CN113782185A - 临床诊疗智能决策分析系统及方法 - Google Patents
临床诊疗智能决策分析系统及方法 Download PDFInfo
- Publication number
- CN113782185A CN113782185A CN202110983723.8A CN202110983723A CN113782185A CN 113782185 A CN113782185 A CN 113782185A CN 202110983723 A CN202110983723 A CN 202110983723A CN 113782185 A CN113782185 A CN 113782185A
- Authority
- CN
- China
- Prior art keywords
- clinical
- treatment
- diagnosis
- case
- evaluation
- 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
Links
- 238000003759 clinical diagnosis Methods 0.000 title claims abstract description 76
- 238000004458 analytical method Methods 0.000 title claims abstract description 34
- 238000000034 method Methods 0.000 title claims abstract description 21
- 238000011156 evaluation Methods 0.000 claims abstract description 100
- 238000003745 diagnosis Methods 0.000 claims abstract description 42
- 230000007246 mechanism Effects 0.000 claims abstract description 20
- 201000010099 disease Diseases 0.000 claims abstract description 19
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 19
- 238000004364 calculation method Methods 0.000 claims description 21
- 238000012360 testing method Methods 0.000 claims description 17
- 210000004369 blood Anatomy 0.000 claims description 10
- 239000008280 blood Substances 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 7
- 238000012937 correction Methods 0.000 claims description 7
- 238000004062 sedimentation Methods 0.000 claims description 6
- 238000013480 data collection Methods 0.000 claims description 5
- 208000032023 Signs and Symptoms Diseases 0.000 claims description 4
- 238000004519 manufacturing process Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 230000003936 working memory Effects 0.000 claims description 4
- 208000003456 Juvenile Arthritis Diseases 0.000 description 35
- 206010059176 Juvenile idiopathic arthritis Diseases 0.000 description 35
- 201000002215 juvenile rheumatoid arthritis Diseases 0.000 description 35
- 206010003246 arthritis Diseases 0.000 description 11
- 206010061218 Inflammation Diseases 0.000 description 6
- 239000003814 drug Substances 0.000 description 6
- 230000004054 inflammatory process Effects 0.000 description 6
- 208000010201 Exanthema Diseases 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 201000005884 exanthem Diseases 0.000 description 5
- 206010037844 rash Diseases 0.000 description 5
- 206010037660 Pyrexia Diseases 0.000 description 4
- 229940079593 drug Drugs 0.000 description 4
- 239000003435 antirheumatic agent Substances 0.000 description 3
- 239000002988 disease modifying antirheumatic drug Substances 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 208000006820 Arthralgia Diseases 0.000 description 2
- 208000008035 Back Pain Diseases 0.000 description 2
- 108010074051 C-Reactive Protein Proteins 0.000 description 2
- 102100032752 C-reactive protein Human genes 0.000 description 2
- 206010023232 Joint swelling Diseases 0.000 description 2
- 206010041660 Splenomegaly Diseases 0.000 description 2
- 108010061103 cyclic citrullinated peptide Proteins 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 239000003862 glucocorticoid Substances 0.000 description 2
- 206010019847 hepatosplenomegaly Diseases 0.000 description 2
- 230000002757 inflammatory effect Effects 0.000 description 2
- 230000002045 lasting effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 229940021182 non-steroidal anti-inflammatory drug Drugs 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000011272 standard treatment Methods 0.000 description 2
- 208000024891 symptom Diseases 0.000 description 2
- 229940037128 systemic glucocorticoids Drugs 0.000 description 2
- 208000011594 Autoinflammatory disease Diseases 0.000 description 1
- 208000017667 Chronic Disease Diseases 0.000 description 1
- 208000004232 Enteritis Diseases 0.000 description 1
- 208000037194 Fever of Unknown Origin Diseases 0.000 description 1
- 230000005526 G1 to G0 transition Effects 0.000 description 1
- 102000012153 HLA-B27 Antigen Human genes 0.000 description 1
- 108010061486 HLA-B27 Antigen Proteins 0.000 description 1
- 206010019842 Hepatomegaly Diseases 0.000 description 1
- 206010022941 Iridocyclitis Diseases 0.000 description 1
- 206010028116 Mucosal inflammation Diseases 0.000 description 1
- 201000010927 Mucositis Diseases 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 206010029379 Neutrophilia Diseases 0.000 description 1
- 206010058556 Serositis Diseases 0.000 description 1
- 201000002661 Spondylitis Diseases 0.000 description 1
- 208000007271 Substance Withdrawal Syndrome Diseases 0.000 description 1
- 206010046851 Uveitis Diseases 0.000 description 1
- 230000001154 acute effect Effects 0.000 description 1
- 201000004612 anterior uveitis Diseases 0.000 description 1
- 230000003460 anti-nuclear Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000002917 arthritic effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000001363 autoimmune Effects 0.000 description 1
- 238000009411 base construction Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229960000074 biopharmaceutical Drugs 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 230000009266 disease activity Effects 0.000 description 1
- 238000002651 drug therapy Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010166 immunofluorescence Methods 0.000 description 1
- 208000015181 infectious disease Diseases 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 210000000265 leukocyte Anatomy 0.000 description 1
- 206010024378 leukocytosis Diseases 0.000 description 1
- 230000009267 minimal disease activity Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 208000019764 polyarticular juvenile idiopathic arthritis Diseases 0.000 description 1
- 208000007442 rickets Diseases 0.000 description 1
- 208000002203 sacroiliac arthritis Diseases 0.000 description 1
- 210000003131 sacroiliac joint Anatomy 0.000 description 1
- 201000005671 spondyloarthropathy Diseases 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 230000009885 systemic effect Effects 0.000 description 1
- 229940126585 therapeutic drug Drugs 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- 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)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Primary Health Care (AREA)
- Physics & Mathematics (AREA)
- Epidemiology (AREA)
- Pathology (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明提供了一种临床诊疗智能决策分析系统及方法，临床诊疗知识库模块采用统一表示形式存储多种临床诊疗知识；临床评估模块将新患者的临床表现作为输入，执行规则推理机制输出新患者的评估结果；临床治疗方案决策模块利用临床诊疗知识库模块中的临床诊疗指南和病例文献报道知识，结合临床评估模块输出的评估结果，分析新患者的临床表现、临床评估与历史案例的相似性，找出与新患者最相似的诊疗案例，并根据所述最相似诊疗案例的治疗方案，为新患者的治疗提供借鉴。本发明能够有效地对特定疾病诊疗领域的大量且差异化的数据进行分类整理，结合医生专家经验和智能辅助决策系统，为患者提供更高效和可靠的疾病诊疗结果。
Description
技术领域
本发明涉及临床辅助决策智能化评估和治疗领域，具体地，涉及一种临床诊疗智能决策分析系统及方法。
背景技术
当前人们对临床医疗资源的需求越来越多，同时国内医疗领域的专家人员、医师护士等人力资源和其他医疗资源仍相对匮乏，临床医疗的质量和效率仍有待提升。传统的临床问诊、分诊、评估和治疗方法依赖医生经验和专家提供的基于循证医学的指南，但存在效率低、不够准确客观等问题。问诊、分诊和评估阶段医生难以在较短时间内得出准确可靠的评估结果，由于临床病症的复杂性和不同医生经验背景的差异，医生对标准指南的贯彻和理解不同也容易造成偏差甚至误诊。尤其对于一些较为复杂的、慢性的、或存在多种病症干扰的情况，传统的临床决策方法极易造成漏诊、误诊，给患者家庭带来极大负担，以至加剧医患矛盾。为了解决以上问题，提高临床医疗的条件和诊疗效率，当前正在实施对临床医疗人才的全面高素质培养，然而这种方式下人才培养周期很长，难以应对当前紧迫的需要。
智能化临床辅助决策系统是解决当前临床医疗问题的有力途径。此类系统基于专家知识和知识推理机制，可模拟或辅助人类决策，其知识储备的完善性和知识推理的高效性是其优于传统决策机制的关键。用于临床辅助决策的智能系统可以对专家制定的标准诊疗指南进行统一的总结和表达，然后在面对新的临床决策场景时运用知识推理机制快速实现知识查询、推理和应用。具体而言，临床问诊、分诊和评估过程可以通过规则推理，实现对标准指南的准确应用。临床治疗方案的决策可以通过案例推理，实现对历史案例的遵循。进一步的，这种智能化辅助决策系统具有灵活性和可扩展性，可以成为医护人才培养的辅助工具。
专利文献为CN112908474A的发明专利公开了一种基于人工智能的医疗诊断系统。本发明实施例通过人工智能交互子系统、身份读取子系统、基本检查子系统、智能检查子系统和智能诊断子系统的相互配合，将待检信息、历史诊断结果和基本检查结果生成智能检查方案，根据所述智能检查方案对患者进行检查，生成智能检查结果，并根据所述基本检查结果和智能检查结果生成智能诊断结果。但是上述方案无法实现特征选择及相关性计算。
发明内容
针对现有技术中的缺陷，本发明的目的是提供一种临床诊疗智能决策分析系统及方法。
根据本发明提供的一种临床诊疗智能决策分析系统，包括临床诊疗知识库模块、临床评估模块以及临床治疗方案决策模块，其中：
临床诊疗知识库模块采用统一表示形式存储多种临床诊疗知识；
临床评估模块将新患者的临床表现作为输入，执行规则推理机制输出新患者的评估结果；
临床治疗方案决策模块利用临床诊疗知识库模块中的临床诊疗指南和病例文献报道知识，结合临床评估模块输出的评估结果，分析新患者的临床表现、临床评估与历史案例的相似性，找出与新患者最相似的诊疗案例，并根据所述最相似诊疗案例的治疗方案，为新患者的治疗提供借鉴。
根据本发明提供的一种临床诊疗智能决策分析方法，包括如下步骤：
存储步骤：临床诊疗知识库模块采用统一表示形式存储多种临床诊疗知识；
评估结果输出步骤：临床评估模块将新患者的临床表现作为输入，执行规则推理输出新患者的评估结果；
决策步骤：临床治疗方案决策模块利用临床诊疗知识库模块中的临床诊疗指南和病例文献报道知识，结合临床评估模块输出的评估结果，分析新患者的临床表现、临床评估与历史案例的相似性，找出与新患者最相似的诊疗案例，并根据所述最相似诊疗案例的治疗方案，为新患者的治疗提供借鉴。
优选地，还包括临床诊疗知识库模块构建步骤：构建临床诊疗知识库模块；所述临床诊疗知识库模块构建步骤包括：
数据收集步骤：从多个数据收集渠道收集医疗数据；
数据梳理步骤：针对大量且差异化表示的数据进行梳理，进行冗余处理，合并相同的数据，删除重复、错误的数据，采用一体化的关系型数据表格对数据进行统一表示；
逻辑语言表示步骤：将疾病分类及评估标准知识使用逻辑语言形式表示，形成若干条If…Then…形式的结构化产生式规则，If部分若有多个条件则通过“或(or)”和“与(and)”连接，并对每条规则设置优先等级；
Problem-Solution形式表示步骤：将临床诊疗指南和病例文献报道知识使用Problem-Solution形式表示，其中Problem部分用于表示患者的临床表现或临床评估结果，采用“特征-特征值”形式；Solution部分表示医生做出的治疗方案或意见，采用文本形式；
统一导入步骤：开发分布式数据库并将统一表示的数据批量导入数据库中，形成临床诊疗知识库模块，赋予每条数据一个完整且唯一的ID代码，并在分布式数据库中实现基于关键词的数据检索。
优选地，所述临床诊疗知识库模块的收集渠道包括如下任一个或者任多个：专业书籍、学术文献、网络报道、医学数据库；
所述临床诊疗知识库模块收集的医疗数据包括如下任一种或者任多种：临床诊疗指南、疾病分类及评估标准、病例文献报道、历史患者的症状和体征、医师整体评价、家长/患者整体评价、活动关节计数、血沉、血常规。
优选地，评估结果输出步骤中，在多条规则同时满足时，根据规则的优先级确定优先级高的规则先被执行。
优选地，所述的规则推理机制包括：
工作存储器：用于存放临床数据和临床评估规则，所述临床数据由规则推理机制的其他部分协同控制激活相应的临床评估标准，推出新的评估结论；
解释器：用于判断临床评估规则的条件是否成立；
冲突协调器：用于选择可调用的临床评估规则；
调度器：用于执行评估规则的动作，并在满足结束条件时终止推理的执行，当某个规则的If部分条件满足，且冲突消解器确定它没有与别的规则冲突可以执行时，调度器执行Then后面的操作，使推理进行下去。
优选地，所述临床治疗方案决策模块被用于治疗方案决策阶段辅助人工决策，把新患者的临床表现和临床评估，作为新的Problem进行描述，通过新Problem与已有案例之间相似性分析，找到与新患者临床表现最相似的诊疗案例，并根据该相似诊疗案例的治疗方案，通过辅助决策机制为新患者提供治疗方案。
优选地，所述的新Problem与已有案例之间相似性分析，根据新Problem的“特征-特征值”形式的临床表现或临床评估结果的类型进行相似度计算。
优选地，对于数值型特征值，相似度计算公式为：
其中sim(x,y)为相似度计算结果，x为新Problem的一个数值型特征值，y为已有案例的对应数值型特征值；
对于区间型特征值，相似度计算公式为：
其中x为新Problem的一个区间型特征值，y为已有案例的对应数值型特征值；
对于语义型特征值，相似度计算公式为：
sim(x,y)＝(x＝y)？1∶0 (3)
其中x为新Problem的一个字符型特征值，y为已有案例的对应语义型特征值；
对于模糊型特征值，相似度计算公式为：
其中
为新Problem的一个模糊型特征值，y为已有案例的对应数值型特征值。
优选地，所述辅助决策机制为：
在找到与新患者病例相似度高的已有案例的基础上，通过相似性分析算法找出的高相似度治疗方案为经验解，经过修正过程成为提议解，进行新患者的测试，若测试成功则将该患者作为新的诊疗案例存储入历史案例知识库中，若测试失败则经过解释分析与修正过程，生成新的提议解，重新测试，直到测试成功。
与现有技术相比，本发明具有如下的有益效果：
1、本发明能够用于辅助临床诊疗活动和协助医护人才的培养。
2、本发明能够实现不同数据形式表达的统一，并形成运行规则。
3、本发明能够基于不同形式的临床表现进行不同类型的相似度计算。
4、本发明提出构建的临床诊疗智能决策分析系统可实现对领域知识和经验的梳理整合与规范化表达，进一步实现基于规则推理的临床评估以提高评估的准确性和效率，实现基于案例推理的临床治疗方案决策以结合经验知识与智能决策的高效性。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1为本发明中基于规则推理的临床评估流程图；
图2为本发明中基于案例推理的临床治疗方案决策的相似度计算方法归纳；
图3为本发明中基于案例推理的临床治疗方案决策的辅助决策机制流程图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变化和改进。这些都属于本发明的保护范围。
如图1至图3所示，本发明提供了一种临床诊疗智能决策分析系统的构建方法。该系统主要包括：临床诊疗知识库模块、基于规则推理的临床评估模块、基于案例的临床治疗方案决策模块。所述的临床诊疗知识库的知识内容有临床诊疗指南、疾病分类及评估标准、病例文献报道、历史患者的临床数据等，数据类型有文本形式、数值形式、语义形式等，知识库构建方法的步骤包括数据收集整理、冗余处理、基于关系型数据表格的统一表示、数据分布式存储。其中，疾病分类及评估标准知识使用逻辑语言形式表示，形成若干条If…Then…形式的结构化产生式规则，If部分可以有多个条件并通过“或(or)”和“与(and)”连接，然后对每条规则赋予优先等级与唯一ID代码。临床诊疗指南和病例文献报道知识使用Problem-Solution形式表示，其中Problem部分用于表示患者的临床表现或临床评估结果，采用“特征-特征值”形式；Solution部分表示医生做出的治疗方案或意见，采用文本形式。所述的基于规则推理的临床评估模块将医生在评估时，把新患者的临床表现作为输入条件，根据产生式规则推理得出相关诊断结论。在多条规则同时满足时，根据规则的优先级确定优先级高的规则先被执行，从而防止多条规则同时被执行，出现推理冲突的情况。所述的基于案例的临床治疗方案决策将医生在做出治疗方案决策时，把新患者的临床表现和临床评估，作为新的Problem。通过新Problem与已有案例Problem之间相似性分析，即根据Problem中各项对应特征值的相似度计算结果，找到与新患者临床表现最相似的诊疗案例，并根据该相似诊疗案例的治疗方案，为新患者的治疗提供可借鉴的方案。本系统能够有效地对特定疾病诊疗领域的大量且差异化的数据进行分类整理，结合医生专家经验和智能辅助决策系统，为患者提供更高效和可靠的疾病诊疗结果。
更为详细的，根据本发明提供的一种临床诊疗智能决策分析系统构建系统及方法，所述系统包括临床诊疗知识库模块、基于规则推理的临床评估模块、基于案例的临床治疗方案决策模块，所述的临床诊疗知识库模块采用统一表示形式存储多种临床诊疗相关知识，所述的基于规则推理的临床评估模块在医生对患者进行临床诊断评估时，将新患者的临床表现作为输入，执行规则推理获得新患者的评估结果，所述的基于案例的临床治疗方案决策模块利用临床诊疗知识库模块中的临床诊疗指南和病例文献报道知识，结合基于规则推理的临床评估模块输出的评估结果，通过分析新患者的临床表现和临床评估与历史案例的相似性，找出与新患者最相似的诊疗案例，并根据该相似诊疗案例的治疗方案，为新患者的治疗提供借鉴。
根据本发明提供的一种临床诊疗智能决策分析方法，包括：
存储步骤：临床诊疗知识库模块采用统一表示形式存储多种临床诊疗知识；
评估结果输出步骤：临床评估模块将新患者的临床表现作为输入，执行规则推理输出新患者的评估结果；
决策步骤：临床治疗方案决策模块利用临床诊疗知识库模块中的临床诊疗指南和病例文献报道知识，结合临床评估模块输出的评估结果，分析新患者的临床表现、临床评估与历史案例的相似性，找出与新患者最相似的诊疗案例，并根据所述最相似诊疗案例的治疗方案，为新患者的治疗提供借鉴。
进一步的，临床诊疗知识库模块的构建步骤包括：
从专业书籍、学术文献、网络报道、医学数据库等多渠道收集临床诊疗指南、疾病分类及评估标准、病例文献报道、历史患者的症状和体征(发热的程度、皮疹、全身淋巴结肿大、肝脾肿大)医师整体评价、家长/患者整体评价、活动关节计数、血沉、血常规等数据。
针对大量且差异化表示的数据进行梳理，然后进行冗余处理，合并相同的数据，删除重复、错误的数据，最后采用一体化的关系型数据表格对数据进行统一表示。
将疾病分类及评估标准知识使用逻辑语言形式表示，形成若干条If…Then…形式的结构化产生式规则，If部分若有多个条件则通过“或(or)”和“与(and)”连接，并对每条规则由专家设置优先等级。
将临床诊疗指南和病例文献报道知识使用Problem-Solution形式表示，其中Problem部分用于表示患者的临床表现或临床评估结果，采用“特征-特征值”形式；Solution部分表示医生做出的治疗方案或意见，采用文本形式。
开发分布式数据库并将统一表示的数据批量导入数据库中，形成临床诊疗知识库。赋予每条数据一个完整且唯一的ID代码，并在分布式数据库中实现基于关键词的数据检索，方便医生查阅或修改相关数据。
基于规则推理的临床评估模块被用于医生对新患者的临床评估阶段，把患者的临床表现作为输入条件，运行规则推理机制，根据产生式规则推理得出相关诊断结论。在多条规则同时满足时，根据规则的优先级确定优先级高的规则先被执行，从而防止多条规则同时被执行，出现推理冲突的情况。在标准库中，也采用基于关键词的检索，实现相关标准查阅。其中所述的规则推理机制包括：
工作存储器：用于存放临床数据和临床评估规则。这些数据由规则推理机制的其他部分协同控制激活相应的临床评估标准，推出新的评估结论；
解释器：负责判断临床评估规则的条件是否成立。评估规则的If部分一般是一个需要判断是否满足的事实，解释器负责检查临床评估规则中是否含有该条，即If项是否成立。解释器将所有If项满足了的规则搜索出来，交给冲突消解器判断是否存在冲突；
冲突协调器：负责选择可调用的临床评估规则。为了解决几条评估规则同时满足时，是否执行某条评估规则或者先执行哪条规则的问题，需要为每条规则定义一个优先级的属性，在多条规则同时满足的时候优先级高的规则将被执行。冲突消解器先检查满足条件的规则是否存在冲突，如果存在，就按照优先级策略选择出应该执行的评估规则；
调度器：负责执行评估规则的动作，并在满足结束条件时终止推理的执行，当某个规则的If部分条件满足，且冲突消解器确定它没有与别的规则冲突可以执行时，调度器执行Then后面的操作，使推理进行下去。
基于案例的临床治疗方案决策模块被用于治疗方案决策阶段辅助人工决策，把新患者的临床表现和临床评估，作为新的Problem进行描述。通过新Problem与已有案例之间相似性分析，找到与新患者临床表现最相似的诊疗案例，并根据该相似诊疗案例的治疗方案，通过辅助决策机制为新患者提供治疗方案。
基于案例的临床治疗方案决策模块中，新Problem与已有案例之间相似性分析，根据新Problem的“特征-特征值”形式的临床表现或临床评估结果的类型(有四种特征类型：数值型、区间型、语义型、模糊型)，相似度值在[0,1]区间内，值越大表示相似度越高。
有四种相似度计算方法：
(a)对于数值型特征值，相似度计算公式为：
其中sim(x,y)为相似度计算结果，x为新Problem的一个数值型特征值(例如，x＝30或x＝0.15)，y为已有案例的对应数值型特征值。
(b)对于区间型特征值，相似度计算公式为：
其中x为新Problem的一个区间型特征值(例如，x＝[1,10]或x＝[0.5,10.5])，y为已有案例的对应数值型特征值。
(c)对于语义型特征值，相似度计算公式为：
sim(x,y)＝(x＝y)？1∶0 (3)
其中x为新Problem的一个字符型特征值(例如，x＝“皮疹”)，y为已有案例的对应语义型特征值。
(d)对于模糊型特征值，相似度计算公式为：
其中
为新Problem的一个模糊型特征值(例如，x＝“高”或“低”)，y为已有案例的对应数值型特征值。
进一步的，所述的为新患者提供治疗方案的辅助决策机制为：
在找到与新患者病例相似度高的已有案例的基础上，通过上述的相似性分析算法找出的高相似度治疗方案为经验解，经过专家指导的修正过程成为提议解，然后进行新患者的测试。若测试成功则将该患者作为新的诊疗案例存储入历史案例知识库中，若测试失败则经过专家指导的解释分析与修正过程，生成新的提议解，重新测试，直到测试成功。
更为详细地说明：本发明提出构建的临床诊疗智能决策分析系统包括临床诊疗知识库构建、基于规则推理的临床评估和基于案例推理的临床治疗方案决策。首先，临床诊疗知识库的构建应收集多渠道、多层次的大量相关知识，然后进行梳理归纳、剔除冗余。
以幼年特发性关节炎(JIA)的分类标准为例，所收集的知识如下：
JIA的分类标准包括2001年ILAR标准和2018年PRINTO标准。2018年儿童风湿病国际试验组织(Pediatric Rheumatology International Trials Organization,PRINTO))新分类标准将JIA分为6种类型：①全身型JIA(systemic juvenile idiopathicarthritis，SJIA)：持续至少2周的不明原因发热(除外感染、肿瘤、自身免疫或单基因自身炎症性疾病)，每日发作至少连续3d，同时伴有以下2项主要指标或1项主要指标及2项次要指标。主要指标：(1)短暂、非固定红斑样皮疹；(2)关节炎。次要指标：(1)全身淋巴结肿大和(或)肝脏肿大和(或)脾脏肿大；(2)浆膜炎；(3)持续2周及以上关节痛(非关节炎)；(4)白细胞增多(≥15×109/L)伴中性粒细胞增多。②RF阳性JIA：持续6周及以上的关节炎，同时2次至少间隔3个月RF阳性或至少1次环瓜氨酸肽(CCP)抗体阳性。③与附着点炎症、脊柱炎相关的JIA(enthesitis related arthritis,ERA)：外周关节炎合并附着点炎症，或关节炎(或附着点炎症)加上3个月及以上的炎症性背痛和影像学显示的骶髂关节炎，或关节炎(或附着点炎症)加上以下任意2项：(1)骶髂关节压痛；(2)炎症性背痛；(3)HLA-B27检测阳性；(4)急性(症状性)前葡萄膜炎；(5)一级亲属中有脊柱关节炎病史。其中，若外周关节炎存在，则需持续至少6周以上。④早发ANA阳性JIA：6岁以前起病，持续6周及以上的关节炎，同时2次至少间隔3个月免疫荧光检测抗核抗体(ANA)阳性且滴度≥1∶160。除外标准：排除全身型JIA、RF阳性JIA及与附着点炎症、脊柱炎相关的JIA。⑤其他类型JIA：持续6周及以上的关节炎，不符合上述任何分类标准。⑥未分类的JIA：持续6周及以上的关节炎，同时符合上述1种以上分类标准。
此外，以JIA的临床评估相关知识为例，所收集的知识如下：根据近年来引入的“达标治疗”新理念，以达到临床缓解或疾病低活动度为目的的达标治疗体系中最重要的部分是对疾病活动度的评估，最终决定着临床评估和治疗方案的选择和调整。JIA的临床评估工具包括整体评价量表、实验室指标(血沉、白细胞、C反应蛋白等)。为了更合理、全面、客观的进行评价，美国风湿病学会(American College of Rheumatology,ACR)首先将病情定性为：(1)疾病静止期(Clinically inactive disease,CID):各关节无活动性炎症；无发热、皮疹、粘膜炎、脾肿大或淋巴结肿大等全身症状；无活动性葡萄膜炎；晨僵小于15分钟；医生对疾病活动整体评价为0；血沉和C反应蛋白正常。(2)用药后临床缓解：药物治疗后连续6个月达到CID标准。(3)停药后临床缓解：停用所有药物后连续12个月达到CID标准。由于很多患者难以达到CID标准，有学者提出了“最小疾病活动度”的概念：(1)多关节型JIA活动度医师整体评价小于3.4，家长/患者小于2.5且肿胀关节数不多于1个。(2)少关节型JIA活动度家长/患者整体评价小于2.5且无关节肿胀。
以JIA的整体评价量表为例，根据目前通用的病情评估标准，制订的JIA临床评估规范化表格如表1所示，可收集整理JIA的类型、症状和体征(发热的程度、皮疹、全身淋巴结肿大、肝脾肿大)医师整体评价、家长/患者整体评价、活动关节计数、血沉、血常规等数据。该表格是临床诊疗知识库构建工具的范例，融合了JIA大类及其评估标准、亚类SJIA及其评估准则、亚类ERA及其评估准则。
表1 JIA临床评估表格
以JIA的药物治疗知识为例，目前对JIA的治疗药物主要有非甾体炎抗炎药(NSAIDs)、改善病情的抗风湿药物(DMARDs)以及糖皮质激素(GCs)，DMARDs药物又包括传统DMARDs药物(csDMARDs)和生物制剂(bDMARDs)。
将收集到的JIA分类标准、临床评估和治疗知识、医院诊疗实例中的临床数据、专家制定的诊疗指南等分别用统一形式规范化表达，开发分布式的JIA临床数据库，对数据进行分布式管理。
本发明的具体实例中，JIA临床评估采用基于规则推理的技术，包括用于存储JIA临床数据和JIA临床评估标准的工作存储器、负责判断JIA临床评估标准条件是否成立的解释器、负责选择可调用的JIA临床评估标准的冲突协调器、负责执行评估标准以及终止推理进程的调度器四个部分功能。调度器执行完以后，从JIA临床评估标准里设定的每条标准满足或不满足的结论中，就可以得到评估的结果。
本发明的具体实例中，JIA临床治疗方案决策采用基于案例推理的技术，根据新JIA患者的临床症状找到经相似的JIA诊疗案例，经过专家修正后成为提议解进行测试，测试成功则将此病例存储到JIA诊疗案例库中，若测试失败则继续解释分析和修正。
本领域技术人员知道，除了以纯计算机可读程序代码方式实现本发明提供的系统及其各个装置、模块、单元以外，完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统及其各个装置、模块、单元以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同功能。所以，本发明提供的系统及其各项装置、模块、单元可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置、模块、单元也可以视为硬件部件内的结构；也可以将用于实现各种功能的装置、模块、单元视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本申请的实施例和实施例中的特征可以任意相互组合。
Claims (10)
1.一种临床诊疗智能决策分析系统，其特征在于，包括临床诊疗知识库模块、临床评估模块以及临床治疗方案决策模块，其中：
临床诊疗知识库模块采用统一表示形式存储多种临床诊疗知识；
临床评估模块将新患者的临床表现作为输入，执行规则推理机制输出新患者的评估结果；
临床治疗方案决策模块利用临床诊疗知识库模块中的临床诊疗指南和病例文献报道知识，结合临床评估模块输出的评估结果，分析新患者的临床表现、临床评估与历史案例的相似性，找出与新患者最相似的诊疗案例，并根据所述最相似诊疗案例的治疗方案，为新患者的治疗提供借鉴。
2.一种临床诊疗智能决策分析方法，其特征在于，包括如下步骤：
存储步骤：临床诊疗知识库模块采用统一表示形式存储多种临床诊疗知识；
评估结果输出步骤：临床评估模块将新患者的临床表现作为输入，执行规则推理输出新患者的评估结果；
决策步骤：临床治疗方案决策模块利用临床诊疗知识库模块中的临床诊疗指南和病例文献报道知识，结合临床评估模块输出的评估结果，分析新患者的临床表现、临床评估与历史案例的相似性，找出与新患者最相似的诊疗案例，并根据所述最相似诊疗案例的治疗方案，为新患者的治疗提供借鉴。
3.根据权利要求2所述的临床诊疗智能决策分析方法，其特征在于，还包括临床诊疗知识库模块构建步骤：构建临床诊疗知识库模块；所述临床诊疗知识库模块构建步骤包括：
数据收集步骤：从多个数据收集渠道收集医疗数据；
数据梳理步骤：针对大量且差异化表示的数据进行梳理，进行冗余处理，合并相同的数据，删除重复、错误的数据，采用一体化的关系型数据表格对数据进行统一表示；
逻辑语言表示步骤：将疾病分类及评估标准知识使用逻辑语言形式表示，形成若干条If…Then…形式的结构化产生式规则，If部分若有多个条件则通过“or”和“and”连接，并对每条规则设置优先等级；
Problem-Solution形式表示步骤：将临床诊疗指南和病例文献报道知识使用Problem-Solution形式表示，其中Problem部分用于表示患者的临床表现或临床评估结果，采用“特征-特征值”形式；Solution部分表示医生做出的治疗方案或意见，采用文本形式；
统一导入步骤：开发分布式数据库并将统一表示的数据批量导入数据库中，形成临床诊疗知识库模块，赋予每条数据一个完整且唯一的ID代码，并在分布式数据库中实现基于关键词的数据检索。
4.根据权利要求3所述的临床诊疗智能决策分析方法，其特征在于，所述临床诊疗知识库模块的收集渠道包括如下任一个或者任多个：专业书籍、学术文献、网络报道、医学数据库；
所述临床诊疗知识库模块收集的医疗数据包括如下任一种或者任多种：临床诊疗指南、疾病分类及评估标准、病例文献报道、历史患者的症状和体征、医师整体评价、家长/患者整体评价、活动关节计数、血沉、血常规。
5.根据权利要求2所述的临床诊疗智能决策分析方法，其特征在于，评估结果输出步骤中，在多条规则同时满足时，根据规则的优先级确定优先级高的规则先被执行。
6.根据权利要求2所述的临床诊疗智能决策分析方法，其特征在于，所述的规则推理机制包括：
工作存储器：用于存放临床数据和临床评估规则，所述临床数据由规则推理机制的其他部分协同控制激活相应的临床评估标准，推出新的评估结论；
解释器：用于判断临床评估规则的条件是否成立；
冲突协调器：用于选择可调用的临床评估规则；
调度器：用于执行评估规则的动作，并在满足结束条件时终止推理的执行，当某个规则的If部分条件满足，且冲突消解器确定它没有与别的规则冲突可以执行时，调度器执行Then后面的操作，使推理进行下去。
7.根据权利要求3所述的临床诊疗智能决策分析方法，其特征在于，所述临床治疗方案决策模块被用于治疗方案决策阶段辅助人工决策，把新患者的临床表现和临床评估，作为新的Problem进行描述，通过新Problem与已有案例之间相似性分析，找到与新患者临床表现最相似的诊疗案例，并根据该相似诊疗案例的治疗方案，通过辅助决策机制为新患者提供治疗方案。
8.根据权利要求7所述的临床诊疗智能决策分析方法，其特征在于，所述的新Problem与已有案例之间相似性分析，根据新Problem的“特征-特征值”形式的临床表现或临床评估结果的类型进行相似度计算。
9.根据权利要求8所述的临床诊疗智能决策分析方法，其特征在于，
对于数值型特征值，相似度计算公式为：
其中sim(x,y)为相似度计算结果，x为新Problem的一个数值型特征值，y为已有案例的对应数值型特征值；
对于区间型特征值，相似度计算公式为：
其中x为新Problem的一个区间型特征值，y为已有案例的对应数值型特征值；
对于语义型特征值，相似度计算公式为：
sim(x,y)＝(x＝y)？1∶0 (3)
其中x为新Problem的一个字符型特征值，y为已有案例的对应语义型特征值；
对于模糊型特征值，相似度计算公式为：
其中
为新Problem的一个模糊型特征值，y为已有案例的对应数值型特征值。
10.根据权利要求9所述的临床诊疗智能决策分析方法，其特征在于，所述辅助决策机制为：
在找到与新患者病例相似度高的已有案例的基础上，通过相似性分析算法找出的高相似度治疗方案为经验解，经过修正过程成为提议解，进行新患者的测试，若测试成功则将该患者作为新的诊疗案例存储入历史案例知识库中，若测试失败则经过解释分析与修正过程，生成新的提议解，重新测试，直到测试成功。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110983723.8A CN113782185B (zh) | 2021-08-25 | 2021-08-25 | 临床诊疗智能决策分析系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110983723.8A CN113782185B (zh) | 2021-08-25 | 2021-08-25 | 临床诊疗智能决策分析系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113782185A true CN113782185A (zh) | 2021-12-10 |
| CN113782185B CN113782185B (zh) | 2024-03-08 |
Family
ID=78839118
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110983723.8A Active CN113782185B (zh) | 2021-08-25 | 2021-08-25 | 临床诊疗智能决策分析系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113782185B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115346662A (zh) * | 2022-08-23 | 2022-11-15 | 亿慧云智能科技（深圳）股份有限公司 | 一种用于宠物医院的智能诊断数据管理方法及系统 |
| CN116020016A (zh) * | 2023-03-30 | 2023-04-28 | 南昌大学第二附属医院 | 一种注射模拟器的参数标定方法及系统 |
| CN117688226A (zh) * | 2024-02-02 | 2024-03-12 | 徐州医科大学 | 基于相似儿童患者匹配的智能诊前自助开单方法及系统 |
| CN118155858A (zh) * | 2024-03-11 | 2024-06-07 | 台州市中心医院（台州学院附属医院） | 基于cnn模型的ards患者急性呼吸窘迫应急方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101103910A (zh) * | 2006-07-14 | 2008-01-16 | 深圳迈瑞生物医疗电子股份有限公司 | 心电图计算机辅助诊断系统及方法 |
| CN106295186A (zh) * | 2016-08-11 | 2017-01-04 | 中国科学院计算技术研究所 | 一种基于智能推理的辅助疾病诊断的方法与系统 |
| CN109785928A (zh) * | 2018-12-25 | 2019-05-21 | 平安科技（深圳）有限公司 | 诊疗方案推荐方法、装置及存储介质 |
| CN111292848A (zh) * | 2019-12-31 | 2020-06-16 | 同方知网(北京)技术有限公司 | 一种基于贝叶斯估计的医疗知识图谱辅助推理方法 |
| CN111951955A (zh) * | 2020-08-13 | 2020-11-17 | 神州数码医疗科技股份有限公司 | 一种基于规则推理的临床决策支持系统构建方法及装置 |
-
2021
- 2021-08-25 CN CN202110983723.8A patent/CN113782185B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101103910A (zh) * | 2006-07-14 | 2008-01-16 | 深圳迈瑞生物医疗电子股份有限公司 | 心电图计算机辅助诊断系统及方法 |
| CN106295186A (zh) * | 2016-08-11 | 2017-01-04 | 中国科学院计算技术研究所 | 一种基于智能推理的辅助疾病诊断的方法与系统 |
| CN109785928A (zh) * | 2018-12-25 | 2019-05-21 | 平安科技（深圳）有限公司 | 诊疗方案推荐方法、装置及存储介质 |
| CN111292848A (zh) * | 2019-12-31 | 2020-06-16 | 同方知网(北京)技术有限公司 | 一种基于贝叶斯估计的医疗知识图谱辅助推理方法 |
| CN111951955A (zh) * | 2020-08-13 | 2020-11-17 | 神州数码医疗科技股份有限公司 | 一种基于规则推理的临床决策支持系统构建方法及装置 |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115346662A (zh) * | 2022-08-23 | 2022-11-15 | 亿慧云智能科技（深圳）股份有限公司 | 一种用于宠物医院的智能诊断数据管理方法及系统 |
| CN116020016A (zh) * | 2023-03-30 | 2023-04-28 | 南昌大学第二附属医院 | 一种注射模拟器的参数标定方法及系统 |
| CN116020016B (zh) * | 2023-03-30 | 2023-11-03 | 南昌大学第二附属医院 | 一种注射模拟器的参数标定方法及系统 |
| CN117688226A (zh) * | 2024-02-02 | 2024-03-12 | 徐州医科大学 | 基于相似儿童患者匹配的智能诊前自助开单方法及系统 |
| CN117688226B (zh) * | 2024-02-02 | 2024-05-03 | 徐州医科大学 | 基于相似儿童患者匹配的智能诊前自助开单方法及系统 |
| CN118155858A (zh) * | 2024-03-11 | 2024-06-07 | 台州市中心医院（台州学院附属医院） | 基于cnn模型的ards患者急性呼吸窘迫应急方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113782185B (zh) | 2024-03-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113782185B (zh) | 临床诊疗智能决策分析系统及方法 | |
| EP0531889B1 (en) | Data processing system and method for automatically performing prioritized nursing diagnoses from patient assessment data | |
| EP0879449A2 (en) | Method for selecting medical and biochemical diagnostic tests using neural network-related applications | |
| CN115497631A (zh) | 一种临床科研大数据分析系统 | |
| Ohno-Machado et al. | AIDS2: a decision-support tool for decreasing physicians' uncertainty regarding patient eligibility for HIV treatment protocols. | |
| Kumar et al. | Disease prediction and doctor recommendation system using machine learning approaches | |
| Lv | Data preprocessing and apriori algorithm improvement in medical data mining | |
| Yan et al. | Large language models facilitate the generation of electronic health record phenotyping algorithms | |
| Akbaş et al. | Assessment of association rules based on certainty factor: an application on heart data set | |
| Michalski et al. | A logic-based approach to conceptual data base analysis | |
| Liu et al. | PatientEG dataset: bringing event graph model with temporal relations to electronic medical records | |
| CN114783587A (zh) | 严重急性肾损伤智能预测系统 | |
| Radwan et al. | Thyroid diagnosis based technique on rough sets with modified similarity relation | |
| CN111696677A (zh) | 利用医疗大数据支撑临床科研的信息管理系统 | |
| Lei et al. | Intelligent generation technology of sub-health diagnosis case based on case reasoning | |
| Ou et al. | Dynamic knowledge validation and verification for CBR teledermatology system | |
| Fang et al. | Abnormal event health-status monitoring based on multi-dimensional and multi-level association rules constraints in nursing information system | |
| CN110706805A (zh) | 一种基于特征选择的人工智能医疗诊断系统 | |
| Fedorowicz et al. | Data base design for infectious disease control | |
| Kerdprasop et al. | Higher order programming to mine knowledge for a modern medical expert system | |
| Fauziah et al. | Prediction of Length of Stay and Cost for Diabetes Inpatient using C4. 5 Algorithm | |
| Liu et al. | Application of Association Rule Algorithm in Chronic Disease Prediction | |
| Andersson et al. | : A Rough Knowledge Base System | |
| Aftarczuk et al. | Using representation choice methods for a medical diagnosis problem | |
| Osmolovsky et al. | Prototype Expert System for Gout Diagnosis on an Outpatient Basis |
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 |