[发明专利]基于机器学习的电子病历词库训练方法

说明书

本发明公开了基于机器学习的电子病历词库训练方法。属于在电子病历中挖掘医疗用语技术领域，该方法可靠性高，能从电子病历词库中训练出医疗用语通用词库。第一步，统计电子病历语料库中出现单字或双字的频率，并统计与该单字或该双字前后连接字的相关信息f；第二步，对分词词库中的单字和双字使用互信熵，选择大于阈值K₁＝10.8的词加入词库，作为初始词库；第三步，有了初始词库，使用正向最大匹配，对电子病历语料库进行切分，对切分出来的字串按频率排序输出并记下字串数量seg_num；第四步，对切分产生的字串按频率排序；第五步，更新词库后，重复第三步和第四步进行迭代。

技术领域

本发明涉及在电子病历中挖掘医疗用语技术领域，具体涉及基于机器学习的电子病历词库训练方法。

背景技术

电子病历结构化，指的是对以文本形式存储的临床病历、巡查记录和化验单，从中抽取出各种语义要素，服务于药物临床试验和医疗科研分析等应用场景。简单的说，就是从病历中抽取患者信息、症状信息、用药信息、诊断信息等诸多知识点。

电子病历结构化，是人工智能应用于医疗领域的核心技术之一。例如，药厂的药物四期临床试验和真实世界试验通常要对成千上万例病历进行分析，医院的临床研究通常也要阅读大量病历反复分析和多维度统计，电子病历结构化可以大幅减少这些重复繁琐的人工工作。

发明内容

本发明是为了解决医疗用语的通用词库精度不佳，以及人工标注医疗用语的时间太长等问题，提供一种基于机器学习的电子病历词库训练方法，该方法可靠性高，能从电子病历词库中训练出医疗用语通用词库。

以上技术问题是通过下列技术方案解决的：

基于机器学习的电子病历词库训练方法的实现过程如下：

第一步，统计电子病历语料库中出现单字或双字的频率，并统计与该单字或该双字前后连接字的相关信息f；

具体算法如下：

定义1：设稳定的单字w所满足的条件为E_L(w)＞K₁，且E_R(w)＞K₁，其中

E_L(w)是单字w的左熵值，E_R(w)是单字w的右熵值，K₁是阈值；

P(aw|w)是指单字w在所满足的条件下，该单字w与左边的连接字a的组合概率；

P(wb|w)是指单字w在所满足的条件下，该单字w与右边的连接字b的组合概率；

当一个单字w的E_L(w)与E_R(w)都大于设定的阈值K₁时，就认为该单字w是稳定的，并将这个稳定的单字w加入到初始的分词词库中；

第二步，对分词词库中的单字和双字使用互信熵，选择大于阈值K₁＝10.8的词加入词库，作为初始词库；

具体算法如下：

定义2：设稳定的双字w₁w₂所满足的条件为MI(w₁w₂)＞K₂，其中