基于深度学习的门诊病历智能撰写方法及系统技术方案

本公开提供了一种基于深度学习的门诊病历智能撰写方法及系统，包括以下步骤：获取患者的病情信息，构造患者特征向量；根据患者特征向量与深度学习模型组，得到推荐表述，辅助医生撰写门诊病历；其中，深度学习模型组由多个深度学习模型构成，每一个深度学习模型与患者特征向量中的每一种元素相对应。本公开采用深度学习模型和知识图谱进行患者病情的分析，迅速完成高质量病历的撰写，提高病历的撰写速度和质量，降低医生撰写病历的工作量，提高门诊诊断的效率。诊诊断的效率。诊诊断的效率。

【技术实现步骤摘要】
基于深度学习的门诊病历智能撰写方法及系统


[0001]本公开属于医疗信息化
，具体涉及一种基于深度学习的门诊病历智能撰写方法及系统。

技术介绍

[0002]本部分的陈述仅仅是提供了与本公开相关的
技术介绍
信息，不必然构成在先技术。
[0003]门诊电子病历记录了医生在门诊进行的诊疗活动，在医疗服务中有非常重要的作用。由于在门诊工作时，医生非常忙碌，医生记录门诊电子病历的质量普遍不高，经常出现内容缺失和错误的情况。为了方便书写门诊电子病历，医生普遍会针对各种疾病的患者，提前维护好模板，在书写门诊电子病历时，自主选择模板，引入后，再进行修改。然而，一方面，医生维护的模板不够灵活，内容往往不能满足现实多样化的需要；另一方面，医生在基于模板进行修改时，经常遗漏某些需要修改的内容。医生书写门诊电子病历的效率和质量无法得到保障。

技术实现思路

[0004]为了解决上述问题，本公开提出了一种基于深度学习的门诊病历智能撰写方法及系统，智能辅助医生灵活引用模板库中的模板、修改模板中需要改动的内容，迅速完成高质量的门诊电子病历。
[0005]根据一些实施例，本公开的第一方案提供了一种基于深度学习的门诊病历智能撰写方法，采用如下技术方案：
[0006]一种基于深度学习的门诊病历智能撰写方法及系统，包括以下步骤：
[0007]获取患者的病情信息，构造患者特征向量；
[0008]根据患者特征向量与深度学习模型组，得到推荐表述，辅助医生撰写门诊病历；
[0009]其中，深度学习模型组由多个深度学习模型构成，每一个深度学习模型与患者特征向量中的每一种元素相对应。
[0010]作为进一步的技术限定，所述标准门诊病历模板库是将历史数据中所有的门诊患者按照性别、年龄和疾病诊断分成m组，每组选出k份不同的门诊病历；每份门诊病历中包括不同患者的基本信息以及门诊病历中的主诉、现病史、既往病史和过敏史。
[0011]进一步的，所述患者特征向量是包含患者病情信息的行向量。
[0012]进一步的，所述深度学习模型组的构建过程为：
[0013]基于标准门诊病历模板库中的患者病历构建训练集、验证集和测试集；
[0014]结合标准门诊病历模板库搭建深度学习模型，得到患者特征向量的深度学习模型组。
[0015]进一步的，所述深度学习模型组的训练过程为：
[0016]采集每个患者门诊病历文本内容的信息并转化为向量数据作为样本集；
[0017]建立基于双向长短期记忆网络(Long
‑
Short Term Memory,简称LSTM)模型的深度学习模型组，输入患者特征向量，输出患者的门诊病历文本内容信息向量，以最小化损失函数作为目标，将训练集中的每个患者的全部信息向量输入双向LSTM模型进行训练，确定双向LSTM模型的参数。
[0018]作为进一步的技术限定，所述辅助医生撰写门诊病历的过程中，不断更新患者特征向量，将更新后的患者特征向量中的元素与每一个深度学习模型进行匹配，得到推荐表述。
[0019]进一步的，所述患者特征向量的更新过程为：
[0020]针对结构化特征，结合医院信息系统找到结构化特征所对应的结构化数据，更新患者特征向量；
[0021]针对非结构化特征，结合医生已确认的该病人的门诊病历内容进行特征名称的拆分，提取拆分后的特征名称中含有知识图谱Q中所有非结构化特征所对应的特征描述；
[0022]具体的，知识图谱Q:非结构化特征
‑
>特征名称
‑
>相关数据
‑
>特征描述，某个非结构化特征包含多个特征名称，对于每个特征名称，相关数据指描述该特征的文本部分，特征描述是在相关数据中对于该特征的各种描述。
[0023]根据一些实施例，本公开的第二方案提供了一种基于深度学习的门诊病历智能撰写系统，采用如下技术方案：
[0024]一种基于深度学习的门诊病历智能撰写系统，包括：
[0025]获取模块，被配置为获取患者的病情信息，构造患者特征向量；
[0026]撰写模块，被配置为根据患者特征向量与深度学习模型组，得到推荐表述，辅助医生撰写门诊病历；
[0027]其中，深度学习模型组由多个深度学习模型构成，每一个深度学习模型与患者特征向量中的每一种元素相对应。
[0028]根据一些实施例，本公开的第三方案提供了一种计算机可读存储介质，采用如下技术方案：
[0029]一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现如本公开第一方面所述的基于深度学习的门诊病历智能撰写方法中的步骤。
[0030]根据一些实施例，本公开的第四方案提供了一种电子设备，采用如下技术方案：
[0031]一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本公开第一方面所述的基于深度学习的门诊病历智能撰写方法中的步骤。
[0032]与现有技术相比，本公开的有益效果为：
[0033]本公开采用深度学习模型和知识图谱进行患者病情的分析，迅速完成高质量病历的撰写，提高病历的撰写速度和质量，降低医生撰写病历的工作量，提高门诊诊断的效率。
附图说明
[0034]构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。
[0035]图1是本公开实施例一中基于深度学习的门诊病历智能撰写方法的流程图；
[0036]图2是本公开实施例一中患者特征向量的神经网络模型的结构图；
[0037]图3是本公开实施例二中基于深度学习的门诊病历智能撰写系统的结构框图。
具体实施方式：
[0038]下面结合附图与实施例对本公开作进一步说明。
[0039]应该指出，以下详细说明都是例示性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属
的普通技术人员通常理解的相同含义。
[0040]需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
[0041]在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。
[0042]实施例一
[0043]本公开实施例一介绍了一种基于深度学习的门诊病历智能撰写方法。
[0044]如图1所示的一种基于深度学习的门诊病历智能撰写方法，包括以下步骤：
[0045]步骤S01：构建标准门诊病历模板库H；
[0046]步骤S02：构建患者特本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的门诊病历智能撰写方法，其特征在于，包括以下步骤：获取患者的病情信息，构造患者特征向量；根据患者特征向量与深度学习模型组，得到推荐表述，辅助医生撰写门诊病历；其中，深度学习模型组由多个深度学习模型构成，每一个深度学习模型与患者特征向量中的每一种元素相对应。2.如权利要求1中所述的一种基于深度学习的门诊病历智能撰写方法，其特征在于，所述标准门诊病历模板库是将历史数据中所有的门诊患者按照性别、年龄和疾病诊断分成m组，每组选出k份不同的门诊病历；每份门诊病历中包括不同患者的基本信息以及门诊病历中的主诉、现病史、既往病史和过敏史。3.如权利要求2中所述的一种基于深度学习的门诊病历智能撰写方法，其特征在于，所述患者特征向量是包含患者病情信息的行向量。4.如权利要求3中所述的一种基于深度学习的门诊病历智能撰写方法，其特征在于，所述深度学习模型组的构建过程为：基于标准门诊病历模板库中的患者病历构建训练集、验证集和测试集；结合标准门诊病历模板库搭建深度学习模型，得到患者特征向量的深度学习模型组。5.如权利要求4中所述的一种基于深度学习的门诊病历智能撰写方法，其特征在于，所述深度学习模型组的训练过程为：采集每个患者门诊病历文本内容的信息并转化为向量数据作为样本集；建立基于双向LSTM模型的深度学习模型组，输入患者特征向量，输出患者的门诊病历文本内容信息向量，以最小化损失函数作为目标，将训练集中的每个患者的全部信息向量输入双向LSTM模型进行训练，确定双向LSTM...

【专利技术属性】
技术研发人员：孙钊，刘小梅，徐传雪，李涛，李渊，丁磊，
申请(专利权)人：山东众阳健康科技集团有限公司，
类型：发明
国别省市：