CN107403068A - 融合临床思维的智能辅助问诊方法及系统 - Google Patents

融合临床思维的智能辅助问诊方法及系统 Download PDF

Info

Publication number
CN107403068A
CN107403068A CN201710642610.5A CN201710642610A CN107403068A CN 107403068 A CN107403068 A CN 107403068A CN 201710642610 A CN201710642610 A CN 201710642610A CN 107403068 A CN107403068 A CN 107403068A
Authority
CN
China
Prior art keywords
case history
standard
main suit
degree
standard case
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.)
Granted
Application number
CN201710642610.5A
Other languages
English (en)
Other versions
CN107403068B (zh
Inventor
丁帅
金行
杨善林
傅强
张�林
门鹏林
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
HEFEI DVL ELECTRON CO Ltd
Hefei University of Technology
Original Assignee
HEFEI DVL ELECTRON CO Ltd
Hefei University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by HEFEI DVL ELECTRON CO Ltd, Hefei University of Technology filed Critical HEFEI DVL ELECTRON CO Ltd
Priority to CN201710642610.5A priority Critical patent/CN107403068B/zh
Publication of CN107403068A publication Critical patent/CN107403068A/zh
Application granted granted Critical
Publication of CN107403068B publication Critical patent/CN107403068B/zh
Priority to US16/049,787 priority patent/US20190035506A1/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/30—Semantic analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • 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
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G06N5/045—Explanation of inference; Explainable artificial intelligence [XAI]; Interpretable artificial intelligence

Abstract

本发明涉及智能医学技术领域，提供一种融合临床思维的智能辅助问诊方法及系统。所述方法包括：分别计算当前病历主诉关键词和标准病历主诉关键词与LSI主题的相关度，获取当前病历主题相关度向量组和标准病历主题相关度向量组；基于所述当前病历主题相关度向量组和标准病历主题相关度向量组，计算所述当前病历主诉与标准病历主诉的相似度；根据所述相似度，确定对应的标准病例。本发明提供的一种融合临床思维的智能辅助问诊方法及系统，通过将当前病历主诉与标准病历数据逐步匹配，确定目标标准病历，可有效用于对当前病历的初步确定及智能导诊，从而大大减缓医院人员压力，提升患者体验。

Description

融合临床思维的智能辅助问诊方法及系统
技术领域
本发明涉及智能医学技术领域，更具体地，涉及一种融合临床思维的智能辅助问诊方法及系统。
背景技术
社会的进步和人们生活水平的提高，使人们越来越重视自身的健康问题，人们的医疗需求日益增长。另外有些人，即使没有出现身体不适，也会定期到医院检查身体状况。
传统的疾病初诊过程依赖于医生对患者病症的询问，并由医生根据患者的回答和以往掌握的疾病特征对患者所患疾病做出判断。但是，患者实际就诊过程流程复杂，患者要经过挂号、排号及候诊等一系列流程才能最终到达医生诊疗环节。就诊流程中，每个环节患者都需要排队，特别是在大医院，排队时间会严重加长，整个就诊流程下来，患者平均在排队上就花去两三个小时，甚至更久，而这中间医生就诊的时间也就短短的十几分钟。
因此，对病患来说，按传统疾病诊疗过程，实际就诊体验很差；同时，相对病患人员，诊疗人员数量严重不足，诊疗人员工作强度严重偏大。
发明内容
为了克服上述问题或者至少部分地解决上述问题，本发明提供一种融合临床思维的智能辅助问诊方法及系统，以实现对当前病历的初步确定和智能导诊，从而大大减缓医院人员不足的压力，降低医院人员的工作强度，提升患者就医体验。
一方面，本发明提供一种融合临床思维的智能辅助问诊方法，包括：计算当前病历主诉关键词与LSI主题相关度，获取当前病历主题相关度向量组；计算标准病历主诉关键词与所述LSI主题相关度，获取标准病历主题相关度向量组；基于所述当前病历主题相关度向量组和所述标准病历主题相关度向量组，计算所述当前病例主诉与所述标准病历主诉的相似度；根据所述相似度，确定对应的标准病例。
其中，所述方法进一步包括：基于不同标准病历主题相关度向量组，对获取的所述相似度进行排序，根据排序结果和基于所述标准病例的反馈信息，确定目标标准病历。
其中，所述根据排序结果和基于所述标准病例的反馈信息，确定目标标准病历的步骤进一步包括：从所述相似度最高的标准病历开始，对每一个所述标准病历的有序标准问题由前至后和基于所述标准病例的反馈信息进行比对，基于比对相关度，顺序更换标准病历，直到所有标准病历的有序标准问题比对完成。
其中，所述基于比对相关度，顺序更换标准病历，直到所有标准病历的有序标准问题比对完成的步骤进一步还包括：每一个所述标准病历的有序标准问题由前至后和基于所述标准病例的反馈信息的比对结果达不到设定标准，则顺序选择下一个所述标准病历的有序标准问题。
其中，所述基于所述标准病例的反馈信息是指获取的病患回答信息、当前病历反馈的回答信息或者历史病历反馈的回答信息。
其中，所述标准病历数据库包括：标准病历主诉库、有序标准问题库和所述有序标准问题库对应的标准回答库。
进一步的，在所述计算当前病历主诉关键词与LSI主题相关度，获取当前病历主题相关度向量组之前，所述方法还包括：获取所述当前病历主诉，对所述当前病历主诉进行分词处理、去除停止词处理和提取关键词处理，获取所述当前病历主诉关键词。
其中，所述LSI主题的获取处理过程包括：对所述标准病历主诉进行分词处理和去除停止词处理，获取若干单词；根据各所述单词在所述标准病历主诉中出现的频次，对所述单词进行分类运算，获取若干所述LSI主题。
其中，所述根据各所述单词在所述标准病历主诉中出现的频次，对所述单词进行分类运算，获取若干所述LSI主题包括：按所述单词在医学词典中的序号对所述单词进行标号并计算所述单词在所述标准病历主诉中出现的频次；以所述标号和所述频次对为元素构建标准病历主诉文档向量；计算所述标准病历主诉文档向量中各元素对应的所述单词的TF-IDF值，获取TF-IDF向量，并由所述TF-IDF向量训练获取LSI模型，设置所述LSI主题。
另一方面，本发明提供一种融合临床思维的智能辅助问诊系统，包括：第一相关度计算模块、第二相关度计算模块、相似度计算模块和病历确定模块。其中，所述第一相关度计算模块用于计算当前病历主诉关键词与LSI主题相关度，获取当前病历主题相关度向量组；第二相关度计算模块用于计算标准病历主诉关键词与所述LSI主题相关度，获取标准病历主题相关度向量组；所述相似度计算模块用于基于所述当前病历主题相关度向量组和所述标准病历主题相关度向量组，计算所述当前病历主诉与所述标准病历主诉的相似度；所述病历确定模块用于根据所述相似度，确定对应的标准病例。
本发明提供的一种融合临床思维的智能辅助问诊方法及系统，通过将当前病历主诉与标准病历数据逐步匹配，确定目标标准病历，能够有效用于对当前病历的初步确定及智能导诊，从而大大减缓医院人员不足的压力，降低医院人员的工作强度，提升患者就医体验。
附图说明
图1为本发明实施例一种融合临床思维的智能辅助问诊方法流程图；
图2为本发明实施例一种获取LSI主题的处理过程流程图；
图3为本发明实施例一种根据单词频次获取LSI主题的处理过程流程；
图4为本发明实施例一种标准病历数据库结构示意图；
图5为本发明实施例一种融合临床思维的智能辅助问诊系统结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
作为本发明实施例的一个方面，本实施例提供一种融合临床思维的智能辅助问诊方法，参考图1，为本发明实施例一种融合临床思维的智能辅助问诊方法流程图，包括：
S1，计算当前病历主诉关键词与LSI主题相关度，获取当前病历主题相关度向量组；S2，计算标准病历主诉关键词与所述LSI主题相关度，获取标准病历主题相关度向量组；S3，基于所述当前病历主题相关度向量组和所述标准病历主题相关度向量组，计算所述当前病历主诉与所述标准病历主诉的相似度；S4，根据所述相似度，确定对应的标准病例。
在对步骤S1和步骤S2进行具体说明之前，先明确几个定义如下：
病历主诉：医学和心理学用语。是病历主体自述自己感受最主要的痛苦，就诊最主要的原因或最明显的症状、体征和/或性质，以及这些征状持续时间，能够初步反应病情轻重与缓急，对某系统疾患能提供诊断线索。病历主诉的需要准确，且遵循客观和实事求是的原则。例如，一个好的主诉即准确，能够病历主体自己描述的症状，与病历主体现病史一致。
病历主诉关键词：通常病历主诉为一段自然语言，通过对病历主诉进行一定的处理，可以提取其中能够完整表达病历主体主诉意思的若干关键词，该关键词即为病历主诉关键词。以下说明中，若干均指一个或多个。
潜在语义索引(Latent Semantic Indexing,LSI)模型：一种自然语言处理模型，是指通过海量文献找出词汇之间的关系，当两个词或一组词大量出现在一个文档中时，这些词之间就可以被认为是语义相关的。通过对大量数据的统计，得出相关词汇构成一个潜在的主题，本质是给词汇聚类。本发明实施例中LSI模型是指通过对标准病历数据进行统计聚类而建立的标准病历主诉LSI模型。
LSI主题：即通过对标准病历主诉数据进行统计、聚类而得出的相关词汇构成的若干潜在主题。
标准病历主诉：对于标准病历数据库，里面存储有对应各种疾病的标准病历数据，其中包括这些标准病历的主诉信息。是标准病历的患者自述自己感受最主要的痛苦，就诊最主要的原因或最明显的症状、体征和/或性质，以及这些征状持续时间，能够初步反应病情轻重与缓急，对某系统疾患能提供诊断线索。
标准病历主诉关键词：通常标准病历主诉为一段自然语言，通过对标准病历主诉进行一定的处理，可以提取其中能够完整表达标准病历患者主诉意思的若干关键词，该关键词即为标准病历主诉关键词。
对于步骤S1和步骤S2，具体而言，在通过对标准病历主诉数据进行关键词提取，并对关键词进行统计及聚类之后，根据聚类信息设置若干个LSI主题，建立并训练LSI模型。同时，对于当前病历主诉和标准病历主诉，分别进行自然语言处理，并分别提取当前病历主诉关键词和标准病历主诉关键词。
然后通过训练好的LSI模型，对当前病历主诉关键词与LSI主题进行相关度计算，获取当前病历主题相关度向量组，对标准病历主诉关键词和LSI主题进行相关度计算，获取标准病历主题相关度向量组。
在一个实施例中，在所述计算当前病历主诉关键词与LSI主题相关度，获取当前病历主题相关度向量组之前，所述方法还包括：获取所述当前病历主诉，对所述当前病历主诉进行分词处理、去除停止词处理和提取关键词处理，获取所述当前病历主诉关键词。
同样，在所述计算标准病历主诉关键词与所述LSI主题相关度，获取标准病历主题相关度向量组之前还包括：获取所述标准病历主诉，对所述标准病历主诉进行分词处理、去除停止词处理和提取关键词处理，获取所述标准病历主诉关键词。
其中，分词处理：是指将一个汉字序列切分成一个一个单独的词，就是将连续的字序列按照一定的规范重新组合成词序列的过程。现有的分词算法可分为三大类：基于字符串匹配的分词方法、基于理解的分词方法和基于统计的分词方法。按照是否与词性标注过程相结合，又可以分为单纯分词方法和分词与标注相结合的一体化方法。
去除停止词处理：指去除文段中对文段主要意思表达没有影响或影响不大的部分词语，这些词语可能在文段中出现频率很高，却对文段表达的意思没有任何影响，如“的”、“地”、“得”之类的助词，“啊”、“哈”、“呀”之类的感叹词，以及“从而”、“以”、“却”之类的副词或介词等。
具体而言，通过语音识别单元识别当前病历的语音主诉信息，并将所述语音主诉信息转化为文本信息；或者，直接通过文字录入模块获取当前病历的输入文本信息，所述文本信息即作为当前病历主诉信息，并将所述当前病历主诉信息作为后续计算步骤的输入。
然后，对所述当前病历主诉进行分词和去除停止词处理，提取当前病历主诉关键词，从而得到当前病历主诉的关键词组，通过LSI模型分别计算所述关键词组中各当前病历主诉关键词与M个LSI主题的相关度，获取当前病历主题相关度向量组，即对任一当前病历主诉关键词，可得：
Patient＝[(0,rel0),(1,rel1),…,(M-2,relM-2),(M-1,relM-1),]；
其中，向量Patient表示任一当前病历主诉关键词对应的当前病历主题相关度向量，0，1，2，…，M-1分别表示M个LSI主题编号；rel0，rel1，rel2，…，relM-1分别表示当前病历主诉关键词与LSI主题编号为0至M-1的LSI主题的相关度。
同时，从标准病历数据库中获取标注病历主诉信息，对获取的标准病历主诉经分词、去除停止词处理，提取标准病历主诉关键词，对任一标准病历主诉关键词，通过LSI模型分别计算该标准病历主诉关键词与M个LSI主题的相关度，获取该标准病历主诉关键词对应的标准病历主题相关度向量，建立相关索引，其中标准主题相关度向量如下：
EMRn＝[(0,rel＇0),(1,rel＇1),...,(M-2,rel′M-2),(M-1,rel′M-1)]；
其中，向量EMRn表示任一标准病历主诉关键词对应的标准病历主题相关度向量，0,1,2,…,M-1表示M个LSI主题编号；rel′0,rel＇1，…，rel′M-1表示标准病历主诉关键词分别与LSI主题编号为0至M-1的LSI主题的相关度。
其中可选的，所述LSI主题的获取处理过程参考图2，为本发明实施例一种获取LSI主题的处理过程流程图，包括：
S11，对所述标准病历主诉进行分词处理和去除停止词处理，获取若干单词。
具体而言，在应用LSI模型计算之前，需建立LSI模型，并用标准病历主诉信息对LSI模型进行训练，在获取LSI模型的过程中设置LSI主题。即对于标准病历库中的任一标准病历，首先获取其对应的标准病历主诉文本信息，并对所述文本信息进行如上述实施例所述的分词处理和去除停止词处理，获得该标准病历主诉文本信息的若干单词。
S12，根据各所述单词在所述标准病历主诉中出现的频次，对所述单词进行分类运算，获取若干所述LSI主题。
具体而言，在上述步骤获取任一标准病历主诉的单词之后，通过计算所述单词在该标准病历主诉中的出现频次，计算各单词的TF-IDF值，并据此实现对该标准病历中所有单词的分类，根据分类信息设置M个主题。
其中可选的，所述根据各所述单词在所述标准病历主诉中出现的频次，对所述单词进行分类运算，获取若干所述LSI主题的处理过程参考图3，为本发明实施例一种根据单词频次获取LSI主题的处理过程流程图，包括：
S121，按所述单词在医学词典中的序号对所述单词进行标号并计算所述单词在所述标准病历主诉中出现的频次。
具体而言，需事先根据全部标准病历主诉信息建立医学词典。即将数据库中全部标准病历基础表中的主诉信息抽取出来，并对其进行如上述实施例所述的分词及去除停止词处理，获得一系列单词并计算各个单词在全部标准病历主诉中出现的总频次，选择总频次超过设定阈值的医学相关文本，并对选择的医学相关文本进行排序和编号，构成医学词典。
对于已经建立的医学词典，对任一标准病历主诉文本信息，将其进行分词、去除停止词处理，获得该主诉文本信息的单词组。将单词组中每个单词按其在医学词典中出现的位置序号进行标号并计算其在该主诉中出现的频次numn。
S122，以所述标号和所述频次对为元素构建标准病历主诉文档向量。
具体而言，对于上述步骤已经获取的任一标准病历主诉单词的序号和其在该标准病历主诉中出现的频次，将该主诉表示为用id作为主键的文档向量[id,[(num0,id0),(num1,id1),…,(numn,idn),…,(numN,idN)]]。其中，idn为该主诉拆成的单词组在医学词典中的序号。
S123，计算所述标准病历主诉文档向量中各元素对应的所述单词的TF-IDF值，获取TF-IDF向量，并由所述TF-IDF向量训练获取LSI模型，设置所述LSI主题。
具体而言，基于上述步骤的文档向量，计算每个单词的TF-IDF值tfidfn，根据这些TF-IDF值，生成新的tfidf向量[id,[(num0,tfidf1),(num1,tfidf2),…,(numn,tfidfn),…,(numN,tfidfN)]]。根据tfidf向量，设置M个主题。这时，每个文档都表示为用TF-IDF值表示的向量，用这些向量训练出LSI模型。
步骤S3中，相似度计算可以采用余弦相似度计算方法或者皮尔逊相似度计算方法等，以下均以余弦相似度计算进行说明。余弦相似度计算表示通过计算两个向量的夹角余弦值来评估他们的相似度。通常余弦相似度的计算过程为：将两个向量根据坐标值，绘制到向量空间中，如最常见的二维空间；求得他们的夹角，并得出夹角对应的余弦值，此余弦值就可以用来表征这两个向量的相似性。两向量的夹角越小，夹角余弦值越接近于1，两个向量的方向就更吻合，说明两个向量越相似。
对于步骤S3，具体而言，对当前病历主题相关度向量组Patient中的任一向量，以及标准病历主题相关度向量组EMRn中的任一向量，根据两向量的坐标，计算两向量夹角的余弦值，并根据计算获取的余弦值来判断两个向量的相似性。余弦值越大的，对应的两个向量相似性就越高，说明所述当前病历主诉越接近两个向量中标准病历主题相关度向量对应的标准病历类型。
对于步骤S4，具体而言，对应标准病历库中的每一类标准病历，都存在一个标准问题库，该标准问题库中的标准问题均按序排列，形成有序标准问题，该有序标准问题为对应标准病例中患者病史的问题。对于上述步骤计算获取的当前病历主诉与标准病历主诉的相似度，根据该相似度值的高低选择与当前病历主诉相似度高的标准病历，即高相似度标准病历。该高相似度标准病历对应的问题库中存在若干标准问题，在选取高相似度标准病历之后，访问其对应的标准问题库，按其中的标准问题与当前病历反馈进行比对。
本发明实施例提供的一种融合临床思维的智能辅助问诊方法，根据当前病历主诉与标准病例主诉进行计算、比对，确定目标标准病历，该目标标准病历能够有效用于对当前病历的初步确定及智能导诊，从而大大减缓医院人员不足的压力，降低医院人员的工作强度，提升患者就医体验。
其中可选的，所述方法进一步包括：基于不同标准病历主题相关度向量组，对获取的所述相似度进行排序，根据排序结果和基于所述标准病例的反馈信息，确定目标标准病历。
具体而言，根据上述实施例，在通过余弦相似度计算方法算得当前病历主诉与各标准病历主诉相似度之后，按各相似度值的高低，将对应相似度值从高到低的顺序对对应的标准病历进行排序，即，将与当前病历主诉相似度高的标准病历主诉对应的标准病历排在前面，将与当前病历主诉相似度低的标准病历主诉对应的标准病历排在后面。
然后，由排序第一的标准病历开始，逐次向后，按各标准病历问题库中的问题逐个比对标准病历回答与当前病历反馈。即先按排序第一的标准病历的问题的回答与当前病历的反馈进行比对，再按排序第二的标准病历的问题的回答与当前病历的反馈进行比对，再按排序第三的标准病历的问题的回答与当前病历的反馈进行比对，以此类推，直至所述当前病历对某个标准病历的有序标准问题的反馈都满足设置条件，则输出目标标准病历为该标准病历。
其中可选的，所述基于所述标准病例的反馈信息是指获取的病患回答信息、当前病历反馈的回答信息或者历史病历反馈的回答信息。
具体而言，所述基于所述标准病例的反馈信息可以是病患回答信息、当前病历反馈的回答信息或者历史病历反馈的回答信息中的一种或者多种组合。
其中可选的，所述根据排序结果和基于所述标准病例的反馈信息，确定目标标准病历的步骤进一步包括：从所述相似度最高的标准病历开始，对每一个所述标准病历的有序标准问题由前至后和基于所述标准病例的反馈信息进行比对，基于比对相关度，顺序更换标准病历，直到所有标准病历的有序标准问题比对完成。
其中可选的，所述基于比对相关度，顺序更换标准病历，直到所有标准病历的有序标准问题比对完成的步骤进一步还包括：每一个所述标准病历的有序标准问题由前至后和基于所述标准病例的反馈信息的比对结果达不到设定标准，则顺序选择下一个所述标准病历的有序标准问题。
对于全部标准病历，存在一个标准病历数据库，在一个实施例中，所述标准病历数据库的结构参考图4，为本发明实施例一种标准病历数据库结构示意图，包括：标准病历主诉库301、有序标准问题库302和所述有序标准问题库对应的标准回答库303。
本实施例具体而言，首先按上述排序中排第一的标准问题的问题库中的各个问题的标准回答与当前病历反馈进行比对，若当前病历反馈与标准病历数据库中对该问题的回答达到一定的相关度限值，如通过计算当前病历反馈与标准病历数据库中对同一问题的回答的第一相关度，判断第一相关度是否达到设定标准，若可以达到所述设定标准，则继续选择下一个问题的标准回答与当前病历反馈进行比对。直至当前病历针对排序第一的标准病历的某个问题的回答有达不到设定标准，选择排序第二的标准病历，即次高相似度标准病历。
在上述步骤选择了次高相似度标准病历之后，按上述排序中第二个标准病历的问题库中的各问题的标准回答与当前病历的反馈进行比对，即从次高相似度标准病历的第一个问题开始，逐个按该标准病历的各问题的标准回答与当前病历针对该问题的反馈进行比对，并计算患者回答与标准病历数据中对该问题的回答的相关度，获取第二相关度，并根据第二相关度对当前病历反馈进行评价，如当前病历反馈与标准病历数据库中对该问题的回答相关度是否达到设定标准。
而对于标准病历库中的每一个标准病历，对应的都存在一个有序问题库。根据上述实施例，按与当前病历主诉信息的相似度对标准病历进行了排序，其中排在第一的为最高相似度标准病历。首先选取最高相似度标准病历的第一个问题的标准回答与当前病历针对该问题的反馈进行比对，计算二者相关度，为第一回答相关度。
其中可选的，所述当前病历的反馈进一步包括当前病历的回答库或者当前病历的现场回答。在对每个标准病历的有序标准问题由前至后进行选取之后，所述方法还包括：判断选取的问题是否存在于所述当前病历的问答库中，若所述选取的问题存在于所述当前病历的问答库中，从所述当前病历的问答库中获取所述当前病历针对该问题的回答；若所述选取的问题不存在于所述当前病历的问答库中，采集所述当前病历的现场回答，并将所述现场回答存入所述当前病历的问答库。
具体而言，上述获取当前病历对问题的回答可以通过实时采集当前病历的现场回答，若该当前病历的以往病历中有对该问题的回答，也可以由该当前病历以往病历数据的问答库中对该当前病历对该问题的回答进行提取。
本实施例中在选取标准病历的问题之后，首先搜索该当前病历的以往病历数据，判断是否对该当前病历就本问题进行过提问，并判断该当前病历是否对该问题进行了回答，即判断当前病历以为病历数据中是否存在对该问题的回答数据。若经过搜索判断获知该当前病历的以往病历数据中存在该当前病历对该问题的回答，则直接从该当前病历数据中读取该回答数据。
另一方面，如果该当前病历以往病历数据显示未曾对该当前病历提出过该问题，或者向该当前病历提过该问题，但没有该当前病历对该问题的回答，即当前病历数据中不存在对该问题的回答数据，则向当前病历按该问题进行提问，并提示当前病历现场回答。在当前病历对该问题进行现场回答，并由系统采集当前病历的现场回答数据之后，系统将当前病历的现场回答数据存入该当前病历的问答库。
然后，在上述获取当前病历对最高相似度标准病历的第一个问题的回答和标准病历数据库中对该问题的回答的第一回答相关度之后，比较该相关度值与设定标准的大小，若该相关度值达到所述设定标准，则选取最高相似度标准病历的第二个问题。
根据上述步骤，可以在选取第二个问题之后，搜索该当前病历以往病历数据库，判断该当前病历是否有对该第二个问题回答过，即判断该当前病历以往病历数据库中是否有该当前病历对第二个问题的回答。若有，则直接读取，若没有，则就该第二个问题对当前病历提问，并获取当前病历对该第二个问题的现场回答。根据该当前病历对该第二个问题的回答，计算当前病历回答与标准病历数据库中对该问题的回答数据的相关度，该相关度即为所述下一回答相关度。
再然后，比较下一回答相关度与设定标准的大小关系，进一步判断下一回答相关度是否达到设定标准，若达到设定标准，则按顺序选择本标准病历的再下一个问题。以此类推，直至问到本标准病历的最后一个问题，说明该当前病历的病症与本标准病历的病症具有较高的相似性，则输出诊断结果为本标准病历是最接近的标准病历。
或者，在按上述问答步骤处理的过程中，在对本最高相似度标准病历问题的回答时，当前病历对某个问题的回答与标准病历数据库中对该问题的回答相关度达不到设定标准，则说明该当前病历的病症与该最高相似度标准病历的病症有差别，于是按上述实施例所述的相似度排序选择下一个标准病历，即次高相似度标准病历的问题库，按该问题库问题排序从第一个问题开始对该当前病历进行提问。其中提问处理过程类比上述最高相似度标准病历的提问处理过程。以此处理过程规则为准，直至找到与该当前病历数据最相似的标准病历，则输出该标准病历类型为最接近的标准病历作为诊断结果。
本发明实施例提供的一种融合临床思维的智能辅助问诊方法，通过运用足够数量的经过专家验证的符合标准临床思维路径的病历，保证临床思维路径的严格标准性，同时采用模糊匹配，逐步找到与当前病历最接近的标准病历，确定目标标准病历。
为了更清楚的说明，以当前病历的现场回答为例，对根据上述实施例的完整处理流程说明如下：
步骤一，将数据库中标准病历基础表中的主诉信息抽取出来，并将其进行分词、去除停止词处理，获得一系列单词并计算各个单词频次，选择频次超过一定阈值的医学相关文本，构成医学词典。
对任一主诉文本信息将其进行分词和去除停止词处理，获得该主诉文本信息的单词组，将每个单词进行标号并计算其在该主诉中的频次numn，将该主诉表示为用id作为主键的文档向量[id,[(num0,id0),(num1,id1),…,(numn,idn),…,(numN,idN)]]，idn为主诉拆成的单词组在医学词典中的序号。
基于这些文档向量，计算每个单词单词的TF-IDF值tfidfn，生成新的tfidf向量[id,[(num0,tfidf1),(num1,tfidf2),…,(numn,tfidfn),…,(numN,tfidfN)]]，设置M个主题，这时，每个文档都表示为用TF-IDF值表示的向量，用这些向量训练出LSI模型。
步骤二，通过语音或文本方式获取当前病历主诉，并对所述当前病历主诉进行分词、去除停止词处理和提取关键词处理，从而得到文本主诉的关键词组，通过LSI模型计算出当前病历主诉关键词与LSI主题的相关度向量组：
Patient＝[(0,rel0),(1,rel1),…,(M-2,relM-2),(M-1,relM-1),]；
其中，0，1，2，…，M-1表示M个LSI主题编号；rel0，rel1，rel2，…，relM-1表示当前病历主诉关键词分别与LSI主题编号为0至M-1的LSI主题的相关度。
步骤三，将数据库中的标准病历主诉经分词、去除停止词处理及提取关键词处理，并通过LSI模型计算出关键词组与主题的相关度向量组：
EMRn＝[(0,rel′0),(1,rel1′),...,(M-2,rel′M-2),(M-1,rel′M-1)]；
其中，0,1,2,…,M-1表示M个LSI主题编号；rel′0,rel1′，…，rel′M-1表示标准病历主诉关键词分别与LSI主题编号为0至M-1的LSI主题的相关度。
步骤四，利用向量组Patient和EMRn对当前病历主诉与标准病历主诉进行余弦相似度计算，并依据相似度计算结果对标准病历进行智能化排序。
步骤五，选取数据库中与当前病历主诉相似度最高的标准病历，选取该标准病历的第一个问题对当前病历进行提问。
步骤六，判断该问题是否存在于当前病历的问答库，若存在，提取库中的当前病历回答，转到步骤七；若不存在，当前病历针对这个问题通过语音或者文本的方式给出相应的回答，将相应的问题与当前病历回答保存到当前病历问答库，转到步骤七。
步骤七，将当前病历回答与此病历回答进行去除停止词处理，处理流程参考步骤一，进行模糊匹配并计算相关度，若达到相应相关度，则继续选取次标准病历的下一个问题进行提问，转到步骤六；若相似度没达到相应要求，根据步骤四中的主诉相似度排序结果选取下一个标准病历，转到步骤六。
步骤八，若提问问题为标准病历的最后一个问题，则确定该标准病历为目标标准病历。
作为本发明实施例的另一方面，本实施例提供一种融合临床思维的智能辅助问诊系统，参考图5，为本发明实施例一种融合临床思维的智能辅助问诊系统结构示意图，包括：第一相关度计算模块1、第二相关度计算模块2、相似度计算模块3和问诊处理模块4。
其中，第一相关度计算模块1用于计算当前病历主诉关键词与LSI主题相关度，获取当前病历主题相关度向量组；第二相关度计算模块2用于计算标准病历主诉关键词与所述LSI主题相关度，获取标准病历主题相关度向量组；相似度计算模块3用于基于所述当前病历主题相关度向量组和所述标准病历主题相关度向量组，计算所述当前病历主诉与所述标准病历主诉的相似度；病历确定模块4用于根据所述相似度，确定对应的标准病例。
具体而言，在通过对标准病历主诉数据进行关键词提取，并对关键词进行统计及聚类之后，第一相关度计算模块1根据聚类信息设置若干个LSI主题，建立并训练LSI模型。同时，对于当前病历主诉和标准病历主诉，第一相关度计算模块1和第二相关度计算模块2分别进行自然语言处理，并分别提取当前病历主诉关键词和标准病历主诉关键词。
然后通过训练好的LSI模型，第一相关度计算模块1对当前病历主诉关键词与LSI主题进行相关度计算，获取当前病历主题相关度向量组；第二相关度计算模块2对标准病历主诉关键词和LSI主题进行相关度计算，获取标准病历主题相关度向量组。
对当前病历主题相关度向量组中的任一向量，以及标准病历主题相关度向量组中的任一向量，相似度计算模块3根据两向量的坐标，计算两向量夹角的余弦值，并根据计算获取的余弦值来判断两个向量的相似性。余弦值越大的，对应的两个向量相似性就越高，说明所述当前病历主诉越接近两个向量中标准主题相关度向量对应的标准病历疾病类型。
另外，对应标准病历中的每一类病历，都存在一个标准问题库，该问题库中的问题是按序排列的。对于相似度计算模块3计算获取的当前病历主诉与标准病历主诉的相似度，病历确定模块4根据该相似度值的高低选择与当前病历主诉相似度按高低排序在前的标准病历，即高相似度标准病历。该高相似度标准病历对应的问题库中存在若干标准问题，在选取高相似度标准病历之后，病历确定模块4访问其对应的问题库，按其中的标准问题的回答与当前病历针对该问题的反馈进行比对。
本发明实施例提供的一种融合临床思维的智能辅助问诊系统，产生的有益效果与上述方法类实施例相同，可以参考上述方法类实施例，此处不再赘述。
进一步的，所述系统还包括临床思维训练管理模块，用于连接数据库，并对所述数据库中的标准病历数据和当前病历数据进行访问和管理。
具体而言，所述临床思维训练管理模块与数据库连接，可以实现对数据库中病历数据，包括标准病历数据和所有当前病历数据。病历数据包括主诉数据、标准病历有序问题数据、标准病历问题回答数据及当前病历反馈数据。标准病历数据中的病历类型与各病历类型对应问题都有排序。
问诊系统可以通过临床思维训练管理模块对数据库中的数据进行访问，并对数据库中的用户数据等进行管理与维护。
本发明实施例提供的一种融合临床思维的智能辅助问诊系统，通过设置临床思维训练管理模块，实现对数据库的访问、管理和维护，保证系统诊断的可靠性和诊断系统的使用寿命。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种融合临床思维的智能辅助问诊方法，其特征在于，包括：
计算当前病历主诉关键词与LSI主题相关度，获取当前病历主题相关度向量组；
计算标准病历主诉关键词与所述LSI主题相关度，获取标准病历主题相关度向量组；
基于所述当前病历主题相关度向量组和所述标准病历主题相关度向量组，计算所述当前病例主诉与所述标准病历主诉的相似度；
根据所述相似度，确定对应的标准病例。
2.根据权利要求1所述的方法，其特征在于，所述方法进一步包括：
基于不同标准病历主题相关度向量组，对获取的所述相似度进行排序；
根据排序结果和基于所述标准病例的反馈信息，确定目标标准病历。
3.根据权利要求2所述的方法，其特征在于，所述根据排序结果和基于所述标准病例的反馈信息，确定目标标准病历的步骤进一步包括：
从所述相似度最高的标准病历开始，对每一个所述标准病历的有序标准问题由前至后和基于所述标准病例的反馈信息进行比对，基于比对相关度，顺序更换标准病历，直到所有标准病历的有序标准问题比对完成。
4.根据权利要求3所述的方法，其特征在于，所述基于比对相关度，顺序更换标准病历，直到所有标准病历的有序标准问题比对完成的步骤进一步还包括：
每一个所述标准病历的有序标准问题由前至后和基于所述标准病例的反馈信息的比对结果达不到设定标准，则顺序选择下一个所述标准病历的有序标准问题。
5.根据权利要求2所述的方法，其特征在于，所述基于所述标准病例的反馈信息是指获取的病患回答信息、当前病历反馈的回答信息或者历史病历反馈的回答信息。
6.根据权利要求3所述的方法，其特征在于，所述标准病历数据库包括：标准病历主诉库、有序标准问题库和所述有序标准问题库对应的标准回答库。
7.根据权利要求1所述的方法，其特征在于，在所述计算当前病历主诉关键词与LSI主题相关度，获取当前病历主题相关度向量组之前，还包括：
获取所述当前病历主诉，对所述当前病历主诉进行分词处理、去除停止词处理和提取关键词处理，获取所述当前病历主诉关键词。
8.根据权利要求1所述的方法，其特征在于，所述LSI主题的获取处理过程包括：
对所述标准病历主诉进行分词处理和去除停止词处理，获取若干单词；
根据各所述单词在所述标准病历主诉中出现的频次，对所述单词进行分类运算，获取若干所述LSI主题。
9.根据权利要求8所述的方法，其特征在于，所述根据各所述单词在所述标准病历主诉中出现的频次，对所述单词进行分类运算，获取若干所述LSI主题包括：
按所述单词在医学词典中的序号对所述单词进行标号并计算所述单词在所述标准病历主诉中出现的频次；
以所述标号和所述频次对为元素构建标准病历主诉文档向量；
计算所述标准病历主诉文档向量中各元素对应的所述单词的TF-IDF值，获取TF-IDF向量，并由所述TF-IDF向量训练获取LSI模型，设置所述LSI主题。
10.一种融合临床思维的智能辅助问诊系统，其特征在于，包括：
第一相关度计算模块，用于计算当前病历主诉关键词与LSI主题相关度，获取当前病历主题相关度向量组；
第二相关度计算模块，用于计算标准病历主诉关键词与所述LSI主题相关度，获取标准病历主题相关度向量组；
相似度计算模块，用于基于所述当前病历主题相关度向量组和所述标准病历主题相关度向量组，计算所述当前病历主诉与所述标准病历主诉的相似度；
病历确定模块，用于根据所述相似度，确定对应的标准病例。
CN201710642610.5A 2017-07-31 2017-07-31 融合临床思维的智能辅助问诊方法及系统 Active CN107403068B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201710642610.5A CN107403068B (zh) 2017-07-31 2017-07-31 融合临床思维的智能辅助问诊方法及系统
US16/049,787 US20190035506A1 (en) 2017-07-31 2018-07-30 Intelligent auxiliary diagnosis method, system and machine-readable medium thereof

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710642610.5A CN107403068B (zh) 2017-07-31 2017-07-31 融合临床思维的智能辅助问诊方法及系统

Publications (2)

Publication Number Publication Date
CN107403068A true CN107403068A (zh) 2017-11-28
CN107403068B CN107403068B (zh) 2018-06-01

Family

ID=60401698

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710642610.5A Active CN107403068B (zh) 2017-07-31 2017-07-31 融合临床思维的智能辅助问诊方法及系统

Country Status (2)

Country Link
US (1) US20190035506A1 (zh)
CN (1) CN107403068B (zh)

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108133752A (zh) * 2017-12-21 2018-06-08 新博卓畅技术（北京）有限公司 一种基于tfidf的医学症状关键词提取优化及回收方法和系统
CN108231174A (zh) * 2017-12-11 2018-06-29 浪潮软件集团有限公司 一种确定科室的方法、装置及系统
CN108399945A (zh) * 2018-02-10 2018-08-14 武汉大学中南医院 一种门急诊智能分诊方法和系统
CN108630313A (zh) * 2018-05-15 2018-10-09 伊琦忠 精神卫生质量控制数据处理方法及装置
CN108877880A (zh) * 2018-06-29 2018-11-23 清华大学 基于病历文本的病人相似性度量装置及方法
CN109003677A (zh) * 2018-06-11 2018-12-14 清华大学 病历数据结构化分析处理方法
CN109065015A (zh) * 2018-07-27 2018-12-21 清华大学 一种数据采集方法、装置、设备及可读存储介质
CN109119132A (zh) * 2018-08-03 2019-01-01 国家卫生计生委科学技术研究所 基于病历特征匹配单基因病名称的方法及系统
CN110136839A (zh) * 2019-05-14 2019-08-16 北京百度网讯科技有限公司 一种症状信息处理方法、装置和电子设备
CN110534185A (zh) * 2019-08-30 2019-12-03 腾讯科技（深圳）有限公司 标注数据获取方法、分诊方法、装置、存储介质及设备
CN111161819A (zh) * 2019-12-31 2020-05-15 重庆亚德科技股份有限公司 一种中医病历数据处理系统及方法
CN111785376A (zh) * 2020-06-30 2020-10-16 平安国际智慧城市科技股份有限公司 病情可视化预测系统、方法、计算机设备及存储介质
CN112164451A (zh) * 2020-09-18 2021-01-01 中国建设银行股份有限公司 智能导诊和挂号方法、装置、设备及存储介质
CN113345577A (zh) * 2021-06-18 2021-09-03 北京百度网讯科技有限公司 诊疗辅助信息的生成方法、模型训练方法、装置、设备以及存储介质
CN114864032A (zh) * 2022-05-24 2022-08-05 上海市同济医院 基于his系统的临床数据采集方法及装置
CN116936058A (zh) * 2023-09-14 2023-10-24 北京健康有益科技有限公司 一种基于深度学习及知识图谱的智能导诊方法及系统

Families Citing this family (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109949927A (zh) * 2019-02-18 2019-06-28 四川拾智联兴科技有限公司 一种基于深度神经网络的智能诊断方法及其系统
CN112115240A (zh) * 2019-06-21 2020-12-22 百度在线网络技术（北京）有限公司 分类处理方法、装置、服务器和存储介质
CN110598066B (zh) * 2019-09-10 2022-05-10 民生科技有限责任公司 基于词向量表达和余弦相似度的银行全称快速匹配方法
CN110880361B (zh) * 2019-10-16 2023-02-28 平安科技（深圳）有限公司 一种个性化精准用药推荐方法及装置
CN111261286A (zh) * 2020-02-17 2020-06-09 清华大学 辅助诊断模型构建方法、诊断方法、装置、设备及介质
CN113535943A (zh) * 2020-04-14 2021-10-22 阿里巴巴集团控股有限公司 医疗记录的分类方法及装置、数据记录的分类方法及装置
CN111710409A (zh) * 2020-05-29 2020-09-25 吾征智能技术(北京)有限公司 基于人体汗液异常变化的智能筛查系统
CN111814447B (zh) * 2020-06-24 2022-05-27 平安科技（深圳）有限公司 基于分词文本的电子病例查重方法、装置、计算机设备
CN112036154B (zh) * 2020-08-31 2023-05-23 康键信息技术（深圳）有限公司 基于问诊对话的电子病历生成方法、装置和计算机设备
CN112183026B (zh) * 2020-11-27 2021-11-23 北京惠及智医科技有限公司 Icd编码方法、装置、电子设备和存储介质
CN112667772B (zh) * 2020-12-23 2023-04-07 深圳华大基因科技服务有限公司 一种基因关联程度确定方法及装置
CN112700866A (zh) * 2021-01-07 2021-04-23 北京左医科技有限公司 基于transformer模型的智能交互方法及系统
CN112768083A (zh) * 2021-03-18 2021-05-07 汤学民 一种基于历史病历的初步诊断生成系统、方法及设备
CN115688760B (zh) * 2022-11-11 2023-08-04 深圳市蒲睿科技有限公司 一种智能化导诊方法、装置、设备及存储介质
CN116167354B (zh) * 2023-04-19 2023-07-07 北京亚信数据有限公司 医疗专业名词特征提取模型训练、标准化方法及装置
CN117542498B (zh) * 2024-01-08 2024-04-16 安徽医科大学第一附属医院 一种基于大数据分析的妇科护理管理系统及方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1435781A (zh) * 2003-02-24 2003-08-13 杨炳儒 一种基于信息挖掘的智能决策支持构造方法
US20100082367A1 (en) * 2008-10-01 2010-04-01 Hains Burdette Ted Harmon System and method for providing a health management program
CN104887312A (zh) * 2014-03-07 2015-09-09 西门子公司 辅助装置的交互方法、辅助装置、辅助系统、单元和系统
US20160019299A1 (en) * 2014-07-17 2016-01-21 International Business Machines Corporation Deep semantic search of electronic medical records
CN106257440A (zh) * 2015-06-17 2016-12-28 松下知识产权经营株式会社 语义信息生成方法和语义信息生成装置

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110040576A1 (en) * 2009-08-11 2011-02-17 Microsoft Corporation Converting arbitrary text to formal medical code
US20120290322A1 (en) * 2011-05-10 2012-11-15 David Bergman Systems and methods for coordinating the delivery of high-quality health care over an information network
US20130132308A1 (en) * 2011-11-22 2013-05-23 Gregory Jensen Boss Enhanced DeepQA in a Medical Environment
US10224119B1 (en) * 2013-11-25 2019-03-05 Quire, Inc. (Delaware corporation) System and method of prediction through the use of latent semantic indexing
US10699215B2 (en) * 2016-11-16 2020-06-30 International Business Machines Corporation Self-training of question answering system using question profiles
US11031107B2 (en) * 2017-01-11 2021-06-08 International Business Machines Corporation Extracting patient information from an electronic medical record

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1435781A (zh) * 2003-02-24 2003-08-13 杨炳儒 一种基于信息挖掘的智能决策支持构造方法
US20100082367A1 (en) * 2008-10-01 2010-04-01 Hains Burdette Ted Harmon System and method for providing a health management program
CN104887312A (zh) * 2014-03-07 2015-09-09 西门子公司 辅助装置的交互方法、辅助装置、辅助系统、单元和系统
US20160019299A1 (en) * 2014-07-17 2016-01-21 International Business Machines Corporation Deep semantic search of electronic medical records
CN106257440A (zh) * 2015-06-17 2016-12-28 松下知识产权经营株式会社 语义信息生成方法和语义信息生成装置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
李博 等: "基于隐含主题和语义树的医学文本自动批注", 《吉林大学学报（工学版）》 *
李国垒 等: "面向临床决策的电子病历文本潜在语义分析", 《现代图书情报技术》 *
李昀泽: "基于潜在语义分析的病历文本挖掘应用研究", 《中国优秀硕士学位论文全文数据库》 *

Cited By (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108231174A (zh) * 2017-12-11 2018-06-29 浪潮软件集团有限公司 一种确定科室的方法、装置及系统
CN108133752A (zh) * 2017-12-21 2018-06-08 新博卓畅技术（北京）有限公司 一种基于tfidf的医学症状关键词提取优化及回收方法和系统
CN108399945A (zh) * 2018-02-10 2018-08-14 武汉大学中南医院 一种门急诊智能分诊方法和系统
CN108630313A (zh) * 2018-05-15 2018-10-09 伊琦忠 精神卫生质量控制数据处理方法及装置
CN109003677B (zh) * 2018-06-11 2021-11-05 清华大学 病历数据结构化分析处理方法
CN109003677A (zh) * 2018-06-11 2018-12-14 清华大学 病历数据结构化分析处理方法
CN108877880B (zh) * 2018-06-29 2020-11-20 清华大学 基于病历文本的病人相似性度量装置及方法
CN108877880A (zh) * 2018-06-29 2018-11-23 清华大学 基于病历文本的病人相似性度量装置及方法
CN109065015A (zh) * 2018-07-27 2018-12-21 清华大学 一种数据采集方法、装置、设备及可读存储介质
CN109119132A (zh) * 2018-08-03 2019-01-01 国家卫生计生委科学技术研究所 基于病历特征匹配单基因病名称的方法及系统
CN110136839A (zh) * 2019-05-14 2019-08-16 北京百度网讯科技有限公司 一种症状信息处理方法、装置和电子设备
CN110534185A (zh) * 2019-08-30 2019-12-03 腾讯科技（深圳）有限公司 标注数据获取方法、分诊方法、装置、存储介质及设备
CN111161819A (zh) * 2019-12-31 2020-05-15 重庆亚德科技股份有限公司 一种中医病历数据处理系统及方法
CN111785376A (zh) * 2020-06-30 2020-10-16 平安国际智慧城市科技股份有限公司 病情可视化预测系统、方法、计算机设备及存储介质
CN111785376B (zh) * 2020-06-30 2022-09-02 平安国际智慧城市科技股份有限公司 病情可视化预测系统、方法、计算机设备及存储介质
CN112164451A (zh) * 2020-09-18 2021-01-01 中国建设银行股份有限公司 智能导诊和挂号方法、装置、设备及存储介质
CN113345577A (zh) * 2021-06-18 2021-09-03 北京百度网讯科技有限公司 诊疗辅助信息的生成方法、模型训练方法、装置、设备以及存储介质
CN114864032A (zh) * 2022-05-24 2022-08-05 上海市同济医院 基于his系统的临床数据采集方法及装置
CN116936058A (zh) * 2023-09-14 2023-10-24 北京健康有益科技有限公司 一种基于深度学习及知识图谱的智能导诊方法及系统

Also Published As

Publication number Publication date
US20190035506A1 (en) 2019-01-31
CN107403068B (zh) 2018-06-01

Similar Documents

Publication Publication Date Title
CN107403068B (zh) 融合临床思维的智能辅助问诊方法及系统
CN109299239B (zh) 一种基于es的电子病历检索方法
CN112863630A (zh) 基于数据和知识的个性化精准医疗问答系统
Guo et al. Cord19sts: Covid-19 semantic textual similarity dataset
CN109378066A (zh) 一种基于特征向量实现疾病预测的控制方法及控制装置
CN110838368A (zh) 一种基于中医临床知识图谱的机器人主动问诊方法
Sreelakshmi et al. A question answering and quiz generation chatbot for education
CN112559684A (zh) 一种关键词提取及信息检索方法
CN115293161A (zh) 基于自然语言处理和药品知识图谱的合理用药系统及方法
Yuan et al. Design and implementation of the traditional Chinese medicine constitution system based on the diagnosis of tongue and consultation
CN116386805A (zh) 一种智能导诊报告生成方法
CN113254609B (zh) 一种基于负样本多样性的问答模型集成方法
Saranya et al. Intelligent medical data storage system using machine learning approach
CN113764112A (zh) 一种在线医疗问答方法
Wang et al. Research on named entity recognition of doctor-patient question answering community based on bilstm-crf model
Goodwin et al. Cohort shepherd: Discovering cohort traits from hospital visits
CN114496231B (zh) 基于知识图谱的体质识别方法、装置、设备和存储介质
CN116403706A (zh) 一种融合知识扩展和卷积神经网络的糖尿病预测方法
Li et al. Personalized intelligent syndrome differentiation guided by TCM consultation philosophy
Kádár et al. Learning word meanings from images of natural scenes
Wang et al. Using a knowledge graph for hypernymy detection between Chinese symptoms
Pandey et al. Exploring Automated Q&A Support System for Maternal and Child Health in Rural India
CN111339252B (zh) 一种搜索方法、装置及存储介质
Su et al. Health care spoken dialogue system for diagnostic reasoning and medical product recommendation
Islam et al. Challenges and future in deep learning for sentiment analysis: a comprehensive review and a proposed novel hybrid approach

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