CN113035350A - 一种基于知识抽取的医学决策支持方法和系统 - Google Patents

一种基于知识抽取的医学决策支持方法和系统 Download PDF

Info

Publication number
CN113035350A
CN113035350A CN202110334381.7A CN202110334381A CN113035350A CN 113035350 A CN113035350 A CN 113035350A CN 202110334381 A CN202110334381 A CN 202110334381A CN 113035350 A CN113035350 A CN 113035350A
Authority
CN
China
Prior art keywords
acupuncture
information
ontology
medical
interface
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
CN202110334381.7A
Other languages
English (en)
Other versions
CN113035350B (zh
Inventor
沈颖
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.)
Peking University Shenzhen Graduate School
Original Assignee
Peking University Shenzhen Graduate School
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 Peking University Shenzhen Graduate School filed Critical Peking University Shenzhen Graduate School
Priority to CN202110334381.7A priority Critical patent/CN113035350B/zh
Publication of CN113035350A publication Critical patent/CN113035350A/zh
Application granted granted Critical
Publication of CN113035350B publication Critical patent/CN113035350B/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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/3331—Query processing
    • G06F16/334—Query execution
    • G06F16/3344—Query execution using natural language analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
    • G06F16/367—Ontology
    • 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
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/40—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to mechanical, radiation or invasive therapies, e.g. surgery, laser therapy, dialysis or acupuncture
    • 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)
  • Data Mining & Analysis (AREA)
  • Public Health (AREA)
  • Databases & Information Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Biomedical Technology (AREA)
  • Pathology (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Animal Behavior & Ethology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Surgery (AREA)
  • Urology & Nephrology (AREA)
  • Artificial Intelligence (AREA)
  • Medical Treatment And Welfare Office Work (AREA)
  • Finger-Pressure Massage (AREA)

Abstract

一种基于知识抽取的医学决策支持方法和系统；本发明设计了一种本体驱动的临床决策支持系统，以协助缺血性中风领域的针灸治疗计划并提供临床决策支持。本发明在针灸和缺血性卒中领域中建立了与临床阶段信息相关的本体。基于本体，该决策支持系统思量治疗方法、穴位、施针力度等，并考量病人过往治疗方案，从而探索患者个性化的针灸治疗方法。最后，基于链接关系的优化排序算法，从而将当前病例与已有病例进行匹配，对已有病例进行排序并参考其治疗方案。所提出的决策支持系统可以通过本体推理推荐最相关的治疗建议，有助于缺血性卒中治疗的决策。诊断制定和治疗计划的可视化有利于促进针灸从个体化的经验知识到大规模循证医学的发展。

Description

一种基于知识抽取的医学决策支持方法和系统
技术领域
本发明涉及基于交互学习和多智能体去噪的弱监督知识抽取领域，具体涉及一种基于知识抽取的医学决策支持方法和系统。
背景技术
针灸是一种治疗方法。中风，是指流向大脑的血液不足导致细胞死亡。中风有两种主要类型：由于缺乏血流引起的缺血性脑卒中和由于出血引起的出血性脑卒中。在2013年度，有着640万人的死亡人数(占总数的12％)的中风，是仅次于冠状动脉疾病的第二大死亡原因。目前每年全球大约690万人患有缺血性中风，340万人患有出血性中风。
将细针通过穴位插入体内，针灸可以提高中风患者的意识，缓解肢体僵硬和提升自我管理能力。针灸可以减少副作用，并在康复期间提供长期的有益效果。然而，在针灸研究中，基于非结构化的临床信息处理和患者模糊描述的穴位自动选择研究仍然具有挑战性。
与决策支持系统在西医领域的蓬勃发展研究不同，针灸的智能自动诊断仍未得到充分开发。已有的研究使用TF-IDF方法来分析穴位与疾病模式之间的关联；基于特征工程的数据挖掘发现穴位和穴位组合；组合使用统计学方法，先验关联规则和k核方法以分析穴位和探索血管性痴呆综合征之间的关系。
如上所述，“与决策支持系统在西医领域的蓬勃发展研究不同，针灸的智能自动诊断仍未得到充分开发”，因此这种现状需要被改变。
发明内容
针对上述问题，本发明提供一种基于知识抽取的医学决策支持方法和系统。
根据第一方面，一种实施例中提供一种基于知识抽取的医学决策支持方法，包括：
控制生成选择身体状况的第一界面，用于供用户选择身体状况；
响应于用户在第一界面选择的身体状况，接收用户所选择的身体状况信息，并产生用于疼痛区域和僵硬部位选择的第二界面；
响应于用户在所述第二界面选择的疼痛区域和僵硬部位，接收用户所选择的疼痛区域和僵硬部位的信息，并产生用于疼痛持续时间选择的第三界面；
响应于用户在所述第三界面选择的疼痛持续时间，接收用户所选择的疼痛持续时间的信息，并产生用于过敏信息输入和症状选择的第四界面；
响应于用户所输入的过敏信息和选择的症状，接收用户所输入的过敏信息和选择的症状的信息，并产生用于体征信息选择的第五界面；
响应于用户在所述第五界面所选择的体征信息，接收用户所选择的体征信息；
根据患者的病历信息，和预先建立的针灸本体，以生成初步诊断结果和针灸治疗方案；其中所述患者的病历信息包括通过所述第一界面、第二界面、第三界面、第四界面和第五界面分别接收到的身体状况信息、疼痛区域和僵硬部位的信息、疼痛持续时间的信息、过敏信息和选择的症状的信息、体征信息；
控制生成第六界面，以显示所述初步诊断结果和针灸治疗方案；
其中，所述针灸本体通过以下方式被建立：
获取医疗记录、针灸处方和多个数据库中有关针灸治疗缺血性卒中的数据，所述针灸处方数据包括涉及诊断为缺血性中风的成年参与者的临床病例；
使用词法语义注释器将名称、属性、注释和描述附加到文本上，并提供有关所述数据的元数据；
根据所述注释，生成针灸本体的三元组，以记录医疗实体及其相应的信息；
根据所述本体的三元组生成针灸本体，所述针灸本体包括由临床体征所描述的症状相关的实体和概念。
根据第二方面，一种实施例中提供一种基于知识抽取的医学决策支持方法，包括：
获取用户输入的待诊断的患者的病历信息；
根据患者的病历信息，和预先建立的针灸本体，以生成初步诊断结果和针灸治疗方案；
其中，所述针灸本体通过以下方式被建立：
获取医疗记录、针灸处方和多个数据库中有关针灸治疗缺血性卒中的数据，所述针灸处方数据包括涉及诊断为缺血性中风的成年参与者的临床病例；
使用词法语义注释器将名称、属性、注释和描述附加到文本上，并提供有关所述数据的元数据；
根据所述注释，生成针灸本体的三元组，以记录医疗实体及其相应的信息；
根据所述本体的三元组生成针灸本体，所述针灸本体包括由临床体征所描述的症状相关的实体和概念。
在一实施例中，所述生成初步诊断结果和针灸治疗方案，包括：
将所述病历信息与本体的实体和概念相匹配，得到相匹配的病因、严重程度和施针位置；
根据所述病因和严重程度得到初步诊断结果；
根据所述病因、严重程度和施针位置选择针灸方式；
根据选择的针灸方式得到针灸治疗方案。
在一实施例中，所述方法还包括：
获取已有病例；
将当前病历与已有病例进行匹配，以对已有病例进行排序；
控制显示排序后的已有病例及其治疗方案。
在一实施例中，所述将当前病历与已有病例进行匹配，以对已有病例进行排序，包括：
将当前病历的文本信息Q(q1，q2，...，qn)与已构建的本体实体C(c1，c2，...，cm)相匹配；
若能匹配，则将本体实体信息添加到搜索集S(s1，s2，s3...)中；
若不能匹配，则采用评估函数A(c，Q|T)评估本体实体C(c1，c2，...，cm)与病历文本关键字Q(q1，q2，...，qn)之间的关联程度，其中T表示要检索的文本集，文本中q和c的共现频率定义为fqc(c，q|T)＝tf(c|D)*tf(d||D)，其中tf(*|D)表示概念或单词出现在文本T中的次数，评估函数的计算公式为：
A(C，Q|T)＝A(C，Q|T)＝∑q∈Qidf(q|T)idf(c|T)log(fqc(c，q|T)+1.0)
其中，idf(q|T)和idf(c|T)表示概念或单词在文本T中的逆向文件频率；
将出现率最高的前K个本体实体添加到搜索集S(s1，s2，s3...)中，然后将文本关键字和搜索集都作为扩展文本词；
对搜索集S(s1，s2，s3...)中各已有病例进行W值的计算，其中W＝α*W1+(1-α)*W2，其中，α为大于0且小于1的预设常数，所述W1为使用TF-IDF方法计算获得的词频的权重系数，所述W2为与两个实体之间的语义相关长度有关的语义的权重系数，计算W2时，将所有关系权重设置为1来查找实体之间的最短路径；
根据搜索集S(s1，s2，s3...)中各已有病例的W值，对搜索集S(s1，s2，s3...)中各已有病例进行排序。
根据第三方面，一种实施例中提供一种基于知识抽取的医学决策支持系统，包括：
存储器，用于存储程序；
处理器，用于通过执行所述存储器存储的程序以实现本文中任一实施例所述的方法；
显示器，用于显示。
根据第四方面，一种实施例中提供一种计算机可读存储介质，包括程序，所述程序能够被处理器执行以实现本文中任一实施例所述的方法。
依据上述实施例的基于知识抽取的医学决策支持方法和系统，由于在针灸和缺血性卒中领域中建立了与临床阶段信息相关的本体，从而获取患者个性化的针灸治疗方案和初步诊断结果，使得该发明能够给出诊断制定和可视化治疗方案，促进针灸从个体化的经验知识到大规模循证医学的发展。
附图说明
图1为一种实施例的基于知识抽取的医学决策支持方法的流程图；
图2为一种实施例的基于知识抽取的医学决策支持方法中“针灸本体”的建立的流程图；图3为一种实施例中针灸本体的示意图；
图4为一种实施例的基于知识抽取的医学决策支持方法中“生成初步诊断结果和针灸治疗方案”的流程图；
图5为一种实施例的基于知识抽取的医学决策支持方法中的“将当前病历与已有病例进行匹配，以对已有病例进行排序”的流程图；
图6为另一种实施例的基于知识抽取的医学决策支持方法的流程图；
图7为一种实施例中产生的第一界面的示意图；
图8为一种实施例中产生的第二界面的示意图；
图9为一种实施例中产生的第三界面的示意图；
图10为一种实施例中产生的第四界面的示意图；
图11为一种实施例中产生的第五界面的示意图；
图12为一种实施例中产生的第六界面的示意图；
图13为一种实施例中产生的第七界面的示意图；
图14为一种实施例的基于知识抽取的医学决策支持系统的结构示意图。
具体实施方式
下面通过具体实施方式结合附图对本发明作进一步详细说明。其中不同实施方式中类似元件采用了相关联的类似的元件标号。在以下的实施方式中，很多细节描述是为了使得本申请能被更好的理解。然而，本领域技术人员可以毫不费力的认识到，其中部分特征在不同情况下是可以省略的，或者可以由其他元件、材料、方法所替代。在某些情况下，本申请相关的一些操作并没有在说明书中显示或者描述，这是为了避免本申请的核心部分被过多的描述所淹没，而对于本领域技术人员而言，详细描述这些相关操作并不是必要的，他们根据说明书中的描述以及本领域的一般技术知识即可完整了解相关操作。
另外，说明书中所描述的特点、操作或者特征可以以任意适当的方式结合形成各种实施方式。同时，方法描述中的各步骤或者动作也可以按照本领域技术人员所能显而易见的方式进行顺序调换或调整。因此，说明书和附图中的各种顺序只是为了清楚描述某一个实施例，并不意味着是必须的顺序，除非另有说明其中某个顺序是必须遵循的。
本文中为部件所编序号本身，例如“第一”、“第二”等，仅用于区分所描述的对象，不具有任何顺序或技术含义。而本申请所说“连接”、“联接”，如无特别说明，均包括直接和间接连接(联接)。
针对决策支持系统，最近的一些研究开始使用本体驱动的临床决策支持系统以更好地学习语义信息并进行知识推理。例如，将基因本体论，UMLS和SNOMED用于辅助实际诊断。在中医中，有两个有用的知识库：中医语言系统(TCMLS)和基于知识的中医诊断系统(CMDS)。TCMLS是一个大规模的计算机语言系统，包含大约100,000个概念，300,000个术语和127万个语义关系。CMDS基于具有消化系统疾病领域知识的综合医学本体。这些本体论是医学上的巨大成就，但它们缺乏或包含不完整的针灸数据。
发明人考虑将人工智能和中医结合，来进行相应本体的构建，以及进一步构建决策支持系统。对于针对决策支持系统，目前基于非结构化的临床信息处理和患者模糊描述的穴位自动选择研究仍然具有挑战性和现有医学本体论中缺乏或包含不完整的针灸数据。因此，本发明一些实施例中，首先构建针灸本体，该结构化本体中的OWL函数(如等效，继承和包含)增强了疾病和针灸各概念的表示能力，从而减少临床推理的歧义和更好地处理用户查询；进一步，基于该本体中的缺血性卒中知识，本发明构建了关于针灸的医学决策支持系统，再进一步地，还设计了一种基于链接关系的优化排序算法，以对查询结果进行排序并显示最相关的结果。
请参考图1，本发明一实施例中提供一种基于知识抽取的医学决策支持方法，其包括步骤S110-S140，其中有些步骤不是必需的，在具体说明某一具体步骤时还会详细说明这一点。
步骤S110：获取用户输入的待诊断的患者的病历信息。在一实施例中，病历信息包括患者的身体状况、疼痛区域、僵硬部位、疼痛持续时间、过敏信息、症状和体征中的一者或多者。
步骤S120：根据患者的病历信息，和预先建立的针灸本体，以生成初步诊断结果和针灸治疗方案。
本发明的核心之一在于建立针灸本体，而构建针灸本体的核心思想是分析穴位与疾病模式之间的关联，解释穴位与证候之间的对应关系，以更好地学习医案和病历的语义信息。下面对如何建立步骤S120所涉及的针灸本体进行说明。
请参考图2，一实施例中，针灸本体的建立包括步骤S710-S740，下面具体说明。
步骤S710：获取医疗记录、针灸处方和多个数据库中有关针灸治疗缺血性卒中的数据。在一实施例中，医疗记录为与缺血性卒中相关的医疗记录——一个例子中，本发明获取了基于与缺血性中风相关的60,000份医疗记录；数据库包括医学文献检索服务系统PubMed(1966-2016)、中国生物医学词典SinoMed(1978-2016)和中国知网CNKI(1999-2016)，针灸处方包括涉及诊断为缺血性中风的成年参与者的临床病例。
步骤S720：使用语法语义注释器将名称、属性、注释和描述附加到文本上，并提供有关所述数据的元数据。例如，对于廉泉穴，该方法可识别并提取了几种类别的类型，包括穴位名称“廉泉穴”，穴位代码“RN23”，参考文献“黄帝内经”，功能“主治舌下肿痛，舌根急缩，舌强，中风失语等症”。
步骤S730：根据上述注释，生成针灸本体的三元组。例如，<主治，廉泉，舌肿>是指穴位廉泉可用于治疗舌肿。
在一实施例中，使用Protégé作为本体开发工具，并采用Jena作为推理引擎来推理本体中的语义关系。已使用的Jena功能包括RDF读写功能、本体处理功能和基于规则的推理功能。以下OWL函数用于改进三元组推理：
(1)等效函数。医学中的同一事物可能存在多个名称。OWL属性owl:equivalentClass语句通常用于本体之间的定义映射，owl:equivalentClass将一个类描述链接到另一个类描述，这表明两个标识(URI)引用实际上引用了相同的概念，即它们具有相同的类扩展名。
(2)继承函数。在本体中，继承关系以三元组<C1，rdfs：subClassOf，C2>的形式在分类层次中进行定义，显示了C1和C2之间的从属关系。
(3)证候纳入。每个针灸文献可能包含许多穴位，针灸同一穴位可能对不同的疾病有效果，因此带有多个注释组合的标记穴位可能会以不同的三元组出现。OWL内置属性owl:unionOf将类链接到类描述列表，owl:unionOf语句描述了一个匿名类，其扩展名包括那些出现在列表中包含至少一个类说明的类扩展名中的个体。
步骤S740：根据本体的三元组生成针灸本体。
请参考图3，为一种实施例中针灸本体的示意图。本体论将疾病描述为一系列医学疾病，包括由临床体征组成的症状相关的实体和概念(包括治疗时间，症状，穴位等)。在生成本体后，可使用三元组来记录与患者有关的治疗信息。例如，2016年2月15日，对有症状僵硬舌头的患者20124567e2进行了廉泉(RN23)和通里(HT5)穴位治疗，相应的三元组(患者，症状，穴位)可以记录为(20124567e2，舌强，廉泉(RN23))和(20124567e2，舌强，通里(HT5))。
在一实施例中，本体通过建立的针灸本体和病历注释图之间相同的概念或实体的关联，来实现本体的丰富化。例如可以将附加的对针灸本体和病历注释图之间相同的概念或实体的注释类添加到本体，以存储本体类和病历之间的关联关系。
经络和症状的初始本体是本体扩展的基础。本发明一些实施例中，通过匹配的方法，通过建立的针灸本体和病历注释图之间相同的概念或实体的关联，来实现本体的丰富化。本发明将附加的“注释”类添加到本体，以存储本体类和病历之间的关联关系。
在构建好针灸本体后，下面再继续来说明步骤S120如何根据患者的病历信息，和预先建立的针灸本体，以生成初步诊断结果和针灸治疗方案。
从中医角度看，诊断的目的在于确定哪些经络失衡，因此可以从以下几个方面入手：
(1)患者病情。患者的症状表征了他的具体状态和身体状况。症状的表现及其程度因患者而异。针灸师通过观察临床体征来识别疾病。诊脉可以提供有关疾病病因的线索。通过诊脉，可确定症状及推断其对应的疾病；
(2)需要刺激的穴位。根据脉搏状态所展示的器官异常，需对某些穴位进行针灸。刺激不同穴位具有不同的功效，如ST-36用于神经、BL-60和CV-6可缓解疼痛等；
(3)病史回顾。本发明考量患者当前的主诉，临床状态，治疗史以及遗传和社会背景；
在鉴别诊断中，针灸师需根据特定的症状，判断是出血性卒中还是缺血性卒中、可能性的病因、严重程度和准确的施针位置。
接着，选择针灸疗法，需要一些基础知识，包括针灸疗法(针刺，艾灸和拔罐疗法)，针灸穴位和强度(穴位和经络结构)，操作方式(上下提插法、平刺手法等)，治疗周期(单次投诉涉及六至十二次治疗)，治疗持续时间，针头插入次数(约5至20针)，针头插入持续时间(10至20分钟)和针插入深度。
对于治疗，还需考虑一些针灸配穴规律，包括：1)近部取穴。根据病变所在，选择其局部或邻近部位的腧穴进行针灸治疗。2)远部取穴。根据经络循行及其同脏腑的络属关系，选用远端腧穴进行针灸，包括本经选穴和异经选择两种。3)对症选穴。选取针对主症有效的腧穴进行针灸治疗。
因此，基于上述的研究和认知，步骤S120在根据患者的病历信息，和预先建立的针灸本体，以生成初步诊断结果和针灸治疗方案时，可以通过以下方式来实现。
在一实施例中，请参考图4，步骤S120包括步骤S121-S127。
步骤S121：将步骤S110所获取的病历信息与本体的实体和概念相匹配，得到相匹配的病因、严重程度和施针位置。在一实施例中，还会进行鉴别诊断，通过辅助检验的结果来判断是缺血性脑卒中还是出血性脑卒中。
步骤S123：根据上述病因和严重程度得到初步诊断结果。
步骤S125：根据上述病因、严重程度和施针位置选择针灸方式。在一实施例中，针灸方式包括针灸疗法、针灸穴位与强度、操作方式、治疗周期、治疗持续时间、针头插入次数、针头插入持续时间和针插入深度，上述针灸疗法包括针刺、艾灸和拔罐；上述选择针灸方式还包括针灸配穴规律，所述针灸配穴规律包括：
(1)近部取穴，根据病变所在，选择其局部或邻近部位的腧穴进行针灸治疗；
(2)远部取穴，根据经络循行及其同脏腑的络属关系，选用远端腧穴进行针灸，包括本经选穴和异经选择两种；
(3)对症取穴，选取针对主症有效的腧穴进行针灸治疗。
步骤S127：根据针灸方式得到针灸治疗方案。
上面是通过步骤S121-S127，示例性地说明了如何根据患者的病历信息，和预先建立的针灸本体，生成初步诊断结果和针灸治疗方案。
在一些实施例中，还可以将一些相似的已有病例找出来，并对其进行排序，以供用户参考。具体在，发明人考虑设计基于链接关系的优化排序算法，从而将当前病例与已有病例进行匹配，对已有病例进行排序并参考其治疗方案。
因此，一些实施例中，基于知识抽取的医学决策支持方法还可以包括步骤S130，将当前病历与获取的已有病例进行匹配，以对已有病例排序。在一实施例中，请参考图5，步骤S130中排序可以包括步骤S131-S136。
步骤S131：将当前病历的文本信息与已构建的本体实体相匹配。在一实施例中，将当前病历的文本信息Q(q1，q2，...，qn)与已构建的本体实体C(c1，c2，...，cm)相匹配。
步骤S132：判断能否匹配。
若能匹配，执行步骤S133：则将本体实体信息添加到搜索集S(s1，s2，s3...)中。
如不能匹配，执行步骤S134：采用评估函数评估本体实体与病历文本关键字之间的关联程度，将出现率最高的前K个本体实体添加到搜索集中。一具体实施例中，采用评估函数A(c，Q|T)评估本体实体C(c1，c2，...，cm)与病历文本关键字Q(q1，q2，...，qn)之间的关联程度，其中T表示要检索的文本集，文本中q和c的共现频率定义为fqc(c，q|T)＝tf(c|D)*tf(d|D)，其中tf(*|D)表示概念或单词出现在文本T中的次数，评估函数的计算公式为：
A(C，Q|T)＝A(C，Q|T)＝∑q∈Qidf(q|T)idf(c|T)log(fqc(c，q|T)+1.0)
其中，idf(q|T)和idf(c|T)表示概念或单词在文本T中的逆向文件频率，将出现率最高的前K个本体实体添加到搜索集S(s1，s2，s3...)中，然后将文本关键字和搜索集都作为扩展文本词。
步骤S135：对搜索集中各已有病例进行W值计算。
一实施例中，W＝α*W1+(1-α)*W2，其中，α为大于0且小于1的预设常数，可以根据应用程序的实际需求来设置具体的值，其中，所述W1为使用TF-IDF方法计算获得的词频的权重系数，指目标领域与诊断病例概念/关系之间的相关性，一般而言，属于目标域的案例概念和关系诊断得越多，域相关度就越高；所述W2为与两个实体之间的语义相关长度有关的语义的权重系数，计算W2时，将所有关系权重设置为1来查找实体之间的最短路径。在一实施例中，在逻辑上认为本体是具有巨大网络结构的图，节点是实体，边缘是关系，由于两个给定实体之间可能存在多个链接，因此将所有边缘权重设置为1并采用Dijkstra算法查找图中节点之间的最短路径。该算法的核心思想是将起始节点到其他未标记节点的距离与起始节点到标记节点的距离进行比较。如果前者较小，则相关性将被更新。该算法是计算所有节点的相关性的迭代过程。
步骤S136：根据搜索集中各已有病例的W值，对搜索集中各已有病例排序。根据搜索集S(s1，s2，s3...)中各已有病例的W值，对搜索集S(s1，s2，s3...)中各已有病例进行排序。
在一些实施例中，基于知识抽取的医学决策支持方法还可以包括步骤S140：控制显示初步诊断结果、针灸治疗方案和排序后的已有病例及其治疗方案。
为了方便用户或患者使用，本发明一些实施例中设计了用户交互界面来供使用。
请参考图6，本发明一实施例中提供一种基于知识抽取的医学决策支持方法，其包括步骤S210-S270。
步骤S210：控制生成选择身体状况的第一界面，用于供用户选择身体状况。
身体状况主要是有关患者的身体总体情况的一些描述，例如患者所处年龄段(比如新生儿、青少年、中年、老年)，和患者身体脏器等情况(例如是否患有肝脏相关疾病、心脏相关疾病、肾相关疾病等等)。
例如，图7是第一界面的一种示意图，用户可以通过点击鼠标等操作来选择相应的身体状况，然后第一界面会自动跳转到下述的第二界面，或者通过用户点击下一步按键，使得第一界面跳转到下述的第二界面。
步骤S220：响应于用户在第一界面选择的身体状况，接收用户所选择的身体状况信息，并产生用于疼痛区域和僵硬部位选择的第二界面。例如，图8是第二界面的一种示意图。
步骤S230：响应于用户在所述第二界面选择的疼痛区域和僵硬部位，接收用户所选择的疼痛区域和僵硬部位的信息，并产生用于疼痛持续时间选择的第三界面。例如，图9是第三界面的一种示意图。
步骤S240：响应于用户在所述第三界面选择的疼痛持续时间，接收用户所选择的疼痛持续时间的信息，并产生用于过敏信息输入和症状选择的第四界面。例如，图10是第四界面的一种示意图。
步骤S250：响应于用户所输入的过敏信息和选择的症状，接收用户所输入的过敏信息和选择的症状的信息，并产生用于体征信息选择的第五界面。例如，图11是第五界面的一种示意图。
可以看到，在步骤S210至步骤S250中，通过设计用户交互界面来获取用户输入的待诊断的患者的病历信息，可以理解地，这可以由医生通过问询患者来输入，也可以由患者自己来输入；通过上述步骤获取到的患者的病历信息，包括通过所述第一界面、第二界面、第三界面、第四界面和第五界面分别接收到的身体状况信息、疼痛区域和僵硬部位的信息、疼痛持续时间的信息、过敏信息和选择的症状的信息、体征信息。
步骤S260：控制生成第六界面，以显示所述初步诊断结果和针灸治疗方案。例如，图12是第六界面的一种示意图。
具体地，可以根据患者的病历信息，和预先建立的针灸本体，以生成初步诊断结果和针灸治疗方案。针灸本体的建立可以参照图2以及上文中相关描述，类似地，如何根据患者的病历信息，和预先建立的针灸本体，以生成初步诊断结果和针灸治疗方案，也可以参数图4以及上文中相关描述，在此不再赘述。
在一些实施例中，还可以将一些相似的已有病例找出来，并对其进行排序，以供用户参考。具体在，发明人考虑设计基于链接关系的优化排序算法，从而将当前病例与已有病例进行匹配，对已有病例进行排序并参考其治疗方案。
因此，一些实施例中，基于知识抽取的医学决策支持方法还可以包括步骤S270：控制生成第七界面，以显示排序后的已有病例及其治疗方案。例如，图13是第七界面的一种示意图。
如何对已有病例进行排序，可以参见图5以及上文中相关描述，在此不再赘述。
以上是基于知识抽取的医学决策支持方法中的一些说明。
请参考图14，本发明一实施例中提供一种基于知识抽取的医学决策支持系统，其包括存储器10、处理器12和显示器14。存储器10用于存储程序。处理器12用于通过执行存储器10存储的程序以实现上述各实施例中任一实施例所述的方法。显示器14用于配合显示，例如显示上述各界面和结果等。
本发明一实施例还提供一种基于知识抽取的医学决策支持系统，其包括用于存储程序的存储器以及处理器，处理器用于通过执行该存储器存储的程序以执行本文中任一实施例中的方法。
以上就是本发明基于知识抽取的医学决策支持方法和系统的一些说明。本发明的一个实施例中，其主要内容包括：
1)构建针灸本体；在针灸和缺血性卒中领域中建立了与临床阶段信息相关的本体；
2)构建缺血性卒中医学决策支持系统；考量治疗方法、穴位、施针力度等，以及病人过往治疗方案，从而探索患者个性化的针灸治疗方法。所构建的医学决策支持系统，为治疗缺血性中风提供针灸的智能自动诊断
3)设计基于链接关系的优化排序算法。基于链接关系的优化排序算法，从而将当前病例与已有病例进行匹配，对已有病例进行排序并参考其治疗方案。基于链接关系的优化排序算法，对查询结果进行排序并显示最相关的结果，从而提升医学推理的准确率。
本发明通过构建一种本体驱动的临床决策支持系统，以协助缺血性中风领域的针灸治疗计划并提供临床决策支持。在针灸和缺血性卒中领域中建立了与临床阶段及其相应信息成分有关的本体。基于本体，该决策支持系统思量治疗方法、穴位、施针力度等，并考量病人过往治疗方案，从而探索患者个性化的针灸治疗方法。本发明所提出的决策支持系统可以通过本体推理推荐最相关的治疗建议，有助于缺血性卒中治疗的决策。诊断制定和治疗计划的可视化有利于促进针灸从个体化的经验知识到大规模循证医学的发展。
本领域技术人员可以理解，上述实施方式中各种方法的全部或部分功能可以通过硬件的方式实现，也可以通过计算机程序的方式实现。当上述实施方式中全部或部分功能通过计算机程序的方式实现时，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：只读存储器、随机存储器、磁盘、光盘、硬盘等，通过计算机执行该程序以实现上述功能。例如，将程序存储在设备的存储器中，当通过处理器执行存储器中程序，即可实现上述全部或部分功能。另外，当上述实施方式中全部或部分功能通过计算机程序的方式实现时，该程序也可以存储在服务器、另一计算机、磁盘、光盘、闪存盘或移动硬盘等存储介质中，通过下载或复制保存到本地设备的存储器中，或对本地设备的系统进行版本更新，当通过处理器执行存储器中的程序时，即可实现上述实施方式中全部或部分功能。
以上应用了具体个例对本发明进行阐述，只是用于帮助理解本发明，并不用以限制本发明。对于本发明所属技术领域的技术人员，依据本发明的思想，还可以做出若干简单推演、变形或替换。

Claims (10)

1.一种基于知识抽取的医学决策支持方法，其特征在于，包括：
控制生成选择身体状况的第一界面，用于供用户选择身体状况；
响应于用户在第一界面选择的身体状况，接收用户所选择的身体状况信息，并产生用于疼痛区域和僵硬部位选择的第二界面；
响应于用户在所述第二界面选择的疼痛区域和僵硬部位，接收用户所选择的疼痛区域和僵硬部位的信息，并产生用于疼痛持续时间选择的第三界面；
响应于用户在所述第三界面选择的疼痛持续时间，接收用户所选择的疼痛持续时间的信息，并产生用于过敏信息输入和症状选择的第四界面；
响应于用户所输入的过敏信息和选择的症状，接收用户所输入的过敏信息和选择的症状的信息，并产生用于体征信息选择的第五界面；
响应于用户在所述第五界面所选择的体征信息，接收用户所选择的体征信息；
根据患者的病历信息，和预先建立的针灸本体，以生成初步诊断结果和针灸治疗方案；其中所述患者的病历信息包括通过所述第一界面、第二界面、第三界面、第四界面和第五界面分别接收到的身体状况信息、疼痛区域和僵硬部位的信息、疼痛持续时间的信息、过敏信息和选择的症状的信息、体征信息；
控制生成第六界面，以显示所述初步诊断结果和针灸治疗方案；
其中，所述针灸本体通过以下方式被建立：
获取医疗记录、针灸处方和多个数据库中有关针灸治疗缺血性卒中的数据，所述针灸处方数据包括涉及诊断为缺血性中风的成年参与者的临床病例；
使用词法语义注释器将名称、属性、注释和描述附加到文本上，并提供有关所述数据的元数据；
根据所述注释，生成针灸本体的三元组，以记录医疗实体及其相应的信息；
根据所述本体的三元组生成针灸本体，所述针灸本体包括由临床体征所描述的症状相关的实体和概念。
2.一种基于知识抽取的医学决策支持方法，其特征在于，包括：
获取用户输入的待诊断的患者的病历信息；
根据患者的病历信息，和预先建立的针灸本体，以生成初步诊断结果和针灸治疗方案；
其中，所述针灸本体通过以下方式被建立：
获取医疗记录、针灸处方和多个数据库中有关针灸治疗缺血性卒中的数据，所述针灸处方数据包括涉及诊断为缺血性中风的成年参与者的临床病例；
使用词法语义注释器将名称、属性、注释和描述附加到文本上，并提供有关所述数据的元数据；
根据所述注释，生成针灸本体的三元组，以记录医疗实体及其相应的信息；
根据所述本体的三元组生成针灸本体，所述针灸本体包括由临床体征所描述的症状相关的实体和概念。
3.如权利要求1或2所述的医学决策支持方法，其特征在于，所述生成初步诊断结果和针灸治疗方案，包括：
将所述病历信息与本体的实体和概念相匹配，得到相匹配的病因、严重程度和施针位置；
根据所述病因和严重程度得到初步诊断结果；
根据所述病因、严重程度和施针位置选择针灸方式；
根据选择的针灸方式得到针灸治疗方案。
4.如权利要求3所述的医学决策支持方法，其特征在于，所述针灸方式包括针灸疗法、针灸穴位与强度、操作方式、治疗周期、治疗持续时间、针头插入次数、针头插入持续时间和针插入深度，所述针灸疗法包括针刺、艾灸和拔罐；
所述选择针灸方式还包括针灸配穴规律，所述针灸配穴规律包括：
近部取穴，根据病变所在，选择其局部或邻近部位的腧穴进行针灸治疗；
远部取穴，根据经络循行及其同脏腑的络属关系，选用远端腧穴进行针灸，包括本经选穴和异经选择两种；
对症取穴，选取针对主症有效的腧穴进行针灸治疗。
5.如权利要求1至4中任一项所述的医学决策支持方法，其特征在于，所述本体通过建立的针灸本体和病历注释图之间相同的概念或实体的关联，来实现本体的丰富化。
6.如权利要求5所述的医学决策支持方法，其特征在于，所述实现本体的丰富化，包括：
将附加的对针灸本体和病历注释图之间相同的概念或实体的注释类添加到本体，以存储本体类和病历之间的关联关系。
7.如权利要求1至6中任一项所述的医学决策支持方法，其特征在于，还包括：
获取已有病例；
将当前病历与已有病例进行匹配，以对已有病例进行排序；
控制显示排序后的已有病例及其治疗方案。
8.如权利要求7所述的医学决策支持方法，其特征在于，所述将当前病历与已有病例进行匹配，以对已有病例进行排序，包括：
将当前病历的文本信息Q(q1，q2，...，qn)与已构建的本体实体C(c1，c2，...，cm)相匹配；
若能匹配，则将本体实体信息添加到搜索集S(s1，s2，s3...)中；
若不能匹配，则采用评估函数A(c，Q|T)评估本体实体C(c1，c2，...，cm)与病历文本关键字Q(q1，q2，...，qn)之间的关联程度，其中T表示要检索的文本集，文本中q和c的共现频率定义为fqc(c，q|T)＝tf(c|D)*tf(d|D)，其中tf(*|D)表示概念或单词出现在文本T中的次数，评估函数的计算公式为：
Figure FDA0002996762740000031
其中，idf(q|T)和idf(c|T)表示概念或单词在文本T中的逆向文件频率；
将出现率最高的前K个本体实体添加到搜索集S(s1，s2，s3...)中，然后将文本关键字和搜索集都作为扩展文本词；
对搜索集S(s1，s2，s3...)中各已有病例进行W值的计算，其中W＝α*W1+(1-α)*W2，其中，α为大于0且小于1的预设常数，所述W1为使用TF-IDF方法计算获得的词频的权重系数，所述W2为与两个实体之间的语义相关长度有关的语义的权重系数，计算W2时，将所有关系权重设置为1来查找实体之间的最短路径；
根据搜索集S(s1，s2，s3...)中各已有病例的W值，对搜索集S(s1，s2，s3...)中各已有病例进行排序。
9.一种基于知识抽取的医学决策支持系统，其特征在于，包括：
存储器，用于存储程序；
处理器，用于通过执行所述存储器存储的程序以实现如权利要求1至8中任一项所述的方法；
显示器，用于显示。
10.一种计算机可读存储介质，其特征在于，包括程序，所述程序能够被处理器执行以实现如权利要求1至8中任一项所述的方法。
CN202110334381.7A 2021-03-29 2021-03-29 一种基于知识抽取的医学决策支持方法和系统 Active CN113035350B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110334381.7A CN113035350B (zh) 2021-03-29 2021-03-29 一种基于知识抽取的医学决策支持方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110334381.7A CN113035350B (zh) 2021-03-29 2021-03-29 一种基于知识抽取的医学决策支持方法和系统

Publications (2)

Publication Number Publication Date
CN113035350A true CN113035350A (zh) 2021-06-25
CN113035350B CN113035350B (zh) 2022-09-27

Family

ID=76452629

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110334381.7A Active CN113035350B (zh) 2021-03-29 2021-03-29 一种基于知识抽取的医学决策支持方法和系统

Country Status (1)

Country Link
CN (1) CN113035350B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114610950A (zh) * 2020-12-04 2022-06-10 中山大学 一种图网络节点表示方法
CN116313029A (zh) * 2022-12-22 2023-06-23 安徽星辰智跃科技有限责任公司 一种数字针灸动态控制优化的方法、系统和装置
CN116779150A (zh) * 2023-07-03 2023-09-19 浙江一山智慧医疗研究有限公司 基于多智能体互动的个性化医疗决策方法、装置及应用

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB201605117D0 (en) * 2016-03-24 2016-05-11 Fujitsu Ltd A system and a method for assessing patient treatment risk using open data and clinician input
CN105653859A (zh) * 2015-12-31 2016-06-08 遵义医学院 一种基于医疗大数据的疾病自动辅助诊断系统及方法
CN110120256A (zh) * 2019-04-29 2019-08-13 吴焰南 智能针灸系统
CN110413763A (zh) * 2018-04-30 2019-11-05 国际商业机器公司 搜索排序器的自动选择
CN110689943A (zh) * 2019-09-24 2020-01-14 成都成信高科信息技术有限公司 针灸临床数据预处理控制系统及方法、信息数据处理终端
CN112509676A (zh) * 2020-11-25 2021-03-16 南京市第一医院 一种血液透析中心智能管理系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105653859A (zh) * 2015-12-31 2016-06-08 遵义医学院 一种基于医疗大数据的疾病自动辅助诊断系统及方法
GB201605117D0 (en) * 2016-03-24 2016-05-11 Fujitsu Ltd A system and a method for assessing patient treatment risk using open data and clinician input
CN110413763A (zh) * 2018-04-30 2019-11-05 国际商业机器公司 搜索排序器的自动选择
CN110120256A (zh) * 2019-04-29 2019-08-13 吴焰南 智能针灸系统
CN110689943A (zh) * 2019-09-24 2020-01-14 成都成信高科信息技术有限公司 针灸临床数据预处理控制系统及方法、信息数据处理终端
CN112509676A (zh) * 2020-11-25 2021-03-16 南京市第一医院 一种血液透析中心智能管理系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
尹梓名 等: "基于临床指南的知识图谱构建技术研究", 《软件》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114610950A (zh) * 2020-12-04 2022-06-10 中山大学 一种图网络节点表示方法
CN116313029A (zh) * 2022-12-22 2023-06-23 安徽星辰智跃科技有限责任公司 一种数字针灸动态控制优化的方法、系统和装置
CN116313029B (zh) * 2022-12-22 2023-08-08 安徽星辰智跃科技有限责任公司 一种数字针灸动态控制优化的方法、系统和装置
CN116779150A (zh) * 2023-07-03 2023-09-19 浙江一山智慧医疗研究有限公司 基于多智能体互动的个性化医疗决策方法、装置及应用
CN116779150B (zh) * 2023-07-03 2023-12-22 浙江一山智慧医疗研究有限公司 基于多智能体互动的个性化医疗决策方法、装置及应用

Also Published As

Publication number Publication date
CN113035350B (zh) 2022-09-27

Similar Documents

Publication Publication Date Title
CN113035350B (zh) 一种基于知识抽取的医学决策支持方法和系统
Kao et al. Context-aware symptom checking for disease diagnosis using hierarchical reinforcement learning
Schäfer et al. Towards health (aware) recommender systems
Sarrouti et al. A passage retrieval method based on probabilistic information retrieval model and UMLS concepts in biomedical question answering
US8055603B2 (en) Automatic generation of new rules for processing synthetic events using computer-based learning processes
Martinez et al. Improving search over Electronic Health Records using UMLS-based query expansion through random walks
Peng et al. A novel method to measure the semantic similarity of HPO terms
US20110004588A1 (en) Method for enhancing the performance of a medical search engine based on semantic analysis and user feedback
CN110825862B (zh) 基于药学知识图谱的智能问答方法及装置
Sadegh-Zadeh The logic of diagnosis
US20210391075A1 (en) Medical Literature Recommender Based on Patient Health Information and User Feedback
US11710572B2 (en) Experience engine-method and apparatus of learning from similar patients
Sharma et al. Query expansion–Hybrid framework using fuzzy logic and PRF
Afzal et al. Impact of automatic query generation and quality recognition using deep learning to curate evidence from biomedical literature: empirical study
Zhang et al. Disease-pertinent knowledge extraction in online health communities using GRU based on a double attention mechanism
Chen et al. Hypothesis generation and data quality assessment through association mining
Sweidan et al. Viral hepatitis diagnosis: a survey of artificial intelligent techniques
Elisabet et al. Implementation of case-method cycle for case-based reasoning in human medical health: A systematic review
Orsi et al. Keyword-based, context-aware selection of natural language query patterns
Lotz et al. An exploration of knowledge‐organizing technologies to advance transdisciplinary back pain research
Im et al. The DSCP-CA: a decision support computer program-cancer pain management
Grechishcheva et al. Risk markers identification in EHR using natural language processing: hemorrhagic and ischemic stroke cases
Maghawry et al. Weighted entity-linking and integration algorithm for medical knowledge graph generation
Ullah et al. Estimating a ranked list of human genetic diseases by associating phenotype-gene with gene-disease bipartite graphs
Shen et al. Decision Support System for Acupuncture Treatment of Ischemic Stroke

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
GR01 Patent grant
GR01 Patent grant