CN113345577A - 诊疗辅助信息的生成方法、模型训练方法、装置、设备以及存储介质 - Google Patents
诊疗辅助信息的生成方法、模型训练方法、装置、设备以及存储介质 Download PDFInfo
- Publication number
- CN113345577A CN113345577A CN202110679573.1A CN202110679573A CN113345577A CN 113345577 A CN113345577 A CN 113345577A CN 202110679573 A CN202110679573 A CN 202110679573A CN 113345577 A CN113345577 A CN 113345577A
- Authority
- CN
- China
- Prior art keywords
- medical record
- sample
- medical
- clustering
- candidate
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 98
- 238000012549 training Methods 0.000 title claims abstract description 72
- 238000003745 diagnosis Methods 0.000 title claims abstract description 56
- 238000004458 analytical method Methods 0.000 claims description 24
- 238000012545 processing Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 13
- 238000000605 extraction Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 7
- 230000037361 pathway Effects 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 7
- 238000007619 statistical method Methods 0.000 claims description 6
- 238000013473 artificial intelligence Methods 0.000 abstract description 8
- 238000003058 natural language processing Methods 0.000 abstract description 3
- 201000010099 disease Diseases 0.000 description 14
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 14
- 230000008569 process Effects 0.000 description 13
- 239000003814 drug Substances 0.000 description 11
- 238000004891 communication Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 239000000203 mixture Substances 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
- 208000024891 symptom Diseases 0.000 description 3
- 239000003795 chemical substances by application Substances 0.000 description 2
- 238000003759 clinical diagnosis Methods 0.000 description 2
- 208000028659 discharge Diseases 0.000 description 2
- 229940079593 drug Drugs 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000003064 k means clustering Methods 0.000 description 2
- 230000001225 therapeutic effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000001079 digestive effect Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000474 nursing effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000005180 public health Effects 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 230000000241 respiratory effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- 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
-
- 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
- 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
- G06F16/35—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Probability & Statistics with Applications (AREA)
- Pathology (AREA)
- Evolutionary Computation (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本公开提供了一种诊疗辅助信息的生成方法、模型训练方法、装置、设备以及存储介质,涉及人工智能技术领域,具体为知识图谱、自然语言处理和大数据技术领域。诊疗辅助信息的生成的具体实现方案为:获取待分析的病历数据;基于病历数据,确定候选病历集合;将病历数据和候选病历集合输入预先训练的病历判别模型,得到目标病历集合,其中,目标病历集合为候选病历集合的子集;根据目标病历集合生成诊疗辅助信息。可以根据以往的病历集合生成与当前病历匹配的诊疗辅助信息,提高了辅助信息的准确度。
Description
技术领域
本公开涉及人工智能技术领域,具体涉及自然语言处理和大数据技术领域,尤其涉及一种诊疗辅助信息的生成方法、模型训练方法、装置、设备、存储介质以及计算机程序产品。
背景技术
随着人工智能技术的不断发展进步,其在智慧医疗领域的使用也越来越普遍,可广泛应用于临床诊疗、药物研发、卫生监测、公众健康、政策制定和执行等领域。
发明内容
本公开提供了一种诊疗辅助信息的生成方法、模型训练方法、装置、设备、存储介质以及计算机程序产品,提高了辅助信息的准确度。
根据本公开的一方面,提供了一种诊疗辅助信息的生成方法,包括:获取待分析的病历数据;基于病历数据,确定候选病历集合;将病历数据和候选病历集合输入预先训练的病历判别模型,得到目标病历集合,其中,目标病历集合为所述候选病历集合的子集;根据目标病历集合生成诊疗辅助信息。
根据本公开的另一方面,提供了一种模型训练方法,包括:获取病历样本集;对病历样本集进行聚类,得到至少一个病历类簇;将病历类簇作为训练样本进行模型训练,得到如上所述的病历判别模型。
根据本公开的又一方面,提供了一种诊疗辅助信息的生成装置,包括:获取模块,被配置为获取待分析的病历数据;确定模块,被配置为基于病历数据,确定候选病历集合;判别模块,被配置为将病历数据和候选病历集合输入预先训练的病历判别模型,得到目标病历集合,其中,目标病历集合为候选病历集合的子集;生成模块,被配置为根据目标病历集合生成诊疗辅助信息。
根据本公开的又一方面,提供了一种模型训练装置,包括:获取模块,被配置为获取病历样本集;聚类模块,被配置为对病历样本集进行聚类,得到至少一个病历类簇;训练模块,被配置为将病历类簇作为训练样本进行模型训练,得到如上所述的病历判别模型。
根据本公开的又一方面,提供了一种电子设备,包括:至少一个处理器;以及与至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,指令被上述至少一个处理器执行,以使上述至少一个处理器能够执行上述诊疗辅助信息的生成方法或模型训练方法。
根据本公开的又一方面,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,其中,上述计算机指令用于使上述计算机执行上述诊疗辅助信息的生成方法或模型训练方法。
根据本公开的再一方面,提供了一种计算机程序产品,包括计算机程序,上述计算机程序在被处理器执行时实现上述诊疗辅助信息的生成方法或模型训练方法。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开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,不构成对本公开的限定。其中:
图1是本公开可以应用于其中的示例性***架构图;
图2是根据本公开的诊疗辅助信息的生成方法的一个实施例的流程图;
图3是根据本公开的诊疗辅助信息的生成方法的另一个实施例的流程图;
图4是根据本公开的模型训练方法的一个实施例的流程图;
图5是根据本公开的模型训练方法的另一个实施例的流程图;
图6是根据本公开的聚类操作的一个实施例的流程图;
图7是根据本公开的聚类操作的另一个实施例的流程图;
图8是根据本公开的诊疗辅助信息的生成装置的一个实施例的结构示意图;
图9是根据本公开的模型训练装置的一个实施例的结构示意图;
图10是用来实现本公开实施例的诊疗辅助信息的生成方法或模型训练方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开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,而不会背离本公开的范围和精神。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。
图1示出了可以应用本公开的诊疗辅助信息的生成方法、模型训练方法诊疗辅助信息的生成装置或模型训练装置的实施例的示例性***架构100。
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,以获取生成的辅助信息或训练好的模型等。终端设备101、102、103上可以安装有各种客户端应用,例如医疗管理应用等等。
终端设备101、102、103可以是硬件,也可以是软件。当终端设备101、102、103为硬件时,可以是各种电子设备,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。当终端设备101、102、103为软件时,可以安装在上述电子设备中。其可以实现成多个软件或软件模块,也可以实现成单个软件或软件模块。在此不做具体限定。
服务器105可以提供各种诊疗辅助服务。例如,服务器105可以对从终端设备101、102、103获取到的病历数据进行分析和处理,并生成处理结果(例如输出诊疗辅助信息等)。
需要说明的是,服务器105可以是硬件,也可以是软件。当服务器105为硬件时,可以实现成多个服务器组成的分布式服务器集群,也可以实现成单个服务器。当服务器105为软件时,可以实现成多个软件或软件模块(例如用来提供分布式服务),也可以实现成单个软件或软件模块。在此不做具体限定。
需要说明的是,本公开实施例所提供的诊疗辅助信息的生成方法或模型训练方法一般由服务器105执行,相应地,诊疗辅助信息的生成装置或模型训练装置一般设置于服务器105中。需要说明的是,诊疗辅助信息的生成方法和模型训练方法可以由同一个服务器105在不同时段执行,也可以由不同的服务器105分别执行,本公开实施例对此不作限定。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
继续参考图2,其示出了根据本公开的诊疗辅助信息的生成方法的一个实施例的流程200。该诊疗辅助信息的生成方法包括以下步骤:
步骤201、获取待分析的病历数据。
在本实施例中,诊疗辅助信息的生成方法的执行主体(例如图1所示的服务器105)可以获取新输入的病历数据,作为待分析的病历数据,也可以将用户指定的病历数据确认为待分析的病历数据。其中,病历数据通常是指电子病历中记载的医疗相关数据。具体地,电子病历是医疗机构对门诊、住院患者(或保健对象)临床诊疗和指导干预的、数字化的医疗服务工作记录,是病人在医院诊断治疗全过程的数据记录,其可以包括患者个人信息、病程记录、检查检验结果、医嘱、手术记录、护理记录等信息。
步骤202、基于病历数据,确定候选病历集合。
在本实施例中,上述执行主体在获取到待分析的病历数据后,可以进一步从已有的病历数据库中,筛选出与上述病历数据相关的多个历史病历,并利用这多个历史病历构成候选病历集合。示例性的,可以计算病历数据库中每个历史病历与待分析的病历数据之前的相似度,然后将相似度大于一定阈值的历史病历确定为上述候选病历集合中的病历。
需要说明的是,由于不同地区或同一地区不同医院的诊疗设备和诊疗标准具有一定的差异性,因此在构建病历数据库时应该以地区或医院为划分依据,分别构建病历数据库。在确定候选病历集合时,可以根据待分析的病历数据的来源,从相应地区或医院的病历数据库中筛选。
步骤203、将病历数据和候选病历集合输入预先训练的病历判别模型,得到目标病历集合。
在本实施例中,上述执行主体在得到候选病历集合之后,可以进一步将待分析的病历数据和候选病历集合作为待检测样本,输入预先训练好的病历判别模型,得到目标病历集合。具体地,病历判别模型可以将待分析的病历数据作为筛选基准,从候选病历集合中筛选出与病历数据最相关的多个历史病历,作为目标病历集合。
步骤204、根据目标病历集合生成诊疗辅助信息。
在本实施例中,上述执行主体在得到目标病历集合后,可以根据目标病历集合中每个历史病历所记载的诊疗数据,生成与病历数据对应的诊疗辅助信息。其中,每个历史病历所记载的内容组成都是类似的,例如,可以都包括初步诊断结论。在生成诊断辅助信息时,可以将每个历史病历的初步诊断结论进行合并去重,然后将去重后的全部初步诊断结论提供给用户,作为初步诊断的辅助信息。
本公开实施例提供的诊疗辅助信息的生成方法,首先获取待分析的病历数据,然后基于病历数据,确定候选病历集合,接着将病历数据和候选病历集合输入预先训练的病历判别模型,得到目标病历集合,最后根据目标病历集合生成诊疗辅助信息。通过先获取候选病历,再利用模型对候选病历进一步筛选,提高了目标病历集合与待分析的病历数据的匹配程度,从而提高了辅助信息的准确性和可参考性。
进一步继续参考图3,其示出了根据本公开的诊疗辅助信息的生成方法的另一个实施例的流程300。该诊疗辅助信息的生成方法包括以下步骤:
步骤301、获取待分析的病历数据。
在本实施例中,步骤301具体操作已在图2所示的实施例中步骤201进行了详细的介绍,在此不再赘述
步骤302、提取病历数据中的关键信息。
在本实施例中,上述执行主体在得到待分析的病历数据以后,可以进一步提取病历数据中的关键信息。其中,关键信息可以是病历数据中最能代表诊疗过程的核心数据,例如,疾病症状、疾病名称等。
在本实施例的一些可选实现方式中,关键信息包括以下至少一项:诊断结论、科室信息和手术信息。其中,诊断结论是医生对病人病情的判断结论,其可以包括初步诊断结论和最终诊断结论等。科室信息记载的是收治病人的具体科室。通常医院按照收治病症的类型进行科室的划分,可以包括内科、外科、儿科、妇产科等,内科还可以进一步划分为呼吸内科、消化内科、泌尿内科、心内科等。手术信息是病人在诊疗过程中所做过的全部手术的信息,可以包括手术名称、手术时间、具体的手术操作等。上述执行主体可以通过关键字提取或自然语言处理等方式,从待分析的病历数据中提取到上述关键信息。
步骤303、基于关键信息从病历库中获取至少一个候选病历,作为候选病历集合。
在本实施例中,上述执行主体在获取到待分析的病历数据中的关键信息后,可以进一步根据关键信息包含的具体内容,从已有的病历数据库中,筛选出与上述病历数据相关的多个历史病历,并利用这多个历史病历构成候选病历集合。在一些可选的实现方式中,可以在将关键信息作为搜索关键词,在病历数据库中搜索与关键信息匹配的历史病历,作为候选病历集合中的病历。在另一些可选的实现方式中,可以利用已有的数据搜索引擎,例如ElasticSearch,在病历数据库中搜索与关键信息匹配的历史病历,作为候选病历集合中的病历。
在本实施例中,首先提取病历数据中的关键信息,然后基于关键信息从病历库中获取至少一个候选病历,作为候选病历集合。在病历筛选的过程中,排除了关键信息之外的非核心数据,可以大幅减少数据计算量,提高候选病历集合的获取效率。
步骤304、将病历数据和候选病历集合输入预先训练的病历判别模型,得到目标病历集合。
在本实施例中,步骤304的具体操作已在图2所示的实施例中步骤203进行了详细的介绍,在此不再赘述。
步骤305、对目标病历集合进行统计分析,得到分析结果。
在本实施例中,上述执行主体在得到目标病历集合后,可以通过统计分析的方式,对目标病历集合中的所有病历进行分析。其中,目标病历集合经过上述步骤303和304的两次筛选,可以认为是与待分析病历数据相近似的一类病症所对应的病历集合。由于病历中记载了该类病症治疗的全过程数据,包括治疗阶段、检查项目和治疗措施(用药和手术情况)等信息。因此,通过对全部目标病历进行分析,可以得到在该类病症的诊疗过程中,每种治疗措施的实施时间和实施概率,也即上述分析结果。
步骤306、根据分析结果生成基于临床路径的辅助信息。
在本实施例中,上述执行主体在得到分析结果后,可以根据分析结果记载的具体内容,生成基于临床路径的辅助信息。其中,临床路径(Clinical pathway)是指针对某一疾病建立一套标准化治疗模式与治疗程序,是一个有关临床治疗的综合模式,以循证医学证据和指南为指导来促进治疗组织和疾病管理的方法,其内容更简洁、易读、适用于多学科多部门具体操作,是针对特定疾病的诊疗流程、注重治疗过程中各专科间的协同性、注重治疗的结果、注重时间性。具体的,上述执行主体在得到每种治疗措施的实施时间和实施概率后,可以按照实施时间对应的先后顺序,将实施概率较高的多个治疗措施进行排列,并将排列结果作为基于临床路径的辅助信息,输出给医生,以便医生确认合适的临床路径。
在本实施例的一些可选实现方式中,根据分析结果生成诊疗费用警示信息。在本实施例中,由于病历中记载了该类病症治疗的全过程数据,因此除了包括治疗阶段、检查项目和治疗措施(用药和手术情况)等信息外,还可以包括在各个治疗阶段所花费的费用信息。相应的,上述分析结果还可以进一步包括该类疾病在各治疗阶段的平均费用信息。在医生确定上述临床路径的过程中,如果某一阶段的费用预算超出了该阶段的平均费用,可以生成费用警示信息,以提醒医生进行诊疗措施的调整,从而实现控费降费的目的。
从图3中可以看出,与图2对应的实施例相比,本实施例中的诊疗辅助信息的生成方法在得到目标病历集合后,可以首先对目标病历集合进行统计分析,得到分析结果,然后进一步根据分析结果生成基于临床路径的辅助信息。这样得到的基于临床路径的辅助信息更加准确和全面,便于应对各种复杂并发疾病。
进一步继续参考图4,其示出了根据本公开的模型训练方法的一个实施例的流程400。该模型训练方法包括以下步骤:
步骤401、获取病历样本集。
在本实施例中,模型训练方法的执行主体(例如图1所示的服务器105)可以首先获取病历样本集,该病历样本集所对应的病人,通常已经完成了入院治疗过程,因此病历样本集包括的病历均为历史病历。具体可以首先获取发出模型训练请求的请求方信息,然后根据请求方信息获取请求方所在医院或地区的、在一定时间范围内的全部历史病历,形成上述病历样本集。
步骤402、对病历样本集进行聚类,得到至少一个病历类簇。
在本实施例中,上述执行主体可以在获得病历样本集后,可以选择适合的聚类算法,对病历样本集中的全部病历样本进行聚类,以得到至少一个病历类簇。其中,实现聚类的算法可以是K-Means(K均值)聚类、均值漂移聚类等常规算法,在此不再赘述。
步骤403、将病历类簇作为训练样本进行模型训练,得到病历判别模型。
在本实施例中,上述执行主体在得到病历类簇后,需要进一步进行模型训练,以得到病历判别模型。首先,可以利用病历类簇构造训练样本,具体可以将每两个病历类簇作为一个训练样本,然后对每个训练样本进行标注,例如邀请医学专家进行人工标注,如果两个病历类簇相似,则作为一个正样本,否则作为一个负样本,这样就可以得到正样本集和负样本集。接着使用正样本集和负样本集对初始判别模型进行训练,训练完成后就可以得到病历判别模型,该模型在图2和图3对应的实施例中使用。其中,初始判别模型可以是线性回归模型、线性判别分析、支持向量机或神经网络等常规判别模型。
本公开实施例提供的模型训练方法,可以首先获取病历样本集,然后对病历样本集进行聚类,得到至少一个病历类簇,最后将病历类簇作为训练样本进行模型训练,得到病历判别模型。通过将病历类簇作为训练样本进行模型训练,有助于提高训练方法的可靠性和适用范围。同时,这种方法训练得到的模型,能够获得更加准确的病历判别结果。
进一步继续参考图5,其示出了根据本公开的模型训练方法的又一个实施例的流程500。该模型训练方法包括以下步骤:
步骤501、对病历库中的所有病历进行归一化处理,得到初始病历集。
在本实施例中,上述执行主体首先需要对病例库中的所有病历进行归一化处理,使得初始病历集中的标准术语尽量保持一致,以便后续统一操作。由于病历库中的病历源于不同的医院或医生,每个医院的科室命名很可能是不一致的,每个医生的对同一药物或手术的描述通常也有所不同,这些非标准字段会影响后续处理结果的准确度,因此可以对这些数据进行归一化处理。具体的,可以对病历数据中的非标准字段进行归一化,得到标准字段。例如,可以将病历中的科室信息与标准科室分类规范进行比对,将不规范的科室名称替换为标准的科室名称。
需要说明的是,本实施例在进行病历归一化时,主要是对有标准用词规范的信息进行归一化,例如科室信息、药物信息、检测手段、手术方式等,而对于个性化信息,如症状、体征等,可以不进行归一化。
步骤502、对初始病历集中的各病历进行形式和/或内容识别,得到识别结果。
在本实施例中,上述执行主体在得到经过归一化处理后的初始病历集后,可以进一步对初始病历集中的各病历进行形式和/或内容识别。其中,形式识别主要用于判断病历在形式上是否满足预定要求,例如,住院病历的内容需要至少包括患者信息、入院诊断、出院诊断,若某住院病历中缺少出院诊断,则形式识别的结果为不满足形式要求。内容识别可以通过自然语言理解方式,判断病历内容中是否有明显不恰当的记录,例如患者性别和病症描述相矛盾等,则内容识别的结果为不满足内容要求。
具体形式识别和内容识别的标准,可以由用户根据实际需求自行设定,在此不作限制。
步骤503、基于识别结果对初始病历集进行筛选,得到病历样本集。
在本实施例中,上述执行主体在得到识别结果之后,可以根据识别结果对初始病历集中的病历进行筛选,得到病历样本集。具体可以将不满足形式要求或内容要求的病历,从初始病历集中剔除,从而得到病历样本集。
步骤504、对病历样本集中的所有病历样本进行分组,得到多个样本组。
在本实施例中,上述执行主体在得到病历样本集后,可以首先对所有的病历样本进行分组。具体的分组标准可以包括按疾病诊断相关分组(Diagnosis Related Groups,DRG)或按病种分值付费试点(Diagnosis-Intervention Packet,DIP)。这两种分组方式都是标准的医保付费分组,直接根据需要选用即可,分组后可以得到多个样本组。
步骤505、分别对每个样本组下的全部病历样本执行聚类操作,得到多个病历类簇。
在本实施例中,上述执行主体得到多个样本组后,可以在组内对病历样本进行聚类,得到与该组对应的多个病例类簇。将每个组对应病例类簇集合起来,就得到了病历样本集所对应的多个病例类簇。
在本实施例的一些可选实现方式中,上述执行主体可以按照本公开图6中提供的聚类操作方法分别对每个样本组下的全部病历样本进行聚类。具体聚类方法可以参考对图6的具体描述,在此不再赘述。
在本实施例的一些可选实现方式中,上述执行主体可以按照本公开图7中提供的聚类操作方法分别对每个样本组下的全部病历样本进行聚类。具体聚类方法可以参考对图7的具体描述,在此不再赘述。
步骤506、将病历类簇作为训练样本进行模型训练,得到病历判别模型。
在本实施例中,步骤506的具体操作已在图4所示的实施例中步骤403进行了详细的介绍,在此不再赘述。
从图5中可以看出,与图4对应的实施例相比,本实施例中的诊疗辅助信息的生成方法通过先对病历进行归一化,然后进行形式识别和内容识别,可以实现对病历样本的质量控制,以减少低质病历对计算量的消耗。同时,在进行病历样本聚类时先分组,再进行组内聚类,提高了聚类效率和准确率,进一步提高了训练后模型的识别准确率。
进一步继续参考图6,其示出了根据本公开的聚类操作的一个实施例的流程600。该聚类操作方法包括以下步骤:
步骤601、对每个病历样本分别进行特征提取,得到多个特征项。
在本实施例中,上述执行主体可以按照预定规则对每个病历样本进行特征抽取,每个病历样本都可以对应多个特征项。通常,病历中都会包括一些固有的字段,例如主诉、病史、诊断、病程记录等,在进行特征提取时,可以将每一个字段作为一个特征进行提取。同时,还可以根据预先构建的医学知识图谱对诊疗要素和诊疗事件进行提取,得到对应的特征项。
步骤602、将每个病历样本对应的全部特征项进行合并,得到与病历样本一一对应的样本特征。
在本实施例中,上述执行主体在得到每个病历样本对应的多个特征项后,可以将一个病历样本对应的全部特征项进行合并,作为该病历样本的样本特征。例如,可以将每个病历样本的全部特征项进行串联,即得到一段包含所有特征的长文本表达,这个长本文就可以作为该病历样本的样本特征。
步骤603、将每两个病历样本的样本特征作为一个待识别样本,输入预训练语义表示模型,完成聚类。
在本实施例中,上述执行主体在得到每个病历样本的样本特征后,可以将每两个病历样本的样本特征作为一个待识别样本,输入预训练语义表示模型,该语义表示模型可以输出对全部病历样本的聚类结果。其中,预训练语义表示模型可以是ERNIE(EnhancedRepresentation from Knowledge Integration)模型,其是基于知识增强的持续学习语义理解框架,该框架将大数据预训练与多源丰富知识相结合,通过持续学习技术,不断吸收海量文本数据中词汇、结构、语义等方面的知识,以实现模型效果不断进化。
在本公开实施例中,上述执行主体在进行聚类时,将每个病历样本对应的全部特征项进行合并作为样本特征,这样得到的样本特征准确而全面,然后再进行聚类,可以提高聚类的全面性。
进一步继续参考图7,其示出了根据本公开的聚类操作的另一个实施例的流程700。该聚类操作方法包括以下步骤:
步骤701、对每个病历样本分别进行特征提取,得到多个特征项。
在本实施例中,步骤701具体操作已在图6所示的实施例中步骤601进行了详细的介绍,在此不再赘述。
其中,每个病历样本对应的多个特征项可以分别属于多个类别。例如主诉、病史、诊断、病程记录等,都可以作为不同类别的特征项。
步骤702、计算每两个病历样本的同一类别特征项之间的相似度。
在本实施例中,上述执行主体在得到每个样本对应的特征项后,可以计算每两个病历样本的同一类别特征项之间的相似度。具体可以分别计算两个病历样本的主诉间的相似度、病史间的相似度、诊断间的相似度和病程记录间的相似度。本实施例中的相似度可以用编辑距离计算,也可以是语义相似度,具体计算方法属于本领域的常规技术手段,在此不再赘述。
步骤703、基于相似度对病历样本进行聚类。
在本实施例中,上述执行主体在得到计算每两个病历样本的同一类别特征项之间的相似度后,可以基于预先确定的聚类算法对所有病历样本进行聚类。例如,可以利用K-Means(K均值)聚类、基于密度的聚类、用高斯混合模型的最大期望聚类等常见聚类方法对所有病历样本进行聚类。
在本公开实施例中,上述执行主体在进行聚类时,按照特征类别分别计算相似度,使得计算后的相似度更具有代表性,然后再进行聚类,可以提高聚类的准确度。
进一步参考图8,作为对上述图2-3所示方法的实现,本公开提供了一种诊疗辅助信息的生成装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图8所示,本实施例的诊疗辅助信息的生成装置800可以包括获取模块801,确定模块802,判别模块803和生成模块804。其中,获取模块801,被配置为获取待分析的病历数据;确定模块802,被配置为基于病历数据,确定候选病历集合;判别模块803,被配置为将病历数据和候选病历集合输入预先训练的病历判别模型,得到目标病历集合,其中,目标病历集合为候选病历集合的子集;生成模块804,被配置为根据目标病历集合生成诊疗辅助信息。
在本实施例中,诊疗辅助信息的生成装置800中:获取模块801,确定模块802,判别模块803和生成模块804。的具体处理及其所带来的技术效果可分别参考图2对应实施例中的步骤201-204的相关说明,在此不再赘述。
在本实施例的一些可选实现方式中,生成模块804包括:分析单元,被配置为对目标病历集合进行统计分析,得到分析结果;第一生成单元,被配置为根据分析结果生成基于临床路径的辅助信息。
在本实施例的一些可选实现方式中,生成模块804还包括:第二生成单元,被配置为根据分析结果生成诊疗费用警示信息。
在本实施例的一些可选实现方式中,确定模块802包括:提取单元,被配置为提取病历数据中的关键信息;确定单元,被配置为基于关键信息从病历库中获取至少一个候选病历,作为候选病历集合。
在本实施例的一些可选实现方式中,关键信息包括以下至少一项:诊断结论、科室信息和手术信息。
如图9所示,本实施例的模型训练装置900可以包括获取模块901,聚类模块902和训练模块903。其中,获取模块901,被配置为获取病历样本集;聚类模块902,被配置为对病历样本集进行聚类,得到至少一个病历类簇;训练模块903,被配置为将病历类簇作为训练样本进行模型训练,得到如图8所示的病历判别模型。
在本实施例中,模型训练装置900中:获取模块901,聚类模块902和训练模块903的具体处理及其所带来的技术效果可分别参考图4对应实施例中的步骤401-403的相关说明,在此不再赘述。
在本实施例的一些可选实现方式中,获取模块901包括:归一化单元,被配置为对病历库中的所有病历进行归一化处理,得到初始病历集;识别单元,被配置为对初始病历集中的各病历进行形式和/或内容识别,得到识别结果;筛选单元,被配置为基于识别结果对初始病历集进行筛选,得到所述病历样本集。
在本实施例的一些可选实现方式中,聚类模块902包括:分组单元,被配置为对病历样本集中的所有病历样本进行分组,得到多个样本组;聚类单元,被配置为分别对每个样本组下的全部病历样本执行聚类操作,得到多个病历类簇。
在本实施例的一些可选实现方式中,聚类单元包括:特征获取子单元,被配置为对每个病历样本分别进行特征提取,得到多个特征项;特征合并子单元,被配置为将每个病历样本对应的全部特征项进行合并,得到与病历样本一一对应的样本特征;第一聚类子单元,被配置为将每两个病历样本的样本特征作为一个待识别样本,输入预训练语义表示模型,完成聚类。
在本实施例的一些可选实现方式中,聚类单元包括:特征获取子单元,被配置为对每个病历样本分别进行特征提取,得到多个特征项,其中,多个特征项分别属于多个类别;相似度计算子单元,被配置为计算每两个病历样本的同一类别特征项之间的相似度;第二聚类子单元,被配置为基于相似度对病历样本进行聚类。
需要特别说明的是,在本公开的技术方案中,所涉及的用户(患者)个人信息的获取,存储和应用等,均符合相关法律法规的规定,且不违背公序良俗。
根据本公开的实施例,本公开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10示出了可以用来实施本公开的实施例的示例电子设备1000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/或者要求的本公开的实现。
如图10所示,设备1000包括计算单元1001,其可以根据存储在只读存储器(ROM)1002中的计算机程序或者从存储单元1008加载到随机访问存储器(RAM)1003中的计算机程序,来执行各种适当的动作和处理。在RAM 1003中,还可存储设备1000操作所需的各种程序和数据。计算单元1001、ROM 1002以及RAM 1003通过总线1004彼此相连。输入/输出(I/O)接口1005也连接至总线1004。
设备1000中的多个部件连接至I/O接口1005,包括:输入单元1006,例如键盘、鼠标等;输出单元1007,例如各种类型的显示器、扬声器等;存储单元1008,例如磁盘、光盘等;以及通信单元1009,例如网卡、调制解调器、无线通信收发机等。通信单元1009允许设备1000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1001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1001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1001执行上文所描述的各个方法和处理,例如诊疗辅助信息的生成方法或模型训练方法。例如,在一些实施例中,诊疗辅助信息的生成方法或模型训练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1008。在一些实施例中,计算机程序的部分或者全部可以经由ROM 1002和/或通信单元1009而被载入和/或安装到设备1000上。当计算机程序加载到RAM 1003并由计算单元1001执行时,可以执行上文描述的诊疗辅助信息的生成方法或模型训练方法的一个或多个步骤。备选地,在其他实施例中,计算单元1001可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行诊疗辅助信息的生成方法或模型训练方法。
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。
用于实施本公开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。
在本公开的上下文中,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。
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。服务器可以为分布式***的服务器,或者是结合了区块链的服务器。服务器也可以是云服务器,或者是带人工智能技术的智能云计算服务器或智能云主机。服务器可以为分布式***的服务器,或者是结合了区块链的服务器。服务器也可以是云服务器,或者是带人工智能技术的智能云计算服务器或智能云主机。
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,本发公开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,只要能够实现本公开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,并不构成对本公开保护范围的限制。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。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (22)
1.一种诊疗辅助信息的生成方法,所述方法包括:
获取待分析的病历数据;
基于所述病历数据,确定候选病历集合;
将所述病历数据和所述候选病历集合输入预先训练的病历判别模型,得到目标病历集合,其中,所述目标病历集合为所述候选病历集合的子集;
根据所述目标病历集合生成诊疗辅助信息。
2.根据权利要求1所述的方法,其中,所述根据所述目标病历集合生成诊疗辅助信息包括:
对所述目标病历集合进行统计分析,得到分析结果;
根据所述分析结果生成基于临床路径的辅助信息。
3.根据权利要求2所述的方法,其中,所述根据所述目标病历集合生成诊疗辅助信息还包括:
根据所述分析结果生成诊疗费用警示信息。
4.根据权利要求1-3任一项所述的方法,其中,所述基于所述病历数据,确定候选病历集合包括:
提取所述病历数据中的关键信息;
基于所述关键信息从病历库中获取至少一个候选病历,作为所述候选病历集合。
5.根据权利要求4所述的方法,其中,所述关键信息包括以下至少一项:
诊断结论、科室信息和手术信息。
6.一种模型训练方法,所述方法包括:
获取病历样本集;
对所述病历样本集进行聚类,得到至少一个病历类簇;
将所述病历类簇作为训练样本进行模型训练,得到如权利要求1-5任一项所述的病历判别模型。
7.根据权利要求6所述的方法,所述获取病历样本集包括:
对病历库中的所有病历进行归一化处理,得到初始病历集;
对所述初始病历集中的各病历进行形式和/或内容识别,得到识别结果;
基于所述识别结果对初始病历集进行筛选,得到所述病历样本集。
8.根据权利要求6或7所述的方法,其中,所述对所述病历样本集进行聚类,得到至少一个病历类簇包括:
对所述病历样本集中的所有病历样本进行分组,得到多个样本组;
分别对每个样本组下的全部病历样本执行聚类操作,得到多个所述病历类簇。
9.根据权利要求8所述的方法,其中,所述聚类操作包括:
对每个病历样本分别进行特征提取,得到多个特征项;
将每个病历样本对应的全部特征项进行合并,得到与所述病历样本一一对应的样本特征;
将每两个病历样本的样本特征作为一个待识别样本,输入预训练语义表示模型,完成聚类。
10.根据权利要求8所述的方法,其中,所述聚类操作包括:
对每个病历样本分别进行特征提取,得到多个特征项,其中,所述多个特征项分别属于多个类别;
计算每两个所述病历样本的同一类别特征项之间的相似度;
基于所述相似度对所述病历样本进行聚类。
11.一种诊疗辅助信息的生成装置,所述装置包括:
获取模块,被配置为获取待分析的病历数据;
确定模块,被配置为基于所述病历数据,确定候选病历集合;
判别模块,被配置为将所述病历数据和所述候选病历集合输入预先训练的病历判别模型,得到目标病历集合,其中,所述目标病历集合为所述候选病历集合的子集;
生成模块,被配置为根据所述目标病历集合生成诊疗辅助信息。
12.根据权利要求9所述的装置,其中,所述生成模块包括:
分析单元,被配置为对所述目标病历集合进行统计分析,得到分析结果;
第一生成单元,被配置为根据所述分析结果生成基于临床路径的辅助信息。
13.根据权利要求10所述的装置,其中,所述生成模块还包括:
第二生成单元,被配置为根据所述分析结果生成诊疗费用警示信息。
14.根据权利要求11-13任一项所述的装置,其中,所述确定模块包括:
提取单元,被配置为提取所述病历数据中的关键信息;
确定单元,被配置为基于所述关键信息从病历库中获取至少一个候选病历,作为所述候选病历集合。
15.一种模型训练装置,所述装置包括:
获取模块,被配置为获取病历样本集;
聚类模块,被配置为对所述病历样本集进行聚类,得到至少一个病历类簇;
训练模块,被配置为将所述病历类簇作为训练样本进行模型训练,得到如权利要求11-14任一项所述的病历判别模型。
16.根据权利要求15所述的装置,所述获取模块包括:
归一化单元,被配置为对病历库中的所有病历进行归一化处理,得到初始病历集;
识别单元,被配置为对所述初始病历集中的各病历进行形式和/或内容识别,得到识别结果;
筛选单元,被配置为基于所述识别结果对初始病历集进行筛选,得到所述病历样本集。
17.根据权利要求15或16所述的装置,其中,所述聚类模块包括:
分组单元,被配置为对所述病历样本集中的所有病历样本进行分组,得到多个样本组;
聚类单元,被配置为分别对每个样本组下的全部病历样本执行聚类操作,得到多个所述病历类簇。
18.根据权利要求17所述的装置,其中,所述聚类单元包括:
特征获取子单元,被配置为对每个病历样本分别进行特征提取,得到多个特征项;
特征合并子单元,被配置为将每个病历样本对应的全部特征项进行合并,得到与所述病历样本一一对应的样本特征;
第一聚类子单元,被配置为将每两个病历样本的样本特征作为一个待识别样本,输入预训练语义表示模型,完成聚类。
19.根据权利要求17所述的装置,其中,所述聚类单元包括:
特征获取子单元,被配置为对每个病历样本分别进行特征提取,得到多个特征项,其中,所述多个特征项分别属于多个类别;
相似度计算子单元,被配置为计算每两个所述病历样本的同一类别特征项之间的相似度;
第二聚类子单元,被配置为基于所述相似度对所述病历样本进行聚类。
20.一种电子设备,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1-5或6-10中任一项所述的方法。
21.一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1-5或6-10中任一项所述的方法。
22.一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据权利要求1-5或6-10中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110679573.1A CN113345577B (zh) | 2021-06-18 | 2021-06-18 | 诊疗辅助信息的生成方法、模型训练方法、装置、设备以及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110679573.1A CN113345577B (zh) | 2021-06-18 | 2021-06-18 | 诊疗辅助信息的生成方法、模型训练方法、装置、设备以及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113345577A true CN113345577A (zh) | 2021-09-03 |
CN113345577B CN113345577B (zh) | 2022-12-20 |
Family
ID=77477471
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110679573.1A Active CN113345577B (zh) | 2021-06-18 | 2021-06-18 | 诊疗辅助信息的生成方法、模型训练方法、装置、设备以及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113345577B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114491177A (zh) * | 2022-02-15 | 2022-05-13 | 北京百度网讯科技有限公司 | 信息确定方法、模型训练方法、装置及电子设备 |
CN114579626A (zh) * | 2022-03-09 | 2022-06-03 | 北京百度网讯科技有限公司 | 数据处理方法、数据处理装置、电子设备和介质 |
CN115662562A (zh) * | 2022-11-08 | 2023-01-31 | 北京健康在线技术开发有限公司 | 病历诊疗数据管理方法、装置、设备及存储介质 |
CN115662646A (zh) * | 2022-12-08 | 2023-01-31 | 武汉金豆医疗数据科技有限公司 | 医疗决策平台的构建方法及装置、电子设备和存储介质 |
CN116825311A (zh) * | 2023-07-18 | 2023-09-29 | 山东贝森医院管理咨询有限公司 | 一种基于drg/dip的医院管控运营方法及*** |
CN117093920A (zh) * | 2023-10-20 | 2023-11-21 | 四川互慧软件有限公司 | 一种用户DRGs分组方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107403068A (zh) * | 2017-07-31 | 2017-11-28 | 合肥工业大学 | 融合临床思维的智能辅助问诊方法及*** |
US20180349555A1 (en) * | 2017-06-01 | 2018-12-06 | International Business Machines Corporation | Medical record problem list generation |
CN109215754A (zh) * | 2018-09-10 | 2019-01-15 | 平安科技(深圳)有限公司 | 病历数据处理方法、装置、计算机设备和存储介质 |
CN109887603A (zh) * | 2019-01-17 | 2019-06-14 | 日照职业技术学院 | 一种计算机辅助医疗数据处理***及方法 |
CN110490251A (zh) * | 2019-03-08 | 2019-11-22 | 腾讯科技(深圳)有限公司 | 基于人工智能的预测分类模型获取方法及装置、存储介质 |
CN111383754A (zh) * | 2018-12-28 | 2020-07-07 | 医渡云(北京)技术有限公司 | 医疗决策方法、医疗决策装置、电子设备及存储介质 |
-
2021
- 2021-06-18 CN CN202110679573.1A patent/CN113345577B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180349555A1 (en) * | 2017-06-01 | 2018-12-06 | International Business Machines Corporation | Medical record problem list generation |
CN107403068A (zh) * | 2017-07-31 | 2017-11-28 | 合肥工业大学 | 融合临床思维的智能辅助问诊方法及*** |
CN109215754A (zh) * | 2018-09-10 | 2019-01-15 | 平安科技(深圳)有限公司 | 病历数据处理方法、装置、计算机设备和存储介质 |
CN111383754A (zh) * | 2018-12-28 | 2020-07-07 | 医渡云(北京)技术有限公司 | 医疗决策方法、医疗决策装置、电子设备及存储介质 |
CN109887603A (zh) * | 2019-01-17 | 2019-06-14 | 日照职业技术学院 | 一种计算机辅助医疗数据处理***及方法 |
CN110490251A (zh) * | 2019-03-08 | 2019-11-22 | 腾讯科技(深圳)有限公司 | 基于人工智能的预测分类模型获取方法及装置、存储介质 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114491177A (zh) * | 2022-02-15 | 2022-05-13 | 北京百度网讯科技有限公司 | 信息确定方法、模型训练方法、装置及电子设备 |
CN114579626A (zh) * | 2022-03-09 | 2022-06-03 | 北京百度网讯科技有限公司 | 数据处理方法、数据处理装置、电子设备和介质 |
CN114579626B (zh) * | 2022-03-09 | 2023-08-11 | 北京百度网讯科技有限公司 | 数据处理方法、数据处理装置、电子设备和介质 |
CN115662562A (zh) * | 2022-11-08 | 2023-01-31 | 北京健康在线技术开发有限公司 | 病历诊疗数据管理方法、装置、设备及存储介质 |
CN115662646A (zh) * | 2022-12-08 | 2023-01-31 | 武汉金豆医疗数据科技有限公司 | 医疗决策平台的构建方法及装置、电子设备和存储介质 |
CN116825311A (zh) * | 2023-07-18 | 2023-09-29 | 山东贝森医院管理咨询有限公司 | 一种基于drg/dip的医院管控运营方法及*** |
CN116825311B (zh) * | 2023-07-18 | 2024-04-09 | 山东贝森医院管理咨询有限公司 | 一种基于drg/dip的医院管控运营方法及*** |
CN117093920A (zh) * | 2023-10-20 | 2023-11-21 | 四川互慧软件有限公司 | 一种用户DRGs分组方法 |
CN117093920B (zh) * | 2023-10-20 | 2024-01-23 | 四川互慧软件有限公司 | 一种用户DRGs分组方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113345577B (zh) | 2022-12-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113345577B (zh) | 诊疗辅助信息的生成方法、模型训练方法、装置、设备以及存储介质 | |
CN111414393B (zh) | 一种基于医学知识图谱的语义相似病例检索方法及设备 | |
CN112541056B (zh) | 医学术语标准化方法、装置、电子设备及存储介质 | |
CN109670054B (zh) | 知识图谱构建方法、装置、存储介质及电子设备 | |
CN111382275A (zh) | 医疗知识图谱的构建方法、装置、介质及电子设备 | |
CN114758739A (zh) | 计算机***实现的方法及***以及存储装置 | |
JP6916310B2 (ja) | 人間参加型対話式モデル訓練 | |
CN112562807A (zh) | 医疗数据分析方法、装置、设备、存储介质和程序产品 | |
CN112562808A (zh) | 患者画像的生成方法、装置、电子设备及存储介质 | |
JP6177609B2 (ja) | 医療カルテシステム及び医療カルテ検索方法 | |
CN112579750A (zh) | 相似病案的检索方法、装置、设备及存储介质 | |
US20240143605A1 (en) | System And Method For Improved State Identification And Prediction In Computerized Queries | |
Chandra et al. | Natural language Processing and Ontology based Decision Support System for Diabetic Patients | |
CN116189857A (zh) | 分诊等级确定方法、装置、电子设备和存储介质 | |
CN116580802A (zh) | 信息处理方法、装置、设备、存储介质和程序产品 | |
CN115719640A (zh) | 中医主次症状识别***、装置、电子设备及其存储介质 | |
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 | |
CN114664421A (zh) | 一种医患匹配方法、装置、电子设备、介质及产品 | |
CN110010231A (zh) | 一种数据处理***及计算机可读存储介质 | |
CN114068028A (zh) | 医疗问诊数据处理方法及装置、可读存储介质及电子设备 | |
Suha et al. | A systematic review and future research agenda on detection of polycystic ovary syndrome (PCOS) with computer-aided techniques | |
CN113326438A (zh) | 信息查询方法、装置、电子设备以及存储介质 | |
Junior et al. | A study of the influence of textual features in learning medical prior authorization | |
CN116089459B (zh) | 数据检索方法、装置、电子设备及存储介质 | |
CN117423450A (zh) | 一种中医辅助诊断方法、装置及电子设备 |
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 |