郑值¹,徐童¹,秦川¹,廖祥文²,郑毅³,刘同柱⁴,童贵显⁴

¹(中国科学技术大学计算机学院 合肥 230027);²(福州大学数学与计算机科学学院 福州 350116);³(华为技术有限公司 杭州 310051);⁴(中国科学技术大学附属第一医院 合肥 230027) (zhengzhi97@mail.ustc.edu.cn)

出版日期: 2020-08-01


基金资助:国家重点研发计划项目(2018YFB1004300)；国家自然科学基金项目(U1605251,61703386)；中央高校基本科研业务费专项资金(WK9110000014)；安徽省重点研发计划项目(1804b06020377)

Multi-Source Contextual Collaborative Recommendation for Medicine

Zheng Zhi¹, Xu Tong¹, Qin Chuan¹, Liao Xiangwen², Zheng Yi³, Liu Tongzhu⁴, Tong Guixian⁴

¹(School of Computer Science and Technology, University of Science and Technology of China, Hefei 230027);²(College of Mathematics and Computer Science, Fuzhou University, Fuzhou 350116);³(Huawei Technologies., Hangzhou 310051);⁴(The First Affiliated Hospital of the University of Science and Technology of China, Hefei 230027)

Online: 2020-08-01


Supported by:This work was supported by the National Key Research and Development Program of China (2018YFB1004300), the National Natural Science Foundation of China (U1605251, 61703386), the Fundamental Research Funds for the Central Universities (WK9110000014), and the Key Research and Development Program of Anhui Province (1804b06020377).

摘要/Abstract

摘要： 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.

参考文献

相关文章 15

[1]	于亚新, 刘梦, 张宏宇. Twitter社交网络用户行为理解及个性化服务推荐算法研究[J]. 计算机研究与发展, 2020, 57(7): 1369-1380.
[2]	陈嘉颖, 于炯, 杨兴耀. 一种融合语义分析特征提取的推荐算法[J]. 计算机研究与发展, 2020, 57(3): 562-575.
[3]	曾义夫, 牟其林, 周乐, 蓝天, 刘峤. 基于图表示学习的会话感知推荐模型[J]. 计算机研究与发展, 2020, 57(3): 590-603.
[4]	吴宾,娄铮铮,叶阳东. 一种面向多源异构数据的协同过滤推荐算法[J]. 计算机研究与发展, 2019, 56(5): 1034-1047.
[5]	王丰,王亚沙,王江涛,熊昊一,赵俊峰,张大庆. 基于智能手机感知数据的心理压力评估方法[J]. 计算机研究与发展, 2019, 56(3): 611-622.
[6]	刘亚姝,王志海,侯跃然,严寒冰. 一种基于概率主题模型的恶意代码特征提取方法[J]. 计算机研究与发展, 2019, 56(11): 2339-2348.
[7]	周俊,董晓蕾,曹珍富. 推荐系统的隐私保护研究进展[J]. 计算机研究与发展, 2019, 56(10): 2033-2048.
[8]	李莹莹,马帅,蒋浩谊,刘喆,胡春明,李雄. 一种基于社交事件关联的故事脉络生成方法[J]. 计算机研究与发展, 2018, 55(9): 1972-1986.
[9]	梁吉业，乔洁，曹付元，刘晓琳. 面向短文本分析的分布式表示模型[J]. 计算机研究与发展, 2018, 55(8): 1631-1640.
[10]	宋攀，景丽萍. 基于神经网络探究标签依赖关系的多标签分类[J]. 计算机研究与发展, 2018, 55(8): 1751-1759.
[11]	张飞,张立波,罗铁坚,武延军. 一种基于特征的协同聚类模型[J]. 计算机研究与发展, 2018, 55(7): 1508-1524.
[12]	朱桂祥,曹杰. 基于主题序列模式的旅游产品推荐引擎[J]. 计算机研究与发展, 2018, 55(5): 920-932.
[13]	张凯涵,梁吉业,赵兴旺,王智强. 一种基于社区专家信息的协同过滤推荐算法[J]. 计算机研究与发展, 2018, 55(5): 968-976.
[14]	高岭,高全力,王海,王伟,杨康. 基于基准相似空间分布优化的偏好预测方法[J]. 计算机研究与发展, 2018, 55(5): 977-985.
[15]	焦旭,肖迎元,郑文广,朱珂. 基于位置的社会化网络推荐技术研究进展[J]. 计算机研究与发展, 2018, 55(10): 2291-2306.

PDF全文下载地址:

https://crad.ict.ac.cn/CN/article/downloadArticleFile.do?attachType=PDF&id=4242