CN111180062A - 基于原始诊断数据的疾病分类编码智能推荐方法 - Google Patents
基于原始诊断数据的疾病分类编码智能推荐方法 Download PDFInfo
- Publication number
- CN111180062A CN111180062A CN201911278451.0A CN201911278451A CN111180062A CN 111180062 A CN111180062 A CN 111180062A CN 201911278451 A CN201911278451 A CN 201911278451A CN 111180062 A CN111180062 A CN 111180062A
- Authority
- CN
- China
- Prior art keywords
- matching
- diagnosis
- tree
- data
- diagnosis data
- 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
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
- 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
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/20—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the management or administration of healthcare resources or facilities, e.g. managing hospital staff or surgery rooms
-
- 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)
- Public Health (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Data Mining & Analysis (AREA)
- General Business, Economics & Management (AREA)
- Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
一种基于原始诊断数据的疾病分类编码智能推荐方法,解决了医生输入诊断的用语不受约束限制,无医学词汇标准可参照导致的同一诊断概念却有数种诊断名称以及大量的不同具体写法,从而导致与标准诊断对照困难的问题。同时减少了编码员的工作量,提高了疾病编码的准确度和效率。诊断规范化后,编码员能快速合理的对诊断编码,节省了阅读病历的时间,提高了编码准确率。编码准确率的提高,为相关部门和应用提供了便利性和准确性。为政府管理部门提供可信度高的数据支持,为DRG医保付费、绩效考核、医疗护理评价提供依据,并且保证了医疗、教学和科研的资料检索的准确性。
Description
技术领域
本发明涉及医疗信息化技术领域,具体涉及一种基于原始诊断数据的疾病分类编码智能推荐方法。
背景技术
近年来,随着医疗卫生体制改革的不断深入,医疗信息化对于医疗服务的支撑作用越来越显著,并且当前我国医疗服务正处于从信息化向智慧化过渡的关键时刻。随着大数据和人工智能等技术在医疗行业中的应用,标准化的信息越来越重要,具体体现在科研教学、数据分析、卫生信息交流以及医学人工智能辅助决策等各个方面。其中,疾病诊断的标准化即标准诊断编码占据着重要位置,当前我国疾病分类编码主要存在以下几个问题:
(1)临床医生诊断书写个性化,标准不统一,存在与标准诊断编码库不兼容的情况。首先,标准诊断编码库中的诊断不能完全覆盖医生日常工作中实际使用的诊断;其次。医生使用的医学术语受知识背景和医疗经验的影响,并且医生书写诊断是自由的,不受限制的,不同的医生对同一疾病的诊断书写也会出现不同;第三,对于特定诊断的分型,标准编码的详细程度达不到医生的临床实际需求。归根结底,医生从业务角度详细描述记录疾病信息,不是为了疾病分类编码,导致医生诊断与标准诊断库不兼容。
(2)疾病编码人员经验不足,对标准编码规则理解有限,导致编码结果不准确。编码员参照《疾病和有关健康问题的国际统计分类》,以及卫计委发布的标准诊断编码字典,将临床医生书写的临床诊断进行标准编码,然后进行病历归档、医保报销、病案上报等相关工作。然而,医院中编码员工作存在以下问题:首先,编码员经验不足,没有受过系统的培训;其次,编码员对编码规则或标准诊断不熟悉;第三,编码结果受制于个人医学知识与工作经验;第四,编码员培养周期长,日常编码工作量大。这些导致了目前的疾病编码准确率不高,对政府部门的统计工作和医院的病案首页、HQMS上报、DRG绩效管理等工作带来了不便。
(3)标准诊断编码库版本不统一。目前国内疾病编码版本较多,有北京版、全国版、国家临床版,各个版本又有好几个小版本,导致同一个疾病,在不同医院中使用的编码也不能完全统一,为诊断信息的收集和交流带来了困难。
发明内容
本发明为了克服以上技术的不足,提供了一种减少编码员的工作量、提高疾病编码的准确度和效率的基于原始诊断数据的疾病分类编码智能推荐方法。
本发明克服其技术问题所采用的技术方案是:
一种基于原始诊断数据的疾病分类编码智能推荐方法,包括如下步骤:
a)将原始诊断数据输入计算机;
b)计算机对获取的原始诊断数据进行预处理操作;
c)计算机对预处理后的诊断数据进行分词处理,将诊断数据切分成主导词集合和修饰词集合,分词处理后将分词所得的关键词在医学语义网络上进行联想转换处理,得到包含主导词转换集合及修饰词转换集合的全组合集;
d)将全组合集中每种诊断关键词组合分别在若干匹配树汇聚而成的匹配森林中进行搜索,将诊断关键词组合与匹配树叶子集合求交集,选取交集非空的匹配树作为待选推荐集,若交集为空,则不做推荐;
e)按照诊断关键词组合和匹配树叶子集交集中的元素个数n将待选推荐集进行降序排列,如果降序排列中不存在并列排序,则将此降序排列顺序作为匹配树推荐顺序列表L,如果降序排列中存在并列排序,则执行步骤f);
f)根据公式计算匹配树关键词匹配率P,式中nkey为全组合集中每种诊断关键词组合的元素个数,ntree为匹配树叶子集元素个数,将匹配树关键词匹配率P进行升序排列,如果升序排列中不存在并列排序,则将此升序排列作为匹配树推荐顺序列表L,如果升序排列存在并列排序,则执行步骤g);
h)对匹配元素个数n、匹配树关键词匹配率P及原始诊断数据与匹配树的相似度s进行编码准确性评估,得到推荐顺序列表L中每个推荐编码对应的准确性评估结果R。
进一步的,步骤a)中原始诊断数据为病历文件中的诊断数据和/或病案首页的出院诊断数据和/或病理诊断数据和/或外伤中毒的外因诊断数据。
进一步的,步骤b)中预处理操作为特殊字符的处理和/或异体字的转换处理和/或标点符号的处理。
进一步的,步骤h)中的编码准确性评估方法包括如下步骤:
h-1)将元素个数n、匹配树关键词匹配率P及原始诊断数据与匹配树的相似度s分别进行归一化处理后得到向量X=(x1,x2,x3),其中x1为元素个数n的归一化结果,x2为匹配树关键词匹配率P的归一化结果,x3为原始诊断数据与匹配树的相似度s的归一化结果;
h-2)通过公式R=aTX进行加权求和计算,得到最终的准确性评估结果R,其中a=(a1,a2,a3),a1为元素个数n的加权系数,a2为匹配树关键词匹配率P的加权系数,a3为原始诊断数据与匹配树的相似度s的加权系数,aT为a的转置。
本发明的有益效果是:通过疾病分类编码智能推荐方法得到的准确性评估结果,相当于为每个医生配备了一个编码员,负责帮助医生检索合适的诊断,解决了医生输入诊断的用语不受约束限制,无医学词汇标准可参照导致的同一诊断概念却有数种诊断名称以及大量的不同具体写法,从而导致与标准诊断对照困难的问题。同时减少了编码员的工作量,提高了疾病编码的准确度和效率。诊断规范化后,编码员能快速合理的对诊断编码,节省了阅读病历的时间,提高了编码准确率。编码准确率的提高,为相关部门和应用提供了便利性和准确性。为政府管理部门提供可信度高的数据支持,为DRG医保付费、绩效考核、医疗护理评价提供依据,并且保证了医疗、教学和科研的资料检索的准确性。
附图说明
图1为本发明的流程图。
具体实施方式
下面结合附图1对本发明做进一步说明。
一种基于原始诊断数据的疾病分类编码智能推荐方法,包括如下步骤:
(1)将原始诊断数据输入计算机。
(2)计算机对获取的原始诊断数据进行预处理操作。
(3)计算机对预处理后的诊断数据进行分词处理,将诊断数据切分成主导词集合和修饰词集合,分词处理后将分词所得的关键词在医学语义网络上进行联想转换处理,得到包含主导词转换集合及修饰词转换集合的全组合集。
分词处理,是指:将待分词诊断数据进行切分,得到由若干个关键词组成的集合,集合中包括主导词和修饰词。该步骤会根据不同分词方案产生多个分词集合,例如:原始诊断数据为上肢动脉血栓,分词后结果集为:
Setwords={{上肢动脉,血栓},{上肢,动脉血栓},{上肢,动脉,血栓}}
其中,上肢动脉、上肢、动脉为各自组合中的修饰词,血栓、动脉血栓为各自组合中的主导词。主导词,是指:疾病、异常症状、异常体征及异常组织等,如伤寒、咳嗽、游走脾等。修饰词,是指:主导词的属性,如部位、方位、疾病程度及性质分型等。如上肢、左侧、重度、急性等。
联想转换处理是指:将分词所得关键词在医学语义网络上进行联想转换,分别得到主导词和修饰词的所有转换可能集合,然后将主导词转换集合与修饰词转换集合进行全组合。例如:前臂挫伤,首先经过分词处理后得到分词结果集Setwords={前臂,挫伤},然后进行语义联想转换处理:前臂转换集合为Set前臂={前臂,上肢,四肢,肢体};挫伤转换集合为Set挫伤={挫伤,浅表损伤,损伤},最后进行主导词转换集合和修饰词转换集合全组合,得到12个组合关键词集组成的全组合集如下:
SETtotal={
{前臂,挫伤},{前臂,浅表损伤},{前臂,损伤},
{上肢,挫伤},{上肢,浅表损伤},{上肢,损伤},
{四肢,挫伤},{四肢,浅表损伤},{四肢,损伤},
{肢体,挫伤},{肢体,浅表损伤},{肢体,损伤},
}
语义网络是一种用图表示知识的结构化方式。在一个语义网络中,信息被表达为一组节点,节点通过一组带标记的有向直线彼此相连,用于表示节点之间的关系。医学语义网路,是指语义网路的节点以医学领域概念为主体的网络。
(4)将全组合集中每种诊断关键词组合分别在若干匹配树汇聚而成的匹配森林中进行搜索,将诊断关键词组合与匹配树叶子集合求交集,选取交集非空的匹配树作为待选推荐集,若交集为空,则不做推荐。匹配森林,是由若干个匹配树汇聚而成。所述匹配树,由树根、树干、树枝和树叶组成。匹配树的树根是疾病标准编码(ICD编码);树干是诊断名称;树枝是诊断名称的具体组成部分;树叶是诊断拆分的主导词和修饰词。
(5)按照诊断关键词组合和匹配树叶子集交集中的元素个数n将待选推荐集进行降序排列,如果降序排列中不存在并列排序,则将此降序排列顺序作为匹配树推荐顺序列表L,如果降序排列中存在并列排序,则执行步骤f)。
(6)根据公式计算匹配树关键词匹配率P,式中nkey为全组合集中每种诊断关键词组合的元素个数,ntree为匹配树叶子集元素个数,将匹配树关键词匹配率P进行升序排列,如果升序排列中不存在并列排序,则将此升序排列作为匹配树推荐顺序列表L,如果升序排列存在并列排序,则执行步骤g)。
(7)通过公式计算原始诊断数据与匹配树的相似度s,式中n为匹配的关键词的个数,d(k)为第k个关键词转换的路径长度,将相似度s进行降序排列,降序排列作为匹配树推荐顺序列表L。原始诊断数据与匹配树的相似度是指医学语义网络上语义的转换具有转换距离,即为关键词转换的路径长度,将各诊断关键词到匹配树叶子关键词的路径长度进行累乘并求自然对数,即得到诊断数据与匹配树的相似度s。
(8)对匹配元素个数n、匹配树关键词匹配率P及原始诊断数据与匹配树的相似度s进行编码准确性评估,得到推荐顺序列表L中每个推荐编码对应的准确性评估结果R。
通过以上疾病分类编码智能推荐方法得到的推荐列表L以及准确性评估结果R,相当于为每个医生配备了一个编码员,负责帮助医生检索合适的诊断,解决了医生输入诊断的用语不受约束限制,无医学词汇标准可参照导致的同一诊断概念却有数种诊断名称以及大量的不同具体写法,从而导致与标准诊断对照困难的问题。同时减少了编码员的工作量,提高了疾病编码的准确度和效率。诊断规范化后,编码员能快速合理的对诊断编码,节省了阅读病历的时间,提高了编码准确率。编码准确率的提高,为相关部门和应用提供了便利性和准确性。为政府管理部门提供可信度高的数据支持,为DRG医保付费、绩效考核、医疗护理评价提供依据,并且保证了医疗、教学和科研的资料检索的准确性。
进一步的,步骤a)中原始诊断数据为病历文件中的诊断数据和/或病案首页的出院诊断数据和/或病理诊断数据和/或外伤中毒的外因诊断数据。
进一步的,步骤b)中预处理操作为特殊字符的处理和/或异体字的转换处理和/或标点符号的处理。
步骤h)中的编码准确性评估方法包括如下步骤:
h-1)将元素个数n、匹配树关键词匹配率P及原始诊断数据与匹配树的相似度s分别进行归一化处理后得到向量X=(x1,x2,x3),其中x1为元素个数n的归一化结果,x2为匹配树关键词匹配率P的归一化结果,x3为原始诊断数据与匹配树的相似度s的归一化结果;
h-2)通过公式R=aTX进行加权求和计算,得到最终的准确性评估结果R,其中a=(a1,a2,a3),a1为元素个数n的加权系数,a2为匹配树关键词匹配率P的加权系数,a3为原始诊断数据与匹配树的相似度s的加权系数,aT为a的转置。
Claims (4)
1.一种基于原始诊断数据的疾病分类编码智能推荐方法,其特征在于,包括如下步骤:
a)将原始诊断数据输入计算机;
b)计算机对获取的原始诊断数据进行预处理操作;
c)计算机对预处理后的诊断数据进行分词处理,将诊断数据切分成主导词集合和修饰词集合,分词处理后将分词所得的关键词在医学语义网络上进行联想转换处理,得到包含主导词转换集合及修饰词转换集合的全组合集;
d)将全组合集中每种诊断关键词组合分别在若干匹配树汇聚而成的匹配森林中进行搜索,将诊断关键词组合与匹配树叶子集合求交集,选取交集非空的匹配树作为待选推荐集,若交集为空,则不做推荐;
e)按照诊断关键词组合和匹配树叶子集交集中的元素个数n将待选推荐集进行降序排列,如果降序排列中不存在并列排序,则将此降序排列顺序作为匹配树推荐顺序列表L,如果降序排列中存在并列排序,则执行步骤f);
f)根据公式计算匹配树关键词匹配率P,式中nkey为全组合集中每种诊断关键词组合的元素个数,ntree为匹配树叶子集元素个数,将匹配树关键词匹配率P进行升序排列,如果升序排列中不存在并列排序,则将此升序排列作为匹配树推荐顺序列表L,如果升序排列存在并列排序,则执行步骤g);
h)对匹配元素个数n、匹配树关键词匹配率P及原始诊断数据与匹配树的相似度S进行编码准确性评估,得到推荐顺序列表L中每个推荐编码对应的准确性评估结果R。
2.根据权利要求1所述的基于原始诊断数据的疾病分类编码智能推荐方法,其特征在于:步骤a)中原始诊断数据为病历文件中的诊断数据和/或病案首页的出院诊断数据和/或病理诊断数据和/或外伤中毒的外因诊断数据。
3.根据权利要求1所述的基于原始诊断数据的疾病分类编码智能推荐方法,其特征在于:步骤b)中预处理操作为特殊字符的处理和/或异体字的转换处理和/或标点符号的处理。
4.根据权利要求1所述的基于原始诊断数据的疾病分类编码智能推荐方法,其特征在于,步骤h)中的编码准确性评估方法包括如下步骤:
h-1)将元素个数n、匹配树关键词匹配率P及原始诊断数据与匹配树的相似度S分别进行归一化处理后得到向量X=(x1,x2,x3),其中x1为元素个数n的归一化结果,x2为匹配树关键词匹配率P的归一化结果,x3为原始诊断数据与匹配树的相似度S的归一化结果;
h-2)通过公式R=aTX进行加权求和计算,得到最终的准确性评估结果R,其中a=(a1,a2,a3),a1为元素个数n的加权系数,a2为匹配树关键词匹配率P的加权系数,a3为原始诊断数据与匹配树的相似度S的加权系数,aT为a的转置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911278451.0A CN111180062A (zh) | 2019-12-12 | 2019-12-12 | 基于原始诊断数据的疾病分类编码智能推荐方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911278451.0A CN111180062A (zh) | 2019-12-12 | 2019-12-12 | 基于原始诊断数据的疾病分类编码智能推荐方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111180062A true CN111180062A (zh) | 2020-05-19 |
Family
ID=70646251
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911278451.0A Pending CN111180062A (zh) | 2019-12-12 | 2019-12-12 | 基于原始诊断数据的疾病分类编码智能推荐方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111180062A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111625542A (zh) * | 2020-05-25 | 2020-09-04 | 泰康保险集团股份有限公司 | 过敏信息数据库建立方法及装置、存储介质及电子设备 |
CN111710431A (zh) * | 2020-06-17 | 2020-09-25 | 安徽科大讯飞医疗信息技术有限公司 | 一种识别同义诊断名称的方法、装置、设备及存储介质 |
CN111785387A (zh) * | 2020-07-02 | 2020-10-16 | 朱玮 | 一种使用Bert做疾病标准化映射分类的方法及系统 |
CN112802566A (zh) * | 2020-12-31 | 2021-05-14 | 医渡云(北京)技术有限公司 | 一种电子病历的编码方法及装置 |
CN112836512A (zh) * | 2021-01-27 | 2021-05-25 | 山东众阳健康科技集团有限公司 | 基于自然语义处理和知识图谱的icd-11编码检索方法 |
CN112836006A (zh) * | 2021-01-12 | 2021-05-25 | 山东众阳健康科技集团有限公司 | 一种多重诊断智能编码方法、系统、介质及设备 |
CN112861535A (zh) * | 2021-01-18 | 2021-05-28 | 山东众阳健康科技集团有限公司 | 一种基于诊疗数据的手术分类编码方法及系统 |
CN114255839A (zh) * | 2022-01-26 | 2022-03-29 | 广州天鹏计算机科技有限公司 | 一种医疗大数据治理系统及方法 |
CN114783596A (zh) * | 2022-06-17 | 2022-07-22 | 天津幸福生命科技有限公司 | 诊断数据识别方法及装置、电子设备、存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106844308A (zh) * | 2017-01-20 | 2017-06-13 | 天津艾登科技有限公司 | 一种使用语义识别进行自动化疾病编码转换的方法 |
CN107731269A (zh) * | 2017-10-25 | 2018-02-23 | 山东众阳软件有限公司 | 基于原始诊断数据和病历文件数据的疾病编码方法及系统 |
CN110491465A (zh) * | 2019-08-20 | 2019-11-22 | 山东众阳健康科技集团有限公司 | 基于深度学习的疾病分类编码方法、系统、设备及介质 |
-
2019
- 2019-12-12 CN CN201911278451.0A patent/CN111180062A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106844308A (zh) * | 2017-01-20 | 2017-06-13 | 天津艾登科技有限公司 | 一种使用语义识别进行自动化疾病编码转换的方法 |
CN107731269A (zh) * | 2017-10-25 | 2018-02-23 | 山东众阳软件有限公司 | 基于原始诊断数据和病历文件数据的疾病编码方法及系统 |
CN110491465A (zh) * | 2019-08-20 | 2019-11-22 | 山东众阳健康科技集团有限公司 | 基于深度学习的疾病分类编码方法、系统、设备及介质 |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111625542A (zh) * | 2020-05-25 | 2020-09-04 | 泰康保险集团股份有限公司 | 过敏信息数据库建立方法及装置、存储介质及电子设备 |
CN111710431A (zh) * | 2020-06-17 | 2020-09-25 | 安徽科大讯飞医疗信息技术有限公司 | 一种识别同义诊断名称的方法、装置、设备及存储介质 |
CN111710431B (zh) * | 2020-06-17 | 2023-12-22 | 讯飞医疗科技股份有限公司 | 一种识别同义诊断名称的方法、装置、设备及存储介质 |
CN111785387A (zh) * | 2020-07-02 | 2020-10-16 | 朱玮 | 一种使用Bert做疾病标准化映射分类的方法及系统 |
CN111785387B (zh) * | 2020-07-02 | 2024-06-11 | 朱玮 | 一种使用Bert做疾病标准化映射分类的方法及系统 |
CN112802566A (zh) * | 2020-12-31 | 2021-05-14 | 医渡云(北京)技术有限公司 | 一种电子病历的编码方法及装置 |
CN112836006B (zh) * | 2021-01-12 | 2022-09-23 | 山东众阳健康科技集团有限公司 | 一种多重诊断智能编码方法、系统、介质及设备 |
CN112836006A (zh) * | 2021-01-12 | 2021-05-25 | 山东众阳健康科技集团有限公司 | 一种多重诊断智能编码方法、系统、介质及设备 |
CN112861535A (zh) * | 2021-01-18 | 2021-05-28 | 山东众阳健康科技集团有限公司 | 一种基于诊疗数据的手术分类编码方法及系统 |
CN112861535B (zh) * | 2021-01-18 | 2023-11-14 | 众阳健康科技集团有限公司 | 一种基于诊疗数据的手术分类编码方法及系统 |
CN112836512A (zh) * | 2021-01-27 | 2021-05-25 | 山东众阳健康科技集团有限公司 | 基于自然语义处理和知识图谱的icd-11编码检索方法 |
CN114255839A (zh) * | 2022-01-26 | 2022-03-29 | 广州天鹏计算机科技有限公司 | 一种医疗大数据治理系统及方法 |
CN114783596A (zh) * | 2022-06-17 | 2022-07-22 | 天津幸福生命科技有限公司 | 诊断数据识别方法及装置、电子设备、存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111180062A (zh) | 基于原始诊断数据的疾病分类编码智能推荐方法 | |
CN111414393B (zh) | 一种基于医学知识图谱的语义相似病例检索方法及设备 | |
CN107731269B (zh) | 基于原始诊断数据和病历文件数据的疾病编码方法及系统 | |
CN107705839B (zh) | 疾病自动编码方法及系统 | |
CN109949936B (zh) | 一种基于深度学习混合模型的再住院风险预测方法 | |
CN107577826B (zh) | 基于原始诊断数据的疾病分类编码方法及系统 | |
US20220254493A1 (en) | Chronic disease prediction system based on multi-task learning model | |
CN109086805B (zh) | 一种基于深度神经网络和成对约束的聚类方法 | |
CN112183026B (zh) | Icd编码方法、装置、电子设备和存储介质 | |
CN111709233A (zh) | 基于多注意力卷积神经网络的智能导诊方法及系统 | |
CN112655047B (zh) | 对医学记录分类的方法 | |
CN111968741A (zh) | 基于深度学习与集成学习的糖尿病并发症高危预警系统 | |
CN110321556A (zh) | 一种医生诊疗医保控费智能推荐方案的方法及其系统 | |
WO2021223449A1 (zh) | 一种菌群标记物的获取方法、装置、终端及存储介质 | |
CN115083550B (zh) | 基于多源信息的病人相似度分类方法 | |
CN112183104A (zh) | 编码推荐方法、系统及相应设备和存储介质 | |
CN113435200A (zh) | 实体识别模型训练、电子病历处理方法、系统及设备 | |
WO2014130287A1 (en) | Method and system for propagating labels to patient encounter data | |
CN117542467B (zh) | 基于患者数据的专病标准数据库自动构建方法 | |
CN113284627A (zh) | 基于患者表征学习的用药推荐方法 | |
CN112836006B (zh) | 一种多重诊断智能编码方法、系统、介质及设备 | |
CN114783446B (zh) | 一种基于对比预测编码的语音识别方法及系统 | |
CN116403706A (zh) | 一种融合知识扩展和卷积神经网络的糖尿病预测方法 | |
CN114780738A (zh) | 基于不同应用场景的医学影像检查项目名称标准化方法及系统 | |
CN114822734A (zh) | 基于循环卷积神经网络的中医病案分析方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200519 |