基于贝叶斯网络的医患匹配方法组成比例

本发明专利技术涉及一种基于贝叶斯网络的医患匹配方法，包括：步骤S1：采集电子病历数据，确定疾病和症状节点及其取值，并作为训练集数据；步骤S2:构建‘疾病‑疾病/疾病‑症状’自交互矩阵，并作为贝叶斯网络的约束；步骤S3:构建贝叶斯网络模型，并进行结构学习和参数学习；步骤S4:患者将病症输入贝叶斯网络预诊模型，得到计算主疾病和并发症并发的所有可能的疾病组合；步骤S5计算医生和患者的匹配指数步骤S6:基于医生和患者的匹配指数构建医生推荐模型；步骤S7:根据患者偏好指数，得到患者和医生的最优分配。本发明专利技术结合了预诊结果、医生专长、医生工作量和患者偏好进行医患匹配，解决了目前医患匹配技术不够准确的缺陷。

The method of doctor-patient matching based on Bayesian network

【技术实现步骤摘要】
基于贝叶斯网络的医患匹配方法
本专利技术涉及医患匹配领域，具体涉及一种基于贝叶斯网络的医患匹配方法。
技术介绍
目前已公开使用的医患匹配技术，主要集中于智能导诊，医生推荐等领域，如腾讯公司开发的智能导诊AI引擎腾讯睿知，旨在从海量文献中抽取丰富的医学知识，推理症状与疾病间的对应关系，建立疾病预诊的专家系统；通过人际互动的智能问诊系统，达到提取患者病症情况的目的；最后通过整合医生专长信息，进行医生推荐。这类技术能给与患者准确的医生推荐，从而提升医疗服务质量，是新崛起的智能医疗技术之一。患者对于医生的盲目选择问题对今天本就紧张的医疗资源是一种挑战，该类技术没有考虑到对医疗资源进行合理的分配，不能根本上解决问题。
技术实现思路
有鉴于此，本专利技术的目的在于提供一种基于贝叶斯网络的医患匹配方法，结合了预诊结果、医生专长、医生工作量和患者偏好进行医患匹配，解决了目前医患匹配技术不够准确的缺陷。为实现上述目的，本专利技术采用如下技术方案：一种基于贝叶斯网络的医患匹配方法，包括以下步骤：步骤S1：采集电子病历数据本文档来自技高网...

【技术保护点】
1.一种基于贝叶斯网络的医患匹配方法，其特征在于，包括以下步骤：/n步骤S1：采集电子病历数据中的疾病、症状用词并进行总结疾病症状，确定疾病和症状节点及其取值，并作为训练集数据；/n步骤S2:构建‘疾病-疾病/疾病-症状’自交互矩阵，并作为贝叶斯网络的约束；/n步骤S3:构建贝叶斯网络模型，并进行结构学习和参数学习,得到完整的贝叶斯网络预诊模型；/n步骤S4:患者将病症输入贝叶斯网络预诊模型，得到计算主疾病和并发症并发的所有可能的疾病组合；/n步骤S5:根据主疾病和并发症并发的所有可能的疾病组合，计算医生和患者的匹配指数；/n步骤S6:基于医生和患者的匹配指数构建医生推荐模型；/n步骤S7:基...

【技术特征摘要】
1.一种基于贝叶斯网络的医患匹配方法，其特征在于，包括以下步骤：
步骤S1：采集电子病历数据中的疾病、症状用词并进行总结疾病症状，确定疾病和症状节点及其取值，并作为训练集数据；
步骤S2:构建‘疾病-疾病/疾病-症状’自交互矩阵，并作为贝叶斯网络的约束；
步骤S3:构建贝叶斯网络模型，并进行结构学习和参数学习,得到完整的贝叶斯网络预诊模型；
步骤S4:患者将病症输入贝叶斯网络预诊模型，得到计算主疾病和并发症并发的所有可能的疾病组合；
步骤S5:根据主疾病和并发症并发的所有可能的疾病组合，计算医生和患者的匹配指数；
步骤S6:基于医生和患者的匹配指数构建医生推荐模型；
步骤S7:基于医生推荐模型，并根据患者偏好指数，得到患者和医生的最优分配。


2.根据权利要求1所述的基于贝叶斯网络的医患匹配方法，其特征在于：所述‘疾病-疾病/疾病-症状’自交互矩阵中有联系的疾病/症状元素之间取值为1，无关的取值为-1，未知部分取值为0；
其中：有联系的关系转化为贝叶斯网络的初始网络结构，无关联系转化为贝叶斯网络禁止搜索的部分。


3.根据权利要求1所述的基于贝叶斯网络的医患匹配方法，其特征在于，所述贝叶斯网络结构学习采用了基于禁忌搜索的启发式算法，具体为：
选择AIC评分作为优化的目标函数，其公式如下：



其中，rm是节点m可能取值的所有值的总量，qm是其父节点可能取值的所有可能组合的总量，节点数量为nm；Nmjk为节点m的父节点取第j种取值组合时，节点m...

【专利技术属性】
技术研发人员：李德彪，陈思平，
申请(专利权)人：福州大学，
类型：发明
国别省市：福建;35