基于多模型的电子病历用药结构化处理系统技术方案

本发明专利技术涉及一种基于多模型的电子病历用药结构化处理系统，包括：多个病历录入设备，每一个病历录入设备用于录入其对应的医疗组/医生的各份电子病历信息，每一份电子病历信息包括病程段落；云端服务网元集合，用于根据接收到的每一份电子病历信息的来源医疗组/医生选择对应的深度神经网络模型以对病程段落执行深度神经网络识别处理，获得以用药名称为主索引词的患者用药结构化档案。本发明专利技术的基于多模型的电子病历用药结构化处理系统运行智能、响应及时。在计算机采用深度神经网络模型读入以文本为主的电子病历数据的基础上，识别同一医疗机构内不同医疗组/不同医生的病历撰写习惯，为医疗机构科研数据平台提供出有效的结构化医疗基础数据。化医疗基础数据。化医疗基础数据。

【技术实现步骤摘要】
基于多模型的电子病历用药结构化处理系统
(一)

[0001]本专利技术涉及医疗资源管理领域，尤其涉及一种基于多模型的电子病历用药结构化处理系统。
(二)
技术介绍

[0002]电子病历(Electronic Medical Record,EMR)是医务人员对病人患病经过和治疗情况所作的文字记录，是医生诊断和治疗疾病的依据。电子病历不仅记录病患病情，而且也记录医师对病情的分析、诊断、治疗的过程，对预后的估计，以及各级医师查房和会诊的意见。电子病历作为患者整个诊疗过程的原始记录，记载了病人住入医疗机构后由患者或陪同人陈述发病经过，医护人员对患者进行诊断、治疗、理化检查，直至病人出院或死亡全过程的真实情况。因此，病历既是病情的实际记录，也是医疗、护理质量和学术水平的体现，是医学科学研究很有价值的资料。
[0003]随着大数据和人工智能的发展，利用电子病历中记载的信息开展医学研究已经成为一个重要方向，但是现实层面的技术瓶颈是：这些以文本为主的电子病历数据虽然可以让专业人士看懂，但计算机理解不了，也就没法发挥其计算能力，就更别提到应用端的价值体现。因此有必要对电子病历的现有技术进行改进，以满足后续智能诊疗等一系列人工智能应用的开发。
[0004]同时，当每一家医疗机构需要对医疗机构内各种医疗资源进行整合以便于执行后续医疗机构科研数据平台的建立和研究时，需要对同一家医疗机构的各个不同医疗组/各个不同医生的电子病历信息进行识别和数据归纳，所述电子病历信息通常包括疾病诊断类型、病人年龄、病人性别、病人治疗就诊时间、发病时间、症状信息、患者主诉信息、患者治疗过程信息、检验项目名称、检验明细信息以及一个以上用药名称。
[0005]在所述电子病历信息中，疾病诊断类型、病人年龄、病人性别和病人治疗就诊时间一般都具有固定的栏目，普遍放置在病历的已经结构化区域，容易通过对固定栏目进行关键字识别进行获得，而电子病历中医生输入的诊断治疗过程所包括的发病时间、症状信息、患者主诉信息、患者治疗过程信息、检验项目名称、检验明细信息以及一个以上用药名称难以获取，一方面是因为不同医疗组/不同医生具有不同的病历撰写习惯，另一方面，医疗组内医生越多，医疗组内的疾病治疗诊断过程的描述种类也就越多，医生轮转过的科室医疗机构越多，医生疾病诊断描述同样越丰富，这时，采用固定式的文本识别机制执行不同医疗组/医生输入的电子病历信息的患者用药档案等相关信息的结构化识别，显然不太现实。
(三)
技术实现思路

[0006]为了解决上述各种电子病历识别困难的技术问题，本专利技术提供了一种基于多模型的电子病历用药结构化处理系统，首先，计算机采用深度神经网络模型实现对以文本为主的电子病历数据的读入，其次，引入多种深度神经网络模型以分别针对同一医疗机构的不同医疗组/不同医生用于适应对应医疗组/医生的病历撰写习惯，再次，在每一医疗组/医生
所属的深度神经网络模型中，基于医疗组拥有医生的数量/医生轮转过的科室数量医疗机构实现模型的定制化设计，最后，为了提升读入电子病历信息的医疗机构科研数据平台的响应速度和处理效率，引入由不止一个云端服务网元构成的云端服务网元集合并采用其中任务最轻的云端服务网元执行电子病历信息的读入。
[0007]为此，本专利技术关键在于：
[0008](1)计算机采用基于应用场景的定制化深度神经网络模型实现对以文本为主的不同来源的电子病历数据的统一读入，从而为后续医疗数据的管理以及智能诊疗的实现提供可靠的数据基础；
[0009](2)针对不同医疗组/不同医生定制不同的深度神经网络模型以完成对电子病历关键数据即以用药名称为主索引词的患者用药结构化档案的识别，其中，对不同模型通过对应医疗组/医生的批量电子病历数据完成模型的训练，保证模型实现对相应医疗组/医生的电子病历撰写习惯的有效识别；
[0010](3)考虑到医疗组医生数量越多/医生轮转执业过的科室医疗机构越多、相应医疗组/医生的电子病历撰写习惯识别的难度越大的特性，将深度神经网络模型的隐含层的数量与对应医疗组的医生数量/医疗机构对应医生轮转过的科室数量单调正相关；
[0011](4)引入由不止一个云端服务网元构成的云端服务网元集合并实时选择其中任务最轻的云端服务网元对接收到的电子病历信息的病程段落执行深度神经网络识别处理，从而保证系统具有较快的响应速度且能够处理并发数据。
[0012]根据本专利技术的一方面，提供了一种基于多模型的电子病历用药结构化处理系统，所述系统包括：
[0013]多个病历录入设备，分别设置在同一医疗机构内的多个医疗组/多个医生的诊间内，每一个病历录入设备用于录入其对应的医疗组/医生的各份电子病历信息，每一份电子病历信息包括病程段落、疾病诊断类型、病人年龄、病人性别和病人治疗就诊时间，所述病程段落为对电子病历中医生填写的诊断治疗过程部分的文字段落；
[0014]云端服务网元集合，由不止一个云端服务网元构成，通过网络与所述多个病历录入设备连接，用于根据接收到的每一份电子病历信息的来源医疗组/医生选择对应的深度神经网络模型以对接收到的所述电子病历信息的病程段落执行深度神经网络识别处理，获得所述病程段落对应的以用药名称为主索引词的患者用药结构化档案，所述患者用药结构化档案包括发病时间、症状信息、患者主诉信息、患者治疗过程信息、检验项目名称、检验明细信息以及一个以上用药名称；
[0015]数据存储芯片，设置在医疗机构科研数据平台端，通过网络与所述云端服务网络集合连接，内置信息数据库用于接收并存储每一份电子病历信息的疾病诊断类型、病人年龄、病人性别、发病时间、症状信息、患者主诉信息、患者治疗过程信息、检验项目名称、检验明细信息以及一个以上用药名称；
[0016]其中，每一个云端服务网元存储同一医疗机构内的多个医疗组/多个医生分别对应的多个深度神经网络模型，每一个医疗组/医生对应的深度神经网络模型包括单个输入层、单个输出层和N个隐藏层，模型被训练时，所述输入层输入对应医疗组/医生的批量的病程段落，所述输出层输出被训练的每一份病程段落对应的M个用药名称，其中，N和M均为大于1的自然数，N与对应医疗组的医生数量/医疗机构对应医生轮转过的科室数量单调正相
关，M的数值固定；
[0017]其中，在训练深度神经网络模型时，当输入的病程段落中存在小于M 的多个不同用药名称时，输出的M个用药名称为病程段落中出现的多个不同用药名称加上为补足M而增加的差额数量的空名称；
[0018]其中，获得所述病程段落对应的以用药名称为主索引词的患者用药结构化档案，所述患者用药结构化档案包括发病时间、症状信息、患者主诉信息、患者治疗过程信息、检验项目名称、检验明细信息以及一个以上用药名称，其中一个以上用药名称包括：将深度神经网络模型输出的M个用药名称中去除空名称后获得的各个用药名称作为所述病程段落对应的一个以上用药名称；
[0019]其中，所述云端服务网元集合每接收到一份电子病历信息，根据各个云端服务网元的任务繁重选择任务最轻的云端服务网元对本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多模型的电子病历用药结构化处理系统，其特征在于，所述系统包括：多个病历录入设备，分别设置在同一医疗机构内的多个医疗组/多个医生的诊间内，每一个病历录入设备用于录入其对应的医疗组/医生的各份电子病历信息，每一份电子病历信息包括病程段落、疾病诊断类型、病人年龄、病人性别和病人治疗就诊时间，所述病程段落为对电子病历中医生填写的诊断治疗过程部分的文字段落；云端服务网元集合，由不止一个云端服务网元构成，通过网络与所述多个病历录入设备连接，用于根据接收到的每一份电子病历信息的来源医疗组/医生选择对应的深度神经网络模型以对接收到的所述电子病历信息的病程段落执行深度神经网络识别处理，获得所述病程段落对应的以用药名称为主索引词的患者用药结构化档案，所述患者用药结构化档案包括发病时间、症状信息、患者主诉信息、患者治疗过程信息、检验项目名称、检验明细信息以及一个以上用药名称；数据存储芯片，设置在医疗机构科研数据平台端，通过网络与所述云端服务网络集合连接，内置信息数据库用于接收并存储每一份电子病历信息的疾病诊断类型、病人年龄、病人性别、发病时间、症状信息、患者主诉信息、患者治疗过程信息、检验项目名称、检验明细信息以及一个以上用药名称；其中，每一个云端服务网元存储同一医疗机构内的多个医疗组/多个医生分别对应的多个深度神经网络模型，每一个医疗组/医生对应的深度神经网络模型包括单个输入层、单个输出层和N个隐藏层，模型被训练时，所述输入层输入对应医疗组/医生的批量的病程段落，所述输出层输出被训练的每一份病程段落对应的M个用药名称，其中，N和M均为大于1的自然数，N与对应医疗组的医生数量/医疗机构对应医生轮转过的科室数量单调正相关，M的数值固定；其中，在训练深度神经网络模型时，当输入的病程段落中存在小于M的多个不同用药名称时，输出的M个用药名称为病程段落中出现的多个不同用药名称加上为补足M而增加的差额数量的空名称；其中，获得所述病程段落对应的以用药名称为主索引词的患者用药结构化档案，所述患者用药结构化档案包括发病时间、症状信息、患者主诉信息、患者治疗过程信息、检验项目名称、检验明细信息以及一个以上用药名称，其中一个以上用药名称包括：将深度神经网络模型输出的M个用药名称中去除空名称后获得的各个用药名称作为所述病程段落对应的一个以上用药名称；其中，所述云端服务网元集合每接收到一份电子病历信息，根据各个云端服务网元的任务繁重选择任务最轻的云端服务网元对接收到的电子病历信息的病程段落执行深度神经网络识别处理。2.如权利要求1所述的基于多模型的电子病历用药结构化处理系统，其特征在于：在训练深度神经网络模型时，当输入的病程段落中存在大于M的多个不同用药名称时，输出的M个用药名称为病程段落中出现频率最频繁的M个不同用药名称；其中，在训练深度神经网络模型时，当输入的病程段落中存在等于M的多个不同用药名称时，输出的M个用药名称为病程段落中出现的多个不同用药名称。3.如权利要求1所述的基于多模型的电子病历用药结构化处理系统，其特征在于：每一个病历录入设备包括实时文本抓取单元、信息辨析单元和信息输出单元；
...

【专利技术属性】
技术研发人员：洪东升，卢晓阳，倪剑，周逸帆，刘晓健，
申请(专利权)人：浙江大学，
类型：发明
国别省市：