CN114188036A - 一种手术方案评估方法、装置、系统及存储介质 - Google Patents
一种手术方案评估方法、装置、系统及存储介质 Download PDFInfo
- Publication number
- CN114188036A CN114188036A CN202111521639.0A CN202111521639A CN114188036A CN 114188036 A CN114188036 A CN 114188036A CN 202111521639 A CN202111521639 A CN 202111521639A CN 114188036 A CN114188036 A CN 114188036A
- Authority
- CN
- China
- Prior art keywords
- input data
- data set
- model input
- surgical plan
- graph
- 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
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
- G16H70/00—ICT specially adapted for the handling or processing of medical references
- G16H70/20—ICT specially adapted for the handling or processing of medical references relating to practices or guidelines
-
- 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
- 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
- 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
- G06F40/284—Lexical analysis, e.g. tokenisation or collocates
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Bioethics (AREA)
- Artificial Intelligence (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明公开了一种手术方案评估方法、装置、系统及存储介质,手术方案评估方法包括:获取病历信息,基于病历信息通过第一知识图谱确定手术备选方案数据集;获取医护信息,基于医护信息、手术备选方案数据集以及病历信息确定模型输入数据集,其中,模型输入数据集的一个模型输入数据中包含有一个手术备选方案;将模型输入数据集中的每个模型输入数据或模型输入数据集作为输入,通过模型对每个模型输入数据包含的手术备选方案进行分类,基于分类结果确定最佳手术方案。本发明提出手术方案评估方法中,通过知识图谱确定手术备选方案,利用模型判断手术备选方案是否为最佳手术方案,最终确定的最佳手术方案的可靠性高。
Description
技术领域
本发明实施例涉及人工智能技术,尤其涉及一种手术方案评估方法、装置、系统及存储介质。
背景技术
手术是个复杂的医疗手段,由于病人千差万别,因此需要从众多的手术方案选取与病人适配的手术方案。
目前,手术方案多由人工进行评估,在确定一些疑难手术方案时,可能需要多科室,多名医生一起确定手术方案,这就耗费了大量的本就稀缺的医疗资源。同时,人工评估存在很大的局限性,原因在于:病人千差万别,即使同样的手术需求,不同医生或不同病人,不同区域的手术方案都会有或多或少的差别,人工评估时难以实现全方位的考虑;人工评估时往往倾向于选择有经验的医生,存在一定的偏见性。
基于上述问题,市场亟需一套自动化的手术方案评估方法及系统来代替医生实现手术的可行性分析。
发明内容
本发明提供一种手术方案评估方法、装置、系统及存储介质,以达到自动化实现手术方案评估的目的。
第一方面,本发明实施例提供了一种手术方案评估方法,包括:
获取病历信息,基于所述病历信息通过第一知识图谱确定手术备选方案数据集;
获取医护信息,基于所述医护信息、所述手术备选方案数据集以及所述病历信息确定模型输入数据集,其中,所述模型输入数据集的一个模型输入数据中包含有一个手术备选方案;
将所述模型输入数据集中的每个模型输入数据或所述模型输入数据集作为输入,通过模型对每个所述模型输入数据包含的手术备选方案进行分类,基于分类结果确定最佳手术方案。
可选的,所述模型为图注意力模型;
所述模型输入数据集包括指定数量的节点,每个所述节点包含指定数量的特性。
可选的,获取病历信息,基于所述病历信息通过第一知识图谱确定手术备选方案数据集包括:
对病历信息进行信息抽取,得到第一实体关键词以及第一关系关键词,根据所述第一实体关键词和所述第一关系关键词构建第一图形数据结构;
将所述第一图形数据结构与所述第一知识图谱进行匹配,根据匹配结果确定所述手术备选方案数据集。
可选的,还包括:
对所述医护信息、所述手术备选方案数据集以及所述病历信息进行数据抽取,得到第二实体关键词以及第二关系关键词;
根据所述第二实体关键词和所述第二关系关键词构建第二图形数据结构;
将所述第二图形数据结构与第二知识图谱进行匹配,根据匹配结果确定突发情况数据集。
可选的,还包括:
根据所述最佳手术方案以及与所述最佳手术方案对应的所述模型输入数据更新所述第一知识图谱。
可选的,还包括:
根据所述最佳手术方案、与所述最佳手术方案对应的所述模型输入数据以及突发情况更新所述第二知识图谱。
可选的,所述模型输入数据为词向量或词矩阵。
第二方面,本发明实施例还提供了一种手术方案评估装置,包括手术方案评估单元,所述手术方案评估单元用于:
获取病历信息,基于所述病历信息通过第一知识图谱确定手术备选方案数据集;
获取医护信息,基于所述医护信息、所述手术备选方案数据集以及所述病历信息确定模型输入数据集;
分别将所述模型输入数据集中的每个模型输入数据作为输入,通过模型对每个所述模型输入数据进行分类,基于分类结果确定最佳手术方案。
第三方面,本发明实施例还提供了一种手术方案评估系统,包括终端,所述终端配置有可执行程序,所述可执行程序运行时实现本发明实施例记载的手术方案评估方法。
第四方面,本发明实施例还提供了一种存储介质,其上存储有可执行程序,所述可执行程序运行时实现本发明实施例记载的手术方案评估方法。
与现有技术相比,本发明的有益效果在于:
1.本发明提出的手术方案评估方法中,对病历信息进行信息抽取,利用抽取的信息生成三元组,利用三元组和第一知识图谱确定手术备选方案,基于知识图谱可以最大程度的、尽可能多的确定可行的手术备选方案,可以避免出现人工确定手术备选方案时,由于考虑因素不全或受经验限值而导致手术备选方案存在局限性的问题。
2.本发明提出的手术方案评估方法中,在确定手术备选方案后,基于手术备选方案生成模型输入数据,利用模型判断模型输入数据中包含的手术备选方案是否为最佳手术方案,最终确定的最佳手术方案的可靠性高。
附图说明
图1是实施例中的手术方案评估方法流程图;
图2是实施例中的另一种手术方案评估方法流程图;
图3是实施例中的手术方案评估装置结构示意图;
图4是实施例中的另一种手术方案评估装置结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1是实施例中的手术方案评估方法流程图,参考图1,手术方案评估方法包括:
S101.获取病历信息,基于病历信息通过第一知识图谱确定手术备选方案数据集。
示例性的,本实施例中,病历信息可以包含病人的姓名、性别、病史、诊断结果等文字信息,也可以包含造影等图像信息。
示例性的,病历信息中包含的不同信息可以集中存储在一个电子系统中,或者分布式的存储在不同的电子系统中。
获取病历信息时,若上述不同信息集中存储在一个电子系统中,则直接从该电子系统中调取病历信息;若上述不同信息分布式的存储在不同的电子系统中,则通过全部相关的电子系统收集所需的信息,将收集到的信息进行整合形成病历信息。
示例性的,知识图谱指将不同种类的异构信息(Heterogeneous Information)连接在一起而形成的关系网络。知识图谱的本质是一种基于图的数据结构,该数据结构主要由节点和边组成,在知识图谱中,每个节点表示可独立存在的实体(或事物),每条边为实体与实体之间的关系。
示例性的,本实施例中,对知识图谱的存储形式不做限定,知识图谱可以基于RDF存储格式进行存储、以图数据库的形式进行存储、以关系型数据库的形式进行存储等。
示例性的,本实施例中,第一知识图谱包含的节点包括:手术备选方案、可以从病历信息中提取的部分或全部节点。
示例性的,本实施例中,基于病历信息通过第一知识图谱确定手术备选方案数据集具体包括:
步骤1、对病历信息进行实体抽取。
示例性的,以病历信息为文本信息为例,对病历信息进行实体抽取时,可以通过提取关键词的方式确定实体,例如,若提取的词语包含于设定的词库中,则将该词语作为一个实体;
对病历信息进行实体抽取时,也可以预先设定实体类型,提取到词语后通过神经网络模型对该词语进行分类,若该词语的分类结果属于预先设定的实体类型,则将该词语作为一个实体。
步骤2、对病历信息进行关系抽取。
示例性的,关系抽取的目的在于确定实体之间的关联,本步骤中,对病历信息进行关系抽取时采用的方式与现有技术相同。例如,可以采用统计机器学习方法、有监督关系抽取方法等实现关系抽取。
步骤3、利用实体和关系构建三元组,根据三元组与第一知识图谱的匹配关系确定手术备选方案数据集。
示例性的,本步骤中,三元组指按照指定形式的数据单元。例如,若指定形式为实体-关系-实体,则三元组可以为病人(张三)-生理指标(血压值)-指标项(血压)、药品(药品名)-不良反应(症状)-病人(张三)、病史(病症名)-用药时长-药品等。
示例性的,本实施例中,从一份病历信息中获取到的部分实体可以不包含于第一知识图谱中;
例如,若第一知识图谱对应的关系网络包含病人-生理指标-指标项、药品-不良反应-病人、病史-用药时长-药品,则通过一份病历信息构建的三元组可以为药品-不良反应-病人、病人-遗传病-家族成员。
示例性的,根据三元组与第一知识图谱进行匹配时,确定第一知识图谱中与三元组匹配程度较高的数据单元,进而确定包含高匹配度数据单元的至少两个子网络,提取每个子网络中包含或对应的手术备选方案,以形成手术备选方案数据集。
示例性的,可以根据实体对应的信息是否相同或相近程度、关系对应的信息是否相同或相近程度确定三元组与第一知识图谱中数据单元的匹配程度的高低。
S102.获取医护信息,基于医护信息、手术备选方案数据集以及病历信息确定模型输入数据集。
示例性的,本实施例中,医护信息可以包括备选医生信息集、备选区域信息集,备选医生信息集中包含若干备选医生信息、备选区域信息集中包含若干手术备选区域。
确定模型输入数据集时,将备选医生信息、手术备选区域以及手术备选方案进行排列组合,一种排列组合方式对应一个模型输入数据,全部的模型输入数据构成模型输入数据集。
S103.将模型输入数据集中的每个模型输入数据作为输入,通过模型对每个模型输入数据进行分类,基于分类结果确定最佳手术方案。
示例性的,本实施例中,模型可以为神经网络模型。
本实施例中,配置模型用于判断模型输入数据所属的分类类别,其中,分类类别可以为推荐、一般、不推荐等。
示例性的,本实施例中,将类别为推荐的模型输入数据中包含的手术备选方案作为最佳手术方案,一个模型输入数据集中可以对应存在多个最佳手术方案。
本实施例提出的手术方案评估方法中,对病历信息进行信息抽取,利用抽取的信息生成三元组,利用三元组和第一知识图谱确定手术备选方案,基于知识图谱可以最大程度的、尽可能多的确定可行的手术备选方案,可以避免出现人工确定手术备选方案时,由于考虑因素不全或受经验限值而导致手术备选方案存在局限性的问题;
本实施例提出的手术方案评估方法中,在确定手术备选方案后,基于手术备选方案生成模型输入数据,利用模型判断模型输入数据中包含的手术备选方案是否为最佳手术方案,最终确定的最佳手术方案的可靠性高。
图2是实施例中的另一种手术方案评估方法流程图,参考图2,作为一种可实施方案,手术方案评估方法包括:
S201.获取病历信息,基于病历信息通过第一知识图谱确定手术备选方案数据集。
示例性的,本方案中,病历信息可以包括病人的基本信息、生理指标信息、造影筛查信息、术前追踪信息、相似病例信息。
示例性的,在步骤S101中记载的内容的基础上,采用图数据库的形式存储第一知识图谱。
相应的,本方案中,获取病历信息,基于病历信息通过第一知识图谱确定手术备选方案数据集包括:
对病历信息进行信息抽取,得到第一实体关键词以及第一关系关键词,根据第一实体关键词和第一关系关键词构建第一图形数据结构;
将第一图形数据结构与第一知识图谱(图数据库中存储的图数据结构)进行匹配,根据匹配结果确定手术备选方案数据集。
示例性的,基于图数据库,可以缩短确定手术备选方案所需的时间,提高手术方案评估方法的执行效率。
示例性的,本方案中,构建第一图形数据结构的方式与构建知识图谱的方式相同,其具体实现过程不再赘述。
S202.获取医护信息,基于医护信息、手术备选方案数据集以及病历信息确定模型输入数据集。
示例性的,本方案中,医护信息可以包含医生信息、区域信息。
示例性的,本方案中,模型选用图注意力模型(Graph Attention Networks,GAT)。
示例性的,本方案中,不涉及对GAT模型的改进,GAT模型中图注意力层的数量可以根据需求设定,例如可以设置1层、2层、3层图注意力层。
示例性的,GAT模型中,一个图注意力层的输入为节点特征向量集(特征矩阵),即:
aij=softmaxj(eij)
上式中,F′表示节点对应的新特征的个数,F′可以与F不同;h′i为一F′×1阶向量;a()表示一函数,GAT模型被训练前a()为设定值,GAT模型训练完成后a()即为训练值;softmax为一激活函数,softmaxj(eij)表示对节点i的相邻节点j进行正则化;σ()为一非线性激活函数;j∈Ni表示遍历节点i的相邻节点j;W为F×F′阶权重矩阵,GAT模型被训练前W为设定值,GAT模型训练完成后W即为训练值。
示例性的,实际应用时,GAT模型中每层图注意力层的F、F′可以自由设定,最后一层图注意力层的F′可以设定为待分类的类别数量,此时,最后一层图注意力层的h′i所包含的特征分别表示该节点属于每个类别的概率。
基于GAT模型的工作原理,确定模型输入数据集可以为:选定医护信息、病历信息中的一个信息类别或者手术备选方案作为一个节点,将未选定的信息类别作为节点的特征,基于节点和特征构建图形网络。
例如,选定手术备选方案作为节点,将基本信息、生理指标信息、造影筛查信息、术前追踪信息、相似病例信息、医生信息、区域信息作为节点的特征项;
构建图形网络时,若两节点对应的手术备选方案相似,则用边连接该两个节点,使该两个节点互为邻居节点;
配置节点的特征时,若特征项为空,则将该特征项对应的数值设为0,否则可以采用词向量技术将各特征项中包含的字或短语映射为实数,进而生成特征向量。
S203.将模型输入数据集作为输入,通过模型对模型输入数据集包含的手术备选方案进行分类,基于分类结果确定最佳手术方案。
示例性的,在步骤S202记载内容的基础上,待分类的类别数量可以设定为3个,分类类别可以为推荐、一般、不推荐;
GAT模型的输入为由全部节点对应的特征向量组成的特征矩阵,GAT模型的输出为各手术备选方案所属各类别的概率。
S204.基于医护信息、手术备选方案数据集、病历信息通过第二知识图谱确定突发情况数据集。
示例性的,本方案中,第二知识图谱包含的节点至少包括:手术备选方案、突发情况、可以从病历信息中提取的全部节点、可以从医护信息中提取的全部节点。
本方案中,采用图数据库的形式存储第二知识图谱,与步骤S201中记载的内容类似,通过第二知识图谱确定突发情况数据集包括:
对医护信息、手术备选方案数据集以及病历信息进行数据抽取,得到第二实体关键词以及第二关系关键词;
根据第二实体关键词和第二关系关键词构建第二图形数据结构;
将第二图形数据结构与第二知识图谱进行匹配,根据匹配结果确定突发情况数据集。
S205.根据最佳手术方案以及与最佳手术方案对应的模型输入数据更新第一知识图谱。
示例性的,在步骤S202记载内容的基础上,模型输入数据包括手术备选方案、基本信息、生理指标信息、造影筛查信息、术前追踪信息、相似病例信息、医生信息、区域信息;
其中,基本信息、生理指标信息、造影筛查信息、术前追踪信息、相似病例信息对应从病历信息对抽取的实体和关系;
更新第一知识图谱时,判断上述提取出的实体是否包含于第一知识图谱内,若存在不包含于第一知识图谱内的实体,则查找与最佳手术方案对应的手术备选方案节点,上述不包含于第一知识图谱内的实体和关系更新至该手术备选方案节点所属的子网络中。
S206.根据最佳手术方案、与最佳手术方案对应的模型输入数据以及手术结果更新第二知识图谱。
示例性的,本方案中,手术结果包括突发情况,更新第二知识图谱前判断该突发情况是否包含于第二知识图谱中;
若该突发情况不包含于第二知识图谱中,则在原第二知识图谱的基础上,结合与最佳手术方案对应的突发情况、可以从病历信息中提取的全部节点以及关系、可以从医护信息中提取的全部实体以及关系重新构建第二知识图谱,使新的突发情况添加至第二知识谱图中。
示例性的,本方案中,步骤S205和步骤S206中更新知识图谱采用的方式与现有技术相同,其具体过程不再赘述。
在图1所示方案有益效果的基础上,本方案中,通过第二知识图谱对手术过程中可能出现的突发状况进行预测,进而使医护人员可以预测术中、术后的相关工作要点,以提高手术的成功率。
此外,本方案中,通过GAT模型对手术方案进行评估后,根据评估结果更新第一知识图谱和第二知识图谱,进而逐步完善第一知识图谱和第二知识图谱,进一步提高手术方案评估的准确性。
实施例二
图3是实施例中的手术方案评估装置结构示意图,参考图3,本实施例提出一种手术方案评估装置,包括手术方案评估单元,手术方案评估单元包括信息获取模块100、第一知识图谱模块200、手术方案评估模块300。
信息获取模块100用于获取病历信息、医护信息。
第一知识图谱模块200存储有第一知识图谱,第一知识图谱模块200用于基于病历信息确定手术备选方案数据集。
手术方案评估模块300配置有模型,手术方案评估模块300用于基于医护信息、手术备选方案数据集以及病历信息确定模型输入数据集,对模型输入数据集中的手术备选方案进行分类,基于分类结果确定最佳手术方案。
图4是实施例中的另一种手术方案评估装置结构示意图,参考图4,作为一种可实施方案,手术方案评估装置包括信息获取模块100、第一知识图谱模块200、手术方案评估模块300、第二知识图谱模块400。
信息获取模块100用于获取病历信息、医护信息。
第一知识图谱模块200存储有第一知识图谱,第一知识图谱模块200用于基于病历信息确定手术备选方案数据集;根据最佳手术方案以及与最佳手术方案对应的模型输入数据更新第一知识图谱。
手术方案评估模块300配置有GAT模型,手术方案评估模块300用于基于医护信息、手术备选方案数据集以及病历信息确定模型输入数据集,对模型输入数据集中的手术备选方案进行分类,基于分类结果确定最佳手术方案。
第二知识图谱模块400存储有第二知识图谱,第二知识图谱模块400用于基于医护信息、手术备选方案数据集、病历信息确定突发情况数据集;根据最佳手术方案、与最佳手术方案对应的模型输入数据以及手术结果更新第二知识图谱。
本实施例中,手术方案评估装置的工作方式及有益效果与实施例一记载的对应内容相同。
实施例三
本实施例提出一种手术方案评估系统,包括终端,典型的终端包括智能电子设备、医疗自助终端机等。终端配置有可执行程序,可执行程序运行时实现实施例一记载的任意一种手术方案评估方法。
实施例四
本实施例提出一种存储介质,其上存储有可执行程序,可执行程序运行时实现实施例一记载的任意一种手术方案评估方法。
示例性的,存储介质可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。
计算机可读存储介质不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或终端上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种手术方案评估方法,其特征在于,包括:
获取病历信息,基于所述病历信息通过第一知识图谱确定手术备选方案数据集;
获取医护信息,基于所述医护信息、所述手术备选方案数据集以及所述病历信息确定模型输入数据集,其中,所述模型输入数据集的一个模型输入数据中包含有一个手术备选方案;
将所述模型输入数据集中的每个模型输入数据或所述模型输入数据集作为输入,通过模型对每个所述模型输入数据包含的手术备选方案进行分类,基于分类结果确定最佳手术方案。
2.如权利要求1所述的手术方案评估方法,其特征在于,所述模型为图注意力模型;
所述模型输入数据集包括指定数量的节点,每个所述节点包含指定数量的特性。
3.如权利要求2所述的手术方案评估方法,其特征在于,获取病历信息,基于所述病历信息通过第一知识图谱确定手术备选方案数据集包括:
对病历信息进行信息抽取,得到第一实体关键词以及第一关系关键词,根据所述第一实体关键词和所述第一关系关键词构建第一图形数据结构;
将所述第一图形数据结构与所述第一知识图谱进行匹配,根据匹配结果确定所述手术备选方案数据集。
4.如权利要求1所述的手术方案评估方法,其特征在于,还包括:
对所述医护信息、所述手术备选方案数据集以及所述病历信息进行数据抽取,得到第二实体关键词以及第二关系关键词;
根据所述第二实体关键词和所述第二关系关键词构建第二图形数据结构;
将所述第二图形数据结构与第二知识图谱进行匹配,根据匹配结果确定突发情况数据集。
5.如权利要求1所述的手术方案评估方法,其特征在于,还包括:
根据所述最佳手术方案以及与所述最佳手术方案对应的所述模型输入数据更新所述第一知识图谱。
6.如权利要求4所述的手术方案评估方法,其特征在于,还包括:
根据所述最佳手术方案、与所述最佳手术方案对应的所述模型输入数据以及突发情况更新所述第二知识图谱。
7.如权利要求1所述的手术方案评估方法,其特征在于,所述模型输入数据为词向量或词矩阵。
8.一种手术方案评估装置,其特征在于,包括手术方案评估单元,所述手术方案评估单元用于:
获取病历信息,基于所述病历信息通过第一知识图谱确定手术备选方案数据集;
获取医护信息,基于所述医护信息、所述手术备选方案数据集以及所述病历信息确定模型输入数据集;
分别将所述模型输入数据集中的每个模型输入数据作为输入,通过模型对每个所述模型输入数据进行分类,基于分类结果确定最佳手术方案。
9.一种手术方案评估系统,其特征在于,包括终端,所述终端配置有可执行程序,所述可执行程序运行时实现权利要求1至7任一所述的手术方案评估方法。
10.一种存储介质,其特征在于,其上存储有可执行程序,所述可执行程序运行时实现权利要求1至7任一所述的手术方案评估方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111521639.0A CN114188036A (zh) | 2021-12-13 | 2021-12-13 | 一种手术方案评估方法、装置、系统及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111521639.0A CN114188036A (zh) | 2021-12-13 | 2021-12-13 | 一种手术方案评估方法、装置、系统及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114188036A true CN114188036A (zh) | 2022-03-15 |
Family
ID=80604823
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111521639.0A Pending CN114188036A (zh) | 2021-12-13 | 2021-12-13 | 一种手术方案评估方法、装置、系统及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114188036A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116187448A (zh) * | 2023-04-25 | 2023-05-30 | 之江实验室 | 一种信息展示的方法、装置、存储介质及电子设备 |
-
2021
- 2021-12-13 CN CN202111521639.0A patent/CN114188036A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116187448A (zh) * | 2023-04-25 | 2023-05-30 | 之江实验室 | 一种信息展示的方法、装置、存储介质及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110459287B (zh) | 来自医学文本报告的结构化报告数据 | |
US10929348B2 (en) | Method and system for large scale data curation | |
Raja et al. | A systematic review of healthcare big data | |
US8015136B1 (en) | Algorithmic method for generating a medical utilization profile for a patient and to be used for medical risk analysis decisioning | |
WO2022116430A1 (zh) | 基于大数据挖掘的模型部署方法、装置、设备及存储介质 | |
Sulieman et al. | Classifying patient portal messages using Convolutional Neural Networks | |
Rambha et al. | A stochastic optimization model for staged hospital evacuation during hurricanes | |
Djatna et al. | An intuitionistic fuzzy diagnosis analytics for stroke disease | |
US20200311610A1 (en) | Rule-based feature engineering, model creation and hosting | |
Chu et al. | Knowledge representation and retrieval using conceptual graphs and free text document self-organisation techniques | |
US20190197428A1 (en) | Systems and methods for refactoring a knowledge model to increase domain knowledge and reconcile electronic records | |
Chauhan et al. | A robust model for big healthcare data analytics | |
Alshammari et al. | Developing a predictive model of predicting appointment no-show by using machine learning algorithms | |
US20220310260A1 (en) | System and Methods for Knowledge Representation and Reasoning in Clinical Procedures | |
CN114188036A (zh) | 一种手术方案评估方法、装置、系统及存储介质 | |
Qudsi et al. | Predictive data mining of chronic diseases using decision tree: a case study of health insurance company in Indonesia | |
JP2021536636A (ja) | 医療記録を分類する方法 | |
Vathy-Fogarassy et al. | Multi-level process mining methodology for exploring disease-specific care processes | |
Nagavci et al. | Review of prediction of disease trends using big data analytics | |
Sisodia et al. | An effective model for healthcare to process chronic kidney disease using big data processing | |
AU2021102593A4 (en) | A Method for Detection of a Disease | |
CN114647737A (zh) | 医疗规则补全方法及装置 | |
Arun Kumar et al. | Gramian matrix data collection-based random forest classification for predictive analytics with big data | |
Mahalle et al. | Foundations of data science based healthcare internet of things | |
CN113688854A (zh) | 数据处理方法、装置及计算设备 |
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 |