处方数据的审核方法、装置和计算机可读存储介质.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN112258135A(43)申请公布日2021.01.22(21)申请号202010413774.2G06K9/62(2006.01)(22)申请日2020.05.15G16H40/00(2018.01)(71)申请人北京沃东天骏信息技术有限公司地址100176北京市大兴区北京经济技术开发区科创十一街18号院2号楼4层A402室申请人北京京东世纪贸易有限公司(72)发明人袁腾(74)专利代理机构中国贸促会专利商标事务所有限公司11038代理人李昊王莉莉(51)Int.Cl.G06Q10/10(2012.01)G06F16/35(2019.01)G06F40/289(2020.01)权利要求书2页说明书8页附图3页(54)发明名称处方数据的审核方法、装置和计算机可读存储介质(57)摘要本发明公开了一种处方数据的审核方法、装置和计算机可读存储介质。处方数据的审核方法包括：基于从处方数据中提取的结构化数据，确定对处方数据的第一分类结果，其中，处方数据还包括非结构化数据；将根据处方数据生成的非结构化数据输入到一个或多个深度学习模型中，获得深度学习模型输出的、对处方数据的第二分类结果；根据第一分类结果和第二分类结果，确定对处方数据的审核结果。本发明的实施例使得审核的结果更准确，提高了处方使用的安全性。CN112258135ACN112258135A权利要求书1/2页1.一种处方数据的审核方法，包括：基于从处方数据中提取的结构化数据，确定对所述处方数据的第一分类结果，其中，所述处方数据还包括非结构化数据；将根据所述处方数据生成的非结构化数据输入到一个或多个深度学习模型中，获得所述深度学习模型输出的、对所述处方数据的第二分类结果；根据所述第一分类结果和所述第二分类结果，确定对所述处方数据的审核结果。2.根据权利要求1所述的审核方法，其中，所述结构化数据中包括所述处方数据中的数值类型数据、枚举类型数据中的至少一种。3.根据权利要求1所述的审核方法，其中，所述结构化数据包括一个或多个字段以及每个字段对应的值；根据所述处方数据生成的非结构化数据包括：所述结构化数据对应的非结构化数据，通过将所述结构化数据中的字段的值对应的预设文本填写到预设的文本模板中相应字段的待填写位置获得；以及，所述处方数据中的非结构化数据。4.根据权利要求1所述的审核方法，其中，所述处方数据的审核结果包括表示所述处方正确的类别、以及一个或多个表示所述处方的错误类型的类别。5.根据权利要求4所述的审核方法，其中，所述处方数据包括患者数据和用药数据；在所述第一分类结果中，所述处方的错误类型包括结构化数据中的用药数据与所述结构化数据中的患者数据不匹配的类型、以及所述结构化数据中的用药数据超出限量的类型；在所述第二分类结果中，所述处方的错误类型包括非结构化数据中的用药数据与所述处方数据中的患者数据不匹配的类型。6.根据权利要求4所述的审核方法，其中，所述根据所述第一分类结果和所述第二分类结果，确定对所述处方数据的审核结果包括：在所述第一分类结果和所述第二分类结果均表示所述处方正确的情况下，所述处方数据的审核结果为处方正确；在所述第一分类结果和所述第二分类结果均包括表示所述处方的错误类型的类别的情况下，所述处方数据的审核结果为所述第一分类结果和所述第二分类结果中表示所述处方的错误类型的类别的集合。7.根据权利要求1～6中任一项所述的审核方法，其中，所述基于从处方数据中提取的结构化数据，确定对所述处方数据的第一分类结果包括：将所述结构化数据输入到一个或多个基于机器学习的集成模型中，获得所述集成模型输出的第一分类结果，其中，所述结构化数据包括一个或多个字段以及每个字段对应的值，所述集成模型为基于决策树的集成模型，所述决策树的每一个非叶子节点表示所述结构化数据中的一个字段、以及所述字段在所述节点上的划分值，每一个叶子节点表示一种分类结果。8.根据权利要求7所述的审核方法，其中，所述集成模型包括随机森林模型、或者梯度提升迭代决策树GBDT模型中的一种或多种。9.根据权利要求1～6中任一项所述的审核方法，其中，所述深度学习模型是基于深度学习的文本分类模型；2CN112258135A权利要求书2/2页所述将根据所述处方数据生成的非结构化数据输入到一个或多个深度学习模型中包括：将从所述处方数据中提取的非结构化数据、以及通过转换所述结构化数据获得的非结构化数据拼接为文本；对所述文本进行分词处理；将分词后的所述文本中的每个词转换为词向量，获得所述文本对应的词向量序列；将所述词向量序列输入到深度学习模型中。10.根据权利要求9所述的审核方法，其中，所述深度学习模型包括利用卷积神经网络的文本分类模型TextCNN、利用循环神经网络