CN117174285A - 基于循证医学的第二诊疗意见生成系统及方法 - Google Patents
基于循证医学的第二诊疗意见生成系统及方法 Download PDFInfo
- Publication number
- CN117174285A CN117174285A CN202310968809.2A CN202310968809A CN117174285A CN 117174285 A CN117174285 A CN 117174285A CN 202310968809 A CN202310968809 A CN 202310968809A CN 117174285 A CN117174285 A CN 117174285A
- Authority
- CN
- China
- Prior art keywords
- diagnosis
- sample data
- similarity calculation
- calculation model
- opinion
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 103
- 238000011282 treatment Methods 0.000 title claims abstract description 81
- 238000000034 method Methods 0.000 title claims abstract description 35
- 239000003814 drug Substances 0.000 title claims abstract description 24
- 238000004364 calculation method Methods 0.000 claims abstract description 99
- 238000003066 decision tree Methods 0.000 claims description 40
- 238000012549 training Methods 0.000 claims description 18
- 238000011156 evaluation Methods 0.000 claims description 17
- 238000012360 testing method Methods 0.000 claims description 9
- 238000012795 verification Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 7
- 230000009471 action Effects 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 4
- 238000011369 optimal treatment Methods 0.000 abstract description 6
- 201000010099 disease Diseases 0.000 description 4
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011269 treatment regimen Methods 0.000 description 1
Landscapes
- Medical Treatment And Welfare Office Work (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明实施例公开了一种基于循证医学的第二诊疗意见生成方法及系统,包括:获取一定数量的样本数据集,并确定所述样本数据集对应的特征信息;其中,所述样本数据集包括第一样本数据集和第二样本数据集,所述第一样本数据集包括第一特征信息,所述第二样本数据集包括第二特征信息;构建相似度计算模型;将所述特征信息输入所述相似度计算模型,得到训练好的相似度计算模型;将待识别的第一诊疗结果和第二诊疗结果输入所述相似度计算模型,得到第二诊疗意见。解决现有技术中无法科学的从多种医学诊断结果中选择最佳治疗方案的问题。
Description
技术领域
本发明涉及计算机技术领域,具体涉及一种基于循证医学的第二诊疗意见生成系统、方法、电子设备及存储介质。
背景技术
在复杂病例治疗上,医生的经验很关键,然而,并不是所有医生都能有这样的经验,不少主治医生在实践过程中都会针对一些病例查阅文献、征询同行们的意见。且人们面对一个新的医学诊断时,普遍会感到困惑,当他们需要在多种治疗方案当中做出选择时,更是难以做出相关决定。
亟需一种基于循证医学生成第二诊疗意见的方法,帮助患者获得进一步的明确诊断,同时确保患者获得最佳的治疗方案。
发明内容
本发明实施例的目的在于提供一种基于循证医学的第二诊疗意见生成系统、方法、电子设备及存储介质,用以解决现有技术中无法科学的从多种医学诊断结果中选择最佳治疗方案的问题。
为实现上述目的,本发明实施例提供一种基于循证医学的第二诊疗意见生成方法,所述方法具体包括:
获取一定数量的样本数据集,并确定所述样本数据集对应的特征信息;其中,所述样本数据集包括第一样本数据集和第二样本数据集,所述第一样本数据集包括第一特征信息,所述第二样本数据集包括第二特征信息;
构建相似度计算模型;
将所述特征信息输入所述相似度计算模型,得到训练好的相似度计算模型;
将待识别的第一诊疗结果和第二诊疗结果输入所述相似度计算模型,得到第二诊疗意见。
在上述技术方案的基础上,本发明还可以做如下改进:
进一步地,所述获取一定数量的样本数据集,并确定所述样本数据集对应的特征信息,包括:
基于所述样本数据集构建决策树模型,选择信息增益最大的属性特征作为决策树的根节点,所述决策树中的每个子节点为所述第一样本数据集中的某个属性特征信息,所述决策树的叶子节点为样本数据所属的类别。
进一步地,所述基于所述样本数据集构建决策树模型,包括:
基于公式1计算样本数据集D的信息熵:
式中,D为样本数据集,c为样本的类别数,pi为属于类别i的样本数量占所有样本的比例。
进一步地,所述基于所述样本数据集构建决策树模型,还包括:
基于公式2计算InfoA(D):
式中,A为属性特征A,性特征A作为决策树判断节点时,属性特征A作用后的信息熵的为InfoA(D),k表示样本D被分为k个部分。
进一步地,所述基于所述样本数据集构建决策树模型,还包括:
基于公式3计算信息增益值Gain(A):
Gain(A)=Info(D)-InfoA(D) 公式3;
以信息增益值Gain(A)最大的属性特征作为决策树的根节点,继续计算信息增益值,并以信息增益值最大的属性特征作为决策树的子节点,构建决策树,直到所有属性特征值均小于设定阈值或没有属性特征选择为止。
进一步地,所述将所述特征信息输入所述相似度计算模型,得到训练好的相似度计算模型,包括:
将所述样本数据集分别划分为训练集、验证集和测试集;
基于所述训练集训练所述相似度计算模型;
基于所述验证集对训练后的所述相似度计算模型进行性能评估,得到满足性能条件的相似度计算模型;
基于所述测试集评估满足性能条件的所述相似度计算模型的分割结果,得到所述相似度计算模型所对应的评价指数。
进一步地,所述将待识别的第一诊疗结果和第二诊疗结果输入所述相似度计算模型,得到第二诊疗意见,包括:
基于所述相似度计算模型计算所述第一特征信息和所述第二特征信息的相似度概率,判断所述相似度概率是否大于预设参考因子,当所述相似度概率大于预设参考因子时,以所述第一诊疗结果作为第二诊疗意见自动生成诊断结论,当所述相似度概率小于预设参考因子时,以所述第二诊疗结果作为第二诊疗意见自动生成诊断结论。
一种基于循证医学的第二诊疗意见生成系统,包括:
获取模块,用于获取一定数量的样本数据集,并确定所述样本数据集对应的特征信息;其中,所述样本数据集包括第一样本数据集和第二样本数据集,所述第一样本数据集包括第一特征信息,所述第二样本数据集包括第二特征信息;
构建模块,用于构建相似度计算模型;
训练模块,用于将所述特征信息输入所述相似度计算模型,得到训练好的相似度计算模型;
将待识别的第一诊疗结果和第二诊疗结果输入所述相似度计算模型,得到第二诊疗意见。
一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如所述方法的步骤。
一种非暂态计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现所述方法的步骤。
本发明实施例具有如下优点:
本发明中基于循证医学的第二诊疗意见生成方法,获取一定数量的样本数据集,并确定所述样本数据集对应的特征信息;其中,所述样本数据集包括第一样本数据集和第二样本数据集,所述第一样本数据集包括第一特征信息,所述第二样本数据集包括第二特征信息;构建相似度计算模型;将所述特征信息输入所述相似度计算模型,得到训练好的相似度计算模型;将待识别的第一诊疗结果和第二诊疗结果输入所述相似度计算模型,得到第二诊疗意见,解决了现有技术中无法科学的从多种医学诊断结果中选择最佳治疗方案的问题。
附图说明
为了更清楚地说明本发明的实施方式或现有技术中的技术方案,下面将对实施方式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示例性的,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,还可以根据提供的附图引申获得其它的实施附图。
本说明书所绘示的结构、比例、大小等,均仅用以配合说明书所揭示的内容,以供熟悉此技术的人士了解与阅读,并非用以限定本发明可实施的限定条件,故不具技术上的实质意义,任何结构的修饰、比例关系的改变或大小的调整,在不影响本发明所能产生的功效及所能达成的目的下,均应仍落在本发明所揭示的技术内容能涵盖的范围内。
图1为本发明基于循证医学的第二诊疗意见生成方法的流程图;
图2为本发明基于循证医学的第二诊疗意见生成系统的架构图;
图3为本发明提供的电子设备实体结构示意图。
其中附图标记为:
获取模块10,构建模块20,训练模块30,相似度计算模型40,电子设备50,处理器501,存储器502,总线503。
具体实施方式
以下由特定的具体实施例说明本发明的实施方式,熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效,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。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。
实施例
图1为本发明基于循证医学的第二诊疗意见生成方法实施例流程图,如图1所示,本发明实施例提供的一种基于循证医学的第二诊疗意见生成方法包括以下步骤:
S101,获取一定数量的样本数据集,并确定样本数据集对应的特征信息;其中,样本数据集包括第一样本数据集和第二样本数据集,第一样本数据集包括第一特征信息,第二样本数据集包括第二特征信息;
具体的:第一样本数据集包括患者主治医生的第一诊断结果(包括治疗意见和方案)样本信息和数据;
基于决策树模型得到不同类别、不同属性、不同疾病的第一样本数据集(包括治疗意见与方案)的特征信息。
基于临床医学文献的资料,结合临床实践案例和专家经验案例以及国家法定诊断标准,基于决策树模型对第二样本数据集进行预处理,得到不同类别、不同属性、不同疾病对应的循证医学证据与循证治疗方案的第二特征信息。
优选的,基于所述样本数据集构建决策树模型,选择信息增益最大的属性特征作为决策树的根节点,所述决策树中的每个子节点为所述第一样本数据集中的某个属性特征信息,所述决策树的叶子节点为样本数据所属的类别。
基于公式1计算样本数据集D的信息熵:
式中,D为样本数据集,c为样本的类别数,pi为属于类别i的样本数量占所有样本的比例。
基于公式2计算InfoA(D):
式中,A为属性特征A,性特征A作为决策树判断节点时,属性特征A作用后的信息熵的为InfoA(D),k表示样本D被分为k个部分。
基于公式3计算信息增益值Gain(A):
Gain(A)=Info(D)-InfoA(D) 公式3;
以信息增益值Gain(A)最大的属性特征作为决策树的根节点,继续计算信息增益值,并以信息增益值最大的属性特征作为决策树的子节点,构建决策树,直到所有属性特征值均小于设定阈值或没有属性特征选择为止,实现患者不同类别、不同属性、不同疾病的第一诊断结果(包括治疗意见与方案)信息和数据子集划分。
S102,构建相似度计算模型40;
具体的,相似度计算模型40包括DSSM、CNN-DSSM、LSTM-DSSM中的一种或多种,分别通过不同类别、不同属性、不同疾病(包括治疗意见与方案)特征信息对选定的语义相似度的相似度计算模型40进行训练,得到对应的训练好的相似度计算模型40,通过softmax函数输出各个语义相似度计算模型40二分类结果。
比如,将待识别的患者的第一特征信息输入上述相似度计算模型40进行相似性计算和分析,求出与第二特征信息权重的相似度。即计算出待识别第一诊断结果(包括治疗意见与方案)病例描述文章的关键词,从中选取相同个数的关键词,合并成一个集合,计算文章对于这个集合中的词的词频,生成文章的词频向量,进而通过欧氏距离或余弦距离求出与第二诊断结果(包括治疗意见与方案)特征信息向量的余弦相似度,值越大就表示越相似。
假定A和B是两个n维向量,A是[A1,A2,...,An],B是[B1,B2,...,Bn],则A与B的夹角θ的余弦等于:
可以通过夹角的大小,来判断向量的相似程度,夹角越小,就代表越相似。S103,将特征信息输入相似度计算模型,得到训练好的相似度计算模型;
具体的,将所述样本数据集分别划分为训练集、验证集和测试集;
基于所述训练集训练所述相似度计算模型40;
基于所述验证集对训练后的所述相似度计算模型40进行性能评估,得到满足性能条件的相似度计算模型40;
基于所述测试集评估满足性能条件的所述相似度计算模型40的分割结果,得到所述相似度计算模型40所对应的评价指数。
基于所述验证集对训练好的所述相似度计算模型40进行性能评估,得到满足性能条件的相似度计算模型40;基于所述测试集评估满足性能条件的所述相似度计算模型40的相似度计算结果,得到所述相似度计算模型40所对应的评价指数。对相似度计算模型40进行性能评估,得到是百分制分数(即最高分为100分,最低分为0分),基于百分制分数确定打分大于设定数值的相似度计算模型40,例如,打分大于90分的相似度计算模型40为满足性能条件的相似度计算模型40;
满足性能条件的相似度计算模型40进行评价指数计算,得到相似度计算模型40的评价指数,计算获得每个评价指数对应的评价值,所述评价值用于表示所述相似度计算模型40在所述评价指数上的能力值。
S104,将待识别的第一诊疗结果和第二诊疗结果输入相似度计算模型,得到第二诊疗意见。
具体的,基于所述相似度计算模型40计算所述第一特征信息和所述第二特征信息的相似度概率,判断所述相似度概率是否大于预设参考因子,当所述相似度概率大于预设参考因子时,以所述第一诊疗结果作为第二诊疗意见自动生成诊断结论,当所述相似度概率小于预设参考因子时,以所述第二诊疗结果作为第二诊疗意见自动生成诊断结论。优选的,预设参考因子为80%,对计算获取到的相似度概率进行加权求和,若加权求和结果超过参考因子则按照上述方法进行操作。上述同时列出误差(或者分歧)对应的诊断结果(包括治疗意见与方案)特征信息以及知识,以便于患者通过寻求第二诊疗意见,能够获得与自己的病情、选择相关的更多知识,从而更有可能做出具有长远影响的明智选择,帮助患者避免接受不必要的侵入性治疗或手术。
该基于循证医学的第二诊疗意见生成方法,获取一定数量的样本数据集,并确定所述样本数据集对应的特征信息;其中,所述样本数据集包括第一样本数据集和第二样本数据集,所述第一样本数据集包括第一特征信息,所述第二样本数据集包括第二特征信息;构建相似度计算模型40;将所述特征信息输入所述相似度计算模型40,得到训练好的相似度计算模型40;将待识别的第一诊疗结果和第二诊疗结果输入所述相似度计算模型40,得到第二诊疗意见。解决了现有技术中无法科学的从多种医学诊断结果中选择最佳治疗方案的问题。
图2为本发明基于循证医学的第二诊疗意见生成系统实施例流程图;如图2所示,本发明实施例提供的一种基于循证医学的第二诊疗意见生成系统,包括以下步骤:
获取模块10,用于获取一定数量的样本数据集,并确定所述样本数据集对应的特征信息;其中,所述样本数据集包括第一样本数据集和第二样本数据集,所述第一样本数据集包括第一特征信息,所述第二样本数据集包括第二特征信息;
构建模块20,用于构建相似度计算模型40;
训练模块30,用于将所述特征信息输入所述相似度计算模型40,得到训练好的相似度计算模型40;
将待识别的第一诊疗结果和第二诊疗结果输入所述相似度计算模型40,得到第二诊疗意见。
所述获取模块10还用于:
基于所述样本数据集构建决策树模型,选择信息增益最大的属性特征作为决策树的根节点,所述决策树中的每个子节点为所述第一样本数据集中的某个属性特征信息,所述决策树的叶子节点为样本数据所属的类别。
基于公式1计算样本数据集D的信息熵:
式中,D为样本数据集,c为样本的类别数,pi为属于类别i的样本数量占所有样本的比例。
基于公式2计算InfoA(D):
式中,A为属性特征A,性特征A作为决策树判断节点时,属性特征A作用后的信息熵的为InfoA(D),k表示样本D被分为k个部分。
基于公式3计算信息增益值Gain(A):
Gain(A)=Info(D)-InfoA(D) 公式3;
以信息增益值Gain(A)最大的属性特征作为决策树的根节点,继续计算信息增益值,并以信息增益值最大的属性特征作为决策树的子节点,构建决策树,直到所有属性特征值均小于设定阈值或没有属性特征选择为止。
所述训练模块30还用于:
将所述样本数据集分别划分为训练集、验证集和测试集;
基于所述训练集训练所述相似度计算模型40;
基于所述验证集对训练后的所述相似度计算模型40进行性能评估,得到满足性能条件的相似度计算模型40;
基于所述测试集评估满足性能条件的所述相似度计算模型40的分割结果,得到所述相似度计算模型40所对应的评价指数。
基于所述相似度计算模型40计算所述第一特征信息和所述第二特征信息的相似度概率,判断所述相似度概率是否大于预设参考因子,当所述相似度概率大于预设参考因子时,以所述第一诊疗结果作为第二诊疗意见自动生成诊断结论,当所述相似度概率小于预设参考因子时,以所述第二诊疗结果作为第二诊疗意见自动生成诊断结论。
本发明的一种基于循证医学的第二诊疗意见生成系统,通过获取模块10获取一定数量的样本数据集,并确定所述样本数据集对应的特征信息;其中,所述样本数据集包括第一样本数据集和第二样本数据集,所述第一样本数据集包括第一特征信息,所述第二样本数据集包括第二特征信息;通过构建模块20构建相似度计算模型40;通过训练模块30将所述特征信息输入所述相似度计算模型40,得到训练好的相似度计算模型40;将待识别的第一诊疗结果和第二诊疗结果输入所述相似度计算模型40,得到第二诊疗意见。该基于循证医学的第二诊疗意见生成方法解决现有技术中无法科学的从多种医学诊断结果中选择最佳治疗方案的问题。
图3为本发明实施例提供的电子设备实体结构示意图,如图3所示,电子设备50包括:处理器501(processor)、存储器502(memory)和总线503;
其中,处理器501、存储器502通过总线503完成相互间的通信;
处理器501用于调用存储器502中的程序指令,以执行上述各方法实施例所提供的方法,例如包括:获取一定数量的样本数据集,并确定所述样本数据集对应的特征信息;其中,所述样本数据集包括第一样本数据集和第二样本数据集,所述第一样本数据集包括第一特征信息,所述第二样本数据集包括第二特征信息;构建相似度计算模型40;将所述特征信息输入所述相似度计算模型40,得到训练好的相似度计算模型40;将待识别的第一诊疗结果和第二诊疗结果输入所述相似度计算模型40,得到第二诊疗意见。
本实施例提供一种非暂态计算机可读存储介质,非暂态计算机可读存储介质存储计算机指令,计算机指令使计算机执行上述各方法实施例所提供的方法,例如包括:获取一定数量的样本数据集,并确定所述样本数据集对应的特征信息;其中,所述样本数据集包括第一样本数据集和第二样本数据集,所述第一样本数据集包括第一特征信息,所述第二样本数据集包括第二特征信息;构建相似度计算模型40;将所述特征信息输入所述相似度计算模型40,得到训练好的相似度计算模型40;将待识别的第一诊疗结果和第二诊疗结果输入所述相似度计算模型40,得到第二诊疗意见。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于一计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的存储介质。
以上所描述的装置实施例仅仅是示意性的,其中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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,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)执行各实施例或者实施例的某些部分的方法。
虽然,上文中已经用一般性说明及具体实施例对本发明作了详尽的描述,但在本发明基础上,可以对之作一些修改或改进,这对本领域技术人员而言是显而易见的。因此,在不偏离本发明精神的基础上所做的这些修改或改进,均属于本发明要求保护的范围。
Claims (10)
1.一种基于循证医学的第二诊疗意见生成方法,其特征在于,所述基于循证医学的第二诊疗意见生成方法具体包括:
获取一定数量的样本数据集,并确定所述样本数据集对应的特征信息;其中,所述样本数据集包括第一样本数据集和第二样本数据集,所述第一样本数据集包括第一特征信息,所述第二样本数据集包括第二特征信息;
构建相似度计算模型;
将所述特征信息输入所述相似度计算模型,得到训练好的相似度计算模型;
将待识别的第一诊疗结果和第二诊疗结果输入所述相似度计算模型,得到第二诊疗意见。
2.根据权利要求1所述基于循证医学的第二诊疗意见生成方法,其特征在于,所述获取一定数量的样本数据集,并确定所述样本数据集对应的特征信息,包括:
基于所述样本数据集构建决策树模型,选择信息增益最大的属性特征作为决策树的根节点,所述决策树中的每个子节点为所述第一样本数据集中的某个属性特征信息,所述决策树的叶子节点为样本数据所属的类别。
3.根据权利要求2所述基于循证医学的第二诊疗意见生成方法,其特征在于,所述基于所述样本数据集构建决策树模型,包括:
基于公式1计算样本数据集D的信息熵:
式中,D为样本数据集,c为样本的类别数,pi为属于类别i的样本数量占所有样本的比例。
4.根据权利要求3所述基于循证医学的第二诊疗意见生成方法,其特征在于,所述基于所述样本数据集构建决策树模型,还包括:
基于公式2计算InfoA(D):
式中,A为属性特征A,性特征A作为决策树判断节点时,属性特征A作用后的信息熵的为InfoA(D),k表示样本D被分为k个部分。
5.根据权利要求4所述基于循证医学的第二诊疗意见生成方法,其特征在于,所述基于所述样本数据集构建决策树模型,还包括:
基于公式3计算信息增益值Gain(A):
Gain(A)=Info(D)-InfoA(D) 公式3;
以信息增益值Gain(A)最大的属性特征作为决策树的根节点,继续计算信息增益值,并以信息增益值最大的属性特征作为决策树的子节点,构建决策树,直到所有属性特征值均小于设定阈值或没有属性特征选择为止。
6.根据权利要求1所述基于循证医学的第二诊疗意见生成方法,其特征在于,所述将所述特征信息输入所述相似度计算模型,得到训练好的相似度计算模型,包括:
将所述样本数据集分别划分为训练集、验证集和测试集;
基于所述训练集训练所述相似度计算模型;
基于所述验证集对训练后的所述相似度计算模型进行性能评估,得到满足性能条件的相似度计算模型;
基于所述测试集评估满足性能条件的所述相似度计算模型的分割结果,得到所述相似度计算模型所对应的评价指数。
7.根据权利要求1所述基于循证医学的第二诊疗意见生成方法,其特征在于,所述将待识别的第一诊疗结果和第二诊疗结果输入所述相似度计算模型,得到第二诊疗意见,包括:
基于所述相似度计算模型计算所述第一特征信息和所述第二特征信息的相似度概率,判断所述相似度概率是否大于预设参考因子,当所述相似度概率大于预设参考因子时,以所述第一诊疗结果作为第二诊疗意见自动生成诊断结论,当所述相似度概率小于预设参考因子时,以所述第二诊疗结果作为第二诊疗意见自动生成诊断结论。
8.一种基于循证医学的第二诊疗意见生成系统,其特征在于,包括:
获取模块,用于获取一定数量的样本数据集,并确定所述样本数据集对应的特征信息;其中,所述样本数据集包括第一样本数据集和第二样本数据集,所述第一样本数据集包括第一特征信息,所述第二样本数据集包括第二特征信息;
构建模块,用于构建相似度计算模型;
训练模块,用于将所述特征信息输入所述相似度计算模型,得到训练好的相似度计算模型;
将待识别的第一诊疗结果和第二诊疗结果输入所述相似度计算模型,得到第二诊疗意见。
9.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7中的任一项所述的方法的步骤。
10.一种非暂态计算机可读介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7中的任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310968809.2A CN117174285A (zh) | 2023-08-03 | 2023-08-03 | 基于循证医学的第二诊疗意见生成系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310968809.2A CN117174285A (zh) | 2023-08-03 | 2023-08-03 | 基于循证医学的第二诊疗意见生成系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117174285A true CN117174285A (zh) | 2023-12-05 |
Family
ID=88940284
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310968809.2A Pending CN117174285A (zh) | 2023-08-03 | 2023-08-03 | 基于循证医学的第二诊疗意见生成系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117174285A (zh) |
-
2023
- 2023-08-03 CN CN202310968809.2A patent/CN117174285A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111292848B (zh) | 一种基于贝叶斯估计的医疗知识图谱辅助推理方法 | |
Bashir et al. | BagMOOV: A novel ensemble for heart disease prediction bootstrap aggregation with multi-objective optimized voting | |
WO2020181805A1 (zh) | 糖尿病的预测方法及装置、存储介质、计算机设备 | |
CN112365987A (zh) | 诊断数据异常检测方法、装置、计算机设备及存储介质 | |
US20090287503A1 (en) | Analysis of individual and group healthcare data in order to provide real time healthcare recommendations | |
CN111785384A (zh) | 基于人工智能的异常数据识别方法及相关设备 | |
CN109935337B (zh) | 一种基于相似性度量的病案查找方法及系统 | |
WO2021151295A1 (zh) | 患者治疗方案的确定方法、装置、计算机设备及介质 | |
Löw et al. | Multiple retrieval case-based reasoning for incomplete datasets | |
CN113628726B (zh) | 基于图神经网络的中医辨治推荐系统、方法和电子设备 | |
CN111326243B (zh) | 分诊推荐方法、装置、电子设备和存储介质 | |
WO2021159814A1 (zh) | 文本数据的错误检测方法、装置、终端设备及存储介质 | |
CN111783830A (zh) | 基于oct的视网膜分类方法、装置、计算机设备及存储介质 | |
CN110808095B (zh) | 诊断结果识别、模型训练的方法、计算机设备及存储介质 | |
WO2022227171A1 (zh) | 关键信息提取方法、装置、电子设备及介质 | |
CN112435745B (zh) | 就诊策略推荐方法、装置、电子设备及存储介质 | |
CN114049952A (zh) | 一种基于机器学习的术后急性肾损伤智能预测方法及装置 | |
CN111640517B (zh) | 病历编码方法、装置、存储介质及电子设备 | |
CN110957046A (zh) | 医疗健康案例知识匹配方法和系统 | |
CN113705092B (zh) | 基于机器学习的疾病预测方法及装置 | |
Siddiqa et al. | Robust Length of Stay Prediction Model for Indoor Patients. | |
CN117174285A (zh) | 基于循证医学的第二诊疗意见生成系统及方法 | |
CN115631823A (zh) | 相似病例推荐方法及系统 | |
CN115472257A (zh) | 一种招募用户的方法、装置、电子设备及存储介质 | |
CN114694779A (zh) | 一种提高icu患者护理满意度的方法及系统 |
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 |