带时序约束的相似病例推荐方法及装置制造方法及图纸

本发明专利技术提供一种带时序约束的相似病例推荐方法及装置，所述方法包括：获取患者未被诊断的目标病例；提取所述目标病例的特征向量；将所述特征向量输入已建立的LSTM模型，得到所述患者患各类疾病的预测结果，其中，所述LSTM模型是根据已诊断的历史病例的每一阶段的特征向量训练得到的；根据所述预测结果从已诊断的病例中推荐相似病例。提高了疾病预测以及病例推荐的准确率。

Similar case recommendation method and device with time constraint

The invention provides a similar case recommendation method and an apparatus with timing constraints. The method includes: acquiring the target case of the patient not being diagnosed; extracting the feature vector of the target case; inputting the feature vector into the established LSTM model to obtain the prediction result of the patient suffering from various diseases, wherein the L. The STM model is trained according to the eigenvectors of each stage of a diagnosed historical case; similar cases are recommended from the diagnosed cases based on the predicted results. It improves the accuracy of disease prediction and case recommendation.

【技术实现步骤摘要】
带时序约束的相似病例推荐方法及装置
本专利技术涉及医疗
，具体地，涉及一种带时序约束的相似病例推荐方法及装置。
技术介绍
相似病例推荐是指根据患者的病情描述，在庞大的历史数据库中匹配语义最相近的案例，将语义最相近的病例作为参考病例推荐给患者或者医生。目前，相似病例推荐主要应用于互联网问诊平台，根据患者在平台描述的病情症状，匹配到最相似的病例推荐给用户。其核心任务是计算查询问题与历史问题之间的语义相似度。但是，现有的相似病例推荐方法仅适用于网络交互模式的相似病例查询，更加注重词句分布的相似性，未考虑到其他环节因素对病例相似性的影响，导致现有相似病例推荐方法的准确度较低。
技术实现思路
本专利技术的主要目的是提供一种带时序约束的相似病例推荐方法及装置，以解决现有相似病例推荐方法的准确度较低的技术问题。为了实现上述目的，本专利技术第一方面提供一种带时序约束的相似病例推荐方法，所述方法包括：获取患者未被诊断的目标病例；提取所述目标病例的特征向量；将所述特征向量输入已建立的LSTM模型，得到所述患者患各类疾病的预测结果，其中，所述LSTM模型是根据已诊断的历史病例的每一阶段的特征向量训练得到本文档来自技高网...

【技术保护点】
1.一种带时序约束的相似病例推荐方法，其特征在于，所述方法包括：获取患者未被诊断的目标病例；提取所述目标病例的特征向量；将所述特征向量输入已建立的LSTM模型，得到所述患者患各类疾病的预测结果，其中，所述LSTM模型是根据已诊断的历史病例的每一阶段的特征向量训练得到的；根据所述预测结果从已诊断的病例中推荐相似病例。

【技术特征摘要】
1.一种带时序约束的相似病例推荐方法，其特征在于，所述方法包括：获取患者未被诊断的目标病例；提取所述目标病例的特征向量；将所述特征向量输入已建立的LSTM模型，得到所述患者患各类疾病的预测结果，其中，所述LSTM模型是根据已诊断的历史病例的每一阶段的特征向量训练得到的；根据所述预测结果从已诊断的病例中推荐相似病例。2.根据权利要求1所述的方法，其特征在于，所述方法还包括建立所述LSTM模型的方法，包括：将每份所述历史病例划分为多个阶段；提取每份所述历史病例每一阶段的特征向量，并针对第t阶段的特征向量xt，采用如下公式训练所述LSTM模型：ft＝σ(wfxt+ufht-1+bf)；it＝σ(wixt+uiht-1+bi)；gt＝tanh(wcxt+ucht-1+bc)；ct＝ft*ct-1+it*gt；ot＝σ(woxt+uoht-1+bo)；ht＝ot*tanh(ct)；其中，所述第t阶段为任一阶段，ht为所述第t阶段LSTM模型隐藏层存储的有用信息的状态向量，σ为sigmoid回归层，*为向量内积，wi、wf、wo、wc为不同状态下针对输入的特征向量xt的权重矩阵，ui、uf、uo、uc为LSTM模型中隐藏层状态ht的权重矩阵，bi、bf、bo、bc为偏置向量。3.根据权利要求2所述的方法，其特征在于，所述将每份所述历史病例划分为多个阶段，包括：按照每份所述历史病例的入院时间和出院时间，以一天为时间单位将每份所述历史病例划分为多个阶段；或者，以疗程为单位将每份历史病例划分为多个阶段。4.根据权利要求1至3中任一项所述的方法，其特征在于，提取病例的特征向量包括：依据用户字典和公开的停止词词库对每份历史病例进行文本分词，得到多个特征信息，其中，所述用户字典是医生根据WHO公开的ICD-10、CPT、ICHI编码对病例进行标注得到的；通过word2vec方法将分词后得到的所述多个特征信息进行向量化，得到所述特征向量。5.根据权利要求1至3中任一项所述的方法，其特征在于，所述根据所述预测结果从已诊断的病例中推荐相似病例，包括：根据所述预测结果确定所述患者患病率最高的topN种目标疾病；从已诊断为所述目标疾病的历史病例中，选择与所述患者的目标病例向量相似度最高的topN种病例进行推荐。6.一种相似病例的推荐装置，其特...

【专利技术属性】
技术研发人员：丁帅，潘金鑫，杨善林，王浩，陈意，张宏敏，
申请(专利权)人：合肥工业大学，
类型：发明
国别省市：安徽,34