CN106682397B - 一种基于知识的电子病历质控方法 - Google Patents
一种基于知识的电子病历质控方法 Download PDFInfo
- Publication number
- CN106682397B CN106682397B CN201611131938.2A CN201611131938A CN106682397B CN 106682397 B CN106682397 B CN 106682397B CN 201611131938 A CN201611131938 A CN 201611131938A CN 106682397 B CN106682397 B CN 106682397B
- Authority
- CN
- China
- Prior art keywords
- data
- medical record
- quality control
- stage
- knowledge base
- 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.)
- Active
Links
- 238000003908 quality control method Methods 0.000 title claims abstract description 44
- 238000012937 correction Methods 0.000 claims abstract description 24
- 238000000034 method Methods 0.000 claims abstract description 15
- 238000001514 detection method Methods 0.000 claims abstract description 13
- 238000007689 inspection Methods 0.000 claims abstract description 13
- 238000012545 processing Methods 0.000 claims abstract description 10
- 238000005070 sampling Methods 0.000 claims abstract description 9
- 238000004458 analytical method Methods 0.000 claims abstract description 5
- 230000006870 function Effects 0.000 claims description 10
- 239000003814 drug Substances 0.000 claims description 8
- 238000002372 labelling Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 8
- 229940079593 drug Drugs 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000011282 treatment Methods 0.000 claims description 5
- 238000003556 assay Methods 0.000 claims description 4
- 238000003745 diagnosis Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 claims description 4
- 238000007619 statistical method Methods 0.000 claims description 4
- 238000013479 data entry Methods 0.000 claims description 3
- 201000010099 disease Diseases 0.000 claims description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 230000015572 biosynthetic process Effects 0.000 claims description 2
- 238000011835 investigation Methods 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims description 2
- 230000011218 segmentation Effects 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 11
- 238000013461 design Methods 0.000 abstract description 7
- 230000010354 integration Effects 0.000 abstract description 5
- 238000007405 data analysis Methods 0.000 abstract description 4
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 238000007726 management method Methods 0.000 abstract description 3
- 240000007651 Rubus glaucus Species 0.000 abstract description 2
- 235000011034 Rubus glaucus Nutrition 0.000 abstract description 2
- 235000009122 Rubus idaeus Nutrition 0.000 abstract description 2
- 230000001360 synchronised effect Effects 0.000 abstract description 2
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000013500 data storage Methods 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 238000001356 surgical procedure Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000000968 medical method and process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 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
- 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
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Machine Translation (AREA)
Abstract
本发明公开了一种基于知识的电子病历质控方法，其设计结构为闭环式，初期阶段设计制定质控的语义判断规则及录入时限规则；中期数据进入以树莓派为核心设计的移动终端，终端内嵌结合NLP自然语言学习技术的分析模块以进行病历数据质控；质控完成后同步数据上传至数据中心予以保存和管理；数据中心通过大数据分析技术获取病历数据中的常用模板，创建纠错知识库，设计并搭建数据库与集成环境，实现与错误检测质控终端的内部模块间的数据共享；且本方法将定期对数据中心的数据进行抽样检查，以进一步保证数据正确性。据此设计的电子病历质控方法可以实现对结构化病历数据的检错、整合、分析，充分利用了智能医疗环境下的大量数据及人工智能处理技术，减少了病历质控的成本，构建纠错知识库，提高了质控算法及规则的质量。
Description
技术领域
本发明涉及电子病历质控领域，具体涉及一种基于知识的电子病历质控方法。
背景技术
病历客观了反映病人病情的发生、发展和转归的全过程，不仅是医疗、教学、科研及保健等工作的基础资料，更是解决医疗纠纷、判定法律责任的事实依据。病历质量的优劣，直接或间接地反映医疗质量的高低。随着医疗技术的发展，医疗体系对结构良好、容易检索的病人数据的需求日益增长，电子病历EMR(Electronic Medical Record)也就应运而生。而电子病历并非简单的病历的电子存储，它实质上是医疗过程信息化的重要组成部分，是以病人为中心的信息集成，是医院所有业务的有机融合，是对医疗信息及其相关处理过程综合化的体现。
针对电子病历日益普及的现状，电子病历质控已成为国内刚刚发展起来的一项新型的电子网络质控模式，它具有突出的功能优势和高效率的质控运行能力，在病历质控方面有着良好的应用价值和开发应用空间，特别是在基层医院推广应用具有现实意义，这一质控模式对提高医院病历质控效果和病历质量，提升医院医疗质量管理发挥着重要作用。而现行医疗环境下，使用的电子病历质控的主要方式是人工检查，计算机仅起到辅助识别及存储的作用，并未将新兴的人工智能技术运用其中，无法满足智能医疗市场的需求。
发明内容
为了解决上述问题，本发明设计了一种基于知识的电子病历质控方法，可以实现对结构化病历数据的检错、整合、分析，充分利用了智能医疗环境下的大量数据及人工智能处理技术，减少了病历质控的成本，构建纠错知识库，提高了质控算法及规则的质量，有效的改善了现有技术的问题。
为了实现上述目的，本发明采用的技术方案如下：
一种基于知识的电子病历质控方法，实施流程如下：
(1)病例结构化设计：以临床知识结构为背景，采用面向对象的结构化模型对病历数据进行分析，产生一个统一的病历结构化模型，每一份病历文件都是由不同层次的对象组合而成，对于疾病和药物采用编码类型进行描述，对于事件、病史和治疗采用自然语言进行描述，对一个事件的相关数据使用三个时间进行标记，即数据录入时间、数据获得理解的时间、该理解被应用的时间，模型内部可实现数据处理和转换。
(2)按照(1)中预先设定的时限规则及语义规则录入病历数据。
(3)纠错检查：首先采用事先训练的条件随机场模型从病历中识别出命名实体，然后采用正则化匹配算法将上一步获得的命名实体类型及名字与知识库中的靶词条匹配，判断该实体信息的临床规范性，若该实体信息符合规范，则进行二元接续性检查，判断该实体与上下文的连接性，从而判断其正确性，最后给出判断结果，若结果不正确，则反馈给在线病历录入负责人，重复上述1、2步骤。
(4)将质控合格的病历上传至数据中心，将定期自动抽查数据中心中的病历数据并给出抽查结果，若不合格，则返回步骤(2)重新录入该数据。
(5)纠错知识库的学习：上传至数据中心的病历划分为5种字典类型，即诊断、检查、化验、手术和用药，分别对其进行统计分析，建立知识库。首先，语料集采用的是基于临床专业字典的分词工具ICTCLAS2015；其次，语料集的标注采用“BIEO”标注方式；最后，采用5种特征作为特征集，并用于条件随机场模型的训练。纠错知识库通过自学习实现自动更新，强化质控效果。
进一步地，所述步骤(3)中，二元接续性分析的具体步骤：在判断待查词条与上下文的接续性时，考察的优先级顺序:词同现概率>词互信概率>词性同现概率。显而易见地，这三个评判指标的严格程度是不断下降的，若都无法达到阈值，就可以判定待查词条为错误信息了。
进一步地，所述步骤(3)中，以字典数据为靶词条的匹配过程中，考虑到命名实体识别的结果存在一定的偏差，特别是对于实体边际的精准度；所以匹配的流程以正则匹配(头尾两字为约束条件)作为初步判断，并根据实体所处的上下文信息进行正向和反向最大匹配；避免由于命名实体识别不准确导致的误查错。
进一步地，所述步骤(5)中，标注方法采用的是“BIOE”的标注方式，便于机器对于字符特征的充分利用以及对词语边界的统计学习。“B”表示标记对象的起始字符，“I”表示标记对象的中间字符，“E”表示标记对象的结束字符，而“O”则表示无关字符。
进一步地，所述步骤(5)中，5种特征包括字符特征、词性特征、构词特征、区域特征及上下文窗口特征，其中前四个特征用于定义条件随机场模型中的特征函数，而上下文窗口特征是用于定义模型在求取各特征函数的最优参数时，能利用的上下文范围。
本发明有益效果为：
(1)本发明采用的面向对象的结构化设计可以适应不同病例的结构化处理，病例结构化程度高、数据粒度细，可以实现数据的单位转换以及绝对时间和相对时间的转换，数据存储方式可以满足海量数据分析的要求，保证了数据的完整性、有效性、可用性。
(2)本发明中，知识库是通过语料集处理、语料标注以及特征集组合进行自学习，得到F值高达88.89％的基于条件随机场的命名实体识别模型，这种自学习方式的学习效率高，可自行迭代，减少人工成本。并伴随着数据量的增加，知识库更加完善，模型的识别能力越强，纠错检查功能越强。
(3)本发明采用了正则匹配、正向最大化匹配、反向最大化匹配等自然语言处理技术，显著降低了由于词条匹配问题导致的漏检和误检率，并在此基础上，利用二元接续性和互信息理论，通过对待校验词的上下文同现概率进行审核，最终实现了完整的智能错误检测功能。
附图说明
以下结合附图和具体实施方式来进一步说明本发明。
图1为现有常用电子病历质控流程示意图；
图2为本发明实例中的电子病历质控方法实施方案的示意图。
具体实施方式
为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体图示，进一步阐述本发明。然而，本领域的技术人员容易理解，实例所描述的内容仅用于说明本发明，而不应当也不会限制权利要求书中所详细描述的本发明。
本实例在保留现有结构优点的情况下，结合计算机技术、大数据分析技术以及软件集成技术实现了一种不同于传统实现方式的电子病历质控方法。参见图2，其所示为本实例中提供的电子病历质控方法的示意图。由图2可知，该基于知识的电子病历质控方法100主要由病历数据结构化阶段110、纠错检查阶段120、知识库学习阶段130以及抽样检查阶段140四部分组成。
其中，病历数据结构化阶段110采用面向对象的结构化模型对病历数据进行分析，产生统一的病历结构化模型；进入纠错检查阶段120，该阶段对录入的病历数据进行临床规范性检测，若检测通过，则上传至数据中心；数据中心的数据供知识库学习阶段130学习，并获取新的知识，返回纠错检查阶段120，优化质控规则；抽样检查阶段140定期从数据中心抽取病历数据传入到纠错检查阶段120，进行重复检查，加强质控。
病历数据结构化阶段110以临床知识结构为背景，采用质控规则111，产生统一的病历结构化模型。其中，语义规则是指对疾病和药物采用编码类型进行描述，以及对事件、病史和治疗采用自然语言描述；时限规则是指对一个事件的相关数据使用三个时间进行标记，即数据录入时间、数据获得理解的时间、该理解被应用的时间。根据预设置的质控规则111进行病历录入112。
纠错检查阶段120以树莓派为核心设计的移动终端121对录入的病历数据进行纠错检查，并给出检查结果122。若检查结果不合格，则反馈给病历录入112；若检查结果合格，则同步数据上传至数据中心123予以保存和管理。
知识库学习阶段130首先将数据中心的病历划分为5种字典类型，即诊断、检查、化验、手术和用药，分别对其进行数据统计分析131，建立纠错知识库132，并将知识库学习到的新知识应用于纠错检查阶段120，实现增量学习。
数据统计分析131采用临床专业字典作为语料集，采用“BIEO”进行语料标注。最后，采用5种特征作为特征集，包括字符特征、词性特征、构词特征、区域特征及上下文窗口特征，用于条件随机场模型的训练。
纠错知识库132用于存储学习到的知识以及条件随机场模型，供移动终端调用。
抽样检查阶段140实现了定期从数据中心123抽取病历数据，传入到纠错检查阶段120中的移动终端121，进行重复检查，加强质控。
具体的：
本发明中的条件随机场是一种无向图模型，它是在给定需要标记的观察序列的条件下，计算整个标记序列的联合概率分布，而不是在给定当前状态条件下，定义下一个状态的状态分布。即给定观察序列O，求最佳序列S。该算法的优点是：不需要严格的独立性假设条件，因此，它可以容纳任意的上下文信息，设计灵活；克服了最大熵马尔可夫模型标记偏置的缺点；
条件随机场模型的分解式：
Z(O)＝∑S∏c∈Cψc(c,O)
条件随机场的原理：
(1)目标函数：基于最大熵原则进行建模，定义样本条件熵：
(2)运用拉格朗日乘数法，求解出条件随机场的分布如下：
Z(O)＝∑Sexp(∑k∑c∈cμkfk(Sc,O,C))
本发明中二元连续性检查是基于n-gram模型提出的，即当考虑字符Wi的正确性时，只需要考虑它与wi-1以及wi+1紧密程度，如若Wi出错，其与wi-1以及wi+1的连续性一定比普通情况要弱。二元连续性关系广泛应用于文本差错中，在本发明中，采用设置阈值(τ)的方式来判断相邻字符间的连续性：
p(wi-1wi)≥τ
但是仅考虑词同现概率作为文本差错的绝对指标，可能会造成差错的准确率较低，主要是由于医学中生疏词汇的存在，因此仅以词同现概率为指标，无法断定这两个字之间不存在强连续性。因此，在二元连续性检查中，引入了互信息概念，以下公式对于生疏但关联性极强的词汇将会得到一个较大的正数：
本发明采用了600份电子病历，共含有27019个句子和361779个字符。其中诊断命名实体占总实体数的6.71％，检查命名实体占总实体数的33.09％，化验命名实体占实体总数的30.60％，手术命名实体占总实体数的15.40％，用药命名实体占总实体数的14.20％。实验结果：平均准确率84.92％，平均召回率89.16％，平均F值为86.99％，实验采用的计算机配置如下，处理器：3.2GHZ，操作系统：windows10，内存：8G。
基于上述，本发明采用的面向对象的结构化设计可以适应不同病例的结构化处理，病例结构化程度高、数据粒度细，可以实现数据的单位转换以及绝对时间和相对时间的转换，数据存储方式可以满足海量数据分析的要求，保证了数据的完整性、有效性、可用性。本发明中，知识库是通过语料集处理、语料标注以及特征集组合进行自学习，得到F值高达88.89％的基于条件随机场的命名实体识别模型。本发明采用了正则匹配、正向最大化匹配、反向最大化匹配等自然语言处理技术，显著降低了由于词条匹配问题导致的漏检和误检率，并在此基础上，利用二元接续性和互信息理论，通过对待校验词的上下文同现概率进行审核，最终实现了完整的错误检测功能。此外，本发明具有自学习功能，随着数据增加，知识库更加完善，模型的识别能力越强，纠错检查功能越强。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (3)
1.一种基于知识的电子病历质控方法，其特征在于，所述电子病历质控方法由病历数据结构化阶段、纠错检查阶段、知识库学习阶段以及抽样检查阶段四部分组成，病历数据结构化阶段采用面向对象的结构化模型对病历数据进行分析，产生统一的病历结构化模型；进入纠错检查阶段，该阶段对录入的病历数据进行临床规范性检测，若检测通过，则上传至数据中心；数据中心的数据供知识库学习阶段学习，并获取新的知识，返回纠错检查阶段，优化质控规则；抽样检查阶段定期从数据中心抽取病历数据传入到纠错检查阶段，进行重复检查，加强质控；
(1)病历数据结构化阶段：以临床知识结构为背景，采用面向对象的结构化模型对病历数据进行分析，采用质控规则产生统一的病历结构化模型，质控规则包括语义规则和时限规则，其中语义规则对疾病和药物采用编码类型进行描述，以及对事件、病史和治疗采用自然语言描述；时限规则对一个事件的相关数据使用三个时间进行标记，即数据录入时间、数据获得理解的时间、该理解被应用的时间，模型内部可实现数据处理和转换；并按照预先设定的时限规则及语义规则录入病历数据；
(2)纠错检查阶段：首先采用事先训练的条件随机场模型从病历中识别出命名实体，然后采用正则化匹配算法将上一步获得的命名实体类型及名字与知识库中的靶词条匹配，判断该实体信息的临床规范性，若该实体信息符合规范，则进行二元接续性检查，判断该实体与上下文的连接性，从而判断其正确性，最后给出判断结果，若结果不正确，则反馈给在线病历录入负责人，重复上述步骤(1)；
(3)抽样检查阶段：将质控合格的病历上传至数据中心，将定期自动抽查数据中心中的病历数据并给出抽查结果，若不合格，则返回步骤(1)重新录入该数据；
(4)知识库学习阶段：上传至数据中心的病历划分为5种字典类型，即诊断、检查、化验、手术和用药，分别对其进行统计分析，建立知识库；首先，语料集采用的是基于临床专业字典的分词工具ICTCLAS2015；其次，语料集的标注采用“BIEO”标注方式：“B”表示标记对象的起始字符，“I”表示标记对象的中间字符，“E”表示标记对象的结束字符，而“O”则表示无关字符；最后，采用5种特征作为特征集，并用于条件随机场模型的训练，5种特征包括字符特征、词性特征、构词特征、区域特征及上下文窗口特征，其中前四个特征用于定义条件随机场模型中的特征函数，而上下文窗口特征是用于定义模型在求取各特征函数的最优参数时，能利用的上下文范围；纠错知识库通过自学习实现自动更新，强化质控效果；所述知识库是通过语料集处理、语料标注以及特征集组合进行自学习，得到F值高达88.89％的基于条件随机场的命名实体识别模型。
2.如权利要求1所述的一种基于知识的电子病历质控方法，其特征在于，所述步骤(2)中，二元接续性分析的具体步骤：在判断待查词条与上下文的接续性时，考察的优先级顺序:词同现概率>词互信概率>词性同现概率；三个评判指标的严格程度是不断下降的，若都无法达到阈值，就可以判定待查词条为错误信息了。
3.如权利要求1所述的一种基于知识的电子病历质控方法，其特征在于，所述步骤(2)中，以字典数据为靶词条的匹配过程中，考虑到命名实体识别的结果存在一定的偏差，对于实体边际的精准度；所以匹配的流程以正则匹配作为初步判断，并根据实体所处的上下文信息进行正向和反向最大匹配；避免由于命名实体识别不准确导致的误查错。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201611131938.2A CN106682397B (zh) | 2016-12-09 | 2016-12-09 | 一种基于知识的电子病历质控方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201611131938.2A CN106682397B (zh) | 2016-12-09 | 2016-12-09 | 一种基于知识的电子病历质控方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106682397A CN106682397A (zh) | 2017-05-17 |
| CN106682397B true CN106682397B (zh) | 2020-05-19 |
Family
ID=58867987
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201611131938.2A Active CN106682397B (zh) | 2016-12-09 | 2016-12-09 | 一种基于知识的电子病历质控方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106682397B (zh) |
Families Citing this family (36)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110019704B (zh) * | 2017-10-17 | 2023-01-17 | 阿里巴巴集团控股有限公司 | 语句分析及人机交互方法和装置、计算设备、存储介质 |
| CN107833600A (zh) * | 2017-10-25 | 2018-03-23 | 医渡云（北京）技术有限公司 | 医疗数据录入核查方法及装置、存储介质、电子设备 |
| CN107945840A (zh) * | 2017-11-02 | 2018-04-20 | 刘莉 | 电子病历的评价方法及装置 |
| CN108564086B (zh) * | 2018-03-17 | 2024-05-10 | 上海柯渡医学科技股份有限公司 | 一种字符串的识别校验方法及装置 |
| CN108520181B (zh) * | 2018-03-26 | 2022-04-22 | 联想(北京)有限公司 | 数据模型训练方法和装置 |
| CN108597565B (zh) * | 2018-04-11 | 2021-07-02 | 浙江大学 | 一种基于ocr与命名实体提取技术的临床队列数据协同校验方法 |
| CN108595432B (zh) * | 2018-04-28 | 2022-02-08 | 江苏医像信息技术有限公司 | 医疗文书纠错方法 |
| CN108389606A (zh) * | 2018-05-08 | 2018-08-10 | 灵玖中科软件（北京）有限公司 | 一种电子病案首页的数据质量控制系统及其控制方法 |
| CN108447534A (zh) * | 2018-05-18 | 2018-08-24 | 灵玖中科软件（北京）有限公司 | 一种基于nlp的电子病历数据质量管理方法 |
| CN108984690A (zh) * | 2018-07-04 | 2018-12-11 | 莫毓昌 | 一种基于自然语言处理框架的电子病历信息抽取系统 |
| CN109241499B (zh) * | 2018-08-10 | 2023-07-18 | 四川译讯信息科技有限公司 | 一种在线图文转换方法 |
| CN109961066A (zh) * | 2018-09-29 | 2019-07-02 | 大连九州创智科技有限公司 | 一种基于图像采集的数据录入方法 |
| CN109785922B (zh) * | 2018-12-14 | 2024-06-25 | 康键信息技术（深圳）有限公司 | 一种病历资料的上传方法与系统 |
| CN110085287A (zh) * | 2019-03-19 | 2019-08-02 | 北京云知声信息技术有限公司 | 一种对病历中数值记录进行质量控制的方法 |
| CN110136412A (zh) * | 2019-04-04 | 2019-08-16 | 杭州金域医学检验所有限公司 | 尿常规检测结果自动审核预警系统及方法 |
| CN110289066A (zh) * | 2019-07-29 | 2019-09-27 | 河南开合软件技术有限公司 | 一种法医鉴定报告的审查方法及系统 |
| CN110928989A (zh) * | 2019-11-01 | 2020-03-27 | 暨南大学 | 一种基于语言模型的年报语料库构建方法 |
| CN112861533A (zh) * | 2019-11-26 | 2021-05-28 | 阿里巴巴集团控股有限公司 | 实体词识别方法及装置 |
| CN111079420B (zh) * | 2019-12-19 | 2023-04-07 | 天津新开心生活科技有限公司 | 文本识别方法、装置、计算机可读介质及电子设备 |
| CN113052410B (zh) * | 2019-12-26 | 2024-07-19 | 医渡云（北京）技术有限公司 | 一种电子病历数据的质控方法及装置 |
| CN111597789A (zh) * | 2020-04-07 | 2020-08-28 | 华瑞新智科技（北京）有限公司 | 一种电子病历文本的评估方法及设备 |
| CN111667894A (zh) * | 2020-06-03 | 2020-09-15 | 长沙瀚云信息科技有限公司 | 基于rete算法规则引擎的医院电子病历质量监控和管理系统 |
| CN111681728B (zh) * | 2020-06-09 | 2023-10-24 | 北京嘉和海森健康科技有限公司 | 一种电子病历的内涵质控方法及装置 |
| CN111986750B (zh) * | 2020-07-27 | 2023-12-26 | 北京天健源达科技股份有限公司 | 一种电子病历模板结构化检测方法 |
| CN111883222B (zh) * | 2020-09-28 | 2020-12-22 | 平安科技（深圳）有限公司 | 文本数据的错误检测方法、装置、终端设备及存储介质 |
| CN112507722B (zh) * | 2020-11-30 | 2023-08-01 | 北京百度网讯科技有限公司 | 电子病历内涵质控方法和装置 |
| CN112507701B (zh) * | 2020-11-30 | 2024-03-15 | 北京百度网讯科技有限公司 | 待纠错医疗数据的识别方法、装置、设备和存储介质 |
| CN112489740B (zh) * | 2020-12-17 | 2024-08-20 | 北京惠及智医科技有限公司 | 病历检测方法及相关模型的训练方法和相关设备、装置 |
| CN112635072A (zh) * | 2020-12-31 | 2021-04-09 | 大连东软教育科技集团有限公司 | 基于相似度计算的icu相似病例检索方法、系统及存储介质 |
| CN112992366B (zh) * | 2021-03-01 | 2024-05-24 | 袁素华 | 基于医保病种付费制icd编码人工智能审核质控模式与系统 |
| CN113838573B (zh) * | 2021-09-14 | 2022-10-21 | 北京百度网讯科技有限公司 | 临床辅助决策诊断自学习方法、装置、设备和存储介质 |
| CN113868234A (zh) * | 2021-09-29 | 2021-12-31 | 重庆市清泽水质检测有限公司 | 一种基于模型自学习的lims系统原始记录数据准确采集系统、方法、装置及存储介质 |
| CN114373551A (zh) * | 2021-12-07 | 2022-04-19 | 常州昊泽信息科技有限公司 | DRGs知识库构建方法和使用方法 |
| CN115691742B (zh) * | 2023-01-03 | 2023-04-07 | 江西曼荼罗软件有限公司 | 一种电子病历质控方法、系统、存储介质及设备 |
| CN116386800B (zh) * | 2023-06-06 | 2023-08-18 | 神州医疗科技股份有限公司 | 基于预训练语言模型的医疗病历数据分割方法和系统 |
| CN116682524B (zh) * | 2023-07-17 | 2024-02-02 | 北京惠每云科技有限公司 | 病历质控方法、装置、电子设备及存储介质 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120239671A1 (en) * | 2011-03-16 | 2012-09-20 | Apixio, Inc. | System and method for optimizing and routing health information |
| SG188531A1 (en) * | 2010-09-24 | 2013-04-30 | Univ Singapore | Methods and systems for automated text correction |
| CN102819656B (zh) * | 2011-06-10 | 2016-02-24 | 中国科学院深圳先进技术研究院 | 生成电子病历的系统及方法 |
| KR101413482B1 (ko) * | 2012-12-10 | 2014-07-04 | 주식회사 헤셀 | 모바일 개인용 의무기록 관리 방법 및 장치 |
| CN103513781A (zh) * | 2013-10-10 | 2014-01-15 | 中国中医科学院 | 一种准确快速的电子病历录入系统 |
| CN105894088B (zh) * | 2016-03-25 | 2018-06-29 | 苏州赫博特医疗信息科技有限公司 | 基于深度学习及分布式语义特征医学信息抽取系统及方法 |
-
2016
- 2016-12-09 CN CN201611131938.2A patent/CN106682397B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN106682397A (zh) | 2017-05-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106682397B (zh) | 一种基于知识的电子病历质控方法 | |
| CN106919793B (zh) | 一种医疗大数据的数据标准化处理方法及装置 | |
| CN110442869B (zh) | 一种医疗文本处理方法及其装置、设备和存储介质 | |
| CN116682553B (zh) | 一种融合知识与患者表示的诊断推荐系统 | |
| CN111078875B (zh) | 一种基于机器学习的从半结构化文档中提取问答对的方法 | |
| WO2023029502A1 (zh) | 基于问诊会话构建用户画像的方法、装置、设备和介质 | |
| CN112487202B (zh) | 融合知识图谱与bert的中文医学命名实体识别方法、装置 | |
| CN112734202B (zh) | 基于电子病历的医疗能力评价方法、装置、设备及介质 | |
| Wan et al. | A self-attention based neural architecture for Chinese medical named entity recognition | |
| WO2021151322A1 (zh) | 基于深度学习模型的实体识别方法、装置、设备及介质 | |
| CN112232065A (zh) | 挖掘同义词的方法及装置 | |
| CN110444261B (zh) | 序列标注网络训练方法、电子病历处理方法及相关装置 | |
| CN113724819B (zh) | 医疗命名实体识别模型的训练方法、装置、设备及介质 | |
| CN113707339A (zh) | 一种多源异质数据库间概念对齐与内容互译方法及系统 | |
| CN112614559A (zh) | 病历文本处理方法、装置、计算机设备和存储介质 | |
| CN117787282B (zh) | 基于大语言模型的医患文本智能提取方法 | |
| CN114186070A (zh) | 基于人工智能模型的医学术语归一化方法、装置 | |
| CN114358001A (zh) | 诊断结果的标准化方法及其相关装置、设备和存储介质 | |
| CN116975212A (zh) | 问题文本的答案查找方法、装置、计算机设备和存储介质 | |
| CN117854715B (zh) | 基于问诊分析的智能助诊系统 | |
| CN113111660A (zh) | 数据处理方法、装置、设备和存储介质 | |
| CN118132579A (zh) | 基于nl2sql的医保智能查询方法及系统 | |
| Wang et al. | Research on named entity recognition of doctor-patient question answering community based on bilstm-crf model | |
| CN116719840A (zh) | 一种基于病历后结构化处理的医疗信息推送方法 | |
| CN114613515B (zh) | 医学实体的关系提取方法及装置、存储介质、电子设备 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A Knowledge Based Quality Control Method for Electronic Medical Records Effective date of registration: 20230314 Granted publication date: 20200519 Pledgee: Bank of Jiangxi Co.,Ltd. Ganjiang New Area Branch Pledgor: JIANGXI ZHONGKE JIUFENG WISDOM MEDICAL TECHNOLOGY CO.,LTD. Registration number: Y2023980034993 |
|
| PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
| PC01 | Cancellation of the registration of the contract for pledge of patent right |
Granted publication date: 20200519 Pledgee: Bank of Jiangxi Co.,Ltd. Ganjiang New Area Branch Pledgor: JIANGXI ZHONGKE JIUFENG WISDOM MEDICAL TECHNOLOGY CO.,LTD. Registration number: Y2023980034993 |
|
| PC01 | Cancellation of the registration of the contract for pledge of patent right | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A knowledge-based electronic medical record quality control method Granted publication date: 20200519 Pledgee: Bank of Jiangxi Co.,Ltd. Ganjiang New Area Branch Pledgor: JIANGXI ZHONGKE JIUFENG WISDOM MEDICAL TECHNOLOGY CO.,LTD. Registration number: Y2024980009366 |
|
| PE01 | Entry into force of the registration of the contract for pledge of patent right |