基于电子病历利用矩阵乘法构建医生推荐模型

doi:10.3969/j.issn.1006-2475.2019.06.014

计算机与现代化

基于电子病历利用矩阵乘法构建医生推荐模型

(重庆医科大学附属第一医院信息中心,重庆400016)

收稿日期:2018-12-24 出版日期:2019-06-14 发布日期:2019-06-14
作者简介:杨晓夫(1989-),男,重庆垫江人,助理工程师,硕士,研究方向:医疗大数据分析,智慧医院,软件工程,E-mail: yxfshard@163.com；秦函书(1987-),女,硕士,研究方向:医疗大数据分析,智慧医院,软件工程。

Building Doctor Recommendation Model by Matrix Multiplication #br# Based on Electronic Medical Record

(Information Center, First Affiliated Hospital of Chongqing Medical University, Chongqing 400016, China)

Received:2018-12-24 Online:2019-06-14 Published:2019-06-14

摘要/Abstract

摘要：
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%。

关键词: 医疗, 推荐模型, 电子病历, 矩阵

Abstract: Currently, medical institutions lack effective channels to recommend medical resources through Internet. At the same time, due to the complexity and diversity of medical resource application scenarios, the quality of traditional recommendation algorithms for medical field recommendation is not high. Therefore, a doctor recommendation model based on electronic medical records is proposed by matrix multiplication. The recommendation model takes electronic medical records as research object and uses naive Bayesian classifier to obtain intention departments. According to the information of symptoms, diagnosis and conclusions, the doctor-disease matrix and disease-patient matrix of intention departments are constructed, and the recommended results are calculated by matrix multiplication. The experimental results show that the accuracy of the recommended model is 97.3% and the average accuracy is 95.6%.

Key words: medical, recommendation model, electronic medical record, matrix

中图分类号:

TP391

杨晓夫,秦函书. 基于电子病历利用矩阵乘法构建医生推荐模型[J]. 计算机与现代化, doi: 10.3969/j.issn.1006-2475.2019.06.014.

YANG Xiao-fu, QIN Han-shu. Building Doctor Recommendation Model by Matrix Multiplication #br# Based on Electronic Medical Record[J]. Computer and Modernization, doi: 10.3969/j.issn.1006-2475.2019.06.014.

参考文献

［1］许海玲,吴潇,李晓东,等. 互联网推荐系统比较［J］. 软件学报, 2009,20(2):350-362.
［2］黄创光,印鉴,汪静，等. 不确定近邻的协同过滤推荐算法［J］. 计算机学报, 2010,33(8):1369-1377.
［3］张亮，赵娜. 改进的协同过滤推荐算法［J］. 计算机系统应用, 2016,25(7):147-150.
［4］蒋明明. 引入话题模型的协同过滤推荐算法研究［D］. 北京:北京理工大学, 2016.
［5］杨武,唐瑞,卢玲. 基于内容的推荐与协同过滤融合的新闻推荐方法［J］. 计算机应用, 2016,36(2):414-418.
［6］ LOPEZ-NORES M, BLANCO-FEMANDEZ Y. Property-based collaborative filtering for health-aware recommender systems［J］. Expert Systems with Applications, 2012,39(1):7451-7457.
［7］严素蓉，冯小青，廖一星. 基于矩阵分解的社会化推荐模型［J］. 清华大学学报, 2016,56(7):793-800.
［8］方冰. 基于标签的矩阵分解推荐算法［J］. 计算机应用研究, 2017,34(4):1021-1025.
［9］ HUANG Z X, LU X D, DUAN H L, et al. Collaboration-based medical knowledge recommendation［J］. Artificial Intelligence in Medicine, 2012,55(10):13-24.
［10］KIM J H, LEE D S, CHUNG K Y. Item recommendation based on context-aware model for personalized u-healthcare service［J］. Multimedia Tools and Applications, 2014,71(2):855-872.
［11］高山,刘炜,崔勇，等. 一种融合多种用户行为的协同过滤推荐算法［J］. 计算机科学, 2016,43(9):227-231.
［12］DESHPANDE M, KARYPIS G. Item-based top-N recommendation algorithms［J］. ACM Transactions on Information Systems, 2014,22(1):143-177.
［13］徐守坤，吴伟伟. 基于语义的医疗资源均衡推荐算［J］. 计算机工程, 2015,41(9):74-79.
［14］周岩,雷世尧,张灿. 面向移动健康医疗系统的多层二分网络推荐算法［J］. 中国科学院大学学报, 2016,34(1)：112-118.
［15］JIANG M M, SONG D G, LIAO L J, et al. A Bayesian recommender model for user rating and review profiling［J］. Tsnghua Science and Technology, 2015,20(6):634-643.
［16］黄龙生,张日权. 0-1分布的贝叶斯检验在医疗检查中的应用［J］. 数理统计与管理, 2009,28(6):1052-1058.
［17］左春蓉，余本宫. 贝叶斯网络在大规模医疗数据上的应用研究［J］. 微电子学与计算机, 2008,25(6):113-115.
［18］胡碧松，冯丹. 基于贝叶斯算法的移动式疾病智能诊断系统［J］. 计算机应用, 2008,28(6):15-17.
［19］孟祥武，刘树栋，张玉洁，等. 社会化推荐系统研究［J］. 软件学报, 2015,26(6):1356-1372.
［20］王升升,赵海燕,陈庆奎，等. 基于社交标签和社交信任的概率矩阵分解推荐算法［J］. 小型微型计算机系统, 2016,37(5):921-926.
［21］王阳,钟勇,李振东. 融合语义相似度与矩阵分解的评分预测算法［J］. 计算机应用, 2017,37(S1):287-291.
［22］盛骤,谢式千，潘承毅. 概率论与数理统计［M］. 北京:高等教育出版社, 2008.
［23］同济大学数学系. 线性代数［M］. 北京:高等教育出版社, 2014.

[1]	郑立瑞, 肖晓霞, 邹北骥, 刘彬, 周展. 基于BERT的电子病历命名实体识别[J]. 计算机与现代化, 2024, 0(01): 87-91.
[2]	刘兴建, 杨晓夫, 胡磊. 基于非负矩阵分解的半监督模型用于多层网络聚类[J]. 计算机与现代化, 2023, 0(02): 83-88.
[3]	姜宇航, 张新有. 基于以太坊的医疗健康数据共享系统[J]. 计算机与现代化, 2023, 0(02): 110-115.
[4]	于清, 马志龙, 徐春. 基于BERT和非自回归的医疗知识抽取[J]. 计算机与现代化, 2023, 0(01): 120-126.
[5]	关云鹏, 刘玉龙. 基于从共现矩阵提取关联的类别型数据聚类[J]. 计算机与现代化, 2022, 0(11): 1-8.
[6]	宋爽, 陆鑫达. 基于BERT与图像自注意力机制的文本匹配模型[J]. 计算机与现代化, 2021, 0(11): 12-16.
[7]	陈卓, 袁玺明, 杜军威. 在线问答社区——海川化工论坛的回答者推荐算法[J]. 计算机与现代化, 2021, 0(10): 29-34.
[8]	牛奉高, 冯世佳, 黄琛. 基于CLSVSM的惩罚性矩阵分解及其在文本主题聚类中的应用[J]. 计算机与现代化, 2021, 0(05): 66-72.
[9]	舒鹏, 杜庆伟. 一种融合多维信息的移动社区发现方法[J]. 计算机与现代化, 2021, 0(05): 88-92.
[10]	朱岩, 张利, 王煜. 基于RoBERTa-WWM的中文电子病历命名实体识别[J]. 计算机与现代化, 2021, 0(02): 51-55.
[11]	冯云霞, 衣鹏, 韩正亮, 宋波. 基于CNN-BGRU-CRF的中文电子病历实体抽取方法[J]. 计算机与现代化, 2020, 0(11): 60-64.
[12]	杨辉, 王月海, 豆震泽. 一种基于文本卷积神经网络的推荐算法[J]. 计算机与现代化, 2020, 0(10): 7-11.
[13]	郑慧敏, . 基于矩阵分解的海洋SAR图像舰船检测[J]. 计算机与现代化, 2020, 0(09): 89-94.
[14]	梁寿愚1，方文崇1，王瑾2，周志烽1，朱文3，张骥2. 基于双图正则非负低秩分解的电力负荷短期预测[J]. 计算机与现代化, 2020, 0(05): 7-.
[15]	魏庆征，杨云，李凌燕，魏海洲 . 基于灰色马尔科夫的外汇预测模型[J]. 计算机与现代化, 2020, 0(02): 12-.

基于电子病历利用矩阵乘法构建医生推荐模型

Building Doctor Recommendation Model by Matrix Multiplication #br# Based on Electronic Medical Record

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价