医药数据管理方法及平台
    62.
    发明公开

    公开(公告)号:CN118571408A

    公开(公告)日:2024-08-30

    申请号:CN202411060109.4

    申请日:2024-08-05

    IPC分类号: G16H20/10 G16H10/60 G16H50/70

    摘要: 本发明公开了一种医药数据管理方法及平台,将针对患者病症的用药治疗记录存储在患者数据库中,患者数据库逐条保存规范为基于有效成分的处方记录;将药品ID及其对应的有效成分ID、适应症明细存储在药品数据库中,药品数据库中同时还存储药品ID的处方剂量与有效成分剂量的转换关系;在交互终端输入针对当前患者、当前病症、以药品ID为基础的处方信息后,通过调取药品数据库将以药品ID为基础的处方信息规范为基于有效成分的处方记录,将基于有效成分的处方记录保存在患者数据库中;通过调取患者数据库获取当前患者的历史处方记录和当前处方记录。本发明能够方便医师或药剂师迅速了解患者的历史病症和用药信息,开出合适的处方。

    基于大数据的心血管疾病数据管理方法

    公开(公告)号:CN118571397A

    公开(公告)日:2024-08-30

    申请号:CN202410719485.3

    申请日:2024-06-05

    IPC分类号: G16H10/60 G16H50/70 G16H20/00

    摘要: 本发明涉及数据处理技术领域,且公开了基于大数据的心血管疾病数据管理方法,包括,获取历史目标人员的病症信息,获取历史目标人员的基础信息,获取历史目标人员的习惯信息;该基于大数据的心血管疾病数据管理方法,通过整理历史目标人员的病症信息和基础信息;获取与将当前目标人员病症信息以及基础信息相似的历史目标人员,记作参照人员,并将参照人员中恢复较快人员也即推荐人员的生活习惯推送给当前目标人员,通过上述方式所筛选出的推荐人员,患过与当前目标人员所类似的病症,并且都比较快速的治愈,以便于当前目标人员能够根据推荐人的习惯信息来调整生活习惯,用以改善当前的病症。

    基于联邦学习和大小模型协同的跨模态知识融合计算方法

    公开(公告)号:CN118568666A

    公开(公告)日:2024-08-30

    申请号:CN202410912322.7

    申请日:2024-07-09

    发明人: 何昆仑 孙宇慧

    摘要: 本发明属智能医疗领域,具体涉及一种基于联邦学习和大小模型协同的跨模态知识融合计算方法,方法包括:本地客户端分为参数提供客户端和参数接收客户端,参数提供客户端利用自身的计算能力使用本地数据进行本地训练得到本地更新的模型和参数;上传至中央服务器,参数接收客户端只向中央服务器发送参数接收需求;所述参数接收客户端根据最大化自身的接收客户端效用为参数提供客户端设置单位时间奖励;所述中央服务器接收不同的本地客户端的所述更新的模型和参数进行聚合得到全局模型参数,再将所述全局模型参数发送至本地客户端;所述本地客户端更新本地模型用于所述本地训练。本申请通过在联邦学习中设立奖励机制,促进联邦学习的高效率训练。

    一种基于数据升维与深度学习的未病阶段检测方法及装置

    公开(公告)号:CN118471541B

    公开(公告)日:2024-08-30

    申请号:CN202410930937.2

    申请日:2024-07-12

    摘要: 本发明涉及一种基于数据升维与深度学习的未病阶段检测方法及装置,旨在解决现有技术中存在的仅能完成对未病态和健康态的二分类识别任务,无法对未病处于何种阶段进行识别的技术问题。包括:数据升维表征模块和数据检测分类模型。数据升维表征模块将不同阶段的不同检测类别的医疗指标数据,进行维度提升并压缩编码;数据检测分类模型对经过压缩编码的数据进行运算,并构建模型认知矩阵,以判断未病处于何种阶段。本发明能提高数据的特征丰富度,并差异化表征未病不同阶段的不同类的医疗指标数据。通过构建多任务优化、双输入的数据检测分类模型,能在仅基于医疗指标数据驱动,而不依赖先验知识的同时,提高分类识别的准确性。

    基于自然语言处理的数据治理系统、方法、设备及介质

    公开(公告)号:CN118297069B

    公开(公告)日:2024-08-30

    申请号:CN202410726835.9

    申请日:2024-06-06

    摘要: 本申请公开了一种基于自然语言处理的数据治理系统、方法、设备及介质,主要涉及医疗数据治理技术领域,用以解决现有方案数据读取能力低、NLP方案在处理医疗文本时容易产生误识别,导致提取的信息不准确的问题。包括:获得词性识别类数据对应的训练好的第一自然语言处理模型;获得实体相似度计算类数据对应的训练好的第二自然语言处理模型;获得医学统一编码类数据对应的训练好的第三自然语言处理模型;获得变量提取类数据对应的训练好的第四自然语言处理模型;当读取到原始医疗数据后,获得对应的分词数据集;获得词性识别类数据、实体相似度计算类数据、医学统一编码类数据和变量提取类数据各自对应的具体结果。

    一种基于分层图注意力与动态元学习的智能知识增强方法

    公开(公告)号:CN117332784B

    公开(公告)日:2024-08-30

    申请号:CN202311278469.7

    申请日:2023-09-28

    摘要: 本发明提供一种基于分层图注意力与动态元学习的智能知识增强方法,所述方法包括下列步骤:S101、进行数据预处理,获得结构化数据;S102、基于所述结构化数据对自适应迁移学习模型进行训练;S103、采用训练后自适应迁移学习模型进行特征提取;S104、根据不同的子任务,构建多个基于不同特征提取结果的分层图注意力网络,并采用动态元学习算法优化所述分层图注意力网络;S105、采用优化后的所述分层图注意力网络实现对不同子任务的结果输出,本发明通过精确捕捉复杂知识结构、灵活实现跨领域知识迁移和自适应,以及高效响应动态环境变化三个方面使得本发明在智能知识增强领域具有广泛的应用前景和实用价值,为解决实际问题提供了更加强大和灵活的工具。