CN112613313A - 医嘱质控的方法、装置、设备、存储介质以及程序产品 - Google Patents

医嘱质控的方法、装置、设备、存储介质以及程序产品 Download PDF

Info

Publication number
CN112613313A
CN112613313A CN202011581990.4A CN202011581990A CN112613313A CN 112613313 A CN112613313 A CN 112613313A CN 202011581990 A CN202011581990 A CN 202011581990A CN 112613313 A CN112613313 A CN 112613313A
Authority
CN
China
Prior art keywords
sample
medical
probability
medicine
record 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.)
Granted
Application number
CN202011581990.4A
Other languages
English (en)
Other versions
CN112613313B (zh
Inventor
夏源
施振辉
陆超
黄海峰
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.)
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and Technology Co Ltd
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 Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN202011581990.4A priority Critical patent/CN112613313B/zh
Publication of CN112613313A publication Critical patent/CN112613313A/zh
Application granted granted Critical
Publication of CN112613313B publication Critical patent/CN112613313B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
    • G06F40/295—Named entity recognition
    • 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
    • G06F40/30—Semantic analysis
    • 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
    • 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
    • G16H70/00—ICT specially adapted for the handling or processing of medical references
    • G16H70/40—ICT specially adapted for the handling or processing of medical references relating to drugs, e.g. their side effects or intended usage

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Computational Linguistics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Chemical & Material Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Medicinal Chemistry (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • Probability & Statistics with Applications (AREA)
  • Pharmacology & Pharmacy (AREA)
  • Toxicology (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

本申请公开了一种医嘱质控的方法、装置、设备、存储介质以及程序产品，涉及智慧医疗、深度学习、自然语言处理等人工智能技术领域。具体实施方案为：获取病历数据中的医学实体，其中，医学实体包括药物名称和与病症相关的医学实体；从医学出版数据中，获取与药物名称对应的药物描述信息；将与病症相关的医学实体和药物名称对应的药物描述信息分别输入预先训练的深度语义模型中，得到病症与药物名称具有预设关系的目标概率，其中，深度语义模型基于样本病历数据和样本医学出版数据训练得到；响应于目标概率不满足预设概率阈值，展示医嘱质控提示信息。本申请能够提高医嘱质控的准确率和召回利率。

Description

医嘱质控的方法、装置、设备、存储介质以及程序产品
技术领域
本申请实施例涉及计算机技术领域，具体涉及智慧医疗、深度学习、自然语言处理等人工智能技术领域，尤其涉及一种医嘱质控的方法、装置、设备、存储介质以及程序产品。
背景技术
在信息社会的时代，每一个传统领域都受到新兴技术的冲击，机器学习和人工智能的技术在各个领域都有里程碑的突破。当前，用药合理性问题在大部分医院都是常态问题，用药的不合理导致的医疗损害责任的纠纷案件也日益增多；因此，亟需一种医嘱质控的方法来解决用药不合理的问题。
医嘱质控不同于的临床辅助诊断、智能问诊或者用药推荐，它不仅是根据病历的信息给出推荐或者建议，相反的，医嘱质控是对医生的医嘱处方进行检测，发现医嘱处方的异常(人为的异常或者是医生疏漏产生的异常)，医嘱处方质控更偏向与异常检测，而不是正向的推荐。
目前，医嘱质控主要基于规则进行医嘱质控。
发明内容
本申请实施例提出了一种医嘱质控的方法、装置、设备、存储介质以及程序产品。
第一方面，本申请实施例提出了一种医嘱质控的方法，包括：获取病历数据中的医学实体，其中，医学实体包括药物名称和与病症相关的医学实体；从医学出版数据中，获取与药物名称对应的药物描述信息；将与病症相关的医学实体和药物名称对应的药物描述信息分别输入预先训练的深度语义模型中，得到病症与药物名称具有预设关系的目标概率，其中，深度语义模型基于样本病历数据和样本医学出版数据训练得到；响应于目标概率不满足预设概率阈值，展示医嘱质控提示信息。
第二方面，本申请实施例提出了一种医嘱质控的装置，包括：第一获取模块，被配置成获取病历数据中的医学实体，其中，医学实体包括药物名称和与病症相关的医学实体；第二获取模块，被配置成从医学出版数据中，获取与药物名称对应的药物描述信息；概率得到模块，被配置成将与病症相关的医学实体和药物名称对应的药物描述信息分别输入预先训练的深度语义模型中，得到病症与药物名称具有预设关系的目标概率，其中，深度语义模型基于样本病历数据和样本医学出版数据训练得到；信息展示模块，被配置成响应于目标概率不满足预设概率阈值，展示医嘱质控提示信息。
第三方面，本申请实施例提出了一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行如第一方面描述的方法。
第四方面，本申请实施例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，计算机指令用于使计算机执行如第一方面描述的方法。
第五方面，本申请实施例提出了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现第一方面描述的方法。
本申请实施例提供的医嘱质控的方法、装置、设备、存储介质以及程序产品，首先获取病历数据中的医学实体，其中，医学实体包括药物名称和与病症相关的医学实体；然后从医学出版数据中，获取与药物名称对应的药物描述信息；而后将与病症相关的医学实体和药物名称对应的药物描述信息分别输入预先训练的深度语义模型中，得到病症与药物名称具有预设关系的目标概率，其中，深度语义模型基于样本病历数据和样本医学出版数据训练得到；最后响应于目标概率不满足预设概率阈值，展示医嘱质控提示信息，能够利用基于知识的视角(即，医学出版数据)和数据的视角(即病历数据)训练得到的深度语义模型，实现对病症与药物名称具有预设关系的目标概率的确定，并在目标概率不满足预设概率阈值时，展示医嘱质控提示信息，以提高医嘱质控的准确率和召回利率。
在展示医嘱质控之后，还可以提醒医护人员针对病历数据中的异常数据进行调整，以实现对病历数据的准确地撰写，进一步教导实习医生撰写高质量的病历数据。
应当理解，本部分所描述的内容并非旨在标识本申请的实施例的关键或重要特征，也不用于限制本申请的范围。本申请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
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显。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是本申请可以应用于其中的示例性系统架构；
图2是根据本申请的医嘱质控的方法的一个实施例的流程图；
图3是根据本申请的医嘱质控的方法的一个应用场景图；
图4是根据本申请的医嘱质控的方法的另一个实施例的流程图；
图5是根据本申请的医嘱质控的装置的一个实施例的结构示意图；
图6是用来实现本申请实施例的医嘱质控的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。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了可以应用本申请的医嘱质控的方法和装置的实施例的示例性系统架构100。
如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103、服务器105任意两个之间提供通信链路的介质。网络104可以包括各种连接类别，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种应用，例如各种客户端应用、多方交互应用、人工智能应用等。
服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103提供支持的后台服务器。后台服务器可以对接收到的请求等数据进行分析等处理，并将处理结果反馈给终端设备。
需要说明的是，服务器可以是硬件，也可以是软件。当服务器为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器为软件时，可以实现成例如用来提供分布式服务的多个软件或软件模块，也可以实现成单个软件或软件模块。在此不做具体限定。
在实践中，本申请实施例所提供的医嘱质控的方法可以由终端设备101、102、103或服务器105执行，医嘱质控的装置也可以设置于终端设备101、102、103或服务器105中。
应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
继续参考图2，其示出了根据本申请的医嘱质控的方法的一个实施例的流程200。该医嘱质控的方法包括以下步骤：
步骤201，获取病历数据中的医学实体。
在本实施例中，医嘱质控的方法的执行主体(例如图1所示的服务器105或终端设备101、102、103)可以获取病历数据中的医学实体。其中，病历数据可以为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。可选的，病历数据可以为文本或图像数据。上述医学实体可以为病历数据中的用于描述病症的特征词或特征短语，例如，咳嗽【症状】、感冒【疾病】、肚子痛【症状】、药物名称【药品】；其中，【症状】、【疾病】和【药品】为医学实体。
其中，医学实体识别指的是对病历数据中的特征词或特征短语进行识别并分类到预先定义的类别上的一种操作，在本实施例中，医学实体的类别主要包括疾病、基因、突变、药物和物种等。上述医学实体识别方法可以包括：基于词典的实体识别、基于规则的实体识别和基于机器学习的实体识别。
在这里，医学实体可以包括与病症相关的医学实体和药物名称。上述与病症相关的医学实体可以为用于描述病症的特征词或特征短语，例如咳嗽【症状】、感冒【疾病】、肚子痛【症状】。
步骤202，从医学出版数据中，获取与药物名称对应的药物描述信息。
在本实施例中，上述执行主体可以从医学出版数据中，获取与药物名称对应的药物描述信息。
其中，医学出版数据可以包括以下项中的至少一项：药物名称和药物名称对应的药物描述信息；例如，医学出版书籍、医学说明书、药典等。医学出版数据可以为文本数据，或图像数据，或语音数据。
药物描述信息中至少包含药物性质描述信息以及药物成分描述信息。其中，药物性质描述信息指的是用来描述药物药性的信息，从西医来讲，药物性质描述信息可以为药物的理化性质描述信息，例如药物的酸碱度值、溶解度、渗透压、解离度等，从中医方面来说，药物性质描述信息可以为药物的中药药性，例如：四气五味、归经、升降浮沉、毒性等，其中，四气指的是寒、热、温、凉，五味指的是酸、苦、甘、辛、咸，归经指的是药物作用的定位，升降浮沉指药物作用的趋向而言。药物成分描述信息是用来描述药物成分的，包含药物成分的种类，以及每种药物成分的含量，具体可以采用多种方面来描述药物成分，例如药物成分描述信息可以为药物溶剂量、溶质量；药物成分描述信息还可以为药物所含有的热量；药物成分描述信息还可以为药物所含有的氯化钠、氯化钾、葡萄糖等成分的含量，药物成分描述信息还可以为药物中微量元素的含量，例如：钙、铁、锌、锡、镁等含量。
步骤203，将与病症相关的医学实体和药物名称对应的药物描述信息分别输入预先训练的深度语义模型中，得到病症与药物名称具有预设关系的目标概率。
在本实施例中，上述执行主体可以将与病症相关的医学实体和药物名称对应的药物描述信息分别输入预先训练的深度语义模型中，得到病症与药物名称具有预设关系的目标概率。上述预设关系可以为一对一的关系，一对多的关系，多对一的关系。例如，“A药物”可以用于治疗“A病症”，“B药物”可以用于治疗“B病症和C病症”，“C药物和D药物”可以用于治疗“D病症”。
在这里，深度语义模型可以基于利用样本病历数据进行训练得到样本病历数据对应的深度语义模型，以及利用样本医学出版数据训练样本医学出版数据对应的训练得到深度语义模型；或，利用样本病历数据和样本医学出版数据进行联合训练，得到样本病历数据对应的深度语义模型和医学出版数据对应的深度语义模型。
步骤204，响应于目标关系概率不满足预设关系概率阈值，展示医嘱质控提示信息。
在本实施例中，上述执行主体可以在目标关系概率不满足预设关系概率阈值时，展示医嘱质控提示信息。上述不满足可以为大于，还可以为小于。
其中，展示医嘱质控提示信息可以包括语音提示信息、文本提示信息等提示信息，该医嘱质控提示信息可以为用药相互作用、配伍禁忌，药物无适应症提醒等。上述药物无适应症提醒，即医生开具的医嘱处方，在患者的病历数据中，没有明显的病症支撑。比如，患者，主诉“咳嗽3天，胸痛2天”，初步诊断“急性上呼吸道感染”，医生医嘱开具了“开塞露”(治疗便秘的药)，则医嘱质控的提示信息可以为“药物无适应症”。上述预设关系概率阈值可以由医学专家进行设定或医嘱质控的提醒精度进行设定。
本申请实施例提供的医嘱质控的方法、装置、设备、存储介质以及程序产品，首先获取病历数据中的医学实体，其中，医学实体包括药物名称和与病症相关的医学实体；然后从医学出版数据中，获取与药物名称对应的药物描述信息；而后将与病症相关的医学实体和药物名称对应的药物描述信息分别输入预先训练的深度语义模型中，得到病症与药物名称具有预设关系的目标概率，其中，深度语义模型基于样本病历数据和样本医学出版数据训练得到；最后响应于目标概率不满足预设概率阈值，展示医嘱质控提示信息，能够利用基于知识的视角(即，医学出版数据)和数据的视角(即病历数据)训练得到的深度语义模型，实现对病症与药物名称具有预设关系的目标概率的确定，并在目标概率不满足预设概率阈值时，展示医嘱质控提示信息，以提高医嘱质控的准确率和召回利率。在展示医嘱质控之后，还可以提醒医护人员针对病历数据中的异常数据进行调整，以实现对病历数据的准确地撰写，进一步教导实习医生撰写高质量的病历数据。
在本实施例的一些可选的实现方式中，深度语义模型基于以下步骤确定：基于样本病历数据和样本医学出版数据进行无监督训练，得到深度语义模型。
在本实现方式中，上述执行主体可以基于样本病历数据和样本医学出版数据进行无监督训练，得到深度语义模型。在这里，无监督的学习方法可以为现有技术或未来发展的技术中的无监督的学习方法，例如，可以为自编码器(Auto-Encoder)、聚类、受限玻尔兹曼机等学习方法。
在本实现方式中，可以采用无监督训练的方式，训练得到深度语义模型，以实现对病症与药物名称具有预设关系的目标概率。
在本实施例的一些可选的实现方式中，基于样本病历数据和样本医学出版数据进行无监督训练，得到深度语义模型，包括：利用样本病历数据进行无监督训练，得到样本病历数据对应的深度语义模型；以及利用样本医学出版数据进行无监督训练，得到样本医学出版数据对应的深度语义模型。
在本实现方式中，上述执行主体可以利用样本病历数据进行无监督训练，得到样本病历数据对应的深度语义模型；以及利用样本医学出版数据进行无监督训练，得到样本医学出版数据对应的深度语义模型。
需要说明的是，在本实现方式中可以针对样本病历数据和样本医学出版数据分别训练对应的深度语义模型。
在本实现方式中，基于数据驱动(data-driven)的视角，即基于病历数据，预测病症和药物的关系。基于知识驱动(knowledge-driven)的视角，即基于医学出版数据挖掘病症-药物的关系。
在本实现方式中，基于病历数据和医学出版数据的多视角学习(multi-viewlearning)的医嘱质控的方法。与相关技术相比，基于知识驱动的视角可以纠正病历数据的错误，同时，基于数据驱动的视角，可以发现在临床实践中的病症-药物的关系。实践证明，基于多视角学习的医嘱质控的方法相比传统的方法，有着更高的准确率和召回利率。且基于多视角学习的医嘱质控的方法还可以用于实现：1)合理用药的自动化医嘱质控；2)医保用药质控；3)合理用药规范和医嘱书写教学。
在本实施例的一些可选的实现方式中，将与病症相关的医学实体和药物名称对应的药物描述信息分别输入预先训练的深度语义模型中，得到病症与药物名称具有预设关系的目标概率，包括：将与病症相关的医学实体输入样本病历数据对应的深度语义模型，得到病症与药物名称具有预设关系的第一概率；以及将药物名称对应的药物描述信息输入样本医学出版数据对应的深度语义模型，得到病症与药物名称具有预设关系的第二概率；根据第一概率和第二概率，确定目标概率。
在本实现方式中，可以将与病症相关的医学实体输入样本病历数据对应的深度语义模型中，以得到病症与药物名称具有预设关系的第一概率，以及将药物名称对应的药物描述信息输入样本医学出版数据对应的深度语义模型中，以得到病症与药物名称具有预设关系的第二概率；然后，根据第一概率和第二概率，确定目标概率。上述第一概率可以为通过样本病历数据对应的深度语义模型，对与病症相关的医学实体进行预测，以确定病症与药物名称之间具有预设关系的概率。上述第二概率可以为通过样本医学出版数据对应的深度语义模型，对药物名称对应的药物描述信息进行预测，以确定病症与药物名称之间具有预设关系的概率。
需要说明的是，可以将与病症相关的医学实体输入样本病历数据对应的深度语义模型中的同时，将药物名称对应的药物描述信息输入样本医学出版数据对应的深度语义模型中；或者，先将与病症相关的医学实体输入样本病历数据对应的深度语义模型；或者，先将药物名称对应的药物描述信息输入样本医学出版数据对应的深度语义模型中。
在这里，根据第一概率和第二概率，确定目标概率，可以包括：根据第一概率和第二概率的和，确定目标概率；或，对第一概率和第二概率的加权求和，确定目标概率。
在本实现方式中，能够从多种不同的视角，例如从知识驱动的视角和数据区域的视角，进行病症与药物名称的关系预测，然后综合样本医学出版数据对应的深度语义模型和样本病历数据对应的深度语义模型输出的概率，得到更加准确的预测结果(即目标概率)，从而从整体上提高了医嘱质控提醒的准确率。
在本实施例的一些可选的实现方式中，利用样本病历数据进行无监督训练，得到样本病历数据对应的深度语义模型，包括：获取样本医学出版数据中的第一样本药物名称和第一样本药物名称对应的第一样本药物描述信息；以及获取预设的目标样本药物描述信息，其中，预设的目标样本药物描述信息不为第一样本药物描述信息；根据第一样本药物描述信息，生成第一正向样本；以及根据目标样本药物描述信息，生成第一负向样本；基于第一正向样本、第一负向样本、第一样本药物名称，以及第一标签进行无监督训练，得到样本病历数据对应的深度语义模型，其中，第一标签为第一正向样本的置信度。
在本实现方式中，上述执行主体可以先获取样本医学出版数据中的第一样本药物名称和第一样本药物名称对应的第一样本药物描述信息；之后获取预设的目标样本药物描述信息，其中，预设的目标样本药物描述信息不为第一样本药物描述信息；之后根据第一样本药物描述信息，生成第一正向样本；之后根据目标样本药物描述信息，生成第一负向样本；之后基于第一正向样本、第一负向样本、第一样本药物名称，以及第一标签进行无监督训练，得到样本病历数据对应的深度语义模型，其中，第一标签为第一正向样本的置信度。其中，第一正向样本的置信度可以为从样本医学出版数据中确定为第一样本药物描述信息的概率。另外，第一正向样本可以携带有置信度的次序，即所有正向样本按照其置信度排序后的次序，可以优先将次序靠前的三元组进行训练，以进一步节省模型训练的时间。
需要说明的是，生成第一正向样本和生成第一负向样本的步骤可以同时执行，也可以先执行生成第一正向样本的步骤，也可以先执行生成第一负向样本。
在一个具体的示例中，通过深度语义模型，以无监督学习的方式，实现对病症-药物名称具有预设关系的概率的预测。
深度语义模型有很多实现方式，例如ERNIE(Enhanced Representation fromkNowledge IntEgration)。在数据处理阶段，通过解析样本医学出版数据的第一样本药物名称，同时提取第一样本药物名称的第一药物描述信息，构建第一正向样本，第一负向样本为随机采样其他药物说明书中的预设的目标样本药物描述信息，针对每一个pair，构建<entity_knowledge，entity_drug，label>三元组，entity_knowledge为第一样本药物描述信息、预设的目标样本药物描述信息，例如“用于缓解轻至中度疼痛如关节痛、肌肉痛、神经痛、头痛、偏头痛、牙痛、痛经，也用于普通感冒或流行性感冒引起的发热”；entity_drug为第一样本药物名称，比如“布洛芬缓释胶囊”，label是第一标签(即第一正向样本的置信度)。通过对三元组进行训练，能够从知识驱动的视角，判断病症是否与药物名称存在关系的概率(pk)，若概率(pk)较低(例如小于预设概率阈值)，则认为病症与病历数据中的药物名称不存在关联，并展示医嘱质控提示信息。
在本实现方式中，基于知识驱动的视角，可以修正病历数据存在的错误，保证在训练样本医学出版数据对应的深度语义模型的阶段，该样本医学出版数据对应的深度语义模型能够辨别病历数据中的部分错误，以减少样本医学出版数据对应的深度语义模型的偏差。
在本实施例的一些可选的实现方式中，利用样本医学出版数据进行无监督训练，得到样本医学出版数据对应的深度语义模型，包括：获取样本病历数据中的目标样本医学实体，其中，目标样本医学实体包括与病症相关的目标样本医学实体和目标样本药物名称；以及获取预设的第二样本药物名称，其中，预设的第二样本药物名称不为目标样本药物名称；根据目标样本医学实体，生成第二正向样本；以及根据预设的第二样本药物名称，生成第二负向样本；基于第二正向样本、第二负向样本，目标样本医学实体，以及第二标签进行无监督训练，得到样本医学出版数据对应的深度语义模型，其中，第二标签为第二正向样本的置信度。
在本实现方式中，上述执行主体可以先获取样本病历数据中的目标样本医学实体，其中，目标样本医学实体包括与病症相关的目标样本医学实体和目标样本药物名称；之后，获取预设的第二样本药物名称，其中，预设的第二样本药物名称不为目标样本药物名称；之后，根据目标样本医学实体，生成第二正向样本；之后，根据预设的第二样本药物名称，生成第二负向样本；之后，基于第二正向样本、第二负向样本，目标样本医学实体，以及第二标签进行无监督训练，得到样本医学出版数据对应的深度语义模型，其中，第二标签为第二正向样本的置信度。其中，第二正向样本的置信度可以为从样本病历数据中确定为目标样本医学实体的概率。另外，第二正向样本可以携带有置信度的次序，即所有正向样本按照其置信度排序后的次序，可以优先将次序靠前的三元组进行训练，以进一步节省模型训练的时间。
需要说明的是，生成第二正向样本和生成第二负向样本的步骤可以同时执行，也可以先执行生成第二正向样本的步骤，也可以先执行生成第二负向样本。
在一个具体的示例中，基于数据驱动的视角，实现对病症-药物具有预设关系的概率的预测。基于样本病历数据对应的深度语义模型。在数据处理阶段，通过医学自然语言模型，从样本病历数据提取目标样本医学实体，其中，目标样本医学实体包括与病症相关的目标样本医学实体和目标样本药物名称，并根据目标样本医学实体，构建第二正向样本，以及根据样本病历数据中未出现的药物名称(即预设的第二样本药物名称)构建第二负向样本。之后，针对每一个pair，构建<entity_emr，entity_drug，label>的三元组，entity_emr可以为样本病历数据中与病症相关的目标样本医学实体，例如“咳嗽、发热、急性上呼吸道感染”，entity_drug可以为目标样本药物名称、预设的第二样本药物名称，例如“布洛芬缓释胶囊”，label是第二标签(即第二正向样本对应的置信度)。通过对三元组进行训练，判断病症是否与药物存在关系的概率(pd)，若概率(pd)较低，则在认为病症与病历数据中的药物不存在关联，并展示医嘱质控提示信息。
在本实现方式中，基于样本病历数据对应的深度语义模型，可以帮助发现更多在临床实践中的病症-药物关系。
在本实施例的一些可选的实现方式中，获取病历数据中的医学实体，包括：将病历数据，输入医学自然语言模型，得到病历数据中的医学实体。
在本实现方式中，上述执行主体可以通过医学自然语言模型，得到病历数据中的医学实体。上述医学自然语言模型可以用于得到病历数据中的医学实体。
在一个具体的示例中，医学自然语言处理模块可以用于对病历数据中的相关文本进行分词(word segmentation)以及进行实体识别(entity recognition)。分词可以用于将病历数据中的医学实体分割出来，比如患者主诉描述：“我今天咳嗽头疼肚子疼”医学自然语言处理模块会将这句话分词生成“我今天咳嗽头疼肚子疼”。分词处理之后，还需要对这些医学实体进行实体识别，“我今天咳嗽【症状】头疼【症状】肚子疼【症状】”，然后确定医学实体的类型；其中，医学实体的类型可以包括但不仅限于症状、疾病、检查、检验、手术、药品等。
在本实现方式中，通过医学自然语言模型可以实现对医学实体的准确识别。
在本实施例的一些可选的实现方式中，医学自然语言模型，包括：双向长短期记忆网络层、注意力机制层和条件随机场层。
在本实现方式中，医学自然语言处理模块可以基于深度学习的方法实现；例如，双向长短期记忆网络(Bi-directional Long Short-Term Memory，Bi-LSTM)层+注意力机制(Attention)层+CRF(Conditional Random Fields，条件随机场)层。其中，Bi-LSTM+CRF的深层网络模型，相比传统的神经网络(例如，深度神经网络(Deep Neural Networks，DNN)，传统循环神经网络(Recurrent Neural Network，RNN))的框架，一方面考虑到了句子中词与词之间的顺序关系，更加符合自然语言处理的基本假设(语序影响语义的表达)，另一方面，基于长短记忆单元(LSTM)的方法有效的解决了RNN存在的梯度爆炸(gradientexplosion)和梯度弥散(gradient vanishing)的问题，使得模型训练更加稳定。
在本实施例的一些可选的实现方式中，医学实体包括以下至少一项：症状、疾病、检查、检验、手术。
在本实现方式中，基于医学实体的多种类型，可以实现对病历数据中的医学实体的类别的识别。
继续参考图3，其示出了根据本申请的医嘱质控的方法的另一个实施例的流程300。该医嘱质控的方法包括以下步骤：
步骤301，获取病历数据中的医学实体，其中，医学实体包括药物名称和与病症相关的医学实体。
步骤302，从医学出版数据中，获取与药物名称对应的药物描述信息。
在本实施例中，步骤301和302具体操作已在图2所示的实施例中步骤201和202进行了详细的介绍，在此不再赘述。
步骤303，将与病症相关的医学实体输入样本病历数据对应的深度语义模型，得到病症与药物名称具有预设关系的第一概率。
在本实施例中，医嘱质控的方法的执行主体(例如图1所示的服务器105或终端设备101、102、103)可以将与病症相关的医学实体输入样本病历数据对应的深度语义模型，得到病症与药物名称具有预设关系的第一概率。上述第一概率可以为通过样本病历数据对应的深度语义模型，对与病症相关的医学实体进行预测，以确定病症与药物名称之间具有预设关系的概率。
步骤304，将药物名称对应的药物描述信息输入样本医学出版数据对应的深度语义模型，得到病症与药物名称具有预设关系的第二概率。
在本实施例中，上述执行主体可以将药物名称对应的药物描述信息输入样本医学出版数据对应的深度语义模型，得到病症与药物名称具有预设关系的第二概率。上述第二概率可以为通过样本医学出版数据对应的深度语义模型，对药物名称对应的药物描述信息进行预测，以确定病症与药物名称之间具有预设关系的概率。
步骤305，根据第一概率和第二概率，确定目标概率。
在本实施例中，上述执行主体根据第一概率和第二概率的和，确定目标概率；或，对第一概率和第二概率的加权求和，确定目标概率。
步骤306，响应于目标概率不满足预设概率阈值，展示医嘱质控提示信息。
在本实施例中，步骤306具体操作已在图2所示的实施例中步骤204进行了详细的介绍，在此不再赘述。
需要说明的是，可以将与病症相关的医学实体输入样本病历数据对应的深度语义模型中的同时，将药物名称对应的药物描述信息输入样本医学出版数据对应的深度语义模型中；或者，先将与病症相关的医学实体输入样本病历数据对应的深度语义模型；或者，先将药物名称对应的药物描述信息输入样本医学出版数据对应的深度语义模型中。
从图3中可以看出，与图2对应的实施例相比，本实施例中的医嘱质控的方法的流程300突出了确定目标概率的步骤。由此，本实施例描述的方案能够从知识驱动的视角和数据区域的视角，进行病症与药物名称的关系预测，然后综合样本医学出版数据对应的深度语义模型和样本病历数据对应的深度语义模型输出的概率，得到更加准确的预测结果(即目标概率)，从而从整体上提高了医嘱质控提醒的准确率。
在本实施例的一些可选的实现方式中，根据第一概率和第二概率，确定目标概率，包括：根据第一概率和预设的第一权重，以及第二概率和预设的第二权重，确定目标概率。
在本实现方式中，上述执行主体可以根据第一概率和预设的第一权重，以及第二概率和预设的第二权重的和，确定目标概率。上述预设的第一权重可以根据以下项中的至少一项确定：根据医嘱质控的提醒精度进行设定、根据样本病历数据的可靠性进行设定、根据样本病历数据的重要性进行设定。上述预设的第二权重可以根据以下项中的至少一项确定：医嘱质控的提醒精度进行设定、根据样本医学出版数据的可靠性进行设定、根据样本医学出版数据的重要性进行设定。
在一个具体的示例中，上述执行主体可以基于知识视角和数据视角，实现对病症-药物具有预设关系的概率的预测。上述执行主体可以采用以下几种方式，确定目标概括：聚合；例如，依据视角的重要性，进行线性加权处理，加权因子(即预设的第一权重、预设的第二权重)可以根据数据源的可靠性来衡量，其中Pdata代表数据视角对应的概率(即第一概率)，Pknowldege代表基于知识视角的概率(即第二概率)，α代表样本病历数据的可靠性(即预设的第一权重)，最终的结果Preminder(即目标概率)基于多视角加权计算。
Preminder＝αPdata+(1-α)PKnowledge
需要说明的是，在本实现方式中还可以通过其他视角来提高医嘱质控的准确率。只要是能够提高医嘱质控的准确率的视角都可以纳入本申请的保护范围，在此不再赘述。
在本实现方式中，基于病历数据和医学出版数据的多视角学习的医嘱质控的方法。与相关技术相比，基于知识驱动的视角可以纠正病历数据的错误，同时，基于数据驱动的视角，可以发现在临床实践中的病症-药物的关系。实践证明，基于多视角学习的医嘱质控的方法相比传统的方法，有着更高的准确率和召回利率。且基于多视角学习的医嘱质控的方法还可以用于实现：1)合理用药的自动化医嘱质控；2)医保用药质控；3)合理用药规范和医嘱书写教学。
为了便于理解，下面提供可以实现本申请实施例的医嘱质控的方法的应用场景。如图4所示，上述执行主体(例如图1所示的服务器105或终端设备101、102、103)获取病历数据42(即d1)中的医学实体，其中，医学实体包括药物名称和与病症相关的医学实体；之后从医学出版数据41(包括a1权威医学数据，b1药典，c1药品说明书)中，获取与药物名称对应的药物描述信息；之后将与病症相关的医学实体输入样本病历数据对应的深度语义模型43(即模型A)，得到病症与药物名称具有预设关系的第一概率；以及将药物名称对应的药物描述信息输入样本医学出版数据对应的深度语义模型44(即模型B)，得到病症与药物名称具有预设关系的第二概率；根据第一概率和预设的第一权重，以及第二概率和预设的第二权重，确定目标概率45(即聚合)；在目标概率不满足预设概率阈值，展示医嘱质控提示信息46(即，“yes”)；在目标概率满足预设概率阈值时，不展示医嘱质控提示信息(即“NO”)。
进一步参考图5，作为对上述各图所示方法的实现，本申请提供了一种医嘱质控的装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图5所示，本实施例的医嘱质控的装置500可以包括：第一获取模块501，被配置成获取病历数据中的医学实体，其中，医学实体包括药物名称和与病症相关的医学实体；第二获取模块502，被配置成从医学出版数据中，获取与药物名称对应的药物描述信息；概率得到模块503，被配置成将与病症相关的医学实体和药物名称对应的药物描述信息分别输入预先训练的深度语义模型中，得到病症与药物名称具有预设关系的目标概率，其中，深度语义模型基于样本病历数据和样本医学出版数据训练得到；信息展示模块504，被配置成响应于目标概率不满足预设概率阈值，展示医嘱质控提示信息。
在本实施例中，医嘱质控的装置500中：第一获取模块501、第二获取模块502、概率得到模块503和信息展示模块504的具体处理及其所带来的技术效果可分别参考图2对应实施例中的步骤201-204的相关说明，在此不再赘述。其中，第一获取模块501和第二获取模块502可以为相同的模块，也可以为不同的模块。
在本实施例的一些可选的实现方式中，该医嘱质控的装置还包括：模型得到模块(图中未示出)，被配置成基于样本病历数据和样本医学出版数据进行无监督训练，得到深度语义模型。
在本实施例的一些可选的实现方式中，模型得到模型，包括：第一训练单元(图中未示出)，被配置成利用样本病历数据进行无监督训练，得到样本病历数据对应的深度语义模型；以及第二训练单元(图中未示出)，被配置成利用样本医学出版数据进行无监督训练，得到样本医学出版数据对应的深度语义模型。
在本实施例的一些可选的实现方式中，其中，概率得到模块，包括：第一概率单元(图中未示出)，被配置成将与病症相关的医学实体输入样本病历数据对应的深度语义模型，得到病症与药物名称具有预设关系的第一概率；以及第二概率单元(图中未示出)，被配置成将药物名称对应的药物描述信息输入样本医学出版数据对应的深度语义模型，得到病症与药物名称具有预设关系的第二概率；概率得到单元(图中未示出)，被配置成根据第一概率和第二概率，确定目标概率。
在本实施例的一些可选的实现方式中，概率得到单元，进一步被配置成：根据第一概率和预设的第一权重，以及第二概率和预设的第二权重，确定目标概率。
在本实施例的一些可选的实现方式中，第一训练单元，进一步被配置成：获取样本医学出版数据中的第一样本药物名称和第一样本药物名称对应的第一样本药物描述信息；以及获取预设的目标样本药物描述信息，其中，预设的目标样本药物描述信息不为第一样本药物描述信息；根据第一样本药物描述信息，生成第一正向样本；以及根据目标样本药物描述信息，生成第一负向样本；基于第一正向样本、第一负向样本、第一样本药物名称，以及第一标签进行无监督训练，得到样本病历数据对应的深度语义模型，其中，第一标签为第一正向样本的置信度。
在本实施例的一些可选的实现方式中，第二训练单元，进一步被配置成：
获取样本病历数据中的目标样本医学实体，其中，目标样本医学实体包括与病症相关的目标样本医学实体和目标样本药物名称；以及获取预设的第二样本药物名称，其中，预设的第二样本药物名称不为目标样本药物名称；根据目标样本医学实体，生成第二正向样本；以及根据预设的第二样本药物名称，生成第二负向样本；基于第二正向样本、第二负向样本，目标样本医学实体，以及第二标签进行无监督训练，得到样本医学出版数据对应的深度语义模型，其中，第二标签为第二正向样本的置信度。
在本实施例的一些可选的实现方式中，第一获取模块501，进一步被配置成：将病历数据，输入医学自然语言模型，得到病历数据中的医学实体。
在本实施例的一些可选的实现方式中，医学自然语言模型，包括：
双向长短期记忆网络层、注意力机制层和条件随机场层。
在本实施例的一些可选的实现方式中，医学实体包括以下至少一项：症状、疾病、检查、检验、手术。
根据本申请的实施例，本申请还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图6示出了可以用来实施本申请的实施例的示例电子设备600的示意性框图。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，设备600包括计算单元601，其可以根据存储在只读存储器(ROM)602中的计算机程序或者从存储单元608加载到随机访问存储器(RAM)603中的计算机程序，来执行各种适当的动作和处理。在RAM 603中，还可存储设备600操作所需的各种程序和数据。计算单元601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
设备600中的多个部件连接至I/O接口605，包括：输入单元606，例如键盘、鼠标等；输出单元607，例如各种类型的显示器、扬声器等；存储单元608，例如磁盘、光盘等；以及通信单元609，例如网卡、调制解调器、无线通信收发机等。通信单元609允许设备600通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元601可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元601的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元601执行上文所描述的各个方法和处理，例如医嘱质控的方法。例如，在一些实施例中，医嘱质控的方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元608。在一些实施例中，计算机程序的部分或者全部可以经由ROM 602和/或通信单元609而被载入和/或安装到设备600上。当计算机程序加载到RAM 603并由计算单元601执行时，可以执行上文描述的医嘱质控的方法的一个或多个步骤。备选地，在其他实施例中，计算单元601可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行医嘱质控的方法。
本文中以上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、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、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。
用于实施本申请的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本申请的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
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)和互联网。
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。
人工智能是研究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。人工智能硬件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、自然语音处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。
根据本申请的技术方案，能够利用基于知识的视角和数据的视角训练得到的深度语义模型，实现对病症与药物名称具有预设关系的目标概率的确定，并在目标概率不满足预设概率阈值时，展示医嘱质控提示信息，以提高医嘱质控的准确率和召回利率。
在展示医嘱质控之后，还可以提醒医护人员针对病历数据中的异常数据进行调整，以实现对病历数据的准确地撰写，进一步教导实习医生撰写高质量的病历数据。
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 (23)

1.一种医嘱质控的方法，包括：
获取病历数据中的医学实体，其中，医学实体包括药物名称和与病症相关的医学实体；
从医学出版数据中，获取与所述药物名称对应的药物描述信息；
将所述与病症相关的医学实体和所述药物名称对应的药物描述信息分别输入预先训练的深度语义模型中，得到病症与所述药物名称具有预设关系的目标概率，其中，所述深度语义模型基于样本病历数据和样本医学出版数据训练得到；
响应于所述目标概率不满足预设概率阈值，展示医嘱质控提示信息。
2.根据权利要求1所述的方法，其中，所述深度语义模型基于以下步骤确定：
基于所述样本病历数据和所述样本医学出版数据进行无监督训练，得到所述深度语义模型。
3.根据权利要求2所述的方法，其中，所述基于所述样本病历数据和所述样本医学出版数据进行无监督训练，得到所述深度语义模型，包括：
利用所述样本病历数据进行无监督训练，得到所述样本病历数据对应的深度语义模型；以及
利用所述样本医学出版数据进行无监督训练，得到所述样本医学出版数据对应的深度语义模型。
4.根据权利要求1-3任一项所述的方法，其中，所述将所述与病症相关的医学实体和所述药物名称对应的药物描述信息分别输入预先训练的深度语义模型中，得到病症与所述药物名称具有预设关系的目标概率，包括：
将所述与病症相关的医学实体输入所述样本病历数据对应的深度语义模型，得到病症与所述药物名称具有预设关系的第一概率；以及
将所述药物名称对应的药物描述信息输入所述样本医学出版数据对应的深度语义模型，得到病症与所述药物名称具有预设关系的第二概率；
根据所述第一概率和所述第二概率，确定所述目标概率。
5.根据权利要求4所述的方法，其中，所述根据所述第一概率和所述第二概率，确定所述目标概率，包括：
根据所述第一概率和预设的第一权重，以及所述第二概率和预设的第二权重，确定所述目标概率。
6.根据权利要求3所述的方法，其中，所述利用所述样本病历数据进行无监督训练，得到所述样本病历数据对应的深度语义模型，包括：
获取所述样本医学出版数据中的第一样本药物名称和所述第一样本药物名称对应的第一样本药物描述信息；以及
获取预设的目标样本药物描述信息，其中，所述预设的目标样本药物描述信息不为所述第一样本药物描述信息；
根据所述第一样本药物描述信息，生成第一正向样本；以及根据所述目标样本药物描述信息，生成第一负向样本；
基于所述第一正向样本、所述第一负向样本、所述第一样本药物名称，以及第一标签进行无监督训练，得到所述样本病历数据对应的深度语义模型，其中，所述第一标签为所述第一正向样本的置信度。
7.根据权利要求3所述的方法，其中，所述利用所述样本医学出版数据进行无监督训练，得到所述样本医学出版数据对应的深度语义模型，包括：
获取所述样本病历数据中的目标样本医学实体，其中，所述目标样本医学实体包括与病症相关的目标样本医学实体和目标样本药物名称；以及
获取预设的第二样本药物名称，其中，所述预设的第二样本药物名称不为所述目标样本药物名称；
根据所述目标样本医学实体，生成第二正向样本；以及根据所述预设的第二样本药物名称，生成第二负向样本；
基于所述第二正向样本、所述第二负向样本，所述目标样本医学实体，以及第二标签进行无监督训练，得到所述样本医学出版数据对应的深度语义模型，其中，所述第二标签为所述第二正向样本的置信度。
8.根据权利要求1所述的方法，其中，所述获取病历数据中的医学实体，包括：
将所述病历数据，输入医学自然语言模型，得到所述病历数据中的医学实体。
9.根据权利要求8所述的方法，其中，所述医学自然语言模型，包括：双向长短期记忆网络层、注意力机制层和条件随机场层。
10.根据权利要求8或9所述的方法，其中，所述医学实体包括以下至少一项：
症状、疾病、检查、检验、手术。
11.一种医嘱质控的装置，包括：
第一获取模块，被配置成获取病历数据中的医学实体，其中，医学实体包括药物名称和与病症相关的医学实体；
第二获取模块，被配置成从医学出版数据中，获取与所述药物名称对应的药物描述信息；
概率得到模块，被配置成将所述与病症相关的医学实体和所述药物名称对应的药物描述信息分别输入预先训练的深度语义模型中，得到病症与所述药物名称具有预设关系的目标概率，其中，所述深度语义模型基于样本病历数据和样本医学出版数据训练得到；
信息展示模块，被配置成响应于所述目标概率不满足预设概率阈值，展示医嘱质控提示信息。
12.根据权利要求11所述的装置，所述装置还包括：
模型得到模块，被配置成基于所述样本病历数据和所述样本医学出版数据进行无监督训练，得到所述深度语义模型。
13.根据权利要求12所述的装置，其中，所述模型得到模型，包括：
第一训练单元，被配置成利用所述样本病历数据进行无监督训练，得到所述样本病历数据对应的深度语义模型；以及
第二训练单元，被配置成利用所述样本医学出版数据进行无监督训练，得到所述样本医学出版数据对应的深度语义模型。
14.根据权利要求11-13任一项所述的装置，其中，所述概率得到模块，包括：
第一概率单元，被配置成将所述与病症相关的医学实体输入所述样本病历数据对应的深度语义模型，得到病症与所述药物名称具有预设关系的第一概率；以及
第二概率单元，被配置成将所述药物名称对应的药物描述信息输入所述样本医学出版数据对应的深度语义模型，得到病症与所述药物名称具有预设关系的第二概率；
概率得到单元，被配置成根据所述第一概率和所述第二概率，确定所述目标概率。
15.根据权利要求14所述的装置，其中，所述概率得到单元，进一步被配置成：
根据所述第一概率和预设的第一权重，以及所述第二概率和预设的第二权重，确定所述目标概率。
16.根据权利要求13所述的装置，其中，所述第一训练单元，进一步被配置成：
获取所述样本医学出版数据中的第一样本药物名称和所述第一样本药物名称对应的第一样本药物描述信息；以及
获取预设的目标样本药物描述信息，其中，所述预设的目标样本药物描述信息不为所述第一样本药物描述信息；
根据所述第一样本药物描述信息，生成第一正向样本；以及根据所述目标样本药物描述信息，生成第一负向样本；
基于所述第一正向样本、所述第一负向样本、所述第一样本药物名称，以及第一标签进行无监督训练，得到所述样本病历数据对应的深度语义模型，其中，所述第一标签为所述第一正向样本的置信度。
17.根据权利要求13所述的装置，其中，所述第二训练单元，进一步被配置成：
获取所述样本病历数据中的目标样本医学实体，其中，所述目标样本医学实体包括与病症相关的目标样本医学实体和目标样本药物名称；以及
获取预设的第二样本药物名称，其中，所述预设的第二样本药物名称不为所述目标样本药物名称；
根据所述目标样本医学实体，生成第二正向样本；以及根据所述预设的第二样本药物名称，生成第二负向样本；
基于所述第二正向样本、所述第二负向样本，所述目标样本医学实体，以及第二标签进行无监督训练，得到所述样本医学出版数据对应的深度语义模型，其中，所述第二标签为所述第二正向样本的置信度。
18.根据权利要求11所述的装置，其中，所述第一获取模块，进一步被配置成：
将所述病历数据，输入医学自然语言模型，得到所述病历数据中的医学实体。
19.根据权利要求18所述的装置，其中，所述医学自然语言模型，包括：双向长短期记忆网络层、注意力机制层和条件随机场层。
20.根据权利要求18或19所述的装置，其中，所述医学实体包括以下至少一项：
症状、疾病、检查、检验、手术。
21.一种电子设备，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权利要求1-10中任一项所述的方法。
22.一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权利要求1-10中任一项所述的方法。
23.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1-10中任一项所述的方法。
CN202011581990.4A 2020-12-28 2020-12-28 医嘱质控的方法、装置、设备、存储介质以及程序产品 Active CN112613313B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011581990.4A CN112613313B (zh) 2020-12-28 2020-12-28 医嘱质控的方法、装置、设备、存储介质以及程序产品

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011581990.4A CN112613313B (zh) 2020-12-28 2020-12-28 医嘱质控的方法、装置、设备、存储介质以及程序产品

Publications (2)

Publication Number Publication Date
CN112613313A true CN112613313A (zh) 2021-04-06
CN112613313B CN112613313B (zh) 2024-03-12

Family

ID=75248600

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011581990.4A Active CN112613313B (zh) 2020-12-28 2020-12-28 医嘱质控的方法、装置、设备、存储介质以及程序产品

Country Status (1)

Country Link
CN (1) CN112613313B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113053522A (zh) * 2021-04-22 2021-06-29 北京百度网讯科技有限公司 用于处理医疗数据的方法、装置、设备、介质和产品

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190311807A1 (en) * 2018-04-06 2019-10-10 Curai, Inc. Systems and methods for responding to healthcare inquiries
US20190348179A1 (en) * 2018-05-11 2019-11-14 International Business Machines Corporation Predicting interactions between drugs and diseases
CN110534168A (zh) * 2019-08-30 2019-12-03 北京百度网讯科技有限公司 药嘱风险提示方法、装置、电子设备及存储介质
CN110910976A (zh) * 2019-10-12 2020-03-24 平安国际智慧城市科技股份有限公司 病历检测方法、装置、设备和存储介质
CN111180070A (zh) * 2019-12-30 2020-05-19 腾讯科技（深圳）有限公司 病历数据分析方法及装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190311807A1 (en) * 2018-04-06 2019-10-10 Curai, Inc. Systems and methods for responding to healthcare inquiries
US20190348179A1 (en) * 2018-05-11 2019-11-14 International Business Machines Corporation Predicting interactions between drugs and diseases
CN110534168A (zh) * 2019-08-30 2019-12-03 北京百度网讯科技有限公司 药嘱风险提示方法、装置、电子设备及存储介质
CN110910976A (zh) * 2019-10-12 2020-03-24 平安国际智慧城市科技股份有限公司 病历检测方法、装置、设备和存储介质
CN111180070A (zh) * 2019-12-30 2020-05-19 腾讯科技（深圳）有限公司 病历数据分析方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
陈瑶;吴红;葛卫红;张海霞;廖俊;: "基于深度学习模型的我国药品不良反应报告实体关系抽取研究", 中国药科大学学报, no. 06 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113053522A (zh) * 2021-04-22 2021-06-29 北京百度网讯科技有限公司 用于处理医疗数据的方法、装置、设备、介质和产品
CN113053522B (zh) * 2021-04-22 2023-08-08 北京百度网讯科技有限公司 用于处理医疗数据的方法、装置、设备、介质和产品

Also Published As

Publication number Publication date
CN112613313B (zh) 2024-03-12

Similar Documents

Publication Publication Date Title
Cabitza et al. Unintended consequences of machine learning in medicine
US9536052B2 (en) Clinical predictive and monitoring system and method
Ng et al. The role of artificial intelligence in enhancing clinical nursing care: A scoping review
US20170132371A1 (en) Automated Patient Chart Review System and Method
US20160342753A1 (en) Method and apparatus for healthcare predictive decision technology platform
CN112331298B (zh) 开具药方的方法、装置、电子设备及存储介质
CN108231146B (zh) 一种基于深度学习的医疗记录模型构建方法、系统及装置
CN111627512A (zh) 一种相似病历的推荐方法、装置，电子设备及存储介质
WO2022160614A1 (zh) 构建医学实体关系图的方法及装置、医嘱质控的方法及装置、设备、介质
EP3000064A1 (en) Methods and apparatus for providing guidance to medical professionals
Woods et al. Digital Epidemiological Surveillance, Smart Telemedicine Diagnosis Systems, and Machine Learning-based Real-Time Data Sensing and Processing in COVID-19 Remote Patient Monitoring.
US11557399B2 (en) Integrative machine learning framework for combining sentiment-based and symptom-based predictive inferences
Singareddy et al. Artificial intelligence and its role in the management of chronic medical conditions: a systematic review
Ghassemi et al. How is the doctor feeling? ICU provider sentiment is associated with diagnostic imaging utilization
CN116312926A (zh) 健康路径推荐方法及相关装置、电子设备和存储介质
Awotunde et al. Explainable artificial intelligence (XAI) in medical decision support systems (MDSS): applicability, prospects, legal implications, and challenges
CN114218955A (zh) 基于医疗知识图谱的辅助参考信息的确定方法及系统
CN112613313B (zh) 医嘱质控的方法、装置、设备、存储介质以及程序产品
Kumar et al. NATURAL LANGUAGE PROCESSING: HEALTHCARE ACHIEVING BENEFITS VIA NLP
Verma et al. Digital Assistant in the Pharmaceutical Field for Advancing Healthcare Systems
CN117672499A (zh) 基于影像数据的诊疗方法、装置、电子设备和存储介质
Han et al. Chinese Q&A community medical entity recognition with character-level features and self-attention mechanism
Uke et al. Chatbot for Medicine at Your Fingertips Using TextMining
Lambert et al. Detection and prediction limits for identifying highly confusable drug names from experimental data
TW202309917A (zh) 資料分析系統及資料分析方法

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