CN113921103A - 鉴别诊断病种敏感性测量方法、装置、电子设备及介质 - Google Patents
鉴别诊断病种敏感性测量方法、装置、电子设备及介质 Download PDFInfo
- Publication number
- CN113921103A CN113921103A CN202111312500.5A CN202111312500A CN113921103A CN 113921103 A CN113921103 A CN 113921103A CN 202111312500 A CN202111312500 A CN 202111312500A CN 113921103 A CN113921103 A CN 113921103A
- Authority
- CN
- China
- Prior art keywords
- disease
- information
- patient
- differential diagnosis
- matched
- 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.)
- Pending
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
- 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
- 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
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本申请提供一种鉴别诊断病种敏感性测量方法、装置、电子设备及介质，涉及医疗质量管理技术领域。该鉴别诊断病种敏感性测量方法通过获取患者标识，患者症状信息和/或患者体征信息，将患者信息与预设病种知识库中的信息进行匹配，从而获取患者信息匹配的至少一个匹配病种；计算得到患者信息与每个匹配病种的匹配概率，将患者信息对应的匹配病种、每个匹配病种的匹配概率以患者标识为索引进行保存。通过对患者症状信息和/或患者体征信息与预设病种知识库进行匹配，得到目标医疗机构的鉴别诊断敏感指数，医疗工作人员能够通过鉴别诊断概率、鉴别诊断敏感指数等参数对各医疗机构进行医疗质量管理，从而实现对各医疗机构诊断结果的自动化质量控制。
Description
技术领域
本发明涉及医疗质量管理技术领域，具体而言，涉及一种鉴别诊断病种敏感性测量方法、装置、电子设备及介质。
背景技术
鉴别诊断在循证医学中发挥重大作用，鉴别诊断质量的保证是提高临床疗效的前提。
目前，鉴别诊断对医生诊断水平的主观依赖性大，然而由于医生缺乏临床经验、电子病历书写不规范、检验检查不到位等问题，无法充分对病情进行有效分析，从而可能导致误诊等问题。
发明内容
本发明的目的在于，针对上述现有技术中的不足，提供一种鉴别诊断病种敏感性测量方法、装置、电子设备及介质，以便规避误诊风险。
为实现上述目的，本申请实施例采用的技术方案如下：
第一方面，本申请实施例提供了一种鉴别诊断病种敏感性测量方法，包括：
获取至少一个患者信息，所述患者信息包括：患者标识，患者症状信息和/或患者体征信息；
采用每个所述患者信息与预设病种知识库中的信息进行匹配，获取每个所述患者信息匹配的至少一个匹配病种；
计算每个所述患者信息与每个所述匹配病种的匹配概率；
根据目标医疗机构的所有患者对应的所述匹配病种、每个所述匹配病种的匹配概率，获取目标医疗机构中至少一个病种的病种信息、每个所述病种的鉴别诊断病例数、以及所述每个鉴别诊断病例数的病种匹配概率；
根据每个所述病种的总诊断病例数、至少一个病种的病种信息、每个所述病种的鉴别诊断病例数、以及所述每个鉴别诊断病例数的病种匹配概率，计算所述目标医疗机构的鉴别诊断概率、鉴别诊断敏感指数。
第二方面，本申请实施例还提供了一种鉴别诊断病种敏感性测量装置，包括：
采集模块、匹配模块、计算模块；
所述采集模块，用于获取至少一个患者信息，所述患者信息包括：患者标识，患者症状信息和/或患者体征信息；
所述匹配模块，用于采用每个所述患者信息与预设病种知识库中的信息进行匹配，获取每个所述患者信息匹配的至少一个匹配病种；
所述计算模块，用于计算每个所述患者信息与每个所述匹配病种的匹配概率；根据目标医疗机构的所有患者对应的所述匹配病种、每个所述匹配病种的匹配概率，获取目标医疗机构中至少一个病种的病种信息、每个所述病种的鉴别诊断病例数、以及所述每个鉴别诊断病例数的病种匹配概率；根据每个所述病种的总诊断病例数、至少一个病种的病种信息、每个所述病种的鉴别诊断病例数、以及所述每个鉴别诊断病例数的病种匹配概率，计算所述目标医疗机构的鉴别诊断概率、鉴别诊断敏感指数。
第三方面，本申请实施例还提供了一种电子设备，包括：处理器、存储介质和总线，所述存储介质存储有所述处理器可执行的程序指令，当电子设备运行时，所述处理器与所述存储介质之间通过总线通信，所述处理器执行所述程序指令，以执行时执行上述第一方面任一所述的鉴别诊断病种敏感性测量方法的步骤。
第四方面，本申请实施例还提供了一种计算机可读存储介质，所述存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行上述第一方面任一所述的鉴别诊断病种敏感性测量方法的步骤。
本申请的有益效果是：本申请实施例提供一种鉴别诊断病种敏感性测量方法，通过获取至少一个患者标识，患者症状信息和/或患者体征信息等患者信息，将每个患者信息与预设病种知识库中的信息进行匹配，从而获取与每个患者信息匹配的至少一个匹配病种；计算得到每个患者信息与每个匹配病种的匹配概率，根据目标医疗机构中所有患者对应的匹配病种以及每个所述匹配病种的匹配概率，获取目标医疗机构中至少一个病种的病种信息、每个病种的鉴别诊断病例数、以及每个鉴别诊断病例数的病种匹配概率，计算所述目标医疗机构的鉴别诊断概率、鉴别诊断敏感指数。通过对患者症状信息和/或患者体征信息与预设病种知识库进行匹配，得到目标医疗机构的鉴别诊断敏感指数，医疗卫生工作人员能够通过鉴别诊断概率、鉴别诊断敏感指数等参数对目标医疗机构进行医疗质量管理，从而实现对各医疗机构诊断结果的自动化质量控制，有效降低医生误诊风险，提升医疗机构，特别是基层医疗机构的疾病救治能力。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1为本申请一实施例提供的一种鉴别诊断病种敏感性测量方法的流程图；
图2为本申请又一实施例提供的一种鉴别诊断病种敏感性测量方法的流程图；
图3为本申请另一实施例提供的一种鉴别诊断病种敏感性测量方法的流程图；
图4为本申请再一实施例提供的一种鉴别诊断病种敏感性测量方法的流程图；
图5为本申请再二实施例提供的一种鉴别诊断病种敏感性测量方法的流程图；
图6为本申请再三实施例提供的一种鉴别诊断病种敏感性测量方法的流程图；
图7为本申请一实施例提供的一种鉴别诊断病种敏感性测量装置的示意图；
图8为本申请实施例提供的一种电子设备的示意图。
图例：71-采集模块；73-匹配模块；75-计算分析模块；100-鉴别诊断病种敏感性测量装置；801-处理器；802-存储介质。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。
在本申请中，除非另有明确的规定和限定，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包含至少一个特征。在本发明中的描述中，“多个”的含义是至少两个，例如两个、三个，除非另有明确具体的限定。术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本申请的鉴别诊断病种敏感性测量方法可以由本申请实施例的鉴别诊断病种敏感性测量装置执行。本申请实施例的鉴别诊断病种敏感性测量装置可以配置在数字助理(personal digital assistant，PDA)、车台式电脑、笔记本电脑、服务器等电子设备中，以执行本申请实施例的鉴别诊断病种敏感性测量方法。
例如，本申请实施例的鉴别诊断病种敏感性测量方法，还可以应用在区域性病症动态监测场景中，因此，本申请实施例的鉴别诊断病种敏感性测量装置可以配置在区域内医疗机构的医疗信息系统的服务器中，以对医生的诊断结果进行校验，从而协助区域内卫生工作人员了解并掌握病种发展的趋势及可能存在的潜在疾病风险。
临床上鉴别诊断主要依据患者详细的症状描述以及全面体格检查，将表现相似的疾病或生理情况逐个鉴别，并排除其他疾病可能的诊断。需要说明地是，本申请中病种敏感性指的是确诊病种不发生误诊的概率。
目前，鉴别诊断对医生诊断水平的主观依赖性大，然而由于医生缺乏临床经验、电子病历书写不规范、检验检查不到位等问题，无法充分对病情进行有效分析，从而导致误诊，即降低鉴别诊断的敏感性。为此，需要对病案进行质控。然而现有病案质控通常由人工抽查患者电子病历，对质控人员的医学水平要求较高，主观性依赖较大，同时人工抽查的方式使得病案质控具有偶然性，因电子病历书写不规范、检验检查不到位等问题导致误诊的风险不能完全规避。
基于上述问题，图1为本申请一实施例提供的一种鉴别诊断病种敏感性测量方法的流程图；如图1所示，该方法包括：
步骤101：获取至少一个患者信息，患者信息包括：患者标识，患者症状信息和/或患者体征信息。
需要说明的是，患者标识是患者身份的唯一标识，该患者标识例如可以为患者的身份证号、患者的就诊卡ID号或者患者ID等，能够实现对患者的唯一性标识即可，此外，患者标识可以是数字形式的标识、文字形式的标识或者混合形式的标识等，本申请对患者标识的具体内容和生成形式不做限定。
在一种可能的实现方式中，患者信息中还可以包括患者基本信息，患者基本信息可以通过患者标识实现索引，例如患者标识为患者ID时，利用患者ID可以实现对该患者ID的患者基本信息的索引。例如，患者基本信息可以参考中华人民共和国卫生行业标准WS445.1-2014《电子病历基本数据集第一部分：病历概要》中《患者基本信息子集》，表1为患者基本信息采集表，其数据采集标准如表1所示：
表1患者基本信息采集表
注：参考中华人民共和国卫生行业标准WS 445.1-2014《电子病历基本数据集第一部分：病历概要》中《患者基本信息子集》，该标准发布时间为2014年6月20日。
在一种具体的实现方式中，以患者A(患者ID：H0001)为例的患者基本信息采集表为例，表1-1为患者基本信息采集表样表，如表1-1所示：
表1-1患者基本信息采集表样表
| 序号 | 1 | 2 | 3 | … |
| 患者ID | H0001 | … | … | … |
| 姓名 | 张明 | … | … | … |
| 性别 | 男 | … | … | … |
| 年龄 | 66岁 | … | … | … |
| 民族 | 汉族 | … | … | … |
| 婚姻状况 | 已婚 | … | … | … |
| 出生日期 | 1955年05月27日 | … | … | … |
| 证件类别 | 身份证 | … | … | … |
| 证件号 | 360***********1688 | … | … | … |
| 国籍 | 中国 | … | … | … |
| 现住址 | **市**区**街道 | … | … | … |
| 联系电话 | 1923900**** | … | … | … |
| 职业类别 | 专业技术人员 | … | … | … |
还需要说明的是，患者症状信息既可以是患者的主诉，即患者本人或者监护人对本次疾病相关症状、持续时间等情况的描述；患者症状信息也可以是医生记录患者症状的详细描述。患者体征信息是由门急诊接诊医生对患者进行的体格检查项目及主要检查结果的描述，包括主要的阳性体征和必要的阴性体征。在一种可能的实现方式中，可以参考中华人民共和国卫生行业标准WS 445.1-2014《电子病历基本数据集》采集患者就诊信息，从中提取患者症状信息与患者体征信息，表2为患者就诊信息采集示范表，如表2所示：
表2患者就诊信息采集标准
注：参考中华人民共和国卫生行业标准WS 445.1-2014《电子病历基本数据集第2部分：门(急)诊病历》中《门(急)诊病历子集》，该标准发布时间为2014年5月30日。其中，诊断病种编码参考《ICD-10国际疾病分类第10版》[1]、《国际疾病分类第十一次修订本(ICD-11)》[2]。
其中，患者症状信息可以为表2中“主诉”“症状”等表示患者症状的信息，患者体征信息可以为表2中“体格检查”等表示患者体征的信息。在一种具体的实现方式中，以患者A(患者ID：H0001)为例的患者就诊信息采集表为例，表2-1为患者就诊信息采集表样表，如表2-1所示：
表2-1患者就诊信息采集表样表
步骤102：采用每个患者信息与预设病种知识库中的信息进行匹配，获取每个患者信息匹配的至少一个匹配病种。
需要说明的是，预设病种知识库中记录了至少一个病种的基本信息，其中，每个病种的基本信息可以包括：病种代码以及以下一项或多项：特征症状、常见症状、少见症状、体征、校验指标等。表3为病种知识库示例表，如表3所示：
表3病种知识库示例表
需要说明的是，在上表中，用ICD-10/11代码表示病种代码，但是，ICD-10/11代码并不是病种代码的唯一形式，根据使用需要，可以采用其他形式的病种代码，本申请对此不做限定，只要能够将每个病种的疾病唯一性地标识即可。
还需要说明的是，病种知识库可以由某一优势专科或病种的医生建立；也可以通过大数据的方式对病种的各项症状、体征进行分析评估建立；还可以参考相关图书、文献等建立，例如可以参考：《临床鉴别诊断手册》、《临床症状鉴别诊断学》、《内科疾病鉴别诊断学》等书目，建立并按周期更新，本申请对病种知识库的建立方式不做限定。
在一种可能的实现方式中，可以将患者信息中的患者症状信息和/或患者体征信息与预设病种知识库进行匹配。
例如，患者A的患者症状信息为“胸闷气喘6年，加重一周，食欲减退，活动后气促”，其患者体征信息为“听诊双肺呼吸音减弱，呼气延长”。在表3的示例中，Ⅰ型慢性阻塞性肺疾病(J44.901)的特征症状(a)、常见症状(b)、少见症状(c)中“活动后气促；呼吸困难；咳痰”，其中“活动后气促”与患者A的患者症状信息中“活动后气促”匹配；“喘息胸闷”与患者A的患者症状信息“胸闷气喘6年”匹配；“体重下降；食欲减退…”与患者A的患者症状信息“食欲减退”匹配。
在另一种可能的实现方式中，为了便于后续各项鉴别诊断敏感指标的运算以及对匹配结果的分析，将采用患者信息与预设病种知识库中的信息进行匹配，并将匹配后的匹配结果存储在鉴别诊断敏感病种匹配表中，具体的，鉴别诊断敏感病种匹配表中包括来源于病种知识库中病种、病种分型、特征症状、常见症状、少见症状、体征数据的一项或多项，并指示性地标记出(例如用字体标红、加粗或者增加背景色等)患者症状信息和/或患者体征信息与预设病种知识库中的匹配内容。示例性的，表4为鉴别诊断敏感病种匹配表示例表，其具体为上述示例中患者A(患者ID：H0001)的鉴别诊断敏感病种匹配表，表中对匹配内容的标记方式为匹配文字加括号，如表4所示：
表4鉴别诊断敏感病种匹配表示例表
步骤103：计算每个患者信息与每个匹配病种的匹配概率。
需要说明的是，对每个匹配病种的匹配概率的计算存在多种计算方式，用户可以根据实际的使用或者数据分析需求设定计算方式，本申请对匹配概率的具体计算方式不做限定。在计算结束后，可以将匹配概率存储在鉴别诊断敏感病种匹配表示例表中。
在一种可能的实现方式中，可以为通过计数的方式计算匹配概率，例如，通过预设的病种知识库得到特征症状、常见症状、少见症状以及体征的个数，用患者与预设病种知识库中的匹配内容的个数比总个数，得到匹配概率。
在另一种可能的实现方式中，由于特征症状、常见症状、少见症状以及体征其在具体的某病种的疾病表征中重要性不同，由此，可以预先设置每种症状、每种体征的比值，用患者与预设病种知识库中的匹配内容对应的比值相加即可得到匹配概率。其中，可以通过大数据分析预先设置每种症状、每种体征的比值，在一个病种中，所有的症状与所有的体征对应的比值全部加和后为百分之一百。
上述仅为示例说明，不能视为对本申请的限制。在实际实现中，还可能有其他的匹配概率计算方式，本申请对此不做限定，能够实现对匹配概率的计算即可。
步骤104：根据目标医疗机构的所有患者对应的匹配病种、每个匹配病种的匹配概率，获取目标医疗机构中至少一个病种的病种信息、每个病种的鉴别诊断病例数、以及每个鉴别诊断病例的病种匹配概率。
需要说明的是，目标医疗机构中至少一个病种的病种信息可以包括：病种名称、病种代码、病种分型等。每个病种的鉴别诊断病例数反映的是鉴别诊断敏感病种匹配为该病种且被医生确诊为该病种的病例数。
在一种可能的实现方式中，还可以获取目标医疗机构中的总诊断病例数，即该医疗机构中确诊为该病种的病例数。
步骤105：根据每个病种的总诊断病例数、至少一个病种的病种信息、每个病种的鉴别诊断病例数、以及每个鉴别诊断病例数的病种匹配概率，计算目标医疗机构的鉴别诊断概率、鉴别诊断敏感指数。
针对病种i，计算得到院内鉴别诊断病种敏感指数I。计算方法为：
公式③：
公式④：I＝(M/L)*P′。
对公式③、公式④中的各个符号说明如下：
P′:病种鉴别诊断概率。反映某病种匹配概率的均值，即所有确诊为病种i的患者的该病种匹配概率的均值；
P：每个患者的病种匹配概率；
M:鉴别诊断病例数。反映鉴别诊断敏感病种匹配为该病种且被医生确诊为该病种的病例数，即鉴别诊断病种与确诊病种均为该病种的病例数，该数据可以根据鉴别诊断病例表进行统计；
L:总诊断病例数。反映目标医疗机构中确诊为该病种的病例数。除了包括鉴别诊断病例数外，还包括在鉴别诊断敏感病种匹配表(如表4)中未出现的病种、但在确诊中出现的病例数。
综上，本申请实施例提供一种鉴别诊断病种敏感性测量方法，通过获取至少一个患者标识，患者症状信息和/或患者体征信息等患者信息，将每个患者信息与预设病种知识库中的信息进行匹配，从而获取与每个患者信息匹配的至少一个匹配病种；计算得到每个患者信息与每个匹配病种的匹配概率，根据目标医疗机构中所有患者对应的匹配病种以及每个所述匹配病种的匹配概率，获取目标医疗机构中至少一个病种的病种信息、每个病种的鉴别诊断病例数、以及每个鉴别诊断病例数的病种匹配概率，计算所述目标医疗机构的鉴别诊断概率、鉴别诊断敏感指数。通过对患者症状信息和/或患者体征信息与预设病种知识库进行匹配，得到目标医疗机构的鉴别诊断敏感指数，医疗卫生工作人员能够通过鉴别诊断概率、鉴别诊断敏感指数等参数对各医疗机构进行医疗质量管理，从而实现对各医疗机构诊断结果的自动化质量控制，有效降低医生误诊风险，提升医疗机构，特别是基层医疗机构的疾病救治能力。
可选的，在上述图1的基础上，当采用患者信息与预设的鉴别诊断敏感病种匹配表中的信息进行匹配，获取患者信息匹配的至少一个匹配病种时，本申请还提供一种鉴别诊断病种敏感性测量方法的可能实现方式，该方法包括：
将患者症状信息与预设病种知识库中的症状信息进行匹配，和/或，将患者体征信息与预设病种知识库中的体征信息进行匹配，获取患者信息匹配的至少一个匹配病种。
需要说明的是，将患者信息中的患者症状信息和/或患者体征信息与预设病种知识库中相应的信息进行匹配，即将患者症状信息与预设病种知识库中的症状信息进行匹配，将患者体征信息与预设病种知识库中的体征信息进行匹配。
例如，患者A的患者症状信息为“胸闷气喘6年，加重一周，食欲减退，活动后气促”，其患者体征信息为“听诊双肺呼吸音减弱，呼气延长”。在表3的示例中，Ⅰ型慢性阻塞性肺疾病(J44.901)的特征症状(a)为“活动后气促；呼吸困难；咳痰”，其中“活动后气促”与患者A的患者症状信息中“活动后气促”匹配；该疾病的常见症状(b)为“喘息胸闷”与患者A的患者症状信息“胸闷气喘6年”匹配；该疾病的少见症状(c)为“体重下降；食欲减退…”与患者A的患者症状信息“食欲减退”匹配。患者A的患者体征信息与表3中的体征(d)没有匹配。匹配后，获取患者信息匹配的至少一个匹配病种。
通过对患者症状信息与患者体征信息分别与病种知识库中相应内容进行匹配，避免了患者症状信息与患者体征信息之间可能存在相互影响导致匹配准确率下降的问题，提高了匹配的准确度，从而更进一步降低医生误诊风险以及医疗机构疾病救治能力。
可选的，在上述图1的基础上，本申请还提供一种鉴别诊断病种敏感性测量方法的可能实现方式，图2为本申请又一实施例提供的一种鉴别诊断病种敏感性测量方法的流程图；如图2所示，该方法包括：
步骤201：采用患者信息在预设分值计算规则库进行匹配，获取患者症状信息对应的分值和/或患者体征信息对应的分值；其中，预设分值计算规则库包括：每个病种的症状信息、每个症状的体征信息、每个症状信息的分值、每个体征信息的分值。
需要说明的是，分值计算规则库记录鉴别诊断病种匹配分值计算规则，分值计算规则库可以通过病种代码链接病种知识库，从而支持匹配后的分值运算。表5为分值计算规则库样表，如表5所示：
表5分值计算规则库样表
需要说明的是，表5中示例的分值计算规则库中分值表示症状或体征栏应具有的得分，在评估规则中分别反映特征症状、常见症状、少见症状、体征所持有的权重。本例中设定特征症状、体征的满分均为100，常见症状满分为70，少见症状满分为30。但该赋分方式仅为示例，医生可根据病种的特点设定分值，也可以为每个症状或者体征设定分值等，还可以由卫生管理部门根据病种的特点分配分值，本申请对分值计算库的具体赋分方式不做限定。此外，分值计算规则库可以根据病种知识库按周期更新或者手动调整。
还需要说明的是，表5中症状数量/体征数量：症状(体征)描述一栏中所包含项目数量，由病种知识库统计而来，表示为Nx，在本实施例中，x可以为a、b、c或d，Na表示特征症状的项目数量，Nb表示常见症状的项目数量，Nc表示少见症状的症状数量，Nd表示体征的体征数量。表5中各项分值表示在症状或体征描述的项目中，每个项目所具有的分值，具体的，各项分值由某类症状(体征)分值/项目数量而来，以特征症状为例，特征症状总分值为100分，症状描述的项目数量为Na,则特征症状每项的项目分值为100/Na。在另一种实现方式中，若医生为每个症状或者体征设定分值，则各项分值为该项的设定分值。
上述为分值计算规则库的示例说明，不能视为对本申请的限制。实际使用时，可以根据实际需要及具体的应用场景进行设置，本申请对分值计算规则库的具体设置方式不做限定。
在步骤102，采用每个患者信息与预设病种知识库中的信息进行匹配，获取每个患者信息匹配的至少一个匹配病种之后，鉴别诊断病种敏感性测量方法还包括：
步骤202：根据患者症状信息对应的分值和/或患者体征信息对应的分值，计算每个匹配病种的分值。
得到匹配病种后，根据匹配病种的分值计算库的规则，将采集的患者症状信息、患者体征信息，与病种知识库病种进行匹配，计算患者每个匹配病种的分值。
需要说明的是，具体的计算方式根据分值计算规则库的设置方法的不同可能存在差异，本申请对具体的分值计算方式不做限定，只要其能够依托于分值计算规则库进行分值计算即可。
在一种可能的实现方式中，设定特征症状的总分值为A，常见症状的总分值为B，少见症状的总分值为C，体征的总分值为D，则计算分值的具体公式如下：
公式①：某病种i总得分S为：
S＝Xa*(100/Na)+Xb*(70/Nb)+Xc*(30/Nc)+Xd*(100/Nd)
其中，各症状、体征的分项得分为：
特征症状项目得分Sa＝Xa*(A/Na)；
常见症状项目得分Sb＝Xb*(B/Nb)；
少见症状项目得分Sc＝Xc*(C/Nc)；
体征项目得分Sd＝Xd*(D/Nd)。
对其中各个符号说明如下：
(1)X：匹配的症状数量。其中，Xa表示患者症状信息匹配特征症状数量，Xb表示患者症状信息匹配常见症状数量，Xc表示患者症状信息匹配少见症状数量，Xd表示患者体征信息匹配体征项目数量；
(2)N：病种清单中病种i所具有某种症状数量。其中，Na表示该病种特征症状数量，Nb表示该病种常见症状数量，Nc表示该病种少见症状数量，Nd表示该病种体征项目数量；
(3)A：反映特征症状总分值，可以设定默认的总分值，也可以根据病种的特点设定分值；
(4)B：反映常见症状总分值，可以设定默认的总分值，也可以根据病种的特点设定分值；
(5)C：反映少见症状总分值，可以设定默认的总分值，也可以根据病种的特点设定分值；
(6)D：反映体征总分值，可以设定默认的总分值，也可以根据病种的特点设定分值。
在一种具体的实现方式中，若分值计算规则库为表5的J44.901分值计算规则库，则对其分值计算如下：
S＝Xa*(100/Na)+Xb*(70/Nb)+Xc*(30/Nc)+Xd*(100/Nd)；
其中，各症状、体征的分项得分为：
特征症状项目得分Sa＝Xa*(100/Na)；
常见症状项目得分Sb＝Xb*(70/Nb)；
少见症状项目得分Sc＝Xc*(30/Nc)；
体征项目得分Sd＝Xd*(100/Nd)。
在另一种可能的实现方式中，由于在分值计算规则库赋分时考虑到了病种中每种症状、每种体征的重要程度以及对鉴别诊断的贡献度，由此，利用计算得到的分值计算匹配概率能够更加准确地反映患者信息与病种的匹配情况，具体计算公式如下：
公式②：病种i匹配概率P为
P＝S/(100+70+30+100)。
其中S为公式①得到的病种i的总得分；
通过分值计算规则库实现对病种的症状、体征的赋分，从而为每个病种的症状、体征的重要程度进行区分，通过对得分的计算，可以直观的展示出患者与该病种的匹配程度，且进一步增加了匹配的准确度。
可选的，在上述实现方式的基础上，本申请还提供一种鉴别诊断病种敏感性测量方法的可能实现方式，图3为本申请另一实施例提供的一种鉴别诊断病种敏感性测量方法的流程图；如图3所示，该方法包括：
步骤301：将患者信息对应的匹配病种、每个匹配病种的匹配概率以患者标识为索引进行保存。
需要说明的是，每个患者信息对应的匹配病种可能是一个，也可能是多个，将其对应的匹配病种，以及对每个匹配病种计算得到的匹配概率进行保存，医疗机构的工作人员可以根据保存的信息进行诊断结果鉴别，实现对诊断结果的校验，校验完成后，对数据存在异常的诊断可以由医疗机构的工作人员发给相关人员进行核查，从而提高医疗机构的诊断准确率，降低误诊率。
在一种具体的实现方式中，可以将患者信息对应的匹配病种、每个匹配病种的匹配概率以患者标识为索引保存在鉴别诊断病例表中，鉴别诊断病例表记录通过病种匹配处理的病例，可以通过患者标识与表2链接，也可以支持患者通过患者标识进行诊疗数据查询，例如患者可通过患者标识查询疾病诊断结果等。
还需要说明的是，鉴别诊断病例表还可以包括医疗机构组织机构代码、门(急)诊号等信息，本申请对此不做限定。在一种可能的实现方式中，鉴别诊断病例表还可以包括：医疗机构组织机构代码、门(急)诊号、病种诊断编码，其中，病种诊断编码为患者的确诊病种的编码(可以从表2中获取，也可以通过其他方式获取，本申请不限定病种诊断编码的获取方式)，即医生的诊断结果。表6为鉴别诊断病例表，如表6所示：
表6鉴别诊断病例表
注：
(1)匹配病种编码：依据患者体征信息、患者症状信息与病种知识库的病种匹配得到的病种编码，其保存在鉴别诊断病例表；
(2)病种诊断编码：从表2中采集的该患者所确诊的病种编码。
步骤302：将至少一个病种的病种信息、鉴别诊断概率、鉴别诊断敏感指数保存，获取医疗机构的鉴别诊断敏感病种评估表。
将步骤105中得到的病种信息、鉴别诊断概率、鉴别诊断敏感指数进行保存，保存在目标医疗机构的鉴别诊断敏感病种评估表中。
在一种具体的实现方式中，表7为鉴别诊断敏感病种评估表样表，如表7所示：
表7目标医疗机构鉴别诊断敏感病种评估表样表
在一种可能的实现方式中，鉴别诊断敏感病种评估表可以动态统计记录医疗机构内鉴别诊断病种敏感性评估分析结果，以反映医疗机构病种鉴别诊断水平，便于区域内敏感指标统计分析。通过ICD代码链接病种知识库，支持院级鉴别诊断敏感指数评估结果的存储。
可选的，在上述图3的基础上，本申请还提供一种鉴别诊断病种敏感性测量方法的可能实现方式，图4为本申请再一实施例提供的一种鉴别诊断病种敏感性测量方法的流程图；如图4所示，该方法包括：
步骤401：根据预设范围中所有医疗机构的鉴别诊断敏感病种评估表，获取至少一个目标病种的病种信息，以及以下至少一项鉴别诊断敏感病种评估信息：每个病种在预设范围中至少一家医疗机构的鉴别诊断病例数、总诊断病例数、鉴别诊断概率、鉴别诊断敏感指数。
需要说明的是，预设范围中所有医疗机构的鉴别诊断敏感病种评估表可以直接通过预设范围中的医疗机构获取，也可以通过获取预设范围中所有患者的患者标识，患者症状信息和/或患者体征信息等信息生成每个医疗机构的鉴别诊断敏感病种评估表，本申请对鉴别诊断敏感病种评估表的具体获取方式不做限定。
在一种具体的实现方式中，可以依托全民健康信息平台，每天采集预设范围中所有联网医疗机构产生的更新的患者电子病历信息以及与本申请直接相关的就诊相关信息表单，其就诊相关信息采集指标主要有患者标识(例如患者ID)、患者症状信息(例如患者主诉、症状)和/或患者体征信息(例如体格检查)以及门(急)诊号、诊断病种编码等。更具体的，在预设范围中的采集可以以T+1(即当天获取前一天数据)的形式从所有联网医疗机构的电子病历系统中获取。由此实时动态更新各医疗机构数据。
步骤402：根据鉴别诊断敏感病种评估信息，分析获取预设范围的鉴别诊断敏感病种评估结果。
区域鉴别诊断敏感指标数据统计。其统计方法如下：
区域鉴别诊断病例数：公式⑦：
k为医疗机构数量；
区域总诊断病例数：公式⑧：
k为医疗机构数量；
区域鉴别诊断概率：为各院鉴别诊断概率的均值，即公式⑨：
区域鉴别诊断敏感指数Ir：同公式④，均按照采集周期动态更新。
区域医疗质量辅助评估。其评估方法如下：
选择区域内优势专科或病种的医疗机构j为参照，在t时间内取该医疗机构鉴别诊断敏感指数的区间值(I1，I2)；
在区域同级医疗机构范围内开展鉴别诊断敏感指数横向对比。以病种i为例，如Ii未在区间(I1，I2)内，则表明该医疗机构可能会存在误诊、检验检查不到位或电子病历质量书写等问题，需对该医疗机构进行及时干预、医疗质量抽查和个案追溯。
区域病种趋势分析与异常情况预警提示。分析方法如下：
以病种i为例：
记：Fr(t1)为区域内病种i在截止到时间点t1时的鉴别诊断病例数占比，即：
Fr(t1)＝Mr/Lr，Fr(t2)为截止到时间点t2时的鉴别诊断病例占比，即Fr(t2)＝Mr/Lr且t2＞t1，记Vr(t1，t2)为一段时间内鉴别诊断病例占比的变化速度，则公式⑤：Vr(t1，t2)＝(Fr(t2)-Fr(t1))/(t2-t1)；
又记：Cr(t1)为区域内病种i在截止到时间点t1时的鉴别诊断概率，Cr(t2)为截止到时间点t2时的鉴别诊断概率，且t2＞t1，记V′r(t1，t2)为一段时间内(鉴别诊断概率)的变化速度，则公式⑥：V′r(t1，t2)＝(Cr(t2)-Cr(t1))/(t2-t1)；
若Vr(t1，t2)＞0，且V′r(t1，t2)＜0，则表明病种i在时间段(t1，t2)期间呈现出非特征症状或常见症状的趋势，提醒卫生管理部门需对该病种的防控防治予以警觉，Vr(t1，t2)和V′r(t1，t2)的绝对值表示变化程度，值越大，表示变化程度越快。
在一种具体的实现方式中，在预设范围内，卫生管理部门面向医疗机构进行的医疗质量监管，具体地，通过实现区域内鉴别诊断敏感指标项的监测与医疗质量辅助评估，以提升区域对疾病诊断的整体能力。
步骤403：将至少一个目标病种的病种信息、预设范围的鉴别诊断敏感病种评估结果保存，获取预设范围的鉴别诊断敏感指标数据。
将步骤402中得到的目标病种的病种信息、预设范围的鉴别诊断敏感病种评估结果进行保存，保存在预设范围的鉴别诊断敏感指标数据表中。
在一种具体的实现方式中，表8为预设范围的鉴别诊断敏感指标数据表中样表，如表8所示：
表8预设范围的鉴别诊断敏感指标数据表样表
需要说明的是，可以将上述鉴别诊断敏感指标数据表以T+1的形式进行信息发布，同时，对表中的各项指标的异常情况可以使用标红、加粗或者添加符号等形式进行提示，例如可以用红色字体表示异常情况提示，蓝色数据依据各医疗机构数据实时动态更新。
在一种具体的实现方式中，病种知识库可以由优势专科或病种的医疗机构为参照建立，即病种知识库体现该病种的较高、较权威水平，对各医疗机构设置鉴别诊断敏感指标参考区间，对医疗机构的鉴别诊断敏感指标进行对比，若超出鉴别诊断敏感指标参考区间，可以认为该医疗机构对该病种的诊断存在风险，从而可以向该医疗机构发出预警。
由此，本申请的鉴别诊断病种敏感性测量方法可以通过对各医疗机构鉴别诊断敏感指标的动态统计，得到区域内各医疗机构的鉴别诊断敏感指标，以支持对区域内各医疗机构诊断结果的自动化质量控制。即通过统计鉴别诊断敏感指标，反映区域内各医疗机构鉴别诊断病种敏感性平均水平。通过对数据分析，支持医疗质量辅助评估，输出所参照的医疗机构、医疗机构等级、鉴别诊断敏感指数区间值参考，对可能出现的异常情况进行提示。还可以对预设区域内病种趋势分析以及异常情况预警，输出预设区域内鉴别诊断概率变化速度，对病种出现异常情况进行提示。
可选的，在上述图1及图1之后实施方式的基础上，将患者症状信息与预设病种知识库中的症状信息进行匹配，和/或，将患者体征信息与预设病种知识库中的体征信息进行匹配，获取患者信息匹配的至少一个匹配病种时，本申请还提供一种鉴别诊断病种敏感性测量方法的可能实现方式，图5为本申请再二实施例提供的一种鉴别诊断病种敏感性测量方法的流程图；如图5所示，该方法包括：
步骤501：对预设病种知识库进行自然语言处理，获取待匹配表。
在又一种可能的实现方式中，对病种知识库中的症状信息对应内容与体征信息对应内容采用自然语言处理技术进行处理。即将病种知识库中的症状信息、体征信息等书面语言内容处理为患者可能描述、或者、医生可能表述的语言。
步骤502：对患者症状信息和/或患者体征信息进行关键词提取；
获取患者症状信息、患者体征信息之后，根据患者症状信息、患者体征信息与病种知识库的相关字段进行关键词提取。提取的关键词即为患者症状信息和/或患者体征信息与预设病种知识库可能匹配的内容。
需要说明的是，对关键词的提取既可以是对患者症状信息、患者体征信息的简化，即在患者症状信息、患者体征信息中提取有用信息。
步骤503：采用提取的关键词在待匹配表中进行匹配，获取患者信息匹配的至少一个匹配病种。
通过对病种知识库中的症状信息对应内容与体征信息对应内容采用自然语言处理技术进行处理，在获取患者症状信息、患者体征信息之后，根据患者症状信息、患者体征信息与病种知识库的相关字段进行关键词提取。由此避免了由于病种知识库中书面用语与患者口述或者医生输入的内容由于表达方式的差异而出现的症状相同但不匹配的情况，进一步提升匹配的准确性。
可选的，在上述图1-图3及图1-图3中实现方式的基础上，采用患者信息与预设病种知识库中的信息进行匹配，获取患者信息匹配的至少一个匹配病种时，本申请还提供一种鉴别诊断病种敏感性测量方法的可能实现方式，图6为本申请再三实施例提供的一种鉴别诊断病种敏感性测量方法的流程图；如图6所示，该方法包括：
步骤601：采用患者信息与预设病种知识库中的信息进行匹配，获取患者信息匹配的多个初始匹配病种。
需要说明的是，用患者的患者信息在预设病种知识库中进行匹配时，可能获取与该患者信息匹配的多个初始匹配病种，且可以计算出该多个初始匹配病种的匹配概率。
步骤301之前，该方法还包括：
步骤602：根据各初始匹配病种对应的匹配概率，筛选患者信息对应的匹配概率大于零的匹配病种。
对匹配病种进行筛选，根据各初始匹配病种对应的匹配概率，将匹配概率大于零的病种筛选为匹配病种。
可选的，医疗机构的用户、预设区域的用户在目标医疗机构出现的鉴别诊断敏感指数异常情况时，可以对患者病案进行查阅。卫生管理部门也可以通过对患者个案追溯，进一步了解出现异常情况的原因，即该病案是否存在医生误诊、检验检查不到位、电子病历书写质量等问题。
可选的，上述鉴别诊断敏感病种匹配表、鉴别诊断病例表关联患者信息而建立，跟随鉴别诊断病种匹配处理的触发实时动态更新；医疗机构鉴别诊断敏感病种评估表关联鉴别诊断病例表而建立，记录鉴别诊断病种匹配处理结果以及患者所患病症的疾病诊断代码；区域性鉴别诊断敏感指标数据关联各医疗机构鉴别诊断敏感病种评估表而建立，跟随各医疗机构鉴别诊断敏感病种评估表实时动态更新。
具体地，本方法可能的实现流程如下：
1.医生问诊，在门诊医生工作站录入患者症状、体征，视情况开具检验检查单，保存并提交患者症状信息、患者体征信息等信息。患者信息随即上传至电子病历系统。
2.经检验检查后，患者回诊，医生综合判定最终诊断结果，录入门诊医生工作站，电子病历系统相应数据得到动态更新。
3.获取每天采集患者信息，存储于系统电子病历库。
4.触发鉴别诊断病种匹配处理，系统根据病种知识库按照分值计算库的计算规则进行匹配运算，生成鉴别诊断敏感病种匹配表。
5.触发鉴别诊断敏感病种评估，依据鉴别诊断敏感病种匹配表创建鉴别诊断病例数据，在鉴别诊断病例表记录患者标识、匹配病种代码、匹配概率、疾病诊断代码等数据项，并更新医疗机构鉴别诊断敏感病种评估表。
6.将医疗机构鉴别诊断敏感指标数据上传至全面健康信息平台，更新区域性鉴别诊断敏感指标数据。卫生管理部门进行医疗质量辅助监管。调阅区域性鉴别诊断敏感指标数据，针对鉴别诊断病种敏感指数异常情况，卫生管理部门调取患者病案，进一步分析异常原因，是否出现医生误诊、检验检查不到位、电子病历书写不规范等问题。此外，卫生管理部门查阅病种趋势分析，加强疾病防治防控。
下述对用以执行本申请所提供的鉴别诊断病种敏感性测量装置、电子设备及计算机可读存储介质等进行说明，其具体的实现过程以及技术效果参见上述，下述不再赘述。
本申请实施例提供一种鉴别诊断病种敏感性测量装置的可能实现示例，能够执行上述实施例提供的鉴别诊断病种敏感性测量方法。图7为本申请一实施例提供的一种鉴别诊断病种敏感性测量装置的示意图。如图7所示，上述鉴别诊断病种敏感性测量装置100，包括：采集模块71、匹配模块73、计算分析模块75；
采集模块71，用于获取至少一个患者信息，患者信息包括：患者标识，患者症状信息和/或患者体征信息；
匹配模块73，用于采用每个患者信息与预设病种知识库中的信息进行匹配，获取每个患者信息匹配的至少一个匹配病种；
计算分析模块75，用于计算每个患者信息与每个匹配病种的匹配概率；根据目标医疗机构的所有患者对应的匹配病种、每个匹配病种的匹配概率，获取目标医疗机构中至少一个病种的病种信息、每个病种的鉴别诊断病例数、以及每个鉴别诊断病例数的病种匹配概率；根据每个病种的总诊断病例数、至少一个病种的病种信息、每个病种的鉴别诊断病例数、以及每个鉴别诊断病例数的病种匹配概率，计算目标医疗机构的鉴别诊断概率、鉴别诊断敏感指数；
采集模块71，还用于根据目标医疗机构的所有患者对应的匹配病种、每个匹配病种的匹配概率，获取目标医疗机构中至少一个病种的病种信息、每个病种的鉴别诊断病例数、以及每个鉴别诊断病例数的病种匹配概率。
计算分析模块75，还用于根据每个病种的总诊断病例数、至少一个病种的病种信息、每个病种的鉴别诊断病例数、以及每个鉴别诊断病例数的病种匹配概率，计算目标医疗机构的鉴别诊断概率、鉴别诊断敏感指数。
可选的，匹配模块73，具体用于将患者症状信息与预设病种知识库中的症状信息进行匹配，和/或，将患者体征信息与预设病种知识库中的体征信息进行匹配，获取患者信息匹配的至少一个匹配病种。
可选的，上述鉴别诊断病种敏感性测量装置100，还包括：分值计算模块。
分值计算模块，用于采用患者信息在预设分值计算规则库进行匹配，获取患者症状信息对应的分值和/或患者体征信息对应的分值；其中，预设分值计算规则库包括：每个病种的症状信息、每个症状的体征信息、每个症状信息的分值、每个体征信息的分值。
匹配模块采用每个患者信息与预设病种知识库中的信息进行匹配，获取每个患者信息匹配的至少一个匹配病种之后，分值计算模块用于根据患者症状信息对应的分值和/或患者体征信息对应的分值，计算每个匹配病种的分值。
可选的，上述鉴别诊断病种敏感性测量装置100，还包括：存储模块；
存储模块，用于将患者信息对应的匹配病种、每个匹配病种的匹配概率以患者标识为索引进行保存；
存储模块，还用于将至少一个病种的病种信息、鉴别诊断概率、鉴别诊断敏感指数保存，获取医疗机构的鉴别诊断敏感病种评估表。
可选的，采集模块71，还用于根据预设范围中所有医疗机构的鉴别诊断敏感病种评估表，获取至少一个目标病种的病种信息，以及以下至少一项鉴别诊断敏感病种评估信息：每个病种在预设范围中至少一家医疗机构的鉴别诊断病例数、总诊断病例数、鉴别诊断概率、鉴别诊断敏感指数。
计算分析模块75，还用于根据鉴别诊断敏感病种评估信息，分析获取预设范围的鉴别诊断敏感病种评估结果；
存储模块，还用于将至少一个目标病种的病种信息、预设范围的鉴别诊断敏感病种评估结果保存，获取预设范围的鉴别诊断敏感指标数据。
可选的，匹配模块73，还用于对预设病种知识库进行自然语言处理，获取待匹配表；对患者症状信息和/或患者体征信息进行关键词提取；采用提取的关键词在待匹配表中进行匹配，获取患者信息匹配的至少一个匹配病种。
可选的，匹配模块73，还用于采用患者信息与预设病种知识库中的信息进行匹配，获取患者信息匹配的多个初始匹配病种。
存储模块，还用于根据各初始匹配病种对应的匹配概率，筛选患者信息对应的匹配概率大于零的匹配病种。
上述装置用于执行前述实施例提供的方法，其实现原理和技术效果类似，在此不再赘述。
以上这些模块可以是被配置成实施以上方法的一个或多个集成电路，例如：一个或多个特定集成电路(Application Specific Integrated Circuit，简称ASIC)，或，一个或多个微处理器(digital singnal processor，简称DSP)，或，一个或者多个现场可编程门阵列(Field Programmable Gate Array，简称FPGA)等。再如，当以上某个模块通过处理元件调度程序代码的形式实现时，该处理元件可以是通用处理器，例如中央处理器(CentralProcessing Unit，简称CPU)或其它可以调用程序代码的处理器。再如，这些模块可以集成在一起，以片上系统(system-on-a-chip，简称SOC)的形式实现。
本申请实施例提供一种电子设备的可能实现示例，能够执行上述实施例提供的鉴别诊断病种敏感性测量方法。图8为本申请实施例提供的一种电子设备的示意图，该设备可以集成于终端设备或者终端设备的芯片，该终端可以是具备数据处理功能的计算设备。
该电子设备包括：处理器801、存储介质802和总线，存储介质存储有处理器可执行的程序指令，当控制设备运行时，处理器与存储介质之间通过总线通信，处理器执行程序指令，以执行时执行上述鉴别诊断病种敏感性测量方法的步骤。具体实现方式和技术效果类似，这里不再赘述。
本申请实施例提供一种计算机可读存储介质的可能实现示例，能够执行上述实施例提供的鉴别诊断病种敏感性测量方法，存储介质上存储有计算机程序，计算机程序被处理器运行时执行上述鉴别诊断病种敏感性测量方法的步骤。
存储在一个存储介质中的计算机程序，可以包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(英文：processor)执行本发明各个实施例方法的部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(英文：Read-Only Memory，简称：ROM)、随机存取存储器(英文：Random Access Memory，简称：RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
上述以软件功能单元的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(英文：processor)执行本发明各个实施例所述方法的部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(英文：Read-Only Memory，简称：ROM)、随机存取存储器(英文：Random Access Memory，简称：RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种鉴别诊断病种敏感性测量方法，其特征在于，包括：
获取至少一个患者信息，所述患者信息包括：患者标识，患者症状信息和/或患者体征信息；
采用每个所述患者信息与预设病种知识库中的信息进行匹配，获取每个所述患者信息匹配的至少一个匹配病种；
计算每个所述患者信息与每个所述匹配病种的匹配概率；
根据目标医疗机构的所有患者对应的所述匹配病种、每个所述匹配病种的匹配概率，获取目标医疗机构中至少一个病种的病种信息、每个所述病种的鉴别诊断病例数、以及所述每个鉴别诊断病例数的病种匹配概率；
根据每个所述病种的总诊断病例数、至少一个病种的病种信息、每个所述病种的鉴别诊断病例数、以及所述每个鉴别诊断病例数的病种匹配概率，计算所述目标医疗机构的鉴别诊断概率、鉴别诊断敏感指数。
2.如权利要求1所述的方法，其特征在于，所述采用每个所述患者信息与预设病种知识库中的信息进行匹配，获取每个所述患者信息匹配的至少一个匹配病种，包括：
将所述患者症状信息与所述预设病种知识库中的症状信息进行匹配，和/或，将所述患者体征信息与所述预设病种知识库中的体征信息进行匹配，获取所述患者信息匹配的至少一个匹配病种。
3.如权利要求1所述的方法，其特征在于，所述方法还包括：
采用所述患者信息在所述预设分值计算规则库进行匹配，获取所述患者症状信息对应的分值和/或所述患者体征信息对应的分值；其中，所述预设分值计算规则库包括：每个病种的症状信息、每个症状的体征信息、每个症状信息的分值、每个体征信息的分值；
所述采用每个所述患者信息与预设病种知识库中的信息进行匹配，获取每个所述患者信息匹配的至少一个匹配病种之后，还包括：
根据所述患者症状信息对应的分值和/或所述患者体征信息对应的分值，计算每个所述匹配病种的分值。
4.如权利要求1所述的方法，其特征在于，所述方法还包括：
将所述患者信息对应的所述匹配病种、每个所述匹配病种的匹配概率以所述患者标识为索引进行保存；
将所述至少一个病种的病种信息、所述鉴别诊断概率、所述鉴别诊断敏感指数保存，获取所述医疗机构的鉴别诊断敏感病种评估表。
5.如权利要求4所述的方法，其特征在于，所述方法还包括：
根据预设范围中所有医疗机构的所述鉴别诊断敏感病种评估表，获取至少一个目标病种的病种信息，以及以下至少一项鉴别诊断敏感病种评估信息：每个所述病种在所述预设范围中至少一家医疗机构的所述鉴别诊断病例数、所述总诊断病例数、所述鉴别诊断概率、所述鉴别诊断敏感指数；
根据所述鉴别诊断敏感病种评估信息，分析获取所述预设范围的鉴别诊断敏感病种评估结果；
将所述至少一个目标病种的病种信息、所述预设范围的鉴别诊断敏感病种评估结果保存，获取所述预设范围的鉴别诊断敏感指标数据。
6.如权利要求2所述的方法，其特征在于，所述将所述患者症状信息与所述预设病种知识库中的症状信息进行匹配，和/或，将所述患者体征信息与所述预设病种知识库中的体征信息进行匹配，获取所述患者信息匹配的至少一个匹配病种，包括：
对所述预设病种知识库进行自然语言处理，获取待匹配表；
对所述患者症状信息和/或患者体征信息进行关键词提取；
采用提取的所述关键词在所述待匹配表中进行匹配，获取所述患者信息匹配的至少一个匹配病种。
7.如权利要求4所述的方法，其特征在于，所述采用每个所述患者信息与预设病种知识库中的信息进行匹配，获取每个所述患者信息匹配的至少一个匹配病种，包括：
采用所述患者信息与预设病种知识库中的信息进行匹配，获取所述患者信息匹配的多个初始匹配病种；
所述将所述患者信息对应的所述匹配病种、每个所述匹配病种的匹配概率以所述患者标识为索引进行保存之前，还包括：
根据各所述初始匹配病种对应的匹配概率，筛选所述患者信息对应的匹配概率大于零的所述匹配病种。
8.一种鉴别诊断病种敏感性测量装置，其特征在于，包括：采集模块、匹配模块、计算模块；
所述采集模块，用于获取至少一个患者信息，所述患者信息包括：患者标识，患者症状信息和/或患者体征信息；
所述匹配模块，用于采用每个所述患者信息与预设病种知识库中的信息进行匹配，获取每个所述患者信息匹配的至少一个匹配病种；
所述计算模块，用于计算每个所述患者信息与每个所述匹配病种的匹配概率；根据目标医疗机构的所有患者对应的所述匹配病种、每个所述匹配病种的匹配概率，获取目标医疗机构中至少一个病种的病种信息、每个所述病种的鉴别诊断病例数、以及所述每个鉴别诊断病例数的病种匹配概率；根据每个所述病种的总诊断病例数、至少一个病种的病种信息、每个所述病种的鉴别诊断病例数、以及所述每个鉴别诊断病例数的病种匹配概率，计算所述目标医疗机构的鉴别诊断概率、鉴别诊断敏感指数。
9.一种电子设备，其特征在于，包括：处理器、存储介质和总线，所述存储介质存储有所述处理器可执行的程序指令，当电子设备运行时，所述处理器与所述存储介质之间通过总线通信，所述处理器执行所述程序指令，以执行时执行如权利要求1至7任一所述的鉴别诊断病种敏感性测量方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行如权利要求1至7任一所述的鉴别诊断病种敏感性测量方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111312500.5A CN113921103A (zh) | 2021-11-08 | 2021-11-08 | 鉴别诊断病种敏感性测量方法、装置、电子设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111312500.5A CN113921103A (zh) | 2021-11-08 | 2021-11-08 | 鉴别诊断病种敏感性测量方法、装置、电子设备及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113921103A true CN113921103A (zh) | 2022-01-11 |
Family
ID=79245619
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111312500.5A Pending CN113921103A (zh) | 2021-11-08 | 2021-11-08 | 鉴别诊断病种敏感性测量方法、装置、电子设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113921103A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115269613A (zh) * | 2022-09-27 | 2022-11-01 | 四川互慧软件有限公司 | 一种患者主索引构建方法、系统、设备及存储介质 |
-
2021
- 2021-11-08 CN CN202111312500.5A patent/CN113921103A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115269613A (zh) * | 2022-09-27 | 2022-11-01 | 四川互慧软件有限公司 | 一种患者主索引构建方法、系统、设备及存储介质 |
| CN115269613B (zh) * | 2022-09-27 | 2023-01-13 | 四川互慧软件有限公司 | 一种患者主索引构建方法、系统、设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110136788B (zh) | 一种基于自动检测的病历质检方法、装置、设备及存储介质 | |
| CN109346145B (zh) | 一种药物不良反应的主动监测方法和系统 | |
| Diehr et al. | Prediction of pneumonia in outpatients with acute cough—a statistical approach | |
| US7711404B2 (en) | Patient data mining for lung cancer screening | |
| Sunitha et al. | A comparative analysis of deep neural network architectures for the dynamic diagnosis of COVID‐19 based on acoustic cough features | |
| JP6706627B2 (ja) | 集中治療室における臨床値の自動化された分析及びリスク通知のためのシステム | |
| CN113345577B (zh) | 诊疗辅助信息的生成方法、模型训练方法、装置、设备以及存储介质 | |
| CN109545387B (zh) | 一种基于神经网络的异常病例识别方法及计算设备 | |
| CN107145715B (zh) | 一种基于推举算法的临床医学智能判别装置 | |
| Cotterill et al. | Diagnostic accuracy of PAT-POPS and ManChEWS for admissions of children from the emergency department | |
| CN111180026A (zh) | 专科诊疗视图系统及方法 | |
| Fine et al. | Assessing population-level symptoms of anxiety, depression, and suicide risk in real time using NLP applied to social media data | |
| Simon et al. | Diagnostic performance of emergency physician gestalt for predicting acute appendicitis in patients age 5 to 20 years | |
| CN112151174A (zh) | 一种基于体检数据的用户健康信息分析方法、系统 | |
| CN109997201A (zh) | 针对多种医学知识模块的利用数据驱动方法的精确临床决策支持 | |
| CN114822872A (zh) | 风险信号识别模型的训练、药物风险信号挖掘方法、装置 | |
| CN113921103A (zh) | 鉴别诊断病种敏感性测量方法、装置、电子设备及介质 | |
| JP2019510317A (ja) | 検査値のコンテキストによるフィルタリング | |
| CN116864062B (zh) | 一种基于互联网的健康体检报告数据分析管理系统 | |
| Sauer et al. | Performance of a natural language processing (NLP) tool to extract pulmonary function test (PFT) reports from structured and semistructured Veteran Affairs (VA) data | |
| CN111968740B (zh) | 一种诊断标签推荐方法、装置、存储介质及电子设备 | |
| Suwanpasu et al. | Accuracy of modified early warning scores for predicting mortality in hospital: A systematic review and meta-analysis | |
| CN116825312B (zh) | 一种基于信创环境的分诊系统及方法 | |
| Thaikruea et al. | SESSION 1: INTRODUCTION TO SOME BASIC EPIDEMIOLOGICAL CONCEPTS BASED ON A DATASET ON OUTBREAK INVESTIGATION. | |
| Swancutt et al. | A randomised controlled trial and cost effectiveness study of systematic screening (targeted and total population screening) versus routine practice for the detection of atrial fibrillation in the over 65s:(SAFE)[ISRCTN19633732] |
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 |