CN113345542B - 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 - Google Patents

Abstract

本公开提供了一种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，涉及人工智能技术领域，具体为知识图谱、深度学习和自然语言处理领域。具体实现方案为：获取电子病历；对电子病历中的第一类信息进行标注，得到标注结果；基于标注结果对电子病历中的第二类信息进行分类，得到分类结果；基于分类结果对电子病历进行处理。该实施方式提供的电子病历的管理方法，提高了分类结果的准确性，也提高了对电子病历的处理效果和处理效率。

Description

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

技术领域

本公开涉及计算机领域，具体涉及知识图谱、深度学习、自然语言处理等人工智能领域，尤其涉及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。

背景技术

病历质量低下在大部分医院都是常态问题，病历的问题导致的医疗损害责任的纠纷案件也日益增多。

医生在病历书写过程中，对于病历书写的正确性和规范性，大多依赖于医生以往的经验和专业水平，病历质量难以保证，病历管理也成为了一个问题。

发明内容

本公开提供了一种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。

根据本公开的第一方面，提供了一种电子病历的管理方法，包括：获取电子病历；对电子病历中的第一类信息进行标注，得到标注结果；基于标注结果对电子病历中的第二类信息进行分类，得到分类结果；基于分类结果对电子病历进行处理。

根据本公开的第二方面，提供了一种模型训练方法，包括：获取训练样本集，其中，训练样本集中的训练样本包括样本病历和对应的标签；将样本病历作为输入，将对应的标签作为输出，利用主动学习的方法训练得到多标签分类模型。

根据本公开的第三方面，提供了一种电子病历的管理装置，包括：第一获取模块，被配置成获取电子病历；标注模块，被配置成对电子病历中的第一类信息进行标注，得到标注结果；分类模块，被配置成基于标注结果对电子病历中的第二类信息进行分类，得到分类结果；处理模块，被配置成基于分类结果对电子病历进行处理。

根据本公开的第四方面，提供了一种模型训练装置，包括：第二获取模块，被配置成获取训练样本集，其中，训练样本集中的训练样本包括样本病历和对应的标签；训练模块，被配置成将样本病历作为输入，将对应的标签作为输出，利用主动学习的方法训练得到多标签分类模型。

根据本公开的第五方面，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如第一方面中任一实现方式描述的方法。

根据本公开的第六方面，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如第一方面或第二方面中任一实现方式描述的方法。

根据本公开的第七方面，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如第一方面或第二方面中任一实现方式描述的方法。

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，不构成对本公开的限定。其中：

图1是本公开可以应用于其中的示例性系统架构图；

图2是根据本公开的电子病历的管理方法的一个实施例的流程图；

图3是根据本公开的电子病历的管理方法的另一个实施例的流程图；

图4是根据本公开的电子病历的管理方法的又一个实施例的流程图；

图5是根据本公开的模型训练方法的一个实施例的流程图；

图6是根据本公开的模型训练方法的另一个实施例的流程图；

图7是根据本公开的电子病历的管理装置的一个实施例的结构示意图；

图8是根据本公开的模型训练装置的一个实施例的结构示意图；

图9是用来实现本公开实施例的电子病历的管理方法的电子设备的框图。

具体实施方式

以下结合附图对本公开的示范性实施例做出说明，其中包括本公开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，而不会背离本公开的范围和精神。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，本公开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公开。

图1示出了可以应用本公开的电子病历的管理方法或电子病历的管理装置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，以接收或发送信息等。终端设备101、102、103上可以安装有各种客户端应用。

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，可以是各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时，可以安装在上述电子设备中。其可以实现成多个软件或软件模块，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可以提供各种服务。例如，服务器105可以对从终端设备101、102、103获取到的电子病历进行分析和处理，并生成处理结果(例如分类结果)。

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105为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块。在此不做具体限定。

需要说明的是，本公开实施例所提供的电子病历的管理方法一般由服务器105执行，相应地，电子病历的管理装置一般设置于服务器105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。

继续参考图2，其示出了根据本公开的电子病历的管理方法的一个实施例的流程200。该电子病历的管理方法包括以下步骤：

步骤201，获取电子病历。

在本实施例中，电子病历的管理方法的执行主体(例如图1所示的服务器105)可以获取电子病历。

需要说明的是，电子病历具体指的是：使用电子设备(计算机、健康卡等)保存、管理、传输和重现的数字化的医疗记录，用以取代手写纸张病例的所有信息。

电子病历包括疾病案首页、术后病程、检查结果、医嘱、手术记录、入院记录等等各种不同类型的文书，不同类型的文书所包括的章节类型也有所不同(例如入院记录中包括主诉、现病史、家族史等章节)。上述执行主体可以获取电子病历。

步骤202，对电子病历中的第一类信息进行标注，得到标注结果。

在本实施例中，上述执行主体可以对步骤201获取的电子病历中的第一类信息进行标注，得到标注结果。其中，第一类信息为电子病历中的较短的医学概念信息，例如入院记录中的既往史、婚育史等。

需要说明的是，上述执行主体可以预先设置电子病历中可能出现的较短的医学概念信息集合，上述执行主体在获取电子病历后，对上述集合中包含的医学概念信息进行标注，从而得到标注结果，其中，标注结果中包含各个医学概念对应的要素标签，要素标签可以为疾病、症状、药物、检验、检查、手术等。

步骤203，基于标注结果对电子病历中的第二类信息进行分类，得到分类结果。

在本实施例中，上述执行主体可以基于步骤202得到的标注结果对电子病历中的第二类信息进行分类，从而得到分类结果。其中，第二类信息为电子病历中的较长的概念性数据，如分析意见、查房记录、查房分析等。

由于步骤202得到的标注结果中包含了识别出的要素标签，所以，可基于这些要素标签对电子病历中的较长的概念性数据进行分类，从而得到对应的分类结果。

作为示例，查房记录里包括诊治经过和诊治结果，那么诊治经过和诊治结果即为两个要素标签，且诊治结果的逻辑应在诊治经过之后，那么两个要素就存在先后顺序，基于此，再对诊治经过和诊治结果所对应的具体文字进行分类，从而得到对应的分类结果。由于要素之间存在依赖关系，所以基于标注结果进行分类，能够提高分类结果的准确性。

步骤204，基于分类结果对电子病历进行处理。

在本实施例中，上述执行主体可以基于分类结果对电子病历进行处理。在步骤203得到分类结果后，上述执行主体可以基于分类结果来检测该电子病历中的信息是否缺失，还可以检测书写时间是否在预设的时限内，还可以检测电子病历中的各类指标数据的数值是否在预设范围内等等，基于上述结果来对电子病历进行处理，其中，处理方式可以为生成该电子病历的质量结果信息，还可以为基于上述检测结果来为该电子病历的质量进行打分等。

本公开实施例提供的电子病历的管理方法，首先获取电子病历；然后对电子病历中的第一类信息进行标注，得到标注结果；之后基于标注结果对电子病历中的第二类信息进行分类，得到分类结果；最后基于分类结果对电子病历进行处理。本公开提供了一种电子病历的管理方法，该方法能够先对电子病历中的第一类信息进行标注，再基于标注结果对电子病历中的第二类信息进行分类，最后基于分类结果来对该电子病历进行处理，从而提高了分类结果的准确性，并提高了对电子病历的处理效果和处理效率。

继续参考图3，图3示出了根据本公开的电子病历的管理方法的另一个实施例的流程300。该电子病历的管理方法包括以下步骤：

步骤301，获取电子病历。

步骤302，对电子病历中的第一类信息进行标注，得到标注结果。

步骤301-302与前述实施例的步骤201-202基本一致，具体实现方式可以参考前述对步骤201-202的描述，此处不再赘述。

步骤303，获取电子病历中的第二类信息。

在本实施例中，电子病历的管理方法的执行主体(例如图1所示的服务器105)可以获取电子病历中的第二类信息，其中，第二类信息为电子病历中的较长的概念性数据，如分析意见、查房记录、查房分析等。

步骤304，确定第二类信息的长度级别。

在本实施例中，上述执行主体可以确定第二类信息的长度级别。

例如，上述执行主体可以根据第二类信息的字数确定第二类信息的长度级别。假设预先设定第一长度级别的字数为200，第二长度级别的字数为200-500，那么当第二类信息的字数为300字时，上述执行主体可以确定第二类信息的长度级别为第二长度级别。

再例如，还可以根据第二类信息中标点符号的数目来确定第二类信息的长度级别，假设预先设定第三长度级别的标点符号数目为1-3个，第四长度级别的标点符号数目为3-7个，那么当第二类信息的标点符号数目为2个时，则可以确定第二类信息的长度级别为第三长度级别。当然，也可以根据其他方式来确定第二类信息的长度级别，本实施例中对此不做具体限定。

在本实施例的一些可选实施方式中，长度级别包括段落级别和句子级别。例如，在该实现方式中，上述执行主体可以通过判断第二类信息中包含的句号的数目来确定第二类信息的长度级别是段落级别还是句子级别。上述执行主体还可以通过第二类信息的字数来判断第二类信息的长度级别是段落级别还是句子级别。

步骤305，基于标注结果生成多个分类标签。

在本实施例中，上述执行主体可以基于步骤302的标注结果来生成多个分类标签。标注结果中包含了各个要素标签，基于标注结果中的要素标签可以确定多个分类标签。

例如，当标注结果中包含手术这个要素标签时，可以确定之后肯定要住院，那么肯定就会有对应的查房记录，而查房记录中又要包含诊治经过与诊治结果，而诊治经过与诊治结果又都是较长的数据，是需要使用多标签分类模型进行分类的，所以，可以生成诊治经过与诊治结果这两个分类标签。

步骤306，基于分类标签以及与长度级别对应的预训练多标签分类模型对第二类信息进行分类，得到分类结果。

在本实施例中，上述执行主体可以基于分类标签以及与长度级别对应的预训练多标签分类模型对第二类信息进行分类，得到分类结果。在本实施例中，不同长度级别的数据会使用不同的预训练的多标签分类模型来进行分类，从而得到对应的分类结果。

其中，多标签分类模型可采用现有技术训练得到，本公开中对此不做具体限定。使用预训练多标签分类模型对第二类信息进行分类，可以输出得到第二类信息对应哪些标签，标签可以不止一个。

需要说明的是，在本实施例中，有些诊疗要素只需要对其进行标注，有些诊疗要素只需要对其进行分类，在此种情况下，标注过程与分类过程可以是并行的，本公开对此不做具体限定。

在本实施例的一些可选实施方式中，步骤306包括：响应于第二类信息的长度级别为段落级别，基于分类标签和预训练多标签段落分类模型对第二类信息进行分类；响应于第二类信息的长度级别为句子级别，基于分类标签和预训练多标签句子分类模型对第二类信息进行分类。

在本实现方式中，在第二类信息的长度级别为段落级别的情况下，上述执行主体会基于分类标签以及预训练多标签段落分类模型来对第二类信息进行分类。本实施方式中采用的是ERNIE+linear+交叉熵模型来对第二类信息进行分类的。ERNIE(EnhancedRepresentation from kNowledge IntEgration)是基于知识增强的持续学习语义理解框架，该框架将大数据预训练与多源丰富知识相结合，通过持续学习技术，不断吸收海量文本数据中词汇、结构、语义等方面的知识，实现模型效果不断进化。该多标签段落分类模型在ERNIE的基础上，使用了linear+交叉熵损失函数，从而达到对段落级别的信息的更好的分类效果。

在第二类信息的长度级别为句子级别的情况下，上述执行主体会基于分类标签以及预训练多标签句子分类模型来对第二类信息进行分类。本实施方式中采用的是ERNIE+BiLSTM+linear+Sigmoid+交叉熵模型来对第二类信息进行分类的。该多标签句子分类模型在ERNIE的基础上，使用了BiLSTM(Bilateral Long Short-Term Memory，双向长短期记忆网络)+linear+Sigmoid+交叉熵损失函数，从而使得能够对句子长度级别的信息有更好的分类效果。

需要说明的是，由于ERNIE的参数量比较庞大，所以，需要在能够保证模型效果的情况下，减少模型的参数量，从而达到可以部署上线的效果。因此，本公开中会使用模型蒸馏，将ERNIE蒸馏到BiLSTM上，从而在减少模型参数的基础上，减少内存消耗，提高模型计算速度。

此外，还可以采用现有技术中其他具有相同效果的模型来进行分类，本公开中对此不做具体限定。

步骤307，基于分类结果对第二类信息进行内容分析，得到内容分析结果。

在本实施例中，上述执行主体可以基于步骤306得到的分类结果对第二类信息进行内容分析，从而得到对应的内容分析结果。内容分析结果可以包括合格与不合格，进一步针对不合格，内容分析结果中还可以包括：问题分类信息以及缺陷明细信息。

步骤308，生成并输出与内容分析结果对应的质控提醒信息。

在本实施例中，上述执行主体可以生成并输出与内容分析结果对应的质控提醒信息。质控提醒信息与内容分析结果相对应，例如，内容分析结果为合格，则质控提醒信息可以是包含合格的提醒信息；进一步，当内容分析结果为不合格时，则质控提醒信息可以是包含问题分类以及缺陷明细的提醒信息，例如，问题分类包括：位置、时间；缺陷明细包括：时间不在预设时间范围内、医学实体排序出错等。

从图3中可以看出，与图2对应的实施例相比，本实施例中的电子病历的管理方法基于分类标签以及与长度级别对应的预训练多标签分类模型对第二类信息进行分类，进一步提高了分类结果的准确性；此外，基于分类结果对第二类信息进行内容分析，得到对应的内容分析结果，并生成与内容分析结果对应的质控提醒信息，可以有效提醒电子病历的相关质控人员，减少医疗纠纷，并且还可以在病历书写教学时，教导医务人员如何撰写高质量的病历。

继续参考图4，图4示出了根据本公开的电子病历的管理方法的又一个实施例的流程400。该电子病历的管理方法包括以下步骤：

步骤401，构建医学知识图谱。

在本实施例中，电子病历的管理方法的执行主体(例如图1所示的服务器105)可以构建医学知识图谱。其中，知识图谱是一种图谱组织形式，将相互之间存在语义关联的实体连接组合为一个庞大的关系网络。实体是指现实世界中客观存在的并可以相互区分的对象或事物。本实施例中，具体指的是医学信息，例如疾病及症状等信息。构建的医学知识图谱可以辅助信息的标注与抽取。

步骤402，获取电子病历。

步骤402与前述实施例的步骤301基本一致，具体实现方式可以参考前述对步骤301的描述，此处不再赘述。

步骤403，获取电子病历中的第一类信息。

在本实施例中，上述执行主体可以获取电子病历中的第一类信息。

步骤404，利用预训练序列标注模型和医学知识图谱对第一类信息进行标注，得到标注结果。

在本实施例中，上述执行主体可以利用预训练序列标注模型和步骤401构建的医学知识图谱对第一类信息进行序列标注，从而得到标注结果。

本实施例中采用的是ERNIE+BiLSTM+CRF预训练序列标注模型。BiLSTM+CRF是一种序列标注算法，其将BiLSTM和CRF(Conditional Random Field，条件随机场)结合在一起，使模型既可以像CRF一样考虑序列前后之间的关联性，又可以拥有LSTM的特征抽取及拟合能力。由于ERNIE是一个上下文相关的迁移学习模型，所以进一步增强了模型能力。

可选地，可将“疾病”、“症状”、“手术”、“检查”、“检验”等医学知识类别作为不同的embedding，加到预训练ERNIE模型的向量上，作为将医学知识引入到模型中的一种方式，从而提升模型效果。

可选地，还可以采用机器阅读理解(Machine Reading Comprehension，MRC)模型。MRC模型可以应用于对准确度要求较高、但是速度可以慢一些的场景，而序列标注模型可以应用于对速度要求较高、但是对精确率要求不是特别高的场景。实际应用中，可以根据不同场景需要选择不同的模型。

步骤405，基于标注结果对第一类信息进行内容分析，得到形式分析结果。

在本实施例中，上述执行主体可以基于标注结果对第一类信息进行内容分析，以判断是否缺少某个质控点的信息，并得到对应的形式分析结果。

步骤406，生成并显示与形式分析结果对应的质控提醒信息。

在本实施例中，上述执行主体可以生成并显示与形式分析结果对应的质控提醒信息。质控提醒信息与形式分析结果相对应，例如，当形式分析结果为质控点信息缺失时，则质控提醒信息可以为提示缺少信息的质控点名称，从而及时提醒相关医务人员对电子病历进行完善，提升病历数据的准确率、规范性。

从图4中可以看出，与图3对应的实施例相比，本实施例中的电子病历的管理方法可以构建医学知识图谱，并使用预训练序列标注模型和医学知识图谱对第一类信息进行标注，并基于标注结果对第一类信息进行内容分析，得到形式分析结果，生成并显示与形式分析结果对应的质控提醒信息，从而提高了形式质控的效率和准确性。

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。

继续参考图5，图5示出了根据本公开的模型训练方法的一个实施例的流程500。该模型训练方法包括以下步骤：

步骤501，获取训练样本集。

在本实施例中，模型训练方法的执行主体(例如图1所示的服务器105)可以获取训练样本集，其中，训练样本集中的训练样本包括样本病历和对应的标签。其中，样本病历中的同一个句子上可以有多个标签，因此，同一病历上的语义理解要素要同时进行标注，该标注方式可以是人工标注。

步骤502，将样本病历作为输入，将对应的标签作为输出，利用主动学习的方法训练得到多标签分类模型。

在本实施例中，上述执行主体可以将样本病历作为输入，将对应的标签作为输出，利用主动学习的方法训练得到多标签分类模型。

主动学习的思路为：通过机器学习的方法获取到那些比较“难”分类的样本数据，让人工再次确认和审核，然后将人工标注得到的数据再次使用模型进行训练，逐步提升模型的效果，并将人工经验融入到机器学习的模型中，从而通过较少的标注样本来获得性能较好的分类模型。

本公开实施例提供的模型训练方法，首先获取训练样本集；然后将样本病历作为输入，将对应的标签作为输出，利用主动学习的方法训练得到多标签分类模型。本公开提供了一种模型训练方法，该方法能够将主动学习的方法加入到了模型训练的过程中，从而通过较少的标注样本来获得性能较好的分类模型，也提高了模型的分类效果。

继续参考图6，图6示出了根据本公开的模型训练方法的另一个实施例的流程600。该模型训练方法包括以下步骤：

步骤601，获取训练样本集。

步骤602，将样本病历作为输入，将对应的标签作为输出，利用主动学习的方法训练得到多标签分类模型。

步骤601-602与前述实施例的步骤501-502基本一致，具体实现方式可以参考前述对步骤501-502的描述，此处不再赘述。

步骤603，为多标签分类模型设置前置筛选条件。

在本实施例中，模型训练方法的执行主体(例如图1所示的服务器105)可以为多标签分类模型设置前置筛选条件。因为如果直接使用多标签模型进行分类，那么假如其中的某个标签效果不好，不仅会影响本要素的判别结果，甚至还会影响其他的要素的结果。因此，设置前置筛选条件，即单要素分类达到标准，再将它的数据作为一个标签训练多标签分类模型。例如，可要求单个要素的效果要高于90％，高于90％才会将其作为一个标签训练多标签分类模型。

本实施例中，将ERNIE+BiLSTM+Sigmoid二分类模型作为一个前置筛选条件，从而保证某一个类别要素的加入不影响其他的类别要素的识别效果。

从图6中可以看出，与图5对应的实施例相比，本实施例中的模型训练方法为多标签分类模型设置前置筛选条件，从而在单要素到达标准的情况下，才将该要素加入到整体数据中，从而保证某一个类别要素的加入不影响其他的类别要素的识别效果。

进一步参考图7，作为对上述各图所示方法的实现，本公开提供了一种电子病历的管理装置的一个实施例，该装置实施例与图2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7所示，本实施例的电子病历的管理装置700可以包括：第一获取模块701、标注模块702、分类模块703和处理模块704。其中，第一获取模块701，被配置成获取电子病历；标注模块702，被配置成对电子病历中的第一类信息进行标注，得到标注结果；分类模块703，被配置成基于标注结果对电子病历中的第二类信息进行分类，得到分类结果；处理模块704，被配置成基于分类结果对电子病历进行处理。

在本实施例中，电子病历的管理装置700中：第一获取模块701、标注模块702、分类模块703和处理模块704的具体处理及其所带来的技术效果可分别参考图2对应实施例中的步骤201-204的相关说明，在此不再赘述。

在本实施例的一些可选的实现方式中，上述电子病历的管理装置还包括：构建模块，被配置成构建医学知识图谱；以及标注模块包括：获取子模块，被配置成获取电子病历中的第一类信息；标注子模块，被配置成利用预训练序列标注模型和医学知识图谱对第一类信息进行标注。

在本实施例的一些可选的实现方式中，分类模块包括：确定子模块，被配置成确定第二类信息的长度级别；生成子模块，被配置成基于标注结果生成多个分类标签；分类子模块，被配置成基于分类标签以及与长度级别对应的预训练多标签分类模型对第二类信息进行分类。

在本实施例的一些可选的实现方式中，长度级别包括段落级别和句子级别；以及分类子模块包括：第一分类单元，被配置成响应于第二类信息的长度级别为段落级别，基于分类标签和预训练多标签段落分类模型对第二类信息进行分类；第二分类单元，被配置成响应于第二类信息的长度级别为句子级别，基于分类标签和预训练多标签句子分类模型对第二类信息进行分类。

在本实施例的一些可选的实现方式中，处理模块包括：分析子模块，被配置成基于分类结果对第二类信息进行内容分析，得到内容分析结果；显示子模块，被配置成生成并输出与内容分析结果对应的质控提醒信息。

在本实施例的一些可选的实现方式中，上述电子病历的管理装置还包括：分析模块，被配置成基于标注结果对第一类信息进行内容分析，得到形式分析结果；显示模块，被配置成生成并显示与形式分析结果对应的质控提醒信息。

进一步参考图8，作为对上述各图所示方法的实现，本公开提供了一种模型训练装置的一个实施例，该装置实施例与图5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8所示，本实施例的模型训练装置800可以包括：第二获取模块801和训练模块802。其中，第二获取模块801，被配置成获取训练样本集，其中，训练样本集中的训练样本包括样本病历和对应的标签；训练模块802，被配置成将样本病历作为输入，将对应的标签作为输出，利用主动学习的方法训练得到多标签分类模型。

在本实施例中，模型训练装置800中：第二获取模块801和训练模块802的具体处理及其所带来的技术效果可分别参考图5对应实施例中的步骤501-502的相关说明，在此不再赘述。

在本实施例的一些可选的实现方式中，上述模型训练装置还包括：设置模块，被配置成为多标签分类模型设置前置筛选条件。

根据本公开的实施例，本公开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9示出了可以用来实施本公开的实施例的示例电子设备900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/或者要求的本公开的实现。

如图9所示，设备900包括计算单元901，其可以根据存储在只读存储器(ROM)902中的计算机程序或者从存储单元908加载到随机访问存储器(RAM)903中的计算机程序，来执行各种适当的动作和处理。在RAM 903中，还可存储设备900操作所需的各种程序和数据。计算单元901、ROM 902以及RAM 903通过总线904彼此相连。输入/输出(I/O)接口905也连接至总线904。

设备900中的多个部件连接至I/O接口905，包括：输入单元906，例如键盘、鼠标等；输出单元907，例如各种类型的显示器、扬声器等；存储单元908，例如磁盘、光盘等；以及通信单元909，例如网卡、调制解调器、无线通信收发机等。通信单元909允许设备900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901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901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901执行上文所描述的各个方法和处理，例如电子病历的管理方法。例如，在一些实施例中，电子病历的管理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908。在一些实施例中，计算机程序的部分或者全部可以经由ROM 902和/或通信单元909而被载入和/或安装到设备900上。当计算机程序加载到RAM 903并由计算单元901执行时，可以执行上文描述的电子病历的管理方法的一个或多个步骤。备选地，在其他实施例中，计算单元901可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行电子病历的管理方法。

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。

用于实施本公开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电子病历的管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。

在本公开的上下文中，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)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，也可以为分布式系统的服务器，或者是结合了区块链的服务器。

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，本发公开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，只要能够实现本公开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，并不构成对本公开保护范围的限制。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。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

Claims (16)

1.一种电子病历的管理方法，包括：

获取电子病历；

对所述电子病历中的第一类信息进行标注，得到标注结果，其中，所述标注结果中包含各个医学概念对应的要素标签；

基于所述标注结果对所述电子病历中的第二类信息进行分类，得到分类结果；

基于所述分类结果对所述电子病历进行处理；

其中，所述基于所述标注结果对所述电子病历中的第二类信息进行分类，得到分类结果，包括：

基于所述要素标签确定多个分类标签；

基于所述分类标签以及与所述第二类信息的长度级别对应的预训练多标签分类模型对所述第二类信息进行分类，得到分类结果；

其中，所述长度级别包括段落级别和句子级别；以及

所述基于所述分类标签以及与所述第二类信息的长度级别对应的预训练多标签分类模型对所述第二类信息进行分类，包括：

响应于所述第二类信息的长度级别为段落级别，基于所述分类标签和预训练多标签段落分类模型对所述第二类信息进行分类；

响应于所述第二类信息的长度级别为句子级别，基于所述分类标签和预训练多标签句子分类模型对所述第二类信息进行分类。

2.根据权利要求1所述的方法，所述方法还包括：

构建医学知识图谱；以及

所述对所述电子病历中的第一类信息进行标注，包括：

获取所述电子病历中的第一类信息；

利用预训练序列标注模型和所述医学知识图谱对所述第一类信息进行标注。

3.根据权利要求1或2所述的方法，其中，所述基于所述标注结果对所述电子病历中的第二类信息进行分类，包括：

获取所述电子病历中的第二类信息；

确定所述第二类信息的长度级别；

基于所述标注结果生成多个分类标签；

基于所述分类标签以及与所述长度级别对应的预训练多标签分类模型对所述第二类信息进行分类。

4.根据权利要求3所述的方法，其中，所述基于所述分类结果对所述电子病历进行处理，包括：

基于所述分类结果对所述第二类信息进行内容分析，得到内容分析结果；

生成并输出与所述内容分析结果对应的质控提醒信息。

5.根据权利要求1所述的方法，所述方法还包括：

基于所述标注结果对所述第一类信息进行内容分析，得到形式分析结果；

生成并显示与所述形式分析结果对应的质控提醒信息。

6.根据权利要求1所述的方法，其中，所述多标签分类模型通过以下步骤训练得到：

获取训练样本集，其中，所述训练样本集中的训练样本包括样本病历和对应的标签；

将所述样本病历作为输入，将所述对应的标签作为输出，利用主动学习的方法训练得到多标签分类模型。

7.根据权利要求6所述的方法，所述方法还包括：

为所述多标签分类模型设置前置筛选条件。

8.一种电子病历的管理装置，包括：

第一获取模块，被配置成获取电子病历；

标注模块，被配置成对所述电子病历中的第一类信息进行标注，得到标注结果，其中，所述标注结果中包含各个医学概念对应的要素标签；

分类模块，被配置成基于所述标注结果对所述电子病历中的第二类信息进行分类，得到分类结果；

处理模块，被配置成基于所述分类结果对所述电子病历进行处理；

其中，所述分类模块包括：

分类标签确定子模块，被配置成基于所述要素标签确定多个分类标签；

信息分类子模块，被配置成基于所述分类标签以及与所述第二类信息的长度级别对应的预训练多标签分类模型对所述第二类信息进行分类，得到分类结果；

其中，所述长度级别包括段落级别和句子级别；以及

所述信息分类子模块包括：

第一分类单元，被配置成响应于所述第二类信息的长度级别为段落级别，基于所述分类标签和预训练多标签段落分类模型对所述第二类信息进行分类；

第二分类单元，被配置成响应于所述第二类信息的长度级别为句子级别，基于所述分类标签和预训练多标签句子分类模型对所述第二类信息进行分类。

9.根据权利要求8所述的装置，所述装置还包括：

构建模块，被配置成构建医学知识图谱；以及

所述标注模块包括：

第一获取子模块，被配置成获取所述电子病历中的第一类信息；

标注子模块，被配置成利用预训练序列标注模型和所述医学知识图谱对所述第一类信息进行标注。

10.根据权利要求8或9所述的装置，其中，所述分类模块包括：

第二获取子模块，被配置成获取所述电子病历中的第二类信息；

确定子模块，被配置成确定所述第二类信息的长度级别；

生成子模块，被配置成基于所述标注结果生成多个分类标签；

分类子模块，被配置成基于所述分类标签以及与所述长度级别对应的预训练多标签分类模型对所述第二类信息进行分类。

11.根据权利要求10所述的装置，其中，所述处理模块包括：

分析子模块，被配置成基于所述分类结果对所述第二类信息进行内容分析，得到内容分析结果；

显示子模块，被配置成生成并输出与所述内容分析结果对应的质控提醒信息。

12.根据权利要求8所述的装置，所述装置还包括：

分析模块，被配置成基于所述标注结果对所述第一类信息进行内容分析，得到形式分析结果；

显示模块，被配置成生成并显示与所述形式分析结果对应的质控提醒信息。

13.根据权利要求8所述的装置，所述装置还包括用于生成多标签分类模型的生成模块，所述生成模块包括：

第三获取子模块，被配置成获取训练样本集，其中，所述训练样本集中的训练样本包括样本病历和对应的标签；

训练子模块，被配置成将所述样本病历作为输入，将所述对应的标签作为输出，利用主动学习的方法训练得到多标签分类模型。

14.根据权利要求13所述的装置，所述装置还包括：

设置模块，被配置成为所述多标签分类模型设置前置筛选条件。

15.一种电子设备，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中任一项所述的方法。

16.一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行权利要求1-5中任一项所述的方法。

Images