一种基于强化学习优化的智能电子病历生成方法、电子设备及存储介质与流程
本技术提供一种基于强化学习优化的智能电子病历生成方法、电子设备及存储介质,涉及医疗信息化。
背景技术:
1、现有电子病历生成技术在以下方面存在显著不足:
2、(1)医学数据的复杂性与融合难题
3、电子病历包含结构化(病人基本信息、检查数据)、半结构化(表格、指标)和非结构化数据(医生的自由文本描述),现有病历生成系统难以高效整合这些数据:传统方法依赖模板或基于规则的填充,无法灵活适配不同医院或医生的书写习惯。病历文书需要结合医学指南、患者历史病历及实时临床数据,但现有技术对动态医学知识的融合能力有限,容易导致病历内容不够精准或缺乏最新的医学依据。
4、(2)生成病历的上下文一致性不足
5、现有自动病历生成系统往往只能处理单次就诊的文本生成,缺乏对患者病程的长期理解,表现为:不能充分利用患者的历史病历数据,导致前后就诊记录不连贯。无法自动分析病情演化趋势,导致医生需要手动补充病史演变,增加了工作负担。电子病历的表达方式固定化,不能适应医生的个性化行文习惯,导致使用率降低。
6、(3)电子病历的医学合理性与临床推理能力不足
7、传统电子病历生成系统通常缺乏医学推理能力,仅依赖规则填充,容易造成诊疗逻辑上的错误,如:病历内容可能遗漏关键症状描述,影响诊断完整性。诊断与治疗方案匹配度低,可能导致错误的病历建议,影响医生决策。现有病历系统无法自动检查病历内容的医学合理性,医生需要反复校对,增加了使用负担。
8、(4)交互体验不足,医生反馈利用率低
9、现有电子病历系统通常是单向生成,医生修改后的内容不会反馈给系统,导致病历生成质量无法持续优化。系统缺乏自适应能力,不能学习医生的修改习惯,每次生成的病历可能仍然存在相同问题,无法提供真正智能化的支持。
技术实现思路
1、本技术要解决的技术问题是如何利用大规模预训练语言模型(llm)结合强化学习和医学知识增强技术,优化电子病历智能生成。
2、为解决上述技术问题,本技术的技术方案提供了一种基于强化学习优化的智能电子病历生成方法,用于生成电子病历,包括:
3、s1收集患者病历内容,进行预处理得到结构化数据;
4、s2基于动态医学知识增强病历内容;
5、s3识别病历内容的时间序列变化,若存在时间序列变化,基于病历内容的时间序列变化建立病情变化趋势预测,补充病情趋势建议;
6、s4生成电子病历。
7、优选的,所述收集患者病历内容包括患者的历史病历信息以及医院电子病历数据库的知识表示,通过自然语言处理、或文本处理大模型将收集到的患者病历内容转换为结构化数据。
8、优选的,步骤s2包括:
9、基于患者的历史病历信息,最新医学文献、医学指南外部知识以及医院电子病历数据库的知识表示三类内容,通过自适应知识融合网络模型融合三类内容,通过知识融合权重λ1、λ2、λ3调整融合结果,整合得到融合病历内容;
10、所述融合病历内容kfinal=λ1klocal+λ2kglobal+λ3khistorical;
11、其中,
12、klocal:医院电子病历数据库的知识表示;
13、kglobal:最新医学文献、医学指南外部知识;
14、khistorical:患者的历史病历信息;
15、知识融合权重λ1、λ2、λ3,满足λ1+λ2+λ3=1。
16、进一步的,步骤s2还包括:
17、采用结构化知识图谱推理增强病历内容;通过医学知识图谱建立医学概念之间的关系,包括基于医学知识图谱建立药品、诊断、药效医学概念之间的关系;在医学知识图谱中,查询药品药效;匹配诊断需求;确认药效,进行交叉匹配补充病历内容。
18、优选的,步骤s3包括:
19、通过整合患者的纵向医疗数据,输入时间序列病程演化模型,构建时间序列分析的病情趋势预测,并对预测结果进行融合得到最终疾病预测状态pupdated;
20、pupdated=β1pcurrent+β2phistorical+β3ptrend
21、其中,
22、pupdated:最终疾病预测状态;
23、pcurrent:当前疾病状态;
24、phistorical:历史病历中的疾病状态;
25、ptrend:时间序列分析的病情趋势预测;
26、β1,β2,β3:加权系数,满足β1+β2+β3=1。
27、进一步的,所述时间序列病程演化模型设为经过病程演化数据集微调的时间序列预测模型。
28、优选的,步骤s4包括:
29、s41生成初步电子病历,基于策略优化调整病历;
30、s42基于临床推理正则化计算病历的诊疗匹配度,若诊疗匹配度小于预设阈值,则提示医生修改;
31、s43生成最终病历。
32、进一步的,步骤s41中所述基于策略优化调整病历包括:
33、基于近端策略优化算法,设计目标函数jgrpo为:
34、
35、其中,
36、e[]为数学期望;
37、oi为候选电子病历文本输出;
38、g为候选电子病历文本输出数量;
39、ai为优势估计值(衡量该文本输出的优劣);
40、∈为剪裁范围,防止策略更新过大导致不稳定;
41、clip(,,)为近端策略优化算法中的裁剪函数;
42、dkl为策略πθ和旧策略πθold之间的kl散度,用于防止模型偏离医生风格过大;
43、β为kl正则项的权重,控制更新幅度;
44、基于所述目标函数,执行近端策略优化算法,稳定提升病历生成质量;
45、步骤s42包括:通过诊疗匹配度计算来衡量电子病历的逻辑严谨性,诊疗匹配度smatch计算式为:
46、
47、其中,
48、di为诊断项i;
49、ti为对应的治疗方案i;
50、ωi为该诊断的重要性权重;
51、n为诊断项数量;
52、δ(di,ti)为匹配函数,若di和ti逻辑匹配,则取1,否则取0;
53、当smatch低于预设阈值时,认为存在逻辑问题,提示医生检查病历并修改病历,从而提高病历的医学合理性。
54、本技术还提供了一种电子设备,包括:存储器和处理器;所述存储器用于存储计算机程序;所述处理器用于执行所述计算机程序以实现前述的基于强化学习优化的智能电子病历生成方法。
55、本技术还提供了一种计算机可读存储介质,用于存储计算机程序,所述计算机程序被执行时实现前述的基于强化学习优化的智能电子病历生成方法。
56、本技术提供的电子病历生成方法,依次通过收集患者病历内容、预处理得到结构化数据、基于动态医学知识增强病历内容、补充病情趋势建议得到电子病历,从而智能完善电子病历,提高了病历的逻辑一致性、临床合理性、内容的专业性。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com