基于深度学习的病历质量控制系统设计

• 作者: 罗明 广东省梅州市人民医院
• 来源期刊: 计算机测量与控制
• 关键词: BiGRU-SA 全流程病历 TextCNN 医疗诊断设备 质量
• 年，卷（期）: 2024,（11）
• 所属期刊栏目: 控制技术
• 页码范围: 235-241
• 页数: 7页
• 语种: 中文
• DOI: 10.16526/j.cnki.11-4762/tp.2023.11.035

摘要

医疗领域患者的主诉信息是医疗文本分类工作的关键，能为智慧医疗和信息文本归类提供有力的支持；近几年来随着深度学习的发展应用，基于传统深度学习技术的全流程病历质量控制模型层出不穷，但传统模型存在很多缺点和局限性，诸如训练速度慢、精度损失、过拟合和无法处理大规模数据的问题，因此，引入改进的深度学习算法；指南指导下基于深度学习的全流程病历质量控制系统实验结果为：将词向量设置成160时双向循环神经网络模型效果最优，准确率为84.9%;BiGRU-SA MODEL,精准度受向量维度的影响并不大；而改进的文本分类式前馈神经网络模型，精准度在其进行第3次和第4次迭代更新时，发生指数级增长，并在第3次迭代时，精度达到理想值，为83%;随着迭代次数的增加，模型准确率呈现先增大后减小的趋势，在进行第6次迭代时模型效果最优，准确率为84.9%;优化后的全流程病历质量控制模型在变动率指标下的面积的值、准确率、F1、召回率四项指标值都有了一定的提升，以上结果能更好地解决过拟合和特征信息丢失的问题，并且实现全流程病历质量的控制。