CN116450727A - 医疗数据处理方法、装置、终端设备和可读存储介质 - Google Patents
医疗数据处理方法、装置、终端设备和可读存储介质 Download PDFInfo
- Publication number
- CN116450727A CN116450727A CN202310722174.8A CN202310722174A CN116450727A CN 116450727 A CN116450727 A CN 116450727A CN 202310722174 A CN202310722174 A CN 202310722174A CN 116450727 A CN116450727 A CN 116450727A
- Authority
- CN
- China
- Prior art keywords
- medical data
- data
- storage
- keywords
- text
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 28
- 238000012545 processing Methods 0.000 title claims abstract description 19
- 238000000034 method Methods 0.000 claims abstract description 35
- 238000005192 partition Methods 0.000 claims abstract description 32
- 238000004140 cleaning Methods 0.000 claims abstract description 25
- 238000013145 classification model Methods 0.000 claims description 46
- 238000012937 correction Methods 0.000 claims description 45
- 239000011159 matrix material Substances 0.000 claims description 39
- 238000012549 training Methods 0.000 claims description 27
- 238000004590 computer program Methods 0.000 claims description 23
- 238000001514 detection method Methods 0.000 claims description 22
- 230000006870 function Effects 0.000 claims description 21
- 238000003745 diagnosis Methods 0.000 claims description 13
- 230000015654 memory Effects 0.000 claims description 13
- 230000003321 amplification Effects 0.000 claims description 12
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 12
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 10
- 201000010099 disease Diseases 0.000 claims description 9
- 208000024891 symptom Diseases 0.000 claims description 9
- 238000002372 labelling Methods 0.000 claims description 7
- 239000013598 vector Substances 0.000 claims description 7
- 230000003416 augmentation Effects 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000013016 damping Methods 0.000 claims description 4
- 230000009191 jumping Effects 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 4
- 238000005406 washing Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 description 18
- 230000004044 response Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000010355 oscillation Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 240000005523 Peganum harmala Species 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/25—Integrating or interfacing systems involving database management systems
- G06F16/258—Data format conversion from or to a database
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- 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
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
- G06N3/0455—Auto-encoder networks; Encoder-decoder networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Quality & Reliability (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本申请适用于数据处理技术领域,提供了医疗数据处理方法、装置、终端设备和可读存储介质。该医疗数据处理方法包括:从多个医疗终端获取医疗数据,对医疗数据进行清洗,从清洗后的医疗数据中提取关键词,根据关键词将清洗后的医疗数据转化为结构化数据;在预设存储空间中,对每个患者标识设置一存储区间,并将多个患者对应的患者标识、关键词和结构化数据存入对应的存储区间中;在预设存储空间中,设置一位置信息分区,将多个患者对应存储区间的位置信息及对应的关键词记录至位置信息分区。本申请能够建立多个医疗终端中的不同医疗数据之间的关联关系,并能够将上述医疗数据和关联关系存储到一个存储空间中,便于后续查询处理。
Description
技术领域
本申请属于数据处理技术领域,尤其涉及医疗数据处理方法、装置、终端设备和可读存储介质。
背景技术
随着数据信息化无纸化的发展,患者在医院内的各种医疗数据均已存储在对应的存储器中。例如,患者的病例数据、入院检查数据、医学影像数据、治疗数据等都能够存储在相应的存储器中。
然而,上述的医疗数据各自存储在不同的系统之中,相互之间没有关联关系,在需要对某个患者、某类病症或某个科室的医疗情况进行分析时,很难找到相关完整的医疗数据。
发明内容
为克服相关技术中存在的问题,本申请实施例提供了医疗数据处理方法、装置、终端设备和可读存储介质。
本申请是通过如下技术方案实现的:
第一方面,本申请实施例提供了一种医疗数据处理方法,包括:
从多个医疗终端获取医疗数据,所述医疗数据包含多个患者的患者标识、病例文本数据和检测报告数据;
对所述医疗数据进行清洗,从清洗后的医疗数据中提取关键词,以及根据所述关键词将清洗后的医疗数据转化为结构化数据;所述关键词用于表征患者的历史病症、历史检测结果和历史诊断结果;
在预设存储空间中,对每个患者标识设置一存储区间,并将所述多个患者对应的患者标识、关键词和结构化数据存入对应的存储区间中;
在所述预设存储空间中,设置一位置信息分区,将所述多个患者对应存储区间的位置信息及对应的关键词记录至所述位置信息分区;其中,各个存储区间对应的位置信息首尾连接,在患者所需的存储区间变大后,对该患者的存储区间进行扩增,且扩增后的存储区间对应的位置信息连续无间断。
上述医疗数据处理方法,首先获取多个医疗终端的医疗数据,之后对该医疗数据进行清洗,从清洗后的医疗数据中提取关键词,根据上述关键词将清洗后的医疗数据转化为结构化数据而存储至同一存储空间中。在该存储空间中,对每个患者标识设置一存储区间,将多个患者对应的患者标识、关键词和结构化数据存入对应的存储区间中;另外,在该预设存储空间中还设置一位置信息分区,将各个患者对应存储区间的位置信息及对应的关键词记录至位置信息分区。而且各个存储区间对应的位置信息首尾连接,在患者所需的存储区间变大后,对该患者的存储区间进行扩增,且扩增后的存储区间对应的位置信息连续无间断,从而能够建立多个医疗终端(系统)中的不同医疗数据之间的关联关系,并能够将上述医疗数据和关联关系存储到一个存储空间中,便于后续查询处理。
结合第一方面,在一些实施例中,所述从清洗后的医疗数据中提取关键词,包括:
对所述医疗数据中的文本进行分词,确定第一文本中每个词出现的第一频率和位置,所述第一文本为所述医疗数据中的任一文本;
对于所述第一文本,根据各个词首次出现的第一位置和末次出现的第二位置之间的距离,与所述第一文本中词的总数的比值,计算所述第一文本中各个词的跨度,并将所述第一文本中跨度最大的词记作为所述第一文本的第一关键词;
计算所述第一文本中各个词在其他文本中出现的第二频率,计算第一频率与第二频率的差值,将差值最大的词记作为所述第一文本的第二关键词 。
结合第一方面,在一些实施例中,所述对所述医疗数据进行清洗,包括:
设置清洗标签,所述清洗标签为需要删除的医疗数据对应的标签,每个医疗终端的医疗数据中均包含一个或多个标签名称以及与标签名称对应的医疗数据;
将所述清洗标签与每个医疗终端的医疗数据中的标签名称进行比对,将与所述清洗标签匹配的标签名称所对应的医疗数据删除;
所述根据所述关键词将清洗后的医疗数据转化为结构化数据,包括:
对于病例文本数据,确定病例文本数据的关键词,将病例文本数据的关键词作为键数据,将病例文本数据关键词对应的内容作为值数据;
对于检测报告数据,提取检测报告数据中的文本内容和图像,确定文本内容的关键词,将文本内容的关键词作为键数据,将所述关键词对应的内容以及所述图像作为值数据。
结合第一方面,在一些实施例中,所述在患者所需的存储区间变大后,对该患者的存储区间进行扩增,且扩增后的存储区间对应的位置信息连续无间断,包括:
计算目标患者所需的目标存储区间的大小;
根据目标存储区间、当前的存储区间以及诊断结果所表征的病症严重程度,确定对所述目标患者存储区间的扩增区间;所述扩增区间大于或等于所述目标存储区间与当前的存储区间的差值,且所述扩增区间与所述病症严重程度呈正比;
根据所述扩增区间,修改所述目标患者存储区间的结束位置,以及修改位于所述目标患者之后的其他患者的存储区间的起始位置和结束位置;
在所述位置信息分区中更新所述目标患者存储区间的结束位置,以及位于所述目标患者之后的其他患者的存储区间的起始位置和结束位置。
结合第一方面,在一些实施例中,所述方法还包括:
接收医疗数据的查询请求,所述查询请求包含患者标识、病症、检测结果和诊断结果中的至少一种信息;
响应所述查询请求,跳转至所述位置信息分区,将所述查询请求与所述位置信息分区中存储的关键词进行匹配;
确定与所述查询请求匹配成功的关键词对应的目标位置信息;
将所述目标位置信息对应的医疗数据发送给所述查询请求对应的终端。
结合第一方面,在一些实施例中,在将医疗数据发送给查询请求对应的终端之前,若所述医疗数据的数据量大于阈值,所述方法还包括:采用Transformer分类模型对医疗数据进行分类,将分类之后的医疗数据发送给查询请求对应的终端;
所述采用Transformer分类模型对医疗数据进行分类,包括:
对训练样本进行标注,所述训练样本包括文本样本和图像样本,标注的信息包括所述训练样本的类别标签;
采用标注后的训练样本对Transformer分类模型进行训练,得到训练后的第一Transformer分类模型;
根据第一Transformer分类模型的文本分类预测结果以及文本分类标签确定第一Transformer分类模型的误差函数的梯度;
若所述梯度未满足预设梯度要求,则基于梯度和预设修正系数计算修正矩阵,并基于所述修正矩阵对第一Transformer分类模型的网络参数进行修正,得到第二Transformer分类模型;
采用第二Transformer分类模型对输入的医疗数据进行分类。
结合第一方面,在一些实施例中,所述基于梯度和预设修正系数计算修正矩阵,并基于所述修正矩阵对第一Transformer分类模型的网络参数进行修正,包括:
计算所述梯度和所述梯度的转置矩阵的第一乘积;
计算所述第一乘积的对角矩阵与预设修正系数的第二乘积;
计算第一乘积和第二乘积之和,得到所述修正矩阵;
根据对第一Transformer分类模型的网络参数进行修正;
其中,S为修正矩阵,为修正矩阵的转置矩阵,/>为修正前的网络参数,/>为控制梯度下降的阻尼因子,/>为/>的对角矩阵,/>为网络参数的变化量,/>为残差向量。
第二方面,本申请实施例提供了一种医疗数据处理装置,包括:
数据获取模块,用于从多个医疗终端获取医疗数据,所述医疗数据包含多个患者的患者标识、病例文本数据和检测报告数据;
数据转化模块,用于对所述医疗数据进行清洗,从清洗后的医疗数据中提取关键词,以及根据所述关键词将清洗后的医疗数据转化为结构化数据;所述关键词用于表征患者的历史病症、历史检测结果和历史诊断结果;
存储模块,用于在预设存储空间中,对每个患者标识设置一存储区间,并将所述多个患者对应的患者标识、关键词和结构化数据存入对应的存储区间中;
存储位置设置模块,用于在所述预设存储空间中,设置一位置信息分区,将所述多个患者对应存储区间的位置信息及对应的关键词记录至所述位置信息分区;其中,各个存储区间对应的位置信息首尾连接,在患者所需的存储区间变大后,对该患者的存储区间进行扩增,且扩增后的存储区间对应的位置信息连续无间断。
第三方面,本申请实施例提供了一种终端设备,包括存储器和处理器,所述存储器中存储有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第一方面任一项所述的医疗数据处理方法。
第四方面,本申请实施例提供了一种可读存储介质,所述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如第一方面任一项所述的医疗数据处理方法。
第五方面,本申请实施例提供了一种计算机程序产品,当计算机程序产品在终端设备上运行时,使得终端设备执行上述第一方面中任一项所述的医疗数据处理方法。
可以理解的是,上述第二方面至第五方面的有益效果可以参见上述第一方面中的相关描述,在此不再赘述。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本说明书。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例或现有技术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,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,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医疗数据处理方法的流程示意图;
图2是本申请实施例提供的医疗数据处理装置的结构示意图;
图3是本申请实施例提供的终端设备的结构示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本申请实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本申请的描述。
应当理解,当在本申请说明书和所附权利要求书中使用时,术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
如在本申请说明书和所附权利要求书中所使用的那样,术语“如果”可以依据上下文被解释为“当……时”或“一旦”或“响应于确定”或“响应于检测到”。类似地,短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外,在本申请说明书和所附权利要求书的描述中,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此,在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例,而是意味着“一个或多个但不是所有的实施例”,除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”,除非是以其他方式另外特别强调。
图1是本申请一实施例提供的医疗数据处理方法的示意性流程图,参照图1,对该医疗数据处理方法的详述如下:
步骤101,从多个医疗终端获取医疗数据。
其中,上述医疗数据可以包含多个患者的患者标识、病例文本数据和检测报告数据。
举例说明,医疗终端包含但不限于门诊系统计算机、检测设备终端、收费系统终端、住院系统终端等。不同的医疗终端中存储有不同的医疗数据,例如门诊系统计算机中可以存储有患者的病例数据,检测设备终端中可以存储有患者的入院检查数据、医疗影像数据等,收费系统终端可以存储有患者治疗病情所花费,住院系统终端中可以存储有患者住院治疗过程的数据。由此可见,每个终端中存储的数据各不相同,而上述医疗数据存储在不同的系统之中,相互之间并没有关联关系。
步骤102,对所述医疗数据进行清洗,从清洗后的医疗数据中提取关键词,以及根据所述关键词将清洗后的医疗数据转化为结构化数据。
其中,上述关键词可以用于表征患者的历史病症、历史检测结果和历史诊断结果。
以下对如何对医疗数据进行清洗,如何从医疗数据中提取关键词,以及如何将医疗数据转化为结构化数据进行示例性说明。
一些实施例中,从清洗后的医疗数据中提取关键词的过程可以包括:对医疗数据中的文本进行分词,确定第一文本中每个词出现的第一频率和位置,第一文本为医疗数据中的任一文本;对于第一文本,根据各个词首次出现的第一位置和末次出现的第二位置之间的距离,与第一文本中词的总数的比值,计算第一文本中各个词的跨度,并将第一文本中跨度最大的词记作为第一文本的第一关键词;计算第一文本中各个词在其他文本中出现的第二频率,计算第一频率与第二频率的差值,将差值最大的词记作为第一文本的第二关键词。
在一个文本中,若一个词的跨度越大,则说明这个词在该文本中的重要程度越高,基于此可以将跨度最大的词作为文本的关键词。
另外,可以将第一文本中与跨度最大的词的关联程度高的词也记作为第一文本的关键词。其中,关联程度基于:两个词之间的距离、两个词是否位于同一句子中、两个词的词性是否满足预设关系确定。若两个词位于同一句子中,且两个词之间的距离小于阈值,且两个词的词性满足预设词性关系,则将这一词记为与跨度最大的词的关联程度高的词,也记作为第一文本的关键词。
示例性的,预设词性关系为两个词的词性要满足预先设置的词性关系,而这种词性关系能够表征两个词之间的关联程度比较高。例如,预设词性关系可以为动词和名词之间的词性关系,数词和量词之间的词性关系,动词和形容词之间的词性关系等。
一些实施例中,对所述医疗数据进行清洗的过程可以包括:设置清洗标签,清洗标签为需要删除的医疗数据对应的标签,每个医疗终端的医疗数据中均包含一个或多个标签名称以及与标签名称对应的医疗数据;将清洗标签与每个医疗终端的医疗数据中的标签名称进行比对,将与清洗标签匹配的标签名称所对应的医疗数据删除。
一些实施例中,根据关键词将清洗后的医疗数据转化为结构化数据的过程可以包括:对于病例文本数据,确定病例文本数据的关键词,将病例文本数据的关键词作为键数据,将病例文本数据的关键词对应的内容作为值数据;对于检测报告数据,提取检测报告数据中的文本内容和图像,确定文本内容的关键词,将文本内容的关键词作为键数据,将所述关键词对应的内容以及上述图像作为值数据。
步骤103,在预设存储空间中,对每个患者标识设置一存储区间,并将所述多个患者对应的患者标识、关键词和结构化数据存入对应的存储区间中。
其中,每个患者对应一存储区间,各个存储区间依次连续按照队列设置,每个存储区间相当于一个分区,各个分区依次排列设置。
步骤104,在所述预设存储空间中,设置一位置信息分区,将所述多个患者对应存储区间的位置信息及对应的关键词记录至所述位置信息分区。
其中,各个存储区间对应的位置信息首尾连接,在患者所需的存储区间变大后,对该患者的存储区间进行扩增,且扩增后的存储区间对应的位置信息连续无间断。
示例性的,在患者所需的存储区间变大后,计算目标患者所需的目标存储区间的大小。之后,根据目标存储区间、当前的存储区间以及诊断结果所表征的病症严重程度,确定对所述目标患者存储区间的扩增区间;所述扩增区间大于或等于所述目标存储区间与当前的存储区间的差值,且所述扩增区间与所述病症严重程度呈正比。接着,根据所述扩增区间,修改所述目标患者存储区间的结束位置,以及修改位于所述目标患者之后的其他患者的存储区间的起始位置和结束位置。最后,在所述位置信息分区中更新所述目标患者存储区间的结束位置,以及位于所述目标患者之后的其他患者的存储区间的起始位置和结束位置。
举例说明,目标存储区间可以为患者当前新增的医疗数据与历史医疗数据之和所需的存储区间。若目标存储区间为a,当前的存储区间为b,而该患者的诊断结果所表征的病症严重程度为α,则扩增区间c可以等于(a-b)×α。例如,患者的诊断结果所表征的病症严重程度为大于1的数值,病症越严重对应的数值越大,可以为[1.5,2]之间的数值。病症严重程度越大,对应新增的医疗数据就会越多,故可以预留出较多的存储区间供以后新增的医疗数据存储,从而能够减少对存储区间的频繁修改。
一些实施例中,上述医疗数据处理方法还可以包括:接收医疗数据的查询请求,该查询请求包含患者标识、病症、检测结果和诊断结果中的至少一种信息;响应该查询请求,跳转至位置信息分区,将该查询请求与位置信息分区中存储的关键词进行匹配;确定与该查询请求匹配成功的关键词对应的目标位置信息;将目标位置信息对应的医疗数据发送给该查询请求对应的终端。
一种场景中,在将医疗数据发送给查询请求对应的终端之前,若医疗数据的数据量大于阈值,上述医疗数据处理方法还可以包括:采用Transformer分类模型对医疗数据进行分类,将分类之后的医疗数据发送给查询请求对应的终端。
其中,采用Transformer分类模型对医疗数据进行分类的过程可以包括:对训练样本进行标注,训练样本包括文本样本和图像样本,标注的信息包括训练样本的类别标签;采用标注后的训练样本对Transformer分类模型进行训练,得到训练后的第一Transformer分类模型;根据第一Transformer分类模型的文本分类预测结果以及文本分类标签确定第一Transformer分类模型的误差函数的梯度;若所述梯度未满足预设梯度要求,则基于梯度和预设修正系数计算修正矩阵,并基于修正矩阵对第一Transformer分类模型的网络参数进行修正,得到第二Transformer分类模型;采用第二Transformer分类模型对输入的医疗数据进行分类。
在计算误差函数的梯度时,模型中的每个模块(例如,编码部分的每个Encoderblock层、解码部分的每个Decoder block层等)都是由多个子层组成的。而对于每个子层(例如,多头注意力模块、前馈神经网络层等),它都有其特定的运算过程。在计算误差函数对模型中每个参数的梯度时,可以使用反向传播算法来自动计算每个模块中各个子层对误差函数的贡献,将所有子层对误差函数的贡献累加起来,即可得到整个模块对每个参数的梯度。
在前向传播中,模型根据输入数据进行一系列运算,最终输出文本分类结果。在反向传播中,模型根据误差函数对文本分类结果的差异进行反向传播,计算模型中每个参数对误差函数的梯度,并更新参数。对于每个参数,反向传播算法会计算误差函数对其输出值的梯度、输入值的梯度以及参数的梯度。然后,通过链式法则将这些梯度相乘得到误差函数对参数的梯度,从而得到误差函数的梯度。如此一来,后续便可以使用这个梯度更新模型中的参数,由此优化模型性能。
示例性的,上述基于梯度和预设修正系数计算修正矩阵,并基于修正矩阵对第一Transformer分类模型的网络参数进行修正的具体过程可以为:计算梯度和梯度的转置矩阵的第一乘积;计算第一乘积的对角矩阵与预设修正系数的第二乘积;计算第一乘积和第二乘积之和,得到修正矩阵;根据对第一Transformer分类模型的网络参数进行修正。
其中,S为修正矩阵,为修正矩阵的转置矩阵,/>为修正前的网络参数,/>为控制梯度下降的阻尼因子,/>为/>的对角矩阵,/>为网络参数的变化量,/>为残差向量。
示例性的,修正矩阵可以等于:第一乘积+修正系数×第二乘积。当修正系数较小时,第一乘积的贡献较大,此时修正矩阵的主要成分为第一乘积,算法的收敛速度较快,模型的泛化能力较高;而当修正系数较大时,第二乘积的贡献较大,此时修正矩阵的主要成分为第二乘积,算法能够在误差函数的平稳区域内寻找误差最小值,避免出现网络震荡。
其中,修正系数的取值范围为[0,1]。而为了在提高神经网络模型的泛化能力以及加快算法收敛速度的前提下,兼顾避免出现网络震荡的问题,可以将修正系数的取值设置为0.5。
当误差函数的梯度不满足预设梯度要求时,也即基于当前模型的文本分类性能还不足以高质量、高精度地完成文本分类任务时,可以对Transformer分类模型的每一轮训练,都对残差模块网络参数进行修正,以确保每一轮模型训练时的参数都是当前阶段的最佳参数。
一些实施例中,采用第二Transformer分类模型对输入的医疗数据进行分类包括:首先使用Word2Vec中的Skip-gram模型训练输入的医疗数据的词向量;将词向量输入到BIGRU循环网络神经,提取词向量的全局特征;将全局特征输入到第二Transformer分类模型中进行分类。
上述医疗数据处理方法,首先获取多个医疗终端的医疗数据,之后对该医疗数据进行清洗,从清洗后的医疗数据中提取关键词,根据上述关键词将清洗后的医疗数据转化为结构化数据而存储至同一存储空间中。在该存储空间中,对每个患者标识设置一存储区间,将多个患者对应的患者标识、关键词和结构化数据存入对应的存储区间中;另外,在该预设存储空间中还设置一位置信息分区,将各个患者对应存储区间的位置信息及对应的关键词记录至位置信息分区。而且各个存储区间对应的位置信息首尾连接,在患者所需的存储区间变大后,对该患者的存储区间进行扩增,且扩增后的存储区间对应的位置信息连续无间断,从而能够建立多个医疗终端(系统)中的不同医疗数据之间的关联关系,并能够将上述医疗数据和关联关系存储到一个存储空间中,便于后续查询处理。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
对应于上文实施例所述的医疗数据处理方法,图2示出了本申请实施例提供的医疗数据处理装置的结构框图,为了便于说明,仅示出了与本申请实施例相关的部分。
参见图2,本申请实施例中的医疗数据处理装置可以包括数据获取模块201、数据转化模块202、存储模块203和存储位置设置模块204。
其中,数据获取模块201用于从多个医疗终端获取医疗数据,所述医疗数据包含多个患者的患者标识、病例文本数据和检测报告数据。
数据转化模块202用于对所述医疗数据进行清洗,从清洗后的医疗数据中提取关键词,以及根据所述关键词将清洗后的医疗数据转化为结构化数据;所述关键词用于表征患者的历史病症、历史检测结果和历史诊断结果。
存储模块203用于在预设存储空间中,对每个患者标识设置一存储区间,并将所述多个患者对应的患者标识、关键词和结构化数据存入对应的存储区间中。
存储位置设置模块204用于在所述预设存储空间中,设置一位置信息分区,将所述多个患者对应存储区间的位置信息及对应的关键词记录至所述位置信息分区。其中,各个存储区间对应的位置信息首尾连接,在患者所需的存储区间变大后,对该患者的存储区间进行扩增,且扩增后的存储区间对应的位置信息连续无间断。
可选的,从清洗后的医疗数据中提取关键词的过程可以包括:
对所述医疗数据中的文本进行分词,确定第一文本中每个词出现的第一频率和位置,所述第一文本为所述医疗数据中的任一文本;
对于所述第一文本,根据各个词首次出现的第一位置和末次出现的第二位置之间的距离,与所述第一文本中词的总数的比值,计算所述第一文本中各个词的跨度,并将所述第一文本中跨度最大的词记作为所述第一文本的第一关键词;
计算所述第一文本中各个词在其他文本中出现的第二频率,计算第一频率与第二频率的差值,将差值最大的词记作为所述第一文本的第二关键词 。
可选的,对所述医疗数据进行清洗的过程可以包括:
设置清洗标签,所述清洗标签为需要删除的医疗数据对应的标签,每个医疗终端的医疗数据中均包含一个或多个标签名称以及与标签名称对应的医疗数据;
将所述清洗标签与每个医疗终端的医疗数据中的标签名称进行比对,将与所述清洗标签匹配的标签名称所对应的医疗数据删除。
可选的,根据所述关键词将清洗后的医疗数据转化为结构化数据的过程可以包括:
对于病例文本数据,确定病例文本数据的关键词,将病例文本数据的关键词作为键数据,将病例文本数据关键词对应的内容作为值数据;
对于检测报告数据,提取检测报告数据中的文本内容和图像,确定文本内容的关键词,将文本内容的关键词作为键数据,将所述关键词对应的内容以及所述图像作为值数据。
可选的,在患者所需的存储区间变大后,对该患者的存储区间进行扩增,且扩增后的存储区间对应的位置信息连续无间断的实现过程可以包括:
计算目标患者所需的目标存储区间的大小;
根据目标存储区间、当前的存储区间以及诊断结果所表征的病症严重程度,确定对所述目标患者存储区间的扩增区间;所述扩增区间大于或等于所述目标存储区间与当前的存储区间的差值,且所述扩增区间与所述病症严重程度呈正比;
根据所述扩增区间,修改所述目标患者存储区间的结束位置,以及修改位于所述目标患者之后的其他患者的存储区间的起始位置和结束位置;
在所述位置信息分区中更新所述目标患者存储区间的结束位置,以及位于所述目标患者之后的其他患者的存储区间的起始位置和结束位置。
可选的,上述医疗数据处理装置还可以包括查询模块,所述查询模块具体用于:
接收医疗数据的查询请求,所述查询请求包含患者标识、病症、检测结果和诊断结果中的至少一种信息;
响应所述查询请求,跳转至所述位置信息分区,将所述查询请求与所述位置信息分区中存储的关键词进行匹配;
确定与所述查询请求匹配成功的关键词对应的目标位置信息;
将所述目标位置信息对应的医疗数据发送给所述查询请求对应的终端。
可选的,上述医疗数据处理装置还可以包括分类模块,所述分类模块用于在将医疗数据发送给查询请求对应的终端之前,若所述医疗数据的数据量大于阈值,采用Transformer分类模型对医疗数据进行分类,将分类之后的医疗数据发送给查询请求对应的终端。
具体的,采用Transformer分类模型对医疗数据进行分类的具体过程可以包括:
对训练样本进行标注,所述训练样本包括文本样本和图像样本,标注的信息包括所述训练样本的类别标签;
采用标注后的训练样本对Transformer分类模型进行训练,得到训练后的第一Transformer分类模型;
根据第一Transformer分类模型的文本分类预测结果以及文本分类标签确定第一Transformer分类模型的误差函数的梯度;
若所述梯度未满足预设梯度要求,则基于梯度和预设修正系数计算修正矩阵,并基于所述修正矩阵对第一Transformer分类模型的网络参数进行修正,得到第二Transformer分类模型;
采用第二Transformer分类模型对输入的医疗数据进行分类。
一种场景中,上述基于梯度和预设修正系数计算修正矩阵,并基于所述修正矩阵对第一Transformer分类模型的网络参数进行修正的实现过程可以包括:
计算所述梯度和所述梯度的转置矩阵的第一乘积;
计算所述第一乘积的对角矩阵与预设修正系数的第二乘积;
计算第一乘积和第二乘积之和,得到所述修正矩阵;
根据对第一Transformer分类模型的网络参数进行修正;
其中,S为修正矩阵,为修正矩阵的转置矩阵,/>为修正前的网络参数,/>为控制梯度下降的阻尼因子,/>为/>的对角矩阵,/>为网络参数的变化量,/>为残差向量。
需要说明的是,上述装置/单元之间的信息交互、执行过程等内容,由于与本申请方法实施例基于同一构思,其具体功能及带来的技术效果,具体可参见方法实施例部分,此处不再赘述。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、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功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、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。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
本申请实施例还提供了一种终端设备,参见图3,该终端设备300可以包括:至少一个处理器310和存储器320,所述存储器320中存储有可在所述至少一个处理器310上运行的计算机程序,所述处理器310执行所述计算机程序时实现上述任意各个方法实施例中的步骤,例如图1所示实施例中的步骤101至步骤104。或者,处理器310执行所述计算机程序时实现上述各装置实施例中各模块/单元的功能,例如图2所示模块201至204的功能。
示例性的,计算机程序可以被分割成一个或多个模块/单元,一个或者多个模块/单元被存储在存储器320中,并由处理器310执行,以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序段,该程序段用于描述计算机程序在终端设备300中的执行过程。
本领域技术人员可以理解,图3仅仅是终端设备的示例,并不构成对终端设备的限定,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,例如输入输出设备、网络接入设备、总线等。
处理器310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。
存储器320可以是终端设备的内部存储单元,也可以是终端设备的外部存储设备,例如插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。所述存储器320用于存储所述计算机程序以及终端设备所需的其他程序和数据。所述存储器320还可以用于暂时地存储已经输出或者将要输出的数据。
总线可以是工业标准体系结构(Industry Standard Architecture,ISA)总线、外部设备互连(Peripheral Component,PCI)总线或扩展工业标准体系结构(ExtendedIndustry Standard Architecture,EISA)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示,本申请附图中的总线并不限定仅有一根总线或一种类型的总线。
本申请实施例提供的医疗数据处理方法可以应用于服务器、计算机、平板电脑、笔记本电脑、手机等终端设备上,本申请实施例对终端设备的具体类型不作任何限制。
本申请实施例还提供了一种可读存储介质,所述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可实现上述医疗数据处理方法各个实施例中的步骤。
本申请实施例提供了一种计算机程序产品,当计算机程序产品在移动终端上运行时,使得移动终端执行时实现可实现上述医疗数据处理方法各个实施例中的步骤。
所述集成的单元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取存储介质中。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,可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一可读存储介质中,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,所述计算机程序包括计算机程序代码,所述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。所述计算机可读介质至少可以包括:能够将计算机程序代码携带到拍照装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random AccessMemory)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区,根据立法和专利实践,计算机可读介质不可以是电载波信号和电信信号。
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或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中,应该理解到,所揭露的装置/网络设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/网络设备实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
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)
1.一种医疗数据处理方法,其特征在于,包括:
从多个医疗终端获取医疗数据,所述医疗数据包含多个患者的患者标识、病例文本数据和检测报告数据;
对所述医疗数据进行清洗,从清洗后的医疗数据中提取关键词,以及根据所述关键词将清洗后的医疗数据转化为结构化数据;所述关键词用于表征患者的历史病症、历史检测结果和历史诊断结果;
在预设存储空间中,对每个患者标识设置一存储区间,并将所述多个患者对应的患者标识、关键词和结构化数据存入对应的存储区间中;
在所述设存储空间中,设置一位置信息分区,将所述多个患者对应存储区间的位置信息及对应的关键词记录至所述位置信息分区;其中,各个存储区间对应的位置信息首尾连接,在患者所需的存储区间变大后,对该患者的存储区间进行扩增,且扩增后的存储区间对应的位置信息连续无间断。
2.如权利要求1所述的医疗数据处理方法,其特征在于,所述从清洗后的医疗数据中提取关键词,包括:
对所述医疗数据中的文本进行分词,确定第一文本中每个词出现的第一频率和位置,所述第一文本为所述医疗数据中的任一文本;
对于所述第一文本,根据各个词首次出现的第一位置和末次出现的第二位置之间的距离,与所述第一文本中词的总数的比值,计算所述第一文本中各个词的跨度,并将所述第一文本中跨度最大的词记作为所述第一文本的第一关键词;
计算所述第一文本中各个词在其他文本中出现的第二频率,计算第一频率与第二频率的差值,将差值最大的词记作为所述第一文本的第二关键词。
3.如权利要求2所述的医疗数据处理方法,其特征在于,所述对所述医疗数据进行清洗,包括:
设置清洗标签,所述清洗标签为需要删除的医疗数据对应的标签,每个医疗终端的医疗数据中均包含一个或多个标签名称以及与标签名称对应的医疗数据;
将所述清洗标签与每个医疗终端的医疗数据中的标签名称进行比对,将与所述清洗标签匹配的标签名称所对应的医疗数据删除;
所述根据所述关键词将清洗后的医疗数据转化为结构化数据,包括:
对于病例文本数据,确定病例文本数据的关键词,将病例文本数据的关键词作为键数据,将病例文本数据关键词对应的内容作为值数据;
对于检测报告数据,提取检测报告数据中的文本内容和图像,确定文本内容的关键词,将文本内容的关键词作为键数据,将所述关键词对应的内容以及所述图像作为值数据。
4.如权利要求1所述的医疗数据处理方法,其特征在于,所述在患者所需的存储区间变大后,对该患者的存储区间进行扩增,且扩增后的存储区间对应的位置信息连续无间断,包括:
计算目标患者所需的目标存储区间的大小;
根据目标存储区间、当前的存储区间以及诊断结果所表征的病症严重程度,确定对所述目标患者存储区间的扩增区间;所述扩增区间大于或等于所述目标存储区间与当前的存储区间的差值,且所述扩增区间与所述病症严重程度呈正比;
根据所述扩增区间,修改所述目标患者存储区间的结束位置,以及修改位于所述目标患者之后的其他患者的存储区间的起始位置和结束位置;
在所述位置信息分区中更新所述目标患者存储区间的结束位置,以及位于所述目标患者之后的其他患者的存储区间的起始位置和结束位置。
5.如权利要求1所述的医疗数据处理方法,其特征在于,所述方法还包括:
接收医疗数据的查询请求,所述查询请求包含患者标识、病症、检测结果和诊断结果中的至少一种信息;
响应所述查询请求,跳转至所述位置信息分区,将所述查询请求与所述位置信息分区中存储的关键词进行匹配;
确定与所述查询请求匹配成功的关键词对应的目标位置信息;
将所述目标位置信息对应的医疗数据发送给所述查询请求对应的终端。
6.如权利要求5所述的医疗数据处理方法,其特征在于,在将医疗数据发送给查询请求对应的终端之前,若所述医疗数据的数据量大于阈值,所述方法还包括:采用Transformer分类模型对医疗数据进行分类,将分类之后的医疗数据发送给查询请求对应的终端;
所述采用Transformer分类模型对医疗数据进行分类,包括:
对训练样本进行标注,所述训练样本包括文本样本和图像样本,标注的信息包括所述训练样本的类别标签;
采用标注后的训练样本对Transformer分类模型进行训练,得到训练后的第一Transformer分类模型;
根据第一Transformer分类模型的文本分类预测结果以及文本分类标签确定第一Transformer分类模型的误差函数的梯度;
若所述梯度未满足预设梯度要求,则基于梯度和预设修正系数计算修正矩阵,并基于所述修正矩阵对第一Transformer分类模型的网络参数进行修正,得到第二Transformer分类模型;
采用第二Transformer分类模型对输入的医疗数据进行分类。
7.如权利要求6所述的医疗数据处理方法,其特征在于,所述基于梯度和预设修正系数计算修正矩阵,并基于所述修正矩阵对第一Transformer分类模型的网络参数进行修正,包括:
计算所述梯度和所述梯度的转置矩阵的第一乘积;
计算所述第一乘积的对角矩阵与预设修正系数的第二乘积;
计算第一乘积和第二乘积之和,得到所述修正矩阵;
根据对第一Transformer分类模型的网络参数进行修正;
其中,S为修正矩阵,为修正矩阵的转置矩阵,/>为修正前的网络参数,/>为控制梯度下降的阻尼因子,/>为/>的对角矩阵,/>为网络参数的变化量,/>为残差向量。
8.一种医疗数据处理装置,其特征在于,包括:
数据获取模块,用于从多个医疗终端获取医疗数据,所述医疗数据包含多个患者的患者标识、病例文本数据和检测报告数据;
数据转化模块,用于对所述医疗数据进行清洗,从清洗后的医疗数据中提取关键词,以及根据所述关键词将清洗后的医疗数据转化为结构化数据;所述关键词用于表征患者的历史病症、历史检测结果和历史诊断结果;
存储模块,用于在预设存储空间中,对每个患者标识设置一存储区间,并将所述多个患者对应的患者标识、关键词和结构化数据存入对应的存储区间中;
存储位置设置模块,用于在所述预设存储空间中,设置一位置信息分区,将所述多个患者对应存储区间的位置信息及对应的关键词记录至所述位置信息分区;其中,各个存储区间对应的位置信息首尾连接,在患者所需的存储区间变大后,对该患者的存储区间进行扩增,且扩增后的存储区间对应的位置信息连续无间断。
9.一种终端设备,包括存储器和处理器,所述存储器中存储有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任一项所述的方法。
10.一种可读存储介质,所述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任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310722174.8A CN116450727B (zh) | 2023-06-19 | 2023-06-19 | 医疗数据处理方法、装置、终端设备和可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310722174.8A CN116450727B (zh) | 2023-06-19 | 2023-06-19 | 医疗数据处理方法、装置、终端设备和可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116450727A true CN116450727A (zh) | 2023-07-18 |
CN116450727B CN116450727B (zh) | 2023-08-18 |
Family
ID=87135996
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310722174.8A Active CN116450727B (zh) | 2023-06-19 | 2023-06-19 | 医疗数据处理方法、装置、终端设备和可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116450727B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101551826A (zh) * | 2009-05-19 | 2009-10-07 | 成都市华为赛门铁克科技有限公司 | 数据检索方法、装置及其系统 |
CN103631909A (zh) * | 2013-11-26 | 2014-03-12 | 烽火通信科技股份有限公司 | 对大规模结构化和非结构化数据联合处理的系统及方法 |
CN106844640A (zh) * | 2017-01-22 | 2017-06-13 | 漳州科技职业学院 | 一种网页数据分析处理方法 |
CN107015985A (zh) * | 2016-01-27 | 2017-08-04 | 阿里巴巴集团控股有限公司 | 一种数据存储与获取方法及装置 |
CN108305175A (zh) * | 2017-12-30 | 2018-07-20 | 上海栈略数据技术有限公司 | 基于智能医学知识图谱的保险理赔风控辅助审核系统 |
CN110069573A (zh) * | 2019-03-19 | 2019-07-30 | 深圳壹账通智能科技有限公司 | 产品数据集成方法、装置、计算机设备及存储介质 |
CN111489800A (zh) * | 2020-04-10 | 2020-08-04 | 武汉万屏电子科技有限公司 | 一种病历和报告单图像识别与存储的分析方法及系统 |
CN114036256A (zh) * | 2021-11-08 | 2022-02-11 | 北京环境特性研究所 | 基于Solr的非结构化文件检索方法、装置、设备及存储介质 |
CN115905242A (zh) * | 2022-12-22 | 2023-04-04 | 中国人民解放军海军工程大学 | 海量船舶历史轨迹数据存储系统及查询方法 |
-
2023
- 2023-06-19 CN CN202310722174.8A patent/CN116450727B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101551826A (zh) * | 2009-05-19 | 2009-10-07 | 成都市华为赛门铁克科技有限公司 | 数据检索方法、装置及其系统 |
CN103631909A (zh) * | 2013-11-26 | 2014-03-12 | 烽火通信科技股份有限公司 | 对大规模结构化和非结构化数据联合处理的系统及方法 |
CN107015985A (zh) * | 2016-01-27 | 2017-08-04 | 阿里巴巴集团控股有限公司 | 一种数据存储与获取方法及装置 |
CN106844640A (zh) * | 2017-01-22 | 2017-06-13 | 漳州科技职业学院 | 一种网页数据分析处理方法 |
CN108305175A (zh) * | 2017-12-30 | 2018-07-20 | 上海栈略数据技术有限公司 | 基于智能医学知识图谱的保险理赔风控辅助审核系统 |
CN110069573A (zh) * | 2019-03-19 | 2019-07-30 | 深圳壹账通智能科技有限公司 | 产品数据集成方法、装置、计算机设备及存储介质 |
CN111489800A (zh) * | 2020-04-10 | 2020-08-04 | 武汉万屏电子科技有限公司 | 一种病历和报告单图像识别与存储的分析方法及系统 |
CN114036256A (zh) * | 2021-11-08 | 2022-02-11 | 北京环境特性研究所 | 基于Solr的非结构化文件检索方法、装置、设备及存储介质 |
CN115905242A (zh) * | 2022-12-22 | 2023-04-04 | 中国人民解放军海军工程大学 | 海量船舶历史轨迹数据存储系统及查询方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116450727B (zh) | 2023-08-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111814770A (zh) | 一种新闻视频的内容关键词提取方法、终端设备及介质 | |
CN111985241B (zh) | 医学信息查询方法、装置、电子设备及介质 | |
CN111461168A (zh) | 训练样本扩充方法、装置、电子设备及存储介质 | |
CN112990294B (zh) | 行为判别模型的训练方法、装置、电子设备及存储介质 | |
CN111460098B (zh) | 文本匹配方法、装置及终端设备 | |
CN113724858A (zh) | 基于人工智能的疾病检查项目推荐设备、方法及装置 | |
CN115222443A (zh) | 客户群体划分方法、装置、设备及存储介质 | |
CN113435499B (zh) | 标签分类方法、装置、电子设备和存储介质 | |
CN112347201B (zh) | 信息处理方法、信息处理装置及终端设备 | |
CN116450727B (zh) | 医疗数据处理方法、装置、终端设备和可读存储介质 | |
CN116564539A (zh) | 基于信息抽取和实体归一的医学相似病例推荐方法和系统 | |
CN116719997A (zh) | 政策信息推送方法、装置及电子设备 | |
CN107071553B (zh) | 一种修改视频语音的方法、装置和计算机可读存储介质 | |
CN115762704A (zh) | 一种处方审核方法、装置、设备和存储介质 | |
CN114943695A (zh) | 医学序列影像的异常检测方法、装置、设备及存储介质 | |
CN113282837B (zh) | 事件分析方法、装置、计算机设备及存储介质 | |
CN115358817A (zh) | 基于社交数据的智能产品推荐方法、装置、设备及介质 | |
CN113139561B (zh) | 一种垃圾分类方法、装置、终端设备及存储介质 | |
CN114461751A (zh) | 倒排索引表构建方法、资源检索方法、设备及存储介质 | |
CN113836297A (zh) | 文本情感分析模型的训练方法及装置 | |
CN112711584A (zh) | 一种数据检查方法、检查装置、终端设备及可读存储介质 | |
CN114971643B (zh) | 异常交易识别方法、装置、设备及存储介质 | |
CN115116594B (zh) | 医疗装置有效性的检测方法及装置 | |
CN113420120B (zh) | 关键信息提取模型的训练方法、提取方法、设备及介质 | |
CN117725165A (zh) | 模型训练方法、搜索方法及相关产品 |
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 |