中文电子病历的分词及实体识别研究

doi:10.13266/j.issn.0252-3116.2019.02.004

图书情报工作 ›› 2019, Vol. 63 ›› Issue (2): 34-42.DOI: 10.13266/j.issn.0252-3116.2019.02.004

• 专题:数据驱动研究新范式 • 上一篇下一篇

中文电子病历的分词及实体识别研究

王若佳^1,2, 赵常煜¹, 王继民¹

1. 北京大学信息管理系北京 100871;
2. 北京大学海洋研究院北京 100871

收稿日期:2018-07-16 修回日期:2018-09-15 出版日期:2019-01-20 发布日期:2019-01-20
通讯作者: 王继民(ORCID:0000-0002-3573-7788),教授,博士生导师,通讯作者,E-mail:wjm@pku.edu.cn
作者简介:王若佳(ORCID:0000-0003-1806-0688),博士研究生;赵常煜(ORCID:0000-0001-6780-1070),硕士。

Healthcare Data Mining: Word Segmentation and Named Entity Recognition in Chinese Electronic Medical Record

Wang Ruojia^1,2, Cho Sang¹, Wang Jimin¹

1. Department of information management, Peking University, Beijing 100871;
2. Institute of Ocean Research, Peking University, Beijing 100871

Received:2018-07-16 Revised:2018-09-15 Online:2019-01-20 Published:2019-01-20

摘要/Abstract

摘要： [目的/意义]健康医疗大数据是我国重要的基础性战略资源，本研究对中文电子病历分词与实体识别的探讨与实证较好地完成了医疗数据的信息抽取任务，对今后医疗大数据在语义层面的应用发展具有重要意义。[方法/过程]本研究首先融合权威词表、官方标准、健康网站数据及其他医学补充词库构建了词语数量级达到10万的医学词表；然后对电子病历的字段进行分词，对比了jieba工具、导入词典后的jieba、无监督学习及AC自动机4种模型的分词效果；最后，以自动分词和人工标注结果为语料，实现基于条件随机场的电子病历实体识别研究，并比较不同实体类别以及不同文本特征下的实体识别效果，选出最优模板。[结果/结论]分词结果显示，AC自动机的效果最好，F值可达82%；实体识别结果表明，"检查"和"疾病"实体的识别效果最好，而"症状"的识别效果不太理想。

关键词: 电子病历, 中文分词, 实体识别, 健康医疗大数据, AC自动机, 条件随机场

Abstract: [Purpose/significance] Healthcare big data is an important basic strategic resource in China. Word segmentation and entity recognition of Chinese electronic medical record(EMR) is helpful in extracting important information from a large number of unstructured text.[Method/process] In this study, a Chinese medical thesaurus is firstly built in terms of authoritative medical subject headings, official standards and health website data; then, the effect of four segmentation methods is compared based on the corpus of artificial segmentation and manual annotation; finally, CRF model is used to identify 5 entities, including disease, symptom, test, drug and treatment.[Result/conclusion] Results show that (i)AC automaton model has the best F-measure in EMR word segmentation, which is 82%; (ii) compared with Western medical record, it's difficult to identify medical entities in the record of traditional Chinese medicine. Besides, "Test" and "Disease" entities have better F-measure, while the F-measure of "Symptom" entity is not that ideal.

Key words: healthcare data mining, electronic medical record, Chinese word segmentation, named entity recognition, AC automaton, conditional random field

中图分类号:

TP391.1

王若佳, 赵常煜, 王继民. 中文电子病历的分词及实体识别研究[J]. 图书情报工作, 2019, 63(2): 34-42.

Wang Ruojia, Cho Sang, Wang Jimin. Healthcare Data Mining: Word Segmentation and Named Entity Recognition in Chinese Electronic Medical Record[J]. LIS, 2019, 63(2): 34-42.

参考文献

[1] 国家卫生健康委员会. 电子病历应用管理规范(试行)[EB/OL].[2018-02-20]. http://www.nhfpc.gov.cn/yzygj/s3593/201702/22bb2525318f496f846e8566754876a1.shtml.
[2] 刘群, 张华平, 俞鸿魁,等. 基于层叠隐马模型的汉语词法分析[J]. 计算机研究与发展, 2004, 41(8):1421-1429.
[3] 李兆福. 基于K最短路径的中文分词算法研究与实现[D]. 哈尔滨:哈尔滨工程大学, 2009.
[4] 张立邦. 基于半监督学习的中文电子病历分词和名实体挖掘[D]. 哈尔滨:哈尔滨工业大学, 2014.
[5] 张立邦, 关毅, 杨锦峰. 基于无监督学习的中文电子病历分词[J]. 智能计算机与应用, 2014(2):68-71.
[6] 李国垒, 陈先来, 夏冬,等. 面向临床决策的电子病历文本潜在语义分析[J]. 现代图书情报技术, 2016, 32(3):50-57.
[7] FRIEDMAN C, HRIPCSAK G, DUMOUCHEL W, et al. Natural language processing in an operational clinical information system[J]. Natural language engineering, 1995, 1(1):83-108.
[8] SEVENSTER M, VAN O R, QIAN Y. Automatically correlating clinical findings and body locations in radiology reports using MedLEE[J]. Journal of digital imaging, 2012, 25(2):240-249.
[9] MetaMap. A Tool For Recognizing UMLS Concepts in Text[EB/OL].[2018-08-18]. https://mmtx.nlm.nih.gov/.
[10] XU H, STENNER S P, DOAN S, et al. MedEx:a medication information extraction system for clinical narratives[J]. Journal of the American medical informatics association, 2010, 17(1):19-24.
[11] SAVOVA G K, MASANZ J J, OGREN P V, et al. Mayo clinical text analysis and knowledge extraction system (cTAKES):architecture, component evaluation and applications[J]. Journal of the American medical informatics association jamia, 2010, 17(5):507-513.
[12] LI Y, GORMAN S L. Section classification in clinical notes using supervised hidden markov model[C]//Arlington, VA, USA:Proceedings of the 1st ACM International Health Informatics Symposium. ACM, 2010:744-750.
[13] 王鹏远, 姬东鸿. 基于多标签CRF的疾病名称抽取[J]. 计算机应用研究, 2017, 34(1):118-122.
[14] 叶枫, 陈莺莺, 周根贵,等. 电子病历中命名实体的智能识别[J]. 中国生物医学工程学报, 2011, 30(2):256-262.
[15] LEI J, TANG B, LU X, et al. A comprehensive study of named entity recognition in Chinese clinical text[J]. Journal of the American medical informatics association, 2014, 21(5):808-814.
[16] LIANG J, XIAN X, HE X, et al. A novel approach towards medical entity recognition in Chinese clinical text[J]. Journal of healthcare engineering,2017(2):1-16.
[17] UMLS. Current semantic types[EB/OL].[2018-02-20]. https://www.nlm.nih.gov/research/umls/META3_current_semantic_types.html.
[18] UZUNER Ö, SOUTH B R, SHEN S Y, et al. 2010 i2b2/VA challenge on concepts, assertions, and relations in clinical text[J]. Journal of the American medical informatics association, 2011, 18(5):552-556.
[19] 结巴中文分词[EB/OL].[2018-02-20].https://github.com.
[20] 沈翔翔, 李小勇. 使用无监督学习改进中文分词[J]. 小型微型计算机系统, 2017, 38(4):744-748.
[21] 孔东林, 罗向阳, 邓崎皓,等. 基于AC自动机匹配算法的入侵检测系统研究[J]. 微电子学与计算机, 2005, 22(3):89-92.
[22] 李原.中文文本分类中分词和特征选择方法研究[D].长春:吉林大学,2011.

中文电子病历的分词及实体识别研究

Healthcare Data Mining: Word Segmentation and Named Entity Recognition in Chinese Electronic Medical Record

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

[1]	宗威, 林松涛, 刘继昶. 数据集成场景下考虑语义信息的高效实体识别方法[J]. 图书情报工作, 2022, 66(14): 128-136.
[2]	耿骞, 邓斯予, 靳健. 融合词语义表示和新词发现的领域本体演化——以产品评论数据为例[J]. 图书情报工作, 2021, 65(8): 85-96.
[3]	杜悦, 王东波, 江川, 徐润华, 李斌, 许超, 徐晨飞. 数字人文下的典籍深度学习实体自动识别模型构建及应用研究[J]. 图书情报工作, 2021, 65(3): 100-108.
[4]	刘耀, 张越, 叶璐. 融合篇章结构的文本知识网络构建[J]. 图书情报工作, 2021, 65(21): 118-130.
[5]	李洪晨, 马捷, 胡漠. 面向健康医疗大数据安全保护的医疗区块链模型构建[J]. 图书情报工作, 2021, 65(2): 37-44.
[6]	何琳, 陈雅玲, 孙珂迪. 面向先秦典籍的知识本体构建技术研究[J]. 图书情报工作, 2020, 64(7): 13-19.
[7]	王雪, 武俊伟, 陈观群, 李燕琼, 马路. 阿尔茨海默病基因-疾病关联的知识挖掘[J]. 图书情报工作, 2020, 64(13): 120-132.
[8]	赵华茗, 钱力, 余丽. 依存句法特征的科研命名实体识别算法[J]. 图书情报工作, 2020, 64(11): 108-115.
[9]	刘忠宝, 党建飞, 张志剑. 《史记》历史事件自动抽取与事理图谱构建研究[J]. 图书情报工作, 2020, 64(11): 116-124.
[10]	黄水清, 王东波. 新时代人民日报分词语料库构建、性能及应用(一)——语料库构建及测评[J]. 图书情报工作, 2019, 63(22): 5-12.
[11]	王萍, 牟冬梅, 法慧, 邵琦, 靳春妍, 杨鑫禹. 医学情报人才培养目标与知识生态系统的构建[J]. 图书情报工作, 2019, 63(19): 81-87.
[12]	魏巍, 郑杜. 融合统计学习和语义过滤的ADR信号抽取模型构建研究[J]. 图书情报工作, 2018, 62(5): 115-124.
[13]	王东波, 胡昊天, 周鑫, 朱丹浩. 基于深度学习的数据科学招聘实体自动抽取及分析研究[J]. 图书情报工作, 2018, 62(13): 64-73.
[14]	王东波, 陆昊翔, 周鑫, 朱丹浩. 面向摘要结构功能划分的模型性能比较研究[J]. 图书情报工作, 2018, 62(12): 84-90.
[15]	孙安, 于英香, 罗永刚, 王祺. 序列标注模型中的字粒度特征提取方案研究——以CCKS2017:Task2临床病历命名实体识别任务为例[J]. 图书情报工作, 2018, 62(11): 103-111.