CN105956362B - 一种可信的病历结构化方法及系统 - Google Patents

Abstract

本发明公开了一种可信的病历结构化方法及系统，该方法包括建立特征词数据集并赋予修饰词可信度，建立特征词关联图表，对描述语句进行分词并计算语句中每个特征名词的可信度，最后进行人工训练，得到描述语句的结构化表示。相比现有技术，本发明更适合计算机处理，大大提高了效率，同时通过标识数据可信度，使得结构化数据更容易做进一步处理。

Description

一种可信的病历结构化方法及系统

【技术领域】

本发明属于电子病历领域，涉及对电子病历数据的处理和统计分析，尤其涉及一种可信的病历结构化方法及系统。

【背景技术】

近年来，随着医疗信息化的发展，患者的病历也逐渐电子化，电子病历具有纸质病历所不具备的优点，例如便于保存、传阅、检索，可以对电子病历进行数据挖掘，进一步开发病历的价值。因此，如何有效利用电子病历数据是现在医疗信息化中的重要研究方向。

电子病历中已有的结构化数据，包括数值型数据以及具有固定值集合的数据是比较利于数据挖掘的，例如年龄、性别、各种医学指标等，计算机比较好处理。但是，电子病历中还有一些描述性的信息，这些信息通常都是医生撰写的、用于描述病人状况的语言，这些语言比较随意，有时描述的比较模糊，和医生的具体撰写风格有关。但这些信息又比较重要，尤其是一些结论性的描述信息。由于这些描述信息没有进行结构化处理和存储，计算机处理起来很困难，无法对该类数据进行统计分析。

现有技术中，对于这类信息的数据处理方法通常采用字符模式匹配的方法，以从中提取关键结构化数据。但是，模式匹配方法编写规则复杂，匹配程度低，无法对匹配数据进行可信度计算，无法结构化一些模糊性的描述数据(例如“疑似”)，导致查询的时候很难获取或排序这部分数据。

【发明内容】

本发明主要提供了一种可信的病历结构化方法及系统，通过对病历中的描述性语言进行词性分类，以及赋予可信度值，从而使得这类描述性语言变换成结构化数据。

为了达到上述目的，本发明提出的可信的病历结构化方法包括如下步骤：

(1)定义特征词数据集并保存于数据库中，所述特征词数据中的每个特征词具有类别，所述类别包括：特征名词、修饰词；

(2)为所述特征词数据集中的每个修饰词分别赋予一个缺省可信度，所述缺省可信度是一个0到1之间的数值；

(3)建立特征词关联表，所述特征词关联表用于记录特征词数据集中每个特征名词与修饰词的关联可信度，所述关联可信度的初始值为相应修饰词的缺省可信度；

(4)对于病历中的每一个描述语句，基于特征词数据集进行分词，得到特征词序列集合。对于该集合中的任意一个特征名词A₀，获取A₀和前一个特征名词或标点符号之间的修饰词，同时获取A₀和后一个特征名词或标点符号之间的修饰词，设这些修饰词共有n个，分别为B₁，B₂，……，B_n，根据特征词关联表获取A₀与B_i的关联可信度β_i(1≤i≤n)，通过下述公式计算该描述语句中该特征名词A₀的可信度β，即：

(5)人工训练步骤，即如果一个描述语句中有一个特征名词的可信度大于0且小于1，则对该描述语句的可信度计算结果进行人工干预审核；然后将该描述语句中的每个特征名词和相应可信度组合构成该描述语句的结构化数据；

(6)基于人工干预审核的结果，对特征词数据集和特征词关联表进行更新或修改。

进一步地，所述特征名词是由符合世界卫生组织《疾病和有关健康问题的国际统计分类(ICD-10)》分类和命名的疾病名词、检验检查名词、诊断结论名词、药品名称组成的标准特征名词。

进一步地，在数据库中建立非标准名词和标准特征名词的映射表，并且步骤4包括：根据该映射表将描述语句中的非标准名词转换为标准特征名词。

进一步地，特征词数据集在建立以后，可以通人工训练的方式加入新的特征词，并赋予其类别。

本发明还提出了一种可信的病历结构化系统，该系统包括：

定义模块，用于定义特征词数据集并保存于数据库中，所述特征词数据中的每个特征词具有类别，所述类别包括：特征名词、修饰词；

可信度赋值模块，用于为所述特征词数据集中的每个修饰词分别赋予一个缺省可信度，所述缺省可信度是一个0到1之间的数值；

建表模块，用于建立特征词关联表，所述特征词关联表用于记录特征词数据集中每个特征名词与修饰词的关联可信度，所述关联可信度的初始值为相应修饰词的缺省可信度；

分析模块，用于对于病历中的每一个描述语句，基于特征词数据集进行分词，得到特征词序列集合。并且对于该集合中的任意一个特征名词A₀，获取A₀和前一个特征名词或标点符号之间的修饰词，同时获取A₀和后一个特征名词或标点符号之间的修饰词，设这些修饰词共有n个，分别为B₁，B₂，……，B_n，根据特征词关联表获取A₀与B_i的关联可信度β_i(1≤i≤n)，通过下述公式计算该描述语句中该特征名词A₀的可信度β，即：

人工训练和组合模块，用于当一个描述语句中有一个特征名词的可信度大于0且小于1时，对该描述语句的可信度计算结果进行人工干预审核；然后将该描述语句中的每个特征名词和相应可信度组合构成该描述语句的结构化数据；

更新模块，用于基于人工干预审核的结果，对特征词数据集和特征词关联表进行更新或修改。

本发明的有益效果是：相比传统的人工方法，本发明更适合计算机处理，大大提高效率，同时相比模式匹配数据提取的方法，增加了提取数据的可信度计算，并可以通过人工训练更适合的特征词和关联关系来提高病历数据结构化的可信度。对标识可信度的数据，更很容易根据数据的可信度对检索结果进行排序，更容易做进一步处理。

【附图说明】

此处所说明的附图是用来提供对本发明的进一步理解，构成本申请的一部分，但并不构成对本发明的不当限定，在附图中：

图1是本发明方法的示意图。

【具体实施方式】

下面将结合附图以及具体实施例来详细说明本发明，其中的示意性实施例以及说明仅用来解释本发明，但并不作为对本发明的不当限定。

本发明的主要思想是，定义描述性语言中可能出现的特征词及其类别，对可能出现的修饰词赋予可信度，对病历中的描述性语言进行分词，对分词后的特征词序列进行转换和可信度计算，从而得到结构化的数据。

参见图1，本发明的可信病历结构化方法具体步骤如下：

(1)定义特征词数据集，每个特征词具有类别，所述类别包括：特征名词、修饰词。并将该特征词数据集(包括各个特征词及其相应类别)保存在数据库中。

为了对病历中的描述性语言进行结构化，我们首先需要定义描述性语言中可能出现的重要的特征词，这些重要的特征词有上述两种类别。其中特征名词由符合世界卫生组织《疾病和有关健康问题的国际统计分类(ICD-10)》分类和命名的疾病名词、检验检查名词、诊断结论名词、药品名称组成。修饰词由字典修饰词组成。

举例而言，病历中出现描述性语言：“疑似高血压”。这里，“高血压”是一个特征名词，“疑似”是一个修饰词。同理，描述性语言“是糖尿病不是心脏病”，这里“是”和“不是”都是修饰词，“糖尿病”和“心脏病”都是特征名词。

需要说明的是，特征词数据集中的特征名词都是标准特征名词，但是在实际应用中，医生可能会使用一些非标准名词，因此还需要在数据库中建立非标准名词和标准特征名词的映射表，这样在分析描述性语言时，可以直接将名词都转换成标准特征名词。

特征词数据集在建立以后，可以通人工训练的方式加入新的特征词，并赋予其类别。

(2)给特征词数据集中的每个修饰词分别赋予一个缺省可信度。所述可信度是一个0到1之间的数值。

上述可信度用于给每个修饰词一个量化的含义，其代表了该修饰词所修饰名词的可能性，以方便后续的结构化处理。例如，修饰词“大概”的缺省可信度设置为0.5，修饰词“是”的缺省可信度设置为1，修饰词“不是”的缺省可信度设置为0。

(3)建立特征词关联表。所述特征词关联表用于记录特征词数据集中每个标准特征名词与修饰词的关联可信度。

在初始建立特征词关联表时，每个关联可信度都设置成相应修饰词的缺省可信度。初始的特征词关联表可能并不全，之后可以通过人工训练的方式加入新的内容。以下是特征词关联表的一个例子：

标准特征名词	修饰词	关联可信度
			糖尿病	是	1
糖尿病	不是	0
			糖尿病	无	0
糖尿病	疑似	0.5

(4)对于病历中的每一个描述性语句，基于特征词数据集进行分词(如果其中有非标准名词，根据数据库中的映射表先将其转换成标准特征名词)，得到一个特征词序列集合。对于集合中的任意一个特征名词A₀，获取A₀和前一个特征名词或标点符号(两者取最近的)之间的修饰词，同时获取A₀和后一个特征名词或标点符号(两者取最近的)之间的修饰词。假设这些修饰词共n个，分别为B₁，B₂，……，B_n，根据特征词关联表获取A₀与B_i的关联可信度β_i(1≤i≤n)，据此可以通过下述公式计算该描述语句中该特征名词A₀的可信度β，即：

该可信度β实际上就代表了该特征名词A₀的可能性或真实性。

举例而言，对于描述语句“是糖尿病不是心脏病”，可以拆成特征词序列集合{是，糖尿病，不是，心脏病}，其中“糖尿病”前后有两个修饰词：“是”和“不是”，“糖尿病”与“是”的关联可信度为β₁＝1，“糖尿病”与“不是”的关联可信度为β₂＝0。则糖尿病在该描述语句中的可信度β＝(1+0)/2＝0.5。而“心脏病”前后只有一个修饰词“不是”，则同理可计算出其可信度为0。

(5)人工训练。对于一个描述语句中每个特征名词的可信度，如果存在一个可信度β，满足0<β<1，则对该描述语句的可信度计算结果进行人工干预审核。最终该描述语句中的每个特征名词和可信度一起，构成了该描述语句的结构化数据。

正如步骤4中的例子，描述语句对于糖尿病的判断实际是肯定的，其可信度应该为1，但是计算出来的糖尿病可信度却只有0.5，结果出现了偏差，这种情况下需要进行人工干预审核，将糖尿病的可信度修改为1。这主要是由于医生撰写不严格导致的，如果描述语句是“是糖尿病，不是心脏病”，那么步骤4就能正确计算出糖尿病的可信度为1。

(6)基于人工干预审核的结果，对特征词数据集和特征词关联表进行更新或修改。这可能会导致新增特征词，或新增、修改特征名词与修饰词的关联可信度。

以下通过两个具体实施例说明本发明的技术方案。

具体实施例一：

病历1，病史小节：“有糖尿病史，可能有高血压”。

(1)建立特征词数据集包括：特征名词集合{糖尿病，高血压}，修饰词集合{有(缺省可信度1)，无(缺省可信度0)，可能(缺省可信度0.5)}。

(2)建立每个特征名词与每个修饰词的关联可信度，其关联可信度就是上述缺省可信度。

(3)对病历1病史小节的描述性语句进行分词，获得特征词序列集合：{有，糖尿病，可能，有，高血压}。

(4)对“糖尿病”，其前后修饰词只有“有”，则其可信度为1/1＝1，对“高血压”，其前后修饰词包括“可能”、“有”，则其可信度为(0.5+1)/2＝0.75。

(5)得到病历1病史小节的结构化数据，即：

特征名词	可信度
		糖尿病	1
高血压	0.75

具体实施例二：

病历2，病史小节：“无糖尿病，有高血压，疑似冠心病。”

(1)建立特征词数据集包括：特征名词集合{糖尿病，高血压，冠心病}，修饰词集合{有(缺省可信度1)，无(缺省可信度0)，可能(缺省可信度0.5)，疑似(缺省可信度0.5)}。

(2)建立每个特征名词与每个修饰词的关联可信度，其关联可信度就是上述缺省可信度。

(3)对病历2病史小节的描述性语句进行分词，获得特征词序列集合：{无，糖尿病，有，高血压，疑似，冠心病}。

(4)对糖尿病、高血压、冠心病的可信度进行计算，从而得到病历2病史小节的结构化数据，即：

特征名词	可信度
		糖尿病	0
高血压	1
		冠心病	0.5

通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本申请可借助软件加必需的通用硬件平台的方式来实现，也可以使用专用的硬件平台来实现。基于这样的理解，本申请的技术方案可以以软件产品的形式体现出来，也可以使用相应的硬件模块来体现。

以上所述仅是本发明的较佳实施方式，故凡依本发明专利申请范围所述的构造、特征及原理所做的等效变化或修饰，均包括于本发明专利申请范围内。

Claims (8)

1.一种可信的病历结构化方法，其特征在于，该方法包括如下步骤：

(1)定义特征词数据集并保存于数据库中，所述特征词数据中的每个特征词具有类别，所述类别包括：特征名词、修饰词；

(2)为所述特征词数据集中的每个修饰词分别赋予一个缺省可信度，所述缺省可信度是一个0到1之间的数值；

(3)建立特征词关联表，所述特征词关联表用于记录特征词数据集中每个特征名词与修饰词的关联可信度，所述关联可信度的初始值为相应修饰词的缺省可信度；

(4)对于病历中的每一个描述语句，基于特征词数据集进行分词，得到特征词序列集合，对于该集合中的任意一个特征名词A₀，获取A₀和前一个特征名词或标点符号之间的修饰词，同时获取A₀和后一个特征名词或标点符号之间的修饰词，设这些修饰词共有n个，分别为B₁，B₂，……，B_n，根据特征词关联表获取A₀与B_i的关联可信度β_i，1≤i≤n，通过下述公式计算该描述语句中该特征名词A₀的可信度β，即：

(5)人工训练步骤，即如果一个描述语句中有一个特征名词的可信度大于0且小于1，则对该描述语句的可信度计算结果进行人工干预审核；然后将该描述语句中的每个特征名词和相应可信度组合构成该描述语句的结构化数据；

(6)基于人工干预审核的结果，对特征词数据集和特征词关联表进行更新或修改。

2.根据权利要求1所述的可信的病历结构化方法，其特征在于，所述特征名词是由符合世界卫生组织《疾病和有关健康问题的国际统计分类(ICD-10)》分类和命名的疾病名词、检验检查名词、诊断结论名词、药品名称组成的标准特征名词。

3.根据权利要求1-2任意一项所述的可信的病历结构化方法，其特征在于，在数据库中建立非标准名词和标准特征名词的映射表，并且步骤(4)包括：根据该映射表将描述语句中的非标准名词转换为标准特征名词。

4.根据权利要求1-2任意一项所述的可信的病历结构化方法，其特征在于，特征词数据集在建立以后，可以通人工训练的方式加入新的特征词，并赋予其类别。

5.一种可信的病历结构化系统，其特征在于，该系统包括：

定义模块，用于定义特征词数据集并保存于数据库中，所述特征词数据中的每个特征词具有类别，所述类别包括：特征名词、修饰词；

可信度赋值模块，用于为所述特征词数据集中的每个修饰词分别赋予一个缺省可信度，所述缺省可信度是一个0到1之间的数值；

建表模块，用于建立特征词关联表，所述特征词关联表用于记录特征词数据集中每个特征名词与修饰词的关联可信度，所述关联可信度的初始值为相应修饰词的缺省可信度；

分析模块，用于对于病历中的每一个描述语句，基于特征词数据集进行分词，得到特征词序列集合，并且对于该集合中的任意一个特征名词A₀，获取A₀和前一个特征名词或标点符号之间的修饰词，同时获取A₀和后一个特征名词或标点符号之间的修饰词，设这些修饰词共有n个，分别为B₁，B₂，……，B_n，根据特征词关联表获取A₀与B_i的关联可信度β_i，1≤i≤n，通过下述公式计算该描述语句中该特征名词A₀的可信度β，即：

人工训练和组合模块，用于当一个描述语句中有一个特征名词的可信度大于0且小于1时，对该描述语句的可信度计算结果进行人工干预审核；然后将该描述语句中的每个特征名词和相应可信度组合构成该描述语句的结构化数据；

更新模块，用于基于人工干预审核的结果，对特征词数据集和特征词关联表进行更新或修改。

6.根据权利要求5所述的可信的病历结构化系统，其特征在于，所述特征名词是由符合世界卫生组织《疾病和有关健康问题的国际统计分类(ICD-10)》分类和命名的疾病名词、检验检查名词、诊断结论名词、药品名称组成的标准特征名词。

7.根据权利要求6所述的可信的病历结构化系统，其特征在于，在数据库中建立非标准名词和标准特征名词的映射表，并且分析模块根据该映射表将描述语句中的非标准名词转换为标准特征名词。

8.根据权利要求5所述的可信的病历结构化系统，其特征在于，特征词数据集在建立以后，可以通人工训练的方式加入新的特征词，并赋予其类别。