[發明專利]醫療數據處理方法、裝置電子設備及計算機可讀介質

有效

• 申請號: 201811269760.7
• 申請日: 2018-10-29
• 公開（公告）號: CN109378064B
• 公開（公告）日: 2021-02-02
• 發明（設計）人: 李林峰
• 申請（專利權）人: 南京醫基云醫療數據研究院有限公司
• 主分類號: G16H50/20
• 分類號: G16H50/20;G16H50/70;G06N3/08
• 代理公司: 北京律智知識產權代理有限公司 11438
• 代理人: 袁禮君;闞梓瑄

本公開涉及一種醫療數據處理方法、裝置、電子設備及計算機可讀介質。該方法包括：抽取電子病歷中的結構化特征；抽取電子病例中的非結構化特征；利用組合神經網絡模型預測診療方案，其中包括：通過所述組合神經網絡模型的第一DNN模型接收所述結構化特征，產生第一數據；通過所述組合神經網絡模型中的時序神經網絡模型接收所述非結構化特征，產生第二數據；通過所述組合神經網絡的第二DNN模型，接收所述第一數據和所述第二數據，產生第三數據；由所述組合神經網絡的輸出層接收所述第三數據，輸出預測的診療方案。根據本申請的方案能夠提高預測準確性。

技術領域

本公開涉及計算機信息處理領域，具體而言，涉及一種醫療數據處理方法、裝置、電子設備及計算機可讀介質。

背景技術

隨著近些年醫療信息化的大力發展，醫療大數據得到了爆發式增長?；卺t療數據和機器學習技術學習醫生的診療行為，給出診斷和治療建議，輔助低年資醫生進行臨床決策一直是醫療人工智能的熱點方向。

現有技術一般是基于傳統的機器學習方法如貝葉斯、邏輯回歸、決策樹和svm進行疾病診斷預測。近些年隨著神經網絡的興起，也有一些工作是基于深度神經網絡進行建模。但現有技術中對診療方案的推薦均基于臨床指南，而非基于機器學習算法。基于臨床指南等知識庫的推薦方案可能和當前院內實際情況不符，例如設備參數差別、當前醫院缺少推薦藥品等；且由于臨床指南語言較為籠統，在將臨床指南中的特征轉換為機器語言時具有一定難度。此外，無論是傳統模型還是深度神經網絡模型，均要求對電子病歷進行結構化特征的提取，這一特性將嚴重限制模型的預測效果。

因此，需要一種新的醫療數據處理的方法、裝置、電子設備及計算機可讀介質。

在所述背景技術部分公開的上述信息僅用于加強對本公開的背景的理解，因此它可以包括不構成對本領域普通技術人員已知的現有技術的信息。

發明內容

本申請提供一種醫療數據處理的方法，能夠提高預測準確性。

本公開的其他特性和優點將通過下面的詳細描述變得顯然，或部分地通過本公開的實踐而習得。

根據本公開的一方面，提供一種醫療數據處理的方法，包括：

抽取電子病歷中的結構化特征；

抽取電子病例中的非結構化特征；

利用組合神經網絡模型預測診療方案，其中包括：

通過所述組合神經網絡模型的第一DNN模型接收所述結構化特征，產生第一數據；

通過所述組合神經網絡模型中的時序神經網絡模型接收所述非結構化特征，產生第二數據；

由所述組合神經網絡的第二DNN模型接收所述第一數據和所述第二數據，產生第三數據；

由所述組合神經網絡的輸出層接收所述第三數據，輸出預測的診療方案。

根據一些實施例，所述結構化特征包括下述特征中的至少一種：患者基本信息；檢驗結果信息。

根據一些實施例，所述非結構化特征包括下述特征中的至少一種：主訴信息、現病史；家族史；檢查報告。

根據一些實施例，前述方法還包括：利用病例樣本中的診療方案作為樣本標注；利用標注的所述病例樣本訓練所述組合神經網絡模型。

根據一些實施例，所述診療方案包括診斷名稱、檢查信息、檢驗信息、用藥信息中的至少一種。

根據一些實施例，所述利用標注的所述病例樣本訓練所述組合神經網絡模型包括：訓練多目標模型，使得訓練得到的所述組合神經網絡模型在訓練數據上達到診療方案全局最優。