CN115101192B - 基于方剂的症状推荐方法、装置、设备及存储介质 - Google Patents
基于方剂的症状推荐方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN115101192B CN115101192B CN202210710939.1A CN202210710939A CN115101192B CN 115101192 B CN115101192 B CN 115101192B CN 202210710939 A CN202210710939 A CN 202210710939A CN 115101192 B CN115101192 B CN 115101192B
- Authority
- CN
- China
- Prior art keywords
- prescription
- symptoms
- preset
- symptom
- 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.)
- Active
Links
- 208000024891 symptom Diseases 0.000 title claims abstract description 256
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000012549 training Methods 0.000 claims description 30
- 238000011156 evaluation Methods 0.000 claims description 28
- 238000004590 computer program Methods 0.000 claims description 9
- 238000003745 diagnosis Methods 0.000 abstract description 12
- 230000008569 process Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000008094 contradictory effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本申请提供一种基于方剂的症状推荐方法、装置、设备及存储介质,可以智能化地对患者用户进行症状推荐,使患者用户可以基于推荐结果进一步完善自己的不适信息,无需医生多次介入,提升了诊疗效率;另外,由于目标方剂是可以治疗用户症状的方剂,所以可以根据该目标方剂确定出与输入的用户症状相关的推荐症状,也即,可以推出符合用户当前身体不适情况的症状供用户自查,推荐结果可靠,从而可以收集到更加全面的症状信息,可以提升诊疗结果的准确性。
Description
技术领域
本申请涉及人工智能技术领域,具体而言,涉及一种基于方剂的症状推荐方法、装置、设备及存储介质。
背景技术
对患者进行问诊是医生的一项重要工作,只有准确获取到患者的所有症状,医生才能对症下药。随着大数据与人工智能技术的蓬勃发展,大数据平台已迈入到了实际运营阶段。它是一种适应当前大数据业务的技术模式,有望对目前中西医问诊的问题提供解决方案。
在问诊过程中,患者有时难以准确描述自己的症状,或者也可能遗漏一些不适度较小的症状。比如,患者通过在线问诊平台发起问诊请求时,患者可能会因为着重表达自己不适度较高的症状,而遗漏一些不适度较小的症状,这可能会影响医生诊疗。如果由医生主动进行询问,则会占用大量的医疗时间,对于医生用户以及患者用户而言,都无法拥有较佳的在线诊疗体验。所以,有必要智能化地对患者进行症状推荐,以对患者进行症状提示。
发明内容
本申请实施例的目的在于提供一种新的基于方剂的症状推荐方法、装置、设备及存储介质,用以解决现有技术中,无法智能化地对用户进行症状推荐,导致诊疗效率较低的问题。
本申请实施例提供一种基于方剂的症状推荐方法,所述方法包括:
获取用户信息;所述用户信息包括用户输入的用户症状;
确定可治疗所述用户症状的目标方剂;
根据所述目标方剂确定推荐症状;
将所述推荐症状推荐给所述用户。
在上述实现过程中,可以智能化地对患者用户进行症状推荐,使患者用户可以基于推荐结果进一步完善自己的不适信息,无需医生多次介入,提升了诊疗效率;另外,由于目标方剂是可以治疗用户症状的方剂,所以可以根据该目标方剂确定出与输入的用户症状相关的推荐症状,也即,可以推出符合用户当前身体不适情况的症状供用户自查,推荐结果可靠,从而可以收集到更加全面的症状信息,可以提升诊疗结果的准确性。
进一步地,所述确定可治疗所述用户症状的目标方剂,包括:
基于经训练得到的方剂推荐模型确定可治疗所述用户症状的目标方剂。
在上述实现过程中,根据经训练得到的方剂推荐模型确定目标方剂,可以提升确定的目标方剂的可靠性,确保确定出的目标方剂可治疗该用户症状。
进一步地,所述方剂推荐模型为基于多个训练样本数据进行训练得到的线性模型;每一所述训练样本数据中包括多个用户症状的信息与治疗所述多个用户症状的方剂的信息。
在上述实现过程中,通过线性模型确定目标方剂,模型训练方式简单、且模型输出结果可靠。
进一步地,所述线性模型为:Pj=Wj0+Wj1S1+Wj2S2+Wj3S3+…+WjnSn;
其中,Wji表示第j个预设方剂与第i个预设症状之间的关联系数,Si表示第i个预设症状,Pj表示第j个预设方剂的评估分数,n表示所述预设症状的总数,m表示所述预设方剂的总数,Wj0表示第j个预设方剂所对应的线性方程的预设截距,所述目标方剂为由各所述预设方剂组成的方剂集合中的方剂;
所述根据所述用户症状与经训练得到的方剂推荐模型确定可治疗所述用户症状的目标方剂,包括:
将所述用户症状输入所述线性模型得到与各所述预设方剂分别对应的评估分数;
根据所述评估分数从所述方剂集合中确定出目标方剂。
在上述实现过程中,各预设方剂作为线性模型的因变量,各预设症状作为线性模型的自变量,根据输入的用户症状可以得到各预设方剂分别对应的评估分数,根据该评估分数从预设方剂中确定出目标方剂,也即,可以根据线性模型的输出结果进行进一步筛选,提升了最终确定出的目标方剂的可靠性。
进一步地,所述根据所述目标方剂确定推荐症状,包括:
确定各所述目标方剂与各所述预设症状之间的关联系数;
根据所述关联系数从由各所述预设症状组成的症状集合中确定出推荐症状。
在上述实现过程中,根据目标方剂与各预设症状之间的关联系数从预设症状中确定出推荐症状,以尽可能保证确定出的推荐症状与目标方剂相关,进而可以保证推荐症状与用户输入的用户症状相关,使得推荐症状更符合用户当前的身体不适情况,提升了症状提示的准确性。
进一步地,所述确定各所述目标方剂与各所述预设症状之间的关联系数,包括:
从所述线性模型中获取各所述目标方剂与各所述预设症状之间的关联系数。
在上述实现过程中,基于线性模型确定目标方剂,再基于线性模型中的关联系数确定与目标方剂相关的推荐症状,由于是基于同一线性模型确定目标方剂,进而确定推荐症状,所以得到的推荐结果更加准确;另外,由于可以直接从线性模型中获取关联系数,所以无需再配备其他的资源存储或者计算关联系数。
进一步地,所述根据所述关联系数从由各所述预设症状组成的症状集合中确定出推荐症状,包括:
针对每一所述目标方剂,按照其与各所述预设症状之间的关联系数由大到小的顺序,从所述症状集合中筛选出满足预设数量的症状,并从筛选出来的症状中确定出推荐症状。
在上述实现过程中,由于是从筛选出来的症状中进行推荐症状的选择的,所以确定出的每一推荐症状均与对应的目标方剂具有较高的关联性,所以,推荐症状与输入的用户症状也具有较高的关联性,进一步提升了推荐结果的可靠性。
本申请实施例还提供了一种基于方剂的症状推荐装置,包括:
获取模块,用于获取用户信息;所述用户信息包括用户输入的用户症状;
第一确定模块,用于确定可治疗所述用户症状的目标方剂;
第二确定模块,用于根据所述目标方剂确定推荐症状;
推荐模块,用于将所述推荐症状推荐给所述用户。
本申请实施例还提供了一种电子设备,包括处理器和存储器,所述存储器中存储有计算机程序,所述处理器执行所述计算机程序,以实现上述任意一种方法。
本申请实施例还提供了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,所述计算机程序被至少一个处理器执行时,以实现上述任意一种方法。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1为本申请实施例一提供的基于方剂的症状推荐方法的流程示意图;
图2为本申请实施例一提供的对用户进行症状推荐的示意图;
图3为本申请实施例二提供的基于方剂的症状推荐装置的结构示意图;
图4为本申请实施例三提供的电子设备的结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。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。
需要说明的是,在本发明实施例中涉及“第一”、“第二”等的描述仅用于描述目的,而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外,各个实施例之间的技术方案可以相互结合,但是必须是以本领域普通技术人员能够实现为基础,当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在,也不在本发明要求的保护范围之内。
在本发明的描述中,需要理解的是,步骤前的数字标号并不标识执行步骤的前后顺序,仅用于方便描述本发明及区别每一步骤,因此不能理解为对本发明的限制。
下面将提供多个实施例,来具体介绍基于方剂的症状推荐方法、装置、设备及存储介质。
实施例一:
为解决现有技术中,因患者对自己的症状描述不够全面,导致影响诊疗准确性的问题,本申请实施例提供一种基于方剂的症状推荐方法,本申请实施例所提供的基于方剂的症状推荐方法可以应用于电子设备中,电子设备包括但不限于是PC(PersonalComputer,个人电脑)、手机、平板电脑、笔记本电脑等。
请参见图1所示,本申请实施例提供的方法可以包括如下步骤:
S101:获取用户信息;用户信息包括用户输入的用户症状。
步骤S101-S104中的用户通常是患者用户,比如,可以是患者本人,也可以是熟悉患者病情的相关人员,例如患者家属。用户可以根据自身实际情况,通过电子设备上的应用程序输入用户信息。这里的用户信息包括用户症状,还可以包括用户的年龄、性别等可以辅助医生诊疗的信息。
S102:确定可治疗该用户症状的目标方剂。
步骤S102中可以基于经训练得到的方剂推荐模型确定可治疗该用户症状的目标方剂。
本申请实施例中的方剂推荐模型为基于多个训练样本数据进行训练得到的模型。每一训练样本数据中可以包括用户信息与治疗该用户信息中多个用户症状的方剂的信息,将用户信息作为模型的输入,方剂信息作为模型输出。方剂推荐模型可以是基于随机森林模型、XGBoost模型等非线性模型或者其他线性模型进行训练得到的模型。
在第一种可选的实施方式中,将获取到的用户信息输入该方剂推荐模型,该模型可以针对该用户信息直接输出可治疗对应用户症状的目标方剂。
在第二种可选的实施方式中,将获取到的用户信息输入该方剂推荐推荐模型,该模型可以针对各预设方剂,输出对应的评估分数,此时可以根据各预设方剂分别对应的评估分数从预设方剂组成的方剂集合中筛选出目标方剂。
下面对上述第二种可选的实施方式进行具体介绍。
本实施方式中的线性模型可以为:
Pj=Wj0+Wj1S1+Wj2S2+Wj3S3+…+WjnSn。
其中,Wji表示第j个预设方剂与第i个预设症状之间的关联系数,Si表示第i个预设症状,Pj表示第j个预设方剂的评估分数,i=1,2…n,j=1…m,n表示预设症状的总数,m表示预设方剂的总数,Wj0表示第j个预设方剂所对应的线性方程的预设截距,目标方剂为由各预设方剂组成的方剂集合中的方剂。
此时,对于步骤S102而言,可以将获取到的用户症状输入上述线性模型得到与各预设方剂分别对应的评估分数,然后根据评估分数从方剂集合中确定出目标方剂。本申请实施例中的评估分数表征了对应的方剂与用户输入的用户症状之间的关联性,所以,可以根据评估分数由高到低的顺序,从方剂集合中筛选出预设数量的方剂作为目标方剂,比如,可以将排名前五的方剂筛选出来作为目标方剂。也可以将评估分数大于等于预设评估分数阈值的方剂筛选出来作为目标方剂。
在训练上述线性模型的过程中,可以基于最小二乘法确定损失函数,损失函数可以为:
其中,表示第j个预设方剂的真实值,Pj表示模型计算的第j个预设方剂的线性回归值,也即上述的评估分数。
S103:根据目标方剂确定推荐症状。
在第一种可选的实施方式中,步骤S103中可以确定各目标方剂与各预设症状之间的关联系数,然后根据该关联系数从由各预设症状组成的症状集合中确定出推荐症状。
在本实施方式中,可以针对每一目标方剂,按照其与各预设症状之间的关联系数由大到小的顺序,从症状集合中筛选出满足预设数量的症状,并从筛选出来的症状中确定出推荐症状。具体的,可以对筛选出来的症状进行过滤得到最终的推荐症状。比如,可以过滤用户已经输入的用户症状,过滤与用户已输入的用户症状互斥的症状,过滤不属于用户所处年龄段的症状,过滤不属于用户的性别的症状,过滤与已经输入的用户症状中的阴性症状对应的阳性症状。
本实施方式中,可以根据评估分数由大到小的顺序为各目标方剂赋予对应的权重值,不同的权重值对应的需要筛选出来进行推荐的症状的数量不同,也即不同权重值对应的所述预设数量值不同。比如,针对评估分数排名第一的目标方剂,其与用户输入的用户症状相关度很高,其对应的预设数量值可以大于其他目标方剂对应的预设数量值。
在上述第一种可选的实施方式的第一种示例下,可以直接从线性模型中获取各目标方剂与各预设症状之间的关联系数。比如,可以直接从上述线性模型中获取对应的Wji作为目标方剂与预设症状之间的关联系数。
本示例所提供的方案,对线性模型进行了两次使用,先基于线性模型确定目标方剂,再基于线性模型中的关联系数确定与目标方剂相关的推荐症状,由于是基于同一线性模型确定目标方剂,进而确定推荐症状的,所以得到的推荐结果更加可靠;另外,由于可以直接从线性模型中获取关联系数,所以无需再配备其他的资源存储或者计算关联系数,可以节省电子设备中的资源消耗。
在上述第一种可选的实施方式的第二种示例下,可以根据目标方剂与经训练得到的症状推荐模型确定与该目标方剂对应的推荐症状。症状推荐模型为基于多个训练样本数据进行训练得到的模型。每一训练样本数据中可以包括多个方剂以及方剂所针对的症状的信息。训练样本数据可以从医案数据库中获取,医案数据库中包括大量的医案文档,每一医案文档中记录有用户症状以及对该用户症状进行治疗的方剂。对该模型进行训练时,将方剂作为模型输入,症状作为模型输出。本示例中的症状推荐模型可以与上述方剂推荐模型为采用不同的基础模型进行训练得到的模型,比如上述采用线性模型进行训练,得到方剂推荐模型,这里可以采用非线性模型进行训练,得到症状推荐模型,也即,先基于方剂推荐模型得到目标方剂,然后基于症状推荐模型确定出与该目标方剂相关的推荐症状,通过多样化的模型输出最终的推荐症状,得到的结果更加准确、可靠、全面。
在第二种可选的实施方式中,步骤S103中可以将目标方剂作为一个目标方剂集合,然后针对每一预设症状,确定其与该目标方剂集合的关联系数,然后根据该关联系数从由各预设症状组成的症状集合中确定出推荐症状。具体的,可以将目标方剂输入经训练得到的症状推荐线性模型中,症状推荐线性模型为基于线性模型进行训练得到的模型。将目标方剂输入该症状推荐线性模型可以得到与各预设症状分别对应的评估分数,将该评估分数作为相应预设症状与目标方剂集合之间的关联系数,根据该关联系数从预设症状组成的症状集合中确定出推荐症状。比如可以根据关联系数由高到低的顺序筛选出满足预设数量的症状,并从筛选出来的症状中确定出推荐症状。
S104:将推荐症状推荐给用户。
将推荐症状推荐给用户之后,可以接收用户基于该推荐症状重新输入的新的用户症状,然后将经用户确认的症状信息发送给另一用户。比如,可以通过应用程序将该信息推送给医生,由医生根据用户输入的信息进行诊疗。
应当说明的是,对于一些业务技术不太熟练的医生,比如实习阶段的医生,其在对患者进行诊疗的过程中,可能无法熟练地引导患者描述自己的所有症状。所以,在步骤S104中,也可以将推荐症状推荐给医生用户,由医生根据推荐的症状对患者进行询问,可以提升医生的诊疗效率。
在确定出需要对用户进行推荐的推荐症状之后,可以对推荐症状进行随机采样,依据采样的推荐症状是否为体征信息,将推荐症状划分成两组。一组标签名为“相关体征”,包含推荐症状中所有的体征症状,另一组标签名为“相关症状”包含症状中所有的非体征症状。在向用户进行推荐时,推出“相关体征”和“相关症状”标签,及其各自包含的症状,具体的,可以参见图2所示。
本申请实施例中的体征症状是指他人可客观检查到的症状,是一种客观存在的症状,不随患者的主观意识而改变。这里的他人可以是除患者以外的任何人,比如可以是医生,也可以是患者的陪诊者等。这里的检查是指他人通过肉眼、或者触摸等这种非直接询问的方式的诊察手段。比如,与舌、面、脉等相关的症状,开发人员可以为预设症状设置相应的标签,比如,可以针对体型相关的症状设置“体征”标签,以表示该症状属于体征症状,在确定出推荐症状之后,就可以根据推荐症状对应的标签情况,确定对应的推荐症状是体征症状还是非体征症状。
本申请实施例提供的基于方剂的症状推荐方法可以将与方剂推荐模型的推荐结果具有高关联性的症状推荐给用户,可以引导用户确认自身是否存在推荐的症状,可以提升收集到的症状的全面性,进而可以提升诊疗结果的准确性。
实施例二:
本申请实施例提供一种基于方剂的症状推荐装置,请参见图3所示,包括:
获取模块301,用于获取用户信息;用户信息包括用户输入的用户症状。
第一确定模块302,用于确定可治疗该用户症状的目标方剂。
第二确定模块303,用于根据目标方剂确定推荐症状。
推荐模块304,用于将推荐症状推荐给用户。
在示例性的实施例中,方剂推荐模型为基于多个训练样本数据进行训练得到的线性模型;每一训练样本数据中包括多个用户症状的信息与治疗该多个用户症状的方剂的信息。
在示例性的实施例中,线性模型为:
Pj=Wj0+Wj1S1+Wj2S2+Wj3S3+…+WjnSn;
其中,Wji表示第j个预设方剂与第i个预设症状之间的关联系数,Si表示第i个预设症状,Pj表示第j个预设方剂的评估分数,i=1,2…n,j=1…m,n表示预设症状的总数,m表示预设方剂的总数,Wj0表示第j个预设方剂所对应的线性方程的预设截距,目标方剂为由各预设方剂组成的方剂集合中的方剂。
第一确定模块302用于将用户症状输入该线性模型得到与各预设方剂分别对应的评估分数;根据评估分数从方剂集合中确定出目标方剂。
在示例性的实施例中,第二确定模块303用于确定各目标方剂与各预设症状之间的关联系数,根据关联系数从由各预设症状组成的症状集合中确定出推荐症状。
在示例性的实施例中,第二确定模块303用于从线性模型中获取各目标方剂与各预设症状之间的关联系数。
在示例性的实施例中,第二确定模块303用于针对每一目标方剂,按照其与各预设症状之间的关联系数由大到小的顺序,从症状集合中筛选出满足预设数量的症状,并从筛选出来的症状中确定出推荐症状。
在示例性的实施例中,第二确定模块303用于将目标方剂作为一个目标方剂集合,然后针对每一预设症状,确定其与该目标方剂集合的关联系数,然后根据该关联系数从由各预设症状组成的症状集合中确定出推荐症状。
需要理解的是,出于描述简洁的考量,部分实施例一中描述过的内容在本实施例中不再赘述。
实施例三:
基于同一发明构思,本申请实施例提供一种电子设备,请参见图4所示,包括处理器401和存储器402,所述存储器402中存储有计算机程序,所述处理器401执行所述计算机程序,以实现上述实施例一中方法的步骤,在此不再赘述。
可以理解,图4所示的结构仅为示意,设备还可包括比图4中所示更多或者更少的组件,或者具有与图4所示不同的配置。
处理器401可以是一种集成电路芯片,具有信号处理能力。上述处理器401可以是通用处理器,包括中央处理器(CPU)、网络处理器(NP)等;还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(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。其可以实现或者执行本申请实施例中公开的各种方法、步骤及逻辑框图。
存储器402可以包括但不限于随机存取存储器(RAM),只读存储器(ROM),可编程只读存储器(PROM),可擦除只读存储器(EPROM),电可擦除只读存储器(EEPROM)等。
本实施例还提供了一种计算机可读存储介质,如软盘、光盘、硬盘、闪存、U盘、安全数码(SD)卡、多媒体(MMC)卡等,在该计算机可读存储介质中存储有实现上述各个步骤的一个或者多个程序,这一个或者多个程序可被一个或者多个处理器执行,以实现上述各实施例中方法的各步骤,在此不再赘述。
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实现,但很多情况下前者是更佳的实施方式。
以上所述仅为本申请的实施例而已,并不用于限制本申请的保护范围,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (5)
1.一种基于方剂的症状推荐方法,其特征在于,包括:
获取用户信息;所述用户信息包括用户输入的用户症状;
确定可治疗所述用户症状的目标方剂,包括:
基于经训练得到的方剂推荐模型确定可治疗所述用户症状的目标方剂;所述方剂推荐模型为基于多个训练样本数据进行训练得到的线性模型;每一所述训练样本数据中包括多个用户症状的信息与治疗所述多个用户症状的方剂的信息;所述线性模型为:Pj=j0+j1S1+j2S2+j3S3+…+WjnSn;其中,Wji表示第j个预设方剂与第i个预设症状之间的关联系数,Si表示第i个预设症状,Pj表示第j个预设方剂的评估分数,i=1,2…n,j=1…,n表示所述预设症状的总数,m表示所述预设方剂的总数,Wj0表示第j个预设方剂所对应的线性方程的预设截距,所述目标方剂为由各所述预设方剂组成的方剂集合中的方剂;所述基于经训练得到的方剂推荐模型确定可治疗所述用户症状的目标方剂,包括:将所述用户症状输入所述线性模型得到与各所述预设方剂分别对应的评估分数;根据所述评估分数从所述方剂集合中确定出目标方剂;
根据所述目标方剂确定推荐症状,包括:确定各所述目标方剂与各所述预设症状之间的关联系数;根据所述关联系数从由各所述预设症状组成的症状集合中确定出推荐症状;
所述确定各所述目标方剂与各所述预设症状之间的关联系数,包括:
从所述线性模型中获取各所述目标方剂与各所述预设症状之间的关联系数;
将所述推荐症状推荐给所述用户。
2.如权利要求1所述的基于方剂的症状推荐方法,其特征在于,所述根据所述关联系数从由各所述预设症状组成的症状集合中确定出推荐症状,包括:
针对每一所述目标方剂,按照其与各所述预设症状之间的关联系数由大到小的顺序,从所述症状集合中筛选出满足预设数量的症状,并从筛选出来的症状中确定出推荐症状。
3.一种基于方剂的症状推荐装置,其特征在于,包括:
获取模块,用于获取用户信息;所述用户信息包括用户输入的用户症状;
第一确定模块,用于确定可治疗所述用户症状的目标方剂;具体用于基于经训练得到的方剂推荐模型确定可治疗所述用户症状的目标方剂;所述方剂推荐模型为基于多个训练样本数据进行训练得到的线性模型;每一所述训练样本数据中包括多个用户症状的信息与治疗所述多个用户症状的方剂的信息;所述线性模型为:Pj=j0+j1S1+j2S2+j3S3+…+WjnSn;其中,Wji表示第j个预设方剂与第i个预设症状之间的关联系数,Si表示第i个预设症状,Pj表示第j个预设方剂的评估分数,i=1,2…n,j=1…,n表示所述预设症状的总数,m表示所述预设方剂的总数,Wj0表示第j个预设方剂所对应的线性方程的预设截距,所述目标方剂为由各所述预设方剂组成的方剂集合中的方剂;具体用于将所述用户症状输入所述线性模型得到与各所述预设方剂分别对应的评估分数;根据所述评估分数从所述方剂集合中确定出目标方剂;
第二确定模块,用于根据所述目标方剂确定推荐症状;具体用于确定各所述目标方剂与各所述预设症状之间的关联系数;根据所述关联系数从由各所述预设症状组成的症状集合中确定出推荐症状;具体用于从所述线性模型中获取各所述目标方剂与各所述预设症状之间的关联系数;
推荐模块,用于将所述推荐症状推荐给所述用户。
4.一种电子设备,其特征在于,包括处理器和存储器,所述存储器中存储有计算机程序,所述处理器执行所述计算机程序,以实现如权利要求1-2中任一项所述的方法。
5.一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存储有计算机程序,所述计算机程序被至少一个处理器执行时,以实现如权利要求1-2中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210710939.1A CN115101192B (zh) | 2022-06-22 | 2022-06-22 | 基于方剂的症状推荐方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210710939.1A CN115101192B (zh) | 2022-06-22 | 2022-06-22 | 基于方剂的症状推荐方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115101192A CN115101192A (zh) | 2022-09-23 |
CN115101192B true CN115101192B (zh) | 2023-09-01 |
Family
ID=83292804
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210710939.1A Active CN115101192B (zh) | 2022-06-22 | 2022-06-22 | 基于方剂的症状推荐方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115101192B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104200069A (zh) * | 2014-08-13 | 2014-12-10 | 周晋 | 一种基于症状分析和机器学习的用药推荐***和方法 |
CN112015917A (zh) * | 2020-09-07 | 2020-12-01 | 平安科技(深圳)有限公司 | 基于知识图谱的数据处理方法、装置及计算机设备 |
CN112863694A (zh) * | 2021-02-08 | 2021-05-28 | 浙江中医药大学 | 一种信息推荐方法和装置 |
CN113096797A (zh) * | 2021-04-16 | 2021-07-09 | 杭州卓健信息科技有限公司 | 基于智能终端的问诊*** |
CN113268511A (zh) * | 2021-04-21 | 2021-08-17 | 广东易生活信息科技有限公司 | 一种基于古籍古方的中医处方推荐方法及*** |
CN113488157A (zh) * | 2021-07-30 | 2021-10-08 | 卫宁健康科技集团股份有限公司 | 智能导诊处理方法、装置、电子设备及存储介质 |
CN114416967A (zh) * | 2022-01-26 | 2022-04-29 | 平安国际智慧城市科技股份有限公司 | 智能推荐医生的方法、装置、设备及存储介质 |
-
2022
- 2022-06-22 CN CN202210710939.1A patent/CN115101192B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104200069A (zh) * | 2014-08-13 | 2014-12-10 | 周晋 | 一种基于症状分析和机器学习的用药推荐***和方法 |
CN112015917A (zh) * | 2020-09-07 | 2020-12-01 | 平安科技(深圳)有限公司 | 基于知识图谱的数据处理方法、装置及计算机设备 |
CN112863694A (zh) * | 2021-02-08 | 2021-05-28 | 浙江中医药大学 | 一种信息推荐方法和装置 |
CN113096797A (zh) * | 2021-04-16 | 2021-07-09 | 杭州卓健信息科技有限公司 | 基于智能终端的问诊*** |
CN113268511A (zh) * | 2021-04-21 | 2021-08-17 | 广东易生活信息科技有限公司 | 一种基于古籍古方的中医处方推荐方法及*** |
CN113488157A (zh) * | 2021-07-30 | 2021-10-08 | 卫宁健康科技集团股份有限公司 | 智能导诊处理方法、装置、电子设备及存储介质 |
CN114416967A (zh) * | 2022-01-26 | 2022-04-29 | 平安国际智慧城市科技股份有限公司 | 智能推荐医生的方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN115101192A (zh) | 2022-09-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Muntner et al. | Trends in blood pressure control among US adults with hypertension, 1999-2000 to 2017-2018 | |
CN111696675B (zh) | 基于物联网数据的用户数据分类方法、装置及计算机设备 | |
US11449793B2 (en) | Methods and systems for medical record searching with transmittable machine learning | |
JP6907831B2 (ja) | コンテキストベースの患者類似性の方法及び装置 | |
Eminović et al. | Teledermatologic consultation and reduction in referrals to dermatologists: a cluster randomized controlled trial | |
US20170316180A1 (en) | Behavior prediction apparatus, behavior prediction apparatus controlling method, and behavior prediction apparatus controlling program | |
CN112614578B (zh) | 医生智能推荐方法、装置、电子设备及存储介质 | |
Halldorsson et al. | A clinical decision support system for the diagnosis, fracture risks and treatment of osteoporosis | |
EP2922018A1 (en) | Medical information analysis program, medical information analysis device, and medical information analysis method | |
CN111933291A (zh) | 医疗信息推荐装置、方法、***、设备及可读存储介质 | |
Sudhinaraset et al. | Analysis of state-level immigrant policies and preterm births by race/ethnicity among women born in the US and women born outside the US | |
CN112216361A (zh) | 基于人工智能的随访计划单生成方法、装置、终端及介质 | |
KR20200113954A (ko) | 사용자 맞춤형 건강 정보 서비스 제공 시스템 및 그 방법 | |
CN108492886B (zh) | 微创手术相似病案推荐方法、装置、设备及介质 | |
CN110752027B (zh) | 电子病历数据推送方法、装置、计算机设备和存储介质 | |
CN112447270A (zh) | 一种用药推荐方法、装置、设备及存储介质 | |
CA2997354A1 (en) | Experience engine-method and apparatus of learning from similar patients | |
CN111785383A (zh) | 数据处理方法及相关设备 | |
CN116312926A (zh) | 健康路径推荐方法及相关装置、电子设备和存储介质 | |
CN111415760A (zh) | 医生推荐方法、***、计算机设备及存储介质 | |
Smulowitz et al. | Association of functional status, cognition, social support, and geriatric syndrome with admission from the emergency department | |
Paglialonga et al. | Automated characterization of mobile health apps' features by extracting information from the web: an exploratory study | |
CN113707304A (zh) | 分诊数据处理方法、装置、设备及存储介质 | |
US20170091410A1 (en) | Predicting personalized risk of preventable healthcare events | |
Krumholz et al. | Association of hospital payment profiles with variation in 30-day Medicare cost for inpatients with heart failure or pneumonia |
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 |