CN115344713A - 基于疾病诊断标准知识图谱的疾病预测方法 - Google Patents
基于疾病诊断标准知识图谱的疾病预测方法 Download PDFInfo
- Publication number
- CN115344713A CN115344713A CN202210998763.4A CN202210998763A CN115344713A CN 115344713 A CN115344713 A CN 115344713A CN 202210998763 A CN202210998763 A CN 202210998763A CN 115344713 A CN115344713 A CN 115344713A
- Authority
- CN
- China
- Prior art keywords
- entity
- entities
- disease
- logic state
- true
- 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
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Public Health (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Game Theory and Decision Science (AREA)
- Pathology (AREA)
- Computing Systems (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Life Sciences & Earth Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Computational Linguistics (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明公开了一种基于疾病诊断标准知识图谱的疾病预测方法,包括构建包含临床表现类实体、检验项目类实体、检验结果类实体、逻辑节点类实体和疾病类实体的疾病诊断标准知识图谱;找到与病患检验项目的检测结果,以及与病患的临床表现相符的第一实体集合;依次以第一实体集合中的实体为起始节点,找到通过至少1个联合判断关系到达的疾病类实体;依次以疾病类实体为根节点,找到通过联合判断关系指向疾病实体的所有实体与关系组成的N叉树;判断N叉树中的每个实体的逻辑状态。本发明优点在于增加了医学检验项目及检验结果的意义表述,整个疾病诊断知识图谱更加精准、更加细致,可完全不依赖医生专业知识和经验,独立作出疾病诊断。
Description
技术领域
本发明涉及智能化疾病预测领域,尤其是涉及基于疾病诊断标准知识图谱的疾病预测方法。
背景技术
由于现有医疗资源的分布不均,基层医院的疾病诊断水平与三甲医院存在不小的差距,尤其有些罕见病只有三甲医院的专家才能正确诊断,如果疾病被医学专业知识或者经验不够丰富的医生诊断错误,则会延误病情,耽误治疗,给病人带来极大的痛苦。不过现在医疗保健领域许多组织良好的知识图谱,如国际疾病分类、DrugBank(包含生物信息学和化学信息学的药物数据库)、临床指南与共识等,均具有符合人类认知的层级信息和复杂的关联关系。利用这些现有的知识图谱,并结合计算机技术,能够使计算机具备疾病预测的功能,从而有助于解决现有医疗资源分布不均,且高度依赖医生专业知识和经验的状况。
但是,一方面现有知识图谱中,对医学检验项目及检验结果的意义表述不够全面,对疾病的精准诊断方法也不够细致;另一方面,现有的计算机疾病预测方法,如基于电子病例的图神经网络建模法、基于知识表示学习和疾病预测的分阶段建模法、针对单病种的二分类机器学习法等在临床应用时,需要对每种疾病单独训练维护模型,成本较高,可解释性较差,输出结果不确定性较高,不能分辨可确诊疾病或疑似疾病,均导致当前的智能化疾病预测仅能作为参考建议,无法真正的解决医疗资源分布不均,且高度依赖医生专业知识和经验的状况。
发明内容
本发明目的在于提供一种基于疾病诊断标准知识图谱的疾病预测方法,能够依据病患体征与检验结果数据,参考疾病诊断知识图谱预测病患的可确诊疾病与疑似疾病。
为实现上述目的,本发明采取下述技术方案:
本发明所述的基于疾病诊断标准知识图谱的疾病预测方法,包括以下步骤:
S1,构建包含临床表现类实体、检验项目类实体、检验结果类实体、逻辑节点类实体和疾病类实体的疾病诊断标准知识图谱;
S2,找到所述疾病诊断标准知识图谱中与病患检验项目的检测结果符合,且与病患临床表现符合的第一实体集合;
S3,依次以所述第一实体集合中的实体为起始节点,遍历疾病诊断标准知识图谱,找到所述实体通过至少1个联合判断关系到达的所述疾病类实体,形成疑似疾病集合A;
S4,依次以所述疑似疾病集合A中的疾病实体为根节点,遍历疾病诊断标准知识图谱,找到通过联合判断关系指向所述疾病实体的所有实体与关系组成的N叉树;
S5,对所述N叉树采用后序遍历法,依次判断N叉树中的每个实体的逻辑状态,直到获得根节点的逻辑状态;
S6,当根节点逻辑状态为真时,根节点为可确诊疾病;反之,根节点为疑似疾病。
本发明在构建疾病诊断标准知识图谱时增加了医学检验项目及检验结果的意义表述,整个疾病诊断方法更加精准、更加细致,可完全不依赖医生专业知识和经验,独立作出疾病诊断。
进一步地,所述临床表现类实体是指患有某种疾病后身体发生的异常变化;所述检验项目类实体是指医学检查项目;所述检验结果类实体是指检验项目的值或范围;所述逻辑节点类实体用于表述所述实体的逻辑条件;所述疾病类实体用于表述具体的疾病。
进一步地,所述逻辑节点类实体包括与、或、非、≥n、≤n,其中n表示满足条件的前置实体个数。
进一步地,所述疾病诊断标准知识图谱中实体与实体之间的关系包括所述联合判断和检验结果关系;联合判断关系是指尾实体的逻辑状态需要依据头实体的逻辑状态来确定的关系;
所述检验结果关系是指所述检验项目类实体与所述检验结果类实体之间的关系。
进一步地,实体所述逻辑状态判断规则如下:
若实体类型为所述临床表现类,患者的临床表现符合所述实体时,实体逻辑状态为真;反之,实体逻辑状态为假;
若实体类型为检验结果类,判断患者的检验项目与检验项目的检验结果是否符合实体组合,若符合则该实体逻辑状态为真;反之,该实体逻辑状态为假;
若实体类型为所述逻辑节点类,判断与所述实体具有直接联合判断关系的所有头实体的逻辑状态是否符合实体的逻辑要求,确定实体的逻辑状态;
其中,当所述实体为与时,与所述实体具有直接联合判断关系的所有头实体的逻辑状态均为真时,所述实体逻辑状态为真;反之,所述实体逻辑状态为假;
当所述实体为或时,与所述实体具有直接联合判断关系的所有头实体的逻辑状态任一为真时,所述实体逻辑状态为真;反之,所述实体逻辑状态为假;
当所述实体为非时,与所述实体具有直接联合判断关系的所有头实体的逻辑状态均为真时,所述实体逻辑状态为假;反之,所述实体逻辑状态为真;
当所述实体为≥n时,与所述实体具有直接联合判断关系的所有头实体中大于等于n个实体的辑状态为真时,所述实体逻辑状态为真;反之,所述实体逻辑状态为假;
当所述实体为≤n时,与实体具有直接联合判断关系的所有头实体中小于等于n个实体的辑状态为真时,所述实体逻辑状态为真;反之,所述实体逻辑状态为假;
若实体类型为疾病类,与所述实体具有直接联合判断关系的所有头实体的逻辑状态均为真时,所述实体逻辑状态为真;反之,所述实体逻辑状态为假。
进一步地,所述实体组合是通过所述检验结果关系连接的所述检验项目类实体和所述检验结果类实体构成的实体对。
本发明优点在于将疾病诊断标准转换为易于在知识图谱存储与访问的类N叉树结构,增加了医学检验项目及检验结果的意义表述,整个疾病诊断知识图谱更加精准、更加细致,可完全不依赖医生专业知识和经验,独立作出疾病诊断。同时,提出了统一的疾病预测方法,可以同时预测疾病诊断标准知识图谱内的所有疾病,解决了现有计算机疾病预测方法中需要对每种疾病单独训练维护模型,成本较高,可解释性较差,输出结果不确定性较高,不能分辨可确诊疾病或疑似疾病的弊端,真正做到智能化疾病预测,为解决医疗资源分布不均提供了新的途径和方法。
附图说明
图1是本发明所述方法的流程图(待初稿确定后补)。
图2是本发明实施例2中涉及的局部疾病诊断标准知识图谱示意。
图3是本发明实施例2中多发性骨髓瘤的N叉树示意图。
具体实施方式
下面将对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
具体实施例1
如图1所示,本发明所述基于疾病诊断标准知识图谱的疾病预测方法,包括以下步骤:
S1,构建包含临床表现类实体、检验项目类实体、检验结果类实体、逻辑节点类实体和疾病类实体的疾病诊断标准知识图谱;
其中,临床表现类实体是指患有某种疾病后身体发生的异常变化;例如咳嗽、发烧、头痛、无力等各类症状。
检验项目类实体是指医学检查项目;如生化免疫、微生物培养、影像学检查等。
检验结果类实体是指检验项目的值或范围;如阴性、阳性等。
逻辑节点类实体用于表述所述实体的逻辑条件;逻辑节点类实体包括与、或、非、≥n、≤n,其中n表示满足条件的头实体个数。
疾病类实体由具体的疾病组成。
疾病诊断标准知识图谱中实体与实体之间的关系包括所述联合判断和检验结果关系;联合判断关系是指尾实体的逻辑状态需要依据头实体的逻辑状态来确定的关系。
检验结果关系是指所述检验项目类实体与所述检验结果类实体之间的关系。
S2,找到所述疾病诊断标准知识图谱中与病患检验项目的检测结果符合,且与病患临床表现符合的第一实体集合;
S3,依次以所述第一实体集合中的实体为起始节点,遍历疾病诊断标准知识图谱,找到所述实体通过至少1个联合判断关系到达的所述疾病类实体,形成疑似疾病集合A;
S4,依次以所述疑似疾病集合A中的疾病实体为根节点,遍历疾病诊断标准知识图谱,找到通过联合判断关系指向所述疾病实体的所有实体与关系组成的N叉树;
S5,对所述N叉树采用后序遍历法,依次判断N叉树中的每个实体的逻辑状态,直到获得根节点的逻辑状态;
S6,当根节点逻辑状态为真时,根节点为可确诊疾病;反之,根节点为疑似疾病。
其中实体的逻辑状态判断规则如下:
若实体类型为所述临床表现类,患者的临床表现符合所述实体时,实体逻辑状态为真;反之,实体逻辑状态为假;
若实体类型为检验结果类,找到与该检验结果类实体具有检验结果关系的检验项目类实体,组成检验项目与检验结果实体组合。然后判断患者的检验项目与该检验项目的检验结果是否符合实体组合,若符合则该实体逻辑状态为真;反之,该实体逻辑状态为假。
若实体类型为逻辑节点类,判断与该实体具有直接联合判断关系的所有头实体的逻辑状态是否满足该实体的逻辑要求,确定该实体的逻辑状态;
其中,当实体为与时,与该实体具有直接联合判断关系的所有头实体的逻辑状态均为真时,该实体逻辑状态为真;反之,该实体逻辑状态为假;
当实体为或时,与该实体具有直接联合判断关系的所有头实体的逻辑状态任一为真时,该实体逻辑状态为真;反之,该实体逻辑状态为假;
当实体为非时,与该实体具有直接联合判断关系的所有头实体的逻辑状态均为真时,该实体逻辑状态为假;反之,该实体逻辑状态为真;
当实体为≥n时,与该实体具有直接联合判断关系的所有头实体中大于等于n个实体的逻辑状态为真时,该实体逻辑状态为真;反之,该实体逻辑状态为假;
当所述实体为≤n时,与实体具有直接联合判断关系的所有头实体中小于等于n个实体的逻辑状态为真时,该实体逻辑状态为真;反之,该实体逻辑状态为假;
若实体类型为疾病类,与所述实体具有直接联合判断关系的所有头实体的逻辑状态均为真时,该实体逻辑状态为真;反之,该实体逻辑状态为假。
具体实施例2
病患数据如下:
姓名:张三
性别:男
年龄:46
临床表现:溶骨病变
根据病患的检验项目、检验结果和临床表现数据,找到疾病诊断标准知识图谱中符合病患检验项目的检验结果的实体,以及符合病患临床表现数据的实体,组成第一实体集合;如图2所示局部的疾病诊断标准知识图谱中第一行和第二行所列的实体。
以患者检验项目“骨髓有核细胞分类计数浆细胞” 检验结果为23%为例,在疾病诊断标准知识图谱中找到了“骨髓有核细胞分类计数浆细胞”的检验项目类实体,得到实体1;与实体1“骨髓有核细胞分类计数浆细胞”具有检验结果关系的实体11为“”。实体1和实体11组成了检验项目与检验结果实体组合,即“骨髓有核细胞分类计数浆细胞>15%”;该患者检验项目“骨髓有核细胞分类计数浆细胞”的 检验结果为23%,符合实体组合逻辑,故将实体11放入第一实体集合。
同理,以患者检验项目“骨髓有核细胞分类计数原浆细胞”结果为阳性为例,在疾病诊断标准知识图谱内查找到“骨髓有核细胞分类计数原浆细胞”的检验项目类实体,得到实体2;与实体2“骨髓有核细胞分类计数原浆细胞”具有检验结果关系的实体12为“阳性”。实体2和实体12组成了检验项目与检验结果实体组合“骨髓有核细胞分类计数原浆细胞阳性”;该患者检验项目“骨髓有核细胞分类计数原浆细胞”结果为阳性,符合实体组合逻辑,故将实体12放入第一实体集合。
以患者临床表现“溶骨病变”为例,在疾病诊断标准知识图谱内查找 “溶骨病变”的临床表现类实体,得到实体22,将实体22放入第一实体集合。
同理,遍历患者全部临床表现、检验项目数据,得到第一实体集合{实体11,实体12,实体14,实体15、实体16,实体18,实体19,实体22}。
然后依次以第一实体集合中的实体为起始节点,遍历疾病诊断标准知识图谱,找到该实体通过至少1个联合判断关系能够到达的疾病,形成疑似疾病集合A;如图2所示局部的疾病诊断标准知识图谱中最后1行所列的三种疑似疾病。
以实体11为例,与实体11具有联合判断关系的实体24,与实体24具有联合判断关系的实体25,与实体25具有联合判断关系的实体26,与实体26具有联合判断关系的实体为疾病实体27“多发性骨髓瘤”,将实体27放入疑似疾病集合A;
同理,以实体“12为例,与实体12具有联合判断关系的实体23,与实体23具有联合判断关系的实体24,与实体24具有联合判断关系的实体25,与实体25具有联合判断关系的实体26,与实体26具有联合判断关系的实体为疾病实体27“多发性骨髓瘤” ,此时实体27已存在于A中,无需再处理。
以实体15为例,与实体15具有联合判断关系的实体28,与实体28具有联合判断关系的实体26、29、31,其中与实体26具有联合判断关系的实体为疾病实体27“多发性骨髓瘤”; 与实体29具有联合判断关系的实体为疾病实体30“进展性多发性骨髓瘤”;与实体31具有联合判断关系的实体33,与实体33具有联合判断关系的实体为疾病实体34“不分泌型多发性骨髓瘤”, 将实体34放入疑似疾病集合A;
以相同方法遍历第一实体集合,得到疑似疾病集合A{实体27,实体30,实体34}
下一步,依次以疑似疾病集合A中的疾病为根节点,遍历疾病诊断标准知识图谱,找到通过联合判断关系指向该疾病的所有实体,并与根节点、联合判断关系组成N叉树,记为T;对该N叉树T采用后序遍历法,依次判断N叉树T中的每个实体的逻辑状态,直到获得根节点的逻辑状态;当根节点逻辑状态为真时,根节点为可确诊疾病;反之,根节点为疑似疾病。
如图2所示局部的疾病诊断标准知识图谱,以疑似疾病为多发性骨髓瘤为例,说明该过程如下,所有实体均使用序号代替。
以实体27“多发性骨髓瘤”为根节点,遍历疾病诊断标准知识图谱,通过联合判断关系直接指向疾病实体27“多发性骨髓瘤”的实体有实体26;
针对实体26,通过联合判断关系直接指向实体25的实体为实体25和实体28;
针对实体25,通过联合判断关系直接指向实体25的实体为实体24和实体14;
针对实体24,通过联合判断关系直接指向实体24的实体为实体11和实体23;
针对实体11,没有实体通过联合判断关系指向实体11,实体11为叶子节点。但通过检测结果关系直接指向实体11的实体为实体1;
针对实体23,通过联合判断关系直接指向实体23的实体为实体12和实体13;
针对实体12、13,没有实体通过联合判断关系指向实体12、13,实体12、13为叶子节点。但通过检测结果关系直接指向实体12、13的实体为实体2、3;
针对实体14,没有实体通过联合判断关系指向实体14,实体14为叶子节点。但通过检测结果关系直接指向实体14的实体为4;
针对实体28,通过联合判断关系直接指向实体28的实体为实体15、16、17、18、19、20;
针对实体15、16、17、18、19、20,没有实体通过联合判断关系指向实体15、16、17、18、19、20,实体15、16、17、18、19、20为叶子节点;但通过检测结果关系直接指向实体15、16、17、18、19、20的实体为实体5、6、7、8、9、10;
将找到的所有关系和实体组成N叉树T,如图3所示。然后采用后序遍历法,依次判断N叉树T中的每个实体的逻辑状态。后续遍历的方法为:从根节点开始遍历,针对每一个节点,第一步,如果该节点有子节点,访问该节点的子节点;第二步,将该节点放入返回列表。
首先,针对根节点实体27,,实体27的子节点为实体26;
针对实体26,实体26的子节点为实体25和实体28;
针对实体25,实体25的子节点为实体24和实体14;
针对实体24,实体24的子节点为实体11和实体23;
针对实体11,实体11为叶子节点,没有子节点,将实体11放入返回列表;
针对实体23,实体23的子节点为实体12和实体13;
针对实体12,实体12为叶子节点,没有子节点,将实体12放入返回列表;
针对实体13,实体13为叶子节点,没有子节点,将实体13放入返回列表;
针对实体23,子节点遍历完成,将实体23放入返回列表;
针对实体24,子节点遍历完成,将实体24放入返回列表;
同理,直至根节点实体27放入返回列表,N叉树的后续遍历完成。得到返回列表{实体11,12,13,23,24,14,25,15,16,17,18,19,20,29,26,27}
依照返回列表中实体顺序,判断每一个实体的逻辑状态。
以实体11为例,实体11为检验结果类实体。实体1通过检验结果关系与实体11相连,组成“骨髓有核细胞分类计数浆细胞>15%”的实体组合,患者的检验项目数据中“骨髓有核细胞分类计数浆细胞”值为23%,满足该条件,实体11的逻辑状态为真。同理实体12的逻辑状态为真,实体13的逻辑状态为假。
以实体23为例,实体23为逻辑节点类实体。实体为“或”,与实体23具有直接联合判断关系的实体12逻辑状态为真,实体13逻辑状态为假,实体23的逻辑状态为真。
同理,可得出实体27逻辑状态为真。
同理,疑似疾病集合A中的实体30逻辑状态为假,实体34逻辑状态为真。则实体27多发性骨髓瘤为确诊疾病,实体30进展性多发性骨髓瘤为疑似疾病,实体34不分泌型多发性骨髓瘤为确诊疾病。其中不分泌型多发性骨髓瘤为多发性骨髓瘤更细致的分型,二者同时确诊并不矛盾。
Claims (6)
1.一种基于疾病诊断标准知识图谱的疾病预测方法,其特征在于:包括以下步骤:
S1,构建包含临床表现类实体、检验项目类实体、检验结果类实体、逻辑节点类实体和疾病类实体的疾病诊断标准知识图谱;
S2,找到所述疾病诊断标准知识图谱中与病患检验项目的检测结果相符,以及与病患的临床表现相符的第一实体集合;
S3,依次以所述第一实体集合中的实体为起始节点,遍历疾病诊断标准知识图谱,找到所述实体通过至少1个联合判断关系到达的所述疾病类实体,形成疑似疾病集合A;
S4,依次以所述疑似疾病集合A中的疾病实体为根节点,遍历疾病诊断标准知识图谱,找到通过联合判断关系指向所述疾病实体的所有实体与关系组成的N叉树;
S5,对所述N叉树采用后序遍历法,依次判断N叉树中的每个实体的逻辑状态,直到获得根节点的逻辑状态;
S6,当根节点逻辑状态为真时,根节点为可确诊疾病;反之,根节点为疑似疾病。
2.根据权利要求1所述的基于疾病诊断标准知识图谱的疾病预测方法,其特征在于:所述临床表现类实体是指患有某种疾病后身体发生的异常变化;所述检验项目类实体是指医学检查项目;所述检验结果类实体是指检验项目的值或范围;所述逻辑节点类实体用于表述所述实体的逻辑条件;所述疾病类实体用于表述具体的疾病。
3.根据权利要求1所述的基于疾病诊断标准知识图谱的疾病预测方法,其特征在于:所述逻辑节点类实体包括与、或、非、≥n、≤n,其中n表示满足条件的头实体个数。
4.根据权利要求1所述的基于疾病诊断标准知识图谱的疾病预测方法,其特征在于:所述疾病诊断标准知识图谱中实体与实体之间的关系包括所述联合判断和检验结果关系;联合判断关系是指尾实体的逻辑状态需要依据头实体的逻辑状态来确定的关系;
所述检验结果关系是指所述检验项目类实体与所述检验结果类实体之间的关系。
5.根据权利要求1所述的基于疾病诊断标准知识图谱的疾病预测方法,其特征在于:实体所述逻辑状态判断规则如下:
若实体类型为所述临床表现类,患者的临床表现符合所述实体时,实体逻辑状态为真;反之,实体逻辑状态为假;
若实体类型为检验结果类,判断患者的检验项目与检验项目的检验结果是否符合实体组合,若符合则该实体逻辑状态为真;反之,该实体逻辑状态为假;
若实体类型为所述逻辑节点类,判断与所述实体具有直接联合判断关系的所有头实体的逻辑状态是否符合实体的逻辑要求,确定实体的逻辑状态;
其中,当所述实体为与时,与所述实体具有直接联合判断关系的所有头实体的逻辑状态均为真时,所述实体逻辑状态为真;反之,所述实体逻辑状态为假;
当所述实体为或时,与所述实体具有直接联合判断关系的所有头实体的逻辑状态任一为真时,所述实体逻辑状态为真;反之,所述实体逻辑状态为假;
当所述实体为非时,与所述实体具有直接联合判断关系的所有头实体的逻辑状态均为真时,所述实体逻辑状态为假;反之,所述实体逻辑状态为真;
当所述实体为≥n时,与所述实体具有直接联合判断关系的所有头实体中大于等于n个实体的辑状态为真时,所述实体逻辑状态为真;反之,所述实体逻辑状态为假;
当所述实体为≤n时,与实体具有直接联合判断关系的所有头实体中小于等于n个实体的辑状态为真时,所述实体逻辑状态为真;反之,所述实体逻辑状态为假;
若实体类型为疾病类,与所述实体具有直接联合判断关系的所有头实体的逻辑状态均为真时,所述实体逻辑状态为真;反之,所述实体逻辑状态为假。
6.根据权利要求5所述的基于疾病诊断标准知识图谱的疾病预测方法,其特征在于:所述实体组合是通过所述检验结果关系连接的所述检验项目类实体和所述检验结果类实体构成的实体对。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210998763.4A CN115344713A (zh) | 2022-08-19 | 2022-08-19 | 基于疾病诊断标准知识图谱的疾病预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210998763.4A CN115344713A (zh) | 2022-08-19 | 2022-08-19 | 基于疾病诊断标准知识图谱的疾病预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115344713A true CN115344713A (zh) | 2022-11-15 |
Family
ID=83954442
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210998763.4A Pending CN115344713A (zh) | 2022-08-19 | 2022-08-19 | 基于疾病诊断标准知识图谱的疾病预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115344713A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117690600A (zh) * | 2024-02-01 | 2024-03-12 | 北方健康医疗大数据科技有限公司 | 基于知识图谱的传染病预测方法、系统、终端及存储介质 |
-
2022
- 2022-08-19 CN CN202210998763.4A patent/CN115344713A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117690600A (zh) * | 2024-02-01 | 2024-03-12 | 北方健康医疗大数据科技有限公司 | 基于知识图谱的传染病预测方法、系统、终端及存储介质 |
CN117690600B (zh) * | 2024-02-01 | 2024-04-30 | 北方健康医疗大数据科技有限公司 | 基于知识图谱的传染病预测方法、系统、终端及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Amrhein et al. | The earth is flat (p> 0.05): significance thresholds and the crisis of unreplicable research | |
Husein et al. | Modeling of Epidemic Transmission and Predicting the Spread of Infectious Disease. | |
Chattopadhyay et al. | A Case‐Based Reasoning system for complex medical diagnosis | |
Kahn et al. | Statistical methods in epidemiology | |
Ocampo et al. | Comparing Bayesian inference and case-based reasoning as support techniques in the diagnosis of Acute Bacterial Meningitis | |
CN110600121B (zh) | 一种基于知识图谱病因初步诊断方法 | |
CN109213871A (zh) | 患者信息知识图谱构建方法、可读存储介质和终端 | |
KR20120107750A (ko) | 엔트로피 러프 근사화 기술에 기반한 감별진단을 위한 주요 파라미터 추출방법 및 이를 이용한 통합 임상 의사결정 지원 시스템 | |
Leeds et al. | Albumin level and patient age predict outcomes in patients referred for gastrostomy insertion: internal and external validation of a gastrostomy score and comparison with artificial neural networks | |
Musen et al. | Knowledge engineering for clinical consultation programs: modeling the application area | |
CN115344713A (zh) | 基于疾病诊断标准知识图谱的疾病预测方法 | |
CN114091675A (zh) | 一种溯因推理方法和系统 | |
CN115345246A (zh) | 一种基于t-s模糊语义智能肝癌分期方法及系统 | |
Groumpos | A new mathematical modell for covid-19: a fuzzy cognitive map approach for coronavirus diseases | |
Fang et al. | ISW-LM: An intensive symptom weight learning mechanism for early COVID-19 diagnosis | |
Alshahrni et al. | An intelligent deep convolutional network based COVID-19 detection from chest X-rays | |
Kalankesh et al. | Taming EHR data: using semantic similarity to reduce dimensionality | |
Guzman et al. | Ensemble methods for meningitis aetiology diagnosis | |
Lipkin | The likelihood concept in differential diagnosis | |
Rachmawati et al. | The Comparison between Bayes and Certainty Factor Method of Expert System in Early Diagnosis of Dengue Infection | |
Alsaidi et al. | Exploring analogical inference in healthcare | |
Rodriguez et al. | ADONIS: Automated diagnosis system based on sound and precise logical descriptions | |
Wang et al. | Chinese parents’ caregiving ability for children with haematological malignancies: A latent class analysis | |
Kung et al. | Comparing top-down with bottom-up approaches: Teaching data modeling | |
Roberts et al. | SNOMED CT: a potential powerhouse in the health record revolution |
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 |