CN114064880A - 门诊主诊断错误病历筛选方法和系统 - Google Patents

门诊主诊断错误病历筛选方法和系统 Download PDF

Info

Publication number
CN114064880A
CN114064880A CN202111361737.2A CN202111361737A CN114064880A CN 114064880 A CN114064880 A CN 114064880A CN 202111361737 A CN202111361737 A CN 202111361737A CN 114064880 A CN114064880 A CN 114064880A
Authority
CN
China
Prior art keywords
medical record
medical
main diagnosis
entity
weight 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.)
Pending
Application number
CN202111361737.2A
Other languages
English (en)
Inventor
杨冰晴
胡可云
陈联忠
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.)
Beijing Jiahesen Health Technology Co ltd
Original Assignee
Beijing Jiahesen Health Technology 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 Beijing Jiahesen Health Technology Co ltd filed Critical Beijing Jiahesen Health Technology Co ltd
Priority to CN202111361737.2A priority Critical patent/CN114064880A/zh
Publication of CN114064880A publication Critical patent/CN114064880A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06F16/33—Querying
    • G06F16/335—Filtering based on additional data, e.g. user or group profiles
    • 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
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Primary Health Care (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Animal Behavior & Ethology (AREA)
  • Pathology (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

本发明提供了一种门诊主诊断错误病历筛选方法和系统，包括：获取待筛选病历集合中每个病历中的所有实体；实体包括：症状、疾病和体征；基于每个病历的主诊断，计算每个病历下的每个实体的权重值；基于权重值，在待筛选病历集合中筛选出主诊断错误的第一病历集合；第一病历集合为每个实体的权重值均小于预设阈值的病历的集合。本发明缓解了现有技术中存在的对主诊断错误的病历的筛选准确度较低的技术问题。

Description

门诊主诊断错误病历筛选方法和系统
技术领域
本发明涉及病历筛选技术领域，尤其是涉及一种门诊主诊断错误病历筛选方法和系统。
背景技术
随着电子病历系统在医疗机构的迅速普及，大量医疗相关的重要信息以电子形式存储于医疗信息系统中。经过不断积累，各种形式的电子化医疗系统产生了体量庞大的医疗大数据。这些数据记录了临床医疗中的重要信息。例如，病人的主诉，现病史，检查检验和诊断等。近些年随着人工智能的发展，我们能够从电子病历中挖掘有效信息实现智能医疗的相关应用。其中最常见的应用包括根据病历内容推荐诊断和治疗方案，或者推荐出患者的主诊断和可挂号科室等。
然而医院内每天门诊的就诊数量较大，医生书写电子病历的工作量也很大。早期由于缺少病历内涵质控等原因，很多门诊病历诊断书写错误或不规范，且门诊诊断与住院病历的首页诊断不同，并没有经过病案课的编目，所以这些错误并没有被及时地更正。后期使用大数据治理门诊历史病历时只能根据医生当时填写的诊断顺序来标记诊断的序号，书写在第一位的即为本次就诊的主诊断。这样就会导致很多错误主诊断与门诊病历描述信息不符合的病历。目前基于患者的诊断与治疗方案推荐应用中，很多应用都是推荐的主诊断与主诊断的治疗方案。因此如果将这些主诊断错误的病历做为学习集将会影响到推荐的精准度。
现有技术中有基于聚类方法的错误标签筛选方法，然而因为历史电子病历数量庞大且患者的病情信息较为复杂，相似的患者主诊断很可能也会不一样，因此，聚类的精准度也会较低，进而导致了对主诊断错误的病历的筛选准确度也较低的技术问题。
发明内容
有鉴于此，本发明的目的在于提供一种门诊主诊断错误病历筛选方法和系统，以缓解现有技术中存在的对主诊断错误的病历的筛选准确度较低的技术问题。
第一方面，本发明实施例提供了一种门诊主诊断错误病历筛选方法，包括：获取待筛选病历集合中每个病历中的所有实体；所述实体包括：症状、疾病和体征；基于所述每个病历的主诊断，计算所述每个病历下的每个实体的权重值；基于所述权重值，在所述待筛选病历集合中筛选出主诊断错误的第一病历集合；所述第一病历集合为每个实体的权重值均小于预设阈值的病历的集合。
进一步地，获取待筛选病历集合中每个病历中的所有实体，包括：基于自然语言处理方法，从所述待筛选病历集合中每个病历的主诉信息和现病史信息中获取所述实体。
进一步地，基于所述每个病历的主诊断，计算所述每个病历下的每个实体的权重值，包括：通过如下算式计算所述权重值：IMPTNB＝log(p(xi＝1|yj＝1))-log(p(xi＝1|yj＝0))；IMPTNB为所述权重值，log(p(xi＝1|yj＝1))为出现主诊断yj条件下具有实体xi的对数概率值，log(p(xi＝1|yj＝0))为不出现主诊断yj条件下具有实体xi的对数概率值。
进一步地，在所述待筛选病历集合中筛选出主诊断错误的第一病历集合之后，所述方法还包括：基于预设相似度算法，从预设病历库中确定与目标病历的相似度超过预设相似度阈值的病历的集合，得到第二病历集合；所述目标病历为所述第一病历集合中的病历；判断所述目标病历的主诊断与所述第二病历集合中出现次数最多的主诊断是否一致；如果是，则确定所述目标病历为正常病历；如果否，则确定所述目标病历为门诊主诊断错误病历。
第二方面，本发明实施例还提供了一种门诊主诊断错误病历筛选系统，包括：获取模块，计算模块和筛选模块；其中，所述获取模块，用于获取待筛选病历集合中每个病历中的所有实体；所述实体包括：症状、疾病和体征；所述计算模块，用于基于所述每个病历的主诊断，计算所述每个病历下的每个实体的权重值；所述筛选模块，用于基于所述权重值，在所述待筛选病历集合中筛选出主诊断错误的第一病历集合；所述第一病历集合为每个实体的权重值均小于预设阈值的病历的集合。
进一步地，所述获取模块，还用于：基于自然语言处理方法，从所述待筛选病历集合中每个病历的主诉信息和现病史信息中获取所述实体。
进一步地，所述计算模块，还用于：通过如下算式计算所述权重值：IMPTNB＝log(p(xi＝1|yj＝1))-log(p(xi＝1|yj＝0))；IMPTNB为所述权重值，log(p(xi＝1|yj＝1))为出现主诊断yj条件下具有实体xi的对数概率值，log(p(xi＝1|yj＝0))为不出现主诊断yj条件下具有实体xi的对数概率值。
进一步地，所述系统还包括确定模块，用于：基于预设相似度算法，从预设病历库中确定与目标病历的相似度超过预设相似度阈值的病历的集合，得到第二病历集合；所述目标病历为所述第一病历集合中的病历；判断所述目标病历的主诊断与所述第二病历集合中出现次数最多的主诊断是否一致；如果是，则确定所述目标病历为正常病历；如果否，则确定所述目标病历为门诊主诊断错误病历。
第三方面，本发明实施例还提供了一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述第一方面所述的方法的步骤。
第四方面，本发明实施例还提供了一种具有处理器可执行的非易失的程序代码的计算机可读介质，所述程序代码使所述处理器执行上述第一方面所述方法。
本发明提供了一种门诊主诊断错误病历筛选方法和系统，首先获取待筛选病历集合中每个病历中的所有实体，然后基于每个病历的主诊断，计算每个病历下的每个实体的权重值，最后基于权重值，在待筛选病历集合中筛选出主诊断错误的第一病历集合；第一病历集合为每个实体的权重值均小于预设阈值的病历的集合。本发明通过利用主诊断下各个实体的权重值进行判断，使得错误病历的筛选更加精准，缓解了现有技术中存在的对主诊断错误的病历的筛选准确度较低的技术问题。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种门诊主诊断错误病历筛选方法的流程图；
图2为本发明实施例提供的另一种门诊主诊断错误病历筛选方法的流程图；
图3为本发明实施例提供的一种门诊主诊断错误病历筛选系统的示意图；
图4为本发明实施例提供的另一种门诊主诊断错误病历筛选系统的示意图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例一：
图1是根据本发明实施例提供的一种门诊主诊断错误病历筛选方法的流程图。如图1所示，该方法具体包括如下步骤：
步骤S102，获取待筛选病历集合中每个病历中的所有实体；实体包括：症状、疾病和体征。例如，疾病：冠心病，症状：胸痛、胸闷，体征：收缩压100。
在本发明实施例中个，所涉及病历均为电子病历。具体的，电子病历(EMR)也叫计算机化的病案系统或称基于计算机的病人记录。它是用电子设备(计算机、健康卡等)保存、管理、传输和重现的数字化的病人的医疗记录，取代手写纸张病历。
电子病历的内容包括纸张病历的所有信息，具体的，包括主诉信息、现病史信息和既往史信息等，以及每个电子病历均对应一个主诊断的标签。其中，门诊诊断医生等专业人员根据患者症状、病史及医疗检查结果等下的患者所患疾病的集合，主诊断是该疾病集合中导致患者本次住院就医主要原因的疾病。
可选地，基于自然语言处理(NLP，Natural Language Processing)方法，从待筛选病历集合中每个病历的主诉信息和现病史信息中获取实体。
步骤S104，基于每个病历的主诊断，计算每个病历下的每个实体的权重值。
具体的，通过如下算式计算权重值：
IMPTNB＝log(p(xi＝1|yj＝1))-log(p(xi＝1|yj＝0))
IMPTNB为权重值，log(p(xi＝1|yj＝1))为出现主诊断yj条件下具有实体xi的对数概率值，log(p(xi＝1|yj＝0))为不出现主诊断yj条件下具有实体xi的对数概率值。
在本发明实施例中，对于出现某主诊断条件下具有某个实体(例如症状、疾病和体征)的对数概率值，可以通过贝叶斯网络计算得到，也可以通过预设病历库的统计数据直接得到。
步骤S106，基于权重值，在待筛选病历集合中筛选出主诊断错误的第一病历集合；第一病历集合为每个实体的权重值均小于预设阈值的病历的集合。
具体的，对于待筛选病历集合中的每一个病历，判断各个实体的权重值是否均小于预设阈值，若各个实体的权重值均小于预设阈值，则认为该病历是主诊断错误的病历，并将该病历放入到第一病历集合中。
本发明实施例提供了一种门诊主诊断错误病历筛选方法，通过利用主诊断下各个实体的权重值进行判断，使得错误病历的筛选更加精准，缓解了现有技术中存在的对主诊断错误的病历的筛选准确度较低的技术问题。
可选地，在步骤S106之后，本发明实施例提供的方法还包括如下步骤：
步骤S108，基于预设相似度算法，从预设病历库中确定与目标病历的相似度超过预设相似度阈值的病历的集合，得到第二病历集合；目标病历为第一病历集合中的病历。
可选地，预设相似度阈值的设定方法为，首先设定一个基础值，然后再人工标注后的测试集上进行验证，根据筛选的准确度不断调整，直到筛选达到一个较高的准确度。
步骤S110，判断目标病历的主诊断与第二病历集合中出现次数最多的主诊断是否一致；如果是，则执行步骤S112；如果否，则执行步骤S114。
步骤S112，确定目标病历为正常病历。
步骤S114，确定目标病历为门诊主诊断错误病历。
在本发明实施例中，由于门诊电子病历描述上不规范或口语化等问题较多，因此，在利用NLP做实体识别时，可能存在实体未被正确识别的情况，进而导致步骤S106中筛选出的第一病历集合中可能存在正确的病历，因此，本发明实施例通过上述步骤S108-S114对第一病例集合中的病历做进一步筛选和判断，具体的，通过相似度算法，计算出第一病历集合中的每个病历，与预设病历库中相似度超过预设相似度阈值(例如90％)的第二病历集合，然后判断该病历的主诊断与第二病例集合中的大多数主诊断是否一致，如果一致，则认为该病例是主诊断正确病历；如果不一致，则最终确定该病历为主诊断错误病历。
由以上描述可知，本发明实施例提供了一种门诊主诊断错误病例筛选方法，通过将贝叶斯网络与相似度结合的方法，使得本发明实施例提供的方法能够达到更高的筛选准确率，能够为临床辅助主诊断与科室疾病推荐提供更好的数据清洗。进一步地，本发明实施例提供阀方法，能够在不限制主诊断种类的基础上实现对主诊断错误的门诊病历的筛选，且在临床验证上达到了99％以上的高准确率。
实施例二：
图2是根据本发明实施例提供动力另一种门诊主诊断错误病历筛选方法的流程图。如图2所示，该方法具体包括如下步骤：
步骤(一)首先根据自然语言(NLP)处理方法，将电子病历中的主诉、现病史中的各个实体(如症状、疾病和体征)识别出来。
步骤(二)通过以下公式计算每个主诊断下各个症状的权重值，得到各个诊断下所有相关实体的权重值字典。
IMPTNB＝log(p(xi＝1|yj＝1))-log(p(xi＝1|yj＝0))
其中log(p(xi＝1|yj＝1))表示出现某个诊断yj的条件下具有某症状xi的对数概率值，log(p(xi＝1|yj＝0))表示不出现某个诊断yj的条件下具有某症状xi的对数概率值。
步骤(三)将步骤(二)计算得到的权重分别赋值给各个病历的所有实体。
步骤(四)设定阈值，依次比较一个病历中每个实体权重值是否均小于阈值。
步骤(五)将所有病历按照步骤(四)计算，得出所有主诊断可能错误的病历集合。
步骤(六)针对步骤(五)筛选出的主诊断可能错误的病历集合，从中挑选出一个病历，再根据相似度算法，计算出该病历与历史数据库中相似度超过90％的病历集。如该病历的主诊断与其大相似病历的大多数主诊断也不一致，则认为该疾病即为主诊断错误的病历。
步骤(七)循环步骤(六)，从而得到最终筛选出的主诊断错误的病历集合。
实施例三：
图3是根据本发明实施例提供的一种门诊主诊断错误病历筛选系统的示意图。如图3所示，该系统包括：获取模块10，计算模块20和筛选模块30。
具体的，获取模块10，用于获取待筛选病历集合中每个病历中的所有实体；实体包括：症状、疾病和体征。
计算模块20，用于基于每个病历的主诊断，计算每个病历下的每个实体的权重值。
筛选模块30，用于基于权重值，在待筛选病历集合中筛选出主诊断错误的第一病历集合；第一病历集合为每个实体的权重值均小于预设阈值的病历的集合。
本发明实施例提供了一种门诊主诊断错误病历筛选系统，通过利用主诊断下各个实体的权重值进行判断，使得错误病历的筛选更加精准，缓解了现有技术中存在的对主诊断错误的病历的筛选准确度较低的技术问题。
可选地，获取模块10，还用于：基于自然语言处理方法，从待筛选病历集合中每个病历的主诉信息和现病史信息中获取实体。
可选地，计算模块20，还用于：
通过如下算式计算权重值：
IMPTNB＝log(p(xi＝1|yj＝1))-log(p(xi＝1|yj＝0))
IMPTNB为权重值，log(p(xi＝1|yj＝1))为出现主诊断yj条件下具有实体xi的对数概率值，log(p(xi＝1|yj＝0))为不出现主诊断yj条件下具有实体xi的对数概率值。
图4是根据本发明实施例提供的另一种门诊主诊断错误病例筛选系统的示意图。如图4所示，该系统还包括确定模块40，用于：
基于预设相似度算法，从预设病历库中确定与目标病历的相似度超过预设相似度阈值的病历的集合，得到第二病历集合；目标病历为第一病历集合中的病历；
判断目标病历的主诊断与第二病历集合中出现次数最多的主诊断是否一致；
如果是，则确定目标病历为正常病历；
如果否，则确定目标病历为门诊主诊断错误病历。
本发明实施例还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述实施例一和实施例二中方法的步骤。
本发明实施例还提供了一种具有处理器可执行的非易失的程序代码的计算机可读介质，程序代码使处理器执行上述实施例一和实施例二中的方法。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (10)

1.一种门诊主诊断错误病历筛选方法，其特征在于，包括：
获取待筛选病历集合中每个病历中的所有实体；所述实体包括：症状、疾病和体征；
基于所述每个病历的主诊断，计算所述每个病历下的每个实体的权重值；
基于所述权重值，在所述待筛选病历集合中筛选出主诊断错误的第一病历集合；所述第一病历集合为每个实体的权重值均小于预设阈值的病历的集合。
2.根据权利要求1所述的方法，其特征在于，获取待筛选病历集合中每个病历中的所有实体，包括：
基于自然语言处理方法，从所述待筛选病历集合中每个病历的主诉信息和现病史信息中获取所述实体。
3.根据权利要求1所述的方法，其特征在于，基于所述每个病历的主诊断，计算所述每个病历下的每个实体的权重值，包括：
通过如下算式计算所述权重值：
IMPTNB＝log(p(xi＝1|yj＝1))-log(p(xi＝1|yj＝0))
IMPTNB为所述权重值，log(p(xi＝1|yj＝1))为出现主诊断yj条件下具有实体xi的对数概率值，log(p(xi＝1|yj＝0))为不出现主诊断yj条件下具有实体xi的对数概率值。
4.根据权利要求1所述的方法，其特征在于，在所述待筛选病历集合中筛选出主诊断错误的第一病历集合之后，所述方法还包括：
基于预设相似度算法，从预设病历库中确定与目标病历的相似度超过预设相似度阈值的病历的集合，得到第二病历集合；所述目标病历为所述第一病历集合中的病历；
判断所述目标病历的主诊断与所述第二病历集合中出现次数最多的主诊断是否一致；
如果是，则确定所述目标病历为正常病历；
如果否，则确定所述目标病历为门诊主诊断错误病历。
5.一种门诊主诊断错误病历筛选系统，其特征在于，包括：获取模块，计算模块和筛选模块；其中，
所述获取模块，用于获取待筛选病历集合中每个病历中的所有实体；所述实体包括：症状、疾病和体征；
所述计算模块，用于基于所述每个病历的主诊断，计算所述每个病历下的每个实体的权重值；
所述筛选模块，用于基于所述权重值，在所述待筛选病历集合中筛选出主诊断错误的第一病历集合；所述第一病历集合为每个实体的权重值均小于预设阈值的病历的集合。
6.根据权利要求5所述的系统，其特征在于，所述获取模块，还用于：
基于自然语言处理方法，从所述待筛选病历集合中每个病历的主诉信息和现病史信息中获取所述实体。
7.根据权利要求5所述的系统，其特征在于，所述计算模块，还用于：
通过如下算式计算所述权重值：
IMPTNB＝log(p(xi＝1|yj＝1))-log(p(xi＝1|yj＝0))
IMPTNB为所述权重值，log(p(xi＝1|yj＝1))为出现主诊断yj条件下具有实体xi的对数概率值，log(p(xi＝1|yj＝0))为不出现主诊断yj条件下具有实体xi的对数概率值。
8.根据权利要求5所述的系统，其特征在于，所述系统还包括确定模块，用于：
基于预设相似度算法，从预设病历库中确定与目标病历的相似度超过预设相似度阈值的病历的集合，得到第二病历集合；所述目标病历为所述第一病历集合中的病历；
判断所述目标病历的主诊断与所述第二病历集合中出现次数最多的主诊断是否一致；
如果是，则确定所述目标病历为正常病历；
如果否，则确定所述目标病历为门诊主诊断错误病历。
9.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现上述权利要求1至4任一项所述的方法的步骤。
10.一种具有处理器可执行的非易失的程序代码的计算机可读介质，其特征在于，所述程序代码使所述处理器执行所述权利要求1-4任一项所述方法。
CN202111361737.2A 2021-11-17 2021-11-17 门诊主诊断错误病历筛选方法和系统 Pending CN114064880A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111361737.2A CN114064880A (zh) 2021-11-17 2021-11-17 门诊主诊断错误病历筛选方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111361737.2A CN114064880A (zh) 2021-11-17 2021-11-17 门诊主诊断错误病历筛选方法和系统

Publications (1)

Publication Number Publication Date
CN114064880A true CN114064880A (zh) 2022-02-18

Family

ID=80273144

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111361737.2A Pending CN114064880A (zh) 2021-11-17 2021-11-17 门诊主诊断错误病历筛选方法和系统

Country Status (1)

Country Link
CN (1) CN114064880A (zh)

Similar Documents

Publication Publication Date Title
US11669791B2 (en) Accession number correction system and methods for use therewith
US11763933B2 (en) Medical report labeling system and method for use therewith
KR102237449B1 (ko) 환자 진단 학습 방법, 서버 및 프로그램
US20210174968A1 (en) Visualization of Social Determinants of Health
CN112635053A (zh) 基于大数据的居民健康预警方法、装置、设备和系统
CN107145715A (zh) 一种基于推举算法的临床医学智能判别装置
CN112447270A (zh) 一种用药推荐方法、装置、设备及存储介质
CN112908452A (zh) 事件数据建模
CN116543917A (zh) 一种针对异构时间序列数据的信息挖掘方法
CN114064880A (zh) 门诊主诊断错误病历筛选方法和系统
CN115762769A (zh) 一种ercp术后风险智能预警系统
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
Berdaly et al. Comparative machine-learning approach: study for heart diseases
CN114649071A (zh) 一种基于真实世界数据的消化性溃疡治疗方案的预测系统
CN103354929A (zh) 用于区分和分析记录的临床数据的系统
CN114943314B (zh) 基于icd诊断码的对象划分方法、存储介质及电子病历系统
KR102536982B1 (ko) 문진표를 이용한 인공지능 기반의 질병 예측 방법 및 장치
US20220384042A1 (en) Deep Learning System for Diagnosis of Chest Conditions from Chest Radiograph
Gebremariam Stroke Risk Prediction using Machine Learning
DE102022201630A1 (de) Verfahren und System zu einer Bereitstellung einer Information über einen Gesundheitszustand eines Patienten
CN115545955A (zh) 医疗档案数据中异常数据的检测方法、装置和电子设备
CN116825311A (zh) 一种基于drg/dip的医院管控运营方法及系统
CN117995409A (zh) 一种患者用药风险评价方法、系统、终端及介质
Braun et al. Predicting the Mortality Risk in Patients with Coronavirus using Artificial Intelligence

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