[發(fā)明專利]基于醫(yī)保數(shù)據(jù)的單病種診斷信息快速結(jié)構(gòu)化方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201811045058.2
• 申請(qǐng)日: 2018-09-07
• 公開（公告）號(hào): CN109344250B
• 公開（公告）日: 2021-11-19
• 發(fā)明（設(shè)計(jì)）人: 王勝鋒;詹思延;許璐;馮菁楠;劉國(guó)臻;高培;王金喜;尉晨
• 申請(qǐng)（專利權(quán)）人: 北京大學(xué)
• 主分類號(hào): G06F16/35
• 分類號(hào): G06F16/35;G06F40/289;G16H70/00
• 代理公司: 北京萬象新悅知識(shí)產(chǎn)權(quán)代理有限公司 11360
• 代理人: 黃鳳茹

本發(fā)明公布了一種基于醫(yī)保數(shù)據(jù)的單病種診斷信息快速結(jié)構(gòu)化的方法，針對(duì)醫(yī)療大數(shù)據(jù)中的診斷信息進(jìn)行結(jié)構(gòu)化，構(gòu)建單病種詞庫；包括：從醫(yī)保數(shù)據(jù)庫中提取診斷信息；將非結(jié)構(gòu)化文本分割成多個(gè)詞匯文本；將詞匯文本的詞性進(jìn)行標(biāo)注；訓(xùn)練詞向量；正序排序，切分成相應(yīng)的詞集合；使用余弦距離求詞之間的關(guān)聯(lián)性；得到與疾病的標(biāo)準(zhǔn)表述最為相似的詞表，作為標(biāo)準(zhǔn)詞列表；專業(yè)人員進(jìn)行計(jì)算機(jī)輔助的人工核查并多次重復(fù)。本發(fā)明方法可用來實(shí)現(xiàn)單病種診斷文本數(shù)據(jù)個(gè)性化的快速結(jié)構(gòu)化，為充分地、高效地利用醫(yī)保數(shù)據(jù)中診斷信息提供技術(shù)支持，能夠極大提升數(shù)據(jù)處理與利用的效率，加快醫(yī)療大數(shù)據(jù)轉(zhuǎn)化的推廣應(yīng)用。

技術(shù)領(lǐng)域

本發(fā)明提供了醫(yī)保數(shù)據(jù)庫中關(guān)于單病種的診斷數(shù)據(jù)/信息的快速結(jié)構(gòu)化方法，屬于醫(yī)學(xué)文本處理技術(shù)領(lǐng)域。

背景技術(shù)

醫(yī)保數(shù)據(jù)(Claims data)是醫(yī)療保險(xiǎn)業(yè)務(wù)過程中產(chǎn)生的數(shù)據(jù)，數(shù)據(jù)量龐大，覆蓋大規(guī)模人群，并且能完整真實(shí)地記錄該人群在一定時(shí)間范圍內(nèi)的就診信息和報(bào)銷記錄等。

目前，越來越多的醫(yī)學(xué)領(lǐng)域工作者開始嘗試?yán)冕t(yī)療大數(shù)據(jù)進(jìn)行進(jìn)行處理與應(yīng)用，如：美國(guó)食品藥品管理局(FDA)的哨點(diǎn)計(jì)劃采用數(shù)據(jù)通用模型(CDM)對(duì)不同來源的數(shù)據(jù)進(jìn)行統(tǒng)一規(guī)范的處理，從而實(shí)現(xiàn)通過主動(dòng)監(jiān)測(cè)完成藥品評(píng)價(jià)工作。

但是，醫(yī)療大數(shù)據(jù)中存在著大量非結(jié)構(gòu)化的文本(主要是診斷信息)，比如對(duì)于同一種疾病，可能會(huì)存在多種不同的表述。這些表述大都不夠規(guī)范，甚至?xí)绣e(cuò)別字的問題。這些都給諸如：醫(yī)保數(shù)據(jù)、區(qū)域化數(shù)據(jù)、電子化病歷等醫(yī)療大數(shù)據(jù)的利用帶來了巨大的困難，導(dǎo)致大量數(shù)據(jù)的“閑置”。

對(duì)于統(tǒng)計(jì)學(xué)習(xí)和深度學(xué)習(xí)相結(jié)合的多類型中文病歷文本相似度檢索的實(shí)現(xiàn)，關(guān)鍵在于正確的將疾病與病癥正確的分類處理，及求解長(zhǎng)文本向量距離的方法。以往一般采用的方案及其缺點(diǎn)主要包括以下幾方面：

(1)采用直接使用中文分詞工具將長(zhǎng)文本分詞，再進(jìn)行長(zhǎng)文本向量的計(jì)算，并直接使用向量之間的距離求解相似的長(zhǎng)文本病歷，根據(jù)依存句法分析來計(jì)算相似度，其弊端是求解得到的長(zhǎng)文本在字面上的意思并不相近。

(2)通過直接采用基于詞典的中文分詞和命名實(shí)體識(shí)別工具，再進(jìn)行計(jì)算長(zhǎng)文本向量，然后使用組合距離方法求解相似長(zhǎng)文本，由于這種方案的效果取決于詞典的覆蓋率，隨著新詞的不斷出現(xiàn)，有明顯的缺陷。

(3)使用給句子中的每個(gè)詞賦予正確的詞法標(biāo)注，為每一個(gè)詞賦予一個(gè)類別，進(jìn)行詞性標(biāo)記，再直接進(jìn)行長(zhǎng)文本向量的計(jì)算，使用單一距離計(jì)算長(zhǎng)文本相似度，最后求解出的相似文本的相似度并不能滿足醫(yī)生的需求，這樣的統(tǒng)計(jì)距離方法很難將語言知識(shí)融入計(jì)算當(dāng)中，需要人工額外的糾正。

醫(yī)保數(shù)據(jù)結(jié)構(gòu)化的目的是推動(dòng)醫(yī)學(xué)研究，而醫(yī)學(xué)研究常常是從一種或幾種疾病入手，傳統(tǒng)的面向整個(gè)數(shù)據(jù)庫、全部病種的結(jié)構(gòu)化處理，存在寬泛而粗糙的問題，而缺乏針對(duì)某一單一病種的更為個(gè)性化、精細(xì)快速的醫(yī)學(xué)文本處理技術(shù)。

發(fā)明內(nèi)容

為了克服上述現(xiàn)有技術(shù)的不足，本發(fā)明提供一種基于醫(yī)保數(shù)據(jù)的單病種(如：多發(fā)性骨髓瘤、肌萎縮側(cè)索硬化、白化病、Alport綜合征、自身免疫性腦炎等)診斷數(shù)據(jù)快速結(jié)構(gòu)化的方法，可用來實(shí)現(xiàn)單病種診斷文本數(shù)據(jù)個(gè)性化的快速結(jié)構(gòu)化，為充分地、高效地利用醫(yī)保數(shù)據(jù)中診斷信息提供技術(shù)支持，能夠極大提升數(shù)據(jù)處理與利用的效率，加快醫(yī)療大數(shù)據(jù)轉(zhuǎn)化的推廣應(yīng)用；包括進(jìn)行疾病的患病率、發(fā)病率、死亡率、病死率等描述性流行病學(xué)測(cè)算，病例對(duì)照分析、長(zhǎng)期大規(guī)模的隊(duì)列分析，隨機(jī)對(duì)照試驗(yàn)等分析流行病學(xué)和實(shí)驗(yàn)流行病學(xué)領(lǐng)域的問題。