CN111951955A - 一种基于规则推理的临床决策支持系统构建方法及装置 - Google Patents
一种基于规则推理的临床决策支持系统构建方法及装置 Download PDFInfo
- Publication number
- CN111951955A CN111951955A CN202010814909.6A CN202010814909A CN111951955A CN 111951955 A CN111951955 A CN 111951955A CN 202010814909 A CN202010814909 A CN 202010814909A CN 111951955 A CN111951955 A CN 111951955A
- Authority
- CN
- China
- Prior art keywords
- diagnosis
- treatment
- rule
- clinical
- symptom
- 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 51
- 238000011282 treatment Methods 0.000 claims abstract description 192
- 238000003745 diagnosis Methods 0.000 claims abstract description 191
- 208000024891 symptom Diseases 0.000 claims abstract description 143
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 120
- 201000010099 disease Diseases 0.000 claims abstract description 116
- 238000004519 manufacturing process Methods 0.000 claims abstract description 67
- 230000008569 process Effects 0.000 claims abstract description 16
- 208000037919 acquired disease Diseases 0.000 claims abstract description 8
- 238000004590 computer program Methods 0.000 claims description 11
- 238000003860 storage Methods 0.000 claims description 10
- 238000009411 base construction Methods 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000013480 data collection Methods 0.000 claims description 4
- 238000003759 clinical diagnosis Methods 0.000 abstract description 8
- 206010030113 Oedema Diseases 0.000 description 25
- 206010008479 Chest Pain Diseases 0.000 description 8
- 206010037660 Pyrexia Diseases 0.000 description 5
- 238000013507 mapping Methods 0.000 description 5
- 208000008494 pericarditis Diseases 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 208000004476 Acute Coronary Syndrome Diseases 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 230000018109 developmental process Effects 0.000 description 4
- 239000003814 drug Substances 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 208000006545 Chronic Obstructive Pulmonary Disease Diseases 0.000 description 3
- 206010058467 Lung neoplasm malignant Diseases 0.000 description 3
- 208000000770 Non-ST Elevated Myocardial Infarction Diseases 0.000 description 3
- 206010036790 Productive cough Diseases 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 229940121647 egfr inhibitor Drugs 0.000 description 3
- 102000052116 epidermal growth factor receptor activity proteins Human genes 0.000 description 3
- 108700015053 epidermal growth factor receptor activity proteins Proteins 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 210000000744 eyelid Anatomy 0.000 description 3
- 201000007270 liver cancer Diseases 0.000 description 3
- 208000014018 liver neoplasm Diseases 0.000 description 3
- 201000005202 lung cancer Diseases 0.000 description 3
- 208000020816 lung neoplasm Diseases 0.000 description 3
- 230000035772 mutation Effects 0.000 description 3
- 208000010125 myocardial infarction Diseases 0.000 description 3
- YOHYSYJDKVYCJI-UHFFFAOYSA-N n-[3-[[6-[3-(trifluoromethyl)anilino]pyrimidin-4-yl]amino]phenyl]cyclopropanecarboxamide Chemical compound FC(F)(F)C1=CC=CC(NC=2N=CN=C(NC=3C=C(NC(=O)C4CC4)C=CC=3)C=2)=C1 YOHYSYJDKVYCJI-UHFFFAOYSA-N 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 238000001356 surgical procedure Methods 0.000 description 3
- 230000001052 transient effect Effects 0.000 description 3
- 206010002383 Angina Pectoris Diseases 0.000 description 2
- 208000009447 Cardiac Edema Diseases 0.000 description 2
- 206010016654 Fibrosis Diseases 0.000 description 2
- 206010028665 Myxoedema Diseases 0.000 description 2
- 206010030124 Oedema peripheral Diseases 0.000 description 2
- 208000002193 Pain Diseases 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 239000000090 biomarker Substances 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000007882 cirrhosis Effects 0.000 description 2
- 208000019425 cirrhosis of liver Diseases 0.000 description 2
- 229940079593 drug Drugs 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 239000012530 fluid Substances 0.000 description 2
- 210000002683 foot Anatomy 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 230000002440 hepatic effect Effects 0.000 description 2
- 208000002672 hepatitis B Diseases 0.000 description 2
- NOESYZHRGYRDHS-UHFFFAOYSA-N insulin Chemical compound N1C(=O)C(NC(=O)C(CCC(N)=O)NC(=O)C(CCC(O)=O)NC(=O)C(C(C)C)NC(=O)C(NC(=O)CN)C(C)CC)CSSCC(C(NC(CO)C(=O)NC(CC(C)C)C(=O)NC(CC=2C=CC(O)=CC=2)C(=O)NC(CCC(N)=O)C(=O)NC(CC(C)C)C(=O)NC(CCC(O)=O)C(=O)NC(CC(N)=O)C(=O)NC(CC=2C=CC(O)=CC=2)C(=O)NC(CSSCC(NC(=O)C(C(C)C)NC(=O)C(CC(C)C)NC(=O)C(CC=2C=CC(O)=CC=2)NC(=O)C(CC(C)C)NC(=O)C(C)NC(=O)C(CCC(O)=O)NC(=O)C(C(C)C)NC(=O)C(CC(C)C)NC(=O)C(CC=2NC=NC=2)NC(=O)C(CO)NC(=O)CNC2=O)C(=O)NCC(=O)NC(CCC(O)=O)C(=O)NC(CCCNC(N)=N)C(=O)NCC(=O)NC(CC=3C=CC=CC=3)C(=O)NC(CC=3C=CC=CC=3)C(=O)NC(CC=3C=CC(O)=CC=3)C(=O)NC(C(C)O)C(=O)N3C(CCC3)C(=O)NC(CCCCN)C(=O)NC(C)C(O)=O)C(=O)NC(CC(N)=O)C(O)=O)=O)NC(=O)C(C(C)CC)NC(=O)C(CO)NC(=O)C(C(C)O)NC(=O)C1CSSCC2NC(=O)C(CC(C)C)NC(=O)C(NC(=O)C(CCC(N)=O)NC(=O)C(CC(N)=O)NC(=O)C(NC(=O)C(N)CC=1C=CC=CC=1)C(C)C)CC1=CN=CN1 NOESYZHRGYRDHS-UHFFFAOYSA-N 0.000 description 2
- 230000003902 lesion Effects 0.000 description 2
- 230000005906 menstruation Effects 0.000 description 2
- 208000003786 myxedema Diseases 0.000 description 2
- 208000002154 non-small cell lung carcinoma Diseases 0.000 description 2
- 238000001959 radiotherapy Methods 0.000 description 2
- 238000007665 sagging Methods 0.000 description 2
- 208000024794 sputum Diseases 0.000 description 2
- 210000003802 sputum Anatomy 0.000 description 2
- PCZHWPSNPWAQNF-LMOVPXPDSA-K 2-[[(2s)-2-[bis(carboxylatomethyl)amino]-3-(4-ethoxyphenyl)propyl]-[2-[bis(carboxylatomethyl)amino]ethyl]amino]acetate;gadolinium(3+);hydron Chemical compound [Gd+3].CCOC1=CC=C(C[C@@H](CN(CCN(CC(O)=O)CC([O-])=O)CC([O-])=O)N(CC(O)=O)CC([O-])=O)C=C1 PCZHWPSNPWAQNF-LMOVPXPDSA-K 0.000 description 1
- 206010003445 Ascites Diseases 0.000 description 1
- 206010006895 Cachexia Diseases 0.000 description 1
- 206010008469 Chest discomfort Diseases 0.000 description 1
- 206010011224 Cough Diseases 0.000 description 1
- 206010015993 Eyelid oedema Diseases 0.000 description 1
- 206010017807 Gastric mucosal hypertrophy Diseases 0.000 description 1
- 206010018092 Generalised oedema Diseases 0.000 description 1
- 206010019280 Heart failures Diseases 0.000 description 1
- 208000005176 Hepatitis C Diseases 0.000 description 1
- 206010021079 Hypopnoea Diseases 0.000 description 1
- 208000034767 Hypoproteinaemia Diseases 0.000 description 1
- 102000004877 Insulin Human genes 0.000 description 1
- 108090001061 Insulin Proteins 0.000 description 1
- 206010036618 Premenstrual syndrome Diseases 0.000 description 1
- 206010059344 Protein-losing gastroenteropathy Diseases 0.000 description 1
- 101100537532 Rattus norvegicus Tnni3 gene Proteins 0.000 description 1
- 206010039163 Right ventricular failure Diseases 0.000 description 1
- 208000006117 ST-elevation myocardial infarction Diseases 0.000 description 1
- 206010041067 Small cell lung cancer Diseases 0.000 description 1
- 208000007718 Stable Angina Diseases 0.000 description 1
- 102100026893 Troponin T, cardiac muscle Human genes 0.000 description 1
- 101710165323 Troponin T, cardiac muscle Proteins 0.000 description 1
- 206010047601 Vitamin B1 deficiency Diseases 0.000 description 1
- 230000003187 abdominal effect Effects 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 239000002671 adjuvant Substances 0.000 description 1
- 239000003098 androgen Substances 0.000 description 1
- 210000003423 ankle Anatomy 0.000 description 1
- 208000002894 beriberi Diseases 0.000 description 1
- 210000000481 breast Anatomy 0.000 description 1
- 230000000747 cardiac effect Effects 0.000 description 1
- 238000002512 chemotherapy Methods 0.000 description 1
- 208000017580 chronic wasting disease Diseases 0.000 description 1
- 238000009096 combination chemotherapy Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000004883 computer application Methods 0.000 description 1
- 239000002872 contrast media Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 208000026500 emaciation Diseases 0.000 description 1
- 239000000262 estrogen Substances 0.000 description 1
- 229940011871 estrogen Drugs 0.000 description 1
- 239000003862 glucocorticoid Substances 0.000 description 1
- 210000004247 hand Anatomy 0.000 description 1
- 210000003128 head Anatomy 0.000 description 1
- 230000002706 hydrostatic effect Effects 0.000 description 1
- 208000003532 hypothyroidism Diseases 0.000 description 1
- 230000002989 hypothyroidism Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 229940125396 insulin Drugs 0.000 description 1
- 230000000302 ischemic effect Effects 0.000 description 1
- 208000017169 kidney disease Diseases 0.000 description 1
- 230000002045 lasting effect Effects 0.000 description 1
- 210000004185 liver Anatomy 0.000 description 1
- 210000005229 liver cell Anatomy 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 210000003141 lower extremity Anatomy 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 208000037891 myocardial injury Diseases 0.000 description 1
- 201000008383 nephritis Diseases 0.000 description 1
- 230000002988 nephrogenic effect Effects 0.000 description 1
- 235000018343 nutrient deficiency Nutrition 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002980 postoperative effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 229940039865 rauwolfia preparation Drugs 0.000 description 1
- 238000013517 stratification Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 230000009885 systemic effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000000472 traumatic effect Effects 0.000 description 1
- 238000011269 treatment regimen Methods 0.000 description 1
- 208000029729 tumor suppressor gene on chromosome 11 Diseases 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
- 210000001364 upper extremity Anatomy 0.000 description 1
- 208000016261 weight loss Diseases 0.000 description 1
- 230000004580 weight loss Effects 0.000 description 1
Images
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
-
- 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
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
-
- 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
- G16H70/00—ICT specially adapted for the handling or processing of medical references
- G16H70/20—ICT specially adapted for the handling or processing of medical references relating to practices or guidelines
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Epidemiology (AREA)
- Data Mining & Analysis (AREA)
- Primary Health Care (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Bioethics (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明提供了一种基于规则推理的临床决策支持系统构建方法及装置，方法包括：收集临床诊疗证据；针对多学科领域的疾病，从临床诊疗证据中，提取医学知识并进行整合，形成以症状为核心的症状特征库和以诊疗建议为核心的诊疗知识库；基于症状特征库和诊疗知识库，将其中的知识转化为产生式规则，形成规则库；在医生诊疗过程中，依据症状特征库，设置症状相关问题，结合患者输入信息，匹配规则库，实现辅助问诊和分诊；依据诊疗知识库，结合患者数据及输入的病情描述信息，匹配规则库，实现辅助诊断和治疗；在获取的患者疾病病症与各产生式规则匹配不完备时，通过自动计算特征权重返回最相似的推荐意见。可以辅助支持临床医生的决策。
Description
技术领域
本发明涉及临床辅助问诊、分诊、诊断、治疗技术领域，具体而言，涉及一种基于规则推理的临床决策支持系统构建方法及装置。
背景技术
临床决策支持系统(Clinical Decision Support System，CDSS)是指根据患者的临床信息，依据系统的临床知识，自动判断并给出相关临床建议，辅助医生进行临床决策，从而提高医疗质量和服务的计算机应用系统。目前国内医疗卫生机构的医疗水平仍存在发展不平衡的问题，尤其是基层医院，在问诊、分诊、诊断和治疗的各环节仍需要进一步完善。传统医疗机构的分诊主要依靠护士凭借经验进行，不仅耗费人力，效率低下，而且容易出错；而医生诊疗过程中问诊时间也十分有限，多数情况下患者排队时间较长而医生实际问诊时间则非常短暂，这在一定程度上加深了医患矛盾；目前国内医疗机构医生诊疗水平参差，尤其是基层医院诊疗不规范、随意性较大的问题比较突出，伴随循证医学时代的到来，科学有效的临床诊疗需要以循证医学证据为依托，尽管有领域内专家编写的临床指南、诊疗规范作为参考，但医生在有限的时间内对指南的理解和运用都存在不同程度的问题，影响指南的实际落地。CDSS是人工智能和医疗领域结合的很好实践，以CDSS辅助医生决策，可以弥补上述不足。当前CDSS在国外应用较普遍，国内则起步较晚。伴随国家医疗机构电子病历等级评价、促进健康医疗大数据和人工智能应用等相关政策的出台，CDSS被纳入电子病历等级评价体系以促进医疗智能化发展，医院对CDSS的建设有所投入，这些促进了CDSS的发展，但全面、系统、科学、专业的决策支持能力仍有待提升。目前市场上虽有一些CDSS产品，但仍缺乏严格遵循循证医学指南、功能全面系统的CDSS来辅助临床。
发明内容
有鉴于此，本发明的目的在于提供基于规则推理的临床决策支持系统构建方法及装置，以辅助临床诊疗。
第一方面，本发明实施例提供了基于规则推理的临床决策支持系统构建方法，包括：
收集筛选多学科领域公开发表的包含权威临床指南、诊疗规范、教科书、文献、专家共识、专家经验的全方位、多层次临床医学证据；
针对多学科领域的疾病，从收集的临床医学证据中，梳理逻辑框架，提取疾病问诊、分诊、诊断、治疗相关的医学知识，并对提取的医学知识进行整合，形成以症状为核心的症状特征库和以诊疗建议为核心的诊疗知识库；
基于症状特征库和诊疗知识库，分别将症状特征库和诊疗知识库中包含的整合后的医学知识转化为产生式规则，形成症状规则库以及诊疗规则库；
从输入的患者病情描述信息以及患者临床数据中，提取与所述症状特征库和诊疗知识库中的症状特征、诊疗特征相匹配的患者疾病特征；
依据症状特征库，结合输入的患者病情描述信息，匹配症状规则库中的相应产生式规则，实现辅助问诊和分诊；
依据诊疗知识库，结合输入的患者病情描述信息和患者诊疗过程产生的临床数据，匹配诊疗规则库中的相应产生式规则，实现辅助诊断和治疗；
在获取的患者疾病病症与各产生式规则匹配不完备时，通过自动计算权重评分返回最相似的诊断和治疗结果。
结合第一方面，本发明实施例提供了第一方面的第一种可能的实施方式，其中，基于症状特征库和诊疗知识库，分别将症状特征库和诊疗知识库中包含的整合后的医学知识转化为产生式规则，包括：
转化规则为IF-THEN规则，其中，IF-THEN规则中的IF后的描述为各种临床情况的输入判断条件，条件间使用与、或、非逻辑运算方式连接，THEN后的描述为满足输入判断条件时的输出结果，对于症状特征库的医学知识转化，IF后为包含症状、发病时间、起病特点的问诊内容，THEN后的医学知识为依据输入判断条件判断的疾病名称、关联分诊科室；对于诊疗知识库的医学知识转化，IF后为包含疾病症状、体征、辅助检查、临床特点的患者信息，THEN后为依据输入判断条件判断的诊断和治疗方案。
结合第一方面，本发明实施例提供了第一方面的第二种可能的实施方式，其中，所述方法还包括：
针对每一产生式规则，为该产生式规则中的各症状特征、诊疗特征设置对应的特征权重。
结合第一方面的第二种可能的实施方式，本发明实施例提供了第一方面的第三种可能的实施方式，其中，在获取的患者病情描述信息与各产生式规则匹配不完备时，所述方法还包括：
针对得到的每一产生式规则，依据该产生式规则中包含的每一疾病病症对应的特征权重，计算各疾病病症对应的症状特征、诊疗特征权重之和，得到该产生式规则的分值；
按照分值由大致小的顺序，展示产生式规则对应的决策建议，以展示临床决策支持系统推荐的决策建议，并根据权重给出排序评分。
结合第一方面的第三种可能的实施方式，本发明实施例提供了第一方面的第四种可能的实施方式，其中，所述方法还包括：
依据所述决策建议，查询各临床决策支持建议与医生实际诊疗建议的对比关系，得到所述决策建议的接受度，并反馈给临床决策支持系统用于进一步优化。
结合第一方面的第三种可能的实施方式中，本发明实施例提供了第一方面的第五种可能的实施方式，其中，所述方法还包括：
依据所述决策建议，将得到的辅助问诊、分诊、诊断和治疗的结果推送至当前值班医生以及护士，查询各临床决策支持建议与医生实际诊疗建议的对比关系，得到所述决策建议的接受度，并反馈给系统用于进一步优化。
第二方面，本发明实施例还提供了一种基于规则推理的临床决策支持系统构建装置，包括：
资料收集模块，用于收集筛选多学科领域公开发表的包含权威临床指南、诊疗规范、教科书、文献、专家共识、专家经验的全方位、多层次临床医学证据；
知识库构建模块，用于针对多学科领域的疾病，从收集的临床医学证据中，梳理逻辑框架，提取疾病问诊、分诊、诊断、治疗相关的医学知识，并对提取的医学知识进行整合，形成以症状为核心的症状特征库和以诊疗建议为核心的诊疗知识库；
规则库构建模块，用于基于症状特征库和诊疗知识库，分别将症状特征库和诊疗知识库中包含的整合后的医学知识转化为产生式规则，形成症状规则库以及诊疗规则库；
病情输入模块，用从输入的患者病情描述信息以及患者临床数据中，提取与所述症状特征库和诊疗知识库中的症状特征、诊疗特征相匹配的患者疾病特征；
问诊分诊模块，用于依据症状特征库，结合输入的患者病情描述信息，匹配症状规则库中的相应产生式规则，实现辅助问诊和分诊；
诊断治疗模块，用于依据诊疗知识库，结合输入的患者病情描述信息和患者诊疗过程产生的临床数据，匹配诊疗规则库中的相应产生式规则，实现辅助诊断和治疗；
特征权重计算模块，用于在获取的患者疾病病症与各产生式规则匹配不完备时，通过自动计算权重评分返回最相似的诊断和治疗结果。
第三方面，本申请实施例提供了一种计算机设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。
第四方面，本申请实施例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上存储有计算机程序，所述计算机程序被处理器运行时执行上述的方法的步骤。
本发明实施例提供的基于规则推理的临床决策支持系统构建方法及装置，通过收集筛选多学科领域公开发表的权威临床指南、诊疗规范、教科书、文献、专家共识、专家经验等全方位、多层次临床医学证据；针对多学科领域的疾病，从多组来源证据中，梳理逻辑框架，提取疾病问诊、分诊、诊断、治疗相关的医学知识，并对其进行整合，形成以症状为核心的症状特征库和以诊疗建议为核心的诊疗知识库；基于症状特征库和诊疗知识库，将其中的知识转化为产生式规则，形成规则库；依据症状特征库，设置症状相关问题，结合患者输入信息，匹配规则库的相应规则，实现辅助问诊和分诊；依据诊疗知识库，结合患者数据及输入的病情描述信息，匹配规则库中相应规则，实现辅助诊断和治疗；在获取的患者疾病病症与各产生式规则匹配不完备时，通过自动计算特征权重返回最相似的推荐意见。可以实现辅助临床诊疗。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对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发明的某些实施例，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示出了本发明实施例所提供的基于规则推理的临床决策支持系统构建方法流程示意图；
图2为本发明实施例所提供的水肿症状特征示例图；
图3示出了本发明实施例所提供的基于规则推理的临床决策支持系统构建装置结构示意图；
图4为本申请实施例提供的一种计算机设备300的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中附图，对本发明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发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的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。
目前的临床诊疗，尤其是基层医院，在问诊、分诊、诊断和治疗环节存在不同程度的不规范、低效率、易出错等问题。临床诊疗水平有进一步提升的空间。现有的CDSS产品存在专业范围狭窄、诊疗流程覆盖不全面等问题。本发明实施例中，多科室、多领域，有效覆盖问诊、分诊、诊断和治疗四大环节，有助于更好地辅助临床医生做出正确决策。
本发明实施例提供了一种基于规则推理的临床决策支持系统构建方法及装置，下面通过实施例进行描述。
图1示出了本发明实施例所提供的基于规则推理的临床决策支持系统构建方法流程示意图。如图1所示，该方法包括：
步骤101，收集筛选多学科领域的临床医学证据；
本发明实施例中，作为一可选实施例，临床医学证据包括但不限于：医学教材(诊断学、内科学专业教材)、临床指南、诊疗规范、专家共识、专家经验、医学文献、电子病历、网络文献、语音资料、医学笔记、教科书。
步骤102，提取疾病问诊、分诊、诊断、治疗相关知识形成症状特征库和诊疗知识库；
本发明实施例中，针对多学科领域的疾病，从收集的临床医学证据中，梳理逻辑框架，提取疾病问诊、分诊、诊断、治疗相关的医学知识，并对提取的医学知识进行整合，形成以症状为核心的症状特征库和以诊疗建议为核心的诊疗知识库。例如，对临床医学证据中描述的、与疾病诊疗相关的各类医学知识进行遴选、分析、以及梳理，提取临床决策支持所需输入特征及所支持的功能场景，作为一可选实施例，得到的临床决策支持的功能场景包括但不限于：多个疾病种类的分诊、问诊、诊断和治疗。
本发明实施例中，提取症状描述相关的临床医学证据，形成症状特征库。分诊相关临床证据描述举例如下：
心源性水肿(cardiac edema)：主要是右心衰竭的表现。水肿程度可由于心力衰竭程度而有所不同，可自轻度的踝部水肿以至严重的全身性水肿。水肿特点是首先出现于身体下垂部位(下垂部流体静水压较高)，从足部开始，向上延及全身。水肿为对称性、凹陷性。肾源性水肿(renal edema)：可见于各型肾炎和肾病。从眼睑、颜面开始而延及全身。肝源性水肿(hepatic edema)：失代偿期肝硬化主要表现为腹水，也可首先出现踝部水肿，逐渐向上蔓延，而头、面部及上肢常无水肿。营养不良性水肿(nutritional edema)：由于慢性消耗性疾病长期营养缺乏、蛋白丢失性胃肠病、重度烧伤等所致低蛋白血症或维生素B1缺乏，可产生水肿。其特点是水肿发生前常有消瘦、体重减轻等表现。水肿常从足部开始逐渐蔓延至全身。其他原因的全身性水肿：①黏液性水肿(myxedema)：为非凹陷性水肿(是由于组织液含蛋白量较高之故)，颜面及下肢较明显；②经前期紧张综合征：特点为月经前7～14天出现眼睑、踝部及手部轻度水肿，可伴乳房胀痛及盆腔沉重感，月经后水肿逐渐消退；③药物性水肿(pharmaco edema)：可见于糖皮质激素、雄激素、雌激素、胰岛素、萝芙木制剂、甘草制剂等疗程中(节选自《诊断学》)。
根据上述临床证据描述，围绕症状可能关联的疾病以及对应的科室，形成症状特征库，图2为本发明实施例所提供的水肿症状特征示例图。
本发明实施例中，根据临床医学证据，整合医疗知识，形成诊疗知识库，以急性冠脉综合征的临床医学为例：证据来源《内科学第9版》：①临床表现：UA病人胸部不适的性质与典型的稳定型心绞痛相似，通常程度更严重，持续时间更长，可达数十分钟，胸痛在休息时也发生。②心电图：大多数病人胸痛发作时有一过性ST段(抬高或压低)和T波(低平或倒置)改变。若心电图改变持续12小时以上，则提示NSTEMI的可能。③心脏标志物检查：根据最新的欧洲和美国心肌梗死的定义，在症状发生后24小时内，cTn的峰值超过正常对照值的99个百分位需考虑NSTEMI的诊断。临床上UA的诊断主要依靠临床表现以及发作时心电图ST-T的动态改变。④诊断：根据典型的心绞痛症状、典型的缺血性心电图改变(新发或一过性ST段压低≥0.1mV，或T波倒置≥0.2mV)以及心肌损伤标志物(cTnT、cTnI或CK-MB)测定，可以做出UA/NSTEMI诊断。证据来源《非ST段抬高型急性冠脉综合征诊断治疗指南2016》：①典型的胸痛的特征是胸骨后压榨性疼痛，可以是间歇性或持续性。②对拟诊NSTE—ACS的患者，体格检查往往没有特殊表现。③心电图：特征性的心电图异常包括ST段下移、一过性sT段抬高和T波改变。④生物标志物：cTn是NSTE-ACS最敏感和最特异的生物标志物，也是诊断和危险分层的重要依据之一。
本发明实施例中，收集的多病种诊疗相关的各临床医学证据，由于语言习惯、描述方式不同，对于同一临床病症或疾病，描述该临床病症或疾病的临床术语可能具有多个，为统一对该临床病症和诊疗的描述，作为一可选实施例，在所述收集的多病种诊疗相关的各临床医学证据之后，对各类医学知识进行遴选、分析、以及梳理的过程中，将知识转化为产生式规则之前，该方法还包括：
对所述临床医学来源证据中包含的临床术语进行标准化处理，并构建标准化处理得到的标准化临床术语与各临床术语的映射关系，同时构建变量库和常量库。
本发明实施例中，由于收集的各疾病临床医学证据的语言习惯、描述方式存在不同，对于同一临床概念，描述该临床概念的临床术语可能具有多个，因此在提取规则构建变量库和常量库时，需要对入库的临床概念进行标准化，形成标准的临床术语，不同表达方式与标准临床术语构建映射关系。
变量库包含变量极其属性，以慢性阻塞性肺疾病(COPD)为例，示例如表1：
表1
常量库包含常量及其值，以慢性阻塞性肺疾病COPD示例如下表2：
表2
本发明实施例中，例如，对于症状包含的临床术语：痰多、有痰、咳嗽有痰等，标准化处理得到的标准化临床术语为“咳痰”，对于疾病包含的临床术语：肝恶性肿瘤、肝Ca等，标准化处理得到的标准化临床术语为肝癌。表3示出了进行标准化处理得到的部分标准化临床术语，包括对类的临床术语的标准化以及各类下对应的子类的临床术语的标准化。
表3
本发明实施例中，在构建标准化处理得到的标准化临床术语与各临床术语的映射关系后，后续可依据该映射关系直接进行标准化处理。临床术语的标准化遵循国际国内临床术语标准，如SNOMED CT、RxNorm、LOINC、ICD-10-CM、ICD-9-PC等，对于无法直接映射到标准化术语表的术语，通过自建术语表来维护。
步骤103，将知识转化为产生式规则，形成规则库；
规则IF后用逻辑运算符连接的字段全部来自于变量库和常量库中的标准化字段和临床术语。
本发明实施例中，基于症状特征库和诊疗知识库，分别将症状特征库和诊疗知识库中包含的整合后的医学知识转化为产生式规则，形成症状规则库以及诊疗规则库。作为一可选实施例，转化规则为产生式(IF-THEN)规则。其中，IF-THEN规则中的IF后的描述为各种临床情况，即输入判断条件，条件间使用与(AND)、或(OR)、非(NOT)的逻辑运算方式连接，THEN后的描述为满足确定条件时的输出结果。对于疾病特征库规则转化而言，IF后为症状、发病时间、起病特点等问诊内容，THEN后为依据上述条件判断的疾病名称、关联分诊科室等；对于诊疗知识库规则转化而言，IF后为疾病症状、体征、辅助检查、临床特点等患者信息，THEN后为依据上述条件判断的诊断和治疗方案。
本发明实施例中，作为一可选实施例，基于标准化规则表示方法，将症状特征库内容转换成产生式规则，并利用推理引擎和该产生式规则进行问诊、分诊；将诊疗知识库内容转换成产生式规则，并利用推理引擎和该产生式规则进行诊断、治疗。
本发明实施例中，例如，将图2所示的水肿症状特征示例转换为产生式规则：
本发明实施例中，将诊疗知识库内容转化为产生式规则，以肺癌为例，如下所示：
知识库来源证据文本举例：1.对于EGFR突变阳性的患者，同样推荐可以接受手术+联合辅助性EGFR-TKI治疗+/-术后放疗(《原发性肺癌诊疗规范2018年版》)。2.SCLC所致的ECOG PS 3～4分：应充分综合考虑各种因素，谨慎选择治疗方案，可考虑单药化疗或减量联合的化疗方案(《2018中华医学会肺癌指南》)。
转化后的产生式规则举例：
步骤104，依据症状特征库，设置症状相关问题，结合患者输入信息，匹配规则库的相应规则，实现辅助问诊和分诊；
本发明实施例中，从输入的患者病情描述信息以及患者临床数据中，提取与所述症状特征库和诊疗知识库中的症状特征、诊疗特征相匹配的患者疾病特征；依据症状特征库，结合输入的患者病情描述信息，匹配症状规则库中的相应产生式规则，实现辅助问诊和分诊。
设置的问题为医生对患者进行问诊时围绕症状展开的若干问题，如：症状持续时间？发生部位？是否有以下伴随症状？根据患者对上述问题的回答或点选的选项内容，匹配规则库中的规则，当满足IF条件时，输出THEN后面的内容。例如，在“水肿”的例子中，当患者针对“按压后是否有凹陷”这一问题的回答为“是”，并且针对“水肿发生部位”这一问题的回答为选项“由眼睑、颜面发展至全身”时，则匹配规则“IF症状＝水肿and可凹陷性＝是and部位＝由眼睑、颜面发展至全身，THEN诊断＝甲状腺功能减退症；科室＝内分泌科”，由此实现通过对水肿患者的问诊，进而给出可能的诊断以及分诊的科室。
步骤105，依据诊疗知识库，结合患者数据及输入的病情描述信息，匹配规则库中相应规则，实现辅助诊断和治疗；
本发明实施例中，依据诊疗知识库，结合输入的患者病情描述信息和患者诊疗过程产生的临床数据，匹配诊疗规则库中的相应产生式规则，实现辅助诊断和治疗。例如，当输入的患者信息满足：乙型病毒性肝炎、肝内结节2cm、动态增强CT和超声造影提示快进快出，则匹配规则“IF疾病诊断＝(乙肝or丙肝or肝硬化)and腹部超声＝肝内结节≤2cm and动态增强MRI、动态增强CT、超声造影或肝细胞特异性对比剂Gd-EOB-DTPA增强MRI＝4项中至少2项符合快进快出，THEN诊断＝肝癌”。通过患者信息匹配规则返回诊断结果。
本发明实施例中，例如，当输入的患者信息满足非小细胞肺癌、TNM分期为T1aN2M0、预期病变可完全切除、EGFR突变阳性，则匹配规则“IF诊断＝NSCLC and临床分期＝Ⅲ期and TNM分期＝T1a～cN2 or T2a～bN2，and预期病变可完全切除and基因检测＝EGFR突变阳性，THEN治疗＝手术+EGFR-TKI治疗or治疗＝手术+EGFR-TKI治疗+术后放疗”。通过判断患者信息，匹配规则，返回治疗方案。
本发明实施例中，获取的患者疾病信息可能与各产生式规则匹配不完备，此外，不同的决策规则，可能对应同一症状特征或诊疗特征，特征在不同的决策规则中，所起的作用不尽相同；
此时，系统通过自动计算特征权重返回最相似的诊断和治疗结果，作为一可选实施例，该方法还可以包括：
针对得到的每一产生式规则，依据该产生式规则中包含的每一疾病病症对应的特征权重，计算各疾病病症对应的症状特征、诊疗特征权重之和，得到该产生式规则的分值；
按照分值由大致小的顺序，展示产生式规则对应的决策建议，以展示临床决策支持系统推荐的决策建议，并根据权重给出排序评分。
本发明实施例中，对产生式规则中的每一决策规则，对应设置特征权重，以表征该特征在某一决策推荐功能中具有的作用，例如，将各疾病病症的特征权重由高至低分为A、B、C、D四类权重，例如，在ST段抬高型心肌梗死中，设置伴随症状中的“发热”的疾病病症权重为D，而对于急性心包炎的诊断，伴随症状中的“发热”的疾病病症权重为A。
本发明实施例中，所应说明的是，步骤101至步骤105在分诊、导诊、诊断、治疗决策建议推荐中，只需要执行一次以生成产生式规则，在生成产生式规则后，就可以利用生成的产生式规则进行推荐，而无需在每次决策执行时，都需要生成产生式规则。
步骤106，在获取的患者病情描述信息与各产生式规则匹配不完备时，通过自动计算特征权重，从决策知识库中返回权重评分排序评分最高的前几位决策建议，作为诊疗结果进行推荐。
本发明实施例中，作为一可选实施例，匹配产生式规则的流程可以是：
针对每一产生式规则，依据该产生式规则中包含的每一疾病病症对应的特征权重，计算各疾病病症对应的症状特征、诊疗特征权重之和，得到该产生式规则的分值；
按照分值由大致小的顺序，展示产生式规则对应的决策建议，以展示临床决策支持系统推荐的决策建议，并根据权重给出排序评分。
本发明实施例中，如前所述，若疾病病症权重由大至小依次为A、B、C、D。以胸痛患者的预分诊为例：发热以及剧烈运动，对于ST段抬高型心肌梗死，发热的疾病病症权重为D，剧烈运动的疾病病症权重为A；对于急性心包炎，发热的疾病病症权重为A，剧烈运动的疾病病症权重为A。这样，对于ST段抬高型心肌梗死映射的产生式规则，疾病病症权重为A的疾病病症数为1，疾病病症权重为D的疾病病症数为1，对于急性心包炎映射的产生式规则，疾病病症权重为A的疾病病症数为2，因而，最大疾病病症权重为A，包含该疾病病症数最多的产生式规则为急性心包炎映射的产生式规则，从而确定非创伤性胸痛疾病为急性心包炎。即优先推荐疾病病症权重为A的疾病病症数更多的非创伤性胸痛疾病，当多种非创伤性胸痛疾病的疾病病症权重为A的疾病病症数一致时，进一步比较疾病病症权重为B的疾病病症数，以此类推完成对非创伤性胸痛疾病的预分诊。
本发明实施例基于规则推理的临床决策支持系统构建方法，通过收集筛选多学科领域公开发表的权威临床指南、诊疗规范、教科书、文献、专家共识、专家经验等全方位、多层次临床诊疗证据文本；针对多学科领域的疾病，从多组来源证据中，梳理逻辑框架，提取疾病问诊、分诊、诊断、治疗相关的医学知识，并对其进行整合，形成以症状为核心的症状特征库和以诊疗建议为核心的诊疗知识库；基于症状特征库和诊疗知识库，将其中的知识转化为产生式规则，形成规则库；在医生诊疗过程中，依据症状特征库，设置症状相关问题，结合患者输入信息，匹配规则库的相应规则，实现辅助问诊和分诊；依据诊疗知识库，结合患者数据及输入的病情描述信息，匹配规则库中相应规则，实现辅助诊断和治疗；在获取的患者疾病病症与各产生式规则匹配不完备时，通过自动计算特征相似度返回最相似的推荐意见。这样，通过将问诊、分诊、诊断和治疗环节整合在一起，可以提高临床工作者的效率，解放一部分人力物力，减少人为错误的发生。对于基层医务者而言，还能促进循证医学思想的普及以及诊疗指南的落地应用，节省记忆大量医学知识、指南推荐的时间，对于辅助整体医疗水平的进一步提升有所帮助。
图3示出了本发明实施例所提供的基于规则推理的临床决策支持系统构建装置结构示意图。如图3所示，该装置包括：
资料收集模块201，用于收集与各疾病领域相关的临床医学证据；
本发明实施例中，临床医学证据包括但不限于：医学教材、临床指南、诊疗规范、医学文献、专家共识、专家经验、电子病历、网络文献、语音资料、医学笔记、教科书。具体来说，资料收集模块收集筛选多学科领域公开发表的包含权威临床指南、诊疗规范、教科书、文献、专家共识、专家经验的全方位、多层次临床医学证据。
本发明实施例中，作为一可选实施例，资料收集模块201还可以用于对所述临床医学证据中包含的临床术语进行标准化处理，并构建标准化处理得到的标准化临床术语与各临床术语的映射关系。
知识库构建模块202，用于提取疾病问诊、分诊、诊断、治疗相关知识形成症状特征库和诊疗知识库；
本发明实施例中，构建由临床医学证据整合而来的可进行规则提取的临床医学知识。
本发明实施例中，症状特征库包含围绕症状问诊的相关问题以及拟诊疾病和关联科室。诊疗知识库包含疾病诊断和治疗方案相关知识。具体来说，知识库构建模块针对多学科领域的疾病，从收集的临床医学证据中，梳理逻辑框架，提取疾病问诊、分诊、诊断、治疗相关的医学知识，并对提取的医学知识进行整合，形成以症状为核心的症状特征库和以诊疗建议为核心的诊疗知识库。
规则库构建模块203，用于将知识转化为产生式规则，形成规则库；
本发明实施例中，规则库构建模块基于症状特征库和诊疗知识库中的知识，构建反映问诊、分诊、诊断和治疗的产生式规则。具体来说，规则库构建模块基于症状特征库和诊疗知识库，分别将症状特征库和诊疗知识库中包含的整合后的医学知识转化为产生式规则，形成症状规则库以及诊疗规则库。
本发明实施例中，作为一可选实施例，产生式规则为IF-THEN规则。
病情输入模块204，用于依据症状特征库，设置症状相关问题，结合患者输入信息，匹配规则库的相应规则，实现辅助问诊和分诊；
本发明实施例中，病情输入模块用于输入患者病情描述信息，包括病史、症状、体征、各项检查等。具体来说，病情输入模块从输入的患者病情描述信息以及患者临床数据中，提取与所述症状特征库和诊疗知识库中的症状特征、诊疗特征相匹配的患者疾病特征。
本发明实施例中，作为一可选实施例，患者病情描述信息包括但不限于：文本患者病情描述信息、语音患者病情描述信息。
问诊分诊模块205，用于依据诊疗知识库，结合患者数据及输入的病情描述信息，匹配规则库中相应规则，实现辅助诊断和治疗；
本发明实施例中，问诊分诊模块将所述患者症状相关信息与各产生式规则进行匹配，获取与所述患者病情描述信息相匹配的产生式规则，依据匹配的产生式规则对应的拟诊疾病和关联科室进行分诊。具体来说，问诊分诊模块，用于依据症状特征库，结合输入的患者病情描述信息，匹配症状规则库中的相应产生式规则，实现辅助问诊和分诊。
诊断治疗模块206，用于在获取的患者病情描述信息与各产生式规则匹配不完备时，通过自动计算特征权重，从决策知识库中返回权重评分排序评分最高的前几位决策建议，作为诊疗结果进行推荐。
本发明实施例中，诊断治疗模块将所述患者病史、症状、体征、各项检查等病情描述信息与各产生式规则进行匹配，获取与所述患者病情描述信息相匹配的产生式规则，依据匹配的产生式规则对应的疾病诊断结果和治疗方案进行辅助诊疗。具体来说，诊断治疗模块，用于依据诊疗知识库，结合输入的患者病情描述信息和患者诊疗过程产生的临床数据，匹配诊疗规则库中的相应产生式规则，实现辅助诊断和治疗。
本发明实施例中，作为一可选实施例，诊断治疗模块206包括：
第一提取单元(图中未示出)，用于依据患者疾病病症生成患者疾病病症集，提取所述患者疾病病症集中的一候选患者疾病病症，与各产生式规则进行匹配，得到相匹配的产生式规则集；
第二提取单元，用于提取所述患者疾病病症集中除所述候选患者疾病病症之外的任一患者疾病病症，与所述产生式规则集进行匹配，以得到的相匹配的产生式规则更新产生式规则集，直至所述患者疾病病症集中的患者疾病病症被提取完毕，提取最后更新的产生式规则集包含的各产生式规则，得到与所述患者疾病病症相匹配的产生式规则；
推荐单元，用于依据匹配的产生式规则对应的诊疗环节进行决策推荐。
权重计算模块207，当输入患者信息，无法匹配相应的规则时，通过自动计算权重评分返回最相似的推荐结果。特征权重计算模块，用于在获取的患者疾病病症与各产生式规则匹配不完备时，通过自动计算权重评分返回最相似的诊断和治疗结果。
本发明实施例中，作为另一可选实施例，权重计算模块207包括：
统计单元，针对得到的每一产生式规则，依据该产生式规则中包含的每一疾病病症对应的特征权重，计算各疾病病症对应的症状特征、诊疗特征权重之和，得到该产生式规则的分值；
推荐单元，按照分值由大致小的顺序，展示产生式规则对应的决策建议，以展示临床决策支持系统推荐的决策建议，并根据权重给出排序评分。
本发明实施例中，作为一可选实施例，该装置还用于：
依据系统推荐的决策建议，查询各临床决策支持建议与医生实际诊疗建议的对比关系，得到所述决策建议的接受度，并反馈给系统用于进一步优化。
本发明实施例中，作为另一可选实施例，该装置还用于：
依据系统推荐的决策建议，将得到的辅助问诊、分诊、诊断和治疗的结果推送至当前值班医生以及护士。查询各临床决策支持建议与医生实际诊疗建议的对比关系，得到所述决策建议的接受度，并反馈给系统用于进一步优化。
本发明实施例基于规则推理的临床决策支持系统构建装置，具体实现可以是一种包含问诊、分诊、诊断、治疗功能的临床辅助决策工具，在临床辅助决策工具界面的问诊分诊版块，设置有症状相关的问题及回答选项，只需要按照患者的症状信息进行相应选择即可通过规则匹配获取自动分诊结果，节省了时间和人力物力。同时，在临床辅助决策工具界面的诊断治疗版块，按照患者病情输入病史、症状、体征、各项检查等相关信息，即可通过规则匹配获取辅助诊断治疗决策结果。临床辅助决策工具对于提升医疗机构尤其是基层医院工作效率具有重要意义，对指南等循证医学知识落地应用也起到推动作用，也推进了医疗机构信息系统智能化的发展。
如图4所示，本申请一实施例提供了一种计算机设备300，用于执行图1中的基于基于规则推理的临床决策支持系统构建方法，该设备包括存储器301、处理器302及存储在该存储器301上并可在该处理器302上运行的计算机程序，其中，上述处理器302执行上述计算机程序时实现上述基于规则推理的临床决策支持系统构建方法的步骤。
具体地，上述存储器301和处理器302能够为通用的存储器和处理器，这里不做具体限定，当处理器302运行存储器301存储的计算机程序时，能够执行上述基于规则推理的临床决策支持系统构建方法。
对应于图1中的基于规则推理的临床决策支持系统构建方法，本申请实施例还提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述基于规则推理的临床决策支持系统构建方法的步骤。
具体地，该存储介质能够为通用的存储介质，如移动磁盘、硬盘等，该存储介质上的计算机程序被运行时，能够执行上述基于规则推理的临床决策支持系统构建方法。
在本申请所提供的实施例中，应该理解到，所揭露系统和方法，可以通过其它的方式实现。以上所描述的系统实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，系统或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请提供的实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释，此外，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
最后应说明的是：以上所述实施例，仅为本申请的具体实施方式，用以说明本申请的技术方案，而非对其限制，本申请的保护范围并不局限于此，尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围。都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应所述以权利要求的保护范围为准。
Claims (9)
1.一种基于基于规则推理的临床决策支持系统构建方法，其特征在于，包括：
收集筛选多学科领域公开发表的包含权威临床指南、诊疗规范、教科书、文献、专家共识、专家经验的全方位、多层次临床医学证据；
针对多学科领域的疾病，从收集的临床医学证据中，梳理逻辑框架，提取疾病问诊、分诊、诊断、治疗相关的医学知识，并对提取的医学知识进行整合，形成以症状为核心的症状特征库和以诊疗建议为核心的诊疗知识库；
基于症状特征库和诊疗知识库，分别将症状特征库和诊疗知识库中包含的整合后的医学知识转化为产生式规则，形成症状规则库以及诊疗规则库；
从输入的患者病情描述信息以及患者临床数据中，提取与所述症状特征库和诊疗知识库中的症状特征、诊疗特征相匹配的患者疾病特征；
依据症状特征库，结合输入的患者病情描述信息，匹配症状规则库中的相应产生式规则，实现辅助问诊和分诊；
依据诊疗知识库，结合输入的患者病情描述信息和患者诊疗过程产生的临床数据，匹配诊疗规则库中的相应产生式规则，实现辅助诊断和治疗；
在获取的患者疾病病症与各产生式规则匹配不完备时，通过自动计算权重评分返回最相似的诊断和治疗结果。
2.根据权利要求1所述的方法，其特征在于，基于症状特征库和诊疗知识库，分别将症状特征库和诊疗知识库中包含的整合后的医学知识转化为产生式规则，包括：
转化规则为IF-THEN规则，其中，IF-THEN规则中的IF后的描述为各种临床情况的输入判断条件，条件间使用与、或、非逻辑运算方式连接，THEN后的描述为满足输入判断条件时的输出结果，对于症状特征库的医学知识转化，IF后为包含症状、发病时间、起病特点的问诊内容，THEN后的医学知识为依据输入判断条件判断的疾病名称、关联分诊科室；对于诊疗知识库的医学知识转化，IF后为包含疾病症状、体征、辅助检查、临床特点的患者信息，THEN后为依据输入判断条件判断的诊断和治疗方案。
3.根据权利要求1所述的方法，其特征在于，所述方法还包括：
针对每一产生式规则，为该产生式规则中的各症状特征、诊疗特征设置对应的特征权重。
4.根据权利要求3所述的方法，其特征在于，在获取的患者疾病病症与各产生式规则匹配不完备时，所述方法还包括：
针对得到的每一产生式规则，依据该产生式规则中包含的每一疾病病症对应的特征权重，计算各疾病病症对应的症状特征、诊疗特征权重之和，得到该产生式规则的分值；
按照分值由大致小的顺序，展示产生式规则对应的决策建议，以展示临床决策支持系统推荐的决策建议，并根据权重给出排序评分。
5.根据权利要求4所述的方法，其特征在于，所述方法还包括：
依据所述决策建议，查询各临床决策支持建议与医生实际诊疗建议的对比关系，得到所述决策建议的接受度，并反馈给临床决策支持系统用于进一步优化。
6.根据权利要求4所述的方法，其特征在于，所述方法还包括：
依据所述决策建议，将得到的辅助问诊、分诊、诊断和治疗的结果推送至当前值班医生以及护士，查询各临床决策支持建议与医生实际诊疗建议的对比关系，得到所述决策建议的接受度，并反馈给临床决策支持系统用于进一步优化。
7.一种基于规则推理的临床决策支持系统构建装置，其特征在于，包括：
资料收集模块，用于收集筛选多学科领域公开发表的包含权威临床指南、诊疗规范、教科书、文献、专家共识、专家经验的全方位、多层次临床医学证据；
知识库构建模块，用于针对多学科领域的疾病，从收集的临床医学证据中，梳理逻辑框架，提取疾病问诊、分诊、诊断、治疗相关的医学知识，并对提取的医学知识进行整合，形成以症状为核心的症状特征库和以诊疗建议为核心的诊疗知识库；
规则库构建模块，用于基于症状特征库和诊疗知识库，分别将症状特征库和诊疗知识库中包含的整合后的医学知识转化为产生式规则，形成症状规则库以及诊疗规则库；
病情输入模块，用从输入的患者病情描述信息以及患者临床数据中，提取与所述症状特征库和诊疗知识库中的症状特征、诊疗特征相匹配的患者疾病特征；
问诊分诊模块，用于依据症状特征库，结合输入的患者病情描述信息，匹配症状规则库中的相应产生式规则，实现辅助问诊和分诊；
诊断治疗模块，用于依据诊疗知识库，结合输入的患者病情描述信息和患者诊疗过程产生的临床数据，匹配诊疗规则库中的相应产生式规则，实现辅助诊断和治疗；
特征权重计算模块，用于在获取的患者疾病病症与各产生式规则匹配不完备时，通过自动计算权重评分返回最相似的诊断和治疗结果。
8.一种电子设备，其特征在于，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行如权利要求1所述的基于规则推理的临床决策支持系统构建方法的步骤。
9.一种计算机可读存储介质，其特征在于，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如权利要求1所述的基于规则推理的临床决策支持系统构建方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010814909.6A CN111951955A (zh) | 2020-08-13 | 2020-08-13 | 一种基于规则推理的临床决策支持系统构建方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010814909.6A CN111951955A (zh) | 2020-08-13 | 2020-08-13 | 一种基于规则推理的临床决策支持系统构建方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111951955A true CN111951955A (zh) | 2020-11-17 |
Family
ID=73343692
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010814909.6A Pending CN111951955A (zh) | 2020-08-13 | 2020-08-13 | 一种基于规则推理的临床决策支持系统构建方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111951955A (zh) |
Cited By (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112270988A (zh) * | 2020-12-04 | 2021-01-26 | 厦门基源医疗科技有限公司 | 一种罕见病辅助诊断的方法及系统 |
| CN112309579A (zh) * | 2020-11-26 | 2021-02-02 | 微医云(杭州)控股有限公司 | 推荐治疗方案的方法、装置、电子设备及存储介质 |
| CN112331356A (zh) * | 2020-11-26 | 2021-02-05 | 微医云(杭州)控股有限公司 | 推荐治疗方案的方法、装置、电子设备及存储介质 |
| CN112735584A (zh) * | 2020-12-31 | 2021-04-30 | 北京万方数据股份有限公司 | 一种恶性肿瘤诊疗辅助决策生成方法及装置 |
| CN112768082A (zh) * | 2021-02-04 | 2021-05-07 | 常熟和医信息技术有限公司 | 一种根据电子病历文本自动给出疾病诊疗方案的方法 |
| CN112786198A (zh) * | 2021-02-08 | 2021-05-11 | 科大讯飞股份有限公司 | 诊疗信息推荐模型构建方法、诊疗信息推荐方法及装置 |
| CN112927792A (zh) * | 2021-01-24 | 2021-06-08 | 武汉东湖大数据交易中心股份有限公司 | 一种常见疾病智能诊断方法、系统及存储介质 |
| CN113130086A (zh) * | 2021-04-01 | 2021-07-16 | 武汉大学 | 健康医疗大数据平台 |
| CN113506625A (zh) * | 2021-08-21 | 2021-10-15 | 江泽飞 | 一种基于csco指南的诊疗建议评分系统 |
| CN113782189A (zh) * | 2021-09-16 | 2021-12-10 | 平安国际智慧城市科技股份有限公司 | 基于地域性疾病图谱的智能辅助诊疗方法及装置 |
| CN113782185A (zh) * | 2021-08-25 | 2021-12-10 | 上海市儿童医院 | 临床诊疗智能决策分析系统及方法 |
| CN113808736A (zh) * | 2021-09-13 | 2021-12-17 | 浙江海心智惠科技有限公司 | 一种可根据病历时间切片的癌症智能诊疗决策系统 |
| CN113808732A (zh) * | 2020-12-04 | 2021-12-17 | 四川医枢科技股份有限公司 | 一种医疗决策系统及设备 |
| CN113838574A (zh) * | 2021-09-29 | 2021-12-24 | 杭州海心智医信息科技有限公司 | 一种肿瘤疾病病历的数据库应用系统 |
| CN113889260A (zh) * | 2021-09-09 | 2022-01-04 | 杨惠 | 用于hpv诊断的知识系统、诊断意见系统及存储介质 |
| CN115148344A (zh) * | 2022-09-06 | 2022-10-04 | 深圳市指南针医疗科技有限公司 | 基于蚁群算法的医技管理方法、装置、设备及存储介质 |
| CN115346662A (zh) * | 2022-08-23 | 2022-11-15 | 亿慧云智能科技（深圳）股份有限公司 | 一种用于宠物医院的智能诊断数据管理方法及系统 |
| CN116825312A (zh) * | 2023-07-24 | 2023-09-29 | 广州腾方医信科技有限公司 | 一种基于信创环境的分诊系统及方法 |
| CN117079807A (zh) * | 2023-08-24 | 2023-11-17 | 南方医科大学南方医院 | 一种针对中老年常见疾病的智能诊断支持系统和方法 |
| CN117334352A (zh) * | 2023-11-24 | 2024-01-02 | 北京邮电大学 | 基于多元角色知识图谱的高血压诊疗决策推理方法及装置 |
| CN112786198B (zh) * | 2021-02-08 | 2024-05-31 | 科大讯飞股份有限公司 | 诊疗信息推荐模型构建方法、诊疗信息推荐方法及装置 |
Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101751509A (zh) * | 2008-12-12 | 2010-06-23 | 北京大北农科技集团股份有限公司 | 一种猪病诊断系统和方法 |
| CN102110192A (zh) * | 2011-04-02 | 2011-06-29 | 中国医学科学院医学信息研究所 | 基于诊断要素数据关联的疾病辅助判断方法 |
| CN102156812A (zh) * | 2011-04-02 | 2011-08-17 | 中国医学科学院医学信息研究所 | 基于症状相似度分析的就医辅助决策方法 |
| CN105069505A (zh) * | 2015-08-14 | 2015-11-18 | 北京农信互联科技有限公司 | 一种猪病知识库自动训练学习方法及猪病辅助诊断装置 |
| CN105678066A (zh) * | 2015-12-31 | 2016-06-15 | 天津迈沃医药技术有限公司 | 基于用户反馈信息完成数据训练的疾病自诊方法及系统 |
| CN105912846A (zh) * | 2016-04-07 | 2016-08-31 | 南京小网科技有限责任公司 | 基于云计算和医学知识库技术的智能医疗辅助决策系统 |
| CN106295100A (zh) * | 2015-05-22 | 2017-01-04 | 吴长汶 | 一种问诊系统 |
| CN106372439A (zh) * | 2016-09-21 | 2017-02-01 | 北京大学 | 基于病例库的疾病症状及其权重知识的获取和处理方法 |
| CN107038343A (zh) * | 2017-04-10 | 2017-08-11 | 荣科科技股份有限公司 | 临床诊断模型的构建方法及构建系统、临床诊断系统 |
| CN108122611A (zh) * | 2017-12-22 | 2018-06-05 | 东软集团股份有限公司 | 一种信息推荐方法、装置及存储介质、程序产品 |
| CN108447534A (zh) * | 2018-05-18 | 2018-08-24 | 灵玖中科软件（北京）有限公司 | 一种基于nlp的电子病历数据质量管理方法 |
| CN108986908A (zh) * | 2018-05-31 | 2018-12-11 | 平安医疗科技有限公司 | 问诊数据处理方法、装置、计算机设备和存储介质 |
| CN109920540A (zh) * | 2019-03-14 | 2019-06-21 | 宁波中云创科信息技术有限公司 | 辅助诊疗决策系统的构建方法、装置及计算机设备 |
| CN110136838A (zh) * | 2019-04-29 | 2019-08-16 | 平安科技（深圳）有限公司 | 基于多知识库推理的数据匹配决策方法及系统 |
| CN111260520A (zh) * | 2020-01-10 | 2020-06-09 | 上海市浦东新区公利医院(第二军医大学附属公利医院) | 基于智能语音多轮问询和自助挂号技术的导诊导医系统 |
| CN111292821A (zh) * | 2020-01-21 | 2020-06-16 | 上海联影智能医疗科技有限公司 | 一种医学诊疗系统 |
-
2020
- 2020-08-13 CN CN202010814909.6A patent/CN111951955A/zh active Pending
Patent Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101751509A (zh) * | 2008-12-12 | 2010-06-23 | 北京大北农科技集团股份有限公司 | 一种猪病诊断系统和方法 |
| CN102110192A (zh) * | 2011-04-02 | 2011-06-29 | 中国医学科学院医学信息研究所 | 基于诊断要素数据关联的疾病辅助判断方法 |
| CN102156812A (zh) * | 2011-04-02 | 2011-08-17 | 中国医学科学院医学信息研究所 | 基于症状相似度分析的就医辅助决策方法 |
| CN106295100A (zh) * | 2015-05-22 | 2017-01-04 | 吴长汶 | 一种问诊系统 |
| CN105069505A (zh) * | 2015-08-14 | 2015-11-18 | 北京农信互联科技有限公司 | 一种猪病知识库自动训练学习方法及猪病辅助诊断装置 |
| CN105678066A (zh) * | 2015-12-31 | 2016-06-15 | 天津迈沃医药技术有限公司 | 基于用户反馈信息完成数据训练的疾病自诊方法及系统 |
| CN105912846A (zh) * | 2016-04-07 | 2016-08-31 | 南京小网科技有限责任公司 | 基于云计算和医学知识库技术的智能医疗辅助决策系统 |
| CN106372439A (zh) * | 2016-09-21 | 2017-02-01 | 北京大学 | 基于病例库的疾病症状及其权重知识的获取和处理方法 |
| CN107038343A (zh) * | 2017-04-10 | 2017-08-11 | 荣科科技股份有限公司 | 临床诊断模型的构建方法及构建系统、临床诊断系统 |
| CN108122611A (zh) * | 2017-12-22 | 2018-06-05 | 东软集团股份有限公司 | 一种信息推荐方法、装置及存储介质、程序产品 |
| CN108447534A (zh) * | 2018-05-18 | 2018-08-24 | 灵玖中科软件（北京）有限公司 | 一种基于nlp的电子病历数据质量管理方法 |
| CN108986908A (zh) * | 2018-05-31 | 2018-12-11 | 平安医疗科技有限公司 | 问诊数据处理方法、装置、计算机设备和存储介质 |
| CN109920540A (zh) * | 2019-03-14 | 2019-06-21 | 宁波中云创科信息技术有限公司 | 辅助诊疗决策系统的构建方法、装置及计算机设备 |
| CN110136838A (zh) * | 2019-04-29 | 2019-08-16 | 平安科技（深圳）有限公司 | 基于多知识库推理的数据匹配决策方法及系统 |
| CN111260520A (zh) * | 2020-01-10 | 2020-06-09 | 上海市浦东新区公利医院(第二军医大学附属公利医院) | 基于智能语音多轮问询和自助挂号技术的导诊导医系统 |
| CN111292821A (zh) * | 2020-01-21 | 2020-06-16 | 上海联影智能医疗科技有限公司 | 一种医学诊疗系统 |
Cited By (26)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112309579A (zh) * | 2020-11-26 | 2021-02-02 | 微医云(杭州)控股有限公司 | 推荐治疗方案的方法、装置、电子设备及存储介质 |
| CN112331356A (zh) * | 2020-11-26 | 2021-02-05 | 微医云(杭州)控股有限公司 | 推荐治疗方案的方法、装置、电子设备及存储介质 |
| CN112270988A (zh) * | 2020-12-04 | 2021-01-26 | 厦门基源医疗科技有限公司 | 一种罕见病辅助诊断的方法及系统 |
| CN113808732A (zh) * | 2020-12-04 | 2021-12-17 | 四川医枢科技股份有限公司 | 一种医疗决策系统及设备 |
| CN112735584A (zh) * | 2020-12-31 | 2021-04-30 | 北京万方数据股份有限公司 | 一种恶性肿瘤诊疗辅助决策生成方法及装置 |
| CN112735584B (zh) * | 2020-12-31 | 2023-10-24 | 北京万方数据股份有限公司 | 一种恶性肿瘤诊疗辅助决策生成方法及装置 |
| CN112927792A (zh) * | 2021-01-24 | 2021-06-08 | 武汉东湖大数据交易中心股份有限公司 | 一种常见疾病智能诊断方法、系统及存储介质 |
| CN112768082A (zh) * | 2021-02-04 | 2021-05-07 | 常熟和医信息技术有限公司 | 一种根据电子病历文本自动给出疾病诊疗方案的方法 |
| CN112786198B (zh) * | 2021-02-08 | 2024-05-31 | 科大讯飞股份有限公司 | 诊疗信息推荐模型构建方法、诊疗信息推荐方法及装置 |
| CN112786198A (zh) * | 2021-02-08 | 2021-05-11 | 科大讯飞股份有限公司 | 诊疗信息推荐模型构建方法、诊疗信息推荐方法及装置 |
| CN113130086A (zh) * | 2021-04-01 | 2021-07-16 | 武汉大学 | 健康医疗大数据平台 |
| CN113506625A (zh) * | 2021-08-21 | 2021-10-15 | 江泽飞 | 一种基于csco指南的诊疗建议评分系统 |
| CN113782185A (zh) * | 2021-08-25 | 2021-12-10 | 上海市儿童医院 | 临床诊疗智能决策分析系统及方法 |
| CN113782185B (zh) * | 2021-08-25 | 2024-03-08 | 上海市儿童医院 | 临床诊疗智能决策分析系统及方法 |
| CN113889260B (zh) * | 2021-09-09 | 2024-05-24 | 杨惠 | 用于hpv诊断的知识系统、诊断意见系统及存储介质 |
| CN113889260A (zh) * | 2021-09-09 | 2022-01-04 | 杨惠 | 用于hpv诊断的知识系统、诊断意见系统及存储介质 |
| CN113808736A (zh) * | 2021-09-13 | 2021-12-17 | 浙江海心智惠科技有限公司 | 一种可根据病历时间切片的癌症智能诊疗决策系统 |
| CN113782189A (zh) * | 2021-09-16 | 2021-12-10 | 平安国际智慧城市科技股份有限公司 | 基于地域性疾病图谱的智能辅助诊疗方法及装置 |
| CN113838574A (zh) * | 2021-09-29 | 2021-12-24 | 杭州海心智医信息科技有限公司 | 一种肿瘤疾病病历的数据库应用系统 |
| CN115346662A (zh) * | 2022-08-23 | 2022-11-15 | 亿慧云智能科技（深圳）股份有限公司 | 一种用于宠物医院的智能诊断数据管理方法及系统 |
| CN115148344B (zh) * | 2022-09-06 | 2022-11-29 | 深圳市指南针医疗科技有限公司 | 基于蚁群算法的医技管理方法、装置、设备及存储介质 |
| CN115148344A (zh) * | 2022-09-06 | 2022-10-04 | 深圳市指南针医疗科技有限公司 | 基于蚁群算法的医技管理方法、装置、设备及存储介质 |
| CN116825312A (zh) * | 2023-07-24 | 2023-09-29 | 广州腾方医信科技有限公司 | 一种基于信创环境的分诊系统及方法 |
| CN117079807A (zh) * | 2023-08-24 | 2023-11-17 | 南方医科大学南方医院 | 一种针对中老年常见疾病的智能诊断支持系统和方法 |
| CN117334352A (zh) * | 2023-11-24 | 2024-01-02 | 北京邮电大学 | 基于多元角色知识图谱的高血压诊疗决策推理方法及装置 |
| CN117334352B (zh) * | 2023-11-24 | 2024-03-08 | 北京邮电大学 | 基于多元角色知识图谱的高血压诊疗决策推理方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111951955A (zh) | 一种基于规则推理的临床决策支持系统构建方法及装置 | |
| US7744540B2 (en) | Patient data mining for cardiology screening | |
| US11694812B2 (en) | Method and system for assessing, quantifying, coding and communicating patient's health and perioperative risk | |
| Levine et al. | Quality and experience of outpatient care in the United States for adults with or without primary care | |
| US9081879B2 (en) | Matrix interface for medical diagnostic and treatment advice system and method | |
| Selker et al. | Use of the acute cardiac ischemia time-insensitive predictive instrument (ACI-TIPI) to assist with triage of patients with chest pain or other symptoms suggestive of acute cardiac ischemia: a multicenter, controlled clinical trial | |
| US8670997B2 (en) | Quality metric extraction and editing for medical data | |
| US8579784B2 (en) | Personalized prognosis modeling in medical treatment planning | |
| US8170888B2 (en) | Method and system for assessing, quantifying, coding and communicating a patient's health and perioperative risk | |
| US20120296675A1 (en) | Method and System for Assessing, Quantifying, Coding & Communicating a Patient's Health and Perioperative Risk | |
| US20020120471A1 (en) | Patient analysis and research system and associated methods | |
| Peterson et al. | Association of exercise capacity on treadmill with future cardiac events in patients referred for exercise testing | |
| WO2007123914A2 (en) | Prognosis modeling from one or more sources of information | |
| US20020035316A1 (en) | Patient analysis and risk reduction system and associated methods | |
| Liao et al. | Clinical prediction models: are we building better mousetraps? | |
| Yano et al. | Association of daytime and nighttime blood pressure with cardiovascular disease events among African American individuals | |
| Hao et al. | Nursing process decision support system for urology ward | |
| CN111145909B (zh) | 诊疗数据处理方法与装置、存储介质、电子设备 | |
| US20100217094A1 (en) | Point-of-care enactive medical system and method | |
| Zaman | The enduring value of the physical examination | |
| CN111429985B (zh) | 电子病历数据处理方法及系统 | |
| JP2010277574A (ja) | アドバイスメッセージ選択システム及び制御プログラム、健康管理支援装置 | |
| JP7238705B2 (ja) | 診療支援方法、診療支援システム、学習モデルの生成方法、および、診療支援プログラム | |
| CN108630290B (zh) | 一种面向慢病患者的健康知识个性化推荐方法和系统 | |
| Chung et al. | A knowledge-based decision system for healthcare diagnosis and advisory |
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 |