CN115458100A - 基于知识图谱的随访方法、装置、电子设备及存储介质 - Google Patents
基于知识图谱的随访方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN115458100A CN115458100A CN202211146065.8A CN202211146065A CN115458100A CN 115458100 A CN115458100 A CN 115458100A CN 202211146065 A CN202211146065 A CN 202211146065A CN 115458100 A CN115458100 A CN 115458100A
- Authority
- CN
- China
- Prior art keywords
- entity
- target
- inspection
- disease
- report
- 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
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
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/20—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for electronic clinical trials or questionnaires
-
- 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
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/237—Lexical tools
- G06F40/247—Thesauruses; Synonyms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
- G06F40/295—Named entity recognition
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Epidemiology (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本申请公开了基于知识图谱的随访方法、装置、电子设备及存储介质。方法包括:获取目标对象当前待分析的目标体检报告,目标体检报告包括目标检验报告和目标检查报告;从目标检验报告中获取目标对象对应的目标检验实体,以及从目标检查报告中获取目标对象对应的目标疾病实体;对目标检验实体以及目标疾病实体进行实体链接,得到目标实体;利用知识图谱中的关联实体对目标实体进行推理,得到目标对象对应的目标随访信息。本申请首先通过分析目标对象的体检报告得到疾病实体以及检验实体,将二者关联得到目标实体,其次利用知识图谱对目标实体进行推理,得到与体检报告匹配的随访信息,以此实现了随访信息的自动推荐,减少了人工成本,提升随访效率。
Description
技术领域
本申请涉及数据处理技术领域,尤其涉及一种基于知识图谱的随访方法、装置、电子设备及存储介质。
背景技术
医疗机构通常会在患者就诊后进行随访,对患者就诊的满意度进行调查。。而对于医院来说,每次进行随访都需要人工筛选随访内容,制定随访计划,以使患者在调查中根据随访内容提供具有针对性的信息,但是人工筛选随访内容耗费时间长,导致有时筛选出的随访内容的不具有针对性。
发明内容
为了解决上述技术问题或者至少部分地解决上述技术问题,本申请提供了一种基于知识图谱的随访方法、装置、电子设备及存储介质。
根据本申请实施例的一个方面,提供了一种基于知识图谱的随访方法,包括:
获取目标对象当前待分析的目标体检报告,其中,所述目标体检报告包括目标检验报告和目标检查报告;
从所述目标检验报告中获取所述目标对象对应的目标检验实体,以及从目标检查报告中获取所述目标对象对应的目标疾病实体;
对所述目标检验实体以及所述目标疾病实体进行实体链接,得到目标实体;
利用知识图谱中的关联实体对所述目标实体进行推理,得到所述目标对象对应的目标随访信息,其中,所述知识图谱中的关联实体是基于检测知识库以及检查知识库得到的。
进一步的,所述从所述目标检验报告中获取所述目标对象对应的目标检验实体,以及从目标检查报告中获取所述目标对象对应的目标疾病实体,包括:
获取预先训练的医疗实体识别模型;
利用所述医疗实体识别模型对所述目标检验报告进行识别,得到所述目标对象对应的目标检验实体;
利用所述医疗实体识别模型对所述目标检查报告进行识别,得到所述目标对象对应的目标疾病实体。
进一步的,所述方法还包括:
获取检验知识库以及检查知识库,其中,所述检验知识库包括多个对象对应的检验报告,以及多个对象对应的检查报告;
利用所述医疗实体识别模型对所述检验报告进行识别,得到多个检验实体,以及利用所述医疗实体识别模型对所述检查报告进行识别,得到多个疾病实体;
将所述检验实体与所述疾病实体进行实体链接,得到关联实体,并将所述关联实体映射至所述知识图谱。
进一步的,所述将所述检验实体与所述疾病实体进行实体链接,得到关联实体,包括:
计算每个所述检验实体与每个所述疾病实体之间的相似度;
将所述相似度大于预设相似度的疾病实体确定为候选疾病实体;
利用预先训练的二分类模型对所述候选疾病实体进行分类,得到各个候选疾病实体的得分,并将所述得分最高的候选疾病实体确定为待链接疾病实体;
将所述检验实体与所述待链接疾病实体进行实体连接,得到关联实体。
进一步的,所述利用知识图谱中的关联实体对所述目标实体进行推理,得到所述目标对象对应的目标随访信息,包括:
确定所述关联实体与所述目标实体之间的关联关系;
在所述关联关系用于指示所述关联实体是所述目标实体的同义词或上位词的情况下,确定所述关联实体以及所述目标实体对应的实体类型;
依据所述实体类型确定所述目标对象对应的目标随访信息。
进一步的,所述依据所述实体类型确定所述目标对象对应的目标随访信息,包括:
判断所述关联实体以及所述目标实体是否为疾病类型;
在所述关联实体以及所述目标实体为疾病类型的情况下,获取所述关联实体对应的原始检查报告,并利用所述原始检查报告中的检查结论获取目标随访信息。
进一步的,所述方法还包括:
在所述关联实体以及所述目标实体不为疾病类型的情况下,判断所述关联实体以及所述目标实体是否为检验类型;
在所述关联实体以及所述目标实体为检验类型的情况下,获取所述关联实体对应的参考范围,并确定所述目标实体对应的检验指标是否落入所述参考范围;
在所述检验指标落入所述参考范围的情况下,获取所述关联实体对应的原始检验报告,并利用所述原始检验报告中的检验结论获取目标随访信息。
根据本申请实施例的再一个方面,还提供了一种基于知识图谱的随访装置,包括:
第一获取模块,用于获取目标对象当前待分析的目标体检报告,其中,所述目标体检报告包括目标检验报告和目标检查报告;
第二获取模块,用于从所述目标检验报告中获取所述目标对象对应的目标检验实体,以及从目标检查报告中获取所述目标对象对应的目标疾病实体;
处理模块,用于对所述目标检验实体以及所述目标疾病实体进行实体链接,得到目标实体;
推理模块,用于利用知识图谱中的实体对所述目标实体进行推理,得到所述目标对象对应的目标随访信息,其中,所述知识图谱中的关联实体是基于检测知识库以及检查知识库得到的。
根据本申请实施例的另一方面,还提供了一种存储介质,该存储介质包括存储的程序,程序运行时执行上述的步骤。
根据本申请实施例的另一方面,还提供了一种电子装置,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;其中:存储器,用于存放计算机程序;处理器,用于通过运行存储器上所存放的程序来执行上述方法中的步骤。
本申请实施例还提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述方法中的步骤。
本申请实施例提供的上述技术方案与现有技术相比具有如下优点:本申请实施例提供的方法首先通过分析目标对象的体检报告得到疾病实体以及检验实体,并将二者关联得到目标实体,其次利用知识图谱对目标实体进行推理,自动得到与前体检报告相匹配的随访信息,以此实现了随访信息的自动推荐,减少了人工成本,提升随访效率。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理。
为了更清楚地说明本申请实施例或现有技术中的技术方案,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,对于本领域普通技术人员而言,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为本申请实施例提供的一种基于知识图谱的随访方法的流程图;
图2为本申请实施例提供的一种基于知识图谱的随访装置的框图;
图3为本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请的一部分实施例,而不是全部的实施例,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。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
需要说明的是,在本文中,诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个类似的实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本申请实施例提供了一种基于知识图谱的随访方法、装置、电子设备及存储介质。本发明实施例所提供的方法可以应用于任意需要的电子设备,例如,可以为服务器、终端等电子设备,在此不做具体限定,为描述方便,后续简称为电子设备。
根据本申请实施例的一方面,提供了一种基于知识图谱的随访方法的方法实施例。图1为本申请实施例提供的一种基于知识图谱的随访方法的流程图,如图1所示,该方法包括:
根据本申请实施例的一个方面,提供了一种基于知识图谱的随访方法,包括:
步骤S11,获取目标对象当前待分析的目标体检报告,其中,目标体检报告包括目标检验报告和目标检查报告。
本申请实施例提供的方法应用于能够进行数据处理的智能终端,智能终端可以是电脑、智能手机、平板电脑等等。智能终端可以接收上传请求,然后基于上传请求获取目标体检报告。在得到目标体检报告后,利用文字识别模型对目标体检报告进行识别,得到识别结果,然后对识别结果进行分类,将到目标检验报告以及目标检查报告。需要说明的是,目标检验报告包括目标对象的至少一个检验指标。目标检查报告包括目标对象的至少一个疾病。
步骤S12,从目标检验报告中获取目标对象对应的目标检验实体,以及从目标检查报告中获取目标对象对应的目标疾病实体。
在本申请实施例中,从目标检验报告中获取目标对象对应的目标检验实体,以及从目标检查报告中获取目标对象对应的目标疾病实体,包括以下步骤A1-A3:
步骤A1,获取预先训练的医疗实体识别模型。
步骤A2,利用医疗实体识别模型对目标检验报告进行识别,得到目标对象对应的目标检验实体。
步骤A3,利用医疗实体识别模型对目标检查报告进行识别,得到目标对象对应的目标疾病实体。
在本申请实施例中,获取预先训练的医疗实体识别模型可以是:获取当前医院对应的训练数据,训练数据包括医嘱信息、检测报告等等;获取训练数据对应的标注信息,并检测标注信息中存在的错误标注信息,其中,标注信息用于标注训练数据对应的医疗实体,医疗实体包括检验实体、疾病实体;获取错误标注信息对应的修正标注信息,基于修正标注信息以及修正标注信息对应的训练数据生成测试数据集;利用测试数据集对识别模型进行训练,得到医疗实体识别模型。
在本申请实施例中,利用医疗实体识别模型对目标检验报告进行识别,得到目标检验报告中的第一关键字,并基于关键字与检验实体之间的对应关系,确定第一关键字对应的目标检验实体ereport_link。利用医疗实体识别模型对目标检查报告进行识别,得到目标检查报告中的第二关键字,并基于关键字与疾病实体之间的对应关系,确定第二关键字对应的目标疾病实体ereport_disease。
步骤S13,对目标检验实体以及目标疾病实体进行实体链接,得到目标实体。
在本申请实施例中,将目标检验实体ereport_link和目标疾病实体ereport_disease进行关联,得到目标实体ereport_link。
步骤S14,利用知识图谱中的关联实体对目标实体进行推理,得到目标对象对应的目标随访信息,其中,知识图谱中的关联实体是基于检测知识库以及检查知识库得到的。
在本申请实施例中,方法还包括以下步骤B1-B3:
步骤B1,获取检验知识库以及检查知识库,其中,检验知识库包括多个对象对应的检验报告,以及多个对象对应的检查报告。
在本申请实施例中,检验知识库:[{“level”:“重要”,“conclusion”:“甲胎蛋白:(25.20ng/ml)”,“suggestion”:“xxx”},{“level”:”普通”,“conclusion”:“血清CA-125:(211.00U/ml)”,“suggestion”:“xxx”},...]。
检查知识库:[{“level”:“一般”,“conclusion”:“右下肺斑片影,建议行CT检查”,“suggestion”:“”},{“level”:“一般”,“conclusion”:“双侧甲状腺结节”,“suggestion”:“”},...]。
步骤B2,利用医疗实体识别模型对检验报告进行识别,得到多个检验实体,以及利用医疗实体识别模型对检查报告进行识别,得到多个疾病实体。
在本申请实施例中,基于预训练的医疗实体识别模型对检验知识库和检查知识库的conclusion字段进行实体识别,识别出检验实体(如”血清CA-125”)和疾病实体(如”双侧甲状腺结节”)
步骤B3,将检验实体与疾病实体进行实体链接,得到关联实体,并将关联实体映射至知识图谱。
在本申请实施例中,将检验实体与疾病实体进行实体链接,得到关联实体,包括以下步骤C1-C4:
步骤C1,计算每个检验实体与每个疾病实体之间的相似度。
步骤C2,将相似度大于预设相似度的疾病实体确定为候选疾病实体。
步骤C3,利用预先训练的二分类模型对候选疾病实体进行分类,得到各个候选疾病实体的得分,并将得分最高的候选疾病实体确定为待链接疾病实体。
步骤C4,将检验实体与待链接疾病实体进行实体连接,得到关联实体。
在本申请实施例中个,将每个检验实体以及每个疾病实体转换为实体向量,通过实体向量计算检验实体与疾病实体之间的相似度,将相似度与预设相似度进行对比,得到相似度大于预设相似度的疾病实体,并将该疾病实体确定为候选疾病实体。
然后利用预先训练的二分类模型对候选疾病实体进行分类,具体的,通过二分类模型计算每个候选疾病实体对应的分类得分,将分类得分最高的候选疾病实体确定为待链接疾病实体。最终将检验实体与待链接疾病实体进行实体连接,得到关联实体ekb_link。
在本申请实施例中,对识别的检验实体ekb_test和疾病实体ekb_disease进行实体链接,得到关联实体ekb_link,最终将关联实体映射到知识图谱。
在本申请实施例中,利用知识图谱中的关联实体对目标实体进行推理,得到目标对象对应的目标随访信息,包括以下步骤D1-D3:
步骤D1,确定关联实体与目标实体之间的关联关系。
步骤D2,在关联关系用于指示关联实体是目标实体的同义词或上位词的情况下,确定关联实体以及目标实体对应的实体类型。
步骤D3,依据实体类型确定目标对象对应的目标随访信息。
在本申请实施例中,依据实体类型确定目标对象对应的目标随访信息,包括:判断关联实体以及目标实体是否为疾病类型;在关联实体以及目标实体为疾病类型的情况下,获取关联实体对应的原始检查报告,并利用原始检查报告中的检查结论获取目标随访信息。
在本申请实施例中,方法还包括:在关联实体以及目标实体不为疾病类型的情况下,判断关联实体以及目标实体是否为检验类型;在关联实体以及目标实体为检验类型的情况下,获取关联实体对应的参考范围,并确定目标实体对应的检验指标是否落入参考范围;在检验指标落入参考范围的情况下,获取关联实体对应的原始检验报告,并利用原始检验报告中的检验结论获取目标随访信息,目标随访信息包括随访内容以及重要等级。
具体的,判断关联实体ekb_link是否为目标实体ereport_link的同义词或上位词。若不成立,则返回无机器随访内容推荐。若成立,则判断关联实体ekb_link和实体ereport_link是否为疾病类型。若成立,则返回疾病实体ekb_disease所对应原始检查结论针对的随访内容以及重要等级,若不成立,则判断关联实体ekb_link和目标实体ereport_link是否为检验类型,若不成立,则返回无机器随访内容推荐;若成立,则基于关联实体ekb_link的参考范围,判断目标实体ereport_link的检验指标是否在参考范围,若成立则返回检验实体ekb_test所对应原始检验结论针对的随访内容以及重要等级,若不成立,则返回无机器随访内容推荐。
具体伪代码如下:
defgetMachineFollowUp(ekb_link,ereport_link):
if(ekb_link是ereport_link的同义词)or(ekb_link是ereport_link的上位词)then;
if(实体ekb_link是疾病实体)and(实体ereport_link是疾病实体)then;
return实体ekb_disease所对应原始检查结论针对的随访建议内容以及重要级别;
else if(实体ekb_link是检验实体)and(实体ereport_link是检验实体)then;
if实体ereport_link的检验指标在实体ekb_link的参考范围以外then;
return实体ekb_test所在原始检验结论针对的随访建议内容以及重要级别;
return无机器随访内容推荐;
本申请实施例提供的方法首先通过分析目标对象的体检报告得到疾病实体以及检验实体,并将二者关联得到目标实体,其次利用知识图谱对目标实体进行推理,自动得到与前体检报告相匹配的随访信息,以此实现了随访信息的自动推荐,减少了人工成本,提升随访效率。
图2为本申请实施例提供的一种基于知识图谱的随访装置的框图,该装置可以通过软件、硬件或者两者的结合实现成为电子设备的部分或者全部。如图2所示,该装置包括:
第一获取模块21,用于获取目标对象当前待分析的目标体检报告,其中,目标体检报告包括目标检验报告和目标检查报告;
第二获取模块22,用于从目标检验报告中获取目标对象对应的目标检验实体,以及从目标检查报告中获取目标对象对应的目标疾病实体;
处理模块23,用于对目标检验实体以及目标疾病实体进行实体链接,得到目标实体;
推理模块24,用于利用知识图谱中的实体对目标实体进行推理,得到目标对象对应的目标随访信息。
在本申请实施例中,第二获取模块22,用于获取预先训练的医疗实体识别模型;利用医疗实体识别模型对目标检验报告进行识别,得到目标对象对应的目标检验实体;利用医疗实体识别模型对目标检验报告进行识别,得到目标对象对应的目标疾病实体。
在本申请实施例中,基于知识图谱的随访装置还包括:生成模块,用于获取检验知识库以及检查知识库,其中,检验知识库包括多个对象对应的检验报告,以及多个对象对应的检查报告;利用医疗实体识别模型对检验报告进行识别,得到多个检验实体,以及利用医疗实体识别模型对检查报告进行识别,得到多个疾病实体;将检验实体与疾病实体进行实体链接,得到关联实体,并将关联实体映射至知识图谱。
在本申请实施例中,生成模块,用于计算每个检验实体与每个疾病实体之间的相似度;将相似度大于预设相似度的疾病实体确定为候选疾病实体;利用预先训练的二分类模型对候选疾病实体进行分类,得到各个候选疾病实体的得分,并将得分最高的候选疾病实体确定为待链接疾病实体;将检验实体与待链接疾病实体进行实体连接,得到关联实体。
在本申请实施例中,推理模块24,用于确定关联实体与目标实体之间的关联关系;在关联关系用于指示关联实体是目标实体的同义词或上位词的情况下,确定关联实体以及目标实体对应的实体类型;依据实体类型确定目标对象对应的目标随访信息。
在本申请实施例中,推理模块24,用于判断关联实体以及目标实体是否为疾病类型;在关联实体以及目标实体为疾病类型的情况下,从目标检查报告中提取检查结论,并获取检查结论对应的目标随访信息。
在本申请实施例中,推理模块24,用于在关联实体以及目标实体不为疾病类型的情况下,判断关联实体以及目标实体是否为检验类型;在关联实体以及目标实体为检验类型的情况下,获取关联实体对应的参考范围,并确定目标实体对应的检验指标是否落入参考范围;在检验指标落入参考范围的情况下,从目标检查报告中提取检验结论,并获取检验结论对应的目标随访信息。
本申请实施例还提供一种电子设备,如图3所示,电子设备可以包括:处理器1501、通信接口1502、存储器1503和通信总线1504,其中,处理器1501,通信接口1502,存储器1503通过通信总线1504完成相互间的通信。
存储器1503,用于存放计算机程序;
处理器1501,用于执行存储器1503上所存放的计算机程序时,实现上述实施例的步骤。
上述终端提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect,简称PCI)总线或扩展工业标准结构(Extended IndustryStandardArchitecture,简称EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示,图中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述终端与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory,简称RAM),也可以包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。可选的,存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(Digital Signal Processing,简称DSP)、专用集成电路(Application SpecificIntegrated Circuit,简称ASIC)、现场可编程门阵列(Field-Programmable GateArray,简称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。
在本申请提供的又一实施例中,还提供了一种计算机可读存储介质,该计算机可读存储介质中存储有指令,当其在计算机上运行时,使得计算机执行上述实施例中任一所述的基于知识图谱的随访方法。
在本申请提供的又一实施例中,还提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述实施例中任一所述的基于知识图谱的随访方法。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘SolidState Disk)等。
以上所述仅为本申请的较佳实施例而已,并非用于限定本申请的保护范围。凡在本申请的精神和原则之内所作的任何修改、等同替换、改进等,均包含在本申请的保护范围内。
以上所述仅是本申请的具体实施方式,使本领域技术人员能够理解或实现本申请。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种基于知识图谱的随访方法,其特征在于,包括:
获取目标对象当前待分析的目标体检报告,其中,所述目标体检报告包括目标检验报告和目标检查报告;
从所述目标检验报告中获取所述目标对象对应的目标检验实体,以及从目标检查报告中获取所述目标对象对应的目标疾病实体;
对所述目标检验实体以及所述目标疾病实体进行实体链接,得到目标实体;
利用知识图谱中的关联实体对所述目标实体进行推理,得到所述目标对象对应的目标随访信息,其中,所述知识图谱中的关联实体是基于检测知识库以及检查知识库得到的。
2.根据权利要求1所述的方法,其特征在于,所述从所述目标检验报告中获取所述目标对象对应的目标检验实体,以及从目标检查报告中获取所述目标对象对应的目标疾病实体,包括:
获取预先训练的医疗实体识别模型;
利用所述医疗实体识别模型对所述目标检验报告进行识别,得到所述目标对象对应的目标检验实体;
利用所述医疗实体识别模型对所述目标检查报告进行识别,得到所述目标对象对应的目标疾病实体。
3.根据权利要求2所述的方法,其特征在于,所述方法还包括:
获取检验知识库以及检查知识库,其中,所述检验知识库包括多个对象对应的检验报告,以及多个对象对应的检查报告;
利用所述医疗实体识别模型对所述检验报告进行识别,得到多个检验实体,以及利用所述医疗实体识别模型对所述检查报告进行识别,得到多个疾病实体;
将所述检验实体与所述疾病实体进行实体链接,得到关联实体,并将所述关联实体映射至所述知识图谱。
4.根据权利要求3所述的方法,其特征在于,所述将所述检验实体与所述疾病实体进行实体链接,得到关联实体,包括:
计算每个所述检验实体与每个所述疾病实体之间的相似度;
将所述相似度大于预设相似度的疾病实体确定为候选疾病实体;
利用预先训练的二分类模型对所述候选疾病实体进行分类,得到各个候选疾病实体的得分,并将所述得分最高的候选疾病实体确定为待链接疾病实体;
将所述检验实体与所述待链接疾病实体进行实体连接,得到关联实体。
5.根据权利要求1所述的方法,其特征在于,所述利用知识图谱中的关联实体对所述目标实体进行推理,得到所述目标对象对应的目标随访信息,包括:
确定所述关联实体与所述目标实体之间的关联关系;
在所述关联关系用于指示所述关联实体是所述目标实体的同义词或上位词的情况下,确定所述关联实体以及所述目标实体对应的实体类型;
依据所述实体类型确定所述目标对象对应的目标随访信息。
6.根据权利要求5所述的方法,其特征在于,所述依据所述实体类型确定所述目标对象对应的目标随访信息,包括:
判断所述关联实体以及所述目标实体是否为疾病类型;
在所述关联实体以及所述目标实体为疾病类型的情况下,获取所述关联实体对应的原始检查报告,并利用所述原始检查报告中的检查结论获取目标随访信息。
7.根据权利要求6所述的方法,其特征在于,所述方法还包括:
在所述关联实体以及所述目标实体不为疾病类型的情况下,判断所述关联实体以及所述目标实体是否为检验类型;
在所述关联实体以及所述目标实体为检验类型的情况下,获取所述关联实体对应的参考范围,并确定所述目标实体对应的检验指标是否落入所述参考范围;
在所述检验指标落入所述参考范围的情况下,获取所述关联实体对应的原始检验报告,并利用所述原始检验报告中的检验结论获取目标随访信息。
8.一种基于知识图谱的随访装置,其特征在于,包括:
第一获取模块,用于获取目标对象当前待分析的目标体检报告,其中,所述目标体检报告包括目标检验报告和目标检查报告;
第二获取模块,用于从所述目标检验报告中获取所述目标对象对应的目标检验实体,以及从目标检查报告中获取所述目标对象对应的目标疾病实体;
处理模块,用于对所述目标检验实体以及所述目标疾病实体进行实体链接,得到目标实体;
推理模块,用于利用知识图谱中的实体对所述目标实体进行推理,得到所述目标对象对应的目标随访信息,其中,所述知识图谱中的关联实体是基于检测知识库以及检查知识库得到的。
9.一种存储介质,其特征在于,所述存储介质包括存储的程序,其中,所述程序运行时执行上述权利要求1至7中任一项所述的方法步骤。
10.一种电子设备,其特征在于,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;其中:
存储器,用于存放计算机程序;
处理器,用于通过运行存储器上所存放的程序来执行权利要求1至7中任一项所述的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211146065.8A CN115458100A (zh) | 2022-09-20 | 2022-09-20 | 基于知识图谱的随访方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211146065.8A CN115458100A (zh) | 2022-09-20 | 2022-09-20 | 基于知识图谱的随访方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115458100A true CN115458100A (zh) | 2022-12-09 |
Family
ID=84305163
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211146065.8A Pending CN115458100A (zh) | 2022-09-20 | 2022-09-20 | 基于知识图谱的随访方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115458100A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116910172A (zh) * | 2023-07-17 | 2023-10-20 | 杭州卓深科技有限公司 | 基于人工智能的随访量表生成方法及*** |
-
2022
- 2022-09-20 CN CN202211146065.8A patent/CN115458100A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116910172A (zh) * | 2023-07-17 | 2023-10-20 | 杭州卓深科技有限公司 | 基于人工智能的随访量表生成方法及*** |
CN116910172B (zh) * | 2023-07-17 | 2024-02-06 | 杭州卓深科技有限公司 | 基于人工智能的随访量表生成方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021068601A1 (zh) | 病历检测方法、装置、设备及存储介质 | |
CN109545317B (zh) | 基于住院预测模型判定住院行为的方法及相关产品 | |
CN110263155B (zh) | 数据分类方法、数据分类模型的训练方法及*** | |
CN108595657B (zh) | His***的数据表分类映射方法和装置 | |
CN112989990B (zh) | 医疗票据识别方法、装置、设备及存储介质 | |
CN108805332B (zh) | 一种特征评估方法和装置 | |
CN115512817A (zh) | 一种基于儿童远程医疗的医生推荐方法及装置 | |
CN115458100A (zh) | 基于知识图谱的随访方法、装置、电子设备及存储介质 | |
CN113436725A (zh) | 数据处理方法、***、计算机设备及计算机可读存储介质 | |
CN111626885A (zh) | 核保方法、装置、电子设备及计算机可读存储介质 | |
US20240249804A1 (en) | System and method for handling exceptions during healthcare record processing | |
CN112667893A (zh) | 基于智能识别和大数据的信息推送方法及区块链金融平台 | |
CN113837836A (zh) | 模型推荐方法、装置、设备及存储介质 | |
CN110046235A (zh) | 一种知识库评估方法、装置及设备 | |
WO2017080183A1 (zh) | 网络小说章节列表评估方法及装置 | |
CN109003193B (zh) | 投保风险预测方法、装置、计算机设备和存储介质 | |
CN111611781A (zh) | 数据标注方法、问答方法、装置及电子设备 | |
CN116469505A (zh) | 数据处理方法、装置、计算机设备及可读存储介质 | |
CN111881294B (zh) | 一种语料标注***、方法及存储介质 | |
CN114463345A (zh) | 基于动态自适应网络的多参数乳腺磁共振图像分割方法 | |
CN113239126A (zh) | 一种基于bor方法的业务活动信息标准化方案 | |
KR101868744B1 (ko) | 임상 진료 지침 제공 방법 및 이를 실행하는 프로그램이 기록된 기록 매체 | |
CN111427874A (zh) | 医疗数据生产的质控方法、装置以及电子设备 | |
US11544849B2 (en) | Systems and methods to process electronic images to categorize intra-slide specimen tissue type | |
EP3519998A1 (en) | Systems and methods for facilitating computer-assisted linkage of healthcare records |
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 |