CN115497616B - 一种感染性疾病辅助决策的方法、系统、设备及存储介质 - Google Patents

一种感染性疾病辅助决策的方法、系统、设备及存储介质 Download PDF

Info

Publication number
CN115497616B
CN115497616B CN202211311196.7A CN202211311196A CN115497616B CN 115497616 B CN115497616 B CN 115497616B CN 202211311196 A CN202211311196 A CN 202211311196A CN 115497616 B CN115497616 B CN 115497616B
Authority
CN
China
Prior art keywords
suspected
patient
infectious diseases
disease
recommended
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202211311196.7A
Other languages
English (en)
Other versions
CN115497616A (zh
Inventor
林�建
霍瑞
陈春平
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hangzhou Xinglin Information Technology Co ltd
Original Assignee
Hangzhou Xinglin Information Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hangzhou Xinglin Information Technology Co ltd filed Critical Hangzhou Xinglin Information Technology Co ltd
Priority to CN202211311196.7A priority Critical patent/CN115497616B/zh
Publication of CN115497616A publication Critical patent/CN115497616A/zh
Application granted granted Critical
Publication of CN115497616B publication Critical patent/CN115497616B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • G16H50/70—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
    • 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
    • G16H50/80—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for detecting, monitoring or modelling epidemics or pandemics, e.g. flu
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Pathology (AREA)
  • Databases & Information Systems (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Medical Treatment And Welfare Office Work (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

本发明提供一种感染性疾病辅助决策的方法、系统、设备及存储介质，属于医疗信息技术领域，具体包括：获取患者的症状描述信息，并基于患者的症状描述信息进行特征提取得到所述患者的个体特征；基于患者的个体特征，采用患病风险评估模型，至少得到一个疑似感染性疾病及疑似感染性疾病对应的疑似概率；基于疑似感染性疾病生成推荐检查项目，基于推荐检查项目的结果，对疑似感染性疾病及疑似感染性疾病对应的疑似概率进行修正，从而得到疾病辅助诊断结果，从而进一步提升了疾病诊断以及检查项目的准确性。

Description

一种感染性疾病辅助决策的方法、系统、设备及存储介质
技术领域
本发明属于医疗信息技术领域，具体涉及一种感染性疾病辅助决策的方法、系统、设备及存储介质。
背景技术
感染性疾病在感染科、呼吸科、重症监护室这些重点科室高发，针对此类病发性高、病死率高且预后差的感染性症，通常需要医护人员查阅大量相关资料，并通过检测患者的医疗临床数据，从而人为地作出最佳的医疗诊断，确定治疗方案，且目前国内暂无能辅助感染性疾病的决策辅助系统和预警体系。感染性疾病种类丰富，当医生临床经验不足时，一方面，可能需要借助大量的检查项目来进行疾病的诊断，从而延误病情，且给患者带来较多的检查痛苦及产生较多的检查费用；另一方面，不同类型的感染的治疗方案繁杂，容易出现治疗方案失误，存在医疗事故风险。
为了实现对疾病的辅助诊断，在授权发明专利授权公告号CN109599185B《一种疾病数据处理方法、装置、电子设备及计算机可读介质》通过获取疾病数据，所述疾病数据中包括至少一个疾病症状标签；将所述疾病数据进行分词处理，生成词汇集合；通过词汇集合构建症状集合，所述症状集合包括至少一个疾病症状标签；以及将所述症状集合输入诊断模型中以获取疾病分类标识，所述诊断模型为人工神经网络模型，从而提高诊断准确性，为医生的临床诊断提供依据，但是却没有根据患者的症状描述信息构建基本诊断结果，从而进行推荐检查项目的种类的推荐，同时也没有根据推荐检查项目的结果对基本诊断结果进行更新得到最终诊断结果，为临床医生提供可参考的诊断建议以及治疗建议，使得对于疾病诊断的正确性只能依靠临床医生的个人经验，降低了患者诊断的准确性以及其它医疗事故的发生的可能性也大大增加。
基于上述技术问题，需要设计及一种感染性疾病辅助决策的方法、系统、设备及存储介质。
发明内容
本发明的目的是提供一种感染性疾病辅助决策的方法、系统、设备及存储介质。
为了解决上述技术问题，本发明第一方面提供了一种感染性疾病辅助决策的方法，包括：
S11获取患者的症状描述信息，并基于所述患者的症状描述信息进行特征提取得到所述患者的个体特征；
S12基于所述患者的个体特征，采用患病风险评估模型，至少得到一个疑似感染性疾病及所述疑似感染性疾病对应的疑似概率；
S13基于所述疑似感染性疾病生成推荐检查项目，基于所述推荐检查项目的结果，对所述疑似感染性疾病及所述疑似感染性疾病对应的疑似概率进行修正，从而得到疾病辅助诊断结果。
通过基于患者的症状描述信息，实现特征提取得到所述患者的个体特征，在此基础上，通过患病风险评估模型，实现对疑似感染性疾病以及一起概率的确定，具体的可以采用基于神经网络的预测模型或者组合型的预测模型，分别实现对疑似感染性疾病及所述疑似感染性疾病对应的疑似概率的确定，可以基于专家经验或者构建知识库的方式，通过疑似感染性疾病生成推荐检查项目，并根据检查项目的结果，实现对疑似概率以及疑似感染性疾病的修正，从而解决了原来的没有进行推荐检查项目以及基于检查项目的结果进行感染性疾病的修正，使得对于感染性疾病的诊断准确率得到进一步的提升。
通过个人特征的提取，从而使得患病风险评估模型所需要处理的数据量得到进一步的降低，提升了预测的准确性和效率。
通过推荐检查项目的生成，从而可以使得患者可以针对性的闭环的进行检查项目额检查，进一步降低了患者在医院导出寻找检查科室或者检查项目不准确导致的接触人群更多，降低了疾病传播的风险。
通过对所述疑似感染性疾病及所述疑似感染性疾病对应的疑似概率进行修正，从而使得最终的诊断结果更具有针对性和准确性，也使得疾病的诊断结果能够更好的应用于临床。
进一步的技术方案在于，提取得到患者的个体特征的具体步骤为：
S21获取所述患者的症状描述信息，对所述症状描述信息进行关键字提取，得到疾病关键字；
S22对所述疾病关键字进行数据清洗，筛选得到能够与用户健康有关的核心关键字；
S23基于所述核心关键字实现所述患者的个体特征的提取。
通过数据清洗，从而进一步降低了患病风险评估模型需要处理的数据的维度，同时也提升了数据的准确性和针对性，使得预测的效率和准确性都得到了进一步的提升。
进一步的技术方案在于，根据权威医学指南、专家共识、医学期刊建立感染病相关知识库，并基于所述感染病相关知识库实现对所述疾病关键字的数据清洗。
进一步的技术方案在于，所述患者风险评估模型采用基于随机森林算法和PSO-SVM算法相结合的评估模型，其中所述患者风险评估模型构建的具体步骤为：
S31基于所述患者的个体特征，将所述患者的个体特征传输至基于随机森林算法的评估模型，至少得到一个疑似感染性疾病；
S32提取所述患者的流行病史以及所述疑似感染性疾病，采用基于PSO-SVM算法的概率预测模型，得到所述疑似感染性疾病对应的疑似概率，所述患者的流行病史包括接触所述疑似感染性疾病的感染人员的次数以及时间；
S33基于所述疑似感染性疾病及所述疑似感染性疾病对应的疑似概率得到所述患者风险评估模型的输出。
通过分步骤的进行疑似感染性疾病以及疑似感染性疾病对应的疑似效率的确定，从而结合了随机森林算法以及SVM算法的优势，并且进一步结合患者的流行病史，也使得感染性疾病对应的疑似概率的判断变得更加准确。
进一步的技术方案在于，采用基于PSO算法对所述SVM算法的惩罚参数和高斯核参数进行寻优，其中所述PSO算法的惯性权重的计算公式为：
Figure BDA0003907414030000031
其中t为当前迭代次数，Tmax为最大迭代次数阈值，ws为初始个体的惯性权重，此时的惯性权重最大，wed为最大迭代次数时个体的惯性权重，此时的惯性权重最小，w(t)为第t次迭代时的惯性权重。
通过对惯性权重的修正，从而使得PSO算法的惯性权重能够逐渐变化，既保证了较好的寻优速率，也保证了较好的精度。
进一步的技术方案在于，还包括第一概率阈值，当且仅当所述疑似感染性疾病对应的疑似概率大于第一概率阈值时，才能基于所述疑似感染性疾病生成推荐检查项目，其中所述第一概率阈值的计算公式为：
Figure BDA0003907414030000032
其中K1、K2、K3为常数，G、H分别为根据所述疑似感染性疾病的威海程度确定的权值、根据患者的身体情况确定的权值，取值范围在0到1之间，a1为常数，取值在0到1之间,J为固定概率阈值，取值为60％。
通过第一概率阈值的设定，从而使得高概率的情况下才进行推荐检查项目的生成，防止由于推荐检查项目的不够准确，导致的感染性风险增加以及患者的经济压力更大的技术问题的出现。
进一步的技术方案在于，所述推荐检查项目生成的具体步骤为：
S41建立感染疾病辅助诊断知识库，根据医学指南、医学期刊建立感染疾病辅助诊断知识库，对应感染性疾病预编写决策辅助方案，包括用药方案、治疗科室选择、推荐潜在检查项目；
S42基于所述疑似感染性疾病与所述感染疾病辅助诊断知识库的匹配结果，输出推荐潜在检查项目，并根据所述推荐潜在检查项目的准确度以及所述疑似感染性疾病的疑似概率，得到所述推荐潜在检查项目的客观度，并按照所述推荐潜在检查项目的客观度进行推荐潜在检查项目的排序，其中所述推荐潜在检查项目的准确度根据专家打分的方式确定；
S43基于所述推荐潜在检查项目的客观度，医生进行推荐检查项目的筛选。
通过结合推荐潜在检查项目的准确度以及疑似感染性疾病的疑似概率得到推荐潜在检查项目的客观度，从而可以使得更为准确的推荐潜在检查项目能够优先被执行，进一步提升了检查的效率。
另一方面，本发明提供了一种感染性疾病辅助决策系统，采用上述的一种感染性疾病辅助决策方法，包括个体特征提取模块，疑似概率计算模块，辅助诊断结果确定模块；
其中所述个体特征提取模块负责提取得到所述患者的个体特征；
所述疑似概率计算模块负责得到疑似感染性疾病及所述疑似感染性疾病对应的疑似概率；
所述辅助诊断结果确定模块负责得到疾病辅助诊断结果。
另一方面，一种电子设备，其特征在于，包括存储器及处理器，所述存储器中储存有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行上述的一种感染性疾病辅助决策方法的步骤。
另一方面，一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被执行时实现上述的一种感染性疾病辅助决策方法。
其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
通过参照附图详细描述其示例实施方式，本发明的上述和其它特征及优点将变得更加明显。
图1是根据实施例1的一种感染性疾病辅助决策的方法的流程图；
图2是实施例2中的一种感染性疾病辅助决策系统的框架图；
图3是实施例3中的一种电子设备的框架图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的实施方式；相反，提供这些实施方式使得本发明将全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。图中相同的附图标记表示相同或类似的结构，因而将省略它们的详细描述。
用语“一个”、“一”、“该”、“所述”用以表示存在一个或多个要素/组成部分/等；用语“包括”和“具有”用以表示开放式的包括在内的意思并且是指除了列出的要素/组成部分/等之外还可存在另外的要素/组成部分/等。
实施例1
为解决上述问题，根据本发明的一个方面，如图1所示，提供了一种感染性疾病辅助决策的方法，包括：
S11获取患者的症状描述信息，并基于所述患者的症状描述信息进行特征提取得到所述患者的个体特征；
具体的举个例子，症状描述信息为我感觉这两天嗓子疼，最近一周存在发烧情况，最高38.6，则个体特征为38.6，嗓子疼、发烧。
具体的举个例子，还可以从医院信息管理系统中获取感染性疾病患者的医疗数据，对患者所患感染性疾病进行分类，再对得到的医疗数据进行清洗和处理，并与现有的个体特征相结合，得到患者的个体特征；
具体的举个例子，所述医院信息管理系统包含但不限于医院信息系统HIS、医学影像存档与通讯系统PACS、实验室信息系统LIS。
S12基于所述患者的个体特征，采用患病风险评估模型，至少得到一个疑似感染性疾病及所述疑似感染性疾病对应的疑似概率；
具体的举个例子，通过获取各种感染性疾病的患病人群的个体特征作为训练样本，通过深度学习与机器学习方法进行训练，生成对应疾病的患病风险评估模型。
具体的举个例子，从获取的个体特征中，选取疑似感染患者进展为脓毒症前的个体特征的随机变量，且输入随机变量所组成大量不同的训练集，然后这些训练集进行组合，组成不同的决策树，每一株决策树都由一个独立的数据集所生成，最后对生成的所有决策树结果进行投票，得到最终的投票率。
应用R语言的Boruta包进行特征选取(Boruta是RF周围的一种特征选取包装算法)
boruta算法运行的步骤：
1)经过构建混合副本的全部特征(即阴影特征)对原有数据集的随机性进行补充；
2)训练一个基于RF分组的拓展数据集，进一步通过特征重要性举措来评价每一特征的重要性，分值越高表明越重要；
3)每次迭代中，均对每一入选特征是否比最大的阴影特征拥有更佳的重要性进行核对，同时将其认为极度不重要的特征予以去除；
4)最终，当全部特征表现出确认或拒绝，或算法进行至RF运转的一个划定限度，算法截止。
参照随机森林模型确定的与患者患感染性疾病的独立危险因素，简化并确定纳入最终评分系统的预测变量，并将连续型变量状转化为二分类变量，根据最终纳入评分系统各变量的比值比确定最终每项变量所得分数。
具体的举个例子，其中，所述个体特征包括疾病的病史、体格检查、初始检查、其他检查、鉴别诊断以及诊断标准等信息。
S13基于所述疑似感染性疾病生成推荐检查项目，基于所述推荐检查项目的结果，对所述疑似感染性疾病及所述疑似感染性疾病对应的疑似概率进行修正，从而得到疾病辅助诊断结果。
具体的举个例子，当推荐检查项目的结果为不存在感染性疾病时，则此时疑似感染性疾病及所述疑似感染性疾病对应的疑似概率的修正结果为不存在以及0。
具体的举个例子，其中，通过所述风险预测模型根据获得的至少一项所述推荐检查项目的检查数据更新所述疑似疾病及各更新的所述疑似感染性疾病对应的疑似概率；所述推荐检查项目根据更新的所述疑似疾病进行更新，所述疑似疾病根据更新的所述推荐检查项目的检查数据进行更新，直至获得最终的预测疾病；
具体的举个例子，根据预测患者感染感染性疾病，从感染性疾病数据库中获取对应治疗康复方案，获取的治疗康复方案通过第三方系统同步给医生团队和患者的移动终端。
通过基于患者的症状描述信息，实现特征提取得到所述患者的个体特征，在此基础上，通过患病风险评估模型，实现对疑似感染性疾病以及一起概率的确定，具体的可以采用基于神经网络的预测模型或者组合型的预测模型，分别实现对疑似感染性疾病及所述疑似感染性疾病对应的疑似概率的确定，可以基于专家经验或者构建知识库的方式，通过疑似感染性疾病生成推荐检查项目，并根据检查项目的结果，实现对疑似概率以及疑似感染性疾病的修正，从而解决了原来的没有进行推荐检查项目以及基于检查项目的结果进行感染性疾病的修正，使得对于感染性疾病的诊断准确率得到进一步的提升。
通过个人特征的提取，从而使得患病风险评估模型所需要处理的数据量得到进一步的降低，提升了预测的准确性和效率。
通过推荐检查项目的生成，从而可以使得患者可以针对性的闭环的进行检查项目额检查，进一步降低了患者在医院导出寻找检查科室或者检查项目不准确导致的接触人群更多，降低了疾病传播的风险。
通过对所述疑似感染性疾病及所述疑似感染性疾病对应的疑似概率进行修正，从而使得最终的诊断结果更具有针对性和准确性，也使得疾病的诊断结果能够更好的应用于临床。
在另外一种可能的实施例中，提取得到患者的个体特征的具体步骤为：
S21获取所述患者的症状描述信息，对所述症状描述信息进行关键字提取，得到疾病关键字；
S22对所述疾病关键字进行数据清洗，筛选得到能够与用户健康有关的核心关键字；
具体的举个例子，数据清洗：移除所述无重复数据项集合中与健康信息无关的数据项，得到包含复数个与用户健康有关的特征项的用户的个体特征。
S23基于所述核心关键字实现所述患者的个体特征的提取。
通过数据清洗，从而进一步降低了患病风险评估模型需要处理的数据的维度，同时也提升了数据的准确性和针对性，使得预测的效率和准确性都得到了进一步的提升。
在另外一种可能的实施例中，根据权威医学指南、专家共识、医学期刊建立感染病相关知识库，并基于所述感染病相关知识库实现对所述疾病关键字的数据清洗。
在另外一种可能的实施例中，所述患者风险评估模型采用基于随机森林算法和PSO-SVM算法相结合的评估模型，其中所述患者风险评估模型构建的具体步骤为：
S31基于所述患者的个体特征，将所述患者的个体特征传输至基于随机森林算法的评估模型，至少得到一个疑似感染性疾病；
S32提取所述患者的流行病史以及所述疑似感染性疾病，采用基于PSO-SVM算法的概率预测模型，得到所述疑似感染性疾病对应的疑似概率，所述患者的流行病史包括接触所述疑似感染性疾病的感染人员的次数以及时间；
具体的举个例子，当接触所述疑似感染性疾病的感染人员的次数以及时间分别为3次，3次的时间分别为2小时，10分钟，30分钟，则将3、120分钟、10分钟、30分钟作为患者的流行病史。
S33基于所述疑似感染性疾病及所述疑似感染性疾病对应的疑似概率得到所述患者风险评估模型的输出。
通过分步骤的进行疑似感染性疾病以及疑似感染性疾病对应的疑似效率的确定，从而结合了随机森林算法以及SVM算法的优势，并且进一步结合患者的流行病史，也使得感染性疾病对应的疑似概率的判断变得更加准确。
在另外一种可能的实施例中，采用基于PSO算法对所述SVM算法的惩罚参数和高斯核参数进行寻优，其中所述PSO算法的惯性权重的计算公式为：
Figure BDA0003907414030000081
其中t为当前迭代次数，Tmax为最大迭代次数阈值，ws为初始个体的惯性权重，此时的惯性权重最大，wed为最大迭代次数时个体的惯性权重，此时的惯性权重最小，w(t)为第t次迭代时的惯性权重。
通过对惯性权重的修正，从而使得PSO算法的惯性权重能够逐渐变化，既保证了较好的寻优速率，也保证了较好的精度。
在另外一种可能的实施例中，还包括第一概率阈值，当且仅当所述疑似感染性疾病对应的疑似概率大于第一概率阈值时，才能基于所述疑似感染性疾病生成推荐检查项目，其中所述第一概率阈值的计算公式为：
Figure BDA0003907414030000091
其中K1、K2、K3为常数，G、H分别为根据所述疑似感染性疾病的威海程度确定的权值、根据患者的身体情况确定的权值，取值范围在0到1之间，a1为常数，取值在0到1之间,J为固定概率阈值，取值为60％。
通过第一概率阈值的设定，从而使得高概率的情况下才进行推荐检查项目的生成，防止由于推荐检查项目的不够准确，导致的感染性风险增加以及患者的经济压力更大的技术问题的出现。
在另外一种可能的实施例中，所述推荐检查项目生成的具体步骤为：
S41建立感染疾病辅助诊断知识库，根据医学指南、医学期刊建立感染疾病辅助诊断知识库，对应感染性疾病预编写决策辅助方案，包括用药方案、治疗科室选择、推荐潜在检查项目；
S42基于所述疑似感染性疾病与所述感染疾病辅助诊断知识库的匹配结果，输出推荐潜在检查项目，并根据所述推荐潜在检查项目的准确度以及所述疑似感染性疾病的疑似概率，得到所述推荐潜在检查项目的客观度，并按照所述推荐潜在检查项目的客观度进行推荐潜在检查项目的排序，其中所述推荐潜在检查项目的准确度根据专家打分的方式确定；
具体的举个例子，通过血液检查的准确度为50％，通过CT检查的准确度为70％，疑似概率为90％，则客观度分别为45％以及63％。
S43基于所述推荐潜在检查项目的客观度，医生进行推荐检查项目的筛选。
通过结合推荐潜在检查项目的准确度以及疑似感染性疾病的疑似概率得到推荐潜在检查项目的客观度，从而可以使得更为准确的推荐潜在检查项目能够优先被执行，进一步提升了检查的效率。
实施例2
如图2所示，本申请实施例中提供本发明提供了一种感染性疾病辅助决策系统，采用上述的一种感染性疾病辅助决策方法，包括个体特征提取模块，疑似概率计算模块，辅助诊断结果确定模块；
其中所述个体特征提取模块负责提取得到所述患者的个体特征；
所述疑似概率计算模块负责得到疑似感染性疾病及所述疑似感染性疾病对应的疑似概率；
所述辅助诊断结果确定模块负责得到疾病辅助诊断结果。
实施例3
如图3所示，一种电子设备，其特征在于，包括存储器及处理器，所述存储器中储存有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行上述的一种感染性疾病辅助决策方法的步骤。
实施例4
一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被执行时实现上述的一种感染性疾病辅助决策方法。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统和方法，也可以通过其它的方式实现。以上所描述的系统实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本发明的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品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)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上述依据本发明的理想实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项发明技术思想的范围内，进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。

Claims (4)

1.一种感染性疾病辅助决策的方法，其特征在于，具体包括：
S11获取患者的症状描述信息，并基于所述患者的症状描述信息进行特征提取得到所述患者的个体特征；
S12基于所述患者的个体特征，采用患病风险评估模型，至少得到一个疑似感染性疾病及所述疑似感染性疾病对应的疑似概率；
S13基于所述疑似感染性疾病生成推荐检查项目，基于所述推荐检查项目的结果，对所述疑似感染性疾病及所述疑似感染性疾病对应的疑似概率进行修正，从而得到疾病辅助诊断结果；
提取得到患者的个体特征的具体步骤为：
S21获取所述患者的症状描述信息，对所述症状描述信息进行关键字提取，得到疾病关键字；
S22对所述疾病关键字进行数据清洗，筛选得到能够与用户健康有关的核心关键字；
S23基于所述核心关键字实现所述患者的个体特征的提取；
根据权威医学指南、专家共识、医学期刊建立感染病相关知识库，并基于所述感染病相关知识库实现对所述疾病关键字的数据清洗；
所述患者风险评估模型采用基于随机森林算法和PSO-SVM算法相结合的评估模型，其中所述患者风险评估模型构建的具体步骤为：
S31基于所述患者的个体特征，将所述患者的个体特征传输至基于随机森林算法的评估模型，至少得到一个疑似感染性疾病；
S32提取所述患者的流行病史以及所述疑似感染性疾病，采用基于PSO-SVM算法的概率预测模型，得到所述疑似感染性疾病对应的疑似概率，所述患者的流行病史包括接触所述疑似感染性疾病的感染人员的次数以及时间；
S33基于所述疑似感染性疾病及所述疑似感染性疾病对应的疑似概率得到所述患者风险评估模型的输出；
采用基于PSO算法对所述SVM算法的惩罚参数和高斯核参数进行寻优，其中所述PSO算法的惯性权重的计算公式为：
Figure FDA0004173100820000011
其中t为当前迭代次数，ws为初始个体的惯性权重，此时的惯性权重最大，wed为最大迭代次数时个体的惯性权重，此时的惯性权重最小，w(t)为第t次迭代时的惯性权重；
还包括第一概率阈值，当且仅当所述疑似感染性疾病对应的疑似概率大于第一概率阈值时，才能基于所述疑似感染性疾病生成推荐检查项目，其中所述第一概率阈值的计算公式为：
Figure FDA0004173100820000021
其中K1、K2、K3为常数，G、H分别为根据所述疑似感染性疾病的威海程度确定的权值、根据患者的身体情况确定的权值，取值范围在0到1之间，a1为常数，取值在0到1之间,J为固定概率阈值，取值为60％；
所述推荐检查项目生成的具体步骤为：
S41建立感染疾病辅助诊断知识库，根据医学指南、医学期刊建立感染疾病辅助诊断知识库，对应感染性疾病预编写决策辅助方案，包括用药方案、治疗科室选择、推荐潜在检查项目；
S42基于所述疑似感染性疾病与所述感染疾病辅助诊断知识库的匹配结果，输出推荐潜在检查项目，并根据所述推荐潜在检查项目的准确度以及所述疑似感染性疾病的疑似概率，得到所述推荐潜在检查项目的客观度，并按照所述推荐潜在检查项目的客观度进行推荐潜在检查项目的排序，其中所述推荐潜在检查项目的准确度根据专家打分的方式确定；
S43基于所述推荐潜在检查项目的客观度，医生进行推荐检查项目的筛选。
2.一种感染性疾病辅助决策系统，采用权利要求1所述的一种感染性疾病辅助决策方法，包括个体特征提取模块，疑似概率计算模块，辅助诊断结果确定模块；
其中所述个体特征提取模块负责提取得到所述患者的个体特征；
所述疑似概率计算模块负责得到疑似感染性疾病及所述疑似感染性疾病对应的疑似概率；
所述辅助诊断结果确定模块负责得到疾病辅助诊断结果。
3.一种电子设备，其特征在于，包括存储器及处理器，所述存储器中储存有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行权利要求1所述的一种感染性疾病辅助决策方法的步骤。
4.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被执行时实现权利要求1所述的一种感染性疾病辅助决策方法。
CN202211311196.7A 2022-10-25 2022-10-25 一种感染性疾病辅助决策的方法、系统、设备及存储介质 Active CN115497616B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211311196.7A CN115497616B (zh) 2022-10-25 2022-10-25 一种感染性疾病辅助决策的方法、系统、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211311196.7A CN115497616B (zh) 2022-10-25 2022-10-25 一种感染性疾病辅助决策的方法、系统、设备及存储介质

Publications (2)

Publication Number Publication Date
CN115497616A CN115497616A (zh) 2022-12-20
CN115497616B true CN115497616B (zh) 2023-05-23

Family

ID=84474231

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211311196.7A Active CN115497616B (zh) 2022-10-25 2022-10-25 一种感染性疾病辅助决策的方法、系统、设备及存储介质

Country Status (1)

Country Link
CN (1) CN115497616B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115691827B (zh) * 2023-01-04 2023-04-07 成都信通网易医疗科技发展有限公司 一种确定疑似感染病患的方法和存储介质
CN116030984B (zh) * 2023-03-31 2023-06-09 武汉携康智能健康设备有限公司 一种基于智能健康站的用户体检系统及体检方法
CN116206774B (zh) * 2023-04-27 2023-07-14 深圳市浩然盈科通讯科技有限公司 一种结合大数据自动匹配护理治疗方案的方法及系统
CN116631638B (zh) * 2023-05-11 2023-12-12 上海麦色医疗科技有限公司 一种基于人工智能的医疗数据多通路搜索系统
CN117497192A (zh) * 2024-01-03 2024-02-02 厦门培邦信息科技有限公司 基于病患信息的全病程管理平台的应用方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111599488A (zh) * 2020-05-19 2020-08-28 万达信息股份有限公司 一种智能问诊实现方法、系统和存储介质
KR20210084931A (ko) * 2019-12-30 2021-07-08 이상식 건강 진단 시스템
CN113948201A (zh) * 2021-09-29 2022-01-18 新瑞鹏宠物医疗集团有限公司 临床决策辅助方法及系统

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107403067A (zh) * 2017-07-31 2017-11-28 京东方科技集团股份有限公司 基于医学知识库的智能分诊服务器、终端及系统
US11138473B1 (en) * 2018-07-15 2021-10-05 University Of South Florida Systems and methods for expert-assisted classification
CN109599185B (zh) * 2018-11-14 2021-05-25 金色熊猫有限公司 疾病数据处理方法、装置、电子设备及计算机可读介质
JP2020126284A (ja) * 2019-02-01 2020-08-20 コニカミノルタ株式会社 情報処理装置、診断支援システム及びプログラム
CN110111884B (zh) * 2019-04-30 2021-08-24 杭州电子科技大学 一种基于cmkmc的人机协同智慧医疗辅助决策系统
CN112259245B (zh) * 2020-10-21 2023-07-25 平安科技（深圳）有限公司 待检查项确定方法、装置、设备及计算机可读存储介质
CN113724858A (zh) * 2021-08-31 2021-11-30 平安国际智慧城市科技股份有限公司 基于人工智能的疾病检查项目推荐设备、方法及装置
CN114093448B (zh) * 2021-11-24 2022-07-01 首都医科大学附属北京天坛医院 一种疾病风险预测模型的构建方法
CN115222007B (zh) * 2022-05-31 2023-06-20 复旦大学 面向胶质瘤多任务一体化网络的改进粒子群参数优化方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20210084931A (ko) * 2019-12-30 2021-07-08 이상식 건강 진단 시스템
CN111599488A (zh) * 2020-05-19 2020-08-28 万达信息股份有限公司 一种智能问诊实现方法、系统和存储介质
CN113948201A (zh) * 2021-09-29 2022-01-18 新瑞鹏宠物医疗集团有限公司 临床决策辅助方法及系统

Also Published As

Publication number Publication date
CN115497616A (zh) 2022-12-20

Similar Documents

Publication Publication Date Title
CN115497616B (zh) 一种感染性疾病辅助决策的方法、系统、设备及存储介质
US9165116B2 (en) Patient data mining
US20180322954A1 (en) Method and device for constructing medical knowledge graph and assistant diagnosis method
CN106845147B (zh) 医学经验总结模型的建立方法、装置
KR20170061222A (ko) 건강데이터 패턴의 일반화를 통한 건강수치 예측 방법 및 그 장치
CN102156812A (zh) 基于症状相似度分析的就医辅助决策方法
Yan et al. Selecting critical clinical features for heart diseases diagnosis with a real-coded genetic algorithm
CN112541066B (zh) 基于文本结构化的医技报告检测方法及相关设备
Grundmeier et al. Identification of long bone fractures in radiology reports using natural language processing to support healthcare quality improvement
US20210174968A1 (en) Visualization of Social Determinants of Health
Al-Mualemi et al. A deep learning-based sepsis estimation scheme
CN118116578A (zh) 基于GPT-4和LangChain的药品推荐方法
CN112435745B (zh) 就诊策略推荐方法、装置、电子设备及存储介质
CN110610766A (zh) 基于症状特征权重推导疾病概率的装置和存储介质
CN112635050B (zh) 诊断推荐方法及电子设备、存储装置
Aydogan A hybrid deep neural network‐based automated diagnosis system using x‐ray images and clinical findings
Dong et al. A hybrid approach to identifying key factors in environmental health studies
Gehlot et al. C-LVQ: A Convolutional Neural Network with Learning Vector Quantization for the Diagnosis of Covid-19
CN114627993A (zh) 信息预测方法、装置、存储介质及计算机设备
JP2021189093A (ja) 自己免疫性水疱症の診断装置
CN110289065A (zh) 一种辅助生成医学电子报告的控制方法以及装置
CN117766137B (zh) 一种基于强化学习的医疗诊断结果确定方法和装置
Hong et al. Natural language processing to detect cognitive concerns in electronic health records using deep learning
Maniar et al. Improving Clinical Efficiency and Reducing Medical Errors through NLP-enabled diagnosis of Health Conditions from Transcription Reports
CN110827945B (zh) 一种基于医学数据生成关键因子的控制方法

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