基于人工智能的医疗文书完整性分析方法及系统技术方案

本发明专利技术涉及数据处理技术领域，尤其涉及一种基于人工智能的医疗文书完整性分析方法及系统，包括数据获取单元获取若干医疗文书扫描图像，数据处理单元筛选分辨率符合标准的医疗文书扫描图像作为样本数据并将样本数据随机划分为训练集、验证集和测试集；建模单元建立神经网络模型，并将训练集输入至神经网络模型中进行训练；建模单元使用验证集对神经网络模型进行测试，中控单元根据神经网络模型的测试结果判定是否对神经网络模型的迭代次数和隐层数进行调节；建模单元使用测试集对测试结果符合标准的神经网络模型进行验证，中控单元根据神经网络模型的验证结果判定是否需要增加样本数据的数量。本发明专利技术提高了对医疗文书完整性的分析精准度。性的分析精准度。性的分析精准度。

【技术实现步骤摘要】
基于人工智能的医疗文书完整性分析方法及系统


[0001]本专利技术涉及数据处理
，尤其涉及一种基于人工智能的医疗文书完整性分析方法及系统。

技术介绍

[0002]医疗文书是医疗过程的全面记录，也是医生对病人的诊疗依据，建议修改医疗文书是医疗机构及医务人员在诊疗、护理、预防、检疫等诊疗过程中，按照专业技术规范要求制作的反映医疗服务关系、患者健康状况和医疗措施等具有保存价值的信息资料规范文件的总称。医疗文书体现了医疗机构及医务人员的医疗质量和学术思想水平，衡量医疗活动及技术水平的重要标志。医疗文书完整性，对提升医疗水平、规范医疗行为、保障患者权益等方面发挥着重要作用。
[0003]中国专利公开号：CN113707252B公开了一种智能病例质控方法及系统，该专利技术以人工智能技术为核心，通过对病历语义的理解及诊疗路径的评估，查找缺陷内容，标识原因。
[0004]医疗文书的完整性分析对于医疗工作具有重要意义，不仅体现了医院的医疗质量、管理水平，反映出医务人员的业务水平，而且是临床教学、科研、总结经验及医院信息管理的重要资料。然而，现有技术多为对电子病例的完整性进行质控和分析，而医疗文书不仅包括电子病历，还包括门诊病历、住院病历、门诊处方、医生交接班报告、各种申请单、报告单、三测单、护理交班报告、特别护理记录单等纸质单据，目前，针对纸质医疗文书的书写完整性是通过人工审核，人工审核的主观性较强，精准性较低，速度慢效率低，无法满足医学人员的实际需求。

技术实现思路

[0005]为此，本专利技术提供一种基于人工智能的医疗文书完整性分析方法及系统，用以克服现有技术中对于纸质医疗文书的完整性分析的精准度较低以及效率较低的问题。
[0006]为实现上述目的，一方面，本专利技术提供一种基于人工智能的医疗文书完整性分析方法，包括：步骤S1，数据获取单元获取若干医疗文书扫描图像，数据处理单元筛选分辨率符合标准的医疗文书扫描图像作为样本数据并存储至样本数据集，样本数据集将样本数据随机划分为训练集、验证集和测试集；步骤S2，建模单元建立神经网络模型，设置神经网络模型的迭代次数N和隐层数A，并将所述训练集输入至神经网络模型中进行训练；步骤S3，所述建模单元使用所述验证集对所述神经网络模型进行验证，中控单元根据神经网络模型的验证结果判定是否对神经网络模型的迭代次数和隐层数进行调节；步骤S4，所述建模单元使用所述测试集对测试结果符合标准的所述神经网络模型进行测试，所述中控单元根据神经网络模型的测试结果判定是否需要增加所述样本数据的
数量。
[0007]进一步地，在所述步骤S1中，所述数据处理单元检测各所述医疗文书扫描图像的分辨率Q，将Q与预设分辨率Q0进行比对并根据比对结果判定医疗文书扫描图像的分辨率是否符合标准，若Q≥Q0，所述数据处理单元判定分辨率Q对应的医疗文书扫描图像的分辨率符合标准，将该医疗文书扫描图像作为样本数据储存至样本数据集；若Q＜Q0，所述数据处理单元判定分辨率Q对应的医疗文书扫描图像的分辨率不符合标准。
[0008]进一步地，在所述步骤S1中，所述数据获取单元获取的若干医疗文书扫描图像包括若干第一完整度的医疗文书扫描图像、若干第二完整度的医疗文书扫描图像、若干第三完整度的医疗文书扫描图像以及若干第四完整度的医疗文书扫描图像。
[0009]进一步地，在所述步骤S3中，所述中控单元通过所述神经网络模型的测试结果判定是否对神经网络模型进行调参时，所述建模单元选取验证集中的样本数据A1、A2...An对神经网络模型进行验证时，其对应的预设结果为a1、a2...an，神经网络模型的验证结果为b1、b2...bn，所述中控单元将预设结果与验证结果中的数值对应并计算验证误差率τ，设定，所述中控单元将验证误差率τ与预设误差率τ0进行比对，若τ≤τ0，所述中控单元判定验证误差率符合标准，所述神经网络模型验证结果符合标准，无需对神经网络模型进行调参；若τ＞τ0，所述中控单元判定验证误差率不符合标准，所述神经网络模型验证结果不符合标准，需对神经网络模型进行调参。
[0010]进一步地，在所述步骤S4中，所述中控单元判定所述神经网络模型验证结果不符合标准时，即τ＞τ0时，计算验证误差率τ与预设误差率τ0的差值Δτ并根据Δτ对神经网络模型的隐层数进行调节，设定Δτ=τ
‑
τ0，其中，若Δτ＜Δτ1，所述中控单元选用α1将隐层数调整至A1=A
×
α1；若Δτ1≤Δτ＜Δτ2，所述中控单元选用α2将隐层数调整至A1=A
×
α2；若Δτ≥Δτ2，所述中控单元选用α3将隐层数调整至A1=A
×
α3；其中，Δτ1为第一预设验证误差率差值，Δτ2为第二预设验证误差率差值，Δτ1＜Δτ2，α1为第一隐层数调节系数，α2为第二隐层数调节系数，α3为第三隐层数调节系数，α1，α2，α3的取值分别为0.8＜α1＜1.2，0.6＜α2＜1.5，0.4＜α3＜2，且α1，α2，α3均不为1，每次更新隐层数时α1，α2，α3在其对应的取值范围内随机取值，当A1不为正整数时，A1的取值为小于A1的最大的正整数。
[0011]进一步地，所述中控单元中设有最大隐层数Amax，中控单元将调节后的隐层数A1与Amax进行比对，若A1≤Amax，所述中控单元将隐层数设置为A1；若A1＞Amax，所述中控单元将隐层数设置为Amax。
[0012]进一步地，所述中控单元在A1＞Amax时计算隐层数A1与最大隐层数Amax的差值ΔA并根据ΔA对神经网络模型的迭代次数进行调节，设定ΔA=A1
‑
Amax，其中，
若ΔA＜ΔA1，所述中控单元选用β1将迭代次数调整至N1=N
×
β1；若ΔA1≤ΔA＜ΔA2，所述中控单元选用β2将迭代次数调整至N1=N
×
β2；若ΔA≥ΔA2，所述中控单元选用β3将迭代次数调整至N1=N
×
β3；其中，ΔA1为第一预设隐层数差值，ΔA2为第二预设隐层数差值，ΔA1＜ΔA2，β1为第一迭代次数调节系数，β2为第二迭代次数调节系数，β3为第三迭代次数调节系数，β1，β2，β3的取值分别为0.8＜β1＜1.2，0.6＜β2＜1.5，0.4＜β3＜2，且β1，β2，β3均不为1，每次更新迭代次数时β1，β2，β3在其对应的取值范围内随机取值，当N1不为正整数时，则N1的取值为小于N1的最大的正整数。
[0013]进一步地，所述中控单元判定所述神经网络模型验证结果符合标准时，所述建模单元使用测试集对神经网络模型进行测试，所述中控单元通过测试结果判定是否需要增加所述样本数据的数量，其中，所述建模单元选取测试集中的样本数据C1、C2...Cm对神经网络模型进行测试时，其对应的预设结果为c1、c2...cm，神经网络模型的测试结果为d1、d2...dm，所述中控单元将预设结果与测试结果中的数值对应并计算测试误差率φ，设定，所述中控单元将测试误差率φ与预设误差率τ0进行比对，若φ≤τ本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于人工智能的医疗文书完整性分析方法，其特征在于，包括：步骤S1，数据获取单元获取若干医疗文书扫描图像，数据处理单元筛选分辨率符合标准的医疗文书扫描图像作为样本数据并存储至样本数据集，样本数据集将样本数据随机划分为训练集、验证集和测试集；步骤S2，建模单元建立神经网络模型，设置神经网络模型的迭代次数N和隐层数A，将所述训练集输入至神经网络模型中进行训练；步骤S3，所述建模单元使用所述验证集对所述神经网络模型进行验证，中控单元根据神经网络模型的验证结果判定是否对神经网络模型的迭代次数和隐层数进行调节；步骤S4，所述建模单元使用所述测试集对测试结果符合标准的所述神经网络模型进行测试，所述中控单元根据神经网络模型的测试结果判定是否需要增加所述样本数据的数量。2.根据权利要求1所述的基于人工智能的医疗文书完整性分析方法，其特征在于，在所述步骤S1中，所述数据处理单元检测各所述医疗文书扫描图像的分辨率Q，将Q与预设分辨率Q0进行比对并根据比对结果判定医疗文书扫描图像的分辨率是否符合标准，若Q≥Q0，所述数据处理单元判定分辨率Q对应的医疗文书扫描图像的分辨率符合标准，将该医疗文书扫描图像作为样本数据储存至样本数据集；若Q＜Q0，所述数据处理单元判定分辨率Q对应的医疗文书扫描图像的分辨率不符合标准。3.根据权利要求2所述的基于人工智能的医疗文书完整性分析方法，其特征在于，在所述步骤S1中，所述数据获取单元获取的若干医疗文书扫描图像包括若干第一完整度的医疗文书扫描图像、若干第二完整度的医疗文书扫描图像、若干第三完整度的医疗文书扫描图像以及若干第四完整度的医疗文书扫描图像。4.根据权利要求3所述的基于人工智能的医疗文书完整性分析方法，其特征在于，在所述步骤S3中，所述中控单元通过所述神经网络模型的测试结果判定是否对神经网络模型进行调参时，所述建模单元选取验证集中的样本数据A1、A2...An对神经网络模型进行验证时，其对应的预设结果为a1、a2...an，神经网络模型的验证结果为b1、b2...bn，所述中控单元将预设结果与验证结果中的数值对应并计算验证误差率τ，设定，所述中控单元将验证误差率τ与预设误差率τ0进行比对，若τ≤τ0，所述中控单元判定验证误差率符合标准，所述神经网络模型验证结果符合标准，无需对神经网络模型进行调参；若τ＞τ0，所述中控单元判定验证误差率不符合标准，所述神经网络模型验证结果不符合标准，需对神经网络模型进行调参。5.根据权利要求4所述的基于人工智能的医疗文书完整性分析方法，其特征在于，在所述步骤S4中，所述中控单元判定所述神经网络模型验证结果不符合标准时，即τ＞τ0时，计算验证误差率τ与预设误差率τ0的差值Δτ并根据Δτ对神经网络模型的隐层数进行调节，设定Δτ=τ
‑
τ0，其中，若Δτ＜Δτ1，所述中控单元选用α1将隐层数调整至A1=A
×
α1；
若Δτ1≤Δτ＜Δτ2，所述中控单元选用α2将隐层数调整至A1=A
×
α2；若Δτ≥Δτ2，所述中控单元选用α3将隐层数调整至A1=A
×
α3；其中，Δτ1为第一预设验证误差率差值，Δτ2为第二预设验证误差率差值，Δτ1＜Δτ2，α1为第一隐层数调节系数，α2为第二隐层数调节系数，α3为第三隐层数调节系数，α1，α2，α3的取值分别为0.8＜α1＜1.2，0.6＜α2＜1.5，0.4＜α3＜2，且α1，α2，α3均不为1，每次更新隐层数时α1，α2，α3在其对应的取值范围内随机取值，当A1不为正整数时，A1的取值为小于A1的最大的正整数。6.根据权利要求5所述的基于人工智能的医疗文书完整性分析方法，其特征在于，所述中控单元中设有最大隐...

【专利技术属性】
技术研发人员：姚远，张璇，张文一，翟曙春，
申请(专利权)人：中国人民解放军总医院，
类型：发明
国别省市：