[發明專利]處方數據的審核方法、裝置和計算機可讀存儲介質

在審

• 申請號: 202010413774.2
• 申請日: 2020-05-15
• 公開（公告）號: CN112258135A
• 公開（公告）日: 2021-01-22
• 發明（設計）人: 袁騰
• 申請（專利權）人: 北京沃東天駿信息技術有限公司;北京京東世紀貿易有限公司
• 主分類號: G06Q10/10
• 分類號: G06Q10/10;G06F16/35;G06F40/289;G06K9/62;G16H40/00
• 代理公司: 中國貿促會專利商標事務所有限公司 11038
• 代理人: 李昊;王莉莉

1.一種處方數據的審核方法，包括：

基于從處方數據中提取的結構化數據，確定對所述處方數據的第一分類結果，其中，所述處方數據還包括非結構化數據；

將根據所述處方數據生成的非結構化數據輸入到一個或多個深度學習模型中，獲得所述深度學習模型輸出的、對所述處方數據的第二分類結果；

根據所述第一分類結果和所述第二分類結果，確定對所述處方數據的審核結果。

2.根據權利要求1所述的審核方法，其中，所述結構化數據中包括所述處方數據中的數值類型數據、枚舉類型數據中的至少一種。

3.根據權利要求1所述的審核方法，其中，所述結構化數據包括一個或多個字段以及每個字段對應的值；

根據所述處方數據生成的非結構化數據包括：所述結構化數據對應的非結構化數據，通過將所述結構化數據中的字段的值對應的預設文本填寫到預設的文本模板中相應字段的待填寫位置獲得；以及，所述處方數據中的非結構化數據。

4.根據權利要求1所述的審核方法，其中，所述處方數據的審核結果包括表示所述處方正確的類別、以及一個或多個表示所述處方的錯誤類型的類別。

5.根據權利要求4所述的審核方法，其中，所述處方數據包括患者數據和用藥數據；

在所述第一分類結果中，所述處方的錯誤類型包括結構化數據中的用藥數據與所述結構化數據中的患者數據不匹配的類型、以及所述結構化數據中的用藥數據超出限量的類型；

在所述第二分類結果中，所述處方的錯誤類型包括非結構化數據中的用藥數據與所述處方數據中的患者數據不匹配的類型。

6.根據權利要求4所述的審核方法，其中，所述根據所述第一分類結果和所述第二分類結果，確定對所述處方數據的審核結果包括：

在所述第一分類結果和所述第二分類結果均表示所述處方正確的情況下，所述處方數據的審核結果為處方正確；

在所述第一分類結果和所述第二分類結果均包括表示所述處方的錯誤類型的類別的情況下，所述處方數據的審核結果為所述第一分類結果和所述第二分類結果中表示所述處方的錯誤類型的類別的集合。

7.根據權利要求1～6中任一項所述的審核方法，其中，所述基于從處方數據中提取的結構化數據，確定對所述處方數據的第一分類結果包括：

將所述結構化數據輸入到一個或多個基于機器學習的集成模型中，獲得所述集成模型輸出的第一分類結果，其中，所述結構化數據包括一個或多個字段以及每個字段對應的值，所述集成模型為基于決策樹的集成模型，所述決策樹的每一個非葉子節點表示所述結構化數據中的一個字段、以及所述字段在所述節點上的劃分值，每一個葉子節點表示一種分類結果。

8.根據權利要求7所述的審核方法，其中，所述集成模型包括隨機森林模型、或者梯度提升迭代決策樹GBDT模型中的一種或多種。

9.根據權利要求1～6中任一項所述的審核方法，其中，所述深度學習模型是基于深度學習的文本分類模型；

所述將根據所述處方數據生成的非結構化數據輸入到一個或多個深度學習模型中包括：

將從所述處方數據中提取的非結構化數據、以及通過轉換所述結構化數據獲得的非結構化數據拼接為文本；

對所述文本進行分詞處理；

將分詞后的所述文本中的每個詞轉換為詞向量，獲得所述文本對應的詞向量序列；

將所述詞向量序列輸入到深度學習模型中。

10.根據權利要求9所述的審核方法，其中，所述深度學習模型包括利用卷積神經網絡的文本分類模型TextCNN、利用循環神經網絡的文本分類模型TextRNN、基于轉換器的編碼模型Transformer中的一種或多種。