CN117995373A - 医院查房记录生成方法、装置、电子设备及存储介质 - Google Patents
医院查房记录生成方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN117995373A CN117995373A CN202410406751.7A CN202410406751A CN117995373A CN 117995373 A CN117995373 A CN 117995373A CN 202410406751 A CN202410406751 A CN 202410406751A CN 117995373 A CN117995373 A CN 117995373A
- Authority
- CN
- China
- Prior art keywords
- ward
- data
- model
- large 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 85
- 238000012549 training Methods 0.000 claims abstract description 45
- 238000005516 engineering process Methods 0.000 claims abstract description 30
- 230000006978 adaptation Effects 0.000 claims abstract description 28
- 230000008569 process Effects 0.000 claims abstract description 24
- 230000001133 acceleration Effects 0.000 claims abstract description 20
- 238000004590 computer program Methods 0.000 claims description 18
- 238000012550 audit Methods 0.000 claims description 10
- 238000003745 diagnosis Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 8
- 230000002787 reinforcement Effects 0.000 claims description 8
- 239000003814 drug Substances 0.000 claims description 5
- 208000024891 symptom Diseases 0.000 claims description 5
- 238000007689 inspection Methods 0.000 claims description 4
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 101000987581 Homo sapiens Perforin-1 Proteins 0.000 description 1
- 102100028467 Perforin-1 Human genes 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000011511 automated evaluation Methods 0.000 description 1
- QVFWZNCVPCJQOP-UHFFFAOYSA-N chloralodol Chemical compound CC(O)(C)CC(C)OC(O)C(Cl)(Cl)Cl QVFWZNCVPCJQOP-UHFFFAOYSA-N 0.000 description 1
- 235000019987 cider Nutrition 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000000153 supplemental effect Effects 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Landscapes
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明涉及医院查房记录生成方法、装置、电子设备及存储介质，包括：获取多个不同患者的第一历史病历信息，并将第一历史病历信息作为ChatGLM‑6B大模型的训练数据，通过自回归的方式对ChatGLM‑6B大模型进行预训练。通过ChatGLM‑6B大模型的低秩适应对预训练后的ChatGLM‑6B大模型进行指令微调，并将推理加速库适配至ChatGLM‑6B大模型，得到医疗大模型。将当前患者的第二历史病历信息作为医疗大模型的输入，以调用医疗大模型基于第二历史病历信息生成预查房结构化数据。调用语音识别和声纹识别技术将当前患者在查房过程中的语音信息转化为语音文本数据，构建语音文本数据对应的提示对话框作为医疗大模型的输入，输出查房数据。将预查房结构化数据与查房数据进行融合，审核后生成查房记录。
Description
技术领域
本发明涉及医疗辅助技术领域，特别是涉及一种医院查房记录生成方法、装置、电子设备及存储介质。
背景技术
查房记录是医生在每次查房时所做的书面记录，用于记录患者的病情、治疗计划和进展情况，通常包括患者的个人信息、主诉和病史、体格检查结果、实验室检查结果、诊断和治疗计划、治疗过程和进展以及医生的观察和建议。查房记录的主要目的是提供连续性的照护、评估治疗效果、促进交流和协作以及支持教育和研究，是医疗记录的一部分，对于医生的决策和行动，以及患者的病情和治疗过程具有重要意义。
目前，传统的查房记录是通过手写方式生成的，医生在查房时会携带纸质的病历本或查房记录表格，然后在患者的床边或办公室中手写记录。医生会使用钢笔或铅笔等书写工具，将患者的病情、体格检查结果、诊断以及治疗计划等信息逐一记录下来。随着电子医疗记录系统的发展，越来越多的医疗机构开始采用电子方式生成查房记录，医生可以使用电子设备如电脑、平板电脑或智能手机，在电子病历系统中输入和保存患者的相关信息。这种方式可以提高记录的准确性和可读性，同时也方便了信息的存储、共享和检索。但是，手写记录可能存在字迹不清晰、难以辨认的问题，进而导致信息的误解或遗漏。其次，手写记录需要花费较多的时间和精力，特别是在繁忙的医疗环境中，医生可能无法及时完成记录。此外，手写记录的存储和管理也可能面临困难，包括整理、归档和检索等方面。电子医疗记录系统的使用解决了手写记录的大部分问题，但是现阶段的电子医疗记录系统还是需要人工录入电子系统，仍然存在记录耗时问题。医生仍需要花费大量的时间在电脑或者移动端进行病历的录入工作，难以让医生从“电脑桌旁”回到“患者床旁”。
综上所述，现有的医院查房记录方法绝大程度上依赖于人工输入，使得医生需要花费较多的时间将查房记录输入系统，所花费的时间成本和人工成本较大。
发明内容
基于此，有必要针对上述技术问题，提供一种能够节约时间成本和人工成本的医院查房记录生成方法、装置、电子设备及存储介质。
本发明提供了一种医院查房记录生成方法，所述方法包括：
获取多个不同患者的第一历史病历信息，并将所述第一历史病历信息作为ChatGLM-6B大模型的训练数据，通过自回归的方式对所述ChatGLM-6B大模型进行预训练；
通过所述ChatGLM-6B大模型的低秩适应对预训练后的所述ChatGLM-6B大模型进行指令微调，并将lyraChatGlm推理加速库适配至所述ChatGLM-6B大模型，得到医疗大模型；
获取当前患者的第二历史病历信息，并将所述第二历史病历信息作为所述医疗大模型的输入，以调用所述医疗大模型基于所述第二历史病历信息生成预查房结构化数据；
调用语音识别和声纹识别技术将所述当前患者在查房过程中的语音信息转化为语音文本数据，并构建所述语音文本数据对应的提示对话框，作为所述医疗大模型的输入，以输出查房数据；
将所述预查房结构化数据与查房数据进行融合，并在通过审核后生成查房记录。
在其中一个实施例中，所述通过所述ChatGLM-6B大模型的低秩适应对预训练后的所述ChatGLM-6B大模型进行指令微调，并将lyraChatGlm推理加速库适配至所述ChatGLM-6B大模型，得到医疗大模型，包括：
调用所述ChatGLM-6B大模型的低秩适应，在所述第一历史病历信息中的每个任务中构建多种指令，以对所述每个任务的执行指令进行泛化；
基于所述每个任务对应的多种指令，构建预训练后的所述ChatGLM-6B大模型的指令训练集，并基于所述指令训练集对训练后的所述ChatGLM-6B大模型进行训练；
其中，所述第一历史病历信息中的任务至少包括病历报告生成任务、医疗文本实体抽取任务、医疗事件抽取任务、诊断/药品/手术标准化任务以及症状属性判断任务。
在其中一个实施例中，所述通过所述ChatGLM-6B大模型的低秩适应对预训练后的所述ChatGLM-6B大模型进行指令微调，并将lyraChatGlm推理加速库适配至所述ChatGLM-6B大模型，得到医疗大模型，还包括：
获取指令微调后的所述ChatGLM-6B大模型的模型输出数据，并对所述模型输出数据进行排序，以根据排序后的所述模型输出数据对奖励模型进行训练，得到打分模型；
调用所述打分模型通过强化学习的方式对所述中文医疗大模型进行训练，以对所述医疗大模型的输出结果进行多次迭代。
在其中一个实施例中，所述调用语音识别和声纹识别技术将所述当前患者在查房过程中的语音信息转化为语音文本数据，并构建所述语音文本数据对应的提示对话框，作为所述医疗大模型的输入，以输出查房数据，包括：
获取所述当前患者在查房时的第一语音信息，并调用语音识别和声纹识别技术将所述第一语音信息转化为第一语音文本数据；
基于所述第一语音文本数据构建所述第一语音文本数据对应的第一提示对话框，并将所述第一提示对话框作为所述医疗大模型的输入，以输出第一查房数据；
其中，所述第一语音信息为病房中所述当前患者与查房医生之间的语音信息。
在其中一个实施例中，所述调用语音识别和声纹识别技术将所述当前患者在查房过程中的语音信息转化为语音文本数据，并构建所述语音文本数据对应的提示对话框，作为所述医疗大模型的输入，以输出查房数据，还包括：
获取所述当前患者在查房结束后的第二语音信息，并调用语音识别和声纹识别技术将所述第二语音信息转化为第二语音文本数据；
基于所述第二语音文本数据构建所述第二语音文本数据对应的第二提示对话框，并将所述第二提示对话框作为所述医疗大模型的输入，以输出第二查房数据；
其中，所述第二语音信息为所述当前患者查房结束后查房医生对所述当前患者的查房内容进行讨论的语音信息。
在其中一个实施例中，所述将所述预查房结构化数据与查房数据进行融合，并在通过审核后生成查房记录，包括：
将所述预查房结构化数据、第一查房数据以及第二查房数据进行融合，得到初版查房记录；
对所述初版查房记录进行审核，并在审核结果符合设定预期后生成所述查房记录。
在其中一个实施例中，所述预查房结构化数据包括查体和辅助检查数据，所述查体至少包括体征数据以及基于任一次查房预生成的查体内容。
本发明还提供了一种医院查房记录生成装置，所述装置包括：
模型预训练模块，用于获取多个不同患者的第一历史病历信息，并将所述第一历史病历信息作为ChatGLM-6B大模型的训练数据，通过自回归的方式对所述ChatGLM-6B大模型进行预训练；
模型微调模块，用于通过所述ChatGLM-6B大模型的低秩适应对预训练后的所述ChatGLM-6B大模型进行指令微调，并将lyraChatGlm推理加速库适配至所述ChatGLM-6B大模型，得到医疗大模型；
模型处理模块，用于获取当前患者的第二历史病历信息，并将所述第二历史病历信息作为所述医疗大模型的输入，以调用所述医疗大模型基于所述第二历史病历信息生成预查房结构化数据；
语音识别模块，用于调用语音识别和声纹识别技术将所述当前患者在查房过程中的语音信息转化为语音文本数据，并构建所述语音文本数据对应的提示对话框，作为所述医疗大模型的输入，以输出查房数据；
查房记录生成模块，用于将所述预查房结构化数据与查房数据进行融合，并在通过审核后生成查房记录。
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医院查房记录生成方法。
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医院查房记录生成方法。
本发明还提供了一种计算机程序产品，包括计算机程序，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医院查房记录生成方法。
上述医院查房记录生成方法、装置、电子设备及存储介质，通过获取多个不同患者的历史病历信息，并将大量的历史病历信息作为ChatGLM-6B大模型的训练数据，通过自回归的方式对ChatGLM-6B大模型进行预训练。随后，通过ChatGLM-6B大模型的低秩适应对预训练后的ChatGLM-6B大模型进行指令微调，并将lyraChatGlm推理加速库适配至ChatGLM-6B大模型，得到医疗大模型。然后，获取当前患者的历史病历信息，并将当前患者的历史病历信息作为医疗大模型的输入，以调用医疗大模型基于当前患者的历史病历信息自动生成预查房结构化数据。其次，调用语音识别和声纹识别技术将当前患者在查房过程中的语音信息转化为语音文本数据，并构建语音文本数据对应的提示对话框，作为医疗大模型的输入，以输出查房数据。最后，将先前得到的预查房结构化数据与查房数据进行融合，并在通过审核后生成最终的查房记录。该方法通过对查房前、中、后期的语音和文本诊疗信息收集处理，通过医疗大模型自动生成查房记录，使得查房记录的生成能够最大程度地依托于电子医疗记录系统，实现了让医生从“电脑桌旁”回到“患者床旁”，在一定程度上节约了人工成本和时间成本。
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为本发明提供的医院查房记录生成方法流程示意图之一；
图2为本发明提供的具体实施例中医院查房记录生成方法的查房记录生成整体流程示意图；
图3为本发明提供的具体实施例中医院查房记录生成方法的查房记录生成系统的核心模块结构示意图；
图4为本发明提供的医院查房记录生成方法流程示意图之二；
图5为本发明提供的医院查房记录生成方法流程示意图之三；
图6为本发明提供的医院查房记录生成方法流程示意图之四；
图7为本发明提供的医院查房记录生成方法流程示意图之五；
图8为本发明提供的医院查房记录生成方法流程示意图之六；
图9为本发明提供的医院查房记录生成装置结构示意图；
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描述本发明的医院查房记录生成方法、装置、电子设备及存储介质。
如图1所示，在一个实施例中，一种医院查房记录生成方法，包括以下步骤：
步骤S110，获取多个不同患者的第一历史病历信息，并将第一历史病历信息作为ChatGLM-6B大模型的训练数据，通过自回归的方式对ChatGLM-6B大模型进行预训练。
具体的，服务器获取多个不同患者的历史病历信息，即第一历史病历信息，作为模型训练数据集，并将第一历史病历信息作为ChatGLM-6B大模型的训练数据，通过自回归的方式对ChatGLM-6B大模型进行预训练，来完成ChatGLM-6B大模型的领域适配。
结合图2所示，在具体的实施例中，本发明提供的医院查房记录生成方法，采用ChatGLM-6B作为基础中文大模型，整体训练过程分为三个阶段，分别是预训练阶段、指令微调阶段以及强化学习阶段。在预训练阶段，训练数据累积19w条数据，超3400w字符数，包含5个任务：病历报告生成、医疗文书实体抽取、医疗事件抽取、诊断/药品/手术标准化以及症状属性判断，通过自回归的方式完成模型的领域适配，以期模型在自然语言理解方面更强大。
步骤S120，通过ChatGLM-6B大模型的低秩适应对预训练后的ChatGLM-6B大模型进行指令微调，并将lyraChatGlm推理加速库适配至ChatGLM-6B大模型，得到医疗大模型。
具体的，服务器通过ChatGLM-6B大模型的低秩适应对预训练后的ChatGLM-6B大模型进行指令微调，并将lyraChatGlm推理加速库适配至ChatGLM-6B大模型，得到最终的医疗大模型。
结合图2所示，在具体的实施例中，本发明提供的医院查房记录生成方法，在指令微调阶段，使用LORA（Low-Rank Adaptation of Large Language Models，大型语言模型的低秩适应）方式，在每个任务中设计十余种指令构建方式，对数据的指令进行泛化，构建指令数据集作为该阶段的训练数据集，主要目的是使得模型具备指令理解的能力。此外，在强化学习阶段，通过人工对模型的输出答案进行排序，首先训练一个Reward模型（奖励模型），之后利用Reward模型作为打分模型，通过强化学习的方式训练中文医疗大模型，这个过程可以经过多次迭代，直到模型的效果满足预期，该阶段的主要目的是提升模型答案输出的质量，使之与人类意图对齐。
在本实施例中，大模型的推理速度是大模型走向落地时的一个重要问题，在不做任何模型优化时，从一个问题的输入到答案的生成往往需要4-6s的时间，这在实际使用时是难以被接受的。因此，通过调研主要的推理加速库，采用lyraChatGlm适配到医疗大模型，实现模型的高效加载。这使得医疗大模型推理速度提升了5倍左右。除此之外，还考虑到了在语料批量涌入时，通过分桶对输入的语料进行排序，来提升GPU使用效率，这可以在T+1调度或者离线的任务场景中，降低60%的计算耗时。目前，该医疗大模型的单条qps在600ms左右，批处理则可以达到250ms每条用例。
除此之外，考虑到实际应用时任务之间的解耦与强大模型的支撑，实现了MultiAdapters（多重适配器）落地部署的形式，由一个强大的default adalora adapter（默认适配器）提供任意医疗任务的支持，对于重要任务，则独立使用一个LoRA Adapter（内附实现代码）进行落地部署，这种插拔的形式解决了神经网络可解释性差、难以独立优化的问题。
在本实施例中，针对该医疗大模型的单条数据预测和批量数据预测进行了模型评测，包括：
（1）评测指标：BLEU（Bilingual Evaluation Understudy，是一种用于自动评估机器翻译质量的指标）、CIDEr（基于共识的图像描述评估）、ROUGE（Recall-OrientedUnderstudy for Gisting Evaluation，用于评估机器翻译和文章生成摘要的质量）、SkipThought cosine similarity（余弦相似度）、Embedding Average cosine similarity（通过嵌入向量计算相似度）、Greedy Matching score（候选文本与参考文本之间相似距离）、Vertor Extrema cosine similarty（极值余弦相似度）、PRF1（多分类评价指标）。
（2）定性评测指标：自动化评测分为两个部分： AI打分、关键点得分
a）AI打分：通过ChatGPT来对模型的输入和输出结果进行评测。
b）关键点得分：根据测试集standard_answer来拆解关键点/词，对于待评测医疗大模型的输出进行综合打分。
人工评测包括：主观评分、GSB评分。
a）主观评分：由医学人员对模型输出结果进行主观打分，可根据输出的语句通顺性、内容的事实性和准确性以及信息量分别给出0-10得分，最终取平均，也可直接给出最终得分（0-10）。
b）GSB评分：将本次迭代模型结果对比上次版本模型结果，给出Good（好）、Same（一般）、Bad（差）三种评价中的任一种。
计算方式：GSB = ($Good - $Bad) / ($Good + $Same + $Bad)。
总结：对大模型首次版本/大版本迭代进行100条以内的人工主观评分，作为首次打分，后续采用GSB评分方式进行快速迭代。
（3）性能评测指标：
a）资源占用：资源占用分内存占用、CPU占用以及GPU占用，测量方法为100条测试数据（内含通用领域、医疗基础、医疗应用）计算平均。
b）推理效率：推理效率按照RT为核心计算方式，同样采用上述100条测试数据，求取平均RT(s/条)，测评结果如表1所示：
表1
步骤S130，获取当前患者的第二历史病历信息，并将第二历史病历信息作为医疗大模型的输入，以调用医疗大模型基于第二历史病历信息生成预查房结构化数据。
具体的，服务器获取当前患者的历史病历信息，即第二历史病历信息，并将第二历史病历信息作为医疗大模型的输入，以调用医疗大模型基于第二历史病历信息生成预查房结构化数据。
结合图2所示，在具体的实施例中，本发明提供的医院查房记录生成方法，预查房结构化数据包括查体和辅助检查数据，查体包括常规的体征数据、基于前次查房（首次查房的根据首程）预生成查体内容，查房过程中书写医生进行审核校验即可。对于病情有重要变化，如前一天有手术，次日增加对应的但不限于切口描述、引流管、引流量、引流液形状等内容，查房过程中书写医生进行校验填写。辅助检查预生成查房过程可能使用到的检查检验等，支持手工增减，供书写医生在查房时点击获取并勾选记录。
步骤S140，调用语音识别和声纹识别技术将当前患者在查房过程中的语音信息转化为语音文本数据，并构建语音文本数据对应的提示对话框，作为医疗大模型的输入，以输出查房数据。
具体的，服务器调用语音识别和声纹识别技术，将当前患者在查房过程中的语音信息转化为语音文本数据，并构建该语音文本数据对应的提示对话框（Prompt），作为医疗大模型的输入，以输出关于该语音信息的查房数据。
结合图2所示，在具体的实施例中，本发明提供的医院查房记录生成方法，查房过程主要为查体和医患问诊对话，对于查体中非语音信息，书写医生可以点击获取预查房结构化数据模板，对其进行添加、修改和审核等，完成查体的文本记录。对于医患问诊对话数据，通过自动语音识别(ASR)和声纹识别技术，将语音对话转换为对话文本并区分出对话角色，使用Prompt构造提示范例，输入到构建的医疗大模型中，输出一部分查房记录内容。查房后带队医生、管床医生/住培医生等开会对查房信息进行讨论，也需要将讨论内容作为查房记录内容，同样通过自动语音识别(ASR)技术，将语音对话转换为文本，使用Prompt构造提示范例，输入到医疗大模型中，输出另一部分查房记录内容。最终，这两部分查房记录内容共同构成完整的查房记录数据。
步骤S150，将预查房结构化数据与查房数据进行融合，并在通过审核后生成查房记录。
具体的，服务器将先前得到的预查房结构化数据与查房数据进行融合，并在通过审核后生成查房记录。
结合图2所示，在具体的实施例中，本发明提供的医院查房记录生成方法，将先前得到的完成的查房记录数据与查房结构化数据模板相融合，生成初版的查房记录，给书写医生进行审核和修改，书写医生点击确定后生成最终完整的查房记录。
结合图3所示，在具体的实施例中，本发明提供的医院查房记录生成方法，可以通过查房记录生成系统实现，该系统根据实际医疗业务场景进行分析，把医生查房全流程分为四个场景分别为查房前的预查房结构化数据生成、查房对话记录、查体记录以及医生在查房结束后的讨论。后三个场景都可能是对话语音信息，需使用ASR（Automatic SpeechRecognition，语音识别）和声纹识别技术来自动生成对话文本和对话角色。然后，将各个场景下处理后的文本，通过Prompt输入医疗大模型，自动生成初版查房记录，再由查房医生进行审核修改，产出最终查房记录文书。该系统中每个模块及其功能如下：
预查房结构化数据模块：利用Prompt提示工程，将患者病情信息输入大模型，由大模型自动生成预查房结构化信息，可供书写医生在查房时点击记录。
查体信息模块：查房医生通过视觉、触觉及听觉对患者进行检查，书写医生可通过查房医生的反馈使用ASR或文字记录查体结果。
医患对话模块：患者与查房医生之间的对话通过ASR及声纹识别，输出文本，并通过大模型进行自动改写。
医生讨论模块：离开病房后，医生们在办公室进行集体讨论，通过ASR，将语音转写为文本。
ASR模块：ASR用于将人类的口头语音转换为文本形式，ASR技术利用声音信号处理、机器学习和语言模型等方法，通过分析语音信号的频率、时域特征以及语音中的语音单元（如音素或音节），来识别和转录出口头语言。
大模型生成模块：由医疗数据训练完成的医疗大模型，用于查房记录报告的自动生成。
查房记录生成模块：将自动生成的查房记录报告由书写医生进行修改审核后，形成最终的查房记录报告。
在本实施例中，考虑到查房前、中、后全流程，提供了包含查房前的预查房结构化数据生成、查房对话记录、查体记录以及医生在查房结束后的讨论四个部分，并且在每个部分中都使用医疗大模型自动生成查房记录，实现了覆盖医生查房所有场景的同时在各个场景自动生成查房记录，帮助医生从繁重的查房记录书写中解脱出来，可以有更多的时间用于与患者的沟通中，节省了人力成本和时间成本。
上述医院查房记录生成方法，通过获取多个不同患者的历史病历信息，并将大量的历史病历信息作为ChatGLM-6B大模型的训练数据，通过自回归的方式对ChatGLM-6B大模型进行预训练。随后，通过ChatGLM-6B大模型的低秩适应对预训练后的ChatGLM-6B大模型进行指令微调，并将lyraChatGlm推理加速库适配至ChatGLM-6B大模型，得到医疗大模型。然后，获取当前患者的历史病历信息，并将当前患者的历史病历信息作为医疗大模型的输入，以调用医疗大模型基于当前患者的历史病历信息自动生成预查房结构化数据。其次，调用语音识别和声纹识别技术将当前患者在查房过程中的语音信息转化为语音文本数据，并构建语音文本数据对应的提示对话框，作为医疗大模型的输入，以输出查房数据。最后，将先前得到的预查房结构化数据与查房数据进行融合，并在通过审核后生成最终的查房记录。该方法通过对查房前、中、后期的语音和文本诊疗信息收集处理，通过医疗大模型自动生成查房记录，使得查房记录的生成能够最大程度地依托于电子医疗记录系统，实现了让医生从“电脑桌旁”回到“患者床旁”，在一定程度上节约了人工成本和时间成本。
如图4所示，在一个实施例中，本发明提供的医院查房记录生成方法，通过ChatGLM-6B大模型的低秩适应对预训练后的ChatGLM-6B大模型进行指令微调，并将lyraChatGlm推理加速库适配至ChatGLM-6B大模型，得到医疗大模型，具体包括以下步骤：
步骤S122，调用ChatGLM-6B大模型的低秩适应，在第一历史病历信息中的每个任务中构建多种指令，以对每个任务的执行指令进行泛化。
具体的，服务器调用ChatGLM-6B大模型的低秩适应，在第一历史病历信息中的每个任务中构建多种指令，以对每个任务的执行指令进行泛化。
其中，第一历史病历信息中的任务至少包括病历报告生成任务、医疗文本实体抽取任务、医疗事件抽取任务、诊断/药品/手术标准化任务以及症状属性判断任务。
步骤S124，基于每个任务对应的多种指令，构建预训练后的ChatGLM-6B大模型的指令训练集，并基于指令训练集对训练后的ChatGLM-6B大模型进行训练。
具体的，服务器基于每个任务对应的多种指令，构建预训练后的ChatGLM-6B大模型的指令训练集，作为当前阶段的数据训练集，随后基于该指令训练集对训练后的ChatGLM-6B大模型进行训练，来完成对ChatGLM-6B大模型进行指令微调。
如图5所示，在一个实施例中，本发明提供的医院查房记录生成方法，通过ChatGLM-6B大模型的低秩适应对预训练后的ChatGLM-6B大模型进行指令微调，并将lyraChatGlm推理加速库适配至ChatGLM-6B大模型，得到医疗大模型，具体还包括以下步骤：
步骤S126，获取指令微调后的ChatGLM-6B大模型的模型输出数据，并对模型输出数据进行排序，以根据排序后的模型输出数据对奖励模型进行训练，得到打分模型。
具体的，服务器获取指令微调后的ChatGLM-6B大模型的模型输出数据，并对该模型输出数据进行排序，已根据排序后的模型输出数据对奖励模型进行训练，得到相应的打分模型。
步骤S128，调用打分模型通过强化学习的方式对中文医疗大模型进行训练，以对医疗大模型的输出结果进行多次迭代。
具体的，服务器调用步骤S126中得到的打分模型通过强化学习的方式对中文医疗大模型进行训练，以对医疗大模型的输出结果进行多次迭代，直到模型的输出效果满足预期，其主要目的是为了提升模型答案输出的质量，使之与期望对齐。
如图6所示，在一个实施例中，本发明提供的医院查房记录生成方法，调用语音识别和声纹识别技术将当前患者在查房过程中的语音信息转化为语音文本数据，并构建语音文本数据对应的提示对话框，作为医疗大模型的输入，以输出查房数据，具体包括以下步骤：
步骤S142，获取当前患者在查房时的第一语音信息，并调用语音识别和声纹识别技术将第一语音信息转化为第一语音文本数据。
具体的，服务器获取当前患者在查房时的病房中当前患者与查房医生之间的语音信息，即第一语音信息，并调用语音识别（ASR）和声纹识别技术将该第一语音信息转化为相应的文本数据，即第一语音文本数据。
步骤S144，基于第一语音文本数据构建第一语音文本数据对应的第一提示对话框，并将第一提示对话框作为医疗大模型的输入，以输出第一查房数据。
具体的，服务器基于步骤S142中得到的第一语音文本数据构建该第一语音文本数据对应的提示对话框（Prompt），即第一提示对话框，并将该第一提示对话框作为医疗大模型的输入，以输出相应的部分查房数据，即第一查房数据。
如图7所示，在一个实施例中，本发明提供的医院查房记录生成方法，调用语音识别和声纹识别技术将当前患者在查房过程中的语音信息转化为语音文本数据，并构建语音文本数据对应的提示对话框，作为医疗大模型的输入，以输出查房数据，具体还包括以下步骤：
步骤S146，获取当前患者在查房结束后的第二语音信息，并调用语音识别和声纹识别技术将第二语音信息转化为第二语音文本数据。
具体的，服务器获取当前患者在查房结束后查房医生在办公室对该当前患者的查房内容进行讨论的语音信息，即第二语音信息，并调用语音识别和声纹识别技术将该第二语音信息转化为相应的文本数据，即第二语音文本数据。
步骤S148，基于第二语音文本数据构建第二语音文本数据对应的第二提示对话框，并将第二提示对话框作为医疗大模型的输入，以输出第二查房数据。
具体的，服务器基于步骤哦S146中得到的第二语音文本数据构建该第二语音文本数据对应的提示对话框（Prompt），即第二提示对话框，并将该第二提示对话框作为医疗大模型的输入，以输出相应的部分查房数据，即第二查房数据。
如图8所示，在一个实施例中，本发明提供的医院查房记录生成方法，将预查房结构化数据与查房数据进行融合，并在通过审核后生成查房记录，具体包括以下步骤：
步骤S152，将预查房结构化数据、第一查房数据以及第二查房数据进行融合，得到初版查房记录。
具体的，服务器将先前得到的预查房结构化数据、第一查房数据以及第二查房数据进行融合，得到满足预查房结构化数据模板的初版查房记录。
步骤S154，对初版查房记录进行审核，并在审核结果符合设定预期后生成查房记录。
具体的，服务器通过对步骤S152中得到的初版查房记录进行审核，并在审核结果符合设定预期后生成最终版本的查房记录。
下面对本发明提供的医院查房记录生成装置进行描述，下文描述的医院查房记录生成装置与上文描述的医院查房记录生成方法可相互对应参照。
如图9所示，在一个实施例中，一种医院查房记录生成装置，包括模型预训练模块910、模型微调模块920、模型处理模块930、语音识别模块940以及查房记录生成模块950。
模型预训练模块910用于获取多个不同患者的第一历史病历信息，并将第一历史病历信息作为ChatGLM-6B大模型的训练数据，通过自回归的方式对ChatGLM-6B大模型进行预训练。
模型微调模块920用于通过ChatGLM-6B大模型的低秩适应对预训练后的ChatGLM-6B大模型进行指令微调，并将lyraChatGlm推理加速库适配至ChatGLM-6B大模型，得到医疗大模型。
模型处理模块930用于获取当前患者的第二历史病历信息，并将第二历史病历信息作为医疗大模型的输入，以调用医疗大模型基于第二历史病历信息生成预查房结构化数据。
语音识别模块940用于调用语音识别和声纹识别技术将当前患者在查房过程中的语音信息转化为语音文本数据，并构建语音文本数据对应的提示对话框，作为医疗大模型的输入，以输出查房数据。
查房记录生成模块950用于将预查房结构化数据与查房数据进行融合，并在通过审核后生成查房记录。
在本实施例中，本发明提供的医院查房记录生成装置，模型微调模块具体用于：
调用ChatGLM-6B大模型的低秩适应，在第一历史病历信息中的每个任务中构建多种指令，以对每个任务的执行指令进行泛化。
基于每个任务对应的多种指令，构建预训练后的ChatGLM-6B大模型的指令训练集，并基于指令训练集对训练后的ChatGLM-6B大模型进行训练。
其中，第一历史病历信息中的任务至少包括病历报告生成任务、医疗文本实体抽取任务、医疗事件抽取任务、诊断/药品/手术标准化任务以及症状属性判断任务。
在本实施例中，本发明提供的医院查房记录生成装置，模型微调模块具体还用于：
获取指令微调后的ChatGLM-6B大模型的模型输出数据，并对模型输出数据进行排序，以根据排序后的模型输出数据对奖励模型进行训练，得到打分模型。
调用打分模型通过强化学习的方式对中文医疗大模型进行训练，以对医疗大模型的输出结果进行多次迭代。
在本实施例中，本发明提供的医院查房记录生成装置，语音识别模块具体用于：
获取当前患者在查房时的第一语音信息，并调用语音识别和声纹识别技术将第一语音信息转化为第一语音文本数据。
基于第一语音文本数据构建第一语音文本数据对应的第一提示对话框，并将第一提示对话框作为医疗大模型的输入，以输出第一查房数据。
其中，第一语音信息为病房中当前患者与查房医生之间的语音信息。
在本实施例中，本发明提供的医院查房记录生成装置，语音识别模块具体还用于：
获取当前患者在查房结束后的第二语音信息，并调用语音识别和声纹识别技术将第二语音信息转化为第二语音文本数据。
基于第二语音文本数据构建第二语音文本数据对应的第二提示对话框，并将第二提示对话框作为医疗大模型的输入，以输出第二查房数据。
其中，第二语音信息为当前患者查房结束后查房医生对当前患者的查房内容进行讨论的语音信息。
在本实施例中，本发明提供的医院查房记录生成装置，查房记录生成模块具体用于：
将预查房结构化数据、第一查房数据以及第二查房数据进行融合，得到初版查房记录。
对初版查房记录进行审核，并在审核结果符合设定预期后生成查房记录。
在本实施例中，本发明提供的医院查房记录生成装置，预查房结构化数据包括查体和辅助检查数据，查体至少包括体征数据以及基于任一次查房预生成的查体内容。
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医院查房记录生成方法，该方法包括：
获取多个不同患者的第一历史病历信息，并将第一历史病历信息作为ChatGLM-6B大模型的训练数据，通过自回归的方式对ChatGLM-6B大模型进行预训练；
通过ChatGLM-6B大模型的低秩适应对预训练后的ChatGLM-6B大模型进行指令微调，并将lyraChatGlm推理加速库适配至ChatGLM-6B大模型，得到医疗大模型；
获取当前患者的第二历史病历信息，并将第二历史病历信息作为医疗大模型的输入，以调用医疗大模型基于第二历史病历信息生成预查房结构化数据；
调用语音识别和声纹识别技术将当前患者在查房过程中的语音信息转化为语音文本数据，并构建语音文本数据对应的提示对话框，作为医疗大模型的输入，以输出查房数据；
将预查房结构化数据与查房数据进行融合，并在通过审核后生成查房记录。
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医院查房记录生成方法，该方法包括：
获取多个不同患者的第一历史病历信息，并将第一历史病历信息作为ChatGLM-6B大模型的训练数据，通过自回归的方式对ChatGLM-6B大模型进行预训练；
通过ChatGLM-6B大模型的低秩适应对预训练后的ChatGLM-6B大模型进行指令微调，并将lyraChatGlm推理加速库适配至ChatGLM-6B大模型，得到医疗大模型；
获取当前患者的第二历史病历信息，并将第二历史病历信息作为医疗大模型的输入，以调用医疗大模型基于第二历史病历信息生成预查房结构化数据；
调用语音识别和声纹识别技术将当前患者在查房过程中的语音信息转化为语音文本数据，并构建语音文本数据对应的提示对话框，作为医疗大模型的输入，以输出查房数据；
将预查房结构化数据与查房数据进行融合，并在通过审核后生成查房记录。
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医院查房记录生成方法，该方法包括：
获取多个不同患者的第一历史病历信息，并将第一历史病历信息作为ChatGLM-6B大模型的训练数据，通过自回归的方式对ChatGLM-6B大模型进行预训练；
通过ChatGLM-6B大模型的低秩适应对预训练后的ChatGLM-6B大模型进行指令微调，并将lyraChatGlm推理加速库适配至ChatGLM-6B大模型，得到医疗大模型；
获取当前患者的第二历史病历信息，并将第二历史病历信息作为医疗大模型的输入，以调用医疗大模型基于第二历史病历信息生成预查房结构化数据；
调用语音识别和声纹识别技术将当前患者在查房过程中的语音信息转化为语音文本数据，并构建语音文本数据对应的提示对话框，作为医疗大模型的输入，以输出查房数据；
将预查房结构化数据与查房数据进行融合，并在通过审核后生成查房记录。
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 (10)
1.一种医院查房记录生成方法，其特征在于，所述方法包括：
获取多个不同患者的第一历史病历信息，并将所述第一历史病历信息作为ChatGLM-6B大模型的训练数据，通过自回归的方式对所述ChatGLM-6B大模型进行预训练；
通过所述ChatGLM-6B大模型的低秩适应对预训练后的所述ChatGLM-6B大模型进行指令微调，并将lyraChatGlm推理加速库适配至所述ChatGLM-6B大模型，得到医疗大模型；
获取当前患者的第二历史病历信息，并将所述第二历史病历信息作为所述医疗大模型的输入，以调用所述医疗大模型基于所述第二历史病历信息生成预查房结构化数据；
调用语音识别和声纹识别技术将所述当前患者在查房过程中的语音信息转化为语音文本数据，并构建所述语音文本数据对应的提示对话框，作为所述医疗大模型的输入，以输出查房数据；
将所述预查房结构化数据与查房数据进行融合，并在通过审核后生成查房记录。
2.根据权利要求1所述的医院查房记录生成方法，其特征在于，所述通过所述ChatGLM-6B大模型的低秩适应对预训练后的所述ChatGLM-6B大模型进行指令微调，并将lyraChatGlm推理加速库适配至所述ChatGLM-6B大模型，得到医疗大模型，包括：
调用所述ChatGLM-6B大模型的低秩适应，在所述第一历史病历信息中的每个任务中构建多种指令，以对所述每个任务的执行指令进行泛化；
基于所述每个任务对应的多种指令，构建预训练后的所述ChatGLM-6B大模型的指令训练集，并基于所述指令训练集对训练后的所述ChatGLM-6B大模型进行训练；
其中，所述第一历史病历信息中的任务至少包括病历报告生成任务、医疗文本实体抽取任务、医疗事件抽取任务、诊断/药品/手术标准化任务以及症状属性判断任务。
3.根据权利要求2所述的医院查房记录生成方法，其特征在于，所述通过所述ChatGLM-6B大模型的低秩适应对预训练后的所述ChatGLM-6B大模型进行指令微调，并将lyraChatGlm推理加速库适配至所述ChatGLM-6B大模型，得到医疗大模型，还包括：
获取指令微调后的所述ChatGLM-6B大模型的模型输出数据，并对所述模型输出数据进行排序，以根据排序后的所述模型输出数据对奖励模型进行训练，得到打分模型；
调用所述打分模型通过强化学习的方式对所述中文医疗大模型进行训练，以对所述医疗大模型的输出结果进行多次迭代。
4.根据权利要求1所述的医院查房记录生成方法，其特征在于，所述调用语音识别和声纹识别技术将所述当前患者在查房过程中的语音信息转化为语音文本数据，并构建所述语音文本数据对应的提示对话框，作为所述医疗大模型的输入，以输出查房数据，包括：
获取所述当前患者在查房时的第一语音信息，并调用语音识别和声纹识别技术将所述第一语音信息转化为第一语音文本数据；
基于所述第一语音文本数据构建所述第一语音文本数据对应的第一提示对话框，并将所述第一提示对话框作为所述医疗大模型的输入，以输出第一查房数据；
其中，所述第一语音信息为病房中所述当前患者与查房医生之间的语音信息。
5.根据权利要求4所述的医院查房记录生成方法，其特征在于，所述调用语音识别和声纹识别技术将所述当前患者在查房过程中的语音信息转化为语音文本数据，并构建所述语音文本数据对应的提示对话框，作为所述医疗大模型的输入，以输出查房数据，还包括：
获取所述当前患者在查房结束后的第二语音信息，并调用语音识别和声纹识别技术将所述第二语音信息转化为第二语音文本数据；
基于所述第二语音文本数据构建所述第二语音文本数据对应的第二提示对话框，并将所述第二提示对话框作为所述医疗大模型的输入，以输出第二查房数据；
其中，所述第二语音信息为所述当前患者查房结束后查房医生对所述当前患者的查房内容进行讨论的语音信息。
6.根据权利要求5所述的医院查房记录生成方法，其特征在于，所述将所述预查房结构化数据与查房数据进行融合，并在通过审核后生成查房记录，包括：
将所述预查房结构化数据、第一查房数据以及第二查房数据进行融合，得到初版查房记录；
对所述初版查房记录进行审核，并在审核结果符合设定预期后生成所述查房记录。
7.根据权利要求1至6任一项所述的医院查房记录生成方法，其特征在于，所述预查房结构化数据包括查体和辅助检查数据，所述查体至少包括体征数据以及基于任一次查房预生成的查体内容。
8.一种医院查房记录生成装置，其特征在于，所述装置包括：
模型预训练模块，用于获取多个不同患者的第一历史病历信息，并将所述第一历史病历信息作为ChatGLM-6B大模型的训练数据，通过自回归的方式对所述ChatGLM-6B大模型进行预训练；
模型微调模块，用于通过所述ChatGLM-6B大模型的低秩适应对预训练后的所述ChatGLM-6B大模型进行指令微调，并将lyraChatGlm推理加速库适配至所述ChatGLM-6B大模型，得到医疗大模型；
模型处理模块，用于获取当前患者的第二历史病历信息，并将所述第二历史病历信息作为所述医疗大模型的输入，以调用所述医疗大模型基于所述第二历史病历信息生成预查房结构化数据；
语音识别模块，用于调用语音识别和声纹识别技术将所述当前患者在查房过程中的语音信息转化为语音文本数据，并构建所述语音文本数据对应的提示对话框，作为所述医疗大模型的输入，以输出查房数据；
查房记录生成模块，用于将所述预查房结构化数据与查房数据进行融合，并在通过审核后生成查房记录。
9.一种电子设备，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7中任一项所述的方法的步骤。
10.一种计算机存储介质，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7中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410406751.7A CN117995373B (zh) | 2024-04-07 | 医院查房记录生成方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410406751.7A CN117995373B (zh) | 2024-04-07 | 医院查房记录生成方法、装置、电子设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117995373A true CN117995373A (zh) | 2024-05-07 |
| CN117995373B CN117995373B (zh) | 2024-06-21 |
Family
ID=
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101237487A (zh) * | 2007-12-04 | 2008-08-06 | 中兴通讯股份有限公司 | 一种语音会议中实现私人聊天的方法及系统 |
| CA2809422A1 (en) * | 2012-03-15 | 2013-09-15 | Arshia Tabrizi | Expert answer platform methods, apparatuses and media |
| CN106407680A (zh) * | 2016-09-13 | 2017-02-15 | 上海市徐汇区中心医院 | 一种远程诊疗系统 |
| CN106934244A (zh) * | 2017-03-20 | 2017-07-07 | 龚昕 | 一种基于智能终端的医疗护理云平台 |
| KR20210077062A (ko) * | 2019-12-16 | 2021-06-25 | 주식회사 세타랩 | Ai 기반 임상실습 교육을 위한 대화용 피드백 봇 |
| CN117174231A (zh) * | 2023-09-05 | 2023-12-05 | 浙江大学 | 一种智能病历管理系统 |
| 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 |
| US20240029901A1 (en) * | 2018-10-30 | 2024-01-25 | Matvey Ezhov | Systems and Methods to generate a personalized medical summary (PMS) from a practitioner-patient conversation. |
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101237487A (zh) * | 2007-12-04 | 2008-08-06 | 中兴通讯股份有限公司 | 一种语音会议中实现私人聊天的方法及系统 |
| CA2809422A1 (en) * | 2012-03-15 | 2013-09-15 | Arshia Tabrizi | Expert answer platform methods, apparatuses and media |
| CN106407680A (zh) * | 2016-09-13 | 2017-02-15 | 上海市徐汇区中心医院 | 一种远程诊疗系统 |
| CN106934244A (zh) * | 2017-03-20 | 2017-07-07 | 龚昕 | 一种基于智能终端的医疗护理云平台 |
| US20240029901A1 (en) * | 2018-10-30 | 2024-01-25 | Matvey Ezhov | Systems and Methods to generate a personalized medical summary (PMS) from a practitioner-patient conversation. |
| KR20210077062A (ko) * | 2019-12-16 | 2021-06-25 | 주식회사 세타랩 | Ai 기반 임상실습 교육을 위한 대화용 피드백 봇 |
| CN117174231A (zh) * | 2023-09-05 | 2023-12-05 | 浙江大学 | 一种智能病历管理系统 |
| 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 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110489538B (zh) | 基于人工智能的语句应答方法、装置及电子设备 | |
| CN112036154B (zh) | 基于问诊对话的电子病历生成方法、装置和计算机设备 | |
| WO2021000408A1 (zh) | 面试评分方法、装置、设备及存储介质 | |
| US7685082B1 (en) | System and method for identifying, prioritizing and encapsulating errors in accounting data | |
| CN110264330B (zh) | 信用指标计算方法、装置、计算机可读存储介质 | |
| CN111930914A (zh) | 问题生成方法和装置、电子设备以及计算机可读存储介质 | |
| CN115599901B (zh) | 基于语义提示的机器问答方法、装置、设备及存储介质 | |
| CN111414746A (zh) | 一种匹配语句确定方法、装置、设备及存储介质 | |
| EP3832485A1 (en) | Question answering systems | |
| CN111753553B (zh) | 语句类型识别方法、装置、电子设备和存储介质 | |
| Das et al. | Mixed Bangla-English spoken digit classification using convolutional neural network | |
| CN113627159A (zh) | 纠错模型的训练数据确定方法、装置、介质及产品 | |
| Sen et al. | A New Era for Data Analysis in Qualitative Research: ChatGPT!. | |
| CN117370190A (zh) | 测试用例生成方法、装置、电子设备和存储介质 | |
| CN116484836B (zh) | 基于nlp模型的问卷生成系统、方法、电子设备及介质 | |
| CN117995373B (zh) | 医院查房记录生成方法、装置、电子设备及存储介质 | |
| CN117009113A (zh) | 人工智能模型的调用方法、装置、计算机设备及存储介质 | |
| CN117995373A (zh) | 医院查房记录生成方法、装置、电子设备及存储介质 | |
| CN112948580B (zh) | 一种文本分类的方法和系统 | |
| CN115203356A (zh) | 专业领域问答库构建方法、问答方法及系统 | |
| Pandey et al. | Interview bot with automatic question generation and answer evaluation | |
| CN115408500A (zh) | 问答一致性的评估方法、装置、电子设备及介质 | |
| CN117809798B (zh) | 基于大模型的检验报告解读方法、系统、设备及介质 | |
| CN116991982B (zh) | 基于人工智能的交互式对话方法、装置、设备及存储介质 | |
| CN117743315B (zh) | 一种为多模态大模型系统提供高质量数据的方法 |
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 |