CN112071388A - 一种基于深度学习的智能配药制药方法 - Google Patents
一种基于深度学习的智能配药制药方法 Download PDFInfo
- Publication number
- CN112071388A CN112071388A CN201910490372.XA CN201910490372A CN112071388A CN 112071388 A CN112071388 A CN 112071388A CN 201910490372 A CN201910490372 A CN 201910490372A CN 112071388 A CN112071388 A CN 112071388A
- Authority
- CN
- China
- Prior art keywords
- data
- network
- medicine
- intelligent
- deep learning
- 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.)
- Pending
Links
- 239000003814 drug Substances 0.000 title claims abstract description 109
- 238000013135 deep learning Methods 0.000 title claims abstract description 38
- 238000000034 method Methods 0.000 title claims abstract description 33
- 229940079593 drug Drugs 0.000 claims abstract description 30
- 238000002360 preparation method Methods 0.000 claims abstract description 17
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 230000006399 behavior Effects 0.000 claims description 20
- 201000010099 disease Diseases 0.000 claims description 13
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 10
- 230000009471 action Effects 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 6
- 238000013473 artificial intelligence Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 239000008280 blood Substances 0.000 description 2
- 210000004369 blood Anatomy 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000004069 differentiation Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- 230000009466 transformation 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
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/10—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to patients
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Medicinal Chemistry (AREA)
- Epidemiology (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- User Interface Of Digital Computer (AREA)
Abstract
本发明公开了一种基于深度学习的智能配药制药方法。该方法对智能设备端所采集的病患者病情数据进行数据预处理，将处理后的数据传输给配制药品控制服务器，配制药品控制服务器采用基于深度学习的智能配药制药算法进行训练学习，经过训练的网络模型，用于对后续时刻未知的数据采用精准化分析，输出不同病患者所需药品的药量的配比表，配制药品控制服务器定期接收预处理后的病患者数据，及时跟踪和调整病患者所需药品的药量的配比表，从而对病患者实现差异化和定制化的药品配置服务，同时，为厂商提升了配制药品的受众范围，并实现配制药品的智能差异化管理。
Description
技术领域
本发明涉及医学智能配药制药领域，尤其涉及药品生产和配置过程结合人工智能技术实现配置药品成分的智能控制和差异化管理的方法。
背景技术
目前，国内的制药厂商通常是预先制定某种药物的药量配比表，并按照此表提取药物的各种成分，在机器上加工制成。这种由专业配药师预先定制药量配比表的方法，通常是按照专业知识进行配置，缺乏差异化、个性化的配置，专业配药师实地大范围的考察病患者的病因、病理和病方，这在现实中存在很多挑战；若长期跟踪病患者的病情，也会耗费很大的人力物力和财力，加之，病患者的病患情况，因人、因时而异，配药师与病患者的直接交流，了解病情的概率，在现实中也不多见。按照需求引领市场的原则，厂商制配药物应该以用户需求为导向，差异化的配制药品，实现智能化配制药品，定制化服务。
随着人工智能、物联网等科技的迅猛发展，一些智能化配置的应用也广泛地被普及。结合智能设备和人工智能技术，对配药制药地药量控制实现“私人定制”和差异化管理，这对未来智能化、差异化和动态化的服务在医学应用中有着重要的市场价值。
发明内容
针对上述国内制配药品厂商在配制药品时通常缺乏与病患者的实时跟踪，不能动态地获取用户需求，需要机械地预先制定药品配比表等，这种智能化、差异化和动态化的匮乏，提出一种基于深度学习的智能配药制药方法。该方法对智能设备端所采集的病患者病情数据进行数据预处理，将处理后的数据采用基于深度学习的智能配药制药算法进行训练学习，经过训练的网络模型，用于对后续时刻未知的数据采用精准化分析，输出不同病患者所需药品的药量的配比表，从而对病患者实现差异化和定制化的药品配置服务，同时，为厂商提升了配制药品的受众范围，并实现配制药品的智能差异化管理。
为了实现上述目的，本发明所采取的技术方案是：一种基于深度学习的智能配药制药方法。该方法包括以下步骤：
步骤A1：智能设备采集当前病患者病情数据，将数据预处理后，传输给配制药品控制服务器；所述数据预处理是将病情数据归档，整理成有结构化的数据；所述结构化的数据依据病患者姓名、性别、年龄、病史情况、体测数据、病因、治疗数据、药物使用情况、持续时间和现状进行分类记录和归档；
步骤A2：配制药品控制服务器采用基于深度学习的智能配药制药算法输出不同病患者所需药品的药量的配比表；
步骤A3：配制药品控制服务器定期通过智能设备实时对病患者采集数据预处理后的病情数据，采用本发明提出的一种基于深度学习的智能配药制药算法对病患者的所需药品的药量配比进行变更，并将变更后的药量配比表传输给病患者或者医生。
进一步地，所述的基于深度学习的智能配药制药算法包括以下步骤：
步骤B1：随机分别初始化Actor网络和Critic网络的参数w和θ；
步骤B2：判断当前时刻t是否小于预设的迭代周期T，若是，则转步骤B3，否则转步骤B10；
步骤B3：初始化状态集S，经过数据预处理后，得到其特征向量φ(S)；
步骤B4：Actor网络用φ(S)作为数据输入，输出当前时刻相应的行为集A，基于行为集A得到下一时刻状态S′和Critic网络的立即奖赏R；
步骤B5：Critic网络分别使用φ(S)，φ(S′)作为数据输入，得到输出的当前状态的总累计奖赏V(S)和后续状态的总累计奖赏V(S′)，其中，依据式(1)和式(2)分别计算V(S)和V(S’)：
V(S′)＝R(t)+βV[S′，argmaxA′V(S′，A′|w|θ)] (2)
其中，R(t)表示t时刻的即刻奖赏，β表示折扣因子，A′表示下一时刻的行为，St和At分别表示t时刻的状态和行为；
步骤B6：Critic网络从回放缓存池中随机抽取D个样本，根据式(3)计算误差函数δ：
δ＝R(t)+αV(S′)-V(S) (3)
其中，α表示更新率，其范围为[0，1]；
步骤B7：Critic网络根据式(4)作为损失函数L(w)，根据式(5)计算损失函数的梯度，根据式(6)更新Critic网络参数w，用于对Critic网络参数的梯度更新：
其中，k表示样本计数的统计变量，γ表示学习步长，表示学习的速率，其范围是[0，1]；
步骤B8：根据式(7)更新Actor的网络参数θ：
其中，
为学习步长，即学习率，范围为[0，1]；π表示Actor网络在状态S下，采取行为A所依据的策略，
表示关于参数θ的梯度；
步骤B9：输出Actor网络的策略集π；
步骤B10：中止循环；
优选地，所述的配制药品控制服务器是能够运行基于深度学习的智能配药制药算法的APP和硬件设备，所述的APP是一种应用程序，执行与硬件设备上的应用软件，所述的硬件设备指计算机或者手机所包括的硬件设备。
优选地，所述的药量配比表至少包括以下两项：药物名称和所需药量。
优选地，所述的回放缓存池用于存储Actor网络和Critic网络样本，所述样本包括(S，A，R，S′)。
有益效果：本发明提出一种基于深度学习的智能配药制药方法。该方法对智能设备端所采集的病患者病情数据进行数据预处理，将处理后的数据传输给配制药品控制服务器，配制药品控制服务器采用基于深度学习的智能配药制药算法进行训练学习，经过训练的网络模型，用于对后续时刻未知的数据采用精准化分析，输出不同病患者所需药品的药量的配比表，配制药品控制服务器定期接收预处理后的病患者数据，及时跟踪和调整病患者所需药品的药量的配比表，从而对病患者实现差异化和定制化的药品配置服务，同时，为厂商提升了配制药品的受众范围，并实现配制药品的智能差异化管理。
附图说明
图1是一种基于深度学习的智能配药制药方法的流程示意图；
图2是一种基于深度学习的智能配药制药方法中的算法运行原理结构示意图；
图3是一种基于深度学习的智能配药制药方法中的算法流程示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明了，下面结合具体实施方式并参照附图，对本发明进一步详细说明。应该理解，这些实施方式仅仅用于解释本发明的技术原理，并非旨在限制本发明的保护范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本发明的概念。
基本知识：基于深度学习的智能配药制药算法包含三个网络：Actor、Critic网络和Critic目标网络。Actor网络是由一个网络构成，该网络也是采用深度卷积神经网络的结构，即输入层，隐藏层和输出层。网络接收输入的数据和系统反馈的奖赏或者惩罚信号，通过隐藏层依据目标函数不断调整参数，训练学习出网络的模型。其是基于策略的Q网络。Critic网络包含两个网络，类似于深度Q网络，一个原网络，用于训练模型，一个目标Q网络，用于定期保存原网络的网络参数模型。这里我们将目标Q网络称之为Critic目标网络。
基于深度学习的智能配药制药算法的思路如下：
1.Actor网络采用基于策略的Q网络，首先观察当前状态，采用∈-贪婪选择的方法，执行一个行为；
2.Critic网络依据Actor网络的当前的状态和行为，给出一个评分，这个评分依据是从当前时刻t到迭代结束累计的总的奖赏的打分和Critic目标网络打分综合评判进行不断调整打分策略。总的累计奖赏由系统或者环境反馈给出。
3.Actor网络依据Critic网络的打分即奖赏，调整自己的行为策略。
4.Critic网络依据系统或者环境真实地奖赏和Critic目标网络地评分，不断调整自己地打分策略，Actor网络和Critic网络不断经过网络训练，最终Actor网络输出最优行为集。
本发明提供一种基于深度学习的智能配药制药方法，该方法的流程示意图如图1所示，包括以下步骤：
步骤A1：智能设备采集当前病患者病情数据，将数据预处理后，传输给配制药品控制服务器；所述数据预处理是将病情数据归档，整理成有结构化的数据；所述结构化的数据依据病患者姓名、性别、年龄、病史情况、体测数据、病因、治疗数据、药物使用情况、持续时间和现状进行分类记录和归档；
具体实施例1：病患者利用智能手机、带有医用功能的智能手环或者血压、血氧、血糖和体温仪等设备搜集病情数据。
具体实施例2：病患者通过医护人员的检查诊断单、机器拍的CT图像等通过远程医疗设备将病情数据传输给配制药品控制服务器或者制配药者；所述配制药品控制服务器采用基于深度学习的智能配药制药方法差异化、智能化的生成药物配量表。
具体实施例3：医护专业人员或者患病者通过语音或者视频将病情数据通过智能设备传输给配制药品控制服务器或者制配药者。
具体实施例4：医疗设备的业务数据库获取：病案记录、电子病历和临床数据，包括患者入院、诊断，住院、治疗、检查、药物和出院信息。
步骤A2：配制药品控制服务器采用基于深度学习的智能配药制药算法输出不同病患者所需药品的药量的配比表；
步骤A3：配制药品控制服务器定期通过智能设备实时对病患者采集数据预处理后的病情数据，采用本发明提出的一种基于深度学习的智能配药制药算法对病患者的所需药品的药量配比进行变更，并将变更后的药量配比表传输给病患者或者医生。
图2描述是一种基于深度学习的智能配药制药方法中的算法运行原理结构示意图，首先Actor网络初始化当前状态，采用某种策略，执行一个行为；
具体实施例1，Actor网络采用∈-贪婪选择策略，即以∈的概率选择某个行为，以1-∈的概率从回放缓存池中选取某个行为执行。
具体实施例2，Actor网络采用随机选择策略，即随机选择某个行为执行。
具体实施例3，Actor网络采用优先级采样的方式选择策略，即在样本采样的时候预先设定的优先级的顺序进行选择某个行为执行。
进一步地，Actor网络将当前的状态和执行的行为反馈给Critic网络，Critic网络最初采用随机策略给Actor网络的行为进行打分(即奖赏)，Actor网络依据此奖励，调整自己的策略和行为，并获得下一时刻的状态，将获得的状态发送给Critic网络，将当前状态，行为，奖励及下一时刻的状态作为一个样本元组存放于回放缓存池中。在后续的时间中，Critic网络依据环境给出的真实奖励和Critic目标网络的打分以及自身当前存取的样本学习打分策略，Critic网络和Critic目标网络依据式(4)计算损失函数，采用式(5)计算损失函数的梯度，从而进行误差估计，不断调整Critic网络的网络参数，并将训练调整后的网络参数定期拷贝给Critic目标网络，由Critic目标网络保存训练较优的网络模型参数。
本发明提供一种基于深度学习的智能配药制药方法，该方法的算法流程示意图如图3所示，其算法流程如发明内容中步骤B1-B10所述，这里不再赘述。
具体实施例1：药量配比表包括：某种药物名称、所属种类、药性和所需药量。
具体实施例2：药量配比表包括：病患者姓名、药物名称、所需药量和建议服用天数。
所述的配制药品控制服务器是能够运行基于深度学习的智能配药制药算法的APP和硬件设备，所述的APP是一种应用程序，执行与硬件设备上的应用软件，所述的硬件设备指计算机所包括的硬件设备。
具体实施例1：配制药品控制服务器采用运行基于深度学习的智能配药制药算法的APP的计算机。
具体实施例2：配制药品控制服务器采用运行基于深度学习的智能配药制药算法的APP的手机。
具体实施例3：配制药品控制服务器采用运行基于深度学习的智能配药制药算法的APP的工作站。
通过上述方式，本发明一种基于深度学习的智能配药制药方法，实现了实时、差异化、智能化为病患者制定药物配比，同时对配药制药厂商的配药制药模式向智能化和定制化服务转型提供了高效便捷的方法，具有广泛的市场应用前景。
上述描述仅作为本发明可实施的技术方案提出，不作为对其技术方案本身的单一限制条件。
Claims (5)
1.一种基于深度学习的智能配药制药方法，包括以下步骤：
步骤A1：智能设备采集当前病患者病情数据，将数据预处理后，传输给配制药品控制服务器；所述数据预处理是将病情数据归档，整理成有结构化的数据；所述结构化的数据依据病患者姓名、性别、年龄、病史情况、体测数据、病因、治疗数据、药物使用情况、持续时间和现状进行分类记录和归档；
步骤A2：配制药品控制服务器采用基于深度学习的智能配药制药算法输出不同病患者所需药品的药量的配比表；
步骤A3：配制药品控制服务器定期通过智能设备实时对病患者采集数据预处理后的病情数据，采用本发明提出的一种基于深度学习的智能配药制药算法对病患者的所需药品的药量配比进行变更，并将变更后的药量配比表传输给病患者或者医生。
2.根据权利要求1所述一种基于深度学习的智能配药制药方法，其特征在于：所述的基于深度学习的智能配药制药算法包括以下步骤：
步骤B1：随机分别初始化Actor网络和Critic网络的参数w和θ；
步骤B2：判断当前时刻t是否小于预设的迭代周期T，若是，则转步骤B3，否则转步骤B10；
步骤B3：初始化状态集S，经过数据预处理后，得到其特征向量φ(S)；
步骤B4：Actor网络用φ(S)作为数据输入，输出当前时刻相应的行为集A，基于行为集A得到下一时刻状态S′和Critic网络的立即奖赏R；
步骤B5：Critic网络分别使用φ(S)，φ(S′)作为数据输入，得到输出的当前状态的总累计奖赏V(S)和后续状态的总累计奖赏V(S′)，其中，依据式(1)和式(2)分别计算V(S)和V(S’)：
V(S′)＝R(t)+βV[S′，argmaxA′V(S′，A′|w|θ)] (2)
其中，R(t)表示t时刻的即刻奖赏，β表示折扣因子，A′表示下一时刻的行为，St和At分别表示t时刻的状态和行为；
步骤B6：Critic网络从回放缓存池中随机抽取D个样本，根据式(3)计算误差函数δ：
δ＝R(t)+αV(S′)-V(S) (3)
其中，α表示更新率，其范围为[0，1]；
步骤B7：Critic网络根据式(4)作为损失函数L(w)，根据式(5)计算损失函数的梯度，根据式(6)更新Critic网络参数w，用于对Critic网络参数的梯度更新：
其中，k表示样本计数的统计变量，γ表示学习步长，表示学习的速率，其范围是[0，1]；
步骤B8：根据式(7)更新Actor的网络参数θ：
其中，
为学习步长，即学习率，范围为[0，1]；π表示Actor网络在状态S下，采取行为A所依据的策略，
表示关于参数θ的梯度；
步骤B9：输出Actor网络的策略集π；
步骤B10：中止循环。
3.根据权利要求1所述一种基于深度学习的智能配药制药方法，其特征在于：所述的配制药品控制服务器是能够运行基于深度学习的智能配药制药算法的APP和硬件设备，所述的APP是一种应用程序，执行与硬件设备上的应用软件，所述的硬件设备指计算机或者手机所包括的硬件设备。
4.根据权利要求1所述一种基于深度学习的智能配药制药方法，其特征在于：所述的药量配比表至少包括以下两项：药物名称和所需药量。
5.根据权利要求2所述一种基于深度学习的智能配药制药方法，其特征在于：所述步骤B6中的回放缓存池用于存储Actor网络和Critic网络样本，所述样本包括(S，A，R，S′)。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910490372.XA CN112071388A (zh) | 2019-06-10 | 2019-06-10 | 一种基于深度学习的智能配药制药方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910490372.XA CN112071388A (zh) | 2019-06-10 | 2019-06-10 | 一种基于深度学习的智能配药制药方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112071388A true CN112071388A (zh) | 2020-12-11 |
Family
ID=73657875
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910490372.XA Pending CN112071388A (zh) | 2019-06-10 | 2019-06-10 | 一种基于深度学习的智能配药制药方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112071388A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113244837A (zh) * | 2021-03-31 | 2021-08-13 | 中国农业科学院烟草研究所(中国烟草总公司青州烟草研究所) | 一种基于纳米农药的一体化装置及控制方法 |
| CN117275661A (zh) * | 2023-11-23 | 2023-12-22 | 太原理工大学 | 一种基于深度强化学习的肺癌患者用药预测方法及装置 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6658396B1 (en) * | 1999-11-29 | 2003-12-02 | Tang Sharon S | Neural network drug dosage estimation |
| CN103250176A (zh) * | 2010-08-13 | 2013-08-14 | 智能医学公司 | 用于生产个性化定制药物产品的系统和方法 |
| CN109068391A (zh) * | 2018-09-27 | 2018-12-21 | 青岛智能产业技术研究院 | 基于边缘计算和Actor-Critic算法的车联网通信优化算法 |
-
2019
- 2019-06-10 CN CN201910490372.XA patent/CN112071388A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6658396B1 (en) * | 1999-11-29 | 2003-12-02 | Tang Sharon S | Neural network drug dosage estimation |
| CN103250176A (zh) * | 2010-08-13 | 2013-08-14 | 智能医学公司 | 用于生产个性化定制药物产品的系统和方法 |
| CN109068391A (zh) * | 2018-09-27 | 2018-12-21 | 青岛智能产业技术研究院 | 基于边缘计算和Actor-Critic算法的车联网通信优化算法 |
Non-Patent Citations (2)
| Title |
|---|
| LU WANG 等: "Supervised Reinforcement Learning with Recurrent Neural Network for Dynamic Treatment Recommendation", KDD 2018, pages 1 - 5 * |
| 胡德文 等: "神经网络自适应控制", 31 January 2006, 国防科技大学出版社, pages: 307 - 308 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113244837A (zh) * | 2021-03-31 | 2021-08-13 | 中国农业科学院烟草研究所(中国烟草总公司青州烟草研究所) | 一种基于纳米农药的一体化装置及控制方法 |
| CN117275661A (zh) * | 2023-11-23 | 2023-12-22 | 太原理工大学 | 一种基于深度强化学习的肺癌患者用药预测方法及装置 |
| CN117275661B (zh) * | 2023-11-23 | 2024-02-09 | 太原理工大学 | 一种基于深度强化学习的肺癌患者用药预测方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20220148191A1 (en) | Image segmentation method and apparatus and storage medium | |
| US20210029007A1 (en) | Systems and methods for response calibration | |
| US20210391081A1 (en) | Predictive guidance systems for personalized health and self-care, and associated methods | |
| CN103889520B (zh) | 一种用于患者执行情况的非侵入式运动跟踪以增强患者实施的物理治疗的系统 | |
| US20220323855A1 (en) | System for generating simulated animal data and models | |
| US20160371998A1 (en) | Health-based incentive plans and systems and methods for implementing health-based incentive transactions | |
| US12009083B2 (en) | Remote physical therapy and assessment of patients | |
| CN110033858A (zh) | 一种舌象分析方法及其存储介质 | |
| CN114974613A (zh) | 疾病管理方法及装置、计算机存储介质、电子设备 | |
| AU2019319298B2 (en) | Image analysis using machine learning and human computation | |
| CN112071388A (zh) | 一种基于深度学习的智能配药制药方法 | |
| CN110009007A (zh) | 一种面向多类型疾病的人工智能手术辅助系统 | |
| CN105447334A (zh) | 基于Android平台的高血压诊、治、管理系统 | |
| Singh et al. | IoT-based data analytics for the healthcare industry: techniques and applications | |
| US20190295701A1 (en) | Drug administration timing | |
| US20240212845A1 (en) | Animal data-based identification and recognition system and method | |
| AU2022387582A1 (en) | A system and method for intelligently selecting sensors and their associated operating parameters | |
| US20220233799A1 (en) | Ventilator-weaning timing prediction system, program product thereof and method for building and using the same | |
| CN114678108A (zh) | 一种中医状态判断的方法及终端 | |
| WO2022272057A1 (en) | Devices, systems, and methods for mental health assessment | |
| CN111341435A (zh) | 一种基于分布式深度学习的智能病理诊断方法 | |
| TWI844414B (zh) | 阻塞性冠狀動脈疾病的預測系統和方法 | |
| TWI795928B (zh) | 用於預測透析中不良事件之系統、方法及其電腦可讀媒介 | |
| US20240029888A1 (en) | Generating and traversing data structures for automated classification | |
| Grant et al. | TCM Tongue Segmentation and Analysis with a Mobile Device |
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 |