CN109582797A - 获取疾病分类推荐的方法、装置、介质及电子设备 - Google Patents
获取疾病分类推荐的方法、装置、介质及电子设备 Download PDFInfo
- Publication number
- CN109582797A CN109582797A CN201811525019.2A CN201811525019A CN109582797A CN 109582797 A CN109582797 A CN 109582797A CN 201811525019 A CN201811525019 A CN 201811525019A CN 109582797 A CN109582797 A CN 109582797A
- Authority
- CN
- China
- Prior art keywords
- disease classification
- classification data
- data
- standard
- 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
- 201000010099 disease Diseases 0.000 title claims abstract description 349
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 349
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000004590 computer program Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 9
- 230000004044 response Effects 0.000 abstract description 5
- 238000007619 statistical method Methods 0.000 abstract description 5
- 206010035664 Pneumonia Diseases 0.000 description 23
- 238000010586 diagram Methods 0.000 description 17
- 230000000875 corresponding effect Effects 0.000 description 14
- 238000003745 diagnosis Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 6
- 210000004072 lung Anatomy 0.000 description 5
- 201000001178 Bacterial Pneumonia Diseases 0.000 description 4
- 206010035737 Pneumonia viral Diseases 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 208000009421 viral pneumonia Diseases 0.000 description 4
- 206010019233 Headaches Diseases 0.000 description 3
- 206010037660 Pyrexia Diseases 0.000 description 3
- 231100000869 headache Toxicity 0.000 description 3
- 208000001572 Mycoplasma Pneumonia Diseases 0.000 description 2
- 201000008235 Mycoplasma pneumoniae pneumonia Diseases 0.000 description 2
- 201000005702 Pertussis Diseases 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 206010012601 diabetes mellitus Diseases 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 206010008479 Chest Pain Diseases 0.000 description 1
- 206010011224 Cough Diseases 0.000 description 1
- 208000000059 Dyspnea Diseases 0.000 description 1
- 206010013975 Dyspnoeas Diseases 0.000 description 1
- 241000202934 Mycoplasma pneumoniae Species 0.000 description 1
- 241000204003 Mycoplasmatales Species 0.000 description 1
- 208000002193 Pain Diseases 0.000 description 1
- 206010036790 Productive cough Diseases 0.000 description 1
- 241000588769 Proteus <enterobacteria> Species 0.000 description 1
- 208000037919 acquired disease Diseases 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 201000009240 nasopharyngitis Diseases 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 238000012360 testing method 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
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开涉及一种获取疾病分类推荐的方法，该方法包括：响应于用户的输入操作，获取疾病信息；将所述疾病信息与预先训练的样本集匹配，获取与所述疾病信息匹配的疾病分类数据以及所述疾病分类数据的权重；以及根据所述疾病分类数据的权重进行排序，将排序后的疾病分类数据推荐给用户。在本公开提供技术方案中，对用户常用的疾病分类数据进行统计计数，使得推荐内容更符合用户的习惯，提高疾病分类的效率和准确率。通过引入了历史数据，通过历史数据中的关联的相关疾病分类数据形成疾病分类数据优选集合，提高历史数据利用率以及提升疾病分类有效利用和统计分析。
Description
技术领域
本公开涉及医疗信息化领域，具体而言，涉及一种获取疾病分类推荐的方法、装置、介质及电子设备。
背景技术
现阶段，医生在接诊过程中诊断患者所患疾病后，通过手工方式选择疾病分类名称。疾病分类来源包括两种，一是来自国际疾病分类，二是来自医生自定义疾病分类。但是由于以下三方面的原因，使得标准化疾病分类不能被很好的使用以及便捷准确地检索到。
第一方面，由于国际疾病分类名称过于专业化，且数据量巨大。医生输入时常常对名称不了解，而造成输入首字母或汉字时，无法检索到需要疾病分类，输入效率低下。
第二方面，由于输入疾病分类查找困难，医生会采用自定义疾病分类输入的方式，而医生输入了自定义疾病分类常常无法与国际疾病分类进行关联处理，造成后续诊断数据非标准化。
第三方面，由于传统处理方式是采用静态索引的检索方式，现有索引输入方式不具备学习能力和使用方便性。
针对上述问题，若是能方便快捷地使用疾病分类数据，则可以提高疾病分类数据的输入效率和准确性，解决固定疾病分类数据的难题，避免只能单一检索给用户造成的输入困难，提升医生和医院工作的效率。
在所述背景技术部分公开的上述信息仅用于加强对本公开的背景的理解，因此它可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
有鉴于此，本公开提供一种获取疾病分类推荐的方法、装置、介质及电子设备。
本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。
根据本公开的一方面，提出一种获取疾病分类推荐的方法，该方法包括：响应于用户的输入操作，获取疾病信息；将所述疾病信息与预先训练的样本集匹配，获取与所述疾病信息匹配的疾病分类数据以及所述疾病分类数据的权重；以及根据所述疾病分类数据的权重进行排序，将排序后的疾病分类数据推荐给用户。
在本发明的一些实施例中，基于前述方案，根据人工标注的标准疾病分类数据、非标准疾病分类数据以及患者历史数据作为样本进行样本集训练，以得到所述预先训练的样本集。
在本发明的一些实施例中，基于前述方案，所述的样本集训练包括：对所述标准疾病分类数据与所述非标准疾病分类数据进行关联并设置特征值关联权重；基于所述标准疾病分类数据与所述非标准疾病分类数据的搜索频率，分别对所述标准疾病分类数据与所述非标准疾病分类数据进行排序，生成所述标准疾病分类数据与所述非标准疾病分类数据各自的使用频率权重；以及根据所述患者历史数据，获得所述患者历史数据与所述标准疾病分类数据或者非标准疾病分类数据的历史关联权重。
在本发明的一些实施例中，基于前述方案，所述计算所述患者历史数据与所述标准疾病分类数据或者非标准疾病分类数据的历史关联权重包括采用近似值分类计算所述历史关联权重。
在本发明的一些实施例中，基于前述方案，所述疾病信息包括标准疾病分类数据、非标准疾病分类数据以及患者历史数据中的任一种；所述的将所述疾病信息与预先训练的样本集匹配包括：将疾病信息中的标准疾病分类数据与所述样本集进行匹配，获取所述样本集中匹配的标准疾病分类数据和对应的使用频率权重；或者，将疾病信息中的非标准疾病分类数据与所述样本集进行匹配，获取所述样本集中匹配的非标准疾病分类数据、特征值关联权重和使用频率权重，或者获取所述样本集中匹配的标准疾病分类数据和对应的使用频率权重；或者，将疾病信息中的患者历史数据与所述样本集进行匹配，获取所述样本集中匹配的标准疾病分类数据或者非标准疾病分类数据和对应的历史关联权重。
在本发明的一些实施例中，基于前述方案，所述疾病分类数据的权重包括使用频率权重、特征值关联权重和历史关联权重中的任一种。
在本发明的一些实施例中，基于前述方案，所述疾病分类数据包括样本集中的标准疾病分类数据和非标准疾病分类数据。
根据本公开的一方面，提出一种获取疾病分类推荐的装置，该装置包括：信息获取模块，用于响应于用户的输入操作，获取疾病信息；权重获取模块，用于将所述疾病信息与预先训练的样本集匹配，获取与所述疾病信息匹配的疾病分类数据以及所述疾病分类数据的权重；结果生成模块，用于根据所述疾病分类数据的权重进行排序，将排序后的疾病分类数据推荐给用户。
根据本公开的一方面，提出一种计算机可读介质，其上存储有计算机程序，所述程序被处理器执行时实现所述的获取疾病分类推荐的方法。
根据本公开的一方面，提出一种电子设备，其特征在于，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现所述的获取疾病分类推荐的方法。
根据本公开的一种获取疾病分类推荐的方法、装置、电子设备及计算机可读介质，对用户常用的疾病分类数据进行统计计数，使得推荐内容更符合用户的习惯，提高疾病分类的效率和准确率。通过引入了历史数据，通过历史数据中的关联的相关疾病分类数据形成疾病分类数据优选集合，提高历史数据利用率以及提升疾病分类有效利用和统计分析。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性的，并不能限制本公开。
附图说明
通过参照附图详细描述其示例实施例，本公开的上述和其它目标、特征及优点将变得更加显而易见。下面描述的附图仅仅是本公开的一些实施例，对于本领域的普通技术人员来讲，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是根据一示例性实施例示出的一种获取疾病分类推荐的方法的流程图；
图2是根据一示例性实施例示出的疾病信息与样本集匹配方法的流程图；
图2A是根据输入“肺炎”显示推荐结果的界面参考图；
图3是根据一示例性实施例示出的疾病信息与样本集匹配方法的流程图；
图4是根据一示例性实施例示出的疾病信息与样本集匹配方法的流程图；
图5是根据一示例性实施例示出的一种获取疾病分类推荐的装置的框图；
图6是根据一示例性实施例示出的一种电子设备的计算机系统的结构示意图。
具体实施方式
现在将参考附图更全面地描述示例实施例。然而，示例实施例能够以多种形式实施，且不应被理解为限于在此阐述的实施例；相反，提供这些实施例使得本公开将全面和完整，并将示例实施例的构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。
此外，所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中，提供许多具体细节从而给出对本公开的实施例的充分理解。然而，本领域技术人员将意识到，可以实践本公开的技术方案而没有特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知方法、装置、实现或者操作以避免模糊本公开的各方面。
附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解，而有的操作/步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。
应理解，虽然本文中可能使用术语第一、第二、第三等来描述各种组件，但这些组件不应受这些术语限制。这些术语乃用以区分一组件与另一组件。因此，下文论述的第一组件可称为第二组件而不偏离本公开概念的教示。如本文中所使用，术语“及/或”包括相关联的列出项目中的任一个及一或多者的所有组合。
本领域技术人员可以理解，附图只是示例实施例的示意图，附图中的模块或流程并不一定是实施本公开所必须的，因此不能用于限制本公开的保护范围。
图1是根据一示例性实施例示出的一种获取疾病分类推荐的方法的流程图。
参照图1所示，该方法包括：
步骤S101，响应于用户的输入操作，获取疾病信息。
步骤S102，将所述疾病信息与预先训练的样本集匹配，获取与所述疾病信息匹配的疾病分类数据以及所述疾病分类数据的权重。
步骤S103，根据所述疾病分类数据的权重进行排序，将排序后的疾病分类数据推荐给用户。
本实施例能够对用户常用的疾病分类数据进行统计计数，使得推荐内容更符合用户的习惯，提高疾病分类的效率和准确率。通过引入了历史数据，通过历史数据中的关联的相关疾病分类数据形成疾病分类数据优选集合，提高历史数据利用率以及提升疾病分类有效利用和统计分析。
以下对图1中的各个步骤的可选实施方式进行详细说明：
步骤S101，响应于用户的输入操作，获取疾病信息。
在前期为患者输入疾病信息时，每个用户有自己的输入习惯，因此，疾病信息可以是不同类型的疾病信息，例如可以是与病症症状相关的信息或者与病症分类相关的信息等。
在一个示例性实施例中，疾病信息包括标准疾病分类数据、非标准疾病分类数据或者患者历史数据。
标准疾病分类数据可以指的是世界卫生组织(World Health Organization，WHO)制定的国际统一的疾病分类方法，例如J12.901、A37.902+、J15.601都属于国际疾病标准分类编码ICD-10，病毒性肺炎、变形杆菌性肺炎、细菌性肺炎都属于标准疾病分类名称。
非标准疾病分类数据可以指的是医生自定义的疾病分类数据，例如感冒肺炎、肺炎属于用户自定义的疾病分类名称，GMFY、FY是疾病分类名称的首字母，也属于用户自定义的疾病分类名称。
患者历史数据包括但不限于患者既往主诉、化验值指标、身体发病部位、门诊就诊时段、就诊科室等患者历史诊疗数据，这些患者历史诊疗数据可根据实际需要进行设置。
步骤S102，将所述疾病信息与预先训练的样本集匹配，获取与所述疾病信息匹配的疾病分类数据以及所述疾病分类数据的权重。
对于不同的疾病信息，将所述疾病信息与预先训练的样本集匹配，获取与所述疾病信息匹配的疾病分类数据以及所述疾病分类数据的权重。
所述疾病分类数据包括标准疾病分类数据和非标准疾病分类数据。
根据人工标注的标准疾病分类数据、非标准疾病分类数据以及患者历史数据作为样本进行样本集训练，获取与所述疾病信息匹配的疾病分类数据以及所述疾病分类数据的权重。
作为样本的标准疾病分类数据例如可以是导入的国际疾病标准分类数据的字典，作为样本的非标准疾病分类数据和患者历史数据例如可以由医生手工输入的，将医生输入自定义疾病分类数据和其关联的国际疾病分类数据保存在样本集中，或将医生输入的疾病描述信息和选择的诊断结果保存在样本集中，或者有外部导入已经标注的标准疾病分类数据、非标准疾病分类数据以及患者历史数据。
所述疾病分类数据例如可以是自定义疾病分类或者国际疾病标准分类等，疾病分类数据的权重包括使用频率权重、特征值关联权重和历史关联权重中的任一种。
步骤S103，根据所述疾病分类数据的权重进行排序，将排序后的疾病分类数据推荐给用户。
根据获取的疾病分类数据的权重高低进行排序，将排序后的疾病分类数据推荐给用户。例如，可以选择权重排序前五位的疾病分类数据供用户参考。
在图1所示实施例中提供的技术方案中，能够根据用户的输入不同而给用户推荐相关的优选疾病分类结果，提高用户输入的准确性和工作效率。
图2是根据一示例性实施例示出的疾病信息与样本集匹配方法的流程图。如图2所示，包含步骤S21-S22。
步骤S21，基于样本集中的标准疾病分类数据与非标准疾病分类数据的搜索频率，分别对所述标准疾病分类数据与所述非标准疾病分类数据进行排序，生成所述标准疾病分类数据与所述非标准疾病分类数据各自的使用频率权重。
使用频率指的是关于疾病分类数据的搜索频率，对标准疾病分类数据和非标准疾病分类数据的使用频率进行计数统计，对计数较高的疾病分类数据设置较高的权重，对计数较低的疾病分类数据则设置较低的权重。计数高的疾病分类数据说明是用户使用较为频繁的疾病分类数据。例如，在一段时间内糖尿病家族史者被使用的次数为100次，输入感冒肺炎被使用的次数为250次，则分别为糖尿病家族史者和感冒肺炎设置使用频率权重。将使用频率权重存储在样本集中，样本集中关于使用频率权重可参考表1。
表1
步骤S22，将疾病信息中的标准疾病分类数据与样本集进行匹配，获取样本集中匹配的标准疾病分类数据和对应的使用频率权重。
若用户输入的是标准疾病分类数据，将标准疾病分类数据与所述样本集的标准疾病分类数据进行匹配，获取所述样本集中匹配的标准疾病分类数据和对应的使用频率权重。
按照使用频率权重的高低进行排序，将排完序后的标准疾病分类数据推荐给用户。
用户选择推荐的标准疾病分类数据之后，对其选择的标准疾病分类数据的使用频率计数加一。
在图2所示的实施例中，通过对用户常用的疾病分类数据进行统计计数，使得推荐内容更符合用户的习惯，提高疾病分类的效率和准确率。
图3是根据一示例性实施例示出的疾病信息与样本集匹配方法的流程图。如图3所示，包含步骤S31-S32。
步骤S31，对样本集中的标准疾病分类数据与非标准疾病分类数据进行关联并设置特征值关联权重。
通过手动对非标准疾病分类数据和标准疾病分类数据进行关联。因为常用的非标准疾病分类数据的数量较少，所以可以通过手动的方式设置非标准疾病分类数据和标准疾病分类数据关联的初始权重。例如，有时诊断结果会被写成感冒肺炎，感冒肺炎就是自定义疾病诊断分类数据，属于非标准疾病分类数据，对应标准诊断是由于肺炎支原体引起的肺炎，即支原体性肺炎(国际疾病标准分类编码为J15.702)，对感冒肺炎和支原体性肺炎进行关联并设置特征值关联权重。将关联结果和特征值关联权重存储在样本集中，样本集中关于特征值关联权重的部分可参考表2。
| 非标准疾病分类数据 | 标准疾病分类数据 | 疾病编码 | 特征值关联权重 |
| 肺炎 | 病毒性肺炎 | J12.901 | 5 |
| 肺炎 | 细菌性肺炎 | J15.901 | 4 |
| 肺炎 | 百日咳合并肺炎 | A37.902+ | 3 |
| 肺炎 | 变形杆菌性肺炎 | J15.601 | 2 |
| 肺炎 | 产气杆菌性肺炎 | J15.801 | 1 |
表2
步骤S32，将疾病信息中的非标准疾病分类数据与样本集进行匹配，获取样本集中匹配的非标准疾病分类数据、特征值关联权重和使用频率权重，或者获取样本集中匹配的标准疾病分类数据和对应的使用频率权重。
若用户输入的是非标准疾病分类数据，将非标准疾病分类数据与样本集中进行匹配。获取与匹配的样本集中的非标准疾病分类数据，根据特征值关联权重的高低获取标准疾病分类数据,根据获取的标准疾病分类数据的使用频率高低进行排序，将排完序后的标准疾病分类数据推荐给用户。在使用频率相同的情况下，按照特征值关联权重进行排序推荐，以及对用户在推荐中选择的标准疾病分类数据的使用频率计数加一。例如用户输入的是“肺炎”，面向用户的显示界面可参考图2A所示的示意图，根据“肺炎”在样本集中匹配结果可参考表3。
| 疾病分类数据 | 疾病编码 | 使用频率权重 | 特征值关联权重 |
| 病毒性肺炎 | J12.901 | 50 | 5 |
| 细菌性肺炎 | J15.901 | 40 | 4 |
| 百日咳合并肺炎 | A37.902+ | 30 | 3 |
| 变形杆菌性肺炎 | J15.601 | 20 | 3 |
| 产气杆菌性肺炎 | J15.801 | 10 | 1 |
表3
对于非标准疾病分类数据，不一定存在与其关联的标准疾病分类数据，因此，在这种情况下，只能向用户推荐非标准疾病分类数据。若是将非标准疾病分类数据与样本集进行匹配时，样本集中的非标准疾病分类数据没有关联的标准疾病分类数据，则将按照非标准疾病分类数据的使用频率进行排序推荐，对用户在推荐中选择的非标准疾病分类数据的使用频率计数加一。
在图3所示实施例中，通过对用户常用的疾病分类数据进行统计计数，使得推荐内容更符合用户的习惯，同时为用户提供标准疾病分类数据，为后续的数据标准化提供便利，同时提高疾病分类的效率和准确率。
图4是根据一示例性实施例示出的疾病信息与样本集匹配方法的流程图。如图4所示，包含步骤S41-S42。
步骤S41，根据所述患者历史数据，计算所述患者历史数据与所述标准疾病分类数据或者非标准疾病分类数据的历史关联权重。
历史数据包括但不限于患者既往主诉、化验值指标、身体发病部位、门诊就诊时段、就诊科室等。其历史数据对应的诊疗结果包括但不限于标准疾病分类数据或者非标准疾病分类数据等。对历史数据和诊疗结果进行关联计数并设置历史关联权重。
计算历史关联权重需要通过近似值分类来计算，近似值分类可以例如是K近邻算法(KNN)，通过测量不同特征值之间的距离进行分类，如果一个样本在特征空间中的K个最相似(即特征空间中最邻近)的样本中的大多数属于某一个类别，则该样本也属于这个类别。
将人工标注的包含疾病分类数据和其对应的历史数据作为主样本空间的数据，在主样本空间中找到每个样本的k个最近邻，对每个样本计算k个最近邻距离的平方和，将所有样本的k近邻平方和按序排列确定历史数据的集合子集，并按照出现计数，形成历史数据的频率计数权重，即历史关联权重，将结果和历史关联权重存储在样本集中，样本集中关于历史关联权重的部分可参考表4。
| 患者既往主诉 | 疾病分类数据 | 疾病编码 | 历史关联权重 |
| 咽痛 | 感冒 | 无 | 6 |
| 头疼发热、全身酸痛 | 病毒性肺炎 | J12.901 | 5 |
| 咳嗽、咳痰 | 细菌性肺炎 | J15.901 | 4 |
| 胸痛、呼吸困难 | 变形杆菌性肺炎 | J15.601 | 3 |
表4
对于新增加人工标注的待检测样本x，从主样本空间中找到x的k个最近邻，计算样本x的k个最近邻距离平方和并将其与阈值进行比较，如果小于阈值则样本x与该历史数据的集合子集关联概率高，则历史数据的频率计数加一。
步骤S42，将疾病信息中的患者历史数据与样本集进行匹配，获取样本集中匹配的标准疾病分类数据或者非标准疾病分类数据和对应的历史关联权重。
若用户输入的是历史数据，对历史数据进行相似度计算匹配出相近的历史数据，根据匹配出的历史数据的历史关联权重高低进行排序，向用户推荐和历史数据相关联的疾病分类数据。
历史数据中的患者既往主诉包含的主要是文字内容，且一般在24个字以内，因此不同的患者既往主诉之间可能采用不同的表述，因此需要对其内部字符串相互近似度计算，近似值在阈值范围内的可认为是同一种患者既往主诉，阈值范围例如可以是在60以内，本发明对此不做限定。例如一个患者既往主诉是头疼发热，另一个患者既往主诉是头痛发烧，这两个的字符串相互近似度在60以内，因此，可以认为这两个患者既往主诉是同一种患者既往主诉。
若用户输入多个历史数据，则对输入的多个历史数据进行相似度计算，获得多个疾病分类数据，对相同或者相似的疾病分类数据的历史关联权重进行求和计算，按照历史关联权重的高低进行排序，对用户推荐疾病分类数据。
若是用户选中推荐的疾病分类数据中的一项，则将其作为样本放入训练样本集中并更新其对应的计数。
若是用户没有在推荐的疾病分类数据中进行选择，则获取用户最终输入的疾病分类数据并关联用户输入的历史数据，作为人工标注的新样本放入训练样本集中进行训练。
在图4所示实施例中引入了历史数据，通过历史数据中的关联的相关疾病分类数据形成疾病分类数据优选集合，提高历史数据利用率和疾病分类的正确率以及提升疾病分类的有效利用和统计分析。
本技术方案采用算法方式进行动态结果权重计算，有效解决固定疾病分类数据，避免只能单一检索给用户造成的输入困难。
图5根据一示例性实施例示出的一种获取疾病分类推荐的装置的框图。如图5所示，包括信息获取模块501，权重获取模块502，结果生成模块503。
信息获取模块501，用于响应于用户的输入操作，获取疾病信息。
权重获取模块502，用于将所述疾病信息与预先训练的样本集匹配，获取与所述疾病信息匹配的疾病分类数据以及所述疾病分类数据的权重。
结果生成模块503，用于根据所述疾病分类数据的权重进行排序，将排序后的疾病分类数据推荐给用户。
在一个实施例中，所述疾病信息包括标准疾病分类数据、非标准疾病分类数据或者患者历史数据中的任一种。
在一个实施例中，所述疾病分类数据包括样本集中的标准疾病分类数据和非标准疾病分类数据。
获取疾病分类推荐的装置还包括权重生成模块，用于根据用户历史数据搜集的标准疾病分类数据、非标准疾病分类数据以及患者历史数据作为样本进行样本集训练。
权重生成模块，还用于对所述标准疾病分类数据与所述非标准疾病分类数据进行关联并设置特征值关联权重。
权重生成模块，还用于基于所述标准疾病分类数据与所述非标准疾病分类数据的搜索频率，分别对所述标准疾病分类数据与所述非标准疾病分类数据进行排序，生成所述标准疾病分类数据与所述非标准疾病分类数据各自的使用频率权重。
权重生成模块，还用于根据所述患者历史数据，计算所述患者历史数据与所述标准疾病分类数据或者非标准疾病分类数据的历史关联权重。
在一个实施例中，权重生成模块采用近似值分类计算所述历史关联权重。
权重获取模块502，用于将疾病信息中的标准疾病分类数据与所述样本集进行匹配，获取所述样本集中匹配的标准疾病分类数据和对应的使用频率权重。
权重获取模块502，还用于将疾病信息中的非标准疾病分类数据与所述样本集进行匹配，获取所述样本集中匹配的非标准疾病分类数据、特征值关联权重和使用频率权重，或者获取所述样本集中匹配的标准疾病分类数据和对应的使用频率权重。
权重获取模块502，还用于将疾病信息中的患者历史数据与所述样本集进行匹配，获取所述样本集中匹配的标准疾病分类数据或者非标准疾病分类数据和对应的历史关联权重。
在一个实施例中，所述疾病分类数据的权重包括使用频率权重、特征值关联权重和历史关联权重中的任一种。
本实施例基于与上述方法实施例同样的发明构思，提供了一种获取疾病分类推荐的装置，本实施例能够用于实现上述实施例中提供的获取疾病分类推荐的方法，对用户常用的疾病分类数据进行统计计数，使得推荐内容更符合用户的习惯，提高疾病分类的效率和准确率。通过引入了历史数据，通过历史数据中的关联的相关疾病分类数据形成疾病分类数据优选集合，提高历史数据利用率以及提升疾病分类有效利用和统计分析。
下面参考图6，其示出了适于用来实现本发明实施例的电子设备的计算机系统600的结构示意图。图6示出的电子设备的计算机系统600仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图6所示，计算机系统600包括中央处理单元(CPU)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中，还存储有系统操作所需的各种程序和数据。CPU601、ROM602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
以下部件连接至I/O接口605：包括键盘、鼠标等的输入部分606；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分607；包括硬盘等的存储部分608；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器610上，以便于从其上读出的计算机程序根据需要被安装入存储部分608。
特别地，根据本发明的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本发明的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分609从网络上被下载和安装，和/或从可拆卸介质611被安装。在该计算机程序被中央处理单元(CPU)601执行时，执行本申请的系统中限定的上述功能。
需要说明的是，本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本发明中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。
附图中的流程图和框图，图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本发明实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现，所描述的单元也可以设置在处理器中。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定。
作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该电子设备执行时，使得该电子设备实现如上述实施例中所述的获取疾病分类推荐的方法。
例如，所述的电子设备可以实现如图1中所示的：步骤S101，响应于用户的输入操作，获取疾病信息。步骤S102，将所述疾病信息与预先训练的样本集匹配，获取与所述疾病信息匹配的疾病分类数据以及所述疾病分类数据的权重。步骤S103，根据所述疾病分类数据的权重进行排序，将排序后的疾病分类数据推荐给用户。
又如，所述的电子设备可以实现如图2至图4中所示的各个步骤。
应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本发明的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本发明实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、触控终端、或者网络设备等)执行根据本发明实施方式的方法。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本发明的真正范围和精神由下面的权利要求指出。
应当理解的是，本发明并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。
Claims (10)
1.一种获取疾病分类推荐的方法，其特征在于，包括：
响应于用户的输入操作，获取疾病信息；
将所述疾病信息与预先训练的样本集匹配，获取与所述疾病信息匹配的疾病分类数据以及所述疾病分类数据的权重；以及
根据所述疾病分类数据的权重进行排序，将排序后的疾病分类数据推荐给用户。
2.如权利要求1所述的方法，其特征在于，还包括：
根据人工标注的标准疾病分类数据、非标准疾病分类数据以及患者历史数据作为样本进行样本集训练，以得到所述预先训练的样本集。
3.如权利要求2所述的方法，其特征在于，所述的样本集训练包括：
对所述标准疾病分类数据与所述非标准疾病分类数据进行关联并设置特征值关联权重；
基于所述标准疾病分类数据与所述非标准疾病分类数据的搜索频率，分别对所述标准疾病分类数据与所述非标准疾病分类数据进行排序，生成所述标准疾病分类数据与所述非标准疾病分类数据各自的使用频率权重；以及
根据所述患者历史数据，获得所述患者历史数据与所述标准疾病分类数据或者非标准疾病分类数据的历史关联权重。
4.如权利要求3所述的方法，其特征在于，所述计算所述患者历史数据与所述标准疾病分类数据或者非标准疾病分类数据的历史关联权重包括采用近似值分类计算所述历史关联权重。
5.如权利要求3所述的方法，其特征在于，所述疾病信息包括标准疾病分类数据、非标准疾病分类数据以及患者历史数据中的任一种；所述的将所述疾病信息与预先训练的样本集匹配包括：
将疾病信息中的标准疾病分类数据与所述样本集进行匹配，获取所述样本集中匹配的标准疾病分类数据和对应的使用频率权重；或者，
将疾病信息中的非标准疾病分类数据与所述样本集进行匹配，获取所述样本集中匹配的非标准疾病分类数据、特征值关联权重和使用频率权重，或者获取所述样本集中匹配的标准疾病分类数据和对应的使用频率权重；或者，
将疾病信息中的患者历史数据与所述样本集进行匹配，获取所述样本集中匹配的标准疾病分类数据或者非标准疾病分类数据和对应的历史关联权重。
6.如权利要求5所述的方法，所述疾病分类数据的权重包括使用频率权重、特征值关联权重和历史关联权重中的任一种。
7.如权利要求1所述的方法，所述疾病分类数据包括样本集中的标准疾病分类数据和非标准疾病分类数据。
8.一种获取疾病分类推荐的装置，其特征在于，包括：
信息获取模块，用于响应于用户的输入操作，获取疾病信息；
权重获取模块，用于将所述疾病信息与预先训练的样本集匹配，获取与所述疾病信息匹配的疾病分类数据以及所述疾病分类数据的权重；以及结果生成模块，用于根据所述疾病分类数据的权重进行排序，将排序后的疾病分类数据推荐给用户。
9.一种计算机可读介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1至7中任一项所述的获取疾病分类推荐的方法。
10.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如权利要求1至7中任一项所述的获取疾病分类推荐的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811525019.2A CN109582797A (zh) | 2018-12-13 | 2018-12-13 | 获取疾病分类推荐的方法、装置、介质及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811525019.2A CN109582797A (zh) | 2018-12-13 | 2018-12-13 | 获取疾病分类推荐的方法、装置、介质及电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109582797A true CN109582797A (zh) | 2019-04-05 |
Family
ID=65928453
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811525019.2A Pending CN109582797A (zh) | 2018-12-13 | 2018-12-13 | 获取疾病分类推荐的方法、装置、介质及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109582797A (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110101361A (zh) * | 2019-04-23 | 2019-08-09 | 深圳市新产业眼科新技术有限公司 | 基于大数据在线智能诊断平台及其运行方法和存储介质 |
| CN111081370A (zh) * | 2019-10-25 | 2020-04-28 | 中国科学院自动化研究所 | 一种用户分类方法及装置 |
| CN111445993A (zh) * | 2020-03-25 | 2020-07-24 | 北京嘉和海森健康科技有限公司 | 疾病的层级关系处理方法、装置及电子设备 |
| CN111554387A (zh) * | 2020-04-26 | 2020-08-18 | 医渡云（北京）技术有限公司 | 医生信息推荐的方法、装置、存储介质及电子设备 |
| CN111739601A (zh) * | 2020-06-28 | 2020-10-02 | 山东健康医疗大数据有限公司 | 非标准疾病名称的归一化方法、装置及可读介质 |
| CN112102952A (zh) * | 2020-08-24 | 2020-12-18 | 广州金域医学检验中心有限公司 | 基于距离计算方法鉴定病理类别的方法及相关设备 |
| CN113380423A (zh) * | 2021-05-24 | 2021-09-10 | 首都医科大学 | 疫情规模预测方法、装置、电子设备及存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106251174A (zh) * | 2016-07-26 | 2016-12-21 | 北京小米移动软件有限公司 | 信息推荐方法及装置 |
| CN108021553A (zh) * | 2017-09-30 | 2018-05-11 | 北京颐圣智能科技有限公司 | 疾病术语的词处理方法、装置及计算机设备 |
| CN108345702A (zh) * | 2018-04-10 | 2018-07-31 | 北京百度网讯科技有限公司 | 实体推荐方法和装置 |
| CN108537568A (zh) * | 2018-03-07 | 2018-09-14 | 阿里巴巴集团控股有限公司 | 一种信息推荐方法和装置 |
-
2018
- 2018-12-13 CN CN201811525019.2A patent/CN109582797A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106251174A (zh) * | 2016-07-26 | 2016-12-21 | 北京小米移动软件有限公司 | 信息推荐方法及装置 |
| CN108021553A (zh) * | 2017-09-30 | 2018-05-11 | 北京颐圣智能科技有限公司 | 疾病术语的词处理方法、装置及计算机设备 |
| CN108537568A (zh) * | 2018-03-07 | 2018-09-14 | 阿里巴巴集团控股有限公司 | 一种信息推荐方法和装置 |
| CN108345702A (zh) * | 2018-04-10 | 2018-07-31 | 北京百度网讯科技有限公司 | 实体推荐方法和装置 |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110101361A (zh) * | 2019-04-23 | 2019-08-09 | 深圳市新产业眼科新技术有限公司 | 基于大数据在线智能诊断平台及其运行方法和存储介质 |
| CN111081370A (zh) * | 2019-10-25 | 2020-04-28 | 中国科学院自动化研究所 | 一种用户分类方法及装置 |
| CN111081370B (zh) * | 2019-10-25 | 2023-11-03 | 中国科学院自动化研究所 | 一种用户分类方法及装置 |
| CN111445993B (zh) * | 2020-03-25 | 2023-08-08 | 北京嘉和海森健康科技有限公司 | 疾病的层级关系处理方法、装置及电子设备 |
| CN111445993A (zh) * | 2020-03-25 | 2020-07-24 | 北京嘉和海森健康科技有限公司 | 疾病的层级关系处理方法、装置及电子设备 |
| CN111554387A (zh) * | 2020-04-26 | 2020-08-18 | 医渡云（北京）技术有限公司 | 医生信息推荐的方法、装置、存储介质及电子设备 |
| CN111554387B (zh) * | 2020-04-26 | 2023-05-23 | 医渡云（北京）技术有限公司 | 医生信息推荐的方法、装置、存储介质及电子设备 |
| CN111739601B (zh) * | 2020-06-28 | 2022-03-29 | 山东健康医疗大数据有限公司 | 非标准疾病名称的归一化方法、装置及可读介质 |
| CN111739601A (zh) * | 2020-06-28 | 2020-10-02 | 山东健康医疗大数据有限公司 | 非标准疾病名称的归一化方法、装置及可读介质 |
| CN112102952A (zh) * | 2020-08-24 | 2020-12-18 | 广州金域医学检验中心有限公司 | 基于距离计算方法鉴定病理类别的方法及相关设备 |
| CN112102952B (zh) * | 2020-08-24 | 2024-05-14 | 广州金域医学检验中心有限公司 | 基于距离计算方法鉴定病理类别的方法及相关设备 |
| CN113380423A (zh) * | 2021-05-24 | 2021-09-10 | 首都医科大学 | 疫情规模预测方法、装置、电子设备及存储介质 |
| CN113380423B (zh) * | 2021-05-24 | 2024-06-18 | 首都医科大学 | 疫情规模预测方法、装置、电子设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109582797A (zh) | 获取疾病分类推荐的方法、装置、介质及电子设备 | |
| Wang et al. | A selective review on random survival forests for high dimensional data | |
| Lee et al. | Personalized mortality prediction driven by electronic medical data and a patient similarity metric | |
| US7809660B2 (en) | System and method to optimize control cohorts using clustering algorithms | |
| CN110069779B (zh) | 医疗文本的症状实体识别方法及相关装置 | |
| CN110299209B (zh) | 相似病历查找方法、装置、设备及可读存储介质 | |
| CN113345577B (zh) | 诊疗辅助信息的生成方法、模型训练方法、装置、设备以及存储介质 | |
| Ni et al. | Scalable Bayesian nonparametric clustering and classification | |
| US10847261B1 (en) | Methods and systems for prioritizing comprehensive diagnoses | |
| CN108986907A (zh) | 一种基于knn算法的远程医疗自动分诊方法 | |
| US20190065550A1 (en) | Query optimizer for combined structured and unstructured data records | |
| US10460074B2 (en) | Methods and systems for predicting a health condition of a human subject | |
| US10936962B1 (en) | Methods and systems for confirming an advisory interaction with an artificial intelligence platform | |
| US11581094B2 (en) | Methods and systems for generating a descriptor trail using artificial intelligence | |
| US20210174968A1 (en) | Visualization of Social Determinants of Health | |
| CN106096273A (zh) | 一种基于tf‑idf改进算法的疾病症状推导方法 | |
| Inácio et al. | Nonparametric Bayesian estimation of the three‐way receiver operating characteristic surface | |
| CN111145846A (zh) | 临床试验患者招募方法及装置、电子设备和存储介质 | |
| US10448898B2 (en) | Methods and systems for predicting a health condition of a human subject | |
| CN110471941B (zh) | 自动定位判断依据的方法、装置及电子设备 | |
| US12087442B2 (en) | Methods and systems for confirming an advisory interaction with an artificial intelligence platform | |
| Xiong et al. | Daehr: A discriminant analysis framework for electronic health record data and an application to early detection of mental health disorders | |
| CN111640517B (zh) | 病历编码方法、装置、存储介质及电子设备 | |
| CN113220895A (zh) | 基于强化学习的信息处理方法、装置、终端设备 | |
| Baccianella et al. | Variable-constraint classification and quantification of radiology reports under the ACR Index |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190405 |