一種電子病歷自動生成方法及裝置與流程

2023-05-06 20:29:16 3

本發明涉及信息處理及醫療衛生技術領域，尤其涉及一種電子病歷自動生成方法及裝置。

背景技術：

隨著社會的不斷發展和生活水平的不斷提高，人們對健康的重視程度也越來越高，醫院求醫問藥的人逐年增多，如何利用相對匱乏的醫療資源滿足人們對健康的需求，是當前迫切需要解決的問題。病歷作為患者的醫療記錄，是醫療機構診治過程中記錄的非常重要的文檔，在現有技術中，為了提高醫生的工作效率，逐漸拋棄了傳統的紙質病歷而改用電子病歷，醫生在給患者看病時或者看病結束後，可以在電腦等電子設備中的病歷系統上錄入、整理患者的診斷治療信息，得到電子病歷，從而更加便於保存、管理和重現。

然而，發明人在實現本發明的過程中發現，現有的電子病歷系統仍屬於半自動系統，仍然需要醫生進行人工手動錄入和整理，消耗了醫生很多的工作時間，令醫生不能將精力完全集中在治病救人上，例如，為了防止患者信息被遺忘或出現混亂，醫生一般都是在給患者看病的同時進行電子病歷的填寫，這就容易造成醫生的注意力難以集中在患者本身，最終可能會影響診斷效果，並降低了看病效率。

技術實現要素：

本發明實施例提供一種電子病歷自動生成方法及裝置，以提高生成電子病歷的效率。

根據本發明實施例的第一方面，提供一種電子病歷自動生成方法，所述方法包括：

獲取病情數據，其中所述病情數據包括病情描述數據和\或病情診斷數據；

提取所述病情數據中每個分析單元的病歷條目識別特徵；

根據所述病歷條目識別特徵及預先構建的病歷條目識別模型，確定每個分析單元所屬的病歷條目；

根據每個分析單元所屬的病歷條目將每個分析單元分別填寫到對應的病歷條目中，以生成電子病歷。

可選的，所述獲取病情數據，包括：

獲取醫生與患者的對話內容；

將所述對話內容作為病情描述數據；

獲取醫生的描述內容；

將所述描述內容作為病情診斷數據。

可選的，當所述對話內容或描述內容為語音時，獲取醫生與患者的對話內容或醫生的描述內容之後，所述方法還包括：

將所述語音轉換為文本。

可選的，所述病歷條目識別特徵包括醫療特徵，以及以下特徵中的一種或多種：字特徵、詞特徵、詞性特徵、拼音特徵；

其中，所述醫療特徵為根據當前分析單元中出現的醫學術語的頻度而生成的向量，所述醫學術語包括以下一種或多種：藥名、器械名、醫學檢查名詞、部位名。

可選的，當所述病情數據為語音時，所述病歷條目識別特徵還包括語音特徵；

所述語音特徵為根據當前分析單元所對應的語音片段的描述特徵生成的向量，其中所述語音片段的描述特徵包括以下一種或多種：語速、能量置信度、音頻質量、所處的場景。

可選的，所述病歷條目識別模型的拓撲結構包括輸入層、卷積層、池化層、全連接層和輸出層；

其中，所述輸入層的輸入為每條分析單元的病歷條目識別特徵；所述卷積層用於根據病歷條目識別特徵中各特徵的維數對各特徵使用相應數量的卷積濾波窗口進行卷積濾波；所述輸出層的輸出為當前分析單元的病歷條目分類結果，或者是當前分析單元屬於各病歷條目的概率。

可選的，生成電子病歷之後，所述方法還包括：

接收外部輸入的修改信息；

根據所述修改信息修改所述電子病歷。

根據本發明實施例的第二方面，提供一種電子病歷自動生成裝置，所述裝置包括：

數據獲取模塊，用於獲取病情數據，其中所述病情數據包括病情描述數據和\或病情診斷數據；

特徵提取模塊，用於提取所述病情數據中每個分析單元的病歷條目識別特徵；

條目確定模塊，用於根據所述病歷條目識別特徵及預先構建的病歷條目識別模型，確定每個分析單元所屬的病歷條目；

條目填寫模塊，用於根據每個分析單元所屬的病歷條目將每個分析單元分別填寫到對應的病歷條目中，以生成電子病歷。

可選的，所述數據獲取模塊在獲取病情數據時，用於：

獲取醫生與患者的對話內容；

將所述對話內容作為病情描述數據；

獲取醫生的描述內容；

將所述描述內容作為病情診斷數據。

可選的，當所述對話內容或描述內容為語音時，獲取醫生與患者的對話內容或醫生的描述內容之後，所述數據獲取模塊還用於：

將所述語音轉換為文本。

可選的，所述病歷條目識別特徵包括醫療特徵，以及以下特徵中的一種或多種：字特徵、詞特徵、詞性特徵、拼音特徵；

其中，所述醫療特徵為根據當前分析單元中出現的醫學術語的頻度而生成的向量，所述醫學術語包括以下一種或多種：藥名、器械名、醫學檢查名詞、部位名。

可選的，當所述病情數據為語音時，所述病歷條目識別特徵還包括語音特徵；

所述語音特徵為根據當前分析單元所對應的語音片段的描述特徵生成的向量，其中所述語音片段的描述特徵包括以下一種或多種：語速、能量置信度、音頻質量、所處的場景。

可選的，所述病歷條目識別模型的拓撲結構包括輸入層、卷積層、池化層、全連接層和輸出層；

其中，所述輸入層的輸入為每條分析單元的病歷條目識別特徵；所述卷積層用於根據病歷條目識別特徵中各特徵的維數對各特徵使用相應數量的卷積濾波窗口進行卷積濾波；所述輸出層的輸出為當前分析單元的病歷條目分類結果，或者是當前分析單元屬於各病歷條目的概率。

可選的，所述裝置還包括：

修改模塊，用於接收外部輸入的修改信息；根據所述修改信息修改所述電子病歷。

本發明實施例提供的技術方案可以包括以下有益效果：

本發明實施例提出了一種電子病歷自動生成方法，先獲取病情數據，如醫生與患者的對話內容等，然後提取病情數據中每個分析單元(如每個句子)的病歷條目識別特徵，再根據病歷條目識別特徵及預先構建的病歷條目識別模型，將每個分析單元分別填寫到對應的病歷條目中，自動生成電子病歷，從而大大提高了填寫病歷時的效率，節省了醫生浪費在撰寫病歷上的時間，提高了工作效率，使得醫生可以將更多的注意力集中在治病救人上。同時，本發明實施例中的方法藉助醫療特徵、語音特徵等病歷條目識別特徵及預先訓練的病歷條目識別模型，對病例條目的識別率非常高，具有很好的實用性。

應當理解的是，以上的一般描述和後文的細節描述僅是示例性和解釋性的，並不能限制本發明。

附圖說明

為了更清楚地說明本發明實施例或現有技術中的技術方案，下面將對實施例或現有技術描述中所需要使用的附圖作簡單地介紹，顯而易見地，對於本領域普通技術人員而言，在不付出創造性勞動性的前提下，還可以根據這些附圖獲得其他的附圖。此外，這些介紹並不構成對實施例的限定，附圖中具有相同參考數字標號的元件表示為類似的元件，除非有特別申明，附圖中的圖不構成比例限制。

圖1是根據本發明一示例性實施例示出的一種電子病歷自動生成方法的流程圖；

圖2是根據本發明一示例性實施例示出的病歷條目識別模型拓撲結構示意圖；

圖3是根據本發明一示例性實施例示出的一種電子病歷自動生成方法的流程圖；

圖4是根據本發明一示例性實施例示出的一種電子病歷自動生成方法的流程圖；

圖5是根據本發明一示例性實施例示出的一種電子病歷自動生成裝置的示意圖；

圖6是根據本發明一示例性實施例示出的一種電子病歷自動生成裝置的示意圖。

具體實施方式

這裡將詳細地對示例性實施例進行說明，其示例表示在附圖中。下面的描述涉及附圖時，除非另有表示，不同附圖中的相同數字表示相同或相似的要素。以下示例性實施例中所描述的實施方式並不代表與本發明相一致的所有實施方式。相反，它們僅是與如所附權利要求書中所詳述的、本發明的一些方面相一致的裝置和方法的例子。

圖1是根據本發明一示例性實施例示出的一種電子病歷自動生成方法的流程圖。作為示例該方法可用於手機、平板電腦、臺式機電腦、筆記本電腦、伺服器等設備。

參見圖1所示，該方法可以包括：

步驟s101，獲取病情數據，其中所述病情數據包括病情描述數據和\或病情診斷數據。

病情數據是自動生成電子病歷的基礎，可以來自醫生診治病人的過程，也可以來自診治後，可以包括病情描述數據和\或病情診斷數據。

作為示例，在本實施例或本發明其他某些實施例中，所述獲取病情數據，可以包括：

獲取醫生與患者的對話內容；

將所述對話內容作為病情描述數據；

獲取醫生的描述內容；

將所述描述內容作為病情診斷數據。

另外對於病情數據的載體本發明實施例也並不進行限制，例如可以是語音數據，也可以是文本數據。

當所述對話內容或描述內容為語音時，獲取醫生與患者的對話內容或醫生的描述內容之後，所述方法還可以包括：

將所述語音轉換為文本。

步驟s102，提取所述病情數據中每個分析單元的病歷條目識別特徵。

患者的病歷中通常應包括若干病歷條目，例如「主訴」、「現病史」、「治療計劃」、「處置」等。當然病歷中具體包括哪些病歷條目可由實際應用需求確定，對此本發明實施例並不進行限制。分析單元可以是詞、短語、句子、句子族等，對此本發明實施例也並不進行限制。

為了將病情數據中的每個分析單元自動填寫到相應的病歷條目中，需要先提取每個分析單元的病歷條目識別特徵。對於病歷條目識別特徵的具體定義本實施例並不進行限制，本領域技術人員可以根據不同需求\不同場景而自行選擇、設計，可以在此處使用的這些選擇和設計都沒有背離本發明的精神和保護範圍。

步驟s103，根據所述病歷條目識別特徵及預先構建的病歷條目識別模型，確定每個分析單元所屬的病歷條目。

作為示例，病歷條目識別模型可以是分類模型，也可以是回歸模型，如svm、dnn、rnn、cnn等，對此本實施例並不進行限制。

可以通過樣本訓練確定病歷條目識別模型，然後在使用時可以將一個個分析單元的病歷條目識別特徵輸入到該模型中，然後根據該模型的輸出確定當前分析單元屬於哪個病歷條目。

步驟s104，根據每個分析單元所屬的病歷條目將每個分析單元分別填寫到對應的病歷條目中，以生成電子病歷。

需要說明的是，對於病情數據中的每個分析單元，可能並非都屬於某個病歷條目，例如醫生與患者的對話中可能含有一些寒暄話語等與病情無關的內容，這些內容其實並不屬於病歷內容，不過在本發明實施例中，為了統一描述，可以將這些非病歷內容也看作是一類病歷條目，並參與到分類中，而在自動生成電子病歷時，該病歷條目通常是不出現在電子病歷中的，當然在一些情況下該病歷條目也可以出現在電子病歷中，例如附在電子病歷的末尾，以避免丟失重要內容。

經過上面一系列步驟便可以最終自動生成電子病歷，從而大大提高了填寫病歷時的效率，節省了醫生浪費在撰寫病歷上的時間，提高了工作效率，使得醫生可以將更多的注意力集中在治病救人上。

下面對病歷條目識別特徵再進行舉例說明。

在本實施例或本發明其他某些實施例中，所述病歷條目識別特徵可以包括醫療特徵，以及以下特徵中的一種或多種：字特徵、詞特徵、詞性特徵、拼音特徵；

其中，所述醫療特徵為根據當前分析單元中出現的醫學術語的頻度而生成的向量，所述醫學術語可以包括以下一種或多種：藥名、器械名、醫學檢查名詞、部位名。

具體來講：

1)字特徵：一個分析單元中所有字的字向量。因漢字較多，因此字向量的維度相對較多，例如可以取128維。

2)詞特徵：一個分析單元中所有詞的詞向量。例如參照字特徵，詞特徵也可以取128維。

進一步地，在提取詞特徵之前，還可對病情數據文本中意義相近但表現形式不同的詞進行抽象化，如對於「右上後牙疼痛兩周加重五天」，將其中「兩」、「五」這些表示數字含義的詞進行抽象，抽象為「#數字」；此外，還可以先將文本中停用詞進行濾除處理，此處不再闡述。

3)詞性特徵：一個分析單元中所有詞的詞性，並向量化，例如可以為一個64維向量。

4)拼音特徵：一個分析單元中所有詞的拼音，並向量化，例如可以為一個64維向量。

5)醫療特徵：一個分析單元中出現的藥名(比如萬應膠囊)、器械名(比如固定橋、銀汞充填、根管)、醫學檢查名詞(比如血常規)和部位名(比如左頰、舌背)等的頻度，作為示例向量化後可以為一個4維的特徵向量。比如「舌側頸部銀汞充填」一句話，對應的醫療特徵可以為「藥名頻度0器械名頻度1醫學檢查名詞頻度0部位頻度1」，即醫療特徵的向量為[0101]。

此外，當所述病情數據為語音時，所述病歷條目識別特徵還可以包括語音特徵；

所述語音特徵為根據當前分析單元所對應的語音片段的描述特徵生成的向量，其中所述語音片段的描述特徵可以包括以下一種或多種：語速、能量置信度、音頻質量、所處的場景，等等。

比如「右上後牙疼痛兩周加重五天」這句話，對應的語音特徵為「室內中速670.860.83」，向量化後可以為一個8維的向量。

下面再對病歷條目識別模型的拓撲結構進行舉例說明。

在本實施例或本發明其他某些實施例中，以multi-windowcnn模型為例，所述病歷條目識別模型的拓撲結構可以包括輸入層、卷積層、池化層、全連接層和輸出層，可參見圖2所示。

其中，所述輸入層的輸入為每條分析單元的病歷條目識別特徵；所述卷積層用於根據病歷條目識別特徵中各特徵的維數對各特徵使用相應數量的卷積濾波窗口進行卷積濾波(例如維數較多的特徵使用較多的卷積濾波窗口、維數較少的特徵使用較少的卷積濾波窗口、維數很少的特徵不使用卷積濾波窗口，等等)；所述輸出層的輸出為當前分析單元的病歷條目分類結果，或者是當前分析單元屬於各病歷條目的概率。

參見圖2，具體來講：

a)輸入層：輸入為一個分析單元的病歷條目識別特徵。例如可以共9606個節點(以包含語音特徵為例)。節點具體說明：每個分析單元規整為最多包含10個詞、40個字，則輸入層的節點包括10個詞，每個詞的詞特徵128維，即10*128；每個詞的詞性特徵64維，即10*64；40個字，每個字的字特徵128維，即40*128；每個字的拼音特徵64維，即40*64；每個分析單元的語音特徵和醫療特徵各4維。

b)卷積層：針對字特徵、詞特徵這兩種維數比較多的特徵，採用多個不同卷積濾波窗口(簡稱窗口)進行卷積濾波，如2個，以得到更高層的抽象特徵；針對詞性特徵、拼音特徵這兩種維數較少的特徵，採用較少卷積濾波窗口進行卷積濾波，如1個；針對語音特徵、醫療特徵這種維數很少的特徵，無需經過卷積、池化，可直接進行線性變換，與其他特徵經過卷積池化後的輸出，一起作為全連接層的輸入，可參見圖2所示。

c)池化層：具體實現同現有技術，不再贅述。

d)全連接層：具體實現同現有技術，不再贅述。

e)輸出層：輸出層可以是一個節點，輸出為當前分析單元所屬病歷條目的標號(分類模型)；也可以是多個節點，輸出為屬於各病歷條目的結果(分類模型)，如屬於為1，不屬於為0，例如[00100]代表當前分析單元屬於第三個病歷條目；輸出還可以為屬於各病歷條目的概率(回歸模型)，一般取概率最大的病歷條目作為當前分析單元的識別結果。

病歷條目識別模型可以預先通過訓練得到，例如參見圖3所示，訓練過程可以包括

步驟s301，收集大量病歷和非病歷數據，作為訓練數據。

收集的訓練數據可以是語音數據，也可以是文本數據。如果是語音數據，需要將其進行識別得到相應的文本。

步驟s302，對訓練數據進行標註，並提取訓練數據的病歷條目識別特徵。

所述標註是指標註出訓練數據每個分析單元所屬的病歷條目。

步驟s303，設計病歷條目識別模型的結構。例如病歷條目識別模型可以是分類模型，也可以是回歸模型，如svm、dnn、rnn、cnn等，對此本實施例並不進行限制。

步驟s304，使用步驟s302處理後的訓練數據對步驟s303設計的病歷條目識別模型進行訓練。模型訓練方法例如可以同現有神經網絡(如bp)模型的訓練方法，在此不再闡述。

此外參見圖4所示，在本實施例或本發明其他某些實施例中，生成電子病歷之後，所述方法還可以包括：

步驟s401，接收外部輸入的修改信息；根據所述修改信息修改所述電子病歷。

也即對生成的電子病歷引入人工的外部修改操作，以進一步確保病歷的準確性。

本實施例提出了一種電子病歷自動生成方法，先獲取病情數據，如醫生與患者的對話內容等，然後提取病情數據中每個分析單元(如每個句子)的病歷條目識別特徵，再根據病歷條目識別特徵及預先構建的病歷條目識別模型，將每個分析單元分別填寫到對應的病歷條目中，從而自動生成電子病歷，大大提高了填寫病歷時的效率，節省了醫生浪費在撰寫病歷上的時間，提高了工作效率，使得醫生可以將更多的注意力集中在治病救人上。同時，本發明實施例中的方法藉助醫療特徵、語音特徵等病歷條目識別特徵及預先訓練的病歷條目識別模型，對病例條目的識別率非常高，具有很好的實用性。

下述為本發明裝置實施例，可以用於執行本發明方法實施例。對於本發明裝置實施例中未披露的細節，請參照本發明方法實施例。

圖5是根據本發明一示例性實施例示出的一種電子病歷自動生成裝置的示意圖。作為示例該裝置可用於手機、平板電腦、臺式機電腦、筆記本電腦、伺服器等設備。

參見圖5所示，該裝置可以包括：

數據獲取模塊501，用於獲取病情數據，其中所述病情數據包括病情描述數據和\或病情診斷數據。

病情數據是自動生成電子病歷的基礎，可以來自醫生診治病人的過程，也可以來自診治後，可以包括病情描述數據和\或病情診斷數據。

另外對於病情數據的載體本發明實施例也並不進行限制，例如可以是語音數據，也可以是文本數據。

特徵提取模塊502，用於提取所述病情數據中每個分析單元的病歷條目識別特徵。

為了將病情數據中的每個分析單元自動填寫到相應的病歷條目中，需要先提取每個分析單元的病歷條目識別特徵。對於病歷條目識別特徵的具體定義本實施例並不進行限制，本領域技術人員可以根據不同需求\不同場景而自行選擇、設計，可以在此處使用的這些選擇和設計都沒有背離本發明的精神和保護範圍。

條目確定模塊503，用於根據所述病歷條目識別特徵及預先構建的病歷條目識別模型，確定每個分析單元所屬的病歷條目。

作為示例，病歷條目識別模型可以是分類模型，也可以是回歸模型，如svm、dnn、rnn、cnn等，對此本實施例並不進行限制。

可以通過樣本訓練確定病歷條目識別模型，然後在使用時可以將一個個分析單元的病歷條目識別特徵輸入到該模型中，然後根據該模型的輸出確定當前分析單元屬於哪個病歷條目。

條目填寫模塊504，用於根據每個分析單元所屬的病歷條目將每個分析單元分別填寫到對應的病歷條目中，以生成電子病歷。

經過上面一系列步驟便可以最終自動生成電子病歷，從而大大提高了填寫病歷時的效率，節省了醫生浪費在撰寫病歷上的時間，提高了工作效率，使得醫生可以將更多的注意力集中在治病救人上。

在本實施例或本發明其他某些實施例中，所述數據獲取模塊在獲取病情數據時，可以用於：

獲取醫生與患者的對話內容；

將所述對話內容作為病情描述數據；

獲取醫生的描述內容；

將所述描述內容作為病情診斷數據。

在本實施例或本發明其他某些實施例中，當所述對話內容或描述內容為語音時，獲取醫生與患者的對話內容或醫生的描述內容之後，所述數據獲取模塊還可以用於：

將所述語音轉換為文本。

在本實施例或本發明其他某些實施例中，所述病歷條目識別特徵包括醫療特徵，以及以下特徵中的一種或多種：字特徵、詞特徵、詞性特徵、拼音特徵；

其中，所述醫療特徵為根據當前分析單元中出現的醫學術語的頻度而生成的向量，所述醫學術語包括以下一種或多種：藥名、器械名、醫學檢查名詞、部位名。

在本實施例或本發明其他某些實施例中，當所述病情數據為語音時，所述病歷條目識別特徵還包括語音特徵；

所述語音特徵為根據當前分析單元所對應的語音片段的描述特徵生成的向量，其中所述語音片段的描述特徵包括以下一種或多種：語速、能量置信度、音頻質量、所處的場景。

在本實施例或本發明其他某些實施例中，所述病歷條目識別模型的拓撲結構包括輸入層、卷積層、池化層、全連接層和輸出層；

其中，所述輸入層的輸入為每條分析單元的病歷條目識別特徵；所述卷積層用於根據病歷條目識別特徵中各特徵的維數對各特徵使用相應數量的卷積濾波窗口進行卷積濾波；所述輸出層的輸出為當前分析單元的病歷條目分類結果，或者是當前分析單元屬於各病歷條目的概率。

參見圖6所示，在本實施例或本發明其他某些實施例中，所述裝置還可以包括：

修改模塊601，用於接收外部輸入的修改信息；根據所述修改信息修改所述電子病歷。

也即對生成的電子病歷引入人工的外部修改操作，以進一步確保病歷的準確性。

本實施例提出了一種電子病歷自動生成方法，先獲取病情數據，如醫生與患者的對話內容等，然後提取病情數據中每個分析單元(如每個句子)的病歷條目識別特徵，再根據病歷條目識別特徵及預先構建的病歷條目識別模型，將每個分析單元分別填寫到對應的病歷條目中，從而自動生成電子病歷，大大提高了填寫病歷時的效率，節省了醫生浪費在撰寫病歷上的時間，提高了工作效率，使得醫生可以將更多的注意力集中在治病救人上。同時，本發明實施例中的方法藉助醫療特徵、語音特徵等病歷條目識別特徵及預先訓練的病歷條目識別模型，對病例條目的識別率非常高，具有很好的實用性。

關於上述實施例中的裝置，其中各個單元\模塊執行操作的具體方式已經在有關該方法的實施例中進行了詳細描述，此處將不做詳細闡述說明。

本領域技術人員在考慮說明書及實踐這裡公開的發明後，將容易想到本發明的其它實施方案。本申請旨在涵蓋本發明的任何變型、用途或者適應性變化，這些變型、用途或者適應性變化遵循本發明的一般性原理並包括本發明未公開的本技術領域中的公知常識或慣用技術手段。說明書和實施例僅被視為示例性的，本發明的真正範圍和精神由所附的權利要求指出。

應當理解的是，本發明並不局限於上面已經描述並在附圖中示出的精確結構，並且可以在不脫離其範圍進行各種修改和改變。本發明的範圍僅由所附的權利要求來限制。