一种疾病辅助决策方法、系统、设备及存储介质与流程

医药医疗技术的改进;医疗器械制造及应用技术1.本发明属于疾病预测辅助决策领域，涉及一种疾病辅助决策方法、系统、设备及存储介质。背景技术：2.医疗诊断和预后是适用于任何医疗中心每个病例的医疗程序的核心。它是医生试图根据许多因素(例如身体症状)确定患者所患疾病的原因、疾病症状、患者访谈、实验室检查等相关可能原因。在实际诊断过程中，症状实体信息与诊断结果的关系非常复杂，疾病可能会引起各种不同的症状，而一个症状也可能是由多种不同的疾病引起的。在某些疾病中，症状很常见，并且彼此相关。另一些疾病中，症状不常见。还有一些疾病，症状很相似，这类疾病多隐袭起病，病程缓慢进展，各疾病分型之间的临床表现比较相似，往往需要经验丰富的临床医生根据患者病史、临床症状、体征等信息进行综合判断。医生遇到的病例种类繁多，差异较大，医生很难记住所有的疾病和对应的症状，而且经验丰富的医生毕竟是少数，而且往往集中在大医院，这会造成一定程度的医疗资源挤兑。技术实现要素：3.本发明的目的在于克服上述现有技术的缺点，提供了一种疾病辅助决策方法、系统、设备及存储介质，该方法、系统、设备及存储介质能够降低对医疗资源的挤兑。4.为达到上述目的，本发明采用如下技术方案：5.本发明一方面，本发明提供了一种疾病辅助决策方法包括：6.获取患者的信息及症状；7.将患者的信息以及症状输入到训练后的朴素贝叶斯分类器模型中，得患者可能患有的各种疾病以及患有各种疾病的概率；8.选择概率最高的n种疾病，将选择出来的n种疾病以及患有所述n种疾病的概率推送给医生。9.还包括：10.获取预训练数据；11.构建朴素贝叶斯分类器模型；12.利用所述预训练数据对朴素贝叶斯分类器模型进行训练，得训练后的朴素贝叶斯分类器模型。13.所述预训练数据包括电子病历中疾病症状对应的特征向量、疾病与症状的相关性矩阵以及各疾病对应的症状信息。14.还包括：15.收集医疗数据；16.利用收集到的医疗数据生成疾病与症状的相关性矩阵。17.还包括：18.获取电子病历，从电子病历中提取患者的信息及疾病信息；19.将提取得到的患者的信息及疾病信息利用bert中文预训练模型对句子进行编码，再输入到rnn神经网络模型进行处理，得电子病历中疾病症状对应的特征向量。20.所述患者的信息包括患者性别、患者年龄、患者职业、患者籍贯及患者既往病史，所述疾病信息包括疾病名称、疾病症状、病理检查结果。21.本发明二方面，本发明提供了一种疾病辅助决策系统，包括：22.第一获取模块，用于获取患者的信息及症状；23.预测模块，用于将患者的信息以及症状输入到训练后的朴素贝叶斯分类器模型中，得患者可能患有的各种疾病以及患有各种疾病的概率；24.推送模块，用于选择概率最高的n种疾病，将选择出来的n种疾病以及患有所述n种疾病的概率推送给医生。25.还包括：26.第二获取模块，用于获取预训练数据；27.构建模块，用于构建朴素贝叶斯分类器模型；28.训练模块，用于利用所述预训练数据对朴素贝叶斯分类器模型进行训练，得训练后的朴素贝叶斯分类器模型。29.本发明三方面，本发明提供了一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述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所述疾病辅助决策方法的步骤。30.本发明四方面，本发明提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现所述疾病辅助决策方法的步骤。31.本发明所述进一步的改进在于：32.本发明具有以下有益效果：33.本发明所述的疾病辅助决策方法、系统、设备及存储介质在具体操作时，在前期基于人工智能对患者可能患有的疾病进行识别，再推送给医生，用于医生的二次识别及筛选，从而降低对医疗资源的挤兑，以实现辅助决策的目的，具体的，将患者的信息以及症状输入到训练后的朴素贝叶斯分类器模型中，得患者可能患有的各种疾病以及患有各种疾病的概率，在实际应用时，医生即可根据患者可能患有的各种疾病以及患有各种疾病的概率，再结合患者的信息及症状对患者患有的疾病进行评估，操作简单、方便，实用性较强，便于推广及应用。附图说明34.构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：35.图1为本发明的流程图；36.图2为本发明的系统图。具体实施方式37.为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，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，都应当属于本发明保护的范围。38.需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。39.下面结合附图对本发明做进一步详细描述：40.实施例一41.参考图1，本发明所述的疾病辅助决策方法包括以下步骤：42.1)收集医疗数据；43.从正规国家信息平台下载关于疾病的数据，收集疾病的所有发病症状。44.2)利用收集到的医疗数据生成疾病与症状的相关性矩阵；45.对收集到的医疗数据进行去噪，再编码统一生成词表，再以此构建医疗词库，将所述医疗词库中的医疗词汇输入到word2vec模型中，获取所述医疗词汇对应的词向量，将与所述医疗词汇对应的词向量作为词向量样本，再将所述词向量样本保存于预设词向量数据库中；46.在所述预设词向量数据库中获取待诊断病历的医疗词汇对应的词向量，其中，所述预设词向量数据库中保存有医疗词汇与词向量的对应关系。47.将获取得到的词向量使用皮尔逊相关系数计算疾病与症状的相关性矩阵；48.其中，目标症状和目标疾病之间的相关性系数r为：[0049][0050]其中，为目标疾病的向量表示，为目标症状的向量表示，n为目标疾病中包含的症状数目，xi为第i个症状对应的所有疾病向量表示，yi为目标疾病的第i个症状的向量表示。[0051]3)构建预训练数据，将预训练数据输入到朴素贝叶斯分类器模型中，对朴素贝叶斯分类器模型进行训练，训练完成后，将输入患者的信息及症状输入到训练后的朴素贝叶斯分类器模型中，得可能患有的n种疾病以及各疾病的概率；[0052]从医院获取电子病历信息，然后从电子病历中提取患者的信息及疾病信息，所述患者的信息包括患者性别、患者年龄、患者职业、患者籍贯及患者既往病史，所述疾病信息包括疾病名称、疾病症状、病理检查结果；将提取得到的患者的信息及疾病信息利用bert中文预训练模型对句子进行编码，再输入到rnn神经网络模型进行处理，得电子病历中疾病症状对应的特征向量，再将所述特征向量、步骤2)得到的疾病与症状的相关性矩阵以及各疾病对应的症状信息作为预训练数据。[0053]利用预训练数据对朴素贝叶斯分类器模型进行训练；[0054]将患者的信息及症状输入到训练后的朴素贝叶斯分类器模型中，得可能患病的疾病名称以及患有该疾病的概率。[0055]朴素贝叶斯分类器模型过程为：[0056]获取已知样本数据，所述已知样本数据为已知类别的待分类项集合，即疾病的类别。提取预训练数据中疾病的特征、疾病的症状、疾病症状相关性矩阵、患者信息及疾病检查结果。根据预训练数据对建立的朴素贝叶斯分类器模型进行训练，获取各类别在已知样本数据中出现的概率及各特征属性划分对每个类别的条件概率估计。[0057]所述贝朴素贝叶斯模型中包含类疾病集合c，其中，c的取值为(c1,c2,…,cm)，m表示疾病类别个数，同时贝朴素贝叶斯还包含一组集合x＝(x1,x2,...,xn)，集合x用于疾病分类的相关特征，n为特征个数，对于贝叶斯网络分类器，当某一待分类的样本d，其分类特征值为x＝(x1,x2,…,xn)，则样本d属于类别ci的概率p(c＝ci|x＝x)为：[0058]p(c＝ci|x1＝x1,x2＝x2,…,xn＝xn),(i＝1,2,…,m)应满足下：[0059]p(c＝ci|x＝x)＝max{p(c＝c1|x＝x),p(c＝c2|x＝x),…,p(c＝ci|x＝x)}[0060]贝叶斯公式为：[0061]p(c＝ci|x＝x)＝p(x＝x|c＝ci)×p(c＝ci)/p(x＝x)；[0062]其中，p(c＝ci)为当前疾病类别在所有疾病中的占概率，p(x＝x)为当前特征在所有疾病相关特征中包含的概率，p(x＝x|c＝ci)为在确定疾病类型的情况下包含这些特征的概率，由此可以得到在输入某些疾病特征的时候，即可得到患者可能患有什么疾病以及各疾病的概率。[0063]4)选择概率最高的五种疾病，并根据概率的高低进行排序，然后将选择出来的五种疾病以及对应的概率推送给医生。[0064]实施例二[0065]参考图2，本发明所述的疾病辅助决策系统包括：[0066]第一获取模块1，用于获取患者的信息及症状；[0067]预测模块2，用于将患者的信息以及症状输入到训练后的朴素贝叶斯分类器模型中，得患者可能患有的各种疾病以及患有各种疾病的概率；[0068]推送模块3，用于选择概率最高的n种疾病，将选择出来的n种疾病以及患有所述n种疾病的概率推送给医生。[0069]还包括：[0070]第二获取模块4，用于获取预训练数据；[0071]构建模块5，用于构建朴素贝叶斯分类器模型；[0072]训练模块6，用于利用所述预训练数据对朴素贝叶斯分类器模型进行训练，得训练后的朴素贝叶斯分类器模型。[0073]实施例三[0074]一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述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所述疾病辅助决策方法的步骤，其中，所述存储器可能包含内存，例如高速随机存储器，也可能还包括非易失性存储器，例如，至少一个磁盘存储器等；处理器、网络接口、存储器通过内部总线互相连接，该内部总线可以是工业标准体系结构总线、外设部件互连标准总线、扩展工业标准结构总线等，总线可以分为地址总线、数据总线、控制总线等。存储器用于存放程序，具体地，程序可以包括程序代码、所述程序代码包括计算机操作指令。存储器可以包括内存和非易失性存储器，并向处理器提供指令和数据。[0075]实施例四[0076]一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现所述疾病辅助决策方法的步骤，具体地，所述计算机可读存储介质包括但不限于例如易失性存储器和/或非易失性存储器。所述易失性存储器可以包括随机存储存储器(ram)和/或高速缓冲存储器(cache)等。所述非易失性存储器可以包括只读存储器(rom)、硬盘、闪存、光盘、磁盘等。[0077]本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。[0078]本技术是参照根据本技术实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。[0079]这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。[0080]这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。[0081]最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!