signed

QiShunwang

“诚信为本、客户至上”

电子病历质控系统电子病历质控软件工具介绍电子病历后结构化软件

2020/8/20 14:57:02   来源:

我们是专注于电子病历后结构化研究的人工智能研发团队,可点击个人主页了解详细情况,或博客留言讨论,技术探讨可加微信wxid123765fg

 

电子病历质控系统即电子病历后结构化系统能快速将各类临床医疗电子文书进行解析,提取文书中的关键数据。包含出院小结、病程录、检查报告、护理记录……进行结构化处理并提取关键内容进行分析的同时,还可实现电子病历自动质控的功能,轻松提升电子病历的应用等级

为什么要使用电子病历后台结构化处理?

无论是医疗科研,还是临床辅助决策,都需要利用海量的医疗数据,电子病历的结构化也是医疗信息化发展的一个重要环节,是打通医疗信息化壁垒,医疗数据互联互通的必由之路,是电子病历质控的重要环节

然而,电子病历结构化面临两大技术难点

难点一:电子病历的输入问题

电子病历是体现医生诊治思路的重要文书,每位医生都有自己独特的病历书写习惯,如果采用固定的模板选项,则会严重影响医生的思维,而非结构化的自然语言描述又很难被计算机识别。如何能从医生看懂提升到计算机能看懂,还需要计算机在浩如烟海的医疗知识中进行学习,才能全面、准确的理解电子病历中描述的内容。 

难点二:文档格式多样性问题

各厂商研制的病历文档的类别多种多样,格式迥异;同时各类医疗文本格式也不尽相同,如病程录、治疗过程、巡查记录、化验单、入院记录等信息。格式不同,数据组合也会有很大的差别

如何能让计算机根据病历内容来深度语义理解,来抽取出相应的知识点,是计算机训练的重要课题。

 

我们的后结构化平台解决的问题

 

不影响医生思路,让医生自由书写, 而由计算机对自由化输入的电子病历文档进行结构化处理自动的、智能化的从电子病历中提取关键词,使之计算机能识别理解的词汇

采用人工智能自然语言处理技术的全新的模

BiLSTM(双向循环神经网络)的引入,解决了同时考虑上下文信息的问题,而CRFConditional Random Fields,条件随机场)的引入则对标签的预测建立了约束条件,从而可以体现出标签之间相互影响的关系。

 

实践中,CRF应用在BiLSTM的顶层,即把BiLSTM的输出作为CRF的输入。这样就得到了当前最流行的方法:BiLSTM结合CRF算法。其中,BiLSTM的作用是感知;而CRF能学习上下文信息,结合输出层结果和标签序列的全局概率,预测出最大概率的标签序列。

我们在此基础上进行了进一步的改造。Transformer模型是最近一年多来NLP领域最重要的进展。与BiLSTM一样,Transformer模型可以对输入序列每个字之间的特征关系进行提取与捕捉。通过自注意力机制和对多个基本的编码器(Encoder)与解码器(Decoder)单元进行连续堆叠,Transformer模型可以发现单字在不同语境下的不同语义,从而实现了一词多义的区分,比BiLSTM具备更强的特征提取性能。技术探讨可加微信wxid123765fg