CN111180062A - 基于原始诊断数据的疾病分类编码智能推荐方法 - Google Patents

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

基于原始诊断数据的疾病分类编码智能推荐方法

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n_key为全组合集中每种诊断关键词组合的元素个数，n_tree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)；

g)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；

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＝a^TX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，a^T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：

Set_words＝{{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Set_words＝{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：

SET_total＝{

{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n_key为全组合集中每种诊断关键词组合的元素个数，n_tree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＝a^TX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，a^T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n_key为全组合集中每种诊断关键词组合的元素个数，n_tree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)；

g)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；

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＝a^TX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，a^T为a的转置。

Images