[发明专利]一种基于深度学习的电子病历ICD自动编码方法

说明书

本发明公开了一种基于深度学习的电子病历ICD自动编码方法，包括以下步骤：S1：将电子病历与医疗编码分别进行向量化，得到病历特征向量和医疗编码特征向量；S2：学习电子病历的信息，得到文本向量；学习医疗编码的信息，得到医疗编码向量；S3：计算目标函数；S4：根据目标函数减低电子病历和医疗编码的差距，完成电子病历ICD自动编码。本发明的编码方法为编码员提供编码候选，减少了人工干预，加快编码效率。通过编码，电子病历得到了良好的二次应用，它更有利于医学数据的统计与分析。与现有技术相比，所有电子病历来源于真实的重症监护室病房记录，具有真实性高和可行性强的特点，且本方法具有准确率高，通用性强。

技术领域

本发明属于医疗数据处理技术领域，具体涉及一种基于深度学习的电子病历ICD自动编码方法。

背景技术

医疗领域中的病历是自由文本，由医生书写记录患者的病程，包括病人本人或他人对病情的主观描述，医务人员对病人的客观检查结果，以及医务人员对病情的分析结果。电子病历中包含的临床信息具有很高的实际应用价值，如病人的健康状况跟踪、疾病的流行性分析、医疗服务质量以及医疗决策支持等。但这些信息难以被直接利用，因为自由文本的记录和储存方式很难进行总结归类。医疗领域通用的办法是将文本映射到一个标准的医疗术语中。现在通用的编码系统是国际疾病分类系统，也就是ICD。ICD可对各种疾病做出国际通用的统一分类。医院中病案室的编码员为每一份病案进行ICD编码，编码范围主要集中在诊断、损伤、病理诊断和手术等。现在中国采取医生通过HIS系统选取编码，再由编码员校对之后进行病案编码。HIS系统模式上主要采取匹配的方法，编码完全依靠于医生给出的诊断，而不分析病历文本。这样的编码系统依然需要医生选取合适的编码，不够智能，这大大增加了医生的工作量。并且由于编码库的局限和诊断名称与医生书写习惯的偏差，往往导致编码错误和诊断填写不准确。因此，编码员的校对十分重要。如上所述，ICD编码任务的难点主要为：编码需要编码员阅读整篇病案，文本长且有许多缩写、误写等，增加了校对的难度；编码员需要运用编码规则和医学术语等大量的知识，理解医生在书写病历时的真正意图，这样的高素质人才的培养需要数十年的时间，十分匮乏；以及人工编码效率比较低且容易出现错误。

基于医疗文本的积累速度越来越快，医院信息化系统的普及程度越来越高，ICD编码的难点与辅助编码系统尚不完善的现状，研究自动ICD编码已成医疗与信息行业关注的焦点。基于以上情况，本发明提出了一种基于深度学习的电子病历ICD自动编码方法。

发明内容

本发明的目的是为了解决电子病历使用不便的问题，提出了一种基于深度学习的电子病历ICD自动编码方法。

本发明的技术方案是：一种基于深度学习的电子病历ICD自动编码方法，包括以下步骤：

S1：采用向量表示技术将电子病历与医疗编码分别进行向量化，得到病历特征向量和医疗编码特征向量；

S2：采用卷积循环神经网络学习病历特征向量中电子病历的信息，得到文本向量；采用门控神经单元学习医疗编码特征向量中医疗编码的信息，得到医疗编码向量；

S3：采用注意力机制，根据文本向量和医疗编码向量计算目标函数；

S4：根据目标函数降低电子病历和医疗编码的差距，完成电子病历ICD自动编码。

本发明的有益效果是：本发明的电子病历ICD自动编码方法使用卷积神经网络与门控神经单元学习电子病历文本与医疗编码描述的相关内容，使得不同的自然语言文本按照各自的特性被良好表征；同时使用跨文本注意力机制，提取文本中重要的语句，增加编码结果的可信度。本发明的编码方法为编码员提供编码候选，减少了人工干预，加快编码效率。通过编码，电子病历得到了良好的二次应用，它更有利于医学数据的统计与分析。与现有技术相比，所有电子病历来源于真实的重症监护室病房记录，具有真实性高和可行性强的特点，且本方法具有准确率高，通用性强。

进一步地，步骤S1包括以下子步骤：