[发明专利]基于医疗数据的特征提取方法及装置、设备和介质

说明书

本公开是关于一种基于医疗数据的特征提取方法及装置、电子设备以及计算机可读存储介质，涉及数据挖掘技术领域，可以应用于从海量的医疗数据中提取特征数据的场景。该基于医疗数据的特征提取方法包括：获取待处理数据；其中，待处理数据包括医疗数据；基于医疗数据确定多个待处理字段，并确定各待处理字段的字段类型；根据字段类型确定与待处理字段对应的参考字段，并基于字段类型确定待处理字段与参考字段之间的相似度；将确定出的相似度作为医疗数据对应的特征数据。本公开可以对医疗数据中不同字段类型的待处理字段计算相似度，并将计算出的相似度作为特征数据，该方法可以从海量的医疗数据中提取出更精细的信息。

技术领域

本公开涉及数据挖掘技术领域，具体而言，涉及一种基于医疗数据的特征提取方法、基于医疗数据的特征提取装置、电子设备以及计算机可读存储介质。

背景技术

在大数据分析与挖掘技术领域中，获取到的海量数据不可避免的存在一些数据问题，例如数据缺失、数据错误、数据不规范等。而对问题数据进行标准化是一切数据研究的前提。

在医疗场景下，数据标准化主要包括五大常见的分类：检验归一、检查归一、药品归一、手术诊断名称归一、诊断名称归一等。现有的标准化方法中，通常是将待标准化的检验项目与标准表的中项目进行对比，而对比过程中最重要的是如何确定相似度特征的提取。

目前，对于文本字段通常采用先分词再判断的方法，然而，这种方法强依赖于分词准确性，一旦切词出现错误，将对相似度计算产生非常大的影响。对于检验项目中的数值、单位等字段，仅判断其与标准表中的项目是否相同，该判断方法易导致提取出的信息不全，从而影响标准化结果。

需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

发明内容

本公开的目的在于提供一种基于医疗数据的特征提取方法、基于医疗数据的特征提取装置、电子设备以及计算机可读存储介质，进而至少在一定程度上克服由于现有医疗数据标准化方法中无法提取出较为精细的特征信息的问题。

本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本发明的实践而习得。

根据本公开的第一方面，提供一种基于医疗数据的特征提取方法，包括：获取待处理数据；其中，待处理数据包括医疗数据；基于医疗数据确定多个待处理字段，并确定各待处理字段的字段类型；根据字段类型确定与待处理字段对应的参考字段，并基于字段类型确定待处理字段与参考字段之间的相似度；将确定出的相似度作为医疗数据对应的特征数据。

可选的，根据字段类型确定与待处理字段对应的参考字段，包括：获取与医疗数据对应的参考数据集；根据字段类型从参考数据集中确定与待处理字段对应的参考字段。

可选的，字段类型包括文本类型，基于字段类型确定待处理字段与参考字段之间的相似度，包括：将字段类型为文本类型的待处理字段作为文本类型字段；从参考数据集中确定与文本类型字段对应的参考文本字段；计算文本类型字段与参考文本字段之间的相似度作为第一相似度。

可选的，基于字段类型确定待处理字段与参考字段之间的相似度，还包括：对文本类型字段进行切词处理以生成目标切词集合；对参考文本字段进行切词处理以生成参考切词集合；计算参考切词集合与目标切词集合之间的文本相似度作为第二相似度。

可选的，基于字段类型确定待处理字段与参考字段之间的相似度，还包括：对文本类型字段进行音节转换处理以得到目标音节字段；对参考字段进行音节转换处理以得到参考音节字段；计算目标音节字段与参考音节字段之间的音节相似度作为第三相似度。