CN112786144A - 知识图谱的方法、医嘱质控的方法、装置、设备和介质 - Google Patents
知识图谱的方法、医嘱质控的方法、装置、设备和介质 Download PDFInfo
- Publication number
- CN112786144A CN112786144A CN202110129851.6A CN202110129851A CN112786144A CN 112786144 A CN112786144 A CN 112786144A CN 202110129851 A CN202110129851 A CN 202110129851A CN 112786144 A CN112786144 A CN 112786144A
- Authority
- CN
- China
- Prior art keywords
- medical
- entity
- entities
- medical entity
- quality control
- 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 69
- 238000003908 quality control method Methods 0.000 title claims abstract description 58
- 239000003814 drug Substances 0.000 claims abstract description 113
- 229940079593 drug Drugs 0.000 claims abstract description 78
- 208000024891 symptom Diseases 0.000 claims abstract description 19
- 238000004590 computer program Methods 0.000 claims abstract description 14
- 238000004891 communication Methods 0.000 claims description 43
- 238000003058 natural language processing Methods 0.000 claims description 16
- 230000011218 segmentation Effects 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 14
- 201000010099 disease Diseases 0.000 claims description 13
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 13
- 238000013507 mapping Methods 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000007246 mechanism Effects 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 5
- 230000002457 bidirectional effect Effects 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 4
- 238000001356 surgical procedure Methods 0.000 claims description 4
- 239000000126 substance Substances 0.000 claims description 2
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000013135 deep learning Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 16
- 206010019233 Headaches Diseases 0.000 description 4
- 208000002193 Pain Diseases 0.000 description 4
- 231100000869 headache Toxicity 0.000 description 4
- 206010011224 Cough Diseases 0.000 description 3
- 210000001015 abdomen Anatomy 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000001960 triggered effect Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000004880 explosion Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 208000006820 Arthralgia Diseases 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 208000019695 Migraine disease Diseases 0.000 description 1
- 208000000112 Myalgia Diseases 0.000 description 1
- 206010037660 Pyrexia Diseases 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 239000003242 anti bacterial agent Substances 0.000 description 1
- 229940088710 antibiotic agent Drugs 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 206010022000 influenza Diseases 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 206010027599 migraine Diseases 0.000 description 1
- 201000009240 nasopharyngitis Diseases 0.000 description 1
- 208000004296 neuralgia Diseases 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 208000004371 toothache Diseases 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Epidemiology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Primary Health Care (AREA)
- Medical Informatics (AREA)
- Medicinal Chemistry (AREA)
- Public Health (AREA)
- Chemical & Material Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本申请公开了知识图谱的方法、医嘱质控的方法、装置、电子设备、存储介质和计算机程序产品,涉及人工智能领域,尤其涉及深度学习技术。具体实现方案为:对医学相关数据进行实体识别,得到至少两个医学实体;确定所述医学实体所关联的药物分类标签;根据所述医学实体和所述药物分类标签,构建医学实体关系图。本申请实施例通过建立医学实体关系图,精准的确定了症状类实体与药物的关系,为进行医嘱质控提供了基础。
Description
技术领域
本申请涉及人工智能技术领域,尤其涉及深度学习技术,具体涉及一种知识图谱的方法、医嘱质控的方法、装置、电子设备、存储介质和计算机程序产品。
背景技术
在临床上,医生根据患者的不同病情制定不同的医嘱,然而有时医嘱中用药的不合理会导致医疗损害,进而引发医疗纠纷案件。因此如何对医生制定的医嘱进行精准的用药合理性检测成为亟待解决的问题。
发明内容
本申请提供了一种知识图谱的方法、医嘱质控的方法、装置、电子设备、存储介质和计算机程序产品。
根据本申请的一方面,提供了一种知识图谱的方法,包括:
对医学相关数据进行实体识别,得到至少两个医学实体;
确定医学实体所关联的药物分类标签;
根据医学实体和药物分类标签,构建医学实体关系图。
根据本申请的一方面,提供了一种医嘱质控的方法,包括:
从待检测的医嘱病历数据中获取第一医学实体和第二医学实体;其中,第一医学实体是指实体类型为症状的医学实体,第二医学实体是指实体类型为药品的医学实体;
采用实体关系图,确定第一医学实体和第二医学实体之间的质控信息;其中,实体关系图采用上述方法构建。
根据本申请的另一方面,提供了一种知识图谱的装置,包括:
实体识别模块,用于对医学相关数据进行实体识别,得到至少两个医学实体;
标签预测模块,用于确定医学实体所关联的药物分类标签;
关系图构建模块,用于根据医学实体和药物分类标签,构建医学实体关系图。
根据本申请的另一方面,提供了一种医嘱质控的装置,包括:
实体获取模块,用于从待检测的医嘱病历数据中获取第一医学实体和第二医学实体;其中,第一医学实体是指实体类型为症状的医学实体,第二医学实体是指实体类型为药品的医学实体;
质控模块,用于采用实体关系图,确定第一医学实体和第二医学实体之间的质控信息;其中,实体关系图采用上述方法构建。
根据本申请的另一方面,提供了一种电子设备,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本申请任意实施例的知识图谱的方法或医嘱质控的方法。
根据本申请的另一方面,提供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本申请任意实施例的知识图谱的方法或医嘱质控的方法。
根据本申请的另一方面,提供了一种计算机程序产品,包括计算机程序,计算机程序在被处理器执行时实现本申请任意实施例的知识图谱的方法或医嘱质控的方法
根据本申请的技术,通过引入药物分类标签建立医学实体关系图,精准的确定了各医学实体之间的关系;进而基于医学实体关系图进行医嘱质控,提升了医嘱质控的准确性。
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
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是根据本申请实施例的一种知识图谱的方法的示意图;
图2是根据本申请实施例的一种知识图谱的方法的示意图;
图3是根据本申请实施例的一种医嘱质控的方法的示意图;
图4是根据本申请实施例的一种医嘱质控的方法的示意图;
图5是根据本申请实施例的一种知识图谱的装置的示意图;
图6是根据本申请实施例的一种医嘱质控的装置的示意图;
图7是用来实现本申请实施例的知识图谱的方法和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。
本申请实施例中,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),也即医嘱质控更偏向于异常检测。而要进行异常检测,需要先学习患者病症和药物的关系,以及药物和药物的关系。因此提出了通过构建知识图图谱的方式学习医学实体之间的关系。
图1为本申请实施例的知识图谱的方法的流程示意图,本实施例可适用于通过添加标签节点构建医学实体关系图,进而利用医学实体关系图进行医嘱质控的情况。该方法可由一种知识图谱的装置来执行,该装置采用软件和/或硬件的方式实现,并集成在电子设备上。
具体的,参见图1,知识图谱的方法如下:
S101、对医学相关数据进行实体识别,得到至少两个医学实体。
其中,医学相关数据可选的为本文数据,包括如下至少一项:药物说明书、医学书籍、医学指南和用户的医嘱病历数据;实体指的是现实世界中的事物,比如人、地名、公司、电话、动物等,因此医学实体是指医学领域的事物,例如药品名称、描述疾病症状的词组。在一种可选的实施方式中,可利用自然语言处理技术对医学相关数据进行实体识别,得到至少两个医学实体。
S102、确定医学实体所关联的药物分类标签。
由于医嘱病历数据本身存在用药合理性问题,基于存在错误的数据进行学习病症和药物的关系,会导致后续预测的误差较大;而在医学书籍或者医学指南中对于病症和治疗用药的关系描述,更偏向于该病症应该使用某某类药物,而不是直接描述具体的药物名称,也即缺少病症和药物的关系。基于此,本申请实施例中,引入了药物分类标签,每个药物分类标签都预先关联至少一种药物名称,因此只需确定医学实体(例如描述疾病症状的实体)所关联的药物分类标签,即可通过药物分类标签建立药物名称与症状之间的关系,也即是建立各医学实体之间的关系,具体的可参见S103。
S103、根据医学实体和药物分类标签,构建医学实体关系图。
在一种可选的实施方式中,根据医学实体和药物分类标签,构建医学实体关系图,包括:将医学实体和药物分类标签作为节点,将各医学实体之间的关系(例如症状与药物的关系)、医学实体与药物分类标签之间的关系(例如症状与标签的关系或药物与标签的关系)和各药物分类标签之间的关系作为边,构建医学实体的关系图。进而利用医学实体关系图进行医嘱质控。
本申请实施例中,通过引入药物分类标签建立医学实体关系图,精准的确定了各医学实体之间的关系,为后续的医嘱质控提供了保证。
图2是根据本申请实施例的知识图谱的方法的流程示意图,本实施例是在上述实施例的基础上进行优化。参见图2,知识图谱的具体如下:
S201、基于医学自然语言处理模型,对医学相关数据进行分词处理,以及对分词结果进行实体识别,得到至少两个医学实体。
其中,医学相关数据包括如下至少一项:药物说明书、医学书籍、医学指南和用户的医嘱病历数据;医学自然语言处理模型是基于双向长短期记忆网络(Bi-LSTM)、注意力机制(Attention)和条件随机场(CRF)构建的深层网络模型。在此需要说明的是,基于Bi-LSTM+CRF的深层网络模型,相比传统的神经网络(DNN,RNN)的框架,一方面考虑到了文本数据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传统循环神经网络(RNN)存在的梯度爆炸(gradient explosion)和梯度弥散(gradient vanishing)的问题,使得模型训练更加稳定。同时,引入注意力机制可精确地确定需要重点关注的医学实体。
示例性的,病历数据中患者主诉描述:“我今天咳嗽头疼肚子疼有点感冒”,医学自然语言处理模块先将这句话分词得到“我、今天、咳嗽、头疼、肚子疼、有点感冒”,然后进行实体识别,得到的医学实体包括“咳嗽、头疼、肚子疼、感冒”。通过实体类型识别可知,“咳嗽、头疼、肚子疼”是症状类医学实体,“感冒”属于疾病类医学实体。
S202、利用预先训练的标签预测模型对医学实体进行标签预测,根据预测结果确定医学实体所关联的药物分类标签。
其中,预测结果即是标签预测模型的输出结果,包括预测出的药物分类标签和概率。可选的,将医学实体作为标签预测模型的输入,根据标签预测模型的输出,得到医学实体关联某一药物分类标签的概率值,进而根据概率值确定医学实体与药物分类标签的关系。例如概率值大于预设阈值,则认为两者存在关联关系;若概率值小于预设阈值,则认为两者之间不存在关联关系。
本申请实施例中,标签预测模型为知识增强的语义表示模型ERNIE(EnhancedRepresentation from kNowledge IntEgration);训练标签预测模型的样本数据为从药物说明书中确定的实体描述数据和实体描述数据对应的药物分类标签。示例性的,构建二元组形式的样本数据,例如构建<entities,label>的二元组,entities是某一药品说明书中该药物相关的实体描述数据,比如“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”中的实体,label是该实体描述数据对应的药物分类标签,比如抗生素等。
在此需要说明的是,标签预测模型是根据物品说明书中的实体和药物分类标签训练的,因此利用标签预测模型进行预测可提升确定医学实体所关联的药物分类标签的效率和准确性。
S203、根据医学实体和药物分类标签,构建医学实体关系图。
本申请实施例中,基于医学自然语言处理模型进行实体识别,提升识别准确性;而且通过标签预测模型预测实体关联的药物分类标签,可提升确定医学实体所关联的药物分类标签的效率和准确性。
图3是根据本申请实施例的医嘱质控的方法的流程示意图,本实施例是在上述实施例的基础上进行优化。参见图3,医嘱质控的方法具体如下:
S301、从待检测的医嘱病历数据中获取第一医学实体和第二医学实体。
其中,第一医学实体是指实体类型为症状的医学实体,第二医学实体是指实体类型为药品的医学实体。
在一种可选的实施方式中,从待检测的医嘱病历数据中获取第一医学实体和第二医学实体,包括:
基于医学自然语言处理模型,对待检测的医嘱病历数据进行分词处理,以及对分词结果进行实体识别,得到至少两个医学实体,具体的识别过程可参见上述实施例的描述;进而对医学实体的实体类型进行识别;其中,实体类型包括如下至少一项:症状、疾病、检查、检验、手术和药品;根据实体类型识别结果,获取第一医学实体和第二医学实体。
在此需要说明的是,通过对各医学实体进行实例类型识别,可保证了获取第一医学实体和第二医学实体的效率。
S302、采用实体关系图,确定第一医学实体和第二医学实体之间的质控信息。
其中,实体关系图的构建可参见上述实施例,在此不再赘述。根据实体关系图,如果确定第一医学实体和第二医学实体之间存在关联关系,例如在实体关系图中存在由第一医学实体到第二医学实体的连通路径,则确定两者存在关联关系,不需要进行质控提醒;若实体关系图中不存在由第一医学实体到第二医学实体的连通路径,则确定两者没有关联关系,则认为医生开具的医嘱处方,在患者的电子病历信息中,没有明显的病症支撑,可能是医生因为疏忽开错了药,另一方面可能是医生故意开药进行骗保的行为,因此触发质控提醒。
本申请实施例中,由于实体关系图中各实体通过药物分类标签建立联系,因此只需判断两个实体间是否存在连通路径即可确定两者之间是否关联,进而确定是否触发质控提醒,由此可提升医嘱质控的效率和准确性。
图4是根据本申请实施例的医嘱质控的方法的流程示意图,本实施例是在上述实施例的基础上进行优化,参见图4,医嘱质控的方法具体如下:
S401、从待检测的医嘱病历数据中获取第一医学实体和第二医学实体。
其中,第一医学实体是指实体类型为症状的医学实体,第二医学实体是指实体类型为药品的医学实体。
S402、采用预设遍历算法,从实体关系图中确定以第一医学实体为起始节点,以第二医学实体为终止节点的至少一条连通路径。
其中,预设遍历算法可选的为广度优先遍历算法(BFS),也可以为其他遍历算法,例如深度遍历算法,在此不做具体限定。本申请实施例中,若通过广度优先遍历算法确定存在多条以第一医学实体为起始节点,以第二医学实体为终止节点的连通路径,为了提升医嘱质控的准确性,需要对各连通路径按照S302-S304的步骤做进一步的判断。
S403、从至少一条连通路径中确定路径最短的目标连通路径,并计算目标连通路径关联得分。
连通路径越短,则第一医学实体和第二医学实体相关联的可能性越大,其中,连通路径的长短可通过第一医学实体到第二医学实体所经过的药物分类标签节点的个数确定。因此可从至少一条连通路径中确定路径最短的目标连通路径,并计算目标连通路径关联得分。
在一种可选的实施方式中,若目标连通路径是由第一医学实体、第二医学实体和至少一个药物分类标签组成的,则计算目标连通路径关联得分的过程包括:确定第一医学实体关联药物分类标签的第一概率值,以及第二医学实体关联药物分类标签的第二概率值;对第一概率值和第二概率值进行加权处理,得到关联得分。需要说明的是,通过将第一医学实体和第二医学实体关联的标签的概率值进行加权处理,可以提升计算关联得分的效率。
示例性的,假设连通路径由Vdrug(药物节点)、Vtag(标签节点)和Vdisease(病症节点)三个节点组成,其中Pdrug-tag代表节点Vdrug和Vtag之间的边权重,边权重Pdrug-tag可选的是Vdrug节点的所属该标签的概率,同样的,Pdisease-tag可以是病症节点所属标签的概率,α(>=1)代表路径长度的衰减因子(α>1时,路径越长,最终得分衰减的越快),最终的结果Preminder基于路径加权计算。这里举例的是3个节点的路径,构成两条边,实际应用可以考虑更多的节点构成的边。计算公式如下:Preminder=(Pdrug-tag+Pdisease-tag)/Nα,其中N表示节点的个数。
S404、根据关联得分,确定第一医学实体和第二医学实体之间的质控信息。
本申请实施例中,为了保证质控的准确性,可预先设定一个报警阈值,在关联得分低于报警阈值,则触发质控提醒。
本申请实施例中,通过计算连通路径的关联得分,评价构成连通路径的第一医学实体和第二医学实体的关联关系,可保证质控的准确性。
图5是根据本申请实施例的知识图谱的装置的结构示意图,如图5所示,该装置具体包括:
实体识别模块501,用于对医学相关数据进行实体识别,得到至少两个医学实体;
标签预测模块502,用于确定医学实体所关联的药物分类标签;
关系图构建模块503,用于根据医学实体和药物分类标签,构建医学实体关系图。
在上述实施例的基础上,可选的,关系图构建模块具体用于:
将医学实体和药物分类标签作为节点,将各医学实体之间的关系、医学实体与药物分类标签之间的关系和各药物分类标签之间的关系作为边,构建医学实体的关系图。
在上述实施例的基础上,可选的,实体识别模块具体用于:
基于医学自然语言处理模型,对医学相关数据进行分词处理,以及对分词结果进行实体识别,得到至少两个医学实体;
其中,医学相关数据包括如下至少一项:药物说明书、医学书籍、医学指南和用户的医嘱病历数据;医学自然语言处理模型是基于双向长短期记忆网络、注意力机制和条件随机场构建的深层网络模型。
在上述实施例的基础上,可选的,标签预测模块具体用于:
利用预先训练的标签预测模型对医学实体进行标签预测,根据预测结果确定医学实体所关联的药物分类标签。
在上述实施例的基础上,可选的,标签预测模型为知识增强的语义表示模型;训练标签预测模型的样本数据为从药物说明书、医学书籍和医学指南中确定的实体描述数据和实体描述数据对应的药物分类标签。
本申请实施例提供的知识图谱的装置可执行本申请任意实施例提供的知识图谱的方法,具备执行方法相应的功能模块和有益效果。本实施例中未详尽描述的内容可以参考本申请任意方法实施例中的描述。
图6是根据本申请实施例的医嘱质控的装置的结构示意图,如图6所示,该装置具体包括:
实体获取模块601,用于从待检测的医嘱病历数据中获取第一医学实体和第二医学实体;其中,第一医学实体是指实体类型为症状的医学实体,第二医学实体是指实体类型为药品的医学实体;
质控模块602,用于采用实体关系图,确定第一医学实体和第二医学实体之间的质控信息;其中,实体关系图采用上述方法构建。
在上述实施例的基础上,可选的,质控模块包括:
遍历单元,用于采用预设遍历算法,从实体关系图中确定以第一医学实体为起始节点,以第二医学实体为终止节点的至少一条连通路径;
筛选计算单元,用于从至少一条连通路径中确定路径最短的目标连通路径,并计算目标连通路径关联得分;
质控单元,用于根据关联得分,确定第一医学实体和第二医学实体之间的质控信息。
在上述实施例的基础上,可选的,若目标连通路径是由第一医学实体、第二医学实体和至少一个药物分类标签组成的,则筛选计算单元包括:
概率值确定子单元,用于确定第一医学实体关联药物分类标签的第一概率值,以及第二医学实体关联药物分类标签的第二概率值;
计算子单元,用于对第一概率值和第二概率值进行加权处理,得到关联得分。
在上述实施例的基础上,可选的,实体获取模块包括:
实体识别单元,用于基于医学自然语言处理模型,对待检测的医嘱病历数据进行分词处理,以及对分词结果进行实体识别,得到至少两个医学实体;
类型识别单元,用于对医学实体的实体类型进行识别;其中,实体类型包括如下至少一项:症状、疾病、检查、检验、手术和药品;
获取单元,用于根据实体类型识别结果,获取第一医学实体和第二医学实体。
本申请实施例提供的医嘱质控的装置可执行本申请任意实施例提供的医嘱质控的方法,具备执行方法相应的功能模块和有益效果。本实施例中未详尽描述的内容可以参考本申请任意方法实施例中的描述。
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7示出了可以用来实施本申请的实施例的示例电子设备700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7所示,设备700包括计算单元701,其可以根据存储在只读存储器(ROM)702中的计算机程序或者从存储单元708加载到随机访问存储器(RAM)703中的计算机程序,来执行各种适当的动作和处理。在RAM 703中,还可存储设备700操作所需的各种程序和数据。计算单元701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
设备700中的多个部件连接至I/O接口705,包括:输入单元706,例如键盘、鼠标等;输出单元707,例如各种类型的显示器、扬声器等;存储单元708,例如磁盘、光盘等;以及通信单元709,例如网卡、调制解调器、无线通信收发机等。通信单元709允许设备700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701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701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701执行上文所描述的各个方法和处理,例如医嘱质控的方法或知识图谱的方法。例如,在一些实施例中,医嘱质控的或知识图谱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708。在一些实施例中,计算机程序的部分或者全部可以经由ROM 702和/或通信单元709而被载入和/或安装到设备700上。当计算机程序加载到RAM 703并由计算单元701执行时,可以执行上文描述的医嘱质控的方法或知识图谱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701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或知识图谱的方法。
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)、区块链网络和互联网。
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。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服务中,存在的管理难度大,业务扩展性弱的缺陷。
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)
1.一种知识图谱的方法,包括:
对医学相关数据进行实体识别,得到至少两个医学实体;
确定所述医学实体所关联的药物分类标签;
根据所述医学实体和所述药物分类标签,构建医学实体关系图。
2.根据权利要求1所述的方法,其中,根据所述医学实体和所述药物分类标签,构建医学实体关系图,包括:
将所述医学实体和所述药物分类标签作为节点,将各所述医学实体之间的关系、所述医学实体与所述药物分类标签之间的关系和各所述药物分类标签之间的关系作为边,构建医学实体的关系图。
3.根据权利要求1所述的方法,其中,对医学相关数据进行实体识别,得到至少两个医学实体,包括:
基于医学自然语言处理模型,对医学相关数据进行分词处理,以及对分词结果进行实体识别,得到至少两个医学实体;
其中,所述医学相关数据包括如下至少一项:药物说明书、医学书籍、医学指南和用户的医嘱病历数据;所述医学自然语言处理模型是基于双向长短期记忆网络、注意力机制和条件随机场构建的深层网络模型。
4.根据权利要求1所述的方法,其中,确定所述医学实体所关联的药物分类标签,包括:
利用预先训练的标签预测模型对所述医学实体进行标签预测,根据预测结果确定所述医学实体所关联的药物分类标签。
5.根据权利要求4所述的方法,其中,所述标签预测模型为知识增强的语义表示模型;训练所述标签预测模型的样本数据为从药物说明书中确定的实体描述数据和所述实体描述数据对应的药物分类标签。
6.一种医嘱质控的方法,包括:
从待检测的医嘱病历数据中获取第一医学实体和第二医学实体;其中,第一医学实体是指实体类型为症状的医学实体,所述第二医学实体是指实体类型为药品的医学实体;
采用实体关系图,确定第一医学实体和第二医学实体之间的质控信息;其中,所述实体关系图采用如权利要求1-5中任一项所述方法构建。
7.根据权利要求6所述的方法,其中,采用实体关系图,确定第一医学实体和第二医学实体之间的质控信息包括:
采用预设遍历算法,从所述实体关系图中确定以第一医学实体为起始节点,以第二医学实体为终止节点的至少一条连通路径;
从所述至少一条连通路径中确定路径最短的目标连通路径,并计算所述目标连通路径关联得分;
根据所述关联得分,确定第一医学实体和第二医学实体之间的质控信息。
8.根据权利要求7所述的方法,其中,若所述目标连通路径是由所述第一医学实体、所述第二医学实体和至少一个药物分类标签组成的,则计算所述目标连通路径关联得分的过程包括:
确定第一医学实体关联所述药物分类标签的第一概率值,以及第二医学实体关联所述药物分类标签的第二概率值;
对所述第一概率值和所述第二概率值进行加权处理,得到所述关联得分。
9.根据权利要求6所述的方法,其中,从待检测的医嘱病历数据中获取第一医学实体和第二医学实体,包括:
基于医学自然语言处理模型,对待检测的医嘱病历数据进行分词处理,以及对分词结果进行实体识别,得到至少两个医学实体;
对所述医学实体的实体类型进行识别;其中,所述实体类型包括如下至少一项:症状、疾病、检查、检验、手术和药品;
根据实体类型识别结果,获取第一医学实体和第二医学实体。
10.一种知识图谱的装置,包括:
实体识别模块,用于对医学相关数据进行实体识别,得到至少两个医学实体;
标签预测模块,用于确定所述医学实体所关联的药物分类标签;
关系图构建模块,用于根据所述医学实体和所述药物分类标签,构建医学实体关系图。
11.根据权利要求10所述的装置,其中,关系图构建模块具体用于:
将所述医学实体和所述药物分类标签作为节点,将各所述医学实体之间的关系、所述医学实体与所述药物分类标签之间的关系和各所述药物分类标签之间的关系作为边,构建医学实体的关系图。
12.根据权利要求10所述的装置,其中,实体识别模块具体用于:
基于医学自然语言处理模型,对医学相关数据进行分词处理,以及对分词结果进行实体识别,得到至少两个医学实体;
其中,所述医学相关数据包括如下至少一项:药物说明书、医学书籍、医学指南和用户的医嘱病历数据;所述医学自然语言处理模型是基于双向长短期记忆网络、注意力机制和条件随机场构建的深层网络模型。
13.根据权利要求10所述的装置,其中,标签预测模块具体用于:
利用预先训练的标签预测模型对所述医学实体进行标签预测,根据预测结果确定所述医学实体所关联的药物分类标签。
14.根据权利要求13所述的装置,其中,所述标签预测模型为知识增强的语义表示模型;训练所述标签预测模型的样本数据为从药物说明书中确定的实体描述数据和所述实体描述数据对应的药物分类标签。
15.一种医嘱质控的装置,包括:
实体获取模块,用于从待检测的医嘱病历数据中获取第一医学实体和第二医学实体;其中,第一医学实体是指实体类型为症状的医学实体,所述第二医学实体是指实体类型为药品的医学实体;
质控模块,用于采用实体关系图,确定第一医学实体和第二医学实体之间的质控信息;其中,所述实体关系图采用如权利要求1-5中任一项所述方法构建。
16.根据权利要求15所述的装置,其中,质控模块,包括:
遍历单元,用于采用预设遍历算法,从所述实体关系图中确定以第一医学实体为起始节点,以第二医学实体为终止节点的至少一条连通路径;
筛选计算单元,用于从所述至少一条连通路径中确定路径最短的目标连通路径,并计算所述目标连通路径关联得分;
质控单元,用于根据所述关联得分,确定第一医学实体和第二医学实体之间的质控信息。
17.根据权利要求16所述的装置,其中,若所述目标连通路径是由所述第一医学实体、所述第二医学实体和至少一个药物分类标签组成的,则筛选计算单元包括:
概率值确定子单元,用于确定第一医学实体关联所述药物分类标签的第一概率值,以及第二医学实体关联所述药物分类标签的第二概率值;
计算子单元,用于对所述第一概率值和所述第二概率值进行加权处理,得到所述关联得分。
18.根据权利要求15所述的装置,其中,实体获取模块包括:
实体识别单元,用于基于医学自然语言处理模型,对待检测的医嘱病历数据进行分词处理,以及对分词结果进行实体识别,得到至少两个医学实体;
类型识别单元,用于对所述医学实体的实体类型进行识别;其中,所述实体类型包括如下至少一项:症状、疾病、检查、检验、手术和药品;
获取单元,用于根据实体类型识别结果,获取第一医学实体和第二医学实体。
19.一种电子设备,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1-5或者权利要求6-9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,其中,所述计算机指令用于使所述计算机执行根据权利要求1-5或者权利要求6-9中任一项所述的方法。
21.一种计算机程序产品,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1-5或者权利要求6-9中任一项所述的方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110129851.6A CN112786144B (zh) | 2021-01-29 | 2021-01-29 | 知识图谱的方法、医嘱质控的方法、装置、设备和介质 |
PCT/CN2021/106769 WO2022160614A1 (zh) | 2021-01-29 | 2021-07-16 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110129851.6A CN112786144B (zh) | 2021-01-29 | 2021-01-29 | 知识图谱的方法、医嘱质控的方法、装置、设备和介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112786144A true CN112786144A (zh) | 2021-05-11 |
CN112786144B CN112786144B (zh) | 2024-04-02 |
Family
ID=75760006
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110129851.6A Active CN112786144B (zh) | 2021-01-29 | 2021-01-29 | 知识图谱的方法、医嘱质控的方法、装置、设备和介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN112786144B (zh) |
WO (1) | WO2022160614A1 (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN114819328A (zh) * | 2022-04-21 | 2022-07-29 | 平安科技(深圳)有限公司 | 标签预测方法、装置、设备及存储介质 |
WO2022160614A1 (zh) * | 2021-01-29 | 2022-08-04 | 北京百度网讯科技有限公司 | 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 |
CN115050441A (zh) * | 2022-08-16 | 2022-09-13 | 北京嘉和美康信息技术有限公司 | 治疗方案的显示方法、装置、电子设备及介质 |
CN114819328B (zh) * | 2022-04-21 | 2024-07-12 | 平安科技(深圳)有限公司 | 标签预测方法、装置、设备及存储介质 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118113792A (zh) * | 2024-04-23 | 2024-05-31 | 生命奇点(北京)科技有限公司 | 一种获取实体和实体关系的系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111738014A (zh) * | 2020-06-16 | 2020-10-02 | 北京百度网讯科技有限公司 | 一种药物分类方法、装置、设备及存储介质 |
WO2021012878A1 (zh) * | 2019-07-19 | 2021-01-28 | 平安科技(深圳)有限公司 | 医疗领域知识图谱问答处理方法、装置、设备及存储介质 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103955531B (zh) * | 2014-05-12 | 2017-06-30 | 南京提坦信息科技有限公司 | 基于命名实体库的在线知识地图 |
US20160259899A1 (en) * | 2015-03-04 | 2016-09-08 | Expeda ehf | Clinical decision support system for diagnosing and monitoring of a disease of a patient |
CN109102855A (zh) * | 2018-07-03 | 2018-12-28 | 北京康夫子科技有限公司 | 药物推荐方法 |
CN109920508B (zh) * | 2018-12-28 | 2022-11-01 | 安徽省立医院 | 处方审核方法及系统 |
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 |
CN112786144B (zh) * | 2021-01-29 | 2024-04-02 | 北京百度网讯科技有限公司 | 知识图谱的方法、医嘱质控的方法、装置、设备和介质 |
-
2021
- 2021-01-29 CN CN202110129851.6A patent/CN112786144B/zh active Active
- 2021-07-16 WO PCT/CN2021/106769 patent/WO2022160614A1/zh active Application Filing
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021012878A1 (zh) * | 2019-07-19 | 2021-01-28 | 平安科技(深圳)有限公司 | 医疗领域知识图谱问答处理方法、装置、设备及存储介质 |
CN111738014A (zh) * | 2020-06-16 | 2020-10-02 | 北京百度网讯科技有限公司 | 一种药物分类方法、装置、设备及存储介质 |
Non-Patent Citations (2)
Title |
---|
CHENG XIE: "Open Knowledge Accessing Method in IoT-Based Hospital Information System for Medical Record Enrichment", IEEE ACCESS, vol. 6 * |
张小亮;王忠民;王永庆;郭建军;刘云;: "基于自然语言处理的临床合理用药知识图谱构建", 中华医学图书情报杂志, no. 09 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022160614A1 (zh) * | 2021-01-29 | 2022-08-04 | 北京百度网讯科技有限公司 | 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 |
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 |
CN114819328A (zh) * | 2022-04-21 | 2022-07-29 | 平安科技(深圳)有限公司 | 标签预测方法、装置、设备及存储介质 |
CN114819328B (zh) * | 2022-04-21 | 2024-07-12 | 平安科技(深圳)有限公司 | 标签预测方法、装置、设备及存储介质 |
CN115050441A (zh) * | 2022-08-16 | 2022-09-13 | 北京嘉和美康信息技术有限公司 | 治疗方案的显示方法、装置、电子设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112786144B (zh) | 2024-04-02 |
WO2022160614A1 (zh) | 2022-08-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111753543B (zh) | 药物推荐方法、装置、电子设备及存储介质 | |
CN112786144B (zh) | 知识图谱的方法、医嘱质控的方法、装置、设备和介质 | |
US10614196B2 (en) | System for automated analysis of clinical text for pharmacovigilance | |
US11881293B2 (en) | Methods for automatic cohort selection in epidemiologic studies and clinical trials | |
US10755048B2 (en) | Artificial intelligence based method and apparatus for segmenting sentence | |
US20130262140A1 (en) | Patient cohort matching | |
CN108920453A (zh) | 数据处理方法、装置、电子设备及计算机可读介质 | |
US10431338B2 (en) | System and method for weighting manageable patient attributes during criteria evaluations for treatment | |
US11249960B2 (en) | Transforming data for a target schema | |
CN112528660A (zh) | 处理文本的方法、装置、设备、存储介质和程序产品 | |
CN113792115A (zh) | 实体相关性确定方法、装置、电子设备及存储介质 | |
CN112395401B (zh) | 自适应负样本对采样方法、装置、电子设备及存储介质 | |
CN115620886B (zh) | 一种数据审核方法和装置 | |
CN116861875A (zh) | 基于人工智能的文本处理方法、装置、设备及存储介质 | |
CN111046085A (zh) | 数据的溯源处理方法及装置、介质和设备 | |
CN114579626B (zh) | 数据处理方法、数据处理装置、电子设备和介质 | |
CN114461085A (zh) | 医疗输入推荐方法、装置、设备及存储介质 | |
CN112613313A (zh) | 医嘱质控的方法、装置、设备、存储介质以及程序产品 | |
CN114116838B (zh) | 数据处理方法、装置、电子设备以及存储介质 | |
CN113345542B (zh) | 电子病历的管理方法、装置、设备、存储介质以及计算机程序产品 | |
US12019983B1 (en) | Dataset generation from a knowledge graph using a custom ontology | |
CN112949296B (zh) | 基于黎曼空间的词嵌入方法和装置、介质及设备 | |
US20240111999A1 (en) | Segmenting and classifying unstructured text using multi-task neural networks | |
CN114530244A (zh) | 疾病的确定方法、装置、设备以及存储介质 | |
CN114579701A (zh) | 信息处理方法、系统、装置、电子设备及存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |