患者招募项目智能匹配方法及装置制造方法及图纸

本发明专利技术公开了一种患者招募项目智能匹配方法及装置，涉及计算机技术领域，可解决目前在进行患者招募项目匹配时，存在处理患者线索时间长以及成本高，以及有些复杂患者材料人工不能有效准确识别出的技术问题。其中方法包括：获取受试患者的疾病材料信息，提取所述疾病材料信息对应的文字特征以及图像特征；基于医学知识规则，根据所述文字特征筛选与所述受试患者匹配的候选招募项目；将所述文字特征和所述图像特征进行特征融合后的多模态特征，以及所述候选招募项目输入训练完成的患者招募项目预测模型，得到与所述受试患者匹配的目标招募项目。本申请适用于对患者招募项目的匹配分析。分析。分析。

【技术实现步骤摘要】
患者招募项目智能匹配方法及装置


[0001]本申请涉及计算机
，尤其涉及到一种患者招募项目智能匹配方法及装置。

技术介绍

[0002]临床试验中，受试者招募是开启临床试验的关键一环。如何在临床试验过程中，招募到合适的受试者，确保临床试验在确定时间内完成，是临床试验所面临的难题。据国外的数据显示，86％的临床试验入组速度没有达到试验进度的要求，延期达1个月的占29％，延期达1～6个月之间的占52％，延期达6个月以上的占5％，真正按照试验进度要求准时达到入组人数的仅占14％。据报道，85％～95％的临床试验进度延迟的原因是不能按计划招募到合格的受试者。即便在我国人口基数庞大的背景下，受试者招募的进展仍显得缓慢和不足，招募方式的单一性、效率低下、信息闭塞等问题导致国内开展的大多数临床试验都很难在一定时间内完成。
[0003]传统的患者招募行业采取人工审核的方式去处理患者匹配项目的线索，需要大量的人力去筛选有效线索，再由招募团队人员对有效线索进行初筛，最终由医学老师进行复筛，这一系列流程需要每个环节负责的人员进行阅读患者材料，人工提取匹配项目特征的患者医学材料，从患者的材料中抽取有效的信息，比如用药史，疾病的类型，疾病的治疗线数，疾病的基因类型，通过有效的信息再去匹配项目，整个患者招募处理过程中均使用人工提取使用信息去匹配项目，存在处理患者线索时间长以及成本高的问题，以及有些复杂患者材料人工不一定能有效准确的识别出。

技术实现思路

[0004]有鉴于此，本申请提供了一种患者招募项目智能匹配方法及装置，可用于解决目前在进行患者招募项目匹配时，存在处理患者线索时间长以及成本高，以及有些复杂患者材料人工不能有效准确识别出的技术问题。
[0005]根据本申请的一个方面，提供了一种患者招募项目智能匹配方法，该方法包括:
[0006]获取受试患者的疾病材料信息，提取所述疾病材料信息对应的文字特征以及图像特征；
[0007]基于医学知识规则，根据所述文字特征筛选与所述受试患者匹配的候选招募项目；
[0008]将所述文字特征和所述图像特征进行特征融合后的多模态特征，以及所述候选招募项目输入训练完成的患者招募项目预测模型，得到与所述受试患者匹配的目标招募项目。
[0009]优选地，所述疾病材料信息包括第一文本信息和图像信息，所述提取所述疾病材料信息对应的文字特征以及图像特征，包括：
[0010]利用光学字符识别技术将所述图像信息转换为第二文本信息，根据预设关键词在
所述第一文本信息和所述第二文本信息中提取所述疾病材料信息对应的文字特征；
[0011]利用尺度不变特征变换技术提取所述图像信息中与尺度缩放、旋转、亮度变化无关的图像特征。
[0012]优选地，所述基于医学知识规则，根据所述文字特征筛选与所述受试患者匹配的候选招募项目，包括：
[0013]获取预先根据医学知识规则创建的医学知识图谱；
[0014]根据所述文字特征在所述医学知识图谱中筛选与所述受试患者匹配的候选招募项目。
[0015]优选地，所述医学知识图谱中包含各个预设招募项目以及各个所述预设招募项目对应的项目特征，所述根据所述文字特征在所述医学知识图谱中筛选与所述受试患者匹配的候选招募项目，包括：
[0016]计算所述文字特征与各个所述预设招募项目对应项目特征的特征相似度；
[0017]将对应所述特征相似度大于预设相似度阈值的预设招募项目确定为与所述受试患者匹配的候选招募项目。
[0018]优选地，所述方法还包括：
[0019]根据医学知识规则提取与各个预设招募项目匹配的项目特征；
[0020]生成各个所述预设招募项目的第一特征标签，各个所述预设招募项目所匹配项目特征对应的第二特征标签，以及所述第一特征标签与所述第二特征标签的匹配映射关系；
[0021]创建包含所述第一特征标签、所述第二特征标签以及所述匹配映射关系的医学知识图谱。
[0022]优选地，在将所述文字特征和所述图像特征进行特征融合后的多模态特征，以及所述候选招募项目输入训练完成的患者招募项目预测模型，得到与所述受试患者匹配的目标招募项目之前，还包括：
[0023]获取完成招募项目匹配的样本数据，并将所述样本数据划分为训练集和测试集，其中，所述样本数据中配置有匹配成功的目标招募项目标签；
[0024]利用所述训练集迭代训练患者招募项目预测模型，直至利用所述测试集验证所述患者招募项目预测模型的预测精准度大于预设阈值，判定所述患者招募项目预测模型训练完成。
[0025]优选地，将所述文字特征和所述图像特征进行特征融合后的多模态特征，以及所述候选招募项目输入训练完成的患者招募项目预测模型，得到与所述受试患者匹配的目标招募项目，包括：
[0026]将所述文字特征和所述图像特征进行特征融合后的多模态特征，以及所述候选招募项目输入训练完成的患者招募项目预测模型，获取所述患者招募项目预测模型输出的针对各个所述候选招募项目的预测得分；
[0027]将对应所述预测得分最高的候选招募项目确定为与所述受试患者匹配的目标招募项目。
[0028]根据本申请的另一个方面，提供了一种患者招募项目智能匹配装置，该装置包括：
[0029]第一提取模块，用于获取受试患者的疾病材料信息，提取所述疾病材料信息对应的文字特征以及图像特征；
[0030]筛选模块，用于基于医学知识规则，根据所述文字特征筛选与所述受试患者匹配的候选招募项目；
[0031]输入模块，用于将所述文字特征和所述图像特征进行特征融合后的多模态特征，以及所述候选招募项目输入训练完成的患者招募项目预测模型，得到与所述受试患者匹配的目标招募项目。
[0032]优选地，所述疾病材料信息包括第一文本信息和图像信息，所述第一提取模块。包括：第一提取单元、第二提取单元；
[0033]所述第一提取单元，用于利用光学字符识别技术将所述图像信息转换为第二文本信息，根据预设关键词在所述第一文本信息和所述第二文本信息中提取所述疾病材料信息对应的文字特征；
[0034]所述第二提取单元，用于利用尺度不变特征变换技术提取所述图像信息中与尺度缩放、旋转、亮度变化无关的图像特征。
[0035]优选地，所述筛选模块，包括：获取单元、筛选单元；
[0036]所述获取单元，用于获取预先根据医学知识规则创建的医学知识图谱；
[0037]所述筛选单元，用于根据所述文字特征在所述医学知识图谱中筛选与所述受试患者匹配的候选招募项目。
[0038]优选地，所述医学知识图谱中包含各个预设招募项目以及各个所述预设招募项目对应的项目特征，所述筛选单元，具体用于计算所述文字特征与各个所述预设招募项目对应项目特征的特征相似度；将对应所述特征相似度大于预设相似度阈值的预设招募项目确定为与所述受试患者匹配的候选招募项目。
[0039]优选地，所述装置还包括：第二提取模块、本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种患者招募项目智能匹配方法，其特征在于，包括：获取受试患者的疾病材料信息，提取所述疾病材料信息对应的文字特征以及图像特征；基于医学知识规则，根据所述文字特征筛选与所述受试患者匹配的候选招募项目；将所述文字特征和所述图像特征进行特征融合后的多模态特征，以及所述候选招募项目输入训练完成的患者招募项目预测模型，得到与所述受试患者匹配的目标招募项目。2.根据权利要求1所述的方法，其特征在于，所述疾病材料信息包括第一文本信息和图像信息，所述提取所述疾病材料信息对应的文字特征以及图像特征，包括：利用光学字符识别技术将所述图像信息转换为第二文本信息，根据预设关键词在所述第一文本信息和所述第二文本信息中提取所述疾病材料信息对应的文字特征；利用尺度不变特征变换技术提取所述图像信息中与尺度缩放、旋转、亮度变化无关的图像特征。3.根据权利要求1所述的方法，其特征在于，所述基于医学知识规则，根据所述文字特征筛选与所述受试患者匹配的候选招募项目，包括：获取预先根据医学知识规则创建的医学知识图谱；根据所述文字特征在所述医学知识图谱中筛选与所述受试患者匹配的候选招募项目。4.根据权利要求3所述的方法，其特征在于，所述医学知识图谱中包含各个预设招募项目以及各个所述预设招募项目对应的项目特征，所述根据所述文字特征在所述医学知识图谱中筛选与所述受试患者匹配的候选招募项目，包括：计算所述文字特征与各个所述预设招募项目对应项目特征的特征相似度；将对应所述特征相似度大于预设相似度阈值的预设招募项目确定为与所述受试患者匹配的候选招募项目。5.根据权利要求3所述的方法，其特征在于，所述方法还包括：根据医学知识规则提取与各个预设招募项目匹配的项目特征；生成各个所述预设招募项目的第一特征标签，各个所述预设招募项目所匹配项目特征对应的第二特征标签，以及所述第一特征标签与所述第二特征标签的匹配映射关系；创建包含所述第一特征标签、所述第二特征标签以及所述匹配映射关系的医学知识图谱。6.根据权...

【专利技术属性】
技术研发人员：黄平，黄明星，李银锋，董婉，吴志超，刘海伦，王月宝，沈鹏，
申请(专利权)人：北京健康之家科技有限公司，
类型：发明
国别省市：