发掘复杂逻辑和多跳逻辑，提升医学大模型的可解释性。
-
Patent Agency Ranking
公开(公告)号：CN117574440A
公开(公告)日：2024-02-20
申请号：CN202410067638.0
申请日：2024-01-17
Applicant: 浙江大学
Abstract: 本发明公开了一种基于多种签名技术的联盟链医疗数据确权溯源方法及系统。本发明引入多重签名技术，医疗数据的流通需要在联盟链上得到相应患者和医生的多重签名，能够减少医疗数据的不合法流通，明确患者和医生对医疗数据享有的法律权利。本发明引入公平盲签名技术，使得医疗数据流通是在监管机构的监管下进行的，在需要对流通信息进行溯源的情况下，监管机构能够联合半可信第三方对特定医疗数据流通信息进行追踪溯源。本发明将链上医疗数据流通签名和链下医疗数据传输分开，能够在保证医疗数据安全的同时进行医疗数据的确权溯源，大大降低隐私暴露风险。
-
公开(公告)号：CN116682553B
公开(公告)日：2023-11-03
申请号：CN202310961100.X
申请日：2023-08-02
Applicant: 浙江大学
Abstract: 本发明公开了一种融合知识与患者表示的诊断推荐系统，包括知识图谱构建模块、知识表示学习模块和诊断推荐模块；本发明利用医学知识图谱对患者数据和医学知识进行联结，可以更全面、准确地表达医学知识和患者数据之间的关系；本发明关联了患者就诊的时序数据与医学知识图谱，构建患者信息图谱，利用规则学习算法对患者信息图谱进行剪枝，缩小知识表示学习域，关联数据形成患者信息序列，可以更好地利用患者历史数据，提高诊断推荐准确性；本发明提出了一种计算细粒度语义单元相似性的语义关联方法，可以更准确地对医学实体进行对齐；本发明引入了基于无监督卷积神经网络构建的患者序列表示学习模型，进一步提高诊断推荐的准确性。
-
公开(公告)号：CN116682553A
公开(公告)日：2023-09-01
申请号：CN202310961100.X
申请日：2023-08-02
Applicant: 浙江大学
Abstract: 本发明公开了一种融合知识与患者表示的诊断推荐系统，包括知识图谱构建模块、知识表示学习模块和诊断推荐模块；本发明利用医学知识图谱对患者数据和医学知识进行联结，可以更全面、准确地表达医学知识和患者数据之间的关系；本发明关联了患者就诊的时序数据与医学知识图谱，构建患者信息图谱，利用规则学习算法对患者信息图谱进行剪枝，缩小知识表示学习域，关联数据形成患者信息序列，可以更好地利用患者历史数据，提高诊断推荐准确性；本发明提出了一种计算细粒度语义单元相似性的语义关联方法，可以更准确地对医学实体进行对齐；本发明引入了基于无监督卷积神经网络构建的患者序列表示学习模型，进一步提高诊断推荐的准确性。
-
公开(公告)号：CN114626836B
公开(公告)日：2022-08-05
申请号：CN202210533879.0
申请日：2022-05-17
Applicant: 浙江大学
Abstract: 本发明公开了一种基于多智能体强化学习的急救后送决策系统及方法，获取现场患者的伤情数据、急救车辆信息数据、当前路况信息、医院救治能力和床位信息以及在院患者救治情况；得到将患者送抵医院的时间和患者在医院的等待时间，构建患者伤情‑时间模型，确定患者初步的后送顺序；将每一个患者视为一个智能体，根据患者自身的伤情变化和对当前医院床位信息的占用影响构建智能体的奖励函数，建立强化学习模型；针对与每一个现场的患者，依据强化学习模型输出的策略选择，得到所有患者后送选择结果。本发明可以帮助决策人员在保障患者生存率的前提下，更大程度地提升区域整体医疗资源的利用率，减少患者在医院的总等待时间。
-
公开(公告)号：CN114496234B
公开(公告)日：2022-07-19
申请号：CN202210403938.2
申请日：2022-04-18
Applicant: 浙江大学
IPC: G16H50/20 , G16H10/60 , G06F16/9535 , G06F16/958 , G06N5/02 , G06N5/04
Abstract: 本发明公开了一种基于认知图谱的全科患者个性化诊疗方案推荐系统，该系统包括数据采集模块、数据预处理模块、数据分析推理模块和推荐结果显示模块，在数据分析推理模块中首先构建全科知识图谱，然后基于患者就诊时的疾病、症状、用药等信息和已构建的全科知识图谱，建立患者个性化的疾病发展轨迹的认知图谱，进而给出患者个性化诊疗方案推荐。本发明使用基于认知图谱的推理方法，使系统能够真正模拟临床医生的诊疗思路，为临床医生提供可解释的、可接受度高的临床辅助决策工具；本发明从症状出发，为患者制定个性化诊疗方案，帮助患者及早发现病因并接受针对性治疗，同时也能够实现危险疾病的早筛，提示患者及时转诊至专科治疗。
-
-
-
-
-
-
-
-
-
Search Results
77
records
(took 0.021 seconds)
