CN108595432A - 医疗文书纠错方法 - Google Patents

Abstract

本发明提供了一种医疗文书纠错方法，所述医疗文书纠错方法包括：医疗文书数据输入到医疗文书纠错系统中；所述医疗文书纠错系统进行模型初始化；所述医疗文书纠错系统装载医疗文书数据；所述医疗文书纠错系统对所述医疗文书数据进行向量化；所述医疗文书纠错系统利用所述医疗文书数据构建算法的神经网络层；所述医疗文书纠错系统利用所述医疗文书数据构建所述算法的dropout层；所述医疗文书纠错系统利用所述算法对所述医疗文书数据进行分类和预测，以分析医疗文书的词汇之间的相关性，并根据相关性判断和纠错。

Description

医疗文书纠错方法

技术领域

本发明涉及人工智能技术领域，特别涉及一种医疗文书纠错方法。

背景技术

现在Word等主流编辑软件都自带自动纠错功能，且只是针对一些语法和拼写错误。目前针对医院管理和医疗活动中信息管理和联机操作的计算机应用系统(HIS)及远程安装服务(RIS)系统，没有相应的自动纠错功能。医疗文书是记录患者就医过程的客观文书，也是解决医疗纠纷、进行医疗事故技术鉴定的重要法律依据。约20％的医疗文书中存在缺陷甚至错误，这些缺陷或错误容易造成医患信任危机，甚至引起医疗纠纷。目前尚未见成熟系统的医疗文书缺陷和错误修正系统。因此在医疗文书实现电子化后，缺乏一种系统自动的缺陷和错误修正系统。

发明内容

本发明的目的在于提供一种医疗文书纠错方法，以解决现有的医疗文书错误不易发现的问题。

为解决上述技术问题，本发明提供一种医疗文书纠错方法，所述医疗文书纠错方法包括：

医疗文书数据输入到医疗文书纠错系统中；

所述医疗文书纠错系统进行模型初始化；

所述医疗文书纠错系统装载医疗文书数据；

所述医疗文书纠错系统对所述医疗文书数据进行向量化；

所述医疗文书纠错系统利用所述医疗文书数据构建算法的神经网络层；

所述医疗文书纠错系统利用所述医疗文书数据构建所述算法的dropout层；

所述医疗文书纠错系统利用所述算法对所述医疗文书数据进行分类和预测，以分析医疗文书的词汇之间的相关性，并根据相关性判断和纠错。

可选的，在所述的医疗文书纠错方法中，所述医疗文书纠错方法还包括当所述医疗文书纠错系统判断医疗文书数据的词汇出现错误时，所述医疗文书纠错系统输出纠错报警信号。

可选的，在所述的医疗文书纠错方法中，所述医疗文书的错误包括：误诊错误、漏诊错误、词汇拼写错误、逻辑错误和报告不完整错误。

可选的，在所述的医疗文书纠错方法中，所述医疗文书纠错系统进行模型初始化包括：把执行放到一个文本类中，以允许各种超参数配置，在初始化函数中生成模型图。

可选的，在所述的医疗文书纠错方法中，所述医疗文书纠错系统装载医疗文书数据包括：

创建一个placeholder变量；

当在测试或执行所述placeholder变量时，向网络提供所述placeholder变量，以使一参数成为输入张量的形状。

可选的，在所述的医疗文书纠错方法中，所述医疗文书纠错系统对所述医疗文书的数据进行向量化包括：

建立第一层查找表；

将所述医疗文书数据的词汇表映射到一个低维的向量空间表示；

采用TensorFlow的卷积方法及conv2d操作4维度的张量；

根据算法嵌入的结果，手动添加通道维度。

可选的，在所述的医疗文书纠错方法中，所述医疗文书纠错系统利用所述医疗文书的数据构建算法的神经网络层包括：

使用不同大小的过滤器构建多个所述算法的卷积层和最大池化层；

为每个所述卷积层创建一个图层，将图层合并成一特征向量。

可选的，在所述的医疗文书纠错方法中，所述医疗文书纠错系统利用所述医疗文书的数据构建算法的dropout层包括：

丢失层随机禁用神经元部分；

保持启用的由网络输入定义的所述神经元部分；

在构建所述算法时，将启用的所述神经元部分设置为0.5，在利用所述算法处理医疗文书数据时，将启用的所述神经元部分设置为1。

可选的，在所述的医疗文书纠错方法中，所述医疗文书纠错系统对所述医疗文书的数据进行分类和预测包括：

通过使用所述特征向量进行矩阵乘法生成预测的类，并获取得分最高的所述类；

应用softmax函数将原始分数转换为标准化的概率；

使用损失函数将所述标准化的概率最小化；计算每个所述类的交叉熵损失。

在本发明提供的医疗文书纠错方法中，利用循环神经网络对大量医疗文书进行词频、词序、字频、字序进行统计，加入罕见病名录，实现医疗文书自动检测，发现不一致性或低频字词或异常顺序的字词便给予报错。本发明通过深度学习技术，分析大量影像报告及相关信息流，分析学习报告词汇之间的相关性，深挖报告内部及其与相关信息之间的规律，可自学习不同医院的报告信息流。

本发明为一种主动检测医疗文书中的缺陷甚至错误并给予修正建议的方法。本发明所涵盖的医疗文书包括病历中的入院记录，住院病历，病程记录，护理记录，手术记录，出院记录，医学影像报告等；本发明所涵盖的医疗文书中的缺陷和错误包括：逻辑错误、拼写错误。本发明利用医疗文书数据库进行对深度学习技术进行训练，外加罕见病名称数据库和临床专有名称数据库等临床少见用语补充，形成自动筛查医疗文书的缺陷和错误并给予修复建议的方法。

附图说明

图1～2是本发明一实施例医疗文书纠错方法示意图。

具体实施方式

以下结合附图和具体实施例对本发明提出的医疗文书纠错方法作进一步详细说明。根据下面说明和权利要求书，本发明的优点和特征将更清楚。需说明的是，附图均采用非常简化的形式且均使用非精准的比例，仅用以方便、明晰地辅助说明本发明实施例的目的。

本发明的核心思想在于提供一种医疗文书纠错方法，以解决现有的医疗文书错误不易发现的问题。

为实现上述思想，本发明提供了一种医疗文书纠错方法，所述医疗文书纠错方法包括：医疗文书数据输入到医疗文书纠错系统中；所述医疗文书纠错系统进行模型初始化；所述医疗文书纠错系统装载医疗文书数据；所述医疗文书纠错系统对所述医疗文书数据进行向量化；所述医疗文书纠错系统利用所述医疗文书数据构建算法的神经网络层；所述医疗文书纠错系统利用所述医疗文书数据构建所述算法的dropout层；所述医疗文书纠错系统利用所述算法对所述医疗文书数据进行分类和预测，以分析医疗文书的词汇之间的相关性，并根据相关性判断和纠错。

放射科报告中出现错字，患者看到后容易产生医生不认真不负责的印象，而对医疗行为产生怀疑甚至投诉。而重要的错误比如左右侧的错误还可能引起医疗事故。利用深度学习技术的放射自然语言处理魔型可以发现报告中的错误，减少医疗纠纷和事故。本发明系统解决了医疗文书中缺陷和错误的发现和修正问题。技术错误包括有：包括误诊、漏诊，这类错误患者不容易发现，且后果较严重；非技术错误包括有：拼写错误、逻辑错误和报告不完整，这类错误患者容易发现，造成不信任感，认为医生不认真。

本发明提供一种医疗文书纠错方法，如图1～2所示，所述医疗文书纠错方法包括：医疗文书输入到医疗文书纠错系统中；所述医疗文书纠错系统进行模型初始化；所述医疗文书纠错系统装载医疗文书数据；所述医疗文书纠错系统对所述医疗文书的数据进行向量化；所述医疗文书纠错系统利用所述医疗文书的数据构建算法的神经网络层；所述医疗文书纠错系统利用所述医疗文书的数据构建算法的dropout层；所述医疗文书纠错系统对所述医疗文书的数据进行分类和预测，以分析医疗文书的词汇之间的相关性，并根据相关性判断和纠错。

具体的，如图1所示，所述医疗文书的错误包括：误诊错误、漏诊错误、词汇拼写错误、逻辑错误和报告不完整错误。在所述的医疗文书纠错方法中，所述医疗文书纠错方法还包括当所述医疗文书纠错系统判断医疗文书的词汇出现错误时，所述医疗文书纠错系统输出纠错报警信号。所述医疗文书纠错方法还包括，当所述医疗文书纠错系统判断医疗文书的词汇出现传染病病症时，所述医疗文书纠错系统输出传染病报警信号。所述医疗文书纠错方法还包括，当所述医疗文书纠错系统判断医疗文书的词汇出现危急病症时，所述医疗文书纠错系统输出危急值报警信号。

例如：医学影像报告中出现“右肺上叶小姐姐”；本发明模块会即刻发现“姐姐”为错误，给出修正建议“结节”。再例如：检查部位为腰椎的医学影像报告中出现“颈椎MR检查未见明显异常”；本发明模块会即刻发现“颈椎”为错误，给出修正建议“腰椎”。

进一步的，如图2所示，在所述的医疗文书纠错方法中，所述医疗文书纠错系统进行模型初始化包括：为了允许各种超参数配置，把执行放到一个文本类中，在初始化函数中生成模型图。所述医疗文书纠错系统装载医疗文书数据包括：创建一个placeholder变量，当在列车或测试执行placeholder变量时，向网络提供placeholder变量，第二参数是输入张量的形状。所述医疗文书纠错系统对所述医疗文书的数据进行向量化包括：第一层查找表建立；将医疗文书的词汇表映射到一个低维的向量空间表示；采用TensorFlow的卷积方法conv2d操作4维度的张量；算法嵌入的结果手动添加通道维度。所述医疗文书纠错系统利用所述医疗文书的数据构建算法的神经网络层包括：使用不同大小的过滤器构建算法的卷积层和最大池化层；为每个卷积创建一个图层，将图层合并成一个大的特征向量。所述医疗文书纠错系统利用所述医疗文书的数据构建算法的dropout层包括：丢失层随机禁用神经元部分；保持启用的神经元部分由网络的输入定义。在训练期间将启用的神经元部分设置为0.5，在评估期间设为1。所述医疗文书纠错系统对所述医疗文书的数据进行分类和预测包括：使用来自max-pooling的特征向量，通过矩阵乘法生成预测，并选择得分最高的类；应用softmax函数将原始分数转换为标准化的概率；使用损失函数将其最小化；计算每个类的交叉熵损失。

第一层将单词嵌入到低维矢量中。下一层使用多个滤波器大小对嵌入的单词向量执行卷积。例如，一次滑动3，4或5个单词。接下来，我们将卷积层的结果最大化为一个长特征向量，添加丢失正则化，并使用softmax层对结果进行分类。我们不会使用预先训练的word2vec向量来处理我们的文字嵌入。相反，我们从头开始学习嵌入。我们不会对权向量执行L2范数约束。卷积神经网络句法分类的敏感性分析发现，约束对最终结果影响不大。原始文件用两个输入数据通道实验-静态和非静态的单词向量。我们只使用一个频道。实现步骤如下：

执行初始化过程：为了允许各种超参数配置，我们把执行放到一个文本类中，在初始化函数中生成模型图。

输入容器，创建一个placeholder变量，当我们在列车或测试时执行它时，我们会向网络提供这个变量。第二个参数是输入张量的形状。None意味着该维度的长度可以是任何东西。在我们的例子中，第一个维度是批量大小，使用None允许网络处理任意大小的批次。保持神经元在丢失层的概率也是网络的输入，因为我们只在训练期间启用丢失。我们在评估模型时会禁用它

第一层查找表建立；把词汇表映射到一个低维的向量空间表示。采用TensorFlow的卷积方法conv2d操作4维度的张量，需要有对应的小维度的batch，宽度，高度和通道。算法嵌入的结果不包含通道维度，需要手动添加它，给我们留下一层形状[None,sequence_length,embedding_size,1]。

卷积和最大池图层，构建算法的卷积层和最大池化层。使用不同大小的过滤器。因为每个卷积都会产生不同形状的张量，所以需要遍历它们，为每个卷积创建一个图层，然后将结果合并成一个大的特征向量。

Dropout层，Dropout是使卷积神经网络正规化的最普遍的方法。脱离背后的想法很简单。丢失层随机“禁用”其神经元的一部分。这可以防止神经元共同适应，并迫使他们学习单独有用的功能。我们保持启用的神经元部分是由dropout_keep_prob我们网络的输入定义的。我们在训练期间将其设置为0.5，在评估期间设为1(禁用丢失)。

预测及结果；使用来自max-pooling的特征向量(应用丢弃)，我们可以通过矩阵乘法生成预测，并选择得分最高的类。我们还可以应用softmax函数将原始分数转换为标准化的概率，但这不会改变我们的最终预测。使用我们的分数，我们可以定义损失函数。损失是衡量我们网络所造成的错误，我们的目标是将其最小化。标准损失函数的分类问题是交叉熵损失。根据我们的分数和正确的输入标签，计算每个类的交叉熵损失。然后我们采取损失的意思。我们也可以使用这个总和，但是这使得难以比较不同批量和列车/开发数据的损失。

本发明为影像诊断医生提供检错和上报传染病、危急值帮助，还可以包括其他功能，时间提醒根据门急诊住院体检等不同类型的检查设置相应的时间提醒；报告完整性检查根据检查部位内容检查报告内容的完整性；传染病报告根据疾控中心要求自动报告结核等传染病；危急值警示根据医院疾病谱设置自动危急值预警。

在本发明提供的医疗文书纠错方法中，利用循环神经网络对大量医疗文书进行词频、词序、字频、字序进行统计，加入罕见病名录，实现医疗文书自动检测，发现不一致性或低频字词或异常顺序的字词便给予报错。本发明通过深度学习技术，分析大量影像报告及相关信息流，分析学习报告词汇之间的相关性，深挖报告内部及其与相关信息之间的规律，可自学习不同医院的报告信息流。

本发明为一种主动检测医疗文书中的缺陷甚至错误并给予修正建议的方法。本发明所涵盖的医疗文书包括病历中的入院记录，住院病历，病程记录，护理记录，手术记录，出院记录，医学影像报告等；本发明所涵盖的医疗文书中的缺陷和错误包括：逻辑错误、拼写错误。本发明利用医疗文书数据库进行对深度学习技术进行训练，外加罕见病名称数据库和临床专有名称数据库等临床少见用语补充，形成自动筛查医疗文书的缺陷和错误并给予修复建议的方法。

综上，上述实施例医疗文书纠错方法的不同构型进行了详细说明，当然，本发明包括但不局限于上述实施中所列举的构型，任何在上述实施例提供的构型基础上进行变换的内容，均属于本发明所保护的范围。本领域技术人员可以根据上述实施例的内容举一反三。

上述描述仅是对本发明较佳实施例的描述，并非对本发明范围的任何限定，本发明领域的普通技术人员根据上述揭示内容做的任何变更、修饰，均属于权利要求书的保护范围。

Claims (9)

1.一种医疗文书纠错方法，其特征在于，所述医疗文书纠错方法包括：

医疗文书数据输入到医疗文书纠错系统中；

所述医疗文书纠错系统进行模型初始化；

所述医疗文书纠错系统装载医疗文书数据；

所述医疗文书纠错系统对所述医疗文书数据进行向量化；

所述医疗文书纠错系统利用所述医疗文书数据构建算法的神经网络层；

所述医疗文书纠错系统利用所述医疗文书数据构建所述算法的dropout层；

所述医疗文书纠错系统利用所述算法对所述医疗文书数据进行分类和预测，以分析医疗文书的词汇之间的相关性，并根据相关性判断和纠错。

2.如权利要求1所述的医疗文书纠错方法，其特征在于，所述医疗文书纠错方法还包括当所述医疗文书纠错系统判断医疗文书数据的词汇出现错误时，所述医疗文书纠错系统输出纠错报警信号。

3.如权利要求1所述的医疗文书纠错方法，其特征在于，所述医疗文书的错误包括：误诊错误、漏诊错误、词汇拼写错误、逻辑错误和报告不完整错误。

4.如权利要求1所述的医疗文书纠错方法，其特征在于，所述医疗文书纠错系统进行模型初始化包括：把执行放到一个文本类中，以允许各种超参数配置，在初始化函数中生成模型图。

5.如权利要求1所述的医疗文书纠错方法，其特征在于，所述医疗文书纠错系统装载医疗文书数据包括：

创建一个placeholder变量；

当在测试或执行所述placeholder变量时，向网络提供所述placeholder变量，以使一参数成为输入张量的形状。

6.如权利要求1所述的医疗文书纠错方法，其特征在于，所述医疗文书纠错系统对所述医疗文书的数据进行向量化包括：

建立第一层查找表；

将所述医疗文书数据的词汇表映射到一个低维的向量空间表示；

采用TensorFlow的卷积方法及conv2d操作4维度的张量；

根据算法嵌入的结果，手动添加通道维度。

7.如权利要求1所述的医疗文书纠错方法，其特征在于，所述医疗文书纠错系统利用所述医疗文书的数据构建算法的神经网络层包括：

使用不同大小的过滤器构建多个所述算法的卷积层和最大池化层；

为每个所述卷积层创建一个图层，将图层合并成一特征向量。

8.如权利要求7所述的医疗文书纠错方法，其特征在于，所述医疗文书纠错系统利用所述医疗文书的数据构建算法的dropout层包括：

丢失层随机禁用神经元部分；

保持启用的由网络输入定义的所述神经元部分；

在构建所述算法时，将启用的所述神经元部分设置为0.5，在利用所述算法处理医疗文书数据时，将启用的所述神经元部分设置为1。

9.如权利要求7所述的医疗文书纠错方法，其特征在于，所述医疗文书纠错系统对所述医疗文书的数据进行分类和预测包括：

通过使用所述特征向量进行矩阵乘法生成预测的类，并获取得分最高的所述类；

应用softmax函数将原始分数转换为标准化的概率；

使用损失函数将所述标准化的概率最小化；计算每个所述类的交叉熵损失。