中文电子病历文本中的时间识别算法研究

时间作为电子病历中的一类重要实体,对于标识患者从入院到出院期间不同阶段的病情变化,有着不可替代的作用。电子病历文本中的时间可分为独立时间和基于事件的时间,针对这两类时间分别提出了基于bootstrapping的识别算法和基于条件随机场的识别算法。其中,为了解决基于事件的时间短语太长而不能准确定位其边界的问题,引入了中文症状知识库作为词典特征,有效地提高了条件随机场识别结果的准确率、召回率和F1值。实验结果表明,该方法在独立时间和基于事件的时间识别上的F1值分别达到了92.57%和93.98%。     

用离子交换树脂－Pd催化丙酮和氢气一步法合成甲基异丁基酮的研究

以较为简便的方法制备了几种离子交换树脂－Ｐｄ催化剂，并将此类双功能催化剂用于丙酮和氢气一步法合成甲基异丁基酮（ＭＩＢＫ）．实验发现，催化剂的吸氢越大，反应选择性越好；而其交换容量过高则降低了选择性，升高温度有利于提高反应活性和选择性，但有一适宜值增大丙酮空速（ＬＨＳＶ）降低了反应活性和选择性，压力对反应影响不大．在各种树脂－Ｐｄ催化剂中Ｐｄ－干氢树脂（Ｐｄ－ＤＨ）的性能最好．在较佳的反应条件：温度１３０℃，压力２ＭＰａ，ＬＨＳＶ５ｈ－１，氢酮比０．４下，用ｐｄ—ＤＨ催化合成ＭＩＢＫ，丙酮转化率为４８％，ＭＩＢＫ选择性可达９８％．     

基于自然语言问题的电子病历分析工具—QReport

为提高诊疗水平,临床医生在临床科研工作中,经常要对临床电子病历(Electronic Medical Record,EMR)数据进行各种统计分析。这项工作传统上由医疗信息人员协助,通过不断写SQL或是构建独立的联机事务分析系统完成。对于医生来说,使用EMR进行统计分析的门槛很高。为了降低医生使用EMR的门槛,文章提出了基于自然语言问题的电子病历分析工具—QReport,临床医生输入临床症-治-效相关的各种统计问题,QReport能够自动展现相应的图表。文中使用的症-治-效统计问题集使用专家调查法(Delphi method)向临床医生收集,对于统计自然语言问题,首先对其进行分词、抽取链接和文法解析得到问题解析树,之后生成问题语义图,并翻译为图查询语句在EMR知识库中检索。结果表明,该文法能够覆盖医学期刊中92.26%的统计类问题模式,且文法解析正确率为94.0%,用户主观满意度中位数为3.5(1-5)。     

家庭彩色电视的美好明天

人类步入九十年代后,在全球范围内绿色消费浪潮风起云涌、方兴未艾,绿色思维已深深植入人们的神经,珍惜我们的家园,爱护永远只有一个的地球,已成为全人类的共识。面时如此浑厚的时代背景,对我们的现代生活,以及生活中熟悉的家用电器,尤其是彩色电视,提出了更高的性能要求,制订了更新的科学标准,同时也提供了广     

基于CRF的症状构成分析与标注

中文症状的描述丰富多样,症状的构成元素复杂多变,对症状构成的研究有助于全面理解症状成分、识别症状名称的同义词以及定量分析患者的患病情况。本文提出了一种中文症状构成模型,将中文症状看作是一个由原子症状、连词、否定词等16种构成元素中的一个或多个所组成的构成序列,并利用条件随机场模型实现对症状构成序列的自动标注。实验结果表明,该方法能够很好地识别中文症状的构成元素,其症状和构成元素两种统计粒度上的标注正确率分别达到了90.53%和93.91%。     

一种面向预测任务的基于时间序列的病人表示学习方法

针对多次住院的住院病人病历数据提出了一种通用的病人表示学习方法,首先根据病人的特性对医院病历进行二次建库,构建序列化的电子病历数据。然后使用循环神经网络自编码器模型来生成病人表示向量。该模型既能有效地建模序列化电子病历中的时序信息,又能在无监督条件下实现通用的病人表示学习。最后,将得到的病人表示向量作为特征,应用到心衰病人的死亡率预测与并发症预测任务之中。实验结果表明,这种表示学习方法相较其他基于原始电子病历数据的特征学习策略,在死亡预测上提高了约0.15的AUC值,并在10项并发疾病预测中获得4项最优,2项次优结果。     

基于循环胶囊网络的临床语义关系识别研究

得益于医疗信息化的不断推进,医院已积累了大量的电子病历记录。然而,这些病历记录大多以自然语言的形式存在,无法为计算机所"理解",也就无法对其做进一步的处理与挖掘。由此,对病历文本进行结构化研究,识别出病历实体间的语义关系,便显得尤为重要。本文针对临床语义关系识别任务,提出循环胶囊网络模型,使用分段循环神经网络来捕捉两实体及其上下文信息,并使用胶囊网络来进行最终的关系分类。实验表明,本文提出的方法较现有监督学习方法取得了更好的识别效果(F1-score为96.51%),证明了本文方法的优越性。     

基于下采样的局部判别矩阵型分类的心衰死亡率预测

不平衡分类问题的特征是样本集中每类样本个数相差较大,导致分类结果偏向多数类样本,少数类样本被忽视。而在不平衡分类问题中,少数类样本需要更多的关注。本文基于上海曙光医院提供的心衰医疗数据,提出了一个针对心衰病人死亡率预测的框架,为心衰的辅助治疗和诊断提供有效的信息。心衰医疗病例属于典型的不平衡分类问题,心衰病人在总的病人数量中只占少数,在检查中,应尽可能重点关注心衰病例。本文提出的框架采用下采样方法调整样本的比例,使类与类之间的规模平衡;使用主成分分析方法对高维数据进行特征选择;并在采样后的数据集上训练局部敏感判别矩阵型分类器,提高局部样本的关注度以获得更好的分类性能。实验结果表明,该框架能对心衰医疗数据提供较好的预测结果,与同类算法比较,表现出了更好的性能,是一个有效且实用的方法。