CN114822741A - 患者分类模型的处理装置、计算机设备及存储介质 - Google Patents
患者分类模型的处理装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN114822741A CN114822741A CN202210447273.5A CN202210447273A CN114822741A CN 114822741 A CN114822741 A CN 114822741A CN 202210447273 A CN202210447273 A CN 202210447273A CN 114822741 A CN114822741 A CN 114822741A
- Authority
- CN
- China
- Prior art keywords
- patient
- sample data
- term reward
- parameters
- classification model
- 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.)
- Granted
Links
- 238000013145 classification model Methods 0.000 title claims abstract description 96
- 238000012545 processing Methods 0.000 title claims abstract description 35
- 230000007774 longterm Effects 0.000 claims abstract description 79
- 238000012549 training Methods 0.000 claims abstract description 73
- 201000010099 disease Diseases 0.000 claims description 23
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 23
- 238000004364 calculation method Methods 0.000 claims description 20
- 230000006870 function Effects 0.000 claims description 15
- 239000003814 drug Substances 0.000 claims description 9
- 229940079593 drug Drugs 0.000 claims description 8
- 230000001186 cumulative effect Effects 0.000 claims description 4
- 238000000034 method Methods 0.000 abstract description 10
- 238000013473 artificial intelligence Methods 0.000 abstract description 6
- 238000011282 treatment Methods 0.000 abstract description 3
- 239000000523 sample Substances 0.000 description 68
- 230000009471 action Effects 0.000 description 12
- 238000005516 engineering process Methods 0.000 description 11
- 238000013528 artificial neural network Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000002787 reinforcement Effects 0.000 description 5
- 206010012601 diabetes mellitus Diseases 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 208000024891 symptom Diseases 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 239000003795 chemical substances by application Substances 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 102000017011 Glycated Hemoglobin A Human genes 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 108091005995 glycated hemoglobin Proteins 0.000 description 1
- 208000019622 heart disease Diseases 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 239000013610 patient sample Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Images
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
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
-
- 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
- G06N3/045—Combinations of networks
-
- 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
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- 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
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Primary Health Care (AREA)
- Databases & Information Systems (AREA)
- Epidemiology (AREA)
- Pathology (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请实施例属于人工智能及数字医疗领域，涉及一种患者分类模型的处理装置、计算机设备及存储介质，装置将患者的训练样本数据输入初始患者分类模型，得到针对各候选分类结果的短期奖励预测参数、医生倾向预测参数以及长期奖励预测参数；从标签中获取短期奖励参数和医生倾向参数；基于短期奖励预测参数和短期奖励参数、医生倾向预测参数和医生倾向参数、短期奖励预测参数和长期奖励预测参数以及医生倾向预测参数和长期奖励预测参数计算联合损失，以调整初始患者分类模型得到患者分类模型；将目标患者的样本数据输入患者分类模型，得到患者分类结果。本申请还涉及区块链技术，训练样本数据可存储于区块链中。本申请提高了患者分类模型的准确性。
Description
技术领域
本申请涉及数字医疗技术领域，尤其涉及一种患者分类模型的处理装置、计算机设备及存储介质。
背景技术
随着计算机技术的发展，医院等医疗机构也越来越多地使用计算机进行医疗诊断与医疗管理。患者分类是医疗领域中的一个重要议题，患者分类常常关联于治疗、诊断、风险评估等，精准的患者分类具有重要意义。
通过计算机实现的患者分类技术，通常是将患者的样本数据输入基于神经网络的患者分类模型，患者分类模型通常会从长期时间维度与短期时间维度进行预测，输出患者分类结果。然而，当从长期时间维度进行预测时，往往会由于时间的长期性带来较多的误差，导致患者分类模型的准确性较低。
发明内容
本申请实施例的目的在于提出一种患者分类模型的处理装置、计算机设备及存储介质，以解决患者分类模型准确性较低的问题。
为了解决上述技术问题，本申请实施例还提供一种患者分类模型的处理装置，采用了如下所述的技术方案：
训练获取模块，用于获取患者带有标签的训练样本数据；
预测获取模块，用于将所述训练样本数据输入初始患者分类模型，以通过所述初始患者分类模型中的第一网络输出所述训练样本数据针对各候选分类结果的短期奖励预测参数以及医生倾向预测参数，并通过所述初始患者分类模型中的第二网络输出所述训练样本数据针对所述各候选分类结果的长期奖励预测参数；
标签获取模块，用于从所述标签中获取所述训练样本数据的短期奖励参数以及医生倾向参数；
损失计算模块，用于基于所述短期奖励预测参数和所述短期奖励参数、所述医生倾向预测参数和所述医生倾向参数、所述短期奖励预测参数和所述长期奖励预测参数以及所述医生倾向预测参数和所述长期奖励预测参数计算联合损失；
模型调整模块，用于根据所述联合损失对所述初始患者分类模型进行调整，直至所述联合损失满足训练停止条件，得到患者分类模型；
患者分类模块，用于获取目标患者的样本数据，并将所述样本数据输入所述患者分类模型，得到所述目标患者的患者分类结果。
为了解决上述技术问题，本申请实施例还提供一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述处理器执行所述计算机可读指令时实现上述患者分类模型的处理装置中的各模块的功能。
为了解决上述技术问题，本申请实施例还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机可读指令，所述计算机可读指令被处理器执行时实现上述患者分类模型的处理装置中的各模块的功能。
与现有技术相比，本申请实施例主要有以下有益效果：获取患者带有标签的训练样本数据并输入初始患者分类模型，初始患者分类模型包含第一网络和第二网络，可以分别输出训练样本数据针对各候选分类结果的短期奖励预测参数、医生倾向预测参数以及长期奖励预测参数；短期奖励参数从较短的时间维度衡量选取各候选分类结果得到的奖励，长期奖励参数从较长的时间维度衡量选取各候选分类结果得到的奖励，医生倾向预测参数代表根据医生经验选取各候选分类结果的概率；从标签中获取训练样本数据的短期奖励参数以及医生倾向参数；根据短期奖励预测参数和短期奖励参数、医生倾向预测参数和医生倾向参数、短期奖励预测参数和长期奖励预测参数以及医生倾向预测参数和长期奖励预测参数计算联合损失，其中，短期奖励预测参数和医生倾向预测参数进行监督学习，长期奖励预测参数进行深度强化学习，并通过短期奖励预测参数和医生倾向预测参数对长期奖励预测参数进行限制，使模型做出更符合医生经验的预测，减少了强化学习中的误差，使联合损失的计算更加准确；从而提高了根据联合损失进行调整后得到的患者分类模型的准确性，并进一步提高了根据患者分类模型进行目标患者分类的准确性。
附图说明
为了更清楚地说明本申请中的方案，下面将对本申请实施例描述中所需要使用的附图作一个简单介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本申请可以应用于其中的示例性系统架构图；
图2是根据本申请的患者分类模型的处理装置的一个实施例的结构示意图；
图3是根据本申请的计算机设备的一个实施例的结构示意图。
具体实施方式
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同；本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请；本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
为了使本技术领域的人员更好地理解本申请方案，下面将结合附图，对本申请实施例中的技术方案进行清楚、完整地描述。
如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving PictureExpertsGroup Audio Layer III，动态影像专家压缩标准音频层面3)、MP4(MovingPictureExperts Group Audio Layer IV，动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上显示的页面提供支持的后台服务器。
需要说明的是，本申请实施例所提供的患者分类模型的处理装置一般设置于服务器中。
应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
继续参考图2，示出了根据本申请的患者分类模型的处理装置的一个实施例的结构示意图。所述的患者分类模型的处理装置200可以包括：训练获取模块201、预测获取模块202、标签获取模块203、损失计算模块204、模型调整模块205以及患者分类模块206，
其中：
训练获取模块201，用于获取患者带有标签的训练样本数据。
在本实施例中，患者分类模型的处理装置运行于其上的电子设备(例如图1所示的服务器)可以通过有线连接方式或者无线连接方式与终端进行通信。需要指出的是，上述无线连接方式可以包括但不限于3G/4G/5G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。
具体地，本申请旨在通过患者分类模型对目标患者进行分类，在对目标患者进行分类之前，需要预先经过模型训练得到患者分类模型。在模型训练阶段，需要获取患者的训练样本数据，训练样本数据与患者相关，且带有标签。
在训练阶段使用到的训练样本数据以及应用阶段使用到的样本数据，都可以是对患者进行随访产生的随访数据。随访是指医院对曾在医院就诊的患者以通讯或其他的方式，进行定期了解患者病情变化和指导患者康复的一种观察方法。
可以预先对患者进行多次随访，每次随访都生成随访数据。可以一次性获取患者多次随访的随访数据，然后将获取到的随访数据确定为训练样本数据或者样本数据。
随访数据可以包括患者基本信息、疾病检查信息、历史用药信息以及医生开药信息，疾病检查信息可以包括症状信息。其中，患者基本信息可以是患者的人口统计学相关的信息，包括性别、年龄、职业、婚姻状况、出入场所等；疾病检查信息可以是对患者进行医学检验检查得到的信息，包括描述病人症状的症状信息以及医学检测报告等；历史用药信息是患者在随访数据所对应的随访之前的用药信息，医生开药信息是患者在随访数据所对应的随访之后给出的开药信息。
随访数据包括患者基本信息、疾病检查信息、历史用药信息以及医生开药信息，数据维度丰富，确保了训练得到的患者分类模型的准确性，从而确保了确保了患者分类的准确性。
需要强调的是，为进一步保证上述训练样本数据的私密和安全性，上述训练样本数据还可以存储于一区块链的节点中。可以理解，样本数据也可以存储于一区块链的节点中。
本申请所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
预测获取模块202，用于将训练样本数据输入初始患者分类模型，以通过初始患者分类模型中的第一网络输出训练样本数据针对各候选分类结果的短期奖励预测参数以及医生倾向预测参数，并通过初始患者分类模型中的第二网络输出训练样本数据针对各候选分类结果的长期奖励预测参数。
具体地，本申请中的患者分类模型属于DQN(Deep Q-Learning)模型，DQN模型即为深度强化学习模型，用于优化用于优化序贯决策问题的长期累积目标。强化学习是智能体(agent)基于某个策略(policy)，针对状态(state)采取动作(action)后得到奖励(reward)，再通过所获得的奖励(reward)来优化策略(policy)的人工智能方法。其中策略是指在特定状态state下应该采取某个行动action，以使预期累积奖励reward最大。DQN模型利用神经网络来拟合策略policy，将状态state输入神经网络，由神经网络输出各个行动action对应的Q值(预期累积奖励)，最大的Q值对应的行动action即为DQN模型认为应该选择的行动action。以糖尿病患者分类举例，输入的状态state为样本数据(患者基本信息、疾病检查信息、历史用药信息以及医生开药信息)构成的多维向量，行动action为患者分类结果的独热编码。累积奖励参数Q包括长期奖励参数与短期奖励参数，其中长期奖励参数从较长的时间维度对结果进行评估，短期奖励参数从较短的时间维度对结果进行评估。例如，当患者为糖尿病患者时，长期奖励参数定义为sign(最后一次随访是否出现并发症)*5，短期奖励参数定义为sign(下一次随访糖化血红蛋白是否达标)*1，其中，长期奖励参数的数值通常大于短期奖励参数的数值，以符合深度强化学习中的常规设置。
本申请中，将训练样本数据输入初始患者分类模型，初始患者分类模型改进传统DQN模型的网络结构，提出Long-Short-Splited-Q-Network(LSSQN)模型。其中，LSSQN模型包括第一网络以及第二网络。输入第一网络的数据经过两个共享的神经网络层(NeuralNetwork，NN)后，由一个独立的神经网络层输出短期预测奖励参数R，由另一个独立的神经网络层输出医生倾向预测参数P。第二网络经过两个神经网络层后，输出长期奖励预测参数F。
初始患者分类模型预设了N个候选分类结果，每个候选分类结果代表某种疾病类别下的疾病子类别，每个候选分类结果都可以对应有一个短期预测奖励参数R、医生倾向预测参数P以及长期奖励预测参数F。其中，短期奖励预测参数R是从较短的时间维度衡量的、根据输入样本数据(状态state)采取候选分类结果(行动action)时得到的奖励参数(reward)。长期奖励预测参数F是从较长的时间维度衡量的、根据输入样本数据(状态state)采取候选分类结果(行动action)时得到的奖励参数(reward)。医生倾向预测参数P是从医生维度衡量的、根据输入样本数据(状态state)采取候选分类结果(行动action)时的概率。奖励参数数值越大，代表得到的奖励越高，越有可能采取所对应的候选分类结果。
本申请中的三组概念：长期奖励预测参数与长期奖励参数、短期奖励预测参数与短期奖励参数、医生倾向预测参数和医生倾向参数，每组概念都是相同的内含，在模型训练阶段，使用长期奖励预测参数、短期奖励预测参数和医生倾向预测参数；在模型应用阶段，使用长期奖励参数、短期奖励参数和医生倾向参数。
本申请中的患者分类，是将患有某种疾病的患者进行进一步的划分，确定患者在某种疾病类别下的疾病子类别。例如，将糖尿病患者划分为10个子类别。
每种疾病类别具有相对应的患者分类模型。即，对于糖尿病和心脏病，需要使用不同的患者分类模型。因此，在训练以及应用中，可以先获取疾病标识，疾病标识可以是患者所患疾病的标识，具体可以是疾病名称或者疾病编码。然后，根据疾病标识选取对应的初始患者分类模型或患者分类模型。
标签获取模块203，用于从标签中获取训练样本数据的短期奖励参数以及医生倾向参数。
具体地，训练样本数据具有标签，可以从标签中获取记录的训练样本数据真实的短期奖励参数以及医生倾向参数。医生倾向参数可以是由医生或者医学专家标注得到。
损失计算模块204，用于基于短期奖励预测参数和短期奖励参数、医生倾向预测参数和医生倾向参数、短期奖励预测参数和长期奖励预测参数以及医生倾向预测参数和长期奖励预测参数计算联合损失。
具体地，本申请中的损失函数为联合损失函数，包含若干个子损失函数。可以分别根据短期奖励预测参数和短期奖励参数、医生倾向预测参数和医生倾向参数、短期奖励预测参数和长期奖励预测参数、医生倾向预测参数和长期奖励预测参数计算各子损失函数带来的损失，然后再计算联合损失函数带来的联合损失。
进一步的，上述损失计算模块204可以包括：第一计算子模块、第二计算子模块、第三计算子模块、第四计算子模块以及联合计算子模块，其中：
第一计算子模块，用于根据短期奖励预测参数和短期奖励参数计算第一损失。
具体地，上述第一损失可以表示为：
LR＝(Rtrue-Rpredict)2 (1)
其中，Rtrue为短期奖励参数。Rpredict为短期奖励预测参数。
第二计算子模块，用于根据医生倾向预测参数和医生倾向参数计算第二损失。
具体地，上述第二损失可以表示为：
LP＝-Ptrue*log(Ppredict)-(1-Ptrue)*log(1-Ppredict) (2)
其中，Ptrue为医生倾向参数，表示患者在训练样本数据st(状态state)下是否采取了候选分类结果a(action)，采取了则为1，否则为0。Ppredict为医生倾向预测参数。
第三计算子模块，用于根据短期奖励预测参数和长期奖励预测参数计算第三损失。
具体地，上述第三损失可以表示为：
其中，st、at分别为时间点t的训练样本数据以及候选分类结果。F(st,at)为时间点t时，输入训练样本数据st、候选分类结果为at时得到的长期奖励预测参数。
为时间点t时，输入训练样本数据st、候选分类结果为a时得到的无梯度形式的短期奖励预测参数。F(st+1,a)为时间点t+1时，输入训练样本数据st+1、候选分类结果为a时得到的长期奖励预测参数。
为构造的长期奖励参数，是从各
中选取到的最大值，作为模型训练中的一个学习目标。
本实施例中，构造长期奖励参数F，并根据短期奖励预测参数R对长期奖励预测参数F进行训练与拟合，从而降低长期奖励预测参数的误差，减少长时间维度上的模型误差。
第四计算子模块，用于根据医生倾向预测参数和长期奖励预测参数计算第四损失。
具体地，上述第四损失可以表示为：
其中，st、at分别为时间点t的训练样本数据以及候选分类结果。
为时间点t时，输入训练样本数据st、候选分类结果为at时得到的无梯度形式的医生倾向预测参数，是一个固定估计值。F(st,at)为时间点t时，输入训练样本数据st、候选分类结果为at时得到的长期奖励预测参数。
可以理解，第一网络的训练为监督学习，第二网络的训练为强化学习。
本实施例中，使用医生倾向预测参数P对长期奖励预测参数F进行限制和正则化，引入了医生知识和经验的影响，使得模型输出的长期奖励预测参数更符合医生经验，以及使得强化学习往更符合医生经验的方向进行外推，降低模型学习到不合理决策的风险，使得学习到的决策逻辑更加安全合理。
联合计算子模块，用于对第一损失、第二损失、第三损失和第四损失进行线性运算，得到联合损失。
具体地，联合损失可以由第一损失、第二损失、第三损失和第四损失进行线性运算得到。在一个实施例中，联合损失具体可以表示为：
L＝LR+LP+LF+Lreg (5)
本实施例中，联合损失兼顾了长期奖励、短期奖励和医生倾向，损失衡量更准确，确保了最后得到的患者分类模型的准确性。
模型调整模块205，用于根据联合损失对初始患者分类模型进行调整，直至联合损失满足训练停止条件，得到患者分类模型。
具体地，以最小化联合损失为目标，调整初始患者分类模型中的模型参数，并对参数调整后的初始患者分类模型进行迭代训练，直至得到的联合损失满足预设的训练停止条件，则停止训练，得到患者分类模型。其中，训练停止条件可以是联合损失小于预设的损失阈值。
患者分类模块206，用于获取目标患者的样本数据，并将样本数据输入患者分类模型，得到目标患者的患者分类结果。
具体地，在进行模型应用时，获取目标患者的样本数据，并将样本数据输入患者分类模型。训练完毕的患者分类模型对样本数据进行处理，确定目标患者所对应的候选分类结果，并根据确定的候选分类结果生成患者分类结果。
进一步的，上述患者分类模块206可以包括：样本获取子模块、奖励获取子模块、累积计算子模块以及结果确定子模块，其中：
样本获取子模块，用于获取目标患者的样本数据，样本数据包括患者基本信息、疾病检查信息、历史用药信息以及医生开药信息。
奖励获取子模块，用于将样本数据输入患者分类模型，以通过患者分类模型中的第一网络输出样本数据针对各候选分类结果的短期奖励参数，并通过患者分类模型中的第二网络输出样本数据针对各候选分类结果的长期奖励参数。
累积计算子模块，用于根据短期奖励参数和长期奖励参数，计算样本数据针对各候选分类结果的累积奖励参数。
结果确定子模块，用于选取最大累积奖励参数所对应的候选分类结果作为患者分类结果。
具体地，获取目标患者的样本数据，样本数据可以是患者的随访数据，包括患者基本信息、疾病检查信息、历史用药信息和医生开药信息。
将样本数据输入患者分类模型，其中，患者分类模型中的第一网络输出样本数据在各候选分类结果下的短期奖励参数，第二网络输出样本数据在各候选分类结果下的长期奖励参数。
在进行患者分类时，需要同时考虑短期奖励参数与长期奖励参数。将各候选分类结果下的短期奖励参数与长期奖励参数相加，可以得到样本数据针对各候选分类结果的累积奖励参数。
累积奖励参数对应于一个候选分类结果，累积奖励参数的数值越大，代表根据输入的样本数据(状态state)采取候选分类结果(行动action)时得到的奖励越大。因此，可以选取最大累积奖励参数所对应的候选分类结果，并根据选取到的候选分类结果及其对应的累积奖励参数生成患者分类结果。
在一个实施例中，第一网络还可以输出医生倾向参数，在模型应用时，医生倾向参数可以提供置信度。如果医生倾向参数越小，代表模型的输出结果准确性越低。医生倾向参数也可以放入患者分类结果中，用于显示患者分类结果的准确性。在一个实施例中，如果医生倾向参数的数值小于预设的医生倾向阈值，则触发报警指令，以便相关人员对模型进行检查或重新训练。
本实施例中，患者分类模型输出短期奖励参数和长期奖励参数，再根据短期奖励参数和长期奖励参数计算累积奖励参数，从长期时间维度与短期时间维度全面衡量各候选分类结果，提高了患者分类结果的准确性。
进一步的，上述患者分类模型的处理装置200还可以包括：开药查询模块以及展示模块，其中：
开药查询模块，用于查询与患者分类结果相关联的开药信息。
展示模块，用于通过终端展示目标患者的患者分类结果以及开药信息。
具体地，患者分类结果可以是一个标识，例如可以是编码，不同的编码代表不同的疾病子类别，并且不同的疾病子类别对应于不同的开药信息。
查询患者分类结果所对应的开药信息，然后通过终端展示目标患者的患者分类结果以及开药信息，终端可以是目标患者或者医生所使用的终端，从而自动实现目标患者的患者分类以及开药信息的确定。
本实施例中，查询患者分类结果所对应的开药信息并进行展示，从而自动实现目标患者开药信息的确定。
本实施例中，获取患者带有标签的训练样本数据并输入初始患者分类模型，初始患者分类模型包含第一网络和第二网络，可以分别输出训练样本数据针对各候选分类结果的短期奖励预测参数、医生倾向预测参数以及长期奖励预测参数；短期奖励参数从较短的时间维度衡量选取各候选分类结果得到的奖励，长期奖励参数从较长的时间维度衡量选取各候选分类结果得到的奖励，医生倾向预测参数代表根据医生经验选取各候选分类结果的概率；从标签中获取训练样本数据的短期奖励参数以及医生倾向参数；根据短期奖励预测参数和短期奖励参数、医生倾向预测参数和医生倾向参数、短期奖励预测参数和长期奖励预测参数以及医生倾向预测参数和长期奖励预测参数计算联合损失，其中，短期奖励预测参数和医生倾向预测参数进行监督学习，长期奖励预测参数进行深度强化学习，并通过短期奖励预测参数和医生倾向预测参数对长期奖励预测参数进行限制，使模型做出更符合医生经验的预测，减少了强化学习中的误差，使联合损失的计算更加准确；从而提高了根据联合损失进行调整后得到的患者分类模型的准确性，并进一步提高了根据患者分类模型进行目标患者分类的准确性。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
本申请可应用于智慧医疗领域中，从而推动智慧城市的建设。
本领域普通技术人员可以理解实现上述实施例中各模块的功能，是可以通过计算机可读指令来指令相关的硬件来完成，该计算机可读指令可存储于一计算机可读取存储介质中，该计算机可读指令在执行时，可包括如上述各实施例中各模块的功能。其中，前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)等非易失性存储介质，或随机存储记忆体(Random Access Memory，RAM)等。
为解决上述技术问题，本申请实施例还提供计算机设备。具体请参阅图3，图3为本实施例计算机设备基本结构框图。
所述计算机设备3包括通过系统总线相互通信连接存储器31、处理器32、网络接口33。需要指出的是，图中仅示出了具有组件31-33的计算机设备3，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。其中，本技术领域技术人员可以理解，这里的计算机设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(ApplicationSpecific Integrated Circuit，ASIC)、可编程门阵列(Field－Programmable GateArray，FPGA)、数字处理器(Digital Signal Processor，DSP)、嵌入式设备等。
所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
所述存储器31至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中，所述存储器31可以是所述计算机设备3的内部存储单元，例如该计算机设备3的硬盘或内存。在另一些实施例中，所述存储器31也可以是所述计算机设备3的外部存储设备，例如该计算机设备3上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(FlashCard)等。当然，所述存储器31还可以既包括所述计算机设备3的内部存储单元也包括其外部存储设备。本实施例中，所述存储器31通常用于存储安装于所述计算机设备3的操作系统和各类应用软件，以实现上述患者分类模型的处理装置中的各模块的功能。此外，所述存储器31还可以用于暂时地存储已经输出或者将要输出的各类数据。
所述处理器32在一些实施例中可以是中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器32通常用于控制所述计算机设备3的总体操作。本实施例中，所述处理器32用于运行所述存储器31中存储的计算机可读指令或者处理数据，以实现上述患者分类模型的处理装置中的各模块的功能。
所述网络接口33可包括无线网络接口或有线网络接口，该网络接口33通常用于在所述计算机设备3与其他电子设备之间建立通信连接。
本实施例通过处理器执行存储在存储器的计算机可读指令时实现如上述实施例患者分类模型的处理装置中的各模块的功能，
本实施例中，获取患者带有标签的训练样本数据并输入初始患者分类模型，初始患者分类模型包含第一网络和第二网络，可以分别输出训练样本数据针对各候选分类结果的短期奖励预测参数、医生倾向预测参数以及长期奖励预测参数；短期奖励参数从较短的时间维度衡量选取各候选分类结果得到的奖励，长期奖励参数从较长的时间维度衡量选取各候选分类结果得到的奖励，医生倾向预测参数代表根据医生经验选取各候选分类结果的概率；从标签中获取训练样本数据的短期奖励参数以及医生倾向参数；根据短期奖励预测参数和短期奖励参数、医生倾向预测参数和医生倾向参数、短期奖励预测参数和长期奖励预测参数以及医生倾向预测参数和长期奖励预测参数计算联合损失，其中，短期奖励预测参数和医生倾向预测参数进行监督学习，长期奖励预测参数进行深度强化学习，并通过短期奖励预测参数和医生倾向预测参数对长期奖励预测参数进行限制，使模型做出更符合医生经验的预测，减少了强化学习中的误差，使联合损失的计算更加准确；从而提高了根据联合损失进行调整后得到的患者分类模型的准确性，并进一步提高了根据患者分类模型进行目标患者分类的准确性。
本申请还提供了另一种实施方式，即提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可读指令，所述计算机可读指令可被至少一个处理器执行，以使所述至少一个处理器执行如上述上述患者分类模型的处理装置中的各模块的功能。
本实施例中，获取患者带有标签的训练样本数据并输入初始患者分类模型，初始患者分类模型包含第一网络和第二网络，可以分别输出训练样本数据针对各候选分类结果的短期奖励预测参数、医生倾向预测参数以及长期奖励预测参数；短期奖励参数从较短的时间维度衡量选取各候选分类结果得到的奖励，长期奖励参数从较长的时间维度衡量选取各候选分类结果得到的奖励，医生倾向预测参数代表根据医生经验选取各候选分类结果的概率；从标签中获取训练样本数据的短期奖励参数以及医生倾向参数；根据短期奖励预测参数和短期奖励参数、医生倾向预测参数和医生倾向参数、短期奖励预测参数和长期奖励预测参数以及医生倾向预测参数和长期奖励预测参数计算联合损失，其中，短期奖励预测参数和医生倾向预测参数进行监督学习，长期奖励预测参数进行深度强化学习，并通过短期奖励预测参数和医生倾向预测参数对长期奖励预测参数进行限制，使模型做出更符合医生经验的预测，减少了强化学习中的误差，使联合损失的计算更加准确；从而提高了根据联合损失进行调整后得到的患者分类模型的准确性，并进一步提高了根据患者分类模型进行目标患者分类的准确性。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本申请各个实施例所述的方法。
显然，以上所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例，附图中给出了本申请的较佳实施例，但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现，相反地，提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明，对于本领域的技术人员来而言，其依然可以对前述各具体实施方式所记载的技术方案进行修改，或者对其中部分技术特征进行等效替换。凡是利用本申请说明书及附图内容所做的等效结构，直接或间接运用在其他相关的技术领域，均同理在本申请专利保护范围之内。
Claims (10)
1.一种患者分类模型的处理装置，包括：
训练获取模块，用于获取患者带有标签的训练样本数据；
预测获取模块，用于将所述训练样本数据输入初始患者分类模型，以通过所述初始患者分类模型中的第一网络输出所述训练样本数据针对各候选分类结果的短期奖励预测参数以及医生倾向预测参数，并通过所述初始患者分类模型中的第二网络输出所述训练样本数据针对所述各候选分类结果的长期奖励预测参数；
标签获取模块，用于从所述标签中获取所述训练样本数据的短期奖励参数以及医生倾向参数；
损失计算模块，用于基于所述短期奖励预测参数和所述短期奖励参数、所述医生倾向预测参数和所述医生倾向参数、所述短期奖励预测参数和所述长期奖励预测参数以及所述医生倾向预测参数和所述长期奖励预测参数计算联合损失；
模型调整模块，用于根据所述联合损失对所述初始患者分类模型进行调整，直至所述联合损失满足训练停止条件，得到患者分类模型；
患者分类模块，用于获取目标患者的样本数据，并将所述样本数据输入所述患者分类模型，得到所述目标患者的患者分类结果。
2.根据权利要求1所述的患者分类模型的处理装置，其特征在于，所述损失计算模块包括：
第一计算子模块，用于根据所述短期奖励预测参数和所述短期奖励参数计算第一损失；
第二计算子模块，用于根据所述医生倾向预测参数和所述医生倾向参数计算第二损失；
第三计算子模块，用于根据所述短期奖励预测参数和所述长期奖励预测参数计算第三损失；
第四计算子模块，用于根据所述医生倾向预测参数和所述长期奖励预测参数计算第四损失；
联合计算子模块，用于对所述第一损失、所述第二损失、所述第三损失和所述第四损失进行线性运算，得到联合损失。
3.根据权利要求2所述的患者分类模型的处理装置，其特征在于，所述第一损失表示为：
LR＝(Rtrue-Rpredict)2
其中，Rtrue为所述短期奖励参数；Rpredict为所述短期奖励预测参数。
4.根据权利要求2所述的患者分类模型的处理装置，其特征在于，所述第二损失表示为：
LP＝-Ptrue*log(Ppredict)-(1-Ptrue)*log(1-Ppredict)
其中，Ptrue为所述医生倾向参数，Ppredict为所述医生倾向预测参数。
5.根据权利要求2所述的患者分类模型的处理装置，其特征在于，所述第三损失表示为：
其中，st、at分别为时间点t的所述训练样本数据以及候选分类结果；F(st,at)为时间点t时，输入训练样本数据st、候选分类结果为at时得到的长期奖励预测参数；
为时间点t时，输入训练样本数据st、候选分类结果为a时得到的无梯度形式的短期奖励预测参数；F(st+1,a)为时间点t+1时，输入训练样本数据st+1、候选分类结果为a时得到的长期奖励预测参数；
为构造的长期奖励参数。
6.根据权利要求2所述的患者分类模型的处理装置，其特征在于，所述第四损失表示为：
其中，st、at分别为时间点t的所述训练样本数据以及候选分类结果；
为时间点t时，输入训练样本数据st、候选分类结果为at时得到的无梯度形式的医生倾向预测参数；F(st,at)为时间点t时，输入训练样本数据st、候选分类结果为at时得到的长期奖励预测参数。
7.根据权利要求1所述的患者分类模型的处理装置，其特征在于，所述患者分类模块包括：
样本获取子模块，用于获取目标患者的样本数据，所述样本数据包括患者基本信息、疾病检查信息、历史用药信息以及医生开药信息；
奖励获取子模块，用于将所述样本数据输入所述患者分类模型，以通过所述患者分类模型中的第一网络输出所述样本数据针对所述各候选分类结果的短期奖励参数，并通过所述患者分类模型中的第二网络输出所述样本数据针对所述各候选分类结果的长期奖励参数；
累积计算子模块，用于根据所述短期奖励参数和所述长期奖励参数，计算所述样本数据针对所述各候选分类结果的累积奖励参数；
结果确定子模块，用于选取最大累积奖励参数所对应的候选分类结果作为患者分类结果。
8.根据权利要求1所述的患者分类模型的处理装置，其特征在于，所述患者分类模型的处理装置还包括：
开药查询模块，用于查询与所述患者分类结果相关联的开药信息；
展示模块，用于通过终端展示所述目标患者的患者分类结果以及所述开药信息。
9.一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述处理器执行所述计算机可读指令时实现如权利要求1至8中任一项所述的患者分类模型的处理装置中的各模块的功能。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机可读指令，所述计算机可读指令被处理器执行时实现如权利要求1至8中任一项所述的患者分类模型的处理装置中的各模块的功能。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210447273.5A CN114822741B (zh) | 2022-04-26 | 2022-04-26 | 患者分类模型的处理装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210447273.5A CN114822741B (zh) | 2022-04-26 | 2022-04-26 | 患者分类模型的处理装置、计算机设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114822741A true CN114822741A (zh) | 2022-07-29 |
| CN114822741B CN114822741B (zh) | 2024-09-13 |
Family
ID=82507374
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210447273.5A Active CN114822741B (zh) | 2022-04-26 | 2022-04-26 | 患者分类模型的处理装置、计算机设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114822741B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115423054A (zh) * | 2022-11-07 | 2022-12-02 | 北京智精灵科技有限公司 | 基于认知障碍患者人格特征的不定时训练激励方法及系统 |
| CN118053602A (zh) * | 2024-04-16 | 2024-05-17 | 首都医科大学宣武医院 | 基于智慧病房呼叫系统的数据处理方法及数据处理系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2021151356A1 (zh) * | 2020-09-08 | 2021-08-05 | 平安科技（深圳）有限公司 | 分诊数据处理方法、装置、计算机设备及存储介质 |
| CN113255735A (zh) * | 2021-04-29 | 2021-08-13 | 平安科技（深圳）有限公司 | 患者用药方案的确定方法及确定装置 |
| CN113707255A (zh) * | 2021-08-31 | 2021-11-26 | 平安科技（深圳）有限公司 | 基于相似患者的健康指导方法、装置、计算机设备及介质 |
-
2022
- 2022-04-26 CN CN202210447273.5A patent/CN114822741B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2021151356A1 (zh) * | 2020-09-08 | 2021-08-05 | 平安科技（深圳）有限公司 | 分诊数据处理方法、装置、计算机设备及存储介质 |
| CN113255735A (zh) * | 2021-04-29 | 2021-08-13 | 平安科技（深圳）有限公司 | 患者用药方案的确定方法及确定装置 |
| CN113707255A (zh) * | 2021-08-31 | 2021-11-26 | 平安科技（深圳）有限公司 | 基于相似患者的健康指导方法、装置、计算机设备及介质 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115423054A (zh) * | 2022-11-07 | 2022-12-02 | 北京智精灵科技有限公司 | 基于认知障碍患者人格特征的不定时训练激励方法及系统 |
| CN118053602A (zh) * | 2024-04-16 | 2024-05-17 | 首都医科大学宣武医院 | 基于智慧病房呼叫系统的数据处理方法及数据处理系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114822741B (zh) | 2024-09-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Fan et al. | Adverse drug event detection and extraction from open data: A deep learning approach | |
| US11232365B2 (en) | Digital assistant platform | |
| CN109326353B (zh) | 预测疾病终点事件的方法、装置及电子设备 | |
| CN112256886B (zh) | 图谱中的概率计算方法、装置、计算机设备及存储介质 | |
| CN111696661B (zh) | 患者分群模型构建方法、患者分群方法及相关设备 | |
| US10755197B2 (en) | Rule-based feature engineering, model creation and hosting | |
| US20220068445A1 (en) | Robust forecasting system on irregular time series in dialysis medical records | |
| CN113707299A (zh) | 基于问诊会话的辅助诊断方法、装置及计算机设备 | |
| CN114822741B (zh) | 患者分类模型的处理装置、计算机设备及存储介质 | |
| CN114141358A (zh) | 基于知识图谱的疾病诊断装置、计算机设备及存储介质 | |
| Kocakoç | The role of artificial intelligence in health care | |
| CN116977095A (zh) | 一种动态风控预警方法、装置、计算机设备及存储介质 | |
| CN116861875A (zh) | 基于人工智能的文本处理方法、装置、设备及存储介质 | |
| CN104809325B (zh) | 用于检测事件日志和过程模型之间的区别的方法和装置 | |
| Thethi | Machine learning models for cost-effective healthcare delivery systems: A global perspective | |
| CN114664458A (zh) | 患者分类装置、计算机设备及存储介质 | |
| WO2021139223A1 (zh) | 分群模型的解释方法、装置、计算机设备和存储介质 | |
| US20240120109A1 (en) | Artificial intelligence architecture for providing longitudinal health record predictions | |
| CN116796840A (zh) | 医疗实体信息抽取方法、装置、计算机设备及存储介质 | |
| CN113780855A (zh) | 医疗机构监管方法、装置、计算机设备及存储介质 | |
| KR20220008407A (ko) | 딥러닝 기술을 활용한 유저 맞춤형 성형의료정보 제공 시스템 및 그 방법 | |
| WO2022227164A1 (zh) | 基于人工智能的数据处理方法、装置、设备和介质 | |
| Khan et al. | Big Data Analytics Model Using Artificial Intelligence (AI) and 6G Technologies for Healthcare | |
| US20240331136A1 (en) | Machine learning to predict medical image validity and to predict a medical diagnosis | |
| US20240062858A1 (en) | Electronic health records reader |
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 |