【I898745】疾病分類編碼推薦方法及系統

快速搜尋

【I898745】疾病分類編碼推薦方法及系統

書目

公告號	I898745
公告日	2025/09/21
公報卷期	52-27
證書號	I898745
申請號	113127909 E
申請日	2024/07/26
公報IPC	G16H 10/60(2018.01); G16H 10/00(2018.01)
當前IPC	G16H 10/60(2018.01); G16H 10/00(2018.01)
申請人	高雄醫學大學高雄市三民區十全一路100號 (中華民國) (TW); 國立高雄科技大學高雄市三民區建工路415號 (中華民國) (TW)
申請人標準名稱	高雄醫學大學; KAOHSIUNG MED UNIV; 國立高雄科技大學; NATIONAL KAOHSIUNG UNIV OF SCIENCE AND TECH
當前專利權人	高雄醫學大學; 國立高雄科技大學
專利權人標準名稱	高雄醫學大學; KAOHSIUNG MED UNIV; 國立高雄科技大學; NATIONAL KAOHSIUNG UNIV OF SCIENCE AND TECH
發明人	戴鴻傑 (中華民國) (TW); 蔡明儒 (中華民國) (TW); 呂安代 (中華民國) (TW); 劉崇鑫 (中華民國) (TW); 李明達 (中華民國) (TW); 李政皓 (中華民國) (TW); 高浩雲 (中華民國) (TW)
代理人	高玉駿; 楊祺雄
當前代理人	高玉駿; 楊祺雄
審查委員	黃偉程
摘要	一種疾病分類編碼推薦方法，利用一電腦系統來執行以下步驟：根據一電子病歷資料利用文本標記化技術產生一電子病歷標記化結果：根據該電子病歷標記化結果利用文本特徵提取技術獲得一電子病歷特徵提取結果；根據該電子病歷特徵提取結果利用一疾病分類編碼推薦模型，產生多個推薦編碼組合；獲得使用者反饋編碼組合，並產生對應於該使用者反饋編碼組合的置信度及一最佳推薦編碼組合；將該電子病歷資料作為一歷史電子病歷資料，並儲存該歷史電子病歷資料、該使用者反饋編碼組合、對應於該使用者反饋編碼組合的置信度及該最佳推薦編碼組合。

參考文獻

引用專利	CN109065157B E; CN115270718A E; TWI776638B; TWI850051B; TWM658123U

專利範圍

專利範圍

1.一種疾病分類編碼推薦方法，利用一電腦系統來執行，對於每一電子病歷資料，該疾病分類編碼推薦方法包含以下步驟： (A)根據該電子病歷資料，利用文本標記化技術，產生一電子病歷標記化結果，該電子病歷標記化結果包括多個病歷項目類型及每一病歷項目類型所對應的病歷項目文本資料； (B)根據該電子病歷標記化結果，利用文本特徵提取技術，獲得一電子病歷特徵提取結果，該電子病歷特徵提取結果包括一對應於該等病歷項目類型的病歷項目類型特徵矩陣及一對應於該等病歷項目文本資料的病歷項目語意特徵矩陣； (C)根據該電子病歷特徵提取結果，利用一預先建立的疾病分類編碼推薦模型，產生多個推薦編碼組合，每一推薦編碼組合包括一主要編碼及零或至少一個次要編碼； (D)獲得一對應於該等推薦編碼組合的使用者反饋編碼組合，並根據該使用者反饋編碼組合產生對應於該使用者反饋編碼組合的置信度及一最佳推薦編碼組合，該最佳推薦編碼組合為該等推薦編碼組合中與該使用者反饋編碼組合相匹配的一者；及 (E)將該電子病歷資料作為一歷史電子病歷資料，並儲存該歷史電子病歷資料、該使用者反饋編碼組合、對應於該使用者反饋編碼組合的置信度及該最佳推薦編碼組合。

2.如請求項1所述的疾病分類編碼推薦方法，在步驟(E)之後，對於每一歷史電子病歷資料，還包含以下步驟： (F)根據該歷史電子病歷資料，利用文本標記化技術，產生另一電子病歷標記化結果； (G)根據該另一電子病歷標記化結果，利用文本特徵提取技術，獲得另一電子病歷特徵提取結果； (H)根據該另一電子病歷特徵提取結果，利用該疾病分類編碼推薦模型產生多個新的推薦編碼組合； (I)將該等新的推薦編碼組合中與該歷史電子病歷資料所對應的使用者反饋編碼組合相同的一者作為一目標推薦編碼組合，並獲得該目標推薦編碼組合所對應的置信度； (J)根據該歷史電子病歷資料所對應的使用者反饋編碼組合的置信度及該目標推薦編碼組合所對應的置信度，判定該歷史電子病歷資料是否適用於該疾病分類編碼推薦模型的增強式學習；及 (K)當判定出該歷史電子病歷資料適用於該疾病分類編碼推薦模型的增強式學習時，將該歷史電子病歷資料、該歷史電子病歷資料所對應的最佳推薦編碼組合及該歷史電子病歷資料所對應的使用者反饋編碼組合共同作為一增強式訓練資料，並儲存該增強式訓練資料。

3.如請求項1所述的疾病分類編碼推薦方法，對於每一與疾病分類編碼有關的編碼規則資料及該編碼規則資料所對應的一標準編碼組合，還包含以下步驟： (L)根據該編碼規則資料，利用文本標記化技術，產生一編碼規則標記化結果，該編碼規則標記化結果包括一編碼規則類型及該編碼規則類型所對應的編碼規則文本資料； (M)根據該編碼規則標記化結果，利用文本特徵提取技術，獲得一編碼規則特徵提取結果，該編碼規則特徵提取結果包括一對應於該編碼規則類型的編碼規則類型特徵矩陣及一對應於該編碼規則文本資料的編碼規則語意特徵矩陣； (N)根據該編碼規則特徵提取結果，利用該疾病分類編碼推薦模型，產生一預測編碼組合及該預測編碼組合所對應的置信度，該預測編碼組合包括一主要編碼及零或至少一個次要編碼；及 (O)儲存該編碼規則資料、該編碼規則資料所對應的標準編碼組合、該預測編碼組合及該預測編碼組合所對應的置信度。

4.如請求項3所述的疾病分類編碼推薦方法，在步驟(O)之後，對於每一編碼規則資料，還包含以下步驟： (P)根據該編碼規則資料，利用文本標記化技術，產生另一編碼規則標記化結果； (Q)根據該另一編碼規則標記化結果，利用文本特徵提取技術，獲得另一編碼規則特徵提取結果； (R)根據該另一編碼規則特徵提取結果，利用該疾病分類編碼推薦模型，產生另一目標預測編碼組合及該另一目標預測編碼組合所對應的置信度； (S)根據該編碼規則資料所對應的預測編碼組合的置信度及該目標預測編碼組合所對應的置信度，判定該編碼規則資料是否適用於該疾病分類編碼推薦模型的增強式學習；及 (T)當判定出該編碼規則資料適用於該疾病分類編碼推薦模型的增強式學習時，將該編碼規則資料、該編碼規則資料所對應的標準編碼組合及該編碼規則資料所對應的預測編碼組合共同作為一增強式訓練資料，並儲存該增強式訓練資料。

5.如請求項2或4所述的疾病分類編碼推薦方法，還包含以下步驟： (U)根據儲存的所有增強式訓練資料，利用增強式學習技術訓練該疾病分類編碼推薦模型。

6.一種疾病分類編碼推薦系統，包含：一儲存裝置，儲存有一預先建立的疾病分類編碼推薦模型；及一處理器，連接該儲存裝置，並包括：一電子病歷資料預處理模組，用於在獲得一電子病歷資料時，根據該電子病歷資料，利用文本標記化技術，產生一電子病歷標記化結果，該電子病歷標記化結果包括多個病歷項目類型及每一病歷項目類型所對應的病歷項目文本資料；一特徵提取模組，用於根據該電子病歷標記化結果，利用文本特徵提取技術，獲得一電子病歷特徵提取結果，該電子病歷特徵提取結果包括一對應於該等病歷項目類型的病歷項目類型特徵矩陣及一對應於該等病歷項目文本資料的病歷項目語意特徵矩陣；一疾病分類編碼推薦模組，用於根據該電子病歷特徵提取結果，利用該疾病分類編碼推薦模型，產生多個推薦編碼組合，每一推薦編碼組合包括一主要編碼及零或至少一個次要編碼；及一使用者反饋模組，用於在獲得一對應於該等推薦編碼組合的使用者反饋編碼組合時，根據該使用者反饋編碼組合產生對應於該使用者反饋編碼組合的置信度及一最佳推薦編碼組合，該最佳推薦編碼組合為該等推薦編碼組合中與該使用者反饋編碼組合相匹配的一者，將該電子病歷資料作為一歷史電子病歷資料，並將該歷史電子病歷資料、該使用者反饋編碼組合、對應於該使用者反饋編碼組合的置信度及該最佳推薦編碼組合儲存至該儲存裝置。

7.如請求項6所述的疾病分類編碼推薦系統，其中，該處理器還包含一增強式訓練資料選取模組，用於根據該歷史電子病歷資料所對應的使用者反饋編碼組合的置信度及一目標推薦編碼組合所對應的置信度，判定該歷史電子病歷資料是否適用於該疾病分類編碼推薦模型的增強式學習，當判定出該歷史電子病歷資料適用於該疾病分類編碼推薦模型的增強式學習時，將該歷史電子病歷資料、該歷史電子病歷資料所對應的最佳推薦編碼組合及該歷史電子病歷資料所對應的使用者反饋編碼組合共同作為一增強式訓練資料，並將該增強式訓練資料儲存至該儲存裝置。

8.如請求項6所述的疾病分類編碼推薦系統，其中：該處理器還包含一編碼規則資料預處理模組，用於在獲得一與疾病分類編碼有關的編碼規則資料及該編碼規則資料所對應的一標準編碼組合時，根據該編碼規則資料，利用文本標記化技術，產生一編碼規則標記化結果，該編碼規則標記化結果包括一編碼規則類型及該編碼規則類型所對應的編碼規則文本資料；該特徵提取模組根據該編碼規則標記化結果，利用文本特徵提取技術，獲得一編碼規則特徵提取結果，該編碼規則特徵提取結果包括一對應於該編碼規則類型的編碼規則類型特徵矩陣及一對應於該編碼規則文本資料的編碼規則語意特徵矩陣；及該疾病分類編碼推薦模組根據該編碼規則特徵提取結果，利用該疾病分類編碼推薦模型，產生一預測編碼組合及該預測編碼組合所對應的置信度，該預測編碼組合包括一主要編碼及零到多個次要編碼。

9.如請求項8所述的疾病分類編碼推薦系統，其中，該處理器還包含一增強式訓練資料選取模組，用於根據該編碼規則資料所對應的預測編碼組合的置信度及一目標預測編碼組合所對應的置信度，判定該編碼規則資料是否適用於該疾病分類編碼推薦模型的增強式學習，當判定出該編碼規則資料適用於該疾病分類編碼推薦模型的增強式學習時，將該編碼規則資料、該編碼規則資料所對應的標準編碼組合及該編碼規則資料所對應的預測編碼組合共同作為一增強式訓練資料，並儲存該增強式訓練資料。

10.如請求項7或9所述的疾病分類編碼推薦系統，其中，該處理器還包含一增強式訓練模組，用於根據該儲存裝置所儲存的所有增強式訓練資料，利用增強式學習技術訓練該疾病分類編碼推薦模型。

瀏覽數: