应用于专病临床试验的队列识别方法及装置

摘要

本发明涉及信息识别领域，具体涉及应用于专病临床试验的队列识别方法及装置，该方法包括如下步骤：S1、构建专病临床试验病历特征库和专病临床试验病历标准库；S2、基于专病临床试验病历特征库训练构建专病临床试验病历识别算法；S3、基于专病临床试验病历标准库训练构建专病临床试验的队列挖掘模型；S4、基于专病临床试验病历识别算法实现电子病历库内专病临床试验病历的识别；S5、基于专病临床试验的队列挖掘模型实现专病临床试验的队列的挖掘，该专病临床试验的队列包括多个满足专病临床试验病历特征，且满足专病临床试验病历标准的受试者。本发明可以实现专病临床试验的队列的高效率、高准确性识别。

说明书

技术领域

本发明涉及信息识别领域，具体涉及应用于专病临床试验的队列识别方法及装置。

背景技术

为了验证新型药物或治疗方案的有效性或优效性，在不同的临床试验周期，需要纳入不同规模的受试人群。目前，常见的受试人群筛选方法主要包括发布招募信息、医师推荐、病例回顾分析等。普遍依赖人工分析识别，费时费力的同时，难以保证结果的准确性，工作效率低下。

发明内容

为解决上述技术问题，本发明提供了一种应用于专病临床试验的队列识别方法及装置，可以实现专病临床试验的队列的高效率、高准确性识别。

为实现上述目的，本发明采取的技术方案为：

应用于专病临床试验的队列识别方法，包括如下步骤：

S1、构建专病临床试验病历特征库和专病临床试验病历标准库；

S2、基于专病临床试验病历特征库训练构建专病临床试验病历识别算法；

S3、基于专病临床试验病历标准库训练构建专病临床试验的队列挖掘模型；

S4、基于专病临床试验病历识别算法实现电子病历库内专病临床试验病历的识别；

S5、基于专病临床试验的队列挖掘模型实现专病临床试验的队列的挖掘，该专病临床试验的队列包括多个满足专病临床试验病历特征，且满足专病临床试验病历标准的受试者。

进一步地，所述步骤S1中，基于专病的名称通过网络爬虫模块在预设的网络基站上爬取专病对应的诊断标准，基于人工+机器学习的方式生成专病临床试验病历特征库。

进一步地，所述步骤S1中，基于专病临床试验的名称和目的通过网络爬虫模块在预设的网络基站上爬取对应的专门临床试验标准，基于人工+机器学习的方式生成专病临床试验病历标准库。

进一步地，所述步骤S2中，基于K-means多层次聚类算法实现电子病历数据的识别，从而实现专病临床试验病历的分类。

进一步地，所述步骤S3中，每一种专病临床试验对应一专病临床试验的队列挖掘模型。

进一步地，所述步骤S3中，采用无限深度神经网络模型在电子病历数据内爬取对应的指标及其对应的检验结果，从而实现符合专病临床试验病历标准的电子病历的识别，生成专病临床试验的队列。

进一步地，还包括：构建专病临床病历格式标准化算法，基于专病临床病历格式标准化算法实现专病临床试验病历的格式标准化处理的步骤。

本发明还提供了一种应用于专病临床试验的队列识别装置，采用上述的方法实现专病临床试验的队列的识别。

本发明具有以下有益效果：

充分利用大数据，实现了专病临床试验病历特征库和专病临床试验病历标准库的构建，从而为后续的专病临床试验的队列的识别提供基础；

基于K-means多层次聚类算法实现专病临床试验病历的分类，协同无限深度神经网络模型进行专病临床试验的队列的挖掘，可以实现专病临床试验的队列的高效率、高准确性识别。

附图说明

图1为本发明实施例1应用于专病临床试验的队列识别方法的流程图。

图2为本发明实施例2应用于专病临床试验的队列识别方法的流程图。

图3为本发明实施例3应用于专病临床试验的队列识别装置的系统框图。

具体实施方式

为了使本发明的目的及优点更加清楚明白，以下结合实施例对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

实施例1

如图1所示，应用于专病临床试验的队列识别方法，包括如下步骤：

S1、构建专病临床试验病历特征库和专病临床试验病历标准库；

S2、基于专病临床试验病历特征库训练构建专病临床试验病历识别算法；

S3、基于专病临床试验病历标准库训练构建专病临床试验的队列挖掘模型；

S4、基于专病临床试验病历识别算法实现电子病历库内专病临床试验病历的识别；

S5、基于专病临床试验的队列挖掘模型实现专病临床试验的队列的挖掘，该专病临床试验的队列包括多个满足专病临床试验病历特征，且满足专病临床试验病历标准的受试者。

本实施例中，所述步骤S1中，基于专病的名称通过网络爬虫模块在预设的网络基站上爬取专病对应的诊断标准，基于人工+机器学习的方式生成专病临床试验病历特征库；基于专病临床试验的名称和目的通过网络爬虫模块在预设的网络基站上爬取对应的专门临床试验标准，基于人工+机器学习的方式生成专病临床试验病历标准库。

本实施例中，所述步骤S2中，基于K-means多层次聚类算法实现电子病历数据的识别，从而实现专病临床试验病历的分类。

本实施例中，所述步骤S3中，每一种专病临床试验对应一专病临床试验的队列挖掘模型；采用无限深度神经网络模型在电子病历数据内爬取对应的指标及其对应的检验结果，从而实现符合专病临床试验病历标准的电子病历的识别，生成专病临床试验的队列。

实施例2

应用于专病临床试验的队列识别方法，包括如下步骤：

S1、构建专病临床试验病历特征库和专病临床试验病历标准库；

S2、基于专病临床试验病历特征库训练构建专病临床试验病历识别算法；

S3、基于专病临床试验病历标准库训练构建专病临床试验的队列挖掘模型；

S4、基于专病临床试验病历识别算法实现电子病历库内专病临床试验病历的识别；

S5、构建专病临床病历格式标准化算法，基于专病临床病历格式标准化算法实现专病临床试验病历的格式标准化处理；

S6、基于专病临床试验的队列挖掘模型实现专病临床试验的队列的挖掘，该专病临床试验的队列包括多个满足专病临床试验病历特征，且满足专病临床试验病历标准的受试者。

本实施例中，所述步骤S1中，基于专病的名称通过网络爬虫模块在预设的网络基站上爬取专病对应的诊断标准，基于人工+机器学习的方式生成专病临床试验病历特征库；基于专病临床试验的名称和目的通过网络爬虫模块在预设的网络基站上爬取对应的专门临床试验标准，基于人工+机器学习的方式生成专病临床试验病历标准库。

本实施例中，所述步骤S2中，基于K-means多层次聚类算法实现电子病历数据的识别，从而实现专病临床试验病历的分类。

本实施例中，所述步骤S3中，每一种专病临床试验对应一专病临床试验的队列挖掘模型；采用无限深度神经网络模型在电子病历数据内爬取对应的指标及其对应的检验结果，从而实现符合专病临床试验病历标准的电子病历的识别，生成专病临床试验的队列。

实施例3

应用于专病临床试验的队列识别装置，包括：

特征库和标准库构建模块，用于构建专病临床试验病历特征库和专病临床试验病历标准库；

识别算法构建模块，用于基于专病临床试验病历特征库训练构建专病临床试验病历识别算法；

队列挖掘模型构建模块，用于基于专病临床试验病历标准库训练构建专病临床试验的队列挖掘模型；

专病临床试验病历识别模块，用于基于专病临床试验病历识别算法实现电子病历库内专病临床试验病历的识别；

格式标准化模块，用于构建专病临床病历格式标准化算法，基于专病临床病历格式标准化算法实现专病临床试验病历的格式标准化处理；

临床试验队列挖掘模块，用于基于专病临床试验的队列挖掘模型实现专病临床试验的队列的挖掘，该专病临床试验的队列包括多个满足专病临床试验病历特征，且满足专病临床试验病历标准的受试者。

本实施例中，特征库和标准库构建模块基于专病的名称通过网络爬虫模块在预设的网络基站上爬取专病对应的诊断标准，基于人工+机器学习的方式生成专病临床试验病历特征库。 特征库和标准库构建模块基于专病临床试验的名称和目的通过网络爬虫模块在预设的网络基站上爬取对应的专门临床试验标准，基于人工+机器学习的方式生成专病临床试验病历标准库。

本实施例中，专病临床试验病历识别模块基于K-means多层次聚类算法实现电子病历数据的识别，从而实现专病临床试验病历的分类。

本实施例中，每一种专病临床试验对应一专病临床试验的队列挖掘模型。临床试验队列挖掘模块采用无限深度神经网络模型在电子病历数据内爬取对应的指标及其对应的检验结果，从而实现符合专病临床试验病历标准的电子病历的识别，生成专病临床试验的队列。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。