CN110473636B - 基于深度学习的智能医嘱推荐方法及*** - Google Patents

基于深度学习的智能医嘱推荐方法及*** Download PDF

Info

Publication number
CN110473636B
CN110473636B CN201910778555.1A CN201910778555A CN110473636B CN 110473636 B CN110473636 B CN 110473636B CN 201910778555 A CN201910778555 A CN 201910778555A CN 110473636 B CN110473636 B CN 110473636B
Authority
CN
China
Prior art keywords
patient
information
deep learning
medical advice
condition information
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.)
Active
Application number
CN201910778555.1A
Other languages
English (en)
Other versions
CN110473636A (zh
Inventor
孙钊
吴军
李涛
刘小梅
冯德杰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhongyang Health Technology Group Co ltd
Original Assignee
Shandong Msunhealth Technology Group Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shandong Msunhealth Technology Group Co Ltd filed Critical Shandong Msunhealth Technology Group Co Ltd
Priority to CN201910778555.1A priority Critical patent/CN110473636B/zh
Publication of CN110473636A publication Critical patent/CN110473636A/zh
Application granted granted Critical
Publication of CN110473636B publication Critical patent/CN110473636B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/35—Clustering; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H70/00—ICT specially adapted for the handling or processing of medical references
    • G16H70/20—ICT specially adapted for the handling or processing of medical references relating to practices or guidelines

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Public Health (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Databases & Information Systems (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Pathology (AREA)
  • Bioethics (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

本公开提出了提出了基于深度学习的智能医嘱推荐方法及***，基于深度学习的智能医嘱推荐方法，包括如下步骤：步骤(1)：构建患者病情信息库。步骤(2)：设定待开医嘱的患者为当前患者，采集当前患者的病情信息，判断当前患者是否有医嘱信息，如果有，执行步骤(4)；否则执行步骤(3)；步骤(3)：确定患者病情信息库中与当前患者病情信息最相近的患者，将最相近患者的医嘱推荐为当前患者的初始医嘱；步骤(4)：将当前患者的病情信息输入训练好的深度学习模型M，深度学习模型M输出为当前患者的推荐医嘱。采用深度学习技术，分析患者复杂的病情信息数据，智能推荐合适的医嘱。

Description

基于深度学习的智能医嘱推荐方法及***
技术领域
本公开涉及医疗信息化相关技术领域，具体的说，是涉及一种基于深度学习的智能医嘱推荐方法及***。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术信息，并不必然构成在先技术。
医嘱就是医生根据病情和治疗的需要对病人在饮食、用药、化验等方面的指示。根据患者的病情，选择适当的医疗操作并开具医嘱是医生的主要工作，这占用了医生大量的工作时间。对于医生来说，一方面，每天面对的病人数量多、情况复杂，开具医嘱的工作占据了他们大量的时间；另一方面，由于思维惯性或缺乏某些医学知识，医生的医嘱有时会出现问题。
随着信息技术在医疗领域的应用，利用信息技术辅助医生开具医嘱，对于提高医生工作效率、改善医生所开具医嘱的质量，具有非常重要的意义。现阶段的医嘱推荐***主要利用医学知识库(例如，设立临床路径)，即把每种疾病需要用到的医嘱模板储存在知识库中，使用时，根据患者的疾病诊断推荐知识库中的医嘱。发明人发现，现阶段的临床路径***需要医生提前将治疗方案、医嘱等信息录入到***中，使用时由医生判断患者的情况，选择需要执行的治疗方案，进而选择医嘱。现有***有以下几点问题：
1、由于不同患者的病情各不相同，医生无法将所有病情分类都纳入临床路径，这就造成了由于临床路径***中没有涵盖患者的情况导致医生无法通过临床路径***迅速开具医嘱，因此，临床路径***在很多情况下无法帮助医生提高开具医嘱的效率。
2、医生需要判断患者的情况，自行选择治疗方案和医嘱，临床路径***无法智能判断患者的病情并推荐医嘱。
3、在临床路径***中医生只能按照预先设定的治疗方案进行治疗，没有利用医疗大数据的优势分析患者病情给医生提供不同的思路，帮助医生选择更加先进的治疗方案。
因此，现阶段的医嘱推荐***没有起到辅助医生确定医嘱的作用。
发明内容
本公开为了解决上述问题，提出了基于深度学习的智能医嘱推荐方法及***，采用深度学习技术，分析患者复杂的病情信息数据，智能推荐合适的医嘱。
为了实现上述目的，本公开采用如下技术方案：
一个或多个实施例提供了基于深度学习的智能医嘱推荐方法，包括如下步骤：
步骤(1)：构建患者病情信息库。
步骤(2)：设定待开医嘱的患者为当前患者，采集当前患者的病情信息，判断当前患者是否有医嘱信息，如果有，执行步骤(4)；否则执行步骤(3)；
步骤(3)：确定患者病情信息库中与当前患者病情信息最相近的患者，将最相近患者的医嘱推荐为当前患者的初始医嘱；
步骤(4)：将当前患者的病情信息输入训练好的深度学习模型M，深度学习模型M输出为当前患者的推荐医嘱。
进一步地，所述步骤(1)中构建患者病情信息库，具体步骤可以如下：
确定患者病情信息库中要收录病情信息的疾病名称，针对每种疾病采集具有该疾病诊断的至少N个患者的病情信息；
将采集的每个患者的病情信息转化为向量数据；
将每个患者的向量数据组成一个数据集分别存储于数据库，形成患者病情信息库。
进一步地，所述患者的病情信息包括文本数据和数值数据，将采集的每个患者的病情信息转化为向量数据的方法，具体为：
将病情信息中的文本信息的每一项次按类别分别赋值为n维向量，将文本信息转化为数字信息；其中n维向量的n是指文本信息的每一项次可分类的类别数；
将转化的数字信息和病情信息中的数值信息结合，构成向量数据，所述向量数据包括与医嘱信息相关数据和与医嘱信息无关数据；
进一步地，所述步骤3中确定患者病情信息库中与当前患者病情最相近的患者的方法，具体为：
步骤31：将采集的患者p的病情信息中的文本信息每一项转化为向量数据；
步骤32：将转化的向量数据与病情信息中的数值数据结合，生成当前患者的病情信息向量数据集；
步骤33：计算当前患者的病情信息向量数据集与患者病情信息库中的每个患者的病情信息数据集的相似度，相似度值最大的患者为当前患者病情最相近患者。
进一步地，训练深度学习模型M的方法步骤包括：
采集每个疾病诊断名称所对应的n个患者的病情信息并转化为向量数据作为样本集；
建立基于双向LSTM模型的深度学习模型M，以每个患者生成医嘱之前的病情信息向量数据为输入，以生成医嘱之后的病情信息向量数据为输出，将样本集中的患者的病情信息向量数据输入双向LSTM模型进行训练，确定双向LSTM模型的参数。
进一步地，所述将样本集中的患者的病情信息向量数据输入双向LSTM模型进行训练，确定双向LSTM模型的参数的方法具体为：
构建双向LSTM模型，将患者生成当前医嘱之前的病情信息向量数据
Figure BDA0002175837770000041
输入双向LSTM模型，双向LSTM模型输出生成医嘱之后的病情信息向量数据的输出值
Figure BDA0002175837770000042
将样本集数据中当前患者生成当前医嘱之后的数据中的真实医嘱信息
Figure BDA0002175837770000043
和双向LSTM模型输出病情信息向量数据的输出值中的医嘱信息生成值
Figure BDA0002175837770000044
利用线性回归的方法分别转化为单一向量
Figure BDA0002175837770000045
与
Figure BDA0002175837770000046
以真实医嘱信息
Figure BDA0002175837770000047
与医嘱信息
Figure BDA0002175837770000048
的距离平方作为深度学习模型M的损失函数，损失函数最小对应的双向LSTM模型的参数为最终确定的双向LSTM模型的参数，最终确定参数对应的双向LSTM模型为训练好的深度学习模型M。
进一步地，所述步骤4中采用训练好的深度学习模型M得到当前患者的推荐医嘱，还包括对深度学习模型M输出的推荐医嘱进行数据处理的步骤，具体方法为：提取深度学习模型M输出的推荐医嘱中与医嘱相关信息数据，包括数字信息和文本信息，将文本信息进行二值化处理，设定分界数值，将大于分解数值设定为1，其余设定为0，将处理后的文本信息与数字信息作为当前患者的推荐医嘱。
基于深度学习的智能医嘱推荐***，包括：
数据库：用于存储患者病情信息库。
医嘱信息判断模块：被配置为设定待开医嘱的患者为当前患者，采集当前患者的病情信息，判断当前患者是否有医嘱信息，如果有，转到基于深度学习模型M的医嘱推荐模块；否则转到基于数据库信息的医嘱推荐模块；
基于数据库信息的医嘱推荐模块：被配置为确定患者病情信息库中与当前患者病情信息最相近的患者，将最相近患者的医嘱推荐为当前患者的初始医嘱；
基于深度学习模型M的医嘱推荐模块：被配置为将当前患者的病情信息输入训练好的深度学习模型M，深度学习模型M输出为当前患者的推荐医嘱。
一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成上述方法所述的步骤。
一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成上述方法所述的步骤。
与现有技术相比，本公开的有益效果为：
(1)本公开考虑了当前患者有初始医嘱和无初始医嘱，对于无初始医嘱的患者通过查找病情信息库D中病情信息最相近的患者的医嘱作为推荐医嘱，考虑方法执行过程中的多种因素，提高了本公开推荐***的全面性，不需要医生自行录入建立医学路径，保证了本实施例方法的可行性。
(2)本公开采用基于双向LSTM模型的深度学习模型，利用LSTM模型分析时间序列的能力，智能分析患者的病情变化，提高推荐医嘱的准确性
(3)本公开利用大数据技术深入分析病情信息库D，为医生提供不同的思路，帮助医生选择更加先进的治疗方案。
附图说明
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的限定。
图1是根据本公开实施例1的方法的流程图；
图2是本公开实施例1的确定双向LSTM模型的参数的方法流程图；
图3是本公开实施例2的***功能模块图。
具体实施方式：
下面结合附图与实施例对本公开作进一步说明。
应该指出，以下详细说明都是示例性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。需要说明的是，在不冲突的情况下，本公开中的各个实施例及实施例中的特征可以相互组合。下面将结合附图对实施例进行详细描述。
实施例1
在一个或多个实施方式中公开的技术方案中，如图1所示，基于深度学习的智能医嘱推荐方法，包括如下步骤：
步骤(1)：构建患者病情信息库D。
步骤(2)：设定待开医嘱的患者为当前患者p，采集当前患者p的病情信息，判断当前患者是否有医嘱信息，如果有，执行步骤(4)；否则执行步骤(3)；
步骤(3)：确定患者病情信息库D中与当前患者病情信息最相近的患者，将最相近患者的医嘱推荐为当前患者的初始医嘱；
步骤(4)：将当前患者p的病情信息输入训练好的深度学习模型M，深度学习模型M输出为当前患者的推荐医嘱。
所述步骤(1)中构建患者病情信息库D，具体步骤可以如下：
步骤(101)：确定患者病情信息库D中要收录病情信息的疾病名称，针对每种疾病采集具有该疾病诊断的至少N个患者的病情信息；优选的，所选择的患者是经过治疗后病情有明显好转的患者。
建立患者病情信息库D要收录病情信息的疾病名称可以从国际疾病标准编码***ICD中选取，或者选取国际疾病标准编码***ICD中所有疾病诊断名称；所述病情信息可以为患者从诊断为该疾病以后的所有时间t的病情信息。
步骤(102)：将采集的每个患者的病情信息转化为向量数据；
步骤(103)：将每个患者的向量数据组成一个数据集分别存储于数据库，形成患者病情信息库D。
收集某患者p在时间t的病情信息，病情信息为结构化数据主要包括两类，一类是文本信息，包括患者的性别、疾病诊断名称、过敏史、医嘱药品或操作的名称、检查诊断等；另一类是数值信息，包括患者的年龄、检验数值结果、医嘱药品用量等。
步骤(102)的具体实施步骤可以如下:
(i)将病情信息中的文本信息的每一项次按类别分别赋值为n维向量，将文本信息转化为数字信息；其中n维向量的n是指文本信息的每一项次可分类的类别数。
(ii)将转化的数字信息和病情信息中的数值信息结合，构成向量数据。
对于文本信息，可以按照类别对应的0-1向量，将文本信息转化为数字信息(可称为类别向量)，即可以用多个数值表示该文本信息，举例如下:
患者的性别一共两类：男和女，男性类别向量为(1,0)，女性类别向量为(0,1)，那么患者的性别信息就从文本信息“男或女”转化为向量“(1,0)或(0,1)”。
假设ICD***中共有30000种疾病诊断名称，那么患者的疾病诊断名称所对应的类别向量共30000维，患者具有的疾病诊断所对应的维度数值为1，其余维度数值为0。
假设所有医嘱共有10000种药品或操作，那么患者的医嘱药品或操作名称所对应的类别向量有10000维，患者具有的医嘱药品或操作的名称所对应的维度数值为1，其余维度数值为0。
其余的文本信息转化按照各自的分类数量，转化为相应维度的向量数据。
可选的，步骤102的具体为对每个患者p，将患者在时间t的病情信息转化为向量
Figure BDA0002175837770000091
具体转化规则如下：
(1)将病情信息分为与医嘱信息相关和与医嘱信息无关；
(2)对应与医嘱信息相关和与医嘱信息无关的数值信息分别作为向量
Figure BDA0002175837770000092
的一部分。
假设在步骤(102)中获得的病情信息种类共x项，其中与医嘱信息无关的共x1项，与医嘱信息相关的共x2项；每一项的结果可以用一个数值(若该项病情信息是数值信息，直接使用数值信息中的单个数值)或多个数值(若该项病情信息是文本信息，使用类别向量中的多个数值)来表示；假设将全部的x项病情信息所对应的数值堆叠在一起共m项数值，其中与医嘱无关的m1项，与医嘱相关的m2项，即m＝m1+m2。
向量
Figure BDA0002175837770000093
共m维，每一维(或多维)对应病情信息中的一项，前m1项对应与医嘱无关的病情信息项目(共x1项)，后m2项对应与医嘱相关的病情信息项目(共x2项)；每一维的数值是所对应病情信息项目的数值(若所对应病情信息为数字信息)或某类别向量的多个数值中的一个(若所对应病情信息为文字信息)。我们将
Figure BDA0002175837770000094
分为两部分，前m1项记为
Figure BDA0002175837770000095
对应与医嘱无关的病情信息；后m2项记为
Figure BDA0002175837770000096
对应与医嘱相关的病情信息，记为
Figure BDA0002175837770000097
步骤(2)中采集当前患者p的病情信息，判断当前患者是否有医嘱信息，定义对应每个患者的病情信息数据集
Figure BDA0002175837770000098
中，t＝1时，
Figure BDA0002175837770000099
第一个医嘱之前的数据信息；t＝2时，
Figure BDA0002175837770000101
是第二个医嘱之前的数据信息；直到t＝n时,
Figure BDA0002175837770000102
第是第n个医嘱之前的数据信息；若患者p没有初始医嘱信息(即在时刻t＝1时没有医嘱)，此时向量
Figure BDA0002175837770000103
的两部分中，第一部分
Figure BDA0002175837770000104
是一个m1维向量，对应x1项与医嘱信息无关的病情信息，
Figure BDA0002175837770000105
中对应第i项(i＝1,2,...,x1)病情信息的部分记为
Figure BDA0002175837770000106
向量
Figure BDA0002175837770000107
的第二部分
Figure BDA0002175837770000108
是一个m2维的0向量。
步骤3中确定患者病情信息库D中与当前患者病情最相近的患者的方法，可以为：
步骤31：将采集的的病情信息中的文本信息每一项转化为向量数据；
步骤32：将当前患者p转化的向量数据与病情信息中的数值数据结合，生成当前患者p的病情信息数据集；
步骤33：计算当前患者p的病情信息数据集与患者病情信息库D中的每个患者的病情信息数据集的相似度，相似度值最大的患者为当前患者病情最相近患者。
作为一种具体的实现方式，步骤33中的相似度的计算可以具体为计算当前患者病情信息数据集与患者病情信息库D中的每个患者的病情信息数据集初始医嘱之前的数据集的相似度。此时t＝1,相似度通过下述公式计算：
Figure BDA0002175837770000109
其中，p表示当前患者，q表示患者病情信息库D中的患者，
Figure BDA00021758377700001010
为当前患者的病情信息数据集中与医嘱信息无关的数据，
Figure BDA00021758377700001011
中对应第i项(i＝1,2,...,x1)病情信息的部分记为
Figure BDA00021758377700001012
x1为总项数，
Figure BDA00021758377700001013
为患者病情信息库D中的每个患者的病情信息数据集中与医嘱信息无关的数据，
Figure BDA0002175837770000111
中对应第i项(i＝1,2,...,x1)病情信息的部分记为
Figure BDA0002175837770000112
wi为与医嘱信息无关的病情信息中第i项的权重，满足
Figure BDA0002175837770000113
权重的数值可以定义为：
Figure BDA0002175837770000114
步骤3中最相近患者的医嘱推荐为当前患者的初始医嘱，当最相近患者的医嘱是多个时，将最相近患者初始医嘱推荐为当前患者的初始医嘱。即在患者病情信息库D中找到与患者p相似度最高的患者q，将患者q在时刻t＝1时的医嘱作为推荐给患者p的初始医嘱,即将相似度最高的患者q的初始医嘱作为当前患者p的初始医嘱。
若当前患者没有初始医嘱，则当前患者的与医嘱相关的信息向量数据为0，则通过深度学习模型变换后处在相应参数的作用下输出还是为0，即没有初始医嘱无法通过深度学习模型M输出下一医嘱。考虑到此问题，设置步骤3，通过查找病情信息库D病情信息最相近的患者的医嘱作为推荐医嘱，考虑方法执行过程中的多种因素，保证了本实施例方法的可行性。
步骤(4)中深度学习模型M可以选择双向LSTM模型，构建基于双向LSTM模型的深度学习模型M，长短期记忆的英文为Long Short Term Memory,简称为LSTM，双向LSTM为双向长短时记忆循环神经网络，训练深度学习模型M的方法步骤可以为：
41)采集患者病情信息库D中每个疾病诊断名称所对应的n个患者的病情信息向量数据作为样本集，所述病情信息向量数据包括与医嘱有关的信息向量数据和与医嘱无关的信息向量数据；
42)建立基于双向LSTM模型的深度学习模型M，以每个患者生成医嘱之前的病情信息向量数据为输入，以生成医嘱之后的病情信息向量数据为输出，将样本集中的患者的病情信息向量数据输入双向LSTM模型进行训练，确定双向LSTM模型的参数。
所述步骤42)中，建立基于双向LSTM模型的深度学习模型M包括双向LSTM模型和线性回归模型，如图2所示，所述步骤42中的确定双向LSTM模型的参数的方法具体为：
42-1)构建双向LSTM模型，将患者生成当前医嘱之前的病情信息向量数据
Figure BDA0002175837770000121
输入双向LSTM模型，双向LSTM模型输出生成医嘱之后的病情信息向量数据的输出值
Figure BDA0002175837770000122
42-2)将样本集数据中当前患者生成当前医嘱之后的数据中的真实医嘱信息
Figure BDA0002175837770000123
和双向LSTM模型输出病情信息向量数据的输出值中的医嘱信息生成值
Figure BDA0002175837770000124
利用线性回归的方法分别转化为单一向量
Figure BDA0002175837770000125
与
Figure BDA0002175837770000126
线性回归模型可以具体为
Figure BDA0002175837770000127
其中V、W分别是线性回归关系模型中的参数向量和参数矩阵。
42-3)以真实医嘱信息
Figure BDA0002175837770000128
与医嘱信息
Figure BDA0002175837770000129
的距离平方作为深度学习模型M的损失函数，即损失函数为
Figure BDA00021758377700001210
损失函数最小为深度学习模型M的训练目标，损失函数最小对应的双向LSTM模型的参数为最终确定的双向LSTM模型的参数，最终确定参数对应的双向LSTM模型为训练好的深度学习模型M。
所述步骤42-1)中构建双向LSTM模型为训练获得的多个双向LSTM模型的初级模型，构建每个初级模型的具体方法为：
421.1：采集样本集中设定数量患者的病情信息向量数据；
421.2：以的每个患者生成医嘱之前的病情信息向量数据为输入，以生成医嘱之后的病情信息向量数据为输出，将采集的设定数量患者的病情信息向量数据作为输入输出输入双向LSTM模型，获得双向LSTM模型的参数，从而获得双向LSTM模型初级模型；
下面以具体的示例说明整个训练过程：
将样本集分为训练集、验证集和检验集。将训练集中的每个患者p在所有时刻t的病情信息向量
Figure BDA0002175837770000131
通过步骤(42)中的整个过程，将最小化损失函数
Figure BDA0002175837770000132
作为目标进行训练。把训练集中的一个患者p的全部病情信息进行一次训练，称为在训练集上训练了一次。
i、在训练集上每训练1000次，保存一次得到的初始模型；训练多个1000次获得多个初始模型。
ii、保存一次初始模型后，使用该模型在验证集上进行一次验证：将步骤(42-1)中推断出的医嘱信息与真实医嘱信息进行对比，得到验证集中所有患者全部病情信息的损失函数的总和
Figure BDA0002175837770000133
并保存；
iii、验证100次后，选择验证损失函数总和最小的模型所对应的参数，作为模型M的最终参数；
还可以包括对训练的深度学习模型M进行测试的步骤：
iv、在测试集上进行一次测试：将步骤(42-1)中推断出的医嘱信息与真实医嘱信息进行对比，得到测试集中所有患者全部病情信息的损失函数的总和
Figure BDA0002175837770000141
并保存，将该数值作为表示模型M推断准确率的参数。
步骤4中将当前患者p的病情信息输入训练好的深度学习模型M，深度学习模型M输出为当前患者的推荐医嘱。
其中采用训练好的深度学习模型M得到当前患者的推荐医嘱，还包括对深度学习模型M输出的推荐医嘱进行数据处理的步骤，具体方法为：提取将当前患者p的病情信息输入训练好的深度学习模型M获得的当前患者的病情信息中的与医嘱相关信息，包括数字信息和文本信息，将文本信息进行二值化处理，设定分界数值，将大于分解数值设定为1，其余设定为0，将处理后的文本信息与数字信息作为当前患者的推荐医嘱。
对住院患者p，从时刻t＝0直至最新医嘱的时刻
Figure BDA0002175837770000142
将其对应的病情信息向量
Figure BDA0002175837770000143
输入模型M；
对于时刻
Figure BDA0002175837770000144
输入
Figure BDA0002175837770000145
训练好的深度学习模型M获得向量
Figure BDA0002175837770000146
向量
Figure BDA0002175837770000147
对应医嘱相关病情信息，包括数字信息和文本信息；对于数字信息，直接作为模型M在时刻
Figure BDA0002175837770000148
的推荐医嘱信息；对于文本信息，可以设定分界数值为0.5，将它们在向量
Figure BDA0002175837770000149
中对应的数字按照0.5为分界线近似为0或1，即若数字小于0.5，将数字转化为0，若数字大于等于0.5，将数字转化为1；然后将转化后的数值作为模型M在时刻
Figure BDA00021758377700001410
的推荐医嘱信息。
实施例2
本实施例还提供了基于深度学习的智能医嘱推荐***，如图3所示，包括：
数据库：用于存储患者病情信息库。
医嘱信息判断模块：被配置为设定待开医嘱的患者为当前患者，采集当前患者的病情信息，判断当前患者是否有医嘱信息，如果有，转到基于深度学习模型M的医嘱推荐模块；否则转到基于数据库信息的医嘱推荐模块；
基于数据库信息的医嘱推荐模块：被配置为确定患者病情信息库中与当前患者病情信息最相近的患者，将最相近患者的医嘱推荐为当前患者的初始医嘱；
基于深度学习模型M的医嘱推荐模块：被配置为将当前患者的病情信息输入训练好的深度学习模型M，深度学习模型M输出为当前患者的推荐医嘱。
实施例3
本实施例提供了一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成实施例1方法所述的步骤。
实施例4
本实施例提供了一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成实施例1方法所述的步骤。
以上所述仅为本公开的优选实施例而已，并不用于限制本公开，对于本领域的技术人员来说，本公开可以有各种更改和变化。凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。
上述虽然结合附图对本公开的具体实施方式进行了描述，但并非对本公开保护范围的限制，所属领域技术人员应该明白，在本公开的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本公开的保护范围以内。

Claims (8)

1.基于深度学习的智能医嘱推荐方法，其特征是，包括如下步骤：
步骤(1)：构建患者病情信息库；
步骤(2)：设定待开医嘱的患者为当前患者，采集当前患者的病情信息，判断当前患者是否有医嘱信息，如果有，执行步骤(4)；否则执行步骤(3)；
步骤(3)：确定患者病情信息库中与当前患者病情信息最相近的患者，将最相近患者的医嘱推荐为当前患者的初始医嘱；
步骤(4)：将当前患者的病情信息输入训练好的深度学习模型M，深度学习模型M输出为当前患者的推荐医嘱；
所述步骤(3)中确定患者病情信息库中与当前患者病情最相近的患者的方法，具体为：
步骤31：将采集的患者p的病情信息中的文本信息每一项转化为向量数据；
步骤32：将转化的向量数据与病情信息中的数值数据结合，生成当前患者的病情信息向量数据集；
步骤33：计算当前患者的病情信息向量数据集与患者病情信息库中的每个患者的病情信息数据集的相似度，相似度值最大的患者为当前患者病情最相近患者；
所述步骤(4)中采用训练好的深度学习模型M得到当前患者的推荐医嘱，还包括对深度学习模型M输出的推荐医嘱进行数据处理的步骤，具体方法为：提取深度学习模型M输出的推荐医嘱中与医嘱相关信息数据，包括数字信息和文本信息，将文本信息进行二值化处理，设定分界数值，将大于分解数值设定为1，其余设定为0，将处理后的文本信息与数字信息作为当前患者的推荐医嘱。
2.如权利要求1所述的基于深度学习的智能医嘱推荐方法，其特征是：所述步骤(1)中构建患者病情信息库，具体步骤可以如下：
确定患者病情信息库中要收录病情信息的疾病名称，针对每种疾病采集具有该疾病诊断的至少N个患者的病情信息；
将采集的每个患者的病情信息转化为向量数据；
将每个患者的向量数据组成一个数据集分别存储于数据库，形成患者病情信息库。
3.如权利要求2所述的基于深度学习的智能医嘱推荐方法，其特征是：所述患者的病情信息包括文本数据和数值数据，将采集的每个患者的病情信息转化为向量数据的方法，具体为：
将病情信息中的文本信息的每一项次按类别分别赋值为n维向量，将文本信息转化为数字信息；其中n维向量的n是指文本信息的每一项次可分类的类别数；
将转化的数字信息和病情信息中的数值信息结合，构成向量数据，所述向量数据包括与医嘱信息相关数据和与医嘱信息无关数据。
4.如权利要求1所述的基于深度学习的智能医嘱推荐方法，其特征是：训练深度学习模型M的方法步骤包括：
采集每个疾病诊断名称所对应的n个患者的病情信息并转化为向量数据作为样本集；
建立基于双向LSTM模型的深度学习模型M，以每个患者生成医嘱之前的病情信息向量数据为输入，以生成医嘱之后的病情信息向量数据为输出，将样本集中的患者的病情信息向量数据输入双向LSTM模型进行训练，确定双向LSTM模型的参数。
5.如权利要求4所述的基于深度学习的智能医嘱推荐方法，其特征是：所述将样本集中的患者的病情信息向量数据输入双向LSTM模型进行训练，确定双向LSTM模型的参数的方法具体为：
构建双向LSTM模型，将患者生成当前医嘱之前的病情信息向量数据
Figure FDA0002609921180000031
其中，
Figure FDA0002609921180000032
表示
Figure FDA0002609921180000033
的前m1项，对应与医嘱无关的病情信息；
Figure FDA0002609921180000034
表示
Figure FDA0002609921180000035
的后m2项,对应与医嘱相关的病情信息；输入双向LSTM模型，双向LSTM模型输出生成医嘱之后的病情信息向量数据的输出值
Figure FDA0002609921180000036
将样本集数据中当前患者生成当前医嘱之后的数据中的真实医嘱信息
Figure FDA0002609921180000037
和双向LSTM模型输出病情信息向量数据的输出值中的医嘱信息生成值
Figure FDA0002609921180000038
利用线性回归的方法分别转化为单一向量
Figure FDA0002609921180000039
与
Figure FDA00026099211800000310
以真实医嘱信息
Figure FDA00026099211800000311
与医嘱信息
Figure FDA00026099211800000312
的距离平方作为深度学习模型M的损失函数，损失函数最小对应的双向LSTM模型的参数为最终确定的双向LSTM模型的参数，最终确定参数对应的双向LSTM模型为训练好的深度学习模型M。
6.基于深度学习的智能医嘱推荐***，采用了如权利要求1中所述的方法，其特征是，包括：
数据库：用于存储患者病情信息库；
医嘱信息判断模块：被配置为设定待开医嘱的患者为当前患者，采集当前患者的病情信息，判断当前患者是否有医嘱信息，如果有，转到基于深度学习模型M的医嘱推荐模块；否则转到基于数据库信息的医嘱推荐模块；
基于数据库信息的医嘱推荐模块：被配置为确定患者病情信息库中与当前患者病情信息最相近的患者，将最相近患者的医嘱推荐为当前患者的初始医嘱；
基于深度学习模型M的医嘱推荐模块：被配置为将当前患者的病情信息输入训练好的深度学习模型M，深度学习模型M输出为当前患者的推荐医嘱。
7.一种电子设备，其特征是，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成权利要求1-5任一项方法所述的步骤。
8.一种计算机可读存储介质，其特征是，用于存储计算机指令，所述计算机指令被处理器执行时，完成权利要求1-5任一项方法所述的步骤。
CN201910778555.1A 2019-08-22 2019-08-22 基于深度学习的智能医嘱推荐方法及*** Active CN110473636B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910778555.1A CN110473636B (zh) 2019-08-22 2019-08-22 基于深度学习的智能医嘱推荐方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910778555.1A CN110473636B (zh) 2019-08-22 2019-08-22 基于深度学习的智能医嘱推荐方法及***

Publications (2)

Publication Number Publication Date
CN110473636A CN110473636A (zh) 2019-11-19
CN110473636B true CN110473636B (zh) 2020-09-22

Family

ID=68512843

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910778555.1A Active CN110473636B (zh) 2019-08-22 2019-08-22 基于深度学习的智能医嘱推荐方法及***

Country Status (1)

Country Link
CN (1) CN110473636B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111046672B (zh) * 2019-12-11 2020-07-14 山东众阳健康科技集团有限公司 多场景文本摘要生成方法
CN114171173A (zh) * 2021-12-08 2022-03-11 山东众阳健康科技集团有限公司 基于深度学习的血液库存预警方法和***
CN114388093A (zh) * 2021-12-28 2022-04-22 山东众阳健康科技集团有限公司 基于深度学习的门诊病历智能撰写方法及***

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107491638A (zh) * 2017-07-28 2017-12-19 深圳和而泰智能控制股份有限公司 一种基于深度学习模型的icu用户病情预测方法及终端设备
CN108417272A (zh) * 2018-02-08 2018-08-17 合肥工业大学 带时序约束的相似病例推荐方法及装置

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108806785A (zh) * 2018-05-29 2018-11-13 四川长虹电器股份有限公司 一种基于卷积神经网络的诊疗科室推荐方法及***
CN110111888A (zh) * 2019-05-16 2019-08-09 闻康集团股份有限公司 一种XGBoost疾病概率预测方法、***及存储介质

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107491638A (zh) * 2017-07-28 2017-12-19 深圳和而泰智能控制股份有限公司 一种基于深度学习模型的icu用户病情预测方法及终端设备
CN108417272A (zh) * 2018-02-08 2018-08-17 合肥工业大学 带时序约束的相似病例推荐方法及装置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Dipole: Diagnosis Prediction in Healthcare via A‚ention-based Bidirectional Recurrent Neural Networks;MA Fenglong 等;《KDD 2017 Applied Data Science Paper》;20170817;第1903-1911页 *
Transfer Bi-directional LSTM RNN for Named Entity Recognition in Chinese Electronic Medical Records;DONG Xishuang 等;《2017 IEEE 19th International Conference on e-Health Networking, Applications and Services (Healthcom)》;20171231;第1-4页 *
面向临床决策支持的贝叶斯网络医嘱推荐方法研究;刘文洋;《中国优秀硕士学位论文全文数据库 医药卫生科技辑》;20161115;文第3、8-33、47页 *

Also Published As

Publication number Publication date
CN110473636A (zh) 2019-11-19

Similar Documents

Publication Publication Date Title
CN111191020B (zh) 基于机器学习和知识图谱的处方推荐方法和***
US7584166B2 (en) Expert knowledge combination process based medical risk stratifying method and system
CN110291555B (zh) 用于促进对健康状况的计算分析的***和方法
CN110473636B (zh) 基于深度学习的智能医嘱推荐方法及***
JP2017174405A (ja) オープンデータ及び臨床医の入力を用いて患者の治療リスクを評価するシステム及び方法
CN112035674B (zh) 导诊数据获取方法、装置、计算机设备和存储介质
CN112151170A (zh) 用于计算用作医疗决策支持的医疗建议的分数的方法
CN112201359A (zh) 基于人工智能的重症问诊数据识别方法及装置
CN113724858A (zh) 基于人工智能的疾病检查项目推荐设备、方法及装置
CN114416967A (zh) 智能推荐医生的方法、装置、设备及存储介质
CN114078593A (zh) 临床决策支持
CN112447270A (zh) 一种用药推荐方法、装置、设备及存储介质
CN115346634A (zh) 一种体检报告解读预测方法、***、电子设备和存储介质
Pinol et al. Rare disease discovery: An optimized disease ranking system
CN116860935A (zh) 基于提示词问答交互的内容管理方法、装置、设备及介质
WO2023110477A1 (en) A computer implemented method and a system
CN112071431B (zh) 基于深度学习和知识图谱的临床路径自动生成方法及***
CN114420279A (zh) 一种医疗资源推荐方法、装置、设备及存储介质
CN113066531B (zh) 风险预测方法、装置、计算机设备及存储介质
CN115719640A (zh) 中医主次症状识别***、装置、电子设备及其存储介质
CN115579153A (zh) 问诊评价方法、问诊评价装置、电子设备和可读存储介质
US20210271924A1 (en) Analyzer, analysis method, and analysis program
Permanasari et al. A web-based decision support system of patient time prediction using iterative dichotomiser 3 algorithm
CN113948201A (zh) 临床决策辅助方法及***
Schaaf et al. User-Centred development of a diagnosis support system for rare diseases

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
GR01 Patent grant
GR01 Patent grant
CP01 Change in the name or title of a patent holder

Address after: 12 / F, building 1, Aosheng building, 1166 Xinluo street, hi tech Zone, Jinan City, Shandong Province

Patentee after: Zhongyang Health Technology Group Co.,Ltd.

Address before: 12 / F, building 1, Aosheng building, 1166 Xinluo street, hi tech Zone, Jinan City, Shandong Province

Patentee before: SHANDONG MSUNHEALTH TECHNOLOGY GROUP Co.,Ltd.

CP01 Change in the name or title of a patent holder