一种基于自然语言处理和知识图谱的慢性心衰智能辅助诊疗方法与流程

本发明涉及一种智能诊疗方法，尤其涉及一种基于自然语言处理和知识图谱的慢性心衰智能辅助诊疗方法，属于智能医疗。

背景技术：

1、随着云计算、物联网、移动互联网等新技术的出现，大数据解决方案和大数据分析工具开始在医疗卫生领域得到应用，例如远程医疗系统等。智能诊疗系统能够借助现代信息技术为患者提供快捷服务，方便患者就诊。到目前为止，尽管智能诊疗技术不断提高，但是在诊断正确性，推荐治疗方案精准性方面还存在一些问题。

2、

技术实现思路

1、本发明的目的是：提供一种基于自然语言处理和知识图谱的慢性心衰智能辅助诊疗方法。

2、为解决上述技术问题，本发明采用的技术方案是：

3、一种基于自然语言处理和知识图谱的慢性心衰智能辅助诊疗方法，包括以下步骤：

4、步骤1：构建知识图谱：知识图谱包括患者实体库、疾病实体库、典型体征实体库、医学检查实体库、心衰分型实体库、治疗方案实体库和药物实体库；患者实体库由一个以上患者实体组成，患者实体的属性包括性别、身份证号码；

5、疾病实体库由一个以上与心衰诊断相关联的疾病实体组成，患者实体与疾病实体存在罹患关系；

6、典型体征实体库由一个以上与心衰诊断相关联的典型体征实体组成，患者实体与典型体征实体存在呈现关系；心衰分型实体库由一个以上心衰分型实体组成，医学检查实体库由一个以上医学检查实体组成，医学检查实体包括检查结果属性，，医学检查实体与患者实体存在属于关系；医学检查实体与心衰分型实体存在提示关系；提示关系的属性包括优先级别；

7、治疗方案实体库由一个以上治疗方案实体组成，药物实体库由一个以上药物实体组成，患者实体与药物实体存在曾使用关系；

8、心衰分型实体与治疗方案实体存在推荐关系；

9、患者实体与心衰分型实体库存在诊断关系；患者实体与治疗方案实体存在治疗关系；

10、步骤2：完善患者就诊档案，由以下具体步骤组成：

11、步骤2-1：输入患者基本信息，将患者基本信息分词，识别患者实体及其属性，检索患者实体库中是否存在所述患者实体，如果存在，转向步骤3；否则转向步骤2-2；

12、步骤2-2：在患者实体库中创建所述患者实体；

13、步骤2-3：询问患者相关病史，将相关病史信息分词，逐一识别疾病实体并判断疾病实体库中是否存在所述疾病实体，如果存在，转向步骤2-4，否则，转向步骤2-5；

14、步骤2-4：创建患者实体与相应疾病实体间的罹患关系；

15、步骤2-5：获取患者的身高、体重、血压，根据身高、体重计算体质指数，体质指数＝体重/(身高x身高)，如果体质指数大于肥胖阈值，判断为肥胖，转向步骤2-6；否则转向步骤3；

16、步骤2-6：创建患者实体与肥胖实体间的罹患关系；

17、步骤3：典型体征检查：由以下步骤组成：

18、步骤3-1：获取典型体征信息，将典型体征信息分词，识别典型体征实体；

19、步骤3-2：判断典型体征实体库中是否存在所述典型体征实体，如果存在，转向步骤3-3，否则，转向步骤4；

20、步骤3-3：在患者实体与相应典型体征实体间建立呈现关系；

21、步骤4：疾病初筛：判断所述患者是否与疾病实体存在罹患关系或者与典型体征实体存在呈现关系；如果是，判断罹患疾病可能性高，转向步骤5，否则，判断罹患疾病可能性低，转向步骤8；

22、步骤5：获取医学检查结果：进行相关医学检查，根据医学检查结果建立医学检查实体及其与患者实体的属于关系；

23、步骤6：疾病分型，包括以下具体步骤：

24、步骤6-1：设置各心衰分型的推理规则；各心衰分型的推理规则包括1条以上推理路径，各推理路径由1条以上限定条件组成；限定条件为医学检查实体的筛选准则；

25、步骤6-2：根据限定条件在医学检查实体和心衰分型实体间建立提示关系，提示关系的属性包括疑似优先度，推理患者实体与心衰分型实体间的疑似诊断关系；疑似诊断关系的属性包括疑似优先度和提示项数；疑似优先度为各提示关系的疑似优先度中最高等级，提示项数为医学检查实体和心衰分型实体间提示关系数量；

26、步骤6-3：判断是否存在患者实体与心衰分型实体间的疑似诊断关系，如果是转向步骤6-4，否则，转向步骤8；

27、步骤6-4：选择疑似优先度最高的的疑似诊断关系作为患者实体与心衰分型实体间的诊断关系，确定心衰分型；

28、步骤7：治疗方案推荐，包括以下具体步骤：

29、步骤7-1：设置各治疗方案的推理规则；各治疗方案的推理规则包括1条以上限定条件；限定条件为医学检查实体、药物实体、疾病实体的筛选准则；

30、步骤7-2：根据限定条件在医学检查实体和治疗方案实体间、药物实体和治疗方案实体间、疾病实体和治疗方案实体间建立推荐关系，推荐关系的属性包括推荐优先级，推理患者实体与治疗方案实体间的治疗关系；治疗关系的属性包括推荐优先级；推荐优先级为各推荐关系的推荐优先级中最高等级；

31、步骤7-3：判断是否存在患者实体与治疗方案实体间的推荐关系，如果是转向步骤7-4，否则，转向步骤8；

32、步骤7-4：选择推荐优先级最高的推荐关系作为患者实体与治疗方案实体间的治疗关系，确定治疗方案；

33、步骤8：结束。

34、进一步，所述步骤2-3和步骤3-1中实体识别的方法相同，均有以下步骤组成：

35、步骤a：使用第一深度学习模型将文本分词转化为第一文本分词向量，计算文本分词向量与相应实体库中各实体的实体词向量相似度，得到第一相似度p1；

36、步骤b：使用第二深度学习模型将文本分词转化为第二文本分词向量，计算文本分词向量与相应实体库中各实体的实体词向量相似度，得到第二相似度p2；

37、步骤c：计算文本分词与各实体的综合相似度：

38、p＝a1p1+a2p2；

39、式中，a1和a2分别为第一相似度权重和第二相似度权重；

40、步骤d：选择与所述文本分词的综合相似度最高的实体作为待定等价实体；

41、步骤e：判断所述文本分词与待定等价实体的综合相似度是否大于预设等价阈值，如果是，判定匹配成功，否的判定匹配失败。

42、更进一步，所述第一相似度p1和第二相似度p2的计算方法相同，第一相似度p1的计算方法为：

43、

44、式中，n为文本分词向量的维数，ai和bi分别为文本分词向量和实体词向量的第i维元素，0<p<3，和分别为ai和bi的均值。

45、更进一步，第一深度学习模型包括级联的向量表示层和1层以上变换编码层，变换编码层包括级联的多头自注意力层、归一化层和线性转化层；多头自注意力层由1个以上自注意力层、拼接层和全连接层；向量表示层把输入文本转化为向量表示，拼接层将各注意力层提取的征向量拼接成联合特征，拼接层将联合特征降维处理后再输入归一化层进行归一化处理；第二度学习模型包括6层级联的变换层，各变换层均由级联的自注意力层和前馈神经网络层组成。

46、更进一步，第一相似度权重和第二相似度权重的确定方法由以下步骤组成：

47、步骤i1：给定初值a'1＝0.5，a'2＝1-a'1；

48、步骤i2：迭代修正：

49、式中，

50、其中y1＝a,y2＝b；

51、步骤i3：如果|a1-a'1|<δ，δ为预设停止迭代阈值，停止迭代，否则，令a'1＝a1，转向步骤i2。

52、采用上述技术方案，本发明的有益效果是：

53、1、本发明基于权威临床指南和标准临床路径构建知识图谱，能够对医生进行培训和指导，快速提高医生的就诊水平；

54、2、本发明搭建的典型病例症状和治疗方案知识图谱，具有自动信息归集入库能力；当出现新的病种和新的诊疗规范，可以自适应扩充信息；可以帮助医生快速了解和学习到全球先进的医学信息知识、医疗行业发展动态；

55、3、本发明采用多级自然语言处理方案，根据就诊过程和应答结果迭代提问，引导医生找到最佳就诊方案，有效提高医生的临床问诊效率和诊疗水平；

56、4、本发明采用词向量相似度比对算法，可以准确高效匹配回答和系统答案，并找到差异词向量，迅速定位确实信息。