CN118155836A - 一种智能在线病症匹配系统 - Google Patents
一种智能在线病症匹配系统 Download PDFInfo
- Publication number
- CN118155836A CN118155836A CN202410588240.1A CN202410588240A CN118155836A CN 118155836 A CN118155836 A CN 118155836A CN 202410588240 A CN202410588240 A CN 202410588240A CN 118155836 A CN118155836 A CN 118155836A
- Authority
- CN
- China
- Prior art keywords
- patient
- matching
- condition
- data
- disease
- 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
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 140
- 201000010099 disease Diseases 0.000 title claims abstract description 110
- 208000024891 symptom Diseases 0.000 claims abstract description 66
- 238000012549 training Methods 0.000 claims abstract description 47
- 238000001914 filtration Methods 0.000 claims abstract description 34
- 238000000605 extraction Methods 0.000 claims abstract description 27
- 230000036578 sleeping time Effects 0.000 claims abstract description 24
- 238000012545 processing Methods 0.000 claims abstract description 16
- 238000011156 evaluation Methods 0.000 claims description 43
- 238000000034 method Methods 0.000 claims description 24
- 230000000875 corresponding effect Effects 0.000 claims description 23
- 230000008569 process Effects 0.000 claims description 22
- 238000013507 mapping Methods 0.000 claims description 19
- 230000002596 correlated effect Effects 0.000 claims description 8
- 238000012795 verification Methods 0.000 claims description 8
- 238000011282 treatment Methods 0.000 claims description 6
- 230000004617 sleep duration Effects 0.000 claims description 5
- 238000003745 diagnosis Methods 0.000 claims description 4
- 238000011269 treatment regimen Methods 0.000 claims description 3
- 230000000052 comparative effect Effects 0.000 claims 1
- 230000006872 improvement Effects 0.000 abstract description 9
- 208000035475 disorder Diseases 0.000 description 22
- 230000008859 change Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 8
- 230000004622 sleep time Effects 0.000 description 6
- 238000012546 transfer Methods 0.000 description 6
- 239000008280 blood Substances 0.000 description 5
- 210000004369 blood Anatomy 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 210000002700 urine Anatomy 0.000 description 5
- 206010028748 Nasal obstruction Diseases 0.000 description 4
- 206010039101 Rhinorrhoea Diseases 0.000 description 4
- CLOMYZFHNHFSIQ-UHFFFAOYSA-N clonixin Chemical compound CC1=C(Cl)C=CC=C1NC1=NC=CC=C1C(O)=O CLOMYZFHNHFSIQ-UHFFFAOYSA-N 0.000 description 4
- 206010013789 Dry throat Diseases 0.000 description 3
- 206010019233 Headaches Diseases 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 231100000869 headache Toxicity 0.000 description 3
- 206010020751 Hypersensitivity Diseases 0.000 description 2
- 206010035664 Pneumonia Diseases 0.000 description 2
- 208000036071 Rhinorrhea Diseases 0.000 description 2
- 208000026935 allergic disease Diseases 0.000 description 2
- 230000007815 allergy Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 206010022000 influenza Diseases 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 208000010753 nasal discharge Diseases 0.000 description 2
- 201000009240 nasopharyngitis Diseases 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 206010041232 sneezing Diseases 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000009385 viral infection Effects 0.000 description 2
- 206010020741 Hyperpyrexia Diseases 0.000 description 1
- 206010020843 Hyperthermia Diseases 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013479 data entry Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000005802 health problem Effects 0.000 description 1
- 208000006750 hematuria Diseases 0.000 description 1
- 208000021760 high fever Diseases 0.000 description 1
- 230000036031 hyperthermia Effects 0.000 description 1
- 238000000465 moulding Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明涉及病症匹配技术领域,尤其涉及一种智能在线病症匹配系统,包括:数据采集模块,用以采集患者的特征数据;数据处理模块,包括用以对所述患者的特征数据进行滤波处理以输出去噪特征数据的滤波组件和与所述滤波组件相连用以对患者的对比特征数据进行提取的特征提取组件;病症匹配模块,用以确定患者的病症类型;控制模块,用以根据病症匹配正确的患者数量占比确定特征提取的症状组合的数量,或,根据所述病症匹配正确的患者数量占比和患者的睡眠时长与患者的发病间隔时长的线性拟合度重新配置训练类型的数量。本发明实现了病症匹配的精准性的提高。
Description
技术领域
本发明涉及病症匹配技术领域,尤其涉及一种智能在线病症匹配系统。
背景技术
智能在线病症匹配系统是一种利用人工智能和大数据技术,根据用户输入的症状信息,自动匹配可能患有的疾病及其相关信息的系统。这种系统旨在帮助用户快速获取与健康问题相关的初步建议和指导,以便及时采取适当的医疗措施。
中国专利公开号:CN112233794A公开了一种基于血尿信息的疾病信息匹配系统。包括:获取模块,用于获取血尿临床特征信息以及疾病临床特征信息,并建立特征信息数据向量集;预处理模块,用于采集待识别血尿临床特征信息,并建立待识别特征信息向量集;计算匹配模块,用于设定汉明编码转化规则,根据该汉明编码转化规则将特征信息数据向量集转化为第一编码向量集,将待识别特征信息向量集转化为第二编码向量集,并计算汉明重量;匹配模块,用于根据汉明重量对第一编码向量集对应的血尿临床特征信息进行排序,并生成待识别血尿临床特征信息对应的疾病匹配报告。本发明通过设定汉明编码转化规则,将文本之间的匹配转化为特定字符之间的匹配,能够提高文本匹配的精确度。由此可见,所述于血尿信息的疾病信息匹配系统存在由于疾病后期的转移和变化使特征信息发生变化导致病症匹配的精准性下降的问题。
发明内容
为此,本发明提供一种智能在线病症匹配系统,用以克服现有技术中由于疾病后期的转移和变化使特征信息数据发生变化导致病症匹配的精准性下降的问题。
为实现上述目的,本发明提供一种智能在线病症匹配系统,包括:数据采集模块,用以采集患者的特征数据,所述患者的特征数据包括患者症状数据和患者附加数据;数据处理模块,其与所述数据采集模块相连,包括用以对所述患者的特征数据进行滤波处理以输出去噪特征数据的滤波组件和与所述滤波组件相连用以对患者的对比特征数据进行提取的特征提取组件;病症匹配模块,其与所述数据处理模块相连,用以确定患者的病症类型,包括与所述特征提取组件相连用以对所述患者的对比特征数据进行训练以输出若干组症状数据和/或附加数据与病症之间的映射的训练组件;控制模块,其分别与所述数据采集模块、所述数据处理模块以及所述病症匹配模块相连,用以根据病症匹配正确的患者数量占比确定特征提取的症状组合的数量,或,根据所述病症匹配正确的患者数量占比和患者的睡眠时长与患者的发病间隔时长的线性拟合度重新配置训练类型的数量,以及,根据所述患者的睡眠时长与患者的发病间隔时长的线性拟合度和特征相同的患者的病症相似度评价参数确定对所述患者的特征数据的滤波幅度。
进一步地,所述病症匹配模块还包括:
病症数据库,用以存储病症种类和病症的对应治疗方案;
匹配组件,其分别与所述训练组件和所述病症数据库相连,用以根据所述患者的对比特征数据与所述映射的匹配数据的数量占比确定患者的病症类型的概率并输出对应的治疗方案;
调用组件,其分别与所述病症数据库和所述匹配组件相连,用以将病症数据库中的病症种类和病症的对应治疗方案调用至匹配组件中。
进一步地,所述控制模块获取参与病症匹配验证过程中的病症匹配结果与医院确诊结果相同的患者数量和参与病症匹配验证过程的患者总数量以对病症匹配正确的患者数量占比进行计算,
所述控制模块在第一数量占比条件下判定病症匹配的精准性不符合要求,并控制特征提取组件按照所述特征提取的症状组合的数量对患者的对比特征数据进行特征提取;
其中,所述第一数量占比条件为所述病症匹配正确的患者数量占比小于预设第一数量占比。
进一步地,所述特征提取的症状组合的数量通过所述预设第一数量占比和所述病症匹配正确的患者数量占比的差值确定;所述特征提取的症状组合的数量与所述预设第一数量占比和所述病症匹配正确的患者数量占比的差值呈正相关。
进一步地,所述控制模块在第二数量占比条件下初步判定映射建立的精准性不符合要求,并分别获取患者的睡眠时长和患者的发病间隔时长以对患者的睡眠时长与患者的发病间隔时长的线性拟合度进行计算,
所述控制模块在第一拟合度条件下二次判定映射建立的精准性不符合要求,并控制训练单元按照重新配置训练类型的数量对数据进行训练;
其中,所述第二数量占比条件为所述病症匹配正确的患者数量占比大于等于预设第一数量占比且小于预设第二数量占比;所述第一拟合度条件为所述患者的睡眠时长与患者的发病间隔时长的线性拟合度大于预设第二拟合度。
进一步地,所述重新配置训练类型的数量通过所述患者的睡眠时长与患者的发病间隔时长的线性拟合度与所述预设第二拟合度的差值确定;所述训练类型的数量与所述患者的睡眠时长与患者的发病间隔时长的线性拟合度与所述预设第二拟合度的差值呈正相关。
进一步地,所述控制模块在第二拟合度条件下初步判定疾病相似度的识别精准性不符合要求,并对特征相同的患者的病症相似度评价参数进行计算,
所述控制模块在预设相似度评价参数条件下二次判定疾病相似度的识别精准性不符合要求,并控制所述滤波组件按照对应滤波幅度对患者的基础数据和患者的附加数据进行滤波;
其中,所述第二拟合度条件为所述患者的睡眠时长与患者的发病间隔时长的线性拟合度大于预设第一拟合度且小于等于所述预设第二拟合度;所述预设相似度评价参数条件为所述特征相同的患者的病症相似度评价参数大于预设相似度评价参数。
进一步地,所述患者的特征数据的滤波幅度通过所述特征相同的患者的病症相似度评价参数与所述预设相似度评价参数的差值确定;所述患者的特征数据的滤波幅度与所述特征相同的患者的病症相似度评价参数与所述预设相似度评价参数的差值呈正相关。
进一步地,所述特征相同的患者的病症相似度评价参数的计算公式为:
U=W×w+H×h
其中,U为特征相同的患者的病症相似度评价参数,W为病症匹配模块确定的第一名患者的病症类型文本与第二名患者的病症类型文本之间的余弦相似度,w为余弦相似度权重系数,H为病症匹配模块确定的第一名患者的病症类型文本与第二名患者的病症类型文本之间的杰卡德距离,h为杰卡德距离权重系数;其中,所述第一名患者与所述第二名患者的对比特征数据相同;w+h=1。
进一步地,所述患者的对比特征数据包括症状组合数据或症状与附加数据的混合组合数据。
与现有技术相比,本发明的有益效果在于,本发明所述匹配系统通过设置数据采集模块、数据处理模块、病症匹配模块以及控制模块,根据病症匹配正确的患者数量占比确定特征提取的症状组合的数量,降低了由于疾病后期的转移和变化使特征数据发生变化,导致病症匹配精准性下降的影响;根据患者的睡眠时长与患者的发病间隔时长的线性拟合度确定训练类型的数量,由于患者生活习惯的不同,患者附加数据受其影响较大,导致映射建立的精准性下降,增大训练的类型数量,提高映射建立的精准性,进一步实现了病症匹配的精准性的提高。
进一步地,本发明所述匹配系统通过设置预设第一数量占比和预设第二数量占比,通过根据病症匹配正确的患者数量占比对特征提取的症状组合的数量进行增加,降低了由于疾病后期的转移和变化使特征数据发生变化,导致病症匹配精准性下降的影响,进一步实现了病症匹配的精准性的提高。
进一步地,本发明所述匹配系统通过设置预设第一拟合度和预设第二拟合度,通过根据患者的睡眠时长与患者的发病间隔时长的线性拟合度确定训练类型的数量,由于患者生活习惯的不同,患者附加数据受其影响较大,导致映射建立的精准性下降,增大训练的类型数量,提高映射建立的精准性,进一步实现了病症匹配的精准性的提高。
进一步地,本发明所述匹配系统通过设置预设相似度评价参数,通过根据特征相同的患者的病症相似度评价参数对患者的特征数据的对应滤波幅度进行确定,特征相同的患者的症状输入的字节量不同,使病症匹配的相似度出现差异,提高患者的特征数据的滤波幅度,以减少患者的特征数据中的无效字节量,进一步实现了病症匹配的精准性的提高。
进一步地,本发明通过结合余弦相似度与杰卡德距离对相似度进行判定,可以同时考虑到数据在方向和内容上的相似性,从而减少由于单一度量带来的偏差,间接提高了病症匹配的精准性。
附图说明
图1为本发明实施例智能在线病症匹配系统的整体结构框图;
图2为本发明实施例智能在线病症匹配系统的病症匹配模块的具体结构框图;
图3为本发明实施例智能在线病症匹配系统的病症匹配模块与控制模块相连接的连接结构框图;
图4为本发明实施例智能在线病症匹配系统的数据处理模块的具体结构框图。
具体实施方式
为了使本发明的目的和优点更加清楚明白,下面结合实施例对本发明作进一步描述;应当理解,此处所描述的具体实施例仅仅用于解释本发明,并不用于限定本发明。
下面参照附图来描述本发明的优选实施方式。本领域技术人员应当理解的是,这些实施方式仅仅用于解释本发明的技术原理,并非在限制本发明的保护范围。
需要指出的是,在本实施例中的数据均为通过本发明智能在线病症匹配系统在进行本次使用前根据历史测试数据以及对应的测试过程中的数据统计、实验以及根据实验结果综合分析得出;本发明智能在线病症匹配系统在进行当次的成型前对在90天内累计统计、测试和计算出的1432例的病症匹配正确的患者数量占比、患者的睡眠时长与患者的发病间隔时长的线性拟合度、特征相同的患者的病症相似度评价参数以及系统运行的平均响应时长并综合确定针对该智能在线病症匹配系统的各项预设参数标准的数值。本领域技术人员可以理解的是,本发明所述智能在线病症匹配系统针对单项上述参数的确定方式可以为根据数据分布选取占比最高的数值作为预设标准参数,只要满足本发明所述系统能够通过获取的数值明确界定单项判定过程中的不同特定情况即可。
此外,还需要说明的是,在本发明的描述中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体的连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域技术人员而言,可根据具体情况理解上述术语在本发明中的具体含义。
请参阅图1、图2、图3以及图4所示,其分别为本发明实施例智能在线病症匹配系统的整体结构框图、病症匹配模块的具体结构框图、病症匹配模块与控制模块相连接的连接结构框图以及数据处理模块的具体结构框图。本发明一种智能在线病症匹配系统,包括:
数据采集模块,用以采集患者的特征数据,所述患者的特征数据包括患者症状数据和患者附加数据;
数据处理模块,其与所述数据采集模块相连,包括用以对所述患者的特征数据进行滤波处理以输出去噪特征数据的滤波组件和与所述滤波组件相连用以对患者的对比特征数据进行提取的特征提取组件;
病症匹配模块,其与所述数据处理模块相连,用以确定患者的病症类型,包括与所述特征提取组件相连用以对所述患者的对比特征数据进行训练以输出若干组症状数据和/或附加数据与病症之间的映射的训练组件;
控制模块,其分别与所述数据采集模块、所述数据处理模块以及所述病症匹配模块相连,用以根据病症匹配正确的患者数量占比确定特征提取的症状组合的数量,或,根据所述病症匹配正确的患者数量占比和患者的睡眠时长与患者的发病间隔时长的线性拟合度重新配置训练类型的数量,
以及,根据所述患者的睡眠时长与患者的发病间隔时长的线性拟合度和特征相同的患者的病症相似度评价参数确定对所述患者的特征数据的滤波幅度。
具体而言,训练类型的数量的含义为训练组件在数据训练过程中的参与数据训练的类型的数量,例如,原来参加数据训练的类型只有患者症状数据中的几种,现在对训练类型的数量进行增加以后可能将患者附加数据中的若干种类附加数据加入数据训练过程中。
具体而言,本发明一种智能在线病症匹配系统还包括分别与数据采集模块、数据处理模块、病症匹配模块以及控制模块相连用以分别对患者的特征数据、去噪特征数据、患者的对比特征数据以及若干组症状数据和/或附加数据与病症之间的映射的存储模块。
本领域技术人员可以理解的是,训练组件的运行过程实质是对数据进行训练的过程,准确来说是机器学习模型的参数调整过程,在训练过程中机器学习模型会通过前向传播算法计算预测结果,然后使用反向传播算法调整模型的参数以减小预测结果与实际结果之间的差距,对上述过程进行重复运行若干次,直到损失函数值降低到某个阈值之下,而在模型训练完成后会生成模型输入数据与输出标签之间的映射关系,上述训练过程和涉及到的算法均为本领域技术人员所熟知的常规技术手段,因此对于映射的建立过程和具体算法的代码在此不再赘述。
可选地,患者症状数据的优选的实施例包括鼻塞、打喷嚏、流涕、咽干、头痛、高热以及全身酸痛。
可选地,患者附加数据的优选的实施例包括患者的发病时间、发病地点以及每天的进水量。
具体而言,数据采集模块具有数据录入功能,患者将患者症状数据和患者附加数据输入至数据采集模块中,数据采集模块将上述数据发送至数据模块进行后续处理。
具体而言,患者症状数据和患者附加数据为患者向数据采集模块输入或录入的内容。
具体而言,去噪特征数据相比于患者的特征数据而言数据的噪声更小。
具体而言,特征提取的症状组合的数量为特征提取组件在对去噪特征数据进行特征提取的过程中针对患者的症状进行组合提取的症状组合的数量。
可选地,患者的症状的优选的实施例为,鼻塞、打喷嚏、流涕、咽干、头痛、高热、全身酸痛,当症状组合为以上全部症状时,症状匹配模块输出的病症类型为混合病毒感染或肺炎;当症状组合为鼻塞、打喷嚏、流涕、咽干时,病症匹配模块输出的病症类型为普通感冒;当症状组合为头痛、高热、全身酸痛时,病症匹配模块输出的病症类型为流感;而当症状组合为鼻塞、打喷嚏、流涕时,病症匹配模块输出的病症类型为过敏;同时病症匹配模块将病症类型的匹配概率按照由高到低排列为混合病毒感染或肺炎、流感、普通感冒、过敏;因此,当患者的病情有了发展或有了并发症的时候对于症状组合进行增加可以有效增加症状与病症类型的匹配精准性。
具体而言,患者的睡眠时长与患者的发病间隔时长的线性拟合度的含义为患者的睡眠时长与患者的发病间隔时长这两个参数的线性拟合度,对于若干个患者的睡眠时长数据与若干个患者的发病间隔时长数据进行二维坐标系上的线性回归检验以得到患者的睡眠时长与患者的发病间隔时长的线性拟合度,对于线性回归检验和线性拟合度的计算方法为本领域技术人员所熟知的常规技术手段,对于患者的睡眠时长与患者的发病间隔时长的线性拟合度的计算过程在此不再赘述。
具体而言,病症匹配正确的患者数量占比的计算公式为:
其中,Q为病症匹配正确的患者数量占比,qa为参与病症匹配验证过程中的病症匹配结果与医院确诊结果相同的患者数量,qb为参与病症匹配验证过程的患者总数量。
具体而言,病症类型也可以为中医中的病症类型,例如风病、寒病、湿病、火病以及燥病。
在实施中,本发明所述匹配系统通过设置数据采集模块、数据处理模块、病症匹配模块以及控制模块,根据病症匹配正确的患者数量占比确定特征提取的症状组合的数量,降低了由于疾病后期的转移和变化使特征数据发生变化,导致病症匹配精准性下降的影响;根据患者的睡眠时长与患者的发病间隔时长的线性拟合度确定训练类型的数量,由于患者生活习惯的不同,患者附加数据受其影响较大,导致映射建立的精准性下降,增大训练的类型数量,提高映射建立的精准性,进一步实现了病症匹配的精准性的提高。
具体而言,所述病症匹配模块还包括:
病症数据库,用以存储病症种类和病症的对应治疗方案;
匹配组件,其分别与所述训练组件和所述病症数据库相连,用以根据所述患者的对比特征数据与所述映射的匹配数据的数量占比确定患者的病症类型的概率并输出对应的治疗方案;
调用组件,其分别与所述病症数据库和所述匹配组件相连,用以将病症数据库中的病症种类和病症的对应治疗方案调用至匹配组件中。
所述控制模块获取参与病症匹配验证过程中的病症匹配结果与医院确诊结果相同的患者数量和参与病症匹配验证过程的患者总数量以对病症匹配正确的患者数量占比进行计算,
所述控制模块在第一数量占比条件下判定病症匹配的精准性不符合要求,并控制特征提取组件按照所述特征提取的症状组合的数量对患者的对比特征数据进行特征提取;
其中,所述第一数量占比条件为所述病症匹配正确的患者数量占比小于预设第一数量占比。
具体而言,所述特征提取的症状组合的数量E通过所述预设第一数量占比Q1和所述病症匹配正确的患者数量占比Q的差值△Q确定;所述特征提取的症状组合的数量与所述预设第一数量占比和所述病症匹配正确的患者数量占比的差值呈正相关。
可选地,预设第一数量占比Q1的优选实施例为0.65,预设第二数量占比Q2的优选实施例为0.8。
具体而言,△Q=Q1-Q,控制模块中设有预设数量占比基础差值△Q0和标准症状组合数量E,△Q0的优选实施例为△Q0=0.1,标准症状组合数量E的优先实施例为E=10个。
具体而言,确定特征提取的症状组合的数量的具体过程为:
若△Q≤△Q0,控制模块使用预设第一组合数量调节系数α1将标准症状组合数量调节至第一组合数量;
若△Q>△Q0,控制模块使用预设第二组合数量调节系数α2将标准症状组合数量调节至第二组合数量。
具体而言,特征提取的症状组合的数量包括第一组合数量和第二组合数量。具体而言,预设第一组合数量调节系数的优先实施例为α1=1.1,预设第二组合数量调节系数的优先实施例为α2=1.2,其中,1<α1<α2,特征提取的症状组合的数量记为E’,E’的计算公式为E’=E×αi,其中,αi为预设第i组合数量调节系数,设定i=1,2。
在实施中,本发明所述匹配系统通过设置预设第一数量占比和预设第二数量占比,通过根据病症匹配正确的患者数量占比对特征提取的症状组合的数量进行增加,降低了由于疾病后期的转移和变化使特征数据发生变化,导致病症匹配精准性下降的影响,进一步实现了病症匹配的精准性的提高。
具体而言,所述控制模块在第二数量占比条件下初步判定映射建立的精准性不符合要求,并分别获取患者的睡眠时长和患者的发病间隔时长以对患者的睡眠时长与患者的发病间隔时长的线性拟合度进行计算,
所述控制模块在第一拟合度条件下二次判定映射建立的精准性不符合要求,并控制训练组件按照重新配置后的训练类型的数量对患者的对比特征数据进行训练;
其中,所述第二数量占比条件为所述病症匹配正确的患者数量占比大于等于预设第一数量占比且小于预设第二数量占比;所述第一拟合度条件为所述患者的睡眠时长与患者的发病间隔时长的线性拟合度大于预设第二拟合度。
具体而言,所述重新配置后的训练类型的数量D’通过所述患者的睡眠时长与患者的发病间隔时长的线性拟合度S与所述预设第二拟合度S2的差值△S确定;
其中,所述训练类型的数量D’与所述患者的睡眠时长与患者的发病间隔时长的线性拟合度S与所述预设第二拟合度S2的差值△S呈正相关。
可选地,预设第二拟合度S2的优选实施例为S2=0.7。
具体而言,△S=S-S2,控制模块中设有预设拟合度差值△S0和训练类型的标准数量D,△S0的优选实施例为△S0=0.1,D的优选实施例为D=60种。
具体而言,确定重新配置后的训练类型的数量的具体过程为:
若△S≤△S0,控制模块使用预设第一数量调节系数β1将训练类型的标准数量D调节至第一数量;
若△S>△S0,控制模块使用预设第二数量调节系数β2将训练类型的标准数量D调节至第二数量。
具体而言,重新配置后的训练类型的数量包括第一数量和第二数量。
具体而言,1<β1<β2,预设第一数量调节系数的优选实施例为β1=1.2,预设第二数量调节系数的优选实施例为β=1.4,设定D’=D×(1+βk)/2,其中,βk为预设第k数量调节系数,设定k=1,2。
在实施中,本发明所述匹配系统通过设置预设第一拟合度和预设第二拟合度,通过根据患者的睡眠时长与患者的发病间隔时长的线性拟合度确定训练类型的数量,由于患者生活习惯的不同,患者附加数据受其影响较大,导致映射建立的精准性下降,增大训练的类型数量,提高映射建立的精准性,进一步实现了病症匹配的精准性的提高。
具体而言,所述控制模块在第二拟合度条件下初步判定疾病相似度的识别精准性不符合要求,并对特征相同的患者的病症相似度评价参数进行计算,
所述控制模块在预设相似度评价参数条件下二次判定疾病相似度的识别精准性不符合要求,并控制所述滤波组件按照对应滤波幅度对患者的基础数据和患者的附加数据进行滤波;
其中,所述第二拟合度条件为所述患者的睡眠时长与患者的发病间隔时长的线性拟合度大于预设第一拟合度S1且小于等于所述预设第二拟合度S2;所述预设相似度评价参数条件为所述特征相同的患者的病症相似度评价参数大于预设相似度评价参数。
具体而言,所述患者的特征数据的滤波幅度通过所述特征相同的患者的病症相似度评价参数与所述预设相似度评价参数的差值确定;所述患者的特征数据的滤波幅度T’与所述特征相同的患者的病症相似度评价参数R与所述预设相似度评价参数R0的差值△R呈正相关。
可以理解的是,患者的特征数据的对应滤波幅度的含义为对患者的特征数据的滤波窗口大小,因为本发明方案中处理的是离散数据,对于本领域技术人员来说,对于数据进行滤波是本领域技术人员所熟知的常规技术手段,因此对于患者的特征数据的滤波方法在此不再赘述。
可选地,预设第一拟合度的优选实施例S1=0.6,预设相似度评价参数R0的优选实施例为R0=30。
具体而言,△R=R-R0,控制模块中设有预设相似度评价参数差值△R0和标准滤波幅度T,△R0的优选实施例为△R0=5,T的优选实施例为T=4点移动平均。
具体而言,确定患者的特征数据的对应滤波幅度的具体过程为:
若△R≤△R0,控制模块使用预设第一幅度调节系数γ1将患者的特征数据的对应滤波幅度T调节至第一幅度;
若△R>△R0,控制模块使用预设第二幅度调节系数γ2将患者的特征数据的对应滤波幅度T调节至第二幅度。
具体而言,患者的特征数据的对应滤波幅度包括第一幅度和第二幅度。
具体而言,1<γ1<γ2,预设第一幅度调节系数γ1的优选实施例为γ1=1.1,预设第二幅度调节系数γ2的优选实施例γ2=1.2,其中,对应滤波幅度记为T’,设定T’=T×γP,其中,γP为预设第p幅度调节系数,设定p=1,2。
在实施中,本发明所述匹配系统通过设置预设相似度评价参数,通过根据特征相同的患者的病症相似度评价参数对患者的特征数据的对应滤波幅度进行确定,特征相同的患者的症状输入的字节量不同,使病症匹配的相似度出现差异,提高患者的特征数据的滤波幅度,以减少患者的特征数据中的无效字节量,进一步实现了病症匹配的精准性的提高。
具体而言,所述特征相同的患者的病症相似度评价参数的计算公式为:
U=W×w+H×h
其中,U为特征相同的患者的病症相似度评价参数,W为病症匹配模块确定的第一名患者的病症类型文本与第二名患者的病症类型文本之间的余弦相似度,w为余弦相似度权重系数,H为病症匹配模块确定的第一名患者的病症类型文本与第二名患者的病症类型文本之间的杰卡德距离,h为杰卡德距离权重系数;其中,所述第一名患者与所述第二名患者的对比特征数据相同;w+h=1。
具体而言,所述患者的对比特征数据包括症状组合数据或症状与附加数据的混合组合数据。
可选地,余弦相似度权重系数w的优选实施例为w=0.6,杰卡德距离权重系数h的优选实施例为h=0.4;本领域技术人员可以根据实际情况对w和h的具体值进行适应性调整。
可以理解的是,在计算第一名患者的病症类型文本与第二名患者的病症类型文本之间的余弦相似度之前需要对文本进行文本预处理、文本向量化、构建向量空间以及归一化操作,上述文本预处理、文本向量化、构建向量空间以及归一化操作为本领域技术所熟知的常规技术手段,在此不再赘述上述几项过程。
在实施中,通过结合余弦相似度与杰卡德距离对相似度进行判定,可以同时考虑到数据在方向和内容上的相似性,从而减少由于单一度量带来的偏差,间接提高了病症匹配的精准性。
至此,已经结合附图所示的优选实施方式描述了本发明的技术方案,但是,本领域技术人员容易理解的是,本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下,本领域技术人员可以对相关技术特征做出等同的更改或替换,这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
Claims (10)
1.一种智能在线病症匹配系统,其特征在于,包括:
数据采集模块,用以采集患者的特征数据,所述患者的特征数据包括患者症状数据和患者附加数据;
数据处理模块,其与所述数据采集模块相连,包括用以对所述患者的特征数据进行滤波处理以输出去噪特征数据的滤波组件和与所述滤波组件相连用以对患者的对比特征数据进行提取的特征提取组件;
病症匹配模块,其与所述数据处理模块相连,用以确定患者的病症类型,包括与所述特征提取组件相连用以对所述患者的对比特征数据进行训练以输出若干组症状数据和/或附加数据与病症之间的映射的训练组件;
控制模块,其分别与所述数据采集模块、所述数据处理模块以及所述病症匹配模块相连,用以根据病症匹配正确的患者数量占比确定特征提取的症状组合的数量,或,根据所述病症匹配正确的患者数量占比和患者的睡眠时长与患者的发病间隔时长的线性拟合度重新配置训练类型的数量,
以及,根据所述患者的睡眠时长与患者的发病间隔时长的线性拟合度和特征相同的患者的病症相似度评价参数确定对所述患者的特征数据的滤波幅度。
2.根据权利要求1所述的智能在线病症匹配系统,其特征在于,所述病症匹配模块还包括:
病症数据库,用以存储病症种类和病症的对应治疗方案;
匹配组件,其分别与所述训练组件和所述病症数据库相连,用以根据所述患者的对比特征数据与所述映射的匹配数据的数量占比确定患者的病症类型的概率并输出对应的治疗方案;
调用组件,其分别与所述病症数据库和所述匹配组件相连,用以将病症数据库中的病症种类和病症的对应治疗方案调用至匹配组件中。
3.根据权利要求2所述的智能在线病症匹配系统,其特征在于,所述控制模块获取参与病症匹配验证过程中的病症匹配结果与医院确诊结果相同的患者数量和参与病症匹配验证过程的患者总数量以对病症匹配正确的患者数量占比进行计算,
所述控制模块在第一数量占比条件下判定病症匹配的精准性不符合要求,并控制特征提取组件按照所述特征提取的症状组合的数量对患者的对比特征数据进行特征提取;
其中,所述第一数量占比条件为所述病症匹配正确的患者数量占比小于预设第一数量占比。
4.根据权利要求3所述的智能在线病症匹配系统,其特征在于,所述特征提取的症状组合的数量通过所述预设第一数量占比和所述病症匹配正确的患者数量占比的差值确定;所述特征提取的症状组合的数量与所述预设第一数量占比和所述病症匹配正确的患者数量占比的差值呈正相关。
5.根据权利要求4所述的智能在线病症匹配系统,其特征在于,所述控制模块在第二数量占比条件下初步判定映射建立的精准性不符合要求,并分别获取患者的睡眠时长和患者的发病间隔时长以对患者的睡眠时长与患者的发病间隔时长的线性拟合度进行计算,
所述控制模块在第一拟合度条件下二次判定映射建立的精准性不符合要求,并控制训练组件按照重新配置后的训练类型的数量对患者的对比特征数据进行训练;
其中,所述第二数量占比条件为所述病症匹配正确的患者数量占比大于等于预设第一数量占比且小于预设第二数量占比;所述第一拟合度条件为所述患者的睡眠时长与患者的发病间隔时长的线性拟合度大于预设第二拟合度。
6.根据权利要求5所述的智能在线病症匹配系统,其特征在于,所述重新配置后的训练类型的数量通过所述患者的睡眠时长与患者的发病间隔时长的线性拟合度与所述预设第二拟合度的差值确定;
其中,所述训练类型的数量与所述患者的睡眠时长与患者的发病间隔时长的线性拟合度与所述预设第二拟合度的差值呈正相关。
7.根据权利要求6所述的智能在线病症匹配系统,其特征在于,所述控制模块在第二拟合度条件下初步判定疾病相似度的识别精准性不符合要求,并对特征相同的患者的病症相似度评价参数进行计算,
所述控制模块在预设相似度评价参数条件下二次判定疾病相似度的识别精准性不符合要求,并控制所述滤波组件按照对应滤波幅度对患者的基础数据和患者的附加数据进行滤波;
其中,所述第二拟合度条件为所述患者的睡眠时长与患者的发病间隔时长的线性拟合度大于预设第一拟合度且小于等于所述预设第二拟合度;所述预设相似度评价参数条件为所述特征相同的患者的病症相似度评价参数大于预设相似度评价参数。
8.根据权利要求7所述的智能在线病症匹配系统,其特征在于,所述患者的特征数据的滤波幅度通过所述特征相同的患者的病症相似度评价参数与所述预设相似度评价参数的差值确定;所述患者的特征数据的滤波幅度与所述特征相同的患者的病症相似度评价参数与所述预设相似度评价参数的差值呈正相关。
9.根据权利要求8所述的智能在线病症匹配系统,其特征在于,所述特征相同的患者的病症相似度评价参数的计算公式为:
U=W×w+H×h
其中,U为特征相同的患者的病症相似度评价参数,W为病症匹配模块确定的第一名患者的病症类型文本与第二名患者的病症类型文本之间的余弦相似度,w为余弦相似度权重系数,H为病症匹配模块确定的第一名患者的病症类型文本与第二名患者的病症类型文本之间的杰卡德距离,h为杰卡德距离权重系数;其中,所述第一名患者与所述第二名患者的对比特征数据相同;w+h=1。
10.根据权利要求1所述的智能在线病症匹配系统,其特征在于,所述患者的对比特征数据包括症状组合数据或症状与附加数据的混合组合数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410588240.1A CN118155836A (zh) | 2024-05-13 | 2024-05-13 | 一种智能在线病症匹配系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410588240.1A CN118155836A (zh) | 2024-05-13 | 2024-05-13 | 一种智能在线病症匹配系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118155836A true CN118155836A (zh) | 2024-06-07 |
Family
ID=91297521
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410588240.1A Pending CN118155836A (zh) | 2024-05-13 | 2024-05-13 | 一种智能在线病症匹配系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118155836A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2005096737A2 (en) * | 2004-03-31 | 2005-10-20 | Resmed Limited | Methods and apparatus for monitoring the cardiovascular condition of patients with sleep disordered breathing |
US20080033508A1 (en) * | 2002-10-15 | 2008-02-07 | Medtronic, Inc. | Clustering of recorded patient neurological activity to determine length of a neurological event |
US20190110755A1 (en) * | 2017-10-17 | 2019-04-18 | Whoop, Inc. | Applied data quality metrics for physiological measurements |
CN111985246A (zh) * | 2020-08-27 | 2020-11-24 | 武汉东湖大数据交易中心股份有限公司 | 一种基于主要症状与伴随症状词的疾病认知系统 |
CN112233793A (zh) * | 2020-10-20 | 2021-01-15 | 吾征智能技术(北京)有限公司 | 一种基于血精及疾病的自学习信息匹配系统 |
CN114073508A (zh) * | 2020-08-19 | 2022-02-22 | 苏州大学 | 一种评估心血管疾病风险的系统 |
CN116344036A (zh) * | 2023-03-29 | 2023-06-27 | 遵义市第一人民医院(遵义医学院第三附属医院) | 一种全科医学科患者的个性化诊疗推荐方法及系统 |
-
2024
- 2024-05-13 CN CN202410588240.1A patent/CN118155836A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080033508A1 (en) * | 2002-10-15 | 2008-02-07 | Medtronic, Inc. | Clustering of recorded patient neurological activity to determine length of a neurological event |
WO2005096737A2 (en) * | 2004-03-31 | 2005-10-20 | Resmed Limited | Methods and apparatus for monitoring the cardiovascular condition of patients with sleep disordered breathing |
US20190110755A1 (en) * | 2017-10-17 | 2019-04-18 | Whoop, Inc. | Applied data quality metrics for physiological measurements |
CN114073508A (zh) * | 2020-08-19 | 2022-02-22 | 苏州大学 | 一种评估心血管疾病风险的系统 |
CN111985246A (zh) * | 2020-08-27 | 2020-11-24 | 武汉东湖大数据交易中心股份有限公司 | 一种基于主要症状与伴随症状词的疾病认知系统 |
CN112233793A (zh) * | 2020-10-20 | 2021-01-15 | 吾征智能技术(北京)有限公司 | 一种基于血精及疾病的自学习信息匹配系统 |
CN116344036A (zh) * | 2023-03-29 | 2023-06-27 | 遵义市第一人民医院(遵义医学院第三附属医院) | 一种全科医学科患者的个性化诊疗推荐方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109171712B (zh) | 心房颤动识别方法、装置、设备及计算机可读存储介质 | |
CN101773394B (zh) | 身份识别方法及应用该方法的身份识别系统 | |
CN102835954B (zh) | 一种心拍波形模板生成方法及模块 | |
CN103251388B (zh) | 基于智能手机平台的打鼾监测方法和监测及防治系统 | |
WO2021017313A1 (zh) | 房颤的检测方法、装置、计算机设备及存储介质 | |
CN107480135B (zh) | 数据处理方法、医学用语处理系统和医学诊疗系统 | |
US20210153807A1 (en) | Method, Computing Device And Wearable Device For Sleep Stage Detection | |
CN117457229B (zh) | 基于人工智能的麻醉深度监测系统及方法 | |
CN110197235B (zh) | 一种基于独特性注意力机制的人体活动识别方法 | |
CN106473700B (zh) | 基于hrv频域分析的阻塞性睡眠呼吸暂停综合征的检测系统 | |
CN106559744A (zh) | 一种基于稀疏识别与压缩感知的体域网节能方法 | |
CN111383770A (zh) | 一种临床研究与随访融合系统和方法 | |
CN114916935B (zh) | 一种基于矫正人员矫正过程的体态分析的辅助矫正系统 | |
WO2021103796A1 (zh) | 心电信号处理方法、心电信号处理装置和电子设备 | |
CN115316991B (zh) | 一种激惹情绪的自适应识别预警方法 | |
CN112971802A (zh) | 基于深度学习模型的心音信号检测方法及系统 | |
CN109887595A (zh) | 基于深度学习技术的心搏异常识别算法 | |
CN115251845B (zh) | 基于TB-TF-BiGRU模型处理脑电波信号的睡眠监测方法 | |
CN115530847A (zh) | 一种基于多尺度注意力的脑电信号自动睡眠分期方法 | |
CN108877924A (zh) | 一种哮喘概率的确定方法及装置 | |
CN118155836A (zh) | 一种智能在线病症匹配系统 | |
CN112002419B (zh) | 一种基于聚类的疾病辅助诊断系统、设备、存储介质 | |
CN117133464A (zh) | 一种老年人健康智能监测系统及监测方法 | |
CN111588359B (zh) | 一种新冠肺炎预警系统 | |
CN115024716A (zh) | 基于心率标签生成的心冲击图信号重建方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination |