CN113782140B - 基于机器学习的诊疗策略确定方法、装置、设备及介质 - Google Patents
基于机器学习的诊疗策略确定方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN113782140B CN113782140B CN202111054159.8A CN202111054159A CN113782140B CN 113782140 B CN113782140 B CN 113782140B CN 202111054159 A CN202111054159 A CN 202111054159A CN 113782140 B CN113782140 B CN 113782140B
- Authority
- CN
- China
- Prior art keywords
- patient
- disease
- decision
- data
- doctor
- 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
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
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
-
- 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
- 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)
- Life Sciences & Earth Sciences (AREA)
- Animal Behavior & Ethology (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
本申请涉及人工智能技术,提供了一种基于机器学习的诊疗策略确定方法、装置、设备及介质,方法包括:对患者资料进行病症分析,确定患者的病症数据;确定患者的病症复杂等级,若病症复杂等级高于预设复杂等级阈值,将病症数据输入到预先构建的第一决策树模型对病症数据,确定患者由当前医院的第一决策医生进行手术的第一成功率;若第一成功率小于第一预设成功率阈值,将病症数据输入到预先构建的第二决策树模型,确定患者由其他医院的第二决策医生进行手术的第二成功率;若第二成功率大于第二预设成功率阈值,根据第二决策医生进行手术所需的资源为患者安排手术流程,使得患者能接受最合适的医生进行手术治疗,而不拘泥基层医院现有资质的医生。
Description
技术领域
本申请涉及一种人工智能技术,提供一种基于机器学习的诊疗策略确定方法、装置、设备及介质。
背景技术
在基层医院对患者进行诊疗时,一般是根据患者的病症以及检验结果,基层医院医生根据经验确认治疗方案后;对于病情严重的病人,基层医院会邀请外来医院专家进行就诊手术,但对病人是否需要外来医院专家手术,目前还是过于人为主观化,容易造成资源浪费。
发明内容
本申请的目的在于提供一种基于机器学习的诊疗策略确定方法、装置、设备及介质,通过决策树进行诊疗策略构建计算,能在较短的时间内对患者做出可行且效果良好的分析,使得患者能接受最合适的医生进行手术治疗,而不拘泥基层医院现有资质的医生,合理利用医疗资源。
本申请提出一种基于机器学习的诊疗策略确定方法,包括:对患者资料进行病症分析,将病症分析结果与医院病症知识图谱进行对比,确定所述患者的病症数据;所述病症数据包括患者所患疾病和所患疾病的临床表现;若所述病症复杂等级高于预设复杂等级阈值,将所述病症数据输入到预先构建的第一决策树模型中,以输出为所述患者进行手术的当前医院的第一决策医生,并确定所述第一决策医生进行手术的第一成功率;若所述第一成功率小于第一预设成功率阈值,将所述病症数据输入到预先构建的第二决策树模型中,以输出为所述患者进行手术的其他医院的第二决策医生,并确定第二决策医生进行手术的第二成功率;若所述第二成功率大于第二预设成功率阈值,确定所述第二决策医生进行手术所需的资源,并根据所述所需的资源为所述患者安排手术流程。
进一步地,所述对患者资料进行分析,对患者资料进行病症识别,将识别结果与医院病症知识图谱进行对比,确定所述患者的病症数据包括:收集关于疾病的所有病情数据,得到所述医院病症知识图谱;通过计算机视觉技术和和自然语言处理技术对所述患者资料进行病症识别分析,得到患者疾病特征;将所述患者疾病特征与所述医院病症知识图谱进行对比分析,确定患者的病症数据。
进一步地,所述根据所述患者所患疾病和所患疾病的临床表现确定所述患者的病症复杂等级,所述方法包括:通过k最邻近算法对所述病症数据进行分析,根据分析结果绘制所述患者的病症图谱;病症图谱包括患者所患的疾病的类型、以及对所患疾病的临床表现的评价性;当从所述病症图谱中确定所述患者患有并发症或多发症,和/或,所述患者的病症临床表现的评价性低于评价阈值时,确定所述患者的病症复杂等级为第一等级;所述第一等级高于所述预设复杂等级阈值;当从所述病症图谱中确定所述患者所患疾病为非手术类型疾病,确定所述患者的病症复杂等级为第二等级;所述第二等级低于所述预设复杂等级阈值。
进一步地,所述方法还包括:以所有病症数据、当前医院医疗资源和医生资料库为样本集,以所述患者所患疾病的临床表现和当前医院医生资料属性为测试属性;计算所述样本集的信息熵,并计算所述测试属性中的不同属性对样本集进行分类后的条件熵;根据条件熵和信息熵计算出各测试属性的信息增益,选择信息增益最大的测试属性作为根节点;对按照所述根节点分类后的样本集进行计算信息熵、条件熵和信息增益的步骤,确定叶子节点,以构建得到第一决策树模型。
进一步地,所述构建得到第一决策树模型之后,所述方法包括:通过剪枝或随机森林对所述第一决策树进行优化;根据评价函数对优化后的第一决策树模型进行调整,得到预先构建的第一决策树模型,所述评价函数为:C(T)=∑t∈leafNt·H(t),t为叶子节点,H(t)为当前叶子计算出来的条件熵,Nt为有几个样本归到当前叶子节点中。
进一步地,所述将所述病症数据输入到预先构建的第一决策树模型中,以输出为所述患者进行手术的当前医院的第一决策医生,并确定所述第一决策医生进行手术的第一成功率,包括:对所述第一决策树模型进行逐层查找,从所述第一决策树模型查找与所述病症数据对应的节点,所述节点包括所述患者所患疾病对应的当前医院的第一决策医生;获取所述第一决策医生治疗所述患者所患疾病的历史手术数据;将所述历史手术数据对应的手术成功率作为所述第一成功率。
进一步地,所述根据所需的资源为所述患者安排手术流程包括:若当前医院具有所述第二决策医生所需的医院资源,则根据医院资源在当前医院为所述患者制定手术流程;若当前医院不具有所述第二决策医生所需的医院资源,将所述患者送往上级医院或所述第二决策医生对应的医院。
本申请还提出一种基于机器学习的诊疗策略确定装置,包括:病症分析模块,用于对患者资料进行病症分析,将病症分析结果与医院病症知识图谱进行对比,确定所述患者的病症数据;所述病症数据包括患者所患疾病和所患疾病的临床表现;病症确定模块,根据所述患者所患疾病和所患疾病的临床表现确定所述患者的病症复杂等级;第一决策模块,用于若所述病症复杂等级高于预设复杂等级阈值,将所述病症数据输入到预先构建的第一决策树模型中,以输出为所述患者进行手术的当前医院的第一决策医生,并确定所述第一决策医生进行手术的第一成功率;第二决策模块,用于若所述第一成功率小于第一预设成功率阈值,将所述病症数据输入到预先构建的第二决策树模型中,以输出为所述患者进行手术的其他医院的第二决策医生,并确定第二决策医生进行手术的第二成功率;手术安排模块,用于若所述第二成功率大于第二预设成功率阈值,确定所述第二决策医生进行手术所需的资源,并根据所述所需的资源为所述患者安排手术流程。
本申请还提出一种计算机设备,所述计算机设备包括:存储器,存储有计算机可读指令;处理器,读取存储器存储的计算机可读指令,以执行如上所述的方法。
本申请还提出一种计算机可读存储介质,其上存储有计算机可读指令,当所述计算机可读指令被计算机的处理器执行时,使计算机执行如上所述的方法。
与现有技术相比,本申请具有如下有益效果:
本申请的提供的技术方案中,通过对患者资料进行病症分析,将病症分析结果与医院病症知识图谱进行对比,确定患者的病症数据,病症数据包括患者所患疾病和所患疾病的临床表现;根据患者所患疾病和所患疾病的临床表现确定所述患者的病症复杂等级,若病症复杂等级高于预设复杂等级阈值,将病症数据输入到第一决策树模型中,对病症数据进行分析,确定由当前医院的第一决策医生进行手术的成功率,并在成功率低的情况下,将病症数据输入到第二决策树模型中,对病症数据继续分析,确定由其他医院的第二决策医生进行手术的第二成功率,并在成功率高的情况下,从其他医院医生中确定进行手术的最佳医生和所需医院资源;本申请提供的技术方案中,通过决策树进行诊疗策略构建计算,能在较短的时间内对患者做出可行且效果良好的分析,避免人为确定是否需要其他医院医生进行手术的主观性,使得患者能接受最合适的医生进行手术治疗,而不拘泥当前医院现有资质的医生,合理利用医疗资源,从而提升口碑。
附图说明
图1示出了根据本申请的一个实施例的一种基于机器学习的诊疗策略确定方法的流程图;
图2示出了图1所示实施例中的步骤S110在一示例性实施例中的流程图;
图3示出了图1所示实施例中的步骤S120在一示例性实施例中的流程图;
图4示出了图1所示实施例中的步骤S130之前在一示例性实施例中的流程图;
图5示出了图1所示实施例中的步骤S150在一示例性实施例中的流程图;
图6示出了根据本申请的一个实施例的一种基于机器学习的诊疗策略确定装置的架构示意图;
图7示出了根据本申请的一个实施例的一种计算机设备的结构示意图。
具体实施方式
这里将详细地对示例性实施例执行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中,人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
机器学习(Machine Learning,ML)是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。决策树算法(decision tree)是是机器学习中一常用的算法,决策树算法一种基本的分类与回归方法。它是一种典型的分类方法,首先对数据进行处理,利用归纳算法生成可读的规则和决策树,然后使用决策对新数据进行分析。决策树模型呈树形结构,在分类问题中,表示基于特征对实例进行分类的过程,本质上决策树是通过一系列规则对数据进行分类的过程。
本申请实施例提供的方案涉及人工智能的决策树,具体通过如下实施例进行说明。
请参阅图1,图1是根据一示例性实施例示出的一种基于机器学习的诊疗策略确定方法的流程图,该基于机器学习的诊疗策略确定方法包括步骤S110至步骤S150,详细介绍如下:
S110、对患者资料进行病症分析,将病症分析结果与医院病症知识图谱进行对比,确定患者的病症数据。
在本实施例中,患者资料为与患者所患的疾病所有相关的资料,具体包括但不限于录入的患者病例数据、患者的影像数据(如CT影像),通过对患者资料进行病症分析,将病症分析结果与医院病症知识图谱进行对比,确定患者的病症数据,该病症数据包括患者所患的疾病、所患疾病的临床表现等。
一示例性的,通过人工智能技术对患者资料进行病症分析,确定患者的病症数据,如图2所示,图2示出了图1所示实施例中的步骤S110在一示例性实施例中的流程图,包括:
S111、收集关于疾病的所有病情数据,得到医院病症知识图谱;
在实施例中,收集医院中任何一种治疗的疾病的所有病情数据,如真实的疾病在治疗时的病因、临床表现、用药推荐、手术治疗或物理治疗数据、禁忌等数据;通过机器学习对收集到的所有病情数据进行筛选,以去除重复和无效的数据(误诊数据),按照疾病的类型进行分类,提取每类疾病特征,得到医院病症知识图谱;该病症知识图谱包括每种疾病的名称、病因、临床表现等。
S112、通过计算机视觉技术和自然语言处理技术对患者资料进行病症识别分析,得到患者疾病特征;
计算机视觉主要用计算机来模拟人的视觉功能,从客观事物的图像中提取信息,进行处理并加以理解,最终用于实际检测、测量和控制;自然语言处理技术是指对人类语言进行自动分析和表示的计算技术;本实施例中,具体通过Inception模型对患者的影像数据进行识别,通过BERT模型对患者的文字数据进行识别,得到患者病症特征,例如患者身体变化特征。
S113、将患者疾病特征与医院病症知识图谱进行对比分析,确定患者的病症数据;
将患者疾病特征与医院病症知识图谱进行对比分析,从医院知识图谱中查找患者具有那个疾病的特征,进而确定患者的病症数据。
S120、根据患者所患疾病和所患疾病的临床表现确定患者的病症复杂等级。
在本实施例中,需要判定患者所患疾病的复杂性,具体是通过患者所患疾病和临床表现确定患者的病症复杂等级,如患者所患疾病为心脏病,患者所患疾病的临床表现为呼吸困难、心跳骤停等,则可以直接确定患者的病症复杂;
在本实施例中,需要根据患者所患疾病和所患疾病的临床表现确定患者的病症复杂等级,确定患者的病症是否复杂,如图3所示,图3示出了图1所示实施例中的步骤S120在一示例性实施例中的流程图,其中包括以下步骤:
S121、通过k最邻近算法对病症数据进行分析,根据分析结果绘制患者的病症图谱;
K最近邻(k-Nearest Neighbor,KNN)分类算法为在特征空间中,如果一个样本附近的k个最近(即特征空间中最邻近)样本的大多数属于某一个类别,则该样本也属于这个类别;本实施例中,具体通过k最邻近算法对病症类型进行分析,确定患者是否仅患了一种疾病;通过k最邻近算法对病症临床表现进行分析,如临床表现为发烧,则对发烧的时间长度、发烧频率进行分析,进而根据分析结果绘制患者的病症图谱,病症图谱包括患者所患的疾病的类型、以及对所患疾病的临床表现的评价性;该临床表现的评价性包括良好、一般和较差,且是基于一般大多数病人的临床表现确定的,例如患A疾病时,患者临床表现为发烧时,当发烧时间长于大多数病人患A疾病的发烧时间,发烧频率高于大多数病人患A疾病的发烧时间,则可以确定患者临床表现为较差;
S122、当从病症图谱中确定患者患有并发症或多发症,和/或,患者的病症临床表现的评价性低于评价阈值时,确定患者的病症复杂等级为第一等级。
当从病症图谱中确定患者患有为并发症或多发症,表示患者的病症复杂等级为第一等级;当从病症图谱中确定所患疾病的临床表现的评价性低于评价阈值时,如低于一般时,则确定患者的病症复杂等级为第一等级。
S123、当从病症图谱中确定患者所患疾病为非手术类型疾病,确定患者的病症复杂等级为第二等级;
如患者所患疾病为感冒,则病症复杂等级为第二等级,第二等级低于预设复杂等级阈值;在一些示例中,并从病症图谱中确定患者所患疾病为手术类型且手术类型为简单类型时,也可确定患者的病症复杂等级为第二等级,如当病症简单(如阑尾炎)时,基础手术就可以治愈患者,则直接安排治疗。
S130、若病症复杂等级高于预设复杂等级阈值,将病症数据输入到预先构建的第一决策树模型中,以输出为患者进行手术的当前医院的第一决策医生,并确定第一决策医生进行手术的第一成功率。
在本实施例中,第一等级高于预设复杂等级阈值,第二等级低于预设复杂等级阈值;因此通过确定出的病症复杂等级与预设复杂等级阈值的对比,确定病症复杂等级是否高于预设复杂等级阈值。
在本实施例中,当病症复杂等级高于预设复杂等级阈值,表示患者的病症复杂时,将病症数据输入到预先构建的第一决策树模型中,由第一决策树模型对病症数据进行分析,以输出为患者进行手术的当前医院的第一决策医生,并确定第一决策医生进行手术的第一成功率;其中第一决策树模型基于当前医院的相关信息建立的,具体的,如图4所示,建立第一决策树模型的过程包括:
S411、以所有病症数据、当前医院医疗资源和医生资料库为样本集,以患者所患疾病的临床表现和当前医院医生资料属性为测试属性;
其中所有病症数据指的是包含所有疾病的病症数据,当前医院医疗资源包括医疗人员、医疗床位、医疗设施和装备、知识技能和信息等,医生资料库包括医生名称、年龄等基本身份信息,当前医院医生资料属性包括专业领域、职称和手术史;
S412、计算样本集的信息熵,并计算测试属性中的不同属性对样本集进行分类后的条件熵;
测试属性中的不同属性对样本集进行分类后的条件熵为:先选择一个属性a,属性a一共有V个取值,用这个V个取值划分样本集D,分别得到样本集集D1到Dv,则a属性的条件熵为:其中|Dv|和|D|表示样本集中元素的个数;进而可以计算测试属性中各属性的条件熵。
S413、根据条件熵和信息熵计算出各测试属性的信息增益,选择信息增益最大测试属性作为根节点;
S414、对按照根节点分类后的样本集进行信息熵、条件熵和信息增益的步骤,确定叶子节点,以构建得到第一决策树模型。
在确定根节点之后,再次选择一个属性b,以属性b对根节点分类之后样本集合进行步骤S412和步骤S143,进而确定信息增益最大的叶子节点,递归地拓展第一决策树的分枝,完成第一决策树模型的构建。
在本实施例中,构建得到第一决策树模型之后,还可以对第一决策树模型进行优化,具体包括:
通过剪枝或随机森林对第一决策树模型进行优化;
根据评价函数对优化后的第一决策树模型进行调整,得到最终的第一决策树模型。
其中,剪枝:决策树算法学习过程中不停的对节点划分,会导致分支过多,剪枝通过自底向上考察,若将节点对应的子树换为叶节点能够带来性能的提升,则将该子树替换为叶节点。
随机森林:很多个树的组合在一起便是构建森林,可以通过构建多个决策树综合这些决策树的结果最后分类或者回归结果。比如10个样本取6个构建一棵树,再放回去再随机取6个样本构建,引入随机性可增加模型健壮性。
通过对剪枝或随机森林对第一决策树模型进行优化之后,计算评价函数,其中评价函数为:C(T)=∑t∈leafNt·H(t),t为叶子节点,评价函数为计算所有叶子节点的Nt·H(t),然后求和;H(t)当前叶子计算出来的熵,Nt是代表有几个样本归到当前叶子节点中,Nt作为权重;通过评价函数对优化后的第一决策树模型进行调整,尽可能使得评价函数尽可能小,得到最终的第一决策树模型。
在本实施例中,构建得到第一决策树模型之后,将病症数据输入到预先构建的第一决策树模型中,以输出为患者进行手术的当前医院的第一决策医生,并确定第一决策医生进行手术的第一成功率包括:
对第一决策树模型进行逐层查找,从第一决策树模型查找与病症数据对应的节点,节点包括患者所患疾病对应的当前医院的第一决策医生;
获取第一决策医生治疗患者所患疾病的历史手术数据;
将历史手术数据对应的手术成功率作为第一成功率。
通过第一决策树模型确定患者所患疾病对应的当前医院的第一决策医生,该第一决策医生专业领域与患者所患疾病的领域相同,由于确定了第一决策医生,且明确了患者所患疾病,则可以调取该第一决策医生治疗患者所患疾病的历史手术数据,计算进行治疗患者所患疾病的这类手术的历史成功率,将历史成功率作为第一成功率。
在本实施例中,当第一成功率大于预设成功率阈值时,则在当前医院为患者安排手术流程;当第一成功率小于预设成功率阈值时,则执行步骤S140。
S140、若第一成功率小于第一预设成功率阈值,将病症数据输入到预先构建的第二决策树模型中,以输出为患者进行手术的其他医院的第二决策医生,并确定第二决策医生进行手术的第二成功率。
在本实施例中,以所有病症数据、当前医院医疗资源和医生资料库为样本集,以患者的病症数据的临床表现和其他医院医生资料属性为测试属性,构建第二决策树模型,其中其他医院医生资料属性包括专业领域、职称、手术史、排班时间和地域;具体构建第二决策树模型和确定患者由其他医院的第二决策医生进行手术的第二成功率的过程如步骤S130,即构建得到第二决策树模型之后,从第二决策树模型查找与病症数据对应的节点,节点包括患者所患疾病对应的其他医院的为患者进行手术的第二决策医生,进而确定第二决策医生进行手术的第二成功率,在此不再一一赘述。
S150、若第二成功率大于第二预设成功率阈值,确定第二决策医生进行手术所需的资源,并根据资源为患者安排手术流程。
在本实施例中,当第二成功率大于第二预设成功率阈值时,由于根据第二决策树模型确定出的为患者进行手术的第二决策医生,则获取第二决策医生进行手术所需的资源,如医疗物品资源,进而根据所需的资源为患者安排手术流程。当第二成功率小于第二预设成功率阈值时,则将患者送至上级医院(如最高级医院)进行诊疗。
一示例性的,如图5所示,根据所需的资源为患者安排手术流程包括:
S151、若当前医院具有第二决策医生所需的医院资源,则根据医院资源在当前医院为患者制定手术流程;
S152、若当前医院不具有第二决策医生所需的医院资源,将患者送往上级医院或第二决策医生对应的医院。
医院资源包括手术配合人员、医疗物品、手术设备等;可以理解的是,不同的医生,其手术所需的软件物资(手术配合人员、医疗物品等)可能不一样,且第二决策医生因为排班时间和地域的因素,医院还需要对应准备硬件物资(手术设备、手术室);例如第二决策医生在星期一上午10点可进行手术,则确定当前医院在星期一上午10点是否有空闲的手术室和手术设备,如有,则预定手术室和手术设备,为患者制定手术行程,如没有,则将患者送往上级医院或第二决策医生对应的医院。其中上级医院指的是比当前医院的医院级别高的医院,如当前医院为一甲医院,上级医院为三甲医院。
本实施例提供的技术方案,通过人工智能分析病症,能提高疾病识别的准确率,通过基于当前医院的相关信息构建的第一决策树模型,确定当前医院医生进行手术的可行性,并在可行性低的情况下,基于其他医院的相关信息构建的第二决策树模型,确定其他医院医生进行手术的可行性,能在较短的时间内对数据做出可行且效果良好的结果,避免人为确定是否需要其他医院医生进行手术的主观性,且使得患者能接受最合适的医生进行手术治疗,而不拘泥当前医院现有资质的医生,合理利用医疗资源,从而提升口碑。
以下介绍本申请的装置实施例,可以用于执行本申请上述实施例中的基于机器学习的诊疗策略确定方法。对于本申请装置实施例中未披露的细节,请参照本申请上述的基于机器学习的诊疗策略确定方法的实施例。
如图6所示,图6示出了根据本申请的一个实施例的基于机器学习的诊疗策略确定装置的框图,该装置包括:
病症分析模块610,用于对患者资料进行病症分析,将病症分析结果与医院病症知识图谱进行对比,确定患者的病症数据;病症数据包括患者所患疾病和所患疾病的临床表现;
病症确定模块620,用于根据患者所患疾病和所患疾病的临床表现确定患者的病症复杂等级;
第一决策模块630,用于若病症复杂等级高于预设复杂等级阈值,将病症数据输入到预先构建的第一决策树模型中,以输出为患者进行手术的当前医院的第一决策医生,并确定第一决策医生进行手术的第一成功率;
第二决策模块640,若第一成功率小于第一预设成功率阈值,将病症数据输入到预先构建的第二决策树模型中,以输出为患者进行手术的其他医院的第二决策医生,并确定第二决策医生进行手术的第二成功率;
手术安排模块650,用于若第二成功率大于第二预设成功率阈值,确定第二决策医生进行手术所需的资源,并根据所需的资源为患者安排手术流程。
其中病症分析模块610,用于收集当前医院关于疾病的所有病情数据,得到医院病症知识图谱;通过计算机视觉技术和神经语音程序学技术对患者资料进行病症识别分析,得到患者疾病特征;将患者疾病特征与医院病症知识图谱进行对比分析,确定患者的病症数据。
一示例性的,病症确定模型620,用于通过k最邻近算法对病症数据进行分析,根据分析结果绘制患者的病症图谱;病症图谱包括患者所患的疾病的类型、以及对所患疾病的临床表现的评价性;当从病症图谱中确定患者患有并发症或多发症,和/或,患者的病症临床表现的评价性低于评价阈值时,确定患者的病症复杂等级为第一等级;第一等级高于预设复杂等级阈值;当从病症图谱中确定患者所患疾病为非手术类型疾病,确定患者的病症复杂等级为第二等级;第二等级低于预设复杂等级阈值。
一示例性的,第一决策模块630,用于以所有病症数据、当前医院医疗资源和医生资料库为样本集,以患者所患疾病的临床表现和当前医院医生资料属性为测试属性;计算样本集的信息熵,并计算测试属性中的不同属性对样本集进行分类后的条件熵;根据条件熵和信息熵计算出各测试属性的信息增益,选择信息增益最大的测试属性作为根节点;对按照根节点分类后的样本集进行计算信息熵、条件熵和信息增益的步骤,确定叶子节点,以构建得到第一决策树模型。
第一决策模块630用于通过剪枝或随机森林对第一决策树模型进行优化;根据评价函数对优化后的第一决策树模型进行调整,得到预先构建的第一决策树模型,评价函数为:C(T)=∑t∈leafNt·H(t),t为叶子节点,H(t)为当前叶子计算出来的条件熵,Nt为代表有几个样本归到当前叶子节点中。
其中第一决策模块630,用于对第一决策树模型进行逐层查找,从第一决策树模型查找与病症数据对应的节点,节点包括患者所患疾病对应的当前医院的第一决策医生;获取第一决策医生治疗患者所患疾病的历史手术数据;将历史手术数据对应的手术成功率作为第一成功率。
进一步地,手术安排模块650,用于若当前医院具有第二决策医生所需的医院资源,则根据医院资源在当前医院为患者制定手术流程;若当前医院不具有第二决策医生所需的医院资源,将患者送往上级医院或第二决策医生对应的医院。
需要说明的是,上述实施例所提供的装置与上述实施例所提供的方法属于同一构思,其中各个模块和单元执行操作的具体方式已经在方法实施例中进行了详细描述,此处不再赘述。
在一示例性实施例中,一种计算机设备,包括处理器和存储器,其中,存储器上存储有计算机可读指令,该计算机可读指令被处理器执行时实现如前所述的方法。
图7是根据一示例性实施例示出的一种计算机设备的结构示意图。
需要说明的是,该计算机设备只是一个适配于本申请的示例,不能认为是提供了对本申请的使用范围的任何限制。该计算机设备也不能解释为需要依赖于或者必须具有图7中示出的示例性的计算机设备中的一个或者多个组件。
如图7所示,在一示例性实施例中,计算机设备包括处理组件701、存储器702、电源组件703、多媒体组件704、音频组件705、传感器组件707和通信组件708。其中,上述组件并不全是必须的,计算机设备可以根据自身功能需求增加其他组件或减少某些组件,本实施例不作限定。
处理组件701通常控制计算机设备的整体操作,诸如与显示、数据通信以及日志数据处理相关联的操作等。处理组件701可以包括一个或多个处理器709来执行指令,以完成上述操作的全部或部分步骤。此外,处理组件701可以包括一个或多个模块,便于处理组件701和其他组件之间的交互。例如,处理组件701可以包括多媒体模块,以方便多媒体组件704和处理组件701之间的交互。
存储器702被配置为存储各种类型的数据以支持在计算机设备的操作,这些数据的示例包括用于在计算机设备上操作的任何应用程序或方法的指令。存储器702中存储有一个或多个模块,该一个或多个模块被配置成由该一个或多个处理器709执行,以完成上述实施例中所描述的方法中的全部或者部分步骤。
电源组件703为计算机设备的各种组件提供电力。电源组件703可以包括电源管理系统,一个或多个电源,及其他与为计算机设备生成、管理和分配电力相关联的组件。
多媒体组件704包括在计算机设备和用户之间的提供一个输出接口的屏幕。在一些实施例中,屏幕可以包括TP(Touch Panel,触摸面板)和LCD(Liquid Crystal Display,液晶显示器)。如果屏幕包括触摸面板,屏幕可以被实现为触摸屏,以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界,而且还检测与所述触摸或滑动操作相关的持续时间和压力。
音频组件705被配置为输出和/或输入音频信号。例如,音频组件705包括一个麦克风,当计算机设备处于操作模式,如呼叫模式、记录模式和语音识别模式时,麦克风被配置为接收外部音频信号。在一些实施例中,音频组件705还包括一个扬声器,用于输出音频信号。
传感器组件707包括一个或多个传感器,用于为计算机设备提供各个方面的状态评估。例如,传感器组件707可以检测到计算机设备的打开/关闭状态,还可以检测计算机设备的温度变化。
通信组件708被配置为便于计算机设备和其他设备之间有线或无线方式的通信。计算机设备可以接入基于通信标准的无线网络,例如Wi-Fi(Wireless-Fidelity,无线网络)。
可以理解,图7所示的结构仅为示意,计算机设备该可以包括比图7中所示更多或更少的组件,或者具有与图7所示不同的组件。图7中所示的各组件均可以采用硬件、软件或者其组合来实现。
在一示例性实施例中,一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如前所述的方法。该计算机可读存储介质可以是上述实施例中描述的电子设备中所包含的,也可以是单独存在,而未装配入该电子设备中。
需要说明的是,本申请实施例所示的计算机可读存储介质例如可以是电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(ErasableProgrammable Read Only Memory,EPROM)、闪存、光纤、便携式紧凑磁盘只读存储器(Compact Disc Read-Only Memory,CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
本领域技术人员在考虑说明书及实践这里公开的实施方式后,将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。
上述内容,仅为本申请的较佳示例性实施例,并非用于限制本申请的实施方案,本领域普通技术人员根据本申请的主要构思和精神,可以十分方便地进行相应的变通或修改,故本申请的保护范围应以权利要求书所要求的保护范围为准。
Claims (7)
1.一种基于机器学习的诊疗策略确定方法,其特征在于,包括:
对患者资料进行病症分析,将病症分析结果与医院病症知识图谱进行对比,确定所述患者的病症数据;所述病症数据包括患者所患疾病和所患疾病的临床表现;
根据所述患者所患疾病和所患疾病的临床表现确定所述患者的病症复杂等级;
若所述病症复杂等级高于预设复杂等级阈值,将所述病症数据输入到预先构建的第一决策树模型中,以输出为所述患者进行手术的当前医院的第一决策医生,并确定所述第一决策医生进行手术的第一成功率;
若所述第一成功率小于第一预设成功率阈值,将所述病症数据输入到预先构建的第二决策树模型中,以输出为所述患者进行手术的其他医院的第二决策医生,并确定第二决策医生进行手术的第二成功率;
若所述第二成功率大于第二预设成功率阈值,确定所述第二决策医生进行手术所需的资源,并根据所述所需的资源为所述患者安排手术流程;
所述方法还包括:
以所有病症数据、当前医院医疗资源和医生资料库为样本集,以所述患者所患疾病的临床表现和当前医院医生资料属性为测试属性;
计算所述样本集的信息熵,并计算所述测试属性中的不同属性对样本集进行分类后的条件熵;
根据所述条件熵和所述信息熵计算出各测试属性的信息增益,选择信息增益最大的测试属性作为根节点;
对按照所述根节点分类后的样本集进行计算信息熵、条件熵和信息增益的步骤,确定叶子节点,以构建得到第一决策树模型;
通过剪枝或随机森林对所述第一决策树模型进行优化;
根据评价函数对优化后的第一决策树模型进行调整,得到所述预先构建的第一决策树模型,所述评价函数为:C(T)=∑t∈leafNt·H(t),t为叶子节点,H(t)为当前叶子计算出来的条件熵,Nt为当前叶子节点中的样本数量,C(T)为评价函数,leaf为叶子节点集合;
所述将所述病症数据输入到预先构建的第一决策树模型中,以输出为所述患者进行手术的当前医院的第一决策医生,并确定所述第一决策医生进行手术的第一成功率,包括:
对所述第一决策树模型进行逐层查找,从所述第一决策树模型中查找与所述病症数据对应的节点,所述节点包括所述患者所患疾病对应的当前医院的第一决策医生;
获取所述第一决策医生治疗所述患者所患疾病的历史手术数据;
将所述历史手术数据对应的手术成功率作为所述第一成功率。
2.根据权利要求1所述的方法,其特征在于,所述对患者资料进行病症分析,将病症分析结果与医院病症知识图谱进行对比,确定所述患者的病症数据包括:
收集关于疾病的所有病情数据,得到所述医院病症知识图谱;
通过计算机视觉技术和自然语言处理技术对所述患者资料进行病症识别分析,得到患者疾病特征;
将所述患者疾病特征与所述医院病症知识图谱进行对比分析,确定患者的病症数据。
3.根据权利要求2所述的方法,其特征在于,所述根据所述患者所患疾病和所患疾病的临床表现确定所述患者的病症复杂等级,所述方法包括:
通过k最邻近算法对所述病症数据进行分析,根据分析结果绘制所述患者的病症图谱;病症图谱包括患者所患的疾病的类型、以及对所患疾病的临床表现的评价性;
当从所述病症图谱中确定所述患者患有并发症或多发症,和/或,所述患者的病症临床表现的评价性低于评价阈值时,确定所述患者的病症复杂等级为第一等级;所述第一等级高于所述预设复杂等级阈值;
当从所述病症图谱中确定所述患者所患疾病为非手术类型疾病,确定所述患者的病症复杂等级为第二等级;所述第二等级低于所述预设复杂等级阈值。
4.根据权利要求1-3任一项所述的方法,其特征在于,所述根据所述所需的资源为所述患者安排手术流程包括:
若当前医院具有所述第二决策医生所需的医院资源,则根据医院资源在当前医院为所述患者制定手术流程;
若当前医院不具有所述第二决策医生所需的医院资源,将所述患者送往上级医院或所述第二决策医生对应的医院。
5.一种基于机器学习的诊疗策略确定装置,其特征在于,包括:
病症分析模块,用于对患者资料进行病症分析,将病症分析结果与医院病症知识图谱进行对比,确定所述患者的病症数据;所述病症数据包括患者所患疾病和所患疾病的临床表现;
病症确定模块,根据所述患者所患疾病和所患疾病的临床表现确定所述患者的病症复杂等级;
第一决策模块,用于若所述病症复杂等级高于预设复杂等级阈值,对第一决策树模型进行逐层查找,从所述第一决策树模型中查找与所述病症数据对应的节点,所述节点包括所述患者所患疾病对应的当前医院的第一决策医生;获取所述第一决策医生治疗所述患者所患疾病的历史手术数据;将所述历史手术数据对应的手术成功率作为所述第一决策医生进行手术的第一成功率;
第二决策模块,用于若所述第一成功率小于第一预设成功率阈值,将所述病症数据输入到预先构建的第二决策树模型中,以输出为所述患者进行手术的其他医院的第二决策医生,并确定第二决策医生进行手术的第二成功率;
手术安排模块,用于若所述第二成功率大于第二预设成功率阈值,确定根据所述第二决策树确定出的第二决策医生进行手术所需的资源,并根据所述所需的资源为所述患者安排手术流程;
所述第一决策模块,还用于以所有病症数据、当前医院医疗资源和医生资料库为样本集,以所述患者所患疾病的临床表现和当前医院医生资料属性为测试属性;计算所述样本集的信息熵,并计算所述测试属性中的不同属性对样本集进行分类后的条件熵;根据所述条件熵和所述信息熵计算出各测试属性的信息增益,选择信息增益最大的测试属性作为根节点;对按照所述根节点分类后的样本集进行计算信息熵、条件熵和信息增益的步骤,确定叶子节点,以构建得到第一决策树模型;通过剪枝或随机森林对所述第一决策树模型进行优化;根据评价函数对优化后的第一决策树模型进行调整,得到所述预先构建的第一决策树模型,所述评价函数为:C(T)=∑t∈leafNt·H(t),t为叶子节点,H(t)为当前叶子计算出来的条件熵,Nt为当前叶子节点中的样本数量,C(T)为评价函数,leaf为叶子节点集合。
6.一种计算机设备,其特征在于,所述计算机设备包括:
存储器,存储有计算机可读指令;
处理器,读取存储器存储的计算机可读指令,以执行权利要求1-4中的任一项所述的方法。
7.一种计算机可读存储介质,其特征在于,其上存储有计算机可读指令,当所述计算机可读指令被计算机的处理器执行时,使计算机执行权利要求1-4中的任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111054159.8A CN113782140B (zh) | 2021-09-08 | 2021-09-08 | 基于机器学习的诊疗策略确定方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111054159.8A CN113782140B (zh) | 2021-09-08 | 2021-09-08 | 基于机器学习的诊疗策略确定方法、装置、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113782140A CN113782140A (zh) | 2021-12-10 |
CN113782140B true CN113782140B (zh) | 2023-07-04 |
Family
ID=78842126
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111054159.8A Active CN113782140B (zh) | 2021-09-08 | 2021-09-08 | 基于机器学习的诊疗策略确定方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113782140B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110021418A (zh) * | 2017-10-26 | 2019-07-16 | 株式会社日立制作所 | 远程诊疗方法及其装置和系统 |
CN111599475A (zh) * | 2020-05-07 | 2020-08-28 | 江西省人民医院 | 预测冠脉慢性完全闭塞病变介入治疗成功率的评分模型 |
CN112614598A (zh) * | 2021-01-06 | 2021-04-06 | 尚林梅 | 基于大数据的医疗信息处理方法和系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140081659A1 (en) * | 2012-09-17 | 2014-03-20 | Depuy Orthopaedics, Inc. | Systems and methods for surgical and interventional planning, support, post-operative follow-up, and functional recovery tracking |
US20210043292A1 (en) * | 2019-08-05 | 2021-02-11 | RxAssurance Corporation (d/b/a OpiSafe) | Techniques for providing therapeutic treatment information for pharmacological administration |
-
2021
- 2021-09-08 CN CN202111054159.8A patent/CN113782140B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110021418A (zh) * | 2017-10-26 | 2019-07-16 | 株式会社日立制作所 | 远程诊疗方法及其装置和系统 |
CN111599475A (zh) * | 2020-05-07 | 2020-08-28 | 江西省人民医院 | 预测冠脉慢性完全闭塞病变介入治疗成功率的评分模型 |
CN112614598A (zh) * | 2021-01-06 | 2021-04-06 | 尚林梅 | 基于大数据的医疗信息处理方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113782140A (zh) | 2021-12-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
ȚĂRANU | Data mining in healthcare: decision making and precision. | |
US11152119B2 (en) | Care path analysis and management platform | |
US10638965B2 (en) | Method and system for monitoring stress conditions | |
JP2016520228A (ja) | 医療システムにおけるコンテキスト意識予測 | |
JP2018524137A (ja) | 心理状態を評価するための方法およびシステム | |
JP2014512624A (ja) | 予測モデリング | |
CN109643586A (zh) | 管理护理路径 | |
CN102405473A (zh) | 医护点动作医疗系统和方法 | |
KR20190069687A (ko) | 우울증 진단을 위한 다중 설문 분석 시스템 및 그 방법 | |
US11710572B2 (en) | Experience engine-method and apparatus of learning from similar patients | |
JP6379199B2 (ja) | データ分析装置、データ分析装置の制御方法、およびデータ分析装置の制御プログラム | |
CN112908452A (zh) | 事件数据建模 | |
Bhadra et al. | Enhancing the efficacy of depression detection system using optimal feature selection from EHR | |
Kozak et al. | Digital transformation in medicine: from formalized medical documents to information technologies of digital medicine | |
CN113782140B (zh) | 基于机器学习的诊疗策略确定方法、装置、设备及介质 | |
KR102476612B1 (ko) | 인공지능에 기반한 심리 맞춤 솔루션 제공 방법 및 시스템 | |
Ekong et al. | A Softcomputing Model for Depression Prediction. | |
CN114927230A (zh) | 基于机器学习的重症心衰患者预后决策支持系统及方法 | |
Juliet | Investigations on machine learning models for mental health analysis and prediction | |
Clerkin et al. | A decision support system for hospital bed assignment | |
Adawiyah et al. | Hospital Length of Stay Prediction based on Patient Examination Using General features | |
Маланчук et al. | Architecture of an intelligent information system for forecasting components of medical projects | |
WO2023224085A1 (ja) | 情報処理システムおよび情報処理方法 | |
Feng et al. | A Hybrid Data Mining Approach for Generalizing Characteristics of Emergency Department Visits Causing Overcrowding. | |
Jage et al. | Predicting Mental Health Illness using Machine Learning |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20221011 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. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |