一种病历显著异常识别方法及相关产品与流程

摘要: 本技术涉及医疗数据处理,特别是涉及一种病历显著异常识别方法及相关产品。背景技术:1、随着医院信息化建设的发展,电子病历已成为医疗机构记录患者诊疗全过程的重要载体...
一种病历显著异常识别方法及相关产品与流程

本技术涉及医疗数据处理,特别是涉及一种病历显著异常识别方法及相关产品。

背景技术:

1、随着医院信息化建设的发展,电子病历已成为医疗机构记录患者诊疗全过程的重要载体。患者一次住院期间通常会产生入院记录、首次病程记录、日常病程记录、手术记录、护理记录、检验报告、检查报告、病理报告、会诊记录及出院记录等多种类型的病历文本,这些病历文本分别从不同角度记录患者在不同时间节点的诊疗信息,共同构成完整的住院诊疗过程。

2、目前,医院病历质控主要采用人工审核、规则匹配或大语言模型直接分析病历文本等方式,这些方式在识别住院病历显著异常的准确性和可解释性方面存在一定的缺陷:人工审核受限于审核人员的主观经验和精力,难以保证识别结果的一致性和准确性;规则匹配方法依赖人工编写规则,仅能覆盖固定场景,对跨文本、跨时间及复杂逻辑关系的显著异常识别能力有限,容易造成漏报;大语言模型虽然能够理解病历文本,但通常以单份病历文本或有限上下文作为输入,受限于上下文窗口长度和长文本理解能力,难以对患者整个住院诊疗过程进行整体分析,且推理过程缺乏明确的证据链,异常识别结果解释性不足。

3、如何提升病历显著异常识别的准确性与可解释性,是亟待解决的技术问题。

技术实现思路

1、基于上述问题,本技术提供了一种病历显著异常识别方法及相关产品,目的是提升病历显著异常识别的准确性与可解释性。

2、本技术实施例公开了如下技术方案:

3、本技术第一方面提供了一种病历显著异常识别方法,该方法包括:

4、从多源病历文本中抽取诊疗事实,得到诊疗事实集合,并对所述诊疗事实集合进行标准化处理,得到标准化后的诊疗事实集合;

5、根据预设关联条件,将所述标准化后的诊疗事实集合中属于同一医学事实的诊疗事实融合为一个诊疗事实节点,得到诊疗事实节点集合;

6、对所述诊疗事实节点集合中的节点进行关系预测,得到关系预测结果,并基于所述诊疗事实节点集合和所述关系预测结果,构建诊疗事实图;所述关系预测结果包括各节点之间的连接关系及关系类型;所述诊疗事实图包括所述诊疗事实节点集合中的节点以及根据所述关系预测结果确定的边;

7、对于所述诊疗事实图中的任一节点,通过多层消息传递聚合相邻节点信息和自身节点信息得到当前节点的最终节点表示,并基于所述诊疗事实图中各节点的最终节点表示进行多粒度异常识别,得到初始异常识别结果;所述相邻节点信息至少包括所述相邻节点的节点可靠度;所述初始异常识别结果包括多个候选异常;所述候选异常为异常概率值超过对应阈值的节点、边或局部子图;

8、基于所述多个候选异常,在所述诊疗事实图中进行路径搜索,得到各候选异常对应的解释路径,基于所述各候选异常对应的解释路径对各候选异常进行筛选,得到目标异常识别结果。

9、可选地,对于所述诊疗事实图中的任一节点,通过多层消息传递聚合相邻节点信息和自身节点信息得到当前节点的最终节点表示,包括:

10、在每一层消息传递中:

11、获取当前节点在当前层的节点表示和相邻节点在当前层的节点表示;

12、根据所述相邻节点在当前层的节点表示、所述相邻节点的节点可靠度、所述相邻节点与当前节点之间的连接类型及时间间隔,计算由所述相邻节点向所述当前节点传递的消息;

13、将相邻节点划分为支持关系节点集合和冲突关系节点集合,分别对所述支持关系节点集合中节点传递的消息和所述冲突关系节点集合中节点传递的消息进行聚合,得到支持消息聚合结果和冲突消息聚合结果;

14、基于所述支持消息聚合结果、所述冲突消息聚合结果与所述当前节点在当前层的节点表示,确定当前节点在下一层的节点表示;

15、经过多层消息传递后,得到当前节点的最终节点表示。

16、可选地,所述基于所述多个候选异常,在所述诊疗事实图中进行路径搜索,得到各候选异常对应的解释路径,包括:

17、对于任一候选异常涉及到的两个节点,分别将所述两个节点作为起点和终点,在诊疗事实图中搜索对应的候选解释路径;所述候选解释路径包括所述两个节点、中间节点和各节点之间的边;

18、根据所述候选解释路径中各边存在的概率值、各节点的节点可靠度以及所述候选解释路径的医学完整性分值,确定对应的候选解释路径分值;

19、将所述候选解释路径分值与预设解释阈值进行比较,若所述候选解释路径分值超过所述预设解释阈值,则将对应的候选解释路径确定为当前候选异常的解释路径。

20、可选地,基于所述各候选异常对应的解释路径对各候选异常进行筛选,得到目标异常识别结果,包括:

21、若任一候选异常存在对应的解释路径,则对该候选异常执行以下至少一种处理:将所述候选异常判定为无需质控并去除、降低所述候选异常对应的异常置信度、保留所述候选异常并输出对应的解释路径;

22、若任一候选异常不存在对应的解释路径,则保留所述候选异常;

23、将经过处理后保留的候选异常确定为所述目标异常识别结果。

24、可选地,基于所述诊疗事实图中各节点的最终节点表示进行多粒度异常识别,得到初始异常识别结果,包括:

25、对于所述诊疗事实图中的任一节点,根据所述节点的节点表示,计算所述节点存在异常的节点异常概率值;

26、对于所述诊疗事实图中存在连接关系的两个节点,根据所述两个节点的节点表示及所述两个节点之间关系类型的向量表示,计算所述两个节点之间存在异常的边异常概率值;

27、对于所述诊疗事实图中多个节点构成的局部子图,根据所述局部子图中各节点的节点表示,计算所述局部子图的子图异常概率值;

28、将所述节点异常概率值、所述边异常概率值或所述子图异常概率值与对应的阈值进行比较,将异常概率值超过对应阈值的节点、边或局部子图确定为候选异常,得到所述初始异常识别结果。

29、可选地,所述节点可靠度的获取方式,包括:

30、对于所述诊疗事实图中的任一节点,根据当前诊疗事实节点所关联的多个来源的病历文本的来源可靠度和各来源病历文本的贡献权重,确定当前诊疗事实节点的节点可靠度;所述来源可靠度是动态变化的。

31、可选地,在基于所述各候选异常对应的解释路径对各候选异常进行筛选,得到目标异常识别结果之后,还包括:

32、针对所述目标异常识别结果中的异常,从所述诊疗事实图中提取对应支撑该异常的最小充分证据集;所述最小充分证据集满足以下条件的证据子集:在给定所述证据子集时该异常成立的概率值大于或等于预设概率阈值,且删除所述证据子集中任意一条证据后,剩余证据不足以支撑该异常;

33、根据所述诊疗事实节点中保存的来源病历文本及原始位置,回溯对应病历文本,输出对应的证据信息;所述证据信息包括异常类型、异常涉及的诊疗事实、异常所在来源病历文本及位置、最小充分证据集、是否存在解释路径和异常置信度。

34、可选地,在根据所述诊疗事实节点中保存的来源病历文本及原始位置,回溯对应病历文本,输出对应的证据信息之后,还包括:

35、接收对所述证据信息的复核反馈;所述复核反馈包括:异常判断正确、异常判断错误、证据选择不完整、诊疗事实抽取错误、诊疗事实融合错误、关系类型判断错误或来源病历内容错误;

36、根据所述复核反馈,按照预设时间周期或累计预设数量的复核反馈后,计算总损失并进行参数更新;所述总损失包括异常识别损失、关系预测损失及正则化损失;所述参数更新包括对来源可靠度、诊疗事实标准化处理所涉及的参数、关系预测所涉及的参数、多粒度异常识别所涉及的参数或解释路径评分所涉及的参数进行更新。

37、本技术第二方面提供了一种病历显著异常识别装置,该装置包括:

38、诊疗事实抽取和标准化处理模块,用于从多源病历文本中抽取诊疗事实,得到诊疗事实集合,并对所述诊疗事实集合进行标准化处理,得到标准化后的诊疗事实集合;

39、诊疗事实融合模块,用于根据预设关联条件,将所述标准化后的诊疗事实集合中属于同一医学事实的诊疗事实融合为一个诊疗事实节点,得到诊疗事实节点集合;

40、关系预测及图构建模块,用于对所述诊疗事实节点集合中的节点进行关系预测,得到关系预测结果,并基于所述诊疗事实节点集合和所述关系预测结果,构建诊疗事实图;所述关系预测结果包括各节点之间的连接关系及关系类型;所述诊疗事实图包括所述诊疗事实节点集合中的节点以及根据所述关系预测结果确定的边;

41、多粒度异常识别模块,用于对于所述诊疗事实图中的任一节点,通过多层消息传递聚合相邻节点信息和自身节点信息得到当前节点的最终节点表示,并基于所述诊疗事实图中各节点的最终节点表示进行多粒度异常识别,得到初始异常识别结果;所述相邻节点信息至少包括所述相邻节点的节点可靠度;所述初始异常识别结果包括多个候选异常;所述候选异常为异常概率值超过对应阈值的节点、边或局部子图;

42、异常筛选模块,用于基于所述多个候选异常,在所述诊疗事实图中进行路径搜索,得到各候选异常对应的解释路径,基于所述各候选异常对应的解释路径对各候选异常进行筛选,得到目标异常识别结果。

43、本技术第三方面提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机程序,当所述程序被处理器运行时,实现如第一方面任一实现方式提供的病历显著异常识别方法。

44、相较于现有技术,本技术具有以下有益效果:

45、本技术实施例提供的病历显著异常识别方法,从多源病历文本中抽取诊疗事实,得到诊疗事实集合,并对所述诊疗事实集合进行标准化处理,得到标准化后的诊疗事实集合;根据预设关联条件,将所述标准化后的诊疗事实集合中属于同一医学事实的诊疗事实融合为一个诊疗事实节点,得到诊疗事实节点集合;对所述诊疗事实节点集合中的节点进行关系预测,得到关系预测结果,并基于所述诊疗事实节点集合和所述关系预测结果,构建诊疗事实图;对于所述诊疗事实图中的任一节点,通过多层消息传递聚合相邻节点信息和自身节点信息得到当前节点的最终节点表示,并基于所述诊疗事实图中各节点的最终节点表示进行多粒度异常识别,得到初始异常识别结果;所述相邻节点信息至少包括所述相邻节点的节点可靠度;所述初始异常识别结果包括多个候选异常;所述候选异常为异常概率值超过对应阈值的节点、边或局部子图;基于所述多个候选异常,在所述诊疗事实图中进行路径搜索,得到各候选异常对应的解释路径,基于所述各候选异常对应的解释路径对各候选异常进行筛选,得到目标异常识别结果。

46、上述方法中,通过从多源病历文本中抽取并标准化诊疗事实,将属于同一医学事实的诊疗事实融合为诊疗事实节点,减少了重复节点和错误关联;通过关系预测构建诊疗事实图,结构化表达了跨病历文本、跨时间的诊疗事实关联;在多层消息传递中聚合相邻节点信息和自身节点信息,且相邻节点信息至少包括节点可靠度,使最终节点表示能够融合节点可信程度,从而提升异常识别的准确性;基于最终节点表示进行多粒度异常识别,覆盖节点、边和局部子图层面,进一步提高了异常识别的全面性;通过为候选异常搜索解释路径并据此筛选,能够区分表面矛盾与真实异常,降低误报,并为最终识别结果提供可解释依据。