CN110211680A - 一种虚拟诊疗方法、装置及系统 - Google Patents
一种虚拟诊疗方法、装置及系统 Download PDFInfo
- Publication number
- CN110211680A CN110211680A CN201810168460.3A CN201810168460A CN110211680A CN 110211680 A CN110211680 A CN 110211680A CN 201810168460 A CN201810168460 A CN 201810168460A CN 110211680 A CN110211680 A CN 110211680A
- Authority
- CN
- China
- Prior art keywords
- data
- model component
- learning model
- machine learning
- treatment
- 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
- 238000000034 method Methods 0.000 title claims abstract description 79
- 238000010801 machine learning Methods 0.000 claims abstract description 87
- 201000010099 disease Diseases 0.000 claims abstract description 66
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 66
- 238000012549 training Methods 0.000 claims abstract description 40
- 238000003745 diagnosis Methods 0.000 claims description 33
- 238000012545 processing Methods 0.000 claims description 28
- 238000007689 inspection Methods 0.000 claims description 23
- 238000003860 storage Methods 0.000 claims description 21
- 230000006870 function Effects 0.000 claims description 20
- 238000003062 neural network model Methods 0.000 claims description 12
- 238000013528 artificial neural network Methods 0.000 claims description 9
- 230000000306 recurrent effect Effects 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 8
- 230000000474 nursing effect Effects 0.000 claims description 7
- 230000004044 response Effects 0.000 claims description 7
- 230000006403 short-term memory Effects 0.000 claims description 5
- 238000002560 therapeutic procedure Methods 0.000 claims description 5
- 230000007774 longterm Effects 0.000 claims description 3
- 238000000151 deposition Methods 0.000 claims 1
- 230000015654 memory Effects 0.000 description 26
- 230000008569 process Effects 0.000 description 15
- 238000010586 diagram Methods 0.000 description 14
- 238000004590 computer program Methods 0.000 description 9
- 238000013135 deep learning Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 8
- 230000006872 improvement Effects 0.000 description 8
- 235000013305 food Nutrition 0.000 description 6
- 208000002193 Pain Diseases 0.000 description 5
- 239000003814 drug Substances 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000002452 interceptive effect Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 239000008280 blood Substances 0.000 description 3
- 210000004369 blood Anatomy 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 206010022000 influenza Diseases 0.000 description 3
- 210000002700 urine Anatomy 0.000 description 3
- 206010020772 Hypertension Diseases 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013499 data model Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000003780 insertion Methods 0.000 description 2
- 230000037431 insertion Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000011017 operating method Methods 0.000 description 2
- 230000002980 postoperative effect Effects 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 241001269238 Data Species 0.000 description 1
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 description 1
- 206010019233 Headaches Diseases 0.000 description 1
- 238000005481 NMR spectroscopy Methods 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 206010037660 Pyrexia Diseases 0.000 description 1
- 208000002474 Tinea Diseases 0.000 description 1
- 241000130764 Tinea Species 0.000 description 1
- 208000007712 Tinea Versicolor Diseases 0.000 description 1
- 206010056131 Tinea versicolour Diseases 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 238000012550 audit Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 230000036760 body temperature Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 239000003153 chemical reaction reagent Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000002591 computed tomography Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003748 differential diagnosis Methods 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 239000008103 glucose Substances 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 231100000869 headache Toxicity 0.000 description 1
- 230000001631 hypertensive effect Effects 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 210000004218 nerve net Anatomy 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 239000010979 ruby Substances 0.000 description 1
- 229910001750 ruby Inorganic materials 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000003860 sleep quality Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 210000004243 sweat Anatomy 0.000 description 1
- 230000008961 swelling Effects 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/26—Speech to text systems
-
- 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
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
-
- 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
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
- G16H40/67—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for remote operation
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Pathology (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Business, Economics & Management (AREA)
- General Business, Economics & Management (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本申请实施例公开了一种虚拟诊疗方法、装置及系统。所述方法包括：获取患有预设病种的虚拟患者的状态数据；将所述状态数据输入与所述预设病种相匹配的机器学习模型组件中，获取针对所述状态数据的医疗措施；其中，所述机器学习模型组件根据患有所述预设病种的多个真实患者的历史状态数据以及历史医疗措施之间的对应关系训练得到。利用本申请实施例，可以向用户提供案例丰富、诊疗环境智能化且更加贴近于真实诊疗环境的虚拟诊疗方式。
Description
技术领域
本申请涉及医疗数据处理技术领域，特别涉及一种虚拟诊疗方法、装置及系统。
背景技术
临床思维对于培养医疗人员的诊断和鉴别诊断、制定和执行诊疗计划、临床操作、急诊处理等临床综合能力具有重要的作用。所谓临床思维，就是医生在获取一定信息的情况下，通过归纳总结，推出对患者可能的诊断，并有针对性的展开下一步临床工作。因此，培养医疗人员的临床思维对于医疗人员掌握丰富的医学知识、提升医疗实践能力等具有中重要的促进作用。
现有技术中对于培养医疗人员的临床思维具有很多方式，其中包括虚拟诊疗方式。虚拟诊疗可以让医疗人员对构建出的“虚拟患者”进行诊断，使得诊断过程尽量贴近于真实的临床环境。目前，市场上出现多种虚拟诊疗平台，发明人在进行使用的过程发现，市场上的虚拟诊疗平台绝大部分案例具有下述缺点：
一、案例数量不多。市场上的虚拟诊疗平台中的诊断案例数量较少，几乎每一个病种只有一个案例，甚至很多稍微复杂的病种都没有对应的案例。但是在现实情况中，即使是普通的头疼发烧症状，往往都有多种诊断方式。另外，往往是很多稍微复杂的病种才需要医疗人员通过虚拟诊疗平台进行预先虚拟诊疗。因此，较少的案例数量往往导致培养医疗人员的临床思维能力具有较大的局限性。
二、案例质量不高。市场上的虚拟诊疗平台中的诊断案例往往是人工构建而成，因此，医疗人员在进行使用的过程中，诊断的方式具有局限性，甚至平台还对医疗人员进行引导。这样，导致虚拟诊疗不够智能化，使得虚拟诊疗环境无法与真实的诊疗环境相匹配。
因此，现有技术中亟需一种案例丰富、诊疗环境智能化且更加贴近于真实诊疗环境的虚拟诊疗方式。
发明内容
本申请实施例的目的在于提供一种虚拟诊疗方法、装置及系统，可以向用户提供案例丰富、诊疗环境智能化且更加贴近于真实诊疗环境的虚拟诊疗方式。
本申请实施例提供的一种虚拟诊疗方法、装置及系统具体是这样实现的：
一种虚拟诊疗方法，包括：
获取患有预设病种的虚拟患者的状态数据；
将所述状态数据输入与所述预设病种相匹配的机器学习模型组件中，获取针对所述状态数据的医疗措施；
其中，所述机器学习模型组件根据患有所述预设病种的多个真实患者的历史状态数据以及历史医疗措施之间的对应关系训练得到。
一种虚拟诊疗装置，包括处理器以及用于存储处理器可执行指令的存储器，所述处理器执行所述指令时实现：
获取患有预设病种的虚拟患者的状态数据；
将所述状态数据输入与所述预设病种相匹配的机器学习模型组件中，获取针对所述状态数据的医疗措施；
其中，所述机器学习模型组件根据患有所述预设病种的多个真实患者的历史状态数据以及历史医疗措施之间的对应关系训练得到。
一种计算机可读存储介质，其上存储有计算机指令，所述指令被执行时可以实现以下步骤：
获取患有预设病种的虚拟患者的状态数据；
将所述状态数据输入与所述预设病种相匹配的机器学习模型组件中，获取针对所述状态数据的医疗措施；
其中，所述机器学习模型组件根据患有所述预设病种的多个真实患者的历史状态数据以及历史医疗措施之间的对应关系训练得到。
一种虚拟诊疗系统，所述系统包括病情数据处理模块以及诊疗模块，其中，
所述病情数据处理模块，用于根据多个真实患者的历史状态数据以及历史医疗措施训练得到至少一个临床医疗路径，所述临床医疗路径包括按照时间先后顺序链接而成的状态数据和医疗措施的数据对；
所述诊疗模块，用于接收医疗措施，并响应于所述医疗措施，从所述至少一个临床医疗路径中搜索得到对应于所述医疗措施的状态数据。
本申请提供的虚拟诊疗方法、装置及系统，可以对海量的真实病情数据进行机器学习，生成针对不同病种的临床路径数据集。相对于现有技术中虚拟诊疗中的案例，本申请虚拟诊疗中的案例具有病种丰富、案量质量高的优点，具体如下：
一、从海量的真实病历中挖掘数据，数据来源丰富、真实，相对于现有技术中人工设计的数量有限的案例，本实施例方案可以根据从多个病情数据中提取得到与现实情况相匹配的临床路径数据集；
二、利用机器学习方法对真实病情数据进行学习，得到的数据模型(临床路径数据)更加贴近于真实的医疗环境，同时也更加地智能化。
综上，本申请提供的虚拟诊疗方法对于虚拟诊疗方法医疗人员培养临床思维能力具有重要的作用。
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中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本申请提供的应用场景的示意图；
图2是本申请提供的应用场景的示意图；
图3是本申请提供的应用场景的示意图；
图4是本申请提供的应用场景的示意图；
图5是本申请提供的虚拟诊疗方法的一种实施例的方法流程图；
图6是本申请提供的虚拟诊疗装置的一种实施例的模块结构示意图；
图7是本申请提供的虚拟诊疗系统的一种实施例的模块结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请中的技术方案，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，都应当属于本申请保护的范围。
基于类似于上文所述的技术需求，本申请通过的虚拟诊疗方法，可以利用深度学习的方式对患有相同病种的多个患者的历史病情数据进行学习，从而训练得到与所述病种相匹配的机器学习模型。
下面结合附图1通过一个具体的应用场景说明本申请提供的虚拟诊疗方法。
如图1所示，本应用场景中涉及到三个模块，虚拟患者生成模块，诊疗培训交互系统以及语音问答模块。其中，在所述虚拟患者生成模块中，可以获取多个病种的三甲医院病历数据，通过深度学习的方式获取机器学习模型组件，并利用所述机器学习模型组件对所述多个病历数据进行聚类分析处理，生成针对各个病种的至少一个临床医疗路径，所述临床医疗路径可以作为虚拟患者。具体的，上述根据病历数据生成临床医疗路径的方式可以参考下述各个实施例，在此不再赘述。
在所述诊疗培训交互系统中，用户可以利用所述虚拟患者进行诊疗，以增强医疗知识、提升医疗水平。根据下述各个实施例的描述，在利用所述机器学习模型组件对所述病历数据进行聚类分析的过程中，还针对各个病种设置了难易程度、是否异常等分类，这样，用户在使用所述虚拟患者的过程中，可以选取不同的难易程度(如分为初级、中级、高级等)进行诊疗训练。在实际的使用过程中，用户可以通过问诊的方式询问虚拟患者的身体状态，即所述机器学习模型组件可以将用户的问诊内容作为输入数据，生成的输出数据作为虚拟患者的身体状态结果数据。用户在获知虚拟患者的身体状态结果数据之后，可以做出医疗措施，如体检、检查、检验等工作。然后，所述机器学习模型组件可以根据医疗措施，生成体检结果数据、检查结果数据、检验结果数据等。用户可以基于上述数据进行诊断、治疗等。若虚拟患者还未康复，还可以再重复上述从问诊到诊断、治疗的医疗过程，直至虚拟患者痊愈，完成诊疗工作。
所述语音问答模块可以作为所述诊疗培训交互系统的辅助工作模块。所述语音问答模块可以用于将用户的语音内容(包括问诊内容、医疗措施等)转换成文字，并将虚拟患者返回的结果数据(如体检结果数据、检查结果数据、检验结果数据等)转换成语音内容，使得应用场景更加接近于现实中的诊疗场景。当用户在所述诊疗交互培训系统中输入语音内容之后，所述语音问答模块可以对所述语音内容进行语音识别、自然语言理解等语音数据处理过程，生成相应的文字内容。当虚拟患者生成结果数据时，可以对答复的结果数据进行自然语言生成、语音合成发生等处理，生成语音内容。如图1所示，所示语音问答模块中还可以包括问答引擎，所述问答引擎用于接收由用户的语音内容转换而成的文字内容。在实际情况下，用户的问诊内容、医疗措施往往是表达方式不统一的自然语言，本实施例中，所述问答引擎可以将用户表达方式不统一的问诊内容、医疗措施转换成标准语言。在一个实施例中，可以利用所述病历数据、问诊记录以及专家知识等数据建立标准语言库。当所述问答引擎接收到由用户语音内容转换而成的文字内容之后，可以对所述文字内容进行处理，如关键词提取等，并与所述标准语言库中的信息进行对比，获取与所述文字内容相匹配的问诊内容、医疗措施。在一个示例中，用户对虚拟患者发出语音“您的温度是多少”，根据标准语言库中的数据，匹配到统一的表达方式“请测一下您的体温”。当然，在一些场景中，用户在使用文字输入问诊内容、医疗措施时，所述问答引擎也可以对所述输入的问诊内容、医疗措施进行处理。
图2-图4是本应用场景中用户使用所述诊疗培训交互系统进行虚拟诊疗的用户界面。如图2所示，所述诊疗培训交互系统可以包括问诊、检查、诊断、医嘱、推进进程等多个导航。其中，图3是“检查”的用户界面，在该用户界面中，可以展示当前的治疗阶段为手术前，还可以展示虚拟患者和用户之间的对话。同样地，图4展示了“医嘱”的用户界面，该用户界面可以展示虚拟患者与用户之间的对话。
下面结合附图5对本申请所述的虚拟诊疗方法进行说明。图5是本申请提供的虚拟诊疗方法的一种实施例的方法流程示意图。虽然本申请提供了如下述实施例或附图所示的方法操作步骤，但基于常规或者无需创造性的劳动在所述方法中可以包括更多或者更少的操作步骤。在逻辑性上不存在必要因果关系的步骤中，这些步骤的执行顺序不限于本申请实施例提供的执行顺序。所述方法在实际中的虚拟诊疗过程中，可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境)。
S501：获取患有预设病种的虚拟患者的状态数据。
S503：将所述状态数据输入与所述预设病种相匹配的机器学习模型组件中，获取针对所述状态数据的医疗措施；
其中，所述机器学习模型组件根据患有所述预设病种的多个真实患者的历史状态数据以及历史医疗措施之间的对应关系训练得到。
本实施例中，由于在医学领域，不同的病种的诊疗过程相差很大，即数据差异性很大，因此，可以为每个病种设置一个对应的机器学习模型组件。本实施例中，可以利用患有同一病种的多个真实患者的历史病情数据训练所述机器学习模型组件。本实施例中，所述历史病情数据可以包括从多个医院搜集的真实病历数据。在搜集历史病情数据过程中，若针对流行性感冒进行深度学习，则获取多个流行性感冒患者的病历数据；若针对高血压，则获取多个高血压患者的病历数据。所述历史病情数据中可以包括患者的历史状态数据以及医生针对所述历史状态数据所做的历史医疗措施。但是，搜集的历史病情数据(如病历)中往往包含大量数据，如基本信息、患者主诉、医嘱信息、治疗费用、护理信息、检查结果、检验结果、手术信息、医生信息、诊断信息等多种信息。其中护理信息又包括患者的伤口评估、疼痛性质、疼痛程度、睡眠质量、大小便次数等，所述检查结果包括电子计算机断层扫描影像(Computed Tomograph，CT)、核磁共振影像(Magnetic Resnane Iamge，MRI)、B超等医学影像数据。
上述历史病情数据往往具有数据量大、术语表述不统一、疾病种类多、病历格式不统一等特点。本实施例中，可以对所述历史病情数据进行数据清洗，对所述历史病情数据进行标准化处理。例如，针对不同医院的历史病情数据术语表述不统一的现象，可以利用自然语言处理技术构建医学同义词字典，将来自不同医院的历史病情数据利用所述医学同义词字典进行标准化处理，形成统一化的历史病情数据术语。例如，在一个示例中，医学上的花斑癣，一些医院称为花斑癣，一些医院称为汗斑，虽然是同一个病种，但是不同医院的术语不统一，在本实施例中，可以利用医学同义词词典对上述术语进行统一。当然，还可以对所述历史病情数据进行格式化统一、病种分类等数据处理，本申请在此不再赘述。综上数据，本申请实施例可以对所述历史病情数据进行处理，生成结构化的、适用的数据。
本实施例中，可以从所述历史病情数据中提取出历史状态数据以及所述历史状态数据所对应的历史医疗措施。其中，所述历史状态数据可以包括下述中的至少一种：生命体征、护理记录、检查结果、检验结果。所述生命体征可以包括患者的呼吸、血压、血糖、心率、血氧饱和度等信息。所述护理记录可以包括患者的伤口评估、疼痛性质、疼痛程度、睡眠质量、大小便次数等信息。所述检查结果包括医生对患者直观的肢体检查，如脊柱、面色、肢端肿胀、活动度等信息。所述检验结果可以包括利用医疗器械、试剂等手段获取的血常规、尿常规等数据。所述历史医疗措施包括医生针对患者状态做出的药物使用、手术通知等措施。
本实施例中，可以对每个患者的历史状态数据和历史医疗措施按照时间先后顺序进行排序。在本申请的一个实施例中，可以利用机器学习算法对所述历史状态数据和历史医疗措施的对应关系进行深度学习。由于医疗过程的时间序列很重要，患者的当前状态往往与前一次的医疗措施相关联，因此需要对患者的历史状态数据和历史医疗措施按照时间先后顺序进行排序之后，再对所述历史状态数据和历史医疗措施进行深度学习。本实施例中，可以利用机器学习算法对所述历史状态数据和历史医疗措施进行训练。具体地，可以构建机器学习训练组件，所述机器学习模型组件中设置有训练参数。然后，可以将排序后的所述历史状态数据作为所述机器学习模型组件的输入数据、所述历史医疗措施作为输出数据，利用所述历史状态数据与所述历史医疗措施之间的对应关系对所述机器学习模型组件进行训练，并调整所述训练参数，直至所述机器学习模型组件达到预设要求。本实施例中，所述机器学习方式还可以包括K近邻算法、感知机算法、决策树、支持向量机、逻辑斯底回归、最大熵等，相应的，生成的模型如朴素贝叶斯、隐马尔科夫等。当然，在其他实施例中，所述机器学习模型组件可以包括深度学习模型组件，所述深度学习模型组件可以包括卷积神经网络学习模型组件、循环神经网络(RNN)模型组件、长短时记忆(LSTM)神经网络模型组件等等。本申请在此不做限制。
下面非限制性地以长短时记忆(LSTM)神经网络模型组件对所述历史状态数据和历史医疗措施进行深度学习。首先，可以对所述历史状态数据和历史医疗措施进行数据类型分类，所述数据类型包括下述中的至少一种：数值类型、分类类型以及文本类型。其中，数值类型可以包括心率、脉搏，分类类型例如可以包括检验结果为阳性或者阴性等，文本类型例如可以包括患者主诉、检验报告、检查报告等。在一个实施例中，对于数值类型数据，可以对其进行格式统一化，还可以使其符合正太分布。在一个实施例中，对于分类类型数据，可以采用独热码方式表示。在一个实施例中，对于文本类型数据，可以采用自然语言处理技术将其转换成数值类型数据和分类类型数据，再采用上述实施例方式进行转换。对于历史医疗措施进行同样的处理方式。在一个实施例中，可以将患者经过分类处理之后的历史状态数据和历史医疗措施组合而成所述LSTM神经网络模型组件的输入数据。在一个实施例中，可以将患者预设时间段内的数据作为一个样本，所述预设时间段可以为12小时、一天、一周等，对于预设时间段的长短，本申请在此不做限制。
在LSTM神经网络模型组件中，每一时刻的输入都与上一时刻的输出相关联，LSTM神经网络模型组件的特性使得其对于过去的状态具有长时间的“记忆”能力。在LSTM神经网络模型组件中，对于治疗过程中每一个预设时间段t，隐藏节点的隐藏状态向量mt和LSTM输出向量ht通过当前输入向量vt和前一个LSTM输出状态学习得到，表达式可以为：
ht,mt＝LSTM(vt,ht-1)
其中，所述输入向量vt为经过分类处理之后的历史状态数据和历史医疗措施组合而成的向量，输出向量ht为所述历史医疗措施的概率分布向量。
通过所述LSTM神经网络模型组件对所述历史状态数据和历史医疗措施进行不断学习之后，向所述LSTM神经网络模型组件输入历史状态数据，可以生成LSTM输出向量ht。通过训练映射张量和非线性激活函数将输出向量ht映射得到预测的历史医疗措施。然后，可以将预测的历史医疗措施和真实的历史医疗措施之间的欧氏距离作为模型的损失函数。对所述LSTM神经网络模型组件训练目标是最小化正则化后的损失函数。再使用梯度下降法对所述LSTM神经网络模型组件进行最优化训练，直至所述损失函数的数值达到预设要求。
当然，在其他实施例中，还可以利用循环神经网络(Recurrent Neural Network，RNN)模型组件及其变形方式对所述历史状态数据以及历史医疗措施之间的对应关系进行深度学习，本申请在此不做限制。
本实施例中，在训练完成所述机器学习模型组件之后，可以利用所述机器学习模型组件确定患者治疗过程中的各个阶段。在机器学习组件中，往往具有多个隐藏层，且每个隐藏层中具有多个隐藏层节点(也称为神经元)，每个隐藏层节点具有状态数据(如张量参数等)。在本实施例中训练完成的所述机器学习组件中，所述多个隐藏层节点可以自动形成多个类别，如实现同一功能的隐藏层节点可以归为一类。在本实施例中，用于深度学习的病情数据中的差异之一在于治疗阶段的不同，因此，可以根据隐藏层节点的状态数据对隐藏层节点进行归类，从而获取不同治疗阶段所对应的类别。具体地，在本申请的一个实施例中，可以在训练生成所述机器学习模型组件之后，获取所述机器学习模型组件的隐藏层节点及所述隐藏层节点的状态数据。然后，可以根据所述状态数据，对所述隐藏层节点进行聚类分析，生成至少一个类别。在生成类别之后，可以分析所述类别所对应的隐藏层节点的主要功能，分别设置所述至少一个类别所对应的治疗阶段，并将所述类别的隐藏层节点中的中心节点作为所述治疗阶段的中心节点。所述隐藏层节点中的中心节点可以包括相同类别中状态数据接近于平均值的隐藏层节点。例如，在一个示例中，所述治疗阶段可以分为“术前”、“术当日”、“术后日”、“术后一周”、“康复”等等。
本实施例中，在确定所述各个治疗阶段之后，可以将所述多个患者的历史病情数据按照所述治疗阶段进行时间先后链接处理，生成各个患者的临床医疗路径。具体地，在确定所述历史病情数据中所述历史状态数据属于哪个治疗阶段的过程中，可以利用所述机器学习模型组件确定所述历史状态数据所对应的隐藏层节点状态数据。然后，可以分别计算所述隐藏层节点状态数据与所述多个治疗阶段的中心节点状态数据之间的距离。所述距离例如包括欧式距离，在此，可以将欧式距离最短的中心节点所对应的治疗阶段作为所述历史状态数据所对应的治疗阶段。将所述历史病情数据按照所述治疗阶段划分并按照时间先后顺序链接之后，可以将各个患者的历史病情数据转换成临床医疗路径。
本实施例中，还可以利用所述机器学习模型组件对所述多个患者的临床医疗路径进行聚类分析，生成至少一个具有相同类别的临床医疗路径集合。在实际情况下，对于很多病种，大部分患者的患病周期、治疗流程都是比较相似的，因此，对多个患者的临床医疗路径进行聚类分析，可以消除一些相似的临床医疗路径。例如，获取到500个流感患者的病情数据，此后，经过机器学习模型模型的训练、治疗阶段的确定、临床医疗路径的转换等过程，可以获得500个临床医疗路径。对上述500个临床医疗路径进行聚类分析之后，可以获取10个临床医疗路径集合，其中一个集合中具有370个临床医疗路径，即与实际情况下大部分患者医疗流程相似的情况相符合。其他的130个临床医疗路径可能是一些比较复杂的异常病例，医疗手段也相对复杂一点。
在生成至少一个具有相同类别的临床医疗路径集合之后，可以分别对所述临床医疗路径集合设置标签，所述标签可以包括下述中的至少一种：难易程度、是否为异常路径。本实施例中，为所述临床医疗路径集合设置标签可以用于在后续进行虚拟诊疗的过程中，设置诊断的难易程度，如可分为初级、中级、高级难易程度，或者常规病例、异常病例等情况，以方便医生在虚拟诊疗的过程中，选取不同难易程度和病例是否异常等情况。
本实施例中，在生成所述机器学习模型组件之后，可以利用所述机器学习模型组件进行虚拟诊疗。本实施例中，可以针对每一个病种训练生成一个机器学习模型组件。当用户使用所述机器学习模型组件进行虚拟诊疗时，可以将患有预设病种的虚拟患者的状态数据输入至所述机器学习模型组件中，所述机器学习模型组件可以根据所述状态数据确定相应的医疗措施。
本申请提供的虚拟诊疗方法，可以对海量的真实病情数据进行机器学习，生成针对不同病种的临床路径数据集。相对于现有技术中虚拟诊疗中的案例，本申请虚拟诊疗中的案例具有病种丰富、案量质量高的优点，具体如下：
一、从海量的真实病历中挖掘数据，数据来源丰富、真实，相对于现有技术中人工设计的数量有限的案例，本实施例方案可以根据从多个病情数据中提取得到与现实情况相匹配的临床路径数据集；
二、利用深度学习方法对真实病情数据进行学习，得到的数据模型(临床路径数据)更加贴近于真实的医疗环境，同时也更加地智能化。
综上，本申请提供的虚拟诊疗方法对于虚拟诊疗方法医疗人员培养临床思维能力具有重要的作用。
本申请另一方面还提供一种虚拟诊疗装置，如图6所示，所述装置可以包括处理器以及用于存储处理器可执行指令的存储器，所述处理器执行所述指令时实现：
获取患有预设病种的虚拟患者的状态数据；
将所述状态数据输入与所述预设病种相匹配的机器学习模型组件中，获取针对所述状态数据的医疗措施；
其中，所述机器学习模型组件根据患有所述预设病种的多个真实患者的历史状态数据以及历史医疗措施之间的对应关系训练得到。
可选的，在本申请的一个实施例中，所述处理器在实现步骤机器学习模型组件被设置为按照下述方式训练得到时可以包括：
获取同一病种的多个真实患者的历史病情数据，所述历史病情数据至少包括历史状态数据和历史医疗措施；
对每个患者的历史病情数据按照时间先后顺序进行排序；
构建机器学习模型组件，所述机器学习模型组件中设置有训练参数；
将排序后的所述历史状态数据作为所述机器学习模型组件的输入数据、所述历史医疗措施作为输出数据，利用所述历史状态数据与所述历史医疗措施之间的对应关系对所述机器学习模型组件进行训练，调整所述训练参数，直至所述机器学习模型组件达到预设要求。
可选的，在本申请的一个实施例中，所述机器学习模型组件可以包括下述中的一种：循环神经网络(Recurrent Neural Network，RNN)模型组件、长短期记忆(Long Short-Term Memory，LTSM)神经网络模型组件。
可选的，在本申请的一个实施例中，所述处理器在实现步骤将所述状态数据输入与所述预设病种相匹配的机器学习模型组件中，获取针对所述状态数据的医疗措施时可以包括：
利用与所述预设病种相匹配的机器学习模型组件确定所述状态数据所对应的隐藏层节点状态数据；
分别计算所述隐藏层节点状态数据与多个治疗阶段的中心节点状态数据之间的距离；
根据所述距离确定所述虚拟患者所处的治疗阶段。
可选的，在本申请的一个实施例中，所述多个治疗阶段中心状态数据可以被设置为按照下述方式得到：
在训练生成所述机器学习模型组件之后，获取所述机器学习模型组件的隐藏层节点及所述隐藏层节点的状态数据；
根据所述状态数据，对所述隐藏层节点进行聚类分析，生成至少一个类别；
分别设置所述至少一个类别所对应的治疗阶段，并将所述类别的隐藏层节点中的中心节点作为所述治疗阶段的中心节点。
可选的，在本申请的一个实施例中，所述状态数据可以包括下述中的至少一种：生命体征数据、护理记录数据、检查结果数据、检验结果数据。
可选的，在本申请的一个实施例中，所述处理器在实现步骤获取同一病种的多个患者的历史病情数据之后，还可以包括：
对所述状态数据和所述医疗措施进行数据类型分类，所述数据类型至少包括下述中的一种：数值类型、分类类型以及文本类型；
针对不用的数据类型对所述状态数据和所述医疗措施进行编码处理。
可选的，在本申请的一个实施例中，所述处理器在实现步骤分别设置所述至少一个类别所对应的治疗阶段之后，还可以包括：
分别将所述多个患者的历史病情数据按照所述治疗阶段进行时间先后链接处理，生成各个患者的临床医疗路径；
利用所述机器学习模型组件对所述多个患者的临床医疗路径进行聚类分析，生成至少一个具有相同类别的临床医疗路径集合。
可选的，在本申请的一个实施例中，所述处理器在实现步骤生成至少一个具有相同类别的临床医疗路径集合之后，还可以包括：
分别对所述至少一个临床医疗路径集合设置标签，所述标签包括下述中的至少一种：难易程度、是否为异常路径。
本申请另一方面还提供一种虚拟诊疗系统，如图7所示，所述系统包括病情数据处理模块以及诊疗模块，其中，
所述病情数据处理模块，用于根据多个真实患者的历史状态数据以及历史医疗措施训练得到至少一个临床医疗路径，所述临床医疗路径包括按照时间先后顺序链接而成的状态数据和医疗措施的数据对；
所述诊疗模块，用于接收医疗措施，并响应于所述医疗措施，从所述至少一个临床医疗路径中搜索得到对应于所述医疗措施的状态数据。
可选的，在本申请的一个实施例中，所述系统还可以包括数据处理模块，所述数据处理模块与所述诊疗模块相耦合，用于从预设语言集合中获取与所述医疗措施相匹配的标准语言。
可选的，在本申请的一个实施例中，所述系统还可以包括语音数据转化模块，所述语音数据转化模块与所述诊疗模块相耦合，用于将用户输入的语音式的医疗措施转化成文字内容，还用于，将所述状态数据转化成语音内容。
本申请另一方面还提出一种计算机可读存储介质，其上存储有计算机指令，所述指令被执行时可以实现以下步骤：
获取患有预设病种的虚拟患者的状态数据；
利用与所述预设病种相匹配的机器学习模型组件对所述虚拟患者进行诊断，生成针对所述状态数据的医疗措施；
其中，所述机器学习模型组件根据患有所述预设病种的多个患者的历史状态数据以及历史医疗措施之间的对应关系训练得到。
所述计算机可读存储介质可以包括用于存储信息的物理装置，通常是将信息数字化后再以利用电、磁或者光学等方式的媒体加以存储。本实施例所述的计算机可读存储介质有可以包括：利用电能方式存储信息的装置如，各式存储器，如RAM、ROM等；利用磁能方式存储信息的装置如，硬盘、软盘、磁带、磁芯存储器、磁泡存储器、U盘；利用光学方式存储信息的装置如，CD或DVD。当然，还有其他方式的可读存储介质，例如量子存储器、石墨烯存储器等等。
在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray，FPGA))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(Hardware Description Language，HDL)，而HDL也并非仅有一种，而是有许多种，如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等，目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的食品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便，描述以上客户端或服务器时以功能分为各种单元分别描述。当然，在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序食品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序食品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序食品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序食品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序食品的形式。
本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理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权利要求范围之内。
Claims (22)
1.一种虚拟诊疗方法，其特征在于，包括：
获取患有预设病种的虚拟患者的状态数据；
将所述状态数据输入与所述预设病种相匹配的机器学习模型组件中，获取针对所述状态数据的医疗措施；
其中，所述机器学习模型组件根据患有所述预设病种的多个真实患者的历史状态数据以及历史医疗措施之间的对应关系训练得到。
2.根据权利要求1所述的方法，其特征在于，所述机器学习模型组件被设置为按照下述方式训练得到包括：
获取同一病种的多个真实患者的历史病情数据，所述历史病情数据至少包括历史状态数据和历史医疗措施；
对每个患者的历史病情数据按照时间先后顺序进行排序；
构建机器学习模型组件，所述机器学习模型组件中设置有训练参数；
将排序后的所述历史状态数据作为所述机器学习模型组件的输入数据、所述历史医疗措施作为输出数据，利用所述历史状态数据与所述历史医疗措施之间的对应关系对所述机器学习模型组件进行训练，调整所述训练参数，直至所述机器学习模型组件达到预设要求。
3.根据权利要求1所述的方法，其特征在于，所述机器学习模型组件包括下述中的一种：循环神经网络(Recurrent Neural Network，RNN)模型组件、长短期记忆(Long Short-Term Memory，LTSM)神经网络模型组件。
4.根据权利要求1所述的方法，其特征在于，所述将所述状态数据输入与所述预设病种相匹配的机器学习模型组件中，获取针对所述状态数据的医疗措施包括：
利用与所述预设病种相匹配的机器学习模型组件确定所述状态数据所对应的隐藏层节点状态数据；
分别计算所述隐藏层节点状态数据与多个治疗阶段的中心节点状态数据之间的距离；
根据所述距离确定所述虚拟患者所处的治疗阶段。
5.根据权利要求4所述的方法，其特征在于，所述多个治疗阶段中心状态数据被设置为按照下述方式得到：
在训练生成所述机器学习模型组件之后，获取所述机器学习模型组件的隐藏层节点及所述隐藏层节点的状态数据；
根据所述状态数据，对所述隐藏层节点进行聚类分析，生成至少一个类别；
分别设置所述至少一个类别所对应的治疗阶段，并将所述类别的隐藏层节点中的中心节点作为所述治疗阶段的中心节点。
6.根据权利要求1所述的方法，其特征在于，所述状态数据包括下述中的至少一种：生命体征数据、护理记录数据、检查结果数据、检验结果数据。
7.根据权利要求2所述的方法，其特征在于，在所述获取同一病种的多个真实患者的历史病情数据之后，所述方法包括：
对所述状态数据和所述医疗措施进行数据类型分类，所述数据类型至少包括下述中的一种：数值类型、分类类型以及文本类型；
针对不用的数据类型对所述状态数据和所述医疗措施进行编码处理。
8.根据权利要求5所述的方法，其特征在于，在所述分别设置所述至少一个类别所对应的治疗阶段之后，所述方法还包括：
分别将所述多个真实患者的历史病情数据按照所述治疗阶段进行时间先后链接处理，生成各个患者的临床医疗路径；
利用所述机器学习模型组件对所述多个患者的临床医疗路径进行聚类分析，生成至少一个具有相同类别的临床医疗路径集合。
9.根据权利要求8所述的方法，其特征在于，在所述生成至少一个具有相同类别的临床医疗路径集合之后，所述方法还包括：
分别对所述至少一个临床医疗路径集合设置标签，所述标签包括下述中的至少一种：难易程度、是否为异常路径。
10.一种虚拟诊疗装置，其特征在于，包括处理器以及用于存储处理器可执行指令的存储器，所述处理器执行所述指令时实现：
获取患有预设病种的虚拟患者的状态数据；
将所述状态数据输入与所述预设病种相匹配的机器学习模型组件中，获取针对所述状态数据的医疗措施；
其中，所述机器学习模型组件根据患有所述预设病种的多个真实患者的历史状态数据以及历史医疗措施之间的对应关系训练得到。
11.根据权利要求10所述的装置，其特征在于，所述处理器在实现步骤机器学习模型组件被设置为按照下述方式训练得到时包括：
获取同一病种的多个真实患者的历史病情数据，所述历史病情数据至少包括历史状态数据和历史医疗措施；
对每个患者的历史病情数据按照时间先后顺序进行排序；
构建机器学习模型组件，所述机器学习模型组件中设置有训练参数；
将排序后的所述历史状态数据作为所述机器学习模型组件的输入数据、所述历史医疗措施作为输出数据，利用所述历史状态数据与所述历史医疗措施之间的对应关系对所述机器学习模型组件进行训练，调整所述训练参数，直至所述机器学习模型组件达到预设要求。
12.根据权利要求10所述的装置，其特征在于，所述机器学习模型组件包括下述中的一种：循环神经网络(Recurrent Neural Network，RNN)模型组件、长短期记忆(Long Short-Term Memory，LTSM)神经网络模型组件。
13.根据权利要求10所述的装置，其特征在于，所述处理器在实现步骤将所述状态数据输入与所述预设病种相匹配的机器学习模型组件中，获取针对所述状态数据的医疗措施时包括：
利用与所述预设病种相匹配的机器学习模型组件确定所述状态数据所对应的隐藏层节点状态数据；
分别计算所述隐藏层节点状态数据与多个治疗阶段的中心节点状态数据之间的距离；
根据所述距离确定所述虚拟患者所处的治疗阶段。
14.根据权利要求13所述的装置，其特征在于，所述多个治疗阶段中心状态数据被设置为按照下述方式得到：
在训练生成所述机器学习模型组件之后，获取所述机器学习模型组件的隐藏层节点及所述隐藏层节点的状态数据；
根据所述状态数据，对所述隐藏层节点进行聚类分析，生成至少一个类别；
分别设置所述至少一个类别所对应的治疗阶段，并将所述类别的隐藏层节点中的中心节点作为所述治疗阶段的中心节点。
15.根据权利要求10所述的装置，其特征在于，所述状态数据包括下述中的至少一种：生命体征数据、护理记录数据、检查结果数据、检验结果数据。
16.根据权利要求11所述的装置，其特征在于，所述处理器在实现步骤获取同一病种的多个真实患者的历史病情数据之后，还包括：
对所述状态数据和所述医疗措施进行数据类型分类，所述数据类型至少包括下述中的一种：数值类型、分类类型以及文本类型；
针对不用的数据类型对所述状态数据和所述医疗措施进行编码处理。
17.根据权利要求14所述的装置，其特征在于，所述处理器在实现步骤分别设置所述至少一个类别所对应的治疗阶段之后，还包括：
分别将所述多个真实患者的历史病情数据按照所述治疗阶段进行时间先后链接处理，生成各个患者的临床医疗路径；
利用所述机器学习模型组件对所述多个患者的临床医疗路径进行聚类分析，生成至少一个具有相同类别的临床医疗路径集合。
18.根据权利要求17所述的装置，其特征在于，所述处理器在实现步骤生成至少一个具有相同类别的临床医疗路径集合之后，还包括：
分别对所述至少一个临床医疗路径集合设置标签，所述标签包括下述中的至少一种：难易程度、是否为异常路径。
19.一种计算机可读存储介质，其上存储有计算机指令，所述指令被执行时可以实现以下步骤：
获取患有预设病种的虚拟患者的状态数据；
将所述状态数据输入与所述预设病种相匹配的机器学习模型组件中，获取针对所述状态数据的医疗措施；
其中，所述机器学习模型组件根据患有所述预设病种的多个真实患者的历史状态数据以及历史医疗措施之间的对应关系训练得到。
20.一种虚拟诊疗系统，其特征在于，所述系统包括病情数据处理模块以及诊疗模块，其中，
所述病情数据处理模块，用于根据多个真实患者的历史状态数据以及历史医疗措施训练得到至少一个临床医疗路径，所述临床医疗路径包括按照时间先后顺序链接而成的状态数据和医疗措施的数据对；
所述诊疗模块，用于接收医疗措施，并响应于所述医疗措施，从所述至少一个临床医疗路径中搜索得到对应于所述医疗措施的状态数据。
21.根据权利要求20所述的系统，其特征在于，所述系统还包括数据处理模块，所述数据处理模块与所述诊疗模块相耦合，用于从预设语言集合中获取与所述医疗措施相匹配的标准语言。
22.根据权利要求20所述的系统，其特征在于，所述系统还包括语音数据转化模块，所述语音数据转化模块与所述诊疗模块相耦合，用于将用户输入的语音式的医疗措施转化成文字内容，还用于，将所述状态数据转化成语音内容。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810168460.3A CN110211680A (zh) | 2018-02-28 | 2018-02-28 | 一种虚拟诊疗方法、装置及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810168460.3A CN110211680A (zh) | 2018-02-28 | 2018-02-28 | 一种虚拟诊疗方法、装置及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110211680A true CN110211680A (zh) | 2019-09-06 |
Family
ID=67778717
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810168460.3A Pending CN110211680A (zh) | 2018-02-28 | 2018-02-28 | 一种虚拟诊疗方法、装置及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110211680A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111462557A (zh) * | 2020-04-09 | 2020-07-28 | 中国人民解放军陆军军医大学第二附属医院 | 一种心血管病临床病例闯关游戏式的教学应用系统 |
| CN111640517A (zh) * | 2020-05-27 | 2020-09-08 | 医渡云（北京）技术有限公司 | 病历编码方法、装置、存储介质及电子设备 |
| CN111834005A (zh) * | 2020-07-02 | 2020-10-27 | 医渡云（北京）技术有限公司 | 基于传染病的医疗数据筛选方法、装置、介质及设备 |
| CN112420142A (zh) * | 2020-11-20 | 2021-02-26 | 上海梅斯医药科技有限公司 | 数据获取方法、装置、计算机设备和存储介质 |
| CN114582474A (zh) * | 2021-12-21 | 2022-06-03 | 森亿智能(南京)科技有限公司 | 医疗机构运营模拟系统、方法、终端及存储介质 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140297240A1 (en) * | 2013-03-27 | 2014-10-02 | International Business Machines Coporation | Extracting clinical care pathways correlated with outcomes |
| CN104834826A (zh) * | 2015-05-25 | 2015-08-12 | 南京伯索网络科技有限公司 | 基于数据挖掘和图论技术的临床路径建立和优化方法及系统 |
| CN105956378A (zh) * | 2016-04-26 | 2016-09-21 | 成都聚恒康科技有限公司 | 肿瘤诊疗临床决策支持系统 |
| CN106156497A (zh) * | 2016-07-01 | 2016-11-23 | 深圳市前海安测信息技术有限公司 | 基于临床路径的医疗辅助系统和方法 |
| CN106297464A (zh) * | 2016-08-19 | 2017-01-04 | 上海梅斯医药科技有限公司 | 一种虚拟诊疗系统 |
| CN106909789A (zh) * | 2017-02-28 | 2017-06-30 | 郑州云海信息技术有限公司 | 一种智能医疗系统 |
| WO2017210502A1 (en) * | 2016-06-03 | 2017-12-07 | Yale University | Methods and apparatus for predicting depression treatment outcomes |
-
2018
- 2018-02-28 CN CN201810168460.3A patent/CN110211680A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140297240A1 (en) * | 2013-03-27 | 2014-10-02 | International Business Machines Coporation | Extracting clinical care pathways correlated with outcomes |
| CN104834826A (zh) * | 2015-05-25 | 2015-08-12 | 南京伯索网络科技有限公司 | 基于数据挖掘和图论技术的临床路径建立和优化方法及系统 |
| CN105956378A (zh) * | 2016-04-26 | 2016-09-21 | 成都聚恒康科技有限公司 | 肿瘤诊疗临床决策支持系统 |
| WO2017210502A1 (en) * | 2016-06-03 | 2017-12-07 | Yale University | Methods and apparatus for predicting depression treatment outcomes |
| CN106156497A (zh) * | 2016-07-01 | 2016-11-23 | 深圳市前海安测信息技术有限公司 | 基于临床路径的医疗辅助系统和方法 |
| CN106297464A (zh) * | 2016-08-19 | 2017-01-04 | 上海梅斯医药科技有限公司 | 一种虚拟诊疗系统 |
| CN106909789A (zh) * | 2017-02-28 | 2017-06-30 | 郑州云海信息技术有限公司 | 一种智能医疗系统 |
Non-Patent Citations (5)
| Title |
|---|
| 中华工商时报: ""治趣"打造全球最大虚拟病人库", pages 1 - 2, Retrieved from the Internet <URL:finance.china.com.cn/roll/20170717/4309604.shtml> * |
| 健康界: "病人也可以虚拟？ 全国首家"虚拟病人"模拟诊疗训练平台诞生", pages 1 - 7, Retrieved from the Internet <URL:https://www.cn-healthcare.com/article/20170421/content-491623.html> * |
| 卫荣等: "人工智能在医学教育领域的应用研究", 医学教育研究与实践, vol. 25, no. 6, pages 835 - 838 * |
| 搜狐网: "临床思维成医学必考点，「治趣」用虚拟病人连接理论与实践", pages 1 - 4, Retrieved from the Internet <URL:https://m.sohu.com/a/165234321_114778?010004_wapwxfzlj> * |
| 陈竺: ""大病"临床路径 2015年版", 中华医学电子音像出版社, pages: 41 - 45 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111462557A (zh) * | 2020-04-09 | 2020-07-28 | 中国人民解放军陆军军医大学第二附属医院 | 一种心血管病临床病例闯关游戏式的教学应用系统 |
| CN111640517A (zh) * | 2020-05-27 | 2020-09-08 | 医渡云（北京）技术有限公司 | 病历编码方法、装置、存储介质及电子设备 |
| CN111640517B (zh) * | 2020-05-27 | 2023-05-26 | 医渡云（北京）技术有限公司 | 病历编码方法、装置、存储介质及电子设备 |
| CN111834005A (zh) * | 2020-07-02 | 2020-10-27 | 医渡云（北京）技术有限公司 | 基于传染病的医疗数据筛选方法、装置、介质及设备 |
| CN112420142A (zh) * | 2020-11-20 | 2021-02-26 | 上海梅斯医药科技有限公司 | 数据获取方法、装置、计算机设备和存储介质 |
| CN114582474A (zh) * | 2021-12-21 | 2022-06-03 | 森亿智能(南京)科技有限公司 | 医疗机构运营模拟系统、方法、终端及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Hassantabar et al. | CovidDeep: SARS-CoV-2/COVID-19 test based on wearable medical sensors and efficient neural networks | |
| Fernando et al. | Deep learning for medical anomaly detection–a survey | |
| Gjoreski et al. | Machine learning and end-to-end deep learning for the detection of chronic heart failure from heart sounds | |
| US11468998B2 (en) | Methods and systems for software clinical guidance | |
| CN110211680A (zh) | 一种虚拟诊疗方法、装置及系统 | |
| Ambekar et al. | Disease risk prediction by using convolutional neural network | |
| Swarna et al. | Parkinson’s disease prediction using adaptive quantum computing | |
| Rehg et al. | Mobile health | |
| CN106456078B (zh) | 用于对血流储备分数的基于机器学习的评估的方法和系统 | |
| Birkhoff et al. | A review on the current applications of artificial intelligence in the operating room | |
| Khang et al. | The Analytics of Hospitality of Hospitals in a Healthcare Ecosystem | |
| Dargazany et al. | WearableDL: Wearable Internet‐of‐Things and Deep Learning for Big Data Analytics—Concept, Literature, and Future | |
| CN108024718A (zh) | 健康信息(数据)医学收集、处理和反馈的连续性系统和方法 | |
| CN109658399A (zh) | 一种头颈斑块图像识别方法及装置 | |
| Javed et al. | Artificial intelligence for cognitive health assessment: state-of-the-art, open challenges and future directions | |
| Ciaunica et al. | Back to square one: From embodied experiences in utero to theories of consciousness | |
| CN109147927B (zh) | 一种人机交互方法、装置、设备及介质 | |
| Tarifi et al. | A Machine Learning Approach to the Non-Invasive Estimation of Continuous Blood Pressure Using Photoplethysmography | |
| Rong et al. | [Retracted] Research on Material Design of Medical Products for Elderly Families Based on Artificial Intelligence | |
| Rudnicka et al. | Artificial Intelligence-Based Algorithms in Medical Image Scan Segmentation and Intelligent Visual Content Generation—A Concise Overview | |
| Ktistakis et al. | Applications of ai in healthcare and assistive technologies | |
| Demir et al. | Surgical Phase Recognition: A Review and Evaluation of Current Approaches | |
| Pandey et al. | Data Analysis and Modeling of Body Sensor Network in Healthcare Application | |
| Jain | Artificial Intelligence and Machine Learning for Healthcare | |
| CN114283912A (zh) | 基于rthd、人工智能的医学病历建档方法及云平台系统 |
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: 20190906 |