CN115798664A - 病历质量评估方法、系统、终端及存储介质 - Google Patents
病历质量评估方法、系统、终端及存储介质 Download PDFInfo
- Publication number
- CN115798664A CN115798664A CN202211583473.XA CN202211583473A CN115798664A CN 115798664 A CN115798664 A CN 115798664A CN 202211583473 A CN202211583473 A CN 202211583473A CN 115798664 A CN115798664 A CN 115798664A
- Authority
- CN
- China
- Prior art keywords
- medical record
- record
- medical
- hours
- entity
- 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
Landscapes
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明提供了一种病历质量评估方法、系统、终端及存储介质,该方法包括:获取样本病历,并对所述样本病历进行数字编码,得到数字化编码集;根据所述数字化编码集生成训练数据集,并根据所述训练数据集对实体识别模型进行模型训练,直至所述实体识别模型收敛;将待评估医院的病历信息输入收敛后的所述实体识别模型进行实体识别,得到实体识别结果,并根据所述实体识别结果确定所述待评估医院的病历时效信息;根据所述病历时效信息对所述待评估医院进行病历质量评估,得到病历质量评估结果。本发明基于实体识别结果能有效地确定到待评估医院的病历时效信息,基于病历时效信息能有效地对待评估医院整体进行病历质量的评估,得到病历质量评估结果。
Description
技术领域
本发明涉及医疗技术领域,尤其涉及一种病历质量评估方法、系统、终端及存储介质。
背景技术
随着科学技术的快速发展,医院的质量管理水平也越来越高,病历作为医疗行为记录的重要载体,一直是医疗质量管理类数据信息的主要来源,也是各临床专业开展科研工作的基础,其重要性自然不言而喻。随着国家卫生健康委员对《病历管理质量控制指标(2021年版)》的发布,病历质量评估的问题越来越受人们所重视。
现有的病历质量评估过程中,一般是采用人工的方式对单一的病历进行质量评估,并不能有效地的对医院整体的病历质量进行评估。
发明内容
本发明实施例的目的在于提供一种病历质量评估方法、系统、终端及存储介质,旨在解决现有的病历质量评估方法,不能有效地的对医院整体的病历质量进行评估问题。
本发明实施例是这样实现的,一种病历质量评估方法,所述方法包括:
获取样本病历,并对所述样本病历进行数字编码,得到数字化编码集;
根据所述数字化编码集生成训练数据集,并根据所述训练数据集对实体识别模型进行模型训练,直至所述实体识别模型收敛;
将待评估医院的病历信息输入收敛后的所述实体识别模型进行实体识别,得到实体识别结果,并根据所述实体识别结果确定所述待评估医院的病历时效信息;
根据所述病历时效信息对所述待评估医院进行病历质量评估,得到病历质量评估结果。
优选的,所述病历时效信息包括入院记录24小时内完成率、手术记录24小时内完成率、出院记录24小时内完成率和病历首页24小时内完成率;
所述根据所述实体识别结果确定所述待评估医院的病历时效信息所采用的公式包括:
入院记录24小时内完成率=入院记录在患者入院24小时内完成的住院患者病历数/同期住院患者病历总数×100%;
入院记录在患者入院24小时内完成的住院患者病历数=入院记录表的记录时间减去患者入院日期<24小时的病历数;
手术记录24小时内完成率=手术记录在术后24小时内完成的住院患者病历数/同期住院手术患者病历总数×100%;
手术记录在术后24小时内完成的住院患者病历数=手术记录表的记录时间-患者手术时间<24小时的病历数;
出院记录24小时内完成率=出院记录在患者出院后24小时内完成的病历数/同期出院患者病历总数×100%;
出院记录在患者出院后24小时内完成的病历数=出院记录表的记录时间-患者出院日期<24小时的病历数;
病历首页24小时内完成率=病历首页在患者出院后24小时内完成的病历数/同期出院患者病历总数×100%;
病历首页在患者出院后24小时内完成的病历数=病历首页文书记录表的记录时间减去患者出院日期<24小时的病历数;
同期住院患者病历总数=查询开始时间和结束时间内的相应病历首页记录表记录数。
优选的,所述根据所述病历时效信息对所述待评估医院进行病历质量评估所采用的公式,包括:
病历质量评估结果=a1入院记录24小时内完成率+a2手术记录24小时内完成率+a3出院记录24小时内完成率+a4病历首页24小时内完成率;
其中,a1、a2、a3和a4分别是针对入院记录24小时内完成率、手术记录24小时内完成率、出院记录24小时内完成率和病历首页24小时内完成率预设置的权重值;
若所述病历质量评估结果大于质量评估阈值,则判定所述待评估医院的病历质量评估合格。
优选的,所述对所述样本病历进行数字编码,得到数字化编码集,包括:
获取所述样本病历中的病历语句;
若所述病历语句存在字符,且所述病历语句的语句长度小于预设字符长度,则分别将所述病历语句中的字符进行编码映射;
对编码映射后的所述病历语句进行数据封装,得到所述数字化编码集。
优选的,所述分别将所述病历语句中的字符进行编码映射,包括:
分别将各字符与预存储的编码映射表进行匹配;
若所述字符与所述编码映射表匹配成功,则将匹配到的编码对所述字符进行映射;
若所述字符与所述编码映射表未匹配,则将预设编码对所述字符进行映射;
分别将各字符的标签与所述编码映射表进行匹配;
若所述标签与所述编码映射表匹配成功,则将匹配到的编码对所述标签进行映射。
优选的,所述根据所述数字化编码集生成训练数据集,包括:
分别提取所述数字化编码集中,各病历语句的语句特征和标签对应的编码,得到特征编码和标签编码;
对所述特征编码和所述标签编码进行张量封装,得到特征张量和标签张量,并对所述特征张量和所述标签张量进行数据集封装,得到所述训练数据集。
优选的,所述根据所述训练数据集对实体识别模型进行模型训练,直至所述实体识别模型收敛,包括:
将所述训练数据集输入所述实体识别模型进行实体识别,并根据实体识别结果确定正确总实体数、识别实体数和真实实体数;
根据所述正确总实体数、所述识别实体数和所述真实实体数计算所述实体识别模型的损失值、准确率、召回率和F1值,并根据所述损失值对所述实体识别模型进行参数更新,所述F1值用于表征所述实体识别模型精准度与所述召回率的调和平均数;
当所述实体识别模型的迭代次数大于次数阈值时,判定所述实体识别模型收敛,并分别获取每次迭代的所述实体识别模型的损失值、准确率、召回率和F1值;
根据获取到的所述实体识别模型的损失值、准确率、召回率和F1值进行图像绘制,得到损失折线图、准确折线图、召回折线图和F1折线图。
本发明实施例的另一目的在于提供一种病历质量评估系统,所述系统包括:
数字编码模块,用于获取样本病历,并对所述样本病历进行数字编码,得到数字化编码集;
模型训练模块,用于根据所述数字化编码集生成训练数据集,并根据所述训练数据集对实体识别模型进行模型训练,直至所述实体识别模型收敛;
实体识别模块,用于将待评估医院的病历信息输入收敛后的所述实体识别模型进行实体识别,得到实体识别结果,并根据所述实体识别结果确定所述待评估医院的病历时效信息;
质量评估模块,用于根据所述病历时效信息对所述待评估医院进行病历质量评估,得到病历质量评估结果。
本发明实施例的另一目的在于提供一种终端设备,包括存储器、处理器以及存储在所述存储器中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如上述方法的步骤。
本发明实施例的另一目的在于提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述方法的步骤。
本发明实施例,通过对样本病历进行数字编码,得到数字化编码集,基于数字化编码集能有效地进行训练数据集的生成,通过将待评估医院的病历信息输入收敛后的实体识别模型进行实体识别,能有效地提取到病历信息中的实体,基于实体识别结果能有效地确定到待评估医院的病历时效信息,基于病历时效信息能有效地对待评估医院整体进行病历质量的评估,得到病历质量评估结果。
附图说明
图1是本发明第一实施例提供的病历质量评估方法的流程图;
图2是本发明第二实施例提供的病历质量评估方法的流程图;
图3是本发明第三实施例提供的病历质量评估系统的结构示意图;
图4是本发明第四实施例提供的终端设备的结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明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仅用以解释本发明,并不用于限定本发明。
为了说明本发明所述的技术方案,下面通过具体实施例来进行说明。
实施例一
请参阅图1,是本发明第一实施例提供的病历质量评估方法的流程图,该病历质量评估方法可以应用于任一终端设备或系统,该病历质量评估方法包括步骤:
步骤S10,获取样本病历,并对所述样本病历进行数字编码,得到数字化编码集;
其中,通过从各医院的医疗信息管理系统中获取病历数据,并以病历数据中各样本病历的文书ID为唯一ID存储到预设数据库中,该预设数据库中的数据表包括文书ID,文书类别,文书内容和出院时间等数据。
该步骤中,该预设数据库可以根据需求进行设置,例如,该预设数据库可以设置为hbase数据库。优选的,通过对样本病历进行数字编码,能有效地将各样本病历转换为数字文本,方便了后续对各样本病历的数据处理操作。
步骤S20,根据所述数字化编码集生成训练数据集,并根据所述训练数据集对实体识别模型进行模型训练,直至所述实体识别模型收敛;
其中,通过训练数据集对实体识别模型进行模型训练,使得收敛后的实体识别模型能有效地对输入的病历进行实体识别;
可选的,该步骤中,所述根据所述训练数据集对实体识别模型进行模型训练,直至所述实体识别模型收敛,包括:
将所述训练数据集输入所述实体识别模型进行实体识别,并根据实体识别结果确定正确总实体数、识别实体数和真实实体数;其中,通过确定当前迭代轮次中的正确总实体数、识别实体数和真实实体数,保障了后续当前迭代轮次中损失值、准确率、召回率和F1值的计算;
根据所述正确总实体数、所述识别实体数和所述真实实体数计算所述实体识别模型的损失值、准确率、召回率和F1值,并根据所述损失值对所述实体识别模型进行参数更新,其中,F1值用于表征实体识别模型精准度与召回率的调和平均数;
当所述实体识别模型的迭代次数大于次数阈值时,判定所述实体识别模型收敛,并分别获取每次迭代的所述实体识别模型的损失值、准确率、召回率和F1值;其中,该次数阈值可以根据需求进行设置,例如,该次数阈值可以设置为10次、20次或30次等;
根据获取到的所述实体识别模型的损失值、准确率、召回率和F1值进行图像绘制,得到损失折线图、准确折线图、召回折线图和F1折线图;其中,通过损失折线图、准确折线图、召回折线图和F1折线图的绘制,方便了实体识别模型训练过程中,用户对损失值、准确率、召回率和F1值变化状态的了解。
步骤S30,将待评估医院的病历信息输入收敛后的所述实体识别模型进行实体识别,得到实体识别结果,并根据所述实体识别结果确定所述待评估医院的病历时效信息;
其中,实体识别模型训练过程中,将囊括500万+医学术语及其医学关系的医疗知识图谱融入模型训练,使模型充分学习到任务数据中的医学实体知识,相比基于卷积神经网络、长短期记忆网络模型的解决方案,在各个任务上都取得了非常明显的性能提升。实体识别模型训练过程中,设置的是标准的医学命名实体识别任务,共包括9大类实体:疾病(dis),临床表现(sym),药物(dru),医疗设备(equ),医疗程序(pro),身体(bod),医学检验项目(ite),微生物类(mic),科室(dep)。
该步骤中,基于疾病识别模型抽取出待评估医院的病历信息中,各电子病历文本的疾病名称和编码,手术名称和手术编码,并基于实体识别模型抽取出待评估医院的病历信息中,各电子病历文本的患者姓名,住院号,入院日期,出院日期,入院科室,手术科室,出院科室等信息,得到实体识别结果,其中,入院记录表,包括,患者姓名,患者住院号,患者入院日期,患者科室和记录时间等信息。
可选的,本实施例中,所述病历时效信息包括入院记录24小时内完成率、手术记录24小时内完成率、出院记录24小时内完成率和病历首页24小时内完成率;
所述根据所述实体识别结果确定所述待评估医院的病历时效信息所采用的公式包括:
入院记录24小时内完成率=入院记录在患者入院24小时内完成的住院患者病历数/同期住院患者病历总数×100%;
入院记录在患者入院24小时内完成的住院患者病历数=入院记录表的记录时间减去患者入院日期<24小时的病历数;
手术记录24小时内完成率=手术记录在术后24小时内完成的住院患者病历数/同期住院手术患者病历总数×100%;
手术记录在术后24小时内完成的住院患者病历数=手术记录表的记录时间-患者手术时间<24小时的病历数;
出院记录24小时内完成率=出院记录在患者出院后24小时内完成的病历数/同期出院患者病历总数×100%;
出院记录在患者出院后24小时内完成的病历数=出院记录表的记录时间-患者出院日期<24小时的病历数;
病历首页24小时内完成率=病历首页在患者出院后24小时内完成的病历数/同期出院患者病历总数×100%;
病历首页在患者出院后24小时内完成的病历数=病历首页文书记录表的记录时间减去患者出院日期<24小时的病历数;
同期住院患者病历总数=查询开始时间和结束时间内的相应病历首页记录表记录数。
步骤S40,根据所述病历时效信息对所述待评估医院进行病历质量评估,得到病历质量评估结果;
其中,所述根据所述病历时效信息对所述待评估医院进行病历质量评估所采用的公式,包括:
病历质量评估结果=a1入院记录24小时内完成率+a2手术记录24小时内完成率+a3出院记录24小时内完成率+a4病历首页24小时内完成率;
其中,a1、a2、a3和a4分别是针对入院记录24小时内完成率、手术记录24小时内完成率、出院记录24小时内完成率和病历首页24小时内完成率预设置的权重值;
若所述病历质量评估结果大于质量评估阈值,则判定所述待评估医院的病历质量评估合格;
其中,该质量评估阈值可以根据需求进行设置,若病历质量评估结果大于质量评估阈值,则判定待评估医院中医生处理病历的时效性较高,若病历质量评估结果小于或等于质量评估阈值,则判定待评估医院的病历质量评估不合格,待评估医院中医生处理病历的时效性较低。
本实施例中,通过对样本病历进行数字编码,得到数字化编码集,基于数字化编码集能有效地进行训练数据集的生成,通过将待评估医院的病历信息输入收敛后的实体识别模型进行实体识别,能有效地提取到病历信息中的实体,基于实体识别结果能有效地确定到待评估医院的病历时效信息,基于病历时效信息能有效地对待评估医院整体进行病历质量的评估,得到病历质量评估结果,本实施例,能从医院的浩瀚病历中提取出病历书写时效性指标相关信息,并自动生成表征病历质量评估结果的指标数值结果,提高了医院病历管理的质量。
实施例二
请参阅图2,是本发明第二实施例提供的病历质量评估方法的流程图,该实施例用于对第一实施例中的步骤S10作进一步细化,包括步骤:
步骤S11,获取所述样本病历中的病历语句;
其中,分别获取各样本病历中的句子,得到该病历语句,该步骤中,每一行包含一个字以及与之对应的标签,字与标签之间通过“\t”分隔,句子与句子之间通过空行分隔;
该步骤中,当获取到病历语句之后,分别判断各病历语句是否存在字符,以判定该病历语句是否是空行,并当判断到病历语句不是空行时,判断病历语句的语句长度是否小于预设字符长度;
步骤S12,若所述病历语句存在字符,且所述病历语句的语句长度小于预设字符长度,则分别将所述病历语句中的字符进行编码映射;
其中,若病历语句中存在字符,则判定该病历语句不是空行,且病历语句的语句长度小于预设字符长度时,则将病历语句中的字符进行编码映射,该预设字符长度可以根据需求进行设置;
该步骤中,若病历语句中不存在字符,则判定该病历语句是空行,即,说明当前病历语句已经结束,对映射结果进行保存。
可选的,该步骤中,所述分别将所述病历语句中的字符进行编码映射,包括:
分别将各字符与预存储的编码映射表进行匹配;其中,该编码映射表中存储有不同字符与对应编码之间的对应关系;
若所述字符与所述编码映射表匹配成功,则将匹配到的编码对所述字符进行映射;
若所述字符与所述编码映射表未匹配,则将预设编码对所述字符进行映射;其中,该预设编码可以根据需求进行设置,可选的,该步骤中,若字符与编码映射表未匹配,还可以根据预设字符对当前字符进行替换,并根据替换后的预设字符对应的编码进行映射,该预设字符可以根据需求进行设置,例如,该预设字符可以设置为“UNK”;
分别将各字符的标签与所述编码映射表进行匹配;其中,该编码映射表中还存储有不同标签与对应编码之间的对应关系;
若所述标签与所述编码映射表匹配成功,则将匹配到的编码对所述标签进行映射;可选的,若标签与编码映射表匹配不成功,则根据指定编码对标签进行映射,该指定编码可以根据需求进行设置。
步骤S13,对编码映射后的所述病历语句进行数据封装,得到所述数字化编码集;
其中,通过对编码映射后的病历语句进行数据封装,能有效地将病历语句转换为指定格式的数字化编码集;可选的,本实施例中,针对步骤S20,所述根据所述数字化编码集生成训练数据集,包括:
分别提取所述数字化编码集中,各病历语句的语句特征和标签对应的编码,得到特征编码和标签编码;
对所述特征编码和所述标签编码进行张量封装,得到特征张量和标签张量,并对所述特征张量和所述标签张量进行数据集封装,得到所述训练数据集;
其中,通过对各病历语句的语句特征和标签对应的编码进行特征提取,能有效地得到各病历语句对应的特征编码和标签编码,通过对特征编码和标签编码进行张量封装,能有效地将特征编码和标签编码转换为张量,并通过对特征张量和标签张量进行数据集封装,能有效地将张量转换为得训练数据集。
本实施例中,通过分别判断各病历语句是否存在字符,以判定各病历语句是否是空行,若病历语句中存在字符,则判定该病历语句不是空行,且病历语句的语句长度小于预设字符长度时,则将病历语句中的字符进行编码映射,通过对编码映射后的病历语句进行数据封装,能有效地将病历语句转换为指定格式的数字化编码集。
实施例三
请参阅图3,是本发明第三实施例提供的病历质量评估系统100的结构示意图,包括:数字编码模块10、模型训练模块11、实体识别模块12和质量评估模块13,其中:
数字编码模块10,用于获取样本病历,并对所述样本病历进行数字编码,得到数字化编码集。
可选的,数字编码模块10还用于:获取所述样本病历中的病历语句;
若所述病历语句存在字符,且所述病历语句的语句长度小于预设字符长度,则分别将所述病历语句中的字符进行编码映射;
对编码映射后的所述病历语句进行数据封装,得到所述数字化编码集。
进一步地,数字编码模块10还用于:分别将各字符与预存储的编码映射表进行匹配;
若所述字符与所述编码映射表匹配成功,则将匹配到的编码对所述字符进行映射;
若所述字符与所述编码映射表未匹配,则将预设编码对所述字符进行映射;
分别将各字符的标签与所述编码映射表进行匹配;
若所述标签与所述编码映射表匹配成功,则将匹配到的编码对所述标签进行映射。
模型训练模块11,用于根据所述数字化编码集生成训练数据集,并根据所述训练数据集对实体识别模型进行模型训练,直至所述实体识别模型收敛。
可选的,模型训练模块11还用于:分别提取所述数字化编码集中,各病历语句的语句特征和标签对应的编码,得到特征编码和标签编码;
对所述特征编码和所述标签编码进行张量封装,得到特征张量和标签张量,并对所述特征张量和所述标签张量进行数据集封装,得到所述训练数据集。
进一步地,模型训练模块11还用于:将所述训练数据集输入所述实体识别模型进行实体识别,并根据实体识别结果确定正确总实体数、识别实体数和真实实体数;
根据所述正确总实体数、所述识别实体数和所述真实实体数计算所述实体识别模型的损失值、准确率、召回率和F1值,并根据所述损失值对所述实体识别模型进行参数更新,所述F1值用于表征所述实体识别模型精准度与所述召回率的调和平均数;
当所述实体识别模型的迭代次数大于次数阈值时,判定所述实体识别模型收敛,并分别获取每次迭代的所述实体识别模型的损失值、准确率、召回率和F1值;
根据获取到的所述实体识别模型的损失值、准确率、召回率和F1值进行图像绘制,得到损失折线图、准确折线图、召回折线图和F1折线图。
实体识别模块12,用于将待评估医院的病历信息输入收敛后的所述实体识别模型进行实体识别,得到实体识别结果,并根据所述实体识别结果确定所述待评估医院的病历时效信息。
可选的,本实施例中,所述病历时效信息包括入院记录24小时内完成率、手术记录24小时内完成率、出院记录24小时内完成率和病历首页24小时内完成率;
所述根据所述实体识别结果确定所述待评估医院的病历时效信息所采用的公式包括:
入院记录24小时内完成率=入院记录在患者入院24小时内完成的住院患者病历数/同期住院患者病历总数×100%;
入院记录在患者入院24小时内完成的住院患者病历数=入院记录表的记录时间减去患者入院日期<24小时的病历数;
手术记录24小时内完成率=手术记录在术后24小时内完成的住院患者病历数/同期住院手术患者病历总数×100%;
手术记录在术后24小时内完成的住院患者病历数=手术记录表的记录时间-患者手术时间<24小时的病历数;
出院记录24小时内完成率=出院记录在患者出院后24小时内完成的病历数/同期出院患者病历总数×100%;
出院记录在患者出院后24小时内完成的病历数=出院记录表的记录时间-患者出院日期<24小时的病历数;
病历首页24小时内完成率=病历首页在患者出院后24小时内完成的病历数/同期出院患者病历总数×100%;
病历首页在患者出院后24小时内完成的病历数=病历首页文书记录表的记录时间减去患者出院日期<24小时的病历数;
同期住院患者病历总数=查询开始时间和结束时间内的相应病历首页记录表记录数。
质量评估模块13,用于根据所述病历时效信息对所述待评估医院进行病历质量评估,得到病历质量评估结果。
可选的,本实施例中,所述根据所述病历时效信息对所述待评估医院进行病历质量评估所采用的公式,包括:
病历质量评估结果=a1入院记录24小时内完成率+a2手术记录24小时内完成率+a3出院记录24小时内完成率+a4病历首页24小时内完成率;
其中,a1、a2、a3和a4分别是针对入院记录24小时内完成率、手术记录24小时内完成率、出院记录24小时内完成率和病历首页24小时内完成率预设置的权重值;
若所述病历质量评估结果大于质量评估阈值,则判定所述待评估医院的病历质量评估合格。
本实施例,通过对样本病历进行数字编码,得到数字化编码集,基于数字化编码集能有效地进行训练数据集的生成,通过将待评估医院的病历信息输入收敛后的实体识别模型进行实体识别,能有效地提取到病历信息中的实体,基于实体识别结果能有效地确定到待评估医院的病历时效信息,基于病历时效信息能有效地对待评估医院整体进行病历质量的评估,得到病历质量评估结果。
实施例四
图4是本申请第四实施例提供的一种终端设备2的结构框图。如图4所示,该实施例的终端设备2包括:处理器20、存储器21以及存储在所述存储器21中并可在所述处理器20上运行的计算机程序22,例如病历质量评估方法的程序。处理器20执行所述计算机程序22时实现上述各个病历质量评估方法各实施例中的步骤。
示例性的,所述计算机程序22可以被分割成一个或多个模块,所述一个或者多个模块被存储在所述存储器21中,并由所述处理器20执行,以完成本申请。所述一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序22在所述终端设备2中的执行过程。所述终端设备可包括,但不仅限于,处理器20、存储器21。
所称处理器20可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)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。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器21可以是所述终端设备2的内部存储单元,例如终端设备2的硬盘或内存。所述存储器21也可以是所述终端设备2的外部存储设备,例如所述终端设备2上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器21还可以既包括所述终端设备2的内部存储单元也包括外部存储设备。所述存储器21用于存储所述计算机程序以及所述终端设备所需的其他程序和数据。所述存储器21还可以用于暂时地存储已经输出或者将要输出的数据。
另外,在本申请各个实施例中的各功能模块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。
集成的模块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存储介质中。其中,计算机可读存储介质可以是非易失性的,也可以是易失性的。基于这样的理解,本申请实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,计算机程序包括计算机程序代码,计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读存储介质可以包括:能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,计算机可读存储介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读存储介质不包括电载波信号和电信信号。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,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申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (10)
1.一种病历质量评估方法,其特征在于,所述方法包括:
获取样本病历,并对所述样本病历进行数字编码,得到数字化编码集;
根据所述数字化编码集生成训练数据集,并根据所述训练数据集对实体识别模型进行模型训练,直至所述实体识别模型收敛;
将待评估医院的病历信息输入收敛后的所述实体识别模型进行实体识别,得到实体识别结果,并根据所述实体识别结果确定所述待评估医院的病历时效信息;
根据所述病历时效信息对所述待评估医院进行病历质量评估,得到病历质量评估结果。
2.如权利要求1所述的病历质量评估方法,其特征在于,所述病历时效信息包括入院记录24小时内完成率、手术记录24小时内完成率、出院记录24小时内完成率和病历首页24小时内完成率;
所述根据所述实体识别结果确定所述待评估医院的病历时效信息所采用的公式包括:
入院记录24小时内完成率=入院记录在患者入院24小时内完成的住院患者病历数/同期住院患者病历总数×100%;
入院记录在患者入院24小时内完成的住院患者病历数=入院记录表的记录时间减去患者入院日期<24小时的病历数;
手术记录24小时内完成率=手术记录在术后24小时内完成的住院患者病历数/同期住院手术患者病历总数×100%;
手术记录在术后24小时内完成的住院患者病历数=手术记录表的记录时间-患者手术时间<24小时的病历数;
出院记录24小时内完成率=出院记录在患者出院后24小时内完成的病历数/同期出院患者病历总数×100%;
出院记录在患者出院后24小时内完成的病历数=出院记录表的记录时间-患者出院日期<24小时的病历数;
病历首页24小时内完成率=病历首页在患者出院后24小时内完成的病历数/同期出院患者病历总数×100%;
病历首页在患者出院后24小时内完成的病历数=病历首页文书记录表的记录时间减去患者出院日期<24小时的病历数;
同期住院患者病历总数=查询开始时间和结束时间内的相应病历首页记录表记录数。
3.如权利要求2所述的病历质量评估方法,其特征在于,所述根据所述病历时效信息对所述待评估医院进行病历质量评估所采用的公式,包括:
病历质量评估结果=a1入院记录24小时内完成率+a2手术记录24小时内完成率+a3出院记录24小时内完成率+a4病历首页24小时内完成率;
其中,a1、a2、a3和a4分别是针对入院记录24小时内完成率、手术记录24小时内完成率、出院记录24小时内完成率和病历首页24小时内完成率预设置的权重值;
若所述病历质量评估结果大于质量评估阈值,则判定所述待评估医院的病历质量评估合格。
4.如权利要求1所述的病历质量评估方法,其特征在于,所述对所述样本病历进行数字编码,得到数字化编码集,包括:
获取所述样本病历中的病历语句;
若所述病历语句存在字符,且所述病历语句的语句长度小于预设字符长度,则分别将所述病历语句中的字符进行编码映射;
对编码映射后的所述病历语句进行数据封装,得到所述数字化编码集。
5.如权利要求4所述的病历质量评估方法,其特征在于,所述分别将所述病历语句中的字符进行编码映射,包括:
分别将各字符与预存储的编码映射表进行匹配;
若所述字符与所述编码映射表匹配成功,则将匹配到的编码对所述字符进行映射;
若所述字符与所述编码映射表未匹配,则将预设编码对所述字符进行映射;
分别将各字符的标签与所述编码映射表进行匹配;
若所述标签与所述编码映射表匹配成功,则将匹配到的编码对所述标签进行映射。
6.如权利要求5所述的病历质量评估方法,其特征在于,所述根据所述数字化编码集生成训练数据集,包括:
分别提取所述数字化编码集中,各病历语句的语句特征和标签对应的编码,得到特征编码和标签编码;
对所述特征编码和所述标签编码进行张量封装,得到特征张量和标签张量,并对所述特征张量和所述标签张量进行数据集封装,得到所述训练数据集。
7.如权利要求1所述的病历质量评估方法,其特征在于,所述根据所述训练数据集对实体识别模型进行模型训练,直至所述实体识别模型收敛,包括:
将所述训练数据集输入所述实体识别模型进行实体识别,并根据实体识别结果确定正确总实体数、识别实体数和真实实体数;
根据所述正确总实体数、所述识别实体数和所述真实实体数计算所述实体识别模型的损失值、准确率、召回率和F1值,并根据所述损失值对所述实体识别模型进行参数更新,所述F1值用于表征所述实体识别模型精准度与所述召回率的调和平均数;
当所述实体识别模型的迭代次数大于次数阈值时,判定所述实体识别模型收敛,并分别获取每次迭代的所述实体识别模型的损失值、准确率、召回率和F1值;
根据获取到的所述实体识别模型的损失值、准确率、召回率和F1值进行图像绘制,得到损失折线图、准确折线图、召回折线图和F1折线图。
8.一种病历质量评估系统,其特征在于,所述系统包括:
数字编码模块,用于获取样本病历,并对所述样本病历进行数字编码,得到数字化编码集;
模型训练模块,用于根据所述数字化编码集生成训练数据集,并根据所述训练数据集对实体识别模型进行模型训练,直至所述实体识别模型收敛;
实体识别模块,用于将待评估医院的病历信息输入收敛后的所述实体识别模型进行实体识别,得到实体识别结果,并根据所述实体识别结果确定所述待评估医院的病历时效信息;
质量评估模块,用于根据所述病历时效信息对所述待评估医院进行病历质量评估,得到病历质量评估结果。
9.一种终端设备,包括存储器、处理器以及存储在所述存储器中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如权利要求1至7任一项所述方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211583473.XA CN115798664A (zh) | 2022-12-10 | 2022-12-10 | 病历质量评估方法、系统、终端及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211583473.XA CN115798664A (zh) | 2022-12-10 | 2022-12-10 | 病历质量评估方法、系统、终端及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115798664A true CN115798664A (zh) | 2023-03-14 |
Family
ID=85418423
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211583473.XA Pending CN115798664A (zh) | 2022-12-10 | 2022-12-10 | 病历质量评估方法、系统、终端及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115798664A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117952121A (zh) * | 2024-03-27 | 2024-04-30 | 北方健康医疗大数据科技有限公司 | 一种医疗文本的质量评估方法、系统、电子设备及介质 |
-
2022
- 2022-12-10 CN CN202211583473.XA patent/CN115798664A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117952121A (zh) * | 2024-03-27 | 2024-04-30 | 北方健康医疗大数据科技有限公司 | 一种医疗文本的质量评估方法、系统、电子设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106919793B (zh) | 一种医疗大数据的数据标准化处理方法及装置 | |
CN107833603B (zh) | 电子病历文档分类方法、装置、电子设备及存储介质 | |
CN109584975B (zh) | 医疗数据标准化处理方法及装置 | |
CN110162779B (zh) | 病历质量的评估方法、装置及设备 | |
CN106980767A (zh) | 一种基于结构化医学数据库的数据搜索方法及系统 | |
CN111459967A (zh) | 结构化查询语句生成方法、装置、电子设备及介质 | |
CN111797629B (zh) | 医疗文本数据的处理方法、装置、计算机设备和存储介质 | |
CN116541752B (zh) | 元数据管理方法、装置、计算机设备及存储介质 | |
CN112307337B (zh) | 基于标签知识图谱的关联推荐方法、装置及计算机设备 | |
CN115798664A (zh) | 病历质量评估方法、系统、终端及存储介质 | |
CN116721778B (zh) | 一种医学术语标准化方法、系统、设备及介质 | |
CN111597789A (zh) | 一种电子病历文本的评估方法及设备 | |
CN114358001A (zh) | 诊断结果的标准化方法及其相关装置、设备和存储介质 | |
CN112837772A (zh) | 一种预问诊病历生成方法及装置 | |
CN117520503A (zh) | 基于llm模型的金融客服对话生成方法、装置、设备及介质 | |
CN114238639A (zh) | 一种医学术语标准化框架的构建方法、装置、电子设备 | |
CN113626591A (zh) | 一种基于文本分类的电子病历数据质量评价方法 | |
CN113724830A (zh) | 基于人工智能的用药风险检测方法及相关设备 | |
CN115775635A (zh) | 基于深度学习模型的药品风险识别方法、装置及终端设备 | |
CN113724823B (zh) | 医疗健康服务的线上管理方法、装置、设备及存储介质 | |
CN113724815B (zh) | 基于决策分群模型的信息推送方法及装置 | |
CN118136268A (zh) | 基于大模型的drg入组推荐方法、系统、终端及存储介质 | |
CN117577348B (zh) | 一种循证医学证据的识别方法及相关装置 | |
CN112734202B (zh) | 基于电子病历的医疗能力评价方法、装置、设备及介质 | |
CN113988067B (zh) | 语句分词方法、装置及电子设备 |
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 |