诊疗信息预填充方法、装置和可读存储介质制造方法及图纸

本申请涉及信息处理技术领域，提供了一种诊疗信息预填充方法、装置和可读存储介质，该方法包括：获取与患者的诊疗信息对应诊疗信息图结构，诊疗信息图结构包括表示诊疗信息中基本属性的边和与边相连的且表示基本属性对应值的节点；将诊疗信息图结构转化为边特征矩阵、节点特征矩阵以及诊疗信息图结构对应的邻接矩阵；将边特征矩阵、节点特征矩阵以及邻接矩阵输入至图卷积网络，输出表达诊疗信息图结构的第一语义特征；基于第一语义特征，在预存的语义表达库中提取对应的目标诊疗信息，对患者的诊疗信息进行预填充。者的诊疗信息进行预填充。者的诊疗信息进行预填充。

【技术实现步骤摘要】
诊疗信息预填充方法、装置和可读存储介质


[0001]本申请涉及信息处理
，尤其是涉及到一种诊疗信息预填充方法、诊疗信息预填充装置和可读存储介质。

技术介绍

[0002]随着医疗数字化与智能化的快速发展，为加速跨地域、跨科室患者就医流程，使患者就医更方便、更快捷、更经济，远程医疗系统应势而生。然而，由于各医疗机构电子信息化要求，医生在远程诊疗过程中，需要填写大量患者相关诊疗信息，占用了医生大量的诊疗时间和精力，费事、费力，漏诊、错诊情况常有发生。
[0003]因此，如何辅助医生快速完成诊疗信息化录入，将医生工作中心重新转移到诊疗本身，实现快速诊疗、优质诊疗是远程医疗系统急需解决的重要问题。

技术实现思路

[0004]有鉴于此，本申请提供了一种诊疗信息预填充方法、诊疗信息预填充装置和可读存储介质，解决了相关技术中医生手动填写大量患者相关诊疗信息导致的降低诊疗效率的问题。
[0005]第一方面，本申请实施例提供了一种诊疗信息预填充方法，包括：
[0006]获取与患者的诊疗信息对应诊疗信息图结构，诊疗信息图结构包括表示诊疗信息中基本属性的边和与边相连的且表示基本属性对应值的节点；
[0007]将诊疗信息图结构转化为边特征矩阵、节点特征矩阵以及诊疗信息图结构对应的邻接矩阵；
[0008]将边特征矩阵、节点特征矩阵以及邻接矩阵输入至图卷积网络，输出表达诊疗信息图结构的第一语义特征；
[0009]基于第一语义特征，在预存的语义表达库中提取对应的目标诊疗信息，对患者的诊疗信息进行预填充。
[0010]根据本申请实施例的上述诊疗信息预填充方法，还可以具有以下附加技术特征：
[0011]在上述技术方案中，诊疗信息图结构为非欧图结构。
[0012]在上述任一技术方案中，将诊疗信息图结构转化为边特征矩阵、节点特征矩阵以及诊疗信息图结构对应的邻接矩阵，包括：将诊疗信息图结构中的边和节点分别进行one
‑
hot编码，构建边的边特征矩阵、节点的节点特征矩阵以及诊疗信息图结构对应的邻接矩阵，其中，边特征矩阵和节点特征矩阵的one
‑
hot编码的长度相同或者不同。
[0013]在上述任一技术方案中，在将诊疗信息图结构中的边和节点分别进行one
‑
hot编码之前，还包括：对诊疗信息进行归一化处理，归一化处理为将诊疗信息的基本属性和/或基本属性对应的值进行标准化表达。
[0014]在上述任一技术方案中，图卷积网络，用于：根据边特征矩阵、节点特征矩阵以及邻接矩阵，获取诊疗信息图结构中所有边的分布式表示向量和所有节点的分布式表示向
量；将所有边的分布式表示向量进行求和，得到边聚合表示向量，以及将所有节点的分布式表示向量进行求和，得到节点聚合表示向量；将边聚合表示向量和节点聚合表示向量进行拼接操作，得到诊疗信息的原始分布式表示向量；通过前馈神经网络将原始分布式表示向量转换为诊疗信息图结构对应的第一语义特征；其中，第一语义特征为第一分布式表示向量，第一分布式表示向量为：
[0015]γ＝ReLU(ReLU(ReLU(xW0)xW1)W
n
)
[0016]γ为第一分布式向量，x为原始分布式表示向量，ReLU为非线性激活函数，W为前馈神经网络每层的可学习参数，n为前馈神经网络的层数。
[0017]在上述任一技术方案中，根据边特征矩阵、节点特征矩阵以及邻接矩阵，获取诊疗信息图结构中所有边的分布式表示向量和所有节点的分布式表示向量，包括：将节点对所对应的第l层隐向量，编码为第l+1层隐向量作为图卷积网络中参与计算的消息向量，其中，节点对为诊疗信息图结构的中心节点对应的多个节点对中的任意一个，节点对包括中心节点、中心节点的邻接节点以及中心节点与邻接节点之间的边；对得到的多个节点对的消息向量进行聚合，得到聚合特征；将聚合特征更新到中心节点，以获得中心节点在第l+1层的分布式向量表示。
[0018]在上述任一技术方案中，基于第一语义特征，在预存的语义表达库中提取对应的目标诊疗信息，对患者的诊疗信息进行预填充，包括：将语义表达库中的多个预存患者图结构对应的第二语义特征分别与第一语义特征进行相似度评分计算，得到多个相似度得分；对多个相似度得分进行标准化计算，并根据标准化计算后的多个相似度得分，生成目标评分向量，其中，目标评分向量中的分量为标准化计算后的相似度得分，第二语义特征用于表达预存患者图结构；根据预设阈值和目标评分向量，确定目标诊疗信息，并根据目标诊疗信息对患者的诊疗信息进行预填充。
[0019]在上述任一技术方案中，根据预设阈值和目标评分向量，确定目标诊疗信息，并根据目标诊疗信息对患者的诊疗信息进行预填充，包括：在目标评分向量中确定大于或等于预设阈值的前N个相似度得分，其中N为正整数；确定前N个相似度得分对应的预存患者索引账号；查找与预存患者索引账号对应的目标诊疗信息，并根据目标诊疗信息对患者的诊疗信息进行预填充。
[0020]第二方面，本申请实施例提供了一种诊疗信息预填充装置，包括：
[0021]图结构建模模块，用于获取与患者的诊疗信息对应诊疗信息图结构，诊疗信息图结构包括表示诊疗信息中基本属性的边和与边相连的且表示基本属性对应值的节点；
[0022]图结构转化模块，用于将诊疗信息图结构转化为边特征矩阵、节点特征矩阵以及诊疗信息图结构对应的邻接矩阵；
[0023]语义特征学习模块，用于将边特征矩阵、节点特征矩阵以及邻接矩阵输入至图卷积网络，输出表达诊疗信息图结构的第一语义特征；
[0024]预填充模块，用于基于第一语义特征，在预存的语义表达库中提取对应的目标诊疗信息，对患者的诊疗信息进行预填充。
[0025]第三方面，本申请实施例提供了一种可读存储介质，该可读存储介质上存储程序或指令，程序或指令被处理器执行时实现如第一方面的方法的步骤。
[0026]本申请实施例提供了一种诊疗信息预填充方法、装置和可读存储介质，通过获取
与当前患者相关的诊疗信息对应的诊疗信息图结构，将诊疗信息图结构转化为边特征矩阵、节点特征矩阵以及所述诊疗信息图结构对应的邻接矩阵，然后将边特征矩阵、节点特征矩阵以及邻接矩阵输入图卷积网络，输出与诊疗信息图结构的第一语义特征，将第一语义特征与预存的语义表达库中的既有其它患者图结构的语义特征进行比较，得出预填充的目标诊疗信息，进而实现了全面地、细粒度地捕获患者诊疗信息的潜在语义特征，提高了医生填写诊疗信息的效率，提升了诊疗信息填写的准确性和完备性。
[0027]上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。
附图说明
[0028]此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种诊疗信息预填充方法，其特征在于，包括：获取与患者的诊疗信息对应诊疗信息图结构，所述诊疗信息图结构包括表示所述诊疗信息中基本属性的边和与所述边相连的且表示所述基本属性对应值的节点；将所述诊疗信息图结构转化为边特征矩阵、节点特征矩阵以及所述诊疗信息图结构对应的邻接矩阵；将所述边特征矩阵、所述节点特征矩阵以及所述邻接矩阵输入至图卷积网络，输出表达所述诊疗信息图结构的第一语义特征；基于所述第一语义特征，在预存的语义表达库中提取对应的目标诊疗信息，对所述患者的诊疗信息进行预填充。2.根据权利要求1所述的方法，其特征在于，所述诊疗信息图结构为非欧图结构。3.根据权利要求1所述的方法，其特征在于，所述将所述诊疗信息图结构转化为边特征矩阵、节点特征矩阵以及所述诊疗信息图结构对应的邻接矩阵，包括：将所述诊疗信息图结构中的所述边和所述节点分别进行one
‑
hot编码，构建所述边的边特征矩阵、所述节点的节点特征矩阵以及所述诊疗信息图结构对应的邻接矩阵，其中，所述边特征矩阵和所述节点特征矩阵的one
‑
hot编码的长度相同或者不同。4.根据权利要求3所述的方法，其特征在于，将所述诊疗信息图结构中的所述边和所述节点分别进行one
‑
hot编码之前，还包括：对所述诊疗信息进行归一化处理，所述归一化处理为将所述诊疗信息的基本属性和/或基本属性对应的值进行标准化表达。5.根据权利要求1所述的方法，其特征在于，所述图卷积网络，用于：根据所述边特征矩阵、所述节点特征矩阵以及所述邻接矩阵，获取所述诊疗信息图结构中所有边的分布式表示向量和所有节点的分布式表示向量；将所述所有边的分布式表示向量进行求和，得到边聚合表示向量，以及将所述所有节点的分布式表示向量进行求和，得到节点聚合表示向量；将所述边聚合表示向量和所述节点聚合表示向量进行拼接操作，得到所述诊疗信息的原始分布式表示向量；通过前馈神经网络将所述原始分布式表示向量转换为所述诊疗信息图结构对应的所述第一语义特征；其中，所述第一语义特征为第一分布式表示向量，所述第一分布式表示向量为：γ＝ReLU(ReLU(ReLU(xW0)xW1)W
n
)γ为所述第一分布式向量，x为所述原始分布式表示向量，ReLU为非线性激活函数，W为所述前馈神经网络每层的可学习参数，n为所述前馈神经网络的层数。6.根据权利要求5所述的方法，其特征在于，根据所述边特征矩阵、所述节点特征矩阵以及所述邻接矩阵，获取所述诊疗信息图结构...

【专利技术属性】
技术研发人员：赵娜，谈旭，杨紫峰，
申请(专利权)人：东软医疗系统股份有限公司，
类型：发明
国别省市：