CN113035310B - 一种基于深度学习的医疗rct报告分析方法及装置 - Google Patents
一种基于深度学习的医疗rct报告分析方法及装置 Download PDFInfo
- Publication number
- CN113035310B CN113035310B CN201911353320.4A CN201911353320A CN113035310B CN 113035310 B CN113035310 B CN 113035310B CN 201911353320 A CN201911353320 A CN 201911353320A CN 113035310 B CN113035310 B CN 113035310B
- Authority
- CN
- China
- Prior art keywords
- medical
- rct
- report
- sentence
- trained
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 67
- 238000013135 deep learning Methods 0.000 title claims abstract description 27
- 238000012549 training Methods 0.000 claims abstract description 51
- 230000008859 change Effects 0.000 claims abstract description 45
- 238000000605 extraction Methods 0.000 claims abstract description 24
- 238000000034 method Methods 0.000 claims description 60
- 238000002474 experimental method Methods 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 14
- 206010011224 Cough Diseases 0.000 description 23
- VOVIALXJUBGFJZ-KWVAZRHASA-N Budesonide Chemical compound C1CC2=CC(=O)C=C[C@]2(C)[C@@H]2[C@@H]1[C@@H]1C[C@H]3OC(CCC)O[C@@]3(C(=O)CO)[C@@]1(C)C[C@@H]2O VOVIALXJUBGFJZ-KWVAZRHASA-N 0.000 description 18
- 229960004436 budesonide Drugs 0.000 description 18
- 239000000725 suspension Substances 0.000 description 18
- 206010037660 Pyrexia Diseases 0.000 description 16
- ULGZDMOVFRHVEP-RWJQBGPGSA-N Erythromycin Chemical compound O([C@@H]1[C@@H](C)C(=O)O[C@@H]([C@@]([C@H](O)[C@@H](C)C(=O)[C@H](C)C[C@@](C)(O)[C@H](O[C@H]2[C@@H]([C@H](C[C@@H](C)O2)N(C)C)O)[C@H]1C)(C)O)CC)[C@H]1C[C@@](C)(OC)[C@@H](O)[C@H](C)O1 ULGZDMOVFRHVEP-RWJQBGPGSA-N 0.000 description 14
- 208000037656 Respiratory Sounds Diseases 0.000 description 13
- 239000003814 drug Substances 0.000 description 11
- 201000008235 Mycoplasma pneumoniae pneumonia Diseases 0.000 description 10
- 208000001572 Mycoplasma Pneumonia Diseases 0.000 description 9
- 238000011156 evaluation Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 229960003276 erythromycin Drugs 0.000 description 7
- 238000001990 intravenous administration Methods 0.000 description 7
- 206010067484 Adverse reaction Diseases 0.000 description 6
- 206010062717 Increased upper airway secretion Diseases 0.000 description 6
- 241000202934 Mycoplasma pneumoniae Species 0.000 description 6
- 230000006838 adverse reaction Effects 0.000 description 6
- 239000002221 antipyretic Substances 0.000 description 6
- 230000036772 blood pressure Effects 0.000 description 6
- 230000008034 disappearance Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 238000010801 machine learning Methods 0.000 description 6
- 208000026435 phlegm Diseases 0.000 description 6
- 229940079593 drug Drugs 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000001754 anti-pyretic effect Effects 0.000 description 3
- 238000000889 atomisation Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 206010035664 Pneumonia Diseases 0.000 description 2
- 206010035742 Pneumonitis Diseases 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000002035 prolonged effect Effects 0.000 description 2
- 208000024891 symptom Diseases 0.000 description 2
- 206010020772 Hypertension Diseases 0.000 description 1
- 241000204003 Mycoplasmatales Species 0.000 description 1
- 206010035724 Pneumonia mycoplasmal Diseases 0.000 description 1
- 206010036790 Productive cough Diseases 0.000 description 1
- 238000009098 adjuvant therapy Methods 0.000 description 1
- 239000000443 aerosol Substances 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 210000001072 colon Anatomy 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000001631 hypertensive effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000002663 nebulization Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 208000024794 sputum Diseases 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000002560 therapeutic procedure Methods 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
- G16H15/00—ICT specially adapted for medical reports, e.g. generation or transmission thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/3331—Query processing
- G06F16/334—Query execution
- G06F16/3344—Query execution using natural language analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- Health & Medical Sciences (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Primary Health Care (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明公开了一种基于深度学习的医疗RCT报告分析方法,本方法通过预先训练得到医疗关键信息识别模型和观测参数提取模型,并通过将医疗RCT报告输入已训练的医疗关键信息识别模型,得到该医疗RCT报告的医疗关键信息,然后,将该医疗关键信息和该医疗RCT报告输入已训练的观测参数提取模型,得到该医疗RCT报告中证据句对应的观测参数变化趋势,接着,根据该医疗关键信息和该观测参数变化趋势,确定该医疗RCT报告的医疗分析结果。可见,本发明可以自动根据医疗RCT报告确定该医疗RCT报告的医疗分析结果,即确定该医疗RCT报告的医疗关键信息和证据句对应的观测参数变化趋势,与现有技术相比,本发明不需要人工进行医疗RCT报告分析,可以避免由于人工进行医疗RCT报告分析所导致的分析错误,从而提高了医疗RCT报告分析的效率。
Description
技术领域
本发明涉及数据处理领域,尤其涉及一种基于深度学习的医疗RCT报告分析方法及装置。
背景技术
随着医学理念的发展,当前的医疗模式已从过去的经验医学向循证医学转变。循证医学的主要证据载体为***评价,其要求研究者需要针对某一明确临床问题进行***性检索和文献筛选出当前最佳临床证据,并对这些证据进行偏倚风险评价和结果整合。为了控制纳入文献本身的偏倚风险,***评价撰写者需要寻找的当前最佳临床证据一般为随机对照临床实验(Randomized Controlled Trials,RCT)报告。通常,医疗RCT报告是以自由文本形式存在,如期刊和会议论文所描述的RCT等,自由文本形式的文本中包含大量的信息,如医疗RCT报告中的医疗关键信息(Patient/Problem Intervention ComparisonOutcome,PICO)等。其中,医疗RCT报告中的医疗PICO可用于构建循证医学数据库,帮助医生以及医药公司了解不同的治疗方法在特定人群上的作用效果。
在现有技术中,通常采用的医疗RCT报告分析方式为采用人工的方式从医疗RCT报告中提取医疗PICO,并人工根据医疗PICO确定观测参数所对应的变化趋势。由于人工进行医疗RCT报告分析的过程繁琐,且容易出错,因此,人工进行医疗RCT报告分析的效率低下。故,亟需一种能够提高医疗RCT报告分析的效率的方法。
发明内容
本发明提供基于深度学习的医疗RCT报告分析方法及装置,以实现不需要人工进行医疗RCT报告分析,避免由于人工进行医疗RCT报告分析所导致的分析错误,从而提高了医疗RCT报告分析的效率。
第一方面,本发明提供了一种基于深度学习的医疗RCT报告分析方法,所述方法包括:
确定待分析的医疗随机对照实验(RCT)报告;
将所述医疗RCT报告输入已训练的医疗关键信息识别模型,得到所述医疗RCT报告的医疗关键信息;
将所述医疗关键信息和所述医疗RCT报告输入已训练的观测参数提取模型,得到所述医疗RCT报告中证据句对应的观测参数变化趋势;所述证据句为所述医疗RCT报告中可体现观测参数的变化趋势的句子;
根据所述医疗关键信息和所述观测参数变化趋势,确定所述医疗RCT报告的医疗分析结果。
第二方面,本发明提供了一种基于深度学习的医疗RCT报告分析装置,所述装置包括:
第一确定模块,用于确定待分析的随机对照实验(医疗RCT)报告;
第一输入模块,用于将所述医疗RCT报告输入已训练的医疗关键信息识别模型,得到所述医疗RCT报告的医疗关键信息;
第二输入模块,用于将所述医疗关键信息和所述医疗RCT报告输入已训练的观测参数提取模型,得到所述医疗RCT报告中证据句对应的观测参数变化趋势;所述证据句为所述医疗RCT报告中可体现观测参数的变化趋势的句子;
第二确定模块,用于根据所述医疗关键信息和所述观测参数变化趋势,确定所述医疗RCT报告的医疗分析结果。
第三方面,本发明提供了一种可读介质,包括执行指令,当电子设备的处理器执行所述执行指令时,所述电子设备执行如第一方面中任一所述的方法。
第四方面,本发明提供了一种电子设备,包括处理器以及存储有执行指令的存储器,当所述处理器执行所述存储器存储的所述执行指令时,所述处理器执行如第一方面中任一所述的方法。
由上述技术方案可以看出,本发明通过预先训练得到医疗关键信息识别模型和观测参数提取模型,并通过将医疗RCT报告输入已训练的医疗关键信息识别模型,得到该医疗RCT报告的医疗关键信息,然后,将该医疗关键信息和该医疗RCT报告输入已训练的观测参数提取模型,得到该医疗RCT报告中证据句对应的观测参数变化趋势,接着,根据该医疗关键信息和该观测参数变化趋势,确定该医疗RCT报告的医疗分析结果。可见,本发明可以自动根据医疗RCT报告确定该医疗RCT报告的医疗分析结果,即确定该医疗RCT报告的医疗关键信息和该医疗RCT报告中证据句对应的观测参数变化趋势,而不需要和传统方式一样,需要人工进行医疗RCT报告分析。因此,与现有技术相比,本发明不需要人工进行医疗RCT报告分析,可以避免由于人工进行医疗RCT报告分析所导致的医疗实验结果的变化趋势分析错误,从而提高了医疗RCT报告分析的效率。
上述的非惯用的优选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。
附图说明
为了更清楚地说明本发明实施例或现有的技术方案,下面将对实施例或现有技术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中记载的一些实施例,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为本发明一实施例提供的一种示例性应用场景的框架示意图;
图2为本发明一种基于深度学习的医疗RCT报告分析方法的流程示意图;
图3为本发明一实施例提供的另一种基于深度学习的医疗RCT报告分析方法的流程示意图;
图4为本发明一实施例提供的另一种基于深度学习的医疗RCT报告分析方法的流程示意图;
图5为本发明一实施例提供的一种基于深度学习的医疗RCT报告分析装置的结构示意图;
图6为本发明一实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合具体实施例及相应的附图对本发明的技术方案进行清楚、完整地描述。显然,所描述的实施例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。
为了解决现有技术中由于人工进行医疗RCT报告分析的过程繁琐,且容易出错,导致人工进行医疗RCT报告分析的效率低下的问题。本发明提供了一种基于深度学习的医疗RCT报告分析方法,在本方法中,通过预先训练得到医疗关键信息识别模型和观测参数提取模型,并通过将医疗RCT报告输入已训练的医疗关键信息识别模型,得到该医疗RCT报告的医疗关键信息,然后,将该医疗关键信息和该医疗RCT报告输入已训练的观测参数提取模型,得到该医疗RCT报告中证据句对应的观测参数变化趋势,接着,根据该医疗关键信息和该观测参数变化趋势,确定该医疗RCT报告的医疗分析结果。这样,便可以不需要和传统方式一样,需要人工进行医疗RCT报告分析,从而可以避免由于人工进行医疗RCT报告分析所导致的医疗实验结果的变化趋势分析错误,进而提高了医疗RCT报告分析的效率。
举例说明,本发明实施例可以应用到如图1所示的场景。在该场景中,设备101可以是手机、ipad、台式电脑、服务器等任一设备中的一种,下面将以设备101为笔记本电脑为例,其中,设备101中可以设置有已训练的医疗关键信息识别模型和已训练的观测参数提取模型。当设备101接收到待分析的医疗RCT报告时,设备101可以先将该医疗RCT报告输入该已训练的医疗关键信息识别模型,得到该医疗RCT报告的医疗关键信息,然后,设备101可以将该医疗关键信息和该医疗RCT报告输入已训练的观测参数提取模型,得到该医疗RCT报告中证据句对应的观测参数变化趋势,接着,设备101可以根据该医疗关键信息和该观测参数变化趋势,确定该医疗RCT报告的医疗分析结果,最后,设备101可以展示该医疗RCT报告的医疗分析结果。
需要注意的是,上述应用场景仅是为了便于理解本申请而示出,本申请的实施方式在此方面不受任何限制。相反,本申请的实施方式可以应用于适用的任何场景。
下面结合附图,详细说明本发明的各种非限制性实施方式。
参见图2,示出了本发明实施例中的一种基于深度学习的医疗RCT报告分析方法。在本实施例中,所述方法例如可以包括以下步骤:
S201:确定待分析的医疗RCT报告。
在本实施例中,待分析的医疗RCT报告可以理解为需要进行分析的医疗RCT报告,其中,医疗RCT报告可以理解为在医疗领域中,对某种药物或疗法的效果检测方法的医疗实验结果报告,具体地,医疗RCT报告可以包括医疗关键信息(医疗PICO),即医疗RCT报告可以包括医疗RCT中的医疗研究对象(即P,比如研究的病人或问题)、医疗RCT中的医疗实验组(即I)、医疗RCT中的对照组(即C)和所观测的医疗观测参数(即O);例如,医疗RCT报告可以包括P为“1000例高血压患者”、I为“服用A药”、C为“服用B药”和O为“血压”。
具体地,可以先确定待分析的医疗RCT报告,例如,当设备为终端时,用户可以通过键盘或语音输入医疗RCT报告,以便该终端获取到医疗RCT报告,或者,当设备为服务器时,用户可以通过终端将医疗RCT报告向服务器发送,以便服务器获取到该医疗RCT报告。
S202:将所述医疗RCT报告输入已训练的医疗关键信息识别模型,得到所述医疗RCT报告的医疗关键信息。
其中,已训练的医疗关键信息识别模型可以为机器学习模型,例如,已训练的医疗关键信息识别模型可以为BioBERT模型,即基于生物医学文本库PubMed中的训练数据训练得到的BERT模型,BioBERT模型可以用于解决生物医学自然语言处理问题。
具体地,已训练的医疗关键信息识别模型可以是基于训练数据训练得到的。其中,该训练数据可以包括多组训练数据样本,且每组训练数据样本均包括医疗RCT报告样本以及医疗RCT报告样本对应的医疗关键信息,其中,将医疗RCT报告样本作为医疗关键信息识别模型的输入项,将医疗RCT报告样本对应的医疗关键信息作为医疗关键信息识别模型的输出项。举例来说,假设第一训练数据包括1000组第一训练数据样本,每组第一训练数据样本均包括医疗RCT报告样本以及该医疗RCT报告样本对应的医疗关键信息,且每组第一训练数据样本中的医疗RCT报告样本均是不同的。需要说明的是,通常情况下,不同的医疗RCT报告所对应的医疗关键信息也可以是不同的。
这样,当获取到医疗RCT报告后,可以将该医疗RCT报告输入该已训练的医疗关键信息识别模型,该医疗关键信息识别模型便可以输出该医疗RCT报告对应的医疗PICO。举例来说,假设获取到医疗RCT报告“《布***混悬液治疗小儿支原体肺炎的临床疗效评价》,作者:马冬均,卢俊;期刊:《新疆医学》;摘要:目的:观察布***混悬液雾化吸入辅助治疗小儿肺炎支原体肺炎的疗效。方法:98例肺炎支原体肺炎患儿按入院顺序随机分为2组,对照组48例给予红霉素静脉滴注治疗及口服止咳化痰、退热药物,治疗组50例在对照组治疗的基础上加用布***混悬液雾化吸入治疗,观察疗效和不良反应。结果:治疗组治愈率和总有效率显著高于对照组(P<0.05);治疗组发热、咳嗽、肺部啰音消失及住院时间均少于对照组(P<0.01);治疗组在治疗过程中未发现与布***混悬液相关的不良反应。结论:布***混悬液雾化吸入可加快缓解肺炎支原体肺炎患儿的临床症状,缩短病程,使用安全。”,且将该医疗RCT报告输入该已训练的医疗关键信息识别模型之后,该已训练的医疗关键信息识别模型可以输出该医疗RCT报告对应的医疗PICO,即“P=‘98例肺炎支原体肺炎患儿’,I=‘在对照组治疗的基础上家用布***混悬液雾化吸入治疗’,C=‘红霉素静脉滴注治疗及口服止咳化痰、退热药物’,O=‘发热、咳嗽、肺部啰音及住院时间’”。
S203:将所述医疗关键信息和所述医疗RCT报告输入已训练的观测参数提取模型,得到所述医疗RCT报告中证据句对应的观测参数变化趋势。
其中,已训练的观测参数提取模型可以为机器学习模型,例如,已训练的观测参数提取模型可以为BioBERT模型。可以理解的是,已训练的医疗关键信息识别模型和已训练的观测参数提取模型可以是同一种机器学习模型,也可以是不同的机器学习模型,在本实施例中对此并不限定。
具体地,已训练的医疗关键信息识别模型也可以是基于医疗关键信息识别训练数据训练得到的。其中,医疗关键信息识别训练数据可以包括多组医疗关键信息识别训练数据样本,且每组医疗关键信息识别训练数据样本均包括医疗RCT报告样本、医疗RCT报告样本对应的医疗关键信息以及医疗RCT报告中证据句对应的观测参数变化趋势。需要说明的是,在本实施例中将医疗RCT报告样本、医疗RCT报告样本对应的医疗关键信息作为医疗关键信息识别模型的输入项,将医疗RCT报告中证据句对应的观测参数变化趋势作为医疗关键信息识别模型的输出项。
在一种实现方式中,医疗关键信息识别模型可以先根据医疗RCT报告样本、医疗RCT报告样本对应的医疗关键信息确定医疗RCT报告中的证据句,接着,确定该证据句中的观测参数的变化趋势。
需要说明的是,观测参数为医疗随机对照实验中所关注的医疗变量参数,且该医疗变量参数能够反映医疗随机对照实验的医疗实验结果,例如,观测参数可以为血压、体重、心率等参数;观测参数的变化趋势可以理解为观测参数的变化方向,例如,观测参数与阈值之间的大小关系。而证据句可以理解为医疗RCT报告中可体现观测参数的变化趋势的句子,即能够体现观测参数与阈值之间的大小关系。例如观测参数为血压,由于医疗RCT报告中的句子“血压高于正常血压范围”体现了观测参数血压的变化趋势为增高,则可以将该句子作为该医疗RCT报告的证据句,并可以确定观测参数血压的变化趋势为增高。
接下来,继续以S202中的医疗RCT报告《布***混悬液治疗小儿支原体肺炎的临床疗效评价》作为例子,对S203进行举例说明。在确定该医疗RCT报告的医疗PICO为“P=‘98例肺炎支原体肺炎患儿’,I=‘在对照组治疗的基础上家用布***混悬液雾化吸入治疗’,C=‘红霉素静脉滴注治疗及口服止咳化痰、退热药物’,O=‘发热、咳嗽、肺部啰音及住院时间’”之后,可以将该医疗RCT报告和该医疗PICO输入该已训练的观测参数提取模型,该已训练的观测参数提取模型可以输出证据句“治疗组发热、咳嗽、肺部啰音及住院时间均少于对照组(P<0.01)”对应的观测参数“发热、咳嗽、肺部啰音及住院时间”的变化趋势均为“减少”。
S204:根据所述医疗关键信息和所述观测参数变化趋势,确定所述医疗RCT报告的医疗分析结果。
在本实施例中,得到医疗RCT报告对应的医疗关键信息以及证据句对应的观测参数变化趋势之后,可以将该医疗RCT报告对应的医疗关键信息以及证据句对应的观测参数变化趋势作为该医疗RCT报告对应的医疗分析结果。继续以S202和S203中的医疗RCT报告《布***混悬液治疗小儿支原体肺炎的临床疗效评价》作为例子,对S204进行举例说明,可以将该医疗RCT报告对应的医疗PICO“P=‘98例肺炎支原体肺炎患儿’,I=‘在对照组治疗的基础上家用布***混悬液雾化吸入治疗’,C=‘红霉素静脉滴注治疗及口服止咳化痰、退热药物’,O=‘发热、咳嗽、肺部啰音及住院时间’”和证据句“治疗组发热、咳嗽、肺部啰音及住院时间均少于对照组(P<0.01)”对应的观测参数“发热、咳嗽、肺部啰音及住院时间”的变化趋势均为“减少”作为该医疗RCT报告的医疗分析结果。
需要说明的是,在一种实施方式中,在S204之后,可以输出该医疗RCT报告的医疗分析结果,例如将该医疗RCT报告的医疗分析结果发送至预设的服务器或终端中,或者展示该医疗RCT报告的医疗分析结果。
由上述技术方案可以看出,本发明通过预先训练得到医疗关键信息识别模型和观测参数提取模型,并通过将医疗RCT报告输入已训练的医疗关键信息识别模型,得到该医疗RCT报告的医疗关键信息,然后,将该医疗关键信息和该医疗RCT报告输入已训练的观测参数提取模型,得到该医疗RCT报告中证据句对应的观测参数变化趋势,接着,根据该医疗关键信息和该观测参数变化趋势,确定该医疗RCT报告的医疗分析结果。可见,本发明可以自动根据医疗RCT报告确定该医疗RCT报告的医疗分析结果,即确定该医疗RCT报告的医疗关键信息和该医疗RCT报告中证据句对应的观测参数变化趋势,而不需要和传统方式一样,需要人工进行医疗RCT报告分析。因此,与现有技术相比,本发明不需要人工进行医疗RCT报告分析,可以避免由于人工进行医疗RCT报告分析所导致的医疗实验结果的变化趋势分析错误,从而提高了医疗RCT报告分析的效率。
图2所示仅为本发明所述方法的基础实施例,在其基础上进行一定的优化和拓展,还能够得到所述方法的其他优选实施例。
如图3所示,为本发明所述基于深度学习的医疗RCT报告分析方法的另一个具体实施例。本实施例在图2对应实施例的基础上,对S203进行进一步阐述。在本实施例中,已训练的观测参数提取模型包括已训练的第一子模型和已训练的第二子模型,所述方法具体包括以下步骤:
S301:确定待分析的医疗RCT报告。
S302:将所述医疗RCT报告输入已训练的医疗关键信息识别模型,得到所述医疗RCT报告的医疗关键信息。
需要说明的是,本实施例中的S301与图2对应实施例中的S201相同、本实施例中的S302与图2对应实施例中的S202相同。因此,在本实施例中,不再对S301、S202进行阐述,具体可以参见S201、S202的介绍。
S303:将所述医疗关键信息和所述医疗RCT报告输入已训练的第一子模型,得到所述医疗RCT报告中各个句子分别对应的预测分数。
其中,已训练的第一子模型可以为机器学习模型,例如,已训练的第一子模型可以为BioBERT模型。具体地,已训练的医疗关键信息识别模型可以是基于第二训练数据训练得到的。其中,该第二训练数据可以包括多组第二训练数据样本,且每组第二训练数据样本均包括医疗RCT报告样本中的一个句子、医疗RCT报告样本对应的医疗关键信息以及该句子对应的预测分数,可以理解的是,可以将医疗RCT报告样本中的任一句子和医疗RCT报告样本对应的医疗关键信息作为医疗关键信息识别模型的输入项,将医疗RCT报告样本对应的医疗关键信息作为第一子模型的输出项。需要说明的是,该预测分数用于反映句子为证据句的概率,比如,句子对应的预测分数越高,说明该句子为医疗RCT报告中的证据句的概率越大,反之,句子对应的预测分数越低,说明该句子为医疗RCT报告中的证据句的概率越小。
在本实施例中,在得到医疗RCT报告的医疗关键信息之后,可以将医疗关键信息和医疗RCT报告输入已训练的第一子模型,得到该医疗RCT报告中各个句子分别对应的预测分数。继续以S202中的医疗RCT报告《布***混悬液治疗小儿支原体肺炎的临床疗效评价》作为例子,对S303进行举例说明,在得到该医疗RCT报告对应的医疗PICO之后,可以依次将该医疗PICO和该医疗RCT报告中每一个句子分别输入已训练的第一子模型,得到该医疗RCT报告中各个句子分别对应的预测分数,比如,得到该医疗RCT报告中句子“98例肺炎支原体肺炎患儿按入院顺序随机分为2组,对照组48例给予红霉素静脉滴注治疗及口服止咳化痰、退热药物,治疗组50例在对照组治疗的基础上加用布***混悬液雾化吸入治疗,观察疗效和不良反应”的预测分数为50,句子“治疗组治愈率和总有效率显著高于对照组(P<0.05);治疗组发热、咳嗽、肺部啰音消失及住院时间均少于对照组(P<0.01)”对应的预测分数为95,句子“治疗组在治疗过程中未发现与布***混悬液相关的不良反应。结论:布***混悬液雾化吸入可加快缓解肺炎支原体肺炎患儿的临床症状,缩短病程,使用安全”对应的预测分数为60。
S304:根据所述医疗RCT报告中各个句子分别对应的预测分数,确定所述医疗RCT报告中的证据句。
由于医疗RCT报告中句子对应的预测分数反映了该句子为证据句的概率,因此,在得到第一子模型输出的医疗RCT报告中各个句子分别对应的预测分数之后,根据医疗RCT报告中各个句子分别对应的预测分数,确定医疗RCT报告中的证据句,例如,可以将预测分数最高的句子作为医疗RCT报告中的证据句。
继续以S303中的医疗RCT报告《布***混悬液治疗小儿支原体肺炎的临床疗效评价》作为例子,对S304进行举例说明,由于句子“治疗组治愈率和总有效率显著高于对照组(P<0.05);治疗组发热、咳嗽、肺部啰音消失及住院时间均少于对照组(P<0.01)”对应的预测分数95为该医疗RCT报告中各个句子分别对应的预测分数中最高的,因此,可以将该句子“治疗组治愈率和总有效率显著高于对照组(P<0.05);治疗组发热、咳嗽、肺部啰音消失及住院时间均少于对照组(P<0.01)”作为该医疗RCT报告的证据句。
S305:将所述证据句和所述医疗关键信息输入所述第二子模型,得到所述所述证据句对应的观测参数变化趋势。
其中,已训练的第一子模型可以为机器学习模型,例如,已训练的第一子模型可以为BioBERT模型。具体地,已训练的第二子模型是基于第三训练数据训练得到的,其中,第三训练数据包括多组第三训练数据样本,且每组第三训练数据样本均包括医疗RCT报告中的证据句、医疗RCT报告对应的医疗关键信息以及证据句对应的观测参数变化趋势。
继续以S304中的医疗RCT报告《布***混悬液治疗小儿支原体肺炎的临床疗效评价》作为例子,对S305进行举例说明。在确定该医疗RCT报告的医疗PICO和证据句之后,可以将该医疗RCT报告的医疗PICO和证据句输入第二子模型,该第二子模型可以输出证据句“治疗组发热、咳嗽、肺部啰音及住院时间均少于对照组(P<0.01)”对应的观测参数“发热、咳嗽、肺部啰音及住院时间”的变化趋势均为“减少”。
需要说明的是,图2对应实施例中的S203可以包括S303-S305。
S306:根据所述医疗关键信息和所述观测参数变化趋势,确定所述医疗RCT报告的医疗分析结果。
需要说明的是,本实施例中的S306与图2对应实施例中的S204相同、本实施例中的S306与图2对应实施例中的S204相同。因此,在本实施例中,不再对S306进行阐述,具体可以参见S204的介绍。
至此,本实施例结合具体的应用场景实现了对于基于深度学习的医疗RCT报告分析方法的处理过程。当然应该认为,上述场景仅仅为示例性场景,并不对本发明提供的方法构成限定。本发明提供的方法可延申的应用在其他相同原理的基于深度学习的医疗RCT报告分析方法中。图3所示仅为本发明所述方法的基础实施例,在其基础上进行一定的优化和拓展,还能够得到所述方法的其他优选实施例。
如图4所示,为本发明所述基于深度学习的医疗RCT报告分析方法的另一个具体实施例。本实施例在图3对应实施例的基础上,具体介绍步骤S403和S404。在本实施例中,所述方法具体包括以下步骤:
S401:确定待分析的医疗RCT报告。
S402:将所述医疗RCT报告输入已训练的医疗关键信息识别模型,得到所述医疗RCT报告的医疗关键信息。
需要说明的是,本实施例中的S401与图2对应实施例中的S201相同、本实施例中的S402与图2对应实施例中的S202相同。因此,在本实施例中,不再对S401、S402进行阐述,具体可以参见S201、S202的介绍。
S403:对所述医疗RCT报告进行划分句子边界处理,得到所述医疗RCT报告中的多个句子。
由于第一子模型是用于确定医疗RCT报告中各个句子分别对应的预测分数,故此,为了便于第一子模型对医疗RCT报告中各个句子进行处理,得到各个子句分别对应的预测分数,在本实施例中,在将医疗关键信息和医疗RCT报告输入第一子模型之前,可以先对医疗RCT报告进行划分句子边界处理,例如,可以利用自然语言处理工具包(NaturalLanguage Toolkit,NLTK)对医疗RCT报告进行划分句子边界处理。
其中,划分句子边界处理可以理解为利用预设的标点符号,对一段文字进行句子划分处理,从而将该段文字划分为多个句子,例如,可以将预设的标点符号前的句子划分为一个句子,将该预设的标点符号后的句子划分为一个句子。
举例来说,假设划分句子边界处理所依据的标点符号为句号、分号和冒号,且医疗RCT报告为“方法:98例肺炎支原体肺炎患儿按入院顺序随机分为2组,对照组48例给予红霉素静脉滴注治疗及口服止咳化痰、退热药物。结果:治疗组治愈率和总有效率显著高于对照组(P<0.05);治疗组发热、咳嗽、肺部啰音消失及住院时间均少于对照组(P<0.01);治疗组在治疗过程中未发现与布***混悬液相关的不良反应。”,则可以利用NLTK将该医疗RCT报告划分为多个句子,分别为“方法”、“98例肺炎支原体肺炎患儿按入院顺序随机分为2组,对照组48例给予红霉素静脉滴注治疗及口服止咳化痰、退热药物”、“结果”、“治疗组治愈率和总有效率显著高于对照组(P<0.05);治疗组发热、咳嗽、肺部啰音消失及住院时间均少于对照组(P<0.01)”、“治疗组在治疗过程中未发现与布***混悬液相关的不良反应”。
S404:分别将所述多个句子中的每一个句子依次输入所述第一子模型,得到所述医疗RCT报告中各个句子分别对应的预测分数。
在得到医疗RCT报告的医疗关键信息和医疗RCT报告中的多个句子之后,可以分别将该多个句子中的每一个句子依次输入所述第一子模型,得到该医疗RCT报告中各个句子分别对应的预测分数。例如,可以将一个句子先输入第一子模型,得到该句子对应的预测分数,接着,将该句子的下一个句子输入该第一子模型,得到该句子的下一个句子对应的预测分数,以此类推,得到该医疗RCT报告中各个句子分别对应的预测分数。
S405:根据所述医疗RCT报告中各个句子分别对应的预测分数,确定所述医疗RCT报告中的证据句。
S406:将所述证据句和所述医疗关键信息输入所述第二子模型,得到所述所述证据句对应的观测参数变化趋势。
S407:根据所述医疗关键信息和所述观测参数变化趋势,确定所述医疗RCT报告的医疗分析结果。
需要说明的是,本实施例中的S405-S407与图3对应实施例中的S304-S306相同。因此,在本实施例中,不再对S405-S407进行阐述,具体可以参见S303-S306的介绍。
至此,本实施例结合具体的应用场景实现了对于基于深度学习的医疗RCT报告分析方法的处理过程。当然应该认为,上述场景仅仅为示例性场景,并不对本发明提供的方法构成限定。本发明提供的方法可延申的应用在其他相同原理的基于深度学习的医疗RCT报告分析方法中。图4所示仅为本发明所述方法的基础实施例,在其基础上进行一定的优化和拓展,还能够得到所述方法的其他优选实施例。
如图5所示,为本发明所述基于深度学习的医疗RCT报告分析装置的一个具体实施例。本实施例所述装置,即用于执行上述实施例所述方法的实体装置。其技术方案本质上与上述实施例一致,上述实施例中的相应描述同样适用于本实施例中。本实施例中所述装置包括:
第一确定模块501,用于确定待分析的随机对照实验(RCT)报告;
第一输入模块502,用于将所述医疗RCT报告输入已训练的医疗关键信息识别模型,得到所述医疗RCT报告的医疗关键信息;
第二输入模块503,用于将所述医疗关键信息和所述医疗RCT报告输入已训练的观测参数提取模型,得到所述医疗RCT报告中证据句对应的观测参数变化趋势;所述证据句为所述医疗RCT报告中可体现观测参数的变化趋势的句子,而所述观测参数用于反映医疗RCT的医疗实验结果;
第二确定模块504,用于根据所述医疗关键信息和所述观测参数变化趋势,确定所述医疗RCT报告的医疗分析结果。
可选的,所述观测参数提取模型包括已训练的第一子模型和已训练的第二子模型;所述第二确定模块504,具体用于:
将所述医疗关键信息和所述医疗RCT报告输入所述第一子模型,得到所述医疗RCT报告中各个句子分别对应的预测分数,其中,预测分数用于反映句子为证据句的概率;
根据所述医疗RCT报告中各个句子分别对应的预测分数,确定所述医疗RCT报告中的证据句;
将所述证据句和所述医疗关键信息输入所述第二子模型,得到所述所述证据句对应的观测参数变化趋势。
可选的,所述第二确定模块504,还具体用于:
对所述医疗RCT报告进行划分句子边界处理,得到所述医疗RCT报告中的多个句子;
分别将所述多个句子中的每一个句子依次输入所述第一子模型,得到所述医疗RCT报告中各个句子分别对应的预测分数。
可选的,所述已训练的医疗关键信息识别模型是基于第一训练数据训练得到的,其中,所述第一训练数据包括多组第一训练数据样本,且每组第一训练数据样本均包括医疗RCT报告样本以及医疗RCT报告样本对应的医疗关键信息。
可选的,所述第一子模型是基于第二训练数据训练得到的,其中,所述第二训练数据包括多组第二训练数据样本,且每组第二训练数据样本均包括医疗RCT报告中的一个句子、医疗RCT报告对应的医疗关键信息以及句子对应的预测分数。
可选的,所述第二子模型是基于第三训练数据训练得到的,其中,所述第三训练数据包括多组第三训练数据样本,且每组第三训练数据样本均包括医疗RCT报告中的证据句、医疗RCT报告对应的医疗关键信息以及证据句对应的观测参数变化趋势。
可选的,所述医疗RCT报告的医疗关键信息包括:研究对象、实验组、对照组和观测参数。
图6是本发明实施例提供的一种电子设备的结构示意图。在硬件层面,该电子设备包括处理器,可选地还包括内部总线、网络接口、存储器。其中,存储器可能包含内存,例如高速随机存取存储器(Random-Access Memory,RAM),也可能还包括非易失性存储器(non-volatile memory),例如至少1个磁盘存储器等。当然,该电子设备还可能包括其他业务所需要的硬件。
处理器、网络接口和存储器可以通过内部总线相互连接,该内部总线可以是ISA(Industry Standard Architecture,工业标准体系结构)总线、PCI(PeripheralComponent Interconnect,外设部件互连标准)总线或EISA(Extended Industry StandardArchitecture,扩展工业标准结构)总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示,图6中仅用一个双向箭头表示,但并不表示仅有一根总线或一种类型的总线。
存储器,用于存放执行指令。具体地,执行指令即可被执行的计算机程序。存储器可以包括内存和非易失性存储器,并向处理器提供执行指令和数据。
在一种可能实现的方式中,处理器从非易失性存储器中读取对应的执行指令到内存中然后运行,也可从其它设备上获取相应的执行指令,以在逻辑层面上形成基于深度学习的医疗RCT报告分析装置。处理器执行存储器所存放的执行指令,以通过执行的执行指令实现本发明任一实施例中提供的基于深度学习的医疗RCT报告分析方法。
上述如本发明图2-4所示实施例提供的基于深度学习的医疗RCT报告分析装置执行的方法可以应用于处理器中,或者由处理器实现。处理器可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(Network Processor,NP)等;还可以是数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application SpecificIntegrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器,处理器读取存储器中的信息,结合其硬件完成上述方法的步骤。
本发明实施例还提出了一种可读介质,该可读存储介质存储有执行指令,存储的执行指令被电子设备的处理器执行时,能够使该电子设备执行本发明任一实施例中提供的基于深度学习的医疗RCT报告分析方法,并具体用于执行上述基于深度学习的医疗RCT报告分析所述的方法。
前述各个实施例中所述的电子设备可以为计算机。
本领域内的技术人员应明白,本发明的实施例可提供为方法或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例,或软件和硬件相结合的形式。
本发明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。
还需要说明的是,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、商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、商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、商品或者设备中还存在另外的相同要素。
以上所述仅为本发明的实施例而已,并不用于限制本发明。对于本领域技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原理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权利要求范围之内。
Claims (10)
1.一种基于深度学习的医疗RCT报告分析方法,其特征在于,所述方法包括:
确定待分析的医疗随机对照实验(RCT)报告;
将所述医疗RCT报告输入已训练的医疗关键信息识别模型,得到所述医疗RCT报告的医疗关键信息;
将所述医疗关键信息和所述医疗RCT报告输入已训练的观测参数提取模型,得到所述医疗RCT报告中证据句对应的观测参数变化趋势;其中,所述证据句为所述医疗RCT报告中可体现观测参数的变化趋势的句子,而所述观测参数用于反映医疗RCT的医疗实验结果;
根据所述医疗关键信息和所述观测参数变化趋势,确定所述医疗RCT报告的医疗分析结果。
2.根据权利要求1所述的方法,其特征在于,所述观测参数提取模型包括已训练的第一子模型和已训练的第二子模型;所述将所述医疗关键信息和所述医疗RCT报告输入已训练的观测参数提取模型,得到所述医疗RCT报告中证据句对应的观测参数变化趋势,包括:
将所述医疗关键信息和所述医疗RCT报告输入所述第一子模型,得到所述医疗RCT报告中各个句子分别对应的预测分数,其中,预测分数用于反映句子为证据句的概率;
根据所述医疗RCT报告中各个句子分别对应的预测分数,确定所述医疗RCT报告中的证据句;
将所述证据句和所述医疗关键信息输入所述第二子模型,得到所述所述证据句对应的观测参数变化趋势。
3.根据权利要求2所述的方法,其特征在于,在所述将所述医疗关键信息和所述医疗RCT报告输入所述第一子模型,得到所述医疗RCT报告中各个句子分别对应的预测分数的步骤之前,所述方法还包括:
对所述医疗RCT报告进行划分句子边界处理,得到所述医疗RCT报告中的多个句子;
相应地,所述将所述医疗关键信息和所述医疗RCT报告输入所述第一子模型,得到所述医疗RCT报告中各个句子分别对应的预测分数,包括:
分别将所述多个句子中的每一个句子和所述医疗关键信息依次输入所述第一子模型,得到所述医疗RCT报告中各个句子分别对应的预测分数。
4.根据权利要求1-3中任一项所述的方法,其特征在于,所述已训练的医疗关键信息识别模型是基于第一训练数据训练得到的,其中,所述第一训练数据包括多组第一训练数据样本,且每组第一训练数据样本均包括医疗RCT报告样本以及医疗RCT报告样本对应的医疗关键信息。
5.根据权利要求2或3所述的方法,其特征在于,所述第一子模型是基于第二训练数据训练得到的,其中,所述第二训练数据包括多组第二训练数据样本,且每组第二训练数据样本均包括医疗RCT报告中的一个句子、医疗RCT报告对应的医疗关键信息以及句子对应的预测分数。
6.根据权利要求2或3所述的方法,其特征在于,所述第二子模型是基于第三训练数据训练得到的,其中,所述第三训练数据包括多组第三训练数据样本,且每组第三训练数据样本均包括医疗RCT报告中的证据句、医疗RCT报告对应的医疗关键信息以及证据句对应的观测参数变化趋势。
7.根据权利要求1-3中任一项所述的方法,其特征在于,所述医疗RCT报告的医疗关键信息包括:医疗研究对象、医疗实验组、医疗对照组和医疗观测参数。
8.一种基于深度学习的医疗RCT报告分析装置,其特征在于,所述装置包括:
第一确定模块,用于确定待分析的医疗随机对照实验(RCT)报告;
第一输入模块,用于将所述医疗RCT报告输入已训练的医疗关键信息识别模型,得到所述医疗RCT报告的医疗关键信息;
第二输入模块,用于将所述医疗关键信息和所述医疗RCT报告输入已训练的观测参数提取模型,得到所述医疗RCT报告中证据句对应的观测参数变化趋势;所述证据句为所述医疗RCT报告中可体现观测参数的变化趋势的句子;
第二确定模块,用于根据所述医疗关键信息和所述观测参数变化趋势,确定所述医疗RCT报告的医疗分析结果。
9.一种可读介质,包括执行指令,当电子设备的处理器执行所述执行指令时,所述电子设备执行如权利要求1至7中任一所述的方法。
10.一种电子设备,包括处理器以及存储有执行指令的存储器,当所述处理器执行所述存储器存储的所述执行指令时,所述处理器执行如权利要求1至7中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911353320.4A CN113035310B (zh) | 2019-12-25 | 2019-12-25 | 一种基于深度学习的医疗rct报告分析方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911353320.4A CN113035310B (zh) | 2019-12-25 | 2019-12-25 | 一种基于深度学习的医疗rct报告分析方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113035310A CN113035310A (zh) | 2021-06-25 |
CN113035310B true CN113035310B (zh) | 2024-01-09 |
Family
ID=76452417
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911353320.4A Active CN113035310B (zh) | 2019-12-25 | 2019-12-25 | 一种基于深度学习的医疗rct报告分析方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113035310B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101441686A (zh) * | 2008-11-26 | 2009-05-27 | 复旦大学附属中山医院 | 基于自然语言编写的医疗文档的信息抽提及格式转换*** |
CN109241270A (zh) * | 2018-08-07 | 2019-01-18 | 北京诺道认知医学科技有限公司 | 循证医学文献筛选方法及装置 |
CN109584980A (zh) * | 2018-11-09 | 2019-04-05 | 金色熊猫有限公司 | 数据核验方法及装置、电子设备、存储介质 |
US10275710B1 (en) * | 2017-10-31 | 2019-04-30 | KenSci Inc. | Machine learning model repository |
CN109753564A (zh) * | 2018-12-13 | 2019-05-14 | 四川大学 | 基于机器学习的中文rct智能分类器的构建方法 |
CN110210037A (zh) * | 2019-06-12 | 2019-09-06 | 四川大学 | 面向循证医学领域的类别检测方法 |
CN110427482A (zh) * | 2019-07-31 | 2019-11-08 | 腾讯科技(深圳)有限公司 | 一种目标内容的抽取方法及相关设备 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016081712A1 (en) * | 2014-11-19 | 2016-05-26 | Bigdatabio, Llc | Systems and methods for genomic manipulations and analysis |
US10043135B2 (en) * | 2016-03-08 | 2018-08-07 | InferLink Corporation | Textual information extraction, parsing, and inferential analysis |
-
2019
- 2019-12-25 CN CN201911353320.4A patent/CN113035310B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101441686A (zh) * | 2008-11-26 | 2009-05-27 | 复旦大学附属中山医院 | 基于自然语言编写的医疗文档的信息抽提及格式转换*** |
US10275710B1 (en) * | 2017-10-31 | 2019-04-30 | KenSci Inc. | Machine learning model repository |
CN109241270A (zh) * | 2018-08-07 | 2019-01-18 | 北京诺道认知医学科技有限公司 | 循证医学文献筛选方法及装置 |
CN109584980A (zh) * | 2018-11-09 | 2019-04-05 | 金色熊猫有限公司 | 数据核验方法及装置、电子设备、存储介质 |
CN109753564A (zh) * | 2018-12-13 | 2019-05-14 | 四川大学 | 基于机器学习的中文rct智能分类器的构建方法 |
CN110210037A (zh) * | 2019-06-12 | 2019-09-06 | 四川大学 | 面向循证医学领域的类别检测方法 |
CN110427482A (zh) * | 2019-07-31 | 2019-11-08 | 腾讯科技(深圳)有限公司 | 一种目标内容的抽取方法及相关设备 |
Non-Patent Citations (2)
Title |
---|
Meta分析的综合评价—M...的统计学解析和报告规范分析;沈宁;硕士电子期刊;1-123页 * |
针灸治疗肠易激综合征RCT研究文献质量评价;胡进;储浩然;丁义侠;;中医药临床杂志(07);616-618 * |
Also Published As
Publication number | Publication date |
---|---|
CN113035310A (zh) | 2021-06-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108899070B (zh) | 处方推荐生成方法、装置、计算机设备和存储介质 | |
Trivedi et al. | Automatic determination of the need for intravenous contrast in musculoskeletal MRI examinations using IBM Watson’s natural language processing algorithm | |
Montemurro et al. | Self-evaluation of adjuvant chemotherapy-related adverse effects by patients with breast cancer | |
Flum et al. | Intraoperative cholangiography and risk of common bile duct injury during cholecystectomy | |
Sprung et al. | End-of-life practices in European intensive care units: the Ethicus Study | |
Mort et al. | Prescribing potentially inappropriate psychotropic medications to the ambulatory elderly | |
Unger et al. | The scientific impact of positive and negative phase 3 cancer clinical trials | |
CN109215754A (zh) | 病历数据处理方法、装置、计算机设备和存储介质 | |
Naik et al. | Distribution of self-reported hidradenitis suppurativa age at onset | |
Sarvepalli et al. | Association of adenoma and proximal sessile serrated polyp detection rates with endoscopist characteristics | |
CN109273098B (zh) | 一种基于智能决策的药品疗效预测方法和装置 | |
CN111627512A (zh) | 一种相似病历的推荐方法、装置,电子设备及存储介质 | |
US20140089003A1 (en) | Patient health record similarity measure | |
CN112331298A (zh) | 开具药方的方法、装置、电子设备及存储介质 | |
WO2022012687A1 (zh) | 医疗数据处理方法与*** | |
Wouters et al. | Association of research and development investments with treatment costs for new drugs approved from 2009 to 2018 | |
Björn et al. | Atovaquone-proguanil use in early pregnancy and the risk of birth defects | |
CN111091881A (zh) | 医疗信息分类方法、医疗分类信息的存储方法及计算设备 | |
Gulden et al. | Investigating the capabilities of FHIR search for clinical trial phenotyping | |
CN111061835B (zh) | 查询方法及装置、电子设备和计算机可读存储介质 | |
CN113035310B (zh) | 一种基于深度学习的医疗rct报告分析方法及装置 | |
US20140089004A1 (en) | Patient cohort laboratory result prediction | |
Reinecke et al. | Assessment and improvement of drug data structuredness from electronic health records: algorithm development and validation | |
Yum et al. | A word pair dataset for semantic similarity and relatedness in Korean medical vocabulary: reference development and validation | |
CN115631823A (zh) | 相似病例推荐方法及*** |
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 |