病历检测方法、装置、设备和存储介质
阅读：861发布：2020-05-15
专利汇可以提供病历检测方法、装置、设备和存储介质专利检索，专利查询，专利分析的服务。并且本 申请 涉及 人工智能 领域，提供了一种病历检测方法、装置、设备和存储介质，方法包括：获取多个待处理的病人信息以及每个病人信息对应的病历标签；将多个病人信息输入至规范化模型，通过规范化模型将多个病人信息输出成 数据库 存储的标准病人信息；通过将Key、Query以及Value作为输入，Attention Value作为输出训练神经网络模型，以得到训练好的神经网络模型；所述Key为药物信息以及个人基本信息；将目标病人信息输入至所述训练好的神经网络模型，以通过训练好的神经网络模型根据目标病人信息输出目标病历标签；将目标病历标签发送给终端。通过以上方法，判断病人中的病历是否存在误诊。，下面是病历检测方法、装置、设备和存储介质专利的具体信息内容。
1.一种病历检测方法，其特征在于，所述方法包括：
获取多个待处理的病人信息以及每个所述病人信息对应的病历标签，所述病历标签至少包括正常、漏诊、漏检和处方违规；
将多个所述病人信息输入至规范化模型，通过规范化模型将多个所述病人信息输出成数据库存储的标准病人信息；
通过将键Key、询问Query以及值Value作为输入，注意力值Attention Value作为输出训练神经网络模型，以得到训练好的神经网络模型，所述Key为药物信息以及个人基本信息，所述Query为所述标准病人信息，Value为所述病人信息；所述Attention Value为当前病历对应的病历标签；
当接收到终端发送的病例查询请求时，获取与所述病历查询请求对应的目标病人信息；
将所述目标病人信息输入至所述训练好的神经网络模型，以通过所述训练好的神经网络模型根据所述目标病人信息输出目标病历标签；
将所述目标病历标签发送给所述终端。
2.根据权利要求1所述的方法，其特征在于，所述通过将Key、Query以及Value作为输入，AttentionValue作为输出训练神经网络模型，以得到训练好的神经网络模型，包括：
通过 匹配所述Query以及所述key的相
关性；
将计算的Similarity(Query,key)输入至所述神经网络模型，获得所述神经网络模型输出结果；
通过 对所述神经网络模型的输出最归一化处理，所述Simi
是指神所述神经网络模型的输出结果，ai通过为归一化结果；
通过将所述归一化结果以及所述Value输入至
以得到输入的所述病人信息是否存在异常。
3.根据权利要求1或2中任一项所述的方法，其特征在于，所述神经网络模型是指多层神经MLP网络，所述MLP网络的通过:
训练，其中， 代表根据所述
MLP网络的多层感知器中第n-1层的输出，训练所述MLP网络的多层感知器中第n层中第k个神经元得到的权值， 表示相应的偏置，fin表示第i个所述标准病人信息输入至所述MLP网络的第n层的输出，i、j以及k为任意正整数，n为自然数。
4.根据权利要求1所述的方法，其特征在于，所述向客户端发送指示消息之后，所述方法还包括：
在提示用户编写病人信息时，显示各个编写要求的图框，在相应图框被触发时，触发客户端开启接受相应的用户输入；
在收到服务端的所述指示消息后，指示所述客户端提示用户输入病人信息；
在编写完病人信息时，通过所述客户端对所述病人信息预处理，所述预处理是指对提取所述待处理的病人信息，得到病人基本信息、病历信息、检验信息、检查信息和处方信息；
对完成预处理的病人信息通过客户端判断是否符合输入的预设规则，如不符合预设规则，指示所述客户端提示用户重新输入；
若符合预设规则，则对用户输入的病人信息保存至数据库。
5.根据权利要求2所述的方法，其特征在于，所述计算所述客户端发送的病人信息是否存在异常，所述方法还包括：
将所述数据库存储的标准病人信息标注为正常病人信息以及异常病人信息；
通过F1＝2(P*R)/(P+R)计算所述神经网络模型的得分，所述P是指预测正确的正常病人信息标签的数量与所有被预测正常病人标签数量的比值，所述R是指预测正确的异常病人信息标签的数量与所有被预测异常病人标签数量的比值。
6.根据权利要求1所述的方法，其特征在于，所述将多个所述病人信息输入至规范化模型之前，所述方法还包括：
为每一个所述待处理的病人信息生成唯一的标识ID号
根据病人信息的应用程序编程接口API参数构造超文本传输协议HTTP请求；
通过所述HTTP请求以及LTP技术对结构化的病人信息提取中文分词；
匹配数据库中收录的词汇，将匹配度低于阈值的词汇删除以及高于阈值的词汇保存至所述标准病人信息。
7.根据权利要求1所述的方法，其特征在于，所述将所述目标病历标签发送给所述终端之后，所述方法还包括：
所述神经网络模型通过所述判断结果和所述病历结构化信息得出病历标准化的违规信息和病历病种标准化的违规信息；
基于所述病历病种标准化信息以及病历标准化的违规信息，生成基于病种以及医院维度的统计报表，所述统计报表至少包括质控地图、总体数据、病种质控以及医院质控。
8.一种的装置，其特征在于，所述装置包括：
输入输出模块，用于获取多个待处理的病人信息以及每个所述病人信息对应的病历标签，所述病历标签至少包括正常、漏诊、漏检和处方违规；
处理模块，用于通过所述输入输出模块将多个所述病人信息输入至规范化模型，通过规范化模型将多个所述病人信息输出成数据库存储的标准病人信息；通过将Key、Query以及Value作为输入，Attention Value作为输出训练神经网络模型，以得到训练好的神经网络模型，所述Key为药物信息以及个人基本信息，所述Query为所述标准病人信息，Value为所述病人信息，所述AttentionValue为当前病历对应的病历标签；当接收到终端发送的病例查询请求时，获取与所述病历查询请求对应的目标病人信息；通过所述输入输出模块将所述目标病人信息输入至所述训练好的神经网络模型，以通过所述训练好的神经网络模型根据所述目标病人信息输出目标病历标签；通过所述输入输出模块将所述目标病历标签发送给所述终端。
9.一种病例检测设备，其特征在于，所述计算机设备包括：
至少一个处理器、存储器和输入输出单元；
其中，所述存储器用于存储程序代码，所述处理器用于调用所述存储器中存储的程序代码来执行如权利要求1-7中任一项所述的方法。
10.一种计算机存储介质，其特征在于，其包括指令，当其在计算机上运行时，使得计算机执行如权利要求1-7中任一项所述的方法。
病历检测方法、装置、设备和存储介质
技术领域
[0001] 本申请涉及智能决策领域，尤其涉及一种病历检测方法、装置、设备和存储介质。
背景技术
[0002] 以人工智能为核心的电子病历质控手段已应用到医院系统中，目前业内基于人工智能的电子病历质控系统实现方式是使用NLP自然语言处理引擎识别电子病历中的基本信息、检验检查信息和处方信息，然后根据医学上的规范化的专业术语加以约束以提取里面的关键信息，将这些关键信息输入到神经网络来判断病历的规范性和正确性。这种质控方式过于泛化，只是停留在病历中语言规范上，并没有指出电子病历的具体违规情况，如针对病历信息中的诊断病种是否漏诊，针对检验检查是否漏检，针对处方信息是否违规。发明内容
[0004] 第一方面，本申请提供一种病历检测方法，包括：
[0005] 获取多个待处理的病人信息以及每个所述病人信息对应的病历标签，所述病历标签至少包括正常、漏诊、漏检和处方违规；
[0006] 将多个所述病人信息输入至规范化模型，通过规范化模型将多个所述病人信息输出成数据库存储的标准病人信息；
[0007] 通过将Key、Query以及Value作为输入，Attention Value作为输出训练神经网络模型，以得到训练好的神经网络模型，所述Key为药物信息以及个人基本信息，所述Query为所述标准病人信息，Value为所述病人信息，所述AttentionValue为当前病历对应的病历标签；
[0009] 将所述目标病人信息输入至所述训练好的神经网络模型，以通过所述训练好的神经网络模型根据所述目标病人信息输出目标病历标签；
[0010] 将所述目标病历标签发送给所述终端。
[0011] 在一些可能的设计中，所述通过将Key、Query以及Value作为输入，AttentionValue作为输出训练神经网络模型，以得到训练好的神经网络模型，包括：
[0012] 通过 匹配所述Query以及所述key的相关性；
[0013] 将计算的Similarity(Query,key)输入至所述神经网络模型，获得所述神经网络模型输出结果；
[0014] 通过 对所述神经网络模型的输出最归一化处理，所述Simi是指神所述神经网络模型的输出结果，ai通过为归一化结果；
[0015] 通过将所述归一化结果以及所述Value输入至以得到输入的所述病人信息是否存在异常；
[0016] 在一些可能的设计中，所述神经网络模型是指多层神经MLP网络，所述MLP网络的通过:
[0017] 训练；其中， 代表根据所述MLP网络的多层感知器中第n-1层的输出，训练所述MLP网络的多层感知器中第n层中第k个神经元得到的权值， 表示相应的偏置，fin表示第i个所述标准病人信息输入至所述MLP网络的第n层的输出，i、j以及k为任意正整数，n为自然数。
[0018] 在一些可能的设计中，所述向客户端发送指示消息之后，所述方法还包括：
[0019] 在提示用户编写病人信息时，显示各个编写要求的图框，在相应图框被触发时，触发客户端开启接受相应的用户输入；
[0020] 在收到服务端的所述指示消息后，指示所述客户端提示用户输入病人信息；
[0021] 在编写完病人信息时，通过所述客户端对所述病人信息预处理；所述预处理是指提取所述待处理的病人信息，得到病人基本信息、病历信息、检验信息、检查信息和处方信息；
[0022] 对完成预处理的病人信息通过客户端判断是否符合输入的预设规则，如不符合预设规则，指示所述客户端提示用户重新输入；
[0023] 若符合预设规则，则对用户输入的病人信息保存至数据库。
[0024] 在一些可能的设计中，所述计算所述客户端发送的病人信息是否存在异常之后，所述方法还包括：
[0025] 将所述数据库存储的标准病人信息标注为正常病人信息以及异常病人信息。
[0026] 通过F1＝2(P*R)/(P+R)计算所述神经网络模型的得分，所述P是指预测正确的正常病人信息标签的数量与所有被预测正常病人标签数量的比值，所述R是指预测正确的异常病人信息标签的数量与所有被预测异常病人标签数量的比值。
[0027] 在一些可能的设计中，所述将多个所述病人信息输入至规范化模型之前，所述方法还包括：
[0028] 为每一个所述待处理的病人信息生成唯一的标识ID号；
[0030] 通过所述HTTP请求以及LTP技术对结构化的病人信息提取中文分词；
[0031] 匹配数据库中收录的词汇，将匹配度低于阈值的词汇删除以及高于阈值的词汇保存至所述标准病人信息。
[0032] 在一些可能的设计中，所述将所述目标病历标签发送给所述终端之后，所述方法还包括：
[0033] 所述神经网络模型通过所述判断结果和所述病历结构化信息得出病历标准化的违规信息和病历病种标准化的违规信息；
[0034] 基于所述病历病种标准化信息以及病历标准化的违规信息，生成基于病种以及医院维度的统计报表。所述统计报表至少包括质控地图、总体数据、病种质控以及医院质控。
[0035] 第二方面，本申请提供一种病历检测装置，具有实现对应于上述第一方面提供的病历检测方法的功能。所述功能可以通过硬件实现，也可以通过硬件执行相应的软件实现。硬件或软件包括一个或多个与上述功能相对应的模块，所述模块可以是软件和/或硬件。
[0036] 所述病历检测方法装置包括：
[0037] 输入输出模块，用于获取多个待处理的病人信息以及每个所述病人信息对应的病历标签，所述病历标签至少包括正常、漏诊、漏检和处方违规。
[0038] 处理模块，用于通过所述输入输出模块将多个所述病人信息输入至规范化模型，通过规范化模型将多个所述病人信息输出成数据库存储的标准病人信息，通过将Key、Query以及Value作为输入，AttentionValue作为输出训练神经网络模型，以得到训练好的神经网络模型，所述Key为药物信息以及个人基本信息，所述Query为所述标准病人信息，Value为所述病人信息，所述AttentionValue为当前病历对应的病历标签；当接收到终端发送的病例查询请求时，获取与所述病历查询请求对应的目标病人信息；通过所述输入输出模块将所述目标病人信息输入至所述训练好的神经网络模型，以通过所述训练好的神经网络模型根据所述目标病人信息输出目标病历标签；通过所述输入输出模块将所述目标病历标签发送给所述终端。
[0039] 在一些可能的设计中，所述处理模块还用于：
[0040] 通过 匹配所述Query以及所述key的相关性；
[0041] 将计算的Similarity(Query,key)输入至所述神经网络模型，获得所述神经网络模型输出结果；
[0042] 通过 对所述神经网络模型的输出最归一化处理，所述Simi是指神所述神经网络模型的输出结果，ai通过为归一化结果；
[0043] 通过将所述归一化结果以及所述Value输入至以得到输入的所述病人信息是否存在异常。
[0044] 在一些可能的设计中，所述处理模块还用于：
[0045] 训练，其中， 代表根据所述MLP网络的多层感知器中第n-1层的输出，训练所述MLP网络的多层感知器中第n层中第kn
个神经元得到的权值， 表示相应的偏置，fi表示第i个所述标准病人信息输入至所述MLP网络的第n层的输出，i、j以及k为任意正整数，n为自然数。
个神经元得到的权值， 表示相应的偏置，fi表示第i个所述标准病人信息输入至所述MLP网络的第n层的输出，i、j以及k为任意正整数，n为自然数。
[0046] 在一些可能的设计中，所述处理模块还用于：
[0047] 在提示用户编写病人信息时，显示各个编写要求的图框，在相应图框被触发时，触发客户端开启接受相应的用户输入；
[0048] 在收到服务端的所述指示消息后，指示所述客户端提示用户输入病人信息；
[0049] 在编写完病人信息时，通过所述客户端对所述病人信息预处理，所述预处理是指提取所述待处理的病人信息，得到病人基本信息、病历信息、检验信息、检查信息和处方信息；
[0050] 对完成预处理的病人信息通过客户端判断是否符合输入的预设规则，如不符合预设规则，指示所述客户端提示用户重新输入；
[0051] 若符合预设规则，则对用户输入的病人信息保存至数据库。
[0052] 在一些可能的设计中，所述处理模块还用于：
[0053] 将所述数据库存储的标准病人信息标注为正常病人信息以及异常病人信息。
[0054] 通过F1＝2(P*R)/(P+R)计算所述神经网络模型的得分，所述P是指预测正确的正常病人信息标签的数量与所有被预测正常病人标签数量的比值，所述R是指预测正确的异常病人信息标签的数量与所有被预测异常病人标签数量的比值。
[0055] 在一些可能的设计中，所述处理模块还用于：
[0056] 为每一个所述待处理的病人信息生成唯一的标识ID号；
[0057] 根据病人信息的应用程序编程接口API参数构造超文本传输协议HTTP请求；
[0058] 通过所述HTTP请求以及LTP技术对结构化的病人信息提取中文分词；
[0059] 匹配数据库中收录的词汇，将匹配度低于阈值的词汇删除以及高于阈值的词汇保存至所述标准病人信息。
[0060] 在一些可能的设计中，所述处理模块还用于：
[0061] 所述神经网络模型通过所述判断结果和所述病历结构化信息得出病历标准化的违规信息和病历病种标准化的违规信息；
[0062] 基于所述病历病种标准化信息以及病历标准化的违规信息，生成基于病种以及医院维度的统计报表，所述统计报表至少包括质控地图、总体数据、病种质控以及医院质控。
[0063] 本申请又一方面提供了病例检测设备，其包括至少一个连接的处理器、存储器、输入输出单元，其中，所述存储器用于存储程序代码，所述处理器用于调用所述存储器中的程序代码来执行上述各方面所述的方法。
[0064] 本申请又一方面提供了一种计算机存储介质，其包括指令，当其在计算机上运行时，使得计算机执行上述各方面所述的方法。
[0065] 本发明通过NLP自然语言处理引擎构建的神经网络模型和基于知识库构建的病种诊疗模型，AI模型通过神经网络模型将病历病种标准化为医学行业内的标准病种，并通过AI模型分析当前病历是否漏诊漏检处方违规，漏诊是指针对病历信息中的最终诊断病种是否存在的遗漏。实现了漏诊、漏检和处方违规三个维度的监控，以达到漏诊、漏检和处方违规三种电子病历质控维度。附图说明
[0066] 图1-1为本申请实施例中病历检测方法的流程示意图；
[0067] 图1-2为本申请实施例中规范化模型的输入输出的一种示意图；
[0068] 图1-3为本申请实施例中神经网络模型连接的一种示意图；
[0069] 图2为本申请实施例中病历检测装置的结构示意图；
[0070] 图3为本申请实施例中计算机设备的结构示意图。
[0071] 本申请目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
[0072] 应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或模块的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或模块，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或模块，本申请中所出现的模块的划分，仅仅是一种逻辑上的划分，实际应用中实现时可以有另外的划分方式，例如多个模块可以结合成或集成在另一个系统中，或一些特征可以忽略，或不执行。
[0073] 为解决上述技术问题，本申请主要提供以下技术方案
[0074] 本发明实施例通过NLP自然语言处理引擎构建的神经网络模型和基于知识库构建的病种诊疗模型，AI模型通过神经网络模型将病历病种标准化为医学行业内的标准病种，并通过AI模型分析当前病历是否漏诊漏检处方违规，漏诊是指针对病历信息中的最终诊断病种是否存在的遗漏。实现了漏诊、漏检和处方违规三个维度的监控，以达到漏诊、漏检和处方违规三种电子病历质控维度。
[0075] 请参照图1-1，以下对本申请提供一种病历检测方法进行举例说明，方法包括：
[0076] 101、获取多个待处理的病人信息以及每个病人信息对应的病历标签，[0077] 病历标签至少包括正常、漏诊、漏检和处方违规。
[0078] 病人信息包括病人基本信息、理想病历信息、检验信息、检查信息和处方信息。病人基本信息包括年龄、性别、体重、身高、就诊时间、是否初次就诊、就诊方式和科室。病历信息包括主诉、现病史、既往史、个人史、用药史、体格检查、最终诊断和遗嘱。检验信息包括检验单名称、检验单时间、检验单目的、检验项名称、检验项简称、检验结果、单位和参考范围。检查信息包括检查单名称、科室、诊断、身体部位、报告日期、检查所见和检查结果。处方信息包括处方名称、规格、用法用量和备注。
[0079] 102、将多个病人信息输入至规范化模型，通过规范化模型将多个病人信息输出成数据库存储的标准病人信息。
[0080] 标准病人信息至少包括：病种信息、检查信息、检验信息、处方信息、药物密码(CODE)、标准药物名称、病种CODE以及标准病种名称。
[0081] 规范化模型主要针对最终诊断，检验名称，检查名称和处方名称构建，将病历数据中的这些数据转化为医学上标准名称和标准的CODE，规范化模型的输入输出如图1-2所示。目前支持的30种病种如下表所示。
[0082]
[0083] 103、通过将键(Key)、询问(Query)以及值(Value)作为输入，注意力值(Attention Value)作为输出训练神经网络模型，以得到训练好的神经网络模型，Key为药物信息以及个人基本信息，Query为标准病人信息，Value为待处理的病人信息，AttentionValue为当前病历对应的病历标签。
[0084] Key包括：标准病种名称、病种CODE、标准药物名称、药物CODE、主诉、用药史以及个人史以及体格信息。Query包括：标准病人信息中的病种信息、标准病人信息中的检查信息、标准病人信息中的检验信息以及标准病人信息中的处方信息。Value为病人信息。Attention Value为当前病历的输出结果。
[0085] 神经网络模型指的是Attention机制，神经网络模型链接示意图如图1-3所示。
[0086] 104、当接收到终端发送的病例查询请求时，获取与病历查询请求对应的目标病人信息。
[0087] 指示消息是指用于命令客户端发送病人信息。客户端是指提供判断病人信息是否异常服务的程序。
[0088] 105、将目标病人信息输入至训练好的神经网络模型，以通过训练好的神经网络模型根据目标病人信息输出目标病历标签。
[0089] 106、将目标病历标签发送给终端。
[0090] 通过NLP自然语言处理引擎构建的神经网络模型和基于知识库构建的病种诊疗模型，AI模型通过神经网络模型将病历病种标准化为医学行业内的标准病种，并通过AI模型分析当前病历是否漏诊漏检处方违规，漏诊是指针对病历信息中的最终诊断病种是否存在的遗漏。实现了漏诊、漏检和处方违规三个维度的监控，以达到漏诊、漏检和处方违规三种电子病历质控维度。
[0091] 一些实施方式中，通过将Key、Query以及Value作为输入，Attention Value作为输出训练神经网络模型，以得到训练好的神经网络模型，包括：
[0092] 通过 匹配Query以及key的相关性；
[0093] 将计算的Similarity(Query,key)输入至神经网络模型，获得神经网络模型输出结果；
[0094] 通过 对神经网络模型的输出最归一化处理，Simi是指神神经网络模型的输出结果，ai通过为归一化结果；
[0095] 通过将归一化结果以及Value输入至 以得到输入的病人信息是否存在异常。
[0096] 上述实施方式中，通过引入类似归一化指数函数(SoftMax)的计算方式对第一阶段的得分进行数值转换，一方面可以进行归一化，将原始计算分值整理成所有元素权重之和为1的概率分布，另一方面也可以通过SoftMax的内在机制更加突出重要元素的权重。
[0097] 一些实施方式中，神经网络模型是指多层神经MLP网络，MLP网络的通过:
[0098] 训练，其中， 代表根据MLP网络的多层感知器中第n-1层的输出，训练MLP网络的多层感知器中第n层中第k个神经n
元得到的权值， 表示相应的偏置，fi 表示第i个标准病人信息输入至MLP网络的第n层的输出，i、j以及k为任意正整数，n为自然数。
元得到的权值， 表示相应的偏置，fi 表示第i个标准病人信息输入至MLP网络的第n层的输出，i、j以及k为任意正整数，n为自然数。
[0099] 上述实施方式中，通过这个方式可以对实施神经网络模型进行迭代，以获得一个较好效果的神经网络模型。
[0100] 一些实施方式中，向客户端发送指示消息之后，方法还包括：
[0101] 在提示用户编写病人信息时，显示各个编写要求的图框，在相应图框被触发时，触发客户端开启接受相应的用户输入。
[0102] 在收到服务端的指示消息后，指示客户端提示用户输入病人信息。
[0103] 在编写完病人信息时，通过客户端对病人信息预处理，预处理是指提取待处理的病人信息，得到病人基本信息、病历信息、检验信息、检查信息和处方信息；
[0104] 对完成预处理的病人信息通过客户端判断是否符合输入的预设规则，如不符合预设规则，指示客户端提示用户重新输入；
[0105] 若符合预设规则，则对用户输入的病人信息保存至数据库。
[0106] 上述实施方式中，通过接收用户的输入，可以对用户输入的信息进行判断，是否存在漏诊，误诊等。
[0107] 一些实施方式中，计算客户端发送的病人信息是否存在异常之后，方法还包括：
[0108] 将数据库存储的标准病人信息标注为正常病人信息以及异常病人信息；
[0109] 通过F1＝2(P*R)/(P+R)计算神经网络模型的得分，P是指预测正确的正常病人信息标签的数量与所有被预测正常病人标签数量的比值，R是指预测正确的异常病人信息标签的数量与所有被预测异常病人标签数量的比值。
[0110] 上述实施方式中，F1用于调和平均结合召回率和精度的指标，P是指精确度，R是指召回率。例如P＝0.5,R＝0.5,则F1＝0.5，若P＝1，R＝0.01，F1’＝0.02,所以F1>F1’,由此可见F1的预测效果更好。
[0111] 一些实施方式中，将多个病人信息输入至规范化模型之前，方法还包括：
[0112] 为每一个待处理的病人信息生成唯一的标识ID号
[0113] 根据病人信息的应用程序编程接口API参数构造超文本传输协议HTTP请求；
[0114] 通过HTTP请求以及LTP技术对结构化的病人信息提取中文分词；
[0115] 匹配数据库中收录的词汇，将匹配度低于阈值的词汇删除以及高于阈值的词汇保存至标准病人信息。
[0116] 上述实施方式中，针对每次诊断医院都会生成一个唯一的诊断号，只要做医院编码和诊断号维度的去重，就不会有产生同样的病历数据。并对结构化病历中的主要信息的提取主要是通过中文分词实现的，如果提取的分词和知识库中构建的关键数据匹配，就会做数据提取以备诊疗模型调用。
[0117] 一些实施方式中，将目标病历标签发送给终端之后，方法还包括：
[0118] 神经网络模型通过判断结果和病历结构化信息得出病历标准化的违规信息和病历病种标准化的违规信息。
[0119] 基于病历病种标准化信息以及病历标准化的违规信息，生成基于病种以及医院维度的统计报表。统计报表至少包括质控地图、总体数据、病种质控以及医院质控。
[0120] 如图2所示的一种病历检测装置20的结构示意图，其可应用于病历检测方法。本申请实施例中的病历检测装置能够实现对应于上述图1-1所对应的实施例中所执行的病历检测方法的步骤。病历检测装置20实现的功能可以通过硬件实现，也可以通过硬件执行相应的软件实现。硬件或软件包括一个或多个与上述功能相对应的模块，所述模块可以是软件和/或硬件。所述病历检测装置可包括输入输出模块201和处理模块202，所述处理模块202和输入输出模块201的功能实现可参考图1-1所对应的实施例中所执行的操作，此处不作赘述。输入输出模块201可用于控制所述输入输出模块201的输入、输出以及获取操作。
[0121] 一些实施方式中，所述输入输出模块201可用于获取多个待处理的病人信息以及每个所述病人信息对应的病历标签；所述病历标签至少包括正常、漏诊、漏检和处方违规；
[0122] 所述处理模块202可用于通过所述输入输出模块将多个所述病人信息输入至规范化模型，通过规范化模型将多个所述病人信息输出成数据库存储的标准病人信息；通过将Key、Query以及Value作为输入，Attention Value作为输出训练神经网络模型，以得到训练好的神经网络模型；所述Key为药物信息以及个人基本信息，所述Query为所述标准病人信息，Value为所述病人信息，所述AttentionValue为当前病历对应的病历标签；当接收到终端发送的病例查询请求时，获取与所述病历查询请求对应的目标病人信息；通过所述输入输出模块将所述目标病人信息输入至所述训练好的神经网络模型，以通过所述训练好的神经网络模型根据所述目标病人信息输出目标病历标签；通过所述输入输出模块将所述目标病历标签发送给所述终端。
[0123] 一些实施方式中，所述处理模块202还用于：
[0124] 通过 匹配所述Query以及所述key的相关性；
[0125] 将计算的Similarity(Query,key)输入至所述神经网络模型，获得所述神经网络模型输出结果；
[0126] 通过 对所述神经网络模型的输出最归一化处理，所述Simi是指神所述神经网络模型的输出结果，ai通过为归一化结果；
[0127] 通过将所述归一化结果以及所述Value输入至以得到输入的所述病人信息是否存在异常。
[0128] 一些实施方式中，述神经网络模型是指多层神经MLP网络，所述MLP网络的通过:
[0129] 训练，其中， 代表根据所述MLP网络的多层感知器中第n-1层的输出，训练所述MLP网络的多层感知器中第n层中第kn
个神经元得到的权值， 表示相应的偏置，fi 表示第i个所述标准病人信息输入至所述MLP网络的第n层的输出，i、j以及k为任意正整数，n为自然数。
个神经元得到的权值， 表示相应的偏置，fi 表示第i个所述标准病人信息输入至所述MLP网络的第n层的输出，i、j以及k为任意正整数，n为自然数。
[0130] 一些实施方式中，所述处理模块202还用于：
[0131] 在提示用户编写病人信息时，显示各个编写要求的图框，在相应图框被触发时，触发客户端开启接受相应的用户输入；
[0132] 在收到服务端的所述指示消息后，指示所述客户端提示用户输入病人信息；
[0133] 在编写完病人信息时，通过所述客户端对所述病人信息预处理，所述预处理是指提取所述待处理的病人信息，得到病人基本信息、病历信息、检验信息、检查信息和处方信息；
[0134] 对完成预处理的病人信息通过客户端判断是否符合输入的预设规则，如不符合预设规则，指示所述客户端提示用户重新输入；
[0135] 若符合预设规则，则对用户输入的病人信息保存至数据库。
[0136] 一些实施方式中，所述处理模块202还用于：
[0137] 将所述数据库存储的标准病人信息标注为正常病人信息以及异常病人信息；
[0138] 通过F1＝2(P*R)/(P+R)计算所述神经网络模型的得分，所述P是指预测正确的正常病人信息标签的数量与所有被预测正常病人标签数量的比值，所述R是指预测正确的异常病人信息标签的数量与所有被预测异常病人标签数量的比值。
[0139] 一些实施方式中，所述处理模块202还用于：
[0140] 为每一个所述待处理的病人信息生成唯一的标识ID号；
[0141] 根据病人信息的应用程序编程接口API参数构造超文本传输协议HTTP请求；
[0142] 通过所述HTTP请求以及LTP技术对结构化的病人信息提取中文分词；
[0143] 匹配数据库中收录的词汇，将匹配度低于阈值的词汇删除以及高于阈值的词汇保存至所述标准病人信息。
[0144] 一些实施方式中，所述处理模块202还用于：
[0145] 所述神经网络模型通过所述判断结果和所述病历结构化信息得出病历标准化的违规信息和病历病种标准化的违规信息；
[0146] 基于所述病历病种标准化信息以及病历标准化的违规信息，生成基于病种以及医院维度的统计报表。所述统计报表至少包括质控地图、总体数据、病种质控以及医院质控。
[0147] 上面从模块化功能实体的角度分别介绍了本申请实施例中的创建装置，以下从硬件角度介绍一种病历检测设备，如图3所示，其包括：处理器、存储器、输入输出单元(也可以是收发器，图3中未标识出)以及存储在所述存储器中并可在所述处理器上运行的计算机程序。例如，该计算机程序可以为图1所对应的实施例中病历检测方法对应的程序。例如，当计算机设备实现如图2所示的病历检测装置20的功能时，所述处理器执行所述计算机程序时实现上述图2所对应的实施例中由病历检测装置20执行的病历检测方法中的各步骤。或者，所述处理器执行所述计算机程序时实现上述图2所对应的实施例的病历检测装置20中各模块的功能。又例如，该计算机程序可以为图1所对应的实施例中病历检测方法对应的程序。
[0148] 所称处理器可以是中央处理单元(central processingunit，CPU)，还可以是其他通用处理器、数字信号处理器(digital signal processor，DSP)、专用集成电路(application specific integrated circuit，ASIC)、现成可编程门阵列(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、分立硬件组件等。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，所述处理器是所述计算机装置的控制中心，利用各种接口和线路连接整个计算机装置的各个部分。
[0149] 所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述计算机装置的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、视频数据等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(smart media card,SMC)，安全数字(secure digital,SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
[0150] 所述输入输出单元也可以用接收器和发送器代替，可以为相同或者不同的物理实体。为相同的物理实体时，可以统称为输入输出单元。该输入输出可以为收发器。
[0151] 所述存储器可以集成在所述处理器中，也可以与所述处理器分开设置。
[0152] 通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM)中，包括若干指令用以使得一台终端(可以是手机，计算机，服务器或者网络设备等)执行本申请各个实施例所述的方法。
[0153] 上面结合附图对本申请的实施例进行了描述，但是本申请并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本申请的启示下，在不脱离本申请宗旨和权利要求所保护的范围情况下，还可做出很多形式，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，这些均属于本申请的保护之内。
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 基于机器学习的叶根螺栓断裂故障检测方法 | 2020-05-13 | 22 |
| 一种利用卷积多层注意力网络机制生成面向查询的视频摘要的方法 | 2020-05-13 | 202 |
| 交通路口通行状态的确定 | 2020-05-19 | 501 |
| 一种AGV导航控制方法及系统 | 2020-05-14 | 597 |
| 一种基于特征选择和集成学习的软件缺陷个数预测方法 | 2020-05-18 | 45 |
| 一种基于多传感器信息融合的三维目标检测方法及装置 | 2020-05-14 | 221 |
| 一种鉴别煤炭种类的方法及装置 | 2020-05-17 | 296 |
| 一种基于三维立体视觉和点云深度学习的机器人上料系统 | 2020-05-12 | 618 |
| 一种异常文本识别方法、装置、计算设备及介质 | 2020-05-14 | 443 |
| 一种基于结构化用户属性描述的个性化任务型对话系统 | 2020-05-19 | 474 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
分析报告
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
QQ群二维码
意见反馈
意见反馈