CN111383726B - 电子病历数据处理方法、装置、电子设备及可读介质 - Google Patents
电子病历数据处理方法、装置、电子设备及可读介质 Download PDFInfo
- Publication number
- CN111383726B CN111383726B CN201811624762.3A CN201811624762A CN111383726B CN 111383726 B CN111383726 B CN 111383726B CN 201811624762 A CN201811624762 A CN 201811624762A CN 111383726 B CN111383726 B CN 111383726B
- Authority
- CN
- China
- Prior art keywords
- data
- drug
- target
- medical record
- rule
- 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
Links
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
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本公开涉及一种电子病历数据处理方法、装置、电子设备及计算机可读介质。该方法包括:由目标电子病历数据中抽取特征数据与其对应的时间标签,所述特征数据包括:基础数据、诊断数据、检查数据、用药数据、检验数据;基于所述时间标签判断所述特征数据是否满足预定条件;在满足预定条件时,将所述特征数据输入药物损伤风险模型中,确定所述用药数据中每一个药品的药物损伤概率;以及将药物损伤概率最大的药品确定为目标药品;其中,所述药物损伤评估模型是通过确诊的药物损伤的特征数据对机器学习模型进行训练生成。本公开能够帮助临床医生快速定位高价值的临床诊断信息,有效提升肝损伤鉴别速度。
Description
技术领域
本公开涉及医疗信息处理领域,具体而言,涉及一种电子病历数据处理方法、装置、电子设备及计算机可读介质。
背景技术
目前,我国使用的国家药品不良反应(Adverse Drug Reaction,ADR)监测平台是基于“自发呈报”模式的***,被动的收集来自全国医疗机构(监测主体)、药品生产厂家、经营企业的ADR病例报告。现行医疗机构内ADR监测工作主要以人工填报的方式来开展,依赖于药师或医生填报的积极性,是一种被动的监测方式,存在ADR情况漏报、误报、迟报等问题,有待进一步解决。
药品不良反应的主动监测技术主要是通过触发器技术,建立规则触发库进行主动监测。既往的数据收集手段以人工填报的方式被动收集来自全国医疗机构(监测主体)、药品生产厂家、经营企业的ADR病例报告。现有的药品不良反应大多基于传感器获得或通过纸质病历进行统计分析得到,且发现途径主要依赖于临床医生对于该疾病的临床经验,手段均为解决临床医生在遇到熟悉的临床问题时进行知识组合后检索的场景。但上述方式在个性化的多样的真实临床场景下实现的价值却非常有限。
因此,需要一种新的电子病历数据处理方法、装置、电子设备及计算机可读介质。
在所述背景技术部分公开的上述信息仅用于加强对本公开的背景的理解,因此它可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
有鉴于此,本公开提供一种电子病历数据处理方法、装置、电子设备及计算机可读介质,能够帮助临床医生快速定位高价值的临床诊断信息,有效提升肝损伤鉴别速度。
本公开的其他特性和优点将通过下面的详细描述变得显然,或部分地通过本公开的实践而习得。
根据本公开的一方面,提出一种电子病历数据处理方法,该方法包括:由目标电子病历数据中抽取特征数据与其对应的时间标签,所述特征数据包括:基础数据、诊断数据、检查数据、用药数据、检验数据;基于所述时间标签判断所述特征数据是否满足预定条件;在满足预定条件时,将所述特征数据输入药物损伤风险模型中,确定所述用药数据中每一个药品的药物损伤概率;以及将药物损伤概率最大的药品确定为目标药品;其中,所述药物损伤评估模型是通过确诊的药物损伤的特征数据对机器学习模型进行训练生成。
在本公开的一种示例性实施例中,由目标电子病历数据中抽取特征数据与其对应的时间标签包括:实时获取原始电子病历;通过结构化方法由原始电子病历中获取目标疾病相关数据;以及由所述目标疾病相关数据中提取所述特征数据与其对应的时间标签。
在本公开的一种示例性实施例中,基于所述时间标签判断所述特征数据是否满足预定条件包括:按照预定规则确定至少一个目标时间标签;基于所述至少一个目标时间标签将所述特征数据分为至少一个特征集合;确定对应于所述至少一个特征集合的目标规则;以及基于所述目标规则与所述至少一个特征集合判断所述特征数据是否满足预定条件。
在本公开的一种示例性实施例中,基于所述时间标签判断所述特征数据是否满足预定条件还包括:通过目标疾病的诊断规范生成所述目标规则;所述目标规则分为前置规则与后置规则。
在本公开的一种示例性实施例中,基于所述目标规则与所述至少一个特征集合判断所述特征数据是否满足预定条件包括:确定至少一个特征集合中的基础数据、诊断数据、检查数据、用药数据、检验数据的时间关联关系;基于所述时间关联关系,判断所述至少一个特征集合是否满足所述目标规则的前置规则和后置规则;以及在所述至少一个特征集合满足所述目标规则的前置规则和后置规则时,确定所述特征集合满足预定条件。
在本公开的一种示例性实施例中,将药物损伤概率最大的药品确定为目标药品后还包括:根据目标药品与其对应的所述药物损伤概率更新药品疾病数据库。
在本公开的一种示例性实施例中,将药物损伤概率最大的药品确定为目标药品后还包括:由电子病例库中提取与所述目标电子病历数据相似的电子病历数据;以及向所述相似的电子病历数据发送预警信息。
根据本公开的一方面,提出一种电子病历数据处理装置,该装置包括:抽取模块,用于由目标电子病历数据中抽取特征数据与其对应的时间标签,所述特征数据包括:基础数据、诊断数据、检查数据、用药数据、检验数据;判断模块,用于基于所述时间标签判断所述特征数据是否满足预定条件;识别模块,用于在满足预定条件时,将所述特征数据输入药物损伤风险模型中,确定所述用药数据中每一个药品的药物损伤概率;其中,所述药物损伤评估模型是由确诊的药物损伤的特征数据对机器学习模型文件训练生成;以及处理模块,用于将药物损伤概率最大的药品确定为目标药品以进行后续处理。
根据本公开的一方面,提出一种电子设备,该电子设备包括:一个或多个处理器;存储装置,用于存储一个或多个程序;当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现如上文的方法。
根据本公开的一方面,提出一种计算机可读介质,其上存储有计算机程序,该程序被处理器执行时实现如上文中的方法。
根据本公开的电子病历数据处理方法、装置、电子设备及计算机可读介质,通过将患者的基础数据、诊断数据、检查数据、用药数据、检验数据输入药物损伤风险模型中,以确定患者的用药数据中每一个药品的药物损伤概率;并将药物损伤概率最大的药品确定为引起药物不良反应的目标药品的方式,能够帮助临床医生快速定位高价值的临床诊断信息,有效提升肝损伤鉴别速度。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性的,并不能限制本公开。
附图说明
通过参照附图详细描述其示例实施例,本公开的上述和其它目标、特征及优点将变得更加显而易见。下面描述的附图仅仅是本公开的一些实施例,对于本领域的普通技术人员来讲,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是根据一示例性实施例示出的一种电子病历数据处理方法及装置的***场景框图。
图2是根据一示例性实施例示出的一种电子病历数据处理方法的流程图。
图3是根据另一示例性实施例示出的一种电子病历数据处理方法的流程图。
图4是根据一示例性实施例示出的一种电子病历数据处理装置的框图。
图5是根据一示例性实施例示出的一种电子设备的框图。
图6是根据一示例性实施例示出一种计算机可读存储介质示意图。
具体实施方式
现在将参考附图更全面地描述示例实施例。然而,示例实施例能够以多种形式实施,且不应被理解为限于在此阐述的实施例;相反,提供这些实施例使得本公开将全面和完整,并将示例实施例的构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。
此外,所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中,提供许多具体细节从而给出对本公开的实施例的充分理解。然而,本领域技术人员将意识到,可以实践本公开的技术方案而没有特定细节中的一个或更多,或者可以采用其它的方法、组元、装置、步骤等。在其它情况下,不详细示出或描述公知方法、装置、实现或者操作以避免模糊本公开的各方面。
附图中所示的方框图仅仅是功能实体,不一定必须与物理上独立的实体相对应。即,可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
附图中所示的流程图仅是示例性说明,不是必须包括所有的内容和操作/步骤,也不是必须按所描述的顺序执行。例如,有的操作/步骤还可以分解,而有的操作/步骤可以合并或部分合并,因此实际执行的顺序有可能根据实际情况改变。
应理解,虽然本文中可能使用术语第一、第二、第三等来描述各种组件,但这些组件不应受这些术语限制。这些术语乃用以区分一组件与另一组件。因此,下文论述的第一组件可称为第二组件而不偏离本公开概念的教示。如本文中所使用,术语“及/或”包括相关联的列出项目中的任一个及一或多者的所有组合。
本领域技术人员可以理解,附图只是示例实施例的示意图,附图中的模块或流程并不一定是实施本公开所必须的,因此不能用于限制本公开的保护范围。
药物性肝损伤(drug-induced liver injury,DILI)是指由各类处方或非处方的化学药物、生物制剂、传统中药(TCM)、天然药(NM)、保健品(HP)、膳食补充剂(DS)及其代谢产物乃至辅料等所诱发的肝损伤。TCM是指在我国中医等传统民族医药学理论指导下生产和使用的各种草药和非草药类的中药材、饮片和复方中成药,NM是指应用现代医药理论和技术制备的天然药用物质及其制剂。DILI是最常见和最严重的药物不良反应(ADR)之一,重者可致急性肝衰竭(ALF)甚至死亡。迄今仍缺乏简便、客观、特异的诊断指标和特效治疗手段。
药物性肝损伤的信号发现存在困难。现有的主动监测方法上存在着问题与缺陷,其一:在主动监测方法设计上,往往只考虑了部分影响因素,无法用于发现与监测新的信号,其结果的可信度和准确性相对较低;其二:在技术手段应用上,广泛使用触发器技术,然而触发器有自身的局限性,无法进行病历文本的检索,需考虑新技术的应用;其三:即使发现了有关的疑似病例/事件,无法直接通过量表评分等定量/半定量手段进行关联关系评估。
不失一般性,在本公开中将以药物性肝损伤作为药品不良反应的一种具体事例,来进行实施例的具体描述。
图1是根据一示例性实施例示出的一种电子病历数据处理方法及装置的***框图。
如图1所示,***架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用,例如医疗数据处理类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端等。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
用户可通过终端设备101、102、103生成电子病历数据,终端设备101、102、103可例如由目标电子病历数据中抽取特征数据与其对应的时间标签,所述特征数据包括:基础数据、诊断数据、检查数据、用药数据、检验数据;终端设备101、102、103可例如基于所述时间标签判断所述特征数据是否满足预定条件;以及终端设备101、102、103可例如在满足预定条件时,将所述特征数据输入药物损伤风险模型中,确定所述用药数据中每一个药品的药物损伤概率,其中,所述药物损伤评估模型是通过确诊的药物损伤的特征数据对机器学习模型进行训练生成;终端设备101、102、103可例如将药物损伤概率最大的药品确定为目标药品。
服务器105可以是提供各种服务的服务器,例如对用户利用终端设备101、102、103所生成的电子病历数据提供支持的后台服务器。服务器105可以对接收到的电子病历数据进行分析等处理,并将电子病历数据中存在的可能造成药物损伤的目标药品反馈给终端设备。
用户可通过终端设备101、102、103生成电子病历数据,终端设备101、102、103可例如将电子病历数据转发至服务器105中,服务器105可例如由目标电子病历数据中抽取特征数据与其对应的时间标签,所述特征数据包括:基础数据、诊断数据、检查数据、用药数据、检验数据;服务器105可例如基于所述时间标签判断所述特征数据是否满足预定条件;服务器105可例如在满足预定条件时,将所述特征数据输入药物损伤风险模型中,确定所述用药数据中每一个药品的药物损伤概率,其中,所述药物损伤评估模型是通过确诊的药物损伤的特征数据对机器学习模型进行训练生成;服务器105还可例如将药物损伤概率最大的药品确定为目标药品。服务器105还可例如将目标药品返回终端设备101、102、103。
服务器105可以是一个实体的服务器,还可例如为多个服务器组成,需要说明的是,本公开实施例所提供的电子病历数据处理方法可以由服务器105和/或终端设备101、102、103执行,相应地,电子病历数据处理装置可以设置于服务器105和/或终端设备101、102、103中。
根据本公开的电子病历数据处理方法及装置,通过数据处理和应用技术,将评价内容进行有效整合,将治疗规范和真实病历数据的证据进行结合,帮助临床医生快速定位高价值的临床诊断信息,有效提升肝损伤鉴别速度。
根据本公开的电子病历数据处理方法及装置,将药物导致的肝损伤临床真实疾病模型进行保存,动态修正实际临床针对药物性肝损伤鉴别流程,对后续的自动监测功能进行持续优化
图2是根据一示例性实施例示出的一种电子病历数据处理方法的流程图。电子病历数据处理方法20至少包括步骤S202至S208。
如图2所示,在S202中,由目标电子病历数据中抽取特征数据与其对应的时间标签,所述特征数据包括:基础数据、诊断数据、检查数据、用药数据、检验数据。
在一个实施例中,由目标电子病历数据中抽取特征数据与其对应的时间标签包括:实时获取原始电子病历;通过结构化方法由原始电子病历中获取目标疾病相关数据;以及由所述目标疾病相关数据中提取所述特征数据与其对应的时间标签。
具体可例如,依赖于真实世界数据的实时结构化方法,快速获取数据。可例如首先建立实时的平台数据流,当产生新的真实世界医疗数据时,大数据平台将会通过结构化算法实时生成相关的信息;其次,预先指定好相关信息与具体字段路径的相关性,在本***中实时地从大数据平台地获取相关的疾病信息,从而免去了手工录入的麻烦。人工评价全页面内容能够快速帮助医生定位重点信息,减少无效信息输入。
在S204中,基于所述时间标签判断所述特征数据是否满足预定条件。
在一个实施例中,基于所述时间标签判断所述特征数据是否满足预定条件包括:按照预定规则确定至少一个目标时间标签;基于所述至少一个目标时间标签将所述特征数据分为至少一个特征集合;确定对应于所述至少一个特征集合的目标规则;以及基于所述目标规则与所述至少一个特征集合判断所述特征数据是否满足预定条件。
基于所述时间标签判断所述特征数据是否满足预定条件的具体的内容将在图3对应的实施例中进行具体描述。
在S206中,在满足预定条件时,将所述特征数据输入药物损伤风险模型中,确定所述用药数据中每一个药品的药物损伤概率。其中,所述药物损伤评估模型是由确诊的药物损伤的特征数据对机器学习模型文件训练生成。
其中,在本公开中的机器学习模块机器学习模型按照可使用的数据类型分为监督学习和无监督学习两大类。
其中,更具体的监督学习可包括用于分类和用于回归的机器学习模型:
1)分类机器学习模型:线性分类器(如LR)、支持向量机(SVM)、朴素贝叶斯(NB)、K近邻(KNN)、决策树(DT)、集成模型(RF/GDBT等)
2)回归机器学习模型:线性回归、支持向量机(SVM)、K近邻(KNN)、回归树(DT)、集成模型(ExtraTrees/RF/GDBT)
无监督学习主要包括:数据聚类(K-means)/数据降维(PCA)等等。
具体可例如,将确诊的药物损伤的电子病历数据中提取其特征数据,具体可为去掉敏感信息后的患者的基础信息数据、诊断数据、检查数据、用药医嘱数据、检验数据等疾病相关信息。将以上的各种信息进行数据标准化及归一处理,然后分别建立基础信息数据-诊断数据-检验数据-检查数据-用药数据与时间之间的对应的关联关系。
通过上述对应关系,以多时间轴的方式将多因素汇总,将汇总后的多个特征数据作为训练数据输入机器学习模型中。
然后通过确诊的药物损伤的电子病历数据中提取引起药物损伤的具体药品名称,将具体的药品名称作为与所述训练数据对应的标签数据输入机器学习模型中。
通过多个特征数据与对应的标签对机器学习模型进行训练,最终获取药物损伤风险模型。药物损伤风险模型可用于辅助判断鉴别药品与肝损伤的关联关系。
在S208中,将药物损伤概率最大的药品确定为目标药品。在确定了目标药品之后还可包括:根据目标药品与其对应的所述药物损伤概率更新药品疾病数据库;还可包括:由电子病例库中提取与所述目标电子病历数据相似的电子病历数据;以及向所述相似的电子病历数据发送预警信息。
在一个实施例中,在医学人员能完成药物性肝损伤关联性评估,并完成所有的决策信息输入后,可生成可能引起药物损伤的药品的结果,相关结果数据还会更新对应药品疾病数据库,更新相关风险数据,为临床使用该药物提供更加完善的药物合理使用知识库。
在一个实施例中,还可例如自动找到与当前输入的电子病历中数据相似的病历,进行不良反应预警,避免类似不良反应的再次发生。
本公开的目标是建立药物性肝损伤疾病的收集、评价、预测、预警体系。根据本公开的电子病历数据处理方法,能够支持监督管理部门、平台协作医院相关人员登录平台利用相关授权数据进行药物性肝损伤课题研究,用于已知高危药品肝损伤情况再评估、发现新的药物性肝损伤监测信号以及不同药品间药物性肝损伤影响差异等评估比对,降低临床新增药物性肝损伤事件概率等工作。
应清楚地理解,本公开描述了如何形成和使用特定示例,但本公开的原理不限于这些示例的任何细节。相反,基于本公开公开的内容的教导,这些原理能够应用于许多其它实施例。
图3是根据另一示例性实施例示出的一种电子病历数据处理方法、装置、电子设备及计算机可读介质的流程图。图3所示的流程30是对图2所示的流程中S204“基于所述时间标签判断所述特征数据是否满足预定条件”的详细描述,
如图3所示,在S302中,按照预定规则确定至少一个目标时间标签。
在一个实施例中,可将药物性肝损伤的鉴别诊断规范(指标阈值)转化成机器语言。该步骤可通过药物性肝损伤信号定义配置后台实现的。首先,将临床鉴别诊断上一般使用相关诊疗规范指南,形成可以形成可转译的规则内容。将对应的文件翻译成机器可以识别的代码,可通过该转译装置快速地实现相关鉴别规则的机器化。还可以进行一系列的配置操作,满足在产品层面不同的个性化场景需求。通过预定规则可对数据库中符合逻辑要求的命中病历进行队列组建,用于后续人工评估校正与标注。
具体可例如,将指标A突然升高作为预定规则,进而可将指标A突然升高的时间作为目标时间标签;更进一步的,还可将指标B突然降低作为预定规则,进而可将指标B突然降低的时间作为目标时间标签,值得一提的是,目标时间标签的数量不限。
在S304中,基于所述至少一个目标时间标签将所述特征数据分为至少一个特征集合。在上文中,将患者基础信息数据、诊断数据、检查数据、用药医嘱数据、检验数据等疾病相关信息进行数据标准化及归一处理。建立基础信息数据-诊断数据-检验数据-检查数据-用药数据与时间对应的关联关系。
根据目标时间的标签,将患者的特征数据分为不同的集合,可例如该病例数据中的时间包含:A,B,C,D,E;其中,B和C被确定为目标时间标签,则可将特征数据分为2组,第一特征集合包含A,B时间的特征数据,第二集合包含C,D,E集合的特征数据。
在S306中,确定对应于所述至少一个特征集合的目标规则。其中,还包括通过目标疾病的诊断规范生成所述目标规则;所述目标规则分为前置规则与后置规则。
在S308中,基于所述目标规则与所述至少一个特征集合判断所述特征数据是否满足预定条件。可包括:确定至少一个特征集合中的基础数据、诊断数据、检查数据、用药数据、检验数据的时间关联关系;基于所述时间关联关系,判断所述至少一个特征集合是否满足所述目标规则的前置规则和后置规则;以及在所述至少一个特征集合满足所述目标规则的前置规则和后置规则时,确定所述特征集合满足预定条件。
在一个实施例中,丙氨酸氨基转移酶(ALT)在B时间前处于标致参数,例如正常高值下(ULN),在B时间点后超过设定阈,如突然异常升高数倍,则在这时间点前后分别判断丙氨酸氨基转移酶是否符合其医学上的特征规则,进而确定特征集合适合满足预定条件。
本领域技术人员可以理解实现上述实施例的全部或部分步骤被实现为由CPU执行的计算机程序。在该计算机程序被CPU执行时,执行本公开提供的上述方法所限定的上述功能。所述的程序可以存储于一种计算机可读存储介质中,该存储介质可以是只读存储器,磁盘或光盘等。
此外,需要注意的是,上述附图仅是根据本公开示例性实施例的方法所包括的处理的示意性说明,而不是限制目的。易于理解,上述附图所示的处理并不表明或限制这些处理的时间顺序。另外,也易于理解,这些处理可以是例如在多个模块中同步或异步执行的。
下述为本公开装置实施例,可以用于执行本公开方法实施例。对于本公开装置实施例中未披露的细节,请参照本公开方法实施例。
图4是根据一示例性实施例示出的一种电子病历数据处理装置的框图。电子病历数据处理装置40包括:抽取模块402,判断模块404,识别模块406,以及处理模块408。
抽取模块402用于由目标电子病历数据中抽取特征数据与其对应的时间标签,所述特征数据包括:基础数据、诊断数据、检查数据、用药数据、检验数据;可包括:包括:实时获取原始电子病历;通过结构化方法由原始电子病历中获取目标疾病相关数据;以及由所述目标疾病相关数据中提取所述特征数据与其对应的时间标签。
判断模块404用于基于所述时间标签判断所述特征数据是否满足预定条件;包括:按照预定规则确定至少一个目标时间标签;基于所述至少一个目标时间标签将所述特征数据分为至少一个特征集合;确定对应于所述至少一个特征集合的目标规则;以及基于所述目标规则与所述至少一个特征集合判断所述特征数据是否满足预定条件。
识别模块406用于在满足预定条件时,将所述特征数据输入药物损伤风险模型中,确定所述用药数据中每一个药品的药物损伤概率;其中,所述药物损伤评估模型是由确诊的药物损伤的特征数据对机器学习模型文件训练生成;以及
处理模块408用于将药物损伤概率最大的药品确定为目标药品以进行后续处理。具体可包括:由电子病例库中提取与所述目标电子病历数据相似的电子病历数据;以及向所述相似的电子病历数据发送预警信息。
根据本公开的电子病历数据处理装置,能够支持监督管理部门、平台协作医院相关人员登录平台利用相关授权数据进行药物性肝损伤课题研究,用于已知高危药品肝损伤情况再评估、发现新的药物性肝损伤监测信号以及不同药品间药物性肝损伤影响差异等评估比对,降低临床新增药物性肝损伤事件概率等工作。
图5是根据一示例性实施例示出的一种电子设备的框图。
下面参照图5来描述根据本公开的这种实施方式的电子设备200。图5显示的电子设备200仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图5所示,电子设备200以通用计算设备的形式表现。电子设备200的组件可以包括但不限于:至少一个处理单元210、至少一个存储单元220、连接不同***组件(包括存储单元220和处理单元210)的总线230、显示单元240等。
其中,所述存储单元存储有程序代码,所述程序代码可以被所述处理单元210执行,使得所述处理单元210执行本说明书上述电子处方流转处理方法部分中描述的根据本公开各种示例性实施方式的步骤。例如,所述处理单元210可以执行如图2,图3中所示的步骤。
所述存储单元220可以包括易失性存储单元形式的可读介质,例如随机存取存储单元(RAM)2201和/或高速缓存存储单元2202,还可以进一步包括只读存储单元(ROM)2203。
所述存储单元220还可以包括具有一组(至少一个)程序模块2205的程序/实用工具2204,这样的程序模块2205包括但不限于:操作***、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线230可以为表示几类总线结构中的一种或多种,包括存储单元总线或者存储单元控制器、***总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备200也可以与一个或多个外部设备300(例如键盘、指向设备、蓝牙设备等)通信,还可与一个或者多个使得用户能与该电子设备200交互的设备通信,和/或与使得该电子设备200能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口250进行。并且,电子设备200还可以通过网络适配器260与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。网络适配器260可以通过总线230与电子设备200的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备200使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID***、磁带驱动器以及数据备份存储***等。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本公开实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、或者网络设备等)执行根据本公开实施方式的上述方法。
图6示意性示出本公开示例性实施例中一种计算机可读存储介质示意图。
参考图6所示,描述了根据本公开的实施方式的用于实现上述方法的程序产品400,其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码,并可以在终端设备,例如个人电脑上运行。然而,本公开的程序产品不限于此,在本文件中,可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、装置或者器件使用或者与其结合使用。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
所述计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了可读程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、有线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本公开操作的程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被一个该设备执行时,使得该计算机可读介质实现如下功能:由目标电子病历数据中抽取特征数据与其对应的时间标签,所述特征数据包括:基础数据、诊断数据、检查数据、用药数据、检验数据;基于所述时间标签判断所述特征数据是否满足预定条件;在满足预定条件时,将所述特征数据输入药物损伤风险模型中,确定所述用药数据中每一个药品的药物损伤概率;以及将药物损伤概率最大的药品确定为目标药品以进行后续处理;其中,所述药物损伤评估模型是由确诊的药物损伤的特征数据对机器学习模型文件训练生成。
本领域技术人员可以理解上述各模块可以按照实施例的描述分布于装置中,也可以进行相应变化唯一不同于本实施例的一个或多个装置中。上述实施例的模块可以合并为一个模块,也可以进一步拆分成多个子模块。
通过以上的实施例的描述,本领域的技术人员易于理解,这里描述的示例实施例可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本公开实施例的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者网络设备等)执行根据本公开实施例的方法。
通过以上的详细描述,本领域的技术人员易于理解,根据本公开实施例的电子病历数据处理方法、装置、电子设备及计算机可读介质具有以下优点中的一个或多个。
根据本公开实施例的电子病历数据处理方法,能够提供药物性肝损伤鉴别诊断的规范化规则化方法,将药物性肝损伤的鉴别的规则转化为机器语言,融入到医疗工作环节,起到提供决策信息支持及提高诊疗决策效率的作用。
根据本公开实施例的电子病历数据处理方法,能够通过数据处理和应用技术,将评价内容进行有效整合,将治疗规范和真实病历数据的证据进行结合,帮助临床医生快速定位高价值的临床诊断信息,有效提升肝损伤鉴别速度。
根据本公开实施例的电子病历数据处理方法,能够通过本***将药物导致的肝损伤临床真实疾病模型进行保存,动态修正实际临床针对药物性肝损伤鉴别流程,对后续的自动监测功能进行持续优化。
根据本公开实施例的电子病历数据处理方法,能够通过本***实现药物性肝损伤鉴别诊断决策的可视化,为临床进行回顾性分析判定提供快速的可视化分析工具。
以上具体地示出和描述了本公开的示例性实施例。应可理解的是,本公开不限于这里描述的详细结构、设置方式或实现方法;相反,本公开意图涵盖包含在所附权利要求的精神和范围内的各种修改和等效设置。
此外,本说明书说明书附图所示出的结构、比例、大小等,均仅用以配合说明书所公开的内容,以供本领域技术人员了解与阅读,并非用以限定本公开可实施的限定条件,故不具技术上的实质意义,任何结构的修饰、比例关系的改变或大小的调整,在不影响本公开所能产生的技术效果及所能实现的目的下,均应仍落在本公开所公开的技术内容得能涵盖的范围内。同时,本说明书中所引用的如“上”、“第一”、“第二”及“一”等的用语,也仅为便于叙述的明了,而非用以限定本公开可实施的范围,其相对关系的改变或调整,在无实质变更技术内容下,当也视为本公开可实施的范畴。
Claims (9)
1.一种电子病历数据处理方法,其特征在于,包括:
由目标电子病历数据中抽取特征数据与其对应的时间标签,所述特征数据包括:基础数据、诊断数据、检查数据、用药数据、检验数据;
基于所述时间标签判断所述特征数据是否满足预定条件;
在满足预定条件时,将所述特征数据输入药物损伤风险模型中,确定所述用药数据中每一个药品的药物损伤概率;以及
将药物损伤概率最大的药品确定为目标药品;
其中,所述药物损伤评估模型是通过确诊的药物损伤的特征数据对机器学习模型进行训练生成;
其中,所述基于所述时间标签判断所述特征数据是否满足预定条件包括:按照预定规则确定至少一个目标时间标签;基于所述至少一个目标时间标签将所述特征数据分为至少一个特征集合;确定对应于所述至少一个特征集合的目标规则;以及基于所述目标规则与所述至少一个特征集合判断所述特征数据是否满足预定条件。
2.如权利要求1所述的方法,其特征在于,由目标电子病历数据中抽取特征数据与其对应的时间标签包括:
实时获取原始电子病历;
通过结构化方法由原始电子病历中获取目标疾病相关数据;以及
由所述目标疾病相关数据中提取所述特征数据与其对应的时间标签。
3.如权利要求1所述的方法,其特征在于,基于所述时间标签判断所述特征数据是否满足预定条件还包括:
通过目标疾病的诊断规范生成所述目标规则;所述目标规则分为前置规则与后置规则。
4.如权利要求3所述的方法,其特征在于,基于所述目标规则与所述至少一个特征集合判断所述特征数据是否满足预定条件包括:
确定至少一个特征集合中的基础数据、诊断数据、检查数据、用药数据、检验数据的时间关联关系;
基于所述时间关联关系,判断所述至少一个特征集合是否满足所述目标规则的前置规则和后置规则;以及
在所述至少一个特征集合满足所述目标规则的前置规则和后置规则时,确定所述特征集合满足预定条件。
5.如权利要求1所述的方法,其特征在于,将药物损伤概率最大的药品确定为目标药品后还包括:
根据目标药品与其对应的所述药物损伤概率更新药品疾病数据库。
6.如权利要求1所述的方法,其特征在于,将药物损伤概率最大的药品确定为目标药品后还包括:
由电子病例库中提取与所述目标电子病历数据相似的电子病历数据;以及
向所述相似的电子病历数据发送预警信息。
7.一种电子病历数据处理装置,其特征在于,包括:
抽取模块,用于由目标电子病历数据中抽取特征数据与其对应的时间标签,所述特征数据包括:基础数据、诊断数据、检查数据、用药数据、检验数据;
判断模块,用于基于所述时间标签判断所述特征数据是否满足预定条件;
识别模块,用于在满足预定条件时,将所述特征数据输入药物损伤风险模型中,确定所述用药数据中每一个药品的药物损伤概率;其中,所述药物损伤评估模型是通过确诊的药物损伤的特征数据对机器学习模型进行训练生成;以及
处理模块,用于将药物损伤概率最大的药品确定为目标药品;
其中,所述判断模块还用于按照预定规则确定至少一个目标时间标签;基于所述至少一个目标时间标签将所述特征数据分为至少一个特征集合;确定对应于所述至少一个特征集合的目标规则;以及基于所述目标规则与所述至少一个特征集合判断所述特征数据是否满足预定条件。
8.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-6中任一所述的方法。
9.一种计算机可读介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现如权利要求1-6中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811624762.3A CN111383726B (zh) | 2018-12-28 | 2018-12-28 | 电子病历数据处理方法、装置、电子设备及可读介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811624762.3A CN111383726B (zh) | 2018-12-28 | 2018-12-28 | 电子病历数据处理方法、装置、电子设备及可读介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111383726A CN111383726A (zh) | 2020-07-07 |
CN111383726B true CN111383726B (zh) | 2023-06-27 |
Family
ID=71216437
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811624762.3A Active CN111383726B (zh) | 2018-12-28 | 2018-12-28 | 电子病历数据处理方法、装置、电子设备及可读介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111383726B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112366003A (zh) * | 2020-10-20 | 2021-02-12 | 武汉华大基因科技有限公司 | 一种基于临床真实世界时间序列要素的不良反应监测方法 |
CN112366002A (zh) * | 2020-10-20 | 2021-02-12 | 武汉华大基因科技有限公司 | 一种基于知识库对院内真实世界不良用药的评估方法 |
CN117476231A (zh) * | 2023-11-09 | 2024-01-30 | 中山大学孙逸仙纪念医院 | 基于机器学习的药物性肝损伤风险预测方法、*** |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005316967A (ja) * | 2004-03-31 | 2005-11-10 | Yuyama Manufacturing Co Ltd | 電子カルテ装置 |
JP2008217291A (ja) * | 2007-03-02 | 2008-09-18 | Fujifilm Corp | 電子カルテ装置及び食品指導支援方法 |
JP2009146345A (ja) * | 2007-12-18 | 2009-07-02 | Mitsubishi Electric Information Systems Corp | 電子カルテシステム |
CN107562732A (zh) * | 2017-10-26 | 2018-01-09 | 北京康夫子科技有限公司 | 电子病历的处理方法及*** |
CN108899064A (zh) * | 2018-05-31 | 2018-11-27 | 平安医疗科技有限公司 | 电子病历生成方法、装置、计算机设备和存储介质 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2216681A1 (en) * | 1996-09-30 | 1998-03-30 | Smithkline Beecham Corporation | Disease management method and system |
US8579811B2 (en) * | 2006-09-19 | 2013-11-12 | 3M Innovative Properties Company | Medical diagnosis derived from patient drug history data |
JP5504620B2 (ja) * | 2008-12-10 | 2014-05-28 | 富士通株式会社 | データ選択支援プログラム、データ選択支援装置およびデータ選択支援方法 |
US20140358576A1 (en) * | 2013-05-15 | 2014-12-04 | Adverse Events, Inc. | System and method for surveillance and evaluation of safety risks associated with medical interventions |
WO2014194118A2 (en) * | 2013-05-29 | 2014-12-04 | Revon Systems, Llc | Schedule-based electronic medical record modules, applications, and uses thereof |
US20150356272A1 (en) * | 2014-06-10 | 2015-12-10 | Taipei Medical University | Prescription analysis system and method for applying probabilistic model based on medical big data |
CN106803022A (zh) * | 2017-01-25 | 2017-06-06 | 济南德健信息技术有限公司 | 一种基于电子病历的合理用药监测方法 |
US20180308569A1 (en) * | 2017-04-25 | 2018-10-25 | S Eric Luellen | System or method for engaging patients, coordinating care, pharmacovigilance, analysis or maximizing safety or clinical outcomes |
CN107341345A (zh) * | 2017-06-22 | 2017-11-10 | 厦门大学 | 一种基于电子病历大数据的临床合理用药风险评估方法 |
CN107799160B (zh) * | 2017-10-26 | 2021-12-31 | 医渡云(北京)技术有限公司 | 用药辅助决策方法及装置、存储介质、电子设备 |
CN108630322B (zh) * | 2018-04-27 | 2020-08-14 | 厦门大学 | 药物相互作用建模与风险评估方法、终端设备及存储介质 |
-
2018
- 2018-12-28 CN CN201811624762.3A patent/CN111383726B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005316967A (ja) * | 2004-03-31 | 2005-11-10 | Yuyama Manufacturing Co Ltd | 電子カルテ装置 |
JP2008217291A (ja) * | 2007-03-02 | 2008-09-18 | Fujifilm Corp | 電子カルテ装置及び食品指導支援方法 |
JP2009146345A (ja) * | 2007-12-18 | 2009-07-02 | Mitsubishi Electric Information Systems Corp | 電子カルテシステム |
CN107562732A (zh) * | 2017-10-26 | 2018-01-09 | 北京康夫子科技有限公司 | 电子病历的处理方法及*** |
CN108899064A (zh) * | 2018-05-31 | 2018-11-27 | 平安医疗科技有限公司 | 电子病历生成方法、装置、计算机设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111383726A (zh) | 2020-07-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109599185B (zh) | 疾病数据处理方法、装置、电子设备及计算机可读介质 | |
CN111863267B (zh) | 数据信息获取方法、数据分析方法、装置以及存储介质 | |
US10614196B2 (en) | System for automated analysis of clinical text for pharmacovigilance | |
US20220262527A1 (en) | Computer-implemented system and method for guided assessments on medication effects | |
CN109346145B (zh) | 一种药物不良反应的主动监测方法和*** | |
JP2019049964A (ja) | 電子診療レコードからの医学的状態および事実の自動的特定および抽出 | |
CN106068509B (zh) | 一种用于创建患者发现的纵视图的***和方法 | |
US10667794B2 (en) | Automatic detection of disease from analysis of echocardiographer findings in echocardiogram videos | |
US20210057058A1 (en) | Data processing method, apparatus, and device | |
CN114026651A (zh) | 结构化患者数据记录的自动生成 | |
CN111383726B (zh) | 电子病历数据处理方法、装置、电子设备及可读介质 | |
CN113243033A (zh) | 综合诊断***和方法 | |
US20180107792A1 (en) | Automatic discrepancy detection in medical data | |
US20160055190A1 (en) | Event detection and characterization in big data streams | |
CN111383761B (zh) | 医疗数据分析方法、装置、电子设备及计算机可读介质 | |
Band et al. | A survey on machine learning and internet of medical things-based approaches for handling COVID-19: Meta-analysis | |
Santiso et al. | Adverse drug event prediction combining shallow analysis and machine learning | |
Sindiramutty et al. | Explainable AI in Healthcare Application | |
CN111863173B (zh) | 一种病历质量评估方法及计算设备 | |
CN111008275A (zh) | 数据挖掘方法及装置、存储介质及电子终端 | |
US8756234B1 (en) | Information theory entropy reduction program | |
CN114724693A (zh) | 异常诊疗行为的检测方法及装置、电子设备和存储介质 | |
Zhao et al. | Depression Identification of Students Based on Campus Social Platform Data and Deep Learning | |
CN111383725A (zh) | 不良反应数据鉴别方法、装置、电子设备及可读介质 | |
Lee et al. | A medical decision support system using text mining to compare electronic medical records |
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 |