CN114639479A - 一种基于医疗知识图谱的智能诊断辅助*** - Google Patents
一种基于医疗知识图谱的智能诊断辅助*** Download PDFInfo
- Publication number
- CN114639479A CN114639479A CN202210259321.8A CN202210259321A CN114639479A CN 114639479 A CN114639479 A CN 114639479A CN 202210259321 A CN202210259321 A CN 202210259321A CN 114639479 A CN114639479 A CN 114639479A
- Authority
- CN
- China
- Prior art keywords
- module
- information
- treatment
- diagnosis
- disease
- 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.)
- Pending
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 136
- 238000011282 treatment Methods 0.000 claims abstract description 177
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 104
- 201000010099 disease Diseases 0.000 claims abstract description 103
- 230000004927 fusion Effects 0.000 claims description 64
- 238000000605 extraction Methods 0.000 claims description 38
- 238000004458 analytical method Methods 0.000 claims description 21
- 239000003814 drug Substances 0.000 claims description 19
- 208000024891 symptom Diseases 0.000 claims description 17
- 230000001225 therapeutic effect Effects 0.000 claims description 16
- 238000012549 training Methods 0.000 claims description 14
- 238000000034 method Methods 0.000 claims description 13
- 230000006978 adaptation Effects 0.000 claims description 12
- 238000007689 inspection Methods 0.000 claims description 12
- 230000010365 information processing Effects 0.000 claims description 10
- 230000010354 integration Effects 0.000 claims description 10
- 229940079593 drug Drugs 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 4
- 238000011002 quantification Methods 0.000 claims description 2
- 238000011269 treatment regimen Methods 0.000 claims description 2
- 238000007405 data analysis Methods 0.000 abstract description 10
- 238000012937 correction Methods 0.000 abstract description 8
- 239000002699 waste material Substances 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 6
- 230000009286 beneficial effect Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 238000012552 review Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 229940126680 traditional chinese medicines Drugs 0.000 description 2
- 206010011224 Cough Diseases 0.000 description 1
- 206010037660 Pyrexia Diseases 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 208000011580 syndromic disease 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
- 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
- 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
- G06F16/35—Clustering; Classification
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Animal Behavior & Ethology (AREA)
- Pathology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
一种基于医疗知识图谱的智能诊断辅助***,属于医疗诊断领域。为了解决传统的医疗诊断***难以整合信息,不仅造成医疗信息的大量浪费,而且不能进行有效的辅助诊断,就诊效率低下,不能进行有效的智能分诊预测,容易给患者产生就诊的负担以及医院的运行负担,工作效率低下,不能及时快速的给出相应的就诊结果,影响了诊断的准确率。克服了现有的医疗数据孤岛的问题,实现了常见疾病的智能辅助诊断,提高了就诊的效率,为医生提供较高可信度的辅助诊断,实现智能分诊预测,降低错误分诊的概率,为患者提供高效便捷的诊前咨询,减轻患者负担和医院运行负荷,通过人为纠错逐渐提高对患者信息进行综合数据分析诊断辅助***诊断准确率。
Description
技术领域
本发明涉及医疗诊断领域,特别涉及一种基于医疗知识图谱的智能诊断辅助***。
背景技术
医疗领域是一个数据密集、知识密集、脑力劳动密集为特征的领域。医疗行业源源不断产生的海量数据,大多为非结构化数据。随着我国医疗***的不断完善,医疗资源包括医疗设备和医护人员队伍也在逐步壮大,但医疗资源紧缺、医院运行效率不高的情况仍然存在,国内医疗资源分布不均衡,以及原始的疾病诊断方法往往受决策方本人的实际经验所约束,且易受决策者本人当时的主观意识与外界环境所干扰,故而诊断结果会有所偏差,传统的医院诊断***在使用时还存在以下缺陷:
1、医院内部存在医疗数据孤岛的问题,难以整合信息,不仅造成医疗信息的大量浪费,而且不能进行有效的辅助诊断,就诊效率低下。
2、患者在进行初诊时,不能进行有效的智能分诊预测,容易给患者产生就诊的负担以及医院的运行负担,工作效率低下。
3、在给患者进行疾病诊断时,不能及时快速的给出相应的就诊结果,需要进行大量的检查,不仅给患者带来一定的经济损失,还容易造成医疗资源的浪费,影响了诊断的准确率。
发明内容
本发明的目的在于提供一种基于医疗知识图谱的智能诊断辅助***,通过建立患者电子病历,减轻医生录入病历的负担,通过建立医疗知识图谱,对医药知识进行融合,克服了现有的医疗数据孤岛的问题,提高医疗数据利用率,实现了常见疾病的智能辅助诊断,便于患者在就医时,存在特征疾病可以及时发现,提高了就诊的效率,给患者就医带来方便,通过自动诊断模块进行相应的诊断,从而分析得到具有权重的疑似疾病,为医生提供较高可信度的辅助诊断,帮助提高医生的诊断效率和准确率,实现智能分诊预测,降低错误分诊的概率,为患者提供高效便捷的诊前咨询,减轻患者负担和医院运行负荷,给患者带来高效精准的就医体验,保证了在考虑更多影响因素后能给出相较现有人工智能诊断***更加客观可靠的诊疗意见,避免了用户输入信息的复杂性和用户所处环境下设备不足的困扰,以及用户可以随时随地只要在有网络的地方都可以进行疾病的智能诊疗,通过人为纠错逐渐提高对患者信息进行综合数据分析诊断辅助***诊断准确率,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:
一种基于医疗知识图谱的智能诊断辅助***,包括智能诊断***,所述智能诊断***内设有患者数据层、实体抽取层、辅助诊断层和推荐治疗层,患者数据层的输出端与实体抽取层的输入端连接,实体抽取层的输出端与辅助诊断层的输入端连接,辅助诊断层的输出端与推荐治疗层的输入端连接。
其中,所述患者数据层包括信息采集模块、信息存储模块和病历生成模块。
其中,所述实体抽取层包括信息提取模块、信息识别模块、信息输出模块和医疗知识图谱。
其中,所述辅助诊断层包括信息处理模块、自动诊断模块和推荐检查模块。
其中,所述推荐治疗层包括治疗方案生成模块、个性化推荐模块和信息整合模块。
进一步地,所述信息采集模块的输出端与信息存储模块的输入端连接,信息存储模块的输出端与病历生成模块的输出端连接,病历生成模块的输出端与实体抽取层的输入端连接。信息采集模块内设有数据输入模块,数据输入模块采用人工手动输入或语音输入患者主诉从而生成文本,实体抽取层的输出结果由疾病种类、疾病症状和诱因组成。
进一步地,所述信息采集模块采集包括患者ID、性别、年龄、病种、病史、禁忌、重点生活环境,重点生活环境作为评价依据将病患患有目标疾病的概率量化为极易,一般和不易三个等级,患者信息是病历学习***中患者信息与目标疾病之间映射关系的“阈值”以及初始构建映射关系的训练集。
进一步地,所述信息提取模块的输出端与信息识别模块输入端连接,信息识别模块的输出端与信息输出模块的输入端连接,信息输出模块的输出端与医疗知识图谱的输入端连接,医疗知识图谱的输出端与辅助诊断层的输入端连接。
进一步地,所述信息提取模块用来从患者数据层中提取患者的病历信息,信息识别模块用来对患者数据层提取的信息进行诊断分析,分析的结果通过信息输出模块输出至医疗知识图谱内,医疗知识图谱包括疾病知识库、检查检验知识库、症状知识库、药品知识库、身体部位知识库和手术知识库。
进一步地,所述医疗知识图谱是基于三元组的表示方式,包括症状、疾病、部位、药品、科室、人群基本实体信息,并同时按照性别进行分类,以及包括部位症状关系、部位疾病关系、症状疾病关系、疾病科室关系、药品疾病关系、药品症状关系、药品人群关系,实体和关系的提取采用基于实体字典、实体规则和模式匹配的方法,并实现症状与疾病关系的量化,医疗知识图谱必须清晰易懂,因此需要过滤部分次要信息,提取主要信息,并对结果随机排序。
进一步地,所述信息处理模块的输出端与自动诊断模块的输入端连接,自动诊断模块的输出端与推荐检查模块的输入端连接,推荐检查模块的输出端与推荐治疗层的输入端连接。
进一步地,所述信息处理模块包括信息对比模块和信息分析模块,信息对比模块的输出端与信息分析模块的输入端连接,信息对比模块将实体抽取层提取的患者信息进行对比,并通过信息分析模块对患者信息进行分析,自动诊断模块诊断出患者的所存在疑似疾病,并通过推荐检查模块给出相应的推荐检查列表。
进一步地,所述治疗方案生成模块的输出端与个性化推荐模块的输入端连接,个性化推荐模块的输出端与信息整合模块的输入端连接。
进一步地,所述治疗方案生成模块用于根据检查报告的结果和医生的诊断结果生成初步治疗方案,个性化推荐模块用于根据患者基本信息和医生诊断结果查找相似患者人群的治疗模式生成个性化推荐,信息整合模块用于利用线性模型融合技术将治疗方案和个性化推荐整合得到最终的治疗方案治疗。
进一步地,治疗方案生成模块生成治疗方案包括如下步骤:
获取患者的检查结果和最终治疗方案;
对所述检查结果检查分析,确定检查结果的项数和每项检查结果的疾病特征;
根据所述项数对所述治疗方案进行治疗子方案划分,并将所述疾病特征和治疗子方案进行适配,确定每项检查结果的疾病特征对应的适配值;
将所述适配值作为第一治疗标准参数;
根据患者的检查结果,通过大数据获取推荐治疗方案;其中,
所述推荐治疗方案不低于2个;
对所述推荐治疗方案按照所述项目进行推荐治疗子方案划分,并将所述疾病特征和推荐治疗子方案进行适配,确定每项检查结果的疾病特征对应的二次放方案适配值;其中,
所述每个疾病特征对应的二次方案适配值不低于两个;
通过将每个疾病特征的二次方案适配值与所述第一治疗标准参数进行对比,获取超过所述第一治疗标准参数的目标治疗子方案;其中,
当每个疾病特征有多个目标治疗子方案时,进行相同目标治疗子方案融合;
根据所述目标治疗子方案,进行方案融合,确定最终诊疗方案;其中,所述方案融合时,采用多维度融合,融合后每项疾病特征只有唯一确定的唯一治疗子方案。
在现有技术中,对于治疗方案的推荐,其实大多数企业和***的推荐都是基于大数据的深度学习网络,进行匹配最合适的方案,但是,大数据也是存在一定的缺陷的。那就是大数据的的模型,在进行训练和原始数据方面如果原始数据的样本并不正确,或者说在训练阶段存在训练的次数不够,训练的损失过大,都会导致治疗方案的推荐是错误的。而在医院中,我们应用的已经是训练好的模型,无法判断其训练阶段和原始数据是不是正确的,
进一步地,治疗方案生成模块进行方案融合后,还包括对所述方案融合的信任度进行计算,具体步骤如下:
步骤1:根据所述目标治疗子方案,通过下式计算不同目标治疗子方案之间的灰色关联度:
其中,X(K)表示第K找种治疗子方案的治疗特征;X(m)表示第m找种治疗子方案的治疗特征;K≠m,K,m∈正整数;ρ∈[0~1],ρ表示治疗特征的归一化值;
步骤2:根据所述关联度,计算任意目标治疗子方案之间的融合期望、融合熵和融合超熵:
其中,n表示目标治疗子方案的总数量;表示目标治疗子方案的特征平均值;Xi表示第i个目标治疗子方案的治疗特征;Q表示目标治疗子方案之间的融合期望;S表示目标治疗子方案之间的融合熵;表示目标治疗子方案之间的融合超熵;
步骤3:根据所述融合期望、融合熵和融合超熵,确定信任值:
其中,Z表示方案融合的信任度。
与现有技术相比,本发明的有益效果是:
1、本发明的一种基于医疗知识图谱的智能诊断辅助***,通过信息采集模块采集患者的信息,建立患者电子病历,减轻医生录入病历的负担,同时有利于医疗数据的统一规范管理,通过建立医疗知识图谱,对医药知识进行融合,克服了现有的医疗数据孤岛的问题,提高医疗数据利用率,实现了常见疾病的智能辅助诊断,建立的特征疾病数据库用于存储、分析***提取到的患者患病的特征信息及特征信息所映射的可能疾病范围,便于患者在就医时,存在特征疾病可以及时发现,提高了就诊的效率,给患者就医带来方便,通过信息对比模块和信息分析模块分析出患者可能存在的疾病,并通过自动诊断模块进行相应的诊断,从而分析得到具有权重的疑似疾病,为医生提供较高可信度的辅助诊断,帮助提高医生的诊断效率和准确率。
2、本发明的一种基于医疗知识图谱的智能诊断辅助***,通过推荐检查模块推荐科室及推荐检查项目列表,实现智能分诊预测,降低错误分诊的概率,为患者提供高效便捷的诊前咨询,减轻患者负担和医院运行负荷,给患者带来高效精准的就医体验,保证了在考虑更多影响因素后能给出相较现有人工智能诊断***更加客观可靠的诊疗意见,避免了用户输入信息的复杂性和用户所处环境下设备不足的困扰,以及用户可以随时随地只要在有网络的地方都可以进行疾病的智能诊疗。
3、本发明的一种基于医疗知识图谱的智能诊断辅助***,专家数据库用于储存人工智疾病诊断的综合数据分析***的最终输出结果以及补充检索工具的建立,检索工具的建立方便医生通过该***回顾与判断患者疾病过程与结果是否准确,并通过人为纠错逐渐提高对患者信息进行综合数据分析诊断辅助***诊断准确率,补充检索工具作用在于方便门诊医生对存疑诊断结果的调查与补正,诊断的准确性。
附图说明
图1为本发明的一种基于医疗知识图谱的智能诊断辅助***整体***示意图;
图2为本发明的一种基于医疗知识图谱的智能诊断辅助***的主要模块图;
图3为本发明的一种基于医疗知识图谱的智能诊断辅助***的模块连接示意图;
图4为本发明的一种基于医疗知识图谱的智能诊断辅助***的部分模块连接示意图;
图5为本发明的一种基于医疗知识图谱的智能诊断辅助***的部分模块示意图;
图6为本发明的一种基于医疗知识图谱的智能诊断辅助***的工作流程示意图。
图中:1、患者数据层;11、信息采集模块;12、信息存储模块;13、病历生成模块;2、实体抽取层;21、信息提取模块;22、信息识别模块;23、信息输出模块;24、医疗知识图谱;3、辅助诊断层;31、信息处理模块;311、信息对比模块;312、信息分析模块;32、自动诊断模块;33、推荐检查模块;4、推荐治疗层;41、治疗方案生成模块;42、个性化推荐模块;43、信息整合模块;5、智能诊断***。
具体实施方式
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。
实施例一
参阅图1-图4,一种基于医疗知识图谱的智能诊断辅助***,包括智能诊断***5,智能诊断***5内设有患者数据层1、实体抽取层2、辅助诊断层3和推荐治疗层4,患者数据层1的输出端与实体抽取层2的输入端连接,实体抽取层2的输出端与辅助诊断层3的输入端连接,辅助诊断层3的输出端与推荐治疗层4的输入端连接,患者数据层1包括信息采集模块11、信息存储模块12和病历生成模块13,信息采集模块11的输出端与信息存储模块12的输入端连接,信息存储模块12的输出端与病历生成模块13的输出端连接,病历生成模块13的输出端与实体抽取层2的输入端连接。信息采集模块11内设有数据输入模块,数据输入模块采用人工手动输入或语音输入患者主诉从而生成文本,实体抽取层2的输出结果由疾病种类、疾病症状和诱因组成,信息采集模块11采集包括患者ID、性别、年龄、病种、病史、禁忌、重点生活环境,重点生活环境作为评价依据将病患患有目标疾病的概率量化为极易,一般和不易三个等级,患者信息是病历学习***中患者信息与目标疾病之间映射关系的“阈值”以及初始构建映射关系的训练集,实体抽取层2包括信息提取模块21、信息识别模块22、信息输出模块23和医疗知识图谱24,信息提取模块21的输出端与信息识别模块22输入端连接,信息识别模块22的输出端与信息输出模块23的输入端连接,信息输出模块23的输出端与医疗知识图谱24的输入端连接,医疗知识图谱24的输出端与辅助诊断层3的输入端连接,信息提取模块21用来从患者数据层1中提取患者的病历信息,信息识别模块22用来对患者数据层1提取的信息进行诊断分析,分析的结果通过信息输出模块23输出至医疗知识图谱24内,医疗知识图谱24包括疾病知识库、检查检验知识库、症状知识库、药品知识库、身体部位知识库和手术知识库,医疗知识图谱24是基于三元组的表示方式,包括症状、疾病、部位、药品、科室、人群基本实体信息,并同时按照性别进行分类,以及包括部位症状关系、部位疾病关系、症状疾病关系、疾病科室关系、药品疾病关系、药品症状关系、药品人群关系,实体和关系的提取采用基于实体字典、实体规则和模式匹配的方法,并实现症状与疾病关系的量化,医疗知识图谱24必须清晰易懂,因此需要过滤部分次要信息,提取主要信息,并对结果随机排序,辅助诊断层3包括信息处理模块31、自动诊断模块32和推荐检查模块33,信息处理模块31的输出端与自动诊断模块32的输入端连接,自动诊断模块32的输出端与推荐检查模块33的输入端连接,推荐检查模块33的输出端与推荐治疗层4的输入端连接,信息处理模块31包括信息对比模块311和信息分析模块312,信息对比模块311的输出端与信息分析模块312的输入端连接,信息对比模块311将实体抽取层2提取的患者信息进行对比,并通过信息分析模块312对患者信息进行分析,自动诊断模块32诊断出患者的所存在疑似疾病,并通过推荐检查模块33给出相应的推荐检查列表,推荐治疗层4包括治疗方案生成模块41、个性化推荐模块42和信息整合模块43,治疗方案生成模块41的输出端与个性化推荐模块42的输入端连接,个性化推荐模块42的输出端与信息整合模块43的输入端连接,治疗方案生成模块41用于根据检查报告的结果和医生的诊断结果生成初步治疗方案,个性化推荐模块42用于根据患者基本信息和医生诊断结果查找相似患者人群的治疗模式生成个性化推荐,信息整合模块43用于利用线性模型融合技术将治疗方案和个性化推荐整合得到最终的治疗方案治疗。
请参阅图5-图6:一种基于医疗知识图谱的智能诊断辅助***,包括以下操作步骤:
S1:建立患者信息并根据患者信息建立相应的电子病历。
S101:通过信息采集模块11采集包括患者ID、性别、年龄、病种、病史、禁忌、重点生活环境,重点生活环境作为评价依据将病患患有目标疾病的概率量化为极易,一般和不易三个等级,并通过信息存储模块12对采集的数据进行存储。
S102:通过病历生成模块13对患者的就诊信息生成相应的电子病历。
S2:搭建医疗知识图谱框架,并对就诊信息进行分析。
S201:医药知识图谱24的构建流程依次经过建立知识库模式图、模式图定义、知识抽取、知识融合三个步骤,模式图定义包含知识库拥有的概念、概念的属性,以及概念之间的层次关系,知识库模式图常用中医药知识库主要包括中药材、中医证候、中医疾病等上层概念及概念的属性,构建模式图,知识抽取主要包括网络中医药相关的实体、实体类型、同义词关系和属性值关系,知识融合是对知识抽取的内容进行融合,构架医药知识图谱24所用的医药知识库需要从专业中医药文本中识别药品相关实体,利用规模化的语料学习出标注模型,进而对语句进行标注。
S202:建立特征疾病数据库,特征疾病数据库用于存储、分析***提取到的患者患病的特征信息及特征信息所映射的可能疾病范围。
S203:通过信息提取模块21提取从信息采集模块11中采集的患者病历信息,将提取到的患者信息及特征信息所映射的可能疾病范围存储在特征疾病数据库中,并通过信息识别模块22用来对从信息采集模块11中提取的信息进行诊断分析,分析的结果通过信息输出模块23输出至医疗知识图谱24内。
S3:对提取的患者信息进行辅助诊断,并给出相应的推荐检查列表。
S301:建立专家数据库,专家数据库用于储存人工智疾病诊断的综合数据分析***的最终输出结果以及补充检索工具的建立,补充检索工具作用在于方便门诊医生对存疑诊断结果的调查与补正,专家数据库供医生操作与参考,是***借鉴意义的核心。
S302:通过信息对比模块311将实体抽取层2提取的患者信息与医疗知识图谱24内的信息进行对比,并通过信息分析模块312对对比的信息进行数据分析。
S303:采用推理引擎将规则应用到提取的患者信息中,对患者所述的信息进行推理,并通过自动诊断模块32诊断出患者的所存在疑似疾病。
S303:调用专家数据库中的特征疾病数据库综合数据分析***的最终输出结果,建立补充检索工具,检索工具的建立方便医生通过该***回顾与判断患者疾病过程与结果是否准确,并通过人为纠错逐渐提高综合数据分析诊断辅助***诊断准确率,通过推荐检查模块33给出相应的推荐检查列表,推荐检查列表包括疑似疾病种类、推荐科室以及推荐检查项目。
S4:推荐治疗方案,并生成个性化推荐。
S401:治疗方案生成模块41根据对临床指南、医疗知识图片和临床数据进行关联规则分析,并根据检查报告的结果和医生的诊断结果生成初步治疗方案。
S402:根据患者的基本信息和医生诊断结果查找到临床上相似的患者人群,结合相似患者人群的治疗模式和常见治疗模式生成个性化推荐。
S403:并通过信息整合模块43利用线性模型融合技术将治疗方案和个性化推荐整合得到最终的治疗方案治疗。
综上所述,本发明的一种基于医疗知识图谱的智能诊断辅助***,通过信息采集模块11采集患者的信息,建立患者电子病历,减轻医生录入病历的负担,同时有利于医疗数据的统一规范管理,通过建立医疗知识图谱24,对医药知识进行融合,克服了现有的医疗数据孤岛的问题,提高医疗数据利用率,实现了常见疾病的智能辅助诊断,建立的特征疾病数据库用于存储、分析***提取到的患者患病的特征信息及特征信息所映射的可能疾病范围,便于患者在就医时,存在特征疾病可以及时发现,提高了就诊的效率,给患者就医带来方便,通过信息对比模块311和信息分析模块312分析出患者可能存在的疾病,并通过自动诊断模块32进行相应的诊断,从而分析得到具有权重的疑似疾病,为医生提供较高可信度的辅助诊断,帮助提高医生的诊断效率和准确率,通过推荐检查模块33推荐科室及推荐检查项目列表,实现智能分诊预测,降低错误分诊的概率,为患者提供高效便捷的诊前咨询,减轻患者负担和医院运行负荷,给患者带来高效精准的就医体验,专家数据库用于储存人工智疾病诊断的综合数据分析***的最终输出结果以及补充检索工具的建立,检索工具的建立方便医生通过该***回顾与判断患者疾病过程与结果是否准确,并通过人为纠错逐渐提高对患者信息进行综合数据分析诊断辅助***诊断准确率,补充检索工具作用在于方便门诊医生对存疑诊断结果的调查与补正,专家数据库供医生操作与参考,是***借鉴意义的核心,在考虑更多影响因素后能给出相较现有人工智能诊断***更加客观可靠的诊疗意见,避免了用户输入信息的复杂性和用户所处环境下设备不足的困扰,以及用户可以随时随地只要在有网络的地方都可以进行疾病的智能诊疗。
进一步地,治疗方案生成模块生成治疗方案包括如下步骤:
获取患者的检查结果和医生出具的治疗方案;
对所述检查结果检查分析,确定检查结果的项数和每项检查结果的疾病特征;
根据所述项数对所述治疗方案进行治疗子方案划分,并将所述疾病特征和治疗子方案进行适配,确定每项检查结果的疾病特征对应的适配值;
将所述适配值作为第一治疗标准参数;
根据患者的检查结果,通过大数据获取推荐治疗方案;其中,
所述推荐治疗方案不低于2个;
对所述推荐治疗方案按照所述项目进行推荐治疗子方案划分,并将所述疾病特征和推荐治疗子方案进行适配,确定每项检查结果的疾病特征对应的二次放方案适配值;其中,
所述每个疾病特征对应的二次方案适配值不低于两个;
通过将每个疾病特征的二次方案适配值与所述第一治疗标准参数进行对比,获取超过所述第一治疗标准参数的目标治疗子方案;其中,
当每个疾病特征有多个目标治疗子方案时,进行相同目标治疗子方案融合;
根据所述目标治疗子方案,进行方案融合,确定最终诊疗方案;其中,所述方案融合时,采用多维度融合,融合后每项疾病特征只有唯一确定的唯一治疗子方案。
在现有技术中,对于治疗方案的推荐,其实大多数企业和***的推荐都是基于大数据的深度学习网络,进行匹配最合适的方案,但是,大数据也是存在一定的缺陷的。那就是大数据的模型,在进行训练和原始数据方面如果原始数据的样本并不正确,或者说在训练阶段存在训练的次数不够,训练的损失过大,都会导致治疗方案的推荐是错误的。而在医院中,我们应用的已经是训练好的模型,无法判断其训练阶段和原始数据是不是正确的。所以本发明通过医生出具的诊疗方案、大数据出具的诊疗方案,进行对比融合,生成一个唯一的治疗方案。在这个融合的过程中,本发明具有以下步骤:首先,根据医生出具的技术方案,对疾病的每个治疗目的进行评估,例如:我们治疗感冒的时候,有些药是为了退烧,这算是一个子方案,有些药是为了治疗咳嗽,又是一个子方案;每一个治疗目的,对应每一个疾病特征,通过这种方式,我们能够确定治疗方案的每一个治疗目的面对每一个疾病特征治疗的适配值;医生的方案我们作为一个标准,然后,我们在通过大数据确定治疗方案,治疗方案中,如果治疗的效果是要超过这个适配值,就代表比医生的治疗方案更好,这时候我们可以进行治疗方案的替换,但是如果有多个治疗方案都比医生出具的方案好,我们就可以采用多维度融合,也就是统筹每个治疗子方案的优点,去出具相对于每个疾病特征的治疗子方案,也就是进行治疗方案的融合。最后我们在所有的子方案融合之后,确定最终的治疗方案。这种方案因为是以医生出具的方案为标准,所以不会存在过大的偏差,解决了大数据出现巨大偏差的问题。而且我们只要比较优秀的方案进行融合,也能解决训练次数不够的问题。
进一步地,治疗方案生成模块41进行方案融合后,还包括对所述方案融合的信任度进行计算,具体步骤如下:
步骤1:根据所述目标治疗子方案,通过下式计算不同目标治疗子方案之间的灰色关联度:
其中,X(K)表示第K找种治疗子方案的治疗特征;X(m)表示第m找种治疗子方案的治疗特征;K≠m,K,m∈正整数;ρ∈[0~1],ρ表示治疗特征的归一化值;
本发明计算灰色关联度只要是通过不同目标治疗子方案之间的相关关系,去计算这个灰色关联度,灰色关联度是不同目标治疗子方案之间的相关关系,[X(K)和X(m)]表示不同的治疗子方案,我们基于归一化值的计算主要是为了保证方案之间的关联度能在(0~1),这是为了保证关联度不会是百分之百。
步骤2:根据所述关联度,计算任意目标治疗子方案之间的融合期望、融合熵和融合超熵:
其中,n表示目标治疗子方案的总数量;表示目标治疗子方案的特征平均值;Xi表示第i个目标治疗子方案的治疗特征;Q表示目标治疗子方案之间的融合期望;S表示目标治疗子方案之间的融合熵;表示目标治疗子方案之间的融合超熵;
上述三个值的作用的主要是为了确定每个治疗子方案效果:
首先融合期望,确定了融合后的结果;
融合熵,体现了融合后的混乱程度,也就反向确定了治疗的效果。
最后超熵是判断多种方案融合后的正太偏离程度,也就是说融合后,不能融合的结果是一个错误的治疗方案,不会偏离正常的治疗方案。
步骤3:根据所述融合期望、融合熵和融合超熵,确定信任值:
其中,Z表示方案融合的信任度。
通过上述三个值,我们基于指数函数,确定最终的信任值,而信任值是为了每个治疗方案的能产生有益的治疗效果。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明披露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种基于医疗知识图谱的智能诊断辅助***,包括智能诊断***(5),其特征在于,所述智能诊断***(5)内设有患者数据层(1)、实体抽取层(2)、辅助诊断层(3)和推荐治疗层(4),患者数据层(1)的输出端与实体抽取层(2)的输入端连接,实体抽取层(2)的输出端与辅助诊断层(3)的输入端连接,辅助诊断层(3)的输出端与推荐治疗层(4)的输入端连接;
其中,所述患者数据层(1)包括信息采集模块(11)、信息存储模块(12)和病历生成模块(13);
其中,所述实体抽取层(2)包括信息提取模块(21)、信息识别模块(22)、信息输出模块(23)和医疗知识图谱(24);
其中,所述辅助诊断层(3)包括信息处理模块(31)、自动诊断模块(32)和推荐检查模块(33);
其中,所述推荐治疗层(4)包括治疗方案生成模块(41)、个性化推荐模块(42)和信息整合模块(43)。
2.如权利要求1所述的一种基于医疗知识图谱的智能诊断辅助***,其特征在于,所述信息采集模块(11)的输出端与信息存储模块(12)的输入端连接,信息存储模块(12)的输出端与病历生成模块(13)的输出端连接,病历生成模块(13)的输出端与实体抽取层(2)的输入端连接。信息采集模块(11)内设有数据输入模块,数据输入模块采用人工手动输入或语音输入患者主诉从而生成文本,实体抽取层(2)的输出结果由疾病种类、疾病症状和诱因组成。
3.如权利要求1所述的一种基于医疗知识图谱的智能诊断辅助***,其特征在于,所述信息采集模块(11)采集包括患者ID、性别、年龄、病种、病史、禁忌、重点生活环境,重点生活环境作为评价依据将病患患有目标疾病的概率量化为极易,患者信息是病历学习***中患者信息与目标疾病之间映射关系的“阈值”以及初始构建映射关系的训练集。
4.如权利要求1所述的一种基于医疗知识图谱的智能诊断辅助***,其特征在于,所述信息提取模块(21)的输出端与信息识别模块(22)输入端连接,信息识别模块(22)的输出端与信息输出模块(23)的输入端连接,信息输出模块(23)的输出端与医疗知识图谱(24)的输入端连接,医疗知识图谱(24)的输出端与辅助诊断层(3)的输入端连接。
5.如权利要求4所述的一种基于医疗知识图谱的智能诊断辅助***,其特征在于,所述信息提取模块(21)用来从患者数据层(1)中提取患者的病历信息,信息识别模块(22)用来对患者数据层(1)提取的信息进行诊断分析,分析的结果通过信息输出模块(23)输出至医疗知识图谱(24)内,医疗知识图谱(24)包括疾病知识库、检查检验知识库、症状知识库、药品知识库、身体部位知识库和手术知识库,医疗知识图谱(24)是基于三元组的表示方式,包括症状、疾病、部位、药品、科室、人群基本实体信息,并同时按照性别进行分类,以及包括部位症状关系、部位疾病关系、症状疾病关系、疾病科室关系、药品疾病关系、药品症状关系、药品人群关系,实体和关系的提取采用基于实体字典、实体规则和模式匹配的方法,并实现症状与疾病关系的量化,医疗知识图谱(24)必须清晰易懂,因此需要过滤部分次要信息,提取主要信息,并对结果随机排序。
6.如权利要求1所述的一种基于医疗知识图谱的智能诊断辅助***,其特征在于,所述信息处理模块(31)的输出端与自动诊断模块(32)的输入端连接,自动诊断模块(32)的输出端与推荐检查模块(33)的输入端连接,推荐检查模块(33)的输出端与推荐治疗层(4)的输入端连接,信息处理模块(31)包括信息对比模块(311)和信息分析模块(312),信息对比模块(311)的输出端与信息分析模块(312)的输入端连接,信息对比模块(311)将实体抽取层(2)提取的患者信息进行对比,并通过信息分析模块(312)对患者信息进行分析,自动诊断模块(32)诊断出患者的所存在疑似疾病,并通过推荐检查模块(33)给出相应的推荐检查列表。
7.如权利要求1所述的一种基于医疗知识图谱的智能诊断辅助***,其特征在于,所述治疗方案生成模块(41)的输出端与个性化推荐模块(42)的输入端连接,个性化推荐模块(42)的输出端与信息整合模块(43)的输入端连接。
8.如权利要求7所述的一种基于医疗知识图谱的智能诊断辅助***,其特征在于,所述治疗方案生成模块(41)用于根据检查报告的结果和医生的诊断结果生成初步治疗方案,个性化推荐模块(42)用于根据患者基本信息和医生诊断结果查找相似患者人群的治疗模式生成个性化推荐,信息整合模块(43)用于利用线性模型融合技术将治疗方案和个性化推荐整合得到最终的治疗方案治疗。
9.如权利要求8所述的一种基于医疗知识图谱的智能诊断辅助***,其特征在于,治疗方案生成模块(41)生成治疗方案包括如下步骤:
获取患者的检查结果和医生的治疗方案;
对所述检查结果检查分析,确定检查结果的项数和每项检查结果的疾病特征;
根据所述项数对所述治疗方案进行治疗子方案划分,并将所述疾病特征和治疗子方案进行适配,确定每项检查结果的疾病特征对应的适配值;
将所述适配值作为第一治疗标准参数;
根据患者的检查结果,通过大数据获取推荐治疗方案;其中,
所述推荐治疗方案不低于2个;
对所述推荐治疗方案按照所述项目进行推荐治疗子方案划分,并将所述疾病特征和推荐治疗子方案进行适配,确定每项检查结果的疾病特征对应的二次放方案适配值;其中,
所述每个疾病特征对应的二次方案适配值不低于两个;
通过将每个疾病特征的二次方案适配值与所述第一治疗标准参数进行对比,获取超过所述第一治疗标准参数的目标治疗子方案;其中,
当每个疾病特征有多个目标治疗子方案时,进行相同目标治疗子方案融合;
根据所述目标治疗子方案,进行方案融合,确定最终诊疗方案;其中,所述方案融合时,采用多维度融合,融合后每项疾病特征只有唯一确定的唯一治疗子方案。
10.如权利要求8所述的一种基于医疗知识图谱的智能诊断辅助***,其特征在于,治疗方案生成模块(41)进行方案融合后,还包括对所述方案融合的信任度进行计算,具体步骤如下:
步骤1:根据所述目标治疗子方案,通过下式计算不同目标治疗子方案之间的灰色关联度:
其中,X(K)表示第K找种治疗子方案的治疗特征;X(m)表示第m找种治疗子方案的治疗特征;K≠m,K,m∈正整数;ρ∈[0~1],ρ表示治疗特征的归一化值;
步骤2:根据所述关联度,计算任意目标治疗子方案之间的融合期望、融合熵和融合超熵:
其中,n表示目标治疗子方案的总数量;表示目标治疗子方案的特征平均值;Xi表示第i个目标治疗子方案的治疗特征;Q表示目标治疗子方案之间的融合期望;S表示目标治疗子方案之间的融合熵;表示目标治疗子方案之间的融合超熵;
步骤3:根据所述融合期望、融合熵和融合超熵,确定信任值:
其中,Z表示方案融合的信任度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210259321.8A CN114639479A (zh) | 2022-03-16 | 2022-03-16 | 一种基于医疗知识图谱的智能诊断辅助*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210259321.8A CN114639479A (zh) | 2022-03-16 | 2022-03-16 | 一种基于医疗知识图谱的智能诊断辅助*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114639479A true CN114639479A (zh) | 2022-06-17 |
Family
ID=81949128
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210259321.8A Pending CN114639479A (zh) | 2022-03-16 | 2022-03-16 | 一种基于医疗知识图谱的智能诊断辅助*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114639479A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115036034A (zh) * | 2022-08-11 | 2022-09-09 | 之江实验室 | 一种基于患者表征图的相似患者识别方法及*** |
CN115954094A (zh) * | 2022-12-28 | 2023-04-11 | 广州希华通讯设备有限公司 | 一种医疗废物全程溯源智慧卫监管理方法 |
CN116246749A (zh) * | 2023-05-11 | 2023-06-09 | 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*** |
CN116364267A (zh) * | 2023-02-16 | 2023-06-30 | 江苏省计算机技术服务有限公司 | 一种基于智慧医疗云服务的单点登录管理*** |
CN117012374A (zh) * | 2023-10-07 | 2023-11-07 | 之江实验室 | 一种融合事件图谱和深度强化学习的医疗随访***及方法 |
CN117393156A (zh) * | 2023-12-12 | 2024-01-12 | 珠海灏睿科技有限公司 | 基于云计算的多维度远程听诊与诊断智能*** |
CN117690549A (zh) * | 2024-02-01 | 2024-03-12 | 中国中医科学院中医临床基础医学研究所 | 一种基于相似患者匹配的中医个体化智能方药推荐*** |
CN118072959A (zh) * | 2024-04-17 | 2024-05-24 | 浙江之科智慧科技有限公司 | 一种基于深度学习模型的重疾判定方法 |
CN118072959B (zh) * | 2024-04-17 | 2024-07-30 | 浙江之科智慧科技有限公司 | 一种基于深度学习模型的重疾判定方法 |
-
2022
- 2022-03-16 CN CN202210259321.8A patent/CN114639479A/zh active Pending
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115036034B (zh) * | 2022-08-11 | 2022-11-08 | 之江实验室 | 一种基于患者表征图的相似患者识别方法及*** |
CN115036034A (zh) * | 2022-08-11 | 2022-09-09 | 之江实验室 | 一种基于患者表征图的相似患者识别方法及*** |
CN115954094B (zh) * | 2022-12-28 | 2024-05-17 | 广州希华通讯设备有限公司 | 一种医疗废物全程溯源智慧卫监管理方法 |
CN115954094A (zh) * | 2022-12-28 | 2023-04-11 | 广州希华通讯设备有限公司 | 一种医疗废物全程溯源智慧卫监管理方法 |
CN116364267A (zh) * | 2023-02-16 | 2023-06-30 | 江苏省计算机技术服务有限公司 | 一种基于智慧医疗云服务的单点登录管理*** |
CN116364267B (zh) * | 2023-02-16 | 2023-10-31 | 江苏省计算机技术服务有限公司 | 一种基于智慧医疗云服务的单点登录管理*** |
CN116246749A (zh) * | 2023-05-11 | 2023-06-09 | 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*** |
CN117012374A (zh) * | 2023-10-07 | 2023-11-07 | 之江实验室 | 一种融合事件图谱和深度强化学习的医疗随访***及方法 |
CN117012374B (zh) * | 2023-10-07 | 2024-01-26 | 之江实验室 | 一种融合事件图谱和深度强化学习的医疗随访***及方法 |
CN117393156B (zh) * | 2023-12-12 | 2024-04-05 | 珠海灏睿科技有限公司 | 基于云计算的多维度远程听诊与诊断智能*** |
CN117393156A (zh) * | 2023-12-12 | 2024-01-12 | 珠海灏睿科技有限公司 | 基于云计算的多维度远程听诊与诊断智能*** |
CN117690549A (zh) * | 2024-02-01 | 2024-03-12 | 中国中医科学院中医临床基础医学研究所 | 一种基于相似患者匹配的中医个体化智能方药推荐*** |
CN117690549B (zh) * | 2024-02-01 | 2024-05-17 | 中国中医科学院中医临床基础医学研究所 | 一种基于相似患者匹配的中医个体化智能方药推荐*** |
CN118072959A (zh) * | 2024-04-17 | 2024-05-24 | 浙江之科智慧科技有限公司 | 一种基于深度学习模型的重疾判定方法 |
CN118072959B (zh) * | 2024-04-17 | 2024-07-30 | 浙江之科智慧科技有限公司 | 一种基于深度学习模型的重疾判定方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114639479A (zh) | 一种基于医疗知识图谱的智能诊断辅助*** | |
Lee et al. | Data mining techniques applied to medical information | |
CN110111884B (zh) | 一种基于cmkmc的人机协同智慧医疗辅助决策*** | |
CN112164460A (zh) | 一种基于医疗知识图谱的智能疾病辅助诊断*** | |
CN109378066A (zh) | 一种基于特征向量实现疾病预测的控制方法及控制装置 | |
CN112233736B (zh) | 一种知识库的构建方法和*** | |
CN111191048A (zh) | 基于知识图谱的急诊问答***构建方法 | |
CN111243748A (zh) | 针推康数据标准化*** | |
CN113838577B (zh) | 便捷化分层老年mods早期死亡风险评估模型、装置及建立方法 | |
CN115497631A (zh) | 一种临床科研大数据分析*** | |
CN116779190B (zh) | 一种基于物联网的医疗平台用户随访管理***及方法 | |
CN113611401A (zh) | 一种围术期血液管理的***和方法 | |
CN117457192A (zh) | 智能远程诊断方法及*** | |
CN109192312B (zh) | 一种心力衰竭患者不良事件智能管理***及方法 | |
WO2022141925A1 (zh) | 一种智能医学服务***、方法及存储介质 | |
CN113921127A (zh) | 一种区域内血液资源优化调度及精准使用信息***及方法 | |
Saleem Durai et al. | An intelligent knowledge mining model for kidney cancer using rough set theory | |
CN116597981A (zh) | 一种结合数字孪生技术进行慢阻肺疾病防治管理的方法 | |
US20090156947A1 (en) | Knowledgebased image informatics system and method | |
CN113642669B (zh) | 基于特征分析的防欺诈检测方法、装置、设备及存储介质 | |
CN114783587A (zh) | 严重急性肾损伤智能预测*** | |
CN113948171A (zh) | 一种根据患者病情自动匹配医院等级的匹配*** | |
AU2021102832A4 (en) | System & method for automatic health prediction using fuzzy based machine learning | |
CN118016316B (zh) | 知识图谱结合血常规检验数据的疾病筛率提升方法和*** | |
Fang et al. | Abnormal event health-status monitoring based on multi-dimensional and multi-level association rules constraints in nursing information system |
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 |