CN115938593A - 病历信息的处理方法、装置、设备及计算机可读存储介质 - Google Patents
病历信息的处理方法、装置、设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN115938593A CN115938593A CN202310227076.7A CN202310227076A CN115938593A CN 115938593 A CN115938593 A CN 115938593A CN 202310227076 A CN202310227076 A CN 202310227076A CN 115938593 A CN115938593 A CN 115938593A
- Authority
- CN
- China
- Prior art keywords
- disease
- medical record
- record information
- preset
- score
- 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
-
- 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
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本申请提供一种病历信息的处理方法、装置、设备及计算机可读存储介质,方法包括:获取待诊断的病历信息队列;确定各病历信息中包含的多个疾病特征;依次以各预设疾病作为目标疾病,确定各疾病特征相对于目标疾病的疾病特征得分,从而确定同一病历信息相对于目标疾病的疾病得分;基于同一病历信息相对于各预设疾病的疾病得分,确定同一病历信息的病历得分;基于各病历信息的病历得分,对病历信息队列中病历信息的排列顺序进行调整。本申请通过获取待诊断的病历信息中的疾病特征,结合多个疾病特征与多个预设疾病,对病历信息进行评分,基于评分对病历信息之间的顺序进行调整,从而优化不同病例的诊断顺序,使得病例诊断顺序更加合理。
Description
技术领域
本申请主要涉及辅助医疗技术领域,具体涉及一种病历信息的处理方法、装置、设备及计算机可读存储介质。
背景技术
医生在接诊病例时,往往是根据病例的先后到达顺序,依次为各病例进行诊断。然而不同病例的疾病情况不同,例如部分病例的疾病诊断较为简单,部分病例的疾病诊断较为复杂,若仍按照病例的先后到达顺序进行诊断,则会导致部分病例无法得到及时诊断,可以看出,现有的病例诊断顺序不够合理。
发明内容
本申请提供一种基于病历信息的处理方法、装置、设备及计算机可读存储介质,旨在解决现有的病例诊断顺序不够合理的技术问题。
第一方面,本申请提供一种病历信息的处理方法,所述方法包括:
获取待诊断的病历信息队列,所述病历信息队列中包括依次排序的多个病历信息;
确定各病历信息中包含的多个疾病特征;
依次以多个预设疾病中各预设疾病作为目标疾病,确定各疾病特征相对于目标疾病的疾病特征得分;
基于同一病历信息中的多个疾病特征相对于目标疾病的疾病特征得分,确定所述同一病历信息相对于目标疾病的疾病得分,得到所述同一病历信息相对于各预设疾病的疾病得分;
基于所述同一病历信息相对于各预设疾病的疾病得分,确定所述同一病历信息的病历得分;
基于各病历信息的病历得分,对所述病历信息队列中病历信息的排列顺序进行调整,并输出调整后的病历信息队列。
在本申请的一些实施例中,病历信息中包括病历文本、医学检测图像、医学检测声音中的至少一个,所述确定各病历信息中包含的多个疾病特征,包括:
获取各预设疾病特征的文本分类模型,基于预设疾病特征的文本分类模型,判断病历文本是否属于包含预设疾病特征的文本类型,以确定病历文本中是否包括各预设疾病特征,其中,所述多个疾病特征中包括预设疾病特征;
将医学检测图像与预设的健康医学检测图像进行比对,以确定医学检测图像中包含的图像疾病特征,其中,所述多个疾病特征中包括图像疾病特征;
将医学检测声音与预设的健康医学检测声音进行比对,以确定医学检测声音中包含的声音疾病特征,其中,所述多个疾病特征中包括声音疾病特征。
在本申请的一些实施例中,所述确定各疾病特征相对于目标疾病的疾病特征得分,包括:
依次将各疾病特征输入至目标疾病的预设疾病特征分类模型;
接收所述预设疾病特征分类模型输出的疾病特征类型,得到各疾病特征相对于目标疾病的疾病特征类型,其中,所述疾病特征类型包括排除性疾病特征、确定性疾病特征和指向性疾病特征,所述排除性疾病特征为预设疾病一定不具有的疾病特征,所述确定性疾病特征为疾病一定具有的疾病特征,所述指向性疾病特征为预设疾病可能具有的疾病特征;
基于各疾病特征相对于目标疾病的疾病特征类型,确定各疾病特征相对于目标疾病的疾病特征得分。
在本申请的一些实施例中,所述基于同一病历信息中的多个疾病特征相对于目标疾病的疾病特征得分,确定所述同一病历信息相对于目标疾病的疾病得分,包括:
获取同一病历信息中各疾病特征的特征来源,其中,特征来源包括病历信息中的病历文本、医学检测图像、医学检测声音中的至少一个,不同特征来源与不同的来源可信度对应;
将同一病历信息中各疾病特征的特征来源对应的来源可信度作为权重,对同一病历信息中的多个疾病特征相对于目标疾病的疾病特征得分进行加权求和,得到所述同一病历信息相对于目标疾病的疾病得分。
在本申请的一些实施例中,所述基于所述同一病历信息相对于各预设疾病的疾病得分,确定所述同一病历信息的病历得分,包括:
检测所述同一病历信息相对于各预设疾病的疾病得分是否大于预设阈值,以确定出大于预设阈值的多个疾病得分;
基于大于预设阈值的多个疾病得分,得到所述同一病历信息的病历得分。
在本申请的一些实施例中,所述基于各病历信息的病历得分,对所述病历信息队列中病历信息的排列顺序进行调整,包括:
基于所述病历信息队列中病历信息的排列顺序,确定所述病历信息队列中各病历信息分别对应的第一得分;
将所述同一病历信息对应的第一得分与病历得分之和,作为所述同一病历信息对应的第二得分;
基于所述病历信息队列中各病历信息分别对应的第二得分,确定调整后的病历信息队列中病历信息的排列顺序,得到调整后的病历信息队列。
在本申请的一些实施例中,所述基于所述病历信息队列中各病历信息分别对应的第二得分,确定调整后的病历信息队列中病历信息的排列顺序,包括:
确定基于所述病历信息队列中各病历信息的病例诊断类型,所述病例诊断类型包括病例初诊和病例复诊;
基于病历信息的病例诊断类型,对病历信息对应的第二得分进行修正,得到病历信息对应的第三得分;
基于所述病历信息队列中各病历信息分别对应的第三得分,确定调整后的病历信息队列中病历信息的排列顺序。
第二方面,本申请提供一种病历信息的处理装置,所述病历信息的处理装置包括:
获取单元,用于获取待诊断的病历信息队列,所述病历信息队列中包括依次排序的多个病历信息;
确定单元,用于确定各病历信息中包含的多个疾病特征;
评分单元,用于依次以多个预设疾病中各预设疾病作为目标疾病,确定各疾病特征相对于目标疾病的疾病特征得分;
评分单元,还用于基于同一病历信息中的多个疾病特征相对于目标疾病的疾病特征得分,确定所述同一病历信息相对于目标疾病的疾病得分,得到所述同一病历信息相对于各预设疾病的疾病得分;
评分单元,还用于基于所述同一病历信息相对于各预设疾病的疾病得分,确定所述同一病历信息的病历得分;
调整单元,用于基于各病历信息的病历得分,对所述病历信息队列中病历信息的排列顺序进行调整,并输出调整后的病历信息队列。
第三方面,本申请提供一种计算机设备,所述计算机设备包括:
一个或多个处理器;
存储器;以及
一个或多个应用程序,其中所述一个或多个应用程序被存储于所述存储器中,并配置为由所述处理器执行以实现第一方面中任一项所述的病历信息的处理方法。
第四方面,本申请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多条指令,所述指令适于处理器进行加载,以执行第一方面中任一项所述的病历信息的处理方法中的步骤。
本申请提供一种病历信息的处理方法、装置、设备及计算机可读存储介质,方法包括:获取待诊断的病历信息队列,病历信息队列中包括依次排序的多个病历信息;确定各病历信息中包含的多个疾病特征;依次以多个预设疾病中各预设疾病作为目标疾病,确定各疾病特征相对于目标疾病的疾病特征得分;基于同一病历信息中的多个疾病特征相对于目标疾病的疾病特征得分,确定同一病历信息相对于目标疾病的疾病得分,得到同一病历信息相对于各预设疾病的疾病得分;基于同一病历信息相对于各预设疾病的疾病得分,确定同一病历信息的病历得分;基于各病历信息的病历得分,对病历信息队列中病历信息的排列顺序进行调整,并输出调整后的病历信息队列。本申请实施例通过获取待诊断的病历信息中的疾病特征,结合多个疾病特征与多个预设疾病,对病历信息进行评分,基于评分对病历信息之间的顺序进行调整,从而优化不同病例的诊断顺序,使得病例诊断顺序更加合理。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域技术人员来讲,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是本申请实施例提供的病历信息的处理系统的场景示意图;
图2是本申请实施例中病历信息的处理方法的一个实施例流程示意图;
图3是本申请实施例中病历信息的处理方法的再一实施例流程示意图;
图4是本申请实施例中病历信息的处理方法的又一实施例流程示意图;
图5是本申请实施例中提供的病历信息的处理装置的一个实施例结构示意图;
图6是本申请实施例中提供的计算机设备的一个实施例结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
在本申请的描述中,需要理解的是,术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本申请和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本申请的限制。此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个特征。在本申请的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
在本申请中,“示例性”一词用来表示“用作例子、例证或说明”。本申请中被描述为“示例性”的任何实施例不一定被解释为比其它实施例更优选或更具优势。为了使本领域任何技术人员能够实现和使用本申请,给出了以下描述。在以下描述中,为了解释的目的而列出了细节。应当明白的是,本领域普通技术人员可以认识到,在不使用这些特定细节的情况下也可以实现本申请。在其它实例中,不会对公知的结构和过程进行详细阐述,以避免不必要的细节使本申请的描述变得晦涩。因此,本申请并非旨在限于所示的实施例,而是与符合本申请所公开的原理和特征的最广范围相一致。
本申请实施例提供一种病历信息的处理方法、装置、设备及计算机可读存储介质,以下分别进行详细说明。
请参阅图1,图1是本申请实施例所提供的病历信息的处理系统的场景示意图,该病历信息的处理系统可以包括计算机设备100,计算机设备100中集成有病历信息的处理装置。
本申请实施例中,该计算机设备100可以是独立的服务器,也可以是服务器组成的服务器网络或服务器集群,例如,本申请实施例中所描述的计算机设备100,其包括但不限于计算机、网络主机、单个网络服务器、多个网络服务器集或多个服务器构成的云服务器。其中,云服务器由基于云计算(Cloud Computing)的大量计算机或网络服务器构成。
本申请实施例中,上述的计算机设备100可以是一个通用计算机设备或者是一个专用计算机设备。在具体实现中计算机设备100可以是台式机、便携式电脑、网络服务器、掌上电脑(Personal Digital Assistant,PDA)、移动手机、平板电脑、无线终端设备、通信设备、嵌入式设备等,本实施例不限定计算机设备100的类型。
本领域技术人员可以理解,图1中示出的应用环境,仅仅是本申请方案的一种应用场景,并不构成对本申请方案应用场景的限定,其他的应用环境还可以包括比图1中所示更多或更少的计算机设备,例如图1中仅示出1个计算机设备,可以理解的,该病历信息的处理系统还可以包括一个或多个可处理数据的其他计算机设备,具体此处不作限定。
另外,如图1所示,该病历信息的处理系统还可以包括存储器200,用于存储数据。
需要说明的是,图1所示的病历信息的处理系统的场景示意图仅仅是一个示例,本申请实施例描述的病历信息的处理系统以及场景是为了更加清楚的说明本申请实施例的技术方案,并不构成对于本申请实施例提供的技术方案的限定,本领域普通技术人员可知,随着病历信息的处理系统的演变和新业务场景的出现,本申请实施例提供的技术方案对于类似的技术问题,同样适用。
接下来,介绍本申请实施例提供的病历信息的处理方法。
本申实施例病历信息的处理方法的实施例中以病历信息的处理装置作为执行主体,为了简化与便于描述,后续方法实施例中将省略该执行主体,该病历信息的处理装置应用于计算机设备。
请参阅图2至图4,图2为本申请实施例中提供的病历信息的处理方法的一个实施例流程示意图,该病历信息的处理方法包括:
201、获取待诊断的病历信息队列,所述病历信息队列中包括依次排序的多个病历信息;
本申请实施例中,病历信息队列为待医生进行病例诊断的队列,病历信息队列中每一病历信息与一个病例对应,病例即可能患病的患者。病历信息队列中多个病历信息的排列顺序为对应的病例的诊断顺序。病历信息队列中多个病历信息的排列顺序可根据对应的病例的报到时间/预约时间确定,报到时间/预约时间越靠前的病例的病历信息,在病历信息队列中的排名也月靠前。
202、确定各病历信息中包含的多个疾病特征;
本申请实施例中,病历信息是医务人员对患者疾病的发生、发展、转归,进行检查、诊断、治疗等医疗活动过程的记录,包含有目标病例在生命体征、症状、既往史、家族史、个人史、婚育史、体格检查、检查检验病理学结果、与预设疾病的诊断相关的人口学信息等方面的信息,例如病历信息中可包括病例的病历文本、医学检测图像、医学检测声音中的至少一个,因此可从病历信息中提取出多个疾病特征。其中,病历文本为病例病症的文字描述内容,医学检测图像为病例的CT、超声、B超等医学影像,医学检测声音为病例说出预设文字内容时的声音信号或者病例咳嗽时的声音信号,可以理解的是,在病例患有肺炎等疾病时,病例的声音会发生变化,因此需要采集病例的医学检测声音。
在本申请的一些实施例中,确定各病历信息中包含的多个疾病特征,包括:获取各预设疾病特征的文本分类模型,基于预设疾病特征的文本分类模型,判断病历文本是否属于包含预设疾病特征的文本类型,以确定病历文本中是否包括各预设疾病特征,其中,多个疾病特征中包括预设疾病特征。提高了确定病历信息中包含的疾病特征的效率和准确度。
预设疾病特征指患者患有预设疾病时具有的特征,具体包括患者在生命体征、症状、既往史、家族史、个人史、婚育史、体格检查、检查检验病理学结果、与预设疾病的诊断相关的人口学信息等方面的特征,例如患者在生命体征方面的特征可以是:血压高于180mmhg,患者在症状方面的特征可以是:嗜睡、心绞痛,患者在既往史方面的特征可以是:有过中风的情况,患者在家族史方面的特征可以是:患者父亲患有高血压等。预设疾病可以是胃溃疡等消化道疾病,也可以是冠脉微血管疾病、高血压等其他疾病。
预设疾病特征可基于预设疾病的国内外指南来确定,预设疾病的国内外指南中包含了预设疾病的病因、病情、治疗手段、治疗效果、预防手段、风险管理等信息,例如指南中的描述有:老年人易患预设疾病,预设疾病多发生在女性中,预设疾病的患者大多体温偏高等。因此可由医学专业人工查阅预设疾病的国内外指南,然后手动输入患有预设疾病时的多个预设疾病特征。
文本分类模型用于对输入的文本进行分类,文本分类模型一般为BERT(BidirectionalEncoderRepresentations from Transformer,来自转换器的双向编码器表示)模型。针对各预设疾病特征分别设置有一个文本分类模型,用于确定病历文本中是否包含有预设疾病特征。文本分类模型的模型训练过程如下:获取多个预设病历文本,其中,包含有预设疾病特征的预设病历文本被标记有预设疾病特征对应的预设文本标记,以预设疾病特征为C1为例,由医学专业人员对各预设病历文本进行标记,标记规则为:包含预设疾病特征C1的预设病历文本标记有预设文本标记1,不包含预设疾病特征C1的预设病历文本则不标记预设文本标记1,由于标记过程由人工执行,因此预设病历文本可以是任意的自由文本;采用多个预设病历文本和预设疾病特征对应的预设文本标记,对预设的文本分类模型进行模型训练,得到预设疾病特征的文本分类模型。以预设的文本分类模型为BERT模型为例,将标记完成后的多个预设病历文本输入至BERT模型,以对BERT模型进行模型训练,模型训练结果后即可得到预设疾病特征的文本分类模型。其中,在进行模型训练时,还可采用增量预训练、句子对分类和数据提前截断等方法提高模型准确度。在进行模型训练后,预设疾病特征的文本分类模型可用于判断输入的病历文本是否属于包含预设疾病特征的文本类型,并输出判断结果。其中,在判定输入的病历文本属于包含预设疾病特征的文本类型时,判断结果中包括预设疾病特征对应的预设文本标记;在判定输入的病历文本不属于包含预设疾病特征的文本类型时,判断结果中不包括预设疾病特征对应的预设文本标记,因此可基于判断结果,确定病历文本中是否包括预设疾病特征。例如,预设疾病特征C1对应的文本分类模型输出了预设疾病特征C1对应的预设文本标记1,则判定输入的病历文本中包含预设疾病特征C1。若预设疾病特征对应的文本分类模型未输出预设疾病特征对应的预设文本标记,判定输入的病历文本中不包含该预设疾病特征。
在本申请的一些实施例中,确定各病历信息中包含的多个疾病特征,包括:将医学检测图像与预设的健康医学检测图像进行比对,以确定医学检测图像中包含的图像疾病特征,其中,多个疾病特征中包括图像疾病特征,预设的健康医学检测图像为健康人的医学检测图像。可以理解的是,在病例患病和未患病时的医学检测图像不同,因此可将医学检测图像与预设的健康医学检测图像进行比对后得到的差异信息,作为医学检测图像中包含的图像疾病特征。
在本申请的一些实施例中,确定各病历信息中包含的多个疾病特征,包括:将医学检测声音与预设的健康医学检测声音进行比对,以确定医学检测声音中包含的声音疾病特征,其中,多个疾病特征中包括声音疾病特征,预设的健康医学检测声音为健康人的医学检测声音。可以理解的是,在病例患病和未患病时的医学检测声音不同,因此可将医学检测声音与预设的健康医学检测声音进行比对后得到的差异信息,作为医学检测声音中包含的声音疾病特征。
203、依次以多个预设疾病中各预设疾病作为目标疾病,确定各疾病特征相对于目标疾病的疾病特征得分;
本申请实施例中,事先设置有多个预设疾病,多个预设疾病包括胃溃疡等消化道疾病、冠脉微血管疾病、高血压等。疾病特征相对于目标疾病的疾病特征得分,表征病例是由于患有目标疾病而具有该疾病特征时的概率,也即该疾病特征是由目标疾病引起的可能性大小。步骤204的具体过程详见图3所示实施例。
204、基于同一病历信息中的多个疾病特征相对于目标疾病的疾病特征得分,确定所述同一病历信息相对于目标疾病的疾病得分,得到所述同一病历信息相对于各预设疾病的疾病得分;
本申请实施例中,病历信息相对于目标疾病的疾病得分,表征病例患有目标疾病的可能性大小。
在本申请的一些实施例中,基于同一病历信息中的多个疾病特征相对于目标疾病的疾病特征得分,确定同一病历信息相对于目标疾病的疾病得分,可以包括:获取同一病历信息中各疾病特征的特征来源,其中,特征来源包括病历信息中的病历文本、医学检测图像、医学检测声音中的至少一个,不同特征来源与不同的来源可信度对应;将同一病历信息中各疾病特征的特征来源对应的来源可信度作为权重,对同一病历信息中的多个疾病特征相对于目标疾病的疾病特征得分进行加权求和,得到同一病历信息相对于目标疾病的疾病得分。可以理解的是,基于不同特征来源的特征进行诊断时的准确度不同,例如,基于医学检测图像来源的特征进行诊断时的准确度,高于基于病历文本来源的特征进行诊断时的准确度,基于病历文本来源的特征进行诊断时的准确度,高于基于医学检测声音来源的特征进行诊断时的准确度,因此医学检测图像来源的可信度一般大于病历文本来源的可信度,病历文本来源的可信度一般大于医学检测声音来源的可信度。通过在计算病历信息相对于目标疾病的疾病得分时,综合考虑特征来源的可信度,使得计算出的疾病得分更加准确。
205、基于所述同一病历信息相对于各预设疾病的疾病得分,确定所述同一病历信息的病历得分;
本申请实施例中,病历信息的病历得分,表征病例的患病概率。
在本申请的一些实施例中,基于同一病历信息相对于各预设疾病的疾病得分,确定同一病历信息的病历得分,可以包括:检测同一病历信息相对于各预设疾病的疾病得分是否大于预设阈值,以确定出大于预设阈值的多个疾病得分,可以理解的是,小于或等于预设阈值的疾病得分的预设疾病,被认为是病例患有该预设疾病的概率较小,可排除掉该预设疾病,因此可删除小于或等于预设阈值的疾病得分,保留大于预设阈值的多个疾病得分;基于大于预设阈值的多个疾病得分,得到同一病历信息的病历得分。
在本申请的一些实施例中,基于大于预设阈值的多个疾病得分,得到同一病历信息的病历得分,可以包括:对大于预设阈值的多个疾病得分进行求和,得到同一病历信息的病历得分。
在本申请的一些实施例中,基于大于预设阈值的多个疾病得分,得到同一病历信息的病历得分,可以包括:获取大于预设阈值的各疾病得分的预设疾病的预设紧急程度值;将各紧急程度值作为权重,对大于预设阈值的多个疾病得分进行加权求和,得到同一病历信息的病历得分。通过在计算病例得分时,综合疾病的紧急程度值来计算,可使得更加紧急的疾病的病历信息的病历得分更好,从而在一定程度上提高该病历信息在病历信息队列中的排名,实现紧急疾病的优先诊断。
206、基于各病历信息的病历得分,对所述病历信息队列中病历信息的排列顺序进行调整,并输出调整后的病历信息队列。
本申请实施例中,通过输出调整后的病历信息队列,以将调整后的病历信息队列中病历信息的排序顺序作为推荐信息推荐给医生,以便于医生参考调整后的病历信息队列中病历信息的排序顺序来接诊病例。步骤207的具体过程详见图4所示实施例。
在本实施例公开的技术方案中,通过获取待诊断的病历信息中的疾病特征,结合多个疾病特征与多个预设疾病,对病历信息进行评分,基于评分对病历信息之间的顺序进行调整,从而优化不同病例的诊断顺序,使得病例诊断顺序更加合理。
本申请的一些实施例中,如图3所示,确定各疾病特征相对于目标疾病的疾病特征得分,包括:
301、依次将各疾病特征输入至目标疾病的预设疾病特征分类模型;
本申请实施例中,设置有目标疾病的预设疾病特征分类模型,预设疾病特征分类模型可接收输入的疾病特征,并可输出输入的疾病特征相对于目标疾病的疾病特征类型。预设疾病特征分类模型可以是神经网络模型等。预设疾病特征分类模型的训练集包括多个预设疾病特征,预设疾病特征通过人工事先标注有其相对于目标疾病的疾病特征类型。
302、接收所述预设疾病特征分类模型输出的疾病特征类型,得到各疾病特征相对于目标疾病的疾病特征类型,其中,所述疾病特征类型包括排除性疾病特征、确定性疾病特征和指向性疾病特征,所述排除性疾病特征为预设疾病一定不具有的疾病特征,所述确定性疾病特征为疾病一定具有的疾病特征,所述指向性疾病特征为预设疾病可能具有的疾病特征;
本申请实施例中,为了更加方便地进行疾病预测,将预设疾病特征分为3个特征类别,排除性特征指:病例具有该排除性特征,则不可能患有预设疾病,诊断性特征指:病例具有该诊断性特征,则一定患有预设疾病,指向性特征指:病例具有该指向性特征,则可能患有预设疾病,也可能未患有预设疾病,需要进一步诊断才可确定。
303、基于各疾病特征相对于目标疾病的疾病特征类型,确定各疾病特征相对于目标疾病的疾病特征得分。
本申请实施例中,疾病特征得分表征病例具有该预设疾病特征时,被确诊为患有目标疾病的可能性大小,因此疾病特征得分的取值范围为[0,1]。
疾病特征相对于目标疾病的疾病特征类型不同时,疾病特征相对于目标疾病的疾病特征得分也不同。一般来说,疾病特征相对于目标疾病的疾病特征类型为指向性特征时的疾病特征得分,大于疾病特征相对于目标疾病的疾病特征类型为排除性特征时的疾病特征得分,且小于疾病特征相对于目标疾病的疾病特征类型为诊断性特征时的疾病特征得分。
在本申请的一些实施例中,基于各疾病特征相对于目标疾病的疾病特征类型,确定各疾病特征相对于目标疾病的疾病特征得分,可以包括:在疾病特征相对于目标疾病的疾病特征类型为排除性特征时,将疾病特征相对于目标疾病的疾病特征得分确定为0;在疾病特征相对于目标疾病的疾病特征类型为排除性特征为诊断性特征时,将疾病特征相对于目标疾病的疾病特征得分确定为1;在疾病特征相对于目标疾病的疾病特征类型为排除性特征为指向性特征时,基于具有该疾病特征的疾病种类数量,确定疾病特征相对于目标疾病的疾病特征得分,其中,疾病特征相对于目标疾病的疾病特征得分与具有该疾病特征的疾病种类数量负相关。可以理解的是,而由于患有不同种类疾病时,患者可能均具有同一疾病特征,即具有同一疾病特征的疾病种类同时存在多个,此时可基于具有该疾病特征的疾病种类数量M,确定疾病特征相对于目标疾病的疾病特征得分C,疾病特征相对于目标疾病的疾病特征得分的计算公式可以是:C=1/M。
在本申请的一些实施例中,为了获取更加准确的疾病特征得分,基于各病例出院后的出院诊断信息,对至少一个疾病特征相对于目标疾病的疾病特征得分进行调整。其中,出院诊断信息指对于目标病例的诊断结果,包括医生对病例诊断出的病因、部位、临床表现、病理诊断等内容,由医生填写并输入至病历信息的处理装置中,因此从出院诊断信息中提取出病例具有的疾病特征。可以理解的是,出院诊断信息中的疾病特征为对于病例确诊后得到的准确信息。
在本申请的一些实施例中,可采用增量学习的方式,来基于出院诊断信息中的疾病特征,调整至少一个疾病特征相对于目标疾病的疾病特征得分,实现疾病特征得分的迭代计算。增量学习可判定一个输入(疾病特征)是否与此前的输入不同,计算新输入与旧输入之间的距离,自动调整至少一个疾病特征相对于目标疾病的疾病特征得分。增量学习的框架可以是自组织增量学习神经网络(SOINN,Self-organizingincremental neuralnetwork)。自组织增量学习神经网络是一种基于竞争学习的两层神经网络,第1层网络接受原始数据(各疾病特征相对于目标疾病的疾病特征得分)的输入,以在线的方式自适应地生成原型神经元来表示输入数据,这些节点和它们之间的连接反映了原始数据的分布情况;第2层根据第1层网络的结果估计出原始数据的类间距离与类内距离,并以此作为参数,把第1层生成的神经元作为输入再运行一次SOINN算法,以稳定学习结果。组织增量学习神经网络的增量性使得它能够发现数据流中出现的新模式并进行学习,同时不影响之前学习的结果。
以增量学习的框架为自组织增量学习神经网络为例,基于出院诊断信息中的疾病特征,调整至少一个疾病特征相对于目标疾病的疾病特征得分,可以包括:将出院诊断信息中的疾病特征相对于目标疾病的疾病特征得分作为增量数据,输入至多个疾病特征对应的自组织增量学习神经网络中进行增量学习,自组织增量学习神经网络包括多个预设疾病特征中各疾病特征相对于目标疾病的疾病特征得分;接收自组织增量学习神经网络输出的各疾病特征相对于目标疾病的疾病特征得分,以调整至少一个疾病特征相对于目标疾病的疾病特征得分。在自组织增量学习神经网络中,自组织增量学习神经网络接受原始数据输入,并以自适应的方式生成神经元来表示输入数据,每个神经元代表了它周围与它最相似的输入模式,并为每一个神经元设置一个相似度阈值Ti来判断增量数据样本与原有样本的相似程度:
其中,Ni为节点i的邻居节点集合,li为节点i的位置;
对于新输入的数据点p(出院诊断信息中的疾病特征),首先找到与其最相似的两个神经元s1、s2作为获胜节点,计算p与s1、s2的欧式距离d(s1,p)、d(s2,p):
其中,n为样本维度;
若满足d(s1,p)>TS1或者d(s2,p)>TS2,则认为新增样本与原始样本差异较大,在该数据点的位置上生成一个新的节点来代表这个可能的新模式;
若新输入的数据样本不满足节点插入的条件,则对与其最相似的两个神经元s1、s2所表示的原有样本进行特征得分的更新:
其中,Swin为神经元获胜次数,S表示增量样本数目;t表示样本存在时间;wt为更新前样本的特征得分;将该神经元所表示样本的最大特征得分作为新增样本的初始特征得分;当样本特征得分低于阈值μ,则删除该样本。
在本实施例公开的技术方案中,依次将各疾病特征输入至目标疾病的预设疾病特征分类模型,接收预设疾病特征分类模型输出的疾病特征类型,基于各疾病特征相对于目标疾病的疾病特征类型,确定各疾病特征相对于目标疾病的疾病特征得分,实现了疾病特征相对于目标疾病的疾病特征得分的确定。
本申请的一些实施例中,如图4所示,基于各病历信息的病历得分,对病历信息队列中病历信息的排列顺序进行调整,包括:
401、基于所述病历信息队列中病历信息的排列顺序,确定所述病历信息队列中各病历信息分别对应的第一得分;
本申请实施例中,在病历信息队列中病历信息的排列顺序中,排名越靠前的病历信息对应的第一得分越高。
402、将所述同一病历信息对应的第一得分与病历得分之和,作为所述同一病历信息对应的第二得分;
本申请实施例中,通过将同一病历信息对应的第一得分与病历得分之和,作为同一病历信息对应的第二得分,实现了综合考虑病历信息的原排名和基于病历得分的排名。
403、基于所述病历信息队列中各病历信息分别对应的第二得分,确定调整后的病历信息队列中病历信息的排列顺序,得到调整后的病历信息队列。
本申请实施例中,第二得分越高的病历信息,在调整后的病历信息队列中的排名也越靠前,从而实现病例的优先诊断。
在本申请的一些实施例中,基于病历信息队列中各病历信息分别对应的第二得分,确定调整后的病历信息队列中病历信息的排列顺序,可以包括:确定基于病历信息队列中各病历信息的病例诊断类型,病例诊断类型包括病例初诊和病例复诊;基于病历信息的病例诊断类型,对病历信息对应的第二得分进行修正,得到病历信息对应的第三得分;基于病历信息队列中各病历信息分别对应的第三得分,确定调整后的病历信息队列中病历信息的排列顺序,其中,第三得分越高的病历信息,在调整后的病历信息队列中的排名也越靠前,从而实现病例的优先诊断。可以理解的是,由于部分病例是初诊或者复诊,其当前诊断进度也不一样,例如复诊病例的诊断进度大于初诊病例的诊断进度,因此在确定调整后的病历信息队列中病历信息的排列顺序时,可综合考虑病例诊断类型,以使病例诊断顺序更加合理。
为了更好实施本申请实施例中病历信息的处理方法,在病历信息的处理方法基础之上,本申请实施例中还提供一种病历信息的处理装置,如图5所示,病历信息的处理装置500包括:
获取单元501,用于获取待诊断的病历信息队列,病历信息队列中包括依次排序的多个病历信息;
确定单元502,用于确定各病历信息中包含的多个疾病特征;
评分单元503,用于依次以多个预设疾病中各预设疾病作为目标疾病,确定各疾病特征相对于目标疾病的疾病特征得分;
评分单元503,还用于基于同一病历信息中的多个疾病特征相对于目标疾病的疾病特征得分,确定同一病历信息相对于目标疾病的疾病得分,得到同一病历信息相对于各预设疾病的疾病得分;
评分单元503,还用于基于同一病历信息相对于各预设疾病的疾病得分,确定同一病历信息的病历得分;
调整单元504,用于基于各病历信息的病历得分,对病历信息队列中病历信息的排列顺序进行调整,并输出调整后的病历信息队列。
本申请实施例提供的病历信息的处理装置500,通过获取待诊断的病历信息中的疾病特征,结合多个疾病特征与多个预设疾病,对病历信息进行评分,基于评分对病历信息之间的顺序进行调整,从而优化不同病例的诊断顺序,使得病例诊断顺序更加合理。
本申请的一些实施例中,确定单元502具体用于:
获取各预设疾病特征的文本分类模型,基于预设疾病特征的文本分类模型,判断病历文本是否属于包含预设疾病特征的文本类型,以确定病历文本中是否包括各预设疾病特征,其中,多个疾病特征中包括预设疾病特征;
将医学检测图像与预设的健康医学检测图像进行比对,以确定医学检测图像中包含的图像疾病特征,其中,多个疾病特征中包括图像疾病特征;
将医学检测声音与预设的健康医学检测声音进行比对,以确定医学检测声音中包含的声音疾病特征,其中,多个疾病特征中包括声音疾病特征。
本申请的一些实施例中,评分单元503具体用于:
依次将各疾病特征输入至目标疾病的预设疾病特征分类模型;
接收预设疾病特征分类模型输出的疾病特征类型,得到各疾病特征相对于目标疾病的疾病特征类型,其中,疾病特征类型包括排除性疾病特征、确定性疾病特征和指向性疾病特征,排除性疾病特征为预设疾病一定不具有的疾病特征,确定性疾病特征为疾病一定具有的疾病特征,指向性疾病特征为预设疾病可能具有的疾病特征;
基于各疾病特征相对于目标疾病的疾病特征类型,确定各疾病特征相对于目标疾病的疾病特征得分。
本申请的一些实施例中,评分单元503具体用于:
获取同一病历信息中各疾病特征的特征来源,其中,特征来源包括病历信息中的病历文本、医学检测图像、医学检测声音中的至少一个,不同特征来源与不同的来源可信度对应;
将同一病历信息中各疾病特征的特征来源对应的来源可信度作为权重,对同一病历信息中的多个疾病特征相对于目标疾病的疾病特征得分进行加权求和,得到同一病历信息相对于目标疾病的疾病得分。
本申请的一些实施例中,评分单元503具体用于:
检测同一病历信息相对于各预设疾病的疾病得分是否大于预设阈值,以确定出大于预设阈值的多个疾病得分;
基于大于预设阈值的多个疾病得分,得到同一病历信息的病历得分。本申请的一些实施例中,调整单元504具体用于:
基于病历信息队列中病历信息的排列顺序,确定病历信息队列中各病历信息分别对应的第一得分;
将同一病历信息对应的第一得分与病历得分之和,作为同一病历信息对应的第二得分;
基于病历信息队列中各病历信息分别对应的第二得分,确定调整后的病历信息队列中病历信息的排列顺序,得到调整后的病历信息队列。
本申请的一些实施例中,调整单元504具体用于:
确定基于病历信息队列中各病历信息的病例诊断类型,病例诊断类型包括病例初诊和病例复诊;
基于病历信息的病例诊断类型,对病历信息对应的第二得分进行修正,得到病历信息对应的第三得分;
基于病历信息队列中各病历信息分别对应的第三得分,确定调整后的病历信息队列中病历信息的排列顺序。
除了上述介绍用于病历信息的处理方法与装置之外,本申请实施例还提供一种计算机设备,其集成了本申请实施例所提供的任一种病历信息的处理装置,计算机设备包括:
一个或多个处理器;
存储器;以及
一个或多个应用程序,其中一个或多个应用程序被存储于存储器中,并配置为由处理器执行上述任一病历信息的处理方法中的步骤。
本申请实施例还提供一种计算机设备,其集成了本申请实施例所提供的任一种病历信息的处理装置。如图6所示,其示出了本申请实施例所涉及的计算机设备的结构示意图,具体来讲:
该计算机设备可以包括一个或者一个以上处理核心的处理器601、一个或一个以上计算机可读存储介质的存储单元602、电源603和输入单元604等部件。本领域技术人员可以理解,图6中示出的计算机设备结构并不构成对计算机设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。其中:
处理器601是该计算机设备的控制中心,利用各种接口和线路连接整个计算机设备的各个部分,通过运行或执行存储在存储单元602内的软件程序和/或模块,以及调用存储在存储单元602的数据,执行计算机设备的各种功能和处理数据,从而对计算机设备进行整体监控。可选的,处理器601可包括一个或多个处理核心;优选的,处理器601可集成应用处理器和调制解调处理器,其中,应用处理器主要处理操作系统、用户界面和应用程序等,调制解调处理器主要处理无线通信。可以理解的是,上述调制解调处理器也可以不集成到处理器601中。
存储单元602可用于存储软件程序以及模块,处理器601通过运行存储在存储单元602的软件程序以及模块,从而执行各种功能应用以及数据处理。存储单元602可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据计算机设备的使用所创建的数据等。此外,存储单元602可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地,存储单元602还可以包括存储器控制器,以提供处理器601对存储单元602的访问。
计算机设备还包括给各个部件供电的电源603,优选的,电源603可以通过电源管理系统与处理器601逻辑相连,从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。电源603还可以包括一个或一个以上的直流或交流电源、再充电系统、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。
该计算机设备还可包括输入单元604,该输入单元604可用于接收输入的数字或字符信息,以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。
尽管未示出,计算机设备还可以包括显示单元等,在此不再赘述。具体在本申请实施例中,计算机设备中的处理器601会按照如下的指令,将一个或一个以上的应用程序的进程对应的可执行文件加载到存储单元602中,并由处理器601来运行存储在存储单元602中的应用程序,从而实现各种功能,如下:
获取待诊断的病历信息队列,病历信息队列中包括依次排序的多个病历信息;
确定各病历信息中包含的多个疾病特征;
依次以多个预设疾病中各预设疾病作为目标疾病,确定各疾病特征相对于目标疾病的疾病特征得分;
基于同一病历信息中的多个疾病特征相对于目标疾病的疾病特征得分,确定同一病历信息相对于目标疾病的疾病得分,得到同一病历信息相对于各预设疾病的疾病得分;
基于同一病历信息相对于各预设疾病的疾病得分,确定同一病历信息的病历得分;
基于各病历信息的病历得分,对病历信息队列中病历信息的排列顺序进行调整,并输出调整后的病历信息队列。
为此,本申请实施例还提供一种计算机可读存储介质,该计算机可读存储介质可以包括:只读存储器(ROM,ReadOnly Memory)、随机存取记忆体(RAM,RandomAccessMemory)、磁盘或光盘等。该计算机可读存储介质中存储有多条指令,该指令能够被处理器进行加载,以执行本申请实施例所提供的任一种病历信息的处理方法中的步骤。例如,该指令可以执行如下步骤:
获取待诊断的病历信息队列,病历信息队列中包括依次排序的多个病历信息;
确定各病历信息中包含的多个疾病特征;
依次以多个预设疾病中各预设疾病作为目标疾病,确定各疾病特征相对于目标疾病的疾病特征得分;
基于同一病历信息中的多个疾病特征相对于目标疾病的疾病特征得分,确定同一病历信息相对于目标疾病的疾病得分,得到同一病历信息相对于各预设疾病的疾病得分;
基于同一病历信息相对于各预设疾病的疾病得分,确定同一病历信息的病历得分;
基于各病历信息的病历得分,对病历信息队列中病历信息的排列顺序进行调整,并输出调整后的病历信息队列。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
以上对本申请实施例所提供的一种病历信息的处理方法、装置、设备及计算机可读存储介质进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
Claims (10)
1.一种病历信息的处理方法,其特征在于,所述方法包括:
获取待诊断的病历信息队列,所述病历信息队列中包括依次排序的多个病历信息;
确定各病历信息中包含的多个疾病特征;
依次以多个预设疾病中各预设疾病作为目标疾病,确定各疾病特征相对于目标疾病的疾病特征得分;
基于同一病历信息中的多个疾病特征相对于目标疾病的疾病特征得分,确定所述同一病历信息相对于目标疾病的疾病得分,得到所述同一病历信息相对于各预设疾病的疾病得分;
基于所述同一病历信息相对于各预设疾病的疾病得分,确定所述同一病历信息的病历得分;
基于各病历信息的病历得分,对所述病历信息队列中病历信息的排列顺序进行调整,并输出调整后的病历信息队列。
2.如权利要求1所述的病历信息的处理方法,其特征在于,病历信息中包括病历文本、医学检测图像、医学检测声音中的至少一个,所述确定各病历信息中包含的多个疾病特征,包括:
获取各预设疾病特征的文本分类模型,基于预设疾病特征的文本分类模型,判断病历文本是否属于包含预设疾病特征的文本类型,以确定病历文本中是否包括各预设疾病特征,其中,所述多个疾病特征中包括预设疾病特征;
将医学检测图像与预设的健康医学检测图像进行比对,以确定医学检测图像中包含的图像疾病特征,其中,所述多个疾病特征中包括图像疾病特征;
将医学检测声音与预设的健康医学检测声音进行比对,以确定医学检测声音中包含的声音疾病特征,其中,所述多个疾病特征中包括声音疾病特征。
3.如权利要求1所述的病历信息的处理方法,其特征在于,所述确定各疾病特征相对于目标疾病的疾病特征得分,包括:
依次将各疾病特征输入至目标疾病的预设疾病特征分类模型;
接收所述预设疾病特征分类模型输出的疾病特征类型,得到各疾病特征相对于目标疾病的疾病特征类型,其中,所述疾病特征类型包括排除性疾病特征、确定性疾病特征和指向性疾病特征,所述排除性疾病特征为预设疾病一定不具有的疾病特征,所述确定性疾病特征为疾病一定具有的疾病特征,所述指向性疾病特征为预设疾病可能具有的疾病特征;
基于各疾病特征相对于目标疾病的疾病特征类型,确定各疾病特征相对于目标疾病的疾病特征得分。
4.如权利要求3所述的病历信息的处理方法,其特征在于,所述基于同一病历信息中的多个疾病特征相对于目标疾病的疾病特征得分,确定所述同一病历信息相对于目标疾病的疾病得分,包括:
获取同一病历信息中各疾病特征的特征来源,其中,特征来源包括病历信息中的病历文本、医学检测图像、医学检测声音中的至少一个,不同特征来源与不同的来源可信度对应;
将同一病历信息中各疾病特征的特征来源对应的来源可信度作为权重,对同一病历信息中的多个疾病特征相对于目标疾病的疾病特征得分进行加权求和,得到所述同一病历信息相对于目标疾病的疾病得分。
5.如权利要求1所述的病历信息的处理方法,其特征在于,所述基于所述同一病历信息相对于各预设疾病的疾病得分,确定所述同一病历信息的病历得分,包括:
检测所述同一病历信息相对于各预设疾病的疾病得分是否大于预设阈值,以确定出大于预设阈值的多个疾病得分;
基于大于预设阈值的多个疾病得分,得到所述同一病历信息的病历得分。
6.如权利要求1所述的病历信息的处理方法,其特征在于,所述基于各病历信息的病历得分,对所述病历信息队列中病历信息的排列顺序进行调整,包括:
基于所述病历信息队列中病历信息的排列顺序,确定所述病历信息队列中各病历信息分别对应的第一得分;
将所述同一病历信息对应的第一得分与病历得分之和,作为所述同一病历信息对应的第二得分;
基于所述病历信息队列中各病历信息分别对应的第二得分,确定调整后的病历信息队列中病历信息的排列顺序,得到调整后的病历信息队列。
7.如权利要求6所述的病历信息的处理方法,其特征在于,所述基于所述病历信息队列中各病历信息分别对应的第二得分,确定调整后的病历信息队列中病历信息的排列顺序,包括:
确定基于所述病历信息队列中各病历信息的病例诊断类型,所述病例诊断类型包括病例初诊和病例复诊;
基于病历信息的病例诊断类型,对病历信息对应的第二得分进行修正,得到病历信息对应的第三得分;
基于所述病历信息队列中各病历信息分别对应的第三得分,确定调整后的病历信息队列中病历信息的排列顺序。
8.一种病历信息的处理装置,其特征在于,所述病历信息的处理装置包括:
获取单元,用于获取待诊断的病历信息队列,所述病历信息队列中包括依次排序的多个病历信息;
确定单元,用于确定各病历信息中包含的多个疾病特征;
评分单元,用于依次以多个预设疾病中各预设疾病作为目标疾病,确定各疾病特征相对于目标疾病的疾病特征得分;
评分单元,还用于基于同一病历信息中的多个疾病特征相对于目标疾病的疾病特征得分,确定所述同一病历信息相对于目标疾病的疾病得分,得到所述同一病历信息相对于各预设疾病的疾病得分;
评分单元,还用于基于所述同一病历信息相对于各预设疾病的疾病得分,确定所述同一病历信息的病历得分;
调整单元,用于基于各病历信息的病历得分,对所述病历信息队列中病历信息的排列顺序进行调整,并输出调整后的病历信息队列。
9.一种计算机设备,其特征在于,所述计算机设备包括:
一个或多个处理器;
存储器;以及
一个或多个应用程序,其中所述一个或多个应用程序被存储于所述存储器中,并配置为由所述处理器执行以实现权利要求1至7中任一项所述的病历信息的处理方法。
10.一种计算机可读存储介质,其特征在于,其上存储有计算机程序,所述计算机程序被处理器进行加载,以执行权利要求1至7任一项所述的病历信息的处理方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310227076.7A CN115938593B (zh) | 2023-03-10 | 2023-03-10 | 病历信息的处理方法、装置、设备及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310227076.7A CN115938593B (zh) | 2023-03-10 | 2023-03-10 | 病历信息的处理方法、装置、设备及计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115938593A true CN115938593A (zh) | 2023-04-07 |
CN115938593B CN115938593B (zh) | 2023-06-02 |
Family
ID=85834026
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310227076.7A Active CN115938593B (zh) | 2023-03-10 | 2023-03-10 | 病历信息的处理方法、装置、设备及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115938593B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116386063A (zh) * | 2023-06-06 | 2023-07-04 | 武汉大学人民医院(湖北省人民医院) | 纸质病历的内容识别方法及装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017089564A1 (en) * | 2015-11-25 | 2017-06-01 | Koninklijke Philips N.V. | Content-driven problem list ranking in electronic medical records |
US20180349555A1 (en) * | 2017-06-01 | 2018-12-06 | International Business Machines Corporation | Medical record problem list generation |
CN110931117A (zh) * | 2019-11-15 | 2020-03-27 | 湖南尚医康医疗科技有限公司 | 一种基于智能算法的智慧医疗设备接入方法 |
US20200143913A1 (en) * | 2018-11-01 | 2020-05-07 | Upmc | Abstracting information from patient medical records |
CN111785385A (zh) * | 2020-06-29 | 2020-10-16 | 微医云(杭州)控股有限公司 | 疾病分类方法、装置、设备和存储介质 |
CN112489795A (zh) * | 2020-12-19 | 2021-03-12 | 智粤云(广州)数字信息科技有限公司 | 一种人工智能医疗信息系统 |
CN114758742A (zh) * | 2022-04-06 | 2022-07-15 | 平安科技(深圳)有限公司 | 病历信息处理方法、装置、电子设备及存储介质 |
-
2023
- 2023-03-10 CN CN202310227076.7A patent/CN115938593B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017089564A1 (en) * | 2015-11-25 | 2017-06-01 | Koninklijke Philips N.V. | Content-driven problem list ranking in electronic medical records |
US20180349555A1 (en) * | 2017-06-01 | 2018-12-06 | International Business Machines Corporation | Medical record problem list generation |
US20200143913A1 (en) * | 2018-11-01 | 2020-05-07 | Upmc | Abstracting information from patient medical records |
CN110931117A (zh) * | 2019-11-15 | 2020-03-27 | 湖南尚医康医疗科技有限公司 | 一种基于智能算法的智慧医疗设备接入方法 |
CN111785385A (zh) * | 2020-06-29 | 2020-10-16 | 微医云(杭州)控股有限公司 | 疾病分类方法、装置、设备和存储介质 |
CN112489795A (zh) * | 2020-12-19 | 2021-03-12 | 智粤云(广州)数字信息科技有限公司 | 一种人工智能医疗信息系统 |
CN114758742A (zh) * | 2022-04-06 | 2022-07-15 | 平安科技(深圳)有限公司 | 病历信息处理方法、装置、电子设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
吴丽娜;裴圣广;: "基于DRGs无效主诊断的主要诊断选择问题分析", 现代医院 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116386063A (zh) * | 2023-06-06 | 2023-07-04 | 武汉大学人民医院(湖北省人民医院) | 纸质病历的内容识别方法及装置 |
CN116386063B (zh) * | 2023-06-06 | 2023-08-11 | 武汉大学人民医院(湖北省人民医院) | 纸质病历的内容识别方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN115938593B (zh) | 2023-06-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2020181805A1 (zh) | 糖尿病的预测方法及装置、存储介质、计算机设备 | |
CN109741806B (zh) | 一种医学影像诊断报告辅助生成方法及其装置 | |
CN110136788B (zh) | 一种基于自动检测的病历质检方法、装置、设备及存储介质 | |
Balasundaram et al. | Internet of things (IoT) based smart healthcare system for efficient diagnostics of health parameters of patients in emergency care | |
CN115938593B (zh) | 病历信息的处理方法、装置、设备及计算机可读存储介质 | |
CN112420192A (zh) | 融合多维诊疗信息的疾病分型方法及相关设备 | |
Dack et al. | Artificial intelligence and interstitial lung disease: Diagnosis and prognosis | |
CN114783580B (zh) | 一种医疗数据质量评估方法及系统 | |
CN112542242A (zh) | 数据转换/症状评分 | |
CN116364274A (zh) | 基于因果推断和动态集成多标签的疾病预测方法及系统 | |
WO2020087971A1 (zh) | 基于预测模型预测住院合理性的方法及相关产品 | |
JP2024513618A (ja) | 感染症及び敗血症の個別化された予測のための方法及びシステム | |
CN110957046A (zh) | 医疗健康案例知识匹配方法和系统 | |
CN115862897A (zh) | 一种基于临床数据的症候群监测方法及系统 | |
Ying et al. | Gold classification of COPDGene cohort based on deep learning | |
CN116994695A (zh) | 报告生成模型的训练方法、装置、设备及存储介质 | |
Riyaz et al. | Ensemble Learning for Coronary Heart Disease Prediction | |
CN114429822A (zh) | 病历质检方法、装置和存储介质 | |
TWM605545U (zh) | 慢性病的風險評估裝置 | |
Das et al. | Prediction of outcome in acute lower gastrointestinal hemorrhage: role of artificial neural network | |
Susanto et al. | How well do AI-enabled decision support systems perform in clinical settings? | |
CN117558460B (zh) | 基于小样本学习和大语言模型的慢性病管理方法及系统 | |
Shirwaikar et al. | Design framework for a data mart in the neonatal intensive care unit | |
CN117235487B (zh) | 一种用于预测哮喘患者住院事件的特征提取方法和系统 | |
Saheb et al. | Review Of Machine Learning-Based Disease Diagnosis and Severity Estimation of Covid-19 |
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 |