CN109785928B - 诊疗方案推荐方法、装置及存储介质 - Google Patents
诊疗方案推荐方法、装置及存储介质 Download PDFInfo
- Publication number
- CN109785928B CN109785928B CN201811592838.9A CN201811592838A CN109785928B CN 109785928 B CN109785928 B CN 109785928B CN 201811592838 A CN201811592838 A CN 201811592838A CN 109785928 B CN109785928 B CN 109785928B
- Authority
- CN
- China
- Prior art keywords
- medical record
- sample
- similar
- medical
- model
- 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.)
- Active
Links
- 238000011282 treatment Methods 0.000 title claims abstract description 141
- 238000003745 diagnosis Methods 0.000 title claims abstract description 79
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000012549 training Methods 0.000 claims abstract description 78
- 238000002372 labelling Methods 0.000 claims abstract description 16
- 230000006870 function Effects 0.000 claims description 13
- 238000012216 screening Methods 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 5
- 208000014674 injury Diseases 0.000 claims description 5
- 230000008733 trauma Effects 0.000 claims description 5
- 238000004140 cleaning Methods 0.000 claims description 4
- 238000007405 data analysis Methods 0.000 claims description 4
- 238000013075 data extraction Methods 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 229940079593 drug Drugs 0.000 description 12
- 239000003814 drug Substances 0.000 description 12
- 230000000694 effects Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 201000010099 disease Diseases 0.000 description 4
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 4
- 238000007689 inspection Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000002512 chemotherapy Methods 0.000 description 2
- 230000003111 delayed effect Effects 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000013467 fragmentation Methods 0.000 description 2
- 238000006062 fragmentation reaction Methods 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000011369 optimal treatment Methods 0.000 description 2
- 238000001959 radiotherapy Methods 0.000 description 2
- 238000005728 strengthening Methods 0.000 description 2
- 238000001356 surgical procedure Methods 0.000 description 2
- 208000024891 symptom Diseases 0.000 description 2
- 238000002560 therapeutic procedure Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
Landscapes
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明属于人工智能技术领域,公开了一种诊疗方案推荐方法,包括:构建病历数据库,所述病历数据库包括第一病历样本和标注标签;构建相似病历模型和推荐模型;根据所述病历数据库中的数据训练所述相似病历模型和所述推荐模型;获取第二病历样本;将所述第二病历样本输入经过训练的所述相似病历模型,输出与所述第二病历样本相似的一个或多个相似病历,将得到的一个或多个相似病历输入经过训练的所述推荐模型,输出与所述第二病历样本对应的诊疗路径。本发明针对病人当前病情推荐得到一个整体性的诊疗方案,降低对于医学专家水平的依赖性,降低人为因素影响,避免出现耽误治疗等情形。本发明还公开了一种电子装置及计算机可读存储介质。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种诊疗方案推荐方法、装置及存储介质。
背景技术
随着人口老龄化以及医疗信息化的不断发展,既要保障医疗质量,又要追求临床工作效率。目前医疗行业针对临床大数据和深度学***,当专家对医疗知识有误或对病人诊断有误时,对于该病人诊疗方案的推荐极易出现偏差,会对病人问题的解决产生不良影响,延缓病人获取治疗方案的时机,耽误病人的治疗。
发明内容
本发明提供一种诊疗方案推荐方法、装置及存储介质,针对病人当前病情推荐得到一个整体性的诊疗方案,降低对于医学专家水平的依赖性,使得病人在最佳时机获取治疗方案,避免出现耽误治疗等情形。
为了实现上述目的,本发明提供一种诊疗方案推荐方法,包括以下步骤:构建病历数据库,所述病历数据库包括第一病历样本和标注标签;构建相似病历模型和推荐模型;根据所述病历数据库中的数据训练所述相似病历模型和所述推荐模型;获取第二病历样本;将所述第二病历样本输入经过训练的所述相似病历模型,输出与所述第二病历样本相似的一个或多个相似病历,将得到的一个或多个相似病历输入经过训练的所述推荐模型,输出与所述第二病历样本对应的诊疗路径。
优选地,训练所述相似病历模型的步骤包括:构建训练集,所述训练集包括多个训练样本;初始化所述相似病历模型的参数,包括各个训练样本的特征值的加权参数;输入训练集中的一个训练样本;通过相似病历模型输出与该训练样本对应的测试标签;构建损失模型,通过所述损失模型计算测试标签与标注标签之间的损失度;更新相似病历模型的参数,根据下式对各个训练样本的特征值的加权参数进行更新:
k'=k+e
其中,k表示更新前训练样本的特征值的加权参数;k′表示更新后训练样本的特征值的加权参数,e表示误差;
根据更新后的相似病历模型参数,输入下一个训练样本进行训练,直至所有训练样本全部训练,完成一次迭代;判断相似病历模型训练是否满足结束条件,如果满足结束条件,则输出所述相似病历模型,若不满足结束条件,则继续训练,其中,所述结束条件包括第一结束条件和/或第二结束条件,所述第一结束条件为当前迭代次数大于设定的迭代次数,所述第二结束条件为损失函数值小于设定目标值。
优选地,输出与所述第二病历样本相似的一个或多个相似病历的步骤包括:获取所述第二病历样本和所述病历数据库中第一病历样本的相似度;根据相似度的大小,选择相似度较大的一个或多个第一病历样本作为与所述第二病历样本相似的相似病历;输出所述相似病历。
进一步地,优选地,获取所述第二病历样本和第一病历样本的相似度的步骤包括:提取所述第二病历样本和第一病历样本的特征值;获取所述第二病历样本的特征值和所述第一病历样本的特征值的相似度;通过下式获取所述第二病历样本和所述第一病历样本的相似度:
其中,S表示第二病历样本和第一病历样本的相似度;i表示特征值的索引;n表示特征值的数量;k表示特征值的加权参数;s表示第二病历样本的特征值和第一病历样本的特征值的相似度。
进一步地,优选地,所述第二病历样本的特征值和第一病历样本的特征值的相似度通过下式获取:
其中,X表示第一病历样本的特征值,Y表示第二病历样本的特征值,s(X,Y)表示X和Y的相似度,T表示转置,∑-1表示X和Y之间的协方差矩阵。
优选地,输出与所述第二病历样本对应的诊疗路径的步骤包括:获取得到的每个相似病历的辅助特征信息;将所述辅助特征信息和所述相似病历输入经过训练的所述推荐模型;通过所述推荐模型输出与所述第二病历样本对应的诊疗路径。
优选地,所述构建病历数据库的步骤包括:获取病历数据;对所述病历数据进行结构化处理,得到第一病历样本,并对所述第一病历样本标注标签;将所述第一病历样本和标签存储,形成所述病历数据库。
进一步地,对所述病历数据进行结构化处理的步骤包括:对所述病历数据进行集成,形成完整数据集;对所述完整数据集进行数据清洗;对清洗后的数据集进行数据分析和抽取,筛选数据集中的病历数据;将经过筛选得到的病历数据进行转换,形成特征向量;存储所述特征向量,形成第一病历样本。
本发明的另一个方面提供一种电子装置,该电子装置包括:存储器和处理器,所述存储器中包括诊疗方案推荐程序,所述诊疗方案推荐程序被所述处理器执行时实现如上所述的诊疗方案推荐方法的步骤。
本发明的再一个方面提供一种计算机可读存储介质,所述计算机可读存储介质中包括诊疗方案推荐程序,所述诊疗方案推荐程序被处理器执行时,实现如上所述的诊疗方案推荐方法的步骤。
相对于现有技术,本发明具有以下优点和有益效果:
本发明通过构建的相似病历模型和推荐模型,基于目标病人的当前病情,结合所有的历史诊疗记录,向该目标病人推荐出最优的诊疗路径,该诊疗路径的得出不再完全依赖于医学专家的医疗水平和主管经验等,降低人为因素的影响,并且,通过精准、高效地向病人推荐得到诊疗路径,避免了病人错过医疗时机,耽误治疗。
附图说明
图1为本发明所述诊疗方案推荐方法的流程示意图;
图2为本发明中诊疗方案推荐程序的模块示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
下面将参考附图来描述本发明所述的实施例。本领域的普通技术人员可以认识到,在不偏离本发明的精神和范围的情况下,可以用各种不同的方式或其组合对所描述的实施例进行修正。因此,附图和描述在本质上是说明性的,仅仅用以解释本发明,而不是用于限制权利要求的保护范围。此外,在本说明书中,附图未按比例画出,并且相同的附图标记表示相同的部分。
图1为本发明所述诊疗方案推荐方法的流程示意图,如图1所示,本发明所述诊疗方案推荐方法包括以下步骤:
步骤S1、构建病历数据库,所述病历数据库包括第一病历样本和标注标签;
步骤S2、构建相似病历模型和推荐模型;
步骤S3、根据所述病历数据库中的数据训练所述相似病历模型和所述推荐模型;
步骤S4、获取第二病历样本;
步骤S5、将所述第二病历样本输入经过训练的所述相似病历模型,输出与所述第二病历样本相似的一个或多个相似病历;
步骤S6、将得到的一个或多个相似病历输入经过训练的所述推荐模型,输出与所述第二病历样本对应的诊疗路径。
本发明通过构建的相似病历模型和推荐模型,对比分析多个诊疗路径的优劣,得到与目标病人当前病情对应的最优诊疗路径。不仅仅在一些碎片化场景进行智能推荐,而是为病人推荐一套整体性的诊疗方案,且最终诊疗方案的确定不仅仅依赖于专家的管理经验和理论医学知识,并结合现有历史数据对多个诊疗路径进行综合分析,使得病人可以及时地得到准确地、有效地诊疗方案。
本发明中,构建病历数据库的步骤包括:获取病历数据,所述病历数据包括:电子病历、病人检查报告、用药记录、历史治疗方案、住院记录等数据,可以包括所有历史诊疗记录;对所述病历数据进行结构化处理,得到第一病历样本,并对所述第一病历样本标注标签;将所述第一病历样本和标签存储,形成所述病历数据库。
衡量病历相似性,对病历进行相似度计算等,均是建立在已结构化的病历数据基础上,优选地,对病历数据进行结构化处理的步骤包括:对病历数据进行集成,形成完整数据集;对所述完整数据集进行数据清洗,以去除不符合规范的数据;对清洗后的数据集进行数据分析和抽取,筛选数据集中的病历数据,以筛选出符合要求的数据;将经过筛选得到的病历数据进行转换,形成特征向量,以该特征向量表征病历数据特征;存储所述特征向量,形成第一病历样本。
在构建病历数据库时,对得到的第一病历样本进行标签标注,以便于根据病历数据库中的数据对相似病历模型和推荐模型进行训练。标注的标签包括与第一病历样本对应的病人治疗路径,所述治疗路径基于病人的基本信息、症状、检查数据等确定,所述治疗路径包括:用药情况、介入治疗方案(例如,药物、手术、放疗和化疗等治疗手段)、疗效情况、风险、治疗成本和随访跟踪等,以形成一套完整的治疗路径。
本发明的实施例中,以第一病历样本表征历史诊疗记录相关的病历数据,以第二病历样本表征基于目标病人当前病情的病历数据。构建的相似病历模型用于得到与输入的第二病历样本相似的一个或多个第一病历样本。构建的推荐模型位于相似病历模型的后端,相似病历模型的输出作为推荐模型的全部或部分输入,用于根据相似的一个或多个第一病历样本得到与第二病历样本对应的诊疗记录。
本发明的一个实施例中,训练所述相似病历模型的步骤包括:
构建训练集,所述训练集包括多个训练样本,其中,训练样本选自病历数据库,包括第一病历样本和对应的标注标签;
初始化所述相似病历模型的参数,包括各个训练样本的特征值的加权参数;
输入训练集中的一个训练样本;
通过相似病历模型输出与该训练样本对应的测试标签;
构建损失模型,通过所述损失模型计算测试标签与标注标签之间的损失度;
更新相似病历模型的参数,根据下式对各个训练样本的特征值的加权参数进行更新:
k'=k+e
其中,k表示更新前训练样本的特征值的加权参数;k′表示更新后训练样本的特征值的加权参数,e表示误差;
根据更新后的相似病历模型参数,输入下一个训练样本进行训练,直至所有训练样本全部训练,完成一次迭代;
判断相似病历模型训练是否满足结束条件,如果满足结束条件,则输出所述相似病历模型,若不满足结束条件,则继续训练,其中,所述结束条件包括第一结束条件和/或第二结束条件,所述第一结束条件为当前迭代次数大于设定的迭代次数,所述第二结束条件为损失函数值小于设定目标值。
本发明中,设定的迭代次数可以根据运算的复杂度(例如,GPU算力、计算时间等)与数据样本(包括数据样本的数据量、质量等)来进行确定,以损失曲线无限逼近0%为目标。损失模型中损失函数可以是交叉熵损失函数、平方损失函数等。
类似地,推荐模型的训练通过梯度下降算法以最小的损失值作为推荐模型输出最优治疗路径的标准。
训练相似病历模型和推荐模型之后,获取表征当前目标病人病情的病历数据,包括:病人基本信息、家族遗传史、生命体征、检查报告、历史用药、病情历史发展等各维度信息,对当前目标病人的病历数据进行结构化处理,得到第二病历样本。
利用第二病历样本表征目标病人当前病情,通过相似病历模型,得到形似病历,本发明的一个可选实施例中,输出与所述第二病历样本相似的一个或多个相似病历的步骤包括:
获取所述第二病历样本和病历数据库中第一病历样本的相似度;
根据相似度的大小,选择相似度较大的一个或多个第一病历样本作为与所述第二病历样本相似的相似病历;
输出所述相似病历。
其中,将第一病历样本根据其与第二病历样本的相似度从大到小依次排列,按照相似度大小,从中选取相似度较大的一个或多个第一病历样本(例如,若选取一个第一病历样本,则选择最大相似度对应的第一病历样本,若选择多个第一病历样本,则按照相似度从大到小依次选择位于相似度排列列表前面的10个第一病历样本),形成相似病历列表,将相似病历列表中的第一病历样本作为相似病历输出,并将其用于输入推荐模型。
本发明中,通过多维度的关键指标(KPI,Key Performance Indicator)作为病历样本的特征值来进行加权分析来衡量第二病历样本与第一病历样本之间的相似性,其中,KPIs(Key Performance Indicators)包括:病人基本信息、区域、家族病史、病人病症、检查报告、用药史中的一种或多种。具体指标的相似度计算可以通过:欧几里得距离(EucledianDistance)、余弦相似度(Cosine Similarity)、明可夫斯基距离(Minkowski Distance)、Jaccard Similarity等算法来进行计算。
本发明的一个可选实施例中,获取所述第二病历样本和第一病历样本的相似度的步骤包括:
提取所述第二病历样本和第一病历样本的特征值;
获取所述第二病历样本的特征值和所述第一病历样本的特征值的相似度;
通过下式获取所述第二病历样本和所述第一病历样本的相似度:
其中,S表示第二病历样本和第一病历样本的相似度;i表示特征值的索引;n表示特征值的数量;k表示特征值的加权参数;s表示第二病历样本的特征值和第一病历样本的特征值的相似度。
进一步地,通过下式得到第二病历样本的特征值和第一病历样本的特征值的相似度:
其中,X表示第一病历样本的特征值,Y表示第二病历样本的特征值,s(X,Y)表示X和Y的相似度,T表示转置,∑-1表示X和Y之间的协方差矩阵。
本发明中,相似病历模型的输出作为推荐模型的输入,通过推荐模型在输出治疗路径时,对输入的多个相似病历的治疗路径进行优劣对比分析,输出与第二病历样本相应的治疗路径。在根据治疗路径的优劣推荐治疗路径时,不仅考虑相似病历的治疗路径得到的治疗效果等,还可以考虑治疗路径中涉及的费用、疗程、创伤度和风险率等其他辅助信息,以及专家医生的理论知识或经验判断等强化输入的前置条件,使得通过推荐模型推荐得出的诊疗路径综合考虑到当前目标病人的病情和所有的前置条件,比较适合当前的目标病人。优选地,输出与所述第二病历样本对应的诊疗路径的步骤包括:获取得到的每个相似病历的辅助特征信息,其中,辅助特征信息根据该相似病历对应的治疗路径所涉及的治疗费用、疗程、创伤度和风险率,以及专家医生对病人当前病情的经验判断提取确定;将所述辅助特征信息和相似病历输入经过训练的所述推荐模型;通过所述推荐模型输出与第二病历样本对应的诊疗路径。
在本发明的一个可选实施例中,所述推荐模型输出诊疗路径的步骤包括:
根据下式获取推荐相似病历对应的治疗路径的概率:
其中,Pb表示输出第b个相似病历对应的治疗路径的概率;a表示第二病历样本,b表示相似病历的索引,Sa,b表示第b个相似病历样本与第二病历样本之间的相似度;Rb表示第b个相似病历对应的辅助特征值,B表示相似病历的数量;
选取概率值最大的相似病历对应的治疗路径输出。
本发明中,通过推荐模型推荐最优的诊疗路径,此诊疗路径从多维度(包括治疗方法、疗程、疗效轨迹、可能风险、并发症及预防措施、成本控制及明细等)详细对比各诊疗方案的优劣(包括:询证的依据、知识图谱、医学指南及业界关键案例)以及可视化的核心指标对比(包括个体差异、疗效、成本等),以辅助临床医生做最后决策。例如,病人A被确诊为某疾病中期,需要进行治疗路径的选择,通过本发明所述的诊疗方案推荐方法,针对病人A的当前病情,进行相似病历模型的匹配与诊疗路径的推荐,从而进行整体诊疗方案的制定。通过相似病历模型从海量的历史病历样本中获取相似病历,并通过推荐模型推荐得到详细的诊疗路径包括:多种诊疗方案推荐及询证依据;不同诊疗方案的优劣对比及可视化的核心指标;精准的相似病历及对应的完整诊疗方案(包括诊前、诊中及诊后);治愈轨迹以及可能的风险及预防措施;诊后康复指数及随访方案。
本发明所述诊疗方案推荐方法应用于电子装置,电子装置可以是电视机、智能手机、平板电脑、计算机等终端设备。所述电子装置包括:处理器;存储器,用于存储诊疗方案推荐程序,处理器执行诊疗方案推荐程序,实现如下的诊疗方案推荐方法的步骤:
构建病历数据库,所述病历数据库包括第一病历样本和标注标签;构建相似病历模型和推荐模型;根据所述病历数据库中的数据训练所述相似病历模型和所述推荐模型;获取第二病历样本;将所述第二病历样本输入经过训练的所述相似病历模型,输出与所述第二病历样本相似的一个或多个相似病历,将得到的一个或多个相似病历输入经过训练的所述推荐模型,输出与所述第二病历样本对应的诊疗路径。
存储器包括至少一种类型的可读存储介质,可以是闪存、硬盘、光盘等非易失性存储介质,也可以是插接式硬盘等,且并不限于此,可以是以非暂时性方式存储指令或软件以及任何相关联的数据文件并向处理器提供指令或软件程序以使该处理器能够执行指令或软件程序的任何装置。本发明中,存储器存储的软件程序包括诊疗方案推荐程序,并可以向处理器提供该诊疗方案推荐程序,以使得处理器可以执行该诊疗方案推荐程序,实现诊疗方案推荐方法。
处理器可以是中央处理器、微处理器或其他数据处理芯片等,可以运行存储器中的存储程序。
本发明中,电子装置构建病历数据库的步骤包括:获取病历数据,所述病历数据包括:电子病历、病人检查报告、用药记录、历史治疗方案、住院记录等数据,可以包括所有历史诊疗记录;对所述病历数据进行结构化处理,得到第一病历样本,并对所述第一病历样本标注标签;将所述第一病历样本和标签存储,形成所述病历数据库。
衡量病历相似性,对病历进行相似度计算等,均是建立在已结构化的病历数据基础上,优选地,电子装置对病历数据进行结构化处理的步骤包括:对病历数据进行集成,形成完整数据集;对所述完整数据集进行数据清洗,以去除不符合规范的数据;对清洗后的数据集进行数据分析和抽取,筛选数据集中的病历数据,以筛选出符合要求的数据;将经过筛选得到的病历数据进行转换,形成特征向量,以该特征向量表征病历数据特征;存储所述特征向量,形成第一病历样本。
在构建病历数据库时,对得到的第一病历样本进行标签标注,以便于根据病历数据库中的数据对相似病历模型和推荐模型进行训练。标注的标签包括与第一病历样本对应的病人治疗路径,所述治疗路径基于病人的基本信息、症状、检查数据等确定,所述治疗路径包括:用药情况、介入治疗方案(例如,药物、手术、放疗和化疗等治疗手段)、疗效情况、风险、治疗成本和随访跟踪等,以形成一套完整的治疗路径。
本发明的一个实施例中,所述电子装置训练所述相似病历模型的步骤包括:
构建训练集,所述训练集包括多个训练样本,其中,训练样本选自病历数据库,包括第一病历样本和对应的标注标签;
初始化所述相似病历模型的参数,包括各个训练样本的特征值的加权参数;
输入训练集中的一个训练样本;
通过相似病历模型输出与该训练样本对应的测试标签;
构建损失模型,通过所述损失模型计算测试标签与标注标签之间的损失度;
更新相似病历模型的参数,根据下式对各个训练样本的特征值的加权参数进行更新:
k'=k+e
其中,k表示更新前训练样本的特征值的加权参数;k′表示更新后训练样本的特征值的加权参数,e表示误差;
根据更新后的相似病历模型参数,输入下一个训练样本进行训练,直至所有训练样本全部训练,完成一次迭代;
判断相似病历模型训练是否满足结束条件,如果满足结束条件,则输出所述相似病历模型,若不满足结束条件,则继续训练,其中,所述结束条件包括第一结束条件和/或第二结束条件,所述第一结束条件为当前迭代次数大于设定的迭代次数,所述第二结束条件为损失函数值小于设定目标值。
本发明中,设定的迭代次数可以根据运算的复杂度(例如,GPU算力、计算时间等)与数据样本(包括数据样本的数据量、质量等)来进行确定,以损失曲线无限逼近0%为目标。损失模型中损失函数可以是交叉熵损失函数、平方损失函数等。
类似地,推荐模型的训练通过梯度下降算法以最小的损失值作为推荐模型输出最优治疗路径的标准。
训练相似病历模型和推荐模型之后,获取表征当前目标病人病情的病历数据,包括:病人基本信息、家族遗传史、生命体征、检查报告、历史用药、病情历史发展等各维度信息,对当前目标病人的病历数据进行结构化处理,得到第二病历样本。
利用第二病历样本表征目标病人当前病情,通过相似病历模型,得到形似病历,本发明的一个可选实施例中,电子装置输出与所述第二病历样本相似的一个或多个相似病历的步骤包括:获取所述第二病历样本和病历数据库中第一病历样本的相似度;根据相似度的大小,选择相似度较大的一个或多个第一病历样本作为与所述第二病历样本相似的相似病历;输出所述相似病历。其中,将第一病历样本根据其与第二病历样本的相似度从大到小依次排列,按照相似度大小,从中选取相似度较大的一个或多个第一病历样本(例如,若选取一个第一病历样本,则选择最大相似度对应的第一病历样本,若选择多个第一病历样本,则按照相似度从大到小依次选择位于相似度排列列表前面的10个第一病历样本),形成相似病历列表,将相似病历列表中的第一病历样本作为相似病历输出,并将其用于输入推荐模型。
通过多维度的关键指标(KPI,Key Performance Indicator)作为病历样本的特征值来进行加权分析来衡量第二病历样本与第一病历样本之间的相似性,其中,KPIs(KeyPerformance Indicators)包括:病人基本信息、区域、家族病史、病人病症、检查报告、用药史中的一种或多种。具体指标的相似度计算可以通过:欧几里得距离(EucledianDistance)、余弦相似度(Cosine Similarity)、明可夫斯基距离(Minkowski Distance)、Jaccard Similarity等算法来进行计算。
本发明的一个可选实施例中,电子装置获取所述第二病历样本和第一病历样本的相似度的步骤包括:提取所述第二病历样本和第一病历样本的特征值;获取所述第二病历样本的特征值和所述第一病历样本的特征值的相似度;通过下式获取所述第二病历样本和所述第一病历样本的相似度:
其中,S表示第二病历样本和第一病历样本的相似度;i表示特征值的索引;n表示特征值的数量;k表示特征值的加权参数;s表示第二病历样本的特征值和第一病历样本的特征值的相似度。
进一步地,通过下式得到第二病历样本的特征值和第一病历样本的特征值的相似度:
其中,X表示第一病历样本的特征值,Y表示第二病历样本的特征值,s(X,Y)表示X和Y的相似度,T表示转置,∑-1表示X和Y之间的协方差矩阵。
本发明中,相似病历模型的输出作为推荐模型的输入,通过推荐模型在输出治疗路径时,对输入的多个相似病历的治疗路径进行优劣对比分析,输出与第二病历样本相应的治疗路径。在根据治疗路径的优劣推荐治疗路径时,不仅考虑相似病历的治疗路径得到的治疗效果等,还可以考虑治疗路径中涉及的费用、疗程、创伤度和风险率等其他辅助信息,以及专家医生的理论知识或经验判断等强化输入的前置条件,使得通过推荐模型推荐得出的诊疗路径综合考虑到当前目标病人的病情和所有的前置条件,比较适合当前的目标病人。优选地,输出与所述第二病历样本对应的诊疗路径的步骤包括:获取得到的每个相似病历的辅助特征信息,其中,辅助特征信息根据该相似病历对应的治疗路径所涉及的治疗费用、疗程、创伤度和风险率,以及专家医生对病人当前病情的经验判断提取确定;将所述辅助特征信息和相似病历输入经过训练的所述推荐模型;通过所述推荐模型输出与第二病历样本对应的诊疗路径。
在本发明的一个可选实施例中,所述推荐模型输出诊疗路径的步骤包括:
根据下式获取推荐相似病历对应的治疗路径的概率:
其中,Pb表示输出第b个相似病历对应的治疗路径的概率;a表示第二病历样本,b表示相似病历的索引,Sa,b表示第b个相似病历样本与第二病历样本之间的相似度;Rb表示第b个相似病历对应的辅助特征值,B表示相似病历的数量;
选取概率值最大的相似病历对应的治疗路径输出。
在其他实施例中,诊疗方案推荐程序还可以被分割为一个或者多个模块,一个或者多个模块被存储于存储器中,并由处理器执行,以完成本发明。本发明所称的模块是指能够完成特定功能的一系列计算机程序指令段。所述诊疗方案推荐程序可以被分割为:数据库构建模块1、模型构建模块2、模型训练模块3、样本获取模块4、相似病历获取模块5和输出模块6。上述模块所实现的功能或操作步骤均与上文类似,此处不再详述,示例性地,例如其中:
数据库构建模块1,构建病历数据库,所述病历数据库包括第一病历样本和标注标签;
模型构建模块2,构建相似病历模型和推荐模型;
模型训练模块3,根据所述病历数据库中的数据训练所述相似病历模型和所述推荐模型;
样本获取模块4,获取第二病历样本;
相似病历获取模块5,将所述第二病历样本输入经过训练的所述相似病历模型,输出与所述第二病历样本相似的一个或多个相似病历;
输出模块6,将得到的一个或多个相似病历输入经过训练的所述推荐模型,输出与所述第二病历样本对应的诊疗路径。
本发明的一个实施例中,计算机可读存储介质可以是任何包含或存储程序或指令的有形介质,其中的程序可以被执行,通过存储的程序指令相关的硬件实现相应的功能。例如,计算机可读存储介质可以是计算机磁盘、硬盘、随机存取存储器、只读存储器等。本发明并不限于此,可以是以非暂时性方式存储指令或软件以及任何相关数据文件或数据结构并且可提供给处理器以使处理器执行其中的程序或指令的任何装置。所述计算机可读存储介质中包括诊疗方案推荐程序,所述诊疗方案推荐程序被处理器执行时,实现上述的诊疗方案推荐方法,为避免重复,在此不再赘述。
本发明之计算机可读存储介质的具体实施方式与上述诊疗方案推荐方法、电子装置的具体实施方式大致相同,在此不再赘述。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (9)
1.一种诊疗方案推荐方法,其特征在于,包括以下步骤:
构建病历数据库,所述病历数据库包括第一病历样本和标注标签;
构建相似病历模型和推荐模型;
根据所述病历数据库中的数据训练所述相似病历模型和所述推荐模型;
获取第二病历样本;
将所述第二病历样本输入经过训练的所述相似病历模型,输出与所述第二病历样本相似的一个或多个相似病历;
将得到的一个或多个相似病历输入经过训练的所述推荐模型,输出与所述第二病历样本对应的诊疗路径;
其中,输出与所述第二病历样本对应的诊疗路径的步骤包括:
获取得到的每个相似病历的辅助特征信息;其中,所述辅助特征信息根据相似病历对应的治疗路径所涉及的治疗费用、疗程、创伤度和风险率,以及专家医生对病人当前病情的经验判断提取确定;
将所述辅助特征信息和所述相似病历输入经过训练的所述推荐模型;
通过所述推荐模型对输入的多个相似病历的治疗路径进行优劣对比分析,输出与所述第二病历样本对应的诊疗路径;
其中,根据下式获取推荐相似病历对应的治疗路径的概率:
其中,/>表示输出第b个相似病历对应的治疗路径的概率;a表示第二病历样本,b表示相似病历的索引,/>表示第b个相似病历样本与第二病历样本之间的相似度;/>表示第b个相似病历对应的辅助特征值,B表示相似病历的数量;选取概率值最大的相似病历对应的治疗路径输出。
2.根据权利要求1所述的诊疗方案推荐方法,其特征在于,训练所述相似病历模型的步骤包括:
构建训练集,所述训练集包括多个训练样本;
初始化所述相似病历模型的参数,包括各个训练样本的特征值的加权参数;
输入训练集中的一个训练样本;
通过相似病历模型输出与该训练样本对应的测试标签;
构建损失模型,通过所述损失模型计算测试标签与标注标签之间的损失度;
更新相似病历模型的参数,根据下式对各个训练样本的特征值的加权参数进行更新:其中,k表示更新前训练样本的特征值的加权参数;kʹ表示更新后训练样本的特征值的加权参数,e表示误差;
根据更新后的相似病历模型参数,输入下一个训练样本进行训练,直至所有训练样本全部训练,完成一次迭代;
判断相似病历模型训练是否满足结束条件,如果满足结束条件,则输出所述相似病历模型,若不满足结束条件,则继续训练,其中,所述结束条件包括第一结束条件和/或第二结束条件,所述第一结束条件为当前迭代次数大于设定的迭代次数,所述第二结束条件为损失函数值小于设定目标值。
3.根据权利要求1所述的诊疗方案推荐方法,其特征在于,输出与所述第二病历样本相似的一个或多个相似病历的步骤包括:
获取所述第二病历样本和所述病历数据库中第一病历样本的相似度;
根据相似度的大小,选择相似度较大的一个或多个第一病历样本作为与所述第二病历样本相似的相似病历;
输出所述相似病历。
4.根据权利要求3所述的诊疗方案推荐方法,其特征在于,获取所述第二病历样本和第一病历样本的相似度的步骤包括:
提取所述第二病历样本和第一病历样本的特征值;
获取所述第二病历样本的特征值和所述第一病历样本的特征值的相似度;
通过下式获取所述第二病历样本和所述第一病历样本的相似度:其中,S表示第二病历样本和第一病历样本的相似度;i表示特征值的索引;n表示特征值的数量;k表示特征值的加权参数;s表示第二病历样本的特征值和第一病历样本的特征值的相似度。
5. 根据权利要求4所述的诊疗方案推荐方法,其特征在于,所述第二病历样本的特征值和第一病历样本的特征值的相似度通过下式获取:其中,X表示第一病历样本的特征值,Y表示第二病历样本的特征值,s(X,Y)表示X和Y的相似度,T表示转置,∑-1表示X和Y之间的协方差矩阵。
6.根据权利要求1所述的诊疗方案推荐方法,其特征在于,所述构建病历数据库的步骤包括:
获取病历数据;
对所述病历数据进行结构化处理,得到第一病历样本,并对所述第一病历样本标注标签;
将所述第一病历样本和标签存储,形成所述病历数据库。
7.根据权利要求6所述的诊疗方案推荐方法,其特征在于,对所述病历数据进行结构化处理的步骤包括:
对所述病历数据进行集成,形成完整数据集;对所述完整数据集进行数据清洗;对清洗后的数据集进行数据分析和抽取,筛选数据集中的病历数据;将经过筛选得到的病历数据进行转换,形成特征向量;存储所述特征向量,形成第一病历样本。
8.一种电子装置,其特征在于,该电子装置包括:存储器和处理器,所述存储器中包括诊疗方案推荐程序,所述诊疗方案推荐程序被所述处理器执行时实现如权利要求1至7中任一项所述的诊疗方案推荐方法的步骤。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中包括诊疗方案推荐程序,所述诊疗方案推荐程序被处理器执行时,实现如权利要求1至7中任一项所述的诊疗方案推荐方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811592838.9A CN109785928B (zh) | 2018-12-25 | 2018-12-25 | 诊疗方案推荐方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811592838.9A CN109785928B (zh) | 2018-12-25 | 2018-12-25 | 诊疗方案推荐方法、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109785928A CN109785928A (zh) | 2019-05-21 |
CN109785928B true CN109785928B (zh) | 2024-06-25 |
Family
ID=66497691
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811592838.9A Active CN109785928B (zh) | 2018-12-25 | 2018-12-25 | 诊疗方案推荐方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109785928B (zh) |
Families Citing this family (28)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110297908B (zh) * | 2019-07-01 | 2021-09-21 | 中国医学科学院医学信息研究所 | 诊疗方案预测方法及装置 |
CN110569349B (zh) * | 2019-07-30 | 2023-06-02 | 平安科技(深圳)有限公司 | 基于大数据的患教文章推送方法、***、设备及存储介质 |
CN112394924B (zh) * | 2019-08-16 | 2024-06-07 | 北京大数医达科技有限公司 | 用于生成提问模型的方法、装置、电子设备和介质 |
CN112397161A (zh) * | 2019-08-16 | 2021-02-23 | 北京大数医达科技有限公司 | 用于生成化验模型的方法、装置、设备和介质 |
CN110880361B (zh) * | 2019-10-16 | 2023-02-28 | 平安科技(深圳)有限公司 | 一种个性化精准用药推荐方法及装置 |
CN110942232B (zh) * | 2019-11-01 | 2022-07-19 | 支付宝(杭州)信息技术有限公司 | 一种模型快速容灾方法、装置及电子设备 |
CN110970109A (zh) * | 2019-11-14 | 2020-04-07 | 厦门中翎易优创科技有限公司 | 一种基于深度学习的骨科术后康复方案推荐方法 |
CN110957046B (zh) * | 2019-11-15 | 2024-01-19 | 合肥工业大学 | 医疗健康案例知识匹配方法和*** |
CN110851725B (zh) * | 2019-11-15 | 2023-10-27 | 北京盛诺一家医院管理咨询有限公司 | 一种医疗资源推荐方法、***、计算设备和存储介质 |
CN111091907A (zh) * | 2019-11-15 | 2020-05-01 | 合肥工业大学 | 基于相似病例库的健康医疗知识检索方法和*** |
CN110930705B (zh) * | 2019-11-28 | 2020-10-27 | 北京易华录信息技术股份有限公司 | 一种路***通决策***、方法及设备 |
CN110911012B (zh) * | 2019-12-05 | 2022-10-14 | 中国科学院自动化研究所 | 基于效用模型的个性化诊疗方法的确定方法及*** |
CN113096795B (zh) * | 2019-12-23 | 2023-10-03 | 四川医枢科技有限责任公司 | 多源数据辅助的临床决策支持***及方法 |
CN111259111B (zh) * | 2020-01-13 | 2022-02-18 | 安徽科大讯飞医疗信息技术有限公司 | 基于病历的辅助决策方法、装置、电子设备和存储介质 |
CN111696675B (zh) * | 2020-05-22 | 2023-09-19 | 深圳赛安特技术服务有限公司 | 基于物联网数据的用户数据分类方法、装置及计算机设备 |
CN111714090B (zh) * | 2020-06-19 | 2023-06-20 | 深圳市恬境健康管理有限公司 | 一种人体生物节律健康管理方法及*** |
CN111755090A (zh) * | 2020-06-24 | 2020-10-09 | 南京江北新区生物医药公共服务平台有限公司 | 病历查找方法、病历查找装置、存储介质与电子设备 |
CN111798973A (zh) * | 2020-07-08 | 2020-10-20 | 广元量知汇科技有限公司 | 智慧健康终端管理*** |
CN112365988B (zh) * | 2020-11-10 | 2023-08-04 | 杭州市肿瘤医院 | 一种预后预测*** |
CN112562822A (zh) * | 2020-12-17 | 2021-03-26 | 南京王师大数据有限公司 | 一种中药经方确定方法及其*** |
CN112509685B (zh) * | 2020-12-31 | 2021-09-03 | 曜立科技(北京)有限公司 | 一种筛选手术方式的标准化的*** |
CN113782185B (zh) * | 2021-08-25 | 2024-03-08 | 上海市儿童医院 | 临床诊疗智能决策分析***及方法 |
CN114491177A (zh) * | 2022-02-15 | 2022-05-13 | 北京百度网讯科技有限公司 | 信息确定方法、模型训练方法、装置及电子设备 |
CN115148330B (zh) * | 2022-05-24 | 2023-07-25 | 中国医学科学院北京协和医院 | Pop治疗方案形成方法及*** |
CN114999599A (zh) * | 2022-05-26 | 2022-09-02 | 中国科学技术信息研究所 | 数据处理方法、装置、电子设备及计算机可读存储介质 |
CN115910323B (zh) * | 2022-11-16 | 2023-09-29 | 山东仲雅信息技术有限公司 | 治疗方案选取方法、装置、设备及存储介质 |
CN116246749B (zh) * | 2023-05-11 | 2023-07-21 | 西南医科大学附属医院 | 集成电子病历的内分泌病人个性化健康管理*** |
CN117059231B (zh) * | 2023-10-10 | 2023-12-22 | 首都医科大学附属北京友谊医院 | 用于机器学习中医医案的方法及智能诊疗*** |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105912881A (zh) * | 2016-06-14 | 2016-08-31 | 华南师范大学 | 基于大数据知识库的个性化治疗方案推荐*** |
CN106778042A (zh) * | 2017-01-26 | 2017-05-31 | 中电科软件信息服务有限公司 | 心脑血管患者相似性分析方法及*** |
CN108417272A (zh) * | 2018-02-08 | 2018-08-17 | 合肥工业大学 | 带时序约束的相似病例推荐方法及装置 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104573350A (zh) * | 2014-12-26 | 2015-04-29 | 深圳市前海安测信息技术有限公司 | 基于网络医院的全科医生辅助诊疗***及方法 |
CN105809473B (zh) * | 2016-02-29 | 2021-11-23 | 北京百度网讯科技有限公司 | 匹配模型参数的训练方法、服务推荐方法及对应装置 |
CN107833629A (zh) * | 2017-10-25 | 2018-03-23 | 厦门大学 | 基于深度学习的辅助诊断方法及*** |
-
2018
- 2018-12-25 CN CN201811592838.9A patent/CN109785928B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105912881A (zh) * | 2016-06-14 | 2016-08-31 | 华南师范大学 | 基于大数据知识库的个性化治疗方案推荐*** |
CN106778042A (zh) * | 2017-01-26 | 2017-05-31 | 中电科软件信息服务有限公司 | 心脑血管患者相似性分析方法及*** |
CN108417272A (zh) * | 2018-02-08 | 2018-08-17 | 合肥工业大学 | 带时序约束的相似病例推荐方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN109785928A (zh) | 2019-05-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109785928B (zh) | 诊疗方案推荐方法、装置及存储介质 | |
US20160026917A1 (en) | Ranking of random batches to identify predictive features | |
CN108720831B (zh) | 一种基于导联深度神经网络的自动心律失常分析方法 | |
WO2022188327A1 (zh) | 定位图获取模型的训练方法和装置 | |
CN113705092B (zh) | 基于机器学习的疾病预测方法及装置 | |
CN108937912B (zh) | 一种基于深度神经网络的自动心律失常分析方法 | |
CN112639833A (zh) | 可自适应神经网络 | |
CN111785366B (zh) | 患者治疗方案的确定方法、装置及计算机设备 | |
CN111612278A (zh) | 生命状态预测方法、装置、电子设备及存储介质 | |
US20170329880A1 (en) | System & method for computationally efficient and statistically robust design of multi-arm multi-stage experiments | |
CN114628001B (zh) | 基于神经网络的处方推荐方法、***、设备及存储介质 | |
CN107480426B (zh) | 自迭代病历档案聚类分析*** | |
WO2023110477A1 (en) | A computer implemented method and a system | |
Soltani et al. | Improved algorithm for multiple sclerosis diagnosis in MRI using convolutional neural network | |
CN113793667B (zh) | 基于聚类分析的疾病预测方法、装置及计算机设备 | |
Karaca et al. | Hidden markov model and multifractal method-based predictive quantization complexity models vis-á-vis the differential prognosis and differentiation of multiple sclerosis’ subgroups | |
CN115424691A (zh) | 病例匹配方法、***、设备和介质 | |
Louati et al. | Evolutionary optimization for CNN compression using thoracic X-ray image classification | |
Barhoumi et al. | Efficient scopeformer: Towards scalable and rich feature extraction for intracranial hemorrhage detection | |
CN115905518B (zh) | 基于知识图谱的情感分类方法、装置、设备以及存储介质 | |
Louati et al. | Design and compression study for convolutional neural networks based on evolutionary optimization for thoracic X-Ray image classification | |
Chen et al. | Cardiac motion scoring based on CNN with attention mechanism | |
Amene et al. | Variable selection and regression analysis for the prediction of mortality rates associated with foodborne diseases | |
Dhami et al. | Beyond simple images: human knowledge-guided GANs for clinical data generation | |
Akhtar et al. | Effective voting ensemble of homogenous ensembling with multiple attribute-selection approaches for improved identification of thyroid disorder. Electron. 2021; 10 (23): 3026 |
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 |