本发明属于电子病历技术领域，特别涉及一种基于人工智能学习的医生电子病历自动生成系统。
背景技术：
临床医生们几乎每天都必须面临的一项重要工作是撰写电子病历、诊断报告和病人病程详细描述。因为没有针对专科专病的中文医学词库，加上绝大多数医生非专业打字员，他们书写电子病历会消耗掉大量的工作时间，大大降低了医生为病人服务的效率、减少医生用于学习和科研的时间。
目前绝大多数医生在撰写电子病历时采用的方式基本上是通过少数word格式的模板，采用复制黏贴的方式撰写电子病历，撰写的电子病历书往往不符合国卫办医发(2017)8号发布的《电子病历应用管理规范(试行)》要求。常常因为书写的不规范和错误，给医疗纠纷埋下隐患。
现在已有各种电子病历撰写的各种辅助软件和模板，基本上是基于2017版《电子病历应用管理规范(试行)》要求开发的电子模板而已。电子病历的全部内容几乎还是需要医生从头至尾逐项输入，除了帮助医生规范化书写模板以外，几乎不能减轻医生的工作量。
技术实现要素：
针对上述问题，本发明提供一种新的基于人工智能学习的医生电子病历自动生成系统，该基于人工智能学习的医生电子病历自动生成系统可以实现专病或专科中文医学输入词库，并且可以大大减少医生花在电子病历撰写上的时间。
本发明具体技术方案如下：
本发明提供一种基于人工智能学习的医生电子病历自动生成系统，包括如下部分：
电子病历预处理单元：用于对现有的电子病历进行清洗、整合、整理、清理以及预处理；
电子病历处理单元：用于对经过电子病历预处理单元处理的电子病历进行自然语处理；
词库生成单元：用于基于自然语处理后的电子病历建立专病或专科中文词库；
病历生成单元：用于基于人工输入的关键字，在中文词库中搜寻与所述关键字相匹配的电子病历，将电子病历进行处理后生成新的电子病历。
进一步的改进，所述词库生成单元包括如下部分：
病历存储模块：用于存储基于自然语处理后的电子病历；
筛选模块：用于在病历存储模块存储的电子病历中提取使用次数大于等于阈值的高频词汇，将提取出的高频词汇与病历存储模块中存储的各电子病历相关联，并对高频词汇进行专病或专科分类；
词库建立模块：用于基于上述提取的高频词汇建立中文医学词库以及中文医学输入法，并作为专病或专科中文词输入词库。
进一步的改进，所述电子病历预处理单元包括如下部分：
病历库模块：用于基于现有电子病历建立专病或专科病历库；
数据集成模块：用于基于病历库模块将多个电子病历中的数据结合起来并存储；
数据清洗模块：用于去掉现有电子病历中的噪音和无关数据；
数据变换模块：用于基于数据归约技术将经过数据清洗模块清洗后的电子病历中的数据转换为数据集。
进一步的改进，所述筛选模块包括显示子界面，所述显示子界面用于显示病历存储模块中的电子病历，所述显示子界面上设有筛选键，所述筛选键与专病或专科特征的高频词汇相关联。
进一步的改进，所述病历存储模块包括多个数据子模块，各所述数据子模块用于将电子病历处理单元处理后的电子病历基于专病或专科进行分类存储。
进一步的改进，所述病历生成单元包括相似病历寻找模块；所述相似病历寻找模块包括如下部分：
接收模块：用于接收医院网络系统自动导入的临床检查数据；
搜寻模块：用于基于人工输入的关键字和自动导入的临床检查数据在词库生成单元中搜寻相关的电子病历；
第一显示模块：用于显示搜寻到的电子病历，显示界面上还设有修改按钮，用于链接一修改界面供人工对显示的电子病历进行修改。
进一步的改进，所述病历生成单元包括电子病历自动生成模块；所述电子病历自动生成模块包括如下部分：
模型建立模块：用于通过人工智能深度学习技术对现有电子病历进行深度学习并建立模型；
自动生成模块：用于基于人工输入的关键字在词库生成单元中搜寻与所述关键字相匹配的电子病历，基于搜寻到的电子病历通过模型建立模块自动生成新的电子病历；
第二显示模块：用于显示自动生成的新的电子病历，显示界面上还设有修改按钮，用于链接一修改界面供人工对显示的电子病历进行修改。
进一步的改进，所述病历生成单元还包括病历重新生成模块，所述病历重新生成模块用于接收医生修改后新生成的电子病历，并将新生成的电子病历存储到所述病历库模块中。
进一步的改进，所述搜寻模块包括如下部分：
病历搜寻子模块：用于基于关键字和临床检查数据在词库生成单元中搜寻拟合度最高的一组电子病历，并根据拟合度进行排序；
突出显示子模块：用于在人工选择出的电子病历中突出显示提醒哪些项目或内容是必须修改和增减项。
进一步的改进，所述相似病历寻找模块还包括如下部分：
触发模块：用于触发处方寻找模块启动；
处方寻找模块：用于基于人工修改后新生成的电子病历在词库生成单元中寻找相匹配的处方和病程，通过第一显示模块显示，并基于显示界面上的修改按钮链接一修改界面供人工对显示的处方和病程进行修改，并将人工修改后新生成的处方和病程存储到所述病历库模块中。
本发明的有益效果如下：
本发明提供一种新的基于人工智能学习的医生电子病历自动生成系统，可以实现专病或专科中文医学输入词库，可以大大减少医生花在电子病历撰写上的时间，并且可以自动纠错且至少可以减少90％以上的错误，可以提高新入行医生或者医疗水平相对较低地区的整体医疗水平；并且随着电子病历预处理单元中新电子病历的增加，大数据拟合和深度学习出来的病历和处方更精准、更完善、需要医生手工修改的地方会更少；运用范围广，几乎每个医生都可以用得上。
附图说明
图1为实施例1基于人工智能学习的医生电子病历自动生成系统的结构框图；
图2为实施例2基于人工智能学习的医生电子病历自动生成系统的结构框图；
图3为实施例3基于人工智能学习的医生电子病历自动生成系统的结构框图；
图4为实施例4基于人工智能学习的医生电子病历自动生成系统的结构框图；
图5为实施例5基于人工智能学习的医生电子病历自动生成系统的结构框图；
图6为实施例6基于人工智能学习的医生电子病历自动生成系统的结构框图。
具体实施方式
下面结合附图和以下实施例对本发明作进一步详细说明。
实施例1
本发明实施例1提供一种基于人工智能学习的医生电子病历自动生成系统，如图1所示，包括如下部分：
电子病历预处理单元10：用于对现有的电子病历进行清洗、整合、整理、清理以及预处理；
电子病历处理单元20：用于对经过电子病历预处理单元10处理的电子病历进行自然语处理；
词库生成单元30：用于基于自然语处理后的电子病历建立专病或专科中文词库；
病历生成单元40：用于基于人工输入的关键字，在中文词库中搜寻与所述关键字相匹配的电子病历，将电子病历进行处理后生成新的电子病历。
本发明提供一种新的基于人工智能学习的医生电子病历自动生成系统，可以实现专病或专科中文医学输入词库，可以大大减少医生花在电子病历撰写上的时间，并且可以自动纠错且至少可以减少90％以上的错误；本发明符合2017版《电子病历应用管理规范(试行)》规范病历的要求，可以提高新入行医生或者医疗水平相对较低地区的整体医疗水平；并且随着电子病历预处理单元中新电子病历的增加，大数据拟合和深度学习出来的病历和处方更精准、更完善、需要医生手工修改的地方会更少；运用范围广，几乎每个医生都可以用得上。
实施例2
本发明实施例2提供的基于人工智能学习的医生电子病历自动生成系统与实施例1基本相同，不同的是，如图2所示，所述词库生成单元30包括如下部分：
病历存储模块31：用于存储基于自然语处理后的电子病历；
筛选模块32：用于在病历存储模块31存储的电子病历中提取使用次数大于等于阈值的高频词汇，将提取出的高频词汇与病历存储模块31中存储的各电子病历相关联，并对高频词汇进行专病或专科分类；
词库建立模块33：用于基于上述提取的高频词汇建立中文医学词库以及中文医学输入法，并作为专病或专科中文词输入词库。
本发明中通过上述模块的依次对电子病历进行处理进而建立中文医学词库，以便后续步骤的进行；其中提取的高频词汇为电子病历中使用次数大于等于阈值的词汇，阈值可以为1或2或3，根据实际情况而定，本实施例中优选阈值为5。
实施例3
本发明实施例3提供的基于人工智能学习的医生电子病历自动生成系统与实施例1基本相同，不同的是，如图3所示，所述电子病历预处理单元10包括如下部分：
病历库模块11：用于基于现有电子病历建立专病或专科病历库；
数据集成模块12：用于基于病历库模块将多个电子病历中的数据结合起来并存储；
数据清洗模块13：用于去掉现有电子病历中的噪音和无关数据；
数据变换模块14：用于基于数据归约技术将经过数据清洗模块13清洗后的电子病历中的数据转换为数据集。
本发明中通过上述模块依次对电子病历进行处理进而将电子病历中的数据转换为数据集，该数据集仍大致保持数据的完整性，在归约后的数据上进行挖掘更加有效；数据规约技术为数据立方体聚集，维归约，数据压缩，数值归约，离散化和概念分层等，根据实际情况而定，本实施例中优选数据压缩技术。
实施例4
本发明实施例4提供的基于人工智能学习的医生电子病历自动生成系统与实施例2基本相同，不同的是，如图4所示，所述筛选模块32包括显示子界面321，所述显示子界面321用于显示病历存储模块31中的电子病历，所述显示子界面321上设有筛选键，所述筛选键与专病或专科特征的高频词汇相关联。
本实施例中所述病历存储模块31包括多个数据子模块311，各所述数据子模块311用于将电子病历处理单元20处理后的电子病历基于专病或专科进行分类存储。
本发明中显示子界面上设有筛选键，筛选键与专病或专科特征的高频词汇相关联，便于人工筛选专病或专科特征的高频词汇；病历存储模块包括多个数据子模块，每个数据子模块用于存储不同专病或专科的电子病历，便于后续对电子病历的搜寻，搜寻时，先根据人工输入的关键字搜寻相对应的数据子模块，然后在数据子模块中搜寻相应的电子病历，大大增加了搜寻速度，节省了时间。
实施例5
本发明实施例5提供的基于人工智能学习的医生电子病历自动生成系统与实施例1基本相同，不同的是，如图5所示，所述病历生成单元40包括相似病历寻找模块41；所述相似病历寻找模块41包括如下部分：
接收模块411：用于接收医院网络系统自动导入的临床检查数据；
搜寻模块412：用于基于人工输入的关键字和自动导入的临床检查数据在词库生成单元30中搜寻相关的电子病历；
第一显示模块413：用于显示搜寻到的电子病历，显示界面上还设有修改按钮，用于链接一修改界面供人工对显示的电子病历进行修改。
本实施例中所述病历生成单元40还包括病历重新生成模块43，所述病历重新生成模块43用于接收医生修改后新生成的电子病历，并将新生成的电子病历存储到所述病历库模块11中。
本实施例中所述搜寻模块412包括如下部分：
病历搜寻子模块4121：用于基于关键字和临床检查数据在词库生成单元30中搜寻拟合度最高的一组电子病历，并根据拟合度进行排序；
突出显示子模块4122：用于在人工选择出的电子病历中突出显示提醒哪些项目或内容是必须修改和增减项。
所述相似病历寻找模块41还包括如下部分：
触发模块414：用于触发处方寻找模块415启动；
处方寻找模块415：用于基于人工修改后新生成的电子病历在词库生成单元30中寻找相匹配的处方和病程，通过第一显示模块413显示，并基于显示界面上的修改按钮链接一修改界面供人工对显示的处方和病程进行修改，并将人工修改后新生成的处方和病程存储到所述病历库模块11中。
本发明中通过人工智能的方法，根据人工输入的关键字和自动导入的临床检查数据在词库生成单元中搜寻拟合度最高的一组电子病历，并将搜寻到的相似病历根据拟合度进行排序，医生可以选择某一电子病历，在这个电子病历中会突出提醒哪些项目或内容是必须修改和增减项，以确保新的电子病历不会发生人为错误，医生在此基础上做适当修改，并保存成为新的电子病历；相似病历拟合排序算法有：1)超级几何算法；2)基于词频统计——词位置加权的搜索引擎；3)pagerank算法；4)topic-sensitivepagerank算法；5)hilltop算法；6)textrank算法；7)文本聚类(textclustering)。
实施例6
本发明实施例6提供的基于人工智能学习的医生电子病历自动生成系统与实施例1基本相同，不同的是，如图6所示，所述病历生成单元40包括电子病历自动生成模块42；所述电子病历自动生成模块42包括如下部分：
模型建立模块421：用于通过人工智能深度学习技术对现有电子病历进行深度学习并建立模型；
自动生成模块422：用于基于人工输入的关键字在词库生成单元30中搜寻与所述关键字相匹配的电子病历，基于搜寻到的电子病历通过模型建立模块421自动生成新的电子病历；
第二显示模块423：用于显示自动生成的新的电子病历，显示界面上还设有修改按钮，用于链接一修改界面供人工对显示的电子病历进行修改。
本实施例中所述病历生成单元40还包括病历重新生成模块43，所述病历重新生成模块43用于接收医生修改后新生成的电子病历，并将新生成的电子病历存储到所述病历库模块11中。
本发明中通过人工智能深度学习技术，学习已存电子病历和处方，通过大数据训练，最终形成自动撰写对应病人的电子病历和电子处方，随着自身产生的新电子病历的增加，大数据拟合和深度学习出来的病历和处方更精准、更完善、需要医生手工修改的地方会更少，运用范围广，几乎每个医生都可以用得上；人工智能深度学习技术通过算法来实现，具体深度学习的算法包含有：1)autoencoder自动编码器；2)sparsecoding稀疏编码；3)restrictedboltzmanmachine(rbm)限制波尔兹曼机；4)deepbeliefnetworks(dbn)深度信念网络；5)convolutionalneuralnetwork(cnn)卷积神经网络；6)循环神经网络(rnn)；7)递归神经络(rnn)；9)长短期记忆循环神经网络(lstm-rnn)10)tensorflow,keras,theano,deeplearning4j等工具的文本生成系统。
实施例5和实施例6为两种不同的生成电子病历的方案，两种方案各有其优点，采用哪种方案来生成电子病历根据实际情况而定。
以上所述实施例仅仅是本发明的优选实施方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案作出的各种变形和改进，均应落入本发明的权利要求书确定的保护范围内。