CN113539490A - 基于知识图谱的常见职业病风险预测方法 - Google Patents
基于知识图谱的常见职业病风险预测方法 Download PDFInfo
- Publication number
- CN113539490A CN113539490A CN202110645305.8A CN202110645305A CN113539490A CN 113539490 A CN113539490 A CN 113539490A CN 202110645305 A CN202110645305 A CN 202110645305A CN 113539490 A CN113539490 A CN 113539490A
- Authority
- CN
- China
- Prior art keywords
- knowledge graph
- medical
- knowledge
- common occupational
- constructing
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 21
- 208000028571 Occupational disease Diseases 0.000 title claims abstract description 20
- 238000004458 analytical method Methods 0.000 claims abstract description 5
- 238000010276 construction Methods 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification 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
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- 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
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- 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
- G16H70/00—ICT specially adapted for the handling or processing of medical references
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Databases & Information Systems (AREA)
- Epidemiology (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Physics & Mathematics (AREA)
- Animal Behavior & Ethology (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明提供一种基于知识图谱的常见职业病风险预测方法,包括如下步骤:S1:构建中文医学词库的步骤;S2:构建知识图谱结点之间关系的步骤;S3:对知识图谱数据进行具体分析的步骤;S4:收集数据进行修正、校验的步骤。该方法可以很好地解决员工体检结果综合性分析的问题。
Description
技术领域
本发明具体涉及一种基于知识图谱的常见职业病风险预测方法。
背景技术
职业病是危害白领阶层健康的一打隐形杀手,职业病的出现有很多征兆,与环境和个人都密切相关、有比较好的可预测性,目前许多单位员工有体检,但是体检结果缺乏解读,知识图谱相比其它大数据分析手段,可解释性强,适用于医学场景,因此提出一种基于知识图谱的常见职业病风险预测方法以解决上述问题。
发明内容
本发明的目的在于针对现有技术的不足,提供一种基于知识图谱的常见职业病风险预测方法,该基于知识图谱的常见职业病风险预测方法可以很好地解决上述问题。
为达到上述要求,本发明采取的技术方案是:提供一种基于知识图谱的常见职业病风险预测方法,该基于知识图谱的常见职业病风险预测方法包括如下步骤:
S1:构建中文医学词库的步骤;
S2:构建知识图谱结点之间关系的步骤;
S3:对知识图谱数据进行具体分析的步骤;
S4:收集数据进行修正、校验的步骤。
该基于知识图谱的常见职业病风险预测方法具有的优点如下:
该方法可以很好地解决员工体检结果综合性分析的问题。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,在这些附图中使用相同的参考标号来表示相同或相似的部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1示意性地示出了根据本申请一个实施例的基于知识图谱的常见职业病风险预测方法的流程示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,以下结合附图及具体实施例,对本申请作进一步地详细说明。
在以下描述中,对“一个实施例”、“实施例”、“一个示例”、“示例”等等的引用表明如此描述的实施例或示例可以包括特定特征、结构、特性、性质、元素或限度,但并非每个实施例或示例都必然包括特定特征、结构、特性、性质、元素或限度。另外,重复使用短语“根据本申请的一个实施例”虽然有可能是指代相同实施例,但并非必然指代相同的实施例。
为简单起见,以下描述中省略了本领域技术人员公知的某些技术特征。
根据本申请的一个实施例,提供一种基于知识图谱的常见职业病风险预测方法,如图1所示,包括如下步骤:
Step1:构建中文医学词库
基于国际权威医学名词表,如ICD-10、SNOMED-CT,构建一个中文医学词库,作为知识图谱中的结点。
Step2:构建知识图谱结点之间的关系
通过医学编辑将医学知识整理成医学知识图谱的表达方式,录入知识图谱。
Step3:医学专家对知识图谱数据进行专业性把关
请医学专家对知识图谱中的医学内容进行专业性把关。
Step4:收集数据进行修正、校验
收集数据,让知识图谱不断进行参数学习,校验其正确性。
根据本申请的一个实施例,该基于知识图谱的常见职业病风险预测方法具体介绍如下:
1、构建中文医学词库
1.1从ICD-11中提炼可用词条
从ICD-11中寻找我们关注的职业病相关医学词条。
1.2规范化中文表达
对照卫健委公布的医学词条,使我们关注的词条中文表达规范化。
1.3添加入中文医学知识图谱
将我们找到的词条赋予唯一的编码,加入到医学知识图谱中,并正确设置对应的标签,方便归类管理。
2构建知识图谱结点之间的关系
2.1从医学权威资料中寻找医学逻辑
医学专员从医学资料中寻找我们关注的职业表体检结果与疾病发生之间的医学逻辑,标注总结起来。
2.2用知识图谱语言描述找到的医学逻辑
用通用形式化语言OWL2描述医学逻辑。
2.3自动录入知识图谱
根据编写的OWL2描述,自动将医学知识录入知识图谱。
3专家把关与正确性校验
3.1以直观形式展示医学逻辑
用直观的图形式展示医学知识图谱内容,便于专家阅读。
3.2请专家把关
将知识图谱中最核心的医学逻辑部分,请医学专家进行正确性把关,不能出现重大的常识性的错误。
3.3收集数据不断学习
收集数据,不断进行参数学习,提升知识图谱的正确性。
以上所述实施例仅表示本发明的几种实施方式,其描述较为具体和详细,但并不能理解为对本发明范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明保护范围。因此本发明的保护范围应该以所述权利要求为准。
Claims (5)
1.一种基于知识图谱的常见职业病风险预测方法,其特征在于,包括如下步骤:
S1:构建中文医学词库的步骤;
S2:构建知识图谱结点之间关系的步骤;
S3:对知识图谱数据进行具体分析的步骤;
S4:收集数据进行修正、校验的步骤。
2.根据权利要求1所述的基于知识图谱的常见职业病风险预测方法,其特征在于,所述S1:构建中文医学词库的步骤,具体包括如下步骤:
基于国际权威医学名词表,构建一个中文医学词库,作为知识图谱中的结点。
3.根据权利要求1所述的基于知识图谱的常见职业病风险预测方法,其特征在于,S2:构建知识图谱结点之间关系的步骤,具体包括如下步骤:
通过医学编辑将医学知识整理成医学知识图谱的表达方式,录入知识图谱。
4.根据权利要求1所述的基于知识图谱的常见职业病风险预测方法,其特征在于,S4:收集数据进行修正、校验的步骤,具体包括如步骤:
收集数据,让知识图谱进行参数学习,校验其正确性。
5.根据权利要求2所述的基于知识图谱的常见职业病风险预测方法,其特征在于:所述国际权威医学名词表为ICD-10或SNOMED-CT。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110645305.8A CN113539490A (zh) | 2021-06-10 | 2021-06-10 | 基于知识图谱的常见职业病风险预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110645305.8A CN113539490A (zh) | 2021-06-10 | 2021-06-10 | 基于知识图谱的常见职业病风险预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113539490A true CN113539490A (zh) | 2021-10-22 |
Family
ID=78095791
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110645305.8A Pending CN113539490A (zh) | 2021-06-10 | 2021-06-10 | 基于知识图谱的常见职业病风险预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113539490A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106776711A (zh) * | 2016-11-14 | 2017-05-31 | 浙江大学 | 一种基于深度学习的中文医学知识图谱构建方法 |
CN107145744A (zh) * | 2017-05-08 | 2017-09-08 | 合肥工业大学 | 医学知识图谱的构建方法、装置及辅助诊断方法 |
CN110929040A (zh) * | 2019-10-30 | 2020-03-27 | 清华大学 | 针对特定医疗领域的知识图谱构建方法及装置 |
CN110968650A (zh) * | 2019-10-30 | 2020-04-07 | 清华大学 | 基于医生协助的医疗领域知识图谱构建方法 |
CN112863630A (zh) * | 2021-01-20 | 2021-05-28 | 中国科学院自动化研究所 | 基于数据和知识的个性化精准医疗问答*** |
-
2021
- 2021-06-10 CN CN202110645305.8A patent/CN113539490A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106776711A (zh) * | 2016-11-14 | 2017-05-31 | 浙江大学 | 一种基于深度学习的中文医学知识图谱构建方法 |
CN107145744A (zh) * | 2017-05-08 | 2017-09-08 | 合肥工业大学 | 医学知识图谱的构建方法、装置及辅助诊断方法 |
CN110929040A (zh) * | 2019-10-30 | 2020-03-27 | 清华大学 | 针对特定医疗领域的知识图谱构建方法及装置 |
CN110968650A (zh) * | 2019-10-30 | 2020-04-07 | 清华大学 | 基于医生协助的医疗领域知识图谱构建方法 |
CN112863630A (zh) * | 2021-01-20 | 2021-05-28 | 中国科学院自动化研究所 | 基于数据和知识的个性化精准医疗问答*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111581976B (zh) | 医学术语的标准化方法、装置、计算机设备及存储介质 | |
CN110968700B (zh) | 融合多类事理与实体知识的领域事件图谱构建方法和装置 | |
Orben et al. | Crud (re) defined | |
CN109522551B (zh) | 实体链接方法、装置、存储介质及电子设备 | |
CN107562732B (zh) | 电子病历的处理方法及*** | |
US9881037B2 (en) | Method for systematic mass normalization of titles | |
Bagheri et al. | ADM-LDA: An aspect detection model based on topic modelling using the structure of review sentences | |
US9087121B2 (en) | Solving problems in data processing systems based on text analysis of historical data | |
CN106777331A (zh) | 知识图谱生成方法及装置 | |
CN111401066A (zh) | 基于人工智能的词分类模型训练方法、词处理方法及装置 | |
Qasim et al. | Concept map construction from text documents using affinity propagation | |
JP2020522062A (ja) | 医療記録問題リスト生成 | |
CN109993227B (zh) | 自动添加国际疾病分类编码的方法、***、装置和介质 | |
CN113806550A (zh) | 个性化知识图谱的生成方法、装置及计算机设备 | |
CN111694823A (zh) | 机构标准化方法、装置、电子设备及存储介质 | |
Bosco et al. | Advancing meta-analysis with knowledge-management platforms: Using metaBUS in psychology | |
KR101799448B1 (ko) | 질의 응답형 질병분류코드 제공 시스템 | |
CN112069329B (zh) | 文本语料的处理方法、装置、设备及存储介质 | |
CN111563172B (zh) | 基于动态知识图谱构建的学术热点趋势预测方法和装置 | |
CN112199951A (zh) | 一种事件信息生成的方法及装置 | |
CN113808758B (zh) | 一种检验数据标准化的方法、装置、电子设备和存储介质 | |
CN111062193B (zh) | 医疗数据标注方法及装置、存储介质、电子设备 | |
CN113539490A (zh) | 基于知识图谱的常见职业病风险预测方法 | |
Chen et al. | Standardizing clinical document names using the HL7/LOINC document ontology and LOINC codes | |
CN111507109A (zh) | 电子病历的命名实体识别方法及装置 |
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 |