一种消化内科病历生成方法、装置、设备及存储介质与流程

本发明涉及人工智能领域，特别涉及一种消化内科病历生成方法、装置、设备及存储介质。

背景技术：

1、随着信息技术的飞速发展，医疗行业正经历着从传统纸质记录向电子健康记录(her，electronic health record)系统的重大转型。这一转变极大地提升了数据的可访问性、存储效率和分析潜力，为临床决策支持、流行病学研究乃至医疗服务质量的全面升级奠定了坚实基础。电子病历系统不仅简化了病历的存储与检索流程，还促进了跨机构的信息共享，加强了医患之间的沟通。

2、在这一数字化进程中，自然语言处理(nlp，natural language processing)技术逐渐崭露头角，成为处理海量医疗文本数据的关键工具。nlp技术能够自动分析、理解并生成人类语言，使得机器能够从病历、研究报告、临床指南中提取关键信息，辅助医生进行诊断、制定治疗计划及撰写病历报告。近年来，深度学习驱动的大型语言模型，如bert（bidirectional encoder representations from transformers，基于transformer的深度双向模型）、gpt（generative pre-trained transformer，基于深度学习的自然语言处理模型）系列，凭借其强大的语境理解和生成能力，在医疗文本理解与生成任务中展现出巨大潜力。

3、消化内科作为医学中的一个重要分支，其病历书写具有高度的专业特性和格式规范要求。传统的病历撰写耗时耗力，且易受人为因素影响。现有大模型虽具备一定的文本生成能力，但在消化内科专业领域内的病历书写上存在理解偏差和格式不规范等问题。因此，迫切需要一种针对消化内科场景定制的微调方法，确保模型能够准确生成符合该领域标准的病历内容。

技术实现思路

1、有鉴于此，本发明的目的在于提供一种消化内科病历生成方法、装置、设备及存储介质，能够解决当前消化内科病历书写领域中存在的效率低、准确性不足及规范化欠缺。其具体方案如下：

2、第一方面，本技术公开了一种消化内科病历生成方法，包括：

3、从各数据源获取相应的消化内科病历数据，通过去标识化算法对所述消化内科病历数据进行脱敏处理，获取脱敏后病历数据，并对所述脱敏后病历数据进行格式处理，获取处理后病历数据；

4、利用医学语料库对预训练大模型进行训练调整，确定初始调整大模型，基于所述处理后病历数据对所述初始调整大模型再次进行训练调整，以得到调整后大模型；

5、通过所述处理后病历数据对应的验证集数据以及临床专家对基于所述调整后大模型生成的病历的评价完成对所述调整后大模型的训练参数调整，以得到目标大模型；

6、将目标患者的信息数据输入所述目标大模型，以生成初始病历，并基于所述临床专家对所述初始病历进行检查编辑，以得到所述目标患者对应的最终病历。

7、可选的，所述从各数据源获取相应的消化内科病历数据，包括：

8、与各所述数据源建立接口，通过所述接口自动化实时或批量获取相应的消化内科病历数据；所述数据源包括医院信息系统、实验室检验系统以及影像归档系统；所述消化内科病历数据包括在患者诊疗记录、医生笔记以及护理记录中提取的基本人口统计信息、患者主诉、现病史、既往史、家族史、体格检查结果、实验室检测值以及影像学报告中任意一种或几种的组合。

9、可选的，所述对所述脱敏后病历数据进行格式处理，获取处理后病历数据，包括：

10、对所述脱敏后病历数据进行数据清洗，获取清洗后病历数据；

11、通过智能匹配算法识别并合并不同来源的各所述清洗后病历数据，以得到合并后病历数据；

12、利用医学词典将所述合并后病历数据进行医学术语标准化处理，以得到标准化后病历数据；

13、对所述标准化后病历数据进行结构化处理，获取所述处理后病历数据。

14、可选的，所述方法，还包括：

15、对所述处理后病历数据中的目标医学信息进行手工或半自动标注，以便所述调整后大模型基于相应的标注信息进行学习训练；所述目标医学信息包括症状、检查项目以及药物名称中任意一种或几种的组合。

16、可选的，所述训练参数包括学习率、优化器类型、批次大小以及政策化策略其中的一种或集中的组合。

17、可选的，所述将目标患者的信息数据输入所述目标大模型，以生成初始病历，包括：

18、对所述目标患者的原始数据进行清洗和标准化处理，以得到所述信息数据；所述原始数据包括基本人口统计信息、患者主诉、现病史、既往史、家族史、体格检查结果、实验室检测值以及影像学报告中任意一种或几种的组合；

19、将所述信息数据输入所述目标大模型，以生成初始病历；所述初始病历为由现病史、体格检查信息、辅助检查信息以及初步诊断构成的病历。

20、可选的，所述方法，还包括：

21、通过加密协议对消化内科病历生成过程中各病历数据的传输进行加密，利用加密算法对各所述病历数据进行数据库存储，并对各所述病历数据的访问进行基于角色的访问控制管理，以实现对各所述病历数据的安全性保护。

22、第二方面，本技术公开了一种消化内科病历生成装置，包括：

23、病历数据处理模块，用于从各数据源获取相应的消化内科病历数据，通过去标识化算法对所述消化内科病历数据进行脱敏处理，获取脱敏后病历数据，并对所述脱敏后病历数据进行格式处理，获取处理后病历数据；

24、大模型调整模块，用于利用医学语料库对预训练大模型进行训练调整，确定初始调整大模型，基于所述处理后病历数据对所述初始调整大模型再次进行训练调整，以得到调整后大模型；

25、参数调整模块，用于通过所述处理后病历数据对应的验证集数据以及临床专家对基于所述调整后大模型生成的病历的评价完成对所述调整后大模型的训练参数调整，以得到目标大模型；

26、病历生成模块，用于将目标患者的信息数据输入所述目标大模型，以生成初始病历，并基于所述临床专家对所述初始病历进行检查编辑，以得到所述目标患者对应的最终病历。

27、第三方面，本技术公开了一种电子设备，包括：

28、存储器，用于保存计算机程序；

29、处理器，用于执行所述计算机程序以实现如前述的消化内科病历生成方法。

30、第四方面，本技术公开了一种计算机可读存储介质，用于保存计算机程序，所述计算机程序被处理器执行时实现如前述的消化内科病历生成方法。

31、本技术在生成消化内科病历时，首先从各数据源获取相应的消化内科病历数据，通过去标识化算法对所述消化内科病历数据进行脱敏处理，获取脱敏后病历数据，并对所述脱敏后病历数据进行格式处理，获取处理后病历数据；然后利用医学语料库对预训练大模型进行训练调整，确定初始调整大模型，基于所述处理后病历数据对所述初始调整大模型再次进行训练调整，以得到调整后大模型；再通过所述处理后病历数据对应的验证集数据以及临床专家对基于所述调整后大模型生成的病历的评价完成对所述调整后大模型的训练参数调整，以得到目标大模型；最后将目标患者的信息数据输入所述目标大模型，以生成初始病历，并基于所述临床专家对所述初始病历进行检查编辑，以得到所述目标患者对应的最终病历。可见，本技术首先基于大量消化内科入院病历构建专门的训练数据集，数据经过脱敏处理以保护患者隐私。通过精心构建的消化内科病历数据集，使模型能够吸收并内化消化内科的专业知识，确保生成的病历内容不仅语言流畅，而且在医学判断和治疗建议上与临床实践高度契合，提升病历的专业可信度。针对消化内科专业特点，结合医学语料库以及临床专家的诊断优化大型语言模型对医学术语、诊断逻辑及治疗方案的理解能力，从而自动生成准确、规范且高度个性化的病历文档，减轻医护人员的手工书写负担，提高工作效率，同时减少因人为因素导致的错误。