CN117952121A - 一种医疗文本的质量评估方法、系统、电子设备及介质 - Google Patents
一种医疗文本的质量评估方法、系统、电子设备及介质 Download PDFInfo
- Publication number
- CN117952121A CN117952121A CN202410354182.6A CN202410354182A CN117952121A CN 117952121 A CN117952121 A CN 117952121A CN 202410354182 A CN202410354182 A CN 202410354182A CN 117952121 A CN117952121 A CN 117952121A
- Authority
- CN
- China
- Prior art keywords
- medical text
- qwen
- quality
- model
- medical
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000001303 quality assessment method Methods 0.000 title claims abstract description 22
- 238000012549 training Methods 0.000 claims abstract description 62
- 238000000034 method Methods 0.000 claims abstract description 48
- 238000013441 quality evaluation Methods 0.000 claims abstract description 37
- 238000005457 optimization Methods 0.000 claims abstract description 6
- 230000008569 process Effects 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 14
- 238000001356 surgical procedure Methods 0.000 claims description 12
- 238000003860 storage Methods 0.000 claims description 11
- 238000009826 distribution Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 8
- 238000011282 treatment Methods 0.000 claims description 5
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 4
- 230000001186 cumulative effect Effects 0.000 claims description 4
- 238000003745 diagnosis Methods 0.000 claims description 3
- 239000003814 drug Substances 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 239000002689 soil Substances 0.000 claims description 2
- 238000007689 inspection Methods 0.000 claims 1
- 238000011160 research Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000011269 treatment regimen Methods 0.000 description 1
Landscapes
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明实施例提供一种医疗文本的质量评估方法、系统、电子设备及介质,属于医疗服务领域。该方法包括:获取待评估的医疗文本数据;将所述待评估的医疗文本数据输入至预先构建的质量评估模型中,使得质量评估模型对所述待评估的医疗文本数据的质量进行评估,获得医疗文本质量评估结果;其中,所述预先构建的质量评估模型是利用医疗文本训练数据集训练qwen7B‑chat模型,并基于指令调优方法优化qwen7B‑chat模型而获得。通过采用基于医疗文本训练数据集训练qwen7B‑chat模型,并基于指令调优方法优化qwen7B‑chat模型而获得的质量评估模型能够自动、高效地识别医疗文本中的质量问题,提高医疗文本数据的准确性和可靠性,从而支持高质量的医疗服务和研究。
Description
技术领域
本发明涉及医疗服务技术领域,具体地涉及一种医疗文本的质量评估方法、系统、电子设备及介质。
背景技术
随着社会保障制度的发展,具有医保并使用医保就诊的人员越来越多,各人员在各医疗机构使用医保就诊时,会生成各类医疗数据,且各类医疗数据存储在不同的数据表中,以进行分类管理,后续则依据该医疗数据进行医保基金的核算、规划等。
但因每个就诊人员的医疗数据分散在各个数据表中,一旦某个数据表中缺少了就诊人员的某条医疗数据,或者各就诊人员之间的医疗数据对应关系不正确,容易导致该数据表内各数据以及数据表之间各数据的关系混乱,使得医保基金的核算、规划存在较大误差;而随着电子医疗记录(EMR)的广泛应用,医疗文本数据的质量直接影响到医疗服务的效率和质量。
现有技术大多依赖较多的模块实现医疗文本的质量评估及一些规则实现的医疗文本质量评估,不仅效率低下,而且无法有效识别复杂的数据质量问题。
发明内容
本发明实施例的目的是提供一种医疗文本的质量评估方法、系统、电子设备及介质,采用质量评估模型能够自动、高效地识别医疗文本中的质量问题,提高医疗文本数据的准确性和可靠性,从而支持高质量的医疗服务和研究。
为了实现上述目的,本发明实施例提供一种医疗文本的质量评估方法,包括:
获取待评估的医疗文本数据;
将所述待评估的医疗文本数据输入至预先构建的质量评估模型中,使得质量评估模型对所述待评估的医疗文本数据的质量进行评估,获得医疗文本质量评估结果;其中,所述预先构建的质量评估模型是利用医疗文本训练数据集训练qwen7B-chat模型,并基于指令调优方法优化qwen7B-chat模型而获得。
可选的,所述待评估的医疗文本数据包括但不限于患者信息表、病例记录、诊断报告、治疗方案、住院记录表、医嘱记录表、检验记录表、手术排班表、手术过程记录表、生命体征记录表、手术耗材消耗表以及手术药品消耗表。
可选的,所述医疗文本训练数据集表征为输入文本与期望输出配对的标注数据。
可选的,利用医疗文本训练数据集训练qwen7B-chat模型的过程包括:
使用transformers库加载qwen7B-chat模型,并采用所述qwen7B-chat模型将医疗文本训练数据集序列化;
使用序列化后的医疗文本训练数据集对qwen7B-chat模型进行训练,并采用反向传播算法更新qwen7B-chat模型的权重和参数,直至获得根据指令生成符合期望的输出;
使用Adam优化训练过程,获得训练好的qwen7B-chat模型。
可选的,所述使用序列化后的医疗文本训练数据集对qwen7B-chat模型进行训练,并采用反向传播算法更新qwen7B-chat模型的权重和参数,直至获得根据指令生成符合期望的输出,包括:
在使用序列化后的医疗文本训练数据集对qwen7B-chat模型进行训练的过程中,利用交叉墒损失函数,预测每个序列化后的医疗文本训练数据集中基于当前医疗文本位置的下一个词的概率;
利用交叉熵损失计算目标词在预测分布中的概率;
基于当前医疗文本位置的下一个词的概率和目标词在预测分布中的概率,调整qwen7b-chat模型的参数来最小化整个医疗文本训练数据集的累计交叉熵损失,以获得根据指令生成符合期望的输出。
可选的,医疗文本质量评估结果包括但不限于信息不一致、关键信息缺失、高质量的医疗文本、低质量的医疗文本以及低质量的医疗文本的造成原因。
另一方面,本发明还提供一种医疗文本的质量评估系统,包括:
获取单元,用于获取待评估的医疗文本数据;
评估单元,用于将所述待评估的医疗文本数据输入至预先构建的质量评估模型中,使得质量评估模型对所述待评估的医疗文本数据的质量进行评估,获得医疗文本质量评估结果;其中,所述预先构建的质量评估模型是利用医疗文本训练数据集训练qwen7B-chat模型,并基于生成式大模型的指令调优方法优化qwen7B-chat模型获得。
另一方面,本发明还提供一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上进行运行的计算机程序,所述处理器执行所述程序时实现上述所述的医疗文本的质量评估方法的步骤。
另一方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述所述的医疗文本的质量评估方法的步骤。
通过上述技术方案,采用基于医疗文本训练数据集训练qwen7B-chat模型,并基于指令调优方法优化qwen7B-chat模型而获得的质量评估模型能够自动、高效地识别医疗文本中的质量问题,提高医疗文本数据的准确性和可靠性,从而支持高质量的医疗服务和研究。
本发明实施例的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本发明实施例的进一步理解,并且构成说明书的一部分,与下面的具体实施方式一起用于解释本发明实施例,但并不构成对本发明实施例的限制。在附图中:
图1是本发明实施例提供的一种医疗文本的质量评估方法的实施流程图;
图2是本发明实施例提供的一种医疗文本的质量评估方法的详细实施流程图;
图3是本发明实施例提供的一种医疗文本的质量评估系统的结构示意图。
具体实施方式
以下结合附图对本发明实施例的具体实施方式进行详细说明。应当理解的是,此处所描述的具体实施方式仅用于说明和解释本发明实施例,并不用于限制本发明实施例。
参阅图1所示,为本发明实施例提供的一种医疗文本的质量评估方法的实施流程图,包括以下执行步骤:
步骤100:获取待评估的医疗文本数据。
可选的,所述待评估的医疗文本数据包括但不限于患者信息表、病例记录、诊断报告、治疗方案、住院记录表、医嘱记录表、检验记录表、手术排班表、手术过程记录表、生命体征记录表、手术耗材消耗表以及手术药品消耗表。
在一些实施方式中,收集大量的医疗文本数据,这些数据应该涵盖广泛的医疗场景和状况,包括但不限于病历记录、诊断报告、治疗方案等,同时,对这些数据进行标注是低质量还是高质量,明确哪些是高质量的文本、低质量的医疗文本,当时低质量医疗文本时标注医疗文本出现的问题。数据集使用以下格式{“instruction”:“你现在是医学专家,你需要对下文的医疗文本质量进行评估是高质量还是低质量然后,如医疗文本是低质量,需要指出低质量的原因”,“input”:”医疗文本”,“output”:”低质量,低质量原因是:”}。
在一些实施方式中,在执行完步骤100之后,还执行以下步骤:数据集处理:对数据集进行清洗和预处理,以确保数据质量,至少包括去除重复项、纠正错误、标准化文本格式等。
步骤101:将所述待评估的医疗文本数据输入至预先构建的质量评估模型中,使得质量评估模型对所述待评估的医疗文本数据的质量进行评估,获得医疗文本质量评估结果。
其中,所述预先构建的质量评估模型是利用医疗文本训练数据集训练qwen7B-chat模型,并基于指令调优方法优化qwen7B-chat模型而获得。进而使其能够理解医疗文本的语义和结构,在学习了如何处理这些具体指令后,可以识别出区分高质量文本和低质量文本。
需要说明的是,所述医疗文本训练数据集表征为输入文本与期望输出配对的标注数据,指令调优方法(Instruction Tuning)是一种通过提供指令来引导大模型学习特定任务的方法,无需额外训练数据,即可显著提升模型性能,在自然语言处理、机器学习、计算机视觉等领域展现出巨大潜力。
在一些实施方式中,利用医疗文本训练数据集训练qwen7B-chat模型的过程包括以下执行步骤:
S1:使用transformers库加载qwen7B-chat模型,并采用所述qwen7B-chat模型将医疗文本训练数据集序列化。
优选的,可以采用qwen7B-chat的tokenizer将文本序列化。
S2:使用序列化后的医疗文本训练数据集对qwen7B-chat模型进行训练,并采用反向传播算法更新qwen7B-chat模型的权重和参数,直至获得根据指令生成符合期望的输出,在这一过程中,qwen7B-chat模型学习如何根据指令生成符合期望的输出。
在一些实施方式中,执行步骤S2时,可以具体执行以下步骤:
S20:在使用序列化后的医疗文本训练数据集对qwen7B-chat模型进行训练的过程中,利用交叉墒损失函数,预测每个序列化后的医疗文本训练数据集中基于当前医疗文本位置的下一个词的概率。
S21:利用交叉熵损失计算目标词在预测分布中的概率。
需要说明的是,步骤S20中的下一个词表示基于医疗文本上下文,每个可能的下一个词,步骤S21中的目标词表示基于医疗文本上下文实际的下一个词。
S22:基于当前医疗文本位置的下一个词的概率和目标词在预测分布中的概率,调整qwen7B-chat模型的参数来最小化整个医疗文本训练数据集的累计交叉熵损失,以获得根据指令生成符合期望的输出。
应理解,低损失值表示高概率,意味着质量评估模型的预测与实际情况较为接近。
S3:使用Adam优化训练过程,获得训练好的qwen7B-chat模型。
在一些实施方式中,医疗文本质量评估结果包括但不限于信息不一致、关键信息缺失、高质量的医疗文本、低质量的医疗文本以及低质量的医疗文本的造成原因。
参阅图2所示,为本发明实施例提供的一种医疗文本的质量评估方法的详细实施流程图,包括以下步骤:
S200:获取待评估的医疗文本数据。
S201:使用transformers库加载qwen7B-chat模型,并采用所述qwen7B-chat模型将医疗文本训练数据集序列化。
S202:在使用序列化后的医疗文本训练数据集对qwen7B-chat模型进行训练的过程中,利用交叉墒损失函数,预测每个序列化后的医疗文本训练数据集中基于当前医疗文本位置的下一个词的概率。
S203:利用交叉熵损失计算目标词在预测分布中的概率。
S204:判断当前医疗文本位置的下一个词的概率和目标词在预测分布中的概率之间的差值是否最小,若是,则执行步骤S205,否则,执行步骤S207。
S205:使用Adam优化训练过程,获得训练好的qwen7B-chat模型。
S206:将所述待评估的医疗文本数据输入至预先构建的质量评估模型中,使得质量评估模型对所述待评估的医疗文本数据的质量进行评估,获得医疗文本质量评估结果。
S207:调整qwen7B-chat模型的参数来最小化整个医疗文本训练数据集的累计交叉熵损失,并继续执行步骤S202。
参阅图3所示,为本发明实施例提供的一种医疗文本的质量评估系统的结构示意图,包括:
获取单元300,用于获取待评估的医疗文本数据;
评估单元301,用于将所述待评估的医疗文本数据输入至预先构建的质量评估模型中,使得质量评估模型对所述待评估的医疗文本数据的质量进行评估,获得医疗文本质量评估结果;其中,所述预先构建的质量评估模型是利用医疗文本训练数据集训练qwen7B-chat模型,并基于生成式大模型的指令调优方法优化qwen7B-chat模型获得。
另一方面,本发明实施例还提供一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上进行运行的计算机程序,所述处理器执行所述程序时实现上述任一项实施例所述的医疗文本的质量评估方法的步骤。
另一方面,本发明实施例还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述任一项实施例所述的医疗文本的质量评估方法的步骤。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器 (CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存 (PRAM)、静态随机存取存储器 (SRAM)、动态随机存取存储器 (DRAM)、其他类型的随机存取存储器 (RAM)、只读存储器 (ROM)、电可擦除可编程只读存储器 (EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘 (DVD) 或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体 (transitory media),如调制的数据信号和载波。
还需要说明的是,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、商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、商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,并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (9)
1.一种医疗文本的质量评估方法,其特征在于,包括:
获取待评估的医疗文本数据;
将所述待评估的医疗文本数据输入至预先构建的质量评估模型中,使得质量评估模型对所述待评估的医疗文本数据的质量进行评估,获得医疗文本质量评估结果;其中,所述预先构建的质量评估模型是利用医疗文本训练数据集训练qwen7B-chat模型,并基于指令调优方法优化qwen7B-chat模型而获得。
2.根据权利要求1所述的医疗文本的质量评估方法,其特征在于,所述待评估的医疗文本数据包括但不限于患者信息表、病例记录、诊断报告、治疗方案、住院记录表、医嘱记录表、检验记录表、手术排班表、手术过程记录表、生命体征记录表、手术耗材消耗表以及手术药品消耗表。
3.根据权利要求1所述的医疗文本的质量评估方法,其特征在于,所述医疗文本训练数据集表征为输入文本与期望输出配对的标注数据。
4.根据权利要求3所述的医疗文本的质量评估方法,其特征在于,利用医疗文本训练数据集训练qwen7B-chat模型的过程包括:
使用transformers库加载qwen7B-chat模型,并采用所述qwen7B-chat模型将医疗文本训练数据集序列化;
使用序列化后的医疗文本训练数据集对qwen7B-chat模型进行训练,并采用反向传播算法更新qwen7B-chat模型的权重和参数,直至获得根据指令生成符合期望的输出;
使用Adam优化训练过程,获得训练好的qwen7B-chat模型。
5.根据权利要求4所述的医疗文本的质量评估方法,其特征在于,所述使用序列化后的医疗文本训练数据集对qwen7B-chat模型进行训练,并采用反向传播算法更新qwen7B-chat模型的权重和参数,直至获得根据指令生成符合期望的输出,包括:
在使用序列化后的医疗文本训练数据集对qwen7B-chat模型进行训练的过程中,利用交叉墒损失函数,预测每个序列化后的医疗文本训练数据集中基于当前医疗文本位置的下一个词的概率;
利用交叉熵损失计算目标词在预测分布中的概率;
基于当前医疗文本位置的下一个词的概率和目标词在预测分布中的概率,调整qwen7b-chat模型的参数来最小化整个医疗文本训练数据集的累计交叉熵损失,以获得根据指令生成符合期望的输出。
6.根据权利要求1所述的医疗文本的质量评估方法,其特征在于,医疗文本质量评估结果包括但不限于信息不一致、关键信息缺失、高质量的医疗文本、低质量的医疗文本以及低质量的医疗文本的造成原因。
7.一种医疗文本的质量评估系统,其特征在于,包括:
获取单元,用于获取待评估的医疗文本数据;
评估单元,用于将所述待评估的医疗文本数据输入至预先构建的质量评估模型中,使得质量评估模型对所述待评估的医疗文本数据的质量进行评估,获得医疗文本质量评估结果;其中,所述预先构建的质量评估模型是利用医疗文本训练数据集训练qwen7B-chat模型,并基于生成式大模型的指令调优方法优化qwen7B-chat模型获得。
8.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上进行运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-6任一项所述的医疗文本的质量评估方法的步骤。
9.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-6任一项所述的医疗文本的质量评估方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410354182.6A CN117952121A (zh) | 2024-03-27 | 2024-03-27 | 一种医疗文本的质量评估方法、系统、电子设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410354182.6A CN117952121A (zh) | 2024-03-27 | 2024-03-27 | 一种医疗文本的质量评估方法、系统、电子设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117952121A true CN117952121A (zh) | 2024-04-30 |
Family
ID=90798332
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410354182.6A Pending CN117952121A (zh) | 2024-03-27 | 2024-03-27 | 一种医疗文本的质量评估方法、系统、电子设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117952121A (zh) |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101571890A (zh) * | 2008-04-28 | 2009-11-04 | 国际商业机器公司 | 自动评估病历质量的方法和系统 |
CN110162779A (zh) * | 2019-04-04 | 2019-08-23 | 北京百度网讯科技有限公司 | 病历质量的评估方法、装置及设备 |
CN111597789A (zh) * | 2020-04-07 | 2020-08-28 | 华瑞新智科技(北京)有限公司 | 一种电子病历文本的评估方法及设备 |
CN111737975A (zh) * | 2020-05-14 | 2020-10-02 | 平安科技(深圳)有限公司 | 文本内涵质量的评估方法、装置、设备及存储介质 |
CN113672708A (zh) * | 2020-05-13 | 2021-11-19 | 武汉Tcl集团工业研究院有限公司 | 语言模型训练方法、问答对生成方法、装置及设备 |
CN114880471A (zh) * | 2022-04-24 | 2022-08-09 | 内蒙古健康医疗大数据有限公司 | 一种基于文本分类算法的电子病历质量评估方法及系统 |
CN115798664A (zh) * | 2022-12-10 | 2023-03-14 | 云知声智能科技股份有限公司 | 病历质量评估方法、系统、终端及存储介质 |
CN116501873A (zh) * | 2023-04-26 | 2023-07-28 | 程新泉 | 一种基于ChatGpt及其他深度模型建立文本分析框架的方法 |
CN116542260A (zh) * | 2023-07-05 | 2023-08-04 | 中国民用航空飞行学院 | 一种基于自然语言大模型的翻译文本质量评估方法及系统 |
CN117151245A (zh) * | 2023-09-12 | 2023-12-01 | 中国人民解放军国防科技大学 | 基于通识大模型和迁移学习的私有知识内容生成方法 |
CN117253576A (zh) * | 2023-10-30 | 2023-12-19 | 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 |
CN117290492A (zh) * | 2023-11-27 | 2023-12-26 | 深圳市灵智数字科技有限公司 | 知识库问答方法、装置、电子设备及存储介质 |
CN117609781A (zh) * | 2023-11-20 | 2024-02-27 | 北京中关村科金技术有限公司 | 文本评估模型的训练方法、文本评估方法及装置 |
CN117766160A (zh) * | 2023-11-06 | 2024-03-26 | 上海交通大学医学院附属瑞金医院 | 基于预训练语言模型的医学问答文本质量评估系统及方法 |
-
2024
- 2024-03-27 CN CN202410354182.6A patent/CN117952121A/zh active Pending
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101571890A (zh) * | 2008-04-28 | 2009-11-04 | 国际商业机器公司 | 自动评估病历质量的方法和系统 |
CN110162779A (zh) * | 2019-04-04 | 2019-08-23 | 北京百度网讯科技有限公司 | 病历质量的评估方法、装置及设备 |
CN111597789A (zh) * | 2020-04-07 | 2020-08-28 | 华瑞新智科技(北京)有限公司 | 一种电子病历文本的评估方法及设备 |
CN113672708A (zh) * | 2020-05-13 | 2021-11-19 | 武汉Tcl集团工业研究院有限公司 | 语言模型训练方法、问答对生成方法、装置及设备 |
CN111737975A (zh) * | 2020-05-14 | 2020-10-02 | 平安科技(深圳)有限公司 | 文本内涵质量的评估方法、装置、设备及存储介质 |
CN114880471A (zh) * | 2022-04-24 | 2022-08-09 | 内蒙古健康医疗大数据有限公司 | 一种基于文本分类算法的电子病历质量评估方法及系统 |
CN115798664A (zh) * | 2022-12-10 | 2023-03-14 | 云知声智能科技股份有限公司 | 病历质量评估方法、系统、终端及存储介质 |
CN116501873A (zh) * | 2023-04-26 | 2023-07-28 | 程新泉 | 一种基于ChatGpt及其他深度模型建立文本分析框架的方法 |
CN116542260A (zh) * | 2023-07-05 | 2023-08-04 | 中国民用航空飞行学院 | 一种基于自然语言大模型的翻译文本质量评估方法及系统 |
CN117151245A (zh) * | 2023-09-12 | 2023-12-01 | 中国人民解放军国防科技大学 | 基于通识大模型和迁移学习的私有知识内容生成方法 |
CN117253576A (zh) * | 2023-10-30 | 2023-12-19 | 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 |
CN117766160A (zh) * | 2023-11-06 | 2024-03-26 | 上海交通大学医学院附属瑞金医院 | 基于预训练语言模型的医学问答文本质量评估系统及方法 |
CN117609781A (zh) * | 2023-11-20 | 2024-02-27 | 北京中关村科金技术有限公司 | 文本评估模型的训练方法、文本评估方法及装置 |
CN117290492A (zh) * | 2023-11-27 | 2023-12-26 | 深圳市灵智数字科技有限公司 | 知识库问答方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11157385B2 (en) | Time-weighted risky code prediction | |
US20190340518A1 (en) | Systems and methods for enriching modeling tools and infrastructure with semantics | |
US8762180B2 (en) | Claims analytics engine | |
Vollmer et al. | Machine learning and AI research for patient benefit: 20 critical questions on transparency, replicability, ethics and effectiveness | |
CN105389454B (zh) | 用于预测与患者相关联的住院风险的方法、系统和介质 | |
US11113609B2 (en) | Machine-learning system and method for identifying same person in genealogical databases | |
CN116994694B (zh) | 基于信息提取的患者病历数据筛选方法、装置和介质 | |
EP3931844A1 (en) | Prognostic score based on health information | |
US20190318204A1 (en) | Methods and apparatus to manage tickets | |
US20210027889A1 (en) | System and Methods for Predicting Identifiers Using Machine-Learned Techniques | |
Love-Koh | How useful are early economic models?: comment on" Problems and Promises of Health Technologies: The Role of Early Health Economic Modelling" | |
Shahbazi et al. | Development of a scale for data quality assessment in automated library systems | |
Zumel et al. | vtreat: a data. frame Processor for Predictive Modeling | |
Welvaars et al. | Implications of resampling data to address the class imbalance problem (IRCIP): an evaluation of impact on performance between classification algorithms in medical data | |
CN117952121A (zh) | 一种医疗文本的质量评估方法、系统、电子设备及介质 | |
US20230005616A1 (en) | Methods, systems, and computer program products for capturing missing current procedural terminology (cpt) codes for care provided to a patient | |
Unger | Data acquisition and the implications of machine learning in the development of a Clinical Decision Support system | |
CN115841275B (zh) | 基于ai的数据管理水平的体检方法及装置 | |
JP2019086960A (ja) | 特許情報処理装置、特許情報処理方法、およびプログラム | |
US11636933B2 (en) | Summarization of clinical documents with end points thereof | |
Kleymenova et al. | User-Configurable Structure of Decision Support System for Clinical Risk Management | |
Mani Sekhar et al. | Data Collection and Processing in Health Care | |
Juarez-Orozco et al. | Machine Learning in Practice—Evaluation of Clinical Value, Guidelines | |
Herdian et al. | The Use of Feature Engineering and Hyperparameter Tuning for Machine Learning Accuracy Optimization: A Case Study on Heart Disease Prediction | |
Agba | Effective Primary Healthcare Differential Diagnosis: A Machine Learning Approach |
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 |