CN115938608A - 一种基于提示学习模型的临床决策预警的方法和系统 - Google Patents
一种基于提示学习模型的临床决策预警的方法和系统 Download PDFInfo
- Publication number
- CN115938608A CN115938608A CN202211538259.2A CN202211538259A CN115938608A CN 115938608 A CN115938608 A CN 115938608A CN 202211538259 A CN202211538259 A CN 202211538259A CN 115938608 A CN115938608 A CN 115938608A
- Authority
- CN
- China
- Prior art keywords
- specific information
- evaluated
- text
- name
- standard
- 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
-
- 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
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明提供了一种基于提示学习模型的临床决策预警方法和系统，涉及医疗信息化技术领域，包括如下步骤：采集一段时间内的多个临床病历，构建待评定集合，所述待评定集合包括多个待评定文本；基于标准信息构建标准集合，所述标准集合包括多个标准类别；每个标准类别包括多个具体信息；基于语言模型将所述待评定文本与所述标准集合匹配；通过提取临床病历和标准信息进行对比来评定医生在在临床诊疗中所开的药物及处方，提高了医生在临床诊疗中所开的药物及处方的正确性和所开的药物及处方剂量的准确性。
Description
技术领域
本申请涉及医疗信息化技术领域，具体涉及一种基于提示学习模型的临床决策预警的方法和系统。
背景技术
临床诊疗是指通过相应检查方式明确患者所患疾病后，采取临床手段对疾病进行治疗的一种方式，然而在临床治疗中会面临对疾病的用药限制性和关联性等问题，例如，在某些检测中，当数值达到一定值时，会出现对某些药品需要限制剂量使用或者不能使用的情况。如何评定医生在临床诊疗中所开的药物及处方的正确性及适量性是本领域技术人员亟待解决的技术问题。
发明内容
(一)申请目的
有鉴于此，本申请的目的在于提供一种基于提示学习模型的临床决策预警的方法和系统，用于解决如何评定医生在临床诊疗中所开的药物及处方的正确性及适量性的技术问题。
(二)技术方案
本申请提供了一种基于提示学习模型的临床决策预警的方法，包括如下步骤：
S1、采集一段时间内的多个临床病历，构建待评定集合，所述待评定集合包括多个待评定文本，每个待评定文本与每个临床病历一一对应，所述待评定文本包括对应的临床病历的关键信息，所述关键信息包括多个临床类别和每个临床类别的具体信息，所述多个临床类别包括疾病名称、检测指标、所开药物名称和所开药物的剂量；
S2、基于标准信息构建标准集合，所述标准集合包括多个标准类别；每个标准类别包括多个具体信息，多个标准类别包括疾病名称、检测指标、所开药物名称和所开药物的剂量；
S3、基于语言模型将所述待评定文本与所述标准集合匹配，在待评定文本的疾病名称和检测指标的具体信息与标准集合中疾病名称和检测指标的具体信息匹配的情况下判断该待评定文本中所开药物名称和所开药物的剂量的具体信息与标准集合中疾病名称和检测指标对应的所开药物名称和所开药物的剂量的具体信息是否匹配；当判断不匹配时，对该待评定文本进行预警。
在一种可能的实施方式中，所述语言模型包括通过提示学习范式利用的gpt预训练模型。
在一种可能的实施方式中，所述基于语言模型将所述待评定文本与所述标准集合匹配，在待评定文本的疾病名称和检测指标的具体信息与标准集合匹配的情况下判断该待评定文本中所开药物名称和所开药物的剂量是否匹配包括：
S31、将待评定集合中的任一待评定文本和标准集合中的疾病名称类别的任一具体信息进行两两组合构成多个样本组集合，多个样本组集合中的每个样本组包括一个待评定文本、所述标准集合的疾病名称的任一具体信息和gpt预训练模型执行的任务信息，所述执行的任务信息包括对每个样本组中待评定文本的疾病名称和标准集合中的疾病名称类别的任一具体信息进行实体识别；
S32、基于gpt预训练模型计算每个样本组中的待评定文本中疾病名称的具体信息隶属于标准类别中疾病名称的具体信息匹配的概率值，基于概率值识别标准类别中与待评定文本匹配的疾病名称的具体信息；
S33、基于所述匹配的疾病名称的具体信息识别与该疾病名称的具体信息对应的检测指标的多个具体信息，基于所述检测指标的多个具体信息中识别与待评定文本匹配的具体信息；基于识别的与待评定文本匹配的具体信息，判断与之对应的所开药物名称和所开药物的剂量的具体信息与待评定文本中所开药物名称和所开药物的剂量的具体信息是否匹配。
在一种可能的实施方式中，所述基于概率值识别标准类别中与待评定文本匹配的疾病名称的具体信息包括：基于概率值计算待评定文本和标准集合中疾病名称的具体信息是否相似的二分类的概率分布，基于概率分布输出结果。
在一种可能的实施方式中，基于所述匹配的疾病名称的具体信息识别与该疾病名称的具体信息对应的检测指标的多个具体信息，基于所述检测指标的多个具体信息中识别与待评定文本匹配的具体信息；基于识别的与待评定文本匹配的具体信息，判断与之对应的所开药物名称和所开药物的剂量的具体信息与待评定文本中所开药物名称和所开药物的剂量的具体信息是否匹配包括：基于所述标准集合构建知识图谱，基于所述匹配的疾病名称的具体信息识别多个路径，基于每个路径与所述待评定文本进行匹配。
作为本申请的第二方面，提供了一种基于提示学习模型的临床决策预警的系统，包括待评定集合构建模块、标准集合构建模块和匹配模块；其中，所述待评定集合构建模块用于采集一段时间内的多个临床病历，构建待评定集合，所述待评定集合包括多个待评定文本，每个待评定文本与每个临床病历一一对应，所述待评定文本包括对应的临床病历的关键信息，所述关键信息包括多个临床类别和每个临床类别的具体信息，所述多个临床类别包括疾病名称、检测指标、所开药物名称和所开药物的剂量；所述标准集合构建模块用于基于标准信息构建标准集合，所述标准集合包括多个标准类别；每个标准类别包括多个具体信息，多个标准类别包括疾病名称、检测指标、所开药物名称和所开药物的剂量；所述匹配模块用于基于语言模型将所述待评定文本与所述标准集合匹配，在待评定文本的疾病名称和检测指标的具体信息与标准集合中疾病名称和检测指标的具体信息匹配的情况下判断该待评定文本中所开药物名称和所开药物的剂量的具体信息与标准集合中疾病名称和检测指标对应的所开药物名称和所开药物的剂量的具体信息是否匹配；当判断不匹配时，对该待评定文本进行预警。
在一种可能的实施方式中，所述语言模型包括通过提示学习范式利用的gpt预训练模型。
在一种可能的实施方式中，所述匹配模块包括样本组合单元、概率计算单元和判断单元；所述样本组合单元用于将待评定集合中的任一待评定文本和标准集合中的疾病名称类别的任一具体信息进行两两组合构成多个样本组集合，多个样本组集合中的每个样本组包括一个待评定文本、所述标准集合的疾病名称的任一具体信息和gpt预训练模型执行的任务信息，所述执行的任务信息包括对每个样本组中待评定文本的疾病名称和标准集合中的疾病名称类别的任一具体信息进行实体识别；概率计算单元用于基于gpt预训练模型计算每个样本组中的待评定文本中疾病名称的具体信息隶属于标准类别中疾病名称的具体信息匹配的概率值，基于概率值识别标准类别中与待评定文本匹配的疾病名称的具体信息；判断单元用于基于所述匹配的疾病名称的具体信息识别与该疾病名称的具体信息对应的检测指标的多个具体信息，基于所述检测指标的多个具体信息中识别与待评定文本匹配的具体信息；基于识别的与待评定文本匹配的具体信息，判断与之对应的所开药物名称和所开药物的剂量的具体信息与待评定文本中所开药物名称和所开药物的剂量的具体信息是否匹配。
在一种可能的实施方式中，所述基于概率值识别标准类别中与待评定文本匹配的疾病名称的具体信息包括：基于概率值计算待评定文本和标准集合中疾病名称的具体信息是否相似的二分类的概率分布，基于概率分布输出结果。
在一种可能的实施方式中，所述判断单元包括：基于所述标准集合构建知识图谱，基于所述匹配的疾病名称的具体信息识别多个路径，基于每个路径与所述待评定文本进行匹配。
(三)有益效果
通过提取临床病历和标准信息进行对比来评定医生在在临床诊疗中所开的药物及处方，提高了医生在临床诊疗中所开的药物及处方的正确性和所开的药物及处方剂量的准确性。
本申请的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本申请的实践中得到教导。本申请的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
以下参考附图描述的实施例是示例性的，旨在用于解释和说明本申请，而不能理解为对本申请的保护范围的限制。
图1是本申请系统流程图；
图2是本申请系统结构图；
其中：1、待评定集合构建模块；2、标准集合构建模块；3、匹配模块。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的分配来布置和设计。
因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请中的实施例，本领域普通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。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
在本申请的上述描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
如图1所示，本实施例提供了本申请提供了一种基于提示学习模型的传染病预警直报方法，包括如下步骤：
S1、采集一段时间内的多个临床病历，构建待评定集合，所述待评定集合包括多个待评定文本，每个待评定文本与每个临床病历一一对应，所述待评定文本包括对应的临床病历的关键信息，所述关键信息包括多个临床类别和每个临床类别的具体信息，所述多个临床类别包括疾病名称、检测指标、所开药物名称和所开药物的剂量。待评定文本可以是句子，是摘抄病历中的疾病名称、检测指标、所开药物名称和所开药物名称的剂量等关键信息构建的，是医生所开的诊断处方。
S2、基于标准信息构建标准集合，所述标准集合包括多个标准类别；每个标准类别包括多个具体信息，多个标准类别包括疾病名称、检测指标、所开药物名称和所开药物的剂量。标准信息可以通过原始病历采集，也可以通过线上的平台信息采集。这里标准类别是否是一种结构形式的数据，检测指标类别、所开药物名称类别和所开药物的剂量是在疾病名称下的结构数据形式。
S3、基于语言模型将所述待评定文本与所述标准集合匹配，在待评定文本的疾病名称和检测指标的具体信息与标准集合中疾病名称和检测指标的具体信息匹配的情况下判断该待评定文本中所开药物名称和所开药物的剂量的具体信息与标准集合中疾病名称和检测指标对应的所开药物名称和所开药物的剂量的具体信息是否匹配；当判断不匹配时，对该待评定文本进行预警。其中，所述语言模型包括通过提示学习(prompt learning)范式利用gpt预训练模型，GPT是OpenAI在论文《Improving Language Understanding byGenerative Pre-Training》中提出的生成式预训练语言模型。
在一些实施例中，所述基于语言模型将所述待评定文本与所述标准集合匹配，在待评定文本的疾病名称和检测指标的具体信息与标准集合匹配的情况下判断该待评定文本中所开药物名称和所开药物的剂量是否匹配包括：
S31、将待评定集合中的任一待评定文本和标准集合中的疾病名称类别的任一具体信息进行两两组合构成多个样本组集合，多个样本组集合中的每个样本组包括一个待评定文本、所述标准集合的疾病名称的任一具体信息和gpt预训练模型执行的任务信息，所述执行的任务信息包括对每个样本组中待评定文本的疾病名称和标准集合中的疾病名称类别的任一具体信息进行实体识别(NER)；记待评定集合为集合A，记每个待评定文本为x1 x2x3...xi...xn(i，n∈N)，集合A＝(x1 x2 x3...xi...xn)，(i，n∈N)；记传标准集合为集合B，记每个疾病名称为y1 y2 y3...yj...yb，(j，b∈N)，集合B＝(y1 y2 y3...yj...yb)，(j，b∈N)；记多个样本组构成的集合为集合C,记样本组为(xi，yj，NER)，集合C＝(xi，yj，NER)(i，j∈N)，其中，NER为对每个样本组中待评定文本的疾病名称和标准集合中的疾病名称类别的任一具体信息进行实体识别。
S32、基于gpt预训练模型计算每个样本组中的待评定文本中疾病名称的具体信息隶属于标准类别中疾病名称的具体信息匹配的概率值，基于概率值识别标准类别中与待评定文本匹配的疾病名称的具体信息；所述基于概率值识别标准类别中与待评定文本匹配的疾病名称的具体信息包括：基于概率值计算待评定文本和标准集合中疾病名称的具体信息是否相似的二分类的概率分布，基于概率分布输出结果。gpt预训练模型的输出结果为判断是否匹配，记输出结果为L,L包括是或否，其中是代表匹配，否代表不匹配。在通过提示学习(prompt learning)范式利用gpt预训练模型中，通过基于语言模型处理P(x)得到的logits，并计算样本属于label类的概率分布，基于概率分布输出结果L为是，所述logits为每个样本组中的待评定文本中疾病名称的具体信息隶属于标准类别中疾病名称的具体信息匹配的概率值，所述label类为待评定文本和标准集合中疾病名称的具体信息是否相似的二分类，基于概率分布输出结果L，并不需要计算诊断描述和输出结果的条件概率。通过提示学习(prompt learning)范式，可以使我们一定程度上摆脱对标注数据的依赖，通过直接调用已经在大数据上训练好并发布的预训练模型，并通过给予模型提示信息的范式，把任务方式修改为通过标准模板的提示信息和输入直接使用现有模型来得出任务结果。
S33、基于所述匹配的疾病名称的具体信息识别与该疾病名称的具体信息对应的检测指标的多个具体信息，基于所述检测指标的多个具体信息中识别与待评定文本匹配的具体信息；基于识别的与待评定文本匹配的具体信息，判断与之对应的所开药物名称和所开药物的剂量的具体信息与待评定文本中所开药物名称和所开药物的剂量的具体信息是否匹配。基于所述标准集合构建知识图谱，基于所述匹配的疾病名称的具体信息识别多个路径，基于每个路径与所述待评定文本进行匹配。知识图谱中实体为疾病名称，属性为检测指标，每个检测指标包括多个第二属性的具体信息，每个第二属性的具体信息包括药品名称，关系为剂量或禁忌。检测指标和所开药物名称的具体信息的匹配均通过gpt预训练模型进行，而所述执行的任务信息还包括对每个样本组中待评定文本的检测指标和所开药物名称的具体信息和标准集合中的检测指标和所开药物名称的任一具体信息进行实体识别。当gpt预训练模型识别疾病名称和检测指标为是的情况下再识别所开药物名称，当gpt预训练模型识别所开药物名称与待评定文本中所开药物名称为否时则判断为不匹配并对该待评定文本进行预警，所开药物名称不匹配包括匹配出使用了禁忌药物，当识别所开药物名称为是则判断所开药物的剂量，当所开药物的剂量不匹配时则判断为不匹配并对该待评定文本进行预警。
通过提取临床病历和标准信息进行对比来评定医生在在临床诊疗中所开的药物及处方，提高了医生在临床诊疗中所开的药物及处方的正确性和所开的药物及处方剂量的准确性。
作为本申请的第二方面，提供了一种基于提示学习模型的传染病预警直报系统，包括待评定集合构建模块1、标准集合构建模块2和匹配模块3；其中，所述待评定集合构建模块1用于采集一段时间内的多个临床病历，构建待评定集合，所述待评定集合包括多个待评定文本，每个待评定文本与每个临床病历一一对应，所述待评定文本包括对应的临床病历的关键信息，所述关键信息包括多个临床类别和每个临床类别的具体信息，所述多个临床类别包括疾病名称、检测指标、所开药物名称和所开药物的剂量；所述标准集合构建模块2用于基于标准信息构建标准集合，所述标准集合包括多个标准类别；每个标准类别包括多个具体信息，多个标准类别包括疾病名称、检测指标、所开药物名称和所开药物的剂量；所述匹配模块3用于基于语言模型将所述待评定文本与所述标准集合匹配，在待评定文本的疾病名称和检测指标的具体信息与标准集合中疾病名称和检测指标的具体信息匹配的情况下判断该待评定文本中所开药物名称和所开药物的剂量的具体信息与标准集合中疾病名称和检测指标对应的所开药物名称和所开药物的剂量的具体信息是否匹配；当判断不匹配时，对该待评定文本进行预警。
在一些实施例中，所述语言模型包括通过提示学习范式利用的gpt预训练模型。
在一些实施例中，所述匹配模块包括样本组合单元、概率计算单元和判断单元；所述样本组合单元用于将待评定集合中的任一待评定文本和标准集合中的疾病名称类别的任一具体信息进行两两组合构成多个样本组集合，多个样本组集合中的每个样本组包括一个待评定文本、所述标准集合的疾病名称的任一具体信息和gpt预训练模型执行的任务信息，所述执行的任务信息包括对每个样本组中待评定文本的疾病名称和标准集合中的疾病名称类别的任一具体信息进行实体识别，记待评定集合为集合A，记每个待评定文本为x1 x2x3...xi...xn(i，n∈N)，集合A＝(x1 x2 x3...xi...xn)，(i，n∈N)；记传标准集合为集合B，记每个疾病名称为y1 y2 y3...yj...yb，(j，b∈N)，集合B＝(y1 y2 y3...yj...yb)，(j，b∈N)；记多个样本组构成的集合为集合C,记样本组为(xi，yj，NER)，集合C＝(xi，yj，NER)(i，j∈N)，其中，NER为对每个样本组中待评定文本的疾病名称和标准集合中的疾病名称类别的任一具体信息进行实体识别；概率计算单元用于基于gpt预训练模型计算每个样本组中的待评定文本中疾病名称的具体信息隶属于标准类别中疾病名称的具体信息匹配的概率值，基于概率值识别标准类别中与待评定文本匹配的疾病名称的具体信息，所述基于概率值识别标准类别中与待评定文本匹配的疾病名称的具体信息包括：基于概率值计算待评定文本和标准集合中疾病名称的具体信息是否相似的二分类的概率分布，基于概率分布输出结果；gpt预训练模型的输出结果为判断是否匹配，记输出结果为L,L包括是或否，其中是代表匹配，否代表不匹配。在通过提示学习(prompt learning)范式利用gpt预训练模型中，通过基于语言模型处理P(x)得到的logits，并计算样本属于label类的概率分布，基于概率分布输出结果L，所述logits为每个样本组中的待评定文本中疾病名称的具体信息隶属于标准类别中疾病名称的具体信息匹配的概率值，所述label类为待评定文本和标准集合中疾病名称的具体信息是否相似的二分类，基于概率分布输出结果L，并不需要计算诊断描述和输出结果的条件概率。通过提示学习(prompt learning)范式，可以使我们一定程度上摆脱对标注数据的依赖，通过直接调用已经在大数据上训练好并发布的预训练模型，并通过给予模型提示信息的范式，把任务方式修改为通过标准模板的提示信息和输入直接使用现有模型来得出任务结果；判断单元用于基于所述匹配的疾病名称的具体信息识别与该疾病名称的具体信息对应的检测指标的多个具体信息，基于所述检测指标的多个具体信息中识别与待评定文本匹配的具体信息；基于识别的与待评定文本匹配的具体信息，判断与之对应的所开药物名称和所开药物的剂量的具体信息与待评定文本中所开药物名称和所开药物的剂量的具体信息是否匹配。而所述执行的任务信息还包括对每个样本组中待评定文本的检测指标和所开药物名称的具体信息和标准集合中的检测指标和所开药物名称的任一具体信息进行实体识别。
在一些实施例中，所述判断单元包括：基于所述标准集合构建知识图谱，基于所述匹配的疾病名称的具体信息识别多个路径，基于每个路径与所述待评定文本进行匹配。
作为本申请的第三方面，本申请提供了一种计算机设备，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，所述处理器执行所述计算机程序时实现上述任一项所述的方法。
作为本申请的第四方面，本申请提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述任一项所述的方法。
本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本申请的范围之内并且形成不同的实施例。
本领域的技术人员能够理解，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。
虽然结合附图描述了本申请的实施方式，但是本领域技术人员可以在不脱离本申请的精神和范围的情况下做出各种修改和变型，这样的修改和变型均落入由所附权利要求所限定的范围之内以上，仅为本发明的具体实施方式，但本发明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发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
以上，仅为本发明的具体实施方式，但本发明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发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种基于提示学习模型的临床决策预警的方法，其特征在于，包括如下步骤：
S1、采集一段时间内的多个临床病历，构建待评定集合，所述待评定集合包括多个待评定文本，每个待评定文本与每个临床病历一一对应，所述待评定文本包括对应的临床病历的关键信息，所述关键信息包括多个临床类别和每个临床类别的具体信息，所述多个临床类别包括疾病名称、检测指标、所开药物名称和所开药物的剂量；
S2、基于标准信息构建标准集合，所述标准集合包括多个标准类别；每个标准类别包括多个具体信息，多个标准类别包括疾病名称、检测指标、所开药物名称和所开药物的剂量；
S3、基于语言模型将所述待评定文本与所述标准集合匹配，在待评定文本的疾病名称和检测指标的具体信息与标准集合中疾病名称和检测指标的具体信息匹配的情况下判断该待评定文本中所开药物名称和所开药物的剂量的具体信息与标准集合中疾病名称和检测指标对应的所开药物名称和所开药物的剂量的具体信息是否匹配；当判断不匹配时，对该待评定文本进行预警。
2.根据权利要求1所述的一种基于提示学习模型的临床决策预警的方法，其特征在于，所述语言模型包括通过提示学习范式利用的gpt预训练模型。
3.根据权利要求2所述的一种基于提示学习模型的临床决策预警的方法，其特征在于，所述基于语言模型将所述待评定文本与所述标准集合匹配，在待评定文本的疾病名称和检测指标的具体信息与标准集合匹配的情况下判断该待评定文本中所开药物名称和所开药物的剂量是否匹配包括：
S31、将待评定集合中的任一待评定文本和标准集合中的疾病名称类别的任一具体信息进行两两组合构成多个样本组集合，多个样本组集合中的每个样本组包括一个待评定文本、所述标准集合的疾病名称的任一具体信息和gpt预训练模型执行的任务信息，所述执行的任务信息包括对每个样本组中待评定文本的疾病名称和标准集合的疾病名称类别的任一具体信息进行实体识别；
S32、基于gpt预训练模型计算每个样本组中的待评定文本中疾病名称的具体信息隶属于标准类别中疾病名称的具体信息匹配的概率值，基于概率值识别标准类别中与待评定文本匹配的疾病名称的具体信息；
S33、基于所述匹配的疾病名称的具体信息识别与该疾病名称的具体信息对应的检测指标的多个具体信息，基于所述检测指标的多个具体信息中识别与待评定文本匹配的具体信息；基于识别的与待评定文本匹配的具体信息，判断与之对应的所开药物名称和所开药物的剂量的具体信息与待评定文本中所开药物名称和所开药物的剂量的具体信息是否匹配。
4.根据权利要求3所述的一种基于提示学习模型的临床决策预警的方法，其特征在于，所述基于概率值识别标准类别中与待评定文本匹配的疾病名称的具体信息包括：基于概率值计算待评定文本和标准集合中疾病名称的具体信息是否相似的二分类的概率分布，基于概率分布输出结果。
5.根据权利要求4所述的一种基于提示学习模型的临床决策预警的方法，其特征在于，基于所述匹配的疾病名称的具体信息识别与该疾病名称的具体信息对应的检测指标的多个具体信息，基于所述检测指标的多个具体信息中识别与待评定文本匹配的具体信息；基于识别的与待评定文本匹配的具体信息，判断与之对应的所开药物名称和所开药物的剂量的具体信息与待评定文本中所开药物名称和所开药物的剂量的具体信息是否匹配包括：基于所述标准集合构建知识图谱，基于所述匹配的疾病名称的具体信息识别多个路径，基于每个路径与所述待评定文本进行匹配。
6.一种基于提示学习模型的临床决策预警的系统，其特征在于，包括待评定集合构建模块、标准集合构建模块和匹配模块；其中，所述待评定集合构建模块用于采集一段时间内的多个临床病历，构建待评定集合，所述待评定集合包括多个待评定文本，每个待评定文本与每个临床病历一一对应，所述待评定文本包括对应的临床病历的关键信息，所述关键信息包括多个临床类别和每个临床类别的具体信息，所述多个临床类别包括疾病名称、检测指标、所开药物名称和所开药物的剂量；所述标准集合构建模块用于基于标准信息构建标准集合，所述标准集合包括多个标准类别；每个标准类别包括多个具体信息，多个标准类别包括疾病名称、检测指标、所开药物名称和所开药物的剂量；所述匹配模块用于基于语言模型将所述待评定文本与所述标准集合匹配，在待评定文本的疾病名称和检测指标的具体信息与标准集合中疾病名称和检测指标的具体信息匹配的情况下判断该待评定文本中所开药物名称和所开药物的剂量的具体信息与标准集合中疾病名称和检测指标对应的所开药物名称和所开药物的剂量的具体信息是否匹配；当判断不匹配时，对该待评定文本进行预警。
7.根据权利要求6所述的一种基于提示学习模型的临床决策预警的系统，其特征在于，所述语言模型包括通过提示学习范式利用的gpt预训练模型。
8.根据权利要求7所述的一种基于提示学习模型的临床决策预警的系统，其特征在于，所述匹配模块包括样本组合单元、概率计算单元和判断单元；所述样本组合单元用于将待评定集合中的任一待评定文本和标准集合中的疾病名称类别的任一具体信息进行两两组合构成多个样本组集合，多个样本组集合中的每个样本组包括一个待评定文本、所述标准集合的疾病名称的任一具体信息和gpt预训练模型执行的任务信息，所述执行的任务信息包括对每个样本组中待评定文本的疾病名称和标准集合中的疾病名称类别的任一具体信息进行实体识别；概率计算单元用于基于gpt预训练模型计算每个样本组中的待评定文本中疾病名称的具体信息隶属于标准类别中疾病名称的具体信息匹配的概率值，基于概率值识别标准类别中与待评定文本匹配的疾病名称的具体信息；判断单元用于基于所述匹配的疾病名称的具体信息识别与该疾病名称的具体信息对应的检测指标的多个具体信息，基于所述检测指标的多个具体信息中识别与待评定文本匹配的具体信息；基于识别的与待评定文本匹配的具体信息，判断与之对应的所开药物名称和所开药物的剂量的具体信息与待评定文本中所开药物名称和所开药物的剂量的具体信息是否匹配。
9.根据权利要求8所述的一种基于提示学习模型的临床决策预警的系统，其特征在于，所述基于概率值识别标准类别中与待评定文本匹配的疾病名称的具体信息包括：基于概率值计算待评定文本和标准集合中疾病名称的具体信息是否相似的二分类的概率分布，基于概率分布输出结果。
10.根据权利要求9所述的一种基于提示学习模型的传染病预警直报系统，其特征在于，所述判断单元包括：基于所述标准集合构建知识图谱，基于所述匹配的疾病名称的具体信息识别多个路径，基于每个路径与所述待评定文本进行匹配。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211538259.2A CN115938608A (zh) | 2022-12-02 | 2022-12-02 | 一种基于提示学习模型的临床决策预警的方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211538259.2A CN115938608A (zh) | 2022-12-02 | 2022-12-02 | 一种基于提示学习模型的临床决策预警的方法和系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115938608A true CN115938608A (zh) | 2023-04-07 |
Family
ID=86653691
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211538259.2A Pending CN115938608A (zh) | 2022-12-02 | 2022-12-02 | 一种基于提示学习模型的临床决策预警的方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115938608A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116631573A (zh) * | 2023-07-25 | 2023-08-22 | 讯飞医疗科技股份有限公司 | 一种处方用药审核方法、装置、设备及存储介质 |
| CN118332077A (zh) * | 2024-03-27 | 2024-07-12 | 北京华录高诚科技有限公司 | 一种交通枢纽咨询方法及系统 |
-
2022
- 2022-12-02 CN CN202211538259.2A patent/CN115938608A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116631573A (zh) * | 2023-07-25 | 2023-08-22 | 讯飞医疗科技股份有限公司 | 一种处方用药审核方法、装置、设备及存储介质 |
| CN118332077A (zh) * | 2024-03-27 | 2024-07-12 | 北京华录高诚科技有限公司 | 一种交通枢纽咨询方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111986770B (zh) | 药方用药审核方法、装置、设备及存储介质 | |
| WO2020243732A1 (en) | Systems and methods of clinical trial evaluation | |
| CN114026651A (zh) | 结构化患者数据记录的自动生成 | |
| CN102947832A (zh) | 患者记录的身份匹配 | |
| CN115938608A (zh) | 一种基于提示学习模型的临床决策预警的方法和系统 | |
| US20140122126A1 (en) | Clinical information processing | |
| Kopanitsa | Integration of hospital information and clinical decision support systems to enable the reuse of electronic health record data | |
| CN114580007A (zh) | 医疗数据脱敏方法和装置 | |
| CN114664463A (zh) | 一种全科医生诊疗辅助系统 | |
| US8676800B2 (en) | Method and system for generating text | |
| dos Santos et al. | Fall detection in ehr using word embeddings and deep learning | |
| Chapman et al. | Natural language processing for biosurveillance: detection and characterization from textual clinical reports | |
| CN109997201A (zh) | 针对多种医学知识模块的利用数据驱动方法的精确临床决策支持 | |
| Martin et al. | Hypertension identification using inpatient clinical notes from electronic medical records: an explainable, data-driven algorithm study | |
| Aggarwal et al. | HEDEA: a Python tool for extracting and analysing semi-structured information from medical records | |
| Chignell et al. | Nonconfidential patient types in emergency clinical decision support | |
| Ageno et al. | Acquisition of temporal patterns from electronic health records: an application to multimorbid patients | |
| CN111966838B (zh) | 一种不良事件和用药关联性判断方法和系统 | |
| Talburt et al. | Evaluating and improving data fusion accuracy | |
| US8756234B1 (en) | Information theory entropy reduction program | |
| Wang et al. | Electronic Health Records as Source of Research Data | |
| Chondrogiannis et al. | Bridging the Gap among Cohort Data Using Mapping Scenarios | |
| Yee et al. | Big data: Its implications on healthcare and future steps | |
| US20160162650A1 (en) | Method for automating medical billing | |
| Moturi | Use Of Data Mining To Detect Fraud Health Insurance Claims |
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 |