基于特征融合的产科多标记辅助诊断研究

中文产科电子病历中蕴含着大量的医疗知识和健康信息,电子病历的信息抽取及辅助诊断对提高人口的生育健康水平具有重要意义。电子病历中,首次病程记录的入院诊断是根据主诉、辅助检查、查体等信息得出的。通常情况下诊断中包含正常诊断、病理诊断及并发症而非单一结果。因此,该文将辅助诊断问题转化为多标记分类任务。在对产科电子病历的首次病程记录进行数据清洗和结构化后,规范化诊断结论,将LDA所抽取的文本特征与病历中的数字特征采用向量拼接的方法融合为新的特征,再按诊断结果出现的频次不同形成不同的多标记集,根据首次病程中部分信息进行辅助诊断,采用RAkEL、MLkNN、CC和BP-MLL方法进行多标记分类。实验结果表明,采用融合特征的多标记分类方法,能够提升中文产科电子病历辅助诊断的效果。     

基于LSTM与XGBOOST混合模型的孕妇产后出血预测

孕妇产后大出血是造成全球孕妇死亡的重要因素之一,在我国位居孕妇死亡原因首位,然而对产后出血的提前判定一直以来都是医学上一个难题.电子病历的普及,以及机器学习和深度学习技术的发展,为预知孕妇产后大出血提供了基于大数据的解决办法.本文提出利用孕妇的电子病历数据,构建基于LSTM和XGBoost的混合模型来预测孕妇产后大出血.实验结果表明,利用基于LSTM和XGBoost的混合模型对孕妇产后大出血进行预测是可行的,能够为医生判断孕妇产后出血情况提供参考,为孕妇分娩时是否需要备血方案提供决策支持,对降低产后大出血致死率具有积极意义.     

电子病历文本挖掘研究综述

电子病历是医院信息化发展的产物,其中包含了丰富的医疗信息和临床知识,是辅助临床决策和药物挖掘等的重要资源.因此,如何高效地挖掘大量电子病历数据中的信息是一个重要的研究课题.近些年来,随着计算机技术尤其是机器学习以及深度学习的蓬勃发展,对电子病历这一特殊领域数据的挖掘有了更高的要求.电子病历综述旨在通过对电子病历研究现状的分析来指导未来电子病历文本挖掘领域的发展.具体而言,综述首先介绍了电子病历数据的特点和电子病历的数据预处理的常用方法;然后总结了电子病历数据挖掘的4个典型任务(医学命名实体识别、关系抽取、文本分类和智能问诊),并且围绕典型任务介绍了常用的基本模型以及研究人员在任务上的部分探索;最后结合糖尿病和心脑血管疾病2类特定疾病,对电子病历的现有应用场景做了简单介绍.     

中文电子病历命名实体和实体关系语料库构建

电子病历是由医务人员撰写的面向患者个体描述医疗活动的记录,蕴含了大量的医疗知识和患者的健康信息.电子病历命名实体识别和实体关系抽取等信息抽取研究对于临床决策支持、循证医学实践和个性化医疗服务等具有重要意义,而电子病历命名实体和实体关系标注语料库的构建是首当其冲的.在调研了国内外电子病历命名实体和实体关系标注语料库构建的基础上,结合中文电子病历的特点,提出适合中文电子病历的命名实体和实体关系的标注体系,在医生的指导和参与下,制定了命名实体和实体关系的详细标注规范,构建了标注体系完整、规模较大且一致性较高的标注语料库.语料库包含病历文本992份,命名实体标注一致性达到0.922,实体关系一致性达到0.895.为中文电子病历信息抽取后续研究打下了坚实的基础.     

浅谈数字认证技术在电子病历系统中的应用

电子病历,是近今年新生的产物,随着现代信息技术的发展,在医疗领域的应用,电子病历的出现大大提高了医务工作人员的工作效率,提升了医院管理水平,对医院的管理工作有着深远的影响.然而,在实施过程中,电子病历的真实性和安全性还应有效发挥数字认证技术的作用.本文通过分析电子病历系统应用中的安全漏洞问题,针对如何高质量的发挥数字认证技术在电子病历系统中的应用进行探讨,以期通过本文的阐述有效提升电子病历系统的安全性,加快医院信息化进程.     

电子病历交互系统的研究

随着计算机技术的飞速发展,建设数字化医院已经成为医院管理的基础性工程,是对现行的医院管理模式的重大挑战.建设数字化医院的核心是建立电子病历系统,电子病历是记录有关患者健康和医护状况的终身电子信息的载体,电子病历的优势在于它不仅包括了纸质病历所有的信息,而且可以记录超声等影像图片和声像信息,其完整性快捷性是纸质病历无法比拟的.本文在J2EE的B/S应用架构下,以Struts作为表现层框架、Hibernate作为数据持久层框架,设计并实现一个电子病历交互系统.以临床文档结构为标准.对病历进行了文档结构描述.     

中国电子病历正从初级智能化向中高级智能化迈进

IDC于近日发布了《中国电子病历市场份额,2020:电子病历更加智能化》报告.报告内容包含了中国电子病历系统主要厂商的市场份额,分析了电子病历系统市场的竞争态势,并对领先厂商在2020年的市场表现给予了分析及评价,可供医院在选择电子病历系统供应商及综合性医疗IT厂商在选择合作伙伴时作为参考. IDC研究报告显示,2020年中国电子病历系统解决方案市场规模为17.4亿元,同比增长19.2％,预计未来几年中,该市场将保持高速增长势头,2020- 2025年的年复合增长率为15.7％.驱动电子病历市场发展的动力主要有2个方面,一是电子病历应用水平评级促进了大型医院电子病历升级,也激发了中小医院电子病历建设;二是大数据与人工智能等新兴技术在智慧医疗中的价值展现成为电子病历发展的重要推动力.抓住了这两方面增长动力的厂商均取得了快速发展.     

国内电子病历发展与应用现状分析

分析国内电子病历发展与应用现状。从国内电子病历发展历程、电子病历框架组成、主要功能及目前国内应用水平着手分析,并采用电子病历与传统纸质病历相比较的研究方法。国家推动促进了电子病历的快速发展。但国内电子病历应用水平不高,原因是缺少支持临床决策的临床数据仓库。电子病历具有许多纸张病历不具备的优越性,但还存在着法律、安全、标准等问题。电子病历是医院信息系统的核心,需要加强电子病历的集成和管理,提高电子病历质量。并且建立相应的法律法规和有效的认证检查机制,切实体现电子病历的合法性。     

基于区块链的电子病历数据共享方案

以区块链为数据存储平台的电子病历系统是当下研究的热点. 存储在区块链上的数据是不可变的, 这加强了数据的安全性. 提出了一个基于区块链的电子病历数据共享方案, 实现了患者和第三方数据用户在不侵犯患者隐私的前提下共享患者电子病历. 使用私有链与联盟链构造方案的系统模型, 医院服务器上存储患者的电子病历密文, 私有链上存储患者病历密文的哈希值和关键字索引, 联盟链上存储由关键字索引构成的安全索引. 同时利用可搜索加密技术实现了联盟链上对关键字的安全搜索, 运用代理重加密算法实现了第三方数据用户对患者电子病历的共享. 通过数值实验对方案进行了性能评估.     

浅谈维吾尔电子病历在信息化建设中的作用

电子病历即电子健康记录,以电子计算机等形式记录病人的病历情况.近年来,实现维吾尔电子病历已成为新疆医疗卫生事业亟待解决的难题,也是社会民生对医疗信息化有迫切需求.对于全面实现医院数字化、提高医院的核心竞争力具有重要意义.     

利用Bagging算法和GRU模型预测股票价格指数

股价预测对监管部门了解金融市场运行状况和投资者规避股市的高风险具有重要意义。提出了一种基于门控循环（gated recurrent unit,GRU）神经网络和装袋（Bagging）的方法,并将其应用于股指的预测研究。该模型通过Bagging方法处理训练数据集,在模型构建过程中引入随机性,并结合GRU模型预测股价,最终能够降低预测误差,提高预测准确性。通过4个数据集实验结果的对比发现：（1）GRU模型能够较好地预测股指数据,与另外两种单个模型相比,多数情况下具有更小的预测误差;（2）引入Bagging方法的GRU模型具有较强的预测能力,相比于三种基准模型（GRU、ELM、BP）有更小的预测误差和更高的预测稳定度。     

基于CNN和GRU的混合股指预测模型研究

针对股票数据共线性和非线性的特点,提出了一种基于卷积神经网络（Convolutional Neural Network,CNN）和门控循环单元（Gated Recurrent Unit,GRU）神经网络的混合预测模型,并对沪深300指数、上证综指和深证成指进行了预测。该模型首先采用CNN提取特征向量,对原始数据进行降维,然后利用GRU神经网络学习特征动态变化规律进行股指预测。仿真结果表明,与GRU神经网络、长短时记忆（Long-Short-Term Memory,LSTM）神经网络和CNN相比,该模型能够挖掘历史数据中蕴含的信息,有效提高股指预测的准确率,并可为股指交易提供一些参考。     

基于宫缩信号和LightGBM的产时缩宫素剂量预测

缩宫素是产科催产、引产和产前胎儿监测的首选药物,产时缩宫素剂量调控不当可增加不良妊娠结局的风险,目前临床缩宫素的输注主要依靠医护人员手动调节,但在人工调控过程中存在主观判断误差,且人力成本高昂,而现有的缩宫素注射系统也缺少有效的智能调控手段.因此,本文提出一种智能缩宫素剂量预测方法,对胎心监护仪的宫缩信号进行特征提取,结合胎心、心率、电子病历、护理记录等数据,构建基于贝叶斯优化(BOA)的LightGBM缩宫素剂量预测模型.实验选取浙江省某三甲医院采集的10061条样本数据,相较于传统模型,BOA-LightGBM预测性能更佳.因此,将本文预测模型应用于产科缩宫素用药调节是可行的,可为产科医护人员产时临床决策提供辅助支持,减轻人力成本,实现精准给药,对临床工作具有积极意义.     

基于LSTM-RPA音乐流行趋势预测研究

大数据背景下的音乐历史数据蕴含丰富的时间信息和用户行为信息,通过分析音乐艺人和听众行为数据,可以较为精准地预测音乐播放量走势,进而预测音乐流行趋势。传统的时间序列预测模型可以准确预测短趋势,但在长趋势预测中受历史信息衰减的影响,难以获得较好的效果。针对LSTM在音乐长趋势预测中历史信息衰减的问题,提出改进的LSTM滚动预测模型,该模型在预测阶段将前一次输入与当前预测结果相结合,使得历史信息可以沿预测趋势方向流动,从而缓解模型在长趋势预测中的历史信息衰减。实验采用“2016中国高校计算机大赛——大数据挑战赛：阿里音乐流行趋势预测”的比赛数据集,并使用比赛主办方提供的F值进行评估。实验结果显示：在相同条件下预测艺人未来30天的每日音乐播放量,最优LSTM滚动预测模型与LSTM、BiLSTM、GRU、RNN相比F值提高13.03%、16.74%、11.91%、18.52%,平均误差减少39.02%、48.55%、36.02%、52.88%;与传统的时间序列预测模型差分整合滑动平均自回归模型相比F值提高10.67%,平均误差降低32.64%。     

基于 GBDT 的铁路事故类型预测及成因分析

运用数据挖掘技术进行铁路事故类型预测及成因分析, 对于建立铁路事故预警机制具有重要意义. 为此, 本文提出一种基于梯度提升决策树(Grandient boosting decision tree, GBDT)的铁路事故类型预测及成因分析算法. 针对铁路事故记录数据缺失的问题, 提出一种基于属性分布概率的补全算法, 最大程度保持原有数据分布, 从而降低数据缺失对事故类型预测造成的影响. 针对铁路事故记录数据类别失衡的问题, 提出一种集成的GBDT模型, 完成对事故类型的鲁棒性预测. 在此基础上, 根据GBDT预测模型中特征重要度排序, 实现事故成因分析. 通过在开放数据库上进行实验, 验证了本文模型的有效性.     

基于SCSO-GRU模型的网络流量预测

网络流量有实时性、不稳定性和时序相关性等特点,传统网络流量预测模型存在泛化能力不强和预测精度低等不足之处。为解决这些不足,本文提出一种结合基于正余弦的群优化（SCSO）算法的GRU神经网络的网络流量预测模型（SCSO-GRU）。首先,介绍SCSO算法的粒子更新原理;然后构建SCSO-GRU神经网络的网络流量预测模型,将SCSO算法用于模型训练,提高训练效果,克服传统GRU神经网络收敛于局部最优的缺点;最后用SCSO-GRU模型进行网络流量预测。实验结果表明,与传统LSTM和GRU模型相比,本文模型具有显著的收敛效果和较好的预测精度,可以更好地刻画网络流量变化趋势。     

Computer prediction of congestion in the obstetric ward

A computer system was developed to predict congestion of the obstetric ward in the near future. The admittance and stay in the obstetric ward of every registered patient are simulated based on the table of reservation and observed data of hospital stay, and from this the number of inpatients (occupied beds) is predicted. If the expected date of confinement of every obstetric patient is put into the computer and the information on patients who have already given birth is deleted, it is possible to obtain a reasonably accurate prediction.     

电子病历中可视化数据挖掘技术的应用

医院数据库是一个复杂数据库,包括电子病历、医学影像、病理参数、化验结果等,电子病历是用电子设备保存、管理、传输和重现的数字化的病人医疗记录,难以直接进行数据挖掘,使用医学文本数据挖掘的方法,帮助医生分析隐藏在病历数据中的信息和对治疗方案进行研究,再使用集成视图将疾病相关的所有病历数据信息集成显示在一起,可以发现其中的医学诊断规则和模式,从而辅助医生进行疾病诊断,对现有的HIS进行改进和完善。     

基于Doc2Vec和BiLSTM的老年患者疾病预测研究

Disease prediction based on electronic medical record generally predicts the disease according to the patient's symptoms, and rarely studies on the time sequence relationship between the diseases. A new representation of electronic medical record is introduced, which considers the context-aware information of medical diseases with time series. Each disease is transformed into a digital vector similar to its "semantics" using Doc2Vec. Based on these vectors, the BiLSTM model is used to predict the potential diseases of elderly patients, which can play an early warning role in diseases of the elderly. Finally, real hospital diagnostic data is used in the experiments, and the results show that the model can effectively predict new diseases of the elderly, and it also has certain stability while ensuring the accuracy of prediction.