CN114664463A - 一种全科医生诊疗辅助系统 - Google Patents
一种全科医生诊疗辅助系统 Download PDFInfo
- Publication number
- CN114664463A CN114664463A CN202210268392.4A CN202210268392A CN114664463A CN 114664463 A CN114664463 A CN 114664463A CN 202210268392 A CN202210268392 A CN 202210268392A CN 114664463 A CN114664463 A CN 114664463A
- Authority
- CN
- China
- Prior art keywords
- medical
- diagnosis
- module
- treatment
- data
- 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
- G16H80/00—ICT specially adapted for facilitating communication between medical practitioners or patients, e.g. for collaborative diagnosis, therapy or health monitoring
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/25—Integrating or interfacing systems involving database management systems
- G06F16/254—Extract, transform and load [ETL] procedures, e.g. ETL data flows in data warehouses
-
- 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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Public Health (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Pathology (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
一种全科医生诊疗辅助系统,包括数据库模块、诊疗辅助决策推理模块、基层医疗机构应用模块;所述数据库模块,通过对医疗文献和诊疗指导资源的自动分析和知识抽取,形成方便推理与检索的知识体系;结合对原始医疗数据的抽取与清洗,将相互独立医疗数据转化成相互关联的医疗知识,作为全科医生诊疗辅助的理论和数据基础;所述诊疗辅助决策推理模块,充分利用数据库中的知识和数据,为全科医生的诊疗提供辅助支撑;所述基层医疗机构应用模块,用于实现人机接口对话,并基于数据库模块和诊疗辅助决策推理模块为基层全科医生的诊疗提供辅助。
Description
技术领域
本发明涉及医用软件技术领域,具体涉及一种全科医生诊疗辅助系统。
背景技术
随着社会人口的增多,对于医疗资源的需求不断增加,对医生数量的需求也逐年提高。其中全科医生,又称家庭医师或者家庭医生,大多服务在基层医疗卫生机构,是健康管理服务的主要提供者。全科医生与其他专科医生相比,学历层次普遍偏低,多数全科医生的医疗服务能力有待提高,服务水平还不能充分满足患者的需求;同时,目前接受全科医生规范化培训且合格的全科医生数量不足,且规范化培训也需要相当长的时间,使得全科医生的数量在一段不短的时间内会出现整体不足的情况。由上可知,为了满足人民日益增长的医疗需求,如何提升全科医生整体的诊疗服务能力将是解决问题的关键之一。
有鉴于此,本发明旨在探索如何将医学人工智能技术应用在全科医生的医疗服务工作流程中,为全科医生诊疗过程提供决策支持,协助全科医生进行诊断和鉴别诊断,提升常见病诊断的精准程度,对并对患者的诊疗及用药进行规范化管理,加强服务过程和质量的监督管理,以期对基层医疗卫生机构诊疗、安全用药、病例管理等方面产生积极的作用和效果。
发明内容
本发明的目的是克服现有技术的不足,提供一种全科医生诊疗辅助系统,为全科医生的诊疗过程提供辅助,以提升全科医生的诊疗服务能力。
本发明的技术方案是:一种全科医生诊疗辅助系统,包括数据库模块、诊疗辅助决策推理模块和基层医疗机构应用模块;三个模块相互之间通过有线或者无线方式实现数据通讯连接;
数据库模块,通过对医疗文献和诊疗指导资源的自动分析和知识抽取,形成方便推理与检索的知识体系;结合对原始医疗数据的抽取与清洗,将相互独立医疗数据转化成相互关联的医疗知识,作为全科医生诊疗辅助的理论和数据基础;
诊疗辅助决策推理模块,充分利用数据库中的知识和数据,为全科医生的诊疗提供辅助支撑,具体包括三个子功能模块,分别是常见病诊疗辅助决策模块、常见病临床诊疗指导模块和安全用药智能提醒模块;
基层医疗机构应用模块,用于实现人机接口对话,并基于数据库模块和诊疗辅助决策推理模块为基层全科医生的诊疗提供辅助。
进一步的,数据库模块在功能上划分为三个子数据库,分别是基层智能诊疗辅助决策支持知识库、安全用药知识库和病历资源案例库。以下进行具体介绍。
一、基层智能诊疗辅助决策支持知识库
由临床医学术语知识库及病历资源库组成;其中临床医学术语知识库以疾病为核心,建立涵盖身体结构、病因、病理、临床表现、临床诊断技术与方法、操作技术范畴的术语体系;并对同义术语进行归并、编辑与审核,形成临床医学概念,并建立各概念之间的语义关系;病历资源库用于存储和管理从医院的电子病历中抽取的疾病名称、症状、体征、检查、治疗等相关命名实体及关系。
基层智能诊疗辅助决策支持知识库主要实现下列功能:
第一,数据采集;主要对两种数据进行采集,一种是医院现存的病历资源,包括电子病历、手术步骤、检查报告结果、日常病程等记录信息,通过ETL的方式进行采集;另一种是互联网公开的医学资源,包括公共字典、医学术语、临床指南教科书、专家共识等医学文献,通过网络爬虫的方式进行获取;
第二,知识处理;基层智能诊疗辅助决策支持知识库可以对获取到的源数据信息进行分词处理、词性标注以及语法分析,获取关系依赖树,提取所述关系依赖树中的概念、实体、实体修饰语;并根据所述概念、实体、实体修饰语,通过关系语义规则,获取关系依赖树中各实体之间的关系;设置扩展三元组,通过扩展三元组将关系依赖树中各实体之间的关系进行储存,以完成构建数据库;
第三,病诊疗建模;可以依托国家疾病诊断临床路径指导,按照疾病名称、症状、体征、检查、药品、手术、护理等其他维度,建立单病种疾病诊疗模型。统计各种诊疗结局特征下的临床处置特征(主要用药、手术、检验检查等治疗措施)以及主要治疗措施的组合情况,分析这些处置特征与医疗结局特征间的关系,确定达到某种医疗结局特征的临床处置特征的路径或者主要的临床处置特征的路径,得到达到最优医疗结局特征的关键临床处置路径。找到医学检查特征的关键路径特征,以及患者的基本特征关键节点。这样从患者的基本特征关键节点、医学检查/检验特征的关键路径特征、主要的临床处置特征的路径以及医疗结局特征初步形成医疗模式。
二、安全用药知识库
用于储存和管理药品信息,安全用药知识库依托国家食品药品监督管理局(CFDA)审核发布的国家药品标准说明书和新药说明书、卫健委发布的医药典籍和国内权威医疗机构发布的最新医药信息等进行建设。所述的药品信息涵盖通用名、剂型、功效分类、成份分类、主要成份、药品性状、溶媒分类、给药方式、ATC 编码、规格、特殊人群用药注意事项、特殊给药条件、药理机制和毒理机制信息;安全用药知识库还用于保存基于配伍禁忌、人群禁忌、过敏禁忌、症状禁忌和用法禁忌得出的药物与药物之间以及疾病与药物之间的关联规则信息。
安全用药知识库按照医学、药学的专业审查原理,以医学、药学专业知识为标准,在医生录入医嘱时能提供相关药品资料信息,并对医嘱进行药物过敏史、药物相互作用、禁忌症、不练反应、注射剂体外配伍等审查来协助医生正确地筛选药物和确定医嘱,并在发现问题时能及时进行提醒和警示,以减少错误发生的可能。通过安全用药知识库系统能将原来由医疗人员借助查阅书本或者依靠大脑记忆来完成的合理用药检查交给计算机系统来完成,可以极大地弥补记忆的不足和人工失误所导致的用药错误,同时也大大提高了审查效率,使审查从人工完成变为自动完成,从只能人工审查少量患者的医嘱,扩大到可以自动审查医院全部的医嘱,所有的医生和患者都能从中受益。
安全用药知识库包括的具体功能模块及其功能如下:
第一、标准药品数据中心模块;本模块用于采集国家和各省相关部门公布的最新版本政策接入数据,根据字段内容匹配相应编码,依据匹配好的编码关联到产品编码,注册产品编码,从而实现与标准数据的无缝对接。药品数据中心中定义一套清晰、完整的编码体系。包括:通用名编码、药品附加信息识别码、剂型码、规格码、规格属性码、转换比码、生产企业码等信息编码,每层编码可同时实现独立或自由组合统计分析。
第二、临床用药知识库;本模块主要基于药品说明书、中华人民共和国药典、中国国家处方集、临床用药须知和国家现行临床用药相关政策规定进行设计。药品信息内容覆盖药品说明书、药物互相作用、皮试药物、特殊药品、药动学参数、妊娠用药分级、药品不良反应信息通报、用药教育标签、医药文献、政策法规等。具体功能有:
1)医护人员在临床用药知识库中可查询CFDA网站发布的最新药品说明书,查询临床用药种类可追溯至生产厂家,设置导航目录让医护人员快速定位查询并可复制说明书内容;
2)医护人员可通过临床用药知识库查询用药教育标签、妊娠用药分级、药动学参数、特殊药品、皮试药物;
3)医护人员可通过临床用药知识库查询国家药品目录,例如省级新农合药品目录、医保药品目录等;
4)临床用药知识库中收纳国家临床用药指导性出版物相关知识,并实现定期自动更新药品说明书的功能。
第三、用药规则库;该模块可实现以下功能:
1)用药规则库包含标准规则库和自定义规则库,标准规则库基于药品说明书、药典、指南等权威资料制定,自定义规则库是结合医院自身管理制定,由医院业务科室自定义设置用药管理规则,实现医院自行管理维护;
2)对于医院的自定义规则有明显的标示,以便与标准规则库进行划分;
3)用药规则可设置用药不当的警示信息与建议,并且可以根据用药不当的严重程序设置不同的级别;
4)用药规则设置界面有搜索框,对规则内容进行关键字搜索,快速定位到所需查看的规则位置。
第四、安全用药诊疗建议模块,用于实现以下功能:
1) 支持用户根据患者的病情、体征数据、检查和检验结果、配置的规则模型生成药品使用信息;
2)支持根据患者临床信息,通过诊疗辅助决策推理模块自动生成合理用药辨证结果,向医生提供可能的临床证型;
3)支持针对具体疾病的不同证型,通过治疗决策模型自动生成治疗方案、处方用药方案。
三、病历资源案例库
用于存储医院积累多年的患者主诉信息和电子病案的描述内容,并利用所存储的信息来建立主诉信息与诊断之间的关系;同时还将诊断所需的检查、化验的历史记录存储,以便作为基层智能诊疗辅助决策支持知识库构建的数据源。建立以疾病、患者特征、处方推荐等维度的辅助案例推荐模型。可发明拟采用以下两种方式实现案例推理:一是基于规则的推理,遵循循证医学理论依据,按照国家临床路径规范进行案例推理,根据患者特征迅速做出判断;二是基于深度学习模型推理,由算法根据病历特征进行分类处理,识别案例案中疑似案例信息。
病历资源案例库的具体功能包括:
1、病例知识表达,知识表示是对知识的描述,以约定的符号作为载体,将知识编译成可被计算机接受的数据结构。在本项目中采用陈述性知识表示法,以陈述的方式把知识用一定的数据结构表示出来,表明该知识点所描述的对象是什么。病历案例的知识表示是构建病历资源库的基础工作,是用案例的形式将特定患者与诊断诊疗的专业知识表达出来。
2、病例资源智能检索
案例检索就是根据待求解问题提供的信息从已有的案例中找出与之最相似的案例(即最佳案例),案例的检索开始于待求解问题,终止于查询到的匹配案例。案例检索中最主要的问题就是待求解问题与实例的相似性的判别,是案例检索的基础,直接影响到案例检索的准确性和效率。
在本项目中,拟采用基于知识的索引法;根据目前已知知识来问决定案例中的哪些特征在索引中是最重要的,并根据这些特征进行检索。索引和检索具有动态的特征,可以利用知识引导索引,通过利用规则推理方法实现。其检索过程包括以下三个步骤:特征识别、初步匹配和最佳先定。
1)特殊识别:主要是对新问题输入信息的识别,通过上下文及相关内容了解问题,并从对问题的描述中直接获得特征,也可以对问题经过分析理解后导出的特征。
2) 初步匹配:从案例库中找到一组与当前案例相关的侯选案例,通过第一步骤所获得的特征进行索引完成的检索。由于一般不存在安全的精确匹配,因些要对案例之间特征关系进行相似度估计,既可以基于上述特征与领域知识进行表面估计,也可以对问题进入深入分析后的深层估计。
3)最佳选定:从初步匹配输出的结果中选出一个或几个与当前案例最相似的案例。根据领域知识对候选案例进行解释,然后对这些解释进行有效性测试或评估,最后根据某种度量标准,对侯选案例进行排序,得分最高为最佳案例。
进一步的,数据库模块还包括医疗数据处理套件,医疗数据处理套件用于针对医院大量的医疗文本相关数据,利用深度学习和神经网络对医疗数据进行筛选,提供高质量的分析数据,以更快的形成对应的数据库。
医疗数据处理套件主要包括以下两个部分:
1)医疗数据文本结构化模块;基于医疗实体识别的基础上,对非结构化的医疗数据文本进行结构化处理,识别相关症状、处理和诊断等,将非结构化的文本转化成结构化的医疗数据和医疗记录,在兼容现有系统的基础上,推进医疗文本和病例的结构化,方便其他应用进行兼容;
2)模板标准化模块;在结构化数据的基础上,根据不同的应用场景使用数据模板,适应不同的数据标准,比如在数据上报主管单位的过程中;适用国家相应的医疗数据标准;通过模板标准化能让系统数据流通在同时兼顾统一与灵活性。
进一步的,常见病诊疗辅助决策模块,以数据库模块中储存的相关医疗知识和数据为支撑,辅助全科医生收集信息,逐层推理给出需要考虑的疾病列表、对应的置信度、典型症状、诊断证据及依据供医生参考,同时对症状、体征、检查、检验信息进行鉴别解读,辅助基层医生筛查、判别初诊病人,避免重症、疑难症的漏诊。
常见病诊疗辅助决策模块具体包括:
1)辅助诊断模块;用于通过医生输入的症状、体征等临床指征信息进行推理分析,产品将实时提供诊断建议,并模拟临床习惯提供鉴别诊断,推荐检验、检查及评估表,并自动分析结果供医生参考,进一步帮助医生诊断患者,并推荐相应的治疗方案和注意事项。
2)诊断鉴别模块;点击相关按钮弹出鉴别诊断问答框,然后可根据已选中的疑似疾病进行诊断问答,如未选中任何疑似疾病,系统将按所有疑似疾病进行诊断问答。
3)推荐检验检查模块;点击相关按钮会弹出推荐检验检查选择框,根据已选中的疑似疾病进行推荐,如未选中任何疑似疾病,系统将按所有疑似疾病进行推荐。
4)推荐用药模块;在确诊界面,点击勾选药品,下方会显示该药品简介,点击标题可进入药品详情页,选择好药品后点击确认按钮,展示推理结果框;如果无需开药可不勾选药品。
5)相似病历模块;基于自然语言处理技术和数据库模块中的各个数据库,自动根据当前患者的病历信息,检索出和当前患者相同临床表现的相似病历,提供真实临床案例,帮助全科医生诊断和治疗患者。
6)智能转诊模块;患者出现重症、疑难杂症时,在基层医院诊治有困难,比如不能准确诊断疾病、诊疗条件欠缺、技术水平不够等,可以由基层医院填写转诊单,转到上级医院或专科医院诊治,待病情稳定时再转回基层医院继续治疗;提供全流程转诊信息服务,配合智能节点提醒与反馈机制,使转诊流程更智能、更简洁。让患者可以及时转诊;智能辅助诊疗决策系统辅助医生筛选出重症、疑难杂症。全科医生填写转诊申请单,并提交患者的病历数据,申请通过以后实现患者的转院诊治。
进一步的,常见病临床诊疗指导模块,通过分类导航、主题检索方式,帮助基层全科医生快速了解基层医疗机构常见病、多发病、慢性病的诊疗信息(所述诊疗信息包括疾病定义、诊断要点、治疗方案及注意事项信息、历史优质相似病例信息),从而提升基层医生的诊疗水平和服务能力、降低误诊率。全科医生智能诊疗辅助决策支持功能模块可支持多种产品形态,可选择提供语音识别、医学输入法等辅助手段进一步提高医生工作效率。
常见病临床诊疗指导模块实现以下功能:
1)检索词检索
医生对患者疾病尚未决策或初步决策时,全科医生通过对患者主观描述、检验项指标的解读,主动在基层智能诊疗辅助决策支持知识库中按照检索词进行检索。
2)分类索引检索
全科医生可根据患者描述,在常见病、多发病、慢性病的分类索引中找到相对应的疾病描述信息。
进一步的,安全用药智能提醒模块,面向全科医生常见病用药安全需求,实现对药物-药物之间、药物-病人-疾病之间的禁忌审查与问题提醒,同时提供对常用药品的使用指导信息。
安全用药智能提醒模块具体包括:
1)用药审查模块
用药审查模块通过对接基础医疗机构的业务系统接口(例如医嘱系统、生化系统及电子病历等系统),实时获取全科医生开立的医嘱、护士转抄的医嘱、药师审核医嘱及药物发放和使用数据,对用药的整个流程进行智能审查,并将审查结果交由药师进行人工审核,确保用药的安全性和合理性。用药审查模块主要包括智能审查和人工审核两大部分。
智能审查:智能审查模块根据用户的角色不同,可以划分为医嘱开立智能审查、药师审核智能审核和护士转抄智能审查几个部分。用药智能审查功能根据药物的配伍禁忌、人群禁忌、过敏禁忌、症状禁忌、疾病禁忌和用法禁忌等审查规则,综合考虑药物的疗效、不良反应及费用等因素,模拟人工审查患者处方或医嘱的原理和流程,建立安全用药智能审查模型,对病人处方或医嘱进行自动化实时审查,并对审查结果进行分级别预警,对存在的问题及时进行提醒和警示,从而阻断用药错误、减少药害事件的发生。作为医疗工作者应该清楚这些不良反应,有责任告诉患者。当医生输入完一条药品信息后,会立即提示该药品可能存在的不良反应,以动画的方式,引起关注。
2)用药管理模块
用药管理模块主要对审查过后的用药进行事中监控及管理,以患者为中心,从处方和药物等维度对用药进行监控,并对患者进行用药提醒,确保药物的安全合理使用,并对药物的使用进行随访和追溯,对药物进行全流程的监控和管理。
3)用药指导模块
用药指导模块根据临床医药学的发展和临床安全用药的实际情况,以《中华人民共和国药典》、《国家基本药物》、《新编药物学》,《药名词汇》,《临床药物治疗学》等药物权威指南为基础,结合FDA、CFDA等权威机构最新研究成果及相关领域的论文,将药物信息进行分类展示,方便全科医生的检索和学习。用药指导模块主要包括药物检索和药物指导两大部分。
药物检索:将全科医生常用的药物进行不同维度的分类,并提供智能友好的检索能力,方便全科医生对药物各维度信息的检索。
药物指导:主要对全科医生进行药物知识进行在线指导,帮助全科医生了解常用药物的适应症、注意事项、不良反应、用法用量、制剂和规格和药物相互作用等信息,规范全科医生的用药行为;并为提供药物咨询和一系列常用工具。药物指导可以细分为常用医学公式、用药科普知识查询、肝肾功能不全用药量调整的相关查询、FDA妊娠期药物安全级别查询、药物咨询、中药用药禁忌查询、抗生素分类及禁慎用症查询、相关医药法律法规查询功能等子功能。
4)统计上报模块
统计上报模块主要对用药结果进行事后统计分析,并对不良反应、症状及群体性事件进行预警和上报。统计上报模块按照功能可以分为安全用药分析和不良反应上报等子功能。
安全用药分析:根据对用药审查、监控和随访数据,对用药的整个流程进行统计分析,从不同维度统计分析用药的安全性、合理性及经济性,对药物的疗效进行分析,并以友好的方式进行可视化展示。
不良反应上报功能:对药物引起的不良反应进行筛查和警示,并完成数据的自动化采集和汇总,交由药师进行确认,并最终于国家药品不良反应监测系统进行对接。
进一步的,安全用药智能提醒模块具体业务流程如下:
S1、事前监控;将安全用药知识库与基层医疗机构的业务系统进行无缝对接,实现每天对医生开具的用药处方进行实时评估、监控、拦截功能;
S2、事中干预;专业药师结合患者就诊记录对医生的医嘱实时进行合理性前置审方分析,对于人工审核仍然没有通过的处方医嘱,通过软件告知医生,请当事医生进行调整,精准把握医生用药,并给医生合理性的建议;
S3、事后分析;按照预先设计好的药品监控筛查制度,采用多维和立体的筛查指标,实时、动态地监控系统内单位时间内全部处方的药品使用情况,实现药品用量动态监测和超常预警;
S4、用药管理;实现药品全流程管理,包括药物警示、不良反应上报、药物选择分析、不良反应发生情况分析;
S5、统计上报; 快速智能分析不合理药物、并发症、药物不良反应的上报,并记录药物不良反应的迟报漏报。
进一步的,基层医疗机构应用模块包括语音采集工具和语音处理组件,医生与患者之间的对话通过语音采集工具进行采集,经语音处理组件将其翻译为医疗文本,再使用自然语言处理 NLP技术,提取所述医疗文本中有关的症状、体征、历史用药、不良反应、过敏史和家族史内容,并自动填充至电子病历或居民健康档案中,同时将收集到的信息传输至数据库模块,经过诊疗辅助决策推理模块的推理,生成辅助决策信息。以真正实现基层医生无感知情况下的智能辅助决策,同时可将纠正内容标识出来,供医生查看和学习。
基层医疗人机交互服务主要通过语音识别、自然处理技术,将患者的症状描述与标准的医学指南对比,为用户提供医疗咨询、辅助诊疗、辅助诊断等服务的信息系统。由于受限于基层医疗机构全科医生数据、质量、医疗设备的限制,在本方案中采用指向性麦克风设备或者连接专网的手机APP进行患者、医生语音数据信息采集。
基层医疗机构应用模块具体包括如下功能:
1)语音信息采集
语音采集主要流程:前端设备或手机APP接受用户的语音,在本地调用语音识别ASR,将识别结果转化成自然文本,然后对识别出的文本进行语义理解,再对语义理解的结果做出一定处理并生成相应的结构化文本数据。语言采集服务支持XML、JSON、TXT等格式的文本输出,方便后端服务进行数据解析。
2)自然语言处理
自然语言处理服务主要实现对前端语音采集服务所采集数据进行医学文本结构化处理,转化为满足电子病历系统所需要的数据标准和格式。主要功能包括:对文本数据进行预处理,包括数据清洗、短句切分及主干提取等步骤,从中提取出所对应的文本信息;然后通过短句聚类和统计参数筛选实现样本描述模板的提取;最后利用模板对语音文本进行即时结构化处理,得到最终的结构化处理结果。
主要步骤有:
1、基层智能诊疗辅助决策支持知识库;
2、读入电子病历文本;
3、利用正向最大匹配算法对短句进行分词,获取句子中的词语及其词性、相对位置关系;
4、判断短句中对疾病信息描述的语义正反;
5、提取疾病信息元素;
6、重复步骤2至5,直至获得电子病历中的全部感兴趣内容;
7、合并疾病信息元素的不同表达,根据医学同义词词库,将相同的疾病信息合并,去除冗余信息;
8、将疾病描述信息的元素以结构体/类的形式存储,完成结构化过程,能有效的从病历的描述性文本中提取疾病的相关信息,形成对疾病信息的结构化表达,如:有关的症状、体征、历史用药、不良反应、过敏史和家族史等结构化内容。
3)知识库推理机智能纠正
经过自然语言处理后的结构化数据字段,如:有关的症状、体征、历史用药、不良反应、过敏史和家族史等结构化内容,输入到基于数据库模块的智能推理机引擎中进行智能纠错和辅助推理,推理机实时进行结果输出并返回给电子病历系统,进行电子病历自动回填,并显性标识出“被干预”的内容,供医生确认和患者信息提交。
进一步的,数据库模块在结构上分为三个子系统:
1)数据整理系统,主要包含数据抽取和数据清洗;通过自动化编排的数据抽取,在不需要改变医院和基层医疗机构现有的信息系统的基础上,对相关医疗数据进行抽取,结合数据清洗,形成可用于进一步分析的医疗数据;
2)自动化标注系统,主要包含实体识别和关系识别;针对大量的非结构化的医疗文本数据,通过训练好的模型和实体库,自动对医疗文本中的医疗命名实体进行识别,在命名实体自动识别的基础上,识别医疗文本中实体的相互关系;
3)知识检索系统,主要包含知识图谱与知识搜索;通过自动化标注系统识别的医疗实体与关系,建立针对医疗应用的实体多关系图,即医疗知识图谱,支持对实体概念和关系的搜索与推理;在知识图谱的基础上,对结构化的医疗病例建立知识索引,使得病例库支持知识驱动的检索。
进一步的,诊疗辅助系统还包括服务支撑模块,服务支撑模块包括四个子功能模块,分别是:
存储与检索功能模块,主要用于数据库的存储与检索,能够支撑不同数据结构的存储和快速检索;
运算功能模块,用于支撑系统的所有的运算功能,包括标注模型训练、知识图谱生成;
网络功能模块,主要用于在应用层面保证不同基层医疗的机构的接入质量和访问控制;
管理运维功能模块,负责整个系统的运维监控。
本发明的总体工作流程为:首先通过爬虫和文献导入等方式,在互联网上爬取文献、临床指南和药典等权威指南,并对爬取到的非结构化数据进行自然语言处理,形成基层智能诊疗辅助决策支持知识库、安全用药知识库,并定期对这两个知识库进行自动更新。同时通过汇聚和整理其它相关医疗系统的基层应用业务数据形成病历案例资源库;按照要求,定期将基层智能诊疗辅助决策支持知识库和安全用药数据库的相关数据上报到上级机构;然后基于基层智能诊疗辅助决策支持知识库、安全用药知识库和病历资源案例库,结合机器学习算法,构建辅助诊疗的推理机和安全用药引擎,实现辅助诊疗、安全用药指导和临床指导等功能,支撑全科医生应用。推理机的医疗服务能力结合应用场景转化为基层医疗应用,基层应用主要包括安全用药智能提醒、临床辅助决策、常见病指导、语音采集等子系统,基层全科医生可通过其它相关医疗系统的基层应用平台访问本项目中的全科医生基层应用,同时基层医疗机构的医疗数据经过汇总,进一步帮助本项目中的病历资源案例库进行自主进化。通过以上的流程,知识库从数据产生知识,知识变成能力,能力构成应用,基层医疗机构使用应用,产生新的数据,给知识中心,产生更多知识,形成知识-能力-应用的闭环,良性循环。
本发明的有益效果:本发明为探索建立健全基层全科医生培养模式提供了思路;提高了基层全科医生医疗水平及医疗服务质量,创造了巨大的社会效益和经济效益。
1、经济效益:
1) 基层全科医生通过全科医生诊疗辅助支撑技术应用系统,可以参与多种共存病的管理,可大大提高患者生活质量,并减少医疗花费;
2) 全科医生诊疗辅助支撑技术应用系统将极大程度地提高高危因素人群及疾病筛查的效率,及时发现并进行相应干预,可改善疾病结局和患者预后,创造更大的经验效益。
2、社会效益
1) 全科医生诊疗辅助支撑技术应用项目通过临床辅助决策知识库的实施,可以协助全科医生进行诊断和鉴别诊断,提升常见病诊断的精准程度,对避免危重症的漏诊与误诊也大有裨益,并能推荐针对性的处理方案,提高医疗服务质量,更好的为广大医患服务;
2) 全科医生诊疗辅助支撑技术应用项目通过基层应用的部署实施,可以提高医务人员的工作效率,让基层全科医生有更多的时间做好服务,加强业务学习,提高技术;
3)全科医生诊疗辅助支撑技术应用项目通过安全用药的实施,可以帮助基层全科医生科学合理的用药,避免用药禁忌及不良反应,提高医疗服务质量。
附图说明
图1为本发明的全科医生诊疗辅助系统的整体架构设计图。
具体实施方式
以下将结合具体实施例对本发明做进一步详细说明,本实施例中未具体说明的方法或系统,均为现有技术。
实施例1
本实施例是一种一种全科医生诊疗辅助系统,包括数据库模块、诊疗辅助决策推理模块、基层医疗机构应用模块;
数据库模块,通过对医疗文献和诊疗指导资源的自动分析和知识抽取,形成方便推理与检索的知识体系;结合对原始医疗数据的抽取与清洗,将相互独立医疗数据转化成相互关联的医疗知识,作为全科医生诊疗辅助的理论和数据基础;
诊疗辅助决策推理模块,充分利用数据库中的知识和数据,为全科医生的诊疗提供辅助支撑,具体包括三个子功能模块,分别是常见病诊疗辅助决策模块、常见病临床诊疗指导模块和安全用药智能提醒模块;
基层医疗机构应用模块,用于实现人机接口对话,并基于数据库模块和诊疗辅助决策推理模块为基层全科医生的诊疗提供辅助。
进一步的,数据库模块在功能上划分为三个子数据库,分别是基层智能诊疗辅助决策支持知识库、安全用药知识库、病历资源案例库;具体介绍如下:
一、基层智能诊疗辅助决策支持知识库
由临床医学术语知识库及病历资源库组成;其中临床医学术语知识库以疾病为核心,建立涵盖身体结构、病因、病理、临床表现、临床诊断技术与方法、操作技术范畴的术语体系;并对同义术语进行归并、编辑与审核,形成临床医学概念,并建立各概念之间的语义关系;病历资源库用于存储和管理从医院的电子病历中抽取的疾病名称、症状、体征、检查、治疗等相关命名实体及关系。
基层智能诊疗辅助决策支持知识库主要实现下列功能:
第一,数据采集;主要对两种数据进行采集,一种是医院现存的病历资源,包括电子病历、手术步骤、检查报告结果、日常病程等记录信息,通过ETL的方式进行采集;另一种是互联网公开的医学资源,包括公共字典、医学术语、临床指南教科书、专家共识等医学文献,通过网络爬虫的方式进行获取;
第二,知识处理;基层智能诊疗辅助决策支持知识库可以对获取到的源数据信息进行分词处理、词性标注以及语法分析,获取关系依赖树,提取所述关系依赖树中的概念、实体、实体修饰语;并根据所述概念、实体、实体修饰语,通过关系语义规则,获取关系依赖树中各实体之间的关系;设置扩展三元组,通过扩展三元组将关系依赖树中各实体之间的关系进行储存,以完成构建数据库;
第三,病诊疗建模;可以依托国家疾病诊断临床路径指导,按照疾病名称、症状、体征、检查、药品、手术、护理等其他维度,建立单病种疾病诊疗模型。统计各种诊疗结局特征下的临床处置特征(主要用药、手术、检验检查等治疗措施)以及主要治疗措施的组合情况,分析这些处置特征与医疗结局特征间的关系,确定达到某种医疗结局特征的临床处置特征的路径或者主要的临床处置特征的路径,得到达到最优医疗结局特征的关键临床处置路径。找到医学检查特征的关键路径特征,以及患者的基本特征关键节点。这样从患者的基本特征关键节点、医学检查/检验特征的关键路径特征、主要的临床处置特征的路径以及医疗结局特征初步形成医疗模式。
二、安全用药知识库
用于储存和管理药品信息,安全用药知识库依托国家食品药品监督管理局(CFDA)审核发布的国家药品标准说明书和新药说明书、卫健委发布的医药典籍和国内权威医疗机构发布的最新医药信息等进行建设。所述的药品信息涵盖通用名、剂型、功效分类、成份分类、主要成份、药品性状、溶媒分类、给药方式、ATC 编码、规格、特殊人群用药注意事项、特殊给药条件、药理机制和毒理机制信息;安全用药知识库还用于保存基于配伍禁忌、人群禁忌、过敏禁忌、症状禁忌和用法禁忌得出的药物与药物之间以及疾病与药物之间的关联规则信息。
安全用药知识库按照医学、药学的专业审查原理,以医学、药学专业知识为标准,在医生录入医嘱时能提供相关药品资料信息,并对医嘱进行药物过敏史、药物相互作用、禁忌症、不练反应、注射剂体外配伍等审查来协助医生正确地筛选药物和确定医嘱,并在发现问题时能及时进行提醒和警示,以减少错误发生的可能。通过安全用药知识库系统能将原来由医疗人员借助查阅书本或者依靠大脑记忆来完成的合理用药检查交给计算机系统来完成,可以极大地弥补记忆的不足和人工失误所导致的用药错误,同时也大大提高了审查效率,使审查从人工完成变为自动完成,从只能人工审查少量患者的医嘱,扩大到可以自动审查医院全部的医嘱,所有的医生和患者都能从中受益。
安全用药知识库包括的具体功能模块及其功能如下:
第一、标准药品数据中心模块;本模块用于采集国家和各省相关部门公布的最新版本政策接入数据,根据字段内容匹配相应编码,依据匹配好的编码关联到产品编码,注册产品编码,从而实现与标准数据的无缝对接。药品数据中心中定义一套清晰、完整的编码体系。包括:通用名编码、药品附加信息识别码、剂型码、规格码、规格属性码、转换比码、生产企业码等信息编码,每层编码可同时实现独立或自由组合统计分析。
第二、临床用药知识库;本模块主要基于药品说明书、中华人民共和国药典、中国国家处方集、临床用药须知和国家现行临床用药相关政策规定进行设计。药品信息内容覆盖药品说明书、药物互相作用、皮试药物、特殊药品、药动学参数、妊娠用药分级、药品不良反应信息通报、用药教育标签、医药文献、政策法规等。具体功能有:
1)医护人员在临床用药知识库中可查询CFDA网站发布的最新药品说明书,查询临床用药种类可追溯至生产厂家,设置导航目录让医护人员快速定位查询并可复制说明书内容;
2)医护人员可通过临床用药知识库查询用药教育标签、妊娠用药分级、药动学参数、特殊药品、皮试药物;
3)医护人员可通过临床用药知识库查询国家药品目录,例如省级新农合药品目录、医保药品目录等;
4)临床用药知识库中收纳国家临床用药指导性出版物相关知识,并实现定期自动更新药品说明书的功能。
第三、用药规则库;该模块可实现以下功能:
1)用药规则库包含标准规则库和自定义规则库,标准规则库基于药品说明书、药典、指南等权威资料制定,自定义规则库是结合医院自身管理制定,由医院业务科室自定义设置用药管理规则,实现医院自行管理维护;
2) 对于医院的自定义规则有明显的标示,以便与标准规则库进行划分;
3)用药规则可设置用药不当的警示信息与建议,并且可以根据用药不当的严重程序设置不同的级别;
4)用药规则设置界面有搜索框,对规则内容进行关键字搜索,快速定位到所需查看的规则位置。
第四、安全用药诊疗建议模块,用于:
1)支持用户根据患者的病情、体征数据、检查和检验结果、配置的规则模型生成药品使用信息;
2)支持根据患者临床信息,通过诊疗辅助决策推理模块自动生成合理用药辨证结果,向医生提供可能的临床证型;
3)支持针对具体疾病的不同证型,通过治疗决策模型自动生成治疗方案、处方用药方案。
三、病历资源案例库
用于存储医院积累多年的患者主诉信息和电子病案的描述内容,并利用所存储的信息来建立主诉信息与诊断之间的关系;同时还将诊断所需的检查、化验的历史记录存储,以便作为基层智能诊疗辅助决策支持知识库构建的数据源。建立以疾病、患者特征、处方推荐等维度的辅助案例推荐模型。本发明拟采用以下两种方式实现案例推理:一是基于规则的推理,遵循循证医学理论依据,按照国家临床路径规范进行案例推理,根据患者特征迅速做出判断;二是基于深度学习模型推理,由算法根据病历特征进行分类处理,识别案例案中疑似案例信息。
病历资源案例库的具体功能包括:
1、病例知识表达,知识表示是对知识的描述,以约定的符号作为载体,将知识编译成可被计算机接受的数据结构。在本项目中采用陈述性知识表示法,以陈述的方式把知识用一定的数据结构表示出来,表明该知识点所描述的对象是什么。病历案例的知识表示是构建病历资源库的基础工作,是用案例的形式将特定患者与诊断诊疗的专业知识表达出来。
2、病例资源智能检索
案例检索就是根据待求解问题提供的信息从已有的案例中找出与之最相似的案例(即最佳案例),案例的检索开始于待求解问题,终止于查询到的匹配案例。案例检索中最主要的问题就是待求解问题与实例的相似性的判别,是案例检索的基础,直接影响到案例检索的准确性和效率。
在本项目中,拟采用基于知识的索引法;根据目前已知知识来问决定案例中的哪些特征在索引中是最重要的,并根据这些特征进行检索。索引和检索具有动态的特征,可以利用知识引导索引,通过利用规则推理方法实现。其检索过程包括以下三个步骤:特征识别、初步匹配和最佳先定。
1)特殊识别:主要是对新问题输入信息的识别,通过上下文及相关内容了解问题,并从对问题的描述中直接获得特征,也可以对问题经过分析理解后导出的特征。
2) 初步匹配:从案例库中找到一组与当前案例相关的侯选案例,通过第一步骤所获得的特征进行索引完成的检索。由于一般不存在安全的精确匹配,因些要对案例之间特征关系进行相似度估计,既可以基于上述特征与领域知识进行表面估计,也可以对问题进入深入分析后的深层估计。
3)最佳选定:从初步匹配输出的结果中选出一个或几个与当前案例最相似的案例。根据领域知识对候选案例进行解释,然后对这些解释进行有效性测试或评估,最后根据某种度量标准,对侯选案例进行排序,得分最高为最佳案例。
数据库模块还包括医疗数据处理套件,医疗数据处理套件用于针对医院大量的医疗文本相关数据,利用深度学习和神经网络对医疗数据进行筛选,提供高质量的分析数据,以更快的形成对应的数据库。
医疗数据处理套件主要包括以下两个部分:
1)医疗数据文本结构化模块;基于医疗实体识别的基础上,对非结构化的医疗数据文本进行结构化处理,识别相关症状、处理和诊断等,将非结构化的文本转化成结构化的医疗数据和医疗记录,在兼容现有系统的基础上,推进医疗文本和病例的结构化,方便其他应用进行兼容;
2)模板标准化模块;在结构化数据的基础上,根据不同的应用场景使用数据模板,适应不同的数据标准,比如在数据上报主管单位的过程中;适用国家相应的医疗数据标准;通过模板标准化能让系统数据流通在同时兼顾统一与灵活性。
本实施例中,常见病诊疗辅助决策模块以数据库模块中储存的相关医疗知识和数据为支撑,辅助全科医生收集信息,逐层推理给出需要考虑的疾病列表、对应的置信度、典型症状、诊断证据及依据供医生参考,同时对症状、体征、检查、检验信息进行鉴别解读,辅助基层医生筛查、判别初诊病人,避免重症、疑难症的漏诊。
常见病诊疗辅助决策模块具体包括:
1)辅助诊断模块;用于通过医生输入的症状、体征等临床指征信息进行推理分析,产品将实时提供诊断建议,并模拟临床习惯提供鉴别诊断,推荐检验、检查及评估表,并自动分析结果供医生参考,进一步帮助医生诊断患者,并推荐相应的治疗方案和注意事项。
2)诊断鉴别模块;点击相关按钮弹出鉴别诊断问答框,然后可根据已选中的疑似疾病进行诊断问答,如未选中任何疑似疾病,系统将按所有疑似疾病进行诊断问答。
3)推荐检验检查模块;点击相关按钮会弹出推荐检验检查选择框,根据已选中的疑似疾病进行推荐,如未选中任何疑似疾病,系统将按所有疑似疾病进行推荐。
4)推荐用药模块;在确诊界面,点击勾选药品,下方会显示该药品简介,点击标题可进入药品详情页,选择好药品后点击确认按钮,展示推理结果框;如果无需开药可不勾选药品。
5)相似病历模块;基于自然语言处理技术和人工智能应用系统知识库、病例库,自动根据当前患者的病历信息,检索出和当前患者相同临床表现的相似病历,提供真实临床案例,帮助全科医生诊断和治疗患者。
6)智能转诊模块;患者出现重症、疑难杂症时,在基层医院诊治有困难,比如不能准确诊断疾病、诊疗条件欠缺、技术水平不够等,可以由基层医院填写转诊单,转到上级医院或专科医院诊治,待病情稳定时再转回基层医院继续治疗;提供全流程转诊信息服务,配合智能节点提醒与反馈机制,使转诊流程更智能、更简洁。让患者可以及时转诊;智能辅助诊疗决策系统辅助医生筛选出重症、疑难杂症。全科医生填写转诊申请单,并提交患者的病历数据,申请通过以后实现患者的转院诊治。
本实施例中,常见病临床诊疗指导模块通过分类导航、主题检索方式,帮助基层全科医生快速了解基层医疗机构常见病、多发病、慢性病的诊疗信息(所述诊疗信息包括疾病定义、诊断要点、治疗方案及注意事项信息、历史优质相似病例信息),从而提升基层医生的诊疗水平和服务能力、降低误诊率。全科医生智能诊疗辅助决策支持功能模块可支持多种产品形态,可选择提供语音识别、医学输入法等辅助手段进一步提高医生工作效率。
常见病临床诊疗指导模块实现以下功能:
1)检索词检索
医生对患者疾病尚未决策或初步决策时,全科医生通过对患者主观描述、检验项指标的解读,主动在临床诊疗知识库系统中按照检索词进行检索。
2)分类索引检索
全科医生可根据患者描述,在常见病、多发病、慢性病的分类索引中找到相对应的疾病描述信息。
本实施例中,安全用药智能提醒模块面向全科医生常见病用药安全需求,实现对药物-药物之间、药物-病人-疾病之间的禁忌审查与问题提醒,同时提供对常用药品的使用指导信息。
安全用药智能提醒模块具体包括:
1)用药审查模块
用药审查模块通过对接基础医疗机构的业务系统接口(例如医嘱系统、生化系统及电子病历等系统),实时获取全科医生开立的医嘱、护士转抄的医嘱、药师审核医嘱及药物发放和使用数据,对用药的整个流程进行智能审查,并将审查结果交由药师进行人工审核,确保用药的安全性和合理性。用药审查模块主要包括智能审查和人工审核两大部分。智能审查:智能审查模块根据用户的角色不同,可以划分为医嘱开立智能审查、药师审核智能审核和护士转抄智能审查几个部分。用药智能审查功能根据药物的配伍禁忌、人群禁忌、过敏禁忌、症状禁忌、疾病禁忌和用法禁忌等审查规则,综合考虑药物的疗效、不良反应及费用等因素,模拟人工审查患者处方或医嘱的原理和流程,建立安全用药智能审查模型,对病人处方或医嘱进行自动化实时审查,并对审查结果进行分级别预警,对存在的问题及时进行提醒和警示,从而阻断用药错误、减少药害事件的发生。作为医疗工作者应该清楚这些不良反应,有责任告诉患者。当医生输入完一条药品信息后,会立即提示该药品可能存在的不良反应,以动画的方式,引起关注。
2)用药管理模块
用药管理模块主要对审查过后的用药进行事中监控及管理,以患者为中心,从处方和药物等维度对用药进行监控,并对患者进行用药提醒,确保药物的安全合理使用,并对药物的使用进行随访和追溯,对药物进行全流程的监控和管理。
3)用药指导模块
用药指导模块根据临床医药学的发展和临床安全用药的实际情况,以《中华人民共和国药典》、《国家基本药物》、《新编药物学》,《药名词汇》,《临床药物治疗学》等药物权威指南为基础,结合FDA、CFDA等权威机构最新研究成果及相关领域的论文,将药物信息进行分类展示,方便全科医生的检索和学习。用药指导模块主要包括药物检索和药物指导两大部分。
药物检索:将全科医生常用的药物进行不同维度的分类,并提供智能友好的检索能力,方便全科医生对药物各维度信息的检索。
药物指导:主要对全科医生进行药物知识进行在线指导,帮助全科医生了解常用药物的适应症、注意事项、不良反应、用法用量、制剂和规格和药物相互作用等信息,规范全科医生的用药行为;并为提供药物咨询和一系列常用工具。药物指导可以细分为常用医学公式、用药科普知识查询、肝肾功能不全用药量调整的相关查询、FDA妊娠期药物安全级别查询、药物咨询、中药用药禁忌查询、抗生素分类及禁慎用症查询、相关医药法律法规查询功能等子功能。
4)统计上报模块
统计上报模块主要对用药结果进行事后统计分析,并对不良反应、症状及群体性事件进行预警和上报。统计上报模块按照功能可以分为安全用药分析和不良反应上报等子功能。
安全用药分析:根据对用药审查、监控和随访数据,对用药的整个流程进行统计分析,从不同维度统计分析用药的安全性、合理性及经济性,对药物的疗效进行分析,并以友好的方式进行可视化展示。
不良反应上报功能:对药物引起的不良反应进行筛查和警示,并完成数据的自动化采集和汇总,交由药师进行确认,并最终于国家药品不良反应监测系统进行对接。
安全用药智能提醒模块具体业务流程如下:
S1、事前监控;将安全用药知识库与基层医疗机构的业务系统进行无缝对接,实现每天对医生开具的用药处方进行实时评估、监控、拦截功能;
S2、事中干预;专业药师结合患者就诊记录对医生的医嘱实时进行合理性前置审方分析,对于人工审核仍然没有通过的处方医嘱,通过软件告知医生,请当事医生进行调整,精准把握医生用药,并给医生合理性的建议;
S3、事后分析;按照预先设计好的药品监控筛查制度,采用多维和立体的筛查指标,实时、动态地监控系统内单位时间内全部处方的药品使用情况,实现药品用量动态监测和超常预警;
S4、用药管理;实现药品全流程管理,包括药物警示、不良反应上报、药物选择分析、不良反应发生情况分析;
S5、统计上报; 快速智能分析不合理药物、并发症、药物不良反应的上报,并记录药物不良反应的迟报漏报。
本实施例中,基层医疗机构应用模块包括语音采集工具和语音处理组件,医生与患者之间的对话通过语音采集工具进行采集,经语音处理组件将其翻译为医疗文本,再使用自然语言处理 NLP技术,提取所述医疗文本中有关的症状、体征、历史用药、不良反应、过敏史和家族史内容,并自动填充至电子病历或居民健康档案中,同时将收集到的信息传输至数据库模块,经过诊疗辅助决策推理模块的推理,生成辅助决策信息。以真正实现基层医生无感知情况下的智能辅助决策,同时可将纠正内容标识出来,供医生查看和学习。
基层医疗人机交互服务主要通过语音识别、自然处理技术,将患者的症状描述与标准的医学指南对比,为用户提供医疗咨询、辅助诊疗、辅助诊断等服务的信息系统。由于受限于基层医疗机构全科医生数据、质量、医疗设备的限制,在本方案中采用指向性麦克风设备或者连接专网的手机APP进行患者、医生语音数据信息采集。
基层医疗机构应用模块具体包括如下功能:
1)语音信息采集
语音采集主要流程:前端设备或手机APP接受用户的语音,在本地调用语音识别ASR,将识别结果转化成自然文本,然后对识别出的文本进行语义理解,再对语义理解的结果做出一定处理并生成相应的结构化文本数据。语言采集服务支持XML、JSON、TXT等格式的文本输出,方便后端服务进行数据解析。
2)自然语言处理
自然语言处理服务主要实现对前端语音采集服务所采集数据进行医学文本结构化处理,转化为满足电子病历系统所需要的数据标准和格式。主要功能包括:对文本数据进行预处理,包括数据清洗、短句切分及主干提取等步骤,从中提取出所对应的文本信息;然后通过短句聚类和统计参数筛选实现样本描述模板的提取;最后利用模板对语音文本进行即时结构化处理,得到最终的结构化处理结果。
主要步骤有:
1、载入医学知识库;
2、读入电子病历文本;
3、利用正向最大匹配算法对短句进行分词,获取句子中的词语及其词性、相对位置关系;
4、判断短句中对疾病信息描述的语义正反;
5、提取疾病信息元素;
6、重复步骤2至5,直至获得电子病历中的全部感兴趣内容;
7、合并疾病信息元素的不同表达,根据医学同义词词库,将相同的疾病信息合并,去除冗余信息;
8、将疾病描述信息的元素以结构体/类的形式存储,完成结构化过程,能有效的从病历的描述性文本中提取疾病的相关信息,形成对疾病信息的结构化表达,如:有关的症状、体征、历史用药、不良反应、过敏史和家族史等结构化内容。
3)知识库推理机智能纠正
经过自然语言处理后的结构化数据字段,如:有关的症状、体征、历史用药、不良反应、过敏史和家族史等结构化内容,输入到基于三大知识库的智能推理机引擎中进行智能纠错和辅助推理,推理机实时进行结果输出并返回给电子病历系统,进行电子病历自动回填,并显性标识出“被干预”的内容,供医生确认和患者信息提交。
本实施例中,诊疗辅助系统还包括服务支撑模块,服务支撑模块包括四个子功能模块,分别是:
存储与检索功能模块,主要用于数据库的存储与检索,能够支撑不同数据结构的存储和快速检索;
运算功能模块,用于支撑系统的所有的运算功能,包括标注模型训练、知识图谱生成;
网络功能模块,主要用于在应用层面保证不同基层医疗的机构的接入质量和访问控制;
管理运维功能模块,负责整个系统的运维监控。
以上仅为本发明的部分实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有前述各种技术特征的组合和变型,本领域的技术人员在不脱离本发明的精神和范围的前提下,对本发明的改进、变型、等同替换,或者将本发明的结构或方法用于其它领域以取得同样的效果,都属于本发明包括的保护范围。
Claims (10)
1.一种全科医生诊疗辅助系统,其特征在于:包括数据库模块、诊疗辅助决策推理模块、基层医疗机构应用模块; 所述数据库模块,通过对医疗文献和诊疗指导资源的自动分析和知识抽取,形成方便推理与检索的知识体系;结合对原始医疗数据的抽取与清洗,将相互独立医疗数据转化成相互关联的医疗知识,作为全科医生诊疗辅助的理论和数据基础;所述诊疗辅助决策推理模块,充分利用数据库中的知识和数据,为全科医生的诊疗提供辅助支撑,具体包括三个子功能模块,分别是常见病诊疗辅助决策模块、常见病临床诊疗指导模块和安全用药智能提醒模块; 所述基层医疗机构应用模块,用于实现人机接口对话,并基于数据库模块和诊疗辅助决策推理模块为基层全科医生的诊疗提供辅助。
2.如权利要求1所述的一种全科医生诊疗辅助系统,其特征在于:所述数据库模块按功能划分为三个子数据库,分别是基层智能诊疗辅助决策支持知识库、安全用药知识库、病历资源案例库;
所述基层智能诊疗辅助决策支持知识库,由临床医学术语知识库及病历资源库组成;其中临床医学术语知识库以疾病为核心,建立涵盖身体结构、病因、病理、临床表现、临床诊断技术与方法、操作技术范畴的术语体系;并对同义术语进行归并、编辑与审核,形成临床医学概念,并建立各概念之间的语义关系;病历资源库用于存储和管理从医院的电子病历中抽取的相关命名实体及关系的信息,包括疾病名称、症状、体征、检查和治疗的信息;
所述安全用药知识库,用于储存和管理药品信息,药品信息涵盖通用名、剂型、功效分类、成份分类、主要成份、药品性状、溶媒分类、给药方式、ATC 编码、规格、特殊人群用药注意事项、特殊给药条件、药理机制和毒理机制信息;安全用药知识库还用于保存基于配伍禁忌、人群禁忌、过敏禁忌、症状禁忌和用法禁忌得出的药物与药物之间以及疾病与药物之间的关联规则信息;
所述病历资源案例库,用于存储医院积累多年的患者主诉信息和电子病案的描述内容,并利用所存储的信息来建立主诉信息与诊断之间的关系;同时还将诊断所需的检查、化验的历史记录存储,以便作为基层智能诊疗辅助决策支持知识库构建的数据源。
3.如权利要求2所述的一种全科医生诊疗辅助系统,其特征在于:所述数据库模块还包括医疗数据处理套件,医疗数据处理套件用于针对医院大量的医疗文本相关数据,利用深度学习和神经网络对医疗数据进行筛选,提供高质量的分析数据,以更快的形成对应的数据库。
4.如权利要求1所述的一种全科医生诊疗辅助系统,其特征在于:所述常见病诊疗辅助决策模块,以数据库模块中储存的相关医疗知识和数据为支撑,辅助全科医生收集信息,逐层推理给出需要考虑的疾病列表、对应的置信度、典型症状、诊断证据及依据供医生参考,同时对症状、体征、检查、检验信息进行鉴别解读,辅助基层医生筛查、判别初诊病人,避免重症、疑难症的漏诊。
5.如权利要求1所述的一种全科医生诊疗辅助系统,其特征在于:所述常见病临床诊疗指导模块,通过分类导航、主题检索方式,帮助基层全科医生了解基层医疗机构常见病、多发病、慢性病的诊疗信息,所述诊疗信息包括疾病定义、诊断要点、治疗方案及注意事项信息、历史优质相似病例信息。
6.如权利要求1所述的一种全科医生诊疗辅助系统,其特征在于:所述安全用药智能提醒模块,面向全科医生常见病用药安全需求,实现对药物-药物之间、药物-病人-疾病之间的禁忌审查与问题提醒,同时提供对常用药品的使用指导信息。
7.如权利要求6所述的一种全科医生诊疗辅助系统,其特征在于:所述安全用药智能提醒模块具体包括如下业务流程:
S1、事前监控;将安全用药知识库与基层医疗机构的业务系统进行无缝对接,实现每天对医生开具的用药处方进行实时评估、监控、拦截功能;
S2、事中干预;专业药师结合患者就诊记录对医生的医嘱实时进行合理性前置审方分析,对于人工审核仍然没有通过的处方医嘱,通过软件告知医生,请当事医生进行调整,精准把握医生用药,并给医生合理性的建议;
S3、事后分析;按照预先设计好的药品监控筛查制度,采用多维和立体的筛查指标,实时、动态地监控系统内单位时间内全部处方的药品使用情况,实现药品用量动态监测和超常预警;
S4、用药管理;实现药品全流程管理,包括药物警示、不良反应上报、药物选择分析、不良反应发生情况分析;
S5、统计上报; 快速智能分析不合理药物、并发症、药物不良反应的上报,并记录药物不良反应的迟报漏报。
8. 如权利要求1所述的一种全科医生诊疗辅助系统,其特征在于:所述基层医疗机构应用模块包括语音采集工具和语音处理组件,医生与患者之间的对话通过语音采集工具进行采集,经语音处理组件将其翻译为医疗文本,再使用自然语言处理 NLP技术,提取所述医疗文本中有关的症状、体征、历史用药、不良反应、过敏史和家族史内容,并自动填充至电子病历或居民健康档案中,同时将收集到的信息传输至数据库模块,经过诊疗辅助决策推理模块的推理,生成辅助决策信息。
9.如权利要求1所述的一种全科医生诊疗辅助系统,其特征在于:所述数据库模块在结构上分为三个子系统:
1)数据整理系统,主要包含数据抽取和数据清洗;通过自动化编排的数据抽取,在不需要改变医院和基层医疗机构现有的信息系统的基础上,对相关医疗数据进行抽取,结合数据清洗,形成可用于进一步分析的医疗数据;
2)自动化标注系统,主要包含实体识别和关系识别;针对大量的非结构化的医疗文本数据,通过训练好的模型和实体库,自动对医疗文本中的医疗命名实体进行识别,在命名实体自动识别的基础上,识别医疗文本中实体的相互关系;
3)知识检索系统,主要包含知识图谱与知识搜索;通过自动化标注系统识别的医疗实体与关系,建立针对医疗应用的实体多关系图,即医疗知识图谱,支持对实体概念和关系的搜索与推理;在知识图谱的基础上,对结构化的医疗病例建立知识索引,使得病例库支持知识驱动的检索。
10.如权利要求1所述的一种全科医生诊疗辅助系统,其特征在于:还包括服务支撑模块,服务支撑模块包括四个子功能模块,分别是:
存储与检索功能模块,主要用于数据库的存储与检索,能够支撑不同数据结构的存储和快速检索;
运算功能模块,用于支撑系统的所有的运算功能,包括标注模型训练、知识图谱生成;
网络功能模块,主要用于在应用层面保证不同基层医疗的机构的接入质量和访问控制;
管理运维功能模块,负责整个系统的运维监控。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210268392.4A CN114664463A (zh) | 2022-03-18 | 2022-03-18 | 一种全科医生诊疗辅助系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210268392.4A CN114664463A (zh) | 2022-03-18 | 2022-03-18 | 一种全科医生诊疗辅助系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114664463A true CN114664463A (zh) | 2022-06-24 |
Family
ID=82029586
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210268392.4A Pending CN114664463A (zh) | 2022-03-18 | 2022-03-18 | 一种全科医生诊疗辅助系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114664463A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114822880A (zh) * | 2022-06-30 | 2022-07-29 | 北京超数时代科技有限公司 | 一种基于国产自主可控的医院诊疗信息系统 |
CN115083616A (zh) * | 2022-08-16 | 2022-09-20 | 之江实验室 | 一种基于自监督图聚类的慢性肾病亚型挖掘系统 |
CN116166698A (zh) * | 2023-01-12 | 2023-05-26 | 之江实验室 | 一种基于通用医疗术语的快速构建队列方法及系统 |
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系统 |
-
2022
- 2022-03-18 CN CN202210268392.4A patent/CN114664463A/zh active Pending
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114822880A (zh) * | 2022-06-30 | 2022-07-29 | 北京超数时代科技有限公司 | 一种基于国产自主可控的医院诊疗信息系统 |
CN115083616A (zh) * | 2022-08-16 | 2022-09-20 | 之江实验室 | 一种基于自监督图聚类的慢性肾病亚型挖掘系统 |
CN115083616B (zh) * | 2022-08-16 | 2022-11-08 | 之江实验室 | 一种基于自监督图聚类的慢性肾病亚型挖掘系统 |
JP7404581B1 (ja) | 2022-08-16 | 2023-12-25 | 之江実験室 | 自己監督グラフクラスタリングに基づく慢性腎症亜型マイニングシステム |
CN116166698A (zh) * | 2023-01-12 | 2023-05-26 | 之江实验室 | 一种基于通用医疗术语的快速构建队列方法及系统 |
CN116166698B (zh) * | 2023-01-12 | 2023-09-01 | 之江实验室 | 一种基于通用医疗术语的快速构建队列方法及系统 |
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系统 |
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系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8086468B2 (en) | Method for computerising and standardizing medical information | |
US20060136259A1 (en) | Multi-dimensional analysis of medical data | |
US9153142B2 (en) | User interface for an evidence-based, hypothesis-generating decision support system | |
Meystre et al. | Natural language processing to extract medical problems from electronic clinical documents: performance evaluation | |
US9703927B2 (en) | System and method for optimizing and routing health information | |
JP2022526242A (ja) | テキストドキュメントのアノテーションのための方法、装置、およびシステム | |
AU2019240633A1 (en) | System for automated analysis of clinical text for pharmacovigilance | |
EP3977343A1 (en) | Systems and methods of clinical trial evaluation | |
CN114664463A (zh) | 一种全科医生诊疗辅助系统 | |
CN114026651A (zh) | 结构化患者数据记录的自动生成 | |
Roque et al. | A comparison of several key information visualization systems for secondary use of electronic health record content | |
US20180121606A1 (en) | Cognitive Medication Reconciliation | |
CN110532367A (zh) | 一种信息提示方法及系统 | |
Fang et al. | Combining human and machine intelligence for clinical trial eligibility querying | |
Keenan et al. | The HANDS project: studying and refining the automated collection of a cross-setting clinical data set | |
Sarkar | Methods in biomedical informatics: a pragmatic approach | |
Cimino | Distributed cognition and knowledge-based controlled medical terminologies | |
CN115455973A (zh) | 一种基于真实世界研究的淋巴瘤研究数据库建设及应用方法 | |
Machado et al. | Applying Business Intelligence to Clinical and Healthcare Organizations | |
Berlanga et al. | Medical data integration and the semantic annotation of medical protocols | |
Cui | Ontology-guided health information extraction, organization, and exploration | |
Lin et al. | Improving the Quality and Utility of Electronic Health Record Data through Ontologies | |
Valentini | Ontology-based Data Management in Healthcare | |
Collen et al. | Development of medical information systems (MISs) | |
Hovenga et al. | Health data standards’ limitations |
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 |