本發(fā)明涉及計算機領域，尤其涉及一種基于結構化異常標簽識別的隨訪建議生成方法和系統(tǒng)。

背景技術：

1、隨著醫(yī)療信息化的發(fā)展，電子健康記錄(ehr)逐漸成為醫(yī)療數(shù)據(jù)管理中的重要組成部分，ehr記錄了患者在醫(yī)院的全周期數(shù)據(jù)，包括門診、入院、診斷、檢查、檢驗、治療和出院等關鍵醫(yī)療信息，這些數(shù)據(jù)構成了患者醫(yī)療歷程的全貌，為醫(yī)療決策、疾病監(jiān)控、健康管理和科研分析提供了寶貴的資源。

2、患者在出院后，需要根據(jù)出院小結中的隨訪建議，定期進行隨訪檢查，以監(jiān)控病情的恢復情況和治療結果。隨訪是患者疾病管理過程中不可或缺的一環(huán)，如何利用ehr中海量的醫(yī)療數(shù)據(jù)提取有用信息，制定出符合患者個體情況的出院隨訪建議，是醫(yī)療健康管理領域中面臨的一大挑戰(zhàn)。

3、傳統(tǒng)的隨訪建議生成系統(tǒng)通常基于固定的填寫模板，多依賴于人工操作，存在效率低，個性化程度不足，容易遺漏重要信息等問題，難以適應患者病情的多樣性，無法滿足精準醫(yī)療和個性化醫(yī)療的需求。

4、近年來，隨著人工智能技術的不斷發(fā)展和成熟，醫(yī)療領域逐步利用自然語言處理(nlp)技術提取ehr中的臨床信息，為醫(yī)生提供決策支持。例如，通過調用大語言模型如chatgpt，輸入患者的ehr數(shù)據(jù)，可以獲得相關的隨訪建議，然而，這些基于生成式ai的回答并不總是完美無缺的，它們存在著信息不全、產(chǎn)生幻覺等問題，這限制了它們在臨床實踐中的應用。此外，現(xiàn)有的ai系統(tǒng)在生成隨訪建議時，往往缺乏對患者個體差異的識別和考慮，導致生成的建議可能無法充分適應患者的具體病情。同時，這些系統(tǒng)通常沒有構建專門的隨訪知識庫，限制了隨訪建議的準確性。

技術實現(xiàn)思路

1、本發(fā)明的目的在于提供一種基于結構化異常標簽識別的隨訪建議生成方法和系統(tǒng)，以解決上述背景技術中提出的問題。

2、為實現(xiàn)上述發(fā)明目的，本發(fā)明的一個方面提供一種基于結構化異常標簽識別的隨訪建議生成方法，包括以下步驟：

3、步驟s1，對ehr數(shù)據(jù)中的檢驗、檢查、既往史報告進行處理，構建結構化異常標簽庫；

4、步驟s2，利用llm以及專業(yè)的醫(yī)學標注，針對異常標簽庫中的每一個原子異常，構建隨訪科室建議庫；

5、步驟s3，生成隨訪建議。

6、進一步的，步驟s1包括以下步驟:

7、步驟s101，提取基于llm的初始異常標簽；

8、步驟s102，對初始異常標簽進行清洗；

9、步驟s103，建立結構化異常標簽庫。

10、進一步的，所述建立結構化異常標簽庫包括：對異常標簽列表結構化，檢查異常標簽庫提取出原子異常、器官，檢驗異常標簽庫提取出檢驗名稱、檢驗項目，和病史異常標簽庫提取出疾病名稱。

11、進一步的，步驟s2包括以下步驟：

12、步驟s201，設計提示詞，利用llm對每一個異常標簽生成隨訪科室；

13、步驟s202，通過專業(yè)的醫(yī)學標注進行糾錯。

14、進一步的，步驟s3包括以下步驟，

15、步驟s301，識別檢查報告異常；

16、步驟s302，識別檢驗報告異常；

17、步驟s303，識別既往史異常；

18、步驟s304，針對步驟s301,s302,s303中提取到的異常，根據(jù)隨訪科室建議庫得到異常標簽對應的隨訪科室，并匯總輸出完整的隨訪建議。

19、本發(fā)明的另一個方面提供一種基于結構化異常標簽識別的隨訪建議生成系統(tǒng)，包括結構化異常標簽模塊，隨訪科室建議模塊，和隨訪建議生成模塊，其中：

20、結構化異常標簽模塊是通過對ehr數(shù)據(jù)中的檢驗、檢查、既往史報告進行處理，構建結構化異常標簽庫；

21、隨訪科室建議模塊利用llm以及專業(yè)的醫(yī)學標注，針對異常標簽庫中的每一個原子異常，構建隨訪科室建議庫；

22、隨訪建議生成模塊用于生成隨訪建議。

23、進一步的，所述結構化異常標簽模塊包括以下組件:

24、提取組件，用于提取基于llm的初始異常標簽；

25、清洗組件，用于對初始異常標簽進行清洗；

26、建庫組件，用于建立結構化異常標簽庫。

27、進一步的，所述建立結構化異常標簽庫包括：對異常標簽列表結構化，檢查異常標簽庫提取出原子異常、器官，檢驗異常標簽庫提取出檢驗名稱、檢驗項目，和病史異常標簽庫提取出疾病名稱。

28、進一步的，隨訪科室建議模塊包括以下組件：

29、llm組件，用于設計提示詞，利用llm對每一個異常標簽生成隨訪科室；

30、糾錯組件，用于通過專業(yè)的醫(yī)學標注進行糾錯。

31、進一步的，隨訪建議生成模塊包括以下組件，

32、檢查報告組件，用于識別檢查報告異常；

33、檢驗報告組件，用于識別檢驗報告異常；

34、既往史組件，用于識別既往史異常；

35、隨訪建議組件，用于針對檢查報告組件,檢驗報告組件，既往史組件中提取到的異常，根據(jù)隨訪科室建議庫得到異常標簽對應的隨訪科室，并匯總輸出完整的隨訪建議。

36、由于采用本系統(tǒng)和方法，與現(xiàn)有技術相比，具有以下優(yōu)點：

37、1.通過利用先進的數(shù)據(jù)挖掘和機器學習技術，自動識別患者ehr中的檢查、檢驗、既往病史中的異常標簽，結合專業(yè)的隨訪建議庫，生成更為精準的隨訪建議。這種方法不僅提高了隨訪建議生成的效率，而且通過個性化的數(shù)據(jù)分析，提升了隨訪建議的準確性和臨床適用性。

38、2.通過構建一個綜合的隨訪建議庫，該庫包含了針對不同異常標簽的詳細隨訪建議和臨床指南，旨在彌補生成式ai技術的不足。此外，本專利的方法還包括對生成的隨訪建議進行驗證和優(yōu)化的步驟，確保所生成的隨訪建議既科學又實用。

39、3.通過分析患者的ehr數(shù)據(jù)，識別出與患者病情相關的異常標簽，從而生成更加個性化的隨訪計劃。這種方法不僅能夠提高隨訪的針對性，還能夠根據(jù)患者的實時狀況調整隨訪計劃，使之更加適應患者的實際需要。

40、4.通過自動化的異常標簽識別和隨訪建議生成，減少了醫(yī)生的工作負擔，提高了工作效率。

41、5.異常標簽庫和隨訪庫的構建為未來的隨訪建議生成提供了可擴展性和靈活性。

技術特征：

1.一種基于結構化異常標簽識別的隨訪建議生成方法，其特征在于，包括以下步驟：

2.根據(jù)權利要求1所述的一種基于結構化異常標簽識別的隨訪建議生成方法，其特征在于，步驟s1包括以下步驟:

3.根據(jù)權利要求2所述的一種基于結構化異常標簽識別的隨訪建議生成方法，其特征在于，所述建立結構化異常標簽庫包括：對異常標簽列表結構化，檢查異常標簽庫提取出原子異常、器官，檢驗異常標簽庫提取出檢驗名稱、檢驗項目，和病史異常標簽庫提取出疾病名稱。

4.根據(jù)權利要求1所述的一種基于結構化異常標簽識別的隨訪建議生成方法，其特征在于，步驟s2包括以下步驟：

5.根據(jù)權利要求1所述的一種基于結構化異常標簽識別的隨訪建議生成方法，其特征在于，步驟s3包括以下步驟，

6.一種基于結構化異常標簽識別的隨訪建議生成系統(tǒng)，其特征在于，包括結構化異常標簽模塊，隨訪科室建議模塊，和隨訪建議生成模塊，其中：

7.根據(jù)權利要求6所述的一種基于結構化異常標簽識別的隨訪建議生成系統(tǒng)，其特征在于，所述結構化異常標簽模塊包括以下組件:

8.根據(jù)權利要求7所述的一種基于結構化異常標簽識別的隨訪建議生成系統(tǒng)，其特征在于，所述建立結構化異常標簽庫包括：對異常標簽列表結構化，檢查異常標簽庫提取出原子異常、器官，檢驗異常標簽庫提取出檢驗名稱、檢驗項目，和病史異常標簽庫提取出疾病名稱。

9.根據(jù)權利要求6所述的一種基于結構化異常標簽識別的隨訪建議生成系統(tǒng)，其特征在于，隨訪科室建議模塊包括以下組件：

10.根據(jù)權利要求6所述的一種基于結構化異常標簽識別的隨訪建議生成系統(tǒng)，其特征在于，隨訪建議生成模塊包括以下組件，

技術總結
本發(fā)明公開了一種基于結構化異常標簽識別的隨訪建議生成方法和系統(tǒng)，包括以下步驟：步驟S1，對EHR數(shù)據(jù)中的檢驗、檢查、既往史報告進行處理，構建結構化異常標簽庫；步驟S2，利用LLM以及專業(yè)的醫(yī)學標注，針對異常標簽庫中的每一個原子異常，構建隨訪科室建議庫；步驟S3，生成隨訪建議。采用本方法提高了隨訪建議的個性化程度，有助于提升患者的治療體驗和健康管理效果，減少了醫(yī)生的工作負擔，提高了工作效率，同時異常標簽庫和隨訪庫的構建為未來的隨訪建議生成提供了可擴展性和靈活性。

技術研發(fā)人員：寧光,畢宇芳,徐宇辰,黃飛躍,李紹欣,吳佳祥
受保護的技術使用者：上海交通大學醫(yī)學院附屬瑞金醫(yī)院
技術研發(fā)日：
技術公布日：2024/12/19