CN112507701A - 待纠错医疗数据的识别方法、装置、设备和存储介质 - Google Patents
待纠错医疗数据的识别方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN112507701A CN112507701A CN202011382636.9A CN202011382636A CN112507701A CN 112507701 A CN112507701 A CN 112507701A CN 202011382636 A CN202011382636 A CN 202011382636A CN 112507701 A CN112507701 A CN 112507701A
- Authority
- CN
- China
- Prior art keywords
- medical
- quality control
- data
- control inspection
- diagnosis
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 63
- 238000003908 quality control method Methods 0.000 claims abstract description 187
- 238000007689 inspection Methods 0.000 claims abstract description 154
- 238000003745 diagnosis Methods 0.000 claims abstract description 153
- 239000003814 drug Substances 0.000 claims description 30
- 238000012545 processing Methods 0.000 claims description 28
- 230000015654 memory Effects 0.000 claims description 19
- 238000005516 engineering process Methods 0.000 claims description 15
- 208000024891 symptom Diseases 0.000 claims description 15
- 238000001514 detection method Methods 0.000 claims description 12
- 229940079593 drug Drugs 0.000 claims description 12
- 238000013528 artificial neural network Methods 0.000 claims description 10
- 238000006243 chemical reaction Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 7
- 239000000126 substance Substances 0.000 claims 1
- 238000013473 artificial intelligence Methods 0.000 abstract description 7
- 238000003058 natural language processing Methods 0.000 abstract description 3
- 201000010099 disease Diseases 0.000 description 15
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 15
- 230000008569 process Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 230000036541 health Effects 0.000 description 8
- 206010036790 Productive cough Diseases 0.000 description 6
- 208000024794 sputum Diseases 0.000 description 5
- 210000003802 sputum Anatomy 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 210000002345 respiratory system Anatomy 0.000 description 4
- 206010020772 Hypertension Diseases 0.000 description 3
- 239000008280 blood Substances 0.000 description 3
- 210000004369 blood Anatomy 0.000 description 3
- 238000012937 correction Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 208000032023 Signs and Symptoms Diseases 0.000 description 2
- 206010046306 Upper respiratory tract infection Diseases 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000036772 blood pressure Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 210000000056 organ Anatomy 0.000 description 2
- 230000001502 supplementing effect Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 206010000087 Abdominal pain upper Diseases 0.000 description 1
- 208000017667 Chronic Disease Diseases 0.000 description 1
- 206010023126 Jaundice Diseases 0.000 description 1
- 206010057190 Respiratory tract infections Diseases 0.000 description 1
- 206010046914 Vaginal infection Diseases 0.000 description 1
- 201000008100 Vaginitis Diseases 0.000 description 1
- 230000001154 acute effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 206010012601 diabetes mellitus Diseases 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 210000004072 lung Anatomy 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000003924 mental process Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 208000020029 respiratory tract infectious disease Diseases 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002195 synergetic effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/232—Orthographic correction, e.g. spell checking or vowelisation
-
- 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
- G16H15/00—ICT specially adapted for medical reports, e.g. generation or transmission thereof
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Abstract
本申请公开了待纠错医疗数据的识别方法、装置、设备和存储介质，涉及AI医疗、大数据和自然语言处理等人工智能技术领域，可应用于辅助诊断决策场景。具体实现方案为：获取医疗数据，并将医疗数据转换为医疗结构化数据；对医疗结构化数据进行质控检查以生成至少一个质控检查结果；根据至少一个质控检查结果生成医疗数据的错误概率；在错误概率大于预设阈值的情况下，将医疗数据作为待纠错医疗数据。由此，通过对医疗数据进行识别，确定待纠错医疗数据，以使及时对医疗数据进行纠正，以提高电子病历撰写质量以及诊断质量。
Description
技术领域
本申请涉及数据处理技术领域中的AI(Artificial Intelligence，人工智能)医疗、大数据和自然语言处理等人工智能技术领域，尤其涉及一种待纠错医疗数据的识别方法、装置、设备和存储介质。
背景技术
人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科，既有硬件层面的技术也有软件层面的技术。人工智能技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术；人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几个大方向。
目前，在＂互联网+医疗＂的背景下，越来越多的医疗数据进行电子化管理，为了提高医疗数据质量，相关技术中，通过基于预设规则的病历书写规范检查，用于判断病历的完成时间、书写格式段落、所用医学术语是否符合预设规则。
然而，在实际应用场景下，撰写电子病历的方式多种多样，预设的规则难以覆盖所有情况，因此很容易产生病历存在质量问题但是又无法检测到质量问题的情况。
发明内容
本公开提供了一种用于待纠错医疗数据的识别的方法、装置、设备以及存储介质。
根据本公开的一方面，提供了一种待纠错医疗数据的识别方法，包括：
获取医疗数据，并将所述医疗数据转换为医疗结构化数据；
对所述医疗结构化数据进行质控检查以生成至少一个质控检查结果；
根据所述至少一个质控检查结果生成所述医疗数据的错误概率；
在所述错误概率大于预设阈值的情况下，将所述医疗数据作为待纠错医疗数据。
根据本公开的另一方面，提供了一种待纠错医疗数据的识别装置，包括：
获取模块，用于获取医疗数据；
转换模块，用于将所述医疗数据转换为医疗结构化数据；
检查模块，用于对所述医疗结构化数据进行质控检查以生成至少一个质控检查结果；
生成模块，用于根据所述至少一个质控检查结果生成所述医疗数据的错误概率；
处理模块，用于在所述错误概率大于预设阈值的情况下，将所述医疗数据作为待纠错医疗数据。
根据第三方面，提供了一种电子设备，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上述实施例描述的待纠错医疗数据的识别方法。
根据第四方面，提出了一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行上述实施例描述的待纠错医疗数据的识别方法。
根据第五方面，提出了一种计算机程序产品，当所述计算机程序产品中的指令由处理器执行时，使得服务器能够执行第一方面实施例所述的待纠错医疗数据的识别方法。
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是根据本申请第一实施例的待纠错医疗数据的识别方法的流程图；
图2是根据本申请第二实施例的待纠错医疗数据的识别方法的流程图；
图3是根据本申请实施例的医疗结构化数据的示例图；
图4是根据本申请第三实施例的待纠错医疗数据的识别方法的流程图；
图5是根据本申请第四实施例的待纠错医疗数据的识别方法的流程图；
图6是根据本申请实施例的待纠错医疗数据的识别方法的示例图；
图7是根据本申请实施例的病历－诊断相关性模型的示例图；
图8是根据本申请第五实施例的音频训练数据处理装置的结构示意图；
图9是根据本申请第六实施例的音频训练数据处理装置的结构示意图；
图10是用来实现本申请实施例的待纠错医疗数据的识别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。
在实际医疗数据进行电子化管理的应用场景中，比如撰写电子病历的方式多种多样，仅仅通过预设规则检测，容易产生病历存在质量问题但是又无法检测到质量问题的情况。
针对上述问题，本申请提出一种待纠错医疗数据的识别方法，通过获取医疗数据，并将医疗数据转换为医疗结构化数据；对医疗结构化数据进行质控检查以生成至少一个质控检查结果；根据至少一个质控检查结果生成医疗数据的错误概率；如果错误概率大于预设阈值，则将医疗数据作为待纠错医疗数据。由此，通过对医疗数据进行识别，确定待纠错医疗数据，以使及时对医疗数据进行纠正，以提高电子病历撰写质量以及诊断质量。
具体地，图1是根据本申请第一实施例的待纠错医疗数据的识别方法的流程图，待纠错医疗数据的识别方法用于电子设备中，其中，电子设备可以为任一具有计算能力的设备，例如可以为个人电脑(Personal Computer，简称PC)、移动终端等，移动终端例如可以为手机、平板电脑、个人数字助理、穿戴式设备、车载设备等具有各种操作系统、触摸屏和/或显示屏的硬件设备比如智能电视、智能冰箱等。
如图1所示，该方法包括：
步骤101，获取医疗数据，并将医疗数据转换为医疗结构化数据。
在本申请实施例中，医疗数据可以根据具体应用场景选择设置，比如在医师撰写电子健康病历过程获取的诊断信息；还比如检查设备获取的检测结果(比如血液、图像检查数据等)。
在本申请实施例中，在获取医疗数据后，将医疗数据转换为医疗结构化数据的方式有很多种，举例说明如下。
第一种示例，获取目标数据字段，从医疗数据中提取与目标数据字段匹配的特征值，生成医疗结构化数据。
第二种示例，通过实体识别算法对医疗数据进行实体识别，获取多个实体，以及从医疗数据中获取多个实体的实体属性，生成医疗结构化数据。
由此，通过将医疗数据转换成结构化数据，提高后续待纠错医疗数据的识别效率和准确性。
步骤102，对医疗结构化数据进行质控检查以生成至少一个质控检查结果。
在本申请实施例中，对医疗结构化数据进行质控检查以生成至少一个质控检查结果的方式有很多种，可以根据具体应用场景选择设置，举例说明如下。
第一种示例，检测医疗结构化数据是否满足预设质控规则，生成质控检查结果。
第二种示例，检测医疗结构化数据是否满足预设质控规则，生成质控检查结果，以及利用质控检查算子确定医疗结构化数据的质控检查结果。
由此，可以根据应用场景通过预设质控规则或者利用质控检查算子确定医疗结构化数据的质控检查结果，提高待纠错医疗数据的识别的灵活性和准确性。
步骤103，根据至少一个质控检查结果生成医疗数据的错误概率。
步骤104，在错误概率大于预设阈值的情况下，将医疗数据作为待纠错医疗数据。
在本申请实施例中，根据至少一个质控检查结果生成医疗数据的错误概率的方式也有很多种，可以根据具体应用场景选择设置，举例说明如下：
第一种示例，确定每个质控检查结果的质控检查分数值，获取每个质控检查结果的权重系数，根据每个质控检查结果的质控检查分数值和权重系数进行计算，获取医疗数据的错误概率。
第二种示例，根据每个质控检查结果进行投票确定医疗数据的错误概率。
进一步地，在错误概率大于预设阈值的情况下，将医疗数据作为待纠错医疗数据，其中，预设阈值根据实际应用选择设置。
在本申请实施例中，医疗数据的错误概率越大表示越需要进行纠错处理，以提高诊断质量，在在错误概率大于预设阈值的情况下，将医疗数据作为待纠错医疗数据。另外，在错误概率小于等于预设阈值的情况下，可以不对该医疗数据进行纠错，以提高处理效率。
综上所述，本申请的待纠错医疗数据的识别方法，通过获取医疗数据，并将医疗数据转换为医疗结构化数据；对医疗结构化数据进行质控检查以生成至少一个质控检查结果；根据至少一个质控检查结果生成医疗数据的错误概率；在错误概率大于预设阈值的情况下，将医疗数据作为待纠错医疗数据。由此，通过对医疗数据进行识别，确定待纠错医疗数据，以使及时对医疗数据进行纠正，以提高电子病历撰写质量以及诊断质量。
图2是根据本申请第二实施例的待纠错医疗数据的识别方法的流程图，如图2所示，该方法包括：
步骤201，通过实体识别技术对医疗数据进行实体识别，获取多个实体，并从医疗数据中获取多个实体的实体属性，生成医疗结构化数据。
在本申请实施例中，实体识别技术可以根据实际应用选择设置，比如医疗数据为电子健康病历，通过自然语言理解从电子健康病历中提取医疗文本中多个实体比如“现病史”、“检查报告”等，以及每个实体的实体属性，比如实体现病史包含的实体属性比如为“症状”、“体征”等，形成医疗结构化数据。
举例而言，如图3所示，医疗数据为电子健康病历，对电子健康病历进行结构化表示，具体为抽取原始病历中“主诉”、“现病史”、“诊断”等实体，并对每个实体进行分拆式表示，接着从电子健康病历中进一步提取实体属性(比如“症状”、“体征”、“检查”、“检验”等)，形成医疗结构化数据，比如图2所示的实体“诊断”对应的实体属性为“疾病”。
由此，通过将医疗数据转换成结构化数据，提高后续待纠错医疗数据的识别效率和准确性。
步骤202，检测医疗结构化数据是否满足预设质控规则，生成质控检查结果。
在本申请实施例中，检测医疗结构化数据是否满足预设质控规则，生成质控检查结果的方式有很多种，举例说明如下。
第一种示例，根据医疗结构化数据获取人群特征和诊断结果，将人群特征和诊断结果与预设人群特征数据库进行匹配，获取质控检查结果。由此，基于人群特征和诊断结果的进行匹配，检测出与人群特征不匹配的诊断结果，从而提高诊断质量。
第二种示例，从医疗结构化数据获取目标类别数据，将目标类别数据与预设类别知识库进行匹配，生成质控检查结果。由此，基于目标类别数据比如血压数值等，进行相关慢性病等类别提示，以辅助诊断，从而提高诊断质量。
第三种示例，从医疗结构化数据获取历史诊断结果，根据历史诊断结果生成质控检查结果。由此，基于历史诊断结果给出相关风险提示，以便提醒补充诊断，或者核实病史信息，进一步提高诊断效率和质量。
第四种示例，从医疗结构化数据获取药物信息和当前诊断结果，通过预先构建的药品知识图谱对药物信息和当前诊断结果进行检测，获取药物信息和当前诊断结果的质控检查结果。由此，基于进行对药物信息和当前诊断结果的合理匹配，提醒药物信息是否合理或根据药物信息反应是否少写了诊断或错写了诊断，进一步提高诊断质量。
步骤203，确定每个质控检查结果的质控检查分数值，获取每个质控检查结果的权重系数，根据每个质控检查结果的质控检查分数值和权重系数进行计算，获取医疗数据的错误概率。
步骤204，在错误概率大于预设阈值的情况下，将医疗数据作为待纠错医疗数据。
在本申请实施例中，质控检测结果可以是将人群特征和诊断结果与预设人群特征数据库进行匹配的质控检查结果、将目标类别数据与预设类别知识库进行匹配生成的质控检查结果、根据历史诊断结果生成质控检查结果、药物信息和当前诊断结果的质控检查结果中的一种或者多种组合。
在本申请实施例中，比如将人群特征和诊断结果与预设人群特征数据库进行匹配的质控检查结果为成功，可以设置质控检查分数值为10，或者是失败，设置质控检查分数值为0；再比如，将目标类别数据与预设类别知识库进行匹配生成的质控检查结果，设置质控检查分数值为8等等。
在本申请实施例中，每个质控检查结果的权重系数可以根据应用场景需要进行选择设置。
进一步地，将每个质控检查结果的质控检查分数值和权重系数进行相乘后再相加，得到每个医疗数据的错误概率。由此，能够根据实际应用场景选择一个或者多个质控检查结果对医疗数据进行识别，以及还可以根据质控检查结果的重要性以调整每个质控检查结果的权重进行计算医疗数据的错误概率，进一步满足个性化辅助诊断需求，以及提高诊断质量。
进一步地，在错误概率大于预设阈值的情况下，将医疗数据作为待纠错医疗数据，其中，预设阈值根据实际应用选择设置。
在本申请实施例中，医疗数据的错误概率越大表示越需要进行纠错处理，以提高诊断质量，在在错误概率大于预设阈值的情况下，将医疗数据作为待纠错医疗数据。另外，在错误概率小于等于预设阈值的情况下，可以不对该医疗数据进行纠错，以提高处理效率。
综上所述，本申请的待纠错医疗数据的识别方法，通过通过实体识别技术从医疗数据进行实体识别，获取多个实体，并从医疗数据中获取多个实体的实体属性，生成医疗结构化数据，检测医疗结构化数据是否满足预设质控规则，生成质控检查结果，确定每个质控检查结果的质控检查分数值，获取每个质控检查结果的权重系数，根据每个质控检查结果的质控检查分数值和权重系数进行计算，获取医疗数据的错误概率，在错误概率大于预设阈值的情况下，将医疗数据作为待纠错医疗数据。由此，通过对医疗数据进行识别，确定待纠错医疗数据，以使及时对医疗数据进行纠正，以提高电子病历撰写质量以及诊断质量。
图4是根据本申请第三实施例的待纠错医疗数据的识别方法的流程图，如图4所示，该方法包括：
步骤301，获取医疗数据，并将医疗数据转换为医疗结构化数据。
在本申请实施例中，医疗数据可以根据具体应用场景选择设置，比如在医师撰写电子健康病历过程获取的诊断信息；还比如检查设备获取的检测结果(比如血液、图像检查数据等)。
在本申请实施例中，在获取医疗数据后，将医疗数据转换为医疗结构化数据的方式有很多种，举例说明如下。
第一种示例，获取目标数据字段，从医疗数据中提取与目标数据字段匹配的特征值，生成医疗结构化数据。
第二种示例，通过实体识别算法对医疗数据进行实体识别，获取多个实体，以及从医疗数据中获取多个实体的实体属性，生成医疗结构化数据。
步骤302，利用质控检查算子确定医疗结构化数据的质控检查结果。
在本申请实施例中，质控检查算子可以根据应用场景选择设置，利用质控检查算子确定医疗结构化数据的质控检查结果的方式有很多种，举例说明如下。
第一种示例，对医疗结构化数据进行处理，获取诊断标签，并根据诊断标签和预设的系统标签进行匹配，生成质控检查结果，获取医疗结构化数据中的诊断结果和诊断理由信息，根据预先构建的症状知识图谱对诊断结果和诊断理由信息进行匹配，获取诊断结果和诊断理由信息的质控检查结果。由此，基于诊断标签和预设的系统标签进行匹配，以及症状知识图谱对诊断结果和诊断理由信息进行匹配来判断诊断结果的准确性，从而提高诊断质量。
第二种示例，通过已训练的神经网络对医疗结构化数据进行处理，获取医疗特征向量和诊断特征向量，并对医疗特征向量和诊断特征向量进行相似度计算，生成质控检查结果。由此，通过已训练的神经网络对医疗结构化数据进行提取医疗特征向量和诊断特征向量，并进行相似度计算确定诊断结果的准确性，从而提高诊断质量。
步骤303，根据至少一个质控检查结果生成医疗数据的错误概率。
步骤304，在错误概率大于预设阈值的情况下，将医疗数据作为待纠错医疗数据。
在本申请实施例中，根据至少一个质控检查结果生成医疗数据的错误概率的方式也有很多种，可以根据具体应用场景选择设置，举例说明如下：
第一种示例，确定每个质控检查结果的质控检查分数值，获取每个质控检查结果的权重系数，根据每个质控检查结果的质控检查分数值和权重系数进行计算，获取医疗数据的错误概率。
第二种示例，根据每个质控检查结果进行投票确定医疗数据的错误概率。
进一步地，在错误概率大于预设阈值的情况下，将医疗数据作为待纠错医疗数据，其中，预设阈值根据实际应用选择设置。
在本申请实施例中，医疗数据的错误概率越大表示越需要进行纠错处理，以提高诊断质量，在在错误概率大于预设阈值的情况下，将医疗数据作为待纠错医疗数据。另外，在错误概率小于等于预设阈值的情况下，可以不对该医疗数据进行纠错，以提高处理效率。
综上所述，本申请的待纠错医疗数据的识别方法，通过获取医疗数据，并将医疗数据转换为医疗结构化数据；分别利用至少两种质控检查算子，确定医疗结构化数据在各质控检查算子的质控检查结果；根据至少一个质控检查结果生成医疗数据的错误概率；在错误概率大于预设阈值的情况下，将医疗数据作为待纠错医疗数据。由此，通过对医疗数据进行识别，确定待纠错医疗数据，以使及时对医疗数据进行纠正，以提高电子病历撰写质量以及诊断质量。
图5是根据本申请第四实施例的待纠错医疗数据的识别方法的流程图，如图5所示，该方法包括：
步骤401，获取医疗数据，并将医疗数据转换为医疗结构化数据。
在本申请实施例中，医疗数据可以根据具体应用场景选择设置，比如在医师撰写电子健康病历过程获取的诊断信息；还比如检查设备获取的检测结果(比如血液、图像检查数据等)。
在本申请实施例中，在获取医疗数据后，将医疗数据转换为医疗结构化数据的方式有很多种，举例说明如下。
第一种示例，获取目标数据字段，从医疗数据中提取与目标数据字段匹配的特征值，生成医疗结构化数据。
第二种示例，通过实体识别算法对医疗数据进行实体识别，获取多个实体，以及从医疗数据中获取多个实体的实体属性，生成医疗结构化数据。
步骤402，根据医疗结构化数据获取人群特征和诊断结果，将人群特征和诊断结果与预设人群特征数据库进行匹配，获取质控检查结果。
在本申请实施例中，人群特征可以为儿童、成年人、老人、男人、女人等，预先建立符合人群特征的疾病库即人群特征数据库，比如儿童-黄疸，女人-阴道炎等疾病，当人群特征和诊断结果与预设人群特征数据库不符合的情况下，生成质控检查结果，可以理解的是，可以提醒医师该诊断可能有误，或者病历人群信息填写错误。
步骤403，从医疗结构化数据获取目标类别数据，将目标类别数据与预设类别知识库进行匹配，生成质控检查结果。
在本申请实施例中，预先设置类别知识库比如血压、糖尿病等类别知识，从医疗结构化数据获取目标类别数据比如血压数值偏高等，生成质控检查结果比如血压高-高血压提醒。
步骤404，从医疗结构化数据获取历史诊断结果，根据历史诊断结果生成质控检查结果。
在本申请实施例中，从医疗结构化数据获取历史诊断结果，比如存在某些疾病时，根据历史诊断结果生成质控检查结果，从而可以提醒补充诊断相关疾病，或者核实患者病史信息。
步骤405，从医疗结构化数据获取药物信息和当前诊断结果，通过预先构建的药品知识图谱对药物信息和当前诊断结果进行检测，获取药物信息和当前诊断结果的质控检查结果。
在本申请实施例中，预先通过数据挖掘建立药品-疾病，药品-适应症等实体关系构建药品知识图谱，从而在从医疗结构化数据获取药物信息和当前诊断结果时，根据药品知识图谱确定当前诊断结果和药物信息是否合理匹配，即药品信息是否合理或根据药品信息反应是否少写了诊断或错写了诊断。
步骤406，对医疗结构化数据进行处理，获取诊断标签，并根据诊断标签和预设的系统标签进行匹配，生成质控检查结果。
在本申请实施例中，根据人体八大系统以及身体器官、部位将疾病标签化(如急性上呼吸道感染所属系统为呼吸系统，所属器官、部位为上呼吸道)，将病况标签化(如咳痰，该症状一般代表着呼吸系统存在问题，呼吸道以及肺部可能存在问题)生成预设的系统标签，依据这样的划分将病历以及诊断分别划分为系统组合以及部位组合，因此，可以通过这种标签化后的冲突匹配，对可能出现的不合理的诊断进行提醒。
举例而言，如图6所示，根据诊断标签和预设的系统标签进行匹配，生成质控检查结果，比如标签存在冲突的情况下，可以进一步提醒诊断的不合理之处(如在病历中描写胃痛并下达急性上呼吸道感染的诊断在标签系统中就会出现冲突)，冲突的具体含义在于诊断的标签化标签存在病历标签化(通过病况标签化以及深度学习学习到的病历->标签关系)没有的标签，在本申请中冲突后可以获取该质控检查结果错误概率进一步进入投票策略。
步骤407，获取医疗结构化数据中的诊断结果和诊断理由信息，根据预先构建的症状知识图谱对诊断结果和诊断理由信息进行匹配，获取诊断结果和诊断理由信息的质控检查结果。
在本申请实施例中，预先通过挖掘医学书籍，每种疾病出现的症状、体征等信息，建设相应的疾病-病况实体库，构成症状知识图谱，同时首先通过规则的方式初步建设不同描述下的症状描述归一化，并通过模糊匹配的算法将不同症状的书写方式匹配为同样的症状、体征(如吐黑色浓痰，与吐浓痰的模糊匹配分数很高，可以归一化为吐浓痰)，在这种情况下检索病历中症状、体征、检查、检验等诊断结果是否与诊断理由信息匹配，若匹配则具备诊断理由，否则不具备诊断理由可以进入投票策略。
步骤408，通过已训练的神经网络对医疗结构化数据进行处理，获取医疗特征向量和诊断特征向量，并对医疗特征向量和诊断特征向量进行相似度计算，生成质控检查结果。
在本申请实施例中，已训练的神经网络比如病历－诊断相关性模型，通过深度神经网络方法抽取病历文本、症状、体征等医学信息，将信息进行融合，同时也采用深度神经网络网络技术对诊断疾病进行进一步表示，形成双塔式的表示网络.
具体地，结合图7进行举例说明，图7为病历－诊断相关性模型，具体向量化表达的双塔式网络架构如下图7表示层所示，左塔(即左路表示网络)在经过上一步解析后将病历表达的主诉、现病史文本与阳性症状、异常体征还有病历中出现的疾病项分别输入深度神经网络进行向量表达最终拼接起来形成病历的向量化表示，右塔(即右路表示网络)将诊断疾病进行向量化表示。
通常，进行误诊判断往往需要重新对病历内容以及原诊断结果进行进一步的审查，通过对比病历记载内容与原诊断结果是否能够匹配一致进行书面误诊的判断，本申请实施例中，通过模仿该过程对医疗特征向量以及诊断特征向量进行余弦相似度的操作，如图7相似匹配层所示，确认诊断疾病对于该病历来说是否具有相关性，并经过全连接层将相关性结果表示成该诊断是否误诊的概率，该概率越接近于1表示该诊断与病历相关性越高，该概率越接近于0则表示诊断与病历相关性越低，需要重新检查病历书写是否符合规范或更改诊断结果。
步骤409，根据每个质控检查结果进行投票确定医疗数据的错误概率，在错误概率大于预设阈值的情况下，将医疗数据作为待纠错医疗数据。
在本申请实施例中，可以根据上述质控检查结果进行一个综合考量，加强决策的准确性，起到协同的作用，进一步提高待纠错医疗数据的识别的准确性。
具体而言，投票策略采取多数投票策略，比如三种质控检查算子在两个或者两个以上质控检查算子认为诊断或者病历信息需要进行质量控制时才最终触发诊断质量控制，在此时系统提醒相关用户，应当注意诊断是否符合病历信息，是否应当更改诊断或者添加病历信息，规范书写格式以及疾病书写规范等病历规范。
由此，在撰写电子病历过程中以及诊断过程中的场景中，自动检测病历撰写不规范(尤其是缺少关键病况等情况并下达相关诊断)，可以改善病历撰写质量同时改善诊断质量。
为了实现上述实施例，本申请还提出了一种待纠错医疗数据的识别装置。图8是根据本申请第五实施例的待纠错医疗数据的识别装置的结构示意图，如图8所示，该待纠错医疗数据的识别装置包括：获取模块801、转换模块802、检查模块803、生成模块804和处理模块805。
其中，获取模块801，用于获取医疗数据。
转换模块802，用于将医疗数据转换为医疗结构化数据。
检查模块803，用于对医疗结构化数据进行质控检查以生成至少一个质控检查结果。
生成模块804，用于根据至少一个质控检查结果生成医疗数据的错误概率。
处理模块805，用于在错误概率大于预设阈值的情况下，将医疗数据作为待纠错医疗数据。
在本申请的一个实施例中，转换模块802，具体用于：通过实体识别技术对医疗数据进行实体识别，获取多个实体，从医疗数据中获取多个实体的实体属性，生成所述医疗结构化数据。
在本申请的一个实施例中，生成模块804，用于：确定每个质控检查结果的质控检查分数值，获取每个质控检查结果的权重系数，根据每个质控检查结果的质控检查分数值和权重系数进行计算，获取医疗数据的错误概率。
需要说明的是，前述对待纠错医疗数据的识别方法的解释说明，也适用于本发明实施例的待纠错医疗数据的识别装置，其实现原理类似，在此不再赘述。
综上所述，本申请的待纠错医疗数据的识别方法，通过获取医疗数据，并将医疗数据转换为医疗结构化数据；对医疗结构化数据进行质控检查以生成至少一个质控检查结果；根据至少一个质控检查结果生成医疗数据的错误概率；在错误概率大于预设阈值的情况下，将医疗数据作为待纠错医疗数据。由此，通过对医疗数据进行识别，确定待纠错医疗数据，以使及时对医疗数据进行纠正，以提高电子病历撰写质量以及诊断质量。
在本申请的一个实施例中，如图9所示，该待纠错医疗数据的识别装置包括：获取模块901、转换模块902、检查模块903、生成模块904和处理模块905，检查模块903包括检测单元9031和确定单元9032。
其中，检测单元9031，用于检测医疗结构化数据是否满足预设质控规则，生成质控检查结果；和/或，确定单元9032，用于利用质控检查算子确定医疗结构化数据的质控检查结果。
在本申请的一个实施例中，检测单元9031，具体用于：根据所述医疗结构化数据获取人群特征和诊断结果；将所述人群特征和所述诊断结果与预设人群特征数据库进行匹配，获取质控检查结果。
在本申请的一个实施例中，检测单元9031，具体用于：从所述医疗结构化数据获取目标类别数据；将所述目标类别数据与预设类别知识库进行匹配，生成质控检查结果。
在本申请的一个实施例中，检测单元9031，具体用于：从所述医疗结构化数据获取历史诊断结果，根据所述历史诊断结果生成质控检查结果。
在本申请的一个实施例中，检测单元9031，具体用于：从所述医疗结构化数据获取药物信息和当前诊断结果；通过预先构建的药品知识图谱对所述药物信息和所述当前诊断结果进行检测，获取所述药物信息和所述当前诊断结果的质控检查结果。
在本申请的一个实施例中，确定单元9032，具体用于：对所述医疗结构化数据进行处理，获取诊断标签，并根据所述诊断标签和预设的系统标签进行匹配，生成所述质控检查结果；和/或，获取所述医疗结构化数据中的诊断结果和诊断理由信息，根据预先构建的症状知识图谱对所述诊断结果和所述诊断理由信息进行匹配，获取所述诊断结果和所述诊断理由信息的质控检查结果；和/或，通过已训练的神经网络对所述医疗结构化数据进行处理，获取医疗特征向量和诊断特征向量，并对所述医疗特征向量和诊断特征向量进行相似度计算，生成所述质控检查结果。
由此，在撰写电子病历过程中以及诊断过程中的场景中，自动检测病历撰写不规范(尤其是缺少关键病况等情况并下达相关诊断)，可以改善病历撰写质量同时改善诊断质量。
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10所示，是根据本申请实施例的待纠错医疗数据的识别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10所示，该电子设备包括：一个或多个处理器1001、存储器1002，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10中以一个处理器1001为例。
存储器1002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待纠错医疗数据的识别方法。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待纠错医疗数据的识别方法。
存储器1002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待纠错医疗数据的识别方法对应的程序指令/模块(例如，附图8所示的获取模块801、转换模块802、检查模块803、生成模块804和处理模块805)。处理器1001通过运行存储在存储器1002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待纠错医疗数据的识别方法。
存储器1002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待纠错医疗数据的识别的电子设备的使用所创建的数据等。此外，存储器1002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1002可选包括相对于处理器1001远程设置的存储器，这些远程存储器可以通过网络连接至待纠错医疗数据的识别的电子设备。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。
待纠错医疗数据的识别方法的电子设备还可以包括：输入装置1003和输出装置1004。处理器1001、存储器1002、输入装置1003和输出装置1004可以通过总线或者其他方式连接，图10中以通过总线连接为例。
输入装置1003可接收输入的数字或字符信息，以及产生与待纠错医疗数据的识别的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1004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。其中，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(VirtualPrivate Server虚拟专用服务器)服务中，存在的管理难度大，业务扩展性弱的缺陷，服务器也可以为分布式系统的服务器，或者是结合了区块链的服务器。。
根据本申请实施例的技术方案，通过获取医疗数据，并将医疗数据转换为医疗结构化数据；对医疗结构化数据进行质控检查以生成至少一个质控检查结果；根据至少一个质控检查结果生成医疗数据的错误概率；在错误概率大于预设阈值的情况下，将医疗数据作为待纠错医疗数据。由此，通过对医疗数据进行识别，确定待纠错医疗数据，以使及时对医疗数据进行纠正，以提高电子病历撰写质量以及诊断质量。
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 (21)
1.一种待纠错医疗数据的识别方法，包括：
获取医疗数据，并将所述医疗数据转换为医疗结构化数据；
对所述医疗结构化数据进行质控检查以生成至少一个质控检查结果；
根据所述至少一个质控检查结果生成所述医疗数据的错误概率；
在所述错误概率大于预设阈值的情况下，将所述医疗数据作为待纠错医疗数据。
2.如权利要求1所述的待纠错医疗数据的识别方法，所述将所述医疗数据转换为医疗结构化数据，包括：
通过实体识别技术对所述医疗数据进行实体识别，获取多个实体；
从所述医疗数据中获取所述多个实体的实体属性，生成所述医疗结构化数据。
3.如权利要求1所述的待纠错医疗数据的识别方法，所述对所述医疗结构化数据进行质控检查以生成至少一个质控检查结果，包括：
检测所述医疗结构化数据是否满足预设质控规则，生成所述质控检查结果；和/或，
利用质控检查算子确定所述医疗结构化数据的质控检查结果。
4.如权利要求3所述的待纠错医疗数据的识别方法，所述检测所述医疗结构化数据是否满足预设质控规则，生成所述质控检查结果，包括：
根据所述医疗结构化数据获取人群特征和诊断结果；
将所述人群特征和所述诊断结果与预设人群特征数据库进行匹配，获取质控检查结果。
5.如权利要求3所述的待纠错医疗数据的识别方法，所述检测所述医疗结构化数据是否满足预设质控规则，生成所述质控检查结果，包括：
从所述医疗结构化数据获取目标类别数据；
将所述目标类别数据与预设类别知识库进行匹配，生成质控检查结果。
6.如权利要求3所述的待纠错医疗数据的识别方法，所述检测所述医疗结构化数据是否满足预设质控规则，生成所述质控检查结果，包括：
从所述医疗结构化数据获取历史诊断结果；
根据所述历史诊断结果生成质控检查结果。
7.如权利要求3所述的待纠错医疗数据的识别方法，所述检测所述医疗结构化数据是否满足预设质控规则，生成所述质控检查结果，包括：
从所述医疗结构化数据获取药物信息和当前诊断结果；
通过预先构建的药品知识图谱对所述药物信息和所述当前诊断结果进行检测，获取所述药物信息和所述当前诊断结果的质控检查结果。
8.如权利要求3所述的待纠错医疗数据的识别方法，所述利用质控检查算子确定所述医疗结构化数据的质控检查结果，包括：
对所述医疗结构化数据进行处理，获取诊断标签，并根据所述诊断标签和预设的系统标签进行匹配，生成所述质控检查结果；和/或，
获取所述医疗结构化数据中的诊断结果和诊断理由信息，根据预先构建的症状知识图谱对所述诊断结果和所述诊断理由信息进行匹配，获取所述诊断结果和所述诊断理由信息的质控检查结果；和/或，
通过已训练的神经网络对所述医疗结构化数据进行处理，获取医疗特征向量和诊断特征向量，并对所述医疗特征向量和诊断特征向量进行相似度计算，生成所述质控检查结果。
9.如权利要求1－8任一项所述的待纠错医疗数据的识别方法，所述根据所述至少一个质控检查结果生成所述医疗数据的错误概率，包括：
确定每个质控检查结果的质控检查分数值；
获取所述每个质控检查结果的权重系数；
根据所述每个质控检查结果的质控检查分数值和权重系数进行计算，获取所述医疗数据的错误概率。
10.一种待纠错医疗数据的识别装置，包括：
获取模块，用于获取医疗数据；
转换模块，用于将所述医疗数据转换为医疗结构化数据；
检查模块，用于对所述医疗结构化数据进行质控检查以生成至少一个质控检查结果；
生成模块，用于根据所述至少一个质控检查结果生成所述医疗数据的错误概率；
处理模块，用于在所述错误概率大于预设阈值的情况下，将所述医疗数据作为待纠错医疗数据。
11.如权利要求10所述的待纠错医疗数据的识别装置，所述转换模块，具体用于：
通过实体识别技术对所述医疗数据进行实体识别，获取多个实体；
从所述医疗数据中获取所述多个实体的实体属性，生成所述医疗结构化数据。
12.如权利要求10所述的待纠错医疗数据的识别装置，所述检查模块，包括：
检测单元，用于检测所述医疗结构化数据是否满足预设质控规则，生成所述质控检查结果；和/或，
确定单元，用于利用质控检查算子确定所述医疗结构化数据的质控检查结果。
13.如权利要求12所述的待纠错医疗数据的识别装置，所述检测单元，具体用于：
根据所述医疗结构化数据获取人群特征和诊断结果；
将所述人群特征和所述诊断结果与预设人群特征数据库进行匹配，获取质控检查结果。
14.如权利要求12所述的待纠错医疗数据的识别装置，所述检测单元，具体用于：
从所述医疗结构化数据获取目标类别数据；
将所述目标类别数据与预设类别知识库进行匹配，生成质控检查结果。
15.如权利要求12所述的待纠错医疗数据的识别装置，所述检测单元，具体用于：
从所述医疗结构化数据获取历史诊断结果；
根据所述历史诊断结果生成质控检查结果。
16.如权利要求12所述的待纠错医疗数据的识别装置，所述检测单元，具体用于：
从所述医疗结构化数据获取药物信息和当前诊断结果；
通过预先构建的药品知识图谱对所述药物信息和所述当前诊断结果进行检测，获取所述药物信息和所述当前诊断结果的质控检查结果。
17.如权利要求10所述的待纠错医疗数据的识别装置，所述确定单元，用于：
对所述医疗结构化数据进行处理，获取诊断标签，并根据所述诊断标签和预设的系统标签进行匹配，生成所述质控检查结果；和/或，
获取所述医疗结构化数据中的诊断结果和诊断理由信息，根据预先构建的症状知识图谱对所述诊断结果和所述诊断理由信息进行匹配，获取所述诊断结果和所述诊断理由信息的质控检查结果；和/或，
通过已训练的神经网络对所述医疗结构化数据进行处理，获取医疗特征向量和诊断特征向量，并对所述医疗特征向量和诊断特征向量进行相似度计算，生成所述质控检查结果。
18.如权利要求10－17任一项所述的待纠错医疗数据的识别装置，所述生成模块，用于：
确定每个质控检查结果的质控检查分数值；
获取所述每个质控检查结果的权重系数；
根据所述每个质控检查结果的质控检查分数值和权重系数进行计算，获取所述医疗数据的错误概率。
19.一种电子设备，其特征在于，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权利要求1－9中任一项所述的方法。
20.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使所述计算机执行权利要求1－9中任一项所述的方法。
21.一种计算机程序产品，其特征在于，当所述计算机程序产品中的指令由处理器执行时，实现权利要求1－9中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011382636.9A CN112507701B (zh) | 2020-11-30 | 2020-11-30 | 待纠错医疗数据的识别方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011382636.9A CN112507701B (zh) | 2020-11-30 | 2020-11-30 | 待纠错医疗数据的识别方法、装置、设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112507701A true CN112507701A (zh) | 2021-03-16 |
| CN112507701B CN112507701B (zh) | 2024-03-15 |
Family
ID=74968870
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011382636.9A Active CN112507701B (zh) | 2020-11-30 | 2020-11-30 | 待纠错医疗数据的识别方法、装置、设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112507701B (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113111660A (zh) * | 2021-04-22 | 2021-07-13 | 脉景（杭州）健康管理有限公司 | 数据处理方法、装置、设备和存储介质 |
| CN113342271A (zh) * | 2021-06-04 | 2021-09-03 | 上海蓝色帛缔智能工程有限公司 | 一种智能化区域采集医疗数据储存的方法及电子设备 |
| CN113590775A (zh) * | 2021-06-22 | 2021-11-02 | 北京百度网讯科技有限公司 | 诊疗数据的处理方法、装置、电子设备及存储介质 |
| CN113724816A (zh) * | 2021-08-30 | 2021-11-30 | 平安国际智慧城市科技股份有限公司 | 基于人工智能的医疗数据质检方法、装置、设备及介质 |
| CN113744885A (zh) * | 2021-11-08 | 2021-12-03 | 山东亚华电子股份有限公司 | 一种医院智慧系统中多个系统之间的数据传输方法及设备 |
| CN113782138A (zh) * | 2021-09-29 | 2021-12-10 | 清华大学 | 用于医疗数据发送控制的方法和装置 |
| CN113793662A (zh) * | 2021-08-16 | 2021-12-14 | 北京百度网讯科技有限公司 | 相关性识别方法、装置、电子设备和计算机可读存储介质 |
| CN114743693A (zh) * | 2022-03-21 | 2022-07-12 | 北京左医科技有限公司 | 基于医患对话的诊中质控方法以及诊中质控装置 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106682397A (zh) * | 2016-12-09 | 2017-05-17 | 江西中科九峰智慧医疗科技有限公司 | 一种基于知识的电子病历质控方法 |
| CN109003670A (zh) * | 2018-06-29 | 2018-12-14 | 武汉圣大东高科技有限公司 | 大数据医疗信息处理方法、系统、终端设备及存储介质 |
| WO2019071661A1 (zh) * | 2017-10-09 | 2019-04-18 | 平安科技（深圳）有限公司 | 电子装置、医疗文本实体命名的识别方法、系统及存储介质 |
| CN111339126A (zh) * | 2020-02-27 | 2020-06-26 | 平安医疗健康管理股份有限公司 | 医疗数据筛选方法、装置、计算机设备和存储介质 |
| CN111710412A (zh) * | 2020-05-29 | 2020-09-25 | 北京百度网讯科技有限公司 | 诊断结果的校验方法、装置及电子设备 |
| CN111767410A (zh) * | 2020-06-30 | 2020-10-13 | 平安国际智慧城市科技股份有限公司 | 临床医疗知识图谱的构建方法、装置、设备及存储介质 |
| CN111986770A (zh) * | 2020-08-31 | 2020-11-24 | 平安医疗健康管理股份有限公司 | 药方用药审核方法、装置、设备及存储介质 |
-
2020
- 2020-11-30 CN CN202011382636.9A patent/CN112507701B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106682397A (zh) * | 2016-12-09 | 2017-05-17 | 江西中科九峰智慧医疗科技有限公司 | 一种基于知识的电子病历质控方法 |
| WO2019071661A1 (zh) * | 2017-10-09 | 2019-04-18 | 平安科技（深圳）有限公司 | 电子装置、医疗文本实体命名的识别方法、系统及存储介质 |
| CN109003670A (zh) * | 2018-06-29 | 2018-12-14 | 武汉圣大东高科技有限公司 | 大数据医疗信息处理方法、系统、终端设备及存储介质 |
| CN111339126A (zh) * | 2020-02-27 | 2020-06-26 | 平安医疗健康管理股份有限公司 | 医疗数据筛选方法、装置、计算机设备和存储介质 |
| CN111710412A (zh) * | 2020-05-29 | 2020-09-25 | 北京百度网讯科技有限公司 | 诊断结果的校验方法、装置及电子设备 |
| CN111767410A (zh) * | 2020-06-30 | 2020-10-13 | 平安国际智慧城市科技股份有限公司 | 临床医疗知识图谱的构建方法、装置、设备及存储介质 |
| CN111986770A (zh) * | 2020-08-31 | 2020-11-24 | 平安医疗健康管理股份有限公司 | 药方用药审核方法、装置、设备及存储介质 |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113111660A (zh) * | 2021-04-22 | 2021-07-13 | 脉景（杭州）健康管理有限公司 | 数据处理方法、装置、设备和存储介质 |
| CN113342271A (zh) * | 2021-06-04 | 2021-09-03 | 上海蓝色帛缔智能工程有限公司 | 一种智能化区域采集医疗数据储存的方法及电子设备 |
| CN113342271B (zh) * | 2021-06-04 | 2023-02-21 | 上海蓝色帛缔智能工程有限公司 | 一种智能化区域采集医疗数据储存的方法及电子设备 |
| CN113590775A (zh) * | 2021-06-22 | 2021-11-02 | 北京百度网讯科技有限公司 | 诊疗数据的处理方法、装置、电子设备及存储介质 |
| CN113590775B (zh) * | 2021-06-22 | 2023-07-21 | 北京百度网讯科技有限公司 | 诊疗数据的处理方法、装置、电子设备及存储介质 |
| CN113793662A (zh) * | 2021-08-16 | 2021-12-14 | 北京百度网讯科技有限公司 | 相关性识别方法、装置、电子设备和计算机可读存储介质 |
| CN113793662B (zh) * | 2021-08-16 | 2023-07-28 | 北京百度网讯科技有限公司 | 相关性识别方法、装置、电子设备和计算机可读存储介质 |
| CN113724816A (zh) * | 2021-08-30 | 2021-11-30 | 平安国际智慧城市科技股份有限公司 | 基于人工智能的医疗数据质检方法、装置、设备及介质 |
| CN113782138A (zh) * | 2021-09-29 | 2021-12-10 | 清华大学 | 用于医疗数据发送控制的方法和装置 |
| CN113744885A (zh) * | 2021-11-08 | 2021-12-03 | 山东亚华电子股份有限公司 | 一种医院智慧系统中多个系统之间的数据传输方法及设备 |
| CN113744885B (zh) * | 2021-11-08 | 2022-02-11 | 山东亚华电子股份有限公司 | 一种医院智慧系统中多个系统之间的数据传输方法及设备 |
| CN114743693A (zh) * | 2022-03-21 | 2022-07-12 | 北京左医科技有限公司 | 基于医患对话的诊中质控方法以及诊中质控装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112507701B (zh) | 2024-03-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112507701B (zh) | 待纠错医疗数据的识别方法、装置、设备和存储介质 | |
| CN111710412B (zh) | 诊断结果的校验方法、装置及电子设备 | |
| CN107644011B (zh) | 用于细粒度医疗实体提取的系统和方法 | |
| Di Martino et al. | Explainable AI for clinical and remote health applications: a survey on tabular and time series data | |
| CN112347769B (zh) | 实体识别模型的生成方法、装置、电子设备及存储介质 | |
| CN112509690B (zh) | 用于控制质量的方法、装置、设备和存储介质 | |
| CN111832298B (zh) | 病历的质检方法、装置、设备以及存储介质 | |
| CN112329964A (zh) | 用于推送信息的方法、装置、设备以及存储介质 | |
| CN112507090B (zh) | 用于输出信息的方法、装置、设备和存储介质 | |
| CN111475713A (zh) | 医生信息推荐方法、装置、电子设备、系统及存储介质 | |
| CN111274397B (zh) | 建立实体关系检测模型的方法以及装置 | |
| CN110162786A (zh) | 构建配置文件以及抽取结构化信息的方法、装置 | |
| CN113111162A (zh) | 科室推荐方法、装置、电子设备及存储介质 | |
| CN112562808A (zh) | 患者画像的生成方法、装置、电子设备及存储介质 | |
| CN112837466B (zh) | 票据识别方法、装置、设备以及存储介质 | |
| CN111785340A (zh) | 一种医疗数据处理方法、装置、设备及存储介质 | |
| CN116884612A (zh) | 疾病风险等级的智能分析方法、装置、设备及存储介质 | |
| CN116578704A (zh) | 文本情感分类方法、装置、设备及计算机可读介质 | |
| CN116383766A (zh) | 基于多模态数据的辅诊方法、装置、设备及存储介质 | |
| CN111507109A (zh) | 电子病历的命名实体识别方法及装置 | |
| CN112507722B (zh) | 电子病历内涵质控方法和装置 | |
| CN114724693A (zh) | 异常诊疗行为的检测方法及装置、电子设备和存储介质 | |
| CN112530533A (zh) | 病历文档检测方法、装置及电子设备 | |
| CN109360631B (zh) | 基于图片识别的人机交互方法、装置、计算机设备及介质 | |
| CN113314217A (zh) | 一种基于检验医学大数据的常见疾病辅助自诊系统 |
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 |