CN110570943A - 智能推荐mdt入组的方法及装置、电子设备、存储介质 - Google Patents
智能推荐mdt入组的方法及装置、电子设备、存储介质 Download PDFInfo
- Publication number
- CN110570943A CN110570943A CN201910831698.4A CN201910831698A CN110570943A CN 110570943 A CN110570943 A CN 110570943A CN 201910831698 A CN201910831698 A CN 201910831698A CN 110570943 A CN110570943 A CN 110570943A
- Authority
- CN
- China
- Prior art keywords
- patient
- recommendation
- mdt
- information
- grouping
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 64
- 238000012360 testing method Methods 0.000 title claims description 32
- 238000012545 processing Methods 0.000 claims abstract description 103
- 238000010801 machine learning Methods 0.000 claims abstract description 88
- 201000010099 disease Diseases 0.000 claims description 54
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 54
- 238000012549 training Methods 0.000 claims description 18
- 238000010606 normalization Methods 0.000 claims description 13
- 230000011218 segmentation Effects 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 2
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 16
- 206010073071 hepatocellular carcinoma Diseases 0.000 description 9
- 231100000844 hepatocellular carcinoma Toxicity 0.000 description 9
- 210000004185 liver Anatomy 0.000 description 6
- 238000011282 treatment Methods 0.000 description 5
- 230000001788 irregular Effects 0.000 description 4
- 238000007477 logistic regression Methods 0.000 description 4
- 208000019425 cirrhosis of liver Diseases 0.000 description 3
- 238000013145 classification model Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 201000007270 liver cancer Diseases 0.000 description 3
- 208000014018 liver neoplasm Diseases 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000001575 pathological effect Effects 0.000 description 3
- 206010003445 Ascites Diseases 0.000 description 2
- 206010069729 Collateral circulation Diseases 0.000 description 2
- 206010028980 Neoplasm Diseases 0.000 description 2
- 206010041660 Splenomegaly Diseases 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 201000011510 cancer Diseases 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000013524 data verification Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000002440 hepatic effect Effects 0.000 description 2
- 208000019423 liver disease Diseases 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 201000006306 Cor pulmonale Diseases 0.000 description 1
- 206010011224 Cough Diseases 0.000 description 1
- 208000006083 Hypokinesia Diseases 0.000 description 1
- 206010036790 Productive cough Diseases 0.000 description 1
- 208000024770 Thyroid neoplasm Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 230000036760 body temperature Effects 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 230000010428 chromatin condensation Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 210000003494 hepatocyte Anatomy 0.000 description 1
- 208000021760 high fever Diseases 0.000 description 1
- 238000011337 individualized treatment Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000003907 kidney function Effects 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 230000003211 malignant effect Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000002483 medication Methods 0.000 description 1
- 230000004066 metabolic change Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 210000004940 nucleus Anatomy 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 201000002510 thyroid cancer Diseases 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
- 238000011269 treatment regimen Methods 0.000 description 1
- 210000002700 urine Anatomy 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- 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
- G16H70/00—ICT specially adapted for the handling or processing of medical references
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开提供了一种智能推荐MDT入组的方法、智能推荐MDT入组的装置、电子设备及计算机可读存储介质,属于人工智能技术领域。该方法包括:获取患者的初始医疗信息;采用MDT推荐入组模型对所述初始医疗信息进行处理,确定所述患者的MDT入组推荐结果;其中,所述MDT推荐入组模型包括医疗推荐规则、机器学习模型及混合模型。本公开可以提高患者MDT入组的推荐效率,使获得的患者的MDT推荐入组结果具有较高的准确性。
Description
技术领域
本公开涉及人工智能技术领域,尤其涉及一种智能推荐MDT入组的方法、智能推荐MDT入组的装置、电子设备及计算机可读存储介质。
背景技术
在医疗资源的配置与分析中,为了避免出现延误患者病情或造成不必要的医疗资源浪费,通常会根据患者需求或医疗标准确定是否推荐患者采用MDT(multi-disciplinaryteam,多学科综合治疗)模式。为每个患者群体合理分配医疗资源,既能提高医疗资源的最优化利用,也能够使患者得到更加针对性的医疗服务。现有的智能推荐MDT入组的通常是依赖人工判断和医院制度,根据患者的信息进行推荐。但是,这种方法具有较高的人力成本,且不能保证推荐结果的准确性与客观性。因此,如何进行有效智能的推荐患者进行MDT入组是现有技术亟待解决的问题。
需要说明的是,在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解,因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本公开提供了一种智能推荐MDT入组的方法、智能推荐MDT入组的装置、电子设备及计算机可读存储介质,进而至少在一定程度上克服现有的智能推荐MDT入组的方法效率较低,且不能保证推荐结果准确性的问题。
本公开的其他特性和优点将通过下面的详细描述变得显然,或部分地通过本公开的实践而习得。
根据本公开的一个方面,提供一种智能推荐MDT入组的方法,包括:获取患者的初始医疗信息;采用MDT推荐入组模型对所述初始医疗信息进行处理,确定所述患者的MDT入组推荐结果;其中,所述MDT推荐入组模型包括医疗推荐规则、机器学习模型及混合模型。
在本公开的一种示例性实施例中,所述采用MDT智能推荐入组模型对所述初始医疗信息进行处理,确定所述患者的MDT入组推荐结果,包括:当判断所述初始医疗信息不包含所述患者的病种信息时,通过以下任意一种方式得到所述患者的MDT入组推荐结果:使用所述机器学习模型对所述初始医疗信息进行处理,得到所述患者的MDT入组推荐结果;使用所述混合模型对所述初始医疗信息进行处理,得到所述患者的MDT入组推荐结果;当判断所述初始医疗信息包含所述患者的病种信息时,通过以下任意一种方式得到所述患者的MDT入组推荐结果:使用所述病种信息对应的医疗推荐规则对所述初始医疗信息进行处理,得到所述患者的MDT入组推荐结果;使用所述机器学习模型对所述初始医疗信息进行处理,得到所述患者的MDT入组推荐结果;使用所述混合模型对所述初始医疗信息进行处理,得到所述患者的MDT入组推荐结果;其中,所述混合模型通过以下方式获取:合并所述医疗推荐规则和所述机器学习模型,得到所述混合模型。
在本公开的一种示例性实施例中,当判断所述初始医疗信息包含所述患者的病种信息时,所述使用所述混合模型对所述初始医疗信息进行处理,得到所述患者的MDT入组推荐结果,包括:使用所述医疗推荐规则对所述初始医疗信息进行处理,得到所述患者的第一推荐结果,包括推荐所述患者MDT入组的推荐等级;如果所述第一推荐结果中的推荐等级低于预设等级,则使用所述机器学习模型对所述初始医疗信息进行处理,得到所述患者的第二推荐结果,包括是否推荐所述患者MDT入组;根据所述第一推荐结果与所述第二推荐结果确定所述患者的最终推荐结果,将所述最终推荐结果作为所述患者的MDT入组推荐结果。
在本公开的一种示例性实施例中,所述根据所述第一推荐结果与所述第二推荐结果确定所述患者的最终推荐结果,包括:对所述第一推荐结果与所述第二推荐结果分别进行归一化处理;对归一化处理后的所述第一推荐结果与所述第二推荐结果进行加权计算,以得到所述患者的最终推荐结果。
在本公开的一种示例性实施例中,所述机器学习模型通过以下方式获得:获取样本患者的样本医疗信息集合与分类标签,其中,若样本患者的样本医疗信息中包含MDT入组的历史记录,则该样本患者的分类标签为推荐MDT入组,若样本患者的样本医疗信息中不包含MDT入组的历史记录,则该样本患者的分类标签为不推荐MDT入组;从所述样本医疗信息集合提取各所述样本患者的特征数据;利用所述特征数据和所述分类标签训练并得到所述机器学习模型。
在本公开的一种示例性实施例中,在确定所述患者的MDT入组推荐结果后,所述方法还包括:获取所述患者的实际MDT入组结果;如果所述患者的MDT入组推荐结果和所述实际MDT入组结果不一致,则将所述患者的初始医疗信息加入所述样本医疗信息集合,并以所述实际MDT入组结果作为所述患者的分类标签,更新所述机器学习模型。
在本公开的一种示例性实施例中,所述医疗推荐规则通过以下方式获得:拆解医疗标准信息库中的标准信息,并按照预设字段对所述标准信息进行规则化处理,以得到所述医疗推荐规则。
在本公开的一种示例性实施例中,所述使用所述病种信息对应的医疗推荐规则对所述初始医疗信息进行处理,得到所述患者的MDT入组推荐结果,包括:根据所述患者的病种信息,获取与所述病种信息对应的医疗推荐规则;将所述初始医疗信息与所述医疗推荐规则进行匹配;根据匹配结果确定所述患者的MDT入组推荐结果。
在本公开的一种示例性实施例中,所述医疗推荐规则包括多个推荐等级下的标准信息子集,所述标准信息子集由与所述病种信息相关的词条组成;所述将所述初始医疗信息与所述医疗推荐规则进行匹配,包括:对所述初始医疗信息进行分词处理,得到初始信息词集;将所述初始信息词集分别与各所述标准信息子集进行匹配;所述根据匹配结果确定所述患者的MDT入组推荐结果,包括:将与所述初始信息词集匹配度最高的标准信息子集对应的推荐等级确定为所述患者的MDT入组推荐结果。
根据本公开的一个方面,提供一种智能推荐MDT入组的装置,包括:信息获取模块,用于获取患者的初始医疗信息;结果确定模块,用于采用MDT推荐入组模型对所述初始医疗信息进行处理,确定所述患者的MDT入组推荐结果;其中,所述MDT推荐入组的模型包括医疗推荐规则、机器学习模型及混合模型。
在本公开的一种示例性实施例中,结果确定模块包括:第一处理单元,用于当判断所述初始医疗信息不包含所述患者的病种信息时,通过以下任意一种方式得到所述患者的MDT入组推荐结果:使用所述机器学习模型对所述初始医疗信息进行处理,得到所述患者的MDT入组推荐结果;使用所述混合模型对所述初始医疗信息进行处理,得到所述患者的MDT入组推荐结果;第二处理单元,用于当判断所述初始医疗信息包含所述患者的病种信息时,通过以下任意一种方式得到所述患者的MDT入组推荐结果:使用所述病种信息对应的医疗推荐规则对所述初始医疗信息进行处理,得到所述患者的MDT入组推荐结果;使用所述机器学习模型对所述初始医疗信息进行处理,得到所述患者的MDT入组推荐结果;使用所述混合模型对所述初始医疗信息进行处理,得到所述患者的MDT入组推荐结果;其中,所述混合模型通过以下方式获取:合并所述医疗推荐规则和所述机器学习模型,得到所述混合模型。
在本公开的一种示例性实施例中,第二处理单元中,当判断所述初始医疗信息包含所述患者的病种信息时,所述使用所述混合模型对所述初始医疗信息进行处理,得到所述患者的MDT入组推荐结果,包括:第一处理子单元,用于当判断所述初始医疗信息包含所述患者的病种信息时,使用所述医疗推荐规则对所述初始医疗信息进行处理,得到所述患者的第一推荐结果,包括推荐所述患者MDT入组的推荐等级;第二处理子单元,用于如果所述第一推荐结果中的推荐等级低于预设等级,则使用所述机器学习模型对所述初始医疗信息进行处理,得到所述患者的第二推荐结果,包括是否推荐所述患者MDT入组;推荐结果确定单元,用于根据所述第一推荐结果与所述第二推荐结果确定所述患者的最终推荐结果,将所述最终推荐结果作为所述患者的MDT入组推荐结果。
在本公开的一种示例性实施例中,推荐结果确定单元包括:归一化处理子单元,用于对所述第一推荐结果与所述第二推荐结果分别进行归一化处理;加权计算子单元,用于对归一化处理后的所述第一推荐结果与所述第二推荐结果进行加权计算,以得到所述患者的最终推荐结果。
在本公开的一种示例性实施例中,所述机器学习模型通过以下方式获得:获取样本患者的样本医疗信息集合与分类标签,其中,若样本患者的样本医疗信息中包含MDT入组的历史记录,则该样本患者的分类标签为推荐MDT入组,若样本患者的样本医疗信息中不包含MDT入组的历史记录,则该样本患者的分类标签为不推荐MDT入组;从所述样本医疗信息集合提取各所述样本患者的特征数据;利用所述特征数据和所述分类标签训练并得到所述机器学习模型。
在本公开的一种示例性实施例中,在确定所述患者的MDT入组推荐结果后,智能推荐MDT入组的装置还包括:实际结果获取模块,用于获取所述患者的实际MDT入组结果;模型更新模块,用于如果所述患者的MDT入组推荐结果和所述实际MDT入组结果不一致,则将所述患者的初始医疗信息加入所述样本医疗信息集合,并以所述实际MDT入组结果作为所述患者的分类标签,更新所述机器学习模型。
在本公开的一种示例性实施例中,所述医疗推荐规则通过以下方式获得:拆解医疗标准信息库中的标准信息,并按照预设字段对所述标准信息进行规则化处理,以得到所述医疗推荐规则。
在本公开的一种示例性实施例中,第一处理模块包括:规则获取单元,用于根据所述患者的病种信息,获取与所述病种信息对应的医疗推荐规则;信息匹配单元,用于将所述初始医疗信息与所述医疗推荐规则进行匹配;结果确定单元,用于根据匹配结果确定所述患者的MDT入组推荐结果。
在本公开的一种示例性实施例中,所述医疗推荐规则包括多个推荐等级下的标准信息子集,所述标准信息子集由与所述病种信息相关的词条组成;信息匹配单元包括:分词处理子单元,用于对所述初始医疗信息进行分词处理,得到初始信息词集;词集匹配子单元,用于将所述初始信息词集分别与各所述标准信息子集进行匹配;结果确定单元用于将与所述初始信息词集匹配度最高的标准信息子集对应的推荐等级确定为所述患者的MDT入组推荐结果。
根据本公开的一个方面,提供一种电子设备,包括:处理器;以及存储器,用于存储所述处理器的可执行指令;其中,所述处理器配置为经由执行所述可执行指令来执行上述任意一项所述的方法。
根据本公开的一个方面,提供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任意一项所述的方法。
本公开的示例性实施例具有以下有益效果:
获取患者的初始医疗信息,采用MDT推荐入组模型对初始医疗信息进行处理,确定患者的MDT入组推荐结果,其中,MDT推荐入组模型包括医疗推荐规则、机器学习模型及混合模型。一方面,在本示例性实施例中,医疗推荐规则是基于标准信息建立的,机器学习模型是通过大量关于MDT的患者信息训练得到的,因此,使用医疗推荐规则、机器学习模型及混合模型对初始医疗信息的处理,使得到的MDT入组推荐结果具有较高的准确性和可信赖性,且能够得到具有较强的针对性的MDT入组推荐结果;另一方面,通过MDT推荐入组模型确定患者的MDT推荐入组结果,兼顾了有效性和通用性,适用范围更加广泛;再一方面,MDT入组的推荐过程简单,较少需要人为操作,提高了对患者进行MDT入组推荐的效率。
应当理解的是,以上的一般描述和后文的细节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,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。显而易见地,下面描述中的附图仅仅是本公开的一些实施例,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示意性示出本示例性实施例中一种智能推荐MDT入组的方法的流程图;
图2示意性示出本示例性实施例中一种智能推荐MDT入组的方法的子流程图;
图3示意性示出本示例性实施例中另一种智能推荐MDT入组的方法的流程图;
图4示意性示出本示例性实施例中一种智能推荐MDT入组的装置的结构框图;
图5示意性示出本示例性实施例中一种用于实现上述方法的电子设备;
图6示意性示出本示例性实施例中一种用于实现上述方法的计算机可读存储介质。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的范例;相反,提供这些实施方式使得本公开将更加全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。
本公开的示例性实施例首先提供了一种智能推荐MDT入组的方法,本实施例方法可以应用于医生在对患者进行治疗时,可以先使用智能推荐MDT入组方法确定患者是否需要进行MDT入组,以分流不同类型的患者等场景中。
下面结合附图1对本示例性实施例做进一步说明,如图1所示,智能推荐MDT入组的方法可以包括以下步骤S110~S120:
步骤S110,获取患者的初始医疗信息。
其中,患者则是指待推荐是否需要MDT入组的对象,初始医疗信息可以是关于患者的医疗原始数据,其可以包括患者的基本信息、状态信息、病理信息、检查信息等等。具体的,基本信息可以是患者的年龄、身高、性别等个人信息;状态信息可以包括患者的症状信息,例如咳嗽、气促、高热、乏力、寒颤3天、咳痰1周、体温39℃等外在表现信息;病理信息可以是指患者患有何种疾病,其发生的原因、原理和患病过程中细胞、组织和器官的结构、功能和代谢方面的改变及其规律;检查信息可以是患者治疗过程中各方面的指标信息,例如尿液、血常规、肾功能等详细的检测结果等等。此外,初始医疗信息还可以包括关于患者的其他医疗信息,例如治疗方案、使用的药物、病史等等,本公开对此不做具体限定。
在本示例性实施例中,医生可以事先将患者完整的初始医疗信息输入到系统中,从系统中获取患者的初始医疗信息;也可以将患者的部分信息输入到特定系统中,使系统通过在数据库中查找该患者的其他信息,以得到完整的初始医疗信息。
步骤S120,采用MDT推荐入组模型对初始医疗信息进行处理,确定患者的MDT入组推荐结果,其中,MDT推荐入组模型包括医疗推荐规则、机器学习模型及混合模型。
其中,MDT是指以患者为中心,通过多个专家组成的小组共同协作进行决策的模式。MDT具有以患者为中心,个体化治疗的特点,通过这种“一站式”的诊疗模式,能够提高患者的诊疗质量,改善患者就医体验。但是,在实际应用中,如果对所有患者采用MDT入组,则会造成医疗资源的额外消耗。因此,在本示例性实施例中,可以通过MDT推荐入组模型对初始医疗信息进行处理,以确定患者是否需要进行MDT入组,即得到患者的MDT入组推荐结果。其中,MDT推荐入组模型中可以包括医疗推荐规则、机器学习模型及混合模型,医疗推荐规则是根据特定的医疗标准信息确定的用于判断是否推荐患者MDT入组的标准;机器学习模型是一种用于判断是否推荐患者MDT入组的分类模型,通过训练大量样本数据即可以得到,具有较广的适用性;混合模型即为医疗推荐规则与机器学习模型的组合后的模型,通过将医疗推荐规则以及机器学习模型进行合并,得到混合模型,用于对患者的初始医疗信息进行处理,可以得到更为准确的推荐结果。
在本示例性实施例中,可以通过医疗推荐规则确定患者的MDT入组推荐结果,也可以通过机器学习模型确定患者的MDT入组推荐结果,还可以根据混合模型确定患者的MDT入组推荐结果,具体的,可以包括:使用病种信息对应的医疗推荐规则先对初始医疗信息进行处理,得到患者的第一结果,然后基于该患者的初始医疗信息使用机器学习模型进行再次处理,得到患者的第二结果,将第一结果与第二结果进行加权计算,得到患者最终的推荐结果。
MDT入组推荐结果是指是否推荐患者进行MDT入组的结果信息,其可以是患者更适合采取哪一种医疗模式的结果,还可以是推荐程度,即患者是否适合进行MDT入组等。举例说明,MDT入组推荐结果可以是推荐患者进行MDT入组和不推荐患者进行MDT入组,用“0”或“1”表示,其中,“0”表示不推荐患者进行MDT入组,“1”表示推荐患者进行MDT入组;或者MDT入组推荐结果还可以是推荐患者MDT入组的推荐等级,用“0”、“1”、“2”、“3”、“4”、“5”,其中,“0”表示不推荐患者进行MDT入组,“1”、“2”、“3”、“4”、“5”均表示推荐患者进行MDT入组,但推荐程度不同,“1”表示推荐患者进行MDT入组的推荐程度较低,“5”表示推荐患者进行MDT入组的推荐程度最高等等,根据MDT入组推荐结果,进而可以确定是否推荐患者进行MDT入组等等。
基于上述说明,在本示例性实施例中,获取患者的初始医疗信息,采用MDT推荐入组模型对初始医疗信息进行处理,确定患者的MDT入组推荐结果,其中,MDT推荐入组模型包括医疗推荐规则、机器学习模型及混合模型。一方面,在本示例性实施例中,医疗推荐规则是基于标准信息建立的,机器学习模型是通过大量关于MDT的患者信息训练得到的,因此,使用医疗推荐规则、机器学习模型及混合模型对初始医疗信息的处理,使得到的MDT入组推荐结果具有较高的准确性和可信赖性,且能够得到具有较强的针对性的MDT入组推荐结果;另一方面,通过MDT推荐入组模型确定患者的MDT入组推荐结果,兼顾了有效性和通用性,适用范围更加广泛;再一方面,MDT入组的推荐过程简单,较少需要人为操作,提高了对患者进行MDT入组推荐的效率。
在一示例性实施例中,上述步骤S120可以包括以下步骤:
当判断初始医疗信息不包含患者的病种信息时,通过以下任意一种方式得到患者的MDT入组推荐结果:
(1)使用机器学习模型对初始医疗信息进行处理,得到患者的MDT入组推荐结果;
(2)使用混合模型对初始医疗信息进行处理,得到患者的MDT入组推荐结果;
当判断初始医疗信息包含患者的病种信息时,通过以下任意一种方式得到患者的MDT入组推荐结果:
(1)使用病种信息对应的医疗推荐规则对初始医疗信息进行处理,得到患者的MDT入组推荐结果;
(2)使用机器学习模型对初始医疗信息进行处理,得到患者的MDT入组推荐结果;
(3)使用混合模型对初始医疗信息进行处理,得到患者的MDT入组推荐结果;
其中,混合模型通过以下方式获取:
合并医疗推荐规则和机器学习模型,得到混合模型。
其中,病种信息是指能够反映患者所患疾病种类的信息,例如“肝癌”、“甲状腺癌”、“心肺疾病”等等。医疗推荐规则是指根据特定医疗标准信息生成的,用于对患者的初始医疗信息进行处理,以得到患者推荐结果的规则。例如根据标准指南建议关于肝病的医疗标准信息,建立肝病的医疗推荐规则等等。在本示例性实施例中,可以通过获取不同疾病的医疗标准信息以确定不同病种信息下的医疗推荐规则。
机器学习模型是指用于对初始医疗信息进行处理,以得到MDT入组推荐结果的分类模型,与机器学习模型不同的是,医疗推荐规则是根据特定的医疗标准信息确定的,具有较强的针对性,而机器学习模型为通用的机器分类模型,通过训练大量样本数据即可以得到,具有较广的适用性。合并医疗推荐规则和机器学习模型,即将生成的医疗推荐规则和训练完成的机器学习模型进行合成,得到混合模型。在本示例性实施例中,当初始医疗信息中不包含患者的病种信息时,可以通过上述(1)或(2)两种方式对初始医疗信息进行处理,即直接采用机器学习模型对初始医疗信息进行处理;或者通过混合模型对初始医疗信息进行处理。当初始医疗信息中包含患者的病种信息时,可以通过上述(1)、(2)或(3)三种方式对初始医疗信息进行处理,即可以通过医疗推荐规则、机器学习模型或混合模型对初始医疗信息进行处理,确定患者的MDT入组推荐结果。本示例性实施例通过多种方式对据患者的初始医疗信息进行处理,确定推荐结果,具有更广泛的适用性。当混合模型对初始医疗信息进行处理时,医疗推荐规则和机器学习模型对初始医疗信息处理的先后关系在此不做具体限定。
在一示例性实施例中,上述医疗推荐规则得到的MDT入组推荐结果可以为第一推荐结果,具体可以包括推荐患者MDT入组的推荐等级;使用通用机器学习模型得到的MDT入组推荐结果为第二推荐结果,具体可以包括是否推荐患者MDT入组。
本示例性实施例中,可以将是否推荐患者MDT入组,其推荐等级如何作为MDT入组推荐结果。特别的,在本示例性实施例中,通过医疗推荐规则得到的MDT入组推荐结果可以视为第一推荐结果,其具体可以包括推荐患者MDT入组的推荐等级;使用机器学习模型得到的MDT入组推荐结果可以视为第二推荐结果,具体可以包括是否推荐患者MDT入组。即第一推荐结果可以使用多个推荐等级,如“0”、“1”、“2”、“3”、“4”、“5”表示是否推荐患者进行MDT,其推荐程度如何,第二推荐结果可以使用“0”、“1”表示,表示是否推荐患者进行MDT等等。
在一示例性实施例中,当判断初始医疗信息包含患者的病种信息时,上述使用混合模型对初始医疗信息进行处理,得到患者的MDT入组推荐结果可以包括以下步骤:
使用医疗推荐规则对初始医疗信息进行处理,得到患者的第一推荐结果,包括推荐患者MDT入组的推荐等级;
如果第一推荐结果中的推荐等级低于预设等级,则使用机器学习模型对初始医疗信息进行处理,得到患者的第二推荐结果,包括是否推荐患者MDT入组;
根据第一推荐结果与第二推荐结果确定患者的最终推荐结果,将最终推荐结果作为患者的MDT入组推荐结果。
考虑到第一推荐结果可以包括不同的推荐等级,其不同推荐等级,可以认为推荐患者进行MDT的程度不一致,例如推荐等级为1级时,认为患者可以进行MDT,也可以进行非MDT,即推荐等级为1级时,MDT入组为非必要的;推荐等级为3级时,推荐患者进行MDT;推荐等级为5级时,认为患者患病程度较重,需要进行MDT入组。因此,鉴于上述情况,为了提高通过医疗推荐规则得到的推荐结果的可信度,对医疗资源进行合理分配,避免出现推荐异常的情况,本示例性实施例可以设置一判断机制,当第一推荐结果中的推荐等级低于预设等级时,可以使用机器学习模型对初始医疗信息进行处理,得到患者的第二推荐结果,以实现对患者进行再次推荐,从而根据第一推荐结果与第二推荐结果确定患者的最终推荐结果,该最终推荐结果即为患者的MDT入组推荐结果。其中,预设等级可以根据推荐等级所表达的含义自定义设定,例如可以设置上述推荐等级3级为预设等级,当推荐等级低于3级时,认为使用医疗推荐规则得到患者非必要进行MDT入组的结果,可以使用机器学习模型进行再次推荐。在本示例性实施例中,可以对第一推荐结果与第二推荐结果进行加权计算,以确定最终推荐结果,其中,权重可以根据医疗推荐规则与机器学习模型的重要性进行设置,例如如果最终推荐结果更加依赖于医疗推荐规则,则可以为第一推荐结果设置更高的权重,反之,则为第二推荐结果设置更高的权重,本公开对此不做具体限定。本示例性实施例采用医疗推荐规则与机器学习模型相结合的方式,以机器学习模型得到的推荐结果对医疗推荐规则得到的推荐结果进行再次确认,可以提高最终推荐结果的准确性和可信度。
具体的,在一示例性实施例中,上述根据第一推荐结果与第二推荐结果确定患者的最终推荐结果,可以包括以下步骤:
对第一推荐结果与第二推荐结果分别进行归一化处理;
对归一化处理后的第一推荐结果与第二推荐结果进行加权计算,以得到患者的最终推荐结果。
在本示例性实施例中,第一推荐结果可以是由医疗推荐规则得到推荐等级,例如第一推荐结果可以表示为“0”、“1”、“2”、“3”、“4”、“5”级,其中,0级表示不推荐患者进行MDT入组。第二推荐结果可以是由机器学习模型得到的推荐结果,具体可以是推荐、不推荐,其中,不推荐可以用“0”表示,推荐用“1”表示。为了能够确定更为准确、有效的最终推荐结果,在对第一推荐结果与第二推荐结果进行加权计算之前,本示例性实施例可以对第一推荐结果与第二推荐结果进行归一化处理,使其基本度量单位统一。举例说明,根据医疗推荐规则得到的推荐等级集合可以为A={ai},i∈[1,m],m表示推荐患者进行MDT入组的最高推荐等级;根据机器学习模型得到的第二推荐结果可以表示为B={bj},bj=0或1,然后可以通过公式:计算归一化的第一推荐结果ai’,进一步,通过对归一化处理后的第一推荐结果ai’与第二推荐结果bj进行加权计算,可以得到患者的最终推荐结果。例如当第一推荐结果为3级,第二推荐结果为1,且第一推荐结果与第二推荐结果的权重均为0.5时,归一化的第一推荐结果为则最终推荐结果可以是0.6×0.5+1×0.5=0.8。在本示例性实施例中,可以为最终推荐结果设置一预设阈值,当最终推荐结果高于该阈值时,确定推荐患者进行MDT入组,其中,预设阈值可以根由人为根据经验设置,本公开对此不做具体限定。
在一示例性实施例中,上述机器学习模型可以通过以下方式获得:
获取样本患者的样本医疗信息集合与分类标签,其中,若样本患者的样本医疗信息中包含MDT入组的历史记录,则该样本患者的分类标签为推荐MDT入组,若样本患者的样本医疗信息中不包含MDT入组的历史记录,则该样本患者的分类标签为不推荐MDT入组;
从样本医疗信息集合提取各样本患者的特征数据;
利用特征数据和分类标签训练并得到机器学习模型。
为了获取较为准确的机器学习模型,本示例性实施例可以以医院内部分或全部的历史患者作为样本患者,将其历史医疗信息作为样本医疗信息,以建立完善的训练集。样本患者的历史医疗信息可以包括多种类型的信息,其中,若样本患者的样本医疗信息中包含MDT入组的历史记录,则该样本患者的分类标签为推荐MDT入组,例如通过查看患者的病历信息以及病程内容可以找到“建议MDT讨论”的记录、有MDT会诊记录单、在医嘱中类型为MDT会诊申请等包含MDT入组的历史记录,将这些患者的医疗信息作为正例数据集,分类标签为推荐MDT入组。若样本患者的样本医疗信息中不包含MDT入组的历史记录,则该样本患者的分类标签为不推荐MDT入组,例如将推荐了MDT入组,但未执行的患者的医疗信息作为负例数据集,分类标签为不推荐MDT入组等。
为了便于机器学习模型对初始医疗信息进行识别与处理,可以对初始医疗信息进行预处理,预处理可以包括对从初始医疗信息中提取初始医疗数据,或者对初始医疗信息进行筛选,去除其中的无用信息,还可以对初始医疗信息进行统一的格式转换,例如通过自然语言处理技术从初始医疗信息中提取特定的初始医疗数据,包括但不限于医疗名称、患病部位、病理信息及病情发展趋势、医疗进展等等,或者根据预先定义的规则进行数值化转换,再或者根据预先确定的信息维度将初始医疗信息转换为向量等,本公开对此不做特别限定。
进一步的,根据特征数据和分类标签训练并得到机器学习模型。历史医疗信息可以通过各医院内部系统得到,也可以通过电子医疗平台获取等等。本示例性实施例可以从历史医疗信息中提取关于样本患者的特征数据,根据特征数据和分类标签,训练机器学习模型,其训练过程可以包括:机器学习模型以特征数据为输入,输出是否推荐患者MDT入组的推荐结果,通过调整模型参数,可以使输出的推荐结果越来越接近分类标签,直到模型的准确率达到一定的标准,可以认为训练完成。其中,机器学习模型可以采用梯度提升决策树模型、随机森林模型或逻辑回归模型等等,本公开对此不做具体限定。在本示例性实施例中,还可以额外获取一部分历史患者的历史医疗信息作为测试数据,以检测训练得到的数据是否能够满足要求等,通过测试数据对上述不同的机器学习模型进行测试,将效果最佳的机器学习模型作为本示例性实施例中的机器学习模型,例如分别使用测试数据对梯度提升决策树模型、随机森林模型以及逻辑回归模型进行测试,其逻辑回归模型的准确率较高,则可以使用逻辑回归模型作为本示例性实施例中的机器学习模型等等。
在一示例性实施例中,在确定患者的MDT入组推荐结果后,智能推荐MDT入组的方法还可以包括:
获取患者的实际MDT入组结果;
如果患者的MDT入组推荐结果和实际MDT入组结果不一致,则将患者的初始医疗信息加入样本医疗信息集合,并以实际MDT入组结果作为患者的分类标签,更新机器学习模型。
为了增加机器学习模型的有效性,在本示例性实施例中,还可以将使用机器学习模型的患者的初始医疗信息以及推荐结果的实际MDT入组结果,添加至机器学习模型的训练数据集中,实现训练数据集的更新,再次训练模型,以对机器学习模型进行优化与升级,例如患者A通过医疗推荐规则,得到不推荐MDT入组的结果,即推荐等级为0,最终此患者后续的实际医疗数据验证反馈此推荐结果正确,患者B通过医疗推荐规则,得到推荐MDT入组为3级的推荐结果,最终此患者后续的实际医疗数据验证反馈此推荐结果不正确,有附加信息导致该患者不适合MDT,患者C通过医疗推荐规则,得到推荐MDT入组为5级的推荐结果,最终此患者后续的实际医疗数据验证反馈此等级推荐结果正确。则可以将患者A和B的初始医疗信息以及B的附加信息添加至训练数据集的反例样本数据中,对应的分类标签为不推荐MDT入组,将患者C的初始医疗信息添加至训练数据集的正例样本数据中,对应的分类标签为推荐MDT入组等。本示例性实施例通过采用“数据反哺”的形式对机器学习模型的训练数据集进行不断优化,可以实现对患者数据的有效利用,且提高了机器学习模型的准确性。
在一示例性实施例中,医疗推荐规则可以通过以下方式获得:
拆解医疗标准信息库中的标准信息,并按照预设字段对标准信息进行规则化处理,以得到医疗推荐规则。
其中,医疗标准信息库是指包括标准信息的数据集合或数据库,医疗标准信息可以通过该医疗标准信息库中获取,例如可以通过NCCN(National Comprehensive CancerNetwork,美国国立综合癌症网络)发布的各种恶性肿瘤临床实践指南,确定各种恶性肿瘤疾病的标准信息。医疗标准信息库中可以包括各种病种信息对应的标准信息,本示例性实施例通过拆解医疗标准信息库中的标准信息,并按照预设字段对标准信息进行规则化处理,可以得到医疗推荐规则。例如医疗标准信息库为标准指南建议,病种信息为“肝癌”时,按照预设字段对标准信息进行规则化处理后,对应的医疗推荐规则可以包括肝癌的病变描述信息,如“肝细胞与细胞核体积均增大、核染色质浓染及多核”,或者观察信息,如“肝细胞癌的组织学类型:常见有西梁型、粗梁型、假腺管型和团片型等”,再如对肿瘤的大小、数量、颜色、质地等方面的描述信息等等。某一病种信息的标准指南建议中所包含的标准信息可以有多种,本公开对此不做具体限定。
在一示例性实施例中,使用病种信息对应的医疗推荐规则对初始医疗信息进行处理,得到患者的MDT入组推荐结果可以包括以下步骤:
步骤S210,根据患者的病种信息,获取与病种信息对应的医疗推荐规则;
步骤S220,将初始医疗信息与医疗推荐规则进行匹配;
步骤S230,根据匹配结果确定患者的MDT入组推荐结果。
本示例性实施例可以将初始医疗信息与病种信息对应的医疗推荐规则进行匹配,具体可以是根据初始医疗信息中的字段或关键字等与医疗推荐规则的字段或关键字等进行匹配,以得到关于初始医疗信息与医疗推荐规则的匹配结果,例如初始医疗信息中与医疗推荐规则匹配的关键字占初始医疗信息中所有关键字的比例,可以作为初始医疗信息与医疗推荐规则的匹配结果。根据匹配结果可以确定患者的MDT入组推荐结果。在本示例性实施例中,可以设置不同的匹配结果所对应的MDT入组推荐结果,例如根据上述匹配方式可以得到初始医疗信息的匹配度,设置匹配度高于80%时,MDT入组推荐结果为推荐患者MDT入组,推荐等级为5级;当匹配度在(60%,80%]时,MDT入组推荐结果为推荐患者MDT入组,推荐等级为4级;当匹配度在(40%,60%]时,MDT入组推荐结果为推荐患者MDT入组,推荐等级为3级;当匹配度在(20%,40%]时,MDT入组推荐结果为推荐患者MDT入组,推荐等级为2级;当匹配度在(1%,20%]时,MDT入组推荐结果为推荐患者MDT入组,推荐等级为1级;当匹配度在[0,1%]时,MDT入组推荐结果为不推荐患者MDT入组,推荐等级表示为0级等等,推荐等级越高表示患者越适合进行MDT入组。
在一示例性实施例中,上述医疗推荐规则可以包括多个推荐等级下的标准信息子集,标准信息子集由与病种信息相关的词条组成;上述步骤S220可以包括以下步骤:
对初始医疗信息进行分词处理,得到初始信息词集;
将初始信息词集分别与各标准信息子集进行匹配;
相应的,步骤S230可以包括:
将与初始信息词集匹配度最高的标准信息子集对应的推荐等级确定为患者的MDT入组推荐结果。
在一些医疗标准信息库中,医疗推荐规则可以分为多个推荐等级,例如根据推荐患者MDT入组的程度,可以将标准信息分为多个推荐等级,推荐等级较高表示患者更适合进行MDT。对初始医疗信息进行分词处理是指,将连续的初始医疗信息的文本信息按照一定的规范重新组合成词序列。例如初始医疗信息的文本信息为“弥漫性/多发性肝细胞癌,肝脏轮廓呈不规则或圆形,肝段异常增大”等,对其进行分词处理可以得到“弥漫性/多发性肝细胞癌肝脏轮廓呈不规则或圆形,肝段异常增大”等多个分词,这些分词组成的集合即为初始信息词集。各标准子集中包括由与病种信息相关的词条,例如5级推荐等级对应的标准子集中的词条包括“弥漫性、多发性、肝细胞癌、肝硬化”等;3级推荐等级对应的标准子集中的词条包括“直行≤5cm、拟行局部治疗、存在结节、腹水、脾大、侧支循环形成”等。通过将初始信息词集与各推荐等级下的标准信息子集进行匹配,上述“弥漫性/多发性肝细胞癌肝脏轮廓呈不规则或圆形,肝段异常增大”分词集合与5级推荐等级对应的标准子集中的词条“弥漫性、多发性、肝细胞癌、肝硬化”中的部分词条匹配成功,则可以确定患者的推荐等级为5级,进而将推荐等级作为推荐结果。当患者的初始信息词集与多个标准信息子集匹配成功时,本示例性实施例可以将与初始信息词集匹配度最高的标准信息子集对应的推荐等级确定为患者的MDT入组推荐结果,例如初始医疗信息的文本信息为“弥漫性/多发性肝细胞癌,肝脏轮廓呈不规则或圆形,肝段异常增大,存在结节”,与5级推荐等级对应的标准子集中的词条“弥漫性、多发性、肝细胞癌、肝硬化”等,以及3级推荐等级对应的标准子集中的词条“直行≤5cm、拟行局部治疗、存在结节、腹水、脾大、侧支循环形成”进行匹配,发现均含有可以匹配成功的词条,但5级推荐等级中匹配成功的词条较多,可以认为5级推荐等级的匹配度较高,因此,可以将推荐等级为5级作为患者的MDT入组推荐结果。在本示例性实施例中,对初始医疗信息的文本信息进行分词处理可以采用多种方式,例如采用HanLP、Jieba分词、LTP、THULAC等方式,本公开对此不做具体限定。
图3示出了本示例性实施例中另一种智能推荐MDT入组的方法的流程图,具体可以包括以下步骤:
步骤S310,获取患者的初始医疗信息;
步骤S320,判断初始医疗信息中是否包含病种信息;
步骤S330,如果初始医疗信息中包含病种信息,则利用医疗推荐规则对初始医疗信息进行处理;
步骤S340,得到第一推荐结果,其中第一推荐结果包括推荐患者MDT入组的推荐等级;
步骤S350,判断推荐等级是否低于预设等级;
步骤S360,如果推荐等级低于预设等级,则利用机器学习模型对初始医疗信息进行处理;
步骤S370,得到第二推荐结果;
步骤S380,当推荐等级不低于预设等级时,可以根据第一推荐结果确定患者的最终推荐结果;当初始医疗信息中不包含病种信息时,可以根据第二推荐结果确定患者的最终推荐结果;当第一推荐结果中推荐等级低于预设等级时,则可以根据第一推荐结果与第二推荐结果确定患者的最终推荐结果。
本公开的示例性实施例还提供了一种智能推荐MDT入组的装置。参照图4,该装置400可以包括:信息获取模块410,用于获取患者的初始医疗信息;结果确定模块420,用于采用MDT推荐入组模型对初始医疗信息进行处理,确定患者的MDT入组推荐结果;其中,MDT推荐入组模型包括医疗推荐规则、机器学习模型及混合模型。
在一示例性实施例中,结果确定模块可以包括:第一处理单元,用于当判断初始医疗信息不包含患者的病种信息时,通过以下任意一种方式得到患者的MDT入组推荐结果:使用机器学习模型对初始医疗信息进行处理,得到患者的MDT入组推荐结果;使用混合模型对初始医疗信息进行处理,得到患者的MDT入组推荐结果;第二处理单元,用于当判断初始医疗信息包含患者的病种信息时,通过以下任意一种方式得到患者的MDT入组推荐结果:使用病种信息对应的医疗推荐规则对初始医疗信息进行处理,得到患者的MDT入组推荐结果;使用机器学习模型对初始医疗信息进行处理,得到患者的MDT入组推荐结果;使用混合模型对初始医疗信息进行处理,得到患者的MDT入组推荐结果;其中,混合模型通过以下方式获取:合并医疗推荐规则和机器学习模型,得到混合模型。
在一示例性实施例中,第二处理单元中,当判断初始医疗信息包含患者的病种信息时,使用混合模型对初始医疗信息进行处理,得到患者的MDT入组推荐结果,可以包括:第一处理子单元,用于当判断初始医疗信息包含患者的病种信息时,使用医疗推荐规则对初始医疗信息进行处理,得到患者的第一推荐结果,包括推荐所述患者MDT入组的推荐等级;第二处理子单元,用于如果第一推荐结果中的推荐等级低于预设等级,则使用机器学习模型对初始医疗信息进行处理,得到患者的第二推荐结果,包括是否推荐所述患者MDT入组;推荐结果确定单元,用于根据第一推荐结果与第二推荐结果确定患者的最终推荐结果,将最终推荐结果作为患者的MDT入组推荐结果。
在一示例性实施例中,推荐结果确定单元可以包括:归一化处理子单元,用于对第一推荐结果与第二推荐结果分别进行归一化处理;加权计算子单元,用于对归一化处理后的第一推荐结果与第二推荐结果进行加权计算,以得到患者的最终推荐结果。
在一示例性实施例中,机器学习模型可以通过以下方式获得:获取样本患者的样本医疗信息集合与分类标签,其中,若样本患者的样本医疗信息中包含MDT入组的历史记录,则该样本患者的分类标签为推荐MDT入组,若样本患者的样本医疗信息中不包含MDT入组的历史记录,则该样本患者的分类标签为不推荐MDT入组;从样本医疗信息集合提取各样本患者的特征数据;利用特征数据和分类标签训练并得到机器学习模型。
在一示例性实施例中,在确定患者的MDT入组推荐结果后,智能推荐MDT入组的装置还可以包括:实际结果获取模块,用于获取患者的实际MDT入组结果;模型更新模块,用于如果患者的MDT入组推荐结果和实际MDT入组结果不一致,则将患者的初始医疗信息加入样本医疗信息集合,并以实际MDT入组结果作为患者的分类标签,更新机器学习模型。
在一示例性实施例中,医疗推荐规则可以通过以下方式获得:拆解医疗标准信息库中的标准信息,并按照预设字段对标准信息进行规则化处理,以得到医疗推荐规则。
在一示例性实施例中,第一处理模块可以包括:规则获取单元,用于根据患者的病种信息,获取与病种信息对应的医疗推荐规则;信息匹配单元,用于将初始医疗信息与医疗推荐规则进行匹配;结果确定单元,用于根据匹配结果确定患者的MDT入组推荐结果。
在一示例性实施例中,医疗推荐规则可以包括多个推荐等级下的标准信息子集,标准信息子集由与病种信息相关的词条组成;信息匹配单元包括:分词处理子单元,用于对初始医疗信息进行分词处理,得到初始信息词集;词集匹配子单元,用于将初始信息词集分别与各标准信息子集进行匹配;结果确定单元用于将与初始信息词集匹配度最高的标准信息子集对应的推荐等级确定为患者的MDT入组推荐结果。
上述装置中各模块/单元的具体细节在方法部分的实施例中已经详细说明,未披露的细节内容可以参见方法部分的实施例内容,因此此处不再赘述。
本公开的示例性实施例还提供了一种能够实现上述方法的电子设备。
所属技术领域的技术人员能够理解,本公开的各个方面可以实现为系统、方法或程序产品。因此,本公开的各个方面可以具体实现为以下形式,即:完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等),或硬件和软件方面结合的实施方式,这里可以统称为“电路”、“模块”或“系统”。
下面参照图5来描述根据本公开的这种示例性实施例的电子设备500。图5显示的电子设备500仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图5所示,电子设备500以通用计算设备的形式表现。电子设备500的组件可以包括但不限于:上述至少一个处理单元510、上述至少一个存储单元520、连接不同系统组件(包括存储单元520和处理单元510)的总线530、显示单元540。
其中,存储单元存储有程序代码,程序代码可以被处理单元510执行,使得处理单元510执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。例如,处理单元510可以执行图1所示的步骤S110~S120,也可以执行图2所示的步骤S210~S230等。
存储单元520可以包括易失性存储单元形式的可读介质,例如随机存取存储单元(RAM)521和/或高速缓存存储单元522,还可以进一步包括只读存储单元(ROM)523。
存储单元520还可以包括具有一组(至少一个)程序模块525的程序/实用工具524,这样的程序模块525包括但不限于:操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线530可以为表示几类总线结构中的一种或多种,包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备500也可以与一个或多个外部设备700(例如键盘、指向设备、蓝牙设备等)通信,还可与一个或者多个使得用户能与该电子设备500交互的设备通信,和/或与使得该电子设备500能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口550进行。并且,电子设备500还可以通过网络适配器560与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器560通过总线530与电子设备500的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备500使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本公开实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开示例性实施例的方法。
本公开的示例性实施例还提供了一种计算机可读存储介质,其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施方式中,本公开的各个方面还可以实现为一种程序产品的形式,其包括程序代码,当程序产品在终端设备上运行时,程序代码用于使终端设备执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。
参考图6所示,描述了根据本公开的示例性实施例的用于实现上述方法的程序产品600,其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码,并可以在终端设备,例如个人电脑上运行。然而,本公开的程序产品不限于此,在本文件中,可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了可读程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、有线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本公开操作的程序代码,程序设计语言包括面向对象的程序设计语言—诸如Java、C++等,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
此外,上述附图仅是根据本公开示例性实施例的方法所包括的处理的示意性说明,而不是限制目的。易于理解,上述附图所示的处理并不表明或限制这些处理的时间顺序。另外,也易于理解,这些处理可以是例如在多个模块中同步或异步执行的。
应当注意,尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元,但是这种划分并非强制性的。实际上,根据本公开的示例性实施例,上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之,上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本公开的其他实施例。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。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由权利要求指出。
应当理解的是,本公开并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限。
Claims (12)
1.一种智能推荐MDT入组的方法,其特征在于,包括:
获取患者的初始医疗信息;
采用MDT推荐入组模型对所述初始医疗信息进行处理,确定所述患者的MDT入组推荐结果;
其中,所述MDT推荐入组的模型包括医疗推荐规则、机器学习模型及混合模型。
2.根据权利要求1所述的方法,其特征在于,所述采用MDT智能推荐入组模型对所述初始医疗信息进行处理,确定所述患者的MDT入组推荐结果,包括:
当判断所述初始医疗信息不包含所述患者的病种信息时,通过以下任意一种方式得到所述患者的MDT入组推荐结果:
使用所述机器学习模型对所述初始医疗信息进行处理,得到所述患者的MDT入组推荐结果;
使用所述混合模型对所述初始医疗信息进行处理,得到所述患者的MDT入组推荐结果;
当判断所述初始医疗信息包含所述患者的病种信息时,通过以下任意一种方式得到所述患者的MDT入组推荐结果:
使用所述病种信息对应的医疗推荐规则对所述初始医疗信息进行处理,得到所述患者的MDT入组推荐结果;
使用所述机器学习模型对所述初始医疗信息进行处理,得到所述患者的MDT入组推荐结果;
使用所述混合模型对所述初始医疗信息进行处理,得到所述患者的MDT入组推荐结果;
其中,所述混合模型通过以下方式获取:
合并所述医疗推荐规则和所述机器学习模型,得到所述混合模型。
3.根据权利要求2所述的方法,其特征在于,当判断所述初始医疗信息包含所述患者的病种信息时,所述使用所述混合模型对所述初始医疗信息进行处理,得到所述患者的MDT入组推荐结果,包括:
使用所述医疗推荐规则对所述初始医疗信息进行处理,得到所述患者的第一推荐结果,包括推荐所述患者MDT入组的推荐等级;
如果所述第一推荐结果中的推荐等级低于预设等级,则使用所述机器学习模型对所述初始医疗信息进行处理,得到所述患者的第二推荐结果,包括是否推荐所述患者MDT入组;
根据所述第一推荐结果与所述第二推荐结果确定所述患者的最终推荐结果,将所述最终推荐结果作为所述患者的MDT入组推荐结果。
4.根据权利要求3所述的方法,其特征在于,所述根据所述第一推荐结果与所述第二推荐结果确定所述患者的最终推荐结果,包括:
对所述第一推荐结果与所述第二推荐结果分别进行归一化处理;
对归一化处理后的所述第一推荐结果与所述第二推荐结果进行加权计算,以得到所述患者的最终推荐结果。
5.根据权利要求1所述的方法,其特征在于,所述机器学习模型通过以下方式获得:
获取样本患者的样本医疗信息集合与分类标签,其中,若样本患者的样本医疗信息中包含MDT入组的历史记录,则该样本患者的分类标签为推荐MDT入组,若样本患者的样本医疗信息中不包含MDT入组的历史记录,则该样本患者的分类标签为不推荐MDT入组;
从所述样本医疗信息集合提取各所述样本患者的特征数据;
利用所述特征数据和所述分类标签训练并得到所述机器学习模型。
6.根据权利要求1所述的方法,其特征在于,在确定所述患者的MDT入组推荐结果后,所述方法还包括:
获取所述患者的实际MDT入组结果;
如果所述患者的MDT入组推荐结果和所述实际MDT入组结果不一致,则将所述患者的初始医疗信息加入所述样本医疗信息集合,并以所述实际MDT入组结果作为所述患者的分类标签,更新所述机器学习模型。
7.根据权利要求1所述的方法,其特征在于,所述医疗推荐规则通过以下方式获得:
拆解医疗标准信息库中的标准信息,并按照预设字段对所述标准信息进行规则化处理,以得到所述医疗推荐规则。
8.根据权利要求2所述的方法,其特征在于,所述使用所述病种信息对应的医疗推荐规则对所述初始医疗信息进行处理,得到所述患者的MDT入组推荐结果,包括:
根据所述患者的病种信息,获取与所述病种信息对应的医疗推荐规则;
将所述初始医疗信息与所述医疗推荐规则进行匹配;
根据匹配结果确定所述患者的MDT入组推荐结果。
9.根据权利要求8所述的方法,其特征在于,所述医疗推荐规则包括多个推荐等级下的标准信息子集,所述标准信息子集由与所述病种信息相关的词条组成;
所述将所述初始医疗信息与所述医疗推荐规则进行匹配,包括:
对所述初始医疗信息进行分词处理,得到初始信息词集;
将所述初始信息词集分别与各所述标准信息子集进行匹配;
所述根据匹配结果确定所述患者的MDT入组推荐结果,包括:
将与所述初始信息词集匹配度最高的标准信息子集对应的推荐等级确定为所述患者的MDT入组推荐结果。
10.一种智能推荐MDT入组的装置,其特征在于,包括:
信息获取模块,用于获取患者的初始医疗信息;
结果确定模块,用于采用MDT推荐入组模型对所述初始医疗信息进行处理,确定所述患者的MDT入组推荐结果;
其中,所述MDT推荐入组模型包括医疗推荐规则、机器学习模型及混合模型。
11.一种电子设备,其特征在于,包括:
处理器;以及
存储器,用于存储所述处理器的可执行指令;
其中,所述处理器配置为经由执行所述可执行指令来执行权利要求1-9任一项所述的方法。
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1-9任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910831698.4A CN110570943B (zh) | 2019-09-04 | 2019-09-04 | 智能推荐mdt入组的方法及装置、电子设备、存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910831698.4A CN110570943B (zh) | 2019-09-04 | 2019-09-04 | 智能推荐mdt入组的方法及装置、电子设备、存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110570943A true CN110570943A (zh) | 2019-12-13 |
CN110570943B CN110570943B (zh) | 2021-03-12 |
Family
ID=68777763
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910831698.4A Active CN110570943B (zh) | 2019-09-04 | 2019-09-04 | 智能推荐mdt入组的方法及装置、电子设备、存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110570943B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114743681A (zh) * | 2021-12-20 | 2022-07-12 | 健康数据(北京)科技有限公司 | 一种基于自然语言处理的病例入组筛选方法及系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104504488A (zh) * | 2014-11-13 | 2015-04-08 | 同心医联科技(北京)有限公司 | 一种多学科协作进行智能化肿瘤疾病管理的系统和方法 |
CN107103187A (zh) * | 2017-04-10 | 2017-08-29 | 四川省肿瘤医院 | 基于深度学习的肺结节检测分级与管理的方法及系统 |
CN107818828A (zh) * | 2017-10-30 | 2018-03-20 | 广州医加多医疗股份有限公司 | 采用移动远程医疗实现多学科协作诊疗的方法 |
CN108305690A (zh) * | 2018-02-07 | 2018-07-20 | 王博冉 | 神经系统疾病分诊方法及神经系统疾病的分诊系统 |
CN108538402A (zh) * | 2018-04-16 | 2018-09-14 | 深圳零壹云医科技有限公司 | 一种mdt会诊方法、系统 |
CN108877901A (zh) * | 2018-07-04 | 2018-11-23 | 芜湖圣美孚科技有限公司 | 一种中医诊断系统 |
CN109948806A (zh) * | 2019-03-28 | 2019-06-28 | 医渡云(北京)技术有限公司 | 决策模型优化方法、装置、存储介质及设备 |
CN110060748A (zh) * | 2019-03-25 | 2019-07-26 | 江苏大学附属医院 | 一种多学科picc置管评估管理装置及方法 |
CN110085308A (zh) * | 2019-04-23 | 2019-08-02 | 挂号网(杭州)科技有限公司 | 一种基于融合深度学习的诊疗科室分类方法 |
-
2019
- 2019-09-04 CN CN201910831698.4A patent/CN110570943B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104504488A (zh) * | 2014-11-13 | 2015-04-08 | 同心医联科技(北京)有限公司 | 一种多学科协作进行智能化肿瘤疾病管理的系统和方法 |
CN107103187A (zh) * | 2017-04-10 | 2017-08-29 | 四川省肿瘤医院 | 基于深度学习的肺结节检测分级与管理的方法及系统 |
CN107818828A (zh) * | 2017-10-30 | 2018-03-20 | 广州医加多医疗股份有限公司 | 采用移动远程医疗实现多学科协作诊疗的方法 |
CN108305690A (zh) * | 2018-02-07 | 2018-07-20 | 王博冉 | 神经系统疾病分诊方法及神经系统疾病的分诊系统 |
CN108538402A (zh) * | 2018-04-16 | 2018-09-14 | 深圳零壹云医科技有限公司 | 一种mdt会诊方法、系统 |
CN108877901A (zh) * | 2018-07-04 | 2018-11-23 | 芜湖圣美孚科技有限公司 | 一种中医诊断系统 |
CN110060748A (zh) * | 2019-03-25 | 2019-07-26 | 江苏大学附属医院 | 一种多学科picc置管评估管理装置及方法 |
CN109948806A (zh) * | 2019-03-28 | 2019-06-28 | 医渡云(北京)技术有限公司 | 决策模型优化方法、装置、存储介质及设备 |
CN110085308A (zh) * | 2019-04-23 | 2019-08-02 | 挂号网(杭州)科技有限公司 | 一种基于融合深度学习的诊疗科室分类方法 |
Non-Patent Citations (3)
Title |
---|
PAULO J. LISBOA ET AL: "The use of artificial neural networks in decision support in cancer: A systematic review", 《NEURAL NETWORKS》 * |
曹霖 等: "多学科协作诊治模式的会诊流程探讨(一)", 《中国普外基础与临床杂志》 * |
陈露 等: "门诊多学科协作诊疗信息平台构建与应用", 《中国数字医学》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114743681A (zh) * | 2021-12-20 | 2022-07-12 | 健康数据(北京)科技有限公司 | 一种基于自然语言处理的病例入组筛选方法及系统 |
CN114743681B (zh) * | 2021-12-20 | 2024-01-30 | 健康数据(北京)科技有限公司 | 一种基于自然语言处理的病例入组筛选方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110570943B (zh) | 2021-03-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10902588B2 (en) | Anatomical segmentation identifying modes and viewpoints with deep learning across modalities | |
CN111292839B (zh) | 图像处理方法、装置、计算机设备和存储介质 | |
CN110458217B (zh) | 图像识别方法及装置、眼底图像识别方法和电子设备 | |
CN111564223B (zh) | 传染病生存概率的预测方法、预测模型的训练方法及装置 | |
CN107194158A (zh) | 一种基于图像识别的疾病辅助诊断方法 | |
CN113077434B (zh) | 基于多模态信息的肺癌识别方法、装置及存储介质 | |
WO2021042690A1 (zh) | 基于深度卷积神经网络的乳腺癌辅助诊断方法及装置 | |
CN112635013B (zh) | 医学影像信息的处理方法、装置、电子设备和存储介质 | |
WO2022242392A1 (zh) | 血管图像分类处理方法、装置、设备及存储介质 | |
CN109448858A (zh) | 结直肠癌医疗数据处理方法及装置、存储介质、电子设备 | |
CN115858886A (zh) | 数据处理方法、装置、设备及可读存储介质 | |
CN116452851A (zh) | 病症分类模型的训练方法、装置、终端及可读存储介质 | |
CN110570943B (zh) | 智能推荐mdt入组的方法及装置、电子设备、存储介质 | |
CN113220895A (zh) | 基于强化学习的信息处理方法、装置、终端设备 | |
CN116246749B (zh) | 集成电子病历的内分泌病人个性化健康管理系统 | |
CN117292783A (zh) | 医学影像报告生成系统 | |
Bakasa et al. | Stacked ensemble deep learning for pancreas cancer classification using extreme gradient boosting | |
EP3659150B1 (en) | Device, system, and method for optimizing image acquisition workflows | |
AU2021102593A4 (en) | A Method for Detection of a Disease | |
CN109597989A (zh) | 诊断词归一方法及装置、存储介质、电子设备 | |
CN115985506A (zh) | 一种信息提取方法及装置、存储介质、计算机设备 | |
CN115526882A (zh) | 一种医学图像的分类方法、装置、设备及存储介质 | |
CN114446470A (zh) | 基于人工智能模型的急性肾损伤恢复时间预测方法 | |
CN114462522A (zh) | 肺癌生存期预测模型训练、预测方法、系统、装置及介质 | |
CN113707285A (zh) | 科室分诊方法、系统、设备以及存储介质 |
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 |