神经系统疾病分诊方法及神经系统疾病的分诊系统技术方案

本发明专利技术提供了一种神经系统疾病的分诊方法及神经系统疾病的分诊系统。本发明专利技术的神经系统疾病分诊方法包括：第一步骤：对医院电子病历中文本数据进行数据预处理，提取病征和诊断数据提取病征和诊断数据；第二步骤：选择神经系统疾病数据利用Bayes算法进行分类，构建专用语料库；第三步骤：基于遗传算法构建训练模块，对训练语料集进行有指导的学习；第四步骤：对训练完成的分类进行建模，构建神经系统疾病分诊知识图谱。

Triage of nervous system diseases and triage system of nervous system diseases

The invention provides a triage method for nervous system diseases and a triage system for nervous system diseases. The method of neural disease diagnosis of the present invention includes: the first step: preprocessing the text data in the hospital electronic medical record, extracting the symptoms and diagnosis data to extract the symptoms and the diagnostic data; second step: select the neural disease data by using the Bayes algorithm to classify, construct the special corpus, and third steps: The training module is constructed based on genetic algorithm, and the training corpus is studied. The fourth step is to model the classification of the training, and to construct the knowledge atlas of the disease diagnosis of the nervous system.

【技术实现步骤摘要】
神经系统疾病分诊方法及神经系统疾病的分诊系统
本专利技术涉及神经系统疾病智慧分诊领域，特别涉及一种基于机器学习和认知计算的神经系统疾病分诊方法及神经系统疾病分诊系统。
技术介绍
机器诊断(ComputerAidedDiagnosis，CAD)这一概念最早Ledley在1966年提出。1972年，Willcox尝试将贝叶斯理论运用到计算机鉴别细菌疾病中。2007年，Saeys在牛津大学出版社出版的生物信息学杂志(Bioinformatics)中回顾了文本挖掘中的特征选择技术在生物信息学中的应用。他指出，虽然特征选择(FeatureSelection)技术在分类领域应用得十分广泛，但在生物医学领域的应用才刚起步，医疗文本信息具有维度大且样本长度短的特点，特征选择技术需要针对医疗领域数据的特点进行改进和优化。2010年，在同一杂志中，Abeel对癌症诊断中生化特征(Biomarker)识别的特征选择算法进行了研究，采用支持向量机分类算法，将整合的特征选择技术用在了疾病诊断中。近几年来，文本分类技术技术在医疗领域的研究日益成熟，Rupali将贝叶斯模型及Jelinek-Mercer平滑方法应用与心脏疾病诊断和预测中，Ahmed将改进的全贝叶斯分类器和人工蜂群结合起来应用于心脏疾病和神经疾病的诊断中，进行混合估计，整合模型在心脏疾病预测准确度接近100％。相比于国外，国内学者在医疗领域的研究不多，左春荣，余本宫将贝叶斯网络应用于大规模医疗数据，利用粗糙集理论进行剪枝，不断的约减属性，从而能够有效的降低网络结构的复杂性，从而获得最为精简的特征项。胡碧松，冯丹基于贝叶斯算法、嵌入式开发环境和面向对象程序设计语言，开发了一个移动端的诊断系统，根据疾病病征、检测和化验信息进行疾病智能诊断。柳秋云提出了一种改进的贝叶斯分类器，应用于医疗诊断中，代雪莲，陈正伟开展了粗糙集和遗传算法在医疗诊断中的应用研究。当前国内智慧分诊系统主要基于3D人体模型，按照人体性别差异进行导诊。患者可通过点选3D人体模型，选择病征部位后，系统进入模拟医生问诊流程，显示出此人体部位易出现的症状，并评估出导致该症状的病症，患者只需选择系统评估出的最大可能性疾病，即可查看疾病的详细介绍以及建议科室等相关就诊信息。系统核心主要为应用功能与疾病知识库之间数据信息的读取与交互，各导诊系统疾病知识图谱的建立需要将不同患者的常见病征进行分类整合，经过深入调研和大量数据收集，再通过反复数据建模完成。当前浙江大学医学院附属第一医院、温州医科大学附属第一医院等国内知名医院，已基于该模式完成其“掌上医院”智慧分诊功能建设，率先开展了智慧分诊应用。然而，对于上述现有技术，对于减少挂错号、减少找错科室/专家的概率等方面，仍然不是特别有效。
技术实现思路
本专利技术所要解决的技术问题是针对现有技术中存在上述缺陷，提供一种能够减少挂错号、减少找错科室/专家的概率的神经系统疾病分诊方法及系统。根据本专利技术，提供了一种神经系统疾病分诊方法，包括：第一步骤：对医院电子病历中文本数据进行数据预处理，提取病征和诊断数据；第二步骤：选择神经系统疾病数据利用Bayes算法进行分类，构建专用语料库；第三步骤：基于遗传算法构建训练模块，对训练语料集进行有指导的学习；第四步骤：对训练完成的分类进行建模，构建神经系统疾病分诊知识图谱。进一步地，神经系统疾病分诊方法，包括第五步骤：利用神经系统疾病分诊知识图谱构建智慧分诊系统，执行神经系统疾病分诊。优选地，第一步骤包括：采集特定时间段内的神经学科患者的门诊电子病历资料以完成神经系统疾病原始医疗文本信息采集，对原始医疗文本信息进行预处理以便将原始医疗文本中的特征值存入中间数据文件中，对中间数据文件进行概率计算以生成Bayes分类模型作为专用语料库。优选地，特征值包括病征及诊断数据。优选地，专用语料库包括：神经系统疾病的所有类别属性、每个类别属性对分类最有价值的特征属性、每个特征属性的权重、类别先验概率和类条件概率。优选地，神经系统疾病分诊引导包括预约挂号流程引导。根据本专利技术，还提供了一种神经系统疾病分诊系统，用于执行上述神经系统疾病分诊方法。本专利技术针对从医院电子病历中提取的病征数据，应用Bayes算法构建专用语料库，同时基于遗传算法构建训练模块，通过机器学习对分类模型进行有指导的训练，完成将训练完成的分类模型应用于智慧分诊中。本专利技术构建了一种根据医疗文本特征进行适应性改进的、基于遗传算法的神经系统疾病智慧分诊分类模型和神经系统疾病知识图谱，并对该分类模型进行实证研究，将效果最优的神经系统分类模型应用于智慧分诊系统中，完成智慧分诊系统的搭建，使患者可以通过输入病征进行神经系统疾病自助导诊。附图说明结合附图，并通过参考下面的详细描述，将会更容易地对本专利技术有更完整的理解并且更容易地理解其伴随的优点和特征，其中：图1示意性地示出了根据本专利技术优选实施例的神经系统疾病分诊方法的流程图。图2示意性地示出了根据本专利技术优选实施例的神经系统疾病分诊系统的功能模块示意图。需要说明的是，附图用于说明本专利技术，而非限制本专利技术。注意，表示结构的附图可能并非按比例绘制。并且，附图中，相同或者类似的元件标有相同或者类似的标号。具体实施方式为了使本专利技术的内容更加清楚和易懂，下面结合具体实施例和附图对本专利技术的内容进行详细描述。随着社会经济的不断发展和人们生活水平的提高，患者对医院的服务水平与质量要求也越来越高。与此同时，医院规模逐步扩大，学科发展不断壮大，各科室的分工也越来越细致，设置越来越复杂，患者就诊时挂错号或是不能对症就诊的情况经常出现，导致门诊效率降低，患者时间和精力浪费。不能对症的就诊主要有两方面原因，一方面是因为患者自身对疾病知识的了解有限，使得在预约挂号时不能准确地根据自己的病征，选择对症的专科专家；另一方面，是患者对医院的学科设置不够了解，对各科医师(专家)的研究方向以及所擅长的领域也不够了解，导致无法找到病症所需对应的医师。现代化的医院应该可以通过智慧分诊系统，利用相对成熟和应用价值高的人工神经网络技术构建分类模型，模拟医生问诊流程，帮助患者进行自助导诊，并根据患者的病征，对其可能患有的疾病进行初步判断，再根据疾病推荐对症的专科专家，从而解决上述两方面的问题，使得门诊效率提高的同时，患者的时间和精力也能得到控制。智慧分诊系统核心主要为应用功能与疾病知识库之间数据信息的读取与交互。疾病分类模型和知识图谱的建立需要将不同患者的常见疾病进行分类整合，经过深入调研和大量数据收集，再通过反复数据建模完成。本专利技术拟提出一种根据医疗文本特征进行适应性改进的，基于机器学习和认知计算的医学专科疾病智慧分诊分类模型和神经系统疾病知识图谱，并对该分类模型进行实证研究，将效果最优的分类模型应用于智慧分诊系统中，完成智慧分诊系统的建设，使患者可以通过输入病征进行神经系统疾病自助导诊，从而降低错误分诊率，减少退换号数量，提高看诊效率，提升管理能力，具有广泛的社会与经济效益。图1示意性地示出了根据本专利技术优选实施例的神经系统疾病分诊方法的流程图。具体地，如图1所示，根据本专利技术优选实施例的神经系统疾病分诊方法包括：第一步骤S1：对医院电子病历中文本数据进行数据预处理，提取病征和诊断数据第二步骤S2：选择神经本文档来自技高网...

【技术保护点】
1.一种神经系统疾病分诊方法，其特征在于，所述神经系统疾病分诊方法包括：第一步骤：对医院电子病历中文本数据进行数据预处理，提取病征和诊断数据；第二步骤：选择神经系统疾病数据利用Bayes算法进行分类，构建专用语料库；第三步骤：基于遗传算法构建训练模块，对训练语料集进行有指导的学习；第四步骤：对训练完成的分类进行建模，构建神经系统疾病分诊知识图谱。

【技术特征摘要】
1.一种神经系统疾病分诊方法，其特征在于，所述神经系统疾病分诊方法包括：第一步骤：对医院电子病历中文本数据进行数据预处理，提取病征和诊断数据；第二步骤：选择神经系统疾病数据利用Bayes算法进行分类，构建专用语料库；第三步骤：基于遗传算法构建训练模块，对训练语料集进行有指导的学习；第四步骤：对训练完成的分类进行建模，构建神经系统疾病分诊知识图谱。2.根据权利要求1所述的神经系统疾病分诊方法，其特征在于，所述神经系统疾病分诊方法还包括：第五步骤：利用神经系统疾病分诊知识图谱构建智慧分诊系统，执行神经系统疾病分诊。3.根据权利要求1或2所述的神经系统疾病分诊方法，其特征在于，第一步骤包括：采集特定时间段内的神经学科患者的门诊电子病历资料以完成神经系统疾病原始医疗文本信息采集，对原始医疗文本信息进行预处理以便将原始医...

【专利技术属性】
技术研发人员：王博冉，王志斌，易鹏，
申请(专利权)人：王博冉，
类型：发明
国别省市：北京,11