基于电子病历文本的诊疗事件实体抽取研究

目的:在电子病历文本中提取诊疗事件用于判断合理诊疗行为。方法:提出了一种在电子病历文本中抽取诊疗事件实体的方法,将抽取过程分为提取时间表示和提取临床实体两个步骤,首先采用正则表达式完成事件的时间表达提取和规范化,然后使用基于BERT-BiLSTM-CRF的深度学习模型提取临床医疗实体。结果:使用中国知识图谱与语义计算会议2019评测任务数据集的1379份电子病历文本进行模型验证,基于正则表达式的时间表达提取方法具有92.76%的综合识别率;基于BERT-BiLSTM-CRF模型的诊疗事件实体识别准确率为83.66%,召回率为87.66%,F1值为85.61%。结论:实验表明本研究的方法具有良好的实体抽取准确率和召回率,可以为基于电子病历文本的合理诊疗行为判断提供帮助。

基于医学影像和病历文本的甲状腺多模态语料库构建与应用

多模态语料库作为一种新型计算机辅助医学诊断与学习研究的工具,有利于相似病例的诊治借鉴,但基于直观影像和电子病历标注的多模态医学语料库并不多见,且多数为人工构建,费时费力,如甲状腺等语料库。因此,该文提出了一种基于医学影像和病历文本的甲状腺多模态语料库的自动构建方法。由于甲状腺结节的声像图表现复杂多样以及良恶性判断困难,基于传统深度学习的医学影像分类方法的精度较低,该文提出基于特征筛选的深度学习分类方法去除冗余和噪声特征,提高良恶性分类准确率,并结合自然语言处理方法提取电子病历的关键文本特征信息以构建多模态语料库。实验结果表明,该文提出的分类算法在甲状腺超声影像数据集可以实现甲状腺结节良恶性的精确分类识别,有效构建医学影像与电子病历多模态语料库。该语料库的建立有利于相关案例教学,方便医学生自学有关的医学知识,也为医务工作者更为全面和准确地解读疾病的病理信息提供重要的参考价值。

数据挖掘在支气管炎电子病历中的应用研究

本文针对支气管炎电子病历数据,利用改进的基于统计的中文分词算法、粗糙集和决策树理论对数据做了处理;最后采用改进的Apriori算法进行关联分析,实现“数据-信息-知识-价值”的转变过程。