CN110379475A - 基于电子病历完善临床指南的方法、装置及存储介质 - Google Patents

基于电子病历完善临床指南的方法、装置及存储介质 Download PDF

Info

Publication number
CN110379475A
CN110379475A CN201910532121.3A CN201910532121A CN110379475A CN 110379475 A CN110379475 A CN 110379475A CN 201910532121 A CN201910532121 A CN 201910532121A CN 110379475 A CN110379475 A CN 110379475A
Authority
CN
China
Prior art keywords
health record
electronic health
clinical guidelines
recommendation
recommended
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.)
Pending
Application number
CN201910532121.3A
Other languages
English (en)
Inventor
蒋雪涵
谢国彤
孙行智
赵惟
胡岗
徐卓扬
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.)
Ping An Technology Shenzhen Co Ltd
Original Assignee
Ping An Technology Shenzhen Co Ltd
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 Ping An Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Priority to CN201910532121.3A priority Critical patent/CN110379475A/zh
Publication of CN110379475A publication Critical patent/CN110379475A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Primary Health Care (AREA)
  • Data Mining & Analysis (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Theoretical Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Databases & Information Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Pathology (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

本发明属于人工智能技术领域，公开了一种基于电子病历完善临床指南的方法、装置和存储介质，其中，方法包括：对电子病历进行结构化处理；构建推荐模型并利用经过结构化处理的电子病历数据训练所述推荐模型；通过训练得到的推荐模型获取与所述电子病历数据对应的各个推荐结果的推荐概率；选择最大推荐概率对应的推荐结果作为最终推荐结果，并获取与所述最终推荐结果所对应的推荐条件；根据所述推荐条件和最终推荐结果生成对应的文本；根据生成的文本完善临床指南。本发明基于电子病历挖掘医学知识，完善临床指南，有利于推动个体化医疗的实现，提高CDSS模型的可信度，便于CDSS模型的推广。

Description

基于电子病历完善临床指南的方法、装置及存储介质
技术领域
本发明涉及人工智能技术领域，尤其涉及一种基于电子病历完善临床指南的方法、装置及存储介质。
背景技术
临床决策支持系统(CDSS，Clinical Decision Support System)是医学知识工程和人工智能研究中非常活跃的分支，可以帮助医生解决复杂的医学问题，作为医生诊断、治疗以及预防的辅助工具。目前，临床决策支持系统一般是基于纯知识库的CDSS，或是基于电子病历，运用机器学习的方法对临床决策进行预测。不论何种模型，完备全面的知识库是实现临床诊疗一致性和规范性的基石。通常，知识库来源于临床指南或相关文献的文本提取，而从临床指南中提取的往往是原则性的指导，并且临床指南的更新速度慢，无法发掘现有的隐性医学知识，导致临床指南知识不完备，无法考虑到完备的实际情况，也无法满足个体化医疗的需求。
发明内容
本发明提供一种基于电子病历完善临床指南的方法、装置及存储介质，以解决现有技术中易出现临床指南知识不完备，无法满足个体化医疗的问题。
为了实现上述目的，本发明的一个方面是提供一种基于电子病历完善临床指南的方法，包括：
对电子病历进行结构化处理；构建推荐模型并利用经过结构化处理的电子病历数据训练所述推荐模型；通过训练得到的推荐模型获取与所述电子病历数据对应的各个推荐结果的推荐概率；选择最大推荐概率对应的推荐结果作为最终推荐结果，并获取与所述最终推荐结果所对应的推荐条件；根据所述推荐条件和最终推荐结果生成对应的文本；根据生成的文本完善临床指南。
优选地，构建推荐模型的步骤包括：根据医学知识库和电子病历数据对电子病历进行分组；根据分组结果构建推荐模型。
优选地，构建推荐模型的步骤之前，还包括：根据临床指南筛选电子病历信息；根据筛选得到的电子病历信息构成电子病历数据，用于输入推荐模型。
优选地，根据所述推荐条件和最终推荐结果生成对应的文本的步骤之前，还包括：判断所述推荐条件和最终推荐结果是否满足预设标准，若满足，则进行下一步，若不满足，则剔除所述推荐条件和最终推荐结果，其中，所述预设标准包括所述推荐条件所覆盖的人群占比超过第一设定阈值和所述最终推荐结果对应的治愈率超过第二设定阈值中的一种或两种。
优选地，根据所述推荐条件和最终推荐结果生成对应的文本，包括：将所述推荐条件和最终推荐结果进行标准化处理，所述标准化处理包括生成对应的推荐条件、判断符和推荐内容；根据标准化处理结果生成对应的文本。
优选地，根据生成的文本完善临床指南的步骤之前，还包括：根据医学知识库验证生成的文本是否符合医学知识，若符合，则进行下一步，若不符合，则剔除生成的文本。
优选地，根据生成的文本完善临床指南，包括：选取临床指南中的推荐文本；对所述推荐文本进行结构化处理；根据经过结构化处理的推荐文本，将经过结构化处理的电子病历数据划分为临床指南覆盖数据和临床指南不覆盖数据；根据所述临床指南覆盖数据获取的推荐条件生成的文本对所述临床指南进行修正，将所述临床指南不覆盖数据获取的推荐条件生成的文本添加至所述临床指南中。
为了实现上述目的，本发明的另一个方面是提供一种电子装置，该电子装置包括：处理器；存储器，所述存储器中包括基于电子病历完善临床指南的程序，所述基于电子病历完善临床指南的程序被所述处理器执行时实现如上所述的基于电子病历完善临床指南的方法的步骤。
为了实现上述目的，本发明的再一个方面是提供一种计算机可读存储介质，所述计算机可读存储介质中包括基于电子病历完善临床指南的程序，所述基于电子病历完善临床指南的程序被处理器执行时，实现如上所述的基于电子病历完善临床指南的方法的步骤。
相对于现有技术，本发明具有以下优点和有益效果：
本发明基于电子病历挖掘医学知识，实现从数据到知识的反馈，可以丰富临床知识，提供临床线索；根据推荐模型的输出选取相应的推荐条件，用于完善临床指南，有利于推动个体化医疗的实现，提高CDSS模型的可信度，便于CDSS模型的推广。
附图说明
图1为本发明所述基于电子病历完善临床指南的方法的流程示意图；
图2为本发明中基于电子病历完善临床指南的程序的模块示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
下面将参考附图来描述本发明所述的实施例。本领域的普通技术人员可以认识到，在不偏离本发明的精神和范围的情况下，可以用各种不同的方式或其组合对所描述的实施例进行修正。因此，附图和描述在本质上是说明性的，仅仅用以解释本发明，而不是用于限制权利要求的保护范围。此外，在本说明书中，附图未按比例画出，并且相同的附图标记表示相同的部分。
本发明基于电子病历挖掘医学知识，完善临床指南，有利于推动个体化医疗的实现。
图1为本发明所述基于电子病历完善临床指南的方法的流程示意图，如图1所示，本发明所述基于电子病历完善临床指南的方法，包括以下步骤：
步骤S1，对电子病历进行结构化处理，其中，结构化处理指的是将电子病历中的信息转化为可编程的表达式，结构化的语言用变量、变量的取值和变量赋值的逻辑关系表示，例如，若电子病历中记载信息“患者感染幽门螺旋杆菌，使用抗生素、质子通道抑制剂、铋制剂”，涉及到的变量有四个：患者是否感染了幽门螺旋杆菌、患者是否服用抗生素、患者是否服用质子通道抑制剂、患者是否服用铋制剂，其取值均为“是”(用1表示)或“否”(用0表示)，结构化处理后，上述文本信息被结构化为：变量“幽门螺旋杆菌感染”值取1，其他三个变量取值都为1。
步骤S2，构建推荐模型并利用经过结构化处理的电子病历数据训练所述推荐模型。
步骤S3，通过训练得到的推荐模型获取与所述电子病历数据对应的各个推荐结果的推荐概率。
步骤S4，选择最大推荐概率对应的推荐结果作为最终推荐结果，并获取与所述最终推荐结果所对应的推荐条件。
步骤S5，根据所述推荐条件和最终推荐结果生成对应的文本，例如，当条件A满足时(条件A取值为1)，有很高的概率(如大于90％)，结果B就会出现(即结果B的取值为1)，则根据推荐条件A和推荐结果B生成对应的文本。
步骤S6，根据生成的文本完善临床指南。
根据研究目的的不同，构建不同的推荐模型，以获取不同的推荐对象和推荐结果，不同的推荐模型均以电子病历中患者病情和基本信息为协变量(包括患者的既往病史、患者主诉、检验检查结果、家族病史、经济状况等)，根据研究目的，各个推荐模型分别以患者的临床结局、处方、诊断结果等为因变量，建立起协变量和因变量之间的数学模型。因此，推荐模型的输入是上述的协变量，推荐模型的输出根据模型的目的(包括诊断推荐、治疗推荐和疗效评估)而不同，例如，根据患者的电子病历数据推测患者罹患的疾病，那么推荐模型的输出就是患者罹患某种疾病的概率，选择最大推荐概率对应的疾病作为最终的推荐结果；若根据患者的电子病历数据给患者推荐处方，则推荐模型的输出就是对应的某种处方的概率，选择最大推荐概率对应的处方作为最终的推荐结果，获取处方中的某种药物或药物组合。
所述推荐模型的训练步骤包括：
1、训练数据的准备，包括数据的获取、数据的清洗等；
2、分别采用多种不同的机器学习方法进行训练；
3、对不同机器学习方法对应的训练结果进行评估，并根据研究目的对所述推荐模型进行优化；
4、重复第2步和第3步，直至所述推荐模型满足设定条件，所述设定条件包括模型精度超过设定阈值，且模型的泛化能力满足要求。
本发明的一个实施例中，构建推荐模型的步骤包括：根据医学知识库和电子病历数据对电子病历进行分组；根据分组结果构建推荐模型。通过分组对患者类似的治疗方案等进行聚类，便于从电子病历数据中提取关键信息，从而使构建的推荐模型的准确率更高。例如，在对患某种疾病的患者进行治疗推荐时，根据一部分患者的电子病历数据，临床指南中提到了有某些治疗方案，而对于某些患者的情况，临床指南完全没有提及应怎么开药，构建推荐模型时，以构建决策树模型为例，通过对患者对应的电子病历进行分组，之后通过输入数据，利用决策树模型，就可以在分组的基础上，建立一个更加详细和完整的树，表示患者在不同情况下的治疗方案以及对应方案的治愈概率。从决策树模型中，可以读出决策树每一个分支的推荐条件和子节点的推荐结果，通过遍历树的结构，就可以得到所有的推荐情况，通过选择那些推荐结果的概率较大(比如大于90％)的情况，提取出到达该节点的各种判断条件，作为推荐条件。
本发明的一个实施例中，构建推荐模型的步骤之前，完善临床指南的方法还包括：根据临床指南筛选电子病历信息；根据筛选得到的电子病历信息构成电子病历数据，用于输入推荐模型。根据临床指南筛选出的电子病历信息包括与研究目的相关的关键信息，以减少电子病历数据的数据量，提高推荐模型的运算效率。
本发明的一个实施例中，根据所述推荐条件和最终推荐结果生成对应的文本的步骤之前，还包括：判断所述推荐条件和最终推荐结果是否满足预设标准，若满足，则进行下一步，根据所述推荐条件和最终推荐结果生成对应的文本，若不满足，则剔除所述推荐条件和最终推荐结果，其中，所述预设标准包括所述推荐条件所覆盖的人群占比超过第一设定阈值和所述最终推荐结果对应的治愈率超过第二设定阈值中的一种或两种。
以构建的推荐模型为决策树模型为例，比如从决策树的每一个叶子节点中，都可以根据每个分支的条件，得到相应的推荐规则(包括什么推荐条件下，可以走到某个节点，且在该节点中获得不同推荐结果的比例是什么)。但并不是每个推荐规则都有意义的，若该节点不同推荐结果的比例分布与其他叶子节点是有显著区别的，比如其他节点都没有推荐某一个药物的使用，而这个节点中，该药物的使用达到了30％，就说明了该节点的患者有一些共性，才导致了这一差异，可以筛选出对应的推荐规则，用于完善临床指南；或者是这个节点覆盖的人群比较多(如占总人群的20％，超过第一设定阈值)，也可以用于完善临床指南，因为如果1万个人里只有几十个人会有特殊的处方，这一结果可能是统计误差造成的，置信度不高，同时也说明这一推荐规则没有普适性，难以进行试验验证，不能用于完善临床指南，则将相应的推荐规则剔除。
本发明的一个实施例中，根据所述推荐条件和最终推荐结果生成对应的文本，包括：将所述推荐条件和最终推荐结果进行标准化处理，所述标准化处理包括生成对应的推荐条件、判断符和推荐内容，例如，“当情况A满足时，要吃药物B”，对应的推荐条件是“情况A”，满足推荐条件的判断符指“情况A＝1”，推荐条件对应的最终推荐结果指的是“要吃药物B”；根据标准化处理结果生成对应的文本。
本发明的一个实施例中，根据生成的文本完善临床指南的步骤之前，完善临床指南的方法还包括：根据医学知识库验证生成的文本是否符合医学知识，若符合，则进行下一步，根据生成的文本完善临床指南，若不符合，则剔除生成的文本。验证可以是专家共识，或通过专家或医生的讨论认为符合临床事实，或通过进行临床试验确定，也可以根据临床事实等医学知识进行。
本发明的一个实施例中，根据生成的文本完善临床指南，包括：选取临床指南中的推荐文本，推荐文本指临床指南中涉及临床操作推荐的文字，包括推荐的条件和推荐的内容等，即对临床指南进行抽取，剔除临床指南中与推荐操作无关的文字内容；
对所述推荐文本进行结构化处理；
根据经过结构化处理的推荐文本，将经过结构化处理的电子病历数据划分为临床指南覆盖数据和临床指南不覆盖数据；
根据所述临床指南覆盖数据获取的推荐条件生成的文本对所述临床指南进行修正(指对临床指南的精细化修正)；将所述临床指南不覆盖数据获取的推荐条件生成的文本添加至所述临床指南中(指对临床指南的补充)。
以构建的推荐模型为决策树模型为例进行说明。
对于临床指南覆盖数据，可以对临床指南进行精细化修正，首先根据临床指南对患者进行分组，例如，将临床指南推荐有使用同一种药物的患者划分为一组，也可以根据患者之间的其他共性进行分组；对临床指南推荐的药物中，进行排序，即临床指南只包括某种患者可以吃药物A、药物B、或者药物A和B，而根据推荐模型可以将临床指南覆盖的患者进一步精细的分组，将患者划分为两个亚群，其中一个亚群中，吃药物A的患者远远多于吃药物B的患者，另一个亚群中，吃药物A和B的患者多于吃药物A的患者，以便于构建的推荐模型更加精准完善，通过推荐模型获取患者的推荐结果。
对于临床指南不覆盖数据，例如，临床指南中不包括该部分数据对应的患者应该吃什么药，则基于电子病历数据对患者分组，得到不同组患者的吃药具有显著差异，在分组的基础上，建立一个更加详细和完整的决策树，表示患者在不同情况下的治疗方案以及对应治疗方案的概率。通过推荐模型获取分组的路径和对应的药物，读出决策树每一个分支的条件和子节点的结果，通过遍历树的结构，就可以得到所有的推荐规则，选择推荐结果概率较大(比如大于90％)的情况，提取出到达该节点时候的各种判断条件，与最终推荐结果对应的推荐条件，将相应的推荐条件与最终推荐结果生成的文本补充到临床指南中。
本发明的一个实施例中，根据临床指南覆盖数据和不覆盖数据分别构建子模型，构建的两个子模型组成所述推荐模型，两个子模型具体的内容可能相同或不同，例如，涉及到的分支判断条件是独立的，可能相同或不同，应当理解的是，分支条件不可能全部相同；两个子模型所适用的患者是不同的，模型构建方法可以相同。
本发明所述基于电子病历完善临床指南的方法应用于电子装置，所述电子装置可以是电视机、智能手机、平板电脑、计算机等终端设备。
所述电子装置包括：处理器；存储器，用于存储基于电子病历完善临床指南的程序，处理器执行所述基于电子病历完善临床指南的程序，实现以下的基于电子病历完善临床指南的方法的步骤：
对电子病历进行结构化处理；构建推荐模型并利用经过结构化处理的电子病历数据训练所述推荐模型；通过训练得到的推荐模型获取与所述电子病历数据对应的各个推荐结果的推荐概率；选择最大推荐概率对应的推荐结果作为最终推荐结果，并获取与所述最终推荐结果所对应的推荐条件；根据所述推荐条件和最终推荐结果生成对应的文本；根据生成的文本完善临床指南。
所述电子装置还包括网络接口和通信总线等。其中，网络接口可以包括标准的有线接口、无线接口，通信总线用于实现各个组件之间的连接通信。
存储器包括至少一种类型的可读存储介质，可以是闪存、硬盘、光盘等非易失性存储介质，也可以是插接式硬盘等，且并不限于此，可以是以非暂时性方式存储指令或软件以及任何相关联的数据文件并向处理器提供指令或软件程序以使该处理器能够执行指令或软件程序的任何装置。本发明中，存储器存储的软件程序包括基于电子病历完善临床指南的程序，并可以向处理器提供该基于电子病历完善临床指南的程序，以使得处理器可以执行该基于电子病历完善临床指南的程序，实现基于电子病历完善临床指南的方法的步骤。
处理器可以是中央处理器、微处理器或其他数据处理芯片等，可以运行存储器中的存储程序，例如，本发明中基于电子病历完善临床指南的程序。
所述电子装置还可以包括显示器，显示器也可以称为显示屏或显示单元。在一些实施例中显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及有机发光二极管(Organic Light-Emitting Diode，OLED)触摸器等。显示器用于显示在电子装置中处理的信息以及用于显示可视化的工作界面。
所述电子装置还可以包括用户接口，用户接口可以包括输入单元(比如键盘)、语音输出装置(比如音响、耳机)等。
在其他实施例中，基于电子病历完善临床指南的程序还可以被分割为一个或者多个模块，一个或者多个模块被存储于存储器中，并由处理器执行，以完成本发明。本发明所称的模块是指能够完成特定功能的一系列计算机程序指令段。图2为本发明中基于电子病历完善临床指南的程序的模块示意图，如图2所示，所述基于电子病历完善临床指南的程序可以被分割为：结构化模块1、模型构建模块2、推荐模块3、推荐结果获取模块4、文本生成模块5和指南完善模块6。上述模块所实现的功能或操作步骤均与上文类似，此处不再详述，示例性地，例如其中：
结构化模块1，对电子病历进行结构化处理；
模型构建模块2，构建推荐模型并利用经过结构化处理的电子病历数据训练所述推荐模型；
推荐模块3，通过训练得到的推荐模型获取与所述电子病历数据对应的各个推荐结果的推荐概率；
推荐结果获取模块4，选择最大推荐概率对应的推荐结果作为最终推荐结果，并获取与所述最终推荐结果所对应的推荐条件；
文本生成模块5，根据所述推荐条件和最终推荐结果生成对应的文本；
指南完善模块6，根据生成的文本完善临床指南。
根据研究目的的不同，模型构建模块2构建不同的推荐模型，以获取不同的推荐对象和推荐结果，不同的推荐模型均以电子病历中患者病情和基本信息为协变量(包括患者的既往病史、患者主诉、检验检查结果、家族病史、经济状况等)，根据研究目的，各个推荐模型分别以患者的临床结局、处方、诊断结果等为因变量，建立起协变量和因变量之间的数学模型。因此，推荐模型的输入是上述的协变量，推荐模型的输出根据模型的目的(包括诊断推荐、治疗推荐和疗效评估)而不同，例如，根据患者的电子病历数据推测患者罹患的疾病，那么推荐模型的输出就是患者罹患某种疾病的概率，选择最大推荐概率对应的疾病作为最终的推荐结果；若根据患者的电子病历数据给患者推荐处方，则推荐模型的输出就是对应的某种处方的概率，选择最大推荐概率对应的处方作为最终的推荐结果，获取处方中的某种药物或药物组合。
所述模型构建模块2包括构建单元和训练单元，其中训练单元训练所述推荐模型的步骤包括：
1、训练数据的准备，包括数据的获取、数据的清洗等；
2、分别采用多种不同的机器学习方法进行训练；
3、对不同机器学习方法对应的训练结果进行评估，并根据研究目的对所述推荐模型进行优化；
4、重复第2步和第3步，直至所述推荐模型满足设定条件，所述设定条件包括模型精度超过设定阈值，且模型的泛化能力满足要求。
本发明的一个实施例中，模型构建模块中的构建单元通过下述方式构建模型，包括：根据医学知识库和电子病历数据对电子病历进行分组；根据分组结果构建推荐模型。通过分组对患者类似的治疗方案等进行聚类，便于从电子病历数据中提取关键信息，从而使构建的推荐模型的准确率更高。例如，在对患某种疾病的患者进行治疗推荐时，根据一部分患者的电子病历数据，临床指南中提到了有某些治疗方案，而对于某些患者的情况，临床指南完全没有提及应怎么开药，构建推荐模型时，以构建决策树模型为例，通过对患者对应的电子病历进行分组，之后通过输入数据，利用决策树模型，就可以在分组的基础上，建立一个更加详细和完整的树，表示患者在不同情况下的治疗方案以及对应方案的治愈概率。从决策树模型中，可以读出决策树每一个分支的推荐条件和子节点的推荐结果，通过遍历树的结构，就可以得到所有的推荐情况，通过选择那些推荐结果的概率较大(比如大于90％)的情况，提取出到达该节点的各种判断条件，作为推荐条件。
本发明的一个实施例中，所述电子装置还包括筛选模块，在构建推荐模型的步骤之前，根据临床指南筛选电子病历信息；根据筛选得到的电子病历信息构成电子病历数据，用于输入推荐模型。根据临床指南筛选出的电子病历信息包括与研究目的相关的关键信息，以减少电子病历数据的数据量，提高推荐模型的运算效率。
本发明的一个实施例中，所述电子装置还包括判断模块，在根据所述推荐条件和最终推荐结果生成对应的文本的步骤之前，判断所述推荐条件和最终推荐结果是否满足预设标准，若满足，则进行下一步，根据所述推荐条件和最终推荐结果生成对应的文本，若不满足，则剔除所述推荐条件和最终推荐结果，其中，所述预设标准包括所述推荐条件所覆盖的人群占比超过第一设定阈值和所述最终推荐结果对应的治愈率超过第二设定阈值中的一种或两种。
以构建的推荐模型为决策树模型为例，比如从决策树的每一个叶子节点中，都可以根据每个分支的条件，得到相应的推荐规则(包括什么推荐条件下，可以走到某个节点，且在该节点中获得不同推荐结果的比例是什么)。但并不是每个推荐规则都有意义的，若该节点不同推荐结果的比例分布与其他叶子节点是有显著区别的，比如其他节点都没有推荐某一个药物的使用，而这个节点中，该药物的使用达到了30％，就说明了该节点的患者有一些共性，才导致了这一差异，可以筛选出对应的推荐规则，用于完善临床指南；或者是这个节点覆盖的人群比较多(如占总人群的20％，超过第一设定阈值)，也可以用于完善临床指南，因为如果1万个人里只有几十个人会有特殊的处方，这一结果可能是统计误差造成的，置信度不高，同时也说明这一推荐规则没有普适性，难以进行试验验证，不能用于完善临床指南，则将相应的推荐规则剔除。
本发明的一个实施例中，文本生成模块包括：标准化单元，将所述推荐条件和最终推荐结果进行标准化处理，所述标准化处理包括生成对应的推荐条件、判断符和推荐内容，例如，“当情况A满足时，要吃药物B”，对应的推荐条件是“情况A”，满足推荐条件的判断符指“情况A＝1”，推荐条件对应的最终推荐结果指的是“要吃药物B”；文本生成单元，根据标准化处理结果生成对应的文本。
本发明的一个实施例中，所述电子装置还包括校验模块，在根据生成的文本完善临床指南的步骤之前，根据医学知识库验证生成的文本是否符合医学知识，若符合，则进行下一步，根据生成的文本完善临床指南，若不符合，则剔除生成的文本。验证可以是专家共识，或通过专家或医生的讨论认为符合临床事实，或通过进行临床试验确定，也可以根据临床事实等医学知识进行。
本发明的一个实施例中，指南完善模块包括：文本选取单元，选取临床指南中的推荐文本，推荐文本指临床指南中涉及临床操作推荐的文字，包括推荐的条件和推荐的内容等，即对临床指南进行抽取，剔除临床指南中与推荐操作无关的文字内容；结构化单元，对所述推荐文本进行结构化处理；划分单元，根据经过结构化处理的推荐文本，将经过结构化处理的电子病历数据划分为临床指南覆盖数据和临床指南不覆盖数据；完善单元，根据所述临床指南覆盖数据获取的推荐条件生成的文本对所述临床指南进行修正(指对临床指南的精细化修正)；将所述临床指南不覆盖数据获取的推荐条件生成的文本添加至所述临床指南中(指对临床指南的补充)。
以构建的推荐模型为决策树模型为例进行说明。
对于临床指南覆盖数据，可以对临床指南进行精细化修正，首先根据临床指南对患者进行分组，例如，将临床指南推荐有使用同一种药物的患者划分为一组，也可以根据患者之间的其他共性进行分组；对临床指南推荐的药物中，进行排序，即临床指南只包括某种患者可以吃药物A、药物B、或者药物A和B，而根据推荐模型可以将临床指南覆盖的患者进一步精细的分组，将患者划分为两个亚群，其中一个亚群中，吃药物A的患者远远多于吃药物B的患者，另一个亚群中，吃药物A和B的患者多于吃药物A的患者，以便于构建的推荐模型更加精准完善，通过推荐模型获取患者的推荐结果。
对于临床指南不覆盖数据，例如，临床指南中不包括该部分数据对应的患者应该吃什么药，则基于电子病历数据对患者分组，得到不同组患者的吃药具有显著差异，在分组的基础上，建立一个更加详细和完整的决策树，表示患者在不同情况下的治疗方案以及对应治疗方案的概率。通过推荐模型获取分组的路径和对应的药物，读出决策树每一个分支的条件和子节点的结果，通过遍历树的结构，就可以得到所有的推荐规则，选择推荐结果概率较大(比如大于90％)的情况，提取出到达该节点时候的各种判断条件，与最终推荐结果对应的推荐条件，将相应的推荐条件与最终推荐结果生成的文本补充到临床指南中。
本发明的一个实施例中，根据临床指南覆盖数据和不覆盖数据分别构建子模型，构建的两个子模型组成所述推荐模型，两个子模型具体的内容可能相同或不同，例如，涉及到的分支判断条件是独立的，可能相同或不同，应当理解的是，分支条件不可能全部相同；两个子模型所适用的患者是不同的，模型构建方法可以相同。
本发明的一个实施例中，计算机可读存储介质可以是任何包含或存储程序或指令的有形介质，其中的程序可以被执行，通过存储的程序指令相关的硬件实现相应的功能。例如，计算机可读存储介质可以是计算机磁盘、硬盘、随机存取存储器、只读存储器等。本发明并不限于此，可以是以非暂时性方式存储指令或软件以及任何相关数据文件或数据结构并且可提供给处理器以使处理器执行其中的程序或指令的任何装置。所述计算机可读存储介质中包括基于电子病历完善临床指南的程序，所述基于电子病历完善临床指南的程序被处理器执行时，实现如下的基于电子病历完善临床指南的方法：
对电子病历进行结构化处理；
构建推荐模型并利用经过结构化处理的电子病历数据训练所述推荐模型；
通过训练得到的推荐模型获取与所述电子病历数据对应的各个推荐结果的推荐概率；
选择最大推荐概率对应的推荐结果作为最终推荐结果，并获取与所述最终推荐结果所对应的推荐条件；
根据所述推荐条件和最终推荐结果生成对应的文本；
根据生成的文本完善临床指南。
本发明之计算机可读存储介质的具体实施方式与上述基于电子病历完善临床指南的方法、电子装置的具体实施方式大致相同，在此不再赘述。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献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如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种基于电子病历完善临床指南的方法，应用于电子装置，其特征在于，包括：
对电子病历进行结构化处理；
构建推荐模型并利用经过结构化处理的电子病历数据训练所述推荐模型；
通过训练得到的推荐模型获取与所述电子病历数据对应的各个推荐结果的推荐概率；
选择最大推荐概率对应的推荐结果作为最终推荐结果，并获取与所述最终推荐结果所对应的推荐条件；
根据所述推荐条件和最终推荐结果生成对应的文本；
根据生成的文本完善临床指南。
2.根据权利要求1所述的基于电子病历完善临床指南的方法，其特征在于，构建推荐模型的步骤包括：根据医学知识库和电子病历数据对电子病历进行分组；根据分组结果构建推荐模型。
3.根据权利要求1所述的基于电子病历完善临床指南的方法，其特征在于，构建推荐模型的步骤之前，还包括：
根据临床指南筛选电子病历信息；
根据筛选得到的电子病历信息构成电子病历数据，用于输入推荐模型。
4.根据权利要求1所述的基于电子病历完善临床指南的方法，其特征在于，根据所述推荐条件和最终推荐结果生成对应的文本的步骤之前，还包括：
判断所述推荐条件和最终推荐结果是否满足预设标准，若满足，则进行下一步，若不满足，则剔除所述推荐条件和最终推荐结果，其中，所述预设标准包括所述推荐条件所覆盖的人群占比超过第一设定阈值和所述最终推荐结果对应的治愈率超过第二设定阈值中的一种或两种。
5.根据权利要求1所述的基于电子病历完善临床指南的方法，其特征在于，根据所述推荐条件和最终推荐结果生成对应的文本，包括：
将所述推荐条件和最终推荐结果进行标准化处理，所述标准化处理包括生成对应的推荐条件、判断符和推荐内容；
根据标准化处理结果生成对应的文本。
6.根据权利要求1所述的基于电子病历完善临床指南的方法，其特征在于，根据生成的文本完善临床指南的步骤之前，还包括：
根据医学知识库验证生成的文本是否符合医学知识，若符合，则进行下一步，若不符合，则剔除生成的文本。
7.根据权利要求1至6中任一项所述的基于电子病历完善临床指南的方法，其特征在于，根据生成的文本完善临床指南，包括：
选取临床指南中的推荐文本；
对所述推荐文本进行结构化处理；
根据经过结构化处理的推荐文本，将经过结构化处理的电子病历数据划分为临床指南覆盖数据和临床指南不覆盖数据；
根据所述临床指南覆盖数据获取的推荐条件生成的文本对所述临床指南进行修正，将所述临床指南不覆盖数据获取的推荐条件生成的文本添加至所述临床指南中。
8.一种电子装置，其特征在于，该电子装置包括：处理器；存储器，所述存储器中包括基于电子病历完善临床指南的程序，所述基于电子病历完善临床指南的程序被所述处理器执行时实现如下所述的基于电子病历完善临床指南的方法的步骤：
对电子病历进行结构化处理；
构建推荐模型并利用经过结构化处理的电子病历数据训练所述推荐模型；
通过训练得到的推荐模型获取与所述电子病历数据对应的各个推荐结果的推荐概率；
选择最大推荐概率对应的推荐结果作为最终推荐结果，并获取与所述最终推荐结果所对应的推荐条件；
根据所述推荐条件和最终推荐结果生成对应的文本；
根据生成的文本完善临床指南。
9.根据权利要求8所述的电子装置，其特征在于，所述基于电子病历完善临床指南的程序被所述处理器执行时，还实现如下的基于电子病历完善临床指南的方法的步骤：根据生成的文本完善临床指南的步骤之前，根据医学知识库验证生成的文本是否符合医学知识，若符合，则进行下一步，若不符合，则剔除生成的文本。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中包括基于电子病历完善临床指南的程序，所述基于电子病历完善临床指南的程序被处理器执行时，实现如权利要求1至7中任一项所述的基于电子病历完善临床指南的方法的步骤。
CN201910532121.3A 2019-06-19 2019-06-19 基于电子病历完善临床指南的方法、装置及存储介质 Pending CN110379475A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910532121.3A CN110379475A (zh) 2019-06-19 2019-06-19 基于电子病历完善临床指南的方法、装置及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910532121.3A CN110379475A (zh) 2019-06-19 2019-06-19 基于电子病历完善临床指南的方法、装置及存储介质

Publications (1)

Publication Number Publication Date
CN110379475A true CN110379475A (zh) 2019-10-25

Family

ID=68250556

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910532121.3A Pending CN110379475A (zh) 2019-06-19 2019-06-19 基于电子病历完善临床指南的方法、装置及存储介质

Country Status (1)

Country Link
CN (1) CN110379475A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111241259A (zh) * 2020-01-08 2020-06-05 百度在线网络技术（北京）有限公司 交互信息推荐方法和装置
CN111540425A (zh) * 2020-04-26 2020-08-14 吴九云 基于人工智能的智慧医疗信息推送方法及电子病历云平台
CN112037908A (zh) * 2020-08-05 2020-12-04 复旦大学附属眼耳鼻喉科医院 一种耳源性眩晕诊疗装置、系统及大数据分析平台
CN113782146A (zh) * 2021-09-16 2021-12-10 平安科技（深圳）有限公司 基于人工智能的全科用药推荐方法、装置、设备及介质
CN115186113A (zh) * 2022-09-07 2022-10-14 粤港澳大湾区数字经济研究院(福田) 一种筛选指南文本的方法、装置、设备及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050131741A1 (en) * 2000-03-14 2005-06-16 Epic Systems, Corporation Electronic medical records system with active clinical guidelines and patient data
WO2012085719A1 (en) * 2010-12-20 2012-06-28 Koninklijke Philips Electronics N.V. Method of distributing clinical guidelines to a point of care
CN106951719A (zh) * 2017-04-10 2017-07-14 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
CN108492885A (zh) * 2018-02-26 2018-09-04 上海联影医疗科技有限公司 检查工作流推荐方法、装置及终端

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050131741A1 (en) * 2000-03-14 2005-06-16 Epic Systems, Corporation Electronic medical records system with active clinical guidelines and patient data
WO2012085719A1 (en) * 2010-12-20 2012-06-28 Koninklijke Philips Electronics N.V. Method of distributing clinical guidelines to a point of care
CN106951719A (zh) * 2017-04-10 2017-07-14 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
CN108492885A (zh) * 2018-02-26 2018-09-04 上海联影医疗科技有限公司 检查工作流推荐方法、装置及终端

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111241259A (zh) * 2020-01-08 2020-06-05 百度在线网络技术（北京）有限公司 交互信息推荐方法和装置
CN111540425A (zh) * 2020-04-26 2020-08-14 吴九云 基于人工智能的智慧医疗信息推送方法及电子病历云平台
CN112037908A (zh) * 2020-08-05 2020-12-04 复旦大学附属眼耳鼻喉科医院 一种耳源性眩晕诊疗装置、系统及大数据分析平台
CN113782146A (zh) * 2021-09-16 2021-12-10 平安科技（深圳）有限公司 基于人工智能的全科用药推荐方法、装置、设备及介质
CN113782146B (zh) * 2021-09-16 2023-08-22 平安科技（深圳）有限公司 基于人工智能的全科用药推荐方法、装置、设备及介质
CN115186113A (zh) * 2022-09-07 2022-10-14 粤港澳大湾区数字经济研究院(福田) 一种筛选指南文本的方法、装置、设备及存储介质

Similar Documents

Publication Publication Date Title
CN110379475A (zh) 基于电子病历完善临床指南的方法、装置及存储介质
CN111191020B (zh) 基于机器学习和知识图谱的处方推荐方法和系统
US11468998B2 (en) Methods and systems for software clinical guidance
CN108492887B (zh) 医疗知识图谱构建方法及装置
CN113643821B (zh) 一种多中心知识图谱联合决策支持方法与系统
Chattopadhyay et al. A Case‐Based Reasoning system for complex medical diagnosis
CN110377755A (zh) 基于药品说明书的合理用药知识图谱构建方法
CN102110192A (zh) 基于诊断要素数据关联的疾病辅助判断方法
US20180151254A1 (en) High-speed similar case search method and device through reduction of large scale multi-dimensional time series health data to multiple dimensions
CN111785366A (zh) 患者治疗方案的确定方法、装置及计算机设备
Guo et al. Big data analytics in healthcare: data-driven methods for typical treatment pattern mining
Woo et al. Healthcare decision support system for administration of chronic diseases
Karnam et al. Hybrid doctors: the need risen from informed patients
CN116821373A (zh) 基于图谱的prompt推荐方法、装置、设备及介质
Card The biopsychosociotechnical model: A systems-based framework for human-centered health improvement
CN116910172A (zh) 基于人工智能的随访量表生成方法及系统
Mudaliar et al. Disease prediction and drug recommendation android application using data mining (virtual doctor)
US20200402672A1 (en) Systems and methods to group related medical results derived from a corpus of medical literature
CN105701330B (zh) 健康信息处理方法及系统
CN112307028B (zh) 跨数据信息知识模态的面向本质计算的差分内容推荐方法
Guo et al. neuroGPT-X: toward a clinic-ready large language model
Khan et al. Validation of an ontological medical decision support system for patient treatment using a repository of patient data: Insights into the value of machine learning
CN116719891A (zh) 中医信息分组聚类方法、装置、设备及计算机存储介质
Amato et al. ABC: a knowledge based collaborative framework for e-health
CN113808731A (zh) 一种智能医疗诊断系统和方法

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