[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

说明书

本发明涉及PDF解析、信息提取、自然语言处理领域，尤其涉及一种电子病历的信息抽取方法、系统计算机设备，所述方法包括对电子病例进行解析，并按照从左到右、从上到下的顺序提取出电子病例中的字符串；进行字符串拼接，将提取到的字符串拼接为一个长字符串，并在拼接时去除无用字符；设计抽取信息的字段，并将长字符串进行结构化存储；根据信息抽取规则，从长字符串中抽取信息；本发明可对辅助生殖诊断电子病历进行精准、全面的信息抽取，信息抽取效果较好。

技术领域

本发明涉及PDF解析、信息提取、自然语言处理领域，尤其涉及一种电子病历的信息抽取方法、系统及计算机设备。

背景技术

PDF解析：PDF解析即从PDF文档中提取文本，要具体地分析PDF文件及PDF文件的语法，根据解析原理和过程，得到最后的解析内容。

信息抽取：信息抽取是把文本里包含的信息进行结构化处理，变成表格一样的组织形式。输入信息抽取系统的是原始文本，输出的是固定格式的信息点；信息点从各种各样的文档中被抽取出来，然后以统一的形式集成在一起。信息抽取技术并不试图全面理解整篇文档，只是对文档中包含相关信息的部分进行分析。

自然语言处理：自然语言处理是计算机科学领域与人工智能领域中的一个重要方向；自然语言处理即实现人机间自然语言通信，这一领域的研究将涉及自然语言，即人们日常使用的语言。

辅助生殖技术是人类辅助生殖技术是指采用医疗辅助手段使不育夫妇妊娠的技术，在近些年辅助生殖技术飞速发展。各大医院在辅助生殖的过程中生成的辅助生殖诊断电子病历大多是以表格形式存储；此时的电子病例仅仅存储治疗过程的文字化信息，无法得到进一步使用，但这些电子病历中往往又蕴含大量的信息和知识。所以对辅助生殖诊断电子病历的信息抽取能够从文本中抽取特定信息，并且可以将抽取出来的信息进一步处理，进行统计、分析等，从而挖掘出大量的信息和知识，有助与患者查询信息了解自身情况，有助于医生诊断处理，也有助于辅助生殖技术的进一步发展。但对表格化的信息进行提取本身就有一定难度，且目前对于辅助生殖诊断电子病历的信息抽取的技术较少，且抽取效果一般，导致无法从中获取信息和知识，浪费了信息资源，所以针对辅助生殖诊断电子病历进行信息抽取已成为如今一个非常迫切的任务。

发明内容

为了对辅助生殖诊断电子病历进行精准、全面的信息抽取，本发明提出一种电子病历的信息抽取方法、系统及计算机设备。

一种电子病历的信息抽取方法，包括以下步骤：

S1、对电子病例进行解析，并按照从左到右、从上到下的顺序提取出电子病例中的字符串；

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。

进一步的，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。

进一步的，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(Term Frequency-Inverse DocumentFrequency，TF-IDF)值，将第i个词的TFIDF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。

进一步的，在拼接时去除无用字符包括‘：’，‘:’，‘\n’，‘’。