CN108109692A - 一种治疗方案的选择方法和系统 - Google Patents

Abstract

本发明实施例公开了一种治疗方案的选择方法和系统。该方法包括：获取患者信息；根据患者信息和医学指南建议，从治疗方案列表中选取全部的可用治疗方案，治疗方案列表根据临床数据和医学指南建议预先确定；获取每个可用治疗方案对应的机器学习模型，机器学习模型包括至少两个机器学习子模型，每个机器学习模型根据临床数据预先确定；将患者信息作为每个机器学习模型中各机器学习子模型的输入，并根据各机器学习子模型的输出确定每个可用治疗方案的可用概率值；根据每个可用治疗方案和对应的可用概率值确定推荐方案。从而实现了智能判断每个治疗方案的可用性，以供医生参考来选择最佳的治疗方案。

Description

一种治疗方案的选择方法和系统

技术领域

本发明实施例涉及医学领域，尤其涉及一种治疗方案的选择方法和系统。

背景技术

目前，大多数疾病都有多个治疗方案，由于每个治疗方案的效果可能不同，所以需要医生选择出最适合患者的治疗方案。通常情况下，医生会根据自身的从医经验选出最佳的治疗方案。但是大部分医生的从医经验尚不丰富，仅仅根据自身的从医经验无法选择出最佳的治疗方案，而且从医经验的提升需要长时间的不断积累，无法短时间完成。

发明内容

本发明提供了一种治疗方案的选择方法和系统，以实现智能判断每个治疗方案的可用性，以供医生参考来选择最佳的治疗方案。

第一方面，本发明实施例提供了一种治疗方案的选择方法，包括：

获取患者信息；

根据所述患者信息和医学指南建议，从治疗方案列表中选取全部的可用治疗方案，所述治疗方案列表根据临床数据和所述医学指南建议预先确定；

获取每个所述可用治疗方案对应的机器学习模型，所述机器学习模型包括至少两个机器学习子模型，每个所述机器学习模型根据所述临床数据预先确定；

将所述患者信息作为每个所述机器学习模型中各机器学习子模型的输入，并根据各所述机器学习子模型的输出确定每个所述可用治疗方案的可用概率值；

根据每个所述可用治疗方案和对应的可用概率值确定推荐方案。

第二方面，本发明实施例还提供了一种治疗方案的选择系统，包括：

患者信息获取模块，用于获取患者信息；

可用治疗方案确定模块，用于根据所述患者信息和医学指南建议，从治疗方案列表中选取全部的可用治疗方案，所述治疗方案列表根据临床数据和所述医学指南建议预先确定；

机器学习模型获取模块，用于获取每个所述可用治疗方案对应的机器学习模型，所述机器学习模型包括至少两个机器学习子模型，每个所述机器学习模型根据所述临床数据预先确定；

可用概率值确定模块，用于将所述患者信息作为每个所述机器学习模型中各机器学习子模型的输入，并根据各所述机器学习子模型的输出确定每个所述可用治疗方案的可用概率值；

推荐方案确定模块，用于根据每个所述可用治疗方案和对应的可用概率值确定推荐方案。

本发明实施例通过根据患者信息和医学指南建议选取全部的可用治疗方案，利用每个可用治疗方案对应的机器学习模型确定每个可用治疗方案的可用概率值，并根据每个可用治疗方案和对应的可用概率值确定推荐方案。从而实现了智能判断每个治疗方案的可用性，以供医生参考来选择最佳的治疗方案。

附图说明

图1是本发明实施例一提供的一种治疗方案的选择方法的流程图。

图2是本发明实施例二提供的一种治疗方案的选择方法的流程图。

图3是本发明实施例三提供的一种治疗方案的选择系统的结构示意图。

具体实施方式

下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。

实施例一

图1为本发明实施例一提供的一种治疗方案的选择方法的流程图，本实施例可适用于帮助医生从多种治疗方案中选择出最佳治疗方案的情况，该方法可以由治疗方案的选择系统来执行，具体包括如下步骤：

步骤110、获取患者信息。

其中，所述患者信息包括性别、年龄、个人史、家族遗传史、仪器检查报告和实验室检查结果中的各项指标等。

示例性的，患者A的信息为：男、76岁、收缩压160、舒张压160、心率76、有高血压家族史、有心脏病家族史、血清肌酐1.8mg/dL、餐后2小时葡萄糖含量12mmol/L、左室肥厚、肾动脉狭窄、高血压二级高危。

步骤120、根据患者信息和医学指南建议，从治疗方案列表中选取全部的可用治疗方案，治疗方案列表根据临床数据和医学指南建议预先确定。

其中，医学指南建议是根据最新版本的医学指南进行总结得到的，总结的内容包括：疾病的重要影响因素、诊断性评估指标、特殊人群、方案类型、药品禁忌症等。其中疾病的重要影响因素可以包括性别、年龄、身体健康指数、吸烟饮酒史、家族史等；诊断性评估指标可以包括病史、实验室检查、仪器检查、靶器官损害检查中的各项评估指标；特征人群可以包括：青年人、老年人和孕妇等。根据这些总结的内容可以生成方案类型推荐列表和药品禁忌症。方案类型推荐列表给出了某种疾病的严重等级以及对应的每个方案类型的推荐程度。方案类型可以是不用药、单药或联合。不用药指的是利用生活方式干预的形式来治疗疾病；单药指的是利用一种药品来治疗疾病；联合指的是利用两种或两种以上的药品来治疗疾病。

示例性的，表1给出了一种治疗高血压疾病的方案类型推荐列表的示例；表2给出了一种治疗高血压疾病的药品禁忌症的示例。

表1

表2

表1中的推荐程度用0、1、2表示，推荐程度依次上升。可选的，在选择方案类型时，选择推荐程度最高的，也就是2对应的方案类型。表2中给出了治疗高血压疾病的五种降压药品，以及每种药品对应的禁忌症。其中，ACEI(Angiotensin Converting EnzymeInhibitors)是血管紧张素转化酶抑制剂，ARB(Angiotensin Receptor Blocker)是血管紧张素受体阻滞剂。

可选的，步骤120具体包括：将患者信息与医学指南建议中的方案类型推荐列表进行匹配，确定治疗方案类型；将患者信息与医学指南建议中的药品禁忌症进行匹配，确定患者信息对应的禁忌药品；根据治疗方案类型和禁忌药品，从治疗方案列表中选取全部的可用治疗方案。

其中，将患者信息与方案类型推荐列表中给出的严重等级进行匹配，确定患者的严重等级，再根据该严重等级和每个方案类型的推荐程度确定治疗方案类型。可选的，将推荐程度最大的方案类型确定为治疗方案类型。

示例性的，根据患者A的信息中的“高血压二级高危”和表1给出的方案类型推荐列表，可以确定患者A的治疗方案类型为“联合”方案。根据患者A的信息中的“肾动脉狭窄”和表2给出的药品禁忌症，可以确定患者A的禁忌药品为ACEI和ARB。

进一步的，治疗方案列表的确定方法，包括：获取多个临床数据及对应的临床治疗方案；根据医学指南建议剔除不可用临床数据，确定可用临床数据；从临床治疗方案中提取不同的治疗方案，并根据治疗方案对可用临床数据进行分类；根据临床数据的分类结果确定每个治疗方案的使用频率；剔除使用频率小于预设频率的治疗方案，确定治疗方案列表。

其中，多个临床数据和对应的临床治疗方案是通过对多年大量的临床病例数据进行提取得到的，病例数据包括患者的主诉、当前病史、既往病史、手术史、个人史、家族史、入院诊断、仪器检查报告、实验室检查结果、药品医嘱、护理记录等。检查获取的临床数据是否符合医学指南建议中的方案类型推荐列表和药品禁忌症，若不符合，则将对应的临床数据作为不可用临床数据，并且剔除不可用数据，剔除后剩下的临床数据确定为可用临床数据。将获取的临床治疗方案进行提取，得到多个不同的治疗方案，再根据治疗方案将可用临床数据进行分类，得到每个治疗方案对应的所有可用临床数据。每个治疗方案的使用频率是将每个治疗方案对应的可用临床数据的数量除以所有的可用临床数据的数量得到的。当某个治疗方案的使用频率小于预设频率时，表示该治疗方案属于不常见治疗方案，可能存在方案特殊性，为了避免经验较弱的医生出现误选的情况，需要将所有不常见的治疗方案剔除，根据剩下的治疗方案来确定治疗方案列表。

示例性的，表3给出了一种治疗高血压疾病的治疗方案列表的示例。

表3

表3中A代表的是ACEI或ARB，A1代表的是ACEI，A2代表的是ARB；B代表的是β受体阻滞剂；C代表的是二氢吡啶类钙通道阻滞剂；D代表的是噻嗪类利尿剂；E代表的是α受体阻滞剂。根据患者A的治疗方案类型为联合以及禁忌药品为ACEI和ARB，可以从表3中的治疗方案列表选择出7种可用治疗方案，分别是方案代码为B+C、C+D、B+D、B+C+D、B+C+E、C+E和B+E这7种治疗方案。

步骤130、获取每个可用治疗方案对应的机器学习模型，机器学习模型包括至少两个机器学习子模型，每个机器学习模型根据临床数据预先确定。

其中，每个可用治疗方案对应着一个机器学习模型。由于可用治疗方案是从治疗方案列表中选取得到的，所以治疗方案列表中的每个治疗方案都对应着一个机器学习模型，并且每一个机器学习模型都是根据临床数据预先确定的。

步骤140、将患者信息作为每个机器学习模型中各机器学习子模型的输入，并根据各机器学习子模型的输出确定每个可用治疗方案的可用概率值。

其中，每个机器学习子模型均是一个二分类子模型，机器学习子模型的输出只有两种结果，分别是可用和不可用，用于表示患者是否可以使用对应的可用治疗方案；每个可用治疗方案的可用概率值是将输出结果为可用的机器学习子模型的个数除以所有机器学习子模型的个数得到的。若可用概率值大于0.5时，则该可用治疗方案能用来治疗疾病；若小于等于0.5，则该可用治疗方案不能用来治疗疾病。

步骤150、根据每个可用治疗方案和对应的可用概率值确定推荐方案。

其中，推荐方案可以是一个或多个方案，可以是将最大的可用概率值对应的可用治疗方案推荐给医生，也可以是将可用概率值大于0.5的几个可用治疗方案推荐给医生，还可以是将所有的可用治疗方案及对应的可用概率值推荐给医生，然后医生通过参考可用概率值并且结合自身经验以及患者实际情况，从中选择一个最适合患者的可用治疗方案。

本发明实施例通过根据患者信息和医学指南建议选取全部的可用治疗方案，利用每个可用治疗方案对应的机器学习模型确定每个可用治疗方案的可用概率值，并根据每个可用治疗方案和对应的可用概率值确定推荐方案，为医生提供参考，替代了现有技术中仅依靠医生自身经验确定患者治疗方案的情况，从而解决了因医生经验不丰富导致的无法全面考虑不同治疗方案的问题，实现了智能判断每个治疗方案的可用性，以供医生参考来选择最佳的治疗方案。

实施例二

图2为本发明实施例二提供的一种治疗方案的选择方法的流程图，本实施例在上述实施例的基础上进行优化，进一步提供了机器学习模型的确定方法。

优化后，一种治疗方案的选择方法的具体步骤如下：

步骤210、获取预设样本集，其中预设样本集中包括治疗方案列表中的所有治疗方案对应的可用临床数据。

步骤220、确定至少两个抽样规则，并根据每个抽样规则建立一个候选机器学习模型，其中，每个抽样规则包括随机样本集的预定样本集数量以及每个随机样本集中对每个可用临床数据抽取的预定特征数量。

其中，针对治疗方案列表中的每个治疗方案均会设置至少两个对应的抽样规则，每个抽样规则中随机样本集的预定样本集数量设置的均不同。每个抽样规则中预定特征数量设置的均也不同。若每个可用临床数据包括M个特征，则预定特征数量m可以从大于等于2且小于等于M-1的范围内取值。

进一步的，步骤220中的根据每个抽样规则建立一个候选机器学习模型，具体包括：根据抽样规则对预设样本集进行有放回的随机抽样，确定与预定样本集数量相同的随机样本集；根据每个随机样本集确定一个候选机器学习子模型，并将所有的候选机器学习子模型确定为一个候选机器学习模型。

其中，有放回的随机抽样指的是从预设样本集中随机抽取一个可用临床数据后，将该可用临床数据放回预设样本集后再随机抽取下一个可用临床数据，抽取的次数与预设样本集中可用临床数据的个数相同，且抽取的可用临床数据可以存在相同的情况。然后根据抽样规则对每个抽取出来的可用临床数据无放回的随机再抽取预定特征数量的特征。每个可用临床数据抽取完预定特征数量的特征后重新组成新的可用临床数据，将所有新的可用临床数据组成随机样本集。随机样本集中新的可用临床数据的个数和预设样本集中可用临床数据的个数相同。根据抽样规则中随机样本集的预定样本集数量确定生成的随机样本集的个数。

每一个随机样本集用于确定一个候选机器学习子模型。每个候选机器学习子模型是根据决策树算法确定的一个二分类模型。决策树算法可以是ID3算法、C4.5算法和CART算法。对于二分类模型，可以选择C4.5算法即利用信息增益率来选择节点的分裂属性。当出现节点中的数据全部是属于一个类别时，停止分裂，一个候选机器学习子模型的构建完成。将利用一个抽样规则确定的所有候选机器学习子模型确定为一个候选机器学习模型。该候选机器学习模型的输出由各个候选机器学习子模型的输出通过投票的方式决定。可选的，通过多数服从少数的方式决定候选机器学习模型的输出结果。示例性的，某个候选机器学习模型包括100个候选机器学习子模型，当有一个样本数据输入到该候选机器学习模型中的每个候选机器学习子模型时，若有90个候选机器学习子模型的输出是可用，10个候选机器学习子模型的输出是不可用，则该候选机器学习模型输出的结果是可用，并且可用概率值为0.9。

需要注意的是，由于每个随机样本集是通过随机抽样得到的，即保证了随机性，并且每个候选机器学习子模型都是完全分裂，所以每个候选机器学习子模型不需要进行剪枝，也不会出现过拟合的现象。从而使得候选机器学习模型的稳定性更强，并且可以用于判断更为复杂的临床数据。

步骤230、确定每个候选机器学习模型的袋外错误率，根据袋外错误率确定机器学习模型。

其中，针对治疗方案列表中的某个治疗方案，根据该治疗方案对应的至少两个抽样规则，确定了至少两个候选机器学习模型。为了从至少两个候选机器学习模型中选出最优的候选机器模型，需要确定每个候选机器学习模型的袋外错误率，其中，袋外错误率用于表征每个候选机器学习模型的判断误差。可选的，将袋外错误率最小的候选机器学习模型确定为该治疗方案的机器学习模型。

进一步的，步骤230具体包括：

根据每个候选机器学习模型中各机器学习子模型的随机样本集和预设样本集确定每个候选机器学习模型的袋外样本集；将袋外样本集中的每个袋外样本根据测试规则输入至对应的候选机器学习模型，根据对应的机器学习模型的输出结果确定每个袋外样本的检测结果；根据每个袋外样本的检测结果、对应的标准结果以及袋外样本的数量，确定对应的机器学习模型的袋外错误率；比较每个候选机器学习模型的袋外错误率，将袋外错误率最小的候选机器学习模型确定为机器学习模型。

其中，针对治疗方案列表中某个治疗方案对应的至少两个候选机器学习模型而言，每个候选机器学习模型中各机器学习子模型均是根据对应的随机样本集确定的。由于每个随机样本集都是在预设样本集中进行有放回的随机抽取得到的，所以针对每个随机样本集都会存在一些没有被抽到的可用临床数据，将每个随机样本集中没有被抽到的可用临床数据合并为对应的候选机器学习模型的袋外样本集。也就是说，每个候选机器学习模型均对应着一个袋外样本集。其中，袋外样本集中的某个袋外样本可能只是其中一部分随机样本集的袋外样本，并不是所有随机样本集的袋外样本。

测试规则指的是每一个袋外样本只输入到不包括该袋外样本的随机样本集对应的候选机器学习子模型中。将袋外样本集中的某个袋外样本按照测试规则输入到候选机器学习模型中的部分候选机器学习子模型中。将部分候选机器学习子模型的输出按照投票的方式决定候选机器学习模型的输出结果，并将该输出结果确定为该袋外样本的检测结果，根据该袋外样本的标准结果来判断该检测结果是否准确。确定每个袋外样本的检测结果后，将检测结果为不准确的数量除以袋外样本集中袋外样本的数量得到的结果确定为对应的候选机器学习模型的袋外错误率。

确定每个候选机器学习模型的袋外错误率后，比较每个候选机器学习模型的袋外错误率，将袋外错误率最小的候选机器学习模型确定为机器学习模型。一般情况下，当预定特征数量为总特征数量的平方根时，即时对应的抽样规则确定的候选机器学习模型的袋外错误率最小。

需要注意的是，治疗方案列表中的每个治疗方案均是根据步骤220和步骤230来确定对应的机器学习模型。也就是每个治疗方案都会确定一个对应的机器学习模型。这样设置的好处是当出现新的治疗方案时，只需要将新的治疗方案加入到治疗方案列表中，并根据新的治疗方案对应的临床数据重复步骤210-步骤230来确定对应的机器学习模型。而且无需改变其他治疗方案对应的机器学习模型。从而使得扩展性更强，操作更便捷。

步骤240、获取患者信息。

步骤250、根据患者信息和医学指南建议，从治疗方案列表中选取全部的可用治疗方案，治疗方案列表根据临床数据和医学指南建议预先确定。

步骤260、获取每个可用治疗方案对应的机器学习模型，机器学习模型包括至少两个机器学习子模型，每个机器学习模型根据临床数据预先确定。

步骤270、将患者信息作为每个机器学习模型中各机器学习子模型的输入，并根据各机器学习子模型的输出确定每个可用治疗方案的可用概率值。

步骤280、根据每个可用治疗方案和对应的可用概率值确定推荐方案。

本发明实施例通过利用决策树算法确定每个候选机器学习子模型，根据袋外错误率确定每个治疗方案的机器学习模型，根据患者信息和医学指南建议选取全部的可用治疗方案，利用每个可用治疗方案对应的机器学习模型确定每个可用治疗方案的可用概率值，并根据每个可用治疗方案和对应的可用概率值确定推荐方案。从而使得扩展性更强，操作更便捷，并且实现了智能判断每个治疗方案的可用性，以供医生参考来选择最佳的治疗方案。

实施例三

图3所示为本发明实施例三提供的一种治疗方案的选择系统的结构示意图，本实施例可适用于帮助医生从多种治疗方案中选择出最佳治疗方案的情况，该系统的结构具体包括：患者信息获取模块310、可用治疗方案确定模块320、机器学习模型获取模块330、可用概率值确定模块340和推荐方案确定模块350；

其中，患者信息获取模块310，用于获取患者信息；可用治疗方案确定模块320，用于根据患者信息和医学指南建议，从治疗方案列表中选取全部的可用治疗方案，治疗方案列表根据临床数据和医学指南建议预先确定；机器学习模型获取模块330，用于获取每个可用治疗方案对应的机器学习模型，机器学习模型包括至少两个机器学习子模型，每个机器学习模型根据临床数据预先确定；可用概率值确定模块340，用于将患者信息作为每个机器学习模型中各机器学习子模型的输入，并根据各机器学习子模型的输出确定每个可用治疗方案的可用概率值；推荐方案确定模块350，用于根据每个可用治疗方案和对应的可用概率值确定推荐方案。

进一步的，可用治疗方案确定模块320，包括：

治疗方案类型确定单元，用于将患者信息与医学指南建议中的方案类型推荐列表进行匹配，确定治疗方案类型；

禁忌药品确定单元，用于将患者信息与医学指南建议中的药品禁忌症进行匹配，确定患者信息对应的禁忌药品；

可用治疗方案确定单元，用于根据治疗方案类型和禁忌药品，从治疗方案列表中选取全部的可用治疗方案。

进一步的，该系统还包括治疗方案列表确定模块，治疗方案列表确定模块具体包括：

临床数据获取单元，用于获取多个临床数据及对应的临床治疗方案；

可用临床数据确定单元，用于根据医学指南建议剔除不可用临床数据，确定可用临床数据；

可用临床数据分类单元，用于从临床治疗方案中提取不同的治疗方案，并根据治疗方案对可用临床数据进行分类；

使用频率确定单元，用于根据临床数据的分类结果确定每个治疗方案的使用频率；

治疗方案列表确定单元，用于剔除使用频率小于预设频率的治疗方案，确定治疗方案列表。

进一步的，该系统还包括机器学习模型确定模块，机器学习模型确定模块具体包括：

预设样本集获取单元，用于获取预设样本集，其中预设样本集中包括治疗方案列表中的所有治疗方案对应的可用临床数据；

候选机器学习模型建立单元，用于确定至少两个抽样规则，并根据每个抽样规则建立一个候选机器学习模型，其中，抽样规则包括随机样本集的预定样本数量以及每个随机样本集中对每个可用临床数据抽取的预定特征数量；

机器学习模型确定单元，用于确定每个候选机器学习模型的袋外错误率，根据袋外错误率确定机器学习模型。

进一步的，候选机器学习模型建立单元，具体用于：

根据抽样规则对预设样本集进行有放回的随机抽样，确定与预定样本数量相同的随机样本集；

根据每个随机样本集确定一个候选机器学习子模型，并将所有的候选机器学习子模型确定为一个候选机器学习模型。

进一步的，机器学习模型确定单元，具体用于：

根据每个候选机器学习模型中各机器学习子模型的随机样本集和预设样本集确定每个候选机器学习模型的袋外样本集；

将袋外样本集中的每个袋外样本根据测试规则输入至对应的候选机器学习模型，根据对应的机器学习模型的输出结果确定每个袋外样本的检测结果；

根据每个袋外样本的检测结果、对应的标准结果以及袋外样本的数量，确定对应的机器学习模型的袋外错误率；

比较每个候选机器学习模型的袋外错误率，将袋外错误率最小的候选机器学习模型确定为机器学习模型。

上述产品可执行本发明任意实施例所提供的方法，具备执行方法相应的功能模块和有益效果。

注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (10)

1.一种治疗方案的选择方法，其特征在于，包括：

获取患者信息；

根据所述患者信息和医学指南建议，从治疗方案列表中选取全部的可用治疗方案，所述治疗方案列表根据临床数据和所述医学指南建议预先确定；

获取每个所述可用治疗方案对应的机器学习模型，所述机器学习模型包括至少两个机器学习子模型，每个所述机器学习模型根据所述临床数据预先确定；

将所述患者信息作为每个所述机器学习模型中各机器学习子模型的输入，并根据各所述机器学习子模型的输出确定每个所述可用治疗方案的可用概率值；

根据每个所述可用治疗方案和对应的可用概率值确定推荐方案。

2.根据权利要求1所述的方法，其特征在于，根据所述患者信息和医学指南建议，从治疗方案列表中选取全部的可用治疗方案，包括：

将所述患者信息与所述医学指南建议中的方案类型推荐列表进行匹配，确定治疗方案类型；

将所述患者信息与所述医学指南建议中的药品禁忌症进行匹配，确定所述患者信息对应的禁忌药品；

根据所述治疗方案类型和所述禁忌药品，从治疗方案列表中选取全部的可用治疗方案。

3.根据权利要求1所述的方法，其特征在于，所述治疗方案列表的确定方法，包括：

获取多个所述临床数据及对应的临床治疗方案；

根据所述医学指南建议剔除不可用临床数据，确定可用临床数据；

从所述临床治疗方案中提取不同的治疗方案，并根据所述治疗方案对所述可用临床数据进行分类；

根据所述临床数据的分类结果确定每个所述治疗方案的使用频率；

剔除所述使用频率小于预设频率的治疗方案，确定所述治疗方案列表。

4.根据权利要求1所述的方法，其特征在于，所述机器学习模型的确定方法包括：

获取预设样本集，其中所述预设样本集中包括所述治疗方案列表中的所有治疗方案对应的可用临床数据；

确定至少两个抽样规则，并根据每个所述抽样规则建立一个候选机器学习模型，其中，每个所述抽样规则包括随机样本集的预定样本数量以及每个所述随机样本集中对每个可用临床数据抽取的预定特征数量；

确定每个所述候选机器学习模型的袋外错误率，根据所述袋外错误率确定所述机器学习模型。

5.根据权利要求4所述的方法，其特征在于，根据每个所述抽样规则建立一个候选机器学习模型，包括：

根据所述抽样规则对所述预设样本集进行有放回的随机抽样，确定与所述预定样本数量相同的随机样本集；

根据每个所述随机样本集确定一个候选机器学习子模型，并将所有的候选机器学习子模型确定为一个所述候选机器学习模型。

6.根据权利要求4所述的方法，其特征在于，确定每个所述候选机器学习模型的袋外错误率，根据所述袋外错误率确定所述机器学习模型，包括：

根据每个所述候选机器学习模型中各机器学习子模型的随机样本集和预设样本集确定每个所述候选机器学习模型的袋外样本集；

将所述袋外样本集中的每个袋外样本根据测试规则输入至对应的候选机器学习模型，根据所述对应的机器学习模型的输出结果确定每个所述袋外样本的检测结果；

根据每个所述袋外样本的检测结果、对应的标准结果以及所述袋外样本的数量，确定所述对应的机器学习模型的袋外错误率；

比较每个候选机器学习模型的袋外错误率，将所述袋外错误率最小的候选机器学习模型确定为机器学习模型。

7.一种治疗方案的选择系统，其特征在于，包括：

患者信息获取模块，用于获取患者信息；

可用治疗方案确定模块，用于根据所述患者信息和医学指南建议，从治疗方案列表中选取全部的可用治疗方案，所述治疗方案列表根据临床数据和所述医学指南建议预先确定；

机器学习模型获取模块，用于获取每个所述可用治疗方案对应的机器学习模型，所述机器学习模型包括至少两个机器学习子模型，每个所述机器学习模型根据所述临床数据预先确定；

可用概率值确定模块，用于将所述患者信息作为每个所述机器学习模型中各机器学习子模型的输入，并根据各所述机器学习子模型的输出确定每个所述可用治疗方案的可用概率值；

推荐方案确定模块，用于根据每个所述可用治疗方案和对应的可用概率值确定推荐方案。

8.根据权利要求7所述的系统，其特征在于，所述可用治疗方案确定模块，包括：

治疗方案类型确定单元，用于将所述患者信息与所述医学指南建议中的方案类型推荐列表进行匹配，确定治疗方案类型；

禁忌药品确定单元，用于将所述患者信息与所述医学指南建议中的药品禁忌症进行匹配，确定所述患者信息对应的禁忌药品；

可用治疗方案确定单元，用于根据所述治疗方案类型和所述禁忌药品，从治疗方案列表中选取全部的可用治疗方案。

9.根据权利要求7所述的系统，其特征在于，所述系统还包括治疗方案列表确定模块；

所述治疗方案列表确定模块，具体包括：

临床数据获取单元，用于获取多个所述临床数据及对应的临床治疗方案；

可用临床数据确定单元，用于根据所述医学指南建议剔除不可用临床数据，确定可用临床数据；

可用临床数据分类单元，用于从所述临床治疗方案中提取不同的治疗方案，并根据所述治疗方案对所述可用临床数据进行分类；

使用频率确定单元，用于根据所述临床数据的分类结果确定每个所述治疗方案的使用频率；

治疗方案列表确定单元，用于剔除所述使用频率小于预设频率的治疗方案，确定所述治疗方案列表。

10.根据权利要求7所述的系统，其特征在于，所述系统还包括机器学习模型确定模块；

所述机器学习模型确定模块，具体包括：

预设样本集获取单元，用于获取预设样本集，其中所述预设样本集中包括所述治疗方案列表中的所有治疗方案对应的可用临床数据；

候选机器学习模型建立单元，用于确定至少两个抽样规则，并根据每个所述抽样规则建立一个候选机器学习模型，其中，所述抽样规则包括随机样本集的预定样本数量以及每个所述随机样本集中对每个可用临床数据抽取的预定特征数量；

机器学习模型确定单元，用于确定每个所述候选机器学习模型的袋外错误率，根据所述袋外错误率确定所述机器学习模型。