02月13, 2020

医疗电子病历的知识挖掘

对病历文本相关的智能分析主要涉及自然语言处理技术,相关研究开始于20世纪60年代的美国,衍生出包括医学信息抽取、临床问答系统和临床决策支持系统等。

对于医学文本信息抽取,目前已经有相对成熟的系统在医院使用,包括MedLEE、Ctakes和GATE等。YongGangCao等构建了帮助医生查询病人症状有关帮助的AskHERMES问答系统。

病历智能分析系统设计

病历智能分析系统的核心技术是自然语言处理。系统主要涉及句法学、语义学和语用学共三个不同等级的语言学分析,由分词、病历标注、命名实体识别和语义关联抽取共四个模块组成,如图1所示。

alt

病历智能分析系统功能模块设计.jpg

系统应用

1、加速填写病例报告表(CRF)

病例报告表(Case Report Form,CRF)是临床研究数据获取的主要工具,在药物临床实验和临床研究中都有广泛的应用。收集到准确、可靠的临床数据是临床实验的重要环节。在填写病例报告表的过程中要求填写受试者的基本信息、治疗期及随访期记录、试验结束记录等。病例报告表中包含大量的临床变量,包括患者的症状、临床表现、体征、实验室检查等情况。

利用我们构建的病历智能分析系统,用命名实体识别技术能将病例报告表中需要填写的变量在受试者的报告中进行自动抽取,从而加速CRF表中的填写速度,优化临床实验的处理流程。

2、优化临床数据中心(CDR)

作为构建临床数据中心的重要环节,数据的标准化和结构化成为一个棘手的问题。由于不同系统的电子病历系统和医院信息系统的数据标准不同,电子病历中的医学信息在临床数据中心进行流通和利用困难重重。在病历智能分析系统的帮助下,以自由文本书写的病历能进行结构化,结构化后病历文本就可以在不同医院和不同区域间进行交换整合。同时,对电子病历中积压的临床数据进行结构化处理,能够实现对历史电子病历中的诊疗过程的整合,丰富临床数据中心的内容。

3、辅助临床决策支持系统(CDSS)

临床决策支持系统(Clinical Decision Support System## 标题,CDSS)是对临床工作的有益补充,能在复杂和变化的临床场景下为医务人员提供及时有效的辅助诊断,有效地提高临床决策的准确率和效率。

临床辅助决策支持系统的数据来源通常是医学书籍、文献、病历等非结构化数据,直接利用这些数据难以抽取出来诊疗过程中的变量和变量之间的关系。利用病历智能分析系统,将这些自由文本进行结构化处理之后能帮助临床辅助决策支持系统,更好地挖掘患者既往病史与医学知识的关系,提供更优质和科学的推荐方案。

本文阐述了病历智能分析系统的模块组成、核心技术及应用场景,解决了部分临床中遇到的问题,得到了临床的普遍好评。目前阶段,电子病历中的主观数据需要人工标注,占全部病历数的10%左右。如何从无标注的数据进行学习,将是未来三到五年需要解决的重要问题。此外,如何像人一样从小样本进行有效学习,以及如何从认知性的任务扩展到决策性任务,同样是需要解决的问题。相信随着人工智能技术的快速发展,特别是深度学习技术的逐渐成熟,自然语言处理技术将在医学大数据挖掘中发挥越来越重要的作用。

参考来源

本文链接:http://57km.cc/post/yi-liao-dian-zi-bing-li-de-zhi-shi-wa-jue.html

-- EOF --

Comments