CN119517386A 脑卒中智能分期方法、装置及存储介质 （四川大学华西医院）

主诉数据输入到预训练好的时间实体识别模型准库中匹配筛选和脑卒中相关的症状及其对应2将预处理后的主诉、现病史以及诊断数据输入到预训练好的疾将该患者的主诉数据输入到预训练好的时间实体识别模型中，所将所述症状描述及其对应的发病时间和症状时间类别三元组输入到预训练好的症状通过所述标准化症状描述在预设置的脑卒中症状标准库中进行匹配筛若存在同一发病症状对应多个发病时间的情况，则根据所述通过预设置的脑卒中疾病分期规则对所述脑卒中发病症状及其对应的发病时间进行将患者和脑卒中发病的症状及其对应时间与设置的脑卒中疾病各时期对应的发病时搭建基于BioClinicalBERT预训练模型的定制双塔交叉注意力脑卒中疾病分类模型框将所述训练数据作为所述定制双塔交叉注意力脑卒中疾病分类模型所述定制双塔交叉注意力脑卒中疾病分类模型框架的损失函数采用平滑L3y表示预测值；s表示平衡参数，用于控制平方对所述多个患者的主诉信息进行预处理后得到将所述训练数据作为所述时间实体识别模型框架的输入，对时间实疾病识别模块：用于将预处理后的主诉、现病史以及诊断数据输入到预症状时间获取模块：用于将该患者的主诉数据输入到预训练好的时间实体识别模型症状描述标准化模块：用于将所述症状描述及其对应的发病时间脑卒中症状时间获取模块：用于通过所述标准化症状描述在预设置的脑发病时间筛选模块：用于若存在同一发病症状对应分期判断模块：用于通过预设置的脑卒中疾病分期规则对4将所述症状描述及其对应的发病时间和症状时间类别三元组输入到预训练好的设的脑卒中发病时间规则对多个发病时间进行筛选，确定脑卒中疾病分期所需的发病时通过预设置的脑卒中疾病分期规则对所述脑卒中发病症状及其对应的发病时间5将患者和脑卒中发病的症状及其对应时间与设置的脑卒中疾病各时期对应的发搭建基于BioClinicalBERT预训练模型的定制双塔交叉注意力脑卒中疾病分类模将所述训练数据作为所述定制双塔交叉注意力脑卒中疾病分类模型框架的输入，所述定制双塔交叉注意力脑卒中疾病分类模型框架的损失函数采用平滑L1损失所述平滑L1损失函数的表达式为：式中，y搭建基于ChatGLM大语言模型的时间实体识别模型框架，设置该模型框架的损失对所述多个患者的主诉信息进行预处理后得到6本申请通过基于现有的电子病历系统获取患者的主诉、现病史和出院诊断信息，7[0019]图1是根据一示例性实施例示出的脑卒中智能分期方法的流程示意图，如图1所取脑卒中发病症状及其发病时间和症状时间8将预处理后的患者主诉、现病史以及诊断数据输入到预训练好的疾病分类模型疾病分类模型的框架选用基于BioClinicalBERT的预训练模型的定制双塔交叉注计的预训练语言模型，它基于BERT（BidirectionalEncoderRepresentationsfromBioClinicalBERT模型框架是在BERT的基础上，针对生物医学领域进行了特定的预训练和[0020]将Huber损失作为定制双塔交叉注意力脑卒中疾病分类模型框架训练过程中的损y选用基于ChatGLM大语言模型的时间实体识别模型框架，将交叉熵损失函数作为9行上述的预处理后得到训练数据；通过训练数据对基于ChatGLM大语言模型的时间实体识备高度并行化的计算能力，并能够捕捉长距离的语言依赖关系；ChatGLM模型是基于OpenAI的GPT模型框架构建的，采用了大规模的预训练数据集来学习语言模式和生成文本于Transformer架构的高度并行化计算能力和对长距离语言依赖关系的捕捉能力，这使得最后根据研究需求定义好的脑卒中疾病分期规则以及患者的脑卒中发病的症状[0026]图4是根据另一示例性实施例示出的脑卒中智能分期装置的系统示意图，所述装症状时间获取模块4：用于将该患者的主诉数据输入到预训练好的时间实体识别症状描述标准化模块5：用于将所述症状描述及其对应的发病时间输入到预训练脑卒中症状时间获取模块6：用于通过所述标准化症状描述在预设置的脑卒中症分期判断模块8：用于通过预设置的脑卒中疾病分期规则对所述脑卒中发病症状未详细说明的内容可以参见其他实施例中相[0033]本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步