CN117153319B - 一种基于人工智能的电子病历数据智能分析系统 - Google Patents
一种基于人工智能的电子病历数据智能分析系统 Download PDFInfo
- Publication number
- CN117153319B CN117153319B CN202311136970.XA CN202311136970A CN117153319B CN 117153319 B CN117153319 B CN 117153319B CN 202311136970 A CN202311136970 A CN 202311136970A CN 117153319 B CN117153319 B CN 117153319B
- Authority
- CN
- China
- Prior art keywords
- disease
- electronic medical
- diseases
- medical record
- appearing
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 46
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 17
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 450
- 201000010099 disease Diseases 0.000 claims abstract description 447
- 230000005540 biological transmission Effects 0.000 claims abstract description 29
- 238000003745 diagnosis Methods 0.000 claims abstract description 27
- 238000012216 screening Methods 0.000 claims abstract description 22
- 238000007405 data analysis Methods 0.000 claims abstract description 16
- 230000005541 medical transmission Effects 0.000 claims abstract description 13
- 208000024891 symptom Diseases 0.000 claims description 41
- 239000003814 drug Substances 0.000 claims description 38
- 238000012502 risk assessment Methods 0.000 claims description 28
- 229940126585 therapeutic drug Drugs 0.000 claims description 28
- 230000002265 prevention Effects 0.000 claims description 27
- 208000015181 infectious disease Diseases 0.000 claims description 22
- 238000012544 monitoring process Methods 0.000 claims description 21
- 229940079593 drug Drugs 0.000 claims description 12
- 230000001225 therapeutic effect Effects 0.000 claims description 10
- 238000011534 incubation Methods 0.000 claims description 9
- 230000002458 infectious effect Effects 0.000 claims description 5
- 230000003449 preventive effect Effects 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 5
- 230000002349 favourable effect Effects 0.000 abstract 3
- 238000005065 mining Methods 0.000 abstract 1
- 230000009286 beneficial effect Effects 0.000 description 5
- 238000000034 method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 229940124597 therapeutic agent Drugs 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
- G16H15/00—ICT specially adapted for medical reports, e.g. generation or transmission thereof
-
- 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
- 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
本发明属于电子病历数据智能分析技术领域，涉及到一种基于人工智能的电子病历数据智能分析系统。本发明基于构建的电子病历数据获取模块、电子病历筛选模块、电子病历分类模块、疾病风险参数获取模块、疾病风险参数分析模块、疾病传播数据获取模块、疾病传播数据分析模块、疾病数据解析模块和电子病历共享数据库，有助于挖掘新出现疾病的各电子病历所属疾病之间的联系，给医生治疗方案的确定提供了数据支撑，有利于医生进行更精确的诊断和制定更适用的治疗方案，提高了新出现疾病诊治的准确性和效果，有助于及时发现新出现疾病的传播风险等级，从而及时采取相应的干预措施，保障了人们的健康安全，降低了疾病风险。
Description
技术领域
本发明属于电子病历数据智能分析技术领域，涉及到一种基于人工智能的电子病历数据智能分析系统。
背景技术
电子病历是用电子设备保存、管理、传输和重现的数字化的医疗记录，用以取代手写纸张病历，其内容包括纸张病历的所有信息。通过对大量电子病历数据进行分析，可以为医学研究者提供宝贵的资源，能够帮助发现预防策略，所以，对电子病历数据的分析具有重要意义。
针对电子病历数据的分析主要是结合医疗领域的专业知识和人工智能技术，旨在帮助医生更好地利用电子病历数据对患者进行诊断、治疗和决策。这使得目前的电子病历数据分析大多侧重于对患者本身进行分析，忽略了各患者所患疾病之间的联系，对于常见类的疾病可参考历史病例的治疗方案进行治疗，而对于不常见类的疾病则其对应的参考历史病例不足，从而对其治疗方案的确定产生负面影响。
另外目前的电子病历数据分析也忽略了对于不常见疾病的传播风险的解析，从而无法得到不常见疾病的传播风险等级，进而无法提供针对性的预防措施和筛查建议，也无法及时地提醒人们做好安全防护措施，不利于人们的健康安全。
发明内容
鉴于此，为解决上述背景技术中所提出的问题，现提出一种基于人工智能的电子病历数据智能分析系统。
本发明的目的可以通过以下技术方案实现：本发明提供一种基于人工智能的电子病历数据智能分析系统，包括：电子病历数据获取模块，用于获取各电子病历的结构化数据和非结构化数据。
电子病历筛选模块，用于分析各电子病历所属疾病的相似度，进一步筛选得到新出现疾病对应的各电子病历。
电子病历分类模块，用于分析新出现疾病对应的各电子病历与其他各电子病历所属疾病的同类相似度，进一步分类得到各类新出现疾病对应的各电子病历。
疾病风险参数获取模块，用于获取各类新出现疾病的风险参数。
疾病风险参数分析模块，用于分析各类新出现疾病的风险评估系数。
疾病传播数据获取模块，用于获取各类新出现疾病在设定监测时间段内的患病人数和各类新出现疾病的潜伏期。
疾病传播数据分析模块，用于分析各类新出现疾病的传播速度。
疾病数据解析模块，用于根据各类新出现疾病的风险评估系数和传播速度，分析各类新出现疾病的传播风险系数，进一步得到各类新出现疾病的预防等级，并进行反馈。
电子病历共享数据库，用于存储各疾病类型所属结论，存储各疾病类型对应的各参考治疗药物、各参考病症和各参考患病原因，存储疾病的参考传染性指数和参考感染率，存储设定参考疾病的传播速度，存储设定参考疾病的传播速度对应的设定监测时间段内的患病人数和设定参考疾病的传播速度对应的潜伏期。
优选地，所述各电子病历的结构化数据包括其对应患者的年龄、就诊时间和各治疗药物。
所述各电子病历的非结构化数据包括其对应患者的病症、就诊结论和患病原因。
优选地，所述各电子病历所属疾病的相似度的具体分析方式为：提取各电子病历对应患者的各治疗药物、病症、就诊结论和患病原因。
将各电子病历对应患者的就诊结论分别与电子病历共享数据库中存储的各疾病类型所属结论进行一一匹配，得到各电子病历对应患者的就诊结论与各疾病类型所属结论的重合度，记为各电子病历对应患者的就诊结论的各重合度，进而对其进行筛选得到各电子病历对应患者的就诊结论的最大重合度所对应的疾病类型，将其作为各电子病历对应患者的疾病类型。
将各电子病历对应患者的各治疗药物、病症和患病原因与从电子病历共享数据库中调取的各电子病历对应患者的疾病类型对应的各参考治疗药物、各参考病症和各参考患病原因进行匹配，得到各电子病历对应患者的治疗药物与参考治疗药物的重合药物数量、病症与各参考病症的重合度、患病原因与各参考患病原因的重合度，分别记为Mi、其中i＝1,2,......,a，i为各电子病历的编号，p＝1,2,......,b，p为各参考病症的编号，q＝1,2,......,c，q为各参考患病原因的编号。
分别通过筛选得到各电子病历对应患者病症与参考病症的最大重合度和患病原因与参考患病原因的最大重合度，将其作为各电子病历对应患者病症与参考病症的重合度和患病原因与参考患病原因的重合度，分别记为
分析各电子病历所属疾病的相似度其中M0、/>分别为设定的电子病历所属疾病为电子病历共享数据库中存储的疾病类型的治疗药物与参考治疗药物的重合药物数量阈值、病症与参考病症的重合度阈值、患病原因与参考患病原因的重合度阈值，δ1、δ2、δ3分别为设定的治疗药物与参考治疗药物的重合药物数量、病症与参考病症的重合度、患病原因与参考患病原因的重合度对应的权重系数，δ1+δ2+δ3＝1。
优选地，所述新出现疾病对应的各电子病历的具体筛选方式为：提取各电子病历所属疾病的相似度，将其分别与设定的相似度阈值进行对比，得到相似度小于设定相似度阈值的各电子病历，将其作为新出现疾病对应的各电子病历。
优选地，所述新出现疾病对应的各电子病历与其他各电子病历所属疾病的同类相似度的具体分析为：提取新出现疾病对应各电子病历对应患者的就诊时间、各治疗药物、病症、就诊结论和患病原因，将新出现疾病对应的各电子病历按照其对应患者的就诊时间进行排序。
将排序后的新出现疾病对应的各电子病历对应患者的各治疗药物、病症、就诊结论和患病原因按照预设原则分别与新出现疾病对应的其他各电子病历对应患者的各治疗药物、病症、就诊结论和患病原因进行对比，得到新出现疾病对应的各电子病历与其他各电子病历对应患者的治疗药物的重合药物数量、病症重合度、就诊结论重合度和患病原因重合度，分别记为M′xj、x＝1,2,......,y，x为新出现疾病对应的各电子病历的编号，j＝1,2,......,m,j为新出现疾病对应的其他各电子病历的编号。
分析新出现疾病对应的各电子病历与其他各电子病历所属疾病的同类相似度其中M′0、/>分别为设定的新出现疾病对应的电子病历所属疾病与其他电子病历所属疾病为同类疾病的对应患者的治疗药物的重合药物数量阈值、病症重合度阈值、就诊结论重合度阈值和患病原因重合度阈值，ε1、ε2、ε3、ε4分别为设定的重合药物数量、病症重合度、就诊结论重合度和患病原因重合度对应的相似度的影响因子。
优选地，所述各类新出现疾病对应的各电子病历的具体分类方式为：提取新出现疾病对应的各电子病历与其他各电子病历所属疾病的同类相似度，将其分别与设定的同类相似度阈值进行对比，若新出现疾病对应的某电子病历与其他某电子病历所属疾病的同类相似度大于设定的同类相似度阈值时，则说明新出现疾病对应的该电子病历所属疾病与其他某电子病历所属疾病为同类新出现疾病，反之，则说明新出现疾病对应的该电子病历所属疾病与其他某电子病历所属疾病为不同类新出现疾病。
分别统计新出现疾病对应的各电子病历所属疾病的各同类新出现疾病，进而得到各类新出现疾病对应的各电子病历。
优选地，所述各类新出现疾病的风险参数包括病例数、传染性指数和感染率。
优选地，所述各类新出现疾病的风险评估系数的具体分析方式为：提取各类新出现疾病的病例数、传染性指数和感染率，分别记为Gf、θf、μf，分析各类新出现疾病的风险评估系数其中f＝1,2,......,g，f为各类新出现疾病的编号，θ0、μ0分别为从电子病历共享数据库中提取的设定参考疾病的传染性指数和感染率，η1、η2、η3分别为设定的病例数、传染性指数和感染率对应的风险评估系数的所占权重。
将各类新出现疾病的风险评估系数反馈至各类新出现疾病对应的各电子病历对于患者的所在医院，从而医生根据风险评估系数优化治疗方案。
优选地，所述各类新出现疾病的传播速度的分析方式为：提取各类新出现疾病在设定监测时间段内的患病人数和各类新出现疾病的潜伏期，分析各类新出现疾病的传播速度其中hf、tf分别为第f类新出现疾病在设定监测时间段内的患病人数和第f类新出现疾病的潜伏期，v0为从电子病历共享数据库中提取的设定参考疾病的传播速度，h0、t0分别为从电子病历共享数据库中提取的设定参考疾病的传播速度对应的在设定监测时间段内的患病人数和设定参考疾病的传播速度对应的潜伏期，τ1、τ2分别为设定的新出现疾病在设定监测时间段内的患病人数比和新出现疾病的潜伏期比对应的权重系数。
优选地，所述各类新出现疾病的传播风险系数的具体分析方式为：提取各类新出现疾病的风险评估系数和传播速度，分析各类新出现疾病的传播风险系数其中e为自然常数。
将各类新出现疾病的传播风险系数与疾控中心存储的各预防等级的传播风险系数范围进行匹配，进而得到各类新出现疾病的各预防等级，将其反馈至疾控中心，从而疾控中心根据各类新出现疾病的各预防等级进行发布相应的预警提醒和预防措施。
相较于现有技术，本发明的有益效果如下：1、本发明通过获取各电子病历的结构化数据和非结构化数据，筛选得到新出现疾病对应的各电子病历，并进一步分类得到各类新出现疾病对应的各电子病历，有助于对新出现疾病的电子病历数据进行分析，挖掘新出现疾病的各电子病历所属疾病之间的联系，给医生治疗方案的确定提供了数据支撑，有效地提升了医疗服务的效率。
2、本发明通过获取各类新出现疾病的风险参数，分析各类新出现疾病的风险评估系数，有利于医生进行更精确的诊断和制定更适用的治疗方案，提高了新出现疾病诊治的准确性和效果，也在一定程度上提高了医疗水平和质量。
3、本发明通过获取各类新出现疾病在设定监测时间段内的患病人数和各类新出现疾病的潜伏期，分析各类新出现疾病的传播速度，从而根据各类新出现疾病的风险评估系数和传播速度，获得各类新出现疾病的预防等级，有助于及时发现新出现疾病的传播风险等级，从而及时采取相应的干预措施，有利于及时地提醒人们做好安全防护措施，保障了人们的健康安全，降低了疾病风险，提高了预防效果。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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为本发明的系统模块连接示意图。
具体实施方式
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，都属于本发明保护的范围。
请参阅图1所示，本发明提供了一种基于人工智能的电子病历数据智能分析系统，具体模块分布如下：电子病历数据获取模块、电子病历筛选模块、电子病历分类模块、疾病风险参数获取模块、疾病风险参数分析模块、疾病传播数据获取模块、疾病传播数据分析模块、疾病数据解析模块和电子病历共享数据库。其中，模块之间的连接方式为：电子病历筛选模块分别与电子病历数据获取模块和电子病历分类模块连接，疾病风险参数获取模块与疾病风险参数分析模块连接，疾病传播数据获取模块与疾病传播数据分析模块连接，疾病数据解析模块分别与疾病风险参数分析模块和疾病传播数据分析模块连接，电子病历共享数据库分别与电子病历筛选模块、疾病风险参数分析模块和疾病数据解析模块连接。
电子病历数据获取模块，用于获取各电子病历的结构化数据和非结构化数据。
需要进一步说明的是，所述结构化数据是以一定的格式和组织结构存储的数据，可以被计算机直接解析和处理，其主要特点是具有明确的语义和可操作性，可以进行数据分析、检索和共享。
所述非结构化数据是指不遵循特定格式和组织结构的数据，包含大量的自由文本、自然语言描述和图像等信息，其特点是信息表达灵活、内容丰富，但难以直接用计算机进行解析和理解。
电子病历筛选模块，用于分析各电子病历所属疾病的相似度，进一步筛选得到新出现疾病对应的各电子病历。
作为一种优选的示例，所述各电子病历的结构化数据包括其对应患者的年龄、就诊时间和各治疗药物。
需要进一步说明的是，所述各电子病历对应患者的年龄、就诊时间和各治疗药物的具体获取方式为：从各电子病历中直接获取其对应患者的年龄、就诊时间和各治疗药物。
所述各电子病历的非结构化数据包括其对应患者的病症、就诊结论和患病原因。
需要进一步说明的是，所述各电子病历对应患者的病症、就诊结论和患病原因的具体获取方式为：利用自然语言处理技术对各电子病历中医生的就诊记录、患者描述记录和各检查报告进行处理得到各电子病历对应患者的病症、就诊结论和患病原因。
作为一种优选的示例，所述各电子病历所属疾病的相似度的具体分析方式为：提取各电子病历对应患者的各治疗药物、病症、就诊结论和患病原因。
将各电子病历对应患者的就诊结论分别与电子病历共享数据库中存储的各疾病类型所属结论进行一一匹配，得到各电子病历对应患者的就诊结论与各疾病类型所属结论的重合度，记为各电子病历对应患者的就诊结论的各重合度，进而对其进行筛选得到各电子病历对应患者的就诊结论的最大重合度所对应的疾病类型，将其作为各电子病历对应患者的疾病类型。
需要进一步说明的是，所述各电子病历对应患者的就诊结论与各疾病类型所属结论的重合度的具体获取方式为：将某电子病历对应患者的就诊结论与某疾病类型所属结论进行匹配，根据预先设定的关键词原则提取某电子病历对应患者的就诊结论中的各关键词，将其与某疾病类型所属结论中的各关键词进行匹配，若某电子病历对应患者的就诊结论中的某关键词与某疾病类型所属结论中的某关键词相一致，则说明该电子病历对应患者的就诊结论中的该关键词匹配成功，统计该电子病历对应患者的就诊结论中的关键词匹配成功数量，从而计算得到该电子病历对应患者的就诊结论与某疾病类型所属结论的重合度其中Q正、Q全分别为该电子病历对应患者的就诊结论中的关键词匹配成功数量和关键词总数量，进而得到各电子病历对应患者的就诊结论与各疾病类型所属结论的重合度。
将各电子病历对应患者的各治疗药物、病症和患病原因与从电子病历共享数据库中调取的各电子病历对应患者的疾病类型对应的各参考治疗药物、各参考病症和各参考患病原因进行匹配，得到各电子病历对应患者的各治疗药物与各参考治疗药物的重合药物数量、病症与各参考病症的重合度、患病原因与各参考患病原因的重合度，分别记为Mi、其中i＝1,2,......,a，i为各电子病历的编号，p＝1,2,......,b，p为各参考病症的编号，q＝1,2,......,c，q为各参考患病原因的编号。
需要进一步说明的是，所述各电子病历对应患者的病症与各参考病症的重合度、患病原因与各参考患病原因的重合度的具体获取方式为：根据各电子病历对应患者的就诊结论与各疾病类型所属结论的重合度的获取方式，同理得到各电子病历对应患者的病症与各参考病症的重合度、患病原因与各参考患病原因的重合度。
分别通过筛选得到各电子病历对应患者病症与参考病症的最大重合度和患病原因与参考患病原因的最大重合度，将其作为各电子病历对应患者病症与参考病症的重合度和患病原因与参考患病原因的重合度，分别记为
分析各电子病历所属疾病的相似度其中M0、/>分别为设定的电子病历所属疾病为电子病历共享数据库中存储的疾病类型的治疗药物与参考治疗药物的重合药物数量阈值、病症与参考病症的重合度阈值、患病原因与参考患病原因的重合度阈值，δ1、δ2、δ3分别为设定的治疗药物与参考治疗药物的重合药物数量、病症与参考病症的重合度、患病原因与参考患病原因的重合度对应的权重系数，δ1+δ2+δ3＝1。
作为一种优选的示例，所述新出现疾病对应的各电子病历的具体筛选方式为：提取各电子病历所属疾病的相似度，将其分别与设定的相似度阈值进行对比，得到相似度小于设定相似度阈值的各电子病历，将其作为新出现疾病对应的各电子病历。
电子病历分类模块，用于分析新出现疾病对应的各电子病历与其他各电子病历所属疾病的同类相似度，进一步分类得到各类新出现疾病对应的各电子病历。
作为一种优选的示例，所述新出现疾病对应的各电子病历与其他各电子病历所属疾病的同类相似度的具体分析为：提取新出现疾病对应各电子病历对应患者的就诊时间、各治疗药物、病症、就诊结论和患病原因，将新出现疾病对应的各电子病历按照其对应患者的就诊时间进行排序。
将排序后的新出现疾病对应的各电子病历对应患者的各治疗药物、病症、就诊结论和患病原因按照预设原则分别与新出现疾病对应的其他各电子病历对应患者的各治疗药物、病症、就诊结论和患病原因进行对比，得到新出现疾病对应的各电子病历与其他各电子病历对应患者的治疗药物的重合药物数量、病症重合度、就诊结论重合度和患病原因重合度，分别记为M′xj、x＝1,2,......,y，x为新出现疾病对应的各电子病历的编号，j＝1,2,......,m,j为新出现疾病对应的其他各电子病历的编号。
分析新出现疾病对应的各电子病历与其他各电子病历所属疾病的同类相似度其中M′0、/>分别为设定的新出现疾病对应的电子病历所属疾病与其他电子病历所属疾病为同类疾病的对应患者的治疗药物的重合药物数量阈值、病症重合度阈值、就诊结论重合度阈值和患病原因重合度阈值，ε1、ε2、ε3、ε4分别为设定的重合药物数量、病症重合度、就诊结论重合度和患病原因重合度对应的相似度的影响因子。
需要进一步说明的是，所述预设原则具体为：将新出现疾病对应的各电子病历根据排序的顺序从新出现疾病对应的第一个电子病历开始，将其对应患者的各治疗药物、病症、就诊结论和患病原因按照顺序分别与第二个电子病历对应患者的各治疗药物、病症、就诊结论和患病原因、第三个电子病历对应患者的各治疗药物、病症、就诊结论和患病原因......等进行对比。
需要进一步说明的是，所述新出现疾病对应的各电子病历与其他各电子病历对应患者的病症重合度、就诊结论重合度和患病原因重合度的具体获取方式为：根据各电子病历对应患者的就诊结论与各疾病类型所属结论的重合度的获取方式，同理得到新出现疾病对应的各电子病历与其他各电子病历对应患者的病症重合度、就诊结论重合度和患病原因重合度。
作为一种优选的示例，所述各类新出现疾病对应的各电子病历的具体分类方式为：提取新出现疾病对应的各电子病历与其他各电子病历所属疾病的同类相似度，将其分别与设定的同类相似度阈值进行对比，若新出现疾病对应的某电子病历与其他某电子病历所属疾病的同类相似度大于设定的同类相似度阈值时，则说明新出现疾病对应的该电子病历所属疾病与其他某电子病历所属疾病为同类新出现疾病，反之，则说明新出现疾病对应的该电子病历所属疾病与其他某电子病历所属疾病为不同类新出现疾病。
分别统计新出现疾病对应的各电子病历所属疾病的各同类新出现疾病，进而得到各类新出现疾病对应的各电子病历。
本发明通过获取各电子病历的结构化数据和非结构化数据，筛选得到新出现疾病对应的各电子病历，并进一步分类得到各类新出现疾病对应的各电子病历，有助于对新出现疾病的电子病历数据进行分析，挖掘新出现疾病的各电子病历所属疾病之间的联系，给医生治疗方案的确定提供了数据支撑，有效地提升了医疗服务的效率。
疾病风险参数获取模块，用于获取各类新出现疾病的风险参数。
疾病风险参数分析模块，用于分析各类新出现疾病的风险评估系数。
作为一种优选的示例，所述各类新出现疾病的风险参数包括病例数、传染性指数和感染率。
需要进一步说明的是，所述各类新出现疾病的病例数的具体获取方式为：统计各类新出现疾病对应的电子病历数，将其作为各类新出现疾病的病例数。
所述各类新出现疾病的传染性指数的具体获取方式为：提取各类新出现疾病对应的各电子病历对应患者的就诊时间，将其按照日期进行分类并排序得到各类新出现疾病对应的各日期的电子病历集合，从而统计得到各类新出现疾病对应的各日期的电子病历集合中电子病历数，分析各类新出现疾病的传染性指数其中BLfn为第f类新出现疾病对应的第n个日期的电子病历集合中电子病历数，BLf(n-1)为第f类新出现疾病对应的第(n-1)个日期的电子病历集合中电子病历数，f＝1,2,......,g，f为各类新出现疾病的编号，n＝1,2,......,d，n为各日期的编号，d为日期的数量。
所述各类新出现疾病的感染率的具体获取方式为：从各类新出现疾病对应的各电子病历中提取其对应患者的所在区域，从而得到各类新出现疾病的各所在区域，从各区域管理中心获取其对应的区域人数，对各类新出现疾病的各所在区域人数进行累加得到各类新出现疾病的所有所在区域的总人数，进一步根据各类新出现疾病的病例数分析得到各类新出现疾病的感染率其中Gf、G′f分别为第f类新出现疾病的病例数和第f类新出现疾病的所有所在区域的总人数。
作为一种优选的示例，所述各类新出现疾病的风险评估系数的具体分析方式为：提取各类新出现疾病的病例数、传染性指数和感染率，分别记为Gf、θf、μf，分析各类新出现疾病的风险评估系数其中f＝1,2,......,g，f为各类新出现疾病的编号，θ0、μ0分别为从电子病历共享数据库中提取的设定参考疾病的传染性指数和感染率，η1、η2、η3分别为设定的病例数、传染性指数和感染率对应的风险评估系数的所占权重。
将各类新出现疾病的风险评估系数反馈至各类新出现疾病对应的各电子病历对于患者的所在医院，从而医生根据风险评估系数优化治疗方案。
本发明通过获取各类新出现疾病的风险参数，分析各类新出现疾病的风险评估系数，有利于医生进行更精确的诊断和制定更适用的治疗方案，提高了新出现疾病诊治的准确性和效果，也在一定程度上提高了医疗水平和质量。
疾病传播数据获取模块，用于获取各类新出现疾病在设定监测时间段内的患病人数和各类新出现疾病的潜伏期。
需要进一步说明的是，所述各类新出现疾病在设定监测时间段内的患病人数的具体获取方式为：统计在设定监测时间段内的各类新出现疾病的总病例数，将其作为各类新出现疾病在设定监测时间段内的患病人数。
所述各类新出现疾病的潜伏期的具体获取方式为：对各类新出现疾病对应的各电子病历进行分析，得到各类新出现疾病对应的各电子病历对应患者的感染时间和出现病症时间，对其进行作差得到各类新出现疾病对应的各电子病历对应患者的潜伏期，进一步对各类新出现疾病对应的各电子病历对应患者的潜伏期进行均值处理，得到各类新出现疾病对应的电子病历对应患者的平均潜伏期，将其作为各类新出现疾病的潜伏期。
疾病传播数据分析模块，用于分析各类新出现疾病的传播速度。
疾病数据解析模块，用于根据各类新出现疾病的风险评估系数和传播速度，分析各类新出现疾病的传播风险系数，进一步得到各类新出现疾病的预防等级，并进行反馈。
作为一种优选的示例，所述各类新出现疾病的传播速度的分析方式为：提取各类新出现疾病在设定监测时间段内的患病人数和各类新出现疾病的潜伏期，分析各类新出现疾病的传播速度其中hf、tf分别为第f类新出现疾病在设定监测时间段内的患病人数和第f类新出现疾病的潜伏期，v0为从电子病历共享数据库中提取的设定参考疾病的传播速度，h0、t0分别为从电子病历共享数据库中提取的设定参考疾病的传播速度对应的在设定监测时间段内的患病人数和设定参考疾病的传播速度对应的潜伏期，τ1、τ2分别为设定的新出现疾病在设定监测时间段内的患病人数比和新出现疾病的潜伏期比对应的权重系数。
作为一种优选的示例，所述各类新出现疾病的传播风险系数的具体分析方式为：提取各类新出现疾病的风险评估系数和传播速度，分析各类新出现疾病的传播风险系数其中e为自然常数。
将各类新出现疾病的传播风险系数与疾控中心存储的各预防等级的传播风险系数范围进行匹配，进而得到各类新出现疾病的各预防等级，将其反馈至疾控中心，从而疾控中心根据各类新出现疾病的各预防等级进行发布相应的预警提醒和预防措施。
需要进一步说明的是，从疾控中心调取已存储的各类疾病的各预防等级对应的传播风险系数范围，从而得到各类疾病的各预防等级对应的最小传播风险系数和最大传播风险系数，进而得到同一预防等级中各类疾病的最小传播风险系数和最大传播风险系数，对其分别按照大小顺序进行排序，得到同一预防等级中的最小传播风险系数集合和最大风险系数集合，将最小传播风险系数集合中的最小值作为下界，最大传播风险系数集合中的最大值作为上界，得到预防等级的传播风险系数范围，进一步得到各预防等级的传播风险系数范围。
本发明通过获取各类新出现疾病在设定监测时间段内的患病人数和各类新出现疾病的潜伏期，分析各类新出现疾病的传播速度，从而根据各类新出现疾病的风险评估系数和传播速度，获得各类新出现疾病的预防等级，有助于及时发现新出现疾病的传播风险等级，从而及时采取相应的干预措施，有利于及时地提醒人们做好安全防护措施，保障了人们的健康安全，降低了疾病风险，提高了预防效果。
以上内容仅仅是对本发明的构思所作的举例和说明，所属本技术领域的技术人员对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，只要不偏离发明的构思或者超越本发明所定义的范围，均应属于本发明的保护范围。
Claims (9)
1.一种基于人工智能的电子病历数据智能分析系统，其特征在于：包括：
电子病历数据获取模块，用于获取各电子病历的结构化数据和非结构化数据；
电子病历筛选模块，用于分析各电子病历所属疾病的相似度，进一步筛选得到新出现疾病对应的各电子病历；
电子病历分类模块，用于分析新出现疾病对应的各电子病历与其他各电子病历所属疾病的同类相似度，进一步分类得到各类新出现疾病对应的各电子病历；
疾病风险参数获取模块，用于获取各类新出现疾病的风险参数；
疾病风险参数分析模块，用于分析各类新出现疾病的风险评估系数；
疾病传播数据获取模块，用于获取各类新出现疾病在设定监测时间段内的患病人数和各类新出现疾病的潜伏期；
疾病传播数据分析模块，用于分析各类新出现疾病的传播速度；
疾病数据解析模块，用于根据各类新出现疾病的风险评估系数和传播速度，分析各类新出现疾病的传播风险系数，进一步得到各类新出现疾病的预防等级，并进行反馈；
电子病历共享数据库，用于存储各疾病类型所属结论，存储各疾病类型对应的各参考治疗药物、各参考病症和各参考患病原因，存储疾病的参考传染性指数和参考感染率，存储设定参考疾病的传播速度，存储设定参考疾病的传播速度对应的设定监测时间段内的患病人数和设定参考疾病的传播速度对应的潜伏期；
所述各电子病历所属疾病的相似度的具体分析方式为：
提取各电子病历对应患者的各治疗药物、病症、就诊结论和患病原因；
将各电子病历对应患者的就诊结论分别与电子病历共享数据库中存储的各疾病类型所属结论进行一一匹配，得到各电子病历对应患者的就诊结论与各疾病类型所属结论的重合度，记为各电子病历对应患者的就诊结论的各重合度，进而对其进行筛选得到各电子病历对应患者的就诊结论的最大重合度所对应的疾病类型，将其作为各电子病历对应患者的疾病类型；
将各电子病历对应患者的各治疗药物、病症和患病原因与从电子病历共享数据库中调取的各电子病历对应患者的疾病类型对应的各参考治疗药物、各参考病症和各参考患病原因进行匹配，得到各电子病历对应患者的治疗药物与参考治疗药物的重合药物数量、病症与各参考病症的重合度、患病原因与各参考患病原因的重合度，分别记为，其中/>，i为各电子病历的编号，/>，p为各参考病症的编号，，q为各参考患病原因的编号；
分别通过筛选得到各电子病历对应患者病症与参考病症的最大重合度和患病原因与参考患病原因的最大重合度，将其作为各电子病历对应患者病症与参考病症的重合度和患病原因与参考患病原因的重合度，分别记为；
分析各电子病历所属疾病的相似度，其中分别为设定的电子病历所属疾病为电子病历共享数据库中存储的疾病类型的治疗药物与参考治疗药物的重合药物数量阈值、病症与参考病症的重合度阈值、患病原因与参考患病原因的重合度阈值，/>分别为设定的治疗药物与参考治疗药物的重合药物数量、病症与参考病症的重合度、患病原因与参考患病原因的重合度对应的权重系数，/>。
2.根据权利要求1所述的一种基于人工智能的电子病历数据智能分析系统，其特征在于：所述各电子病历的结构化数据包括其对应患者的年龄、就诊时间和各治疗药物；
所述各电子病历的非结构化数据包括其对应患者的病症、就诊结论和患病原因。
3.根据权利要求1所述的一种基于人工智能的电子病历数据智能分析系统，其特征在于：所述新出现疾病对应的各电子病历的具体筛选方式为：
提取各电子病历所属疾病的相似度，将其分别与设定的相似度阈值进行对比，得到相似度小于设定相似度阈值的各电子病历，将其作为新出现疾病对应的各电子病历。
4.根据权利要求2所述的一种基于人工智能的电子病历数据智能分析系统，其特征在于：所述新出现疾病对应的各电子病历与其他各电子病历所属疾病的同类相似度的具体分析为：
提取新出现疾病对应各电子病历对应患者的就诊时间、各治疗药物、病症、就诊结论和患病原因，将新出现疾病对应的各电子病历按照其对应患者的就诊时间进行排序；
将排序后的新出现疾病对应的各电子病历对应患者的各治疗药物、病症、就诊结论和患病原因按照预设原则分别与新出现疾病对应的其他各电子病历对应患者的各治疗药物、病症、就诊结论和患病原因进行对比，得到新出现疾病对应的各电子病历与其他各电子病历对应患者的治疗药物的重合药物数量、病症重合度、就诊结论重合度和患病原因重合度，分别记为，/>，x为新出现疾病对应的各电子病历的编号，/>,j为新出现疾病对应的其他各电子病历的编号；
分析新出现疾病对应的各电子病历与其他各电子病历所属疾病的同类相似度，其中/>分别为设定的新出现疾病对应的电子病历所属疾病与其他电子病历所属疾病为同类疾病的对应患者的治疗药物的重合药物数量阈值、病症重合度阈值、就诊结论重合度阈值和患病原因重合度阈值，/>分别为设定的重合药物数量、病症重合度、就诊结论重合度和患病原因重合度对应的相似度的影响因子。
5.根据权利要求4所述的一种基于人工智能的电子病历数据智能分析系统，其特征在于：所述各类新出现疾病对应的各电子病历的具体分类方式为：
提取新出现疾病对应的各电子病历与其他各电子病历所属疾病的同类相似度，将其分别与设定的同类相似度阈值进行对比，若新出现疾病对应的某电子病历与其他某电子病历所属疾病的同类相似度大于设定的同类相似度阈值时，则说明新出现疾病对应的该电子病历所属疾病与其他某电子病历所属疾病为同类新出现疾病，反之，则说明新出现疾病对应的该电子病历所属疾病与其他某电子病历所属疾病为不同类新出现疾病；
分别统计新出现疾病对应的各电子病历所属疾病的各同类新出现疾病，进而得到各类新出现疾病对应的各电子病历。
6.根据权利要求1所述的一种基于人工智能的电子病历数据智能分析系统，其特征在于：所述各类新出现疾病的风险参数包括病例数、传染性指数和感染率。
7.根据权利要求6所述的一种基于人工智能的电子病历数据智能分析系统，其特征在于：所述各类新出现疾病的风险评估系数的具体分析方式为：
提取各类新出现疾病的病例数、传染性指数和感染率，分别记为，分析各类新出现疾病的风险评估系数/>，其中，f为各类新出现疾病的编号，/>分别为从电子病历共享数据库中提取的设定参考疾病的传染性指数和感染率，/>分别为设定的病例数、传染性指数和感染率对应的风险评估系数的所占权重；
将各类新出现疾病的风险评估系数反馈至各类新出现疾病对应的各电子病历对于患者的所在医院，从而医生根据风险评估系数优化治疗方案。
8.根据权利要求7所述的一种基于人工智能的电子病历数据智能分析系统，其特征在于：所述各类新出现疾病的传播速度的分析方式为：
提取各类新出现疾病在设定监测时间段内的患病人数和各类新出现疾病的潜伏期，分别记为，分析各类新出现疾病的传播速度，其中/>为从电子病历共享数据库中提取的设定参考疾病的传播速度，/>分别为从电子病历共享数据库中提取的设定参考疾病的传播速度对应的在设定监测时间段内的患病人数和设定参考疾病的传播速度对应的潜伏期，/>分别为设定的新出现疾病在设定监测时间段内的患病人数比和新出现疾病的潜伏期比对应的权重系数。
9.根据权利要求8所述的一种基于人工智能的电子病历数据智能分析系统，其特征在于：所述各类新出现疾病的传播风险系数的具体分析方式为：
提取各类新出现疾病的风险评估系数和传播速度，分析各类新出现疾病的传播风险系数，其中e为自然常数；
将各类新出现疾病的传播风险系数与疾控中心存储的各预防等级的传播风险系数范围进行匹配，进而得到各类新出现疾病的各预防等级，将其反馈至疾控中心，从而疾控中心根据各类新出现疾病的各预防等级进行发布相应的预警提醒和预防措施。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311136970.XA CN117153319B (zh) | 2023-09-05 | 2023-09-05 | 一种基于人工智能的电子病历数据智能分析系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311136970.XA CN117153319B (zh) | 2023-09-05 | 2023-09-05 | 一种基于人工智能的电子病历数据智能分析系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117153319A CN117153319A (zh) | 2023-12-01 |
| CN117153319B true CN117153319B (zh) | 2024-02-23 |
Family
ID=88911631
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311136970.XA Active CN117153319B (zh) | 2023-09-05 | 2023-09-05 | 一种基于人工智能的电子病历数据智能分析系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117153319B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117936114B (zh) * | 2024-03-13 | 2024-06-25 | 湖北福鑫科创信息技术有限公司 | 基于大语言模型的电子病历智能化分析与优化系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110249392A (zh) * | 2018-08-20 | 2019-09-17 | 深圳市全息医疗科技有限公司 | 智能辅助诊疗系统及方法 |
| KR20210117697A (ko) * | 2020-03-20 | 2021-09-29 | 하청일 | Ai 기반 전염병 위험 알림 시스템 |
| CN114758742A (zh) * | 2022-04-06 | 2022-07-15 | 平安科技（深圳）有限公司 | 病历信息处理方法、装置、电子设备及存储介质 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20230073776A1 (en) * | 2021-09-09 | 2023-03-09 | Unitedhealth Group Incorporated | Machine learning techniques for optimized equipment allocation |
-
2023
- 2023-09-05 CN CN202311136970.XA patent/CN117153319B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110249392A (zh) * | 2018-08-20 | 2019-09-17 | 深圳市全息医疗科技有限公司 | 智能辅助诊疗系统及方法 |
| KR20210117697A (ko) * | 2020-03-20 | 2021-09-29 | 하청일 | Ai 기반 전염병 위험 알림 시스템 |
| CN114758742A (zh) * | 2022-04-06 | 2022-07-15 | 平安科技（深圳）有限公司 | 病历信息处理方法、装置、电子设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117153319A (zh) | 2023-12-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Lehman et al. | Risk stratification of ICU patients using topic models inferred from unstructured progress notes | |
| Huddar et al. | Predicting complications in critical care using heterogeneous clinical data | |
| CN117153319B (zh) | 一种基于人工智能的电子病历数据智能分析系统 | |
| US20200118683A1 (en) | Medical diagnostic aid and method | |
| CN116910172B (zh) | 基于人工智能的随访量表生成方法及系统 | |
| Wang et al. | Understanding interdisciplinary knowledge integration through citance analysis: A case study on eHealth | |
| Ab Rahman | Brief guidelines for methods and statistics in medical research | |
| Islamaj Doğan et al. | A context-blocks model for identifying clinical relationships in patient records | |
| Pedersen et al. | Deep learning detects and visualizes bleeding events in electronic health records | |
| Hu et al. | Prediction of clinicians' treatment in preterm infants with suspected late-onset sepsis—An ML approach | |
| Ravindra et al. | Deep representation learning identifies associations between physical activity and sleep patterns during pregnancy and prematurity | |
| Zhou et al. | Converting semi-structured clinical medical records into information and knowledge | |
| Wang et al. | Research on named entity recognition of doctor-patient question answering community based on bilstm-crf model | |
| Newman et al. | Using topic models to interpret MEDLINE’s medical subject headings | |
| Henao et al. | Patient clustering with uncoded text in electronic medical records | |
| KR102461647B1 (ko) | 뇌파검사보고서에 대한 의료 유형정보를 제공하는 인공지능 시스템 및 그 구현방법 | |
| CN116705347A (zh) | 一种基于社交媒体的药物网络舆情分析系统 | |
| Mombini et al. | An exploratory study of social media analysis for rare diseases using machine learning algorithms: A case study of trigeminal neuralgia | |
| Rao et al. | Clinical and financial outcomes analysis with existing hospital patient records | |
| Soualmia et al. | SIBM at CLEF e-Health Evaluation Lab 2015. | |
| Paassen et al. | Ontology-based extraction of structured information from publications on preclinical experiments for spinal cord injury treatments | |
| Reinen et al. | Definition and clinical validation of Pain Patient States from high-dimensional mobile data: application to a chronic pain cohort | |
| Crowson et al. | Machine learning for pattern detection in cochlear implant FDA adverse event reports | |
| Singh et al. | An Novel Approach for Predicting and Analyzing Diabetes using Machine Learning Technique | |
| Lei et al. | Intelligent generation technology of sub-health diagnosis case based on case reasoning |
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 |