一种基于临床行为反馈的自学习医疗风控系统及方法技术方案

本发明专利技术涉及一种基于临床行为反馈的自学习医疗风控系统及方法，包括至少一个医生端和服务端；服务端接收临床医生通过医生端在诊疗过程中产生第一数据文件；在对第一数据文件进行结构化处理后，通过内置的风控模型进行处理得到风控结果，并反馈回到对应的医生端；临床医生通过医生端，根据风控结果对第一数据文件进行修改和/或补充得到第二数据文件；服务端接收医生端发送的第二数据文件，根据对应的第一数据文件、第二数据文件和风控结果对本次风控结果进行评价，并依据评价结果通过自学习的方式更新风控模型。本发明专利技术利用医生临床行为的反馈对模型进行评价，使模型基于策略逻辑自我迭代更新，判断依据更加的精准。判断依据更加的精准。判断依据更加的精准。

【技术实现步骤摘要】
一种基于临床行为反馈的自学习医疗风控系统及方法


[0001]本专利技术属于医疗辅助风险识别
、医疗辅助决策
以及神经网络
，具体涉及一种基于临床行为反馈的自学习医疗风控系统及方法。

技术介绍

[0002]现有医疗决策类系统或者风险评判类系统，如临床决策支持系统、病案质控系统，通常会使用规则或人工智能(如：机器学习算法)算法对病历(病案)这类非结构化数据文本进行自然语言处理或识别，并基于自动化或者规则的方式进行数据提取，以形成结构化的数据。结合这些经过结构化的病案以及其他本身就是结构化的数据信息(如：医嘱、病案首页数据、实验室检验结果等)人为设定规则以形成决策依据或者风险识别依据，如患者尿酸测定值超过420μmol/L即被认定为痛风。然而，实际临床对于诊断的下达或者病情的分析并不完全基于某一种客观化指标，而是结合各类因素(如：临床表现)综合判定。因此尽管使用了各种人工智能的算法，但在决策依据的判断以及风险识别依据的判断中还是基于专家经验的简单化设定，因此于临床实际情况存在较大差异，也导致临床对于这类系统的认可度较低。
专本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于临床行为反馈的自学习医疗风控系统，其特征在于，包括至少一个医生端和服务端；所述服务端与每个医生端通信连接进行数据交互；所述服务端接收临床医生通过某个医生端在诊疗过程中产生的包括病案数据在内的第一数据文件；在对第一数据文件进行结构化处理后，通过内置的风控模型进行处理得到风控结果，并反馈回到对应的医生端；临床医生通过所述医生端，根据风控结果对所述第一数据文件进行修改和/或补充得到第二数据文件；所述服务端接收所述医生端发送的第二数据文件，根据对应的第一数据文件、第二数据文件和风控结果对本次风控结果进行自动评价，并依据评价结果，通过自学习的方式更新风控模型。2.根据权利要求1所述的自学习医疗风控系统，其特征在于，所述服务端包括结构化处理模块、评价模块、风控模型和自学习训练数据库；所述结构化处理模块，用于采用NLP方法，对第一数据文件或第二数据文件进行处理得到结构化的第一数据文件S
t
或第二数据文件S
t+1
；所述风控模型，用于根据所述结构化的第一数据文件S
t
进行处理得到风控结果a
t
；所述评价模块，用于根据每次诊疗过程中对应的结构化的第一数据文件S
t
、第二数据文件S
t+1
和风控结果a
t
，对每次风控结果进行评价得到评价结果r
t
；所述自学习训练数据库，用于将每次医疗风控中对应的第一数据文件S
t
、第二数据文件S
t+1
、风控结果a
t
和评价结果r
t
作为1组医疗风控记录数据进行存储；所述风控模型为自学习的神经网络模型，通过从自学习训练数据库中调取多组的医疗风控记录数据进行自学习训练，更新模型参数。3.根据权利要求2所述的自学习医疗风控系统，其特征在于，所述风控模型包括第一风控模型和/或第二风控模型；所述第一风控模型为风险识别模型，用于对包括病案数据在内的结构化的第一数据文件S
t
中存在的包括选择错误、内容漏填和内容冲突在内的风险进行识别输出风控结果a
t
；风控结果a
t
反馈到医生端后，临床医生在医生端参照风控结果a
t
对所述第一数据文件S
t
进行修改得到第二数据文件S
t+1
；所述第二风控模型为辅助决策模型，用于依据包括病案数据在内的结构化的第一数据文件S
t
产生后续诊疗辅助决策结果的风控结果a
t
；辅助决策结果反馈到医生端后，临床医生在医生端参照辅助决策结果对所述第一数据文件S
t
进行诊疗决策内容的补充得到第二数据文件S
t+1
。4.根据权利要求3所述的自学习医疗风控系统，其特征在于，所述第一风控模型或第二风控模型的结构相同，均包括：神经网络结构相同的当前策略网络和目标策略网络；神经网络结构相同的当前价值网络和目标价值网络；其中，所述当前策略网络，以结构化的第一数据文件S
t
为输入，输出对所述第一数据文件的风控结果a
t
；在风控模型的每次自学习后，对当前策略网络的网络参数进行更新；所述目标策略网络，其网络参数为延时同步的当前决策网络的网络参数；用于在风控模型的自学习过程中，根据输入的结构化后的第二数据文件S
t+1
，产生对第二数据文件的风
控结果a
t+1
；所述当前价值网络，用于在风控模型的自学习过程中，根据输入的结构化后的第一数据文件S
t
和对应的风控结果a
t
进行预测得到当前自学习过程的Q值；在风控模型的每次自学习后，对当前策略网络的网络参数进行更新；所述目标价值网络，用于在风控模型的自学习过程中，根据输入的第二数据文件S
t+1
和以第二数据文件S
t+1
为输入在所述目标策略网络中输出的风控结果a
t+1
进行预测得到当前自学习过程的Q
’
值；其网络参数为延时同步的当前价值网络参数。5.根据权利要求4所述的自学习医疗风控系统，其特征在于，所述自学习的学习过程中，包括以下步骤：从自学习训练数据库随机采样N组医疗风控记录数据{S
t，j
、a
t，j
、r
t，j
、S
t+1，j
}；j＝1,2,3
…
N；S
t，j
为第j组数据中的结构化的第一数据文件，a
t，j
为第j组数据中的结构化的风控结果；r
t，j
为第j组数据中的评价结果；S
t+1，j
为第j组数据中的结构化的第二数据文件；使用S
t，j
和a
t，j
在所述当前价值网络中进行预测，计算出S
t，j
为输入的预测价值Q；使用S
t+1，j
在目标策略网络中计算出a
t+1，j
；结合S
t+1，j
和a
t+1，j
在所述目标价值网络中进行预测，计算出以S
t+1，j
为输入的目标的预测价值Q
’
；结合Q
’
和r
t，j
计算出以S
t，j
为输入的目标价值；根据N次学习的损失梯度来更新当前价值网络参数；所述损失梯度根据S
t，j
...

【专利技术属性】
技术研发人员：周禹同，魏先友，
申请(专利权)人：北京颐圣智能科技有限公司，
类型：发明
国别省市：