CN116825334A - 一种疾病诊断排序方法及相关装置 - Google Patents
一种疾病诊断排序方法及相关装置 Download PDFInfo
- Publication number
- CN116825334A CN116825334A CN202311094814.1A CN202311094814A CN116825334A CN 116825334 A CN116825334 A CN 116825334A CN 202311094814 A CN202311094814 A CN 202311094814A CN 116825334 A CN116825334 A CN 116825334A
- Authority
- CN
- China
- Prior art keywords
- disease
- diagnosis
- performance
- knowledge base
- current
- 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
- 201000010099 disease Diseases 0.000 title claims abstract description 522
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 522
- 238000003745 diagnosis Methods 0.000 title claims abstract description 179
- 238000012163 sequencing technique Methods 0.000 title claims abstract description 62
- 230000014509 gene expression Effects 0.000 claims abstract description 60
- 238000000034 method Methods 0.000 claims abstract description 49
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 abstract description 13
- 238000004422 calculation algorithm Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 10
- 239000004973 liquid crystal related substance Substances 0.000 description 10
- 238000010801 machine learning Methods 0.000 description 10
- 238000004590 computer program Methods 0.000 description 9
- 208000009525 Myocarditis Diseases 0.000 description 8
- 208000004731 long QT syndrome Diseases 0.000 description 8
- 230000006870 function Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000003748 differential diagnosis Methods 0.000 description 5
- 238000013473 artificial intelligence Methods 0.000 description 4
- 206010000891 acute myocardial infarction Diseases 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000002861 ventricular Effects 0.000 description 3
- 206010020772 Hypertension Diseases 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000000747 cardiac effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 206010020871 hypertrophic cardiomyopathy Diseases 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 208000031225 myocardial ischemia Diseases 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000002604 ultrasonography Methods 0.000 description 2
- 235000017166 Bambusa arundinacea Nutrition 0.000 description 1
- 235000017491 Bambusa tulda Nutrition 0.000 description 1
- 241001330002 Bambuseae Species 0.000 description 1
- 208000006029 Cardiomegaly Diseases 0.000 description 1
- 235000015334 Phyllostachys viridis Nutrition 0.000 description 1
- 201000005180 acute myocarditis Diseases 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 239000011425 bamboo Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011841 epidemiological investigation Methods 0.000 description 1
- 230000007717 exclusion Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000008719 thickening Effects 0.000 description 1
Classifications
-
- 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
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明公开了一种疾病诊断排序方法及相关装置,预先配置疾病知识库,疾病知识包括:疾病、疾病表现、是否命中和效能级别,包括:将当前疾病表现与疾病知识库中的疾病表现进行匹配,得到与当前疾病表现匹配的疾病表现集合;确定疾病表现集合中的各个疾病表现是否命中疾病,将命中的疾病作为可疑诊断集合;确定可疑诊断集合中各个疾病相关的疾病表现的能效级别,将能效级别相同的疾病表现对应的疾病划分为同一诊断分组;依据每个诊断分组中对应的能效级别和疾病表现的命中数量对各个疾病进行排序,得到疾病诊断排序结果,上述过程,预先建立疾病知识库,可以实现对不同疾病进行诊断,并针对可能的各个疾病进行排序,实现了对通用疾病的诊断。
Description
技术领域
本发明涉及数据处理技术领域,尤其涉及一种疾病诊断排序方法及相关装置。
背景技术
随着电子病历的广泛普及,以及近年来医疗人工智能和数字诊疗产品的迅速发展,大量辅助诊疗的技术和产品应运而生。针对单一疾病或者少量疾病诊断的人工智能算法如雨后春笋,其基本原理是采用机器学习算法通过大量数据训练数量不等的特征和标签构成模型,特征即选中的患者疾病表现,作为输入;标签即单一诊断或者若干已知且有限的诊断,作为输出。
但是,每个机器学习算法仅可用于既定疾病的诊断,例如用于诊断高血压的算法无法用于诊断心肌缺血。可见,当前的机器学习算法仅能输出一种疾病的诊断结果。
发明内容
有鉴于此,本发明提供了一种疾病诊断排序方法及相关装置,用于解决当前的机器学习算法仅能输出一种疾病的诊断结果的问题。具体方案如下:
一种疾病诊断排序方法,预先配置疾病知识库,其中,所述疾病知识库包括:疾病、疾病表现、是否命中和效能级别,所述效能级别包括:确诊、高度可能、中度可能和低度可能,所述方法包括:
获取患者的当前疾病表现,将所述当前疾病表现与所述疾病知识库中的疾病表现进行匹配,得到与所述当前疾病表现匹配的疾病表现集合;
遍历所述疾病知识库,确定所述疾病表现集合中的各个疾病表现是否命中疾病,将命中的疾病作为可疑诊断集合;
遍历所述疾病知识库,确定所述可疑诊断集合中各个疾病相关的疾病表现的效能级别,将能效级别相同的疾病表现对应的疾病划分为同一诊断分组;
针对每个诊断分组,依据其对应的能效级别和疾病表现的命中数量对各个疾病进行排序,得到疾病诊断排序结果。
上述的方法,可选的,获取患者的当前疾病表现,包括:
获取患者的身份信息;
遍历病历系统,查找与所述身份信息匹配的病历资料;
获取所述病历资料中所述患者的当前疾病表现。
上述的方法,可选的,遍历所述疾病知识库,确定所述疾病表现集合中的各个疾病表现是否命中疾病,将命中的疾病作为可疑诊断集合,包括:
针对所述疾病表现集合中的每个疾病表现,遍历所述疾病知识库,查找与其对应的标识;
基于所述标识判断对应的疾病表现是否命中疾病;
在当前疾病表现命中的情况下,将所述当前疾病表现添加到可疑诊断集合中。
上述的方法,可选的,针对每个诊断分组,依据其对应的能效级别和疾病表现的命中数量对各个疾病进行排序,得到疾病诊断排序结果,包括:
遍历各个诊断分组,依据能效级别对所述各个诊断分组进行排序,得到分组排序结果;
在所述分组排序结果中,针对每个诊断分组,依据所述疾病知识库,确定每个疾病表现对应的疾病,统计每个疾病中疾病表现的命中数量,依据所述命中数量对各个疾病进行降序排列,得到每个诊断分组的疾病排序结果;
依据所述分组排序结果和每个诊断分组的疾病排序结果,确定疾病诊断排序结果。
上述的方法,可选的,还包括:
若当前疾病分组中存在疾病表现命中数量相同的疾病,确定所述当前疾病分组所属能效等级,在所述疾病知识库中查找该能效等级下每个疾病对应的疾病表现的总数量;
分别计算每个疾病的命中数量和总数量的比值;
基于所述比值确定命中数量相同的疾病的排序。
一种疾病诊断排序装置,预先配置疾病知识库,其中,所述疾病知识库包括:疾病、疾病表现、是否命中和效能级别,所述效能级别包括:确诊、高度可能、中度可能和低度可能,所述装置包括:
获取和匹配模块,用于获取患者的当前疾病表现,将所述当前疾病表现与所述疾病知识库中的疾病表现进行匹配,得到与所述当前疾病表现匹配的疾病表现集合;
确定模块,用于遍历所述疾病知识库,确定所述疾病表现集合中的各个疾病表现是否命中疾病,将命中的疾病作为可疑诊断集合;
确定和划分模块,用于遍历所述疾病知识库,确定所述可疑诊断集合中各个疾病相关的疾病表现的效能级别,将能效级别相同的疾病表现对应的疾病划分为同一诊断分组;
排序模块,用于针对每个诊断分组,依据其对应的能效级别和疾病表现的命中数量对各个疾病进行排序,得到疾病诊断排序结果。
上述的装置,可选的,所述获取和匹配模块包括:
第一获取单元,用于获取患者的身份信息;
第一查找单元,用于遍历病历系统,查找与所述身份信息匹配的病历资料;
第二获取单元,用于获取所述病历资料中所述患者的当前疾病表现。
上述装置,可选的,所述确定模块包括:
第二查找单元,用于针对所述疾病表现集合中的每个疾病表现,遍历所述疾病知识库,查找与其对应的标识;
判断单元,用于基于所述标识判断对应的疾病表现是否命中疾病;
添加单元,用于在当前疾病表现命中的情况下,将所述当前疾病表现添加到可疑诊断集合中。
上述的装置,可选的,所述排序模块包括:
第一排序单元,用于遍历各个诊断分组,依据能效级别对所述各个诊断分组进行排序,得到分组排序结果;
第二排序单元,用于在所述分组排序结果中,针对每个诊断分组,依据所述疾病知识库,确定每个疾病表现对应的疾病,统计每个疾病中疾病表现的命中数量,依据所述命中数量对各个疾病进行降序排列,得到每个诊断分组的疾病排序结果;
第一确定单元,用于依据所述分组排序结果和每个诊断分组的疾病排序结果,确定疾病诊断排序结果。
上述的装置,可选的,还包括:
第三查找单元,用于若当前疾病分组中存在疾病表现命中数量相同的疾病,确定所述当前疾病分组所属能效等级,在所述疾病知识库中查找该能效等级下每个疾病对应的疾病表现的总数量;
计算单元,用于分别计算每个疾病的命中数量和总数量的比值;
第二确定单元,用于基于所述比值确定命中数量相同的疾病的排序。
一种存储介质,所述存储介质包括存储的程序,其中,所述程序执行上述的疾病诊断排序方法。
一种处理器,所述处理器用于运行程序,其中,所述程序运行时执行上述的疾病诊断排序方法。
与现有技术相比,本发明包括以下优点:
本发明公开了一种疾病诊断排序方法及相关装置,预先配置疾病知识库,疾病知识包括:疾病、疾病表现、是否命中和效能级别,包括:将当前疾病表现与疾病知识库中的疾病表现进行匹配,得到与当前疾病表现匹配的疾病表现集合;确定疾病表现集合中的各个疾病表现是否命中疾病,将命中的疾病作为可疑诊断集合;确定可疑诊断集合中各个疾病相关的疾病表现的能效级别,将能效级别相同的疾病表现对应的疾病划分为同一诊断分组;依据每个诊断分组中对应的能效级别和疾病表现的命中数量对各个疾病进行排序,得到疾病诊断排序结果,上述过程,由于预先建立疾病知识库,可以实现对不同疾病进行诊断,并针对可能的各个疾病进行排序,实现了对通用疾病的诊断。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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的附图。
图1为本发明实施例公开的一种疾病诊断排序方法流程图;
图2为本发明实施例公开的一种疾病诊断排序装置结构框图;
图3为本发明实施例公开的一种电子设备的结构示意图。
具体实施方式
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,所描述的实施例仅仅是本发明一部分实施例,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。
本发明公开了一种疾病诊断排序方法及相关装置,应用于疾病诊断的过程中,当医生对患者进行疾病诊断时,常会提出多个可疑的诊断进行鉴别诊断以免漏诊、误诊。医生需要通过患者的疾病表现对这些可疑诊断进行可能性大小的排序,可能性大的疾病排在前,可能性小的疾病排在后。由于人记忆力有限和对知识掌握不全面,医生常无法形成全面的可疑疾病,导致诊断延误,甚至漏诊、误诊。对于面向疾病诊断及鉴别诊断的辅助诊疗系统,如何完成诊断任务十分重要,即首先形成多个可疑诊断,然后对这些可疑诊断进行可能性大小的排序。以上功能可辅助医生进行病因诊断,减少漏诊、误诊。为解决数字化疾病诊断的问题,当前主流的技术方法有如下三种:
(1)基于硬编程或产生式规则
硬编码即直接编码流程图样的程序来定义决策过程,机制简单,因此,许多CDS系统采用临床医生设计的针对特定问题的流程图,并将其编码以供计算机使用。
该方法程序固定,无法实现通用的鉴别诊断。硬编码程序的可执行的整体路径是固定的,仅由不同输入决定每个决策节点的路径选择,因此每个硬编码的流程图仅可用于固定诊断场景,无法根据新的输入自主动态调整输出。硬编码是在具体事实层面上的规则,因此其输入和输出的数量有限,大体量的输入和输出是不实际的,即因此硬编码的流程图在很大程度上被医生拒绝,因为对于临床诊疗使用来说过于简单。
(2)基于概率的贝叶斯法则
贝叶斯法则是概率统计中的应用所观察到的现象对即先验概率进行修正—条件概率—得到后验概率的方法。计算机可应用贝叶斯规则,根据对患者特定参数的观察来确定疾病的后验概率。这种计算是基于通过分析可用数据集确定患者表现和疾病之间适当的概率关系。计算机首先考虑一个给定的发现,即考虑到的每种可能诊断的先验概率(通常是每种诊断在人群中的患病率),以及给定每个诊断(或没有诊断)的发现(或没有发现)的条件概率-发现的敏感性和特异性。然后,计算机应用贝叶斯规则来计算给定发现值的每个诊断的后验概率。计算机现在准备好根据第二个发现的值来更新每个诊断的概率。然而,在这种情况下,每种诊断的先验概率并不是该诊断在人群中的普遍性。当我们第二次应用贝叶斯规则时,我们可以将每个诊断的后验概率作为诊断的先验概率。当需要考虑第三个发现时,处理第二个发现后每个诊断的后验概率作为贝叶斯规则下一次应用的先验概率。这一过程一直持续到每个发现的价值都得到考虑为止。
该过程缺少概率值。诊断概率计算所需要的大量的疾病表现和诊断之间的先验概率、条件概率,这些概率数据其实并不是可得的,虽然部分概率可以从流行病学调查的文献中得到,但是其准确性和可泛化性未经验证;即使假设所有的先验概率、条件概率都具备,开发者需要编辑所有疾病表现和诊断之间的概率关系,概率关系网络的编辑将十分复杂;由于针对某一诊断结果的多个条件概率将相互影响,因此当概率关系网络体量增大的情况下,以往的条件概率可能不准确,需要调整,但这种调整有需要大量的真实世界数据作为依据。
(3)基于机器学习
机器学习(ML)是人工智能的一个子集,包括深度学习和神经网络,指机器从数据中提取信息。用于诊断的机器学习可以通过大量关于患者疾病表现的数据来训算法,达到较高的准确度。
该过程不具备通用性,每个机器学习算法仅可用于既定的目的,例如用于诊断高血压的算法无法用于诊断心肌缺血。因此当前无法训练出通用诊断和鉴别诊断的算法;缺乏透明性和可解释性,由于发现和诊断之间的关联是在系统接受数据训练时推断出来的,并且不容易用于检查,因此此类系统无法提供关于为什么它们可能得出特定结论的指导。当一个系统的建议可能过度适应从不同于系统应用的患者群体中提取的数据集的特殊性时,这种无法解释其建议基础的情况尤为重要。因为基于机器学习算法的临床决策支持系统即CDSS(Clinical Decision Support System,)的输出必须在表面上被接受,所以通常无法知道训练系统的数据中可能存在哪些偏差,或者哪些临床相关的中间状态可能导致系统得出最终结论。
由于诊疗活动涉及生命安全,辅助诊疗系统的透明性和可解释性十分重要,而数据驱动的人工智能算法缺乏可解释性亦被此所诟病。因此,面向疾病诊断及鉴别诊断的辅助诊疗系统在完成诊断任务的同时,还需模拟医生的诊断思维活动,推理过程透明、可解释。为了解决上述问题,本发明提供了一种疾病诊断排序方法,预先配置疾病知识库,所述疾病知识库是基于医生的经验不断修正之后的得到的,所述疾病知识库中的相关信息可以对其进行修改、添加和删除等操作。其中,所述疾病知识库包括:
(1)两类命名实体,分别为“疾病”、“疾病表现”,每一个疾病都有与之关联的一个或多个疾病表现。每个疾病与之关联的疾病表现均形成“疾病-疾病表现”。
(2)每个“疾病-疾病表现”对有两个关系,分别为“是否命中”、“可能性”。
“是否命中”关系的含义为此疾病是否可以出现此疾病表现,若可以出现为“1”,若不可能出现为“0”(“是否命中”关系用于疾病排序过程中命中可疑诊断,若为“1”则将此疾病纳入可疑诊断集合,若为“0”则不纳入可疑诊断集合)。
对于“是否命中”为“1”的“疾病-疾病表现”对,有“可能性”关系;对于“是否命中”为“0”的“疾病-疾病表现”对,无“可能性”关系。
“可能性”关系的含义为此疾病表现对此疾病诊断的效能,将其分为四个等级,根据诊断效能从高到低排列依次为“确诊”、“高度可能”、“中度可能”、“低度可能”。
所述方法的执行流程如图1所示,包括步骤:
S101、获取患者的当前疾病表现,将所述当前疾病表现与所述疾病知识库中的疾病表现进行匹配,得到与所述当前疾病表现匹配的疾病表现集合;
本发明实施例中,首先获取患者的身份信息,其中,所述身份信息包括:姓名、性别、年龄和身份证信息等等,遍历病历系统,查找与所述身份信息匹配的病历资料,其中,所述病历资料包括:电子病历、化验、心脏超声、心电图等,解析所述病历资料,获取所述病历资料中所述患者的当前疾病表现,其中,疾病表现的获取方式本发明实施例中不进行具体限定,例如,可以通过识别预设疾病表现关键词的方式获取疾病表现,所述预设疾病表现关键词可以通过经验进行制定,还可以基于具体场景对所述预设疾病表现关键系进行修改、添加和删除等操作。
进一步的,获取所述当前疾病表现后,采用自然语言处理程序经所述当前疾病表现与所述疾病知识库中的各个疾病表现进行匹配,确定与所述当前疾病表现匹配的疾病表现集合。
S102、遍历所述疾病知识库,疾病表现集合确定所述疾病表现集合中的各个疾病表现是否命中疾病,将命中的疾病作为可疑诊断集合;
本发明实施例中,针对所述疾病表现集合中的每个疾病表现,遍历所述疾病知识库,查找与当前疾病表现对应的标识,其中,所述标识用于区分所述当前疾病表现在所述疾病知识库中是否命中,所述标识可以基于经验或者具体的应用场景进行制定,本发明实施例中不进行具体限定,优选的,本发明实施例中,若所述标识为1表示命中,即当出现所述当前疾病表现时应当怀疑对应的诊断,故将此诊断纳入可疑诊断集合。
若所述标识为0表示“除外”,即未命中,即出现此疾病表现时应当排除相应的诊断,故将不将此诊断纳入可疑诊断集合。
S103、遍历所述疾病知识库,确定所述可疑诊断集合中各个疾病相关的疾病表现的效能级别,将能效级别相同的疾病表现对应的疾病划分为同一诊断分组;
本发明实施例中,在确定所述可疑诊断集合后,遍历所述疾病知识库,确定所述可以诊断集合中各个疾病相关的疾病表现的效能级别,将能效级别相同的疾病表现对应的疾病划分为同一诊断分组。
S104、针对每个诊断分组,依据其对应的能效级别和疾病表现的命中数量对各个疾病进行排序,得到疾病诊断排序结果。
本发明实施例中,每一个具体的疾病表现-诊断均有一个命名为“可能性”的属性,此属性值为4个能效等级,从高到低对应的临床意义分别为:确诊、高度可能、中度可能、低度可能。
排序规则为:疾病表现的效能等级排序为:确诊>高度可能>中度可能>低度可能。根据每个可疑诊断的疾病表现中的最高效能等级分为4组,分别为①存在确诊;②不存在确诊,存在高度可能;③不存在确诊、高度可能,存在中度可能;④不存在确诊、高度可能、中度可能,存在低度可能。
针对每个诊断分组,依据能效级别由高到低的顺序进行排序,得到分组排序结果,针对所述分组排序结果中的每个诊断分组,依据所述疾病知识库,确定每个疾病表现对应的疾病,统计每个疾病中疾病表现的命中数量,依据所述命中数量对各个疾病进行降序排列,得到每个诊断分组的疾病排序结果,针对每个诊断分组依据能效等级又高到低进行排序,针对每个诊断分组中的疾病依据疾病表现的命中数量进行排序,最终得到疾病诊断排序结果。
进一步的,若当前疾病分组中存在疾病表现命中数量相同的疾病,确定所述当前疾病分组所属能效等级,在所述疾病知识库中查找该能效等级下每个疾病对应的疾病表现的总数量,分别计算每个疾病的命中数量和总数量的比值,依据比值由高到低的顺序对定命中数量相同的疾病进行排序。
本发明公开了一种疾病诊断排序方法,预先配置疾病知识库,疾病知识包括:疾病、疾病表现、是否命中和效能级别,包括:将当前疾病表现与疾病知识库中的疾病表现进行匹配,得到与当前疾病表现匹配的疾病表现集合;确定疾病表现集合中的各个疾病表现是否命中疾病,将命中的疾病作为可疑诊断集合;确定可疑诊断集合中各个疾病相关的疾病表现的能效级别,将能效级别相同的疾病表现对应的疾病划分为同一诊断分组;依据每个诊断分组中对应的能效级别和疾病表现的命中数量对各个疾病进行排序,得到疾病诊断排序结果,上述过程,由于预先建立疾病知识库,可以实现对不同疾病进行诊断,并针对可能的各个疾病进行排序,实现了对通用疾病的诊断。
本发明实施例中,对上述的疾病诊断排序方法进行举例,首先疾病知识库如表1所示。
表1
根据识别出的患者疾病表现,从所述疾病知识库中检索出命中疾病。本病例中识别出的疾病表现为表2,命中的疾病为表3。
表2
表3
根据所述疾病知识库中“是否命中”的值,从命中疾病中进行纳入和排除,本实施中存在疾病表现“心脏超声:心室壁无节段性增厚”和疾病“肥厚型心肌病”的“是否命中”值为0,故除外疾病“肥厚型心肌病”,存在疾病表现“心脏超声:左心增大”和疾病“特发性室速”的“是否命中”值为0,故除外疾病“特发性室速”,其余疾病和疾病表现的“是否命中”值均为1,故纳入其他疾病形成可疑诊断集合,所述可疑诊断集合如表4所示。
表4
进一步的,疾病表现的效能排序为:确诊>高度可能>中度可能>低度可能。根据每个可疑诊断集合的疾病表现中的最高效能先分为4组。如心肌炎有1个高度可能的表现,4个中度可能的表现,因此把心肌炎排入高度可能组。具体的分组结果如表5所示。
表5
本发明实施例中,以高度可能分组为例,其它分组处理过程相同,在此不在赘述。有急性心肌梗死、心肌炎、长QT综合征3个诊断,其中急性心肌梗死的高度可能的疾病表现有2个,而心肌炎、长QT综合征的高度可能的疾病表现均为1个,因此急性心肌梗死排第一,心肌炎和长QT综合征排第二、第三。具体的排序结果如表6所示。
表6
由于本病例中心肌炎和长QT综合征命中的高度可能疾病表现均为1个,所以需根据命中疾病表现的数量占此可疑诊断的此类疾病表现总和(已命中和未命中)的比例进一步区分心肌炎和长QT综合征的排序高低。在所述疾病知识库中长QT综合征的高度可能疾病表现仅1个,故命中率为1/1;心肌炎的高度可能疾病表现为2个,故命中率为1/2。长QT综合征的命中率高,因此长QT综合征排序靠前。具体的排序结果如表7所示。
表7
对上述处理过程进行汇总,得到疾病诊断排序结果如表8所示。
表8
基于上述的一种疾病诊断排序方法,本发明实施例中还提供了一种疾病诊断排序装置,预先配置疾病知识库,其中,所述疾病知识包括:疾病、疾病表现、是否命中和效能级别,所述效能级别包括:确诊、高度可能、中度可能和低度可能,所述装置的结构框图如图2所示,包括:
获取和匹配模块201、确定模块202、确定和划分模块203和排序模块204。
其中,
所述获取和匹配模块201,用于获取患者的当前疾病表现,将所述当前疾病表现与所述疾病知识库中的疾病表现进行匹配,得到与所述当前疾病表现匹配的疾病表现集合;
所述确定模块202,用于遍历所述疾病知识库,疾病表现集合确定所述疾病表现集合中的各个疾病表现是否命中疾病,将命中的疾病作为可疑诊断集合;
所述确定和划分模块203,用于遍历所述疾病知识库,确定所述可疑诊断集合中各个疾病相关的疾病表现的效能级别,将能效级别相同的疾病表现对应的疾病划分为同一诊断分组;
所述排序模块204,用于针对每个诊断分组,依据其对应的能效级别和疾病表现的命中数量对各个疾病进行排序,得到疾病诊断排序结果。
本发明公开了一种疾病诊断排序装置,预先配置疾病知识库,疾病知识包括:疾病、疾病表现、是否命中和效能级别,包括:将当前疾病表现与疾病知识库中的疾病表现进行匹配,得到与当前疾病表现匹配的疾病表现集合;确定疾病表现集合中的各个疾病表现是否命中疾病,将命中的疾病作为可疑诊断集合;确定可疑诊断集合中各个疾病相关的疾病表现的能效级别,将能效级别相同的疾病表现对应的疾病划分为同一诊断分组;依据每个诊断分组中对应的能效级别和疾病表现的命中数量对各个疾病进行排序,得到疾病诊断排序结果,上述过程,由于预先建立疾病知识库,可以实现对不同疾病进行诊断,并针对可能的各个疾病进行排序,实现了对通用疾病的诊断。
本发明实施例中,所述获取和匹配模块201包括:
第一获取单元、第一查找单元和第二获取单元。
其中,
所述第一获取单元,用于获取患者的身份信息;
所述第一查找单元,用于遍历病历系统,查找与所述身份信息匹配的病历资料;
所述第二获取单元,用于获取所述病历资料中所述患者的当前疾病表现。
本发明实施例中,所述确定模块202包括:
第二查找单元、判断单元和添加单元。
其中,
所述第二查找单元,用于针对所述疾病表现集合中的每个疾病表现,遍历所述疾病知识库,查找与其对应的标识;
所述判断单元,用于基于所述标识判断对应的疾病表现是否命中;
所述添加单元,用于在当前疾病表现命中的情况下,将所述当前疾病表现添加到可疑诊断集合中。
本发明实施例中,所述排序模块204包括:
第一排序单元、第二排序单元和第一确定单元。
其中,
所述第一排序单元,用于遍历各个诊断分组,依据能效级别对所述各个诊断分组进行排序,得到分组排序结果;
所述第二排序单元,用于在所述分组排序结果中,针对每个诊断分组,依据所述疾病知识库,确定每个疾病表现对应的疾病,统计每个疾病中疾病表现的命中数量,依据所述命中数量对各个疾病进行降序排列,得到每个诊断分组的疾病排序结果;
所述第一确定单元,用于依据所述分组顺序排序结果和每个诊断分组的疾病排序结果,确定疾病诊断排序结果。
本发明实施例中,所述排序模块204还包括:
第三查找单元、计算单元和第二确定单元。
其中,
所述第三查找单元,用于若当前疾病分组中存在疾病表现命中数量相同的疾病,确定所述当前疾病分组所属能效等级,在所述疾病知识库中查找该能效等级下每个疾病对应的疾病表现的总数量;
所述计算单元,用于分别计算每个疾病的命中数量和总数量的比值;
所述第二确定单元,用于基于所述比值确定命中数量相同的疾病的排序。
所述排序装置包括处理器和存储器,上述获取和匹配模块、确定模块、确定和划分模块和排序模块等均作为程序单元存储在存储器中,由处理器执行存储在存储器中的上述程序单元来实现相应的功能。
处理器中包含内核,由内核去存储器中调取相应的程序单元。内核可以设置一个或以上,通过调整内核参数来实现对不同疾病进行诊断,并对针对可能的各个疾病进行排序。
存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM),存储器包括至少一个存储芯片。
本发明实施例提供了一种计算机存储介质,其上存储有程序,该程序被处理器执行时实现所述排序方法。
本发明实施例提供了一种处理器,所述处理器用于运行程序,其中,所述程序运行时执行所述排序方法。
本发明实施例提供了一种电子设备,所述电子设备的结构框图如图3所示,所述电子设备包括:处理器301、存储介质302及存储在存储介质302上并可在处理器302上运行的程序,处理器301执行程序时实现以下步骤:
获取患者的当前疾病表现,将所述当前疾病表现与所述疾病知识库中的疾病表现进行匹配,得到与所述当前疾病表现匹配的疾病表现集合;
遍历所述疾病知识库,疾病表现集合确定所述疾病表现集合中的各个疾病表现是否命中疾病,将命中的疾病作为可疑诊断集合;
遍历所述疾病知识库,确定所述可疑诊断集合中各个疾病相关的疾病表现的效能级别,将能效级别相同的疾病表现对应的疾病划分为同一诊断分组;
针对每个诊断分组,依据其对应的能效级别和疾病表现的命中数量对各个疾病进行排序,得到疾病诊断排序结果。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器 (CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存 (PRAM)、静态随机存取存储器 (SRAM)、动态随机存取存储器 (DRAM)、其他类型的随机存取存储器 (RAM)、只读存储器 (ROM)、电可擦除可编程只读存储器 (EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘 (DVD) 或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,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、商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、商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,并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本申请的实施例可提供为方法、系统或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
以上仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (12)
1.一种疾病诊断排序方法,其特征在于,预先配置疾病知识库,其中,所述疾病知识库包括:疾病、疾病表现、是否命中和效能级别,所述效能级别包括:确诊、高度可能、中度可能和低度可能,所述方法包括:
获取患者的当前疾病表现,将所述当前疾病表现与所述疾病知识库中的疾病表现进行匹配,得到与所述当前疾病表现匹配的疾病表现集合;
遍历所述疾病知识库,确定所述疾病表现集合中的各个疾病表现是否命中疾病,将命中的疾病作为可疑诊断集合;
遍历所述疾病知识库,确定所述可疑诊断集合中各个疾病相关的疾病表现的效能级别,将能效级别相同的疾病表现对应的疾病划分为同一诊断分组;
针对每个诊断分组,依据其对应的能效级别和疾病表现的命中数量对各个疾病进行排序,得到疾病诊断排序结果。
2.根据权利要求1所述的方法,其特征在于,获取患者的当前疾病表现,包括:
获取患者的身份信息;
遍历病历系统,查找与所述身份信息匹配的病历资料;
获取所述病历资料中所述患者的当前疾病表现。
3.根据权利要求1所述的方法,其特征在于,遍历所述疾病知识库,确定所述疾病表现集合中的各个疾病表现是否命中疾病,将命中的疾病作为可疑诊断集合,包括:
针对所述疾病表现集合中的每个疾病表现,遍历所述疾病知识库,查找与其对应的标识;
基于所述标识判断对应的疾病表现是否命中疾病;
在当前疾病表现命中的情况下,将所述当前疾病表现添加到可疑诊断集合中。
4.根据权利要求1所述的方法,其特征在于,针对每个诊断分组,依据其对应的能效级别和疾病表现的命中数量对各个疾病进行排序,得到疾病诊断排序结果,包括:
遍历各个诊断分组,依据能效级别对所述各个诊断分组进行排序,得到分组排序结果;
在所述分组排序结果中,针对每个诊断分组,依据所述疾病知识库,确定每个疾病表现对应的疾病,统计每个疾病中疾病表现的命中数量,依据所述命中数量对各个疾病进行降序排列,得到每个诊断分组的疾病排序结果;
依据所述分组排序结果和每个诊断分组的疾病排序结果,确定疾病诊断排序结果。
5.根据权利要求4所述的方法,其特征在于,还包括:
若当前疾病分组中存在疾病表现命中数量相同的疾病,确定所述当前疾病分组所属能效等级,在所述疾病知识库中查找该能效等级下每个疾病对应的疾病表现的总数量;
分别计算每个疾病的命中数量和总数量的比值;
基于所述比值确定命中数量相同的疾病的排序。
6.一种疾病诊断排序装置,其特征在于,预先配置疾病知识库,其中,所述疾病知识库包括:疾病、疾病表现、是否命中和效能级别,所述效能级别包括:确诊、高度可能、中度可能和低度可能,所述装置包括:
获取和匹配模块,用于获取患者的当前疾病表现,将所述当前疾病表现与所述疾病知识库中的疾病表现进行匹配,得到与所述当前疾病表现匹配的疾病表现集合;
确定模块,用于遍历所述疾病知识库,确定所述疾病表现集合中的各个疾病表现是否命中疾病,将命中的疾病作为可疑诊断集合;
确定和划分模块,用于遍历所述疾病知识库,确定所述可疑诊断集合中各个疾病相关的疾病表现的效能级别,将能效级别相同的疾病表现对应的疾病划分为同一诊断分组;
排序模块,用于针对每个诊断分组,依据其对应的能效级别和疾病表现的命中数量对各个疾病进行排序,得到疾病诊断排序结果。
7.根据权利要求6所述的装置,其特征在于,所述获取和匹配模块包括:
第一获取单元,用于获取患者的身份信息;
第一查找单元,用于遍历病历系统,查找与所述身份信息匹配的病历资料;
第二获取单元,用于获取所述病历资料中所述患者的当前疾病表现。
8.根据权利要求6所述的装置,其特征在于,所述确定模块包括:
第二查找单元,用于针对所述疾病表现集合中的每个疾病表现,遍历所述疾病知识库,查找与其对应的标识;
判断单元,用于基于所述标识判断对应的疾病表现是否命中疾病;
添加单元,用于在当前疾病表现命中的情况下,将所述当前疾病表现添加到可疑诊断集合中。
9.根据权利要求6所述的装置,其特征在于,所述排序模块包括:
第一排序单元,用于遍历各个诊断分组,依据能效级别对所述各个诊断分组进行排序,得到分组排序结果;
第二排序单元,用于在所述分组排序结果中,针对每个诊断分组,依据所述疾病知识库,确定每个疾病表现对应的疾病,统计每个疾病中疾病表现的命中数量,依据所述命中数量对各个疾病进行降序排列,得到每个诊断分组的疾病排序结果;
第一确定单元,用于依据所述分组排序结果和每个诊断分组的疾病排序结果,确定疾病诊断排序结果。
10.根据权利要求9所述的装置,其特征在于,还包括:
第三查找单元,用于若当前疾病分组中存在疾病表现命中数量相同的疾病,确定所述当前疾病分组所属能效等级,在所述疾病知识库中查找该能效等级下每个疾病对应的疾病表现的总数量;
计算单元,用于分别计算每个疾病的命中数量和总数量的比值;
第二确定单元,用于基于所述比值确定命中数量相同的疾病的排序。
11.一种存储介质,其特征在于,所述存储介质包括存储的程序,其中,所述程序执行权利要求1-5任意一项所述的疾病诊断排序方法。
12.一种处理器,其特征在于,所述处理器用于运行程序,其中,所述程序运行时执行权利要求1-5任意一项所述的疾病诊断排序方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311094814.1A CN116825334B (zh) | 2023-08-29 | 2023-08-29 | 一种疾病诊断排序方法及相关装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311094814.1A CN116825334B (zh) | 2023-08-29 | 2023-08-29 | 一种疾病诊断排序方法及相关装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116825334A true CN116825334A (zh) | 2023-09-29 |
CN116825334B CN116825334B (zh) | 2023-12-08 |
Family
ID=88114833
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311094814.1A Active CN116825334B (zh) | 2023-08-29 | 2023-08-29 | 一种疾病诊断排序方法及相关装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116825334B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090259494A1 (en) * | 2005-05-20 | 2009-10-15 | Carlos Feder | Computer-implemented medical analytics method and system employing a modified mini-max procedure |
CN102156715A (zh) * | 2011-03-23 | 2011-08-17 | 中国科学院上海技术物理研究所 | 面向医学影像数据库的基于多病灶区域特征的检索系统 |
CN104537275A (zh) * | 2014-05-15 | 2015-04-22 | 成都睿感科技有限公司 | 一种基于患者身体病症的导医系统 |
CN108172289A (zh) * | 2017-12-07 | 2018-06-15 | 四川好医生药业集团有限公司 | 一种基于主诉的疾病智能诊断方法 |
CN112768082A (zh) * | 2021-02-04 | 2021-05-07 | 常熟和医信息技术有限公司 | 一种根据电子病历文本自动给出疾病诊疗方案的方法 |
-
2023
- 2023-08-29 CN CN202311094814.1A patent/CN116825334B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090259494A1 (en) * | 2005-05-20 | 2009-10-15 | Carlos Feder | Computer-implemented medical analytics method and system employing a modified mini-max procedure |
CN102156715A (zh) * | 2011-03-23 | 2011-08-17 | 中国科学院上海技术物理研究所 | 面向医学影像数据库的基于多病灶区域特征的检索系统 |
CN104537275A (zh) * | 2014-05-15 | 2015-04-22 | 成都睿感科技有限公司 | 一种基于患者身体病症的导医系统 |
CN108172289A (zh) * | 2017-12-07 | 2018-06-15 | 四川好医生药业集团有限公司 | 一种基于主诉的疾病智能诊断方法 |
CN112768082A (zh) * | 2021-02-04 | 2021-05-07 | 常熟和医信息技术有限公司 | 一种根据电子病历文本自动给出疾病诊疗方案的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116825334B (zh) | 2023-12-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Romdhane et al. | Electrocardiogram heartbeat classification based on a deep convolutional neural network and focal loss | |
Jan et al. | Ensemble approach for developing a smart heart disease prediction system using classification algorithms | |
Bashir et al. | BagMOOV: A novel ensemble for heart disease prediction bootstrap aggregation with multi-objective optimized voting | |
US8447720B1 (en) | Adaptive case-based reasoning system using dynamic method for knowledge acquisition | |
Rajliwall et al. | Cardiovascular risk prediction based on XGBoost | |
Shorfuzzaman et al. | An explainable deep learning ensemble model for robust diagnosis of diabetic retinopathy grading | |
IE87441B1 (en) | Machine Learning Techniques For Predictive Prioritization | |
Sumi et al. | Improving classification accuracy using combined filter+ wrapper feature selection technique | |
Shrestha et al. | Supervised machine learning for early predicting the sepsis patient: modified mean imputation and modified chi-square feature selection | |
Mahapatra et al. | MRMR-SSA: a hybrid approach for optimal feature selection | |
Greene et al. | An analysis of research themes in the CBR conference literature | |
CN116825334B (zh) | 一种疾病诊断排序方法及相关装置 | |
CN111145852B (zh) | 医学信息的处理方法、装置及计算机可读存储介质 | |
Datta et al. | Improved diabetes prediction with reduced feature sets: Evaluating feature selection techniques in machine learning | |
US20220351377A1 (en) | Automated selection of ultra-widefield angiography images | |
Zhao et al. | Construction of guideline-based decision tree for medication recommendation | |
Song et al. | [Retracted] A Multimodel Fusion Method for Cardiovascular Disease Detection Using ECG | |
US11416776B2 (en) | Method of and system for identifying and enumerating cross-body degradations | |
Bahanshal et al. | Hybrid fuzzy weighted K-Nearest neighbor to predict hospital readmission for diabetic patients | |
Navin et al. | A classification framework using filter–wrapper based feature selection approach for the diagnosis of congenital heart failure | |
CN114201613A (zh) | 试题生成方法、试题生成装置、电子设备以及存储介质 | |
Dissanayake et al. | Two-level boosting classifiers ensemble based on feature selection for heart disease prediction | |
Baumgartner et al. | Introduction and Comparison of Novel Decentral Learning Schemes with Multiple Data Pools for Privacy-Preserving ECG Classification | |
CN112768090A (zh) | 一种用于慢病检测及风险评估的过滤系统及方法 | |
Abdullah et al. | A hybrid decision support model for type II diabetes |
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 |