[發明專利]?？圃\療視圖系統及方法

在審

• 申請號: 201911336593.8
• 申請日: 2019-12-23
• 公開（公告）號: CN111180026A
• 公開（公告）日: 2020-05-19
• 發明（設計）人: 何慧敏;邵名柱;趙璐偲;歲波;黃永生;孫紅偉;袁羅;黃嬖;項鏈
• 申請（專利權）人: 衛寧健康科技集團股份有限公司
• 主分類號: G16H10/60
• 分類號: G16H10/60;G16H50/70;G06F40/295;G06F16/34
• 代理公司: 上海啟核知識產權代理有限公司 31339
• 代理人: 袁威

1.一種專科診療視圖方法，其特征在于，其包括以下步驟：

S1、對患有某病為主診斷入院的患者的電子病歷文本進行數據清洗，從數據清洗后的電子病歷文本中提取患者基本信息、患者癥狀信息、患者查體體征信息、患者檢查檢驗信息和患者醫囑信息；

S2、采用第一實體識別模型對患者癥狀信息進行分詞、詞性標注和實體標注的實體識別以識別提取出與該病相關的所有癥狀點以及與該病無關但是異常的癥狀點；

采用第二實體識別模型對患者查體體征信息進行分詞、詞性標注和實體標注的實體識別以識別提取出與該病相關的所有查體體征點以及與該病無關但是異常的查體體征點；

從患者檢查檢驗信息中提取出與該病相關的核心檢查檢驗指標以及與該病無關但是異常的檢查檢驗指標；

從患者醫囑信息中提取出與該病相關的核心醫囑信息；

S3、顯示當前患者的患者基本信息、與該病相關的所有的癥狀點、查體體征點、核心檢查檢驗指標和核心醫囑信息以及與該病無關但是異常的癥狀點、查體體征點和檢查檢驗指標。

2.如權利要求1所述的?？圃\療視圖方法，其特征在于，在步驟S1之前包括以下步驟：

對該病對應的多個歷史電子病歷文本進行數據清洗，從每一數據清洗后的歷史電子病歷文本中提取歷史患者癥狀信息；

對每一歷史患者癥狀信息依次進行分詞、詞性標注和實體標注，將標注后的歷史患者癥狀信息劃分為訓練輸入樣本和測試輸入樣本；

分析出每一訓練輸入樣本對應的與該病相關的所有癥狀點以及與該病無關但是異常的癥狀點作為訓練輸出樣本；

采用含有訓練輸入樣本和訓練輸出樣本的訓練樣本分別對CRF模型和BERT-BiLSTM-CRF模型進行訓練，并采用測試輸入樣本分別對訓練后的CRF模型和BERT-BiLSTM-CRF模型進行測試以獲得測試結果；

分別計算CRF模型和BERT-BiLSTM-CRF模型的測試結果的準確率P、召回率R和F值，判斷CRF模型對應的F值和BERT-BiLSTM-CRF模型對應的F值是否均大于第一設定閾值，若是則將CRF模型和BERT-BiLSTM-CRF模型對應的F值中數值大的所對應的模型作為第一實體識別模型，否則調整模型參數，再次執行上述訓練和測試過程。

3.如權利要求1所述的專科診療視圖方法，其特征在于，在步驟S1之前包括以下步驟：

對該病對應的多個歷史電子病歷文本進行數據清洗，從每一數據清洗后的歷史電子病歷文本中提取歷史查體體征信息；

對每一歷史查體體征信息依次進行分詞、詞性標注和實體標注，將標注后的歷史查體體征信息劃分為訓練輸入樣本和測試輸入樣本；

分析出每一訓練輸入樣本對應的與該病相關的所有查體體征點以及與該病無關但是異常的查體體征點作為訓練輸出樣本；

采用含有訓練輸入樣本和訓練輸出樣本的訓練樣本分別對CRF模型和BERT-BiLSTM-CRF模型進行訓練，并采用測試輸入樣本分別對訓練后的CRF模型和BERT-BiLSTM-CRF模型進行測試以獲得測試結果；

分別計算CRF模型和BERT-BiLSTM-CRF模型的測試結果的準確率P、召回率R和F值，判斷CRF模型對應的F值和BERT-BiLSTM-CRF模型對應的F值是否均大于第二設定閾值，若是則將CRF模型和BERT-BiLSTM-CRF模型對應的F值中數值大的所對應的模型作為第二實體識別模型，否則調整模型參數，再次執行上述訓練和測試過程。