CN111832298B - 病历的质检方法、装置、设备以及存储介质 - Google Patents
病历的质检方法、装置、设备以及存储介质 Download PDFInfo
- Publication number
- CN111832298B CN111832298B CN202010675529.9A CN202010675529A CN111832298B CN 111832298 B CN111832298 B CN 111832298B CN 202010675529 A CN202010675529 A CN 202010675529A CN 111832298 B CN111832298 B CN 111832298B
- Authority
- CN
- China
- Prior art keywords
- medical record
- patient
- determining
- clustering
- entity
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000007689 inspection Methods 0.000 title claims abstract description 28
- 239000013598 vector Substances 0.000 claims abstract description 60
- 201000010099 disease Diseases 0.000 claims abstract description 35
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 35
- 238000001514 detection method Methods 0.000 claims abstract description 22
- 230000015654 memory Effects 0.000 claims description 19
- 238000012549 training Methods 0.000 claims description 14
- 238000013145 classification model Methods 0.000 claims description 9
- 208000024891 symptom Diseases 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 4
- 238000001356 surgical procedure Methods 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 238000012372 quality testing Methods 0.000 claims description 2
- 238000003908 quality control method Methods 0.000 abstract description 19
- 238000005516 engineering process Methods 0.000 abstract description 5
- 238000012545 processing Methods 0.000 abstract description 4
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012552 review Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 206010011224 Cough Diseases 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000007721 medicinal effect Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 238000000275 quality assurance Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/284—Lexical analysis, e.g. tokenisation or collocates
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
-
- 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
Abstract
本申请公开了一种病历的质检方法、装置、设备以及存储介质,涉及数据处理技术领域,尤其人工智能、AI医疗等技术。具体实现方案为:提取待质检病历中描述疾病信息的实体词;根据待检测的患者信息,确定所述实体词的词向量;对所述词向量进行聚类;根据聚类结果,确定所述待质检病历中所述患者信息的检测结果。根据本申请的技术降低了病历的质控成本,提高了病历的质控效率。
Description
技术领域
本申请涉及数据处理技术领域,尤其人工智能、AI医疗等技术,具体涉及一种病历的质检方法、装置、设备以及存储介质。
背景技术
病历是医务人员对患者疾病的发生、发展、转归,进行检查、诊断、治疗等医疗活动过程的记录。
现阶段医生书写病历依赖电子病历系统,而这些系统中的病历编辑器又难以同时兼顾便利性和高质量病历采集,所以难免会导致病历中出现各种各样的错误,以致病历常态低质。病历质控目前主要采用病案科人员复核的方式进行质控。该方式的人力成本高,且复核的病历数量有限,无法实现对病历的全量复核。
发明内容
本公开提供了一种病历的质检方法、装置、设备以及存储介质。
根据本公开的一方面,提供了一种病历的质检方法,包括:
提取待质检病历中描述疾病信息的实体词;
根据待检测的患者信息,确定所述实体词的词向量;
对所述词向量进行聚类;
根据聚类结果,确定所述待质检病历中所述患者信息的检测结果。
根据本公开的另一方面,提供了一种病历的质检装置,包括:
实体词提取模块,用于提取待质检病历中描述疾病信息的实体词;
词向量确定模块,用于根据待检测的患者信息,确定所述实体词的词向量;
向量聚类模块,用于对所述词向量进行聚类;
结果确定模块,用于根据聚类结果,确定所述待质检病历中所述患者信息的检测结果。
根据本公开的又一方面,提供了一种电子设备,其中,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行本申请实施例中任一项所述的方法。
根据本公开的又一方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行本申请实施例中任一项所述的方法。
根据本申请的技术降低了病历的质控成本,提高了病历的质控效率。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本申请的限定。其中:
图1是本申请实施例提供的一种病历的质检方法的流程图;
图2是本申请实施例提供的另一种病历的质检方法的流程图;
图3是本申请实施例提供的又一种病历的质检方法的流程图;
图4是本申请实施例提供的又一种病历的质检方法的流程图;
图5是本申请实施例提供的一种病历的质检装置的结构示意图;
图6是根据本申请实施例的病历的质检方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明,其中包括本申请实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本申请的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
图1是本申请实施例提供的一种病历的质检方法的流程图。本申请实施例可适用于对病历中的患者信息进行质量检测的情况。该方法可以由一种病历的质检装置来执行,该装置可以由软件和/或硬件的方式实现。参见图1,本申请实施例提供的病历的质检方法,包括:
S110、提取待质检病历中描述疾病信息的实体词。
其中,待质检病历是指待进行质量检测的病历。该病历包括疾病信息和患者信息。
疾病信息是指患者所患疾病的相关信息。
在一个实施例中,疾病信息包括:疾病、症状、检验、检查和手术中的至少一种。
患者信息是指描述患者属性的信息。
在一个实施例中,患者信息包括患者性别和/或患者的年龄区间。
本方案对实体词的提取方法不做限定。可选地,提取实体词的方法可以是自然语言理解或实体识别等方法。
S120、根据待检测的患者信息,确定所述实体词的词向量。
其中,待检测的患者信息是指待进行质量检测的患者信息。
实体词的词向量中包括有待检测的患者信息。
在一个实施例中,不同的患者信息关联的实体词的词向量也不同。根据待检测的患者信息,从实体词的不同词向量中确定与该待检测的患者信息关联的词向量。
S130、对所述词向量进行聚类。
本方案对该聚类的算法不做限定,可选地可以是任意聚类算法。例如,DBSCAN(Density-Based Spatial Clustering of Applications with Noise)和K-means。
S140、根据聚类结果,确定所述待质检病历中所述患者信息的检测结果。
示例性地,若待检测的患者信息是患者的年龄区间,则确定检测结果可以为:待质检病历中患者的年龄填写错误或待质检病历中患者的年龄填写正确。
本申请实施例通过利用待检测的患者信息对病历中描述疾病信息的实体词进行向量表示;然后根据该词向量的聚类结果确定病历中待检测患者信息的填写准确率,从而实现利用病历中的疾病信息对病历中的患者信息的自动检测,进而降低了病历的质检成本,实现了对病历的全量检测。
图2是本申请实施例提供的另一种病历的质检方法的流程图。本方案是在上述方案的基础上,对上述步骤“根据待检测的患者信息,确定所述实体词的词向量”的具体优化。参见图2,本申请实施例提供的病历的质检方法包括:
S210、提取待质检病历中描述疾病信息的实体词。
S220、根据待检测的患者信息,从预先训练的网络层中确定目标网络层。
其中,所述目标网络层是以第一样本病历中描述疾病信息的实体词为样本,以所述第一样本病历中的所述患者信息为标签训练得到的。
第一样本病历是指用于训练目标网络层的病历。
预先训练的网络层是用于将词语转换为向量的网络层。在一个实施例中,该网络层也可以理解为嵌入(embedding)层。
目标网络层是指与待检测的患者信息关联的网络层。也即,基于目标网络层得到的实体词的词向量中包括有待检测的患者信息。
S230、将所述实体词输入所述目标网络层,输出所述实体词的词向量。
其中,输出的实体词的词向量中包括有上述待检测的患者信息。
S240、对所述词向量进行聚类。
S250、根据聚类结果,确定所述待质检病历中所述患者信息的检测结果。
本方案通过将实体词输入目标网络层,输出实体词的词向量,其中目标网络层是以第一样本病历中描述疾病信息的实体词为样本,以第一样本病历中的患者信息为标签训练得到的,从而实现包括有上述待检测的患者信息的词向量转换。
图3是本申请实施例提供的又一种病历的质检方法的流程图。本方案是在上述方案的基础上,以待检测的患者信息是患者性别为例,对上述步骤“根据聚类结果,确定所述待质检病历中所述患者信息的检测结果”的具体优化。参见图3,本申请实施例提供的病历的质检方法包括:
S310、提取待质检病历中描述疾病信息的实体词。
S320、根据待检测的患者信息,确定所述实体词的词向量。
S330、对所述词向量进行聚类。
S340、若聚类得到的类别数量等于第一阈值,则确定所述待质检病历中的患者性别填写正确。
在一个实施例中,第一阈值可以为1。
S350、若聚类得到的类别数量大于或等于第二阈值,则确定所述待质检病历中的患者性别填写错误。
其中所述第一阈值小于所述第二阈值。
在一个实施例中,第二阈值可以为3。
S360、若聚类得到的类别数量等于第三阈值,则根据聚类得到的各类别的实体词集合,预测患者性别,得到至少两个预测结果。
其中,所述第三阈值大于所述第一阈值,且小于所述第二阈值。
在一个实施例中,第三阈值可以为2。
在另一个实施例中,根据聚类得到的各类别的实体词集合,预测患者性别,得到至少两个预测结果,包括:
将各类别的实体词集合输入预先训练的分类模型,输出至少两个预测结果;
其中,分类模型是以第二样本病历中描述疾病信息的实体词为标签,以第二样本病历中位于该实体词的上下文中的实体词为样本训练得到的。
第二样本病历是用于训练分类模型的病历。
可选地,第二样本病历与上述第一样本病历可以相同,也可以不同。
S370、若所述至少两个预测结果中的患者性别相同,则确定所述待质检病历中的患者性别填写正确。
若至少两个预测结果中的患者性别不同,则确定待质检病历中的患者性别填写错误。
本方案对上述步骤的执行顺序不做限定。可选地,S350可以先于S340执行,S360和S370也可以先于S340执行。
本方案通过根据聚类得到的类别数量确定待质检病历中待质检的患者信息的检测结果,从而实现检测结果的确定。
图4是本申请实施例提供的又一种病历的质检方法的流程图。本方案是在上述方案的基础上,提供的一种可选方案。参见图4,本申请实施例提供的病历的质检方法包括:
1、病历解析
病历数据绝大部分是半结构化数据,包含自然语言文本和一些结构化的信息。比如性别、年龄等。这一步骤就是要从这些半结构化的数据中,解析出病历中的实体数据和患者信息相关的数据。
通过自然语言理解、分词或者实体识别等工具和方法,提取出病历数据中的一些实体词,比如:疾病、症状、检验、检查、手术等。
2、实体词的向量表示
基于监督的方法进行实体词的向量表示。
基于监督的方法需要样本的标签信息,相比于无监督的方法,通过此方法获取到的词向量融合了标签信息。这里以BERTBidirectional Encoder Representations fromTransformers,来自变换器的双向编码器表征量)模型为例,介绍如何训练模型获取高质量的词向量。
首先解析样本病历,提取实体词和患者信息:性别、年龄。对年龄进行归一化:新生儿、儿童、成年、老年。将患者信息拼接成一个多维的向量作为标签,一份病历中的实体词和标签就是一个训练样本。
训练过程:将样本输入到BERT模型中;将得到的样本向量输入到激活函数层,并根据激活结果和标签计算模型损失;通过梯度下降进行模型训练,得到训练好的BERT模型。
预测过程:将每个实体词输入到训练好的BERT模型中,得到实体词的词向量。
3、基于聚类的质控检测
对得到的词向量做聚类算法,比如:DBSCAN,K-means等。根据聚类的类别数判断一份病历是否有问题。
比如要判断一份病历在性别维度是否有错,对这份病历中的所有实体词的词向量做聚类,根据聚类结果可以做如下判断:
1)如果结果是3类,则表明病历在性别维度是有问题的。因为3类的类别是男、女、其他,其中其他说明无法判断该词有男女属性,比如咳嗽。
2)如果结果是2类,则需要对每个类别做预测,根据每个类的预测结果,再做判断。
具体做法是:把同一类的词拼接在一起,输入到上述训练好的BERT模型中,得到该类的向量表示;然后计算出该类男女属性的预测值。如果这2类的预测值分别为男和女,则说明病历有问题。否则说明在性别维度上该病历没问题。
3)如果结果是1类,则表明病历在性别维度没有问题。
以上描述了本方案在性别维度的病历质控流程。该流程运用到年龄维度也是一样的,只需要修改合适的聚类数量即可。
本方案相比质控人员复核病历,提升了病历的质控效率。因为可以实现对病历的全量检测,所以本方案增大了病历的质控范围。
图5是本申请实施例提供的一种病历的质检装置的结构示意图。参见图5,本申请实施例提供的病历的质检装置500包括:实体词提取模块501、词向量确定模块502、向量聚类模块503和结果确定模块504。
其中,实体词提取模块501,用于提取待质检病历中描述疾病信息的实体词;
词向量确定模块502,用于根据待检测的患者信息,确定所述实体词的词向量;
向量聚类模块503,用于对所述词向量进行聚类;
结果确定模块504,用于根据聚类结果,确定所述待质检病历中所述患者信息的检测结果。
本申请实施例通过利用待检测的患者信息对病历中描述疾病信息的实体词进行向量表示;然后根据该词向量的聚类结果确定病历中待检测患者信息的填写准确率,从而实现利用病历中的疾病信息对病历中的患者信息的自动检测,进而降低了病历的质检成本,实现了对病历的全量检测。
进一步地,所述词向量确定模块,包括:
网络层确定单元,用于根据待检测的患者信息,从预先训练的网络层中确定目标网络层;
其中,所述目标网络层是以第一样本病历中描述疾病信息的实体词为样本,以所述第一样本病历中的所述患者信息为标签训练得到的;
词向量确定单元,用于将所述实体词输入所述目标网络层,输出所述实体词的词向量。
进一步地,若待检测的患者信息是患者性别,则所述结果确定模块,包括:
第一结果确定单元,用于若聚类得到的类别数量等于第一阈值,则确定所述待质检病历中的患者性别填写正确;
第二结果确定单元,用于若聚类得到的类别数量大于或等于第二阈值,则确定所述待质检病历中的患者性别填写错误;
其中所述第一阈值小于所述第二阈值。
进一步地,若待检测的患者信息是患者性别,则所述结果确定模块,包括:
预测单元,用于若聚类得到的类别数量等于第三阈值,则根据聚类得到的各类别的实体词集合,预测患者性别,得到至少两个预测结果;
其中,所述第三阈值大于所述第一阈值,且小于所述第二阈值;
第三结果确定单元,用于若所述至少两个预测结果中的患者性别相同,则确定所述待质检病历中的患者性别填写正确。
进一步地,所述预测单元具体用于:
将各类别的实体词集合输入预先训练的分类模型,输出至少两个预测结果;
其中,所述分类模型是以第二样本病历中描述疾病信息的实体词为标签,以所述第二样本病历中位于该实体词的上下文中的实体词为样本训练得到的。
进一步地,所述疾病信息包括:疾病、症状、检验、检查和手术中的至少一种;所述患者信息包括患者性别和/或患者的年龄区间。
根据本申请的实施例,本申请还提供了一种电子设备和一种可读存储介质。
如图6所示,是根据本申请实施例的病历的质检方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图6所示,该电子设备包括:一个或多个处理器601、存储器602,以及用于连接各部件的接口,包括高速接口和低速接口。各个部件利用不同的总线互相连接,并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理,包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如,耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中,若需要,可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样,可以连接多个电子设备,各个设备提供部分必要的操作(例如,作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图6中以一个处理器601为例。
存储器602即为本申请所提供的非瞬时计算机可读存储介质。其中,所述存储器存储有可由至少一个处理器执行的指令,以使所述至少一个处理器执行本申请所提供的病历的质检方法。本申请的非瞬时计算机可读存储介质存储计算机指令,该计算机指令用于使计算机执行本申请所提供的病历的质检方法。
存储器602作为一种非瞬时计算机可读存储介质,可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块,如本申请实施例中的病历的质检方法对应的程序指令/模块(例如,附图5所示的实体词提取模块501、词向量确定模块502、向量聚类模块503和结果确定模块504)。处理器601通过运行存储在存储器602中的非瞬时软件程序、指令以及模块,从而执行服务器的各种功能应用以及数据处理,即实现上述方法实施例中的病历的质检方法。
存储器602可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储根据病历的质检电子设备的使用所创建的数据等。此外,存储器602可以包括高速随机存取存储器,还可以包括非瞬时存储器,例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中,存储器602可选包括相对于处理器601远程设置的存储器,这些远程存储器可以通过网络连接至病历的质检电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
病历的质检方法的电子设备还可以包括:输入装置603和输出装置604。处理器601、存储器602、输入装置603和输出装置604可以通过总线或者其他方式连接,图6中以通过总线连接为例。
输入装置603可接收输入的数字或字符信息,以及产生与病历的质检电子设备的用户设置以及功能控制有关的键信号输入,例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置604可以包括显示设备、辅助照明装置(例如,LED)和触觉反馈装置(例如,振动电机)等。该显示设备可以包括但不限于,液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中,显示设备可以是触摸屏。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令,并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的,术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如,磁盘、光盘、存储器、可编程逻辑装置(PLD)),包括,接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、互联网和区块链网络。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务中,存在的管理难度大,业务扩展性弱的缺陷。
根据本申请的技术降低了病历的质控成本,提高了病历的质控效率。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本申请公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本申请保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等,均应包含在本申请保护范围之内。
Claims (12)
1.一种病历的质检方法,包括:
提取待质检病历中描述疾病信息的实体词;
根据待检测的患者信息,确定所述实体词的词向量;
对所述词向量进行聚类;
根据聚类结果,确定所述待质检病历中所述患者信息的检测结果;
其中,若所述待检测的患者信息是患者性别,则所述根据聚类结果,确定所述待质检病历中所述患者信息的检测结果,包括:
若聚类得到的类别数量等于第一阈值,则确定所述待质检病历中的患者性别填写正确;
若聚类得到的类别数量大于或等于第二阈值,则确定所述待质检病历中的患者性别填写错误;
其中所述第一阈值小于所述第二阈值。
2.根据权利要求1所述的方法,其中,所述根据待检测的患者信息,确定所述实体词的词向量,包括:
根据待检测的患者信息,从预先训练的网络层中确定目标网络层;
其中,所述目标网络层是以第一样本病历中描述疾病信息的实体词为样本,以所述第一样本病历中的所述患者信息为标签训练得到的;
将所述实体词输入所述目标网络层,输出所述实体词的词向量。
3.根据权利要求1所述的方法,其中,若待检测的患者信息是患者性别,则所述根据聚类结果,确定所述待质检病历中所述患者信息的检测结果,包括:
若聚类得到的类别数量等于第三阈值,则根据聚类得到的各类别的实体词集合,预测患者性别,得到至少两个预测结果;
其中,所述第三阈值大于所述第一阈值,且小于所述第二阈值;
若所述至少两个预测结果中的患者性别相同,则确定所述待质检病历中的患者性别填写正确。
4.根据权利要求3所述的方法,所述根据聚类得到的各类别的实体词集合,预测患者性别,得到至少两个预测结果,包括:
将各类别的实体词集合输入预先训练的分类模型,输出至少两个预测结果;
其中,所述分类模型是以第二样本病历中描述疾病信息的实体词为标签,以所述第二样本病历中位于该实体词的上下文中的实体词为样本训练得到的。
5.根据权利要求1或2所述的方法,其中,所述疾病信息包括:疾病、症状、检验、检查和手术中的至少一种;所述患者信息包括患者性别和/或患者的年龄区间。
6.一种病历的质检装置,包括:
实体词提取模块,用于提取待质检病历中描述疾病信息的实体词;
词向量确定模块,用于根据待检测的患者信息,确定所述实体词的词向量;
向量聚类模块,用于对所述词向量进行聚类;
结果确定模块,用于根据聚类结果,确定所述待质检病历中所述患者信息的检测结果;
其中,若所述待检测的患者信息是患者性别,则所述结果确定模块,包括:
第一结果确定单元,用于若聚类得到的类别数量等于第一阈值,则确定所述待质检病历中的患者性别填写正确;
第二结果确定单元,用于若聚类得到的类别数量大于或等于第二阈值,则确定所述待质检病历中的患者性别填写错误;其中所述第一阈值小于所述第二阈值。
7.根据权利要求6所述的装置,其中,所述词向量确定模块,包括:
网络层确定单元,用于根据待检测的患者信息,从预先训练的网络层中确定目标网络层;
其中,所述目标网络层是以第一样本病历中描述疾病信息的实体词为样本,以所述第一样本病历中的所述患者信息为标签训练得到的;
词向量确定单元,用于将所述实体词输入所述目标网络层,输出所述实体词的词向量。
8.根据权利要求6所述的装置,其中,若待检测的患者信息是患者性别,则所述结果确定模块,包括:
预测单元,用于若聚类得到的类别数量等于第三阈值,则根据聚类得到的各类别的实体词集合,预测患者性别,得到至少两个预测结果;
其中,所述第三阈值大于所述第一阈值,且小于所述第二阈值;
第三结果确定单元,用于若所述至少两个预测结果中的患者性别相同,则确定所述待质检病历中的患者性别填写正确。
9.根据权利要求8所述的装置,所述预测单元具体用于:
将各类别的实体词集合输入预先训练的分类模型,输出至少两个预测结果;
其中,所述分类模型是以第二样本病历中描述疾病信息的实体词为标签,以所述第二样本病历中位于该实体词的上下文中的实体词为样本训练得到的。
10.根据权利要求6或7所述的装置,其中,所述疾病信息包括:疾病、症状、检验、检查和手术中的至少一种;所述患者信息包括患者性别和/或患者的年龄区间。
11. 一种电子设备,其中,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-5中任一项所述的方法。
12.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行权利要求1-5中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010675529.9A CN111832298B (zh) | 2020-07-14 | 2020-07-14 | 病历的质检方法、装置、设备以及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010675529.9A CN111832298B (zh) | 2020-07-14 | 2020-07-14 | 病历的质检方法、装置、设备以及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111832298A CN111832298A (zh) | 2020-10-27 |
CN111832298B true CN111832298B (zh) | 2024-03-01 |
Family
ID=72923161
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010675529.9A Active CN111832298B (zh) | 2020-07-14 | 2020-07-14 | 病历的质检方法、装置、设备以及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111832298B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112530533B (zh) * | 2020-11-30 | 2024-04-02 | 北京百度网讯科技有限公司 | 病历文档检测方法、装置及电子设备 |
CN112863682B (zh) * | 2021-02-08 | 2024-04-05 | 北京百度网讯科技有限公司 | 信息分析方法、装置、系统、电子设备和存储介质 |
CN112992370B (zh) * | 2021-05-06 | 2021-07-30 | 四川大学华西医院 | 一种无监督的基于电子病历的医疗行为合规性评估方法 |
CN113345542B (zh) * | 2021-06-18 | 2022-12-23 | 北京百度网讯科技有限公司 | 电子病历的管理方法、装置、设备、存储介质以及计算机程序产品 |
CN113921144A (zh) * | 2021-09-23 | 2022-01-11 | 清华大学 | 疾病预测集处理方法、装置、电子设备及存储介质 |
CN114334065B (zh) * | 2022-03-07 | 2022-06-28 | 阿里巴巴达摩院(杭州)科技有限公司 | 病历处理方法、计算机可读存储介质及计算机设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009086883A (ja) * | 2007-09-28 | 2009-04-23 | Sanyo Electric Co Ltd | 電子カルテシステムおよび検索システム |
WO2016037160A2 (en) * | 2014-09-06 | 2016-03-10 | RaPID Medical Technologies, LLC | Foreign object detection protocol system and method |
CN110136788A (zh) * | 2019-05-14 | 2019-08-16 | 清华大学 | 一种基于自动检测的病历质检方法、装置、设备及存储介质 |
WO2019218514A1 (zh) * | 2018-05-14 | 2019-11-21 | 平安科技(深圳)有限公司 | 网页目标信息的提取方法、装置及存储介质 |
CN111402979A (zh) * | 2020-03-24 | 2020-07-10 | 清华大学 | 病情描述与诊断一致性检测方法及装置 |
-
2020
- 2020-07-14 CN CN202010675529.9A patent/CN111832298B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009086883A (ja) * | 2007-09-28 | 2009-04-23 | Sanyo Electric Co Ltd | 電子カルテシステムおよび検索システム |
WO2016037160A2 (en) * | 2014-09-06 | 2016-03-10 | RaPID Medical Technologies, LLC | Foreign object detection protocol system and method |
WO2019218514A1 (zh) * | 2018-05-14 | 2019-11-21 | 平安科技(深圳)有限公司 | 网页目标信息的提取方法、装置及存储介质 |
CN110136788A (zh) * | 2019-05-14 | 2019-08-16 | 清华大学 | 一种基于自动检测的病历质检方法、装置、设备及存储介质 |
CN111402979A (zh) * | 2020-03-24 | 2020-07-10 | 清华大学 | 病情描述与诊断一致性检测方法及装置 |
Non-Patent Citations (1)
Title |
---|
病历质控与法律研究热点的共词聚类分析;庞成;王怡;赵晓娟;刘爱民;;中国医院(07);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111832298A (zh) | 2020-10-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111832298B (zh) | 病历的质检方法、装置、设备以及存储介质 | |
CN112560912B (zh) | 分类模型的训练方法、装置、电子设备和存储介质 | |
US20210216882A1 (en) | Method and apparatus for generating temporal knowledge graph, device, and medium | |
CN111710412B (zh) | 诊断结果的校验方法、装置及电子设备 | |
CN111681726B (zh) | 电子病历数据的处理方法、装置、设备和介质 | |
CN111428507A (zh) | 实体链指方法、装置、设备以及存储介质 | |
CN110569846A (zh) | 图像文字识别方法、装置、设备及存储介质 | |
CN112347769B (zh) | 实体识别模型的生成方法、装置、电子设备及存储介质 | |
CN112507701B (zh) | 待纠错医疗数据的识别方法、装置、设备和存储介质 | |
CN112036162B (zh) | 文本纠错的适配方法、装置、电子设备及存储介质 | |
CN111523596A (zh) | 目标识别模型训练方法、装置、设备以及存储介质 | |
CN111090641B (zh) | 数据处理方法及装置、电子设备、存储介质 | |
CN109191451B (zh) | 异常检测方法、装置、设备和介质 | |
CN112036509A (zh) | 用于训练图像识别模型的方法和装置 | |
US20220067439A1 (en) | Entity linking method, electronic device and storage medium | |
CN112216359B (zh) | 医疗数据校验方法、装置及电子设备 | |
US20210326524A1 (en) | Method, apparatus and device for quality control and storage medium | |
JP2021193606A (ja) | 深層学習に基づく演算子の登録処理方法、装置及び電子機器 | |
US20220027575A1 (en) | Method of predicting emotional style of dialogue, electronic device, and storage medium | |
CN111274397A (zh) | 建立实体关系检测模型的方法以及装置 | |
CN112507090A (zh) | 用于输出信息的方法、装置、设备和存储介质 | |
KR20210148813A (ko) | 의료 사실 검증 방법, 장치, 전자 기기, 저장 매체 및 프로그램 | |
CN111522944A (zh) | 用于输出信息的方法、装置、设备以及存储介质 | |
CN112380847A (zh) | 兴趣点处理方法、装置、电子设备及存储介质 | |
CN117038099A (zh) | 医疗类术语标准化方法以及装置 |
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 |