CN107103201B - 医疗导航路径的生成方法、装置及医疗路径导航方法 - Google Patents
医疗导航路径的生成方法、装置及医疗路径导航方法 Download PDFInfo
- Publication number
- CN107103201B CN107103201B CN201710325176.8A CN201710325176A CN107103201B CN 107103201 B CN107103201 B CN 107103201B CN 201710325176 A CN201710325176 A CN 201710325176A CN 107103201 B CN107103201 B CN 107103201B
- Authority
- CN
- China
- Prior art keywords
- disease
- current
- description
- action
- medical
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 61
- 201000010099 disease Diseases 0.000 claims abstract description 441
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 441
- 230000009471 action Effects 0.000 claims abstract description 303
- 238000003745 diagnosis Methods 0.000 claims abstract description 106
- 230000006870 function Effects 0.000 claims description 61
- 230000008901 benefit Effects 0.000 claims description 9
- 230000008569 process Effects 0.000 abstract description 7
- 230000000875 corresponding effect Effects 0.000 description 128
- 238000004820 blood count Methods 0.000 description 10
- 210000000265 leukocyte Anatomy 0.000 description 10
- 238000001574 biopsy Methods 0.000 description 8
- 230000005856 abnormality Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 208000024891 symptom Diseases 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 206010028980 Neoplasm Diseases 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000002405 diagnostic procedure Methods 0.000 description 3
- 239000003814 drug Substances 0.000 description 3
- 230000000998 lymphohematopoietic effect Effects 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 230000001575 pathological effect Effects 0.000 description 3
- 230000001737 promoting effect Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 206010011224 Cough Diseases 0.000 description 2
- 201000011510 cancer Diseases 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 description 1
- 206010019233 Headaches Diseases 0.000 description 1
- 206010028813 Nausea Diseases 0.000 description 1
- 206010049146 Neck mass Diseases 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000004596 appetite loss Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000003556 assay Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 238000009534 blood test Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 238000002591 computed tomography Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 208000002173 dizziness Diseases 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000008103 glucose Substances 0.000 description 1
- 231100000869 headache Toxicity 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 235000021266 loss of appetite Nutrition 0.000 description 1
- 208000019017 loss of appetite Diseases 0.000 description 1
- 230000036210 malignancy Effects 0.000 description 1
- 230000007721 medicinal effect Effects 0.000 description 1
- 230000004060 metabolic process Effects 0.000 description 1
- 230000037323 metabolic rate Effects 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 230000008693 nausea Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 230000035485 pulse pressure Effects 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
- 210000002700 urine Anatomy 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明公开了一种医疗导航路径的生成方法、装置及医疗路径导航方法。其中,医疗导航路径的生成方法包括:获取历史病历样本中的各病情描述以及与各病情描述关联的各行动方案;根据所述历史病历样本确定所述各病情描述与各行动方案之间的依赖关系;根据所述依赖关系构建医疗导航模型,并根据所述医疗导航模型确定医疗导航路径。本发明的技术方案,能够有效地总结出历史病例样本中记载的医疗诊断过程中医务人员的诊断经验,并汇总与各病情描述对应的各历史诊断路径,构建出医疗导航模型,并根据医疗导航模型确定医疗导航路径,不仅能从历史病历样本中整理出医疗经验,还能提供医疗导航路径辅助医疗诊断,真正实现医疗经验的共享,促进医学进步。
Description
技术领域
本发明实施例涉及数据处理技术领域,尤其涉及一种医疗导航路径的生成方法、装置及医疗路径导航方法。
背景技术
病历是医务人员对患者疾病的发生、发展、转归,进行检查、诊断、治疗等医学活动过程所作的文字记录。病历既是临床实践工作的总结,又是探索疾病规律及处理医学纠纷的法律依据,是国家的宝贵财富。
在临床医学中,有效整理病历,从中挖掘医生临床医学经验,对医学进步具有重大意义。在实际诊疗中,由于医务人员本身存在知识储备和临床经验等方面的差异性,往往不同的医务人员针对同一种疾病或者症状的诊断方式以及用药习惯等也不尽相同,有的收效显著有的却见效甚微。而通过组织业内医务人员的进行治疗经验交流,不仅需要大量的人力物力,且不具有实时性和普遍共享性。因此,如何有效地从病历中整理出医学经验,实现医学知识共享显得尤为重要。
发明内容
本发明实施例提供了一种医疗导航路径的生成方法、装置及医疗路径导航方法,以有效地从病历中整理出医疗经验,生成医疗导航路径,实现医疗经验的共享。
第一方面,本发明实施例提供了一种医疗导航路径的生成方法,该方法包括:
获取历史病历样本中的各病情描述以及与各病情描述关联的各行动方案;
根据所述历史病历样本确定所述各病情描述与各行动方案之间的依赖关系;
根据所述依赖关系构建医疗导航模型,并根据所述医疗导航模型确定医疗导航路径。
第二方面,本发明实施例还提供了一种医疗导航路径的生成装置,该装置包括:
样本获取模块,用于获取历史病历样本中的各病情描述以及与各病情描述关联的各行动方案;
依赖关系确定模块,用于根据所述历史病历样本确定所述各病情描述与各行动方案之间的依赖关系;
医疗导航路径确定模块,用于根据所述依赖关系构建医疗导航模型,并根据所述医疗导航模型确定医疗导航路径。
第三方面,本发明实施例又提供了一种医疗路径导航方法,该方法包括:
获取用户输入的患者数据;其中,所述患者数据包括患者当前的病情描述;
采用本发明任意实施例所述的医学导航路径的生成方法所建立的医学导航路径对当前输入的所述患者数据进行处理,输出与当前所述患者数据对应的路径导航结果进行显示;其中,所述路径导航结果包括与患者当前的病情描述所对应的行动方案或疾病类型。
第四方面,本发明实施例提供了一种终端,该终端包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现本发明任意实施例所述的医疗导航路径的生成方法。
第五方面,本发明实施例又提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现本发明任意实施例所述的医疗导航路径的生成方法。
本发明实施例的技术方案,通过获取历史病历样本中的各病情描述以及与各病情描述关联的各行动方案,总结出各历史病历样本中的医疗经验,然后确定出各病情描述与各行动方案之间的依赖关系,总结出历史病例样本中记载的医疗诊断过程中医务人员的诊断经验,然后根据依赖关系构建医疗导航模型,汇总与各病情描述对应的各历史诊断路径,构建出医疗导航模型,进而根据医疗导航模型确定医疗导航路径,能够有效地从历史病历样本中整理出临床医疗经验,解决现有的医疗经验交流费时费力等问题,很好地实现对医疗经验的总结,并提供医疗导航路径辅助医疗诊断,真正实现医疗经验的共享,促进医学进步。
附图说明
为了更加清楚地说明本发明示例性实施例的技术方案,下面对描述实施例中所需要用到的附图做一简单介绍。显然,所介绍的附图只是本发明所要描述的一部分实施例的附图,而不是全部的附图,对于本领域普通技术人员,在不付出创造性劳动的前提下,还可以根据这些附图得到其他的附图。
图1是本发明实施例一所提供的一种医疗导航路径的生成方法的流程图;
图2是本发明实施例二所提供的一种医疗导航路径的生成方法的流程图;
图3是本发明实施例三所提供的一种医疗导航路径的生成装置的结构图;
图4是本发明实施例四所提供的一种终端的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1为本发明实施例一所提供的一种医疗导航路径的生成方法的流程图,该方法可以由医疗导航路径的生成装置来执行,该装置可通过硬件和/或软件的方式实现,并且一般可独立的配置在服务器中或者由终端和服务器配合实现本实施例的方法。
如图1所示,本实施例的方法具体包括:
S110、获取历史病历样本中的各病情描述以及与各所述病情描述关联的各行动方案。
示例性地,病情描述可包括下述中的至少一个:患者的基本信息、生命体征、症状、化验指标以及检查标志物等。具体地,患者的基本信息可包括性别、年龄、工作性质、家庭住址以及经济收入等等;患者的生命体征可包括身高、体重、体温、脉搏以及血压等等;患者的症状可包括对患者不适的主观描述,在历史病历样本中可用对话等自然语言表达,譬如头痛、恶心、眩晕以及食欲不振等;患者的化验指标可包括血小板计数偏低、白细胞计数偏高、血糖浓度偏高以及尿蛋白计数偏高等;患者的检查标志物可包括心电图特征、脑电图特征、X光片显示某区域有阴影、彩超显示某区域低回声结节、CT显示条索状阴影以及PET显示某区域局部代谢率偏高等。
与病情描述对应的各行动方案也可以理解为得到更丰富的病情描述的方法或者医疗手段。行动方案具体可包括医生追问患者的问题,如“是否咳嗽”等,或者建议患者去做的化验和检查项目(病理检查以及影像检查等)等。
可以理解的是,历史病历样本包括手写的纸质版病历以及电子化历史病历等。历史病历样本中记载了病情描述以及与该病情描述对应的一种、两种或者多种行动方案,并记载了与各病情描述对应的诊断结果。其中,诊断结果包括一种、两种或者多种疾病类型。例如,与病情描述所对应的疾病类型可能包括一种疾病,也可能还包括由该疾病引起的各种并发症,或者患者本身就罹患多种疾病。
在本实施例中,获取历史病历样本中的各病情描述以及与各所述病情描述关联的各行动方案,具体可以是分别获取各历史病历样本中的各病情描述以及与各所述病情描述关联的各行动方案,即,以一份历史病历样本为单位,分贝获取每一份历史病历样本中的各病情描述以及与各所述病情描述关联的各行动方案。
S120、根据所述历史病历样本确定所述各病情描述与各行动方案之间的依赖关系。
在历史病历样本中,通常医生会结合患者当前的病情描述,给出合理的治疗方案,即会存在响应的行动方案,直至医生能够给出诊断结果。因此,需要建立各病情描述与各行动方案之间的依赖关系。病情描述随着行动方案的增加也会越来越丰富,一定程度上也会越来越有利于医生给出诊断结果。而一旦当前病情描述能够使得医生给出有把握的诊断结果,则当前病情描述后续不再会存在用于获取更丰富的病情描述的行动方案。因此历史病历样本中存在最初的病情描述,以及与后续行动方案相关联的病情描述。
一般地,为了更好地为患者进行诊治,同一患者的病情描述以及与该病情描述对应的行动方案往往记载在同一份历史病历样本中。而且同一患者的病情描述与行动方案之间往往存在有很大的依赖关系。因此,可以根据各历史病历样本来确定各病情描述与各行动方案之间的依赖关系。具体可以是,根据各病历样本中记载的内容,确定同一历史病历样本中的各病情描述与各行动方案之间的依赖关系。其中,依赖关系可以理解为,当前病情描述,与当前病情描述对应的下一步的行动方案以及根据该行动方案得到的进一步的病情描述之间的关联关系。建立依赖关系需要确定各个病情描述与各个行动方案之间的关联关系。这其中包括最初患者口述的病情描述,经过医生诊断时才去的各行动方案,直至最后得出一个能够辅助医生做出诊断结果的病情描述。
S130、根据所述依赖关系构建医疗导航模型,并根据所述医疗导航模型确定医疗导航路径。
根据依赖关系构建医疗导航模型,可以通过医疗导航模型来记录各病情描述与各行动方案之间的关联关系,有效总结出各历史病历样本中的诊医疗经验。根据依赖关系构建医疗导航模型具体可包括:获取当前病情描述;根据所述依赖关系遍历所述历史病历样本,判断是否存在与所述当前病情描述关联的行动方案;若存在与所述当前病情描述关联的行动方案,则获取与所述当前病情描述以及与所述行动方案对应的目标病情描述,并将所述目标病情描述作为所述当前病情描述的下一层级病情描述;在将所述目标病情描述作为新的当前病情描述后,返回执行根据所述依赖关系遍历所述历史病历样本,判断是否存在与所述当前病情描述关联的行动方案的操作,直至新的当前病情描述不关联任一行动方案;若不存在与所述当前病情描述关联的行动方案,则记录不同层级的病情描述,以及与关联上下层病情描述对应的行动方案,构建出医疗导航模型。
医疗导航路径可以理解为与各病情描述相关的后续行动方案以及诊断结果。可以理解的是,医疗导航模型中可包括与各病情描述对应的一条或多条导航路径,根据所述医疗导航模型确定医疗导航路径,具体可以是根据设定的规则从医疗导航模型中选择出一个或多个与当前病情描述对应的诊断路径作为医疗导航路径;或者也可以根据设定的规则将医疗导航模型中这个医疗导航路径进行排序进行显示,进而根据用户输入的选中指令确定医疗导航路径。
在本发明实施例中,根据所述医疗导航模型确定医疗导航路径,具体可包括:根据各病情描述对应的当前收益以及各下层病情描述对应的未来行动价值,确定出各行动方案对应的当前行动价值;根据所述当前行动价值确定出当前最佳的行动方案作为当前目标行动方案,并基于各所述当前目标行动方案和目标收益确定出所述医疗导航模型中的医疗导航路径。
本实施例的技术方案,通过获取历史病历样本中的各病情描述以及与各病情描述关联的各行动方案,总结出各历史病历样本中的医疗经验,然后确定出各病情描述与各行动方案之间的依赖关系,总结出历史病例样本中记载的医疗诊断过程中医务人员的诊断经验,然后根据依赖关系构建医疗导航模型,汇总与各病情描述对应的各历史诊断路径,构建出医疗导航模型,进而根据医疗导航模型确定医疗导航路径,能够有效地从历史病历样本中整理出临床医疗经验,解决现有的医疗经验交流费时费力等问题,很好地实现对医疗经验的总结,并提供医疗导航路径辅助医疗诊断,真正实现医疗经验的共享,促进医学进步。
实施例二
图2为本发明实施例二所提供的一种医疗导航路径的生成方法的流程图,如图2所示,本实施例在上述实施例的基础上,可选是所述根据所述依赖关系构建医疗导航模型,包括:获取当前病情描述;根据所述依赖关系遍历所述历史病历样本,判断是否存在与所述当前病情描述关联的行动方案;若存在与所述当前病情描述关联的行动方案,则获取与所述当前病情描述以及与所述行动方案对应的目标病情描述,并将所述目标病情描述作为所述当前病情描述的下一层级病情描述;在将所述目标病情描述作为新的当前病情描述后,返回执行根据所述依赖关系遍历所述历史病历样本,判断是否存在与所述当前病情描述关联的行动方案的操作,直至新的当前病情描述不关联任一行动方案;若不存在与所述当前病情描述关联的行动方案,则记录不同层级的病情描述,以及与关联上下层病情描述对应的行动方案,构建出医疗导航模型。
在上述技术方案的基础上,进一步地,所述根据所述医疗导航模型确定医疗导航路径,可包括:根据各病情描述对应的当前收益以及各下层病情描述对应的未来行动价值,确定出各行动方案对应的当前行动价值;根据所述当前行动价值确定出当前最佳的行动方案作为当前目标行动方案,并基于各所述当前目标行动方案和目标收益确定出所述医疗导航模型中的医疗导航路径。
S210、获取历史病历样本中的各病情描述以及与各所述病情描述关联的各行动方案。
S220、根据所述历史病历样本确定所述各病情描述与各行动方案之间的依赖关系。
S230、获取当前病情描述。
获取当前病情描述包括:接收用户当前输入的病情描述。示例性地,用户当前输入的病情描述可以是医生根据患者的口述输入的病情描述,也可以是医生根据患者之前的就医记录从患者的病例样本中获取到的当前病情描述;还可以是医生根据患者的口述输入的病情描述进行了病情询问之后的病情描述等等,在此并不做限定。可以理解的是,当前病情描述可以与历史病历样本中记载的病情描述相同也可以与病例样本中获取到的病情描述不同。
S240、根据所述依赖关系遍历所述历史病历样本,判断是否存在与所述当前病情描述关联的行动方案,若是执行S250;否则执行S270。
根据病情描述以及与病情描述相关的行动放方案,能够确定出各个时刻或各阶段的病情描述,确定该历史病历样本中记载的医疗诊断路径,总结出各病情描述以及各行动方案与诊断结果之间的关联关系,即可总结出医疗诊断经验,为建立医疗导航路径奠定基础。在本实施例中,获取到当前病情描述后,可遍历当前病情描述所在的历史病历样本,判断是否存在与当前病情描述关联的行动方案,能够有效梳理出历史病历样本中记载的完整的诊断方案,更好地总结出医学经验知识
S250、若存在与所述当前病情描述关联的行动方案,则获取与所述当前病情描述以及与所述行动方案对应的目标病情描述,并将所述目标病情描述作为所述当前病情描述的下一层级病情描述。
示例性地,可以将最初获取的当前病情描述作为根节点,将与当前病情描述关联的各行动方案作为该根节点的各个连边,确定出的与各行动方案对应的各个目标病情描述作为根节点的各个叶子节点。即每个节点都是病情描述,每个连线都是行动方案。若叶子节点没有后续连线,也就表示在该叶子节点对应的病情描述后,没有后续行动方案。
本操作可以通过当前病情描述,以及与当前病情描述相关的行动方案,确定当前病情描述的下一层级病情描述。可以理解的是,在不同的历史病历样本中可能存在同样的病情描述,而与同样的病情描述相对应的可能是相同或不同的行动方案,因此,当前病情描述可能会存在一个或多个下一层级的病情描述。
S260、在将所述目标病情描述作为新的当前病情描述后,返回执行S240。
在本实施例中,为了总结出历史病历样本中完整的医疗方案,对每一个层级的病情描述都需要执行同样的操作,即需要判断在该病情描述之后是否还存在后续的行动方案。因此,需要在将目标病情描述作为新的当前病情描述后,需要重复执行根据病情描述与行动方案之间的依赖关系遍历当前病情描述所在的历史病历样本,判断是否存在与当前病情描述关联的行动方案的操作,以确定当前病情描述是否为最后一个层级的病情描述。
采用上述方法能够根据当前病情描述以及各行动方案,从当前病情描述逐步确定出最后一个层级的病情描述,从而总结出一套完整的医疗诊断方法,有效归纳出各历史病历样本中的医学经验知识。
S270、记录不同层级的病情描述,以及与关联上下层病情描述对应的行动方案,构建出医疗导航模型。
示例性地,可以根据各病情描述与各行动方案构建树形结构,进而将所构建的树形结构作为医疗导航模型。具体可以是,以各个病情描述作为该树形结构的各个节点,各个行动方案作为该树形结构的连边,则初始病情描述可以作为根节点,然后,根据与根节点关联各个行动方案确定根节点下一层级的病情描述作为根节点的叶子节点,将与根节点和各子节点关联的行动方案作为连边,进而确定叶子节点的叶子节点以其连边,并以此类推,逐步确定该树形结构中的各个节点以及连边,并进行记录,从而根据各历史病历样本中的各病情描述与各行动方案构建完整的树形结构。
S280、根据各病情描述对应的当前收益以及各下层病情描述对应的未来行动价值,确定出各行动方案对应的当前行动价值。
当前收益可以理解为根据当前收集到的病情描述,有多大把握给出诊断结果。在实际诊断过程中,病情描述越丰富可能越有利于给出诊断结果,但也有可能增加病情描述后对诊断结果没有太大影响。考虑到当前收益并没有提示用户下一步应该做什么,是追问更多症状,还是让患者去做某项化验或者检查。因此,为了更好地确定各行动方案对应的当前行动价值,可以结合整个诊断过程进行全面考虑,不仅需要考虑各病情描述对应的当前收益,还需要考虑该病情描述对应的各下层病情描述对应的未来行动价值。例如可以构建一个行动价值函数用于指引医生后续的最佳行动方案。具体地,可以先根据各病情描述对应的当前收益以及各下层病情描述对应的未来行动价值,构造行动价值函数,然后基于所述行动价值函数计算出各行动方案对应的当前行动价值。
可选地,所述根据各病情描述对应的当前收益以及各下层病情描述对应的未来行动价值,构造行动价值函数,包括:在记录结果中,从最低层的病情描述开始,依次计算与各病情描述对应的当前行动价值函数;其中,如果当前计算的病情描述不存在下层病情描述,则根据当前计算的病情描述确定与当前计算的病情描述对应的当前收益函数,将当前计算的病情描述的所述当前收益函数作为所述当前计算的病情描述的当前行动价值函数;如果当前病情描述存在下层病情描述,则将各病情描述对应的当前收益与行动方案的未来行动价值的折现相加,作为所述当前计算的病情描述的当前行动价值函数。其中,未来行动价值的折现可以是下一层级病情描述对应的行动价值的加权。
其中,最低层的病情描述记为最后一个层级的病情描述,也是最后一个层级叶子节点。需要说明的是,最后一个层级叶子节点后续没有行动方案,也不存在下层病情描述。在记录结果中,从最低层的病情描述开始,依次计算与各病情描述对应的当前行动价值函数,可以理解为,从各病情描述以及各行动方案构成的树状结构的最低层的叶子节点开始,计算当前的行动价值,并依次上溯,计算父节点的当前行动价值,直至计算出根节点的当前行动价值。
如果当前计算的病情描述不存在下层病情描述,可以理解为当前计算的病情描述后续没有行动方案,即为当前树形结构的最后一个层级叶子节点,则根据当前计算的病情描述确定与当前计算的病情描述对应的当前收益函数,即可以计算出当前树形结构的最后一个层级叶子节点的当前收益函数,并将该当前收益函数作为该叶子节点的当前行动价值函数。类似地,如果当前计算的病情描述存在下层病情描述,则可以理解为当前计算的病情描述有后续行动方案,即为该树形结构的根节点或者中间节点,则可以将该节点对应的当前收益与行动方案的未来行动价值的折现相加,作为该节点的当前行动价值函数。
示例性地,不妨获取t时刻的病情描述st,并根据当前收集到的病情描述st,遍历该病情描述所对应的所有可能的行动方案at,表示为从而得到下一个时刻即t+1时刻所有可能的病情描述st+1,类似地,st+1可以表示为其中,n表示t+1时刻的病情描述的总的种数(数量)。
假设在t=1时刻,针对s1存在4种行动方案a1,病情描述s1为“颈部有肿块”,此时针对s1存在k种行动方案a1,分别为譬如,为“是否咳嗽”,追问患者,提供更多症状;为“做静脉血化验,尤其是查一下白细胞计数”,建议化验项目;为“在颈部有肿块,做活检,取病理切片”,进行病理检查;为“在颈部做PET,看看肿块处是否代谢偏高”,进行正电子发射型计算机断层显像的影像检查。此时诊断的医生可以从4种行动方案a1中挑选一个执行。
假如,在t=1时刻医生建议患者采取行动方案即“在颈部有肿块,做活检,取病理切片”,在t=2时刻,活检报告完成,病情描述s2的内容会有所添加,此时s2的内容可能为以下三种情况之一:为“颈部有肿块,颈部活检无异常”;为“颈部有肿块,淋巴造血组织有良性肿瘤”;为“颈部有肿块,淋巴造血组织有恶性肿瘤”。分别计算对应于以及的当前收益以及
如果做完活检,活检结果是“淋巴造血组织有恶性肿瘤”,整个诊断过程结束,没有后续行动方案,即a2=null。那么此时可以取的值作为当前病情描述对应的当前行动价值的值,即如果活检结果是“颈部活检无异常”,那么还需要查验白细胞计数,加以验证,即a2为查验白细胞计数。而查验白细胞计数的结果,有三种可能,“正常”、“偏高”、“偏低”。对应的病情描述和收益分别是:为“颈部有肿块”,“无异常”,“白细胞计数正常”;为“颈部有肿块,无异常,白细胞计数偏高”;为“颈部有肿块,无异常,白细胞计数偏低”。分别计算对应于及的当前收益及假如查验白细胞计数后,结果是“白细胞计数正常”,诊断过程结束,即a3=null,那么
需要说明的是,只有当at=null,即针对当前病情描述没有后续行动方案时,当前病情描述对应的当前行动价值Q(st,at=null)=rt。
若针对当前病情描述有后续行动方案时,当前病情描述对应的当前行动价值可以采用如下公式进行表示:其中,st表示t时刻的病情描述或者第t种病情描述;at表示与t时刻的病情描述或者第t种病情描述st关联的行动方案;Q(st,at)表示t时刻的病情描述或者第t种病情描述对应的当前行动价值;r(st)表示t时刻的病情描述或者第t种病情描述st对应的当前收益;st+1表示t+1时刻的病情描述或者第t+1种病情描述;表示与t+1时刻的病情描述或者第t+1种病情描述st+1关联的第j种行动方案,j的取值为大于等于1小于等于与st关联的行动方案的总种数的正整数;表示与t+1时刻的病情描述或者第t+1种病情描述st+1以及各行动方案对应的各当前行动价值中的最大值,γ为的权重,可以为预设常数,具体取值可以根据实际情况进行设置,在此不做限定。
针对t时刻的病情描述,在下一个时刻t+1时刻,可能会有多个关联的行动方案at+1,其中为了保证达到最好的诊断结果,需要在各种行动方案中选择出最佳行动方案,使最大化,可以表示为γ是预先设定的常数,用于表达未来收益的折现率。因此,用于表示下一时刻的未来行动价值等同于多少当前收益。当前病情描述对应的当前行动价值即可简单表述为当前行动价值=当前收益+未来行动价值的折现。
在实际诊断过程中,不同的化验项目和检查项目的经济成本不同以及等待时间等都不尽相同。为了更好地贴合患者需求,在患者能够接受的范围内寻求最佳的治疗方案,可以在计算行动价值时引入行动成本因子。具体地,根据各病情描述对应的当前收益以及各下层病情描述对应的未来行动价值,构造行动价值函数,可包括:获取当前病情描述的行动成本,并根据所述行动成本构建心理效用函数;将各病情描述对应的当前收益与各下层病情描述对应的未来行动价值的折现相加后,减去所述心理效用函数,来构造当前行动价值函数。
举例而言,假设每一种行动的成本,是固定的,可以预先设定。为计算方便,可以把行动成本的取值规约在0到1之间。由于成本对患者的心理感受,未必成线性。因此,可以用形状类似于sigmoid函数的曲线,来构造行动成本的心理效用函数,以便更贴切地描绘患者对于成本的心理感受。假设当成本接近于0时,患者对成本的变化不敏感;当成本超过一个心理阈值,接近于1时,患者对成本的抱怨很大。其中,心理阈值的具体取值可以根据市区及情况进行设定,例如可以是0.5。此时,可能说明成本在0.5周围时,患者对成本的变化可能最敏感,而成本继续上升,患者可能已经麻木。
示例性地,本发明中基于行动成本的心理效用函数Psychological Utility,具体可用如下公式表达:其中,α和β为预设的常数,Cost(at)表示t时刻的行动方案所对应的行动成本。添加行动成本的心理效用因子后,相应的当前行动价值可以表示为其中,γ为t+1时刻的当前行动价值的权重值,γ的具体取值可以根据实际情况进行设置,在此不做限定。
根据当前计算的病情描述确定与当前计算的病情描述对应的当前收益函数,具体可包括:根据历史病历样本中的各病情描述以及与所述病情描述对应的疾病诊断结果,构建医学经验总结模型;基于所述医学经验总结模型确定与当前计算的病情描述所对应的疾病诊断结果,并计算出至少一种疾病的概率分布;根据所述疾病的概率分布,计算出与当前计算的病情描述对应的诊断结果的熵,并根据所述熵构建当前收益函数。
具体地,根据历史病历样本中的各病情描述以及与所述病情描述对应的疾病诊断结果,构建医学经验总结模型可以是,将历史病历样本中的各病情描述作为输入,将历史病例样本中与所述病情描述对应的疾病诊断结果以及诊断结果中所包括的各种疾病的概率分布作为输出,对预设的生成对抗网络(Generative Adversarial Networks,GAN)进行训练,得到构建医学经验总结模型,总结出资深医生的临床诊断决策经验。其中,生成对抗网络(Generative Adversarial Networks,GAN)包括生成式模型和判别式模型。
示例性地,根据历史病历样本中的各病情描述以及与所述病情描述对应的疾病诊断结果,构建医学经验总结模型,可包括:根据历史病历样本中的目标数据对预设的生成式模型进行训练;根据训练完成后的所述生成式模型生成第一伪造数据,并根据所述目标数据以及所述第一伪造数据对预设的鉴别式模型进行训练;根据训练完成后的所述生成式模型生成第二伪造数据,并根据训练完成后的所述鉴别式模型对所述第二伪造数据的鉴别结果对所述生成式模型的参数进行调整,将调整后满足预设平衡条件的生成式模型作为医学经验总结模型。其中,所述目标数据包括各病情描述以及与所述病情描述对应的疾病诊断结果;所述第一伪造数据包括随机生成的第一伪造病情描述以及与所述第一伪造病情描述对应的至少一种第一伪造疾病类型;所述第二伪造数据包括随机生成的第二伪造病情描述以及与所述第二伪造病情描述对应的至少一种第二伪造疾病类型。
基于所述医学经验总结模型确定与当前计算的病情描述所对应的疾病诊断结果,并计算出至少一种疾病的概率分布,可以是首先获取当前的病情描述,并将所述病情描述输入到训练完成的医学经验总结模型中,所述医学经验总结对当前输入的所述病情描述进行处理,输出与当前计算的病情描述所对应的疾病诊断结果,并计算出至少一种疾病的概率分布进行显示。
本实施例中,当前收益rt仅仅描述诊断结果是否聚焦在少数几个疾病,也可以说根据当前收集到的病情描述有多大把握给出诊断结果。假设诊断结果中包含的疾病数量或者种类越少,罹患每种疾病的概率越高,说明对当前的诊断结果越有把握,当前收益rt也就越高。本发明实施例中采用熵,来表达当前收益rt。其中,诊断结果中各疾病类型对应的熵可以由以下公式计算:其中,st表示t时刻所收集到的病情描述;dt表示t时刻所收集到的病情描述对应的诊断结果;诊断结果可能包含一种或多种疾病,表示t时刻所收集到的病情描述对应的诊断结果中第j种疾病;表示罹患诊断结果中第j种疾病的概率;Entropy(dt,st)表示与t时刻所收集到的病情描述对应的诊断结果的熵。
譬如根据已经收集到的有限的病情描述,输出的诊断结果显示患者可能罹患五种疾病类型,其中,每种疾病类型的概率分别是20%。这个诊断结果的熵是Entropy(d1|s1)=-1.0*(5*0.20*log0.20)=2.32,其中对数log以2为底。随后若收集了更多的病情描述,然后把诊断结果更新为患者可能罹患两种疾病类型,与这两种疾病类型对应的概率分别为20%和80%,这时诊断结果所对应的熵是Entropy(d2|s2)=-1.0*(0.20*log0.20+0.80*log0.80)=0.72。在极端情况下,与输入的病情描述对应的诊断结果可能只有一种疾病类型,概率为100%,这时该疾病类型对应的熵为0。由此可知,诊断结果越是集中在少数几个疾病类型,熵值越低。如果诊断结果只有一个疾病,则对诊断结果的把握越大,熵值最低,为0。
如果针对同一种病情,我们收集了大量病历。从这些病历中提炼出病情描述和诊断结果,然后基于医学经验总结模型统计出这些病历的诊断结果中各种相关疾病的概率分布,计算出针对这种病情描述的诊断结果的熵。其中,医学经验总结模型输出的是与病情描述st对应的诊断结果中各个疾病的概率pdf(dt|st),可用表示,进而根据pdf(dt|st)就可以计算诊断结果的熵,以此作为当前收益rt。
需要说明的是,熵表达的含义是针对这种病情描述,对输出的诊断结果有多大把握。换言之,如果对于同一种病情描述,历史病历样本中的诊断结果中包含很多种疾病,或者不同的历史病历样本中的诊断结果差别很大,那么说明对于这种病情描述的诊断,诊断结果的分歧较大,对诊断结果的把握较低。但是熵值的大小并不表示诊断结果本身是否正确。也就是说即便医生对诊断结果很有把握,并不能保证诊断结果就一定是正确的。
示例性地,可以设置临床医疗路径导航表,具体可将导航表分三列,每列的内容分别是si、ai以及Q(si,ai),也就是病情描述、行动方案以及该病情描述和该行动方案对应的当前行动价值。导航表有若干行,每一行对应一种si和ai的组合。由于对应同一种病情描述si,可能会有多种行动方案ai,具体可以将ai表示为:其中,k为行动方案的总的种数(数量),表示第i种病情描述对应的第k种行动方案;类似地,表示第i种病情描述对应的第j种行动方案。所以,严格来说,导航表中每一行的内容分别是si、
当收集了一定量的历史病历样本数据后,可以基于历史病历样本先训练医学经验总结模型,训练完医学经验总结模型,就可以填充医疗导航表了。具体地,可以从一份病历中,整理出病情描述st,以及诊断结果dt。其中,诊断结果dt包括一种或多种疾病类型。记T为诊断路径的终点,即则当前行动价值Q(sT,aT=null)=r(sT),其中,aT=null表示整个诊断过程结束,此时对应的病情描述后没有后续行动方案;当前收益可用公式表示为:
然后,可以根据上述由各病情描述对应的当前收益与行动方案的未来行动价值所确定的当前行动价值的计算公式或考虑患者的心理因素,添加心理效用函数后的当前行动价值的计算公式从终点T时刻逆向反推出上一个时刻的行动价值,例如终点T时刻逐步获取与各个病情描述对应的当前行动价值,直至推算出初始的病情描述对应的当前行动价值Q(s1,a1)。
对每一份历史病例样本都做同样的处理,处理完第一份历史病例样本,然后处理第二份历史病例样本,并更新导航表中的Q(st,at),直至处理完所有的历史病例样本。可以理解的是,随着医学的发展与临床医疗经验的积累,可以不断获取新的历史病历样本更新医疗导航表。
S290、根据所述当前行动价值确定出当前最佳的行动方案作为当前目标行动方案,并基于各所述当前目标行动方案和目标收益确定出所述医疗导航模型中的医疗导航路径。
本发明实施例中,最佳的行动方案可以理解为最合适的行动方案,例如可以是做最少的检查可以快速准确地确定出诊断结果的行动方案,也可以是结合用户自身条件所确定的适合该用户的行动方案等。
在本实施例中,可以将当前行动价值作为参考,通过计算出的当前行动价值确定出当前最佳的行动方案。具体地,所述根据所述当前行动价值确定出当前最佳的行动方案作为当前目标行动方案,可包括:将计算出的各所述当前行动价值中最大的行动价值所对应的行动方案,作为当前目标行动方案。即,对应于同一个病情描述st,会有多种行动方案每种行动对应一个当前行动价值取多种行动方案对应的各个中的最大者,相应的行动方案就是最佳行动方案。
若对持续若干个当前的病情描述增加下一步的行动方案后所得到的下一层级的病情描述的当前收益进行计算,得到的各个当前收益的变化不大,则可能说明增加行动方案后的各个下一层级的病情描述对于诊断结果的影响不大。因此,在所述基于各病情描述、与各所述病情描述关联的行动方案和目标收益确定医疗导航路径之前,还可以包括:计算各病情描述对应的当前收益,如果预设数量的病情描述所对应的当前收益的变化幅度均小于预设阈值,则将所述当前收益作为目标收益;或者,计算各病情描述对应的当前收益,如果连续预设数量的各病情描述所对应的当前收益收敛,则将当前收益作为目标收益。
其中,预设数量可以理解为病情描述的数量可以根据实际情况预先进行设定,例如可以是3、4或5等,在此不做限定。同时,预设阈值也可以根据经验默认设置或由用户根据实际情况进行设置,在此不做限定。
举例而言,假设初始输入的病情描述,记为开始时刻,用t=1表示,经各行动方案后的得到的最终病情描述,记为诊断结束的时刻,用t=T表示,在整个诊断过程中,计算每一个时刻所对应的当前收益rt,具体可通过如下公式进行计算:其中,Entropy(dt|st)表示与t时刻的病情描述相对应的各疾病类型的熵,如果rt,rt+1,…,rt+Δ的变化幅度,持续地小于预设阈值,如预设的常数τ,那么该诊断过程结束,此时T=t+Δ。其中,Δ是考察期的时间窗口长度,也可以是根据实际情况预设的常数。
需要说明的是,本发明实施例中的“t时刻”以及“t+1时刻”等描述,只适用于区分不同的病情描述以及与该病情描述关联的行动方案,并不代表病情描述或者行动方案会依赖于时间而变化,也可理解为第t种或第t+1种病情描述。
如果当前病情描述与历史病历样本中所记载的病情描述不同,那么说明在历史病历样本中没有出现过这样的病情描述,即没有以往经验可以参考,此时可以通过医学经验总结模型来估算与当前病情描述对应的诊断结果,以及该诊断结果中各疾病的概率,进而估算该当前病情描述对应的当前行动价值。
本实施例的技术方案,通过各病情描述与各行动方案之间的依赖关系将各病情描述分为不同层级,并记录不同层级的病情描述,以及与关联上下层病情描述对应的行动方案,构建出医疗导航模型,能够清楚、准确、有条理地对历史病历样本中的医疗经验进行总结,进而结合各病情描述对应的当前收益以及各下层病情描述对应的未来行动价值,确定出各行动方案对应的当前行动价值,将各病情描述与各关联行动方案作为一个整体方案进行考虑,并且以当前行动价值作为参考,有利于确定出当前最佳的行动方案,进而确定出最佳的医疗导航路径。
实施例三
图3为本发明实施例三所提供的一种医疗导航路径的生成装置的结构框图。该装置可通过硬件和/或软件的方式实现,并且一般可独立的配置在服务器中或者由终端和服务器配合实现本实施例的方法。如图3所示,本实施例的医疗导航路径的生成装置包括:样本获取模块310、依赖关系确定模块320和医疗导航路径确定模块330。
其中,样本获取模块310,用于获取历史病历样本中的各病情描述以及与各病情描述关联的各行动方案;依赖关系确定模块320,用于根据所述历史病历样本确定所述各病情描述与各行动方案之间的依赖关系;医疗导航路径确定模块330,用于根据所述依赖关系构建医疗导航模型,并根据所述医疗导航模型确定医疗导航路径。
本实施例的技术方案,通过获取历史病历样本中的各病情描述以及与各病情描述关联的各行动方案,总结出各历史病历样本中的医疗经验,然后确定出各病情描述与各行动方案之间的依赖关系,总结出历史病例样本中记载的医疗诊断过程中医务人员的诊断经验,然后根据依赖关系构建医疗导航模型,汇总与各病情描述对应的各历史诊断路径,构建出医疗导航模型,进而根据医疗导航模型确定医疗导航路径,能够有效地从历史病历样本中整理出临床医疗经验,解决现有的医疗经验交流费时费力等问题,很好地实现对医疗经验的总结,并提供医疗导航路径辅助医疗诊断,真正实现医疗经验的共享,促进医学进步。
在上述技术方案的基础上,所述医疗导航路径确定模块可用于:
获取当前病情描述;
根据所述依赖关系遍历所述历史病历样本,判断是否存在与所述当前病情描述关联的行动方案;
若存在与所述当前病情描述关联的行动方案,则获取与所述当前病情描述以及与所述行动方案对应的目标病情描述,并将所述目标病情描述作为所述当前病情描述的下一层级病情描述;
在将所述目标病情描述作为新的当前病情描述后,返回执行根据所述依赖关系遍历所述历史病历样本,判断是否存在与所述当前病情描述关联的行动方案的操作,直至新的当前病情描述不关联任一行动方案;
若不存在与所述当前病情描述关联的行动方案,则记录不同层级的病情描述,以及与关联上下层病情描述对应的行动方案,构建出医疗导航模型。
在上述各技术方案的基础上,所述医疗导航路径确定模块可包括当前行动价值确定单元和医疗导航路径确定单元。
其中,当前行动价值确定单元,用于根据各病情描述对应的当前收益以及各下层病情描述对应的未来行动价值,确定出各行动方案对应的当前行动价值;医疗导航路径确定单元,用于根据所述当前行动价值确定出当前最佳的行动方案作为当前目标行动方案,并基于各所述当前目标行动方案和目标收益确定出所述医疗导航模型中的医疗导航路径。
在上述各技术方案的基础上,所述当前行动价值确定单元可包括行动价值函数构造子单元和当前行动价值计算子单元。
其中,行动价值函数构造子单元,用于根据各病情描述对应的当前收益以及各下层病情描述对应的未来行动价值,构造行动价值函数;当前行动价值计算子单元,用于基于所述行动价值函数计算出各行动方案对应的当前行动价值。
在上述各技术方案的基础上,所述行动价值函数构造子单元具体用于:
在记录结果中,从最低层的病情描述开始,依次计算与各病情描述对应的当前行动价值函数;
其中,如果当前计算的病情描述不存在下层病情描述,则根据当前计算的病情描述确定与当前计算的病情描述对应的当前收益函数,将当前计算的病情描述的所述当前收益函数作为所述当前计算的病情描述的当前行动价值函数;如果当前病情描述存在下层病情描述,则将各病情描述对应的当前收益与行动方案的未来行动价值的折现相加,作为所述当前计算的病情描述的当前行动价值函数。
在上述各技术方案的基础上,所述根据当前计算的病情描述确定与当前计算的病情描述对应的当前收益函数,包括:
根据历史病历样本中的各病情描述以及与所述病情描述对应的疾病诊断结果,构建医学经验总结模型;
基于所述医学经验总结模型确定与当前计算的病情描述所对应的疾病诊断结果,并计算出至少一种疾病的概率分布;
根据所述疾病的概率分布,计算出与当前计算的病情描述对应的诊断结果的熵,并根据所述熵构建当前收益函数。
在上述各技术方案的基础上,所述医疗导航路径确定单元具体可用于:
将计算出的各所述当前行动价值中最大的行动价值所对应的行动方案,作为当前目标行动方案。
在上述各技术方案的基础上,所述行动价值函数构造子单元还可用于:
获取当前病情描述的行动成本,并根据所述行动成本构建心理效用函数;
将各病情描述对应的当前收益与各下层病情描述对应的未来行动价值的折现相加后,减去所述心理效用函数,来构造当前行动价值函数。
在上述各技术方案的基础上,还包括:
目标收益确定模块,用于在所述基于各病情描述、与各所述病情描述关联的行动方案和目标收益确定医疗导航路径之前,计算各病情描述对应的当前收益,如果预设数量的病情描述所对应的当前收益的变化幅度均小于预设阈值,则将所述当前收益作为目标收益。
上述装置可执行本发明实施例一和实施例二所提供的方法,具备执行上述方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节,可参见本发明实施例一和实施例二所提供的方法。
另外,本实施例还提供了一种医疗路径导航方法,该方法包括:
获取用户输入的患者数据;其中,所述患者数据包括患者当前的病情描述;
采用本发明任意实施例所述的医学导航路径的生成方法所建立的医学导航路径对当前输入的所述患者数据进行处理,输出与当前所述患者数据对应的路径导航结果进行显示;其中,所述路径导航结果包括与患者当前的病情描述所对应的行动方案或疾病类型。
上述技术方案,通过医学导航路径的生成方法所建立的医学导航路径,能够根据用户输入的患者数据,输出路径导航结果,能够根据患者当前的病情描述,根据医疗经验为用户提供诊断路径,辅助用户进行诊断,充分共享医疗经验,促进医学发展。
实施例四
图4为本发明实施例四提供的一种终端的结构示意图。图4示出了适于用来实现本发明实施方式的示例性终端412的框图。图4显示的终端412仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图4所示,终端412以通用计算设备的形式表现。终端412的组件可以包括但不限于:一个或者多个处理器或者处理器416;以及存储装置428,用于存储一个或多个程序,连接不同***组件(包括存储装置428和处理器416)的总线418。
总线418表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器,***总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(ISA)总线,微通道体系结构(MAC)总线,增强型ISA总线、视频电子标准协会(VESA)局域总线以及***组件互连(PCI)总线。
终端412典型地包括多种计算机***可读介质。这些介质可以是任何能够被终端412访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
存储装置428可以包括易失性存储器形式的计算机***可读介质,例如随机存取存储器(RAM)430和/或高速缓存存储器432。终端412可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机***存储介质。仅作为举例,存储***434可以用于读写不可移动的、非易失性磁介质(图4未显示,通常称为“硬盘驱动器”)。尽管图4中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线418相连。存储器428可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块,这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块442的程序/实用工具440,可以存储在例如存储器428中,这样的程序模块442包括但不限于操作***、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块442通常执行本发明所描述的实施例中的功能和/或方法。
终端412也可以与一个或多个外部设备414(例如键盘、指向设备、显示器424等)通信,还可与一个或者多个使得用户能与该终端412交互的设备通信,和/或与使得该终端412能与一个或多个其它计算设备进行通信的任何设备(例如网卡,调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口422进行。并且,终端412还可以通过网络适配器420与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器420通过总线418与终端412的其它模块通信。应当明白,尽管图中未示出,可以结合终端412使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、RAID***、磁带驱动器以及数据备份存储***等。
处理器416通过运行存储在存储装置428中的程序,从而执行各种功能应用以及数据处理,例如实现本发明实施例所提供的医疗导航路径的生成方法。
另外,本发明实施例还提供了一种包含计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时用于执行一种医疗导航路径的生成方法,该方法包括:
获取历史病历样本中的各病情描述以及与各病情描述关联的各行动方案;
根据所述历史病历样本确定所述各病情描述与各行动方案之间的依赖关系;
根据所述依赖关系构建医疗导航模型,并根据所述医疗导航模型确定医疗导航路径。
可选的,该计算机可执行指令在由计算机处理器执行时还可以用于执行本发明任意实施例所提供的医疗导航路径的生成方法的技术方案。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读存储介质中,以供指令执行***、装置或设备(如基于计算机的***、包括处理器的***或其他可以从指令执行***、装置或设备取指令并执行指令的***)使用,或结合这些指令执行***、装置或设备而使用。就本说明书而言,“计算机可读存储介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行***、装置或设备或结合这些指令执行***、装置或设备而使用的装置。
计算机可读存储介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读存储介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,并将其存储在计算机存储器中。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可用存储在存储器中且由合适的指令执行***执行的软件或固件硬件来实现。例如,若用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列PGA,现场可编程门阵列FPGA等。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (9)
1.一种医疗导航路径的生成方法,其特征在于,包括:
获取历史病历样本中的各病情描述及与各所述病情描述关联的各行动方案;
根据所述历史病历样本确定所述各病情描述与各行动方案之间的依赖关系;
根据所述依赖关系构建医疗导航模型,并根据所述医疗导航模型确定医疗导航路径;
根据历史病历样本中的各病情描述以及与所述病情描述对应的疾病诊断结果,构建医学经验总结模型;基于所述医学经验总结模型确定与当前计算的病情描述所对应的疾病诊断结果,并计算出至少一种疾病的概率分布;根据所述疾病的概率分布,计算出与当前计算的病情描述对应的诊断结果的熵,并根据所述熵构建当前收益函数;
诊断结果中各疾病类型对应的熵由以下公式计算:
2.根据权利要求1所述的方法,其特征在于,所述根据所述依赖关系构建医疗导航模型,包括:
获取当前病情描述;
根据所述依赖关系遍历所述历史病历样本,判断是否存在与所述当前病情描述关联的行动方案;
若存在与所述当前病情描述关联的行动方案,则获取与所述当前病情描述以及与所述行动方案对应的目标病情描述,并将所述目标病情描述作为所述当前病情描述的下一层级病情描述;
在将所述目标病情描述作为新的当前病情描述后,返回执行根据所述依赖关系遍历所述历史病历样本,判断是否存在与所述当前病情描述关联的行动方案的操作,直至新的当前病情描述不关联任一行动方案;
若不存在与所述当前病情描述关联的行动方案,则记录不同层级的病情描述,以及与关联上下层病情描述对应的行动方案,构建出医疗导航模型。
3.根据权利要求2所述的方法,其特征在于,所述根据所述医疗导航模型确定医疗导航路径,包括:
根据各病情描述对应的当前收益以及各下层病情描述对应的未来行动价值,确定出各行动方案对应的当前行动价值;
根据所述当前行动价值确定出当前最佳的行动方案作为当前目标行动方案,并基于各所述当前目标行动方案和目标收益确定出所述医疗导航模型中的医疗导航路径。
4.根据权利要求3所述的方法,其特征在于,所述根据各病情描述对应的当前收益以及各下层病情描述对应的未来行动价值,确定出各行动方案对应的当前行动价值,包括:
根据各病情描述对应的当前收益以及各下层病情描述对应的未来行动价值,构造行动价值函数;
基于所述行动价值函数计算出各行动方案对应的当前行动价值。
5.根据权利要求4所述的方法,其特征在于,所述根据各病情描述对应的当前收益以及各下层病情描述对应的未来行动价值,构造行动价值函数,包括:
在记录结果中,从最低层的病情描述开始,依次计算与各病情描述对应的当前行动价值函数;
其中,如果当前计算的病情描述不存在下层病情描述,则根据当前计算的病情描述确定与当前计算的病情描述对应的当前收益函数,将当前计算的病情描述的所述当前收益函数作为所述当前计算的病情描述的当前行动价值函数;如果当前病情描述存在下层病情描述,则将各病情描述对应的当前收益与行动方案的未来行动价值的折现相加,作为所述当前计算的病情描述的当前行动价值函数。
6.根据权利要求3所述的方法,其特征在于,所述根据所述当前行动价值确定出当前最佳的行动方案作为当前目标行动方案,包括:
将计算出的各所述当前行动价值中最大的行动价值所对应的行动方案,作为当前目标行动方案。
7.根据权利要求4所述的方法,其特征在于,所述根据各病情描述对应的当前收益以及各下层病情描述对应的未来行动价值,构造行动价值函数,还包括:
获取当前病情描述的行动成本,并根据所述行动成本构建心理效用函数;
将各病情描述对应的当前收益与各下层病情描述对应的未来行动价值的折现相加后,减去所述心理效用函数,来构造当前行动价值函数。
8.根据权利要求3-7任一所述的方法,其特征在于,在所述基于各病情描述、与各所述病情描述关联的行动方案和目标收益确定医疗导航路径之前,还包括:
计算各病情描述对应的当前收益,如果预设数量的病情描述所对应的当前收益的变化幅度均小于预设阈值,则将所述当前收益作为目标收益。
9.一种医疗导航路径的生成装置,其特征在于,包括:
样本获取模块,用于获取历史病历样本中的各病情描述以及与各病情描述关联的各行动方案;
依赖关系确定模块,用于根据所述历史病历样本确定所述各病情描述与各行动方案之间的依赖关系;
医疗导航路径确定模块,用于根据所述依赖关系构建医疗导航模型,并根据所述医疗导航模型确定医疗导航路径;
当前收益函数确定模块,用于根据历史病历样本中的各病情描述以及与所述病情描述对应的疾病诊断结果,构建医学经验总结模型;基于所述医学经验总结模型确定与当前计算的病情描述所对应的疾病诊断结果,并计算出至少一种疾病的概率分布;根据所述疾病的概率分布,计算出与当前计算的病情描述对应的诊断结果的熵,并根据所述熵构建当前收益函数;
诊断结果中各疾病类型对应的熵由以下公式计算:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710325176.8A CN107103201B (zh) | 2017-05-10 | 2017-05-10 | 医疗导航路径的生成方法、装置及医疗路径导航方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710325176.8A CN107103201B (zh) | 2017-05-10 | 2017-05-10 | 医疗导航路径的生成方法、装置及医疗路径导航方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107103201A CN107103201A (zh) | 2017-08-29 |
CN107103201B true CN107103201B (zh) | 2020-11-24 |
Family
ID=59668772
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710325176.8A Expired - Fee Related CN107103201B (zh) | 2017-05-10 | 2017-05-10 | 医疗导航路径的生成方法、装置及医疗路径导航方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107103201B (zh) |
Families Citing this family (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108461130B (zh) * | 2018-01-18 | 2020-09-18 | 邱堃 | 就诊任务智能调度方法及*** |
CN108597579B (zh) * | 2018-05-11 | 2022-10-14 | 北京爱康宜诚医疗器材有限公司 | 手术时间的确定方法及装置、存储介质、电子装置 |
CN109473153A (zh) * | 2018-10-30 | 2019-03-15 | 医渡云(北京)技术有限公司 | 医疗数据的处理方法、装置、介质及电子设备 |
CN109599184A (zh) * | 2018-11-09 | 2019-04-09 | 金色熊猫有限公司 | 患者诊疗数据的筛选方法、装置、电子设备、存储介质 |
CN109545350A (zh) * | 2018-11-21 | 2019-03-29 | 上海依智医疗技术有限公司 | 一种导诊方法及装置 |
CN109559788A (zh) * | 2018-11-21 | 2019-04-02 | 上海依智医疗技术有限公司 | 一种病史采集方法及装置 |
CN111721310B (zh) * | 2019-03-22 | 2024-04-16 | 北京京东乾石科技有限公司 | 待优化导航路径的确定方法、装置、介质及电子设备 |
CN110176311A (zh) * | 2019-05-17 | 2019-08-27 | 北京印刷学院 | 一种基于对抗神经网络的自动医疗方案推荐方法和*** |
CN110808095B (zh) * | 2019-09-18 | 2023-08-04 | 平安科技(深圳)有限公司 | 诊断结果识别、模型训练的方法、计算机设备及存储介质 |
EP3799074A1 (en) * | 2019-09-30 | 2021-03-31 | Siemens Healthcare GmbH | Healthcare network |
CN111326251B (zh) * | 2020-02-13 | 2023-08-29 | 北京百度网讯科技有限公司 | 一种问诊问题输出方法、装置以及电子设备 |
CN111508611A (zh) * | 2020-03-19 | 2020-08-07 | 平安国际智慧城市科技股份有限公司 | 多解决方案的智能选择方法、装置及相关设备 |
CN111833680A (zh) * | 2020-06-19 | 2020-10-27 | 上海长海医院 | 一种医务人员理论学习评估***、方法及电子设备 |
CN111899844B (zh) * | 2020-09-28 | 2021-11-23 | 平安科技(深圳)有限公司 | 一种样本生成方法、装置、服务器及存储介质 |
CN116127147B (zh) * | 2023-04-04 | 2023-06-16 | 吉林大学 | 医学数据存储方法、***、计算机设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020169771A1 (en) * | 2001-05-09 | 2002-11-14 | Melmon Kenneth L. | System & method for facilitating knowledge management |
CN105005709A (zh) * | 2015-08-19 | 2015-10-28 | 赵蒙海 | 基于单病种治疗过程的流程挖掘方法 |
CN105260782A (zh) * | 2015-09-23 | 2016-01-20 | 百度在线网络技术(北京)有限公司 | 挂号预约信息处理方法及装置 |
CN105608091A (zh) * | 2014-11-21 | 2016-05-25 | ***通信集团公司 | 一种动态医疗知识库的构建方法及装置 |
CN106339587A (zh) * | 2016-08-23 | 2017-01-18 | 浙江工业大学 | 一种基于时序网络的临床路径建模方法 |
-
2017
- 2017-05-10 CN CN201710325176.8A patent/CN107103201B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020169771A1 (en) * | 2001-05-09 | 2002-11-14 | Melmon Kenneth L. | System & method for facilitating knowledge management |
CN105608091A (zh) * | 2014-11-21 | 2016-05-25 | ***通信集团公司 | 一种动态医疗知识库的构建方法及装置 |
CN105005709A (zh) * | 2015-08-19 | 2015-10-28 | 赵蒙海 | 基于单病种治疗过程的流程挖掘方法 |
CN105260782A (zh) * | 2015-09-23 | 2016-01-20 | 百度在线网络技术(北京)有限公司 | 挂号预约信息处理方法及装置 |
CN106339587A (zh) * | 2016-08-23 | 2017-01-18 | 浙江工业大学 | 一种基于时序网络的临床路径建模方法 |
Non-Patent Citations (2)
Title |
---|
医疗临床路径挖掘方法研究与应用;韩冰宁;《中国优秀硕士学位论文全文数据库-信息科技辑》;20120715(第07期);第I138-1417页:摘要,正文第3.2.2小节 * |
基于医疗大数据分析的临床电子病历智能化研究;郑西川等;《中国数字医学》;20161231;第11卷(第11期);第61-64页 * |
Also Published As
Publication number | Publication date |
---|---|
CN107103201A (zh) | 2017-08-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107103201B (zh) | 医疗导航路径的生成方法、装置及医疗路径导航方法 | |
US11037070B2 (en) | Diagnostic test planning using machine learning techniques | |
US20220254493A1 (en) | Chronic disease prediction system based on multi-task learning model | |
US11157822B2 (en) | Methods and systems for classification using expert data | |
Seetharam et al. | Cardiovascular imaging and intervention through the lens of artificial intelligence | |
CN102405473A (zh) | 医护点动作医疗***和方法 | |
CN116168804B (zh) | 一种基于his***的病患膳食推荐***与方法 | |
CN112270240A (zh) | 一种信号处理方法、装置、电子设备和存储介质 | |
Popkes et al. | Interpretable outcome prediction with sparse Bayesian neural networks in intensive care | |
CN113488166A (zh) | 糖尿病数据分析模型训练及数据管理方法、装置和设备 | |
CN109147927B (zh) | 一种人机交互方法、装置、设备及介质 | |
US20210319861A1 (en) | Knowledge base completion for constructing problem-oriented medical records | |
US20220101176A1 (en) | System and method for generating a direction inquiry response from biological extractions using machine learning | |
CN112908493A (zh) | 一种在线问诊处理方法、装置、介质及终端设备 | |
CN111968740A (zh) | 一种诊断标签推荐方法、装置、存储介质及电子设备 | |
Forner et al. | Decision modeling for economic evaluation in otolaryngology–head and neck surgery: review of techniques | |
CN114201613B (zh) | 试题生成方法、试题生成装置、电子设备以及存储介质 | |
CN113066531B (zh) | 风险预测方法、装置、计算机设备及存储介质 | |
Parvaneh et al. | Predicting the spontaneous termination of atrial fibrillation based on Poincare section in the electrocardiogram phase space | |
US20210335457A1 (en) | Mapping a patient to clinical trials for patient specific clinical decision support | |
González et al. | TRIALSCOPE A Unifying Causal Framework for Scaling Real-World Evidence Generation with Biomedical Language Models | |
CN113066580A (zh) | 一种医疗评分确定方法、装置、电子设备及存储介质 | |
Paralič et al. | Perturbation-Based Explainable AI for ECG Sensor Data | |
Pandey et al. | A Practical Approach for Machine Learning and Deep Learning Algorithms: Tools and Techniques Using MATLAB and Python | |
Pavić et al. | The Importance of Genetic and Clinical Data Features in Risk Stratification of Patients with Hypertrophic Cardiomyopathy |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20201124 |
|
CF01 | Termination of patent right due to non-payment of annual fee |