CN116525094A - 一种全科临床决策支持系统 - Google Patents
一种全科临床决策支持系统 Download PDFInfo
- Publication number
- CN116525094A CN116525094A CN202211681018.3A CN202211681018A CN116525094A CN 116525094 A CN116525094 A CN 116525094A CN 202211681018 A CN202211681018 A CN 202211681018A CN 116525094 A CN116525094 A CN 116525094A
- Authority
- CN
- China
- Prior art keywords
- data
- relationships
- entities
- database
- result
- 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
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 33
- 238000012545 processing Methods 0.000 claims abstract description 21
- 238000000034 method Methods 0.000 claims abstract description 20
- 230000008569 process Effects 0.000 claims abstract description 17
- 238000003745 diagnosis Methods 0.000 claims abstract description 15
- 201000010099 disease Diseases 0.000 claims description 9
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 9
- 238000001514 detection method Methods 0.000 claims description 8
- 239000003814 drug Substances 0.000 claims description 5
- 239000003153 chemical reaction reagent Substances 0.000 claims description 4
- 238000009795 derivation Methods 0.000 claims description 4
- 229940079593 drug Drugs 0.000 claims description 3
- 208000024891 symptom Diseases 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 claims 1
- 238000012795 verification Methods 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 9
- 238000013135 deep learning Methods 0.000 description 4
- 238000007689 inspection Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000003058 natural language processing Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000013139 quantization Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000004883 computer application Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003748 differential diagnosis Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000001960 triggered effect Effects 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
- 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
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- 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
- G06F16/31—Indexing; Data structures therefor; Storage structures
-
- 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
- G06F16/33—Querying
- G06F16/332—Query formulation
- G06F16/3322—Query formulation using system suggestions
-
- 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
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Epidemiology (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Pathology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明公开了一种全科临床决策支持系统，包括输入模块，用于获取患者相关数据信息；数据处理模块，用于对输入的数据进行处理；数据应用模块，对处理后的数据通过模型算法进行运算，并得到应用结果；输出模块，用于将数据应用模块的结果输出显示给医生。本发明采用权威数据作为系统数据库来源，使得算法模型输出的结果权威可信、可溯源，避免了因数据源的不准确导致的模型不可信；多场景化的模型算法，使得诊疗全流程均可得到CDSS的辅助决策，避免了功能单一、无法有效提升医生的诊疗水平。
Description
技术领域
本发明涉及医疗系统技术领域，尤其涉及一种全科临床决策支持系统。
背景技术
传统的临床决策支持系统(Clinical Decision Support System,以下简称CDSS)是指运用系统的临床知识和患者基本信息及病情信息，加强医疗相关的决策和行动，提高医疗质量和医疗服务水平的计算机应用系统。
当今国内的辅助诊疗系统主要应用两种技术。一是在辅助过程中，需要医生手动输入一些规范化的术语并确定各个词的量化程度，这样会影响医生工作效率，十分不方便；二是通过机器学习、大数据挖掘等人工智能技术，对临床真实数据进行学习，构建模型，从而提供辅助诊疗服务，但这种技术也有相应的缺陷，首先临床真实数据的准确性、完整性、权威性难以保证，会导致使用错误的数据构建出错误的模型，其次为该技术过程多为黑盒，临床医生无法看到辅助诊疗的过程和依据，可信度存疑，且医疗知识图谱目前面临着很大的挑战，尚没有能够很好地用于辅助决策的先例。
目前市面上的CDSS系统大部分是仅针对专科或专病，无法满足全科室的需求；或者是功能模块较为单一，比如只有药品的预警提示功能，而缺失辅助诊断、检查检验手术等类型医嘱的预警提示、异常结果解读等功能。
本发明以前的初代版本与市面上部分系统相同，技术方案是在辅助过程中，需要医生手动输入一些规范化的术语，或在系统提供的词表中选择，并确定各个词的量化程度。
图1为现有技术应用下的辅助诊断功能示例，可以看到输入词与系统所用词是同义但描述不一致的，均无法匹配成功，必须输入与系统精准匹配的词方可触发相关提示。
现有技术存在的缺点：
对输入者的要求较高、局限性大，医生只能严格按照系统所提供的术语进行病历书写，超出范围的则无法应用到功能模块中，非常影响医生的诊疗效率，也无法充分有效地利用患者信息。
为解决此问题，本发明所采用的技术方案为：通过机器学习+人工审核的方式，构建庞大的同近义词词表以及上下位词间关系，用户在院内业务系统中自由输入，之后由CDSS系统进行实体识别、实体关系建立、句法与词性分析、意图分析等，高效准确地利用对患者数据。
部分CDSS系统采用深度学习网络，尤其是基于深度学习网络的自然语言处理(NLP)模块，在院内对海量真实患者数据进行智能处理和分析，利用其中的数据进行建模，在极短的时间内学习和理解海量的临床数据，之后将CDSS内置到HIS或医院其他业务系统中，提供各类服务。
NLP技术目前还不成熟，深度学习网络的训练过程非常耗时，且其有“黑箱”属性，训练与应用过程产生的公式/权重不容易阅读和解释，系统无法解释它为什么要用特定的方法来使用某些特定的数据，所以其可靠性是一个主要问题，这一直是很多临床医生不满意或不愿意接受的地方。同时由于医院信息化不高、训练数据质量也参差不齐，极易导致以不准确的数据训练出不准确的模型。另外是缺少标准化信息模型的支持：由于系统标准不统一，导致可移植性差、推广应用难。
发明内容
为解决上述技术问题，本发明使用正确的数据来作为数据层来源，通过机器学习+人工审核的方式，构建数据库，同时可追溯来源，以此保证数据的可信度。对各功能针对性的设计模型算法，运算过程透明、遵循临床思维，保证了功能的准确性。
本发明的目的通过以下的技术方案来实现：
一种全科临床决策支持系统，包括：
输入模块，用于获取患者相关数据信息；
数据处理模块，用于对输入的数据进行处理；
数据应用模块，对处理后的数据通过模型算法进行运算，并得到应用结果；
输出模块，用于将数据应用模块的结果输出显示给医生。
与现有技术相比，本发明的一个或多个实施例可以具有如下优点：
构建庞大的同近义词词表以及上下位词间关系，使得无论医生输入的数据是否结构化、规范化，均可得到有效利用，明显避免了因输入不规范导致的数据无法利用；
采用权威数据作为系统数据库来源，使得算法模型输出的结果权威可信、可溯源，避免了因数据源的不准确导致的模型不可信；
机器学习+人工审核的方式，使得系统数据库里的数据差错明显降低；
结合各功能特点与临床思维针对性设计的模型算法，使得功能准确性得到保证；
多场景化的模型算法，使得诊疗全流程均可得到CDSS的辅助决策，避免了功能单一、无法有效提升医生的诊疗水平。
附图说明
图1是现有技术辅助诊断功能示例图；
图2是全科临床决策支持系统结构图；
图3-6是为疾病推导输出结果示例图；
图7是医嘱预警输出结果示例图；
图8是医嘱推荐输出结果示例图；
图9是结果解读输出结果示例图；
图10-11是报告核查输出结果示例图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合实施例及附图对本发明作进一步详细的描述。
如图2所示，为全科临床决策支持系统结构，包括
输入模块，用于获取患者个人信息、病历、医嘱、报告单等数据；
数据处理模块，用于对输入数据进行数据清洗、实体识别、实体关系建立、句法与词性分析、意图分析等处理；
数据应用模块：用于将处理后的临床数据通过各功能的模型算法，与系统数据库进行比对运算，得到应用结果。本模块和模块中包括的模型算法包含疾病推导模型算法、医嘱预警模型算法、医嘱推荐模型算法、结果解读模型算法、报告核查模型算法等；
输出模块，用于将数据应用模块的结果显示给医生。
图2可分成输入部份、数据处理部份、数据应用部份、输出部份。输入部分数据来自医院HIS、EMR、LIS、PACS等业务系统，在写病历、下医嘱、看报告、审核报告等诊疗流程中输入CDSS，数据处理部分为CDSS利用本专利技术处理出各实体及关系，数据应用部分为CDSS应用本专利的各模型算法、数据库，进行运算，输出部分为将运算结果在前端页面显示给医生。
疾病推导模型算法：数据输入后，经数据处理模块处理出性别、年龄、职业、生理周期、症状、体征、发病特点、诊疗经过、既往病史、生活习惯、既往用药、既往检查检验及结果等实体及关系后，在系统数据库中进行运算(系统数据库中，各实体及关系均有相应权重分值(1-7分)，7个分值再进行组别划分，7为第一组，5-6为第二组，3-4为第三组，1-2为第四组)，运算时根据各组运算结果，将推导结果划入各组别，并依据组别命中情况进行排序，即第一组中的推导结果排首位，其后为第二、第三、第四组别，最后保留前十个推导结果输出到前端。
医嘱预警模型算法：数据输入后，经数据处理模块处理出性别、年龄、生理周期、诊断、本次医嘱ID、检查项目及结果、检验项目及结果等实体及关系，再捕获该患者其他模型处理后的数据，将全部处理后的实体与关系放到系统数据库中进行运算(系统数据库中，各实体及关系均有相应权重分值(1-7分)，各分值与预警类型已建立对照关系)，所述运算是将处理出的实体及关系与数据库中的实体及关系、同近义词表、上下位词间关系进行匹配与计算，根据各组运算结果，将预警结果划入各类型，先按照医嘱类型进行排序(手术→药品→检查→检验等)，然后各类型内再按照权重分值从1到7依次排序，并输出到前端。
医嘱推荐模型算法：数据输入后，经数据处理模块处理出性别、年龄、生理周期、诊断等实体及关系，再捕获该患者其他模型处理后的数据，将全部处理后的实体与关系放到系统数据库中进行运算，该运算是将处理出的实体及关系与数据库中的实体及关系、同近义词表、上下位词间关系等进行匹配与计算，根据各组运算结果，将推荐结果划入各类型，然后按照推荐类型进行排序(鉴别诊断→药品→检查检验→手术→治疗方案等)，并输出到前端。
结果解读模型算法：数据输入后，经数据处理模块处理出性别、年龄、检查项目、检查结果、检验项目、检验结果、检测方法、检测试剂等实体及关系，在系统数据库中进行运算，该运算是根据医院项目与数据库中项目的对照关系，将处理出的实体及关系与数据库中的实体及关系、同近义词表、上下位词间关系等进行匹配与计算，之后将运算结果输出到前端。
报告核查模型算法：数据输入后，经数据处理模块处理出性别、年龄、检查项目、检查结果、检验项目、检验结果、检测方法、检测试剂等实体及关系，再捕获该患者其他模型处理后的数据，在系统数据库中进行运算，运算时根据医院项目与数据库中项目的对照关系，将处理出的实体及关系与数据库中的实体及关系、同近义词表、上下位词间关系等进行匹配与计算，之后将运算结果输出到前端。
图2是全科临床决策支持系统结构图；图3-6是为疾病推导输出结果示例图；图7是医嘱预警输出结果示例图；图8是医嘱推荐输出结果示例图；图9是结果解读输出结果示例图；图10-11是报告核查输出结果示例图。
虽然本发明所揭露的实施方式如上，但所述的内容只是为了便于理解本发明而采用的实施方式，并非用以限定本发明。任何本发明所属技术领域内的技术人员，在不脱离本发明所揭露的精神和范围的前提下，可以在实施的形式上及细节上作任何的修改与变化，但本发明的专利保护范围，仍须以所附的权利要求书所界定的范围为准。
Claims (10)
1.一种全科临床决策支持系统，其特征在于，包括
输入模块，用于获取患者相关数据信息；
数据处理模块，用于对输入的数据进行处理；
数据应用模块，对处理后的数据通过模型算法进行运算，并得到应用结果；
输出模块，用于将数据应用模块的结果输出显示给医生。
2.如权利要求1所述的全科临床决策支持系统，其特征在于，所述患者相关数据信息包括患者个人信息、病历、医嘱与报告单数据。
3.如权利要求1所述的全科临床决策支持系统，其特征在于，数据的处理包括对输入数据进行数据清洗、实体识别、实体关系的建立、句法与词性的分析及意图分析。
4.如权利要求1所述的全科临床决策支持系统，其特征在于，所述数据应用模块中模型算法包括疾病推导模型算法、医嘱预警模型算法、医嘱推荐模型算法、结果解读模型算法及报告核查模型算法。
5.如权利要求4所述的全科临床决策支持系统，其特征在于，疾病推导模型算法经数据处理模块处理出性别、年龄、职业、生理周期、症状、体征、发病特点、诊疗经过、既往病史、生活习惯、既往用药、既往检查检验与结果实体及关系，将处理后的实体及关系在系统数据库中进行运算，并根据各组运算结果，将推导结果划入各组别，依据组别命中情况进行排序。
6.如权利要求5所述的全科临床决策支持系统，其特征在于，所述系统数据库中，各实体及关系均有相应权重分值即1-7分，7各分值进行组划分，7为第一组，5-6为第二组，3-4为第三组，1-2为第四组。
7.如权利要求4所述的全科临床决策支持系统，其特征在于，所述医嘱预警模型算法在数据输入后，经数据处理模块处理出性别、年龄、生理周期、诊断、本次医嘱ID、检查项目及结果、检验项目与结果等实体及关系，将全部处理后的实体与关系放到系统数据库中进行运算，包括将处理出的实体及关系与数据库中的实体及关系、同近义词表、上下位词间关系进行匹配与计算，根据各组运算结果，将预警结果划入各类型，先按照医嘱类型进行排序，然后各类型内再按照权重分值从1到7依次排序，并输出到前端。
8.如权利要求4所述的全科临床决策支持系统，其特征在于，医嘱推荐模型算法，经数据处理模块处理出性别、年龄、生理周期、诊断等实体及关系，将全部处理后的实体与关系放到系统数据中进行运算，包括将处理出的实体及关系与数据库中的实体及关系、同近义词表、上下位词间关系进行匹配与计算，根据各组运算结果，将推荐结果划入各类型，然后按照推荐类型进行排序，输出到前端。
9.如权利要求4所述的全科临床决策支持系统，其特征在于，所述结果解读模型算法，数据输入后，经数据处理模块处理出性别、年龄、检查项目、检查结果、检验项目、检验结果、检测方法、检测试剂等实体及关系，在系统数据库中进行运算，包括根据医院项目与数据库中项目的对照关系，将处理出的实体及关系与数据库中的实体及关系、同近义词表、上下位词间关系进行匹配与计算，将运算结果输出到前端。
10.如权利要求4所述的全科临床决策支持系统，其特征在于，所述报告核查模型算法，在数据输入后，经数据处理模块处理出性别、年龄、检查项目、检查结果、检验项目、检验结果、检测方法与检测试剂实体及关系，在系统数据库中进行运算，根据医院项目与数据库中项目的对照关系，将处理出的实体及关系与数据库中的实体及关系、同近义词表、上下位词间关系进行匹配与计算，将运算结果输出到前端。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211681018.3A CN116525094A (zh) | 2022-12-27 | 2022-12-27 | 一种全科临床决策支持系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211681018.3A CN116525094A (zh) | 2022-12-27 | 2022-12-27 | 一种全科临床决策支持系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116525094A true CN116525094A (zh) | 2023-08-01 |
Family
ID=87403536
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211681018.3A Pending CN116525094A (zh) | 2022-12-27 | 2022-12-27 | 一种全科临床决策支持系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116525094A (zh) |
-
2022
- 2022-12-27 CN CN202211681018.3A patent/CN116525094A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111292821B (zh) | 一种医学诊疗系统 | |
| 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 | |
| JP6700283B2 (ja) | 診断妥当性基準を採用することによって病態を特定するための診断検査の最適なシーケンスを決定することに適合した医用鑑別診断装置 | |
| JP5952835B2 (ja) | 撮像プロトコルの更新及び／又はリコメンダ | |
| EP3977343A1 (en) | Systems and methods of clinical trial evaluation | |
| Stein et al. | Evaluation of an algorithm for identifying ocular conditions in electronic health record data | |
| US8670997B2 (en) | Quality metric extraction and editing for medical data | |
| RU2686627C1 (ru) | Автоматическое создание ориентированной на показатели продольной области для просмотра показателей пациента | |
| CN113015977A (zh) | 使用自然语言处理的对疾病和病症的基于深度学习的诊断和转诊 | |
| US20220261693A1 (en) | Methods and systems for classification to prognostic labels using expert inputs | |
| JP2023123711A (ja) | 健康情報に基づく予後スコア | |
| CN108231146B (zh) | 一种基于深度学习的医疗记录模型构建方法、系统及装置 | |
| Kaswan et al. | AI-based natural language processing for the generation of meaningful information electronic health record (EHR) data | |
| US20200342332A1 (en) | Methods and systems for classification using expert data | |
| CN113851220A (zh) | 基于时序医疗健康数据的病情趋势预测方法和系统 | |
| CN111180026A (zh) | 专科诊疗视图系统及方法 | |
| Chandra et al. | Natural language Processing and Ontology based Decision Support System for Diabetic Patients | |
| KR20150007468A (ko) | 임상의사결정 지원방법 및 그 장치 | |
| CN112699669B (zh) | 流行病学调查报告的自然语言处理方法、装置及存储介质 | |
| CN113724860A (zh) | 基于人工智能的医疗检查推荐方法、装置、设备及介质 | |
| JP7315165B2 (ja) | 診断支援システム | |
| WO2023217737A1 (en) | Health data enrichment for improved medical diagnostics | |
| Chahid et al. | Data Preprocessing For Machine Learning Applications in Healthcare: A Review | |
| CN116525094A (zh) | 一种全科临床决策支持系统 | |
| CN117438079B (zh) | 循证知识抽提及辅助临床决策的方法及介质 |
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 |