CN114582459B - 基于诊疗数据的信息处理方法、装置、设备及存储介质 - Google Patents

基于诊疗数据的信息处理方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN114582459B
CN114582459B CN202210102746.8A CN202210102746A CN114582459B CN 114582459 B CN114582459 B CN 114582459B CN 202210102746 A CN202210102746 A CN 202210102746A CN 114582459 B CN114582459 B CN 114582459B
Authority
CN
China
Prior art keywords
information
drug
adverse
reaction
entities
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.)
Active
Application number
CN202210102746.8A
Other languages
English (en)
Other versions
CN114582459A (zh
Inventor
阳国平
武学鸿
冯泽英
朱建平
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.)
Hunan Keyiyun Health Technology Co ltd
Third Xiangya Hospital of Central South University
Original Assignee
Hunan Keyiyun Health Technology Co ltd
Third Xiangya Hospital of Central South University
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 Hunan Keyiyun Health Technology Co ltd, Third Xiangya Hospital of Central South University filed Critical Hunan Keyiyun Health Technology Co ltd
Priority to CN202210102746.8A priority Critical patent/CN114582459B/zh
Publication of CN114582459A publication Critical patent/CN114582459A/zh
Application granted granted Critical
Publication of CN114582459B publication Critical patent/CN114582459B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G16H70/40—ICT specially adapted for the handling or processing of medical references relating to drugs, e.g. their side effects or intended usage
    • 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
    • G06F16/353—Clustering; Classification into predefined classes
    • 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
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/10—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to patients
    • 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

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Public Health (AREA)
  • Primary Health Care (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Medicinal Chemistry (AREA)
  • Epidemiology (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Pharmacology & Pharmacy (AREA)
  • Toxicology (AREA)
  • Animal Behavior & Ethology (AREA)
  • Computational Linguistics (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

本申请公开了一种基于诊疗数据的信息处理方法、装置、设备及存储介质。该方法包括：获取诊疗数据，该诊疗数据至少包括患者的病程记录信息和用药医嘱信息；基于NLP从病程记录信息中提取反映药物不良反应描述事实的第一信息；基于NLP从第一信息中提取药物实体及不良反应实体；基于用药医嘱信息、提取的药物实体及不良反应实体和指示已知的药物不良反应信息的药物知识图谱确定识别的药物不良反应信息；输出识别的药物不良反应信息。如此，可以基于NLP和药物知识图谱的结合，对非结构化的病程记录信息输出识别的药物不良反应信息，其对于药物不良反应上报、新药临床试验研究、新药研制、基于大数据的药物不良反应分析研究等具有重要的意义。

Description

基于诊疗数据的信息处理方法、装置、设备及存储介质
技术领域
本申请涉及诊疗数据处理，尤其涉及一种基于诊疗数据的信息处理方法、装置、设备及存储介质。
背景技术
药物不良反应(adverse drug reactions，简称ADR)是指正常剂量的药物用于预防、诊断、治疗疾病或调节生理机能时出现的有害的和与用药目的无关的反应。该定义排除有意的或意外的过量用药及用药不当引起的反应。
相关技术中，随着药品种类日益增多，药物不良反应的发生率也逐年增加。药物不良反应有时也可引起药源性疾病，除少数人自服药物外，药物不良反应主要由医生给药所引起，所以有些药源性疾病也属医源性疾病。虽然有些药物不良反应较难避免，但相当一部分是由于临床用药不合理所致。基于此，有必要加强对药品安全性的管理。
发明内容
有鉴于此，本申请实施例提供了一种基于诊疗数据的信息处理方法、装置、设备及存储介质，旨在有效识别药物不良反应信息。
本申请实施例的技术方案是这样实现的：
本申请实施例提供了一种基于诊疗数据的信息处理方法，包括：
获取诊疗数据，所述诊疗数据至少包括患者的病程记录信息和用药医嘱信息；
基于自然语言处理(Natural Language Processing，NLP)从所述病程记录信息中提取反映药物不良反应描述事实的第一信息；
基于NLP从所述第一信息中提取药物实体及不良反应实体；
基于所述用药医嘱信息、提取的所述药物实体及所述不良反应实体和指示已知的药物不良反应信息的药物知识图谱确定识别的药物不良反应信息；
输出所述识别的药物不良反应信息。
上述方案中，所述基于NLP从所述病程记录信息中提取反映药物不良反应描述事实的第一信息，包括：
基于预先构建的正则表达式库中的正则表达式，从所述病程记录信息中提取匹配的描述信息；
基于预先构建的分类模型判定所述描述信息是否为反映药物不良反应描述事实的第一信息，得到有效的所述第一信息。
上述方案中，所述方法还包括：
基于有监督的学习方式对训练样本进行训练，得到所述分类模型。
上述方案中，所述基于NLP从所述第一信息中提取药物实体及不良反应实体，包括：
基于预先构建的实体识别模型从所述第一信息中提取药物实体及不良反应实体。
上述方案中，所述方法还包括：
基于历史的病程记录信息中药物实体和不良反应实体的标注结果构建实体语料库；
对所述实体语料库基于深度学习算法进行训练，得到所述实体识别模型。
上述方案中，所述基于所述用药医嘱信息、提取的所述药物实体及所述不良反应实体和指示已知的药物不良反应信息的药物知识图谱确定识别的药物不良反应信息，包括：
对所述用药医嘱信息中的药物实体和基于所述第一信息提取的所述药物实体进行去重处理，构建第一实体集合；
基于所述第一信息提取的所述不良反应实体构建第二实体集合；
对所述第一实体集合、所述第二实体集合分别与所述药物知识图谱中的药物不良反应信息进行匹配；
基于匹配结果生成所述识别的药物不良反应信息；
其中，所述识别的药物不良反应信息包括：存在于所述药物知识图谱中的第一类药物不良反应信息和所述药物知识图谱之外的第二类药物不良反应信息。
上述方案中，所述方法还包括：
基于药物说明信息提取药物实体对应的不良反应实体；
基于各药物实体对应的不良反应实体，构建所述药物知识图谱。
第二方面，本申请实施例提供了一种基于诊疗数据的信息处理装置，包括：
获取模块，用于获取诊疗数据，所述诊疗数据至少包括患者的病程记录信息和用药医嘱信息；
第一提取模块，用于基于NLP从所述病程记录信息中提取反映药物不良反应描述事实的第一信息；
第二提取模块，用于基于NLP从所述第一信息中提取药物实体及不良反应实体；
识别模块，用于基于所述用药医嘱信息、提取的所述药物实体及所述不良反应实体和指示已知的药物不良反应信息的药物知识图谱确定识别的药物不良反应信息；
输出模块，用于输出所述识别的药物不良反应信息。
第三方面，本申请实施例提供了一种基于诊疗数据的信息处理设备，包括：处理器和用于存储能够在处理器上运行的计算机程序的存储器，其中，所述处理器，用于运行计算机程序时，执行本申请实施例第一方面所述方法的步骤。
第四方面，本申请实施例提供了一种存储介质，所述存储介质上存储有计算机程序，所述计算机程序被处理器执行时，实现本申请实施例第一方面所述方法的步骤。
本申请实施例提供的技术方案，获取诊疗数据，该诊疗数据至少包括患者的病程记录信息和用药医嘱信息；基于NLP从病程记录信息中提取反映药物不良反应描述事实的第一信息；基于NLP从第一信息中提取药物实体及不良反应实体；基于用药医嘱信息、提取的药物实体及不良反应实体和指示已知的药物不良反应信息的药物知识图谱确定识别的药物不良反应信息；输出识别的药物不良反应信息。如此，可以基于NLP和药物知识图谱的结合，对非结构化的病程记录信息输出识别的药物不良反应信息，利于基于大数据实现药物不良反应相关的信息挖掘，能够有效地从复杂的病程记录信息中识别出药物不良反应信息，其对于药物不良反应上报、新药临床试验研究、新药研制、基于大数据的药物不良反应分析研究等具有重要的意义。
附图说明
图1为本申请实施例基于诊疗数据的信息处理方法的流程示意图；
图2为本申请实施例中病程记录信息的示意图；
图3为本申请实施例中分类语料库的样例示意图；
图4为本申请实施例中实体语料库的示意图；
图5为本申请实施例中药物知识图谱的示意图；
图6为本申请实施例基于诊疗数据的信息处理装置的结构示意图；
图7为本申请实施例基于诊疗数据的信息处理设备的结构示意图。
具体实施方式
下面结合附图及实施例对本申请再作进一步详细的描述。
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。本文中在本申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请。
相关技术中，临床诊疗数据蕴含了大量的知识，尤其是非结构化的病程记录信息。临床医生在病程记录信息中会跟踪记录患者的病情及诊治情况，同时也会记录患者使用药物后出现的疑似不良反应。然而，从非结构化的病程记录信息中有效的识别出药物不良反应信息，并且进一步明确药物及不良反应的关系是一项复杂的工作。
基于此，本申请各种实施例中，通过采用自然语言处理(NLP)技术从病程记录信息中有效的识别出药物不良反应信息，对于药物不良反应上报、基于大数据的药物不良反应研究、药物的研制等具有重要的意义。
本申请实施例提供了一种基于诊疗数据的信息处理方法，如图1所示，该方法包括：
步骤101，获取诊疗数据，所述诊疗数据至少包括患者的病程记录信息和用药医嘱信息。
这里，信息处理设备可以获取数据库中存储的患者的诊疗数据，该诊疗数据可以基于用户的身份标识进行存储，例如，可以基于就诊号、身份证号码等进行关联存储。示例性地，病程记录信息可以为患者一次或者多次就诊过程对应的非结构化数据信息(如图2所示)；用药医嘱信息可以包括药物名称列表，示例性地，用药医嘱信息的样例数据如下：喹硫平、阿奇霉素、阿莫西林、甘露醇、等等。
步骤102，基于NLP从所述病程记录信息中提取反映药物不良反应描述事实的第一信息。
这里，NLP可以理解为用于研究人与计算机交互的语言问题的一门学科。基于NLP可以有效识别和提取用户感兴趣的信息。示例性地，可以基于NLP从图2所示的病程记录信息中提取出反映药物不良反应描述事实的信息，即“患者今晨精神差、嗜睡，考虑因服用喹硫平所致、嘱暂继续观察”为药物不良反应描述事实的信息。
在一些实施例中，所述基于NLP从所述病程记录信息中提取反映药物不良反应描述事实的第一信息，包括：
基于预先构建的正则表达式库中的正则表达式，从所述病程记录信息中提取匹配的描述信息；
基于预先构建的分类模型判定所述描述信息是否为反映药物不良反应描述事实的第一信息，得到有效的所述第一信息。
这里，正则表达式(Regular Expression，又称为规则表达式)是对字符串(包括普通字符(例如，a到z之间的字母)和特殊字符(称为“元字符”))操作的一种逻辑公式，就是用事先定义好的一些特定字符、及这些特定字符的组合，组成一个“规则字符串”，这个“规则字符串”用来表达对字符串的一种过滤逻辑。正则表达式是一种文本模式，该模式描述在搜索文本时要匹配的一个或多个字符串。
本申请实施例中，可以针对大量的病程记录信息中关于药物不良反应的描述，分析句法以及描述的规律，预先构建可扩展的正则表达式库，示例性地，如下表1所示：
表1
Figure BDA0003492987050000061
可以理解的是，基于正则表达式可以从病程记录信息中匹配出大量的满足正则表达式的语句，然而这些语句并非都是药物不良反应的描述事实，基于此，本申请实施例需要进一步的针对这些匹配的语句进行甄别分析，判断到底是否为药物不良反应描述事实。
需要说明的是，本申请实施例的正则表达式库支持可扩展配置，便于丰富提取前述匹配的描述信息的正则表达式。
示例性地，可以基于预先构建的分类模型判定所述描述信息是否为反映药物不良反应描述事实的第一信息，得到有效的所述第一信息。
可以理解的是，本申请实施例中，可以基于有监督的学习方式对训练样本进行训练，得到所述分类模型。
示例性地，分类模型可以采用BERT-SOFTMAX深度学习分类算法模型对提取出的疑似药物不良反应描述事实进行分类，分类结果为“是”或“否”，即二分类算法。识别为“是”的即为本申请实施例的有效的第一信息(即对应需要识别的药物不良反应描述事实)。
在一应用示例中，基于分类模型的识别结果如下表2所示：
表2
Figure BDA0003492987050000071
可以理解的是，基于前述预先构建的正则表达式库和分类模型，可以有效地从病程记录信息中提取出反映药物不良反应描述事实的第一信息。
步骤103，基于NLP从所述第一信息中提取药物实体及不良反应实体。
这里，药物实体可以理解为药物名称，不良反应实体可以包括以下至少之一类别：症状、体征、疾病、检验结果及检查结果。
示例性地，基于预先构建的实体识别模型从所述第一信息中提取药物实体及不良反应实体。
可以理解的是，可以基于历史的病程记录信息中药物实体和不良反应实体的标注结果构建实体语料库；对所述实体语料库基于深度学习算法进行训练，得到所述实体识别模型。
示例性地，该实体识别模型可以采用深度学习实体识别算法IDCNN-CRF对实体语料库进行训练得到，例如，采用IDCNN-CRF深度学习算法，应用序列标注的模式，标注大量语料，训练并生成实体识别模型，从药物不良反应描述事实中识别出上述实体类别。
在一应用示例中，以“患者今晨精神差、嗜睡，考虑因复用喹硫平所致”为例，实体识别模型识别出的实体效果如下表3所示：
表3
序号 提取出的实体 实体类别
1 精神差 症状
2 嗜睡 症状
3 喹硫平 药物
可以理解的是，上述应用示例中，实体识别模型识别出了药物实体“喹硫平”以及不良反应实体“精神差”、“嗜睡”。
在另一应用示例中，以“患者复查肾功能是血肌酐值升高，考虑两性霉素B所致肾功能损害，由于甘露醇也有肾损伤作用，予以停甘露醇，加用包醛氧淀粉胶囊护肾”为例，实体识别模型识别出的实体效果如下表4所示：
表4
序号 提取出的实体 实体类别
1 血肌酐值升高 检验结果
2 两性霉素B 药物
3 甘露醇 药物
4 包醛氧淀粉胶囊 药物
可以理解的是，实体识别模型从上述药物不良反应描述事实中提取出三个药物实体，一个检验结果的不良反应实体。
在又一应用示例中，以“患者头晕，考虑药物反应所致”为例，实体识别模型可以识别出“头晕”这一症状实体，但是描述中没有具体的药物实体。
步骤104，基于所述用药医嘱信息、提取的所述药物实体及所述不良反应实体和指示已知的药物不良反应信息的药物知识图谱确定识别的药物不良反应信息。
从步骤103的相关描述可以得知，基于NLP的识别结果，还无法直接确定药物不良反应信息，例如，针对“患者今晨精神差、嗜睡，考虑因复用喹硫平所致”，单从实体本身可以怀疑“喹硫平”导致了不良反应“精神差”以及“嗜睡”，但是无法明确其是否有因果关系；针对“患者复查肾功能是血肌酐值升高，考虑两性霉素B所致肾功能损害，由于甘露醇也有肾损伤作用，予以停甘露醇，加用包醛氧淀粉胶囊护肾”，从实体本身来说无法判定“血肌酐值升高”是由哪个药物引起的；针对“患者头晕，考虑药物反应所致”，无法确定是由哪个药物实体引起的“头晕”。
基于此，本申请实施例中，基于用药医嘱信息、提取的所述药物实体及所述不良反应实体和指示已知的药物不良反应信息的药物知识图谱确定识别的药物不良反应信息。
这里，用药医嘱信息可以作为药物实体的补充来源，药物知识图谱可以作为药物实体与不良反应实体之间是否存在因果关系的推理来源，如此，可以推理得到药物实体与不良反应实体之间是否存在因果关系，从而得到识别的药物不良反应信息。
本申请实施例中，识别的药物不良反应信息包括：存在于所述药物知识图谱中的第一类药物不良反应信息和所述药物知识图谱之外的第二类药物不良反应信息。可以理解的是，第一类药物不良反应信息即在药物知识图谱中存在因果关系的药物实体及相应的不良反应实体，第二类药物不良反应信息即在药物知识图谱中没有明确知识支撑，并且临床数据中提示是药物不良反应的信息。
可以理解的是，本申请实施例中，需要预先构建药物知识图谱，其包括：
基于药物说明信息提取药物实体对应的不良反应实体；
基于各药物实体对应的不良反应实体，构建所述药物知识图谱。
如此，可以利用创建的药物知识图谱，作为药物实体与不良反应实体之间是否存在因果关系的推理来源，即作为推理的参考依据。
示例性地，所述基于所述用药医嘱信息、提取的所述药物实体及所述不良反应实体和指示已知的药物不良反应信息的药物知识图谱确定识别的药物不良反应信息，包括：
对所述用药医嘱信息中的药物实体和基于所述第一信息提取的所述药物实体进行去重处理，构建第一实体集合；
基于所述第一信息提取的所述不良反应实体构建第二实体集合；
对所述第一实体集合、所述第二实体集合分别与所述药物知识图谱中的药物不良反应信息进行匹配；
基于匹配结果生成所述识别的药物不良反应信息；
其中，所述识别的药物不良反应信息包括：存在于所述药物知识图谱中的第一类药物不良反应信息和所述药物知识图谱之外的第二类药物不良反应信息。
举例来说，以“患者头晕，考虑药物不良反应所致”为例，从该描述事实中，可以提取出不良反应实体为“头晕”，同时查看患者用药医嘱信息有“阿基霉素”，结合药物不良反应知识图谱中明确有<阿奇霉素，不良反应，头晕>这一条知识。因此，经过该推理可以分析并怀疑患者是由“阿奇霉素”导致的“头晕”。以“患者复查肾功能是血肌酐值升高，考虑两性霉素B所致肾功能损害，由于甘露醇也有肾损伤作用，予以停甘露醇，加用包醛氧淀粉胶囊护肾”为例，提取出“两性霉素B”，“甘露醇”，“包醛氧啶粉”三个药物实体，以及“血肌酐值升高”不良反应实体。单从实体本身无法确定是有哪个药物导致的“血肌酐值升高”，结合药物不良反应的知识图谱，可以发现存在知识<两性霉素B，不良反应，血肌酐值升高>，因此推理分析并怀疑患者是由“两性霉素B”导致的“血肌酐值升高”。
同理，相似场景都可以结合患者医嘱以及药物不良反应的知识图谱来推理分析出药物与不良反应实体之间的因果关系。
需要说明的是，若无论患者的用药医嘱，还是从药物不良反应事描述事实中提取出的药物实体，在结合知识图谱并确保知识图谱中知识完备情况下，无法明确因果关系。此时，可以无法明确的因果关系确定为“疑似潜在的不良反应”关系，即作为前述的第二类药物不良反应信息。
步骤105，输出所述识别的药物不良反应信息。
可以理解的是，本申请实施例输出所述识别的药物不良反应信息，可以为前述的第一类药物不良反应信息和/或前述的第二类药物不良反应信息。
本申请实施例的方法，可以基于NLP和药物知识图谱的结合，对非结构化的病程记录信息输出识别的药物不良反应信息。换言之，针对临床非结构化的病历数据，融合NLP技术以及知识图谱技术，能够快速、智能、准确的识别出临床药物不良反应病例，并能有效从中提取出药物与不良反应之间的因果关系。同时，也能有效的提取出“疑似潜在的不良反应”信息。
本申请实施例的方法，对于临床药物研究(临床数据与试验的比对)、不良反应报告生成(从人工识别到自动化识别)、临床科研(队列研究，信息检索)、临床辅助决策(合理用药，用药提醒等)、药物研制(药物临床试验，不良反应分析)等都具有重要的意义。
下面结合应用实施例对本申请再作进一步详细的描述。
本应用实施例的方法包括以下步骤：
步骤1，获取患者的病程记录信息和用药医嘱信息。
示例性地，假定病程记录信息为集合D(d1,d2,di…dn)，假定用药医嘱信息为M(m1,m2,mi,…mn)；其中di(di∈D)为第i个病程记录文本，样例如下：
“2021-4-1，16:10主任医师查房记录今随xxx任医师、xxx主治医师查房看病人，患者诉今晨精神差，嗜睡，稍感口干不适，大小便正常。体查：体温:36.5℃脉搏:72次/分呼吸:19次/分，神志清楚，全身皮肤、巩膜无黄染，咽部无充血。颈软，颈静脉无怒张，甲状腺不肿大。双肺呼吸音清，未闻及干、湿性啰音，无胸膜摩擦音。心前区无隆起，心尖搏动位于第Ⅴ肋间左锁骨中线内0.5cm处，未触及震颤，心界叩诊不大，心率72次/分，律齐，无杂音。腹软，全腹无压痛及反跳痛。双脚背足背动脉搏动可。两位上级医师查看了病人后指出：患者今晨精神差、嗜睡，考虑因服用喹硫平所致，嘱暂继续观察，必要时减少喹硫平用量，余治疗同前，继观。医师签名：[Picture]/xx
主任医师签名：[Picture]”
其中，mi(mi∈M)为第i个药物医嘱名称，如“阿莫西林”。
步骤2，从病程记录信息中提取反映药物不良反应描述事实的第一信息。
这里，需要预先构建正则表达式库和分类模型。
例如，分析大量的病程记录信息中关于药物不良反应描述的句法与规律，构建正则表达式库R(r1,r2,ri…rn)，其中ri为第i个规则表达式，样例如下：
(患[者儿][[^患].]*？考虑[^，,；.。、；：:]*？药物.*？)[，,；.。、；：:]
如此，可以基于正则表达式库从病程记录信息中提取出疑似药物不良反应描述事实。
针对上述识别出的疑似药物不良反应描述事实，进一步甄别其是否为药物不良反应描述事实，本应用实施例中，采用分类算法对齐进行分析，具体的为二分类，类别为“是”(是药物不良反应描述事实)或“否”(不是药物不良反应描述事实)。该分类算法为有监督的学习方式，因此需要有限构建分类语料库，并训练生成分类模型，具体如下：
(1)、标注并构建语料库
示例性地，针对疑似不良反应描述事实，进行分类标注，构建语料库，部分样例如图3所示。
(2)、训练并构建分类模型
示例性地，可以基于上一步骤构建的分类语料库，应用自然语言处理技术具体的采用深度学习算法BERT-SOFTMAX训练分类模型。该分类模型构建完后，识别准确率Precision为95.3％，召回率为91.2％，综合F1值为0.932。模型识别准确率高。
如此，可以基于该分类模型准确地识别出反映药物不良反应描述事实的第一信息。
步骤3，从所述第一信息中提取药物实体及不良反应实体。
这里，需要预先构建实体识别模型，示例性地，实体识别模型构建如下：
(1)、定义实体类别
示例性地，需要标注的实体类别包括：药物、症状、体征、疾病、检验结果、检查结果。
(2)、构建实体语料库
这里，可以基于历史的病程记录信息中药物实体和不良反应实体的标注结果构建实体语料库，示例性地，实体语料库如图4所示。其中“病程记录原文”即从临床获得的病程记录内容，“标注的实体”为从并病程记录中标注的实体内容；“实体开始位置”以及“实体结束位置”分别为实体内容在原位中的位置信息；“实体类别”为标注的实体的类别，为上一步所定义的6个类别之一。
(3)、训练并构建实体识别模型
这里，可以基于上一步构建的实体语料库，应用自然语言处理技术，例如采用深度学习算法IDCNN-CRF来训练实体识别模型。该实体识别模型构建完后，识别准确率Precision为93.6％，召汇率Recall为87.5％，综合F1值为0.904。
如此，可以基于该实体识别模型识别出药物实体和不良反应实体。
步骤4，基于药物知识图谱及用药医嘱信息推理分析药物实体与不良反应实体之间的因果关系。
示例性地，可以基于药物说明信息构建药物知识图谱，如图5所示，其中，定义了6种概念以及一种语义关系。6种概念分别为：药物(DRUG)、症状(SYMPTOM)、体征(SIGN)、疾病(DISEASE)、检验结果(LABRESULT)以及检查结果(EXAMRESULT)；一种语义关系为“不良反应”。6种概念分别对应了上一步中的6个实体类别，因此，药物知识图谱主要用于构建针对该6种概念的药物不良反应知识。
可以通过管理工具，从药物不良反应说明书中提取药物不良反应实体，构建药物不良反应的知识图谱数据层。药物知识图谱可以采用三元组的表现形式，即<S,P,O>。其中，S在药物知识图谱中表示药物实体，P表示“不良反应”关系，O表示不良反应实体(症状、体征、疾病、检验结果、检查结果)。
示例性地，假定构建的药物知识图谱为G(g1,g2,gi…gn)。其中，gi(gi∈G)为知识图谱G中第i条知识，gi表现形式为三元组<si，’不良反应’，oi>。其中si∈S，S表示药物实体集合，Oi∈O，O表示不良反应实体集合。
药物实体及不良反应实体之间因果关系推理算法如下：
假设从药物不良反应描述事实中识别出药物实体集合X，不良反应实体集合Y。输入：M、X及Y，其中M为医嘱用药集合。输出：“疑似的不良反应”集合A，“潜在疑似的不良反应”集合B。
步骤5，输出识别的药物不良反应信息。
可以理解的是，本申请实施例可以输出两个集合，即分别是‘疑似的不良反应’信息集合A，以及‘潜在疑似的不良反应’信息集合B。
假定ai(ai∈A)，表现形式为三元组<si，’疑似不良反应’，oi>。举例如下：
<注射用顺铂，疑似不良反应，天门冬氨酸氨基转移酶升高>
假定bj(bj∈B)，表现形式为三元组<sj，’潜在的疑似不良反应’，oj>。举例如下：
<环孢素，潜在的疑似不良反应，视觉障碍>
可以理解的的是，上述“疑似不良反应”与第一类药物不良反应信息对应，上述“潜在的疑似不良反应”与第二类药物不良反应信息对应。
为了实现本申请实施例的方法，本申请实施例还提供一种基于诊疗数据的信息处理装置，该基于诊疗数据的信息处理装置与上述基于诊疗数据的信息处理方法对应，上述基于诊疗数据的信息处理方法实施例中的各步骤也完全适用于本基于诊疗数据的信息处理装置实施例。
如图6所示，该基于诊疗数据的信息处理装置包括：获取模块601、第一提取模块602、第二提取模块603、识别模块604及输出模块605。其中，获取模块601用于获取诊疗数据，所述诊疗数据至少包括患者的病程记录信息和用药医嘱信息；第一提取模块602用于基于NLP从所述病程记录信息中提取反映药物不良反应描述事实的第一信息；第二提取模块603用于基于NLP从所述第一信息中提取药物实体及不良反应实体；识别模块604用于基于所述用药医嘱信息、提取的所述药物实体及所述不良反应实体和指示已知的药物不良反应信息的药物知识图谱确定识别的药物不良反应信息；输出模块605用于输出所述识别的药物不良反应信息。
在一些实施例中，第一提取模块602具体用于：
基于预先构建的正则表达式库中的正则表达式，从所述病程记录信息中提取匹配的描述信息；
基于预先构建的分类模型判定所述描述信息是否为反映药物不良反应描述事实的第一信息，得到有效的所述第一信息。
示例性地，该基于诊疗数据的信息处理装置还包括：模型构建模块606，用于基于有监督的学习方式对训练样本进行训练，得到所述分类模型。
在一些实施例中，第二提取模块603具体用于：
基于预先构建的实体识别模型从所述第一信息中提取药物实体及不良反应实体。
示例性地，模型构建模块606还用于：
基于历史的病程记录信息中药物实体和不良反应实体的标注结果构建实体语料库；
对所述实体语料库基于深度学习算法进行训练，得到所述实体识别模型。
示例性地，识别模块604具体用于：
对所述用药医嘱信息中的药物实体和基于所述第一信息提取的所述药物实体进行去重处理，构建第一实体集合；
基于所述第一信息提取的所述不良反应实体构建第二实体集合；
对所述第一实体集合、所述第二实体集合分别与所述药物知识图谱中的药物不良反应信息进行匹配；
基于匹配结果生成所述识别的药物不良反应信息；
其中，所述识别的药物不良反应信息包括：存在于所述药物知识图谱中的第一类药物不良反应信息和所述药物知识图谱之外的第二类药物不良反应信息。
示例性地，模型构建模块606还用于：
基于药物说明信息提取药物实体对应的不良反应实体；
基于各药物实体对应的不良反应实体，构建所述药物知识图谱。
实际应用时，获取模块601、第一提取模块602、第二提取模块603、识别模块604、输出模块605及模型构建模块606，可以由基于诊疗数据的信息处理装置中的处理器来实现。当然，处理器需要运行存储器中的计算机程序来实现它的功能。
需要说明的是：上述实施例提供的基于诊疗数据的信息处理装置在进行基于诊疗数据的信息处理时，仅以上述各程序模块的划分进行举例说明，实际应用中，可以根据需要而将上述处理分配由不同的程序模块完成，即将装置的内部结构划分成不同的程序模块，以完成以上描述的全部或者部分处理。另外，上述实施例提供的基于诊疗数据的信息处理装置与基于诊疗数据的信息处理方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。
基于上述程序模块的硬件实现，且为了实现本申请实施例的方法，本申请实施例还提供一种基于诊疗数据的信息处理设备。图7仅仅示出了该基于诊疗数据的信息处理设备的示例性结构而非全部结构，根据需要可以实施图7示出的部分结构或全部结构。
如图7所示，本申请实施例提供的基于诊疗数据的信息处理设备700包括：至少一个处理器701、存储器702、用户接口703和至少一个网络接口704。基于诊疗数据的信息处理设备700中的各个组件通过总线系统705耦合在一起。可以理解，总线系统705用于实现这些组件之间的连接通信。总线系统705除包括数据总线之外，还包括电源总线、控制总线和状态信号总线。但是为了清楚说明起见，在图7中将各种总线都标为总线系统705。
其中，用户接口703可以包括显示器、键盘、鼠标、轨迹球、点击轮、按键、按钮、触感板或者触摸屏等。
本申请实施例中的存储器702用于存储各种类型的数据以支持基于诊疗数据的信息处理设备的操作。这些数据的示例包括：用于在基于诊疗数据的信息处理设备上操作的任何计算机程序。
本申请实施例揭示的基于诊疗数据的信息处理方法可以应用于处理器701中，或者由处理器701实现。处理器701可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，基于诊疗数据的信息处理方法的各步骤可以通过处理器701中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器701可以是通用处理器、数字信号处理器(DSP，Digital Signal Processor)，或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。处理器701可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者任何常规的处理器等。结合本申请实施例所公开的方法的步骤，可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于存储介质中，该存储介质位于存储器702，处理器701读取存储器702中的信息，结合其硬件完成本申请实施例提供的基于诊疗数据的信息处理方法的步骤。
在示例性实施例中，基于诊疗数据的信息处理设备可以被一个或多个应用专用集成电路(ASIC，Application Specific Integrated Circuit)、DSP、可编程逻辑器件(PLD，Programmable Logic Device)、复杂可编程逻辑器件(CPLD，Complex Programmable LogicDevice)、现场可编程逻辑门阵列(FPGA，Field Programmable Gate Array)、通用处理器、控制器、微控制器(MCU，Micro Controller Unit)、微处理器(Microprocessor)、或者其他电子元件实现，用于执行前述方法。
可以理解，存储器702可以是易失性存储器或非易失性存储器，也可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(ROM，Read Only Memory)、可编程只读存储器(PROM，Programmable Read-Only Memory)、可擦除可编程只读存储器(EPROM，Erasable Programmable Read-Only Memory)、电可擦除可编程只读存储器(EEPROM，Electrically Erasable Programmable Read-Only Memory)、磁性随机存取存储器(FRAM，ferromagnetic random access memory)、快闪存储器(Flash Memory)、磁表面存储器、光盘、或只读光盘(CD-ROM，Compact Disc Read-Only Memory)；磁表面存储器可以是磁盘存储器或磁带存储器。易失性存储器可以是随机存取存储器(RAM，Random AccessMemory)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如静态随机存取存储器(SRAM，Static Random Access Memory)、同步静态随机存取存储器(SSRAM，Synchronous Static Random Access Memory)、动态随机存取存储器(DRAM，Dynamic Random Access Memory)、同步动态随机存取存储器(SDRAM，SynchronousDynamic Random Access Memory)、双倍数据速率同步动态随机存取存储器(DDRSDRAM，Double Data Rate Synchronous Dynamic Random Access Memory)、增强型同步动态随机存取存储器(ESDRAM，Enhanced Synchronous Dynamic Random Access Memory)、同步连接动态随机存取存储器(SLDRAM，SyncLink Dynamic Random Access Memory)、直接内存总线随机存取存储器(DRRAM，Direct Rambus Random Access Memory)。本申请实施例描述的存储器旨在包括但不限于这些和任意其它适合类型的存储器。
在示例性实施例中，本申请实施例还提供了一种存储介质，即计算机存储介质，具体可以是计算机可读存储介质，例如包括存储计算机程序的存储器702，上述计算机程序可由基于诊疗数据的信息处理设备的处理器701执行，以完成本申请实施例方法所述的步骤。计算机可读存储介质可以是ROM、PROM、EPROM、EEPROM、Flash Memory、磁表面存储器、光盘、或CD-ROM等存储器。
需要说明的是：“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。
另外，本申请实施例所记载的技术方案之间，在不冲突的情况下，可以任意组合。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请披露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。

Claims (9)

1.一种基于诊疗数据的信息处理方法，其特征在于，包括：
获取诊疗数据，所述诊疗数据至少包括患者的病程记录信息和用药医嘱信息；
基于自然语言处理NLP从所述病程记录信息中提取反映药物不良反应描述事实的第一信息；
基于NLP从所述第一信息中提取药物实体及不良反应实体；
基于所述用药医嘱信息、提取的所述药物实体及所述不良反应实体和指示已知的药物不良反应信息的药物知识图谱确定识别的药物不良反应信息；
输出所述识别的药物不良反应信息；
其中，所述基于所述用药医嘱信息、提取的所述药物实体及所述不良反应实体和指示已知的药物不良反应信息的药物知识图谱确定识别的药物不良反应信息，包括：
对所述用药医嘱信息中的药物实体和基于所述第一信息提取的所述药物实体进行去重处理，构建第一实体集合；
基于所述第一信息提取的所述不良反应实体构建第二实体集合；
对所述第一实体集合、所述第二实体集合分别与所述药物知识图谱中的药物不良反应信息进行匹配；
基于匹配结果生成所述识别的药物不良反应信息；
其中，所述识别的药物不良反应信息包括：存在于所述药物知识图谱中的第一类药物不良反应信息和所述药物知识图谱之外的第二类药物不良反应信息。
2.根据权利要求1所述的方法，其特征在于，所述基于NLP从所述病程记录信息中提取反映药物不良反应描述事实的第一信息，包括：
基于预先构建的正则表达式库中的正则表达式，从所述病程记录信息中提取匹配的描述信息；
基于预先构建的分类模型判定所述描述信息是否为反映药物不良反应描述事实的第一信息，得到有效的所述第一信息。
3.根据权利要求2所述的方法，其特征在于，所述方法还包括：
基于有监督的学习方式对训练样本进行训练，得到所述分类模型。
4.根据权利要求1所述的方法，其特征在于，所述基于NLP从所述第一信息中提取药物实体及不良反应实体，包括：
基于预先构建的实体识别模型从所述第一信息中提取药物实体及不良反应实体。
5.根据权利要求4所述的方法，其特征在于，所述方法还包括：
基于历史的病程记录信息中药物实体和不良反应实体的标注结果构建实体语料库；
对所述实体语料库基于深度学习算法进行训练，得到所述实体识别模型。
6.根据权利要求1所述的方法，其特征在于，所述方法还包括：
基于药物说明信息提取药物实体对应的不良反应实体；
基于各药物实体对应的不良反应实体，构建所述药物知识图谱。
7.一种基于诊疗数据的信息处理装置，其特征在于，包括：
获取模块，用于获取诊疗数据，所述诊疗数据至少包括患者的病程记录信息和用药医嘱信息；
第一提取模块，用于基于自然语言处理NLP从所述病程记录信息中提取反映药物不良反应描述事实的第一信息；
第二提取模块，用于基于NLP从所述第一信息中提取药物实体及不良反应实体；
识别模块，用于基于所述用药医嘱信息、提取的所述药物实体及所述不良反应实体和指示已知的药物不良反应信息的药物知识图谱确定识别的药物不良反应信息，包括：对所述用药医嘱信息中的药物实体和基于所述第一信息提取的所述药物实体进行去重处理，构建第一实体集合；基于所述第一信息提取的所述不良反应实体构建第二实体集合；对所述第一实体集合、所述第二实体集合分别与所述药物知识图谱中的药物不良反应信息进行匹配；基于匹配结果生成所述识别的药物不良反应信息；其中，所述识别的药物不良反应信息包括：存在于所述药物知识图谱中的第一类药物不良反应信息和所述药物知识图谱之外的第二类药物不良反应信息；
输出模块，用于输出所述识别的药物不良反应信息。
8.一种基于诊疗数据的信息处理设备，其特征在于，包括：处理器和用于存储能够在处理器上运行的计算机程序的存储器，其中，
所述处理器，用于运行计算机程序时，执行权利要求1至6任一项所述方法的步骤。
9.一种存储介质，所述存储介质上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，实现权利要求1至6任一项所述方法的步骤。
CN202210102746.8A 2022-01-27 2022-01-27 基于诊疗数据的信息处理方法、装置、设备及存储介质 Active CN114582459B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210102746.8A CN114582459B (zh) 2022-01-27 2022-01-27 基于诊疗数据的信息处理方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210102746.8A CN114582459B (zh) 2022-01-27 2022-01-27 基于诊疗数据的信息处理方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN114582459A CN114582459A (zh) 2022-06-03
CN114582459B true CN114582459B (zh) 2023-04-18

Family

ID=81769492

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210102746.8A Active CN114582459B (zh) 2022-01-27 2022-01-27 基于诊疗数据的信息处理方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN114582459B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118315082A (zh) * 2024-04-28 2024-07-09 广州白云山明兴制药有限公司 一种药物不良反应上报方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109325131A (zh) * 2018-09-27 2019-02-12 大连理工大学 一种基于生物医学知识图谱推理的药物识别方法
CN109710738A (zh) * 2018-12-24 2019-05-03 广州天鹏计算机科技有限公司 药物问询方法、装置、系统、计算机设备和存储介质
CN110377755A (zh) * 2019-07-03 2019-10-25 江苏省人民医院（南京医科大学第一附属医院） 基于药品说明书的合理用药知识图谱构建方法
CN111968756A (zh) * 2020-07-24 2020-11-20 北京索飞麦迪科技有限公司 药品说明书的知识图谱构建方法及装置
CN113161011A (zh) * 2021-02-19 2021-07-23 中国中医科学院中医药信息研究所 药物间不良反应预警方法、预警装置及预警系统
CN113161013A (zh) * 2021-04-29 2021-07-23 中南大学湘雅三医院 一种可解释的基于文献知识图谱的药物不良反应发现方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130226616A1 (en) * 2011-10-13 2013-08-29 The Board of Trustees for the Leland Stanford, Junior, University Method and System for Examining Practice-based Evidence
CN109003682A (zh) * 2018-06-25 2018-12-14 广州市品毅信息科技有限公司 基于领域本体知识库的药品不良反应智能监测方法
CN109346145B (zh) * 2018-10-16 2022-03-11 国家食品药品监督管理总局药品评价中心(国家药品不良反应监测中心) 一种药物不良反应的主动监测方法和系统
US20210005328A1 (en) * 2019-07-01 2021-01-07 International Business Machines Corporation Expectedness Cognitive Service for Pharmacovigilence
CN110532367A (zh) * 2019-09-02 2019-12-03 广州市妇女儿童医疗中心 一种信息提示方法及系统
CN111192652A (zh) * 2019-12-30 2020-05-22 北京左医健康技术有限公司 用药随访方法及用药随访装置
CN111402971B (zh) * 2020-03-06 2021-03-05 浙江大学医学院附属第一医院 一种基于大数据的药物不良反应快速识别方法及系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109325131A (zh) * 2018-09-27 2019-02-12 大连理工大学 一种基于生物医学知识图谱推理的药物识别方法
CN109710738A (zh) * 2018-12-24 2019-05-03 广州天鹏计算机科技有限公司 药物问询方法、装置、系统、计算机设备和存储介质
CN110377755A (zh) * 2019-07-03 2019-10-25 江苏省人民医院（南京医科大学第一附属医院） 基于药品说明书的合理用药知识图谱构建方法
CN111968756A (zh) * 2020-07-24 2020-11-20 北京索飞麦迪科技有限公司 药品说明书的知识图谱构建方法及装置
CN113161011A (zh) * 2021-02-19 2021-07-23 中国中医科学院中医药信息研究所 药物间不良反应预警方法、预警装置及预警系统
CN113161013A (zh) * 2021-04-29 2021-07-23 中南大学湘雅三医院 一种可解释的基于文献知识图谱的药物不良反应发现方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
申晨 ; 林鸿飞 ; .基于图嵌入的社交媒体药物不良反应事件检测方法.大连理工大学学报.2020,(第05期),第547-554页. *

Also Published As

Publication number Publication date
CN114582459A (zh) 2022-06-03

Similar Documents

Publication Publication Date Title
Dalianis Clinical text mining: Secondary use of electronic patient records
JP6915282B2 (ja) オープンデータ及び臨床医の入力を用いて患者の治療リスクを評価するシステム及び方法
JP6780520B2 (ja) オープンデータ及び臨床医の入力を用いて患者のリスクを評価するシステム及び方法
JP6907831B2 (ja) コンテキストベースの患者類似性の方法及び装置
Lee et al. Association of DSM-5 betel-quid use disorder with oral potentially malignant disorder in 6 betel-quid endemic Asian populations
WO2022213690A1 (zh) 基于图形状态机的用药决策支持方法、装置、设备、介质
Wang et al. Overview of the BioCreative/OHNLP challenge 2018 task 2: clinical semantic textual similarity
US20210085911A1 (en) Systems and methods for treating memory impairment
Dong et al. An integrated LSTM-HeteroRGNN model for interpretable opioid overdose risk prediction
Bhattacharyya Introduction to SNOMED CT
Mathers et al. Cluster analysis of patients with ocular surface disease, blepharitis, and dry eye
Bona et al. Mismatches between major subhierarchies and semantic tags in SNOMED CT
CN114582459B (zh) 基于诊疗数据的信息处理方法、装置、设备及存储介质
Weng et al. Clinical text summarization with syntax-based negation and semantic concept identification
Lamy et al. Extracting clinical knowledge from electronic medical records
Smith New desiderata for biomedical terminologies
JP2019159871A (ja) 副作用診断装置、及び副作用診断方法
Doing-Harris et al. Development of a cardiac-centered frailty ontology
Caycho-Rodríguez et al. A psychometric analysis of the Spanish version of the grief impairment scale: A screening tool of biopsychosocial grief-related functional impairment in a Salvadoran sample
Walmsley Coming off drugs: a critical history of the withdrawing body
Sambaraju et al. What is in a text and what does it do: qualitative evaluations of an nlg system–the bt-nurse–using content analysis and discourse analysis
Soualmia et al. SIBM at CLEF e-Health Evaluation Lab 2015.
Cui Ontology-guided health information extraction, organization, and exploration
Zheng Computational Approaches to Assisting Patients' Medical Comprehension from Electronic Health Records
Zolnoori Utilizing consumer health posts for pharmacovigilance: Identifying underlying factors associated with patients' attitudes towards antidepressants

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