CN113096799B - 质控方法和装置 - Google Patents
质控方法和装置 Download PDFInfo
- Publication number
- CN113096799B CN113096799B CN202110449889.1A CN202110449889A CN113096799B CN 113096799 B CN113096799 B CN 113096799B CN 202110449889 A CN202110449889 A CN 202110449889A CN 113096799 B CN113096799 B CN 113096799B
- Authority
- CN
- China
- Prior art keywords
- similarity
- condition information
- preset
- condition
- standard disease
- 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
- 238000003908 quality control method Methods 0.000 title claims abstract description 68
- 201000010099 disease Diseases 0.000 claims abstract description 126
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 126
- 238000003745 diagnosis Methods 0.000 claims abstract description 63
- 238000004364 calculation method Methods 0.000 claims description 42
- 238000000034 method Methods 0.000 claims description 19
- 230000015654 memory Effects 0.000 claims description 17
- 238000013138 pruning Methods 0.000 claims description 15
- 239000013598 vector Substances 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 11
- 206010036790 Productive cough Diseases 0.000 description 13
- 210000003802 sputum Anatomy 0.000 description 13
- 208000024794 sputum Diseases 0.000 description 13
- 238000004891 communication Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 6
- 238000013473 artificial intelligence Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 4
- 230000018109 developmental process Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000012216 screening Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 238000005094 computer simulation Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 108010001267 Protein Subunits Proteins 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000000873 masking effect Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- 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
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本申请公开了质控方法和装置,涉及医疗技术领域,本公开的实施例提供的质控方法,通过获取第一病况信息和针对第一病况信息的医生诊断结果;在预设的标准疾病集合中,确定出与医生诊断结果相似度大于等于预设的第一相似度阈值的第一标准疾病;计算第一病况信息与第一标准疾病对应的第二病况信息的相似度,得到目标相似度;基于目标相似度及预设的第二相似度阈值,输出对医生诊断结果的质控结果。该方式提高了误诊质控的准确率和召回率。
Description
技术领域
本申请涉及计算机技术领域,具体涉及医疗技术领域,尤其涉及一种质控方法和装置。
背景技术
在医疗领域,基层医疗服务广大人民群众,然而,在基层医疗机构,专业技术人才队伍较薄弱,学历、职称层次较低,且基层医疗机构的医生,由于碰到的病种相对单一,以常见病和多发病为主,其诊疗水平往往不足以应对复杂病情,导致基层医疗的诊疗水平较低,基层医疗机构的医生所下诊断会出现较高的误诊率。随着人工智能技术的不断发展进步,且正逐步与医疗领域相结合,利用先进的人工智能技术辅助于基层医疗得到了广泛应用。
现有技术中,诊断误诊质控系统普遍采用的方法是:利用AI(ArtificialIntelligence,人工智能)诊断结果与医生诊断结果作对比以实现对医生诊断误诊质控。
发明内容
本申请实施例提供了一种质控方法、装置、设备以及存储介质。
第一方面,本申请实施例提供了一种质控方法,该方法包括:获取第一病况信息和针对第一病况信息的医生诊断结果;在预设的标准疾病集合中,确定出与医生诊断结果相似度大于等于预设的第一相似度阈值的第一标准疾病;计算第一病况信息与第一标准疾病对应的第二病况信息的相似度,得到目标相似度;基于目标相似度及预设的第二相似度阈值,输出对所述医生诊断结果的质控结果。
在一些实施例中,计算第一病况信息与第一标准疾病对应的第二病况信息的相似度,得到目标相似度,包括:计算第一标准疾病对应的第二病况信息中各病况之间的相似度;对第二病况信息中相似度大于等于预设的第三相似度阈值的两个病况执行删减操作,得到删减后的第二病况信息,删减操作为筛除两个病况中的一个;将第一病况信息与删减后的第二病况信息的相似度,确定为目标相似度。
在一些实施例中,计算第一标准疾病对应的第二病况信息中各病况之间的相似度,包括:基于预先训练的病况相似计算模型,计算第一标准疾病对应的第二病况信息中各病况之间的相似度,预先训练的病况相似计算模型基于标注有相似度的病况样本对训练得到。
在一些实施例中,确定出与医生诊断结果相似度大于等于预设的第一相似度阈值的第一标准疾病,包括:基于预先训练的疾病相似计算模型,确定出与医生诊断结果相似度大于等于预设的第一相似度阈值的第一标准疾病。
在一些实施例中,模型为基于ERNIE字向量训练得到的模型。
第二方面,本申请实施例提供了一种质控装置,该装置包括:获取模块,被配置成获取第一病况信息和针对第一病况信息的医生诊断结果;确定模块,被配置成在预设的标准疾病集合中,确定出与所述医生诊断结果相似度大于等于预设的第一相似度阈值的第一标准疾病;计算模块,被配置成计算第一病况信息与第一标准疾病对应的第二病况信息的相似度,得到目标相似度;输出模块,被配置成基于目标相似度及预设的第二相似度阈值,输出对医生诊断结果的质控结果。
在一些实施例中,计算模块进一步被配置成:计算第一标准疾病对应的第二病况信息中各病况之间的相似度;对第二病况信息中相似度大于等于预设的第三相似度阈值的两个病况执行删减操作,得到删减后的第二病况信息,删减操作为筛除两个病况中的一个;将第一病况信息与所述删减后的第二病况信息的相似度,确定为目标相似度。
在一些实施例中,计算第一标准疾病对应的第二病况信息中各病况之间的相似度,包括:基于预先训练的病况相似计算模型,计算第一标准疾病对应的第二病况信息中各病况之间的相似度,预先训练的病况相似计算模型基于标注有相似度的病况样本对训练得到。
在一些实施例中,确定模块进一步被配置成:基于预先训练的疾病相似计算模型,确定出与医生诊断结果相似度大于等于预设的第一相似度阈值的第一标准疾病。
在一些实施例中,模型为基于ERNIE字向量训练得到的模型。
第三方面,本申请实施例提供了一种电子设备,该电子设备包括一个或多个处理器;存储装置,其上存储有一个或多个程序,当一个或多个程序被该一个或多个处理器执行,使得一个或多个处理器实现如第一方面的任一实施例的质控方法。
第四方面,本申请实施例提供了一种计算机可读介质,其上存储有计算机程序,该程序被处理器执行时实现如第一方面的任一实施例的质控方法。
第五方面,本申请实施例提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现如第一方面的任一实施例的质控方法。
本申请通过获取第一病况信息和针对第一病况信息的医生诊断结果;在预设的标准疾病集合中,确定出与医生诊断结果相似度大于等于预设的第一相似度阈值的第一标准疾病;计算第一病况信息与第一标准疾病对应的第二病况信息的相似度,得到目标相似度;基于目标相似度及预设的第二相似度阈值,输出对医生诊断结果的质控结果,即基于与医生诊断结果对应的标准疾病的病况与病历病况的相似度,对医生诊断结果进行质控,避免了现有技术中AI质控难以同时保障高准确率和高召回率的问题,提高了误诊质控的准确率和召回率。
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。本公开的其他特征将通过以下的说明书而变得容易理解。
附图说明
图1是本申请可以应用于其中的示例性系统架构图;
图2是根据本申请的质控方法的一个实施例的流程图;
图3是根据本申请的质控方法的一个应用场景的示意图;
图4是根据本申请的质控方法的又一个实施例的流程图;
图5是根据本申请的质控装置的一个实施例的示意图;
图6是适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。
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质控方法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和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,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上可以安装有各种通讯客户端应用,例如,疾病质控类应用、通信类应用等。
终端设备101、102、103可以是硬件,也可以是软件。当终端设备101、102、103为硬件时,可以是具有显示屏的各种电子设备,包括但不限于手机和笔记本电脑。当终端设备101、102、103为软件时,可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供质控服务),也可以实现成单个软件或软件模块。在此不做具体限定。
服务器105可以是提供各种服务的服务器,例如,获取第一病况信息和针对第一病况信息的医生诊断结果;在预设的标准疾病集合中,确定出与医生诊断结果相似度大于等于预设的第一相似度阈值的第一标准疾病;确定第一病况信息与第一标准疾病对应的第二病况信息的目标相似度;基于目标相似度,输出对医生诊断结果的质控结果。
需要说明的是,服务器105可以是硬件,也可以是软件。当服务器105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,可以实现成多个软件或软件模块(例如用来提供质控服务),也可以实现成单个软件或软件模块。在此不做具体限定。
需要指出的是,本公开的实施例所提供的质控方法可以由服务器105执行,也可以由终端设备101、102、103执行,还可以由服务器105和终端设备101、102、103彼此配合执行。相应地,质控装置包括的各个部分(例如各个单元、子单元、模块、子模块)可以全部设置于服务器105中,也可以全部设置于终端设备101、102、103中,还可以分别设置于服务器105和终端设备101、102、103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。
图2示出了质控方法的实施例的流程示意图200。该质控方法包括以下步骤:
步骤201,获取第一病况信息和针对第一病况信息的医生诊断结果。
在本实施例中,执行主体(例如,图1中的服务器105或终端设备101、102、103)可在预设的病历信息集合中选取出目标病历,并根据目标病历获取第一病况信息以及针对第一病况信息的医生诊断结果。
步骤202,在预设的标准疾病集合中,确定出与医生诊断结果相似度大于等于预设的第一相似度阈值的第一标准疾病。
在本实施例中,由于医生工作繁忙以及学习背景的不同,会大量使用简写、缩写等不规范疾病术语来快速录入疾病。执行主体在获取到医生诊断结果后,需在预设的标准疾病集合中,确定出与医生诊断结果相似度大于等于预设的第一相似度阈值的第一标准疾病。
其中,标准疾病是指按照国际疾病分类标准依据疾病的特征,将疾病分门别类,得到的疾病标准名称。
这里,执行主体可以采用现有技术或未来发展技术中的计算相似度的方法,例如,有监督的文本相似度计算方法,如用贝叶斯分类器之类的模型、无监督的文本相似度计算方法,如欧氏距离、余弦距离、海明距离等,计算医生诊断结果与标准疾病之间的相似度。
其中,第一相似度阈值可根据经验、实际需求和具体地应用场景确定,例如,0.5、0.6等,本申请对此不作限定。
需要指出的是,这里,确定出的第一标准疾病可以为一个,也可以为多个,本申请对此不作想定。
在一些可选的方式中,确定出与医生诊断结果相似度大于等于预设的第一相似度阈值的第一标准疾病,包括:基于预先训练的疾病相似计算模型,确定出与医生诊断结果相似度大于等于预设的第一相似度阈值的第一标准疾病。
在本实现方式中,执行主体可采用预先训练的疾病相似计算模型,在预设的标准疾病集合中,确定出与医生诊断结果相似度大于等于预设的第一相似度阈值的第一标准疾病。其中,疾病相似计算模型基于标注有相似度的疾病样本对训练得到。
这里,疾病样本对中的疾病样本可分别来自基于病历数据构建的医生诊断结果空间和标准疾病空间。疾病样本对的相似度基于Dice距离和医学专家的校验结果确定。
具体地,执行主体在获取到疾病样本对后,可首先基于Dice距离初步计算疾病样本对的相似度,再由医学专家审核校验疾病样本对的相似度,以得到最终的疾病样本对的相似度。
该实现方式通过基于预先训练的疾病相似计算模型,确定出与医生诊断结果相似度大于等于预设的第一相似度阈值的第一标准疾病,有效提升了确定出的第一标准疾病的准确性和可靠性。
步骤203,计算第一病况信息与第一标准疾病对应的第二病况信息的相似度,得到目标相似度。
在本实施例中,执行主体可首先根据预设的标准疾病与病况信息之间的对照关系,确定出第一标准疾病对应的第二病况信息;进而计算第一病况信息与第二病况信息之间的相似度,得到目标相似度。
这里,预设的标准疾病与病况信息之间的对照关系可根据预先设定的标准疾病与病况信息的对照关系表确定,也可以根据预先设定的疾病-病况信息关系图谱确定,本申请对此不作限定。
具体地,执行主体计算第一病况信息与第二病况信息之间的相似度的方式可以是直接计算第一病况信息与第二病况信息的相似度,以得到目标相似度,也可以是首先对第二病况信息中的各病况进行筛选,得到筛选后的第二病况信息,计算筛选后的第二病况信息与第一病况信息的相似度,以得到目标相似度,本申请对此不作限定。
这里,执行主体可以采用现有技术或未来发展技术中计算相似度的方法,例如,有监督的文本相似度计算方法,如用贝叶斯分类器之类的模型、无监督的文本相似度计算方法,如欧氏距离、余弦距离、海明距离等,计算第一病况信息与第二病况信息之间的相似度。
需要指出的是,执行主体计算第一病况信息与第二病况信息或筛选后的第二病况信息之间的相似度,得到目标相似度的具体方式,可以是直接计算第一病况信息的整体与第二病况信息或筛选后的第二病况信息的整体之间的相似度,以得到目标相似度;也可以是分别计算第一病况信息中的各病况与第二病况信息或筛选后的第二病况信息中各病况的相似度,并统计第一病况信息中的各病况对应该病况与第二病况信息中各病况的相似度的最大值,将统计结果中的最大值确定为目标相似度。
具体地,第一标准疾病包括标准疾病A和标准疾病B,第二病况信息为标准疾病A对应的病况A1和A2,以及标准疾病B对应的病况B1和B2。第一病况信息为C1和C2,则执行主体可分别计算C1和A1、A2、B1、B2之间的相似度,分别为0.2、0.5、0.3、0.8,其中,相似度最大值为0.8;C2和A1、A2、B1、B2之间的相似度,分别为0.2、0.3、0.4、0.4,其中,相似度最大值为0.4。对C1和C2对应的相似度的最大值进行统计,统计结果为0.4、0.8,故目标相似度为0.8。
步骤204,基于目标相似度及预设的第二相似度阈值,输出对所述医生诊断结果的质控结果。
在本实施例中,执行主体在获取到目标相似度后,将目标相似度阈预设的第二相似度阈值进行匹配,若目标相似度大于等于预设的第二相似度阈值,则输出医生诊断结果合格的质控结果,若目标相似度小于预设的第二相似度阈值,则输出医生诊断结果不合格的质控结果。
其中,预设的第二相似度阈值可根据经验、实际需求和具体地应用场景确定,例如,0.5、0.6等,本申请对此不作限定。
继续参见图3,图3是根据本实施例的质控方法的应用场景的一个示意图。执行主体根据目标病历获取到第一病况信息302,例如,病况A1、病况A2,以及针对第一病况信息302的医生诊断结果A303。在预设的标准疾病集合中,确定出与医生诊断结果相似度大于等于预设的第一相似度阈值,例如,0.6,的第一标准疾病304,例如,标准疾病B和标准疾病C。进一步地,根据预设的标准疾病与病况信息的对照关系,确定出第一标准疾病对应的第二病况信息305,若标准疾病B对应的病况信息为病况B1、病况B2,标准疾病C对应的病况信息为病况C1,则第二病况信息为病况B1、病况B2和病况C1。执行主体可分别计算第一病况信息302中各病况与第二病况信息305中各病况的相似度,以得到目标相似度306,例如,分别计算病况A1和病况B1、病况B2、病况C1之间的相似度,相似度结果为0.3、0.2、0.7,相似度最大值为0.7,病况A2和病况B1、病况B2、病况C1之间的相似度,相似度结果为0.2、0.8、0.3,相似度最大值为0.8,故目标相似度306为0.8,若预设的第二相似度阈值为0.8,则目标相似度0.8大于等于预设的第二相似度阈值0.8,则输出医生诊断结果合格的质控结果307。若预设的第二相似度阈值为0.9,则目标相似度0.8小于预设的第二相似度阈值0.9,则输出医生诊断结果不合格的质控结果307。
本公开的实施例提供的质控方法,通过获取第一病况信息和针对第一病况信息的医生诊断结果;在预设的标准疾病集合中,确定出与医生诊断结果相似度大于等于预设的第一相似度阈值的第一标准疾病;计算第一病况信息与第一标准疾病对应的第二病况信息的相似度,得到目标相似度;基于目标相似度及预设的第二相似度阈值,输出对医生诊断结果的质控结果,提高了误诊质控的准确率和召回率。
进一步参考图4,其示出了质控方法的又一个实施例的流程400。该质控方法的流程400,可包括以下步骤:
步骤401,获取第一病况信息和针对第一病况信息的医生诊断结果。
在本实施例中,步骤401与图2对应实施例中的步骤201基本一致,这里不再赘述。
步骤402,在预设的标准疾病集合中,确定出与医生诊断结果相似度大于等于预设的第一相似度阈值的第一标准疾病。
在本实施例中,步骤402与图2对应实施例中的步骤202基本一致,这里不再赘述。
步骤403,计算第一标准疾病对应的第二病况信息中各病况之间的相似度。
在本实施例中,执行主体在确定第一标准疾病对应的第二病况信息后,可依次计算第二病况信息中各病况之间的相似度。
这里,执行主体可以采用现有技术或未来发展技术中计算相似度的方法,例如,有监督的文本相似度计算方法,如用贝叶斯分类器之类的模型、无监督的文本相似度计算方法,如欧氏距离、余弦距离、海明距离等,计算各病况之间的相似度。
在一些可选的方式中,计算第一标准疾病对应的第二病况信息中各病况之间的相似度,包括:基于预先训练的病况相似计算模型,计算第二病况信息中各病况之间的相似度。
在本实现方式中,执行主体可采用预先训练的病况相似计算模型,计算第一标准疾病对应的第二病况信息中各病况之间的相似度。其中,病况相似计算模型基于标注有相似度的病况样本对训练得到。
这里,病况样本对的相似度可基于Dice距离和医学专家的校验结果确定。
具体地,执行主体在获取到病况样本对后,可首先基于Dice距离初步计算病况样本对的相似性,再由医学专家审核校验病况样本对的相似度,以得到最终的病况样本对的相似度。
该实现方式通过基于预先训练的病况相似计算模型,计算第二病况信息中各病况之间的相似度,有效提升了计算出的第二病况信息中各病况之间的相似度的准确性和可靠性。
步骤404,对第二病况信息中相似度大于等于预设的第三相似度阈值的两个病况执行删减操作,以得到删减后的第二病况信息。
在本实施例中,执行主体在计算得到第二病况信息中各病况之间的相似度后,对第二病况信息中相似度大于等于预设的第三相似度阈值的两个病况执行删减操作,删减操作可以为筛除两个病况中的任意一项,以得到删减后的第二病况信息。
其中,第三相似度阈值可根据经验、实际需求和具体地应用场景确定,例如,0.6、0.8等,本申请对此不作限定。
具体地,第二病况信息中包含的病况为咽部不适、咳痰、浓痰,则执行主体可分别计算咽部不适与咳痰、咽部不适与浓痰、咳痰与浓痰之间的相似度,若计算结果分别为0.3、0.4、0.8,第三相似度阈值为0.5,则咳痰与浓痰之间的相似度大于等于第三相似度阈值,对病况咳痰与浓痰执行删减操作,即筛除咳痰或浓痰中的一项,得到删减后的第二病况信息,如咽部不适、咳痰。
步骤405,将第一病况信息与删减后的第二病况信息的相似度,确定为目标相似度。
在本实施例中,执行主体可直接计算第一病况信息的整体与删减后的第二病况信息的整体的相似度,并将相似度结果确定为目标相似度,也可分别计算第一病况信息中的各病况与删减后的第二病况信息中各病况的相似度,并统计第一病况信息中的各病况对应的该病况与删减后的第二病况信息中各病况的相似度的最大值,将统计结果中的最大值确定为目标相似度,本申请对此不作限定。
步骤406,基于目标相似度及预设的第二相似度阈值,输出对医生诊断结果的质控结果。
在本实施例中,步骤401与图2对应实施例中的步骤204基本一致,这里不再赘述。
在一些可选的方式中,模型为基于ERNIE字向量训练得到的模型。
在本实现方式中,疾病相似计算模型或病况相似计算模型可基于ERNIE(EnhancedRepresentation from kNowledge IntEgration,知识增强语义表示模型)字向量训练得到的模型。
其中,对于疾病相似计算模型,执行主体在获取到训练用疾病样本对后,可对疾病样本对中的各疾病样本进行分字处理,得到分字处理后的疾病样本,将分字处理后的疾病样本输入ERNIE模型中得到ERNIE字向量,并基于ERNIE字向量训练初始疾病相似计算模型,以得到训练完成的疾病相似计算模型。
对于病况相似计算模型,执行主体在获取到训练用病况样本对后,可对病况样本对中的各病况样本进行分字处理,得到分字处理后的病况样本,将分字处理后的病况样本输入ERNIE模型中得到ERNIE字向量,并基于ERNIE字向量训练初始病况相似计算模型,以得到训练完成的病况相似计算模型。
这里,ERNIE模型通过建模海量数据中的实体概念等先验语义知识,学习完整概念的语义表示。即在Masked LM中通过对词和实体概念等语义单元进行mask来预训练模型,使得模型对语义知识单元的表示更贴近真实世界。
该实现方式中,病况相似计算模型或疾病相似计算模型均为基于ERNIE字向量训练得到的模型,ERNIE使得样本对的语义表示更加精确,进而提升了获取的相似度的准确率。
从图4可以看出与图2对应的实施例相比,本实施例中的质控方法的流程400突出了计算第一标准疾病对应的第二病况信息中各病况之间的相似度,对第二病况信息中相似度大于等于预设的第二相似度阈值的两个病况执行删减操作,以得到删减后的第二病况信息,根据第一病况信息与删减后的第二病况信息的相似度,输出对医生诊断结果的质控结果,可在有效提升质控结果准召率的同时,提高输出质控结果的效率。
进一步参考图5,作为对上述各图所示方法的实现,本申请提供了一种质控装置的一个实施例,该装置实施例与图1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,本实施例的质控装置500包括:获取模块501、确定模块502、计算模块503及输出模块504。
其中,获取模块501,可被配置成获取第一病况信息和针对所述第一病况信息的医生诊断结果。
确定模块502,可被配置成在预设的标准疾病集合中,确定出与医生诊断结果相似度大于等于预设的第一相似度阈值的第一标准疾病。
计算模块503,可被配置成计算第一病况信息与第一标准疾病对应的第二病况信息的相似度,得到目标相似度。
输出模块504,可被配置成基于目标相似度及预设的第二相似度阈值,输出对医生诊断结果的质控结果。
在本实施例的一些可选的方式中,计算模块进一步被配置成:计算第一标准疾病对应的第二病况信息中各病况之间的相似度;对第二病况信息中相似度大于等于预设的第三相似度阈值的两个病况执行删减操作,得到删减后的第二病况信息,删减操作为筛除两个病况中的一个;将第一病况信息与所述删减后的第二病况信息的相似度,确定为目标相似度。
在本实施例的一些可选的方式中,计算第一标准疾病对应的第二病况信息中各病况之间的相似度,包括:基于预先训练的病况相似计算模型,计算第一标准疾病对应的第二病况信息中各病况之间的相似度,预先训练的病况相似计算模型基于标注有相似度的病况样本对训练得到。
在本实施例的一些可选的方式中,确定模块进一步被配置成:基于预先训练的疾病相似计算模型,确定出与医生诊断结果相似度大于等于预设的第一相似度阈值的第一标准疾病。
在本实施例的一些可选的方式中,模型为基于ERNIE字向量训练得到的模型。
本公开的技术方案中,所涉及的用户个人信息的获取,存储和应用等,均符合相关法律法规的规定,且不违背公序良俗。
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。
如图6所示,是根据本申请实施例的质控方法的电子设备的框图。
600是根据本申请实施例的质控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6所示,该电子设备包括:一个或多个处理器601、存储器602,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6中以一个处理器601为例。
存储器602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质控方法。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质控方法。
存储器602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质控方法对应的程序指令/模块(例如,附图5所示的获取模块501、确定模块502、计算模块503、输出模块504。处理器601通过运行存储在存储器602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质控方法。
存储器602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;存储数据区可存储人脸跟踪的电子设备的使用所创建的数据等。此外,存储器602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602可选包括相对于处理器601远程设置的存储器,这些远程存储器可以通过网络连接至车道线检测的电子设备。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。
质控方法的电子设备还可以包括:输入装置603和输出装置604。处理器601、存储器602、输入装置603和输出装置604可以通过总线或者其他方式连接,图6中以通过总线连接为例。
输入装置603可接收输入的数字或字符信息,以及产生与车道线检测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604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)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。
根据本申请实施例的技术方案,有助于提高误诊质控的准确率和召回率。
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 (10)
1.一种质控方法,包括:
获取第一病况信息和针对所述第一病况信息的医生诊断结果;
在预设的标准疾病集合中,确定出与所述医生诊断结果相似度大于等于预设的第一相似度阈值的第一标准疾病;
计算所述第一标准疾病对应的第二病况信息中各病况之间的相似度;对第二病况信息中相似度大于等于预设的第三相似度阈值的两个病况执行删减操作,得到删减后的第二病况信息,所述删减操作为筛除两个病况中的一个;将所述第一病况信息与所述删减后的第二病况信息的相似度,确定为目标相似度;
基于所述目标相似度及预设的第二相似度阈值,输出对所述医生诊断结果的质控结果。
2.根据权利要求1所述的方法,其中,所述计算所述第一标准疾病对应的第二病况信息中各病况之间的相似度,包括:
基于预先训练的病况相似计算模型,计算所述第一标准疾病对应的第二病况信息中各病况之间的相似度,所述预先训练的病况相似计算模型基于标注有相似度的病况样本对训练得到。
3.根据权利要求1所述的方法,其中,所述确定出与所述医生诊断结果相似度大于等于预设的第一相似度阈值的第一标准疾病,包括:
基于预先训练的疾病相似计算模型,确定出与医生诊断结果相似度大于等于预设的第一相似度阈值的第一标准疾病。
4.根据权利要求2或3任一所述的方法,其中,所述模型为基于ERNIE字向量训练得到的模型。
5.一种质控装置,所述装置包括:
获取模块,被配置成获取第一病况信息和针对所述第一病况信息的医生诊断结果;
确定模块,被配置成在预设的标准疾病集合中,确定出与所述医生诊断结果相似度大于等于预设的第一相似度阈值的第一标准疾病;
计算模块,被配置成计算所述第一标准疾病对应的第二病况信息中各病况之间的相似度;对第二病况信息中相似度大于等于预设的第三相似度阈值的两个病况执行删减操作,得到删减后的第二病况信息,所述删减操作为筛除两个病况中的一个;将所述第一病况信息与所述删减后的第二病况信息的相似度,确定为目标相似度;
输出模块,被配置成基于所述目标相似度及预设的第二相似度阈值,输出对所述医生诊断结果的质控结果。
6.根据权利要求5所述的装置,其中,所述计算所述第一标准疾病对应的第二病况信息中各病况之间的相似度,包括:
基于预先训练的病况相似计算模型,计算所述第一标准疾病对应的第二病况信息中各病况之间的相似度,所述预先训练的病况相似计算模型基于标注有相似度的病况样本对训练得到。
7.根据权利要求5所述装置,其中,所述确定模块进一步被配置成:
基于预先训练的疾病相似计算模型,确定出与医生诊断结果相似度大于等于预设的第一相似度阈值的第一标准疾病。
8.根据权利要求6或7任一所述的装置,其中,所述模型为基于ERNIE字向量训练得到的模型。
9.一种电子设备,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,以使所述至少一个处理器能够执行权利要求1-4中任一项所述的方法。
10.一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1-4中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110449889.1A CN113096799B (zh) | 2021-04-25 | 2021-04-25 | 质控方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110449889.1A CN113096799B (zh) | 2021-04-25 | 2021-04-25 | 质控方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113096799A CN113096799A (zh) | 2021-07-09 |
CN113096799B true CN113096799B (zh) | 2024-04-02 |
Family
ID=76680258
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110449889.1A Active CN113096799B (zh) | 2021-04-25 | 2021-04-25 | 质控方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113096799B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110136788A (zh) * | 2019-05-14 | 2019-08-16 | 清华大学 | 一种基于自动检测的病历质检方法、装置、设备及存储介质 |
CN111028934A (zh) * | 2019-12-23 | 2020-04-17 | 科大讯飞股份有限公司 | 诊断质检方法、装置、电子设备和存储介质 |
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 |
CN111739601A (zh) * | 2020-06-28 | 2020-10-02 | 山东健康医疗大数据有限公司 | 非标准疾病名称的归一化方法、装置及可读介质 |
CN112365987A (zh) * | 2020-10-27 | 2021-02-12 | 平安科技(深圳)有限公司 | 诊断数据异常检测方法、装置、计算机设备及存储介质 |
CN112542244A (zh) * | 2020-12-09 | 2021-03-23 | 北京百度网讯科技有限公司 | 辅助信息的生成方法、相关装置及计算机程序产品 |
WO2021068601A1 (zh) * | 2019-10-12 | 2021-04-15 | 平安国际智慧城市科技股份有限公司 | 病历检测方法、装置、设备及存储介质 |
-
2021
- 2021-04-25 CN CN202110449889.1A patent/CN113096799B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110136788A (zh) * | 2019-05-14 | 2019-08-16 | 清华大学 | 一种基于自动检测的病历质检方法、装置、设备及存储介质 |
WO2021068601A1 (zh) * | 2019-10-12 | 2021-04-15 | 平安国际智慧城市科技股份有限公司 | 病历检测方法、装置、设备及存储介质 |
CN111028934A (zh) * | 2019-12-23 | 2020-04-17 | 科大讯飞股份有限公司 | 诊断质检方法、装置、电子设备和存储介质 |
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 |
CN111739601A (zh) * | 2020-06-28 | 2020-10-02 | 山东健康医疗大数据有限公司 | 非标准疾病名称的归一化方法、装置及可读介质 |
CN112365987A (zh) * | 2020-10-27 | 2021-02-12 | 平安科技(深圳)有限公司 | 诊断数据异常检测方法、装置、计算机设备及存储介质 |
CN112542244A (zh) * | 2020-12-09 | 2021-03-23 | 北京百度网讯科技有限公司 | 辅助信息的生成方法、相关装置及计算机程序产品 |
Non-Patent Citations (2)
Title |
---|
住院病案首页质量控制与改进措施探讨;洪卫祥;邹伏英;祝秀红;杨莉;郭红兵;唐林艳;;基层医学论坛(28);全文 * |
基于人工智能的病历质控系统研究;黄建隆;郭胜杰;孙世传;;中国数字医学(10);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113096799A (zh) | 2021-07-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111523596B (zh) | 目标识别模型训练方法、装置、设备以及存储介质 | |
CN111710412B (zh) | 诊断结果的校验方法、装置及电子设备 | |
CN111539514B (zh) | 用于生成神经网络的结构的方法和装置 | |
CN111539223B (zh) | 语言模型的训练方法、装置、电子设备及可读存储介质 | |
CN111737994B (zh) | 基于语言模型获取词向量的方法、装置、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 | |
US20210312172A1 (en) | Human body identification method, electronic device and storage medium | |
CN111582375B (zh) | 数据增强策略搜索方法、装置、设备以及存储介质 | |
CN111639710A (zh) | 图像识别模型训练方法、装置、设备以及存储介质 | |
CN111737996B (zh) | 基于语言模型获取词向量的方法、装置、设备及存储介质 | |
CN112084366B (zh) | 用于检索图像的方法、装置、设备以及存储介质 | |
CN111582454B (zh) | 生成神经网络模型的方法和装置 | |
CN112036509A (zh) | 用于训练图像识别模型的方法和装置 | |
CN112507090B (zh) | 用于输出信息的方法、装置、设备和存储介质 | |
CN112270711B (zh) | 模型训练以及姿态预测方法、装置、设备以及存储介质 | |
CN111326251B (zh) | 一种问诊问题输出方法、装置以及电子设备 | |
CN111966782B (zh) | 多轮对话的检索方法、装置、存储介质及电子设备 | |
CN111640511B (zh) | 医疗事实验证的方法、装置、电子设备及存储介质 | |
CN111931488B (zh) | 用于验证判断结果准确性的方法、装置、电子设备及介质 | |
CN112507702B (zh) | 文本信息的抽取方法、装置、电子设备及存储介质 | |
CN112487973B (zh) | 用户图像识别模型的更新方法和装置 | |
CN111782785B (zh) | 自动问答方法、装置、设备以及存储介质 | |
CN113312451B (zh) | 文本标签确定方法和装置 | |
CN114678137A (zh) | 基于数字化医疗的大数据挖掘方法及服务器 | |
CN110738261B (zh) | 图像分类和模型训练方法、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 |