讓機器分析并理解醫療數據,用計算模型來模擬醫護人員的基于經驗的推理過程,使診療過程更加嚴謹、精準
大規模分析算法發現醫療數據間的關聯性
醫療知識圖譜模擬醫生的思考過程,推斷診斷結果和建議治療方案
機器學習技術找出相似患者組群,為診療決策提供數據支持
本圖展示了心衰病人的發展進程。圖中的每一條帶子表示一種心衰病人的病程發展路徑。從中可以看出導致心衰的幾種主要模式,一種是心血管病導致心衰,包括高血壓,高血脂,心律不齊,冠心病等;第二種是慢性肺病導致心衰,包括哮喘,慢性支氣管炎,慢阻肺等;第三種是慢性腎病導致的心衰,包括腎炎,腎衰竭等,以及慢性腎病相關的疾病,例如貧血;第四種是糖尿病導致的心衰,以及糖尿病相關的疾病例如白內障。該圖明確地展示了這幾種心衰病程發展的類型以及過程。
通過醫療知識圖譜的推斷和大規模相似患者間的比對,綜合考慮患者的疾病史和個人史,找出患者可能患有的疾病,并建議適合該患者體質的治療方案。
本圖展示的是基于癥狀的醫療知識圖譜,可幫助醫生進行輔助診斷和治療。從大到小的各個圓圈排版表示了知識圖譜的一個樹狀體系結構,概念依次是 整體->一級部位->二級部位->癥狀->相關疾病,藥品和癥狀。醫生在查詢有關信息時可以根據患者癥狀的部位,比如頭部,眼,來匹配可能出現的癥狀,比如眼瞼痙攣,進一步可以找到眼瞼痙攣相關的檢驗檢查,可能疾病,從而對癥狀進行診斷;或者進行相關藥品的使用。
根據患者的疾病史、個人史和輔助檢查結果,預測并發癥、藥物警戒性、手術死亡率、短期內重新入院概率等醫療風險。
Subburst可以幫助展示一個病人群體的病程發展路徑的模式。圖中每一圈表示一個時間點,內圈表示早的時間點,外圈表示晚的時間點,每一個由內向外的路徑表示一種病程模式。當鼠標滑過圖中的每一個顏色塊時可以在中心區域看到該顏色塊所對應的病程模式在整個病人群體中所占的比重。此圖展示的是一個一般性的病人群體,從中我們可以看到骨骼疾病占有最大的比重,有33.8%的病人一開始具有骨骼疾病,并且有4.62%的病人一直伴隨有骨骼疾病。其次是代謝疾病,腫瘤,心臟病等等。由該圖我們可以明顯看出該病人群體所有的疾病以及病情的演化。
我們提供全套的“云端+本地備份”醫療信息化系統,PC端+移動端全覆蓋服務,包括HIS/CIS、EMR、LIS、RIS、轉診系統等,所有服務在線提供,各系統部件統一存儲、相互連通。讓醫療機構更加專注于醫療本身
2015年初,我們從五湖四海聚到一起創辦了西安朝前智能科技有限公司,或許是因為對于做一件美好事情的執念,也或許僅僅是為了做一件我們喜歡做的事。我們希望用數據科學改變醫療行業,讓醫護人員的工作更加便利,患者得到更加精準的診療。我們的核心團隊由專業技術人員組成,包括多年海外醫療經歷的數據科學家、開發經驗豐富的工程師和長期從事醫療行業的醫療專家。我們是一群有夢想的年輕人,埋頭苦干,只為了讓智慧醫療不再是個概念。
我們是一家醫療數據科學公司,致力于使用“大數據分析+人工智能”為醫療工作者提供決策支持,讓診療過程中的各環節變的更加精準。我們結合數據分析和知識圖譜等先進算法,通過大規模病案比對和時間序列分析拓展醫護人員的記憶和經驗:為診斷提供決策依據,輔助選擇個性化的治療方案,預測并發癥、藥物警戒性等醫療風險,提供疾病演進的研究分析工具。我們期盼著與各類型醫療機構合作,為準確醫療提供數據決策支持。
我們有優秀的技術團隊,豐富的數據積累和開發經驗,和認真做事的心。
任職要求:
任職要求:
任職要求:
任職要求:
任職要求:
任職要求:
任職要求:
任職要求:
任職要求:
簡歷請發送至: hr@swifthealth.cn