CN112309519A - 基于多模型的电子病历用药结构化处理系统 - Google Patents

基于多模型的电子病历用药结构化处理系统 Download PDF

Info

Publication number
CN112309519A
CN112309519A CN202011156985.9A CN202011156985A CN112309519A CN 112309519 A CN112309519 A CN 112309519A CN 202011156985 A CN202011156985 A CN 202011156985A CN 112309519 A CN112309519 A CN 112309519A
Authority
CN
China
Prior art keywords
medical record
medication
electronic medical
information
patient
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.)
Granted
Application number
CN202011156985.9A
Other languages
English (en)
Other versions
CN112309519B (zh
Inventor
洪东升
卢晓阳
倪剑
周逸帆
刘晓健
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 University ZJU
Original Assignee
Zhejiang University ZJU
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 University ZJU filed Critical Zhejiang University ZJU
Priority to CN202011156985.9A priority Critical patent/CN112309519B/zh
Publication of CN112309519A publication Critical patent/CN112309519A/zh
Application granted granted Critical
Publication of CN112309519B publication Critical patent/CN112309519B/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
    • 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
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/205—Parsing
    • G06F40/216—Parsing using statistical methods
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/10—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to patients
    • G16H20/13—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to patients delivered from dispensers

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • General Engineering & Computer Science (AREA)
  • Public Health (AREA)
  • Primary Health Care (AREA)
  • Medical Informatics (AREA)
  • Epidemiology (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Software Systems (AREA)
  • Medicinal Chemistry (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Chemical & Material Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Mathematical Physics (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Probability & Statistics with Applications (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

本发明涉及一种基于多模型的电子病历用药结构化处理系统，包括：多个病历录入设备，每一个病历录入设备用于录入其对应的医疗组/医生的各份电子病历信息，每一份电子病历信息包括病程段落；云端服务网元集合，用于根据接收到的每一份电子病历信息的来源医疗组/医生选择对应的深度神经网络模型以对病程段落执行深度神经网络识别处理，获得以用药名称为主索引词的患者用药结构化档案。本发明的基于多模型的电子病历用药结构化处理系统运行智能、响应及时。在计算机采用深度神经网络模型读入以文本为主的电子病历数据的基础上，识别同一医疗机构内不同医疗组/不同医生的病历撰写习惯，为医疗机构科研数据平台提供出有效的结构化医疗基础数据。

Description

基于多模型的电子病历用药结构化处理系统
(一)技术领域
本发明涉及医疗资源管理领域，尤其涉及一种基于多模型的电子病历用药结构化处理系统。
(二)背景技术
电子病历(Electronic Medical Record,EMR)是医务人员对病人患病经过和治疗情况所作的文字记录，是医生诊断和治疗疾病的依据。电子病历不仅记录病患病情，而且也记录医师对病情的分析、诊断、治疗的过程，对预后的估计，以及各级医师查房和会诊的意见。电子病历作为患者整个诊疗过程的原始记录，记载了病人住入医疗机构后由患者或陪同人陈述发病经过，医护人员对患者进行诊断、治疗、理化检查，直至病人出院或死亡全过程的真实情况。因此，病历既是病情的实际记录，也是医疗、护理质量和学术水平的体现，是医学科学研究很有价值的资料。
随着大数据和人工智能的发展，利用电子病历中记载的信息开展医学研究已经成为一个重要方向，但是现实层面的技术瓶颈是：这些以文本为主的电子病历数据虽然可以让专业人士看懂，但计算机理解不了，也就没法发挥其计算能力，就更别提到应用端的价值体现。因此有必要对电子病历的现有技术进行改进，以满足后续智能诊疗等一系列人工智能应用的开发。
同时，当每一家医疗机构需要对医疗机构内各种医疗资源进行整合以便于执行后续医疗机构科研数据平台的建立和研究时，需要对同一家医疗机构的各个不同医疗组/各个不同医生的电子病历信息进行识别和数据归纳，所述电子病历信息通常包括疾病诊断类型、病人年龄、病人性别、病人治疗就诊时间、发病时间、症状信息、患者主诉信息、患者治疗过程信息、检验项目名称、检验明细信息以及一个以上用药名称。
在所述电子病历信息中，疾病诊断类型、病人年龄、病人性别和病人治疗就诊时间一般都具有固定的栏目，普遍放置在病历的已经结构化区域，容易通过对固定栏目进行关键字识别进行获得，而电子病历中医生输入的诊断治疗过程所包括的发病时间、症状信息、患者主诉信息、患者治疗过程信息、检验项目名称、检验明细信息以及一个以上用药名称难以获取，一方面是因为不同医疗组/不同医生具有不同的病历撰写习惯，另一方面，医疗组内医生越多，医疗组内的疾病治疗诊断过程的描述种类也就越多，医生轮转过的科室医疗机构越多，医生疾病诊断描述同样越丰富，这时，采用固定式的文本识别机制执行不同医疗组/医生输入的电子病历信息的患者用药档案等相关信息的结构化识别，显然不太现实。
(三)发明内容
为了解决上述各种电子病历识别困难的技术问题，本发明提供了一种基于多模型的电子病历用药结构化处理系统，首先，计算机采用深度神经网络模型实现对以文本为主的电子病历数据的读入，其次，引入多种深度神经网络模型以分别针对同一医疗机构的不同医疗组/不同医生用于适应对应医疗组/医生的病历撰写习惯，再次，在每一医疗组/医生所属的深度神经网络模型中，基于医疗组拥有医生的数量/医生轮转过的科室数量医疗机构实现模型的定制化设计，最后，为了提升读入电子病历信息的医疗机构科研数据平台的响应速度和处理效率，引入由不止一个云端服务网元构成的云端服务网元集合并采用其中任务最轻的云端服务网元执行电子病历信息的读入。
为此，本发明关键在于：
(1)计算机采用基于应用场景的定制化深度神经网络模型实现对以文本为主的不同来源的电子病历数据的统一读入，从而为后续医疗数据的管理以及智能诊疗的实现提供可靠的数据基础；
(2)针对不同医疗组/不同医生定制不同的深度神经网络模型以完成对电子病历关键数据即以用药名称为主索引词的患者用药结构化档案的识别，其中，对不同模型通过对应医疗组/医生的批量电子病历数据完成模型的训练，保证模型实现对相应医疗组/医生的电子病历撰写习惯的有效识别；
(3)考虑到医疗组医生数量越多/医生轮转执业过的科室医疗机构越多、相应医疗组/医生的电子病历撰写习惯识别的难度越大的特性，将深度神经网络模型的隐含层的数量与对应医疗组的医生数量/医疗机构对应医生轮转过的科室数量单调正相关；
(4)引入由不止一个云端服务网元构成的云端服务网元集合并实时选择其中任务最轻的云端服务网元对接收到的电子病历信息的病程段落执行深度神经网络识别处理，从而保证系统具有较快的响应速度且能够处理并发数据。
根据本发明的一方面，提供了一种基于多模型的电子病历用药结构化处理系统，所述系统包括：
多个病历录入设备，分别设置在同一医疗机构内的多个医疗组/多个医生的诊间内，每一个病历录入设备用于录入其对应的医疗组/医生的各份电子病历信息，每一份电子病历信息包括病程段落、疾病诊断类型、病人年龄、病人性别和病人治疗就诊时间，所述病程段落为对电子病历中医生填写的诊断治疗过程部分的文字段落；
云端服务网元集合，由不止一个云端服务网元构成，通过网络与所述多个病历录入设备连接，用于根据接收到的每一份电子病历信息的来源医疗组/医生选择对应的深度神经网络模型以对接收到的所述电子病历信息的病程段落执行深度神经网络识别处理，获得所述病程段落对应的以用药名称为主索引词的患者用药结构化档案，所述患者用药结构化档案包括发病时间、症状信息、患者主诉信息、患者治疗过程信息、检验项目名称、检验明细信息以及一个以上用药名称；
数据存储芯片，设置在医疗机构科研数据平台端，通过网络与所述云端服务网络集合连接，内置信息数据库用于接收并存储每一份电子病历信息的疾病诊断类型、病人年龄、病人性别、发病时间、症状信息、患者主诉信息、患者治疗过程信息、检验项目名称、检验明细信息以及一个以上用药名称；
其中，每一个云端服务网元存储同一医疗机构内的多个医疗组/多个医生分别对应的多个深度神经网络模型，每一个医疗组/医生对应的深度神经网络模型包括单个输入层、单个输出层和N个隐藏层，模型被训练时，所述输入层输入对应医疗组/医生的批量的病程段落，所述输出层输出被训练的每一份病程段落对应的M个用药名称，其中，N和M均为大于1的自然数，N与对应医疗组的医生数量/医疗机构对应医生轮转过的科室数量单调正相关，M的数值固定；
其中，在训练深度神经网络模型时，当输入的病程段落中存在小于M 的多个不同用药名称时，输出的M个用药名称为病程段落中出现的多个不同用药名称加上为补足M而增加的差额数量的空名称；
其中，获得所述病程段落对应的以用药名称为主索引词的患者用药结构化档案，所述患者用药结构化档案包括发病时间、症状信息、患者主诉信息、患者治疗过程信息、检验项目名称、检验明细信息以及一个以上用药名称，其中一个以上用药名称包括：将深度神经网络模型输出的M个用药名称中去除空名称后获得的各个用药名称作为所述病程段落对应的一个以上用药名称；
其中，所述云端服务网元集合每接收到一份电子病历信息，根据各个云端服务网元的任务繁重选择任务最轻的云端服务网元对接收到的电子病历信息的病程段落执行深度神经网络识别处理。
更具体地，在所述基于多模型的电子病历用药结构化处理系统中：
在训练深度神经网络模型时，当输入的病程段落中存在大于M的多个不同用药名称时，输出的M个用药名称为病程段落中出现频率最频繁的M 个不同用药名称；
其中，在训练深度神经网络模型时，当输入的病程段落中存在等于M 的多个不同用药名称时，输出的M个用药名称为病程段落中出现的多个不同用药名称。
更具体地，在所述基于多模型的电子病历用药结构化处理系统中：
每一个病历录入设备包括实时文本抓取单元、信息辨析单元和信息输出单元；
其中，在每一个病历录入设备中，所述实时文本抓取单元用于对每一份电子病历整体进行文本抓取以获得对应的病历整体信息源；
其中，在每一个病历录入设备中，所述信息辨析单元与所述实时文本抓取单元连接，用于对病历整体信息源的已经结构化区域进行关键字识别以获得所述电子病历对应的电子病历信息的疾病诊断类型、病人年龄、病人性别和病人治疗就诊时间，还用于将病历整体信息源中已经结构化区域之外的文本信息作为所述电子病历对应的电子病历信息的病程段落；
其中，在每一个病历录入设备中，所述信息输出单元与所述信息辨析单元连接，用于输出所述电子病历对应的电子病历信息。
更具体地，在所述基于多模型的电子病历用药结构化处理系统中，所述系统还包括：
第一分类设备，设置在医疗机构科研数据平台端，与所述数据存储芯片连接，用于基于用户输入的患者性别类型对所述数据存储芯片中的每一个用药名称执行使用药品的患者性别类型的统计，所述统计基于所述用药名称出现在所述数据存储芯片中的每一份电子病历信息对应的患者性别类型。
更具体地，在所述基于多模型的电子病历用药结构化处理系统中，所述系统还包括：
第二分类设备，设置在医疗机构科研数据平台端，与所述数据存储芯片连接，用于基于用户输入的患者年龄对所述数据存储芯片中的每一个用药名称执行使用药品的患者年龄的统计，所述统计基于所述用药名称出现在所述数据存储芯片中的每一份电子病历信息对应的病人年龄。
更具体地，在所述基于多模型的电子病历用药结构化处理系统中，所述系统还包括：
第三分类设备，设置在医疗机构科研数据平台端，与所述数据存储芯片连接，用于基于用户输入的患者就诊时间对所述数据存储芯片中的每一个用药名称执行使用药品的患者就诊时间的统计，所述统计基于所述用药名称出现在所述数据存储芯片中的每一份电子病历信息对应的患者就诊时间。
更具体地，在所述基于多模型的电子病历用药结构化处理系统中，所述系统还包括：
第四分类设备，设置在医疗机构科研数据平台端，与所述数据存储芯片连接，用于将所述数据存储芯片中具有与用户输入的疾病类型相同的疾病诊断类型的各份电子病历信息进行以下统计：获取所述各份电子病历分别对应的一个以上用药名称并按照出现频率从高到低对用于名称进行排序。
更具体地，在所述基于多模型的电子病历用药结构化处理系统中，所述系统还包括：
现场显示屏幕，设置在医疗机构科研数据平台端，与分类设备连接，用于将分类设备的统计结果进行现场显示。
更具体地，在所述基于多模型的电子病历用药结构化处理系统中，所述系统还包括：
权限管理设备，设置在医疗机构科研数据平台端，用于为所述医疗机构科研数据平台提供权限管理服务；
其中，所述权限管理服务包括平台登录服务、修改密码服务和平台退出服务。
根据本发明的另一方面，还提供了一种基于多模型的病历结构化处理方法，所述方法包括使用一种如上述的基于多模型的电子病历用药结构化处理系统，用于基于多种定制的深度神经网络模型以及云端服务网元集合提升医疗机构科研数据平台读取电子病历的精度和速度。
本发明的基于多模型的电子病历用药结构化处理系统运行智能、响应及时。在计算机采用深度神经网络模型读入以文本为主的电子病历数据的基础上，识别同一医疗机构内不同医疗组/不同医生的病历撰写习惯，为医疗机构科研数据平台提供出有效的结构化医疗基础数据。
(四)附图说明
图1为根据本发明实施方案示出的基于多模型的电子病历用药结构化处理系统的技术流程图。
图2为根据本发明实施方案示出的基于多模型的电子病历用药结构化处理系统的第一种结构方框图。
图3为根据本发明实施方案示出的基于多模型的电子病历用药结构化处理系统的第二种结构方框图。
图4为根据本发明实施方案示出的基于多模型的电子病历用药结构化处理系统对用药名称执行使用药品患者性别的统计运行界面示意图。
图5为根据本发明实施方案示出的基于多模型的电子病历用药结构化处理系统的第三种结构方框图。
图6为根据本发明实施方案示出的基于多模型的电子病历用药结构化处理系统对用药名称执行使用药品患者年龄的统计运行界面示意图。
图7为根据本发明实施方案示出的基于多模型的电子病历用药结构化处理系统的第四种结构方框图。
图8为根据本发明实施方案示出的基于多模型的电子病历用药结构化处理系统对用药名称执行使用药品患者就诊时间的统计运行界面示意图。
图9为根据本发明实施方案示出的基于多模型的电子病历用药结构化处理系统的第五种结构方框图。
图10为根据本发明实施方案示出的基于多模型的电子病历用药结构化处理系统对用药名称按照出现频率从高到低排序的运行界面示意图。
图11为根据本发明实施方案示出的基于多模型的电子病历用药结构化处理系统的第六种结构方框图。
图12为根据本发明实施方案示出的基于多模型的电子病历用药结构化处理系统的第七种结构方框图。
图13为根据本发明实施方案示出的基于多模型的电子病历用药结构化处理系统执行平台登录服务的运行界面示意图。
图14为根据本发明实施方案示出的基于多模型的电子病历用药结构化处理系统执行修改密码服务的运行界面示意图。
图15为根据本发明实施方案示出的基于多模型的电子病历用药结构化处理系统执行平台退出服务操作后的运行界面示意图。
(五)具体实施方式
下面结合具体实施例对本发明进行进一步描述，但本发明的保护范围并不仅限于此：
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。也是对采集到的资料加以归纳、整理、综合分析，按规定的格式和要求书写的患者医疗健康档案。病历既是临床实践工作的总结，又是探索疾病规律及处理医疗纠纷的法律依据。病历对医疗、预防、教学、科研、医疗机构管理等都有重要的作用。
当前，为了方便医疗机构卫生医疗管理部门对本院的医疗信息进行整合和归纳，通常建立了医疗机构科研数据平台用于采集本院的各个医疗组 /各个医生的海量病历信息，电子化的病历信息较为专业，方便专业人士阅读但基于其文本格式的限制不便于计算机统计、分析；此外，同一家医疗机构内不同医疗组/不同医生的电子病历的信息采集对医疗机构科研数据平台来说也较为困难，原因在于不同医疗组/不同医生病历撰写习惯千差万别，如果采用一套固定的文本识别机制对医疗机构内不同医疗组/不同医生的电子病历进行文本识别，可能识别失败，导致电子病历信息传入失败，也可能无法完全识别成功，导致识别结果不够客观；最后，过多的电子病历的信息录入操作是一件繁琐且耗时的任务，需要建立快速、高效的集成化录入系统以实现同一医疗机构内持续产生的电子病历信息的不间断录入。
为了克服上述不足，本发明搭建了一种基于多模型的电子病历用药结构化处理系统，能够解决医疗机构科研数据平台在录入电子病历时遇到的各种技术问题。
本发明的发明构思的关键在于，通过采用针对同一家医疗机构内多个医疗组/多个医生的多种定制的深度神经网络模型以提升医疗机构科研数据平台录入电子病历的精度，同时，通过采用不止一个云端服务网元构成的云端服务网元集合以提升医疗机构科研数据平台录入电子病历的速度。
如图1所示，给出了根据本发明实施方案示出的基于多模型的电子病历用药结构化处理系统的技术流程图；
在图1中，所述系统由医疗组端/医生端、云端、网络端和医疗机构科研数据平台端构成，医疗组端/医生端、云端和网络端分别用于完成电子病历信息的采集、处理和处理后的数据的传输，处理后的数据发送给医疗机构科研数据平台端以便于医疗机构卫生监管人员执行与电子病历数据相关的查询、检索、统计、分类、显示等各项操作。
其中，在医疗组端/医生端，为同一医疗机构内的每一个医疗组/医生设置一个病历录入设备，用于录入其对应的医疗组/医生的各份电子病历信息，例如，同一医疗机构内的S个医疗组/医生可以设置S个病历录入设备，S为大于1的自然数；在云端，采用由不止一个云端服务网元构成的云端服务网元集合；在网络端，所采用的网络可以是无线通信网络，也可以是有线通信网络；医疗机构科研数据平台端通过计算机控制系统在人工操控下实现与电子病历数据相关的查询、检索、统计、分类、显示等各项操作，从而提供出与电子病历信息相关的有效的医疗基础数据。
下面，将对本发明的基于多模型的电子病历用药结构化处理系统以实施例的方式进行具体说明。
<第一实施例>
图2为根据本发明实施方案示出的基于多模型的电子病历用药结构化处理系统的第一种结构方框图，所述系统包括：
多个病历录入设备，例如S个病历录入设备，S为大于1的自然数，所述多个病历录入设备分别设置在同一医疗机构内的多个医疗组/多个医生的诊间内，每一个病历录入设备用于录入其对应的医疗组/医生的各份电子病历信息，每一份电子病历信息包括病程段落、疾病诊断类型、病人年龄、病人性别和病人治疗就诊时间，所述病程段落为对电子病历中医生填写的诊断治疗过程部分的文字段落；
云端服务网元集合，由不止一个云端服务网元构成，例如T个云端服务网元，T为大于1的自然数，S和T的数值可以相等，也可以不等，所述云端服务网元集合通过网络与所述多个病历录入设备连接，用于根据接收到的每一份电子病历信息的来源医疗组/医生选择对应的深度神经网络模型以对接收到的所述电子病历信息的病程段落执行深度神经网络识别处理，获得所述病程段落对应的以用药名称为主索引词的患者用药结构化档案，所述患者用药结构化档案包括发病时间、症状信息、患者主诉信息、患者治疗过程信息、检验项目名称、检验明细信息以及一个以上用药名称；
数据存储芯片，设置在医疗机构科研数据平台端，通过网络与所述云端服务网络集合连接，内置信息数据库用于接收并存储每一份电子病历信息的疾病诊断类型、病人年龄、病人性别、发病时间、症状信息、患者主诉信息、患者治疗过程信息、检验项目名称、检验明细信息以及一个以上用药名称；
其中，每一个云端服务网元存储同一医疗机构内的多个医疗组/多个医生分别对应的多个深度神经网络模型，每一个医疗组/医生对应的深度神经网络模型包括单个输入层、单个输出层和N个隐藏层，模型被训练时，所述输入层输入对应医疗组/医生的批量的病程段落，所述输出层输出被训练的每一份病程段落对应的M个用药名称，其中，N和M均为大于1的自然数，N与对应医疗组的医生数量/医疗机构对应医生轮转过的科室数量单调正相关，M的数值固定；
其中，在训练深度神经网络模型时，当输入的病程段落中存在小于M 的多个不同用药名称时，输出的M个用药名称为病程段落中出现的多个不同用药名称加上为补足M而增加的差额数量的空名称；
其中，获得所述病程段落对应的以用药名称为主索引词的患者用药结构化档案，所述患者用药结构化档案包括发病时间、症状信息、患者主诉信息、患者治疗过程信息、检验项目名称、检验明细信息以及一个以上用药名称包括：将深度神经网络模型输出的M个用药名称中去除空名称后获得的各个用药名称作为所述病程段落对应的一个以上用药名称；
其中，所述云端服务网元集合每接收到一份电子病历信息，根据各个云端服务网元的任务繁重选择任务最轻的云端服务网元对接收到的电子病历信息的病程段落执行深度神经网络识别处理。
在本发明的基于多模型的电子病历用药结构化处理系统中：
在训练深度神经网络模型时，当输入的病程段落中存在大于M的多个不同用药名称时，输出的M个用药名称为病程段落中出现频率最频繁的M 个不同用药名称；
其中，在训练深度神经网络模型时，当输入的病程段落中存在等于M 的多个不同用药名称时，输出的M个用药名称为病程段落中出现的多个不同用药名称。
以及在本发明的基于多模型的电子病历用药结构化处理系统中：
每一个病历录入设备包括实时文本抓取单元、信息辨析单元和信息输出单元；
其中，在每一个病历录入设备中，所述实时文本抓取单元用于对每一份电子病历整体进行文本抓取以获得对应的病历整体信息源；
其中，在每一个病历录入设备中，所述信息辨析单元与所述实时文本抓取单元连接，用于对病历整体信息源的已经结构化区域进行关键字识别以获得所述电子病历对应的电子病历信息的疾病诊断类型、病人年龄、病人性别和病人治疗就诊时间，还用于将病历整体信息源中其已经结构化区域之外的文本区域作为所述电子病历对应的电子病历信息的病程段落；
其中，在每一个病历录入设备中，所述信息输出单元与所述信息辨析单元连接，用于输出所述电子病历对应的电子病历信息。
<第二实施例>
图3为根据本发明实施方案示出的基于多模型的电子病历用药结构化处理系统的第二种结构方框图，所述系统还包括：
第一分类设备，设置在医疗机构科研数据平台端，与所述数据存储芯片连接，用于基于用户输入的患者性别类型对所述数据存储芯片中的每一个用药名称执行使用药品的患者性别类型的统计，所述统计基于所述用药名称出现在所述数据存储芯片中的每一份电子病历信息对应的患者性别类型。
如图4所示，给出了根据本发明实施方案示出的基于多模型的电子病历用药结构化处理系统对用药名称执行使用药品患者性别的统计运行界面示意图；
在图4中，根据医疗机构科研数据平台端的工作人员的操控所选择的不同性别，例如，男性和女性，给出两种不同性别分别对应的使用同一用药的同性患者用药的相关统计数据。
<第三实施例>
图5为根据本发明实施方案示出的基于多模型的电子病历用药结构化处理系统的第三种结构方框图，所述系统还包括：
第二分类设备，设置在医疗机构科研数据平台端，与所述数据存储芯片连接，用于基于用户输入的患者年龄对所述数据存储芯片中的每一个用药名称执行使用药品的患者年龄的统计，所述统计基于所述用药名称出现在所述数据存储芯片中的每一份电子病历信息对应的病人年龄；
如图6所示，给出了根据本发明实施方案示出的基于多模型的电子病历用药结构化处理系统对用药名称执行使用药品患者年龄的统计运行界面示意图；
在图6中，根据医疗机构科研数据平台端的工作人员的操控所选择的不同年龄段，例如，0-1岁、2-7岁、8-12岁、13-20岁、21-45岁、46-60岁以及61岁以上，给出使用同一用药的选定年龄段内的患者用药的相关统计数据。
<第四实施例>
图7为根据本发明实施方案示出的基于多模型的电子病历用药结构化处理系统的第四种结构方框图，所述系统还包括：
第三分类设备，设置在医疗机构科研数据平台端，与所述数据存储芯片连接，用于基于用户输入的患者就诊时间对所述数据存储芯片中的每一个用药名称执行使用药品的患者就诊时间的统计，所述统计基于所述用药名称出现在所述数据存储芯片中的每一份电子病历信息对应的患者就诊时间；
如图8所示，给出了根据本发明实施方案示出的基于多模型的电子病历用药结构化处理系统对用药名称执行使用药品患者就诊时间的统计运行界面示意图；
在图8中，根据医疗机构科研数据平台端的工作人员的操控所选择的不同患者就诊时间，例如，1年以内、2年以内、3年以内以及5年以内，给出使用同一用药的选定就诊时间内的患者用药的相关统计数据。
<第五实施例>
图9为根据本发明实施方案示出的基于多模型的电子病历用药结构化处理系统的第五种结构方框图，所述系统还包括：
第四分类设备，设置在医疗机构科研数据平台端，与所述数据存储芯片连接，用于将所述数据存储芯片中具有与用户输入的疾病类型相同的疾病诊断类型的各份电子病历信息进行以下统计：获取所述各份电子病历分别对应的一个以上用药名称并按照出现频率从高到低对用于名称进行排序；
如图10所示，给出了根据本发明实施方案示出的基于多模型的电子病历用药结构化处理系统对用药名称按照出现频率从高到低排序的运行界面示意图；
在图10中，根据医疗机构科研数据平台端的工作人员的操控所选择的疾病类型，给出相关的各份电子病历按照出现频率从高到低的药品名称队列，例如在界面的右侧给出了以5％葡萄糖注射液为使用频率最频繁的药品名称队列，从而使得医疗机构科研数据平台端的工作人员对同一医疗机构内的同一疾病的对应用药数据一目了然。
<第六实施例>
图11为根据本发明实施方案示出的基于多模型的电子病历用药结构化处理系统的第六种结构方框图，所述系统还包括：
现场显示屏幕，设置在医疗机构科研数据平台端，与分类设备连接，用于将分类设备的统计结果进行现场显示。
其中，所述分类设备可以为第一分类设备、第二分类设备、第三分类设备和第四分类设备中的一种，对应的，所述现场显示屏幕可以显示第一分类设备、第二分类设备、第三分类设备和第四分类设备分别对应的运行界面。
<第七实施例>
图12为根据本发明实施方案示出的基于多模型的电子病历用药结构化处理系统的第七种结构方框图，所述系统还包括：
权限管理设备，设置在医疗机构科研数据平台端，用于为所述医疗机构科研数据平台提供权限管理服务；
其中，所述权限管理服务包括平台登录服务、修改密码服务和平台退出服务；
具体地，如图13所示，给出了根据本发明实施方案示出的基于多模型的电子病历用药结构化处理系统执行平台登录服务的运行界面示意图；
具体地，如图14所示，给出了根据本发明实施方案示出的基于多模型的电子病历用药结构化处理系统执行修改密码服务的运行界面示意图；
具体地，如图15所示，给出了根据本发明实施方案示出的基于多模型的电子病历用药结构化处理系统执行平台退出服务操作后的运行界面示意图，其中平台退出服务操作后对应的图15的运行界面与图13的运行界面类似或相同。
同时，为了克服上述不足，本发明还搭建了一种基于多模型的病历结构化处理方法，所述方法包括使用一种如上述的基于多模型的电子病历用药结构化处理系统，用于基于多种定制的深度神经网络模型以及云端服务网元集合提升医疗机构科研数据平台录入电子病历的精度和速度。
另外，深度神经网络是机器学习(MachineLearning,ML)领域中一种技术，通常采用多层隐含层，多层的好处是可以用较少的参数表示复杂的函数。
在监督学习中，以前的多层神经网络的问题是容易陷入局部极值点。如果训练样本足够充分覆盖未来的样本，那么学到的多层权重可以很好的用来预测新的测试样本。但是很多任务难以得到足够多的标记样本，在这种情况下，简单的模型，比如线性回归或者决策树往往能得到比多层神经网络更好的结果，即更好的泛化性，更差的训练误差。
非监督学习中，以往没有有效的方法构造多层网络。多层神经网络的顶层是底层特征的高级表示，比如底层是像素点，上一层的结点可能表示横线、三角；而顶层可能有一个结点表示人脸。一个成功的算法应该能让生成的顶层特征最大化的代表底层的样例。如果对所有层执行同时训练，时间复杂度会太高；如果每次训练一层，偏差就会逐层传递。这会面临跟上面监督学习中相反的问题，会严重欠拟合。
通常，在非监督数据上建立多层神经网络的一个有效方法，简单的说，分为两步，一是每次训练一层网络，二是调优使原始表示x向上生成的高级表示r和该高级表示r向下生成的x'尽可能一致，方法是：
1、首先逐层构建单层神经元，这样每次都是训练一个单层网络；
2、当所有层训练完后，hinton使用wake-sleep算法进行调优，将除最顶层的其他层间的权重变为双向的，这样最顶层仍然是一个单层神经网络，而其他层则变为了图模型。
向上的权重用于“认知”，向下的权重用于“生成”，然后使用 Wake-Sleep算法调整所有的权重，让认知和生成达成一致，也就是保证生成的最顶层能够尽可能正确地复原底层的结点。比如顶层的一个结点表示人脸，那么所有人脸的图像应该激活这个结点，并且这个结果向下生成的图像应该能够表现为一个大概的人脸图像。Wake-Sleep算法分为醒(wake) 和睡(sleep)两个部分。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。
虽然本发明已以实施例揭示如上，但其并非用以限定本发明，任何所属技术领域的普通技术人员，在不脱离本发明的精神和范围内，应当可以做出适当的改动和同等替换。因此本发明的保护范围应当以本申请权利要求所界定的范围为准。

Claims (10)

1.一种基于多模型的电子病历用药结构化处理系统，其特征在于，所述系统包括：
多个病历录入设备，分别设置在同一医疗机构内的多个医疗组/多个医生的诊间内，每一个病历录入设备用于录入其对应的医疗组/医生的各份电子病历信息，每一份电子病历信息包括病程段落、疾病诊断类型、病人年龄、病人性别和病人治疗就诊时间，所述病程段落为对电子病历中医生填写的诊断治疗过程部分的文字段落；
云端服务网元集合，由不止一个云端服务网元构成，通过网络与所述多个病历录入设备连接，用于根据接收到的每一份电子病历信息的来源医疗组/医生选择对应的深度神经网络模型以对接收到的所述电子病历信息的病程段落执行深度神经网络识别处理，获得所述病程段落对应的以用药名称为主索引词的患者用药结构化档案，所述患者用药结构化档案包括发病时间、症状信息、患者主诉信息、患者治疗过程信息、检验项目名称、检验明细信息以及一个以上用药名称；
数据存储芯片，设置在医疗机构科研数据平台端，通过网络与所述云端服务网络集合连接，内置信息数据库用于接收并存储每一份电子病历信息的疾病诊断类型、病人年龄、病人性别、发病时间、症状信息、患者主诉信息、患者治疗过程信息、检验项目名称、检验明细信息以及一个以上用药名称；
其中，每一个云端服务网元存储同一医疗机构内的多个医疗组/多个医生分别对应的多个深度神经网络模型，每一个医疗组/医生对应的深度神经网络模型包括单个输入层、单个输出层和N个隐藏层，模型被训练时，所述输入层输入对应医疗组/医生的批量的病程段落，所述输出层输出被训练的每一份病程段落对应的M个用药名称，其中，N和M均为大于1的自然数，N与对应医疗组的医生数量/医疗机构对应医生轮转过的科室数量单调正相关，M的数值固定；
其中，在训练深度神经网络模型时，当输入的病程段落中存在小于M的多个不同用药名称时，输出的M个用药名称为病程段落中出现的多个不同用药名称加上为补足M而增加的差额数量的空名称；
其中，获得所述病程段落对应的以用药名称为主索引词的患者用药结构化档案，所述患者用药结构化档案包括发病时间、症状信息、患者主诉信息、患者治疗过程信息、检验项目名称、检验明细信息以及一个以上用药名称，其中一个以上用药名称包括：将深度神经网络模型输出的M个用药名称中去除空名称后获得的各个用药名称作为所述病程段落对应的一个以上用药名称；
其中，所述云端服务网元集合每接收到一份电子病历信息，根据各个云端服务网元的任务繁重选择任务最轻的云端服务网元对接收到的电子病历信息的病程段落执行深度神经网络识别处理。
2.如权利要求1所述的基于多模型的电子病历用药结构化处理系统，其特征在于：
在训练深度神经网络模型时，当输入的病程段落中存在大于M的多个不同用药名称时，输出的M个用药名称为病程段落中出现频率最频繁的M个不同用药名称；
其中，在训练深度神经网络模型时，当输入的病程段落中存在等于M的多个不同用药名称时，输出的M个用药名称为病程段落中出现的多个不同用药名称。
3.如权利要求1所述的基于多模型的电子病历用药结构化处理系统，其特征在于：
每一个病历录入设备包括实时文本抓取单元、信息辨析单元和信息输出单元；
其中，在每一个病历录入设备中，所述实时文本抓取单元用于对每一份电子病历整体进行文本抓取以获得对应的病历整体信息源；
其中，在每一个病历录入设备中，所述信息辨析单元与所述实时文本抓取单元连接，用于对病历整体信息源的已经结构化区域进行关键字识别以获得所述电子病历对应的电子病历信息的疾病诊断类型、病人年龄、病人性别和病人治疗就诊时间，还用于将病历整体信息源中其已经结构化区域之外的文本区域作为所述电子病历对应的电子病历信息的病程段落；
其中，在每一个病历录入设备中，所述信息输出单元与所述信息辨析单元连接，用于输出所述电子病历对应的电子病历信息。
4.如权利要求1所述的基于多模型的电子病历用药结构化处理系统，其特征在于，所述系统还包括：
第一分类设备，设置在医疗机构科研数据平台端，与所述数据存储芯片连接，用于基于用户输入的患者性别类型对所述数据存储芯片中的每一个用药名称执行使用药品的患者性别类型的统计，所述统计基于所述用药名称出现在所述数据存储芯片中的每一份电子病历信息对应的患者性别类型。
5.如权利要求1所述的基于多模型的电子病历用药结构化处理系统，其特征在于，所述系统还包括：
第二分类设备，设置在医疗机构科研数据平台端，与所述数据存储芯片连接，用于基于用户输入的患者年龄对所述数据存储芯片中的每一个用药名称执行使用药品的患者年龄的统计，所述统计基于所述用药名称出现在所述数据存储芯片中的每一份电子病历信息对应的病人年龄。
6.如权利要求1所述的基于多模型的电子病历用药结构化处理系统，其特征在于，所述系统还包括：
第三分类设备，设置在医疗机构科研数据平台端，与所述数据存储芯片连接，用于基于用户输入的患者就诊时间对所述数据存储芯片中的每一个用药名称执行使用药品的患者就诊时间的统计，所述统计基于所述用药名称出现在所述数据存储芯片中的每一份电子病历信息对应的患者就诊时间。
7.如权利要求1所述的基于多模型的电子病历用药结构化处理系统，其特征在于，所述系统还包括：
第四分类设备，设置在医疗机构科研数据平台端，与所述数据存储芯片连接，用于将所述数据存储芯片中具有与用户输入的疾病类型相同的疾病诊断类型的各份电子病历信息进行以下统计：获取所述各份电子病历分别对应的一个以上用药名称并按照出现频率从高到低对用于名称进行排序。
8.如权利要求4-7任一所述的基于多模型的电子病历用药结构化处理系统，其特征在于，所述系统还包括：
现场显示屏幕，设置在医疗机构科研数据平台端，与分类设备连接，用于将分类设备的统计结果进行现场显示。
9.如权利要求1所述的基于多模型的电子病历用药结构化处理系统，其特征在于，所述系统还包括：
权限管理设备，设置在医疗机构科研数据平台端，用于对所述医疗机构科研数据平台提供权限管理服务；
其中，所述权限管理服务包括平台登录服务、修改密码服务和平台退出服务。
10.一种基于多模型的病历结构化处理方法，所述方法包括提供一种如权利要求1-9任一所述的基于多模型的电子病历用药结构化处理系统，用于基于多种定制的深度神经网络模型以及云端服务网元集合实现医疗机构科研数据平台电子病历数据传入的结构化。
CN202011156985.9A 2020-10-26 2020-10-26 基于多模型的电子病历用药结构化处理系统 Active CN112309519B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011156985.9A CN112309519B (zh) 2020-10-26 2020-10-26 基于多模型的电子病历用药结构化处理系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011156985.9A CN112309519B (zh) 2020-10-26 2020-10-26 基于多模型的电子病历用药结构化处理系统

Publications (2)

Publication Number Publication Date
CN112309519A true CN112309519A (zh) 2021-02-02
CN112309519B CN112309519B (zh) 2021-06-08

Family

ID=74332058

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011156985.9A Active CN112309519B (zh) 2020-10-26 2020-10-26 基于多模型的电子病历用药结构化处理系统

Country Status (1)

Country Link
CN (1) CN112309519B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116013453A (zh) * 2023-03-28 2023-04-25 中国人民解放军总医院 基于人工智能技术的病历书写改进系统

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104485105A (zh) * 2014-12-31 2015-04-01 中国科学院深圳先进技术研究院 一种电子病历生成方法和电子病历系统
CN105894088A (zh) * 2016-03-25 2016-08-24 苏州赫博特医疗信息科技有限公司 基于深度学习及分布式语义特征医学信息抽取系统及方法
CN108597566A (zh) * 2018-04-17 2018-09-28 广东南海鹰视通达科技有限公司 基于人脸识别的移动电子病历系统及实现方法
CN109545387A (zh) * 2018-10-30 2019-03-29 平安科技（深圳）有限公司 一种基于神经网络的异常病例识别方法及计算设备
US20190220738A1 (en) * 2018-01-18 2019-07-18 Amit Flank Skin analysis system and method
CN110265098A (zh) * 2019-05-07 2019-09-20 平安科技（深圳）有限公司 一种病例管理方法、装置、计算机设备及可读存储介质
CN110569511A (zh) * 2019-09-22 2019-12-13 河南工业大学 基于混合神经网络的电子病历特征提取方法
CN110827951A (zh) * 2019-12-24 2020-02-21 陕西省中医医院 一种临床智能决策平台
CN111048167A (zh) * 2019-10-31 2020-04-21 中电药明数据科技(成都)有限公司 一种层级式病例结构化方法及系统
CN111523537A (zh) * 2020-04-13 2020-08-11 联讯益康医疗信息技术(武汉)有限公司 一种文字识别方法、存储介质及系统

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104485105A (zh) * 2014-12-31 2015-04-01 中国科学院深圳先进技术研究院 一种电子病历生成方法和电子病历系统
CN105894088A (zh) * 2016-03-25 2016-08-24 苏州赫博特医疗信息科技有限公司 基于深度学习及分布式语义特征医学信息抽取系统及方法
US20190220738A1 (en) * 2018-01-18 2019-07-18 Amit Flank Skin analysis system and method
CN108597566A (zh) * 2018-04-17 2018-09-28 广东南海鹰视通达科技有限公司 基于人脸识别的移动电子病历系统及实现方法
CN109545387A (zh) * 2018-10-30 2019-03-29 平安科技（深圳）有限公司 一种基于神经网络的异常病例识别方法及计算设备
CN110265098A (zh) * 2019-05-07 2019-09-20 平安科技（深圳）有限公司 一种病例管理方法、装置、计算机设备及可读存储介质
CN110569511A (zh) * 2019-09-22 2019-12-13 河南工业大学 基于混合神经网络的电子病历特征提取方法
CN111048167A (zh) * 2019-10-31 2020-04-21 中电药明数据科技(成都)有限公司 一种层级式病例结构化方法及系统
CN110827951A (zh) * 2019-12-24 2020-02-21 陕西省中医医院 一种临床智能决策平台
CN111523537A (zh) * 2020-04-13 2020-08-11 联讯益康医疗信息技术(武汉)有限公司 一种文字识别方法、存储介质及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116013453A (zh) * 2023-03-28 2023-04-25 中国人民解放军总医院 基于人工智能技术的病历书写改进系统
CN116013453B (zh) * 2023-03-28 2023-08-15 中国人民解放军总医院 基于人工智能技术的病历书写改进系统

Also Published As

Publication number Publication date
CN112309519B (zh) 2021-06-08

Similar Documents

Publication Publication Date Title
WO2023202508A1 (zh) 一种基于认知图谱的全科患者个性化诊疗方案推荐系统
Ng et al. The role of artificial intelligence in enhancing clinical nursing care: A scoping review
US11915127B2 (en) Prediction of healthcare outcomes and recommendation of interventions using deep learning
CN109119130A (zh) 一种基于云计算的大数据健康管理系统及方法
CN108027698A (zh) 用于分析医疗保健数据的系统和方法
WO2022267678A1 (zh) 视频问诊方法、装置、设备及存储介质
CN116910172B (zh) 基于人工智能的随访量表生成方法及系统
US20210151140A1 (en) Event Data Modelling
CN111429985B (zh) 电子病历数据处理方法及系统
Bhadra et al. Enhancing the efficacy of depression detection system using optimal feature selection from EHR
CN112309519B (zh) 基于多模型的电子病历用药结构化处理系统
CN109360658A (zh) 一种基于词向量模型的疾病模式挖掘方法及装置
RU2752792C1 (ru) Система для поддержки принятия врачебных решений
CN117672451A (zh) 面向2型糖尿病患者的用药推荐方法
CN113223734A (zh) 基于算法、医学影像和大数据的疾病诊断和大健康管理平台
Jia et al. DKDR: An approach of knowledge graph and deep reinforcement learning for disease diagnosis
CN116884612A (zh) 疾病风险等级的智能分析方法、装置、设备及存储介质
CN116543917A (zh) 一种针对异构时间序列数据的信息挖掘方法
WO2023217737A1 (en) Health data enrichment for improved medical diagnostics
Deepika et al. Design of hybrid classifier for prediction of diabetes through feature relevance analysis
Gupta et al. An overview of clinical decision support system (cdss) as a computational tool and its applications in public health
CN113658688A (zh) 基于无分词深度学习的临床决策支持方法
CN111863283A (zh) 一种医疗健康大数据平台
Barracca et al. Evolution of clinical medicine: from expert opinion to artificial intelligence
Firthous et al. Survey on using electronic medical records (EMR) to identify the health conditions of the patients

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