[发明专利]面向标注电子病历的临床辅助决策方法及系统

权利要求书

1.一种面向标注电子病历的临床辅助决策方法，其特征在于，包括以下步骤：

获取患者的电子病历信息；

对所述电子病历信息进行数据预处理，以对每个患者进行加标签，作为每个患者的预测标签；

对所述电子病历信息中的特征字段进行中文分词处理以获得电子病历的分词结果，并对所述电子病历信息中的部分词汇进行预标注，以及采用训练好的词向量模型对所述分词结果和预标注的电子病历文本进行词向量转化；

将所述预标注的电子病历文本的标注信息作为标签，并将所述预标注的电子病历文本的词向量转化结果作为输入，进行训练，以获得标注模型；

根据所述标注模型进行标记规律扩展，以对所述分词结果进行标注，并根据标注的分词结果对所述分词结果的词向量转化信息进行筛选以筛选出标注为症状的词向量；

将标注为症状的词向量作为输入，根据所述预测标签，进行LSTM神经网络训练，以获得辅助决策模型；

根据当前患者的电子病历和所述辅助决策模型对当前患者的疾病进行辅助决策。

2.如权利要求1所述的面向标注电子病历的临床辅助决策方法，其特征在于，对所述电子病历信息进行数据预处理，包括：

选取每个电子病历中患者的主诉、现病史、体格检查和诊断结果作为基础数据；

根据所述基础数据对所述电子病历信息进行筛选，以去除字段不完整的噪声数据；

对电子病历中医生自由书写的症状信息进行规范化补全；

根据规范化补全后的电子病历中的诊断结果对患者进行加标签。

3.如权利要求1所述的面向标注电子病历的临床辅助决策方法，其特征在于，所述电子病历信息中的特征字段包括患者的主诉、现病史和体格检查。

4.如权利要求1-3中任一项所述的面向标注电子病历的临床辅助决策方法，其特征在于，所述LSTM神经网络的结构包括：

(1)决定丢弃的信息根据以下公式进行表达：

f_t＝σ(W_f·[h_t-1，x_t]+b_f)，其中，f_t为遗忘门在当前时刻的值，σ为Sigmoid函数，W_f为对应遗忘门的权重矩阵，h_t-1为上一时刻记忆单元的输出结果，x_t为当前时刻记忆单元的输入向量，b_f为对应遗忘门的偏置；

(2)确定更新的信息根据以下公式进行表达：

i_t＝σ(W_i·[h_t-1，x_t]+b_i)，其中，i_t为输入门在当前时刻的值，W_i为对应输入门的权重矩阵，b_i为对应输入门的偏置；

h_t＝o_t·tanh(C_t)，其中，h_t为当前时刻记忆单元的输出结果，o_t为输出门在当前时刻的值，C_t为当前时刻记忆单元的状态；

(3)更新单元状态通过以下公式表达：

o_t＝σ(W_o·[h_t-1，x_t]+b_o)，其中，W_o为对应输出门的权重矩阵，b_o为对应输出门的偏置；

其中，为记忆单元在当前时刻的值，W_C为对应记忆单元的权重矩阵，b_C为对应记忆单元的偏置。

5.如权利要求4所述的面向标注电子病历的临床辅助决策方法，其特征在于，在进行LSTM神经网络训练时，通过所述LSTM神经网络的双向结构，在最后一个时间步输出信息，并将输出信息与所述预测标签进行比较以计算损失值，以及根据所述损失值进行反向误差传播，以进行模型训练。