共查询到20条相似文献,搜索用时 62 毫秒
1.
过敏性鼻炎患者的电子病历中存在着大量文本类型的主诉症状信息,其中蕴含了医生为患者做出诊断和医嘱用药的关键信息,而现有的药品推荐算法大多数只限于对患者的数值型、结构化数据的使用。针对这一问题,提出了一种基于深度典型相关自编码器的过敏性鼻炎用药推荐算法。首先通过一种基于搜索引擎的主诉文本结构化表示方法,从主诉文本中抽取症状标准信息;然后考虑患者的症状和用药之间存在较强的相关关系,通过构建深度典型相关自编码器模型对数据进行特征提取并且建立起主诉症状和用药情况之间的关联关系;最后根据患者的症状表征和用药表征通过加权近邻搜索进行药品的Top-N推荐。在一个真实的来自三甲医院耳鼻喉科的电子病历数据集上进行实验,验证了算法的准确性和有效性。 相似文献
2.
摘要:当前医疗机构缺乏通过互联网进行医疗资源推荐的有效渠道。同时,由于医疗应用场景的复杂性与多样性致使传统推荐算法面向医疗领域推荐质量不高。因此,提出基于电子病历利用矩阵乘法构建医生推荐模型。推荐模型以电子病历为研究对象,使用朴素贝叶斯分类器获取意向科室;根据症状、诊断、结论等信息构建意向科室医生-疾病矩阵与疾病-患者矩阵,利用矩阵乘法计算推荐结果。实验结果表明,推荐模型达到最佳性能时准确率为97.3%,平均准确率可以达到95.6%。 相似文献
3.
患者病案是医生在临床诊疗中的重要依据,准确的相似病案推荐可以很好地辅助医生进行临床决策.本文提出一种新的面向真实诊疗场景的患者病案表示模型,通过异构图嵌入对诊疗过程产生的患者病案中的医疗实体及其关系进行建模,服务于更好的病案推荐.基于某三甲医院乳腺诊疗病案数据表明该模型相较于现有的表示方法推荐准确率提升2%. 相似文献
4.
5.
近年来,随着互联网的普及和大数据分析等技术的发展,人们对移动医疗服务的需求越来越迫切,具体表现为根据症状确定自己患有的疾病以及根据疾病选择服务质量较好的医院及医生.为了解决上述问题,基于知识图谱和深度学习技术设计并实现了一种问诊推荐系统.基于互联网开放的医疗数据,构建了"疾病-症状"知识图谱,帮助用户根据症状自查,并以知识图谱嵌入模型训练知识图谱中实体的嵌入向量表示,根据向量的欧式距离相似度选取最相近的疾病实体丰富推荐选项,两者结合实现疾病诊断服务.同时,基于社交媒体的评论数据,结合现有的医疗服务质量评价指标,使用了深度学习的分析方法,自动给出医生的服务质量多维度的评分,为用户提供医生医院推荐服务.最后,通过构建测试集以及设计调查问卷等方式,验证了疾病诊断服务和医生医院推荐服务的准确率分别达到了74.00%和90.91%. 相似文献
6.
电子医疗记录的快速积累与数据分析技术的日益成熟,为实现包含智能诊断与药品推荐等功能的智慧医疗服务奠定了基础.然而,电子病历的精简性与患者症状描述的模糊性,导致诊断模型容易受到高发疾病与常见症状的干扰,从而无法支撑细粒度的诊断与处方,在药品推荐上缺乏针对性.与此同时,病情描述以外的许多情境信息,如患者的性别、年龄等个人信息,诊疗过程、检查结果等记录信息,以及所在地的天气、温差等外部信息等,也对于细化对于患者的诊断和处方有着重要的辅助作用.然而,这些多源异构信息往往难以被现有技术所有效提取与整合,从而限制了病情诊断与药品推荐的有效性.针对这一问题,提出了一种基于多源情境协同感知的药品推荐方法,在有效整合多源异构情境信息的基础上,为实现病情诊断与药品推荐提供了具有可解释性的依据.具体而言,首先使用词袋模型对病历和相应的情境数据进行处理,然后设计了一种基于LDA模型的情境主题模型Medicine-LDA,在融合患者病情描述与相应情境信息的同时,有效缓解了情境信息组合爆炸的问题.基于某大型三甲医院的电子病历数据集上的对比实验证明了该方法的有效性与鲁棒性. 相似文献
7.
提出一种基于新闻时效性的协同过滤推荐算法. 首先对新闻的时效性进行了特征分析, 建立了新闻时效性模型, 然后结合新闻时效性改进了基于用户的协同过滤算法. 最后进行了仿真实验, 实验结果表明, 该方法可以有效提高推荐算法的性能, 改善新闻推荐准确度和召回率. 相似文献
8.
用户个性化推荐系统的设计与实现 总被引:4,自引:0,他引:4
为实现个性化服务,理解用户兴趣就成了提供服务的关键任务,因此,提出了隐性采集用户浏览内容、用户浏览时间和用户操作时间的信息方法,通过对网络爬虫程序抓取的网页进行内容清洗提取出主要内容之后,利用VSM建立文档模型,并采用SVM分类方法建立推荐库.基于从客户端采集的用户兴趣信息建模,以及根据该模型和推荐库的相似度,给用户推荐信息.此外,给出了基于该模型的推荐原型系统的实现,使用查准率来评价该系统.试验结果表明,系统较好地实现了基于用户兴趣来推荐阅读的信息. 相似文献
9.
如今,互联网推荐系统已经成为了一个热门话题,自动化推荐极大程度上方便了人们的生活,帮助人们从海量的信息当中寻找到最感兴趣的关键信息.互联网上每时每刻都在产生新的文章信息,已有的信息是一个非常庞大的数据集合,这些被记录的大量数据能够帮助统计出用户偏好以及文章内容的受欢迎程度.目前互联网上有许多种类的推荐系统,他们综合考虑了用户特征,文章特征.基于互联网各大社交媒体上的数据,现有的用户个性化推荐系统通过构建特定的模型对用户进行精准推荐.目前,推荐算法主要通过监督学习与在线学习的方法进行构建,但这些方法进行个性化推荐的时候往往忽略了一个问题:历史记录当中的推荐策略往往是部分观测数据,具有分布不平衡的劣势,通过现有的历史记录不能保证算法能够得到无偏的推荐结果,也不能适应线上的环境以及推荐策略变化.本文提出了一种基于反事实学习并考虑系统当中混淆因子的文章个性化推荐.这种方法有更强的理论保证,并且在实验结果当中也显示了比现有方法更加好的算法表现. 相似文献
10.
互联网的飞速发展产生了"信息过载"问题,新闻推荐系统可以帮助用户快速找到符合自己兴趣的新闻。文章完成了一个基于主题推荐的新闻推荐系统的研究和实现,针对该系统的关键部分即新闻主题和用户兴趣模型做了深入的研究并进行了程序上的实现。文章提出了一种基于主题的新闻推荐方式,将概率主题模型引入到文本推荐中,并深入研究了采用Gibbs抽样算法的LDA主题提取模型。文章在研究基于记忆的用户兴趣模型基础上提出了相应的改进方法,主要是针对记忆模型对用户长短期兴趣不适应的问题,提出了根据用户访问频率来确定不同兴趣度衰减速度的改进方案。 相似文献
11.
12.
13.
14.
15.
16.
18.
19.
在基于Web使用挖掘的推荐系统中,高效地预测用户的浏览模式一直是研究的热点,但是,目前仅采用关联规则挖掘技术的Web推荐系统在预测用户未来浏览模式时很难取得令人满意的结果。提出三种推荐模型以提高预测精度、减少响应时间,实验表明,通过三种推荐模型的组合能够显著改进推荐的准确率、覆盖率和匹配率。 相似文献
20.