CN111370127B - 一种基于知识图谱的跨科室慢性肾病早期诊断决策支持系统 - Google Patents

一种基于知识图谱的跨科室慢性肾病早期诊断决策支持系统 Download PDF

Info

Publication number
CN111370127B
CN111370127B CN202010039000.8A CN202010039000A CN111370127B CN 111370127 B CN111370127 B CN 111370127B CN 202010039000 A CN202010039000 A CN 202010039000A CN 111370127 B CN111370127 B CN 111370127B
Authority
CN
China
Prior art keywords
patient
record
patient information
information model
graph
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.)
Active
Application number
CN202010039000.8A
Other languages
English (en)
Other versions
CN111370127A (zh
Inventor
李劲松
尚勇
田雨
辛然
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.)
Zhejiang Lab
Original Assignee
Zhejiang Lab
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 Zhejiang Lab filed Critical Zhejiang Lab
Priority to CN202010039000.8A priority Critical patent/CN111370127B/zh
Publication of CN111370127A publication Critical patent/CN111370127A/zh
Priority to PCT/CN2021/071825 priority patent/WO2021143779A1/zh
Priority to US17/541,301 priority patent/US11568996B2/en
Application granted granted Critical
Publication of CN111370127B publication Critical patent/CN111370127B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
    • 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
    • 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
    • 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)
  • Biomedical Technology (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Pathology (AREA)
  • Databases & Information Systems (AREA)
  • Medical Treatment And Welfare Office Work (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种基于知识图谱的跨科室慢性肾病早期诊断决策支持系统，包括患者信息模型建立模块、患者信息模型库存储模块、知识图谱关联模块、知识图谱推理模块和决策支持反馈模块；本发明通过构建患者信息模型，利用OMOP CDM标准术语体系，将患者电子病历数据建构为概念编码统一、语义结构统一的患者信息模型；发挥语义技术在数据交互性和可扩展性的优势，使得该系统对不同医院的异构数据有较好的适应性和扩展性。同时，基于知识图谱知识推理得出的临床建议，来源均为符合循证医学的临床指南和医师经验，推理流程和建议原因通过构建推理实例可以追溯获取，从而能够在给出临床建议的同时给出推理过程和建议原因，提升医师对决策支持建议的信任度。

Description

一种基于知识图谱的跨科室慢性肾病早期诊断决策支持系统
技术领域
本发明涉及知识图谱技术及慢病早期诊断决策支持技术，尤其涉及一种基于知识图谱的跨科室慢性肾病早期诊断决策支持系统。
背景技术
慢性肾脏(CKD)是严重危害人类健康的重大慢性疾病，会显著增加心血管疾病的发病率和死亡率。我国流行病学调查显示CKD患病率已高达10.8％，据此估算我国CKD患者已超过1亿人。然而调查显示我国基层医院和非肾科医生对肾脏疾病表现的认识和知晓率较低：普通人群对慢性肾病的知晓率仅有12.5％，而治疗率低至7.5％。国际上的研究显示非肾病科基层医生对慢性肾病诊疗知识认知程度也仅有30％。非肾病科医师对慢性肾病的认知缺乏，导致许多慢性肾病患者不能及时发现病情，造成终末期肾病和心血管疾病风险上升，带来巨大的医疗负担。因此，需要研究面向非肾病科医师的跨科室慢性肾病早期诊断临床决策支持方法及系统，辅助非肾病科医师及时发现患者慢性肾病风险，提升慢行肾病的知晓率和治疗率。
现有的慢性肾病早期诊断决策支持的主要技术方案有两类：一种是基于电子病历的专家系统，通过设定一定的慢性肾病指标判定规则，结合电子病历数据进行慢性肾病诊断预警。另一种是基于机器学习技术，利用支持向量机(SVM)、卷积神经网络(RNN)等算法，提供辅助支持。如对患者临床检查指标进行建模评估，给出慢性肾病风险；通过分析患者相似病例，向医师提供相似性强的慢性肾病既往病例等。
现有的慢性肾病早期诊断决策支持技术存在以下问题：(1)当前基于电子病历的专家系统往往与医院电子病历系统深度整合，使用特定的数据结构和医学术语体系，从而导致其扩展性和移植性较差，往往不能适用于多家不同医院；同时，既定诊断规则扩展困难，无法及时随慢性肾病临床指南变化而及时更新。(2)基于机器学习的辅助支持，需要输入大量患者临床检查和诊断数据作为模型训练特征，而患者电子病历数据往往缺乏充足的检查结果，导致机器学习模型的适用性差；此外，机器学习模型无法给出明确的诊断原因，只能提供风险等级，造成临床医师对系统的信任度不足。
发明内容
本发明的目的在于针对现有技术的不足，提供一种基于知识图谱的跨科室慢性肾病早期诊断决策支持系统，帮助非肾病科医生及时发现慢性肾病漏诊患者和高风险患者，提高系统的可扩展性和适应性。本发明将医学知识图谱技术同电子病历有机结合，通过构建慢性肾病早期诊治医学知识图谱，并依此将复杂的电子病历数据转化为以患者为中心的图谱化患者信息模型，提供慢性肾病早期诊断决策支持。知识图谱具有强数据交互能力和强扩展能力，对医学概念提供规范化表达；通过语义映射可以适配多医院异构化电子病历数据结构和术语体系，从而实现决策支持系统在多家医院的应用。知识图谱通过语义推理给出决策支持结论，其推理路径可全程追溯，在给出临床建议的同时，能提供语义推理对应的的指南标准和专家经验，给出临床建议的原因，从而提升医师对系统的信任度。
本发明的目的是通过以下技术方案实现的：一种基于知识图谱的跨科室慢性肾病早期诊断决策支持系统，该系统包括患者信息模型建立模块、患者信息模型库存储模块、知识图谱关联模块、知识图谱推理模块和决策支持反馈模块；
所述患者信息模型建立模块：基于患者电子病历数据，根据慢性肾病知识图谱语义结构和OMOP CDM数据结构，建立以患者为中心的患者电子病历数据知识子图谱，形成患者信息模型。
所述患者信息模型库存储模块为患者信息模型保存和调用提供支持；通过建立知识图谱数据库对RDF三元组形式的患者信息模型进行存储，并通过SPARQL终端提供患者信息模型的查询和修改接口；针对慢性肾病早期诊断所需患者数据内容和结构，构建SPARQL查询语句模板，提供通用的患者信息模型调取方法，以支持知识图谱的决策支持推理。
所述知识图谱关联模块丰富患者信息模型的语义信息，将患者信息模型中零散的临床记录RDF三元组，按照真实世界临床诊疗流程顺序进行关联；并基于慢性肾病知识图谱中的医疗概念关系，对各项医疗检查、临床主诉和处方记录实例同临床发现、临床诊断和疾病风险进行关联。
所述知识图谱推理模块基于患者信息模型中的临床记录RDF三元组关系，以及慢性肾病知识图谱中的临床建议推理规则，对患者慢性肾病诊断缺失、疾病风险诊断缺失、疾病随访要求缺失和处方调整等内容进行推理，基于推理结果提供相应的临床诊断建议、风险建议、随访要求建议和处方调整建议。
所述决策支持反馈模块将知识图谱推理模块提供的临床诊断建议、风险建议、随访要求建议和处方调整建议，以及包含上述建议推理过程的临床建议报告反馈给医师。
进一步地，所述患者信息模型建立模块中，模型的建立包括两个流程，患者数据分析和患者数据RDF语义转换：
(1)患者数据分析流程：针对患者电子病历数据，依据慢性肾病知识图谱以及OMOPCDM的标准术语编码和结构，将患者数据分为多个层级结构。对于每一个患者P，存在多次就诊记录Vi(i＝1…n)，有
Figure BDA0002367057890000021
其中
Figure BDA0002367057890000022
每一项就诊记录Vi跨越时间段T，患者数据中的任一诊断记录D、检查记录M、处方记录Pr和操作记录Pc等信息，其记录时间处于时间段T内时，有
Figure BDA0002367057890000031
从D、M、Pr和Pc的子项抽取数据中的概念编码、关系类型、值类型和值信息。
(2)患者数据RDF语义转换流程：基于患者数据分析结果和慢性肾病知识图谱语义结构，将患者电子病历数据构建为符合OWL语言规范的RDF三元组关系，并通过语义映射完成数据字段向标准OMOP CDM术语编码的转换。对于患者数据中的每一个患者P、就诊记录V、检查记录M和处方记录Pr，以其数据ID作为URI构建本体实例，形成对应实例图；对每一个患者实例Pind、就诊记录实例Vind、检查记录实例Mind和处方记录实例Prind，构建对应的本体类关系，形成对应类图；基于患者数据分析截取的层级关系，通过本体关系属性建立患者实例Pind同就诊记录实例Vind的关联，就诊记录实例Vind同检查记录实例Mind的关联，以及就诊记录实例Vind同处方记录实例Prind的关联，形成患者数据关系图和就诊记录关系图；对于每一项诊断记录D和操作记录Pc，建立其相关就诊记录实例Vind同疾病本体类和操作记录本体类的关系，形成对应类图。患者数据通过上述规则构建为RDF三元组数据，形成患者信息模型。
进一步地，所述患者信息模型库存储模块分为Jena TDB存储终端、Jena FusekiSPARQL终端和控制终端三部分；
Jena TDB存储终端用于构建知识图谱数据库存储RDF三元组形式的患者信息模型。所有转换为RDF三元组形式的患者信息模型，均以<s,p,o>形式记录为符合OWL语言规则的N-Triple数据文件；通过Jena TDB Loader工具对RDF三元组数据集合进行图谱化存储转换，并针对RDF三元组的头部元素S、关系元素P和尾部元素O建立索引提升查询速度。
Jena Fuseki SPARQL终端用于构建RDF三元组查询和修改接口。Jena FusekiSPARQL终端调用Jena TDB存储内容，通过W3C标准SPARQL查询语句对患者信息模型进行调用和修改；Jena Fuseki SPARQL终端构建在Tomcat服务器中，通过HTTP请求监听SPARQL查询请求并反馈相应结果。
控制终端提供针对患者信息模型的目标性查询修改功能，根据患者信息模型结构和知识图谱推理需求，预置SPARQL查询语句模版，向Jena Fuseki SPARQL终端发送请求并格式化输出结果。针对每一个患者Pind，按照其患者信息模型中的临床记录，查询患者数据关系图的结果；并基于反馈的就诊记录实例Vind，查询就诊记录关系图的结果；最后根据检查记录实例Mind和操作记录实例Prind查询数值属性信息。控制终端基于上述原则设置SPARQL查询语句，并建立结果图谱进行反馈。
进一步地，所述知识图谱关联模块的实现流程如下：
定义慢性肾病知识图谱为G＝(V,A)，定义患者信息模型G'＝(V',A')，G和G'为两个有向图，V和V'为图中的节点，A和A'为图中的有向边。知识图谱关联模块基于图G中的关系，对图G'的V'和A'进行补全。对于任一v∈V和任一v'∈V'，计算其节点相似度sim(v,v')和sim'(v',v)，相似度计算通过cos相似度进行；同时根据节点v和v'的标准概念编码层级关系进行相似度匹配。记相似节点对b＝min|sim(vi,vj')-sim'(vj',vi)|,其集合为b∈B，B中包含的节点对vi和vj即为候选关联节点对。针对候选关联节点对，计算节点的语义关联相似度，并根据相似关联为患者信息模型补充三元组关系，完善信息。对于节点V和有向边A，建立三元组(vi,a,vj)∈V×A×V，其中(vi,a,vj)符合G＝(V,A)图关系。其语义关联计算计为rel(v,a)＝{x|v,x∈V∧(v,a,x)∈A}。对于每一个患者信息模型节点vi'，计算其对应知识图谱节点v的sim(v,vi)，(v,vi)∈V且vi≠v。取sim(v,vi)大于阈值k的所有节点对v和vi，若v和vi符合rel(v,a)关系，则为患者信息模型节点vi'添加<vi',a,vi>三元组关联，实现患者信息模型基于慢性肾病知识图谱的语义信息补全。
进一步地，所述知识图谱推理模块的实现流程如下：
首先调出患者信息模型，解析其中RDF三元组关系；同时从慢性肾病知识图谱中建立推理本体副本On，根据患者信息模型中各实例S及其所属本体类C，将实例构建到推理本体副本On对应的本体类C'中；抽取患者信息模型中各实例S及其相互间关系图R，得到<si,r,sj>三元组，(si,sj)∈S,r∈R，在推理本体副本On中进行复现构建；抽取患者信息模型中各实例S及其数值属性关系Rs和属性值Va，得到<s,rs,va>三元组，其中s∈S,rs∈Rs，va∈Va，在推理本体副本On中进行复现构建。上述步骤构建完成包含患者信息的慢性肾病知识图谱推理本体副本On，提供语义推理的基础元素。
之后基于慢性肾病知识图谱中的OWL2 DL规则，使用Fact++推理机，根据推理本体副本On中的患者信息，对患者实例SP、就诊记录实例SV、检查记录实例SM和处方记录实例SPr进行本体类所属关系补全和缺失关系属性建立。对肾小球滤过率异常的检查记录实例、包含可能损伤肾功能的药物的处方记录实例、包含慢性肾病症状主诉的就诊记录实例等患者信息模型中的数据，根据慢性肾病知识图谱中的OWL2 DL规则，向慢性肾病风险本体类进行关联；对包含异常检查记录实例SM'和处方记录实例SPr'的就诊记录实例SV'建立关系属性关联，标示就诊记录中的异常记录。
依照慢性肾病临床指南制定的Jean Rules规则，使用Jena推理机，通过语义推理，基于患者信息模型中的实例数据和实例相互关系，建立患者实例SP和就诊记录实例SV同慢性肾病知识图谱中的疾病诊断、风险因子、随访方案、药物调整方案等临床建议实例Sre的关联，从而形成基于患者病情的临床建议内容。依照慢性肾病临床指南制定的Jean Rules规则，分为慢性肾病诊断规则、慢性肾病风险分级规则、慢性肾病肾功能随访筛查规则和慢性肾病处方调整规则；上述规则基于Jena Rules标准语言编写，按照[规则名:(三元组1)(三元组2)……运算符1(运算项)运算符2(运算项)……—>(三元组N)(三元组N+1)……]的范式建立。根据临床指南中慢性肾病诊断、风险分级、随访筛查和处方调整规范，将包含患者医学检查结果、主诉症状、疾病史、处方等信息的RDF三元组作为条件建立在箭头左侧，通过运算符和运算项对检查结果数值等进行判定，并将符合箭头左侧条件情况下对应的疾病诊断、风险分级、随访筛查和处方调整RDF三元组建立在箭头右侧。Jena推理机将根据患者信息模型中的患者实例SP对应的RDF三元组信息基于箭头左侧要求进行推理，向符合规则患者实例SP添加箭头右侧的决策支持建议内容RDF三元组。
根据Fact++推理机和Jena推理机触发的推理规则，建立推理实例SR,推理实例SR用于记录推理涉及的临床指南中的临床知识；将推理实例SR同推理规则涉及的就诊记录实例SV、检查记录实例SM和处方记录SPr建立关系属性，从而为临床建议建立推理结果关联，提供建议原因推理过程记录。
进一步地，所述决策支持反馈模块的实现具体如下：
通过预置的SPARQL查询语句对规则推理本体On中患者实例SP的所属类、关系属性和数值属性内容进行查询，对得到的RDF图结果进行解析，提取RDF三元组中尾部节点相关信息(概念编码，概念名称，数值，文本信息等),从而得到患者新建立的慢性肾病诊断、风险、随访建议和处方调整建议实例Sre；从Sre中获取推理模块新建立的慢性肾病诊断、风险、随访建议和处方调整建议，同时结合患者实例SP和建议实例SRE对应的推理实例SR中记录的推理路径关系，形成包含推理过程的临床建议报告向医师进行反馈。
本发明的有益效果是：本发明通过构建患者信息模型，利用OMOP CDM标准术语体系，将患者电子病历数据建构为概念编码统一、语义结构统一的患者信息模型；发挥语义技术在数据交互性和可扩展性的优势，使得该慢性肾病早期诊断决策支持技术对不同医院的异构数据有较好的适应性和扩展性。同时，基于知识图谱知识推理得出的临床建议，来源均为符合循证医学的临床指南和医师经验，推理流程和建议原因通过构建推理实例可以追溯获取，从而能够在给出临床建议的同时给出推理过程和建议原因，提升医师对决策支持建议的信任度。
附图说明
图1为本发明系统的结构框架图；
图2为患者信息模型结构；
图3为患者信息模型库存储模块结构图；
图4为知识图谱推理模块结构图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步详细说明。
如图1所示，本发明提供的一种基于知识图谱的跨科室慢性肾病早期诊断决策支持系统，该系统包括患者信息模型建立模块、患者信息模型库存储模块、知识图谱关联模块、知识图谱推理模块和决策支持反馈模块；
患者信息模型建立模块：基于患者电子病历数据，根据慢性肾病知识图谱(Chronic Kidney Disease Ontology,CKDO)语义结构和Observational MedicalOutcomes Partnership Common Data Model(OMOP CDM)数据结构，建立以患者为中心的患者电子病历数据知识子图谱，形成患者信息模型；提升系统适用性和移植性，并为知识图谱推理提供标准化的患者数据模型和结构。模型的建立包括两个流程，患者数据分析和患者数据RDF语义转换：
(1)患者数据分析流程：针对患者电子病历数据，依据慢性肾病知识图谱以及OMOPCDM的标准术语编码和结构，将患者数据分为多个层级结构。对于每一个患者P，存在多次就诊记录Vi(i＝1…n)，有
Figure BDA0002367057890000061
其中
Figure BDA0002367057890000062
每一项就诊记录Vi跨越时间段T，患者数据中的任一诊断记录D、检查记录M、处方记录Pr和操作记录Pc等信息，其记录时间处于时间段T内时，有
Figure BDA0002367057890000063
从D、M、Pr和Pc的子项抽取数据中的概念编码、关系类型、值类型和值信息。
(2)患者数据RDF语义转换流程：基于患者数据分析结果和慢性肾病知识图谱语义结构，将患者电子病历数据构建为符合OWL(Web Ontology Language)语言规范的RDF(Resource Description Framework)三元组关系，并通过语义映射完成数据字段向标准OMOP CDM术语编码的转换。对于患者数据中的每一个患者P、就诊记录V、检查记录M和处方记录Pr，以其数据ID作为URI(Uniform Resource Identifier)构建本体实例(owl:Individual)，形成对应实例图Pind＝<P,rdf:type,owl:Individual>∈SP(以患者实例为例)；对每一个患者实例Pind、就诊记录实例Vind、检查记录实例Mind和处方记录实例Prind，构建对应的本体类(owl:Class)关系，形成对应类图<Pind,rdf:type,ckded:Patient>∈CP(以患者实例为例)；基于患者数据分析截取的层级关系，通过本体关系属性(owl:ObjectProperty)建立患者实例Pind同就诊记录实例Vind的关联，就诊记录实例Vind同检查记录实例Mind的关联，以及就诊记录实例Vind同处方记录实例Prind的关联，形成患者数据关系图<Pind,ckded:hasVisit,Vind>∈R和就诊记录关系图<Vind,ckded:hasMeasurement,Mind>；对于每一项诊断记录D和操作记录Pc，建立其相关就诊记录实例Vind同疾病本体类(如<ckded:ChronicKidneyDisease,rdf:type,owl:Class>)和操作记录本体类的关系，形成对应类图<Vind,rdf:type,ckded:ChronicKidneyDisease>∈CD(以诊断类为例)。患者数据通过上述规则构建为RDF三元组数据，形成患者信息模型
Figure BDA0002367057890000064
Figure BDA0002367057890000065
RDF三元组形式的患者信息模型如图2所示。
患者信息模型库存储模块：为患者信息模型保存和调用提供通用的、高效的系统支持；通过建立知识图谱数据库对RDF三元组形式的患者信息模型进行存储，并通过SPARQL终端提供患者信息模型的查询和修改接口；针对慢性肾病早期诊断所需患者数据内容和结构，构建SPARQL查询语句模板，提供通用的患者信息模型调取方法，以支持知识图谱的决策支持推理。患者信息模型库存储模块分为Jena TDB存储终端、Jena Fuseki SPARQL终端和控制终端三部分，其结构如图3所示。
Jena TDB存储终端用于构建知识图谱数据库存储RDF三元组形式的患者信息模型。所有转换为RDF三元组形式的患者信息模型，均以<s,p,o>形式记录为符合OWL语言规则的N-Triple数据文件；通过Jena TDB Loader工具对RDF三元组数据集合进行图谱化存储转换，并针对RDF三元组的头部元素S、关系元素P和尾部元素O建立索引提升查询速度。
Jena Fuseki SPARQL终端用于构建RDF三元组查询和修改接口。Jena FusekiSPARQL终端调用Jena TDB存储内容，通过W3C标准SPARQL查询语句对患者信息模型进行调用和修改；Jena Fuseki SPARQL终端构建在Tomcat服务器中，通过HTTP请求监听SPARQL查询请求并反馈相应结果。
控制终端提供针对患者信息模型的目标性查询修改功能，根据患者信息模型结构和知识图谱推理需求，预置SPARQL查询语句模版，向Jena Fuseki SPARQL终端发送请求并格式化输出结果。针对每一个患者Pind，按照其患者信息模型中的临床记录，查询患者数据关系图<Pind,ckded:hasVisit,Vind>的结果；并基于反馈的就诊记录实例Vind，查询就诊记录关系图<Vind,ckded:hasMeasurement,Mind>、<Vind,ckded:hasPrescription,Prind>的结果；最后根据检查记录实例Mind和操作记录实例Prind查询数值属性信息，如<Mind,ckded:UA,4.5^^xsd:float>。控制终端基于上述原则设置SPARQL查询语句，并建立结果图谱进行反馈。
知识图谱关联模块：丰富患者信息模型的语义信息，将患者信息模型中零散的临床记录RDF三元组，按照真实世界临床诊疗流程顺序进行关联；并基于慢性肾病知识图谱中的医疗概念关系，对各项医疗检查、临床主诉和处方记录实例同临床发现、临床诊断和疾病风险进行关联。知识图谱关联模块的实现流程如下：
定义慢性肾病知识图谱为G＝(V,A)，定义患者信息模型G'＝(V',A')，G和G'为两个有向图，V和V'为图中的节点，A和A'为图中的有向边。知识图谱关联模块基于图G中的关系，对图G'的V'和A'进行补全。对于任一v∈V和任一v'∈V'，计算其节点相似度sim(v,v')和sim'(v',v)，相似度计算通过cos相似度进行；同时根据节点v和v'的标准概念编码层级关系进行相似度匹配。记相似节点对b＝min|sim(vi,vj')-sim'(vj',vi)|,其集合为b∈B，B中包含的节点对vi和vj即为候选关联节点对。针对候选关联节点对，计算节点的语义关联相似度，并根据相似关联为患者信息模型补充三元组关系，完善信息。对于节点V和有向边A，建立三元组(vi,a,vj)∈V×A×V，其中(vi,a,vj)符合G＝(V,A)图关系。其语义关联计算计为rel(v,a)＝{x|v,x∈V∧(v,a,x)∈A}。对于每一个患者信息模型节点vi'，计算其对应知识图谱节点v的sim(v,vi)，(v,vi)∈V且vi≠v。取sim(v,vi)大于阈值k的所有节点对v和vi，若v和vi符合rel(v,a)关系，则为患者信息模型节点vi'添加<vi',a,vi>三元组关联，实现患者信息模型基于慢性肾病知识图谱的语义信息补全。
知识图谱推理模块：基于患者信息模型中的临床记录RDF三元组关系，和慢性肾病知识图谱中的临床建议推理规则，对患者慢性肾病诊断缺失、疾病风险诊断缺失、疾病随访要求缺失和处方调整等内容进行推理，基于推理结果提供相应的临床诊断建议、风险建议、随访要求建议和处方调整建议。知识图谱推理模块结构如图4所示，实现流程如下：
首先调出患者信息模型，解析其中RDF三元组关系；同时从慢性肾病知识图谱中建立推理本体副本On，根据患者信息模型中各实例S及其所属本体类C，将实例构建到推理本体副本On对应的本体类C'中；抽取患者信息模型中各实例S及其相互间关系图R，得到<si,r,sj>三元组，(si,sj)∈S,r∈R，在推理本体副本On中进行复现构建；抽取患者信息模型中各实例S及其数值属性关系Rs和属性值Va，得到<s,rs,va>三元组，其中s∈S,rs∈Rs，va∈Va，在推理本体副本On中进行复现构建。上述步骤构建完成包含患者信息的慢性肾病知识图谱推理本体副本On，提供语义推理的基础元素。
之后基于慢性肾病知识图谱中的OWL2 DL规则，使用Fact++推理机，根据推理本体副本On中的患者信息，对患者实例SP、就诊记录实例SV、检查记录实例SM和处方记录实例SPr进行本体类所属关系补全和缺失关系属性建立。对肾小球滤过率异常的检查记录实例、包含可能损伤肾功能的药物的处方记录实例、包含慢性肾病症状主诉的就诊记录实例等患者信息模型中的数据，根据慢性肾病知识图谱中的OWL2 DL规则，向慢性肾病风险本体类进行关联；对包含异常检查记录实例SM'和处方记录实例SPr'的就诊记录实例SV'建立关系属性关联，标示就诊记录中的异常记录。
依照慢性肾病临床指南制定的Jean Rules规则，使用Jena推理机，通过语义推理，基于患者信息模型中的实例数据和实例相互关系，建立患者实例SP和就诊记录实例SV同慢性肾病知识图谱中的疾病诊断、风险因子、随访方案、药物调整方案等临床建议实例Sre的关联，从而形成基于患者病情的临床建议内容。依照慢性肾病临床指南制定的Jean Rules规则，分为慢性肾病诊断规则、慢性肾病风险分级规则、慢性肾病肾功能随访筛查规则和慢性肾病处方调整规则；上述规则基于Jena Rules标准语言编写，按照[规则名:(三元组1)(三元组2)……运算符1(运算项)运算符2(运算项)……—>(三元组N)(三元组N+1)……]的范式建立；规则的医学知识来源为《KDIGO 2012Clinical Practice Guideline》、《PracticalApproach to Detection and Management of Chronic Kidney Disease for thePrimary Care Clinician》和《Detection and Evaluation of Chronic Kidney Disease》等慢性肾病临床指南。根据临床指南中慢性肾病诊断、风险分级、随访筛查和处方调整规范，将包含患者医学检查结果、主诉症状、疾病史、处方等信息的RDF三元组作为条件建立在箭头左侧，通过运算符和运算项对检查结果数值等进行判定，并将符合箭头左侧条件情况下对应的疾病诊断、风险分级、随访筛查和处方调整RDF三元组建立在箭头右侧。Jena推理机将根据患者信息模型中的患者实例SP对应的RDF三元组信息基于箭头左侧要求进行推理，向符合规则患者实例SP添加箭头右侧的决策支持建议内容RDF三元组。
根据Fact++推理机和Jena推理机触发的推理规则，建立推理实例SR,推理实例SR用于记录推理涉及的临床指南中的临床知识；将推理实例SR同推理规则涉及的就诊记录实例SV、检查记录实例SM和处方记录SPr建立关系属性，从而为临床建议建立推理结果关联，提供建议原因推理过程记录。
除了使用Fact++和Jena推理机进行规则推理，推理机还可以替换为诸如HermiT推理机、ELK推理机和Pellet推理机等；推理机的更换只是改变了实现语义推理过程使用的工具。
决策支持反馈模块：将知识图谱推理模块提供的临床诊断建议、风险建议、随访要求建议和处方调整建议，以及包含上述建议推理过程的临床建议报告反馈给医师。决策支持反馈模块的实现具体如下：
通过预置的SPARQL查询语句对规则推理本体On中患者实例SP的所属类、关系属性和数值属性内容进行查询，对得到的RDF图结果进行解析，提取RDF三元组中尾部节点相关信息(概念编码，概念名称，数值，文本信息等),从而得到患者新建立的慢性肾病诊断、风险、随访建议和处方调整建议实例Sre；从Sre中获取推理模块新建立的慢性肾病诊断、风险、随访建议和处方调整建议，同时结合患者实例SP和建议实例SRE对应的推理实例SR中记录的推理路径关系，形成包含推理过程的临床建议报告向医师进行反馈。
本发明基于慢性肾病早期诊断知识图谱语义结构和OMOP CDM数据模型，将患者电子病历数据转换为语义化的患者信息模型，统一概念编码和语义结构；从而实现对不同医院异构医疗数据的语义标准化，提升系统适应性和扩展性。基于本体匹配对患者信息模型进行知识关联，将独立分散的患者数据同知识图谱中的慢性肾病临床知识进行整合，丰富患者信息模型，导入临床过程关联，为语义推理提供知识和数据基础。使用Fact++推理机和Jena推理机，基于知识图谱中的慢性肾病早期诊断临床建议规则，从OWL2公理和Jean复杂规则两个角度进行语义推理，分析患者的慢性肾病诊断结果、风险等级、随访要求和处方调整要求。推理过程构建推理流程实例，记录推理路径和建议原因，在提供临床建议的同时给出建议原因和推理过程，提升医师使用的信任度。本发明利用知识图谱的知识明示化特点、强数据交互性特点和强扩展性特点，针对慢性肾病早期诊断提供有效支持。
以上仅为本发明的实施实例，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，不经过创造性劳动所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。

Claims (6)

1.一种基于知识图谱的跨科室慢性肾病早期诊断决策支持系统，其特征在于，该系统包括患者信息模型建立模块、患者信息模型库存储模块、知识图谱关联模块、知识图谱推理模块和决策支持反馈模块；
所述患者信息模型建立模块：基于患者电子病历数据，根据慢性肾病知识图谱语义结构和OMOP CDM数据结构，建立以患者为中心的患者电子病历数据知识子图谱，形成患者信息模型；
所述患者信息模型库存储模块为患者信息模型保存和调用提供支持；通过建立知识图谱数据库对RDF三元组形式的患者信息模型进行存储，并通过SPARQL终端提供患者信息模型的查询和修改接口；针对慢性肾病早期诊断所需患者数据内容和结构，构建SPARQL查询语句模板，提供通用的患者信息模型调取方法，以支持知识图谱的决策支持推理；
所述知识图谱关联模块丰富患者信息模型的语义信息，将患者信息模型中零散的临床记录RDF三元组，按照真实世界临床诊疗流程顺序进行关联；并基于慢性肾病知识图谱中的医疗概念关系，对各项医疗检查、临床主诉和处方记录实例同临床发现、临床诊断和疾病风险进行关联；
所述知识图谱推理模块基于患者信息模型中的临床记录RDF三元组关系，以及慢性肾病知识图谱中的临床建议推理规则，对患者慢性肾病诊断缺失、疾病风险诊断缺失、疾病随访要求缺失和处方调整内容进行推理，基于推理结果提供相应的临床诊断建议、风险建议、随访要求建议和处方调整建议；
所述决策支持反馈模块将知识图谱推理模块提供的临床诊断建议、风险建议、随访要求建议和处方调整建议，以及包含上述建议推理过程的临床建议报告反馈给医师。
2.根据权利要求1所述的一种基于知识图谱的跨科室慢性肾病早期诊断决策支持系统，其特征在于，所述患者信息模型建立模块中，模型的建立包括两个流程，患者数据分析和患者数据RDF语义转换：
(1)患者数据分析流程：针对患者电子病历数据，依据慢性肾病知识图谱以及OMOP CDM的标准术语编码和结构，将患者数据分为多个层级结构；对于每一个患者P，存在多次就诊记录Vi(i＝1…n)，有
Figure FDA0003585924720000011
其中
Figure FDA0003585924720000012
每一项就诊记录Vi跨越时间段T，患者数据中的任一诊断记录D、检查记录M、处方记录Pr和操作记录Pc信息，其记录时间处于时间段T内时，有
Figure FDA0003585924720000013
从D、M、Pr和Pc的子项抽取数据中的概念编码、关系类型、值类型和值信息；
(2)患者数据RDF语义转换流程：基于患者数据分析结果和慢性肾病知识图谱语义结构，将患者电子病历数据构建为符合OWL语言规范的RDF三元组关系，并通过语义映射完成数据字段向标准OMOP CDM术语编码的转换；对于患者数据中的每一个患者P、就诊记录V、检查记录M和处方记录Pr，以其数据ID作为URI构建本体实例，形成对应实例图；对每一个患者实例Pind、就诊记录实例Vind、检查记录实例Mind和处方记录实例Prind，构建对应的本体类关系，形成对应类图；基于患者数据分析截取的层级关系，通过本体关系属性建立患者实例Pind同就诊记录实例Vind的关联，就诊记录实例Vind同检查记录实例Mind的关联，以及就诊记录实例Vind同处方记录实例Prind的关联，形成患者数据关系图和就诊记录关系图；对于每一项诊断记录D和操作记录Pc，建立其相关就诊记录实例Vind同疾病本体类和操作记录本体类的关系，形成对应类图；患者数据通过上述规则构建为RDF三元组数据，形成患者信息模型。
3.根据权利要求1所述的一种基于知识图谱的跨科室慢性肾病早期诊断决策支持系统，其特征在于，所述患者信息模型库存储模块分为Jena TDB存储终端、Jena FusekiSPARQL终端和控制终端三部分；
Jena TDB存储终端用于构建知识图谱数据库存储RDF三元组形式的患者信息模型；所有转换为RDF三元组形式的患者信息模型，均以<s,p,o>形式记录为符合OWL语言规则的N-Triple数据文件；通过Jena TDB Loader工具对RDF三元组数据集合进行图谱化存储转换，并针对RDF三元组的头部元素S、关系元素P和尾部元素O建立索引提升查询速度；
Jena Fuseki SPARQL终端用于构建RDF三元组查询和修改接口；Jena Fuseki SPARQL终端调用Jena TDB存储内容，通过W3C标准SPARQL查询语句对患者信息模型进行调用和修改；Jena Fuseki SPARQL终端构建在Tomcat服务器中，通过HTTP请求监听SPARQL查询请求并反馈相应结果；
控制终端提供针对患者信息模型的目标性查询修改功能，根据患者信息模型结构和知识图谱推理需求，预置SPARQL查询语句模版，向Jena Fuseki SPARQL终端发送请求并格式化输出结果；针对每一个患者Pind，按照其患者信息模型中的临床记录，查询患者数据关系图的结果；并基于反馈的就诊记录实例Vind，查询就诊记录关系图的结果；最后根据检查记录实例Mind和处方记录实例Prind查询数值属性信息；控制终端基于查询过程设置SPARQL查询语句，并建立结果图谱进行反馈。
4.根据权利要求1所述的一种基于知识图谱的跨科室慢性肾病早期诊断决策支持系统，其特征在于，所述知识图谱关联模块的实现流程如下：
定义慢性肾病知识图谱为G＝(V,A)，定义患者信息模型G'＝(V',A')，G和G'为两个有向图，V和V'为图中的节点，A和A'为图中的有向边；知识图谱关联模块基于图G中的关系，对图G'的V'和A'进行补全；对于任一v∈V和任一v'∈V'，计算其节点相似度sim(v,v')和sim'(v',v)，相似度计算通过cos相似度进行；同时根据节点v和v'的标准概念编码层级关系进行相似度匹配；记相似节点对b＝min|sim(vi,vj')-sim'(vj',vi)|,其集合为b∈B，B中包含的节点对vi和vj即为候选关联节点对；针对候选关联节点对，计算节点的语义关联相似度，并根据相似关联为患者信息模型补充三元组关系，完善信息；对于节点V和有向边A，建立三元组(vi,a,vj)∈V×A×V，其中(vi,a,vj)符合G＝(V,A)图关系；其语义关联计算计为rel(v,a)＝{x|v,x∈V∧(v,a,x)∈A}；对于每一个患者信息模型节点vi'，计算其对应知识图谱节点v的sim(v,vi)，(v,vi)∈V且vi≠v；取sim(v,vi)大于阈值k的所有节点对v和vi，若v和vi符合rel(v,a)关系，则为患者信息模型节点vi'添加<vi',a,vi>三元组关联，实现患者信息模型基于慢性肾病知识图谱的语义信息补全。
5.根据权利要求1所述的一种基于知识图谱的跨科室慢性肾病早期诊断决策支持系统，其特征在于，所述知识图谱推理模块的实现流程如下：
首先调出患者信息模型，解析其中RDF三元组关系；同时从慢性肾病知识图谱中建立推理本体副本On，根据患者信息模型中各实例S及其所属本体类C，将实例构建到推理本体副本On对应的本体类C'中；抽取患者信息模型中各实例S及其相互间关系图R，得到<si,r,sj>三元组，(si,sj)∈S,r∈R，在推理本体副本On中进行复现构建；抽取患者信息模型中各实例S及其数值属性关系Rs和属性值Va，得到<s,rs,va>三元组，其中s∈S,rs∈Rs，va∈Va，在推理本体副本On中进行复现构建；构建完成包含患者信息的慢性肾病知识图谱推理本体副本On，提供语义推理的基础元素；
之后基于慢性肾病知识图谱中的OWL2 DL规则，使用Fact++推理机，根据推理本体副本On中的患者信息，对患者实例SP、就诊记录实例SV、检查记录实例SM和处方记录实例SPr进行本体类所属关系补全和缺失关系属性建立；对肾小球滤过率异常的检查记录实例、包含可能损伤肾功能的药物的处方记录实例、包含慢性肾病症状主诉的就诊记录实例这些患者信息模型中的数据，根据慢性肾病知识图谱中的OWL2 DL规则，向慢性肾病风险本体类进行关联；对包含异常检查记录实例SM'和处方记录实例SPr'的就诊记录实例SV'建立关系属性关联，标示就诊记录中的异常记录；
依照慢性肾病临床指南制定的Jean Rules规则，使用Jena推理机，通过语义推理，基于患者信息模型中的实例数据和实例相互关系，建立患者实例SP和就诊记录实例SV同慢性肾病知识图谱中的疾病诊断、风险因子、随访方案、药物调整方案这些临床建议实例Sre的关联，从而形成基于患者病情的临床建议内容；依照慢性肾病临床指南制定的Jean Rules规则，分为慢性肾病诊断规则、慢性肾病风险分级规则、慢性肾病肾功能随访筛查规则和慢性肾病处方调整规则；上述规则基于Jena Rules标准语言编写，按照[规则名:(三元组1)(三元组2)……运算符1(运算项)运算符2(运算项)……—>(三元组N)(三元组N+1)……]的范式建立；根据临床指南中慢性肾病诊断、风险分级、随访筛查和处方调整规范，将包含患者医学检查结果、主诉症状、疾病史、处方信息的RDF三元组作为条件建立在箭头左侧，通过运算符和运算项对检查结果数值进行判定，并将符合箭头左侧条件情况下对应的疾病诊断、风险分级、随访筛查和处方调整RDF三元组建立在箭头右侧；Jena推理机将根据患者信息模型中的患者实例SP对应的RDF三元组信息基于箭头左侧要求进行推理，向符合规则患者实例SP添加箭头右侧的决策支持建议内容RDF三元组；
根据Fact++推理机和Jena推理机触发的推理规则，建立推理实例SR,推理实例SR用于记录推理涉及的临床指南中的临床知识；将推理实例SR同推理规则涉及的就诊记录实例SV、检查记录实例SM和处方记录SPr建立关系属性，从而为临床建议建立推理结果关联，提供建议原因推理过程记录。
6.根据权利要求1所述的一种基于知识图谱的跨科室慢性肾病早期诊断决策支持系统，其特征在于，所述决策支持反馈模块的实现具体如下：
通过预置的SPARQL查询语句对规则推理本体On中患者实例SP的所属类、关系属性和数值属性内容进行查询，对得到的RDF图结果进行解析，提取RDF三元组中尾部节点相关信息,从而得到患者新建立的慢性肾病诊断、风险、随访建议和处方调整建议实例SRE；从SRE中获取推理模块新建立的慢性肾病诊断、风险、随访建议和处方调整建议，同时结合患者实例SP和建议实例SRE对应的推理实例SR中记录的推理路径关系，形成包含推理过程的临床建议报告向医师进行反馈。
CN202010039000.8A 2020-01-14 2020-01-14 一种基于知识图谱的跨科室慢性肾病早期诊断决策支持系统 Active CN111370127B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202010039000.8A CN111370127B (zh) 2020-01-14 2020-01-14 一种基于知识图谱的跨科室慢性肾病早期诊断决策支持系统
PCT/CN2021/071825 WO2021143779A1 (zh) 2020-01-14 2021-01-14 一种基于知识图谱的跨科室慢性肾病早期诊断决策支持系统
US17/541,301 US11568996B2 (en) 2020-01-14 2021-12-03 Cross-departmental chronic kidney disease early diagnosis and decision support system based on knowledge graph

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010039000.8A CN111370127B (zh) 2020-01-14 2020-01-14 一种基于知识图谱的跨科室慢性肾病早期诊断决策支持系统

Publications (2)

Publication Number Publication Date
CN111370127A CN111370127A (zh) 2020-07-03
CN111370127B true CN111370127B (zh) 2022-06-10

Family

ID=71206224

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010039000.8A Active CN111370127B (zh) 2020-01-14 2020-01-14 一种基于知识图谱的跨科室慢性肾病早期诊断决策支持系统

Country Status (3)

Country Link
US (1) US11568996B2 (zh)
CN (1) CN111370127B (zh)
WO (1) WO2021143779A1 (zh)

Families Citing this family (29)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6902693B2 (ja) * 2019-11-02 2021-07-14 株式会社医療情報技術研究所 文書作成システム
CN111370127B (zh) 2020-01-14 2022-06-10 之江实验室 一种基于知识图谱的跨科室慢性肾病早期诊断决策支持系统
CN111984805A (zh) * 2020-07-06 2020-11-24 北京欧应信息技术有限公司 一种基于骨科知识图谱建立骨科云影像数据库的方法
CN111899828A (zh) * 2020-07-31 2020-11-06 青岛百洋智能科技股份有限公司 一种知识图谱驱动的乳腺癌诊疗方案推荐系统
CN111930897B (zh) * 2020-09-14 2021-04-27 平安国际智慧城市科技股份有限公司 专利检索方法、装置、电子设备及计算机可读存储介质
CN112102937B (zh) 2020-11-13 2021-02-12 之江实验室 一种慢性病辅助决策的患者数据可视化方法及系统
KR102510221B1 (ko) * 2020-12-24 2023-03-15 연세대학교 산학협력단 골절 위험 예측 방법 및 장치
CN112768052A (zh) * 2021-01-07 2021-05-07 重庆中肾网络科技有限公司 一种基于知识图谱推理的智能分诊方法
CN112700865A (zh) * 2021-01-07 2021-04-23 重庆中肾网络科技有限公司 一种基于综合推理的智能分诊方法
US11436244B2 (en) * 2021-01-27 2022-09-06 Sap Se Intelligent data enrichment using knowledge graph
CN113076411B (zh) * 2021-04-26 2022-06-03 同济大学 一种基于知识图谱的医疗查询扩展方法
CN113139022B (zh) * 2021-04-29 2022-09-13 同济大学 一种基于混合规则的企业物流数据按需融合方法
CN113077873B (zh) * 2021-05-06 2022-11-22 井颐医疗信息技术(杭州)有限公司 一种中医临床决策支持系统及方法
CN113434659B (zh) * 2021-06-17 2023-03-17 天津大学 一种在协同设计过程中隐性冲突感知方法
CN113393933B (zh) * 2021-07-12 2024-07-26 华东理工大学 一种基于状态变迁图谱的胃癌决策辅助治疗系统
CN113555130A (zh) * 2021-07-21 2021-10-26 杭州甘之草科技有限公司 一种基于案例推理的中医临床决策支持系统的构建方法
CN113488180B (zh) * 2021-07-28 2023-07-18 中国医学科学院医学信息研究所 一种临床指南知识建模方法及系统
CN113643821B (zh) * 2021-10-13 2022-02-11 浙江大学 一种多中心知识图谱联合决策支持方法与系统
CN113990518B (zh) * 2021-10-25 2023-05-16 北京百度网讯科技有限公司 信息生成方法、装置、电子设备及存储介质
CN113871003B (zh) * 2021-12-01 2022-04-08 浙江大学 一种基于含因果性医学知识图谱的疾病辅助鉴别诊断系统
CN114239261B (zh) * 2021-12-06 2022-09-13 清华大学 一种建筑信息模型中机电构件连接关系的检查方法和系统
CN113921141B (zh) * 2021-12-14 2022-04-08 之江实验室 一种个体慢病演进风险可视化评估方法及系统
CN113990495B (zh) * 2021-12-27 2022-04-29 之江实验室 一种基于图神经网络的疾病诊断预测系统
CN114565761B (zh) * 2022-02-25 2023-01-17 无锡市第二人民医院 一种基于深度学习的肾透明细胞癌病理图像肿瘤区域的分割方法
CN114944209A (zh) * 2022-03-11 2022-08-26 青岛百洋智能科技股份有限公司 一种医疗相似病历的集成式计算方法及系统
CN116110533B (zh) * 2023-02-27 2023-09-01 之江实验室 基于事件图谱的药物种类和用量推荐系统及方法
CN117012375B (zh) * 2023-10-07 2024-03-26 之江实验室 一种基于患者拓扑特征相似性的临床决策支持方法和系统
CN117727448B (zh) * 2024-02-06 2024-04-19 四川省医学科学院·四川省人民医院 一种基于医联体的压力性损伤智能决策防治系统
CN117763129B (zh) * 2024-02-22 2024-05-28 神州医疗科技股份有限公司 基于生成式预训练模型的病历检索方法及系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107610770A (zh) * 2016-07-11 2018-01-19 百度（美国）有限责任公司 用于自动化诊断的问题生成系统和方法
EP3306501A1 (en) * 2016-10-06 2018-04-11 Fujitsu Limited A computer apparatus and method to identify healthcare resources used by a patient of a medical institution
CN108595683A (zh) * 2018-05-03 2018-09-28 合肥工业大学 基于医学知识图谱的医嘱合理性监测方法
CN109213871A (zh) * 2018-07-26 2019-01-15 南京邮电大学 患者信息知识图谱构建方法、可读存储介质和终端
CN110277167A (zh) * 2019-05-31 2019-09-24 南京邮电大学 基于知识图谱的慢性非传染性疾病风险预测系统
CN110347798A (zh) * 2019-07-12 2019-10-18 之江实验室 一种基于自然语言生成技术的知识图谱辅助理解系统
CN110600121A (zh) * 2019-08-15 2019-12-20 浙江工业大学 一种基于知识图谱病因初步诊断方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130096947A1 (en) * 2011-10-13 2013-04-18 The Board of Trustees of the Leland Stanford Junior, University Method and System for Ontology Based Analytics
US11257584B2 (en) * 2017-08-11 2022-02-22 Elucid Bioimaging Inc. Quantitative medical imaging reporting
US11636949B2 (en) * 2018-08-10 2023-04-25 Kahun Medical Ltd. Hybrid knowledge graph for healthcare applications
US20200286596A1 (en) * 2019-03-04 2020-09-10 International Business Machines Corporation Generating and managing clinical studies using a knowledge base
CN111370127B (zh) * 2020-01-14 2022-06-10 之江实验室 一种基于知识图谱的跨科室慢性肾病早期诊断决策支持系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107610770A (zh) * 2016-07-11 2018-01-19 百度（美国）有限责任公司 用于自动化诊断的问题生成系统和方法
EP3306501A1 (en) * 2016-10-06 2018-04-11 Fujitsu Limited A computer apparatus and method to identify healthcare resources used by a patient of a medical institution
CN108595683A (zh) * 2018-05-03 2018-09-28 合肥工业大学 基于医学知识图谱的医嘱合理性监测方法
CN109213871A (zh) * 2018-07-26 2019-01-15 南京邮电大学 患者信息知识图谱构建方法、可读存储介质和终端
CN110277167A (zh) * 2019-05-31 2019-09-24 南京邮电大学 基于知识图谱的慢性非传染性疾病风险预测系统
CN110347798A (zh) * 2019-07-12 2019-10-18 之江实验室 一种基于自然语言生成技术的知识图谱辅助理解系统
CN110600121A (zh) * 2019-08-15 2019-12-20 浙江工业大学 一种基于知识图谱病因初步诊断方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
Diagnosis of COPD based on a knowledge graph and integrated model;Y Fang;《IEEE Access》;20191231;全文 *
医学百科知识图谱构建;刘燕等;《中华医学图书情报杂志》;20180615(第06期);全文 *
医学知识图谱构建技术与研究进展;袁凯琦等;《计算机应用研究》;20170818(第07期);全文 *
基于疾病模式的临床决策支持系统构建;姬娜等;《中国医疗设备》;20181010(第10期);全文 *
面向自动诊断的医学知识图谱的构建与应用研究;吴梦桑;《中国优秀硕士学位论文全文数据库 信息科技辑》;20190715;全文 *

Also Published As

Publication number Publication date
WO2021143779A1 (zh) 2021-07-22
US11568996B2 (en) 2023-01-31
CN111370127A (zh) 2020-07-03
US20220093268A1 (en) 2022-03-24

Similar Documents

Publication Publication Date Title
CN111370127B (zh) 一种基于知识图谱的跨科室慢性肾病早期诊断决策支持系统
US11468998B2 (en) Methods and systems for software clinical guidance
US20220059244A1 (en) Finding Precise Causal Multi-Drug-Drug Interactions for Adverse Drug Reaction Analysis
Hernandez Medrano et al. Savana: re-using electronic health records with artificial intelligence
Sanchez et al. A knowledge-based clinical decision support system for the diagnosis of Alzheimer disease
Lu et al. Artificial intelligence in intensive care medicine: toward a ChatGPT/GPT-4 way?
US20230316095A1 (en) Systems and methods for automated scribes based on knowledge graphs of clinical information
Yılmaz et al. SAMS–a systems architecture for developing intelligent health information systems
Liu et al. Requirements engineering for health data analytics: Challenges and possible directions
Kiourtis et al. Aggregating heterogeneous health data through an ontological common health language
Li et al. Meddm: Llm-executable clinical guidance tree for clinical decision-making
Stünkel et al. Towards Multiple Model Synchronization with Comprehensive Systems.
Steichen et al. Computation of semantic similarity within an ontology of breast pathology to assist inter-observer consensus
Comito et al. Exploiting social media to enhance clinical decision support
Zeshan et al. An IoT-Enabled Ontology-Based Intelligent Healthcare Framework for Remote Patient Monitoring
Sanchez et al. An architecture for the semantic enhancement of clinical decision support systems
Sheng et al. DEKGB: an extensible framework for health knowledge graph
Galitsky Multi-case-based reasoning by syntactic-semantic alignment and discourse analysis
Zhang et al. Knowledge management framework for emerging infectious diseases preparedness and response: design and development of public health document ontology
Balachander et al. Rule based medical content classification for secure remote health monitoring
de Azevedo Jacyntho et al. Ontology-based decision-making
Sassi et al. The connected electronic health record: a semantic-enabled, flexible, and unified electronic health record
US11636933B2 (en) Summarization of clinical documents with end points thereof
Gribova et al. Digital platform for development intelligent services for organizm critical conditions assessing risks
De et al. An Explainable AI powered Early Warning System to address Patient Readmission Risk

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