CN112184084B - 一种病历学习质量评估方法及装置 - Google Patents
一种病历学习质量评估方法及装置 Download PDFInfo
- Publication number
- CN112184084B CN112184084B CN202011223016.0A CN202011223016A CN112184084B CN 112184084 B CN112184084 B CN 112184084B CN 202011223016 A CN202011223016 A CN 202011223016A CN 112184084 B CN112184084 B CN 112184084B
- Authority
- CN
- China
- Prior art keywords
- medical record
- fields
- medical
- field
- analyzed
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Educational Administration (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Game Theory and Decision Science (AREA)
- Artificial Intelligence (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Computational Linguistics (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Epidemiology (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本申请提供了一种病历学习质量评估方法及装置,该方法通过确定召回率、逻辑特征和表征病历文书准确性的特征,并结合召回率、逻辑特征和表征病历文书准确性的特征进行学习质量评估,可以提高学习质量评估的全面性。通过提高学习质量评估的客观性及全面性,提高学习质量评估的准确性。
Description
技术领域
本申请涉及质量评估技术领域,特别涉及一种病历学习质量评估方法及装置。
背景技术
病历作为临床实践工作的总结,其对医疗、预防、教学、科研、医院管理等都有重要的作用。
基于病历的重要作用,有必要提高病历的学习质量。而,前提是对病历的学习质量进行评估。
目前,一般会基于病历数据的召回率和准确率两个指标,对病历的学习质量进行评估,但是,基于召回率和准确率得到的评估结果不够客观,导致病历学习质量评估的准确性低。
发明内容
为解决上述技术问题,本申请实施例提供一种病历学习质量评估方法及装置,以达到提高病历学习质量评估的准确性的目的,技术方案如下:
一种病历学习质量评估方法,该方法包括:
从病历中获取病历文书,将获取到的病历文书作为病历文书集合;
获取医疗病历模型和病历数据思维体系分析模型;
基于所述医疗病历模型,确定待分析字段,并统计各类病历文书中各类待分析字段的个数,将各类待分析字段的个数之和作为各类病历文书的字段统计结果,将各类病历文书的字段统计结果除以多类所述病历文书的字段统计结果之和,得到各类病历文书的权重;
基于各类所述病历文书的权重及各类所述病历文书的待分析字段的个数,确定召回率;
对所述病历文书集合中的病历文书之间的逻辑性进行分析,得到待分析逻辑序列,将所述待分析逻辑序列与所述病历数据思维体系分析模型中的基准逻辑序列进行比对,得到比对结果,并根据所述比对结果,确定逻辑特征;
统计所述病历文书集合中标准字段的个数与干扰字段的个数,将所述标准字段的个数除以所述标准字段的个数与所述干扰字段的个数之和,得到的结果,作为表征病历文书准确性的特征,所述干扰字段为与所述医疗病历模型中干扰项对应的字段,所述干扰项为用于对所述医疗病历模型中标准项进行干扰的内容;
结合所述召回率、所述逻辑特征和所述表征病历文书准确性的特征,对所述病历的学习质量进行评估。
所述基于所述医疗病历模型,确定待分析字段,包括:
对所述医疗病历模型进行分析,确定医疗领域关注的多种类型的字段;
从所述医疗领域关注的多种类型的字段中,选取出设定类型的字段,作为待分析字段。
所述基于各类所述病历文书的权重及各类所述病历文书的待分析字段的个数,确定召回率,包括:
对各类所述病历文书,将从所述病历文书的待分析字段中选取出的设定类型的字段的个数相加,得到第一字段个数;
对各类所述病历文书,将所述病历文书的权重与所述病历文书的第一字段个数相乘,得到第二字段个数;
基于将各类所述病历文书的第二字段个数相加,得到的结果,确定召回率。
所述对所述病历文书集合中的病历文书之间的逻辑性进行分析,得到待分析逻辑序列,将所述待分析逻辑序列与所述病历数据思维体系分析模型中的基准逻辑序列进行比对,得到比对结果,并根据所述比对结果,确定逻辑特征,包括:
对所述病历文书集合中的病历文书之间的时间逻辑性进行分析,得到待分析时间逻辑序列,将所述待分析时间逻辑序列与所述病历数据思维体系分析模型中的基准时间逻辑序列进行比对,得到第一比对结果;
对所述病历文书集合中的病历文书之间的空间逻辑性进行分析,得到待分析空间逻辑序列,将所述待分析空间逻辑序列与所述病历数据思维体系分析模型中的基准空间逻辑序列进行比对,得到第二比对结果;
结合所述第一比对结果和所述第二比对结果,确定逻辑特征。
所述病历数据思维体系分析模型通过以下步骤构建:
对每一种设定医疗类型,从所述医疗病历模型中提取设定医疗类型的字段,并将所述设定医疗类型的字段组成字段集合;
对每种所述设定医疗类型的字段集合中字段的值域进行聚类统计,得到统计结果;
基于所述统计结果,计算所述设定医疗类型的字段集合中各个字段的权重;
按照时间顺序,对所述医疗病历模型中的病历文书进行排序,得到基准时间逻辑序列;
按照空间顺序,对所述医疗病历模型中的病历文书进行排序,得到基准空间逻辑序列;
将每种所述设定医疗类型的字段集合中字段及其权重,及所述基准时间逻辑序列及所述基准空间逻辑序列,组成病历数据思维体系分析模型。
一种病历学习质量评估装置,该装置包括:
第一获取模块,用于从病历中获取病历文书,将获取到的病历文书作为病历文书集合;
第二获取模块,用于获取医疗病历模型和病历数据思维体系分析模型;
第一确定模块,用于基于所述医疗病历模型,确定待分析字段,并统计各类病历文书中各类待分析字段的个数,将各类待分析字段的个数之和作为各类病历文书的字段统计结果,将各类病历文书的字段统计结果除以多类所述病历文书的字段统计结果之和,得到各类病历文书的权重;
第二确定模块,用于基于各类所述病历文书的权重及各类所述病历文书的待分析字段的个数,确定召回率;
第三确定模块,用于对所述病历文书集合中的病历文书之间的逻辑性进行分析,得到待分析逻辑序列,将所述待分析逻辑序列与所述病历数据思维体系分析模型中的基准逻辑序列进行比对,得到比对结果,并根据所述比对结果,确定逻辑特征;
第四确定模块,用于统计所述病历文书集合中标准字段的个数与干扰字段的个数,将所述标准字段的个数除以所述标准字段的个数与所述干扰字段的个数之和,得到的结果,作为表征病历文书准确性的特征,所述干扰字段为与所述医疗病历模型中干扰项对应的字段,所述干扰项为用于对所述医疗病历模型中标准项进行干扰的内容;
质量评估模块,用于结合所述召回率、所述逻辑特征和所述表征病历文书准确性的特征,对所述病历的学习质量进行评估。
所述第一确定模块,具体用于:
对所述医疗病历模型进行分析,确定医疗领域关注的多种类型的字段;
从所述医疗领域关注的多种类型的字段中,选取出设定类型的字段,作为待分析字段。
所述第二确定模块,具体用于:
对各类所述病历文书,将从所述病历文书的待分析字段中选取出的设定类型的字段的个数相加,得到第一字段个数;
对各类所述病历文书,将所述病历文书的权重与所述病历文书的第一字段个数相乘,得到第二字段个数;
基于将各类所述病历文书的第二字段个数相加,得到的结果,确定召回率。
所述第三确定模块,具体用于:
对所述病历文书集合中的病历文书之间的时间逻辑性进行分析,得到待分析时间逻辑序列,将所述待分析时间逻辑序列与所述病历数据思维体系分析模型中的基准时间逻辑序列进行比对,得到第一比对结果;
对所述病历文书集合中的病历文书之间的空间逻辑性进行分析,得到待分析空间逻辑序列,将所述待分析空间逻辑序列与所述病历数据思维体系分析模型中的基准空间逻辑序列进行比对,得到第二比对结果;
结合所述第一比对结果和所述第二比对结果,确定逻辑特征。
所述装置还包括:
构建模块,用于:
对每一种设定医疗类型,从所述医疗病历模型中提取设定医疗类型的字段,并将所述设定医疗类型的字段组成字段集合;
对每种所述设定医疗类型的字段集合中字段的值域进行聚类统计,得到统计结果;
基于所述统计结果,计算所述设定医疗类型的字段集合中各个字段的权重;
按照时间顺序,对所述医疗病历模型中的病历文书进行排序,得到基准时间逻辑序列;
按照空间顺序,对所述医疗病历模型中的病历文书进行排序,得到基准空间逻辑序列;
将每种所述设定医疗类型的字段集合中字段及其权重,及所述基准时间逻辑序列及所述基准空间逻辑序列,组成病历数据思维体系分析模型。
与现有技术相比,本申请的有益效果为:
在本申请中,统计各类病历文书中各类待分析字段的个数,将各类待分析字段的个数之和作为各类病历文书的字段统计结果,将各类病历文书的字段统计结果除以多类所述病历文书的字段统计结果之和,得到各类病历文书的权重,基于各类所述病历文书的权重及从各类所述病历文书的待分析字段的个数,确定召回率,保证召回率的客观性,并将所述待分析逻辑序列与所述病历数据思维体系分析模型中的基准逻辑序列进行比对,根据比对结果,确定逻辑特征,保证逻辑特征的客观性,以及,统计所述病历文书集合中标准字段的个数与干扰字段的个数,将所述标准字段的个数除以所述标准字段的个数与所述干扰字段的个数之和,得到的结果,作为标准病历文书准确性的特征,保证病历文书准确性的特征的客观性,结合客观性较强的召回率、逻辑特征和表征病历文书准确性的特征进行学习质量评估,可以提高学习质量评估的客观性,并且结合召回率、逻辑特征和表征病历文书准确性的特征进行学习质量评估,可以提高学习质量评估的全面性。通过提高学习质量评估的客观性及全面性,提高学习质量评估的准确性。
附图说明
为了更清楚地说明本申请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申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是为本申请实施例1提供的一种病历学习质量评估方法的流程图;
图2是为本申请实施例2提供的一种病历学习质量评估方法的流程图;
图3是为本申请实施例3提供的一种病历学习质量评估方法的流程图;
图4是本申请提供的一种病历学习质量评估装置的逻辑结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请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申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
参照图1,为本申请实施例1提供的一种病历学习质量评估方法的流程图,该方法可以包括但并不局限于以下步骤:
步骤S11、从病历中获取病历文书,将获取到的病历文书作为病历文书集合。
病历可以理解为:在医疗活动过程中形成的文字,符号,图表,影像,切片等资料的总和。病历可以包括门(急)诊病历和住院病历。本实施例中,病历可以为但不局限于:学习者完成的病历。
病历文书,可以理解为:符合病历书写规范模型的文字部分。例如,符合首页手术与操作模型的住院首页手术文书、符合诊断模型的住院首页诊断文书、符合入院记录文档模型的入院记录文书、符合检查报告文档模型的检查报告文书或符合医嘱模型的住院医嘱文书。
本实施例中,可以根据医疗领域关注的六种实体类型(如,疾病、症状、检验、检查、手术和药品),从病历文书集合中提取疾病类型的病历文书、症状类型的病历文书、检验类型的病历文书、检查类型的病历文书、手术类型的病历文书和药品类型的病历文书。
步骤S12、获取医疗病历模型和病历数据思维体系分析模型。
医疗病历模型可以理解为:基于电子病历数据,根据适用场景定义的结构化的数据结构。数据结构可以包含项目名称、显示名称、name和数据类型等信息的数据结构。结构化的数据结构包含多种类型的病历文书的数据结构,其中,对于每种类型的病历文书的数据结构,由相应的多种类型的字段的数据结构组成。多种类型的字段可以包括但不局限于:疾病类型的字段、症状类型的字段、检验类型的字段、检查类型的字段、手术类型的字段和药品类型的字段中任意一种或多种。
病历数据思维体系分析模型,可以理解为:对病历数据进行逻辑上的排列,所确定的逻辑模型。
步骤S13、基于所述医疗病历模型,确定待分析字段,并统计各类病历文书中各类待分析字段的个数,将各类待分析字段的个数之和作为各类病历文书的字段统计结果,将各类病历文书的字段统计结果除以多类所述病历文书的字段统计结果之和,得到各类病历文书的权重。
由于医疗病历模型中病历文书的数据结构由多个字段的数据结构组成,因此,基于医疗病历模型,可以确定各类病历文书中的待分析字段。待分析字段至少为医疗病历模型中的字段。
现举例对基于所述医疗病历模型,确定待分析字段,并统计各类病历文书中各类待分析字段的个数,将各类待分析字段的个数之和作为各类病历文书的字段统计结果,将各类病历文书的字段统计结果除以多类所述病历文书的字段统计结果之和,得到各类病历文书的权重的过程进行说明,例如,基于医疗病历模型,确定入院记录病历文书中的待分析字段为:主诉-症状、主诉-疾病、现病史-症状、现病史-疾病、现病史-检查、现病史-手术、现病史-药品、既往史-症状、既往史-疾病、既往史-检查、既往史-手术、既往史-药品、家族史-疾病等;确定检查报告病历文书中的待分析字段为:检查项目名称;确定首页诊断病历文书中的待分析字段为:诊断名称和鉴别诊断名称;确定首页手术病历文书中的待分析字段为手术名称;确定医嘱病历文书中的待分析字段为医嘱项名称;
统计入院记录病历文书中的待分析字段的个数为15,将15作为入院记录病历文书的字段统计结果;统计检查报告病历文书中的待分析字段的个数为15,将15作为检查报告病历文书的字段统计结果;统计首页诊断病历文书中的待分析字段的个数为20,将20作为首页诊断病历文书的字段统计结果;统计首页手术病历文书中的待分析字段的个数为20,将20作为首页手术病历文书的字段统计结果;统计医嘱病历文书中的待分析字段的个数为30,将30作为医嘱病历文书的字段统计结果。
利用如下关系式,计算入院记录病历文书的字段统计结果、检查报告病历文书的字段统计结果、首页诊断病历文书的字段统计结果、首页手术病历文书的字段统计结果和医嘱病历文书的字段统计结果之和:
Nsum=∑Nm(m=1,2,3...m);
Nm表示某一类病历文书的字段统计结果,Nsum表示多类病历文书的字段统计结果之和。
利用如下关系式,计算各类病历文书的权重:
Wm=Nm/Nsum*100%;
Wm表示某一类病历文书的权重;Nm表示该类病历文书的字段统计结果,Nsum表示多类病历文书的字段统计结果之和。
通过如上关系式,计算得到入院记录病历文书的权重为15%;检查报告病历文书的权重为15%;首页诊断病历文书的权重为20%;首页手术病历文书的权重为20%;医嘱病历文书的权重为30%。
本实施例中,在确定出各类病历文书的权重之后,各类病历文书的权重可以以图表的形式进行展示。以图表的形式展示各类病历文书的权重,更直观。
步骤S14、基于各类所述病历文书的权重及从各类所述病历文书的待分析字段的个数,确定召回率。
本实施例中,基于各类所述病历文书的权重及从各类所述病历文书的待分析字段的个数,确定召回率的过程,可以包括:
S141、对各类所述病历文书,将从所述病历文书的待分析字段中选取出的设定类型的字段的个数相加,得到第一字段个数。
设定类型可以根据需要进行设置,在本实施例中不做限制。
S142、对各类所述病历文书,将所述病历文书的权重与所述病历文书的第一字段个数相乘,得到第二字段个数。
S143、基于将各类所述病历文书的第二字段个数相加,得到的结果,确定召回率。
现举例对步骤S141-S143进行说明,例如,从入院记录病历文书的待分析字段中选择m个字段,并利用如下关系式,计算m个字段的个数之和:Nsum1=∑Nm(m=1,2,3...m),Nm表示从入院记录病历文书的待分析字段中选择的第m个字段的个数,Nsum1表示入院记录病历文书的m个字段的个数之和;
从检查报告病历文书的待分析字段中选择m个字段,并利用如下关系式,计算m个字段的个数之和:Nsum2=∑Nm(m=1,2,3...m),Nm表示从检查报告病历文书的待分析字段中选择的第m个字段的个数,Nsum2表示检查报告病历文书的m个字段的个数之和;
从首页诊断病历文书的待分析字段中选择m个字段,并利用如下关系式,计算m个字段的个数之和:Nsum3=∑Nm(m=1,2,3...m),Nm表示从首页诊断病历文书的待分析字段中选择的第m个字段的个数,Nsum3表示首页诊断病历文书的m个字段的个数之和;
从首页手术病历文书的待分析字段中选择m个字段,并利用如下关系式,计算m个字段的个数之和:Nsum4=∑Nm(m=1,2,3...m),Nm表示从首页手术病历文书的待分析字段中选择的第m个字段的个数,Nsum4表示首页手术病历文书的m个字段的个数之和;
从医嘱病历文书的待分析字段中选择m个字段,并利用如下关系式,计算m个字段的个数之和:Nsum5=∑Nm(m=1,2,3...m),Nm表示从医嘱病历文书的待分析字段中选择的第m个字段的个数,Nsum5表示医嘱病历文书的m个字段的个数之和。
利用如下关系式,计算召回率:
Pre=100*(Nsum1*0.15+Nsum2*0.15+Nsum3*0.2+Nsum4*0.2+Nsum5*0.3);
Pre表示召回率。
当然,也可以利用如下关系式,计算召回率:
Pre=Nsum1*0.15+Nsum2*0.15+Nsum3*0.2+Nsum4*0.2+Nsum5*0.3);
Pre表示召回率。
当然,基于各类所述病历文书的权重及从各类所述病历文书的待分析字段的个数,确定召回率的过程,也可以包括:
S144、对各类所述病历文书,将所述病历文书的待分析字段的个数相加,得到第三字段个数。
S145、对各类所述病历文书,将所述病历文书的权重与所述病历文书的第三字段个数相乘,得到第四字段个数。
S146、基于将各类所述病历文书的第四字段个数相加,得到的结果,确定召回率。
基于将各类所述病历文书的第四字段个数相加,得到的结果,确定召回率的过程,可以为:将各类所述病历文书的第四字段个数相加,得到的结果,作为召回率。
基于将各类所述病历文书的第四字段个数相加,得到的结果,确定召回率的过程,也可以为:将各类所述病历文书的第四字段个数相加,得到的结果乘以100,得到召回率。
步骤S15、对所述病历文书集合中的病历文书之间的逻辑性进行分析,得到待分析逻辑序列,将所述待分析逻辑序列与所述病历数据思维体系分析模型中的基准逻辑序列进行比对,得到比对结果,并根据所述比对结果,确定逻辑特征。
本实施例中,可以基于病历数据思维体系分析模型,对所述病历文书集合中的病历文书之间的逻辑性进行分析,得到待分析逻辑序列。
本实施例中,可以利用如下关系式,确定逻辑特征:
A=num*(100/count);
A表示逻辑特征,num表示比对结果中待分析逻辑序列与病历数据思维体系分析模型中的基准逻辑序列中序号和位置号吻合的数据的个数,count表示待分析逻辑序列的个数。
本实施例中,病历数据思维体系分析模型可以通过以下步骤构建:
S151、对每一种设定医疗类型,从所述医疗病历模型中提取设定医疗类型的字段,并将所述设定医疗类型的字段组成字段集合。
设定医疗类型可以根据需要进行设置,在本实施例中不做限制。
设定医疗类型可以包括但不局限于:疾病、症状、药品、手术、检验和检查等类型。例如,从医疗病历模型中提取疾病类型的字段,将疾病类型的字段组成疾病字段集合,如,疾病={首页诊断-诊断名称,入院记录-既往史-疾病名称,上级医师查房录-疾病名称...};从医疗病历模型中提取症状类型的字段,将症状类型的字段组成症状字段集合,如,症状={入院记录-主诉-症状名称,入院记录-现病史-症状名称...};从医疗病历模型中提取药品类型的字段,将药品类型的字段组成药品字段集合,如药品={医嘱-药品名称,入院记录-现病史-药品名称...};从医疗病历模型中提取手术类型的字段,将手术类型的字段组成手术字段集合,如,手术={首页手术-手术名称,手术记录-手术名称...};从医疗病历模型中提取检验类型的字段,将检验类型的字段组成检验字段集合,如,检验={检验报告-检验项目名称...};从医疗病历模型中提取检查类型的字段,将检查类型的字段组成检查字段集合,如,检查={检查报告-检查项目名称...}。
S152、对每种所述设定医疗类型的字段集合中字段的值域进行聚类统计,得到统计结果。
对每种所述设定医疗类型的字段集合中字段的值域进行聚类统计,得到统计结果,可以包括:
加入字段集合中字段的同义词,对每种所述设定医疗类型的字段集合中字段的值域进行统计,得到统计结果。例如,将疾病类型的所有字段的值域进行聚类统计,统计结果如下:
{冠心病=500,冠状动脉粥样硬化性心脏病=500,高血压=800,糖尿病=500,心肌梗死=100}
加入同义词后,聚类统计的统计结果如下:
{冠状动脉粥样硬化性心脏病=1000,高血压=800,糖尿病=500,心肌梗死=100}
S153、基于所述统计结果,计算所述设定医疗类型的字段集合中各个字段的权重。
基于所述统计结果,计算所述设定医疗类型的字段集合中各个字段的权重的过程,可以包括:
将各个字段的统计结果除以字段集合中多个字段的统计结果之和,得到各个字段的权重。例如,冠状动脉粥样硬化性心脏病的权重=1000/(1000+800+500+100)=0.42
高血压的权重=800/(1000+800+500+100)=0.33
糖尿病的权重=500/(1000+800+500+100)=0.21
心机梗死的权重=100/(1000+800+500+100)=0.04
S154、按照时间顺序,对所述医疗病历模型中的病历文书进行排序,得到基准时间逻辑序列。
由于病历数据为一条时间序列,记录着收集病情、诊断、诊疗的过程,因此,可以按照时间顺序,对医疗病历模型中的病历文书进行排序,得到基准时间逻辑序列。
本实施例中,可以按照不同的时间顺序,对医疗病历模型中的多个病历文书进行排列组合,并对排列组合的结果进行分析,将符合设定时间排序要求的排列组合的结果作为基准时间逻辑序列。
S155、按照空间顺序,对所述医疗病历模型中的病历文书进行排序,得到基准空间逻辑序列。
由于病历数据也是一条空间路径,因此按照空间顺序,对医疗病历模型中的病历文书进行排序,得到基准空间逻辑序列。
本实施例中,可以按照不同的空间顺序,对医疗病历模型中的多个病历文书进行排列组合,并对排列组合的结果进行分析,将符合设定空间排序要求的排列组合的结果作为基准空间逻辑序列。
S156、将每种所述设定医疗类型的字段集合中字段及其权重,及所述基准时间逻辑序列及所述基准空间逻辑序列,组成病历数据思维体系分析模型。
步骤S16、统计所述病历文书集合中标准字段的个数与干扰字段的个数,将所述标准字段的个数除以所述标准字段的个数与所述干扰字段的个数之和,得到的结果,作为表征病历文书准确性的特征。
所述干扰字段为与所述医疗病历模型中干扰项对应的字段,所述干扰项为用于对所述医疗病历模型中标准项进行干扰的内容。
步骤S17、结合所述召回率、所述逻辑特征和所述表征病历文书准确性的特征,对所述病历的学习质量进行评估。
在本申请中,统计各类病历文书中各类待分析字段的个数,将各类待分析字段的个数之和作为各类病历文书的字段统计结果,将各类病历文书的字段统计结果除以多类所述病历文书的字段统计结果之和,得到各类病历文书的权重,基于各类所述病历文书的权重及从各类所述病历文书的待分析字段的个数,确定召回率,保证召回率的客观性,并将所述待分析逻辑序列与所述病历数据思维体系分析模型中的基准逻辑序列进行比对,根据比对结果,确定逻辑特征,保证逻辑特征的客观性,以及,统计所述病历文书集合中标准字段的个数与干扰字段的个数,将所述标准字段的个数除以所述标准字段的个数与所述干扰字段的个数之和,得到的结果,作为标准病历文书准确性的特征,保证病历文书准确性的特征的客观性,结合客观性较强的召回率、逻辑特征和表征病历文书准确性的特征进行学习质量评估,可以提高学习质量评估的客观性,并且结合召回率、逻辑特征和表征病历文书准确性的特征进行学习质量评估,可以提高学习质量评估的全面性。通过提高学习质量评估的客观性及全面性,提高学习质量评估的准确性。
基于上述内容,作为本申请另一可选实施例,参照图2,为本申请提供的一种病历学习质量评估方法实施例2的流程图,本实施例主要是对上述实施例1描述的病历学习质量评估方法的细化方案,如图2所示,该方法可以包括但并不局限于以下步骤:
步骤S21、从病历中获取病历文书,将获取到的病历文书作为病历文书集合。
步骤S22、获取医疗病历模型和病历数据思维体系分析模型。
步骤S21-S22的详细过程可以参见实施例1中步骤S11-S12的相关介绍,在此不再赘述。
步骤S23、对所述医疗病历模型进行分析,确定医疗领域关注的多种类型的字段。
由于医疗病历模型由多种类型的字段组成,因此,可以对医疗病历模型进行分析,确定医疗领域关注的多种类型的字段。
步骤S24、从所述医疗领域关注的多种类型的字段中,选取出设定类型的字段,作为待分析字段。
设定类型可以根据需要进行设置,在此不做限制。
当然,也可以直接将医疗领域关注的多种类型的字段,作为待分析字段。
步骤S25、统计各类病历文书中各类待分析字段的个数,将各类待分析字段的个数之和作为各类病历文书的字段统计结果,将各类病历文书的字段统计结果除以多类所述病历文书的字段统计结果之和,得到各类病历文书的权重。
步骤S23-S25为实施例1中步骤S13的一种具体实施方式。
步骤S26、基于各类所述病历文书的权重及各类所述病历文书的待分析字段的个数,确定召回率。
步骤S27、对所述病历文书集合中的病历文书之间的逻辑性进行分析,得到待分析逻辑序列,将所述待分析逻辑序列与所述病历数据思维体系分析模型中的基准逻辑序列进行比对,得到比对结果,并根据所述比对结果,确定逻辑特征。
步骤S28、统计所述病历文书集合中标准字段的个数与干扰字段的个数,将所述标准字段的个数除以所述标准字段的个数与所述干扰字段的个数之和,得到的结果,作为表征病历文书准确性的特征。
所述干扰字段为与所述医疗病历模型中干扰项对应的字段,所述干扰项为用于对所述医疗病历模型中标准项进行干扰的内容;
步骤S29、结合所述召回率、所述逻辑特征和所述表征病历文书准确性的特征,对所述病历的学习质量进行评估。
步骤S26-S29的详细过程可以参见实施例1中步骤S14-S17的相关介绍,在此不再赘述。
基于上述内容,作为本申请另一可选实施例,参照图3,为本申请提供的一种病历学习质量评估方法实施例3的流程图,本实施例主要是对上述实施例1描述的病历学习质量评估方法的细化方案,如图3所示,该方法可以包括但并不局限于以下步骤:
步骤S31、从病历中获取病历文书,将获取到的病历文书作为病历文书集合。
步骤S32、获取医疗病历模型和病历数据思维体系分析模型。
步骤S33、基于所述医疗病历模型,确定待分析字段,并统计各类病历文书中各类待分析字段的个数,将各类待分析字段的个数之和作为各类病历文书的字段统计结果,将各类病历文书的字段统计结果除以多类所述病历文书的字段统计结果之和,得到各类病历文书的权重。
步骤S34、基于各类所述病历文书的权重及各类所述病历文书的待分析字段的个数,确定召回率。
步骤S31-S34的详细过程可以参见实施例1中步骤S11-S14的相关介绍,在此不再赘述。
步骤S35、对所述病历文书集合中的病历文书之间的时间逻辑性进行分析,得到待分析时间逻辑序列,将所述待分析时间逻辑序列与所述病历数据思维体系分析模型中的基准时间逻辑序列进行比对,得到第一比对结果。
步骤S36、对所述病历文书集合中的病历文书之间的空间逻辑性进行分析,得到待分析空间逻辑序列,将所述待分析空间逻辑序列与所述病历数据思维体系分析模型中的基准空间逻辑序列进行比对,得到第二比对结果。
步骤S37、结合所述第一比对结果和所述第二比对结果,确定逻辑特征。
本实施例中,结合第一比对结果和第二比对结果,确定逻辑特征,可以提高逻辑特征的准确性。
本实施例中,可以利用如下关系式,确定逻辑特征:
timeSeries=num 1*(100/count1)
spatialSequence=num 2*(100/count2)
Log=timeSeries*0.5+spatialSequence*0.5
其中,num1表示第一比对结果中待分析时间逻辑序列与基准时间逻辑序列中序号和位置号吻合的数据的个数,count1表示待分析时间逻辑序列的个数,num2表示第二比对结果中待分析空间逻辑序列与基准空间逻辑序列中序号和位置号吻合的数据的个数,count1表示待分析空间逻辑序列的个数,timeSeries表示时间序列分值,spatialSequence表示空间序列分值,Log表示逻辑特征。
步骤S35-S37为实施例1中步骤S15的一种具体实施方式。
步骤S38、统计所述病历文书集合中标准字段的个数与干扰字段的个数,将所述标准字段的个数除以所述标准字段的个数与所述干扰字段的个数之和,得到的结果,作为表征病历文书准确性的特征,所述干扰字段为与所述医疗病历模型中干扰项对应的字段,所述干扰项为用于对所述医疗病历模型中标准项进行干扰的内容。
步骤S39、结合所述召回率、所述逻辑特征和所述表征病历文书准确性的特征,对所述病历的学习质量进行评估。
步骤S38-S39的详细过程可以参见实施例1中步骤S16-S17的相关介绍,在此不再赘述。
接下来对本申请提供的病历学习质量评估装置进行介绍,下文介绍的病历学习质量评估装置与上文介绍的病历学习质量评估方法可相互对应参照。
请参见图4,病历学习质量评估装置包括:第一获取模块11、第二获取模块12、第一确定模块13、第二确定模块14、第三确定模块15、第四确定模块16和质量评估模块17。
第一获取模块11,用于从病历中获取病历文书,将获取到的病历文书作为病历文书集合;
第二获取模块12,用于获取医疗病历模型和病历数据思维体系分析模型;
第一确定模块13,用于基于所述医疗病历模型,确定待分析字段,并统计各类病历文书中各类待分析字段的个数,将各类待分析字段的个数之和作为各类病历文书的字段统计结果,将各类病历文书的字段统计结果除以多类所述病历文书的字段统计结果之和,得到各类病历文书的权重;
第二确定模块14,用于基于各类所述病历文书的权重及各类所述病历文书的待分析字段的个数,确定召回率;
第三确定模块15,用于对所述病历文书集合中的病历文书之间的逻辑性进行分析,得到待分析逻辑序列,将所述待分析逻辑序列与所述病历数据思维体系分析模型中的基准逻辑序列进行比对,得到比对结果,并根据所述比对结果,确定逻辑特征;
第四确定模块16,用于统计所述病历文书集合中标准字段的个数与干扰字段的个数,将所述标准字段的个数除以所述标准字段的个数与所述干扰字段的个数之和,得到的结果,作为表征病历文书准确性的特征,所述干扰字段为与所述医疗病历模型中干扰项对应的字段,所述干扰项为用于对所述医疗病历模型中标准项进行干扰的内容;
质量评估模块17,用于结合所述召回率、所述逻辑特征和所述表征病历文书准确性的特征,对所述病历的学习质量进行评估。
本实施例中,第一确定模块13,具体可以用于:
对所述医疗病历模型进行分析,确定医疗领域关注的多种类型的字段;
从所述医疗领域关注的多种类型的字段中,选取出设定类型的字段,作为待分析字段。
本实施例中,所述第二确定模块14,具体可以用于:
对各类所述病历文书,将从所述病历文书的待分析字段中选取出的设定类型的字段的个数相加,得到第一字段个数;
对各类所述病历文书,将所述病历文书的权重与所述病历文书的第一字段个数相乘,得到第二字段个数;
基于将各类所述病历文书的第二字段个数相加,得到的结果,确定召回率。
本实施例中,第三确定模块15,具体可以用于:
对所述病历文书集合中的病历文书之间的时间逻辑性进行分析,得到待分析时间逻辑序列,将所述待分析时间逻辑序列与所述病历数据思维体系分析模型中的基准时间逻辑序列进行比对,得到第一比对结果;
对所述病历文书集合中的病历文书之间的空间逻辑性进行分析,得到待分析空间逻辑序列,将所述待分析空间逻辑序列与所述病历数据思维体系分析模型中的基准空间逻辑序列进行比对,得到第二比对结果;
结合所述第一比对结果和所述第二比对结果,确定逻辑特征。
本实施例中,病历学习质量评估装置还可以包括:
构建模块,用于:
对每一种设定医疗类型,从所述医疗病历模型中提取设定医疗类型的字段,并将所述设定医疗类型的字段组成字段集合;
对每种所述设定医疗类型的字段集合中字段的值域进行聚类统计,得到统计结果;
基于所述统计结果,计算所述设定医疗类型的字段集合中各个字段的权重;
按照时间顺序,对所述医疗病历模型中的病历文书进行排序,得到基准时间逻辑序列;
按照空间顺序,对所述医疗病历模型中的病历文书进行排序,得到基准空间逻辑序列;
将每种所述设定医疗类型的字段集合中字段及其权重,及所述基准时间逻辑序列及所述基准空间逻辑序列,组成病历数据思维体系分析模型。
需要说明的是,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。对于装置类实施例而言,由于其与方法实施例基本相似,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。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
通过以上的实施方式的描述可知,本领域的技术人员可以清楚地了解到本申请可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在存储介质中,如ROM/RAM、磁碟、光盘等,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)执行本申请各个实施例或者实施例的某些部分所述的方法。
以上对本申请所提供的一种病历学习质量评估方法及装置进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
Claims (10)
1.一种病历学习质量评估方法,其特征在于,该方法包括:
从病历中获取病历文书,将获取到的病历文书作为病历文书集合;
获取医疗病历模型和病历数据思维体系分析模型;
基于所述医疗病历模型,确定待分析字段,并统计各类病历文书中各类待分析字段的个数,将各类待分析字段的个数之和作为各类病历文书的字段统计结果,将各类病历文书的字段统计结果除以多类所述病历文书的字段统计结果之和,得到各类病历文书的权重;
基于各类所述病历文书的权重及各类所述病历文书的待分析字段的个数,确定召回率;
对所述病历文书集合中的病历文书之间的逻辑性进行分析,得到待分析逻辑序列,将所述待分析逻辑序列与所述病历数据思维体系分析模型中的基准逻辑序列进行比对,得到比对结果,并根据所述比对结果,确定逻辑特征;
统计所述病历文书集合中标准字段的个数与干扰字段的个数,将所述标准字段的个数除以所述标准字段的个数与所述干扰字段的个数之和,得到的结果,作为表征病历文书准确性的特征,所述干扰字段为与所述医疗病历模型中干扰项对应的字段,所述干扰项为用于对所述医疗病历模型中标准项进行干扰的内容;
结合所述召回率、所述逻辑特征和所述表征病历文书准确性的特征,对所述病历的学习质量进行评估。
2.根据权利要求1所述的方法,其特征在于,所述基于所述医疗病历模型,确定待分析字段,包括:
对所述医疗病历模型进行分析,确定医疗领域关注的多种类型的字段;
从所述医疗领域关注的多种类型的字段中,选取出设定类型的字段,作为待分析字段。
3.根据权利要求1所述的方法,其特征在于,所述基于各类所述病历文书的权重及各类所述病历文书的待分析字段的个数,确定召回率,包括:
对各类所述病历文书,将从所述病历文书的待分析字段中选取出的设定类型的字段的个数相加,得到第一字段个数;
对各类所述病历文书,将所述病历文书的权重与所述病历文书的第一字段个数相乘,得到第二字段个数;
基于将各类所述病历文书的第二字段个数相加,得到的结果,确定召回率。
4.根据权利要求1所述的方法,其特征在于,所述对所述病历文书集合中的病历文书之间的逻辑性进行分析,得到待分析逻辑序列,将所述待分析逻辑序列与所述病历数据思维体系分析模型中的基准逻辑序列进行比对,得到比对结果,并根据所述比对结果,确定逻辑特征,包括:
对所述病历文书集合中的病历文书之间的时间逻辑性进行分析,得到待分析时间逻辑序列,将所述待分析时间逻辑序列与所述病历数据思维体系分析模型中的基准时间逻辑序列进行比对,得到第一比对结果;
对所述病历文书集合中的病历文书之间的空间逻辑性进行分析,得到待分析空间逻辑序列,将所述待分析空间逻辑序列与所述病历数据思维体系分析模型中的基准空间逻辑序列进行比对,得到第二比对结果;
结合所述第一比对结果和所述第二比对结果,确定逻辑特征。
5.根据权利要求4所述的方法,其特征在于,所述病历数据思维体系分析模型通过以下步骤构建:
对每一种设定医疗类型,从所述医疗病历模型中提取设定医疗类型的字段,并将所述设定医疗类型的字段组成字段集合;
对每种所述设定医疗类型的字段集合中字段的值域进行聚类统计,得到统计结果;
基于所述统计结果,计算所述设定医疗类型的字段集合中各个字段的权重;
按照时间顺序,对所述医疗病历模型中的病历文书进行排序,得到基准时间逻辑序列;
按照空间顺序,对所述医疗病历模型中的病历文书进行排序,得到基准空间逻辑序列;
将每种所述设定医疗类型的字段集合中字段及其权重,及所述基准时间逻辑序列及所述基准空间逻辑序列,组成病历数据思维体系分析模型。
6.一种病历学习质量评估装置,其特征在于,该装置包括:
第一获取模块,用于从病历中获取病历文书,将获取到的病历文书作为病历文书集合;
第二获取模块,用于获取医疗病历模型和病历数据思维体系分析模型;
第一确定模块,用于基于所述医疗病历模型,确定待分析字段,并统计各类病历文书中各类待分析字段的个数,将各类待分析字段的个数之和作为各类病历文书的字段统计结果,将各类病历文书的字段统计结果除以多类所述病历文书的字段统计结果之和,得到各类病历文书的权重;
第二确定模块,用于基于各类所述病历文书的权重及各类所述病历文书的待分析字段的个数,确定召回率;
第三确定模块,用于对所述病历文书集合中的病历文书之间的逻辑性进行分析,得到待分析逻辑序列,将所述待分析逻辑序列与所述病历数据思维体系分析模型中的基准逻辑序列进行比对,得到比对结果,并根据所述比对结果,确定逻辑特征;
第四确定模块,用于统计所述病历文书集合中标准字段的个数与干扰字段的个数,将所述标准字段的个数除以所述标准字段的个数与所述干扰字段的个数之和,得到的结果,作为表征病历文书准确性的特征,所述干扰字段为与所述医疗病历模型中干扰项对应的字段,所述干扰项为用于对所述医疗病历模型中标准项进行干扰的内容;
质量评估模块,用于结合所述召回率、所述逻辑特征和所述表征病历文书准确性的特征,对所述病历的学习质量进行评估。
7.根据权利要求6所述的装置,其特征在于,所述第一确定模块,具体用于:
对所述医疗病历模型进行分析,确定医疗领域关注的多种类型的字段;
从所述医疗领域关注的多种类型的字段中,选取出设定类型的字段,作为待分析字段。
8.根据权利要求6所述的装置,其特征在于,所述第二确定模块,具体用于:
对各类所述病历文书,将从所述病历文书的待分析字段中选取出的设定类型的字段的个数相加,得到第一字段个数;
对各类所述病历文书,将所述病历文书的权重与所述病历文书的第一字段个数相乘,得到第二字段个数;
基于将各类所述病历文书的第二字段个数相加,得到的结果,确定召回率。
9.根据权利要求6所述的装置,其特征在于,所述第三确定模块,具体用于:
对所述病历文书集合中的病历文书之间的时间逻辑性进行分析,得到待分析时间逻辑序列,将所述待分析时间逻辑序列与所述病历数据思维体系分析模型中的基准时间逻辑序列进行比对,得到第一比对结果;
对所述病历文书集合中的病历文书之间的空间逻辑性进行分析,得到待分析空间逻辑序列,将所述待分析空间逻辑序列与所述病历数据思维体系分析模型中的基准空间逻辑序列进行比对,得到第二比对结果;
结合所述第一比对结果和所述第二比对结果,确定逻辑特征。
10.根据权利要求9所述的装置,其特征在于,所述装置还包括:
构建模块,用于:
对每一种设定医疗类型,从所述医疗病历模型中提取设定医疗类型的字段,并将所述设定医疗类型的字段组成字段集合;
对每种所述设定医疗类型的字段集合中字段的值域进行聚类统计,得到统计结果;
基于所述统计结果,计算所述设定医疗类型的字段集合中各个字段的权重;
按照时间顺序,对所述医疗病历模型中的病历文书进行排序,得到基准时间逻辑序列;
按照空间顺序,对所述医疗病历模型中的病历文书进行排序,得到基准空间逻辑序列;
将每种所述设定医疗类型的字段集合中字段及其权重,及所述基准时间逻辑序列及所述基准空间逻辑序列,组成病历数据思维体系分析模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011223016.0A CN112184084B (zh) | 2020-11-05 | 2020-11-05 | 一种病历学习质量评估方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011223016.0A CN112184084B (zh) | 2020-11-05 | 2020-11-05 | 一种病历学习质量评估方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112184084A CN112184084A (zh) | 2021-01-05 |
CN112184084B true CN112184084B (zh) | 2023-08-08 |
Family
ID=73917811
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011223016.0A Active CN112184084B (zh) | 2020-11-05 | 2020-11-05 | 一种病历学习质量评估方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112184084B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104541473A (zh) * | 2012-06-01 | 2015-04-22 | 黑莓有限公司 | 基于概率方法的用于保证多格式音频***中的锁定的通用同步引擎 |
CN109753516A (zh) * | 2019-01-31 | 2019-05-14 | 北京嘉和美康信息技术有限公司 | 一种病历搜索结果的排序方法和相关装置 |
CN110362829A (zh) * | 2019-07-16 | 2019-10-22 | 北京百度网讯科技有限公司 | 结构化病历数据的质量评估方法、装置及设备 |
CN111143374A (zh) * | 2019-12-31 | 2020-05-12 | 杭州依图医疗技术有限公司 | 一种数据辅助识别的方法、***、计算设备及存储介质 |
CN111209742A (zh) * | 2019-12-25 | 2020-05-29 | 南京医睿科技有限公司 | 诊断依据数据的确定方法、装置、可读介质及电子设备 |
CN111597789A (zh) * | 2020-04-07 | 2020-08-28 | 华瑞新智科技(北京)有限公司 | 一种电子病历文本的评估方法及设备 |
-
2020
- 2020-11-05 CN CN202011223016.0A patent/CN112184084B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104541473A (zh) * | 2012-06-01 | 2015-04-22 | 黑莓有限公司 | 基于概率方法的用于保证多格式音频***中的锁定的通用同步引擎 |
CN109753516A (zh) * | 2019-01-31 | 2019-05-14 | 北京嘉和美康信息技术有限公司 | 一种病历搜索结果的排序方法和相关装置 |
CN110362829A (zh) * | 2019-07-16 | 2019-10-22 | 北京百度网讯科技有限公司 | 结构化病历数据的质量评估方法、装置及设备 |
CN111209742A (zh) * | 2019-12-25 | 2020-05-29 | 南京医睿科技有限公司 | 诊断依据数据的确定方法、装置、可读介质及电子设备 |
CN111143374A (zh) * | 2019-12-31 | 2020-05-12 | 杭州依图医疗技术有限公司 | 一种数据辅助识别的方法、***、计算设备及存储介质 |
CN111597789A (zh) * | 2020-04-07 | 2020-08-28 | 华瑞新智科技(北京)有限公司 | 一种电子病历文本的评估方法及设备 |
Non-Patent Citations (1)
Title |
---|
区域卫生数据用于临床疗效分析的可用性研究;叶琪;赵亮;阮彤;冯东雷;高炬;刘珉;;大数据(03);13-23 * |
Also Published As
Publication number | Publication date |
---|---|
CN112184084A (zh) | 2021-01-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Cross-sectional studies: strengths, weaknesses, and recommendations | |
Brady et al. | The HEART score: A guide to its application in the emergency department | |
Pincus et al. | Quantitative measures for assessing rheumatoid arthritis in clinical trials and clinical care | |
CN111710420B (zh) | 一种基于电子病历大数据的并发症发病风险预测方法、***、终端以及存储介质 | |
Meystre et al. | Natural language processing to extract medical problems from electronic clinical documents: performance evaluation | |
Lindsell et al. | The Internet Tracking Registry of Acute Coronary Syndromes (i* trACS): a multicenter registry of patients with suspicion of acute coronary syndromes reported using the standardized reporting guidelines for emergency department chest pain studies | |
Rahman et al. | Using and comparing different decision tree classification techniques for mining ICDDR, B Hospital Surveillance data | |
JP2008532104A (ja) | 複数の医療関連アウトカムの予測を行い、インターベンション計画の評価を行い、更に同時にバイオマーカー因果性検証を行うことのできる、予測モデルを生成して適用する方法、そのシステム、及びそのコンピュータ・プログラム製品 | |
Mortazavi et al. | Prediction of adverse events in patients undergoing major cardiovascular procedures | |
Grün et al. | Identifying heart failure in ECG data with artificial intelligence—a meta-analysis | |
Ghasemi et al. | Feature selection in pre-diagnosis heart coronary artery disease detection: a heuristic approach for feature selection based on information gain ratio and Gini index | |
Liu et al. | TOP-Net prediction model using bidirectional long short-term memory and medical-grade wearable multisensor system for tachycardia onset: algorithm development study | |
Kokko et al. | Longitudinal profiles of mental well-being as correlates of successful aging in middle age | |
Nasimov et al. | A new approach to classifying myocardial infarction and cardiomyopathy using deep learning | |
Séverac et al. | Non-redundant association rules between diseases and medications: an automated method for knowledge base construction | |
Tsien | Event discovery in medical time-series data. | |
Machida et al. | Which measures from a sustained attention task best predict ADHD group membership? | |
US20030191666A1 (en) | System and method for evaluating pretest probabilities of life-threatening diseases | |
CN112184084B (zh) | 一种病历学习质量评估方法及装置 | |
Basu | An Introduction to Meta‐Analysis | |
Deepa et al. | Experimental evaluation of artificial intelligence assisted heart disease prediction using deep learning principle | |
Hani et al. | Effective prediction of mortality by heart disease among women in Jordan using the chi-squared automatic interaction detection model: Retrospective validation study | |
Suter et al. | How research conclusions go wrong: A primer for home health clinicians | |
Shrestha et al. | Ecg data analysis with mse and machine learning | |
Fraser et al. | Evaluation of a cardiac diagnostic program in a typical clinical setting |
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 |