XiaoMi-AI文件搜索系统
World File Search System病历
电子病历采用模型（EMRAM）
定义：电子病历采用模型（EMRAM） - 是一个八阶段模型，从零阶段（最不成熟）到七个（最成熟）。在每个阶段，组织都需要展示纸张的进步和最终删除，更高的使用和合规统计数据以及对自动化和临床决策支持的越来越依赖。基础设施采用模型（INFRAM） - 八个阶段的INFRAM衡量医疗机构在五个领域的IT基础设施的成熟度：移动性，安全性，协作，协作，运输和数据中心。
计算机化病历系统 (CPRS) 用户指南
· 订购复杂门诊用药增加了适应症步骤 · 订购连续门诊输液订单捕获和适应症 · 订购连续门诊输液订单步骤以适应症 · 订购间歇门诊输液捕获和适应症 · 订购间歇门诊输液增加了适应症步骤 · 订购门诊用药简单剂量捕获和适应症 · 订购门诊用药简单剂量增加了适应症步骤 · 订购门诊用药复杂剂量增加了适应症捕获 · 订购门诊用药复杂剂量增加了适应症步骤 · 适应症添加到记录非 VA 药物 · 连续输液订单捕获和适应症 · 连续输液订单步骤以适应症 · 间歇输液订单捕获和适应症 · 间歇输液订单捕获和适应症
IDEXX基石*电子病历和白板设置
加速支付技术和Xcharge是加速支付技术公司的商标或注册商标。加速支付技术，Inc。是汇丰银行的注册ISO和MSP，国家协会，纽约州布法罗，Antech Diagnostics是Vicar Operation，Inc。DICOM的注册商标。DICOM是针对医疗信息的数字通信的国家电气制造商协会的注册商标。Epson是精工Epson Corporation的注册商标。LifeArearn and spearted Online是Vetlearn，Inc。Microsoft的商标或注册商标。Microsoft是美国和/或其他国家的Microsoft Corporation的注册商标或商标。MWI是MWI Veterinary Supply，Inc。Rimadyl，Torbugesic和Torbutrol的注册商标，是Zoetis的注册商标。VPI和兽医宠物保险是兽医宠物保险公司的注册商标。p110i是商标，斑马是Zih Corporation的注册商标。
传感器内人工智能与电子病历融合，实现居家监测
摘要 — 本研究提出了一种人工智能 (AI) 框架，通过融合心电图 (ECG) 和患者电子病历，在发病前四小时进行实时、个性化的脓毒症预测。片上分类器结合了模拟储层计算机和人工神经网络，无需前端数据转换器或特征提取即可进行预测，与标准化功率效率为 528TOPS/W 的数字基线相比，能耗降低了 13 倍，与所有数字化 ECG 样本的射频传输相比，能耗降低了 159 倍。所提出的 AI 框架分别以 89.9% 和 92.9% 的准确率预测埃默里大学医院和 MIMIC-III 的患者数据上的脓毒症发病。所提出的框架是非侵入性的，不需要实验室测试，因此适合在家监测。
pmfl：针对异构任务的部分元元学习及其在现实世界病历上的应用
摘要 - 填充的机器学习是一种多功能且灵活的工具，可利用来自不同来源的分布式数据，尤其是当通信技术迅速发展并且可以在移动设备上收集空前的数据时。联合学习方法不仅利用了数据，还利用网络中所有设备的计算能力来实现更有效的模型培训。然而，尽管大多数传统的联合学习方法在同质数据和任务中都很好地工作，但将方法调整为杂项数据和任务分布既具有挑战性。此限制限制了联邦学习在现实世界中，尤其是在医疗环境中的应用。受到元学习的基本观念的启发，在本研究中，我们提出了一种新算法，该算法是联合学习和元学习的整合，以解决这个问题。此外，由于模型概括的转移学习的优势，我们通过引入部分参数共享以平衡全球和本地学习来进一步改善算法。我们将此方法命名为部分元元学习（PMFL）。最后，我们将算法将其应用于两个医疗数据集。我们表明，我们的算法可以获得最快的训练速度，并在处理异质医疗数据集时获得最佳性能。源代码可在https://github.com/destiny301/pmfl上找到。索引术语 - 填写学习，学习，转移学习，医学，自然语言处理
听诊器、病历、人工智能和泽字节：墨西哥数字医学的未来一瞥
科学技术正在以令人眼花缭乱的速度改变医学。尽管在我国，获得设备、数据存储和人工智能领域创新成果的机会仍然非常有限，但数字医学的进步为解决墨西哥医疗实践和公共卫生面临的一些最大问题提供了机会。数字医学可能造成颠覆性影响的潜在领域包括优质医疗服务的可及性、大城市专科的集中化、医疗治疗的非人性化、缺乏获得循证治疗的资源等。本综述介绍了一些引导医学新革命的进展，讨论了实施的潜在障碍，并提出了墨西哥纳入数字医学的关键要素。
ConBERT：用于电子病历手术报告标准化的双向变压器的连接
摘要：本手术报告记录了手术的细节。对以自由文本编写的手术报告的医学术语进行标准化对于开展医学研究和建立保险系统具有重要意义，因为它可以准确地共享治疗信息。但是，手术报告的标准化是一项劳动密集型任务，存在导致错误的风险。我们提出了一种来自 Transformer 的双向编码器表示的连接 (ConBERT) 模型，用于使用自由文本中记录的手术报告和诊断来预测国际疾病分类 9 代码，以自动标准化手术报告。我们比较了 BERT 和字符 BERT 的预训练模型，并通过连接每个模型的组合创建了一个新模型。所提出的 ConBERT 模型的微 AP 得分为 0.7672、F1 得分为 0.7415、AUC 为 0.9842。此外，我们还开发了一个基于 Web 的应用程序来展示我们模型的性能并使其可供公众访问。