[發明專利]病歷檢測方法、裝置、設備和存儲介質

在審

• 申請號: 201910968110.X
• 申請日: 2019-10-12
• 公開（公告）號: CN110910976A
• 公開（公告）日: 2020-03-24
• 發明（設計）人: 張濤
• 申請（專利權）人: 平安國際智慧城市科技股份有限公司
• 主分類號: G16H10/60
• 分類號: G16H10/60;G16H50/20;G06N3/04;G06N3/08
• 代理公司: 北京市京大律師事務所 11321
• 代理人: 劉挽瀾

1.一種病歷檢測方法，其特征在于，所述方法包括：

獲取多個待處理的病人信息以及每個所述病人信息對應的病歷標簽，所述病歷標簽至少包括正常、漏診、漏檢和處方違規；

將多個所述病人信息輸入至規范化模型，通過規范化模型將多個所述病人信息輸出成數據庫存儲的標準病人信息；

通過將鍵Key、詢問Query以及值Value作為輸入，注意力值Attention Value作為輸出訓練神經網絡模型，以得到訓練好的神經網絡模型，所述Key為藥物信息以及個人基本信息，所述Query為所述標準病人信息，Value為所述病人信息；所述Attention Value為當前病歷對應的病歷標簽；

當接收到終端發送的病例查詢請求時，獲取與所述病歷查詢請求對應的目標病人信息；

將所述目標病人信息輸入至所述訓練好的神經網絡模型，以通過所述訓練好的神經網絡模型根據所述目標病人信息輸出目標病歷標簽；

將所述目標病歷標簽發送給所述終端。

2.根據權利要求1所述的方法，其特征在于，所述通過將Key、Query以及Value作為輸入，AttentionValue作為輸出訓練神經網絡模型，以得到訓練好的神經網絡模型，包括：

通過匹配所述Query以及所述key的相關性；

將計算的Similarity(Query,key)輸入至所述神經網絡模型，獲得所述神經網絡模型輸出結果；

通過對所述神經網絡模型的輸出最歸一化處理，所述Sim_i是指神所述神經網絡模型的輸出結果，a_i通過為歸一化結果；

通過將所述歸一化結果以及所述Value輸入至以得到輸入的所述病人信息是否存在異常。

3.根據權利要求1或2中任一項所述的方法，其特征在于，所述神經網絡模型是指多層神經MLP網絡，所述MLP網絡的通過:

訓練，其中，代表根據所述MLP網絡的多層感知器中第n-1層的輸出，訓練所述MLP網絡的多層感知器中第n層中第k個神經元得到的權值，表示相應的偏置，f_iⁿ表示第i個所述標準病人信息輸入至所述MLP網絡的第n層的輸出，i、j以及k為任意正整數，n為自然數。

4.根據權利要求1所述的方法，其特征在于，所述向客戶端發送指示消息之后，所述方法還包括：

在提示用戶編寫病人信息時，顯示各個編寫要求的圖框，在相應圖框被觸發時，觸發客戶端開啟接受相應的用戶輸入；

在收到服務端的所述指示消息后，指示所述客戶端提示用戶輸入病人信息；

在編寫完病人信息時，通過所述客戶端對所述病人信息預處理，所述預處理是指對提取所述待處理的病人信息，得到病人基本信息、病歷信息、檢驗信息、檢查信息和處方信息；

對完成預處理的病人信息通過客戶端判斷是否符合輸入的預設規則，如不符合預設規則，指示所述客戶端提示用戶重新輸入；

若符合預設規則，則對用戶輸入的病人信息保存至數據庫。

5.根據權利要求2所述的方法，其特征在于，所述計算所述客戶端發送的病人信息是否存在異常，所述方法還包括：

將所述數據庫存儲的標準病人信息標注為正常病人信息以及異常病人信息；

通過F1＝2(P*R)/(P+R)計算所述神經網絡模型的得分，所述P是指預測正確的正常病人信息標簽的數量與所有被預測正常病人標簽數量的比值，所述R是指預測正確的異常病人信息標簽的數量與所有被預測異常病人標簽數量的比值。

6.根據權利要求1所述的方法，其特征在于，所述將多個所述病人信息輸入至規范化模型之前，所述方法還包括：

為每一個所述待處理的病人信息生成唯一的標識ID號

根據病人信息的應用程序編程接口API參數構造超文本傳輸協議HTTP請求；

通過所述HTTP請求以及LTP技術對結構化的病人信息提取中文分詞；

匹配數據庫中收錄的詞匯，將匹配度低于閾值的詞匯刪除以及高于閾值的詞匯保存至所述標準病人信息。