基于电子病历的疾病预测方法研究及应用

《基于电子病历的疾病预测方法研究及应用》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、学校代码10459学号或申请号201522172223密级专业硕士学位论文基于电子病历的疾病预测方法研究及应用作者姓名：李慧林导师姓名：柴玉梅教授专业学位名称：工程硕士培养院系：信息工程学院完成时间：2018年5月AthesissubmittedtoZhengzhouUniversityforthedegreeofMasterResearchandApplicationofDiseasePredictionbasedonElectronicMedicalRecordsByHuilinLiSupervisor

2、:Prof.YumeiChaiMasterofEngineeringSchoolofInformationEngineeringMay2018摘要电子病历是指对病人就诊信息的电子化记录，它记录了病人从入院到出院期间的全部信息，可以为病人或医生提供查询及决策支持。电子病历一般包括图像和文字信息，而文字信息以半结构化文本或自由文本的形式存在，以电子病历为基础的医疗数据研究，具有重要的意义。本文针对电子病历文本，主要研究内容如下：(1)电子病历的匿名化处理。电子病历中包含很多隐私信息，这些有标识的信息如果被泄露会

3、给病人带来危害，因此要识别其中的隐私信息并进行处理。先对文本进行清洗并规范化，生成基本结构和表示方法，提出了结合边界特征的深层条件随机场模型，选择最优特征集训练。将文本表示为词向量的形式，作为神经网络的输入进行模型训练，提出了基于块表示的BR-BiRNN、BR-BiLSTM-CRF命名实体识别模型，实验结果表明其F值均高于传统方法。(2)针对妊娠高血压疾病，提出了基于特征融合的循环神经网络预测模型。妊娠高血压疾病是孕妇妊娠期间所特有的一种疾病，该病的存在影响孕妇和胎儿健康，及早发现孕妇是否患病对保障母婴健康

4、有重要意义。本文针对妇产科电子病历文本进行预处理后，提出了特征融合的方法，将词向量和词性向量进行拼接得到融合后的特征(mixedfeature)，模型无需其他专业医疗经验，就可以实现较好的训练结果，分别采用wordfeature和mixedfeature进行对照实验，实验表明采用mixedfeature比采用单一wordfeature正确率提高了约2%。(3)提出了基于文本数值化的TQ-LSTM妊娠高血压预测模型。首先通过信息抽取将文本数值化表示，提取了与孕妇身体状态相关的生理参数作为特征向量，并对缺失数据

5、进行了补全。同时与一般结构的RNN模型对比，实验结果显示TQ-LSTM模型实现了对妊娠高血压疾病的预测，而且比一般RNN模型的正确率更高。关键词：电子病历神经网络条件随机场信息抽取疾病预测数据挖掘IAbstractElectronicmedicalrecordsrefertotheelectronicnotesofthepatient'sconsultationinformation.Theyrecordalltheinformationofthepatientfromthetimeofadmissiont

6、odischarge,andtheycanprovideinquiryanddecisionsupportforthepatientordoctor.Theelectronicmedicalrecordsgenerallyincludeimageandtextinformation,andthetextinformationexistsintheformofsemi-structuredtextorfreetext.Themedicaldataresearchbasedontheelectronicmedi

7、calrecordsisofgreatsignificance.Thisthesisaimsattheelectronicmedicalrecordstext,themainresearchcontentsareasfollows:(1)De-identificationofelectronicmedicalrecords.Theelectronicmedicalrecordscontainmanyprivateinformation.Iftheidentifiedinformationiscompromi

8、sed,itwillcauseharmtothepatient.Therefore,theprivateinformationmustbeidentifiedandprocessed.First,thetextiscleanedandnormalized,andthebasicstructureandrepresentationmethodaregenerated.Adeepconditionalrandomfi