申请试用
HOT
登录
注册
 
AI技术在电子病历后结构化处理中的临床研究

AI技术在电子病历后结构化处理中的临床研究

电子病历后结构化
/
发布于
/
653
人观看

我们致力于医疗文书数据后结构化研究,微信:微信wxid123765fg

在数据爆炸的信息时代,临床医学数据也表现出了容量大、增速快、形式多样、潜力巨大等特点。信息标准化问题一直是医疗卫生信息化发展过程中困扰行业发展的难题。病历电子化是新医改的重点,是实现区域医疗资源共享的基础。为了实现新医改提出的区域卫生协同目标,电子病历的标准化是首要解决的问题。非结构化数据以自然语言文本的形式存在是临床医学研究中的一个重要问题。非结构化医学数据的结构化信息提取,因为自然语言中没有相对统一的结构,文档格式没有特殊的限制,且写作自由。
它不仅包含了自然语言文本串,而且还包含了结构化信息、文件格式、权限控制、医学公式等信息,这些信息都被用来进行精细的病历大数据分析。在构建了电子病案语义信息模型后,认为该语料具有结构化随时间演化的特点,是一个高质量的语料库。而电子病历中,病历主体和病历中所包含的各种疾病相关描述、体检、查房记录、电子医嘱等要素,均可视为语义信息的半结构化组织。与薄弱的非结构化电子病历相比,利用语料选择自动构建语义知识库更加容易,挖掘也更加困难。建立这类语义知识库需要解决的问题是,如何准确地挖掘和提取电子病历中的结构语义信息(包括概念及其属性、概念之间的关系等),并将其组织成强有力的结构形式,如字典或本体库。语义化建模需要一个描述框架来表达语义化信息(即概念和概念之间的联系),具体描述语义信息,并对语义信息进行操作。
目前,常用的文本信息提取方法主要有基于规则的方法和基于统计的文本信息提取方法。统计学方法提取信息的准确性较高,但对概率模型而言,其发送训练过程较为复杂,且所需时间较长。以规则为基础的抽取模型具有抽取过程简单的特点,但其抽取结构依赖于对规则的学习和生成。但两种方法都是针对各领域的文本信息,没有考虑到医学数据的特点,难以快速、准确地得到最优解。
我们试图在此基础上,对双向循环神经网络、条件随机场等算法进行了改进,实现了多模型的结构化分解,并利用医学专家进行语义标注,建立了大型的医学语料知识库。试验证明,多模型融合技术和大规模标注语料分析能有效地提高算法的准确性和专业性。
为了真正实现医疗信息资源统一标准、自动关联、互通共享,必须从电子病历中抽取结构化数据。运用科学的统计分析方法和大数据分析方法,能快速、准确地提取各种化验、检查数据,提高诊治准确率,有利于减轻医务人员的工作负担,促进医院信息化建设,为未来人工智能辅助诊断系统奠定基础,是数字化医院的发展方向。

0 点赞
0 收藏
2下载
确认
3秒后跳转登录页面
去登陆