[發明專利]基于QMR信念網絡的導診方法

在審

• 申請號: 202210746063.6
• 申請日: 2022-06-28
• 公開（公告）號: CN115101182A
• 公開（公告）日: 2022-09-23
• 發明（設計）人: 石虎偉;薛魁;韓笑;方磊;徐捷;張曉凡;柳俊
• 申請（專利權）人: 上海人工智能創新中心
• 主分類號: G16H40/20
• 分類號: G16H40/20;G16H10/60;G06F40/216;G06F40/242;G06F40/247;G06F16/215;G06F16/31
• 代理公司: 上海智晟知識產權代理事務所(特殊普通合伙) 31313
• 代理人: 李鏑的

本發明涉及智能醫療技術領域，提出一種基于QMR信念網絡的導診方法，包括下列步驟：根據門診病歷數據確定輸入特征以及輸出標簽，其中所述輸出標簽包括科室信息；利用QMR信念網絡對所述輸入特征以及所述輸出標簽進行訓練以使得所述輸入特征與所述輸出標簽關聯；利用生成式實體抽取模型從患者描述中獲取實體；以及將所述實體輸出所述QMR信念網絡中，其中將所述實體轉化為所述輸入特征并且生成預測標簽，所述預測標簽包括推薦科室。

技術領域

本發明總的來說涉及智能醫療技術領域。具體而言，本發明涉及一種基于QMR(Quick Medical Reference，快速醫學參考)信念網絡的導診方法。

背景技術

現實生活中當患者罹患疾病時，常常由于患者缺乏專業的醫療知識而無法前往合適的科室就診。

現有技術中的導診方法可以實現一定程度上的智能導診，然而其對患者發病部位以及癥狀信息的獲取不夠人性化、并且準確率和全面率也不高。這是由于現有的導診方法對于患者發病部位以及癥狀信息的獲取通常是基于患者點選的專業詞匯或者基于對自然文本通過正則進行提取。患者點選的專業詞匯雖然提高了發病部位及癥狀信息的嚴謹性，但對用戶而言是不友好的，因為用戶無法掌握專業的發病部位及癥狀的描述，而自然文本通過正則進行提取相關信息，則存在提取不到超出詞庫范圍外的癥狀、部位信息，并且對于“無發熱”“無頭痛”之類的否定描述會造成錯誤提取。

另外現有的導診方法通常通過固定的部位-科室映射規則或者知識圖譜來實現導診，而這會導致導診準確率不高。以固定的部位-科室映射規則方法為例，患者描述胸部疼痛，與胸部相關的科室有呼吸科、心內科、心胸外科、皮膚科等，無法做到科學合理的導診，而基于知識圖譜進行導診的方法則并未考慮各種疾病發病率是有差異的，兩種疾病可能會有同樣的發病部位、癥狀。

發明內容

為至少部分解決現有技術中的上述問題，本發明提出一種基于QMR信念網絡的導診方法，包括下列步驟：

根據門診病歷數據確定輸入特征以及輸出標簽，其中所述輸出標簽包括科室信息；

利用QMR信念網絡對所述輸入特征以及所述輸出標簽進行訓練以使得所述輸入特征與所述輸出標簽關聯；

利用生成式實體抽取模型從患者描述中獲取實體；以及

將所述實體輸出所述QMR信念網絡中，其中將所述實體轉化為所述輸入特征并且生成預測標簽，所述預測標簽包括推薦科室。

在本發明一個實施例中規定，對原始的門診病歷數據進行數據清洗以生成第一門診病歷數據，其中包括下列步驟：

讀取所述原始的門診病例數據，所述原始的門診病例數據包括數據id、患者性別、患者年齡、患者主訴、現病史、既往史、確診疾病以及科室信息；

對所述原始的門診病例數據添加數據序號，并且將所述患者主訴、所述現病史、所述既往史的缺失處設置為空值；

刪除所述患者主訴以及所述現病史均為空值的原始門診病例數據；以及

刪除所述一級科室為空值的原始的門診病例數據以生成所述第一門診病例數據。

在本發明一個實施例中規定，將所述第一門診病歷數據結構化，其中包括下列步驟：

構造醫療同義詞詞典；

基于所述醫療同義詞詞典構造AC自動機；以及

基于所述第一門診病例數據中的患者主訴以及現病史，通過所述AC自動機進行匹配以便將所述第一門診病歷數據結構化。

在本發明一個實施例中規定，提取所述第一門診病歷數據中患者主訴以及現病史的標準詞，并且對所述標準詞進行特征限定，其中包括下列步驟：