CN113257371A - 基于医学知识图谱的临床检验结果分析方法及系统 - Google Patents

基于医学知识图谱的临床检验结果分析方法及系统 Download PDF

Info

Publication number
CN113257371A
CN113257371A CN202110618186.7A CN202110618186A CN113257371A CN 113257371 A CN113257371 A CN 113257371A CN 202110618186 A CN202110618186 A CN 202110618186A CN 113257371 A CN113257371 A CN 113257371A
Authority
CN
China
Prior art keywords
result
unit
clinical
test
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.)
Granted
Application number
CN202110618186.7A
Other languages
English (en)
Other versions
CN113257371B (zh
Inventor
武学鸿
李敏
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.)
HUNAN CREATOR INFORMATION TECHNOLOGIES CO LTD
Original Assignee
Central South University
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 Central South University filed Critical Central South University
Priority to CN202110618186.7A priority Critical patent/CN113257371B/zh
Publication of CN113257371A publication Critical patent/CN113257371A/zh
Application granted granted Critical
Publication of CN113257371B publication Critical patent/CN113257371B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/20—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for electronic clinical trials or questionnaires
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Animal Behavior & Ethology (AREA)
  • Computational Linguistics (AREA)
  • Medical Informatics (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Epidemiology (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

本发明公开了一种基于医学知识图谱的临床检验结果分析方法，包括以下步骤：S1、汇聚临床检验相关的信息资源，结合医学客观的事实，构建以检验知识为核心的医学知识图谱；S2、获取患者信息得到患者模型，获取患者的至少一个临床检验项目及结果得到临床检验项目及结果模型；S3、将所述患者模型和临床检验项目及结果模型，与所述临床检验医学知识图谱相结合，通过推理分析得到临床检验判定结果和临床意义分析；S4、汇总所有检验项目及结果的异常标记及临床意义分析，输出检验报告；本发明考虑了患者的信息，提高对患者的诊断的准确性，提升了检验报告分析效率，有效降低了漏诊及误诊率。

Description

基于医学知识图谱的临床检验结果分析方法及系统
技术领域
本发明涉及智慧医疗技术领域，尤其涉及一种基于医学知识图谱的临床检验结果分析方法及系统。
背景技术
目前患者在医院进行检验后，设备或仪器会打印出一系列的检验指标，并且针对各检验指标若存在异常的话则会标记出“上升”或者“下降”的箭头，形成一个检验单，由医生去进一步分析，医生会根据患者的情况进行二次判断和分析，并给出相应的诊断或治疗建议。
但是设备打印出的检验指标以及标记结果，目前一般是根据标准的参考范围来进行标记的，并没有有效的参考患者信息。而检验指标值的参考范围一般涉及多种因素：除了标本、设备、检验方法以外，患者的信息，如年龄、性别、生理状态、已患疾病等因素，都会影响真正的参考范围；
由于检验指标值的参考范围与患者众多因素相关，一般医生是难以记全或者容易忽略的，那么当医生拿着检验指标结合患者情况进行分析的时候可能会存在遗漏或者疏忽，从而会影响对患者诊断或治疗。
对于普通患者来说，现有的临床检验报告都无法获取进一步的信息。例如某个指标异常了，会是什么引起的，该注意什么，可能是什么疾病等。患者皆不知情，信息是不透明的。
发明内容
（一）要解决的技术问题
基于上述问题，本发明提供一种基于医学知识图谱的临床检验结果分析方法及系统，解决未考虑患者的信息，影响检验指标的参考范围，从而影响医生对患者的诊断准确性的问题。
（二）技术方案
基于上述的技术问题，本发明提供一种基于医学知识图谱的临床检验结果分析方法，包括以下步骤：
S1、汇聚临床检验相关的信息资源，结合医学客观的事实，构建以检验知识为核心的医学知识图谱，包括医学知识图谱本体模型层和给出了实际数据的医学知识图谱数据层；
S2、获取患者信息得到患者模型，获取患者的至少一个临床检验项目及结果得到临床检验项目及结果模型，分别定义为patient和labexams，所述临床检验项目及结果模型为数组对象，包括至少一个检验项目及结果/labexam；
S3、将所述患者模型和临床检验项目及结果模型，与所述临床检验医学知识图谱相结合，通过推理分析得到临床检验判定结果和临床意义分析；
S3.1、结合所述医学知识图谱本体模型层中人群/CROWD实体的定义，根据所述患者模型/patient将患者信息转换为人群实体列表/crowds；
S3.2、根据所述临床检验医学知识图谱数据层中与每个检验操作/LABWAY有语义关系的所有实体，与每个检验项目及结果/labexam和步骤S3.1中获取到的所述人群实体列表/crowds进行匹配分析，找到最佳匹配的检验操作/LABWAY实体；
S3.3、将检验项目及结果/labexam中的检验结果值/labexam.value转化为与临床检验医学知识图谱数据层的单位/UNIT一致的当前检验项目的结果值/final_value，再将所述final_value与当前检验操作/LABWAY的度量范围/ MEASURESCOPE的上、下限值进行比较，标记当前检验结果的异常值；
S3.4、将步骤S3.3获取到的当前检验项目的结果值/final_value代入到医学知识图谱数据层的规则/RULE实体的规则表达式/ expression中，调用规则引擎进行执行，如果执行结果为false，则当前检验结果不满足所述规则/RULE，该临床意义分析结束；如果执行结果为true，则进一步根据检验结果/LABRESULT实体，获得检验项目结果的临床意义；
S3.5、重复执行步骤S3.2至S3.4，依次分析所有的每一个检验项目及结果/labexam，获取每一个检验项目结果/labexam的异常标记及临床意义分析；
S4、汇总所有检验项目及结果/labexam的异常标记及临床意义分析，输出检验报告。
进一步的，所述临床检验相关的信息资源包括教材、文献、指南、说明书。
进一步的，所述医学知识图谱本体模型层包括20个概念实体、18个关系实体和4个属性关系，所述概念实体包括检验项目/ LABEXAM，检验操作/ LABWAY，指标/QUOTA，单位/UNIT，度量范围/MEASURESCOPE，人群/ CROWD，检验方法/ LABMETHOD，标本/ SAMPLE，操作设备/ DEVICE，生活习性/ HABIT，症状/ SYMPTOM，疾病/ DISEASE，生理状态/ PHYSTATE，性别/ SEX，职业/ JOB，体质/PHYSIQUE，单位转换/ONVERT，规则/RULE，检验结果/LABRESULT，事件/EVENT；所述关系实体包括观测操作/observe_operation，检验的指标/observe_quota，观测指标单位/observe_unit，参考范围/observe_quota_range，操作人群/observe_crowd，操作方法/observe_method，观测标本/observe_sample，操作设备/observe_device，定义属性/defined_by，年龄范围/age_of，度量单位/measure_unit，源单位/source_unit，目标单位/target_unit，默认单位/default_unit，引用指标/reference_quota，判定结果/rule_result，诱发事件/caused_by，见于/see_in；所述属性关系包括规则表达式/expression，convert_rate/转换率，upvalue/上限值，downvalue/下限值。
进一步的，所述患者模型包括出生日期/birthday，性别/sex，已患疾病列表/diseases，生理状态/phystates，职业/jobs，体质/physiques，生活习性/habits。
进一步的，所述临床检验项目及结果模型包括检验项目/item，检验结果值/value，检验结果单位/unit，检验设备/device，检验方法/method，操作标本/sample和检验人群/crowd。
进一步的，步骤S3.3中，将检验项目及结果/labexam中的检验结果值/labexam.value转化为与临床检验医学知识图谱数据层的单位/UNIT一致的当前检验项目的结果值/final_value的方法包括：
获取所述检验操作/LABWAY实体对应的指标/QUOTA以及单位/UNIT实体，判断单位/UNIT与当前检验项目及结果/labexam中的检验结果单位/labexam.unit是否一致，若是，则当前检验项目的结果值final_value = labexam.value；若否，则通过从知识图谱中找到这单位转换规则/CONWERT实体，根据单位转换规则/CONWERT实体的属性关系转换率/convert_rate，计算转换单位后的当前检验项目的结果值/final_value =labexam.value*convert_rate。
进一步的，标记当前检验结果的异常值包括，高于度量范围/ MEASURESCOPE的上限值，则标记当前检验结果是“上升↑”；低于度量范围/ MEASURESCOPE的下限值，则标记当前检验结果是“下降↓”。
本发明也公开了一种基于医学知识图谱的临床检验结果分析系统，包括：
至少一个处理器；以及与所述处理器通信连接的至少一个存储器，其中：
所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行所述的方法。
本发明也公开了一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行所述的方法。
（三）有益效果
本发明的上述技术方案具有如下优点：
（1）本发明应用有效的人工智能技术，具体的采用医学知识图谱技术，将临床专业知识进行图谱化、语义化、结构化表达使其能够被计算机识别和计算，能够给临床检验分析提供更准确、快速的结果信息，有效的结合患者信息以及病情信息，实现检验结果异常标记及临床意义解析，可应用在人工智能领域，具体的在AI医疗智能分析决策领域，为临床医生提供智能辅助决策支持；
（2）本发明基于临床检验相关的权威性信息资源，又有效结合患者信息以及病情信息，能有效减少临床医务人员专业局限性导致的误诊、漏诊，能够有效提高临床检验结果分析的效率及准确性，提升医技人员、临床医生临床诊疗效率，有效的降低临床诊疗的风险；
（3）本发明能够有效节省医疗成本，通过扩展知识，采用知识驱动的方式来实现快速、统一、可共享的智能化服务，通过进一步细化表达临床检验报告，为患者提供更加友好的非透明的报告，提升临床检验报告的丰富性，一致性，准确性，不仅为临床医生诊疗提供便捷，同时也为患者能够获得更优质的医疗服务。
附图说明
通过参考附图会更加清楚的理解本发明的特征和优点，附图是示意性的而不应理解为对本发明进行任何限制，在附图中：
图1为本发明实施例的基于医学知识图谱的临床检验结果分析方法的流程示意图；
图2为本发明实施例的医学知识图谱本体模型层示意图；
图3为本发明实施例的医学知识图谱数据层示意图。
具体实施方式
下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
知识图谱是智能大数据的前沿研究问题，它以独有的技术优势顺应了信息化时代的发展。知识图谱的前身是语义网，它吸收了语义网、本体在知识组织和表达方面的理念，使得知识更易于在计算机之间和计算机与人之间交换、流通和加工。具体来说，一个知识图谱由模式图、数据图及两者之间的关系组成：模式图对人类知识领域的概念层面进行描述，强调概念及概念关系的形式化表达，模式图中节点是概念实体，边是概念间的语义关系，如part-of；数据图对物理世界层面进行描述，强调一系列客观事实。医学知识图谱是实现智慧医疗的基石，有望带来更高效精准的医疗服务；目前在临床业务过程中存在大量重复、规律、及专业的业务操作与分析工作，如医技人员以及临床医生对于患者临床检验结果的判断，这些分析过程需要具备丰富的知识以及细致的推理分析能力。然而这些都可以交由计算机去实现：将专业的检验知识进行标准化与结构化，应用本体技术构建检验的医学知识图谱，使得计算机能够识别和计算，再利用知识推理技术，将临床检验结果的分析方法转换成可推理的代码，从而实现临床检验结果的智能化分析。
本发明为一种基于医学知识图谱的临床检验结果分析方法，如图1所示，包括以下步骤：
S1、以临床检验结果的分析为主要研究目标，从应用分析需求出发，汇聚了临床检验相关的信息资源，包括教材、文献、指南、说明书等，结合医学客观的事实，构建以检验知识为核心的医学知识图谱本体模型层，如图2所示；将实际的检验项目及数据代入所述医学知识图谱本体模型层，构建医学知识图谱数据层，如图3所示；医学知识图谱包括医学知识图谱本体模型层和医学知识图谱数据层；
知识图谱本体是用来描述某个领域的知识的，描述了该领域内各个概念和概念间的关系。通过本体语义技术，我们定义了描述医学领域下临床检验知识的相关概念与语义关系需求，并最终采用OWL本体语言来将各类抽象的信息进行描述展现，以及实现数据的存储、分析与推理。OWL本身内置了丰富的本体语义定义，通过结合医学领域的知识表达需求，我们进一步的扩展并丰富了语义的定义。图2所示知识图谱本体模型层包括的概念和/或实体如表1所示，包括20中概念实体；概念间的关系如表2所示，包括18种关系实体，其中，关系约束都表示前置概念与后置概念对应的关联关系，1..n 表示1个前置概念实例可以对应1个或者多个后置概念实例，0..n表示1个前置概念对应0个或者多个后置概念实例，0..1表示1个前置概念对应0个或者有且仅1个后置概念实例，1表示1个前置概念对应有且仅1个后置概念，以检验项目为例，一个检验项目可以对应多个检验操作；概念的属性关系如表3所示，包括：
表1 临床检验的医学知识本体模型的概念
序号 概念ID 概念名称 概念实例举例
1 LABEXAM 检验项目 如:“血液红细胞计数”
2 LABWAY 检验操作 如：“成年女性血红细胞计数检验”
3 QUOTA 指标 如：“红细胞计数”
4 UNIT 单位 如：“10^12/L”
5 MEASURESCOPE 度量范围 由上、下限值，以及对应的度量单位定义，如：“3.8~5.1 10^12/L”
6 CROWD 人群 从年龄、性别、疾病、症状、生活习性、生理状态、职业、体质共八个维度定义的概念.如“中年男性”,“高血压人群”
7 LABMETHOD 检验方法 如：“溶血法”
8 SAMPLE 标本 如：“空腹静脉血”
9 DEVICE 操作设备 如：“显微镜”
10 HABIT 生活习性 如：“酗酒”
11 SYMPTOM 症状 如：“头痛”
12 DISEASE 疾病 如：“高血压”
13 PHYSTATE 生理状态 如：“孕期”
14 SEX 性别 如：“男”
15 JOB 职业 如：“油漆工”
16 PHYSIQUE 体质 如：“易感染”
17 CONVERT 单位转换 由源单位、目标单位、以及转换率定义，如：“kg转换为g,转化率1000”
18 RULE 规则 如：getValue(“红细胞计数”)>5.1
19 LABRESULT 检验结果 如：“血液红细胞增多”
20 EVENT 事件 如：“病毒感染”
表2 临床检验的医学知识本体模型的概念间的关系
Figure DEST_PATH_IMAGE001
Figure 989742DEST_PATH_IMAGE002
表3 临床检验的医学知识本体模型的属性关系
序号 属性ID 属性名称 前置概念 属性类型 属性约束
1 expression 规则表达式 规则 string 1
2 convert_rate 转换率 单位转换规则 float 1
3 upvalue 上限值 度量范围 float 0..1
4 downvalue 下限值 度量范围 float 0..1
为了进一步描述并解释上述医学本体模型的定义，我们以“血液红细胞计数”该检验项目为例，其部分知识图谱实例数据如下图3所示，检验项目“血液红细胞计数”有两个检验操作，分别是“成年女性血液红细胞计数检验操作”以及“成年男性血液红细胞计数操作”，“成年女性血液红细胞计数操作”，观测人群是“成年女性”，而“成年女性”实体的定义是有性别“女”以及对应的年龄范围“>18岁”这一度量实体定义而来，其中”>18岁“这一度量实体，其下限值是“18”,度量单位是“岁”；同时该检验操作的观测标本是“血液”；检验的指标是“红细胞计数”；观测的指标单位是“万亿每升”；指标对应的参考范围是“3.5-5.1万亿每升”这一度量实体，同样的该度量实体的上限值是“5.1”下限值是“3.5”,度量单位是“万亿每升”；该检验操作，关联了一个度量规则实体,即图3中”成年女性血液红细胞计数临床意义判定规则”, 该规则实体所引用的指标是“红细胞计数”，规则的表达式是“getNum('红细胞计数')<3.2”，该表达式有1个参数，即检验指标的值，规则实体的判定结果为true时，对应的是“血液红细胞减少”这一具有临床意义的检验结果实体，同时该检验结果实体的诱发事件有“受了伤寒”、“自身免疫下降”、“药物反应”，这三个事件实体，同样的图谱中也指示“血液红细胞减少”一般见于“贫血”这一疾病实体。至此“成年女性血液红细胞计数操作”这一检验操作实体，用知识图谱的方式进行了表示，同理，“成年男性血液红细胞计数操作”这一检验操作，也可采用同样的表示方式进行表达，受限于篇幅原因，图中并没有进行展开描述。
S2、获取患者信息得到患者模型，获取患者的至少一个临床检验项目及结果得到临床检验项目及结果模型，分别定义为patient和labexams，所述患者模型如表4所示，所述临床检验项目及结果模型为数组对象，包括至少一个检验项目及结果/labexam，如表5所示。
表4 患者模型/patient
序号 属性 属性说明 类型 实例举例
1 birthday 出生日期 date 1968-01-04
2 sex 性别 string “男”
3 diseases 已患疾病列表 array [“高血压”, “糖尿病”]
4 phystates 生理状态 array [“妊娠期”]
5 jobs 职业 array [“油漆工”]
6 physiques 体质 array [“粉尘过敏”, “阴虚质”]
7 habits 生活习性 array [“抽烟”, “喝酒”]
表5 临床检验项目及结果模型/labexam
序号 属性 属性说明 类型 举例
1 item 检验项目 string “血液红细胞计数”
2 value 检验结果值 float 3.7
3 unit 检验结果单位 string 万亿每升
4 device 检验设备 string 显微镜
5 method 检验方法 string 溶血法
6 sample 操作标本 string 空腹血液
7 crowd 检验人群 string 成年女性
S3、将所述患者模型和临床检验项目及结果模型，与所述临床检验医学知识图谱本体模型结合，通过推理分析得到临床检验判定结果和临床意义分析；
S3.1、结合所述医学知识图谱本体模型层中人群/CROWD实体的定义(如图2)，根据所述患者模型/patient将患者信息转换为人群实体列表/crowds；
本发明包括的实施例，输入了患者信息，其出生日期1968-01-04, 患者已有疾病列表[“高血压”]，根据知识图谱中人群语义关系定义年龄范围/age_of以及定义属性/defined_by，结合知识图谱中数据层，可将其转换为以下人群实体列表[“老年人”、“高血压人群”、“老年高血压人群”]三个人群实体。
S3.2、根据所述临床检验医学知识图谱数据层中与每个检验操作/LABWAY有语义关系的所有实体，与每个检验项目及结果/labexam和步骤S3.1中获取到的所述人群实体列表/crowds进行匹配分析，找到最佳匹配的检验操作/LABWAY实体；
依次分析临床检验项目及结果模型/labexams中每一个检验项目及结果/labexam：根据知识图谱中检验项目/LABEXAM语义关系定义观测操作/observe_operation,依次分析对应的每个检验操作/LABWAY对应的每一个语义关系“操作设备/observe_device”、“观测标本/observsample”、“操作方法/observe_method”、“操作人群/observe_crowd”分别找到对应的实体，即操作设备/DEVICE、标本/SAMPLE、检验方法/LABMETHOD及人群/CROWD；再与所述检验项目及结果/labexam中对应的“检验设备/labexam.device”、“操作标本/labexam.sample”、“检验方法/labexam.method”、以及步骤S3.2.1中获取到的所述“人群实体列表/crowds”进行匹配分析，找到最佳匹配的检验操作/LABWAY实体。
本实施例中，当前分析的检验项目及结果模型labexam:{“item”:”血液红细胞计数”，“value”:3.7, “unit”:”万亿每升”，”sample”:”血液”，“crowd”},患者信息模型为patient:{“birthday”:”1993-10-09”, “sex”:”女”}。依据步骤S3.2.1，患者信息转换为人群实体列表/crowds:[“女性”，“成年女性”，“成年人”]，以图3中数据层实例为例，根据“血液红细胞计数”检验项目的语义关系”observe_operations”可以查询到该检验项目有两个检验操作，分别是“成年女性血液红细胞计数操作”以及“成年男性血液红细胞计数操作”，依次分析这两个检验操作，将其与crowds以及labexam进行比对，发现最佳匹配的检验操作是“成年女性血液红细胞计数操作”。
S3.3、将检验项目及结果/labexam中的检验结果值/labexam.value转化为与临床检验医学知识图谱数据层的单位/UNIT一致的当前检验项目的结果值/final_value，再将所述final_value与当前检验操作/LABWAY的度量范围/ MEASURESCOPE的上、下限值进行比较，标记当前检验结果的异常值；
根据检验操作/LABWAY实体的语义关系“observe_quota”及“observe_unit”，获取所述检验操作/LABWAY实体对应的指标/QUOTA以及单位/UNIT实体，将单位/UNIT与当前检验项目及结果/labexam中的检验结果单位/labexam.unit进行比对分析，存在以下两种情况：
（1）若UNIT与labexam.unit单位一致，则获取当前检验项目的结果值final_value= labexam.value；
（2）若UNIT与labexam.unit单位不一致，则将当前检验结果单位labexam.unit转换为单位/UNIT，通过从知识图谱中找到这单位转换规则/CONWERT实体，根据单位转换规则/CONWERT实体的属性关系convert_rate/转换率，计算转换单位后的当前检验项目的结果值，即：
final_value = labexam.value*convert_rate；
再获取当前检验操作/LABWAY的度量范围/ MEASURESCOPE，根据度量范围/MEASURESCOPE的上、下限值与final_value进行比较，从而标记当前检验结果是“上升↑”还是“下降↓”。
实施例以图3中数据实例为例，检验操作“成年女性血液红细胞计数操作”观测指标单位/observe_unit是“万亿每升”，如果当前输入待分析的检验项目结果/labexam给定的单位/labexam.unit是“十万亿每升”，检验结果值/labexam.value是0.32。那么从知识图谱中找到单位转换实体“十万亿每升转换为万亿每升”，其转换率值为“10”，所以转换单位后的当前检验项目的结果值/final_value = 0.32*10 = 3.2。与此同时当前检验操作的参考范围是“3.5-5.1万亿每升”，通过与参考范围的上下限值进行比较，由于3.2低于下限值，所以将当前检验项目及结果标记为“下降↓”。
S3.4、将步骤S3.3获取到的当前检验项目的结果值/final_value代入到医学知识图谱数据层的规则/RULE实体的规则表达式/expression中，调用规则引擎进行执行，如果执行结果为false，则当前检验结果不满足所述规则/RULE，该临床意义分析结束；如果执行结果为true，则进一步根据检验结果/LABRESULT实体，获得检验项目结果的临床意义；
通过准确的标记临床检验结果的“上升↑”或“下降↓”可以快速定位了解异常指标值，但是“上升↑”或“下降↓”并不一定就具有临床意义，具体的临床意义分析还需要进一步医学知识进行表示。
根据知识图谱中检验操作/LABWAY的“适用的操作/apply_operation”的语义关系，找到相应的一系列临床意义规则/RULE实体，依次分析各个临床意义规则/RULE实体，根据其属性关系获取得到“规则表达式/expression”，将步骤S3.2.3获取到的当前检验项目的结果值/final_value，代入到规则表达式/expression中, 调用规则引擎进行执行，如果执行结果为false，那么说明当前检验结果不满足规则，该临床意义规则实体分析结束；如果执行结果为true，则进一步根据规则/RULE实体的语义关系“判定结果/rule_result”获取到检验结果/LABRESULT实体，该结果即为临床意义分析结果，根据检验结果/LABRESULT的语义关系“诱发事件/caused_by”，以及 “见于/see_in”，可以进一步获得该检验结果可能诱发的原因即事件/EVENT和可能见于的疾病/DISEASE。
实施例以图3中实例数据为例，“成年女性血液红细胞计数操作”关联的临床意义判定规则有一个，即“成年女性血液红细胞计数临床意义判定规则”，该实体对应的规则表达式是“getNum('红细胞计数')<3.2”，假设当前分析的检验项目结果值是3.4。通过检验操作的参考范围我们可以识别出该指标异常了并且是指标值相较于参考范围是“下降”的，但是基于临床意义规则判定，判定结果为false，即还不具备临床意义。如果当前分析检验项目结果值是3.1，那么该规则判定结果返回为true，其对应的判定结果即为“血液红细胞减少”这一具有临床意义的检验结果实体。进一步的分析该实体的诱发事件和见于关系，可以得出，“血液红细胞减少”一般诱发原因是“受了伤寒”、“自身免疫下降”、或者“药物反应”，其一般见于的疾病是“贫血”。
S3.5、重复执行步骤S3.2至S3.4，依次分析所有的每一个检验项目及结果/labexam，获取每一个检验项目结果/labexam的异常标记及临床意义分析；
S4、汇总所有检验项目及结果/labexam的异常标记及临床意义分析，输出检验报告；
将所有的检验项目及结果/labexam的异常情况标记，上升标记为“↑”，下降则标记为“↓”，无异常则不做标记；并将具有临床意义的检验结果进行汇总描述，检验结果分析报告包括报告总结和报告详情，其中报告总结为：“白细胞增多：白细胞总数及分类计数的增多，仅为实验室检查的一项异常指标，重要的是寻找引起白细胞总数及分类计数增多的病因诊断。血红蛋白降低：血红蛋白偏低，是贫血时的一种检验证据，根据血红蛋白数值的高低，可以分为轻度贫血，中度贫血，重度贫血及极重度贫血。”报告详情如表6所示，选择检验项目，会解释，比如“红细胞计数：是指单位体积血液中所含的红细胞数目，对于提示累及红细胞系统的疾病有重要意义。正常情况下，红细胞的生成和破坏处于动态平衡，因而血液中红细胞的数量及质量保持相对稳定。无论何种原因造成的红细胞生成与破坏的失常，都会引起红细胞在数量上或质量上的改变，从而导致疾病的发生。”
表6 检验结果分析报告的报告详情
检验项目 值 单位 标记 参考范围 操作
白细胞计数 10.2 10^9/L ↑ 成年人(3.5~9.5)×10^9/L
红细胞计数 3.71 10^12/L ↓ 成年女性 (3.8~5.1) ×10^12/L
血红蛋白 123 g/L 成年女性115~150 g/L
血小板计数 195 10^9/L (125~350) ×10^9/L
中性粒细胞分类计数 1.7 10^9/L ↓ 成年人 (1.8~6.3) ×10^9/L
淋巴细胞分类计数 2.3 10^9/L 成年人 (0.8~4) ×10^9/L
嗜酸性粒细胞分类计数 0.13 10^9/L (0~0.5) ×10^9/L
单核细胞分类计数 0.3 10^9/L (0.12~0.8) ×10^9/L
中性粒细胞百分比 48.3 % ↓ 成年人 (50%~70%)
淋巴细胞百分比 32.9 % (20%~40%)
嗜酸性粒细胞百分比 2.5 % (0.5%~5%)
单核细胞百分比 5.7 % 成年女性 (3%~10%)
最后需要说明的是，上述的控制方法可以转换为软件程序指令，既可以使用包括处理器和存储器的系统来运行实现，也可以通过非暂态计算机可读存储介质中存储的计算机指令来实现。上述以软件功能单元的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(processor)执行本发明各个实施例所述方法的部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
综上可知，通过上述的一种基于医学知识图谱的临床检验结果分析方法及系统，具有以下优点：
（1）本发明应用有效的人工智能技术，具体的采用医学知识图谱技术，将临床专业知识进行图谱化、语义化、结构化表达使其能够被计算机识别和计算，能够给临床检验分析提供更准确、快速的结果信息，有效的结合患者信息以及病情信息，实现检验结果异常标记及临床意义解析，可应用在人工智能领域，具体的在AI医疗智能分析决策领域，为临床医生提供智能辅助决策支持；
（2）本发明基于临床检验相关的权威性信息资源，又有效结合患者信息以及病情信息，能有效减少临床医务人员专业局限性导致的误诊、漏诊，能够有效提高临床检验结果分析的效率及准确性，提升医技人员、临床医生临床诊疗效率，有效的降低临床诊疗的风险；
（3）本发明能够有效节省医疗成本，通过扩展知识，采用知识驱动的方式来实现快速、统一、可共享的智能化服务，通过进一步细化表达临床检验报告，为患者提供更加友好的非透明的报告，提升临床检验报告的丰富性，一致性，准确性，不仅为临床医生诊疗提供便捷，同时也为患者能够获得更优质的医疗服务。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；虽然结合附图描述了本发明的实施方式，但是本领域技术人员可以在不脱离本发明的精神和范围的情况下做出各种修改和变型，这样的修改和变型均落入由所附权利要求所限定的范围之内。

Claims (9)

1.一种基于医学知识图谱的临床检验结果分析方法，其特征在于，包括以下步骤：
S1、汇聚临床检验相关的信息资源，结合医学客观的事实，构建以检验知识为核心的医学知识图谱，包括医学知识图谱本体模型层和给出了实际数据的医学知识图谱数据层；
S2、获取患者信息得到患者模型，获取患者的至少一个临床检验项目及结果得到临床检验项目及结果模型，分别定义为patient和labexams，所述临床检验项目及结果模型为数组对象，包括至少一个检验项目及结果/labexam；
S3、将所述患者模型和临床检验项目及结果模型，与所述临床检验医学知识图谱相结合，通过推理分析得到临床检验判定结果和临床意义分析；
S3.1、结合所述医学知识图谱本体模型层中人群/CROWD实体的定义，根据所述患者模型/patient将患者信息转换为人群实体列表/crowds；
S3.2、根据所述临床检验医学知识图谱数据层中与每个检验操作/LABWAY有语义关系的所有实体，与每个检验项目及结果/labexam和步骤S3.1中获取到的所述人群实体列表/crowds进行匹配分析，找到最佳匹配的检验操作/LABWAY实体；
S3.3、将检验项目及结果/labexam中的检验结果值/labexam.value转化为与临床检验医学知识图谱数据层的单位/UNIT一致的当前检验项目的结果值/final_value，再将所述/final_value与当前检验操作/LABWAY的度量范围/ MEASURESCOPE的上、下限值进行比较，标记当前检验结果的异常值；
S3.4、将步骤S3.3获取到的当前检验项目的结果值/final_value代入到医学知识图谱数据层的规则/RULE实体的规则表达式/ expression中，调用规则引擎进行执行，如果执行结果为false，则当前检验结果不满足所述规则/RULE，该临床意义分析结束；如果执行结果为true，则进一步根据检验结果/LABRESULT实体，获得检验项目结果的临床意义；
S3.5、重复执行步骤S3.2至S3.4，依次分析所有的每一个检验项目及结果/labexam，获取每一个检验项目结果/labexam的异常标记及临床意义分析；
S4、汇总所有检验项目及结果/labexam的异常标记及临床意义分析，输出检验报告。
2.根据权利要求1所述的基于医学知识图谱的临床检验结果分析方法，其特征在于，所述临床检验相关的信息资源包括教材、文献、指南、说明书。
3.根据权利要求1所述的基于医学知识图谱的临床检验结果分析方法，其特征在于，所述医学知识图谱本体模型层包括20个概念实体、18个关系实体和4个属性关系，所述概念实体包括检验项目/ LABEXAM，检验操作/LABWAY，指标/QUOTA，单位/UNIT，度量范围/MEASURESCOPE，人群/ CROWD，检验方法/ LABMETHOD，标本/ SAMPLE，操作设备/ DEVICE，生活习性/ HABIT，症状/ SYMPTOM，疾病/ DISEASE，生理状态/ PHYSTATE，性别/ SEX，职业/JOB，体质/PHYSIQUE，单位转换/ONVERT，规则/RULE，检验结果/ LABRESULT，事件/EVENT；所述关系实体包括观测操作/observe_operation，检验的指标/observe_quota，观测指标单位/observe_unit，参考范围/observe_quota_range，操作人群/observe_crowd，操作方法/observe_method，观测标本/observe_sample，操作设备/observe_device，定义属性/defined_by，年龄范围/age_of，度量单位/measure_unit，源单位/source_unit，目标单位/target_unit，默认单位/default_unit，引用指标/reference_quota，判定结果/rule_result，诱发事件/caused_by，见于/see_in；所述属性关系包括规则表达式/expression，convert_rate/转换率，upvalue/上限值，downvalue/下限值。
4.根据权利要求1所述的基于医学知识图谱的临床检验结果分析方法，其特征在于，所述患者模型包括出生日期/birthday，性别/sex，已患疾病列表/diseases，生理状态/phystates，职业/jobs，体质/physiques，生活习性/habits。
5.根据权利要求1所述的基于医学知识图谱的临床检验结果分析方法，其特征在于，所述临床检验项目及结果模型包括检验项目/item，检验结果值/value，检验结果单位/unit，检验设备/device，检验方法/method，操作标本/sample和检验人群/crowd。
6.根据权利要求1所述的基于医学知识图谱的临床检验结果分析方法，其特征在于，步骤S3.3中，将检验项目及结果/labexam中的检验结果值/labexam.value转化为与临床检验医学知识图谱数据层的单位/UNIT一致的当前检验项目的结果值/final_value的方法包括：
获取所述检验操作/LABWAY实体对应的指标/QUOTA以及单位/UNIT实体，判断单位/UNIT与当前检验项目及结果/labexam中的检验结果单位/labexam.unit是否一致，若是，则当前检验项目的结果值/final_value = labexam.value；若否，则通过从知识图谱中找到这单位转换规则/CONWERT实体，根据单位转换规则/CONWERT实体的属性关系转换率/convert_rate，计算转换单位后的当前检验项目的结果值/final_value =labexam.value*convert_rate。
7.根据权利要求1所述的基于医学知识图谱的临床检验结果分析方法，其特征在于，标记当前检验结果的异常值包括，高于度量范围/ MEASURESCOPE的上限值，则标记当前检验结果是“上升↑”；低于度量范围/ MEASURESCOPE的下限值，则标记当前检验结果是“下降↓”。
8.一种基于医学知识图谱的临床检验结果分析系统，其特征在于，包括：
至少一个处理器；以及与所述处理器通信连接的至少一个存储器，其中：
所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行如权利要求1至7任一项所述的方法。
9.一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行如权利要求1至7任一项所述的方法。
CN202110618186.7A 2021-06-03 2021-06-03 基于医学知识图谱的临床检验结果分析方法及系统 Active CN113257371B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110618186.7A CN113257371B (zh) 2021-06-03 2021-06-03 基于医学知识图谱的临床检验结果分析方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110618186.7A CN113257371B (zh) 2021-06-03 2021-06-03 基于医学知识图谱的临床检验结果分析方法及系统

Publications (2)

Publication Number Publication Date
CN113257371A true CN113257371A (zh) 2021-08-13
CN113257371B CN113257371B (zh) 2022-02-15

Family

ID=77186130

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110618186.7A Active CN113257371B (zh) 2021-06-03 2021-06-03 基于医学知识图谱的临床检验结果分析方法及系统

Country Status (1)

Country Link
CN (1) CN113257371B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113642562A (zh) * 2021-08-30 2021-11-12 平安医疗健康管理股份有限公司 基于图像识别的数据解读方法、装置、设备及存储介质
CN114741521A (zh) * 2022-03-03 2022-07-12 清华大学 临床研究数据的集成方法、装置、电子设备及存储介质
CN114898834A (zh) * 2022-03-21 2022-08-12 中南大学湘雅三医院 基于临床诊疗数据的信息处理方法、装置及存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107145744A (zh) * 2017-05-08 2017-09-08 合肥工业大学 医学知识图谱的构建方法、装置及辅助诊断方法
US20180089382A1 (en) * 2016-09-28 2018-03-29 International Business Machines Corporation Container-Based Knowledge Graphs for Determining Entity Relations in Non-Narrative Text
CN110223742A (zh) * 2019-06-14 2019-09-10 中南大学 中文电子病历数据的临床表现信息抽取方法和设备
CN110391021A (zh) * 2019-07-04 2019-10-29 北京爱医生智慧医疗科技有限公司 一种基于医学知识图谱的疾病推理系统
CN111414393A (zh) * 2020-03-26 2020-07-14 湖南科创信息技术股份有限公司 一种基于医学知识图谱的语义相似病例检索方法及设备
CN112292730A (zh) * 2018-06-29 2021-01-29 豪夫迈·罗氏有限公司 具有用于解释和可视化数据的改进的用户界面的计算设备
CN112562807A (zh) * 2020-12-11 2021-03-26 北京百度网讯科技有限公司 医疗数据分析方法、装置、设备、存储介质和程序产品

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180089382A1 (en) * 2016-09-28 2018-03-29 International Business Machines Corporation Container-Based Knowledge Graphs for Determining Entity Relations in Non-Narrative Text
CN107145744A (zh) * 2017-05-08 2017-09-08 合肥工业大学 医学知识图谱的构建方法、装置及辅助诊断方法
US20180322954A1 (en) * 2017-05-08 2018-11-08 Hefei University Of Technology Method and device for constructing medical knowledge graph and assistant diagnosis method
CN112292730A (zh) * 2018-06-29 2021-01-29 豪夫迈·罗氏有限公司 具有用于解释和可视化数据的改进的用户界面的计算设备
CN110223742A (zh) * 2019-06-14 2019-09-10 中南大学 中文电子病历数据的临床表现信息抽取方法和设备
CN110391021A (zh) * 2019-07-04 2019-10-29 北京爱医生智慧医疗科技有限公司 一种基于医学知识图谱的疾病推理系统
CN111414393A (zh) * 2020-03-26 2020-07-14 湖南科创信息技术股份有限公司 一种基于医学知识图谱的语义相似病例检索方法及设备
CN112562807A (zh) * 2020-12-11 2021-03-26 北京百度网讯科技有限公司 医疗数据分析方法、装置、设备、存储介质和程序产品

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
侯丽等: "基于本体的临床医学知识库系统构建探讨", 《医学信息学杂志》 *
张莹莹等: "基于多模态知识感知注意力机制的问答方法", 《计算机研究与发展》 *
阮彤等: "基于电子病历的临床医疗大数据挖掘流程与方法", 《大数据》 *
陈德华等: "一种面向临床领域时序知识图谱的链接预测模型", 《计算机研究与发展》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113642562A (zh) * 2021-08-30 2021-11-12 平安医疗健康管理股份有限公司 基于图像识别的数据解读方法、装置、设备及存储介质
CN114741521A (zh) * 2022-03-03 2022-07-12 清华大学 临床研究数据的集成方法、装置、电子设备及存储介质
CN114898834A (zh) * 2022-03-21 2022-08-12 中南大学湘雅三医院 基于临床诊疗数据的信息处理方法、装置及存储介质

Also Published As

Publication number Publication date
CN113257371B (zh) 2022-02-15

Similar Documents

Publication Publication Date Title
CN113257371B (zh) 基于医学知识图谱的临床检验结果分析方法及系统
WO2023202508A1 (zh) 一种基于认知图谱的全科患者个性化诊疗方案推荐系统
CN106919671B (zh) 一种中医文本病案挖掘与辅助决策智能系统
CN110136788B (zh) 一种基于自动检测的病历质检方法、装置、设备及存储介质
WO2023078025A1 (zh) 一种基于任务分解策略的发热待查辅助鉴别诊断系统
US20150178386A1 (en) System and Method for Extracting Measurement-Entity Relations
De Lusignan et al. Defining datasets and creating data dictionaries for quality improvement and research in chronic disease using routinely collected data: an ontology-driven approach.
CN112541066B (zh) 基于文本结构化的医技报告检测方法及相关设备
KR101926632B1 (ko) 규칙 최적화를 통한 임상 병리 검사에 대한 전문가 경험 지식 학습 및 소견 생성 방법
CN113688255A (zh) 一种基于中文电子病历的知识图谱构建方法
CN114121295A (zh) 一种知识图谱驱动的肝癌诊疗方案推荐系统的构建方法
Al-Mualemi et al. A deep learning-based sepsis estimation scheme
CN110491519A (zh) 一种医学数据的检验方法
Boag et al. EHR safari: data is contextual
Jana et al. Using nursing notes to predict length of stay in icu for critically ill patients
CN110060749A (zh) 基于sev-sdg-cnn的电子病历智能诊断方法
CN115691735A (zh) 一种基于慢阻肺专科数据的多模态数据管理方法及系统
Sitompul et al. Template-based Natural Language generation in interpreting laboratory blood test
CN116936082A (zh) 一种躯体健康风险的量化评估方法、系统和装置
Karataş et al. An application method for the use of neutrosophic soft mappings in decision-making the diagnosis of COVID-19 and other lung diseases
CN109935285A (zh) 一种icu护理单数据的结构化处理方法及处理系统
Qu et al. Five-dimensional evaluation system and perceptron intelligent computing performance measurement methods based on medical heterogeneous equipment health data
Minnie et al. Application of knowledge discovery in database to blood cell counter data to improve quality control in clinical pathology
Fang et al. Abnormal event health-status monitoring based on multi-dimensional and multi-level association rules constraints in nursing information system
Al Ghamdi Identification of Tuberculosis and Coronavirus Patients Using Hybrid Deep Learning Models.

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
TR01 Transfer of patent right

Effective date of registration: 20221121

Address after: No. 678, Qingshan Road, Yuelu District, Changsha, Hunan 410013

Patentee after: HUNAN CREATOR INFORMATION TECHNOLOGIES Co.,Ltd.

Address before: Yuelu District City, Hunan province 410083 Changsha Lushan Road No. 932

Patentee before: CENTRAL SOUTH University

TR01 Transfer of patent right