【技術實現步驟摘要】
本專利技術涉及計算機，特別涉及一種醫療隨訪建議生成方法、系統、設備及介質。
技術介紹
1、隨著人工智能和大數據技術的快速發展，醫學領域的數據驅動應用逐漸成為研究熱點。大模型在自然語言處理領域表現出色，特別是在處理海量醫療數據和復雜醫學問題時展現了巨大的潛力。醫療隨訪作為醫療服務的重要組成部分，對于患者康復、慢性病管理和疾病預防具有重要意義。然而，傳統的隨訪建議生成主要依賴于醫生的經驗和主觀判斷，存在效率低、個性化不足等問題。尤其是在面對復雜病例和異常情況時，傳統方法往往難以提供精準的隨訪建議。因此，如何利用先進的人工智能技術，特別是大模型技術，來提升隨訪建議的質量和效率，成為當前醫學研究的重要課題。
2、目前，已有不少研究嘗試將大模型應用于醫學領域，特別是在醫學影像分析、電子病歷處理和疾病預測等方面取得了一定成果。例如，基于深度學習的醫學影像診斷系統能夠在某些特定的疾病檢測中達到甚至超過人類專家的水平；自然語言處理技術在電子病歷信息提取和結構化處理方面也展現出顯著的優勢。然而，在隨訪建議生成這一特定領域，相關研究和應用仍較為有限。現有的一些嘗試主要集中在利用機器學習模型對隨訪數據進行分析和預測，但這些方法通常依賴于特定的特征工程和模型設計，難以充分利用大模型的強大能力。
3、綜上，如何實現高效的相似異常隨訪建議的自動化生成是本領域有待解決的技術問題。
技術實現思路
1、有鑒于此，本專利技術的目的在于提供一種醫療隨訪建議生成方法、系統、設備及介質，能夠實現高效
2、第一方面，本申請公開了一種醫療隨訪建議生成方法，包括：
3、獲取目標檢查檢驗報告，并從所述目標檢查檢驗報告中提取目標異常值及對應的目標異常值標簽；
4、將所述目標異常值標簽輸入至預設語義向量模型，以便通過所述預設語義向量模型對所述目標異常值標簽進行向量轉換，以得到相應的目標特征向量；
5、通過所述預設語義向量模型對預設隨訪數據庫中的以鍵值對形式構建的異常值標簽-隨訪建議中的各異常值標簽進行向量轉換，以得到相應的待匹配特征向量；
6、分別計算所述目標特征向量與各所述待匹配特征向量之間相似度，基于相似度最高的目標相似度結果確定所述目標特征向量對應的隨訪建議，以得到所述目標異常值的對應醫療隨訪建議。
7、可選的，所述通過所述預設語義向量模型對預設隨訪數據庫中的以鍵值對形式構建的異常值標簽-隨訪建議中的各異常值標簽進行向量轉換，以得到相應的待匹配特征向量之前，還包括：
8、將各數據方的病例文本報告分別輸入若干醫學大語言模型，以便各醫學大語言模型對所述病例文本報告進行文本清洗和文本結構化處理，以得到預設格式的結構化病例文本；
9、將各所述結構化病例文本按照隨訪科室、異常癥狀進行拆分，以得到拆分后的各異常值，并為各所述異常值的標記相應的異常值標簽；
10、將各數據方的病例文本報告分別輸入若干醫學大語言模型，以便各醫學大語言模型提取所述病例文本報告中的隨訪建議，并通過投票擇優方式融合各醫學大語言模型提取出的針對同一個異常值標簽的若干隨訪建議，以確定與所述異常值標簽對應的隨訪建議；
11、對各所述異常值標簽與對應的隨訪建議按照鍵值對形式進行存儲，以得到異常值標簽-隨訪建議，并根據異常值標簽-隨訪建議構建預設隨訪數據庫。
12、可選的，所述將各數據方的病例文本報告分別輸入若干醫學大語言模型之前，還包括：
13、利用預處理的醫療病例文本數據、醫學知識庫內容對各初始大語言模型進行異常值提取訓練、隨訪建議提取訓練、隨訪建議預測訓練，以便各初始大語言模型學習醫學術語與異常值之間的關聯性、病例長句與異常信息之間的關系、病例文本與結構化列表之間的映射關系、異常值標簽與隨訪建議的對應關系，得到訓練后的各醫學大語言模型。
14、可選的，所述將各所述結構化病例文本按照隨訪科室、異常癥狀進行拆分，以得到拆分后的各異常值，并為各所述異常值的標記相應的異常值標簽，包括：
15、通過各所述醫學大語言模型基于醫學知識判斷所述結構化病歷文本中是否存在異常信息，若存在，則對所述結構化病例文本中所有的異常信息按照隨訪科室、異常癥狀進行拆分，并生成各隨訪科室的異常值列表；其中，所述異常值列表包括隨訪科室、對應的各異常值以及各異常值的異常值標簽。
16、可選的，所述對所述結構化病例文本中所有的異常信息按照隨訪科室、異常癥狀進行拆分，并生成各隨訪科室的異常值列表，包括：
17、通過各所述醫學大語言模型中的異常值提取模塊并基于醫學術語與異常信息之間的關聯關系對所述結構化病例長句中的異常信息進行提取，并對每一結構化病例長句中的異常信息按照隨訪科室、異常癥狀進行拆分，以得到以隨訪科室、醫學術語構建的異常值標簽、對應的異常值構建的異常值列表。
18、可選的，所述基于相似度最高的目標相似度結果確定所述目標特征向量對應的隨訪建議，以得到所述目標異常值的對應醫療隨訪建議，包括：
19、若目標相似度結果大于預設相似度閾值，則將所述目標相似度結果中的所述待匹配特征向量對應的隨訪建議確定為所述目標特征向量對應的隨訪建議；
20、若目標相似度結果小于或等于預設相似度閾值，則將所述目標異常值標簽輸入至各醫學大語言模型，以便基于各所述醫學大語言模型進行相應的隨訪建議推薦，并根據隨訪建議推薦結果確定與所述目標異常值對應的醫療隨訪建議。
21、可選的，所述基于相似度最高的目標相似度結果確定所述目標特征向量對應的隨訪建議，以得到所述目標異常值的對應醫療隨訪建議之后，還包括：
22、通過醫學大語言模型對所述醫療隨訪建議進行文本解釋說明和注意事項說明，以生成醫療隨訪建議長文本。
23、第二方面，本申請公開了一種醫療隨訪建議生成系統，包括：
24、報告提取模塊，用于獲取目標檢查檢驗報告，并從所述目標檢查檢驗報告中提取目標異常值及對應的目標異常值標簽；
25、向量轉換模塊，用于將所述目標異常值標簽輸入至預設語義向量模型，以便通過所述預設語義向量模型對所述目標異常值標簽進行向量轉換，以得到相應的目標特征向量；
26、匹配模塊，用于通過所述預設語義向量模型對預設隨訪數據庫中的以鍵值對形式構建的異常值標簽-隨訪建議中的各異常值標簽進行向量轉換，以得到相應的待匹配特征向量；
27、建議生成模塊，用于分別計算所述目標特征向量與各所述待匹配特征向量之間相似度，基于相似度最高的目標相似度結果確定所述目標特征向量對應的隨訪建議，以得到所述目標異常值的對應醫療隨訪建議。
28、第三方面，本申請公開了一種電子設備，包括：
29、存儲器，用于保存計算機程序；
30、處理器，用于執行所述計算機程序，以實現前述公開的醫療隨訪建議生成方法的步驟。
31、第四本文檔來自技高網...
【技術保護點】
1.一種醫療隨訪建議生成方法，其特征在于，包括：
2.根據權利要求1所述的醫療隨訪建議生成方法，其特征在于，所述通過所述預設語義向量模型對預設隨訪數據庫中的以鍵值對形式構建的異常值標簽-隨訪建議中的各異常值標簽進行向量轉換，以得到相應的待匹配特征向量之前，還包括：
3.根據權利要求2所述的醫療隨訪建議生成方法，其特征在于，所述將各數據方的病例文本報告分別輸入若干醫學大語言模型之前，還包括：
4.根據權利要求2所述的醫療隨訪建議生成方法，其特征在于，所述將各所述結構化病例文本按照隨訪科室、異常癥狀進行拆分，以得到拆分后的各異常值，并為各所述異常值的標記相應的異常值標簽，包括：
5.根據權利要求4所述的醫療隨訪建議生成方法，其特征在于，所述對所述結構化病例文本中所有的異常信息按照隨訪科室、異常癥狀進行拆分，并生成各隨訪科室的異常值列表，包括：
6.根據權利要求1所述的醫療隨訪建議生成方法，其特征在于，所述基于相似度最高的目標相似度結果確定所述目標特征向量對應的隨訪建議，以得到所述目標異常值的對應醫療隨訪建議，包括：
<...【技術特征摘要】
1.一種醫療隨訪建議生成方法，其特征在于，包括：
2.根據權利要求1所述的醫療隨訪建議生成方法，其特征在于，所述通過所述預設語義向量模型對預設隨訪數據庫中的以鍵值對形式構建的異常值標簽-隨訪建議中的各異常值標簽進行向量轉換，以得到相應的待匹配特征向量之前，還包括：
3.根據權利要求2所述的醫療隨訪建議生成方法，其特征在于，所述將各數據方的病例文本報告分別輸入若干醫學大語言模型之前，還包括：
4.根據權利要求2所述的醫療隨訪建議生成方法，其特征在于，所述將各所述結構化病例文本按照隨訪科室、異常癥狀進行拆分，以得到拆分后的各異常值，并為各所述異常值的標記相應的異常值標簽，包括：
5.根據權利要求4所述的醫療隨訪建議生成方法，其特征在于，所述對所述結構化病例文本中所有的異常信息按照隨訪...
【專利技術屬性】
技術研發人員：朱立峰，胡偉國，黃飛躍，楊郁青，魯維海，李紹欣，王晨，姜勝耀，陳永杰，
申請(專利權)人：上海交通大學醫學院附屬瑞金醫院，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。