CN107004058A - 用于将非结构化条目特征与相关联的治疗特征一致地相关的系统和方法 - Google Patents
用于将非结构化条目特征与相关联的治疗特征一致地相关的系统和方法 Download PDFInfo
- Publication number
- CN107004058A CN107004058A CN201580067084.3A CN201580067084A CN107004058A CN 107004058 A CN107004058 A CN 107004058A CN 201580067084 A CN201580067084 A CN 201580067084A CN 107004058 A CN107004058 A CN 107004058A
- Authority
- CN
- China
- Prior art keywords
- unstructured
- entry
- treatment
- feature
- features
- 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
- 238000000034 method Methods 0.000 title claims description 25
- 239000003814 drug Substances 0.000 claims description 66
- 229940079593 drug Drugs 0.000 claims description 27
- 230000004044 response Effects 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 5
- 238000000926 separation method Methods 0.000 claims description 5
- 238000003860 storage Methods 0.000 description 20
- 238000012545 processing Methods 0.000 description 17
- 238000010801 machine learning Methods 0.000 description 15
- 238000003058 natural language processing Methods 0.000 description 13
- 238000012549 training Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 9
- 238000011160 research Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 6
- UIIMBOGNXHQVGW-UHFFFAOYSA-M Sodium bicarbonate Chemical compound [Na+].OC([O-])=O UIIMBOGNXHQVGW-UHFFFAOYSA-M 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 230000001225 therapeutic effect Effects 0.000 description 3
- RZVAJINKPMORJF-UHFFFAOYSA-N Acetaminophen Chemical compound CC(=O)NC1=CC=C(O)C=C1 RZVAJINKPMORJF-UHFFFAOYSA-N 0.000 description 2
- 229960004494 calcium gluconate Drugs 0.000 description 2
- 235000013927 calcium gluconate Nutrition 0.000 description 2
- 239000004227 calcium gluconate Substances 0.000 description 2
- NEEHYRZPVYRGPP-UHFFFAOYSA-L calcium;2,3,4,5,6-pentahydroxyhexanoate Chemical compound [Ca+2].OCC(O)C(O)C(O)C(O)C([O-])=O.OCC(O)C(O)C(O)C(O)C([O-])=O NEEHYRZPVYRGPP-UHFFFAOYSA-L 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 235000017557 sodium bicarbonate Nutrition 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- OYPRJOBELJOOCE-UHFFFAOYSA-N Calcium Chemical compound [Ca] OYPRJOBELJOOCE-UHFFFAOYSA-N 0.000 description 1
- 208000036647 Medication errors Diseases 0.000 description 1
- CDBYLPFSWZWCQE-UHFFFAOYSA-L Sodium Carbonate Chemical compound [Na+].[Na+].[O-]C([O-])=O CDBYLPFSWZWCQE-UHFFFAOYSA-L 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 229960005069 calcium Drugs 0.000 description 1
- 239000011575 calcium Substances 0.000 description 1
- 229910052791 calcium Inorganic materials 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000013479 data entry Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 208000015181 infectious disease Diseases 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006386 neutralization reaction Methods 0.000 description 1
- 238000011017 operating method Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 229960005489 paracetamol Drugs 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000005180 public health Effects 0.000 description 1
- 229940121896 radiopharmaceutical Drugs 0.000 description 1
- 239000012217 radiopharmaceutical Substances 0.000 description 1
- 230000002799 radiopharmaceutical effect Effects 0.000 description 1
- 238000011268 retreatment Methods 0.000 description 1
- 235000015170 shellfish Nutrition 0.000 description 1
- 229910000030 sodium bicarbonate Inorganic materials 0.000 description 1
- 229940072651 tylenol Drugs 0.000 description 1
- 229940088594 vitamin Drugs 0.000 description 1
- 229930003231 vitamin Natural products 0.000 description 1
- 235000013343 vitamin Nutrition 0.000 description 1
- 239000011782 vitamin Substances 0.000 description 1
Classifications
-
- 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
- G06F16/23—Updating
-
- 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
- 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
- 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
-
- 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
- G16H70/00—ICT specially adapted for the handling or processing of medical references
- G16H70/40—ICT specially adapted for the handling or processing of medical references relating to drugs, e.g. their side effects or intended usage
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Epidemiology (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Chemical & Material Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Medicinal Chemistry (AREA)
- Pharmacology & Pharmacy (AREA)
- Toxicology (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Medicines That Contain Protein Lipid Enzymes And Other Medicines (AREA)
Abstract
公开了一种用于将包括在非结构化治疗条目中的非结构化条目特征与结构化治疗信息中的相关联的治疗特征一致地相关的系统。所述系统获得非结构化治疗条目并且识别个体非结构化治疗条目内的非结构化条目特征。所述非结构化治疗条目特征被相关到对应的相关联的治疗特征。非结构化条目特征与相关联的治疗特征的所述相关是基于与所述个体非结构化治疗条目相关联的上下文信息的。与所述非结构化治疗条目相关联的上下文信息包括所述非结构化治疗条目的语法、所述非结构化治疗条目的创建者、和/或所述非结构化治疗条目的格式。
Description
技术领域
本公开内容涉及将非结构化治疗条目中的非结构化条目特征与结构化治疗信息中的结构化条目特征一致地相关的系统和方法。经一致地相关的条目特征有益于临床中的二次使用和有关患者安全的研究。
背景技术
众所周知，计算机化的提供者指示录入(CPOE)系统已经遍布国家健康护理领域中被采用。CPOE系统提供了用于加速处方、减少药物错误以及创建用于临床研究的大型电子药物数据库的平台。CPOE系统不确保药物数据的互操作性。输入到CPOE系统的信息不是标准化的。
发明内容
因此，本公开内容的一个或多个方面涉及一种被配置为将非结构化治疗条目中的非结构化条目特征与结构化治疗信息中的相关联的治疗特征一致地相关的系统。所述系统包括一个或多个物理计算机处理器，所述一个或多个物理计算机处理器被计算机可读指令配置为：获得非结构化治疗条目，所述非结构化治疗条目包括第一非结构化治疗条目；识别所述个体非结构化治疗条目中的非结构化条目特征；并且将所述非结构化治疗条目中的识别出的非结构化条目特征与对应的相关联的治疗特征相关，这样的相关是基于与包括所述非结构化条目特征的所述非结构化治疗条目相关联的上下文信息的，使得，响应于识别出所述第一非结构化治疗条目中的第一非结构化条目特征，基于与所述第一非结构化治疗条目相关联的上下文信息来将所述第一非结构化条目特征相关到对应的相关联的治疗特征，与所述第一非结构化治疗条目相关联的所述上下文信息包括以下中的一项或多项：所述第一非结构化治疗条目的语法、所述第一非结构化治疗条目的创建者、和/或所述第一非结构化治疗条目的格式。
本公开内容的再另一方面涉及一种用于利用相关系统将非结构化治疗条目中的非结构化条目特征与结构化治疗信息中的相关联的治疗特征一致地相关的方法，所述系统包括一个或多个物理计算机处理器。所述方法包括：利用所述一个或多个物理计算机处理器来获得非结构化治疗条目，所述非结构化治疗条目包括第一非结构化治疗条目；利用所述一个或多个物理计算机处理器来识别个体非结构化治疗条目中的非结构化条目特征；并且利用所述一个或多个物理计算机处理器将所述非结构化治疗条目中的识别出的非结构化条目特征与对应的相关联的治疗特征相关，这样的相关是基于与包括所述非结构化条目特征的所述非结构化治疗条目相关联的上下文信息的，使得，响应于识别出所述第一非结构化治疗条目中的第一非结构化条目特征，基于与所述第一非结构化治疗条目相关联的上下文信息来将所述第一非结构化条目特征相关到对应的相关联的治疗特征，与所述第一非结构化治疗条目相关联的所述上下文信息包括以下中的一项或多项：所述第一非结构化治疗条目的语法、所述第一非结构化治疗条目的创建者、和/或所述第一非结构化治疗条目的格式。
本公开内容的再另一方面涉及一种被配置为将非结构化治疗条目中的非结构化条目特征与结构化治疗信息中的相关联的治疗特征一致地相关的系统。所述系统包括：用于获得非结构化治疗条目的模块，所述非结构化治疗条目包括第一非结构化治疗条目；用于识别所述个体非结构化治疗条目中的非结构化条目特征的模块；以及用于将所述非结构化治疗条目中的识别出的非结构化条目特征与对应的相关联的治疗特征相关，这样的相关是基于与包括所述非结构化条目特征的所述非结构化治疗条目相关联的上下文信息的，使得，响应于识别出所述第一非结构化治疗条目中的第一非结构化条目特征，基于与所述第一非结构化治疗条目相关联的上下文信息来将所述第一非结构化条目特征相关到对应的相关联的治疗特征的模块，与所述第一非结构化治疗条目相关联的所述上下文信息包括以下中的一项或多项：所述第一非结构化治疗条目的语法、所述第一非结构化治疗条目的创建者、和/或所述第一非结构化治疗条目的格式。
本公开内容的这些和其他目的、特征和特性，以及相关结构元件的操作方法和功能以及部件组合和制造经济性将在参考附图理解本发明和权利要求后变得更加明显，所有附图均形成说明书的一部分，其中，各个附图中相同的附图标记指代对应的部件。然而，要明确理解，附图仅出于图示和说明的目的并且不旨在作为对本公开的限度的限制。
附图说明
图1是对被配置为将非结构化治疗条目中的非结构化条目特征与结构化治疗信息中的相关联的治疗特征一致地相关的系统的图示；
图2图示了非结构化条目特征到对应的相关联的治疗特征的相关；
图3图示了细化应用系统的一个实施例；
图4图示了用于药物数据库预处理的自然语言处理(NLP)和机器学习引擎；
图5图示了用于将非结构化条目特征与相关联的治疗特征一致地相关的方法。
具体实施方式
本文中使用的单数形式的“一”、“一个”以及“该”包括多个指代物，除非上下文中明确地另行规定。本文中所用的两个或多个零件或部件被“耦合”的表述将意味着所述零件直接或间接地(即，通过一个或多个中间零件或部件，只要发生连接)被结合到一起或一起工作。本文中所用的“直接耦合”意指两个元件彼此直接接触。本文中所用的“固定耦合”或“固定”意指两个部件被耦合以作为一体移动，同时维持相对于彼此的固定取向。
本文中使用的词语“一体的”意指部件被创建为单件或单个单元。亦即，包括单独创建并然后被耦合到一起成为单元的多件的部件不是“一体的”部件或体。本文中采用的两个或多个零件或部件相互“接合”的表述将意味着所述零件直接地或通过一个或多个中间零件或部件而相互施加力。本文中采用的术语“数目”将意味着一或大于一的整数(即，多个)。
本文中使用的方向短语，例如但不限于，顶部、底部、左、右、上、下、前、后以及它们的派生词涉及附图中所示的元件的取向，并且不对权利要求构成限制，除非在权利要求中明确记载。
图1示意性地图示了被配置为将非结构化治疗条目中的非结构化条目特征与结构化治疗信息中的相关联的治疗特征一致地相关的系统10。由于针对药物名称和/或标准编码系统的本地偏好差异(临床生成的)，因而与计算机化的提供者指示录入(CPOE)系统和药物数据互操作性有关的问题持续存在，导致药物数据库中条目的有限标准化和从这样的数据所导出的研究发现的潜在不准确性。广泛使用的标准术语如食品和药品管理局的NDC(国家药物代码)可能难于实现和管理，因为这些代码是由个体药物供应商而不是通用的管理组织来创建的。第一数据银行MedKnowledge、国家药物数据文档(NDDF)、以及分层成分代码列表(the Hierarchical IngredientCode List)(HICL)术语提供了对NDC的可行的替代。然而，由于数据条目中的错误和健康护理环境中对药物的模糊不清的缩写，药物数据库中通常存在名称和HICL或NDDF的不匹配。这些问题不利地影响在有关临床护理的研究中对药物数据库的二次使用。
系统10被配置为识别和/或分析非结构化治疗条目特征以及将它们与结构化信息中的对应的相关联的治疗特征进行相关。这样的识别和/或分析可以包括利用自然语言处理(NLP)、机器学习、和/或其他技术和/或模型来进行文本分析。机器学习模型(例如朴素贝叶斯和/或其他模型)从一组先前识别出和经相关的(到相关联的治疗特征)非结构化条目特征中学习，并且然后应用学习到的规则对随后识别的非结构化条目特征进行分类。当非结构化治疗条目中存在错误和/或其他不一致时，典型的机器学习系统的性能会下降。系统10可以将机器学习技术(例如朴素贝叶斯和/或其他)与预处理和/或去除模糊方法(例如基于NLP的文本分析)相组合，以用增强的一致性和/或准确度来将非结构化治疗条目特征与对应的相关联的治疗特征相关(例如根据HICL或NDDF代码对非结构化治疗条目特征进行分类)。以增强的一致性来促进非结构化治疗条目特征的分类，通过将非结构化治疗条目特征标准化到大型结构化的与治疗有关的信息数据库，而增强了互操作性。增强的一致性来促进非结构化治疗条目特征的分类，使得数据更加有利于在临床中和与患者安全有关的研究中二次使用。例如，系统10可以促进放射性药物/临床数据库中药物名称的标准化编码。在一些实施例中，系统10包括计算设备21、数据源25、处理器20和/或其他部件中的一个或多个。
计算设备21可以被配置为使得用户可以经由计算设备21来访问系统10。计算设备21可以包括用户接口24、电子存储器22、处理器20、和/或其他部件中的一个或多个。在一些实施例中，计算设备21可以被配置为与外部数据源25、处理器20、和/或系统10的其他部件中的一个或多个进行通信。可以根据对等架构、客户端/服务器架构、和/或其他架构来将计算设备21配置为与数据源25、处理器20、和/或系统10的其他部件进行通信。通非限制性范例的方式，给定的计算设备21可以包括台式计算机、膝上型计算机、手持式计算机、平板计算平台、上网本、智能手机、和/或其他计算平台中的一个或多个。计算设备21可以包括通信线和/或端口以实现与网络、其他计算平台(例如，一个或多个其他计算设备21)、和/或其他设备的信息交换。在一些实施例中，计算设备21、处理器20、数据源25、和/或系统10的其他部件可以是无线的和/或经由有线的。例如，计算设备21可以经由Wi-Fi网络、经由蓝牙技术、和/或其他无线技术而与处理器20和/或数据源25无线地通信。在一些实施例中，计算设备21可以经由例如有线USB连接与用户处理器20和/或数据源25进行通信。在一些实施例中，计算设备21可以包括处理器20和/或数据源25。
用户接口24被配置为提供系统10与提供者12和/或其他用户之间的接口，通过用户接口提供者12和/或其他用户可以向系统10提供信息并从系统10接收信息。这使得统称为“信息”的数据、线索、结果、非结构化的治疗条目和/或指令以及任何其他可通信项能够在用户与一个或多个数据源25、处理器20和/或系统10的其他部件之间传送。
适合包括在用户接口24中的接口设备的范例包括小键盘、按钮、开关、键盘、旋钮、控制杆、显示屏、触摸屏、扬声器、麦克风、指示灯、可听警报、打印机、触觉反馈设备和/或其他接口设备。在一些实施例中，用户接口24可以包括多个单独的接口。在一些实施例中，用户接口24包括与数据源25、处理器20和/或系统10的其他部件集成地提供的至少一个接口。
应该理解，本公开也预期其他通信技术、不管是硬连接线的还是无线的，作为用户接口。例如，本公开预期，用户接口24可以与由电子存储设备22提供的可移除存储接口集成。在该范例中，信息可以从可移除存储设备(例如，智能卡、闪速存储器、可移除磁盘等)加载到系统10中，其使得(一个或多个)用户能够定制系统10的操作。适于与系统10一起使用作为用户接口24的一个范例输入设备和技术包括但不限于，RS-232端口、RF链路、IR链路、调制解调器(电话、线缆或其他)。简言之，本公开预期用于与系统10交流信息的任何技术作为用户接口24。
用户接口24被配置为促使计算机化的提供者指示录入(CPOE)和/或其他信息录入和/或选择。这可以包括经由用户接口24的非结构化治疗信息的录入和/或选择(包括治疗条目特征的非结构化治疗条目)。在一些实施例中，提供者(例如医生、护士、用户、和/或其他提供者)利用用户接口24和/或其他部件输入非结构化治疗信息(例如，针对特定患者的文本治疗条目，其描述了提供给患者的治疗和/或开给患者的处方，包括药物名称、数量、治疗时间、频率、和/或其他条目特征)。系统10被配置为使得该信息被存储在数据源25和/或其他设备中。如上所述，非结构化的(例如文本的)治疗条目可以包括药物单位、剂量、缩写、药物/治疗信息、和/或其他信息和/或特征。在一些实施例中，非结构化治疗条目可以包括拼写错误、缩写、对输入信息的提供者特定的缩写、模糊的术语、和/或其他信息。在一些实施例中，计算设备21被配置为便于这样的非结构化治疗条目存储在电子存储器22中，便于非结构化治疗条目传送到数据源25，和/或对非结构化治疗条目采取其他操作。
电子存储设备22包括电子地存储信息的电子存储设备介质。电子存储设备22的电子存储介质可以包括与系统21一体地(即，基本上不可移除)提供的系统存储器和/或可经由例如端口(例如，USB端口，火线端口等)或驱动器(例如，磁盘驱动器等)可移除地可连接到计算设备21的可移除存储器中的一个或两者。电子存储设备22可以包括以下中的一个或多个：光学可读存储介质(例如光盘等)、磁性可读存储介质(例如磁带、磁硬盘驱动器、软盘驱动器等)、基于电荷的存储介质(例如EPROM、RAM等)，固态存储介质(例如闪速驱动器等)、和/或其他电子地可读的存储介质。电子存储设备22可以存储软件算法、由处理器20确定的信息、从用户经由用户接口24接收到的信息、和/或使得系统10能够正确工作的其他信息。电子存储设备22可以(整体地或部分地)是系统10内的分开的部件，或者电子存储设备22可以(整体地或部分地)与系统10的一个或多个其他部件(例如在计算设备21内)被集成提供。
数据源25被配置为电子地存储治疗记录、非结构化治疗条目、结构化治疗信息(例如相关联的治疗特征)、相关联的治疗特征的联合(例如有关的相关联的治疗特征的组)、非结构化治疗条目特征和相关联的治疗特征之间的先前确定的相关性、和/或其他信息。在一些实施例中，数据源25可以包括非结构化数据源42、结构化数据源44、和/或信息的其他源。在一些实施例中，数据源25可以是和/或可以包括服务器46和/或其他部件。
非结构化数据源42被配置为存储非结构化治疗信息。非结构化治疗信息包括治疗记录和/或其他信息。治疗记录可以包括非结构化治疗条目、上下文信息、和/或其他信息。非结构化治疗条目是从各种源(例如各种计算设备21)中获得和/或接收的。非结构化治疗条目包括非结构化治疗条目特征和/或其他信息。非结构化数据源42被配置为存储经由计算设备21和/或非结构化治疗信息的其他源接收的非结构化治疗条目。非结构化数据源42被配置为存储与治疗(例如医学治疗和/或其他治疗)有关的和/或对其进行描述的上下文信息。这样的信息可以由提供者来输入和/或选择。这样的信息可以包括以下中的一项或多项：(一个或多个)提供者的姓名、患者和/或治疗设备的地理位置、医院名称和/或位置、设施类型、提供者的工作头衔(例如医生、护士、药剂师等)；连接各种药物名称、数量、治疗频率、和/或非结构化治疗条目中的其他信息的词语、句子、缩写、语法、格式等；和/或其他信息。非结构化治疗条目可以包括非结构化治疗条目特征(例如提供者姓名、提供者工作头衔、处置设施名称/位置、药物名称、数量、治疗频率等)和/或其他信息。非结构化治疗条目可以包括缩写、模糊的词语、拼写错误、不统一的单元、和/或其他不一致。这些不一致可以是用户录入、机构实践和/或默认、健康信息系统内冗余错误的无意传播、和/或由其他因素引起的人为现象。
结构化数据源44被配置为存储相关联的治疗特征、相关联的治疗特征的联合、先前确定的非结构化条目特征到结构化信息的相关联的治疗特征的相关、和/或其他信息。相关联的治疗特征可以包括药物名称、药物成分、数量(例如剂量)、识别码、序列码、化学成分、施予途径和/或其他治疗信息。相关联的治疗特征的联合可以包括相关联的治疗特征的集合、相关联的治疗特征的类(例如在集合内)、和/或有关的相关联的治疗特征的其他组。在一些实施例中，结构化数据源44可以是和/或可以包括结构化信息的一个或多个数据库。在一些实施例中，存储在结构化数据源44中的结构化信息可以具有分层布置和/或其他格式。例如，结构化数据源44可以包括NDC、第一数据银行MedKnowledge(NDDF)、RxNorm、HICL和/或其他数据库。通过非限制性范例的方式，在诸如NDDF数据库的数据库中，相关联的治疗特征可以对应于例如药物名称。在该数据库中(例如)，相关联的治疗特征的联合可以包括药物类，所述药物类包括多个药物名称。所述药物类可以是相同类型的药物类的更大集合的一部分(例如相关联的治疗特征的另一联合)。
在一些实施例中，数据源25可以是和/或包括一个或多个服务器46。服务器46可以被配置为存储非结构化治疗条目、非结构化治疗条目特征、相关联的治疗条目、非结构化治疗条目特征与相关联的治疗特征之间的先前确定的相关性、和/或其他信息(例如服务器46可以包括非结构化数据源42和/或结构化数据源44)；与计算设备21、处理器20、和/或其他设备通信；和/或执行其他功能。在一些实施例中，处理器20可以包括在服务器46中和/或以下所描述的处理器20的功能可以由服务器46来执行。在一些实施例中，服务器46可以是单个服务器。在一些实施例中，服务器46可以是和/或可以包括利用云配置一起运行以执行本文所描述的功能的多个服务器。服务器46可以包括电子存储器、一个或多个处理器(例如处理器20)、和/或其他部件。服务器46可以包括通信线或端口以实现与网络和/或其他计算平台进行信息交换。图1中将服务器46示出为单个实体并不旨在对服务器46和/或数据源25进行限制。服务器46可以包括一起运行以向服务器46提供本文所提到的功能的多个硬件、软件、和/或固件部件。例如，服务器46可以由一起运行作为服务器46的计算平台云来实现。
(一个或多个)处理器20被配置为提供系统10中的信息处理能力。这样，处理器20可以包括一个或多个数字处理器、逻辑处理器、被设计为处理信息的数字电路、被设计为处理信息的逻辑电路、状态机、和/或用于电子地处理信息的其他机制。虽然图1中显示的处理器20为单独实体，但是这仅出于说明目的。在一些实施例中，处理器20可包括多个处理单元。这些处理单元可在物理上位于同一设备内，或处理器20可表示联合操作的多个设备的处理功能。
如图1中所示，处理器20被配置为执行一个或多个计算机程序部件。处理器20可以包括用户输入部件30、识别部件32、相关部件34、和/或其他部件中的一个或多个。处理器20可以被配置为通过软件硬件；固件；软件、硬件和/或固件的某种组合；和/或用于在处理器20上配置处理能力的其它机构来执行部件30、32、34和/或其他计算机处理部件。应当理解，尽管部件30、32、34以及，在图1中示出为共同定位于单个处理单元中，但是在处理器20包括多个处理单元的实施例中，部件30、32、34和/或其他计算机处理部件中的一个或多个可以被定位为远离其他部件。以下描述的不由同部件32、33、34和/或其他计算机处理部件提供的功能仅用于说明的目的，并不旨在作为限制，因为部件32、33、34和/或其他计算机处理部件可以提供比所描述的更多或更少的功能。例如，可以去除部件30、32、34和/或其他计算机处理部件中的一个或多个，并且其功能的一些或全部可以由其他部件30、32、34和/或其他计算机处理部件中的其他项来提供。作为另一示例，处理器20可以被配置为执行一个或多个额外的部件，其可以执行以下归属于部件30、32、34和/或其他计算机处理部件中的一个的功能的一些或全部。
用户输入部件30被配置为从计算设备21(例如在由提供者和/或系统10的其他用户进行的录入和/或选择之后)、从非结构化数据源42、和/或从其他源获得非结构化治疗条目。用户输入部件30能够以来自非结构化数据源42的一个或多个非结构化治疗条目的一个或多个批次、和/或以其他方式，从计算设备21中实时地或接近实时地获得非结构化治疗条目。
识别部件32被配置为识别非结构化治疗条目中非结构化治疗条目特征。在一些实施例中，识别部件32被配置为确定非结构化治疗条目中非结构化治疗条目特征的上下文。在一些实施例中，识别部件32被配置为使用相关治疗记录中的上下文信息及非结构化治疗条目来识别非结构化治疗条目的特征。
相关部件34被配置为将非结构化治疗条目中识别出的非结构化条目特征相关到对应的结构化条目特征。相关部件34根据与包括非结构化条目特征的个体非结构化治疗条目相关联的上下文信息来将非结构化治疗条目相关到结构化条目特征。例如，响应于识别出第一非结构化治疗条目特征，根据与第一非结构化治疗条目特征相关联的上下文信息，将所述第一非结构化治疗条目特征相关到对应的结构化条目特征。
在一些实施例中，相关部件34被配置为使得相关包括使用自然语言处理(NLP)算法用于非结构化治疗条目的文本分析。使用NLP算法用于文本分析可以包括若干步骤，诸如：(a)对非结构化治疗条目中的拼写错误进行校正，(b)通过提供针对缩写的完整长度描述来消除缩写的模糊性，(c)识别针对药物和/或治疗的贸易和/或通用名称，将它们映射到通用名称和/或贸易的说明和/或一般名称，和/或(d)识别和移除包括在非结构化治疗条目中的非语义(无意义)的词语，和/或其他步骤。
通过非限制性范例的方式，图2图示了将治疗记录的非结构化治疗条目202中的识别出的非结构化条目特征212与结构化信息204的对应的相关联的治疗特征210相关。结构化信息204包括相关联的治疗特征210的联合206。可以将识别出的例如药物名称(例如Tylenol)的非结构化条目特征212与结构化信息204(例如通用名称对乙酰氨基酚、药物编号、推荐剂量等)的一个或多个相关联的特征210相关。在一些实施例中，由相关部件34(图1)进行的非结构化条目特征212与相关联的治疗特征210的相关208，还将特定的非结构化治疗条目特征212与结构化信息204中的相关联的治疗特征210的联合206(例如，药物和/或药物代码的集合)相关。与非结构化条目特征212相关联的上下文信息214(例如，语法、创建者、格式、和/或非结构化治疗条目202的其他特征)被相关部件34(图1)用于将非结构化条目特征212与相关联的特征210相关。在一些实施例中，非结构化条目特征212与特定相关联的治疗特征210的相关208将非结构化条目特征212相关到、修改到和/或改变到结构化条目特征中。
返回到图1，在一些实施例中，相关部件34被配置为使得相关包括训练阶段和应用阶段。在训练阶段，在由识别部件32对非结构化治疗条目特征进行识别之后，并且然后由相关部件34将非结构化治疗条目特征相关到相关联的治疗特征，所述相关可以由相关部件34使用机器学习模型(例如，朴素贝叶斯估计)和/或通过其他方法来学习。学习相关可以包括识别对非结构化治疗条目中的一个或多个非结构化治疗条目特征所进行的一次或多次的类似和/或相同的相关。在一些实施例中，机器学习模型基于经校正的药物名称和它们的相应代码(例如RxNorm，HICL或NDDF序列码和/或其他国家的和/或国际接受的代码标准)。在训练阶段期间(例如使用机器学习模型)，相关部件34确定针对个体相关的相关强度(例如，非结构化治疗条目特征与其已经相关到的相关联的治疗特征的实际上相关的可能性)。在一些实施例中，基于所确定的非结构化条目特征与相关联的治疗特征之间的相关强度，相关部件34随后被配置为确定特定非结构化治疗条目特征落入特定数据库(例如HICL药物代码数据库)中的药物和/或药物代码的类(例如相关联的治疗特征的联合)内的可能性。例如，非结构化条目特征可以包括治疗名称和/或分类号，并且相关部件34被配置为确定治疗名称和/分类号与数据库(例如结构化信息)中的治疗名称和/分类号的集合(例如相关联的治疗特征的联合)有关的第一概率，以及确定非结构化治疗特征(例如名称和/分类号)与治疗名称和/分类号(例如HICL或NDDF)的特定信息类(例如相关联的治疗特征的第二联合)有关的第二概率。
落入药物和/或药物代码的类内的非结构化治疗条目特征的相关强度和可能性被相关部件34在随后的应用阶段被使用。在应用阶段期间，根据在学习阶段期间的先前相关将所识别的非结构化治疗条目特征相关到相关联的治疗特征。在应用阶段期间，可以根据所学习的相关的先前确定的相关强度来进行相关。所述应用阶段可以包括在相似和/或相同的相关(例如以上所学习的那些)针对非结构化治疗条目中的一个或多个非结构化治疗条目特征发生一次或多次时识别所述相关。在一些实施例中，所确定的条目特征和相关联的治疗特征之间的相关可以被相关部件34用来将特定的非结构化条目特征与个体相关联的治疗特征和/或相关联的治疗特征的联合(例如，药物的集合)进行相关。例如可以使用第一概率(例如，与相关联的治疗特征油有关的非结构化治疗特征)和第二概率(例如非结构化治疗特征与相关联的治疗特征的特定组织相关联的概率)来确定针对随后非结构化治疗特征的相关强度。在相关的应用阶段期间，确定属于相关联的治疗特征的一个或多个特定联合(例如，药物类)的非结构化条目特征的后验概率。在一些实施例中，将非结构化治疗条目特征相关到具有最高的相关后验概率的相关联的治疗特征。
图3示出了由相关部件34(图1所示)所执行的自然语言处理(NLP)操作。NLP引擎300(例如相关联部件34)可以利用单元和数位过滤器(digitsand unit filter)302、针对多词短语的拼写校正器304、连写词分离器306、前缀词合并器308、和/或其他部件来对非结构化治疗信息进行标准化。单元和数位过滤器302可以使得非结构化条目特征(例如，名称和/或分类号)能够标准化。识别包含在与非结构化治疗条目(例如单元)相关联的治疗记录中的上下文信息使得单元和数位过滤器302能够移除单元并且允许系统10对条目特征自身进行相关。
针对多词短语的拼写校正器304包括根据多个数据源25(图1所示)建立的词典。针对多词短语的拼写校正器304可以包括数据库310，所述数据库310包括通用英语词汇、SNOMED CT、RadLex、RxNorm、NDDF、HICL、专有药物准入表、和/或其他多字词典短语。在一些实施例中，数据库310在单码和双码(unigram and bigram)实体两者上被索引。在一些实施例中，上下文感知拼写检查算法校正药物名称中的拼写错误。
非结构化治疗条目(例如药物名称)可以包括缺少准确的空格和/或标点符号的词语。连写词分离器306被配置为以准确和统一的方式来对治疗条目进行识别和重新格式化。例如，常见的非结构化医疗实体包括药物名称“calciumgluconate”(应该是“葡萄糖酸钙(calcium gluconate)”)和“sodabicarb”(应该是“小苏打(soda bicarb)”)。连写词分离器306根据前缀失配检测和/或双码搜索将跑到一起的词语分开。
类似地，有时词语被赋予不应当包括在内的空格和/或标点符号。前缀词合并器308创建了对治疗条目进行格式化的准确和统一的方法。因为针对一个数据库中的药物名称条目的特定文档风格可能与其他数据库不统一(或在相同数据库内不统一)，一些提供者12(例如临床医生)在药物名称中的前缀和/或实际术语之间增加空格。例如，“multivitamins”应当写作“多种维生素(multi vitamins)”。前缀词合并器308旨在通过以准确和统一的方式对它处理的词语加入前缀来将这样的词语标准化。
图4示出了实现机器学习以利用预处理的(例如通过识别部件32)治疗条目来训练系统10。贯穿训练阶段404(例如如上所述的训练阶段)和应用阶段406(例如所述的应用阶段)来处理非结构化的治疗条目402a和治疗条目402b。在对机器学习模型进行训练后(例如在训练阶段404期间)，利用NLP模型408a来使用预处理过的药物和/或治疗名称(例如非结构化条目特征)并相关到对应的相关联的治疗特征，将所述模型应用到新的药物和/或治疗名称(例如非结构化条目特征)以准确地和统一地将药物/治疗特征(例如应用阶段406)相关。在一些实施例中，使用朴素贝叶斯机器学习方法以估计非结构化条目特性与来自预处理经清理的给定关键词列表的相关联的治疗特征相关的后验概率(例如NLP模型)。具有最高后验概率的结构化医疗特征的被选作机器学习输出410。由系统10所发现的相关的后验概率被提供为可靠性系数并且在机器学习输出410中被提供。
在一些实施例中，用于训练的非结构化治疗条目402a类似于在机器学习的相关的应用阶段406所使用的非结构化治疗条目402b。在训练阶段404和应用阶段406两者中，非结构化治疗条目在将非结构化治疗条目特征相关到相关联的治疗特征之前利用NLP模型(分别是408a、408b)而被预处理。相关可能需要将所估计的每个非结构化条目特征的概率与针对训练相关412a以及应用相关412b的相关联的治疗特征进行比较。该比较生成相关联的治疗特征的联合包括在非结构化治疗特征列表中的后验概率。所述相关与非结构化治疗条目数据中的每一个非结构化治疗条目相关到相关联的治疗特征的可能性以及每个结构化治疗条目处于结构化信息中的先验概率成比例。参数是利用大量带有正确的结构化治疗条目的非结构化治疗条目在训练阶段404期间计算的。然后在应用阶段406中使用所述参数做出非结构化治疗条目特征和相关联的治疗特征之间的关联。
例如，在一些实施例中，三个非结构化特征(例如非结构化治疗条目特征)到两个HICL结构化信息类(例如相关联的治疗特征的联合)内的相关联的治疗特征的相关需要计算每个非结构化特征处于HICL类(例如相关联的治疗特征的联合)中的概率：
p(HICL│特征1,特征2,特征3)∝p(HICL)p(特征1,特征2,特征3│HICL)
≈p(HICL)p(特征1│HICL)p(特征2│HICL)p(特征3│HICL)
如果仅有非结构化特征1出现在非结构化治疗条目中，那么对属于HICL类一的非结构化治疗条目的后验概率进行如下的相关：
p(HICL＝1│特征1＝1,特征2＝0,特征3＝0)
≈p(HICL＝1)p(特征1＝1│HICL＝1)p(特征2＝0│HICL＝1)p(特征3＝0│HICL＝1)
可以在训练阶段来计算以上公式的四个参数，例如：
p(特征1＝1│HICL＝1)＝(HICL总数＝1AND特征1出现)/(HICL总数＝1)
将非结构化治疗条目一致地相关到结构化治疗条目的机器学习方面被设计为便于对临床研究(数据挖掘和知识查找)中eRI药物数据库的二次使用。作为对二次治疗条目数据使用的扩展，所述系统可以提供对非结构化条目的其他数据库(例如对于外部顾客的eRI数据库)的相关作用。治疗条目的使用的例子并不旨在作为限制。例如，不良事件和/或感染监测、由专注于医疗质量的和公共卫生组织例如疾病预防和控制中心(CDC)所执行的生物监测，可以通过系统的实施以准确和统一地将大量非结构化条目特征相关到相关联的治疗特征和/或相关联的治疗特征的联合而被改进。统一的标准化技术可能对研究的其他领域(比如在完善国家药物数据库或统一临床研究CPOE文档)有用。本文中所公开的例子仅仅作为说明的目的而不旨在对本发明的范围进行限制。
图5示出了用于将非结构化条目特征与相关联的治疗特征一致地相关的方法500。所述相关联系统包括一个或多个物理计算机处理器和/或其他部件，其被计算机可读指令配置为执行计算机程序部件。计算机程序部件包括用户输入部件、识别部件、相关联部件、和/或其他部件。以下呈现的方法500的操作旨在是说明性的。在一些实施例中，方法500可以利用一个或多个未描述的额外的操作来完成、或者在没有所讨论的操作中的一个或多个的情况下完成。另外，在图5中图示并且在以下描述的方法500的操作的顺序不旨在限制。
在一些实施例中，方法500可以在一个或多个处理设备(例如，数字处理器、逻辑处理器、被设计为处理信息的数字电路、被设计为处理信息的逻辑电路、状态机、和/或用于电子地处理信息的其他机构)中实施。所述一个或多个处理设备可以包括响应于电子地存储在电子存储设备介质中的指令来执行方法500的操作中的一些或全部的一个或多个设备。所述一个或多个处理设备可以包括通过硬件、固件、和/或软件被配置为专门执行方法500的操作中的一个或多个设备。
在操作502获得用户输入。用户输入可以包括非结构化治疗条目。例如，提供者可以在CPOE用户接口输入非结构化条目(例如药物说明)。在一些实施例中，操作502是由与(图1中示出并且在本文中描述的)用户输入部件30相同或相似的用户输入部件来执行的。
在操作504中识别个体非结构化治疗条目特征。非结构化条目特征包括在操作502中所输入的非结构化治疗条目中。在一些实施例中，操作504是由与(图1中示出并且在本文中描述的)识别部件32相同或相似的识别部件所执行的。
在操作506中，将个体非结构化治疗条目特征相关到相关联的治疗特征。将所识别的非结构化治疗条目中的非结构化条目特征相关到结构化条目特征，其中，这样的相关是基于与包括非结构化条目特征的个体非结构化治疗条目相关联的上下文信息。响应于识别出非结构化治疗条目，根据与非结构化治疗条目相关的上下文信息来将非结构化条目相关到对应的相关联的治疗特征。上下文信息包括以下中的一项或多项：第一非结构化治疗条目的语法、第一非结构化治疗条目的创建者、和/或第一非结构化治疗条目的格式。在一些实施例中，相关可以包括以下中的一项或多项：校正所述非结构化治疗条目中的拼写错误；提供针对所述非结构化治疗条目中的缩写的说明；将无语义和/或无意义的数据从所述非结构化治疗条目中移除；对单元进行过滤、校正词语的拼写、分离词语、合并前缀分离的词、校正拼写错误、提供说明、移除无语义和/或无意义的数据、和/或其他操作。在一些实施例中，操作506由与(在图1中所示并且在本文中描述的)相关部件34相同或相似的一个或多个相关部件来执行。
在权利要求中，置于括号之间的任何附图标记都不应被解释为对权利要求的限制。词语“包括”或“包含”不排除存在多于权利要求中列出的那些之外的元件或步骤的存在。在枚举了若干器件的装置型权利要求中，这些装置中的若干个可以由相同的硬件项来实现。元件前的词语“一”或“一个”不排除存在多个这样的元件。在枚举了若干器件的任何装置型权利要求中，这些装置中的若干个可以由相同的硬件项来实现。尽管在互不相同的从属权利要求中记载了特定元件，但是这并不指示不能有利地使用这些元件的组合。
尽管以上提供的说明出于基于当前认为最优选和现实的实施例的提供了说明的目的的细节，但是应理解，这样的细节仅用于该目的并且本公开不限于明确公开的实施例，而是相反，旨在涵盖在随附权利要求书的精神和范围之内的修改和等价布置。例如，应该理解，本公开预期，在可能的范围内，任何实施例的一个或多个特征可以与任何其他实施例的一个或多个特征相组合。
Claims (15)
1.一种被配置为将非结构化治疗条目(202)中的非结构化条目特征(212)与结构化治疗信息(204)中的相关联的治疗特征(210)一致地相关的系统(10)，所述系统包括：
一个或多个物理计算机处理器(20)，其被计算机可读指令配置为：
获得非结构化治疗条目，所述非结构化治疗条目包括第一非结构化治疗条目；
识别个体非结构化治疗条目中的非结构化条目特征；并且
将所述非结构化治疗条目中的识别出的非结构化条目特征与对应的相关联的治疗特征相关，这样的相关是基于与包括所述非结构化条目特征的所述非结构化治疗条目相关联的上下文信息的，使得，响应于识别出所述第一非结构化治疗条目中的第一非结构化条目特征，基于与所述第一非结构化治疗条目相关联的上下文信息来将所述第一非结构化条目特征相关到对应的相关联的治疗特征，与所述第一非结构化治疗条目相关联的所述上下文信息包括以下中的一项或多项：所述第一非结构化治疗条目的语法、所述第一非结构化治疗条目的创建者、和/或所述第一非结构化治疗条目的格式。
2.根据权利要求1所述的系统，其中，所述一个或多个物理计算机处理器被配置为使得所述相关联的治疗特征包括以下中的一项或多项：分层成分代码列表(HICL)中的药物成分、国家药物数据文档(NDDF)中的药物名称、治疗名称、或分类号。
3.根据权利要求1所述的系统，其中，所述一个或多个物理计算机处理器被配置为使得所述非结构化条目特征包括以下中的一项或多项：非结构化药物成分、非结构化药物名称、非结构化治疗名称、或非结构化分类号，并且其中，所述一个或多个物理计算机处理器被配置为确定个体非结构化条目特征与相关联的治疗特征的集合有关的第一概率，并且确定所述个体非结构化条目特征与所述相关联的治疗特征的集合中的相关联的治疗特征的特定类有关的第二概率。
4.根据权利要求1所述的系统，其中，所述一个或多个物理计算机处理器被配置为确定指示所述第一非结构化条目特征与所述对应的相关联的治疗特征之间的相关强度的可靠性因子。
5.根据权利要求1所述的系统，其中，所述一个或多个物理计算机处理器被配置为使得相关包括以下中的一项或多项：
对来自所述非结构化治疗条目的单元进行过滤；
校正所述非结构化治疗条目中的词语拼写；
分离所述非结构化治疗条目中的词语；
对所述非结构化治疗条目中的前缀分离的词进行合并；
校正所述非结构化治疗条目中的拼写错误；
提供针对所述非结构化治疗条目中的缩写的说明；和/或
将无语义和/或无意义的数据从所述非结构化治疗条目中移除。
6.一种用于利用相关系统(10)来将非结构化治疗条目(202)中的非结构化条目特征(212)与结构化治疗信息(204)中的相关联的治疗特征(210)一致地相关的方法，所述系统包括一个或多个物理计算机处理器(20)，所述方法包括：
利用所述一个或多个物理计算机处理器来获得非结构化治疗条目，所述非结构化治疗条目包括第一非结构化治疗条目；
利用所述一个或多个物理计算机处理器来识别个体非结构化治疗条目中的非结构化条目特征；并且
利用所述一个或多个物理计算机处理器来将所述非结构化治疗条目中的识别出的非结构化条目特征与对应的相关联的治疗特征相关，这样的相关是基于与包括所述非结构化条目特征的所述非结构化治疗条目相关联的上下文信息的，使得，响应于识别出所述第一非结构化治疗条目中的第一非结构化条目特征，基于与所述第一非结构化治疗条目相关联的上下文信息来将所述第一非结构化条目特征相关到对应的相关联的治疗特征，与所述第一非结构化治疗条目相关联的所述上下文信息包括以下中的一项或多项：所述第一非结构化治疗条目的语法、所述第一非结构化治疗条目的创建者、和/或所述第一非结构化治疗条目的格式。
7.根据权利要求6所述的方法，其中，所述相关联的治疗特征包括以下中的一项或多项：分层成分代码列表(HICL)中的药物成分、国家药物数据文档(NDDF)中的药物名称、治疗名称、或分类号。
8.根据权利要求6所述的方法，其中，所述非结构化条目特征包括以下中的一项或多项：非结构化药物成分、非结构化药物名称、非结构化治疗名称、或非结构化分类号，并且其中，所述方法还包括确定个体非结构化条目特征与相关联的治疗特征的集合有关的第一概率，并且确定所述个体非结构化条目特征与所述相关联的治疗特征的集合中的相关联的治疗特征的特定类有关的第二概率。
9.根据权利要求6所述的方法，还包括确定指示所述第一非结构化条目特征与所述对应的相关联的治疗特征之间的相关强度的可靠性因子。
10.根据权利要求6所述的方法，其中，相关包括以下中的一项或多项：
对来自所述非结构化治疗条目的单元进行过滤；
校正所述非结构化治疗条目中的词语拼写；
分离所述非结构化治疗条目中的词语；
对所述非结构化治疗条目中的前缀分离的词进行合并；
校正所述非结构化治疗条目中的拼写错误；
提供针对所述非结构化治疗条目中的缩写的说明；和/或
将无语义和/或无意义的数据从所述非结构化治疗条目中移除。
11.一种被配置为将非结构化治疗条目(202)中的非结构化条目特征(212)与结构化治疗信息(204)中的相关联的治疗特征(210)一致地相关的系统(10)，所述系统包括：
用于获得非结构化治疗条目的模块(20)，所述非结构化治疗条目包括第一非结构化治疗条目；
用于识别所述个体非结构化治疗条目中的非结构化条目特征的模块(20)；以及
用于将所述非结构化治疗条目中识别出的非结构化条目特征与对应的相关联的治疗特征相关，这样的相关是基于与包括所述非结构化条目特征的所述非结构化治疗条目相关联的上下文信息的，使得，响应于识别出所述第一非结构化治疗条目中的第一非结构化条目特征，根据与所述第一非结构化治疗条目相关联的上下文信息来将所述第一非结构化条目特征相关到对应的相关联的治疗特征的模块(20)，与所述第一非结构化治疗条目相关联的所述上下文信息包括以下中的一项或多项：所述第一非结构化治疗条目的语法、所述第一非结构化治疗条目的创建者、和/或所述第一非结构化治疗条目的格式。
12.根据权利要求11所述的系统，其中，所述相关联的治疗特征包括以下中的一项或多项：分层成分代码列表(HICL)中的药物成分、国家药物数据文档(NDDF)中的药物名称、治疗名称、或分类号。
13.根据权利要求11所述的系统，其中，所述非结构化条目特征包括以下中的一项或多项：非结构化药物成分、非结构化药物名称、非结构化治疗名称、或非结构化分类号，并且其中，所述系统还包括用于确定个体非结构化条目特征与相关联的治疗特征的集合有关的第一概率并且确定所述个体非结构化条目特征与所述相关联的治疗特征的集合中的相关联的治疗特征的特定类有关的第二概率的模块(20)。
14.根据权利要求11所述的系统，还包括用于确定指示所述第一非结构化条目特征与所述对应的相关联的治疗特征之间的相关强度的可靠性因子的模块(20)。
15.根据权利要求11所述的系统，其中，相关包括以下中的一项或多项：
对来自所述非结构化治疗条目的单元进行过滤；
校正所述非结构化治疗条目中的词语拼写；
分离所述非结构化治疗条目中的词语；
对所述非结构化治疗条目中的前缀分离的词进行合并；
校正所述非结构化治疗条目中的拼写错误；
提供针对所述非结构化治疗条目中的缩写的说明；和/或
将无语义和/或无意义的数据从所述非结构化治疗条目中移除。
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US201462089336P | 2014-12-09 | 2014-12-09 | |
| US62/089,336 | 2014-12-09 | ||
| PCT/IB2015/059203 WO2016092411A1 (en) | 2014-12-09 | 2015-11-30 | System and method for uniformly correlating unstructured entry features to associated therapy features |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107004058A true CN107004058A (zh) | 2017-08-01 |
Family
ID=54979876
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201580067084.3A Pending CN107004058A (zh) | 2014-12-09 | 2015-11-30 | 用于将非结构化条目特征与相关联的治疗特征一致地相关的系统和方法 |
Country Status (6)
| Country | Link |
|---|---|
| US (1) | US20180260426A1 (zh) |
| EP (1) | EP3230907B1 (zh) |
| JP (1) | JP6375064B2 (zh) |
| CN (1) | CN107004058A (zh) |
| RU (1) | RU2701702C2 (zh) |
| WO (1) | WO2016092411A1 (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10755804B2 (en) * | 2016-08-10 | 2020-08-25 | Talix, Inc. | Health information system for searching, analyzing and annotating patient data |
| US11023679B2 (en) * | 2017-02-27 | 2021-06-01 | Medidata Solutions, Inc. | Apparatus and method for automatically mapping verbatim narratives to terms in a terminology dictionary |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2004295485A (ja) * | 2003-03-27 | 2004-10-21 | Sanyo Electric Co Ltd | 診療支援装置、診療支援方法、診療支援プログラム及び電子カルテ |
| JP2007148660A (ja) * | 2005-11-25 | 2007-06-14 | Toshiba Corp | 医用レポートシステム及び医用データ変換プログラム |
| US8214224B2 (en) * | 2001-11-02 | 2012-07-03 | Siemens Medical Solutions Usa, Inc. | Patient data mining for quality adherence |
| US20130167192A1 (en) * | 2011-12-27 | 2013-06-27 | Wellpoint, Inc. | Method and system for data pattern matching, masking and removal of sensitive data |
| US20130297348A1 (en) * | 2011-02-18 | 2013-11-07 | Nuance Communications, Inc. | Physician and clinical documentation specialist workflow integration |
| US20140195255A1 (en) * | 2013-01-08 | 2014-07-10 | Robert Bosch Gmbh | System And Method For Assessment Of Patient Health Using Patient Generated Data |
Family Cites Families (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2000072452A2 (en) * | 1999-05-26 | 2000-11-30 | Health Hero Network, Inc. | Converting unstructured information into structured information |
| JP2001092908A (ja) * | 1999-09-21 | 2001-04-06 | Nec Corp | 電子診療録装置 |
| RU2205447C2 (ru) * | 2001-02-05 | 2003-05-27 | ЗАО Московское конструкторское бюро "Параллель" | Способ автоматизации общей функциональной диагностики |
| JP2004348333A (ja) * | 2003-05-21 | 2004-12-09 | It Coordinate Inc | 文字列入力支援プログラム、文字列入力装置および方法 |
| JP4516809B2 (ja) * | 2004-06-23 | 2010-08-04 | 財団法人日本医薬情報センター | 添付文書適応症コード変換方法 |
| US7630947B2 (en) * | 2005-08-25 | 2009-12-08 | Siemens Medical Solutions Usa, Inc. | Medical ontologies for computer assisted clinical decision support |
| JP2008083927A (ja) * | 2006-09-27 | 2008-04-10 | Gifu Univ | 医療情報抽出装置、及び医療情報抽出プログラム |
| WO2008063973A2 (en) * | 2006-11-13 | 2008-05-29 | Exegy Incorporated | Method and system for high performance data metatagging and data indexing using coprocessors |
| US7813929B2 (en) * | 2007-03-30 | 2010-10-12 | Nuance Communications, Inc. | Automatic editing using probabilistic word substitution models |
| EP2245568A4 (en) * | 2008-02-20 | 2012-12-05 | Univ Mcmaster | EXPERT SYSTEM FOR DETERMINING A PATIENT'S RESPONSE TO A TREATMENT |
| US8799009B2 (en) * | 2009-02-02 | 2014-08-05 | Mckesson Financial Holdings | Systems, methods and apparatuses for predicting capacity of resources in an institution |
| US20110113049A1 (en) * | 2009-11-09 | 2011-05-12 | International Business Machines Corporation | Anonymization of Unstructured Data |
| WO2013002122A1 (ja) * | 2011-06-28 | 2013-01-03 | Fukutome Toshifumi | 患者情報を記憶する記憶媒体及びプログラム |
| EP2669812A1 (en) * | 2012-05-30 | 2013-12-04 | Koninklijke Philips N.V. | Providing assistance with reporting |
| JP5763011B2 (ja) * | 2012-06-01 | 2015-08-12 | 日本電信電話株式会社 | 服薬情報管理システム及び服薬情報管理方法 |
-
2015
- 2015-11-30 WO PCT/IB2015/059203 patent/WO2016092411A1/en active Application Filing
- 2015-11-30 JP JP2017530312A patent/JP6375064B2/ja not_active Expired - Fee Related
- 2015-11-30 RU RU2017124338A patent/RU2701702C2/ru not_active IP Right Cessation
- 2015-11-30 EP EP15813912.1A patent/EP3230907B1/en not_active Not-in-force
- 2015-11-30 US US15/534,253 patent/US20180260426A1/en not_active Abandoned
- 2015-11-30 CN CN201580067084.3A patent/CN107004058A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8214224B2 (en) * | 2001-11-02 | 2012-07-03 | Siemens Medical Solutions Usa, Inc. | Patient data mining for quality adherence |
| JP2004295485A (ja) * | 2003-03-27 | 2004-10-21 | Sanyo Electric Co Ltd | 診療支援装置、診療支援方法、診療支援プログラム及び電子カルテ |
| JP2007148660A (ja) * | 2005-11-25 | 2007-06-14 | Toshiba Corp | 医用レポートシステム及び医用データ変換プログラム |
| US20130297348A1 (en) * | 2011-02-18 | 2013-11-07 | Nuance Communications, Inc. | Physician and clinical documentation specialist workflow integration |
| US20130167192A1 (en) * | 2011-12-27 | 2013-06-27 | Wellpoint, Inc. | Method and system for data pattern matching, masking and removal of sensitive data |
| US20140195255A1 (en) * | 2013-01-08 | 2014-07-10 | Robert Bosch Gmbh | System And Method For Assessment Of Patient Health Using Patient Generated Data |
Also Published As
| Publication number | Publication date |
|---|---|
| EP3230907A1 (en) | 2017-10-18 |
| EP3230907B1 (en) | 2018-09-26 |
| RU2701702C2 (ru) | 2019-09-30 |
| WO2016092411A1 (en) | 2016-06-16 |
| RU2017124338A3 (zh) | 2019-07-17 |
| RU2017124338A (ru) | 2019-01-10 |
| JP2017537409A (ja) | 2017-12-14 |
| JP6375064B2 (ja) | 2018-08-15 |
| US20180260426A1 (en) | 2018-09-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US12080429B2 (en) | Methods and apparatus for providing guidance to medical professionals | |
| CN106919793B (zh) | 一种医疗大数据的数据标准化处理方法及装置 | |
| Dalianis et al. | HEALTH BANK-A Workbench for Data Science Applications in Healthcare. | |
| EP3719805A1 (en) | Predictive system for generating clinical queries | |
| US10095761B2 (en) | System and method for text extraction and contextual decision support | |
| US20140365239A1 (en) | Methods and apparatus for facilitating guideline compliance | |
| EP3210140A1 (en) | Identification of codable sections in medical documents | |
| WO2014163970A1 (en) | Systems and methods for identifying errors and critical results in medical reports | |
| Friedman et al. | Natural language and text processing in biomedicine | |
| US20170364640A1 (en) | Machine learning algorithm to automate healthcare communications using nlg | |
| EP3000064A1 (en) | Methods and apparatus for providing guidance to medical professionals | |
| EP3360058A1 (en) | Device, system, and method for determining information relevant to a clinician | |
| Lopez-Guede et al. | Lynx: automatic elderly behavior prediction in home telecare | |
| CN115083561B (zh) | 基于患者实际需求为导向的用药教育推送方法及系统 | |
| Liu et al. | A review of reinforcement learning for natural language processing and applications in healthcare | |
| CN107004058A (zh) | 用于将非结构化条目特征与相关联的治疗特征一致地相关的系统和方法 | |
| Nakayama et al. | Making sense of abbreviations in nursing notes: A case study on mortality prediction | |
| Soni et al. | Using FHIR to construct a corpus of clinical questions annotated with logical forms and answers | |
| Patra et al. | Extracting Social Support and Social Isolation Information from Clinical Psychiatry Notes: Comparing a Rule-based NLP System and a Large Language Model | |
| Macri et al. | Automated identification of clinical procedures in free-text electronic clinical records with a low-code named entity recognition workflow | |
| Grechishcheva et al. | Risk markers identification in EHR using natural language processing: hemorrhagic and ischemic stroke cases | |
| Grabar et al. | Year 2021: COVID-19, Information Extraction and BERTization among the Hottest Topics in Medical Natural Language Processing | |
| AVDIC et al. | Automatic Labeling of Diagnosis in Medical Reports in Serbian | |
| Patil et al. | 11 Automated healthcare system using gamification and AI-based chatbot | |
| Fombu | Predictive Medicine: Artificial Intelligence and Its Impact on Healthcare Business Strategy |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| CB03 | Change of inventor or designer information |
Inventor after: R. Sheriffside Inventor after: O*F*Fari Inventor after: Juxian Shu Inventor after: Jia Yugang Inventor after: D*R*El Gott Inventor before: R*Sheriffside Inventor before: O*F*Fari Inventor before: X*Zhu Inventor before: Y*Jia Inventor before: D*R*El Gott |
|
| CB03 | Change of inventor or designer information | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20170801 |
|
| WD01 | Invention patent application deemed withdrawn after publication |