随着医疗信息化的发展，医院产生了大量的医疗数据信息，积累了庞大的医疗电子病历数据。电子病历（EMR）是具有非结构化句子和多种概念表达，为医学信息提取提供了丰富的信息。然而，庞大的数据信息严重影响处理效率，因此提取电子病历中的命名实体成为研究的热点问题。为提高医院对复杂数据的处理效率，减轻工作人员的压力，本文提出了一种基于条件随机场（CRF）模型和特征模板结合的算法，来识别中文电子病历中的命名实体单元，识别准确率可以达到92.9%，可以有效地识别电子病历命名实体。基于本文采用的方法可以来结构化电子

随着医疗信息化的发展，医院产生了大量的医疗数据信息，积累了庞大的医疗电子病历数据。电子病历（EMR）是具有非结构化句子和多种概念表达，为医学信息提取提供了丰富的信息。然而，庞大的数据信息严重影响处理效率，因此提取电子病历中的命名实体成为研究的热点问题。为提高医院对复杂数据的处理效率，减轻工作人员的压力，本文提出了一种基于条件随机场（CRF）模型和特征模板结合的算法，来识别中文电子病历中的命名实体单元，识别准确率可以达到92.9%，可以有效地识别电子病历命名实体。基于本文采用的方法可以来结构化电子

MedicalNamedEntityRecognition CCKS2017中文名称为医学命名实体识别工具，使用带有字符嵌入的双向lstm和crf模型。数据样本（一般醒目，出院情况，病史情况，病史特点，诊疗经过）与转换版本，训练脚本，预训练模型，可用于序列标注研究。把玩和PK使用。 项目介绍 电子病历结构化是让计算机理解病历，应用病历的基础。基于对病历的结构化，可以计算出症状，疾病，药品，检查检验等多个知识点之间的关系及其概率，并构成医疗领域的知识图谱，进一步优化医生的工作。 CCKS2018