[发明专利]一种社区慢性病辅助决策系统

说明书

本发明涉及一种社区慢性病辅助决策系统，包括知识仓库端、价值评价端和学习网络端；知识仓库端提供疾病治疗方案的规则和约束；价值评价端提供评价治疗结果的价值指标，价值包括有治疗获益、损害和花费；学习网络端用于患者状态数据的收集和储存，生成治疗方案合集，得到患者价值合集，从多个治疗方案中得到综合价值最高的作为决策方案，预测患者可能的治疗方案及方案产生的价值，通过价值评价系统对治疗方案进行反馈，以获得推荐的方案排序及其对应价值。将以上模型建立应用平台，并通过社区实证研究加以检验和完善。本发明将为社区医疗机构T2DM的标准化管理提供技术工具，同时为其他慢性疾病个体化治疗辅助决策系统的研究提供方法学借鉴。

技术领域

本发明涉及医疗系统技术领域，具体设计一种社区慢性病辅助决策系统。

背景技术

糖尿病包括1型糖尿病、2型糖尿病、妊娠期糖尿病等，2型糖尿病(Type 2Diabetes Mellitus，T2DM)患者人数占糖尿病总人数的90.0%以上，而糖尿病将给患者带来失明、截肢、肾衰竭、心肌梗死、脑梗死等严重健康损害。针对基层医疗卫生机构的现状，探索和建立一套针对社区的智能化辅助决策系统，促进基层T2DM管理规范化、个体化、智能化，十分必要。目前，各种智能辅助决策系统主要包括基于规则和基于真实世界数据机器学习的辅助决策系统。

目前基于规则的辅助决策系统依赖于较高的专业技术水平，导致个体诊疗能力有限，基于真实世界数据机器学习的辅助决策系统因为医师诊疗习惯或数据录入缺失或错误和回顾性数据未经过质量控制，会导致偏倚风险，且现有两种系统都是单纯预测治疗结果的机器学习模型，需要先根据经验多次输入治疗措施，比较预测结果，智能化程度低，也没有考虑社区方案评价的复杂性，还应考虑可能带来的损害、花费，没有依据个体化治疗的原则等等，所以在社区的适用性不佳。

发明内容

本发明的目的在于：克服现有技术智能化程度低，没有依据个体化治疗的原则之不足，将循证规则与真实世界数据相结合，建立T2DM循证规则集。采用患者偏好校正的逐步权重比率分析（SWARA）法研究T2DM患者的价值评价系统，预测患者可能的治疗方案及方案产生的价值，通过价值评价系统对治疗方案进行反馈，以获得推荐的方案排序及其对应价值(获益、风险、花费和用药禁忌等)。将以上模型建立应用平台，并通过社区实证研究加以检验和完善。本发明将为社区医疗机构T2DM的标准化管理提供技术工具，同时为其他慢性疾病个体化治疗辅助决策系统的研究提供方法学借鉴。

为了实现上述发明目的，本发明提供了以下技术方案：

一种社区慢性病辅助决策系统，包括知识仓库端、价值评价端和学习网络端；

所述知识仓库端收集现有文献资料，为辅助决策系统提供疾病治疗方案的规则和约束；

所述价值评价端为辅助决策系统提供评价治疗结果的价值指标，所述价值指标包括有治疗获益、损害和花费；

所述学习网络端用于患者状态数据的收集、分类和储存，所述患者状态数据进入所述学习网络端的策略网络模块中，所述策略网络模块通过提取所述知识仓库端中的规则和约束，生成治疗方案合集；所述患者状态数据和所述治疗方案合集再经过所述学习网络端的价值网络模块，得到患者价值合集，所述患者价值合集经过所述价值评价端评价后再回到所述策略网络模块，生成新的治疗方案合集，迭代数据后，得到各状态下各治疗方案的价值指标，将所述价值指标赋权计算各治疗方案的综合价值，选择综合价值最高的治疗方案作为决策方案。

进一步的，所述决策方案在患者使用后形成新的价值指标和新的患者状态，所述新的价值指标反馈至所述价值评价端，所述新的患者状态反馈至所述知识仓库端，形成所述社区慢性病辅助决策系统知识实时更新。

进一步的，以获得的规则集为基础，建立知识图神经网络，使用无监督学习模块和迁移学习技术模块，建立知识仓库。所述迁移学习技术模块，将知识图神经网络的输入设置为患者数据，使得神经网络可用于患者数据的学习，形成知识仓库；所述无监督学习模块实现知识仓库中知识的不断分类和归纳，通过学习患者数据不断更新知识。