售前電話
135-3656-7657
售前電話 : 135-3656-7657
【摘要】:醫(yī)療行業(yè)電子病歷數(shù)據(jù)的不斷累積,為智慧醫(yī)療系統(tǒng)的研究與設計的提供了大量的數(shù)據(jù)支撐。所以在線問診系統(tǒng),開發(fā)基于病歷數(shù)據(jù)的輔助問診系統(tǒng)可幫助醫(yī)生進行問診工作,為診斷提供有效參考意見。本文依據(jù)醫(yī)院一般門診的實際問診流程,采用機器學習和自然語言處理方法構建了問診模型來推理醫(yī)生的診斷過程。問診模型通過模擬醫(yī)生與患者的信息動態(tài)交互方式,將病歷拆分為更精細的粒度(癥狀),從而實現(xiàn)輔助問診需求。本文的主要工作有:(1)實現(xiàn)電子病歷結構化在問診過程中,醫(yī)生需重復詢問患者是否具有其他癥狀來做最終的診斷。所以,輔助問診系統(tǒng)期望能對醫(yī)生提問的癥狀詞做推薦,推薦詞即相關癥狀信息。在電子病歷文本中提取癥狀要素是構建問診模型基礎工作。本文通過醫(yī)學實體定義、病歷數(shù)據(jù)標注、醫(yī)學實體識別來完成電子病歷結構化工作。文中一共定義了 8種實體,標注了一萬多份病歷數(shù)據(jù),最終采用-CRF模型加規(guī)則聯(lián)合識別的策略,準確率達0.938。(2)設計與實現(xiàn)基于電子病歷數(shù)據(jù)的問診模型問診模型主要包括癥狀推薦和疾病預測兩部分。根據(jù)先問后診策略,實現(xiàn)了基于N-Gram和LSTM文本分類的問診模型。根據(jù)先診后問策略,實現(xiàn)了基于決策樹和LSTM文本分類的問診模型和基于決策樹和強化學習的問診模型。通過選取神經(jīng)內科、消化科、心內科和兒科四個科室病歷數(shù)較多的的十種疾病的病歷數(shù)據(jù)作為模型的訓練集在線問診系統(tǒng),并從疾病診斷準確率和對話輪數(shù)角度對比分析了三個模型的效果。其中,基于決策樹和強化學習的問診模型優(yōu)于其他兩個模型。在對話輪數(shù)為6時,其診斷準確率達0.679。(3)開發(fā)基于問診模型的交互網(wǎng)站為了問診模型的實際使用,本文開發(fā)了輔助問診系統(tǒng)。該系統(tǒng)提供病歷管理、癥狀推薦和疾病預測功能。癥狀推薦模塊用于交互性輔助問診,疾病預測模塊用于直接輔助診斷。通過問診交互網(wǎng)站,用戶可切換三個問診模型得到不同推薦癥狀詞和預測疾病來為下一步問診作參考。