基于诊疗数据的信息处理方法、装置、设备及存储介质制造方法及图纸

本申请公开了一种基于诊疗数据的信息处理方法、装置、设备及存储介质。该方法包括：获取诊疗数据，该诊疗数据至少包括患者的病程记录信息和用药医嘱信息；基于NLP从病程记录信息中提取反映药物不良反应描述事实的第一信息；基于NLP从第一信息中提取药物实体及不良反应实体；基于用药医嘱信息、提取的药物实体及不良反应实体和指示已知的药物不良反应信息的药物知识图谱确定识别的药物不良反应信息；输出识别的药物不良反应信息。如此，可以基于NLP和药物知识图谱的结合，对非结构化的病程记录信息输出识别的药物不良反应信息，其对于药物不良反应上报、新药临床试验研究、新药研制、基于大数据的药物不良反应分析研究等具有重要的意义。有重要的意义。有重要的意义。

【技术实现步骤摘要】
基于诊疗数据的信息处理方法、装置、设备及存储介质


[0001]本申请涉及诊疗数据处理，尤其涉及一种基于诊疗数据的信息处理方法、装置、设备及存储介质。

技术介绍

[0002]药物不良反应(adverse drug reactions，简称ADR)是指正常剂量的药物用于预防、诊断、治疗疾病或调节生理机能时出现的有害的和与用药目的无关的反应。该定义排除有意的或意外的过量用药及用药不当引起的反应。
[0003]相关技术中，随着药品种类日益增多，药物不良反应的发生率也逐年增加。药物不良反应有时也可引起药源性疾病，除少数人自服药物外，药物不良反应主要由医生给药所引起，所以有些药源性疾病也属医源性疾病。虽然有些药物不良反应较难避免，但相当一部分是由于临床用药不合理所致。基于此，有必要加强对药品安全性的管理。

技术实现思路

[0004]有鉴于此，本申请实施例提供了一种基于诊疗数据的信息处理方法、装置、设备及存储介质，旨在有效识别药物不良反应信息。
[0005]本申请实施例的技术方案是这样实现的：
[0006]本申请实施例提供了一种基于诊疗数据的信息处理方法，包括：
[0007]获取诊疗数据，所述诊疗数据至少包括患者的病程记录信息和用药医嘱信息；
[0008]基于自然语言处理(Natural Language Processing，NLP)从所述病程记录信息中提取反映药物不良反应描述事实的第一信息；
[0009]基于NLP从所述第一信息中提取药物实体及不良反应实体；/>[0010]基于所述用药医嘱信息、提取的所述药物实体及所述不良反应实体和指示已知的药物不良反应信息的药物知识图谱确定识别的药物不良反应信息；
[0011]输出所述识别的药物不良反应信息。
[0012]上述方案中，所述基于NLP从所述病程记录信息中提取反映药物不良反应描述事实的第一信息，包括：
[0013]基于预先构建的正则表达式库中的正则表达式，从所述病程记录信息中提取匹配的描述信息；
[0014]基于预先构建的分类模型判定所述描述信息是否为反映药物不良反应描述事实的第一信息，得到有效的所述第一信息。
[0015]上述方案中，所述方法还包括：
[0016]基于有监督的学习方式对训练样本进行训练，得到所述分类模型。
[0017]上述方案中，所述基于NLP从所述第一信息中提取药物实体及不良反应实体，包括：
[0018]基于预先构建的实体识别模型从所述第一信息中提取药物实体及不良反应实体。
[0019]上述方案中，所述方法还包括：
[0020]基于历史的病程记录信息中药物实体和不良反应实体的标注结果构建实体语料库；
[0021]对所述实体语料库基于深度学习算法进行训练，得到所述实体识别模型。
[0022]上述方案中，所述基于所述用药医嘱信息、提取的所述药物实体及所述不良反应实体和指示已知的药物不良反应信息的药物知识图谱确定识别的药物不良反应信息，包括：
[0023]对所述用药医嘱信息中的药物实体和基于所述第一信息提取的所述药物实体进行去重处理，构建第一实体集合；
[0024]基于所述第一信息提取的所述不良反应实体构建第二实体集合；
[0025]对所述第一实体集合、所述第二实体集合分别与所述药物知识图谱中的药物不良反应信息进行匹配；
[0026]基于匹配结果生成所述识别的药物不良反应信息；
[0027]其中，所述识别的药物不良反应信息包括：存在于所述药物知识图谱中的第一类药物不良反应信息和所述药物知识图谱之外的第二类药物不良反应信息。
[0028]上述方案中，所述方法还包括：
[0029]基于药物说明信息提取药物实体对应的不良反应实体；
[0030]基于各药物实体对应的不良反应实体，构建所述药物知识图谱。
[0031]第二方面，本申请实施例提供了一种基于诊疗数据的信息处理装置，包括：
[0032]获取模块，用于获取诊疗数据，所述诊疗数据至少包括患者的病程记录信息和用药医嘱信息；
[0033]第一提取模块，用于基于NLP从所述病程记录信息中提取反映药物不良反应描述事实的第一信息；
[0034]第二提取模块，用于基于NLP从所述第一信息中提取药物实体及不良反应实体；
[0035]识别模块，用于基于所述用药医嘱信息、提取的所述药物实体及所述不良反应实体和指示已知的药物不良反应信息的药物知识图谱确定识别的药物不良反应信息；
[0036]输出模块，用于输出所述识别的药物不良反应信息。
[0037]第三方面，本申请实施例提供了一种基于诊疗数据的信息处理设备，包括：处理器和用于存储能够在处理器上运行的计算机程序的存储器，其中，所述处理器，用于运行计算机程序时，执行本申请实施例第一方面所述方法的步骤。
[0038]第四方面，本申请实施例提供了一种存储介质，所述存储介质上存储有计算机程序，所述计算机程序被处理器执行时，实现本申请实施例第一方面所述方法的步骤。
[0039]本申请实施例提供的技术方案，获取诊疗数据，该诊疗数据至少包括患者的病程记录信息和用药医嘱信息；基于NLP从病程记录信息中提取反映药物不良反应描述事实的第一信息；基于NLP从第一信息中提取药物实体及不良反应实体；基于用药医嘱信息、提取的药物实体及不良反应实体和指示已知的药物不良反应信息的药物知识图谱确定识别的药物不良反应信息；输出识别的药物不良反应信息。如此，可以基于NLP和药物知识图谱的结合，对非结构化的病程记录信息输出识别的药物不良反应信息，利于基于大数据实现药物不良反应相关的信息挖掘，能够有效地从复杂的病程记录信息中识别出药物不良反应信
息，其对于药物不良反应上报、新药临床试验研究、新药研制、基于大数据的药物不良反应分析研究等具有重要的意义。
附图说明
[0040]图1为本申请实施例基于诊疗数据的信息处理方法的流程示意图；
[0041]图2为本申请实施例中病程记录信息的示意图；
[0042]图3为本申请实施例中分类语料库的样例示意图；
[0043]图4为本申请实施例中实体语料库的示意图；
[0044]图5为本申请实施例中药物知识图谱的示意图；
[0045]图6为本申请实施例基于诊疗数据的信息处理装置的结构示意图；
[0046]图7为本申请实施例基于诊疗数据的信息处理设备的结构示意图。
具体实施方式
[0047]下面结合附图及实施例对本申请再作进一步详细的描述。
[0048]除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的
的技术人员通常理解的含义相同。本文中在本申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请。
[0049]相关技术中，临床诊疗数据蕴含了大量的知识，尤其是非结构化的病程记录信息。临床医生在病程记本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于诊疗数据的信息处理方法，其特征在于，包括：获取诊疗数据，所述诊疗数据至少包括患者的病程记录信息和用药医嘱信息；基于自然语言处理NLP从所述病程记录信息中提取反映药物不良反应描述事实的第一信息；基于NLP从所述第一信息中提取药物实体及不良反应实体；基于所述用药医嘱信息、提取的所述药物实体及所述不良反应实体和指示已知的药物不良反应信息的药物知识图谱确定识别的药物不良反应信息；输出所述识别的药物不良反应信息。2.根据权利要求1所述的方法，其特征在于，所述基于NLP从所述病程记录信息中提取反映药物不良反应描述事实的第一信息，包括：基于预先构建的正则表达式库中的正则表达式，从所述病程记录信息中提取匹配的描述信息；基于预先构建的分类模型判定所述描述信息是否为反映药物不良反应描述事实的第一信息，得到有效的所述第一信息。3.根据权利要求2所述的方法，其特征在于，所述方法还包括：基于有监督的学习方式对训练样本进行训练，得到所述分类模型。4.根据权利要求1所述的方法，其特征在于，所述基于NLP从所述第一信息中提取药物实体及不良反应实体，包括：基于预先构建的实体识别模型从所述第一信息中提取药物实体及不良反应实体。5.根据权利要求4所述的方法，其特征在于，所述方法还包括：基于历史的病程记录信息中药物实体和不良反应实体的标注结果构建实体语料库；对所述实体语料库基于深度学习算法进行训练，得到所述实体识别模型。6.根据权利要求1所述的方法，其特征在于，所述基于所述用药医嘱信息、提取的所述药物实体及所述不良反应实体和指示已知的药物不良反应信息的药物知识图谱确定识别的药物不良反应信息，包括：对所述用药医嘱信息...

【专利技术属性】
技术研发人员：阳国平，武学鸿，冯泽英，朱建平，
申请(专利权)人：湖南科医云健康科技有限公司，
类型：发明
国别省市：