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。为了实现上述目的，本专利技术采用如下技术方案：本专利技术的第一个方面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。在一个或多个实施例中，基于深度学习和知识图谱的临床路径自动生成方法，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；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。本专利技术的第二个方面提供一种基于深度学习和知识图谱的临床路径自动生成系统。在一个或多个实施例中，基于深度学习和知识图谱的临床路径自动生成系统，包括：临床路径推荐模块，其用于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；第一取交模块，其用于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；第二取交模块，其用于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；医嘱分配模块，其用于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。本专利技术的第三个方面提供一种计算机可读存储介质。一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述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中的步骤。本专利技术的第四个方面提供一种计算机设备。一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述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中的步骤。与现有技术相比，本专利技术的有益效果是：本专利技术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，基于深度学习技术全面分析医生提供的患者特征信息，基于规范化治疗数据，智能推荐适合该类患者的临床路径，大大提高了制定的临床路径的准确率；本专利技术还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，医疗操作别名集合和药品商品名称集合，分别与医疗操作医嘱推荐集合和药品商品名称集合对应取交集，得到第一交集和第二交集；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，针对某些疾病的患者，自动推荐医生常用的治疗方案，供医生在制定临床路径时参考，针对临床路径制定了整个治疗流程，基于医院的历史规范治疗数据，能够贴合本医院的实际情况，为医生提供切实可行的临床路径，大大提高了临床路径的实用性。附图说明构成本专利技术的一部分的说明书附图用来提供对本专利技术的进一步理解，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。图1是本专利技术实施例的基于深度学习和知识图谱的临床路径自动生成方法流程图；图2是本专利技术实施例的第一深度学习模型示意图；图3是本专利技术实施例的第二深度学习模型示意图；图4是本专利技术实施例的基于深度学习和知识图谱的临床路径自动生成系统结构示意图。具体实施方式下面结合附图与实施例对本专利技术作进一步说明。应该指出，以下详细说明都是例示性的，旨在对本专利技术提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本专利技术所属
的普通技术人员通常理解的相同含义。需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本专利技术的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。术语解释：结构化特征：对于患者的某特征，若该特征的表述只需结构化数据，称该特征为结构化特征，医嘱信息就是结构化特征信息；非结构化特征：对于患者的某特征，若表述该特征需要非结构化文本数据，称该特征为非结构化特征，现病史中某疾病症状的描述信息就是非结构化特征信息。医疗操作标准名称和医疗操作别名：医疗操作类医嘱既有标准名称，又有别名名称，例如，“左肺上叶切除术”是某手术的标准名称，“切除左肺上叶”就是该手术的别名名称，一个医嘱只有一个标准名称，可以有多个别名名称。药物成分名称和药品商品名称：对于不同成分的药物，在国家标准临床路径中统一记录其成分名称，但在医生的临床工作中，医嘱药品的名称很多情况下是药品的商品名称而不是成分名称，例如，“奥希替尼”是一个药品成分名称，“泰瑞沙”是该成分的药品商品名称。知识图谱S：非结构化特征信息->关键字、词，非结构化特征信息的相关数据指描述该特征的文本部分，这些文本中含有与该指标相关的关键字、词，知识图谱S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；/n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。/n

【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