一种基于提示学习模型的临床决策预警的方法和系统与流程

本技术涉及医疗信息化，具体涉及一种基于提示学习模型的临床决策预警的方法和系统。

背景技术：

1、临床诊疗是指通过相应检查方式明确患者所患疾病后，采取临床手段对疾病进行治疗的一种方式，然而在临床治疗中会面临对疾病的用药限制性和关联性等问题，例如，在某些检测中，当数值达到一定值时，会出现对某些药品需要限制剂量使用或者不能使用的情况。如何评定医生在临床诊疗中所开的药物及处方的正确性及适量性是本领域技术人员亟待解决的技术问题。

技术实现思路

1、(一)申请目的

2、有鉴于此，本技术的目的在于提供一种基于提示学习模型的临床决策预警的方法和系统，用于解决如何评定医生在临床诊疗中所开的药物及处方的正确性及适量性的技术问题。

3、(二)技术方案

4、本技术提供了一种基于提示学习模型的临床决策预警的方法，包括如下步骤：

5、s1、采集一段时间内的多个临床病历，构建待评定集合，所述待评定集合包括多个待评定文本，每个待评定文本与每个临床病历一一对应，所述待评定文本包括对应的临床病历的关键信息，所述关键信息包括多个临床类别和每个临床类别的具体信息，所述多个临床类别包括疾病名称、检测指标、所开药物名称和所开药物的剂量；

6、s2、基于标准信息构建标准集合，所述标准集合包括多个标准类别；每个标准类别包括多个具体信息，多个标准类别包括疾病名称、检测指标、所开药物名称和所开药物的剂量；

7、s3、基于语言模型将所述待评定文本与所述标准集合匹配，在待评定文本的疾病名称和检测指标的具体信息与标准集合中疾病名称和检测指标的具体信息匹配的情况下判断该待评定文本中所开药物名称和所开药物的剂量的具体信息与标准集合中疾病名称和检测指标对应的所开药物名称和所开药物的剂量的具体信息是否匹配；当判断不匹配时，对该待评定文本进行预警。

8、在一种可能的实施方式中，所述语言模型包括通过提示学习范式利用的gpt预训练模型。

9、在一种可能的实施方式中，所述基于语言模型将所述待评定文本与所述标准集合匹配，在待评定文本的疾病名称和检测指标的具体信息与标准集合匹配的情况下判断该待评定文本中所开药物名称和所开药物的剂量是否匹配包括：

10、s31、将待评定集合中的任一待评定文本和标准集合中的疾病名称类别的任一具体信息进行两两组合构成多个样本组集合，多个样本组集合中的每个样本组包括一个待评定文本、所述标准集合的疾病名称的任一具体信息和gpt预训练模型执行的任务信息，所述执行的任务信息包括对每个样本组中待评定文本的疾病名称和标准集合中的疾病名称类别的任一具体信息进行实体识别；

11、s32、基于gpt预训练模型计算每个样本组中的待评定文本中疾病名称的具体信息隶属于标准类别中疾病名称的具体信息匹配的概率值，基于概率值识别标准类别中与待评定文本匹配的疾病名称的具体信息；

12、s33、基于所述匹配的疾病名称的具体信息识别与该疾病名称的具体信息对应的检测指标的多个具体信息，基于所述检测指标的多个具体信息中识别与待评定文本匹配的具体信息；基于识别的与待评定文本匹配的具体信息，判断与之对应的所开药物名称和所开药物的剂量的具体信息与待评定文本中所开药物名称和所开药物的剂量的具体信息是否匹配。

13、在一种可能的实施方式中，所述基于概率值识别标准类别中与待评定文本匹配的疾病名称的具体信息包括：基于概率值计算待评定文本和标准集合中疾病名称的具体信息是否相似的二分类的概率分布，基于概率分布输出结果。

14、在一种可能的实施方式中，基于所述匹配的疾病名称的具体信息识别与该疾病名称的具体信息对应的检测指标的多个具体信息，基于所述检测指标的多个具体信息中识别与待评定文本匹配的具体信息；基于识别的与待评定文本匹配的具体信息，判断与之对应的所开药物名称和所开药物的剂量的具体信息与待评定文本中所开药物名称和所开药物的剂量的具体信息是否匹配包括：基于所述标准集合构建知识图谱，基于所述匹配的疾病名称的具体信息识别多个路径，基于每个路径与所述待评定文本进行匹配。

15、作为本技术的第二方面，提供了一种基于提示学习模型的临床决策预警的系统，包括待评定集合构建模块、标准集合构建模块和匹配模块；其中，所述待评定集合构建模块用于采集一段时间内的多个临床病历，构建待评定集合，所述待评定集合包括多个待评定文本，每个待评定文本与每个临床病历一一对应，所述待评定文本包括对应的临床病历的关键信息，所述关键信息包括多个临床类别和每个临床类别的具体信息，所述多个临床类别包括疾病名称、检测指标、所开药物名称和所开药物的剂量；所述标准集合构建模块用于基于标准信息构建标准集合，所述标准集合包括多个标准类别；每个标准类别包括多个具体信息，多个标准类别包括疾病名称、检测指标、所开药物名称和所开药物的剂量；所述匹配模块用于基于语言模型将所述待评定文本与所述标准集合匹配，在待评定文本的疾病名称和检测指标的具体信息与标准集合中疾病名称和检测指标的具体信息匹配的情况下判断该待评定文本中所开药物名称和所开药物的剂量的具体信息与标准集合中疾病名称和检测指标对应的所开药物名称和所开药物的剂量的具体信息是否匹配；当判断不匹配时，对该待评定文本进行预警。

16、在一种可能的实施方式中，所述语言模型包括通过提示学习范式利用的gpt预训练模型。

17、在一种可能的实施方式中，所述匹配模块包括样本组合单元、概率计算单元和判断单元；所述样本组合单元用于将待评定集合中的任一待评定文本和标准集合中的疾病名称类别的任一具体信息进行两两组合构成多个样本组集合，多个样本组集合中的每个样本组包括一个待评定文本、所述标准集合的疾病名称的任一具体信息和gpt预训练模型执行的任务信息，所述执行的任务信息包括对每个样本组中待评定文本的疾病名称和标准集合中的疾病名称类别的任一具体信息进行实体识别；概率计算单元用于基于gpt预训练模型计算每个样本组中的待评定文本中疾病名称的具体信息隶属于标准类别中疾病名称的具体信息匹配的概率值，基于概率值识别标准类别中与待评定文本匹配的疾病名称的具体信息；判断单元用于基于所述匹配的疾病名称的具体信息识别与该疾病名称的具体信息对应的检测指标的多个具体信息，基于所述检测指标的多个具体信息中识别与待评定文本匹配的具体信息；基于识别的与待评定文本匹配的具体信息，判断与之对应的所开药物名称和所开药物的剂量的具体信息与待评定文本中所开药物名称和所开药物的剂量的具体信息是否匹配。

18、在一种可能的实施方式中，所述基于概率值识别标准类别中与待评定文本匹配的疾病名称的具体信息包括：基于概率值计算待评定文本和标准集合中疾病名称的具体信息是否相似的二分类的概率分布，基于概率分布输出结果。

19、在一种可能的实施方式中，所述判断单元包括：基于所述标准集合构建知识图谱，基于所述匹配的疾病名称的具体信息识别多个路径，基于每个路径与所述待评定文本进行匹配。

20、(三)有益效果

21、通过提取临床病历和标准信息进行对比来评定医生在在临床诊疗中所开的药物及处方，提高了医生在临床诊疗中所开的药物及处方的正确性和所开的药物及处方剂量的准确性。

22、本技术的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本技术的实践中得到教导。本技术的目标和其他优点可以通过下面的说明书来实现和获得。