CN109741804B - 一种信息提取方法、装置、电子设备及存储介质 - Google Patents
一种信息提取方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN109741804B CN109741804B CN201910040324.0A CN201910040324A CN109741804B CN 109741804 B CN109741804 B CN 109741804B CN 201910040324 A CN201910040324 A CN 201910040324A CN 109741804 B CN109741804 B CN 109741804B
- Authority
- CN
- China
- Prior art keywords
- information
- target
- patient
- diagnosis
- training
- 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.)
- Active
Links
Images
Landscapes
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本申请提供了一种信息提取方法、装置、电子设备及存储介质,其中,该方法包括:获取目标患者的患者身份信息和目标患者对应的病症信息;根据目标患者身份信息和目标患者对应的病症信息,确定目标患者的目标就诊信息;将所述目标就诊信息转换为目标就诊信息向量;将所述目标就诊信息向量输入至预先训练好的预判模型中,得到预判结果。通过本申请提供的信息提取方法,能够便捷的将目标患者对应的目标就诊信息进行提取,减少临床医生的工作量,节省临床医生和目标患者的就诊时间。
Description
技术领域
本申请涉及信息处理技术领域,具体而言,涉及一种信息提取方法、装置、电子设备及存储介质。
背景技术
目前,临床患者去医院就医,甚至在临床患者做完手术时,临床医生会根据临床患者的症状描述、症状体现、过往病史、就诊记录以及自己的临床经验,为临床患者制定诊疗手段。
现有技术中,临床医生可以及时获取临床患者的360视图,该视图中包括临床患者从出生到现今的过往病史、就医次数、就医时间、诊疗手段等,根据临床患者的所有信息为该临床患者制定较为合适的诊疗手段。
但是,在临床医生问诊临床患者时,时间较短,而临床医生获取的临床患者的信息量较大,临床医生根据临床患者的症状描述需要对临床患者的所有信息中进行逐一阅览,来确定与该临床患者当前描述的症状的目标信息,进一步制定相应的诊疗手段。这样,既浪费临床医生与临床患者的就诊时间,又增加临床医生的工作量。
发明内容
有鉴于此,本申请实施例的目的在于提供一种信息提取方法、装置、电子设备及存储介质,能够便捷的将目标患者对应的目标就诊信息进行提取,减少临床医生的工作量,节省临床医生和目标患者的就诊时间。
第一方面,本申请实施例提供了一种信息提取方法,其中,包括:
获取目标患者的患者身份信息和目标患者对应的病症信息;
根据所述目标患者身份信息和目标患者对应的病症信息,确定目标患者的目标就诊信息;
将所述目标就诊信息转换为目标就诊信息向量;
将所述目标就诊信息向量输入至预先训练好的预判模型中,得到预判结果。
结合第一方面,本申请实施例提供了第一方面的第一种可能的实施方式,其中,所述根据所述目标患者身份信息和目标患者对应的病症信息,确定临床患者的目标就诊信息,包括:
根据所述当前就诊信息与所述目标患者身份信息,确定待提取的目标就诊信息对应的预定标签;
将所述预定标签转换为特征向量,得到预定标签特征向量;
将所述预定标签特征向量输入至预先训练的目标就诊信息提取模型中,得到所述预定标签特征向量对应的目标就诊信息。
结合第一方面的第一种可能的实施方式,本申请实施例提供了第一方面的第二种可能的实施方式,其中,通过以下训练方式得到所述目标就诊信息提取模型:
获取第一训练样本集,所述第一训练样本集包括多个目标就诊信息样本,每个目标就诊信息样本带有对应的预定标签;
从第一训练样本集中获取N个带有对应的预定标签的目标就诊信息样本,并将每个目标就诊信息样本作为第一参照结果;
将所述N个目标就诊信息样本中的每个目标就诊信息样本进行向量转换,得到每个目标就诊信息样本对应的信息特征向量,并且将所述预定标签进行向量转换,得到所述预定标签的标签特征向量;
将所述信息特征向量和所述标签特征向量输入到待训练目标就诊信息提取模型中,得到本轮训练过程得到的第一检测结果;
基于所述本轮训练过程得到的第一检测结果以及预设的第一参照结果,计算本轮训练的第一误差值;
当计算出的第一误差值大于第一设定值,对所述待训练目标就诊信息提取模型的模型参数进行调整,并利用调整后的所述待训练目标就诊信息提取模型进行下一轮训练过程,直至计算出的第一误差值不大于所述第一设定值时,确定训练完成。
结合第一方面,本申请实施例提供了第一方面的第三种可能的实施方式,其中,通过以下训练方式得到所述预判模型:
获取第二训练样本集,所述第二训练样本集包括多个目标就诊信息样本,每个目标就诊信息样本带有对应的诊断结果;
从第二训练样本集中获取L个带有对应的诊断结果的目标就诊信息样本,并将每个目标就诊信息样本对应的诊断结果作为第二参照结果;
将所述L个目标就诊信息样本中提取多个信息特征向量,并且将所述诊断结果进行向量转换,得到所述诊断结果的结果特征向量;其中,每个目标就诊信息样本中至少提取一个信息特征向量;
将所述多个信息特征向量和所述结果特征向量输入到待训练预判模型中,得到本轮训练过程得到的第二检测结果;
基于所述本轮训练过程得到的第二检测结果以及预设的第二参照结果,计算本轮训练的第二误差值;
当计算出的第二误差值大于第二设定值,对所述待训练预判模型的模型参数进行调整,并利用调整后的所述待训练预判模型进行下一轮训练过程,直至计算出的第二误差值不大于所述第二设定值时,确定训练完成。
结合第一方面,本申请实施例提供了第一方面的第四种可能的实施方式,其中,还包括:
将所述目标就诊信息和所述预判结果进行显示。
第二方面,本申请实施例还提供了一种信息提取装置,其中,包括:
获取模块,用于获取目标患者的患者身份信息和目标患者对应的病症信息;
确定模块,用于根据所述目标患者身份信息和目标患者对应的病症信息,确定目标患者的目标就诊信息;
转换模块,用于将所述目标就诊信息转换为目标就诊信息向量;
预判模块,用于将所述目标就诊信息向量输入至预先训练的预判模型中,得到预判结果。
结合第二方面,本申请实施例提供了第二方面的第一种可能的实施方式,其中,所述确定模块,具体用于:
根据所述当前就诊信息与所述目标患者身份信息,确定待提取的目标就诊信息对应的预定标签;
将所述预定标签转换为特征向量,得到预定标签特征向量;
将所述预定标签特征向量输入至预先训练的目标就诊信息提取模型中,得到所述预定标签特征向量对应的目标就诊信息。
结合第二方面,本申请实施例提供了第二方面的第二种可能的实施方式,其中,还包括:
显示模块,用于将所述目标就诊信息和所述预判结果进行显示。
第三方面,本申请实施例还提供了一种电子设备,其特征在于,包括:处理器、存储器和总线,所述存储器存储有所述处理器可执行的机器可读指令,当电子设备运行时,所述处理器与所述存储器之间通过总线通信,所述机器可读指令被所述处理器执行时执行上述第一方面至第一方面的第四种可能的实施方式中任一种可能的实施方式中的步骤。
第四方面,本申请实施例还提供了一种计算机可读存储介质,其特征在于,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行上述第一方面至第一方面的第四种可能的实施方式中任一种可能的实施方式中的步骤。
本申请提供了一种信息提取方法、装置、电子设备及存储介质,其中,该方法包括:获取目标患者的患者身份信息和目标患者对应的病症信息;根据目标患者身份信息和目标患者对应的病症信息,确定目标患者的目标就诊信息,并将目标就诊信息进行显示。通过本申请提供的信息提取方法,能够便捷的将目标患者对应的目标就诊信息进行提取,避免了临床医生需要根据临床患者的症状描述对临床患者的所有信息中进行逐一阅览,来确定与该临床患者当前描述的症状的目标就诊信息,减少了临床医生的工作量,节省了临床医生和目标患者的就诊时间。
为使本申请的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1示出了本申请实施例所提供的一种信息提取方法的流程图;
图2示出了本申请实施例所提供的另一种信息提取方法的流程图;
图3示出了本申请实施例所提供的另一种信息提取方法的流程图;
图4示出了本申请实施例所提供的另一种信息提取方法的流程图;
图5示出了本申请实施例所提供的一种信息提取方法的结构示意图;
图6示出了本申请实施例所提供的电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,本领域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,都属于本申请保护的范围。
目前,在临床医生问诊临床患者时,时间较短,而临床医生获取的临床患者的信息量较大,临床医生根据临床患者的症状描述需要对临床患者的所有信息中进行逐一阅览,来确定与该临床患者当前描述的症状的目标信息,进一步制定相应的诊疗手段。这样,既浪费临床医生与临床患者的就诊时间,又增加临床医生的工作量。针对上述问题,本申请实施例提供了一种信息提取方法、装置、电子设备及存储介质,能够便捷的将目标患者对应的目标就诊信息进行提取,减少临床医生的工作量,节省临床医生和目标患者的就诊时间。
为便于对本申请实施例进行理解,首先对本申请实施例所公开的一种信息提取方法进行详细介绍。
本申请实施例提供的信息提取方法可以用在临床医生为目标患者进行就诊时,还可以用在临床医生为目标患者进行术后查床时等。临床医生可以根据提取到的目标就诊信息以及自己的临床经验,为目标患者制定较为合理的诊疗策略。
具体的,如图1所示,为本申请实施例提供的信息提取方法的流程图,具体步骤如下:
S101、获取目标患者的患者身份信息和目标患者对应的病症信息。
这里,在目标患者进行就诊时,将自己的就诊卡、医保卡或者身份证提供给临床医生,临床医生可以将就诊卡、医保卡或者身份证中的任一卡片放在读卡器上,读卡器读取目标患者的患者身份信息,并将患者身份信息传输至服务器;还可以是临床医生直接将就诊卡、医保卡或者身份证上的证件号输入到电子设备上,以便于服务器可以得到目标患者的患者身份信息。
具体实施中,目标患者对应的病症信息为目标患者对临床医生进行阐述时,临床医生将病症信息输入到电子设备上,以便于服务器可以得到目标患者的病症信息。
其中,目标患者的病症信息可以包括症状的描述、病症开始的时间点、病症持续的时间段等。
S102、根据目标患者身份信息和目标患者对应的病症信息,确定目标患者的目标就诊信息。
这里,在获取目标患者身份信息和目标患者对应的病症信息,可以从大量的数据库中提取出目标患者的目标就诊信息,其中,该目标就诊信息可以包括目标患者之前是否出现过与病症信息相关的疾病,第一次出现的时间,出现后的诊疗策略,服用的药物种类及剂量等。
值得说明的是,上述数据库中包括任一患者从出生到当前时间的所有就诊信息。
S103、将目标就诊信息转换为目标就诊信息向量;
S104、将目标就诊信息向量输入至预先训练的预判模型中,得到预判结果。
这里,将目标就诊信息向量输入至预先训练的预判模型中,得到预判结果,其中,该与预判结果可以包括目标患者此次所患的疾病,还可以包括针对目标患者此次所患的疾病制定的诊疗策略等。将预判结果显示在电子设备的显示屏上,以供临床医生进行参考。
值得说明的是,通过预判模型得到的预判结果可以作为临床医生的参考,临床医生可以将该预判结果和自身的临床经验进行结合,为目标患者制定更加合理的诊疗策略。
S105、将所述目标就诊信息和所述预判结果进行显示。
在确定目标患者的目标就诊信息和预判结果之后,可以将目标就诊信息和预判结果进行显示,具体的,可以显示在电子设备的显示屏上,以使得临床医生可以直观的获取目标患者的目标就诊信息,避免了临床医生根据临床患者的症状描述对临床患者的所有信息中进行逐一阅览,来确定与该临床患者当前描述的症状的目标就诊信息,减少了临床医生的工作量,节省了临床医生和目标患者的就诊时间。
具体的,图2中为本申请实施例提供的根据目标患者身份信息和目标患者对应的病症信息,确定临床患者的目标就诊信息的方法,其中,具体步骤如下:
S201、根据当前就诊信息与目标患者身份信息,确定待提取的目标就诊信息对应的预定标签;
S202、将预定标签转换为特征向量,得到预定标签特征向量;
S203、将预定标签特征向量输入至预先训练的目标就诊信息提取模型中,得到预定标签特征向量对应的目标就诊信息。
这里,在每次就诊完成之后,临床医生将目标患者的就诊信息进行存储时,可以为该就诊信息设定一个预定标签,该预定标签的信息可以包括患者身份信息、病症信息、首发性、延续性、互斥性、科研性、重要性、关联病人等。
其中,首发性为目标患者第一次出现病症信息对应的疾病的时间;延续性为目标患者对应的长期慢性病症(如糖尿病、高血压等)是否有间断,何时间断等;互斥性为目标患者的病症信息与应出现的病症信息不一致;科研性为目标患者参加药品或医疗器械的试验时设定的;重要性则为临床医生认为目标患者此次的诊疗情况较为特殊或者具有科研性时设定的;关联病人为与目标患者具有相同病症信息的关联病人以及目标患者与关联病人之间的关系等,上述情况均可以为临床医生提供参考信息,以便于临床医生可以为目标患者制定合理的诊疗策略。
在根据当前就诊信息与目标患者身份信息,确定待提取的目标就诊信息对应的预定标签之后,将该预定标签转换为特征向量,并将预定标签特征向量输入至预先训练的目标就诊信息提取模型中,得到预定标签特征向量对应的目标就诊信息。
进一步的,可以根据如图3所示的方法,训练得到目标就诊信息提取模型,具体步骤如下:
S301、获取第一训练样本集,第一训练样本集包括多个目标就诊信息样本,每个目标就诊信息样本带有对应的预定标签;
S302、从第一训练样本集中获取N个带有对应的预定标签的目标就诊信息样本,并将每个目标就诊信息样本作为第一参照结果;
S303、将所述N个目标就诊信息样本中的每个目标就诊信息样本进行向量转换,得到每个目标就诊信息样本对应的信息特征向量,并且将所述预定标签进行向量转换,得到所述预定标签的标签特征向量;
S304、将信息特征向量和标签特征向量输入到待训练目标就诊信息提取模型中,得到本轮训练过程得到的第一检测结果;
S305、基于本轮训练过程得到的第一检测结果以及预设的第一参照结果,计算本轮训练的第一误差值;
S306、当计算出的第一误差值大于第一设定值,对待训练目标就诊信息提取模型的模型参数进行调整,并利用调整后的待训练目标就诊信息提取模型进行下一轮训练过程,直至计算出的第一误差值不大于第一设定值时,确定训练完成。
这里,通过第一训练样本集对待训练的目标就诊信息提取模型进行训练。其中,第一训练样本集中包括多个目标就诊信息样本,并且每个目标就诊信息样本带有对应的预定标签。
从第一训练样本集中选取N个目标就诊信息样本对应的预定标签作为本轮的训练的输入值,并将每个目标就诊信息样本作为第一参照结果。其中,N为大于或等于1的数值。
这里,任意模型的输入为数值或数值向量,在训练待训练目标就诊信息提取模型时,将所述N个目标就诊信息样本中的每个目标就诊信息样本进行向量转换,得到每个目标就诊信息样本对应的信息特征向量,并且将所述预定标签进行向量转换,得到预定标签的标签特征向量。进一步的,将息特征向量和标签特征向量输入到待训练目标就诊信息提取模型中,得到本轮训练过程得到的第一检测结果。
将本轮训练得到的第一检测结果与第一参照结果进行对比,得到本轮训练的第一误差值。并将该第一误差值与第一设定值进行对比,其中,第一设定值为目标就诊信息提取模型训练过程中的最大允许误差。
在将误差值与该设定值进行对比之后,若计算出的误差值大于设定值,则对待训练的目标就诊信息提取模型的模型参数进行调整,并利用调整后的待训练的目标就诊信息提取模型进行下一轮训练过程,并且,进行下一轮训练时候,仍然可以利用本轮训练的N个目标就诊信息样本,直至计算出的误差值小于或等于设定值;或者,可以利用除本轮训练的N个目标就诊信息样本以外的目标就诊信息样本继续进行训练,直至训练中计算出的误差值均小于或等于设定值时,确定训练完成。
本申请实施例中,还可以根据提取的目标就诊信息对目标患者进行病情预判,具体的,如图4所示的步骤:
进一步的,可以根据如图4所示的方法,训练得到预判模型,具体步骤如下:
S401、获取第二训练样本集,第二训练样本集包括多个目标就诊信息样本,每个目标就诊信息样本带有对应的诊断结果;
S402、从第二训练样本集中获取L个带有对应的诊断结果的目标就诊信息样本,并将每个目标就诊信息样本对应的诊断结果作为第二参照结果;
S403、将L个目标就诊信息样本中提取多个信息特征向量,并且将诊断结果进行向量转换,得到诊断结果的结果特征向量;其中,每个目标就诊信息样本中至少提取一个信息特征向量;
S404、将多个信息特征向量和结果特征向量输入到待训练预判模型中,得到本轮训练过程得到的第二检测结果;
S405、基于本轮训练过程得到的第二检测结果以及预设的第二参照结果,计算本轮训练的第二误差值;
S406、当计算出的第二误差值大于第二设定值,对待训练预判模型的模型参数进行调整,并利用调整后的待训练预判模型进行下一轮训练过程,直至计算出的第二误差值不大于第二设定值时,确定训练完成。
具体训练过程与上述目标就诊信息提取模型的训练过程相近,再次不再对预判模型的训练过程进行阐述。
基于同一发明构思,本申请实施例还提供了与信息提取方法对应的信息提取装置,由于本申请实施例中的装置解决问题的原理与本申请实施例上述信息提取方法相似,因此装置的实施可以参见方法的实施,重复之处不再赘述。
参见图5所示,本申请又一实施例所提供的信息提取装置包括:
获取模块501,用于获取目标患者的患者身份信息和目标患者对应的病症信息;
确定模块502,用于根据所述目标患者身份信息和目标患者对应的病症信息,确定目标患者的目标就诊信息;
转换模块503,用于将所述目标就诊信息转换为目标就诊信息向量;
预判模块504,用于将所述目标就诊信息向量输入至预先训练的预判模型中,得到预判结果。
在一种实施方式中,上述确定模块502具体用于:
根据所述当前就诊信息与所述目标患者身份信息,确定待提取的目标就诊信息对应的预定标签;
将所述预定标签转换为特征向量,得到预定标签特征向量;
将所述预定标签特征向量输入至预先训练的目标就诊信息提取模型中,得到所述预定标签特征向量对应的目标就诊信息。
在另一种实施方式中,上述信息提取装置还包括:
显示模块505,用于将所述目标就诊信息和所述预判结果进行显示。
如图6所示,为本申请实施例提供的电子设备的结构示意图,包括:处理器601、存储器602和总线603,存储器602存储执行指令,当电子设备运行时,处理器601与存储器602之间通过总线603通信,机器可读指令被处理器601执行时执行如下处理:
获取目标患者的患者身份信息和目标患者对应的病症信息;
根据所述目标患者身份信息和目标患者对应的病症信息,确定目标患者的目标就诊信息;
将所述目标就诊信息转换为目标就诊信息向量;
将所述目标就诊信息向量输入至预先训练好的预判模型中,得到预判结果。
可选地,处理器601执行的方法中,所述根据所述目标患者身份信息和目标患者对应的病症信息,确定临床患者的目标就诊信息,包括:
根据所述当前就诊信息与所述目标患者身份信息,确定待提取的目标就诊信息对应的预定标签;
将所述预定标签转换为特征向量,得到预定标签特征向量;
将所述预定标签特征向量输入至预先训练的目标就诊信息提取模型中,得到所述预定标签特征向量对应的目标就诊信息。
可选地,处理器601执行的方法中,通过以下训练方式得到所述目标就诊信息提取模型:
获取第一训练样本集,所述第一训练样本集包括多个目标就诊信息样本,每个目标就诊信息样本带有对应的预定标签;
从第一训练样本集中获取N个带有对应的预定标签的目标就诊信息样本,并将每个目标就诊信息样本作为第一参照结果;
将所述N个目标就诊信息样本中的每个目标就诊信息样本进行向量转换,得到每个目标就诊信息样本对应的信息特征向量,并且将所述预定标签进行向量转换,得到所述预定标签的标签特征向量;
将所述信息特征向量和所述标签特征向量输入到待训练目标就诊信息提取模型中,得到本轮训练过程得到的第一检测结果;
基于所述本轮训练过程得到的第一检测结果以及预设的第一参照结果,计算本轮训练的第一误差值;
当计算出的第一误差值大于第一设定值,对所述待训练目标就诊信息提取模型的模型参数进行调整,并利用调整后的所述待训练目标就诊信息提取模型进行下一轮训练过程,直至计算出的第一误差值不大于所述第一设定值时,确定训练完成。
可选地,处理器601执行的方法中,通过以下训练方式得到所述预判模型:
获取第二训练样本集,所述第二训练样本集包括多个目标就诊信息样本,每个目标就诊信息样本带有对应的诊断结果;
从第二训练样本集中获取L个带有对应的诊断结果的目标就诊信息样本,并将每个目标就诊信息样本对应的诊断结果作为第二参照结果;
将所述L个目标就诊信息样本中提取多个信息特征向量,并且将所述诊断结果进行向量转换,得到所述诊断结果的结果特征向量;其中,每个目标就诊信息样本中至少提取一个信息特征向量;
将所述多个信息特征向量和所述结果特征向量输入到待训练预判模型中,得到本轮训练过程得到的第二检测结果;
基于所述本轮训练过程得到的第二检测结果以及预设的第二参照结果,计算本轮训练的第二误差值;
当计算出的第二误差值大于第二设定值,对所述待训练预判模型的模型参数进行调整,并利用调整后的所述待训练预判模型进行下一轮训练过程,直至计算出的第二误差值不大于所述第二设定值时,确定训练完成。
可选地,处理器601执行的方法中,还包括:
将所述目标就诊信息和所述预判结果进行显示。
本申请实施例所提供的路况检测方法及装置的计算机程序产品,包括存储了程序代码的计算机可读存储介质,程序代码包括的指令可用于执行前面方法实施例中的方法,具体实现可参见方法实施例,在此不再赘述。
具体地,该存储介质能够为通用的存储介质,如移动磁盘、硬盘等,该存储介质上的计算机程序被运行时,能够便捷的将目标患者对应的目标就诊信息进行提取,减少临床医生的工作量,节省临床医生和目标患者的就诊时间。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-OnlyMemory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上所述实施例,仅为本申请的具体实施方式,用以说明本申请的技术方案,而非对其限制,本申请的保护范围并不局限于此,尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应所述以权利要求的保护范围为准。
Claims (8)
1.一种信息提取方法,其特征在于,包括:
获取目标患者的患者身份信息和目标患者对应的病症信息;
根据当前就诊信息与所述目标患者的所述患者身份信息,确定待提取的目标就诊信息对应的预定标签;
将所述预定标签转换为特征向量,得到预定标签特征向量;
将所述预定标签特征向量输入至预先训练的目标就诊信息提取模型中,得到所述预定标签特征向量对应的目标就诊信息;
将所述目标就诊信息转换为目标就诊信息向量;
将所述目标就诊信息向量输入至预先训练好的预判模型中,得到预判结果。
2.根据权利要求1所述的方法,其特征在于,通过以下训练方式得到所述目标就诊信息提取模型:
获取第一训练样本集,所述第一训练样本集包括多个目标就诊信息样本,每个目标就诊信息样本带有对应的预定标签;
从第一训练样本集中获取N个带有对应的预定标签的目标就诊信息样本,并将每个目标就诊信息样本作为第一参照结果;
将所述N个目标就诊信息样本中的每个目标就诊信息样本进行向量转换,得到每个目标就诊信息样本对应的信息特征向量,并且将所述预定标签进行向量转换,得到所述预定标签的标签特征向量;
将所述信息特征向量和所述标签特征向量输入到待训练目标就诊信息提取模型中,得到本轮训练过程得到的第一检测结果;
基于所述本轮训练过程得到的第一检测结果以及预设的第一参照结果,计算本轮训练的第一误差值;
当计算出的第一误差值大于第一设定值,对所述待训练目标就诊信息提取模型的模型参数进行调整,并利用调整后的所述待训练目标就诊信息提取模型进行下一轮训练过程,直至计算出的第一误差值不大于所述第一设定值时,确定训练完成。
3.根据权利要求1所述的方法,其特征在于,通过以下训练方式得到所述预判模型:
获取第二训练样本集,所述第二训练样本集包括多个目标就诊信息样本,每个目标就诊信息样本带有对应的诊断结果;
从第二训练样本集中获取L个带有对应的诊断结果的目标就诊信息样本,并将每个目标就诊信息样本对应的诊断结果作为第二参照结果;
将所述L个目标就诊信息样本中提取多个信息特征向量,并且将所述诊断结果进行向量转换,得到所述诊断结果的结果特征向量;其中,每个目标就诊信息样本中至少提取一个信息特征向量;
将所述多个信息特征向量和所述结果特征向量输入到待训练预判模型中,得到本轮训练过程得到的第二检测结果;
基于所述本轮训练过程得到的第二检测结果以及预设的第二参照结果,计算本轮训练的第二误差值;
当计算出的第二误差值大于第二设定值,对所述待训练预判模型的模型参数进行调整,并利用调整后的所述待训练预判模型进行下一轮训练过程,直至计算出的第二误差值不大于所述第二设定值时,确定训练完成。
4.根据权利要求1所述的方法,其特征在于,还包括:
将所述目标就诊信息和所述预判结果进行显示。
5.一种信息提取装置,其特征在于,包括:
获取模块,用于获取目标患者的患者身份信息和目标患者对应的病症信息;
确定模块,用于根据当前就诊信息与所述目标患者的所述患者身份信息,确定待提取的目标就诊信息对应的预定标签;
将所述预定标签转换为特征向量,得到预定标签特征向量;
将所述预定标签特征向量输入至预先训练的目标就诊信息提取模型中,得到所述预定标签特征向量对应的目标就诊信息;
转换模块,用于将所述目标就诊信息转换为目标就诊信息向量;
预判模块,用于将所述目标就诊信息向量输入至预先训练的预判模型中,得到预判结果。
6.根据权利要求5所述的装置,其特征在于,还包括:
显示模块,用于将所述目标就诊信息和所述预判结果进行显示。
7.一种电子设备,其特征在于,包括:处理器、存储器和总线,所述存储器存储有所述处理器可执行的机器可读指令,当电子设备运行时,所述处理器与所述存储器之间通过总线通信,所述机器可读指令被所述处理器执行时执行如权利要求1至4任一所述的信息提取方法的步骤。
8.一种计算机可读存储介质,其特征在于,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行如权利要求1至4任意一项所述的信息提取方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910040324.0A CN109741804B (zh) | 2019-01-16 | 2019-01-16 | 一种信息提取方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910040324.0A CN109741804B (zh) | 2019-01-16 | 2019-01-16 | 一种信息提取方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109741804A CN109741804A (zh) | 2019-05-10 |
CN109741804B true CN109741804B (zh) | 2023-03-31 |
Family
ID=66364952
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910040324.0A Active CN109741804B (zh) | 2019-01-16 | 2019-01-16 | 一种信息提取方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109741804B (zh) |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112397194B (zh) * | 2019-08-16 | 2024-02-06 | 北京大数医达科技有限公司 | 用于生成患者病情归因解释模型的方法、装置和电子设备 |
CN112397163B (zh) * | 2019-08-16 | 2024-02-02 | 北京大数医达科技有限公司 | 用于生成病例输入模型的方法、装置、电子设备和介质 |
CN112397196A (zh) * | 2019-08-16 | 2021-02-23 | 北京大数医达科技有限公司 | 生成影像检查推荐模型的方法和装置 |
CN112394924B (zh) * | 2019-08-16 | 2024-06-07 | 北京大数医达科技有限公司 | 用于生成提问模型的方法、装置、电子设备和介质 |
CN112397195B (zh) * | 2019-08-16 | 2024-02-09 | 北京大数医达科技有限公司 | 用于生成体格检查模型的方法、装置、电子设备和介质 |
CN112397161A (zh) * | 2019-08-16 | 2021-02-23 | 北京大数医达科技有限公司 | 用于生成化验模型的方法、装置、设备和介质 |
CN111445990A (zh) * | 2020-04-13 | 2020-07-24 | 上海联影医疗科技有限公司 | 一种扫描方案的调整方法、装置、电子设备及存储介质 |
CN111710382A (zh) * | 2020-06-10 | 2020-09-25 | 深圳市好克医疗仪器股份有限公司 | 远程数据分析方法、装置、设备及存储介质 |
CN112447291B (zh) * | 2020-11-23 | 2023-03-28 | 四川大学华西医院 | 基于区块链的医联体数据之间的共享方法 |
CN112435745B (zh) * | 2020-12-18 | 2024-04-05 | 深圳赛安特技术服务有限公司 | 就诊策略推荐方法、装置、电子设备及存储介质 |
CN114300078A (zh) * | 2021-12-28 | 2022-04-08 | 新瑞鹏宠物医疗集团有限公司 | 信息处理方法、装置、存储介质及电子设备 |
CN114166768B (zh) * | 2022-02-14 | 2022-05-20 | 四川大学华西医院 | 不同设备检测同一指标同质化换算方法、装置、电子设备 |
CN115831300B (zh) * | 2022-09-29 | 2023-12-29 | 广州金域医学检验中心有限公司 | 一种基于患者信息的检测方法、装置、设备及介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101501695A (zh) * | 2006-08-11 | 2009-08-05 | 皇家飞利浦电子股份有限公司 | 用于将核酸谱和蛋白质组谱与决策支持系统中的卫生保健规程和指南相关联的系统和方法 |
CN106778014A (zh) * | 2016-12-29 | 2017-05-31 | 浙江大学 | 一种基于循环神经网络的患病风险预测方法 |
CN107038343A (zh) * | 2017-04-10 | 2017-08-11 | 荣科科技股份有限公司 | 临床诊断模型的构建方法及构建系统、临床诊断系统 |
CN107358014A (zh) * | 2016-11-02 | 2017-11-17 | 华南师范大学 | 一种生理数据的临床前处理方法及系统 |
CN108074628A (zh) * | 2016-11-15 | 2018-05-25 | 中国移动通信有限公司研究院 | 一种复诊患者预测方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3223177A1 (en) * | 2016-03-24 | 2017-09-27 | Fujitsu Limited | System and method to aid diagnosis of a patient |
-
2019
- 2019-01-16 CN CN201910040324.0A patent/CN109741804B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101501695A (zh) * | 2006-08-11 | 2009-08-05 | 皇家飞利浦电子股份有限公司 | 用于将核酸谱和蛋白质组谱与决策支持系统中的卫生保健规程和指南相关联的系统和方法 |
CN107358014A (zh) * | 2016-11-02 | 2017-11-17 | 华南师范大学 | 一种生理数据的临床前处理方法及系统 |
CN108074628A (zh) * | 2016-11-15 | 2018-05-25 | 中国移动通信有限公司研究院 | 一种复诊患者预测方法及装置 |
CN106778014A (zh) * | 2016-12-29 | 2017-05-31 | 浙江大学 | 一种基于循环神经网络的患病风险预测方法 |
CN107038343A (zh) * | 2017-04-10 | 2017-08-11 | 荣科科技股份有限公司 | 临床诊断模型的构建方法及构建系统、临床诊断系统 |
Also Published As
Publication number | Publication date |
---|---|
CN109741804A (zh) | 2019-05-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109741804B (zh) | 一种信息提取方法、装置、电子设备及存储介质 | |
US10791978B2 (en) | Classifying individuals using finite mixture markov modelling and test trials with accounting for item position | |
KR102237449B1 (ko) | 환자 진단 학습 방법, 서버 및 프로그램 | |
US11791052B2 (en) | Method for estimating mental health and providing solution for mental health by learning psychological data and physical data based on machine learning and mental health estimating device using the same | |
US8548823B2 (en) | Automatically determining ideal treatment plans for complex neuropsychiatric conditions | |
US20160253460A1 (en) | Diagnostic information display control device, method, and program | |
CN109887596A (zh) | 基于知识图谱的慢阻肺疾病诊断方法、装置和计算机设备 | |
EP3306617A1 (en) | Method and apparatus of context-based patient similarity | |
JP6282783B2 (ja) | 分析システム及び分析方法 | |
CN112201360B (zh) | 慢病随访记录收集方法、装置、设备及存储介质 | |
CN114724716A (zh) | 进展为2型糖尿病的风险预测的方法、模型训练及装置 | |
WO2021151302A1 (zh) | 基于机器学习的药品质控分析方法、装置、设备及介质 | |
CN109598302B (zh) | 就诊费用预测方法、装置、设备及计算机可读存储介质 | |
CN112447270A (zh) | 一种用药推荐方法、装置、设备及存储介质 | |
CN112037918B (zh) | 一种融合并发症风险的慢病医保费用预测方法及相关设备 | |
WO2018123791A1 (en) | Method, system and storage medium for recommending resource allocation to target subject | |
CN117038062A (zh) | 一种临床决策支持系统、方法及存储介质 | |
US11302428B2 (en) | Medical data aggregation, transformation, and presentation system | |
JP2021039683A (ja) | 診療支援方法、診療支援システム、学習モデルの生成方法、および、診療支援プログラム | |
WO2015173917A1 (ja) | 分析システム | |
JP7046499B2 (ja) | 医用情報処理装置及び医用情報処理方法 | |
JP5361683B2 (ja) | 医療情報処理装置およびプログラム | |
US20210271924A1 (en) | Analyzer, analysis method, and analysis program | |
CN115101204A (zh) | 一种基于血液生化指标量化评估抑郁症风险的模型、设备及存储介质 | |
CN117809841B (zh) | 一种基于大模型技术的皮肤专病患者管理方法及系统 |
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 |