CN113707307A - 病情分析方法、装置、电子设备及存储介质 - Google Patents

病情分析方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN113707307A
CN113707307A CN202111007202.5A CN202111007202A CN113707307A CN 113707307 A CN113707307 A CN 113707307A CN 202111007202 A CN202111007202 A CN 202111007202A CN 113707307 A CN113707307 A CN 113707307A
Authority
CN
China
Prior art keywords
information
data
target
treatment
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.)
Pending
Application number
CN202111007202.5A
Other languages
English (en)
Inventor
成芳
张永盛
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.)
Kangjian Information Technology Shenzhen Co Ltd
Original Assignee
Kangjian Information Technology Shenzhen Co Ltd
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 Kangjian Information Technology Shenzhen Co Ltd filed Critical Kangjian Information Technology Shenzhen Co Ltd
Priority to CN202111007202.5A priority Critical patent/CN113707307A/zh
Publication of CN113707307A publication Critical patent/CN113707307A/zh
Priority to PCT/CN2022/087710 priority patent/WO2023029506A1/zh
Pending legal-status Critical Current

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
    • 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
    • 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
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/279—Recognition of textual entities
    • G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
    • G06F40/295—Named entity recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
    • 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
    • G16H15/00—ICT specially adapted for medical reports, e.g. generation or transmission thereof
    • 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)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Primary Health Care (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Epidemiology (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Databases & Information Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Pathology (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

本申请涉及人工智能及数字医疗领域，实施例提供了一种病情分析方法、装置、电子设备及存储介质。该方法包括：获取电子病历数据；对电子病历数据进行实体特征提取，得到目标病情信息；利用预先训练的病情识别模型对目标病情信息进行处理，生成与目标病情信息对应的治疗提醒；接收用户端根据治疗提醒响应的治疗反馈数据；根据治疗反馈数据和目标病情信息，生成诊断结论标签；根据诊断结论标签生成病情分析报告。本申请实施例能够通过对患者的历史病情进行分析得到可参考的病理数据，提高病情分析效率。

Description

病情分析方法、装置、电子设备及存储介质
技术领域
本申请涉及人工智能及数字医疗技术领域，尤其涉及一种病情分析方法、装置、电子设备及存储介质。
背景技术
目前，由于患者的历史病历往往是纸质病历或者历史病历无法进行数据共享，常常给患者后续的就医带来不便，影响病情分析准确性及分析效率，因此，如何提供一种病情分析方法，通过对患者的历史病情进行分析得到可参考的病理数据，提高病情分析效率，成为了亟待解决的技术问题。
发明内容
本申请实施例的主要目的在于提出一种病情分析方法、装置、电子设备及存储介质，旨在通过对患者的历史病情进行分析得到可参考的病理数据，提高病情分析效率。
为实现上述目的，本申请实施例的第一方面提出了一种病情分析方法，所述方法包括：
获取电子病历数据；
对所述电子病历数据进行实体特征提取，得到目标病情信息；
利用预先训练的病情识别模型对所述目标病情信息进行处理，生成与所述目标病情信息对应的治疗提醒；
接收用户端根据所述治疗提醒响应的治疗反馈数据；
根据所述治疗反馈数据和所述目标病情信息，生成诊断结论标签；
根据所述诊断结论标签生成病情分析报告。
在一些实施例，所述对所述电子病历数据进行实体特征提取，得到目标病情信息的步骤，包括：
提取所述电子病历数据中的自然语言文本；
利用预设的词法分析模型识别所述自然语言文本中的实体特征；
对所述自然语言文本进行分割处理，得到自然语言词汇序列；
根据所述实体特征和所述自然语言词汇序列，构建特征序列表；
根据所述特征序列表确定目标病情信息。
在一些实施例，所述利用预先训练的病情识别模型对所述目标病情信息进行处理，生成与所述目标病情信息对应的治疗提醒的步骤，包括：
将所述目标病情信息输入至预先训练的病情识别模型中；
通过所述病情识别模型对所述目标病情信息进行象限分区，得到分区病情信息；
对每一象限的分区病情信息进行拟合处理，生成用药提醒或者就医提醒。
在一些实施例，在所述接收用户端根据所述治疗提醒响应的治疗反馈数据的步骤之后，该方法还包括：
对所述目标病情信息中的药物数据进行分析，得到药物反应信息；其中，所述药物反应信息包括不良药物反应信息；
根据所述不良药物反应信息识别出所述治疗反馈数据中的异常用药数据。
在一些实施例，在所述接收用户端根据所述治疗提醒响应的治疗反馈数据的步骤之后，该方法还包括：
对所述治疗反馈数据、所述目标病情信息进行可视化处理，生成可视化数据图。
在一些实施例，所述根据所述治疗反馈数据和所述目标病情信息，生成诊断结论标签的步骤，包括：
分别对所述治疗反馈数据和所述目标病情信息进行编码处理，得到编码形式的治疗反馈数据和编码形式的目标病情信息；
利用预设的大数据分析模型对所述编码形式的治疗反馈数据和所述编码形式的目标病情信息进行数据分析，生成诊断结论标签。
在一些实施例，所述根据所述诊断结论标签生成病情分析报告的步骤，包括：
根据所述目标病情信息对所述诊断结论标签进行提纯处理，得到提纯后的诊断结论标签；
对所述提纯后的诊断结论标签进行验证分析，得到标准诊断结论标签；
根据所述标准诊断结论标签，生成病情分析报告。
为实现上述目的，本申请实施例的第二方面提出了一种病情分析装置，所述装置包括：
电子病历数据获取模块，用于获取电子病历数据；
特征提取模块，用于对所述电子病历数据进行实体特征提取，得到目标病情信息；
处理模块，用于利用预先训练的病情识别模型对所述目标病情信息进行处理，生成与所述目标病情信息对应的治疗提醒；
治疗反馈数据接收模块，用于接收用户端根据所述治疗提醒响应的治疗反馈数据；
诊断结论标签生成模块，用于根据所述治疗反馈数据和所述目标病情信息，生成诊断结论标签；
病情分析报告生成模块，用于根据所述诊断结论标签生成病情分析报告。
为实现上述目的，本申请实施例的第三方面提出了一种电子设备，所述电子设备包括存储器、处理器、存储在所述存储器上并可在所述处理器上运行的程序以及用于实现所述处理器和所述存储器之间的连接通信的数据总线，所述程序被所述处理器执行时实现上述第一方面所述的方法。
为实现上述目的，本申请实施例的第四方面提出了一种计算机可读存储介质，用于计算机可读存储，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现上述第一方面所述的方法。
本申请提出的病情分析方法、装置、电子设备及存储介质，其通过获取电子病历数据，对电子病历数据进行实体特征提取，得到目标病情信息，这一方式能够实现对电子病历数据的特征抽取，缩小数据总量，使得更为方便提取到所需要的病情信息；进而利用预先训练的病情识别模型对目标病情信息进行处理，生成与目标病情信息对应的治疗提醒，以便用户根据治疗提醒进行用药或者就医。而后接收用户端根据治疗提醒响应的治疗反馈数据，对治疗反馈数据和目标病情信息进行分析，得到诊断结论标签，能够较为方便地评估出治疗效果；最后根据诊断结论标签生成病情分析报告，通过对用户的历史病情进行分析得到病情分析报告，为后续的诊断过程提供可参考的病理数据，提高了病情分析效率，同时也可以降低患者的就医成本和用药成本。
附图说明
图1是本申请实施例提供的病情分析方法的流程图；
图2是图1中的步骤S102的流程图；
图3是图1中的步骤S103的流程图；
图4是本申请另一实施例提供的病情分析方法的部分流程图；
图5是图1中的步骤S105的流程图；
图6是图1中的步骤S106的流程图；
图7是本申请实施例提供的病情分析装置的结构示意图；
图8是本申请实施例提供的电子设备的硬件结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请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用以解释本申请，并不用于限定本申请。
需要说明的是，虽然在装置示意图中进行了功能模块划分，在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于装置中的模块划分，或流程图中的顺序执行所示出或描述的步骤。说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的，不是旨在限制本申请。
首先，对本申请中涉及的若干名词进行解析：
人工智能(artificial intelligence，AI)：是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学；人工智能是计算机科学的一个分支，人工智能企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。人工智能可以对人的意识、思维的信息过程的模拟。人工智能还是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
自然语言处理(natural language processing，NLP)：NLP用计算机来处理、理解以及运用人类语言(如中文、英文等)，NLP属于人工智能的一个分支，是计算机科学与语言学的交叉学科，又常被称为计算语言学。自然语言处理包括语法分析、语义分析、篇章理解等。自然语言处理常用于机器翻译、手写体和印刷体字符识别、语音识别及文语转换、信息检索、信息抽取与过滤、文本分类与聚类、舆情分析和观点挖掘等技术领域，它涉及与语言处理相关的数据挖掘、机器学习、知识获取、知识工程、人工智能研究和与语言计算相关的语言学研究等。
信息抽取(Information Extraction，NER)：从自然语言文本中抽取指定类型的实体、关系、事件等事实信息，并形成结构化数据输出的文本处理技术。信息抽取是从文本数据中抽取特定信息的一种技术。文本数据是由一些具体的单位构成的，例如句子、段落、篇章，文本信息正是由一些小的具体的单位构成的，例如字、词、词组、句子、段落或是这些具体的单位的组合。抽取文本数据中的名词短语、人名、地名等都是文本信息抽取，当然，文本信息抽取技术所抽取的信息可以是各种类型的信息。
关联分析：关联分析是一种简单、实用的分析技术，就是发现存在于大量数据集中的关联性或相关性，从而描述了一个事物中某些属性同时出现的规律和模式。关联分析是从大量数据中发现项集之间有趣的关联和相关联系。
(1)支持度计数：一个项集出现在几个事务当中，它的支持度计数就是几。
(2)支持度：支持度计数除于总的事务数。
(3)置信度：对于规则{Diaper}→{Beer}，{Diaper,Beer}的支持度计数除于{Diaper}的支持度计数，为这个规则的置信度。
(4)强关联规则：大于或等于最小支持度阈值和最小置信度阈值的规则叫做强关联规则。关联分析的最终目标就是要找出强关联规则。
(5)Apriori算法：是挖掘产生布尔关联规则所需频繁项集的基本算法。Apriori性质：一个频繁项集的任一子集也应该是频繁项集。证明根据定义，若一个项集I不满足最小支持度阈值min_sup，则I不是频繁的，即P(I)<min_sup。若增加一个项A到项集I中，则结果新项集(I∪A)也不是频繁的，在整个事务数据库中所出现的次数也不可能多于原项集I出现的次数，因此P(I∪A)<min_sup，即(I∪A)也不是频繁的。这样就可以根据逆反公理很容易地确定Apriori性质成立。
(6)FP-growth算法(Frequent Pattern Tree，简称为FP-tree；)：是基于频繁模式树的发现频繁模式的算法，在FP-growth算法中，通过两次扫描事务数据库，把每个事务所包含的频繁项目按其支持度降序压缩存储到FP—tree中。在以后发现频繁模式的过程中，不需要再扫描事务数据库，而仅在FP-Tree中进行查找即可，并通过递归调用FP-growth的方法来直接产生频繁模式，因此在整个发现过程中也不需产生候选模式。
协同过滤算法：是一种较为著名和常用的推荐算法，它基于对用户历史行为数据的挖掘发现用户的喜好偏向，并预测用户可能喜好的产品进行推荐，或者找到相似的用户(基于用户)或物品(基于物品)。基于用户的协同过滤算法的实现主要需要解决两个问题，一是如何找到和你有相似爱好的人，也就是要计算数据的相似度。
BERT(Bidirectional Encoder Representations from Transformers)：是一个语言表示模型(language representation model)。BERT采用了Transformer Encoderblock进行连接，是一个典型的双向编码模型。
多层感知器(Multilayer Perceptron,MLP)：MLP是一种前向结构的人工神经网络，映射一组输入向量到一组输出向量。MLP可以被看作是一个有向图，由多个的节点层所组成，每一层都全连接到下一层。除了输入节点，每个节点都是一个带有非线性激活函数的神经元(或称处理单元)。MLP是感知器的推广，克服了感知器不能对线性不可分数据进行识别的弱点。最简单的MLP是三层结构(输入层-隐藏层-输出层)。多层感知器的层与层之间是全连接的，即每一层的任意一个神经元均与其前一层的所有神经元有连接，这种连接其实代表了一种权重加和。
误差反向传播算法(Backpropagation，缩写为BP)：，是一种与最优化方法(如梯度下降法)结合使用的，用来训练人工神经网络的常见方法。该方法对网络中所有权重计算损失函数的梯度。这个梯度会反馈给最优化方法，用来更新权值以最小化损失函数。BP算法适合于多层神经元网络的一种学习算法，它建立在梯度下降法的基础上。BP网络的输入输出关系实质上是一种映射关系：一个n输入m输出的BP神经网络所完成的功能是从n维欧氏空间向m维欧氏空间中一有限域的连续映射，这一映射具有高度非线性。它的信息处理能力来源于简单非线性函数的多次复合，因此具有很强的函数复现能力。BP算法的学习过程由正向传播过程和反向传播过程组成。在正向传播过程中，输入信息通过输入层经隐含层，逐层处理并传向输出层。如果在输出层得不到期望的输出值，则取输出与期望的误差的平方和作为目标函数，转入反向传播，逐层求出目标函数对各神经元权值的偏导数，构成目标函数对权值向量的梯量，作为修改权值的依据，网络的学习在权值修改过程中完成。误差达到所期望值时，网络学习结束。
逻辑斯蒂函数(Logistic函数或Logistic曲线)：Logistic函数或Logistic曲线是一种常见的S形函数，广义Logistic曲线可以模仿一些情况人口增长(P)的S形曲线。起初阶段大致是指数增长；然后随着开始变得饱和，增加变慢；最后，达到成熟时增加停止。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
本申请实施例可以基于医疗云技术实现对患者的历史病情的分析。其中，医疗云(Medical cloud)，是指在云计算、移动技术、多媒体、4G通信、大数据、以及物联网等新技术基础上，结合医疗技术，使用“云计算”来创建医疗健康服务云平台，实现了医疗资源的共享和医疗范围的扩大。因为云计算技术的运用于结合，医疗云提高医疗机构的效率，方便居民就医。像现在医院的预约挂号、电子病历、医保等都是云计算与医疗领域结合的产物，医疗云还具有数据安全、信息共享、动态扩展、布局全局的优势。
基于此，本申请实施例提供一种病情分析方法、装置、电子设备及存储介质，可以通过对患者的历史病情进行分析得到病情分析报告，为后续的诊断过程提供可参考的病理数据，提高了病情分析效率，同时也可以降低患者的就医成本和用药成本。
本申请实施例提供的病情分析方法、装置、电子设备及存储介质，具体通过如下实施例进行说明，首先描述本申请实施例中的病情分析方法。
本申请实施例提供的病情分析方法，涉及人工智能及数字医疗技术领域。本申请实施例提供的病情分析方法可应用于终端中，也可应用于服务器端中，还可以是运行于终端或服务器端中的软件。在一些实施例中，终端可以是智能手机、平板电脑、笔记本电脑、台式计算机等；服务器端可以配置成独立的物理服务器，也可以配置成多个物理服务器构成的服务器集群或者分布式系统，还可以配置成提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN以及大数据和人工智能平台等基础云计算服务的云服务器；软件可以是实现病情分析方法的应用等，但并不局限于以上形式。
图1是本申请实施例提供的病情分析方法的一个可选的流程图，图1中的方法可以包括但不限于包括步骤S101至步骤S106。
步骤S101，获取电子病历数据；
步骤S102，对电子病历数据进行实体特征提取，得到目标病情信息；
步骤S103，利用预先训练的病情识别模型对目标病情信息进行处理，生成与目标病情信息对应的治疗提醒；
步骤S104，接收用户端根据治疗提醒响应的治疗反馈数据；
步骤S105，根据治疗反馈数据和目标病情信息，生成诊断结论标签；
步骤S106，根据诊断结论标签生成病情分析报告。
经过以上步骤S101至步骤S106,首先根据患者上传的个人历史病历生成电子病历，获取电子病历数据，其中，电子病历数据包括患者信息、就医记录、用药记录等等。对电子病历数据进行实体特征提取，得到目标病情信息，其中，目标病情信息包括患者的年龄、性别、基本健康指标、就医诊断数据、用药记录以及不良药物反应信息、手术记录等等。这一方式能够实现对电子病历数据的特征抽取，缩小数据总量，使得更为方便提取到所需要的病情信息。利用预先训练的病情识别模型对上述目标病情信息进行处理，对患者的历史目标病情进行识别，生成与该目标病情信息对应的治疗提醒，并将这一治疗提醒反馈至患者，以便患者根据治疗提醒进行就医或者服用药物。在将治疗提醒反馈至患者之后，还需要获取来自患者的治疗反馈，例如，可以接收用户端根据治疗提醒响应的治疗反馈数据。通过对治疗反馈数据和目标病情信息进行分析，得到诊断结论标签，能够较为方便地评估出治疗效果；需要说明的是，在对治疗反馈数据和目标病情信息进行分析时，可以采用大数据分析模型来对治疗反馈数据与目标病情信息进行匹配，根据匹配情况生成对应的诊断结论标签，最后根据诊断结论标签生成病情分析报告，通过对患者的历史病情进行分析得到病情分析报告，为后续的诊断过程提供可参考的病理数据，提高了病情分析效率，同时也可以降低患者的就医成本和用药成本。
在一些医学应用场景中，在一种可能的实现方式中，上述数据是医疗数据，如个人健康档案、处方、检查报告等数据。
请参阅图2，在一些实施例中，步骤S102可以包括但不限于包括步骤S201至步骤S205：
步骤S201，提取电子病历数据中的自然语言文本；
步骤S202，利用预设的词法分析模型识别自然语言文本中的实体特征；
步骤S203，对自然语言文本进行分割处理，得到自然语言词汇序列；
步骤S204，根据实体特征和自然语言词汇序列，构建特征序列表；
步骤S205，根据特征序列表确定目标病情信息。
具体地，首先将电子病历数据中的非结构化数据转化为统一的结构化数据，从结构化数据中提取所需要的自然语言文本。利用预设的词法分析模型识别自然语言文本中的实体特征。例如，预先构建医学词库，该医学词库可以包括各类医学病理相关的医学名、医学术语、非医学名称、民间俗称、国际医学名词等等。通过这一医学词库，预设的词法分析模型可以将医学特定名称进行列举。将自然语言文本输入至预设的词法分析模型中，通过预设的词法分析模型中包含的医学特定名称以及预设的词性类别，对自然语言文本中的实体特征进行识别，该实体特征可以包括上述与医学病理相关的医学名、医学术语、非医学名称、民间俗称、国际医学名词、修饰词、时间信息等多个维度的实体词汇。为了更准确地提取实体特征，还可以基于bi-LSTM算法构建序列分类器，在基于bi-LSTM算法的模型中,输入单词wi和字符嵌入，通过左到右的长短记忆和右向左的长短时记忆,使得在输出被连接的位置生成单一的输出层。序列分类器通过这一输出层可以将输入的实体特征直接传递到softmax分类器上,通过softmax分类器在预设的标签上创建一个概率分布，从而根据概率分布对实体参数进行标记分类，最后对分类处理之后的实体特征进行特征提取，得到所需要的实体特征。另外，为了实现数据存储，还可以采用BERT编码器，通过预设的编码函数将实体特征串由文本形式转化为编码形式，以实现实体特征的存储。另外，除了需要从自然语言文本进行实体特征提取以外，还需要对自然语言文本进行分割处理，以得到自然语言词汇序列。例如，根据词性条件，对自然语言文本中的词段赋予对应的词性，例如，名词、动词、形容词等等。根据基础自然语言的词根、词性将连续的自然语言文本切分成具有语义合理性和完整性的自然语言词汇序列。进而，根据实体特征与自然语言词汇序列在词性、词根上的对应关系，构建出特征序列表，根据特征序列表对电子病历数据中的数据进行搜索和对比，可以较为方便地确定出目标病情信息。
在一种可能的实现方式中，上述自然语言文本为医疗文本，医疗文本可以是医疗电子记录(Electronic Healthcare Record)，电子化的个人健康记录，包括病历、心电图、医学影像等一系列具备保存备查价值的电子化记录。
请参阅图3，在一些实施例中，步骤S103可以包括但不限于包括步骤S301或者步骤S303：
步骤S301，将目标病情信息输入至预先训练的病情识别模型中；
步骤S302，通过病情识别模型对目标病情信息进行象限分区，得到分区病情信息；
步骤S303，对每一象限的分区病情信息进行拟合处理，生成用药提醒或者就医提醒。
在一些实施例中，可以利用BP算法进行深度学习以建立病情识别模型，将目标病情信息输入至预先训练的病情识别模型中，通过病情识别模型对目标病情信息进行象限分区，利用象限对目标病情信息进行任务区分，得到分区病情信息。例如，根据四象限法则，对目标病情信息中的病情数据进行优先级分类，得到不同重要等级的分区病情信息。进而，通过拟合函数对每一象限的分区病情信息进行拟合处理，并将拟合结果输出到表象层进行准确率及优秀的智能体的判断以进行迭代优化，当迭代优化至满足预设的迭代条件时，停止迭代优化，输出拟合结果，并根据拟合结果生成对应的用药提醒或者就医提醒。需要说明的是，预设的迭代条件可是迭代次数达到预设次数等等，也可以是其他，不限于此。另外，病情识别模型为多层神经网络，该多层神经网络含有两层处理单元和两个隐藏层，且每一个反馈只能发送到前面的输出层或隐藏层。该多层神经网络是一个采用后向传播算法进行学习分类或者预测的神经网络。具体地，该病情识别模型的构建过程如下：
第一步：以第一个训练元祖X＝{1，0，1}其类标号为1；初始化神经网络的所有权重和偏倚；网络的权重一般初始为小随机数(例如，-1.0到1.0)；
第二步：在终止循环条件下循环每个训练元祖，设X＝{1，0，1}，其类标号Y为1；
第三步：循环输入单元，其中，输入单元的输入＝输出，及I1＝O1＝1；I2＝O2＝0；I3＝O2＝1；
第四步：计算隐藏层或输出层的输入和输出，其中，输入公式如公式(1)所示，输出公式如公式(2)所示，按照输入和输出公式，可以分别求预设节点的输入Ij和输出Oj；
Ij＝∑iwijOi+θj 公式(1)
其中，wij是由上一层的单元i到单元j的连接的权重；Oi是上一层的单元i的输出，而是θj单元j的偏倚，偏倚作为阈值，用来改变单元的活性；
Oj＝1+(1+E[Ij]) 公式(2)
第五步：分别计算隐藏节点和输出节点的误差，其中，输出层误差公式如公式(3)所示；隐藏层公式如公式(4)所示；
Errj＝Oj(1-Oj)(Tj-Oj) 公式(3)
其中，Oj是单元j的实际输出，而Tj是j给定训练元组的已知目标值，需要说明的是，Oj(1-Oj)是逻辑斯蒂函数的导数；
Errj＝Oj(1-Oj)∑kErrkwjk 公式(4)
其中，wjk是由下一较高层的单元k到单元j的连接的权重，而Errk是单元k的误差。
第六步：提取淘汰下的智能体并将对应的自然语言文本分割后对应的词根词性进行回收。
通过上述过程能够构建出符合需求的病情识别模型，进而，将参考病情信息输入至这一病情识别模型中，通过病情识别模型对参考病情信息进行象限分区，根据四象限法则对参考病情信息进行任务区分，对参考病情信息中的病情数据进行优先级分类，得到不同重要等级的分区病情信息。进而，通过拟合函数对每一象限的分区参考病情信息进行拟合处理，并将拟合结果输出到表象层进行准确率及优秀的智能体的判断以进行迭代优化，当迭代优化至满足预设的迭代条件时，停止迭代优化，从而完成对病理识别模型的训练。最后通过训练后的病情识别模型对患者的历史目标病情进行识别，具体地，将目标病情信息输入至训练后的病情识别模型中，得到拟合结果，并根据拟合结果生成与该目标病情信息对应的治疗提醒，并将这一治疗提醒反馈至患者，以便患者根据治疗提醒进行就医或者服用药物。
请参阅图4，在一些实施例中，在步骤S104之后，该方法可以包括但不限于包括步骤S401至步骤S402：
步骤S401，对目标病情信息中的药物数据进行分析，得到药物反应信息；其中，药物反应信息包括不良药物反应信息；
步骤S402，根据不良药物反应信息识别出治疗反馈数据中的异常用药数据。
具体地，为了更好地对患者的历史病情进行分析，还需要对目标病情信息中的药物数据进行分析，将患者历史就医记录和历史用药记录中包含的药物数据进行提取，可以是通过基于关键词的文本自动生成模型来对药物数据进行提取，该文本自动生成模型可以根据输入数据的类型，进行不同的数据处理。将历史就医记录和历史用药记录中的关键词或者文本语句或者字段等等输入至预先训练的文本自动生成模型，若输入的关键词、文本语句或者字段与预设的参考文本能够进行匹配，表明当前输入符合要求，若当前输入的是关键词，则在基础语料库中选择和输入关键词相同的语句集合，根据这一语句集合生成对应的药物数据字段。若当前输入的是文本语句或字段，则需要在基础语料库中选取候选语句，并确定选取的候选语句是否符合要求；其中，候选语句为基础语料库中与输入的文本语句或字段相似度大于预设阈值的语句，若选取的候选语句符合要求，则根据候选语句直接生成药物数据字段；若选取的候选语句不符合要求，则对候选语句进行语句补充，例如，填充同义词、或者根据对应的输入信息对候选语句进行复写补充等等，并根据补充之后的候选语句生成药物数据字段。进而，基于国内外文献、医学资料库、医疗数据平台等等中的相关数据对这些药物数据字段进行分析，得到药物反应信息，药物反应信息包括不良药物反应信息、药物疗效信息、用药指导信息等等。进而通过将不良药物反应信息和治疗反馈数据进行对比分析，若治疗反馈数据中涉及到不良药物反应信息相匹配的数据，则可以确定该数据为异常用药数据，通过这一方式能够较为方便地识别异常用药数据，并在治疗反馈数据中对异常用药数据进行标记，以对后续的诊断治疗起到提示作用，避免再次出现异常用药情况，提高用药可靠性。
另外，在一些具体实施例中，步骤S104之后，该方法还包括但不限于包括：
对治疗反馈数据、目标病情信息进行可视化处理，生成可视化数据图。
具体地，可以通过数据管理层中的logback组件(开源日志组件)将治疗反馈数据和目标病情信息写入到本地文件中，通过拦截器记录包括治疗反馈数据和目标病情信息的接口日志，通过数据管理层中的日志收集系统(Flume)分别对治疗反馈数据和目标病情信息进行可视化处理，得到对应的目标可视化数据，将这些目标可视化数据输入到数据管理层中的Hive数据库与HBase数据库中进行整合，最后通过数据管理层中的Sqoop传送组件把目标可视化数据从PostgreSql数据库导入Hive数据库，生成对应的图表，并根据预先设定的词性等级序列，对这一系列的图表进行等级排序，生成可视化数据图。例如，预设词性等级为名词等级高于动词、动词等级高于形容词等等；可视化数据图包括病情信息来源、就医区域、患者基本信息、初诊情况、复诊率、用药情况等等。通过可视化数据图能够较为方便地将患者的历史病情呈现出来，以便患者和医生进行查阅。
请参阅图5，在一些实施例的步骤S105可以包括但不限于包括步骤S501至步骤S502：
步骤S501，分别对治疗反馈数据和目标病情信息进行编码处理，得到编码形式的治疗反馈数据和编码形式的目标病情信息；
步骤S502，利用预设的大数据分析模型对编码形式的治疗反馈数据和编码形式的目标病情信息进行数据分析，生成诊断结论标签。
在一些实施例中，可以通过预设的编码器分别对治疗反馈数据和目标病情信息进行编码处理，该预设的编码器可以是基于BERT的编码器，即通过获取治疗反馈数据和目标病情信息，并对治疗反馈数据和目标病情信息进行令牌化处理，构建出BERT令牌生成器，对BERT令牌生成器进行预训练，形成符合需求的BERT编码器，使得BERT编码器能够通过预设的编码函数将治疗反馈数据和目标病情信息由文本形式转化为编码形式，得到编码形式的治疗反馈数据和编码形式的目标病情信息。进而，通过预设的大数据分析模型中的协同过滤算法计算编码形式的治疗反馈数据与编码形式的目标病情信息的相似度大小。根据相似度大小对编码形式的治疗反馈数据与编码形式的目标病情信息进行关联匹配，生成对应的诊断结论标签。需要说明的是，该协同过滤算法可以是杰卡德相似系数法、夹角余弦法或者欧式距离、曼哈顿距离等相似性度量方法，不做限制。在一些其他实施例中，预设的大数据分析模型也可以采用关联分析算法，通过关联分析算法来对对编码形式的治疗反馈数据与编码形式的目标病情信息进行关联匹配。常用的关联分析算法包括Apriori算法、FP-growth算法等等。这一方式提高了数据分析效率，也提高了治疗反馈数据与目标病情信息的匹配准确性。
请参阅图6，在一些实施例中，步骤S106可以包括但不限于包括步骤S601至步骤S603：
步骤S601，根据目标病情信息对诊断结论标签进行提纯处理，得到提纯后的诊断结论标签；
步骤S602，对提纯后的诊断结论标签进行验证分析，得到标准诊断结论标签；
步骤S603，根据标准诊断结论标签，生成病情分析报告。
具体地，为了提高诊断结论标签的准确性，还可以预设select语句函数，在预设的select语句函数中填充所需要的选项数据，利用已填充选项数据的select语句函数摘录目标病情信息中的数据集，通过数据集与诊断结论标签进行比对，剔除异常诊断结论标签，得到提纯后的诊断结论标签。其中，对异常诊断结论标签的判断可以根据数据集与诊断结论标签的相似度来确定，若两者的相似度小于预设的相似度阈值，则确定该诊断结论标签为异常诊断结论标签。进而，对提纯后的诊断结论标签进行验证分析，将提纯后的诊断结论标签对应的目标病情信息和治疗反馈数据进行复核，对目标病情信息与治疗反馈数据进行修正调整，得到标准诊断结论标签，最终根据标准诊断结论标签生成病情分析报告，通过对患者的历史病情进行分析得到病情分析报告，为后续的诊断过程提供可参考的病理数据，提高了病情分析效率，同时也可以降低患者的就医成本和用药成本。
本申请实施例通过获取电子病历数据，对电子病历数据进行实体特征提取，得到目标病情信息，这一方式能够实现对电子病历数据的特征抽取，缩小数据总量，使得更为方便提取到所需要的病情信息；进而利用预先训练的病情识别模型对目标病情信息进行处理，生成与目标病情信息对应的治疗提醒，以便患者根据治疗提醒进行用药或者就医。而后接收用户端根据治疗提醒响应的治疗反馈数据，对治疗反馈数据和目标病情信息进行分析，得到诊断结论标签，能够较为方便地评估出治疗效果；最后根据诊断结论标签生成病情分析报告，通过对患者的历史病情进行分析得到病情分析报告，为后续的诊断过程提供可参考的病理数据，提高了病情分析效率，同时也可以降低患者的就医成本和用药成本。
请参阅图7，本申请实施例还提供一种病情分析装置，可以实现上述病情分析方法，该装置包括：
电子病历数据获取模块701，用于获取电子病历数据；
特征提取模块702，用于对电子病历数据进行实体特征提取，得到目标病情信息；
处理模块703，用于利用预先训练的病情识别模型对目标病情信息进行处理，生成与目标病情信息对应的治疗提醒；
治疗反馈数据接收模块704，用于接收用户端根据治疗提醒响应的治疗反馈数据；
诊断结论标签生成模块705，用于根据治疗反馈数据和目标病情信息，生成诊断结论标签；
病情分析报告生成模块706，用于根据诊断结论标签生成病情分析报告。
本申请实施例还提供了一种电子设备，电子设备包括：存储器、处理器、存储在存储器上并可在处理器上运行的程序以及用于实现处理器和存储器之间的连接通信的数据总线，程序被处理器执行时实现上述病情分析方法。该电子设备可以为包括平板电脑、车载电脑等任意智能终端。
请参阅图8，图8示意了另一实施例的电子设备的硬件结构，电子设备包括：
处理器801，可以采用通用的CPU(CentralProcessingUnit，中央处理器)、微处理器、应用专用集成电路(ApplicationSpecificIntegratedCircuit，ASIC)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本申请实施例所提供的技术方案；
存储器802，可以采用只读存储器(ReadOnlyMemory，ROM)、静态存储设备、动态存储设备或者随机存取存储器(RandomAccessMemory，RAM)等形式实现。存储器802可以存储操作系统和其他应用程序，在通过软件或者固件来实现本说明书实施例所提供的技术方案时，相关的程序代码保存在存储器802中，并由处理器801来调用执行本申请实施例的病情分析方法；
输入/输出接口803，用于实现信息输入及输出；
通信接口804，用于实现本设备与其他设备的通信交互，可以通过有线方式(例如USB、网线等)实现通信，也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信；和
总线805，在设备的各个组件(例如处理器801、存储器802、输入/输出接口803和通信接口804)之间传输信息；
其中处理器801、存储器802、输入/输出接口803和通信接口804通过总线805实现彼此之间在设备内部的通信连接。
本申请实施例还提供了一种计算机可读存储介质，用于计算机可读存储，计算机可读存储介质存储有一个或者多个程序，一个或者多个程序可被一个或者多个处理器执行，以实现上述病情分析方法。
存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至该处理器。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。
本申请实施例描述的实施例是为了更加清楚的说明本申请实施例的技术方案，并不构成对于本申请实施例提供的技术方案的限定，本领域技术人员可知，随着技术的演变和新应用场景的出现，本申请实施例提供的技术方案对于类似的技术问题，同样适用。
本领域技术人员可以理解的是，图1-6中示出的技术方案并不构成对本申请实施例的限定，可以包括比图示更多或更少的步骤，或者组合某些步骤，或者不同的步骤。
以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统、设备中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。
本申请的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
应当理解，在本申请中，“至少一个(项)”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，用于描述关联对象的关联关系，表示可以存在三种关系，例如，“A和/或B”可以表示：只存在A，只存在B以及同时存在A和B三种情况，其中A，B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a，b或c中的至少一项(个)，可以表示：a，b，c，“a和b”，“a和c”，“b和c”，或“a和b和c”，其中a，b，c可以是单个，也可以是多个。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，上述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
上述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括多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)执行本申请各个实施例的方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，简称ROM)、随机存取存储器(Random Access Memory，简称RAM)、磁碟或者光盘等各种可以存储程序的介质。
以上参照附图说明了本申请实施例的优选实施例，并非因此局限本申请实施例的权利范围。本领域技术人员不脱离本申请实施例的范围和实质内所作的任何修改、等同替换和改进，均应在本申请实施例的权利范围之内。

Claims (10)

1.一种病情分析方法，其特征在于，所述方法包括：
获取电子病历数据；
对所述电子病历数据进行实体特征提取，得到目标病情信息；
利用预先训练的病情识别模型对所述目标病情信息进行处理，生成与所述目标病情信息对应的治疗提醒；
接收用户端根据所述治疗提醒响应的治疗反馈数据；
根据所述治疗反馈数据和所述目标病情信息，生成诊断结论标签；
根据所述诊断结论标签生成病情分析报告。
2.根据权利要求1所述的病情分析方法，其特征在于，所述对所述电子病历数据进行实体特征提取，得到目标病情信息的步骤，包括：
提取所述电子病历数据中的自然语言文本；
利用预设的词法分析模型识别所述自然语言文本中的实体特征；
对所述自然语言文本进行分割处理，得到自然语言词汇序列；
根据所述实体特征和所述自然语言词汇序列，构建特征序列表；
根据所述特征序列表确定目标病情信息。
3.根据权利要求1所述的病情分析方法，其特征在于，所述利用预先训练的病情识别模型对所述目标病情信息进行处理，生成与所述目标病情信息对应的治疗提醒的步骤，包括：
将所述目标病情信息输入至预先训练的病情识别模型中；
通过所述病情识别模型对所述目标病情信息进行象限分区，得到分区病情信息；
对每一象限的分区病情信息进行拟合处理，生成用药提醒或者就医提醒。
4.根据权利要求1所述的病情分析方法，其特征在于，在所述接收用户端根据所述治疗提醒响应的治疗反馈数据的步骤之后，所述方法还包括：
对所述目标病情信息中的药物数据进行分析，得到药物反应信息；其中，所述药物反应信息包括不良药物反应信息；
根据所述不良药物反应信息识别出所述治疗反馈数据中的异常用药数据。
5.根据权利要求1至4任一项所述的病情分析方法，其特征在于，在所述接收用户端根据所述治疗提醒响应的治疗反馈数据的步骤之后，所述方法还包括：
对所述治疗反馈数据、所述目标病情信息进行可视化处理，生成可视化数据图。
6.根据权利要求1至4任一项所述的病情分析方法，其特征在于，所述根据所述治疗反馈数据和所述目标病情信息，生成诊断结论标签的步骤，包括：
分别对所述治疗反馈数据和所述目标病情信息进行编码处理，得到编码形式的治疗反馈数据和编码形式的目标病情信息；
利用预设的大数据分析模型对所述编码形式的治疗反馈数据和所述编码形式的目标病情信息进行数据分析，生成诊断结论标签。
7.根据权利要求1至4任一项所述的病情分析方法，其特征在于，所述根据所述诊断结论标签生成病情分析报告的步骤，包括：
根据所述目标病情信息对所述诊断结论标签进行提纯处理，得到提纯后的诊断结论标签；
对所述提纯后的诊断结论标签进行验证分析，得到标准诊断结论标签；
根据所述标准诊断结论标签，生成病情分析报告。
8.一种病情分析装置，其特征在于，所述装置包括：
电子病历数据获取模块，用于获取电子病历数据；
特征提取模块，用于对所述电子病历数据进行实体特征提取，得到目标病情信息；
处理模块，用于利用预先训练的病情识别模型对所述目标病情信息进行处理，生成与所述目标病情信息对应的治疗提醒；
治疗反馈数据接收模块，用于接收用户端根据所述治疗提醒响应的治疗反馈数据；
诊断结论标签生成模块，用于根据所述治疗反馈数据和所述目标病情信息，生成诊断结论标签；
病情分析报告生成模块，用于根据所述诊断结论标签生成病情分析报告。
9.一种电子设备，其特征在于，所述电子设备包括存储器、处理器、存储在所述存储器上并可在所述处理器上运行的程序以及用于实现所述处理器和所述存储器之间的连接通信的数据总线，所述程序被所述处理器执行时实现如权利要求1至7任一项所述的病情分析方法的步骤。
10.一种计算机可读存储介质，用于计算机可读存储，其特征在于，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现权利要求1至7中任一项所述的病情分析方法的步骤。
CN202111007202.5A 2021-08-30 2021-08-30 病情分析方法、装置、电子设备及存储介质 Pending CN113707307A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202111007202.5A CN113707307A (zh) 2021-08-30 2021-08-30 病情分析方法、装置、电子设备及存储介质
PCT/CN2022/087710 WO2023029506A1 (zh) 2021-08-30 2022-04-19 病情分析方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111007202.5A CN113707307A (zh) 2021-08-30 2021-08-30 病情分析方法、装置、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN113707307A true CN113707307A (zh) 2021-11-26

Family

ID=78657041

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111007202.5A Pending CN113707307A (zh) 2021-08-30 2021-08-30 病情分析方法、装置、电子设备及存储介质

Country Status (2)

Country Link
CN (1) CN113707307A (zh)
WO (1) WO2023029506A1 (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115132354A (zh) * 2022-07-06 2022-09-30 哈尔滨医科大学 一种患者类型识别方法、装置、电子设备及存储介质
WO2023029506A1 (zh) * 2021-08-30 2023-03-09 康键信息技术（深圳）有限公司 病情分析方法、装置、电子设备及存储介质
CN116313162A (zh) * 2023-05-12 2023-06-23 北京梆梆安全科技有限公司 一种基于ai模型的医疗问诊系统
CN116386869A (zh) * 2023-04-11 2023-07-04 中国科学技术大学 一种基于多变量的病情危重程度评估方法

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116259422B (zh) * 2023-03-13 2024-02-06 暨南大学 基于虚拟数据增强的眼科疾病诊疗意见生成方法、系统、介质和设备
CN116343980B (zh) * 2023-05-30 2023-08-29 深圳市即达健康医疗科技有限公司 一种基于智慧医疗复诊随访数据处理方法及系统

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8700432B2 (en) * 2010-03-19 2014-04-15 Gary A. Letts Method and system for cutaneous medicine diagnostics
US8548828B1 (en) * 2012-05-09 2013-10-01 DermTap Method, process and system for disease management using machine learning process and electronic media
CN108899064A (zh) * 2018-05-31 2018-11-27 平安医疗科技有限公司 电子病历生成方法、装置、计算机设备和存储介质
CN109493939A (zh) * 2018-10-27 2019-03-19 平安医疗健康管理股份有限公司 一种用药管理方法、服务器及计算机存储介质
CN110675951A (zh) * 2019-08-26 2020-01-10 北京百度网讯科技有限公司 智能化的疾病诊断方法及装置、计算机设备与可读介质
CN111933239A (zh) * 2020-09-17 2020-11-13 泰康保险集团股份有限公司 数据处理的方法及装置、系统、存储介质
CN113707307A (zh) * 2021-08-30 2021-11-26 康键信息技术（深圳）有限公司 病情分析方法、装置、电子设备及存储介质

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023029506A1 (zh) * 2021-08-30 2023-03-09 康键信息技术（深圳）有限公司 病情分析方法、装置、电子设备及存储介质
CN115132354A (zh) * 2022-07-06 2022-09-30 哈尔滨医科大学 一种患者类型识别方法、装置、电子设备及存储介质
CN115132354B (zh) * 2022-07-06 2023-05-30 哈尔滨医科大学 一种患者类型识别方法、装置、电子设备及存储介质
CN116386869A (zh) * 2023-04-11 2023-07-04 中国科学技术大学 一种基于多变量的病情危重程度评估方法
CN116386869B (zh) * 2023-04-11 2024-01-19 中国科学技术大学 一种基于多变量的病情危重程度评估方法
CN116313162A (zh) * 2023-05-12 2023-06-23 北京梆梆安全科技有限公司 一种基于ai模型的医疗问诊系统
CN116313162B (zh) * 2023-05-12 2023-08-18 北京梆梆安全科技有限公司 一种基于ai模型的医疗问诊系统

Also Published As

Publication number Publication date
WO2023029506A1 (zh) 2023-03-09

Similar Documents

Publication Publication Date Title
US11182562B2 (en) Deep embedding for natural language content based on semantic dependencies
RU2703679C2 (ru) Способ и система поддержки принятия врачебных решений с использованием математических моделей представления пациентов
WO2023029506A1 (zh) 病情分析方法、装置、电子设备及存储介质
CN112131350B (zh) 文本标签确定方法、装置、终端及可读存储介质
CN114565104A (zh) 语言模型的预训练方法、结果推荐方法及相关装置
CN113704428B (zh) 智能问诊方法、装置、电子设备及存储介质
CN112149414B (zh) 文本相似度确定方法、装置、设备及存储介质
Li et al. Adaptive cross-contextual word embedding for word polysemy with unsupervised topic modeling
Panesar et al. Machine learning algorithms
Tyagi et al. Demystifying the role of natural language processing (NLP) in smart city applications: background, motivation, recent advances, and future research directions
US20230315994A1 (en) Natural Language Processing for Addressing Bias
Thukral et al. Knowledge graph enrichment from clinical narratives using NLP, NER, and biomedical ontologies for healthcare applications
CN114613462A (zh) 医疗数据处理方法和装置、电子设备及存储介质
Nair et al. Clinical note section identification using transfer learning
CN114358020A (zh) 疾病部位识别方法、装置、电子设备及存储介质
CN113657086A (zh) 词语处理方法、装置、设备及存储介质
US11281855B1 (en) Reinforcement learning approach to decode sentence ambiguity
CN116956925A (zh) 电子病历命名实体识别方法和装置、电子设备及存储介质
CN116844731A (zh) 疾病分类方法、疾病分类装置、电子设备及存储介质
Gasimova Automated enriched medical concept generation for chest X-ray images
CN116030271A (zh) 一种基于深度学习和双模态数据的抑郁情绪预测系统
CN116469546A (zh) 基于注意力机制的疾病辅助识别方法和装置、设备及介质
CN114360715A (zh) 体质辨识方法、装置、电子设备及存储介质
CN114998041A (zh) 理赔预测模型的训练方法和装置、电子设备及存储介质
Zhang et al. Extraction of English Drug Names Based on Bert-CNN Mode.

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
CB03 Change of inventor or designer information

Inventor after: Cheng Fang

Inventor before: Cheng Fang

Inventor before: Zhang Yongsheng

CB03 Change of inventor or designer information