基于语义分析和粒度计算的高效低资源医疗信息处理

《ACM Transactions on Asian and Low-Resource Language Information Processing》：Efficient Low-Resource Medical Information Processing Based on Semantic Analysis and Granular Computing

数字经济发展推动低资源医疗信息处理需求，糖尿病患者血糖监测需解决在线评论情感偏差与设备性能（价格/准确性/便携性）评估难题。本文结合粒计算、模糊集、粗糙集与三向决策（TWD）技术，构建MABAC方法实现血糖仪评论多属性融合评估，通过边界近似区域比较优化产品排序，最终在用户需求与属性权衡中确定最优血糖仪，提升医疗信息处理准确性与决策效率。

　　

摘要

数字经济的兴起和电子商务的发展推动了高效、低资源消耗的医疗信息处理技术的发展，这一趋势在医疗保健领域具有重要意义。糖尿病作为一种普遍的慢性疾病，使得血糖仪得以广泛应用，为患者提供了监测血糖水平的便捷方式。然而，值得注意的是，许多在线评论可能受到情感偏见的影响或包含不准确的信息。此外，血糖仪的性能受到多种因素的影响，包括价格、准确性和便携性，这可能会给消费者的决策过程带来复杂性。语义分析可以用来获取有价值的信息，帮助消费者合理选择合适的血糖仪。本文利用了细粒度计算（一种新兴的计算范式）的优势，有效处理不完整和不确定的医疗信息。通过使用广义模糊集、粗糙集和三支决策（TWD）技术来提高医疗信息融合的准确性和可靠性。随后，采用MABAC（多属性边界逼近区域比较）方法对每种血糖仪的评论进行评估，计算它们的综合得分，并对其进行排名和比较。最终，根据消费者的需求和权衡，选择得分最高的血糖仪。所提出的方法全面考虑了多个属性的权重和优先级，减少了信息过载，降低了选择难度，从而提高了低资源消耗医疗信息处理的准确性和可靠性。