目的解决传统疾病诊断相关分组(Diagnosis Related Groups,DRG)管理模式存在的质控滞后、无法支撑智能化分组等问题,从而实现DRG智慧管理。方法基于标准化医疗术语对电子病历进行全结构化改造,并通过规则引擎实现病案全流程DRG质控,动...目的解决传统疾病诊断相关分组(Diagnosis Related Groups,DRG)管理模式存在的质控滞后、无法支撑智能化分组等问题,从而实现DRG智慧管理。方法基于标准化医疗术语对电子病历进行全结构化改造,并通过规则引擎实现病案全流程DRG质控,动态分组器实时抓取诊疗过程中的诊断、手术及操作等,结合医保反馈数据,指导临床动态分组及事后追溯分析,并使用报表技术、数据挖掘技术等构建数据分析体系。结果系统应用后,病例组合指数提升了14.87%,时间消耗指数下降了6.38%,费用消耗指数下降了1.88%,DRG组数增加了1.84%,次均费用下降4.09%,结付率提高了8.78%,并且提高了病历质量及患者满意度。结论系统在提升临床能力、工作效率、医疗服务质量,减轻患者负担,规范医疗行为,助力医院精细化管理等方面均具有显著作用。展开更多
提出一种约束条件下的结构化高斯混合模型及非平行语料语音转换方法.从源与目标说话人的原始非平行语料中提取出少量相同音节,在结构化高斯混合模型的训练过程中,利用这些相同音节包含的语义信息及声学特征对应关系对K均值聚类中心进行...提出一种约束条件下的结构化高斯混合模型及非平行语料语音转换方法.从源与目标说话人的原始非平行语料中提取出少量相同音节,在结构化高斯混合模型的训练过程中,利用这些相同音节包含的语义信息及声学特征对应关系对K均值聚类中心进行约束,并在(Expectation Maximum,EM)迭代过程中对语音帧属于模型分量的后验概率进行修正,得到基于约束的结构化高斯混合模型(Structured Gaussian Mixture Model with Constraint condition,CSGMM).再利用全局声学结构(Acoustic Universal Structure,AUS)原理对源和目标说话人的约束结构化高斯混合模型的高斯分布进行匹配对准,推导出短时谱转换函数.主观和客观评价实验结果表明,使用该方法得到的转换后语音在谱失真,目标倾向性和语音质量等方面均优于传统的结构化模型语音转换方法,转换语音的平均谱失真仅为0.52,说话人正确识别率达到95.25%,目标语音倾向性指标ABX平均为0.82,性能更加接近于基于平行语料的语音转换方法.展开更多
文摘目的解决传统疾病诊断相关分组(Diagnosis Related Groups,DRG)管理模式存在的质控滞后、无法支撑智能化分组等问题,从而实现DRG智慧管理。方法基于标准化医疗术语对电子病历进行全结构化改造,并通过规则引擎实现病案全流程DRG质控,动态分组器实时抓取诊疗过程中的诊断、手术及操作等,结合医保反馈数据,指导临床动态分组及事后追溯分析,并使用报表技术、数据挖掘技术等构建数据分析体系。结果系统应用后,病例组合指数提升了14.87%,时间消耗指数下降了6.38%,费用消耗指数下降了1.88%,DRG组数增加了1.84%,次均费用下降4.09%,结付率提高了8.78%,并且提高了病历质量及患者满意度。结论系统在提升临床能力、工作效率、医疗服务质量,减轻患者负担,规范医疗行为,助力医院精细化管理等方面均具有显著作用。
文摘提出一种约束条件下的结构化高斯混合模型及非平行语料语音转换方法.从源与目标说话人的原始非平行语料中提取出少量相同音节,在结构化高斯混合模型的训练过程中,利用这些相同音节包含的语义信息及声学特征对应关系对K均值聚类中心进行约束,并在(Expectation Maximum,EM)迭代过程中对语音帧属于模型分量的后验概率进行修正,得到基于约束的结构化高斯混合模型(Structured Gaussian Mixture Model with Constraint condition,CSGMM).再利用全局声学结构(Acoustic Universal Structure,AUS)原理对源和目标说话人的约束结构化高斯混合模型的高斯分布进行匹配对准,推导出短时谱转换函数.主观和客观评价实验结果表明,使用该方法得到的转换后语音在谱失真,目标倾向性和语音质量等方面均优于传统的结构化模型语音转换方法,转换语音的平均谱失真仅为0.52,说话人正确识别率达到95.25%,目标语音倾向性指标ABX平均为0.82,性能更加接近于基于平行语料的语音转换方法.