CN111105852A - 一种电子病历推荐方法、装置、终端及存储介质 - Google Patents
一种电子病历推荐方法、装置、终端及存储介质 Download PDFInfo
- Publication number
- CN111105852A CN111105852A CN201911214460.3A CN201911214460A CN111105852A CN 111105852 A CN111105852 A CN 111105852A CN 201911214460 A CN201911214460 A CN 201911214460A CN 111105852 A CN111105852 A CN 111105852A
- Authority
- CN
- China
- Prior art keywords
- electronic medical
- medical record
- candidate
- disease
- target
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 69
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 167
- 201000010099 disease Diseases 0.000 claims abstract description 161
- 208000024891 symptom Diseases 0.000 claims abstract description 23
- 239000013598 vector Substances 0.000 claims description 68
- 238000012545 processing Methods 0.000 claims description 46
- 238000013507 mapping Methods 0.000 claims description 22
- 230000011218 segmentation Effects 0.000 claims description 17
- 238000013145 classification model Methods 0.000 claims description 15
- 230000004044 response Effects 0.000 claims description 7
- 230000006870 function Effects 0.000 description 24
- 238000012549 training Methods 0.000 description 22
- 230000008569 process Effects 0.000 description 13
- 238000004364 calculation method Methods 0.000 description 8
- 230000004913 activation Effects 0.000 description 6
- 208000035475 disorder Diseases 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000002457 bidirectional effect Effects 0.000 description 4
- 238000011176 pooling Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 206010020772 Hypertension Diseases 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000001174 ascending effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 230000035935 pregnancy Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 230000005236 sound signal Effects 0.000 description 2
- 206010030113 Oedema Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 201000008383 nephritis Diseases 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 201000001474 proteinuria Diseases 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000010079 rubber tapping Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 238000010897 surface acoustic wave method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明公开了一种电子病历推荐方法、装置、终端及存储介质,其中,电子病历推荐方法包括:确定待处理的目标电子病历所对应的第一疾病类型以及至少一个第一病症;将预置历史电子病历库中历史电子病历所对应的第二疾病类型与所述第一疾病类型进行匹配,确定相匹配的候选历史电子病历,得到候选历史电子病历集;根据候选历史电子病历所对应的至少一个第二病症与所述至少一个第一病症之间的相似程度,确定候选历史电子病历所对应的病症相似度;将候选历史电子病历集中病症相似度满足预设条件的至少一个候选历史电子病历确定为待推荐的历史电子病历,展示所述待推荐的历史电子病历。本发明提高了电子病历的推荐效率。
Description
技术领域
本发明涉及医疗技术领域,特别涉及一种电子病历推荐方法、装置、终端及存储介质。
背景技术
随着医疗***的智能化发展,电子病历已被广泛用于医疗数据的保存,其可以包括主诉、病史、检查、诊断等多方面的信息。
目前,医生在进行疾病诊断时,疾病的治疗方案需要借鉴以往的诊断记录,然后在电子病历中进行当前治疗建议的填写,因此,计算机***需要进行历史电子病历的推荐。相关技术中,在进行历史电子病历推荐时,推荐过程不仅复杂、而且耗时,导致电子病历的推荐效率低。
发明内容
为了解决现有技术的问题,本发明实施例提供了一种电子病历推荐方法、装置、终端及存储介质。所述技术方案如下:
一方面,提供了一种电子病历推荐方法,所述方法包括:
确定待处理的目标电子病历所对应的第一疾病类型以及至少一个第一病症;
将预置历史电子病历库中历史电子病历所对应的第二疾病类型与所述第一疾病类型进行匹配,确定相匹配的候选历史电子病历,得到候选历史电子病历集;
根据所述候选历史电子病历集中候选历史电子病历所对应的至少一个第二病症与所述至少一个第一病症之间的相似程度,确定所述候选历史电子病历所对应的病症相似度;
将所述候选历史电子病历集中所述病症相似度满足预设条件的至少一个候选历史电子病历确定为待推荐的历史电子病历,展示所述待推荐的历史电子病历。
另一方面,提供了一种电子病历推荐装置,所述装置包括:
第一确定模块,用于确定待处理的目标电子病历所对应的第一疾病类型以及至少一个第一病症;
第二确定模块,用于将预置历史电子病历库中历史电子病历所对应的第二疾病类型与所述第一疾病类型进行匹配,确定相匹配的候选历史电子病历,得到候选历史电子病历集;
第三确定模块,用于根据所述候选历史电子病历集中候选历史电子病历所对应的至少一个第二病症与所述至少一个第一病症之间的相似程度,确定所述候选历史电子病历所对应的病症相似度;
推荐模块,用于将所述候选历史电子病历集中所述病症相似度满足预设条件的至少一个候选历史电子病历确定为待推荐的历史电子病历,展示所述待推荐的历史电子病历。
作为一个可选的实施方式,所述装置还包括用于构建所述预置历史电子病历库的构建模块,所述构建模块包括:
第一获取模块,用于获取多个历史电子病历;
第四确定模块,用于确定所述多个历史电子病历中每个历史电子病历所对应的第二疾病类型和至少一个第二病症;
第一关系建立模块,用于将所述第二疾病类型和至少一个第二病症作为对应历史电子病历的索引信息,建立所述历史电子病历与所述索引信息之间的映射关系;
创建模块,用于根据所述映射关系,创建所述预置历史电子病历库。
作为一个可选的实施方式,所述第一确定模块包括:
第二获取模块,用于获取待处理的目标电子病历的文本内容;
分类处理模块,用于基于疾病分类模型对所述文本内容进行分类处理,得到所述目标电子病历所对应的第一疾病类型;
命名实体识别模块,用于基于命名实体识别模型对所述文本内容进行命名实体识别,得到至少一个命名实体;
第一展示模块,用于展示所述至少一个命名实体;
第五确定模块,用于根据对所述至少一个命名实体中命名实体的选择指令,确定目标命名实体,所述目标命名实体作为所述至少一个第一病症。
作为一个可选的实施方式,所述第三确定模块包括:
第一映射模块,用于将所述至少一个第一病症分别映射为第一词向量,得到第一词向量集;
第二映射模块,用于针对所述候选历史电子病历集中的每个候选历史电子病历,将所述候选历史电子病历所对应的至少一个第二病症分别映射为第二词向量,得到第二词向量集;
第一计算模块,用于计算所述第一词向量集中第一词向量与所述第二词向量集中第二词向量之间的相似度,得到所述候选历史电子病历所对应的相似度集;
第二计算模块,用于计算所述相似度集中相似度的平均值,得到平均相似度;所述平均相似度作为所述候选历史电子病历所对应的病症相似度。
作为一个可选的实施方式,所述推荐模块包括:
排列模块,用于根据所述病症相似度对所述候选历史电子病历进行顺序排列;
第三获取模块,用于获取预设排列位置的候选历史电子病历,得到所述待推荐的历史电子病历。
作为一个可选的实施方式,所述装置还包括:
第四获取模块,用于获取所述待推荐的历史电子病历中的目标文本信息;
分词处理模块,用于对所述目标文本信息进行分词处理,得到词语集;
第六确定模块,用于确定所述词语集中词语的词频超过预设词频的目标词语,得到目标词语集;
第二关系建立模块,用于建立所述目标词语集与所述目标电子病历的关联关系。
作为一个可选的实施方式,所述装置还包括:
第一响应模块,用于响应于对所述目标电子病历的目标处理,根据所述关联关系获取所述目标词语集;
第二展示模块,用于展示所述目标词语集中的目标词语;
第二响应模块,用于响应于对所述目标词语的选择指令,确定感兴趣词语;
结果生成模块,用于根据所述感兴趣词语生成所述目标处理的处理结果。
另一方面,提供了一种终端,包括处理器和存储器,所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现上述电子病历推荐方法。
另一方面,提供了一种计算机可读存储介质,所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现如上述的电子病历推方法。
本发明实施例通过疾病类型的匹配确定与待处理的目标电子病历相匹配的候选历史电子病历集,然后基于候选历史电子病历的病症与目标电子病历的病症之间的相似度确定每个候选历史电子病历对应的病症相似度,进而从候选历史电子病历集中筛选出病症相似度满足预设条件的待推荐的历史电子病历,并对待推荐的历史电子病历进行展示,上述技术方案利用了疾病类型与病症的关联关系,结合了具体的疾病类型和病症进行检索和相似匹配,实现了定向性的特征比较,缩短了匹配时间,大大提高了电子病历的推荐效率。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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是本发明实施例提供的一种电子病历推荐方法的流程示意图;
图2是本发明实施例提供的构建预置历史电子病历库的一种方法的流程示意图;
图3是本发明实施例提供的另一种电子病历推荐方法的流程示意图;
图4是本发明实施例提供的另一种电子病历推荐方法的流程示意图;
图5是本发明实施例提供的一种电子病历推荐装置的结构示意图;
图6是本发明实施例提供的另一种电子病历推荐装置的结构示意图;
图7是本发明实施例提供的一种终端的硬件结构框图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅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的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。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、***、产品或服务器不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
请参阅图1,其所示为本发明实施例提供的一种电子病历推荐方法的流程示意图,本发明实施例的电子病历推荐方法可以应用于本发明实施例的电子病历推荐装置,该电子病历推荐装置可以配置于终端或者服务器等电子设备中。其中,终端可以是手机、平板电脑、个人电脑及个人数字助理等具有各种操作***的硬件设备;服务器可以包括一个独立运行的服务器,或者分布式服务器,或者由多个服务器组成的服务器集群。
此外,需要说明的是,本说明书提供了如实施例或流程图所述的方法操作步骤,但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式,不代表唯一的执行顺序。在实际中的***或产品执行时,可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境)。
下面将从终端的角度,结合具体实施例对电子病历推荐方法进行详细说明,如图1所示,所述方法可以包括:
S101,确定待处理的目标电子病历所对应的第一疾病类型以及至少一个第一病症。
其中,待处理的目标电子病历为需要医生进行完善的电子病历,其可以但不限于包括待填写治疗建议的电子病历。
病症是指机体出现异常状态的外在表现特征,其与具体的疾病类型相关联。本说明书实施例中,第一病症可以是相关联疾病类型对应的任意病症,优选的,该第一病症可以是相关联疾病类型对应的关键病症或者说重要病症,该关键病症或者说重要病症是指机体出现异常状态时的主要外在表现特征,是与疾病类型之间具有强关联关系的病症。例如,疾病类型为肾炎,对应的病症可以但不限于包括水肿、蛋白尿、高血压、妊娠等等,其中,关键病症或者说重要病症可以是高血压、妊娠。
本说明书实施例中,可以基于预先训练好的疾病分类模型来确定目标电子病历的第一疾病类型,基于预先训练好的命名实体模型来确定目标电子病历的第一病症,因此,在步骤S101之前,所述方法还包括训练疾病分类模型以及训练命名实体模型的步骤。
针对训练疾病分类模型,实际应用中,在训练之前可以先确定分类训练样本集,该分类训练样本集包括多个分类训练样本,每个分类训练样本包括历史电子病历以及该历史电子病历对应的疾病类型,例如将训练样本集记为X={x1,x2……xn},其中,x1表示一个训练样本。其中,分类训练样本中的历史电子病历可以为电子病历库中任意具有明确疾病类型的电子病历。
待训练的疾病分类模型可以包括依次连接的文本处理词向量嵌入层、双向循环神经网络层、池化层和输出层,其中,文本处理词向量嵌入层用于对输入的历史电子病历的文本内容进行词向量编码,得到对应的词向量e(w);双向循环神经网络层用于根据词向量e(w)获取历史电子病历文本内容中的上下文编码信息,分别得到向量Rleft和向量Rright,其中,向量Rleft对应上文编码信息,R向量right对应下文编码信息;池化层用于进行降采样操作,即返回采样窗口中最大值作为降采用输出,具体实施中,可以将词向量e(w)与向量Rleft和向量Rright进行拼接,得到拼接向量,然后将该拼接向量作为池化层的输入。在上述疾病分类模型中,由于每一层输出的都是上一层输入的线性函数,考虑到在实际应用中数据往往不是线性可分的,可以通过增加激活函数的方式引入非线性因素,即在池化层之前增加激活函数层,由于Sigmoid激活函数在输入处于[-1,1]之间时,函数值变化敏感,一旦接近或者超出区间就失去敏感性,处于饱和状态,因此,本说明书实施例中,激活函数层的激活函数可以采用tanh激活函数。
输出层可以对历史电子病历的疾病类别进行识别,输出相应的类别标签,输出层可以采用softmax函数进行类别标签输出,softmax函数中包含的是一个非线性分类器,对历史电子病历进行类别分类训练。
在疾病分类模型训练过程中,其训练目标是模型输出的预测类别标签与输入的训练样本中相应历史电子病历的疾病类型(即标注类别标签)尽可能地接近,基于此,可以根据输出的预测类别标签与输入的疾病类型即标注类别标签来确定疾病分类模型的损失值,基于该损失值调整疾病分类模型的参数,直至满足训练结束条件。其中,训练结束条件可以是疾病分类模型的损失值处于收敛状态,也可以是损失值小于预设值,具体可以根据实际需求而设置。
在训练好疾病分类模型之后,在确定待处理的目标电子病历所对应的第一疾病类型时,可以获取待处理的目标电子病历的文本内容,然后基于训练好的疾病分类模型对该文本内容进行分类处理,得到目标电子病历所对应的第一疾病类型。其中,目标电子病历的文本内容可以是目标电子病历当前所包含的所有记录信息。
命名实体识别(Named Entity Recognition,简称NER),又作为“专名识别”,是指识别文本中具有特定意义的实体,可以但不限于包括人名、地名、病症名、机构名、作品名词、特定意义的网络词汇、其他专有名词等。
针对训练命名实体识别模型,实际应用中,在训练之前可以先确定命名实体识别训练样本集,该命名实体识别训练样本集包括医学领域的大量病症词汇,通过大量病症词汇对待训练的命名实体识别模型进行预训练,得到收敛时的模型参数,包含收敛时模型参数的命名实体识别模型即为本说明书实施例中使用的训练好的命名实体识别模型。
其中,待训练的命名实体识别模型可以但不限于为BERT(Bidirectional EncoderRepresentation from Transformers)网络模型,该BERT模型可以采用12层的双向Transformer编码器作为特征提取器。
在训练好命名实体识别模型之后,在确定待处理的目标电子病历所对应的至少一个第一病症时,可以将目标电子病历的文本内容输入至命名实体识别模型中以对文本内容进行命名实体识别,得到至少一个命名实体,然后展示该至少一个命名实体,根据对该至少一个命名实体中命名实体的选择指令,确定目标命名实体,该目标命名实体即作为目标电子病历对应的至少一个第一病症。实际应用中,用户可以根据经验从展示的至少一个命名实体中选择第一疾病类型的目标电子病历所对应的至少一个第一病症。
S103,将预置历史电子病历库中历史电子病历所对应的第二疾病类型与所述第一疾病类型进行匹配,确定相匹配的候选历史电子病历,得到候选历史电子病历集。
本说明书实施例中,预置历史电子病历库为对历史电子病历进行处理后得到具有索引信息的电子病历库。基于此,本说明书实施例中,在步骤S103之前,所述方法还可以包括构建预置历史电子病历库的步骤,如图2所示,该构建预置历史电子病历库可以包括以下步骤S1031至步骤S1037:
S1031,获取多个历史电子病历。
考虑到后续需要基于对该多个历史电子病的分析得到目标电子病历的相关处理结果,该用于构建预置历史电子病历库的多个历史电子病历可以为包含对应待处理操作的处理结果的电子病历,例如,多个历史电子病历为包含治疗方案的电子病历。
S1033,确定所述多个历史电子病历中每个历史电子病历所对应的第二疾病类型和至少一个第二病症。
其中,第二病症可以是相关联疾病类型对应的任意病症,优选的,该第二病症可以是相关联疾病类型对应的关键病症或者说重要病症。
对于多个历史电子病历中每个历史电子病历的疾病类型和病症的确定方式与待处理的目标电子病历类似,可以获取每个历史电子病历的文本内容;基于训练好的疾病分类模型对文本内容进行分类处理,得到每个历史电子病历的第二疾病类型;基于训练好的命名实体识别模型对文本内容进行命名实体识别,得到每个历史电子病历对应的至少一个命名实体,展示该至少一个命名实体,以及根据对该至少一个命名实体中命名实体的选择指令,确定目标命名实体,该目标命名实体即为相应历史电子病历的第二病症。如图2所示,考虑到关键病症或者说重要病症与疾病类型之间具有较强的关联关系,为了提高电子病历的推荐效率和推荐准确性,优选的可以基于命名实体识别模型确定历史电子病历的至少一个第二关键病症。
S1035,将所述第二疾病类型和至少一个第二病症作为对应历史电子病历的索引信息,建立所述历史电子病历与所述索引信息之间的映射关系。
S1037,根据所述映射关系,创建所述预置历史电子病历库。
通过上述处理,预置历史电子病历库中每个历史电子病历都有与其一一对应的索引信息,该索引信息包括历史电子病历的疾病类型和至少一个第二病症,也即索引信息体现了疾病类型与病症的关联关系,后续进行电子病历推荐时只需根据索引信息进行匹配,有利于提高匹配效率。
基于以上描述,在步骤S103执行时,可以基于索引信息进行疾病类型的匹配,确定与第一疾病类型具有相同类型的第二疾病类型所属的索引信息,得到候选索引信息,通常可以筛选出多个候选索引信息,该多个候选索引信息所对应的历史电子病历即构成候选历史电子病历集,例如候选历史电子病历集表示为{C′1,C′2,……,C′q},其中,q表示候选历史电子病历集中候选历史电子病历的数量。具体的实施中,可以通过词嵌入网络将第一疾病类型和第二疾病类型都转换为类型向量,通过类型向量的方式进行匹配,以提高匹配效率。
S105,根据所述候选历史电子病历集中候选历史电子病历所对应的至少一个第二病症与所述至少一个第一病症之间的相似程度,确定所述候选历史电子病历所对应的病症相似度。
可以理解的,步骤S103中得到了多个候选索引信息,每个候选索引信息中包括相应的第二病症,因此,在步骤S105中进行相似度计算时实质是直接基于多个候选索引信息进行的,那么得到的病症相似度也可以理解为候选索引信息对应的病症相似度。
在一个具体的实施方式中,步骤S105可以包括以下步骤:
(1)将至少一个第一病症分别映射为第一词向量,得到第一词向量集。具体的,可以通过词嵌入网络如word2vec分别将第一病症映射为第一词向量,例如第一词向量集表示为{s1,s2,……,sm},其中,m表示第一词向量集中第一词向量的数量,也即为第一病症的数量。
(2)针对候选历史电子病历集中的每个候选历史电子病历,将候选历史电子病历所对应的至少一个第二病症分别映射为第二词向量,得到第二词向量集。具体的,可以通过词嵌入网络word2vec分别将每个候选索引信息所包括的第二病症映射为第二词向量,例如将候选历史电子病历C′1对应的第二词向量集表示为{C′1|s′1,s′2,……,s′n},其中,n表示候选历史电子病历C′1对应的第二病症的数量。
(3)计算所述第一词向量集中第一词向量与所述第二词向量集中第二词向量之间的相似度,得到所述候选历史电子病历所对应的相似度集。
在一个具体的实施方式中,针对每个候选历史电子病历的第二词向量集,可以遍历该第二词向量集中的第二词向量,在遍历的过程中,计算第二词向量与第一词向量集中每个第一词向量的相似度,然后选取最大的一个相似度作为当前第二词向量对应的相似度,在遍历结束后,可以得到每个候选历史电子病历对应的相似度集。
举例而言,第二词向量集为{C′1|s′1,s′2,……,s′n},第一词向量集为{s1,s2,……,sm},遍历{C′1|s′1,s′2,……,s′n}中的每个第二词向量,例如对于第二词向量s′1,计算s′1与{s1,s2,……,sm}中每个第一词向量的相似度即sim(s′1,si),i=1……m,然后选取最大的相似度作为s′1对应的相似度即i=1……m,以此类推,对于s′2……s′n分别执行上述类似s′1的相似度计算,从而得到候选历史电子病历C′1的相似度集,例如表示为
需要说明的是,本说明书实施例中,两个词向量之间的相似度可以但不限于通过余弦夹角、欧式距离、曼哈顿距离来表征,在实际应用中,还可以包括其他能够表征两个词向量相似程度的量化值。以余弦夹角来表征两个词向量之间的相似度为例,其计算公式如下:
可以理解的,上述只是计算候选历史电子病历的病症相似度的一个示例,实际应用中还可以根据需要采用其他方法进行计算。
S107,将所述候选历史电子病历集中所述病症相似度满足预设条件的至少一个候选历史电子病历确定为待推荐的历史电子病历,展示所述待推荐的历史电子病历。
可以理解的,在步骤S107的实际实施过程中,首先得到的是病症相似度满足预设条件的至少一个候选索引信息,然后基于索引信息与历史电子病历的映射关系,得到病症相似度满足预设条件的至少一个候选历史电子病历。
其中,预设条件可以根据实际需要来设定,可以将预设条件设定为病症相似度大于预设病症相似度;也可以将预设条件设定为按照病症相似度顺序排列的候选历史电子病历中预设排列位置对应的候选历史电子病历,该顺序排列可以包括降序排列,也可以包括升序排序。
基于以上描述,将所述候选历史电子病历集中所述病症相似度满足预设条件的至少一个候选历史电子病历确定为待推荐的历史电子病历可以包括:根据所述病症相似度对所述候选历史电子病历进行顺序排列;获取预设排列位置对应的候选历史电子病历,得到所述待推荐的历史电子病历。
在一个具体的实施方式中,可以按照病症相似度由大至小对候选历史电子病历进行降序排列,然后获取排列在前的预设数量的候选历史电子病历,该排列在前的预设数量的候选历史电子病历即为待推荐的历史电子病历。
在另一个具体的实施方式中,可以按照病症相似度由小至大对候选历史电子病历进行升序排列,然后获取排列在后的预设数量的候选历史电子病历,该排列在后的预设数量的候选历史电子病历即为待推荐的历史电子病历。
需要说明的是,预设数量可以根据实际需要进行设定,例如可以设定为3或5等数值。
在展示待推荐的历史电子病历时,可以按照病症相似度由大至小排列展示,具体的,可以仅展示待推荐的历史电子病历的索引信息,当用户点击某个索引信息时,可以基于预置历史电子病历库中的映射关系展示对应的历史电子病历。
本发明实施例的上述技术方案利用了疾病类型与病症的关联关系,结合了具体的疾病类型和病症进行检索和相似匹配,实现了定向性的特征比较,缩短了匹配时间,大大提高了电子病历的推荐效率。
为了提高实际应用中用户对目标电子病历的处理效率,本发明实施例还提供了另一电子病历推荐方法,如图3所示,所述方法还可以包括:
S109,获取所述待推荐的历史电子病历中的目标文本信息。
其中,目标文本信息与待处理操作的操作类型相关联,该操作类型可以但不限于包括填写治疗建议以及患者反应等。当待处理操作为填写治疗建议时,目标文本信息可以包括待推荐的历史电子病历中治疗方案相关内容。
S111,对所述目标文本信息进行分词处理,得到词语集。
具体的,可以采用分词算法对目标文本信息进行分词处理,得到词语集。其中,分词算法可以包括基于词典的分词算法和基于统计的分词算法。
采用基于词典的分词算法对目标文本信息进行分词处理时,可以将目标文本信息与词典中存储的词条进行匹配,若与某个词条匹配成功,则可以确定该词条对应的词语为词语集中的一个词语,如此可以确定出目标文本信息对应的词语集中的各个词语。
采用基于统计的分词算法进行分词处理时,可以统计输入的目标文本信息中相邻的字同时出现的次数,可以理解的,相邻的字同时出现的次数越多,则相邻的字能够构成词语的概率就越高,因此,可以通过统计的字与字相邻出现的概率,确定出目标文本信息对应的词语集中的各个词语。
需要说明的是,实际应用中还可以采用其他分词处理算法来对目标文本信息进行分词处理得到对应的词语集,本发明对此不作具体限定。
S113,确定所述词语集中词语的词频超过预设词频的目标词语,得到目标词语集。
其中,词频是指某个词语在词语集中出现的频繁程度,可以通过某个词语在词语集中出现的总次数与该词语集中包含的词语总数量的比值来确定。预设词频可以根据实际需要进行设定,其取值范围为0~1之间,优选的,为了使得目标词语集中的目标词语为词语集中高频词汇,预设词频的取值范围可以设定为0.5~1.0,例如可以设定为0.8等。
S115,建立所述目标词语集与所述目标电子病历的关联关系。
可以理解的,步骤S109至步骤S115可以在展示待推荐的历史电子病历之前执行,也可以在展示待推荐的历史电子病历之后执行。
通过建立目标词语集与目标电子病历的关联关系可以将已有治疗方案中出现的高频词汇与待处理的目标电子病历相关联,而这些高频词汇在目标电子病历的处理过程中也是最有可能被采用到的。当涉及到需要这些高频词汇的处理时,就可以基于关联关系来展示目标词语集,而用户可以根据需要选择感兴趣的目标词语,从而提高用户对目标电子病历的处理效率,以及有利于电子病历处理的规范化。
基于以上描述,在另一个具体的实施方式中,如图4所示,在步骤S107之后,所述方法还可以包括:
S117,响应于对所述目标电子病历的目标处理,根据所述关联关系获取所述目标词语集。
其中,目标处理可以但不限于包括填写治疗建议。
S119,展示所述目标词语集中的目标词语。
S121,响应于对所述目标词语的选择指令,确定感兴趣词语。
当用户对展示的某一个或者多个目标词语感兴趣时,可以点击该目标词语,则终端接收到对相应目标词语的选择指令,确定该被点击的目标词语为感兴趣词语。
S123,根据所述感兴趣词语生成所述目标处理的处理结果。
在一个具体示例中,目标处理为填写治疗建议,则相应的处理结果为包含感兴趣词语的建议文本。
本发明实施例通过对待推荐的历史电子病历中目标文本信息的处理建立了目标文本信息中高频词汇与待处理的目标电子病历的关联关系,并基于该关联关系实现了目标处理结果的自动生成,当用户需要在目标电子病历中填写治疗建议时,可以实现自动补全相似历史电子病历中的简易短语,节省了用户手动输入的时间,同时避免了文字表述存在的主观性,规范了电子病历的填写。
与上述几种实施例提供的电子病历推荐方法相对应,本发明实施例还提供一种电子病历推荐装置,由于本发明实施例提供的电子病历推荐装置与上述几种实施例提供的电子病历推荐方法相对应,因此前述电子病历推荐方法的实施方式也适用于本实施例提供的电子病历推荐装置,在本实施例中不再详细描述。
请参阅图5,其所示为本发明实施例提供的一种电子病历推荐装置的结构示意图,该装置具有实现上述方法实施例中电子病历推荐方法的功能,所述功能可以由硬件实现,也可以由硬件执行相应的软件实现。如图5所示,该装置可以包括:
第一确定模块510,用于确定待处理的目标电子病历所对应的第一疾病类型以及至少一个第一病症;
第二确定模块520,用于将预置历史电子病历库中历史电子病历所对应的第二疾病类型与所述第一疾病类型进行匹配,确定相匹配的候选历史电子病历,得到候选历史电子病历集;
第三确定模块530,用于根据所述候选历史电子病历集中候选历史电子病历所对应的至少一个第二病症与所述至少一个第一病症之间的相似程度,确定所述候选历史电子病历所对应的病症相似度;
推荐模块540,用于将所述候选历史电子病历集中所述病症相似度满足预设条件的至少一个候选历史电子病历确定为待推荐的历史电子病历,展示所述待推荐的历史电子病历。
作为一个可选的实施方式,装置还包括用于构建所述预置历史电子病历库的构建模块,所述构建模块可以包括:
第一获取模块,用于获取多个历史电子病历;
第四确定模块,用于确定所述多个历史电子病历中每个历史电子病历所对应的第二疾病类型和至少一个第二病症;
第一关系建立模块,用于将所述第二疾病类型和至少一个第二病症作为对应历史电子病历的索引信息,建立所述历史电子病历与所述索引信息之间的映射关系;
创建模块,用于根据所述映射关系,创建所述预置历史电子病历库。
作为一个可选的实施方式,第一确定模块510可以包括:
第二获取模块,用于获取待处理的目标电子病历的文本内容;
分类处理模块,用于基于疾病分类模型对所述文本内容进行分类处理,得到所述目标电子病历所对应的第一疾病类型;
命名实体识别模块,用于基于命名实体识别模型对所述文本内容进行命名实体识别,得到至少一个命名实体;
第一展示模块,用于展示所述至少一个命名实体;
第五确定模块,用于根据对所述至少一个命名实体中命名实体的选择指令,确定目标命名实体,所述目标命名实体作为所述至少一个第一病症。
作为一个可选的实施方式,第三确定模块530可以包括:
第一映射模块,用于将所述至少一个第一病症分别映射为第一词向量,得到第一词向量集;
第二映射模块,用于针对所述候选历史电子病历集中的每个候选历史电子病历,将所述候选历史电子病历所对应的至少一个第二病症分别映射为第二词向量,得到第二词向量集;
第一计算模块,用于计算所述第一词向量集中第一词向量与所述第二词向量集中第二词向量之间的相似度,得到所述候选历史电子病历所对应的相似度集;
第二计算模块,用于计算所述相似度集中相似度的平均值,得到平均相似度;所述平均相似度作为所述候选历史电子病历所对应的病症相似度。
作为一个可选的实施方式,推荐模块540可以包括:
排列模块,用于根据所述病症相似度对所述候选历史电子病历进行顺序排列;
第三获取模块,用于获取预设排列位置的候选历史电子病历,得到所述待推荐的历史电子病历。
作为一个可选的实施方式,如图6提供的另一中电子病历推荐装置,所述装置还可以包括:
第四获取模块550,用于获取所述待推荐的历史电子病历中的目标文本信息;
分词处理模块560,用于对所述目标文本信息进行分词处理,得到词语集;
第六确定模块570,用于确定所述词语集中词语的词频超过预设词频的目标词语,得到目标词语集;
第二关系建立模块580,用于建立所述目标词语集与所述目标电子病历的关联关系。
作为一个可选的实施方式,继续参阅图6,所述装置还可以包括:
第一响应模块610,用于响应于对所述目标电子病历的目标处理,根据所述关联关系获取所述目标词语集;
第二展示模块620,用于展示所述目标词语集中的目标词语;
第二响应模块630,用于响应于对所述目标词语的选择指令,确定感兴趣词语;
结果生成模块640,用于根据所述感兴趣词语生成所述目标处理的处理结果。
需要说明的是,上述实施例提供的装置,在实现其功能时,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将设备的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。另外,上述实施例提供的装置与方法实施例属于同一构思,其具体实现过程详见方法实施例,这里不再赘述。
本发明实施例的电子病历推荐装置利用了疾病类型与病症的关联关系,结合了具体的疾病类型和病症进行检索和相似匹配,实现了定向性的特征比较,缩短了匹配时间,大大提高了电子病历的推荐效率。
此外,本发明实施例通过对待推荐的历史电子病历中目标文本信息的处理建立了目标文本信息中高频词汇与待处理的目标电子病历的关联关系,并基于该关联关系实现了目标处理结果的自动生成,当用户需要在目标电子病历中填写治疗建议时,可以实现自动补全相似历史电子病历中的简易短语,节省了用户手动输入的时间,同时避免了文字表述存在的主观性,规范了电子病历的填写。
本发明实施例提供了一种终端,该终端包括处理器和存储器,该存储器中存储有至少一条指令、至少一段程序、代码集或指令集,该至少一条指令、该至少一段程序、该代码集或指令集由该处理器加载并执行以实现如上述方法实施例所提供的电子病历推荐方法。
存储器可用于存储软件程序以及模块,处理器通过运行存储在存储器的软件程序以及模块,从而执行各种功能应用以及电子病历推荐。存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作***、功能所需的应用程序等;存储数据区可存储根据所述设备的使用所创建的数据等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地,存储器还可以包括存储器控制器,以提供处理器对存储器的访问。
本发明实施例所提供的方法实施例可以在计算机终端、服务器或者类似的运算装置中执行。以运行在终端上为例,图7是本发明实施例提供的运行一种电子病历推荐方法的终端的硬件结构框图,具体来讲:
所述终端可以包括RF(Radio Frequency,射频)电路710、包括有一个或一个以上计算机可读存储介质的存储器720、输入单元730、显示单元740、传感器750、音频电路760、WiFi(wireless fidelity,无线保真)模块770、包括有一个或者一个以上处理核心的处理器780、以及电源790等部件。本领域技术人员可以理解,图7中示出的终端结构并不构成对终端的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。其中:
RF电路710可用于收发信息或通话过程中,信号的接收和发送,特别地,将基站的下行信息接收后,交由一个或者一个以上处理器780处理;另外,将涉及上行的数据发送给基站。通常,RF电路710包括但不限于天线、至少一个放大器、调谐器、一个或多个振荡器、用户身份模块(SIM)卡、收发信机、耦合器、LNA(Low Noise Amplifier,低噪声放大器)、双工器等。此外,RF电路710还可以通过无线通信与网络和其他终端通信。所述无线通信可以使用任一通信标准或协议,包括但不限于GSM(Global System of Mobile communication,全球移动通讯***)、GPRS(General Packet Radio Service,通用分组无线服务)、CDMA(CodeDivision Multiple Access,码分多址)、WCDMA(Wideband Code Division MultipleAccess,宽带码分多址)、LTE(Long Term Evolution,长期演进)、电子邮件、SMS(ShortMessaging Service,短消息服务)等。
存储器720可用于存储软件程序以及模块,处理器780通过运行存储在存储器720的软件程序以及模块,从而执行各种功能应用以及数据处理。存储器720可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作***、功能所需的应用程序等;存储数据区可存储根据所述终端的使用所创建的数据等。此外,存储器720可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地,存储器720还可以包括存储器控制器,以提供处理器780和输入单元730对存储器720的访问。
输入单元730可用于接收输入的数字或字符信息,以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。具体地,输入单元730可包括触敏表面731以及其他输入设备732。触敏表面731,也称为触摸显示屏或者触控板,可收集用户在其上或附近的触摸操作(比如用户使用手指、触笔等任何适合的物体或附件在触敏表面731上或在触敏表面731附近的操作),并根据预先设定的程式驱动相应的连接装置。可选的,触敏表面731可包括触摸检测装置和触摸控制器两个部分。其中,触摸检测装置检测用户的触摸方位,并检测触摸操作带来的信号,将信号传送给触摸控制器;触摸控制器从触摸检测装置上接收触摸信息,并将它转换成触点坐标,再送给处理器780,并能接收处理器780发来的命令并加以执行。此外,可以采用电阻式、电容式、红外线以及表面声波等多种类型实现触敏表面731。除了触敏表面731,输入单元730还可以包括其他输入设备732。具体地,其他输入设备732可以包括但不限于物理键盘、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆等中的一种或多种。
显示单元740可用于显示由用户输入的信息或提供给用户的信息以及所述终端的各种图形用户接口,这些图形用户接口可以由图形、文本、图标、视频和其任意组合来构成。显示单元740可包括显示面板741,可选的,可以采用LCD(Liquid Crystal Display,液晶显示器)、OLED(Organic Light-Emitting Diode,有机发光二极管)等形式来配置显示面板741。进一步的,触敏表面731可覆盖显示面板741,当触敏表面731检测到在其上或附近的触摸操作后,传送给处理器780以确定触摸事件的类型,随后处理器780根据触摸事件的类型在显示面板741上提供相应的视觉输出。其中,触敏表面731与显示面板741可以两个独立的部件来实现输入和输入功能,但是在某些实施例中,也可以将触敏表面731与显示面板741集成而实现输入和输出功能。
所述终端还可包括至少一种传感器750,比如光传感器、运动传感器以及其他传感器。具体地,光传感器可包括环境光传感器及接近传感器,其中,环境光传感器可根据环境光线的明暗来调节显示面板741的亮度,接近传感器可在所述终端移动到耳边时,关闭显示面板741和/或背光。作为运动传感器的一种,重力加速度传感器可检测各个方向上(一般为三轴)加速度的大小,静止时可检测出重力的大小及方向,可用于识别终端姿态的应用(比如横竖屏切换、相关游戏、磁力计姿态校准)、振动识别相关功能(比如计步器、敲击)等;至于所述终端还可配置的陀螺仪、气压计、湿度计、温度计、红外线传感器等其他传感器,在此不再赘述。
音频电路760、扬声器761,传声器762可提供用户与所述终端之间的音频接口。音频电路760可将接收到的音频数据转换后的电信号,传输到扬声器761,由扬声器761转换为声音信号输出;另一方面,传声器762将收集的声音信号转换为电信号,由音频电路760接收后转换为音频数据,再将音频数据输出处理器780处理后,经RF电路710以发送给比如另一终端,或者将音频数据输出至存储器720以便进一步处理。音频电路760还可能包括耳塞插孔,以提供外设耳机与所述终端的通信。
WiFi属于短距离无线传输技术,所述终端通过WiFi模块770可以帮助用户收发电子邮件、浏览网页和访问流式媒体等,它为用户提供了无线的宽带互联网访问。虽然图7示出了WiFi模块770,但是可以理解的是,其并不属于所述终端的必须构成,完全可以根据需要在不改变发明的本质的范围内而省略。
处理器780是所述终端的控制中心,利用各种接口和线路连接整个终端的各个部分,通过运行或执行存储在存储器720内的软件程序和/或模块,以及调用存储在存储器720内的数据,执行所述终端的各种功能和处理数据,从而对终端进行整体监控。可选的,处理器780可包括一个或多个处理核心;优选的,处理器780可集成应用处理器和调制解调处理器,其中,应用处理器主要处理操作***、用户界面和应用程序等,调制解调处理器主要处理无线通信。可以理解的是,上述调制解调处理器也可以不集成到处理器780中。
所述终端还包括给各个部件供电的电源790(比如电池),优选的,电源可以通过电源管理***与处理器780逻辑相连,从而通过电源管理***实现管理充电、放电、以及功耗管理等功能。电源790还可以包括一个或一个以上的直流或交流电源、再充电***、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。
尽管未示出,所述终端还可以包括摄像头、蓝牙模块等,在此不再赘述。具体在本实施例中,终端还包括有存储器,以及一个或者一个以上的程序,其中一个或者一个以上程序存储于存储器中,且经配置以由一个或者一个以上处理器执行。上述一个或者一个以上程序包含用于执行上述方法实施例提供的电子病历推荐的指令。
本发明的实施例还提供了一种计算机可读存储介质,所述存储介质可设置于终端之中以保存用于实现一种电子病历推荐方法相关的至少一条指令、至少一段程序、代码集或指令集,该至少一条指令、该至少一段程序、该代码集或指令集由该处理器加载并执行以实现上述方法实施例提供的电子病历推荐方法。
可选地,在本实施例中,上述存储介质可以包括但不限于:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种电子病历推荐方法,其特征在于,所述方法包括:
确定待处理的目标电子病历所对应的第一疾病类型以及至少一个第一病症;
将预置历史电子病历库中历史电子病历所对应的第二疾病类型与所述第一疾病类型进行匹配,确定相匹配的候选历史电子病历,得到候选历史电子病历集;
根据所述候选历史电子病历集中候选历史电子病历所对应的至少一个第二病症与所述至少一个第一病症之间的相似程度,确定所述候选历史电子病历所对应的病症相似度;
将所述候选历史电子病历集中所述病症相似度满足预设条件的至少一个候选历史电子病历确定为待推荐的历史电子病历,展示所述待推荐的历史电子病历。
2.根据权利要求1所述的电子病历推荐方法,其特征在于,所述方法还包括构建所述预置历史电子病历库;所述构建所述预置历史电子病历库包括:
获取多个历史电子病历;
确定所述多个历史电子病历中每个历史电子病历所对应的第二疾病类型和至少一个第二病症;
将所述第二疾病类型和至少一个第二病症作为对应历史电子病历的索引信息,建立所述历史电子病历与所述索引信息之间的映射关系;
根据所述映射关系,创建所述预置历史电子病历库。
3.根据权利要求1所述的电子病历推荐方法,其特征在于,所述确定待处理的目标电子病历所对应的第一疾病类型以及至少一个第一病症包括:
获取待处理的目标电子病历的文本内容;
基于疾病分类模型对所述文本内容进行分类处理,得到所述目标电子病历所对应的第一疾病类型;
基于命名实体识别模型对所述文本内容进行命名实体识别,得到至少一个命名实体;
展示所述至少一个命名实体;
根据对所述至少一个命名实体中命名实体的选择指令,确定目标命名实体,所述目标命名实体作为所述至少一个第一病症。
4.根据权利要求1所述的电子病历推荐方法,其特征在于,所述根据所述候选历史电子病历集中候选历史电子病历所对应的至少一个第二病症与所述至少一个第一病症之间的相似程度,确定所述候选历史电子病历所对应的病症相似度包括:
将所述至少一个第一病症分别映射为第一词向量,得到第一词向量集;
针对所述候选历史电子病历集中的每个候选历史电子病历,将所述候选历史电子病历所对应的至少一个第二病症分别映射为第二词向量,得到第二词向量集;
计算所述第一词向量集中第一词向量与所述第二词向量集中第二词向量之间的相似度,得到所述候选历史电子病历所对应的相似度集;
计算所述相似度集中相似度的平均值,得到平均相似度;所述平均相似度作为所述候选历史电子病历所对应的病症相似度。
5.根据权利要求1所述的电子病历推荐方法,其特征在于,所述将所述候选历史电子病历集中所述病症相似度满足预设条件的至少一个候选历史电子病历确定为待推荐的历史电子病历包括:
根据所述病症相似度对所述候选历史电子病历进行顺序排列;
获取预设排列位置对应的候选历史电子病历,得到所述待推荐的历史电子病历。
6.根据权利要求1所述的电子病历推荐方法,其特征在于,所述方法还包括:
获取所述待推荐的历史电子病历中的目标文本信息;
对所述目标文本信息进行分词处理,得到词语集;
确定所述词语集中词语的词频超过预设词频的目标词语,得到目标词语集;
建立所述目标词语集与所述目标电子病历的关联关系。
7.根据权利要求6所述的电子病历推荐方法,其特征在于,在所述展示所述待推荐的历史电子病历之后,所述方法还包括:
响应于对所述目标电子病历的目标处理,根据所述关联关系获取所述目标词语集;
展示所述目标词语集中的目标词语;
响应于对所述目标词语的选择指令,确定感兴趣词语;
根据所述感兴趣词语生成所述目标处理的处理结果。
8.一种电子病历推荐装置,其特征在于,所述装置包括:
第一确定模块,用于确定待处理的目标电子病历所对应的第一疾病类型以及至少一个第一病症;
第二确定模块,用于将预置历史电子病历库中历史电子病历所对应的第二疾病类型与所述第一疾病类型进行匹配,确定相匹配的候选历史电子病历,得到候选历史电子病历集;
第三确定模块,用于根据所述候选历史电子病历集中候选历史电子病历所对应的至少一个第二病症与所述至少一个第一病症之间的相似程度,确定所述候选历史电子病历所对应的病症相似度;
推荐模块,用于将所述候选历史电子病历集中所述病症相似度满足预设条件的至少一个候选历史电子病历确定为待推荐的历史电子病历,展示所述待推荐的历史电子病历。
9.一种终端,包括处理器和存储器,所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如权利要求1~7任一项所述的电子病历推荐方法。
10.一种计算机可读存储介质,所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现如权利要求1~7任一项所述的电子病历推荐方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911214460.3A CN111105852B (zh) | 2019-12-02 | 2019-12-02 | 一种电子病历推荐方法、装置、终端及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911214460.3A CN111105852B (zh) | 2019-12-02 | 2019-12-02 | 一种电子病历推荐方法、装置、终端及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111105852A true CN111105852A (zh) | 2020-05-05 |
CN111105852B CN111105852B (zh) | 2024-04-09 |
Family
ID=70420789
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911214460.3A Active CN111105852B (zh) | 2019-12-02 | 2019-12-02 | 一种电子病历推荐方法、装置、终端及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111105852B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111613339A (zh) * | 2020-05-15 | 2020-09-01 | 山东大学 | 一种基于深度学习的相似病历查找方法与*** |
CN111681724A (zh) * | 2020-05-07 | 2020-09-18 | 浙江大学医学院附属第四医院(浙江省义乌医院、浙江大学医学院附属第四医院医共体) | 一种电子病历关键实体标准化识别方法及识别*** |
CN111755090A (zh) * | 2020-06-24 | 2020-10-09 | 南京江北新区生物医药公共服务平台有限公司 | 病历查找方法、病历查找装置、存储介质与电子设备 |
CN111985246A (zh) * | 2020-08-27 | 2020-11-24 | 武汉东湖大数据交易中心股份有限公司 | 一种基于主要症状与伴随症状词的疾病认知*** |
CN112133391A (zh) * | 2020-09-17 | 2020-12-25 | 吾征智能技术(北京)有限公司 | 一种基于人体异常眉毛的疾病认知*** |
CN113450884A (zh) * | 2021-01-06 | 2021-09-28 | 心医国际数字医疗***(大连)有限公司 | 一种病历的生成方法、装置及电子设备 |
CN113628707A (zh) * | 2021-08-06 | 2021-11-09 | 首都医科大学附属北京儿童医院 | 一种患者病历数据的处理方法、装置、设备和存储介质 |
CN114743622A (zh) * | 2022-03-23 | 2022-07-12 | 医渡云(北京)技术有限公司 | 一种未知传染病的监测方法、装置、存储介质及电子设备 |
TWI818203B (zh) * | 2020-10-23 | 2023-10-11 | 國立臺灣大學醫學院附設醫院 | 基於病患病情的分類模型建立方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007011711A (ja) * | 2005-06-30 | 2007-01-18 | Hitachi Ltd | 診療支援システムとこれに用いる診療支援プログラム |
US20110125529A1 (en) * | 2009-11-24 | 2011-05-26 | Walgreen Co. | System and Method for Disease State Marketing |
US20120016206A1 (en) * | 2010-07-16 | 2012-01-19 | Navya Network Inc. | Treatment decision engine with applicability measure |
CN105653840A (zh) * | 2015-12-21 | 2016-06-08 | 青岛中科慧康科技有限公司 | 基于词句分布表示的相似病例推荐***及相应的方法 |
CN107656952A (zh) * | 2016-12-30 | 2018-02-02 | 青岛中科慧康科技有限公司 | 平行智能病例推荐模型的建模方法 |
US20180075194A1 (en) * | 2016-09-12 | 2018-03-15 | International Business Machines Corporation | Medical Condition Independent Engine for Medical Treatment Recommendation System |
WO2018126132A1 (en) * | 2016-12-30 | 2018-07-05 | Perthera, Inc. | Systems and methods for an expert system for precision oncology |
CN109906449A (zh) * | 2016-10-27 | 2019-06-18 | 华为技术有限公司 | 一种查找方法及装置 |
CN110249392A (zh) * | 2018-08-20 | 2019-09-17 | 深圳市全息医疗科技有限公司 | 智能辅助诊疗***及方法 |
CN110265099A (zh) * | 2019-05-08 | 2019-09-20 | 北京百度网讯科技有限公司 | 用于输出病历的方法和装置 |
-
2019
- 2019-12-02 CN CN201911214460.3A patent/CN111105852B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007011711A (ja) * | 2005-06-30 | 2007-01-18 | Hitachi Ltd | 診療支援システムとこれに用いる診療支援プログラム |
US20110125529A1 (en) * | 2009-11-24 | 2011-05-26 | Walgreen Co. | System and Method for Disease State Marketing |
US20120016206A1 (en) * | 2010-07-16 | 2012-01-19 | Navya Network Inc. | Treatment decision engine with applicability measure |
CN105653840A (zh) * | 2015-12-21 | 2016-06-08 | 青岛中科慧康科技有限公司 | 基于词句分布表示的相似病例推荐***及相应的方法 |
US20180075194A1 (en) * | 2016-09-12 | 2018-03-15 | International Business Machines Corporation | Medical Condition Independent Engine for Medical Treatment Recommendation System |
CN109906449A (zh) * | 2016-10-27 | 2019-06-18 | 华为技术有限公司 | 一种查找方法及装置 |
US20190251084A1 (en) * | 2016-10-27 | 2019-08-15 | Huawei Technologies Co., Ltd. | Search method and apparatus |
CN107656952A (zh) * | 2016-12-30 | 2018-02-02 | 青岛中科慧康科技有限公司 | 平行智能病例推荐模型的建模方法 |
WO2018126132A1 (en) * | 2016-12-30 | 2018-07-05 | Perthera, Inc. | Systems and methods for an expert system for precision oncology |
CN110249392A (zh) * | 2018-08-20 | 2019-09-17 | 深圳市全息医疗科技有限公司 | 智能辅助诊疗***及方法 |
CN110265099A (zh) * | 2019-05-08 | 2019-09-20 | 北京百度网讯科技有限公司 | 用于输出病历的方法和装置 |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111681724A (zh) * | 2020-05-07 | 2020-09-18 | 浙江大学医学院附属第四医院(浙江省义乌医院、浙江大学医学院附属第四医院医共体) | 一种电子病历关键实体标准化识别方法及识别*** |
CN111613339B (zh) * | 2020-05-15 | 2021-07-09 | 山东大学 | 一种基于深度学习的相似病历查找方法与*** |
CN111613339A (zh) * | 2020-05-15 | 2020-09-01 | 山东大学 | 一种基于深度学习的相似病历查找方法与*** |
CN111755090A (zh) * | 2020-06-24 | 2020-10-09 | 南京江北新区生物医药公共服务平台有限公司 | 病历查找方法、病历查找装置、存储介质与电子设备 |
CN111985246B (zh) * | 2020-08-27 | 2023-08-15 | 武汉东湖大数据交易中心股份有限公司 | 一种基于主要症状与伴随症状词的疾病认知*** |
CN111985246A (zh) * | 2020-08-27 | 2020-11-24 | 武汉东湖大数据交易中心股份有限公司 | 一种基于主要症状与伴随症状词的疾病认知*** |
CN112133391A (zh) * | 2020-09-17 | 2020-12-25 | 吾征智能技术(北京)有限公司 | 一种基于人体异常眉毛的疾病认知*** |
CN112133391B (zh) * | 2020-09-17 | 2024-01-26 | 吾征智能技术(北京)有限公司 | 一种基于人体异常眉毛的疾病认知*** |
TWI818203B (zh) * | 2020-10-23 | 2023-10-11 | 國立臺灣大學醫學院附設醫院 | 基於病患病情的分類模型建立方法 |
CN113450884A (zh) * | 2021-01-06 | 2021-09-28 | 心医国际数字医疗***(大连)有限公司 | 一种病历的生成方法、装置及电子设备 |
CN113628707B (zh) * | 2021-08-06 | 2022-11-25 | 首都医科大学附属北京儿童医院 | 一种患者病历数据的处理方法、装置、设备和存储介质 |
CN113628707A (zh) * | 2021-08-06 | 2021-11-09 | 首都医科大学附属北京儿童医院 | 一种患者病历数据的处理方法、装置、设备和存储介质 |
CN114743622A (zh) * | 2022-03-23 | 2022-07-12 | 医渡云(北京)技术有限公司 | 一种未知传染病的监测方法、装置、存储介质及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN111105852B (zh) | 2024-04-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111105852B (zh) | 一种电子病历推荐方法、装置、终端及存储介质 | |
CN110599557B (zh) | 图像描述生成方法、模型训练方法、设备和存储介质 | |
CN110033851B (zh) | 信息推荐方法、装置、存储介质及服务器 | |
CN107943860B (zh) | 模型的训练方法、文本意图的识别方法及装置 | |
CN108228270B (zh) | 启动资源加载方法及装置 | |
WO2019052293A1 (zh) | 机器翻译方法、装置、计算机设备及存储介质 | |
CN108307037A (zh) | 终端控制方法、终端及计算机可读存储介质 | |
CN109558512A (zh) | 一种基于音频的个性化推荐方法、装置和移动终端 | |
CN110334344A (zh) | 一种语义意图识别方法、装置、设备及存储介质 | |
WO2020147369A1 (zh) | 自然语言处理方法、训练方法及数据处理设备 | |
CN111177180A (zh) | 一种数据查询方法、装置以及电子设备 | |
CN114595124B (zh) | 时序异常检测模型评估方法、相关装置及存储介质 | |
CN111813910A (zh) | 客服问题的更新方法、***、终端设备及计算机存储介质 | |
CN113569572A (zh) | 文本实体生成方法、模型训练方法及装置 | |
CN117093766A (zh) | 问诊平台的信息推荐方法、相关装置及存储介质 | |
CN115840809A (zh) | 一种信息推荐方法、装置、设备、***及存储介质 | |
CN111797148A (zh) | 数据处理方法、装置、存储介质及电子设备 | |
CN112488157A (zh) | 一种对话状态追踪方法、装置、电子设备及存储介质 | |
CN112017740A (zh) | 一种基于知识图谱的疾病推理方法、装置、设备及储存介质 | |
CN116307394A (zh) | 产品用户体验评分方法、装置、介质及设备 | |
CN114970562A (zh) | 语义理解方法、装置、介质及设备 | |
CN114840563B (zh) | 一种字段描述信息的生成方法、装置、设备及存储介质 | |
CN113822435B (zh) | 一种用户转化率的预测方法及相关设备 | |
CN112948763B (zh) | 件量预测方法、装置、电子设备及存储介质 | |
CN114840499A (zh) | 一种表描述信息的生成方法、相关装置、设备及存储介质 |
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 |