CN116453640B - 基于多标签筛选的临床专病库构建方法、装置及电子设备 - Google Patents
基于多标签筛选的临床专病库构建方法、装置及电子设备 Download PDFInfo
- Publication number
- CN116453640B CN116453640B CN202310705525.4A CN202310705525A CN116453640B CN 116453640 B CN116453640 B CN 116453640B CN 202310705525 A CN202310705525 A CN 202310705525A CN 116453640 B CN116453640 B CN 116453640B
- Authority
- CN
- China
- Prior art keywords
- information
- medical record
- target
- disease
- clinical
- 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
Links
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 134
- 201000010099 disease Diseases 0.000 title claims abstract description 131
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000012216 screening Methods 0.000 title claims abstract description 37
- 238000011282 treatment Methods 0.000 claims description 32
- 238000002474 experimental method Methods 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 13
- 238000012986 modification Methods 0.000 claims description 11
- 230000004048 modification Effects 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 10
- 238000010276 construction Methods 0.000 claims description 6
- 230000001502 supplementing effect Effects 0.000 claims description 5
- 238000012937 correction Methods 0.000 claims description 2
- 238000004590 computer program Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 9
- 206010012601 diabetes mellitus Diseases 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000013473 artificial intelligence Methods 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 239000004973 liquid crystal related substance Substances 0.000 description 3
- 238000011269 treatment regimen Methods 0.000 description 3
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 210000003484 anatomy Anatomy 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 208000019622 heart disease Diseases 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000009469 supplementation Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
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
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
-
- 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
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other 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)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明公开了基于多标签筛选的临床专病库构建方法、装置及电子设备,包括:接收输入的临床信息和至少一个第一目标病历类目标签;其中,所述第一目标病历类目标签从预先确定的多个病历类目标签中筛选得到,所述病历类目标签用于表征病历所需信息,所述临床信息包括疾病名称;根据所述临床信息和所述第一目标病历类目标签生成引导信息;将所述引导信息输入人工智能模型,生成所述疾病名称对应的病历信息;基于所述病历信息构建临床专病库。提高了病历生成效率的同时,也保证了同一疾病病历信息的统一性,以及病人病历信息的持续更新性。
Description
技术领域
本发明涉及数据处理技术领域,尤其涉及一种基于多标签筛选的临床专病库构建方法、装置及电子设备。
背景技术
目前医院系统的数据库中,存储着每个病人的病历信息。一方面,病历信息有助于后续对病人病历的回顾;另一方面,医生通过对某种疾病下所有病历的研究学习,能够促进医疗水平的进步。
发明人在实现本发明的过程中发现,每个病历信息的生成都需要医生手动去输入,整个过程耗费时间长、且效率较低;不同医生建立的病历信息格式不同、记录的信息也不仅相同,无法按照疾病来建立临床专病库。
发明内容
为了解决上述技术问题或者至少部分地解决上述技术问题,本发明实施例提供了一种基于多标签筛选的临床专病库构建方法、装置及电子设备,能够预先设置不同疾病关联的多个病历类目标签,可以按照病人当前的病情阶段选择目标病历类目标签,结合临床信息和目标病历类目标签生成引导信息,并基于引导信息和人工智能模型自动生成病历信息,构建临床专病库。提高了病历生成效率的同时,也保证了同一疾病病历信息的统一性,以及病人病历信息的持续更新性。
本发明实施例提供了一种基于多标签筛选的临床专病库构建方法,包括:
接收输入的临床信息和至少一个第一目标病历类目标签;其中,所述第一目标病历类目标签从预先确定的多个病历类目标签中筛选得到,所述病历类目标签用于表征病历所需信息,所述临床信息包括疾病名称;根据所述临床信息和所述第一目标病历类目标签生成引导信息;将所述引导信息输入人工智能模型,生成所述疾病名称对应的病历信息;基于所述病历信息构建临床专病库。
本发明实施例还提供了一种基于多标签筛选的临床专病库构建装置,包括:
接收模块,用于接收输入的临床信息和至少一个第一目标病历类目标签;其中,所述第一目标病历类目标签从预先确定的多个病历类目标签中筛选得到,所述病历类目标签用于表征病历所需信息,所述临床信息包括疾病名称;第一生成模块,用于根据所述临床信息和所述第一目标病历类目标签生成引导信息;第二生成模块,用于将所述引导信息输入人工智能模型,生成所述疾病名称对应的病历信息;构建模块,用于基于所述病历信息构建临床专病库。
本发明实施例还提供了一种电子设备,所述电子设备包括:
一个或多个处理器;存储装置,用于存储一个或多个程序;当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如上所述的基于多标签筛选技术的临床专病库构建方法。
本发明实施例还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所述的基于多标签筛选技术的临床专病库构建方法。
本发明实施例还提供了一种计算机程序产品,该计算机程序产品包括计算机程序或指令,该计算机程序或指令被处理器执行时实现如上所述的基于多标签筛选技术的临床专病库构建方法。
本发明实施例提供的基于多标签筛选的临床专病库构建方法、装置及电子设备,预先设置了不同疾病关联的多个病历类目标签,可以按照病人当前的病情阶段选择目标病历类目标签,结合临床信息和目标病历类目标签生成引导信息,并基于引导信息和人工智能模型自动生成病历信息,构建临床专病库。提高了病历生成效率的同时,也保证了同一疾病病历信息的统一性,以及病人病历信息的持续更新性。
附图说明
结合附图并参考以下具体实施方式,本发明各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中,相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的,原件和元素不一定按照比例绘制。
图1为本发明实施例中的一种基于多标签筛选技术的临床专病库构建方法的流程图;
图2为本发明又一实施例中的一种基于多标签筛选技术的临床专病库构建方法的流程图;
图3为本发明再一实施例中的一种基于多标签筛选技术的专病信息查询方法的流程图;
图4本发明实施例中的一种基于多标签筛选技术的临床专病库构建装置的结构示意图;
图5本发明实施例中的一种电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本发明的实施例。虽然附图中显示了本发明的某些实施例,然而应当理解的是,本发明可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例,相反提供这些实施例是为了更加透彻和完整地理解本发明。应当理解的是,本发明的附图及实施例仅用于示例性作用,并非用于限制本发明的保护范围。
应当理解,本发明的方法实施方式中记载的各个步骤可以按照不同的顺序执行,和/或并行执行。此外,方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本发明的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括,即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”;术语“另一实施例”表示“至少一个另外的实施例”;术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
需要注意,本发明中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意,本发明中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
参考图1所示,本发明实施例提供了一种基于多标签筛选技术的临床专病库构建方法的流程图。
步骤S101,接收输入的临床信息和至少一个第一目标病历类目标签;其中,所述第一目标病历类目标签从预先确定的多个病历类目标签中筛选得到,所述病历类目标签用于表征病历所需信息。
具体地,临床信息指的是病人接受诊断、治疗过程中所需的、以及生成的信息,包括但不限于病人的属性特征信息(年龄、身高、性别、体重、既往病史等)、疾病名称、诊断信息(病变部位、病历解剖、病因诱因、病情程度等)、治疗信息(包括治疗方案、疗效等)、药物信息等。临床专病库由多个病历构建而成,每个病历包括多个病历类目标签,病历类目标签用于表征该类目标签下病历所需信息,多个病历类目标签下的信息组合在一起构建成完整的病历。举例来说,某个病人的病历包括病人信息标签、医学影像信息标签、血象指标、诊断信息标签、治疗方案标签、治疗过程标签、以及手术信息标签等。不同疾病、以及同一疾病不同病人的检查方案、治疗方案不同,因此每个病历所包括的病历类目标签也不尽相同。
可选地,预先可以根据每种疾病对应的病理资料、治疗案例等确定该种疾病的病历可能需要的所有病历类目标签,并建立存储疾病和多个病历类目标签之间的关联关系。
在本步骤中,医生可以输入病人的临床信息,通过识别到的临床信息中的疾病名称,确定并展示该疾病对应的多个病历类目标签,医生可以从这些病历类目标签中筛选得到至少一个第一目标病历类目标签。
步骤S102,根据所述临床信息和所述第一目标病历类目标签生成引导信息。
具体地,引导信息是一段自然语言描述的文本,它作为后续人工智能模型的重要输入,来指导模型生成病历内容。引导信息的质量对于病历信息的生成效果有较大影响。因此,在本步骤中,从所述临床信息中确定各第一目标病历类目标签下的目标临床信息,再根据所述目标病历类目标签和对应的目标临床信息生成引导信息。
作为本发明实施例的一些可选实施方式,可以通过如下方案生成引导信息:
根据所述疾病名称确定引导信息模板,并基于所述第一目标病历类目标签对所述引导信息模板进行修正;根据所述临床信息对修正后的所述引导信息模板进行补充,生成候选引导信息;响应于对所述候选引导信息的编辑完成操作,得到所述引导信息。
为了提高引导信息的生成效率,可以预先设置每种疾病对应的引导信息模板,所述引导信息模板包括多个类目项,所述类目项与该疾病关联的多个病历类目标签一一对应。其中,每个所述类目项包括通用引导内容和待补充引导内容,通用引导内容为该疾病在类目项下的通用信息,待补充引导内容为该疾病在类目项下的个性化信息,需要根据临床信息进行相应的补充。
进一步地,由于所述引导信息模板中包括每个疾病关联的所有的类目项,可以根据第一目标病历类目标签确定目标类目项,对模板中除目标类目项之外的类目项进行删除,从而完成对所述引导信息模板的修正。
更进一步地,对所述临床信息进行解析,确定与所述第一目标类目标签匹配的目标临床信息,根据所述目标临床信息对所述目标类目项中的待补充引导内容进行补充,得到所述引导信息。
步骤S103,将所述引导信息输入人工智能模型,生成所述疾病名称对应的病历信息。
在本步骤中,人工智能模型包括但不限于Bert(Bidirectional EncoderRepresentations from Transformers)模型、GPT(Generative Pre-trainedTransformer)。所述人工智能模型通过预训练和情景学习完成训练。
具体地,在预训练阶段,选取各种疾病的多个完整病历作为样本,输入至所述人工智能模型进行学习,使得所述人工智能模型不断调整优化其内部参数。之后,针对每种疾病,随机挑选多个第一目标疾病类目标签生成引导信息,输入至预训练后的所述人工智能模型中,将输出的病历信息与该疾病对应的样本进行对比,根据对比结果确定该疾病在情景学习中的类型。情景学习的类型包括无样本学习,单样本学习和多样本学习。无样本学习表示疾病病历生成的学习任务不给样本,单样本学习表示疾病病历生成的学习任务只提供1个样本,多样本学习表示疾病病历生成的任务提供10-100个样本。比对结果反映了模型对每种疾病的病历信息的生成质量,若比对结果高于第一阈值,说明生成质量高,模型在情景学习中对该疾病可以采用无样本学习;若比对结果地域第二阈值,说明生成质量低,模型在情景学习中对该疾病需要采用多样本学习;若比对结果在第一阈值和第二阈值之间,说明生成质量一般,模型在情景学习中对该疾病可以采用单样本学习;其中,第一阈值和第二阈值均为大于0小于1的数,且第一阈值大于第二阈值。通过如上训练方案,可以提高人工智能模型的训练效率和病历信息的生成质量。
作为本发明实施例的一些可选实施方案,为了提高病历信息的完整性和丰富性,本步骤包括:根据所述疾病名称和所述第一目标病历类目标签,在系统中查找所述目标病历类目标签对应的检查信息和治疗信息;将所述引导信息、所述检查信息和所述治疗信息输入所述人工治疗模型,生成所述疾病名称对应的病历信息。
具体地,响应于第一目标病历类目标签下病历所需信息包括检查信息(医学影像信息、各项指标等)、治疗信息(治疗过程中产生的医学影像信息、各项指标等),根据疾病名称和病人标识信息在系统中查找所述病人在所述目标病历类目标签下对应的检查信息和治疗信息,将所述引导信息、所述检查信息和所述治疗信息输入所述人工治疗模型,生成包括所述检查信息和所述治疗信息的病历信息。
作为本发明实施例的一些可选实施方案,生成的病历信息可能存在问题,为了提高生成的病历信息的质量,本步骤包括:接收对已生成的病历信息的指令信息;若所述指令信息为修改信息,根据所述修改信息以及所述修改信息针对的所述已生成的病历信息,对所述已生成的病历信息进行修改,并继续生成病历信息;若所述指令信息为补充信息,根据所述补充信息继续生成病历信息。
由于病历信息是实时生成的,在界面上医生可以看到已经生成的部分病历信息,若对该部分病历信息有修改意图,可以点击界面上的修改按钮或暂停按钮,此时展示包括有该部分病历信息的编辑界面,医生可以针对该部分病历信息进行修改或者补充,作为指令信息。所述人工智能模型根据该指令信息和引导信息继续生成病历信息。
步骤S104,基于所述病历信息构建临床专病库。
不断重复上述步骤S101-步骤S103,生成不同疾病、不同病人的多病历类目标签的病历信息,并基于所述病历信息构建临床专病库。进一步地,响应于所述病历信息对应的检查信息和/或治疗信息发生更新,将更新后的所述信息和/或所述治疗信息、与所述病历信息一并输入所述人工智能模型,生成更新后的所述病历信息,保证所述临床专病库的不断更新。
本发明实施例提供的技术方案,预先设置了不同疾病关联的多个病历类目标签,可以按照病人当前的病情阶段选择目标病历类目标签,结合临床信息和目标病历类目标签生成引导信息,并基于引导信息和人工智能模型自动生成病历信息,构建临床专病库。提高了病历生成效率的同时,也保证了同一疾病病历信息的统一性,以及病人病历信息的持续更新性。
作为本发明的一些可选实施方式,如图2所示,公开了一种基于多标签筛选技术的临床专病库构建方法,所述病历类目标签通过对照实验的方式确定,包括:
步骤S201,确定候选病历类目标签的实验方案,以及在所述实验方案下待配对的多个实验对象;各所述实验对象具有关联的初始数据。
其中,所述候选病历类目标签指的是针对每种疾病,是否应该关联的病历类目标签。在进行对照实验之前,首先应当明确在对照实验下的候选病历类目标签。在实验方案确定的情况下,即可以确定在实验方案下可选的实验对象以及实验方案下的实验变量,以及应当控制的实验变量。
举个例子,确定候选病历类目标签A对疾病甲的病历质量的影响,在该对照实验中,可以确定实验对象为疾病甲的病人,而在进行对照实验时的实验变量包括疾病甲的病人的病历中是否包括候选病历类目标签A。由于在对照实验下的实验变量最终会对病历质量产生影响,为了通过对照实验控制仅有是否包括候选病历类目标签A的单一实验变量对实验结果产生影响,对于可能会对病历质量产生影响的其他变量进行控制,比如病人的病史、年龄等特征等等。
在确定实验方案的情况下,可以获取实验对象。比如对于上述对照实验,为了提高实验下的样本对象的数量,例如可以选取两组病人作为实验对象,比如1组选取50人,2组选取50人。对于选取的实验对象,还需要提供关联的初始数据,比如当前治疗中的病情信息、检查信息以及在可能产生影响的其他变量下的特征数据,以利用初始数据进行预测。
步骤S202,利用预先训练得到的预测模型对各所述实验对象的初始数据进行处理,得到各所述实验对象的预测数据;所述预测模型中包括与所述实验对象的至少一个属性信息关联的属性系数。
对于确定的实验对象以及关联的初始数据,可以通过预先训练得到的预测模型对各所述实验对象的初始数据进行处理,得到各所述实验对象的预测数据。
其中,在对实验对象的实验结果进行预测时,由于影响其实验结果的因素有很多,比如上述说明的病人的病史、年龄等特征等,这些产生影响的因素,在本公开实施例中称为实验对象的属性信息。在设计预测模型时,考虑到不同的属性信息对实验结果的影响程度是不同的,因此可以为不同的属性信息确定不同的属性系数;而由于不同属性信息均会对实验结果产生影响,因此可以采用包含多个属性系数的属性的线性模型,作为预测模型。在一种可能的情况下,在利用线性模型表达预测模型时,具体可以采用下述公式(1)进行表达:
(1)
其中,至/>与不同的属性信息相对应,作为预测模型中的属性系数。例如,/>为病人的病史信息属性系数,/>为病人的年龄属性系数等。与/>至/>分别匹配的/>至则为前述获取到的初始数据下,与各个属性信息相应的数据。比如对于上述实验样本病人,在系数/>下限定的/>具体为病史信息属性下确定的该病人对应的数据,而在系数/>下限定的/>具体则为年龄属性下确定的该病人对应的数据。而对于系数/>,则具体表示预测模型的偏置项(bias)。
这样,对于每一实验对象,通过获取到的初始数据,即可以采用预测模型,得到预测数据。这里,预测数据具体表征对下一次生成的病历信息的质量预测结果。
在本公开另一实施例中,具体可以采用下述方式训练得到预测模型:确定多个样本对象以及待训练的预测模型;其中,各所述样本对象具有关联的样本数据,所述样本数据包括初始样本数据以及目标样本数据;利用各所述样本对象关联的样本数据对待训练的预测模型进行训练,确定所述预测模型中的各属性系数,以得到所述预测模型。
在具体实施中,根据上述确定的属性信息,可以先确定多个属性系数,以利用属性系数得到待训练的预测模型。由于待训练的预测模型还未经过训练,因此此时确定属性系数的具体取值时,可以根据经验判断,或者也可以随机生成,并在通过样本对象关联的样本数据进行不断的训练后,逐渐调整至得到较为准确的结果。
因此,为了得到可以选用的预测模型,可以样本对象对其包含的属性系数进行不断的训练。在确定样本对象时,由于在样本对象对预测模型进行训练时,具体需要样本标签,在本公开实施例中则具体为确定的病历信息质量。
这样,通过样本对象关联的样本数据,即可以通过训练的方式获取到预测模型中各属性系数的具体数值,从而得到预测模型。
步骤S203,基于各所述实验对象的初始数据以及预测数据,确定多个目标实验组,以基于所述多个目标实验组完成所述实验方案;其中,任一所述目标实验组包括分别属于实验组和对照组的实验对象。
针对本步骤,在上述步骤S201得到实验对象的初始数据,以及通过步骤S202得到实验对象的预测数据的情况下,即可以对实验对象进行分组,以确定多个目标实验组。
由于确定目标实验组的目的,是利用目标实验组进行实验方案下的对照实验,因此确定的目标实验组中具体包括属于实验组和对照组的两个实验对象。在利用实验对象的初始数据和预测数据,为实验对象确定目标实验组时,具体可以遵循两个实验对象在数据上变化应是一致的。比如,对于上述1组实验对象的病人,其对应的初始数据包括病历信息质量为70分,预测数据包括病历信息质量为80分,则与其配对的2组实验对象病人,其在初始数据中的病历信息质量为70分,预测数据中的病历信息质量为80分。
作为本发明实施例的一些可选实施方式,如图3所示,公开了一种基于多标签筛选技术的专病信息查询方法,包括如下步骤:
步骤S301,接收专病查询信息,所述专病查询信息包括疾病名称和意图信息。
举个例子,专病查询信息为“糖尿病早期的治疗方案”,则疾病名称为“心脏病”,意图信息为“早期治疗方案”,则可以判断医生想要查询的是早期糖尿病治疗方案的病历。
步骤S302,确定所述意图信息对应的第二目标病历类目标签。
在本步骤中,可以根据意图信息,在疾病名称对应的病历类目标签中查找对应的第二目标病历类目标签。延续上例,与糖尿病的早期、治疗方案对应的第二目标类目标签包括诊断信息标签和治疗方案标签。
步骤S303,在所述临床专病库中查找所述疾病名称对应的多个病历信息,作为候选病历信息,根据意图信息对所述候选病历信息中第二目标病历类目标签下的内容进行筛选,确定目标病历信息。
具体地,在根据图1或图2所示的实施例构建的所述临床专病库中,查找糖尿病对应的多个病历信息,作为候选病历信息。针对每个病历信息,分别获取诊断信息标签下的内容和治疗方案标签下的内容,据意图信息“早期”,筛选诊断信息标签下属于糖尿病早期的候选病历信息,并将其确定为目标病历信息。
步骤S304,根据各所述目标病历信息的特征,对所述目标病历信息进行聚类,并生成每类的病历摘要信息。
虽然目标病历信息都属于糖尿病早期,但对处于不同年龄、不同性别的病人,治疗方案也不相同。本步骤中的目标病历信息的特征包括病人的属性特征,可以根据病人的属性特征,对目标病历信息进行聚类,分成若干类目标病历信息。再根据每类目标病历信息中治疗方案标签下的内容生成摘要信息。举例来说,摘要信息包括病因、治疗以及日常护理等类别,每个类别下对应有相关的摘要信息。摘要信息可以通过自然语言理解模型生成,本发明在此不做赘述
步骤S305,将每类所述病历摘要信息和对应的目标病历信息作为查询结果。
医生看了摘要信息之后,有可能想看具体的病历信息,因此在查询结果中除了每类病历摘要信息,还对应展示该类病历摘要信息对应的所有目标病历信息的链接,供医生进行详细阅读。
本发明实施例提供的技术方案,在本实施例中,通过预先构建的多标签临床专病库,只需要识别查询信息中的意图信息,将意图信息与病历类目标签进行匹配,即可快速确定医生想要查询的病历信息、以及病历信息中对应的具体内容,减少了查询路径,加快了病历查询的效率,提高了病历查询的准确率。
在一个实施例中,参考图4所示,提供了一种基于多标签筛选技术的临床专病库构建装置的结构示意图。该装置可用于执行图1-图2任一所示的基于多标签筛选技术的临床专病库构建方法,该装置包括:处理模块410、第一生成模块420、第二生成模块430、选择模块440;其中,处理模块410,用于接收输入的临床信息和至少一个第一目标病历类目标签;其中,所述第一目标病历类目标签从预先确定的多个病历类目标签中筛选得到,所述病历类目标签用于表征病历所需信息,所述临床信息包括疾病名称;第一生成模块420,用于根据所述临床信息和所述第一目标病历类目标签生成引导信息;第二生成模块430,用于将所述引导信息输入人工智能模型,生成所述疾病名称对应的病历信息;选择模块440,用于基于所述病历信息构建临床专病库。
可选地,第一生成模块420进一步用于,根据所述疾病名称确定引导信息模板,并基于所述第一目标病历类目标签对所述引导信息模板进行修正;根据所述临床信息对修正后的所述引导信息模板进行补充,生成候选引导信息;响应于对所述候选引导信息的编辑完成操作,得到所述引导信息。
可选地,所述病历信息是实时生成的,第二生成模块430进一步用于,接收对已生成的病历信息的指令信息;若所述指令信息为修改信息,根据所述修改信息以及所述修改信息针对的所述已生成的病历信息,对所述已生成的病历信息进行修改,并继续生成病历信息;若所述指令信息为补充信息,根据所述补充信息继续生成病历信息。
可选地,第二生成模块430进一步用于,根据所述疾病名称和所述第一目标病历类目标签,在系统中查找所述目标病历类目标签对应的检查信息和治疗信息;将所述引导信息、所述检查信息和所述治疗信息输入所述人工治疗模型,生成所述疾病名称对应的病历信息。
可选地,所述病历类目标签通过对照实验的方式确定,所述装置还包括确定模块,进一步用于,确定候选病历类目标签的实验方案,以及在所述实验方案下待配对的多个实验对象;各所述实验对象具有关联的初始数据;利用预先训练得到的预测模型对各所述实验对象的初始数据进行处理,得到各所述实验对象的预测数据;所述预测模型中包括与所述实验对象的至少一个属性信息关联的属性系数;基于各所述实验对象的初始数据以及预测数据,确定多个目标实验组,以基于所述多个目标实验组完成所述实验方案;其中,任一所述目标实验组包括分别属于实验组和对照组的实验对象。
可选地,所述装置还包括预测模块,进一步用于,确定多个样本对象以及待训练的预测模型;其中,各所述样本对象具有关联的样本数据,所述样本数据包括初始样本数据以及目标样本数据;利用各所述样本对象关联的样本数据对待训练的预测模型进行训练,确定所述预测模型中的各属性系数,以得到所述预测模型。
可选地,所述装置还包括查询模块,进一步用于,接收专病查询信息,所述专病查询信息包括疾病名称和意图信息;确定所述意图信息对应的第二目标病历类目标签;在所述临床专病库中查找所述疾病名称对应的多个病历信息,获取各所述病历信息中所述第二目标病历类目标签对应的目标病历信息;根据意图信息和各所述病历信息的特征,对所述目标病历信息进行聚类,并生成每类的病历摘要信息;将每类所述病历摘要信息和对应的目标病历信息作为查询结果。
需要说明的是,本发明实施例所提供的基于多标签筛选技术的临床专病库构建装置对应的可用于执行上述各方法实施例的技术方案,其实现原理和技术效果类似,此处不再赘述。
图5为本发明实施例中的一种电子设备的结构示意图。下面具体参考图5,其示出了适于用来实现本发明实施例中的电子设备500的结构示意图。本发明实施例中的电子设备500可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)、可穿戴电子设备等等的移动终端以及诸如数字TV、台式计算机、智能家居设备等等的固定终端。图5示出的电子设备仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图5所示,电子设备500可以包括处理装置(例如中央处理器、图形处理器等)501,其可以根据存储在只读存储器(ROM)502中的程序或者从存储装置508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理以实现如本发明所述的实施例的方法。在RAM 503中,还存储有电子设备500操作所需的各种程序和数据。处理装置501、ROM502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
通常,以下装置可以连接至I/O接口505:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置506;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置507;包括例如磁带、硬盘等的存储装置508;以及通信装置509。通信装置509可以允许电子设备500与其他设备进行无线或有线通信以交换数据。虽然图5示出了具有各种装置的电子设备500,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地,根据本发明的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本发明的实施例包括一种计算机程序产品,其包括承载在非暂态计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码,从而实现如上所述的方法。在这样的实施例中,该计算机程序可以通过通信装置509从网络上被下载和安装,或者从存储装置508被安装,或者从ROM502被安装。在该计算机程序被处理装置501执行时,执行本发明实施例的方法中限定的上述功能。
需要说明的是,本发明上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本发明中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
在一些实施方式中,终端、服务器可以利用诸如HTTP(HyperText TransferProtocol,超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信,并且可以与任意形式或介质的数字数据通信(例如,通信网络)互连。通信网络的示例包括局域网(“LAN”),广域网(“WAN”),网际网(例如,互联网)以及端对端网络(例如,ad hoc端对端网络),以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:接收输入的临床信息和至少一个第一目标病历类目标签;其中,所述第一目标病历类目标签从预先确定的多个病历类目标签中筛选得到,所述病历类目标签用于表征病历所需信息,所述临床信息包括疾病名称;根据所述临床信息和所述第一目标病历类目标签生成引导信息;将所述引导信息输入人工智能模型,生成所述疾病名称对应的病历信息;基于所述病历信息构建临床专病库。
附图中的流程图和框图,图示了按照本发明各种实施例的方法、装置和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,依照所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本发明实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。其中,单元的名称在某种情况下并不构成对该单元本身的限定。
在本发明的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
以上描述仅为本发明的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本发明中所涉及的公开范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述公开构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本发明中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
此外,虽然采用特定次序描绘了各操作,但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下,多任务和并行处理可能是有利的。同样地,虽然在上面论述中包含了若干具体实现细节,但是这些不应当被解释为对本发明的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地,在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题,但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反,上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。
Claims (5)
1.一种基于多标签筛选的临床专病库构建方法,其特征在于,所述方法包括:
接收输入的临床信息和至少一个第一目标病历类目标签;其中,所述临床信息包括疾病名称,通过识别临床信息中的疾病名称确定所述疾病对应的多个病历类目标签,所述第一目标病历类目标签从预先确定的多个病历类目标签中筛选得到,所述病历类目标签用于表征病历所需信息;
根据所述临床信息和所述第一目标病历类目标签生成引导信息;所述引导信息为自然语言描述的文本,用于指导人工智能模型生成病历信息;通过如下步骤生成引导信息:
根据所述疾病名称确定引导信息模板,所述引导信息模板包括多个类目项,所述类目项与疾病关联的多个病历类目标签一一对应,每个所述类目项包括通用引导内容和待补充引导内容,所述通用引导内容为疾病在类目项下的通用信息,所述待补充引导内容为疾病在类目项下的个性化信息;
基于所述第一目标病历类目标签对所述引导信息模板进行修正;其中,根据所述第一目标病历类目标签确定目标类目项,对所述引导信息模板中除所述目标类目项之外的类目项进行删除,从而完成对所述引导信息模板的修正;
根据所述临床信息对修正后的所述引导信息模板进行补充,生成候选引导信息;其中,对所述临床信息进行解析,确定与所述第一目标病历类目标签匹配的目标临床信息,根据所述目标临床信息对所述目标类目项中的待补充引导内容进行补充;
响应于对所述候选引导信息的编辑完成操作,得到引导信息;
将所述引导信息输入人工智能模型,生成所述疾病名称对应的病历信息,包括:
根据所述疾病名称、病人标识信息和所述第一目标病历类目标签,在系统中查找所述病人在所述第一目标病历类目标签下对应的检查信息和治疗信息;将所述引导信息、所述检查信息和所述治疗信息输入所述人工智能模型,生成所述疾病名称对应的病历信息;
重复上述步骤,生成不同疾病、不同病人的多个病历类目标签对应的病历信息,基于所述病历信息构建临床专病库;
其中,所述病历类目标签通过对照实验的方式确定,所述对照实验用于确定候选病历类目标签对病历信息的质量的影响,包括:
确定候选病历类目标签的实验方案,以及在所述实验方案下待配对的多个实验对象;各所述实验对象具有关联的初始数据;所述候选病历类目标签指针对每种疾病是否应该关联的病历类目标签,所述实验对象指病人,所述初始数据包括当前治疗中的病情信息和检查信息;
利用预先训练得到的预测模型对各所述实验对象的初始数据进行处理,得到各所述实验对象的预测数据;所述预测模型中包括与所述实验对象的至少一个属性信息关联的属性系数;所述属性信息包括病史和年龄;所述预测数据表征对下一次生成的病历信息的质量预测结果;
基于各所述实验对象的初始数据以及预测数据,确定多个目标实验组,以基于所述多个目标实验组完成所述实验方案;其中,任一所述目标实验组包括分别属于实验组和对照组的实验对象;
采用下述方式训练得到所述预测模型:
确定多个样本对象以及待训练的预测模型;其中,各所述样本对象具有关联的样本数据,所述样本数据包括初始样本数据以及目标样本数据;
利用各所述样本对象关联的样本数据对待训练的预测模型进行训练,确定所述预测模型中的各属性系数,以得到所述预测模型;其中,对待训练的预测模型进行训练时的样本标签为确定的病历信息的质量。
2.根据权利要求1所述的基于多标签筛选的临床专病库构建方法,其特征在于,所述病历信息是实时生成的,所述生成所述疾病名称对应的病历信息,包括:
接收对已生成的病历信息的指令信息;
若所述指令信息为修改信息,根据所述修改信息以及所述修改信息针对的所述已生成的病历信息,对所述已生成的病历信息进行修改,并继续生成病历信息;
若所述指令信息为补充信息,根据所述补充信息继续生成病历信息。
3.根据权利要求1或2所述的基于多标签筛选的临床专病库构建方法,其特征在于,还包括:
接收专病查询信息,所述专病查询信息包括疾病名称和意图信息;
确定所述意图信息对应的第二目标病历类目标签;
在所述临床专病库中查找所述疾病名称对应的多个病历信息,作为候选病历信息,根据意图信息对所述候选病历信息中第二目标病历类目标签下的内容进行筛选,确定目标病历信息;
根据各所述目标病历信息的特征,对所述目标病历信息进行聚类,并生成每类的病历摘要信息;
将每类所述病历摘要信息和对应的目标病历信息作为查询结果。
4.一种基于多标签筛选的临床专病库构建装置,用于实现如权利要求1所述的基于多标签筛选的临床专病库构建方法,其特征在于,包括:
接收模块,用于接收输入的临床信息和至少一个第一目标病历类目标签;其中,所述第一目标病历类目标签从预先确定的多个病历类目标签中筛选得到,所述病历类目标签用于表征病历所需信息,所述临床信息包括疾病名称;
第一生成模块,用于根据所述临床信息和所述第一目标病历类目标签生成引导信息;
第二生成模块,用于将所述引导信息输入人工智能模型,生成所述疾病名称对应的病历信息;
构建模块,用于基于所述病历信息构建临床专病库;
病历类目标签确定模块,用于确定候选病历类目标签的实验方案,以及在所述实验方案下待配对的多个实验对象;各所述实验对象具有关联的初始数据;所述候选病历类目标签指针对每种疾病是否应该关联的病历类目标签,所述实验对象指病人,所述初始数据包括当前治疗中的病情信息和检查信息;利用预先训练得到的预测模型对各所述实验对象的初始数据进行处理,得到各所述实验对象的预测数据;所述预测模型中包括与所述实验对象的至少一个属性信息关联的属性系数;所述属性信息包括病史和年龄;所述预测数据表征对下一次生成的病历信息的质量预测结果;基于各所述实验对象的初始数据以及预测数据,确定多个目标实验组,以基于所述多个目标实验组完成所述实验方案;其中,任一所述目标实验组包括分别属于实验组和对照组的实验对象。
5.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现权利要求1-3中任意一项所述的基于多标签筛选的临床专病库构建方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310705525.4A CN116453640B (zh) | 2023-06-15 | 2023-06-15 | 基于多标签筛选的临床专病库构建方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310705525.4A CN116453640B (zh) | 2023-06-15 | 2023-06-15 | 基于多标签筛选的临床专病库构建方法、装置及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116453640A CN116453640A (zh) | 2023-07-18 |
CN116453640B true CN116453640B (zh) | 2023-09-22 |
Family
ID=87124075
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310705525.4A Active CN116453640B (zh) | 2023-06-15 | 2023-06-15 | 基于多标签筛选的临床专病库构建方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116453640B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101236579A (zh) * | 2008-02-20 | 2008-08-06 | 杭州创业软件股份有限公司 | 一种动态结构化的电子病历 |
CN101782935A (zh) * | 2009-01-19 | 2010-07-21 | 中国人民解放军第二军医大学 | 一种中医电子病历系统和病历数据解析处理方法 |
CN102819655A (zh) * | 2011-06-10 | 2012-12-12 | 中国科学院深圳先进技术研究院 | 展现电子病历的系统及方法 |
CN107463776A (zh) * | 2017-07-26 | 2017-12-12 | 深圳市坐标软件开发有限公司 | 基于b/s架构实现web端电子病历生成方法和系统 |
CN108538395A (zh) * | 2018-04-02 | 2018-09-14 | 上海市儿童医院 | 一种通用的医疗专病数据系统的构建方法 |
CN111292817A (zh) * | 2018-12-07 | 2020-06-16 | 深圳坐标软件集团有限公司 | 电子病历的生成方法及装置 |
CN111667891A (zh) * | 2020-06-08 | 2020-09-15 | 中国医学科学院医学信息研究所 | 应用于专病临床试验的队列识别方法及装置 |
CN112530535A (zh) * | 2020-12-15 | 2021-03-19 | 山东健康医疗大数据有限公司 | 基于健康医疗大数据建立疾病专病队列的方法及装置 |
CN114255880A (zh) * | 2021-12-14 | 2022-03-29 | 东软集团股份有限公司 | 专病数据库构建方法、装置、设备及存储介质 |
CN115497631A (zh) * | 2022-09-14 | 2022-12-20 | 上海市第六人民医院 | 一种临床科研大数据分析系统 |
CN115995281A (zh) * | 2022-11-18 | 2023-04-21 | 广州知汇云科技有限公司 | 一种基于数据治理的专病数据库的数据检索方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200005906A1 (en) * | 2018-06-27 | 2020-01-02 | International Business Machines Corporation | Clinical trial searching and matching |
-
2023
- 2023-06-15 CN CN202310705525.4A patent/CN116453640B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101236579A (zh) * | 2008-02-20 | 2008-08-06 | 杭州创业软件股份有限公司 | 一种动态结构化的电子病历 |
CN101782935A (zh) * | 2009-01-19 | 2010-07-21 | 中国人民解放军第二军医大学 | 一种中医电子病历系统和病历数据解析处理方法 |
CN102819655A (zh) * | 2011-06-10 | 2012-12-12 | 中国科学院深圳先进技术研究院 | 展现电子病历的系统及方法 |
CN107463776A (zh) * | 2017-07-26 | 2017-12-12 | 深圳市坐标软件开发有限公司 | 基于b/s架构实现web端电子病历生成方法和系统 |
CN108538395A (zh) * | 2018-04-02 | 2018-09-14 | 上海市儿童医院 | 一种通用的医疗专病数据系统的构建方法 |
CN111292817A (zh) * | 2018-12-07 | 2020-06-16 | 深圳坐标软件集团有限公司 | 电子病历的生成方法及装置 |
CN111667891A (zh) * | 2020-06-08 | 2020-09-15 | 中国医学科学院医学信息研究所 | 应用于专病临床试验的队列识别方法及装置 |
CN112530535A (zh) * | 2020-12-15 | 2021-03-19 | 山东健康医疗大数据有限公司 | 基于健康医疗大数据建立疾病专病队列的方法及装置 |
CN114255880A (zh) * | 2021-12-14 | 2022-03-29 | 东软集团股份有限公司 | 专病数据库构建方法、装置、设备及存储介质 |
CN115497631A (zh) * | 2022-09-14 | 2022-12-20 | 上海市第六人民医院 | 一种临床科研大数据分析系统 |
CN115995281A (zh) * | 2022-11-18 | 2023-04-21 | 广州知汇云科技有限公司 | 一种基于数据治理的专病数据库的数据检索方法及装置 |
Non-Patent Citations (3)
Title |
---|
基于EMPI心肌病专病数据库的构建;尚诗 等;《中国医疗设备》;第37卷(第06期);全文 * |
基于数据治理的脑血管专病数据库建设实践;连万民 等;《医学信息学杂志》;第44卷(第05期);正文第60-66页 * |
某科室智能化电子病历系统;丁兴华 等;《解放军医院管理杂志》;第27卷(第02期);正文第150-155页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116453640A (zh) | 2023-07-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11468998B2 (en) | Methods and systems for software clinical guidance | |
CN111090987B (zh) | 用于输出信息的方法和装置 | |
CN112992317B (zh) | 一种医学数据处理方法、系统、设备及介质 | |
Tang et al. | Predictive modeling in urgent care: a comparative study of machine learning approaches | |
CN107729929B (zh) | 用于获取信息的方法及装置 | |
CN107330023B (zh) | 基于关注点的文本内容推荐方法和装置 | |
CN108416310B (zh) | 用于生成信息的方法和装置 | |
US11031103B2 (en) | Personalized questionnaire for health risk assessment | |
CN111274425B (zh) | 医疗影像分类方法、装置、介质及电子设备 | |
US11288279B2 (en) | Cognitive computer assisted attribute acquisition through iterative disclosure | |
WO2015134530A1 (en) | Personalized content-based patient retrieval system | |
Yu et al. | Electronic health records (EHRs): supporting ASCO's vision of cancer care | |
CN115831379A (zh) | 知识图谱补全方法、装置、存储介质及电子设备 | |
CN114038570A (zh) | 脓毒症相关急性肾损伤患者死亡预测方法、系统、设备及介质 | |
CN116453640B (zh) | 基于多标签筛选的临床专病库构建方法、装置及电子设备 | |
CN115658877A (zh) | 基于强化学习的药物推荐方法、装置、电子设备和介质 | |
Fayos De Arizón et al. | Artificial intelligence: a new field of knowledge for nephrologists? | |
Jindal | Misguided Artificial Intelligence: How Racial Bias is Built Into Clinical Models | |
CN112397163B (zh) | 用于生成病例输入模型的方法、装置、电子设备和介质 | |
US11705232B2 (en) | Communication system and method | |
CN111522887B (zh) | 用于输出信息的方法和装置 | |
CN117094283B (zh) | 文本处理方法、装置、电子设备、存储介质和程序产品 | |
CN117577258B (zh) | Petct相似病例检索和预后预测方法 | |
CN114765072A (zh) | 用于数据处理的方法、设备和介质 | |
Zhou et al. | A Generalist Learner for Multifaceted Medical Image Interpretation |
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 |