CN109036545B - 医疗信息处理方法、装置、计算机设备和存储介质 - Google Patents

Abstract

本申请涉及一种医疗信息处理方法，方法包括：接收在线问诊平台发送的问诊信息，问诊信息是用户终端和医生终端在在线问诊平台为其建立的即时通信中产生的；从问诊信息中提取关键字，关键字至少包括症状关键字和体征关键字；将症状关键字输入至关系模型中，得到预设维度的第一特征实体，其中，关系模型为多个维度的特征实体之间的关联关系模型，每个特征实体由对应的特征元素构成；将体征关键字输入至关系模型中，得到预设维度的第二特征实体；从第一特征实体与第二特征实体中获取共同包含的特征元素，并将获取的特征元素发给至在线问诊平台。采用本方法能够能够得到更加细粒化、更全面地诊疗信息的医疗信息。

Description

医疗信息处理方法、装置、计算机设备和存储介质

技术领域

本申请涉及计算机技术领域，特别是涉及一种医疗信息处理方法、装置、计算机设备和存储介质。

背景技术

随着社会的进步和人们生活水平的逐步提高，全民健康意识和疾病防范意识不断增强，越来越多的人更加重视自己的身体健康。大多数人会定期进行身体检查或者当感觉身体不适时会找到专业的医生进行诊疗。

在进行诊疗时，医生在从患者的主诉中了解患者的基本症状后，往往需要人工手动去操作电脑或者查找相关的患者就诊资料以便了解患者更多的诊疗信息，医生获取这些信息操作通常比较繁琐，直接导致诊断时间延长。因此，寻求一种能够快速得到更加细粒化、更加全面的诊疗信息的方式十分必要。

发明内容

基于此，有必要针对上述技术问题，提供一种能够及时快速得到更加细粒化、更加全面的诊疗信息的医疗信息处理方法、装置、计算机设备和存储介质。

一种医疗信息处理方法，所述方法包括：

接收在线问诊平台发送的问诊信息，所述问诊信息是用户终端和医生终端在所述在线问诊平台为其建立的即时通信中产生的；

从所述问诊信息中提取关键字，所述关键字至少包括症状关键字和体征关键字；

将所述症状关键字输入至关系模型中，得到预设维度的第一特征实体，其中，所述关系模型包括多个维度的特征实体之间的关联关系模型，每个所述特征实体包括对应的特征元素；

将所述体征关键字输入至所述关系模型中，得到预设维度的第二特征实体；

从所述第一特征实体与所述第二特征实体中获取共同包含的特征元素，并将获取的所述特征元素发给至所述在线问诊平台。

在一个实施例中，所述方法还包括：

根据所述问诊信息关联的用户标识查找用户的历史问诊记录，根据所述问诊信息和所述历史问诊记录生成问诊案例；

所述从所述问诊信息中提取关键字，包括：从所述问诊案例中提取关键字，所述关键字至少包括从所述问诊信息中提取的症状关键字和体征关键字以及从所述历史问诊记录中提取的辅助关键字。

在一个实施例中，所述预设维度特征实体为疾病实体，所述疾病实体对应的特征元素为疾病标签；

所述从所述第一特征实体与所述第二特征实体中获取共同包含的特征元素，并将获取的所述特征元素发给至所述在线问诊平台，包括：

从所述第一疾病实体与所述第二疾病实体中获取共同包含疾病标签；

将所述症状关键字、所述体征关键字以及获取的所述共同包含的疾病标签输入至所述关系模型中得到药品实体，其中，所述药品实体中包含与输入至所述关系模型的信息相关联的药品标签。

在一个实施例中，所述方法还包括：

收集电子病历；

通过从所述电子病历中提取多维度关键字构建多个维度的特征实体，提取的所述多维度关键字为所述多个维度的特征实体的特征元素；

从所述电子病历中学习各个所述特征实体的特征元素之间的关联关系，构建关系模型。

在一个实施例中，所述从所述电子病历中学习各个所述特征实体的特征元素之间的关联关系，构建关系模型，包括：

从所述电子病历中提取所有具有关联关系且对应不同特征实体的特征元素组合，将提取的所述特征元素组合作为训练正样本；

对来自不同特征实体的特征元素进行随机组合，将所述随机组合中所述训练正样本以外的特征元素组合作为训练负样本；

使用所述训练正样本和所述训练负样本进行模型训练得到关系模型。

一种医疗信息处理装置，所述装置包括：

问诊信息接收模块，用于接收在线问诊平台发送的问诊信息，所述问诊信息是用户终端和医生终端在所述在线问诊平台为其建立的即时通信中产生的；

关键字提取模块，用于从所述问诊信息中提取关键字，所述关键字至少包括症状关键字和体征关键字；

第一特征实体预测模块，用于将所述症状关键字输入至关系模型中，得到第一预设维度特征实体，其中，所述关系模型为多个命名实体之间的关联关系模型，每个所述特征实体由对应的特征元素构成；

第二特征实体预测模块，用于将所述体征关键字输入至所述关系模型中，得到预设维度的第二特征实体；

衍生信息确定模块，用于从所述第一预设维度特征实体与所述第二预设维度特征实体中获取共同包含的特征元素，并将获取的所述特征元素发给至所述在线问诊平台。

在一个实施例中，所述装置还包括：

问诊案例生成模块，用于根据所述问诊信息关联的用户标识查找用户的历史问诊记录，根据所述问诊信息和所述历史问诊记录生成问诊案例；

所述关键字提取模块，还用于从所述问诊案例中提取关键字，所述关键字至少包括从所述问诊信息中提取的症状关键字和体征关键字以及从所述历史问诊记录中提取的辅助关键字。

在一个实施例中，所述预设维度特征实体为疾病实体，所述疾病实体对应的特征元素为疾病标签；

所述衍生信息确定模块，还用于从所述第一疾病实体与所述第二疾病实体中获取共同包含疾病标签；将所述症状关键字、所述体征关键字以及获取的所述共同包含的疾病标签输入至所述关系模型中得到药品实体，其中，所述药品实体中包含与输入至所述关系模型的信息相关联的药品标签。

一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序上述所述方法的步骤。

一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述所述的方法的步骤。

上述医疗信息处理方法、装置、计算机设备和存储介质，从在线问诊平台获取及时通信的问诊信息，从问诊信息中提取症状信息和体征信息作为已知的信息，将已知的信息输入至关联模型中衍生出其他维度的关联信息(相关联的疾病标签信息)，实现了快速及时生成与当前问诊信息相关联的其他维度的衍生信息，使得当前问诊的诊疗信息更加细粒化、更加全面。将衍生的关联信息发送至在线问诊平台，在线问诊平台可将关联信息推送至医生终端，以使医生能够掌握到更加全面的信息。

附图说明

图1为一个实施例中医疗信息处理方法的应用场景图；

图2为一个实施例中医疗信息处理方法的流程示意图；

图3为另一个实施例中医疗信息处理方法的流程示意图；

图4为一个实施例中构建关联模型所涉及的流程图；

图5另为一个实施例中构建关联模型所涉及的流程图；

图6为一个实施例中医疗信息处理装置的结构框图；

图7为另一个实施例中电子病历生成装置的结构框图；

图8为又一个实施例中电子病历生成装置的结构框图；

图9为一个实施例中计算机设备的内部结构图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

本申请提供的医疗信息处理方法，可以应用于如图1所示的应用环境中。该应用环境包括用户终端102、医生终端104、在线问诊平台106和服务器108。其中，用户终端102和医生终端104可通过网络与在线问诊平台106通过网络进行通信。服务器108可通过调用在线问诊平台106的接口从在线问诊平台中获取问诊用户的问诊案例，对问诊案例中的医疗信息进行处理分析，以快速地判别问诊患者的生理健康状态，进而根据问诊患者的生理健康状态向用户终端推送相关信息。

上述的用户终端102和医生终端104可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑，在线问诊平台106和服务器108可以用独立的服务器或者是多个服务器组成的服务器集群来实现。

在一个实施例中，如图2所示，提供了一种医疗信息处理方法，以该方法应用于图1中的服务器为例进行说明，包括以下步骤：

步骤202：接收在线问诊平台发送的问诊信息，问诊信息是用户终端和医生终端在在线问诊平台为其建立的即时通信中产生的。

用户终端向在线问诊平台发送在线问诊请求，在线问诊平台接收用户终端发送的问诊请求，并对该问诊请求进行响应，建立该用户终端与在线的医生终端的即时通信(instant message，IM)。用户终端和医生终端基于建立的及时通信可接收到来自对方的IM消息。

在线问诊平台收集所有与本次问诊相关的信息，包括用户注册时上传的用户基本信息，包括年龄、性别；用户终端发起在线问诊请求时携带的主诉信息等。在一个实施例中，在线问诊平台将收集到的与本次问诊相关的信息以及时消息的形式发送到对应的及时通信中，以便医生终端能够详细地了解本次问诊详情。上述的主诉信息是问诊用户自述的症状或/和体征、性质，以及持续时间等内容。

本实施例中，问诊信息即为用户终端与医生终端在及时通信中产生的IM信息，具体包括在线问诊平台主动推送的用户的基本信息、主诉信息以及用户终端和医生终端的实时聊天信息。

步骤204：从问诊信息中提取特征关键字，特征关键字至少包括症状关键字和体征关键字。

“症状”是病人自己向医生陈述(或是别人代述)的痛苦表现，提取症状关键字可以是头疼、腹痛、鼻塞、恶心、呕吐等。“体征”是医生给病人检查时发现的具有诊断意义的征候。如生命体征，包括体温、脉搏、呼吸、血压等，提取的体征关键字可以是心率不齐、血压高等。

服务器首先预处理问诊信息，去除冗余信息。然后从预处理后的问诊信息提取关键字。本实施例中，提取的关键字包括症状关键字和体征关键字。服务器通过对获取医生终端和用户终端的IM消息进行模式识别和语义识别，在症状维度和体征维度提取关键字，对提取的关键字的个数不做限定。

在另一个实施例中，除可以提取病症维度和体征维度的关键字外，还可以提取问诊信息中存在的其他维度的关键字，如科室关键字等等。

步骤206：将症状关键字输入至关系模型中，得到预设维度的第一特征实体，其中，关系模型包括多个维度的特征实体之间的关联关系模型，每个特征实体包括对应的特征元素。

本实施例中，服务器预先收集大量的多维度的关键字或者特征标签，将收集的关键字或者特征标签统计为多维度的特征元素，用多维度特征元素定义多维度的特征实体，特征实体实质是特征元素的集合。特征实体可以是症状实体、体征实体、疾病实体、药品实体、处理实体及科室实体等。其中，症状实体中存储有从大量的患者主诉信息中提取的所有的症状关键字、体征实体中存储有从大量的体检数据中提取的体征关键字、疾病实体中存储有收集的所有疾病标签、药品实体中存储有收集的所有的药品标签、处理实体中存储有从大量的医生处理意见中提取的处理关键字或者存储有从技术文章、技术手册中提取的医疗技术关键字；科室实体中存储有收集的所有科室标签。

基于特征实体的上述定义，本实施例中的关系模型实质是个特征实体中的特征元素(标签或者关键字)之间的关联关系。在一个实施例中，预设维度特征实体可以是疾病实体、药品实体、处理实体或者科室实体等。若预设维度特征实体为疾病实体，则将症状关键字输入至关系模型中，关系模型根据症状实体与疾病实体之间的关联关系，查找关系模型的特征实体数据库中的疾病标签库，获取与输入的症状标签关联的疾病标签，获取的疾病标签构成了第一疾病实体。

在一个实施例中，预设维度特征实体还可以是药品实体、处理实体或者科室实体，在此不做具体的限定。在另一个实施例中，关联模型输出的预设维度的特征实体还可以与输入的特征实体相同。如输入症状关键字，输出也可以是症状实体，其含义是输出与输入的症状关键字具有关联关系的症状关键字。

步骤208：将体征关键字输入至关系模型中，得到预设维度的第二特征实体。

同样的，将体征关键字输入至关系模型中，关系模型根据体征实体与预设维度实体之间的关联关系，根据输入的体征关键字得到具有关联关系预设维度特征实体对应的特征元素。同样的，当预设维度特征实体为疾病实体时，关系模型根据体征实体和疾病实体之间的关联关系，根据输入的特征关键字得到具有关联关系的一个或者多个疾病标签，得到的疾病标签构成第二疾病实体。

需要说明的是，得到的第一特征实体和第二特征实体对应同一个维度，如第一特征实体和第二特征实体均为疾病实体。

步骤210：从第一特征实体与第二特征实体中获取共同包含的特征元素，并将获取的特征元素发给至在线问诊平台。

当预设维度特征实体为疾病实体时，服务器将得到的第一疾病实体所包含的疾病标签与第二疾病实体所包含的疾病标签进行对比，将两个疾病实体均包含的疾病标签判定为与提取的特征关键字和体征关键字均相关联的疾病标签。

本实施例实现了通过提取的已知的信息(症状信息和体征信息)衍生出其他维度的关联信息(相关联的疾病标签，药品标签、科室标签等)，使得当前问诊的诊疗信息更加细粒化、更加全面。将衍生的关联信息发送至在线问诊平台，在线问诊平台可将关联信息推送至医生终端，以使医生能够掌握到更加全面的信息。

进一步的，还可以从问诊信息中提取除症状关键字、体征关键字以外的其他维度的关键字或者标签，如科室标签。上述的医疗信息处理方法，还包括，将提取的科室标签输入至关系模型中，得到预设维度的第三特征实体，将第一特征实体、第二特征实体和第三特征实体中共用包含的特征元素作为与本次问诊信息相关联的衍生信息推送至在线问诊平台。基于多维度的特征信息能够使得衍生出关联信息更加准确，也就是衍生出的疾病标签更加贴合问诊信息所呈现的问诊用户的实际健康状态。

在一个实施例中，提供了一种医疗信息处理方法，具体包括如下步骤：

步骤302：接收在线问诊平台发送的问诊信息，问诊信息是用户终端和医生终端在在线问诊平台为其建立的即时通信中产生的。

步骤304：根据问诊信息关联的用户标识查找用户的历史问诊记录，根据问诊信息和历史问诊记录生成问诊案例。

在线问诊平台记录用户每次在线问诊的所有问诊记录，包括问诊-诊断-处方等各个问诊阶段的信息。在线问诊平台将历史问诊记录推送至服务器，服务器将接收到的历史问诊记录保存到对应的用户标识下。服务器将根据问诊信息中携带的用户标识查找该用户标识下存储的历史问诊记录。查找的历史问诊记录和问诊信息构成本次问诊的问诊案例。

步骤306：从问诊案例中提取关键字，关键字至少包括从问诊信息中提取的症状关键字和体征关键字以及从历史问诊记录中提取的辅助关键字。

从历史问诊记录中提取的辅助关键字可以包括辅助症状关键字、辅助体征关键字、家族病史关键字，用户属性关键字(如过敏体质)。

步骤308：将症状关键字和辅助关键字输入至关系模型中，得到第一疾病实体，其中，关系模型为多个命名实体之间的关联关系模型，每个特征实体由对应的特征标签或者关键字构成。

步骤310：将体征关键字和辅助关键字输入至关系模型中，得到第二疾病实体。

本实施例中，在得到疾病实体计算时增加辅助关键字，实质为增加了输入源特征，可使得到的第一疾病实体和第二疾病实体中的疾病标签更加贴合问诊用户真实的健康状态。

辅助关键字中的辅助体征关键字和从问诊信息中提取的体征关键字相结合，生成体征项的变化趋势，辅助病症关键字和用户属性关键字用于补充从问诊信息中提取的症状关键字，家族病史关键字可辅助进行疾病标签的判定。

步骤312：从第一疾病实体与第二疾病实体中获取共同包含的疾病标签，并将获取的疾病标签发给至在线问诊平台。

本实施例中，基于多维度的更加全面的特征信息能够使得衍生出疾病维度的关联信息更加准确，也就是衍生出的疾病标签更加贴合问诊信息所呈现的问诊用户的实际健康状态。

在一个实施例中，步骤312：从第一疾病实体和第二疾病实体中获取共同包含的疾病标签，并将获取的疾病标签发给至在线问诊平台，包括：从第一疾病实体和第二疾病实体中获取共同包含的疾病标签，将症状关键字、体征关键字以及获取的共同包含的疾病标签输入至关系模型中得到药品实体，其中，药品实体中包含所有与输入信息相关联的药品标签；将得到的药品标签和疾病标签发送至在线问诊平台。

具体的，可以依次将症状关键字、体征关键字和疾病标签输入至关系模型中，依次得到第一药品实体、第二药品实体和第三药品实体。第一药品实体中为与症状关键字关联的药品标签集合，第二药品实体中为与体征关键字关联的药品标签集合，第三药品实体中为与疾病标签关联的药品标签集合，从这些标签集合中获取共同的疾病标签即为与输入的症状关键字、体征关键字和疾病标签相关联的药品标签。将获取的疾病标签和药品标签均发送至在线问诊平台，在线问诊平台可将生成的这些衍生信息发送至医生终端。

本实施例中，通过特征实体之间的关联关系进行了关联信息的二次衍生，将第一次衍生的关联信息(如关联的疾病标签)作为第二次衍生的输入源。需要说明的是，第一次衍生的关联信息不仅限于疾病实体，还可以是其他维度的特征实体，同样的，第二次第一次衍生的关联信息不仅限于药品实体，还可以是其他维度的特征实体。

本实施例实现了通过提取的已知的信息(症状信息和体征信息)衍生出其他维度的关联信息(相关联的疾病标签和药品标签)，使得当前问诊的诊疗信息更加细粒化、更加全面。将衍生的关联信息发送至在线问诊平台，在线问诊平台可将关联信息推送至医生终端，以使医生能够掌握到更加全面的信息。

在一个实施例中，如图4所示，提供了一种关系模型构建方法，具体包括如下步骤：

步骤402：收集电子病历。

用户在线问诊结束后，在线问诊平台收集用户此次问诊的所有相关信息，整理生成电子病历，在线问诊平台将整理的电子病历发送至服务器，服务器将其存储在对应的用户标识下。服务器通过对收集的海量的电子病历进行特征学习来构建关系模型。

电子病历可以包括基本信息栏目、基本特征栏目、问诊栏目、问诊小结、拟诊标签等栏目、用药记录和处方等。其中，基本信息栏目可以包括患者基本信息和主诉信息；基本特征栏目可以包括身高、体征、是否过敏体质、过敏详情信息等；问诊栏目可以是收集的IM消息记录；问诊小结可以从IM消息的医生标签下获取医生做出的问诊小结；拟诊标签可以从IM消息获取的医生终端做出的拟诊标签，若没有从IM消息中获取拟诊标签，将服务器根据IM消息中已有的症状信息和体征信息衍生的疾病标签作为拟诊标签，写入电子病历；用药记录和处方同样是从IM消息获取医生终端开具的用药和处方，或者从衍生的相关药品标签生成处方写入电子病历。

步骤404：从电子病历中提取多维度关键字构建多维度的特征实体，提取的关键字为对应维度的特征实体中的特征元素。

构建特征实体，构建的特征实体由对应维度的关键字构成。

服务器从海量的电子病历中提取多维度关键字，如症状维度的症状关键字、体征维度的体征关键字、疾病维度的疾病标签以及药品维度的药品标签，科室维度的科室标签。构建的多维度的特征实体可以包括症状实体、特征实体、疾病实体、药品实体、科室标签等等。提取的关键字作为对应维度的特征实体的特征元素。

步骤406：从电子病历中学习各个特征实体的特征元素之间的关联关系，构建关系模型。

同一份电子病历中的症状实体、体征实体、疾病实体和药品实体具有一定的关联关系。如可从同一份病历中提取的水肿(症状特征元素)、尿蛋白(体征特征元素)、肾炎(疾病特征元素)、环孢素(药品特征元素)具有关联关系。需要说明的是，特征实体间的特征元素的关联关系，不仅仅限于上述举例中的一对一关系，还可以是多对一、一对多或者多对多。如多个症状特征元素对应一个疾病元素，一个疾病元素对应多个药品特征元素等等。

本实施例中，通过从在线问诊平台获取的海量的电子病历大数据提取多维度关键字构建特征实体，学习电子病例中个特征实体的特征元素之间的关联关系构建关系模型，通过关系模型可快速获知任一特征实体中的任一特征元素所关联的其他特征元素。

进一步的，步骤406：从电子病历中学习各个特征实体的特征元素之间的关联关系，构建关系模型，包括：

步骤502：从电子病历中提取所有具有关联关系且对应不同特征实体的特征元素组合，提取的特征元素组合作为训练正样本。

步骤504：对来自不同特征实体的特征元素进行随机组合，将随机组合中训练正样本以外的特征元素组合作为训练负样本。

步骤506：使用训练正样本和训练负样本进行模型训练，得到关系模型。

本实施例中，将关系抽取看作是一个分类问题，在同一病例中，疾病标签、症状关键字、体征关键字、药品关键字、科室标签、家族病史标签具有关联关系。提取这些关联关系生成这些特征元素组合，如(水肿；肾炎)、(尿蛋白；肾炎)(尿蛋白、血压高；肾炎)，(肾炎；环孢素)，(肾炎；肾内科)等。本实施例中，将从电子病历中提取出来的具有关联关系的特征元素组合作为正样本。

对特征实体的所有特征元素进行随机组合，本实施例中，每个组合中包括两个特征实体中的特征元素。从随机组合的特征元素组合中除去正样本组合，剩下的特征元素组合作为负样本。

进一步的，可使用疾病库(包括疾病名称和病症描述)对随机生成症状实体与疾病实体的特征元素组合进行验证。将疾病库中显示有关联关系的疾病-症状组合的样本进行剔除，以确保生成的负样本为没有关联关系的样本，确保构建的关系模型的准确性。

当出现新的特征元素时，定义新的特征元素与已有特征元素的相关关系，将与新的特征元素有关联的信息输入至构建的关系模型中更新关系模型，更新关系模型的特征实体中包含的特征元素，使得更新后的关系模型能够预测新的特征元素的关联关系。

应该理解的是，虽然图2-5的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-5中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

在一个实施例中，如图6所示，提供了一种医疗信息处理装置，包括：

问诊信息接收模块602，用于接收在线问诊平台发送的问诊信息，问诊信息是用户终端和医生终端在在线问诊平台为其建立的即时通信中产生的。

关键字提取模块604，用于从问诊信息中提取关键字，关键字至少包括症状关键字和体征关键字。

第一特征实体预测模块606，用于将症状关键字输入至关系模型中，得到第一预设维度特征实体，其中，关系模型包括多个命名实体之间的关联关系模型，每个特征实体包括对应的特征元素。

第二特征实体预测模块608，用于将体征关键字输入至关系模型中，得到预设维度的第二特征实体。

衍生信息确定模块610，用于从第一预设维度特征实体与第二预设维度特征实体中获取共同包含的特征元素，并将获取的特征元素发给至在线问诊平台。

在一个实施例中，如图7所示，医疗信息处理装置还包括：问诊案例生成模块702，用于根据问诊信息关联的用户标识查找用户的历史问诊记录，根据问诊信息和历史问诊记录生成问诊案例。

关键字提取模块604，还用于从问诊案例中提取关键字，关键字至少包括从问诊信息中提取的症状关键字和体征关键字以及从历史问诊记录中提取的辅助关键字。

在一个实施例中，预设维度特征实体为疾病实体，疾病实体对应的特征标签为疾病标签；

衍生信息确定模块610，还用于从第一疾病实体与第二疾病实体中获取共同包含疾病标签；将症状关键字、体征关键字以及获取的共同包含的疾病标签输入至关系模型中得到药品实体，其中，药品实体中包含与输入至关系模型的信息相关联的药品标签。

在一个实施例中，如图8所示，医疗信息处理装置，还包括关系模型构建模块802，用于收集电子病历；通过从电子病历中提取多维度关键字构建多维度的特征实体，提取的关键字为对应维度的特征实体中的特征元素；从电子病历中学习各个特征实体的特征元素之间的关联关系，根据学习的关联关系构建关系模型。

在一个实施例中，关系模型构建模块802，还用于从电子病历中提取所有具有关联关系且对应不同特征实体的特征元素组合，提取的特征元素组合作为训练正样本；对来自不同特征实体的特征元素进行随机组合，将随机组合中训练正样本以外的特征元素组合作为训练负样本；通过训练正样本和训练负样本进行模型训练得到关系模型。

关于医疗信息处理装置的具体限定可以参见上文中对于医疗信息处理方法的限定，在此不再赘述。上述代码生成装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图9所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储历史问诊记录和关系模型。该计算机设备的网络接口用于与在线问诊平台通过网络连接通信。该计算机程序被处理器执行时以实现一种医疗信息处理方法。

本领域技术人员可以理解，图9中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，提供了一种计算机设备，包括存储器和处理器，该存储器存储有计算机程序，该处理器执行计算机程序时实现以下步骤：接收在线问诊平台发送的问诊信息，问诊信息是用户终端和医生终端在在线问诊平台为其建立的即时通信中产生的；从问诊信息中提取关键字，关键字至少包括症状关键字和体征关键字；将症状关键字输入至关系模型中，得到第一预设维度特征实体，其中，关系模型包括多个命名实体之间的关联关系模型，每个特征实体包括对应的特征元素；将体征关键字输入至关系模型中，得到第二预设维度特征实体；从第一预设维度特征实体与第二预设维度特征实体中获取共同包含的特征元素，并将获取的特征元素发给至在线问诊平台。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：根据问诊信息关联的用户标识查找用户的历史问诊记录，根据问诊信息和历史问诊记录生成问诊案例；

处理器执行从问诊信息中提取关键字时还实现以下步骤：从问诊案例中提取关键字，关键字至少包括从问诊信息中提取的症状关键字和体征关键字以及从历史问诊记录中提取的辅助关键字。

在一个实施例中，预设维度特征实体为疾病实体，疾病实体对应的特征标签为疾病标签；处理器执行计算机程序时还实现以下步骤：从第一疾病实体与第二疾病实体中获取共同包含疾病标签；将症状关键字、体征关键字以及获取的共同包含的疾病标签输入至关系模型中得到药品实体，其中，药品实体中包含与输入至关系模型的信息相关联的药品标签。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：收集电子病历；从电子病历中提取多维度关键字构建多维度的特征实体，提取的关键字为对应维度的特征实体中的特征元素；从电子病历中学习各个特征实体的特征元素之间的关联关系，根据学习的关联关系构建关系模型。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：从电子病历中提取所有具有关联关系且对应不同特征实体的特征元素组合，提取的特征元素组合作为训练正样本；对来自不同特征实体的特征元素进行随机组合，将随机组合中训练正样本以外的特征元素组合作为训练负样本；通过训练正样本和训练负样本进行模型训练得到关系模型。

在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：接收在线问诊平台发送的问诊信息，问诊信息是用户终端和医生终端在在线问诊平台为其建立的即时通信中产生的；从问诊信息中提取关键字，关键字至少包括症状关键字和体征关键字；将症状关键字输入至关系模型中，得到第一预设维度特征实体，其中，关系模型包括多个命名实体之间的关联关系模型，每个特征实体包括对应的特征元素；将体征关键字输入至关系模型中，得到第二预设维度特征实体；从第一预设维度特征实体与第二预设维度特征实体中获取共同包含的特征元素，并将获取的特征元素发给至在线问诊平台。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：根据问诊信息关联的用户标识查找用户的历史问诊记录，根据问诊信息和历史问诊记录生成问诊案例；

从问诊信息中提取关键字被处理器执行时，还实现以下步骤：从问诊案例中提取关键字，关键字至少包括从问诊信息中提取的症状关键字和体征关键字以及从历史问诊记录中提取的辅助关键字。

在一个实施例中，预设维度特征实体为疾病实体，疾病实体对应的特征标签为疾病标签；计算机程序被处理器执行时还实现以下步骤：从第一疾病实体与第二疾病实体中获取共同包含疾病标签；将症状关键字、体征关键字以及获取的共同包含的疾病标签输入至关系模型中得到药品实体，其中，药品实体中包含与输入至关系模型的信息相关联的药品标签。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：收集电子病历；从电子病历中提取多维度关键字构建多维度的特征实体，提取的关键字为对应维度的特征实体中的特征元素；从电子病历中学习各个特征实体的特征元素之间的关联关系，根据学习的关联关系构建关系模型。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：从电子病历中提取所有具有关联关系且对应不同特征实体的特征元素组合，提取的特征元素组合作为训练正样本；对来自不同特征实体的特征元素进行随机组合，将随机组合中训练正样本以外的特征元素组合作为训练负样本；通过训练正样本和训练负样本进行模型训练得到关系模型。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (12)

1.一种医疗信息处理方法，其特征在于，所述方法包括：

接收在线问诊平台发送的问诊信息，所述问诊信息是用户终端和医生终端在所述在线问诊平台为其建立的即时通信中产生的；

从所述问诊信息中提取关键字，所述关键字至少包括症状关键字和体征关键字；

将所述症状关键字输入至关系模型中，得到预设维度的第一特征实体，其中，所述关系模型包括多个维度的特征实体之间的关联关系模型，每个所述特征实体包括对应的特征元素；其中，所述特征元素是根据收集的关键字或者特征标签统计得到的，所述预设维度包括以下任一项：症状维度、体征维度、疾病维度、药品维度、处理维度及科室维度；

将所述体征关键字输入至所述关系模型中，得到所述预设维度的第二特征实体；

从所述第一特征实体与所述第二特征实体中获取共同包含的特征元素，并将获取的所述特征元素发送至所述在线问诊平台。

2.根据权利要求1所述的方法，其特征在于，所述方法还包括：

根据所述问诊信息关联的用户标识查找用户的历史问诊记录，根据所述问诊信息和所述历史问诊记录生成问诊案例；

所述从所述问诊信息中提取关键字，包括：从所述问诊案例中提取关键字，所述关键字至少包括从所述问诊信息中提取的所述症状关键字和所述体征关键字以及从所述历史问诊记录中提取的辅助关键字。

3.根据权利要求1所述的方法，其特征在于，所述预设维度的第一特征实体为第一疾病实体，所述预设维度的第二特征实体为第二疾病实体，所述疾病实体对应的特征元素为疾病标签；

所述从所述第一特征实体与所述第二特征实体中获取共同包含的特征元素，并将获取的所述特征元素发送至所述在线问诊平台，包括：

从所述第一疾病实体与所述第二疾病实体中获取共同包含的疾病标签，并将所述共同包含的疾病标签发送至所述在线问诊平台。

4.根据权利要求3所述的方法，其特征在于，所述从所述第一疾病实体与所述第二疾病实体中获取共同包含的疾病标签，并将所述共同包含的疾病标签发送至所述在线问诊平台，包括：

从所述第一疾病实体与所述第二疾病实体中获取共同包含的疾病标签，将所述症状关键字、所述体征关键字以及获取的所述共同包含的疾病标签输入至所述关系模型中得到药品实体，其中，所述药品实体中包含与输入至所述关系模型的信息相关联的药品标签；

将所述药品标签和所述共同包含的疾病标签发送至所述在线问诊平台。

5.根据权利要求1-4任一项所述的方法，其特征在于，所述方法还包括：

收集电子病历；

通过从所述电子病历中提取多维度关键字构建多个维度的特征实体，提取的所述多维度关键字为所述多个维度的特征实体的特征元素；

从所述电子病历中学习各个所述特征实体的特征元素之间的关联关系，构建所述关系模型。

6.根据权利要求5所述的方法，其特征在于，所述从所述电子病历中学习各个所述特征实体的特征元素之间的关联关系，构建所述关系模型，包括：

从所述电子病历中提取所有具有关联关系且对应不同特征实体的特征元素组合，将提取的所述特征元素组合作为训练正样本；

对来自不同特征实体的特征元素进行随机组合，将所述随机组合中所述训练正样本以外的特征元素组合作为训练负样本；

使用所述训练正样本和所述训练负样本进行模型训练得到所述关系模型。

7.一种医疗信息处理装置，其特征在于，所述装置包括：

问诊信息接收模块，用于接收在线问诊平台发送的问诊信息，所述问诊信息是用户终端和医生终端在所述在线问诊平台为其建立的即时通信中产生的；

关键字提取模块，用于从所述问诊信息中提取关键字，所述关键字至少包括症状关键字和体征关键字；

第一特征实体预测模块，用于将所述症状关键字输入至关系模型中，得到预设维度的第一特征实体，其中，所述关系模型包括多个命名实体之间的关联关系模型，每个所述特征实体包括对应的特征元素；其中，所述特征元素是根据收集的关键字或者特征标签统计得到的，所述预设维度包括以下任一项：症状维度、体征维度、疾病维度、药品维度、处理维度及科室维度；

第二特征实体预测模块，用于将所述体征关键字输入至所述关系模型中，得到所述预设维度的第二特征实体；

衍生信息确定模块，用于从所述预设维度的第一特征实体与所述预设维度的第二特征实体中获取共同包含的特征元素，并将获取的所述特征元素发送至所述在线问诊平台。

8.根据权利要求7所述的装置，其特征在于，所述装置还包括：

问诊案例生成模块，用于根据所述问诊信息关联的用户标识查找用户的历史问诊记录，根据所述问诊信息和所述历史问诊记录生成问诊案例；

所述关键字提取模块，还用于从所述问诊案例中提取关键字，所述关键字至少包括从所述问诊信息中提取的所述症状关键字和所述体征关键字以及从所述历史问诊记录中提取的辅助关键字。

9.根据权利要求7所述的装置，其特征在于，所述预设维度的第一特征实体为第一疾病实体，所述预设维度的第二特征实体为第二疾病实体，所述疾病实体对应的特征元素为疾病标签；

所述衍生信息确定模块，还用于从所述第一疾病实体与所述第二疾病实体中获取共同包含的疾病标签，并将所述共同包含的疾病标签发送至所述在线问诊平台。

10.根据权利要求9所述的装置，其特征在于，所述衍生信息确定模块，还用于从所述第一疾病实体与所述第二疾病实体中获取共同包含的疾病标签，将所述症状关键字、所述体征关键字以及获取的所述共同包含的疾病标签输入至所述关系模型中得到药品实体，其中，所述药品实体中包含与输入至所述关系模型的信息相关联的药品标签；将所述药品标签和所述共同包含的疾病标签发送至所述在线问诊平台。

11.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述方法的步骤。

12.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。

Images