一种基于Z语言验证的肿瘤营养混合知识模型制造技术

本发明专利技术公开了一种基于Z语言验证的肿瘤营养混合知识模型，具体步骤如下：步骤一、临床知识模型CKM的建立：通过临床实践指南CPG在Z语言的开发环境下建立临床知识模型CKM；步骤二、患者预测模型PM的建立：根据患者病例数据MPD在Z语言的开发环境下建立患者预测模型PM；步骤三、混合知识模型M

【技术实现步骤摘要】
一种基于Z语言验证的肿瘤营养混合知识模型


[0001]本专利技术涉及知识模型
，具体为一种基于Z语言验证的肿瘤营养混合知识模型。

技术介绍

[0002]临床决策支持系统即CDSS(ClinicalDecisionSupportSystem，CDSS)，是通过学习海量教材、临床指南、药典及三甲医院优质病历，基于自然语言处理、知识图谱等多种AI技术，打造遵循循证医学的临床决策支持系统，用以提升医疗质量，降低医疗风险。目前，世界上绝大多数的临床决策支持系统(CDSS)都由三部分组成：即知识库、推理机和人机交流接口部分。
[0003]临床知识库的内容积累可以从重点疾病、重点专科开始，聚沙成塔、集腋成裘。同时需要考虑到，在互联网时代，知识的获得和更新比以往更简单更容易，使知识库的内容通过互联网不断的进行升级，同时，知识库应建立一套自我规则，有助于去除虚假信息的导入，确保输入计算机系统的知识来源的统一性和有效性。对知识库的信任是应用于医疗诊断和治疗计划的临床决策支持系统(CDSS)的关键因素，同时也是增加医院医护人员使用的有效途径。临床知识的来源多种多样，例如患者数据、临床实践指南(CPG)、临床试验、系统综述，甚至社交媒体等。有效统一知识模型也是进行有效推理基础，对于推理内容而言，主要是依据规则推理和案例推理。
[0004]规则推理主要是基于临床实践指南(CPG)，案例推理主要是依据患者数据进行。将两者知识融合是建立混合知识基础，首先将来自CPG的知识模型转换为计算机可解释指南(CIG)，以便可以直接插入CDSS进行推理。其次使用机器学习从患者数据中创建知识模型，最后根据需求，将两种不同的知识模型(可能与不同的来源共享相同的领域问题)转换为统一的知识模型(混合知识模型)。
[0005]验证方面，大多数现有方法都着重于运用知识工程的原理进行软件系统内部验证。然而，这些方法往往忽视了核查过程与CDSS开发过程的一致性。另一方面，采用一种简单易懂的验证方法也是实现混合知识统一的有效手段，与传统的知识规范方法相比，急需一种能够明确区分知识的统一性，增强可理解性和提供规范的灵活性验证的方法。但由于知识限制，对于计算机系统，医学专家对其专业性无法认定和理解，但让医学专家参与系统开发过程也是增强后期CDSS认可度的有效方式之一。所以一种简单易懂的系统开发方法也是临床决策支持系统所必须的，基于此，本专利技术设计了一种基于Z语言验证的肿瘤营养混合知识模型，以解决上述问题。

技术实现思路

[0006]本专利技术的目的在于提供一种基于Z语言验证的肿瘤营养混合知识模型，以解决上述
技术介绍
中提出的问题。
[0007]为实现上述目的，本专利技术提供如下技术方案：一种基于Z语言验证的肿瘤营养混合
知识模型，包括临床知识模型CKM和患者预测模型PM，具体步骤如下：
[0008]步骤一、临床知识模型CKM的建立：通过临床实践指南CPG在Z语言的开发环境下建立临床知识模型CKM；
[0009]步骤二、患者预测模型PM的建立：根据患者病例数据MPD在Z语言的开发环境下建立患者预测模型PM；
[0010]步骤三、混合知识模型M
‑
CKM的建立：将步骤一建立的临床知识模型CKM与步骤二建立的患者预测模型PM在Z语言的开发环境下结合验证标准验证后，建立混合知识模型M
‑
CKM。
[0011]优选的，步骤一中所述临床知识模型CKM的建立方式和步骤二中所述患者预测模型PM的建立方式均为决策树形式。
[0012]优选的，所述临床知识模型CKM包括肿瘤营养诊疗评估、肿瘤营养诊疗诊断和肿瘤营养诊疗实施；
[0013]所述肿瘤营养诊疗评估包括营养风险筛查NRS2002和肿瘤PG
‑
SGA营养评估；
[0014]所述肿瘤营养诊疗诊断包括无营养风险、轻度营养风险、中度营养风险、重度营养风险；
[0015]所述肿瘤营养诊疗实施包括不需要进行人工营养干预、人工营养教育、人工营养干预。
[0016]优选的，所述患者病例数据MPD包括患者的个人信息、膳食摄入情况；
[0017]所述个人信息包括性别、年龄、身高、体重；
[0018]所述膳食摄入情况包括纯液体的流食、半流食、正常的饮食。
[0019]优选的，所述个人信息用于计算患者每日所需的能量，计算公式为：
[0020]每日所需摄入能量＝标准体重
×
25
[0021]其中，每日所需摄入能量的单位为kcal，标准体重的单位为kg；
[0022]所述标准体重的计算公式为：标准体重＝(身高
‑
100)
×
0.9；
[0023]其中，身高的单位为cm。
[0024]优选的，所述膳食摄入情况利用“肿瘤患者简明膳食自评工具”进行营养状况评估；
[0025]所述营养状况评估包括无营养不良、轻度营养不良、中重度营养不良。
[0026]优选的，所述验证标准为营养诊疗流程，包括营养评估、营养诊断和营养评价。
[0027]与现有技术相比，本专利技术的有益效果是：
[0028]1)本专利技术建立的混合临床知识模型M
‑
CKM按照Z语言进行表述和展示，确保所有模型建立均使用Z语言，在构建上确保了统一性，也比较符合系统开发人员操作流程；
[0029]2)本专利技术对于重新建立的混合临床知识模型可以进行详细表述，利于任何系统开发人员和医护人员理解，搭建二者之间桥梁，利于CDSS真正在临床中应用；
[0030]3)本专利技术在临床实践指南基础上扩大每一步肿瘤营养诊疗流程，对使用医院来说，可以建立本地化的混合临床知识模型，利于后期患者诊疗，提供很好临床参考价值。
[0031]当然，实施本专利技术的任一产品并不一定需要同时达到以上所述的所有优点。
附图说明
[0032]为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例描述所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0033]图1为本专利技术建立混合知识模型M
‑
CKM流程图；
[0034]图2为本专利技术肿瘤的临床知识模型CKM模型图；
[0035]图3为本专利技术患者预测模型PM模型图；
[0036]图4为本专利技术混合知识模型M
‑
CKM模型图；
[0037]图5为本专利技术营养风险筛查NRS2002表格；
[0038]图6为本专利技术肿瘤PG
‑
SGA营养评估表格；
[0039]图7为本专利技术混合临床知识模型M
‑
CKM输出的营养病历图；
[0040]图8为本专利技术实施例一中的营养病历图；
[0041]图9为本专利技术实施例二中的营养病历图。
具体本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于Z语言验证的肿瘤营养混合知识模型，其特征在于，包括临床知识模型CKM和患者预测模型PM，具体步骤如下：步骤一、临床知识模型CKM的建立：通过临床实践指南CPG在Z语言的开发环境下建立临床知识模型CKM；步骤二、患者预测模型PM的建立：根据患者病例数据MPD在Z语言的开发环境下建立患者预测模型PM；步骤三、混合知识模型M
‑
CKM的建立：将步骤一建立的临床知识模型CKM与步骤二建立的患者预测模型PM在Z语言的开发环境下结合验证标准验证后，建立混合知识模型M
‑
CKM。2.根据权利要求1所述的一种基于Z语言验证的肿瘤营养混合知识模型，其特征在于：步骤一中所述临床知识模型CKM的建立方式和步骤二中所述患者预测模型PM的建立方式都为决策树形式。3.根据权利要求1所述的一种基于Z语言验证的肿瘤营养混合知识模型，其特征在于：所述临床知识模型CKM包括肿瘤营养诊疗评估、肿瘤营养诊疗诊断和肿瘤营养诊疗实施；所述肿瘤营养诊疗评估包括营养风险筛查NRS2002和肿瘤PG
‑
SGA营养评估；所述肿瘤营养诊疗诊断包括无营养风险、轻度营养风险、中度营养风险、重度营养风险；所述...

【专利技术属性】
技术研发人员：马露露，王远，王君萍，黄玲玲，金海英，杨玉洁，卢辉，朱彦楠，
申请(专利权)人：安徽宏元聚康医疗科技有限公司，
类型：发明
国别省市：