用于医疗行业数据标准化的方法及系统技术方案

本申请公开了用于医疗行业数据标准化的方法及系统，其中所述方法包括：基于医疗行业语料库对待标化数据进行自然语言处理；确定处理后的待标化数据与标准数据是否存在唯一匹配关系；响应于处理后的待标化数据与标准数据不存在唯一匹配关系，分别计算一处理后的待标化数据与每一条标准数据的相似值；响应于确定一个或多个相似值高于第一阈值，将相应的一个或多个标准数据作为与待标化数据匹配的待定标准数据；及响应于确定一个或多个相似值低于第二阈值，确定没有与待标化数据匹配的标准数据。本发明专利技术使能提高医疗行业数据标准化准确率并降低人工干预比例，提高标准化效率。

Methods and systems for data standardization in medical industry

【技术实现步骤摘要】
用于医疗行业数据标准化的方法及系统
本申请涉及电数字数据处理领域，尤其涉及用于医疗行业数据标准化的方法及系统。
技术介绍
医疗行业的大数据即将成为未来医院发展的必经之路，有助于推动医院的运营管理模式从“粗放式”走向“精细化”，从而提升医疗服务水平和核心竞争力。目前在运用大数据技术时面临诸多困难，其中包括医疗数据的来源多样化、标准不一致的困难。要实现医疗数据的标准化，目前一般存在以下两种方案。一种方案是人工对不同来源、标准不一的医疗数据进行标准化，这种方案准确率高但需要耗费巨大的人力成本与时间成本，并且可能需要依赖专业知识(例如药品、耗材的标准化情形)。另一种方案是将自然语言处理(NaturalLanguageProcessing,NLP)引入医疗数据标准化，通过分词、命名实体识别计算相似度，这种方案准确率很低，大量数据仍然需要人工比对。
技术实现思路
为了克服现有技术中存在的不足，本专利技术要解决的技术问题是提供一种用于医疗行业数据标准化的方法及系统，其使能提高医疗行业数据标准化的准确率，降低人工干预的比例。为解决上述技术问题，根据本专利技术的第一方面，提供用于医疗行业数据标准化的方法，该方法包括：基于医疗行业语料库对待标化数据进行自然语言处理；确定处理后的待标化数据与标准数据是否存在唯一匹配关系；响应于处理后的待标化数据与标准数据不存在唯一匹配关系，分别计算一处理后的待标化数据与每一条标准数据的相似值；响应于确定一个或多个相似值高于第一阈值，将相应的一个或多个标准数据作为与待标化数据匹配的待定标准数据；及响应于确定一个或多个相似值低于第二阈值，确定没有与待标化数据匹配的标准数据。作为本专利技术所述方法的改进，所述方法还包括：响应于所述待定标准数据仅包含一个标准数据，将所述待定标准数据作为与待标化数据对应的标准数据并输出标准化结果；及响应于所述待定标准数据包含两个以上标准数据，接收人工确认，及将人工确认的标准数据作为与待标化数据对应的标准数据并输出标准化结果。作为本专利技术所述方法的另一种改进，所述方法还包括：响应于确定一个或多个相似值落在第二阈值与第一阈值形成的区间内，将相应的一个或多个标准数据作为与待标化数据疑似的疑似标准数据；接收基于所述疑似标准数据的人工标准化结果及将其作为与待标化数据对应的标准数据并输出标准化结果。作为本专利技术所述方法的又一种改进，所述方法还包括：在进行自然语言处理之前对待标化数据进行预处理，其中所述预处理包括去空处理、日期格式化处理、拼接和/或拆分处理。作为本专利技术所述方法的再一种改进，所述计算一处理后的待标化数据与每一条标准数据的相似值包括通过下式计算所述相似值：其中，S指相似值，f为待标化数据经自然语言处理之后得到的每个词与一条标准数据中的对应标准词之间的相似度，w为每个词所属属性的预设权重，i为属性序号，n为属性数量。作为本专利技术所述方法的另一种改进，所述方法还包括：基于人工确认的标准数据与待标化数据的匹配关系丰富所述医疗行业语料库。为解决上述技术问题，根据本专利技术的第二方面，提供用于医疗行业数据标准化的系统，该系统包括：自然语言处理模块，用于基于医疗行业语料库对待标化数据进行自然语言处理；匹配确定模块，用于确定处理后的待标化数据与标准数据是否存在唯一匹配关系；计算模块，用于响应于处理后的待标化数据与标准数据不存在唯一匹配关系，分别计算一处理后的待标化数据与每一条标准数据的相似值；判定模块，用于响应于确定一个或多个相似值高于第一阈值，将相应的一个或多个标准数据作为与待标化数据匹配的待定标准数据；及确定模块，用于响应于确定一个或多个相似值低于第二阈值，确定没有与待标化数据匹配的标准数据。为解决上述技术问题，本专利技术的有形计算机可读介质，包括用于执行本专利技术的用于医疗行业数据标准化的方法的计算机程序代码。为解决上述技术问题，本专利技术提供一种装置，包括至少一个处理器；及至少一个存储器，含有计算机程序代码，所述至少一个存储器和所述计算机程序代码被配置为利用所述至少一个处理器使得所述装置执行本专利技术的用于医疗行业数据标准化的方法的至少部分步骤。按照本专利技术，首先基于医疗行业语料库对待标化数据进行自然语言处理，提高了文本尤其是中文文本数据的识别率。然后，自动运用相似值计算算法计算得出相似度最高的一个或多个标准数据，进而自动或人工将计算出来的标准数据确认为标准化结果。如果存在少量的疑难数据可能需要专家介入。这样可保证大部分数据(例如70％以上)是由系统进行自动标准化的，而且准确率很高，仅一小部分数据是由人工干预的，从而可提高标准化过程的效率。结合附图阅读本专利技术实施方式的详细描述后，本专利技术的其它特点和优点将变得更加清楚。附图说明图1为根据本专利技术方法的一实施例的流程图。图2为根据本专利技术系统的一实施例的结构示意图。为清晰起见，这些附图均为示意性及简化的图，它们只给出了对于理解本专利技术所必要的细节，而省略其他细节。具体实施方式下面参照附图对本专利技术的实施方式和实施例进行详细说明。通过下面给出的详细描述，本专利技术的适用范围将显而易见。然而，应当理解，在详细描述和具体例子表明本专利技术优选实施例的同时，它们仅为说明目的给出。在本说明书中，术语“标化”与“标准化”可互换地使用。图1示出了根据本专利技术的用于医疗行业数据标准化的方法的一优选实施例的流程图。在步骤S102，对待标化数据进行去空处理、日期格式化处理、拼接和/或拆分处理等预处理。去空处理是指将待标化数据字符串两边的空格去除。日期格式化处理是指按预设日期格式对日期进行格式化。拼接和/或拆分处理是指对待标化数据进行数据清洗、规范化。在步骤S104，基于医疗行业语料库对预处理后的待标化数据进行自然语言处理，即对长串文本的分词处理(取词/名词识别)。医疗行业语料库是一个不断完善丰富的语料库，包括但不限于“医院科室”、“收入类型”、“医用耗材”、“生产企业”、“经营企业”、“医疗服务项目”、“药品”、“疾病”、“医院会计科目”等语料库。自然语言处理在本领域已知，在此不再赘述。在步骤S106，通过查找历史数据已有的匹配关系，确定自然语言处理后的待标化数据与标准数据是否存在唯一匹配关系。如果确定存在唯一匹配关系，则处理进行到步骤S150，将唯一匹配的标准数据作为待标化数据的标准化结果。如果确定自然语言处理后的待标化数据与标准数据不存在唯一匹配关系，则处理进行到步骤S108。例如，待标化数据“血一病房”已经唯一匹配到标准数据“心血管内科病房”(之前可能是通过相似度算法，也可能是人工确认后)，如果再出现待标化数据“血一病房”需要标化，则可直接确定存在唯一匹配关系。在步骤S108，计算自然语言处理后的待标化数据与每一条标准数据的相似值。经自然语言处理之后，每一待标化数据可被分为多个词，每个词根据其属性对应一个预设权重。例如，对于医疗本文档来自技高网...

【技术保护点】
1.用于医疗行业数据标准化的方法，其特征在于，所述方法包括：/n基于医疗行业语料库对待标化数据进行自然语言处理；/n确定处理后的待标化数据与标准数据是否存在唯一匹配关系；/n响应于处理后的待标化数据与标准数据不存在唯一匹配关系，分别计算一处理后的待标化数据与每一条标准数据的相似值；/n响应于确定一个或多个相似值高于第一阈值，将相应的一个或多个标准数据作为与待标化数据匹配的待定标准数据；及/n响应于确定一个或多个相似值低于第二阈值，确定没有与待标化数据匹配的标准数据。/n

【技术特征摘要】
1.用于医疗行业数据标准化的方法，其特征在于，所述方法包括：
基于医疗行业语料库对待标化数据进行自然语言处理；
确定处理后的待标化数据与标准数据是否存在唯一匹配关系；
响应于处理后的待标化数据与标准数据不存在唯一匹配关系，分别计算一处理后的待标化数据与每一条标准数据的相似值；
响应于确定一个或多个相似值高于第一阈值，将相应的一个或多个标准数据作为与待标化数据匹配的待定标准数据；及
响应于确定一个或多个相似值低于第二阈值，确定没有与待标化数据匹配的标准数据。


2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
响应于所述待定标准数据仅包含一个标准数据，将所述待定标准数据作为与待标化数据对应的标准数据并输出标准化结果；及
响应于所述待定标准数据包含两个以上标准数据，接收人工确认，及将人工确认的标准数据作为与待标化数据对应的标准数据并输出标准化结果。


3.根据权利要求1所述的方法，其特征在于，所述方法还包括：
响应于确定一个或多个相似值落在第二阈值与第一阈值形成的区间内，将相应的一个或多个标准数据作为与待标化数据疑似的疑似标准数据；
接收基于所述疑似标准数据的人工标准化结果及将其作为与待标化数据对应的标准数据并输出标准化结果。


4.根据权利要求1所述的方法，其特征在于，所述方法还包括：
在进行自然语言处理之前对待标化数据进行预处理，其中所述预处理包括去空处理、日期格式化处理、拼接和/或拆分处理。


5.根据权利要求1所述的方法，其特征在于，所述计算一处理后的待标化数据与每一条标准数据的相似值包括通过下式计算所述相似值：



其中，S指相似值，f为待标化数据经自然语言处理之后得到的每个词与一条标准数据中的对应标...

【专利技术属性】
技术研发人员：黄俊杰，齐昱，张聃，邵河山，王雨功，
申请(专利权)人：北京东软望海科技有限公司，
类型：发明
国别省市：北京;11