CN113241173B - 一种用于慢性阻塞性肺疾病的中医辅助诊疗方法和系统 - Google Patents

一种用于慢性阻塞性肺疾病的中医辅助诊疗方法和系统 Download PDF

Info

Publication number
CN113241173B
CN113241173B CN202110516072.1A CN202110516072A CN113241173B CN 113241173 B CN113241173 B CN 113241173B CN 202110516072 A CN202110516072 A CN 202110516072A CN 113241173 B CN113241173 B CN 113241173B
Authority
CN
China
Prior art keywords
chronic obstructive
obstructive pulmonary
pulmonary disease
traditional chinese
chinese medicine
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.)
Active
Application number
CN202110516072.1A
Other languages
English (en)
Other versions
CN113241173A (zh
Inventor
江国星
尤新革
李祯
范嘉豪
耿介
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.)
Huazhong University of Science and Technology
Original Assignee
Huazhong University of Science and Technology
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 Huazhong University of Science and Technology filed Critical Huazhong University of Science and Technology
Priority to CN202110516072.1A priority Critical patent/CN113241173B/zh
Publication of CN113241173A publication Critical patent/CN113241173A/zh
Application granted granted Critical
Publication of CN113241173B publication Critical patent/CN113241173B/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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/08—Detecting, measuring or recording devices for evaluating the respiratory organs
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/48—Other medical applications
    • A61B5/4836—Diagnosis combined with treatment in closed-loop systems or methods
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/48—Other medical applications
    • A61B5/4842—Monitoring progression or stage of a disease
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/48—Other medical applications
    • A61B5/4854—Diagnosis based on concepts of traditional oriental medicine
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
    • A61B6/03—Computed tomography [CT]
    • A61B6/032—Transmission computed tomography [CT]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/10—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to patients
    • G16H20/13—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to patients delivered from dispensers
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Theoretical Computer Science (AREA)
  • Public Health (AREA)
  • Pathology (AREA)
  • Animal Behavior & Ethology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Veterinary Medicine (AREA)
  • Surgery (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Epidemiology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Primary Health Care (AREA)
  • Physiology (AREA)
  • Radiology & Medical Imaging (AREA)
  • Psychiatry (AREA)
  • Pulmonology (AREA)
  • Signal Processing (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Optics & Photonics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Alternative & Traditional Medicine (AREA)
  • Oral & Maxillofacial Surgery (AREA)

Abstract

本发明公开了一种用于慢性阻塞性肺疾病的中医辅助诊疗方法和系统，方法包括：采集慢性阻塞性肺疾病患者的症状信息；对症状信息进行预处理，得到症状特征向量相对应的中医证型结果；依据中医证型结果判断得出推荐药物；用户根据中医证型结果以及推荐药物进行相应的介入修正；记录慢性阻塞性肺疾病患者就诊过程并结束诊疗。本发明提供的方法将慢性阻塞性肺疾病的中医辅助诊疗过程分解为证型判定和药物推荐两个环节，证型判定模型和药物推荐模型的构建过程充分利用了慢性阻塞性肺疾病中医诊疗数据集中症状、证型和药物之间关联性，得到具有较好辅助效果的辅助诊疗信息。

Description

一种用于慢性阻塞性肺疾病的中医辅助诊疗方法和系统
技术领域
本发明属于疾病诊断领域，更具体地，涉及一种用于慢性阻塞性肺疾病的中医辅助诊疗方法和系统。
背景技术
慢性阻塞性肺疾病是一种慢性呼吸系统疾病，发病率和死亡率高，对人类健康危害程度大。中医药在慢性阻塞性肺疾病的治疗中表现出显著的优势，但由于我国慢性阻塞性肺疾病患者基数大而中医诊疗资源相对不足，该疾病的漏诊情况比较普遍，同时也会给社会和患者家庭带来沉重的经济负担。因此，针对慢性阻塞性肺疾病中医诊疗的智能化研究具有重要的现实意义。
慢性阻塞性肺疾病的中医诊断和用药多依赖于医生的临床经验，故以往对该疾病智能诊疗的研究主要集中在中医诊疗数据的挖掘方面，挖掘目的通常是归纳证型分布、总结用药规律等，所得结论在诊疗中的具体应用办法和适用性并没有得到进一步探讨，而直接面向病患进行证型判别和用药推荐的慢性阻塞性肺疾病辅助诊疗研究则还没有出现。中医发展至今，在计算机技术飞速发展的今天，主要还是靠人工“四诊合参”进行诊断，既没有好好利用现代技术，又使中医的人工诊断的效率不高，容易存在因人而异的诊断误差。
因此，目前亟需一种辅助诊疗方法和系统，用于缓解慢性阻塞性肺疾病的中医诊疗压力，提高中医的人工诊断效率，减轻家庭和社会的医疗经济负担。
发明内容
针对现有技术的以上缺陷或改进需求，本发明提供了一种用于慢性阻塞性肺疾病的中医辅助诊疗方法和系统，其目的在于通过采集患者的症状信息数据进行中医证型判定，依据中医证型结果得到药物推荐，由此提高中医的人工诊断效率。
为实现上述目的，按照本发明的一个方面，提供了一种用于慢性阻塞性肺疾病的中医辅助诊疗方法，方法包括：
采集慢性阻塞性肺疾病患者的症状信息；
对症状信息进行预处理，得到症状特征向量相对应的中医证型结果；
依据中医证型结果判断得出推荐药物；
用户根据中医证型结果以及推荐药物进行相应的介入修正；
记录慢性阻塞性肺疾病患者就诊过程并结束诊疗。
作为对上述方案进一步的完善和补充，本发明还包括以下附加技术特征。
优选地，所述采集慢性阻塞性肺疾病患者的症状信息包括：患者基本信息、主诉症状、次症、其他症状、中医四诊和辅助检查结果，其中：
所述患者基本信息至少包括身份证号码、电话号码和现居住住址中的一种；
所述主诉症状至少包括咳嗽、咳痰和呼吸困难中的一种；
所述次症至少包括胸闷或胸痛等级；
所述其他症状至少包括潮热盗汗或大小便；
所述中医四诊至少包括望诊或脉象；
所述辅助检查结果包括胸部CT、X片和肺通气功能检查中的一种或多种。
优选地，所述对症状信息进行预处理，具体包括：
将患者的症状信息转化为症状特征向量，症状特征向量是适合计算机处理的格式，转化过程包括识别文本描述、统一变量单位、数值化和归一化的操作。
优选地，所述得到症状特征向量相对应的中医证型结果，具体包括：
利用已知症状特征向量与中医证型结果的对应关系建立证型判定模型，并且训练所述证型判定模型，所述证型判定模型训练完成后，将慢性阻塞性肺疾病患者的症状信息作为所述证型判定模型的输入，输出为慢性阻塞性肺疾病患者的中医证型结果。
优选地，所述依据已知症状特征向量和中医证型结果判断得出推荐药物，具体包括：
利用已知症状特征向量结合中医证型结果与药物之间的对应关系建立药物推荐模型，并且训练所述药物推荐模型，所述药物推荐模型训练完成后，将证型特征向量和中医证型结果作为所述药物推荐模型的输入，输出为药物推荐结果。
优选地，所述药物推荐模型包括证型药物使用模型和关联规则匹配模型，其中：
所述证型药物使用模型是指在各个证型下常规药物的使用模型，每个中医证型结果对应一个证型药物使用模型；
所述关联规则匹配模型是用于为患者推荐证型药物以外的补充药物；
所述证型药物使用模型和所述关联规则匹配模型的输出结果并集作为所述药物推荐模型的输出。
优选地，所述关联规则匹配模型的建立依据为：
依照从慢性阻塞性肺疾病数据集中挖掘得到的关联规则，使用慢性阻塞性肺疾病患者的症状信息进行药物规则匹配，将匹配规则中后项的药物组合作为推荐给患者的补充治疗药物，即补充药物推荐结果。
优选地，所述用户根据中医证型结果以及推荐药物进行相应的介入修正，具体包括：
用户对患者信息的补充、删减或修改；
用户对证型判定结果的修改；
用户对药物推荐种类的补充、删减、修改或对药物使用剂量的补充说明。
优选地，所述记录慢性阻塞性肺疾病患者就诊过程并结束诊疗，具体包括：
将会诊病患的就诊过程作为模型训练数据集的样本，用户修正后的会诊过程全部诊疗记录存储到慢性阻塞性肺疾病的中医诊疗系统中，用于扩充模型训练的数据集。
按照本发明的另一方面，提供了一种用于慢性阻塞性肺疾病的中医智能诊疗系统，系统包括：信息采集模块、证型判定模块、药物推荐模块、交互模块和数据管理模块，其中：
所述信息采集模块用于完成慢性阻塞性肺疾病患者的症状信息的采集；
所述证型判定模块用于辅助辨别所述慢性阻塞性肺疾病患者的中医证型；
所述药物推荐模块用于将证型特征向量和中医证型结果智能结合，输出所述慢性阻塞性肺疾病患者的药物推荐结果；
所述交互模块用于向用户提供对于所述药物推荐模块结果的补充、删减或修改的操作；
所述数据管理模块用于记录所述慢性阻塞性肺疾病患者的各项数据以及所述证型判定模块和所述药物推荐模块的数据集。
总体而言，通过本发明所构思的以上技术方案与现有技术相比，具有如下有益效果：
本发明中提供的方法将慢性阻塞性肺疾病的中医辅助诊疗过程分解为证型判定和药物推荐两个环节，证型判定模型和药物推荐模型的构建过程充分利用了慢性阻塞性肺疾病中医诊疗数据集中症状、证型和药物之间关联性，可以得到具有较好辅助效果的辅助诊疗信息。
本发明中提供的系统具备规范信息采集、辅助辨别证型、智能推荐药物和病案数据管理的功能，可在病患就诊过程中对医生起到辅助作用，从而提高诊疗效率。
附图说明
图1是用于慢性阻塞性肺疾病的中医辅助诊疗方法流程图；
图2是用于慢性阻塞性肺疾病的中医辅助诊疗方法及系统的工作流程图；
图3是用于慢性阻塞性肺疾病的中医辅助诊疗方法及系统的药物推荐流程图；
图4是深度置信网络结构图；
图5是用于慢性阻塞性肺疾病的中医辅助诊疗系统的模块示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
在本发明的描述中，术语“内”、“外”、“纵向”、“横向”、“上”、“下”、“顶”、“底”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明而不是要求本发明必须以特定的方位构造和操作，因此不应当理解为对本发明的限制。
在本发明中，除非另有明确的规定和限定，第一特征在第二特征之“上”或之“下”可以包括第一和第二特征直接接触，也可以包括第一和第二特征不是直接接触而是通过它们之间的另外的特征接触。而且，第一特征在第二特征“之上”、“上方”和“上面”包括第一特征在第二特征正上方和斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”包括第一特征在第二特征正下方和斜下方，或仅仅表示第一特征水平高度小于第二特征。
实施例一：
本实施例一中提供一种用于慢性阻塞性肺疾病的中医辅助诊疗方法，方法包括以下步骤，如图1所示：
S101：采集慢性阻塞性肺疾病患者的症状信息。
例如：患者1的症状信息：女；56岁；支气管哮喘史；二手烟或有害化学气体接触史；主诉咳嗽、咳痰、呼吸困难；间断咳；咳声响亮；黄痰；脓痰；昼夜咳痰50-100ml；呼吸困难1级；胸闷频繁；哮鸣偶闻或见于咳嗽、深呼吸时；明显咽干；偶有咽痛；口干情况：口渴需饮水；轻微恶风寒；皮肤微潮；便秘；神疲；乏力；舌质淡红；舌胖腻；舌苔白；脉浮数。(该患者未列出的症状都是默认的正常表现)
S102：对症状信息进行预处理，得到症状特征向量相对应的中医证型结果。
例如，将患者1的症状信息转化为症状特征向量，症状特征向量是适合计算机处理的格式，转化过程包括识别文本描述、统一变量单位、数值化、归一化的操作。将患者1的症状特征向量输入系统中后，使用训练好的证型判定模型得到中医证型。将患者1的症状特征向量作为模型的输入，输出为各证型判定概率，最大概率值所对应的证型类别即为模型判定的证型结果。患者1的中医证型的结果为痰热壅肺证。
S103：依据中医证型结果判断得出推荐药物。
例如，如图3所示，将患者1的症状特征向量和痰热壅肺证作为药物推荐模型的输入，使用训练好的药物推荐模型得到证型常用药物和补充药物，针对患者1的证型常用药物为：(炒)白术、薄荷、茯苓、浮小麦、瓜蒌皮、瓜蒌仁、黄岑、厚朴、射干、沙参、桑白皮、太子参、炙甘草、浙贝母、龙胆草。剂量暂未研究，只考虑药物种类。补充药物为：黄岑。证型药物物和补充药物为本次患者就诊的推荐药物。
S104：用户根据中医证型结果以及推荐药物进行相应的介入修正。
例如，患者1的症状信息、证型类别以及药物推荐结果向医生展示，医生可以进行修正。医生可以根据患者实际情况对证型判定结果和推荐治疗药物进行修正。
S105：记录慢性阻塞性肺疾病患者就诊过程并结束诊疗。
将人工修正后的该病患本次全部诊疗记录存储到慢性阻塞性肺疾病的中医诊疗系统中，用于扩充模型训练的数据集。
本实施例一中提出的方法将慢性阻塞性肺疾病的中医辅助诊疗过程分解为证型判定和药物推荐两个环节，证型判定模型和药物推荐模型的构建过程充分利用了慢性阻塞性肺疾病中医诊疗数据集中症状、证型和药物之间关联性，可以得到具有较好辅助效果的辅助诊疗信息。
为了全面采集患者的症状信息，结合本发明实施例，还存在一种优选的实现方案，具体的，所述采集慢性阻塞性肺疾病患者的症状信息包括：患者基本信息、主诉症状、次症、其他症状、中医四诊和辅助检查结果，其中：
所述患者基本信息至少包括身份证号码、电话号码和现居住住址中的一种；
所述主诉症状至少包括咳嗽、咳痰和呼吸困难中的一种；
所述次症至少包括胸闷或胸痛等级；
所述其他症状至少包括潮热盗汗或大小便；
所述中医四诊至少包括望诊或脉象；
所述辅助检查结果包括胸部CT、X片和肺通气功能检查中的一种或多种。
本实施例一中，患者症状总共被分成83种，症状分为主诉症状、次症、其他症状、中医四诊四大类。主诉症状包括咳嗽、咳痰等，次症包含胸闷、胸痛等，其他症状包含潮热盗汗、大小便等，中医四诊包含望诊、脉象等。
表一列举了主诉症状中的咳嗽、咳痰、呼吸困难的等级划分依据，据此可对患者的“咳嗽频率”、“咳声”、“痰色”、“痰质”、“痰量”、“痰中带血情况”、“呼吸困难程度”这7个症状进行分级、量化。其余76种症状的分级量化也是如此，最后可得到一个多维的症状特征向量。由于症状的归纳可以在系统中增加或删减，所以患者症状种类数不固定。
表一：
Figure BDA0003062198470000081
/>
Figure BDA0003062198470000091
为了便于管理数据和操作系统，结合本发明实施例，还存在一种优选的实现方案，具体的，所述对症状信息进行预处理，具体包括：
将患者的症状信息转化为症状特征向量，症状特征向量是适合计算机处理的格式，转化过程包括识别文本描述、统一变量单位、数值化和归一化的操作。
本实施例一中，将患者的症状信息记载在慢性阻塞性肺疾病的中医辅助诊疗系统中。
为了得到患者精准的中医证型结果，结合本发明实施例，还存在一种优选的实现方案，具体的，如图2所示，所述得到症状特征向量相对应的中医证型结果，具体包括：
利用已知症状特征向量与中医证型结果的对应关系建立证型判定模型，并且训练所述证型判定模型，所述证型判定模型训练完成后，将慢性阻塞性肺疾病患者的症状信息作为所述证型判定模型的输入，输出为慢性阻塞性肺疾病患者的中医证型结果。
本实施例一中，将中医证型结果分为9类，为：(0)外寒内饮证；(1)痰热壅肺证；(2)痰瘀阻肺证；(3)肺气虚证；(4)肺脾气虚证；(5)肺肾气虚证；(6)肺肾气阴两虚证；(7)痰浊阻肺证；(8)肺阳虚衰证。
中医证型判定模型的构建包括：特征选择和证型判定。
关于特征选择，通过计算各个症状特征的Fisher分数，选择出与证型相关性比较高的特征用于证型判定。Fisher分数的计算：已知某项特征数据xi和对应的类标签yi，yi∈{1,2,…,k}，k表示类别数，则Fisher分数(F)计算公式为
Figure BDA0003062198470000101
其中，ni是类别i包含的样本数量，μi是全部数据中该特征的均值，μi和
Figure BDA0003062198470000102
是类别i的样本数据中该特征的平均值和方差。
Fisher分数越大，相关性越高。选择分数排名前83的特征用于证型判定。
关于证型判定，证型判定网络由深度置信网络和Softmax层构成。采用深度置信网络作为特征提取器，深度置信网络后连接Softmax层作为分类器。其中，深度置信网络由三个受限玻尔兹曼机组成，如图4所示，节点数依次为83×50、50×30、30×12，图4里的小圆形就是节点，83×50表示第一个受限玻尔兹曼机的可见层含83个节点，隐藏层含50个节点，以此类推。Softmax分类器对每个输入x估计出y＝j的后验概率，即样本x所属类别为第j类的概率。
证型判定模型的输入是对症状信息进行预处理后的83维症状特征向量，模型的输出是Softmax分类器输出的各证型判定概率，最大概率值所对应的证型类别即为本模型对测试样本的判定证型。
中医证型判定模型的训练方法为：首先对深度置信网络进行预训练，采用无监督学习方式对三个受限玻尔兹曼机进行逐层训练。而后输入包含类别标签的训练集对整个网络进行有监督的联合微调，使用SGD作为优化器。
为了向患者和医生用户推荐得到精准的药物物，结合本发明实施例，还存在一种优选的实现方案，具体的，如图3所示，所述依据已知症状特征向量和中医证型结果判断得出推荐药物，具体包括：
利用已知症状特征向量结合中医证型结果与药物之间的对应关系建立药物推荐模型，并且训练所述药物推荐模型，所述药物推荐模型训练完成后，将证型特征向量和中医证型结果作为所述药物推荐模型的输入，输出为药物推荐结果。
为了向患者以及医生用户精准推荐药物，结合本发明实施例，还存在一种优选的实现方案，具体的，如图3所示，所述药物推荐模型包括证型药物使用模型和关联规则匹配模型，其中：
所述证型药物使用模型是指在各个证型下常规药物的使用模型，每个中医证型结果对应一个证型药物使用模型；
所述关联规则匹配模型是用于为患者推荐证型药物以外的补充药物；
所述证型药物使用模型和所述关联规则匹配模型的输出结果并集作为所述药物推荐模型的输出。
本实施例一中药物推荐模型包括证型药物使用模型和关联规则匹配模型，除了能够根据中医证型结果直接推荐出药物外，还有为患者推荐证型药物以外的补充药物。
本实施例一中，将慢性阻塞性肺疾病的药物推荐分为证型药物推荐和补充药物推荐两个环节，分别通过构建证型常用药物模型和构建关联规则匹配模型来实现。
证型药物使用模型是指不同证型下的常用药物使用模型，每个特定证型都对应一个药物使用模型。本实施例一中，中医证型结果有9个，证型药物使用模型对应的也有9个，模型的构建基于反向传播神经网络实现，并使用粒子群算法对神经网络进行优化。首先随机初始化网络参数，然后根据网络结构构建PSO粒子群，以网络参数的数目作为每个粒子的维数，以网络的损失函数作为适应度函数，在每一次迭代中更新粒子的位置和速度，直到粒子的适应度值达到预定要求。粒子更新速度和位置的公式如下：
Figure BDA0003062198470000121
Figure BDA0003062198470000122
其中，
Figure BDA0003062198470000123
是一个n维向量，表示粒子i的位置，k表示迭代次数。Vi表示粒子运动的速度。r1和r2是随机值，c1和c2是非负学习常数，ω是惯性权重。pbest,i表示粒子i自身移动历史中的最佳位置，gbest表示全局最佳位置，他们分别代表的是局部最优解和全局最优解，反映粒子i自身的历史实验信息和粒子邻域的社会共享信息。
然后将PSO粒子群的全局最优位置矢量作为神经网络的初始化参数，接下来再使用反向传播算法不断更新网络参数，得到最优的常用药物使用模型。模型设置PSO粒子数为75，惯性权重为0.5，粒子位置和速度取值分别限定在[-5,5]和[-1,1]内。每个模型的训练选取慢性阻塞性肺疾病中医诊疗数据集中相应证型的数据作为训练集。模型以患者信息作为输入，将证型常用药物的使用情况用向量表示后作为网络输出。假设某证型常用药物有n种，则药物使用情况用向量表示为：
P＝[p1,p2,…,pn]T
其中pi表示第i种药物的使用概率。对于训练集中的已知药物，若药物中存在某药物，则认为该药物的使用概率为1，不存在则为0。对于预测输出概率，设置阈值p＝0.5，若使用概率大于该阈值，则认为相应药物为推荐药物，否则不推荐。
为了避免漏诊以及遗漏症状的情况，结合本发明实施例，还存在一种优选的实现方案，具体的，如图3所示，所述关联规则匹配模型的建立依据为：
依照从慢性阻塞性肺疾病数据集中挖掘得到的关联规则，使用慢性阻塞性肺疾病患者的症状信息进行药物规则匹配，将匹配规则中后项的药物组合作为推荐给患者的补充治疗药物，即补充药物推荐结果。
关联规则匹配模型是用于为患者推荐证型常用药物以外的补充药物，其构建方法如下：首先在慢性阻塞性肺疾病的中医诊疗数据集中使用FP-growth算法挖掘出符合支持度和置信度要求的关联规则，最小支持度设置为0.2，最小置信度设置为0.9，在获得的关联规则中挑选出后项是药物组合的关联规则，使用患者已知信息进行上述关联规则的匹配，将满足匹配要求的关联规则的后项药物组合作为关联规则匹配模型的输出。
FP-growth算法得到的关联规则可能有很多种形式，但只有后项为药物的规则才对本实施例一有意义，具体来说就是挑选出符合“症状->药物”或“药物->药物”或“症状、药物->药物”形式的规则来使用。
关联规则是形如X→Y的蕴涵式，其中，X和Y分别称为关联规则的前项(antecedent或left-hand-side,LHS)和后项(consequent或right-hand-side,RHS)。其中，关联规则中的X和Y，存在支持度和信任度。
药物推荐模型的主体由各证型常用药物使用模型和关联规则匹配模型构成，其中各证型常用药物模型即慢性阻塞性肺疾病中九种中医证型所对应的九个药物使用模型。用户将病患症状信息和中医证型输入药物推荐模型后，系统会根据中医证型从各证型常用药物使用模型中选择相应模型，从而得到证型常用药物推荐结果，然后根据关联规则匹配模型得到补充药物推荐结果。将证型常用药物推荐结果和补充药物推荐结果的并集作为拟推荐药物集合，该集合经中医“十八反”和“十九畏”指导下的中医药配伍禁忌检测后即可得到系统最终推荐的中医药种类。
为了避免出现推荐不准确的情况，结合本发明实施例，还存在一种优选的实现方案，具体的，所述用户根据中医证型结果以及推荐药物进行相应的介入修正，具体包括：
用户对患者信息的补充、删减或修改；
用户对证型判定结果的修改；
用户对药物推荐种类的补充、删减、修改或对药物使用剂量的补充说明。
本实施例一中，用户一般是医生，用户根据患者实际情况对证型判定结果和推荐治疗药物进行修正。用户修正包含用户对患者信息的补充、删减或修改，对证型判定结果的修改，以及对药物推荐种类的补充、删减、修改或对药物使用剂量的补充说明。用户的更改记录被记录在系统中，同步进行各个模型的数据训练。
为了扩充模型训练的数据集，结合本发明实施例，还存在一种优选的实现方案，具体的，所述记录慢性阻塞性肺疾病患者就诊过程并结束诊疗，具体包括：
将会诊病患的就诊过程作为模型训练数据集的样本，用户修正后的会诊过程全部诊疗记录存储到慢性阻塞性肺疾病的中医诊疗系统中，用于扩充模型训练的数据集。
最后，将人工修正后的该病患本次全部诊疗记录存储到慢性阻塞性肺疾病的中医诊疗系统中，用于扩充模型训练的数据集。
实施例二：
本实施例二提供一种用于慢性阻塞性肺疾病的中医辅助诊疗系统，如图5所示，系统包括：信息采集模块、证型判定模块、药物推荐模块、交互模块和数据管理模块，其中：
所述信息采集模块用于完成慢性阻塞性肺疾病患者的症状信息的采集；
所述证型判定模块用于辅助辨别所述慢性阻塞性肺疾病患者的中医证型；
所述药物推荐模块用于将证型特征向量和中医证型结果智能结合，输出所述慢性阻塞性肺疾病患者的药物推荐结果；
所述交互模块用于向用户提供对于所述药物推荐模块结果的补充、删减或修改的操作；
所述数据管理模块用于记录所述慢性阻塞性肺疾病患者的各。
在本实施例二中，慢性阻塞性肺疾病的中医辅助诊疗系统主要是根据患者的疾病信息判断出患者所对应的疾病。慢性阻塞性肺疾病的中医辅助诊疗系统可以根据前述公开的方法，给患者提供相应的疾病诊断方案；而且，慢性阻塞性肺疾病的中医辅助诊疗系统给患者提供的药物治疗方案，还可以根据患者的不同状况灵活变换药物的比例权重。
慢性阻塞性肺疾病的中医辅助诊疗系统还可以在系统终端打印出患者的治疗方案的处方以及患者在日常生活中的注意事项等。
本实施例二中的系统具备规范信息采集、辅助辨别证型、智能推荐药物和病案数据管理的功能，可在病患就诊过程中对医生起到辅助作用，从而提高诊疗效率。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种用于慢性阻塞性肺疾病的中医辅助诊疗方法，其特征在于，方法包括：
采集慢性阻塞性肺疾病患者的症状信息；
对症状信息进行预处理，得到症状特征向量相对应的中医证型结果；
利用已知症状特征向量与中医证型结果的对应关系建立证型判定模型，并且训练所述证型判定模型，所述证型判定模型训练完成后，将慢性阻塞性肺疾病患者的症状信息作为所述证型判定模型的输入，输出为慢性阻塞性肺疾病患者的中医证型结果；
中医证型判定模型的构建包括：特征选择和证型判定；
关于特征选择，通过计算各个症状特征的Fisher分数，选择出与证型相关性比较高的特征用于证型判定；Fisher分数的计算：已知某项特征数据xi和对应的类标签yi，yi∈{1,2,…,k}，k表示类别数，则Fisher分数(F)计算公式为:
Figure QLYQS_1
其中，ni是类别i包含的样本数量，μi是全部数据中该特征的均值，μi和
Figure QLYQS_2
是类别i的样本数据中该特征的平均值和方差；
所述对症状信息进行预处理，具体包括：
将患者的症状信息转化为症状特征向量，利用已知症状特征向量结合中医证型结果与药物之间的对应关系建立药物推荐模型；
所述药物推荐模型包括证型药物使用模型和关联规则匹配模型，证型药物使用模型是指不同证型下的常用药物使用模型，每个特定证型都对应一个药物使用模型，模型的构建基于反向传播神经网络实现，并使用粒子群算法对神经网络进行优化；首先随机初始化网络参数，然后根据网络结构构建PSO粒子群，以网络参数的数目作为每个粒子的维数，以网络的损失函数作为适应度函数，在每一次迭代中更新粒子的位置和速度，直到粒子的适应度值达到预定要求；粒子更新速度和位置的公式如下：
Figure QLYQS_3
Figure QLYQS_4
其中，
Figure QLYQS_5
是一个n维向量，表示粒子i的位置，k表示迭代次数，Vi表示粒子运动的速度，r1和r2是随机值，c1和c2是非负学习常数，ω是惯性权重；pbest,i表示粒子i自身移动历史中的最佳位置，gbest表示全局最佳位置，他们分别代表的是局部最优解和全局最优解，反映粒子i自身的历史实验信息和粒子邻域的社会共享信息；
依据中医证型结果判断得出推荐药物；
用户根据中医证型结果以及推荐药物进行相应的介入修正；
记录慢性阻塞性肺疾病患者就诊过程并结束诊疗。
2.如权利要求1所述的用于慢性阻塞性肺疾病的中医辅助诊疗方法，其特征在于，所述采集慢性阻塞性肺疾病患者的症状信息包括：患者基本信息、主诉症状、次症、其他症状、中医四诊和辅助检查结果，其中：
所述患者基本信息至少包括身份证号码、电话号码和现居住住址中的一种；
所述主诉症状至少包括咳嗽、咳痰和呼吸困难中的一种；
所述次症至少包括胸闷或胸痛等级；
所述其他症状至少包括潮热盗汗或大小便；
所述中医四诊至少包括望诊或脉象；
所述辅助检查结果包括胸部CT、X片和肺通气功能检查中的一种或多种。
3.如权利要求2所述的用于慢性阻塞性肺疾病的中医辅助诊疗方法，其特征在于，所述对症状信息进行预处理，具体包括：
将患者的症状信息转化为症状特征向量，症状特征向量是适合计算机处理的格式，转化过程包括识别文本描述、统一变量单位、数值化和归一化的操作。
4.如权利要求3所述的用于慢性阻塞性肺疾病的中医辅助诊疗方法，其特征在于，依据已知症状特征向量和中医证型结果判断得出推荐药物，具体包括：
利用已知症状特征向量结合中医证型结果与药物之间的对应关系建立药物推荐模型，并且训练所述药物推荐模型，所述药物推荐模型训练完成后，将证型特征向量和中医证型结果作为所述药物推荐模型的输入，输出为药物推荐结果。
5.如权利要求4所述的用于慢性阻塞性肺疾病的中医辅助诊疗方法，其特征在于，所述药物推荐模型包括证型药物使用模型和关联规则匹配模型，其中：
所述证型药物使用模型是指在各个证型下常规药物的使用模型，每个中医证型结果对应一个证型药物使用模型；
所述关联规则匹配模型是用于为患者推荐证型药物以外的补充药物；
所述证型药物使用模型和所述关联规则匹配模型的输出结果并集作为所述药物推荐模型的输出。
6.如权利要求5所述的用于慢性阻塞性肺疾病的中医辅助诊疗方法，其特征在于，所述关联规则匹配模型的建立依据为：
依照从慢性阻塞性肺疾病数据集中挖掘得到的关联规则，使用慢性阻塞性肺疾病患者的症状信息进行药物规则匹配，将匹配规则中后项的药物组合作为推荐给患者的补充治疗药物，即补充药物推荐结果。
7.如权利要求6所述的用于慢性阻塞性肺疾病的中医辅助诊疗方法，其特征在于，所述用户根据中医证型结果以及推荐药物进行相应的介入修正，具体包括：
用户对患者信息的补充、删减或修改；
用户对证型判定结果的修改；
用户对药物推荐种类的补充、删减、修改或对药物使用剂量的补充说明。
8.如权利要求7所述的用于慢性阻塞性肺疾病的中医辅助诊疗方法，其特征在于，所述记录慢性阻塞性肺疾病患者就诊过程并结束诊疗，具体包括：
将会诊病患的就诊过程作为模型训练数据集的样本，用户修正后的会诊过程全部诊疗记录存储到慢性阻塞性肺疾病的中医诊疗系统中，用于扩充模型训练的数据集。
9.一种用于慢性阻塞性肺疾病的中医辅助诊疗系统，其特征在于，所述系统应用所述权利要求1-8任一所述的用于慢性阻塞性肺疾病的中医辅助诊疗方法，系统包括：信息采集模块、证型判定模块、药物推荐模块、交互模块和数据管理模块，其中：
所述信息采集模块用于完成慢性阻塞性肺疾病患者的症状信息的采集；
所述证型判定模块用于辅助辨别所述慢性阻塞性肺疾病患者的中医证型；
所述药物推荐模块用于将证型特征向量和中医证型结果智能结合，输出所述慢性阻塞性肺疾病患者的药物推荐结果；
所述交互模块用于向用户提供对于所述药物推荐模块结果的补充、删减或修改的操作；
所述数据管理模块用于记录所述慢性阻塞性肺疾病患者的各项数据以及所述证型判定模块和所述药物推荐模块的数据集。
CN202110516072.1A 2021-05-12 2021-05-12 一种用于慢性阻塞性肺疾病的中医辅助诊疗方法和系统 Active CN113241173B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110516072.1A CN113241173B (zh) 2021-05-12 2021-05-12 一种用于慢性阻塞性肺疾病的中医辅助诊疗方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110516072.1A CN113241173B (zh) 2021-05-12 2021-05-12 一种用于慢性阻塞性肺疾病的中医辅助诊疗方法和系统

Publications (2)

Publication Number Publication Date
CN113241173A CN113241173A (zh) 2021-08-10
CN113241173B true CN113241173B (zh) 2023-06-13

Family

ID=77133653

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110516072.1A Active CN113241173B (zh) 2021-05-12 2021-05-12 一种用于慢性阻塞性肺疾病的中医辅助诊疗方法和系统

Country Status (1)

Country Link
CN (1) CN113241173B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104951665A (zh) * 2015-07-22 2015-09-30 浙江大学 一种推荐药品的方法和系统
CN109920535A (zh) * 2019-02-28 2019-06-21 彭明德 一种移动中医辨证分析方法及装置
CN110115563A (zh) * 2019-05-22 2019-08-13 成都中医药大学 一种中医证型预测系统

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150154375A1 (en) * 2013-11-27 2015-06-04 Companion Dx Reference Lab, Llc. Systems and methods for optimizing drug therapies
CN109102899A (zh) * 2018-07-20 2018-12-28 四川好医生云医疗科技有限公司 基于机器学习与大数据的中医智能辅助系统及方法
CN109166619A (zh) * 2018-07-20 2019-01-08 上海溯斋网络科技有限公司 基于神经网络算法的中医智能诊断辅助系统及方法
CN109817331B (zh) * 2019-01-25 2022-11-01 温州职业技术学院 一种针对慢性阻塞性肺疾病的远程医疗辅助决策系统
CN110459321B (zh) * 2019-08-20 2020-10-23 山东众阳健康科技集团有限公司 一种基于证素的中医辅助诊断系统
CN111584041A (zh) * 2020-04-26 2020-08-25 珠海横琴博远中医药科技发展有限公司 一种中医诊疗辅助信息管理系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104951665A (zh) * 2015-07-22 2015-09-30 浙江大学 一种推荐药品的方法和系统
CN109920535A (zh) * 2019-02-28 2019-06-21 彭明德 一种移动中医辨证分析方法及装置
CN110115563A (zh) * 2019-05-22 2019-08-13 成都中医药大学 一种中医证型预测系统

Also Published As

Publication number Publication date
CN113241173A (zh) 2021-08-10

Similar Documents

Publication Publication Date Title
CN110838368B (zh) 一种基于中医临床知识图谱的主动问诊机器人
Kadhim et al. Design and implementation of fuzzy expert system for back pain diagnosis
US10089391B2 (en) Ontological information retrieval system
US20100280350A1 (en) Chinese medicine tele-diagnostics and triage system
CN107038343A (zh) 临床诊断模型的构建方法及构建系统、临床诊断系统
CN113077873B (zh) 一种中医临床决策支持系统及方法
CN109166619A (zh) 基于神经网络算法的中医智能诊断辅助系统及方法
CN109378066A (zh) 一种基于特征向量实现疾病预测的控制方法及控制装置
CN110289095A (zh) 一种股骨颈骨折临床智能辅助决策方法及系统
CN109102899A (zh) 基于机器学习与大数据的中医智能辅助系统及方法
Geetha et al. Fuzzy case-based reasoning approach for finding COVID-19 patients priority in hospitals at source shortage period
CN110335684A (zh) 基于主题模型技术的中医智能辨证辅助决策方法
CN111430025B (zh) 一种基于医疗影像数据扩增的疾病诊断模型训练方法
Zhang et al. Medical diagnosis data mining based on improved Apriori algorithm
CN109920535A (zh) 一种移动中医辨证分析方法及装置
CN108509419A (zh) 中医药古籍文献分词和词性标引方法及系统
CN116013534A (zh) 一种基于医学指南和数据的临床辅助决策方法及系统
CN116910172A (zh) 基于人工智能的随访量表生成方法及系统
CN115376648A (zh) 一种智能处方生成装置和智能处方生成系统
CN110739075A (zh) 一种基于大数据的copd疾病辅助诊断监测系统
Li et al. Meddm: Llm-executable clinical guidance tree for clinical decision-making
CN113241173B (zh) 一种用于慢性阻塞性肺疾病的中医辅助诊疗方法和系统
Li et al. Personalized intelligent syndrome differentiation guided by TCM consultation philosophy
Yang et al. Mapping institutions and their weak ties in a specialty: A case study of cystic fibrosis body composition research
CN112233804A (zh) 一种经方智能推荐方法及应用该方法的设备

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