智能医院推荐系统：针对农村地区患者的低成本解决方案

智能系统与应用18（2023）200218一个合适的和具有成本效益的医院推荐系统，使用深度强化学习的农村地区患者拉杰什·KJhaa，Sujoy Bagb，*，Debbani Koley c，Giridhar Reddy Bojja d，Subhas Barman eaBNM Institute of Technology，印度b印度理工学院，Kharagpur，印度印度萨戈雷杜塔医院医学院d美国南达科他州麦迪逊市达科他州立大学Jalpaiguri Government Engineering College印度A R T I C L EI N FO保留字：医院医生患者推荐系统蒙特卡罗学习深度强化学习A B S T R A C T医生和护士的不足使发展中国家和不发达国家的医疗保健系统薄弱。本研究旨在探讨如何改善欠发达或发展中国家的医生病患的供需缺口。我们观察农村地区的人们，他们不知道适合他们疾病的医院和医生，并随机前往最近的医院检查他们的健康状况。然而，每个医生都有特定疾病的专业知识，医院因此，患者需要多个医生和医院来治疗他们的疾病。该研究开发了一种针对特定疾病的合适且具有成本效益的医院推荐系统，使用深度强化学习为患者提供最佳医院因此，使用开发的医院推荐系统，可以最小化患者1. 介绍世界卫生组织（WHO）建议医生与患者的比例为1：1000，护士与患者的比例为1：483（Nagarajan，2019）。《经济时报》在2019年4月14日发表了一篇文章，这将使人惊讶地发现，印度每10，189人就有一名政府医生。印度缺乏60万名医生和200万名护士来维持标准的医疗保健系统（Economictimes，2018）。此外，在不同的州之间观察到医生与病人的比例有相当大的差异。例如，泰米尔纳德邦，德里，卡纳塔克邦和喀拉拉邦的每名医生的人数比建议的比例高出2-4倍。相比之下，贾坎德邦、哈里亚纳邦、恰蒂斯加尔邦、北方邦、比哈尔邦和喜马偕尔邦的情况最差。医疗保健需要高度聪明和热情的学生来训练和转移他们到一个有经验的医生，这类学生是有限的。增加医疗席位使贫穷，聪明的学生获得医学入学，成为一个不熟练的医生。增加医生的数量也会引起各种问题。一些医生将失业和自营职业。病人的减少无疑会影响医生工作因此，需要一种替代解决方案来缓解医患之间的供需缺口。印度人，特别是农村地区的人，不知道适合他们疾病的医院和医生。因此，他们随机前往最近的医院检查健康状况。然而，每个医院和医生并不适合所有的疾病。对特定疾病缺乏经验的医生建议进行不必要的医学检查，不适当的药物，并遵循试验和错误的治疗过程。大多数情况下，他们无法永久治愈这种疾病。这种情况经常发生在患者面临一些严重的健康问题并去看不合适的医生时。然后，患者去多家医院和诊所治病，浪费了医生大多数医生都有专业知识，对特定疾病有丰富的经验。因此，识别医生最近，医疗初创企业的技术和投资参与频繁增加。PATHAI是一家利用机器学习技术提高诊断准确性的初创公司，该公司已筹集了6000万美元用于建立先进的医疗保健系统。更换* 通讯作者。电子邮件地址：gmail.com（S.袋）。https://doi.org/10.1016/j.iswa.2023.200218接收日期：2022年4月19日;接收日期：2023年1月16日;接受日期：2023年3月21日2023年3月23日在线提供2667-3053/© 2023作者。爱思唯尔有限公司出版这是CC BY许可下的开放获取文章（http://creativecommons.org/licenses/by/4.0/）。可在ScienceDirect上获得目录列表智能系统及其应用杂志主页：www.journals.elsevier.com/intelligent-systems-with-applicationsR.K. Jha等人智能系统与应用18（2023）2002182拥有人工智能的医生在这十年里是不可能的，也是微不足道的，但它可以帮助医生提高他们的表现和治疗准确性。人工智能可以缓解医患之间以及护患之间的供需缺口。医生照顾的病人数量的偏差是压倒性的，并导致缺乏适当的个人吸收到每个病人。访问 一家医院披露了一名医生如何在几分钟内对大量患者进行护理时对生命进行有影响力的感叹。在医院的病人遇到的每一个设施的匆忙和友爱。此外，即使是同一种疾病，不同医院的医疗费用也不同。我们的目标是根据患者家庭收入和可用机会推荐合适的医院。有几次，患者无法选择合适的医院进行治疗。然而，有许多医院治疗相同的疾病，在这里我们想为特定的疾病创建一个模型，可以选择最佳的医院索赔治疗病人，要求应该是a）在医院能力范围内b）在病人的疾病支出能力范围内c）在医院的优秀评级范围内。为此，我们将首先构造一个单纯形模型，该模型推荐医院的容量超过前来治疗的患者总数，评级高，治疗成本低。在本文的其余部分，第2介绍了文献综述，第三节介绍了本文中用于最优医院推荐的强化学习方法。第4节介绍了我们工作的结果和讨论。第5节总结了未来的扩展文件。2. 文献综述在文献中，三种推荐系统方法（即，基于内容的、协作过滤和混合过滤）呈现以过滤记录并识别重要信息（Etemadi等人，2022; Narducci等人，2015年）。基于内容的过滤（Son &Kim，2017）基于项目的描述和用户偏好的配置文件推荐项目（Wang等人，2018），而协同过滤（CF）（Karabadji等人，2018）工作是基于过去喜欢的用户/项目配置文件和最近邻居的相似性度量（Valcarce等人，2019年）。此外，协同过滤基于存储器执行，并且基于模型的推荐系统（Yang等人，2017年 ） 。 混 合 滤 波是 基 于 内 容 的 推 荐 系 统 和 协 同 过 滤 的 组 合（Paradarami等人， 2017年）。2.1. 推荐系统的应用电子商务公司使用推荐系统向客户推荐合适的产品（Bag等人，2019年）。除了多媒体和产品推荐外，该系统的目的还涉及社交网络领域（ 即 ， Facebook 、 LinkedIn 、 WhatsApp 、 Twitter 、 Instagram 、WeChat）（Amato等人， 2017; Campana&Delmastro，2017）。此外，社交网络服务的推荐在日常的基础上调用大量的数据，并且极大地影响了用户的体验。表1论文研究了推荐系统在不同领域的应用。对通信至关重要（Eirinaki等人，2018年）。最近，推荐系统用于治疗和解决医疗保健问题，其中电子病历直接为患者的健康状况提供优质资源&（Hoang Ho，2019）。此外，开发了一个医疗诊断指南推荐系统。这些涉及个人医疗保健系统中的药物（Ali等人，2018年）。为了获得患者的满意度，医疗保健中心提供优质的医疗保健服务，提高了离线和在线生成的准确性（Kaur等人，2018年）。此外，推荐系统被提出来固定口腔和牙科保健服务（Ekici等人， 2017年）。 推荐系统研究工作的不同应用领域已在表1中给出。2.2. 深度强化学习强化学习（RL）（Moeinizade等人，2022年）吸引了学者和行业从业者的注意（如AlphaGo），在各个领域（即，自动驾驶、自然语言处理（NLP）、游戏、商业管理、计算机视觉、生产、教育、运输、金融、机器人和医疗保健）（Ding等人，2019; Bu &Wang，2019; Yang等人， 2019; Jaafra等人，2019; Mahmud等人，2018年）。此外，深度再学习技术属于生物信息学领域，以解决生物学问题，并且还将智能医学的发展升级到肺癌的检测（Liu et al.，2019年）。移动医疗保健在无线技术的帮助下，随时随地为城市和农村地区提供“连接医疗保健”的概念（Istepanian等人，2009年）。此外，深度再学习技术用于估计最佳动态治疗，以向医生和患者提供数据驱动的个性化决策，并且对于高维动作更可调整（Liu等人，2017年）。在文献中，混合滤波（Devika Subramaniyaswamy，&2018）执行从用户获取信息并显示相关的本地医院。混合过滤方法的性能优于基于内容的过滤和协同过滤。患者反馈数据（Swarnalatha等人，2019; Tabrizi等人，2016）也被用来帮助客户找到合适的医院，并满足他们。一个健康网社会网络已被用来连接病人到正确的医生。混合过滤选择了合适的医院和医生推荐系统作为患者-医生评级指标，并且他们的个人资料可以随时在线获得。本研究的目的是在了解患者病情和估计治疗费用的基础上，为患者推荐合适的医院。3. 方法所提出的方法的第一阶段是构建一个再学习模型，该模型使用蒙特卡罗学习来检测医院的最佳组合。本文用蒙特卡罗方法作者问题工作贡献应用领域（Bag等人， 2019年度）准确性和建立在线推荐系统，提高在线公司电子商务多样性准确性和多样性（坎帕纳&Delmastro，2017年）社会背景增强推荐系统以处理社会背景上下文图形升级了推荐系统社交网络（Amato等人， 2017）以用户为中心的在线社交网络用户推荐系统向用户推荐各种物品方面偏好移动社交网络（Ali等人， 2018）Neutrosophic开发一个医疗诊断推荐系统本质上是处理医学医疗保健（Kaur等人， 2018）隐私保护医疗保健隐私保护推荐系统提高离线和在线的准确性一代医疗保健（Ekici等人， 2017年）口腔和牙科建立推荐系统，以确定口腔和牙科牙科保健服务改善预防服务R.K. Jha等人智能系统与应用18（2023）2002183+-（）下一页=-=利用的是因为它允许微型复杂的情况下，许多任意变量是错综复杂的，并施加打击的风险。该模型的步骤被正式定义为马尔可夫决策过程：需要治疗的疾病数量是有限的，国家的数量是固定的。每种疾病都有有限的可能医院，因此也是每个国家的行动。这些偏好将成为选择每家医院的个人奖励。3.1. 样本数据在这项研究中，合成数据已经产生的训练和测试模型。四种类型的数据集用于执行本研究。数据集1、2和3包含医院、患者、距离矩阵的所有细节（即，患者地址和医院地址之间）。这些数据集封装了用于训练强化模型的变量，其中变量与患者和医院的属性相关。在这一过程中，各类变量在知识运行平台中发挥着不同的作用。从数据集1、2、3中抽取随机数据样本，并创建新的数据集4用于模型训练和测试，其中选择了23种人类和不同医院的众所周知的疾病，如表2所示。目标是在治疗过程中为每种疾病选择合适的医院，考虑医院的能力，评级和每个医院的治疗成本。在图1中，每家医院的初始奖励设置为0。 数据集以医疗保健系统的形式表示，其中疾病和医院与“疾病医院”连接器连接。在图2中，属性（即， 在数据集中）是绘制并使两个变量之间的所有关系可视化;在这里，变量是连续的和分类的。3.2. 模型在理论在应用模型之前，属性之间的关系如图3所示。医院目前，医院的任何个人奖励都没有分配。相反，资本忽略了被选中的医院是否会兑现条件。这个序列被追踪为我们问题的终端奖励。例如，如果一个系统有150个病人的能力来治疗不同的疾病，没有足够的疾病支出能力的病人无法负担那些治疗费用更高的医院的治疗费用。人们根据医院的绩效、设施和服务来评价医院。在这项研究中，绩效矩阵是根据所有医院的能力、评级和治疗费用计算的。基于绩效矩阵，我们的模型将奖励分配给医院，表2样本数据集。并推荐最好的医院。假设患者总人数、疾病支出能力、平均评分分别为μ x、φ、ω，我们的属性均值分别为μ x、μ y、μ z。这表明模型的选择是好是坏，并观察对结果的影响。3.3. 模型学习3.3.1. 蒙特卡罗在蒙特卡罗方法中，通过产生适当的随机数并检测遵循某些属性的数字的分数来解决问题。蒙特卡洛学习将达到最终目标的每一步的质量结合起来，并要求，为了评估任何一步的质量，我们必须等待并观察结果。整个组合。国家行动的价值Qi sj，aj，其中高-水平状态-动作后果的特征为j. 根据平均和最终奖励，这些价值观是当代的。本文强调了终端报酬，因为它们更能接受最终报酬V.在第i次重复之后，我们将状态-动作对（sj，aj）更新为：Qi+1。sj ，aj）=γt-1-j.V+maxQi.sj+1 ， aj+1）（ 0.1）其中j一...... 不1蒙特卡洛通常被避免，因为在学习之前需要时间来完成这个过程。然而，在这个问题上，它是必不可少的最后检查。例如，在建立医院的组合时此外，在这个阶段，只有少数疾病被认为是因为它会影响时间的意义。我们的模型是如何学习的？该模型通过医院的多个组合运行，在每个组合的最后，它告诉选择是好还是坏。随着时间的推移，它会认识到一些医院通常会导致获得一个良好的结果与其他人。该研究最终创建了一个得分矩阵，表示为V（a）。 每个医院的V（a）值被初始化，并进一步处理以更新分数以做出适当的决定。本研究遵循以下更新规则：V（a）←V（a）+γ（R-V（a））（ 0.2）任何动作V（a）的值根据正面和负面结果更新。R是返回/终端奖励，1或1. 在加入个人奖励后，将重新引入终端奖励。Gamma（γ）是学习率，稍后将演示它如何影响结果。然而，就目前而言，简单的解释是：“学习率决定了最近开发的信息在多大程度上主导了旧信息。因子1使代理只考虑最近的证据，而因子0使代理什么也学不到。“目前，在计算终端奖励之前，检查算法1那么，我们如何在我们的模型中使用它呢？ 让我们从一张桌子开始，每个医院及其初始Vi-1（aj），其等于0。…我们现在随机选择一组医院，每一组组合被称为一集。为了计算的简单性，我们也暂时将γ设为0.5在算法2的函数中，我们有来自模型的不同输出。• 返回每个事件的所有V（a）的总和。• 返回到最便宜医院的V（a）之和，可以定义23心脏病C医院因为我们的样本数据很简单• 返回非最便宜医院的V（a）之和···疾病类型（p）可用医院（q）医 院 容量（x）住院费（y）医院评级（z）初始奖励（五）1登革热医院A12017802.70发烧2糖尿病E医院18019403.803病疟疾医院A1702350304偏头痛医院B18019703.505甲状腺医院D190158040疾病R.K. Jha等人智能系统与应用18（2023）2002184Fig. 1. 医疗系统。图二. 数据集属性之间的相关性。• 返回最后一集的最佳动作• 返回数据表，其中为每个医院添加了最终V（a）• 显示每集的最佳动作。有很多东西可以从这些东西中拿走。所以，让我们通过每一个，并建立我们可以学习，以改善我们的模型。最后一集首先，让我们看看模型建议我们选择什么。这一运行表明行动，或医院，有一个总容量超过病人成本，医院的表现是在优秀的评级。然而，仍然有一个地方需要改进，以帮助我们了解正在发生的事情。首先，绘制所有动作的总V的图，并且观察到它是收敛的，这是理想的。我们希望我们的模型能够收敛，并尝试更多的事件作为“分区”的医院“的最佳选择。输出中收敛的原因是每次学习的量减少一个因子γ;在这种情况下，它是0.5。本研究进一步检查结果，同时应用和改变γ并评估V的总和。R.K. Jha等人智能系统与应用18（2023）2002185-（）下一页=+2：R1∑=--（）-（（））=-（（））+-（（））+--算法1图三. 属性之间的关系。首先要满足条件，积极和消极的奖励正在检查终端奖励的条件输入：用户φ，ω输出：Valueofterminalreward V##计算ourterminalreward提供了高于和低于患者数量的值。接下来，为了计算每个医院的奖励，奖励0到1之间的值。蒙特卡罗回归的正式计算方法如下：NumActions一曰：如果（（ω<=episode2[μx]）（φ>=episode2[μy]）（ω<=episode2[μz]）则不3：其他RT=k=0αk-1rk（0.3）4：RT15：如果结束算法2更新规则。输入：用户γ，RT，Vi1ajOutput：Valueofterminalreward Viaj##计算ourterminalreward1 ：对于用户Vi（a j）<$ Vi-1（a j）+γ（R T-Vi-1（aj））2 ：对于用户Vi（a j）<$V i（a j）+γ（R T-V i（aj））3 ：如果RT=+1，则4：Vi（aj）←Vi-1（aj）+0。5（1-Vi-1（aj））其中，α是贴现因子。这告诉我们后面的步骤与前面的步骤相比的价值。在我们的算法4中，所有的行动对于达到预期的结果都是同样重要的，所以我们设置α1。然而，为了达到推荐最佳医院的主要目标，对每个动作的奖励总和取平均值，使得这将总是分别小于1或1。4. 结果和讨论研究结果分三个部分进行说明。在第一部分中，它已被证明如何最佳行动不同的epi-第六章：V如果RT←=V-1051V asodes。然后，在下一步中，已经解释了为什么变化第七章：i+1（aj）i（aj）+ . （--i（j））8：end if9：endfor10：endfor3.3.2. 介绍首选项到目前为止，对医院的任何个人偏好都不包括在内。因此，为了包括这一点，引入了对每个医院的奖励，同时仍然具有鼓励模型满足所有初始条件的终端奖励这可以通过改变回报的计算来实现。在计算最终奖励之前，检查算法3中那么，为什么我们现在的回报计算是这样的呢？算法3检查最终奖励的条件输入：用户p，μ x，μ y，μ z输出：ValueofupdatedfinalrewardVi1aj##Calculateourfinalreward1：如果（（ω<=发作2[μx]）（φ>=发作2[μy]）（ω<=发作2[μz]），则2：RT=1+（发作 2[Vi（a，j）]）/（长度（p））四：RT=-1+（第2集[Vi（aj）]）/（长度（p））以及模型从变化中得出的结论。最后，结果显示了增加发作次数的情况，并解释了结果。该模型的目标是使用开发的医院推荐系统优化患者的治疗时间、不显著的药物消耗、使用不适当药物的副作用以及医生的负荷。该模型是在合成数据上进行的。因此，在其它优化模型上对该模型进行检验以提高优化精度的效果并不明显。所提出的模型比较了不同的结果，算法4更新规则。输入：用户p，γ，RT，Vi aj输出：Valueofinalreward Vi1aj##Calculateourfinalreward1 ：对于用户Vi+1（a j）<$V i（a j）+γ（R T-V i（a j））2 ：对于用户Vi+1（a j）<$V i（a j）+γ（R T-V i（a j））3 ：如果RT=1+（第2集[Vi（aj）]）/（长度（p）），则4：Vi+1（aj）← Vi（aj）+0。5（1-Vi（aj））6：如果RT=-1+（发作2[Vi（a，j）]）/（长度（p））7：Vi+1（aj）←Vi（aj）+0。5（-1-Vi（aj））9 ：endfor10 ：endfor第五章：endif3：其他5：如果结束第五章：endif8：如果结束R.K. Jha等人智能系统与应用18（2023）2002186情节。4.1. 不同事件最初，选择150集进行模型测试。最后一集的最佳行动的返回值，以及为每个医院添加的最终奖励值V（a），如图4所示。还显示了每个事件的所有V（a）之和的返回值的图4.2. 那么，为什么会发生这种情况，为什么模型会建议它所做的行动？为了更好地理解，有必要剖析模型在每个事件中的建议及其与回报的关系，并为每个状态采取进一步的最佳行动。这表明，动作在各集之间确实有很大差异，并且模型似乎很快就决定了哪些动作需要建议，因此，绘制了每个集的建议动作。很明显，最初的行动各不相同，然后趋于平稳，这表明所选择的医院是否符合条件，因为它有助于我们了解正在发生的重大事件。那么，下一步是什么？在引入奖励之前，应该证明如果参数变化会发生什么，以及如果决定根据我们的模型建议进行改变，可以做些什么。在图5中。在每个情节中绘制由模型执行的所有动作4.3. 增加发作最后，事件的数量可以增加。这可以避免更早地这样做，因为在循环中运行模型以输出我们的动画图会导致运行模型所花费的时间爆炸。图6中显示了从150到250的事件数量的增加以及每个事件的所有V（a）的总和的返回值的曲线图。很明显，奖励随着情节的增加而变化。现在为了更好的组合，伽马被减小。然而，低伽马将需要更多的情节来学习。因此，剧集的数量然而，可以注意到，输出是振荡的，但是，如前所述，这是由于目标仅仅是推荐满足我们条件的最佳医院。这表明，当许多组合符合条件时，模型无法找到单一的最佳组合。比如说，得到医院1和4，并且可以向每个医院添加奖励。让我们以结果和图的形式检查结果。应用非常高的奖励迫使模型选择并找到愿意满足条件。将最便宜的医院与其他医院进行比较，显示该模型目前不再尊重最便宜的医院。尽管这是在一定条件下的，并且包括优选医院，但图7（a）显示了数据集的结果，其中模型推荐最常见疾病的医院，如前所述。它为每个推荐提供奖励积分此外，图。图7（b）显示了学习率提高的数据集的结果，这给模型提供了一个额外的奖励信号。不过，这一次提供了一些奖励，但预计将从不断满足条件的奖励中提供最佳组合。比较图7（a）和图7（b），它很快就发现，每次重复操作，误差都最小化;因此，模型5. 结论和今后的延期一个国家薄弱的卫生系统影响生产力的负增长。2018年，因结核病死亡的总人数约为1077万人。每年，艾滋病毒、结核病和疟疾造成的死亡造成数十亿美元的损失，并深刻影响着该国的经济。推荐合适的医生和医院可以降低死亡率和医疗费用。在这项研究中，开发了一个蒙特卡洛强化学习模型，以推荐1）满足条件的合适医院，2）最便宜的医院，3）基于性能的最佳医院。这项研究还展示了在强化学习中改变参数的效果，以及理解这些参数如何使我们达到预期的结果。虽然本文在这个数字时代有大量的规定，所提出的模式仍有一些局限性。因此，在许多方面，这项工作可以扩展。在未来，该模型可以应用于实际治疗，其中需要考虑医院数量的增加。这项研究的重点是向人们推荐最好的替代医院。可以开发成本度量来估计已识别疾病的总成本。可以考虑医疗支出的各种成本参数，包括交通成本、监护人离开成本、药品成本、医学测试成本，并乘以治疗成功率的加权值在这个数字时代，互联网上有大量关于医生和医院的评论数据。这些数据可以很容易地通过使用python或其他编程语言的web抓取和抓取来收集。然后，可以执行自然语言处理，包括情感分析，以提取有价值的信息。患者图四、 第一步数据集的结果。R.K. Jha等人智能系统与应用18（2023）2002187图五. 每集的所有动作。可以帮助AI识别特定类别疾病和地理区域的最佳替代医生。然而，噪声审查数据可能会使系统产生偏差。因此，需要噪声识别和过滤方法来提高推荐系统的效率。识别疾病是一项敏感的任务;机器学习或AI可能无法100%准确地执行。因此，执行AI和医务人员的组合模型可以适当地识别疾病类别并推荐合适的医生。CRediT作者贡献声明拉杰什·K Jha：方法论，软件，可视化，调查，图第六章每集 所 有 动 作 的奖励总 和 。写 作 Sujoy 袋 ： 概 念 化 ， 写 初 稿 Debbani Koley ： 验 证 ， 写 作&Giridhar Reddy Bojja：验证，写作&R.K. Jha等人智能系统与应用18（2023）2002188图第七章（a）数据集的结果。（b）当我们提高学习率时数据集的结果苏巴斯·巴曼：监督，写作&竞争利益作者没有利益冲突需要声明。数据可用性数据将根据要求提供。补充材料与本文有关的补充材料可在在线版本中找到，网址：doi：j.iswa.2023.200218。引用Ali，M.，清湖，加-地D、Van Minh，N.，&他人（2018年）。基于代数语义测度的医学诊断语义推荐系统。应用软计算，71，1054-1071。Amato，F.，莫斯卡托，五，Picariello，A.，&Piccialli，F.（2017年）。SOS：一个在线社交网络的多媒体推荐系统。未来的计算机系统。包，S，Ghadge，A.，&蒂瓦里湾K.（2019年）。一个集成的推荐系统，提高了准确性和聚合多样性。计算机&工业工程，130，187-197。Bu，F.，&Wang，X.（2019年）。基于深度强化学习的智慧农业物联网系统。未来一代计算机系统，99，500-507。坎帕纳湾G.，&Delmastro，F.（2017年）。在线和移动社交网络的推荐系统：一项调查。在线社交和网络媒体，3，75-97。Devika河，&Subramaniyaswamy，V.（2018）.一种基于混合过滤和大数据技术的医院推荐系统模型。在2018年第二届I-SMAC国际会议（物联网在社交，移动，分析和云）（I-SMAC）I-SMAC（物联网在社交，移动，分析和云）（I-SMAC），2018年第二届国际会议（pp. 267-271）。美国电气与电子工程师协会。Ding，D.，丁，Z.，Wei，G.，&Han，F.（2019年）。基于知识传递的强化学习改进算法及其在自主车辆中的应用。神经计算Economictimes，印度面临60万医生短缺，200万护士：研究，（2018）。M. Eirinaki，J. 高岛，印尼-地瓦尔拉米斯角Tserpes，大型社交网络的推荐系统：挑战和解决方案的回顾（2018）。Ekici，O.，Tengilimoglu，D.，&伊西克岛（2017年）。评估土耳其口腔和牙科保健服务的现状并提出解决方案。卫生政策和技术，6，368-378。Etemadi，M.，Abkenar，S. B、Ahmadzadeh，A.，Kashani，M. H、Asghari，P.，Akbari，M.，&Mahdipour，E. （2022年）。医疗推荐系统的系统综述R.K. Jha等人智能系统与应用18（2023）2002189开放的问题、挑战和技术。专家系统与应用，文章118823。黄角，澳-地H、&霍，T. B.（2019年）。使用电子病历学习和推荐治疗方法。基于知识的系统https://doi.org/10.1016/j的网站。knosys.2019.05.031伊斯特帕尼扬河S. H、Philip，N.是的，&马提尼，M. G.（2009年）。基于强化学习的3.5G 无 线 系 统 超 声 流 媒 体 医 疗 QoS 提 供 。 IEEEJournal on Selected Areas inCommunications，27，566-574.Jaafra，Y.，劳伦特，J.L.，Deruyver，A.，&Naceur，M. S.（2019年）。神经结构搜索的强化学习：综述。图像和视觉计算（Narducci，2015）。Karabadji，N. E.一、Beldjoudi，S.，Seridi，H.，Aridhi，S.，&Dhifli，W.（2018年）。用进化多目标优化改进基于记忆的用户协同过滤。专家系统及其应用Kaur，H.，库马尔，N.，&巴特拉岛（2018年）。一种有效的多方隐私保护协同过滤医疗推荐方案。未来一代计算机系统，86，297-307。Liu，Y.，Logan，B.，Liu，N.，（1996年），美国，徐志，唐，J.，&Wang，Y.（2017年）。深度强化学习用于医疗注册数据的动态治疗方案。2017年IEEE Int.健康会议信息学（英语：Informatics） 380-385）。刘志，Yao，C.，余，H.，Wu，T.（2019年）。 深度强化学习及其在医疗物联网肺癌检测中的应用。 未来一代计算机系统，97，1-9。Mahmud，M.，凯泽，M。美国，Hussain，A.，&Vassanelli，S.（2018年）。深度学习和强化学习在生物数据中的应用。IEEE Transactions on NeuralNetworks andLearning System，29，2063-2079。Moeinizade，S.，Hu，G.，&王湖，加-地（2022年）。基因组选择中资源分配的强化学习方法。智能系统与应用，14，文章200076。R. Nagarajan ， 6 个 州 的 医 生 人 数 超 过 WHO 1 ： 1 ， 000 指 南 （ 2019 年 ） 。Narducci，F.，穆斯托角，波利尼亚诺，M.，de Gemmis，M.，Lops，P.，&塞梅拉罗湾（2015年）。一个在healthnet社交网络中将病人与合适的医生联系起来的推荐系统。在第24届万维网国际会议的会议记录（pp. 81-82）。Paradarami，T. K.，Bastian，N. D、&怀特曼（2017年）。一种使用人工神经网络的混合推荐系统。专家系统与应用，83，300-313。儿子J Kim&，S. B. （2017年）。基于内容的多属性网络推荐系统过滤。专家系统与应用，89，404-412。Swarnalatha，S.，凯萨瓦西尼岛，Poornima，S.，&Sripriya，N.（2019年）。用于医院和医生预测分析的医疗推荐系统。2019年国际数据科学计算智能会议（ICCIDS）1-5）。美国电气与电子工程师协会。Tabrizi，T.美国，Khoie，M. R.，Sahebkar，E.，Rahimi，S.，&Marhamati，N.（2016年）。以病人满意度为基础的医院推荐系统。2016年国际神经网络联合会议（IJCNN）。131-138）。美 国 电气与电子工程师协会。Valcarce，D.，Landin，A.，Parapar，J.，巴&雷罗河（2019年）。协同过滤嵌入基于记忆的推荐系统。人工智能的工程应用，85，347-356。Wang，D.，中国科学院，梁玉，徐，D.，Feng，X.，&关河，巴西-地（2018年）。计算机科学出版物的基于内容的推荐系统。Knowledge-Based System，157，1-9.杨，B.，Lei，Y.，刘杰，&Li，W.（2017年）。基于信任的社会协同过滤。IEEETransactions on Pattern Analysis and Machine Intelligence，39，1633-1647.杨杰，你X Wu，G.，哈桑，M。M.，Almogren，A.，&Guna，J.（2019）. 强化学习在无人机集群任务调度中的应用。未来一代计算机系统，95，140-148。