电子健康档案系统中临床医生信息的集成与可视化研究

结题报告
项目介绍
AI项目解读

基本信息

  • 批准号:
    81701793
  • 项目类别:
    青年科学基金项目
  • 资助金额:
    20.0万
  • 负责人:
  • 依托单位:
  • 学科分类:
    H2806.医学信息系统与远程医疗
  • 结题年份:
    2020
  • 批准年份:
    2017
  • 项目状态:
    已结题
  • 起止时间:
    2018-01-01 至2020-12-31

项目摘要

Many patients need to choose a suitable doctor when they need medical care according to their symptoms or medical history, however, up to now, the detailed information of clinicians is scattered over the Web that is hard to be used comprehensively and effectively by patients. Electronic health record (EHR) system has become popular among residents, based on EHR, we extract the detailed information of clinicians from Web and integrate into EHR in order to facilitate patients to obtain. Moreover, unlike the common repository based on Web, we also deal with the obtained knowledge units by knowledge fusion and knowledge processing to form the semantic knowledge network. With this semantic knowledge network, patients can retrieve in terms of themes instead of keywords and the response results can also be shown graphically. Finally, the patients can get what they want. This project is of great significance for solving the problem “the selected clinician is not fit for the symptoms the patient has”.
有医疗需求的患者在就医前,往往会有根据自己的症状、病史等选择合适的临床医生的需求,就目前来说,关于对临床医生详细介绍的信息分散于互联网的各个角落,对于患者来说,无法全面、有效的获取和利用。电子健康档案系统目前已经成为居民最为熟悉的健康管理系统,本课题在此基础上,通过信息抽取技术,对分散在互联网上的临床医生的各类相关信息进行抽取,并集成至电子健康档案系统之中,使得有就医需求的患者获取知识的渠道变得更加便捷,知识内容也更为集中。另外,与一般的基于互联网建设的资源库不同,本课题还对所获取的知识单元进行融合和加工处理,使其形成具有语义关系的知识网络,使得有就医需求的患者可以进行主题检索,并以图形化的方式将结构化的知识反馈给患者,使得患者可以获取更准确和更有深度知识。本课题的开展对于解决“症不对医”问题有着非常重要的意义。

结项摘要

在网络信息化高度发达的今天,绝大部分医院的门户网站、第三方的健康咨询网站以及百科类网站均有对临床医生的基本情况以及擅长的领域的详细介绍,甚至包括患者对医生的情感评价。将这些信息进行集成,可以快速帮助社区居民找到合适的主治医师。为了实现这样的目标,本项目研究的主要技术内容包括:1)通过无监督表示学习方式得到实体词特征和词性特征的分布式表示(即将高维稀疏向量映射成低维稠密向量),然后构建具有深度学习架构的实体识别模型,进一步学习更深层特征,并进行实体识别;2)属性和关系识别;3)解决实体关系不均匀性和不平衡性问题。完成上述3点核心内容的关键是需要开发聚类和分类算法。在聚类方面我们完成了:1)基于贝叶斯框架,提出了一种基于代表点的自适应聚类算法;2)提出了一种基于代表点的多视角模糊聚类算法,实现多视角协同学习。在分类方面我们完成了:1)提出了一种栈式深度模糊系统;2)提出了一种具有视角自动约简功能的多视角模糊系统。通过本项目的实施,能够有效地将分散在网络上的临床医生的信息汇总,在语义层构建知识网络,提供统一查询接口并且能够以可视化的方式显示,这对于帮助患者在就诊前选择合适的临床医生有着非常大的作用和意义。

项目成果

期刊论文数量(7)
专著数量(0)
科研奖励数量(0)
会议论文数量(0)
专利数量(0)
多代表点自约束的模糊迁移聚类
  • DOI:
    --
  • 发表时间:
    2019
  • 期刊:
    山东大学学报(工学版)
  • 影响因子:
    --
  • 作者:
    秦军;张远鹏;蒋亦樟;杭文龙
  • 通讯作者:
    杭文龙
基于密度的模糊代表点聚类算法
  • DOI:
    10.13195/j.kzyjc.2018.1179
  • 发表时间:
    2020
  • 期刊:
    控制与决策
  • 影响因子:
    --
  • 作者:
    周洁;姜志彬;张远鹏;王士同
  • 通讯作者:
    王士同
Fast Exemplar-Based Clustering by Gravity Enrichment Between Data Objects
通过数据对象之间的重力富集进行基于样本的快速聚类
  • DOI:
    --
  • 发表时间:
    2018
  • 期刊:
    IEEE TRANSACTIONS ON SYSTEMS MAN CYBERNETICS-SYSTEMS
  • 影响因子:
    --
  • 作者:
    Yuanpeng Zhang;Fu-lai Chung;Shitong Wang
  • 通讯作者:
    Shitong Wang
基于代表点评分策略的快速自适应聚类算法
  • DOI:
    --
  • 发表时间:
    2018
  • 期刊:
    计算机研究与发展
  • 影响因子:
    --
  • 作者:
    张远鹏;邓赵红;钟富礼;杭文龙;王士同
  • 通讯作者:
    王士同
基于DLSR的归纳式迁移学习
  • DOI:
    doi:10.13195/j.kzyjc.2020.0703
  • 发表时间:
    2020
  • 期刊:
    控制与决策
  • 影响因子:
    --
  • 作者:
    姜志彬;潘兴广;周洁;张远鹏;王士同
  • 通讯作者:
    王士同

数据更新时间:{{ journalArticles.updateTime }}

{{ item.title }}
{{ item.translation_title }}
  • DOI:
    {{ item.doi || "--"}}
  • 发表时间:
    {{ item.publish_year || "--" }}
  • 期刊:
    {{ item.journal_name }}
  • 影响因子:
    {{ item.factor || "--"}}
  • 作者:
    {{ item.authors }}
  • 通讯作者:
    {{ item.author }}

数据更新时间:{{ journalArticles.updateTime }}

{{ item.title }}
  • 作者:
    {{ item.authors }}

数据更新时间:{{ monograph.updateTime }}

{{ item.title }}
  • 作者:
    {{ item.authors }}

数据更新时间:{{ sciAawards.updateTime }}

{{ item.title }}
  • 作者:
    {{ item.authors }}

数据更新时间:{{ conferencePapers.updateTime }}

{{ item.title }}
  • 作者:
    {{ item.authors }}

数据更新时间:{{ patent.updateTime }}

其他文献

共沸物分离的精馏-膜分离集成工艺策略
  • DOI:
    --
  • 发表时间:
    2020
  • 期刊:
    青岛科技大学学报(自然科学版)
  • 影响因子:
    --
  • 作者:
    张远鹏;王晓红;洪娟;李明高;丁欣;李文魁;安隆隆
  • 通讯作者:
    安隆隆
正丙醇脱水常规共沸精馏工艺与隔壁塔精馏工艺经济性对比与分析
  • DOI:
    --
  • 发表时间:
    2018
  • 期刊:
    青岛科技大学学报(自然科学版)
  • 影响因子:
    --
  • 作者:
    王晓红;张远鹏;于新帅;谢 力
  • 通讯作者:
    谢 力
基于代表点评分策略的快速自适应聚类算法
  • DOI:
    --
  • 发表时间:
    2018
  • 期刊:
    计算机研究与发展
  • 影响因子:
    --
  • 作者:
    张远鹏;邓赵红;钟富礼;杭文龙;王士同
  • 通讯作者:
    王士同
多种分析方法测定邻氯代苯亚甲基丙二腈的纯度
  • DOI:
    --
  • 发表时间:
    2020
  • 期刊:
    应用化学
  • 影响因子:
    --
  • 作者:
    汪海涛;刘海锋;刘 艳;赵文博;高润利;段晶钟;张远鹏
  • 通讯作者:
    张远鹏
代表点一致性约束的多视角模糊聚类算法
  • DOI:
    10.13328/j.cnki.jos.005625
  • 发表时间:
    2019
  • 期刊:
    软件学报
  • 影响因子:
    --
  • 作者:
    张远鹏;周洁;邓赵红;钟富礼;蒋亦樟;杭文龙;王士同
  • 通讯作者:
    王士同

其他文献

{{ item.title }}
{{ item.translation_title }}
  • DOI:
    {{ item.doi || "--" }}
  • 发表时间:
    {{ item.publish_year || "--"}}
  • 期刊:
    {{ item.journal_name }}
  • 影响因子:
    {{ item.factor || "--" }}
  • 作者:
    {{ item.authors }}
  • 通讯作者:
    {{ item.author }}
empty
内容获取失败,请点击重试
重试联系客服
title开始分析
查看分析示例
此项目为已结题,我已根据课题信息分析并撰写以下内容,帮您拓宽课题思路:

AI项目思路

AI技术路线图

张远鹏的其他基金

面向心脑血管病生理电信号的在线学习框架:栈式多视角迁移保真学习
  • 批准号:
    82072019
  • 批准年份:
    2020
  • 资助金额:
    56 万元
  • 项目类别:
    面上项目

相似国自然基金

{{ item.name }}
  • 批准号:
    {{ item.ratify_no }}
  • 批准年份:
    {{ item.approval_year }}
  • 资助金额:
    {{ item.support_num }}
  • 项目类别:
    {{ item.project_type }}

相似海外基金

{{ item.name }}
{{ item.translate_name }}
  • 批准号:
    {{ item.ratify_no }}
  • 财政年份:
    {{ item.approval_year }}
  • 资助金额:
    {{ item.support_num }}
  • 项目类别:
    {{ item.project_type }}
{{ showInfoDetail.title }}

作者:{{ showInfoDetail.author }}

知道了

AI项目解读示例

课题项目:调控A型流感病毒诱导IFN-β表达的机制研究

AI项目摘要:

本研究聚焦于TRIM2蛋白在A型流感病毒诱导的IFN-β表达中的调控机制。A型流感病毒是全球性健康问题,其感染可导致严重的呼吸道疾病。IFN-β作为关键的抗病毒因子,其表达水平对抗病毒防御至关重要。然而,TRIM2如何调控IFN-β的表达尚未明确。本研究假设TRIM2通过与病毒RNA或宿主因子相互作用,影响IFN-β的产生。我们将采用分子生物学、细胞生物学和免疫学方法,探索TRIM2与A型流感病毒诱导IFN-β表达的关系。预期结果将揭示TRIM2在抗病毒免疫反应中的作用,为开发新的抗病毒策略提供理论基础。该研究对理解宿主抗病毒机制具有重要科学意义,并可能对临床治疗流感病毒感染提供新的视角。

AI项目思路:

科学问题:TRIM2如何调控A型流感病毒诱导的IFN-β表达?
前期研究:已有研究表明TRIM2参与抗病毒反应,但其具体机制尚不明确。
研究创新点:本研究将深入探讨TRIM2在IFN-β表达中的直接作用机制。
技术路线:包括病毒学、分子生物学、细胞培养和免疫检测技术。
关键技术:TRIM2与病毒RNA的相互作用分析,IFN-β启动子活性检测。
实验模型:使用A型流感病毒感染的细胞模型进行研究。

AI技术路线图

        graph TD
          A[研究起始] --> B[文献回顾与假设提出]
          B --> C[实验设计与方法学准备]
          C --> D[A型流感病毒感染模型建立]
          D --> E[TRIM2与病毒RNA相互作用分析]
          E --> F[TRIM2对IFN-β启动子活性的影响]
          F --> G[IFN-β表达水平测定]
          G --> H[TRIM2功能丧失与获得研究]
          H --> I[数据收集与分析]
          I --> J[结果解释与科学验证]
          J --> K[研究结论与未来方向]
          K --> L[研究结束]
      
关闭
close
客服二维码