一种全科临床决策支持系统的制作方法

本发明涉及医疗系统，尤其涉及一种全科临床决策支持系统。

背景技术：

1、传统的临床决策支持系统(clinical decision support system,以下简称cdss)是指运用系统的临床知识和患者基本信息及病情信息，加强医疗相关的决策和行动，提高医疗质量和医疗服务水平的计算机应用系统。

2、当今国内的辅助诊疗系统主要应用两种技术。一是在辅助过程中，需要医生手动输入一些规范化的术语并确定各个词的量化程度，这样会影响医生工作效率，十分不方便；二是通过机器学习、大数据挖掘等人工智能技术，对临床真实数据进行学习，构建模型，从而提供辅助诊疗服务，但这种技术也有相应的缺陷，首先临床真实数据的准确性、完整性、权威性难以保证，会导致使用错误的数据构建出错误的模型，其次为该技术过程多为黑盒，临床医生无法看到辅助诊疗的过程和依据，可信度存疑，且医疗知识图谱目前面临着很大的挑战，尚没有能够很好地用于辅助决策的先例。

3、目前市面上的cdss系统大部分是仅针对专科或专病，无法满足全科室的需求；或者是功能模块较为单一，比如只有药品的预警提示功能，而缺失辅助诊断、检查检验手术等类型医嘱的预警提示、异常结果解读等功能。

4、本发明以前的初代版本与市面上部分系统相同，技术方案是在辅助过程中，需要医生手动输入一些规范化的术语，或在系统提供的词表中选择，并确定各个词的量化程度。

5、图1为现有技术应用下的辅助诊断功能示例，可以看到输入词与系统所用词是同义但描述不一致的，均无法匹配成功，必须输入与系统精准匹配的词方可触发相关提示。

6、现有技术存在的缺点：

7、对输入者的要求较高、局限性大，医生只能严格按照系统所提供的术语进行病历书写，超出范围的则无法应用到功能模块中，非常影响医生的诊疗效率，也无法充分有效地利用患者信息。

8、为解决此问题，本发明所采用的技术方案为：通过机器学习+人工审核的方式，构建庞大的同近义词词表以及上下位词间关系，用户在院内业务系统中自由输入，之后由cdss系统进行实体识别、实体关系建立、句法与词性分析、意图分析等，高效准确地利用对患者数据。

9、部分cdss系统采用深度学习网络，尤其是基于深度学习网络的自然语言处理(nlp)模块，在院内对海量真实患者数据进行智能处理和分析，利用其中的数据进行建模，在极短的时间内学习和理解海量的临床数据，之后将cdss内置到his或医院其他业务系统中，提供各类服务。

10、nlp技术目前还不成熟，深度学习网络的训练过程非常耗时，且其有“黑箱”属性，训练与应用过程产生的公式/权重不容易阅读和解释，系统无法解释它为什么要用特定的方法来使用某些特定的数据，所以其可靠性是一个主要问题，这一直是很多临床医生不满意或不愿意接受的地方。同时由于医院信息化不高、训练数据质量也参差不齐，极易导致以不准确的数据训练出不准确的模型。另外是缺少标准化信息模型的支持：由于系统标准不统一，导致可移植性差、推广应用难。

技术实现思路

1、为解决上述技术问题，本发明使用正确的数据来作为数据层来源，通过机器学习+人工审核的方式，构建数据库，同时可追溯来源，以此保证数据的可信度。对各功能针对性的设计模型算法，运算过程透明、遵循临床思维，保证了功能的准确性。

2、本发明的目的通过以下的技术方案来实现：

3、一种全科临床决策支持系统，包括：

4、输入模块，用于获取患者相关数据信息；

5、数据处理模块，用于对输入的数据进行处理；

6、数据应用模块，对处理后的数据通过模型算法进行运算，并得到应用结果；

7、输出模块，用于将数据应用模块的结果输出显示给医生。

8、与现有技术相比，本发明的一个或多个实施例可以具有如下优点：

9、构建庞大的同近义词词表以及上下位词间关系，使得无论医生输入的数据是否结构化、规范化，均可得到有效利用，明显避免了因输入不规范导致的数据无法利用；

10、采用权威数据作为系统数据库来源，使得算法模型输出的结果权威可信、可溯源，避免了因数据源的不准确导致的模型不可信；

11、机器学习+人工审核的方式，使得系统数据库里的数据差错明显降低；

12、结合各功能特点与临床思维针对性设计的模型算法，使得功能准确性得到保证；

13、多场景化的模型算法，使得诊疗全流程均可得到cdss的辅助决策，避免了功能单一、无法有效提升医生的诊疗水平。

技术特征：

1.一种全科临床决策支持系统，其特征在于，包括

2.如权利要求1所述的全科临床决策支持系统，其特征在于，所述患者相关数据信息包括患者个人信息、病历、医嘱与报告单数据。

3.如权利要求1所述的全科临床决策支持系统，其特征在于，数据的处理包括对输入数据进行数据清洗、实体识别、实体关系的建立、句法与词性的分析及意图分析。

4.如权利要求1所述的全科临床决策支持系统，其特征在于，所述数据应用模块中模型算法包括疾病推导模型算法、医嘱预警模型算法、医嘱推荐模型算法、结果解读模型算法及报告核查模型算法。

5.如权利要求4所述的全科临床决策支持系统，其特征在于，疾病推导模型算法经数据处理模块处理出性别、年龄、职业、生理周期、症状、体征、发病特点、诊疗经过、既往病史、生活习惯、既往用药、既往检查检验与结果实体及关系，将处理后的实体及关系在系统数据库中进行运算，并根据各组运算结果，将推导结果划入各组别，依据组别命中情况进行排序。

6.如权利要求5所述的全科临床决策支持系统，其特征在于，所述系统数据库中，各实体及关系均有相应权重分值即1-7分，7各分值进行组划分，7为第一组，5-6为第二组，3-4为第三组，1-2为第四组。

7.如权利要求4所述的全科临床决策支持系统，其特征在于，所述医嘱预警模型算法在数据输入后，经数据处理模块处理出性别、年龄、生理周期、诊断、本次医嘱id、检查项目及结果、检验项目与结果等实体及关系，将全部处理后的实体与关系放到系统数据库中进行运算，包括将处理出的实体及关系与数据库中的实体及关系、同近义词表、上下位词间关系进行匹配与计算，根据各组运算结果，将预警结果划入各类型，先按照医嘱类型进行排序，然后各类型内再按照权重分值从1到7依次排序，并输出到前端。

8.如权利要求4所述的全科临床决策支持系统，其特征在于，医嘱推荐模型算法，经数据处理模块处理出性别、年龄、生理周期、诊断等实体及关系，将全部处理后的实体与关系放到系统数据中进行运算，包括将处理出的实体及关系与数据库中的实体及关系、同近义词表、上下位词间关系进行匹配与计算，根据各组运算结果，将推荐结果划入各类型，然后按照推荐类型进行排序，输出到前端。

9.如权利要求4所述的全科临床决策支持系统，其特征在于，所述结果解读模型算法，数据输入后，经数据处理模块处理出性别、年龄、检查项目、检查结果、检验项目、检验结果、检测方法、检测试剂等实体及关系，在系统数据库中进行运算，包括根据医院项目与数据库中项目的对照关系，将处理出的实体及关系与数据库中的实体及关系、同近义词表、上下位词间关系进行匹配与计算，将运算结果输出到前端。

10.如权利要求4所述的全科临床决策支持系统，其特征在于，所述报告核查模型算法，在数据输入后，经数据处理模块处理出性别、年龄、检查项目、检查结果、检验项目、检验结果、检测方法与检测试剂实体及关系，在系统数据库中进行运算，根据医院项目与数据库中项目的对照关系，将处理出的实体及关系与数据库中的实体及关系、同近义词表、上下位词间关系进行匹配与计算，将运算结果输出到前端。

技术总结
本发明公开了一种全科临床决策支持系统，包括输入模块，用于获取患者相关数据信息；数据处理模块，用于对输入的数据进行处理；数据应用模块，对处理后的数据通过模型算法进行运算，并得到应用结果；输出模块，用于将数据应用模块的结果输出显示给医生。本发明采用权威数据作为系统数据库来源，使得算法模型输出的结果权威可信、可溯源，避免了因数据源的不准确导致的模型不可信；多场景化的模型算法，使得诊疗全流程均可得到CDSS的辅助决策，避免了功能单一、无法有效提升医生的诊疗水平。

技术研发人员：陶德钢,张静文,李少伟,黄燕芳
受保护的技术使用者：同方知网数字出版技术股份有限公司
技术研发日：
技术公布日：2024/1/14