一、国际疾病分类ICD-10中的假定分类（论文文献综述）
乔薪纳,乔艳华,王晓成,李一琳[1]（2021）在《中国近30年国际疾病分类研究——基于CiteSpace知识图谱的可视化分析》文中研究表明目的从作者、期刊、研究机构、关键词等不同角度了解近30年国内国际疾病分类（international classification of diseases, ICD）研究情况,为科研和医疗工作者今后更好开展该领域研究提供信息参考。方法以CNKI数据库中1990—2020年收录的ICD研究论文为数据来源,以CiteSpace软件为主,EXCEL为辅对相关文献的作者、期刊、研究机构、关键词聚类等进行分析。结果 ICD研究总体呈上升趋势,但作者合作与机构合作联系较少,研究热点在不同时期特点较为显着,主要集中在ICD-10、ICD-9-CM-3、病案首页、病案管理、疾病诊断等方面。结论近年来ICD领域研究趋于稳步增长,专业化程度高;研究涉及领域较集中,但缺乏整体性,研究合作机构较局限,下一步突破研究深度与合作,将促进国内ICD发展。
郭果桃[2]（2021）在《ICD-10编码准确性的影响因素及改进措施》文中研究指明目的应用ICD-10的编码原则,对出院病案首页疾病诊断分类编码进行分析统计,分析目前疾病诊断编码存在的问题,并采取有力措施来提高疾病编码的准确性。方法对太原市第四人民医院2019年出院病案随机抽样共2 010份,对每份出院病案首页疾病编码进行审核,记录错误类型。结果出院病案有10.2%的病历存在编码错误,在205份存在编码错误的病历中,发现主诊断编码错误占65.85%,损伤中毒的外部原因漏编错编占9.76%,其他诊断漏编错编多编24.39%。结论制订相关制度,规范医师书写病历,编码员要不断掌握ICD-10的专业知识和临床医学知识,增强责任心,医院管理层必要时采取奖惩措施,进一步提高疾病编码的准确性。
刘吉羊[3]（2020）在《酒精中毒的编码思路》文中研究说明酒精中毒作为医院常见病之一,编码员对其理解并准确编码至关重要。按照酒精中毒的机制,可将酒精中毒分为急性酒精中毒和慢性酒精中毒。利用4例临床案例,总结得出ICD-10中F10.-强调精神和行为障碍,T51.0强调人体组织器官器质性或躯体性有害反应,按照主要诊断选择原则,当治疗酒精中毒本身时选择T51.0为主诊断,而当中毒并发更严重疾病时,应选择后者为主诊断,而慢性酒精中毒应以中毒造成的组织器官疾病为主诊断。同时,编码员应准确理解T51.0与F10.0内涵,以医师对临床表现的界定来编码急性酒精中毒。上述编码思路对其他毒物中毒编码也具有参考作用。
李林峰[4]（2020）在《面向临床决策支持的人工智能关键技术研究》文中认为临床决策支持系统（Clinical Decision Support System,CDSS）有着重要的社会价值。国家在《“健康中国2030”规划纲要》和《关于促进“互联网+医疗健康”发展的意见》中都明确要求研发基于人工智能的临床诊疗决策支持系统。CDSS是基于知识库和人工智能技术,为医生在疾病的诊断、治疗、风险预测、合理用药等方面提供决策支持的计算机系统。近年来,大数据和自然语言处理、知识图谱、机器学习等人工智能技术的飞速发展给CDSS带来了新的机遇和挑战。本文围绕CDSS中的人工智能关键技术做了以下几方面的工作:（1）提出了基于真实世界大规模电子病历构建医学知识图谱的方法本文提出了一套基于真实世界大规模电子病历构建医学知识图谱的系统流程。该流程包含七个步骤,针对关系抽取、属性计算、图谱清洗和相关实体排序四个步骤提出了新的方法;同时鉴于医学知识图谱的特殊性,本文提出了四元组知识点表示方法和综合考虑实体关系的发生概率、特异度及可信度的排序算法PSR（Probability Specificity Reliability）。该流程在基于百万级电子病历构建医学知识图谱中得到验证,所构建的知识图谱是高质量的,且包含的医学统计信息更加丰富。基于此方法构建的医学知识图谱已经成功的应用于西南医院全科临床决策支持系统中。（2）提出了医学概率知识图谱嵌入算法Pr Trans X由于医学知识图谱中实体间的关系不是确定的,而是具有一定的概率性,这有别于通用领域的知识图谱,因此传统的嵌入算法无法应用在医学概率知识图谱中。针对这一问题,本文提出了一系列基于概率转移的嵌入算法Pr Trans E/H/R/D/Sparse（简记为Pr Trans X）,通过定义关系三元组的距离分数与概率值之间的映射函数,重新构建了包含正负三元组概率损失的目标函数,使得学习目标更符合医学知识图谱的真实情况。我们利用Pr Trans X算法对上述基于电子病历构建的医学概率知识图谱进行了嵌入学习,并通过链接预测和其他医学预测任务验证了,Pr Trans X算法的性能显着优于传统的Trans X算法,可以明显提升预测实体间关系的准确率。（3）构建了基于思维导图的可扩展计算的智能临床决策引擎传统的基于思维导图的临床决策引擎构建过程是割裂医学专家和计算机专家的,会因两个领域的理解不同导致决策引擎的推荐结果错误,或不被医学专家接受。因此,本文提出了一种新的基于思维导图的可扩展计算的智能临床决策引擎构建方法,医学专家可以和计算机专家共同定制规则决策树,且在医学计算引擎中内置了多个算子,可以通过配置计算表达式完成绝大部分工作。同时该引擎支持自定义算子,针对不同的任务,扩展配置不同的计算表达式,使得它具有很强的灵活性,为第五章实现规则和机器学习的混合模型搭建了基础。我们基于该引擎开发了肝癌CDSS,它支持肝癌患者14个重要决策场景的辅助决策,从开发过程和结果来看,该引擎在开发基于临床指南的CDSS上具有一定的技术先进性。（4）提出了规则决策树中嵌入机器学习的混合决策模型之前的研究工作表明,单纯基于数据的机器学习建模类CDSS准确率虽高,但其解释性差导致临床接受度不高;而基于临床指南的规则类CDSS准确率较差,但因其解释性好更容易被临床接受。针对该问题,本文提出了一种在规则决策树中嵌入机器学习的混合决策模型。具体来说,以临床指南转化后的规则为基本框架,将机器学习模型嵌入到规则决策树的中间节点和叶子节点,保证总体符合指南规范的前提下,在个别节点充分发挥数据建模的优势。通过将该方法应用于结肠癌术后辅助化疗的方案推荐上,发现混合模型的工作机制更接近临床医生理性（符合指南规范）与感性（临床经验）共同决策的真实过程,实验结果也验证它在准确性和可解释性上都优于其他方法。
陈东华[5]（2020）在《面向决策支持的医学文本语义分析方法研究》文中认为随着医疗信息化的快速发展,医疗信息系统中存储着各类医疗数据的体量不断增长,海量异构医疗数据的分析成为推动医疗健康领域管理决策支持的挑战。医学文本信息是推动该领域相关研究的重要数据基础。患者的电子病历中包含了大量症状、诊断、病程、会诊等文本信息,充分利用这些包含丰富临床医学知识的医学文本对医疗健康领域决策支持非常重要。然而,当前这些有价值的医学文本却难以有效地应用在实际医院管理、临床决策支持、个人健康管理、公共卫生决策等实际场景中,原因包括:非结构化医学文本无法精准结构化、医学文本丰富的语义信息致使难以分析、医学文本信息无法脱离具体的医学情境、不一致的医疗信息标准导致信息交换困难、不同医疗机构之间共享数据机制的缺失等。这些问题的根源在于医学文本是特殊的专业领域语言,不仅具有各类语义信息,还包含丰富医学领域知识。有效的医学文本语义分析成为解决这些难题的关键技术。当前语义分析研究更多地是研究面向通用领域的自然语言处理技术,相关技术虽然在方法上进行创新,却无法结合医学场景和领域知识推动医学文本语义的分析,致使无法为机器学习乃至深度学习模型提供高质量训练数据集,降低决策的质量。同时,海量医疗文本在分布式计算环境的分析和处理也成为利用这些数据分析决策的障碍和挑战,现有研究遇到了方法和性能上的瓶颈。本博士研究依托国家自然科学基金重点项目“大数据驱动的智慧医疗健康管理创新”（编号:71532002）,在充分对国内外理论和技术文献综述基础上围绕着面向决策支持的医疗文本语义分析相关方法进行研究,研究内容包括医学场景下的文本语义分析、医疗信息标准化、领域知识建模、机器学习和大数据分析等方法,解决当前医疗信息行业中海量医学文本数据挖掘和分析的难题,为大数据时代下我国医疗信息化发展提供借鉴。研究内容和结果如下:（1）基于自然语言处理的医学文本结构化和标准化方法首先分析现有中文和英文电子病历中存在的医学文本特征和信息结构,建立基于N-Gram的医学文本语义模型。然后,针对非标准化的医学叙述性文本,研究具体的医学文本分析任务,对医学文本进行分词、词性标注、语义关系提取等分析,提出针对中文病历文本的自动结构化处理方法;结合医学场景的语义和语境知识,以中文超声检查报告分析为例,对该类文本关键信息进行分解、标注和重组。结果表明,基于语义分析的医学文本分析方法在医学文本结构化、分词、标注等文本分析任务的性能得到明显提升。（2）基于领域知识库的医学文本语义分析和知识发现方法首先研究医学领域的相关知识库,并分析这些知识库在医学文本数据挖掘和知识发现上的应用前景。然后,为了解决医学文本语义相似度计算方法,提出一种基于加权Levenshtein距离和N-Gram的文本相似度计算方法。为了解决医学概念相似度计算的问题,提出基于UMLS的医学文本相似度和相关性度量的计算方法。结果表明,在融入医学文本语义特征和领域知识库中医学概念文本定义信息后,基于文本相似度和相关性计算的医学文本分析任务能更好地满足实际需求。最后,针对医院中计算机辅助ICD编码的决策支持场景,融合Word Net语义知识库,提出一种基于语义分析的计算机辅助ICD-11编码方法,提高患者诊断信息编码的精确度和ICD编码员的工作效率。（3）面向决策支持的海量医学文本分析方法及应用案例研究在研究内容（1）和（2）基础上研究面向海量医学文本分析的方法和应用案例,并提出大数据分析性能自动优化方法。首先,研究面向具有复杂结构的医学文本的主题建模方法,分析相关机器学习算法在不同场景的应用特点;然后,针对海量医疗文本数据的分析,创新地提出基于Map Reduce分布式计算模型的医学文本处理方法,并以医疗数据的关联操作和自动编码等应用场景,对提出的分布式医学文本分析方法性能进行实验和分析。最终,提出基于无导数优化理论的Map Reduce性能自动调优方法,解决了海量医学文本分析方法在分布式计算环境运行的方法设计和性能自动优化的关键问题。
韩月[6]（2020）在《病种智能分类方法在医保中的研究与应用》文中指出随着人民对健康重视程度的提高,医保覆盖率越来越高,医疗费用呈现出不合理的快速增长趋势。因此,国家出台一系列政策推行以病种付费为主的多元复合式医保支付方式,其基本要求是使用国家统一制定的疾病诊断、手术操作、医用耗材和医疗服务项目编码,强化医疗服务行为和服务质量。病案首页信息是病人住院诊疗期间最重要的部分,是衡量医院综合能力的重要依据,因此,病案首页数据的标准化、规范化尤为重要。但是由于全国各地各医院主要诊断的选择习惯不同以及对国际疾病编码知识的缺乏,导致病案首页信息混乱,影响病案首页的质量。在此背景下,本文利用病案首页数据通过信息化手段建立一套病种信息智能分类系统。针对不同医院因标准不同产生的名称、编码不统一,病案首页质量不高的问题,利用机器学习的方法建立分类模型,将疾病名称和编码、手术名称和编码进行分类,分别统一到ICD-10、ICD-9-CM-3版本,规范疾病名称和编码、手术名称和编码以及病案首页质量。本文的主要工作有:（1）数据处理及标签的构建。对获取到的病案首页数据进行去停用词、jieba分词、文本向量化等数据预处理,构建疾病名称与类别标签,通过咨询专家以及分析病案首页内容与主要诊断名称的相关性,进行特征选择。（2）病种分类模型的构建。本文提出基于病案首页信息的分类模型,为病种智能分类的实现提供了解决方案。根据中文文本分析的步骤,构建疾病分类模型,针对不同大小的数据集分别采取传统的机器学习方法和深度学习的方法进行实验对比。该模型通过病案首页中疾病诊断信息和病人基本信息,将主要诊断和手术操作的名称及编码统一到国际疾病编码ICD-10和手术与操作编码ICD-9-CM-3中,规范名称及编码,提高病案首页质量。（3）设计并实现病种智能分类系统。首先搭建系统实现所需要的运行环境,然后详细介绍数据存储模块、算法设计模块和应用模块的功能实现过程,最后给出系统的结果展示。
刘臻[7]（2020）在《基于“SHA2011”卫生费用核算体系的四川省呼吸类疾病治疗费用分析》文中认为研究目的:通过对四川省呼吸系统疾病治疗费用的核算与分析,了解呼吸系统疾病的总量、受益人群（包括年龄,性别和疾病）、机构流向和筹资方案分布等信息,研究不同受益人群与不同类型机构、不同类型机构与筹资方案、筹资方案与受益人群等二维交叉的费用结构,进而发现呼吸系统治疗费用的重点疾病,重点人群和筹资方案问题,为减轻居民呼吸系统疾病治疗费用的家庭负担,预防和控制呼吸系统疾病,改善居民呼吸健康提供政策参考和相关建议。研究方法:根据OECD,Eurostat,World Health Organization发布的《A System of Health Accounts 2011 Edition（SHA2011）》即卫生费用核算体系2011的基本核算框架,结合四川省呼吸系统疾病治疗费用核算的特殊情况,采用问卷调查法和知情者访谈法相结合的方式收集相关数据,运用Stata14.0和SPSS19.0软件进行核算分析。结果:核算结果显示,2018年四川省呼吸系统疾病治疗费用为307.09亿元,占整个四川省经常性卫生费用治疗费用的15.82%,占四川省2018年GDP的比重为0.75%。家庭卫生支出为113.24亿元,占比为36.87%。高于同时期四川省卫生总费用（THE）中家庭个人负担（27.94%）。综合医院呼吸系统疾病治疗费用比重最大（42.64%）,妇幼保健机构治疗费用比重最小（3.99%）。从受益人群分布来看,0-4岁年龄组人群的治疗费用比重最高,高达17.59%,男性人群呼吸系统疾病治疗费用高于女性人群,比重分别为55.57%和44.43%。费用位居前三位的疾病组分别是慢性下呼吸道疾病,流行性感冒和肺炎,急性上呼吸道感染,费用位居前三位的疾病是慢性阻塞性肺病,肺炎（病原体未特指）,急性上呼吸道感染（多发性和未特指部位）。通过二维交叉对比发现,男性群体更容易患职业型肺部疾病,女性群体则是更容易患呼吸道感染。在55岁以前,门诊服务治疗费用比大于住院服务,此后则相反。10-39岁人群更倾向于在门诊类机构就诊,55-74岁年龄人群倾向于在基层医疗卫生机构和综合医院就诊,随着年龄的增长,人们对中医医院的兴趣也日益增大。青年人群的家庭卫生支出比例最大,政府卫生筹资方案在每个年龄段分布较为均匀,自愿医疗保健支付方案占比较少。结论:四川省呼吸系统疾病治疗费用总量不容小觑,优化筹资结构,重视重点人群和重点疾病的防控,30岁以下人群的家庭卫生负担重,重视儿童呼吸道感染,减少家庭负担,控制老年人慢性阻塞性肺病（COPD）的治疗费用,加大基层医疗水平建设,合理引导患者就医流向。
张坤丽[8]（2019）在《基于知识融合的产科电子病历多标记分类研究》文中研究说明随着我国计划生育政策的变化,各医疗机构产科所提供的医疗服务与国民日益增长的需求之间的矛盾尤为突出。医疗信息化的推行使产科积累了海量的电子病历,形成了医疗大数据。利用产科电子病历进行智能诊断,有利于提高诊疗质量和效率,是缓解产科供需矛盾的重要途径。将真实电子病历应用于智能诊断,所面临的首要问题是如何对电子病历进行去隐私化、数据清洗及规范化,为智能诊断提供数据支撑。诊疗过程中,诊断结果包含正常诊断、病理诊断及并发症等多个诊断标记,智能诊断可作为电子病历多标记分类任务进行处理,而多标记分类的准确率是决定智能诊断是否可应用于临床并提高诊疗质量及效率的关键因素。如何结合电子病历特点并融合领域知识提升多标记分类性能是智能诊断需要重点关注的问题。基于此,本文对产科电子病历数据集的构建以及以此为数据支撑的多标记分类进行了研究,探讨融合不同层次知识对智能诊断性能的提升,主要研究成果如下:（1）对真实产科电子病历进行隐私化处理、数据清洗、诊断规范化,以及数值特征抽取和处理,构建了产科智能诊断研究的数据集。提出了一种自动生成电子病历文本模板（Text Template,TT）并与双向门限循环单元（Bi-direction Gate Recurrent Unit,BiGRU）相结合的TT-BiGRU模型,进行电子病历去隐私化研究,对中文电子病历隐私信息的识别准确率达96%以上,结合少量人工参与即可完成去隐私化工作;采用基于规则及语义相似度计算对电子病历数据集进行数据清洗、规范化,去除了真实电子病历中不同类型的错误及冗余,并降低了诊断标记的多样化,使标记规模从1,640个降至265个;基于规则抽取的数值指标以及标准化处理为智能诊断提供了更丰富的特征。经过这些处理,形成了包含24,339份产科电子病历的数据集。（2）提出了一种分层信息增强BERT（Hirarchy Information Enhanced BERT,HIE-BERT）多标记分类模型进行智能诊断。产科电子病历从形式上可分为文本及数值两类,文本按照对诊断的重要程度又可分为无差信息、基本信息、关键信息,数值亦是智能诊断的重要依据。分别采用差异化处理、正常输入及关键信息向量引入对文本中的分层信息进行处理,通过包含多头注意力机制的增强层对文本特征进行增强并与数值特征融合,形成了HIE-BERT多标记分类智能诊断模型。实验结果表明,针对电子病历数据集中的高频标记,相比于传统机器学习及其他深度学习模型,HIE-BERT模型中对文本特征和数值特征的分层引入与增强有效地提高了智能诊断准确率,相比于BERT模型,平均准确率提升了3.6%,达到了88.5%。（3）构建中文产科知识图谱（Chinese Obstetric Knowledge Graph,COKG）,并将其融合到产科智能诊断中,提出了一种KG-HIE-BER多标记分类模型进行智能诊断。以类MeSH框架作为知识本体,对多来源医学文本采用半自动、自动抽取等方式获取知识,所构建的COKG涵盖产科疾病描述的实体10,674个,实体关系15,281个。通过多语义相似度综合建立电子病历与COKG的实体链接,利用关系链接得到疾病候选集,采用症状-疾病综合权重预测算法计算诊断标记权重,与HIE-BERT融合形成KG-HIE-BERT多标记分类智能诊断模型。实验结果表明,针对电子病历数据集中全部标记,KG-HIE-BER多标记分类模型使智能诊断平均准确率提升了3.2%,达到了88.9%。（4）开发了产科智能诊断系统“萱贝”,以KG-HIE-BERT和COKG为核心,提供了数据处理、病历质控、智能诊断、相似病历推荐及知识检索等功能,已应用于某妇幼保健院产科硕士研究生实习及规培生培训学习中,得到良好的反馈。
卢心笛[9]（2019）在《中文诊断文本的ICD自动编码实证研究》文中研究指明《国际疾病分类》（International Classification of Diseases,ICD）是由世界卫生组织制定和颁布的关于疾病和死亡统计的全球标准分类。按照我国卫生部的要求,住院病人病案首页的疾病诊断都应该按照ICD-10的标准进行编码,诊断的编码质量直接影响疾病分类的准确性,是后续医学统计、单病种管理等的基础。但在医疗实践中,由于编码规则繁杂、编码过程具有试验性和循环特征,加上编码人员培训不足、专业编码员稀缺,使得目前各级卫生机构的ICD编码工作的效率以及准确性均难以保证。为了辅助编码人员的编码工作,已有学者致力于研究中文语境下的自动编码,但是较于英文语境下的自动编码,中文诊断文本的自动编码研究在范围上和深度上仍然较为局限。基于此,以简化编码工作、提高编码员的编码效率为研究目标,本文对于“中文诊断文本的ICD自动编码”,即“在中文语境下利用计算机的技术辅助完成诊断的ICD编码”进行了全面的实证研究。具体地,文章从算法、数据、实验以及系统开发四个层面展开。首先,在算法层面,对于解决所定义的自动编码的两种可行算法:基于实例的方法和基于机器学习的方法的具体解决思路进行了系统性地介绍和分析。在数据层面,主要包括提供诊断编码关系的人工编码历史库以及用于嵌入式词向量训练的语料库。此外,考虑到现有数据的有限性,利用网络爬取对数据集进行了相应扩充。进一步地,基于上述数据,在实验部分通过设计一系列实验对算法的有效性进行了验证和比较,并在自动编码的任务情境下初步探究了中文医疗文本处理任务中存在的一些普遍性问题,包括相似性函数的选择与设计、特定领域语料库缺乏的情况下用一般的语料库替代特定领域文本语料库的可行性、以及在分词准确性难以保证的情况下分词的必要性。最后,在系统开发层面,为了更好地服务于ICD自动编码实践,综合本研究提出的模型、经扩充后的数据集以及实验结果,本文进行了自动编码的需求分析、系统设计、以及系统实现。ICD自动编码系统的开发完成标志着“ICD自动编码研究”执行层面工作的完成。
王炜杰,贺芳,吴端阳,景凤敏,曹丽娟,支晓[10]（2019）在《原始神经外胚瘤编码分析》文中进行了进一步梳理目的通过分析某三甲医院原始神经外胚瘤错误编码,提高原始神经外胚瘤编码准确性。方法以"M9473/3"和"M9364/3"为条件检索某三甲医院2008年-2017年的出院病案,按照ICD-10编码原则及相关临床病理知识对检索出的病案进行逐个核查。用excel软件统计错误编码及其相关临床病理内容。结果以"M9473/3"为条件,检索出39例,以"M9364/3"为条件,检索出0例。39例肿瘤编码为M9473/3的患者中,有8例病理报告中免疫组化结果 CD99呈阳性并且存在神经分化物,提示外周型原始神经外胚瘤,编码错误。结论编码人员必须深入理解国际疾病分类中假定分类原则,认真阅读病案、病理报告,查阅相关资料,加强医学知识的学习,积极与临床医师、病理医师以及其他相关科室沟通,保证编码准确率。
二、国际疾病分类ICD-10中的假定分类（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、国际疾病分类ICD-10中的假定分类（论文提纲范文）
（1）中国近30年国际疾病分类研究——基于CiteSpace知识图谱的可视化分析（论文提纲范文）
| 1 资料与方法 |
| 1.1 数据来源 |
| 1.2 研究方法 |
| 2 结果 |
| 2.1 发表时间 |
| 2.2 期刊分布 |
| 2.3 作者合作情况 |
| 2.4 研究机构合作情况 |
| 2.5 ICD关键词聚类分析 |
| 2.6 关键词时区 |
| 3 讨论 |
| 3.1 发文量 |
| 3.2 期刊分布 |
| 3.3 作者合作情况 |
| 3.4 研究机构合作情况 |
| 3.5 关键词聚类分析 |
| 3.6 关键词时区分析 |
| 4 总结 |
（2）ICD-10编码准确性的影响因素及改进措施（论文提纲范文）
| 1 资料与方法 |
| 2 结果 |
| 2.1 主诊断编码错误 |
| 2.1.1 医师主诊断选择及编码错误 |
| 2.1.2 忽视了合并编码的原则 |
| 2.1.3 忽视了假定分类的原则 |
| 2.1.4 低编超编情况 |
| 2.1.5 忽视了#号使用规则 |
| 2.1.6 忽视了肿瘤交搭跨越特殊的编码细则 |
| 2.1.7 其他 |
| 2.2 其他诊断漏编错编多编 |
| 2.3 损伤中毒外因错编漏编 |
| 3 分析影响因素 |
| 3.1 编码员基础知识、临床知识掌握不够 |
| 3.2 病案管理制度不完善 |
| 3.3 编码员工作热情不够 |
| 3.3.1 院方因素 |
| 3.3.2 人员因素 |
| 3.4 医师因素 |
| 3.4.1 主诊断选择错误 |
| 3.4.2 疾病诊断不完整 |
| 4 改进措施 |
| 4.1 强化ICD-10培训工作 |
| 4.2 医院定期举办《病历书写基本规范》的培训 |
| 4.3 成立编码质控小组 |
| 4.4 建立与临床医师的沟通机制 |
（3）酒精中毒的编码思路（论文提纲范文）
| 1酒精中毒现况 |
| 2 酒精中毒编码 |
| 2.1 酒精中毒机制 |
| 2.2 酒精中毒T51.0的假定分类 |
| 3 酒精中毒编码案例分析 |
| 4 F10.0和T51.0的编码 |
（4）面向临床决策支持的人工智能关键技术研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 引言 |
| 1.1 研究背景及意义 |
| 1.2 临床决策支持系统介绍 |
| 1.3 CDSS关键问题及研究进展 |
| 1.3.1 医学知识图谱构建 |
| 1.3.2 知识图谱嵌入 |
| 1.3.3 基于临床指南的CDSS |
| 1.3.4 基于机器学习算法的建模 |
| 1.3.5 规则和机器学习混合决策模型 |
| 1.3.6 其他 |
| 1.4 主要研究内容和创新点 |
| 1.5 论文结构安排 |
| 2 基于真实世界数据的医学知识图谱构建 |
| 2.1 研究问题及现状 |
| 2.2 真实世界医学知识图谱构建系统 |
| 2.2.1 数据准备 |
| 2.2.2 实体识别 |
| 2.2.3 实体归一 |
| 2.2.4 关系抽取 |
| 2.2.5 属性计算 |
| 2.2.6 图谱清洗 |
| 2.2.7 相关实体排序 |
| 2.3 实验结果与讨论 |
| 2.3.1 实体识别算法对比结果 |
| 2.3.2 相关实体排序算法对比结果 |
| 2.3.3 医学知识图谱整体结果 |
| 2.4 医学知识图谱的应用 |
| 2.4.1 临床决策支持系统 |
| 2.4.2 医学信息检索排序 |
| 2.5 本章小结 |
| 3 医学概率知识图谱嵌入研究 |
| 3.1 研究问题及现状 |
| 3.2 医学概率知识图谱嵌入算法PRTRANSX |
| 3.2.1 符号说明 |
| 3.2.2 距离分数与概率值之间的映射函数 |
| 3.2.3 概率知识图谱嵌入算法的损失函数 |
| 3.3 实验设置与结果 |
| 3.3.1 训练集 |
| 3.3.2 负样本构造 |
| 3.3.3 实验参数设置 |
| 3.3.4 图谱嵌入结果 |
| 3.4 医学概率知识图谱嵌入应用 |
| 3.4.1 链接预测 |
| 3.4.2 神经网络知识迁移 |
| 3.5 本章小结 |
| 4 基于思维导图的可扩展计算的智能临床决策引擎 |
| 4.1 研究问题及现状 |
| 4.2 智能临床决策引擎 |
| 4.2.1 基于思维导图的可扩展计算的医学决策逻辑表示和推理方法 |
| 4.2.2 决策树解析器 |
| 4.2.3 医学计算引擎 |
| 4.2.4 流程控制器 |
| 4.3 基于智能临床决策引擎的肝癌CDSS系统 |
| 4.4 本章小结 |
| 5 规则决策树中嵌入机器学习的混合决策模型 |
| 5.1 研究问题及现状 |
| 5.2 混合决策模型构建 |
| 5.2.1 数据集构建 |
| 5.2.2 机器学习模型训练 |
| 5.2.3 混合模型推理 |
| 5.3 基于混合决策模型的结肠癌辅助化疗 |
| 5.3.1 模型设计 |
| 5.3.2 实验结果及讨论 |
| 5.4 本章小结 |
| 6 总结与展望 |
| 6.1 全文总结 |
| 6.2 工作展望 |
| 参考文献 |
| 附录A 疾病聚类详细名称 |
| 作者简历及攻读博士学位期间取得的研究成果 |
| 学位论文数据集 |
（5）面向决策支持的医学文本语义分析方法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 引言 |
| 1.1 研究背景及研究意义 |
| 1.2 研究内容及关键问题 |
| 1.3 研究创新点 |
| 1.4 技术路线 |
| 1.5 章节安排 |
| 2 文献综述和相关方法 |
| 2.1 文献综述 |
| 2.1.1 医学文本分词方法 |
| 2.1.2 医学文本结构化方法 |
| 2.1.3 语义分析和医学概念抽取 |
| 2.1.4 基于医学文本的决策支持 |
| 2.2 相关数据与方法 |
| 2.2.1 医学领域知识库 |
| 2.2.2 机器学习方法 |
| 2.2.3 大数据分析方法 |
| 2.2.4 评估方法和指标 |
| 2.3 本章小结 |
| 3 基于自然语言处理的医学文本结构化和标准化方法 |
| 3.1 医学文本特征和语义复杂性分析 |
| 3.1.1 医学文本数据的来源和特征 |
| 3.1.2 医学文本分析的N-Gram语言模型 |
| 3.1.3 医学文本语料库的使用及影响分析 |
| 3.2 基于医学文本语料库的文本结构化方法 |
| 3.2.1 基于字典的机械分词和N-Gram分词方法研究 |
| 3.2.2 基于序列标注的医学文本分词方法研究 |
| 3.2.3 基于语义理解的医学文本分析方法研究 |
| 3.3 中文超声检查报告文本分析和性能评估 |
| 3.3.1 专家辅助的超声检查报告文本标注方法 |
| 3.3.2 超声检查报告的文本结构化方法 |
| 3.3.3 超声检查报告的文本语义分析方法 |
| 3.3.4 标注系统的性能评估方法 |
| 3.3.5 标注系统的整体性能测试与分析 |
| 3.4 本章小结 |
| 4 基于医学领域知识的医学文本语义分析和知识发现方法 |
| 4.1 面向医学文本的语义相似度计算方法 |
| 4.1.1 语义关系与文本特征提取方法 |
| 4.1.2 基于加权Levenshtein距离和N-Gram的文本相似度计算方法 |
| 4.1.3 评估方法和实验分析 |
| 4.2 基于UMLS的医学概念相似度和相关性计算方法 |
| 4.2.1 医学文本语义相似度计算方法 |
| 4.2.2 医学文本语义相关性计算方法 |
| 4.2.3 相关方法的测试和分析 |
| 4.3 基于语义分析的计算机辅助ICD-11编码方法 |
| 4.3.1 相关知识库 |
| 4.3.2 ICD-11编码语义模型 |
| 4.3.3 ICD-11编码规则建模方法 |
| 4.3.4 ICD-11候选编码相关性计算方法 |
| 4.3.5 相关方法的测试和分析 |
| 4.4 本章小结 |
| 5 面向决策支持的海量医学文本分析方法及应用案例研究 |
| 5.1 医学文本主题建模和知识发现方法 |
| 5.1.1 基于LDA的医学文本主题建模方法 |
| 5.1.2 知识约束下医学文本主题建模和预测方法 |
| 5.1.3 相关方法性能的对比分析 |
| 5.2 基于大数据分析的典型医学文本分析方法设计和分析 |
| 5.2.1 基于Map Reduce模型的大规模数据集连接方法 |
| 5.2.2 基于Map Reduce模型的大规模文档相似度计算方法 |
| 5.3 面向医疗大数据分析的HADOOP性能自动调整优化方法 |
| 5.3.1 Hadoop性能自动调优框架设计方法 |
| 5.3.2 基于无导数优化理论的Hadoop最优参数搜索方法 |
| 5.3.3 典型Map Reduce算法性能调优和实验分析 |
| 5.4 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 作者简历及攻读博士学位期间取得的研究成果 |
| 学位论文数据集 |
（6）病种智能分类方法在医保中的研究与应用（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究的背景 |
| 1.2 研究的目的与意义 |
| 1.3 国内外研究现状 |
| 1.3.1 中文文本分类国内外研究现状 |
| 1.3.2 按病种付费国内外研究现状 |
| 1.4 论文的组织结构 |
| 2 相关技术介绍 |
| 2.1 文本预处理技术 |
| 2.1.1 中文分词 |
| 2.1.2 去停用词 |
| 2.1.3 文本向量化 |
| 2.2 传统的机器学习相关技术 |
| 2.2.1 朴素贝叶斯 |
| 2.2.2 支持向量机 |
| 2.3 深度学习相关技术 |
| 2.3.1 文本卷积神经网络 |
| 2.3.2 长短期记忆神经网络 |
| 2.4 分类的评价指标 |
| 2.5 本章小结 |
| 3 数据处理及标签构建 |
| 3.1 病种智能分类相关性分析 |
| 3.2 数据预处理 |
| 3.2.1 数据的规约和清洗 |
| 3.2.2 文本分词及去停用词 |
| 3.2.3 文本向量化 |
| 3.3 疾病名称标签的构建 |
| 3.4 本章小结 |
| 4 分类模型的构建与结果分析 |
| 4.1 文本相似性 |
| 4.2 传统机器学习算法模型的构建 |
| 4.2.1 朴素贝叶斯算法建模过程 |
| 4.2.2 支持向量机算法建模过程 |
| 4.3 深度学习算法模型的构建 |
| 4.3.1 文本卷积神经网络构建过程 |
| 4.3.2 长短期记忆神经网络构建过程 |
| 4.4 模型的分类效果对比 |
| 4.4.1 常见疾病分类结果 |
| 4.4.2 高发疾病分类结果 |
| 4.4.3 罕见疾病分类结果 |
| 4.4.4 模型效果总结 |
| 4.5 本章小结 |
| 5 病种智能分类系统的设计与实现 |
| 5.1 系统环境搭建 |
| 5.2 需求分析 |
| 5.2.1 功能性需求分析 |
| 5.2.2 非功能性需求分析 |
| 5.3 系统的总体设计方案 |
| 5.4 系统的详细设计与实现 |
| 5.4.1 数据模块 |
| 5.4.2 算法模块 |
| 5.4.3 应用模块及界面展示模块 |
| 5.5 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
（7）基于“SHA2011”卫生费用核算体系的四川省呼吸类疾病治疗费用分析（论文提纲范文）
| 中文摘要 |
| ABSTRACT |
| 1.绪论 |
| 1.1 研究背景 |
| 1.2 研究目的 |
| 2.数据来源与研究方法学 |
| 2.1 数据来源 |
| 2.1.1 总量数据 |
| 2.1.2 抽样方法 |
| 2.1.2.1 第一阶段抽样 |
| 2.1.2.2 第二阶段抽样 |
| 2.1.2.3 第三阶段抽样 |
| 2.1.3 个案数据样本量 |
| 2.2 研究方法学 |
| 2.2.1 基本概念 |
| 2.2.2 核算范围 |
| 2.2.3 核算口径 |
| 2.2.3.1 空间口径 |
| 2.2.3.2 时间口径 |
| 2.2.3.3 费用口径 |
| 2.2.4 核算维度 |
| 2.2.4.1 健康服务提供机构分类 |
| 2.2.4.2 卫生筹资方案分类(ICHA-HF) |
| 2.2.4.3 健康受益人群分类 |
| 2.2.5 核算原则与假设 |
| 2.2.5.1 采用“自上而下”的核算原则 |
| 2.2.5.2 采用“经济意义”的核算原则:收入与成本比较 |
| 2.2.5.3 采用“社会费用”的核算原则:涵盖相关政府补助 |
| 2.2.6 核算方法 |
| 2.2.6.1 治疗费用总量核算 |
| 2.2.6.2 治疗费用个案分摊 |
| 2.2.6.3 筹资方案分摊 |
| 2.3 统计软件 |
| 2.4 质量控制 |
| 2.4.1 数据调查工具质量控制 |
| 2.4.2 现场调查质量控制 |
| 2.4.3 数据测算控制 |
| 2.5 技术路线 |
| 3.研究结果 |
| 3.1 呼吸系统疾病现状 |
| 3.2 总体规模分析 |
| 3.3 受益人群分析 |
| 3.3.1 年龄分布 |
| 3.3.2 性别分布 |
| 3.3.3 疾病组分布 |
| 3.3.4 疾病分布 |
| 3.3.5 年龄与性别分析 |
| 3.3.6 年龄与疾病组分析 |
| 3.3.7 年龄与疾病分析 |
| 3.3.8 性别与疾病组分析 |
| 3.3.9 性别与疾病分析 |
| 3.3.10 疾病与疾病组树图分析 |
| 3.4 服务功能配置分析 |
| 3.4.1 服务功能分布 |
| 3.4.2 服务功能与年龄分析 |
| 3.4.3 服务功能与性别分析 |
| 3.4.4 服务功能与疾病组分析 |
| 3.4.5 服务功能与疾病分析 |
| 3.5 机构流向分析 |
| 3.5.1 机构流向分布 |
| 3.5.2 机构流向与年龄分析 |
| 3.5.3 机构流向与性别分析 |
| 3.5.4 机构流向与疾病组分析 |
| 3.5.5 机构流向与疾病分析 |
| 3.5.6 机构流向与服务功能分析 |
| 3.6 筹资方案分析 |
| 3.6.1 筹资方案分布 |
| 3.6.2 筹资方案与年龄分析 |
| 3.6.3 筹资方案与性别分析 |
| 3.6.4 筹资方案与疾病组分析 |
| 3.6.5 筹资方案与疾病分析 |
| 3.6.6 筹资方案与服务功能分析 |
| 3.6.7 筹资方案与机构流向分析 |
| 4.讨论与建议 |
| 4.1 呼吸系统疾病治疗费用总量不容小觑 |
| 4.2 优化筹资结构,重视重点人群和重点疾病的防控 |
| 4.2.1 30岁以下人群的家庭卫生负担重 |
| 4.2.2 重视儿童呼吸道感染,减少家庭负担 |
| 4.2.3 控制老年人慢性阻塞性肺病(COPD)的治疗费用 |
| 4.3 加大基层医疗水平建设,合理引导患者就医流向 |
| 参考文献 |
| 综述 |
| 综述参考文献 |
| 致谢 |
| 在读期间公开发表的学术论文、专利及科研成果 |
（8）基于知识融合的产科电子病历多标记分类研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 研究现状 |
| 1.3 研究内容 |
| 1.4 论文组织结构 |
| 2 相关研究 |
| 2.1 多标记分类及评价指标 |
| 2.2 传统多标记分类方法 |
| 2.3 深度学习 |
| 2.3.1 循环神经网络模型 |
| 2.3.2 卷积神经网络模型 |
| 2.3.3 注意力机制 |
| 2.3.4 预训练语言模型 |
| 2.4 本章小结 |
| 3 电子病历去隐私化处理及数据清洗 |
| 3.1 电子病历结构及特点 |
| 3.1.1 电子病历结构 |
| 3.1.2 首次病程记录结构及特点 |
| 3.2 电子病历去隐私化处理研究 |
| 3.2.1 电子病历去隐私化预处理及标注 |
| 3.2.2 电子病历模板生成算法 |
| 3.2.3 融合文本模板的TT-BiGRU模型 |
| 3.2.4 实验与分析 |
| 3.3 电子病历数据清洗及规范化处理 |
| 3.3.1 电子病历数据清洗及结构化 |
| 3.3.2 诊断规范化处理 |
| 3.3.3 数值特征抽取及标准化 |
| 3.4 本章小结 |
| 4 基于分层信息增强BERT模型的多标记分类研究 |
| 4.1 基于BERT的多标记分类模型 |
| 4.1.1 BERT模型 |
| 4.1.2 Transformer编码层 |
| 4.1.3 双向深层语言模型预训练 |
| 4.2 电子病历文本层级特征融合 |
| 4.2.1 电子病历中无差信息处理 |
| 4.2.2 电子病历中关键诊断文本信息融合 |
| 4.3 融合数值特征的增强BERT多标记分类 |
| 4.3.1 文本特征增强子层 |
| 4.3.2 文本特征与数值特征融合子层 |
| 4.3.3 多层信息融合 |
| 4.4 实验及结果分析 |
| 4.4.1 实验数据集及实验设置 |
| 4.4.2 实验结果 |
| 4.4.3 层级特征对结果的影响分析 |
| 4.4.4 信息增强层对结果的影响分析 |
| 4.4.5 综合分析 |
| 4.5 本章小结 |
| 5 融合领域知识的多标记分类研究 |
| 5.1 中文产科知识图谱构建 |
| 5.1.1 COKG构建流程及知识描述体系 |
| 5.1.2 COKG数据层构建 |
| 5.1.3 COKG可视化展示 |
| 5.2 融合知识图谱的多标记分类模型 |
| 5.2.1 KG-HIE-BERT模型 |
| 5.2.2 基于知识图谱的诊断 |
| 5.2.3 融合模块 |
| 5.2.4 实验及结果分析 |
| 5.3 本章小结 |
| 6 萱贝——产科智能诊断系统 |
| 6.1 系统总体架构 |
| 6.2 系统主要功能 |
| 6.3 系统应用及反馈 |
| 6.4 本章小结 |
| 7 总结与展望 |
| 参考文献 |
| 附录 A COKG关系定义及数量分布 |
| 个人简历、在学期间发表的学术论文及研究成果 |
| 致谢 |
（9）中文诊断文本的ICD自动编码实证研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 引言 |
| 1.1 研究背景 |
| 1.2 研究问题及目标 |
| 1.3 研究意义 |
| 1.4 研究框架 |
| 1.5 论文结构 |
| 第2章 文献综述与相关理论 |
| 2.1 国内外研究综述 |
| 2.1.1 国外相关研究综述 |
| 2.1.2 国内相关研究综述 |
| 2.2 基本理论与技术 |
| 2.2.1 国际疾病分类(ICD) |
| 2.2.2 文本表示 |
| 2.2.3 文本分类 |
| 2.2.4 机器学习 |
| 2.2.5 深度学习 |
| 2.3 本章小结 |
| 第3章 ICD自动编码任务算法综述 |
| 3.1 任务界定 |
| 3.2 算法概述 |
| 3.3 基于实例的方法 |
| 3.3.1 概述 |
| 3.3.2 相似性函数的设计与选择 |
| 3.4 基于机器学习的方法 |
| 3.4.1 概述 |
| 3.4.2 基于传统机器学习的方法 |
| 3.4.3 基于深度学习的方法 |
| 3.5 本章小结 |
| 第4章 数据及数据处理 |
| 4.1 概述 |
| 4.2 诊断-编码数据 |
| 4.2.1 数据基本信息 |
| 4.2.2 数据预处理 |
| 4.2.3 数据集划分 |
| 4.3 语料库 |
| 4.4 本章小结 |
| 第5章 算法有效性分析 |
| 5.1 概述 |
| 5.2 基于实例的方法 |
| 5.2.1 实验目标及设置 |
| 5.2.2 实验结果 |
| 5.3 基于传统机器学习的方法 |
| 5.3.1 实验目标及设置 |
| 5.3.2 实验结果 |
| 5.4 基于深度学习的方法 |
| 5.4.1 实验目标及设置 |
| 5.4.2 实验结果 |
| 5.5 算法比较 |
| 5.5.1 实验目标及设置 |
| 5.5.2 实验结果 |
| 5.6 本章小结 |
| 第6章 影响因素分析 |
| 6.1 概述 |
| 6.2 相似性函数影响 |
| 6.2.1 实验目标及设置 |
| 6.2.2 实验结果 |
| 6.3 语料库影响 |
| 6.3.1 实验目标及设置 |
| 6.3.2 实验结果 |
| 6.4 字符级别影响 |
| 6.4.1 实验目标及设置 |
| 6.4.2 实验结果 |
| 6.5 本章小结 |
| 第7章 中文诊断ICD自动编码系统开发 |
| 7.1 需求分析 |
| 7.1.1 概述 |
| 7.1.2 用户分析 |
| 7.1.3 场景分析 |
| 7.1.4 功能分析 |
| 7.1.5 管理分析 |
| 7.2 系统设计 |
| 7.2.1 流程设计 |
| 7.2.2 算法设计 |
| 7.2.3 数据模型设计 |
| 7.2.4 界面设计 |
| 7.3 系统实现 |
| 7.4 本章小结 |
| 第8章 总结与展望 |
| 8.1 总结 |
| 8.2 展望 |
| 参考文献 |
| 致谢 |
| 个人简历、在学期间发表的学术论文与研究成果 |
（10）原始神经外胚瘤编码分析（论文提纲范文）
| 1 资料来源与方法 |
| 1.1 资料来源 |
| 1.2研究方法 |
| 2 结果 |
| 3 讨论 |
| 3.1 编码错误原因分析 |
| 3.1.1 编码员专业知识不扎实 |
| 3.1.2编码员缺乏相关医学知识 |
| 3.1.3 电子编码库的依赖 |
| 3.2 提高编码正确率的对策 |
| 3.2.1 提高编码人员的业务水平 |
| 3.2.2 加强医师诊断书写规范性 |
| 3.2.3 加强编码人员与医师的沟通 |
| 3.2.4 关注病案编码的国际进展 |
四、国际疾病分类ICD-10中的假定分类（论文参考文献）
- [1]中国近30年国际疾病分类研究——基于CiteSpace知识图谱的可视化分析[J]. 乔薪纳,乔艳华,王晓成,李一琳. 医学研究与教育, 2021(06)
- [2]ICD-10编码准确性的影响因素及改进措施[J]. 郭果桃. 基层医学论坛, 2021(14)
- [3]酒精中毒的编码思路[J]. 刘吉羊. 中国病案, 2020(11)
- [4]面向临床决策支持的人工智能关键技术研究[D]. 李林峰. 北京交通大学, 2020(03)
- [5]面向决策支持的医学文本语义分析方法研究[D]. 陈东华. 北京交通大学, 2020(03)
- [6]病种智能分类方法在医保中的研究与应用[D]. 韩月. 河北师范大学, 2020(07)
- [7]基于“SHA2011”卫生费用核算体系的四川省呼吸类疾病治疗费用分析[D]. 刘臻. 成都中医药大学, 2020(03)
- [8]基于知识融合的产科电子病历多标记分类研究[D]. 张坤丽. 郑州大学, 2019(06)
- [9]中文诊断文本的ICD自动编码实证研究[D]. 卢心笛. 清华大学, 2019(02)
- [10]原始神经外胚瘤编码分析[J]. 王炜杰,贺芳,吴端阳,景凤敏,曹丽娟,支晓. 中国病案, 2019(06)