CN112786198A - 诊疗信息推荐模型构建方法、诊疗信息推荐方法及装置 - Google Patents

诊疗信息推荐模型构建方法、诊疗信息推荐方法及装置 Download PDF

Info

Publication number
CN112786198A
CN112786198A CN202110179585.8A CN202110179585A CN112786198A CN 112786198 A CN112786198 A CN 112786198A CN 202110179585 A CN202110179585 A CN 202110179585A CN 112786198 A CN112786198 A CN 112786198A
Authority
CN
China
Prior art keywords
information
diagnosis
treatment
ith
code
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.)
Granted
Application number
CN202110179585.8A
Other languages
English (en)
Other versions
CN112786198B (zh
Inventor
肖飞
胡加学
赵乾
赵景鹤
宋时德
沈爱宗
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Anhui Iflytek Medical Information Technology Co ltd
iFlytek Co Ltd
Anhui Provincial Hospital
Original Assignee
Anhui Iflytek Medical Information Technology Co ltd
iFlytek Co Ltd
Anhui Provincial Hospital
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Anhui Iflytek Medical Information Technology Co ltd, iFlytek Co Ltd, Anhui Provincial Hospital filed Critical Anhui Iflytek Medical Information Technology Co ltd
Priority to CN202110179585.8A priority Critical patent/CN112786198B/zh
Priority claimed from CN202110179585.8A external-priority patent/CN112786198B/zh
Publication of CN112786198A publication Critical patent/CN112786198A/zh
Application granted granted Critical
Publication of CN112786198B publication Critical patent/CN112786198B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

本申请公开了一种诊疗信息推荐模型构建方法、诊疗信息推荐方法及装置，先利用样本病情信息、医学知识图谱、候选诊疗信息及其实际推荐得分对诊疗信息推荐模型进行构建，以使构建好的诊疗信息推荐模型具有较好的预测性能；再利用构建好的诊疗信息推荐模型针对目标患者的待推荐病情信息进行诊疗信息推荐，得到目标诊疗信息，以使该目标诊疗信息能够准确地表示出医生在该目标患者的诊疗过程中较大概率选择的诊疗信息。其中，因医学知识图谱全面记录了在医疗过程中可能涉及的所有病情的相关医学知识，使得基于该医学知识图谱训练并使用的诊疗信息推荐模型能够针对目标患者的待推荐病情信息准确地进行诊疗信息推荐，如此有利于提高诊疗准确性。

Description

诊疗信息推荐模型构建方法、诊疗信息推荐方法及装置
技术领域
本申请涉及计算机技术领域，尤其涉及一种诊疗信息推荐模型构建方法、诊疗信息推荐方法及装置。
背景技术
对于医疗过程来说，当医生获取到目标患者的问诊信息之后，该医生能够基于其已掌握的医学知识以及临床经验等，制定该问诊信息对应的诊疗方案，以使后续能够按照该诊疗方案对目标患者进行诊疗处理。其中，诊疗方案可以包括辅助医生进行疾病诊断的检查项目(如头部血管造影等)和/或检验项目(如验尿等)、确诊之后由医生提供的治疗处置建议(例如，预防上消化道出血等)、以及确诊之后由医生提供的药品处方。
然而，因医生在制定诊疗方案时易出现错误，导致诊疗方案的准确性较低，如此导致如何提高诊疗方案准确性成为一项亟待解决的技术问题。
发明内容
本申请实施例的主要目的在于提供一种诊疗信息推荐模型构建方法、诊疗信息推荐方法及装置，能够针对目标患者的问诊信息推荐出合理的诊疗信息，以使后续医生能够参考这些诊疗信息制定出适合目标患者的诊疗方案，如此能够有效地解决因医生出现医学知识应用缺陷而导致诊疗方案的准确性较低的问题。
本申请实施例提供了一种诊疗信息推荐模型构建方法，所述方法包括：
获取样本病情信息、医学知识图谱、候选诊疗信息以及所述候选诊疗信息的实际推荐得分；其中，所述样本病情信息用于描述样本患者的身体状况；
将所述样本病情信息、所述医学知识图谱、以及所述候选诊疗信息输入诊疗信息推荐模型，得到所述诊疗信息推荐模型输出的所述候选诊疗信息的预测推荐得分；
根据所述候选诊疗信息的预测推荐得分和所述候选诊疗信息的实际推荐得分，更新所述诊疗信息推荐模型，并继续执行所述将所述样本病情信息、所述医学知识图谱、以及所述候选诊疗信息输入诊疗信息推荐模型的步骤，直至达到预设停止条件。
在一种可能的实施方式中，所述诊疗信息推荐模型包括输入层、编码层、交互层和输出层；
所述候选诊疗信息的预测推荐得分的确定过程包括：
将所述样本病情信息、所述医学知识图谱、以及所述候选诊疗信息输入所述输入层，得到所述输入层输出的所述样本病情信息对应的病情向量、所述医学知识图谱对应的知识向量和所述候选诊疗信息对应的诊疗向量；
将所述病情向量、所述知识向量和所述诊疗向量输入所述编码层，得到所述编码层输出的所述样本病情信息对应的病情编码、所述医学知识图谱对应的知识编码和所述候选诊疗信息对应的诊疗编码；
将所述病情编码、所述知识编码和所述诊疗编码输入所述交互层，得到所述交互层输出的所述候选诊疗信息对应的信息交互特征；
将所述候选诊疗信息对应的信息交互特征输入所述输出层，得到所述输出层输出的所述候选诊疗信息的预测推荐得分。
在一种可能的实施方式中，所述编码层包括病情编码子层、图谱编码子层和诊疗编码子层；
所述病情编码、所述知识编码和所述诊疗编码的确定过程包括：
将所述病情向量输入所述病情编码子层，得到所述病情编码子层输出的所述病情编码；
将所述知识向量输入所述图谱编码子层，得到所述图谱编码子层输出的所述知识编码；
将所述诊疗向量输入所述诊疗编码子层，得到所述诊疗编码子层输出的所述诊疗编码。
在一种可能的实施方式中，所述候选诊疗信息的个数为Nall，Nall个候选诊疗信息包括N1个诊疗操作信息和/或N2个诊疗用药信息；
第i个诊疗操作信息对应的信息交互特征的确定过程包括：
将所述病情编码和所述知识编码进行编码融合，得到融合编码；根据所述融合编码和所述第i个诊疗操作信息对应的诊疗编码，确定所述第i个诊疗操作信息对应的信息交互特征；其中，i为正整数，i≤N1，N1≤Nall；
第j个诊疗用药信息对应的信息交互特征的确定过程包括：
将所述病情编码和所述知识编码进行编码融合，得到融合编码；根据所述融合编码和所述第j个诊疗用药信息对应的诊疗编码，确定所述第j个诊疗用药信息对应的信息交互特征；其中，j为正整数，j≤N2，N2≤Nall。
在一种可能的实施方式中，所述根据所述融合编码和所述第i个诊疗操作信息对应的诊疗编码，确定所述第i个诊疗操作信息对应的信息交互特征，包括：
将所述融合编码和所述第i个诊疗操作信息对应的诊疗编码进行信息交互，得到所述第i个诊疗操作信息对应的病情匹配特征；
将所述第i个诊疗操作信息对应的诊疗编码与所述第i个诊疗操作信息对应的病情匹配特征作差，得到所述第i个诊疗操作信息对应的特征差值；
将所述第i个诊疗操作信息对应的诊疗编码与所述第i个诊疗操作信息对应的病情匹配特征相乘，得到所述第i个诊疗操作信息对应的特征乘积；
将所述第i个诊疗操作信息对应的诊疗编码、所述第i个诊疗操作信息对应的病情匹配特征、所述第i个诊疗操作信息对应的特征差值以及所述第i个诊疗操作信息对应的特征乘积进行拼接，得到所述第i个诊疗操作信息对应的信息交互特征。
在一种可能的实施方式中，若Nall个候选诊疗信息包括N1个诊疗操作信息和N2个诊疗用药信息，则所述根据所述融合编码和所述第j个诊疗用药信息对应的诊疗编码，确定所述第j个诊疗用药信息对应的信息交互特征，包括：
根据所述融合编码、N1个诊疗操作信息对应的信息交互特征和所述第j个诊疗用药信息对应的诊疗编码，确定所述第j个诊疗用药信息对应的信息交互特征。
在一种可能的实施方式中，若所述第j个诊疗用药信息对应的信息交互特征的个数为N1，则所述根据所述融合编码、N1个诊疗操作信息对应的信息交互特征和所述第j个诊疗用药信息对应的诊疗编码，确定所述第j个诊疗用药信息对应的信息交互特征，包括：
将所述融合编码和所述第j个诊疗用药信息对应的诊疗编码进行信息交互，得到所述第j个诊疗用药信息对应的病情匹配特征；
根据所述第j个诊疗用药信息对应的病情匹配特征、第i个诊疗操作信息对应的信息交互特征和所述第j个诊疗用药信息对应的诊疗编码，确定所述第j个诊疗用药信息对应的第i个信息交互特征；其中，i为正整数，且i≤N1。
在一种可能的实施方式中，所述根据所述第j个诊疗用药信息对应的病情匹配特征、第i个诊疗操作信息对应的信息交互特征和所述第j个诊疗用药信息对应的诊疗编码，确定所述第j个诊疗用药信息对应的第i个信息交互特征，包括：
将所述第i个诊疗操作信息对应的信息交互特征和所述第j个诊疗用药信息对应的诊疗编码进行信息交互，得到所述第j个诊疗用药信息对应的第i个操作匹配特征；
将所述第j个诊疗用药信息对应的病情匹配特征与所述第j个诊疗用药信息对应的第i个操作匹配特征作差，得到所述第i个诊疗操作信息对应的第i个特征差值；
将所述第j个诊疗用药信息对应的病情匹配特征与所述第j个诊疗用药信息对应的第i个操作匹配特征相乘，得到所述第i个诊疗操作信息对应的第i个特征乘积；
将所述第j个诊疗用药信息对应的病情匹配特征、所述第j个诊疗用药信息对应的第i个操作匹配特征、所述第i个诊疗操作信息对应的第i个特征差值、以及所述第i个诊疗操作信息对应的第i个特征乘积进行拼接，得到所述第j个诊疗用药信息对应的第i个信息交互特征。
本申请实施例提供的一种诊疗信息推荐方法，所述方法包括：
获取待推荐病情信息、医学知识图谱以及候选诊疗信息；其中，所述待推荐病情信息用于描述目标患者的身体状况；
将所述待推荐病情信息、所述医学知识图谱以及所述候选诊疗信息输入预先构建的诊疗信息推荐模型，得到所述诊疗信息推荐模型输出的所述候选诊疗信息的预测选择得分；其中，所述诊疗信息推荐模型是利用本申请实施例提供的诊疗信息推荐模型构建方法的任一实施方式进行构建的；
根据所述候选诊疗信息的预测选择得分，确定目标诊疗信息。
本申请实施例提供的一种诊疗信息推荐模型构建装置，所述装置包括：
第一获取单元，用于获取样本病情信息、医学知识图谱、候选诊疗信息以及所述候选诊疗信息的实际推荐得分；其中，所述样本病情信息用于描述样本患者的身体状况；
第一预测单元，用于将所述样本病情信息、所述医学知识图谱、以及所述候选诊疗信息输入诊疗信息推荐模型，得到所述诊疗信息推荐模型输出的所述候选诊疗信息的预测推荐得分；
模型更新单元，用于根据所述候选诊疗信息的预测推荐得分和所述候选诊疗信息的实际推荐得分，更新所述诊疗信息推荐模型，并返回所述第一预测单元继续执行所述将所述样本病情信息、所述医学知识图谱、以及所述候选诊疗信息输入诊疗信息推荐模型，直至达到预设停止条件。
本申请实施例提供的一种诊疗信息推荐装置，所述装置包括：
第二获取单元，用于获取待推荐病情信息、医学知识图谱以及候选诊疗信息；其中，所述待推荐病情信息用于描述目标患者的身体状况；
第二预测单元，用于将所述待推荐病情信息、所述医学知识图谱以及所述候选诊疗信息输入预先构建的诊疗信息推荐模型，得到所述诊疗信息推荐模型输出的所述候选诊疗信息的预测选择得分；其中，所述诊疗信息推荐模型是利用本申请实施例提供的诊疗信息推荐模型构建方法的任一实施方式进行构建的；
信息推荐单元，用于根据所述候选诊疗信息的预测选择得分，确定目标诊疗信息。
基于上述技术方案，本申请具有以下有益效果：
本申请提供的诊疗信息推荐模型构建方法、诊疗信息推荐方法及装置中，先利用样本病情信息、医学知识图谱、候选诊疗信息及其实际推荐得分对诊疗信息推荐模型进行构建，以使构建好的诊疗信息推荐模型具有较好的预测性能；再利用构建好的诊疗信息推荐模型针对目标患者的待推荐病情信息进行诊疗信息推荐，得到目标诊疗信息，以使该目标诊疗信息能够准确地表示出医生在该目标患者的诊疗过程中较大概率选择的诊疗信息。
可见，因医学知识图谱全面记录了在医疗过程中可能涉及的所有病情的相关医学知识，使得基于该医学知识图谱训练的诊疗信息推荐模型能够依据该医学知识图谱以及目标患者的待推荐病情信息，从大量候选诊疗信息中准确地推荐出适合该目标患者的目标诊疗信息，从而使得后续医生能够参考该诊疗信息以及其他参考信息(例如，临床经验、相关检查和/或检验结果、药品使用标准等等)制定出适合目标患者的诊疗方案，如此能够有效地解决因医生出现医学知识应用缺陷而导致诊疗方案的准确性较低的问题。
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，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种诊疗信息推荐模型构建方法的流程图；
图2为本申请实施例提供的一种诊疗信息推荐模型的结构示意图；
图3为本申请实施例提供的另一种诊疗信息推荐模型的结构示意图；
图4为本申请实施例提供的一种诊疗信息推荐模型的工作原理示意图；
图5为本申请实施例提供的一种诊疗信息推荐方法的流程图；
图6为本申请实施例提供的一种诊疗信息推荐模型构建装置的结构示意图；
图7为本申请实施例提供的一种诊疗信息推荐装置的结构示意图。
具体实施方式
为了便于理解本申请实施例提供的技术方案，下面先对一些技术名词进行解释。
诊疗过程是指对患者进行诊断以及治疗所需经历的过程。
诊疗信息是指在患者的诊疗过程中所涉及的信息；而且本申请实施例不限定诊疗信息，例如，诊疗信息可以包括诊疗操作信息和/或诊疗用药信息。
诊疗操作信息用于描述在患者的诊疗过程中所涉及的操作；而且本申请实施例不限定诊疗操作信息，例如，诊疗操作信息可以包括辅检项目和治疗处置建议。其中，辅检项目是指在患者的诊疗过程中需要针对该患者进行操作的检验项目(例如，尿检、血检等)和/或检查项目(例如，头部电子计算机断层扫描、头部磁共振成像、头部血管造影等)。治疗处置建议是指在确诊之后需要针对该患者进行的各种类型操作(例如，在确诊脑梗死后，该治疗处置建议可以包括监控血压、吸氧和通气支持、监测血糖、降低颅内压、预防感染、预防上消化道出血、监测体温、维持水电解质平衡等)。
诊疗用药信息用于描述在患者的诊疗过程中所涉及的药品及其使用信息；而且本申请实施例不限定诊疗用药信息，例如，该诊疗用药信息可以包括药品处方。其中，药品处方用于对患者进行治疗。
发明人在对诊疗方案的研究中发现，医生在制定诊疗方案过程中易出现各种医学知识应用缺陷(例如，想不起使用某项应该使用的医学知识、记错某项应该使用的医学知识、不知道某项应该使用的医学知识等应用缺陷)，导致该医生给出的诊断方案易发生错误或者易出现缺失内容，从而导致诊疗方案的准确性较低。
基于此，为了解决背景技术部分的技术问题，本申请实施例提供了一种诊疗信息推荐模型构建方法以及诊疗信息推荐方法，先利用样本病情信息、医学知识图谱、候选诊疗信息及其实际推荐得分对诊疗信息推荐模型进行构建，以使构建好的诊疗信息推荐模型具有较好的预测性能；再利用构建好的诊疗信息推荐模型针对目标患者的待推荐病情信息进行诊疗信息推荐，得到目标诊疗信息，以使该目标诊疗信息能够准确地表示出医生在该目标患者的诊疗过程中较大概率选择的诊疗信息。
可见，因医学知识图谱全面记录了在医疗过程中可能涉及的所有病情的相关医学知识，从而使得基于该医学知识图谱训练的诊疗信息推荐模型能够依据该医学知识图谱以及目标患者的待推荐病情信息，从大量候选诊疗信息中准确地推荐出适合该目标患者的目标诊疗信息，以使后续医生能够参考该诊疗信息以及其他参考信息(例如，临床经验、相关检查和/或检验结果、药品使用标准等等)制定出适合目标患者的诊疗方案，如此能够有效地解决因医生出现医学知识应用缺陷而导致诊疗方案的准确性较低的问题。
另外，本申请实施例不限定诊疗信息推荐模型构建方法的执行主体，例如，本申请实施例提供的诊疗信息推荐模型构建方法可以应用于终端设备或服务器等数据处理设备。其中，终端设备可以为智能手机、计算机、个人数字助理(Personal Digital Assitant，PDA)或平板电脑等。服务器可以为独立服务器、集群服务器或云服务器。
此外，本申请实施例也不限定诊疗信息推荐方法的执行主体，例如，本申请实施例提供的诊疗信息推荐方法可以应用于终端设备或服务器等数据处理设备。其中，终端设备可以为智能手机、计算机、个人数字助理(Personal Digital Assitant，PDA)或平板电脑等。服务器可以为独立服务器、集群服务器或云服务器。
为使本申请实施例的目的、技术方案和优点更加清楚，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做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
方法实施例一
参见图1，该图为本申请实施例提供的一种诊疗信息推荐模型构建方法的流程图。
本申请实施例提供的诊疗信息推荐模型构建方法，包括S101-S105：
S101：获取样本病情信息、医学知识图谱、候选诊疗信息以及候选诊疗信息的实际推荐得分。
样本病情信息用于描述样本患者的身体状况；而且本申请实施例不限定样本病情信息，例如，在一种可能的实施方式下，样本病情信息可以包括样本问诊信息和样本历史就诊信息。
其中，样本问诊信息用于描述样本患者在样本历史时刻下的问诊信息。另外，本申请实施例不限定问诊信息，例如，问诊信息可以包括个人信息(例如，姓名、年龄、性别、身份证号等)和问诊病历。其中，问诊病历是指通过问诊过程(例如，由医生或者问诊机器主导的问诊过程)产生的病历；而且本申请实施例不限定问诊病历的内容，例如，问诊病历可以包括主诉、现病史、既往史等内容。
又如，问诊信息可以包括个人信息、问诊病历和问诊结构信息。其中，问诊结构信息是指从个人信息和问诊病历中抽取的结构化信息。需要说明的是，本申请实施例不限定问诊结构信息的抽取方式，可以采用现有的或者未来出现的任一种结构化信息抽取方法进行实施。
需要说明的是，本申请实施例不限定样本问诊信息的表示方式，例如，若样本问诊信息包括多种信息，则可以将该样本问诊信息中的所有信息进行文本拼接(例如，将问诊结构信息、个人信息、主诉、现病史、既往史等多种信息进行文本拼接)，得到该样本问诊信息的表示文本。
样本历史就诊信息用于描述样本患者在样本历史时刻之前的就诊信息，而且该样本历史就诊信息可以根据该样本患者在样本历史时刻之前的至少一次就诊过程所产生的各种信息进行确定。其中，就诊信息是指在一次就诊过程中产生的各种信息。另外，本申请实施例不限定就诊信息，例如，就诊信息可以包括就诊病历、就诊诊断结果和就诊诊疗方案。其中，就诊病历用于记录样本患者的个人信息以及该样本患者在样本历史时刻之前的问诊信息。就诊诊断结果是指基于就诊病历确定的诊断结果(也就是，样本患者患有的疾病)。就诊诊疗方案用于描述基于就诊病历针对样本患者进行实施的诊疗过程。
又如，就诊信息可以包括就诊病历、就诊诊断结果、就诊诊疗方案和就诊结构化信息。其中，就诊结构化信息是从就诊病历、就诊诊断结果和就诊诊疗方案中抽取的结构化信息。另外，本申请实施例不限定就诊结构化信息的抽取方式，可以采用现有的或者未来出现的任一种结构化信息抽取方法进行实施。
需要说明的是，本申请实施例不限定样本历史就诊信息的获取方式，例如，在获取到样本问诊信息之后，可以根据该样本问诊信息记录的个人信息从至少一个医院中调取该样本患者在样本历史时刻之前的就诊信息，并根据调取到的就诊信息确定样本问诊信息。
还需要说明的是，本申请实施例也不限定样本历史就诊信息的表示方式，例如，若样本历史就诊信息包括M个就诊信息和该M个就诊信息对应的结构化信息，则可以先将第m个就诊信息以及该第m个就诊信息对应的结构化信息中的所有信息进行文本拼接，得到第m个就诊信息对应的表示文本，其中，m为正整数，m≤M；再将第1个就诊信息对应的表示文本至第M个就诊信息对应的表示文本的集合，确定为样本历史就诊信息。其中，M为正整数。
医学知识图谱用于记录所有疾病的诊疗过程所涉及的医学知识；而且本申请实施例不限定医学知识图谱，例如，医学知识图谱可以包括疾病知识图谱和药品知识图谱。
疾病知识图谱用于描述各种疾病对应的临床表现(例如，脑梗死疾病的临床表现包括有一侧肢体麻木、呛咳、球麻痹等)、辅检项目(例如，脑梗死疾病的辅检项目包括头部电子计算机断层扫描、头部磁共振成像、头部血管造影等)、治疗处置建议(例如，脑梗死疾病的治疗处置建议包括监控血压、吸氧和通气支持、监测血糖、降低颅内压、预防感染、预防上消化道出血、监测体温、维持水电解质平衡等)。另外，本申请实施例不限定疾病知识图谱的构建方式，可以利用现有的或者未来出现的任一种知识图谱构建方法从大量疾病知识中构建得到疾病知识图谱。需要说明的是，本申请实施例不限定大量疾病知识的来源，例如，大量疾病知识可以从医学文献、医学教科书、权威医学知识库等中获取。
药品知识图谱用于描述各种药品的相关信息；而且本申请实施例不限定药品知识图谱，例如，药品知识图谱可以包括药品描述信息(例如，成分、性状、用法用量、注意事项、不良反应、禁忌、适应症等)、不同药品之间的关联关系、药品与疾病之间的关联关系、药品与治疗处置建议之间的关联关系中的至少一种。另外，本申请实施例不限定药品知识图谱的构建方式，可以利用现有的或者未来出现的任一种知识图谱构建方法从大量药品知识中构建得到药品知识图谱。需要说明的是，本申请实施例不限定大量药品知识的来源，例如，大量药品知识从医学教科书、用药指南、药品说明书、基于临床经验整理的权威药品知识库等中获取。
另外，若医学知识图谱包括疾病知识图谱和药品知识图谱，则为了提高医学知识图谱的准确性，可以将构建好的疾病知识图谱和构建好的药品知识图谱进行对齐处理(例如，按照疾病进行对齐)。
候选诊疗信息是指在诊疗过程中可以选择的诊疗信息；而且本申请实施例不限定候选诊疗信息，例如，若在诊疗过程中可以选择N1个诊疗操作信息和N2个诊疗用药信息，则可以将该N1个诊疗操作信息和该N2个诊疗用药信息均确定为候选诊疗信息。其中，N1为正整数，且N2为正整数。
候选诊疗信息的实际推荐得分用于表征该候选诊疗信息在样本病情信息对应的诊疗过程中实际被选择的可能性；而且该候选诊疗信息的实际推荐得分越高，则表示该候选诊疗信息在样本病情信息对应的诊疗过程中实际被选择的可能性越大。另外，本申请实施例不限定候选诊疗信息的实际推荐得分的获取方式，可以由权威专家通过人工打分的方式进行标注。
S102：将样本病情信息、医学知识图谱、以及候选诊疗信息输入诊疗信息推荐模型，得到该诊疗信息推荐模型输出的候选诊疗信息的预测推荐得分。
其中，诊疗信息推荐模型用于预测各个候选诊疗信息在一次诊疗过程中被选择的可能性。
另外，本申请实施例不限定诊疗信息推荐模型的结构，例如，在一种可能的实施方式下，如图2所示，该诊疗信息推荐模型可以包括输入层、编码层、交互层和输出层。其中，编码层的输入数据为输入层的输出数据，交互层的输入数据为编码层的输出数据，输出层的输入数据为交互层的输出数据。
为了便于理解图2所示的诊疗信息推荐模型的工作原理，下面以候选诊疗信息的预测推荐得分的确定过程为例进行说明。
作为示例，利用图2所示诊疗信息推荐模型确定候选诊疗信息的预测推荐得分的过程，具体可以包括步骤11-步骤14：
步骤11：将样本病情信息、医学知识图谱、以及候选诊疗信息输入输入层，得到该输入层输出的该样本病情信息对应的病情向量、该医学知识图谱对应的知识向量和该候选诊疗信息对应的诊疗向量。
其中，输入层用于对该输入层的输入数据进行向量化处理，得到该输入数据的向量化结果。另外，本申请实施例不限定输入层中向量化处理的实施方式，例如，可以采用现有的或者未来出现的任一种文本向量化方法(例如，word2vec、glove、fasttext等文本向量化方法)进行实施。
病情向量是由输入层对样本病情信息进行向量化处理得到的，以使该病情向量用于准确地表征该样本病情信息携带的信息。另外，本申请实施例不限定病情向量的表示方式，例如，若样本病情信息包括样本问诊信息和样本历史就诊信息，则病情向量可以包括样本问诊向量和样本历史就诊向量。其中，样本问诊向量是由输入层对样本问诊信息进行向量化处理得到的，以使该样本问诊向量用于表征该样本问诊信息携带的信息。样本历史就诊向量是由输入层对样本历史就诊信息进行向量化处理得到的，以使该样本历史就诊向量表征该样本历史就诊信息携带的信息。
又如，当样本病情信息包括样本问诊信息和样本历史就诊信息，且该样本历史就诊信息包括M个就诊信息时，病情向量可以包括样本问诊向量和样本历史就诊向量，而且该样本历史就诊向量包括M个历史就诊向量。其中，第m个历史就诊向量是由输入层对样本历史就诊信息中的第m个就诊信息进行向量化处理得到的，以使该第m个历史就诊向量用于表征样本历史就诊信息中的第m个就诊信息携带的信息。m为正整数，m≤M，M为正整数。
知识向量是由输入层对医学知识图谱进行向量化处理得到的，以使该知识向量用于准确地表征该医学知识图谱所描述的医学信息。另外，本申请实施例不限定知识向量的表示方式，例如，若医学知识图谱包括疾病知识图谱和药品知识图谱，则该知识向量可以包括疾病向量和药品向量。其中，疾病向量是由输入层对疾病知识图谱进行向量化处理得到的，以使该疾病向量用于表征该疾病知识图谱所描述的医学信息。药品向量是由输入层对药品知识图谱进行向量化处理得到的，以使该药品向量用于表征该药品知识图谱所描述的医学信息。
候选诊疗信息对应的诊疗向量是由输入层对该候选诊疗信息进行向量化处理得到的，以使该诊疗向量用于准确地表征该候选诊疗信息携带的信息。
基于上述步骤11的相关内容可知，在将样本病情信息、医学知识图谱、以及候选诊疗信息输入到诊疗信息推荐模型之后，该诊疗信息推荐模型中输入层可以对样本病情信息、医学知识图谱、以及各个候选诊疗信息分别进行向量化处理，得到并输出样本病情信息对应的病情向量、医学知识图谱对应的知识向量和各个候选诊疗信息对应的诊疗向量，以便后续能够基于该病情向量、该知识向量和各个诊疗向量进行诊疗信息推荐。
步骤12：将样本病情信息对应的病情向量、医学知识图谱对应的知识向量和候选诊疗信息对应的诊疗向量输入编码层，得到该编码层输出的样本病情信息对应的病情编码、医学知识图谱对应的知识编码和候选诊疗信息对应的诊疗编码。
其中，编码层用于对该编码层的输入数据进行编码处理，得到该输入数据的编码结果。
另外，本申请实施例不限定编码层，例如，如图3所示，在一种可能的实施方式中，该编码层可以包括病情编码子层、图谱编码子层和诊疗编码子层；而且当利用图3所示的编码层执行步骤12时，步骤12具体可以包括：将病情向量输入病情编码子层，得到该病情编码子层输出的病情编码；将知识向量输入图谱编码子层，得到该图谱编码子层输出的知识编码；将诊疗向量输入诊疗编码子层，得到该诊疗编码子层输出的诊疗编码。
需要说明的是，本申请实施例不限定病情编码子层、图谱编码子层和诊疗编码子层之间的关系，三者可以相同，也可以不相同。另外，因问诊信息(例如，样本问诊信息以及下文的待推荐问诊信息)以及候选诊疗信息通常包括非结构化内容，但是医学知识图谱通常只包括结构化内容，故为了提高编码准确性，病情编码子层和诊疗编码子层均可以利用BERT(Bidirectional Encoder Representations from Transformers)语言模型进行实施，而且图谱编码子层可以利用图卷积神经网络(Graph Convolutional Network，GCN)进行实施。
病情编码是由编码层对病情向量进行编码处理得到的，以使该病情编码用于准确地表征样本病情信息携带的信息。另外，本申请实施例不限定病情编码的表示方式，例如，若病情向量包括样本问诊向量和样本历史就诊向量，则该病情编码可以包括样本问诊编码和样本历史就诊编码。其中，样本问诊编码是由编码层对样本问诊向量进行编码处理得到的，以使该样本问诊编码用于表征样本问诊信息携带的信息。样本历史就诊编码是由编码层对样本历史就诊向量进行编码处理得到的，以使该样本问诊编码用于表征样本历史就诊信息携带的信息。
需要说明的是，本申请实施例不限定样本历史就诊编码的获取过程，例如，若样本历史就诊向量包括M个历史就诊向量，则该样本历史就诊编码的获取过程具体可以为：先利用预设编码方法对第m个历史就诊向量进行编码，得到第m个历史就诊编码，其中，m为正整数，m≤M；再将第1个历史就诊编码至第M个历史就诊编码进行自注意力(self-attention)操作，得到样本历史就诊编码，以使该样本历史就诊编码能够整体表示出该第M个历史就诊编码所表征的信息。其中，预设编码方法可以预先设定，例如，预设编码方法可以利用BERT语言模型进行实施。
知识编码是由编码层对知识向量进行编码处理得到的，以使该知识编码用于准确地表征该医学知识图谱所描述的医学信息。另外，本申请实施例不限定知识编码的表示方式，例如，若知识向量包括疾病向量和药品向量，则知识编码可以包括疾病编码和药品编码。其中，疾病编码是由编码层对疾病向量进行编码处理得到的，以使该疾病编码用于表征该疾病知识图谱所描述的医学信息。药品编码是由编码层对药品向量进行编码处理得到的，以使该药品编码用于表征该药品知识图谱所描述的医学信息。
候选诊疗信息对应的诊疗编码是由编码层对该候选诊疗信息对应的诊疗向量进行编码处理得到的，以使该诊疗编码用于准确地表征该候选诊疗信息携带的信息。
基于上述步骤12的相关内容可知，对于诊疗信息推荐模型来说，在将样本病情信息对应的病情向量、医学知识图谱对应的知识向量和候选诊疗信息对应的诊疗向量输入至该诊疗信息推荐模型中编码层之后，该编码层可以对该病情向量、该知识向量和该诊疗向量分别进行编码处理，得到并输出该样本病情信息对应的病情编码、该医学知识图谱对应的知识编码和该候选诊疗信息对应的诊疗编码，以便后续能够基于该病情编码、该知识编码和该诊疗编码进行诊疗信息推荐。
步骤13：将样本病情信息对应的病情编码、医学知识图谱对应的知识编码和候选诊疗信息对应的诊疗编码输入交互层，得到该交互层输出的该候选诊疗信息对应的信息交互特征。
其中，交互层用于对该交互层的输入数据进行信息交互，得到并输出融合结果。另外，本申请实施例不限定交互层，可以采用现有的或者未来出现的任一种能够进行信息交互的方法进行实施。例如，交互层可以采用注意力(attention)层进行实施。
候选诊疗信息对应的信息交互特征用于表征该候选诊疗信息是否适用于样本病情信息以及医学知识图谱(也就是，表征该候选诊疗信息与样本病情信息以及医学知识图谱之间的匹配结果)。
另外，本申请实施例不限定候选诊疗信息对应的信息交互特征的获取过程，例如，可以直接将样本病情信息对应的病情编码、医学知识图谱对应的知识编码和候选诊疗信息对应的诊疗编码进行信息交互，得到该候选诊疗信息对应的信息交互特征。
实际上，为了提高准确性，交互层可以针对不同类型的候选诊疗信息采用不同的信息交互过程，而且针对相同类型的候选诊疗信息采用相同的信息交互过程。例如，对于Nall个候选诊疗信息来说，若该Nall个候选诊疗信息包括N1个诊疗操作信息和/或N2个诊疗用药信息，则因诊疗操作信息与诊疗用药信息属于不同类型的候选诊疗信息，故交互层可以针对第1个诊疗操作信息至第N1个诊疗操作信息均采用相同的信息交互过程，针对第1个诊疗用药信息和第N2个诊疗用药信息均采用相同的信息交互过程，并针对第i个诊疗操作信息与第j个诊疗用药信息采用不同的信息交互过程。其中，i为正整数，i≤N1，N1≤Nall；j为正整数，j≤N2，N2≤Nall；Nall为正整数。
为了便于理解，下面分别结合第i个诊疗操作信息的一种信息交互过程以及第j个诊疗用药信息的一种信息交互过程进行说明。
在一种可能的实施方式中，第i个诊疗操作信息的信息交互过程(也就是，第i个诊疗操作信息对应的信息交互特征的确定过程)，具体可以包括步骤21-步骤22：
步骤21：将样本病情信息对应的病情编码和医学知识图谱对应的知识编码进行编码融合，得到融合编码。
其中，融合编码用于综合表示样本病情信息和医学知识图谱。
另外，本申请实施例不限定融合编码的获取过程，可以采用现有的或者未来出现的任一种能够将病情编码和知识编码进行融合的方法进行实施。例如，在一种可能的实施方式中，融合编码的获取过程具体可以包括步骤31-步骤32：
步骤31：将样本病情信息对应的病情编码和医学知识图谱对应的知识编码进行拼接，得到拼接编码。
本申请实施例不限定拼接方式，例如，可以采用公式(1)所示的方式进行拼接。
Esplice＝[Eillness,Eknowledge] (1)
式中，Esplice为拼接编码；Eillness为病情编码；Eknowledge为知识编码。
可见，当样本病情信息对应的病情编码包括样本问诊编码Einterrogation和样本历史就诊编码Ehistorical-treatmen，而且医学知识图谱对应的知识编码包括疾病编码
Figure BDA0002941526580000131
和药品编码
Figure BDA0002941526580000132
时，可以直接将样本问诊编码Einterrogation、样本历史就诊编码Ehistorical-treatment、疾病编码
Figure BDA0002941526580000133
和药品编码
Figure BDA0002941526580000134
进行拼接，得到拼接编码
Figure BDA0002941526580000135
步骤32：对拼接编码进行预设编码处理，得到融合编码。
其中，预设编码处理可以预先设定，例如，预设编码处理可以采用现有的或者未来出现的任一种编码方式(例如，BERT语言模型)进行实施。
基于上述步骤31至步骤32的相关内容可知，在获取到样本病情信息对应的病情编码和医学知识图谱对应的知识编码之后，可以先将该病情编码和该知识编码进行拼接，得到拼接编码，以使该拼接编码可以表征样本病情信息和医学知识图谱；再将该拼接编码进行二次编码，得到融合编码，以使该融合编码能够综合表示样本病情信息和医学知识图谱，以便后续能够基于该融合编码确定各个候选诊疗信息是否适用于该样本病情信息和医学知识图谱。
步骤22：根据融合编码和第i个诊疗操作信息对应的诊疗编码，确定该第i个诊疗操作信息对应的信息交互特征。
其中，第i个诊疗操作信息对应的信息交互特征用于表征第i个诊疗操作信息是否适用于样本病情信息和医学知识图谱(也就是，表征第i个诊疗操作信息与样本病情信息以及医学知识图谱之间的匹配结果)。
另外，本申请实施例不限定步骤22的实施方式，为了便于理解，下面结合两种可能的实施方式进行说明。
在第一种可能的实施方式下，步骤22具体可以为：将融合编码和第i个诊疗操作信息对应的诊疗编码进行预设信息交互处理，得到第i个诊疗操作信息对应的信息交互特征。其中，预设信息交互处理可以预先设定，而且本申请实施例不限定预设信息交互处理，例如，预设信息交互处理可以为注意力操作；而且该注意力操作可以是现有的或者未来出现的任一种注意力操作(如，可以是公式(2)-(3)所示的注意力操作)。
Figure BDA0002941526580000136
Figure BDA0002941526580000137
式中，
Figure BDA0002941526580000138
为第i个诊疗操作信息对应的信息交互特征；Wattention为第i个诊疗操作信息与样本病情信息以及医学知识图谱之间的注意力权重；Emerge为融合编码；
Figure BDA0002941526580000146
为第i个诊疗操作信息对应的诊疗编码。
另外，为了进一步提高信息交互特征的准确性，本申请实施例还提供了步骤22的第二种可能的实施方式，其具体可以包括步骤221-步骤224：
步骤221：将融合编码和第i个诊疗操作信息对应的诊疗编码进行信息交互，得到第i个诊疗操作信息对应的病情匹配特征。
其中，第i个诊疗操作信息对应的病情匹配特征用于表征第i个诊疗操作信息是否适用于样本病情信息和医学知识图谱(也就是，表征第i个诊疗操作信息与样本病情信息以及医学知识图谱之间的匹配结果)。
需要说明的是，本申请实施例不限定步骤221的实施方式，例如，步骤221具体可以为：将融合编码和第i个诊疗操作信息对应的诊疗编码进行预设信息交互处理，得到第i个诊疗操作信息对应的病情匹配特征。
步骤222：将第i个诊疗操作信息对应的诊疗编码与第i个诊疗操作信息对应的病情匹配特征作差，得到第i个诊疗操作信息对应的特征差值。
步骤223：将第i个诊疗操作信息对应的诊疗编码与第i个诊疗操作信息对应的病情匹配特征相乘，得到第i个诊疗操作信息对应的特征乘积。
本申请实施例不限定步骤223的实施方式，例如，步骤223可以为：将第i个诊疗操作信息对应的诊疗编码与第i个诊疗操作信息对应的病情匹配特征之间的内积，确定第i个诊疗操作信息对应的特征乘积。又如，步骤223可以为：将第i个诊疗操作信息对应的诊疗编码与第i个诊疗操作信息对应的病情匹配特征之间的外积，确定第i个诊疗操作信息对应的特征乘积。还如，步骤223可以为：利用公式(4)将第i个诊疗操作信息对应的诊疗编码与第i个诊疗操作信息对应的病情匹配特征相乘，得到第i个诊疗操作信息对应的特征乘积。
Figure BDA0002941526580000141
式中，Ai为第i个诊疗操作信息对应的特征乘积；
Figure BDA0002941526580000142
为第i个诊疗操作信息对应的诊疗编码，且
Figure BDA0002941526580000143
Figure BDA0002941526580000144
为第i个诊疗操作信息对应的病情匹配特征，且
Figure BDA0002941526580000145
步骤224：将第i个诊疗操作信息对应的诊疗编码、第i个诊疗操作信息对应的病情匹配特征、第i个诊疗操作信息对应的特征差值以及第i个诊疗操作信息对应的特征乘积进行拼接，得到第i个诊疗操作信息对应的信息交互特征。
基于上述步骤22的第二种可能的实施方式的相关内容可知，在获取到融合编码Emerge和第i个诊疗操作信息对应的诊疗编码
Figure BDA0002941526580000151
之后，可以先将Emerge和
Figure BDA0002941526580000152
进行信息融合，得到第i个诊疗操作信息对应的病情匹配特征
Figure BDA0002941526580000153
再通过向量减法和向量乘法的方式，得到第i个诊疗操作信息对应的信息交互特征
Figure BDA0002941526580000154
(例如，该
Figure BDA0002941526580000158
可以为
Figure BDA0002941526580000156
以便后续能够依据该第i个诊疗操作信息对应的信息交互特征
Figure BDA0002941526580000157
确定该第i个诊疗操作信息的预测推测得分。
基于上述步骤21至步骤22的相关内容可知，对于每个诊疗操作信息来说，均可以采用上文步骤21至步骤22提供的诊疗操作信息的信息交互过程进行实施，以得到各个诊疗操作信息对应的信息交互特征，以便后续能够基于各个诊疗操作信息对应的信息交互特征，确定各个诊疗操作信息的预测推测得分。
在一种可能的实施方式中，第j个诊疗用药信息的信息交互过程(也就是，第j个诊疗用药信息对应的信息交互特征的确定过程)可以包括步骤41-步骤42：
步骤41：将病情编码和知识编码进行编码融合，得到融合编码。
需要说明的是，步骤41的相关内容请参见上文步骤21的相关内容。
步骤42：根据融合编码和第j个诊疗用药信息对应的诊疗编码，确定该第j个诊疗用药信息对应的信息交互特征。
其中，第j个诊疗用药信息对应的信息交互特征用于表征第j个诊疗用药信息是否适用于样本病情信息和医学知识图谱(也就是，表征第j个诊疗用药信息与样本病情信息以及医学知识图谱之间的匹配结果)。
另外，本申请实施例不限定步骤42的实施方式，为了便于理解，下面结合两种可能的实施方式进行说明。
在第一种可能的实施方式下，步骤42具体可以为：将融合编码和第j个诊疗药品信息对应的诊疗编码进行预设信息交互处理，得到第j个诊疗药品信息对应的信息交互特征。需要说明的是，“预设信息交互处理”的相关内容请参见上文步骤221。
在第二种可能的实施方式下，若Nall个候选诊疗信息包括N1个诊疗操作信息和N2个诊疗用药信息，则步骤42具体可以包括为：根据融合编码、N1个诊疗操作信息对应的信息交互特征和第j个诊疗用药信息对应的诊疗编码，确定第j个诊疗用药信息对应的信息交互特征。
其中，第j个诊疗用药信息对应的信息交互特征用于表征第j个诊疗用药信息是否适用于医学知识图谱、样本病情信息及其对应的诊疗操作信息(也就是，表征第j个诊疗用药信息与医学知识图谱、样本病情信息及其对应的诊疗操作信息之间的匹配结果)。
实际上，为了提高准确性，可以参考第j个诊疗用药信息与各个诊疗操作信息之间的匹配信息，确定第j个诊疗用药信息对应的信息交互特征，以使该第j个诊疗用药信息对应的信息交互特征的个数达到N1。基于此，本申请实施例还提供了步骤42的一种可能的实施方式，其具体可以包括步骤421-步骤422：
步骤421：将融合编码和第j个诊疗用药信息对应的诊疗编码进行信息交互，得到第j个诊疗用药信息对应的病情匹配特征。
其中，第j个诊疗用药信息对应的病情匹配特征用于表征第j个诊疗用药信息是否适用于样本病情信息和医学知识图谱(也就是，表征第j个诊疗用药信息与样本病情信息以及医学知识图谱之间的匹配结果)。
需要说明的是，本申请实施例不限定步骤421的实施方式，例如，步骤421具体可以为：将融合编码和第j个诊疗用药信息对应的诊疗编码进行预设信息交互处理，得到第j个诊疗用药信息对应的病情匹配特征。需要说明的是，“预设信息交互处理”的相关内容请参见上文步骤221。
步骤422：根据第j个诊疗用药信息对应的病情匹配特征、第i个诊疗操作信息对应的信息交互特征和第j个诊疗用药信息对应的诊疗编码，确定第j个诊疗用药信息对应的第i个信息交互特征。其中，i为正整数，且i≤N1；N1为正整数。
其中，第j个诊疗用药信息对应的第i个信息交互特征用于表征第j个诊疗用药信息是否适用于医学知识图谱、样本病情信息和第i个诊疗操作信息(也就是，表征第j个诊疗用药信息与医学知识图谱、样本病情信息和第i个诊疗操作信息之间的匹配结果)。
另外，本申请实施例还提供了获取第j个诊疗用药信息对应的第i个信息交互特征的一种可能的实施方式，其具体可以包括步骤51-步骤54：
步骤51：将第i个诊疗操作信息对应的信息交互特征和第j个诊疗用药信息对应的诊疗编码进行信息交互，得到第j个诊疗用药信息对应的第i个操作匹配特征。
其中，第j个诊疗用药信息对应的第i个操作匹配特征用于表征第j个诊疗用药信息是否适用于第i个诊疗操作信息(也就是，表征第j个诊疗用药信息与第i个诊疗操作信息之间的匹配结果)。
需要说明的是，本申请实施例不限定步骤51的实施方式，例如，步骤51具体可以为：将第i个诊疗操作信息对应的信息交互特征和第j个诊疗用药信息对应的诊疗编码进行预设信息交互处理，得到第j个诊疗用药信息对应的第i个操作匹配特征。需要说明的是，“预设信息交互处理”的相关内容请参见上文步骤221。
步骤52：将第j个诊疗用药信息对应的病情匹配特征与第j个诊疗用药信息对应的第i个操作匹配特征作差，得到第i个诊疗操作信息对应的第i个特征差值。
步骤53：将第j个诊疗用药信息对应的病情匹配特征与第j个诊疗用药信息对应的第i个操作匹配特征相乘，得到第i个诊疗操作信息对应的第i个特征乘积。
需要说明的是，步骤53可以采用上文步骤223的任一实施方式进行实施，只需将上文步骤223的任一实施方式中“第i个诊疗操作信息对应的诊疗编码”替换为“第j个诊疗用药信息对应的病情匹配特征”，“第i个诊疗操作信息对应的病情匹配特征”替换为“第j个诊疗用药信息对应的第i个操作匹配特征”，以及“第i个诊疗操作信息”替换为“第j个诊疗用药信息”即可。
步骤54：将第j个诊疗用药信息对应的病情匹配特征、第j个诊疗用药信息对应的第i个操作匹配特征、第i个诊疗操作信息对应的第i个特征差值、以及第i个诊疗操作信息对应的第i个特征乘积进行拼接，得到第j个诊疗用药信息对应的第i个信息交互特征。
基于上述步骤51至步骤54的相关内容可知，在获取到第j个诊疗用药信息对应的病情匹配特征
Figure BDA0002941526580000172
与该第j个诊疗用药信息对应的第i个操作匹配特征Mji之后，可以通过向量减法和向量乘法的方式，得到第j个诊疗用药信息对应的第i个信息交互特征Cji(例如，该Cji可以为
Figure BDA0002941526580000171
以便后续能够依据该第j个诊疗用药信息对应的第i个信息交互特征Cji，确定第j个诊疗用药信息的预测推测得分。
可见，对于每个诊疗用药信息来说，均可以采用上文步骤51至步骤54提供的诊疗用药信息的信息交互过程进行实施，以得到各个诊疗用药信息对应的信息交互特征，以便后续能够基于各个诊疗用药信息对应的信息交互特征，确定各个诊疗用药信息的预测推测得分。
需要说明的是，因N1个诊疗操作信息中通常只包括涉及药品的诊疗操作信息，故为了提高效率，可以将上文步骤42的第二种可能的实施方式中“N1个诊疗操作信息”替换为“N3个待匹配诊疗操作信息”，以及“诊疗操作信息”替换为“待匹配诊疗操作信息”。其中，待匹配诊疗操作信息是指涉及药品的诊疗操作信息。N3≤N1。
基于上述步骤13的相关内容可知，对于诊疗信息推荐模型来说，在将样本病情信息对应的病情编码、医学知识图谱对应的知识编码和候选诊疗信息对应的诊疗编码输入至诊疗信息推荐模型中交互层之后，可以利用该交互层对该病情编码、该知识编码和该诊疗编码进行信息交互，得到并输出该候选诊疗信息对应的信息交互特征，以使该候选诊疗信息对应的信息交互特征用于表征该候选诊疗信息是否适用于样本病情信息对应的诊疗过程。
步骤14：将候选诊疗信息对应的信息交互特征输入输出层，得到输出层输出的候选诊疗信息的预测推荐得分。
其中，输出层用于对该输出层的输入数据进行全连接处理，得到该输入数据的全连接结果。
候选诊疗信息的预测推荐得分用于表征该候选诊疗信息在样本病情信息对应的诊疗过程(也就是针对样本患者的诊疗过程)中预测被选择的可能性。
实际上，为了提高准确性，输出层可以针对不同类型的候选诊疗信息采用不同的全连接处理，而且针对相同类型的候选诊疗信息采用同一种全连接处理。例如，对于Nall个候选诊疗信息来说，若该Nall个候选诊疗信息包括N1个诊疗操作信息和/或N2个诊疗用药信息，则因诊疗操作信息与诊疗用药信息属于不同类型的候选诊疗信息，故输出层可以针对第1个诊疗操作信息至第N1个诊疗操作信息均采用相同的全连接过程，针对第1个诊疗用药信息和第N2个诊疗用药信息均采用相同的全连接过程，并针对第i个诊疗操作信息与第j个诊疗用药信息采用不同的全连接过程。其中，i为正整数，i≤N1，N1≤Nall；j为正整数，j≤N2，N2≤Nall。
本申请实施例不限定第i个诊疗操作信息的全连接过程，例如，第i个诊疗操作信息的全连接过程(也就是，第i个诊疗操作信息的预测推荐得分的确定过程)具体可以为：直接将第i个诊疗操作信息对应的信息交互特征进行预设全连接操作，得到该第i个诊疗操作信息的预测推荐得分，以使该第i个诊疗操作信息的预测推荐得分用于表征该第i个诊疗操作信息在样本病情信息对应的诊疗过程中预测被选择的可能性。
需要说明的是，本申请实施例不限定预设全连接操作，可以是现有的或者未来出现的任一种能够实现全连接的方法进行实施。
本申请实施例不限定第j个诊疗用药信息的全连接过程，例如，第j个诊疗用药信息的全连接过程(也就是，第j个诊疗用药信息的预测推荐得分的确定过程)具体可以为：直接将第j个诊疗用药信息对应的信息交互特征进行预设全连接操作，得到该第j个诊疗用药信息的预测推荐得分，以使该第j个诊疗用药信息的预测推荐得分用于表征该第j个诊疗用药信息在样本病情信息对应的诊疗过程中预测被选择的可能性。
又如，若第j个诊疗用药信息对应的信息交互特征的个数为N1(或者，N3)，则第j个诊疗用药信息的全连接过程(也就是，第j个诊疗用药信息的预测推荐得分的确定过程)具体可以为：首先，将第j个诊疗用药信息对应的第i个信息交互特征进行预设全连接操作，得到该第j个诊疗用药信息对应的第i个预测得分；其中，i为正整数，i≤N1(或者，N3)。然后，将第j个诊疗用药信息对应的第1个预测得分至第j个诊疗用药信息对应的第N1(或者，N3)个预测得分进行预设统计操作，得到第j个诊疗用药信息的预测推荐得分。
其中，预设统计操作可以预先设定，而且本申请实施例不限定预设统计操作，例如，预设统计操作可以为求和、取最大值、取最小值、取平均值、取中位值等等。
基于上述步骤11至步骤14的相关内容可知，对于诊疗信息推荐模型来说，在将样本病情信息、医学知识图谱、以及各个候选诊疗信息输入至诊疗信息推荐模型之后，该诊疗信息推荐模型可以按照上述步骤11至步骤14所提供的任一种预测过程(如图4所示的预测过程)来预测各个候选诊疗信息的预测推荐得分。
S103：判断是否达到预设停止条件，若是，则结束诊疗信息推荐模型的构建过程；若否，则执行S104。
其中，预设停止条件可以预先设定，而且本申请实施例不限定预设停止条件。例如，预设停止条件可以为候选诊疗信息的预测推荐得分与该候选诊疗信息的实际推荐得分之间的差值低于预设差值阈值，也可以为候选诊疗信息的预测推荐得分的变化率低于预设变化阈值，还可以为诊疗信息推荐模型的更新次数达到预设次数阈值。
本申请实施例中，对于当前轮的诊疗信息推荐模型来说，若确定当前轮的诊疗信息推荐模型达到预设停止条件，则可以确定当前轮的诊疗信息推荐模型具有较好的预测性能，故可以直接结束诊疗信息推荐模型的构建过程，并将当前轮的诊疗信息推荐模型进行保存和/或使用；若确定当前轮的诊疗信息推荐模型未达到预设停止条件，则可以确定当前轮的诊疗信息推荐模型具有较差的预测性能，故可以根据候选诊疗信息的预测推荐得分以及实际推荐得分更新诊疗信息推荐模型，以使该更新后的诊疗信息推荐模型能够具有更好的预测性能。
S104：根据候选诊疗信息的预测推荐得分和该候选诊疗信息的实际推荐得分，更新诊疗信息推荐模型，并返回S102。
本申请实施例中，在确定当前轮的诊疗信息推荐模型未达到预设停止条件之后，可以利用候选诊疗信息的预测推荐得分与该候选诊疗信息的实际推荐得分之间的差距，更新该诊疗信息推荐模型，以使该更新后的诊疗信息推荐模型能够具有更好的预测性能，并返回重新执行S102及其后续步骤。
基于上述S101至S104的相关内容可知，在本申请提供的诊疗信息推荐模型构建方法中，先获取样本病情信息、医学知识图谱、候选诊疗信息以及所述候选诊疗信息的实际推荐得分；再利用样本病情信息、医学知识图谱、候选诊疗信息及其实际推荐得分对诊疗信息推荐模型进行构建，以使构建好的诊疗信息推荐模型具有较好的预测性能。其中，因医学知识图谱全面记录了在医疗过程中可能涉及的所有病情的相关医学知识，使得基于该医学知识图谱训练得到的诊疗信息推荐模型能够依据该医学知识图谱中记录的医学知识进行诊疗信息推荐。
另外，在构建好诊疗信息推荐模型之后，可以利用该诊疗信息推荐模型针对不同患者的病情信息进行诊疗信息推荐。基于此，本申请实施例还提供了一种诊疗信息推荐方法，下面结合附图进行解释和说明。
方法实施例二
参见图5，该图为本申请实施例提供的一种诊疗信息推荐方法的流程图。
本申请实施例提供的诊疗信息推荐方法，包括S501-S503：
S501：获取待推荐病情信息、医学知识图谱以及候选诊疗信息。
待推荐病情信息用于描述目标患者的身体状况；而且本申请实施例不限定待推荐病情信息，例如，在一种可能的实施方式下，待推荐病情信息可以包括待推荐问诊信息和待推荐历史就诊信息。其中，待推荐问诊信息用于描述目标患者在待推荐时刻下的问诊信息。待推荐历史就诊信息用于描述目标患者在待推荐时刻之前的就诊信息，而且该待推荐历史就诊信息可以根据该目标患者在待推荐时刻之前的至少一次就诊过程所产生的各种信息进行确定。
需要说明的是，待推荐时刻下是指目标患者当前次问诊过程所经历的时刻。另外，问诊信息的相关内容以及就诊信息的相关内容分别请参见上文S101中“问诊信息”以及“就诊信息”的相关内容。
另外，医学知识图谱的相关内容以及候选诊疗信息的相关内容分别请参见上文S101中“医学知识图谱”以及“候选诊疗信息”的相关内容。
S502：将待推荐病情信息、医学知识图谱以及候选诊疗信息输入预先构建的诊疗信息推荐模型，得到诊疗信息推荐模型输出的该候选诊疗信息的预测选择得分。
其中，诊疗信息推荐模型可以利用本申请实施例提供的诊疗信息推荐模型构建方法的任一实施方式进行构建。另外，诊疗信息推荐模型的相关内容请参见上文S102中“诊疗信息推荐模型”的相关内容。
候选诊疗信息的预测选择得分用于表征该候选诊疗信息在待推荐病情信息对应的诊疗过程(也就是，针对目标患者实施的诊疗过程)中预测被选择的可能性。
本申请实施例中，在获取到待推荐病情信息之后，可以将该待推荐病情信息、预先存储的医学知识图谱以及各个候选诊疗信息均输入预先构建的诊疗信息推荐模型，以使该诊疗信息推荐模型分别预测各个候选诊疗信息的预测选择得分，以便后续能够基于各个候选诊疗信息的预测选择得分，确定出需要针对待推荐病情信息进行推荐的诊疗信息。
S503：根据候选诊疗信息的预测选择得分，确定目标诊疗信息。
其中，目标诊疗信息是指针对待推荐病情信息进行推荐的诊疗信息。
另外，本申请实施例不限定S503的实施方式，例如，在一种可能的实施方式中，S503具体可以为：将预测选择得分满足预设选择条件的各个候选诊疗信息均确定为目标诊疗信息。
其中，预设选择条件可以预先设定，例如，预设选择条件可以包括诊疗操作信息的预测选择得分高于第一阈值和/或诊疗用药信息的预测选择得分高于第二阈值。又如，若将所有诊疗操作信息的预测选择得分从高到低进行排序，得到各个诊疗操作信息的预测选择得分的排序位置，而且将所有诊疗用药信息的预测选择得分从高到低进行排序，得到各个诊疗用药信息的预测选择得分的排序位置，则预设选择条件可以包括诊疗操作信息的预测选择得分的排序位置高于第三阈值和/或诊疗用药信息的预测选择得分的排序位置高于第四阈值。还如，若将所有诊疗操作信息的预测选择得分从低到高进行排序，得到各个诊疗操作信息的预测选择得分的排序位置，而且将所有诊疗用药信息的预测选择得分从低到高进行排序，得到各个诊疗用药信息的预测选择得分的排序位置，则预设选择条件可以包括诊疗操作信息的预测选择得分的排序位置低于第五阈值和/或诊疗用药信息的预测选择得分的排序位置低于第六阈值。
可见，若Nall个候选诊疗信息包括N1个诊疗操作信息和N2个诊疗用药信息，则在获取到N1个诊疗操作信息的预测选择得分和N2个诊疗用药信息的预测选择得分之后，可以先从该N1个诊疗操作信息的预测选择得分和N2个诊疗用药信息的预测选择得分中筛选出满足预设选择条件的各个诊疗操作信息以及各个诊疗用药信息，再将筛选出的各个诊疗操作信息以及各个诊疗用药信息均确定为目标诊疗信息，并将所有目标诊疗信息均进行保存和/或显示，以便后续医生能够参考这些目标诊疗信息以及其他参考信息(例如，临床经验、相关检查和/或检验结果、药品使用标准等等)制定针对目标患者的诊疗方案。
基于上述S501至S503的相关内容可知，在本申请实施例提供的诊疗信息推荐方法中，在获取到目标患者的待推荐病情信息之后，可以先利用该待推荐病情信息、医学知识图谱以及所有候选诊疗信息均输入预先构建的诊疗信息推荐模型，以使该诊疗信息推荐模型能够预测并输出各个候选诊疗信息的预测选择得分；再依据各个候选诊疗信息的预测选择得分，从所有候选诊疗信息中筛选出满足预设选择条件的各个目标诊疗信息推荐给医生，以使该医生能够参考这些目标诊疗信息以及其他参考信息(例如，临床经验、相关检查和/或检验结果、药品使用标准等等)准确地制定出针对目标患者的诊疗方案。
可见，因医学知识图谱全面记录了在医疗过程中可能涉及的所有病情的相关医学知识，使得基于该医学知识图谱训练的诊疗信息推荐模型能够依据该医学知识图谱以及目标患者的待推荐病情信息，从大量候选诊疗信息中准确地推荐出适合该目标患者的目标诊疗信息，从而使得后续医生能够参考该诊疗信息以及其他参考信息(例如，临床经验、相关检查和/或检验结果、药品使用标准等等)制定出适合目标患者的诊疗方案，如此能够有效地解决因医生出现医学知识应用缺陷而导致诊疗方案的准确性较低的问题。
基于上述方法实施例提供的诊疗信息推荐模型构建方法，本申请实施例还提供了一种诊疗信息推荐模型构建装置，下面结合附图进行解释和说明。
装置实施例一
装置实施例一对诊疗信息推荐模型构建装置进行介绍，相关内容请参见上述方法实施例。
参见图6，该图为本申请实施例提供的一种诊疗信息推荐模型构建装置的结构示意图。
本申请实施例提供的诊疗信息推荐模型构建装置600，包括：
第一获取单元601，用于获取样本病情信息、医学知识图谱、候选诊疗信息以及所述候选诊疗信息的实际推荐得分；其中，所述样本病情信息用于描述样本患者的身体状况；
第一预测单元602，用于将所述样本病情信息、所述医学知识图谱、以及所述候选诊疗信息输入诊疗信息推荐模型，得到所述诊疗信息推荐模型输出的所述候选诊疗信息的预测推荐得分；
模型更新单元603，用于根据所述候选诊疗信息的预测推荐得分和所述候选诊疗信息的实际推荐得分，更新所述诊疗信息推荐模型，并返回所述第一预测单元602继续执行所述将所述样本病情信息、所述医学知识图谱、以及所述候选诊疗信息输入诊疗信息推荐模型，直至达到预设停止条件。
在一种可能的实施方式中，所述诊疗信息推荐模型包括输入层、编码层、交互层和输出层；
所述候选诊疗信息的预测推荐得分的确定过程包括：
将所述样本病情信息、所述医学知识图谱、以及所述候选诊疗信息输入所述输入层，得到所述输入层输出的所述样本病情信息对应的病情向量、所述医学知识图谱对应的知识向量和所述候选诊疗信息对应的诊疗向量；
将所述病情向量、所述知识向量和所述诊疗向量输入所述编码层，得到所述编码层输出的所述样本病情信息对应的病情编码、所述医学知识图谱对应的知识编码和所述候选诊疗信息对应的诊疗编码；
将所述病情编码、所述知识编码和所述诊疗编码输入所述交互层，得到所述交互层输出的所述候选诊疗信息对应的信息交互特征；
将所述候选诊疗信息对应的信息交互特征输入所述输出层，得到所述输出层输出的所述候选诊疗信息的预测推荐得分。
在一种可能的实施方式中，所述编码层包括病情编码子层、图谱编码子层和诊疗编码子层；
所述病情编码、所述知识编码和所述诊疗编码的确定过程包括：
将所述病情向量输入所述病情编码子层，得到所述病情编码子层输出的所述病情编码；
将所述知识向量输入所述图谱编码子层，得到所述图谱编码子层输出的所述知识编码；
将所述诊疗向量输入所述诊疗编码子层，得到所述诊疗编码子层输出的所述诊疗编码。
在一种可能的实施方式中，所述候选诊疗信息的个数为Nall，Nall个候选诊疗信息包括N1个诊疗操作信息和/或N2个诊疗用药信息；
第i个诊疗操作信息对应的信息交互特征的确定过程包括：
将所述病情编码和所述知识编码进行编码融合，得到融合编码；根据所述融合编码和所述第i个诊疗操作信息对应的诊疗编码，确定所述第i个诊疗操作信息对应的信息交互特征；其中，i为正整数，i≤N1，N1≤Nall；
第j个诊疗用药信息对应的信息交互特征的确定过程包括：
将所述病情编码和所述知识编码进行编码融合，得到融合编码；根据所述融合编码和所述第j个诊疗用药信息对应的诊疗编码，确定所述第j个诊疗用药信息对应的信息交互特征；其中，j为正整数，j≤N2，N2≤Nall。
在一种可能的实施方式中，所述根据所述融合编码和所述第i个诊疗操作信息对应的诊疗编码，确定所述第i个诊疗操作信息对应的信息交互特征，包括：
将所述融合编码和所述第i个诊疗操作信息对应的诊疗编码进行信息交互，得到所述第i个诊疗操作信息对应的病情匹配特征；
将所述第i个诊疗操作信息对应的诊疗编码与所述第i个诊疗操作信息对应的病情匹配特征作差，得到所述第i个诊疗操作信息对应的特征差值；
将所述第i个诊疗操作信息对应的诊疗编码与所述第i个诊疗操作信息对应的病情匹配特征相乘，得到所述第i个诊疗操作信息对应的特征乘积；
将所述第i个诊疗操作信息对应的诊疗编码、所述第i个诊疗操作信息对应的病情匹配特征、所述第i个诊疗操作信息对应的特征差值以及所述第i个诊疗操作信息对应的特征乘积进行拼接，得到所述第i个诊疗操作信息对应的信息交互特征。
在一种可能的实施方式中，若Nall个候选诊疗信息包括N1个诊疗操作信息和N2个诊疗用药信息，则所述根据所述融合编码和所述第j个诊疗用药信息对应的诊疗编码，确定所述第j个诊疗用药信息对应的信息交互特征，包括：
根据所述融合编码、N1个诊疗操作信息对应的信息交互特征和所述第j个诊疗用药信息对应的诊疗编码，确定所述第j个诊疗用药信息对应的信息交互特征。
在一种可能的实施方式中，若所述第j个诊疗用药信息对应的信息交互特征的个数为N1，则所述根据所述融合编码、N1个诊疗操作信息对应的信息交互特征和所述第j个诊疗用药信息对应的诊疗编码，确定所述第j个诊疗用药信息对应的信息交互特征，包括：
将所述融合编码和所述第j个诊疗用药信息对应的诊疗编码进行信息交互，得到所述第j个诊疗用药信息对应的病情匹配特征；
根据所述第j个诊疗用药信息对应的病情匹配特征、第i个诊疗操作信息对应的信息交互特征和所述第j个诊疗用药信息对应的诊疗编码，确定所述第j个诊疗用药信息对应的第i个信息交互特征；其中，i为正整数，且i≤N1。
在一种可能的实施方式中，所述根据所述第j个诊疗用药信息对应的病情匹配特征、第i个诊疗操作信息对应的信息交互特征和所述第j个诊疗用药信息对应的诊疗编码，确定所述第j个诊疗用药信息对应的第i个信息交互特征，包括：
将所述第i个诊疗操作信息对应的信息交互特征和所述第j个诊疗用药信息对应的诊疗编码进行信息交互，得到所述第j个诊疗用药信息对应的第i个操作匹配特征；
将所述第j个诊疗用药信息对应的病情匹配特征与所述第j个诊疗用药信息对应的第i个操作匹配特征作差，得到所述第i个诊疗操作信息对应的第i个特征差值；
将所述第j个诊疗用药信息对应的病情匹配特征与所述第j个诊疗用药信息对应的第i个操作匹配特征相乘，得到所述第i个诊疗操作信息对应的第i个特征乘积；
将所述第j个诊疗用药信息对应的病情匹配特征、所述第j个诊疗用药信息对应的第i个操作匹配特征、所述第i个诊疗操作信息对应的第i个特征差值、以及所述第i个诊疗操作信息对应的第i个特征乘积进行拼接，得到所述第j个诊疗用药信息对应的第i个信息交互特征。
基于上述方法实施例提供的诊疗信息推荐方法，本申请实施例还提供了一种诊疗信息推荐装置，下面结合附图进行解释和说明。
装置实施例二
装置实施例二对诊疗信息推荐装置进行介绍，相关内容请参见上述方法实施例。
参见图7，该图为本申请实施例提供的一种诊疗信息推荐装置的结构示意图。
本申请实施例提供的诊疗信息推荐装置700，包括：
第二获取单元701，用于获取待推荐病情信息、医学知识图谱以及候选诊疗信息；其中，所述待推荐病情信息用于描述目标患者的身体状况；
第二预测单元702，用于将所述待推荐病情信息、所述医学知识图谱以及所述候选诊疗信息输入预先构建的诊疗信息推荐模型，得到所述诊疗信息推荐模型输出的所述候选诊疗信息的预测选择得分；其中，所述诊疗信息推荐模型是利用本申请实施例提供的诊疗信息推荐模型构建方法的任一实施方式进行构建的；
信息推荐单元703，用于根据所述候选诊疗信息的预测选择得分，确定目标诊疗信息。
进一步地，本申请实施例还提供了一种诊疗信息推荐模型构建设备，包括：处理器、存储器、系统总线；
所述处理器以及所述存储器通过所述系统总线相连；
所述存储器用于存储一个或多个程序，所述一个或多个程序包括指令，所述指令当被所述处理器执行时使所述处理器执行上述诊疗信息推荐模型构建方法的任一种实现方法。
进一步地，本申请实施例还提供了一种诊疗信息推荐设备，包括：处理器、存储器、系统总线；
所述处理器以及所述存储器通过所述系统总线相连；
所述存储器用于存储一个或多个程序，所述一个或多个程序包括指令，所述指令当被所述处理器执行时使所述处理器执行上述诊疗信息推荐方法的任一种实现方法。
进一步地，本申请实施例还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中存储有指令，当所述指令在终端设备上运行时，使得所述终端设备执行上述诊疗信息推荐模型构建方法的任一种实现方法，或者执行上述诊疗信息推荐方法的任一种实现方法。
进一步地，本申请实施例还提供了一种计算机程序产品，所述计算机程序产品在终端设备上运行时，使得所述终端设备执行上述诊疗信息推荐模型构建方法的任一种实现方法，或者执行上述诊疗信息推荐方法的任一种实现方法。
通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到上述实施例方法中的全部或部分步骤可借助软件加必需的通用硬件平台的方式来实现。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可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，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，或者诸如媒体网关等网络通信设备，等等)执行本申请各个实施例或者实施例的某些部分所述的方法。
需要说明的是，本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、物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、物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、物品或者设备中还存在另外的相同要素。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (11)

1.一种诊疗信息推荐模型构建方法，其特征在于，所述方法包括：
获取样本病情信息、医学知识图谱、候选诊疗信息以及所述候选诊疗信息的实际推荐得分；其中，所述样本病情信息用于描述样本患者的身体状况；
将所述样本病情信息、所述医学知识图谱、以及所述候选诊疗信息输入诊疗信息推荐模型，得到所述诊疗信息推荐模型输出的所述候选诊疗信息的预测推荐得分；
根据所述候选诊疗信息的预测推荐得分和所述候选诊疗信息的实际推荐得分，更新所述诊疗信息推荐模型，并继续执行所述将所述样本病情信息、所述医学知识图谱、以及所述候选诊疗信息输入诊疗信息推荐模型的步骤，直至达到预设停止条件。
2.根据权利要求1所述的方法，其特征在于，所述诊疗信息推荐模型包括输入层、编码层、交互层和输出层；
所述候选诊疗信息的预测推荐得分的确定过程包括：
将所述样本病情信息、所述医学知识图谱、以及所述候选诊疗信息输入所述输入层，得到所述输入层输出的所述样本病情信息对应的病情向量、所述医学知识图谱对应的知识向量和所述候选诊疗信息对应的诊疗向量；
将所述病情向量、所述知识向量和所述诊疗向量输入所述编码层，得到所述编码层输出的所述样本病情信息对应的病情编码、所述医学知识图谱对应的知识编码和所述候选诊疗信息对应的诊疗编码；
将所述病情编码、所述知识编码和所述诊疗编码输入所述交互层，得到所述交互层输出的所述候选诊疗信息对应的信息交互特征；
将所述候选诊疗信息对应的信息交互特征输入所述输出层，得到所述输出层输出的所述候选诊疗信息的预测推荐得分。
3.根据权利要求2所述的方法，其特征在于，所述编码层包括病情编码子层、图谱编码子层和诊疗编码子层；
所述病情编码、所述知识编码和所述诊疗编码的确定过程包括：
将所述病情向量输入所述病情编码子层，得到所述病情编码子层输出的所述病情编码；
将所述知识向量输入所述图谱编码子层，得到所述图谱编码子层输出的所述知识编码；
将所述诊疗向量输入所述诊疗编码子层，得到所述诊疗编码子层输出的所述诊疗编码。
4.根据权利要求2所述的方法，其特征在于，所述候选诊疗信息的个数为Nall，Nall个候选诊疗信息包括N1个诊疗操作信息和/或N2个诊疗用药信息；
第i个诊疗操作信息对应的信息交互特征的确定过程包括：
将所述病情编码和所述知识编码进行编码融合，得到融合编码；根据所述融合编码和所述第i个诊疗操作信息对应的诊疗编码，确定所述第i个诊疗操作信息对应的信息交互特征；其中，i为正整数，i≤N1，N1≤Nall；
第j个诊疗用药信息对应的信息交互特征的确定过程包括：
将所述病情编码和所述知识编码进行编码融合，得到融合编码；根据所述融合编码和所述第j个诊疗用药信息对应的诊疗编码，确定所述第j个诊疗用药信息对应的信息交互特征；其中，j为正整数，j≤N2，N2≤Nall。
5.根据权利要求4所述的方法，其特征在于，所述根据所述融合编码和所述第i个诊疗操作信息对应的诊疗编码，确定所述第i个诊疗操作信息对应的信息交互特征，包括：
将所述融合编码和所述第i个诊疗操作信息对应的诊疗编码进行信息交互，得到所述第i个诊疗操作信息对应的病情匹配特征；
将所述第i个诊疗操作信息对应的诊疗编码与所述第i个诊疗操作信息对应的病情匹配特征作差，得到所述第i个诊疗操作信息对应的特征差值；
将所述第i个诊疗操作信息对应的诊疗编码与所述第i个诊疗操作信息对应的病情匹配特征相乘，得到所述第i个诊疗操作信息对应的特征乘积；
将所述第i个诊疗操作信息对应的诊疗编码、所述第i个诊疗操作信息对应的病情匹配特征、所述第i个诊疗操作信息对应的特征差值以及所述第i个诊疗操作信息对应的特征乘积进行拼接，得到所述第i个诊疗操作信息对应的信息交互特征。
6.根据权利要求4或5所述的方法，其特征在于，若Nall个候选诊疗信息包括N1个诊疗操作信息和N2个诊疗用药信息，则所述根据所述融合编码和所述第j个诊疗用药信息对应的诊疗编码，确定所述第j个诊疗用药信息对应的信息交互特征，包括：
根据所述融合编码、N1个诊疗操作信息对应的信息交互特征和所述第j个诊疗用药信息对应的诊疗编码，确定所述第j个诊疗用药信息对应的信息交互特征。
7.根据权利要求6所述的方法，其特征在于，若所述第j个诊疗用药信息对应的信息交互特征的个数为N1，则所述根据所述融合编码、N1个诊疗操作信息对应的信息交互特征和所述第j个诊疗用药信息对应的诊疗编码，确定所述第j个诊疗用药信息对应的信息交互特征，包括：
将所述融合编码和所述第j个诊疗用药信息对应的诊疗编码进行信息交互，得到所述第j个诊疗用药信息对应的病情匹配特征；
根据所述第j个诊疗用药信息对应的病情匹配特征、第i个诊疗操作信息对应的信息交互特征和所述第j个诊疗用药信息对应的诊疗编码，确定所述第j个诊疗用药信息对应的第i个信息交互特征；其中，i为正整数，且i≤N1。
8.根据权利要求7所述的方法，其特征在于，所述根据所述第j个诊疗用药信息对应的病情匹配特征、第i个诊疗操作信息对应的信息交互特征和所述第j个诊疗用药信息对应的诊疗编码，确定所述第j个诊疗用药信息对应的第i个信息交互特征，包括：
将所述第i个诊疗操作信息对应的信息交互特征和所述第j个诊疗用药信息对应的诊疗编码进行信息交互，得到所述第j个诊疗用药信息对应的第i个操作匹配特征；
将所述第j个诊疗用药信息对应的病情匹配特征与所述第j个诊疗用药信息对应的第i个操作匹配特征作差，得到所述第i个诊疗操作信息对应的第i个特征差值；
将所述第j个诊疗用药信息对应的病情匹配特征与所述第j个诊疗用药信息对应的第i个操作匹配特征相乘，得到所述第i个诊疗操作信息对应的第i个特征乘积；
将所述第j个诊疗用药信息对应的病情匹配特征、所述第j个诊疗用药信息对应的第i个操作匹配特征、所述第i个诊疗操作信息对应的第i个特征差值、以及所述第i个诊疗操作信息对应的第i个特征乘积进行拼接，得到所述第j个诊疗用药信息对应的第i个信息交互特征。
9.一种诊疗信息推荐方法，其特征在于，所述方法包括：
获取待推荐病情信息、医学知识图谱以及候选诊疗信息；其中，所述待推荐病情信息用于描述目标患者的身体状况；
将所述待推荐病情信息、所述医学知识图谱以及所述候选诊疗信息输入预先构建的诊疗信息推荐模型，得到所述诊疗信息推荐模型输出的所述候选诊疗信息的预测选择得分；其中，所述诊疗信息推荐模型是利用权利要求1至8任一项所述的诊疗信息推荐模型构建方法进行构建的；
根据所述候选诊疗信息的预测选择得分，确定目标诊疗信息。
10.一种诊疗信息推荐模型构建装置，其特征在于，所述装置包括：
第一获取单元，用于获取样本病情信息、医学知识图谱、候选诊疗信息以及所述候选诊疗信息的实际推荐得分；其中，所述样本病情信息用于描述样本患者的身体状况；
第一预测单元，用于将所述样本病情信息、所述医学知识图谱、以及所述候选诊疗信息输入诊疗信息推荐模型，得到所述诊疗信息推荐模型输出的所述候选诊疗信息的预测推荐得分；
模型更新单元，用于根据所述候选诊疗信息的预测推荐得分和所述候选诊疗信息的实际推荐得分，更新所述诊疗信息推荐模型，并返回所述第一预测单元继续执行所述将所述样本病情信息、所述医学知识图谱、以及所述候选诊疗信息输入诊疗信息推荐模型，直至达到预设停止条件。
11.一种诊疗信息推荐装置，其特征在于，所述装置包括：
第二获取单元，用于获取待推荐病情信息、医学知识图谱以及候选诊疗信息；其中，所述待推荐病情信息用于描述目标患者的身体状况；
第二预测单元，用于将所述待推荐病情信息、所述医学知识图谱以及所述候选诊疗信息输入预先构建的诊疗信息推荐模型，得到所述诊疗信息推荐模型输出的所述候选诊疗信息的预测选择得分；其中，所述诊疗信息推荐模型是利用权利要求1至8任一项所述的诊疗信息推荐模型构建方法进行构建的；
信息推荐单元，用于根据所述候选诊疗信息的预测选择得分，确定目标诊疗信息。
CN202110179585.8A 2021-02-08 诊疗信息推荐模型构建方法、诊疗信息推荐方法及装置 Active CN112786198B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110179585.8A CN112786198B (zh) 2021-02-08 诊疗信息推荐模型构建方法、诊疗信息推荐方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110179585.8A CN112786198B (zh) 2021-02-08 诊疗信息推荐模型构建方法、诊疗信息推荐方法及装置

Publications (2)

Publication Number Publication Date
CN112786198A true CN112786198A (zh) 2021-05-11
CN112786198B CN112786198B (zh) 2024-05-31

Family

ID=

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113535974A (zh) * 2021-06-28 2021-10-22 科大讯飞华南人工智能研究院（广州）有限公司 诊断推荐方法及相关装置、电子设备、存储介质
CN113570432A (zh) * 2021-07-28 2021-10-29 北京达佳互联信息技术有限公司 资源推荐确定方法、装置、设备及存储介质
CN113990460A (zh) * 2021-09-07 2022-01-28 安徽科大讯飞医疗信息技术有限公司 问诊推荐方法、计算机设备及存储装置
CN114328979A (zh) * 2022-03-14 2022-04-12 北京泽桥医疗科技股份有限公司 一种基于医学知识图谱的医学点数字数据推荐算法
CN116631573A (zh) * 2023-07-25 2023-08-22 讯飞医疗科技股份有限公司 一种处方用药审核方法、装置、设备及存储介质
CN116665865A (zh) * 2023-06-13 2023-08-29 爱汇葆力(广州)数据科技有限公司 基于大数据实现陪诊人员的信息智能管理方法及系统
CN113780097B (zh) * 2021-08-17 2023-12-01 北京数慧时空信息技术有限公司 基于知识图谱和深度学习的耕地提取方法

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080177578A1 (en) * 2000-03-10 2008-07-24 Zakim David S System and method for obtaining, processing and evaluating patient information for diagnosing disease and selecting treatment
US20180342323A1 (en) * 2016-03-23 2018-11-29 HealthPals, Inc. Machine learning for collaborative medical data metrics
CN109920508A (zh) * 2018-12-28 2019-06-21 安徽省立医院 处方审核方法及系统
CN109978022A (zh) * 2019-03-08 2019-07-05 腾讯科技（深圳）有限公司 一种医疗文本信息处理方法及装置、存储介质
CN110297908A (zh) * 2019-07-01 2019-10-01 中国医学科学院医学信息研究所 诊疗方案预测方法及装置
CN110459320A (zh) * 2019-08-20 2019-11-15 山东众阳健康科技集团有限公司 一种基于知识图谱的辅助诊疗系统
US20200118682A1 (en) * 2018-10-12 2020-04-16 Fujitsu Limited Medical diagnostic aid and method
CN111191020A (zh) * 2019-12-27 2020-05-22 江苏省人民医院（南京医科大学第一附属医院） 基于机器学习和知识图谱的处方推荐方法和系统
CN111753543A (zh) * 2020-06-24 2020-10-09 北京百度网讯科技有限公司 药物推荐方法、装置、电子设备及存储介质
CN111899828A (zh) * 2020-07-31 2020-11-06 青岛百洋智能科技股份有限公司 一种知识图谱驱动的乳腺癌诊疗方案推荐系统
CN111951955A (zh) * 2020-08-13 2020-11-17 神州数码医疗科技股份有限公司 一种基于规则推理的临床决策支持系统构建方法及装置
CN112133425A (zh) * 2020-09-11 2020-12-25 北京欧应信息技术有限公司 一种基于智能推荐辅助医生优化诊疗过程的系统
CN112148882A (zh) * 2020-11-27 2020-12-29 北京惠及智医科技有限公司 病历文本处理方法、装置、电子设备及存储介质
CN112242187A (zh) * 2020-10-26 2021-01-19 平安科技（深圳）有限公司 基于知识图谱表征学习的医疗方案推荐系统及方法

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080177578A1 (en) * 2000-03-10 2008-07-24 Zakim David S System and method for obtaining, processing and evaluating patient information for diagnosing disease and selecting treatment
US20180342323A1 (en) * 2016-03-23 2018-11-29 HealthPals, Inc. Machine learning for collaborative medical data metrics
US20200118682A1 (en) * 2018-10-12 2020-04-16 Fujitsu Limited Medical diagnostic aid and method
CN109920508A (zh) * 2018-12-28 2019-06-21 安徽省立医院 处方审核方法及系统
CN109978022A (zh) * 2019-03-08 2019-07-05 腾讯科技（深圳）有限公司 一种医疗文本信息处理方法及装置、存储介质
CN110297908A (zh) * 2019-07-01 2019-10-01 中国医学科学院医学信息研究所 诊疗方案预测方法及装置
CN110459320A (zh) * 2019-08-20 2019-11-15 山东众阳健康科技集团有限公司 一种基于知识图谱的辅助诊疗系统
CN111191020A (zh) * 2019-12-27 2020-05-22 江苏省人民医院（南京医科大学第一附属医院） 基于机器学习和知识图谱的处方推荐方法和系统
CN111753543A (zh) * 2020-06-24 2020-10-09 北京百度网讯科技有限公司 药物推荐方法、装置、电子设备及存储介质
CN111899828A (zh) * 2020-07-31 2020-11-06 青岛百洋智能科技股份有限公司 一种知识图谱驱动的乳腺癌诊疗方案推荐系统
CN111951955A (zh) * 2020-08-13 2020-11-17 神州数码医疗科技股份有限公司 一种基于规则推理的临床决策支持系统构建方法及装置
CN112133425A (zh) * 2020-09-11 2020-12-25 北京欧应信息技术有限公司 一种基于智能推荐辅助医生优化诊疗过程的系统
CN112242187A (zh) * 2020-10-26 2021-01-19 平安科技（深圳）有限公司 基于知识图谱表征学习的医疗方案推荐系统及方法
CN112148882A (zh) * 2020-11-27 2020-12-29 北京惠及智医科技有限公司 病历文本处理方法、装置、电子设备及存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
FAN GONG ET AL.: "SMR: Medical Knowledge Graph Embedding for Safe Medicine Recommendation", 《BIG DATA RESEARCH》, pages 1 - 8 *
胡德华 等: "基于诊疗知识库和电子病历的整合推荐方法研究", 《中国医学物理学杂志》, vol. 36, no. 4, pages 492 - 496 *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113535974A (zh) * 2021-06-28 2021-10-22 科大讯飞华南人工智能研究院（广州）有限公司 诊断推荐方法及相关装置、电子设备、存储介质
CN113535974B (zh) * 2021-06-28 2024-04-09 科大讯飞华南人工智能研究院（广州）有限公司 诊断推荐方法及相关装置、电子设备、存储介质
CN113570432A (zh) * 2021-07-28 2021-10-29 北京达佳互联信息技术有限公司 资源推荐确定方法、装置、设备及存储介质
CN113780097B (zh) * 2021-08-17 2023-12-01 北京数慧时空信息技术有限公司 基于知识图谱和深度学习的耕地提取方法
CN113990460A (zh) * 2021-09-07 2022-01-28 安徽科大讯飞医疗信息技术有限公司 问诊推荐方法、计算机设备及存储装置
CN113990460B (zh) * 2021-09-07 2023-02-17 安徽讯飞医疗股份有限公司 问诊推荐方法、计算机设备及存储装置
CN114328979A (zh) * 2022-03-14 2022-04-12 北京泽桥医疗科技股份有限公司 一种基于医学知识图谱的医学点数字数据推荐算法
CN116665865A (zh) * 2023-06-13 2023-08-29 爱汇葆力(广州)数据科技有限公司 基于大数据实现陪诊人员的信息智能管理方法及系统
CN116665865B (zh) * 2023-06-13 2023-12-26 爱汇葆力(广州)数据科技有限公司 基于大数据实现陪诊人员的信息智能管理方法及系统
CN116631573A (zh) * 2023-07-25 2023-08-22 讯飞医疗科技股份有限公司 一种处方用药审核方法、装置、设备及存储介质

Similar Documents

Publication Publication Date Title
US11810671B2 (en) System and method for providing health information
US11881293B2 (en) Methods for automatic cohort selection in epidemiologic studies and clinical trials
Moons et al. Transparent Reporting of a multivariable prediction model for Individual Prognosis or Diagnosis (TRIPOD): explanation and elaboration
CN101031921B (zh) 用于临床指南和用于根据不同抽象等级导航临床指南的决策支持系统
US20110202486A1 (en) Healthcare Information Technology System for Predicting Development of Cardiovascular Conditions
JP7010946B2 (ja) 健康状態の計算解析を容易化するシステム及び方法
JP2018503902A (ja) 診断妥当性基準を採用することによって病態を特定するための診断検査の最適なシーケンスを決定することに適合した医用鑑別診断装置
US20140095204A1 (en) Automated medical cohort determination
EP1941444A1 (en) Matrix interface for medical diagnostic and treatment advice system and method
US10424403B2 (en) Adaptive medical documentation system
CN112201360B (zh) 慢病随访记录收集方法、装置、设备及存储介质
US20200058408A1 (en) Systems, methods, and apparatus for linking family electronic medical records and prediction of medical conditions and health management
WO2020172607A1 (en) Systems and methods for using deep learning to generate acuity scores for critically ill or injured patients
CN112951362A (zh) 药物推荐方法、装置、设备及存储介质
Herrin et al. Comparative effectiveness of machine learning approaches for predicting gastrointestinal bleeds in patients receiving antithrombotic treatment
Liu et al. Leveraging large-scale electronic health records and interpretable machine learning for clinical decision making at the emergency department: protocol for system development and validation
CN111145909A (zh) 诊疗数据处理方法与装置、存储介质、电子设备
CN112786131A (zh) 识别就诊信息的方法及装置、电子设备和存储介质
CN113096756B (zh) 病情演变分类方法、装置、电子设备和存储介质
CN117216322A (zh) 一种电子病历的生成方法、装置、设备及存储介质
JP7315165B2 (ja) 診断支援システム
CN112786198B (zh) 诊疗信息推荐模型构建方法、诊疗信息推荐方法及装置
CN114078576B (zh) 临床辅助决策方法、装置、设备及介质
US10431331B1 (en) Computer-executable application that is configured to process cross-clinical genomics data
CN113066531B (zh) 风险预测方法、装置、计算机设备及存储介质

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
CB02 Change of applicant information
CB02 Change of applicant information

Address after: NO.666, Wangjiang West Road, hi tech Zone, Hefei City, Anhui Province

Applicant after: IFLYTEK Co.,Ltd.

Applicant after: Anhui Xunfei Medical Co.,Ltd.

Applicant after: ANHUI PROVINCIAL Hospital

Address before: NO.666, Wangjiang West Road, hi tech Zone, Hefei City, Anhui Province

Applicant before: IFLYTEK Co.,Ltd.

Applicant before: ANHUI IFLYTEK MEDICAL INFORMATION TECHNOLOGY CO.,LTD.

Applicant before: ANHUI PROVINCIAL Hospital

CB02 Change of applicant information
CB02 Change of applicant information

Address after: NO.666, Wangjiang West Road, hi tech Zone, Hefei City, Anhui Province

Applicant after: IFLYTEK Co.,Ltd.

Applicant after: IFLYTEK Medical Technology Co.,Ltd.

Applicant after: ANHUI PROVINCIAL Hospital

Address before: NO.666, Wangjiang West Road, hi tech Zone, Hefei City, Anhui Province

Applicant before: IFLYTEK Co.,Ltd.

Applicant before: Anhui Xunfei Medical Co.,Ltd.

Applicant before: ANHUI PROVINCIAL Hospital

GR01 Patent grant