电子病历信息抽取可视化分析

以国内外电子病历信息抽取相关文献为研究样本,基于CiteSpace构建关键词共现图谱、时间线聚类图以及共被引网络图,可视化揭示电子病历信息抽取发展趋势、研究热点及重点领域,为相关研究提供参考。     

基于问卷调查的医疗数据分类分级研究

目的：针对医疗卫生机构在运营过程中产生信息众多而医疗行业尚没有明确的数据保护方案的问题,对底层数据进行分类分级,进而保护患者隐私等重要信息。方法：分类整理电子病历中涉及的数据项,对每类中包含的数据项进行抽象,设计医疗数据分类分级的调查问卷对相关人员进行调研。结果：根据问卷结果,结合数据分析方法,确定医疗数据的分类分级,对人口学、标识、卫生机构人员、卫生费用、药物、检查等11个大类赋予0级可公开、1级数据关系个人信息安全、2级数据涉及机构信息安全3种不同级别。结论：为后续的访问控制或跨库联合识别奠定了基础。     

基于开放评测的临床信息抽取分析

介绍国内外典型临床信息处理开放评测案例，分析评测语料、评测任务以及信息抽取方法，探讨面向临床需求的信息抽取发展方向，为基于中文临床文本的进一步分析与挖掘提供参考借鉴。     

融合多维特征的医学知识图谱分步实体对齐方法

目的：提出一种融合多维特征的医学知识图谱分步实体对齐方法,从电子病历和网络资源中抽取垂体瘤相关疾病、症状数据,进行实证研究。方法：首先进行尾实体对齐,通过训练Word2Vec和BERT模型获得实体的语义特征,使用三元组训练翻译模型得到实体结构特征,利用Jaccard相似度计算字符特征,利用分类模型进行特征学习和预测;然后进行头实体对齐,利用实体的属性相似性和结构相似性构建头实体对齐模型。结果：尾实体对齐模型的F1值为99.58％,头实体对齐模型的F1值为97.32％,说明所选择的特征可以很好地表示实体,模型具有良好的对齐效果。结论：目前关于医学知识图谱的实体对齐模型研究仍处于起步阶段,融合多维特征的医学知识图谱分步实体对齐方法是对现有医学知识图谱构建方法的重要补充。