基于深度学习和知识图谱的临床路径自动生成方法及系统技术方案

本发明专利技术提供了一种基于深度学习和知识图谱的临床路径自动生成方法及系统。其中，该方法包括将患者特征信息分别输入第一深度学习模型和第二深度学习模型，对应推荐出第一临床路径和第二临床路径；将第一临床路径和第二临床路径中包含的所有医嘱取交集，将交集中的医嘱根据类别划分并形成医疗操作医嘱推荐集合和药品医嘱推荐集合；将医疗操作医嘱推荐集合与医疗操作别名集合取交集，得到第一交集；将药品医嘱推荐集合与药品商品名称集合取交集，得到第二交集；对第一交集和第二交集中的每条医嘱，通过第二临床路径获得其执行时间，得到第一交集和第二交集对应临床路径每天/每阶段的医嘱分配。

【技术实现步骤摘要】
基于深度学习和知识图谱的临床路径自动生成方法及系统
本专利技术属于临床数据处理领域，尤其涉及一种基于深度学习和知识图谱的临床路径自动生成方法及系统。
技术介绍
本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息，不必然构成在先技术。目前生成临床路径的方法有两种，一种是直接使用国家标准的各类疾病临床路径，另一种是使用传统机器学习的方法简单分析医生已有的诊疗方案制定各类疾病的临床路径。专利技术人发现，按照国家规范统一制定的临床路径没有结合各个医院、科室、医生、患者的实际情况，无法满足患者多种多样的情况，导致临床路径不能满足实际治疗的需要，因此难以在实际临床工作中发挥作用。基于传统机器学习方法制定的临床路径，由于其分析的范围不够广，模型复杂度不足，其生成的临床路径不够准确，无法满足医生临床使用的要求。
技术实现思路
为了解决上述问题，本专利技术提供一种基于深度学习和知识图谱的临床路径自动生成方法及系统，其基于深度学习和知识图谱，基于规范化治疗数据，智能推荐适合该类患者的临床路径，能够提高制定的临床路径的准确率。本文档来自技高网...

【技术保护点】
1.一种基于深度学习和知识图谱的临床路径自动生成方法，其特征在于，包括：/n将患者特征信息分别输入第一深度学习模型和第二深度学习模型，对应推荐出第一临床路径和第二临床路径；其中第一临床路径仅包含医嘱，第二临床路径包含医嘱及其执行时间；/n将第一临床路径和第二临床路径中包含的所有医嘱取交集，将交集中的医嘱根据类别划分并形成医疗操作医嘱推荐集合和药品医嘱推荐集合；/n将医疗操作医嘱推荐集合与医疗操作别名集合取交集，得到第一交集；将药品医嘱推荐集合与药品商品名称集合取交集，得到第二交集；其中，医疗操作别名集合和药品商品名称集合是基于知识图谱及患者特征信息中患者疾病诊断名称所对应的标准临床路径寻找到的...

【技术特征摘要】
1.一种基于深度学习和知识图谱的临床路径自动生成方法，其特征在于，包括：
将患者特征信息分别输入第一深度学习模型和第二深度学习模型，对应推荐出第一临床路径和第二临床路径；其中第一临床路径仅包含医嘱，第二临床路径包含医嘱及其执行时间；
将第一临床路径和第二临床路径中包含的所有医嘱取交集，将交集中的医嘱根据类别划分并形成医疗操作医嘱推荐集合和药品医嘱推荐集合；
将医疗操作医嘱推荐集合与医疗操作别名集合取交集，得到第一交集；将药品医嘱推荐集合与药品商品名称集合取交集，得到第二交集；其中，医疗操作别名集合和药品商品名称集合是基于知识图谱及患者特征信息中患者疾病诊断名称所对应的标准临床路径寻找到的；
对第一交集和第二交集中的每条医嘱，通过第二临床路径获得其执行时间，得到第一交集和第二交集对应临床路径每天/每阶段的医嘱分配。


2.如权利要求1所述的基于深度学习和知识图谱的临床路径自动生成方法，其特征在于，标准临床路径中包含的医疗操作名称是医疗操作标准名称，标准临床路径包含的药品名称是药品成分名称。


3.如权利要求1所述的基于深度学习和知识图谱的临床路径自动生成方法，其特征在于，所述患者特征信息包括结构化信息和非结构化文本信息。


4.如权利要求1所述的基于深度学习和知识图谱的临床路径自动生成方法，其特征在于，所述第一深度学习模型包括：
双向长短时记忆循环神经网络模型，其用于接收患者特征信息的非结构化文本信息词向量，将输出结果经过最大池，得到表示患者病情描述向量；
逻辑回归模型，其用于将患者特征信息结构化信息的向量和患者病情描述向量组合，组合后映射到代表患者的信息与所有医嘱之间相似关系的指数向量；其中，该指数向量中任一元素表示对应医嘱进入临床路径的概率。


5.如权利要求4所述的基于深度学习和知识图谱的临床路径自动生成方法，其特征在于，患者特征信息的非结构化文本信息词向量由第三深度学习模型提取。

【专利技术属性】
技术研发人员：孙钊，吴军，高希余，刘小梅，许志国，
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：山东;37