CN113744828B - 一种病历推荐方法、装置、设备及存储介质 - Google Patents

一种病历推荐方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN113744828B
CN113744828B CN202111024932.6A CN202111024932A CN113744828B CN 113744828 B CN113744828 B CN 113744828B CN 202111024932 A CN202111024932 A CN 202111024932A CN 113744828 B CN113744828 B CN 113744828B
Authority
CN
China
Prior art keywords
medical record
diagnosis
current
diagnostic
diagnostic medical
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
CN202111024932.6A
Other languages
English (en)
Other versions
CN113744828A (zh
Inventor
王团圆
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.)
Shenzhen Ping An Smart Healthcare Technology Co ltd
Original Assignee
Shenzhen Ping An Smart Healthcare Technology Co ltd
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 Shenzhen Ping An Smart Healthcare Technology Co ltd filed Critical Shenzhen Ping An Smart Healthcare Technology Co ltd
Priority to CN202111024932.6A priority Critical patent/CN113744828B/zh
Publication of CN113744828A publication Critical patent/CN113744828A/zh
Application granted granted Critical
Publication of CN113744828B publication Critical patent/CN113744828B/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
    • 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
    • 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
    • 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
    • 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

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

Abstract

本申请涉及数字医疗领域，公开了一种病历推荐方法、装置、设备及存储介质，包括：当存在当前诊断病历的诊疗需求时，获取诊断病历集合；根据当前诊断病历的当前症状特征和每个诊断病历的症状特征，确定当前诊断病历的相关诊断病历集合和不相关诊断病历集合；根据当前症状特征在相关诊断病历集合的第一出现频次和在不相关诊断病历集合的第二出现频次，确定当前症状特征的相关权重；根据当前症状特征与每个诊断病历的相关强度和相关权重，确定当前诊断病历与每个诊断病历的相关度；基于相关度，确定当前诊断病历的推荐治疗病历。可以有效的为当前诊断病历推荐合适的治疗方案。本申请涉及区块链技术，如可将上述数据写入区块链中，以用于推荐等场景。

Description

一种病历推荐方法、装置、设备及存储介质
技术领域
本申请涉及数字医疗领域，尤其涉及一种病历推荐方法、装置、设备及存储介质。
背景技术
通常新型疾病可以以前所未有的速度增加，并且随着人口快速流动，往往跨越国境向世界范围传播，对人类健康造成莫大威胁及损失，面对新型疾病，目前，由于新型疾病早期病情的不确定，人类对新型疾病的发病规律认识不深，缺乏有效完整的循证医学证据，那么可以依靠丰富的医学病例，进行深入挖掘和利用，以寻求诊疗方向。因此帮助专业医生如何快速从众多病例中寻找诊疗方向成为了当前医疗领域中亟需解决的问题。
发明内容
本申请实施例提供了一种病历推荐方法、装置、设备及存储介质，可以有效的为当前诊断病历推荐合适的治疗方案。
第一方面，本申请实施例公开了一种病历推荐方法，所述方法包括：
当存在针对当前诊断病历的诊疗需求时，获取诊断病历集合，所述诊断病历集合包括多个诊断病历；
根据所述当前诊断病历中的当前症状特征和每个诊断病历中的症状特征，从所述诊断病历集合中确定所述当前诊断病历的相关诊断病历集合和不相关诊断病历集合，所述相关诊断病历集合包括：与所述当前诊断病历相关的一个或多个诊断病历，所述不相关诊断病历集合包括：与所述当前诊断病历不相关的一个或多个诊断病历；
根据所述当前症状特征在所述相关诊断病历集合中的第一出现频次和在所述不相关诊断病历集合中的第二出现频次，确定所述当前症状特征对应的相关权重；
确定所述当前症状特征与所述每个诊断病历之间的相关强度，并根据所述相关强度和所述相关权重，确定所述当前诊断病历与所述每个诊断病历之间的相关度；
基于所述当前诊断病历与所述每个诊断病历之间的相关度，从所述诊断病历集合中确定所述当前诊断病历对应的推荐诊断病历，并将所述推荐诊断病历对应的治疗病历确定为推荐治疗病历。
第二方面，本申请实施例公开了一种病历推荐装置，所述装置包括：
获取单元，用于当存在针对当前诊断病历的诊疗需求时，获取诊断病历集合，所述诊断病历集合包括多个诊断病历；
第一确定单元，用于根据所述当前诊断病历中的当前症状特征和每个诊断病历中的症状特征，从所述诊断病历集合中确定所述当前诊断病历的相关诊断病历集合和不相关诊断病历集合，所述相关诊断病历集合包括：与所述当前诊断病历相关的一个或多个诊断病历，所述不相关诊断病历集合包括：与所述当前诊断病历不相关的一个或多个诊断病历；
第二确定单元，用于根据所述当前症状特征在所述相关诊断病历集合中的第一出现频次和在所述不相关诊断病历集合中的第二出现频次，确定所述当前症状特征对应的相关权重；
第三确定单元，用于确定所述当前症状特征与所述每个诊断病历之间的相关强度，并根据所述相关强度和所述相关权重，确定所述当前诊断病历与所述每个诊断病历之间的相关度；
推荐单元，用于基于所述当前诊断病历与所述每个诊断病历之间的相关度，从所述诊断病历集合中确定所述当前诊断病历对应的推荐诊断病历，并将所述推荐诊断病历对应的治疗病历确定为推荐治疗病历。
第三方面，本申请实施例公开了一种病历推荐设备，包括处理器、存储器，其中，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器被配置用于调用所述程序指令，执行上述第一方面的方法。
第四方面，本申请实施例公开了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时使所述处理器执行上述第一方面的方法。
本申请实施例中，可以在当存在针对当前诊断病历的诊疗需求时，获取包括多个诊断病历的诊断病历集合，并根据当前诊断病历中的当前症状特征和每个诊断病历中的症状特征，从诊断病历集合中确定当前诊断病历的相关诊断病历集合和不相关诊断病历集合，其中，相关诊断病历集合包括：与当前诊断病历相关的一个或多个诊断病历，不相关诊断病历集合包括：与当前诊断病历不相关的一个或多个诊断病历。进一步的，可以根据当前症状特征在相关诊断病历集合中的第一出现频次和在不相关诊断病历集合中的第二出现频次，确定当前症状特征对应的相关权重，还可以确定当前症状特征与每个诊断病历之间的相关强度，并根据相关强度和相关权重，确定当前诊断病历与每个诊断病历之间的相关度，最后，可以基于当前诊断病历与每个诊断病历之间的相关度，从诊断病历集合中确定当前诊断病历对应的推荐诊断病历，并将推荐诊断病历对应的治疗病历确定为推荐治疗病历。可以有效的为当前诊断病历推荐合适的治疗方案。
附图说明
为了更清楚地说明本申请实施例技术方案，下面将对实施例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是本申请实施例提供的一种病历推荐方法的流程示意图；
图2是本申请实施例提供的一种医生操作界面的界面示意图；
图3是本申请实施例提供的一种病历推荐装置的结构示意图；
图4是本申请实施例提供的一种病历推荐设备的结构示意图。
具体实施方式
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。
本申请实施例能够应用于多种不同的领域中，如智慧问诊领域、智能诊疗领域、病历推荐领域等。
在一种实现方式中，在病历推荐领域中，所述数据可以是与诊疗相关联的医疗数据，如与诊疗相关联的病历、问诊数据、检查报告、处方等
本申请实施例提供的方案涉及人工智能、数字医疗等技术，具体通过如下实施例进行说明：
请参阅图1，图1是本申请实施例提供的一种病历推荐方法的流程示意图。本实施例中所描述的病历推荐方法，应用于病历推荐设备，可由病历推荐设备执行，该病历推荐设备可以是服务器，也可以是终端。如图1所示，该病历推荐方法包括以下步骤：
S101：当存在针对当前诊断病历的诊疗需求时，获取诊断病历集合。
在一种实现方式中，可以是在病历推荐设备接收到一个病历推荐请求时，确定当前存在针对当前诊断病历的诊疗需求。例如，医生可以向病历推荐设备发送一个针对当前诊断病历的诊疗请求，以使病历推荐设备接收该诊疗请求，而在病历推荐设备接收到该诊疗请求之后，也就确定存在针对当前诊断病历的诊疗需求。在一种实现方式中，当医生需要获取与当前诊断病历相关联的历史诊疗方案时，医生可以通过在终端所输出的医生操作界面执行相关操作，以向病历推荐设备发送针对当前诊断病历的诊疗需求，其中，诊疗需求可以是获取针对当前诊断病历的诊疗方案，也就是后续提到的所获取的推荐治疗病历。例如参见图2所示：医生所使用的终端可在终端屏幕中显示一个医生操作界面，该医生操作界面可以至少包括由201标记的诊断病历输入区域，以及由202标记的确认控件。若医生想要获取与当前诊断病历相关联的历史诊疗方案，则该医生可在该诊断病历输入区域201中输入当前诊断病历的相关信息(如诊断病历A)，然后对该确认控件202执行触发操作(如点击操作、按压操作等)，从而使病历推荐设备获取到针对当前诊断病历的诊疗请求。
其中，本申请中涉及的病历可以包括中医类病历，也可以包括西医类病历，在此不做具体限定。在某些实施例中，该病例可以是电子病历。
在一种实现方式中，在当存在针对当前诊断病历的诊疗需求时，获取诊断病历集合之前，可以获取历史病历集合，该历史病历集合中可以包括多个历史病历。针对历史病历集合中的任一历史病历，可以对该历史病历中的病历内容进行拆分，以得到该历史病历对应的诊断病历和治疗病历。而在得到诊断病历和治疗病历之后，可以并将诊断病历和治疗病历进行关联存储，以便于后续可以根据诊断病历查找到对应的治疗病历。
可以理解的是，针对医院的病历的病历内容一般可以包括患者的基本信息(例如年龄、性别、家族史既往史等)、症状体征、检查检验结果、诊断结果、治疗效果等。在本申请中，可以将一个历史病历拆分为两个病历，该两个病历可以分别为诊断病历和治疗病历。其中，诊断病历中的病历内容可以包括一个历史病历中的基本信息、症状体征、检查检验结果、诊断结果，治疗病历的病历内容可以包括该历史病历中的治疗效果。即一个历史病历可以拆分为一个诊断病历和一个治疗病历，且针对一个历史病历而言，该诊断病历和治疗病历具有一一对应关系。可以将诊断病历和治疗病历进行关联存储，以便于后续可以根据诊断病历查找到对应的治疗病历。例如，在进行关联存储时，可以将所有的诊断病历和所有的治疗病历存储在一个病历库中，也可以将所有的诊断病历和所有的治疗病历存储在不同的病历库中。如可以将诊断病历存储在诊断病历库中，将治疗病历存储在治疗病历库中，以便于后续可以直接从诊断病历库中获取诊断病历集合。相比于获取完整的病历集合，诊断病历中的病历内容较少，从而可以加快数据加载速度，也就可以加快获取诊断病历集合，进而可以提高后续病历推荐的速度。
上述可知，当病历推荐设备获取到当前诊断病历的诊疗需求时，可以获取诊断病历集合，该诊断病历集合包括多个诊断病历。例如，可以从目标存储区域中获取诊断病历集合，该目标存储区域可以预先设置，其具体位置在本申请不做限定。诊断病历集合中所包括的诊断病历也就是上述的历史诊断病历。
S102：根据当前诊断病历中的当前症状特征和每个诊断病历中的症状特征，从诊断病历集合中确定当前诊断病历的相关诊断病历集合和不相关诊断病历集合。
其中，相关诊断病历集合包括：与当前诊断病历相关的一个或多个诊断病历，不相关诊断病历集合包括：与当前诊断病历不相关的一个或多个诊断病历。其中，关于相关和不相关的定义可以参考下述的描述。为方便描述，可以将与当前诊断病历相关的诊断病历称之为相关诊断病历，可以将与当前诊断病历不相关的诊断病历称之为不相关诊断病历。
在一种实现方式中，针对诊断病历而言，诊断病历中的病历内容通常可以包括针对某一疾病所关联的的数据，该数据可以包括的产生该疾病的症状体征、该疾病的检查检验结果、以及该疾病的诊断结果等数据。可以理解的是，病历中的描述通常是采用医疗中的专业术语。在本申请中，可以将描述疾病的一些临床症状所对应的专业术语称之为症状特征。例如，某一诊断病历中所描述的剧烈头痛、呕吐、心悸、晕眩均可以作为症状特征，又如，某一诊断病历中所描述的咳嗽、发烧、头疼也均可以作为症状特征。可选的，在利用当前诊断病历中的当前症状特征和每个诊断病历中的症状特征进行相关处理之前，可以先确定当前诊断病历中的当前症状特征和每个诊断病历中的症状特征。例如，以任一诊断病历为例，可以将该诊断病历中的病历内容与参考词典中所包括的参考症状特征进行匹配，如果病历内容中存在参考字典中的参考症状特征，则将匹配到参考症状特征确定为该诊断病历的症状特征。该参考词典中可以包含大量的参考症状特征，如可以根据大数据技术对各个参考症状特征进行收集，以形成该参考词典。又如，可以调用预先训练好的特征识别模型对诊断病历中的病历内容进行症状特征识别，以得到诊断病历中的症状特征。
在一种实现方式中，可以根据当前诊断病历中的当前症状特征和每个诊断病历中的症状特征，从诊断病历集合中确定当前诊断病历的相关诊断病历集合和不相关诊断病历集合。可选的，可以根据每个诊断病历中的症状特征，对诊断病历集合中的多个诊断病历进行聚类处理，以得到多个诊断病历簇，该每个诊断病历簇中可以包括一个或多个诊断病历。在得到多个诊断病历簇之后，可以根据每个诊断病历簇中所包括的症状特征确定每个诊断病历簇对应的典型诊断病历，以根据该典型诊断病历和每个典型诊断病历对应的诊断病历簇确定当前诊断病历的相关诊断病历集合和不相关诊断病历集合。具体地，以多个诊断病历簇中的任一诊断病历簇为例进行说明，可以从该任一诊断病历簇中的一个或多个诊断病历中提取共同症状特征，共同症状特征可以是指诊断病历簇的每一个诊断病历中均存在的诊断特征。接着，可以根据该共同症状特征生成该任一诊断病历簇对应的典型诊断病历。而在确定每个诊断病历簇对应的典型诊断病历之后，可以根据目标症状特征从诊断病历集合中，确定当前诊断病历的相关诊断病历集合和不相关诊断病历集合。其中，该目标症状特征可以包括：当前诊断病历中的当前症状特征、每个诊断病历簇对应的典型诊断病历中的共同症状特征、以及每个诊断病历中的症状特征。
在一种实现方式中，上述根据目标症状特征确定当前诊断病历的相关诊断病历集合和不相关诊断病历集合的具体实施方式可以包括：首先，可以将当前诊断病历中的当前症状特征与每个诊断病历簇对应的典型诊断病历中的共同症状特征进行匹配，以得到每个典型诊断病历对应的第一匹配数量，第一匹配数量即是指当前症状特征与共同诊断特征相同的数量。而在确定每个典型诊断病历对应的第一匹配数量之后，可以将该第一匹配数量与第一预设数量进行比较，并根据比较结果确定相关病历和不相关病历。例如，可以将超过第一预设数量的第一匹配数量对应的典型诊断病历和该典型诊断病历对应的诊断病历簇添加到相关诊断病历集合中。可以将不超过第一预设数量的第一匹配数量对应的典型诊断病历添加到相关诊断病历集合中。其中，可以将超过第一预设数量的第一匹配数量对应的典型诊断病历称之为第一典型诊断病历，可以将不超过第一预设数量的第一匹配数量对应的典型诊断病历称之为第二典型诊断病历。
而对于第二典型诊断病历对应的诊断病历簇中的各个针对病历，可以进一步根据该第二典型诊断病历对应的诊断病历簇中各个诊断病历的症状特征，确定该诊断病历簇中各个诊断病历是否为相关诊断病历。
可选的，如果存在不超过第一预设数量的第一匹配数量对应的第二典型诊断病历，则可以将当前诊断病历的当前症状特征和第二典型诊断病历对应的目标诊断病历簇中每个目标诊断病历的症状特征进行匹配，以得到每个目标诊断病历对应的第二匹配数量。针对目标诊断病历簇中的任一目标目标诊断病历，可以根据该第二典型诊断病历对应的第一匹配数量和该任一目标诊断病历对应的第二匹配数量，确定目标匹配数量(可以将第一匹配数量和第二匹配数量进行求和运算的结果作为目标匹配数量，或者，可以将第一匹配数量和第二匹配数量的加权求和结果作为目标匹配数量)，以根据该目标匹配数量确定该任一目标诊断病历是否为相关诊断病历。例如，可以将该目标匹配数量和第二预设数量进行比较，以根据该比较结果确定该任一目标诊断病历是否为相关诊断病历。具体地，如果该目标匹配数量超过第二预设数量，则可以将该目标诊断病历添加到相关诊断病历集合中；如果该目标匹配数量不超过第二预设数量，则可以将该目标诊断病历添加到不相关诊断病历集合中。
在一种实现方式中，上述根据每个诊断病历中的症状特征，对诊断病历集合中的多个诊断病历进行聚类处理，得到多个诊断病历簇的聚类方式可以参考K均值聚类、层次聚类等方式，其具体聚类方式在本申请不做限定。例如，下述以聚类方式为层次聚类方式为例进行说明，可以根据诊断病历集合中每个诊断病历中所包括的症状特征，确定任意两个诊断病历之间的病历相似度，将最大病历相似度所对应的两个诊断病历划分为第一诊断病历簇，然后再将第一诊断病历簇和未被划分为第一诊断病历簇的诊断病历重新进行聚类处理，当满足聚类条件时，则停止聚类处理，以得到多个诊断病历簇。其中，聚类条件可以是诊断病历簇的数量到达预设数量，或不存在病历相似度大于预设相似度阈值的任意两个诊断病历。
可选的，确定任意两个诊断病历之间的病历相似度的具体实施方式可以包括：假设任意两个诊断病历包括第一诊断病历和第二诊断病历，统计第一诊断病历中所有的症状特征的第一特征数量和第二诊断病历中所有的症状特征的第二特征数量，还可以确定第一诊断病历和第二诊断病历之间具有的共同症状特征的第三特征数量。进一步的，可以计算第一特征数量和第二特征数量之间的和值，并将第三特征数量与和值之间的比值作为第一诊断病历和第二诊断病历之间的病历相似度。
需要说明的是，在对诊断病历进行聚类过程中，可能存在需要将一个诊断病历簇与其他诊断病历或其他诊断病历簇进行聚类，在这种聚类的情况下，需要计算该诊断病历簇与其他诊断病历或其他诊断病历簇之间的病历相似度。也就是先要确定该诊断病历簇中所包括的症状特征以及该诊断病历簇中症状特征的数量。下述以任一诊断病历簇为例进行说明，确定该诊断病历簇中所包括的症状特征的方式可以是：可以先确定该诊断病历簇中各个诊断病历所具有的共同症状特征和剩余的非共同症状特征，并将各个诊断病历所具有的共同症状特征和剩余的非共同特征作为该诊断病历簇对应的症状特征。而该诊断病历簇对应的症状特征的数量的确定方式可以是：计算该共同症状特征的数量和该剩余的非共同特征的数量的和值，并确定该诊断病历簇中诊断病历的数量，将该和值和该诊断病历簇中诊断病历的数量之间的比值作为该诊断病历簇对应的症状特征的数量。例如，某一诊断病历簇中包括两个诊断病历，第一个诊断病历中存在5个症状特征，第二个诊断病历中存在7个症状特征，且两个诊断病历中有4个共同症状特征，则剩余的非共同特征有4个，即可以将该4个共同症状特征和该4个剩余的非共同特征作为该某一诊断病历簇对应的症状特征，而该某一诊断病历簇对应的数量为(4+4)/2。
在一种实现中，在对多个诊断病历进行聚类处理的过程中，计算任意两个诊断病历之间的病历相似度时，对于所要利用到的诊断病历中的症状特征，可以预先将诊断病历中所包括的症状特征提取出来，以根据提取出的症状特征来确定相应的特征数量，也可以直接在诊断病历中统计所包括的症状特征所对应的特征数量，在本申请不作限定。需要说明的是，如果在计算任意两个诊断病历之间的病历相似度时，是利用提取出的症状特征来确定相应的特征数量，在可以将所提取出的症状特征和其对应的诊断病历进行关联，以便于后续可以根据症状特征和诊断病历之间的关联关系来查找到诊断病历，并进行后续的聚类处理。其中，确定诊断病历中所存在的症状特征可以参考上述描述，在此处不在赘述。
举例来说，以6个诊断病历(诊断病历1、诊断病历2、诊断病历3、诊断病历4、诊断病历5、诊断病历6)为例，分别计算6个诊断病历之间的病历相似度，找出最大病历相似度所对应的两个诊断病历(假设为诊断病历2、诊断病历3)，则经过一次聚类可得5个诊断病历簇：(诊断病历1)、(诊断病历2、诊断病历3)、(诊断病历4)、(诊断病历5)、(诊断病历6)，然后再利用第一次聚类的方式对该5个诊断病历簇进行聚类，依次循环，直到满足聚类条件，则可以停止聚类。例如，诊断病历2和诊断病历3之间的病历相似度的计算：诊断病历2中症状特征的第一特征数量为5，诊断病历3中症状特征的第一特征数量为7，诊断病历2和诊断病历3之间的共同症状特征的第三特征数量为3，则诊断病历2和诊断病历3之间的病历相似度为3/(5+7)。
S103：根据当前症状特征在相关诊断病历集合中的第一出现频次和在不相关诊断病历集合中的第二出现频次，确定当前症状特征对应的相关权重。
在一种实现方式中，当前诊断病历中可以包括一个或多个当前症状特征，可以根据每一个当前症状特征在相关诊断病历集合中的第一出现频次、以及在不相关诊断病历集合中的第二出现频次，确定每一个当前症状特征对应的相关权重。以一个或多个当前症状特征中的任一当前症状特征为例进行说明，确定该当前症状特征对应的相关权重的具体实施方式可以包括：可以统计该当前症状特征在相关诊断病历集合中的第一出现频次，并统计该当前症状特征在相关诊断病历集合中的第二出现频次。第一出现频次可以是指相关诊断病历集合中存在该当前症状特征对应的相关诊断病历的数量，第二出现频次可以是指不相关诊断病历集合中存在该当前症状特征对应的不相关诊断病历的数量。在确定该当前症状特征对应的第一出现频次和第二出现频次之后，即可以基于该第一出现频次和第二出现频次确定该当前症状特征对应的相关权重。例如，可以按照第一目标规则对第一出现频次和第二出现频次进行处理，以得到该当前症状特征对应的相关权重。其中，第一目标规则可以如公式1所示：
Figure BDA0003240251620000091
其中，w1(ai)表示当前症状特征对应的相关权重，ai表示当前诊断病历中的任一当前症状特征，pi表示第一出现频次(pi＝存在当前症状特征的相关诊断病历的数量/相关诊断病历集合中相关诊断病历的数量)，qi表示第二出现频次(qi＝存在当前症状特征的不相关诊断病历的数量/不相关诊断病历集合中不相关诊断病历的数量)。
在一种实现方式中，确定一个或多个当前症状特征中任一当前症状特征对应的相关权重的具体实施方式还可以是：确定诊断病历集合中诊断病历的数量，确定相关诊断病历集合中相关诊断病历的数量，确定存在当前症状特征的诊断病历的数量，确定存在当前症状特征，且诊断病历为相关诊断病历的数量。在确定上述数据之后，可以基于第二目标规则的基础上对上述确定的数据进行，得到该当前症状特征对应的相关权重。其中，第二目标规则可以如公式2所示：
Figure BDA0003240251620000101
其中，w2(ai)表示当前症状特征对应的相关权重，ai表示当前诊断病历中的任一当前症状特征，N表示诊断病历集合中诊断病历的数量，R表示相关诊断病历集合中相关诊断病历的数量，n表示存在当前症状特征的诊断病历的数量，r表示存在当前症状特征，且诊断病历为相关诊断病历的数量。
S104：确定当前症状特征与每个诊断病历之间的相关强度，并根据相关强度和相关权重，确定当前诊断病历与每个诊断病历之间的相关度。
在一种实现方式中，当前诊断病历中所包括的当前症状特征的数量可以为多个，针对多个当前症状特征中的任一当前症状特征，确定该任一当前症状特征与每个诊断病历之间的相关强度的具体实施方式可以是：可以确定该任一当前症状特征是否存在于各个诊断病历中，可以将存在该任一当前症状特征对应的诊断病历与该任一当前症状特征之间的相关强度确定为第一数值，例如该第一数值可以是1；可以将不存在该任一当前症状特征对应的诊断病历与该任一当前症状特征之间的相关强度确定为第二数值，例如该第二数值可以是0。
举例来说，如果某一当前诊断病历存在于诊断病历P中，则可以将该当前诊断病历与诊断病历P之间的相关强度确定为1；而如果某一当前诊断病历不存在于诊断病历P中，则可以将该当前诊断病历与诊断病历P之间的相关强度确定为0。
在一种实现方式中，在确定当前症状特征与每个诊断病历之间的相关强度之后，既可以根据当前症状特征与每个诊断病历之间的相关强度、以及当前症状特征对应的相关权重，确定当前诊断病历与每个诊断病历之间的相关度。可选的，针对诊断病历集合中的任一诊断病历，确定当前诊断病历与该任一诊断病历之间的相关度的具体实施方式可以是：可以将当前诊断病历中所包括每个当前症状特征与任一诊断病历之间的相关强度、以及每个当前症状特征对应的相关权重进行相乘处理，以得到每个当前症状特征与该任一该诊断病历之间的相关度。而在得到每个当前症状特征与该任一该诊断病历之间的相关度之后，可以将每个当前症状特征与该任一诊断病历之间的相关度进行求和处理，并将求和结果作为当前诊断病历与该任一诊断病历之间的相关度。
举例来说，假设当前诊断病历中包括5个当前症状特征，任一诊断病历为诊断病历D，其中，该5个当前症状特征与诊断病历D的相关强度分别为d1、d2、d3、d4、d5，该5个当前症状特征对应的相关权重分别为w1、w2、w3、w4、w5。首先，可以将该5个相关强度与该5个相关权重对应相乘，即将某一当前症状特征与诊断病历D的相关强度，以及该某一当前症状特征对应的相关权重进行相乘，例如可以是d1*w1，其中，d1*w1可以表示该某一当前症状特征与诊断病历D之间的相关度。而在计算出每个当前症状特征与诊断病历D之间的相关度之后，将每个当前症状特征与诊断病历D之间的相关度进行求和处理，即d1*w1+d2*w2+d3*w3+d4*w4+d5*w5，该值即表示当前诊断病历与诊断病历D之间的相关度。例如，上述计算当前诊断病历与任一诊断病历之间的相关度可以参考公式3所示：
Figure BDA0003240251620000111
其中，A表示当前诊断病历，K表示任一诊断病历，I表示当前诊断病历中当前症状特征的总数量，i的取值范围为[1,I]，ai表示当前诊断病历中第i个当前症状特征。w(ai)表示当前诊断病历中当前症状特征为ai时对应的相关权重，
Figure BDA0003240251620000112
表示当前症状特征为ai时，当前症状特征ai与诊断病历K之间的相关强度。/>
Figure BDA0003240251620000113
或1，当
Figure BDA0003240251620000114
时，表示ai诊存在当前诊断病历A中，但不存在诊断病历K中，当
Figure BDA0003240251620000115
时，表示ai诊存在当前诊断病历A和诊断病历K中。
S105：基于当前诊断病历与每个诊断病历之间的相关度，从诊断病历集合中确定当前诊断病历对应的推荐诊断病历，并将推荐诊断病历对应的治疗病历确定为推荐治疗病历。
在一种实现方式中，可以基于当前诊断病历与每个诊断病历之间的相关度，以从诊断病历集合中确定当前诊断病历对应的推荐诊断病历。其中，推荐诊断病历的数量不作限定，例如，可以推荐诊断病历的数量可以是一个，也可以是多个。可选的，在推荐诊断病历的数量是一个的情况下，可以从当前诊断病历与每个诊断病历之间的相关度中确定最大相关度，以将最大相关度对应的诊断病历确定为推荐诊断病历。可选的，在推荐诊断病历的数量是多个的情况下，可以将当前诊断病历与每个诊断病历之间的相关度进行降序排序，得到相关度排序结果。在得到相关度排序结果之后，可以将相关度排序结果中前L个相关度对应的诊断病历均作为当前诊断病历对应的推荐诊断病历。其中，L为正整数。例如L可以为3、4等数值，L的具体取值在本申请不做限定。在推荐诊断病历的数量是一个的情况下也可以参考此方法类确定，即L也可以为1。
举例来说，假设L＝3，诊断病历有6个，分别为诊断病历1、诊断病历2、诊断病历3、诊断病历4、诊断病历5、诊断病历6，可以确定的每个诊断病历与当前诊断病历所对应的相关度分别为0.35、0.75、0.5、0.85、0.60、0.4，然后将上述相关度进行降序排序，得到相关度排序结果为0.85(诊断病历4)、0.75(诊断病历2)、0.60(诊断病历5)、0.5(诊断病历3)、0.4(诊断病历6)、0.35(诊断病历1)，接着，可以将相关度排序结果中前3个相关度对应的诊断病历作为推荐诊断病历，也就是诊断病历4、诊断病历2和诊断病历5作为推荐诊断病历。
在确定推荐诊断病历之后，即可以根据诊断病历与治疗病历之间的关联，从存储中获取推荐诊断病历对应的推荐治疗病历，从而可以利用推荐治疗病历中的治疗方案对当前诊断病历中所描述的病情进行治疗。可选的，该推荐治疗病历可以显示在如图2中医生操作界面的结果显示区域203中，以便于医生可以从医生操作界面的结果显示区域获取所需要的治疗方案。该推荐治疗病历也可以显示在结果显示区域203中，也可以不显示在结果显示区域203中，在本申请不做限定。
本申请实施例中，病历推荐设备可以在当存在针对当前诊断病历的诊疗需求时，获取包括多个诊断病历的诊断病历集合，并根据当前诊断病历中的当前症状特征和每个诊断病历中的症状特征，从诊断病历集合中确定当前诊断病历的相关诊断病历集合和不相关诊断病历集合，其中，相关诊断病历集合包括：与当前诊断病历相关的一个或多个诊断病历，不相关诊断病历集合包括：与当前诊断病历不相关的一个或多个诊断病历。进一步的，可以根据当前症状特征在相关诊断病历集合中的第一出现频次和在不相关诊断病历集合中的第二出现频次，确定当前症状特征对应的相关权重，还可以确定当前症状特征与每个诊断病历之间的相关强度，并根据相关强度和相关权重，确定当前诊断病历与每个诊断病历之间的相关度，最后，可以基于当前诊断病历与每个诊断病历之间的相关度，从诊断病历集合中确定当前诊断病历对应的推荐诊断病历，并将推荐诊断病历对应的治疗病历确定为推荐治疗病历。通过上述实施方法，可以有效的为当前诊断病历推荐合适的治疗方案。例如，可以将本申请中的病历推荐方法应用于例如新型疾病的中医辅助决策中，利用本申请，可以通过规则推理(如利用症状特征来确定相关诊断病历与不相关诊断病历)和病历推理(如相关度的确定)的复合推理机制，有效的解决面对新型疾病爆发初期对疾病发病规律不了解，又需要短期制定诊疗方案以控制事态扩大的矛盾，同时，通过本申请中的病历推荐方法，可以快速有效地辅助专业医生检索出与当前病历最优的相似病历，从而为当前病历的诊疗方案的制定提供有价值的参考。
请参阅图3，图3是本申请实施例提供的一种病历推荐装置的结构示意图。所述病历推荐装置包括：
获取单元301，用于当存在针对当前诊断病历的诊疗需求时，获取诊断病历集合，所述诊断病历集合包括多个诊断病历；
第一确定单元302，用于根据所述当前诊断病历中的当前症状特征和每个诊断病历中的症状特征，从所述诊断病历集合中确定所述当前诊断病历的相关诊断病历集合和不相关诊断病历集合，所述相关诊断病历集合包括：与所述当前诊断病历相关的一个或多个诊断病历，所述不相关诊断病历集合包括：与所述当前诊断病历不相关的一个或多个诊断病历；
第二确定单元303，用于根据所述当前症状特征在所述相关诊断病历集合中的第一出现频次和在所述不相关诊断病历集合中的第二出现频次，确定所述当前症状特征对应的相关权重；
第三确定单元304，用于确定所述当前症状特征与所述每个诊断病历之间的相关强度，并根据所述相关强度和所述相关权重，确定所述当前诊断病历与所述每个诊断病历之间的相关度；
推荐单元305，用于基于所述当前诊断病历与所述每个诊断病历之间的相关度，从所述诊断病历集合中确定所述当前诊断病历对应的推荐诊断病历，并将所述推荐诊断病历对应的治疗病历确定为推荐治疗病历。
在一种实现方式中，所述第一确定单元302，具体用于：
根据所述每个诊断病历中的症状特征，对所述诊断病历集合中的多个诊断病历进行聚类处理，得到多个诊断病历簇，每个诊断病历簇中包括一个或多个诊断病历；
针对所述多个诊断病历簇中的任一诊断病历簇，从所述任一诊断病历簇中的一个或多个诊断病历中提取共同症状特征，并根据所述共同症状特征生成所述任一诊断病历簇对应的典型诊断病历；
根据目标症状特征从所述诊断病历集合中，确定所述当前诊断病历的相关诊断病历集合和不相关诊断病历集合，所述目标症状特征包括：所述当前诊断病历中的当前症状特征、所述每个诊断病历簇对应的典型诊断病历中的共同症状特征、以及所述每个诊断病历中的症状特征。
在一种实现方式中，所述第一确定单元302，具体用于：
将所述当前诊断病历中的当前症状特征与所述每个诊断病历簇对应的典型诊断病历中的共同症状特征进行匹配，得到每个典型诊断病历对应的第一匹配数量；
将超过第一预设数量的第一匹配数量对应的第一典型诊断病历和所述第一第一典型诊断病历对应的诊断病历簇添加到所述相关诊断病历集合中；
将不超过所述第一预设数量的第一匹配数量对应的第二典型诊断病历添加到所述部相关诊断病历集合中。
在一种实现方式中，所述第一确定单元302，还用于：
若存在不超过所述第一预设数量的第一匹配数量对应的第二典型诊断病历，则将所述当前诊断病历的当前症状特征和所述第二典型诊断病历对应的目标诊断病历簇中每个目标诊断病历的症状特征进行匹配，得到所述每个目标诊断病历对应的第二匹配数量；
针对所述目标诊断病历簇中的任一目标诊断病历，根据所述第二典型诊断病历对应的第一匹配数量和所述任一目标诊断病历对应的第二匹配数量，确定目标匹配数量；
若所述目标匹配数量超过第二预设数量，则将所述目标诊断病历添加到所述相关诊断病历集合中；
若所述目标匹配数量不超过所述第二预设数量，则将所述目标诊断病历添加到所述不相关诊断病历集合中。
在一种实现方式中，所述当前症状特征的数量包括多个；所述第三确定单元304，具体用于：
针对多个当前症状特征中的任一当前症状特征，确定所述任一当前症状特征是否存在于各个诊断病历中；
将存在所述任一当前症状特征对应的诊断病历与所述任一当前症状特征之间的相关强度确定为第一数值；
将不存在所述任一当前症状特征对应的诊断病历与所述任一当前症状特征之间的相关强度确定为第二数值。
在一种实现方式中，所述当前症状特征的数量包括多个；所述第三确定单元304，具体用于：
针对诊断病历集合中的任一诊断病历，将每个当前症状特征与所述任一诊断病历之间的相关强度、以及所述每个当前症状特征对应的相关权重进行相乘处理，得到所述每个当前症状特征与所述任一诊断病历之间的相关度；
将所述每个当前症状特征与所述任一诊断病历之间的相关度进行求和处理，并将求和结果作为所述当前诊断病历与所述任一诊断病历之间的相关度。
在一种实现方式中，所述推荐单元305，具体用于：
将所述当前诊断病历与所述每个诊断病历之间的相关度进行降序排序，得到相关度排序结果；
将所述相关度排序结果中前L个相关度对应的诊断病历均作为所述当前诊断病历对应的推荐诊断病历，L为正整数。
可以理解的是，本申请实施例所描述的病历推荐装置的各功能单元的功能可根据图1所述的方法实施例中的方法具体实现，其具体实现过程可以参照图1的方法实施例的相关描述，此处不再赘述。
本申请实施例中，当存在针对当前诊断病历的诊疗需求时，获取单元301获取诊断病历集合，所述诊断病历集合包括多个诊断病历；第一确定单元302根据所述当前诊断病历中的当前症状特征和每个诊断病历中的症状特征，从所述诊断病历集合中确定所述当前诊断病历的相关诊断病历集合和不相关诊断病历集合，所述相关诊断病历集合包括：与所述当前诊断病历相关的一个或多个诊断病历，所述不相关诊断病历集合包括：与所述当前诊断病历不相关的一个或多个诊断病历；第二确定单元303根据所述当前症状特征在所述相关诊断病历集合中的第一出现频次和在所述不相关诊断病历集合中的第二出现频次，确定所述当前症状特征对应的相关权重；第三确定单元304确定所述当前症状特征与所述每个诊断病历之间的相关强度，并根据所述相关强度和所述相关权重，确定所述当前诊断病历与所述每个诊断病历之间的相关度；推荐单元305基于所述当前诊断病历与所述每个诊断病历之间的相关度，从所述诊断病历集合中确定所述当前诊断病历对应的推荐诊断病历，并将所述推荐诊断病历对应的治疗病历确定为推荐治疗病历。可以有效的为当前诊断病历推荐合适的治疗方案。
请参阅图4，图4是本申请实施例提供的一种病历推荐设备的结构示意图。该病历推荐设备包括：处理器401、存储器402以及网络接口403。上述处理器401、存储器402以及网络接口403之间可以交互数据。
上述处理器401可以是中央处理单元(Central Processing Unit，CPU)，该处理器还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
上述存储器402可以包括只读存储器和随机存取存储器，并向处理器401提供程序指令和数据。存储器402的一部分还可以包括随机存取存储器。其中，所述处理器401调用所述程序指令时用于执行：
当存在针对当前诊断病历的诊疗需求时，获取诊断病历集合，所述诊断病历集合包括多个诊断病历；
根据所述当前诊断病历中的当前症状特征和每个诊断病历中的症状特征，从所述诊断病历集合中确定所述当前诊断病历的相关诊断病历集合和不相关诊断病历集合，所述相关诊断病历集合包括：与所述当前诊断病历相关的一个或多个诊断病历，所述不相关诊断病历集合包括：与所述当前诊断病历不相关的一个或多个诊断病历；
根据所述当前症状特征在所述相关诊断病历集合中的第一出现频次和在所述不相关诊断病历集合中的第二出现频次，确定所述当前症状特征对应的相关权重；
确定所述当前症状特征与所述每个诊断病历之间的相关强度，并根据所述相关强度和所述相关权重，确定所述当前诊断病历与所述每个诊断病历之间的相关度；
基于所述当前诊断病历与所述每个诊断病历之间的相关度，从所述诊断病历集合中确定所述当前诊断病历对应的推荐诊断病历，并将所述推荐诊断病历对应的治疗病历确定为推荐治疗病历。
在一种实现方式中，所述处理器401，具体用于：
根据所述每个诊断病历中的症状特征，对所述诊断病历集合中的多个诊断病历进行聚类处理，得到多个诊断病历簇，每个诊断病历簇中包括一个或多个诊断病历；
针对所述多个诊断病历簇中的任一诊断病历簇，从所述任一诊断病历簇中的一个或多个诊断病历中提取共同症状特征，并根据所述共同症状特征生成所述任一诊断病历簇对应的典型诊断病历；
根据目标症状特征从所述诊断病历集合中，确定所述当前诊断病历的相关诊断病历集合和不相关诊断病历集合，所述目标症状特征包括：所述当前诊断病历中的当前症状特征、所述每个诊断病历簇对应的典型诊断病历中的共同症状特征、以及所述每个诊断病历中的症状特征。
在一种实现方式中，所述处理器401，具体用于：
将所述当前诊断病历中的当前症状特征与所述每个诊断病历簇对应的典型诊断病历中的共同症状特征进行匹配，得到每个典型诊断病历对应的第一匹配数量；
将超过第一预设数量的第一匹配数量对应的第一典型诊断病历和所述第一第一典型诊断病历对应的诊断病历簇添加到所述相关诊断病历集合中；
将不超过所述第一预设数量的第一匹配数量对应的第二典型诊断病历添加到所述部相关诊断病历集合中。
在一种实现方式中，所述处理器401，还用于：
若存在不超过所述第一预设数量的第一匹配数量对应的第二典型诊断病历，则将所述当前诊断病历的当前症状特征和所述第二典型诊断病历对应的目标诊断病历簇中每个目标诊断病历的症状特征进行匹配，得到所述每个目标诊断病历对应的第二匹配数量；
针对所述目标诊断病历簇中的任一目标诊断病历，根据所述第二典型诊断病历对应的第一匹配数量和所述任一目标诊断病历对应的第二匹配数量，确定目标匹配数量；
若所述目标匹配数量超过第二预设数量，则将所述目标诊断病历添加到所述相关诊断病历集合中；
若所述目标匹配数量不超过所述第二预设数量，则将所述目标诊断病历添加到所述不相关诊断病历集合中。
在一种实现方式中，所述当前症状特征的数量包括多个；所述处理器401，具体用于：
针对多个当前症状特征中的任一当前症状特征，确定所述任一当前症状特征是否存在于各个诊断病历中；
将存在所述任一当前症状特征对应的诊断病历与所述任一当前症状特征之间的相关强度确定为第一数值；
将不存在所述任一当前症状特征对应的诊断病历与所述任一当前症状特征之间的相关强度确定为第二数值。
在一种实现方式中，所述当前症状特征的数量包括多个；所述确定单元302，具体用于：
针对诊断病历集合中的任一诊断病历，将每个当前症状特征与所述任一诊断病历之间的相关强度、以及所述每个当前症状特征对应的相关权重进行相乘处理，得到所述每个当前症状特征与所述任一诊断病历之间的相关度；
将所述每个当前症状特征与所述任一诊断病历之间的相关度进行求和处理，并将求和结果作为所述当前诊断病历与所述任一诊断病历之间的相关度。
在一种实现方式中，所述处理器401，具体用于：
将所述当前诊断病历与所述每个诊断病历之间的相关度进行降序排序，得到相关度排序结果；
将所述相关度排序结果中前L个相关度对应的诊断病历均作为所述当前诊断病历对应的推荐诊断病历，L为正整数。
具体实现中，本申请实施例中所描述的处理器401和存储器402可执行本申请实施例图1提供的病历推荐方法中所描述的实现方式，也可执行本申请实施例图3所描述的病历推荐装置的实现方式，在此不再赘述。
本申请实施例中，处理器401可以当存在针对当前诊断病历的诊疗需求时，获取诊断病历集合，所述诊断病历集合包括多个诊断病历；根据所述当前诊断病历中的当前症状特征和每个诊断病历中的症状特征，从所述诊断病历集合中确定所述当前诊断病历的相关诊断病历集合和不相关诊断病历集合，所述相关诊断病历集合包括：与所述当前诊断病历相关的一个或多个诊断病历，所述不相关诊断病历集合包括：与所述当前诊断病历不相关的一个或多个诊断病历；根据所述当前症状特征在所述相关诊断病历集合中的第一出现频次和在所述不相关诊断病历集合中的第二出现频次，确定所述当前症状特征对应的相关权重；确定所述当前症状特征与所述每个诊断病历之间的相关强度，并根据所述相关强度和所述相关权重，确定所述当前诊断病历与所述每个诊断病历之间的相关度；基于所述当前诊断病历与所述每个诊断病历之间的相关度，从所述诊断病历集合中确定所述当前诊断病历对应的推荐诊断病历，并将所述推荐诊断病历对应的治疗病历确定为推荐治疗病历。可以有效的为当前诊断病历推荐合适的治疗方案。
本申请实施例还提供了一种计算机可读存储介质，该计算机可读存储介质中存储有程序指令，所述程序执行时可包括如图1对应实施例中的病历推荐方法的部分或全部步骤。
需要说明的是，对于前述的各个方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某一些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本申请所必须的。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，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：闪存盘、只读存储器(Read-Only Memory，ROM)、随机存取器(Random AccessMemory，RAM)、磁盘或光盘等。
需要强调的是，为进一步保证上述数据的私密和安全性，上述数据还可以存储于一区块链的节点中。其中，本申请所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
以上对本申请实施例所提供的一种病历推荐方法、装置、设备及存储介质进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。

Claims (7)

1.一种病历推荐方法，其特征在于，包括：
当存在针对当前诊断病历的诊疗需求时，获取诊断病历集合，所述诊断病历集合包括多个诊断病历；
根据所述当前诊断病历中的当前症状特征和每个诊断病历中的症状特征，从所述诊断病历集合中确定所述当前诊断病历的相关诊断病历集合和不相关诊断病历集合，所述相关诊断病历集合包括：与所述当前诊断病历相关的一个或多个诊断病历，所述不相关诊断病历集合包括：与所述当前诊断病历不相关的一个或多个诊断病历；
根据所述当前症状特征在所述相关诊断病历集合中的第一出现频次和在所述不相关诊断病历集合中的第二出现频次，确定所述当前症状特征对应的相关权重；
确定所述当前症状特征与所述每个诊断病历之间的相关强度，并根据所述相关强度和所述相关权重，确定所述当前诊断病历与所述每个诊断病历之间的相关度；
基于所述当前诊断病历与所述每个诊断病历之间的相关度，从所述诊断病历集合中确定所述当前诊断病历对应的推荐诊断病历，并将所述推荐诊断病历对应的治疗病历确定为推荐治疗病历；
其中，所述根据所述当前诊断病历中的当前症状特征和每个诊断病历中的症状特征，从所述诊断病历集合中确定所述当前诊断病历的相关诊断病历集合和不相关诊断病历集合，包括：根据所述每个诊断病历中的症状特征，对所述诊断病历集合中的多个诊断病历进行聚类处理，得到多个诊断病历簇，每个诊断病历簇中包括一个或多个诊断病历；针对所述多个诊断病历簇中的任一诊断病历簇，从所述任一诊断病历簇中的一个或多个诊断病历中提取共同症状特征，并根据所述共同症状特征生成所述任一诊断病历簇对应的典型诊断病历；根据目标症状特征从所述诊断病历集合中，确定所述当前诊断病历的相关诊断病历集合和不相关诊断病历集合，所述目标症状特征包括：所述当前诊断病历中的当前症状特征、所述每个诊断病历簇对应的典型诊断病历中的共同症状特征、以及所述每个诊断病历中的症状特征；
所述根据目标症状特征确定所述当前诊断病历的相关诊断病历集合和不相关诊断病历集合，包括：将所述当前诊断病历中的当前症状特征与所述每个诊断病历簇对应的典型诊断病历中的共同症状特征进行匹配，得到每个典型诊断病历对应的第一匹配数量；将超过第一预设数量的第一匹配数量对应的第一典型诊断病历和所述第一典型诊断病历对应的诊断病历簇添加到所述相关诊断病历集合中；将不超过所述第一预设数量的第一匹配数量对应的第二典型诊断病历添加到所述不相关诊断病历集合中；
若存在不超过所述第一预设数量的第一匹配数量对应的第二典型诊断病历，则将所述当前诊断病历的当前症状特征和所述第二典型诊断病历对应的目标诊断病历簇中每个目标诊断病历的症状特征进行匹配，得到所述每个目标诊断病历对应的第二匹配数量；针对所述目标诊断病历簇中的任一目标诊断病历，根据所述第二典型诊断病历对应的第一匹配数量和所述任一目标诊断病历对应的第二匹配数量，确定目标匹配数量；若所述目标匹配数量超过第二预设数量，则将所述目标诊断病历添加到所述相关诊断病历集合中；若所述目标匹配数量不超过所述第二预设数量，则将所述目标诊断病历添加到所述不相关诊断病历集合中。
2.根据权利要求1所述的方法，其特征在于，所述当前症状特征的数量包括多个；所述确定所述当前症状特征与所述每个诊断病历之间的相关强度，包括：
针对多个当前症状特征中的任一当前症状特征，确定所述任一当前症状特征是否存在于各个诊断病历中；
将存在所述任一当前症状特征对应的诊断病历与所述任一当前症状特征之间的相关强度确定为第一数值；
将不存在所述任一当前症状特征对应的诊断病历与所述任一当前症状特征之间的相关强度确定为第二数值。
3.根据权利要求1所述的方法，其特征在于，所述当前症状特征的数量包括多个；所述根据所述相关强度和所述相关权重，确定所述当前诊断病历与所述每个诊断病历之间的相关度，包括：
针对诊断病历集合中的任一诊断病历，将每个当前症状特征与所述任一诊断病历之间的相关强度、以及所述每个当前症状特征对应的相关权重进行相乘处理，得到所述每个当前症状特征与所述任一诊断病历之间的相关度；
将所述每个当前症状特征与所述任一诊断病历之间的相关度进行求和处理，并将求和结果作为所述当前诊断病历与所述任一诊断病历之间的相关度。
4.根据权利要求3所述的方法，其特征在于，所述基于所述当前诊断病历与所述每个诊断病历之间的相关度，从所述诊断病历集合中确定所述当前诊断病历对应的推荐诊断病历，包括：
将所述当前诊断病历与所述每个诊断病历之间的相关度进行降序排序，得到相关度排序结果；
将所述相关度排序结果中前L个相关度对应的诊断病历均作为所述当前诊断病历对应的推荐诊断病历，L为正整数。
5.一种病历推荐装置，其特征在于，包括：
获取单元，用于当存在针对当前诊断病历的诊疗需求时，获取诊断病历集合，所述诊断病历集合包括多个诊断病历；
第一确定单元，用于根据所述当前诊断病历中的当前症状特征和每个诊断病历中的症状特征，从所述诊断病历集合中确定所述当前诊断病历的相关诊断病历集合和不相关诊断病历集合，所述相关诊断病历集合包括：与所述当前诊断病历相关的一个或多个诊断病历，所述不相关诊断病历集合包括：与所述当前诊断病历不相关的一个或多个诊断病历；
第二确定单元，用于根据所述当前症状特征在所述相关诊断病历集合中的第一出现频次和在所述不相关诊断病历集合中的第二出现频次，确定所述当前症状特征对应的相关权重；
第三确定单元，用于确定所述当前症状特征与所述每个诊断病历之间的相关强度，并根据所述相关强度和所述相关权重，确定所述当前诊断病历与所述每个诊断病历之间的相关度；
推荐单元，用于基于所述当前诊断病历与所述每个诊断病历之间的相关度，从所述诊断病历集合中确定所述当前诊断病历对应的推荐诊断病历，并将所述推荐诊断病历对应的治疗病历确定为推荐治疗病历；
其中，所述根据所述当前诊断病历中的当前症状特征和每个诊断病历中的症状特征，从所述诊断病历集合中确定所述当前诊断病历的相关诊断病历集合和不相关诊断病历集合，包括：根据所述每个诊断病历中的症状特征，对所述诊断病历集合中的多个诊断病历进行聚类处理，得到多个诊断病历簇，每个诊断病历簇中包括一个或多个诊断病历；针对所述多个诊断病历簇中的任一诊断病历簇，从所述任一诊断病历簇中的一个或多个诊断病历中提取共同症状特征，并根据所述共同症状特征生成所述任一诊断病历簇对应的典型诊断病历；根据目标症状特征从所述诊断病历集合中，确定所述当前诊断病历的相关诊断病历集合和不相关诊断病历集合，所述目标症状特征包括：所述当前诊断病历中的当前症状特征、所述每个诊断病历簇对应的典型诊断病历中的共同症状特征、以及所述每个诊断病历中的症状特征；
所述根据目标症状特征确定所述当前诊断病历的相关诊断病历集合和不相关诊断病历集合，包括：将所述当前诊断病历中的当前症状特征与所述每个诊断病历簇对应的典型诊断病历中的共同症状特征进行匹配，得到每个典型诊断病历对应的第一匹配数量；将超过第一预设数量的第一匹配数量对应的第一典型诊断病历和所述第一典型诊断病历对应的诊断病历簇添加到所述相关诊断病历集合中；将不超过所述第一预设数量的第一匹配数量对应的第二典型诊断病历添加到所述不相关诊断病历集合中；
若存在不超过所述第一预设数量的第一匹配数量对应的第二典型诊断病历，则将所述当前诊断病历的当前症状特征和所述第二典型诊断病历对应的目标诊断病历簇中每个目标诊断病历的症状特征进行匹配，得到所述每个目标诊断病历对应的第二匹配数量；针对所述目标诊断病历簇中的任一目标诊断病历，根据所述第二典型诊断病历对应的第一匹配数量和所述任一目标诊断病历对应的第二匹配数量，确定目标匹配数量；若所述目标匹配数量超过第二预设数量，则将所述目标诊断病历添加到所述相关诊断病历集合中；若所述目标匹配数量不超过所述第二预设数量，则将所述目标诊断病历添加到所述不相关诊断病历集合中。
6.一种病历推荐设备，其特征在于，包括处理器、存储器，其中，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器被配置用于调用所述程序指令，执行如权利要求1-4任一项所述的方法。
7.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时使所述处理器执行如权利要求1-4任一项所述的方法。
CN202111024932.6A 2021-08-31 2021-08-31 一种病历推荐方法、装置、设备及存储介质 Active CN113744828B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111024932.6A CN113744828B (zh) 2021-08-31 2021-08-31 一种病历推荐方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111024932.6A CN113744828B (zh) 2021-08-31 2021-08-31 一种病历推荐方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN113744828A CN113744828A (zh) 2021-12-03
CN113744828B true CN113744828B (zh) 2023-06-02

Family

ID=78734842

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111024932.6A Active CN113744828B (zh) 2021-08-31 2021-08-31 一种病历推荐方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN113744828B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016101351A1 (zh) * 2014-12-26 2016-06-30 深圳市前海安测信息技术有限公司 基于网络医院的全科医生辅助诊疗系统及方法
WO2020037454A1 (zh) * 2018-08-20 2020-02-27 深圳市全息医疗科技有限公司 智能辅助诊疗系统及方法
CN112836483A (zh) * 2021-03-11 2021-05-25 陈强 智慧医疗术语和模板推荐方法及推荐系统
WO2021139146A1 (zh) * 2020-01-09 2021-07-15 平安国际智慧城市科技股份有限公司 信息推荐方法、设备、计算机可读存储介质及装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016101351A1 (zh) * 2014-12-26 2016-06-30 深圳市前海安测信息技术有限公司 基于网络医院的全科医生辅助诊疗系统及方法
WO2020037454A1 (zh) * 2018-08-20 2020-02-27 深圳市全息医疗科技有限公司 智能辅助诊疗系统及方法
WO2021139146A1 (zh) * 2020-01-09 2021-07-15 平安国际智慧城市科技股份有限公司 信息推荐方法、设备、计算机可读存储介质及装置
CN112836483A (zh) * 2021-03-11 2021-05-25 陈强 智慧医疗术语和模板推荐方法及推荐系统

Also Published As

Publication number Publication date
CN113744828A (zh) 2021-12-03

Similar Documents

Publication Publication Date Title
CN110299209B (zh) 相似病历查找方法、装置、设备及可读存储介质
Shen et al. Leveraging collaborative filtering to accelerate rare disease diagnosis
CN113707253B (zh) 医疗方案推荐方法、装置、设备及介质
Ullah et al. Explainable artificial intelligence approach in combating real-time surveillance of COVID19 pandemic from CT scan and X-ray images using ensemble model
Al-Taie et al. Analysis of WEKA data mining algorithms Bayes net, random forest, MLP and SMO for heart disease prediction system: A case study in Iraq
Aria et al. ADA-COVID: adversarial deep domain adaptation-based diagnosis of COVID-19 from lung CT scans using triplet embeddings
CN113658712A (zh) 医患匹配方法、装置、设备及存储介质
EP3347834A1 (en) Experience engine-method and apparatus of learning from similar patients
Sushma et al. An improved feature selection approach for chronic heart disease detection
CN111415760A (zh) 医生推荐方法、系统、计算机设备及存储介质
WO2021174923A1 (zh) 概念词序列生成方法、装置、计算机设备及存储介质
CN113656601A (zh) 医患匹配方法、装置、设备及存储介质
Wang et al. Accelerating epidemiological investigation analysis by using NLP and knowledge reasoning: a case study on COVID-19
Hassani et al. An approach of predicting heart disease using a hybrid neural network and decision tree
CN113744828B (zh) 一种病历推荐方法、装置、设备及存储介质
Domyati et al. Robust detection of cardiac disease using machine learning algorithms: Robust detection
Funkner et al. Negation Detection for Clinical Text Mining in Russian.
Sengupta et al. Analyzing historical diagnosis code data from NIH N3C and RECOVER Programs using deep learning to determine risk factors for Long Covid
CN115631823A (zh) 相似病例推荐方法及系统
Liuzzi et al. Predicting SARS-CoV-2 infection duration at hospital admission: a deep learning solution
CN114627993A (zh) 信息预测方法、装置、存储介质及计算机设备
Alghamdi et al. Diagnosis of COVID-19 from X-ray images using deep learning techniques
Bennour et al. Contribution to pulmonary diseases diagnostic from X-ray images using innovative deep learning models
Lee et al. Development and Validation of a Deep Learning Model for Detecting Signs of Tuberculosis on Chest Radiographs among US-bound Immigrants and Refugees
Lin et al. A Survey of Heart Disease Risk Computer Intelligent Prediction Model

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
TA01 Transfer of patent application right

Effective date of registration: 20221026

Address after: Room 2601 (Unit 07), Qianhai Free Trade Building, No. 3048, Xinghai Avenue, Nanshan Street, Qianhai Shenzhen-Hong Kong Cooperation Zone, Shenzhen, Guangdong 518000

Applicant after: Shenzhen Ping An Smart Healthcare Technology Co.,Ltd.

Address before: 1-34 / F, Qianhai free trade building, 3048 Xinghai Avenue, Mawan, Qianhai Shenzhen Hong Kong cooperation zone, Shenzhen, Guangdong 518000

Applicant before: Ping An International Smart City Technology Co.,Ltd.

TA01 Transfer of patent application right
GR01 Patent grant
GR01 Patent grant