CN111145846A - 临床试验患者招募方法及装置、电子设备和存储介质 - Google Patents

临床试验患者招募方法及装置、电子设备和存储介质 Download PDF

Info

Publication number
CN111145846A
CN111145846A CN201911390616.3A CN201911390616A CN111145846A CN 111145846 A CN111145846 A CN 111145846A CN 201911390616 A CN201911390616 A CN 201911390616A CN 111145846 A CN111145846 A CN 111145846A
Authority
CN
China
Prior art keywords
target
electronic medical
condition
field
conditions
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.)
Withdrawn
Application number
CN201911390616.3A
Other languages
English (en)
Inventor
卢璟
郝原
朱彤
冯绍伦
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.)
Tianjin Xinkaixin Life Technology Co ltd
Tianjin Happy Life Technology Co ltd
Original Assignee
Tianjin Xinkaixin Life Technology Co ltd
Tianjin Happy Life Technology 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 Tianjin Xinkaixin Life Technology Co ltd, Tianjin Happy Life Technology Co ltd filed Critical Tianjin Xinkaixin Life Technology Co ltd
Priority to CN201911390616.3A priority Critical patent/CN111145846A/zh
Publication of CN111145846A publication Critical patent/CN111145846A/zh
Withdrawn legal-status Critical Current

Links

Images

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
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/20—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for electronic clinical trials or questionnaires
    • 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

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

本公开提供一种临床试验患者招募方法、装置以及电子设备和计算机可读存储介质，该方法包括：获取目标条件组以及所述目标条件组中各个条件之间的逻辑关系；根据所述目标条件组中的各个条件在包括全量医疗数据的目标数据库中确定候选电子病历；根据所述目标条件组中各个条件之间的逻辑关系在所述候选电子病历中确定目标电子病历；根据所述目标电子病历确定临床试验患者。本公开实施例提供的技术方案，可以根据目标条件组中的条件以及各个条件之间的逻辑规则自动地确定符合条件的电子病历，以进一步地确定临床试验患者。

Description

临床试验患者招募方法及装置、电子设备和存储介质
技术领域
本公开涉及信息分析及处理技术领域，尤其涉及一种临床试验患者招募方法及装置、电子设备和存储介质。
背景技术
在临床试验中，通常需要招募一些符合条件的患者进行药品的系统性研究，以证实或揭示药品的作用、不良反应或试验药品的吸收、分布、代谢和排泄等。因此，招募适合的受试者是临床试验项目能够顺利高效进行的一个关键环节。传统的受试者招募方式包括医生推荐、发布招募广告、社区招募等。但是通过上述方式进行受试者的招募局限性比较大，例如医生难以了解患者最新完整的疾病状况，符合条件的受试者无法及时获得招募消息等。
因此，一种可以智能、高效并且精准地确定可招募的受试者的方法对于临床研究来说至关重要。
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
本公开实施例提供一种临床试验患者招募方法及装置、电子设备和计算机可读存储介质，能够通过目标数据库中的电子病历自动、高效的确定符合筛选条件的临床试验患者。
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。
本公开实施例提出一种临床试验患者招募方法，该方法包括：获取目标条件组以及所述目标条件组中各个条件之间的逻辑关系；根据所述目标条件组中的各个条件在包括全量医疗数据的目标数据库中确定候选电子病历；根据所述目标条件组中各个条件之间的逻辑关系在所述候选电子病历中确定目标电子病历；根据所述目标电子病历确定临床试验患者。
在一些实施例中，所述目标条件组包括第一目标条件，所述第一目标条件包括目标指标；其中，根据所述目标条件组中的各个条件在包括全量医疗数据的目标数据库中确定候选电子病历，包括：根据所述目标指标对所述目标数据库中的电子病历进行分类处理；按照所述第一目标条件对分类后的电子病历进行筛选，以确定所述候选电子病历。
在一些实施例中，所述电子病历中包括至少一个第五目标字段，所述至少一个第五目标字段与所述目标指标存在对应关系；其中，根据所述目标指标对所述目标数据库中的电子病历进行分类处理，包括：通过目标神经网络模型对所述至少一个第五目标字段进行处理，以对所述目标数据库中的电子病历进行分类。
在一些实施例中，根据所述目标条件组中各个条件之间的逻辑关系在所述候选电子病历中确定目标电子病历，包括：获取目标医疗领域的电子病历，所述目标医疗领域的电子病历包括第一目标字段；对所述第一目标字段的值进行分词处理，以获得分词结果；根据所述第一目标字段的值的分词结果获得所述目标数据库。
在一些实施例中，所述目标条件组包括第二目标字段，所述第二目标字段包括字段名称和字段值；其中，根据所述目标条件组中的各个条件在包括全量医疗数据的目标数据库中确定候选电子病历，还包括：根据所述第二目标字段的字段名称在所述目标数据库中确定对应的第三目标字段；在所述第三目标字段中确定与所述第二目标字段的字段值匹配的第四目标字段；根据所述第四目标字段确定与所述目标条件组匹配的候选电子病历。
在一些实施例中，所述目标条件组包括第二目标条件，所述第二目标条件对应于逻辑关系非；其中，根据所述目标条件组中各个条件之间的逻辑关系在所述候选电子病历中确定目标电子病历，包括：将所述第二目标条件对应的电子病历从所述候选电子病历中滤除。
在一些实施例中，所述目标条件组包括第三目标条件和第四目标条件，所述第三目标条件和所述第四目标条件对应于逻辑与；其中，根据所述目标条件组中各个条件之间的逻辑关系在所述候选电子病历中确定目标电子病历，包括：将与所述第三目标条件不相关的电子病历以及与所述第四目标条件不相关的电子病历从所述候选电子病历中滤除。
本公开实施例提供一种临床试验患者招募装置，所述临床试验患者招募装置包括：条件获取模块、候选电子病历获取模块、目标电子病历确定模块以及临床试验患者确定模块。
其中，条件获取模块可以配置为获取目标条件组以及所述目标条件组中各个条件之间的逻辑关系；所述候选电子病历获取模块可以配置为根据所述目标条件组中的各个条件在包括全量医疗数据的目标数据库中确定候选电子病历；所述目标电子病历确定模块可以配置为根据所述目标条件组中各个条件之间的逻辑关系在所述候选电子病历中确定目标电子病历；所述临床试验患者确定模块可以配置为根据所述目标电子病历确定临床试验患者。
本公开实施例提出一种电子设备，该电子设备包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现上述任一项所述的临床试验患者招募方法。
本公开实施例提出一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现如上述任一项所述的临床试验患者招募方法。
本公开某些实施例提供的临床试验患者招募方法、装置及电子设备和计算机可读存储介质，可以通过目标条件组中的条件在目标数据库中确定了电子病历，然后根据目标条件组中各个条件之间的逻辑关系，在所述候选电子病历中确定了目标电子病历，并进一步地根据目标电子病历确定了临床试验患者。该方法，能够根据目标条件组中的条件在目标数据库中自动、快速地确定与目标条件组中的条件吻合的电子病历，并进一步地确定临床试验患者。使用上述方法在目标数据库中的电子病历自动确定临床试验中可招募的志愿者，相比于人工推荐志愿者或者人为张贴广告吸引志愿者，既可以提高志愿者命中概率，又可以提高招募效率。
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。下面描述的附图仅仅是本公开的一些实施例，对于本领域的普通技术人员来讲，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示出了可以应用于本公开实施例的临床试验患者招募方法或临床试验患者招募装置的示例性系统架构的示意图。
图2是根据一示例性实施例示出的一种应用于临床试验患者招募装置的计算机系统的结构示意图。
图3是根据一示例性实施例示出的一种临床试验患者招募的流程图。
图4是根据一示例性实施例示出的一种筛选条件分解的示意图。
图5是图3中步骤S2在一示例性实施例中的流程图。
图6是图3中步骤S3在一示例性实施例中的流程图。
图7是根据一示例性实施例示出的一种医疗词汇知识图谱的示意图。
图8是图3中步骤S3在另一示例性实施例中的流程图。
图9是根据一示例性实施例示出的一种第五目标字段的原始文本示意图。
图10是根据一示例性实施例示出的一种临床试验患者招募装置的框图。
具体实施方式
现在将参考附图更全面地描述示例实施例。然而，示例实施例能够以多种形式实施，且不应被理解为限于在此阐述的实施例；相反，提供这些实施例使得本公开将全面和完整，并将示例实施例的构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。
本公开所描述的特征、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。在下面的描述中，提供许多具体细节从而给出对本公开的实施方式的充分理解。然而，本领域技术人员将意识到，可以实践本公开的技术方案而省略特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知方法、装置、实现或者操作以避免模糊本公开的各方面。
附图仅为本公开的示意性图解，图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和步骤，也不是必须按所描述的顺序执行。例如，有的步骤还可以分解，而有的步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。
本说明书中，用语“一个”、“一”、“该”、“所述”和“至少一个”用以表示存在一个或多个要素/组成部分/等；用语“包含”、“包括”和“具有”用以表示开放式的包括在内的意思并且是指除了列出的要素/组成部分/等之外还可存在另外的要素/组成部分/等；用语“第一”、“第二”和“第三”等仅作为标记使用，不是对其对象的数量限制。
下面结合附图对本公开示例实施方式进行详细说明。
图1示出了可以应用于本公开实施例的临床试验患者招募方法或临床试验患者招募装置的示例性系统架构的示意图。
如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。其中，终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机、台式计算机、可穿戴设备、虚拟现实设备、智能家居等等。
服务器105可以是提供各种服务的服务器，例如对用户利用终端设备101、102、103所进行操作的装置提供支持的后台管理服务器。后台管理服务器可以对接收到的请求等数据进行分析等处理，并将处理结果反馈给终端设备。
服务器105可例如获取目标条件组以及所述目标条件组中各个条件之间的逻辑关系；服务器105可例如根据所述目标条件组中的各个条件在包括全量医疗数据的目标数据库中确定候选电子病历；服务器105可例如根据所述目标条件组中各个条件之间的逻辑关系在所述候选电子病历中确定目标电子病历；服务器105可例如根据所述目标电子病历确定临床试验患者。
应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的，服务器105可以是一个实体的服务器，还可以为多个服务器组成，根据实际需要，可以具有任意数目的终端设备、网络和服务器。
下面参考图2，其示出了适于用来实现本申请实施例的终端设备的计算机系统200的结构示意图。图2示出的终端设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
如图2所示，计算机系统200包括中央处理单元(CPU)201，其可以根据存储在只读存储器(ROM)202中的程序或者从储存部分208加载到随机访问存储器(RAM)203中的程序而执行各种适当的动作和处理。在RAM 203中，还存储有系统200操作所需的各种程序和数据。CPU 201、ROM 202以及RAM 203通过总线204彼此相连。输入/输出(I/O)接口205也连接至总线204。
以下部件连接至I/O接口205：包括键盘、鼠标等的输入部分206；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分207；包括硬盘等的储存部分208；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分209。通信部分209经由诸如因特网的网络执行通信处理。驱动器210也根据需要连接至I/O接口205。可拆卸介质211，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器210上，以便于从其上读出的计算机程序根据需要被安装入储存部分208。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读存储介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分209从网络上被下载和安装，和/或从可拆卸介质211被安装。在该计算机程序被中央处理单元(CPU)201执行时，执行本申请的系统中限定的上述功能。
需要说明的是，本申请所示的计算机可读存储介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——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。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机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。而在本申请中，计算机可读的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，其中承载了计算机可读的程序代码。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。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读存储介质，该计算机可读存储介质可以发送、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。计算机可读存储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、电线、光缆、RF等等，或者上述的任意合适的组合。
附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的模块和/或)单元和/或子单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的模块和/或)单元和/或子单元也可以设置在处理器中，例如，可以描述为：一种处理器包括发送单元、获取单元、确定单元和第一处理单元。其中，这些模块和/或)单元和/或子单元的名称在某种情况下并不构成对该模块和/或)单元和/或子单元本身的限定。
作为另一方面，本申请还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中描述的设备中所包含的；也可以是单独存在，而未装配入该设备中。上述计算机可读存储介质承载有一个或者多个程序，当上述一个或者多个程序被一个该设备执行时，使得该设备可实现功能包括：获取目标条件组以及所述目标条件组中各个条件之间的逻辑关系；根据所述目标条件组中的各个条件在包括全量医疗数据的目标数据库中确定候选电子病历；根据所述目标条件组中各个条件之间的逻辑关系在所述候选电子病历中确定目标电子病历；根据所述目标电子病历确定临床试验患者。
图3是根据一示例性实施例示出的一种临床试验患者招募方法的流程图。本公开实施例所提供的方法可以由任意具备计算处理能力的电子设备处理，例如上述图1实施例中的服务器105和/或终端设备102、103，在下面的实施例中，以服务器105为执行主体为例进行举例说明，但本公开并不限定于此。
参照图3，本公开实施例提供的临床试验患者招募方法可以包括以下步骤。
在步骤S1中，获取目标条件组以及所述目标条件组中各个条件之间的逻辑关系。
在一些实施例中，所述目标条件组中可以包括多个条件，各个条件之间存在一定的逻辑关系。所述逻辑关系可以包括与、或、非中的任意一种或者多种。
例如，所述目标条件组可以描述为：“条件A”和“‘条件B’或者‘条件C’”，非“条件C”。具体地，可以将上述目标条件组的条件描述为：只有满足条件A和条件B或条件A和条件C，并且不满足条件C的目标对象才是符合条件的目标对象。
在临床医学研究中，通常会招募一些志愿者进行药品的疗效和安全性的研究。一般来说，研究人员通常会给出一定的筛选条件以确定合适的受试者。
在一些实施例中，所述筛选条件可以如上所述的目标条件组，也可以是一段筛选语句，该筛选语句可以包括多中筛选条件。若所述筛选条件是一段筛选语句，则可以对所述筛选条件进行信息提取，以确定所述目标条件组。
在一些实施例中，所述筛选条件可以包括纳入条件和排除条件。其中，在圈定待研究的目标人群的一系列标准中，允许参加临床试验的因素为“纳入条件”，不允许参加临床试验的因素称之为“排除条件”。
如图4所示，为了测试测试XX药品的安全性和临床效果，研究人员可能需要招募半年内内镜病理证实为CD2O(免疫组化结果)阳性B细胞复发滤泡淋巴瘤(病理分集为I、II、IIIa级)、边缘带B细胞淋巴瘤且研究者认为CD2O单抗要治疗有效的患者，并且该患者半年内未接受过单克隆抗体治疗。
在上述实例中，“半年内镜病理真实为CD2O阳性B细胞复发滤泡淋巴瘤(病理分集为I、II、IIIa级)、边缘带B细胞淋巴瘤且研究者认为CD2O单抗要治疗有效”可以是纳入条件，“半年内接受过单克隆抗体治疗”可以是排除条件(即需要将半年内接受过单克隆抗体治疗的患者排除)。
如图4所示，所述纳入条件和所述排除条件通常会包括大量的条件信息。例如所述纳入条件中可能会包括时间条条件信息、年龄条件信息、性别条件信息、患病条件信息或者病理诊断条件信息中的一种或多种。例如“半年内接受过单克隆抗体治疗”筛选条件中既包括了时间条件信息“半年内”也包括了治疗条件信息“接受过单克隆抗体治疗”。可以理解的是，本公开对筛选条件中涉及的条件信息不做限制。
在一些实施例中，可以将研究人员给出的筛选条件按照逻辑进行拆解以获得存在逻辑关系的多个筛选子条件。
如图4所示，可以将纳入条件“半年内镜病理真实为CD2O阳性B细胞复发滤泡淋巴瘤(病理分集为I、II、IIIa级)、边缘带B细胞淋巴瘤且研究者认为CD2O单抗要治疗有效”按照逻辑拆解为“病理检查日期小于等于6个月”且“诊断名称为滤泡淋巴瘤或边缘带B细胞淋巴瘤”且“免疫组化.免疫组化名称为CD2O”且“免疫组化.免疫组化结果归一值为阳性”。
在一些实施例中，上述拆解处理的筛选子条件之间存在一定的逻辑关系，所述逻辑关系可以是与、或、非中的任意一种或者多种的组合，本公开对此不做限制。
当然为了便于阅读，可以将如图4所示的“条件逻辑”列的筛选子条件进行进一步地提取，以形成如“条件序列”列中所述的条件。可以理解的是，“条件序列”列中的条件之间存在一定的逻辑关系。例如，根据如图4所示的表格可以确定，待确定的临床试验患者需同时满足“当前时间-病历检查时间小于等于6个月”、“病理诊断名称：滤泡淋巴瘤或边缘带B细胞淋巴瘤”、“免疫组化.免疫组化名称为CD2O以及“免疫组化.免疫组化结果为阳性”等条件，并同时与排除条件““靶向药物开始时间小于0.5年”且“靶向药物为单克隆抗体””或““免疫药物开始小于0.5年”、“免疫药物为单克隆抗体””不符。
其中，上述单克隆抗体可以包括多种药物，例如：依决洛单抗、利妥昔单抗、曲妥珠单抗、吉妥珠单抗、西妥昔单抗、贝伐珠单抗、帕尼姆单抗、卡妥索单抗、奥法木单抗等多种药物。
综上所述，研究人员可以根据自身需要将筛选条件进行细粒度的划分，以便于进行临床试验患者的筛选。
在步骤S2中，根据所述目标条件组中的各个条件在包括全量医疗数据的目标数据库中确定候选电子病历。
在一些实施例中，所述全量医疗数据可以指的是目标数据库更新之前的所有的医疗数据。例如，所述全量医疗数据可以指的是目标医院(获取目标区域内的医院)内产生的所有的电子病历，包括但不限于HIS(HospitalInformationSystem，医院信息系统)、LIS(Laboratory Information Management System，医院检验系统)以及EMR(ElectronicMedical Record，计算机化病历系统)中的医疗数据。
在一些实施例中，所述目标条件组中可以包括多个条件，可以根据各个条件分别确定候选电子病历。
如图4所示，所述纳入条件中的可以包括第一条件：“诊断名称：滤泡淋巴瘤或边缘带B细胞淋巴瘤”。可以根据所述第一条件在所述目标数据库中确定与所述第一条件匹配的电子病历。例如，可以首先在目标数据库中确定包括与字段名称“病理诊断”匹配的字段的电子病历，如包括字段名称为“诊断”、“入院诊断”、“出院诊断”、“病理诊断”的字段的电子病历；然后根据“滤泡淋巴瘤”和“边缘带B细胞淋巴瘤”在上述与“病理诊断”字段匹配的字段中进行匹配，以获取可以与“滤泡淋巴瘤”或“边缘带B细胞淋巴瘤”条件匹配的字段，以进一步地通过倒排索引等技术确定与“诊断名称：滤泡淋巴瘤或边缘带B细胞淋巴瘤”条件匹配的候选电子病历。
以此类推，可以分别确定与所述目标条件组中的各个条件匹配的候选电子病历。
在步骤S3中，根据所述目标条件组中各个条件之间的逻辑关系在所述候选电子病历中确定目标电子病历。
在一些实施例中，所述目标条件组可以包括第二目标条件，若所述第二目标条件可以对应于逻辑关系非，那么可以将所述第二目标条件对应的电子病历从所述候选电子病历中滤除。
在一些实施例中，所述目标条件组可以包括第三目标条件和第四目标条件，若所述第三目标条件和所述第四目标条件对应于逻辑与，那么可以将与所述第三目标条件不相关的电子病历以及与所述第四目标条件不相关的电子病历从所述候选电子病历中滤除。
在一些实施例中，不同的条件可能会命中同一电子病历，所以在确定目标电子病历之前需要对候选电子病历进行去重处理。
在步骤S4中，根据所述目标电子病历确定临床试验患者。
本实施例提供的技术方案，可以通过目标条件组中的条件在目标数据库中确定了电子病历，然后根据目标条件组中各个条件之间的逻辑关系，在所述候选电子病历中确定了目标电子病历，并进一步的根据目标电子病历确定了临床试验患者。该方法，能够根据目标条件组中的条件在目标数据库中自动、快速的确定与目标条件组中的条件吻合的电子病历，并进一步的确定临床试验患者。使用上述方法在目标数据库中的电子病历自动确定临床试验中可招募的志愿者，相比于人工推荐志愿者或者人为张贴广告吸引志愿者，既可以提高志愿者命中概率，又可以提高招募效率。
图5是图3中步骤S2在一示例性实施例中的流程图。参考图5，上述步骤S2可以包括以下步骤。
在步骤S21中，获取目标医疗领域的电子病历，所述目标医疗领域的电子病历包括第一目标字段。
在一些实施例中，由于医疗领域中的电子病历数据量巨大，为了缩小查询范围，以提高查询效率和准确率，可以在指定的医疗领域中进行信息的匹配。例如，若研究人员想要招募患有糖尿病的精神病患者，则可以在精神病医疗领域中的电子病历中进行信息的查询。
在一些实施例中，所述电子病历可以包括多个字段，每个字段均包括字段名称以及字段内容。
例如，在一张电子病历中可以包括姓名字段(如“姓名：张三”)、既往史字段(如“既往史：否认高血压、冠心病、肝炎等”)、过敏史字段、病理诊断字段(病理诊断：CD2O阳性)以及门诊医嘱字段等。
在一些实施例中，所述第一目标字段可以是所述电子病历中可能会包括待查询信息的字段。例如，若所述目标条件组中包括血液检测条件(例如，目标条组中包括“白细胞低于XX”的条件)，则需要将所述电子病历中包括血液检查信息的字段作为所述第一目标字段。
在步骤S22中，对所述第一目标字段的值进行分词处理，以获得分词结果。
在一些实施例中，可以将所述电子病历中可能会包括待查询信息的字段进行分词处理，以便于后续的查询匹配处理。
在步骤S23中，根据所述第一目标字段的值的分词结果获得所述目标数据库。
本实施例，一方面通过确定目标医疗领域中的电子病历，初步缩小了待筛选范围，提高了筛选效率；另一方面，对所述第一目标字段的值进行分词处理，有利于后续根据分词结果进行筛选，提高了筛选效率和准确率。
图6是图3中步骤S3在一示例性实施例中的流程图。
在一些实施例中，所述目标条件组包括第二目标字段，所述第二目标字段包括字段名称和字段值。
在一些实施例中，所述目标条件组中可以包括多个条件，各个条件均可以以字段的形式呈现，每个字段又可以包括字段名称和字段值，例如所述目标条件组中的条件可以以“诊断结果：糖尿病”等字段的形式呈现。
参考图6，上述步骤S3可以包括以下步骤。
在步骤S31中，根据所述第二目标字段的字段名称在所述目标数据库中确定对应的第三目标字段。
在一些实施例中，为了提高检索效率，可以在所述目标数据库中确定与所述第二目标字段名称匹配的第三目标字段。
例如，假设所述第二目标字段的字段名称“诊断”，则可以在所述目标数据库中将字段名称为“病理诊断”、“诊断结果”、“入院诊断”等的字段作为所述第三目标字段。
在步骤S32中，在所述第三目标字段中确定与所述第二目标字段的字段值匹配的第四目标字段。
在一些实施例中，可以根据所述第二目标字段的值在所述第三目标字段中进行筛选，以筛选出与所述第二目标字段的值匹配的第四目标字段。
在医疗技术领域，同一事物可能会有不同的名称，例如同一药品可能既有通用名称、商品名称还会包括别名等；或者同一事物可能会包括多个子事物，例如糖尿病可能会包括糖尿病I期、糖尿病II期以及糖尿病III期等。为了能够命中足够多的信息，可以事先构建医疗词汇的知识图谱(也可以认为是对医疗词汇的归一化处理)。
如图7所示，可以根据糖尿病70以及与糖尿病70相关的例如2型糖尿病71、胰岛素依赖性糖尿病72、糖尿病血管病变73、糖尿病神经病变74、糖尿病并发症75以及糖尿病分型74等词语构建标准词为糖尿病的知识图谱。这样，可以根据所述知识图谱中的任意词语确定其他词语。
例如，假设所述第二目标字段的字段值为“糖尿病II期”，那么包括如图7所示的知识图谱中的任意一个词语的第三目标字段均可以是所述第四目标字段。
在步骤S33中，根据所述第四目标字段确定与所述目标条件组匹配的候选电子病历。
在一些实施例中，可以通过倒排索引的方式确定包括所述第四目标字段的电子病历，以作为所述候选电子病历。
在一些实施例中，若不同的第四目标字段命中了同一电子病历，则只保留一次被命中的电子病历。
本实施例提供的技术方案，通过目标条件组中的第二目标字段的字段名称和字段值在所述目标数据库中确定了符合条件的第四目标字段，以进一步的确定了候选电子病历。本方法通过字段进行信息的匹配，既提高了匹配的准确度，又缩小了匹配的范围，因此提高了临床试验患者招募的效率。
图8是图3中步骤S3在另一示例性实施例中的流程图。
在一些实施例中，所述目标条件组包括第一目标条件，所述第一目标条件包括目标指标。
在一些实施例中，所述目标指标可例如是病理分化结果(包括中分化、低分化、高分化等)等需要从所述电子病历中进行信息提炼才可以获取的信息。
参考图8，上述步骤S3还可以包括以下步骤。
在步骤S34中，根据所述目标指标对所述目标数据库中的电子病历进行分类处理。
在一些实施例中，所述目标指标对应的结果虽然无法从所述电子病历中直接获取，但是可以根据所述电子病历中的一些信息进行确定。例如所述电子病历中可能不会直接包括该患者的病理分化结果，但是根据该患者的病理诊断结果可以进一步的确定该患者的病理分化结果。
在一些实施例中，医生可以根据如图9所示的患者的病理诊断的原始文本中确定所述患者的病理分化结果为中分化。
在一些实施例中，所述电子病历中包括至少一个第五目标字段，所述至少一个第五目标字段与所述目标指标存在对应关系，即可以从所述第五字段中提取出所述目标指标的结果。
在一些实施例中，可以通过目标神经网络模型对所述至少一个第五目标字段进行处理，以对所述目标数据库中的电子病历进行分类。
例如，可以使用目标神经网络模型对如图9所述的病理诊断的原始文本进行处理，以自动地确认所述患者的病理分化结果。
在一些实施例中，所述目标神经网络模型可例如为卷积神经网络、循环神经网络等可以进行分类处理的神经网络模型。
可以理解的是，在使用所述目标神经网络模型之前，需要根据已知类别标签的原始文本对所述目标神经网络模型进行训练。
例如，可以使用根据已知患有白血病患者的血液检测结果字段对所述目标神经网络模型进行训练。其中可以以所述血液检查结果字段为训练样本，以白血病为训练标签，以训练完成的目标神经网络模型可以根据其它患者的血液检查结果确定该患者是否患有白血病。
在步骤S35中，按照所述第一目标条件对分类后的电子病历进行筛选，以确定所述候选电子病历。
本实施例提供的技术方案，通过目标神经网络模型对与目标指标存在对应关系的第五目标字段进行处理，以自动、高效的确定所述电子病历的有关于所述目标指标的分类结果。
图10是根据一示例性实施例示出的一种临床试验患者招募装置的框图。参照图10，本公开实施例提供的临床试验患者招募装置1000可以包括条件获取模块1001、属性候选电子病历获取模块1002、目标电子病历确定模块1003以及临床试验患者确定模块1004。
其中，所述条件获取模块1001可以配置为获取目标条件组以及所述目标条件组中各个条件之间的逻辑关系；所述候选电子病历获取模块1002可以配置为根据所述目标条件组中的各个条件在包括全量医疗数据的目标数据库中确定候选电子病历；所述目标电子病历确定模块1003可以配置为根据所述目标条件组中各个条件之间的逻辑关系在所述候选电子病历中确定目标电子病历；所述临床试验患者确定模块1004可以配置为根据所述目标电子病历确定临床试验患者。
在一些实施例中，所述目标条件组包括第一目标条件，所述第一目标条件包括目标指标。
在一些实施例中，所述候选电子病历获取模块1002可以包括：分类处理单元、候选电子病历确定单元。
其中，所述分类处理单元可以配置为根据所述目标指标对所述目标数据库中的电子病历进行分类处理；所述候选电子病历确定单元可以配置为按照所述第一目标条件对分类后的电子病历进行筛选，以确定所述候选电子病历。
在一些实施例中，所述电子病历中包括至少一个第五目标字段，所述至少一个第五目标字段与所述目标指标存在对应关系。
在一些实施例中，所述分类处理单元还可以包括神经网络分类子单元。
其中所述神经网络分类子单元可以配置为通过目标神经网络模型对所述至少一个第五目标字段进行处理，以对所述目标数据库中的电子病历进行分类。
在一些实施例中，所述目标电子病历确定模块1003可以包括：电子病历获单元、分词单元以及目标数据库获取单元。
其中，所述电子病历获取单元可以配置为获取目标医疗领域的电子病历，所述目标医疗领域的电子病历包括第一目标字段；所述分词单元可以配置为对所述第一目标字段的值进行分词处理，以获得分词结果；所述目标数据库获取单元可以配置为根据所述第一目标字段的值的分词结果获得所述目标数据库。
在一些实施例中，所述目标条件组包括第二目标字段，所述第二目标字段包括字段名称和字段值。
在一些实施例中，所述候选电子病历获取模块1002还包括：第三目标字段确定单元、第四目标字段确定单元以及确定候选电子病历单元。
其中，所述第三目标字段确定单元可以配置为根据所述第二目标字段的字段名称在所述目标数据库中确定对应的第三目标字段；所述第四目标字段确定单元可以配置为在所述第三目标字段中确定与所述第二目标字段的字段值匹配的第四目标字段；所述确定候选电子病历单元可以配置为根据所述第四目标字段确定与所述目标条件组匹配的候选电子病历。
在一些实施例中，所述目标条件组包括第二目标条件，所述第二目标条件对应于逻辑关系非。
在一些实施例中，所述目标电子病历确定模块1003可以包括：第一过滤单元。
其中，所述第一过滤单元可以配置为将所述第二目标条件对应的电子病历从所述候选电子病历中滤除。
在一些实施例中，所述目标条件组包括第三目标条件和第四目标条件，所述第三目标条件和所述第四目标条件对应于逻辑与。
在一些实施例中；所述目标电子病历确定模块1003还可以包括：第二滤除单元。
其中，所述第二滤除单元可以配置为将与所述第三目标条件不相关的电子病历以及与所述第四目标条件不相关的电子病历从所述候选电子病历中滤除。
由于本公开的示例实施例的临床试验患者招募装置1000的各个功能模块与上述临床试验患者招募方法的示例实施例的步骤对应，因此在此不再赘述。
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，本公开实施例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，包括若干指令用以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者智能设备等)执行根据本公开实施例的方法，例如图3的一个或多个所示的步骤。
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。
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他实施例。本公开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申请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，本公开并不限于这里已经示出的详细结构、附图方式或实现方法，相反，本公开意图涵盖包含在所附权利要求的精神和范围内的各种修改和等效设置。

Claims (10)

1.一种临床试验患者招募方法，其特征在于，包括：
获取目标条件组以及所述目标条件组中各个条件之间的逻辑关系；
根据所述目标条件组中的各个条件在包括全量医疗数据的目标数据库中确定候选电子病历；
根据所述目标条件组中各个条件之间的逻辑关系在所述候选电子病历中确定目标电子病历；
根据所述目标电子病历确定临床试验患者。
2.根据权利要求1所述方法，其特征在于，所述目标条件组包括第一目标条件，所述第一目标条件包括目标指标；其中，根据所述目标条件组中的各个条件在包括全量医疗数据的目标数据库中确定候选电子病历，包括：
根据所述目标指标对所述目标数据库中的电子病历进行分类处理；
按照所述第一目标条件对分类后的电子病历进行筛选，以确定所述候选电子病历。
3.根据权利要求2所述方法，其特征在于，所述电子病历中包括至少一个第五目标字段，所述至少一个第五目标字段与所述目标指标存在对应关系；其中，根据所述目标指标对所述目标数据库中的电子病历进行分类处理，包括：
通过目标神经网络模型对所述至少一个第五目标字段进行处理，以对所述目标数据库中的电子病历进行分类。
4.根据权利要求1所述方法，其特征在于，根据所述目标条件组中各个条件之间的逻辑关系在所述候选电子病历中确定目标电子病历，包括：
获取目标医疗领域的电子病历，所述目标医疗领域的电子病历包括第一目标字段；
对所述第一目标字段的值进行分词处理，以获得分词结果；
根据所述第一目标字段的值的分词结果获得所述目标数据库。
5.根据权利要求4所述方法，其特征在于，所述目标条件组包括第二目标字段，所述第二目标字段包括字段名称和字段值；其中，根据所述目标条件组中的各个条件在包括全量医疗数据的目标数据库中确定候选电子病历，还包括：
根据所述第二目标字段的字段名称在所述目标数据库中确定对应的第三目标字段；
在所述第三目标字段中确定与所述第二目标字段的字段值匹配的第四目标字段；
根据所述第四目标字段确定与所述目标条件组匹配的候选电子病历。
6.根据权利要求1所述方法，其特征在于，所述目标条件组包括第二目标条件，所述第二目标条件对应于逻辑关系非；其中，根据所述目标条件组中各个条件之间的逻辑关系在所述候选电子病历中确定目标电子病历，包括：
将所述第二目标条件对应的电子病历从所述候选电子病历中滤除。
7.根据权利要求1所述方法，其特征在于，所述目标条件组包括第三目标条件和第四目标条件，所述第三目标条件和所述第四目标条件对应于逻辑与；其中，根据所述目标条件组中各个条件之间的逻辑关系在所述候选电子病历中确定目标电子病历，包括：
将与所述第三目标条件不相关的电子病历以及与所述第四目标条件不相关的电子病历从所述候选电子病历中滤除。
8.一种临床试验患者招募装置，其特征在于，包括：
条件获取模块，配置为获取目标条件组以及所述目标条件组中各个条件之间的逻辑关系；
候选电子病历获取模块，配置为根据所述目标条件组中的各个条件在包括全量医疗数据的目标数据库中确定候选电子病历；
目标电子病历确定模块，配置为根据所述目标条件组中各个条件之间的逻辑关系在所述候选电子病历中确定目标电子病历；
临床试验患者确定模块，配置为根据所述目标电子病历确定临床试验患者。
9.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一项所述的方法。
10.一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，所述程序被处理器执行时实现如权利要求1-7中任一项所述的方法。
CN201911390616.3A 2019-12-30 2019-12-30 临床试验患者招募方法及装置、电子设备和存储介质 Withdrawn CN111145846A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911390616.3A CN111145846A (zh) 2019-12-30 2019-12-30 临床试验患者招募方法及装置、电子设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911390616.3A CN111145846A (zh) 2019-12-30 2019-12-30 临床试验患者招募方法及装置、电子设备和存储介质

Publications (1)

Publication Number Publication Date
CN111145846A true CN111145846A (zh) 2020-05-12

Family

ID=70521607

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911390616.3A Withdrawn CN111145846A (zh) 2019-12-30 2019-12-30 临床试验患者招募方法及装置、电子设备和存储介质

Country Status (1)

Country Link
CN (1) CN111145846A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112289394A (zh) * 2020-08-12 2021-01-29 上海柯林布瑞信息技术有限公司 病种库病例订阅方法及装置、存储介质、终端
CN112365941A (zh) * 2020-10-16 2021-02-12 零氪科技（北京）有限公司 受试者招募的方法及系统
CN113257377A (zh) * 2021-06-04 2021-08-13 联仁健康医疗大数据科技股份有限公司 确定目标用户的方法、装置、电子设备及存储介质
CN117153417A (zh) * 2023-10-30 2023-12-01 成都安哲斯生物医药科技有限公司 医疗数据库数据筛选系统及方法

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112289394A (zh) * 2020-08-12 2021-01-29 上海柯林布瑞信息技术有限公司 病种库病例订阅方法及装置、存储介质、终端
CN112365941A (zh) * 2020-10-16 2021-02-12 零氪科技（北京）有限公司 受试者招募的方法及系统
CN113257377A (zh) * 2021-06-04 2021-08-13 联仁健康医疗大数据科技股份有限公司 确定目标用户的方法、装置、电子设备及存储介质
CN113257377B (zh) * 2021-06-04 2024-05-24 联仁健康医疗大数据科技股份有限公司 确定目标用户的方法、装置、电子设备及存储介质
CN117153417A (zh) * 2023-10-30 2023-12-01 成都安哲斯生物医药科技有限公司 医疗数据库数据筛选系统及方法

Similar Documents

Publication Publication Date Title
Rehman et al. Leveraging big data analytics in healthcare enhancement: trends, challenges and opportunities
Kehl et al. Natural language processing to ascertain cancer outcomes from medical oncologist notes
Alizadehsani et al. A database for using machine learning and data mining techniques for coronary artery disease diagnosis
Perveen et al. A systematic machine learning based approach for the diagnosis of non-alcoholic fatty liver disease risk and progression
Faes et al. Automated deep learning design for medical image classification by health-care professionals with no coding experience: a feasibility study
Ngiam et al. Big data and machine learning algorithms for health-care delivery
Newton et al. Validation of electronic medical record-based phenotyping algorithms: results and lessons learned from the eMERGE network
Dey et al. Big data analytics for intelligent healthcare management
Salod et al. Comparison of the performance of machine learning algorithms in breast cancer screening and detection: A protocol
US8949079B2 (en) Patient data mining
CN111145846A (zh) 临床试验患者招募方法及装置、电子设备和存储介质
EP2922018A1 (en) Medical information analysis program, medical information analysis device, and medical information analysis method
Arandjelović Discovering hospital admission patterns using models learnt from electronic hospital records
Salod et al. A five-year (2015 to 2019) analysis of studies focused on breast cancer prediction using machine learning: A systematic review and bibliometric analysis
WO2014052921A2 (en) Patient health record similarity measure
CN111061835B (zh) 查询方法及装置、电子设备和计算机可读存储介质
Crowley et al. Empirical assessment of bias in machine learning diagnostic test accuracy studies
Kumar Healthcare analytics made simple: techniques in healthcare computing using machine learning and Python
Rabie et al. A decision support system for diagnosing diabetes using deep neural network
Liu et al. DQueST: dynamic questionnaire for search of clinical trials
CN110471941B (zh) 自动定位判断依据的方法、装置及电子设备
US20180285526A1 (en) System and method for phenotype vector manipulation of medical data
Li et al. Survival analysis on rare events using group-regularized multi-response cox regression
Jefferson et al. The effect of physician gender on length of patient consultations: observational findings from the UK hospital setting and synthesis with existing studies
Antonelli et al. Anomaly detection in medical treatment to discover unusual patient management

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
WW01 Invention patent application withdrawn after publication

Application publication date: 20200512

WW01 Invention patent application withdrawn after publication