CN112154512B - 用于异构医学数据的优先级排序和呈现的系统和方法 - Google Patents
用于异构医学数据的优先级排序和呈现的系统和方法 Download PDFInfo
- Publication number
- CN112154512B CN112154512B CN201980033495.9A CN201980033495A CN112154512B CN 112154512 B CN112154512 B CN 112154512B CN 201980033495 A CN201980033495 A CN 201980033495A CN 112154512 B CN112154512 B CN 112154512B
- Authority
- CN
- China
- Prior art keywords
- codes
- concepts
- medical
- code
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000012913 prioritisation Methods 0.000 title description 3
- 238000013507 mapping Methods 0.000 claims description 13
- 238000000605 extraction Methods 0.000 claims description 10
- 230000007170 pathology Effects 0.000 claims description 7
- 229940079593 drug Drugs 0.000 claims description 6
- 239000003814 drug Substances 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 3
- 230000002596 correlated effect Effects 0.000 claims description 2
- 238000001914 filtration Methods 0.000 claims description 2
- 238000001356 surgical procedure Methods 0.000 claims 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 9
- 230000035558 fertility Effects 0.000 description 9
- 206010012601 diabetes mellitus Diseases 0.000 description 7
- 201000010099 disease Diseases 0.000 description 7
- 238000012552 review Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 208000001072 type 2 diabetes mellitus Diseases 0.000 description 4
- 239000003795 chemical substances by application Substances 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000003319 supportive effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 208000035475 disorder Diseases 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 238000003205 genotyping method Methods 0.000 description 2
- 230000036512 infertility Effects 0.000 description 2
- NOESYZHRGYRDHS-UHFFFAOYSA-N insulin Chemical compound N1C(=O)C(NC(=O)C(CCC(N)=O)NC(=O)C(CCC(O)=O)NC(=O)C(C(C)C)NC(=O)C(NC(=O)CN)C(C)CC)CSSCC(C(NC(CO)C(=O)NC(CC(C)C)C(=O)NC(CC=2C=CC(O)=CC=2)C(=O)NC(CCC(N)=O)C(=O)NC(CC(C)C)C(=O)NC(CCC(O)=O)C(=O)NC(CC(N)=O)C(=O)NC(CC=2C=CC(O)=CC=2)C(=O)NC(CSSCC(NC(=O)C(C(C)C)NC(=O)C(CC(C)C)NC(=O)C(CC=2C=CC(O)=CC=2)NC(=O)C(CC(C)C)NC(=O)C(C)NC(=O)C(CCC(O)=O)NC(=O)C(C(C)C)NC(=O)C(CC(C)C)NC(=O)C(CC=2NC=NC=2)NC(=O)C(CO)NC(=O)CNC2=O)C(=O)NCC(=O)NC(CCC(O)=O)C(=O)NC(CCCNC(N)=N)C(=O)NCC(=O)NC(CC=3C=CC=CC=3)C(=O)NC(CC=3C=CC=CC=3)C(=O)NC(CC=3C=CC(O)=CC=3)C(=O)NC(C(C)O)C(=O)N3C(CCC3)C(=O)NC(CCCCN)C(=O)NC(C)C(O)=O)C(=O)NC(CC(N)=O)C(O)=O)=O)NC(=O)C(C(C)CC)NC(=O)C(CO)NC(=O)C(C(C)O)NC(=O)C1CSSCC2NC(=O)C(CC(C)C)NC(=O)C(NC(=O)C(CCC(N)=O)NC(=O)C(CC(N)=O)NC(=O)C(NC(=O)C(N)CC=1C=CC=CC=1)C(C)C)CC1=CN=CN1 NOESYZHRGYRDHS-UHFFFAOYSA-N 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000002483 medication Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000002604 ultrasonography Methods 0.000 description 2
- 208000007342 Diabetic Nephropathies Diseases 0.000 description 1
- 108091005515 EGF module-containing mucin-like hormone receptors Proteins 0.000 description 1
- 102000004877 Insulin Human genes 0.000 description 1
- 108090001061 Insulin Proteins 0.000 description 1
- 210000001015 abdomen Anatomy 0.000 description 1
- 210000003484 anatomy Anatomy 0.000 description 1
- 210000000038 chest Anatomy 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 208000033679 diabetic kidney disease Diseases 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000002079 electron magnetic resonance spectroscopy Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 231100000305 environmental exposure data Toxicity 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 208000015181 infectious disease Diseases 0.000 description 1
- 229940125396 insulin Drugs 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000003607 modifier Substances 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/903—Querying
- G06F16/90335—Query processing
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/903—Querying
- G06F16/9032—Query formulation
- G06F16/90332—Natural language query formulation or dialogue systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/903—Querying
- G06F16/9035—Filtering based on additional data, e.g. user or group profiles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/237—Lexical tools
- G06F40/242—Dictionaries
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
一种系统和方法确定优先级并呈现异构医学数据。所述方法包括检索患者的医学数据,所述医学数据包括来自多个数据源的数据。所述方法包括对所述医学数据进行表型分型以生成推理线索和包括一个或多个代码的推理结果,所述推理线索包括确定所述推理结果的基础。所述方法包括为所述一个或多个代码中的每个代码分配相关性得分。所述方法包括基于所述一个或多个代码中的每个代码的所述相关性得分对所述代码进行排序。所述方法包括按排序顺序显示所述代码。
Description
背景技术
患者的电子医学记录(EMR)可以包括各种各样的临床数据源,例如,问题列表、实验室值、药物列表和自由文本文件(包括入院记录和出院记录以及病理学、放射学和手术报告)。来自各种数据源的可用数据可以被显示在图形用户接口(GUI)上。然而,为患者记录的临床数据量超出了医学工作者的处理能力。经由GUI呈现给用户(例如,医师、护士、医学技术人员等)的大量数据会导致耗时且低效的审查过程。另外,由于可用数据的量非常大,因此常常显示来自各种数据源的信息,并且首先显示出最新采集和/或最新可用的数据。因此,用户只能审查最新可用的患者数据和/或查阅患者病历中的选定数据源,从而可能丢失相关信息。例如,医学人员只能检查最近的实验室值,从而可能丢失相关药物情况或病理报告结果。
US 2014/108047 A1涉及将对临床决策支持或多个医学代码分配结果的预测组合到最终的医学代码分配结果中而使得针对不同背景组合会不同的方法、自动化文档记录和医学编码系统。在某些实施方式中,每个代理接收从电子医学记录(“EMR”)中提取的相同的一组术语和短语。基于EMR的背景,每个代理从一个或多个医学代码簿中提取医学代码,将术语和短语与医学代码进行比较,并且基于置信度得分将代码分配给EMR。组合多个代码分配结果以基于置信度得分、背景和背景中的每个代理的历史表现来生成最终的医学代码分配结果。自动化系统存储并输出最终的医学代码分配结果。
US 2017/351806 A1涉及用于评估女性的生育力和不育性、男性的生育力和不育性以及男性和女性的组合生育力状况的系统和方法。系统和方法通过对从男性和女性获得的样本进行测定以确定一种或多种与生育力相关联的遗传变体的存在来确定男性和女性的组合生育力潜力,获得来自男性和女性的与生育力相关联的表型分型数据和/或环境数据,接受根据女性和男性确定的遗传变体和来自男性和女性的表型分型数据和/或环境暴露数据作为输入数据,使用与生育力相关的预后预测因子来分析输入数据,并且通过对输入数据使用预后预测因子来生成反映男性和女性的组合生育力潜力的生育力状况。
发明内容
示例性实施例针对一种方法,包括:检索患者的医学数据,所述医学数据包括来自多个数据源的数据;对所述医学数据进行表型分型以生成推理线索和包括一个或多个代码的推理结果,所述推理线索包括确定所述推理结果的基础;为所述一个或多个代码中的每个代码分配相关性得分;基于所述一个或多个代码中的每个代码的所述相关性得分对所述代码进行排序;并且按排序顺序显示所述代码。
示例性实施例针对一种系统,包括:非瞬态计算机可读存储介质,其存储可执行程序;以及处理器,其运行所述可执行程序以令所述处理器:检索患者的医学数据,所述医学数据包括来自多个数据源的数据;对所述医学数据进行表型分型以生成推理线索和包括一个或多个代码的推理结果,所述推理线索包括确定所述推理结果的基础;为所述一个或多个代码中的每个代码分配相关性得分;基于所述一个或多个代码中的每个代码的所述相关性得分对所述代码进行排序;并且按排序顺序显示所述代码。
示例性实施例针对一种非瞬态计算机可读存储介质,包括能由处理器运行的指令集,所述指令集在由所述处理器运行时令所述处理器执行包括以下各项的操作:检索患者的医学数据,所述医学数据包括来自多个数据源的数据;对所述医学数据进行表型分型以生成推理线索和包括一个或多个代码的推理结果,所述推理线索包括确定所述推理结果的基础;为所述一个或多个代码中的每个代码分配相关性得分;基于所述一个或多个代码中的每个代码的所述相关性得分对所述代码进行排序;并且按排序顺序显示所述代码。
附图说明
图1示出了根据示例性实施例的系统的示意图。
图2示出了根据示例性实施例的方法的流程图。
图3示出了图示由图1的系统的示例性表型分型引擎提供的示例性推理线索的表。
图4示出了图示根据示例性实施例的用于系统和/或方法的数据流的图。
具体实施方式
参考以下描述和附图,可以进一步理解示例性实施例,其中,用相同的附图标记表示相同的元件。示例性实施例涉及用于对来自异构医学数据源的信息进行优先级排序并在用户的工作流环境的背景中向用户呈现相关信息的系统和方法。可以经由用户接口将相关临床数据呈现给用户,这样改善了各种数据源之间的可导航性并确保了对所有相关信息的审查,使得用户可以提供更准确的诊断和/或分析以及更好的患者处置。本领域技术人员应当理解,用户可以包括任何类型的医学专业人员,包括例如医生、护士、医学技术人员等。本领域技术人员还应当理解,可以利用示例性实施例对来自各种医院环境中的任一种医院环境的各种临床数据源中的任一种临床数据源的信息进行优先级排序。
如图1所示,根据本公开内容的示例性实施例的系统100对来自各种数据源的信息进行优先级排序,从而在用户的工作流环境的背景中向用户呈现最相关的信息。系统100包括处理器102、用户接口104、显示器106以及存储器108。存储器108包括数据库120,数据库120存储患者的医学记录。该医学记录可以包括来自各种来源的临床数据,例如,(例如MRI、CT、CR、超声)医学图像、问题列表、实验室值、药物列表、包括入院记录和出院记录的文档以及病理学报告、放射学报告和手术报告。
处理器102可以包括:相关性确定引擎110,其用于为医学代码分配相关性得分;概念提取引擎112,其用于从自由文本医学文档(例如,放射学报告和病理学报告)中提取概念;表型分型引擎114,其用于应用临床推理以确定患者是否患有特定疾病或病症;概念映射引擎116,其用于将所提取的表型信息映射到医学词汇上;以及控制器引擎118,其用于检索相关医学数据并应用适当引擎以对相关医学数据进行优先级排序。本领域技术人员应当理解,引擎110-118可以由处理器102实施为例如由处理器102运行的代码行,实施为由处理器102运行的固件,实施为作为专用集成电路(ASIC)的处理器102的功能等。
通过在用户接口104上做出选择,用户(可以包括医学工作者(包括例如医生、护士、医学技术人员等))可以发起优先级排序和相关性排序过程和/或做出选择以从在显示器106上呈现给用户的经优先级排序的列表审查/查看数据。用户还可以经由用户接口104(可以包括例如EMR接口)编辑和/或设置针对上述引擎110-118的参数。
图2示出了用于使用上述系统100对来自异构医学数据源的信息进行优先级排序并在用户的工作流环境的背景中呈现与用户有关的信息的示例性方法200。当经由事件或用户发起或触发方法200时,方法200可以由控制器引擎118来运行,将在下面对此进行进一步的详细描述。
在210中,使用例如数据库调用从数据库120中检索与患者有关的医学数据。数据检索可以响应于背景触发物。例如,在放射科内,对必须由用户读取或审查的(例如MRI、CT、CR、超声)图像的采集可以触发对数据的检索,使得用户可以基于其他相关信息对图像做出具有信息根据的分析。在另一示例中,在肿瘤科内,用户可以在进行患者咨询时发起检索。在又一示例中,在心脏科内,用户可以在为流程进行患者准备时发起检索。本领域技术人员应当理解,可以响应于可以经由用户接口选择和/或输入的各种背景触发物中的任一种来发起从患者记录中检索数据。
在220中,将在210期间检索到的自由文本医学数据源(例如,放射学报告、病理学报告和手术报告)发送到概念提取引擎112。概念提取引擎112处理自然语言并应用用于从自然语言中提取本体概念的技术。在一个示例性实施例中,概念提取引擎112可以具有如何配置标准文档的知识。例如,放射学报告可以包括特定章节,例如,“技术”、“临床历史”、“比较”、“发现”以及“结论”。在一些情况下,“发现”章节是解剖结构的子章节。类似地,概念提取引擎112可以访问关于如何构造其他自由文本文档(例如,病理学报告和手术记录)的知识,使得可以将概念提取引擎112配置为从正在审查的报告的特定章节中提取概念。
概念提取引擎112可以应用句子边界检测和/或短语检测算法以将文本分解成可以根据词性算法分类的句子或短语。在一个示例性实施例中,将来自自然语言(例如,短语)的元素与来自医学词汇的概念进行匹配以生成医学代码列表。医学概念可以例如包括来自公认医学本体(例如,SNOMED(医学系统命名法)或ICD(国际疾病分类))的代码。可以在提取的彼此有关的概念之间绘制关系,其中,每种关系具有标准化的语义解释,例如,概念X是概念Y的部位,其中,X是解剖概念。在特定实施例中,针对每个提取的概念,确定它是否在其出现的背景中被否定,或者是否经受确定性修饰符。
在230中,表型分型引擎114将临床推理应用于在220中提取的概念以及在210期间检索的其他数据,以确定患者是否患有某种疾病或病症。表型分型引擎的结果可以被编码为一个或多个概念或代码。在一个示例性实施例中,表型分型引擎114可以针对每种可检测的病症或疾病运行不同的模块。例如,每个模块可以是访问一个或多个EMR数据源以确定患者是否患有特定病症或疾病的规则。在另一示例中,模块可以是基于机器学习或统计建模的复杂推理机制。例如,用于糖尿病的表型分型规则可以咨询以下数据源:
(a)问题列表是否包含针对糖尿病的代码?
(b)实验室值是否包含超过7%的Alc值
(c)药物列表是否包含胰岛素药物?
如果在上述数据源中的任何数据源中找到支持性证据,则规则能够返回真,指示患者患有糖尿病。本领域技术人员应当理解,该表型分型规则仅是示例性的,并且可以应用更复杂的布尔组合或加权推理以及其他数据源。
表型分型引擎114可以提供推理线索,如图3的表中所示。推理线索可以包括信息,例如,原始数据源、来自(一个或多个)原始数据源的有意义的片段、有意义的片段内的支持性证据、推理对话(例如,明确说明支持性证据的声明以及在推理过程中如何使用该声明)和推理结果。如上所述,虽然图3所示的推理线索是用于确定患者是否患有糖尿病的简单的基于规则的推理,但是本领域技术人员应当理解,在使用例如布尔组合推理、加权证据或使用例如机器学习技术创建的更复杂的决策方法时,支持性证据、推理对话和推理结果可以基于一个以上的数据源。虽然示例性实施例具体示出并描述了用于确定患者是否患有糖尿病的特定表型分型模块,但是本领域技术人员应当理解,表型分型引擎114可以包括任何数量的表型分型模块,每个表型分型模块都确定患者是否患有特定的病症或疾病。
如上所述,可以根据一个以上的概念或代码对表型分型引擎的推理结果进行编码。在240中,在由表型分型引擎生成的概念/代码中的一个或多个概念/代码与由相关性确定引擎110利用的词汇或本体不一致的情况下,概念映射引擎116将概念/代码从一个本体映射到另一本体。例如,概念映射引擎116可以包括将SNOMED映射到ICD上的映射表。然而,如果所有概念/代码都在相同的本体中,则方法200可以从230直接进行到250。
在250中,经由相关性确定引擎110来确定由表型分型引擎114生成的和/或经由概念映射引擎116映射的概念/代码中的每个概念/代码的相关性。相关性确定引擎110为上面提取的概念/代码中的每个概念/代码分配相关性得分。可以经由映射表来映射相关性得分。在一个实施例中,相关性确定引擎110可以是背景特异性的。例如,相关性确定引擎110可以包括用于每个识别出的背景的单独的表。例如,在放射学领域中,相关背景是通过解释放射学检查的部位(例如,腹部、神经、胸腔等)确定的。相关背景也可以是通过放射学检查的更细化的部位来确定的,该部位是经由部位-模态组合(例如,腹部-CT和神经-MR)来定义的。背景可以由控制器引擎118来确定。
在一个示例性实施例中,代码的相关性得分可以有条件地取决于其他代码的存在。例如,如果患者是已知的糖尿病患者,则与非糖尿病患者相比,存在或不存在感染更为重要。在该实施例中,可以应用加权因子WC,D来调节代码C的相关性得分,其中,已知D中的代码适用于患者的疾病状态,D是代码集合。因此,在给定的背景(例如,腹部-CT)中,如果代码C将具有R的相关性,则在相同背景中的经调节的相关性得分可以是R×WC,D。加权因子WC,D可以基于查找表,在查找表中列出了C和D的每一种相关组合。如果E是针对患者的已知代码的集合,则从查找表中搜索条目D,该条目D是查找表中的所有条目中E的最大子集。对于D有多个条目的情况,可以有适用的规则。例如,可以选择具有最高调节权重WC,D的条目D。然而,如果组合是未知的,则可以应用默认的调节权重(例如1,即,不进行调节)。
为了限制查找表的大小并防止相关性确定引擎110在计算上变得棘手,可以将集合D的大小限制为例如1,使得查找表的最大大小为N2,其中,N是背景本体中的代码数。在另一实施例中,已知代码的集合D可以“在祖先下封闭”。换句话说,在查找表中搜索调节权重之前,已将D中的代码的所有祖先代码添加到D中。例如,如果代码E11.21(“患有糖尿病肾病的2型糖尿病”)在D中,则添加代码E11.2(“患有肾脏并发症的2型糖尿病”)和E11(“2型糖尿病”)。虽然闭合操作会使得集合D的大小增大,但是能够在较高级别上指定调节权重(例如,将E11下的所有2型糖尿病代码作为一个条目),这可能会使得查找表更短且更容易地管理查找表。在又一实施例中,调节权重不仅可以取决于已知代码D的集合,而且还可以取决于应用环境(例如,腹部-CT)。本领域技术人员应当理解,该实施例将得到更独特的代码组合以及更长的查找表。然而,对于所有实施例,可以手动配置和编辑相关性确定引擎110的查找表。
在260中,控制器引擎118通过在250中确定的相关性得分对代码进行排序。在270中,按排序顺序在显示器106上显示经排序的代码。显示器106可以通过使用预定的相关性阈值滤除那些不够相关的代码来显示经优先级排序的代码列表。可以通过相关性和/或经由来源(例如,实验室、问题列表等)对所显示的代码进行颜色编码。替代地或额外地,显示器106可以仅示出预定数量的代码。然而,用户接口104可以包括可以被选择以显示更多代码(例如,次级最相关代码的集合)的选项。
基于显示器106上示出的经排序和/或经优先级排序的列表,用户可以选择特定代码以查看从中提取了代码的(一个或多个)原始数据源。选择代码还可以显示生成代码的推理线索。用户还可以根据需要过滤所显示的代码。例如,用户可以过滤代码以仅示出来自一些选定来源的代码。
图4示出了根据本公开内容的示例性实施例的数据流的图。如以上关于方法200所描述的,将来自异构源的EMR数据发送到表型分型引擎114以生成推理线索和推理结果。被发送到表型分型引擎114的数据可以包括经由概念提取引擎112从自由文本文档中提取的概念。在经由表型分型引擎114提取概念/代码之后,可以将数据任选地发送到概念映射引擎,以将概念/代码从一种医学本体转换为相关性确定引擎110所利用的另一种医学本体。然后,相关性确定引擎110为代码中的每个代码分配(背景特异性)相关性得分,使得可以经由用户接口104在显示器106上向用户显示经排序和/或经优先级排序的代码列表。
本领域技术人员应当理解,可以以多种方式来实施上述示例性实施例,包括实施为单独的软件模块,实施为硬件和软件的组合等。例如,相关性确定引擎110、概念提取引擎112、表型分型引擎114、概念映射引擎116以及控制器引擎118可以是包含代码行的程序,这些代码行在被编译时可以在处理器102上运行。
对于本领域技术人员将显而易见的是,在不脱离本公开内容的精神或范围的情况下,可以对所公开的示例性实施例、方法和替代方案做出各种修改。因此,本公开内容旨在覆盖落入权利要求及其等同物的范围内的修改和变型。
Claims (17)
1.一种方法(200),包括:
由处理器(102)的控制器引擎(118)来检索(210)患者的医学数据,所述医学数据包括来自多个数据源的数据;
由所述处理器(102)的概念提取引擎(112)通过处理自然语言从包括自由文本文档的所述患者的所述医学数据中提取(220)本体/医学概念;
由所述处理器(102)的表型分型引擎(114)对所述患者的所述医学数据和所述本体/医学概念进行表型分型(230)以生成推理线索和包括一个或多个代码/概念的推理结果,并且将所述一个或多个代码/概念转换为预定医学本体,所述推理线索包括确定所述推理结果的基础;
由所述处理器(102)的概念映射引擎(116)将代码/概念映射(240)到医学词汇上或者将本体从一个本体映射到另一本体,并且进行到后续的分配步骤;或者,当所述一个或多个概念/代码中的所有概念/代码都处于相同的本体中时,直接进行到后续的分配步骤;
由所述处理器(102)的相关性确定引擎(110)为所述一个或多个代码/概念中的每个代码/概念分配(250)相关性得分;
由所述控制器引擎(118)基于所述一个或多个代码/概念中的每个代码/概念的所述相关性得分对所述代码/概念进行排序(260);并且
按排序顺序显示(270)所述代码/概念。
2.根据权利要求1所述的方法,还包括:对经排序的代码进行过滤,使得仅显示具有高于预定阈值的相关性得分的所述代码。
3.根据权利要求1所述的方法,其中,所述多个数据源包括以下各项中的一项:实验室结果、问题列表、药物列表、放射学报告、病理学报告、手术报告以及入院记录和出院记录。
4.根据权利要求1所述的方法,其中,分配所述相关性得分包括:基于通过所述推理结果生成的所述一个或多个代码内的第二代码的存在来应用加权因子。
5.根据权利要求4所述的方法,其中,所述加权因子基于包括相关的代码组合的查找表。
6.根据权利要求1所述的方法,其中,所述一个或多个代码是基于包括一个或SNOMED和ICD的公认医学本体的医学代码。
7.根据权利要求1所述的方法,其中,按排序顺序显示所述代码包括显示预定数量的代码。
8.根据权利要求1所述的方法,还包括:基于所显示的代码列表来接收用户输入。
9.根据权利要求8所述的方法,其中,所述用户输入选择所显示的代码中的一个代码以查看针对所述代码的原始数据源以及针对所述代码的所述推理线索中的一项。
10.根据权利要求8所述的方法,其中,所述用户输入对所显示的代码进行过滤以查看来自选定的数据源的代码。
11.根据权利要求1所述的方法,其中,为所述一个或多个代码中的每个代码分配所述相关性得分包括:确定所述一个或多个代码中的每个代码相对于用户的工作流的背景的相关性。
12.一种系统(100),包括:
非瞬态计算机可读存储介质,其存储可执行程序;以及
处理器,其运行所述可执行程序以令所述处理器:
检索患者的医学数据,所述医学数据包括来自多个数据源的数据;
通过处理自然语言从包括自由文本文档的所述患者的所述医学数据中提取本体/医学概念;
对所述患者的所述医学数据和所述本体/医学概念进行表型分型以生成推理线索和包括一个或多个代码/概念的推理结果,并且将所述一个或多个代码/概念转换为预定医学本体,所述推理线索包括确定所述推理结果的基础;
当所述一个或多个概念/代码中的所有概念/代码不是处于相同的本体中时,将代码/概念映射到医学词汇上或者将本体从一个本体映射到另一本体;
为所述一个或多个代码/概念中的每个代码/概念分配相关性得分;
基于所述一个或多个代码/概念中的每个代码/概念的所述相关性得分对所述代码/概念进行排序;并且
按排序顺序显示所述代码/概念。
13.根据权利要求12所述的系统,其中,所述处理器运行所述可执行程序以令所述处理器:
对经排序的代码进行过滤,使得仅显示具有高于预定阈值的相关性得分的所述代码。
14.根据权利要求12所述的系统,其中,分配所述相关性得分包括:基于通过所述推理结果生成的所述一个或多个代码内的第二代码的存在来应用加权因子。
15.根据权利要求12所述的系统,其中,所述处理器执行所述可执行程序以令所述处理器:
基于所显示的代码列表来接收用户输入。
16.根据权利要求15所述的系统,其中,所述用户输入执行以下各项中的一项:(a)选择所显示的代码中的一个代码以查看针对所述代码的原始数据源以及针对所述代码的所述推理线索中的一项,以及(b)对所显示的代码进行过滤以查看来自选定的数据源的代码。
17.根据权利要求15所述的系统,其中,为所述一个或多个代码中的每个代码分配所述相关性得分包括:确定所述一个或多个代码中的每个代码相对于用户的工作流的背景的相关性。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201862673155P | 2018-05-18 | 2018-05-18 | |
US62/673,155 | 2018-05-18 | ||
PCT/EP2019/061166 WO2019219388A1 (en) | 2018-05-18 | 2019-05-01 | System and method for prioritization and presentation of heterogeneous medical data |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112154512A CN112154512A (zh) | 2020-12-29 |
CN112154512B true CN112154512B (zh) | 2024-03-08 |
Family
ID=66440015
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201980033495.9A Active CN112154512B (zh) | 2018-05-18 | 2019-05-01 | 用于异构医学数据的优先级排序和呈现的系统和方法 |
Country Status (6)
Country | Link |
---|---|
US (2) | US11775585B2 (zh) |
EP (1) | EP3794600A1 (zh) |
JP (1) | JP7319301B2 (zh) |
CN (1) | CN112154512B (zh) |
BR (1) | BR112020023361A2 (zh) |
WO (1) | WO2019219388A1 (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AT524707A1 (de) * | 2021-01-28 | 2022-08-15 | Blockhealth Gmbh | Verfahren zum Ordnen von Gesundheitsdaten |
CN117594198B (zh) * | 2024-01-18 | 2024-04-05 | 万里云医疗信息科技(北京)有限公司 | 基于异构数据的医学影像记录检索方法及装置 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017172629A1 (en) * | 2016-03-28 | 2017-10-05 | Icahn School Of Medicine At Mount Sinai | Systems and methods for applying deep learning to data |
Family Cites Families (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110046979A1 (en) * | 2008-05-09 | 2011-02-24 | Koninklijke Philips Electronics N.V. | Method and system for personalized guideline-based therapy augmented by imaging information |
US8799286B2 (en) | 2008-10-23 | 2014-08-05 | International Business Machines Corporation | System and method for organizing and displaying of longitudinal multimodal medical records |
US20120035963A1 (en) * | 2009-03-26 | 2012-02-09 | Koninklijke Philips Electronics N.V. | System that automatically retrieves report templates based on diagnostic information |
CN102844761B (zh) * | 2010-04-19 | 2016-08-03 | 皇家飞利浦电子股份有限公司 | 用于查看描述放射学图像的医学报告的方法和报告查看器 |
US9946991B2 (en) * | 2011-06-30 | 2018-04-17 | 3M Innovative Properties Company | Methods using multi-dimensional representations of medical codes |
WO2013036677A1 (en) | 2011-09-06 | 2013-03-14 | The Regents Of The University Of California | Medical informatics compute cluster |
WO2013098701A1 (en) * | 2011-12-27 | 2013-07-04 | Koninklijke Philips Electronics N.V. | Text analysis system |
WO2013179216A2 (en) * | 2012-06-01 | 2013-12-05 | Koninklijke Philips N.V. | System and method for matching patient information to clinical criteria |
US10127271B2 (en) * | 2012-09-06 | 2018-11-13 | Koninklijke Philips N.V. | Generating a query |
US20140108047A1 (en) * | 2012-09-21 | 2014-04-17 | Atigeo Llc | Methods and systems for medical auto-coding using multiple agents with automatic adjustment |
EP2973106A1 (en) * | 2013-03-15 | 2016-01-20 | The Cleveland Clinic Foundation | Self-evolving predictive model |
SG10201707275RA (en) * | 2013-06-27 | 2017-10-30 | Smiths Medical Asd Inc | Infusion planning system |
US9292658B2 (en) | 2013-11-20 | 2016-03-22 | International Business Machines Corporation | Evidence based medical record |
US20150149215A1 (en) * | 2013-11-26 | 2015-05-28 | Koninklijke Philips N.V. | System and method to detect and visualize finding-specific suggestions and pertinent patient information in radiology workflow |
US9690861B2 (en) | 2014-07-17 | 2017-06-27 | International Business Machines Corporation | Deep semantic search of electronic medical records |
WO2016024221A1 (en) * | 2014-08-12 | 2016-02-18 | Koninklijke Philips N.V. | Increasing value and reducing follow-up radiological exam rate by predicting reason for next exam |
JP7021101B2 (ja) | 2016-03-28 | 2022-02-16 | コーニンクレッカ フィリップス エヌ ヴェ | 検査値のコンテキストによるフィルタリング |
CN109313648B (zh) | 2016-05-27 | 2023-06-09 | 皇家飞利浦有限公司 | 用于基于语义关系来将自由文本临床文档建模为层次图状数据结构的系统和方法 |
WO2017210327A1 (en) * | 2016-06-03 | 2017-12-07 | Celmatix Inc. | Method for assessing fertility based on male and female genetic and phenotypic data |
US11915803B2 (en) * | 2016-10-28 | 2024-02-27 | Intelligent Medical Objects, Inc. | Method and system for extracting data from a plurality of electronic data stores of patient data to provide provider and patient data similarity scoring |
-
2019
- 2019-05-01 US US17/056,161 patent/US11775585B2/en active Active
- 2019-05-01 EP EP19722555.0A patent/EP3794600A1/en not_active Withdrawn
- 2019-05-01 WO PCT/EP2019/061166 patent/WO2019219388A1/en active Application Filing
- 2019-05-01 JP JP2020564058A patent/JP7319301B2/ja active Active
- 2019-05-01 CN CN201980033495.9A patent/CN112154512B/zh active Active
- 2019-05-01 BR BR112020023361-7A patent/BR112020023361A2/pt unknown
-
2023
- 2023-09-27 US US18/373,333 patent/US20240020342A1/en active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017172629A1 (en) * | 2016-03-28 | 2017-10-05 | Icahn School Of Medicine At Mount Sinai | Systems and methods for applying deep learning to data |
Also Published As
Publication number | Publication date |
---|---|
US20240020342A1 (en) | 2024-01-18 |
US11775585B2 (en) | 2023-10-03 |
CN112154512A (zh) | 2020-12-29 |
EP3794600A1 (en) | 2021-03-24 |
JP2021524097A (ja) | 2021-09-09 |
BR112020023361A2 (pt) | 2021-02-09 |
US20210279289A1 (en) | 2021-09-09 |
WO2019219388A1 (en) | 2019-11-21 |
JP7319301B2 (ja) | 2023-08-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11410775B2 (en) | Structured support of clinical healthcare professionals | |
US11881293B2 (en) | Methods for automatic cohort selection in epidemiologic studies and clinical trials | |
JP5952835B2 (ja) | 撮像プロトコルの更新及び/又はリコメンダ | |
US8600772B2 (en) | Systems and methods for interfacing with healthcare organization coding system | |
US20150161329A1 (en) | System and method for matching patient information to clinical criteria | |
US20060136259A1 (en) | Multi-dimensional analysis of medical data | |
US20240020342A1 (en) | System and method for prioritization and presentation of heterogeneous medical data | |
WO2007098460A2 (en) | Information retrieval and reporting method and system | |
US11630874B2 (en) | Method and system for context-sensitive assessment of clinical findings | |
JP2018060529A (ja) | コンテキストベースの患者類似性の方法及び装置 | |
US20190310981A1 (en) | Automated identification of salient finding codes in structured and narrative reports | |
US10127271B2 (en) | Generating a query | |
US11615890B2 (en) | Method and system for the computer-assisted implementation of radiology recommendations | |
US11886686B2 (en) | User interface, system, and method for optimizing a patient problem list | |
US11763081B2 (en) | Extracting fine grain labels from medical imaging reports | |
US20130198225A1 (en) | System and method for queried patient abstract | |
US20240079102A1 (en) | Methods and systems for patient information summaries | |
US20240177818A1 (en) | Methods and systems for summarizing densely annotated medical reports | |
US20230253100A1 (en) | Machine learning model to evaluate healthcare facilities | |
Abu-Ghoush | An Integrated Framework Using Variable Encoding-TF-IDF-PCA-Classification for Predicting Adverse Event Action | |
CN117438079A (zh) | 循证知识抽提及辅助临床决策的方法及介质 | |
Boytcheva et al. | EVTIMA: a system for IE from hospital patient records in Bulgarian |
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 |