[发明专利]一种电子病历的信息抽取方法、系统及计算机设备

权利要求书

1.一种电子病历的信息抽取方法，其特征在于，包括以下步骤：

S1、对电子病例进行解析，按照从左到右、从上到下的顺序提取出电子病例中的字符串，在解析过程中只保留其中的字符信息，去除其它无用或干扰信息，保证解析过程中无乱码出现；

S2、对电子病历解析初步得到的字符串，并将提取得到的字符串表示为向量形式，根据相似度判断字符串之间的关系从而去除冗余信息，将字符串自动拼接为一个长字符串，并在拼接得到长字符串时去除其中的无用字符；

S3、设计抽取信息的字段，并将长字符串进行结构化存储；

S4、根据信息抽取规则，从长字符串中抽取信息。

2.根据权利要求1所述的一种电子病历的信息抽取方法，其特征在于，所述电子病例的格式为PDF，对电子病例进行解析的工具为基于python的pdf开源解析库pdfplumber。

3.根据权利要求1所述的一种电子病历的信息抽取方法，其特征在于，将提取得到的字符串表示为向量形式，根据相似度判断字符串之间的关系从而去除冗余信息包括：对提取的字符串进行分词，计算分词后得到的每个词的词频-逆文本频率指数TF-IDF值，将第i个词的TF-IDF值乘上第i个词对应的词向量word2vec值作为该词的向量，并将该字符串中的所有词的向量相加作为该字符串的向量化表示；计算字符串向量间的余弦距离作为相似度，若两个字符串相似度为大于0.9则说明这两个字符串所表达内容近似，随机删除其中一个字符串。

4.根据权利要求1所述的一种电子病历的信息抽取方法，其特征在于，在拼接时去除无用字符包括‘：’，‘:’，‘\n’，‘’。

5.根据权利要求1所述的一种电子病历的信息抽取方法，其特征在于，将长字符串进行结构化存储包括：记录抽取的每个信息的字段的位置以及该字段的长度；抽取信息的字段至少包括“患者姓名”、“患者年龄”、“患者通讯地址”、“患者职业”、“患者病史”、“患者用药史”、“患者身体指标检查结果”。

6.根据权利要求1所述的一种电子病历的信息抽取方法，其特征在于，信息抽取规则为str[m_i+n_i:m_i+1]，即提取第i个抽取的字段到第i+1个抽取的字段之间的信息；其中，str表示从pdf病历中解析得到、且经过拼接和去除无用字符后的长字符串；m_i表示第i个抽取的字段位置；n表示第i个抽取的字段的命名字段的长度，即抽取的信息的长度。

7.一种电子病历的信息抽取系统，其特征在于，所述系统包括数据采集模块、数据清洗模块、向量生成器、去重模块、字符串拼接模块以及信息提取模块；其中：

所述数据采集模块用于按照从左到右、从上到下的顺序提取出电子病例中的字符串；

所述数据清洗模块用于去除数据采集模块采集的字符串中的非字符信息；

所述向量生成器用于将清洗后的字符串转换为向量形式；

所述去重模块用于删除向量形式字符串的冗余信息；

所述字符串拼接模块用于将所有向量形式的字符串拼接为一个长字符串；

所述信息提取模块用于从长字符串中提取出需要的信息。

8.根据权利要求7所述的一种电子病历的信息抽取系统，其特征在于，所述向量生成器包括分词单元、词频-逆文本频率指数计算单元、word2vec词向量生成器、乘法器以及加法器，其中：

所述分词单元用于对字符串进行分词；

所述词频-逆文本频率指数计算单元用于计算分词后每个词的词频-逆文本频率指数；

所述word2vec词向量生成器用于计算分词后每个词的word2vec词向量；

所述乘法器用于计算每个词的词频-逆文本频率指数与word2vec词向量的乘积；

所述加法器用于将每个词的词频-逆文本频率指数与word2vec词向量的乘积相加，作为字符串的向量表示。