基于人工智能的智慧医疗病历管理方法、系统及云平台与流程

[0001]
本公开涉及智慧医疗及人工智能技术领域，具体而言，涉及一种基于人工智能的智慧医疗病历管理方法、系统及云平台。


背景技术：

[0002]
智慧医疗通过打造健康档案区域医疗信息平台，利用先进的物联网技术，可以实现患者与医务人员、医疗机构、智慧医疗服务终端之间的互动，逐步达到电子信息化和智能化。
[0003]
目前的患者病历都是以电子病历的形式存储在智慧医疗服务平台中，由智慧医疗服务终端进行实时上传，然而传统方案中，缺乏针对电子病历信息所关联的每个电子病历上传节点的深度分析，对于电子病历信息中对应的电子病历单元而言，不便于结合广泛的大数据进行后续的流程效率优化建设（例如自动纠错校正），从而造成医院运营成本的增加，增强了医护人员的工作强度。


技术实现要素：

[0004]
为了至少克服现有技术中的上述不足，本公开的目的在于提供一种基于人工智能的智慧医疗病历管理方法、系统及云平台，可以便于进行后续流程效率优化建设，降低医院运营成本，减轻医护人员的工作强度。
[0005]
第一方面，本公开提供一种基于人工智能的智慧医疗病历管理方法，应用于与多个智慧医疗服务终端通信连接的电子病历云平台，所述方法包括：获取所述智慧医疗服务终端上传的电子病历信息，根据所述电子病历信息所关联的每个电子病历上传节点对关联患者用户的电子病历数据库中的各个对应的电子病历单元的电子病历数据进行人工智能分析，得到不同电子病历单元的人工智能分析结果，所述人工智能分析结果包括每个所述电子病历单元的电子病历数据与所述电子病历信息所关联的每个电子病历上传节点相匹配的病历匹配数据；将每个电子病历单元的人工智能分析结果与病历关联标签库中的病历关联标签特征进行匹配，得到针对每个电子病历单元的目标病历关联标签特征；将匹配的所述每个电子病历单元的目标病历关联标签特征分别关联到所述电子病历信息中对应的电子病历单元的病历特征区域中。
[0006]
在第一方面的一种可能的实现方式中，所述根据所述电子病历信息所关联的每个电子病历上传节点对关联患者用户的电子病历数据库中的各个对应的电子病历单元的电子病历数据进行人工智能分析，得到不同电子病历单元的人工智能分析结果的步骤，包括：针对关联患者用户的电子病历数据库中的每个对应的电子病历单元的电子病历数据，获取该电子病历单元的电子病历数据的第一病历结构化标注，其中，所述第一病历结构化标注用于表征该电子病历单元的电子病历就诊过程的就诊行为标注和就诊过程标注；根据所述电子病历信息所关联的每个电子病历上传节点分别对所述第一病历结构化
标注进行人工智能识别，获得第一就诊行为标注分类向量序列和与第一就诊行为标注分类向量序列对应的就诊过程标注分类向量序列；获取该电子病历单元的电子病历数据的第一诊断项目向量序列和诊断项目关联信息，提取第一诊断项目向量序列的内容向量单元，所述第一诊断项目向量序列的内容向量单元包括设定格式向量单元；获取所述关联患者用户关联的历史电子病历数据的设定格式向量单元，并根据该设定格式向量单元调整所述第一诊断项目向量序列的设定格式向量单元，使所述第一诊断项目向量序列中各个设定格式向量单元之间的匹配关系与预设历史电子病历数据中各个设定格式向量单元之间的匹配关系匹配；在调整结束后，获得第二诊断项目向量序列的内容向量单元，并根据所述第二诊断项目向量序列的内容向量单元生成第二诊断项目向量序列；根据所述诊断项目关联信息和所述第二诊断项目向量序列的内容向量单元，查找得到与所述诊断项目关联信息相匹配的就诊过程标注分类向量序列以及与所述就诊过程标注分类向量序列对应的第一就诊行为标注分类向量序列，根据所述第二诊断项目向量序列的内容向量单元对与所述就诊过程标注分类向量序列对应的第一就诊行为标注分类向量序列进行调整，获得第二就诊行为标注分类向量序列；将所述第二就诊行为标注分类向量序列与所述第二诊断项目向量序列进行合并处理，得到该电子病历单元的电子病历数据与所述电子病历信息所关联的每个电子病历上传节点相匹配的合并向量序列；对该电子病历单元的合并向量序列进行人工智能分析，得到该电子病历单元的人工智能分析结果。
[0007]
在第一方面的一种可能的实现方式中，所述对该电子病历单元的合并向量序列进行人工智能分析，得到该电子病历单元的人工智能分析结果的步骤，包括：从该电子病历单元的合并向量序列中提取对应的检查项目索引向量和检查项目关联疾病范围向量；分别对所述检查项目索引向量和检查项目关联疾病范围向量进行回归分析得到各自对应的第一回归分析向量信息和第二回归分析向量信息；在所述第一回归分析向量信息中，确定与第一与之对应的上一次回归分析向量信息对应的第一待定回归分析向量信息；其中，所述第一与之对应的上一次回归分析向量信息为前一个检查项目索引向量对应的与之对应的上一次回归分析向量信息；在所述第二回归分析向量信息中，确定与第二与之对应的上一次回归分析向量信息对应的第二待定回归分析向量信息；其中，所述第二与之对应的上一次回归分析向量信息为所述前一个检查项目关联疾病范围向量对应的与之对应的上一次回归分析向量信息；根据所述第一待定回归分析向量信息和所述第二待定回归分析向量信息进行人工智能分析，得到该电子病历单元的人工智能分析结果。
[0008]
在第一方面的一种可能的实现方式中，所述根据所述第一待定回归分析向量信息和所述第二待定回归分析向量信息进行人工智能分析，得到该电子病历单元的人工智能分析结果的步骤，包括：根据所述第一待定回归分析向量信息和所述第二待定回归分析向量信息获得确定回
归分析目标区域以及每一回归分析目标区域包括的回归分析向量信息；识别所述每一回归分析目标区域中回归分析向量信息所对应的人工智能分析信息，并将所述每一回归分析目标区域中回归分析向量信息所对应的人工智能分析信息按照各自对应的预设病历匹配权重进行聚类处理，得到该电子病历单元的人工智能分析结果。
[0009]
在第一方面的一种可能的实现方式中，所述根据所述第一待定回归分析向量信息和所述第二待定回归分析向量信息获得确定回归分析目标区域以及每一回归分析目标区域包括的回归分析向量信息的步骤，包括：计算所述第一待定回归分析向量信息中各个回归分析向量信息，分别与第一与之对应的上一次回归分析向量信息之间的汉明距离，如果所述第一待定回归分析向量信息中第一回归分析向量信息与第一与之对应的上一次回归分析向量信息的汉明距离最小，且在设定汉明距离区间内，则选择所述第一回归分析向量信息为第一选定回归分析向量信息，并计算所述第二待定回归分析向量信息中各个回归分析向量信息，分别与第二与之对应的上一次回归分析向量信息之间的汉明距离，如果所述第二待定回归分析向量信息中第二回归分析向量信息与第二与之对应的上一次回归分析向量信息的汉明距离最小，且在设定汉明距离区间内，则选择所述第二回归分析向量信息为第二选定回归分析向量信息；根据所述第一选定回归分析向量信息与对应的第一与之对应的上一次回归分析向量信息，及所述第二选定回归分析向量信息及对应的第二与之对应的上一次回归分析向量信息，确定所述第一选定回归分析向量信息和第二选定回归分析向量信息分别对应的第一病历匹配单元向量，所述第一病历匹配单元向量包括病历匹配类型信息和基于电子病历单元病历匹配的病历匹配内容向量单元，所述与之对应的上一次回归分析向量信息是当前个的前一个检查项目索引向量和前一个检查项目关联疾病范围向量对应的回归分析向量信息；在所述第二回归分析向量信息中，确定与第一回归分析向量信息对应的第三待定回归分析向量信息，并从所述第三待定回归分析向量信息中选取所述第一回归分析向量信息对应的第三选定回归分析向量信息，根据所述第三选定回归分析向量信息与对应的第一回归分析向量信息，确定所述第三选定回归分析向量信息和第一回归分析向量信息分别对应的内容向量单元，所述内容向量单元为每一回归分析向量信息与所述合并向量序列相对的内容向量单元，所述第一回归分析向量信息为所述检查项目索引向量对应的回归分析向量信息，所述第二回归分析向量信息为所述检查项目关联疾病范围向量对应的回归分析向量信息；根据多个所述回归分析向量信息分别对应的第一病历匹配单元向量和内容向量单元，确定所述回归分析向量信息分别对应的第二病历匹配单元向量，所述第二病历匹配单元向量中包括病历匹配类型信息与病历匹配内容向量单元，如果任意两个回归分析向量信息之间病历匹配类型信息的标识值差距层次度在设定汉明距离区间内，及病历匹配内容向量单元之间的向量差异参数在设定汉明距离区间内，且所述任意两个回归分析向量信息的内容向量单元之间的状态差异在设定汉明距离区间内，将所述任意两个回归分析向量信息合并为同一回归分析目标区域，得到每一回归分析目标区域包括的回归分析向量信息。
[0010]
在第一方面的一种可能的实现方式中，所述将每个电子病历单元的人工智能分析结果与病历关联标签库中的病历关联标签特征进行匹配，得到针对每个电子病历单元的目标病历关联标签特征的步骤，包括：
将每个电子病历单元的人工智能分析结果与病历关联标签库中的病历关联标签特征中的自然语言数据节点进行匹配，获得所述病历关联标签库中与所述电子病历单元的人工智能分析结果之间的数据元素匹配度大于设定数据元素匹配度的初始病历关联标签特征；按照预先为该电子病历单元配置的病历关联标签解析矩阵对所述初始病历关联标签特征中的每一单位病历关联标签特征进行标签解析，生成多个具有目标标签前置语义区间且来源不同的待定目标病历关联标签特征；获取每个待定目标病历关联标签特征的特征频繁度，并根据每个待定目标病历关联标签特征对应的特征频繁度计算与该电子病历单元关联的特征频繁度重要程度；对每个待定目标病历关联标签特征的每一标签特征单元的标签前置语义区间和其特征频繁度重要程度进行映射关联处理，得到多个映射关联的标签前置语义区间，并对相同映射关联的标签前置语义区间进行区间融合；对相同映射关联的标签前置语义区间的区间融合结果进行合并操作，以生成融合每个待定目标病历关联标签特征的热点病历合并标签特征；根据所述每个待定目标病历关联标签特征的热点病历合并标签特征，作为针对每个电子病历单元的目标病历关联标签特征。
[0011]
在第一方面的一种可能的实现方式中，所述按照预先为该电子病历单元配置的病历关联标签解析矩阵对所述初始病历关联标签特征中的每一单位病历关联标签特征进行标签解析，生成多个具有目标标签前置语义区间且来源不同的待定目标病历关联标签特征的步骤，包括：按照预先为该电子病历单元配置的病历关联标签解析矩阵对所述初始病历关联标签特征中的每一单位病历关联标签特征进行标签解析，获取所述初始病历关联标签特征中的每一单位病历关联标签特征对应的标签解析参数和标签特征单元待定序列；分别对应生成所述标签特征单元待定序列中的各标签特征单元的标签前置要求和原始前置语义要求；分别获取所述标签前置要求和原始前置语义要求的病历信息确认比例和病历信息历史比例，分别计算所述标签前置要求和所述原始前置语义要求的比例范围；根据所述标签前置要求和所述原始前置语义要求的比例范围分别确定所述标签前置要求所对应的目标标签前置语义节点和所述原始前置语义要求的初始标签前置语义节点；依次计算每个目标标签前置语义节点和每个初始标签前置语义节点的语义节点向量，得到目标标签前置语义节点向量和初始标签前置语义节点向量；根据每个目标标签前置语义节点向量和初始标签前置语义节点向量分别生成对应的目标前置语义特征和初始前置语义特征；将所述目标前置语义特征和对应的初始前置语义特征进行对比，若所述目标前置语义特征和对应的初始前置语义特征不同，则根据所述标签解析参数将所述标签前置要求和所述原始前置语义要求进行对比，若所述标签前置要求和所述原始前置语义要求不满足标签解析参数，则计算所述标签前置要求与所述原始前置语义要求的排外语义条件，若所述标签特征单元待定序列中排外语义条件的个数大于设定个数，则将所述标签特征单元待定序列所对应的单位病历关联标签特征作为所述多个具有目标标签前置语义区间且来源不同的待定目标病历关联标签特征。
[0012]
在第一方面的一种可能的实现方式中，所述根据所述每个待定目标病历关联标签特征的热点病历合并标签特征，作为针对每个电子病历单元的目标病历关联标签特征的步骤，包括：获取热点病历合并标签特征的各标签特征位图以及各标签特征位图对应的位图状态关系以及所述热点病历合并标签特征之外的其它热点病历合并标签特征中的各标签特征位图以及各标签特征位图对应的位图状态关系；根据所述热点病历合并标签特征的各标签特征位图以及各标签特征位图对应的位图状态关系生成位图状态关系关于标签特征位图的第一位图转移矩阵，并根据所述其它热点病历合并标签特征的各标签特征位图以及各标签特征位图对应的位图状态关系生成位图状态关系关于标签特征位图的第二位图转移矩阵，其中，所述热点病历合并标签特征的各标签特征位图与所述其它热点病历合并标签特征的各标签特征位图对应；将所述第二位图转移矩阵的各标签特征位图对应的位图状态关系与所述第一位图转移矩阵的各标签特征位图对应的位图状态关系依次进行比较，判断所述第二位图转移矩阵的标签特征位图对应的位图状态关系是否大于所述第一位图转移矩阵的标签特征位图对应的位图状态关系；针对每个标签特征位图，当所述第二位图转移矩阵的位图状态关系大于或者小于对应的第一位图转移矩阵位图状态关系时，将所述第一位图转移矩阵的位图状态关系与所述第二位图转移矩阵的位图状态关系的状态差异确定为该标签特征位图对应的位图转移比较参数，依据各标签特征位图、以及各标签特征位图对应的位图转移比较参数生成对应的所述位图转移比较图；获取所述位图转移比较图的密集转移比较区间以及稀疏转移比较区间，并将所述密集转移比较区间以及所述稀疏转移比较区间与设定区域范围进行比较，其中，所述设定区域范围包括密集点位范围区间以及稀疏点位范围区间；当所述密集点位范围区间覆盖所述密集转移比较区间，且所述稀疏点位范围区间归属于所述稀疏转移比较区间时，根据所述位图转移比较图对所述第二位图转移矩阵进行处理，并将处理得到的第二位图转移矩阵中对应的病历关联标签特征确定为针对该电子病历单元的目标病历关联标签特征；当所述密集点位范围区间未覆盖所述密集转移比较区间，且所述稀疏点位范围区间未归属于所述稀疏转移比较区间时，根据所述位图转移比较图对所述第一位图转移矩阵进行处理，并将处理得到的第一位图转移矩阵中对应的病历关联标签特征确定为针对该电子病历单元的目标病历关联标签特征。
[0013]
在第一方面的一种可能的实现方式中，所述将匹配的所述每个电子病历单元的目标病历关联标签特征分别关联到所述电子病历信息中对应的电子病历单元的病历特征区域中的步骤，包括：确定匹配的所述每个电子病历单元的目标病历关联标签特征所对应的标签分类知识点，分别所述标签分类知识点关联到所述电子病历信息中对应的电子病历单元的病历特征区域中。
[0014]
第二方面，本公开实施例还提供一种基于人工智能的智慧医疗病历管理装置，应用于与多个智慧医疗服务终端通信连接的电子病历云平台，所述装置包括：
获取模块，用于获取所述智慧医疗服务终端上传的电子病历信息，根据所述电子病历信息所关联的每个电子病历上传节点对关联患者用户的电子病历数据库中的各个对应的电子病历单元的电子病历数据进行人工智能分析，得到不同电子病历单元的人工智能分析结果，所述人工智能分析结果包括每个所述电子病历单元的电子病历数据与所述电子病历信息所关联的每个电子病历上传节点相匹配的病历匹配数据；匹配模块，用于将每个电子病历单元的人工智能分析结果与病历关联标签库中的病历关联标签特征进行匹配，得到针对每个电子病历单元的目标病历关联标签特征；关联模块，用于将匹配的所述每个电子病历单元的目标病历关联标签特征分别关联到所述电子病历信息中对应的电子病历单元的病历特征区域中。
[0015]
第三方面，本公开实施例还提供一种基于人工智能的智慧医疗病历管理系统，所述基于人工智能的智慧医疗病历管理系统包括电子病历云平台以及与所述电子病历云平台通信连接的多个智慧医疗服务终端；所述电子病历云平台，用于获取所述智慧医疗服务终端上传的电子病历信息，根据所述电子病历信息所关联的每个电子病历上传节点对关联患者用户的电子病历数据库中的各个对应的电子病历单元的电子病历数据进行人工智能分析，得到不同电子病历单元的人工智能分析结果，所述人工智能分析结果包括每个所述电子病历单元的电子病历数据与所述电子病历信息所关联的每个电子病历上传节点相匹配的病历匹配数据；所述电子病历云平台，用于将每个电子病历单元的人工智能分析结果与病历关联标签库中的病历关联标签特征进行匹配，得到针对每个电子病历单元的目标病历关联标签特征；所述电子病历云平台，用于将匹配的所述每个电子病历单元的目标病历关联标签特征分别关联到所述电子病历信息中对应的电子病历单元的病历特征区域中。
[0016]
第四方面，本公开实施例还提供一种电子病历云平台，所述电子病历云平台包括处理器、机器可读存储介质和网络接口，所述机器可读存储介质、所述网络接口以及所述处理器之间通过总线系统相连，所述网络接口用于与至少一个智慧医疗服务终端通信连接，所述机器可读存储介质用于存储程序、指令或代码，所述处理器用于执行所述机器可读存储介质中的程序、指令或代码，以执行第一方面或者第一方面中任意一个可能的设计中的基于人工智能的智慧医疗病历管理方法。
[0017]
第五方面，本公开实施例提供一种计算机可读存储介质，计算机可读存储介质中存储有指令，当其被执行时，使得计算机执行上述第一方面或者第一方面中任意一个可能的设计中的基于人工智能的智慧医疗病历管理方法。
[0018]
基于上述任意一个方面，本公开能够针对电子病历信息所关联的每个电子病历上传节点进行人工智能的深度分析，可以便于结合广泛的关联患者用户的电子病历数据库中的各个对应的电子病历单元的电子病历数据，确定每个电子病历单元的电子病历数据与电子病历信息所关联的每个电子病历上传节点相匹配的病历匹配数据，从而与病历关联标签库中的病历关联标签特征进行匹配，将匹配的每个电子病历单元的目标病历关联标签特征分别关联到电子病历信息中对应的电子病历单元的病历特征区域中。如此，可以便于进行后续流程效率优化建设，降低医院运营成本，减轻医护人员的工作强度。
附图说明
[0019]
为了更清楚地说明本公开实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本公开的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它相关的附图。
[0020]
图1为本公开实施例提供的基于人工智能的智慧医疗病历管理系统的应用场景示意图；图2为本公开实施例提供的基于人工智能的智慧医疗病历管理方法的流程示意图；图3为本公开实施例提供的基于人工智能的智慧医疗病历管理装置的功能模块示意图；图4为本公开实施例提供的用于实现上述的基于人工智能的智慧医疗病历管理方法的电子病历云平台的结构示意框图。
具体实施方式
[0021]
下面结合说明书附图对本公开进行具体说明，方法实施例中的具体操作方法也可以应用于装置实施例或系统实施例中。
[0022]
图1是本公开一种实施例提供的基于人工智能的智慧医疗病历管理系统10的交互示意图。基于人工智能的智慧医疗病历管理系统10可以包括电子病历云平台100以及与所述电子病历云平台100通信连接的智慧医疗服务终端200。图1所示的基于人工智能的智慧医疗病历管理系统10仅为一种可行的示例，在其它可行的实施例中，该基于人工智能的智慧医疗病历管理系统10也可以仅包括图1所示组成部分的其中一部分或者还可以包括其它的组成部分。
[0023]
本实施例中，智慧医疗服务终端200可以包括移动设备、平板计算机、膝上型计算机等或其任意组合。在一些实施例中，移动设备可以包括智能家居设备、可穿戴设备、智能移动设备、虚拟现实设备、或增强现实设备等，或其任意组合。在一些实施例中，智能家居设备可以包括智能电器设备的控制设备、智能监控设备、智能电视、智能摄像机等，或其任意组合。在一些实施例中，可穿戴设备可包括智能手环、智能鞋带、智能玻璃、智能头盔、智能手表、智能服装、智能背包、智能配件等，或其任何组合。在一些实施例中，智能移动设备可以包括智能手机、个人数字助理、游戏设备等，或其任意组合。在一些实施例中，虚拟现实设备和/或增强现实设备可以包括虚拟现实头盔、虚拟现实玻璃、虚拟现实贴片、增强现实头盔、增强现实玻璃、或增强现实贴片等，或其任意组合。例如，虚拟现实设备和/或增强现实设备可以包括各种虚拟现实产品等。
[0024]
本实施例中，基于人工智能的智慧医疗病历管理系统10中的物联网云电子病历云平台100和智慧医疗服务终端200可以通过配合执行以下方法实施例所描述的基于人工智能的智慧医疗病历管理方法，具体电子病历云平台100和智慧医疗服务终端200的执行步骤部分可以参照以下方法实施例的详细描述。
[0025]
为了解决前述背景技术中的技术问题，图2为本公开实施例提供的基于人工智能的智慧医疗病历管理方法的流程示意图，本实施例提供的基于人工智能的智慧医疗病历管理方法可以由图1中所示的电子病历云平台100执行，下面对该基于人工智能的智慧医疗病
历管理方法进行详细介绍。
[0026]
步骤s110，获取智慧医疗服务终端200上传的电子病历信息，根据电子病历信息所关联的每个电子病历上传节点对关联患者用户的电子病历数据库中的各个对应的电子病历单元的电子病历数据进行人工智能分析，得到不同电子病历单元的人工智能分析结果。
[0027]
步骤s120，将每个电子病历单元的人工智能分析结果与病历关联标签库中的病历关联标签特征进行匹配，得到针对每个电子病历单元的目标病历关联标签特征。
[0028]
步骤s130，将匹配的每个电子病历单元的目标病历关联标签特征分别关联到电子病历信息中对应的电子病历单元的病历特征区域中。
[0029]
本实施例中，人工智能分析结果可以包括每个电子病历单元的电子病历数据与电子病历信息所关联的每个电子病历上传节点相匹配的病历匹配数据。其中，电子病历上传节点可以是指电子病历在上传过程中的就诊节点，例如就诊科室、就诊区域等，在此不作具体限定。电子病历单元可以是指电子病历信息针对不同病历板块（例如过往疾病史、家庭病史等）划分出的不同的单元。
[0030]
基于上述步骤，本实施例能够针对电子病历信息所关联的每个电子病历上传节点进行人工智能的深度分析，可以便于结合广泛的关联患者用户的电子病历数据库中的各个对应的电子病历单元的电子病历数据，确定每个电子病历单元的电子病历数据与电子病历信息所关联的每个电子病历上传节点相匹配的病历匹配数据，从而与病历关联标签库中的病历关联标签特征进行匹配，将匹配的每个电子病历单元的目标病历关联标签特征分别关联到电子病历信息中对应的电子病历单元的病历特征区域中。如此，可以便于进行后续流程效率优化建设，降低医院运营成本，减轻医护人员的工作强度在一种可能的实现方式中，针对步骤s110，接下来将给出以下示例性子步骤，具体描述如下。
[0031]
子步骤s111，针对关联患者用户的电子病历数据库中的每个对应的电子病历单元的电子病历数据，获取该电子病历单元的电子病历数据的第一病历结构化标注。
[0032]
例如，第一病历结构化标注可以用于表征该电子病历单元的电子病历就诊过程的就诊行为标注和就诊过程标注。
[0033]
示例性地，就诊行为标注可以是指本次就诊行为的原因，就诊过程标注可以是指本次就诊的过程信息。
[0034]
子步骤s112，根据电子病历信息所关联的每个电子病历上传节点分别对第一病历结构化标注进行人工智能识别，获得第一就诊行为标注分类向量序列和与第一就诊行为标注分类向量序列对应的就诊过程标注分类向量序列。
[0035]
子步骤s113，获取该电子病历单元的电子病历数据的第一诊断项目向量序列和诊断项目关联信息，提取第一诊断项目向量序列的内容向量单元，第一诊断项目向量序列的内容向量单元包括设定格式向量单元。
[0036]
子步骤s114，获取关联患者用户关联的历史电子病历数据的设定格式向量单元，并根据该设定格式向量单元调整第一诊断项目向量序列的设定格式向量单元，使第一诊断项目向量序列中各个设定格式向量单元之间的匹配关系与预设历史电子病历数据中各个设定格式向量单元之间的匹配关系匹配。
[0037]
子步骤s115，在调整结束后，获得第二诊断项目向量序列的内容向量单元，并根据
第二诊断项目向量序列的内容向量单元生成第二诊断项目向量序列。
[0038]
子步骤s116，根据诊断项目关联信息和第二诊断项目向量序列的内容向量单元，查找得到与诊断项目关联信息相匹配的就诊过程标注分类向量序列以及与就诊过程标注分类向量序列对应的第一就诊行为标注分类向量序列，根据第二诊断项目向量序列的内容向量单元对与就诊过程标注分类向量序列对应的第一就诊行为标注分类向量序列进行调整，获得第二就诊行为标注分类向量序列。
[0039]
子步骤s117，将第二就诊行为标注分类向量序列与第二诊断项目向量序列进行合并处理，得到该电子病历单元的电子病历数据与电子病历信息所关联的每个电子病历上传节点相匹配的合并向量序列。
[0040]
子步骤s118，对该电子病历单元的合并向量序列进行人工智能分析，得到该电子病历单元的人工智能分析结果。
[0041]
在子步骤s118中，作为一种可替代的示例，可以通过以下进一步地子步骤具体实施，具体描述如下。
[0042]
子步骤s1181，从该电子病历单元的合并向量序列中提取对应的检查项目索引向量和检查项目关联疾病范围向量。
[0043]
子步骤s1182，分别对检查项目索引向量和检查项目关联疾病范围向量进行回归分析得到各自对应的第一回归分析向量信息和第二回归分析向量信息。
[0044]
子步骤s1183，在第一回归分析向量信息中，确定与第一与之对应的上一次回归分析向量信息对应的第一待定回归分析向量信息。其中，第一与之对应的上一次回归分析向量信息为前一个检查项目索引向量对应的与之对应的上一次回归分析向量信息。
[0045]
子步骤s1184，在第二回归分析向量信息中，确定与第二与之对应的上一次回归分析向量信息对应的第二待定回归分析向量信息。其中，第二与之对应的上一次回归分析向量信息为前一个检查项目关联疾病范围向量对应的与之对应的上一次回归分析向量信息。
[0046]
子步骤s1185，根据第一待定回归分析向量信息和第二待定回归分析向量信息进行人工智能分析，得到该电子病历单元的人工智能分析结果。
[0047]
示例性地，在子步骤s1185中，作为一种可替代的示例，可以通过以下实施方式具体实施，具体描述如下。
[0048]
（1）根据第一待定回归分析向量信息和第二待定回归分析向量信息获得确定回归分析目标区域以及每一回归分析目标区域包括的回归分析向量信息。
[0049]
（2）识别每一回归分析目标区域中回归分析向量信息所对应的人工智能分析信息，并将每一回归分析目标区域中回归分析向量信息所对应的人工智能分析信息按照各自对应的预设病历匹配权重进行聚类处理，得到该电子病历单元的人工智能分析结果。
[0050]
例如，在子步骤s1185的（1）部分中，本实施例可以计算第一待定回归分析向量信息中各个回归分析向量信息，分别与第一与之对应的上一次回归分析向量信息之间的汉明距离，如果第一待定回归分析向量信息中第一回归分析向量信息与第一与之对应的上一次回归分析向量信息的汉明距离最小，且在设定汉明距离区间内，则选择第一回归分析向量信息为第一选定回归分析向量信息，并计算第二待定回归分析向量信息中各个回归分析向量信息，分别与第二与之对应的上一次回归分析向量信息之间的汉明距离，如果第二待定回归分析向量信息中第二回归分析向量信息与第二与之对应的上一次回归分析向量信息
的汉明距离最小，且在设定汉明距离区间内，则选择第二回归分析向量信息为第二选定回归分析向量信息。
[0051]
在此基础上，可以根据第一选定回归分析向量信息与对应的第一与之对应的上一次回归分析向量信息，及第二选定回归分析向量信息及对应的第二与之对应的上一次回归分析向量信息，确定第一选定回归分析向量信息和第二选定回归分析向量信息分别对应的第一病历匹配单元向量。
[0052]
其中，第一病历匹配单元向量可以包括病历匹配类型信息和基于电子病历单元病历匹配的病历匹配内容向量单元，与之对应的上一次回归分析向量信息是当前个的前一个检查项目索引向量和前一个检查项目关联疾病范围向量对应的回归分析向量信息。
[0053]
接着，可以在第二回归分析向量信息中，确定与第一回归分析向量信息对应的第三待定回归分析向量信息，并从第三待定回归分析向量信息中选取第一回归分析向量信息对应的第三选定回归分析向量信息，根据第三选定回归分析向量信息与对应的第一回归分析向量信息，确定第三选定回归分析向量信息和第一回归分析向量信息分别对应的内容向量单元。
[0054]
其中，值得示例性说明的是，内容向量单元为每一回归分析向量信息与合并向量序列相对的内容向量单元，第一回归分析向量信息为检查项目索引向量对应的回归分析向量信息，第二回归分析向量信息为检查项目关联疾病范围向量对应的回归分析向量信息。
[0055]
由此，可以根据多个回归分析向量信息分别对应的第一病历匹配单元向量和内容向量单元，确定回归分析向量信息分别对应的第二病历匹配单元向量，第二病历匹配单元向量中包括病历匹配类型信息与病历匹配内容向量单元，如果任意两个回归分析向量信息之间病历匹配类型信息的标识值差距层次度在设定汉明距离区间内，及病历匹配内容向量单元之间的向量差异参数在设定汉明距离区间内，且任意两个回归分析向量信息的内容向量单元之间的状态差异在设定汉明距离区间内，将任意两个回归分析向量信息合并为同一回归分析目标区域，得到每一回归分析目标区域包括的回归分析向量信息。
[0056]
在一种可能的实现方式中，针对步骤s120，接下来将给出以下示例性子步骤，具体描述如下。
[0057]
子步骤s121，将每个电子病历单元的人工智能分析结果与病历关联标签库中的病历关联标签特征中的自然语言数据节点进行匹配，获得病历关联标签库中与电子病历单元的人工智能分析结果之间的数据元素匹配度大于设定数据元素匹配度的初始病历关联标签特征。
[0058]
子步骤s122，按照预先为该电子病历单元配置的病历关联标签解析矩阵对初始病历关联标签特征中的每一单位病历关联标签特征进行标签解析，生成多个具有目标标签前置语义区间且来源不同的待定目标病历关联标签特征。
[0059]
子步骤s123，获取每个待定目标病历关联标签特征的特征频繁度，并根据每个待定目标病历关联标签特征对应的特征频繁度计算与该电子病历单元关联的特征频繁度重要程度。
[0060]
子步骤s124，对每个待定目标病历关联标签特征的每一标签特征单元的标签前置语义区间和其特征频繁度重要程度进行映射关联处理，得到多个映射关联的标签前置语义区间，并对相同映射关联的标签前置语义区间进行区间融合。
[0061]
子步骤s125，对相同映射关联的标签前置语义区间的区间融合结果进行合并操作，以生成融合每个待定目标病历关联标签特征的热点病历合并标签特征。
[0062]
子步骤s126，根据每个待定目标病历关联标签特征的热点病历合并标签特征，作为针对每个电子病历单元的目标病历关联标签特征。
[0063]
在子步骤s122中，作为一种可替代的示例，可以通过以下进一步地子步骤具体实施，具体描述如下。
[0064]
(1)按照预先为该电子病历单元配置的病历关联标签解析矩阵对初始病历关联标签特征中的每一单位病历关联标签特征进行标签解析，获取初始病历关联标签特征中的每一单位病历关联标签特征对应的标签解析参数和标签特征单元待定序列。
[0065]
(2)分别对应生成标签特征单元待定序列中的各标签特征单元的标签前置要求和原始前置语义要求。
[0066]
(3)分别获取标签前置要求和原始前置语义要求的病历信息确认比例和病历信息历史比例，分别计算标签前置要求和原始前置语义要求的比例范围。
[0067]
(4)根据标签前置要求和原始前置语义要求的比例范围分别确定标签前置要求所对应的目标标签前置语义节点和原始前置语义要求的初始标签前置语义节点。
[0068]
(5)依次计算每个目标标签前置语义节点和每个初始标签前置语义节点的语义节点向量，得到目标标签前置语义节点向量和初始标签前置语义节点向量。
[0069]
(6)根据每个目标标签前置语义节点向量和初始标签前置语义节点向量分别生成对应的目标前置语义特征和初始前置语义特征。
[0070]
(7)将目标前置语义特征和对应的初始前置语义特征进行对比，若目标前置语义特征和对应的初始前置语义特征不同，则根据标签解析参数将标签前置要求和原始前置语义要求进行对比。
[0071]
例如，若标签前置要求和原始前置语义要求不满足标签解析参数，则计算标签前置要求与原始前置语义要求的排外语义条件。
[0072]
再例如，若标签特征单元待定序列中排外语义条件的个数大于设定个数，则可以将标签特征单元待定序列所对应的单位病历关联标签特征作为多个具有目标标签前置语义区间且来源不同的待定目标病历关联标签特征。
[0073]
在子步骤s126中，作为一种可替代的示例，可以通过以下进一步地子步骤具体实施，具体描述如下。
[0074]
（1）获取热点病历合并标签特征的各标签特征位图以及各标签特征位图对应的位图状态关系以及热点病历合并标签特征之外的其它热点病历合并标签特征中的各标签特征位图以及各标签特征位图对应的位图状态关系。
[0075]
（2）根据热点病历合并标签特征的各标签特征位图以及各标签特征位图对应的位图状态关系生成位图状态关系关于标签特征位图的第一位图转移矩阵，并根据其它热点病历合并标签特征的各标签特征位图以及各标签特征位图对应的位图状态关系生成位图状态关系关于标签特征位图的第二位图转移矩阵，其中，热点病历合并标签特征的各标签特征位图与其它热点病历合并标签特征的各标签特征位图对应。
[0076]
（3）将第二位图转移矩阵的各标签特征位图对应的位图状态关系与第一位图转移矩阵的各标签特征位图对应的位图状态关系依次进行比较，判断第二位图转移矩阵的标签
特征位图对应的位图状态关系是否大于第一位图转移矩阵的标签特征位图对应的位图状态关系。
[0077]
（4）针对每个标签特征位图，当第二位图转移矩阵的位图状态关系大于或者小于对应的第一位图转移矩阵位图状态关系时，将第一位图转移矩阵的位图状态关系与第二位图转移矩阵的位图状态关系的状态差异确定为该标签特征位图对应的位图转移比较参数，依据各标签特征位图、以及各标签特征位图对应的位图转移比较参数生成对应的位图转移比较图。
[0078]
（5）获取位图转移比较图的密集转移比较区间以及稀疏转移比较区间，并将密集转移比较区间以及稀疏转移比较区间与设定区域范围进行比较，其中，设定区域范围包括密集点位范围区间以及稀疏点位范围区间。
[0079]
（6）当密集点位范围区间覆盖密集转移比较区间，且稀疏点位范围区间归属于稀疏转移比较区间时，根据位图转移比较图对第二位图转移矩阵进行处理，并将处理得到的第二位图转移矩阵中对应的病历关联标签特征确定为针对该电子病历单元的目标病历关联标签特征。
[0080]
（7）当密集点位范围区间未覆盖密集转移比较区间，且稀疏点位范围区间未归属于稀疏转移比较区间时，根据位图转移比较图对第一位图转移矩阵进行处理，并将处理得到的第一位图转移矩阵中对应的病历关联标签特征确定为针对该电子病历单元的目标病历关联标签特征。
[0081]
在一种可能的实现方式中，在步骤s130中，本实施例具体可以确定匹配的每个电子病历单元的目标病历关联标签特征所对应的标签分类知识点，分别标签分类知识点关联到电子病历信息中对应的电子病历单元的病历特征区域中。
[0082]
图3为本公开实施例提供的基于人工智能的智慧医疗病历管理装置300的功能模块示意图，本实施例可以根据上述电子病历云平台100执行的方法实施例对该基于人工智能的智慧医疗病历管理装置300进行功能模块的划分，也即该基于人工智能的智慧医疗病历管理装置300所对应的以下各个功能模块可以用于执行上述电子病历云平台100执行的各个方法实施例。其中，该基于人工智能的智慧医疗病历管理装置300可以包括获取模块310、匹配模块320以及关联模块330，下面分别对该基于人工智能的智慧医疗病历管理装置300的各个功能模块的功能进行详细阐述。
[0083]
获取模块310，用于获取智慧医疗服务终端200上传的电子病历信息，根据电子病历信息所关联的每个电子病历上传节点对关联患者用户的电子病历数据库中的各个对应的电子病历单元的电子病历数据进行人工智能分析，得到不同电子病历单元的人工智能分析结果，人工智能分析结果包括每个电子病历单元的电子病历数据与电子病历信息所关联的每个电子病历上传节点相匹配的病历匹配数据。其中，获取模块310可以用于执行上述的步骤s110，关于获取模块310的详细实现方式可以参照上述针对步骤s110的详细描述即可。
[0084]
匹配模块320，用于将每个电子病历单元的人工智能分析结果与病历关联标签库中的病历关联标签特征进行匹配，得到针对每个电子病历单元的目标病历关联标签特征。其中，匹配模块320可以用于执行上述的步骤s120，关于匹配模块320的详细实现方式可以参照上述针对步骤s120的详细描述即可。
[0085]
关联模块330，用于将匹配的每个电子病历单元的目标病历关联标签特征分别关
联到电子病历信息中对应的电子病历单元的病历特征区域中。其中，关联模块330可以用于执行上述的步骤s130，关于关联模块330的详细实现方式可以参照上述针对步骤s130的详细描述即可。
[0086]
需要说明的是，应理解以上装置的各个模块的划分仅仅是一种逻辑功能的划分，实际实现时可以全部或部分集成到一个物理实体上，也可以物理上分开。且这些模块可以全部以软件通过处理元件调用的形式实现；也可以全部以硬件的形式实现；还可以部分模块通过处理元件调用软件的形式实现，部分模块通过硬件的形式实现。例如，获取模块310可以为单独设立的处理元件，也可以集成在上述装置的某一个芯片中实现，此外，也可以以程序代码的形式存储于上述装置的存储器中，由上述装置的某一个处理元件调用并执行以上获取模块310的功能。其它模块的实现与之类似。此外这些模块全部或部分可以集成在一起，也可以独立实现。这里所描述的处理元件可以是一种集成电路，具有信号的处理能力。在实现过程中，上述方法的各步骤或以上各个模块可以通过处理器元件中的硬件的集成逻辑电路或者软件形式的指令完成。
[0087]
例如，以上这些模块可以是被配置成实施以上方法的一个或多个集成电路，例如：一个或多个特定集成电路(application specific integrated circuit，asic)，或，一个或多个微处理器(digital signal processor，dsp)，或，一个或者多个现场可编程门阵列(field programmable gate array，fpga)等。再如，当以上某个模块通过处理元件调度程序代码的形式实现时，该处理元件可以是通用处理器，例如中央处理器(centralprocessing unit，cpu)或其它可以调用程序代码的处理器。再如，这些模块可以集成在一起，以片上系统(system-on-a-chip，soc)的形式实现。
[0088]
图4示出了本公开实施例提供的用于实现上述的控制设备的电子病历云平台100的硬件结构示意图，如图4所示，电子病历云平台100可包括处理器110、机器可读存储介质120、总线130以及收发器140。
[0089]
在具体实现过程中，至少一个处理器110执行所述机器可读存储介质120存储的计算机执行指令（例如图3中所示的基于人工智能的智慧医疗病历管理装置300包括的获取模块310、匹配模块320以及关联模块330），使得处理器110可以执行如上方法实施例的基于人工智能的智慧医疗病历管理方法，其中，处理器110、机器可读存储介质120以及收发器140通过总线130连接，处理器110可以用于控制收发器140的收发动作，从而可以与前述的智慧医疗服务终端200进行数据收发。
[0090]
处理器110的具体实现过程可参见上述电子病历云平台100执行的各个方法实施例，其实现原理和技术效果类似，本实施例此处不再赘述。
[0091]
在上述的图4所示的实施例中，应理解，处理器可以是中央处理单元(英文：central processing unit，cpu)，还可以是其他通用处理器、数字信号处理器(英文：digital signal processor，dsp)、专用集成电路(英文：application specificintegrated circuit，asic)等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合发明所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。
[0092]
机器可读存储介质120可能包含高速ram存储器，也可能还包括非易失性存储nvm，例如至少一个磁盘存储器。
[0093]
总线130可以是工业标准体系结构(industry standard architecture，isa)总线、外部设备互连(peripheral component interconnect，pci)总线或扩展工业标准体系结构(extended industry standard architecture，eisa)总线等。总线130可以分为地址总线、数据总线、控制总线等。为便于表示，本申请附图中的总线并不限定仅有一根总线或一种类型的总线。
[0094]
此外，本公开实施例还提供一种可读存储介质，所述可读存储介质中存储有计算机执行指令，当处理器执行所述计算机执行指令时，实现如上基于人工智能的智慧医疗病历管理方法。
[0095]
上述的可读存储介质可以是由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(sram)，电可擦除可编程只读存储器(eeprom)，可擦除可编程只读存储器(eprom)，可编程只读存储器(prom)，只读存储器(rom)，磁存储器，快闪存储器，磁盘或光盘。可读存储介质可以是通用或专用计算机能够存取的任何可用介质。
[0096]
出于说明目的，前面的描述是参考具体实施例而进行的。但是，上述说明性论述并不打算穷举或将本公开局限于所公开的精确形式。根据上述教导，众多修改和变化都是可行的。选择并描述这些实施例是为了最佳地说明本公开的原理及其实际应用，从而使本领域技术人员最佳地利用本公开，并利用具有不同修改的各种实施例以适于预期的特定应用。出于说明目的，前面的描述是参考具体实施例而进行的。但是，上述说明性论述并不打算穷举或将本公开局限于所公开的精确形式。根据上述教导，众多修改和变化都是可行的。选择并描述这些实施例是为了最佳地说明本公开的原理及其实际应用，从而使本领域技术人员最佳地利用本公开，并利用具有不同修改的各种实施例以适于预期的特定应用。