一種智能分診方法及裝置與流程
本發明涉及醫療技術領域，尤其涉及一種智能分診方法及裝置。
背景技術：
隨著人民生活條件的不斷改善，對于健康的需求也越來越旺盛。近年來，各大醫院的門急診量急劇增長。據不完全統計，北京各大醫院的門診量在過去的幾年中增長高達一倍多，由此造成醫療分診壓力大，流程滯后、等候時間長，繼而帶來醫療質量難以保證，醫患矛盾增加等一系列問題。部分患者為能快速就診，不論病情緩急直接前往急診，統計表明我國急診科的非急癥病人的比例達到了32％，這又進一步降低了醫院的救治效率，造成惡性循環。
因此，如何實現智能分診是本領域的技術人員目前亟需解決的技術問題。
技術實現要素：
本發明的實施例提供一種智能分診方法及裝置，用以對患者實現智能分診來緩解醫院的分診壓力。
為達到上述目的，本發明的實施例采用如下技術方案：
本發明實施例的第一方面，提供一種智能分診方法，所述方法包括：
獲取患者的病情特征數據；
根據所述患者的病情特征數據、以及病例數據庫中每個病種下各病例的病情特征數據，確定所述患者患所述病例數據庫中每個病種的可能性；
根據所述患者患所述病例數據庫中每個病種的可能性，輸出所述患者的分診結果。
示例性的，所述病情特征數據包括病情癥狀信息和/或體征檢測參數。
優選的，所述獲取患者的病情特征數據，具體包括：
根據預設的矩陣元素的位置與矩陣元素所表示的病情特征的對應關系，將輸入的患者的病情特征轉換成患者的病情特征分布矩陣，所述患者的病情特征分布矩陣中的每個元素用于指示所述輸入的患者的病情特征中是否出現該元素所在位置對應的病情特征。
進一步優選的，所述根據所述患者的病情特征數據、以及病例數據庫中每個病種下各病例的病情特征數據，確定所述患者患所述病例數據庫中每個病種的可能性，具體包括：
將所述患者的病情特征數據代入到關系模型中，得到滿足所述關系模型的所有相關系數矩陣x；
從所述所有相關系數矩陣x中確定出唯一的相關系數矩陣x0；
根據所述唯一的相關系數矩陣x0，確定所述病例數據庫中每個病種的可能性；
其中，所述關系模型為：h＝dx，所述h為所述患者的病情特征分布矩陣，所述d為由所述病例數據庫中每個病種下各病例的病情特征分布矩陣組成的矩陣，所述d＝[d1，d2，…，di，…dm]，其中：di＝[di，1，di，2，…，di，j，…di，k]，所述di，j為所述病例數據庫中病種i的第j個病例的病例病情特征分布矩陣，所述k用于表示所述病例數據庫中病種i包括k個病例，所述m用于表示病例數據庫中包括m種疾病。
進一步優選的，所述方法還包括：
根據預設的矩陣元素的位置與矩陣元素所表示的病情特征的對應關系，將每個病種下各病例的病情特征轉換成病例病情特征分布矩陣；所述病例的病情特征分布矩陣中的每個元素用于指示所述病例的病情特征中是否出現該元素所在位置對應的病情特征。
優選的，所述從所述所有相關系數矩陣x中確定出唯一的相關系數矩陣x0，具體包括：
從所述所有相關系數矩陣x確定出滿足第一預設條件的相關系數矩陣x；
在滿足第一預設條件的相關系數矩陣x中確定出滿足第二預設條件的唯一的相關系數矩陣x0；
其中，所述第一預設條件為：||dx-h||2≤ε，所述第二預定條件為：x*＝argmin||x0||1，其中：所述||·||1是l1范式，所述||·||2是l2范式，所述ε為預設參數，x*為目標函數。
優選的，所述根據所述唯一的相關系數矩陣x0，確定所述病例數據庫中每個病種的可能性，具體包括：
從所述相關系數矩陣x0中確定出所述病例數據庫中每個病種的相關系數矩陣δi(x0)；
將所述病例數據庫中每個病種的相關系數矩陣δi(x0)代入到概率計算公式中，得到所述患者患所述病例數據庫中每個病種的概率；
其中，所述概率計算公式為：
優選的，所述根據所述病例數據庫中每個病種的可能性，輸出所述患者的分診結果，具體包括：
輸出每個病種的可能性中的最大的對應的所述患者的分診結果；
或者，將每個病種的可能性中不為零的，按照可能性大小輸出所述患者的分診結果。
本發明實施例的第二方面，提供一種智能分診裝置，所述裝置包括：
獲取模塊，用于獲取患者的病情特征數據；
處理模塊，用于根據所述患者的病情特征數據、以及病例數據庫中每個病種下各病例的病情特征數據，確定所述患者患所述病例數據庫中每個病種的可能性；
輸出模塊，用于根據所述患者患所述病例數據庫中每個病種的可能性，輸出所述患者的分診結果。
示例性的，所述病情特征數據包括病情癥狀信息和/或體征檢測參數。
優選的，所述獲取模塊具體用于：
根據預設的矩陣元素的位置與矩陣元素所表示的病情特征的對應關系，將輸入的患者的病情特征轉換成患者的病情特征分布矩陣，所述患者的病情特征分布矩陣中的每個元素用于指示所述輸入的患者的病情特征中是否出現該元素所在位置對應的病情特征。
進一步優選的，所述處理模塊具體用于：
將所述患者的病情特征數據代入到關系模型中，得到滿足所述關系模型的所有相關系數矩陣x；
從所述所有相關系數矩陣x中確定出唯一的相關系數矩陣x0；
根據所述唯一的相關系數矩陣x0，確定所述病例數據庫中每個病種的可能性；
其中，所述關系模型為：h＝dx，所述h為所述患者的病情特征分布矩陣，所述d為由所述病例數據庫中每個病種下各病例的病情特征分布矩陣組成的矩陣，所述d＝[d1，d2，…，di，…dm]，其中：di＝[di，1，di，2，…，di，j，…di，k]，所述di，j為所述病例數據庫中病種i的第j個病例的病例病情特征分布矩陣，所述k用于表示所述病例數據庫中病種i包括k個病例，所述m用于表示病例數據庫中包括m種疾病。
進一步優選的，其特征在于，所述處理模塊在從所述所有相關系數矩陣x中確定出唯一的相關系數矩陣x0時，具體用于：
從所述所有相關系數矩陣x確定出滿足第一預設條件的相關系數矩陣x；
在滿足第一預設條件的相關系數矩陣x中確定出滿足第二預設條件的唯一的相關系數矩陣x0；
其中，所述第一預設條件為：||dx-h||2≤ε，所述第二預定條件為：x*＝argmin||x0||1，其中：所述||·||1是l1范式，所述||·||2是l2范式，所述ε為預設參數，x*為目標函數。
進一步優選的，所述處理模塊在根據所述唯一的相關系數矩陣x0，確定所述病例數據庫中每個病種的可能性時，具體用于：
從所述相關系數矩陣x0中確定出所述病例數據庫中每個病種的相關系數矩陣δi(x0)；
將所述病例數據庫中每個病種的相關系數矩陣δi(x0)代入到概率計算公式中，得到所述患者患所述病例數據庫中每個病種的概率；
其中，所述概率計算公式為：
優選的，所述輸出模塊具體用于：
輸出每個病種的可能性中的最大的對應的所述患者的分診結果；
或者，將每個病種的可能性中不為零的，按照可能性大小輸出所述患者的分診結果。
本發明實施例提供的智能分診方法及裝置，首先，通過獲取患者的病情特征數據；然后，根據患者的病情特征數據、以及病例數據庫中每個病種下各病例的病情特征數據，確定患者患病例數據庫中每個病種的可能性；最后，根據患者患病例數據庫中每個病種的可能性，輸出患者的分診結果，從而實現了對患者的智能分診，以減少醫院的分診壓力。
附圖說明
為了更清楚地說明本發明實施例或現有技術中的技術方案，下面將對實施例或現有技術描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發明的一些實施例，對于本領域普通技術人員來講，在不付出創造性勞動性的前提下，還可以根據這些附圖獲得其他的附圖。
圖1為本發明實施例提供的一種智能分診方法的方法流程圖；
圖2為本發明實施例提供的一種語義空間的示意圖；
圖3為本發明實施例提供的一種智能分診裝置的結構示意圖。
具體實施方式
下面將結合本發明實施例中的附圖，對本發明實施例中的技術方案進行清楚、完整地描述，顯然，所描述的實施例僅僅是本發明一部分實施例，而不是全部的實施例。基于本發明中的實施例，本領域普通技術人員在沒有做出創造性勞動前提下所獲得的所有其他實施例，都屬于本發明保護的范圍。
為了便于清楚描述本發明實施例的技術方案，在本發明的實施例中，采用了“第一”、“第二”等字樣對功能或作用基本相同的相同項或相似項進行區分，本領域技術人員可以理解“第一”、“第二”等字樣并不對數量和執行次序進行限定。
本文中術語“和/或”，僅僅是一種描述關聯對象的關聯關系，表示可以存在三種關系，例如，a和/或b，可以表示：單獨存在a，同時存在a和b，單獨存在b這三種情況。另外，本文中字符“/”，一般表示前后關聯對象是一種“或”的關系。
本發明實施例提供的智能分診方法的執行主體可以為智能分診裝置，示例的，該智能分診裝置可以是用于執行上述智能分診方法的終端，也可以是用于執行上述智能分診方法的處理器。其中：該終端可以為計算機、智能手機、平板電腦、筆記本電腦、umpc(ultra-mobilepersonalcomputer，超級移動個人計算機)、上網本、pda(personaldigitalassistant，個人數字助理)等終端設備，且不限于此。
本發明實施例提供一種智能分診方法，如圖1所示，該方法包括：
101、獲取患者的病情特征數據。
該患者的病情特征數據是用于表示患者具有的病情特征的數據。示例性的，患者或者其他人(例如護士)可以通過計算機上安裝的智能分診系統的輸入界面，輸入病情特征文本；還可以通過計算機的語音采集模塊(例如麥克風)，采集患者聲音，并且由計算機上安裝的語音識別系統識別出患者口述信息，計算機上安裝的智能分診系統從識別出的患者口述信息中選擇出、或模糊匹配出病情特征關鍵詞(是指病情特征數據庫中所存在的病情特征)；計算機上安裝的智能分診系統還可通過計算機的身份識別功能，識別患者身份信息(例如掃描身份證或就診卡等)，根據患者身份信息從醫院檢查數據庫(用于存儲體征檢測參數的數據庫，體征檢測參數包括患者做身體檢查的項目和結果)中調取該患者的體征檢參數。
示例性的，上述的病情特征數據包括：病情癥狀信息和/或體征檢測參數，其中，病情癥狀信息為觀察到患者的癥狀或患者感受到的癥狀，例如可以是患者的口述癥狀或輸入的癥狀文本等，例如：心悸氣短、肢體麻木、耳鳴等。而體征檢測參數包括患者的各項指標檢測值，例如血壓值、血糖值等，其反映出的病情特征可以是血壓微高、血壓過高等。
當然，病情特征數據除了可以是上述類型以外，還可以是表示病情特征數據的數字集合，例如可以是矩陣。此時，步驟101具體包含以下內容：
101a、根據預設的矩陣元素的位置與矩陣元素所表示的病情特征的對應關系，將輸入的患者的病情特征轉換成患者的病情特征分布矩陣，患者的病情特征分布矩陣中的每個元素用于指示輸入的患者的病情特征中是否出現該元素所在位置對應的病情特征。
具體的，假設數據庫中有q個病情特征，該預設的矩陣元素的位置與矩陣元素所表示的病情特征的對應關系用集合i表示，該集合i為q*1的矩陣，i＝[i1，i2，......，iq]t。其中，ij(1≤j≤q)表示第j個位置處的病情特征，從而集合i表示的是從第1個位置處的病情特征到第q個位置處的病情特征。
示例的，假設數據庫中有1000個病情特征，上述的集合i為：i＝[i1，i2，......，i1000]t。其中，i500為第500個位置處的病情特征，從而集合i表示從第1個位置處的病情特征到第1000個位置處的病情特征。
102、根據患者的病情特征數據、以及病例數據庫中每個病種下各病例的病情特征數據，確定患者患病例數據庫中每個病種的可能性。
示例性的，上述的患者患病例數據庫中每個病種的可能性可以是指患者患每個病種的概率，用0至1間的數值進行表示。或者是患者患每個病種的可能性對應的數值(可以為包含大于1的數值)，數值越大表示可能性越大。
示例性的，上述的病情特征數據為病情特征文本時，例如：患者的病情特征文本為眩暈、惡心以及心悸氣短；上述的步驟102中確定患者患病例數據庫中每個病種的可能性具體過程參照以下內容：這里病例數據庫中的病種個數以3個為例，分別為病種a、病種b以及病種c，其中：病種a以包含3個病例為例，病種b以包含4個病例為例，病種c以包含5個病例為例，而患者所具有的病情特征以3個為例。將患者的病情特征與病例數據庫中的每個病種下各病例中的病情特征文本進行匹配，若患者的3個病情特征均出現在病例數據庫中病種a下的同一個病例中，且該患者的3個病情特征沒有全部出現在其他病種下的病情特征文本中，則該患者患病種a的可能性最大；若患者的2個病情特征出現在病例數據庫中病種a下的第一病例中，剩下的1個病情特征出現在病種a下的第二病例中，且該患者的3個病情特征沒有全部出現在其他病種下的病情特征文本中，則該患者患病種a的可能性相對于上面的結果較小。若患者的第1個病情特征出現在病例數據庫中病種a下的第一病例中，第2個病情特征出現在病種a下的第二病例中，第3個病情特征出現在病種a下的第三病例中，且該患者的3個病情特征沒有全部出現在其他病種下的病情特征文本中，則該患者患病種a的可能性相對于上面的兩種結果是最小的。當然，通過匹配病情特征得到患者患每個病種的可能性大小的規則，可以根據實際需要進行設置。
示例性的，上述的病情特征數據為矩陣時，上述的步驟102具體包括以下內容：
102a、將患者的病情特征數據代入到關系模型中，得到滿足關系模型的所有相關系數矩陣x。
102b、從所有相關系數矩陣x中確定出唯一的相關系數矩陣x0。
102c、根據唯一的相關系數矩陣x0，確定病例數據庫中每個病種的可能性。
其中，上述的關系模型為：h＝dx，h為患者的病情特征分布矩陣，d為由病例數據庫中每個病種下各病例的病情特征分布矩陣組成的矩陣，d＝[d1，d2，…，di，…dm]，其中：di＝[di，1，di，2，…，di，j，…di，k]，di，j為病例數據庫中病種i的第j個病例的病例病情特征分布矩陣，k用于表示病例數據庫中病種i包括k個病例，m用于表示病例數據庫中包括m種疾病。
基于上述的內容，可選的，在上述的步驟102之前，該方法還包括以下內容：
a1、根據預設的矩陣元素的位置與矩陣元素所表示的病情特征的對應關系，將每個病種下各病例的病情特征轉換成病例病情特征分布矩陣。
其中，上述的病例的病情特征分布矩陣中的每個元素用于指示病例的病情特征中是否出現該元素所在位置對應的病情特征。
具體的，若病例數據庫中有q個病情特征，則病例數據庫中每個病種下各病例的病情特征分布矩陣中包含q個元素。
示例性的，病種a下的任一個病例的病情特征分布矩陣為da1＝[i1，i2，......，iq]t。由于數據庫中的病情特征的集合i為q*1的矩陣，相應的這里的病種a下的任一個病例的病情特征分布矩陣也為q*1的矩陣。其中，ij(1≤j≤q)表示病種a下的任一個病例的第j個位置處的病情特征，從而da1表示病種a下的任一個病例中從第1個位置處的病情特征到第q個位置處的病情特征。
示例性的，上述的關系模型可以是預先建立好的，也可以是根據需要實時進行建立的，對于上述的關系模型的建立過程可以參考以下的內容：
由于本發明是基于醫學大數據進行疾病的病種預測，因此需要大量的案例(例如各醫院歷年的確診病例)，這對應著流程圖中的病例數據庫中每個病種下各病例。本發明使用符號d來表示病例數據庫中病種集合，假設其中一共包含m種疾病(即m個病種)，則di(1≤i≤m)表示病例數據庫的第i種疾病。假設第i種疾病中包含k個病例，則dij(1≤i≤m，1≤j≤k)表示第i種疾病中的第j個病例。每一個病例由一系列對應的特征向量(如癥狀和體征檢測參數)構成，則d構成了一個確診病例的語義空間。
對于新來的患者h(其含義是指：患者的病情特征分布矩陣用h表示)，假設其患有疾病di，依據本發明的基本思想：患有同一疾病的患者極有可能出現相似的特征(如癥狀和體征檢測參數)，則患者h可以表示為di中包含病例的線性組合，即h＝αi，1×di，1+αi，2×di，2+......+αi，k×di，k，其中，αij是相關系數。例如，對于疾病“高血壓”，病例1中的癥狀有“眩暈、惡心、心悸氣短”，病例2中的癥狀有“心悸氣短、耳鳴、肢體麻木”，病例3中的癥狀有“眩暈、惡心、耳鳴、心悸氣短”，新來患者的癥狀有“心悸氣短、肢體麻木”，則有“新來患者＝病例1+病例2-病例3”。
為了表示簡潔和方便，上面的表達形式可以用矩陣表示。假設di＝[di1，di2，......，dik]，xi＝[αi1，αi2，......，αik]t，其中上標t表示矩陣的轉置，則有h＝dixi。
通過上面的討論，可以看到每一個患者可以表示成由其包含的已知病種下病例所構成的語義子空間，屬于該病種的某一病例可以由相應子空間(病情特征)的線性組合構成。
上面所討論的是新來的患者h，假設其患有疾病di所做的討論，那么對于新來的患者在不知道所患病種的前提下，類比于上述的過程，當給定病種矩陣d，可以通過尋找患者h在d中的語義子空間來確定其所患疾病。令d＝[d1，d2，......，dm]，則患者h與給定病例間的關系模型為：h＝dx。
具體的，對于上面的d＝[d1，d2，......，dm]，由于病種d1，d2，......，dm這m個病種的每個病種下可能包含多個病例，因此，這里d1，d2，......，dm中的di(1≤i≤m)為由第i個病種下所包含的各病例的病情特征分布矩陣構成的集合。例如，假設m個病種的每個病種下均包含兩個病例，則d＝[d11，d12，d21，d22，......，dm1，dm2]。
示例性的，假設病例數據庫中有3個病種，分別為病種a、病種b以及病種c，該病種a包含3個病例，病種b包含2個病例，病種c包含2個病例，則d＝[da1，da2，db1，db2，db3，dc1，dc2]。
基于上面的病種矩陣d，d＝[da1，da2，db1，db2，db3，dc1，dc2]，假設基于上述的3個病種的7個病例統計出的病情特征數據有100個，那么，上面的患者h與給定病例間的關系模型：h＝dx中的病種矩陣d是一個100*7的矩陣，而相關系數矩陣x為7*1的矩陣，用x＝[αa1，αa2，αb1，αb2，αb3，αc1，αc2]t來表示。
需要說明的是，在實際的應用中，上述的病例數據庫中的病種的個數為成百上千個，而每個病種下的病例相應的可能也是成百上千乃至更多，基于每個病種下的病例所抽出的病情特征可能是成千上萬個，因此，上面的內容僅僅是一種示例，用于解釋說明本方案，并不進行限定。
示例性的，上述的步驟102b中確定相關系數矩陣x0，可以是：從所有相關系數矩陣x中任意選擇一個相關系數矩陣x0。然后基于該任意選擇的一個關系系數矩陣x0確定病例數據庫中每個病種的可能性。
示例性的，上述的步驟102b中確定相關系數矩陣x0，可以是采用算法來確定，具體包括以下內容：
102b1、從所有相關系數矩陣x確定出滿足第一預設條件的相關系數矩陣x。
102b2、在滿足第一預設條件的相關系數矩陣x中確定出滿足第二預設條件的唯一的相關系數矩陣x0。
其中，上述的第一預設條件為：||dx-h||2≤ε，上述的第二預設條件為：x*＝argmin||x0||1，其中：||·||1是l1范式，||·||2是l2范式，ε為預設參數，x*為目標函數。其中，該x*＝argmin||x0||1表示的是x*取最小值時，對應的x0為唯一的相關系數矩陣。
需要說明的是，上述的l1范式||·||1的運算是：范式中變量所包含的每個元素的絕對值之和，例如，若x＝[α11，α12，......，αmk]，則||x||1＝|α11|+|α12|+......+|αmk|。而上述的l2范式||·||2的運算是：范式中變量所包含的每個元素的平方之和，例如，若x＝[α11，α12，......，αmk]，則||x||2＝α112+α122+......+αmk2。
上述的步驟102b1以及102b2中的第一預設條件和第二預設條件中所采用的是稀疏解法，即使用最少的病例去重構患者h的病情特征，采用稀疏解法能夠降低“噪音”數據的影響，使得上述的關系模型h＝dx具有良好的魯棒性。
示例性的，當步驟102c中的可能性用概率來表示時，上述的步驟102c具體包括以下內容：
102c1、從唯一的相關系數矩陣x0中確定出病例數據庫中每個病種的相關系數矩陣δi(x0)。
其中，將x0中第i個病種下各病例的相關系數保留，其他元素置為0，得到δi(x0)。
示例性的，假設唯一的相關系數矩陣x0＝[αa1，αa2，αb1，αb2，αb3，αc1，αc2]t，則病種a的相關系數矩陣為：δa(x0)＝[αa1，αa2，0，0，0，0，0]t；病種b的相關系數矩陣為：δb(x0)＝[0，0，αb1，αb2，αb3，0，0]t；病種c的相關系數矩陣為：δc(x0)＝[0，0，0，0，0，αc1，αc2]t。
102c2、將病例數據庫中每個病種的相關系數矩陣δi(x0)代入到概率計算公式中，得到患者患病例數據庫中每個病種的概率。
示例性的，概率計算公式為：
其中，ci用于表示患者患病例數據庫中的病種i的概率，hi＝d*δi(x0)，δi(x0)為病例數據庫中病種i的相關系數矩陣，
具體的，對于上述的hi＝d*δi(x0)，仍然以上文所列舉的例子進行說明。假設病例數據庫中有3個病種，分別為病種a、病種b以及病種c，該病種a包含3個病例，病種b包含2個病例，病種c包含2個病例，則d＝[da1，da2，db1，db2，db3，dc1，dc2]。假設基于上述的3個病種的7個病例統計出的病情特征數據有100個，且假設唯一的相關系數矩陣x0＝[αa1，αa2，αb1，αb2，αb3，αc1，αc2]t。
基于上面的內容，考慮到上述的3個病種的7個病例統計出的病情特征數據有100個，則對應的d為100*7的矩陣，所確定出ha＝d*δa(x0)中的δa(x0)為7*1的矩陣，δa(x0)＝[αa1，αa2，0，0，0，0，0]t；hb＝d*δb(x0)中的δb(x0)為7*1的矩陣，δb(x0)＝[0，0，αb1，αb2，αb3，0，0]t；hc＝dc*δc(x0)中的δc(x0)為7*1的矩陣，δc(x0)＝[0，0，0，0，0，αc1，αc2]t。這樣上述的ha、hb以及hc中的矩陣運算才滿足矩陣乘法的準則。然后，將的ha、hb以及hc的內容帶入到上面的公式1中可以得到患者患病種a、病種b以及病種c的概率。
示例性的，上述的c＝[c1，c2，......，cm，cη]，由上述的公式1中可以得知ci滿足c1+c2+......+cm+cη＝1，其中，cη的計算公式如下：
通過上述的公式1和公式2可以得知，ci反映了患者h屬于病種di可能性的大小(cη反映了患者h不屬于前面任一病種d1-dm的可能性)。這是因為ci越大，表明構成患者h的病情特征分布矩陣中包含屬于病種di的病例越多，即患者h位于di語義子空間的部分越多，則屬于病種di的可能性越大。例如，參考圖2中給出的語義空間示意圖，假設已知病例中一共有三個病種，圖2中的不同的形狀代表不同的病種，相同的形狀的個數代表該病種下的病例個數，其中：圓點是新來的患者，則明顯可以得到對于圖2中的(a)有c＝[1，0，0，0]，即患者可能患有四角星所代表的病種。對于圖2中的(b)有c＝[0.25，0.375，0.375，0]，則很難準確判斷出患者患有何種疾病。
103、根據患者患病例數據庫中每個病種的可能性，輸出患者的分診結果。
其中，上述的分診結果可以包括為患者分配的科室、進一步還可以包括分診流程、為患者所分配的醫生、以及可參考的治療指南等。
示例性的，上述的步驟103可以采用以下任一種方式實現：
方式a、輸出每個病種的可能性中的最大的對應的患者的分診結果。例如，計算患者患每個病種的可能性大小，且所確定出患者患病種a的可能性最大，則在智能分診系統的界面上顯示出患者患病種a所對應的分診結果。
方式b、將每個病種的可能性中不為零的，按照可能性大小輸出患者的分診結果。例如，計算出患者患每個病種的可能性，并將每個病種的可能性中不為零的按從大到小的順序排序，則在智能分診系統的界面上從大到小依次顯示出患者患每個病種的可能性的分診結果。
本發明實施例提供的智能分診方法，首先，通過獲取患者的病情特征數據；然后，根據患者的病情特征數據、以及病例數據庫中每個病種下各病例的病情特征數據，確定患者患病例數據庫中每個病種的可能性；最后，根據患者患病例數據庫中每個病種的可能性，輸出患者的分診結果，從而實現了對患者的智能分診，以減少醫院的分診壓力。
下面將基于圖1對應的智能分診方法的實施例中的相關描述對本發明實施例提供的一種智能分診裝置進行介紹。以下實施例中與上述實施例相關的技術術語、概念等的說明可以參照上述的實施例，這里不再贅述。
本發明實施例提供一種智能分診裝置，如圖3所示，該裝置包括：獲取模塊31、處理模塊32以及確定模塊33，其中：
獲取模塊31，用于獲取患者的病情特征數據。
處理模塊32，用于根據患者的病情特征數據、以及病例數據庫中每個病種下各病例的病情特征數據，確定患者患所述病例數據庫中每個病種的可能性。
輸出模塊33，用于根據患者患病例數據庫中每個病種的可能性，輸出患者的分診結果。
示例性的，該患者的病情特征數據可以是病情特征文本，也可以是用于表示該病情特征文本的數據。
示例性的，上述的病情特征數據包括：病情癥狀信息和/或體征檢測參數，其中，病情癥狀信息為觀察到患者的癥狀或患者感受到的癥狀，例如可以是患者的口述癥狀或輸入的癥狀文本等，例如：心悸氣短、肢體麻木、耳鳴等。而體征檢測參數包括患者的各項指標檢測值，例如血壓值、血糖值等，其反映出的病情特征可以是血壓微高、血壓過高等。
示例性的，上述的患者患病例數據庫中每個病種的可能性可以是指患者患每個病種的概率，用0至1間的數值進行表示。或者是患者患每個病種的可能性對應的數值(可以為包含大于1的數值)，數值越大表示可能性越大。
示例性的，上述的病情特征數據為病情特征文本時，例如：患者的病情特征文本為眩暈、惡心以及心悸氣短；上述的步驟102中確定患者患病例數據庫中每個病種的可能性具體過程參照以下內容：這里病例數據庫中的病種個數以3個為例，分別為病種a、病種b以及病種c，其中：病種a以包含3個病例為例，病種b以包含4個病例為例，病種c以包含5個病例為例，而患者所具有的病情特征以3個為例。將患者的病情特征與病例數據庫中的每個病種下各病例中的病情特征文本進行匹配，若患者的3個病情特征均出現在病例數據庫中病種a下的同一個病例中，且該患者的3個病情特征沒有全部出現在其他病種下的病情特征文本中，則該患者患病種a的可能性最大；若患者的2個病情特征出現在病例數據庫中病種a下的第一病例中，剩下的1個病情特征出現在病種a下的第二病例中，且該患者的3個病情特征沒有全部出現在其他病種下的病情特征文本中，則該患者患病種a的可能性相對于上面的結果較小。若患者的第1個病情特征出現在病例數據庫中病種a下的第一病例中，第2個病情特征出現在病種a下的第二病例中，第3個病情特征出現在病種a下的第三病例中，且該患者的3個病情特征沒有全部出現在其他病種下的病情特征文本中，則該患者患病種a的可能性相對于上面的兩種結果是最小的。
示例性的，上述的獲取模塊31具體用于：
根據預設的矩陣元素的位置與矩陣元素所表示的病情特征的對應關系，將輸入的患者的病情特征轉換成患者的病情特征分布矩陣，患者的病情特征分布矩陣中的每個元素用于指示輸入的患者的病情特征中是否出現該元素所在位置對應的病情特征。
具體的，假設數據庫中有q個病情特征，該預設的矩陣元素的位置與矩陣元素所表示的病情特征的對應關系用集合i表示，該集合i為q*1的矩陣，i＝[i1，i2，......，iq]t。其中，ij(1≤j≤q)表示第j個位置處的病情特征，從而集合i表示的是從第1個位置處的病情特征到第q個位置處的病情特征。
示例的，假設數據庫中有1000個病情特征，上述的集合i為：i＝[i1，i2，......，i1000]t。其中，i500為第500個位置處的病情特征，從而集合i表示從第1個位置處的病情特征到第1000個位置處的病情特征。
示例性的，上述的處理模塊32具體用于：
將患者的病情特征數據代入到關系模型中，得到滿足關系模型的所有相關系數矩陣x。
從所有相關系數矩陣x中確定出唯一的相關系數矩陣x0。
根據唯一的相關系數矩陣x0，確定病例數據庫中每個病種的可能性。
其中，關系模型為：h＝dx，h為患者的病情特征分布矩陣，d為由病例數據庫中每個病種下各病例的病情特征分布矩陣組成的矩陣，d＝[d1，d2，…，di，…dm]，其中：di＝[di，1，di，2，…，di，j，…di，k]，di，j為病例數據庫中病種i的第j個病例的病例病情特征分布矩陣，k用于表示病例數據庫中病種i包括k個病例，m用于表示病例數據庫中包括m種疾病。
基于上述的內容，可選的，如圖3所示，該裝置還包括：轉換模塊34，其中：
轉換模塊34用于根據預設的矩陣元素的位置與矩陣元素所表示的病情特征的對應關系，將每個病種下各病例的病情特征轉換成病例病情特征分布矩陣。
其中，上述的病例的病情特征分布矩陣中的每個元素用于指示病例的病情特征中是否出現該元素所在位置對應的病情特征。
具體的，若病例數據庫中有q個病情特征，則病例數據庫中每個病種下各病例的病情特征分布矩陣中包含q個元素。
示例性的，病種a下的任一個病例的病情特征分布矩陣為da1＝[i1，i2，......，iq]t。由于數據庫中的病情特征的集合i為q*1的矩陣，相應的這里的病種a下的任一個病例的病情特征分布矩陣也為q*1的矩陣。其中，ij(1≤j≤q)表示病種a下的任一個病例的第j個位置處的病情特征，從而da1表示的病種a下的任一個病例中從第1個位置處的病情特征到第q個位置處的病情特征。
示例性的，上述的關系模型可以是預先建立好的，也可以是根據需要實時進行建立的，對于上述的關系模型的建立過程具體可以參考方法部分的內容，這里不再詳細贅述。
示例性的，上輸的處理模塊32在在從所有相關系數矩陣x中確定出唯一的相關系數矩陣x0時，可以從所有相關系數矩陣x中任意選擇一個相關系數矩陣x0。然后基于該任意選擇的一個關系系數矩陣x0確定病例數據庫中每個病種的可能性。
示例性的，上述的處理模塊32在從所有相關系數矩陣x中確定出唯一的相關系數矩陣x0時，也可以使用算法進行確定該相關系數矩陣x0，上述的處理模塊32具體用于：
從所有相關系數矩陣x確定出滿足第一預設條件的相關系數矩陣x。
在滿足第一預設條件的相關系數矩陣x中確定出滿足第二預設條件的唯一的相關系數矩陣x0。
其中，第一預設條件為：||dx-h||2≤ε，第二預定條件為：x*＝argmin||x0||1，其中：||·||1是l1范式，||·||2是l2范式，ε為預設參數，x*為目標函數。其中，該x*＝argmin||x0||1表示的是x*取最小值時，對應的x0為唯一的相關系數矩陣。
需要說明的是，上述的l1范式||·||1的運算是：范式中變量所包含的每個元素的絕對值之和，例如，若x＝[α11，α12，......，αmk]，則||x||1＝|α11|+|α12|+......+|αmk|。而上述的l2范式||·||2的運算是：范式中變量所包含的每個元素的平方之和，例如，若x＝[α11，α12，......，αmk]，則||x||2＝α112+α122+......+αmk2。
上述的處理模塊32在確定唯一的相關系數矩陣x0時所涉及的第一預設條件和第二預設條件中所采用的是稀疏解法，即使用最少的病例去重構患者h的病情特征，采用稀疏解法能夠降低“噪音”數據的影響，使得上述的關系模型h＝dx具有良好的魯棒性。
示例性的，當上述的處理模塊32在根據唯一的相關系數矩陣x0，確定病例數據庫中每個病種的可能性用概率來表示時，該處理模塊32具體用于：
從相關系數矩陣x0中確定出病例數據庫中每個病種的相關系數矩陣δi(x0)。
其中，將x0中第i個病種下各病例的相關系數保留，其他元素置為0，得到δi(x0)。
示例性的，假設唯一的相關系數矩陣x0＝[αa1，αa2，αb1，αb2，αb3，αc1，αc2]t，則病種a的相關系數矩陣為：δa(x0)＝[αa1，αa2，0，0，0，0，0]t；病種b的相關系數矩陣為：δb(x0)＝[0，0，αb1，αb2，αb3，0，0]t；病種c的相關系數矩陣為：δc(x0)＝[0，0，0，0，0，αc1，αc2]t。
將病例數據庫中每個病種的相關系數矩陣δi(x0)代入到概率計算公式中，得到患者患病例數據庫中每個病種的概率。
示例性的，上述的概率計算公式為：
其中，ci用于表示患者患病例數據庫中的病種i的概率，hi＝d*δi(x0)，di為病例數據庫中病種i的病情特征分布矩陣，δi(x0)為病例數據庫中病種i的相關系數矩陣，
示例性的，上述的c＝[c1，c2，......，cm，cη]，由上述的公式1中可以得知ci滿足c1+c2+......+cm+cη＝1，其中，cη的計算公式如下：
通過上述的公式1和公式2可以得知，ci反映了患者h屬于病種di可能性的大小(cη反映了患者h不屬于前面任一病種d1-dm的可能性)。這是因為ci越大，表明構成患者h的病情特征分布矩陣中包含屬于病種di的病例越多，即患者h位于di語義子空間的部分越多，則屬于病種di的可能性越大。例如，參考圖2中給出的語義空間示意圖，假設已知病例中一共有三個病種(分別對應不同的形狀)，圓形節點是新來的患者，則明顯可以看到對于左邊的圖有c＝[1，0，0，0]，即患者可能患有四角星所代表的病種。對于右邊的圖有c＝[0.25，0.375，0.375，0]，則很難準確判斷出患者患有何種疾病。
示例性的，上述的分診結果包括可參考的治療指南、分診流程以及所涉及的科室等信息。
示例性的，上述的輸出模塊33具體用于以下任一種方式實現：
方式a、輸出每個病種的可能性中的最大的對應的患者的分診結果。例如，計算患者患每個病種的可能性大小，且所確定出患者患病種a的可能性最大，則在智能分診系統的界面上顯示出患者患病種a所對應的分診結果。
方式b、將每個病種的可能性中不為零的，按照可能性大小輸出患者的分診結果。例如，計算出患者患每個病種的可能性，并將每個病種的可能性中不為零的按從大到小的順序排序，則在智能分診系統的界面上從大到小依次顯示出患者患每個病種的可能性的分診結果。
本發明實施例提供的智能分診裝置，首先，該裝置通過獲取患者的病情特征數據；然后，根據患者的病情特征數據、以及病例數據庫中每個病種下各病例的病情特征數據，確定患者患病例數據庫中每個病種的可能性；最后，根據患者患病例數據庫中每個病種的可能性，輸出患者的分診結果，從而實現了對患者的智能分診，以減少醫院的分診壓力。
通過以上的實施方式的描述，所屬領域的技術人員可以清楚地了解到，為描述的方便和簡潔，僅以上述各功能模塊的劃分進行舉例說明，實際應用中，可以根據需要而將上述功能分配由不同的功能模塊完成，即將裝置的內部結構劃分成不同的功能模塊，以完成以上描述的全部或者部分功能。上述描述的系統，裝置和單元的具體工作過程，可以參考前述方法實施例中的對應過程，在此不再贅述。
在本申請所提供的幾個實施例中，應該理解到，所揭露的智能分診裝置，可以通過其它的方式實現。例如，以上所描述的裝置的實施例僅僅是示意性的，例如，所述模塊或單元的劃分，僅僅為一種邏輯功能劃分，實際實現時可以有另外的劃分方式，例如多個單元或組件可以結合或者可以集成到另一個系統，或一些特征可以忽略，或不執行。另一點，所顯示或討論的相互之間的耦合或直接耦合或通信連接可以是通過一些接口，裝置或單元的間接耦合或通信連接，可以是電性，機械或其它的形式。
所述作為分離部件說明的單元可以是或者也可以不是物理上分開的，作為單元顯示的部件可以是或者也可以不是物理單元，即可以位于一個地方，或者也可以分布到多個網絡單元上。可以根據實際的需要選擇其中的部分或者全部單元來實現本實施例方案的目的。
另外，在本發明各個實施例中的各功能單元可以集成在一個處理單元中，也可以是各個單元單獨物理存在，也可以兩個或兩個以上單元集成在一個單元中。上述集成的單元既可以采用硬件的形式實現，也可以采用軟件功能單元的形式實現。
所述集成的單元如果以軟件功能單元的形式實現并作為獨立的產品銷售或使用時，可以存儲在一個計算機可讀取存儲介質中。基于這樣的理解，本發明的技術方案本質上或者說對現有技術做出貢獻的部分或者該技術方案的全部或部分可以以軟件產品的形式體現出來，該計算機軟件產品存儲在一個存儲介質中，包括若干指令用以使得一臺計算機設備(可以是個人計算機，服務器，或者網絡設備等)或處理器(processor)執行本發明各個實施例所述方法的全部或部分步驟。而前述的存儲介質包括：u盤、移動硬盤、只讀存儲器(rom，read-onlymemory)、隨機存取存儲器(ram，randomaccessmemory)、磁碟或者光盤等各種可以存儲程序代碼的介質。
以上所述，僅為本發明的具體實施方式，但本發明的保護范圍并不局限于此，任何熟悉本技術領域的技術人員在本發明揭露的技術范圍內，可輕易想到變化或替換，都應涵蓋在本發明的保護范圍之內。因此，本發明的保護范圍應以所述權利要求的保護范圍為準。
- 還沒有人留言評論。精彩留言會獲得點贊！