CN116612879B - 诊断结果预测方法、装置、电子设备及存储介质 - Google Patents
诊断结果预测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN116612879B CN116612879B CN202310885614.1A CN202310885614A CN116612879B CN 116612879 B CN116612879 B CN 116612879B CN 202310885614 A CN202310885614 A CN 202310885614A CN 116612879 B CN116612879 B CN 116612879B
- Authority
- CN
- China
- Prior art keywords
- data
- result
- model
- patient
- information
- 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
- 238000000034 method Methods 0.000 title claims abstract description 70
- 238000003745 diagnosis Methods 0.000 claims abstract description 118
- 238000011156 evaluation Methods 0.000 claims abstract description 35
- 238000012549 training Methods 0.000 claims abstract description 24
- JEIPFZHSYJVQDO-UHFFFAOYSA-N iron(III) oxide Inorganic materials O=[Fe]O[Fe]=O JEIPFZHSYJVQDO-UHFFFAOYSA-N 0.000 claims abstract description 22
- 238000000586 desensitisation Methods 0.000 claims abstract description 17
- 238000004458 analytical method Methods 0.000 claims abstract description 14
- 238000004140 cleaning Methods 0.000 claims abstract description 10
- 201000010099 disease Diseases 0.000 claims description 25
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 25
- 230000002159 abnormal effect Effects 0.000 claims description 23
- 208000024891 symptom Diseases 0.000 claims description 20
- 238000012360 testing method Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 8
- 230000005856 abnormality Effects 0.000 description 9
- 238000007689 inspection Methods 0.000 description 8
- 238000013519 translation Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000000605 extraction Methods 0.000 description 5
- 230000008094 contradictory effect Effects 0.000 description 4
- 230000002829 reductive effect Effects 0.000 description 4
- 230000003247 decreasing effect Effects 0.000 description 3
- 239000012634 fragment Substances 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000013075 data extraction Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 208000012671 Gastrointestinal haemorrhages Diseases 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 208000035861 hematochezia Diseases 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003068 static 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
- G06F16/20—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
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/40—Processing or translation of natural language
- G06F40/58—Use of machine translation, e.g. for multi-lingual retrieval, for server-side translation for client devices or for real-time translation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- 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)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Computational Linguistics (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Artificial Intelligence (AREA)
- Primary Health Care (AREA)
- Mathematical Physics (AREA)
- Epidemiology (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Animal Behavior & Ethology (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Pathology (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明涉及一种诊断结果预测方法、装置、电子设备及存储介质,包括:获取第一信息,第一信息为脱敏处理后的患者病历信息。对第一信息进行字段解析,以得到第一数据和第二数据作为模型的输入数据和输出数据。对第一数据和第二数据进行清洗处理,以去除第一数据和第二数据中的无效数据。获取指令数据,并基于清洗后的第一数据和第二数据,构建训练数据集,以对ChatGLM‑6B模型进行微调。获取模型预测结果和实际诊断结果,并以BLEU和ROUGE作为评价指标对模型预测结果和实际诊断结果进行评价,以对ChatGLM‑6B模型进行优化。
Description
技术领域
本发明涉及疾病辅助诊断技术领域,特别是涉及一种诊断结果预测方法、装置、电子设备及存储介质。
背景技术
近几年,随着深度学习的快速发展,大量的医疗数据被有效利用,通过相应的深度学习方法,可以自动分析患者的病历信息,提示风险疾病,有效辅助医生对疾病做出准确性更高的诊断结果,降低了误诊漏诊的概率。
目前,常见的疾病辅助诊断系统主要包括两种实现方式,分别是基于知识图谱的疾病辅助诊断系统以及基于机器学习的疾病辅助诊断系统。其中,基于知识图谱的疾病辅助诊断系统主要通过命名实体识别、实体关系抽取技术对病历中的信息进行抽取,形成结构化数据,并在数据基础之上进行标准化映射以及上下级关系拓展,最后在辅助诊断疾病时利用常见病症、检验检查结果等知识为预测结果给出符合医学逻辑的解释。基于机器学习的疾病辅助诊断系统则是利用患者的病历特征信息与诊断之间的关系,针对不同科室分别构建相应的疾病辅助诊断模型,通过输入患者病历信息预测患者有可能的诊断,以辅助医生进行诊断决策。
但是,基于知识图谱的疾病诊断系统利用诊断常见的症状以及相关检验、检查结果作为知识,根据患者现有的症状以及检验、检查结果所给出的都是与之特征较为相似的诊断。利用知识图谱进行诊断的推理过程中,以患者存在的症状作为主要关注点进行推理,且各个症状之间彼此是独立的,没有考虑到不同症状对于该诊断的权重贡献,因此很容易出现无个性化的诊断以及与患者现有症状相矛盾的诊断。而基于机器学习的疾病辅助诊断系统,需要人工抽取诊断的主要特征作为输入进行模型训练,而诊断特征的抽取需要具有一定的医学知识才能够抽取出来能够代表不同诊断的独有特征,在一定程度上为模型的训练增加了难度。
因此,现有的疾病自动诊断方法得出的诊断结果容易与患者的现有症状相矛盾且模型训练的局限性较高,需要人工抽取主要特征才可输入模型进行训练。
发明内容
基于此,有必要针对上述技术问题,提供一种能够降低输出与患者现有症状相矛盾的诊断结果的概率且能够减少人工对模型输入数据处理的诊断结果预测方法、装置、电子设备及存储介质。
本发明提供了一种诊断结果预测方法,所述方法包括:
获取第一信息,所述第一信息为脱敏处理后的患者病历信息;
对所述第一信息进行字段解析,以得到第一数据和第二数据,所述第一数据为模型的输入数据,所述第二数据为模型的输出数据;
对所述第一数据和第二数据进行清洗,以去除所述第一数据和第二数据中的无效数据;
获取指令数据,并基于清洗后的第一数据和第二数据,构建训练数据集,以对ChatGLM-6B模型进行微调;
获取第一结果和第二结果,并以BLEU和ROUGE作为评价指标对所述第一结果和第二结果进行评价,以对所述ChatGLM-6B模型进行优化,所述第一结果为所述ChatGLM-6B模型的预测结果,所述第二结果为所述第一信息中患者的实际诊断结果;
基于优化后的ChatGLM-6B模型,接收第二信息,并调用所述ChatGLM-6B模型对所述第二信息进行处理,以获取第三结果,所述第二信息为当前患者的病历信息,所述第三结果为所述ChatGLM-6B模型对当前患者的诊断结果。
在其中一个实施例中,所述获取第一信息,之前包括:
获取多个患者病历信息,所述患者病历信息包括患者入院记录、首次病程记录、患者当前的异常检验结果以及患者入院当天的检查结果;
对所述患者病历信息进行脱敏处理,以去除所述患者病历信息中患者的隐私信息。
在其中一个实施例中,所述第一数据包括患者入院记录中的主诉、现病史、专科情况、患者入院当天的异常检验结果以及入院当天的检查结果,所述第二数据为患者首次病程记录中的初步诊断;
所述对所述第一数据和第二数据进行清洗,以去除所述第一数据和第二数据中的无效数据,包括:
当所述第一数据中的任一项为空项时,则去除所述第一数据中的空项;
当所述第二数据中的任一项为空项时,则去除所述第二数据中的空项。
在其中一个实施例中,所述方法还包括:
基于所述患者入院当天的异常检验结果,获取第一异常值,所述第一异常值为患者入院当天检验中的异常指标值;
基于正常指标范围,获取第一结论,所述第一结论为所述第一异常值相较于所述正常指标范围升高或降低的结论。
在其中一个实施例中,所述获取指令数据,并基于清洗后的第一数据和第二数据,构建训练数据集,以对ChatGLM-6B模型进行微调,包括:
将清洗后的第一数据与所述指令数据进行拼接,作为所述ChatGLM-6B模型的输入数据;
基于所述ChatGLM-6B模型的输入数据,对所述ChatGLM-6B模型进行微调。
在其中一个实施例中,所述获取第一结果和第二结果,并以BLEU和ROUGE作为评价指标对所述第一结果和第二结果进行评价,以对所述ChatGLM-6B模型进行优化,包括:
将所述第一数据及其对应的指令数据输入所述ChatGLM-6B模型,以获取所述ChatGLM-6B模型的预测结果;
基于所述第二数据,获取患者首次病程中的初步诊断结果;
以所述BLEU和ROUGE作为评价指标对所述第一结果和第二结果进行评价,得到评价结果;
基于所述评价结果,对所述预测结果进行校正。
在其中一个实施例中,所述方法还包括:
获取先验知识,所述先验知识用于对所述第二数据构建知识图谱;
对所述第二信息进行结构化数据抽取,以获取第三数据,所述第三数据至少包括患者的症状、检验、检查结果以及既往诊断信息;
对所述第三数据进行相关性权重计算,以获取所述第三数据相对于先验知识的相关性权重结果;
其中,所述先验知识为提前验证并保存的医学知识,且不同的先验知识具有不同的权重。
本发明还提供了一种诊断结果预测装置,所述装置包括:
第一获取模块,用于获取第一信息,所述第一信息为脱敏处理后的患者病历信息;
字段解析模块,用于对所述第一信息进行字段解析,以得到第一数据和第二数据,所述第一数据为模型的输入数据,所述第二数据为模型的输出数据;
数据处理模块,用于对所述第一数据和第二数据进行清洗,以去除所述第一数据和第二数据中的无效数据;
模型处理模块,用于获取指令数据,并基于清洗后的第一数据和第二数据,构建训练数据集,以对ChatGLM-6B模型进行微调;
模型优化模块,用于获取第一结果和第二结果,并以BLEU和ROUGE作为评价指标对所述第一结果和第二结果进行评价,以对所述ChatGLM-6B模型进行优化,所述第一结果为所述ChatGLM-6B模型的预测结果,所述第二结果为所述第一信息中患者的实际诊断结果;
自动诊断模块,用于基于优化后的ChatGLM-6B模型,接收第二信息,并调用所述ChatGLM-6B模型对所述第二信息进行处理,以获取第三结果,所述第二信息为当前患者的病历信息,所述第三结果为所述ChatGLM-6B模型对当前患者的诊断结果。
本发明还提供了一种电子设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现如上述任一种所述的诊断结果预测方法。
本发明还提供了一种计算机存储介质,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上述任一种所述的诊断结果预测方法。
上述诊断结果预测方法、装置、电子设备及存储介质,通过获取脱敏处理后的患者病历信息,并对患者病历信息进行字段解析,得到模型的输入数据和输出数据。随后,对模型的输入数据和输出数据进行清洗,以去除其中的无效数据。在ChatGLM-6B模型中添加指令数据,并基于清洗后的模型输入数据和输出数据对ChatGLM-6B模型构建模型训练数据集,以对ChatGLM-6B模型进行微调。然后,分别获取患者在病历信息中的实际诊断结果和对应患者在ChatGLM-6B模型中的预测诊断结果,并以BLEU和ROUGE作为评价指标对患者的实际诊断结果和模型预测结果进行评价,以实现对ChatGLM-6B模型的优化。最后,通过将当前患者的病历信息输入至优化后的ChatGLM-6B模型进行处理,即可得到ChatGLM-6B模型针对当前患者的病历信息预测的诊断结果。该方法通过将患者的病历信息划分成症状和诊断结果两部分并分别作为ChatGLM-6B模型的输入数据和输出数据对ChatGLM-6B模型进行训练,并在ChatGLM-6B模型上进行微调,生成相应的疾病辅助诊断模型。使用过程中只需要将当前患者的病历信息按照相应的方式输入,无需进行人工特征抽取,疾病辅助诊断模型得到的输入内容为完整的信息片段,在一定程度上减少了与患者现有症状相矛盾的诊断结果的出现。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明提供的诊断结果预测方法流程示意图之一;
图2为本发明提供的具体实施例中诊断结果预测方法的疾病自动诊断简要流程示意图;
图3为本发明提供的诊断结果预测方法流程示意图之二;
图4为本发明提供的诊断结果预测方法流程示意图之三;
图5为本发明提供的诊断结果预测方法流程示意图之四;
图6为本发明提供的诊断结果预测方法流程示意图之五;
图7为本发明提供的诊断结果预测方法流程示意图之六;
图8为本发明提供的诊断结果预测方法流程示意图之七;
图9为本发明提供的诊断结果预测装置结构示意图;
图10为本发明提供的计算机设备的内部结构图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地说明,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
下面结合图1-图10描述本发明的诊断结果预测方法、装置、电子设备及存储介质。
如图1所示,在一个实施例中,一种诊断结果预测方法,包括以下步骤:
步骤S110,获取第一信息,第一信息为脱敏处理后的患者病历信息。
其中,所述第一信息为脱敏处理后的患者病历信息,模型训练过程中主要使用的患者病历信息包括患者入院记录以及首次病程记录、患者入院当天的异常检验结果以及患者入院当天的检查结果,且模型训练所需的病历信息是大量的,例如10万份病历信息。由于患者的病历信息中可能含有患者的姓名、身份证、家庭住址、住院医院等隐私信息,为了保护患者的隐私安全,需对患者病历信息进行脱敏处理。
具体的,服务器获取脱敏处理后的患者病历信息。
步骤S120,对第一信息进行字段解析,以得到第一数据和第二数据,第一数据为模型的输入数据,第二数据为模型的输出数据。
具体的,为了保证模型的训练效果,使得输入的数据包含更多的与患者诊断相关的特征信息,服务器需要对步骤S110中得到的患者病历信息进行相应字段的解析,最终将入院记录中的主诉、现病史、专科情况、患者入院当天的异常检验结果以及入院当天的检查结果作为模型输入数据,即第一数据,将首次病程记录中的初步诊断作为模型的输出数据,即第二数据。
步骤S130,对第一数据和第二数据进行清洗,以去除第一数据和第二数据中的无效数据。
具体的,为了保证模型训练的效果,服务器对步骤S120中得到的第一数据和第二数据进行清洗,以去除第一数据和第二数据中的无效数据,对现病史、专科情况解析错误或重复解析的数据进行修正,去掉现病史、专科病史、专科情况中的无效数据。
步骤S140,获取指令数据,并基于清洗后的第一数据和第二数据,构建训练数据集,以对ChatGLM-6B模型进行微调。
具体的,服务机通过在ChatGLM-6B模型中添加指令数据,并基于清洗后的第一数据和第二数据,构建ChatGLM-6B模型的训练数据集,共同实现对ChatGLM-6B模型的微调,指令数据用于指令ChatGLM-6B模型进行相应的微调。ChatGLM-6B模型微调后以患者入院记录中的主诉、现病史、专科情况、患者入院当天的异常检验结果以及入院当天的检查结果结合对应的指令数据共同形成ChatGLM-6B模型的输入数据,并以患者首次病程记录中的初步诊断作为ChatGLM-6B模型的输出数据。
步骤S150,获取第一结果和第二结果,并以BLEU和ROUGE作为评价指标对第一结果和第二结果进行评价,以对ChatGLM-6B模型进行优化,第一结果为ChatGLM-6B模型的预测结果,第二结果为第一信息中患者的实际诊断结果。
具体的,服务器获取ChatGLM-6B模型预测结果以及患者的实际诊断结果,并以BLEU和ROUGE作为评价指标对预测结果和实际诊断结果进行评价,进而实现对ChatGLM-6B模型进行优化。
其中,BLEU是一种文本评估算法,它是用来评估机器翻译跟专业人工翻译之间的对应关系,核心思想就是机器翻译越接近专业人工翻译,质量就越好,经过BLEU算法得出的分数可以作为机器翻译质量的其中一个指标。ROUGE是在2004年由ISI的Chin-Yew Lin提出的一种自动摘要评价方法,是评估自动文摘以及机器翻译的一组指标,ROUGE基于摘要中n元词(n-gram)的共现信息来评价摘要,是一种面向n元词召回率的评价方法。
步骤S160,基于优化后的ChatGLM-6B模型,接收第二信息,并调用ChatGLM-6B模型对第二信息进行处理,以获取第三结果,第二信息为当前患者的病历信息,第三结果为ChatGLM-6B模型对当前患者的诊断结果。
具体的,结合图2所示,服务器基于步骤S150得到的优化后的ChatGLM-6B模型,接收当前患者的病历信息,调用该优化处理后的ChatGLM-6B模型对当前患者的病历信息进行处理,得到当前患者的病历信息对应的诊断预测结果,即第三结果,以辅助医生决策。
上述诊断结果预测方法,通过获取脱敏处理后的患者病历信息,并对患者病历信息进行字段解析,得到模型的输入数据和输出数据。随后,对模型的输入数据和输出数据进行清洗,以去除其中的无效数据。在ChatGLM-6B模型中添加指令数据,并基于清洗后的模型输入数据和输出数据对ChatGLM-6B模型构建模型训练数据集,以对ChatGLM-6B模型进行微调。然后,分别获取患者在病历信息中的实际诊断结果和对应患者在ChatGLM-6B模型中的预测诊断结果,并以BLEU和ROUGE作为评价指标对患者的实际诊断结果和模型预测结果进行评价,以实现对ChatGLM-6B模型的优化。最后,通过将当前患者的病历信息输入至优化后的ChatGLM-6B模型进行处理,即可得到ChatGLM-6B模型针对当前患者的病历信息预测的诊断结果。该方法通过将患者的病历信息划分成症状和诊断结果两部分并分别作为ChatGLM-6B模型的输入数据和输出数据对ChatGLM-6B模型进行训练,并在ChatGLM-6B模型上进行微调,生成相应的疾病辅助诊断模型。使用过程中只需要将当前患者的病历信息按照相应的方式输入,无需进行人工特征抽取,疾病辅助诊断模型得到的输入内容为完整的信息片段,在一定程度上减少了与患者现有症状相矛盾的诊断结果的出现。
如图3所示,在一个实施例中,本发明提供的诊断结果预测方法,获取第一信息,之前包括:
步骤S310,获取多个患者病历信息,患者病历信息包括患者入院记录、首次病程记录、患者当前的异常检验结果以及患者入院当天的检查结果。
具体的,服务器获取大量的患者病历信息,且该病历信息主要包括患者入院记录、首次病程记录、患者当前的异常检验结果以及患者入院当天的检查结果,但不乏有病历信息中夹杂着患者的姓名、身份证、家庭住址、住院医院等隐私信息。
步骤S320,对患者病历信息进行脱敏处理,以去除患者病历信息中患者的隐私信息。
具体的,服务器对步骤S310中得到的大量患者信息进行脱敏处理,以去除患者病历信息中患者的姓名、身份证、家庭住址、住院医院等隐私信息。
如图4所示,在一个实施例中,本发明提供的诊断结果预测方法,对第一数据和第二数据进行清洗,以去除第一数据和第二数据中的无效数据,包括以下步骤:
步骤S132,当第一数据中的任一项为空项时,则去除第一数据中的空项。
需要说明的是,第一数据包括患者入院记录中的主诉、现病史、专科情况、患者入院当天的异常检验结果以及入院当天的检查结果,第二数据为患者首次病程记录中的初步诊断。
具体的,当第一数据中的任一项为空项时,则去除第一数据中的空项部分。例如,当入院记录中的主诉和现病史为空时,如“主诉: 。 ,主诉:便血一天。3、”,则为空的入院记录中的主诉和现病史则为无效数据,服务器则会丢掉该无效数据。
步骤S134,当第二数据中的任一项为空项时,则去除第二数据中的空项。
具体的,当第二数据中的任一项为空项时,则去除第二数据中的空项部分。例如,当首次病程记录中的初步诊断为空时,则为空的首次病程记录中的初步诊断为无效数据,则过滤掉初步诊断中的无效数据,如过滤掉初步诊断中的无效数据,如:【医学元素\自定义控件\入院诊断控件】,【入院诊断控件】,初步诊断:。初步诊断为拼音缩写,不含有中文时,过滤掉该诊断。过滤掉初步诊断中解析出来的中医诊断。将初步诊断格式化,各诊断之间使用“;”连接。
如图5所示,在一个实施例中,本发明提供的诊断结果预测方法,还包括以下步骤:
步骤S510,基于患者入院当天的异常检验结果,获取第一异常值,第一异常值为患者入院当天检验中的异常指标值。
具体的,服务器获取患者入院当天检验中存在的异常指标值,即第一异常值。
步骤S520,基于正常指标范围,获取第一结论,第一结论为第一异常值相较于正常指标范围升高或降低的结论。
具体的,服务器基于对应指标的正常范围对获取步骤S510中得到的第一异常值相较于正常指标范围升高或者降低的结果,即第一结论。
如图6所示,在一个实施例中,本发明提供的诊断结果预测方法,获取指令数据,并基于清洗后的第一数据和第二数据,构建训练数据集,以对ChatGLM-6B模型进行微调,包括以下步骤:
步骤S142,将清洗后的第一数据与指令数据进行拼接,作为ChatGLM-6B模型的输入数据。
具体的,服务器将清洗后的第一数据与指令数据进行拼接,共同作为ChatGLM-6B模型的输入数据。
步骤S144,基于ChatGLM-6B模型的输入数据,对ChatGLM-6B模型进行微调。
具体的,服务器基于步骤S142中得到的ChatGLM-6B模型的输入数据,使得ChatGLM-6B模型按照指令数据进行相应的微调。
如图7所示,在一个实施例中,本发明提供的诊断结果预测方法,获取第一结果和第二结果,并以BLEU和ROUGE作为评价指标对第一结果和第二结果进行评价,以对ChatGLM-6B模型进行优化,包括以下步骤:
步骤S152,将第一数据及其对应的指令数据输入ChatGLM-6B模型,以获取ChatGLM-6B模型的预测结果。
具体的,服务器将第一数据及其对应的指令数据作为ChatGLM-6B模型的输入数据输入ChatGLM-6B模型,以获取ChatGLM-6B模型相应的预测结果。
步骤S154,基于第二数据,获取患者首次病程中的初步诊断结果。
具体的,服务器基于第二数据,获取患者首次病程中的初步诊断结果。
步骤S156,以BLEU和ROUGE作为评价指标对第一结果和第二结果进行评价,得到评价结果。
具体的,服务器以BLEU和ROUGE作为评价指标对ChatGLM-6B模型的预测结果和患者的实际诊断结果进行评价,得到相应的评价结果。
步骤S158,基于评价结果,对预测结果进行校正。
具体的,服务器基于步骤S156中得到的评价结果对步骤S152中得到的预测结果进行校正,以优化ChatGLM-6B模型输出预测结果的精准度。
其中,基于ChatGLM-6B模型的疾病辅助诊断,该系统只需将患者的病历数据按照一定的方式进行输入,无需进行人工特征抽取,且模型得到的输入内容为完整的信息片段,从而减少了与患者现有症状相矛盾的诊断出现的概率。另外基于大模型的疾病辅助诊断系统可作用于全院,无需局限在特定的科室或者诊断上。
如图8所示,在一个实施例中,本发明提供的诊断结果预测方法,还包括以下步骤:
步骤S810,获取先验知识,先验知识用于对第二数据构建知识图谱。
其中,先验知识为提前验证并保存的医学知识,且不同的先验知识具有不同的权重。
具体的,服务器获取具有不同权重的先验知识,以构建关于第二数据的知识图谱。
步骤S820,对第二信息进行结构化数据抽取,以获取第三数据,第三数据至少包括患者的症状、检验、检查结果以及既往诊断信息。
具体的,服务器对当前患者的诊断结果进行结构化数据抽取,即第二信息,以获取第三数据,且第三数据至少包括患者的症状、检验、检查结果以及既往诊断信息。
步骤S830,对第三数据进行相关性权重计算,以获取第三数据相对于先验知识的相关性权重结果。
具体的,服务器对步骤S810中得到的第三数据进行相关性权重计算,以获取第三数据相对于先验知识的相关性权重结果,得到患者可能的诊断,以辅助医生诊断。
其中,基于先验知识对常见的诊断构建相应的知识图谱,基于提到的目前基于知识图谱的疾病辅助诊断系统存在问题,在知识图谱构建过程中对不同的先验知识赋予了不同的权重,还可在诊断图谱中添加必要条件以及否定条件,以有效的解决目前基于知识图谱的疾病诊断系统存在的问题,使得推理的结果更加准确。另外,为了使得计算的结果更加准确,在知识图谱构建过程中,通过使用诊断、症状、医嘱、检验、检查等综合计算结果作为诊断的一部分知识,以提高计算的准确性。
下面对本发明提供的诊断结果预测装置进行描述,下文描述的诊断结果预测装置与上文描述的诊断结果预测方法可相互对应参照。
如图9所示,在一个实施例中,一种诊断结果预测装置,包括第一获取模块910、字段解析模块920、数据处理模块930、模型处理模块940、模型优化模块950以及自动诊断模块960。
第一获取模块910用于获取第一信息,第一信息为脱敏处理后的患者病历信息。
字段解析模块920用于对第一信息进行字段解析,以得到第一数据和第二数据,第一数据为模型的输入数据,第二数据为模型的输出数据。
数据处理模块930用于对第一数据和第二数据进行清洗,以去除第一数据和第二数据中的无效数据。
模型处理模块940用于获取指令数据,并基于清洗后的第一数据和第二数据,构建训练数据集,以对ChatGLM-6B模型进行微调。
模型优化模块950用于获取第一结果和第二结果,并以BLEU和ROUGE作为评价指标对第一结果和第二结果进行评价,以对ChatGLM-6B模型进行优化,第一结果为ChatGLM-6B模型的预测结果第二结果为第一信息中患者的实际诊断结果。
自动诊断模块960用于基于优化后的ChatGLM-6B模型,接收第二信息,并调用ChatGLM-6B模型对第二信息进行处理,以获取第三结果,第二信息为当前患者的病历信息,第三结果为ChatGLM-6B模型对当前患者的诊断结果。
在本实施例中,本发明提供的诊断结果预测装置,还包括信息脱敏模块,用于:
获取多个患者病历信息,患者病历信息包括患者入院记录、首次病程记录、患者当前的异常检验结果以及患者入院当天的检查结果。
对患者病历信息进行脱敏处理,以去除患者病历信息中患者的隐私信息。
在本实施例中,本发明提供的诊断结果预测装置,数据处理模块具体用于:
当第一数据中的任一项为空项时,则去除第一数据中的空项。
当第二数据中的任一项为空项时,则去除第二数据中的空项。
在本实施例中,本发明提供的诊断结果预测装置,还包括异常值评价模块,用于:
基于患者入院当天的异常检验结果,获取第一异常值,第一异常值为患者入院当天检验中的异常指标值。
基于正常指标范围,获取第一结论,第一结论为第一异常值相较于正常指标范围升高或降低的结论。
在本实施例中,本发明提供的诊断结果预测装置,模型处理模块具体用于:
将清洗后的第一数据与指令数据进行拼接,作为ChatGLM-6B模型的输入数据。
基于ChatGLM-6B模型的输入数据,对ChatGLM-6B模型进行微调。
在本实施例中,本发明提供的诊断结果预测装置,模型优化模块具体用于:
将第一数据及其对应的指令数据输入ChatGLM-6B模型,以获取ChatGLM-6B模型的预测结果。
基于第二数据,获取患者首次病程中的初步诊断结果。
以BLEU和ROUGE作为评价指标对第一结果和第二结果进行评价,得到评价结果。
基于评价结果,对预测结果进行校正。
在本实施例中,本发明提供的诊断结果预测装置,还包括知识图谱模块,用于:
获取先验知识,先验知识用于对第二数据构建知识图谱。
对第二信息进行结构化数据抽取,以获取第三数据,第三数据至少包括患者的症状、检验、检查结果以及既往诊断信息。
对第三数据进行相关性权重计算,以获取第三数据相对于先验知识的相关性权重结果。
其中,先验知识为提前验证并保存的医学知识,且不同的先验知识具有不同的权重。
图10示例了一种电子设备的实体结构示意图,该电子设备可以是智能终端,其内部结构图可以如图10所示。该电子设备包括通过系统总线连接的处理器、存储器和网络接口。其中,该电子设备的处理器用于提供计算和控制能力。该电子设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该电子设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现诊断结果预测方法,该方法包括:
获取第一信息,第一信息为脱敏处理后的患者病历信息;
对第一信息进行字段解析,以得到第一数据和第二数据,第一数据为模型的输入数据,第二数据为模型的输出数据;
对第一数据和第二数据进行清洗,以去除第一数据和第二数据中的无效数据;
获取指令数据,并基于清洗后的第一数据和第二数据,构建训练数据集,以对ChatGLM-6B模型进行微调;
获取第一结果和第二结果,并以BLEU和ROUGE作为评价指标对第一结果和第二结果进行评价,以对ChatGLM-6B模型进行优化,第一结果为ChatGLM-6B模型的预测结果第二结果为第一信息中患者的实际诊断结果;
基于优化后的ChatGLM-6B模型,接收第二信息,并调用ChatGLM-6B模型对第二信息进行处理,以获取第三结果,第二信息为当前患者的病历信息,第三结果为ChatGLM-6B模型对当前患者的诊断结果。
本领域技术人员可以理解,图10中示出的结构,仅仅是与本发明方案相关的部分结构的框图,并不构成对本发明方案所应用于其上的电子设备的限定,具体的电子设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
另一方面,本发明还提供了一种计算机存储介质,存储有计算机程序,计算机程序被处理器执行时实现诊断结果预测方法,该方法包括:
获取第一信息,第一信息为脱敏处理后的患者病历信息;
对第一信息进行字段解析,以得到第一数据和第二数据,第一数据为模型的输入数据,第二数据为模型的输出数据;
对第一数据和第二数据进行清洗,以去除第一数据和第二数据中的无效数据;
获取指令数据,并基于清洗后的第一数据和第二数据,构建训练数据集,以对ChatGLM-6B模型进行微调;
获取第一结果和第二结果,并以BLEU和ROUGE作为评价指标对第一结果和第二结果进行评价,以对ChatGLM-6B模型进行优化,第一结果为ChatGLM-6B模型的预测结果第二结果为第一信息中患者的实际诊断结果;
基于优化后的ChatGLM-6B模型,接收第二信息,并调用ChatGLM-6B模型对第二信息进行处理,以获取第三结果,第二信息为当前患者的病历信息,第三结果为ChatGLM-6B模型对当前患者的诊断结果。
又一方面,提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。电子设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令时实现诊断结果预测方法,该方法包括:
获取第一信息,第一信息为脱敏处理后的患者病历信息;
对第一信息进行字段解析,以得到第一数据和第二数据,第一数据为模型的输入数据,第二数据为模型的输出数据;
对第一数据和第二数据进行清洗,以去除第一数据和第二数据中的无效数据;
获取指令数据,并基于清洗后的第一数据和第二数据,构建训练数据集,以对ChatGLM-6B模型进行微调;
获取第一结果和第二结果,并以BLEU和ROUGE作为评价指标对第一结果和第二结果进行评价,以对ChatGLM-6B模型进行优化,第一结果为ChatGLM-6B模型的预测结果第二结果为第一信息中患者的实际诊断结果;
基于优化后的ChatGLM-6B模型,接收第二信息,并调用ChatGLM-6B模型对第二信息进行处理,以获取第三结果,第二信息为当前患者的病历信息,第三结果为ChatGLM-6B模型对当前患者的诊断结果。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,该计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本发明所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。
作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双倍数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (9)
1.一种诊断结果预测方法,其特征在于,所述方法包括:
获取多个患者病历信息,所述患者病历信息包括患者入院记录、首次病程记录、患者当前的异常检验结果以及患者入院当天的检查结果;
对所述患者病历信息进行脱敏处理,以去除所述患者病历信息中患者的隐私信息;
获取第一信息,所述第一信息为脱敏处理后的患者病历信息;
对所述第一信息进行字段解析,以得到第一数据和第二数据,所述第一数据为模型的输入数据,所述第二数据为模型的输出数据;
对所述第一数据和第二数据进行清洗,以去除所述第一数据和第二数据中的无效数据;
获取指令数据,并基于清洗后的第一数据和第二数据,构建训练数据集,以对ChatGLM-6B模型进行微调;
获取第一结果和第二结果,并以BLEU和ROUGE作为评价指标对所述第一结果和第二结果进行评价,以对所述ChatGLM-6B模型进行优化,所述第一结果为所述ChatGLM-6B模型的预测结果,所述第二结果为所述第一信息中患者的实际诊断结果;
基于优化后的ChatGLM-6B模型,接收第二信息,并调用所述ChatGLM-6B模型对所述第二信息进行处理,以获取第三结果,所述第二信息为当前患者的病历信息,所述第三结果为所述ChatGLM-6B模型对当前患者的诊断结果;
其中,将入院记录中的主诉、现病史、专科情况、患者入院当天的异常检验结果以及入院当天的检查结果作为模型输入数据,即第一数据,将首次病程记录中的初步诊断作为模型的输出数据,即第二数据。
2.根据权利要求1所述的诊断结果预测方法,其特征在于,所述第一数据包括患者入院记录中的主诉、现病史、专科情况、患者入院当天的异常检验结果以及入院当天的检查结果,所述第二数据为患者首次病程记录中的初步诊断;
所述对所述第一数据和第二数据进行清洗,以去除所述第一数据和第二数据中的无效数据,包括:
当所述第一数据中的任一项为空项时,则去除所述第一数据中的空项;
当所述第二数据中的任一项为空项时,则去除所述第二数据中的空项。
3.根据权利要求2所述的诊断结果预测方法,其特征在于,所述方法还包括:
基于所述患者入院当天的异常检验结果,获取第一异常值,所述第一异常值为患者入院当天检验中的异常指标值;
基于正常指标范围,获取第一结论,所述第一结论为所述第一异常值相较于所述正常指标范围升高或降低的结论。
4.根据权利要求1所述的诊断结果预测方法,其特征在于,所述获取指令数据,并基于清洗后的第一数据和第二数据,构建训练数据集,以对ChatGLM-6B模型进行微调,包括:
将清洗后的第一数据与所述指令数据进行拼接,作为所述ChatGLM-6B模型的输入数据;
基于所述ChatGLM-6B模型的输入数据,对所述ChatGLM-6B模型进行微调。
5.根据权利要求4所述的诊断结果预测方法,其特征在于,所述获取第一结果和第二结果,并以BLEU和ROUGE作为评价指标对所述第一结果和第二结果进行评价,以对所述ChatGLM-6B模型进行优化,包括:
将所述第一数据及其对应的指令数据输入所述ChatGLM-6B模型,以获取所述ChatGLM-6B模型的预测结果;
基于所述第二数据,获取患者首次病程中的初步诊断结果;
以所述BLEU和ROUGE作为评价指标对所述第一结果和第二结果进行评价,得到评价结果;
基于所述评价结果,对所述预测结果进行校正。
6.根据权利要求1至5任一项所述的诊断结果预测方法,其特征在于,所述方法还包括:
获取先验知识,所述先验知识用于对所述第二数据构建知识图谱;
对所述第二信息进行结构化数据抽取,以获取第三数据,所述第三数据至少包括患者的症状、检验、检查结果以及既往诊断信息;
对所述第三数据进行相关性权重计算,以获取所述第三数据相对于先验知识的相关性权重结果;
其中,所述先验知识为提前验证并保存的医学知识,且不同的先验知识具有不同的权重。
7.一种诊断结果预测装置,其特征在于,所述装置包括:
信息脱敏模块,用于获取多个患者病历信息,患者病历信息包括患者入院记录、首次病程记录、患者当前的异常检验结果以及患者入院当天的检查结果;对患者病历信息进行脱敏处理,以去除患者病历信息中患者的隐私信息;
第一获取模块,用于获取第一信息,所述第一信息为脱敏处理后的患者病历信息;
字段解析模块,用于对所述第一信息进行字段解析,以得到第一数据和第二数据,所述第一数据为模型的输入数据,所述第二数据为模型的输出数据;
数据处理模块,用于对所述第一数据和第二数据进行清洗,以去除所述第一数据和第二数据中的无效数据;
模型处理模块,用于获取指令数据,并基于清洗后的第一数据和第二数据,构建训练数据集,以对ChatGLM-6B模型进行微调;
模型优化模块,用于获取第一结果和第二结果,并以BLEU和ROUGE作为评价指标对所述第一结果和第二结果进行评价,以对所述ChatGLM-6B模型进行优化,所述第一结果为所述ChatGLM-6B模型的预测结果,所述第二结果为所述第一信息中患者的实际诊断结果;
自动诊断模块,用于基于优化后的ChatGLM-6B模型,接收第二信息,并调用所述ChatGLM-6B模型对所述第二信息进行处理,以获取第三结果,所述第二信息为当前患者的病历信息,所述第三结果为所述ChatGLM-6B模型对当前患者的诊断结果;
其中,将入院记录中的主诉、现病史、专科情况、患者入院当天的异常检验结果以及入院当天的检查结果作为模型输入数据,即第一数据,将首次病程记录中的初步诊断作为模型的输出数据,即第二数据。
8.一种电子设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
9.一种计算机存储介质,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权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310885614.1A CN116612879B (zh) | 2023-07-19 | 2023-07-19 | 诊断结果预测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310885614.1A CN116612879B (zh) | 2023-07-19 | 2023-07-19 | 诊断结果预测方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116612879A CN116612879A (zh) | 2023-08-18 |
CN116612879B true CN116612879B (zh) | 2023-09-26 |
Family
ID=87685705
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310885614.1A Active CN116612879B (zh) | 2023-07-19 | 2023-07-19 | 诊断结果预测方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116612879B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117253576B (zh) * | 2023-10-30 | 2024-03-05 | 来未来科技(浙江)有限公司 | 基于中文医疗大模型的门诊电子病历生成方法 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106951719A (zh) * | 2017-04-10 | 2017-07-14 | 荣科科技股份有限公司 | 临床诊断模型的构建方法及构建系统、临床诊断系统 |
CN107680676A (zh) * | 2017-09-26 | 2018-02-09 | 电子科技大学 | 一种基于电子病历数据驱动的妊娠期糖尿病预测方法 |
CN110111887A (zh) * | 2019-05-15 | 2019-08-09 | 清华大学 | 临床辅助决策方法及装置 |
CN111261286A (zh) * | 2020-02-17 | 2020-06-09 | 清华大学 | 辅助诊断模型构建方法、诊断方法、装置、设备及介质 |
CN111933239A (zh) * | 2020-09-17 | 2020-11-13 | 泰康保险集团股份有限公司 | 数据处理的方法及装置、系统、存储介质 |
CN112509691A (zh) * | 2020-11-30 | 2021-03-16 | 北京百度网讯科技有限公司 | 鉴别诊断的提示方法、装置、电子设备及存储介质 |
CN112635011A (zh) * | 2020-12-31 | 2021-04-09 | 北大医疗信息技术有限公司 | 疾病诊断方法、疾病诊断系统和可读存储介质 |
WO2021068601A1 (zh) * | 2019-10-12 | 2021-04-15 | 平安国际智慧城市科技股份有限公司 | 病历检测方法、装置、设备及存储介质 |
JP2021117682A (ja) * | 2020-01-24 | 2021-08-10 | キヤノンメディカルシステムズ株式会社 | 医用情報処理装置、医用情報処理方法、および医用情報処理プログラム |
CN113889259A (zh) * | 2021-09-06 | 2022-01-04 | 浙江工业大学 | 一种知识图谱辅助下的自动诊断对话系统 |
WO2022010384A1 (ru) * | 2020-07-10 | 2022-01-13 | Общество с ограниченной ответственностью "К-Скай" | Система для поддержки принятия врачебных решений |
CN114330820A (zh) * | 2021-11-19 | 2022-04-12 | 北京明略软件系统有限公司 | 患者病情预后预测方法、系统、存储介质及电子设备 |
-
2023
- 2023-07-19 CN CN202310885614.1A patent/CN116612879B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106951719A (zh) * | 2017-04-10 | 2017-07-14 | 荣科科技股份有限公司 | 临床诊断模型的构建方法及构建系统、临床诊断系统 |
CN107680676A (zh) * | 2017-09-26 | 2018-02-09 | 电子科技大学 | 一种基于电子病历数据驱动的妊娠期糖尿病预测方法 |
CN110111887A (zh) * | 2019-05-15 | 2019-08-09 | 清华大学 | 临床辅助决策方法及装置 |
WO2021068601A1 (zh) * | 2019-10-12 | 2021-04-15 | 平安国际智慧城市科技股份有限公司 | 病历检测方法、装置、设备及存储介质 |
JP2021117682A (ja) * | 2020-01-24 | 2021-08-10 | キヤノンメディカルシステムズ株式会社 | 医用情報処理装置、医用情報処理方法、および医用情報処理プログラム |
CN111261286A (zh) * | 2020-02-17 | 2020-06-09 | 清华大学 | 辅助诊断模型构建方法、诊断方法、装置、设备及介质 |
WO2022010384A1 (ru) * | 2020-07-10 | 2022-01-13 | Общество с ограниченной ответственностью "К-Скай" | Система для поддержки принятия врачебных решений |
CN111933239A (zh) * | 2020-09-17 | 2020-11-13 | 泰康保险集团股份有限公司 | 数据处理的方法及装置、系统、存储介质 |
CN112509691A (zh) * | 2020-11-30 | 2021-03-16 | 北京百度网讯科技有限公司 | 鉴别诊断的提示方法、装置、电子设备及存储介质 |
CN112635011A (zh) * | 2020-12-31 | 2021-04-09 | 北大医疗信息技术有限公司 | 疾病诊断方法、疾病诊断系统和可读存储介质 |
CN113889259A (zh) * | 2021-09-06 | 2022-01-04 | 浙江工业大学 | 一种知识图谱辅助下的自动诊断对话系统 |
CN114330820A (zh) * | 2021-11-19 | 2022-04-12 | 北京明略软件系统有限公司 | 患者病情预后预测方法、系统、存储介质及电子设备 |
Non-Patent Citations (1)
Title |
---|
基于电子病历可视分析的临床诊断模型;商金秋 等;计算机系统应用;第25卷(第12期);第100-107页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116612879A (zh) | 2023-08-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112365987B (zh) | 诊断数据异常检测方法、装置、计算机设备及存储介质 | |
KR102153920B1 (ko) | 정제된 인공지능 강화학습 데이터 생성을 통한 의료영상 판독 시스템 및 그 방법 | |
CN109887596A (zh) | 基于知识图谱的慢阻肺疾病诊断方法、装置和计算机设备 | |
CN112133441B (zh) | 一种mh术后裂孔状态预测模型的建立方法和终端 | |
CN116612879B (zh) | 诊断结果预测方法、装置、电子设备及存储介质 | |
CN110827941A (zh) | 电子病历信息校正方法及系统 | |
CN111383754B (zh) | 医疗决策方法、医疗决策装置、电子设备及存储介质 | |
CN113886716B (zh) | 食品安全突发事件的应急处置推荐方法及系统 | |
CN112700831A (zh) | 基于患者病历信息的医生辅助诊断方法及系统 | |
CN114334065B (zh) | 病历处理方法、计算机可读存储介质及计算机设备 | |
CN113450905A (zh) | 医疗辅助诊断系统、方法及计算机可读存储介质 | |
CN114628001A (zh) | 基于神经网络的处方推荐方法、系统、设备及存储介质 | |
CN112017784B (zh) | 一种基于多模态数据的冠心病风险预测方法及相关设备 | |
CN113096756A (zh) | 病情演变分类方法、装置、电子设备和存储介质 | |
CN112802598A (zh) | 基于语音诊疗数据的实时辅助诊疗方法及系统 | |
CN112329461A (zh) | 相似病历确定方法、计算机设备及计算机存储介质 | |
CN111279424B (zh) | 用于优化图像采集工作流的设备、系统和方法 | |
CN108831560B (zh) | 一种确定医疗数据属性数据的方法和装置 | |
CN113724878B (zh) | 基于机器学习的医疗风险信息推送方法及装置 | |
Gangl et al. | Aggregating expert opinions in support of medical diagnostic decision-making | |
CN114548100A (zh) | 一种基于大数据技术的临床科研辅助方法与系统 | |
CN114628034A (zh) | 阿尔兹海默症评估方法、系统、设备及存储介质 | |
CN114627993A (zh) | 信息预测方法、装置、存储介质及计算机设备 | |
CN112749564A (zh) | 病历事件元素抽取方法、装置、电子设备和存储介质 | |
CN113707285A (zh) | 科室分诊方法、系统、设备以及存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |