CN106844671A - 医学文献智能处理方法及*** - Google Patents
医学文献智能处理方法及*** Download PDFInfo
- Publication number
- CN106844671A CN106844671A CN201710053848.4A CN201710053848A CN106844671A CN 106844671 A CN106844671 A CN 106844671A CN 201710053848 A CN201710053848 A CN 201710053848A CN 106844671 A CN106844671 A CN 106844671A
- Authority
- CN
- China
- Prior art keywords
- evidence
- info
- documentation
- information
- document
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
- G06F16/288—Entity relationship models
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供了医学文献智能处理方法及***，涉及信息检索技术领域，通过根据研究方向在数据库中进行文献筛选，获得第一文献信息，并将第一文献信息收集到文献池中，对文献池中的第一文献信息进行预处理，获得文献结构化库，其中，文献结构化库包括第二文献信息，通过对计算机模型进行训练，建立人工智能处理方法，采用人工智能处理方法对第二文献信息进行证据分级，得到文献证据分级结果信息，将文献证据分级结果信息进行收集并存入循证医学证据数据库。本发明提高了对医学文献的处理效率和准确率。
Description
技术领域
本发明涉及信息检索技术领域，尤其是涉及医学文献智能处理方法及***。
背景技术
循证医学(Evidence-based medicine，EBM)的核心思想是医疗决策，即病人的处理，治疗指南和医疗政策的制定等，医疗决策应在现有的最好的临床研究依据基础上做出，同时也重视结合个人的临床经验。证据是循证医学的基石，遵循证据是循证医学的本质所在。临床研究者和应用者应尽可能提供和应用当前最可靠的临床研究证据是循证医学的关键。
证据推荐分级的评估、制订与评价(The Grading of RecommendationsAssessment，Development and Evaluation，GRADE)***是当前证据质量和推荐强度分级的国际标准之一，最主要应用领域是临床实践指南。GRADE***将证据质量分为“高、中、低和极低”四个等级。
目前，医生或研究者开展循证医学工作的一般步骤为：提出问题→检索证据→评价证据→临床应用→后效评价。在评价证据步骤中，医生或研究者一般采用两位专业评价人员分别对文献进行质量评价和证据分级，并通过讨论以及第三评价者介入等手段达成一致。目前的对医学文献的处理手段不但效率较低，而且评价者容易出现意见分歧。
发明内容
有鉴于此，本发明的目的在于提供医学文献智能处理方法及***，以提高了对医学文献的处理效率和准确率。
第一方面，本发明实施例提供了一种医学文献智能处理方法，其中，包括：
根据研究方向在数据库中进行文献筛选，获得第一文献信息，并将所述第一文献信息收集到文献池中；
对所述文献池中的第一文献信息进行预处理，获得文献结构化库，其中，所述文献结构化库包括第二文献信息；
通过对计算机模型进行训练，建立人工智能处理方法；
采用所述人工智能处理方法对所述第二文献信息进行证据分级，得到文献证据分级结果信息；
将所述文献证据分级结果信息进行收集并存入循证医学证据数据库。
结合第一方面，本发明实施例提供了第一方面的第一种可能的实施方式，其中，所述根据研究方向在数据库中进行文献筛选，获得第一文献信息包括：
确定所述研究方向；
根据所述研究方向和Mesh选定检索关键词；
根据所述检索关键词，在所述数据库中进行文献检索，得到文献检索结果信息；
根据初筛条件对所述文献检索结果信息进行筛选，获得所述第一文献信息。
结合第一方面，本发明实施例提供了第一方面的第二种可能的实施方式，其中，所述对所述文献池中的第一文献信息进行预处理，获得文献结构化库包括：
根据所述第一文献信息定义元字段标准；
根据所述元字段标准对所述第一文献信息的第一要素信息进行抽取；
判断能否直接抽取到所述第一要素信息；
如果不能直接抽取到所述第一要素信息，则将所述第一要素信息进行格式转换，得到第二要素信息；
根据所述第一要素信息和所述第二要素信息获取证据信息，其中，所述证据信息与所述第二文献信息相匹配；
根据所述证据信息构建文献结构化库。
结合第一方面，本发明实施例提供了第一方面的第三种可能的实施方式，其中，所述通过对计算机模型进行训练，建立人工智能处理方法包括：
在所述第二文献信息中选取第一证据组，并根据证据分级标准对所述第一证据组进行评价和分级，得到标准分级信息；
将所述标准分级信息输入到所述计算机模型中；
在所述第二文献信息中选取第二证据组，并根据所述标准分级信息采用所述计算机模型对所述第二证据组进行评价和分级，得到第一训练结果；
对所述第一训练结果进行人工校验，判断所述第一训练结果是否符合预期标准；
如果所述第一训练结果不符合所述预期标准，则将所述第一训练结果进行纠正，得到第二训练结果，并将所述第二训练结果作为所述标准分级信息，对所述计算机模型进行重新训练；
如果所述第一训练结果符合所述预期标准，则完成建立所述人工智能处理方法。
结合第一方面的第三种可能的实施方式，本发明实施例提供了第一方面的第四种可能的实施方式，其中，所述证据分级标准包括证据分级规则和证据升降级因素，其中，证据分级规则分为高级证据、中级证据、低级证据和极低级证据。
第二方面，本发明实施例还提供一种医学文献智能处理***，其中，包括：
文献检索模块，用于根据研究方向在数据库中进行文献筛选，获得第一文献信息，并将所述第一文献信息收集到文献池中；
预处理模块，用于对所述文献池中的第一文献信息进行预处理，获得文献结构化库，其中，所述文献结构化库包括第二文献信息；
训练模块，通过对计算机模型进行训练，建立人工智能处理方法；
人工智能处理模块，用于采用所述人工智能处理方法对所述第二文献信息进行证据分级，得到文献证据分级结果信息；
数据收集和存储模块，用于将所述文献证据分级结果信息进行收集并存入循证医学证据数据库。
结合第二方面，本发明实施例提供了第二方面的第一种可能的实施方式，其中，所述文献检索模块包括：
确定所述研究方向；
根据所述研究方向和Mesh选定检索关键词；
根据所述检索关键词，在所述数据库中进行文献检索，得到文献检索结果信息；
根据初筛条件对所述文献检索结果信息进行筛选，获得所述第一文献信息。
结合第二方面，本发明实施例提供了第二方面的第二种可能的实施方式，其中，所述预处理模块包括：
根据所述第一文献信息定义元字段标准；
根据所述元字段标准对所述第一文献信息的第一要素信息进行抽取；
判断能否直接抽取到所述第一要素信息；
如果不能直接抽取到所述第一要素信息，则将所述第一要素信息进行格式转换，得到第二要素信息；
根据所述第一要素信息和所述第二要素信息获取证据信息，其中，所述证据信息与所述第二文献信息相匹配；
根据所述证据信息构建文献结构化库。
结合第二方面，本发明实施例提供了第二方面的第三种可能的实施方式，其中，所述训练模块包括：
在所述第二文献信息中选取第一证据组，并根据证据分级标准对所述第一证据组进行评价和分级，得到标准分级信息；
将所述标准分级信息输入到所述计算机模型中；
在所述第二文献信息中选取第二证据组，并根据所述标准分级信息采用所述计算机模型对所述第二证据组进行评价和分级，得到第一训练结果；
对所述第一训练结果进行人工校验，判断所述第一训练结果是否符合预期标准；
如果所述第一训练结果不符合所述预期标准，则将所述第一训练结果进行纠正，得到第二训练结果，并将所述第二训练结果作为所述标准分级信息，对所述计算机模型进行重新训练；
如果所述第一训练结果符合所述预期标准，则完成建立所述人工智能处理方法。
结合第二方面的第三种可能的实施方式，本发明实施例提供了第二方面的第四种可能的实施方式，其中，所述证据分级标准包括证据分级规则和证据升降级因素，其中，证据分级规则分为高级证据、中级证据、低级证据和极低级证据。
本发明提供的医学文献智能处理方法及***，通过根据研究方向在数据库中进行文献筛选，获得第一文献信息，并将第一文献信息收集到文献池中，对文献池中的第一文献信息进行预处理，获得文献结构化库，其中，文献结构化库包括第二文献信息，通过对计算机模型进行训练，建立人工智能处理方法，采用人工智能处理方法对第二文献信息进行证据分级，得到文献证据分级结果信息，将文献证据分级结果信息进行收集并存入循证医学证据数据库。本发明可以提高对医学文献的处理效率和准确率，同时消除了评价和分级过程中的意见分歧。
本发明的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例一提供的医学文献智能处理方法流程图；
图2为本发明实施例一提供的筛选第一文献信息方法流程图；
图3为本发明实施例一提供的文献结构化库获得方法流程图；
图4为本发明实施例一提供的建立人工智能处理方法流程图；
图5为本发明实施例二提供的医学文献智能处理***示意图。
图标：
100-文献检索模块；200-预处理模块；300-训练模块；400-人工智能处理模块；500-数据收集和存储模块。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
目前医生或研究者开展循证医学工作的一般步骤为：提出问题→检索证据→评价证据→临床应用→后效评价。在评价证据步骤中，医生或研究者一般采用两位专业评价人员分别对文献进行质量评价和证据分级，并通过讨论以及第三评价者介入等手段达成一致。目前的对医学文献的处理手段不但效率较低，而且评价者容易出现意见分歧。
基于此，本发明实施例提供的医学文献智能处理方法及***，可以提高对医学文献的处理效率和准确率，同时消除了评价和分级过程中的意见分歧。
为便于对本实施例进行理解，首先对本发明实施例所公开的医学文献智能处理方法进行详细介绍。
实施例一：
图1为本发明实施例一提供的医学文献智能处理方法流程图。
参照图1，医学文献智能处理方法包括如下步骤：
步骤S110，根据研究方向在数据库中进行文献筛选，获得第一文献信息，并将第一文献信息收集到文献池中；
步骤S120，对文献池中的第一文献信息进行预处理，获得文献结构化库，其中，文献结构化库包括第二文献信息；
步骤S130，通过对计算机模型进行训练，建立人工智能处理方法；
步骤S140，采用人工智能处理方法对第二文献信息进行证据分级，得到文献证据分级结果信息；
步骤S150，将文献证据分级结果信息进行收集并存入循证医学证据数据库。
具体的，在文献检索模块中，确定研究方向，根据MeSH(Medical SubjectHeadings，医学主题词表)选定检索主题词及相应副主题词，在数据库中进行文献初筛，通过筛选的第一文献信息进入文献池中；在预处理模块中，对第一文献信息进行预处理，如字段、表格、摘要和全文的抽取以及结构化等；在基于深度学习的人工智能处理模块中，对第二文献信息进行证据分级，得到文献证据分级结果信息；在数据收集和存储模块中，根据文献证据分级结果信息，将已完成评价和分级的文献和证据进行收集整理，存入循证医学数据库中。
根据本发明的示例性实施例，医学文献智能处理方法的步骤S110中，参照图2，第一文献信息的获得方法包括如下步骤：
步骤S210，确定研究方向；
步骤S220，根据研究方向和Mesh选定检索关键词；
其中，《Mesh》是美国国立医学图书馆编制的权威性主题词表。它在文献检索中具有准确性和专指性的重要作用。标引人员将信息输入检索***以及检索者(用户)利用***内信息情报这两个过程中，以主题词作为标准用语，使标引和检索之间用语一致，达到最佳检索效果。
步骤S230，根据检索关键词，在数据库中进行文献检索，得到文献检索结果信息；
步骤S240，根据初筛条件对文献检索结果信息进行筛选，获得第一文献信息；其中，初筛条件可以为根据实际需求制定的纳入/排除标准。
具体的，研究方向可以为某种疾病，根据MeSH选定检索主题词及相应副主题词；在Medline(The National Library of Medicine，美国国立医学图书馆)、Embase、SCI(Science Citation Index，科学引文索引)、Cochrane Library等数据库中进行文献检索；根据纳入/排除标准，对文献检索结果进行筛选；通过筛选的文献进入文献池中。
根据本发明的示例性实施例，医学文献智能处理方法的步骤S120中，参照图3，文献结构化库的获得方法包括如下步骤：
步骤S310，根据第一文献信息定义元字段标准；
步骤S320，根据元字段标准对第一文献信息的第一要素信息进行抽取；
具体的，第一要素信息包括字段、表格、摘要和全文。
步骤S330，判断能否直接抽取到第一要素信息；如果不能直接抽取到第一要素信息，则执行步骤S340；
步骤S340，将第一要素信息进行格式转换，得到第二要素信息；
具体的，将字段、表格、摘要和全文等格式转换，主要针对日期、数字、类型、时态和相关文献等方面。
步骤S350，根据第一要素信息和第二要素信息获取证据信息，其中，证据信息与第二文献信息相匹配；
具体的，根据第一要素信息和第二要素信息获取证据信息，证据信息主要包括标题、作者、日期、影响因子、摘要、正文、附件正文、表格、研究设计、研究对象和研究方法等要素。
步骤S360，根据证据信息构建文献结构化库。
具体的，根据证据信息构建文献结构化库，还同时构建文献索引库。
根据本发明的示例性实施例，医学文献智能处理方法的步骤S130中，参照图4，建立人工智能处理方法包括如下步骤：
步骤S410，在第二文献信息中选取第一证据组，并根据证据分级标准对第一证据组进行评价和分级，得到标准分级信息；
具体的，采用人工方法对第二文献信息中的第一证据组进行评价和分级；证据分级标准包括证据分级规则和证据升降级因素，其中，证据分级规则分为高级证据、中级证据、低级证据和极低级证据。为方便理解，以下通过表1至表2做详细描述。
表1
表2
其中，表1为GRADE证据分级规则，表2为证据升降级因素表。
步骤S420，将标准分级信息输入到计算机模型中；
具体的，将标准分级信息输入到计算机模型中，对计算机模型进行机器训练。
步骤S430，在第二文献信息中选取第二证据组，并根据标准分级信息采用计算机模型对第二证据组进行评价和分级，得到第一训练结果；
步骤S440，对第一训练结果进行人工校验，判断第一训练结果是否符合预期标准；如果第一训练结果不符合预期标准，则执行步骤S450；如果第一训练结果符合预期标准，则执行步骤S460；
步骤S450，将第一训练结果进行纠正，得到第二训练结果，并将第二训练结果作为标准分级信息，对计算机模型进行重新训练；
具体的，将纠正后的第二训练结果与标准分级信息结合，重新输入到计算机模型中进行机器训练，即重复执行步骤S420，直至计算机对证据的评价和分级结果达到预期标准，并能够基本理解文献中的自然语言语意。
步骤S460，完成建立人工智能处理方法。
本发明提供的医学文献智能处理方法，通过根据研究方向在数据库中进行文献筛选，获得第一文献信息，并将第一文献信息收集到文献池中，对文献池中的第一文献信息进行预处理，获得文献结构化库，其中，文献结构化库包括第二文献信息，通过对计算机模型进行训练，建立人工智能处理方法，采用人工智能处理方法对第二文献信息进行证据分级，得到文献证据分级结果信息，将文献证据分级结果信息进行收集并存入循证医学证据数据库。本发明可以提高对医学文献的处理效率和准确率，同时消除了评价和分级过程中的意见分歧。
实施例二：
图5为本发明实施例二提供的医学文献智能处理***示意图。
参照图5，医学文献智能处理***包括文献检索模块100、预处理模块200、训练模块300、人工智能处理模块400以及数据收集和存储模块500；
文献检索模块100，用于根据研究方向在数据库中进行文献筛选，获得第一文献信息，并将第一文献信息收集到文献池中；
预处理模块200，用于对文献池中的第一文献信息进行预处理，获得文献结构化库，其中，文献结构化库包括第二文献信息；
训练模块300，通过对计算机模型进行训练，建立人工智能处理方法；
人工智能处理模块400，用于采用人工智能处理方法对第二文献信息进行证据分级，得到文献证据分级结果信息；
数据收集和存储模块500，用于将文献证据分级结果信息进行收集并存入循证医学证据数据库。
根据本发明的示例性实施例，文献检索模块100包括：
确定研究方向；
根据研究方向和医学主题词表Mesh选定检索关键词；
根据检索关键词，在数据库中进行文献检索，得到文献检索结果信息；
根据初筛条件对文献检索结果信息进行筛选，获得第一文献信息。
根据本发明的示例性实施例，预处理模块200包括：
根据第一文献信息定义元字段标准；
根据元字段标准对第一文献信息的第一要素信息进行抽取；
判断能否直接抽取到第一要素信息；
如果不能直接抽取到第一要素信息，则将第一要素信息进行格式转换，得到第二要素信息；
根据第一要素信息和第二要素信息获取证据信息，其中，证据信息与第二文献信息相匹配；
根据证据信息构建文献结构化库。
根据本发明的示例性实施例，训练模块300包括：
在第二文献信息中选取第一证据组，并根据证据分级标准对第一证据组进行评价和分级，得到标准分级信息；
将标准分级信息输入到计算机模型中；
在第二文献信息中选取第二证据组，并根据标准分级信息采用计算机模型对第二证据组进行评价和分级，得到第一训练结果；
对第一训练结果进行人工校验，判断第一训练结果是否符合预期标准；
如果第一训练结果不符合预期标准，则将第一训练结果进行纠正，得到第二训练结果，并将第二训练结果作为标准分级信息，对计算机模型进行重新训练；
如果第一训练结果符合标准，则完成建立人工智能处理方法。
根据本发明的示例性实施例，证据分级标准包括证据分级规则和证据升降级因素，其中，证据分级规则分为高级证据、中级证据、低级证据和极低级证据。
本发明提供的医学文献智能处理***，包括文献检索模块、预处理模块、训练模块、人工智能处理模块以及数据收集和存储模块；通过根据研究方向在数据库中进行文献筛选，获得第一文献信息，并将第一文献信息收集到文献池中，对文献池中的第一文献信息进行预处理，获得文献结构化库，其中，文献结构化库包括第二文献信息，通过对计算机模型进行训练，建立人工智能处理方法，采用人工智能处理方法对第二文献信息进行证据分级，得到文献证据分级结果信息，将文献证据分级结果信息进行收集并存入循证医学证据数据库。本发明可以提高对医学文献的处理效率和准确率，同时消除了评价和分级过程中的意见分歧。
本发明实施例所提供的医学文献智能处理方法及***的计算机程序产品，包括存储了程序代码的计算机可读存储介质，所述程序代码包括的指令可用于执行前面方法实施例中所述的方法，具体实现可参见方法实施例，在此不再赘述。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的***和装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
另外，在本发明实施例的描述中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种医学文献智能处理方法，其特征在于，包括：
根据研究方向在数据库中进行文献筛选，获得第一文献信息，并将所述第一文献信息收集到文献池中；
对所述文献池中的第一文献信息进行预处理，获得文献结构化库，其中，所述文献结构化库包括第二文献信息；
通过对计算机模型进行训练，建立人工智能处理方法；
采用所述人工智能处理方法对所述第二文献信息进行证据分级，得到文献证据分级结果信息；
将所述文献证据分级结果信息进行收集并存入循证医学证据数据库。
2.根据权利要求1所述的医学文献智能处理方法，其特征在于，所述根据研究方向在数据库中进行文献筛选，获得第一文献信息包括：
确定所述研究方向；
根据所述研究方向和医学主题词表Mesh选定检索关键词；
根据所述检索关键词，在所述数据库中进行文献检索，得到文献检索结果信息；
根据初筛条件对所述文献检索结果信息进行筛选，获得所述第一文献信息。
3.根据权利要求1所述的医学文献智能处理方法，其特征在于，所述对所述文献池中的第一文献信息进行预处理，获得文献结构化库包括：
根据所述第一文献信息定义元字段标准；
根据所述元字段标准对所述第一文献信息的第一要素信息进行抽取；
判断能否直接抽取到所述第一要素信息；
如果不能直接抽取到所述第一要素信息，则将所述第一要素信息进行格式转换，得到第二要素信息；
根据所述第一要素信息和所述第二要素信息获取证据信息，其中，所述证据信息与所述第二文献信息相匹配；
根据所述证据信息构建文献结构化库。
4.根据权利要求1所述的医学文献智能处理方法，其特征在于，所述通过对计算机模型进行训练，建立人工智能处理方法包括：
在所述第二文献信息中选取第一证据组，并根据证据分级标准对所述第一证据组进行评价和分级，得到标准分级信息；
将所述标准分级信息输入到所述计算机模型中；
在所述第二文献信息中选取第二证据组，并根据所述标准分级信息采用所述计算机模型对所述第二证据组进行评价和分级，得到第一训练结果；
对所述第一训练结果进行人工校验，判断所述第一训练结果是否符合预期标准；
如果所述第一训练结果不符合所述预期标准，则将所述第一训练结果进行纠正，得到第二训练结果，并将所述第二训练结果作为所述标准分级信息，对所述计算机模型进行重新训练；
如果所述第一训练结果符合所述预期标准，则完成建立所述人工智能处理方法。
5.根据权利要求4所述的医学文献智能处理方法，其特征在于，所述证据分级标准包括证据分级规则和证据升降级因素，其中，证据分级规则分为高级证据、中级证据、低级证据和极低级证据。
6.一种医学文献智能处理***，其特征在于，包括：
文献检索模块，用于根据研究方向在数据库中进行文献筛选，获得第一文献信息，并将所述第一文献信息收集到文献池中；
预处理模块，用于对所述文献池中的第一文献信息进行预处理，获得文献结构化库，其中，所述文献结构化库包括第二文献信息；
训练模块，通过对计算机模型进行训练，建立人工智能处理方法；
人工智能处理模块，用于采用所述人工智能处理方法对所述第二文献信息进行证据分级，得到文献证据分级结果信息；
数据收集和存储模块，用于将所述文献证据分级结果信息进行收集并存入循证医学证据数据库。
7.根据权利要求6所述的医学文献智能处理***，其特征在于，所述文献检索模块包括：
确定所述研究方向；
根据所述研究方向和Mesh选定检索关键词；
根据所述检索关键词，在所述数据库中进行文献检索，得到文献检索结果信息；
根据初筛条件对所述文献检索结果信息进行筛选，获得所述第一文献信息。
8.根据权利要求6所述的医学文献智能处理***，其特征在于，所述预处理模块包括：
根据所述第一文献信息定义元字段标准；
根据所述元字段标准对所述第一文献信息的第一要素信息进行抽取；
判断能否直接抽取到所述第一要素信息；
如果不能直接抽取到所述第一要素信息，则将所述第一要素信息进行格式转换，得到第二要素信息；
根据所述第一要素信息和所述第二要素信息获取证据信息，其中，所述证据信息与所述第二文献信息相匹配；
根据所述证据信息构建文献结构化库。
9.根据权利要求6所述的医学文献智能处理***，其特征在于，所述训练模块包括：
在所述第二文献信息中选取第一证据组，并根据证据分级标准对所述第一证据组进行评价和分级，得到标准分级信息；
将所述标准分级信息输入到所述计算机模型中；
在所述第二文献信息中选取第二证据组，并根据所述标准分级信息采用所述计算机模型对所述第二证据组进行评价和分级，得到第一训练结果；
对所述第一训练结果进行人工校验，判断所述第一训练结果是否符合预期标准；
如果所述第一训练结果不符合所述预期标准，则将所述第一训练结果进行纠正，得到第二训练结果，并将所述第二训练结果作为所述标准分级信息，对所述计算机模型进行重新训练；
如果所述第一训练结果符合所述预期标准，则完成建立所述人工智能处理方法。
10.根据权利要求9所述的医学文献智能处理***，其特征在于，所述证据分级标准包括证据分级规则和证据升降级因素，其中，证据分级规则分为高级证据、中级证据、低级证据和极低级证据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710053848.4A CN106844671A (zh) | 2017-01-22 | 2017-01-22 | 医学文献智能处理方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710053848.4A CN106844671A (zh) | 2017-01-22 | 2017-01-22 | 医学文献智能处理方法及*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN106844671A true CN106844671A (zh) | 2017-06-13 |
Family
ID=59119953
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710053848.4A Pending CN106844671A (zh) | 2017-01-22 | 2017-01-22 | 医学文献智能处理方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106844671A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109359292A (zh) * | 2018-08-31 | 2019-02-19 | 大连诺道认知医学技术有限公司 | 医学文献筛选方法及装置 |
| CN109543409A (zh) * | 2018-11-09 | 2019-03-29 | 腾讯科技（深圳）有限公司 | 用于检测恶意应用及训练检测模型的方法、装置及设备 |
| CN109815315A (zh) * | 2019-01-29 | 2019-05-28 | 中国矿业大学(北京) | 一种基于文献的污染地块信息综合分析方法 |
| CN111063446A (zh) * | 2019-12-17 | 2020-04-24 | 医渡云（北京）技术有限公司 | 用于标准化医疗文本数据的方法、装置、设备及存储介质 |
| CN111552776A (zh) * | 2020-04-24 | 2020-08-18 | 周敬洋 | 一种基于人工智能的Meta分析生成方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101334770A (zh) * | 2007-06-28 | 2008-12-31 | 科凌力医学软件（深圳）有限公司 | 循证医学数据库组建方法及相关的循证医学疾病诊断方法 |
| CN102096680A (zh) * | 2009-12-15 | 2011-06-15 | 北京大学 | 信息有效性分析的方法和装置 |
| CN102902871A (zh) * | 2012-07-03 | 2013-01-30 | 成都中医药大学 | 针灸临床循证决策支持***及其应用方法 |
| CN103092894A (zh) * | 2011-11-08 | 2013-05-08 | 阿里巴巴集团控股有限公司 | 一种结构化信息检索方法和*** |
| CN103679393A (zh) * | 2013-12-27 | 2014-03-26 | 上海市东方医院（同济大学附属东方医院） | 一种基于层次分析法的临床路径管理评价指标***和方法 |
| CN106021967A (zh) * | 2016-07-12 | 2016-10-12 | 上海市浦东新区周浦医院 | 用于临床路径质量评价的数据处理方法 |
-
2017
- 2017-01-22 CN CN201710053848.4A patent/CN106844671A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101334770A (zh) * | 2007-06-28 | 2008-12-31 | 科凌力医学软件（深圳）有限公司 | 循证医学数据库组建方法及相关的循证医学疾病诊断方法 |
| CN102096680A (zh) * | 2009-12-15 | 2011-06-15 | 北京大学 | 信息有效性分析的方法和装置 |
| CN103092894A (zh) * | 2011-11-08 | 2013-05-08 | 阿里巴巴集团控股有限公司 | 一种结构化信息检索方法和*** |
| CN102902871A (zh) * | 2012-07-03 | 2013-01-30 | 成都中医药大学 | 针灸临床循证决策支持***及其应用方法 |
| CN103679393A (zh) * | 2013-12-27 | 2014-03-26 | 上海市东方医院（同济大学附属东方医院） | 一种基于层次分析法的临床路径管理评价指标***和方法 |
| CN106021967A (zh) * | 2016-07-12 | 2016-10-12 | 上海市浦东新区周浦医院 | 用于临床路径质量评价的数据处理方法 |
Non-Patent Citations (1)
| Title |
|---|
| 李敬华: "《中医治疗文献质量评价方法及示范应用研究》", 《中国博士学位论文全文数据库 医药卫生科技辑》 * |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109359292A (zh) * | 2018-08-31 | 2019-02-19 | 大连诺道认知医学技术有限公司 | 医学文献筛选方法及装置 |
| CN109359292B (zh) * | 2018-08-31 | 2023-04-07 | 大连诺道认知医学技术有限公司 | 医学文献筛选方法及装置 |
| CN109543409A (zh) * | 2018-11-09 | 2019-03-29 | 腾讯科技（深圳）有限公司 | 用于检测恶意应用及训练检测模型的方法、装置及设备 |
| CN109543409B (zh) * | 2018-11-09 | 2021-06-08 | 腾讯科技（深圳）有限公司 | 用于检测恶意应用及训练检测模型的方法、装置及设备 |
| CN109815315A (zh) * | 2019-01-29 | 2019-05-28 | 中国矿业大学(北京) | 一种基于文献的污染地块信息综合分析方法 |
| CN109815315B (zh) * | 2019-01-29 | 2020-09-22 | 中国矿业大学(北京) | 一种基于文献的污染地块信息综合分析方法 |
| CN111063446A (zh) * | 2019-12-17 | 2020-04-24 | 医渡云（北京）技术有限公司 | 用于标准化医疗文本数据的方法、装置、设备及存储介质 |
| CN111063446B (zh) * | 2019-12-17 | 2023-06-16 | 医渡云（北京）技术有限公司 | 用于标准化医疗文本数据的方法、装置、设备及存储介质 |
| CN111552776A (zh) * | 2020-04-24 | 2020-08-18 | 周敬洋 | 一种基于人工智能的Meta分析生成方法 |
| CN111552776B (zh) * | 2020-04-24 | 2021-03-19 | 周敬洋 | 一种基于人工智能的Meta分析生成方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106844671A (zh) | 医学文献智能处理方法及*** | |
| CN106528532B (zh) | 文本纠错方法、装置及终端 | |
| CN108416279A (zh) | 文档图像中的表格解析方法及装置 | |
| CN107076567A (zh) | 多语言图像问答 | |
| CN106484904A (zh) | 专利检索分析***及其分析方法 | |
| CN107239529A (zh) | 一种基于深度学习的舆情热点类别划分方法 | |
| CN106202955A (zh) | 基于编码智能适配的诊断相关分组方法及*** | |
| CN103631859A (zh) | 一种面向科技项目的评审专家智能推荐方法 | |
| CN103577556A (zh) | 一种获取问答对的相关联程度的装置和方法 | |
| CN103605691B (zh) | 用于处理社交网络中发布内容的装置和方法 | |
| CN102902871A (zh) | 针灸临床循证决策支持***及其应用方法 | |
| CN103823824A (zh) | 一种借助互联网自动构建文本分类语料库的方法及*** | |
| CN103678602B (zh) | 一种含敏感度计算的网页过滤方法 | |
| CN108804591A (zh) | 一种病历文本的文本分类方法及装置 | |
| CN110516074A (zh) | 一种基于深度学习的网站主题分类方法及装置 | |
| CN109615012A (zh) | 基于机器学习的就诊数据异常识别方法、设备及存储介质 | |
| CN110472209A (zh) | 基于深度学习的表格生成方法、装置和计算机设备 | |
| CN108846097A (zh) | 用户的兴趣标签表示方法、文章推荐方法、及装置、设备 | |
| CN108920446A (zh) | 一种工程文本的处理方法 | |
| CN108304509A (zh) | 一种基于文本多向量表示相互学习的垃圾评论过滤方法 | |
| CN109472021A (zh) | 基于深度学习的医学文献中关键句筛选方法及装置 | |
| CN109597987A (zh) | 一种文本还原方法、装置及电子设备 | |
| CN108509490A (zh) | 一种网络热点话题发现方法及*** | |
| CN103577557B (zh) | 一种确定网络资源点的抓取频率的装置和方法 | |
| CN106682871A (zh) | 确定简历级别的方法及装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170613 |
|
| RJ01 | Rejection of invention patent application after publication |