CN117077625A - 一种不良事件等级判定方法、电子设备和存储介质 - Google Patents
一种不良事件等级判定方法、电子设备和存储介质 Download PDFInfo
- Publication number
- CN117077625A CN117077625A CN202311027959.XA CN202311027959A CN117077625A CN 117077625 A CN117077625 A CN 117077625A CN 202311027959 A CN202311027959 A CN 202311027959A CN 117077625 A CN117077625 A CN 117077625A
- Authority
- CN
- China
- Prior art keywords
- clinical
- rule
- data
- item
- template
- 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
- 238000000034 method Methods 0.000 title claims abstract description 65
- 238000004458 analytical method Methods 0.000 claims abstract description 10
- 238000012360 testing method Methods 0.000 claims description 66
- 230000002411 adverse Effects 0.000 description 19
- 208000007502 anemia Diseases 0.000 description 19
- 102000001554 Hemoglobins Human genes 0.000 description 14
- 108010054147 Hemoglobins Proteins 0.000 description 14
- 238000003066 decision tree Methods 0.000 description 12
- 230000002861 ventricular Effects 0.000 description 12
- 208000024891 symptom Diseases 0.000 description 8
- 210000004369 blood Anatomy 0.000 description 7
- 239000008280 blood Substances 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000012545 processing Methods 0.000 description 6
- 208000000059 Dyspnea Diseases 0.000 description 4
- 206010013975 Dyspnoeas Diseases 0.000 description 4
- 206010054877 Mucosal discolouration Diseases 0.000 description 4
- 206010033546 Pallor Diseases 0.000 description 4
- 206010033557 Palpitations Diseases 0.000 description 4
- 208000031353 Systolic Murmurs Diseases 0.000 description 4
- 238000007405 data analysis Methods 0.000 description 4
- 230000007423 decrease Effects 0.000 description 4
- 201000010099 disease Diseases 0.000 description 4
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 4
- 229940079593 drug Drugs 0.000 description 4
- 239000003814 drug Substances 0.000 description 4
- 206010016256 fatigue Diseases 0.000 description 4
- 210000004400 mucous membrane Anatomy 0.000 description 4
- 208000012307 pale mucous membrane Diseases 0.000 description 4
- 208000013220 shortness of breath Diseases 0.000 description 4
- 208000010444 Acidosis Diseases 0.000 description 3
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 3
- 101000763003 Homo sapiens Two pore channel protein 1 Proteins 0.000 description 3
- 206010024642 Listless Diseases 0.000 description 3
- 102100026736 Two pore channel protein 1 Human genes 0.000 description 3
- 230000007950 acidosis Effects 0.000 description 3
- 208000026545 acidosis disease Diseases 0.000 description 3
- 230000009471 action Effects 0.000 description 3
- 229910002091 carbon monoxide Inorganic materials 0.000 description 3
- 239000003153 chemical reaction reagent Substances 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000002631 hypothermal effect Effects 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 210000005240 left ventricle Anatomy 0.000 description 3
- 208000017971 listlessness Diseases 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000010295 mobile communication Methods 0.000 description 3
- BPYKTIZUTYGOLE-IFADSCNNSA-N Bilirubin Chemical compound N1C(=O)C(C)=C(C=C)\C1=C\C1=C(C)C(CCC(O)=O)=C(CC2=C(C(C)=C(\C=C/3C(=C(C=C)C(=O)N\3)C)N2)CCC(O)=O)N1 BPYKTIZUTYGOLE-IFADSCNNSA-N 0.000 description 2
- 206010019280 Heart failures Diseases 0.000 description 2
- FYYHWMGAXLPEAU-UHFFFAOYSA-N Magnesium Chemical compound [Mg] FYYHWMGAXLPEAU-UHFFFAOYSA-N 0.000 description 2
- LEHOTFFKMJEONL-UHFFFAOYSA-N Uric Acid Chemical compound N1C(=O)NC(=O)C2=C1NC(=O)N2 LEHOTFFKMJEONL-UHFFFAOYSA-N 0.000 description 2
- TVWHNULVHGKJHS-UHFFFAOYSA-N Uric acid Natural products N1C(=O)NC(=O)C2NC(=O)NC21 TVWHNULVHGKJHS-UHFFFAOYSA-N 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000036760 body temperature Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- HVYWMOMLDIMFJA-DPAQBDIFSA-N cholesterol Chemical compound C1C=C2C[C@@H](O)CC[C@]2(C)[C@@H]2[C@@H]1[C@@H]1CC[C@H]([C@H](C)CCCC(C)C)[C@@]1(C)CC2 HVYWMOMLDIMFJA-DPAQBDIFSA-N 0.000 description 2
- DDRJAANPRJIHGJ-UHFFFAOYSA-N creatinine Chemical compound CN1CC(=O)NC1=N DDRJAANPRJIHGJ-UHFFFAOYSA-N 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 208000019622 heart disease Diseases 0.000 description 2
- 238000001990 intravenous administration Methods 0.000 description 2
- 239000011777 magnesium Substances 0.000 description 2
- 229910052749 magnesium Inorganic materials 0.000 description 2
- 210000000056 organ Anatomy 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 229940116269 uric acid Drugs 0.000 description 2
- 102100036475 Alanine aminotransferase 1 Human genes 0.000 description 1
- 108010082126 Alanine transaminase Proteins 0.000 description 1
- 102000002260 Alkaline Phosphatase Human genes 0.000 description 1
- 108020004774 Alkaline Phosphatase Proteins 0.000 description 1
- 239000004382 Amylase Substances 0.000 description 1
- 102000013142 Amylases Human genes 0.000 description 1
- 108010065511 Amylases Proteins 0.000 description 1
- 108010003415 Aspartate Aminotransferases Proteins 0.000 description 1
- 102000004625 Aspartate Aminotransferases Human genes 0.000 description 1
- 208000037403 Blood and lymphatic system disease Diseases 0.000 description 1
- 210000004366 CD4-positive T-lymphocyte Anatomy 0.000 description 1
- 102000008946 Fibrinogen Human genes 0.000 description 1
- 108010049003 Fibrinogen Proteins 0.000 description 1
- DGAQECJNVWCQMB-PUAWFVPOSA-M Ilexoside XXIX Chemical compound C[C@@H]1CC[C@@]2(CC[C@@]3(C(=CC[C@H]4[C@]3(CC[C@@H]5[C@@]4(CC[C@@H](C5(C)C)OS(=O)(=O)[O-])C)C)[C@@H]2[C@]1(C)O)C)C(=O)O[C@H]6[C@@H]([C@H]([C@@H]([C@H](O6)CO)O)O)O.[Na+] DGAQECJNVWCQMB-PUAWFVPOSA-M 0.000 description 1
- ZDXPYRJPNDTMRX-VKHMYHEASA-N L-glutamine Chemical compound OC(=O)[C@@H](N)CCC(N)=O ZDXPYRJPNDTMRX-VKHMYHEASA-N 0.000 description 1
- 206010049694 Left Ventricular Dysfunction Diseases 0.000 description 1
- 102000004882 Lipase Human genes 0.000 description 1
- 108090001060 Lipase Proteins 0.000 description 1
- 239000004367 Lipase Substances 0.000 description 1
- ZLMJMSJWJFRBEC-UHFFFAOYSA-N Potassium Chemical compound [K] ZLMJMSJWJFRBEC-UHFFFAOYSA-N 0.000 description 1
- 102100040160 Rabankyrin-5 Human genes 0.000 description 1
- 101710086049 Rabankyrin-5 Proteins 0.000 description 1
- 235000019418 amylase Nutrition 0.000 description 1
- 238000004820 blood count Methods 0.000 description 1
- 230000000747 cardiac effect Effects 0.000 description 1
- 235000012000 cholesterol Nutrition 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 229940109239 creatinine Drugs 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000003255 drug test Methods 0.000 description 1
- 238000002651 drug therapy Methods 0.000 description 1
- 210000003979 eosinophil Anatomy 0.000 description 1
- 229940012952 fibrinogen Drugs 0.000 description 1
- 108010078430 glutamine phenylacetyltransferase Proteins 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 210000000265 leukocyte Anatomy 0.000 description 1
- 235000019421 lipase Nutrition 0.000 description 1
- 210000004324 lymphatic system Anatomy 0.000 description 1
- 210000004698 lymphocyte Anatomy 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000000440 neutrophil Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002688 persistence Effects 0.000 description 1
- 239000011591 potassium Substances 0.000 description 1
- 229910052700 potassium Inorganic materials 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 210000002966 serum Anatomy 0.000 description 1
- 239000011734 sodium Substances 0.000 description 1
- 229910052708 sodium Inorganic materials 0.000 description 1
- 238000002054 transplantation Methods 0.000 description 1
- UFTFJSFQGQCHQW-UHFFFAOYSA-N triformin Chemical compound O=COCC(OC=O)COC=O UFTFJSFQGQCHQW-UHFFFAOYSA-N 0.000 description 1
- 230000004584 weight gain Effects 0.000 description 1
- 235000019786 weight gain Nutrition 0.000 description 1
- 230000004580 weight loss Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/10—Text processing
- G06F40/12—Use of codes for handling textual entities
- G06F40/149—Adaptation of the text data for streaming purposes, e.g. Efficient XML Interchange [EXI] format
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/10—Text processing
- G06F40/12—Use of codes for handling textual entities
- G06F40/151—Transformation
- G06F40/154—Tree transformation for tree-structured or markup documents, e.g. XSLT, XSL-FO or stylesheets
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/10—Text processing
- G06F40/166—Editing, e.g. inserting or deleting
- G06F40/186—Templates
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/205—Parsing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明实施例提供的一种不良事件等级判定方法、电子设备及存储介质,通过获取标准数据;根据模板规则,将所述标准数据转换成模板数据;从所述模板数据中提取条件对象,建立规则元数据;其中,所述规则元数据包括多个条件对象,以及各个条件对象的关联关系;根据语法规则,将所述规则元数据转换成规则字符流,供解析引擎使用以判断不良事件等级。本发明对标准数据进行分析,使用模板将数据转换成规则元数据形式,最后基于语法规则将规则元数据翻译生成规则字符流,自动生成规则文件,实现规则的快速创建,进而通过规则文件的解析完成不良事件等级判定,有效提高了不良事件等级判定效率。
Description
技术领域
本发明涉及计算机领域,具体涉及一种不良事件等级判定方法、电子设备和存储介质。
背景技术
CTCAE(英文:Common Terminology Criteria for Adverse Events,中文:不良事件通用属于标准)的知识是药物试验中经常用来准确描述与表达药物试验者在服用测试药品后产生的AE(英文:Adverse Events,中文:不良事件)事件。在CTCAE中标识了各种不良事件,每种不良事件对应的等级,以及相应的临床检验指标或者临床现象。医学人员通常需要逐条对比每条不良事件,才能确定相应等级,而CTCAE通常包含几百条数据,而且逻辑关系错综复杂,这样极大影响了不良事件等级的判定效率。
因此,如何提高不良事件等级的判定效率是本领域技术人员亟需解决的技术问题。
发明内容
为了克服现有不良事件等级判定方法效率低的不足,本发明提出了一种不良事件等级判定方法、电子设备和存储介质。
为了实现上述目的,根据本发明的第一方面,本发明实施例提供一种不良事件等级判定方法,该方法包括以下步骤:
获取标准数据;
根据模板规则,将所述标准数据转换成模板数据;
从所述模板数据中提取条件对象,建立规则元数据;其中,所述规则元数据包括多个条件对象,以及各个条件对象的关联关系;
根据语法规则,将所述规则元数据转换成规则字符流,供解析引擎使用以判定不良事件等级。
可选地,当所述标准数据包括不良事件等级对应的临床描述,且所述模板数据包括临床检验指标项、临床描述项时,所述根据模板规则,将所述标准数据转换成模板数据,包括:
当所述临床描述包括临床检验指标时,将所述临床检验指标写入所述临床检验指标项;
从所述临床描述中删除所述临床检验指标;
当所述临床描述中包括参考字符时,将所述参考字符转换成对应的目标字符;所述参考字符包括中文操作符和/或中文数据名称,所述目标字符包括与所述中文操作符对应的数学操作符号和/或与所述中文数据名称对应的标准医学符号;
将更新后的临床描述写入对应的临床描述项。
可选地,当所述标准数据包括不良事件等级对应的临床描述,且所述模板数据包括临床描述项时,根据模板规则,将所述标准数据转换成模板数据,包括:
当不良事件等级对应的临床描述包括临床检验指标时,根据临床描述中数值的个数和/或特殊字符标识,确定模板区间类型;
根据所述模板区间类型,将操作符的关联数值,写入所述模板区间类型对应的临床描述项。
可选地,当模板数据包括临床检验指标项、临床描述项和事件术语项时,从所述模板数据中提取条件对象,建立规则元数据,包括:
当所述临床检验指标项不是空时,根据所述临床描述项的字符长度,确定条件区间类型;
根据所述条件区间类型,提取所述临床描述项的数据,建立单位条件对象和阈值条件对象;
提取事件术语项的数据,建立第一结论条件对象;
建立所述单位条件对象、所述阈值条件对象和所述第一结论条件对象的第一关联关系。
可选地,当模板数据包括临床检验指标项、临床描述项和事件术语项时,所述从所述模板数据中提取条件对象,并建立规则元数据,包括:
当临床检验指标项是空时,复制对应不良事件等级的临床描述项的数据,建立现象条件对象;
提取事件术语项的数据,建立第二结论条件对象;
建立所述现象条件对象和所述第二结论条件对象的第二关联关系。
可选地,所述根据语法规则,将所述规则元数据转换成规则字符流,包括:
根据关联关系,获取对应的条件对象;
将获取到的条件对象,按照语法规则,写入相应的规则语句;
将规则语句按执行顺序组合成所述规则字符流。
根据本发明的第二方面,本发明实施例还提供一种电子设备,该设备包括:
获取模块,用于获取标准数据;
模板数据生成模块,用于根据模板规则,将所述标准数据转换成模板数据;
规则元数据建立模块,用于从所述模板数据中提取条件对象,建立规则元数据;其中,所述规则元数据包括多个条件对象,以及各个条件对象的关联关系;
规则生成模块,用于根据语法规则,将所述规则元数据转换成规则字符流,供解析引擎使用以判定不良事件等级。
可选地,当所述标准数据包括不良事件等级对应的临床描述,且所述模板数据包括临床检验指标项、临床描述项时,所述模板数据生成模块用于,
当所述临床描述包括临床检验指标时,将所述临床检验指标写入所述临床检验指标项;
从所述临床描述中删除所述临床检验指标;
当所述临床描述中包括参考字符时,将所述参考字符转换成对应的目标字符;所述参考字符包括中文操作符和/或中文数据名称,所述目标字符包括与所述中文操作符对应的数学操作符合和/或与所述中文数据名称对应的标准医学符号;
将更新后的临床描述写入对应的临床描述项。
可选地,当所述标准数据包括不良事件等级对应的临床描述,且所述模板数据包括临床描述项时,所述模板数据生成模块用于,
当不良事件等级对应的临床描述包括临床检验指标时,根据临床描述中操作符的个数,确定模板区间类型;
根据所述模板区间类型,将所述操作符的关联数值,写入所述模板区间类型对应的临床描述项。
可选地,当模板数据包括临床检验指标项、临床描述项和事件描述项时,所述规则元数据建立模块用于,
当所述临床检验指标项不是空时,根据所述临床描述项的字符长度,确定条件区间类型;
根据所述条件区间类型,提取所述临床描述项的数据,建立单位条件对象和阈值条件对象;
提取事件描述项的数据,建立第一结论条件对象;
建立所述单位条件对象、所述阈值条件对象和所述第一结论条件对象的第一关联关系。
可选地,当模板数据包括临床检验指标项、临床描述项和事件描述项时,所述规则元数据建立模块用于,
当临床检验指标项是空时,复制对应不良事件等级的临床描述的数据,建立现象条件对象;
提取事件描述项的数据,建立第二结论条件对象;
建立所述现象条件对象和所述第二结论条件对象的第二关联关系。
可选地,所述规则生成模块用于,
根据关联关系,获取对应的条件对象;
将获取到的条件对象,按照语法规则,写入相应的规则语句;
将规则语句按执行顺序组合成规则字符流。
根据本发明的第三方面,本发明实施例还提供一种存储介质,所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现如权利要求1-7任一项所述的不良事件等级判定方法。
如上所述,本发明实施例提供的一种不良事件等级判定方法、电子设备及存储介质,具有以下有益效果:通过对标准数据进行分析,使用模板将数据转换成规则元数据形式,最后基于语法规则将规则元数据翻译生成规则字符流,自动生成规则文件,实现规则的快速创建,进而通过规则文件的解析完成不良事件等级判定,有效提高了不良事件等级判定效率。
附图说明
图1是本发明实施例提供的一种不良事件等级判定方法的流程示意图;
图2是本发明实施例提供的一种模板数据生成方法的流程示意图;
图3是本发明实施例提供的另一种模板数据生成方法的流程示意图;
图4是本发明实施例提供的一种规则元数据建立方法的流程示意图;
图5是本发明实施例提供的另一种规则元数据建立方法的流程示意图;
图6是本发明实施例提供的一种规则字符流生成方法的流程示意图;
图7是本发明实施例提供的一种不良事件等级判定的电子设备的结构示意图;
图8是本发明实施例提供的执行不良事件等级判定方法的电子设备的硬件结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明中的技术方案,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、完整地描述,显然,所描述的实施例仅仅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,都应当属于本发明保护的范围。
请参阅图1至图8。需要说明的是,本实施例中所提供的图示仅以示意方式说明本发明的基本构想,遂图示中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制,其实际实施时各组件的型态、数量及比例可为一种随意的改变,且其组件布局型态也可能更为复杂。
参见图1,是本发明实施例提供的一种不良事件等级判定方法的流程示意图,如图1所示,本发明实施例示出了不良事件等级判定方法的流程。
步骤S101:获取标准数据。
在本发明实施例中,所述标准数据可以为通过药物试验申办方、医院等获得的CTCAE原始文件,CTCEA是出自美国卫生及公共服务部的标准型、国际通用文件。本发明实施例将以CTCAE标准为例对不良事件等级判定过程进行详细描述,当然在具体实施过程中,标准数据还可以从医院或者药物试验方提供的具有固定规则格式的文档,在本发明中不做限定。
在具体实施时,所述标准数据可以包括事件术语,由MedDRA(英文:MedicalDictionary for Regulatory Activities,中文:监管活动医学术语)中主要的SOC(英文:System Organ Class,中文:系统器官分类)组成。在每个SOC里,不良事件被列出并伴随等级的表述,以表征严重程度。
不良事件通常分为5级:
1级:轻度;无症状或轻微;仅为临床或诊断所见;无需治疗。
2级:中度;需要较小、局部或非侵入性治疗;与年龄相当的工具性日常生活活动受限。
3级:严重或者具重要医学意义但不会立即危及生命;导致住院或者延长住院时间;致残;自理性日常生活活动。
4级:危及生命;需要紧急治疗。
5级:死亡(与AE相关的死亡)。
而且,在级别对应的临床描述中使用的分号(;)指“或者”。单个破折号“-”指出等级不存在,标识为空。并非所有的不良事件均包含所有等级。有些不良事件可供选择的级别不到五个。
在标准数据中还可以包括定义和引申注释。其中,定义用于简短地阐明每一不良事件的临床描述。引申注释用来帮助报告者选择一个正确的不良事件(AE),所述注释中可以列出其他应该考虑的不良事件(AE),单个破折号“-”表征为空,指此不良事件(AE)无引申注释。
另外,在标准数据的临床描述中可以包括临床检验指标,也可以只描述临床现象,以实现对不良事件的分级。如下表1和表2所示,以两个具体示例对标准数据进行详细说明。
表1:带有临床检验指标的不良事件示例
如表1所示,所述标准数据包括事件术语“贫血”,属于不良事件SOC“血液和淋巴系统疾病”类别,不良事件分为5级,带有临床检验指标“血红蛋白”。其中,对于分级1,临床描述代表的含义是,如果血红蛋白检测数据处于10.0g/dL和正常值下限之间,或者血红蛋白检测数据介于6.2mmol/L和正常值下限之间,或者血红蛋白检测数据介于100g/L和正常值下限之间,则判定等级为1级。同样地,对于分级2至5代表类似的含义,在本发明实施例中不再赘述。另外,标准数据还包括不良事件定义“100mL血液中的血红蛋白总量降低为特征的疾病。贫血的体征和症状包括:皮肤和粘膜苍白,短促呼吸,心悸,柔和的收缩期杂音,倦怠和易疲劳”;以及,引申注释为空,用“-”标识。
表2:不带有临床检验指标的不良事件示例
如表2所示,所述标准数据包括事件术语“左心室收缩功能不全”,属于不良事件SOC“心脏疾病”类别,不良事件分3级,不带临床检验指标。其中,分级1和分级2均为空,用“-”标识。对于分级3,临床描述代表的含义是,“心脏射血分数降低引起相关的症状,对治疗有反应”,即是对临床现象的描述,同样对于分级4和分级5代表类似的含义,在本发明实施例中不再赘述。而且,所述标准数据还包括不良事件定义“左心室不能产生足够的射血量”,以及引申注释“也考虑检查:左心室射血分数降低”。
另外需要说明的是,如上表1和表2仅是示例性实施例,标准数据的形式不限于以上的描述,而且本发明实施例对标准数据的格式不做限定,可以为PDF、WORD、Excel文档等。在本发明实施例中,标准数据还可以包括不良事件编号,通常每个不良事件对应8位阿拉伯数字代码,当然在具体实施时,编码方式不限于上述描述,只需保证每个不良事件与不良事件代码具有唯一对应关系即可。同样以表1和表2示例为例,不良事件“贫血”的不良事件编号可以为“10002272”,不良事件“左心室收缩功能不全”的不良事件编号可以为“10069501”。
步骤S102:根据模板规则,将所述标准数据转换成模板数据。
由于标准数据具有各种格式,存在不统一的问题,本发明实施例进一步将标准数据按照模板规则,转换成便于解析的模板数据。所述模板数据的格式可以为Excel文档或者数据库等,在本发明实施例中不做限定。
本发明实施例采用模板规则,对标准数据进行处理,参见图2,是本发明实施例提供的一种模板数据生成方法的流程示意图,如图2所示,通过步骤S101得到的标准数据包括不良事件等级对应的临床描述,而且所述模板数据包括临床检验指标项、临床描述项,该方法包括:
步骤S1021:当所述临床描述包括临床检验指标时,将所述临床检验指标写入所述临床检验指标项。
为了判断临床描述中是否含有临床检验指标,在具体实施时,建立临床检验指标集,在本发明实施例中,所述临床检验指标集是“嗜酸性粒细胞”、“最佳矫正视力”、“丙氨酸氨基转移酶”、“碱性磷酸酶”、“天冬氨酸氨基转移酶”、“血胆红素”、“一氧化碳”、“肌酐”、“射血分数”、“纤维蛋白原”、“γ谷氨酰胺转移酶”、“INR”、“体重增加”、“体重降低”、“体温”、“一氧化碳”、“脂肪酶”、“钾”、“血钠浓度”、“血清淀粉酶”、“尿酸”、“CD4阳性淋巴细胞”、“胆固醇”、“淋巴细胞计数”、“中性粒细胞计数”、“血小板计数”、“白细胞计数”、“镁”、“血红蛋白”、“血糖”、“血镁浓度”、“体温”、“尿酸”、“甘油三酯”、“一氧化碳”的集合。需要说明的是,所述临床检验指标集仅是一示例性实施例,在具体实施时本领域技术人员可以根据具体临床检验需要进行更新,例如跟随CTCAE版本升级进行更新等。当然为了保证临床检验指标判断更加准确,在具体实施时,所述临床检验指标集还可以包括上述临床检验指标的同义词、英文或者任何其他同位概念的描述。通过遍历标准数据中的临床描述,如果临床描述包括有所述临床检验指标集中的一个或多个元素,则可以判定所述临床描述包括临床检验指标。
以表1所示的带临床检验指标的不良事件为例,临床描述中含有“血红蛋白”,属于临床检验指标集的元素,因此将临床检验指标“血红蛋白”写入模板数据中的临床检验指标项。
步骤S1022:从所述临床描述中删除所述临床检验指标。
在各个级别的临床描述中,删除临床检验指标。同样对于表1所示的不良事件,将级别1、2、3中的“血红蛋白”删除。以分级1的临床描述为例,删除临床检验指标后,分级1的临床描述变更为“<正常值下限~10.0g/dL;<正常值下限~6.2mmol/L;<正常值下限~100g/L”。
为了进一步方便解析,提高数据分析效率,在本发明实施例中,还可以进一步对临床描述进行处理,将不良事件中的临床描述判定表达式,用空格进行分割,即符号、数字、连字符和单位之间都整理为带有一个空格的表达式。具体地,分级1的“<正常值下限~10.0g/dL”临床描述,加上空格后就可以变更为“<正常值下限~10.0g/dL”。
步骤S1023:当所述临床描述中包括参考字符时,将所述参考字符转换成对应的目标字符。
在具体实施时,临床描述中通常含有中文操作符、中文数据名称等,为了统一成模板数据,本发明实施例建立了中文操作符与数学操作符号,中文数据名称与标准医学符号的对应关系,从而实现了术语标识统一。具体地,可以建立参考字符集,所述参考字符集中包括多个参考字符的组合,例如中文操作符“大于”、中文操作符“大于等于”、以及中文数据名称“正常值上限”、中文数据名称“正常值下限”等。进一步建立目标字符集,所述目标字符集包括多个目标字符,例如数学操作符号“>”、数学操作符号“>=”、以及标准医学符号“ULN”、标准医学符号“LLN”等。进一步建立对应关系,中文操作符“大于”对应数学操作符号“>”,中文操作符“大于等于”对应数学操作符号“>=”,中文数据名称“正常值上限”对应标准医学符号“ULN”,中文数据名称“正常值下限”对应标准医学符号“LLN”。当然上述参考字符、参考字符集、目标字符和目标字符集仅是一示例性实施例,具体的对应关系也可以是一对多、多对一等关系,从而实现临床描述内容的术语统一。
以表1的不良事件为例,分级1对应的临床描述中存在参考字符,即中文数据名称“正常值下限”,中文数据名称“正常值下限”与目标字符的标准医学符号“LLN”对应,从而将“正常值下限”替换成“LLN”,得到更新后的临床描述为“<LLN~10.0g/dL;<LLN~6.2mmol/L;<LLN~100g/L”。
步骤S1024:将更新后的临床描述写入对应临床描述项。
将更新后的临床描述写入模板数据中的对应临床描述项中。
在标准数据中存在特殊格式的情况,为了提高数据分析效率,参见图3,是本发明实施例提供的另一种模板数据生成方法的流程示意图,如图3所示,该方法对特殊格式情况进行处理,包括以下步骤:
步骤S1025:根据临床描述中数值的个数和/或特殊字符标识,确定模板区间类型。
在一示例性实施例中,标准数据的不良事件“酸中毒”分级1的临床描述是,“pH<正常值,但>=7.3”。不良事件“低体温”分级1的临床描述是,“32->28℃”。
在第一种实施情况下,不良事件“酸中毒”分级1的临床描述中包括“正常值”和“7.3”2个数值,由数值的个数确定模板区间类型为闭区间型,所述闭区间型指对应的临床检验指标在介于两个阈值之间。当然,所述模板区间类型还可以包括开区间类型,是指对应的临床检验指标大于或大于等于阈值,或者,小于或小于等于阈值,其判定条件可以为数值个数为1个。
在第二种实施情况下,不良事件“低体温”分级1的临床描述中包括“->”特殊字符标识,可以通过特殊标识符与模板区间类型的对应关系,确定不良事件的模板区间类型。在本发明实施例中,“->”与闭区间型对应,因此同样确定模板区间类型为闭区间型。
当然在具体实施时,还可以通过数值的个数和特殊字符标识的结合来确定模板区间类型,从而提高准确性。对于不良事件“低体温”,在临床描述中包括2个数值,即“32”和“28”,而且“->”属于特殊字符标识,从而确定模板区间类型为闭区间类型。
当然上述数值个数和特殊字符标识与模板区间类型的对应关系只是示例性的,在具体实施时可以标准数据的基本格式确定相应的对应关系,在本发明实施例中不再赘述。
步骤S1026:根据所述模板区间类型,将操作符的关联数据,写入所述模板区间类型对应临床描述项。
对于不良事件“酸中毒”,模板区间类型为闭区间型,操作符“<”的关联数据为“正常值”,操作符“>=”的关联数据为“7.3”,按照闭区间型对应的格式“<=阈值上限~阈值下限单位”的格式,将相应的关联数据填入就可以得到临床描述项“<=正常值~7.3PH”,代表的含义是“7.3<=临床检验数值<=正常值”。
为了保证数据完整性,在本发明实施例中,还可以从标准数据中获取更多的数据信息,整理成统一格式。在上述步骤的基础上还可以进一步从标准数据中获取不良事件编号、不良事件SOC、不良事件定义、引申注释等,相应地将对应数据填入,模板数据的不良事件编号项、不良事件SOC项、不良事件定义项、引申注释项等。
基于表1的不良事件标准数据,经过转换调整后的模板数据可以为:
不良事件编号:10002272
不良事件SOC:血液和淋巴系统疾病
事件术语:贫血
临床检验指标:“血红蛋白”;
临床描述:Grade1:“<LLN~10.0g/dL;<LLN~6.2mmol/L;<LLN~100g/L”;Grade2:“<10.0~8.0g/dL;<6.2~4.9mmol/L;<100~80g/L”;Grade3:“<8.0g/dL;<4.9mmol/L;<80g/L;需要输血治疗”;Grade4:危及生命:需要紧急治疗;Grade5:死亡
不良事件定义:100mL血液中的血红蛋白总量降低为特征的疾病。贫血的体征和症状包括:皮肤和粘膜苍白,短促呼吸,心悸,柔和的收缩期杂音,倦怠和易疲劳。
引申注释:“-”。
对于不良事件临床描述中不包括临床检验指标的情况,临床描述均是临床现象,获取相应的标准数据相应条目,基于表2的示例,经过转换调整后的模板数据可以为:
不良事件编号:10069501
不良事件SOC:心脏疾病
事件术语:左心室收缩功能不全
临床检验指标:“-”
临床描述:Grade1:“-”;Grade2:“-”;Grade3:心脏射血分数降低引起相关的症状,对治疗有反应;Grade4:射血分数降低引起的难治性或不易控制的心力衰竭;需要心室辅助装置,静脉注射升压药物治疗或心脏移植;Grade5:死亡
不良事件定义:左心室不能产生足够的射血量
引申注释:也考虑检查:左心室射血分数降低
在存储形式上,第一种实现方式包括,模板数据可以为Excel表格或者XML文档等,这样模板数据中的各项可以分门别类的进行存储,从而提高数据解析效率。第二种实现方式包括,将模板数据存储于数据库中,建立不良事件编号、不良事件SOC、事件术语、临床检验指标、事件术语、临床描述、不良事件定义、引申注释的数据表单,从而为数据分析建立基础数据。
步骤S103:从所述模板数据中提取条件对象,建立规则元数据。
将上述步骤中生成的模板数据进一步规则持久化,通过统一的数据结构实现决策树。所述规则元数据包括多个条件对象,而且各个条件对象之间具有关联关系,各个条件对象相互关联从而形成判定的决策树。
具体地,可以将每个不良事件的判定,单独作为一棵决策树存在。将每个不良事件的“定义”与“引申注释”(Navigational Note)作为这棵决策树的根节点。每一个级别(G1,G2,G3,G4,G5)作为这个决策判定树的一个叶子节点(启发式规则的后件)。每一个级别(G1,G2,G3,G4,G5)的判定条件作为中间节点,由判定条件组成的路径为一条启发式规则的前件。每一个级别(G1,G2,G3,G4,G5)中不带有“临床检验指标”的条件作为一种临床现象描述对象单独存储起来。
为了便于说明本发明实施例中的规则元数据,以Java对象为例,在具体实施时,可以使用其他对象以及数据库表的方式,在本发明实施例中不做限定。具体地,该规则元素对象可以定义为“public class PrecedentConsequent”,其中的字段可以包括“PattenOrResult”用于说明该对象是条件或者结论;“PattenType”用于定义不同的条件对象,比如可以定义01代表定义条件对象,02代表阈值条件对象,03代表指标条件对象,04代表单位条件对象,05代表现象条件对象,06代表结论条件对象等;“IsClinicalExamination”定义是否包括临床检验指标,例如1代表是,0代表否;“ClinicalExaminationId”定义临床检验指标名称;“LowerOperation”定义下限操作符,“LowerRangeValue”定义下限值;“UpOperatgion”定义上限操作符,“UpRangeValue”定义上限值;“UomId”定位单位;“GradeValue”定义等级信息,“GradeDescription”定义等级描述;“ObservationId”定义现象描述。当然,在具体实施时,数据使用方便,还可以定义其他类型的对象,包括决策树对象,涵盖具体的不良事件编码、是否带有成人儿童等信息;决策规则路径对象,为每一条路径用一组通用唯一识别码标识等,在本发明实施例中不再赘述。
在第一种实施情况下,对于模板数据中临床检验指标项不为空的情况,参见图4,是本发明实施例提供的一种规则元数据建立方法的流程示意图,如图4所示,该方法包括:
步骤S1031:根据所述临床描述项的字符长度,确定条件区间类型。
对于通过步骤S102获得的不良事件“贫血”的模板数据,其中“Grade1”的临床描述项为“<LLN~10.0g/dL”,进一步判断该临床描述项的字符长度为“5”,即包括“<”、“LLN”、“~”、“10.0”和“g/dL”共5个非空格的字符,从而确定“Grade1”中的一个判定条件的条件区间类型为闭区间型。
同样地,对于“Grade3”的临床描述项为“<4.9mmol/L”,其临床描述项的字符长度为“3”,即包括“<”、“4.9”和“mmol/L”共3个非空格的字符,从而确定“Grade3”中的一个判定条件的条件区间类型为开区间型。
步骤S1032:根据所述条件区间类型,提取所述临床描述项的数据,建立单位条件对象和阈值条件对象。
对于闭区间型,可以根据上述定义的规则,建立单位条件对象UPC0:PrecedentConsequent(PattenOrResult:"P";PattenType:"04";IsClinicalExamination:"1";Uo m:"g/dL";LowerOperation:"=";LowerRangeValue:"Y"),用于标识该临床检验指标的单位为“g/dL”。
同样从临床描述项中提取相应的上限操作符、上限值、下限操作符、下限值,建立阈值条件对象TPC0:
PrecedentConsequent(PattenOrResult:"P";PattenType:"02";IsClinicalExamination:"1";ClinicalExamination:"血红蛋白";LowerOperation:">";LowerRangeValue:"10.0";
UpOperatgion:"<";UpRangeValue:LLN),用于标识该临床检验指标的判定条件。
对应开区间型,建立单位条件对象UPC1:PrecedentConsequent(PattenOrResult:"P";PattenType:"04";IsClinicalExamination:"1";Uo m:"mmol/L";LowerOperation:"=";LowerRangeValue:"Y"),用于标识该临床检验指标的单位为“mmol/L”。同样从临床描述项中提取相应的上限操作符、上限值,建立阈值条件对象TPC1:
PrecedentConsequent(PattenOrResult:"P";PattenType:"02";IsClinicalExamination:"1";ClinicalExamination:"血红蛋白";UPOperation:"<";UPRangeValue:"4.9"),用于标识该临床检验指标的判定条件。
步骤S1033:提取事件术语项的数据,建立第一结论条件对象。
根据上述步骤的实例,进一步从事件术语项中提取等级和事件术语数据,建立第一结论条件对象。
对于闭区间型的上述示例,提取事件术语项中的等级“G1”和事件术语“贫血”,建立第一结论条件对象RG00:
PrecedentConsequent(PattenOrResult:"C";GradeValue:"G1";
GradeDescription:"贫血";IsClinicalExamination:"1"),标识对应不良事件等级“G1”和不良事件“贫血”。
对于开区间型的上述示例,提取事件术语项中的等级“G3”和事件术语“贫血”,建立第一结论条件对象RG01:
PrecedentConsequent(PattenOrResult:"C";GradeValue:"G3";
GradeDescription:"贫血";IsClinicalExamination:"1"),标识对应不良事件等级“G3”和不良事件“贫血”。
步骤S1034:建立所述单位条件对象、所述阈值条件对象和所述第一结论条件对象的第一关联关系。
将单位条件对象、阈值条件对象和第一结论条件对象建立起关联关系,从而形成完整的判断规则。同样以上述示例为例,可以建立起UPC0、TPC0、RG00的关联关系,以及UPC1、TPC1、RG01的关联关系,形成两条判断规则。
需要说明的是,而且基于上述规则树的描述,还可以建立定义条件对象,即提取相应的不良事件定义,建立PC00:
PrecedentConsequent(PattenOrResult:"P";PattenType:"01";IsClinicalExamination:"1";ClinicalPhenomenon:"100mL血液中的血红蛋白总量降低为特征的疾病。贫血的体征和症状包括:皮肤和粘膜苍白,短促呼吸,心悸,柔和的收缩期杂音,倦怠和易疲劳。";LowerOperation:"=";LowerRangeValue:"Y"),用于标识不良事件贫血的定义,作为不良事件“贫血”决策树的根节点。从而建立起定义条件对象、单位条件对象、阈值条件对象和第一结论条件对象的关联关系,即形成PC00、UPC0、TPC0、RG00,以及PC00、UPC1、TPC1、RG01的关联关系,组件两条判断规则。
这样,通过遍历所有等级的临床描述,对于每个不良事件可以建立多条判断规则,形成决策树。
在第二种实施情况下,对于模板数据中临床检验指标项为空的情况,参见图5,是本发明实施例提供的另一种规则元数据建立方法的流程示意图,如图5所示,该方法包括:
步骤S1035:复制对应不良事件等级的临床描述项的数据,建立现象条件对象。
以不良事件“左心室收缩功能不全”为例,由于G1和G2的临床描述项数据为空,从分级3开始直到分级5,为每个分级建立相应的现象条件对象。复制G3对应的临床描述项中的数据,建立G3对应的现象条件对象OP03:PrecedentConsequent(PattenOrResult:"P";PattenType:"05";IsClinicalExamination:"0";
Observation:"心脏射血分数降低引起相关的症状,对治疗有反应。";LowerOperation:"=";LowerRangeValue:"Y"),标识G3对应的临床现象为“心脏射血分数降低引起相关的症状,对治疗有反应”。
同样,对于G4建立相应的现象条件对象OP04:
PrecedentConsequent(PattenOrResult:"P";PattenType:"05";IsClinicalExamination:"0";Observation:"射血分数降低引起的难治性或不易控制的心力衰竭;需要心室辅助装置,静脉注射升压药物治疗或心脏移植。";LowerOperation:"=";LowerRangeValue:"Y")。
对于G5建立相应的现象条件对象OP05:
PrecedentConsequent(PattenOrResult:"P";PattenType:"05";IsClinicalExamination:"0";Observation:"死亡";LowerOperation:"=";LowerRangeValue:"Y")。
步骤S1036:提取事件术语项的数据,建立第二结论条件对象。
提取事件术语项的数据“左心室收缩功能不全”,建立G3、G4和G5分别对应的第二结论条件对象:
G3对应的第二结论条件对象RG03:
PrecedentConsequent(PattenOrResult:"C";GradeValue:"G3;GradeDescription:"左心室收缩功能不全")。
G4对应的第二结论条件对象RG04:
PrecedentConsequent(PattenOrResult:"C";GradeValue:"G4;GradeDescription:"左心室收缩功能不全")。
G5对应的第二结论条件对象RG05:
PrecedentConsequent(PattenOrResult:"C";GradeValue:"G5;GradeDescription:"左心室收缩功能不全")。
步骤S1037:建立所述现象条件对象和所述第二结论条件对象的第二关联关系。
由于现象条件对象OP03和第二结论条件对象RG03构成一条规则,则OP03与RG03相关联。同样的建立OP04和RG04的关联关系,以及OP05和RG05关联关系。
另外,在具体实施时,还可以将不良事件“左心室收缩功能不全”的定义条件对象作为决策树的根节点。从不良事件定义项中提取数据,建立定义条件对象PC00:
PrecedentConsequent(PattenOrResult:"P";PattenType:"01";IsClinicalExamination:"0";ClinicalPhenomenon:"左心室不能产生足够的射血量。";LowerOperation:"=";LowerRangeValue:"Y")。
进一步建立PC00与OP03、RG03的关联关系,PC00与OP04、RG04的关联关系,以及PC00与OP05、RG05的关联关系,形成决策树。
另外,由于检验项目复杂,存在主流仪器、试剂、人群性别、年龄和民族差异,在具体实施时,还可以在标准数据、模板数据以及条件对象中加入主流仪器、试剂、人群性别、年龄和民族数据信息,进一步建立每个关联关系与主流仪器、试剂、人群姓名、年龄和民族数据信息的对应关系,这样在对不良事件进行等级判定时,可以统计每个对应关系的判定使用次数,从而提高相应对应关系的权重,实现等级判定的高精确性。
步骤S104:根据语法规则,将所述规则元数据转换成规则字符流。
利用步骤S103建立起来的条件对象,以及条件对象关联关系构成的决策树,从而实现决策树转化为“启发式”规则,方便解析引擎将规则源数据转换成可以识别的规则文本。
参见图6,是本发明实施例提供的一种规则字符流生成方法的流程示意图,如图6所示,该方法包括:
步骤S1041:根据关联关系,获取对应的条件对象。
从上述步骤中,可以获得对于不良事件“贫血”的1条关联关系,包括定义条件对象PC00、单位条件对象UPC0、阈值条件对象TPC0和第一结论条件对象RG00。
步骤S1042:将获取到的条件对象的数据,按照语法规则,写入相应的规则语句。
按照语法规则,提取PC00、UPC0和TPC0中的数据写入“when”对应的规则语句,各个条件对象对应的规则语句用and隔开。
when
$precedentConsequent_PC00:
PrecedentConsequent(pattenOrResult==“P”&&pattenType==“01”&&
currentValue==“100mL血液中的血红蛋白总量降低为特征的疾病。贫血的体征和症状包括:皮肤和粘膜苍白,短促呼吸,心悸,柔和的收缩期杂音,倦怠和易疲劳”)and
$precedentConsequent_UPC0:
PrecedentConsequent(PattenOrResult="P"&&PattenType=="04",currentValue=="g/dL")and
$precedentConsequent_TPC0:
PrecedentConsequent(pattenOrResult==“P”&&pattenType==“02”&¤tValue>10.0&¤tValue<=$LLN)
提取RG00中的数据写入“then”对应的规则语句
then
$decisionTreeResult.setGrade(“G1”);
$decisionTreeResult.setResult(“贫血”);
end
步骤S1043:将规则语句按照执行顺序组合成所述规则字符流。
将以上步骤中建立的规则语句,按照when到then的执行顺序,组成“IFPC00andUPC0 and TPC0 THEN RG00”的规则字符流。
当然需要说明的是,在具体构建规则字符流的过程中,还可以根据具体的语法建立相应的模板,从条件对象中提取对应数据填入对应位置。上述实施例也仅是一示例性实施例,具体的规则还可以为C、JAVA等其他计算机语言的语法规则。
由上述实施例的描述可见,本发明实施例提供的一种不良事件等级判定方法,包括获取标准数据;根据模板规则,将所述标准数据转换成模板数据;从所述模板数据中提取条件对象,建立规则元数据;其中,所述规则元数据包括多个条件对象,以及各个条件对象的关联关系;根据语法规则,将所述规则元数据转换成规则字符流,供解析引擎使用以判断不良事件等级。本发明对标准数据进行分析,使用模板将数据转换成规则元数据形式,最后基于语法规则将规则元数据翻译生成规则字符流,自动生成规则文件,实现规则的快速创建,进而通过规则文件的解析完成不良事件等级判定,有效提高了不良事件等级判定效率。
通过以上的方法实施例的描述,所属领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:只读存储器(ROM)、随机存取存储器(RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
本发明实施例提供了一种非易失性计算机存储介质,所述计算机存储介质存储有计算机可执行指令,该计算机可执行指令可执行上述任意方法实施例中的不良事件等级判定方法。
与本发明提供的不良事件等级判定方法实施例相对应,本发明还提供了一种不良事件等级判定的电子设备。
参见图7,是本发明实施例提供的一种不良事件等级判定的电子设备的结构示意图,如图所示,该设备包括:
获取模块11,用于获取标准数据;
模板数据生成模块12,用于根据模板规则,将所述标准数据转换成模板数据;
规则元数据建立模块13,用于从所述模板数据中提取条件对象,建立规则元数据;其中,所述规则元数据包括多个条件对象,以及各个条件对象的关联关系;
规则生成模块14,用于根据语法规则,将所述规则元数据转换成规则字符流,供解析引擎使用以判定不良事件等级。
可选地,当所述标准数据包括不良事件等级对应的临床描述,且所述模板数据包括临床检验指标项、临床描述项时,所述模板数据生成模块12还用于,
当所述临床描述包括临床检验指标时,将所述临床检验指标写入所述临床检验指标项;
从所述临床描述中删除所述临床检验指标;
当所述临床描述中包括参考字符时,将所述参考字符转换成对应的目标字符;所述参考字符包括中文操作符和/或中文数据名称,所述目标字符包括与所述中文操作符对应的数学操作符合和/或与所述中文数据名称对应的标准医学符号;
将更新后的临床描述写入对应的临床描述项。
可选地,当所述标准数据包括不良事件等级对应的临床描述,且所述模板数据包括临床描述项时,所述模板数据生成模块12还用于,
当不良事件等级对应的临床描述包括临床检验指标时,根据临床描述中操作符的个数,确定模板区间类型;
根据所述模板区间类型,将所述操作符的关联数值,写入所述模板区间类型对应的临床描述项。
可选地,当模板数据包括临床检验指标项、临床描述项和事件描述项时,所述规则元数据建立模块13还用于,
当所述临床检验指标项不是空时,根据所述临床描述项的字符长度,确定条件区间类型;
根据所述条件区间类型,提取所述临床描述项的数据,建立单位条件对象和阈值条件对象;
提取事件描述项的数据,建立第一结论条件对象;
建立所述单位条件对象、所述阈值条件对象和所述第一结论条件对象的第一关联关系。
可选地,当模板数据包括临床检验指标项、临床描述项和事件描述项时,所述规则元数据建立模块13还用于,
当临床检验指标项是空时,复制对应不良事件等级的临床描述的数据,建立现象条件对象;
提取事件描述项的数据,建立第二结论条件对象;
建立所述现象条件对象和所述第二结论条件对象的第二关联关系。
可选地,所述规则生成模块14还用于,
根据关联关系,获取对应的条件对象;
将获取到的条件对象,按照语法规则,写入相应的规则语句;
将规则语句按执行顺序组合成规则字符流。
图8是本发明实施例提供的执行不良事件等级判定方法的电子设备的硬件结构示意图,如图8所示,该设备包括:
一个或多个处理器810以及存储器820,图8中以一个处理器810为例。
执行不良事件等级判定方法的设备还可以包括:输入装置830和输出装置840。
处理器810、存储器820、输入装置830和输出装置840可以通过总线或者其他方式连接,图8中以通过总线连接为例。
存储器820作为一种非易失性计算机可读存储介质,可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块,如本发明实施例中的不良事件判定方法对应的程序指令/模块(例如,附图7所示的获取模块11、模板数据生成模块12、规则元数据建立模块13和规则生成模块14)。处理器810通过运行存储在存储器820中的非易失性软件程序、指令以及模块,从而执行服务器的各种功能应用以及数据处理,即实现上述方法实施例不良事件的判定方法。
存储器820可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储根据列表项操作的处理装置的使用所创建的数据等。此外,存储器820可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中,存储器820可选包括相对于处理器810远程设置的存储器,这些远程存储器可以通过网络连接至列表项操作的处理装置。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置830可接收输入的数字或字符信息,以及产生与列表项操作的处理装置的用户设置以及功能控制有关的键信号输入。输出装置840可包括显示屏等显示设备。
所述一个或者多个模块存储在所述存储器820中,当被所述一个或者多个处理器810执行时,执行上述任意方法实施例中的不良事件的判定方法。
上述产品可执行本发明实施例所提供的方法,具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节,可参见本发明实施例所提供的方法。
本发明实施例的电子设备以多种形式存在,包括但不限于:
(1)移动通信设备:这类设备的特点是具备移动通信功能,并且以提供话音、数据通信为主要目标。这类终端包括:智能手机(例如iPhone)、多媒体手机、功能性手机,以及低端手机等。
(2)超移动个人计算机设备:这类设备属于个人计算机的范畴,有计算和处理功能,一般也具备移动上网特性。这类终端包括:PDA、MID和UMPC设备等,例如iPad。
(3)便携式娱乐设备:这类设备可以显示和播放多媒体内容。该类设备包括:音频、视频播放器(例如iPod),掌上游戏机,电子书,以及智能玩具和便携式车载导航设备。
(4)服务器:提供计算服务的设备,服务器的构成包括处理器、硬盘、内存、系统总线等,服务器和通用的计算机架构类似,但是由于需要提供高可靠的服务,因此在处理能力、稳定性、可靠性、安全性、可扩展性、可管理性等方面要求较高。
(5)其他具有数据交互功能的电子装置。
以上所描述的装置实施例仅仅是示意性的,其中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模块来实现本实施例方案的目的
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置或系统实施例而言,由于其基本相似于方法实施例,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。以上所描述的装置及系统实施例仅仅是示意性的,其中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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
需要说明的是,在本文中,诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅是本发明的具体实施方式,使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (13)
1.一种不良事件等级判定方法,其特征在于,包括:
获取标准数据;
根据模板规则,将所述标准数据转换成模板数据;
从所述模板数据中提取条件对象,建立规则元数据;其中,所述规则元数据包括多个条件对象,以及各个条件对象的关联关系;
根据语法规则,将所述规则元数据转换成规则字符流,供解析引擎使用以判定不良事件等级。
2.根据权利要求1所述的不良事件等级判定方法,其特征在于,当所述标准数据包括不良事件等级对应的临床描述,且所述模板数据包括临床检验指标项、临床描述项时,所述根据模板规则,将所述标准数据转换成模板数据,包括:
当所述临床描述包括临床检验指标时,将所述临床检验指标写入所述临床检验指标项;
从所述临床描述中删除所述临床检验指标;
当所述临床描述中包括参考字符时,将所述参考字符转换成对应的目标字符;所述参考字符包括中文操作符和/或中文数据名称,所述目标字符包括与所述中文操作符对应的数学操作符号和/或与所述中文数据名称对应的标准医学符号;
将更新后的临床描述写入对应的临床描述项。
3.根据权利要求1所述的不良事件等级判定方法,其特征在于,当所述标准数据包括不良事件等级对应的临床描述,且所述模板数据包括临床描述项时,根据模板规则,将所述标准数据转换成模板数据,包括:
当不良事件等级对应的临床描述包括临床检验指标时,根据临床描述中数值的个数和/或特殊字符标识,确定模板区间类型;
根据所述模板区间类型,将操作符的关联数值,写入所述模板区间类型对应的临床描述项。
4.根据权利要求1所述的不良事件等级判定方法,其特征在于,当模板数据包括临床检验指标项、临床描述项和事件术语项时,从所述模板数据中提取条件对象,建立规则元数据,包括:
当所述临床检验指标项不是空时,根据所述临床描述项的字符长度,确定条件区间类型;
根据所述条件区间类型,提取所述临床描述项的数据,建立单位条件对象和阈值条件对象;
提取事件术语项的数据,建立第一结论条件对象;
建立所述单位条件对象、所述阈值条件对象和所述第一结论条件对象的第一关联关系。
5.根据权利要求1所述的不良事件等级判定方法,其特征在于,当模板数据包括临床检验指标项、临床描述项和事件术语项时,所述从所述模板数据中提取条件对象,并建立规则元数据,包括:
当临床检验指标项是空时,复制对应不良事件等级的临床描述项的数据,建立现象条件对象;
提取事件术语项的数据,建立第二结论条件对象;
建立所述现象条件对象和所述第二结论条件对象的第二关联关系。
6.根据权利要求1所述的不良事件等级判定方法,其特征在于,所述根据语法规则,将所述规则元数据转换成规则字符流,包括:
根据关联关系,获取对应的条件对象;
将获取到的条件对象,按照语法规则,写入相应的规则语句;
将规则语句按执行顺序组合成所述规则字符流。
7.一种电子设备,其特征在于,包括:
获取模块,用于获取标准数据;
模板数据生成模块,用于根据模板规则,将所述标准数据转换成模板数据;
规则元数据建立模块,用于从所述模板数据中提取条件对象,建立规则元数据;其中,所述规则元数据包括多个条件对象,以及各个条件对象的关联关系;
规则生成模块,用于根据语法规则,将所述规则元数据转换成规则字符流,供解析引擎使用以判定不良事件等级。
8.根据权利要求7所述的电子设备,其特征在于,当所述标准数据包括不良事件等级对应的临床描述,且所述模板数据包括临床检验指标项、临床描述项时,所述模板数据生成模块用于,
当所述临床描述包括临床检验指标时,将所述临床检验指标写入所述临床检验指标项;
从所述临床描述中删除所述临床检验指标;
当所述临床描述中包括参考字符时,将所述参考字符转换成对应的目标字符;所述参考字符包括中文操作符和/或中文数据名称,所述目标字符包括与所述中文操作符对应的数学操作符合和/或与所述中文数据名称对应的标准医学符号;
将更新后的临床描述写入对应的临床描述项。
9.根据权利要求7所述的电子设备,其特征在于,当所述标准数据包括不良事件等级对应的临床描述,且所述模板数据包括临床描述项时,所述模板数据生成模块用于,
当不良事件等级对应的临床描述包括临床检验指标时,根据临床描述中操作符的个数,确定模板区间类型;
根据所述模板区间类型,将所述操作符的关联数值,写入所述模板区间类型对应的临床描述项。
10.根据权利要求7所述的电子设备,其特征在于,当模板数据包括临床检验指标项、临床描述项和事件描述项时,所述规则元数据建立模块用于,
当所述临床检验指标项不是空时,根据所述临床描述项的字符长度,确定条件区间类型;
根据所述条件区间类型,提取所述临床描述项的数据,建立单位条件对象和阈值条件对象;
提取事件描述项的数据,建立第一结论条件对象;
建立所述单位条件对象、所述阈值条件对象和所述第一结论条件对象的第一关联关系。
11.根据权利要求7所述的电子设备,其特征在于,当模板数据包括临床检验指标项、临床描述项和事件描述项时,所述规则元数据建立模块用于,
当临床检验指标项是空时,复制对应不良事件等级的临床描述的数据,建立现象条件对象;
提取事件描述项的数据,建立第二结论条件对象;
建立所述现象条件对象和所述第二结论条件对象的第二关联关系。
12.根据权利要求7所述的电子设备,其特征在于,所述规则生成模块用于,
根据关联关系,获取对应的条件对象;
将获取到的条件对象,按照语法规则,写入相应的规则语句;
将规则语句按执行顺序组合成规则字符流。
13.一种存储介质,其特征在于,所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现如权利要求1-7任一项所述的不良事件等级判定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311027959.XA CN117077625B (zh) | 2023-08-15 | 2023-08-15 | 一种不良事件等级判定方法、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311027959.XA CN117077625B (zh) | 2023-08-15 | 2023-08-15 | 一种不良事件等级判定方法、电子设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117077625A true CN117077625A (zh) | 2023-11-17 |
CN117077625B CN117077625B (zh) | 2024-05-14 |
Family
ID=88709073
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311027959.XA Active CN117077625B (zh) | 2023-08-15 | 2023-08-15 | 一种不良事件等级判定方法、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117077625B (zh) |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1701343A (zh) * | 2002-09-20 | 2005-11-23 | 德克萨斯大学董事会 | 用于信息发现以及关联分析的计算机程序产品、系统以及方法 |
CN101739390A (zh) * | 2008-11-17 | 2010-06-16 | 埃森哲环球服务有限公司 | 基于技术设计文档的数据转换 |
CN104769635A (zh) * | 2012-10-31 | 2015-07-08 | 甲骨文国际公司 | 可互操作的病例系列系统 |
FR3017624A1 (fr) * | 2014-02-17 | 2015-08-21 | Univ Claude Bernard Lyon | Methode predictive pour caracteriser la radiosensibilite et la reaction tissulaire d'un patient envers un rayonnement ionisant therapeutique |
AU2015216822A1 (en) * | 2014-02-17 | 2016-09-01 | Centre Leon Berard | Predictive method of characterizing the radiosensitivity and tissular reaction of a patient to therapeutic ionizing radiation |
CN105976291A (zh) * | 2016-05-30 | 2016-09-28 | 镇江市第人民医院 | 一种医院不良事件上报处理系统及方法 |
CN108062978A (zh) * | 2017-12-06 | 2018-05-22 | 浙江大学 | 一种急性冠状动脉综合征患者的主要不良心血管事件预测方法 |
CN109657158A (zh) * | 2018-11-29 | 2019-04-19 | 山西大学 | 一种基于社交网络数据的药品不良事件信息提取方法 |
CN109767817A (zh) * | 2019-01-16 | 2019-05-17 | 南通大学 | 一种基于神经网络语言模型的药物潜在不良反应发现方法 |
CN111145848A (zh) * | 2019-12-31 | 2020-05-12 | 天津开心生活科技有限公司 | 临床试验中的不良反应事件检测方法、装置、介质与设备 |
CN111695835A (zh) * | 2020-06-23 | 2020-09-22 | 上海用正医药科技有限公司 | 用于评估临床试验风险的方法 |
CN111949541A (zh) * | 2020-08-14 | 2020-11-17 | 中国工商银行股份有限公司 | 多源数据库语句检查方法及装置 |
CN114091702A (zh) * | 2021-11-24 | 2022-02-25 | 广东电网有限责任公司 | 一种事件监测方法、装置、电子设备及存储介质 |
CN115116595A (zh) * | 2022-06-29 | 2022-09-27 | 南方医科大学南方医院 | 一种医疗不良事件分析系统、方法、设备及存储介质 |
CN115807084A (zh) * | 2022-09-13 | 2023-03-17 | 南方医科大学南方医院 | 一种用于预测肿瘤免疫检查点阻断治疗不良事件的生物标志物及其应用 |
-
2023
- 2023-08-15 CN CN202311027959.XA patent/CN117077625B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1701343A (zh) * | 2002-09-20 | 2005-11-23 | 德克萨斯大学董事会 | 用于信息发现以及关联分析的计算机程序产品、系统以及方法 |
CN101739390A (zh) * | 2008-11-17 | 2010-06-16 | 埃森哲环球服务有限公司 | 基于技术设计文档的数据转换 |
CN104769635A (zh) * | 2012-10-31 | 2015-07-08 | 甲骨文国际公司 | 可互操作的病例系列系统 |
FR3017624A1 (fr) * | 2014-02-17 | 2015-08-21 | Univ Claude Bernard Lyon | Methode predictive pour caracteriser la radiosensibilite et la reaction tissulaire d'un patient envers un rayonnement ionisant therapeutique |
AU2015216822A1 (en) * | 2014-02-17 | 2016-09-01 | Centre Leon Berard | Predictive method of characterizing the radiosensitivity and tissular reaction of a patient to therapeutic ionizing radiation |
CN105976291A (zh) * | 2016-05-30 | 2016-09-28 | 镇江市第人民医院 | 一种医院不良事件上报处理系统及方法 |
CN108062978A (zh) * | 2017-12-06 | 2018-05-22 | 浙江大学 | 一种急性冠状动脉综合征患者的主要不良心血管事件预测方法 |
CN109657158A (zh) * | 2018-11-29 | 2019-04-19 | 山西大学 | 一种基于社交网络数据的药品不良事件信息提取方法 |
CN109767817A (zh) * | 2019-01-16 | 2019-05-17 | 南通大学 | 一种基于神经网络语言模型的药物潜在不良反应发现方法 |
CN111145848A (zh) * | 2019-12-31 | 2020-05-12 | 天津开心生活科技有限公司 | 临床试验中的不良反应事件检测方法、装置、介质与设备 |
CN111695835A (zh) * | 2020-06-23 | 2020-09-22 | 上海用正医药科技有限公司 | 用于评估临床试验风险的方法 |
CN111949541A (zh) * | 2020-08-14 | 2020-11-17 | 中国工商银行股份有限公司 | 多源数据库语句检查方法及装置 |
CN114091702A (zh) * | 2021-11-24 | 2022-02-25 | 广东电网有限责任公司 | 一种事件监测方法、装置、电子设备及存储介质 |
CN115116595A (zh) * | 2022-06-29 | 2022-09-27 | 南方医科大学南方医院 | 一种医疗不良事件分析系统、方法、设备及存储介质 |
CN115807084A (zh) * | 2022-09-13 | 2023-03-17 | 南方医科大学南方医院 | 一种用于预测肿瘤免疫检查点阻断治疗不良事件的生物标志物及其应用 |
Also Published As
Publication number | Publication date |
---|---|
CN117077625B (zh) | 2024-05-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108027823B (zh) | 信息处理装置、信息处理方法以及计算机可读取的存储介质 | |
Culpeper | Keyness: Words, parts-of-speech and semantic categories in the character-talk of Shakespeare’s Romeo and Juliet | |
US10409848B2 (en) | Text mining system, text mining method, and program | |
Ball et al. | TextHunter–a user friendly tool for extracting generic concepts from free text in clinical research | |
Clark et al. | MITRE system for clinical assertion status classification | |
CN112541066B (zh) | 基于文本结构化的医技报告检测方法及相关设备 | |
US11537788B2 (en) | Methods, systems, and storage media for automatically identifying relevant chemical compounds in patent documents | |
CN112562807B (zh) | 医疗数据分析方法、装置、设备、存储介质和程序产品 | |
CN111090641A (zh) | 数据处理方法及装置、电子设备、存储介质 | |
CN111564223A (zh) | 传染病生存概率的预测方法、预测模型的训练方法及装置 | |
Dauda et al. | Ancestry: How researchers use it and what they mean by it | |
JP2017134694A (ja) | 属性付与制御プログラム、情報処理装置および属性付与制御方法 | |
Zweigenbaum et al. | Multiple Methods for Multi-class, Multi-label ICD-10 Coding of Multi-granularity, Multilingual Death Certificates. | |
Kano et al. | U-Compare bio-event meta-service: compatible BioNLP event extraction services | |
CN112071431B (zh) | 基于深度学习和知识图谱的临床路径自动生成方法及系统 | |
CN117077625B (zh) | 一种不良事件等级判定方法、电子设备和存储介质 | |
JPWO2019167281A1 (ja) | 応答処理プログラム、応答処理方法、応答処理装置および応答処理システム | |
Stubbs | A methodology for using professional knowledge in corpus annotation | |
Shin et al. | Multimodal ensemble approach to incorporate various types of clinical notes for predicting readmission | |
Jiang et al. | LATTE: A knowledge-based method to normalize various expressions of laboratory test results in free text of Chinese electronic health records | |
JP2017134693A (ja) | 意味情報登録支援プログラム、情報処理装置および意味情報登録支援方法 | |
Park et al. | Recapitulation and retrospective prediction of biomedical associations using temporally-enabled word embeddings | |
Choi et al. | Coreference resolution improves extraction of Biological Expression Language statements from texts | |
CN114238639A (zh) | 一种医学术语标准化框架的构建方法、装置、电子设备 | |
Mobasher et al. | Combining dictionary-and rule-based approximate entity linking with tuned BioBERT |
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 |