TW201805887A - 醫學系統、醫學方法及非暫態電腦可讀取媒體 - Google Patents

醫學系統、醫學方法及非暫態電腦可讀取媒體 Download PDF

Info

Publication number
TW201805887A
TW201805887A TW106127361A TW106127361A TW201805887A TW 201805887 A TW201805887 A TW 201805887A TW 106127361 A TW106127361 A TW 106127361A TW 106127361 A TW106127361 A TW 106127361A TW 201805887 A TW201805887 A TW 201805887A
Authority
TW
Taiwan
Prior art keywords
symptom
prediction
predictive model
medical
response
Prior art date
Application number
TW106127361A
Other languages
English (en)
Inventor
湯凱富
高皓成
周俊男
張智威
鄭志偉
張庭榕
游山逸
劉宗祥
宋政隆
葉倢昕
Original Assignee
宏達國際電子股份有限公司
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 宏達國際電子股份有限公司 filed Critical 宏達國際電子股份有限公司
Publication of TW201805887A publication Critical patent/TW201805887A/zh

Links

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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • 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
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/20—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for electronic clinical trials or questionnaires
    • 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
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
    • 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
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/20—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the management or administration of healthcare resources or facilities, e.g. managing hospital staff or surgery rooms
    • 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
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • 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

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • General Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • General Business, Economics & Management (AREA)
  • Business, Economics & Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Algebra (AREA)
  • Pure & Applied Mathematics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Treatment And Welfare Office Work (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

一種醫學系統包括互動介面及分析引擎。互動介面經配置為用於接收初始症狀。分析引擎與互動介面通訊。分析引擎包括預測模組。預測模組經配置為用於根據預測模型及初始症狀產生將在互動介面上顯示的症狀詢問。互動介面經配置為用於接收對應於症狀詢問的回應。預測模組經配置以根據預測模型、初始症狀及回應產生結果預測。

Description

醫學系統、醫學方法及非暫態電腦可讀 取媒體
本揭示係關於醫學系統，更進一步而言，本揭示係關於用以基於症狀輸入產生醫學預測的電腦輔助醫學系統。
近年來已經出現了電腦輔助醫學系統的概念以便於患者自我診斷。電腦輔助醫學系統可請求患者提供一些資訊，並隨後基於與患者的互動來嘗試診斷潛在疾病。在一些情形下，患者不知道如何描述其健康狀況，或是電腦輔助醫學系統難以正確判讀患者提供的描述，使得電腦輔助醫學系統在運作上存在一定困難。
本揭示提供一種醫學系統。醫學系統包括互動介面及分析引擎。互動介面經配置為用於接收初始症狀。分析引擎與互動介面通訊。分析引擎包括預測模組。預測模組經配置為用於根據預測模型及初始症狀產生複數個症狀詢 問，症狀詢問顯示在互動介面上。互動介面經配置為用於接收對應於症狀詢問的回應。最後，預測模組亦經配置以根據預測模型、初始症狀及回應產生結果預測。
在一實施例中，預測模組經配置以根據預測模型及初始症狀產生第一症狀詢問。第一症狀詢問在互動介面上顯示。互動介面經配置以接收對應於第一症狀詢問的第一回應。預測模組經進一步配置以根據預測模型、初始症狀及第一回應產生第二症狀詢問。第二症狀詢問在互動介面上顯示。互動介面經配置以接收對應於第二症狀詢問的第二回應。預測模組經配置以根據預測模型、初始症狀、第一回應及第二回應產生結果預測。
在一實施例中，醫學系統進一步包括經配置為用於根據訓練資料產生預測模型的學習模組。訓練資料包括已知醫學記錄。學習模組採用已知醫學記錄以訓練預測模型。
在一實施例中，訓練資料進一步包括由互動介面收集之使用者反饋輸入、從外部伺服器接收之醫師診斷記錄或由預測模組產生之預測日誌檔案。學習模組根據使用者反饋輸入、醫師診斷記錄或預測日誌檔案進一步更新預測模型。
在一實施例中，結果預測包含疾病預測及匹配此疾病預測之醫學科別建議的至少一個，其中疾病預測包含疾病名稱或依機率排列的疾病名稱列表。
在一實施例中，在在互動介面上顯示疾病預測或醫學科別建議之後。互動介面經配置以接收回應於疾病預測或醫學科別建議的使用者命令。醫學系統經配置以將對應於使用者命令的掛號請求發送至外部伺服器。
在一實施例中，預測模型包括由學習模組根據貝氏(Bayesian)推論演算法產生之第一預測模型。第一預測模型包括機率關係表。機率關係表記錄在不同疾病與不同症狀之間的相對機率。
在一實施例中，預測模型包括由學習模組根據決策樹演算法產生之第二預測模型。第二預測模型包括根據訓練資料提前構建的複數個決策樹。
在一實施例中，預測模型包括由學習模組根據強化學習演算法產生之第三預測模型。根據訓練資料訓練第三預測模型以最大化獎勵訊號。根據由第三預測模型做出之訓練預測的正確性，獎勵訊號是正的或負的。根據訓練資料中的已知醫學記錄驗證訓練預測的正確性。
本揭示進一步提供一種用於提供疾病預測的方法，其包括以下步驟。接收初始症狀。根據預測模型及初始症狀產生症狀詢問。接收對應於症狀詢問的回應。根據預測模型、初始症狀及回應產生疾病預測。
本揭示進一步提供一種非暫態電腦可讀取媒體，其具有電腦程式以執行下列方法。此方法包括以下步驟。接收初始症狀。根據預測模型及初始症狀產生症狀詢 問。接收對應於症狀詢問的回應。根據預測模型、初始症狀及回應產生疾病預測。
100‧‧‧醫學系統
120‧‧‧分析引擎
122‧‧‧學習模組
124‧‧‧預測模組
140‧‧‧互動介面
200‧‧‧外部伺服器
800‧‧‧方法
S810~S850‧‧‧步驟
TB1~TB10‧‧‧系統訊息
TU1~TU5‧‧‧輸入訊息
S901~S911‧‧‧步驟
為讓本揭示內容之上述和其他目的、特徵、優點與實施例能更明顯易懂，所附圖式之說明如下：第1圖繪示根據本揭示之一實施例中一種醫學系統的示意圖。
第2圖繪示於示意性實施例中的醫學系統的示意圖。
第3圖繪示一種分析引擎其具有基於貝氏推論演算法建立第一預測模型之學習模組的示意圖。
第4圖繪示另一種分析引擎其具有基於決策樹演算法建立第二預測模型之學習模組的示意圖。
第5圖繪示一實施例中的多個決策樹的示意圖。
第6圖繪示第5圖中的多個決策樹其中一個決策樹的示意圖。
第7圖繪示另一種分析引擎其具有基於強化學習演算法建立第三預測模型之學習模組的示意圖。
第8圖繪示一種用於提供疾病預測之方法的流程圖。
第9圖繪示於示意性實施例中的一種用於提供疾病預測之方法的流程圖。
第10A圖至第10E圖繪示顯示於第2圖中互動介面上用以引導使用者輸入初始症狀及回應的介面內容之實施例。
第11A圖及第11B圖繪示當使用者之前已採用醫學系統時在互動介面上所顯示之介面內容的實施例。
第12A圖及第12B圖繪示當使用者欲預訂的門診時段已額滿時在互動介面上所顯示之介面內容的實施例。
第13圖繪示接收到不同類型的使用者輸入的各種情況下醫學系統如何決定初始症狀的流程圖。
第14圖繪示在一實施例中在互動介面上所展示的身體圖的示意圖。
參考第1圖，其係根據本揭示之一實施例說明醫學系統100的示意圖。醫學系統100包括分析引擎120及互動介面140。分析引擎120與互動介面140通訊連接。
在一些實施例中，醫學系統100由電腦、伺服器或處理中心建立。分析引擎120可由處理器、中央處理單元或計算單元實現。互動介面140可包括輸出介面(例如，用於顯示資訊的顯示面板)及用於讓使用者鍵入文字指令、給予聲音指令或上載一些相關資料(例如，影像、醫學記錄、或個人檢查報告)的輸入裝置(例如，接觸面板、鍵盤、麥克風、掃描器或快閃記憶體讀取器)。
在一些其他實施例中，醫學系統100的至少一部分是使用分散式系統建立。例如，分析引擎120係藉由雲端計算系統建立。在此情形中，互動介面140可以是智慧型手機，其透過無線方式通訊連接至分析引擎120。互動介面 140的輸出介面可以是智慧型手機上的顯示面板。互動介面140的輸入裝置可以是智慧型手機上的觸控面板、鍵盤及/或麥克風。
如第1圖所示，分析引擎120包括學習模組122及預測模組124。學習模組122經配置用於根據訓練資料產生預測模型MDL。
進一步參考第2圖，其係說明在一示意性實施例中的醫學系統100的示意圖。在一實施例中，訓練資料包括已知醫學記錄TDi。學習模組採用已知醫學記錄TDi來訓練預測模型MDL。學習模組122能夠根據不同演算法建立預測模型MDL。基於由學習模組122採用的演算法，預測模型MDL的產生結果可能有所不同。有關學習模組122採用的演算法及產生的預測模型MDL將在本揭示中後續段落加以詳細解釋。
在一些實施例中，訓練資料包括根據已知醫學記錄TDi之統計的機率關係表，如下表1中顯示機率關係表的一個實際例子。
Figure TW201805887AD00001
Figure TW201805887AD00002
表1中的數值表示患有上方疾病名稱的患者當中出現具有最左側症狀的百分比。根據表1中顯示的機率關係表，100名肺炎患者中有23例具有鼻炎症狀，並且100名肺炎患者中有43例具有呼吸困難症狀。在此實施例中，訓練資料包括不同症狀與不同疾病之間的機率關係。在一實例中，如表1所示之機率關係表的訓練資料可從來自疾病控制和預防中心的資料及統計資訊(其網址為https：//www.cdc.gov/datastatistics/index.html)獲得。
如第2圖所示，互動介面140可由使用者U1操控。使用者U1可看到在互動介面140上顯示的資訊並且在互動介面120上鍵入他/她的輸入指令。在一實施例中，互動介面140將顯示通知以詢問使用者U1關於他/她的症狀。由使用者U1輸入之第一個症狀將被認定為初始症狀Sini。互動介面140根據使用者的操作而接收初始症狀Sini。互動介面140將初始症狀Sini傳輸到預測模組124。
如第2圖所示，預測模組124用以根據預測模型MDL及初始症狀Sini產生一系列的多個症狀詢問Sqry。多個症狀詢問Sqry將依序顯示在互動介面140上，並且使用者U1可經由互動介面140逐一回答症狀詢問Sqry。互動介面140用以接收對應於多個症狀詢問Sqry的多個回應Sans。預測模組124經配置以根據預測模型MDL、初始症狀Sini及上述多個回應Sans產生結果預測，此結果預測可以是至少 一個疾病預測PDT(例如，疾病名稱或依機率排列之疾病名稱列表)或/及至少一個匹配此可能的疾病預測PDT之醫學科別建議(參考如下表2)。基於預測模型MDL，預測模組124會根據初始症狀Sini及先前每一個回應Sans(在當前問題之前)決定接下來詢問時的最佳問題(亦即，症狀詢問Sqry)。根據預測模型MDL選擇最佳問題有助於增加效率(例如，較短的運算時間內產生結果預測，或是在更少的症狀詢問下產生結果預測)及提高結果預測之正確性(例如，結果預測可更加準確對應到使用者的病況)。
Figure TW201805887AD00003
在一實施例中，學習模組122及預測模組124可由處理器、中央處理單元、或計算單元實現。
如第2圖所示，患者可經由互動介面140將症狀輸入提供至預測模組124。基於來自患者之症狀輸入，關於預測模型MDL的預測模組124能夠產生疾病結果預測。
在一些實施例中，患者可提供初始症狀Sini(例如，發燒、頭痛、驚悸或難以入睡)。預測模組124將根據初始症狀Sini產生第一症狀詢問(例如，包括一種症狀的問 題或不同症狀的多個問題)。第一症狀詢問係第2圖所示之一系列的多個症狀詢問Sqry當中的第一個症狀詢問。在一些實施例中，初始症狀Sini可能包含來自患者所提供的對一個症狀的描述(程度、持續時間、感受、頻率、等等)、及/或多個症狀的描述。
在一些實施例中，症狀詢問Sqry可係詢問患者是否經歷另一症狀而非初始症狀Sini的至少一個問題(例如，「你咳嗽嗎？」)。患者經由互動介面140回應於第一症狀詢問。互動介面140經配置以從使用者U1接收對應於第一症狀詢問的第一回應。互動介面140將第一回應發送至預測模組124。第一回應係第2圖所示的一系列多個回應Sans當中的第一個回應。
在患者回應於第一症狀詢問之後，預測模組124將根據初始症狀Sini以及第一回應產生第二症狀詢問(亦即，一系列多個症狀詢問Sqry當中之第二個症狀詢問)。
相似地，互動介面140經配置以從使用者U1接收對應於第二症狀詢問的第二回應。互動介面140將第二回應(亦即，一系列多個回應Sans中的第二個回應)發送至預測模組124。在患者回應於第二症狀詢問之後，預測模組124可以根據全部先前症狀(初始症狀Sini及先前的所有回應Sans，如第一回應及第二回應)產生第三症狀詢問。
預測模組124根據初始症狀Sini及先前的所有回應Sans而決定各個症狀詢問。
在依序給出多個症狀詢問並從患者逐一接收到多個回應之後，預測模組124將根據此等症狀(初始症狀Sini及先前的所有回應Sans)產生結果預測。應注意到，在實施例中醫學系統100是主動地向使用者提出各種症狀詢問，而非被動地等待來自使用者的症狀輸入。由此，醫學系統100可提供使用者用於自我診斷的直觀介面。
在一些實施例中，當已經詢問預定數量之症狀詢問(例如，共完成6個症狀詢問)時、當達到預定時間限制(例如，15分鐘)及/或由預測模組預測之信賴水平超過閾值水平(例如，85%)時，便可做出結果預測。
除了上述的初始症狀輸入外，還可以將與患者有關之其他資訊，諸如人口統計資訊輸入(例如，性別、患者年齡)、醫學記錄輸入(例如，血壓、SPO2、ECG、血小板、等等)、心理資訊輸入(例如，情感、精神狀態、等等)及/或基因輸入(例如，DNA、RNA、等等)提供至預測模組124。
當預測模組124選擇症狀詢問或進行預測時可考慮此等個人信息。例如，當患者性別係男性時，結果預測可以排除「子宮頸癌」或/及「婦產科」，並且過程中的症狀詢問可以排除「月經延遲」。在一些其他實施例中，當患者成人時，結果預測可以排除「新生兒黃疸」或/及「小兒科」，並且過程中的症狀詢問可以排除「嬰兒餵食問題」。
先前提及之實施例係關於根據個人資訊模組應避免預測之疾病或/及科別。然而，預測模組124及分析引 擎120不限於此。在一些其他實施例中，也可以考慮個人資訊以調節不同症狀的權重或機率。個人資訊可提供提示或建議，以增/減在症狀詢問中包含特定類型症狀之權重或機率，或是增/減在結果預測中指向特定疾病及/或科別的機率。在此等實施例中，預測模組124及分析引擎120在評估或選擇症狀詢問的過程中，會根據初始症狀、先前回應及/或與患者有關之個人資訊整體考量，而進行結果預測(例如，初始症狀佔30%權重，先前回應佔40%權重，而個人信息佔30%權重，也可以採用相似的其他權重分佈的來判斷疾病預測PDT)。
預測模組124有助於患者及/或醫師評估患者的健康狀況，並可將結果預測提供給患者及/或醫學專家。在一實施例中，結果預測在互動介面140上顯示，使用者U1可以在互動介面140上看到疾病預測或/及醫學科別建議並且決定前往醫院進一步檢查及治療。在另一實施例中，亦可將結果預測傳輸至外部伺服器200，外部伺服器200可以是醫院之伺服器。醫學系統100可產生掛號請求至外部伺服器200，進而替使用者U1向醫院之間提出掛號請求。此外，可將結果預測、初始症狀Sini及回應Sans傳輸至外部伺服器200，使得醫院中的醫師可更快速地評估使用者U1的健康狀況。
在另一實施例中，由學習模組122採用之訓練資料進一步包括由互動介面140收集之使用者反饋輸入Ufb。例如，在由醫學系統100給出結果預測之後，使用者 可做出對醫院之醫學預約並且使用者可從醫學專業人士(例如，醫師)得到診斷及/或治療。隨後，互動介面140將發送追蹤查詢以檢查結果預測的正確性(例如，可在結果預測三天或一週後將後續追蹤詢問發送至使用者)。後續追蹤詢問可包括關於「你現在感覺如何」、「在最後一次預測之後你是否去了醫院」、「醫師是否同意我們的預測」的問題及一些其他相關問題。互動介面140將從使用者收集答案，作為使用者反饋輸入Ufb。將使用者反饋輸入Ufb發送至學習模組122以改進預測模型MDL。例如，當使用者反饋輸入Ufb的回答內容中表示先前的結果預測是不正確的，或是使用者感覺情況未改善時，學習模組122將更新預測模型MDL以減少關於對應結果預測之症狀詢問或降低此疾病結果之機率(或權重)。
在另一實施例中，由學習模組122採用之訓練資料進一步包括從外部伺服器200接收之醫師診斷記錄DC。例如，在由醫學系統100給出結果預測之後，使用者可以向醫院提出掛號請求並且由醫學專業人士(例如，醫師)做出正式診斷。正式診斷可以是醫師診斷記錄DC，其可儲存在外部伺服器200(例如，醫院伺服器，及包括醫學診斷資料庫之醫院伺服器)中。隨後，醫學系統100將從外部伺服器200收集醫師診斷記錄DC。將醫師診斷記錄DC發送至學習模組122以改進預測模型MDL。
在另一實施例中，由學習模組122採用之訓練資料進一步包括由預測模組124產生之預測日誌檔案 PDlog。例如，當預測模組124提供某一特定症狀詢問至使用者時，若使用者對此一特定症狀詢問均輸入相同的答案(例如，當回答「你感到疲憊嗎」，使用者總是說是)，此一症狀詢問便可以認定為沒有效率的。預測日誌檔案PDlog包括症狀詢問及使用者回答歷史。學習模組122可根據預測日誌檔案PDlog改進預測模型MDL。
學習模組122根據使用者反饋輸入Ufb、醫師診斷記錄DC或預測日誌檔案PDlog進一步更新預測模型MDL。
預測模組124亦可產生結果預測，此結果預測進一步包括給醫學專業人士(如醫師、治療師及/或藥劑師)的治療建議，諸如治療方法建議、藥物處方推薦及/或治療設備建議。由此，醫學專業人士能夠根據治療建議連同其自身判斷對患者進行一或更多項治療。先前提及之一或更多項治療包括處方藥品(例如，抗生素、藥物)、處方醫學裝置(例如，X光檢查、核磁共振成像檢查)、手術等。
在互動介面140上顯示疾病預測PDT或醫學科別建議之後，互動介面140用以接收回應於疾病預測PDT或醫學科別建議的使用者命令。醫學系統100用以將對應於使用者命令的掛號請求RQ發送至外部伺服器200。
學習模組122能夠從預測模組124收集活動日誌(例如，一或更多個初始症狀、患者相關資訊、症状查詢及對查詢之回應的歷史)，從醫學科別(例如，醫院、診所、或公共醫學記錄)收集診斷結果及/或治療結果。學習模組 122將聚集/處理收集資訊並儲存經處理之結果，以更新參數/變化，進而改進由預測模組124採用之預測模型MDL。在一些實施例中，收集之診斷結果及/或治療結果用以更新預測模型MDL。
在一個實施例中，第1圖及第2圖之預測模組124經配置以詢問適當查詢問題(其可提供更多資訊並做出預測)。存在藉由學習模組122產生預測模型MDL的不同實施例。例如，如何選擇適當的症狀詢問(如何決定症狀詢問Sqry)及預測模組124之疾病預測PDT可由貝氏推論(Bayesian inference)、決策樹(decision tree)、強化學習(reinforcement learning)、關聯規則挖掘(association rule mining)、或隨機森林(random forest)建立的預測模型MDL實現。
參考第3圖。第3圖係說明分析引擎120的示意圖，此分析引擎120包括基於貝氏推論演算法建立第一預測模型MDL1之學習模組122。第一預測模型MDL1包括如表1中所示之機率關係表，第一預測模型MDL1並可包括由上述機率關係表透過不純方程式(impurity function)演算產生之多個評分查找表。
在貝氏推論演算法中，是利用不同疾病與不同症狀之間的機率關係表(如表1所示)而決定下一症狀詢問要如何選擇。
當基於貝氏推論演算法之預測模組124選擇下一症狀詢問時，預測模組124將考慮初始症狀Sini及先前回應Sans及如表1所示之機率關係表。
當給出初始症狀時，針對各個可能症狀之評分可根據不純度函數由機率關係表(亦即，表1)計算推導得到。表3提出了一個評分查找表的實際例子，其中假設初始症狀為「咳嗽」並展示了其中七種症狀之一個評分查找表。
Figure TW201805887AD00004
在表3中，此等症狀之評分可根據機率關係表(亦即，表1)由不純方程式導出(例如，Gini不純方程式或其他等效不純方程式)。不純方程式係從機率分佈P={pi|1<=i<=N，sum(pi)=1，pi>=0}至滿足以下限制(a)、(b)、(c)及(d)之非負值實數的映射：(a)若存在i、pi=1，則方程式在P上達到最小值；(b)若針對全部i、pi=1/N，則方程式在P上達到最大值；(c)方程式相對於分量pi對稱；以及(d)方程式係光滑的，亦即，任何地方均為可微分的。
以上限制暗示若機率更密集或更高，則方程式的函數值將更小。為了得到某些預測，預測模組趨於挑選在回答症狀詢問之後，可以使不純度方程式之函數值為最小值的症狀詢問。
為了達成此目的，吾人針對症狀詢問之各個可能選擇計算評分。針對各個候選的症狀詢問，評分由以下決定：評分=「在此症狀詢問之前的不純度函數值」-「在此症狀詢問之後的期望之不純度函數值」。
評分可被解釋為在各個症狀詢問之後不純度函數值之「增益」。由此，預測引擎趨於挑選具有最大評分之一者(若評分是正的)。
根據表3給出之評分，當初始症狀係「咳嗽」時，基於貝氏推論演算法之預測模組124將選擇「虛弱」作為下一次提問時的症狀。在選擇「虛弱」作為下一次提問的情況下，若患者對「虛弱」之回答是「是」，透過貝氏推論演算法可以分辨使用者較大機會是罹患肺炎，而非中耳炎和慢性阻塞性肺病。
當初始症狀(及/或先前回應)為不同情況的時，針對各個候選症狀之評分也將相應地有所不同。例如，當使用者提供之初始症狀為「虛弱」時，評分查找表便會隨之改變。表4展示了，在初始症狀為「虛弱」時針對各個候選症狀之評分。
Figure TW201805887AD00005
Figure TW201805887AD00006
根據上文表4之評分，當初始症狀係「虛弱」時，基於貝氏推論演算法之預測模組124將挑選「呼吸困難」作為下一次提問時的症狀。在選擇「呼吸困難」作為下一次提問的情況下，若患者對「呼吸困難」之回答是「是」，透過貝氏推論演算法可以分辨使用者較大機會是罹患肺炎，而非貧血和白血球疾病。
貝氏推論演算法存在許多可選用的選擇條件。例如，基於不純度之選擇準則，如資訊增益(information gain)、Gini增益，或者基於標準化之選擇準則，如增益比例或距離量測，或者基於二進制計量選擇準則，如牽引、正交、柯爾莫哥羅夫-斯米諾夫(Kolmogorov-Smirnov)，或者基於連續屬性選擇準則，如變異縮減(variance reduction)，或者其他選擇準則，如排列統計(permutation statistic)、平均後側改良(mean posterior improvement)、超比分配(hypergeometric distribution)，上述各種方式均為用以基於貝氏推論演算法可以採用的選擇條件的可能方式。
參考第4圖，繪示另一種分析引擎120其具有基於決策樹演算法建立第二預測模型MDL2之學習模組122的示意圖。在此演算法中，是預先根據訓練資料構建多個決策樹。在實施例中，由決策樹演算法採用之訓練資料可包括根據如表1所示之已知醫學記錄TDi之統計的機率關係表。已知醫學記錄TDi可從來自疾病控制和預防中心的資料及統計資訊獲得。在一些實施例中，由決策樹演算法採用之訓練資料可進一步包括使用者反饋輸入Ufb、醫師診斷記錄DC或預測日誌檔案PDlog以更新預測模型MDL，其在先前提及之實施例中已詳細說明。
當接收初始症狀時，預測模組124從構建之多個決策樹選擇一個決策樹。進一步參考第5圖，第5圖繪示一實施例中的多個決策樹TR1-TRk的示意圖。
如第5圖所示，多個決策樹TR1-TRk係二進制樹(及/或部分樹)。在決策樹TR1-TRk中各個非葉節點為症狀詢問。當患者針對症狀詢問時回應(是或否)時，預測模組將前往根據回答在下一層級中的對應節點(下一症狀詢問)。在依序回答症狀詢問之後，決策樹TR1-TRk將前往對應的結果預測(如結果預測PredA、PredB、PredC、PredD……)。預測模組124是根據使用者U1提供之初始症狀Sini由多個決策樹TR1-TRk當中選擇相對應的決策樹。隨著使用者U1提供之初始症狀Sini不同，預測模組124將相對應地採用不同決策樹TR1-TRk，被採用的決策樹將決定後續的症狀詢問Sqry及結果預測，其結果預測可包括疾病 預測PDT(例如，疾病名稱或依機率排列之疾病名稱列表)、相應於疾病預測PDT之醫學科別建議及/或治療推薦。
表5顯示不同初始症狀之實施例並且不同症狀詢問回答將導致不同決策樹中的不同預測。
Figure TW201805887AD00007
Figure TW201805887AD00008
第5圖圖示決策樹TR1-TRk之實施例。然而，決策樹TR1-TRk各者在分支各者中可能不包括相等數量的症狀詢問。當資訊足夠給出可靠預測時，症狀詢問過程即可中止。亦參考第6圖繪示第5圖中的多個決策樹TR1-TRk其中一個決策樹TRn的示意圖。
如第6圖所示，決策TRn將基於來自使用者U1之先前回答前往不同症狀詢問，並且各個分支深度亦可不相等。
參考第7圖，第7圖繪示另一種分析引擎120其具有基於強化學習演算法建立第三預測模型MDL3之學習模組122的示意圖。學習模組122根據訓練資料而訓練第三預測模型MDL3以最大化獎勵訊號。學習模組122根據由第三預測模型MDL3做出之訓練預測的正確性增加或減少獎勵訊號。學習模組122根據訓練資料中已知醫學記錄對訓練預測之正確性進行驗證。第三預測模型MDL3的上述驗證結果回饋輸入至學習模組122。基於訓練預測的驗證結果是否正確，學習模組122將反覆訓練並調整第三預測模型MDL3。
強化學習演算法採用記載了多個已知疾病診斷及多個已知症狀的訓練資料組以訓練第三預測模型MDL3。在實施例中，由強化學習演算法採用之訓練資料可 包括根據如表1所示之已知醫學記錄TDi之統計的機率關係表。已知醫學記錄TDi可從來自疾病控制和預防中心的資料及統計資訊獲得。在一些實施例中，由強化學習演算法採用之訓練資料可進一步包括使用者反饋輸入Ufb、醫師診斷記錄DC或預測日誌檔案PDlog以更新預測模型MDL，並且其在先前提及之實施例中已詳細說明。藉由進行輸入初始症狀及患者對症狀詢問之回應的模擬來訓練強化學習模型，並且強化學習模組將據以做出結果預測。學習模組122使用已知疾病診斷來驗證疾病之結果預測。若驗證發現結果預測為正確的，則強化學習演算法增加在模擬中提出的症狀詢問的潛在獎勵。若驗證結果為不正確，則將模擬過程中提出各個症狀詢問的潛在獎勵減少(或維持相同的潛在獎勵)。
當利用強化學習演算法訓練之第三預測模型MDL3選擇下一症狀詢問時，第三預測模型MDL3趨於選擇具有最高潛在獎勵的最佳症狀詢問，以縮短症狀詢問持續時間並提升預測精確性。在以下段落中揭示利用強化學習演算法訓練之第三預測模型MDL3之進一步細節。
利用強化學習演算法訓練之第三預測模型MDL3將診斷過程視為一連串的循序決策問題，此循序決策問題是有關一個代理程式與患者之間互動。每個循序決策問題是對應多個可能疾病及多個可能症狀之間的選擇。於各個時間點，代理程式詢問患者(例如，使用者U1)有關某些症狀。患者隨後回答代理程式，有關患者是否患有症狀的「是」或「否」的答案。同時，代理程式隨著時間點推移結 合先前的使用者回應以修改後續症狀詢問問題。在診斷過程結束時，若代理程式可正確地預測疾病，則代理程式接收一定程度的獎勵訊號，並且代理程式之目的為最大化獎勵訊號的數值。換言之，代理程式之目的是在診斷過程結束時能正確地預測患者疾病。
基於預測之正確性，代理接收獎勵訊號(亦即，若預測係正確的，則獎勵訊號=1；否則獎勵訊號=0)。訓練之目的係最大化獎勵訊號。在另一方面，強化學習模型使用π(st|h1．t-1,θ)以指示策略函數，其中參數θ表示參數組，st係可能症狀之一，「t」係時間步驟，並且h1．t-1係從時間1至t-1的互動歷史之序列。參數θ的學習目標是最大化當代理程式與患者互動中所得到的預期獎勵。
利用強化學習演算法訓練之第三預測模型MDL3可以描述為以端對端方式有效地結合醫學概念與策略之表達式學習。因順序決策問題之性質，利用強化學習演算法訓練之第三預測模型MDL3採用循環神經網絡(RNN)作為代理程式之核心部分。於各個時間點，循環神經網絡接受患者之回應至網絡中、隨著時間在長短期記憶體(LSTM)單元中結合資訊、並且選擇症狀以在下一時間點中詢問患者。最後，循環神經網絡預測患者疾病，進而指示診斷過程已完成。
進一步參考第8圖，其係說明用於提供結果預測之方法800的流程圖。用以提供結果預測之方法800，可以應用在如第1圖及第2圖所示之實施例中的醫學系統100 上。用於提供結果預測之方法800包括以下步驟。如第2圖及第8圖所示，學習模組122進行步驟S810以根據訓練資料產生預測模型MDL。互動介面140進行步驟S820以接收初始症狀Sini。預測模組124進行步驟S830以根據預測模型MDL及初始症狀Sini產生一系列的多個症狀詢問Sqry。互動介面140進行步驟S840以接收對應於症狀詢問Sqry的一系列的多個回應Sans。預測模組124進行步驟S850以產生結果預測，結果預測是根據預測模型MDL、初始症狀Sini及及回應Sans而產生。須特別說明的是，步驟S830及步驟S840可以循環且交替執行。在步驟S830中的一系列的多個症狀詢問Sqry並非一次性產生，是隨時間逐一依序產生。
進一步參考第9圖，其係在論證實例中說明用於提供結果預測之方法800的流程圖。如第2圖及第9圖所示，學習模組122進行步驟S810以根據訓練資料產生預測模型MDL。互動介面140進行步驟S820以接收初始症狀Sini。預測模組124進行步驟S831以根據預測模型MDL及初始症狀Sini產生第一症狀詢問。互動介面140進行步驟S841以接收對應於第一症狀詢問的第一回應。預測模組124進行步驟S832以根據預測模型MDL、初始症狀Sini及第一回應產生第二症狀詢問。互動介面140進行步驟S842以接收對應於第二症狀詢問的第二回應。預測模組124進行步驟S850以產生結果預測，其係至少根據預測模型MDL、初始症狀Sini、第一回應及第二回應產生。
須特別說明的是，第8圖中的步驟S830及步驟S840在第9圖的實施例中是由步驟S831、S841、S832及S842實現，步驟S831、S841、S832及S842是依順序並循環執行，第8圖之步驟S830中產生一系列的多個症狀詢問Sqry並非一次性產生。如第9圖所示之實施例，在步驟S831中產生一系列的多個症狀詢問Sqry之當中的第一個症狀詢問。隨後，在步驟S841中接收一系列的多個回應Sans當中第一個回應。隨後，在步驟S832中產生一系列的多個症狀詢問Sqry之第二個症狀詢問。隨後，在步驟S842中接收一系列的多個回應Sans當中的第二個回應，依此類推。
在一實施例中，相繼並交替地執行第8圖之步驟S830及步驟S840直至方法800收集足夠資訊以用於提供結果預測。
應注意，可參考上文所述之實施例確定上文所述之方法操作之細節，本文將不重複在此方面之描述。
如上文提及，電腦輔助之診斷引擎請求使用者輸入初始症狀，並且電腦輔助之診斷引擎將根據初始症狀(及使用者對先前詢問之回答)產生適當症狀詢問問題。如何鼓勵使用者對初始症狀Sini提供清楚的描述是非常重要的。
進一步參考第10A圖至第10E圖，其說明第2圖之互動介面140可引導使用者U1輸入初始症狀Sini並藉由點擊對應於症狀詢問(例如，系統訊息TB4-TB7)的「是」或「否」按鍵做出的多個回應Sans。在另一實施例中，症 狀詢問可以顯示「請輸入你的症狀」的訊息，並且回應可以是由使用者U1輸入之文字指令、聲音指令或任何等效輸入方式中所提到的疾病名稱。
如第10A圖所示，醫學系統藉由顯示系統訊息TB1至TB3來詢問使用者以鍵入他/她的主要症狀。在此情形中，使用者可如輸入訊息TU1所示藉由回答「頭痛」來清楚地描述他/她的症狀。由此，醫學系統重複使用者之回答。隨後，醫學系統可產生一系列症狀詢問問題(作為系統訊息)以在第10B圖及第10C圖所示之使用者上預測疾病。如第10B圖及第10C圖所示，系統訊息可簡單地詢問是/否問題(作為第10B圖所示的系統訊息TB4至TB5及第10C圖所示的系統訊息TB6至TB7)以確定使用者是否具有關於初始症狀的其他症狀。使用者可藉由按壓是/否按鍵、鍵入文本輸入或經由聲音命令回答回覆系統訊息(作為輸入訊息TU2-TU5)以提供更多資訊。
在一實施例中，由醫學系統產生之症狀詢問問題可考慮使用者/患者之個人資訊。個人資訊可包括患者之性別、年齡、醫學記錄(例如，血壓、SPO2、ECG、血小板、等等)、心理資訊(例如，情感、精神狀態、等等)及/或基因(例如，DNA、RNA、等等)。個人資訊可由醫學系統收集。例如，當個人資訊指示人類係男性時，醫學系統將不提出關於「你是否懷孕並經歷一些懷遠不適」的症狀詢問問題。換言之，當個人資訊指示患者性別係女性時，症狀詢問將避免「延遲射精」。在一些其他實施例中，當患者係 成人時，症狀詢問將避免「嬰兒餵食問題」。當患者係嬰兒時，症狀詢問將避免「更年期提早」。相似地，由醫學系統產生之預測亦可考慮使用者/患者之個人資訊。
如第10D圖所示，醫學系統在系統訊息TB8中產生與使用者疾病相關的預測，且醫學系統顯示系統訊息TB9以建議處理疾病之適當科別。在此實施例中，預測可能為使用者具有癲癇症。醫學系統將建議諮詢神經科別。若使用者接收預約神經科別，則醫學系統顯示系統訊息TB10以建議在神經科別之全部醫師中擅長處理癲癇症的醫師列表。然而，使用者仍可經由全部醫師列表選擇他/她期望指定的任何醫師。當使用者同意進行預約掛號時，醫學系統100送出預約掛號的請求。第10D圖及第10E圖之分析結果係關於一個科別。然而，在另一實施例中，分析結果可導向兩個或更多個科別。在此情形中，使用者可首先從建議科別中選擇，並且隨後在其後對應科別中選擇候選醫師。例如，疾病是高度相關於神經科別，並且亦同時有關於耳鼻喉科別。第10D圖之系統訊息TB9可包括滑桿，其中於第一順序中顯示神經科別並且於第二順序中顯示耳鼻喉科別。
進一步參考第11A圖及第11B圖，其繪示當使用者之前已採用醫學系統時在互動介面140上所顯示之介面內容的實施例。如第11A圖所示，若使用者先前已經採用醫學系統以預約科別並且希望再次進行另一次掛號預約時，互動系統可提供包括標準掛號及快速掛號的選項。根據使用者歷史建立在快速掛號中的選項(等)之列表。若使用 者期望預約不同科別或不同醫師(如第11A圖所示)，則使用者可選擇標準掛號並進入對應過程。若使用者希望預約已由使用者拜訪之醫師，則使用者可滑動列表至右側並選擇快速掛號，互動系統將基於先前預約的歷史紀錄提供如第11B圖所示之快速預約醫師的捷徑。快速掛號可根據使用者歷史提供多個選項。如第11B圖所示，若根據使用者歷史，使用者已拜訪心臟科別，互動介面140亦可顯示用於關於心臟科別中之另一醫師之快速掛號的選項。
進一步參考第12A圖及第12B圖，第12A圖及第12B圖繪示互動介面140可顯示門診時段且會標示已額滿之門診時段。有時，使用者期望的門診時段可能已經掛號額滿。然，使用者仍可能堅持於特定時段(例如，使用者僅有某個時段有空檔可以前往醫院看診)看診，並且要指定預約特定醫師(例如，醫師在特定領域中很出名)。如第12A圖所示，若使用者點選已額滿的門診時段，醫學系統會提供一提醒功能，用以提醒使用者能在下一個開放未額滿的相同時段(例如，亦在週一早晨)預約相同醫師。若使用者接受接收提醒，則互動介面140將提醒使用者線上掛號(例如，針對Joe Foster醫師的門診時段，在4月17日，週一早晨)是開放的。使用者可經由提醒快速地完成他/她想要的掛號預約。
在另一實施例中，當使用者選擇已經額滿的門診時段時，互動系統可提供將來於相同時段(例如，亦在週一早晨)自動預約相同醫師的掛號功能。若使用者接受自動 地發送掛號預約，當門診時段是開放且已開始接受線上掛號時，醫學系統便可代替使用者自動地做出預約(例如，Joe Foster醫師的門診時段，在4月17日，週一早晨)。
進一步參考第13圖。第13圖圖示說明醫學系統如何根據不同類型之使用者輸入決定初始症狀的流程圖。
當科別建議啟動時，執行步驟S901，互動介面140顯示系統問題以詢問使用者所遭遇的初始症狀。此外，若使用者不知道如何描述他/她的感覺或狀況，則互動介面140亦可在步驟S902a中顯示用以開啟身體圖的功能鍵。執行步驟S902b以判定是否觸發功能鍵。當觸發功能鍵時，將由此顯示身體圖。進一步參考第14圖。第14圖繪示在一實施例中說明在互動介面140所顯示的身體圖之示意圖。
當使用者回應於系統問題提供回答時，醫學系統將在步驟S903中嘗試辨識由使用者提供的答案。若答案不能由醫學系統識別(例如，答案未包括可由互動系統可辨認的任何關鍵字時)，互動介面140將在步驟S904中顯示身體圖，以供使用者點選對應發生症狀的身體部位。當答案可由醫學系統識別時，執行步驟S905以判斷此答案中所辨識之關鍵字，是否能在資料庫中找到匹配的具體症狀名稱，或是在資料庫中無法找到匹配的具體症狀名稱。若答案中的關鍵字包括具體症狀名稱，則互動系統可在步驟S906中將具體症狀名稱設定為初始症狀。若答案中的關鍵字不包括具體症狀名稱，可在步驟S907中根據關鍵字提供一系列的多個候選症狀之列表。隨後，醫學系統可在步驟S908中根據 讓使用者在一系列的多個候選症狀之列表之中進行選擇，進而設定初始症狀。
在另一方面，在步驟S904中顯示身體圖之後。執行步驟S909以接收身體地圖上的選擇部分。執行步驟S910以根據身體圖上的被選擇的身體部分顯示一系列的多個候選症狀之列表。執行步驟S911以將上述多個候選症狀之列表當中被選定之症狀，設定為初始症狀。
基於先前提及之實施例，醫學系統提供一種引導使用者發送預約掛號請求、查詢藥品並決定諮詢之科別(以及其他服務)的方式。醫學系統可引導使用者依序逐步完成整個掛號或查詢的流程。於本案中，使用者每個時間點僅需要回答一個簡單的問題，或是逐步回答一些相關問題，不需要一次性填寫複雜的表格或回答大量的問題。因此，本案提出的醫學系統可提供關於醫學應用的直觀服務。
100‧‧‧醫學系統
120‧‧‧分析引擎
122‧‧‧學習模組
124‧‧‧預測模組
140‧‧‧互動介面
200‧‧‧外部伺服器

Claims (21)

  1. 一種醫學系統，其包含：一互動介面，經配置用於接收一初始症狀；以及一分析引擎，與該互動介面通訊，該分析引擎包含：一預測模組，經配置用於根據由訓練資料及該初始症狀構建之一預測模型產生複數個症狀詢問，該些症狀詢問顯示在該互動介面上，其中該互動介面經配置用於接收對應於該些症狀詢問的複數個回應，並且該預測模組經配置以根據該預測模型、該初始症狀及該些回應產生一結果預測。
  2. 如請求項1所述之醫學系統，其中該預測模組經配置以根據該預測模型及該初始症狀產生一第一症狀詢問，該第一症狀詢問在該互動介面上顯示，並且该互動介面經配置以接收對應於該第一症狀詢問的一第一回應。
  3. 如請求項2所述之醫學系統，其中該預測模組經進一步配置以根據該預測模型、該初始症狀及該第一回應產生一第二症狀詢問，該第二症狀詢問在該互動介面上顯示，該互動介面經配置以接收對應於該第二症狀詢問的一第二回應，該預測模組經配置以根據該預測模型、該初始症狀、該第一回應及該第二回應產生該結果預測。
  4. 如請求項1所述之醫學系統，進一步包含： 一學習模組，經配置為用於根據該訓練資料產生一預測模型，其中該訓練資料包含一已知醫學記錄，該學習模組採用該已知醫學記錄以訓練該預測模型。
  5. 如請求項4所述之醫學系統，其中該訓練資料進一步包含由該互動介面收集之一使用者反饋輸入、由一外部伺服器接收之一醫師診斷記錄、或從由該預測模組產生之一預測日誌檔案，該學習模組根據該使用者反饋輸入、該醫師診斷記錄或該預測日誌檔案進一步更新該預測模型。
  6. 如請求項1所述之醫學系統，其中該結果預測至少包含一疾病預測及匹配該疾病預測之一醫學科別建議的其中之一，該疾病預測包含一疾病名稱或依機率排列之一疾病名稱列表。
  7. 如請求項6所述之醫學系統，其中該互動介面經配置以顯示該結果預測，在該結果預測在該互動介面上顯示之後，該互動介面經配置以接收回應於該結果預測的一使用者命令，該醫學系統經配置以將對應於該使用者命令的一掛號請求發送至一外部伺服器。
  8. 如請求項1所述之醫學系統，其中該預測模型包含根據一貝氏推論演算法產生之一第一預測模型， 該第一預測模型包含一機率關係表，該機率關係表記錄在不同疾病與不同症狀之間的相對機率。
  9. 如請求項1所述之醫學系統，其中該預測模型包含根據一決策樹演算法產生之一第二預測模型，該第二預測模型包含根據該訓練資料提前構建之複數個決策樹。
  10. 如請求項1所述之醫學系統，其中該預測模型包含根據一強化學習演算法產生之一第三預測模型，根據該訓練資料訓練該第三預測模型以最大化一獎勵訊號，該獎勵訊號根據由該第三預測模型做出之一訓練預測之一正確性增加或減少，該訓練預測之該正確性根據在該訓練資料中一已知醫學記錄驗證。
  11. 一種醫學方法，其包含：接收一初始症狀；根據一預測模型及該初始症狀產生複數個症狀詢問；接收對應於該些症狀詢問的複數個回應；以及根據該預測模型、該初始症狀及該些回應產生一結果預測。
  12. 如請求項11所述之醫學方法，其中產生該些症狀詢問並接收該些回應之該些步驟包含：根據該預測模型及該初始症狀產生一第一症狀詢問 接收對應於該第一症狀詢問的一第一回應；根據該預測模型、該初始症狀及該第一回應產生一第二症狀詢問；以及接收對應於該第二症狀詢問的一第二回應。
  13. 如請求項12所述之醫學方法，其中產生該結果預測之該步驟包含：至少根據該預測模型、該初始症狀、該第一回應及該第二回應產生該結果預測。
  14. 如請求項11所述之醫學方法，進一步包含：根據該訓練資料產生該預測模型，其中該訓練資料包含一已知醫學記錄，該預測模型係利用該已知醫學記錄來訓練。
  15. 如請求項14所述之醫學方法，其中該訓練資料進一步包含一使用者反饋輸入、一醫師診斷記錄或一預測日誌檔案，該預測模型根據該使用者反饋輸入、該醫師診斷記錄或該預測日誌檔案進一步更新。
  16. 如請求項11所述之醫學方法，其中該結果預測至少包含一疾病預測及匹配該疾病預測之一醫學科別建議的其中之一，該疾病預測包含一疾病名稱或依機率排列之一疾病名稱列表，該醫學方法進一步包含： 顯示該結果預測。
  17. 如請求項16所述之醫學方法，其中在該互動介面上顯示該結果預測後，該醫學方法進一步包含：接收回應於該結果預測的一使用者命令；以及將對應於該使用者命令之一掛號請求發送至一外部伺服器。
  18. 如請求項11所述之醫學方法，其中該預測模型包含根據一貝氏推論演算法產生之一第一預測模型，該第一預測模型包含一機率關係表，該機率關係表記錄在不同疾病與不同症狀之間的相對機率。
  19. 如請求項11所述之醫學方法，其中該預測模型包含根據一決策樹演算法產生之一第二預測模型，該第二預測模型包含根據該訓練資料提前構建之複數個決策樹。
  20. 如請求項11所述之醫學方法，其中該預測模型包含根據一強化學習演算法產生之一第三預測模型，該第三預測模型根據該訓練資料訓練以最大化一獎勵訊號，該獎勵訊號根據由該第三預測模型做出之一訓練預測之一正確性增加或減少，該訓練預測之該正確性根據在該訓練資料中之一已知醫學記錄驗證。
  21. 一種非暫態電腦可讀取媒體，具有一電腦程式用以執行一方法，其中該方法包含：接收一初始症狀；根據一預測模型及該初始症狀產生一第一症狀詢問接收對應於該第一症狀詢問的一第一回應；根據該預測模型、該初始症狀及該第一回應產生一第二症狀詢問；接收對應於該第二症狀詢問的一第二回應；以及至少根據該預測模型、該初始症狀、該第一回應及該第二回應產生一結果預測。
TW106127361A 2016-08-11 2017-08-11 醫學系統、醫學方法及非暫態電腦可讀取媒體 TW201805887A (zh)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
US201662373966P 2016-08-11 2016-08-11
US62/373,966 2016-08-11
US201762505135P 2017-05-12 2017-05-12
US62/505,135 2017-05-12

Publications (1)

Publication Number Publication Date
TW201805887A true TW201805887A (zh) 2018-02-16

Family

ID=61160290

Family Applications (1)

Application Number Title Priority Date Filing Date
TW106127361A TW201805887A (zh) 2016-08-11 2017-08-11 醫學系統、醫學方法及非暫態電腦可讀取媒體

Country Status (3)

Country Link
US (1) US20180046773A1 (zh)
CN (1) CN107729710B (zh)
TW (1) TW201805887A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI745693B (zh) * 2018-05-18 2021-11-11 宏達國際電子股份有限公司 控制方法以及醫學系統
US11218493B2 (en) 2019-05-31 2022-01-04 Advanced New Technologies Co., Ltd. Identity verification
TWI778289B (zh) * 2018-08-16 2022-09-21 宏達國際電子股份有限公司 控制方法以及醫學系統
TWI795949B (zh) * 2021-10-15 2023-03-11 財團法人資訊工業策進會 訓練預測模型的裝置及方法

Families Citing this family (29)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11289200B1 (en) 2017-03-13 2022-03-29 C/Hca, Inc. Authorized user modeling for decision support
US10412028B1 (en) 2013-05-24 2019-09-10 HCA Holdings, Inc. Data derived user behavior modeling
US11164679B2 (en) 2017-06-20 2021-11-02 Advinow, Inc. Systems and methods for intelligent patient interface exam station
US11348688B2 (en) 2018-03-06 2022-05-31 Advinow, Inc. Systems and methods for audio medical instrument patient measurements
US20210007670A1 (en) * 2018-03-13 2021-01-14 Menicon Co., Ltd. Determination system, computing device, determination method, and program
KR20200004640A (ko) * 2018-07-04 2020-01-14 주식회사 파트너스앤코 증상 표준화 매칭 시스템
US20200098476A1 (en) * 2018-09-25 2020-03-26 Clover Health Dynamic prompting for diagnosis suspecting
GB201815765D0 (en) * 2018-09-27 2018-11-14 Microsoft Technology Licensing Llc Gathering data in a communication system
GB201815743D0 (en) * 2018-09-27 2018-11-14 Microsoft Technology Licensing Llc Gathering data in a communication system
US11810671B2 (en) * 2018-12-11 2023-11-07 K Health Inc. System and method for providing health information
CN111383754B (zh) * 2018-12-28 2023-08-08 医渡云（北京）技术有限公司 医疗决策方法、医疗决策装置、电子设备及存储介质
CN109887561A (zh) * 2019-02-12 2019-06-14 北京倍肯恒业科技发展股份有限公司 一种人工智能宫颈癌筛查确定方法和装置
US10779890B2 (en) * 2019-02-27 2020-09-22 Jared Weir System and method for performing joint replacement surgery using artificial neural network
US11145414B2 (en) * 2019-02-28 2021-10-12 Babylon Partners Limited Dialogue flow using semantic simplexes
JP7479168B2 (ja) 2019-03-13 2024-05-08 キヤノンメディカルシステムズ株式会社 問診装置
US20200294682A1 (en) * 2019-03-13 2020-09-17 Canon Medical Systems Corporation Medical interview apparatus
WO2021021566A1 (en) * 2019-07-26 2021-02-04 Reciprocal Labs Corporation D/B/A Propeller Health Pre-emptive asthma risk notifications based on medicament device monitoring
WO2021038969A1 (ja) * 2019-08-27 2021-03-04 株式会社島津製作所 診療科選択支援用の学習モデルの更新方法、診療科選択支援システム、および、診療科選択支援プログラム
KR102440817B1 (ko) * 2020-02-19 2022-09-06 사회복지법인 삼성생명공익재단 기록된 데이터에서 인과성을 식별하는 강화학습 방법, 장치 및 프로그램
CN113393940B (zh) * 2020-03-11 2024-05-24 宏达国际电子股份有限公司 控制方法以及医疗系统
CN111753543B (zh) * 2020-06-24 2024-03-12 北京百度网讯科技有限公司 药物推荐方法、装置、电子设备及存储介质
US20220007936A1 (en) * 2020-07-13 2022-01-13 Neurobit Technologies Co., Ltd. Decision support system and method thereof for neurological disorders
US11562829B2 (en) * 2020-10-22 2023-01-24 Zhongyu Wei Task-oriented dialogue system with hierarchical reinforcement learning
CN112820367B (zh) * 2021-01-11 2023-06-30 平安科技（深圳）有限公司 病历信息校验方法、装置、计算机设备及存储介质
US20220285025A1 (en) * 2021-03-02 2022-09-08 Htc Corporation Medical system and control method thereof
CN112885423A (zh) * 2021-03-16 2021-06-01 康键信息技术（深圳）有限公司 疾病标签检测方法、装置、电子设备及存储介质
WO2022261007A1 (en) * 2021-06-08 2022-12-15 Chan Zuckerberg Biohub, Inc. Disease management system
TWI776638B (zh) * 2021-08-17 2022-09-01 臺中榮民總醫院 以人工智慧技術輔助多疾病決策與即時資訊回饋的醫療照護系統
CN115719640B (zh) * 2022-11-02 2023-08-08 联仁健康医疗大数据科技股份有限公司 中医主次症状识别系统、装置、电子设备及其存储介质

Family Cites Families (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2001061616A2 (en) * 2000-02-14 2001-08-23 First Opinion Corporation Automated diagnostic system and method
US20050065813A1 (en) * 2003-03-11 2005-03-24 Mishelevich David J. Online medical evaluation system
US9081879B2 (en) * 2004-10-22 2015-07-14 Clinical Decision Support, Llc Matrix interface for medical diagnostic and treatment advice system and method
US8888697B2 (en) * 2006-07-24 2014-11-18 Webmd, Llc Method and system for enabling lay users to obtain relevant, personalized health related information
US20080091631A1 (en) * 2006-10-11 2008-04-17 Henry Joseph Legere Method and Apparatus for an Algorithmic Approach to Patient-Driven Computer-Assisted Diagnosis
US20090070137A1 (en) * 2007-09-10 2009-03-12 Sultan Haider Method and system to optimize quality of patient care paths
KR20110025893A (ko) * 2008-02-22 2011-03-14 리드 홀스 테크놀로지스 인코포레이티드 자동화된 온톨로지 생성 시스템 및 방법
CN101515958A (zh) * 2008-02-22 2009-08-26 北京协藏维康医药科技开发服务有限公司 一种具备智能查询医学知识功能的手机及其实现方法
CN102129526A (zh) * 2011-04-02 2011-07-20 中国医学科学院医学信息研究所 面向公众的就医向导式自助分诊挂号方法及系统
US20130268203A1 (en) * 2012-04-09 2013-10-10 Vincent Thekkethala Pyloth System and method for disease diagnosis through iterative discovery of symptoms using matrix based correlation engine
US10650920B2 (en) * 2012-08-16 2020-05-12 Ginger.io, Inc. Method and system for improving care determination
CA2901275C (en) * 2013-02-15 2023-10-17 Battelle Memorial Institute Use of web-based symptom checker data to predict incidence of a disease or disorder
AU2014239852A1 (en) * 2013-03-15 2015-11-05 The Cleveland Clinic Foundation Self-evolving predictive model
CN104200069B (zh) * 2014-08-13 2017-08-04 周晋 一种基于症状分析和机器学习的用药推荐系统和方法
US20160224732A1 (en) * 2015-02-02 2016-08-04 Practice Fusion, Inc. Predicting related symptoms
CN105678066B (zh) * 2015-12-31 2019-02-22 天津迈沃医药技术股份有限公司 基于用户反馈信息完成数据训练的疾病自诊方法及系统
US20170344711A1 (en) * 2016-05-31 2017-11-30 Baidu Usa Llc System and method for processing medical queries using automatic question and answering diagnosis system

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI745693B (zh) * 2018-05-18 2021-11-11 宏達國際電子股份有限公司 控制方法以及醫學系統
US11600387B2 (en) 2018-05-18 2023-03-07 Htc Corporation Control method and reinforcement learning for medical system
TWI778289B (zh) * 2018-08-16 2022-09-21 宏達國際電子股份有限公司 控制方法以及醫學系統
US11218493B2 (en) 2019-05-31 2022-01-04 Advanced New Technologies Co., Ltd. Identity verification
TWI795949B (zh) * 2021-10-15 2023-03-11 財團法人資訊工業策進會 訓練預測模型的裝置及方法

Also Published As

Publication number Publication date
CN107729710B (zh) 2021-04-13
CN107729710A (zh) 2018-02-23
US20180046773A1 (en) 2018-02-15

Similar Documents

Publication Publication Date Title
CN107729710B (zh) 医学系统及非暂态计算机可读取媒体
US11769576B2 (en) Method and system for improving care determination
US11776669B2 (en) System and method for synthetic interaction with user and devices
US20220383998A1 (en) Artificial-intelligence-based facilitation of healthcare delivery
CN108780663B (zh) 数字个性化医学平台和系统
CN109785972B (zh) 用于对行为和健康变化进行建模的方法
US10014080B2 (en) Evidence based medical record
US8579784B2 (en) Personalized prognosis modeling in medical treatment planning
WO2020229705A1 (en) Remote health monitoring system and method for hospitals and cities
US20200194121A1 (en) Personalized Digital Health System Using Temporal Models
US20170132396A1 (en) System and Method for Recurring Measurement and Actionable Outcomes to Meet Clinical Timespans
US20120179478A1 (en) Devices, Systems, and Methods for the Real-Time and Individualized Prediction of Health and Economic Outcomes
US20180277252A1 (en) Person Engagement Index for Providing Automated Personalized Healthcare Functions
CN109478259A (zh) 医疗咨询支持工具
US20230053474A1 (en) Medical care system for assisting multi-diseases decision-making and real-time information feedback with artificial intelligence technology
US11450432B2 (en) Predictive and interactive diagnostic system
US20220059238A1 (en) Systems and methods for generating data quality indices for patients
US11322250B1 (en) Intelligent medical care path systems and methods
CN112740336A (zh) 用于在物联网网络中进行基于人工智能(ai)的辅助健康感测的方法及电子设备
US20240021279A1 (en) System for predictive medical treatment recommendation and digital platform integration thereof
Rao et al. Healthcare and Chatgpt
WO2021151191A1 (en) System and method for consistent user data acquisition and monitoring
CN116312936A (zh) 一种认知数字药物辅佐使用软件设计方法及装置