CN112883157B - 一种多源异构医疗数据的标准化方法及装置 - Google Patents
一种多源异构医疗数据的标准化方法及装置 Download PDFInfo
- Publication number
- CN112883157B CN112883157B CN202110176998.0A CN202110176998A CN112883157B CN 112883157 B CN112883157 B CN 112883157B CN 202110176998 A CN202110176998 A CN 202110176998A CN 112883157 B CN112883157 B CN 112883157B
- Authority
- CN
- China
- Prior art keywords
- terms
- standard
- similarity
- name
- value
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000013507 mapping Methods 0.000 claims abstract description 22
- 230000008569 process Effects 0.000 claims abstract description 10
- 239000013598 vector Substances 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 9
- 238000002372 labelling Methods 0.000 claims description 7
- 238000003058 natural language processing Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 2
- 238000013473 artificial intelligence Methods 0.000 abstract description 4
- 238000013523 data management Methods 0.000 abstract description 4
- 230000007547 defect Effects 0.000 abstract description 4
- 230000002349 favourable effect Effects 0.000 abstract description 4
- 201000010099 disease Diseases 0.000 abstract description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 abstract description 3
- 230000010354 integration Effects 0.000 abstract description 3
- 238000004891 communication Methods 0.000 abstract description 2
- 230000004927 fusion Effects 0.000 abstract description 2
- 238000013506 data mapping Methods 0.000 abstract 1
- 239000003814 drug Substances 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000036541 health Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 210000004072 lung Anatomy 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000011425 standardization method Methods 0.000 description 2
- 241000483399 Ipimorpha retusa Species 0.000 description 1
- 210000001015 abdomen Anatomy 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000000747 cardiac effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 210000003734 kidney Anatomy 0.000 description 1
- 208000019423 liver disease Diseases 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000000952 spleen Anatomy 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001225 therapeutic effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06F16/33—Querying
- G06F16/3331—Query processing
- G06F16/334—Query execution
- G06F16/3344—Query execution using natural language analysis
-
- 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
- G06F16/35—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Epidemiology (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Computational Linguistics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明公开了一种多源异构医疗数据的标准化方法及装置，属于数据治理技术领域，其中，方法的实现包括：基于原始医疗数据构建多源异构医学数据映射文本，再基于标准术语集合和待映射文本集合生成标准化模型；根据映射结果人工标注，不断优化迭代升级标准化模型；构建成功多源医疗数据自动标准化模型及术语体系，其中，术语体系包括基础术语模块和疾病术语库。通过本发明可实现不同医疗机构，不同业务流程，不同存储方式的信息联通融合，本发明可大幅改善人工标准化效率低，准确度差等弊端，标准化术语的数据可大幅度降低数据治理的难度，有利于人工智能的方法实现多源医疗数据的整合，有助于医疗信息共享的问题。
Description
技术领域
本发明属于数据治理技术领域，更具体地，涉及一种多源异构医疗数据的标准化方法及装置。
背景技术
医学术语是涵盖医学领域包括疾病名称、检查检验、治疗处置、手术护理操作等名称的综合。其数量庞大，构词复杂化及表达多样性等特点已经成为制约领域内信息共享和数据有意义使用的关键因素。目前国际上或国内均拥有多套在粒度和制定思路上不统一的医学术语标准体系，且繁重的医疗实际工作环境下产生的不规范的医疗记录使得目前多源异构数据难以整合。为实现卫生信息化的深入及健康大数据的应用，建立统一的医学术语体系及自动化数据标准化模型是迫切需要的。
现有技术中多是针对单种类医疗术语如药品名称及疾病诊断名称的统一术语体系，尚缺乏集合多种类医学术语的术语体系。现有对医学名词术语进行归一化的标准化技术中有两种，一是人工标注方法，其效率低且成本高。二是流行的人工智能深度学习方法，即通过海量数据训练自动化匹配模型，但是所依赖的大样本医疗标注数据极其难以获得，所以准确度和效率尚不能满足医疗数据的标准化要求。
发明内容
针对现有技术的以上缺陷或改进需求，本发明提出了一种多源异构医疗数据的标准化方法及装置，可以包容多源机构，多样业务流程的术语结构，可大幅改善人工标准化效率低，准确度差等弊端，有利于人工智能的方法实现多源医疗数据的整合，有助于医疗信息共享的问题。
为实现上述目的，按照本发明的一个方面，提供了一种多源异构医疗数据的标准化方法，包括：
(1)针对原始医疗数据中的原始指标名称进行预处理得到目标指标，并根据目标指标名称和内容预判断目标指标名称所在术语体系的父级分类名称；
(2)将各所述目标指标与标准术语表中的术语进行比对，从所述标准术语表中找出与各所述目标指标最相似的术语作为映射结果，并记录相似度；
(3)对于未在所述标准术语表中找出最相似术语的剩余目标指标，将各所述剩余目标指标与其父级分类名称下的标准术语进行相似性比对，若相似度值不大于第一阈值，则与隶属于所推荐父级分类名称下标准术语对应的既往积累的既往术语进行相似性比较，得到匹配结果。
在一些可选的实施方案中，步骤(2)包括：
将各所述目标指标作为标准化模型的输入文件，利用自然语言处理技术，生成词向量并将词向量与标准术语表中的术语进行比对，找出最相似的术语作为映射结果，生成映射结果及相似度，其中，相似度计算原则为名称字符一致性，通过所述标准化模型的输出结果包含数据来源、原始指标名称、预处理后的指标名称、指标分类、推荐匹配术语及匹配度。
在一些可选的实施方案中，步骤(3)包括：
(3.1)对于未在所述标准术语表中找出最相似术语的剩余目标指标，将该剩余目标指标与其父级分类名称下的标准术语进行相似性比对；
(3.2)取比对过程中的第一最大相似度值，若第一最大相似度值大于第一阈值，则输出匹配的标准术语，若第一最大相似度值不大于第一阈值则该剩余目标指标与隶属于所推荐父级分类名称下的标准术语对应的既往积累的既往术语进行相似性比较，得到第二最大相似度值；
(3.3)判断第一最大相似度值与第二最大相似度值中的较大值是否大于第二阈值，若大于第二阈值则输出既往术语及对应的标准术语，若不大于第二阈值，则表示没有最佳匹配结果。
在一些可选的实施方案中，所述方法还包括：
根据输出映射结果进行人工核对标注，从而更新标准术语对应的原始指标名称库，实现更全面准确的完善标准术语对应的既往积累术语，最终优化完善标准化模型。
按照本发明的另一方面，提供了一种多源异构医疗数据的标准化装置，包括：
预处理模块，用于针对原始医疗数据中的原始指标名称进行预处理得到目标指标，并根据目标指标名称和内容预判断目标指标名称所在术语体系的父级分类名称；
第一匹配模块，用于将各所述目标指标与标准术语表中的术语进行比对，从所述标准术语表中找出与各所述目标指标最相似的术语作为映射结果，并记录相似度；
第二匹配模块，用于对于未在所述标准术语表中找出最相似术语的剩余目标指标，将各所述剩余目标指标与其父级分类名称下的标准术语进行相似性比对，若相似度值不大于第一阈值，则与隶属于所推荐父级分类名称下标准术语对应的既往积累的既往术语进行相似性比较，得到匹配结果。
在一些可选的实施方案中，所述第一匹配模块，用于将各所述目标指标作为标准化模型的输入文件，利用自然语言处理技术，生成词向量并将词向量与标准术语表中的术语进行比对，找出最相似的术语作为映射结果，生成映射结果及相似度，其中，相似度计算原则为名称字符一致性，通过所述标准化模型的输出结果包含数据来源、原始指标名称、预处理后的指标名称、指标分类、推荐匹配术语及匹配度。
在一些可选的实施方案中，所述第二匹配模块包括：
第一相似性比对单元，用于对于未在所述标准术语表中找出最相似术语的剩余目标指标，将该剩余目标指标与其父级分类名称下的标准术语进行相似性比对；
第二相似性比对单元，用于取比对过程中的第一最大相似度值，若第一最大相似度值大于第一阈值，则输出匹配的标准术语，若第一最大相似度值不大于第一阈值则该剩余目标指标与隶属于所推荐父级分类名称下的标准术语对应的既往积累的既往术语进行相似性比较，得到第二最大相似度值，判断第一最大相似度值与第二最大相似度值中的较大值是否大于第二阈值，若大于第二阈值则输出既往术语及对应的标准术语，若不大于第二阈值，则表示没有最佳匹配结果。
在一些可选的实施方案中，所述装置还包括：
核对模块，用于根据输出映射结果进行人工核对标注，从而更新标准术语对应的原始指标名称库，实现更全面准确的完善标准术语对应的既往积累术语，最终优化完善标准化模型。
按照本发明的另一方面，提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项所述方法的步骤。
总体而言，通过本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果：
通过本发明可实现不同医疗机构，不同业务流程，不同存储方式的信息联通融合，本发明可大幅改善人工标准化效率低，准确度差等弊端，标准化术语的数据可大幅度降低数据治理的难度，有利于人工智能的方法实现多源医疗数据的整合，有助于医疗信息共享的问题。
附图说明
图1是本发明实施例提供的一种多源异构医疗数据的标准化方法的概念图；
图2是本发明实施例提供的一种多源异构医疗数据的标准化方法的流程示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
在本发明实例中，“第一”、“第二”等是用于区别不同的对象，而不是用于描述特定的顺序或先后次序。
如图1所示是本发明实施例提供的一种多源异构医疗数据的标准化方法的流程示意图，包括以下步骤：
S1：针对原始医疗数据中的原始指标名称进行预处理得到目标指标，并根据目标指标名称和内容预判断目标指标名称所在术语体系的父级分类名称；
其中，在步骤S1中，考虑到医疗数据的命名特点及标准化的高准确度需求，首先针对原始数据中原始指标名称进行预处理(包括无效字符的删除)，并根据指标名称和内容预判断术语所在术语体系的父级分类名称，以助于缩小匹配范围从而提高标准化模型匹配结果准确度。
S2：将各目标指标与标准术语表中的术语进行比对，从标准术语表中找出与各目标指标最相似的术语作为映射结果，并记录相似度；
其中，步骤S2可以通过以下方式实现：
将各目标指标作为标准化模型的输入文件，利用自然语言处理技术NLP，生成词向量并将词向量与标准术语表中的术语进行比对，找出最相似的术语作为映射结果，生成映射结果及相似度，其中，相似度计算原则为名称字符一致性，通过标准化模型的输出结果包含数据来源、原始指标名称、预处理后的指标名称、指标分类、推荐匹配术语及匹配度(即相似度)，如下表1所示。
其中，标准术语表由各类医疗术语组成。
表1
S3：对于未在标准术语表中找出最相似术语的剩余目标指标，将各剩余目标指标与其父级分类名称下的标准术语进行相似性比对，若相似度值不大于第一阈值，则与隶属于所推荐父级分类名称下标准术语对应的既往积累的既往术语进行相似性比较，得到匹配结果。
其中，如图2所示，步骤S3可以通过以下方式实现：
S3.1：对于未在标准术语表中找出最相似术语的剩余目标指标，将该剩余目标指标与其父级分类名称下的标准术语进行相似性比对；
S3.2：取比对过程中的第一最大相似度值，若第一最大相似度值大于第一阈值，则输出匹配的标准术语，若第一最大相似度值不大于第一阈值则该剩余目标指标与隶属于所推荐父级分类名称下的标准术语对应的既往积累的既往术语进行相似性比较，得到第二最大相似度值；
S3.3：判断第一最大相似度值与第二最大相似度值中的较大值是否大于第二阈值，若大于第二阈值则输出既往术语及对应的标准术语，若不大于第二阈值，则表示没有最佳匹配结果。
通过步骤S3的标准化方法，具有高精度的匹配流程及基于NLP技术的数据自动标准化模型。
其中，上述方法还包括：
根据输出映射结果进行人工核对标注，从而更新标准术语对应的原始指标名称库，实现更全面准确的完善标准术语对应的既往积累术语，最终优化完善标准化模型。
进一步地，还可以通过进一步完善指标对应资料类型，从而根据术语名称及资料类型形成完整的医疗数据标准化术语结果，再进行上述步骤的数据治理。
进一步地，还可以构建及维护医疗数据术语体系及对应既往术语。通过吸纳多源医疗机构原始数据及多样的医疗业务流程，构建粒度通用且规范统一的术语体系。
以下结合具体实例对本发明进行详细说明。
lib文件：基于多种已有的医疗术语集和现有医疗数据，建立13大类，共计7115条标准术语。术语体系包括标准术语及医学专业规定的术语所属父级分类(即三级分类)，如表2所示，例如：西医(一级分类)--体格检查(二级分类)--体格检查-胸部(三级分类)--心脏听诊-心率(标准术语)。
表2
指标预处理结果：对原始状态指标名称进行预处理，输出处理指标名称、推荐指标父级分类，如表3所示。
表3
| 来源 | 列号 | 原始指标名称 | 处理指标名称 | 指标分类 |
| 医院单位1 | 2 | XL-心率 | 心率 | 体格检查-心脏 |
| 医院单位1 | 3 | XZ-心脏 | 心脏 | 体格检查-心脏 |
| 医院单位1 | 4 | XY-心音 | 心音 | 体格检查-心脏 |
| 医院单位1 | 5 | XJ-心界 | 心界 | 体格检查-心脏 |
| 医院单位1 | 6 | QT-其它(内科) | 其它(内科) | 体格检查 |
| 医院单位1 | 7 | GZ-肝脏 | 肝脏 | 体格检查-腹部 |
| 医院单位1 | 8 | PZ-脾脏 | 脾脏 | 体格检查-腹部 |
| 医院单位1 | 9 | FB-腹部(未特指) | 腹部(未特指) | 体格检查-腹部 |
| 医院单位1 | 10 | FZ-肺 | 肺 | 体格检查-胸部 |
| 医院单位1 | 11 | SZ-双肾 | 双肾 | 体格检查-腹部 |
| 医院单位1 | 12 | CD-肠鸣音 | 肠鸣音 | 体格检查-腹部 |
利用已构建的标准化模型进行自动映射。模型运行基本逻辑：
(a)按照每个原始指标名称循环；
(b)将标准术语和与之分类相同的原始指标作为待比较指标；
(c)计算文本相似度：如表4中处理指标名称“心率”，匹配出直接匹配指标“心率”对应的标准匹配术语“心脏听诊-心率”是最高的匹配度1；
(d)判断步骤(c)中匹配度是否满足阈值设定，若不满足则进一步将父级分类下的标准术语对应的既往累积原始术语作为比较指标，再进行一轮匹配度计算；
(e)以相似度最高的标准指标名称为推荐输出。
表4
需要指出，根据实施的需要，可将本申请中描述的各个步骤/部件拆分为更多步骤/部件，也可将两个或多个步骤/部件或者步骤/部件的部分操作组合成新的步骤/部件，以实现本发明的目的。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (5)
1.一种多源异构医疗数据的标准化方法，其特征在于，包括：
(1)针对原始医疗数据中的原始指标名称进行预处理得到目标指标，并根据目标指标名称和内容预判断目标指标名称所在术语体系的父级分类名称；
(2)将各所述目标指标与标准术语表中的术语进行比对，从所述标准术语表中找出与各所述目标指标最相似的术语作为映射结果，并记录相似度；
(3)对于未在所述标准术语表中找出最相似术语的剩余目标指标，将各所述剩余目标指标与其父级分类名称下的标准术语进行相似性比对，若相似度值不大于第一阈值，则与隶属于所推荐父级分类名称下标准术语对应的既往积累的既往术语进行相似性比较，得到匹配结果；
步骤(2)包括：
将各所述目标指标作为标准化模型的输入文件，利用自然语言处理技术，生成词向量并将词向量与标准术语表中的术语进行比对，找出最相似的术语作为映射结果，生成映射结果及相似度，其中，相似度计算原则为名称字符一致性，通过所述标准化模型的输出结果包含数据来源、原始指标名称、预处理后的指标名称、指标分类、推荐匹配术语及匹配度；
步骤(3)包括：
(3.1)对于未在所述标准术语表中找出最相似术语的剩余目标指标，将该剩余目标指标与其父级分类名称下的标准术语进行相似性比对；
(3.2)取比对过程中的第一最大相似度值，若第一最大相似度值大于第一阈值，则输出匹配的标准术语，若第一最大相似度值不大于第一阈值则该剩余目标指标与隶属于所推荐父级分类名称下的标准术语对应的既往积累的既往术语进行相似性比较，得到第二最大相似度值；
(3.3)判断第一最大相似度值与第二最大相似度值中的较大值是否大于第二阈值，若大于第二阈值则输出既往术语及对应的标准术语，若不大于第二阈值，则表示没有最佳匹配结果。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
根据输出映射结果进行人工核对标注，从而更新标准术语对应的原始指标名称库，实现更全面准确的完善标准术语对应的既往积累术语，最终优化完善标准化模型。
3.一种多源异构医疗数据的标准化装置，其特征在于，包括：
预处理模块，用于针对原始医疗数据中的原始指标名称进行预处理得到目标指标，并根据目标指标名称和内容预判断目标指标名称所在术语体系的父级分类名称；
第一匹配模块，用于将各所述目标指标与标准术语表中的术语进行比对，从所述标准术语表中找出与各所述目标指标最相似的术语作为映射结果，并记录相似度；
第二匹配模块，用于对于未在所述标准术语表中找出最相似术语的剩余目标指标，将各所述剩余目标指标与其父级分类名称下的标准术语进行相似性比对，若相似度值不大于第一阈值，则与隶属于所推荐父级分类名称下标准术语对应的既往积累的既往术语进行相似性比较，得到匹配结果；
所述第一匹配模块，用于将各所述目标指标作为标准化模型的输入文件，利用自然语言处理技术，生成词向量并将词向量与标准术语表中的术语进行比对，找出最相似的术语作为映射结果，生成映射结果及相似度，其中，相似度计算原则为名称字符一致性，通过所述标准化模型的输出结果包含数据来源、原始指标名称、预处理后的指标名称、指标分类、推荐匹配术语及匹配度；
所述第二匹配模块包括：
第一相似性比对单元，用于对于未在所述标准术语表中找出最相似术语的剩余目标指标，将该剩余目标指标与其父级分类名称下的标准术语进行相似性比对；
第二相似性比对单元，用于取比对过程中的第一最大相似度值，若第一最大相似度值大于第一阈值，则输出匹配的标准术语，若第一最大相似度值不大于第一阈值则该剩余目标指标与隶属于所推荐父级分类名称下的标准术语对应的既往积累的既往术语进行相似性比较，得到第二最大相似度值，判断第一最大相似度值与第二最大相似度值中的较大值是否大于第二阈值，若大于第二阈值则输出既往术语及对应的标准术语，若不大于第二阈值，则表示没有最佳匹配结果。
4.根据权利要求3所述的装置，其特征在于，所述装置还包括：
核对模块，用于根据输出映射结果进行人工核对标注，从而更新标准术语对应的原始指标名称库，实现更全面准确的完善标准术语对应的既往积累术语，最终优化完善标准化模型。
5.一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，所述计算机程序被处理器执行时实现权利要求1或2任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110176998.0A CN112883157B (zh) | 2021-02-07 | 2021-02-07 | 一种多源异构医疗数据的标准化方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110176998.0A CN112883157B (zh) | 2021-02-07 | 2021-02-07 | 一种多源异构医疗数据的标准化方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112883157A CN112883157A (zh) | 2021-06-01 |
| CN112883157B true CN112883157B (zh) | 2023-04-07 |
Family
ID=76056288
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110176998.0A Active CN112883157B (zh) | 2021-02-07 | 2021-02-07 | 一种多源异构医疗数据的标准化方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112883157B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113326310B (zh) * | 2021-06-18 | 2023-04-18 | 立信(重庆)数据科技股份有限公司 | 基于nlp的调研数据标准化方法及系统 |
| CN113420541A (zh) * | 2021-07-16 | 2021-09-21 | 四川医枢科技有限责任公司 | 一种信息处理方法、装置、设备及存储介质 |
| CN113704250A (zh) * | 2021-07-16 | 2021-11-26 | 杭州医康慧联科技股份有限公司 | 适用于医疗数据的数据批量处理方法 |
| CN113704811A (zh) * | 2021-07-16 | 2021-11-26 | 杭州医康慧联科技股份有限公司 | 数据价值管理方法 |
| CN114595668A (zh) * | 2022-01-28 | 2022-06-07 | 北京医鸣技术有限公司 | 一种医疗诊断术语标准化的方法、平台、介质及设备 |
| CN116150382B (zh) * | 2023-04-19 | 2023-06-30 | 北京亚信数据有限公司 | 一种确定标准化医疗专业名词的方法及装置 |
Family Cites Families (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106845058A (zh) * | 2015-12-04 | 2017-06-13 | 北大医疗信息技术有限公司 | 疾病数据的标准化方法及标准化装置 |
| CN106919793B (zh) * | 2017-02-24 | 2019-12-06 | 黑龙江特士信息技术有限公司 | 一种医疗大数据的数据标准化处理方法及装置 |
| US11822371B2 (en) * | 2017-09-29 | 2023-11-21 | Apple Inc. | Normalization of medical terms |
| CN109065157B (zh) * | 2018-08-01 | 2020-11-03 | 中国人民解放军第二军医大学 | 一种疾病诊断标准化编码推荐列表确定方法及系统 |
| CN110349639B (zh) * | 2019-07-12 | 2022-01-04 | 之江实验室 | 一种基于通用医疗术语库的多中心医疗术语标准化系统 |
| CN111292814A (zh) * | 2019-12-26 | 2020-06-16 | 北京亚信数据有限公司 | 一种医疗数据标准化的方法及装置 |
| CN111581976B (zh) * | 2020-03-27 | 2023-07-21 | 深圳平安医疗健康科技服务有限公司 | 医学术语的标准化方法、装置、计算机设备及存储介质 |
| CN112307763B (zh) * | 2020-12-30 | 2021-04-06 | 望海康信(北京)科技股份公司 | 术语标准化方法、系统及相应设备和存储介质 |
-
2021
- 2021-02-07 CN CN202110176998.0A patent/CN112883157B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN112883157A (zh) | 2021-06-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112883157B (zh) | 一种多源异构医疗数据的标准化方法及装置 | |
| Pezoulas et al. | Medical data quality assessment: On the development of an automated framework for medical data curation | |
| US10929420B2 (en) | Structured report data from a medical text report | |
| US9558264B2 (en) | Identifying and displaying relationships between candidate answers | |
| CN111292848B (zh) | 一种基于贝叶斯估计的医疗知识图谱辅助推理方法 | |
| CN112541056B (zh) | 医学术语标准化方法、装置、电子设备及存储介质 | |
| CN110931137B (zh) | 机器辅助对话系统、方法及装置 | |
| Li et al. | Ffa-ir: Towards an explainable and reliable medical report generation benchmark | |
| CN111292814A (zh) | 一种医疗数据标准化的方法及装置 | |
| CN112528660A (zh) | 处理文本的方法、装置、设备、存储介质和程序产品 | |
| CN112800173B (zh) | 标准化数据库和医学文本库的构建方法、装置及电子设备 | |
| CN111061835B (zh) | 查询方法及装置、电子设备和计算机可读存储介质 | |
| CN113314207A (zh) | 一种对象推荐方法、装置、存储介质及电子设备 | |
| CN117577254A (zh) | 医疗领域语言模型构建及电子病历文本结构化方法、系统 | |
| CN111177309A (zh) | 病历数据的处理方法及装置 | |
| CN113343680B (zh) | 一种基于多类型病历文本的结构化信息提取方法 | |
| CN112800187B (zh) | 数据映射方法、医学文本数据映射方法、装置及电子设备 | |
| CN112800759B (zh) | 标准化数据的生成方法、医学文本数据的处理方法和装置 | |
| CN112349367B (zh) | 一种生成仿真病历的方法、装置、电子设备及存储介质 | |
| CN111640517B (zh) | 病历编码方法、装置、存储介质及电子设备 | |
| CN113658720A (zh) | 匹配诊断名称和icd编码的方法、装置、电子设备和存储介质 | |
| CN113111660A (zh) | 数据处理方法、装置、设备和存储介质 | |
| CN110060749B (zh) | 基于sev-sdg-cnn的电子病历智能诊断方法 | |
| CN116737945A (zh) | 一种患者emr知识图谱映射方法 | |
| US20230032180A1 (en) | Method and system for empowering cancer patient(s) |
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 |