CN112687365A - 基于语音识别的病历数据处理方法和装置 - Google Patents
基于语音识别的病历数据处理方法和装置 Download PDFInfo
- Publication number
- CN112687365A CN112687365A CN202011555959.3A CN202011555959A CN112687365A CN 112687365 A CN112687365 A CN 112687365A CN 202011555959 A CN202011555959 A CN 202011555959A CN 112687365 A CN112687365 A CN 112687365A
- Authority
- CN
- China
- Prior art keywords
- data
- medical record
- structured
- record data
- training
- 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.)
- Pending
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 14
- 238000012549 training Methods 0.000 claims abstract description 148
- 238000013075 data extraction Methods 0.000 claims abstract description 112
- 238000000034 method Methods 0.000 claims abstract description 31
- 230000000694 effects Effects 0.000 claims abstract description 12
- 238000002372 labelling Methods 0.000 claims abstract description 9
- 238000012545 processing Methods 0.000 claims description 29
- 230000008569 process Effects 0.000 claims description 10
- 238000010276 construction Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 230000007246 mechanism Effects 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
Images
Landscapes
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本申请公开了一种基于语音识别的病历数据处理方法和装置。该方法包括：针对音频性质的病历数据，通过采用语音识别模型，生成待识别的文本病历数据；建立结构化数据抽取模型，通过获取训练文本病历数据的标注数据，建立结构化建模网络架构，基于标注后得到的训练样本集训练结构化数据抽取模型，对结构化数据抽取模型进行校验迭代，获得标准结构化数据抽取模型；通过所述标准结构化数据抽取模型对所述文本病历数据进行处理，获得结构化病历数据，待识别音频数据依次通过语音识别模型和标准结构化数据抽取模型，达到了提高病历数据结构化程度的技术效果。
Description
技术领域
本申请涉及电子病历领域，具体而言，涉及一种基于语音识别的病历数据处理方法和装置。
背景技术
随着语音识别技术的不断发展，语音识别技术在各个领域内被广泛应用，如将语音识别技术应用到电子病历的生成中。
针对音频性质的病历数据，通过语音识别技术对音频性质的病历数据进行识别，但是现有技术中缺乏针对病历数据的结构化定义及对病历数据进行结构化处理，生成的病历数据存在数据结构化程度较低的技术问题。
申请内容
本申请的主要目的在于提供一种基于语音识别的病历数据处理方法，通过语音识别技术模型与建立结构化数据抽取模型对音频性质的病历数据进行处理，输出结构化病历数据，达到了提高病历数据结构化程度的技术效果。
为了实现上述目的，为了实现上述目的，本申请提供了一种基于语音识别的病历数据处理方法。
本发明的第二方面，还提出了一种基于语音识别的病历数据处理装置。
本发明的第三方面，还提出了一种非暂态计算机可读存储介质。
有鉴于此，根据本发明的第一方面，提出了一种基于语音识别的病历数据处理方法，包括：获取病历数据，所述病历数据至少包括：待识别音频病历数据和训练文本病历数据，其中，所述训练文本病历数据为结构化的文本病历数据；基于语音识别模型，对所述待识别音频病历数据进行处理，生成待识别文本病历数据；基于所述训练文本病历数据对预先建立的结构化数据抽取模型进行训练，获得标准结构化数据抽取模型；以及基于所述标准结构化数据抽取模型对所述文本病历数据进行处理，获得结构化病历数据。
进一步地，基于所述训练文本病历数据对预先建立的结构化数据抽取模型进行训练，获得标准结构化数据抽取模型，包括：基于所述训练文本病历数据对预先建立的结构化数据抽取模型进行训练，包括：获取训练文本病历数据的标注数据，构建训练样本集；基于所述训练样本集，对所述预先建立的结构化数据抽取模型进行训练；基于预设条件对所述结构化数据抽取模型进行校验迭代，获得标准结构化数据抽取模型。
进一步地，获取训练文本病历数据的标注数据，构建训练样本集，包括：获取训练文本病历数据的标注数据，基于结构化定义数据将所述标注数据进行分类处理，构建训练样本集，所述结构化定义数据至少包括：医学事件，医学实体及实体关系。
进一步地，基于所述训练样本集，对所述预先建立的结构化数据抽取模型进行训练包括：对所述训练样本集中的训练样本数据进行识别，识别所述训练样本数据中的结构化定义数据；基于所述训练样本数据中的结构化定义数据，对所述结构化数据抽取模型进行训练；基于所述结构化数据抽取模型对所述训练样本数据进行处理，输出训练结构化病历数据。
进一步地，基于预设条件对所述结构化数据抽取模型进行校验迭代，获得标准结构化数据抽取模型，包括：若所述训练结构化病历数据的召准率满足预设条件，获得标准结构化数据抽取模型，所述预设条件为结构化数据抽取模型效果，所述结构化数据抽取模型效果表现形式为结构化病历数据召准率；以及若所述训练结构化病历数据的召准率不满足预设条件，所述结构化数据抽取模型继续进行校验迭代，直至满足预设条件，获得标准结构化数据抽取模型。
进一步地，获取所述病历数据，还包括：获取用户需求数据；对所述用户需求数据进行识别，若所述用户需求数据为过程需求数据，输出所述待识别文本病历数据与所述结构化病历数据；若所述用户需求数据为结果需求数据，输出所述结构化病历数据。
本发明的第二方面，提出了一种基于语音识别的病历数据处理装置，包括：数据获取模块，用于获取病历数据，所述病历数据至少包括：待识别音频病历数据和训练文本病历数据，其中，所述训练文本病历数据为结构化的文本病历数据；语音识别模块，基于语音识别模型，对所述待识别音频病历数据进行处理，生成待识别文本病历数据；结构化模块，包括：训练模型模块，基于所述训练文本病历数据对预先建立的结构化数据抽取模型进行训练，获得标准结构化数据抽取模型；数据处理模块，通过所述标准结构化数据抽取模型对所述文本病历数据进行处理，获得结构化病历数据；以及结果输出模块，用于输出所述结构化病历数据。
进一步地，所述结构化模块，包括：训练模型模块，基于所述训练文本病历数据对预先建立的结构化数据抽取模型进行训练，获得标准结构化数据抽取模型，包括：样本构建模块，用于获取训练文本病历数据的标注数据，构建训练样本集；模型训练模块，基于所述训练样本集，对所述预先建立的结构化数据抽取模型进行训练；模型校验模块，基于预设条件对所述结构化数据抽取模型进行校验迭代，获得标准结构化数据抽取模型。
进一步地，所述样本构建模块，包括：所述样本构建模块用于获取训练文本病历数据的标注数据，基于结构化定义数据将所述标注数据进行分类处理，构建训练样本集，所述结构化定义数据至少包括：医学事件，医学实体及实体关系。
本发明的第三方面，提出了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述基于语音识别的病历数据处理方法的步骤。
本申请的实施例提供的技术方案可以包括以下有益效果：
在本申请中，针对音频性质的病历数据，通过采用语音识别模型，生成待识别的文本病历数据；建立结构化数据抽取模型，通过获取训练文本病历数据的标注数据，建立结构化建模网络架构，基于标注后得到的训练样本集训练结构化数据抽取模型，对结构化数据抽取模型进行校验迭代，获得标准结构化数据抽取模型；通过所述标准结构化数据抽取模型对所述文本病历数据进行处理，获得结构化病历数据，待识别音频数据依次通过语音识别模型和标准结构化数据抽取模型，达到了提高病历数据结构化程度的技术效果。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解，使得本申请的其它特征、目的和优点变得更明显。本申请的示意性实施例附图及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为本申请提供的一种基于语音识别的病历数据结构化方法的流程示意图；
图2为本申请提供的一种基于语音识别的病历数据结构化方法的流程示意图；
图3为本申请提供的一种基于语音识别的病历数据结构化方法的流程示意图；
图4为本申请提供的一种基于语音识别的病历数据结构化方法的流程示意图；
图5为本申请提供的一种基于语音识别的病历数据结构化装置的结构示意图；
图6为本申请提供的另一种基于语音识别的病历数据结构化装置的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。
需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、装置、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
在本申请中，术语“上”、“下”、“左”、“右”、“前”、“后”、“顶”、“底”、“内”、“外”、“中”、“竖直”、“水平”、“横向”、“纵向”等指示的方位或位置关系为基于附图所示的方位或位置关系。这些术语主要是为了更好地描述本申请及其实施例，并非用于限定所指示的装置、元件或组成部分必须具有特定方位，或以特定方位进行构造和操作。
并且，上述部分术语除了可以用于表示方位或位置关系以外，还可能用于表示其他含义，例如术语“上”在某些情况下也可能用于表示某种依附关系或连接关系。对于本领域普通技术人员而言，可以根据具体情况理解这些术语在本申请中的具体含义。
此外，术语“安装”、“设置”、“设有”、“连接”、“相连”、“套接”应做广义理解。例如，“连接”可以是固定连接，可拆卸连接，或整体式构造；可以是机械连接，或电连接；可以是直接相连，或者是通过中间媒介间接相连，又或者是两个装置、元件或组成部分之间内部的连通。对于本领域普通技术人员而言，可以根据具体情况理解上述术语在本申请中的具体含义。
图1为本申请提供的一种基于语音识别的病历数据结构化方法的流程示意图，如图1所示，该方法包括以下步骤：
S101：获取病历数据，所述病历数据至少包括：待识别音频病历数据和训练文本病历数据，其中，所述训练文本病历数据为结构化的文本病历数据；
所述训练文本病历数据为结构化的文本病历数据，用于训练结构化数据抽取模型，可由医学病历数据库中获得。
S102：基于语音识别模型，对所述待识别音频病历数据进行处理，生成待识别文本病历数据；
将所述待识别音频病历数据输入语音识别模型，对所述待识别音频病历数据进行处理，可采用调用外部语音识别接口对待识别音频病历数据进行音频-文本病历的转换，也可采用自训练模型对待识别音频病历数据进行音频-文本病历的转换。
S103：基于所述训练文本病历数据对预先建立的结构化数据抽取模型进行训练，获得标准结构化数据抽取模型；
图2示出了对预先建立的结构化数据抽取模型进行训练的流程示意图，具体如下：
S201：获取训练文本病历数据的标注数据，构建训练样本集；
获取训练文本病历数据的标注数据，基于结构化定义数据将所述标注数据进行分类处理，构建训练样本集，所述结构化定义数据至少包括：医学事件，医学实体及实体关系。所述训练文本病历的数据的标注数据由人工标注获得。
S202：基于所述训练样本集，对所述预先建立的结构化数据抽取模型进行训练；
对所述训练样本集中的训练样本数据进行识别，识别所述训练样本数据中的结构化定义数据；基于所述训练样本数据中的结构化定义数据，对所述结构化数据抽取模型进行训练；基于所述结构化数据抽取模型对所述训练样本数据进行处理，输出训练结构化病历数据。
所述结构化数据抽取模型基于编码-解码(encoder-decoder)模型建立，结合注意力机制(Attention)与匹配机制(Match)，基于编码-解码模型的编码器对所述训练样本数据进行编码，并采用Attention+Match机制对编码结果进行处理，解码部分采用softmax/crf进行解码，实现对结构化数据抽取模型的训练。
对所述训练样本集中的训练样本数据进行识别，识别所述训练样本数据中的场景数据；基于所述训练样本数据中的场景数据，对所述结构化数据抽取模型进行训练，训练在所述场景数据下的结构化数据抽取模型。
S203：基于预设条件对所述结构化数据抽取模型进行校验迭代，获得标准结构化数据抽取模型。
在完成结构化数据抽取模型的训练过程后，基于结构化数据抽取模型对所述训练样本集中的训练样本数据进行结构化处理，对处理结果进行识别，判断所述结构化数据抽取模型的效果。
图3示出了对预先建立的结构化数据抽取模型进行校验迭代的流程示意图，具体如下，
S301：基于所述训练结构化病历数据的召准率，对预先建立的结构化数据抽取模型进行校验迭代；
S302：若所述训练结构化病历数据的召准率满足预设条件，获得标准结构化数据抽取模型，所述预设条件为结构化数据抽取模型效果，所述结构化数据抽取模型效果表现形式为结构化病历数据召准率；
结构化病历数据召准率为结构化病历数据中的抽取的结构化定义数据召回率与准确率，所述结构化病历数据召准率为经过结构化处理后的病历数据与标准的结构化病历数据进行比较获得。
所述训练结构化病历数据为所述训练集中的某一训练数据经结构化数据抽取模型处理后的得到的病历数据，将所述训练结构化病历数据与当前训练数据对应的标准结构化病历数据进行比较，若所述训练结构化病历数据的召准率满足预设条件，则认为当前结构化数据抽取模型满足条件，即获得标准结构化数据抽取模型。
S303：若所述训练结构化病历数据的召准率不满足预设条件，所述结构化数据抽取模型继续进行校验迭代，直至满足预设条件，获得标准结构化数据抽取模型。
若所述训练结构化病历数据的召准率不满足预设条件，所述结构化数据抽取模型继续进行校验迭代，基于当前训练数据对应的标准结构化病历数据，对所述训练结构化病历数据进行校正训练，对所述训练结构化病历数据进行迭代校验，直至满足预设条件，获得标准结构化数据抽取模型。
通过对所述结构化数据抽取模型进行校验迭代过程，提高所述结构化数据抽取模型的效果，提高结构化病历数据的召准率。
S104：基于所述标准结构化数据抽取模型对所述文本病历数据进行处理，获得结构化病历数据。
图4示出了基于用户需求输出结构化病历的流程示意图，具体如下，
S401：获取用户需求数据；
在获取病历数据时，获取用户输入的需求数据。
S402：对所述用户需求数据进行识别，若所述用户需求数据为过程需求数据，输出所述待识别文本病历数据与所述结构化病历数据；
S403：若所述用户需求数据为结果需求数据，输出与所述结构化病历数据。
若所述用户需求数据为无需求数据，默认输出所述结构化病历数据。
图5为本申请提供的一种基于语音识别的病历数据处理装置的结构示意图。
数据获取模块51，用于获取病历数据，所述病历数据至少包括：待识别音频病历数据和训练文本病历数据，其中，所述训练文本病历数据为结构化的文本病历数据；
语音识别模块52，基于语音识别模型，对所述待识别音频病历数据进行处理，生成待识别文本病历数据；
结构化模块53，包括：
训练模型模块，基于所述训练文本病历数据对预先建立的结构化数据抽取模型进行训练，获得标准结构化数据抽取模型；
数据处理模块，通过所述标准结构化数据抽取模型对所述文本病历数据进行处理，获得结构化病历数据；
结果输出模块54，输出所述结构化病历数据。
图6为本申请提供的另一种基于语音识别的病历数据结构化装置的结构示意图；
训练模型模块61，基于所述训练文本病历数据对预先建立的结构化数据抽取模型进行训练，获得标准结构化数据抽取模型，包括：
样本构建模块62，用于获取训练文本病历数据的标注数据，构建训练样本集；
模型训练模块63，基于所述训练样本集，对所述预先建立的结构化数据抽取模型进行训练；
模型校验模块64，基于预设条件对所述结构化数据抽取模型进行校验迭代，获得标准结构化数据抽取模型。
关于上述实施例中各单元的执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
综上所述，在本申请中，针对音频性质的病历数据，通过采用语音识别模型，生成待识别的文本病历数据；建立结构化数据抽取模型，通过获取训练文本病历数据的标注数据，建立结构化建模网络架构，基于标注后得到的训练样本集训练结构化数据抽取模型，对结构化数据抽取模型进行校验迭代，获得标准结构化数据抽取模型；通过所述标准结构化数据抽取模型对所述文本病历数据进行处理，获得结构化病历数据，待识别音频数据依次通过语音识别模型和标准结构化数据抽取模型，达到了提高病历数据结构化程度的技术效果。
需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
显然，本领域的技术人员应该明白，上述的本申请的各单元或各步骤可以用通用的计算系统来实现，它们可以集中在单个的计算系统上，或者分布在多个计算系统所组成的网络上，可选地，它们可以用计算系统可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本申请不限制于任何特定的硬件和软件结合。
以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
Claims (10)
1.一种基于语音识别的病历数据处理方法，其特征在于，包括：
获取病历数据，所述病历数据至少包括：待识别音频病历数据和训练文本病历数据，其中，所述训练文本病历数据为结构化的文本病历数据；
基于语音识别模型，对所述待识别音频病历数据进行处理，生成待识别文本病历数据；
基于所述训练文本病历数据对预先建立的结构化数据抽取模型进行训练，获得标准结构化数据抽取模型；以及
基于所述标准结构化数据抽取模型对所述文本病历数据进行处理，获得结构化病历数据。
2.根据权利要求1所述的病历数据处理方法，其特征在于，基于所述训练文本病历数据对预先建立的结构化数据抽取模型进行训练，获得标准结构化数据抽取模型，包括：
基于所述训练文本病历数据对预先建立的结构化数据抽取模型进行训练，包括：
获取训练文本病历数据的标注数据，构建训练样本集；
基于所述训练样本集，对所述预先建立的结构化数据抽取模型进行训练；
基于预设条件对所述结构化数据抽取模型进行校验迭代，获得标准结构化数据抽取模型。
3.根据权利要求2所述的病历数据处理方法，其特征在于，获取训练文本病历数据的标注数据，构建训练样本集，包括：
获取训练文本病历数据的标注数据，基于结构化定义数据将所述标注数据进行分类处理，构建训练样本集，所述结构化定义数据至少包括：医学事件，医学实体及实体关系。
4.根据权利要求2所述的病历数据处理方法，基于所述训练样本集，对所述预先建立的结构化数据抽取模型进行训练，其特征在于，包括：
对所述训练样本集中的训练样本数据进行识别，识别所述训练样本数据中的结构化定义数据；
基于所述训练样本数据中的结构化定义数据，对所述结构化数据抽取模型进行训练；
基于所述结构化数据抽取模型对所述训练样本数据进行处理，输出训练结构化病历数据。
5.根据权利要求2或4任一项权利要求所述的病历数据处理方法，基于预设条件对所述结构化数据抽取模型进行校验迭代，获得标准结构化数据抽取模型，其特征在于，包括：
若所述训练结构化病历数据的召准率满足预设条件，获得标准结构化数据抽取模型，所述预设条件为结构化数据抽取模型效果，所述结构化数据抽取模型效果表现形式为结构化病历数据召准率；以及
若所述训练结构化病历数据的召准率不满足预设条件，所述结构化数据抽取模型继续进行校验迭代，直至满足预设条件，获得标准结构化数据抽取模型。
6.根据权利要求1所述的病历数据处理方法，其特征在于，在获取所述病历数据时，还包括：
获取用户需求数据；
对所述用户需求数据进行识别，若所述用户需求数据为过程需求数据，输出所述待识别文本病历数据与所述结构化病历数据；
若所述用户需求数据为结果需求数据，输出所述结构化病历数据。
7.一种基于语音识别的病历数据处理装置，其特征在于，包括：
数据获取模块，用于获取病历数据，所述病历数据至少包括：待识别音频病历数据和训练文本病历数据，其中，所述训练文本病历数据为结构化的文本病历数据；
语音识别模块，基于语音识别模型，对所述待识别音频病历数据进行处理，生成待识别文本病历数据；
结构化模块，包括：
训练模型模块，基于所述训练文本病历数据对预先建立的结构化数据抽取模型进行训练，获得标准结构化数据抽取模型；
数据处理模块，通过所述标准结构化数据抽取模型对所述文本病历数据进行处理，获得结构化病历数据；以及
结果输出模块，用于输出所述结构化病历数据。
8.根据权利要求7所述的病历数据处理装置，所述结构化模块，其特征在于，包括：
训练模型模块，基于所述训练文本病历数据对预先建立的结构化数据抽取模型进行训练，获得标准结构化数据抽取模型，包括：
样本构建模块，用于获取训练文本病历数据的标注数据，构建训练样本集；
模型训练模块，基于所述训练样本集，对所述预先建立的结构化数据抽取模型进行训练；
模型校验模块，基于预设条件对所述结构化数据抽取模型进行校验迭代，获得标准结构化数据抽取模型。
9.根据权利要求8所述病历数据处理装置，所述样本构建模块，其特征在于，包括：
所述样本构建模块用于获取训练文本病历数据的标注数据，基于结构化定义数据将所述标注数据进行分类处理，构建训练样本集，所述结构化定义数据至少包括：医学事件，医学实体及实体关系。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至6任一项所述基于语音识别的病历数据处理方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011555959.3A CN112687365A (zh) | 2020-12-24 | 2020-12-24 | 基于语音识别的病历数据处理方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011555959.3A CN112687365A (zh) | 2020-12-24 | 2020-12-24 | 基于语音识别的病历数据处理方法和装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112687365A true CN112687365A (zh) | 2021-04-20 |
Family
ID=75453057
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011555959.3A Pending CN112687365A (zh) | 2020-12-24 | 2020-12-24 | 基于语音识别的病历数据处理方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112687365A (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120212337A1 (en) * | 2011-02-18 | 2012-08-23 | Nuance Communications, Inc. | Methods and apparatus for formatting text for clinical fact extraction |
| CN110277149A (zh) * | 2019-06-28 | 2019-09-24 | 北京百度网讯科技有限公司 | 电子病历的处理方法、装置及设备 |
| CN110610751A (zh) * | 2019-09-09 | 2019-12-24 | 北京左医科技有限公司 | 一种电子病历录入系统及方法 |
| CN110688855A (zh) * | 2019-09-29 | 2020-01-14 | 山东师范大学 | 基于机器学习的中文医疗实体识别方法及系统 |
| CN111415747A (zh) * | 2019-01-07 | 2020-07-14 | 阿里巴巴集团控股有限公司 | 电子病历的构建方法及装置 |
| CN111834014A (zh) * | 2020-07-17 | 2020-10-27 | 北京工业大学 | 一种医疗领域命名实体识别方法及系统 |
-
2020
- 2020-12-24 CN CN202011555959.3A patent/CN112687365A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120212337A1 (en) * | 2011-02-18 | 2012-08-23 | Nuance Communications, Inc. | Methods and apparatus for formatting text for clinical fact extraction |
| CN111415747A (zh) * | 2019-01-07 | 2020-07-14 | 阿里巴巴集团控股有限公司 | 电子病历的构建方法及装置 |
| CN110277149A (zh) * | 2019-06-28 | 2019-09-24 | 北京百度网讯科技有限公司 | 电子病历的处理方法、装置及设备 |
| CN110610751A (zh) * | 2019-09-09 | 2019-12-24 | 北京左医科技有限公司 | 一种电子病历录入系统及方法 |
| CN110688855A (zh) * | 2019-09-29 | 2020-01-14 | 山东师范大学 | 基于机器学习的中文医疗实体识别方法及系统 |
| CN111834014A (zh) * | 2020-07-17 | 2020-10-27 | 北京工业大学 | 一种医疗领域命名实体识别方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107220235B (zh) | 基于人工智能的语音识别纠错方法、装置及存储介质 | |
| CN107293296B (zh) | 语音识别结果纠正方法、装置、设备及存储介质 | |
| CN110909548A (zh) | 中文命名实体识别方法、装置及计算机可读存储介质 | |
| CN106940679A (zh) | 数据处理方法及装置 | |
| CN112328761B (zh) | 一种意图标签设置方法、装置、计算机设备及存储介质 | |
| CN112466314A (zh) | 情感语音数据转换方法、装置、计算机设备及存储介质 | |
| CN103336788A (zh) | 一种仿人机器人辅助的互联网信息获取方法及系统 | |
| WO2022142011A1 (zh) | 一种地址识别方法、装置、计算机设备及存储介质 | |
| CN112836521A (zh) | 问答匹配方法、装置、计算机设备及存储介质 | |
| CN112015955A (zh) | 一种多模态数据关联方法和装置 | |
| CN116050352A (zh) | 文本编码方法和装置、计算机设备及存储介质 | |
| CN112256827A (zh) | 一种手语翻译方法、装置、计算机设备及存储介质 | |
| CN114242113B (zh) | 语音检测方法、训练方法、装置和电子设备 | |
| CN114155832A (zh) | 基于深度学习的语音识别方法、装置、设备及介质 | |
| CN109829040A (zh) | 一种智能对话方法及装置 | |
| CN112598039A (zh) | 获取nlp分类领域阳性样本方法及相关设备 | |
| CN112489628A (zh) | 语音数据选择方法、装置、电子设备及存储介质 | |
| CN117038099A (zh) | 医疗类术语标准化方法以及装置 | |
| CN112687365A (zh) | 基于语音识别的病历数据处理方法和装置 | |
| CN114996360B (zh) | 数据分析方法、系统、可读存储介质及计算机设备 | |
| CN114611529B (zh) | 意图识别方法和装置、电子设备及存储介质 | |
| CN115859128A (zh) | 一种基于档案数据交互相似度的分析方法和系统 | |
| CN114781359A (zh) | 文本纠错方法、装置、计算机设备及存储介质 | |
| CN113505595A (zh) | 文本短语抽取方法、装置、计算机设备及存储介质 | |
| CN114218431A (zh) | 视频搜索方法、装置、电子设备以及存储介质 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210420 |
|
| RJ01 | Rejection of invention patent application after publication |