一种多机构的医疗档案查询命令推荐方法、介质

本发明属于多机构医疗档案查询，具体而言，涉及一种多机构的医疗档案查询命令推荐方法、介质及系统。背景技术：1、医疗档案包括临床方法、病历信息等，在现代医疗体系中,医疗档案通常分散在不同的医疗机构中,这给医生诊疗决策带来了极大的困难。当前,各医疗机构普遍采用独立的信息系统管理医疗档案,缺乏有效的跨机构信息共享和协作机制。患者往往需要多次就诊,每次就诊都需要重复提供既往病史等信息,不仅给患者带来不便,也增加了医生的工作负担。此外,即便患者能够携带纸质病历在不同医院就诊,医生也无法及时全面地了解患者的病情变化,这往往会影响诊疗的准确性和连续性。2、目前,一些医疗机构尝试利用信息技术手段来提高医疗档案的集中管理和跨机构共享。例如,部分地区建立了区域性的医疗信息平台,患者可以通过该平台查询和管理自己在不同医院的就诊记录。但这种平台通常需要各医院配合上传病历数据,存在数据共享的隐私和保密安全问题,同时也难以维护和推广。另一些医疗机构采用集中式的电子病历系统,但这些系统往往局限于单一医院内部,难以实现跨机构的信息互通。总的来说,现有的医疗信息化手段还无法真正解决多医疗机构协作下的医疗档案信息管理问题。目前，医疗档案查询工作依然是医疗工作者根据经验对医疗档案数据库输入关键字进行查询，这种查询不精确，存在查询效率低的技术问题。技术实现思路1、有鉴于此，本发明提供一种多机构的医疗档案查询命令推荐方法、介质及系统，能够解决现有技术往往是医疗工作者根据经验对医疗档案数据库输入关键字进行查询，这种查询不精确，存在查询效率低的技术问题。2、本发明是这样实现的：3、本发明的第一方面提供一种多机构的医疗档案查询命令推荐方法，其中，包括以下步骤：4、s10、在每个医疗机构获取所述医疗机构的多组历史患者的就诊信息和诊断信息；5、s20、对所述就诊信息中的每个元素进行语义特征提取,得到就诊特征,包括患者特征和诊断特征；6、s30、基于所有医疗机构的就诊特征和诊断特征,为每个医疗机构构建联邦学习模型的预训练模型；7、s40、各医疗机构根据自身医疗数据库成随机数向量rand1,计算y_hat＝y+rand1作为混淆映射,将y_hat发送给联邦学习的算力提供方；8、s50、各医疗机构根据本地预训练模型计算z＝w_local*x,生成随机数向量rand2,计算混淆预测得分p_hat＝sigmoid(z)+rand2,将p_hat发送给算力提供方；9、s60、算力提供方计算diff_hat＝p_hat-y_hat,并根据diff_hat更新模型参数w_global,将更新后的w_global发送给各医疗机构；10、s70、各医疗机构使用从算力提供方接收到的更新后的w_global,更新本地预训练模型,得到每个医疗机构的医疗诊断模型；11、s80、对每个医疗机构的每一组历史患者对应的就诊特征,输入对应医疗机构的医疗诊断模型中,输出诊断特征记为模型诊断特征；基于所述模型诊断特征,每个医疗机构基于自己的医疗档案数据库,采用逆向工程的方式,得到最优的查询命令集；基于每个医疗机构的每一组历史患者对应的就诊特征和机器对应的查询命令集,采用联邦学习的方式,让各医疗机构联合训练,得到多机构医疗档案查询命令推荐模型；12、s90、获取当前患者的就诊信息,输入到所述多机构医疗档案查询命令推荐模型,得到针对多个医疗机构的最优查询命令集,用于在多个医疗机构中查询医疗档案；13、其中，rand1,rand2为随机数向量，y,y_hat为诊断特征和混淆诊断特征，x为患者特征，w_local为医疗机构的本地预训练模型的参数，w_global为算力提供方更新后的全局模型参数，z为模型预测中间值，p_hat为混淆预测得分，diff_hat为模型残差，sigmoid为激活函数。14、其中，所述就诊信息包括患者性别、年龄、既往病史、患者主诉、患者体征,所述诊断信息为医生对患者的诊断信息。15、所述步骤s10，具体包括：16、步骤1,在每个医疗机构获取该医疗机构的多组历史患者的就诊信息和诊断信息,所述就诊信息包括患者性别、年龄、既往病史、患者主诉和患者体征等；所述诊断信息为医生对患者的诊断结果；17、步骤2,对所述就诊信息中的每个元素,如性别、年龄等,进行语义特征提取,获得包括患者特征和诊断特征在内的就诊特征向量；18、步骤3,将所述就诊特征向量存储在各自的医疗机构数据库中,为后续的模型训练做准备。19、其中，所述语义特征提取的方法为采用word2vec或glove算法。20、所述步骤s20，具体包括：21、步骤1,选择合适的语义特征提取算法,如word2vec或glove,对就诊信息中的文本数据进行编码,转换为数值型的特征向量；22、步骤2,将提取得到的就诊特征向量和诊断特征向量分别存储,形成患者特征矩阵x和诊断特征矩阵y；23、步骤3,对所述x和y进行标准化处理，如归一化处理,消除量纲影响,为后续的模型训练做好准备。24、其中，所述预训练模型采用神经网络。25、所述步骤s30，具体是：选择合适的机器学习算法,如神经网络、逻辑回归或多层感知机,构建联邦学习的预训练模型。其中，采用联邦学习的思想指的是,各医疗机构保留自身的数据,不进行数据共享,而是共同训练一个全局的预训练模型；通过多轮迭代更新,使得预训练模型的性能在各医疗机构上均衡优化。26、其中，所述各医疗机构根据自身医疗数据库成随机数向量的方法为，采用医疗数据库服务器特征码或数据库的特征码作为随机数种子，采用伪随机方式生成多个随机数，生成随机数的数目与诊断特征的元素数量相等，并形成一个向量，作为随机数向量。27、所述步骤s40，具体是：28、步骤1,各医疗机构根据自身的医疗数据库生成一个随机数向量rand1；29、步骤2,计算y_hat＝y+rand1作为诊断特征的混淆映射,其中y为真实的诊断特征；30、步骤3,将所述y_hat发送给联邦学习的算力提供方,以保护医疗机构的隐私数据。31、所述步骤s50，具体是：32、步骤1,各医疗机构根据从步骤s30得到的本地预训练模型,计算z＝w_local*x,得到模型的中间预测值z；33、步骤2,生成另一个随机数向量rand2,计算混淆预测得分p_hat＝sigmoid(z)+rand2；34、步骤3,将所述p_hat发送给算力提供方,进一步隐藏医疗机构的预测结果。35、所述步骤s60具体是：36、步骤1,算力提供方接收到各医疗机构发送的y_hat和p_hat后,计算模型残差diff_hat＝p_hat-y_hat；37、步骤2,根据所述diff_hat,更新联邦学习模型的全局参数w_global；38、步骤3,将更新后的w_global发送回给各医疗机构,完成本轮的联邦学习迭代。39、所述步骤s70具体是：40、步骤1,各医疗机构接收到更新后的全局模型参数w_global；41、步骤2,将所述w_global应用于更新自己的本地预训练模型,得到每个医疗机构特有的医疗诊断模型；42、步骤3,保存更新后的医疗诊断模型,为后续的查询命令推荐做好准备。43、其中，医疗数据库服务器特征码作为随机数种子具体是采用医疗数据库服务器的多网卡物理地址拼接生成md5并采用数字hash方式提取一个数字作为随机数种子；数据库的特征码作为随机数种子具体是将数据库当前状态的每一种格式的全部记录的整体的数字hash值作为一个随机数种子。44、其中，所述逆向工程的方式，具体是：45、首先，将一个医疗机构的医疗数据库中的全部记录，采用多表拼接的方式，形成多条不重复的医疗档案数据；46、其次，对于每一条医疗档案数据的单个字段和任意组合字段生成select查询语句，并最终形成一个select查询语句集合，作为查询语句全集；47、再次，对于查询语句全集，筛选执行后能够得到少于预定条数的医疗档案数据的查询语句作为最优的查询命令集。48、所述步骤s80，具体是：49、步骤1,对每个医疗机构的每一组历史患者对应的就诊特征,输入到对应医疗机构的医疗诊断模型中,输出模型诊断特征；50、步骤2,基于所述模型诊断特征,每个医疗机构采用逆向工程的方式,得到最优的医疗档案查询命令集。51、其中，所述预定条数一般为5～10条。52、另外的，所述逆向工程的方式，也可以采用遗传算法，从查询语句全集中得到最优的查询命令集。53、其中，所述多个医疗机构的最优查询命令集，用于将所述最优查询命令集分发到对应的医疗机构，进行查询，查询的结果汇总返回给发起查询方。54、所述步骤s90，具体是：55、步骤1,获取当前患者的就诊信息；56、步骤2,将所述就诊信息输入到步骤s80训练得到的多机构医疗档案查询命令推荐模型中；57、步骤3,得到针对多个医疗机构的最优查询命令集,用于在多个医疗机构中查询该患者的医疗档案。58、其中，所述查询命令推荐模型的部署在云端服务器上,各医疗机构通过api接口调用。59、本发明的第二方面提供一种计算机可读存储介质，其中，所述计算机可读存储介质中存储有程序指令，所述程序指令运行时，用于执行上述的一种多机构的医疗档案查询命令推荐方法。60、本发明的第三方面提供一种多机构的医疗档案查询命令推荐系统，其中，包含上述的计算机可读存储介质。61、与现有技术相比较，本发明提供的一种多机构的医疗档案查询命令推荐方法、介质及系统的有益效果是：通过联邦学习的思想充分利用各医疗机构的病历数据资源,训练出一个针对跨机构查询的智能决策模型。该方法的主要技术效果如下:62、1.保护医疗机构和患者隐私。在训练模型的过程中,各医疗机构并没有将自身的病历数据集中共享,而是利用联邦学习的方式,仅共享模型参数更新,有效地保护了隐私数据。同时,本发明还采用了随机数混淆等技术手段,进一步隐藏了原始的诊断特征和预测结果,进一步增强了隐私保护能力。63、2.提高跨机构诊疗效率。通过训练得到的多机构查询命令推荐模型,医生可以根据当前患者的就诊信息,快速获取针对各医疗机构的最优查询命令集。这样一方面避免了医生在不同医院间反复查找同一患者的病历,减轻了工作负担；另一方面也提高了诊疗的连续性和准确性,因为医生能够及时全面地掌握患者的病史信息。64、3.提升模型性能。本发明充分利用了联邦学习的优势,即各医疗机构在保护自身数据隐私的前提下,共同参与到模型的训练过程中。这种分布式的协作训练方式,不仅提高了最终模型在各医疗机构上的性能均衡,而且也确保了模型的泛化能力,适用于不同地区、不同规模的医疗机构。65、4.减轻医生工作负担。借助本发明提供的智能查询命令推荐功能,医生可以更便捷地获取所需的患者病历信息,不仅提高了诊疗效率,也大大减轻了医生的工作压力。同时,该方法还能够自动生成针对性的sql查询语句,进一步降低了医生的操作难度。66、综上所述，本发明解决了现有技术往往是医疗工作者根据经验对医疗档案数据库输入关键字进行查询，这种查询不精确，存在查询效率低的技术问题。