System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind() 用于患者信息概要的方法和系统技术方案_技高网

用于患者信息概要的方法和系统技术方案

技术编号:40563532 阅读:18 留言:0更新日期:2024-03-05 19:27
提供了用于生成和显示从存储在患者的电子医疗记录(EMR)中的一个或多个医疗报告中提取的患者信息的概要的各种方法和系统。在一个示例中,一种方法包括接收患者的文本数据(402);将文本数据作为输入录入到多个实体识别模型中(406),多个实体识别模型中的每个实体识别模型被训练以标记文本数据中的相应实体的实例;聚集由每个实体识别模型输出的标记的文本数据(408);基于聚集的标记的文本数据生成文本数据的概要(416);以及显示(418)和/或保存(420)概要和/或聚集的标记的文本数据。

【技术实现步骤摘要】

本文公开的主题的实施方案涉及患者信息,并且更具体地涉及自动鉴定和概述相关患者信息。


技术介绍

1、患者医疗记录的数字收集、处理、存储和检索可以包括大量数据的集合。在一些示例中,数据可以包括在对患者的调查期间生成的许多医疗程序和记录,包括各种检查,诸如血液测试、尿液测试、病理结果、基于图像的扫描等。在慢性疾病的情况下,受试者的医学状况的诊断以及随后的治疗的持续时间可以随着时间推移从几天到几个月或甚至几年,该慢性疾病可以是花费多于一年来治愈的疾病。在诊断和治疗慢性疾病的过程中,患者可能经历许多不同的治疗和程序,和/或可能移动到不同的医院和/或地理位置。

2、医生越来越依赖于电子医疗记录(emr)系统来在诊断、治疗和监测患者状况期间查阅患者的历史健康记录。对于患有慢性疾病的患者,经常有数百或甚至数千个由多次就诊产生的emr。从这种患者的过去的emr中分选和提取信息是一个缓慢且低效的过程,增加了丢失具有相关数据的记录的可能性,这些记录可能分散在大量的信息较少的定期就诊记录中。


技术实现思路

1、在一个实施方案中,一种方法包括接收患者的文本数据;将该文本数据作为输入录入到多个实体识别模型中,该多个实体识别模型中的每个实体识别模型被训练以标记该文本数据中的相应实体的实例;聚集由每个实体识别模型输出的该标记的文本数据;基于该聚集的标记的文本数据生成该文本数据的概要;以及显示和/或保存该概要和/或该聚集的标记的文本数据。

2、应当理解,提供上面的简要描述来以简化的形式介绍在具体实施方式中进一步描述的精选概念。这并不意味着识别所要求保护的主题的关键或必要特征,该主题的范围由具体实施方式后的权利要求书唯一地限定。此外,所要求保护的主题不限于解决上文或本公开的任何部分中提到的任何缺点的实施方式。

本文档来自技高网...

【技术保护点】

1.一种方法,所述方法包括:

2.根据权利要求1所述的方法,其中所述实体识别模型是机器学习(ML)模型。

3.根据权利要求1所述的方法,其中所述多个实体识别模型中的每个实体识别模型在相应的标记的数据集上被训练,所述相应的标记的数据集包括所述相应实体的多个标记的实例。

4.根据权利要求3所述的方法,其中每个相应的标记的数据集包括具有靶向频率、靶向长度和靶向邻接程度的实体的实例。

5.根据权利要求1所述的方法,其中实体识别模型对于在所述文本数据中被标记为实体的每个文本表达输出所述文本表达是所述相应实体的实例的概率。

6.根据权利要求5所述的方法,其中聚集由每个实体识别模型输出的所述标记的文本数据进一步包括:对于由至少两个实体识别模型标记为实体的所述标记的文本数据中的每个文本表达,基于所述至少两个实体识别模型的输出的相对权重来选择最准确的实体标记。

7.根据权利要求6所述的方法,其中基于由所述至少两个实体识别模型的所述相应实体识别模型输出的所述概率来分配所述权重。

8.根据权利要求7所述的方法,其中分配所述权重进一步包括:

9.根据权利要求7所述的方法,其中基于所述文本数据与用于训练所述实体识别模型的标记的数据集的相对相似性来调整实体识别模型的输出的权重。

10.根据权利要求7所述的方法,其中基于用于训练所述实体识别模型的标记的数据集的数据的数量或质量来调整实体识别模型的输出的权重。

11.根据权利要求1所述的方法,进一步包括在生成所述概要之前,基于从一个或多个域专用工具获得的基于临床背景的知识来调整或改变所述聚集的标记的文本数据的标记。

12.根据权利要求1所述的方法,进一步包括在生成所述概要之前,基于应用一个或多个基于语法的规则来调整或改变所述聚集的标记的文本数据的标记。

13.根据权利要求1所述的方法,其中所述概要包括以下中的至少一者:

14.根据权利要求1所述的方法,其中所述文本数据是存储在所述患者的电子医疗记录(EMR)中的所述患者的医疗报告。

15.一种系统,所述系统包括:

...

【技术特征摘要】

1.一种方法,所述方法包括:

2.根据权利要求1所述的方法,其中所述实体识别模型是机器学习(ml)模型。

3.根据权利要求1所述的方法,其中所述多个实体识别模型中的每个实体识别模型在相应的标记的数据集上被训练,所述相应的标记的数据集包括所述相应实体的多个标记的实例。

4.根据权利要求3所述的方法,其中每个相应的标记的数据集包括具有靶向频率、靶向长度和靶向邻接程度的实体的实例。

5.根据权利要求1所述的方法,其中实体识别模型对于在所述文本数据中被标记为实体的每个文本表达输出所述文本表达是所述相应实体的实例的概率。

6.根据权利要求5所述的方法,其中聚集由每个实体识别模型输出的所述标记的文本数据进一步包括:对于由至少两个实体识别模型标记为实体的所述标记的文本数据中的每个文本表达,基于所述至少两个实体识别模型的输出的相对权重来选择最准确的实体标记。

7.根据权利要求6所述的方法,其中基于由所述至少两个实体识别模型的所述相应实体识别模型输出的所述概率来分配所述权...

【专利技术属性】
技术研发人员:S·哥拉瓦尔A·阿卡拉S·萨西德哈兰A·卡纳马拉普迪
申请(专利权)人:通用电气精准医疗有限责任公司
类型:发明
国别省市:

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1