面向医生的认知人工智能平台的制作方法

所公开的实施方案总体上涉及使用人工智能来分析异构数据集，并且更具体地涉及使用人工智能来分析病历，从而以增强的格式和增强的数据解释呈现分析结果。

背景技术：

1、由于电子健康记录是由跨医疗保健市场的提供者创建并存在的，因此对于医生、协助医生的其他人以及工作包括审查患者的病历的其他专业人员和职员来说，所述电子健康记录并不容易阅读。记录的格式不标准、碎片化使得审查历史就诊情况变得困难，而这正是初步诊断的重要部分。

2、因此，期望根据零散数据（如填充电子病历的数据）建立机器学习模型，以增强数据的可读性并扩展数据集以创建包括预测、统计分析等的附加信息。还期望一种用于呈现机器学习和人工智能分析以及数据增强的结果的平台。

技术实现思路

1、一个或多个计算机的系统可以被配置成借助于在系统上安装在操作时使系统执行动作的软件、固件、硬件或其组合来执行特定操作或动作。一个或多个计算机程序可以被配置成借助于包括指令来执行特定操作或动作，所述指令在由数据处理设备执行时使所述设备执行所述动作。一个总体方面包括一种计算机实施的系统。

2、所述计算机实施的系统还包括计算机，所述计算机具有处理器和存储器，所述存储器上存储有计算机可执行指令，所述计算机可执行指令在由所述处理器执行时使所述处理器运行用于创建和显示医疗信息的平台。所述系统可以接收与患者有关的医疗数据，其中所述医疗数据可以包括患者记录和至少一种生命统计数据。所述系统可以对所述医疗数据进行时间分析，以产生时间分析数据。所述系统可以提取所述医疗数据的特征，以产生特征数据。所述系统可以使用人工智能模型，分析医疗数据、时间分析数据和特征数据，以增强的图形格式创建视觉输出，所述视觉输出可以包括来自医疗数据的信息。在一些实施例中，人工智能模型是使用与多个先前患者有关的患者档案数据语料库进行训练的。

3、在一些实施例中，所述系统可以接收与患者有关的呈fhir/lpr格式的医疗数据，包括患者记录和生命统计数据。所述系统可以对所述医疗数据进行时间分析和特征提取。使用根据历史患者数据训练的人工智能模型，所述系统可以分析所述数据以通过以下方式生成知识图：识别节点；使用语义分析和自然语言处理来确定关系；生成边；和/或应用图数据库算法。所述系统可以创建视觉输出，所述视觉输出包含：具有使用页面排名算法进行排序的自动生成的散文的健康快照、标识健康问题的交互式身体图以及具有下钻功能的增强时间线格式健康史。

4、该方面的其它实施例包括各自被配置成执行所述方法的动作的对应计算机系统、设备和记录在一个或多个计算机存储装置上的计算机程序。

5、实施方案可以包括以下特征中的一个或多个特征。平台可以被进一步配置成使用人工智能模型从医疗数据、时间分析数据和特征数据创建知识图。

6、视觉输出可以包括与由人工智能模型基于医疗数据、时间分析数据和特征数据生成的预测有关的信息，其中所述预测涉及由概率人工智能模型识别为与多个先前患者中的至少一个受试者具有实质相关性的因素。

7、增强图形格式可以包括健康快照，其中所述健康快照含有与患者健康有关的自动生成的散文。

8、图形格式可以包括健康史。健康史以时间线格式显示。

9、图形格式可以包括身体图，并且其中所述身体图标识患者身体的至少一个区域，在所述至少一个区域中，患者记录指示现有健康问题、先前健康问题和预测健康问题中的至少一个。

10、平台可以被进一步配置成生成至少一个与患者有关的建议。

11、平台可以被进一步配置成使用概率人工智能模型和医疗数据计算并显示健康评分。

12、预测可以涉及负面药物结果的风险，并且其中患者档案数据包括药物处方数据和负面药物结果数据，并且其中人工智能模块被配置成识别患者档案数据的与负面药物结果相关的至少一个特征。

13、预测可以涉及患者感染特定疾病的风险。

14、医疗数据可以进一步包括医学图像，平台被进一步配置成使用概率人工智能模型来分析图像，以识别图像的指示诊断可能性的至少一个部分，其中所述分析基于多个先前患者中确诊的患者之间的相关性，以及同一器官或身体部位的与医学图像类似地出现的图像部分。

15、在一些实施例中，视觉输出可以包括由人工智能模型基于知识图分析生成的预测。所述系统可以使用知识图和人工智能模型来计算并显示健康评分。知识图可以将处方药品和负面药物结果呈现为节点，从而实现药物相关风险因素标识。对于医学图像，知识图可以包括表示图像特征和诊断相关性的节点。所述系统可以提取关于相关机构、付款人和从业人员的患者信息作为节点。页面排名算法可以基于病历中的引用频率对健康信息进行排序。身体图可以将交互式指示符显示为具体身体部位上的点，在选择时揭示详细健康信息。人工智能模型可以分析医学图像，以基于历史数据来识别诊断相关特征。所述系统可以基于当前特征与历史特征之间的相似性来生成预测诊断的置信度评分。

16、所描述技术的实施方案可以包括硬件、方法或过程或者在计算机可访问介质上的计算机软件。

17、本技术公开了与以下编号条款相对应的主题：

18、（a1）一种计算机实施的系统，其包含：计算机，所述计算机具有处理器和存储器，所述存储器上存储有计算机可执行指令，所述计算机可执行指令在由所述处理器执行时使所述处理器运行用于创建和显示医疗信息的平台，所述平台被配置成：接收与患者有关的呈快速医疗保健互操作性资源（fhir）或纵向患者记录（lpr）格式的医疗数据，其中所述医疗数据包含患者记录和至少一种生命统计数据；对所述医疗数据进行时间分析，以产生时间分析数据；提取所述医疗数据的特征，以产生特征数据；使用根据历史患者数据训练的人工智能模型，分析所述医疗数据、所述时间分析数据和所述特征数据，以通过以下方式生成知识图：（i）将数据元素识别为所述知识图中的节点；（ii）使用所述医疗数据的语义分析和自然语言处理来确定所述数据元素之间的关系；（iii）基于所确定的关系在所述节点之间生成边；以及（iv）应用图数据库算法以确定由所述边表示的所述医疗数据中的条目之间关系；并且创建视觉输出，所述视觉输出包含：（i）健康快照，所述健康快照含有基于所述知识图描述所述患者的健康状况并使用页面排名算法进行排序的自动生成的散文，（ii）身体图，所述身体图基于所述知识图来标识所述患者的身体上具有健康问题的区域，其中所述身体图包括交互式指示符，所述交互式指示符在用户选择时揭示从所述知识图提取的详细健康信息，以及（iii）健康史，所述健康史通过允许下钻到具体健康事件的交互式元素以增强时间线格式显示。

19、（a2）根据条款（a1）所述的系统，其中所述视觉输出进一步包含与由所述人工智能模型基于对所述知识图的分析而生成的预测有关的信息。

20、（a3）根据条款（a1）或（a2）所述的系统，其中所述平台被进一步配置成使用所述知识图和所述人工智能模型来计算并显示健康评分。

21、（a4）根据条款（a1）至（a3）中任一项所述的系统，其中所述知识图包括表示处方药品和负面药物结果的节点，并且其中所述人工智能模型分析这些节点之间的关系以识别药物相关风险因素。

22、（a5）根据条款（a1）至（a4）中任一项所述的系统，其中所述医疗数据进一步包含医学图像，并且其中所述知识图包括表示由所述人工智能模型识别的图像特征和诊断相关性的节点。

23、（a6）根据条款（a1）至（a5）中任一项所述的系统，其中生成所述知识图进一步包含通过提取与和所述患者相关联的机构、付款人和从业人员有关的患者医疗信息，将所述数据元素识别为节点。

24、（a7）根据条款（a1）至（a6）中任一项所述的系统，其中所述页面排名算法基于所述医疗数据中的其它健康记录引用健康信息的频率来对所述健康信息进行排序。

25、（a8）根据条款（a1）至（a7）中任一项所述的系统，其中所述身体图上的所述交互式指示符显示为具体身体部位上的点，并且其中选择指示符会揭示对应身体部位的详细健康信息。

26、（a9）根据条款（a1）至（a8）中任一项所述的系统，其中所述人工智能模型被配置成分析医学图像，以基于历史患者数据来识别与具体诊断相关的特征。

27、（a10）根据条款（a1）至（a9）中任一项所述的系统，其中所述平台被进一步配置成：基于在当前医疗数据中识别的特征与历史患者数据中的相关特征之间的相似性确定来生成预测诊断的置信度评分。

28、（b1）一种计算机实施的方法，其包含：接收与患者有关的呈快速医疗保健互操作性资源（fhir）或纵向患者记录（lpr）格式的医疗数据，其中所述医疗数据包含患者记录和至少一项生命统计数据；对所述医疗数据进行时间分析，以产生时间分析数据；提取所述医疗数据的特征，以产生特征数据；使用根据历史患者数据训练的人工智能模型，分析所述医疗数据、所述时间分析数据和所述特征数据，以通过以下方式生成知识图：（i）将数据元素识别为所述知识图中的节点；（ii）使用所述医疗数据的语义分析和自然语言处理来确定所述数据元素之间的关系；（iii）基于所确定的关系在所述节点之间生成边；以及（iv）应用图数据库算法以确定由所述边表示的所述医疗数据中的条目之间的关系；以及创建视觉输出，所述视觉输出包含：（i）健康快照，所述健康快照含有基于所述知识图描述所述患者的健康状况并使用页面排名算法进行排序的自动生成的散文，（ii）身体图，所述身体图基于所述知识图来标识所述患者的身体上具有健康问题的区域，其中所述身体图包括交互式指示符，所述交互式指示符在用户选择时揭示从所述知识图提取的详细健康信息，以及（iii）健康史，所述健康史通过允许下钻到具体健康事件的交互式元素以增强时间线格式显示。

29、（b2）根据条款（b1）所述的方法，其中所述视觉输出进一步包含与由所述人工智能模型基于对所述知识图的分析而生成的预测有关的信息。

30、（b3）根据条款（b1）或（b2）所述的方法，其进一步包含：使用所述知识图和所述人工智能模型来计算并显示健康评分。

31、（b4）根据条款（b1）至（b3）中任一项所述的方法，其中所述知识图包括表示处方药品和负面药物结果的节点，并且其中所述人工智能模型分析这些节点之间的关系以识别药物相关风险因素。

32、（b5）根据条款（b1）至（b4）中任一项所述的方法，其中所述医疗数据进一步包含医学图像，并且其中所述知识图包括表示由所述人工智能模型识别的图像特征和诊断相关性的节点。

33、（b6）根据条款（b1）至（b5）中任一项所述的方法，其中生成所述知识图进一步包含通过提取与和所述患者相关联的机构、付款人和从业人员有关的患者医疗信息，将所述数据元素识别为节点。

34、（b7）根据条款（b1）至（b6）中任一项所述的方法，其中所述页面排名算法基于所述医疗数据中的其它健康记录引用健康信息的频率来对所述健康信息进行排序。

35、（b8）根据条款（b1）至（b7）中任一项所述的方法，其中所述身体图上的所述交互式指示符显示为具体身体部位上的点，并且其中选择指示符会揭示对应身体部位的详细健康信息。

36、（b9）根据条款（b1）至（b8）中任一项所述的方法，其中所述人工智能模型分析医学图像，以基于历史患者数据来识别与具体诊断相关的特征。

37、（b10）根据条款（b1）至（b9）中任一项所述的方法，其进一步包含：基于在当前医疗数据中识别的特征与历史患者数据中的相关特征之间的相似性确定来生成预测诊断的置信度评分。