CN113744870A - 一种病案首页主要诊断预测系统及方法 - Google Patents
一种病案首页主要诊断预测系统及方法 Download PDFInfo
- Publication number
- CN113744870A CN113744870A CN202111075983.1A CN202111075983A CN113744870A CN 113744870 A CN113744870 A CN 113744870A CN 202111075983 A CN202111075983 A CN 202111075983A CN 113744870 A CN113744870 A CN 113744870A
- Authority
- CN
- China
- Prior art keywords
- grouping
- round
- patient
- main diagnosis
- module
- 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
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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Data Mining & Analysis (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
本发明公开了一种病案首页主要诊断预测系统及方法,该系统中,数据组织模块从数据库中提取病人关联的临床数据,对病人关联的临床数据进行数据清洗与特征构建,获得病人关联的特征;人群分组模块根据病人关联的特征对病人进行第一轮分组,获得病人关联第一轮分组标识;模型生成模块针对每个第一轮分组内的病人根据其关联的特征完成对应的主要诊断预测模型训练与生成;结果计算引擎模块接收主要诊断预测请求,依据请求携带的新增病人标识,依次通过数据组织模块和人群分组模块,获得新增病人关联第一轮分组标识,调用该第一轮分组标识对应的主要诊断预测模型获得主要诊断预测结果。采用本发明能够提高病案首页主要诊断填写的准确性和一致性。
Description
技术领域
本发明涉及计算机技术领域,特别涉及一种病案首页主要诊断预测系统及方法。
背景技术
病案首页,是在住院病人出院后对病人住院期间诊断和治疗过程的总结,浓缩了病人住院期间整份病历的重要内容,是医院医疗质量和管理质量的集中体现,是疾病分类和医疗统计工作的重要依据。其中,主要诊断是病案首页中的主要内容之一,具体包括临床填写的主要诊断和专业编码员填写的主要诊断编码,其中,临床书写和编码规范存在很大差异。病案首页主要诊断的填写先由临床工作人员按照临床要求完成,再由编码员结合主要诊断编码规范对填写结果进行审核和必要的修正来获得主要诊断编码。主要诊断编码将直接影响着疾病分类、医保结算和医院绩效考核,因此保证病案首页主要诊断的填写质量至关重要。
目前,病案首页主要诊断填写的准确率有待进一步提升,尤其是主要诊断编码,由于编码规则复杂,这就要求编码员经验丰富,但目前专业编码员存在很大缺口。此外,人工编码耗时长、易出错,且主观判断获得的主要诊断的规范性有待统一。
发明内容
本发明的目的在于提供一种病案首页主要诊断预测系统及方法,能够实现基于住院病人的住院病历资料完成病案首页主要诊断的自动生成,避免人工主观理解和专业水平差异导致的填写问题,有效提高病案首页主要诊断填写的准确性和一致性。
为实现上述发明目的,本发明提供了一种病案首页主要诊断预测系统,包括数据组织模块、人群分组模块、模型生成模块、结果计算引擎模块,其中,
数据组织模块,用于从数据库中提取病人关联的临床数据,对病人关联的临床数据进行数据清洗与特征构建,获得病人关联的特征,存入建模样本库;
人群分组模块,用于根据病人关联的特征对病人进行第一轮分组,获得病人关联第一轮分组标识;
模型生成模块,用于针对每个第一轮分组内的病人根据其关联的特征完成对应的主要诊断预测模型训练与生成;
结果计算引擎模块,用于接收主要诊断预测请求,依据请求携带的新增病人标识,依次通过数据组织模块和人群分组模块,获得新增病人关联第一轮分组标识;调用该第一轮分组标识对应的主要诊断预测模型,获得该新增病人的主要诊断预测结果。
为实现上述发明目的,本发明还提供了一种应用于上述的病案首页主要诊断预测系统的病案首页主要诊断预测方法,该方法包括:
所述系统从数据库中提取病人关联的临床数据,对病人关联的临床数据进行数据清洗与特征构建,获得病人关联的特征,存入建模样本库;
所述系统根据病人关联的特征对病人进行第一轮分组,获得病人关联第一轮分组标识;
所述系统针对每个第一轮分组分别生成对应的病案首页主要诊断预测模型;
所述系统接收主要诊断预测请求,依据请求携带的新增病人标识,依次通过数据组织模块和人群分组模块,获得新增病人关联第一轮分组标识;调用该第一轮分组标识对应的主要诊断预测模型,获得该新增病人的主要诊断预测结果。
综上所述,本发明提出的病案首页主要诊断预测系统及方法,所述系统从数据库中提取病人关联的临床数据,对病人关联的临床数据进行数据清洗与特征构建,获得病人关联的特征,存入建模样本库;然后根据病人关联的特征对病人进行第一轮分组,获得病人关联第一轮分组标识;针对每个第一轮分组分别生成对应的病案首页主要诊断预测模型;当所述系统接收到主要诊断预测请求时,依据请求携带的新增病人标识,依次通过数据组织模块和人群分组模块,获得新增病人关联第一轮分组标识,然后调用该第一轮分组标识对应的主要诊断预测模型,获得该新增病人的主要诊断预测结果。这样,本发明实施例就实现了病案首页主要诊断的自动生成;同时由于本发明实施例生成的主要诊断预测模型在预设的更新范围内是稳定的,同一时间对于关联数据相同的病人而言预测结果具有稳定性和一致性。因此,本发明实施例就有效提高了病案首页主要诊断填写的准确性和一致性。
附图说明
图1为本发明实施例提出的一种病案首页主要诊断预测系统结构示意图。
图2为本发明实施例主要诊断提示模块结构示意图。
图3为本发明实施例动态监测与评价模块结构示意图。
图4为本发明实施例动态更新与迭代模块与系统其他模块形成闭环的结构示意图。
图5为本发明实施例提出的一种病案首页主要诊断预测方法流程示意图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚明白,以下参照附图并举实施例,对本发明所述方案作进一步地详细说明。
本发明实施例为了对病人的病案首页主要诊断进行准确预测,提供病案首页主要诊断预测系统,所述系统从数据库中提取病人关联的临床数据,对病人关联的临床数据进行数据清洗与特征构建,获得病人关联的特征,存入建模样本库;然后根据病人关联的特征对病人进行第一轮分组,获得病人关联第一轮分组标识;针对每个第一轮分组分别生成对应的病案首页主要诊断预测模型;当所述系统接收到主要诊断预测请求时,依据请求携带的新增病人标识,依次通过数据组织模块和人群分组模块,获得新增病人关联第一轮分组标识,然后调用该第一轮分组标识对应的主要诊断预测模型,获得该新增病人的主要诊断预测结果。这样,本发明实施例就实现了病案首页主要诊断的自动生成;同时由于本发明实施例生成的主要诊断预测模型在预设的更新范围内是稳定的,同一时间对于关联数据相同的病人而言预测结果具有稳定性和一致性。因此,本发明实施例就有效提高了病案首页主要诊断填写的准确性和一致性。
实施例一
本发明病案首页主要诊断,包括临床填写的病案首页主要诊断和编码员编码的病案首页主要诊断,也就是说,本发明的病案首页主要诊断预测系统不仅可以预测临床填写的病案首页主要诊断,也可以预测编码员编码的病案首页主要诊断。
图1为本发明实施例提供的病案首页主要诊断预测系统结构示意图,包括数据组织模块、人群分组模块、模型生成模块及结果计算引擎模块,其中,
数据组织模块101,用于从数据库中提取病人关联的临床数据,对病人关联的临床数据进行数据清洗与特征构建,获得病人关联的特征,存入建模样本库;
人群分组模块102,用于根据病人关联的特征对病人进行第一轮分组,获得病人关联第一轮分组标识;
模型生成模块103,用于针对每个第一轮分组内的病人根据其关联的特征完成对应的主要诊断预测模型训练与生成;
结果计算引擎模块104,用于接收主要诊断预测请求,依据请求携带的新增病人标识,依次通过数据组织模块和人群分组模块,获得新增病人关联第一轮分组标识;调用该第一轮分组标识对应的主要诊断预测模型,获得该新增病人的主要诊断预测结果。
在该系统中,所述数据组织模块101从数据库中提取病人关联的临床数据,对病人关联的临床数据进行数据清洗与特征构建,获得病人关联的特征,存入建模样本库。以医院历史诊疗数据为基础抽取历史住院病人关联的原始临床数据,包括但不限于:诊断信息、内外科手术操作信息、检查报告结果等,对每个病人关联的临床数据进行数据清洗和特征构建后获得病人关联的特征,将每个病人关联的特征作为一个样本数据存储,形成建模样本库。
在该系统中,所述人群分组模块102根据病人关联的特征对病人进行第一轮分组,获得病人关联第一轮分组标识。其中,第一轮分组可以依据病人住院特点进行分组,包括但不限于入出院病房、手术操作名称及次数。如此,同一分组内的样本数据差异小,针对每个第一轮分组内的样本关联的特征进行训练,生成的相应模型得到的效果会更好。例如,同一分组可以是同一个病房,也可以是同一疾病类型。再例如,依据住院治疗的复杂程度将病人划分为6个一级分类,包括:单次外科手术病例、多次外科手术病例、单次介入治疗病例、多次介入治疗病例、内外混合手术病例、无操作病例。进一步地,每个一级分类下按照内外科治疗类型和治疗对应的病种进行二级划分,如单台外科手术可划分为心外科、骨外科等。如此,通过一级和二级划分,可以将数据库中的病人划分为更多更细致的组。具体地,人群分组模块可以是根据规则或聚类等方法生成的人群分组器,为建模样本库中所有病人自动生成第一轮分组标识。
在该系统中,所述模型生成模块103,对于每个第一轮分组,具体包括三个预测单元,分别为:第二轮分组单元、第一亚组主要诊断预测单元、第二亚组主要诊断预测单元。考虑到主要诊断预测模型为多分类问题,实际数据中不同的主要诊断条目频数不同、不平衡现象严重,直接基于组内全部样本进行训练容易导致频数小的主要诊断条目的预测效果差。
所述模型生成模块103,针对每个第一轮分组分别生成对应的病案首页主要诊断预测模型,具体用于:
第一,所述第二轮分组单元,将建模样本库中属于该第一轮分组下的病人根据主要诊断条目的频数进行第二轮分组,划分为第一亚组和第二亚组,并获得每个病人关联第二轮分组标识。亚组划分的目标在于使得属于第一亚组的样本对应的主要诊断均为高频诊断,属于第二亚组的样本对应的主要诊断均为低频诊断。本发明实施例中,每个病人获得关联的第二轮分组标识的方式为:将属于该第一轮分组的建模样本库中的所有病人的主要诊断进行汇总,获得主要诊断的频数统计,频数大于等于设定阈值的主要诊断条目为高频诊断组,频数小于设定阈值的主要诊断条目为低频诊断组,若病人的主要诊断属于高频诊断组,则将该病人纳入第一亚组,若病人的主要诊断属于低频诊断组,则将该病人纳入第二亚组。
第二,所述第二轮分组单元,还用于基于该第一轮分组下每个病人关联的特征和第二轮分组标识进行训练,获得第二轮分组算法。第二轮分组算法的生成方式包括但不限于有监督算法、无监督算法。本发明实施例中,基于有监督方式获得第二轮分组算法,具体地,为通过该第一轮分组下的建模样本库中的病人所关联的特征和第二轮分组标识,基于规则发现算法生成第二轮分组算法。
第三,针对两个亚组,分别基于属于该亚组的病人关联的特征进行训练,获得该亚组对应的主要诊断预测模型,即所述的第一亚组主要诊断预测单元和第二亚组主要诊断预测单元。所述第一亚组主要诊断预测单元,基于属于第一亚组的病人关联的特征进行训练,获得该第一亚组对应的主要诊断预测模型;所述第二亚组主要诊断预测单元,基于属于第二亚组的病人关联的特征进行训练,获得该第二亚组对应的主要诊断预测模型。其中,第一亚组主要诊断预测单元,基于机器学习算法生成,包括但不限于XGBoost算法、神经网络算法;第二亚组主要诊断预测单元,基于规则知识生成,包括但不限于专家知识库、知识图谱。本发明实施例中,对于第一亚组主要诊断预测单元,采用XGBoost算法生成预测模型,通过交叉验证和网格调参获得最优模型参数;对于第二亚组主要诊断预测单元,基于病人关联的特征和知识发现算法生成结构化知识表,经高级编码员确认后生成知识图谱,并构建知识图谱推理算法实现主要诊断预测。
上述这一算法构建方法可有效避免同一分组下主要诊断不均衡、频数过小对于多分类器性能的影响。
在该系统中,结果计算引擎模块104,对每个病案首页主要诊断预测请求,将请求携带的新增病人标识代入数据组织模块,获得新增病人关联的特征;将新增病人关联的特征代入人群分组模块,获得该新增病人的第一轮分组标识;基于该新增病人的第一轮分组标识,获取对应的第二轮分组单元,将该新增病人关联的特征代入第二轮分组单元,获得第二轮分组标识;基于新增病人的第二轮分组标识,调用对应的亚组主要诊断预测单元,获得主要诊断预测结果。
实施例二
本发明实施例在病案首页主要诊断预测的基础上,进一步增加了病案首页主要诊断填写辅助方案。系统可以自动检测人工填写病案首页主要诊断中可能的错误,及时给出提示,辅助进一步的核对与必要的修正,使得整个主要诊断编码结果更具准确率和一致性。
所述系统进一步包括主要诊断提示模块,结构示意图如图2所示,所述主要诊断提示模块具体包括:
提示判断单元,用于将病案首页主要诊断人工选择的结果和系统计算的结果进行比较,依据设定的提示规则,输出提示状态标识,其中提示状态标识包括但不限于是、否。人工选择的病案首页主要诊断结果是基于主观得到的预测结果;系统计算的病案首页主要诊断预测结果,即结果计算引擎模块输出的预测结果,是基于智能化算法自动得到的预测结果。提示规则是可以结合病种以及实际应用中的提示目的进行确定的。本发明实施例选择最通用的提示规则,对比人工选择的主要诊断与系统计算的主要诊断是否完全相等,如果相等,则认为正确,不进行提示,提示状态标识=0;如果不相等,则提示状态标识=1。
提示呈现单元,用于基于提示状态标识,按照预先设定的方式完成提示内容的呈现,其中提示呈现方式包括但不限于将主要诊断预测结果自动嵌入病案首页、悬浮提示、弹窗提示,提示面向的用户包括但不限于临床工作人员、编码员。本发明实施例采用的是阻断式弹窗提示的方式,提示面向的用户为编码员,进一步地,用户可对呈现的提示内容给出反馈,比如选择采纳或拒绝、选择一键插入预测结果等。
所述系统进一步包括动态监测与评价模块,结构示意图如图3所示,所述动态监测与评价模块具体包括:
监测数据动态抽取单元,用于实时抽取系统应用期间产生的数据,生成监测数据表,并实时动态更新。其中,系统应用期间产生的数据包括但不限于:预测结果、提示量、采纳量等。
评价指标动态计算单元,用于基于所述监测数据表,根据预先定义的评价指标计算规则,实时计算评价指标,形成评价指标存储表;其中,评价指标从多个维度对系统应用情况和应用效果进行评价,包括但不限于准确性、实用性、稳定性、易用性、扩展性;比如衡量准确性的评价指标有采纳率、衡量实用性的评价指标有提示率等。
可视化监测和预警单元,用于基于所述评价指标存储表,完成评价指标的可视化呈现和动态更新,并基于各个评价指标预设的监控阈值进行预警。
所述系统进一步包括动态更新与迭代模块,用于监听系统的性能和状态,当触发预设的更新条件时,基于系统更新迭代策略完成系统的更新;所述更新条件包括但不限于评价指标达到监控阈值、触发预警,或者系统使用时长达到更新周期。其中,评价指标触发预警包括但不限于提示误报率大幅增长、提示采纳率大幅下降等;系统的更新包括对系统各个模块必要的优化、更新、迭代,具体包括数据组织模块、人群分组模块、模型生成模块、结果计算引擎模块、主要诊断提示模块和动态监测与评价模块,比如对于系统使用时长达到更新周期的情况,首先需要更新数据组织模块,完成样本扩充与建模数据库更新,其次完成后续系统模块的更新迭代。图4为本发明实施例动态更新与迭代模块与系统其他模块形成闭环的结构示意图。
本发明实施例在病案首页主要诊断预测的基础上,进一步增加了病案首页主要诊断填写辅助方案,可以在人工进行病案首页主要诊断填写时自动给予智能辅助。具体实施流程为:在新的病人办理出院后,自动触发系统以离线计算的方式通过结果计算引擎模块依次完成数据组织模块、人群分组模块和对应的病案首页主要诊断预测模型调用,得到病案首页主要诊断预测结果,并完成相应的后台数据存储;在编码员进行该病人的病案首页编目时自动触发请求完成主要诊断提示模块,获得提示状态标识并完成必要的提示呈现,编码员收到提示后可进一步确认并作出必要的修改,也可将提示的主要诊断一键插入病案首页相应位置;在系统应用过程中,后台不断自动采集数据完成动态监测和评价,并实时监听更新请求。
实施例三
图5为本发明实施例提供的病案首页主要诊断预测方法流程图,其具体步骤为:
步骤51、所述系统从数据库中提取病人关联的临床数据,对病人关联的临床数据进行数据清洗与特征构建,获得病人关联的特征,存入建模样本库;
步骤52、所述系统根据病人关联的特征对病人进行第一轮分组,获得病人关联第一轮分组标识;
步骤53、所述系统针对每个第一轮分组分别生成对应的病案首页主要诊断预测模型;
步骤54、所述系统接收主要诊断预测请求,依据请求携带的新增病人标识,依次通过数据组织模块和人群分组模块,获得新增病人关联第一轮分组标识;调用该第一轮分组标识对应的主要诊断预测模型,获得该新增病人的主要诊断预测结果。
在该方法中,针对每个第一轮分组分别生成对应的病案首页主要诊断预测模型的过程包括:
将建模样本库中属于该第一轮分组下的病人根据主要诊断条目的频数进行第二轮分组,划分为第一亚组和第二亚组,并获得每个病人关联第二轮分组标识;基于该第一轮分组下每个病人关联的特征和第二轮分组标识进行训练,获得第二轮分组算法;
针对两个亚组,分别基于属于该亚组的病人关联的特征进行训练,获得该亚组对应的主要诊断预测模型。
在该方法中,对每个请求,获得主要诊断预测结果具体包括:
将请求携带的新增病人标识代入数据组织模块,获得新增病人关联的特征;
将新增病人关联的特征代入人群分组模块,获得该新增病人的第一轮分组标识;
基于该新增病人的第一轮分组标识,获取对应的第二轮分组单元,将该新增病人关联的特征代入第二轮分组单元,获得第二轮分组标识;
基于新增病人的第二轮分组标识,调用对应的亚组主要诊断预测单元,获得主要诊断预测结果。
在该方法中,所述主要诊断提示包括:将病案首页主要诊断人工选择的结果和系统计算的结果进行比较,依据设定的提示规则,输出提示状态标识,提示状态标识包括但不限于是、否;基于提示状态标识,按照预先设定的方式完成提示内容的呈现,其中提示呈现方式包括但不限于将主要诊断预测结果自动嵌入病案首页、悬浮提示或弹窗提示,提示面向的用户包括但不限于临床工作人员、编码员。
在该方法中,所述动态监测与评价包括:抽取系统应用期间产生的数据,生成监测数据表,并实现实时动态更新;基于所述监测数据表,根据预先定义的评价指标计算规则,实时计算评价指标,形成评价指标存储表;其中,评价指标实现从多个维度对系统应用情况和应用效果进行评价,包括但不限于准确性、实用性、稳定性、易用性、扩展性;基于所述评价指标存储表,完成评价指标的可视化呈现和动态更新,并基于各个评价指标预设的监控阈值进行预警。
在该方法中,所述动态更新与迭代包括:监听系统的性能和状态,当触发预设的更新条件时,基于系统更新迭代策略完成系统的更新;所述更新条件包括但不限于评价指标达到监控阈值、触发预警,或者系统使用时长达到更新周期。
综上,可以看出,采用本发明实施例提供的病案首页主要诊断预测系统及方法,可以有效提高主要诊断的准确性和一致性。在实现病案首页主要诊断预测的基础上,进一步增加了病案首页主要诊断填写辅助方案。系统可以自动检测人工填写病案首页主要诊断中可能的错误,及时给出提示,辅助进一步的核对与必要的修正,使得整个主要诊断填写结果更具准确率和一致性。
以上所述,仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (11)
1.一种病案首页主要诊断预测系统,其特征在于,包括数据组织模块、人群分组模块、模型生成模块、结果计算引擎模块,其中,
数据组织模块,用于从数据库中提取病人关联的临床数据,对病人关联的临床数据进行数据清洗与特征构建,获得病人关联的特征,存入建模样本库;
人群分组模块,用于根据病人关联的特征对病人进行第一轮分组,获得病人关联第一轮分组标识;
模型生成模块,用于针对每个第一轮分组内的病人根据其关联的特征完成对应的主要诊断预测模型训练与生成;
结果计算引擎模块,用于接收主要诊断预测请求,依据请求携带的新增病人标识,依次通过数据组织模块和人群分组模块,获得新增病人关联第一轮分组标识;调用该第一轮分组标识对应的主要诊断预测模型,获得该新增病人的主要诊断预测结果。
2.如权利要求1所述的系统,其特征在于,所述数据组织模块,还用于所述关联为:诊断信息、内外科手术操作信息、检查报告结果的临床数据关联。
3.如权利要求1所述的系统,其特征在于,所述模型生成模块,对于每个第一轮分组,包括:第二轮分组单元、第一亚组主要诊断预测单元、第二亚组主要诊断预测单元;
所述第二轮分组单元,将建模样本库中属于该第一轮分组下的病人根据主要诊断条目的频数进行第二轮分组,划分为第一亚组和第二亚组,并获得每个病人关联第二轮分组标识;基于该第一轮分组下每个病人关联的特征和第二轮分组标识进行训练,获得第二轮分组算法;
所述第一亚组主要诊断预测单元,基于属于第一亚组的病人关联的特征进行训练,获得该第一亚组对应的主要诊断预测模型;
所述第二亚组主要诊断预测单元,基于属于第二亚组的病人关联的特征进行训练,获得该第二亚组对应的主要诊断预测模型;
其中,所述第二轮分组单元的第二轮分组算法,生成方式包括有监督算法、无监督算法;
所述第一亚组主要诊断预测单元,基于机器学习算法生成,包括XGBoost算法、神经网络算法;
所述第二亚组主要诊断预测单元,基于规则知识生成,包括专家知识库、知识图谱。
4.如权利要求3所述的系统,其特征在于,所述结果计算引擎模块,对每个请求,获得主要诊断预测结果具体用于:
将请求携带的新增病人标识代入数据组织模块,获得新增病人关联的特征;
将新增病人关联的特征代入人群分组模块,获得该新增病人的第一轮分组标识;
基于该新增病人的第一轮分组标识,获取对应的第二轮分组单元,将该新增病人关联的特征代入第二轮分组单元,获得第二轮分组标识;
基于新增病人的第二轮分组标识,调用对应的亚组主要诊断预测单元,获得主要诊断预测结果。
5.如权利要求1所述的系统,其特征在于,所述病案首页主要诊断,包括临床填写的病案首页主要诊断和编码员编码的病案首页主要诊断。
6.如权利要求1所述的系统,其特征在于,所述系统进一步包括主要诊断提示模块,所述主要诊断提示模块具体包括:提示判断单元、提示呈现单元;
提示判断单元,用于将病案首页主要诊断人工选择的结果和系统计算的结果进行比较,依据设定的提示规则,输出提示状态标识,提示状态标识包括但不限于是、否;
提示呈现单元,用于基于提示状态标识,按照预先设定的方式完成提示内容的呈现,其中提示呈现方式包括但不限于将主要诊断预测结果自动嵌入病案首页、悬浮提示或弹窗提示,提示面向的用户包括但不限于临床工作人员、编码员。
7.如权利要求1所述的系统,其特征在于,所述系统进一步包括动态监测与评价模块,所述动态监测与评价模块具体包括:
监测数据动态抽取单元,用于抽取系统应用期间产生的数据,生成监测数据表,并实现实时动态更新;
评价指标动态计算单元,用于基于所述监测数据表,根据预先定义的评价指标计算规则,实时计算评价指标,形成评价指标存储表;其中,评价指标实现从多个维度对系统应用情况和应用效果进行评价,包括但不限于准确性、实用性、稳定性、易用性、扩展性;
可视化监测和预警单元,用于基于所述评价指标存储表,完成评价指标的可视化呈现和动态更新,并基于各个评价指标预设的监控阈值进行预警。
8.如权利要求1所述的系统,其特征在于,所述系统进一步包括动态更新与迭代模块,用于监听系统的性能和状态,当触发预设的更新条件时,基于系统更新迭代策略完成系统的更新;
所述更新条件包括但不限于评价指标达到监控阈值、触发预警,或者系统使用时长达到更新周期。
9.一种应用于如权利要求1所述的病案首页主要诊断预测系统的病案首页主要诊断预测方法,该方法包括:
所述系统从数据库中提取病人关联的临床数据,对病人关联的临床数据进行数据清洗与特征构建,获得病人关联的特征,存入建模样本库;
所述系统根据病人关联的特征对病人进行第一轮分组,获得病人关联第一轮分组标识;
所述系统针对每个第一轮分组分别生成对应的病案首页主要诊断预测模型;
所述系统接收主要诊断预测请求,依据请求携带的新增病人标识,依次通过数据组织模块和人群分组模块,获得新增病人关联第一轮分组标识;调用该第一轮分组标识对应的主要诊断预测模型,获得该新增病人的主要诊断预测结果。
10.如权利要求9所述的方法,其特征在于,
针对每个第一轮分组分别生成对应的病案首页主要诊断预测模型的过程包括:
将建模样本库中属于该第一轮分组下的病人根据主要诊断条目的频数进行第二轮分组,划分为第一亚组和第二亚组,并获得每个病人关联第二轮分组标识;基于该第一轮分组下每个病人关联的特征和第二轮分组标识进行训练,获得第二轮分组算法;
针对两个亚组,分别基于属于该亚组的病人关联的特征进行训练,获得该亚组对应的主要诊断预测模型。
11.如权利要求10所述的方法,其特征在于,对每个请求,获得主要诊断预测结果具体包括:
将请求携带的新增病人标识代入数据组织模块,获得新增病人关联的特征;
将新增病人关联的特征代入人群分组模块,获得该新增病人的第一轮分组标识;
基于该新增病人的第一轮分组标识,获取对应的第二轮分组单元,将该新增病人关联的特征代入第二轮分组单元,获得第二轮分组标识;
基于新增病人的第二轮分组标识,调用对应的亚组主要诊断预测单元,获得主要诊断预测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111075983.1A CN113744870B (zh) | 2021-09-14 | 2021-09-14 | 一种病案首页主要诊断预测系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111075983.1A CN113744870B (zh) | 2021-09-14 | 2021-09-14 | 一种病案首页主要诊断预测系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113744870A true CN113744870A (zh) | 2021-12-03 |
CN113744870B CN113744870B (zh) | 2023-06-27 |
Family
ID=78738786
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111075983.1A Active CN113744870B (zh) | 2021-09-14 | 2021-09-14 | 一种病案首页主要诊断预测系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113744870B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106202955A (zh) * | 2016-07-19 | 2016-12-07 | 中电科软件信息服务有限公司 | 基于编码智能适配的诊断相关分组方法及系统 |
CN107680676A (zh) * | 2017-09-26 | 2018-02-09 | 电子科技大学 | 一种基于电子病历数据驱动的妊娠期糖尿病预测方法 |
US20190057774A1 (en) * | 2017-08-15 | 2019-02-21 | Computer Technology Associates, Inc. | Disease specific ontology-guided rule engine and machine learning for enhanced critical care decision support |
CN110660459A (zh) * | 2019-08-30 | 2020-01-07 | 腾讯科技(深圳)有限公司 | 用于病案质控的方法、装置、服务器以及存储介质 |
CN111026841A (zh) * | 2019-11-27 | 2020-04-17 | 云知声智能科技股份有限公司 | 一种基于检索和深度学习的自动编码方法及装置 |
-
2021
- 2021-09-14 CN CN202111075983.1A patent/CN113744870B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106202955A (zh) * | 2016-07-19 | 2016-12-07 | 中电科软件信息服务有限公司 | 基于编码智能适配的诊断相关分组方法及系统 |
US20190057774A1 (en) * | 2017-08-15 | 2019-02-21 | Computer Technology Associates, Inc. | Disease specific ontology-guided rule engine and machine learning for enhanced critical care decision support |
CN107680676A (zh) * | 2017-09-26 | 2018-02-09 | 电子科技大学 | 一种基于电子病历数据驱动的妊娠期糖尿病预测方法 |
CN110660459A (zh) * | 2019-08-30 | 2020-01-07 | 腾讯科技(深圳)有限公司 | 用于病案质控的方法、装置、服务器以及存储介质 |
CN111026841A (zh) * | 2019-11-27 | 2020-04-17 | 云知声智能科技股份有限公司 | 一种基于检索和深度学习的自动编码方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN113744870B (zh) | 2023-06-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20190065663A1 (en) | Progression analytics system | |
CN109002904B (zh) | 一种基于Prophet-ARMA的医院门诊就诊量预测方法 | |
CN109036553A (zh) | 一种基于自动抽取医疗专家知识的疾病预测方法 | |
US20120265549A1 (en) | System and Computer Readable Medium for Predicting Patient Outcomes | |
CN110051324B (zh) | 一种急性呼吸窘迫综合征死亡率预测方法及系统 | |
CN110175697B (zh) | 一种不良事件风险预测系统及方法 | |
AU2012245343A1 (en) | Predictive modeling | |
WO2021151327A1 (zh) | 分诊数据处理方法、装置、设备及介质 | |
CN110046757B (zh) | 基于LightGBM算法的门诊量预测系统及预测方法 | |
CN106580350A (zh) | 一种疲劳状况监测方法及装置 | |
CN110704583A (zh) | 一种病案分析方法、装置、服务器及存储介质 | |
CN112509694A (zh) | 一种表征、血液数据、医疗图像融合的多种疑似疾病综合识别方法 | |
CN113642672A (zh) | 医保数据的特征加工方法、装置、计算机设备及存储介质 | |
Vilas-Boas et al. | Hourly prediction of organ failure and outcome in intensive care based on data mining techniques | |
CN113744870A (zh) | 一种病案首页主要诊断预测系统及方法 | |
CN109411038A (zh) | 一种输血中血液信息采集比对系统及比对方法、储存介质 | |
CN115409380A (zh) | 医院医保绩效评价方法、装置、电子设备及其存储介质 | |
CN114927230A (zh) | 基于机器学习的重症心衰患者预后决策支持系统及方法 | |
Cattinelli et al. | Computational intelligence for the Balanced Scorecard: Studying performance trends of hemodialysis clinics | |
Chang et al. | A structural design of clinical decision support system for chronic diseases risk management | |
CN114550896A (zh) | 基于人工神经网络的头晕患者急诊预检分诊决策方法、装置及模型 | |
CN113948206A (zh) | 一种基于多层级框架的疾病分期模型融合方法 | |
CN113470819A (zh) | 基于随机森林的非平衡小样本压疮不良事件早期预测方法 | |
CN112349399A (zh) | 基于关联算法的手术缺漏自动检测方法 | |
CN118136270B (zh) | 一种基于数据分析慢病健康监测与预警系统与方法 |
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 |