TW201905838A - 電腦輔助醫療方法以及用於醫學預測的醫療系統 - Google Patents

電腦輔助醫療方法以及用於醫學預測的醫療系統

Info

Publication number
TW201905838A
TW201905838A TW106143246A TW106143246A TW201905838A TW 201905838 A TW201905838 A TW 201905838A TW 106143246 A TW106143246 A TW 106143246A TW 106143246 A TW106143246 A TW 106143246A TW 201905838 A TW201905838 A TW 201905838A
Authority
TW
Taiwan
Prior art keywords
actions
prediction
disease
action
ranking
Prior art date
Application number
TW106143246A
Other languages
English (en)
Other versions
TWI656503B (zh
Inventor
湯凱富
張智威
高皓成
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 TW201905838A publication Critical patent/TW201905838A/zh
Application granted granted Critical
Publication of TWI656503B publication Critical patent/TWI656503B/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
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • 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
    • G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
    • 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)
  • Medical Informatics (AREA)
  • Data Mining & Analysis (AREA)
  • Public Health (AREA)
  • Theoretical Computer Science (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • Epidemiology (AREA)
  • Pathology (AREA)
  • Primary Health Care (AREA)
  • Databases & Information Systems (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Treatment And Welfare Office Work (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

電腦輔助醫療方法包含以下步驟，通過互動介面收集患者之初始症狀與背景資訊。依據這些候選預測模型以及初始症狀依序產生一系列多個動作，多個動作各自對應於詢問動作或疾病預測動作其中一者。當此系列多個動作當中最新一個動作對應於其中一個疾病預測動作時，藉由候選預測模型的評估，產生潛在疾病預測之第一排名。依據背景資訊將第一排名調整為一第二排名，產生對應於潛在疾病預測之第二排名之結果預測。

Description

電腦輔助醫療方法以及用於醫學預測的醫療系統
本揭露關於一種電腦輔助醫療方法，特別是關於一種用於產生醫學預測之電腦輔助醫療方法。
最近出現了電腦輔助醫療系統的概念，以便於患者自我診斷。電腦輔助醫療系統可以要求患者提供一些資訊，然後電腦輔助醫療系統可以基於與這些患者的互動，提供潛在疾病的診斷。
本揭露提供一電腦輔助醫療方法。電腦輔助醫療方法基於複數個候選預測模型，各候選預測模型包含複數個詢問動作以及複數個疾病預測動作。電腦輔助醫療方法包含以下步驟。取得初始症狀以及背景資訊，依據這些候選預測模型以及初始症狀依序產生一系列複數個動作，各動作係對應於詢問動作的其中一者或是疾病預測動作的其中一者。當此系列複數個動作當中最 新的一個動作對應其中一個疾病預測動作時，由候選預測模型評估產生潛在疾病預測之一第一排名。依據背景資訊將第一排名調整為一第二排名，產生潛在疾病預測之第二排名之結果預測。
本揭露另提供一具有一電腦程式的非暫態電腦可讀取儲存媒體，電腦程式係用以執行上述的電腦輔助醫療方法。
本揭露又提供一醫療系統，其基於複數個候選預測模型，該些候選預測模型各自包含複數個詢問動作以及複數個疾病預測動作。醫療系統包含互動介面以及一控制電路，互動介面用以收集一初始症狀，控制電路與互動介面通信。控制電路可操作以依據這些候選預測模型以及初始症狀，依序產生一系列複數個動作，此系列複數個動作各自對應於詢問動作其中一者或是疾病預測動作其中一者。當此系列複數個動作中最新的一個動作對應於這些疾病預測動作其中一者時，控制電路經操作利用候選預測模型評估而產生複數個潛在疾病預測之一第一排名。控制電路可操作依據背景資訊將第一排名調整為一第二排名，控制電路可操作以產生這些潛在疾病預測之第二排名的結果預測。
100、700‧‧‧醫療系統
120、720‧‧‧控制電路
140、740‧‧‧互動介面
160、760‧‧‧儲存單元
200、800、900‧‧‧電腦輔助醫療方法
U1‧‧‧使用者
CON‧‧‧背景資訊
Sini‧‧‧初始症狀
Sqry‧‧‧症狀詢問
Sans、RES3N、RES5Y‧‧‧症狀答覆
Acand‧‧‧候選動作
STAT、STAT1、STAT2、STAT3‧‧‧當前狀態
Acurt、Acurt1、Acurt2、Acurt3‧‧‧當前動作
MD1~MD3‧‧‧候選預測模型
INQ1-INQ14‧‧‧詢問動作
PRD1-PRD7‧‧‧疾病預測動作
RES3N、RES5Y‧‧‧症狀答覆
MDM‧‧‧模型選擇模型
MD1~MDn‧‧‧候選預測模型
S210~S260、S810~S860、S910~S940‧‧‧操作
為讓本發明之上述和其他目的、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圖是依據本揭露之一實施例之一醫療系統的示意圖；第2圖是依據本揭露之一實施例之一電腦輔助醫療方法的流程圖； 第3圖是依據本揭露之一實施例所建立之不同候選預測模型的示意圖；第4圖是第2圖之一操作中所執行的進一步操作的流程圖；第5A圖至第5C圖說明關於如何在不同階段中產生系列動作的操作範例的示意圖；第6圖是依據一實施例於第2圖之一操作中所執行的進一步操作的流程圖；第7圖是依據本揭露之另一實施例之一醫療系統的意圖；第8圖是依據本揭露之另一實施例之一電腦輔助醫療方法的流程圖；以及第9圖是依據本揭露之又一實施例之一電腦輔助醫療方法的流程圖。
以下將以圖式及詳細說明闡述本發明之精神，任何所屬技術領域中具有通常知識者在瞭解本發明之較佳實施例後，當可由本發明所教示之技術，加以改變及修飾，其並不脫離本發明之精神與範圍。
請參照第1圖，第1圖係為依據本揭露之一實施例之一醫療系統100的示意圖。醫療系統100包含控制電路120、互動介面140以及儲存單元160。
於一些實施例中，控制電路120與互動介面140通信， 醫療系統100用以經由互動介面140與使用者U1互動(例如，從使用者U1取得至少一個初始症狀，向使用者U1提供一些症狀詢問及/或從使用者U1取得對應的症狀答覆)。基於前述的互動歷史，醫療系統100得以分析、診斷或預測發生在使用者U1身上的潛在疾病。醫療系統100是利用機器學習演算法來進行訓練，使得醫療系統100得以基於有限的患者資料來查詢和診斷。於一些實施例中，醫療系統100採用強化學習(Reinforcement Learning,RL)框架來制定查詢和診斷策略。
於一些實施例中，醫療系統100係使用電腦、伺服器或是處理中心而建立。控制電路120可以由處理器、中央處理單元或是計算單元實現。互動介面140可包含輸出介面(例如，用於顯示資訊之一顯示面板)或者輸入元件(例如，一觸控面板、一鍵盤、一麥克風、一掃描器或是一快閃記憶體讀取器)，使用者可以透過上述輸入元件輸入文字指令、發出語音指令或是上傳一些相關數據(例如，影像、病歷或個人檢查報告)。
於一些其他實施例中，醫療系統100的至少一部分是係利用分配式系統所建立。例如，控制電路120係由雲端計算系統所建立。在這種情況下，互動介面140可以是智慧型手機，其藉由無線與控制電路120進行通信。互動介面140的輸出介面可以為智慧型手機上的顯示面板，互動介面140的輸入元件可以為智慧型手機上的觸控面板、鍵盤及/或麥克風。
如第1圖所示，儲存單元160與控制電路120耦接。於一些實施例中，儲存單元160可以由記憶體、快閃記憶體、唯讀記憶體(ROM)、硬碟或是任何等效的儲存元件實現。
如第1圖所示，互動介面140可以由使用者U1操控。使用者U1可以看到互動介面140上所顯示的資訊，並且使用者U1可以在互動介面140上輸入他/她的輸入。於一實施例中，互動介面140將顯示一通知以向使用者U1詢問他/她的多個症狀，而使用者U1輸入的症狀將被視為初始症狀Sini(例如，使用者U1輸入的一或多個症狀)。互動介面140用以依據使用者的操控，取得初始症狀Sini以及背景資訊CON，互動介面140將初始症狀Sini以及背景資訊CON傳送至控制電路120。
控制電路120用以依據初始症狀Sini，產生將被顯示於互動介面140上的多個症狀詢問Sqry。症狀詢問Sqry被依序顯示於互動介面140上，並且使用者U1可通過互動介面140回答症狀詢問Sqry。互動介面140係用以接收對應於症狀詢問Sqry的症狀答覆Sans。當控制電路120獲得足夠資訊以作出決定時，控制電路120被用以產生結果預測，例如至少一疾病預測(例如，疾病名稱或按其概率排序的疾病名稱列表)，或/及依據初始症狀Sini以及症狀答覆Sans，與疾病預測結果相匹配的至少一個醫療部門建議。控制電路120將依據初始症狀Sini以及所有先前的症狀答覆Sans(在當前問題之前)決定多個最佳問題(即症狀詢問Sqry)，以向使用者U1詢問。最佳問題是依據被控制電路120所使用之預測模型而選擇，以提高結果預測的效率(例如可以更快地或以更少的詢問來決定結果預測)與正確性(例如結果預測可以更準確)。
請參照第2圖，第2圖係為依據本揭露之一實施例之一電腦輔助醫療方法200的流程圖。電腦輔助醫療方法200可以由第1圖中的醫療系統100執行。
如第1圖與第2圖所示，操作S210被執行以獲得初始症狀Sini以及背景資訊CON。關於初始症狀Sini，互動介面140可以將文字通知顯示為“今天感覺如何？如果你感覺不好，你能用幾句話來形容你的感覺嗎？”使用者U1可以藉由打字輸入(或者藉由語音識別輸入)來回答該問題為“我現在有嚴重的頭痛”。在此例中，初始症狀Sini(例如頭痛)可以在來自使用者U1的輸入中被識別。於一實施例中，背景資訊CON可以依據來自使用者U1的輸入，通過互動介面140而獲得。於另一實施例中，背景資訊CON可以由醫療系統100通過從醫院或醫療機構中的醫療記錄資料庫下載或提取而獲得。例如，使用者U1可以提供個人身份或個人資訊以在醫療系統100上創建一帳戶。在此例中，倘若使用者U1授權醫療系統100，則醫療系統100可以從醫療記錄資料庫自動下載或提取使用者U1的背景資訊CON。
在某些情況下，一些電腦輔助醫療系統將建立一個整體化通用預測模型來分析來自患者的輸入並產生預測。由於整體化通用預測模型應涵蓋所有種類的疾病與症狀，因此建立整體化通用預測模型需要大量的計算。整體化通用預測模型可能需要很長時間才能進行預測，並且整體化通用預測模型所做的預測有時可能不準確。除此之外，因為整體化通用預測模型要考量到太多的疾病與症狀，使得整體化通用預測模型的訓練非常困難。即使是在醫院裏面，也有許多醫生專門在不同的醫療部門，單單依賴一名醫生難以高效率、高準確度地診斷所有種類的症狀與疾病。
為了模擬真實情況中醫院的不同部門中由多位專科醫生各自負責的診斷方式，於一些實施例中醫療系統100利用機器 學習演算法根據臨床資料分別訓練的多個不同的候選預測模型。請參照第3圖，第3圖係為依據本揭露之一實施例所建立之不同候選預測模型MD1、MD2及MD3的示意圖。於一些實施例中，候選預測模型MD1、MD2及MD3係對應於人體的不同解剖部位而被獨立訓練。於另外一些實施例中，候選預測模型MD1、MD2及MD3係對應於人體的不同功能部位(例如，呼吸系統、消化系統、神經系統、內分泌系統)而被獨立訓練。候選預測模型MD1、MD2及MD3各自均不需要涵蓋人體上的所有疾病與症狀。候選預測模型MD1、MD2及MD3整體的組合應能夠涵蓋人體上不同解剖部位或不同功能部位的所有疾病與症狀。
候選預測模型MD1、MD2及MD3之各自依據與人體之其中一個解剖部位相關的臨床資料而被訓練。臨床資料包含來自一些醫療資料庫的臨床病例，例如來自疾病控制與預防中心的資料與資訊(https：//www.cdc.gov/datastatistics/index.html)。每一個臨床病例描述了確診疾病以及與確診疾病有關的多個對應症狀之間的關係。例如，靜脈功能不全的患者可能有皮膚病變、腿部腫脹和腿痛的症狀；另一位有手臂骨折的患者可能有手臂疼痛、手腕腫脹、肘關節僵硬或緊縮感的症狀；而又一位患有慢性便秘疾病的患者可能會出現劇烈的腹痛、肛門疼痛和胃脹氣的症狀。關於不同疾病與症狀的臨床病例被分組為不同的解剖部位(或不同的功能部位)。
用來訓練多個互相獨立的候選預測模型MD1、MD2及MD3中每一候選預測模型所需要的計算時間，將會短於用來訓練整體化通用預測模型的計算時間。原因在於，候選預測模型 MD1、MD2及MD3中每一者僅僅需要考慮有關於單一解剖部位(或單一功能部位)的疾病與症狀。除此之外，候選預測模型MD1、MD2及MD3可以平行計算在同時間各自獨立訓練，使得建立候選預測模型MD1、MD2及MD3比建立單一的預測模型更快。
每個候選預測模型MD1、MD2及MD3是利用與單一個解剖部位(或一個功能部位)相關臨床資料加以訓練。例如，候選預測模型MD1是利用與頭相關的臨床資料進行訓練，候選預測模型MD2是利用與胸部相關的臨床資料進行訓練，並且候選預測模型MD3是利用與手臂相關的臨床資料進行訓練。醫療系統100以及電腦輔助醫療方法200所使用的候選預測模型並不限於第2圖所示的三個模型。為了簡潔起見，第2圖是說明三個候選預測模型MD1、MD2及MD3的示例，醫療系統100以及電腦輔助醫療方法200所使用的候選預測模型可為二或更多個不同的模型。
於一實施例中，人體可以被分為十一個不同的組別(分別對應於不同的解剖部位)，例如人體的頭部、頸部、手臂、胸部、腹部、背部、骨盆、臀部、腿部、皮膚以及一般區域。其中「一般區域」的組別是用來對應影響人體的不只一個解剖部位的疾病與症狀。在本實施例中，醫療系統100以及電腦輔助醫療方法200將訓練對應於此十一個組別的十一個候選預測模型。為了簡潔起見，以下的段落以第3圖所示包含三個候選預測模型MD1、MD2及MD3的實施例來解釋。
於另一實施例中，人體可以被分為不同的組別(分別對應於各功能部位)，例如人體的呼吸系統、消化系統、神經系統、內分泌系統、肌肉骨骼系統、循環系統、泌尿系統、生殖 系統及一般功能(其意味著症狀不會發生在一個特定功能部位)。
初始症狀Sini(例如，由使用者U1輸入的一或多個症狀)將提供關於使用者U1感覺如何的重要線索。控制電路120得以決定候選預測模型MD1、MD2及MD3中的哪一個適合用來預測使用者U1的情況。如第1圖與第2圖所示，執行操作S220以依據初始症狀Sini從候選預測模型MD1-MD3中選擇一代表預測模型。
例如，倘若初始症狀Sini為「頭痛」，可以從候選預測模型MD1-MD3中選擇候選預測模型MD1(對應於頭部)作為代表預測模型。另一方面，倘若初始症狀Sini為「呼吸急促」，可以從候選預測模型MD1-MD3中選擇候選預測模型MD2(對應於胸部)作為代表預測模型。
如第1圖與第2圖所示，操作S230被執行以依據代表預測模型與初始症狀Sini依序產生一系列的動作。此一系列動作係對應於代表預測模型中的複數個候選動作所產生。
如第3圖所示，倘若候選預測模型MD1被選擇為代表預測模型，候選預測模型MD1包含數個候選動作Acand。在候選預測模型MD1中存在兩種類型的候選動作Acand，包含詢問動作INQ1、INQ2、INQ3、INQ4、INQ5及INQ6以及疾病預測動作PRED1、PRED2及PRED3。在候選預測模型MD2中存在兩種類型的候選動作Acand，包含詢問動作INQ1、INQ5、INQ7、INQ8、INQ9、INQ10及INQ11以及疾病預測動作PRED3及PRED4。在候選預測模型MD3中存在兩種類型的候選動作Acand，包含詢問動作INQ3、INQ10、INQ12、INQ13及INQ14以及疾病預測動作PRED2、PRED5及PRED7。上述一系列複數個動作中的每一個動 作分別詢問動作INQ1-INQ14其中一者或是疾病預測動作PRED1-PRED7其中一者。於一些實施例中，上述一系列複數個動作顯示在互動介面140上。
詢問動作INQ1-INQ14每一者用以詢問使用者是否患有一特定症狀(例如，「你咳嗽嗎？」、「你有發燒嗎？」、「你最近睡得好嗎？」與「你呼吸急促嗎？」)。當使用者U1針對詢問動作INQ1-INQ14提供答案(例如，答案可以是簡單的是或否)時，控制電路120便能得知更多關於使用者U1的資訊。當關於使用者U1的資訊足以進行預測時，控制電路120將依據初始症狀Sini，所有之前的詢問動作以及所有預測之前的症狀答覆Sans，選擇一個疾病預測動作。在一些實施例中，疾病預測動作PRED1-PRED7中的每一個動作對應於一種疾病。
倘若候選預測模型MD1被選為代表預測模型，控制電路120使用候選預測模型MD1以依據當前狀態STAT選擇候選動作Acand中的一個，並將被選定的這一個候選動作當作是當前動作Acurt。當詢問動作INQ1-INQ6中的其中一個選定為當前動作Acurt時，醫療系統100以及電腦輔助醫療方法200將執行詢問動作INQ1-INQ6中被選擇的那一個。當疾病預測動作PRED1、PRED2及PRED3中的其中一個被選擇為當前動作Acurt時，醫療系統100以及電腦輔助醫療方法200將進行疾病預測。
請參照第4圖，第4圖係為第2圖之操作S230中所執行的進一步操作的流程圖。如第4圖所示的實施例，操作S230可進一步包含操作S231-S235。操作S231-S235包含關於如何依據代表預測模型與初始症狀Sini產生一系列動作的進一步細節。
請進一步參照第5A圖至第5C圖，第5A圖至第5C圖係說明關於如何在不同階段中產生系列動作的示例的示意圖。在第5A圖至第5C圖所繪示的實施例中，是假設候選預測模型MD1被選定為代表預測模型，以此進行舉例說明，但不以此為限。在其他情況之下，代表預測模型也可能被選定為其他候選預測模型，而不限於候選預測模型MD1。
第5A圖說明第一階段的代表預測模型(候選預測模型MD1)的示意圖。為了要決定一系列動作當中一第一動作，如第5A圖所示，執行操作S231以收集輸入至代表預測模型(即候選預測模型MD1)的當前狀態STAT1。在第一階段，當前狀態STAT1包含初始症狀Sini。操作S232被執行，以依據當前狀態分別為每個候選動作(包含詢問動作INQ1-INQ6與疾病預測動作PRED1-PRED3)產生各自的一狀態動作值。
於一實施例中，候選動作的狀態動作值可以分別被Q值函數評估，狀態動作的Q值函數可以定義為：Qπ(s,a)。Q值函數的結果可以意味著在狀態“s”中執行動作“a”採用策略π的預期回報。Q值函數可以被分為當前獎勵以及後續階段的預期Q值，預期的回報由與執行動作相對應的獎勵信號所提升。
醫療系統100以及電腦輔助醫療方法200作為代理程式(即基於代表預測模型運作的控制電路120)與患者互動的過程中，可以將查詢與診斷過程視為一連串的依序判斷問題。在每一個階段，代理程式詢問患者是否有某種症狀，然後患者對代表預測模型回答是或否，以表明患者是否有此症狀。與此同時，代理程式可以整合使用者對時間步驟的回應，以提出後續問題。在過 程結束時，如果代理程式能夠以有限的詢問數量正確地預測疾病(每個添加的詢問從獎勵中扣除一個處罰)，則代理程式收到一定量獎勵或是可變量獎勵。代理程式的目標是將獎勵最大化，換句話說，其目標是在診斷過程結束時用有限的詢問數量正確預測患者疾病。
給定一狀態s，代表預測模型會產生多個候選動作各自的Q值。在我們的定義中，有兩種類型的候選動作，包含詢問動作INQ1-INQ6與疾病預測動作PRED1-PRED3。如果輸出的最大Q值是落在詢問動作INQ1-INQ6其中一個，則控制電路120將相應的症狀詢問輸出給使用者U1，從使用者U1取得症狀答覆，並進行到下一個階段。
在第5A圖所示的情況中，包含初始症狀Sini的當前狀態STAT1僅提供有關於使用者U1的少量資訊。目前，由初始症狀Sini所提供的資訊不足以作出疾病預測。在這個階段，醫療系統100以及電腦輔助醫療方法200相對於進行疾病預測，將優先採取詢問動作。如第5A圖所示，在當前階段中，詢問動作INQ1-INQ6的Q值將相對較高，並且疾病預測動作PRED1-PRED3的Q值將相對較低。
操作S233被執行以選擇具有一最高狀態動作值的候選動作為系列動作的當前動作。在第5A圖所示的實施例中，詢問動作INQ3具有最高的Q值(Q=0.45)，因此，詢問動作INQ3被選為當前動作Acurt1，其也是一系列複數個動作當中的第一動作。
執行操作S234以判斷當前動作Acurt1是否為詢問動作。在這種情況下，當前動作Acurt1是詢問動作INQ3，因此於操 作S235中，將對應於詢問動作INQ3之症狀詢問顯示於互動介面140上。
請進一步參照第5B圖，第5B圖說明第5A圖所示第一階段之後的第二階段的代表預測模型(候選預測模型MD1)的示意圖。
執行操作S231以收集輸入至代表預測模型(即候選預測模型MD1)的當前狀態STAT2。在第二階段，當前狀態STAT2包含初始症狀Sini、先前詢問動作INQ3以及對應於詢問動作INQ3之一症狀答覆RES3N。在這種情況下，症狀答覆RES3N指出，使用者U1本身並未遭遇詢問動作INQ3中提及的症狀。再次執行操作S232，以依據當前狀態STAT2分別為每個候選動作(包含詢問動作INQ1、INQ2、INQ4-INQ6與疾病預測動作PRED1-PRED3)分別產生一狀態動作值。候選動作之狀態動作值將依據症狀答覆RES3N而被更新。在這種情況下，由於當前狀態STAT2已經不同於之前的狀態(第5A圖所示的STAT1)，針對每個候選動作的狀態動作值可以被Q值函數重新評估，Q值函數的結果可以依據症狀答覆RES3N中的是/否回答而增加或減少。當從候選動作中選擇一目標詢問動作(即，在這種情況下詢問動作INQ3)時，會傾向於選擇多個詢問動作中最大機率能夠引起其他候選動作的Q值顯著變化的一個詢問動作，以此作為目標詢問動作。在症狀答覆RES3N被提供給醫療系統100以及電腦輔助醫療方法200之後，詢問動作INQ1、INQ2、INQ4-INQ6以及疾病預測動作PRED1-PRED3的Q值將相應於症狀答覆RES3N而改變。
如第5B圖所示的實施例，詢問動作INQ5具有最高的 Q值(Q=0.57)，因此，詢問動作INQ5被選為一當前動作Acurt2，其也是一系列複數個動作中的第二動作。
在這種情況下，先前動作(第5A圖所示的Acurt1)的下一個當前動作Acurt2(其為詢問動作INQ5)，進一步依據初始症狀Sini外加症狀答覆RES3N被產生。
操作S234被執行以判斷當前動作Acurt2是否為詢問動作。在這種情況下，當前動作Acurt2是詢問動作INQ5，因此對應於詢問動作INQ5之一症狀詢問可於操作S235中被顯示於互動介面140上。
請進一步參照第5C圖，第5C圖說明第5B圖所示第二階段之後的第三階段的代表預測模型(候選預測模型MD1)的示意圖。
操作S231被執行以收集輸入至代表預測模型(即候選預測模型MD1)的一當前狀態STAT3。在第三階段，當前狀態STAT3包含初始症狀Sini、先前詢問動作INQ3、症狀答覆RES3N、先前詢問動作INQ5以及對應於詢問動作INQ5之一症狀答覆RES5Y。在這種情況下，症狀答覆RES5Y指出使用者U1有遭遇到詢問動作INQ5中提及的症狀。再次執行操作S232，以依據當前狀態STAT3分別為每個候選動作(包含詢問動作INQ1、INQ2、INQ4、INQ6與疾病預測動作PRED1-PRED3)分別產生一狀態動作值。候選動作之狀態動作值將依據症狀答覆RES3N及症狀答覆RES5Y而被更新。在這種情況下，由於當前狀態STAT3已經不同於之前的狀態(即STAT2)，針對每個候選動作的狀態動作值可以被Q值函數重新評估，Q值函數的結果可以依據症狀答覆RES3N 及症狀答覆RES5Y中的是/否回答而增加或減少。當從候選動作中選擇一目標詢問動作(即，在這種情況下詢問動作INQ5)時，詢問動作中能夠引起其他候選動作的Q值顯著變化的一個將被選擇為目標詢問動作。在症狀答覆RES5Y被提供給醫療系統100以及電腦輔助醫療方法200之後，詢問動作INQ1、INQ2、INQ4、INQ6以及疾病預測動作PRED1-PRED3的Q值將相應於症狀答覆RES5Y而改變。
如第5C圖所示的實施例，疾病預測動作PRED2具有最高的Q值(Q=0.83)，因此，疾病預測動作PRED2被選為一當前動作Acurt3，其也是一系列複數個動作當中的第三動作。
在第5C圖所示的情況中，當前狀態STAT3包含初始症狀Sini、先前詢問動作INQ3、症狀答覆RES3N、先前詢問動作INQ5以及症狀答覆RES5Y。在這種情況下，當前狀態STAT3可以提供足夠的資訊來進行疾病預測。因此，在當前階段下，詢問動作INQ1、INQ2、INQ4及INQ6的Q值相對較低，目標疾病預測動作PRED2的Q值相對較高。
在這種情況下，先前動作(第5B圖所示的Acurt2)的下一個當前動作Acurt3(其為疾病預測動作PRED2)，進一步依據初始症狀Sini、症狀答覆RES3N外加症狀答覆RES5Y被產生。
操作S234被執行以判斷當前動作Acurt3是否為詢問動作。在這種情況下，當前動作Acurt3並非是詢問動作而是疾病預測動作PRED2，因此操作S240依據疾病預測動作PRED2被執行。
於一些實施例中，當疾病預測動作PRED2被選為當前動作Acurt3時，電腦輔助醫療方法200依據被選擇的疾病預測動 作PRED2進一步於操作S240中產生一預測結果。於一實施例中，預測結果可以是按概率排名之一疾病名稱列表。例如，疾病列表可以包含以Q值(第5C圖所示例子中的0.83、0.54及0.22)的第一排名排列的疾病預測動作PRED2、PRED3及PRED1，於操作S240中，疾病預測動作PRED2、PRED3及PRED1的第一排名，是依據初始症狀Sini輸入以及對應於症狀詢問Sqry的症狀答覆Sans而被候選預測模型MD1決定。除了患者的症狀與相關資訊(位置、當前原因、疾病預測程序的當前溫度)或醫療事件(例如，SARS、玆卡病毒或H1N1之國際通報事件)，第一排名無法反映其他資訊(例如，性別、年齡、病史記錄、患者住所、患者的血型或患者的DNA)。在第1圖所示的實施例中，可以透過通過互動介面140進一步取得使用者的背景資訊CON。背景資訊CON可以包含患者的年齡、性別、血型、DNA、病史記錄、住所、或是當前季節、當前溫度、當疾病預測過程啟動時之位置或醫療事件。於另一實施例中，醫療系統100也可以由通過從醫院或醫療機構中的醫療記錄資料庫下載或提取，以取得使用者的背景資訊CON。
如第2圖所示，執行操作S250依據背景資訊CON將第一排名調整為第二排名。請進一步參閱第6圖，第6圖係為依據一實施例之第2圖中之操作S250中所執行的進一步操作S251-S253的流程圖。如第6圖所示，執行操作S251以獲得背景資訊與疾病預測動作之間的統計概率。統計概率可以從疾病控制與預防中心或其他醫療資料庫提取。
在以下的段落中，提供一個操作範例來舉例說明操作S250，在此操作範例中，假設背景資訊表明患者是年齡在45與 59歲之間的男性，統計概率顯示一般年齡在45至59歲之間的男性發生疾病的概率。
執行操作S252以將統計概率乘以疾病預測動作的狀態動作值。然後，操作S253被執行，以依據統計概率與疾病預測動作的狀態動作值的乘積形成第二排名。請參閱第5C圖所示實施例的示範，疾病預測動作的第一排名為PRED2、PRED3及PRED1，假設在候選預測模型MD1所決定的第一排名中，疾病預測動作為尿道感染(PRED2)、腎結石(PRED3)與暫時或良性血尿(PRED1)。
依據一般年齡在45至59歲之間的男性的統計概率，尿道感染的概率是2%(因為尿道感染通常發生在女性患者身上)，腎結石的概率是25%(因為年齡在45至59歲之間的男性患腎石病的風險高)，以及暫時或良性血尿的概率為20%。尿道感染(PRED2)的Q值(0.83)與概率的乘積為0.0166，腎結石(PRED3)的Q值(0.54)與概率的乘積為0.135，暫時或良性血尿(PRED1)的Q值(0.22)與概率的乘積為0.044。在這種情況下，依據統計概率與疾病預測動作的狀態動作值的乘積，疾病預測動作PRED1-PRED3之間的第二排名將為PRED3最高，接著是PRED1，最後是PRED2。之後，第2圖中的操作S260被執行以產生潛在疾病預測在第二排名的列表。在此列表中，疾病預測動作PRED3(腎結石)將排在最前面，疾病預測動作PRED1(暫時或良性血尿)將排在第二位，然後疾病預測動作PRED2(尿道感染)將排在這兩種疾病之後。
在以下的段落中，提供另一個操作範例以舉例說明 操作S250，在此操作範例中，假設背景資訊表明患者是年齡在75歲以上的女性，統計概率顯示一般年齡在75歲以上的女性發生疾病的概率。在此操作範例中，其中一個候選預測模型(即代表預測模型)所提供的在第一排名前五位的疾病預測分別是轉移性癌症、慢性便秘、腹疝、慢性腎臟疾病與胃食道逆流。基於年齡在75歲以上的女性的統計概率所重新計算第二排名，在重新計算後的第二排名中前五位的疾病預測分別為骨質疏鬆症、轉移性癌症、慢性腎臟疾病、褥瘡潰瘍與靜脈功能不全。在此操作範例中，由於“骨質疏鬆症”經常發生在老年婦女身上，縱使根據症狀詢問所得出的第一排名中疾病預測“骨質疏鬆症”並未被認為是前五位可能疾病，仍可能被列在第二排名的第一位。
在以下的段落中，提供再一個操作範例以舉例說明操作S250，在此操作範例中，假設背景資訊表明患者是年齡80歲的男性。在此示例中，其中一個候選預測模型(即代表預測模型)所提供的在第一排名，前五位的疾病預測分別是慢性阻塞性肺病(COPD)、肺不張、阿爾茨海默症、低血容量與癒傷組織。在考慮背景資訊(患者是80歲的男性)之後所得到的第二排名，前五位的疾病預測分別是阿爾茨海默症、慢性阻塞性肺病(COPD)、肺不張、低血容量與癒傷組織。在根據背景資訊調整排名之前，阿爾茨海默症在預測中排名第三，但是由於阿爾茨海默症很可能發生在75歲以上的患者身上，因此阿爾茨海默症因為考慮了背景資訊因此名次上升。
在以下的段落中，提供再一個操作範例以舉例說明操作S250，在此操作範例中，假設背景資訊表明患者是年齡25歲 的女性並且診斷發生在十一月。在此示例中，其中一個候選預測模型(即代表預測模型)所提供的在第一排名，前五位的疾病預測分別是慢性阻塞性肺病(COPD)、普通感冒、肺不張、乳糖不耐症與癒傷組織。在考慮背景資訊(患者是25歲的女性並且診斷發生在十一月)之後，重新計算的第二排名，前五位的疾病預測分別是普通感冒、慢性阻塞性肺病(COPD)、肺不張、乳糖不耐症與癒傷組織。由於背景資訊表明當前的季節是冬季，普通感冒因為考慮了背景資訊因此名次上升。季節使得普通感冒的概率增加，因此預測結果在考慮了背景資訊之後進行了修正。
基於以上的四個操作範例，第一排名可以依據背景資訊，包含患者的年齡、患者的性別及/或疾病預測過程的當前季節，被轉換為第二排名。然而，背景資訊並不限於此。背景資訊可以包含患者之病史記錄、患者之住所、疾病預測過程之當前溫度，或是關於患者或患者周圍環境的任何等效資料。
在一些其他的方法中，可將背景資訊併入用於建立候選預測模型的訓練資料中。在這些方法中，倘若醫療系統傾向於將新的因素添加到背景資訊中，則必需基於包含新添加因素的背景資訊再次訓練所有的候選預測模型。
基於第2圖、第4圖與第6圖所示的電腦輔助醫療方法200之以上實施例，可以在操作S250中考慮背景資訊(例如，年齡、性別、病史記錄、季節因素、溫度)，以重新排列潛在疾病預測的排名，使得由電腦輔助醫療方法200產生的疾病預測結果，可以依據背景資訊而被調整。如果在電腦輔助醫療方法200中的背景資訊中添加了新的因素，則沒有必要再度訓練所有的候選預測模型。
本揭露的另一實施例包含具有一電腦程式之一非暫態電腦可讀取儲存媒體(例如，第1圖所示的儲存單元160)，以執行前述第2圖、第4圖與第6圖所示的電腦輔助醫療方法200。
在前述第2圖所示的實施例中，電腦輔助醫療方法200依據初始症狀Sini，從候選預測模型MD1-MDn中選擇代表預測模型。隨後，利用代表預測模型完成以下的預測程序。在前述第2圖所示的實施例中，代表預測模型是從候選預測模型MD1-MDn中選擇之一固定模型(在多個階段都採用同一個候選預測模型MD1)，其中n為正整數。然而，本揭露並不限於此。
請參照第7圖，第7圖為依據本揭露之另一實施例之一醫療系統700的示意圖。醫療系統700包含控制電路720、互動介面740以及儲存單元760，第7圖中的醫療系統700的電路結構類似於第1圖中的醫療系統100的電路結構。於醫療系統700的實施例中，建立了多個候選預測模型MD1-MDn並且儲存在儲存單元760中，每個候選預測模型MD1-MDn係對應於人體的不同解剖部位而獨立訓練，每個候選預測模型MD1-MDn依據與人體之一解剖部位相關的臨床資料進行訓練。候選預測模型MD1-MDn的細節類似於前述第1圖中所示的實施例。在第7圖所示的實施例中，醫療系統700進一步建立模型選擇模型MDM。
模型選擇模型MDM是用來從候選預測模型MD1-MDn中決定動態預測模型，以負責產生一系列複數個動作中的每一個動作。於此實施例中，動態預測模型可以對應於一系列複數個動作中的每一個動作由模型選擇模型MDM重新決定。例如一系列複數個動作中的第一個動作可以依據與人體之一部位相關 的候選預測模型MD1來選擇，並且一系列複數個動作中的第二個動作可以依據與人體之另一部位相關的候選預測模型MDn來選擇。在第7圖所示的實施例中，在整個預測過程中系列動作並不限於由相同的候選預測模型選擇。
請參照第8圖，第8圖係為依據本揭露之另一實施例之一電腦輔助醫療方法800的流程圖。電腦輔助醫療方法800係適合被用於第7圖中的醫療系統700。
執行操作S810以取得初始症狀Sini以及背景資訊CON。執行操作S820以依據當前狀態由模型選擇模型MDM從候選預測模型MD1-MDn中選擇動態預測模型。在一開始的時候，當前狀態只包含初始症狀Sini，模型選擇模型MDM得以依據初始症狀Sini從候選預測模型MD1-MDn中決定動態預測模型。操作S830被執行以依據本階段的動態預測模型選擇一系列複數個動作之一當前動作。操作S830可以包含進一步的子操作，例如收集輸入到動態預測模型之當前狀態，分別為動態預測模型中的每個候選動作產生狀態動作值，以及選擇具有最高狀態動作值之候選動作為一系列複數個動作的當前動作(可參考第4圖中的操作S231、S232與S233以獲得進一步的細節)。
執行操作S834以判斷本階段由動態預測模型所選擇的當前動作是否為詢問動作。如果當前動作係為詢問動作，執行操作S835以顯示症狀詢問，並且從一患者U1收集多個症狀答覆Sans。然後，電腦輔助醫療方法800再次執行操作S820，以依據更新後的當前狀態(包含初始症狀Sini、上一階段的症狀詢問Sqry、以及針對症狀詢問Sqry的症狀答覆Sans)，由模型選擇模型MDM 從候選預測模型MD1-MDn決定動態預測模型。在第二階段中決定的動態預測模型可以與第一階段中先前選擇的動態預測模型不同，或者也可以與第一階段中先前選擇的動態預測模型相同。是否改變或保留動態預測模型取決於模型選擇模型MDM的判斷結果。模型選擇模型MDM是依據臨床資料由機器學習演算法所訓練，在訓練過程中，模型選擇模型MDM能夠在每一階段中由所有的候選預測模型MD1-MDn決定出一個動態預測模型，並且當最終預測正確時，模型選擇模型MDM將收到一個正向獎勵信號，當最終的預測是錯誤時，模型選擇模型MDM將收到一個負向回饋信號。
操作S830-S835將被重複多個階段，直到動態預測模型選擇了其中一個疾病預測動作作為一系列複數個動作當中最新的一個動作。一旦選擇了疾病預測動作(例如，操作S834將檢測到當前動作不是詢問動作)時，便執行操作S840以產生第一排名，第一排名是由候選預測模型所評估的潛在疾病預測。執行操作S850，以依據背景資訊將第一排名調整為第二排名。執行操作S860以產生潛在疾病預測在第二排名的列表。由於電腦輔助醫療方法800中操作S840-S860的細節類似於前述第2圖與第6圖所示實施例中的操作S240-S260，於此不再重複。
基於電腦輔助醫療方法800，不同階段的疾病預測程序並不一定是由與初始症狀Sini匹配的同一個候選預測模型來決定。在本實施例中，倘若患者U1所提供的初始症狀Sini對於描述發生在患者U1身上的疾病並不理想，則電腦輔助醫療方法800仍然有機會依據之後的症狀答覆Sans，切換到另一個候選預測模 型。因此，電腦輔助醫療方法800可以參考多個候選預測模型來進行診斷，由電腦輔助醫療方法800所做的最終預測與來自不同醫療部門的醫生的諮詢相似。因此，由電腦輔助醫療方法800所做的預測將具有更好的準確性。
本揭露的另一實施例包含具有一電腦程式之一非暫態電腦可讀取儲存媒體(例如，第7圖所示的儲存單元760)，以執行前述第8圖所示的電腦輔助醫療方法800。
請進一步參照第9圖，第9圖係為依據本揭露之又一實施例之一電腦輔助醫療方法900的流程圖。電腦輔助醫療方法900係適合被用於第7圖中的醫療系統700。
操作S910被執行以獲得初始症狀Sini(例如，由患者U1輸入的一個或多個症狀)。在電腦輔助醫療方法900的實施例中，背景資訊並非必需的。操作S920被執行以依據當前狀態由模型選擇模型MDM從候選預測模型MD1-MDn中決定動態預測模型。在一開始的時候，當前狀態只包含初始症狀Sini，模型選擇模型MDM得以依據初始症狀Sini從候選預測模型MD1-MDn中決定動態預測模型。操作S930被執行以依據本階段的動態預測模型選擇一系列複數個動作當中的當前動作。操作S930可以包含進一步的子操作，例如收集輸入到動態預測模型之當前狀態、分別為動態預測模型中的每個候選動作產生狀態動作值，以及選擇具有最高狀態動作值之候選動作為一系列複數個動作的當前動作(可參考第4圖中的操作S231、S232與S233以獲得進一步的細節)。
操作S934被執行以判斷本階段由動態預測模型所選擇的當前動作是否為詢問動作。如果當前動作是詢問動作，執行 操作S935以顯示症狀詢問，並且從患者U1收集多個症狀答覆Sans。然後，電腦輔助醫療方法900再次執行操作S920，以依據更新的當前狀態，由模型選擇模型MDM從候選預測模型MD1-MDn決定動態預測模型。在第二階段中決定的動態預測模型可以與第一階段中先前選擇的動態預測模型不同，或者也可以與第一階段中先前選擇的動態預測模型相同。是否改變或保留動態預測模型取決於模型選擇模型MDM的判斷結果。
操作S930-S935將被重複多個階段，直到動態預測模型中的疾病預測動作之一被選擇為一系列複數個動作當中最新的一個動作。當選擇了疾病預測動作(例如，操作S934將檢測到當前動作不是詢問動作)時，執行操作S940以產生潛在疾病預測之一列表，列表中的潛在疾病預測係依據由候選預測模型所評估之一排名進行排列，可以依據疾病預測動作的Q值決定候選預測模型評估的排名。例如，潛在疾病預測列表可以包含疾病預測動作PRED2、PRED3及PRED1在它們的Q值(第5C圖中所示例子中的0.83、0.54及0.22)的排名。
基於電腦輔助醫療方法900，不同階段的疾病預測程序並不一定是由與初始症狀Sini匹配的同一個候選預測模型來決定。在本實施例中，倘若患者U1所提供的初始症狀Sini對於描述發生在患者U1身上的疾病並不理想，則電腦輔助醫療方法900仍然有機會依據之後的症狀答覆Sans，切換到另一個候選預測模型。因此，電腦輔助醫療方法900可以參考多個候選預測模型來進行診斷，由電腦輔助醫療方法900所做的最終預測與來自不同醫療部門的醫生的諮詢相似。因此之故，由電腦輔助醫療方法900所做 的預測將具有更好的準確性。
基於以上的說明，在另外的實施例中，醫療系統100也有可能依據使用者輸入的至少一個初始症狀以及一或多個候選預測模型，直接產生疾病預測動作，在部份情況下也可能不需要產生一或多個詢問動作。
雖然本發明已以實施例揭露如上，然其並非用以限定本發明，任何熟習此技藝者，在不脫離本發明之精神和範圍內，當可作各種之更動與潤飾，因此本發明之保護範圍當視後附之申請專利範圍所界定者為準。

Claims (17)

  1. 一種電腦輔助醫療方法，該電腦輔助醫療方法根據複數個候選預測模型進行，該些候選預測模型各自包含複數個詢問動作以及複數個疾病預測動作，該電腦輔助醫療方法包含：取得一初始症狀以及一背景資訊；依據該些候選預測模型其中一個或多個以及該初始症狀，依序產生一系列複數個動作，該系列複數個動作各自對應於該些詢問動作其中一者或是該些疾病預測動作其中一者；當該系列複數個動作當中一最新動作對應於該些疾病預測動作其中一者時，產生複數個潛在疾病預測之一第一排名，該第一排名是由該些候選預測模型其中一個或多個評估而產生；依據該背景資訊將該第一排名調整為一第二排名；以及產生對應於該些潛在疾病預測之該第二排名之一結果預測。
  2. 如請求項1所述之電腦輔助醫療方法，其中該系列複數個動作之一當前動作，係經由以下而選定：依據一當前狀態，藉由一模型選擇模型從該些候選預測模型當中決定一動態預測模型，其中該模型選擇模型是依據一臨床資料由一機器學習演算法所訓練；依據該當前狀態，針對該動態預測模型當中的複數個候選動作產生複數個狀態動作值；以及選擇該動態預測模型的所有候選動作當中具有一最高狀態動作值之一候選動作，作為該系列複數個動作之該當前動作。
  3. 如請求項2所述之電腦輔助醫療方法，其中產生該些潛在疾病預測之該第一排名的步驟，包含：依據該些疾病預測動作之該些狀態動作值，將該動態預測模型中的所有該些疾病預測動作由高至低排序。
  4. 如請求項3所述之電腦輔助醫療方法，其中將該第一排名調整為該第二排名之步驟，包含：獲得該背景資訊與該些疾病預測動作之間的複數個統計概率；將該些統計概率乘以該些疾病預測動作之該些狀態動作值；以及依據該些統計概率與該些疾病預測動作之該些狀態動作值之乘積形成該第二排名。
  5. 如請求項1~4中任一項所述之電腦輔助醫療方法，其中該背景資訊包含一患者之一年齡、該患者之一性別、該患者之一血型、該患者之一DNA、該患者之一病史記錄、該患者之一住所、一當前季節、一當前溫度、一位置或一醫療事件。
  6. 如請求項2所述之電腦輔助醫療方法，其中對應該系列複數個動作當中每一個動作，藉由該模型選擇模型重新決定該動態預測模型。
  7. 如請求項2所述之電腦輔助醫療方法，另包含：當該些詢問動作其中一者被選擇為該系列複數個動作之該 當前動作時，收集對應於該些詢問動作的該其中一者的一症狀答覆；其中該系列複數個動作之一下一動作係進一步依據該症狀答覆而產生。
  8. 如請求項7所述之電腦輔助醫療方法，其中該當前狀態包含該當前動作之前的所有詢問動作以及對應的所有症狀答覆。
  9. 如請求項2所述之電腦輔助醫療方法，其中決定該動態預測模型的步驟包含：對該些候選預測模型各自產生一狀態動作值；以及選擇該些候選預測模型當中具有一最高狀態動作值之其中一候選預測模型作為該動態預測模型，藉由該動態預測模型選擇該系列複數個動作之該當前動作。
  10. 如請求項1所述之電腦輔助醫療方法，其中該些候選預測模型是對應於一人體的相異的複數個解剖部位而獨立訓練，該些候選預測模型各自依據與該人體之一解剖部位相關的臨床資料進行訓練，該臨床資料包含複數個臨床病例，該些臨床病例各自紀錄一確診疾病以及與該確診疾病有關的複數個症狀之間的一關係。
  11. 一種非暫態電腦可讀取儲存媒體，其具有一電腦程式以執行一電腦輔助醫療方法，其中該電腦輔助醫療方法 包含：取得一患者之一初始症狀以及一背景資訊；依據複數個候選預測模型其中一或多個以及該初始症狀，依序產生一系列複數個動作，該系列複數個動作各自對應於該些詢問動作其中一者或是該些疾病預測動作其中一者；當該系列複數個動作當中一最新動作對應於該些疾病預測動作其中一者時，產生複數個潛在疾病預測之一第一排名，該第一排名是由該些候選預測模型其中一個或多個評估而產生；依據該背景資訊將該第一排名調整為一第二排名；以及產生對應於該些潛在疾病預測之該第二排名之一結果預測。
  12. 一種醫療系統，該醫療系統根據複數個候選預測模型而運作，該些候選預測模型各自包含複數個詢問動作以及複數個疾病預測動作，該醫療系統包含：一互動介面，用以收集一初始症狀；以及一控制電路，與該互動介面通信，其中該控制電路經操作以：依據該些候選預測模型其中一或多個以及該初始症狀，依序產生一系列複數個動作，該系列複數個動作各自對應於該些詢問動作其中一者或是該些疾病預測動作其中一者；當該系列複數個動作當中一最新動作對應於該些疾病預測動作其中一者時，產生複數個潛在疾病預測之一第一排名，該第一排名是由該些候選預測模型其中一個或多個評估而產生；依據該背景資訊將該第一排名調整為一第二排名；以及 產生對應於該些潛在疾病預測之該第二排名之一結果預測。
  13. 如請求項12所述之醫療系統，其中該控制電路依據一當前狀態，藉由一模型選擇模型從該些候選預測模型決定一動態預測模型，該模型選擇模型係依據一臨床資料由一機器學習演算法所訓練，該控制電路依據該當前狀態針對該動態預測模型當中的複數個候選動作產生複數個狀態動作值，該控制電路選擇該動態預測模型的所有候選動作當中具有一最高狀態動作值之一候選動作，作為該系列複數個動作之該當前動作。
  14. 如請求項13所述之醫療系統，其中該控制電路依據該些疾病預測動作之該些狀態動作值，將該動態預測模型中的所有該些疾病預測動作由高至低排序，藉此產生該些潛在疾病預測之該第一排名。
  15. 如請求項14所述之醫療系統，其中該控制電路獲得該背景資訊與該些疾病預測動作之間的複數個統計概率，該控制電路將該些統計概率乘以該些疾病預測動作之該些狀態動作值，該控制電路依據該些統計概率與該些疾病預測動作之該些狀態動作值之乘積形成該第二排名。
  16. 如請求項12~15中任一項所述之醫療系統，其中該背景資訊係包含一患者之一年齡、該患者之一性別、該患者之一血型、該患者之一DNA、該患者之一病史記錄、該患者之 一住所、一當前季節、一當前溫度、一位置或一醫療事件。
  17. 如請求項13所述之醫療系統，其中該控制電路對應該系列複數個動作當中每一個動作，藉由該模型選擇模型重新決定該動態預測模型。
TW106143246A 2017-06-16 2017-12-08 電腦輔助醫療方法以及用於醫學預測的醫療系統 TWI656503B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US201762520642P 2017-06-16 2017-06-16
US62/520,642 2017-06-16

Publications (2)

Publication Number Publication Date
TW201905838A true TW201905838A (zh) 2019-02-01
TWI656503B TWI656503B (zh) 2019-04-11

Family

ID=64657488

Family Applications (4)

Application Number Title Priority Date Filing Date
TW109136981A TWI747574B (zh) 2017-06-16 2017-12-08 電腦輔助醫學方法、非暫態電腦可讀取媒體以及醫學系統
TW106143246A TWI656503B (zh) 2017-06-16 2017-12-08 電腦輔助醫療方法以及用於醫學預測的醫療系統
TW106143247A TWI709102B (zh) 2017-06-16 2017-12-08 電腦輔助醫學方法、非暫態電腦可讀取媒體以及醫學系統
TW108108292A TWI686819B (zh) 2017-06-16 2017-12-08 電腦輔助醫療方法以及用於醫學預測的醫療系統

Family Applications Before (1)

Application Number Title Priority Date Filing Date
TW109136981A TWI747574B (zh) 2017-06-16 2017-12-08 電腦輔助醫學方法、非暫態電腦可讀取媒體以及醫學系統

Family Applications After (2)

Application Number Title Priority Date Filing Date
TW106143247A TWI709102B (zh) 2017-06-16 2017-12-08 電腦輔助醫學方法、非暫態電腦可讀取媒體以及醫學系統
TW108108292A TWI686819B (zh) 2017-06-16 2017-12-08 電腦輔助醫療方法以及用於醫學預測的醫療系統

Country Status (3)

Country Link
US (4) US10854335B2 (zh)
CN (1) CN109147931B (zh)
TW (4) TWI747574B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11537818B2 (en) 2020-01-17 2022-12-27 Optum, Inc. Apparatus, computer program product, and method for predictive data labelling using a dual-prediction model system

Families Citing this family (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102018205496A1 (de) * 2018-04-11 2019-10-17 Siemens Healthcare Gmbh Verfahren zur Steuerung des Betriebs einer Medizintechnikeinrichtung, Bediengerät, Bediensystem, Medizintechnikeinrichtung, Computerprogramm und elektronisch lesbarer Datenträger
EP3895178A4 (en) * 2018-12-11 2022-09-14 K Health Inc. HEALTH INFORMATION DELIVERY SYSTEM AND PROCEDURES
US11204691B2 (en) * 2019-02-05 2021-12-21 International Business Machines Corporation Reducing input requests in response to learned user preferences
US20200268302A1 (en) * 2019-02-27 2020-08-27 Seoul National University Hospital Systems and methods for diagnosing lower urinary tract dysfunction
CN110088748B (zh) * 2019-03-19 2023-11-14 京东方科技集团股份有限公司 问题生成方法和装置、问诊系统、计算机可读存储介质
KR102455469B1 (ko) * 2019-04-17 2022-10-17 사회복지법인 삼성생명공익재단 하부요로증상 진단보조 방법
JP7361505B2 (ja) * 2019-06-18 2023-10-16 キヤノンメディカルシステムズ株式会社 医用情報処理装置及び医用情報処理方法
CN111326251B (zh) * 2020-02-13 2023-08-29 北京百度网讯科技有限公司 一种问诊问题输出方法、装置以及电子设备
WO2021177358A1 (ja) * 2020-03-03 2021-09-10 富士フイルム株式会社 情報処理装置、情報処理方法及び情報処理プログラム
TWI823067B (zh) * 2020-03-11 2023-11-21 宏達國際電子股份有限公司 控制方法以及醫療系統
CN111785369B (zh) * 2020-06-30 2024-04-05 讯飞医疗科技股份有限公司 诊断预测方法、相关设备及可读存储介质
CN112017788B (zh) * 2020-09-07 2023-07-04 平安科技（深圳）有限公司 基于强化学习模型的疾病排序方法、装置、设备及介质
US20220285025A1 (en) * 2021-03-02 2022-09-08 Htc Corporation Medical system and control method thereof
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

Family Cites Families (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU2286711C2 (ru) 2000-02-14 2006-11-10 Фёрст Опинион Корпорэйшн Система и способ автоматической диагностики
US7149756B1 (en) * 2000-05-08 2006-12-12 Medoctor, Inc. System and method for determining the probable existence of disease
US6684276B2 (en) * 2001-03-28 2004-01-27 Thomas M. Walker Patient encounter electronic medical record system, method, and computer product
US20050065813A1 (en) * 2003-03-11 2005-03-24 Mishelevich David J. Online medical evaluation system
WO2005086068A2 (en) 2004-02-27 2005-09-15 Aureon Laboratories, Inc. Methods and systems for predicting occurrence of an event
US9081879B2 (en) * 2004-10-22 2015-07-14 Clinical Decision Support, Llc Matrix interface for medical diagnostic and treatment advice system and method
US7624030B2 (en) * 2005-05-20 2009-11-24 Carlos Feder Computer-implemented medical analytics method and system employing a modified mini-max procedure
US8888697B2 (en) * 2006-07-24 2014-11-18 Webmd, Llc Method and system for enabling lay users to obtain relevant, personalized health related information
TW201142641A (en) 2010-05-31 2011-12-01 Jian Duan Bio Technology Co Ltd Storage medium, method and system for assisting medical assessment
CN102110192A (zh) 2011-04-02 2011-06-29 中国医学科学院医学信息研究所 基于诊断要素数据关联的疾病辅助判断方法
US20130158434A1 (en) 2011-12-20 2013-06-20 Delta Electronics, Inc. Apparatus for voice assisted medical diagnosis
CN103366073B (zh) * 2012-03-28 2018-09-21 深圳市世纪光速信息技术有限公司 问诊信息处理方法及系统
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
CN103164616A (zh) 2013-02-02 2013-06-19 杭州卓健信息科技有限公司 一种智能导诊系统和方法
US20140249830A1 (en) * 2013-03-01 2014-09-04 Nuance Communications, Inc. Virtual medical assistant methods and apparatus
EP2775412A1 (en) * 2013-03-07 2014-09-10 Medesso GmbH Method of generating a medical suggestion as a support in medical decision making
CN105095622A (zh) * 2014-05-13 2015-11-25 伦纳德·索力 医疗辅助方法和系统
KR20170023770A (ko) * 2014-06-25 2017-03-06 삼성전자주식회사 진단모델 생성 시스템 및 방법
TW201612846A (en) 2014-09-19 2016-04-01 Yi-Cheng Yu System and method of self-help inquiry and generating structural compliant medical record
JP2016126587A (ja) 2015-01-06 2016-07-11 株式会社リコー 面談システム、サーバシステム、サーバ装置、情報端末、面談方法、情報処理方法及びプログラム
CN106354998A (zh) * 2016-08-26 2017-01-25 成都汉康信息产业有限公司 一种支持远程问诊的在线医疗系统
CN106599574B (zh) * 2016-12-13 2019-04-30 天津迈沃医药技术股份有限公司 基于医疗信息平台的诊疗数据分析方法及系统
CN106709254B (zh) 2016-12-29 2019-06-21 天津中科智能识别产业技术研究院有限公司 一种医疗诊断机器人系统

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11537818B2 (en) 2020-01-17 2022-12-27 Optum, Inc. Apparatus, computer program product, and method for predictive data labelling using a dual-prediction model system

Also Published As

Publication number Publication date
TWI709102B (zh) 2020-11-01
TW202109551A (zh) 2021-03-01
TWI686819B (zh) 2020-03-01
US11488718B2 (en) 2022-11-01
TWI747574B (zh) 2021-11-21
US20180365381A1 (en) 2018-12-20
CN109147931A (zh) 2019-01-04
TWI656503B (zh) 2019-04-11
CN109147931B (zh) 2022-04-19
US20180366222A1 (en) 2018-12-20
US20210043324A1 (en) 2021-02-11
US10854335B2 (en) 2020-12-01
TW201905839A (zh) 2019-02-01
US11361865B2 (en) 2022-06-14
TW201923779A (zh) 2019-06-16
US20200342989A1 (en) 2020-10-29
US10734113B2 (en) 2020-08-04

Similar Documents

Publication Publication Date Title
TWI686819B (zh) 電腦輔助醫療方法以及用於醫學預測的醫療系統
Kao et al. Context-aware symptom checking for disease diagnosis using hierarchical reinforcement learning
CN107729710B (zh) 医学系统及非暂态计算机可读取媒体
KR102024375B1 (ko) 만성신장 질환의 질병 위험도를 예측하는 장치 및 방법
JP5523342B2 (ja) 類似事例検索を精密化するための方法及び装置
JP2016197330A (ja) 分析システム、リハビリテーション支援システム、方法およびプログラム
TW202100093A (zh) 血壓預測方法與使用該方法的電子裝置
US20210257067A1 (en) State transition prediction device, and device, method, and program for learning predictive model
US20210089965A1 (en) Data Conversion/Symptom Scoring
Ullah et al. A fully connected quantum convolutional neural network for classifying ischemic cardiopathy
Iliyas et al. Prediction of heart disease using decision tree
Yin et al. A hybrid intelligent diagnosis approach for quick screening of Alzheimer’s disease based on multiple neuropsychological rating scales
JP2023175142A (ja) 疾病評価指標算出システム、方法、及び、プログラム
CN114694779A (zh) 一种提高icu患者护理满意度的方法及系统
JP6912787B1 (ja) 情報登録支援プログラム、情報登録支援システムおよび情報登録支援方法
CN114822830B (zh) 问诊交互方法及相关装置、电子设备、存储介质
WO2023063079A1 (ja) 支援装置、支援方法及びプログラムが格納された非一時的なコンピュータ可読媒体
US20240070544A1 (en) Model generation apparatus, document generation apparatus, model generation method, document generation method, and program
JP2024034529A (ja) 情報処理装置、情報処理方法、及び情報処理プログラム
WO2021075018A1 (ja) 情報処理方法
Moore Yet Another Local Learner (YALL): a localized machine learning algorithm with applications to precision medicine
Zhuang et al. Automatic grading of admitted patients using genetic algorithm
Buditjahjanto et al. The Fuzzy Multi-attribute Group Decision Making to Determine a Syndrome Differentiation in Traditional Chinese Medicine Perspective.
Gama et al. Naïve bayes on diagnostic expert system for menstrual disorders
Jiang et al. Comparison of machine learning algorithms to SAPS II in predicting in-hospital mortality of fractures of the pelvis and acetabulum: analyzes based on MIMIC-III database