CN112562808B - 患者画像的生成方法、装置、电子设备及存储介质 - Google Patents
患者画像的生成方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN112562808B CN112562808B CN202011460427.1A CN202011460427A CN112562808B CN 112562808 B CN112562808 B CN 112562808B CN 202011460427 A CN202011460427 A CN 202011460427A CN 112562808 B CN112562808 B CN 112562808B
- Authority
- CN
- China
- Prior art keywords
- patient
- event
- medical
- diagnosis
- treatment
- 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
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000003745 diagnosis Methods 0.000 claims abstract description 95
- 230000007721 medicinal effect Effects 0.000 claims abstract description 66
- 238000000605 extraction Methods 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 16
- 238000010606 normalization Methods 0.000 claims description 2
- 238000003058 natural language processing Methods 0.000 abstract description 13
- 238000013473 artificial intelligence Methods 0.000 abstract description 11
- 238000013135 deep learning Methods 0.000 abstract description 6
- 230000019771 cognition Effects 0.000 abstract description 5
- 238000005516 engineering process Methods 0.000 description 14
- 238000004590 computer program Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 9
- 230000006399 behavior Effects 0.000 description 7
- 229940079593 drug Drugs 0.000 description 7
- 239000003814 drug Substances 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 201000010099 disease Diseases 0.000 description 5
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000003759 clinical diagnosis Methods 0.000 description 4
- 208000024891 symptom Diseases 0.000 description 4
- 206010002091 Anaesthesia Diseases 0.000 description 3
- 230000037005 anaesthesia Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000010882 preoperative diagnosis Methods 0.000 description 3
- 238000001356 surgical procedure Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 208000017667 Chronic Disease Diseases 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 238000003908 quality control method Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000012098 association analyses Methods 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000003924 mental process Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000000554 physical therapy Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本申请公开了患者画像的生成方法、装置、电子设备和存储介质，涉及计算机技术领域，具体涉及自然语言处理、知识图谱和深度学习等人工智能技术领域。具体实现方案为：获取患者的病历信息，并获取患者的医疗活动信息；从病历信息和医疗活动信息之中提取诊疗事件；以及根据提取的诊疗事件生成患者的患者画像。本申请实施例的生成方法，可以形成对患者的更全面、更立体、更完整的认知。
Description
技术领域
本申请涉及计算机技术领域，具体涉及自然语言处理、知识图谱和深度学习等人工智能技术领域，尤其涉及一种患者画像的生成方法、装置、电子设备和存储介质。
背景技术
目前，EMR(Electronic Medical Record，电子病历)是记录医院患者各种医疗活动的主要载体，现有的电子病历结构化技术大多是针对实体以及实体之间关系，电子病历中的实体主要包括疾病、症状、药物、检验、检查、手术等等。实体识别虽然对药物、疾病等实体也能进行抽取。
EMR中的医疗活动以及医疗活动之间的关系是临床信息学应用的基本概念，如辅助诊断、治疗效果分析。现有EMR仅仅以院方的原始单据作为存储结构，缺乏对医疗活动的明确和准确的语义定义；再者许多临床事件涉及分布在多个单据中，孤独的EMR单据结构无法表达不同医疗活动之间存在的因果、顺承、时序等关系。
发明内容
本申请提供一种患者画像的生成方法、装置、电子设备和存储介质。
根据本申请的一方面，提供了一种患者画像的生成方法，包括：
获取患者的病历信息，并获取所述患者的医疗活动信息；
从所述病历信息和所述医疗活动信息之中提取诊疗事件；以及
根据所述提取的所述诊疗事件生成所述患者的患者画像。
根据本申请的另一方面，提供了一种患者画像的生成装置，包括：
获取模块，用于获取患者的病历信息，并获取所述患者的医疗活动信息；
提取模块，用于从所述病历信息和所述医疗活动信息之中提取诊疗事件；以及
生成模块，用于根据所述提取的所述诊疗事件生成所述患者的患者画像。
根据本申请的另一方面，提供了一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述一方面实施例所述的患者画像的生成方法。
根据本申请另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其上存储有计算机程序，所述计算机指令用于使所述计算机执行上述一方面实施例所述的患者画像的生成方法。
根据本申请的另一方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现上述一方面实施例所述的患者画像的生成方法。
应当理解，本部分所描述的内容并非旨在标识本申请的实施例的关键或重要特征，也不用于限制本申请的范围。本申请的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案，不构成对本申请的限定。其中：
图1为本申请实施例提供的一种患者画像的生成方法的流程示意图；
图2为本申请实施例提供的另一种患者画像的生成方法的流程示意图；
图3为本申请实施例提供的另一种患者画像的生成方法的流程示意图；
图4为本申请实施例提供的一种患者画像的生成装置的结构示意图；以及
图5为根据本申请实施例的患者画像的生成方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
下面参考附图描述本申请实施例的患者画像的生成方法、装置、电子设备和存储介质。
人工智能是研究使用计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科，既有硬件层面的技术领域也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术；人工智能软件技术包括计算机视觉技术、语音识别技术、自然语言处理技术以及深度学习、大数据处理技术、知识图谱技术等几大方向。
自然语言处理是计算机科学领域与人工智能领域中的一个重要方向。它研究能实现人与计算机之间用自然语言进行有效通信的各种理论和方法。自然语言处理是一门融语言学、计算机科学、数学于一体的科学。
深度学习是机器学习领域中一个新的研究方向。深度学习是学习样本数据的内在规律和表示层次，这些学习过程中获得的信息对诸如文字，图像和声音等数据的解释有很大的帮助。它的最终目标是让机器能够像人一样具有分析学习能力，能够识别文字、图像和声音等数据。深度学习是一个复杂的机器学习算法，在语音和图像识别方面取得的效果，远远超过先前相关技术。
本申请实施例提供的患者画像的生成方法，可以由电子设备来执行，该电子设备可为PC(Personal Computer，个人计算机)电脑、平板电脑或掌上电脑等，此处不做任何限定。
在本申请实施例中，电子设备中可以设置有处理组件、存储组件和驱动组件。可选的，该驱动组件和处理组件可以集成设置，该存储组件可以存储操作***、应用程序或其他程序模块，该处理组件通过执行存储组件中存储的应用程序来实现本申请实施例提供的患者画像的生成方法。
图1为本申请实施例提供的一种患者画像的生成方法的流程示意图。
本申请实施例的患者画像的生成方法，还可由本申请实施例提供的患者画像的生成装置执行，该装置可配置于电子设备中，以实现获取患者的病历信息，并获取患者的医疗活动信息，从病历信息和医疗活动信息之中提取诊疗事件，以及根据提取的诊疗事件生成患者的患者画像，从而可以形成对患者的更全面、更立体、更完整的认知。
作为一种可能的情况，本申请实施例的患者画像的生成方法还可以在服务器端执行，服务器可以为云服务器，可以在云端执行该患者画像的生成方法。
如图1所示，该患者画像的生成方法，可包括：
步骤101，获取患者的病历信息，并获取患者的医疗活动信息。应说明的是，该实施例中所描述的病历信息，可以是患者的电子病历中记载的信息。
在本申请实施例中，电子病历中记载的信息可包括疾病信息、症状信息、药物信息、检验信息、检查信息和现病史等中的一种或多种。医疗活动信息可包括患者就诊全过程的关键医疗事件、关键医疗节点，如入院事件、操作事件、手术事件、会诊事件、重大治疗变化事件、患者状态转归事件等，即，患者入院到出院期间，围绕患者诊疗过程开展的、并在病案记录在案的一系列医疗活动。其中，医疗活动又可分为临床诊疗类、临床流程类和患者病情类等，其中，临床诊疗类可包括用药、检验、检查、手术等，临床流程类可包括入院、出院、转科等，患者病情类可包括病危事件、病重事件、死亡事件等。
需要说明的是，该实施例中所描述的电子病历可存储在相关人员(例如，医护人员)的电子设备的存储空间(例如，电脑)中，其中，该存储空间不仅限于基于实体的存储空间，例如，硬盘，上述存储空间还可以是连接电子设备的服务器(例如，医院的服务器)的存储空间(云存储空间)；该实施例中所描述的医疗活动信息可也存储在相关人员的电子设备的存储空间中。例如，医生在对患者进行问诊的过程中，可将相关的问诊信息存储在电脑中以形成电子病历(即，病历信息)；医院的相关人员在对患者进行治疗的过程中可将医疗活动信息存储在电脑中。
具体地，相关人可通过电子设备(例如，电脑)调出患者的病历信息和医疗活动信息。
步骤102，从病历信息和医疗活动信息之中提取诊疗事件。
在本申请实施例中，诊疗事件可用于描述患者就诊全过程所接受到的医疗行为，其中，诊疗事件可包括事件类型，例如，手术事件、会诊事件、查房事件等；事件论元，例如，手术事件的论元有：手术项目、手术时间、手术编码、手术医师、手术等级、手术助手、麻醉医师、麻醉方式、术前诊断。
需要说明的是，医院可基于该实施例中所描述的诊疗事件，形成诊疗事件知识体系，其中，诊疗事件知识体系可以是结合业界对诊疗事件的最新概念定义，通过研发、医疗专家、产品三方共同构建；再者，根据病案质控的诊疗事件抽取需求，从一个或者多个单据中进行事件类型判别与相关事件论元抽取，以事件粒度展示患者就诊全过程的诊疗活动进展，可真实反映医疗行为。
在本申请实施例中，可基于自然语言处理技术和医学知识图谱从病历信息和医疗活动信息之中提取诊疗事件。
步骤103，根据提取的诊疗事件生成患者的患者画像。
需要说明的是，该实施例中所描述的患者画像可以是收集患者的个体人群信息以及临床治疗、定期体检、慢性病监测等过程中产生的大量电子病历、体检报告等数据。简单来理解，患者画像，就是给患者贴上“标签条”，而一个标签条通常是具备高辨识特性的标识，例如通过年龄、性别、地区、喜好、家族史、既往患病历史等多个维度来标识患者。
具体地，电子设备在调出患者的病历信息和医疗活动信息之后，可利用自然语言处理技术和医学知识图谱从病历信息和医疗活动信息之中提取诊疗事件，然后根据提取的诊疗事件生成患者的患者画像。
需要说明的是，该实施例中所描述的医学知识图谱可预先存储在电子设备的存储空间中，以在需要时调取使用。
在本申请实施例中，首先获取患者的病历信息，并获取患者的医疗活动信息，然后从病历信息和医疗活动信息之中提取诊疗事件，最后根据提取的诊疗事件生成患者的患者画像，从而可以形成对患者的更全面、更立体、更完整的认知，且有利于利于临床AI(Artificial Intelligence，人工智能)技术的应用。
为了清楚说明上一实施例，在本申请的一个实施例中，如图2所示，从病历信息和医疗活动信息之中提取诊疗事件，可包括：
步骤201，从病历信息和医疗活动信息之中提取多个实体。
需要说明的是，该实施例中所描述的实体可包括疾病、症状、药物、检验、检查、手术和会诊等。
在本申请实施例中，可基于自然语言处理技术从病历信息和医疗活动信息之中提取多个实体。
需要说明的是，在本申请的其它实施例中，可以基于自然语言处理技术和医学知识图谱从病历信息和医疗活动信息之中提取多个实体。
作为一种可能的情况，在本申请实施例中，可利用自然语言处理技术、医学知识图谱和神经网络，或自然语言处理技术和和神经网络训练一个实体提取模型，用于进行上述多个实体的提取。
具体地，电子设备在调出患者的病历信息和医疗活动信息之后，可将病历信息和医疗活动信息输入至实体提取模型，从而通过该实体提取模型对该病历信息和医疗活动信息进行提取，以使该实体提取模型输出多个实体。
需要说明的是，该实施例中所描述的实体提取模型可以是提前训练好的，并将其预存在电子设备的存储空间中，以方便调取应用。
步骤202，根据医学知识图谱和多个实体生成多个诊疗事件，以及提取每个诊疗事件的事件论元和事件类型。
在本申请实施例中，诊疗事件的事件类型可包括如手术事件类型、会诊事件类型、理疗事件类型等，诊疗事件的事件论元可为该事件具体操作级安排，例如，手术事件的论元有：手术项目、手术时间、手术编码、手术医师、手术等级、手术助手、麻醉医师、麻醉方式、术前诊断等、会诊事件的论元可有：会诊时间、会诊方案、会诊医师等。
具体地，电子设备在提取到多个实体之后,可根据医学知识图谱和多个实体生成多个诊疗事件，以及提取每个诊疗事件的事件论元和事件类型。由此，能够获取更丰富的信息，从而可以更深层次的反应医疗活动之间的多样化的关系。
进一步地，在本申请的一个实施例中，上述患者画像的生成方法还可包括将病历信息和医疗活动信息输入至医疗事件推理模型，其中，医疗事件推理模型根据医学知识图谱生成多个诊疗事件之间的事件关系。
需要说明的是，该实施例中所描述的医疗事件推理模型可以是提前训练好的，并将其预存在电子设备的存储空间中，以方便调取应用。
具体地，电子设备在调出患者的病历信息和医疗活动信息之后，可将将病历信息和医疗活动信息输入至医疗事件推理模型，从而通过该医疗事件推理模型根据医学知识图谱对该病历信息和医疗活动信息进行处理，以输出相关的多个诊疗事件之间的事件关系。由此，可通过多个诊疗事件之间的事件关系分析不同单据之间的医疗行为，通过事件关系把不同单据的医疗行为进行关联分析，对病历有多粒度、多层级的充分理解，可实现对病历全方面质量把控。
在本申请的一个实施例中，如图3所示，根据提取的诊疗事件生成患者的患者画像，可包括：
步骤301，从多个诊疗事件的事件论元之中提取事件发生时间。例如，从手术事件的论元中提取手术时间、从会诊事件的论元可中提取会诊时间等。
步骤302，按照时间顺序，根据多个诊疗事件的时间对多个诊疗事件进行排序，并在患者画像之中显示实时多个诊疗事件之间的事件关系，以及诊疗事件分别对应的事件论元和事件类型。
具体地，电子设备在获取到多个诊疗事件之间的事件关系之后，可从多个诊疗事件的事件论元之中提取事件发生时间，例如，从手术事件的论元中提取手术时间、从会诊事件的论元可中提取会诊时间等。然后按照时间顺序，根据多个诊疗事件的时间对多个诊疗事件进行排序，并在患者画像之中显示实时多个诊疗事件之间的事件关系，以及诊疗事件分别对应的事件论元和事件类型，由此，该患者画像能够以诊疗事件形式方便地进行临床研究的复杂查询，如辅助诊断和治疗效果分析，通过诊疗事件时序关系、顺承关系、因果关系等等将患者就诊过程中的所有诊疗事件进行重组织，以多维立体结构形式对外提供更高层次、更大粒度的患者画像视图。进一步地，为医院构建全面、精准、多维的患者画像体系。
进一步地，在本申请的一个实施例中，上述患者画像的生成方法还可包括对多个诊疗事件之中的实体进行归一化处理。
在本申请实施例中，对多个诊疗事件之中的实体进行归一化处理，可以使得多个诊疗事件之中的实体数据被限定在一定的范围内(比如[0,1]或者[-1,1])，从而消除奇异数据导致的不良影响。并且在生成患者画像的过程中对对多个诊疗事件之中的实体进行归一化处理，有利于提升相关模型的收敛速度和精度。
图4为本申请实施例提供的一种患者画像的生成装置的结构示意图。
本申请实施例的患者画像的生成装置，可配置于电子设备中，以实现获取患者的病历信息，并获取患者的医疗活动信息，从病历信息和医疗活动信息之中提取诊疗事件，以及根据提取的诊疗事件生成患者的患者画像，从而可以形成对患者的更全面、更立体、更完整的认知。
如图4所示，该患者画像的生成装置400，可包括：获取模块410、提取模块420和生成模块430。
其中，获取模块410用于获取患者的病历信息，并获取患者的医疗活动信息。应说明的是，该实施例中所描述的病历信息，可以是患者的电子病历中记载的信息。
在本申请实施例中，电子病历中记载的信息可包括疾病信息、症状信息、药物信息、检验信息、检查信息和现病史等中的一种或多种。医疗活动信息可包括患者就诊全过程的关键医疗事件、关键医疗节点，如入院事件、操作事件、手术事件、会诊事件、重大治疗变化事件、患者状态转归事件等，即，患者入院到出院期间，围绕患者诊疗过程开展的、并在病案记录在案的一系列医疗活动。其中，医疗活动又可分为临床诊疗类、临床流程类和患者病情类等，其中，临床诊疗类可包括用药、检验、检查、手术等，临床流程类可包括入院、出院、转科等，患者病情类可包括病危事件、病重事件、死亡事件等。
需要说明的是，该实施例中所描述的电子病历可存储在相关人员(例如，医护人员)的电子设备的存储空间(例如，电脑)中，其中，该存储空间不仅限于基于实体的存储空间，例如，硬盘，上述存储空间还可以是连接电子设备的服务器(例如，医院的服务器)的存储空间(云存储空间)；该实施例中所描述的医疗活动信息可也存储在相关人员的电子设备的存储空间中。例如，医生在对患者进行问诊的过程中，可将相关的问诊信息存储在电脑中以形成电子病历(即，病历信息)；医院的相关人员在对患者进行治疗的过程中可将医疗活动信息存储在电脑中。
具体地，获取模块410可通过电子设备(例如，电脑)调出患者的病历信息和医疗活动信息。
提取模块420用于从病历信息和医疗活动信息之中提取诊疗事件。
在本申请实施例中，诊疗事件可用于描述患者就诊全过程所接受到的医疗行为，其中，诊疗事件可包括事件类型，例如，手术事件、会诊事件、查房事件等；事件论元，例如，手术事件的论元有：手术项目、手术时间、手术编码、手术医师、手术等级、手术助手、麻醉医师、麻醉方式、术前诊断。
需要说明的是，医院可基于该实施例中所描述的诊疗事件，形成诊疗事件知识体系，其中，诊疗事件知识体系可以是结合业界对诊疗事件的最新概念定义，通过研发、医疗专家、产品三方共同构建；再者，根据病案质控的诊疗事件抽取需求，从一个或者多个单据中进行事件类型判别与相关事件论元抽取，以事件粒度展示患者就诊全过程的诊疗活动进展，可真实反映医疗行为。
在本申请实施例中，提取模块420可基于自然语言处理技术和医学知识图谱从病历信息和医疗活动信息之中提取诊疗事件。
生成模块430用于根据提取的诊疗事件生成患者的患者画像。
需要说明的是，该实施例中所描述的患者画像可以是收集患者的个体人群信息以及临床治疗、定期体检、慢性病监测等过程中产生的大量电子病历、体检报告等数据。简单来理解，患者画像，就是给患者贴上“标签条”，而一个标签条通常是具备高辨识特性的标识，例如通过年龄、性别、地区、喜好、家族史、既往患病历史等多个维度来标识患者。
具体地，获取模块410在调出患者的病历信息和医疗活动信息之后，提取模块420可利用自然语言处理技术和医学知识图谱从病历信息和医疗活动信息之中提取诊疗事件，然后生成模块430根据提取的诊疗事件生成患者的患者画像。
需要说明的是，该实施例中所描述的医学知识图谱可预先存储在电子设备的存储空间中，以在需要时调取使用。
在本申请实施例中，通过获取模块获取患者的病历信息和患者的医疗活动信息，并通过提取模块从病历信息和医疗活动信息之中提取诊疗事件，以及通过生成模块根据提取的诊疗事件生成患者的患者画像，从而可以形成对患者的更全面、更立体、更完整的认知，且有利于利于临床AI技术的应用。
在本申请的一个实施例中，提取模块420具体用于从病历信息和医疗活动信息之中提取多个实体，并根据医学知识图谱和多个实体生成多个诊疗事件，以及提取每个诊疗事件的事件论元和事件类型。
在本申请的一个实施例中，如图4所示，该患者画像的生成装置400还可包括输入模块440，其中，输入模块440用于将病历信息和医疗活动信息输入至医疗事件推理模型，其中，医疗事件推理模型根据医学知识图谱生成多个诊疗事件之间的事件关系。
在本申请的一个实施例中，生成模块430具体用于从多个诊疗事件的事件论元之中提取事件发生时间，并按照时间顺序，根据多个诊疗事件的时间对多个诊疗事件进行排序，并在患者画像之中显示实时多个诊疗事件之间的事件关系，以及诊疗事件分别对应的事件论元和事件类型。
在本申请的一个实施例中，如图4所示，该患者画像的生成装置400还可包括处理模块450，其中，处理模块450用于对多个诊疗事件之中的实体进行归一化处理。
需要说明的是，前述对患者画像的生成方法实施例的解释说明也适用于该实施例的患者画像的生成装置，此处不再赘述。
本申请实施例的患者画像的生成装置，通过获取模块获取患者的病历信息和患者的医疗活动信息，并通过提取模块从病历信息和医疗活动信息之中提取诊疗事件，以及通过生成模块根据提取的诊疗事件生成患者的患者画像。由此，可以形成对患者的更全面、更立体、更完整的认知，且有利于利于临床AI技术的应用。
根据本申请的实施例，本申请还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图5示出了可以用来实施本申请的实施例的示例电子设备500的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图5所示，设备500包括计算单元501，其可以根据存储在只读存储器(ROM)502中的计算机程序或者从存储单元505加载到随机访问存储器(RAM)503中的计算机程序，来执行各种适当的动作和处理。在RAM 503中，还可存储设备500操作所需的各种程序和数据。计算单元501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
设备500中的多个部件连接至I/O接口505，包括：输入单元506，例如键盘、鼠标等；输出单元507，例如各种类型的显示器、扬声器等；存储单元505，例如磁盘、光盘等；以及通信单元509，例如网卡、调制解调器、无线通信收发机等。通信单元509允许设备500通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元501可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元501的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元501执行上文所描述的各个方法和处理，例如患者画像的生成方法。例如，在一些实施例中，患者画像的生成方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元505。在一些实施例中，计算机程序的部分或者全部可以经由ROM 502和/或通信单元509而被载入和/或安装到设备500上。当计算机程序加载到RAM 503并由计算单元501执行时，可以执行上文描述的患者画像的生成方法的一个或多个步骤。备选地，在其他实施例中，计算单元501可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行患者画像的生成方法。
本文中以上描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上***的***(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。
用于实施本申请的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本申请的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在计算机上实施此处描述的***和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的***和技术实施在包括后台部件的计算***(例如，作为数据服务器)、或者包括中间件部件的计算***(例如，应用服务器)、或者包括前端部件的计算***(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将***的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网、互联网和区块链网络。
计算机***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务("Virtual Private Server"，或简称"VPS")中，存在的管理难度大，业务扩展性弱的缺陷。服务器也可以为分布式***的服务器，或者是结合了区块链的服务器。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。
Claims (8)
1.一种患者画像的生成方法，包括：
获取患者的病历信息，并获取所述患者的医疗活动信息；
从所述病历信息和所述医疗活动信息之中提取诊疗事件；以及
根据所述提取的所述诊疗事件生成所述患者的患者画像；
所述从所述病历信息和所述医疗活动信息之中提取诊疗事件，包括：
从所述病历信息和所述医疗活动信息之中提取多个实体；
根据医学知识图谱和所述多个实体生成多个诊疗事件，以及提取每个所述诊疗事件的事件论元和事件类型；
所述根据所述提取的所述诊疗事件生成所述患者的患者画像，包括：
从所述多个诊疗事件的事件论元之中提取事件发生时间；
按照时间顺序，根据所述多个诊疗事件的时间对所述多个诊疗事件进行排序，并在所述患者画像之中显示实时多个诊疗事件之间的事件关系，以及所述诊疗事件分别对应的事件论元和事件类型。
2.如权利要求1所述的患者画像的生成方法，还包括：
将所述病历信息和所述医疗活动信息输入至医疗事件推理模型，其中，所述医疗事件推理模型根据所述医学知识图谱生成所述多个诊疗事件之间的事件关系。
3.如权利要求1所述的患者画像的生成方法，还包括：
对所述多个诊疗事件之中的实体进行归一化处理。
4.一种患者画像的生成装置，包括：
获取模块，用于获取患者的病历信息，并获取所述患者的医疗活动信息；
提取模块，用于从所述病历信息和所述医疗活动信息之中提取诊疗事件；以及
生成模块，用于根据所述提取的所述诊疗事件生成所述患者的患者画像；所述提取模块，具体用于：
从所述病历信息和所述医疗活动信息之中提取多个实体；
根据医学知识图谱和所述多个实体生成多个诊疗事件，以及提取每个所述诊疗事件的事件论元和事件类型；
所述生成模块，具体用于：
从所述多个诊疗事件的事件论元之中提取事件发生时间；
按照时间顺序，根据所述多个诊疗事件的时间对所述多个诊疗事件进行排序，并在所述患者画像之中显示实时多个诊疗事件之间的事件关系，以及所述诊疗事件分别对应的事件论元和事件类型。
5.如权利要求4所述的患者画像的生成装置，还包括：
输入模块，用于将所述病历信息和所述医疗活动信息输入至医疗事件推理模型，其中，所述医疗事件推理模型根据所述医学知识图谱生成所述多个诊疗事件之间的事件关系。
6.如权利要求4所述的患者画像的生成装置，还包括：
处理模块，用于对所述多个诊疗事件之中的实体进行归一化处理。
7.一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-3中任一项所述的患者画像的生成方法。
8.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1-3中任一项所述的患者画像的生成方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011460427.1A CN112562808B (zh) | 2020-12-11 | 2020-12-11 | 患者画像的生成方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011460427.1A CN112562808B (zh) | 2020-12-11 | 2020-12-11 | 患者画像的生成方法、装置、电子设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112562808A CN112562808A (zh) | 2021-03-26 |
| CN112562808B true CN112562808B (zh) | 2024-01-19 |
Family
ID=75062582
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011460427.1A Active CN112562808B (zh) | 2020-12-11 | 2020-12-11 | 患者画像的生成方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112562808B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112992362B (zh) * | 2021-04-19 | 2021-09-14 | 北京妙医佳健康科技集团有限公司 | 一种身体状态评估装置、电子设备及存储介质 |
| CN113590775B (zh) * | 2021-06-22 | 2023-07-21 | 北京百度网讯科技有限公司 | 诊疗数据的处理方法、装置、电子设备及存储介质 |
| CN117116407B (zh) * | 2023-10-23 | 2024-02-23 | 之江实验室 | 基于电子病历的患者画像生成方法、装置及存储介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106529177A (zh) * | 2016-11-12 | 2017-03-22 | 杭州电子科技大学 | 一种基于医疗大数据的患者画像方法及装置 |
| CN109524066A (zh) * | 2018-11-09 | 2019-03-26 | 医渡云（北京）技术有限公司 | 医疗数据处理方法及装置、存储介质和电子设备 |
| CN109902112A (zh) * | 2019-01-24 | 2019-06-18 | 西安交通大学 | 一种基于时间轴的电子病历可视化方法及可视化*** |
| CN110955764A (zh) * | 2019-11-19 | 2020-04-03 | 百度在线网络技术（北京）有限公司 | 场景知识图谱的生成方法、人机对话方法以及相关设备 |
| CN111506734A (zh) * | 2019-01-30 | 2020-08-07 | 国家计算机网络与信息安全管理中心 | 一种事件演化知识图谱构建方法、装置、设备及存储介质 |
| CN111967256A (zh) * | 2020-06-30 | 2020-11-20 | 北京百度网讯科技有限公司 | 事件关系的生成方法、装置、电子设备和存储介质 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2005122042A2 (en) * | 2004-06-02 | 2005-12-22 | Catalis, Inc. | Method and system for generating medical narrative |
| US20140297317A1 (en) * | 2013-03-27 | 2014-10-02 | International Business Machines Corporation | Extracting key action patterns from patient event data |
-
2020
- 2020-12-11 CN CN202011460427.1A patent/CN112562808B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106529177A (zh) * | 2016-11-12 | 2017-03-22 | 杭州电子科技大学 | 一种基于医疗大数据的患者画像方法及装置 |
| CN109524066A (zh) * | 2018-11-09 | 2019-03-26 | 医渡云（北京）技术有限公司 | 医疗数据处理方法及装置、存储介质和电子设备 |
| CN109902112A (zh) * | 2019-01-24 | 2019-06-18 | 西安交通大学 | 一种基于时间轴的电子病历可视化方法及可视化*** |
| CN111506734A (zh) * | 2019-01-30 | 2020-08-07 | 国家计算机网络与信息安全管理中心 | 一种事件演化知识图谱构建方法、装置、设备及存储介质 |
| CN110955764A (zh) * | 2019-11-19 | 2020-04-03 | 百度在线网络技术（北京）有限公司 | 场景知识图谱的生成方法、人机对话方法以及相关设备 |
| CN111967256A (zh) * | 2020-06-30 | 2020-11-20 | 北京百度网讯科技有限公司 | 事件关系的生成方法、装置、电子设备和存储介质 |
Non-Patent Citations (3)
| Title |
|---|
| 基于互联网大数据的事件智能抓取和画像;李方方;陈容华;秦胜男;戴胜;;无线互联科技(01);全文 * |
| 基于大数据平台的企业画像研究综述;田娟;朱定局;杨文翰;;计算机科学(S2);全文 * |
| 基于大数据的患者画像标签体系构建方法及应用研究;姚华彦;张鑫金;何萍;;中国卫生信息管理杂志(06);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112562808A (zh) | 2021-03-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Awan et al. | Machine learning in heart failure: ready for prime time | |
| CN112562808B (zh) | 患者画像的生成方法、装置、电子设备及存储介质 | |
| US20200303072A1 (en) | Method and system for supporting medical decision making | |
| RU2686627C1 (ru) | Автоматическое создание ориентированной на показатели продольной области для просмотра показателей пациента | |
| Shen et al. | Discovering the potential opportunities of scientific advancement and technological innovation: A case study of smart health monitoring technology | |
| Pesquita | Towards Semantic Integration for Explainable Artificial Intelligence in the Biomedical Domain. | |
| Sethi et al. | Use of artificial intelligence in healthcare systems: state-of-the-art survey | |
| CN116383413B (zh) | 基于医疗数据提取的知识图谱更新方法和*** | |
| Omotunde et al. | The Modern Impact of Artificial Intelligence Systems in Healthcare: A Concise Analysis | |
| Roham et al. | A systematic review of knowledge visualization approaches using big data methodology for clinical decision support | |
| Hussain | Artificial intelligence in healthcare explained for computer-non-experts | |
| Iqbal et al. | AI technologies in health-care applications | |
| Bala et al. | Applications of Machine Learning and Deep Learning for maintaining Electronic Health Records | |
| Pandit et al. | Artificial neural networks in healthcare: A systematic review | |
| Georgieva-Tsaneva | Effective information methods for description and storage of data in health care | |
| US11928121B2 (en) | Scalable visual analytics pipeline for large datasets | |
| Hooda et al. | Semantic driven healthcare monitoring and disease detection framework from heterogeneous sensor data | |
| Dey et al. | U-Healthcare Monitoring Systems: Volume 1: Design and Applications | |
| Haroon et al. | Improving the healthcare and public health critical infrastructure by soft computing: An overview | |
| Shah et al. | Recent Challenges in Medical Science using Machine Learning Techniques: A Review | |
| Priya et al. | Machine and Deep Learning Classifications for IoT-Enabled Healthcare Devices | |
| Belgacem et al. | Machine Learning in the Medical Field: A Comprehensive Overview | |
| Kale et al. | Heterogeneous data management in IoT-based health care systems | |
| Sassi et al. | The connected electronic health record: a semantic-enabled, flexible, and unified electronic health record | |
| US20240156415A1 (en) | Diagnosis support system and diagnosis support apparatus |
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 |