[发明专利]一种基于深度学习和知识图谱的患者画像方法及系统

说明书

本发明公开一种基于深度学习和知识图谱的患者画像方法及系统，包括：获取患者医疗数据；根据医学知识图谱对患者医疗数据进行分词，对每个词进行向量化后，构建词向量矩阵；将词向量矩阵采用预先训练的深度学习模型得到患者标签；根据患者标签完成对患者的画像。基于患者医疗数据和医学知识图谱计算患者的疾病标签，根据患者疾病标签完成患者画像，在辅助诊疗、用药推荐等应用中，能够辅助医生快速定位患者病情。

技术领域

本发明涉及医疗大数据技术领域，特别是涉及一种基于深度学习和知识图谱的患者画像方法及系统。

背景技术

本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

目前，随着人们对生命健康的不断重视和医院日益增长的患者治疗成本，医生需要快速了解临床患者的病情，但是由于医生工作量巨大，与患者交流时间短，不能很全面的了解患者的实际病情，这就导致对患者采取的治疗方案不一定是最佳方案，很容易造成医患纠纷。

当前国家和医院对院内信息化建设投入持续加大，院内各信息化系统功能不断完善，系统存储的患者人口数据和医疗数据不断增长，庞大的规模为医疗数据的分析挖掘提供了保障。

知识图谱是指将知识以三元组形式组织，利用图结构进行存储的形式，最初是Google用来改进搜索引擎的体验，由于其存储的高效性、天然的关系链接以及易于推理的特性被不断用于各个行业。在医疗行业，医学知识图谱主要是用于存储医学知识；患者画像即对患者打标签，利用数据中心的人口信息、门诊、住院、体检医疗数据、公卫慢病信息等数据，通过算法抽取患者的特征，建立患者的标签模型，通过画像技术，医疗人员可以通过标签快速全面了解患者病情，给与最佳治疗方案，提高医生工作效率。

但是，发明人发现，现有技术仍存在着缺陷和不足，目前的画像技术主要应用场景为互联网、电商等，利用用户的网上注册信息和线上行为为用户画像，但不适用于医疗场景，主要有以下几个问题：(1)精度不准，为患者画像是为了使得医生可以提供更精准的治疗方案，对患者标签的准确性有更高要求；(2)现有画像只是单纯考虑用户的行为，而患者的画像需要考虑各种维度，如个人信息、区域环境、疾病发展情况、患者心理状态等，各种数据需要全程参与，才能不断完善患者标签体系，为医生治疗方案提供参考；(3)现有技术基本是基于特征的选择，这种方法没有考虑先后顺序，缺少了语义之间的联系。

发明内容

为了解决上述问题，本发明提出了一种基于深度学习和知识图谱的患者画像方法及系统，基于患者医疗数据和医学知识图谱计算患者的疾病标签，根据患者疾病标签完成患者画像，在辅助诊疗、用药推荐等应用中，能够辅助医生快速定位患者病情。

为了实现上述目的，本发明采用如下技术方案：

第一方面，本发明提供一种基于深度学习和知识图谱的患者画像方法，包括：

获取患者医疗数据；

根据医学知识图谱对患者医疗数据进行分词，对每个词进行向量化后，构建词向量矩阵；

将词向量矩阵采用预先训练的深度学习模型得到患者标签；

根据患者标签完成对患者的画像。

第二方面，本发明提供一种基于深度学习和知识图谱的患者画像系统，包括：

数据获取模块，被配置为获取患者医疗数据；

数据处理模块，被配置为根据医学知识图谱对患者医疗数据进行分词，对每个词进行向量化后，构建词向量矩阵；

标签计算模块，被配置为将词向量矩阵采用预先训练的深度学习模型得到患者标签；

画像模块，被配置为根据患者标签完成对患者的画像。