CN111180081A - 一种智能问诊方法及装置 - Google Patents
一种智能问诊方法及装置 Download PDFInfo
- Publication number
- CN111180081A CN111180081A CN201911396213.XA CN201911396213A CN111180081A CN 111180081 A CN111180081 A CN 111180081A CN 201911396213 A CN201911396213 A CN 201911396213A CN 111180081 A CN111180081 A CN 111180081A
- Authority
- CN
- China
- Prior art keywords
- disease
- symptom
- candidate
- symptoms
- user
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 201000010099 disease Diseases 0.000 claims abstract description 318
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 318
- 208000024891 symptom Diseases 0.000 claims abstract description 262
- 238000003745 diagnosis Methods 0.000 claims abstract description 62
- 238000012790 confirmation Methods 0.000 claims abstract description 37
- 238000004364 calculation method Methods 0.000 claims description 21
- 238000003066 decision tree Methods 0.000 claims description 10
- 230000004069 differentiation Effects 0.000 claims description 9
- 238000007477 logistic regression Methods 0.000 claims description 9
- 238000010801 machine learning Methods 0.000 claims description 9
- 230000003993 interaction Effects 0.000 abstract description 5
- 208000004998 Abdominal Pain Diseases 0.000 description 23
- 238000011282 treatment Methods 0.000 description 17
- 208000002193 Pain Diseases 0.000 description 10
- 210000001015 abdomen Anatomy 0.000 description 9
- 239000013598 vector Substances 0.000 description 9
- 230000000694 effects Effects 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000000069 prophylactic effect Effects 0.000 description 3
- 208000020061 Hand, Foot and Mouth Disease Diseases 0.000 description 2
- 208000025713 Hand-foot-and-mouth disease Diseases 0.000 description 2
- 206010033645 Pancreatitis Diseases 0.000 description 2
- 206010033647 Pancreatitis acute Diseases 0.000 description 2
- 206010046798 Uterine leiomyoma Diseases 0.000 description 2
- 201000003229 acute pancreatitis Diseases 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 238000012821 model calculation Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 206010002383 Angina Pectoris Diseases 0.000 description 1
- 238000012935 Averaging Methods 0.000 description 1
- 208000002881 Colic Diseases 0.000 description 1
- 208000034693 Laceration Diseases 0.000 description 1
- 230000003187 abdominal effect Effects 0.000 description 1
- 230000001154 acute effect Effects 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000001684 chronic effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 235000003642 hunger Nutrition 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004223 overdiagnosis Methods 0.000 description 1
- 210000002640 perineum Anatomy 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000011269 treatment regimen Methods 0.000 description 1
- 210000000689 upper leg Anatomy 0.000 description 1
- 238000010200 validation analysis Methods 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
-
- 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
- G16H70/00—ICT specially adapted for the handling or processing of medical references
- G16H70/60—ICT specially adapted for the handling or processing of medical references relating to pathologies
Landscapes
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Data Mining & Analysis (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Epidemiology (AREA)
- Software Systems (AREA)
- Pathology (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明公开了一种智能问诊方法及装置，所述方法包括：当选出的候选疾病的准确度不满足预设的确认条件时，在所述候选疾病的关联症状中选出疾病区分症状，所述疾病区分症状为至少能够区分两种所述候选疾病的症状；将所述疾病区分症状作为下一个问询症状向用户展示，根据接收到的用户对所述疾病区分症状的描述信息确定诊断结果。本发明能够在准确获得诊断结果的基础上，减少与用户的交互次数，提高诊断效率并不损失诊断的准确性。
Description
技术领域
本发明涉及医疗信息计算机处理技术领域，特别涉及一种智能问诊方法及装置。
背景技术
近年来为了提高疾病的诊断效率，减少医生门诊工作量，一些分诊导诊的智能装置应运而生。常见的分诊导诊智能装置一般是向用户多次询问症状问题收集用户的症状信息，根据收集到的症状信息与各疾病的症状特征比对，从而诊断出用户可能患有的疾病。然而现有技术中的智能分诊导诊的方法中通常需要向用户不停的询问，直至触发某个具体疾病的预设终止阈值条件，这种方法一方面致使人机交互轮数过多，诊断效率不高，用户体验差，另一方面由于疾病的症状特征不一，用户体会到的症状信息存在不一致的问题，导致诊断效果不稳定，影响用户后续治疗。
发明内容
为了解决现有技术的问题，本发明实施例提供了一种智能问诊方法及装置。
所述技术方案如下：
一方面，提供了一种智能问诊方法，所述方法包括：
当选出的候选疾病的准确度不满足预设的确认条件时，在所述候选疾病的关联症状中选出疾病区分症状，所述疾病区分症状为至少能够区分两种所述候选疾病的症状；
将所述疾病区分症状作为下一个问询症状向用户展示，根据接收到的用户对所述疾病区分症状的描述信息确定诊断结果。
进一步地，在所述候选疾病的关联症状中选出疾病区分症状包括：
按照所关联症状在所述候选疾病中的出现频次对所述关联症状进行排序，将所述出现频次位于中位数的所述关联症状作为所述疾病区分症状。
进一步地，在所述候选疾病的关联症状中选出疾病区分症状包括：
根据所述关联症状在所述候选疾病中的权重值，计算所述关联症状在所述候选疾病中的权重值标准差平均值，将所述权重值标准差平均值最大的所述关联症状作为所述疾病区分症状。
进一步地，所述确认条件为：
所述候选疾病中存在一疾病的准确度不小于所有所述候选疾病的准确度的平均值与附加值之和，所述附加值为预设的通用阈值。
进一步地，根据接收到的用户对所述疾病区分症状的描述信息确定诊断结果包括：
根据用户对所述疾病区分症状的描述信息更新所述候选疾病的准确度，若更新后的所述候选疾病的准确度不满足所述确认条件，则统计当前问询次数，将所述当前问询次数与预设的问询次数上限值对比，若所述当前问询次数满足所述问询次数上限值，则按照当前所述候选疾病的准确度确定所述诊断结果。
进一步地，所述候选疾病的准确度的计算包括：
基于所述候选疾病的关联症状的基础权重值与其维度权重值计算用户输入的症状信息对于所述候选疾病的权重得分，将所述权重得分作为所述候选疾病的准确度，和/或
基于用户输入的所述症状信息并利用机器学习模型计算所述候选疾病的准确度。
进一步地，基于所述候选疾病的关联症状的基础权重值与其维度权重值计算用户输入的症状信息对应所述候选疾病的权重得分包括：
S＝|AZ+AW-B|
其中，S为症状信息对应所述候选疾病的权重得分；AZ为候选疾病中症状的基础权重值；AW为候选疾病中症状的维度权重值；B为候选疾病中用户未罹患症状的权重值。
进一步地，基于所述候选疾病的关联症状的基础权重值与其维度权重值计算用户输入的症状信息对应所述候选疾病的权重得分包括：
其中，S为症状信息对应所述候选疾病的权重得分；AZ为候选疾病中症状的基础权重值；AW为候选疾病中症状的维度权重值；C为候选疾病中症状的总权重值。
进一步地，基于所述候选疾病的关联症状的基础权重值与其维度权重值计算用户输入的症状信息对应所述候选疾病的权重得分包括：
其中，S为症状信息对应所述候选疾病的权重得分；AZ为候选疾病中症状的基础权重值；AW为候选疾病中症状的维度权重值；k为折扣系数，取值范围(0,1)；B为候选疾病中用户未罹患症状的权重值；C为候选疾病中症状的总权重值。
进一步地，基于用户输入的所述症状信息并利用机器学习模型计算所述候选疾病的概率准确度包括：
利用决策树模型和/或逻辑回归模型计算所述候选疾病的概率准确度。
另一方面，提供了一种智能问诊装置，所述装置包括：
疾病获取模块，用于根据用户输入的症状信息获取候选疾病；
准确度计算模块，用于计算所述候选疾病的准确度；
确认条件判断模块，用于将所述候选疾病的准确度与预设的确认条件对比；
疾病区分症状识别模块，用于当所述候选疾病的确认概率不满足所述确认条件时，在所述候选疾病的关联症状中选出疾病区分症状，所述疾病区分症状为至少能够区分两种所述候选疾病的症状；
问询症状生成模块，用于将所述疾病区分症状作为下一个问询症状向用户展示；
诊断结果生成模块，用于根据接收到的用户对所述疾病区分症状的描述信息确定诊断结果。
本发明实施例提供的技术方案带来的有益效果是：
本发明提供的技术方案在根据用户的主诉信息获得候选疾病后，在候选疾病关联症状中选出疾病区分症状，能够在准确获得诊断结果的基础上，减少与用户的交互次数，提高诊断效率并不损失诊断的准确性。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种智能问诊方法流程图；
图2是本发明实施例提供的一种智能问诊装置模块结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
现有的分诊导诊智能***均是根据收集到的用户的症状信息确认诊断的疾病结果。为了提高诊断结果的准确率，***需要向用户多次询问症状，以获得全面的症状信息，综合和疾病的症状特征比较，这就使得人机交互次数过多，用户自助分诊导诊的时间过长，影响诊断效率和用户体验。并且，由于疾病的症状特征不一，用户体会到的症状信息存在不一致的问题，导致诊断效果不稳定，影响用户后续治疗。
为了解决上述技术问题，本发明实施例一种智能问诊方法和装置，具体的技术方案如下：
如图1所示，一种智能问诊方法，包括如下步骤：
S1、获取用户的主诉症状信息和个人信息，将主诉症状信息以及个人信息与疾病诊疗图谱进行匹配，将疾病诊疗图谱中与主诉症状信息以及个人信息一致的疾病症状所对应的疾病作为候选疾病。
需要说明的是，主诉症状信息中包括：主诉症状和主诉症状维度，主诉症状为用户主诉的症状类型，主诉症状维度为用户主诉的症状的具体情况的描述信息。
症状维度描述可以为诊断的带来更精细的控制。因为某个症状虽然同时与某些疾病关联，但是某个具体症状只与其中的一部分疾病存在关联。比如，“急性胰腺炎”、“子宫肌瘤”虽然都有“腹痛”这一症状，但是“腹痛”的在不同疾病下的具体表现是不一样的。比如，“子宫肌瘤”的腹痛一般是慢性的下腹部胀痛，而“急性胰腺炎”多是短时间的全腹部的剧痛，痛感包含绞痛、胀痛、钝痛。作为一个例子，本实施中“腹痛”的症状维度及其可选值如下。
腹痛持续多长时间了？
几小时；几天；几周；几月；几年
你怎么描述腹痛的程度？
轻微；中等；严重
疼痛在腹部什么位置？
全腹；左上腹部；左腰部；左下腹部；上腹部；中腹部；下腹部；右上腹部；右腰部；右下腹部
腹痛是什么样的？
绞痛；撕裂样痛；烧灼样痛；饥饿痛；刀割样痛；胀痛；钝痛
腹痛是否放射/牵涉到其他部位？
肩部；背部；腰部；***部及大腿内侧；无
本方法提供仅根据主诉症状确定候选疾病、仅根据主诉症状维度确定候选疾病、同时根据主诉症状以及主诉症状维度确定候选疾病三种方式。疾病诊疗图谱中包括疾病的类型以及各疾病对应的症状信息。当用户的主诉症状含有多个时，可以进行多个主诉症状关联疾病的交集合并和并集合并，交集合并为将诊疗图谱中同时含有多个主诉症状的疾病作为候选疾病，并集合并为将诊疗图谱中含有任意一个主诉症状的疾病均作为候选疾病。
具体地，候选疾病的确认方法包括：
S11、将获取到的用户的主诉症状信息与诊疗图谱进行匹配，将疾病诊疗图谱中与主诉症状信息一致的疾病症状所对应的疾病作为疑似疾病；
S12、将疑似疾病的症状与个人信息进行对比，排除不符合个人信息的疑似疾病，形成候选疾病。
其中，对于S12，在排除不符合个人信息的疑似疾病时，可以是硬性的指标或者柔性的指标。对于硬性的指标，例如性别，当个人信息与疑似疾病存在差异时，可以将该疾病排除。或者比如，疑似疾病为妇科疾病，其患病性别一定为女性，如果用户个人信息中的性别为男，则可以将该疑似疾病排除。对于柔性的指标，例如年龄，可以根据偏离合理范围的程度对各个候选疾病的发生概率做一定弱化处理。比如，疑似疾病为手足口病，其好发年龄区间是小于7岁，但这并不能代表8岁的儿童不会患有手足口病，此时可以对该疾病的症状得分进行一定折扣，而不是简单删除该疾病。
因此为了更准确地确认候选疾病，在获取用户个人信息时，除了基本信息之外，还可以全面地了解用户的历史的身体诊疗状况，具体地，可以从用户的诊疗历史***中获取。
S2、计算候选疾病的准确度。
本发明实施例提供两种候选疾病的准确度的计算方法，分别是：基于候选疾病的关联症状的基础权重值和症状的维度权重值计算的症状信息对候选疾病的权重得分，将该权重得分作为候选疾病的准确度；基于用户输入的所述症状信息并利用机器学习模型计算所述症状信息对于所述候选疾病的准确度。
对于上述第一种计算准确度的方法，本发明实施例又提供三种不同的计算方法：
第一种计算方法为：
S＝|AZ+AW-B|
其中，S为症状信息对应所述候选疾病的权重得分；AZ为候选疾病中症状的基础权重值；AW为候选疾病中症状的维度权重值；B为候选疾病中用户未罹患症状的权重值。
第二种计算方法为：
其中，S为症状信息对应所述候选疾病的权重得分；AZ为候选疾病中症状的基础权重值；AW为候选疾病中症状的维度权重值；C为候选疾病中症状的总权重值。
第三种计算方法为：
其中，S为症状信息对应所述候选疾病的权重得分；AZ为候选疾病中症状的基础权重值；AW为候选疾病中症状的维度权重值；k为折扣系数，取值范围(0,1)；B为候选疾病中用户未罹患症状的权重值；C为候选疾病中症状的总权重值。
对于上述第二种计算准确度的方法，本发明实施例提供两种机器学习模型，分别为：决策树模型、逻辑回归模型。
在训练模型前，将病历中出现的症状维度都抽取出来，每一个症状维度具有一个特征值，取值为1或0，分别代表在用户的症状信息中有或者没有该特征，这样一个用户的症状信息可用一个特征向量表示。预测的目标为该病历对应的诊断结果(疾病名)。利用上述特征向量训练机器学习模型。
对于决策树模型，选择ID3算法作为决策树的生成算法，即在决策树的各个节点上应用信息增益准则选择特征，递归地构建决策树。
对于逻辑回归模型，将多项逻辑回归模型的对数似然函数作为目标函数，并对模型参数加以L2正则化，使用梯度下降算法最优化目标函数，最终得到逻辑回归模型的参数估计。
使用模型时，将收集到症状维度生成特征向量，输入到模型中去得到诊断结果，从而得到相应的疾病名。在上述两种模型中，决策树模型分类的准确率略高，但无法对各个疾病给出概率。而逻辑回归模型能够给出一种易于解读的分类概率(可得到每种疾病的概率)。技术人员可根据自身需求和数据集等进行选择。
S3、将候选疾病的准确度与预设的确认条件对比。
本发明实施例中提供的确认条件为：所述候选疾病中存在一疾病的准确度不小于所有候选疾病的准确度平均值与附加值之和，所述附加值为事先预设好的通用阈值。例如：有5个候选疾病，5个候选疾病的准确度平均值为0.2，如果设置的通用附加值为0.1，那么当前诊断的确认条件为准确度不小于0.3。
S4、当选出的候选疾病的准确度不满足预设的确认条件时，在候选疾病的关联症状中选出疾病区分症状，将所述疾病区分症状作为下一个问询症状向用户展示；当选出的候选疾病的准确度满足预设的确认条件时，则将候选疾病作为诊断结果。
需要说明的是，疾病区分症状为至少能够区分两种所述候选疾病的症状。本发明实施例提供两种疾病区分症状的确定方法：
第一种包括：按照所关联症状在所述候选疾病中的出现频次对所述关联症状进行排序，将所述出现频次位于中位数的所述关联症状作为所述疾病区分症状。
需要说明是，取在候选疾病中出现频次位于排序的中位数的关联症状作为疾病区分症状，其主要原因是：以出现次数排序位于中位数的关联症状作为下一个问询症状，无论用户反馈的是“已罹患”或者“未罹患”均可以减少一部分疾病的得分，增加另一部分的得分，从而使候选疾病的得分拉开差距，更快地触发确认条件。
第二种包括：根据关联症状在候选疾病中的权重值，计算关联症状在候选疾病中的权重值标准差平均值，将权重值标准差平均值最大的关联症状作为疾病区分症状。
对于第二种确认方法举例说明：
以腹痛为例，假设腹痛有以下两个问诊维度，每个维度分别有两个值：
腹痛持续多长时间了？
几小时；几天
你怎么描述腹痛的程度？
轻微；严重
另假设腹痛在三种具体疾病的维度权重分别如下：
【疾病1】
腹痛持续多长时间了？
几小时(7)；几天(2)
你怎么描述腹痛的程度？
轻微(1)；严重(8)
【疾病2】
腹痛持续多长时间了？
几小时(4)；几天(10)
你怎么描述腹痛的程度？
轻微(2)；严重(5)
【疾病3】
腹痛持续多长时间了？
几小时(1)；几天(3)
你怎么描述腹痛的程度？
轻微(4)；严重(1)
那么定义腹痛在疾病1的权重向量为(7,2,1,8)，在疾病2的权重向量为(4,10,2,5)，在疾病3的权重向量为(1,3,4,1)；然后在腹痛在不同疾病下的权重向量的各维度上进行标准差计算。在该例的权重向量列表为：
[(7,2,1,8),(4,10,2,5),(1,3,4,1)]
分别计算每列数据的平均值，结果为：(4,5,2.33,4.67)
再计算每列数据的标准差，可以标准差向量为：
最后将权重向量的标准差求平均值为2.531，即为最终衡量标准。该衡量标准可以形式化为
其中，n表示症状包含的症状维度的数量；
表示症状中各症状维度的权重值的标准差之和。
该指标反映的情况为一个症状在不同疾病下特征权重的差异度(离散程度)，该数值越大，那么不同疾病在这个症状下的权重差异就越大，进而可得出结论不同疾病在这个症状下有很大的区分度，我们就越应该选择该症状为疾病区分症状。
S5、根据用户对疾病区分症状的描述信息更新候选疾病的准确度。
需要说明的是，候选疾病准确度的更新方法与上述S2中候选疾病准确度的计算方法相同，在此不再赘述。
S6、将更新后的候选疾病准确度与确认条件对比，若更新后的候选疾病准确度满足确认条件，则将当前候选疾病的的按准确度的前K项作为诊断结果；若当前候选疾病的准确度不满足所述确认条件，则统计当前问询次数。
S7、将当前问询次数与预设的问询次数上限值对比，若当前问询次数满足问询次数上限值，则将当前候选疾病的的按准确度的前K项作为诊断结果；若不满足则重复S4中的确认疾病区分症状，直到满足确认条件或者问询次数满足问询次数上限值。
为了评价本发明实施例提供的智能问诊方法，本发明实施例还提供一种上述方法的效果评价方法，效果评价方法利用真实病历集自动化测试并对智能问诊方法的效果进行评价。具体的技术方案包括：
将真实病历集拆分成：患者主诉症状信息、现病史信息、医生诊断的所患疾病信息。
将患者主诉症状信息作为S1中主诉症状信息的模拟；
将现病史信息作为S5中疾病区分症状信息的模拟；
将医生诊断的所患疾病信息作为智能诊断方法最终获得的诊断结果的准确度评价标准。
根据主诉症状信息和现病史信息，通过智能问诊方法进行诊断，若在交互的过程中问询症状不存在于病例信息中，则反馈“不清楚”。如此，最终获得诊断结果；
将诊断结果与医生诊断的所患疾病信息比对结果，并结合诊断过程中的交互轮次评价上述智能问诊方法。
实施例2
如图2所示，为了实现本发明实施例1的技术方案，本实施例提供一种智能问诊装置，具体包括：
疾病获取模块，用于根据用户输入的主诉症状信息获取候选疾病。
疾病获取模块包括：
主诉信息获取模块，用于获取用户的主诉症状信息；
个人信息登记模块，用于登记用户的个人信息；
疾病诊疗图谱匹配模块，其中存储有诊疗图谱，用于将主诉症状信息以及个人信息与疾病诊疗图谱进行匹配，将疾病诊疗图谱中与主诉症状信息以及个人信息一致的疾病症状对应的疾病作为候选疾病，其中将主诉症状信息以及个人信息与疾病诊疗图谱进行匹配包括：
将获取到的用户的主诉症状信息与诊疗图谱进行匹配，将疾病诊疗图谱中与主诉症状信息一致的疾病症状所对应的疾病作为疑似疾病；
将疑似疾病的症状与个人信息进行对比，排除不符合个人信息的疑似疾病，形成候选疾病。
准确度计算模块，用于计算候选疾病的准确度。
准确度计算模块包括：
权重计算模块，用于基于候选疾病的关联症状的基础权重值和症状的维度权重值计算的症状信息对候选疾病的权重得分，本模块中同样包含分别执行实施例1中所述的三种计算方式的权重计算模块，分别为：第一权重计算模块、第二权重计算模块、第三权重计算模块，其中具体的计算方法与实施例1相同本实施例不再赘述。
机器学习计算模块，用于基于用户输入的所述症状信息并利用机器学习模型计算所述症状信息对于所述候选疾病的概率，其中包括：
决策树模型计算模块，用于利用决策树模型计算候选疾病的概率，具体的计算方法与实施例1相同，在此不再赘述；
逻辑回归模型计算模块，用于利用逻辑回归模型计算候选疾病的概率，具体的计算方法与实施例1相同，在此不再赘述。
确认条件判断模块，用于将候选疾病的准确度与预设的确认条件对比。其中确认条件为：所述候选疾病中存在一疾病的准确度不小于所有候选疾病的准确度平均值与附加值之和，所述附加值为事先预设好的通用阈值。
疾病区分症状识别模块，用于当候选疾病的确认概率不满足确认条件时，在候选疾病的关联症状中选出疾病区分症状，疾病区分症状为至少能够区分两种候选疾病的症状。
疾病区分症状识别模块，包括：排序识别模块和标准差识别模块，其中，排序识别模块，用于按照所关联症状在所述候选疾病中的出现频次对所述关联症状进行排序，将所述出现频次位于中位数的所述关联症状作为所述疾病区分症状；标准差识别模块，用于根据关联症状在候选疾病中的权重值，计算关联症状在候选疾病中的权重值标准差，将权重值标准差最大的关联症状作为疾病区分症状。
问询症状生成模块，用于将疾病区分症状作为下一个问询症状向用户展示。
待获取用户对疾病区分症状的描述信息后，准确度计算模块再根据该描述信息更新候选疾病的准确度。
问询次数评价模块，用于统计当前问询次数，将当前问询次数与预设的问询次数上限值对比。
诊断结果生成模块，用于当候选疾病的准确度满足确认条件时，将当前候选疾病的按准确度的前K项作为诊断结果；以及用于根据接收到的用户对疾病区分症状的描述信息确定诊断结果，具体包括：当根据用户对疾病区分症状的描述信息更新的准确度满足确认条件时，将当前候选疾病的按准确度的前K项作为诊断结果，当前问询次数达到预设的问询次数上限值时，将当前候选疾病的按准确度的前K项作为诊断结果。
上述装置中，疾病获取模块将获取到候选疾病后，准确度计算模块计算候选疾病的准确度，候选疾病的准确度在确认条件判断模块中与确认条件对比，若满足则生成诊断结果，若不满足则疾病区分症状识别模块开始识别疾病区分症状，将识别结果发送至问询症状生成模块，生成问询症状在疾病主诉信息获取模块中与用户交互，获得用户信息后，疾病诊疗图谱匹配模块根据用户的描述信息更新候选疾病的准确度，然后在确认条件判断模块中与确认条件进行比对，满足则生成诊断结果，若不满足则比对问询次数，达到问询次数上限条件时直接生成诊断结果。
本发明实施例提供的技术方案带来的有益效果是：
本发明提供的技术方案在根据用户的主诉信息获得候选疾病后，在候选疾病关联症状中选出疾病区分症状，能够在准确获得诊断结果的基础上，减少与用户的交互次数，提高诊断效率并不损失诊断的准确性。
上述所有可选技术方案，可以采用任意结合形成本发明的可选实施例，在此不再一一赘述。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (11)
1.一种智能问诊方法，其特征在于，包括：
当选出的候选疾病的准确度不满足预设的确认条件时，在所述候选疾病的关联症状中选出疾病区分症状，所述疾病区分症状为至少能够区分两种所述候选疾病的症状；
将所述疾病区分症状作为下一个问询症状向用户展示，根据接收到的用户对所述疾病区分症状的描述信息确定诊断结果。
2.如权利要求1所述的一种智能问诊方法，其特征在于，在所述候选疾病的关联症状中选出疾病区分症状包括：
按照所关联症状在所述候选疾病中的出现频次对所述关联症状进行排序，将所述出现频次位于中位数的所述关联症状作为所述疾病区分症状。
3.如权利要求1所述的一种智能问诊方法，其特征在于，在所述候选疾病的关联症状中选出疾病区分症状包括：
根据所述关联症状在所述候选疾病中的权重值，计算所述关联症状在所述候选疾病中的权重值标准差平均值，将所述权重值标准差平均值最大的所述关联症状作为所述疾病区分症状。
4.如权利要求1所述的一种智能问诊方法，其特征在于，所述确认条件为：
所述候选疾病中存在一疾病的准确度不小于所有所述候选疾病的准确度的平均值与附加值之和，所述附加值为预设的通用阈值。
5.如权利要求1所述的一种智能问诊方法，其特征在于，根据接收到的用户对所述疾病区分症状的描述信息确定诊断结果包括：
根据用户对所述疾病区分症状的描述信息更新所述候选疾病的准确度，若更新后的所述候选疾病的准确度不满足所述确认条件，则统计当前问询次数，将所述当前问询次数与预设的问询次数上限值对比，若所述当前问询次数满足所述问询次数上限值，则按照当前所述候选疾病的准确度确定所述诊断结果。
6.如权利要求1～5中任意一项所述的一种智能问诊方法，其特征在于，所述候选疾病的准确度的计算包括：
基于所述候选疾病的关联症状的基础权重值与其维度权重值计算用户输入的症状信息对于所述候选疾病的权重得分，将所述权重得分作为所述候选疾病的准确度，和/或
基于用户输入的所述症状信息并利用机器学习模型计算所述候选疾病的准确度。
7.如权利要求6所述的一种智能问诊方法，其特征在于，基于所述候选疾病的关联症状的基础权重值与其维度权重值计算用户输入的症状信息对应所述候选疾病的权重得分包括：
S＝|AZ+AW-B|
其中，S为症状信息对应所述候选疾病的权重得分；AZ为候选疾病中症状的基础权重值；AW为候选疾病中症状的维度权重值；B为候选疾病中用户未罹患症状的权重值。
8.如权利要求6所述的一种智能问诊方法，其特征在于，基于所述候选疾病的关联症状的基础权重值与其维度权重值计算用户输入的症状信息对应所述候选疾病的权重得分包括：
其中，S为症状信息对应所述候选疾病的权重得分；AZ为候选疾病中症状的基础权重值；AW为候选疾病中症状的维度权重值；C为候选疾病中症状的总权重值。
9.如权利要求6所述的一种智能问诊方法，其特征在于，基于所述候选疾病的关联症状的基础权重值与其维度权重值计算用户输入的症状信息对应所述候选疾病的权重得分包括：
其中，S为症状信息对应所述候选疾病的权重得分；AZ为候选疾病中症状的基础权重值；AW为候选疾病中症状的维度权重值；k为折扣系数，取值范围(0,1)；B为候选疾病中用户未罹患症状的权重值；C为候选疾病中症状的总权重值。
10.如权利要求6所述的一种智能问诊方法，其特征在于，基于用户输入的所述症状信息并利用机器学习模型计算所述候选疾病的概率准确度包括：
利用决策树模型和/或逻辑回归模型计算所述候选疾病的概率准确度。
11.一种智能问诊装置，其特征在于，包括：
疾病获取模块，用于根据用户输入的症状信息获取候选疾病；
准确度计算模块，用于计算所述候选疾病的准确度；
确认条件判断模块，用于将所述候选疾病的准确度与预设的确认条件对比；
疾病区分症状识别模块，用于当所述候选疾病的确认概率不满足所述确认条件时，在所述候选疾病的关联症状中选出疾病区分症状，所述疾病区分症状为至少能够区分两种所述候选疾病的症状；
问询症状生成模块，用于将所述疾病区分症状作为下一个问询症状向用户展示；
诊断结果生成模块，用于根据接收到的用户对所述疾病区分症状的描述信息确定诊断结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911396213.XA CN111180081B (zh) | 2019-12-30 | 2019-12-30 | 一种智能问诊方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911396213.XA CN111180081B (zh) | 2019-12-30 | 2019-12-30 | 一种智能问诊方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111180081A true CN111180081A (zh) | 2020-05-19 |
| CN111180081B CN111180081B (zh) | 2023-11-03 |
Family
ID=70652194
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911396213.XA Active CN111180081B (zh) | 2019-12-30 | 2019-12-30 | 一种智能问诊方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111180081B (zh) |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111899884A (zh) * | 2020-06-23 | 2020-11-06 | 北京左医科技有限公司 | 智能辅助问诊方法、装置和存储介质 |
| CN112035567A (zh) * | 2020-08-21 | 2020-12-04 | 腾讯科技（深圳）有限公司 | 一种数据处理方法、装置及计算机可读存储介质 |
| CN112035619A (zh) * | 2020-08-31 | 2020-12-04 | 康键信息技术（深圳）有限公司 | 基于人工智能的医疗问诊单筛选方法、装置、设备和介质 |
| CN112700861A (zh) * | 2020-12-25 | 2021-04-23 | 北京左医科技有限公司 | 伴随症状交互方法及伴随症状交互*** |
| CN112750529A (zh) * | 2020-12-31 | 2021-05-04 | 平安科技（深圳）有限公司 | 智能医疗问诊装置、设备及介质 |
| CN112749287A (zh) * | 2021-01-26 | 2021-05-04 | 北京搜狗科技发展有限公司 | 知识图谱的构建方法和使用方法、装置和介质 |
| CN112948599A (zh) * | 2021-05-13 | 2021-06-11 | 北京富通东方科技有限公司 | 一种基于医学知识图谱的路径推理的疾病诊断方法 |
| CN112951405A (zh) * | 2021-01-26 | 2021-06-11 | 北京搜狗科技发展有限公司 | 一种实现特征排序的方法、装置及设备 |
| CN113257409A (zh) * | 2021-06-04 | 2021-08-13 | 杭州云呼医疗科技有限公司 | 一种基于患者病症症状与医学检验报告的临床决策支持*** |
| CN113990493A (zh) * | 2021-11-25 | 2022-01-28 | 袁冰 | 一种用于中医疾病诊断与证候辨识的人机互动智能*** |
| US20230125634A1 (en) * | 2020-06-10 | 2023-04-27 | Beplus Lab. Inc | Method for predicting developmental disease and system therefor |
| US20230126896A1 (en) * | 2020-06-10 | 2023-04-27 | Beplus Lab. Inc | Method for providing basic data for diagnosis, and system therefor |
| CN113990493B (zh) * | 2021-11-25 | 2024-07-30 | 袁冰 | 一种用于中医疾病诊断与证候辨识的人机互动智能*** |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106777971A (zh) * | 2016-12-15 | 2017-05-31 | 杭州卓健信息科技有限公司 | 一种智能导诊方法及其装置 |
| CN107145744A (zh) * | 2017-05-08 | 2017-09-08 | 合肥工业大学 | 医学知识图谱的构建方法、装置及辅助诊断方法 |
| CN107610774A (zh) * | 2017-10-25 | 2018-01-19 | 医渡云（北京）技术有限公司 | 智能问诊方法及装置、存储介质、电子设备 |
| CN108320798A (zh) * | 2018-02-05 | 2018-07-24 | 南昌医软科技有限公司 | 病症结果生成方法与装置 |
| CN108491486A (zh) * | 2018-03-14 | 2018-09-04 | 东软集团股份有限公司 | 模拟病人问诊对话方法、装置、终端设备及存储介质 |
| CN109192300A (zh) * | 2018-08-17 | 2019-01-11 | 百度在线网络技术（北京）有限公司 | 智能问诊方法、***、计算机设备和存储介质 |
| CN109256206A (zh) * | 2018-08-14 | 2019-01-22 | 平安医疗健康管理股份有限公司 | 问诊数据处理方法、装置、计算机设备和存储介质 |
| CN109509551A (zh) * | 2018-11-01 | 2019-03-22 | 新博卓畅技术（北京）有限公司 | 一种常见疾病智能诊断方法及*** |
| CN109887587A (zh) * | 2019-01-22 | 2019-06-14 | 平安科技（深圳）有限公司 | 智能分诊方法、***、装置及存储介质 |
| CN110504028A (zh) * | 2019-08-22 | 2019-11-26 | 上海软中信息***咨询有限公司 | 一种疾病问诊方法、装置、***、计算机设备和存储介质 |
-
2019
- 2019-12-30 CN CN201911396213.XA patent/CN111180081B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106777971A (zh) * | 2016-12-15 | 2017-05-31 | 杭州卓健信息科技有限公司 | 一种智能导诊方法及其装置 |
| CN107145744A (zh) * | 2017-05-08 | 2017-09-08 | 合肥工业大学 | 医学知识图谱的构建方法、装置及辅助诊断方法 |
| CN107610774A (zh) * | 2017-10-25 | 2018-01-19 | 医渡云（北京）技术有限公司 | 智能问诊方法及装置、存储介质、电子设备 |
| CN108320798A (zh) * | 2018-02-05 | 2018-07-24 | 南昌医软科技有限公司 | 病症结果生成方法与装置 |
| CN108491486A (zh) * | 2018-03-14 | 2018-09-04 | 东软集团股份有限公司 | 模拟病人问诊对话方法、装置、终端设备及存储介质 |
| CN109256206A (zh) * | 2018-08-14 | 2019-01-22 | 平安医疗健康管理股份有限公司 | 问诊数据处理方法、装置、计算机设备和存储介质 |
| CN109192300A (zh) * | 2018-08-17 | 2019-01-11 | 百度在线网络技术（北京）有限公司 | 智能问诊方法、***、计算机设备和存储介质 |
| CN109509551A (zh) * | 2018-11-01 | 2019-03-22 | 新博卓畅技术（北京）有限公司 | 一种常见疾病智能诊断方法及*** |
| CN109887587A (zh) * | 2019-01-22 | 2019-06-14 | 平安科技（深圳）有限公司 | 智能分诊方法、***、装置及存储介质 |
| CN110504028A (zh) * | 2019-08-22 | 2019-11-26 | 上海软中信息***咨询有限公司 | 一种疾病问诊方法、装置、***、计算机设备和存储介质 |
Cited By (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20230126896A1 (en) * | 2020-06-10 | 2023-04-27 | Beplus Lab. Inc | Method for providing basic data for diagnosis, and system therefor |
| US20230125634A1 (en) * | 2020-06-10 | 2023-04-27 | Beplus Lab. Inc | Method for predicting developmental disease and system therefor |
| CN111899884A (zh) * | 2020-06-23 | 2020-11-06 | 北京左医科技有限公司 | 智能辅助问诊方法、装置和存储介质 |
| CN112035567A (zh) * | 2020-08-21 | 2020-12-04 | 腾讯科技（深圳）有限公司 | 一种数据处理方法、装置及计算机可读存储介质 |
| CN112035567B (zh) * | 2020-08-21 | 2023-12-12 | 腾讯科技（深圳）有限公司 | 一种数据处理方法、装置及计算机可读存储介质 |
| CN112035619A (zh) * | 2020-08-31 | 2020-12-04 | 康键信息技术（深圳）有限公司 | 基于人工智能的医疗问诊单筛选方法、装置、设备和介质 |
| CN112700861B (zh) * | 2020-12-25 | 2022-02-01 | 北京左医科技有限公司 | 伴随症状交互方法及伴随症状交互*** |
| CN112700861A (zh) * | 2020-12-25 | 2021-04-23 | 北京左医科技有限公司 | 伴随症状交互方法及伴随症状交互*** |
| CN112750529A (zh) * | 2020-12-31 | 2021-05-04 | 平安科技（深圳）有限公司 | 智能医疗问诊装置、设备及介质 |
| CN112951405A (zh) * | 2021-01-26 | 2021-06-11 | 北京搜狗科技发展有限公司 | 一种实现特征排序的方法、装置及设备 |
| CN112749287A (zh) * | 2021-01-26 | 2021-05-04 | 北京搜狗科技发展有限公司 | 知识图谱的构建方法和使用方法、装置和介质 |
| CN112951405B (zh) * | 2021-01-26 | 2024-05-28 | 北京搜狗科技发展有限公司 | 一种实现特征排序的方法、装置及设备 |
| CN112948599A (zh) * | 2021-05-13 | 2021-06-11 | 北京富通东方科技有限公司 | 一种基于医学知识图谱的路径推理的疾病诊断方法 |
| CN113257409A (zh) * | 2021-06-04 | 2021-08-13 | 杭州云呼医疗科技有限公司 | 一种基于患者病症症状与医学检验报告的临床决策支持*** |
| CN113990493A (zh) * | 2021-11-25 | 2022-01-28 | 袁冰 | 一种用于中医疾病诊断与证候辨识的人机互动智能*** |
| CN113990493B (zh) * | 2021-11-25 | 2024-07-30 | 袁冰 | 一种用于中医疾病诊断与证候辨识的人机互动智能*** |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111180081B (zh) | 2023-11-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111180081A (zh) | 一种智能问诊方法及装置 | |
| US11488718B2 (en) | Computer aided medical method and medical system for medical prediction | |
| CN109817339B (zh) | 基于大数据的患者分组方法和装置 | |
| CN110363229B (zh) | 一种基于改进RReliefF和mRMR相结合的人体特征参数选择方法 | |
| CN106485086B (zh) | 基于aic和改进熵权法的人体体成分预测方法 | |
| CN110299209B (zh) | 相似病历查找方法、装置、设备及可读存储介质 | |
| CN112633601A (zh) | 疾病事件发生概率的预测方法、装置、设备及计算机介质 | |
| CN109829435A (zh) | 一种视频图像处理方法、装置及计算机可读介质 | |
| JP2018045516A (ja) | 分類装置、分類方法およびプログラム | |
| CN112331285B (zh) | 病例分组方法、装置、电子设备及存储介质 | |
| CN115688760B (zh) | 一种智能化导诊方法、装置、设备及存储介质 | |
| CN114628033A (zh) | 疾病风险预测方法、装置、设备及存储介质 | |
| Komkhao et al. | Determining pattern similarity in a medical recommender system | |
| WO2021120587A1 (zh) | 基于oct的视网膜分类方法、装置、计算机设备及存储介质 | |
| Sodsee | Predicting caesarean section by applying nearest neighbor analysis | |
| US20200302541A1 (en) | Resource processing method, storage medium, and computer device | |
| CN116936058A (zh) | 一种基于深度学习及知识图谱的智能导诊方法及*** | |
| US20230060794A1 (en) | Diagnostic Tool | |
| CN115719640B (zh) | 中医主次症状识别***、装置、电子设备及其存储介质 | |
| CN116580802A (zh) | 信息处理方法、装置、设备、存储介质和程序产品 | |
| CN116705310A (zh) | 围术期风险评估的数据集构建方法、装置、设备及介质 | |
| CN114822800A (zh) | 一种互联网医疗分诊方法及*** | |
| Lichtenstein | Conditional non-independence of data in a practical Bayesian decision task | |
| KR101781174B1 (ko) | 설문 기반 체질 판단 방법 및 장치 | |
| Bagnall et al. | Predictive modelling of bone age through classification and regression of bone shapes |
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 |