CN115083555A - 一种社区慢性病辅助决策系统 - Google Patents
一种社区慢性病辅助决策系统 Download PDFInfo
- Publication number
- CN115083555A CN115083555A CN202211003150.9A CN202211003150A CN115083555A CN 115083555 A CN115083555 A CN 115083555A CN 202211003150 A CN202211003150 A CN 202211003150A CN 115083555 A CN115083555 A CN 115083555A
- Authority
- CN
- China
- Prior art keywords
- value
- treatment
- patient
- value index
- index
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- 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)
- Public Health (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Theoretical Computer Science (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Pathology (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明涉及一种社区慢性病辅助决策系统,包括知识仓库端、价值评价端和学习网络端;知识仓库端提供疾病治疗方案的规则和约束;价值评价端提供评价治疗结果的价值指标,价值包括有治疗获益、损害和花费;学习网络端用于患者状态数据的收集和储存,生成治疗方案合集,得到患者价值合集,从多个治疗方案中得到综合价值最高的作为决策方案,预测患者可能的治疗方案及方案产生的价值,通过价值评价系统对治疗方案进行反馈,以获得推荐的方案排序及其对应价值。将以上模型建立应用平台,并通过社区实证研究加以检验和完善。本发明将为社区医疗机构T2DM的标准化管理提供技术工具,同时为其他慢性疾病个体化治疗辅助决策系统的研究提供方法学借鉴。
Description
技术领域
本发明涉及医疗系统技术领域,具体设计一种社区慢性病辅助决策系统。
背景技术
糖尿病包括1型糖尿病、2型糖尿病、妊娠期糖尿病等,2型糖尿病(Type 2Diabetes Mellitus,T2DM)患者人数占糖尿病总人数的90.0%以上,而糖尿病将给患者带来失明、截肢、肾衰竭、心肌梗死、脑梗死等严重健康损害。针对基层医疗卫生机构的现状,探索和建立一套针对社区的智能化辅助决策系统,促进基层T2DM管理规范化、个体化、智能化,十分必要。目前,各种智能辅助决策系统主要包括基于规则和基于真实世界数据机器学习的辅助决策系统。
目前基于规则的辅助决策系统依赖于较高的专业技术水平,导致个体诊疗能力有限,基于真实世界数据机器学习的辅助决策系统因为医师诊疗习惯或数据录入缺失或错误和回顾性数据未经过质量控制,会导致偏倚风险,且现有两种系统都是单纯预测治疗结果的机器学习模型,需要先根据经验多次输入治疗措施,比较预测结果,智能化程度低,也没有考虑社区方案评价的复杂性,还应考虑可能带来的损害、花费,没有依据个体化治疗的原则等等,所以在社区的适用性不佳。
发明内容
本发明的目的在于:克服现有技术智能化程度低,没有依据个体化治疗的原则之不足,将循证规则与真实世界数据相结合,建立T2DM循证规则集。采用患者偏好校正的逐步权重比率分析(SWARA)法研究T2DM患者的价值评价系统,预测患者可能的治疗方案及方案产生的价值,通过价值评价系统对治疗方案进行反馈,以获得推荐的方案排序及其对应价值(获益、风险、花费和用药禁忌等)。将以上模型建立应用平台,并通过社区实证研究加以检验和完善。本发明将为社区医疗机构T2DM的标准化管理提供技术工具,同时为其他慢性疾病个体化治疗辅助决策系统的研究提供方法学借鉴。
为了实现上述发明目的,本发明提供了以下技术方案:
一种社区慢性病辅助决策系统,包括知识仓库端、价值评价端和学习网络端;
所述知识仓库端收集现有文献资料,为辅助决策系统提供疾病治疗方案的规则和约束;
所述价值评价端为辅助决策系统提供评价治疗结果的价值指标,所述价值指标包括有治疗获益、损害和花费;
所述学习网络端用于患者状态数据的收集、分类和储存,所述患者状态数据进入所述学习网络端的策略网络模块中,所述策略网络模块通过提取所述知识仓库端中的规则和约束,生成治疗方案合集;所述患者状态数据和所述治疗方案合集再经过所述学习网络端的价值网络模块,得到患者价值合集,所述患者价值合集经过所述价值评价端评价后再回到所述策略网络模块,生成新的治疗方案合集,迭代数据后,得到各状态下各治疗方案的价值指标,将所述价值指标赋权计算各治疗方案的综合价值,选择综合价值最高的治疗方案作为决策方案。
进一步的,所述决策方案在患者使用后形成新的价值指标和新的患者状态,所述新的价值指标反馈至所述价值评价端,所述新的患者状态反馈至所述知识仓库端,形成所述社区慢性病辅助决策系统知识实时更新。
进一步的,以获得的规则集为基础,建立知识图神经网络,使用无监督学习模块和迁移学习技术模块,建立知识仓库。所述迁移学习技术模块,将知识图神经网络的输入设置为患者数据,使得神经网络可用于患者数据的学习,形成知识仓库;所述无监督学习模块实现知识仓库中知识的不断分类和归纳,通过学习患者数据不断更新知识。
进一步的,所述知识仓库端包括文献研究模块和德尔菲专家咨询模块,文献研究模块通过检索药物治疗相关的诊疗指南或专家共识、药品说明书、潜在不适当用药标准、临床试验、系统评价等资料,用于文献质量评价、规则提取,获得初级循证规则集,所述德尔菲专家咨询模块用于已提取的规则通过德尔菲法进行专家评价,获得循证规则集,形成规则库。
进一步的,所述价值指标还包括有适用性,所述适用性包括注射剂治疗和非注射剂治疗,非注射剂治疗的价值指标评价高于注射剂治疗,所述治疗获益越大价值指标评价越高,所述损害越小价值指标评价越高,包括急性胰腺炎、心衰风险的致命损害和骨折风险、体重增加的非致命损害,所述花费越小价值指标评价越高。
进一步的,所述价值评价端包括价值指标确定模块和价值指标权重确定模块,所述价值指标确定模块通过文献检索形成初级价值指标清单,所述初级价值指标包括治疗中的获益、损害、花费和适用性,医师、护师、药师和患者对初级价值指标清单中条目的重要性和必要性进行评分,依据咨询意见对条目清单进行修改,持续多轮咨询,直至调研对象的评价结果一致,获得的指标作为初始的价值评价指标,价值评价指标可依据医师、患者的反馈更新和验证;所述价值指标权重确定模块将价值评价指标的重要性进行初始排序,同时选择药师、医师、护师和患者代表对排序进行调整,并依据各指标的重要性进行权重赋值,通过计算得出价值指标的权重。
进一步的,所述价值指标的权重通过医师、护师、药师和患者重要性评分为所有价值指标编秩并按降序排列,取每一价值指标对应秩的中位数作为价值指标的最终秩,列出价值指标j和价值指标j+1,如价值指标j+1相比价值指标j具有统计学意义,得到价值指标j+1的相对重要性值,所述相对重要性值组成向量S,价值指标个数为n,
系数向量K为
价值指标的过渡权重向量P为
价值指标的最终权重向量为FW为
进一步的,所述价值评价端还包括患者偏好模块,患者的偏好在就诊时输入价值评价系统,所述患者的偏好包括对注射剂型的接受程度、对花费的承受能力、对胃肠道不良反应敏感性,依据所述患者的偏好选项对患者各项价值指标的权重进行调整,所述患者偏好校正的占总权重的30%-40%,得到个体化的治疗决策方案输出,将所有指标标准化到0-1的区间中,其中0为最差,1为最佳,指标标准化后的值与权重的乘积为综合价值,计算不同治疗方案对应的综合价值,以置信区间上界算法对治疗方案进行价值排序形成决策方案,根据所述知识仓库端中的规则和约束,输出每一可能治疗方案的预测治疗效果、日花费、风险和禁忌供参考。
进一步的,所述策略网络模块输入为患者在t时刻的状态,包括检查信息、人口学特征、并发症情况和当前治疗方案,输出为t时刻至t+1时刻患者的治疗方案集合;价值网络模块输入为患者在t时刻的状态和t时刻至t+1时刻患者的治疗方案,输出为t+1时刻患者的治疗方案的价值指标。
由于策略网络模块与价值网络模块的输入具有相同的变量,为t时刻的状态,因此在t时刻患者状态输入两个网络前,可先将患者状态变量输入一个共用的深度无监督网络进行归纳,减少网络运算负担;使用注意力机制进行关键变量的筛选,减少每次学习的关键变量数;策略网络模块和价值网络模块在学习时将从所述知识仓库端中抽取经验知识,提高学习速度。
进一步的,所述辅助决策系统通过建立至少SDK接口、HTTP接口中的一种供社区医院使用,建立多社区的慢性病辅助决策网络系统。
与现有技术相比,本发明的有益效果:
在本申请的方案中,将循证证据与真实世界证据以特征分类或规则约束的方式有机结合,既弥补了大样本RCT证据对个体患者给药方案指导的不足,也减少了网络学习中可能出现的错误推荐的概率。另外,使用循证规则对患者按特征分类,使得模型的结果规范在指南和法律认可文件的框架内,避免了法律风险,具有更高的社区实用价值。
提出价值评价系统用于评价治疗方案。此方法可解决单一结局评价指标不适宜作为决策参考的问题。此外,本发明还创新性地加入患者偏好,实现该系统的个体化、动态化校正,实现了模型的治疗方案评价的个体化。
附图说明
图1为辅助决策系统技术流程图;
图2为T2DM患者获益评价指标图;
图3为权重算法图;
图4为加入患者偏好模块的价值评价端示意图;
图5为辅助决策平台示意图;
图6为无监督学习示意图;
图7为迁移学习示意图;
图8为注意力机制示意图。
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,下面将结合附图,对本发明实施例中的技术方案进行清楚、完整的描述。显然,所描述的实施例是本发明的一部分实施例,而不是全部的实施例。
因此,以下对本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的部分实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征和技术方案可以相互组合。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
在本发明的描述中,需要说明的是,术语“上”、“下”等指示的方位或位置关系为基于附图所示的方位或位置关系,或者是该发明产品使用时惯常摆放的方位或位置关系,或者是本领域技术人员惯常理解的方位或位置关系,这类术语仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
实施例一,参见图1所示:
本实施例提供的一种社区慢性病辅助决策系统,包括知识仓库端、价值评价端和学习网络端;
所述知识仓库端收集现有文献资料,通过文献资料为辅助决策系统提供疾病治疗方案的规则和约束,通过疾病治疗方案的规则和约束避免医师诊疗习惯或数据录入缺失或错误和回顾性数据未经过质量控制,导致的偏倚风险;
所述价值评价端为辅助决策系统提供评价治疗结果的价值指标,所述价值指标包括有治疗获益、损害和花费;
所述学习网络端用于患者状态数据的收集、分类和储存,所述患者状态数据进入所述学习网络端的策略网络模块中,所述策略网络模块通过提取所述知识仓库端中的规则和约束,生成治疗方案合集;所述患者状态数据和所述治疗方案合集再经过所述学习网络端的价值网络模块,得到患者价值合集,所述患者价值合集经过所述价值评价端评价后再回到所述策略网络模块,生成新的治疗方案合集,迭代数据后,得到各状态下各治疗方案的价值指标,将所述价值指标赋权计算各治疗方案的综合价值,选择综合价值最高的治疗方案作为决策方案。
进一步的,所述决策方案在患者使用后形成新的价值指标和患者状态,所述价值指标反馈至所述价值评价端、患者状态反馈至所述知识仓库端,形成所述社区慢性病辅助决策系统知识实时更新。
进一步的,以获得的规则集为基础,建立知识图神经网络,使用无监督学习模块和迁移学习技术模块,建立知识仓库。所述迁移学习技术模块,将知识图神经网络的输入设置为患者数据,使得神经网络可用于患者数据的学习,形成知识仓库;所述无监督学习模块实现知识仓库中知识的不断分类和归纳,通过学习患者数据不断更新知识。
所述无监督学习借助深度自编码器进行无监督学习,以对输入变量进行总结和降维。深度自编码器首先建立一个网络,将患者状态作为输入,如图6中的输入层,经过多层深度网络训练后得到一个低维的层,如图6中的特征层,再将该低维层乘以输入与其权重的转置,得到一个近似输入的输出,如图6中的输出层,即对输入的近似还原。在后续模型训练时,将低维层单独、或与输入变量一起作为模型的输入。该方法可实现对输入的总结和降维,以加快收敛。
所述迁移学习以借助已有经验简化网络运算。假设该神经网络是针对患者某一指标的预测,如3个月后的血糖值,且该网络已经过海量数据训练完善,参见图7中的a部分所示;若需预测HbA1c值,则可将已训练网络最后一层的神经元和参数(即权重和偏置)删除,参见图7中的b部分所示;替换为新的神经元和参数,进行训练,即可在原网络的参数基础上快速实现HbA1c的预测,参见图7中的c部分所示。类似地,所述知识仓库建立过程中,对神经网络输入进行替换,以实现输入的迁移学习。
进一步的,所述知识仓库端包括文献研究模块和德尔菲专家咨询模块,文献研究模块通过检索药物治疗相关的诊疗指南或专家共识、药品说明书、潜在不适当用药标准、临床试验、系统评价等资料,用于文献质量评价、规则提取,获得初级循证规则集,所述德尔菲专家咨询模块用于已提取的规则通过德尔菲法进行专家评价,获得循证规则集,形成规则库。
系统检索模块检索数据库、各政府机构官网、Pubmed、Embase等,获得T2DM诊疗相关指南、潜在不适当用药标准、药品说明书、系统评价等。采用“临床指南研究与评价系统II”(AGREEII)评价指南和专家共识质量,使用Cochrane文献质量评价工具评价文献质量。根据AGREE II的评价结果,采用推荐级别为“强烈推荐”和“推荐”的指南进行规则提取;依据文献质量评价结果,剔除质量较差的文献。提取循证规则形成规则集。
德尔菲法筛查模块进行规则集的评价、筛选:制作调查问卷,选择医师、药师、护师作为专家组,“背对背”地发放、回收并分析问卷,直到专家意见达到一致。以专家积极系数、专家权威程度、专家协调程度评价方法的质量。根据德尔菲法的结果整理生成新的规则清单,建立T2DM循证规则集。
进一步的,参见图2所示,所述价值指标还包括有适用性,所述适用性包括注射剂治疗和非注射剂治疗,非注射剂治疗的价值指标评价高于注射剂治疗,所述治疗获益越大价值指标评价越高,所述损害越小价值指标评价越高,包括急性胰腺炎、心衰风险的致命损害和骨折风险、体重增加的非致命损害,所述花费越小价值指标评价越高。
进一步的,所述价值评价端包括价值指标确定模块和价值指标权重确定模块,所述价值指标确定模块通过文献检索形成初级价值指标清单,所述初级价值指标包括治疗中的获益、损害、花费和适用性,医师、护师、药师和患者对初级价值指标清单中条目的重要性和必要性进行评分,依据咨询意见对条目清单进行修改,持续多轮咨询,直至调研对象的评价结果一致,获得的指标作为初始的价值评价指标,价值评价指标可依据医师、患者的反馈更新和验证;所述价值指标权重确定模块将价值评价指标的重要性进行初始排序,同时选择药师、医师、护师和患者代表对排序进行调整,并依据各指标的重要性进行权重赋值,通过计算得出价值指标的权重。
进一步的,参见图3所示,所述价值指标的权重通过医师、护师、药师和患者重要性评分为所有价值指标编秩并按降序排列,取每一价值指标对应秩的中位数作为价值指标的最终秩,列出价值指标j和价值指标j+1,如价值指标j+1相比价值指标j具有统计学意义,得到价值指标j+1的相对重要性值,所述相对重要性值组成向量S,价值指标个数为n,
系数向量K为
价值指标的过渡权重向量P为
价值指标的最终权重向量为FW为
进一步的,参见图4所示,所述价值评价端还包括患者偏好模块,患者的偏好在就诊时输入价值评价系统,所述患者的偏好包括对注射剂型的接受程度、对花费的承受能力、对胃肠道不良反应敏感性,依据所述患者的偏好选项对患者各项价值指标的权重进行调整,所述患者偏好校正的占总权重的30%-40%,得到个体化的治疗决策方案输出,将所有指标标准化到0-1的区间中,其中0为最差,1为最佳,指标标准化后的值与权重的乘积为综合价值,计算不同治疗方案对应的综合价值,以置信区间上界算法对治疗方案进行价值排序形成决策方案,根据所述知识仓库端中的规则和约束,输出每一可能治疗方案的预测治疗效果、日花费、风险和禁忌。
进一步的,所述策略网络模块输入为患者在t时刻的状态,包括检查信息、人口学特征、并发症情况和当前治疗方案,输出为t时刻至t+1时刻患者的治疗方案集合;价值网络模块输入为患者在t时刻的状态和t时刻至t+1时刻患者的治疗方案,输出为t+1时刻患者的治疗方案的价值指标。
由于策略网络模块与价值网络模块的输入具有相同的变量,为t时刻的状态,因此在t时刻患者状态输入两个网络前,可先将患者状态变量输入一个共用的深度无监督网络进行归纳,减少网络运算负担;使用注意力机制进行关键变量的筛选,减少每次学习的关键变量数;策略网络模块和价值网络模块在学习时将从所述知识仓库端中抽取经验知识,提高学习速度。所述注意力机制(Attention)为注意力模型就是要从输入向量中学习到每一个元素的重要程度,如图8所示的,所述注意力模型用于从输入变量X1-Xn中,学习得到每一个输入变量的权重w1-wn,每个输入变量与每个权重一一对应,并使用SOFTMAX函数求导,进行反向传播,对权重w1-wn进行更新,从而筛选出对输出层结果预测重要的输入变量,实现关键变量的筛选。
进一步的,参见图5所示,所述辅助决策系统通过建立SDK接口、HTTP接口供社区医院使用,建立多社区的慢性病辅助决策网络系统。
以上实施例仅用以说明本发明而并非限制本发明所描述的技术方案,尽管本说明书参照上述的各个实施例对本发明已进行了详细的说明,但本发明不局限于上述具体实施方式,因此任何对本发明进行修改或等同替换;而一切不脱离发明的精神和范围的技术方案及其改进,其均涵盖在本发明的权利要求范围当中。
Claims (8)
1.一种社区慢性病辅助决策系统,其特征在于:包括知识仓库端、价值评价端和学习网络端;
所述知识仓库端收集文献资料,提供疾病治疗方案的规则和约束;
所述价值评价端提供评价治疗结果的价值指标,所述价值指标包括有治疗获益、损害和花费;
所述学习网络端用于患者状态数据的收集和储存,所述患者状态数据进入所述学习网络端的策略网络模块中,所述策略网络模块通过提取所述知识仓库端中的规则和约束,生成治疗方案合集;所述患者状态数据和所述治疗方案合集再经过所述学习网络端的价值网络模块,得到患者价值合集,所述患者价值合集经过所述价值评价端评价后再回到所述策略网络模块,生成新的治疗方案合集,迭代数据后,得到各状态下各治疗方案的价值指标,将所述价值指标赋权计算各治疗方案的综合价值,选择综合价值最高的治疗方案作为决策方案。
2.如权利要求1所述的一种社区慢性病辅助决策系统,其特征在于:所述决策方案在患者使用后形成新的价值指标和新的患者状态,所述新的价值指标反馈至所述价值评价端,所述新的患者状态反馈至所述知识仓库端。
3.如权利要求1所述的社区慢性病辅助决策系统,其特征在于:所述价值评价端包括价值指标确定模块和价值指标权重确定模块,
所述价值指标确定模块通过文献检索形成初级价值指标清单,所述初级价值指标包括治疗中的获益、损害、花费和适用性,调研对象对初级价值指标清单中条目的重要性和必要性进行评分,所述调研对象包括医师、护师、药师和患者代表,依据咨询意见对条目清单进行修改,持续多轮咨询,直至所述调研对象的评价结果一致,获得的指标作为初始的价值指标,所述初始的价值指标可依据医师、患者的反馈更新和验证;
所述价值指标权重确定模块将价值指标的重要性进行排序,所述调研对象对排序进行调整,并依据各指标的重要性进行权重赋值,通过计算得出价值指标的权重。
5.如权利要求4所述的社区慢性病辅助决策系统,其特征在于:所述价值评价端还包括患者偏好模块,所述患者偏好模块在就诊时输入价值评价系统,所述患者偏好包括患者对注射剂型的接受程度、对花费的承受能力和对胃肠道不良反应敏感性,依据所述患者偏好对患者各项价值指标的权重进行调整,所述患者偏好占总权重的30%到40%,得到个体化的治疗决策方案输出,将所有指标标准化到0-1的区间,其中0为最差,1为最佳,指标标准化后的值与权重的乘积为综合价值,计算不同治疗方案对应的综合价值,以置信区间上界算法对治疗方案进行价值排序形成决策方案,根据所述知识仓库端中的规则和约束,输出全部治疗方案的预测治疗效果、日花费、风险和禁忌。
6.如权利要求5所述的社区慢性病辅助决策系统,其特征在于:所述价值指标还包括适用性,所述适用性包括注射剂治疗和非注射剂治疗,非注射剂治疗的价值指标评价高于注射剂治疗;所述治疗获益越大价值指标评价越高;所述损害越小价值指标评价越高,所述损害包括急性胰腺炎、心衰风险的致命损害和骨折风险、体重增加的非致命损害;所述花费越小价值指标评价越高。
7.如权利要求1所述的一种社区慢性病辅助决策系统,其特征在于:所述知识仓库端包括文献研究模块和德尔菲专家咨询模块,所述文献研究模块用于文献资料收集、治疗规则提取,获得初级循证规则集,所述德尔菲专家咨询模块用于已提取的规则通过德尔菲法进行专家评价,获得循证规则集,形成规则库。
8.如权利要求1所述的社区慢性病辅助决策系统,其特征在于:所述策略网络模块输入为患者在t时刻的状态,所述状态包括患者检查信息、人口学特征、并发症情况和当前治疗方案,输出为t时刻至t+1时刻患者的治疗方案集合;价值网络模块输入为患者在t时刻的状态和t时刻至t+1时刻患者的治疗方案,输出为t+1时刻患者的治疗方案的价值指标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211003150.9A CN115083555A (zh) | 2022-08-22 | 2022-08-22 | 一种社区慢性病辅助决策系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211003150.9A CN115083555A (zh) | 2022-08-22 | 2022-08-22 | 一种社区慢性病辅助决策系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115083555A true CN115083555A (zh) | 2022-09-20 |
Family
ID=83244218
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211003150.9A Pending CN115083555A (zh) | 2022-08-22 | 2022-08-22 | 一种社区慢性病辅助决策系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115083555A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116434954A (zh) * | 2023-03-08 | 2023-07-14 | 绍兴珂西生物科技有限公司 | 一种临床治疗效果的评价方法 |
CN116628560A (zh) * | 2023-07-24 | 2023-08-22 | 四川互慧软件有限公司 | 基于聚类算法的蛇伤病例数据识别方法、装置及电子设备 |
CN117558460A (zh) * | 2024-01-11 | 2024-02-13 | 卓世未来(天津)科技有限公司 | 基于小样本学习和大语言模型的慢性病管理方法及系统 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107622798A (zh) * | 2017-10-09 | 2018-01-23 | 广东全科健康管理有限公司 | 一种根据症状产生疾病治疗方案的临床决策支持系统 |
CN108109692A (zh) * | 2017-11-08 | 2018-06-01 | 北京无极慧通科技有限公司 | 一种治疗方案的选择方法和系统 |
CN110322970A (zh) * | 2019-06-13 | 2019-10-11 | 郑思思 | 一种增加患者内心体验的疗效评价方法和系统 |
CN111145916A (zh) * | 2020-01-02 | 2020-05-12 | 曹庆恒 | 一种智能推荐手术方案的方法、系统和设备 |
CN111477331A (zh) * | 2020-05-08 | 2020-07-31 | 北京爱康宜诚医疗器材有限公司 | 治疗方案的确定方法及装置 |
CN111584087A (zh) * | 2020-05-22 | 2020-08-25 | 肾泰网健康科技(南京)有限公司 | 基于ai技术aav不同治疗方案预后预测模型的方法及模型 |
CN111798992A (zh) * | 2020-07-11 | 2020-10-20 | 许昌学院 | 一种肥胖与非慢性传染病发病风险的分析方法及系统 |
CN113270189A (zh) * | 2021-05-19 | 2021-08-17 | 复旦大学附属肿瘤医院 | 一种基于强化学习的肿瘤治疗辅助决策方法 |
CN113808699A (zh) * | 2021-09-20 | 2021-12-17 | 曹庆恒 | 一种治疗方案智能比较系统及其使用方法 |
CN114171152A (zh) * | 2021-10-20 | 2022-03-11 | 福州康为网络技术有限公司 | 一种糖尿病患者教育和治疗方案调整方法及系统 |
CN114530253A (zh) * | 2022-02-11 | 2022-05-24 | 上海健交科技服务有限责任公司 | 基于淬臻分析的治疗方案推荐方法、系统及存储介质 |
CN114649071A (zh) * | 2020-12-18 | 2022-06-21 | 中电药明数据科技(成都)有限公司 | 一种基于真实世界数据的消化性溃疡治疗方案的预测系统 |
-
2022
- 2022-08-22 CN CN202211003150.9A patent/CN115083555A/zh active Pending
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107622798A (zh) * | 2017-10-09 | 2018-01-23 | 广东全科健康管理有限公司 | 一种根据症状产生疾病治疗方案的临床决策支持系统 |
CN108109692A (zh) * | 2017-11-08 | 2018-06-01 | 北京无极慧通科技有限公司 | 一种治疗方案的选择方法和系统 |
CN110322970A (zh) * | 2019-06-13 | 2019-10-11 | 郑思思 | 一种增加患者内心体验的疗效评价方法和系统 |
CN111145916A (zh) * | 2020-01-02 | 2020-05-12 | 曹庆恒 | 一种智能推荐手术方案的方法、系统和设备 |
CN111477331A (zh) * | 2020-05-08 | 2020-07-31 | 北京爱康宜诚医疗器材有限公司 | 治疗方案的确定方法及装置 |
CN111584087A (zh) * | 2020-05-22 | 2020-08-25 | 肾泰网健康科技(南京)有限公司 | 基于ai技术aav不同治疗方案预后预测模型的方法及模型 |
CN111798992A (zh) * | 2020-07-11 | 2020-10-20 | 许昌学院 | 一种肥胖与非慢性传染病发病风险的分析方法及系统 |
CN114649071A (zh) * | 2020-12-18 | 2022-06-21 | 中电药明数据科技(成都)有限公司 | 一种基于真实世界数据的消化性溃疡治疗方案的预测系统 |
CN113270189A (zh) * | 2021-05-19 | 2021-08-17 | 复旦大学附属肿瘤医院 | 一种基于强化学习的肿瘤治疗辅助决策方法 |
CN113808699A (zh) * | 2021-09-20 | 2021-12-17 | 曹庆恒 | 一种治疗方案智能比较系统及其使用方法 |
CN114171152A (zh) * | 2021-10-20 | 2022-03-11 | 福州康为网络技术有限公司 | 一种糖尿病患者教育和治疗方案调整方法及系统 |
CN114530253A (zh) * | 2022-02-11 | 2022-05-24 | 上海健交科技服务有限责任公司 | 基于淬臻分析的治疗方案推荐方法、系统及存储介质 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116434954A (zh) * | 2023-03-08 | 2023-07-14 | 绍兴珂西生物科技有限公司 | 一种临床治疗效果的评价方法 |
CN116434954B (zh) * | 2023-03-08 | 2023-11-28 | 绍兴珂西生物科技有限公司 | 一种临床治疗效果的评价方法 |
CN116434954B8 (zh) * | 2023-03-08 | 2023-12-22 | 绍兴珂西生物科技有限公司 | 一种临床治疗效果的评价方法 |
CN116628560A (zh) * | 2023-07-24 | 2023-08-22 | 四川互慧软件有限公司 | 基于聚类算法的蛇伤病例数据识别方法、装置及电子设备 |
CN117558460A (zh) * | 2024-01-11 | 2024-02-13 | 卓世未来(天津)科技有限公司 | 基于小样本学习和大语言模型的慢性病管理方法及系统 |
CN117558460B (zh) * | 2024-01-11 | 2024-04-05 | 卓世未来(天津)科技有限公司 | 基于小样本学习和大语言模型的慢性病管理方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20230252017A1 (en) | Community data aggregation with automated followup | |
US11664097B2 (en) | Healthcare information technology system for predicting or preventing readmissions | |
Nagaraj et al. | An intelligent fuzzy inference rule‐based expert recommendation system for predictive diabetes diagnosis | |
CN115083555A (zh) | 一种社区慢性病辅助决策系统 | |
CN101821741B (zh) | 用于被调用事件的医学诊断、治疗和预后系统及其方法 | |
US8949082B2 (en) | Healthcare information technology system for predicting or preventing readmissions | |
Bajor et al. | Predicting medications from diagnostic codes with recurrent neural networks | |
US8504392B2 (en) | Automatic coding of patient outcomes | |
US20140095201A1 (en) | Leveraging Public Health Data for Prediction and Prevention of Adverse Events | |
US20110295621A1 (en) | Healthcare Information Technology System for Predicting and Preventing Adverse Events | |
Cooper et al. | Predicting dire outcomes of patients with community acquired pneumonia | |
Pincay et al. | Health recommender systems: a state-of-the-art review | |
WO2007123914A2 (en) | Prognosis modeling from one or more sources of information | |
CN116910172B (zh) | 基于人工智能的随访量表生成方法及系统 | |
CN117672451A (zh) | 面向2型糖尿病患者的用药推荐方法 | |
Reddy et al. | Safe prediction of diabetes mellitus using weighted conglomeration of mining schemes | |
Chattopadhyay et al. | Fuzzy-logic-based screening and prediction of adult psychoses: A novel approach | |
Gupta et al. | An overview of clinical decision support system (CDSS) as a computational tool and its applications in public health | |
Xu et al. | Learning models for writing better doctor prescriptions | |
Alnsour et al. | Predicting patient length of stay using artificial intelligence to assist healthcare professionals in resource planning and scheduling decisions | |
Verma et al. | Ontology based personalized modeling for chronic disease risk analysis: An integrated approach | |
CN115083601A (zh) | 一种基于机器学习的2型糖尿病辅助决策系统 | |
Goh | Data mining for precision medicine in clinical decision support systems | |
Saripalli | Scalable and Data Efficient Deep Reinforcement Learning Methods for Healthcare Applications | |
Faghri | Learning a long healthy aging |
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 |