临床诊断模型的构建方法及构建系统、临床诊断系统与流程

本发明涉及医疗技术领域，尤其涉及一种临床诊断模型的构建方法及构建系统、临床诊断系统。

背景技术：

目前医生主要通过培训等专业学习，依靠个人经验进行判断疾病，容易由于经验判断而产生误诊。由于医生对病症知识掌握有限，不可能掌握所有疾病的症状。尤其是专科医生，临床上往往只能对日常熟悉的病症进行诊断，而对于不常见疾病不能很好做出判断，容易产生误诊。

技术实现要素：

本发明的目的在于提供一种临床诊断模型的构建方法及构建系统、临床诊断系统，用于提高医生诊病的准确度。

为达到上述目的，本发明提供的临床诊断模型的构建方法采用如下技术方案：

一种临床诊断模型的构建方法包括：

步骤s1、进行数据采集，数据采集源为多个电子病历；

步骤s2、对采集到的数据进行处理；

步骤s3、根据处理后的数据中的已知典型病历建立病例分析模型，并对病历分析模型进行训练评估；

步骤s4、将训练评估完成的模型应用到临床诊断系统中，形成临床诊断模型。

示例性地，步骤s1中的电子病历的数据包括病人的基本信息、用药历史、患病史、症状主诉和检查指标。

可选地，步骤s1中采用数据仓库技术进行数据的采集。

示例性地，步骤s2具体包括：

子步骤s21、去掉未确诊和关键信息缺失的数据；

子步骤s22、筛选出数据量大且数据可用度好的疾病种类；

子步骤s23、通过疾病共用条件筛选可能病症；

子步骤s24、获取患者症状主诉数据、检查指标数据；

子步骤s25、根据统计学概率分析理论将筛选出的可能病症与患者症状主诉数据、检查指标数据进行概率分析。

示例性地，步骤s3中对病历分析模型进行训练评估具体包括：逐层对临床诊断模型进行训练评估。

进一步地，逐层对临床诊断模型进行训练评估具体包括：

针对有核心症状词的病症，通过核心症状词进行初级判断过滤，根据过滤结果进行逐层分析，通过回归、分析、聚类算法将诊断结果输出；

针对无典型指向的病症，通过贝叶斯网络神经网络模型进行算法精细化诊断，通过分析后将诊断结果按照近似概率输出。

示例性地，病历分析模型的权重为：w＝(w1，w2，…，wn)，其中，w1、w2，…，wn均表示各个症状的权重，n为大于或者等于1的正整数；

p(w)为在未给定任何数据时的先验概率，在给了训练数据d后，其后验概率p(w|d)为：p(d)为归一化因子，与模型无关；p(d|w)为模型的证据，用以判断模型的复杂度是否合适。

示例性地，数据采集源包括多个病症的电子病历时，针对每个病症分别执行步骤s1～步骤s4，以获得针对不同病症的多个临床诊断模型。

本发明提供的临床诊断模型的构建方法包括如上所述的步骤，从而使得使用该构建方法构建的临床诊断模型应用到临床诊断系统中后，通过录入病人的基本信息，例如，年龄、性别、病史等，然后录入主诉条件，临床诊断系统即可根据录入的信息，列出可能诊断出的疾病及其概率，进而使得医生在诊断时可以参考临床诊断系统列出的患病概率，针对可疑疾病，通过医生对患者提问来进行进一步验证，逐步确认患者所患疾病，起到提高医生诊病的准确度的效果。

本发明提供的临床诊断模型的构建系统采用如下技术方案：

临床诊断模型的构建系统包括：

数据采集模块，用于进行数据采集，数据采集源为多个电子病历；

数据处理模块，用于对采集到的数据进行处理；

模型训练评估模块，用于根据处理后的数据中的已知典型病历建立病例分析模型，并对病历分析模型进行训练评估；以及

模型应用模块，用于将训练评估完成的模型应用到临床诊断系统中，形成临床诊断模型。

该临床诊断模型的构建系统具有和上述临床诊断模型的构建方法相同的有益效果，此处不再进行赘述。

本发明提供的临床诊断系统采用如下技术方案：

临床诊断系统包括：

输入装置，用于输入患者的基本信息、症状主诉和检查指标；

诊断装置，用于根据患者的基本信息、症状主诉和检查指标，应用临床诊断模型诊断出可能的疾病及其概率，其中，临床诊断模型为使用如权利要求1～8任一项所述的临床诊断模型的构建方法构建所得；

显示装置，用于显示诊断出的可能的疾病及其概率。

医生在使用该临床诊断系统的过程中，通过录入病人的基本信息，例如，年龄、性别、病史等，然后录入主诉条件，临床诊断系统即可根据录入的信息，列出可能诊断出的疾病及其概率，进而使得医生在诊断时可以参考临床诊断系统列出的患病概率，针对可疑疾病，通过医生对患者提问来进行进一步验证，逐步确认患者所患疾病，起到提高医生诊病的准确度的效果。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例中的临床诊断模型的构建方法的流程图；

图2为本发明实施例中的临床诊断系统的示意图。

具体实施方式

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，所描述的实施例是本发明一部分实施例，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，都属于本发明保护的范围。

本发明实施例提供一种临床诊断模型的构建方法，具体地，如图1所示，该临床诊断模型的构建方法包括：

步骤s1、进行数据采集，数据采集源为多个电子病历。

可选地，数据采集源为三甲医院多年积累的电子病历，电子病历的数据要完整，应包括病人的基本信息、用药历史、患病史、症状主诉、检查指标等。在本发明实施例中，可选地，步骤s1中采用数据仓库技术进行数据的采集，以备后续的数据处理及模型训练使用。其中，数据仓库技术的英文为extract-transform-load，简写为etl，用来描述将数据从来源端经过抽取(extract)、转换(transform)、加载(load)至目的端的过程。

步骤s2、对采集到的数据进行处理。

为了提高临床诊断模型的准确性，本发明实施例中选择对采集到的数据进行处理后再进行模型的训练。

具体数据处理方式可以包括：首先，去掉未确诊和关键信息缺失的数据；然后，筛选出数据量大且数据可用度好的疾病种类；接着，通过疾病共用条件筛选可能病症；然后，获取患者症状主诉数据、检查指标数据；最后，根据统计学概率分析理论将筛选出的可能病症与患者症状主诉数据、检查指标数据进行概率分析。

当然，本领域技术人员也可以采用其他数据处理方式，只要能达到上述目的即可，此处不进行限定。

步骤s3、根据处理后的数据中的已知典型病历建立病例分析模型，并对病历分析模型进行训练评估。

示例性地，步骤s3中对病历分析模型进行训练评估具体包括：逐层对临床诊断模型进行训练评估。

进一步地，逐层对临床诊断模型进行训练评估具体包括：

针对有核心症状词的病症，通过核心症状词进行初级判断过滤，根据过滤结果进行逐层分析，通过回归、分析、聚类算法将诊断结果输出，相当于快速定位初级分类；

针对无典型指向的病症，通过贝叶斯网络神经网络模型进行算法精细化诊断，通过分析后将诊断结果按照近似概率输出。

模型应用核心是以最大似然(误差最小)获得网络权重的一个解(一个权重向量)。而贝叶斯方法考虑的权重空间(即权重的整个解空间上许多解)上权重的概率分布，通过先验概论表达不同权重值的相对置信度。当越来越多的数据观测到，权重的后验概率会逐渐集中到权重空间的局部上。当观测到更多数据时，后验概率会逐步收缩。

示例性地，某一病历分析模型的权重为：w＝(w1，w2，…，wn)，其中，w1、w2，…，wn均表示各个症状的权重，n为大于或者等于1的正整数；

p(w)为在未给定任何数据时的先验概率，一般很难倾向于某个模型时，就给所有模型赋予同样的先验概率，在给了训练数据d后，其后验概率p(w|d)为：p(d)为归一化因子，与模型无关；p(d|w)为模型的evidence，用以判断模型的复杂度是否合适。

实践表明，模型越复杂，它能描述的数据集越广。贝叶斯方法中，可以选择evidence(证据)最大的模型，也可以利用所有的模型，它会将所有模型的输出进行加权而得到最终输出，其权重就是每个模型的evidence。越好的模型对输出贡献越大。

根据数据积累情况增加模型参数权重结果，模型越接近实际典型病症判断标准对实际运算输出贡献越大。由于判断模型是通过训练数据获得的，因此可以避免单独切分出测试数据，减少交叉验证环节。

上述提及的贝叶斯网络是基于概率推理的数学模型，具有处理不确定性信息的处理能力，通过大规模数据训练，逐步提高准确度的优势。

基于贝叶斯-深层神经网络具有以下特性：具有很强的容错性，这是因为信息是分布存贮于网络内的神经元中；并行处理方法，人工神经元网络在结构上是并行的，而且网络的各个单元可以同时进行类似的处理过程，使得计算快速；自学习、自组织、自适应性，神经元之间的连接多种多样，各元之间联接强度具有一定可塑性，使得神经网络可以处理不确定或不知道的系统；可以充分逼近任意复杂的非线性关系；具有很强的信息综合能力，能同时处理定量和定性的信息，能很好的协调多种输入信息关系，适用于处理复杂非线性和不确定对象。

步骤s4、将训练评估完成的模型应用到临床诊断系统中，形成临床诊断模型。

本发明实施例中通过提取医院临床积累的诊断数据，通过疾病共用条件筛选可能病症，通过获取患者症状主诉数据、检查指标数据并进行预处理，根据统计学概率分析理论将诊断后的疾病库与患者主诉、各种检查指标进行概率分析。处理后的数据利用贝叶斯算法进行训练形成疾病与症状、检查指标的概率诊断模型。再对训练后的诊断模型进行评估，最后将达到要求的模型应用到辅助诊断过程中。其中，利用贝叶斯理论训练的过程中，针对症状主诉数据的特点，从两方面进行了优化，一方面是利用核心症状词表在计算向量权重时赋予绝对权重，另一方面是利用疾病大类和特点，采用分层的贝叶斯模型进行训练。通过训练症状主诉、检查指标等不断优化，提高疾病辅助诊断模型的准确性，在基层医生疾病诊断场景下，提醒医生可能存在的疾病及概率，避免医生漏诊，同时通过疾病对应的症状，引导医生对患者进行提问验证，逐步提高基层医生的疾病诊断能力。

此外，在本发明实施例中，当数据采集源包括多个病症的电子病历时，可以针对每个病症分别执行步骤s1～步骤s4，以获得针对不同病症的多个临床诊断模型。将多个临床诊断模型应用于临床诊断系统中后，通过主诉症状以及检查指标等不仅可以获得患者患某种特定病症的可能性，还可以获得患者患其他病症的可能性，可辅助医生确定最可能的病症，进而为医生的进一步确诊提供保证。

本发明实施例还提供一种临床诊断模型的构建系统，该临床诊断模型的构建系统与上述构建方法相对应，具体地，该临床诊断模型的构建系统包括：

数据采集模块，用于进行数据采集，数据采集源为多个电子病历；

数据处理模块，用于对采集到的数据进行处理；

模型训练评估模块，用于根据处理后的数据中的已知典型病历建立病例分析模型，并对病历分析模型进行训练评估；以及

模型应用模块，用于将训练评估完成的模型应用到临床诊断系统中，形成临床诊断模型。

需要补充的是，各模块执行其功能的具体细节可以参照上述临床诊断模型的构建方法各步骤的相关描述，此处不再进行赘述。

使用该临床诊断模型的构建系统构建的临床诊断模型应用到临床诊断系统中后，通过录入病人的基本信息，例如，年龄、性别、病史等，然后录入主诉条件，临床诊断系统即可根据录入的信息，列出可能诊断出的疾病及其概率，进而使得医生在诊断时可以参考临床诊断系统列出的患病概率，针对可疑疾病，通过医生对患者提问来进行进一步验证，逐步确认患者所患疾病，起到提高医生诊病的准确度的效果。

此外，本发明实施例还提供一种临床诊断系统，该临床诊断系统包括输入装置，用于输入患者的基本信息、症状主诉和检查指标；诊断装置，用于根据患者的基本信息、症状主诉和检查指标，应用临床诊断模型诊断出可能的疾病及其概率，其中，临床诊断模型为使用如上所述的临床诊断模型的构建方法或构建系统构建所得；显示装置，用于显示诊断出的可能的疾病及其概率。

可选地，输入装置为电脑的键盘，显示装置为电脑的显示器，诊断装置和临床诊断模型均集成在电脑的主机的cpu中。

在该临床诊断系统中，通过录入病人的基本信息，例如，年龄、性别、病史等，然后录入主诉条件，临床诊断系统即可根据录入的信息，列出诊断出的可能的疾病及其概率，进而使得医生在诊断时可以参考临床诊断系统列出的患病概率，避免医生漏诊，针对可疑疾病，通过医生对患者提问来进行进一步验证，逐步确认患者所患疾病，起到提高医生诊病的准确度的效果。该临床诊断模型可以作为医生学习和辅助诊断的工具。

示例性地，如图2所示，该临床诊断系统的诊断装置可以包括疾病共用条件库、查体阳性指标库、疾病库、疾病诊疗库、症状描述资源库和症状关系库；临床诊断系统的显示装置中对应显示有主诉录入区。示例性地，疾病共用条件库中的疾病条件包括性别、年龄、病史、疾病自身条件等；查体阳性指标库中的指标包括查体胃区压痛、胃镜提示出血、炎症、溃疡、无胸腔积液、胸腔积液心音遥远、肺部哮鸣音咳出白痰后缓解、查体局部压痛、心彩超未见异常、ecg仅提示st改变、心彩超提示节段性运动障碍、ecg提示st段抬高/压低纸诊断标准等；疾病库包括食管/胃炎症、胸膜炎、哮喘肺部疾病、肋软骨炎、冠心病(心绞痛)等；疾病诊疗库包括疾病症状、疾病检查、疾病治疗等；症状描述资源库包括症状图片、症状别名、症状描述等；与上述疾病库对应的，症状关系库中的症状包括：反酸、嗳气；黑便；针刺样疼痛，咽食后明显；针刺样疼痛；针刺样疼痛，随呼吸变化；胸痛；随咳嗽加重；与活动无关；乳房牵涉痛；胸闷，呼吸困难；恶心，呕吐；局部肿胀；活动后加剧；压榨样，憋闷样，绞痛；头晕等；主诉录入区可以录入性别、年龄、主诉条件输入、病史等。

以患者具有反酸、嗳气、黑便、针刺样疼痛，咽食后明显以及恶心、呕吐的症状为例，在使用上述疾病诊断系统对患者进行诊断的过程中，先通过输入装置将反酸、嗳气、黑便、针刺样疼痛，咽食后明显以及恶心、呕吐的症状输入，然后，诊断装置根据患者的基本信息、症状主诉和检查指标，应用临床诊断模型诊断出可能的疾病及其概率，其中，可能的疾病包括食管/胃炎症，急性心梗，食管/胃炎症的概率为65％，急性心梗的概率为10％；最后通过显示装置显示诊断出的可能的疾病及其概率。

需要补充的是，上述诊断装置根据患者的基本信息、症状主诉和检查指标，应用临床诊断模型诊断出可能的疾病及其概率的具体方式可以为：将症状主诉和检查指标作为临床诊断模型的输入，然后应用临床诊断模型对症状主诉和检查指标进行处理，筛选出可能病症及其概率并输出第一结果，该第一结果作为诊断装置的最终输出；或者，将症状主诉和检查指标作为临床诊断模型的输入，然后应用临床诊断模型对症状主诉和检查指标进行处理，筛选出可能病症及其概率并输出第一结果a1，但该第一结果a1在诊断装置的最终输出中仅占据一定的权重p1，p1小于1且大于0，诊断装置还对患者的基本信息进行处理，得到第二结果a2，第二结果a2也占据一定的权重p2，p2小于1且大于0，且p1+p2＝1，将a1*p1+a2*p2作为诊断装置的最终输出。其中，p1和p2的具体数值的确定可以由医生根据其工作经验确定，或者应用大量的病历数据统计分析获得。当然，当筛选出的可能病症为多个疾病时，本领域技术人员必然知道上述第一结果a1和第二结果a2均应该是包含多个相互独立的数据，各个数据与各个疾病相对应，此处不再举例进行描述。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。