基于互联网医疗大数据的医患匹配方法研究
这是一篇关于互联网,医疗,医生,患者,匹配的论文, 主要内容为近些年,互联网医疗逐渐被越来越多人接受并被广泛使用。互联网医疗优化了医疗流程,缓解了医疗资源分布不均,医疗信息不对称等难题。互联网医疗平台积累了大量的医生信息、患者信息、医患问答数据,形成了宝贵的互联网医疗大数据。在互联网医疗模式中,最为主流的服务模式之一是在线问诊。患者接受在线问诊时,希望找到针对自己疾病最有经验的医生,同时医生也希望应诊的患者所患的疾病是自己擅长的方向。医患匹配问题具有普遍性和紧迫性。医患匹配的模式既可以减少诊疗资源的浪费,又可以提高患者满意度。本文挖掘了在线问诊网站中积累的互联网医疗大数据,将医患匹配任务分成两个步骤:疾病自诊和医生推荐。疾病自诊是指:患者在线就诊时,如果不知道自己所患疾病,本文改进的知识图谱结合深度学习的疾病自诊模型可以让患者对自己所患疾病进行初步的诊断。为了降低患者在病情描述文本中对医疗实体的简写、错写等不规范行为对疾病自诊准确率造成的不利影响,本文在知识图谱结合深度学习实现疾病自诊的模型框架的基础上,应用了引入拼音的BERT+双向长短时记忆网络(Bi LSTM)+条件随机场(CRF)的医疗实体识别模型,实现对患者病情描述文本中的医疗实体进行更准确的识别;并且应用了基于多域索引的实体链接方法(IRNorm实体链接模型),将识别出的医疗实体更准确地链接到医学知识图谱中的标准实体上。实验结果显示,本文使用的疾病自诊模型相比基准模型可以有效地提高疾病自诊的准确率。医生推荐是指:在患者明确了自己所患疾病之后,需要找到针对自己疾病的综合评估多个方面特征后表现最好的医生进行在线就诊,本文结合医生的社会资本、在线声誉等特征,将医生推荐问题转化为一种医生的排序学习问题,通过Lambda MART排序学习算法,得出综合医生各个特征的医生综合评分与排名,实现面向患者所患疾病的医生推荐。本研究的创新点主要体现在以下三个方面:完善了知识图谱结合深度学习实现疾病自诊的模型。将排序学习应用于医生推荐,综合考虑了医生多个方面的特征进行排序。丰富了医患匹配问题的研究角度和研究方法。
面向多数据源医疗知识图谱的智能问答系统研究
这是一篇关于知识图谱,智能问答系统,医疗,BERT,GPT-2的论文, 主要内容为新冠疫情爆发后,传统的线下就医方式受到影响,变相促进了“互联网”医疗和智慧医疗发展速度。但线上获取医疗信息的方法主要是通过搜索引擎,精准度难以得到保障,而且对于想要根据条件个性化查找医疗信息的人群来说,这种信息获取方式不够高效。知识图谱能够作为一个高质量数据来源,而智能问答系统能精准、便捷的查找信息,两者结合起来便可以定向查找高质量信息。因此,本文构建了一个医疗知识图谱,并基于该知识图谱实现了医疗知识的智能问答系统。本文的研究工作主要包括以下几个方面:第一,医疗知识图谱构建。以开源医疗知识图谱中的数据为基础,利用互联网数据进行补充,将不同来源的数据进行融合、动态更新,构建了能够用于智能问答的医疗知识图谱。第二,以基于注意力机制的BERT-BILSTM-CRF实体识别算法为主的问句解析模块。本文结合实际语境,将问题分为两类:医疗服务类问题和其他开放性问题。对于用户输入的问句,本文利用医疗实体词典对问句分类后,使用基于注意力机制的BERT-BILSTM-CRF实体识别算法进行命令实体识别获取问句中的关键词。最后交由问答引擎处理。实验证明使用注意力机制的BERT-BILSTM-CRF算法能获得更好的效果。第三,基于医疗知识图谱的智能问答系统的设计与实现。本文实现了一个基于医疗知识图谱的智能问答系统,对用户问题进行分类,以BERT语言模型为核心的检索式模型处理医疗服务类问题,使用GPT-2生成式模型自动生成其他开放性问题的答案。使用两个不同模型对问题进行处理。在实际运行过程中系统运行状况良好,能够实时对用户的问句进行准确回答,满足用户医疗信息获取的需求。
基于知识图谱的智能诊断信息系统设计与实现
这是一篇关于医疗,智能诊断,B/S结构,知识图谱,朴素贝叶斯的论文, 主要内容为由于医疗诊断具有模糊性和主观性,因此对医生的诊断经验具有较高的要求。年轻的医生,由于缺乏门诊经验,在诊断过程中,受主观影响较大,容易出现误诊,降低诊断的准确率。伴随着人工智能的发展,如何利用人工智能技术整合海量医学知识并提供诊断服务成了热门问题。因此,本文设计了医疗智能诊断信息系统,通过利用人工智能技术整合医学专业知识形成知识图谱,并基于整合好的知识图谱结构化数据利用朴素贝叶斯算法实现诊断模型,提供诊断服务。针对传统的医疗信息管理系统存在只是单一的将病人和医药数据进行收集存储,没有一定的评判价值和辅助功能等。本文研究和开发的医疗诊断信息系统,在传统信息管理系统的基础上通过将医学数据整合成知识图谱的新形式,知识图谱相比于传统的数据格式,通过从事物之间的“关系”角度去分析事物的联系,可以更直观的展现给医生和患者医药信息以及病理关系,进一步提高医生对于患者症状认识的准确性和客观性。其次利用整合好的医学数据结合朴素贝叶斯算法设计疾病预诊模型,通过对朴素贝叶斯算法中的属性加权方式进行改进,增大了属性在类别中的区分程度,提高了朴素贝叶斯算法在诊断过程中的准确率。用户通过系统进行症状描述,模型通过分析用户症状,从而得出可能疾病的信息。本文的主要研究内容有以下几个方面:1、面向医学文本的知识图谱构建。针对医学领域的知识图谱中存在语料匮乏以及分类不健全的问题,本文以医学电子病历和垂直医学网站作为数据源,并通过命名实体识别以及关系抽取的技术构建了医学知识图谱,知识图谱以医学实体为节点,实体间的关系为边构建的一种图数据结构,并存储在Neo4J数据库中。2、基于构建好的医学知识图谱,对电子病历以及垂直网络中的医疗数据进行整合,利用改进朴素贝叶斯算法从而实现智能诊断。相比于朴素贝叶斯算法,通过对属性特征加权的计算方式进行改进,提高了预测的准确率。3、最后基于所提出的算法,实现了智能诊断信息系统。系统使用了目前比较流行的Spring Boot框架和轻量级My SQL数据库作为存储引擎。该系统的主要功能包括智能诊断、用户信息管理、药方管理、门诊预约四大功能模块。并通过对系统进行功能以及性能测试,能够达到预期的效果,具有较强的实用性。
基于知识图谱的自动问答系统设计与实现
这是一篇关于知识图谱,医疗资料,自动问答,相似度匹配,医疗的论文, 主要内容为知识图谱作为目前新兴的知识存储与表示方式,在计算机可识别性与人类可读性方面都较传统的文本链接形式有了巨大的进步甚至飞跃,尤其在组织大量数据信息时,能够体现出优越的可扩展性与交互性。对于一般知识与特定领域知识的保存、查询、推理工作都具有较好的推动作用。本论文旨在对于知识图谱原理与概念的学习与总结的基础上,面向常见的疾病构建基于开源数据和其他医疗资料的知识图谱,用来搭建关于常见疾病的自动问答系统。本文介绍了知识图谱的概念以及展示了基于开源数据和其他医疗资料的知识图谱的构建过程。通过建立疾病本体与构建常用症状词汇表从开源数据中对用户问询的疾病知识进行比对,运用中科院中文分词算法以及停用词排除法对中文语句进行高利用率的语义识别,形成有效的中文关键词之后通过与用户的反复交互,排除无用的疾病症状后对现有症状的聚合,得到可能的结果集之后,通过相似度匹配优化算法推断出用户可能问询的疾病的最优解。最后结合收集到的知识图谱数据,对设计的自动问答模型进行实例检验,并对实验结果进行校验。
绵阳市游仙区居民健康卡管理系统的设计与实现
这是一篇关于J2EE,MVC,医疗,居民健康卡的论文, 主要内容为居民健康卡是国家卫生信息“十三五规划”信息惠民工程的重要组成部分,要求2020年全国实现“一卡通”。依托国家、省、地市、县四级人口健康信息平台,有效共享全员人口信息、电子健康档案、电子病历信息,实现居民身份识别、基本健康信息存储、跨区域跨机构就医和费用结算的信息载体,是群众享受各项卫生计生服务的联结介质。居民健康卡管理系统是基于居民健康卡管理、个人身份识别的一套系统,不仅串联个人的医疗健康数据信息,还串联着个人医疗健康档案,是国家通过动态化、多样化采集居民个体健康数据,以达到完善健康管理、医疗保健等数据信息的重要措施,创建以居民个体健康为中心,贯通个人全生命周期,记载串联着个人所有健康信息的重要载体和途径。现阶段建设好居民健康卡管理系统,对促进医疗健康管理水平、解决当前医疗健康服务“一院一卡”突出问题,有效整合孤立、分散的信息资源,实现全域范围的健康信息、诊疗信息共享和医疗健康服务一卡通,优化就诊服务流程等方面具有重大意义。本文以绵阳市游仙区居民健康卡管理系统建设作为研究对象,利用面向对象设计等相关软件工程开发技术,经过大量的实际业务需求调研和分析,对居民健康卡管理系统的功能模块、总体技术路线、详细设计和功能实现等环节进行了详细的设计和阐述。主要功能包括系统管理、居民健康卡卡务管理、居民健康卡数据管理、SAM卡管理、黑名单管理、统计报表以及统计分析查询等功能操作。在系统采用的技术架构上,总体对系统进行了综合设计,将系统分为了三层:模型层、视图层和控制层。为满足应用系统高安全性、高稳定性、高适应能力以及快速部署等要求,因此采用了业界流行的B/S架构,基于J2EE体系展开系统开发,系统与其他第三方系统的对接和服务主要通过采用WebService和XML(Extensible Markup Language)标准化接口来支持,而开发模式采用MVC框架,利用分离的特点,可以使得数据从表示层分离开,这样多个视图能共享一个模型,可以最大化的重用代码加快开发速度和利于测试,最后在数据存储方面采用目前流行的Oracle数据库,保证了系统的安全性和降低了试错成本。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：毕设向导 ，原文地址：https://bishedaima.com/lunwen/45434.html
