本發(fā)明涉及醫(yī)療數(shù)據(jù)歸檔，具體涉及一種數(shù)據(jù)智能集成化管理系統(tǒng)。

背景技術(shù)：

1、醫(yī)療數(shù)據(jù)中指的是以自然語言形式記錄的、描述患者健康狀況、診療過程以及治療結(jié)果的信息，這些文本數(shù)據(jù)廣泛存在于各種醫(yī)療文檔中，例如病歷記錄、診斷報(bào)告、手術(shù)記錄、醫(yī)生和護(hù)士的筆記、檢查報(bào)告和藥物處方等。

2、傳統(tǒng)系統(tǒng)依賴人工進(jìn)行數(shù)據(jù)采集、處理、分類和歸檔，這樣不僅容易受到人為錯(cuò)誤的影響，還需要較長(zhǎng)的時(shí)間才能完成數(shù)據(jù)處理，尤其在醫(yī)療數(shù)據(jù)量龐大且變化頻繁的情況下，人工操作容易導(dǎo)致數(shù)據(jù)處理的延誤，進(jìn)而影響到醫(yī)療服務(wù)的時(shí)效性和準(zhǔn)確性；且傳統(tǒng)系統(tǒng)在數(shù)據(jù)分類和歸檔時(shí)通常依賴人工判斷，可能出現(xiàn)分類不準(zhǔn)確或者缺乏一致性的情況，尤其是在醫(yī)療數(shù)據(jù)的復(fù)雜性和多樣性面前，人工分類不僅效率低下，且容易遺漏或錯(cuò)誤地歸類某些數(shù)據(jù)；并且傳統(tǒng)系統(tǒng)對(duì)醫(yī)療數(shù)據(jù)的分類僅僅在原始醫(yī)療數(shù)據(jù)的基礎(chǔ)上，但是原始醫(yī)療數(shù)據(jù)往往沒有有效的上下文關(guān)聯(lián)，單純對(duì)原始數(shù)據(jù)進(jìn)行分類往往無法挖掘出數(shù)據(jù)背后的深層次信息。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明所要解決的技術(shù)問題在于克服上述現(xiàn)有技術(shù)的缺點(diǎn)，提供一種數(shù)據(jù)智能集成化管理系統(tǒng)。

2、解決上述技術(shù)問題所采用的技術(shù)方案是：一種數(shù)據(jù)智能集成化管理系統(tǒng)，包括數(shù)據(jù)采集單元、數(shù)據(jù)處理單元、文本組合單元、文本分類單元和數(shù)據(jù)歸檔單元，具體地：

3、所述數(shù)據(jù)采集單元用于每隔預(yù)設(shè)的采樣周期接收多個(gè)預(yù)設(shè)的數(shù)據(jù)源上傳的醫(yī)療數(shù)據(jù)，將所述醫(yī)療數(shù)據(jù)傳輸至數(shù)據(jù)處理單元；

4、所述數(shù)據(jù)處理單元用于對(duì)數(shù)據(jù)采集單元傳輸?shù)乃鲠t(yī)療數(shù)據(jù)進(jìn)行接收，并對(duì)所述醫(yī)療數(shù)據(jù)進(jìn)行分詞操作，以得到所述醫(yī)療數(shù)據(jù)所對(duì)應(yīng)的醫(yī)療詞語序列，對(duì)所述醫(yī)療詞語序列進(jìn)行特征提取，以得到所述醫(yī)療詞語序列中每個(gè)醫(yī)療詞語的詞語特征，基于所述詞語特征對(duì)所述醫(yī)療詞語序列進(jìn)行排序，以得到醫(yī)療詞語順序序列，將所述醫(yī)療詞語順序序列傳輸至文本組合單元；

5、所述文本組合單元用于對(duì)數(shù)據(jù)處理單元傳輸?shù)乃鲠t(yī)療詞語順序序列進(jìn)行接收，并基于所述醫(yī)療詞語順序序列構(gòu)建醫(yī)療組合文本，將所述醫(yī)療組合文本傳輸至文本分類單元。

6、優(yōu)選的，所述文本分類單元用于對(duì)文本組合單元傳輸?shù)乃鲠t(yī)療組合文本進(jìn)行接收，并基于已訓(xùn)練好的文本分類模型對(duì)所述醫(yī)療組合文本進(jìn)行文本分類，以得到所述醫(yī)療組合文本所對(duì)應(yīng)的文本標(biāo)簽，即得到所述醫(yī)療數(shù)據(jù)所對(duì)應(yīng)的數(shù)據(jù)標(biāo)簽，將所述醫(yī)療數(shù)據(jù)所對(duì)應(yīng)的數(shù)據(jù)標(biāo)簽傳輸至數(shù)據(jù)歸檔單元。

7、優(yōu)選的，所述數(shù)據(jù)歸檔單元用于對(duì)文本分類單元傳輸?shù)乃鲠t(yī)療數(shù)據(jù)所對(duì)應(yīng)的數(shù)據(jù)標(biāo)簽進(jìn)行接收，并基于所述醫(yī)療數(shù)據(jù)所對(duì)應(yīng)的數(shù)據(jù)標(biāo)簽將所述醫(yī)療數(shù)據(jù)歸檔至預(yù)設(shè)的不同類型的醫(yī)療檔案數(shù)據(jù)庫中。

8、優(yōu)選的，所述醫(yī)療詞語的詞語特征的提取公式如下：

9、；

10、其中，表示醫(yī)療詞語，表示醫(yī)療數(shù)據(jù)，表示醫(yī)療詞語在醫(yī)療數(shù)據(jù)的詞語特征，表示醫(yī)療詞語在醫(yī)療數(shù)據(jù)中出現(xiàn)次數(shù)，表示醫(yī)療詞語的逆醫(yī)療數(shù)據(jù)詞頻，表示熵計(jì)算函數(shù)，表示類別中的醫(yī)療詞語數(shù)占所有醫(yī)療詞語數(shù)的比例，表示醫(yī)療數(shù)據(jù)中包括醫(yī)療詞語的總數(shù)，表示醫(yī)療數(shù)據(jù)中醫(yī)療詞語的總數(shù)。

11、優(yōu)選的，基于所述醫(yī)療詞語順序序列構(gòu)建醫(yī)療組合文本，包括：

12、基于所述醫(yī)療詞語順序序列中每個(gè)醫(yī)療詞語的順序序號(hào)獲取所述醫(yī)療詞語順序序列中每個(gè)醫(yī)療詞語的組合權(quán)重；

13、基于所述醫(yī)療詞語順序序列中每個(gè)醫(yī)療詞語的組合權(quán)重計(jì)算每個(gè)醫(yī)療詞語所需的組合字?jǐn)?shù)；

14、將所述醫(yī)療詞語順序序列中每個(gè)醫(yī)療詞語與預(yù)設(shè)的醫(yī)療詞語知識(shí)庫進(jìn)行匹配，以得到所述醫(yī)療詞語順序序列中每個(gè)醫(yī)療詞語所對(duì)應(yīng)的醫(yī)療詞語解釋；

15、基于所述醫(yī)療詞語順序序列中每個(gè)醫(yī)療詞語所需的組合字?jǐn)?shù)對(duì)所述醫(yī)療詞語解釋進(jìn)行截取，以得到所述醫(yī)療詞語順序序列中每個(gè)醫(yī)療詞語所對(duì)應(yīng)的標(biāo)準(zhǔn)醫(yī)療詞語解釋；

16、基于醫(yī)療詞語順序序列和所述醫(yī)療詞語順序序列中每個(gè)醫(yī)療詞語所對(duì)應(yīng)的標(biāo)準(zhǔn)醫(yī)療詞語解釋構(gòu)建醫(yī)療組合文本。

17、優(yōu)選的，所述組合字?jǐn)?shù)的計(jì)算公式如下：

18、；

19、其中，表示醫(yī)療詞語順序序列中第個(gè)醫(yī)療詞語所需的組合字?jǐn)?shù)，表示所有醫(yī)療詞語組合權(quán)重的總和，表示醫(yī)療組合文本的總字?jǐn)?shù)；

20、所述組合權(quán)重的計(jì)算公式如下：

21、；

22、其中，表示醫(yī)療詞語順序序列中第個(gè)醫(yī)療詞語的組合權(quán)重，表示醫(yī)療詞語的順序序號(hào)。

23、優(yōu)選的，所述文本分類模型包括語義特征表示模塊、注意力模塊和特征分類模塊；所述語義特征表示模塊用于通過bilstm網(wǎng)絡(luò)捕獲輸入的所述醫(yī)療組合文本的語義特征，并將所述語義特征切分為多個(gè)特征塊；所述注意力模塊用于對(duì)每個(gè)所述特征塊獲取在一個(gè)標(biāo)簽層級(jí)上的標(biāo)簽特定加權(quán)特征表示；所述特征分類模塊用于將細(xì)粒度特征注入粗粒度標(biāo)簽中，并通過分類器輸出最終的文本標(biāo)簽。

24、優(yōu)選的，所述語義特征表示模塊用于通過bilstm網(wǎng)絡(luò)捕獲輸入的所述醫(yī)療組合文本的語義特征，并將所述語義特征切分為多個(gè)特征塊，包括：

25、通過詞嵌入技術(shù)對(duì)所述醫(yī)療組合文本中每個(gè)醫(yī)療詞語進(jìn)行向量表示，以得到嵌入向量矩陣；

26、將所述嵌入向量矩陣輸入至bilstm網(wǎng)絡(luò)，通過所述bilstm網(wǎng)絡(luò)輸出每個(gè)所述嵌入向量在兩個(gè)方向隱藏狀態(tài)的拼接向量，以得到語義特征矩陣；

27、將所述語義特征矩陣從特征維度進(jìn)行切分，以將所述語義特征矩陣切分為多個(gè)相同的子語義特征矩陣，且每個(gè)所述子語義特征矩陣對(duì)應(yīng)一個(gè)粒度層級(jí)。

28、優(yōu)選的，所述特征分類模塊用于將細(xì)粒度特征注入粗粒度標(biāo)簽中，并通過分類器輸出最終的文本標(biāo)簽，包括：

29、對(duì)于每個(gè)標(biāo)簽特定加權(quán)特征表示采用均值池化進(jìn)行降維，以得到特征映射向量，將標(biāo)簽特定特征矩陣與特征映射向量進(jìn)行拼接，以得到特征拼接向量，將所述特征拼接向量輸入至分類器中，以得到標(biāo)簽的概率，所述標(biāo)簽的概率計(jì)算公式如下：

30、；

31、其中，表示第粒度層級(jí)的標(biāo)簽的概率，表示第粒度層級(jí)的帶偏置的單層前饋網(wǎng)絡(luò)，表示第粒度層級(jí)的特征映射向量，表示向量的拼接操作。

32、優(yōu)選的，所述注意力模塊用于對(duì)每個(gè)所述特征塊獲取在一個(gè)標(biāo)簽層級(jí)上的標(biāo)簽特定加權(quán)特征表示，包括：

33、通過多個(gè)分類器對(duì)多個(gè)子語義特征矩陣進(jìn)行分類，并對(duì)每個(gè)所述粒度層級(jí)的分類添加相應(yīng)的注意力權(quán)重，以得到所述特征塊獲取在一個(gè)標(biāo)簽層級(jí)上的標(biāo)簽特定加權(quán)特征表示，所述注意力權(quán)重計(jì)算公式如下：

34、；

35、其中，表示第粒度層級(jí)的標(biāo)簽特定特征矩陣，表示第粒度層級(jí)的注意力權(quán)重矩陣，表示第粒度層級(jí)的子語義特征矩陣，且，表示軟最大激活函數(shù)，表示第個(gè)粒度層級(jí)的變換矩陣，表示第個(gè)粒度層級(jí)的經(jīng)過函數(shù)激活的向量矩陣，且，表示第個(gè)粒度層級(jí)的權(quán)重矩陣，表示雙曲正切激活函數(shù)。

36、本發(fā)明的有益效果如下：（1）本發(fā)明通過自動(dòng)化的數(shù)據(jù)采集、處理和歸檔流程，避免了人工處理過程中可能出現(xiàn)的誤差和延遲，這對(duì)于醫(yī)療行業(yè)的數(shù)據(jù)處理尤為重要，因?yàn)獒t(yī)療數(shù)據(jù)通常具有高時(shí)效性和復(fù)雜性，自動(dòng)化的流程可以提高工作效率，確保數(shù)據(jù)及時(shí)、準(zhǔn)確地處理和存檔，且將醫(yī)療數(shù)據(jù)進(jìn)行分詞、特征提取、排序和分類等步驟，能夠?qū)⒎墙Y(jié)構(gòu)化或半結(jié)構(gòu)化的醫(yī)療文本數(shù)據(jù)轉(zhuǎn)化為結(jié)構(gòu)化的標(biāo)準(zhǔn)格式。這種結(jié)構(gòu)化的數(shù)據(jù)便于后續(xù)的查詢、分析和利用，降低了數(shù)據(jù)處理的復(fù)雜性；（2）本發(fā)明通過與預(yù)設(shè)的醫(yī)療詞語知識(shí)庫匹配，能夠準(zhǔn)確獲取醫(yī)療詞語的標(biāo)準(zhǔn)解釋，并對(duì)醫(yī)療詞語進(jìn)行有效的截取和整合，這使得醫(yī)療數(shù)據(jù)不僅僅是原始的文本信息，而是可以在更高層次上進(jìn)行分析和推理，從而支持醫(yī)療決策、研究與應(yīng)用，且通過訓(xùn)練好的文本分類模型，系統(tǒng)能夠根據(jù)醫(yī)療數(shù)據(jù)的內(nèi)容自動(dòng)為醫(yī)療數(shù)據(jù)打上相應(yīng)的標(biāo)簽，從而實(shí)現(xiàn)個(gè)性化的分類和歸檔，這不僅減少了人工干預(yù)的需求，還能提高數(shù)據(jù)歸檔的準(zhǔn)確性與精確性，方便后期的檢索與利用，且由于對(duì)醫(yī)療數(shù)據(jù)添加有標(biāo)準(zhǔn)解釋，使得分類和歸檔更加準(zhǔn)確；（3）本發(fā)明能夠根據(jù)數(shù)據(jù)標(biāo)簽將醫(yī)療數(shù)據(jù)歸檔至不同類型的醫(yī)療檔案數(shù)據(jù)庫中，優(yōu)化了醫(yī)療數(shù)據(jù)的存儲(chǔ)結(jié)構(gòu)，提升了數(shù)據(jù)管理的效率，從而醫(yī)療機(jī)構(gòu)可以根據(jù)需要快速定位和檢索不同類別的醫(yī)療數(shù)據(jù)，提高了檔案管理的精確度和便利性。