【摘要】：電子病歷中蘊(yùn)含著海量的有價(jià)值信息,對(duì)電子病歷的挖掘可以極大的提高醫(yī)療診斷效率,提高臨床診斷的及時(shí)性、準(zhǔn)確性,還可以降低醫(yī)療成本,為互聯(lián)網(wǎng)醫(yī)療提供便利。本文利用深度學(xué)習(xí)方法,通過(guò)建立深度神經(jīng)網(wǎng)絡(luò)來(lái)搭建預(yù)測(cè)模型,同時(shí)結(jié)合傳統(tǒng)的機(jī)器學(xué)習(xí)方法,在電子病歷匿名化、胎兒體重預(yù)測(cè)和疾病分類預(yù)測(cè)等方面進(jìn)行了預(yù)測(cè)模型構(gòu)建的嘗試。本文的主要工作有:(1)提出了基于文本骨架的循環(huán)神經(jīng)網(wǎng)絡(luò)匿名化模型,為電子病歷難以被研究者使用的難題提供了新的解決方案。文本骨架是抽取出的電子病歷的文本結(jié)構(gòu),它可以幫助循環(huán)神經(jīng)網(wǎng)絡(luò)更好的識(shí)別出隱私實(shí)體。本文在兩個(gè)英文數(shù)據(jù)集和一個(gè)中文數(shù)據(jù)集上對(duì)基于文本骨架的循環(huán)神經(jīng)網(wǎng)絡(luò)匿名化模型進(jìn)行了實(shí)驗(yàn),結(jié)果表明文本骨架方法可以有效的提升神經(jīng)網(wǎng)絡(luò)的識(shí)別準(zhǔn)確率。與現(xiàn)有的性能最優(yōu)的模型對(duì)比也證明文本骨架方法在匿名化任務(wù)中有優(yōu)異的表現(xiàn)。在中文數(shù)據(jù)集中文本骨架模型達(dá)到了近99%的識(shí)別準(zhǔn)確率,在英文數(shù)據(jù)集中也達(dá)到了高于98%的識(shí)別準(zhǔn)確率。(2)針對(duì)胎兒體重預(yù)測(cè)任務(wù),提出了基于深度神經(jīng)網(wǎng)絡(luò)的胎兒體重預(yù)測(cè)模型。傳統(tǒng)的公式計(jì)算方法嚴(yán)重依賴于醫(yī)療領(lǐng)域知識(shí)和醫(yī)療經(jīng)驗(yàn),本文提出的基于深度神經(jīng)網(wǎng)絡(luò)的方法無(wú)需對(duì)參數(shù)進(jìn)行人工選擇,只需大量訓(xùn)練數(shù)據(jù)即可訓(xùn)練出準(zhǔn)確的預(yù)測(cè)模型。除此之外,本文還介紹了從電子病歷中提取參數(shù)的方法,以及針對(duì)數(shù)據(jù)缺失值補(bǔ)全的策略。實(shí)驗(yàn)表明,基于深度神經(jīng)網(wǎng)絡(luò)的胎兒體重預(yù)測(cè)模型優(yōu)于公式預(yù)測(cè)方法與基于傳統(tǒng)人工神經(jīng)網(wǎng)絡(luò)的模型,降低了8.9%的預(yù)測(cè)誤差。進(jìn)一步的分析還表明本文提出的缺失值補(bǔ)全方法能夠有效的加強(qiáng)對(duì)深度神經(jīng)網(wǎng)絡(luò)的訓(xùn)練。(3)本文提出了基于w-KNN的疾病預(yù)測(cè)模型。預(yù)測(cè)模型首先需要對(duì)于半結(jié)構(gòu)化的病歷進(jìn)行處理,將其自頂向下的處理為結(jié)構(gòu)化病歷,對(duì)于參數(shù)中的自由文本短語(yǔ),將其進(jìn)一步的映射為詞典中的癥狀。w-KNN的另一個(gè)優(yōu)勢(shì)在于,算法不僅可以進(jìn)行疾病的預(yù)測(cè),還可以找出與新樣本最相似的歷史樣本。實(shí)驗(yàn)表明基于w-KNN的疾病預(yù)測(cè)模型可以有效的基于患者病歷對(duì)疾病進(jìn)行分類預(yù)測(cè)。
[Abstract]:Electronic medical records contain a large amount of valuable information. The mining of electronic medical records can greatly improve the efficiency of medical diagnosis, improve the timeliness and accuracy of clinical diagnosis, reduce medical costs, and provide convenience for Internet medical treatment. In this paper, using the method of deep learning, the prediction model is built by establishing the depth neural network, and combining with the traditional machine learning method, the electronic medical record is anonymous. Fetal weight prediction and disease classification prediction were attempted to build a prediction model. The main work of this paper is as follows: (1) A cyclic neural network anonymous model based on text skeleton is proposed, which provides a new solution to the difficult problem that electronic medical records can not be used by researchers. Text skeleton is the text structure of extracted electronic medical records. It can help circular neural network to better identify private entities. In this paper, the anonymous model of cyclic neural network based on text skeleton is tested on two English data sets and one Chinese data set. The results show that the method of text skeleton can effectively improve the recognition accuracy of neural network. The comparison with the existing models also proves that the text skeleton method has a good performance in anonymous tasks. The accuracy of text skeleton model in Chinese dataset is nearly 99%, and that in English dataset is more than 98%. (2) for fetal weight prediction task, A prediction model of fetal weight based on deep neural network is proposed. The traditional formula calculation method relies heavily on medical knowledge and medical experience. The method based on depth neural network in this paper does not need to manually select parameters, only a large number of training data can be used to train an accurate prediction model. In addition, this paper also introduces the method of extracting parameters from electronic medical records and the strategy of completing the missing values of data. The experimental results show that the foetal weight prediction model based on the depth neural network is superior to the formula prediction method and the traditional artificial neural network model, and reduces the prediction error by 8.9%. Further analysis also shows that the proposed method can effectively enhance the training of deep neural networks. (3) the disease prediction model based on w-KNN is proposed in this paper. The prediction model first needs to deal with semi-structured medical records, from top to bottom as structured medical records, and for the free text phrases in parameters, it is further mapped to the symptom in the dictionary .w-KNN is another advantage. The algorithm can not only predict disease, but also find the most similar historical sample. The experimental results show that the disease prediction model based on w-KNN can effectively predict the disease based on patient history.
【學(xué)位授予單位】：鄭州大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2017
【分類號(hào)】：R197.323;TP183

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 胡曉冬,王煒華,劉和生,任杰;醫(yī)生與電子病歷[J];解放軍醫(yī)院管理雜志;2000年06期

2 駱勝春;淺談推行電子病歷的可能性[J];山西護(hù)理雜志;2000年03期

3 張治棟;試論電子病歷[J];中國(guó)衛(wèi)生事業(yè)管理;2000年11期

4 郝淑玲,王景明;電子病歷規(guī)范管理的探索和實(shí)踐[J];醫(yī)學(xué)信息;2001年03期

5 王燦鈺,趙家驁;網(wǎng)絡(luò)時(shí)代的電子病歷[J];醫(yī)學(xué)信息;2001年08期

6 劉莉,劉春,劉瑾琦;嬰幼兒電子病歷的計(jì)算機(jī)管理[J];中國(guó)婦幼保健;2001年01期

7 沈亞誠(chéng),林潔中;電子病歷的研究與開(kāi)發(fā)[J];中國(guó)病案;2001年02期

8 李華才,蘇小剛,時(shí)玉鳳,田利軍;電子病歷應(yīng)用中存在的問(wèn)題與對(duì)策[J];中國(guó)衛(wèi)生事業(yè)管理;2001年11期

9 張明;劉雄飛;吳學(xué)貴;郭文虎;陳金雄;;論電子病歷的現(xiàn)實(shí)與可能[J];福州總醫(yī)院學(xué)報(bào);2001年01期

10 張明;劉雄飛;吳學(xué)貴;郭文虎;陳金雄;;電子病歷的實(shí)現(xiàn)與可能[J];南京部隊(duì)醫(yī)藥;2001年02期

相關(guān)會(huì)議論文 前10條

1 張鳳春;;電子病歷時(shí)代已悄然走來(lái)[A];第十九屆全國(guó)腫瘤醫(yī)院管理學(xué)術(shù)研討會(huì)論文匯編[C];2009年

2 陳彩霞;;電子病歷法律問(wèn)題的探討[A];中國(guó)醫(yī)院協(xié)會(huì)病案管理專業(yè)委員會(huì)第十九屆學(xué)術(shù)會(huì)議論文集[C];2010年

3 吳浩;;淺析電子病歷常見(jiàn)質(zhì)量缺陷與對(duì)策[A];第二十六屆航天醫(yī)學(xué)年會(huì)暨第九屆航天護(hù)理年會(huì)論文匯編[C];2010年

4 屈峰;吳虎兵;夏志偉;;電子病歷研究熱點(diǎn)探討——基于8種專業(yè)期刊的詞頻統(tǒng)計(jì)分析[A];中國(guó)醫(yī)院協(xié)會(huì)病案管理專業(yè)委員會(huì)第十九屆學(xué)術(shù)會(huì)議論文集[C];2010年

5 李楊;夏志偉;吳虎兵;;應(yīng)用電子病歷對(duì)臨床工作的影響——針對(duì)醫(yī)護(hù)人員的調(diào)查[A];中國(guó)醫(yī)院協(xié)會(huì)病案管理專業(yè)委員會(huì)第二十屆學(xué)術(shù)會(huì)議論文集[C];2011年

6 余進(jìn);陳維進(jìn);;電子病歷應(yīng)用現(xiàn)狀及有關(guān)問(wèn)題的探討[A];中國(guó)生物醫(yī)學(xué)工程學(xué)會(huì)第六次會(huì)員代表大會(huì)暨學(xué)術(shù)會(huì)議論文摘要匯編[C];2004年

7 鐘紅;;電子病歷的實(shí)現(xiàn)與探討[A];中國(guó)醫(yī)院協(xié)會(huì)病案管理專業(yè)委員會(huì)第15屆全國(guó)病案管理學(xué)術(shù)會(huì)議論文集[C];2006年

8 譚麗;李瑞新;;我院電子病歷存在的問(wèn)題及其解決對(duì)策[A];中國(guó)醫(yī)院協(xié)會(huì)病案管理專業(yè)委員會(huì)第16屆學(xué)術(shù)會(huì)議論文集[C];2007年

9 王影;;電子病歷的應(yīng)用問(wèn)題和發(fā)展思考[A];中國(guó)醫(yī)院協(xié)會(huì)病案管理專業(yè)委員會(huì)第16屆學(xué)術(shù)會(huì)議論文集[C];2007年

10 滿育紅;;電子病歷的臨床應(yīng)用[A];第二十三屆航天醫(yī)學(xué)年會(huì)暨第六屆航天護(hù)理年會(huì)論文匯編[C];2007年

相關(guān)重要報(bào)紙文章 前10條

1 孫吉輝;電子病歷 已經(jīng)進(jìn)入我們的生活[N];健康報(bào);2004年

2 郭瑩 高雪娟 劉磊 賀永 李永勝;電子病歷改變了誰(shuí)？[N];中國(guó)計(jì)算機(jī)報(bào);2005年

3 同仁醫(yī)療產(chǎn)業(yè)集團(tuán) 張琨;電子病歷時(shí)代來(lái)臨尚需時(shí)日[N];中國(guó)計(jì)算機(jī)報(bào);2005年

4 本報(bào)實(shí)習(xí)生洪淼 記者陳青;“電子病歷”推廣尚須時(shí)日[N];文匯報(bào);2003年

5 鄔時(shí)民;電子病歷：何時(shí)面向大眾？[N];中國(guó)中醫(yī)藥報(bào);2003年

6 葉青;電子病歷再度現(xiàn)身沈城醫(yī)院[N];沈陽(yáng)日?qǐng)?bào);2007年

7 殷偉東邋記者 楊麗佳;電子病歷法律問(wèn)題應(yīng)引起關(guān)注[N];健康報(bào);2007年

8 朱浩;電子病歷：法律效力有保障[N];江蘇法制報(bào);2007年

9 記者 鄭俊彥;全市應(yīng)建立電子病歷統(tǒng)一平臺(tái)[N];東莞日?qǐng)?bào);2009年

10 本報(bào)特約撰稿 許麗萍;電子病歷尋找法律基石[N];計(jì)算機(jī)世界;2009年

相關(guān)博士學(xué)位論文 前5條

1 栗偉;電子病歷文本挖掘關(guān)鍵算法研究[D];東北大學(xué);2014年

2 羅小楠;電子病歷系統(tǒng)的研究：信息錄入與質(zhì)量監(jiān)控電子化實(shí)現(xiàn)[D];第四軍醫(yī)大學(xué);2005年

3 李昊e，

本文編號(hào)：2188336