电子健康档案系统中临床医生信息的集成与可视化研究

Many patients need to choose a suitable doctor when they need medical care according to their symptoms or medical history, however, up to now, the detailed information of clinicians is scattered over the Web that is hard to be used comprehensively and effectively by patients. Electronic health record (EHR) system has become popular among residents, based on EHR, we extract the detailed information of clinicians from Web and integrate into EHR in order to facilitate patients to obtain. Moreover, unlike the common repository based on Web, we also deal with the obtained knowledge units by knowledge fusion and knowledge processing to form the semantic knowledge network. With this semantic knowledge network, patients can retrieve in terms of themes instead of keywords and the response results can also be shown graphically. Finally, the patients can get what they want. This project is of great significance for solving the problem “the selected clinician is not fit for the symptoms the patient has”.

有医疗需求的患者在就医前，往往会有根据自己的症状、病史等选择合适的临床医生的需求，就目前来说，关于对临床医生详细介绍的信息分散于互联网的各个角落，对于患者来说，无法全面、有效的获取和利用。电子健康档案系统目前已经成为居民最为熟悉的健康管理系统，本课题在此基础上，通过信息抽取技术，对分散在互联网上的临床医生的各类相关信息进行抽取，并集成至电子健康档案系统之中，使得有就医需求的患者获取知识的渠道变得更加便捷，知识内容也更为集中。另外，与一般的基于互联网建设的资源库不同，本课题还对所获取的知识单元进行融合和加工处理，使其形成具有语义关系的知识网络，使得有就医需求的患者可以进行主题检索，并以图形化的方式将结构化的知识反馈给患者，使得患者可以获取更准确和更有深度知识。本课题的开展对于解决“症不对医”问题有着非常重要的意义。

在网络信息化高度发达的今天，绝大部分医院的门户网站、第三方的健康咨询网站以及百科类网站均有对临床医生的基本情况以及擅长的领域的详细介绍，甚至包括患者对医生的情感评价。将这些信息进行集成，可以快速帮助社区居民找到合适的主治医师。为了实现这样的目标，本项目研究的主要技术内容包括：1）通过无监督表示学习方式得到实体词特征和词性特征的分布式表示（即将高维稀疏向量映射成低维稠密向量），然后构建具有深度学习架构的实体识别模型，进一步学习更深层特征，并进行实体识别；2）属性和关系识别；3）解决实体关系不均匀性和不平衡性问题。完成上述3点核心内容的关键是需要开发聚类和分类算法。在聚类方面我们完成了：1）基于贝叶斯框架，提出了一种基于代表点的自适应聚类算法；2）提出了一种基于代表点的多视角模糊聚类算法，实现多视角协同学习。在分类方面我们完成了：1）提出了一种栈式深度模糊系统；2）提出了一种具有视角自动约简功能的多视角模糊系统。通过本项目的实施，能够有效地将分散在网络上的临床医生的信息汇总，在语义层构建知识网络，提供统一查询接口并且能够以可视化的方式显示，这对于帮助患者在就诊前选择合适的临床医生有着非常大的作用和意义。