CN110491465A 基于深度学习的疾病分类编码方法、系统、设备及介质 （山东众阳健康科技集团有限公司）

基于深度学习的疾病分类编码方法、系统、本公开公开了基于深度学习的疾病分类编诊断名称是否是ICD编码知识库中的ICD标准疾从全部的ICD标准疾病诊断名称中提取最相似的大值对应的ICD标准疾病诊断名称输出；根据模型M输出的ICD标准疾病诊断名称，从ICD编码知2获取待进行疾病分类编码的患者出院记录，从患者出院记如果否，则针对当前疾病诊断名称，从全部分类步骤：从t个ICD标准疾病诊断名称中找到概率最大值对应的ICD标准疾病诊断名根据模型M输出的ICD标准疾病诊断名称，从ICD编码知识从患者出院记录中获取入院情况和诊疗经过，将入院情况和诊疗经过进行合并处理，将待分类病历u和t个标准病历均输入到预先训练的深度学习模型标准疾病诊断名称中找到概率最大值对应的IC3.如权利要求1所述的方法，其特征是，从全基于注意力机制的双向LSTM网络，用于对粗粒度向量池化层，用于基于每个病历的细粒度向量化表示结果，获取待分类病历线性回归层，用于利用线性回归算法将互相量V映射出待分类病历与每份标准病历之3将训练集输入到深度学习模型M中，对深度学习称的有差异的出院记录；所述有差异的出院记录是指每两份出院记录之间利用步骤(312)：对步骤(311)中选择的每份出院步骤(313)：对ICD编码知识库中的每个标准疾病诊断名称，通过步骤(311)和步骤步骤(322)：对步骤(321)中选择的每份出院步骤(323)：对ICD编码知识库中的每个标准疾病诊断名称，通过步骤(321)和步骤步骤(331)：对待训练病历库中的每份再从待训练病历库中随机选择与疾病诊断名称d不同的t-1个诊断，对t-1个诊断中的将疾病诊断名称d所对应的待训练病历r、训练用正确并称为对待训练病历r中疾病诊断名称d的训练用病历集合，即待训练病历r中疾病诊断名步骤(331)得到的训练用病历集合以形成待训练病历库中所有病历中的疾病诊断名称的训获取模块，被配置为获取待进行疾病分类编取疾病诊断名称，判断当前疾病诊断名称是否是ICD编码知识库中的ICD标准疾病诊断名4如果否，则针对当前疾病诊断名称，从全部分类模块，被配置为从t个ICD标准疾病诊断名称中找到概率最大值对应的ICD标准疾9.一种电子设备，其特征是，包括存储器和处5的ICD-11系统共有55000余种疾病的标准编码，这样复杂的编码体系对编码员形成了巨大生在病历上填写的疾病诊断名称仅通过医生所写的疾病诊断名称不符合ICD系统的标准[0011]获取待进行疾病分类编码的患者出院记录，从患者出院记录中获取疾病诊断名6[0013]分类步骤：从t个ICD标准疾病诊断名称中找到概率最大值对应的ICD标准疾病诊[0020]分类模块，被配置为从t个ICD标准疾病诊断名称中找到概率最大值对应的ICD标7[0037]S4：根据模型M输出的ICD标准疾病诊断名称，从ICD编码知识库中查找到对应的[0041]将待分类病历u和t个标准病历均输入到预先训练的深度学习模型M中，模型M从t个ICD标准疾病诊断名称中找到概率最大值对应的IC记录的出院诊断结果D中获取疾病诊断名称，该疾病诊断名称是医生最终确诊后记录的疾[0048]作为一个或多个实施例，从全部的ICD标准疾病诊断名称中提取最相似的t个ICD8[0050]对某个ICD标准疾病诊断名称，选择n份均包含当前ICD标准疾病诊断名称的出院个ICD标准疾病诊断名称对应的n份标准病历中随机[0057]基于注意力机制的双向LSTM网络，用于对粗粒度向量化表示的结果进行特征提[0059]线性回归层，用于利用线性回归算法将互相量V映射出待分类病历与每份标准病9[0077]再从待训练病历库中随机选择与疾病诊断名称d不同的t-1(t的值与步骤(202)中[0078]将疾病诊断名称d所对应的待训练病历r、训练用正确病历和训练用对照病历集通过步骤(331)得到的训练用病历集合以形成待训练病历库中所有病历中的疾病诊断名称C_1_b通过双向LSTM模型，将基于注意力机制的双向LSTM模型的输出结果作为每份病历的[0085]步骤(404)：将待训练病历r的词向量表示C_2_r与集合W中的每一份病历(在步骤[0086]步骤(405)：利用线性回归的方法将向量V映射到代表r与集合W中的每一份病历(r,x)所对应的诊断x作为模型M的推断，与真实结果比对