CN114005509A - 一种治疗方案推荐***、方法、装置和存储介质 - Google Patents
一种治疗方案推荐***、方法、装置和存储介质 Download PDFInfo
- Publication number
- CN114005509A CN114005509A CN202111277916.8A CN202111277916A CN114005509A CN 114005509 A CN114005509 A CN 114005509A CN 202111277916 A CN202111277916 A CN 202111277916A CN 114005509 A CN114005509 A CN 114005509A
- Authority
- CN
- China
- Prior art keywords
- target
- treatment
- chronic disease
- information
- character
- 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
- 238000011282 treatment Methods 0.000 title claims abstract description 398
- 238000000034 method Methods 0.000 title claims abstract description 32
- 208000017667 Chronic Disease Diseases 0.000 claims abstract description 260
- 238000003745 diagnosis Methods 0.000 claims abstract description 101
- 238000012545 processing Methods 0.000 claims abstract description 42
- 238000003066 decision tree Methods 0.000 claims abstract description 35
- 238000011269 treatment regimen Methods 0.000 claims abstract description 34
- 239000003814 drug Substances 0.000 claims description 70
- 238000012549 training Methods 0.000 claims description 27
- 229940079593 drug Drugs 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 14
- 238000004891 communication Methods 0.000 claims description 10
- 238000004080 punching Methods 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 abstract description 10
- 238000013473 artificial intelligence Methods 0.000 abstract description 6
- 201000010099 disease Diseases 0.000 description 21
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 21
- 230000015654 memory Effects 0.000 description 14
- 230000036772 blood pressure Effects 0.000 description 10
- 206010020772 Hypertension Diseases 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000001684 chronic effect Effects 0.000 description 4
- 206010012601 diabetes mellitus Diseases 0.000 description 4
- 235000005911 diet Nutrition 0.000 description 4
- 239000000284 extract Substances 0.000 description 4
- 208000008589 Obesity Diseases 0.000 description 3
- 230000006399 behavior Effects 0.000 description 3
- 239000008280 blood Substances 0.000 description 3
- 210000004369 blood Anatomy 0.000 description 3
- 235000020824 obesity Nutrition 0.000 description 3
- 208000024172 Cardiovascular disease Diseases 0.000 description 2
- 206010028980 Neoplasm Diseases 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 201000011510 cancer Diseases 0.000 description 2
- 208000026106 cerebrovascular disease Diseases 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 230000037213 diet Effects 0.000 description 2
- 230000000378 dietary effect Effects 0.000 description 2
- 230000002526 effect on cardiovascular system Effects 0.000 description 2
- 208000015181 infectious disease Diseases 0.000 description 2
- 238000002483 medication Methods 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 208000023504 respiratory system disease Diseases 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000002560 therapeutic procedure Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 208000029078 coronary artery disease Diseases 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011982 device technology Methods 0.000 description 1
- 238000009207 exercise therapy Methods 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 208000024891 symptom Diseases 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
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/10—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to patients
- G16H20/13—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to patients delivered from dispensers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
- G06F40/295—Named entity recognition
-
- 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
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/60—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to nutrition control, e.g. diets
-
- 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)
- Theoretical Computer Science (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Epidemiology (AREA)
- Data Mining & Analysis (AREA)
- Primary Health Care (AREA)
- Computational Linguistics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Biomedical Technology (AREA)
- Animal Behavior & Ethology (AREA)
- Pathology (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Nutrition Science (AREA)
- Chemical & Material Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Medicinal Chemistry (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本申请实施例提供了一种治疗方案推荐***、方法、装置和存储介质,涉及数字医疗技术领域和人工智能技术领域,包括:客户端、治疗方案推荐设备和存储设备,其中,存储设备存储有目标慢性病的知识图谱;治疗方案推荐设备从存储设备获取关于目标慢性病的知识图谱;基于知识图谱所指示的关联关系和诊断信息,从知识图谱中获取目标慢性病的第一治疗方案;调用决策树模型对诊断信息进行治疗方案决策处理,得到目标慢性病的第二治疗方案;并从第一治疗方案和第二治疗方案中确定目标治疗方案;并向目标用户发送目标治疗方案,可以提高获取治疗方案的效率,本申请涉及区块链技术,如可将上述目标慢性病的知识图谱写入区块链中,以用于获取治疗方案等场景。
Description
技术领域
本申请涉及计算机设备技术领域,尤其涉及数字医疗技术领域,具体涉及一种治疗方案推荐***、方法、装置和存储介质。
背景技术
目前,随着人们生活习惯等改变,无论是在国内还是国外,例如高血压、糖尿病和冠心病等慢性病的人群还在逐渐扩大,且慢性病自身发病的病理复杂,完全康复困难且治疗周期漫长的特点,已经严重影响到了人们的生活品质和生命健康。大部分慢性病患者,只能通过合理的饮食安排、长期的服药和定期检查来适时调整治疗方案,才能使自身的病情得到稳定的控制。但是主要依靠医生根据慢性病患者的病情来调整治疗方案,导致患者获取治疗方案的效率降低。
发明内容
本申请实施例提供了一种治疗方案推荐***、方法、装置和存储介质,可以提高获取治疗方案的效率。
本申请实施例第一方面提供了一种治疗方案推荐***,所述***包括:客户端、治疗方案推荐设备和存储设备,其中,所述存储设备存储有目标慢性病的知识图谱,所述知识图谱包括多个节点,每个节点记录了与所述目标慢性病相关的实体词;任意两个相连接的节点所记录的实体词之间具有关联关系;
所述治疗方案推荐设备,用于接收所述客户端发送的针对目标慢性病的治疗方案获取请求,所述治疗方案获取请求携带有目标用户的诊断信息;
所述治疗方案推荐设备,还用于从所述存储设备获取关于所述目标慢性病的知识图谱;基于所述知识图谱所指示的关联关系和所述诊断信息,从所述知识图谱中获取所述目标慢性病的第一治疗方案;调用决策树模型对所述诊断信息进行治疗方案决策处理,得到所述目标慢性病的第二治疗方案;并从所述第一治疗方案和所述第二治疗方案中确定所述目标用户的目标治疗方案;向所述目标用户发送所述目标治疗方案。
本申请实施例第二方面提供了一种治疗方案推荐方法,所述方法包括:
接收客户端发送的针对目标慢性病的治疗方案获取请求,所述治疗方案获取请求携带有目标用户的诊断信息;
获取关于所述目标慢性病的知识图谱,所述知识图谱包括多个节点,每个节点记录了与所述目标慢性病相关的实体词;任意两个相连接的节点所记录的实体词之间具有关联关系;
基于所述知识图谱所指示的关联关系和所述诊断信息,从所述知识图谱中获取所述目标慢性病的第一治疗方案;
调用决策树模型对所述诊断信息进行决策处理,得到所述目标慢性病的第二治疗方案;并从所述第一治疗方案和所述第二治疗方案中确定所述目标用户的目标治疗方案;
向所述目标用户发送所述目标治疗方案。
本申请实施例第三方面提供了一种治疗方案推荐装置,所述装置包括:
通信单元,用于接收客户端发送的针对目标慢性病的治疗方案获取请求,所述治疗方案获取请求携带有目标用户的诊断信息;
处理单元,用于获取关于所述目标慢性病的知识图谱,所述知识图谱包括多个节点,每个节点记录了与所述目标慢性病相关的实体词;任意两个相连接的节点所记录的实体词之间具有关联关系;
所述处理单元,还用于基于所述知识图谱所指示的关联关系和所述诊断信息,从所述知识图谱中获取所述目标慢性病的第一治疗方案;
所述处理单元,还用于调用决策树模型对所述诊断信息进行决策处理,得到所述目标慢性病的第二治疗方案;并从所述第一治疗方案和所述第二治疗方案中确定所述目标用户的目标治疗方案;
所述通信单元,用于向所述目标用户发送所述目标治疗方案。
本申请实施例第四方面提供了一种计算机设备,包括处理器和存储器,所述处理器和所述存储器相互连接,其中,所述存储器用于存储计算机程序,所述计算机程序包括程序指令,所述处理器被配置用于调用所述程序指令,执行上述所述的治疗方案推荐方法。
本申请实施例第五方面提供了一种计算机可读存储介质,该计算机可读存储介质中存储有程序指令,该程序指令被执行时,用于实现上述所述的治疗方案推荐方法。
本申请实施例第六方面提供了一种计算机程序产品或计算机程序,计算机程序产品或计算机程序包括计算机指令,计算机指令存储在计算机可读存储介质中,计算机指令被处理器执行时,执行上述所述的治疗方案推荐方法。
在本申请实施例中,接收客户端发送的针对目标慢性病的治疗方案获取请求,治疗方案获取请求携带有目标用户的诊断信息;然后获取关于目标慢性病的知识图谱,知识图谱包括多个节点,每个节点记录了与目标慢性病相关的实体词;任意两个相连接的节点所记录的实体词之间具有关联关系;基于知识图谱所指示的关联关系和诊断信息,从知识图谱中获取目标慢性病的第一治疗方案;调用决策树模型对诊断信息进行决策处理,得到目标慢性病的第二治疗方案;并从第一治疗方案和第二治疗方案中确定目标用户的目标治疗方案;然后向目标用户发送目标治疗方案。通过目标慢性病的知识图谱和决策树模型可以快速查找到属于目标用户的第一治疗方案和第二治疗方案,并从第一治疗方案和第二治疗方案确定合适目标用户的目标治疗方案,提高了获取治疗方案的效率以及获取到的治疗方***性。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术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申请的一些实施例,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是本申请实施例提供的一种治疗方案推荐***的架构示意图;
图2是本申请实施例提供的一种治疗方案推荐方法的流程示意图;
图3是本申请实施例提供的一种目标慢性病的知识图谱的示意图;
图4是本申请实施例提供的一种决策树模型的示意图;
图5是本申请实施例提供的一种治疗方案推荐装置的结构示意图;
图6是本申请实施例提供的一种计算机设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请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申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
本申请实施例可以基于人工智能技术对目标用户的诊断信息进行获取和处理。其中,人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用***。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互***、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
为了更好地为患慢性病的用户快速推荐治疗该慢性病的目标治疗方案,本申请实施例提供了一种治疗方案推荐***,请参见图1,该治疗方案推荐***可以包括至少一个客户端101、治疗方案推荐设备102和存储设备103。客户端101用于提供诊断信息填写界面,目标用户可以在客户端101填写针对目标慢性病的诊断信息。治疗方案推荐设备102可以根据目标用户的诊断信息确定治疗慢性病的治疗方案。存储设备103可以用于存储多个慢性病中每个慢性病的知识图谱以及每个慢性病对应的治疗方案等等。其中,客户端101、治疗方案推荐设备102和存储设备103可以通过有线或无线通信方式进行直接或间接地连接,本申请在此不做限制。上述治疗方案推荐设备可以是终端设备或者服务器,终端设备可以是手机、平板电脑、笔记本电脑、掌上电脑、移动互联网设备(mobile internet device,MID)、可穿戴设备等智能设备。上述服务器包括多个服务器(也可称节点),该多个服务器可以是独立的物理服务器,还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network,CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
在具体实现中,当任一用户(此处的用户可以是患有目标慢性病的用户或者还可以是普通用户)想要获取针对目标慢性病的治疗方案时,可以通过客户端101填写目标用户的诊断信息,客户端101可以基于该目标用户的诊断信息生成针对目标慢性病的治疗方案获取请求,并向治疗方案推荐设备102发送针对目标慢性病的治疗方案获取请求。然后治疗方案推荐设备102可以在接收到客户端101发送的治疗方案获取请求后,可以从存储设备103获取关于目标慢性病的知识图谱,其中,该知识图谱包括多个节点,每个节点记录了与所述目标慢性病相关的实体词,任意两个相连接的节点所记录的实体词之间具有关联关系。
然后基于知识图谱所指示的关联关系和诊断信息可以从知识图谱中获取目标慢性病的第一治疗方案,并调用决策树模型对诊断信息进行治疗方案决策处理,得到所述目标慢性病的第二治疗方案,并从第一治疗方案和第二治疗方案中确定目标用户的目标治疗方案;并向客户端101返回目标治疗方案。其中,目标慢性病是指不构成传染、具有长期积累形成疾病形态损害的疾病,如目标慢性病可以为心脑血管疾病、癌症、糖尿病、慢性呼吸***疾病等等。
通过上述提供的治疗方案推荐***,通过目标慢性病的知识图谱和决策树模型可以快速查找到属于目标用户的第一治疗方案和第二治疗方案,并从第一治疗方案和第二治疗方案确定合适目标用户的目标治疗方案,提高了获取治疗方案的效率以及获取到的治疗方***性。
基于上述所提供的治疗方案推荐***,请参阅图2,图2为本申请实施例提供的一种治疗方案推荐方法的流程示意图。该治疗方案推荐方法可以是由上述治疗方案推荐***中的治疗方案推荐设备执行,本实施例中所描述的治疗方案推荐方法,可以包括以下步骤S201-S205:
S201、接收客户端发送的针对目标慢性病的治疗方案获取请求,治疗方案获取请求携带有目标用户的诊断信息。
其中,目标慢性病是指不构成传染、具有长期积累形成疾病形态损害的疾病,目标慢性病可以是心脑血管疾病、癌症、糖尿病、慢性呼吸***疾病等等。诊断信息可以包括目标用户的血压、体重、糖份含量、用户行为、用户饮食等等。目标用户患有慢性病的类型不同,该诊断信息会存在一定的差距。例如,目标用户患有高血压疾病,该目标用户的诊断信息可以包括血压、体重、用户行为等等;又例如,目标用户患有糖尿病,该目标用户的诊断信息可以包括血压、糖份含量等等。
在具体实现中,治疗方案获取请求可以是患有目标慢性病的目标用户通过在客户端中提交的诊断信息生成的,或者该治疗方案获取请求还可以是除目标用户之后的其他用户通过在客户端中提交的目标用户的诊断信息生成的,客户端在生成针对目标慢性病的治疗方案获取请求后,向客户端发送针对目标慢性病的治疗方案获取请求。然后治疗方案推荐设备接收客户端发送的治疗方案获取请求。
S202、获取关于目标慢性病的知识图谱,知识图谱包括多个节点,每个节点记录了与目标慢性病相关的实体词;任意两个相连接的节点所记录的实体词之间具有关联关系。其中,与目标慢性病相关的实体词可以是发病年龄、体重、病情等级、用户行为、发病症状、治疗方案等等实体词;该目标慢性病的知识图谱可以如图3所示,在该知识图谱中每个节点均记录了与目标慢性病的实体词,例如,实体词“晚睡”、实体词“等级1”等等,任意两个相连接的节点所记录的实体词(如实体词“晚睡”和实体词“等级1”)之间具有关联关系,可以理解为:患有目标慢性病处于等级1时一般是由于晚睡造成。又例如,任意两个相连接的节点所记录的实体词(如实体词“等级1”和“治疗方案1”)之间具有关联关系,可以理解为在目标慢性病的疾病等级为等级1时,可以采用治疗方案1进行治疗。
在具体实现中,治疗方案推荐设备可以从专门存储数据的存储设备中获取关于目标慢性病的知识图谱,或者治疗方案推荐设备还可以从本地存储空间(自身的存储器)中获取关于目标慢性病的知识图谱,或者,治疗方案推荐设备还可以从区块链中获取关于目标慢性病的知识图谱。其中,治疗方案推荐设备可以从专门存储数据的存储设备中获取关于目标慢性病的知识图谱的具体实现方式可以是:存储设备中存储有多个慢性病的知识图谱,治疗方案推荐设备可以向存储设备中发送数据获取请求,该数据获取请求中携带有目标慢性病的疾病标识,存储设备在接收到数据获取请求后,可以从多个知识图谱中获取与目标慢性病的疾病标识相匹配的知识图谱。治疗方案推荐设备从区块链中获取关于目标慢性病的知识图谱的具体实现方式可以是:治疗方案推荐设备可以向区块链发送知识图谱查询请求,该知识图谱查询请求携带有治疗方案设备的设备信息、目标慢性病的疾病标识,区块链在接收到知识图谱查询请求后,对设备信息进行合法性验证,并在对设备信息进行合法性通过后,根据目标慢性病的疾病标识从区块链节点中查询目标慢性病的知识图谱,并向治疗方案推荐***返回目标慢性病的知识图谱。
在一个实施例中,在执行步骤S202之前,可以预先生成目标慢性病的知识图谱,具体的,治疗方案推荐设备可以获取关于目标慢性病的历史浏览信息。其中,历史浏览信息可以是一个用户在各种数据平台中浏览过的目标慢性病的信息构成的,该历史浏览信息还可以是获取的多个用户在相同数据平台中浏览的关于目标慢性病的信息,该历史浏览信息还可以是获取的多个用户在不同数据平台中浏览的关于目标慢性病的信息构成,例如,用户1从数据平台1中浏览了关于目标慢性病的信息1,用户2从数据平台2中浏览了关于目标慢性的信息2,可以将信息1和信息2作为历史浏览信息。可选地,历史浏览信息可以是目标慢性病的文章、杂志、新闻信息等等。
在获取到关于所述目标慢性病的历史浏览信息之后,治疗方案推荐设备对目标慢性病的历史浏览信息进行实体词抽取,得到一个或多个实体词;并确定一个或多个实体词之间的参考关联关系;以每个实体词作为节点,根据参考关联关系构建关于目标慢性病的知识图谱,在构建完成目标慢性病的知识图谱之后,可以将目标慢性病的知识图谱存储在专用于数据存储的存储设备中,或者将目标慢性病的知识图谱保存到本地存储空间,或者将目标慢性病的知识图谱保存到区块链中。其中,对目标慢性病的历史浏览信息进行实体词抽取,得到一个或多个实体词的具体实现方式可以是:调用命名实体识别模型中的编码模块对历史浏览信息进行字符级处理,得到历史浏览信息中每个字符对应的字符向量;调用命名实体识别模型中的解码模块对每个字符对应的字符向量进行解码,得到每个字符对应的字符类别;并根据每个字符对应的字符类别,以及字符组合方式对历史浏览信息中的字符进行组合,得到一个或多个实体词。其中,命名实体识别模型中的编码模块可以是BERT模块(Bidirectional Encoder Representation from Transformers,一种基于双向变换器的大规模预训练语言),解码模块可以包括BiSLTM(Bi-directional Long Short-TermMemory,双向长短期记忆网络)模块、隐层和CRF(Sequence Labeling Algorithm,序列化标注算法)模块。字符类别为以下一种:非实体类(可用“0”)、实体首部类“B”和实体非首部类“I”。
根据每个字符对应的字符类别,以及字符组合方式对历史浏览信息中的字符进行组合,得到一个或多个实体词可以是:将任一实体首部类对应的字符作为基准字符;在历史浏览信息中基于基准字符,往后获取基准字符的至少一个关联字符,其中,该基准字符的至少一个关联字符满足如下条件:至少一个关联字符和基准字符可构成连续字符串,且任一关联字符的字符类别均为实体非首部类;将基准字符和至少一个关联字符组合得到的字符串作为一个实体词。举例来说,例如,历史浏览信息为“高血压的治疗方案”,计算机设备调用命名实体模型对“高血压的治疗方案”进行字符级别的类别预测,最终输出“高”的字符类别为B;“血”的字符类别为I;“压”的字符类别为I;“的”的字符类别为O;“治”的字符类别为B,“疗”的字符类别为I;“方”的字符类别为I,“案”的字符类别为I;计算机设备按照上述组合方式从字符类别为B对应的字符(即字符“高”)开始,往后获取字符类别为I对应的字符,此时发现字符“血”的字符类别为I和“压”的字符类别为I,即计算机设备将字符“高”、字符“血”与字符“压”组合成一个实体词,同理,可按照该组合方式继续组合,最终历史浏览信息中两个实体词,即“高血压”和“治疗方案”。
在一个实施例中,由于在历史浏览信息中可能存在重复的实体词,因此需要进行去重处理。治疗方案推荐设备可以根据每个字符的字符类别,以及字符组合方式对历史浏览信息中的字符进行组合,得到一个或多个实体词的具体实现方式可以是:治疗方案推荐设备根据每个字符的字符类别,以及字符组合方式对历史浏览信息中的字符进行组合,得到一个或者多个初始实体词;然后将一个或者多个初始实体词进行去重处理,得到一个或多个实体词。
S203、基于知识图谱所指示的关联关系和诊断信息,从知识图谱中获取目标慢性病的第一治疗方案。其中,第一治疗方案可以包括以下至少一种:饮食治疗方案、运动治疗方案、药物治疗方案等等。饮食治疗方案可以包括针对目标慢性病可以吃哪些食物;运动治疗方案可以包括指针对目标慢性病可以运动多长、运动哪些项目等等;药物信息可以包括针对目标慢性病可以吃哪些药、如何服药等等。
在具体实现时,治疗方案推荐设备可以对诊断信息进行实体词提取,得到诊断信息包括一个或多个目标实体词,然后确定一个或多个目标实体词在知识图谱中的节点位置,基于该节点位置和知识图谱所指示的关联关系中从知识图谱中查询目标慢性病的第一治疗方案。例如,治疗方案推荐设备对诊断信息进行实体词提取,得到诊断信息包括的两个目标实体词为“等级1”和“晚睡”,然后治疗方案推荐设备可以确定“等级1”“、晚睡”在知识图谱中的节点位置,然后根据节点位置和知识图谱所指示的关联关系中从知识图谱中查询目标慢性病的第一治疗方案,即第一治疗方案为治疗方案1。
在一个实施例中,治疗方案推荐设备可以对诊断信息进行实体词提取,得到诊断信息包括一个或多个目标实体词的具体实现方式可以是:采用命名实体识别模型中的编码模块对诊断信息进行字符级处理,得到诊断信息中每个字符对应的字符向量;并调用命名实体识别模型中的解码模块对每个字符对应的字符向量进行解码,得到每个字符对应的字符类别;根据每个字符对应的字符类别,以及字符组合方式对诊断信息中的字符进行组合,得到一个或多个实体词。该字符组合方式可以是将任一实体首部类对应的字符作为基准字符;在历史浏览信息中基于基准字符,往后获取基准字符的至少一个关联字符,其中,基准字符的至少一个关联字符满足如下条件:至少一个关联字符和基准字符可构成连续字符串,且任一关联字符的字符类别均为实体非首部类;将基准字符和至少一个关联字符组合得到的字符串作为一个实体词。举例来说,诊断信息为“经常晚睡”;治疗方案推荐设备调用命名实体识别模型中编码模块和解码模块对诊断信息进行实体词提取,得到字符“经”的字符类别为非实体类,字符“常”的字符类别为非实体类,字符“晚”的字符类别为实体首部类,字符“睡”的字符类别为实体非首部类;然后治疗方案推荐设备可以将字符“晚”作为基准字符,往后获取基准字符的关联字符“睡”,然后将基准字符“晚”和关联字符“睡”组合得到实体词“晚睡”。
S204、调用决策树模型对诊断信息进行决策处理,得到目标慢性病的第二治疗方案;并从第一治疗方案和第二治疗方案中确定目标用户的目标治疗方案。
其中,决策树模型可以如图4所示,决策树模型包括一个根节点、多个中间节点以及多个叶子节点,根节点和中间节点均对应一个目标慢性病的慢性病特征,诊断信息可以包括多个慢性病特征。例如,目标慢性病为高血压,诊断信息中包括的多个慢性病特征可以为:血压140、肥胖等等。
在具体实现中,治疗方案推荐设备可以根据决策树模型的根节点和中间节点对诊断信息包括的多个慢性病特征进行决策处理,得到目标慢性病的第二治疗方案,例如,以如图4所示的决策树模型为例;诊断信息中包括目标用户肥胖和血压“140-159”,治疗方案推荐设备可以根据根节点“是否肥胖”和中间节点为“血压”对诊断信息中包括目标用户肥胖和血压“140-159”进行决策处理,得到目标用户的第一治疗方案为方案1。然后从步骤S203得到的第一治疗方案和第二治疗方案中确定一个治疗方案作为目标用户的目标治疗方案。
在一个实施例中,在调用决策树模型之前,可以采用递归的方式构建目标慢性病的决策树模型。在构建目标慢性病的决策树模型时,由于信息增益越大,则表示使用特征对数据集划分所获得的“纯度提升”越大。所以信息增益可以用于决策树划分特征的选择,其实就是选择信息增益最大的特征,因此本申请实施例可以利用信息增益来选择目标慢性病的慢性病特征作为根节点、中间节点、叶子节点等等,以此构成目标慢性病的决策树模型。在具体实现中,治疗方案推荐设备可以获取训练样本集,该训练样本集包括多个样本诊断信息,以及每个样本诊断信息对应的治疗方案标签,从所述多个样本诊断信息中提取目标慢性病的多个慢性病特征(可称为第一慢性病特征)。每个样本诊断信息包括的多个慢性病特征可以如表1所示。该多个慢性病特征可以构成第一慢性特征集合;
表1
编号 | 是否肥胖 | 是否喝酒 | 血压 | 治疗方案 |
样本诊断信息1 | 是 | 是 | 140-159 | 方案1 |
样本诊断信息2 | 是 | 否 | 160-179 | 方案2 |
样本诊断信息3 | 否 | 否 | 180以上 | 方案3 |
样本诊断信息4 | 否 | 否 | 180以上 | 方案2 |
然后治疗方案推荐设备可以根据多个样本诊断信息计算多个样本诊断信息的总信息熵;并针对多个慢性病特征中的目标慢性病特征,确定目标慢性病特征下的多个目标慢性病子特征,然后根据多个样本诊断信息计算每个目标慢性病子特征的信息熵;根据每个目标慢性病子特征的信息熵和多个样本诊断信息的总信息熵计算得到目标慢性病特征的信息增益;需要说明的是,多个慢性病特征中每个慢性病特征的信息增益均可参见计算目标慢性病特征的信息增益的具体实现方式,在此不再赘述;当多个慢性病特征中每个慢性病特征均得到相应的信息增益之后,治疗方案推荐设备可以基于每个慢性病特征的信息增益和每个样本诊断信息对应的治疗方案标签构建决策树模型。其中,治疗方案推荐设备可以将信息增益最大的慢性病特征作为根节点的节点特征,然后根据根节点的节点特征将训练样本集进行划分,得到一个或多个训练样本子集(例如根节点为“是否肥胖”,将4个训练样本划分为“肥胖”“非肥胖”,即“肥胖”有两个样本诊断信息,分别为样本诊断信息1和样本诊断信息2,“非肥胖”有两个样本诊断信息,分别为样本诊断信息3和样本诊断信息4)。然后针对一个或多个训练样本子集中的目标训练样本子集,治疗方案推荐设备从目标训练样本子集包括的一个或多个样本诊断信息中提取除上述信息增益最大的慢性病特征之外的其余慢性病特征,并将其余慢性病特征构成第二慢性病特征集合,然后治疗方案推荐设备可以计算目标训练样本子集的总信息熵,其中,计算目标训练样本子集的总信息熵的具体实现方式可以参见上述训练样本集的总信息熵的具体实现方式,在此不再赘述。
然后治疗方案推荐设备确定第二慢性病特征集合中每个慢性病特征(可称为第二慢性病特征)下的多个慢性病子特征(即每个第二慢性病特征下的多个慢性病子特征),针对第二慢性病特征集合中的目标第二慢性病特征,计算目标第二慢性病特征下的每个慢性病子特征的信息熵,然后根据目标第二慢性病特征下的每个慢性病子特征的信息熵和目标训练样本子集的总信息熵计算目标第二慢性特征病的信息增益,同理,可以计算得到第二慢性病特征集合中每个第二慢性病特征的信息增益。其中,根据目标第二慢性病特征下的每个慢性病子特征的信息熵和目标训练样本子集的总信息熵计算目标第二慢性特征病的信息增益的具体实现方式可以参见上述目标慢性病特征的信息增益的具体实现方式,在此不再赘述。在得到每个第二慢性病特征的信息增益之后,可以从第二慢性病特征集合中将增益最大的第二慢性病特征作为决策树模型的中间节点的节点特征,然后基于该中间节点的第二慢性病特征继续对多个样本诊断信息进行划分,得到新的训练样本子集,并按照上述从目标训练样本子集中确定决策树模型的中间节点的节点特征方式继续从新的训练样本子集中确定决策树模型的中间节点的节点特征,直到所有慢性病特征均作为决策树模型的节点时,将当前构成的树确定为决策树模型。
在一个实施例中,治疗方案推荐设备可以根据多个样本诊断信息计算多个样本诊断信息的总信息熵的具体实现方式可以是:治疗方案推荐设备可以根据每个样本诊断信息对应的治疗方案标签确定每个治疗方案种类对应的样本诊断信息数量所占总样本诊断信息数量的比例,然后根据每个治疗方案种类对应的样本诊断信息数量所占总样本诊断信息数量的比例计算得到多个样本诊断信息的总信息熵。总信息熵的计算公式为:
其中,Ent(D)表示总信息熵,D表示训练样本集;n为方案种类数量,pk表示第K个方案种类对应的样本诊断信息所占的比例。
举例来说,如上述表1所示,根据4个样本诊断信息对应的治疗方案标签可以确定治疗方案种类数量为3,分别方案1、方案2和方案3,其中,方案1对应的样本诊断信息的数量为1,占总样本诊断信息的比例为1/4,方案2对应的样本诊断信息的数量为2,占总样本诊断信息的比例为2/4,方案3对应的样本诊断信息的数量为1,占总样本诊断信息的比例为1/4,然后治疗方案推荐设备可以按照上述总信息熵的计算公式计算得到4个样本诊断信息的总信息熵,即只能总信息熵为:
治疗方案推荐设备计算每个目标慢性病子特征的信息熵的具体实现方式为:确定每个目标慢性病子特征对应的样本诊断信息的样本总数量,并根据每个样本诊断信息对应的治疗方案标签可以确定每个目标慢性病子特征下存在的一个或多个方案种类,然后针对一个或多个方案种类中的目标方案种类,统计目标方案种类对应的样本诊断信息的数量,并计算目标方案种类对应的样本诊断信息的数量占上述样本总数量的数量比值,然后基于每个方案种类对应的数量比值计算得到目标慢性病子特征的信息熵。目标慢性病子特征的信息熵的计算公式为:其中,H(i)表示目标慢性病特征中的第i个目标慢性病子特征的信息熵;N表示方案种类数量,ck表示第k个方案种类对应的样本诊断信息的数量所占样本总数量的数量比例。
举例来说,慢性病特征是“血压”,然后治疗方案推荐设备可以确定“血压”下的多个慢性病子特征为“140-159”“160-179”“180以上”,然后确定慢性病子特征为“140-159”对应的样本诊断信息的样本总数量为5,其中,根据样本诊断信息对应治疗方案标签确定慢性病子特征为“140-159”下存在的方案种类有3种,分别为方案1、方案2和方案3,在这5个样本诊断信息中包括方案1的对应的样本诊断信息有2个,方案1对应的样本诊断信息的数量占这5个样本诊断信息的样本总数量的数量比值为2/5;同理,方案2对应的样本诊断信息有1个,方案2对应的样本诊断信息的数量占这5个样本诊断信息的样本总数量的数量比值为1/5,方案3对应的样本诊断信息有2个,方案3对应的样本诊断信息的数量占这5个样本诊断信息的样本总数量的数量比值为2/5,然后根据按照上述目标慢性病子特征的信息熵的计算公式可以计算得到慢性病子特征“140-159”的信息熵。即慢性病子特征“140-159”的信息熵为:
在得到每个目标慢性病子特征的信息熵以及多个样本诊断信息的总信息熵之后,治疗方案推荐设备可以利用每个目标慢性病子特征的信息熵以及多个样本诊断信息的总信息熵计算得到目标慢性病特征的信息增益,该信息增益的计算公式为:
其中,G(Di)表示第i个慢性病特征的信息增益,Ent(D)表示多个慢性病特征的总信息熵;H表示第i个慢性病特征下的慢性病子特征的数量,wj表示第j个慢性病子特征对应的样本诊断信息的数量与训练样本集包括的样本诊断信息的总数量的比值,例如,慢性病子特征对应的样本诊断信息的数量为5个,训练样本集包括的样本诊断信息的总数量为20,慢性病子特征对应的样本诊断信息的数量与训练样本集包括的样本诊断信息的总数量的比值为5/20;H(Xj)表示第j个慢性病子特征的信息熵。
在一个实施例中,治疗方案推荐设备从第一治疗方案和第二治疗方案中确定目标用户的目标治疗方案的具体实现方式为:分别将第一治疗方案和第二治疗方案进行空间转化,得到第一治疗方案的特征向量,以及第二治疗方案的特征向量;根据第一治疗方案的特征向量和第二治疗方案的特征向量计算第一治疗方案和第二治疗方案之间的余弦相似度;然后判断第一治疗方案和第二治疗方案之间的余弦相似度是否大于或等于相似阈值,若第一治疗方案和所述第二治疗方案之间的余弦相似度大于或者等于相似阈值,则确定第一治疗方案和第二治疗方案相同,并将第一治疗方案或第二治疗方案直接作为目标治疗方案;若第一治疗方案和第二治疗方案的余弦相似度小于相似阈值,说明第一治疗方案和第二治疗方案之间存在较大差异,为了能够为目标用户选择最好的治疗方案,则可以获取第一治疗方案的治疗成功率和第二治疗方案的成功率,并根据第一治疗方案的治疗成功率和第二治疗方案的成功率从第一治疗方案和所述第二治疗方案中确定目标治疗方案。即判断第一治疗方案的成功率是否大于第二治疗方案的成功率,若第一治疗方案的成功率大于第二治疗方案的成功率,则可以选择第一治疗方案作为目标治疗方案,若第一治疗方案的成功率小于等于第二治疗方案的成功率,则可以选择第二治疗方案作为目标治疗方案。其中,此处的成功率可以是指根治目标慢性病的成功率,也可以是减缓目标慢性病的发展的成功率。
在一个实施例中,计算机设备还可以获取第一治疗方案对应第一病情等级,以及第二治疗方案对应的第二病情等级,然后判断第一病情等级是否大于第二病情等级,若第一病情等级大于第二病情等级,则将第一治疗方案确定为目标治疗方案,若第一病情等级小于第二病情等级,则将第二治疗方案确定为目标治疗方案。若第一病情等级等于第二病情等级,则可以计算第一治疗方案和第二治疗方案之间的余弦相似度。然后根据第一治疗方案和第二治疗方案之间的余弦相似度确定目标治疗方案可参见上述相应的实施例部分,在此不再赘述。
S205、向目标用户发送目标治疗方案。
由前述可知,可以是任一用户通过客户端向治疗方案推荐设备发送治疗方案获取请求。当任一用户为目标用户时,则治疗方案推荐设备可以向客户端返回目标治疗方案,当任一用户为除目标用户的其他用户,则治疗方案推荐设备可以通过目标用户所在终端设备发送目标医疗方案。其中,发送目标医疗方案的形式可以是短信、邮件等形式。
在一个实施例中,在向目标用户发送了目标治疗方案后,如果该目标治疗方案中包括目标慢性病对应的药物信息,可以理解为该目标慢性病需要服用药物(如高血压需要服用药物),该药物信息包括药物说明信息,即药物说明信息中有每次服药几颗、一天服用几次等等。治疗方案推荐设备可以根据药物说明信息向目标用户发送第一提醒信息;该第一提醒信息用于提醒目标用户按照药物说明信息在规定时间内服用药物信息对应的药物以及在服用药物信息对应的药物后进行打卡;统计目标用户的打卡次数,并根据打卡次数和药物说明信息确定所述药物信息对应的药物使用量;当药物使用量小于目标阈值时,向目标用户发送第二提醒信息,该第二提醒信息用于提醒目标用户购买药物信息对应的药物。通过设置两次提醒,可以有利于目标用户按时完成药物服用,以促进对目标慢性病的平稳治疗。
在本申请实施例中,接收客户端发送的针对目标慢性病的治疗方案获取请求,治疗方案获取请求携带有目标用户的诊断信息;然后获取关于目标慢性病的知识图谱,知识图谱包括多个节点,每个节点记录了与目标慢性病相关的实体词;任意两个相连接的节点所记录的实体词之间具有关联关系;基于知识图谱所指示的关联关系和诊断信息,从知识图谱中获取目标慢性病的第一治疗方案;调用决策树模型对诊断信息进行决策处理,得到目标慢性病的第二治疗方案;并从第一治疗方案和第二治疗方案中确定目标用户的目标治疗方案;然后向目标用户发送目标治疗方案。通过目标慢性病的知识图谱和决策树模型可以快速查找到属于目标用户的第一治疗方案和第二治疗方案,并从第一治疗方案和第二治疗方案确定合适目标用户的目标治疗方案,提高了获取治疗方案的效率以及获取到的治疗方***性。
基于上述提供的治疗方案推荐方法,本申请实施例还公开了一种治疗方案推荐装置,该治疗方案推荐装置可以是运行于上述所提及的治疗方案推荐设备中的一个计算机程序(包括程序代码)。该治疗方案推荐装置可以执行图2所示的方法。请参见图5,所述治疗方案推荐装置可以运行如下单元:
通信单元501,用于接收客户端发送的针对目标慢性病的治疗方案获取请求,所述治疗方案获取请求携带有目标用户的诊断信息;
处理单元502,用于获取关于所述目标慢性病的知识图谱,所述知识图谱包括多个节点,每个节点记录了与所述目标慢性病相关的实体词;任意两个相连接的节点所记录的实体词之间具有关联关系;
所述处理单元502,还用于基于所述知识图谱所指示的关联关系和所述诊断信息,从所述知识图谱中获取所述目标慢性病的第一治疗方案;
所述处理单元502,还用于调用决策树模型对所述诊断信息进行决策处理,得到所述目标慢性病的第二治疗方案;并从所述第一治疗方案和所述第二治疗方案中确定所述目标用户的目标治疗方案;
所述通信单元501,用于向所述目标用户发送所述目标治疗方案。
在一个实施例中,所述处理单元502还用于:
获取训练样本集,所述训练样本集包括多个样本诊断信息以及每个样本诊断信息对应的治疗方案标签;
从所述多个样本诊断信息中提取所述目标慢性病的多个慢性病特征;
根据所述多个样本诊断信息计算所述多个样本诊断信息的总信息熵;
针对所述多个慢性病特征中的目标慢性病特征,确定所述目标慢性病特征下的多个目标慢性病子特征,并基于所述多个样本诊断信息计算每个目标慢性病子特征的信息熵;
根据所述每个目标慢性病子特征的信息熵和所述多个样本诊断信息的总信息熵计算得到所述目标慢性病特征的信息增益;
基于所述每个慢性病特征的信息增益和所述每个样本诊断信息对应的治疗方案标签构建所述决策树模型。
在一个实施例中,所述处理单元502在从所述第一治疗方案和所述第二治疗方案中确定所述目标用户的目标治疗方案时,可具体用于:
分别将所述第一治疗方案和所述第二治疗方案进行空间转化,得到所述第一治疗方案的特征向量,以及所述第二治疗方案的特征向量;
根据所述第一治疗方案的特征向量和所述第二治疗方案的特征向量计算所述第一治疗方案和所述第二治疗方案之间的余弦相似度;
若所述第一治疗方案和所述第二治疗方案之间的余弦相似度大于或者等于相似阈值,则确定所述第一治疗方案和所述第二治疗方案相同,并将所述第一治疗方案或第二治疗方案直接作为目标治疗方案;
若所述第一治疗方案和所述第二治疗方案的余弦相似度小于相似阈值,则获取所述第一治疗方案的治疗成功率和所述第二治疗方案的成功率,并根据所述第一治疗方案的治疗成功率和所述第二治疗方案的成功率从所述第一治疗方案和所述第二治疗方案中确定目标治疗方案。
在一个实施例中,所述处理单元502还用于:
获取关于所述目标慢性病的历史浏览信息;
对所述目标慢性病的历史浏览信息进行实体词抽取,得到一个或多个实体词;
确定所述一个或多个实体词之间的参考关联关系;
以每个实体词作为节点,根据所述参考关联关系构建关于所述目标慢性病的知识图谱。
在一个实施例中,所述处理单元502在对所述目标慢性病的历史浏览信息进行实体词抽取,得到一个或多个实体词时,可具体用于:
调用命名实体识别模型中的编码模块对所述历史浏览信息进行字符级处理,得到所述历史浏览信息中每个字符对应的字符向量;
调用所述命名实体识别模型中的解码模块对所述每个字符对应的字符向量进行解码,得到所述每个字符对应的字符类别;
根据所述每个字符对应的字符类别,以及字符组合方式对所述历史浏览信息中的字符进行组合,得到一个或多个实体词。
在一个实施例中,所述每个字符对应的字符类别包括以下任一种:非实体类、实体首部类和实体非首部类;所述处理单元502在根据所述每个字符对应的字符类别,以及字符组合方式对所述历史浏览信息中的字符进行组合,得到一个或多个实体词时,可具体用于:
将任一实体首部类对应的字符作为基准字符;
在所述历史浏览信息中基于所述基准字符,往后获取所述基准字符的至少一个关联字符,其中,所述基准字符的至少一个关联字符满足如下条件:至少一个关联字符和所述基准字符可构成连续字符串,且任一关联字符的字符类别均为实体非首部类;
将所述基准字符和所述至少一个关联字符组合得到的字符串作为一个实体词。
在一个实施例中,所述目标治疗方案包括目标慢性病对应的药物信息,所述药物信息包括药物说明信息,所述处理单元在向所述目标用户发送目标治疗方案之后,还用于:
根据所述药物说明信息向所述目标用户发送第一提醒信息;所述第一提醒信息用于提醒所述目标用户按照所述药物说明信息在规定时间内服用所述药物信息对应的药物以及在服用所述药物信息对应的药物后进行打卡;
统计所述目标用户的打卡次数,并根据所述打卡次数和所述药物说明信息确定所述药物信息对应的药物使用量;
当所述药物使用量小于目标阈值时,向所述目标用户发送第二提醒信息,所述第二提醒信息用于提醒所述目标用户购买所述药物信息对应的药物。
可以理解的是,本实施例的治疗方案推荐装置的各功能模块可根据上述方法实施例图2中的方法具体实现,其具体实现过程可以参照上述方法实施例图2的相关描述,此处不再赘述。
进一步地,请参见图6,图6是本申请实施例提供的一种计算机设备的结构示意图。上述图2对应实施例中的治疗方案设备可以为图6所示的计算机设备。如图6所示,计算机设备可以包括:处理器601、输入设备602,输出设备603和存储器604。上述处理器601、输入设备602、输出设备603和存储器604通过总线605连接。存储器604用于存储计算机程序,所述计算机程序包括程序指令,处理器601用于执行存储器604存储的程序指令。
在本申请实施例中,处理器601通过运行存储器604中的可执行程序代码,执行如下操作:
接收客户端发送的针对目标慢性病的治疗方案获取请求,所述治疗方案获取请求携带有目标用户的诊断信息;
获取关于所述目标慢性病的知识图谱,所述知识图谱包括多个节点,每个节点记录了与所述目标慢性病相关的实体词;任意两个相连接的节点所记录的实体词之间具有关联关系;
基于所述知识图谱所指示的关联关系和所述诊断信息,从所述知识图谱中获取所述目标慢性病的第一治疗方案;
调用决策树模型对所述诊断信息进行决策处理,得到所述目标慢性病的第二治疗方案;并从所述第一治疗方案和所述第二治疗方案中确定所述目标用户的目标治疗方案;
向所述目标用户发送所述目标治疗方案。
在一个实施例中,所述处理器601,还用于:
获取训练样本集,所述训练样本集包括多个样本诊断信息以及每个样本诊断信息对应的治疗方案标签;
从所述多个样本诊断信息中提取所述目标慢性病的多个慢性病特征;
根据所述多个样本诊断信息计算所述多个样本诊断信息的总信息熵;
针对所述多个慢性病特征中的目标慢性病特征,确定所述目标慢性病特征下的多个目标慢性病子特征,并基于所述多个样本诊断信息计算每个目标慢性病子特征的信息熵;
根据所述每个目标慢性病子特征的信息熵和所述多个样本诊断信息的总信息熵计算得到所述目标慢性病特征的信息增益;
基于所述每个慢性病特征的信息增益和所述每个样本诊断信息对应的治疗方案标签构建所述决策树模型。
在一个实施例中,所述处理器601在从所述第一治疗方案和所述第二治疗方案中确定所述目标用户的目标治疗方案时,可具体用于:
分别将所述第一治疗方案和所述第二治疗方案进行空间转化,得到所述第一治疗方案的特征向量,以及所述第二治疗方案的特征向量;
根据所述第一治疗方案的特征向量和所述第二治疗方案的特征向量计算所述第一治疗方案和所述第二治疗方案之间的余弦相似度;
若所述第一治疗方案和所述第二治疗方案之间的余弦相似度大于或者等于相似阈值,则确定所述第一治疗方案和所述第二治疗方案相同,并将所述第一治疗方案或第二治疗方案直接作为目标治疗方案;
若所述第一治疗方案和所述第二治疗方案的余弦相似度小于相似阈值,则获取所述第一治疗方案的治疗成功率和所述第二治疗方案的成功率,并根据所述第一治疗方案的治疗成功率和所述第二治疗方案的成功率从所述第一治疗方案和所述第二治疗方案中确定目标治疗方案。
在一个实施例中,所述处理器601,还用于:
获取关于所述目标慢性病的历史浏览信息;
对所述目标慢性病的历史浏览信息进行实体词抽取,得到一个或多个实体词;
确定所述一个或多个实体词之间的参考关联关系;
以每个实体词作为节点,根据所述参考关联关系构建关于所述目标慢性病的知识图谱。
在一个实施例中,所述处理器601在对所述目标慢性病的历史浏览信息进行实体词抽取,得到一个或多个实体词时,可具体用于:
调用命名实体识别模型中的编码模块对所述历史浏览信息进行字符级处理,得到所述历史浏览信息中每个字符对应的字符向量;
调用所述命名实体识别模型中的解码模块对所述每个字符对应的字符向量进行解码,得到所述每个字符对应的字符类别;
根据所述每个字符对应的字符类别,以及字符组合方式对所述历史浏览信息中的字符进行组合,得到多个实体词。
在一个实施例中,所述每个字符对应的字符类别包括以下任一种:非实体类、实体首部类和实体非首部类;所述处理器601在根据所述每个字符对应的字符类别,以及字符组合方式对所述历史浏览信息中的字符进行组合,得到一个或多个实体词时,可具体用于:
将任一实体首部类对应的字符作为基准字符;
在所述历史浏览信息中基于所述基准字符,往后获取所述基准字符的至少一个关联字符,其中,所述基准字符的至少一个关联字符满足如下条件:至少一个关联字符和所述基准字符可构成连续字符串,且任一关联字符的字符类别均为实体非首部类;
将所述基准字符和所述至少一个关联字符组合得到的字符串作为一个实体词。
在一个实施例中,所述目标治疗方案包括目标慢性病对应的药物信息,所述药物信息包括药物说明信息,所述处理器601在向所述目标用户发送目标治疗方案之后,还用于:
根据所述药物说明信息向所述目标用户发送第一提醒信息;所述第一提醒信息用于提醒所述目标用户按照所述药物说明信息在规定时间内服用所述药物信息对应的药物以及在服用所述药物信息对应的药物后进行打卡;
统计所述目标用户的打卡次数,并根据所述打卡次数和所述药物说明信息确定所述药物信息对应的药物使用量;
当所述药物使用量小于目标阈值时,向所述目标用户发送第二提醒信息,所述第二提醒信息用于提醒所述目标用户购买所述药物信息对应的药物。
应当理解,在本申请实施例中,所称处理器601可以是中央处理单元(CentralProcessing Unit,CPU),该处理器601还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
该存储器604可以包括只读存储器和随机存取存储器,并向处理器601提供指令和数据。存储器604的一部分还可以包括非易失性随机存取存储器。
该输入设备602可以包括键盘等,并向处理器601输入数据获取请求;该输出设备603可以包括显示器等。
具体实现中,本申请实施例中所描述的处理器601、输入设备602、输出设备603和存储器604可执行上述所有实施例中描述的实现方式,也可执行上述装置中所描述的实现方式,在此不再赘述。
本申请实施例中提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序包括程序指令,所述程序指令被处理器执行时,可执行上述所有实施例中所执行的步骤。
本申请实施例还提供一种计算机程序产品或计算机程序,计算机程序产品或计算机程序包括计算机指令,计算机指令存储在计算机可读存储介质中,计算机指令被计算机设备的处理器执行时,执行上述所有实施例中的方法。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(Random AccessMemory,RAM)等。需要强调的是,为进一步保证上述数据的私密和安全性,上述所涉及的目标慢性病的知识图谱还可以存储于一区块链的节点中。其中,本申请所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
以上所揭露的仅为本申请一种较佳实施例而已,当然不能以此来限定本申请之权利范围,本领域普通技术人员可以理解实现上述实施例的全部或部分流程,并依本申请权利要求所作的等同变化,仍属于发明所涵盖的范围。
Claims (10)
1.一种治疗方案推荐***,其特征在于,所述***包括:客户端、治疗方案推荐设备和存储设备,其中,所述存储设备存储有目标慢性病的知识图谱,所述知识图谱包括多个节点,每个节点记录了与所述目标慢性病相关的实体词;任意两个相连接的节点所记录的实体词之间具有关联关系;
所述治疗方案推荐设备,用于接收所述客户端发送的针对目标慢性病的治疗方案获取请求,所述治疗方案获取请求携带有目标用户的诊断信息;
所述治疗方案推荐设备,还用于从所述存储设备获取关于所述目标慢性病的知识图谱;基于所述知识图谱所指示的关联关系和所述诊断信息,从所述知识图谱中获取所述目标慢性病的第一治疗方案;调用决策树模型对所述诊断信息进行治疗方案决策处理,得到所述目标慢性病的第二治疗方案;从所述第一治疗方案和所述第二治疗方案中确定所述目标用户的目标治疗方案;向所述目标用户发送所述目标治疗方案。
2.根据权利要求1所述的***,其特征在于,所述治疗方案推荐设备,还用于:
获取训练样本集,所述训练样本集包括多个样本诊断信息以及每个样本诊断信息对应的治疗方案标签;
从所述多个样本诊断信息中提取所述目标慢性病的多个慢性病特征;
根据所述多个样本诊断信息计算所述多个样本诊断信息的总信息熵;
针对所述多个慢性病特征中的目标慢性病特征,确定所述目标慢性病特征下的多个目标慢性病子特征,并基于所述多个样本诊断信息计算每个目标慢性病子特征的信息熵;
根据所述每个目标慢性病子特征的信息熵和所述多个样本诊断信息的总信息熵计算得到所述目标慢性病特征的信息增益;
基于所述每个慢性病特征的信息增益和所述每个样本诊断信息对应的治疗方案标签构建所述决策树模型。
3.根据权利要求2所述的***,其特征在于,所述治疗方案推荐设备从所述第一治疗方案和所述第二治疗方案中确定所述目标用户的目标治疗方案,具体用于:
分别将所述第一治疗方案和所述第二治疗方案进行空间转化,得到所述第一治疗方案的特征向量,以及所述第二治疗方案的特征向量;
根据所述第一治疗方案的特征向量和所述第二治疗方案的特征向量计算所述第一治疗方案和所述第二治疗方案之间的余弦相似度;
若所述第一治疗方案和所述第二治疗方案之间的余弦相似度大于或者等于相似阈值,则确定所述第一治疗方案和所述第二治疗方案相同,并将所述第一治疗方案或第二治疗方案直接作为目标治疗方案;
若所述第一治疗方案和所述第二治疗方案的余弦相似度小于相似阈值,则获取所述第一治疗方案的治疗成功率和所述第二治疗方案的成功率,并根据所述第一治疗方案的治疗成功率和所述第二治疗方案的成功率从所述第一治疗方案和所述第二治疗方案中确定目标治疗方案。
4.根据权利要求1所述的***,其特征在于,所述治疗方案推荐设备,还用于:
获取关于所述目标慢性病的历史浏览信息;
对所述目标慢性病的历史浏览信息进行实体词抽取,得到一个或多个实体词;
确定所述一个或多个实体词之间的参考关联关系;
以每个实体词作为节点,根据所述参考关联关系构建关于所述目标慢性病的知识图谱。
5.根据权利要求4所述的***,其特征在于,所述治疗方案推荐设备对所述目标慢性病的历史浏览信息进行实体词抽取,得到一个或多个实体词,具体用于:
调用命名实体识别模型中的编码模块对所述历史浏览信息进行字符级处理,得到所述历史浏览信息中每个字符对应的字符向量;
调用所述命名实体识别模型中的解码模块对所述每个字符对应的字符向量进行解码,得到所述每个字符对应的字符类别;
根据所述每个字符对应的字符类别,以及字符组合方式对所述历史浏览信息中的字符进行组合,得到一个或多个实体词。
6.根据权利要求5所述的***,其特征在于,所述每个字符对应的字符类别包括以下任一种:非实体类、实体首部类和实体非首部类;所述治疗方案推荐设备根据所述每个字符对应的字符类别,以及字符组合方式对所述历史浏览信息中的字符进行组合,得到一个或多个实体词,具体用于:
将任一实体首部类对应的字符作为基准字符;
在所述历史浏览信息中基于所述基准字符,往后获取所述基准字符的至少一个关联字符,其中,所述基准字符的至少一个关联字符满足如下条件:至少一个关联字符和所述基准字符可构成连续字符串,且任一关联字符的字符类别均为实体非首部类;
将所述基准字符和所述至少一个关联字符组合得到的字符串作为一个实体词。
7.根据权利要求1所述的***,其特征在于,所述目标治疗方案包括目标慢性病对应的药物信息,所述药物信息包括药物说明信息,所述治疗方案推荐设备向所述目标用户发送目标治疗方案之后,还用于:
根据所述药物说明信息向所述目标用户发送第一提醒信息;所述第一提醒信息用于提醒所述目标用户按照所述药物说明信息在规定时间内服用所述药物信息对应的药物以及在服用所述药物信息对应的药物后进行打卡;
统计所述目标用户的打卡次数,并根据所述打卡次数和所述药物说明信息确定所述药物信息对应的药物使用量;
当所述药物使用量小于目标阈值时,向所述目标用户发送第二提醒信息,所述第二提醒信息用于提醒所述目标用户购买所述药物信息对应的药物。
8.一种治疗方案推荐方法,其特征在于,包括:
接收客户端发送的针对目标慢性病的治疗方案获取请求,所述治疗方案获取请求携带有目标用户的诊断信息;
获取关于所述目标慢性病的知识图谱,所述知识图谱包括多个节点,每个节点记录了与所述目标慢性病相关的实体词;任意两个相连接的节点所记录的实体词之间具有关联关系;
基于所述知识图谱所指示的关联关系和所述诊断信息,从所述知识图谱中获取所述目标慢性病的第一治疗方案;
调用决策树模型对所述诊断信息进行决策处理,得到所述目标慢性病的第二治疗方案;并从所述第一治疗方案和所述第二治疗方案中确定所述目标用户的目标治疗方案;
向所述目标用户发送所述目标治疗方案。
9.一种治疗方案推荐装置,其特征在于,包括:
通信单元,用于接收客户端发送的针对目标慢性病的治疗方案获取请求,所述治疗方案获取请求携带有目标用户的诊断信息;
处理单元,用于获取关于所述目标慢性病的知识图谱,所述知识图谱包括多个节点,每个节点记录了与所述目标慢性病相关的实体词;任意两个相连接的节点所记录的实体词之间具有关联关系;
所述处理单元,还用于基于所述知识图谱所指示的关联关系和所述诊断信息,从所述知识图谱中获取所述目标慢性病的第一治疗方案;
所述处理单元,还用于调用决策树模型对所述诊断信息进行决策处理,得到所述目标慢性病的第二治疗方案;并从所述第一治疗方案和所述第二治疗方案中确定所述目标用户的目标治疗方案;
所述通信单元,用于向所述目标用户发送所述目标治疗方案。
10.一种计算机存储介质,其特征在于,所述计算机存储介质存储有计算机程序,所述计算机程序包括程序指令,所述程序指令被处理器执行时,执行权利要求8所述的治疗方案推荐方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111277916.8A CN114005509B (zh) | 2021-10-30 | 2021-10-30 | 一种治疗方案推荐***、方法、装置和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111277916.8A CN114005509B (zh) | 2021-10-30 | 2021-10-30 | 一种治疗方案推荐***、方法、装置和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114005509A true CN114005509A (zh) | 2022-02-01 |
CN114005509B CN114005509B (zh) | 2024-06-18 |
Family
ID=79925930
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111277916.8A Active CN114005509B (zh) | 2021-10-30 | 2021-10-30 | 一种治疗方案推荐***、方法、装置和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114005509B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116013454A (zh) * | 2022-12-30 | 2023-04-25 | 安徽医科大学第一附属医院 | 负压创伤治疗装置及目标负压治疗参数规划方法 |
CN116013511A (zh) * | 2023-03-24 | 2023-04-25 | 吉林大学 | 基于知识图谱的糖尿病干预智能推荐方法及*** |
CN116777307A (zh) * | 2023-08-21 | 2023-09-19 | 河北省儿童医院(河北省第五人民医院、河北省儿科研究所) | 一种基于大数据的医院医生综合分析评价方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200051692A1 (en) * | 2018-08-07 | 2020-02-13 | International Business Machines Corporation | Providing medical treatment using optimized symptom-centric decision trees based on disease-centric knowledge graphs |
CN112102937A (zh) * | 2020-11-13 | 2020-12-18 | 之江实验室 | 一种慢性病辅助决策的患者数据可视化方法及*** |
CN112242187A (zh) * | 2020-10-26 | 2021-01-19 | 平安科技(深圳)有限公司 | 基于知识图谱表征学习的医疗方案推荐***及方法 |
CN113539409A (zh) * | 2021-07-28 | 2021-10-22 | 平安科技(深圳)有限公司 | 治疗方案推荐方法、装置、设备及存储介质 |
-
2021
- 2021-10-30 CN CN202111277916.8A patent/CN114005509B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200051692A1 (en) * | 2018-08-07 | 2020-02-13 | International Business Machines Corporation | Providing medical treatment using optimized symptom-centric decision trees based on disease-centric knowledge graphs |
CN112242187A (zh) * | 2020-10-26 | 2021-01-19 | 平安科技(深圳)有限公司 | 基于知识图谱表征学习的医疗方案推荐***及方法 |
WO2021189971A1 (zh) * | 2020-10-26 | 2021-09-30 | 平安科技(深圳)有限公司 | 基于知识图谱表征学习的医疗方案推荐***及方法 |
CN112102937A (zh) * | 2020-11-13 | 2020-12-18 | 之江实验室 | 一种慢性病辅助决策的患者数据可视化方法及*** |
CN113539409A (zh) * | 2021-07-28 | 2021-10-22 | 平安科技(深圳)有限公司 | 治疗方案推荐方法、装置、设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
张利萍;邢凯;周慧;芮伟康;丁玲;: "基于病情自述和知识图谱的疾病辅助诊断", 计算机应用与软件, no. 02, 15 February 2018 (2018-02-15), pages 168 - 173 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116013454A (zh) * | 2022-12-30 | 2023-04-25 | 安徽医科大学第一附属医院 | 负压创伤治疗装置及目标负压治疗参数规划方法 |
CN116013454B (zh) * | 2022-12-30 | 2023-09-22 | 安徽医科大学第一附属医院 | 负压创伤治疗装置及目标负压治疗参数规划方法 |
CN116013511A (zh) * | 2023-03-24 | 2023-04-25 | 吉林大学 | 基于知识图谱的糖尿病干预智能推荐方法及*** |
CN116013511B (zh) * | 2023-03-24 | 2023-06-20 | 吉林大学 | 基于知识图谱的糖尿病干预智能推荐方法及*** |
CN116777307A (zh) * | 2023-08-21 | 2023-09-19 | 河北省儿童医院(河北省第五人民医院、河北省儿科研究所) | 一种基于大数据的医院医生综合分析评价方法 |
CN116777307B (zh) * | 2023-08-21 | 2023-11-07 | 河北省儿童医院(河北省第五人民医院、河北省儿科研究所) | 一种基于大数据的医院医生综合分析评价方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114005509B (zh) | 2024-06-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109670179B (zh) | 基于迭代膨胀卷积神经网络的病历文本命名实体识别方法 | |
CN114005509B (zh) | 一种治疗方案推荐***、方法、装置和存储介质 | |
CN113707297B (zh) | 医疗数据的处理方法、装置、设备及存储介质 | |
US20180336193A1 (en) | Artificial Intelligence Based Method and Apparatus for Generating Article | |
US9146987B2 (en) | Clustering based question set generation for training and testing of a question and answer system | |
US11915127B2 (en) | Prediction of healthcare outcomes and recommendation of interventions using deep learning | |
CN112131393A (zh) | 一种基于bert和相似度算法的医疗知识图谱问答***构建方法 | |
US11640403B2 (en) | Methods and systems for automated analysis of behavior modification data | |
WO2021159640A1 (zh) | 基于人工智能的药品推荐方法及相关设备 | |
CN110069631A (zh) | 一种文本处理方法、装置以及相关设备 | |
US20210056413A1 (en) | Cross-modal neural networks for prediction | |
CN110289068A (zh) | 药品推荐方法及设备 | |
CN112447300B (zh) | 基于图神经网络的医疗查询方法、装置、计算机设备及存储介质 | |
EP3994630A1 (en) | Artificial intelligence advisory systems and methods for behavioral pattern matching and language generation | |
CN105139237A (zh) | 信息推送的方法和装置 | |
WO2023029513A1 (zh) | 基于人工智能的搜索意图识别方法、装置、设备及介质 | |
CN110569349B (zh) | 基于大数据的患教文章推送方法、***、设备及存储介质 | |
CN111933291A (zh) | 医疗信息推荐装置、方法、***、设备及可读存储介质 | |
CN114387061A (zh) | 产品推送方法、装置、电子设备及可读存储介质 | |
CN111986759A (zh) | 电子病历的解析方法、***、计算机设备与可读存储介质 | |
CN108280081B (zh) | 生成网页的方法和装置 | |
CN113488157B (zh) | 智能导诊处理方法、装置、电子设备及存储介质 | |
CN117290509A (zh) | 电子病历文本分类模型训练方法、装置、电子设备及介质 | |
JP2023514023A (ja) | 質問の検索装置、質問の検索方法、デバイス、および記憶媒体 | |
CN117253628A (zh) | 一种智能随访方法、装置、计算机设备及存储介质 |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20221026 Address after: Room 2601 (Unit 07), Qianhai Free Trade Building, No. 3048, Xinghai Avenue, Nanshan Street, Qianhai Shenzhen-Hong Kong Cooperation Zone, Shenzhen, Guangdong 518000 Applicant after: Shenzhen Ping An Smart Healthcare Technology Co.,Ltd. Address before: 1-34 / F, Qianhai free trade building, 3048 Xinghai Avenue, Mawan, Qianhai Shenzhen Hong Kong cooperation zone, Shenzhen, Guangdong 518000 Applicant before: Ping An International Smart City Technology Co.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |