CN111091906B - 一种基于真实世界数据的辅助医疗诊断方法及系统 - Google Patents

Abstract

本发明公开了一种基于真实世界数据的辅助医疗诊断方法及系统，该方法包括，获取客户端提交的查询请求；所述查询请求包括患者的疾病特征信息和/或检查结果；根据神经网络识别所述查询请求，提取出待匹配的疾病特征；将所述待匹配的疾病特征转换为向量表示；将所述向量表示与真实世界数据库中的疾病进行匹配计算，生成匹配结果；将所述匹配结果按照预设优先级排列，推送给所述客户端；从而获得相应的辅助决策信息，可实现对不同患者针对性的精确诊断治疗，降低诊疗过程中人为风险导致的误诊概率。

Description

一种基于真实世界数据的辅助医疗诊断方法及系统

技术领域

本发明涉及医用诊疗系统技术领域，特别涉及一种基于真实世界数据的辅助医疗诊断方法及系统。

背景技术

目前，医疗行业的病例数据已经基本实现电子化，随着医疗辅助诊断业务需求的不断增长，一些医院或地区也开发了一些辅助决策系统知识库系统或软件。比如，医生根据权限登录该系统后，输入就诊的病患信息，进行查询；系统根据该查询请求，反馈该病患的疾病档案和健康档案；再输入诊疗请求后，该系统反馈诊疗参考方案，以使医生参考分析病患疾病档案、健康档案和相关的诊疗参考方案来诊疗病患。

但是，目前临床辅助决策系统知识库比较片面、患者信息匹配性较差、推荐的诊疗参考方案匹配度较低。

发明内容

鉴于上述问题，本发明提出了一种基于真实世界数据的辅助医疗诊断方法，基于真实世界数据建立好的知识库中对临床数据进行搜索匹配，匹配准确率高，可解决现有知识库比较片面、匹配性较差、推荐的诊疗参考方案匹配度较低的技术问题。

第一方面，本发明实施例提供一种基于真实世界数据的辅助医疗诊断方法，包括：

获取客户端提交的查询请求；所述查询请求包括患者的疾病特征信息和/或检查结果；

根据神经网络识别所述查询请求，提取出待匹配的疾病特征；

将所述待匹配的疾病特征转换为向量表示；

将所述向量表示与真实世界数据库中的疾病进行匹配计算，生成匹配结果；所述真实世界数据库包括大量患者在实际生活中疾病诊疗的所有相关信息；所述相关信息包括：患病特征、医疗检查项目、诊疗方案或处方；

将所述匹配结果按照预设优先级排列，推送给所述客户端。

在一个实施例中，获取客户端提交的查询请求，具体包括：获取客户端提交的文本、图像或语音格式的查询请求。

在一个实施例中，所述神经网络包括至少一个神经网络，利用神经网络识别所述查询请求，提取出待匹配的疾病特征，具体包括：

将所述查询请求分别发送给各个神经网络，由各神经网络识别所述查询请求，提取出相应的疾病特征。

在一个实施例中，将所述向量表示与真实世界数据库中的疾病进行匹配计算，生成匹配结果，包括：

构建疾病特征关联矩阵，D_a(a₁,a₂,a₃,…,a_n)与D_b(b₁,b₂,b₃,…,b_m),a_i表示待匹配的疾病特征，b_j表示所述真实世界数据库中疾病的特征；

D_a与D_b适应症的相似度计算如下：

SimD＝|ind_a∩ind_b|/|ind_a∪ind_b|

(1)

Ind_a表示疾病D_a的疾病特征，Ind_b表示疾病D_b的疾病特征，|ind_a∩ind_b|表示共有的疾病特征，|ind_a∪ind_b|表示两者疾病特征之和；

根据疾病严重程度及表现的病理特征，所对应的诊断结果和处方信息，计算目标患者的疾病严重程度：

SimT＝|a_i-1+a_i+a_i+1+...|/|ind_a∩ind_b|

(2)

根据如下公式(3)进行匹配计算：

Recd＝(1-β)SimD+βSimT

(3)

(3)式中，β表示权重系数，β∈(0,1)。

在一个实施例中，所述疾病特征，包括下述一项或多项：

疾病名称、疾病症状、疾病发生部位、疾病并发疾病和疾病病因。

第二方面，本发明还提供一种基于真实世界数据的辅助医疗诊断系统，包括：

获取模块，用于获取客户端提交的查询请求；所述查询请求包括患者的疾病特征信息和/或检查结果；

提取模块，用于根据神经网络识别所述查询请求，提取出待匹配的疾病特征；

转换模块，用于将所述待匹配的疾病特征转换为向量表示；

匹配模块，用于将所述向量表示与真实世界数据库中的疾病进行匹配计算，生成匹配结果；所述真实世界数据库包括大量患者在实际生活中疾病诊疗的所有相关信息；所述相关信息包括：患病特征、医疗检查项目、诊疗方案或处方；

推送模块，用于将所述匹配结果按照预设优先级排列，推送给所述客户端。

在一个实施例中，所述获取模块，具体用于获取客户端提交的文本、图像或语音格式的查询请求。

在一个实施例中，所述神经网络包括至少一个神经网络，所述提取模块，具体用于：将所述查询请求分别发送给各个神经网络，由各神经网络识别所述查询请求，提取出相应的疾病特征。

在一个实施例中，所述匹配模块，包括：

构建单元，用于构建疾病特征关联矩阵，D_a(a₁,a₂,a₃,…,a_n)与D_b(b₁,b₂,b₃,…,b_m),a_i表示待匹配的疾病特征，b_j表示所述真实世界数据库中疾病的特征；

相似度计算单元，用于D_a与D_b适应症的相似度计算如下：

SimD＝|ind_a∩ind_b|/|ind_a∪ind_b|

(1)

Ind_a表示疾病D_a的疾病特征，Ind_b表示疾病D_b的疾病特征，|ind_a∩ind_b|表示共有的疾病特征，|ind_a∪ind_b|表示两者疾病特征之和；

严重程度计算单元，用于根据疾病严重程度及表现的病理特征，所对应的诊断结果和处方信息，计算目标患者的疾病严重程度：

SimT＝|a_i-1+a_i+a_i+1+...|/|ind_a∩ind_b|

(2)

匹配单元，用于根据如下公式(3)进行匹配计算：

Recd＝(1-β)SimD+βSimT

(3)

(3)式中，β表示权重系数，β∈(0,1)。

在一个实施例中，所述疾病特征，包括下述一项或多项：

疾病名称、疾病症状、疾病发生部位、疾病并发疾病和疾病病因。

本发明实施例提供的上述技术方案的有益效果至少包括：

本发明实施例提供的一种基于真实世界数据的辅助医疗诊断方法，获取客户端提交的查询请求；所述查询请求包括患者的疾病特征信息和/或检查结果；根据神经网络识别所述查询请求，提取出待匹配的疾病特征；将所述待匹配的疾病特征转换为向量表示；将所述向量表示与真实世界数据库中的疾病进行匹配计算，生成匹配结果；将所述匹配结果按照预设优先级排列，推送给所述客户端；从而获得相应的辅助决策信息，可实现对不同患者针对性的精确诊断治疗，降低诊疗过程中人为风险导致的误诊概率。

本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。

下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：

图1为本发明实施例提供的基于真实世界数据的辅助医疗诊断方法流程图；

图2为本发明实施例提供的用户应用辅助医疗诊断系统的过程图；

图3为本发明实施例提供的基于真实世界数据的辅助医疗诊断系统的框图。

具体实施方式

下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。

参照图1所示，本发明实施例提供的一种基于真实世界数据的辅助医疗诊断方法，包括：

S1、获取客户端提交的查询请求；所述查询请求包括患者的疾病特征信息和/或检查结果；

S2、根据神经网络识别所述查询请求，提取出待匹配的疾病特征；

S3、将所述待匹配的疾病特征转换为向量表示；

S4、将所述向量表示与真实世界数据库中的疾病进行匹配计算，生成匹配结果；所述真实世界数据库包括大量患者在实际生活中疾病诊疗的所有相关信息；所述相关信息包括：患病特征、医疗检查项目、诊疗方案或处方；

S5、将所述匹配结果按照预设优先级排列，推送给所述客户端。

神经网络可以代替人的感官来识别查询请求，该查询请求可以由疾病特征信息和/或检查结果等来体现。针对不同类型的查询请求可以采用不同类型的神经网络进行识别。

本发明实施例中，步骤S2中的神经网络为预先训练好的神经网络，即采用已知的训练样本数据对已知的基础网络模型进行迭代训练，以得到满足需求的神经网络。神经网络的训练过程可采用现有神经网络训练方式进行训练，本发明实施例对神经网络的具体结构、训练方式不作限定。

步骤S3可通过构建向量空间模型：用向量表示待匹配疾病的病理特征。

步骤S5中匹配结果一般为多个，当为多个时，可根据匹配文本相似度由高到低排序推送给客户端；其中，客户端比如可以是各种移动终端例如手机、平板电脑、智能电视等具备发送查询请求功能的硬件设备，也可以是软件形式的操作界面、浏览器等，还可以是软件和硬件结合的各种具备发送查询请求的嵌入式设备，本发明实施例对客户端的类型不作限定。

本发明实施例，基于真实世界数据建立好的知识库中对临床数据进行搜索匹配，匹配准确率高，获得相应的辅助决策信息，可实现对不同患者针对性的精确诊断治疗，降低诊疗过程中人为风险导致的误诊概率。

上述步骤S1中获取客户端提交的查询请求可以是多种形式的数据，比如可以是医生记录的病例文本数据，还可以是影像检查结果或病变区域的拍照图像，甚至还可以是一段语音；

例如，作为门诊的医生，可以记录患者自述的一系列症状，记载该症状的比如txt、doc或是pdf格式文件，均可上传到辅助医疗诊断系统。也可以是由患者自己输入的关键词，进行查询；比如输入“心痛、胸闷”等词语。

比如以皮肤病为例，可以通过拍摄的皮肤病照片，上传到辅助医疗诊断系统，进行疾病图像特征的提取，根据图像特征查找到对应的文本信息，提取出疾病特征，再进而匹配计算后，可得出准确的疾病名称及相对应的诊疗方案。甚至是可以通过一段录音提交到该系统，提取出语音特征，根据语音特征识别成对应的文本信息，再提取出疾病特征，进而匹配计算后，也可得出准确的诊疗方案。

而在上述三种类型的数据传递给神经网络之前也可以进行数据预处理，使得待处理数据的大小和格式与神经网络的输入要求相匹配。

在一个实施例中，上述神经网络可以包括多个神经网络，通过多个神经网络分别对文本、图像、语音进行识别，提取出待匹配的疾病特征。比如可以是卷积神经网络、深度神经网络等，由各神经网络识别该查询请求，并从提取出待匹配的疾病特征；

其中，疾病特征可以是下述一种或多种：疾病名称、疾病症状、疾病发生部位、疾病并发疾病和疾病病因。可参照表1所示：

疾病特征	举例
		疾病名称	喘息样支气管炎；血栓闭塞性脉管炎
疾病症状	乳腺组织肥厚；脑实质深部出血
		疾病发生部位	右肺；腹部
疾病并发疾病	下肢交通静脉瓣膜关闭不全，并发疾病，血栓闭塞性脉管炎
		疾病病因	常见的有合胞病毒等...

表1

当然除上述特征外，还可以包括其他特征，本发明实施例对此也不作限定。

在一个实施例中，上述步骤S4具体实现过程如下：

构建疾病特征关联矩阵，D_a(a₁,a₂,a₃,…,a_n)与D_b(b₁,b₂,b₃,…,b_m),表示疾病中任意两种疾病。其中，a_i表示待匹配的某一疾病特征，b_j表示真实世界数据库中某一疾病特征；

D_a与D_b适应症的相似度计算如下：

SimD＝|ind_a∩ind_b|/|ind_a∪ind_b|

(1)

(1)式中，Ind_a表示疾病D_a的所有疾病特征，Ind_b表示疾病D_b的所有疾病特征，|ind_a∩ind_b|表示共有的疾病特征，|ind_a∪ind_b|表示两者疾病特征之和；

由于不同患者的患同种疾病的严重程度不同，表现的病理特征也不同，所以诊断结果和处方信息需要考虑所有病理特征中表现主要/严重的进行匹配；

计算目标患者的疾病实际的严重程度：

SimT＝|a_i-1+a_i+a_i+1+…|/|ind_a∩ind_b|

(2)

具体应用时，可选择较为严重的2到3个疾病特征，本公开实施例对此也不作限定。

根据如下公式(3)进行匹配计算：

Recd＝(1-β)SimD+βSimT

(3)

(3)式中，β表示权重，β∈(0,1)，根据不同患者的病理特征及严重程度可自行调节。

例如，参照图2所示，用户为门诊医生，通过客户端发送患者的疾病特征进行查询，比如“咳嗽、流鼻涕”、检查结果比如为扫描图像，神经网络识别出待匹配的疾病特征“咳嗽、流鼻涕、白细胞数量较高(比如从图像中识别出，也可以由医生输入)”；

将待匹配的疾病特征转换为向量表示，并与真实世界数据库中的患者信息、患病特征等所有数据以及与之对应的诊疗方案，进行匹配计算；然后根据匹配的文本相似度，将匹配结果从高到低排序；根据真实案例及治疗方案作为参考，考虑是否需要做进一步检查；当需要进一步检查时，患者根据真实案例及治疗方案做相关检查，并将检查的结果作为再次发送的查询请求。

而当不需要进一步检查时，可根据匹配结果中基于真实世界数据的患者信息、患病特征等所有数据以及与之对应的诊疗方案进一步法分析，为患者做出诊断结果。比如：多个匹配结果，均为不同患者的所患疾病为上呼吸道感染，进一步根据疾病的表现症状，对应的治疗过程：

(1)休息：病情较重或年老体弱者应卧床休息，忌烟、多饮水，室内保持空气流通。

(2)解热镇痛：如有发热、头痛、肌肉酸痛等症状者，可选用解热镇痛药，如复方阿司匹林、对乙酰氨基酚、吲哚美辛(消炎痛)、去痛片、布洛芬等。咽痛可用各种喉片如溶菌酶片、咽喉片，或中药六神丸等口服。

(3)减充血剂：鼻塞、鼻黏膜充血水肿时，可使用盐酸伪麻黄碱，也可用1％麻黄碱滴鼻。

(4)抗组胺药：感冒时常有鼻黏膜敏感性增高，频繁打喷嚏、流鼻涕，可选用马来酸氯苯那敏或苯海拉明等抗组胺药。

(5)镇咳剂：对于咳嗽症状较明显者，可给予右美沙芬、喷托维林等镇咳药。

基于上述匹配结果，从而获得相应的辅助决策信息，实现对不同患者针对性的精确诊断治疗；为患者或医生提供一种辅助治疗方案，并降低诊疗风险，提高安全诊疗的可靠性。

基于同一发明构思，本发明实施例还提供了基于真实世界数据的辅助医疗诊断系统，由于该系统所解决问题的原理与基于真实世界数据的辅助医疗诊断方法相似，因此该系统的实施可以参见前述方法的实施，重复之处不再赘述。

本发明实施例提供的一种基于真实世界数据的辅助医疗诊断系统，参照图3，包括：

获取模块31，用于获取客户端提交的查询请求；所述查询请求包括患者的疾病特征信息和/或检查结果；

提取模块32，用于根据神经网络识别所述查询请求，提取出待匹配的疾病特征；

转换模块33，用于将所述待匹配的疾病特征转换为向量表示；

匹配模块34，用于将所述向量表示与真实世界数据库中的疾病进行匹配计算，生成匹配结果；所述真实世界数据库包括大量患者在实际生活中疾病诊疗的所有相关信息；所述相关信息包括：患病特征、医疗检查项目、诊疗方案或处方；

推送模块35，用于将所述匹配结果按照预设优先级排列，推送给所述客户端。

在一个实施例中，所述获取模块31，具体用于获取客户端提交的文本、图像或语音格式的查询请求。

在一个实施例中，所述神经网络包括至少一个神经网络，所述提取模块32，具体用于：将所述查询请求分别发送给各个神经网络，由各神经网络识别所述查询请求，提取出相应的疾病特征。

在一个实施例中，所述匹配模块34，包括：

构建单元341，用于构建疾病特征关联矩阵，D_a(a₁,a₂,a₃,…,a_n)与D_b(b₁,b₂,b₃,…,b_m),a_i表示待匹配的疾病特征，b_j表示所述真实世界数据库中疾病的特征；

相似度计算单元342，用于D_a与D_b适应症的相似度计算如下：

SimD＝|ind_a∩ind_b|/|ind_a∪ind_b|

(1)

Ind_a表示疾病D_a的疾病特征，Ind_b表示疾病D_b的疾病特征，|ind_a∩ind_b|表示共有的疾病特征，|ind_a∪ind_b|表示两者疾病特征之和；

严重程度计算单元343，用于根据疾病严重程度及表现的病理特征，所对应的诊断结果和处方信息，计算目标患者的疾病严重程度：

SimT＝|a_i-1+a_i+a_i+1+...|/|ind_a∩ind_b|

(2)

匹配单元344，用于根据如下公式(3)进行匹配计算：

Recd＝(1-β)SimD+βSimT

(3)

(3)式中，β表示权重系数，β∈(0,1)。

在一个实施例中，所述疾病特征，包括下述一项或多项：

疾病名称、疾病症状、疾病发生部位、疾病并发疾病和疾病病因。

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、或计算机程序产品。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和光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/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。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (8)

1.一种基于真实世界数据的辅助医疗诊断方法，其特征在于，包括：

获取客户端提交的查询请求；所述查询请求包括患者的疾病特征信息和/或检查结果；

根据神经网络识别所述查询请求，提取出待匹配的疾病特征；

将所述待匹配的疾病特征转换为向量表示；

将所述向量表示与真实世界数据库中的疾病进行匹配计算，生成匹配结果；所述真实世界数据库包括大量患者在实际生活中疾病诊疗的所有相关信息；所述相关信息包括：患病特征、医疗检查项目、诊疗方案或处方；

将所述匹配结果按照预设优先级排列，推送给所述客户端；

其中，将所述向量表示与真实世界数据库中的疾病进行匹配计算，生成匹配结果，包括：

构建疾病特征关联矩阵，D_a(a₁,a₂,a₃,…,a_n)与D_b(b₁,b₂,b₃,…,b_m),a_i表示待匹配的疾病特征，b_j表示所述真实世界数据库中疾病的特征；

D_a与D_b适应症的相似度计算如下：

SimD＝|ind_a∩ind_b|/|ind_a∪ind_b| (1)

Ind_a表示疾病D_a的疾病特征，Ind_b表示疾病D_b的疾病特征，|ind_a∩ind_b|表示共有的疾病特征，|ind_a∪ind_b|表示两者疾病特征之和；

根据疾病严重程度及表现的病理特征，所对应的诊断结果和处方信息，计算目标患者的疾病严重程度：

SimT＝|a_i-1+a_i+a_i+1+_…|/|ind_a∩ind_b| (2)

根据如下公式(3)进行匹配计算：

Recd＝(1-β)SimD+βSimT (3)

(3)式中，β表示权重系数，β∈(0,1)。

2.如权利要求1所述的一种基于真实世界数据的辅助医疗诊断方法，其特征在于，获取客户端提交的查询请求，具体包括：获取客户端提交的文本、图像或语音格式的查询请求。

3.如权利要求1所述的一种基于真实世界数据的辅助医疗诊断方法，其特征在于，所述神经网络包括至少一个神经网络，利用神经网络识别所述查询请求，提取出待匹配的疾病特征，具体包括：

将所述查询请求分别发送给各个神经网络，由各神经网络识别所述查询请求，提取出相应的疾病特征。

4.如权利要求1～3任一项所述的一种基于真实世界数据的辅助医疗诊断方法，其特征在于，所述疾病特征，包括下述一项或多项：

疾病名称、疾病症状、疾病发生部位、疾病并发疾病和疾病病因。

5.一种基于真实世界数据的辅助医疗诊断系统，其特征在于，包括：

获取模块，用于获取客户端提交的查询请求；所述查询请求包括患者的疾病特征信息和/或检查结果；

提取模块，用于根据神经网络识别所述查询请求，提取出待匹配的疾病特征；

转换模块，用于将所述待匹配的疾病特征转换为向量表示；

匹配模块，用于将所述向量表示与真实世界数据库中的疾病进行匹配计算，生成匹配结果；所述真实世界数据库包括大量患者在实际生活中疾病诊疗的所有相关信息；所述相关信息包括：患病特征、医疗检查项目、诊疗方案或处方；

推送模块，用于将所述匹配结果按照预设优先级排列，推送给所述客户端；

其中，所述匹配模块，包括：

构建单元，用于构建疾病特征关联矩阵，D_a(a₁,a₂,a₃,…,a_n)与D_b(b₁,b₂,b₃,…,b_m),a_i表示待匹配的疾病特征，b_j表示所述真实世界数据库中疾病的特征；

相似度计算单元，用于D_a与D_b适应症的相似度计算如下：

SimD＝|ind_a∩ind_b|/|ind_a∪ind_b| (1)

Ind_a表示疾病D_a的疾病特征，Ind_b表示疾病D_b的疾病特征，|ind_a∩ind_b|表示共有的疾病特征，|ind_a∪ind_b|表示两者疾病特征之和；

严重程度计算单元，用于根据疾病严重程度及表现的病理特征，所对应的诊断结果和处方信息，计算目标患者的疾病严重程度：

SimT＝|a_i-1+a_i+a_i+1+_…|/|ind_a∩ind_b| (2)

匹配单元，用于根据如下公式(3)进行匹配计算：

Recd＝(1-β)SimD+βSimT (3)

(3)式中，β表示权重系数，β∈(0,1)。

6.如权利要求5所述的一种基于真实世界数据的辅助医疗诊断系统，其特征在于，所述获取模块，具体用于获取客户端提交的文本、图像或语音格式的查询请求。

7.如权利要求5所述的一种基于真实世界数据的辅助医疗诊断系统，其特征在于，所述神经网络包括至少一个神经网络，所述提取模块，具体用于：将所述查询请求分别发送给各个神经网络，由各神经网络识别所述查询请求，提取出相应的疾病特征。

8.如权利要求5～7任一项所述的一种基于真实世界数据的辅助医疗诊断系统，其特征在于，所述疾病特征，包括下述一项或多项：

疾病名称、疾病症状、疾病发生部位、疾病并发疾病和疾病病因。

Images