[發明專利]基于貝葉斯網絡的醫患匹配方法

有效

• 申請號: 201911356327.1
• 申請日: 2019-12-25
• 公開（公告）號: CN111009316B
• 公開（公告）日: 2022-06-21
• 發明（設計）人: 李德彪;陳思平
• 申請（專利權）人: 福州大學
• 主分類號: G16H40/20
• 分類號: G16H40/20;G16H50/20;G06K9/62
• 代理公司: 福州元創專利商標代理有限公司 35100
• 代理人: 陳明鑫;蔡學俊

本發明涉及一種基于貝葉斯網絡的醫患匹配方法，包括：步驟S1：采集電子病歷數據，確定疾病和癥狀節點及其取值，并作為訓練集數據；步驟S2:構建‘疾病?疾病/疾病?癥狀’自交互矩陣，并作為貝葉斯網絡的約束；步驟S3:構建貝葉斯網絡模型，并進行結構學習和參數學習；步驟S4:患者將病癥輸入貝葉斯網絡預診模型，得到計算主疾病和并發癥并發的所有可能的疾病組合；步驟S5計算醫生和患者的匹配指數步驟S6:基于醫生和患者的匹配指數構建醫生推薦模型；步驟S7:根據患者偏好指數，得到患者和醫生的最優分配。本發明結合了預診結果、醫生專長、醫生工作量和患者偏好進行醫患匹配，解決了目前醫患匹配技術不夠準確的缺陷。

技術領域

本發明涉及醫患匹配領域，具體涉及一種基于貝葉斯網絡的醫患匹配方法。

背景技術

目前已公開使用的醫患匹配技術，主要集中于智能導診，醫生推薦等領域，如騰訊公司開發的智能導診AI引擎騰訊睿知，旨在從海量文獻中抽取豐富的醫學知識，推理癥狀與疾病間的對應關系，建立疾病預診的專家系統；通過人際互動的智能問診系統，達到提取患者病癥情況的目的；最后通過整合醫生專長信息，進行醫生推薦。這類技術能給與患者準確的醫生推薦，從而提升醫療服務質量，是新崛起的智能醫療技術之一。患者對于醫生的盲目選擇問題對今天本就緊張的醫療資源是一種挑戰，該類技術沒有考慮到對醫療資源進行合理的分配，不能根本上解決問題。

發明內容

有鑒于此，本發明的目的在于提供一種基于貝葉斯網絡的醫患匹配方法，結合了預診結果、醫生專長、醫生工作量和患者偏好進行醫患匹配，解決了目前醫患匹配技術不夠準確的缺陷。

為實現上述目的，本發明采用如下技術方案：

一種基于貝葉斯網絡的醫患匹配方法，包括以下步驟：

步驟S1：采集電子病歷數據中的疾病、癥狀用詞并進行總結疾病癥狀，確定疾病和癥狀節點及其取值，并作為訓練集數據；

步驟S2:構建‘疾病-疾病/疾病-癥狀’自交互矩陣，并作為貝葉斯網絡的約束；

步驟S3:構建貝葉斯網絡模型，并進行結構學習和參數學習,得到完整的貝葉斯網絡預診模型；

步驟S4:患者將病癥輸入貝葉斯網絡預診模型，得到計算主疾病和并發癥并發的所有可能的疾病組合；

步驟S5:根據主疾病和并發癥并發的所有可能的疾病組合，計算醫生和患者的匹配指數；

步驟S6:基于醫生和患者的匹配指數構建醫生推薦模型；

步驟S7:基于醫生推薦模型，并根據患者偏好指數，得到患者和醫生的最優分配。

進一步的，所述‘疾病-疾病/疾病-癥狀’自交互矩陣中有聯系的疾病/癥狀元素之間取值為1，無關的取值為-1，未知部分取值為0；

其中：有聯系的關系轉化為貝葉斯網絡的初始網絡結構，無關聯系轉化為貝葉斯網絡禁止搜索的部分。

進一步的，所述貝葉斯網絡結構學習采用了基于禁忌搜索的啟發式算法，具體為：

選擇AIC評分作為優化的目標函數，其公式如下：

其中，r_m是節點m可能取值的所有值的總量，q_m是其父節點可能取值的所有可能組合的總量,節點數量為nm；N_mjk為節點m的父節點取第j種取值組合時，節點m取值為k數量的總量；N_mj為對m的所有可能取值的N_mjk求和；f(N)是衡量圖中節點信息量的函數，在AIC評分中取1；C(G)用以衡量圖的復雜度，其計算公式為：