[发明专利]临床诊断模型的构建方法及构建系统、临床诊断系统

说明书

技术领域

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。

发明内容

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，…，w_n)，其中，w₁、w₂，…，w_n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；