[發(fā)明專利]病情分級預(yù)測系統(tǒng)、方法、電子設(shè)備及可讀存儲介質(zhì)

在審

• 申請?zhí)枺?/td>: 201911007766.1
• 申請日: 2019-10-22
• 公開（公告）號: CN110874409A
• 公開（公告）日: 2020-03-10
• 發(fā)明（設(shè)計）人: 陳挺;王光宇;劉曉鴻
• 申請（專利權(quán)）人: 清華大學
• 主分類號: G06F16/35
• 分類號: G06F16/35;G06F16/335;G06F16/34;G06Q10/04;G16H10/60
• 代理公司: 北京潤澤恒知識產(chǎn)權(quán)代理有限公司 11319
• 代理人: 莎日娜

1.一種基于電子病歷的病情分級預(yù)測系統(tǒng)，其特征在于，所述系統(tǒng)包括：

第一存儲模塊，用于存儲電子病歷信息，所述電子病歷信息包括客觀指標、現(xiàn)病史和體格檢查結(jié)果；

第一信息過濾器，與所述第一存儲模塊連接，用于從所述第一存儲模塊中讀取所述電子病歷信息并對所述電子病歷信息進行過濾，得到過濾后的電子病歷信息，包括結(jié)構(gòu)化數(shù)據(jù)和文本數(shù)據(jù)；

分級預(yù)測器，用于將所述結(jié)構(gòu)化數(shù)據(jù)和所述文本數(shù)據(jù)分別輸入急診病情分級預(yù)測模型，得到文本特征挖掘信息、病情分級預(yù)測結(jié)果以及可視化分析文本。

2.根據(jù)權(quán)利要求1所述的系統(tǒng)，其特征在于，所述急診病情分級預(yù)測模型包括表示模型和融合模型，所述分級預(yù)測器包括：

第一表示模塊，用于將所述文本數(shù)據(jù)輸入所述表示模型，得到所述可視化分析文本、所述文本特征挖掘信息和文本特征向量；

第二表示模塊，用于將所述結(jié)構(gòu)化數(shù)據(jù)輸入所述表示模型，得到結(jié)構(gòu)化特征向量；

融合模塊，用于將所述結(jié)構(gòu)化特征向量和所述文本特征向量輸入所述融合模型，得到所述病情分級預(yù)測結(jié)果。

3.根據(jù)權(quán)利要求2所述的系統(tǒng)，其特征在于，所述第一表示模塊包括：

映射子模塊，用于將所述文本數(shù)據(jù)輸入所述表示模型，將文本數(shù)據(jù)的每一個漢字映射到一個向量，并提取所述文本數(shù)據(jù)嵌入的上下文信息，得到嵌入向量；

注意力子模塊，用于對所述嵌入向量進行注意力處理，得到所述可視化分析文本和文本特征向量；

提取子模塊，用于對所述可視化分析文本進行短語提取，得到所述文本特征挖掘信息。

4.根據(jù)權(quán)利要求1所述的系統(tǒng)，其特征在于，所述系統(tǒng)還包括：

第二存儲模塊，用于存儲多份電子病歷信息樣本；

第二信息過濾器，與所述第二存儲模塊連接，用于從所述第二存儲模塊中讀取所述多份電子病歷信息樣本并對所述多份電子病歷信息樣本進行過濾，得到多份過濾后的病歷信息樣本，包括多份結(jié)構(gòu)化數(shù)據(jù)樣本和文本數(shù)據(jù)樣本；

模型訓練器，用于將所述多份結(jié)構(gòu)化數(shù)據(jù)樣本和文本數(shù)據(jù)樣本分為訓練集、驗證集和測試集，對預(yù)設(shè)模型進行多輪訓練，直至訓練后的預(yù)設(shè)模型的評估得分在預(yù)設(shè)輪數(shù)內(nèi)均不再上升，停止訓練，將評估得分最高所對應(yīng)的模型確定為所述急診病情分級預(yù)測模型。

5.一種基于電子病歷的病情分級預(yù)測方法，其特征在于，所述方法包括：

存儲電子病歷信息，所述電子病歷信息包括客觀指標、現(xiàn)病史和體格檢查結(jié)果；

讀取所述電子病歷信息并對所述電子病歷信息進行過濾，得到過濾后的電子病歷信息，包括

結(jié)構(gòu)化數(shù)據(jù)和文本數(shù)據(jù)；

將所述結(jié)構(gòu)化數(shù)據(jù)和所述文本數(shù)據(jù)分別輸入急診病情分級預(yù)測模型，得到文本特征挖掘信息、病情分級預(yù)測結(jié)果以及可視化分析文本。

6.根據(jù)權(quán)利要求5所述的方法，其特征在于，所述急診病情分級預(yù)測模型包括表示模型和融合模型，將所述結(jié)構(gòu)化數(shù)據(jù)和所述文本數(shù)據(jù)分別輸入急診病情分級預(yù)測模型，得到文本特征挖掘信息、病情分級預(yù)測結(jié)果以及可視化分析文本，包括：

將所述文本數(shù)據(jù)輸入所述表示模型，得到所述可視化分析文本、所述文本特征挖掘信息和文本特征向量；

將所述結(jié)構(gòu)化數(shù)據(jù)輸入所述表示模型，得到結(jié)構(gòu)化特征向量；

將所述結(jié)構(gòu)化特征向量和所述文本特征向量輸入所述融合模型，得到所述病情分級預(yù)測結(jié)果。

7.根據(jù)權(quán)利要求6所述的方法，其特征在于，將所述文本數(shù)據(jù)輸入表示模型，得到所述可視化分析文本、所述文本特征挖掘信息和文本特征向量，包括：

將所述文本數(shù)據(jù)輸入所述表示模型，將文本數(shù)據(jù)的每一個漢字映射到一個向量，并提取所述文本數(shù)據(jù)嵌入的上下文信息，得到嵌入向量；

對所述嵌入向量進行注意力處理，得到所述可視化分析文本和文本特征向量；

對所述可視化分析文本進行短語提取，得到所述文本特征挖掘信息。