[发明专利]考虑相似约束的病历主题获取方法及装置

说明书

本发明提供了一种考虑相似约束的病历主题获取方法及装置。所述方法包括：计算初始病历中任意两个病历文档之间的相似度，得到所述相似度大于或等于相似度阈值的多个病历文档构成的相似性约束病历集合；将所述相似性约束病历集合中各病历文档依次输入到预设LDA模型，通过所述预设LDA模型推导各病历文档的文档‑主题分布和主题‑单词分布。可见，本实施例中可以很好地模拟医生诊疗过程确定病历文本的思维过程，从而有利于获取主题的准确度。

技术领域

本发明涉及数据挖掘技术领域，尤其涉及一种考虑相似约束的病历主题获取方法及装置。

背景技术

目前，主题模型大多应用于在线社交媒体领域的网络舆情主题演化分析方面，有利于根据不同时间段的网络主题分布对网络舆情变化有效监控，甚至积极引导其发展方向。另外，主题模型在临床诊疗领域也有少量应用，目的在于分析病历文档中疾病-用药和疾病-症状之间的诊治规律，分析过程包括：将每个病历文档作为一个独立样本输入的模型中，通过大量数量的训练，得到最终的主题分析结果。

然而，在实现本发明方案的过程中发明人发现：一方面，由于同一疾病的两个患者之间的病情发展具有相似性，导致医生对其做出的诊断方案会受到以前治疗相似患者的诊断方案的影响。另一方面，两个患者之间存在个体差异，例如体质、性别、年龄、病情阶段等，这样医生会根据不同患者出具不同的诊疗方案。实际诊疗过程中，可能存在身体条件和所患疾病具有相似的两个患者，这个他们的诊疗方案也存在相似部分。例如：糖尿病患者会同时患有多种糖尿病并发症，但相同的并发症的诊疗方案和病情发展应该具有相似性。

发明内容

针对现有技术中的缺陷，本发明提供了一种考虑相似约束的病历主题获取方法及装置，用于解决相关技术中存在的技术问题。

第一方面，本发明实施例提供了一种考虑相似约束的病历主题获取方法，所述方法包括：

计算初始病历中任意两个病历文档之间的相似度，得到所述相似度大于或等于相似度阈值的多个病历文档构成的相似性约束病历集合；

将所述相似性约束病历集合中各病历文档依次输入到预设LDA模型，通过所述预设LDA模型推导各病历文档的文档-主题分布和主题-单词分布。

可选地，计算初始病历中任意两个病历文档之间的相似度包括：

获取病历的多个相似性计算因素及各相似性计算因素的权重值；

分别计算任意两个病历文档关于各相似性计算因素的数值；

根据各相似性计算因素的数值和各相似性计算因素的权重值计算所述任意两个病历文档的相似度。

可选地，所述相似性计算因素包括：性别属性的距离、年龄所属分段的距离、诊断结果的距离。

可选地，通过所述预设LDA模型推导各病历文档的文档-主题分布和主题-单词分布包括：

对所述相似性约束病历集合中各病历文档中每个单词随机赋予主题编号z；

重新扫描所述相似性约束病历集合，对每个单词按照重新采样主题，使得到的新主题满足GibbsSampling收敛；

统计语料库中主题-单词共现频率矩阵，得到文档-主题分布和主题-单词分布。

可选地，所述预设LDA模型包括：

任意两个病历文档相似性约束采用主题分布距离dis(θr^m，θrⁿ)表示，公式为：