CN108595683B - 基于医学知识图谱的医嘱合理性监测方法 - Google Patents

Abstract

本发明实施例公开一种医学知识图谱的医嘱合理性监测方法，包括：根据医生对目标患者的医嘱，得出第一医学关键词；根据第一医学关键词，得到注意信息；根据注意信息发出提醒事项。本发明实施例根据医生对目标患者的医嘱，得出医学关键词，根据医学关键词得到信息，按照注意信息发出提醒事项，从而能够更全面的判断医生的医嘱合理性，对医护人员进行提醒，减少医疗事故的发生，保障病人的安全。

Description

基于医学知识图谱的医嘱合理性监测方法

技术领域

本发明涉及医学领域，尤其涉及一种基于医学知识图谱的医嘱合理性监测方法。

背景技术

目前，大多通过从电子病历采集用于构建医学知识图谱的数据，在采集的数据中提出实体、实体属性以及实体之间的关系，构建医学知识图谱。采用非关系型数据存储模式，方便医学知识体系多方向的知识挖掘，为医护人员在做医嘱时提供的参考，从而降低医疗事故的发生。

但是，医学领域中的病症、疾病与诊疗手段之间通常存在着错综复杂的关系，由于电子病历中记载的内容往往有限，例如，如患者患有肠穿孔，不能做肠镜，在电子病历中医生不会写出；两种药物有冲突或一起使用有不利影响，在病历中医生会避免同时使用两种药物，但并不会记录下这两种药物不要一起使用。因此，医护人员在应用通过电子病历构建医学知识图谱布置医嘱存在安全风险。

发明内容

本发明实施例提供一种基于医学知识图谱的医嘱合理性监测方法，能够更全面的判断医生的医嘱合理性，对医护人员进行提醒，减少医疗事故的发生，保障病人的安全。

本发明实施例采用如下技术方案：

一种基于医学知识图谱的医嘱合理性监测方法，包括：

根据医生对目标患者的医嘱，得出第一医学关键词；

根据所述第一医学关键词，得到注意信息；

根据所述注意信息发出提醒事项。

可选的，所述根据所述第一医学关键词，得到注意信息包括：

从预存的医学知识图谱中查询所述第一医学关键词对应的第二医学关键词；

根据所述第二医学关键词，得出所述注意信息。

可选的，还包括：

将所述第一医学关键词对应的所述第二医学关键词对应存储，建立所述医学知识图谱。

可选的，从以下至少一种方式中得出所述第二医学关键词：

所述第一医学关键词相关的病历、所述第一医学关键词相关的医学规则、所述第一医学关键词相关的医学文献。

可选的，所述注意信息包括：

提示类别及提示内容，所述提示类别为提醒、警告、禁止中任一项。

可选的，所述根据所述第二医学关键词，得到注意信息包括：

将所述第二医学关键词与预先存储的所述目标患者的医嘱检查病历中的特征信息进行匹配，若匹配成功，则根据第一医学关键词、关系、第二医学关键词组成的规则知识得到注意信息。

可选的，还包括：

存储所述目标患者的特征信息，建立所述目标患者的医嘱检查病历，所述目标患者的特征信息包括以下至少一种：所述目标患者的不变特征、所述目标患者的稳定性特征、所述目标患者的当前状态特征；

所述目标患者的不变特征包括以下至少一种：性别、遗传史、非治愈性疾病、可恢复性疾病、过敏源；其中，所述非治愈性疾病为无法治愈的疾病或者治愈后无法恢复到原来状态的疾病或者治愈后原来状态有所改变但对之后患的病有影响的疾病；

所述可恢复性疾病为治愈后恢复到原来状态的疾病或者治愈后原来状态有所改变但对之后患的病无影响的疾病；

所述目标患者的稳定性特征包括年龄；

所述目标患者的当前状态特征包括以下至少一种：可恢复性疾病、现用药、检验检查异常数据、孕妇；

所述目标患者的既往史特征包括既往病史。

可选的，所述根据所述第二医学关键词，得到注意信息包括：

将所述第二医学关键词与所述医嘱进行匹配，若匹配成功，则根据第一医学关键词、关系、第二医学关键词组成的规则知识得到注意信息。

可选的，所述第一医学关键词包括以下至少一种：药品名称、检查项目、疾病症状；

所述第二医学关键词包括以下至少一种：药品名称、检查项目、疾病症状。

可选的，还包括：

从医学知识数据库获得的知识以三元组形式表示，该三元组作为种子三元组通过修改后的TransE模型训练，以训练好的向量来推理相关规则知识并补全到医学知识图谱中。

基于上述技术方案的基于医学知识图谱的医嘱合理性监测方法，根据医生对目标患者的医嘱，得出医学关键词，根据医学关键词得到信息，按照注意信息发出提醒事项，从而能够更全面的判断医生的医嘱合理性，对医护人员进行提醒，减少医疗事故的发生，保障病人的安全。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。

图1为本发明实施例示出的基于医学知识图谱的医嘱合理性监测方法的流程图。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。

医学始终要保持安全第一，所以对于关乎病人安全的医嘱一定要有风险监控，判断其合理性。医学知识图谱不仅能推理结果，同时对给出的结果进行和理性判断，而且能判断医生的医嘱是否存在不合理的地方，对医生进行提醒，减少医疗事故的发生，保障病人的安全。

实施例1

如图1所示，本发明实施例提供一种基于医学知识图谱的医嘱合理性监测方法，包括：

11、根据医生对目标患者的医嘱，得出第一医学关键词。

本发明实施例中，第一医学关键词可以为年龄，药品名称、剂量，检查项目，症状等中的一种或者多种。

12、根据所述第一医学关键词，得到注意信息。

本发明实施例中，可以通过多种方式得到注意信息，该注意信息与第一医学关键词具有关联关系。

13、根据所述注意信息发出提醒事项。

本发明实施例中，可以通过多种方式发出提醒事项，也可以根据注意信息的重要程度，选择不同的提醒方式。

本发明实施例基于医学知识图谱的医嘱合理性监测方法，根据医生对目标患者的医嘱，得出医学关键词，根据医学关键词得到信息，按照注意信息发出提醒事项，从而能够更全面的判断医生的医嘱合理性，对医护人员进行提醒，减少医疗事故的发生，保障病人的安全。

在一个实施例中，所述根据所述第一医学关键词，得到注意信息包括：

从预存的医学知识图谱中查询所述第一医学关键词对应的第二医学关键词；

根据所述第二医学关键词，得出所述注意信息。

在一个实施例中，还包括：

将所述第一医学关键词对应的所述第二医学关键词对应存储，建立所述医学知识图谱。

具体的，可以预先设置医学关键词类别，例如设置医学关键词为药品名称、检查项目、疾病症状中任意一种，其中疾病症状可以为检测结果(如血压)、表象结果(如发热)等。

在一个实施例中，从以下至少一种方式中得出所述第二医学关键词：

所述第一医学关键词相关的病历、所述第一医学关键词相关的医学规则、所述第一医学关键词相关的医学文献。

在一个实施例中，所述注意信息包括：

提示类别及提示内容，所述提示类别为提醒、警告、禁止中任一项。

在一个实施例中，所述根据所述第二医学关键词，得到注意信息包括：

将所述第二医学关键词与预先存储的所述目标患者的医嘱检查病历中的特征信息进行匹配，若匹配成功，则根据第一医学关键词、关系、第二医学关键词组成的规则知识得到注意信息。

在一个实施例中，还包括：

存储所述目标患者的特征信息，建立所述目标患者的医嘱检查病历，所述目标患者的特征信息包括以下至少一种：所述目标患者的不变特征、所述目标患者的稳定性特征、所述目标患者的当前状态特征；

所述目标患者的不变特征包括以下至少一种：性别、遗传史、非治愈性疾病、可恢复性疾病、过敏源；其中，所述非治愈性疾病为无法治愈的疾病或者治愈后无法恢复到原来状态的疾病或者治愈后原来状态有所改变但对之后患的病有影响的疾病；

所述可恢复性疾病为治愈后恢复到原来状态的疾病或者治愈后原来状态有所改变但对之后患的病无影响的疾病；

所述目标患者的稳定性特征包括年龄；

所述目标患者的当前状态特征包括以下至少一种：可恢复性疾病、现用药、检验检查异常数据、孕妇；

所述目标患者的既往史特征包括既往病史。

在一个实施例中，所述根据所述第二医学关键词，得到注意信息包括：

将所述第二医学关键词与所述医嘱进行匹配，若匹配成功，则根据第一医学关键词、关系、第二医学关键词组成的规则知识得到注意信息。

在一个实施例中，所述第一医学关键词包括以下至少一种：药品名称、检查项目、疾病症状；

所述第二医学关键词包括以下至少一种：药品名称、检查项目、疾病症状。

在一个实施例中，还包括：

从医学知识数据库获得的知识以三元组形式表示，该三元组作为种子三元组通过修改后的TransE模型训练，以训练好的向量来推理相关规则知识并补全到医学知识图谱中。

在一个实施例中，从医学知识数据库中获取医学关键词对应的注意信息作为种子三元组训练修改后的TransE模型，通过训练模型推理相关规则知识补全到医学知识图谱。

在一个实施例中，从医学知识数据库获得的知识以三元组形式表示，该三元组作为种子三元组通过修改后的TransE模型训练，以训练好的向量来推理相关规则知识并补全到医学知识图谱中。

具体的，以训练好的向量来推理相关规则知识并补全到医学知识图谱中。一开始将三元组数据化，即以向量的形式表示，这时候是随机生成的，每一个实体、关系对应一个向量(不同实体、关系对应的向量不同)，将这些向量经过多次迭代，使得损失函数减小，这时候向量会发生改变，由损失函数可以看出，正确三元组与错误三元组距离越远越好(在a程度内)，使得当为正确三元组时，打分函数越小越好，当为错误三元组时，打分函数越大越好。打分函数：f(h，r，t)＝|(h+r)*t.T|，当头实体向量加上关系向量后，与尾实体向量内积绝对值接近0时为正确三元组。

具体的，对电子病历、医学文献等较为权威、干净的文本通过专家提取、人工智能的方式得到种子三元组。

三元组预处理：1)统计三元组中头部及尾部实体，以及关系2)将统计后的实体与关系在隐式向量中进行表示：每一维度随机生成(-6/√k，6/√k)之间的数，k为生成向量维度3)对向量化的实体及关系进行单位化4)将种子三元组已初始化的向量进行表示

TransE训练：1)数据集的划分：将三元组按实体化分类别，三元组各有1/2几率按头实体或尾实体划分类别，将种子三元组划分后，按每一类取80％为训练集，20％为验证集2)定义打分函数：f(h，r，t)＝|(h+r)*t.T|，h，r，t分别为三元组头向量，关系向量，尾向量，同一个实体在头和尾不同位置时向量表示相同，t.T为t的转置3)定义损失函数：

S为种子三元组集合，S′为打碎三元组集合，h′，t′为替换的头尾实体向量，(h′，r，t′)中h′，t′不同时替换，a为阙值，|a+|(h+r)*t.T|-|(h′+r)*t′.T||₊表示当a+|(h+r)*t.T|-|(h′+r)*t′.T|＞0时，取该值；若小于等于0，则取0；

4)通过批量梯度下降方法对模型进行训练；

5)将验证集中每一个三元组扩充一个打碎三元组，按训练好的模型向量表示，计算g(h，r，t)＝m-|(h+r)*t.T|，其中，m为阙值，当g(h，r，t)＞0，将三元组判断为正确，计算准确率与召回率。

本发明实施例中，将构建医学知识图谱的三元组知识作为种子三元组训练，通过修改后的TransE模型训练出实体、关系的向量，在三维中，可以看成头部实体向量加关系向量后与尾部实体向量正交，通过已有的知识(即训练出来的向量后)，找寻不同实体间关系，这样进行推理和补全，将推理出的三元组知识让专家判断并调整模型，可以对模型进行改善。

同时该模型也可以进行和理性判断，比如肠穿孔的例子，医嘱中有肠镜检查，检查病历中有肠穿孔，会把它转化成对应的向量(所有医学关键词都会转化成向量)，将一些需要注意的关系向量与提取出的实体向量相加与其他提取出的实体向量进行內积(即模型的打分函数)，如果评分符合三元组，那么他们之间可能就有相应的关系，已存的知识三元组可能没有，但模型认为他们有需要注意的关系，那么会给出提醒，让医生来判断，医生会得到提醒，同时给出反馈，改善模型，同时补全图谱。

本实施例中，可以对病历、医学文献等文本进行实体抽取、关系抽取后形成知识，以三元组形式表示，同时将总结的规则也以三元组形式表示，例如，三元组<胃镜检查，老年年龄，80>、三元组<肠镜检查，禁忌症，肠穿孔>。

在一个实施例中，上述将医学关键词对应的注意信息对应存储包括：

将医学关键词与提示类别及提示内容对应存储，提示类别为提醒、警告、禁止中任一项；例如：警告：A药与B药禁止同时服用

或者，将医学关键词与体征项目(例如年龄、血液浓度)对应存储。

在一个实施例中，上述步骤12之前还包括：

存储目标患者的特征信息，建立目标患者的医嘱检查病历，目标患者的特征信息包括以下至少一种：目标患者的不变特征、目标患者的稳定性特征、目标患者的当前状态特征；

目标患者的不变特征包括以下至少一种：性别、遗传史、非治愈性疾病、可恢复性疾病、过敏源；其中，非治愈性疾病为无法治愈的疾病(例如糖尿病)或者治愈后无法恢复到原来状态的疾病或者治愈后原来状态有所改变但对之后患的病有影响的疾病。

可恢复性疾病为治愈后恢复到原来状态的疾病或者治愈后原来状态有所改变但对之后患的病无影响的疾病，例如肠穿孔。

目标患者的稳定性特征(变更时间具有周期性)包括年龄；

目标患者的当前状态特征包括以下至少一种：可恢复性疾病、现用药、检验检查异常数据、孕妇；

目标患者的既往史特征包括既往病史。

本实施例中，上述当前状态特征中的一些疾病治愈后在可恢复性疾病中删除，同时存储到既往史特征。本实施例定义既往史特征是因为当前认为治愈后对其他疾病不产生影响，可能随着医学的发展会有所改变，本实施例可以记录一个患者一生患病的信息。

在一个实施例中，目标患者的电子病历对应存储一份医嘱检查病历，类似上述结构，当目标患者有新的电子病历时，仅需从现病史、检验检查等抽取新的内容，更新到医嘱检查病历。

在一个实施例中，上述步骤13根据匹配结果，按照注意信息发出提醒事项，可以在医生下达医嘱之前发出提示，例如提示医生医嘱中有目标患者禁止的检查项目、例如提示医生医嘱中有目标患者禁止服用的药物等。

本发明实施例中医嘱监测可以分为两类：第一类是上述给出的与患者医嘱检查病历相冲突，以防在跨科室，换诊断医生，医生疲劳等时发生，起到减少医疗事故作用。第二类是医生开的医嘱中有冲突，例如开出的药物中同时含有盐酸万古霉素注射剂与环孢素口服溶液，而该两种药物合用因易引起肾功能损害，或使损害加重。

基于医学知识图谱的医嘱合理性监测方法，根据医生对目标患者的医嘱，得出医学关键词，根据医学关键词得到信息，按照注意信息发出提醒事项，从而能够更全面的判断医生的医嘱合理性，对医护人员进行提醒，减少医疗事故的发生，保障病人的安全。

实施例2

本实施例结合示例详细说明本发明实施例的基于医学知识图谱的医嘱合理性监测方法。

本实施例当医生对病人下医嘱时，包含开的药物、做的检查等会经过医学知识图谱的规则关系导出一些本实施例及做的检查的相关事项，这些相关事项与医嘱检查病历相匹配，如果匹配的话会根据规则关系给出相应的操作，并给出相应的规则解释。其中医学知识图谱的规则关系可以包含提醒，警告、禁止三类。

本实施示例一具体流程如下：

当医嘱中包含肠镜检查，肠镜检查实体会流经知识图谱中肠镜检查实体所含有的规则类关系，其中流经的规则关系(患者患有肠穿孔；不能做肠镜、禁止类、三元组<肠镜检查，禁忌症，肠穿孔>)(禁忌症关系属于规则类关系下禁止类)禁忌症会得出肠穿孔；

肠穿孔属于中医嘱检查病历中当前状态中可恢复性疾病，在医嘱检查病历的可恢复性疾病中匹配，若匹配，则会给出禁止操作，医生无法提交医嘱；

同时每一条规则三元组与本体库中规则对应，将给出禁止操作的相应规则展示给医生。

本实施示例二具体流程如下：

胃镜检查的老年年龄关系属于规则关系(医生开立胃镜检查时提醒、提醒。

年龄≥80岁者患者；请先做心电图，再做胃镜。三元组<胃镜检查，老年年龄，80>)中提醒类，老年年龄比较方式设置为大于等于，因为有一些规则是年龄小于等于多少触发，类似设置成儿童年龄。

胃镜检查通过年龄限制关系得出的年龄值80，在医嘱风险监测平台与患者年龄比较，若患者年龄≥80，则给出提醒操作，同时将给出提醒操作的相应规则展示给医生：年龄≥80岁者患者；请先做心电图，再做胃镜。

示例三如下：医生开立胃镜检查时提醒、警告。患者血小板＜30X10^9/L；请慎做胃镜。详细过程可以参照上述示例一、二。

本发明实施例中医嘱监测可以分为两类：第一类是上述给出的与患者医嘱检查病历相冲突，以防在跨科室，换诊断医生，医生疲劳等时发生，起到减少医疗事故作用。第二类是医生开的医嘱中有冲突，例如开出的药物中同时含有盐酸万古霉素注射剂与环孢素口服溶液，而该两种药物合用因易引起肾功能损害，或使损害加重。类似第一类监测，也会对医嘱中内容监测。

以上已经描述了本发明的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

本领域技术人员在考虑说明书及实践这里公开的公开后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。

Claims (2)

1.一种基于医学知识图谱的医嘱合理性监测方法，其特征在于，包括：

(1)建立医学知识图谱，包括将第一医学关键词对应的第二医学关键词对应存储，从以下至少一种方式中得出第二医学关键词：第一医学关键词相关的病历、第一医学关键词相关的医学规则、所述第一医学关键词相关的医学文献；其中第一医学关键词包括以下至少一种：药品名称、检查项目、疾病症状；第二医学关键词包括以下至少一种：药品名称、检查项目、疾病症状；

(2)根据医生对目标患者的医嘱，得出第一医学关键词；根据所述第一医学关键词，得到注意信息；根据所述注意信息发出提醒事项；

所述根据所述第一医学关键词，得到注意信息包括：从上述建立的医学知识图谱中查询所述第一医学关键词对应的第二医学关键词；根据所述第二医学关键词，得出所述注意信息；

所述根据所述第二医学关键词，得到注意信息包括：将所述第二医学关键词与预先存储的所述目标患者的医嘱检查病历中的特征信息进行匹配，若匹配成功，则根据第一医学关键词、关系、第二医学关键词组成的规则知识得到注意信息；

(3)所述监测方法还包括：

存储所述目标患者的特征信息，建立所述目标患者的医嘱检查病历，所述目标患者的特征信息包括以下至少一种：所述目标患者的不变特征、所述目标患者的稳定性特征、所述目标患者的当前状态特征；

所述目标患者的不变特征包括以下至少一种：性别、遗传史、非治愈性疾病、可恢复性疾病、过敏源；其中，所述非治愈性疾病为无法治愈的疾病或者治愈后无法恢复到原来状态的疾病或者治愈后原来状态有所改变但对之后患的病有影响的疾病；

所述可恢复性疾病为治愈后恢复到原来状态的疾病或者治愈后原来状态有所改变但对之后患的病无影响的疾病；

所述目标患者的稳定性特征包括年龄；

所述目标患者的当前状态特征包括以下至少一种：现用药、检验检查异常数据、是否为孕妇；所述目标患者的特征信息还包括所述目标患者的既往史特征，所述目标患者的既往史特征包括既往病史；

(4)所述监测方法还包括：

从医学知识数据库获得的知识以三元组形式表示，该三元组作为种子三元组通过修改后的TransE模型训练，以训练好的向量来推理相关规则知识并补全到医学知识图谱中；

所述修改后的TransE模型为：

1)数据集的划分：将三元组按实体化分类别，三元组各有1/2几率按头实体或尾实体划分类别，将种子三元组划分后，按每一类取80％为训练集，20％为验证集；

2)定义打分函数：f(h,r,t)＝|(h+r)*t.T|,h,r,t分别为三元组头向量，关系向量，尾向量，同一个实体在头和尾不同位置时向量表示相同，t.T为t的转置；

3)定义损失函数：

S为种子三元组集合，S′为打碎三元组集合，h′,t′为替换的头尾实体向量，(h′,r,t′)中h′,t′不同时进行替换，a为阙值，|a+|(h+r)*t.T|-|(h′+r)*t′.T||₊表示当a+|(h+r)*t.T|-|(h′+r)*t′.T|>0时，取该值；若小于等于0，则取0；

4)通过批量梯度下降方法对模型进行训练；

5)将验证集中每一个三元组扩充一个打碎三元组，按训练好的模型向量表示，计算g(h,r,t)＝m-|(h+r)*t.T|,其中，m为阙值，当g(h,r,t)>0，将三元组判断为正确，计算准确率与召回率。

2.根据权利要求1所述的方法，其特征在于，所述注意信息包括：

提示类别及提示内容，所述提示类别为提醒、警告、禁止中任一项。

Images