• 四川郎酒股份有限公司获第十二届人民企业社会责任奖年度环保奖 2019-05-13
  • 银保监会新规剑指大企业多头融资和过度融资 2019-05-12
  • 韩国再提4国联合申办世界杯 中国网友无视:我们自己来 2019-05-11
  • 中国人为什么一定要买房? 2019-05-11
  • 十九大精神进校园:风正扬帆当有为 勇做时代弄潮儿 2019-05-10
  • 粽叶飘香幸福邻里——廊坊市举办“我们的节日·端午”主题活动 2019-05-09
  • 太原设禁鸣路段 设备在测试中 2019-05-09
  • 拜耳医药保健有限公司获第十二届人民企业社会责任奖年度企业奖 2019-05-08
  • “港独”没出路!“梁天琦们”该醒醒了 2019-05-07
  • 陈卫平:中国文化内涵包含三方面 文化复兴表现在其中 2019-05-06
  • 人民日报客户端辟谣:“合成军装照”产品请放心使用 2019-05-05
  • 【十九大·理论新视野】为什么要“建设现代化经济体系”?   2019-05-04
  • 聚焦2017年乌鲁木齐市老城区改造提升工程 2019-05-04
  • 【专家谈】上合组织——构建区域命运共同体的有力实践者 2019-05-03
  • 【华商侃车NO.192】 亲!楼市火爆,别忘了买车位啊! 2019-05-03
    • / 11
    • 下载费用:30 金币  

    重庆时时彩三星万能码: 基于症状相似度分析的就医辅助决策方法.pdf

    关 键 词:
    基于 症状 相似 分析 就医 辅助 决策 方法
      专利查询网所有资源均是用户自行上传分享,仅供网友学习交流,未经上传用户书面授权,请勿作他用。
    摘要
    申请专利号:

    CN201110083980.2

    申请日:

    2011.04.02

    公开号:

    CN102156812A

    公开日:

    2011.08.17

    当前法律状态:

    撤回

    有效性:

    无权

    法律详情: 发明专利申请公布后的视为撤回IPC(主分类):G06F 19/00申请公布日:20110817|||实质审查的生效IPC(主分类):G06F 19/00申请日:20110402|||公开
    IPC分类号: G06F19/00; G06F17/30 主分类号: G06F19/00
    申请人: 中国医学科学院医学信息研究所
    发明人: 代涛
    地址: 100020 北京市朝阳区雅宝路3号
    优先权:
    专利代理机构: 代理人:
    PDF完整版下载: PDF下载
    法律状态
    申请(专利)号:

    CN201110083980.2

    授权公告号:

    ||||||

    法律状态公告日:

    2013.07.10|||2011.09.28|||2011.08.17

    法律状态类型:

    发明专利申请公布后的视为撤回|||实质审查的生效|||公开

    摘要

    本发明所述基于症状相似度分析的就医辅助决策方法,属于信息分析与辅助决策领域。首先建立疾病库和症状库、科室库及其关联关系,将用户输入的症状建立患者模型,与疾病模型进行相似度计算,进行推理和疑似疾病的排序,并在科室模型中查找带有相应疑似疾病的科室,作为就诊参考。本发明的有益效果在于,能够在把用户误认为的症状作为推理条件的情况下,弱化错误干扰结果,并依据错误的症状条件,结合现有的症状之间的关联关系,让正确的症状参与推理运算,从而实现推理的正确性和抗干扰性,并且利用疾病与科室之间的映射关系给出所应就诊的科室列表??捎糜诘缱臃终锘蚪】底裳低?,也可用于医学训练或临床参考。

    权利要求书

    1.基于症状相似度分析的就医辅助决策方法,其特征在于,包括如下步骤:步骤1:根据医学知识库中的症状的规范名称补充与这些基本症状具有上下位、同位等关联关系的症状条目,将基本症状条目和补充的各症状条目作为症状库的构成元素,并建立和保存症状库中每两个症状之间的关联关系;步骤2:将每种疾病相关的症状条目的集合构成一个疾病模型α=(a1,a2,…,ak,…,am),每个疾病模型包含m个症状;将各疾病模型作为疾病库的构成元素;步骤3:把每个疾病模型构建为一个疾病向量,构建方法为:以该疾病模型包含的所有症状的权值构成疾病向量其中是该疾病模型中症状ak的权值,其取值表示症状ak与该疾病之间的关联程度,权值越大则关联程度越高;是根据临床经验和专家数据预先设置的;步骤4:将该医院每个科室可接诊的疾病的集合构成一个科室模型γ=(c1,c2,…,cp,…,cq),每个科室模型共包含q种疾??;将各科室模型作为科室库的构成元素;步骤5:以科室模型C中包含的所有疾病的权值构成科室向量其中表示科室模型C中的疾病cp的权值,对其赋值采用如下两种方法之一:(1)根据该科室可接诊的各种疾病的适宜程度进行赋值,越是该科室主治的疾病则权值越大;(2)科室模型C中的各疾病均采取相同的权值,即不区分该科室可接诊疾病的主治程度;步骤6:将当前患者提供的所有症状的集合构成一个患者模型;即患者模型B为β=(b1,b2,…,bj,…,bn),共包含n个症状;步骤7:将当前患者模型构建为一个患者向量;构建方法为:以当前患者模型B中包含的所有症状的权值构成患者向量其中表示症状模型B中的症状bj的权值,对其赋值采用如下两种方法之一:(1)根据用户输入该症状的顺序或主观感觉在所有症状中的主要程度进行赋值,症状越主要或输入顺序越靠前则权值越大;(2)患者模型B中的各症状均采取相同的权值,即不区分症状输入顺序和主要程度;步骤8:采用如下两种方法之一,获得该患者患有疑似疾病的可能性:(1)当患者向量和疾病向量需具有同样的维度,即患者模型和疾病模型需具有同样的症状个数,并且相同症状应在这两个模型中位于相同的位置,即相同下标的ak和bj应具有相同的含义的情况下,计算患者向量与步骤3构建的各疾病向量之间的角度,向量之间角度越小则认为患者患有该疾病的可能性越大;(2)计算当前患者模型B与各疾病模型之间的相似度,相似度越大则认为该患者患有该疾病的可能性越大,疾病模型A和患者模型B之间的相似度采用如下公式来计算:Sim(A,B)=Σk=1m(Σj=1nWakWbjTkj){(Σk=1m[Σj=1m(WakTakj)2+Wak2])(Σj=1n[Σk=1n(WbjTbjk)2+Wbj2])}12]]>其中,是该疾病模型中症状ak的权值,Tkj表示患者模型B中的症状bj与待比对的疾病模型A中的症状ak之间的距离,该距离依据步骤1建立的症状库所规定的症状之间的关联关系获得;表示疾病模型A中症状ak和aj之间的距离,表示患者模型B中症状bj和bk之间的距离;这两个距离也依据步骤1建立的症状库所规定的症状之间的关联关系获得;步骤9:根据步骤8给出的该患者患有各疾病的可能性,从高到底进行排序,将可能性最大前H个疾病作为最终的辅助诊断结果;步骤10:对于步骤9确定的H个疾病,在科室库中逐个查找每个疾病所对应的科室,即在科室库中查找带有该疾病的科室并给出结果。2.根据权利要求1所述一种基于症状相似度分析的就医辅助决策方法,其特征在于,步骤1所述每两个症状之间的关联关系包括上下位、同位关联关系;其中所述上下位关系包括症状之间的从属关系,所述同位关系包括同义、近义、相似关系。3.根据权利要求1所述一种基于症状相似度分析的就医辅助决策方法,其特征在于,步骤8中,患者模型B中的症状bj与待比对的疾病模型A中的症状ak两症状之间的距离取值如下:bj与ak完全相同则之间距离Tkj为1;若bj与ak为从属关系则距离为0.5;若bj与ak为兄弟关系则距离为0.25;若bj与ak为同义关系则距离为1;若bj与ak为相似关系则距离为0.6;若bj与ak为无关系则距离为0。4.根据权利要求1所述一种基于症状相似度分析的就医辅助决策方法,其特征在于,步骤8中,和的取值原则为:两症状完全相同则距离为1;从属关系则距离为0.5;兄弟关系则距离为0.25;同义关系则距离为1;相似关系则距离为0.6;无关系则距离为0。5.根据权利要求1所述一种基于症状相似度分析的就医辅助决策方法,其特征在于,步骤8进行之前,还包括预先对疾病模型进行粗筛,然后对粗筛得到的疑似疾病集合再进行步骤8,即计算当前患者模型B与粗筛获得的疑似疾病集合中各疾病的疾病模型之间的相似度。6.根据权利要求5所述一种基于症状相似度分析的就医辅助决策方法,其特征在于,所述对疾病模型进行粗筛获得疑似疾病集合的方法包括如下步骤:步骤a:计算患者对疾病库中的每个疾病的患病概率;方法是,该患者患有疾病Hi的概率为:P(Hi|β)=[P(Hi|b1)+P(Hi|b2)+…+P(Hi|bj)+…+P(Hi|bn)]/n;其中:P(Hi|bj)=P(bj|Hi)P(Hi)Σi=1DP(bj|Hi)P(Hi)]]>其中bj表示特定症状,Hi表示特定疾病,P(Hi/bj)为患者出现症状bj时,患疾病Hi的概率;P(bj|Hi)为患者患疾病Hi时出现症状bj的概率;P(Hi)为患者患疾病Hi的先验概率,通常为预设值;D为疾病库中疾病模型的个数;步骤b:选出步骤a所获得的概率高于预设阈值的疾病模型作为疑似疾病集合。7.根据权利要求6所述一种基于症状相似度分析的就医辅助决策方法,其特征在于,步骤b所述预设阈值取0.2。8.根据权利要求1所述一种基于症状相似度分析的就医辅助决策方法,其特征在于,步骤9中,H小于等于3。9.根据权利要求1所述一种基于症状相似度分析的就医辅助决策方法,其特征在于,当步骤5采用所述方法(1)时,步骤10还包括按照疾病在相应科室向量中的权值大小对查找到的H个科室结果进行排序,并从高到低排列为科室列表。

    说明书

    基于症状相似度分析的就医辅助决策方法

    技术领域

    本发明涉及一种就医辅助决策方法,属于信息分析与辅助决策领域,可用于分诊系统。

    背景技术

    现代医疗诊断中的五大?;?1)医疗费用的不断增长,超出了个人和社会的承受能力;(2)知识爆炸性的增长与混乱,年轻医生无法快速掌握,即便是经验丰富的医生也很难掌握跨科室的诊疗知识;(3)医疗专家地区分布不均,大部分地区缺少高水平的医生;(4)需要高水平医疗服务的人越来越多与可能提供的高质量服务产生激烈的矛盾;(5)尽管不断使用高科技的诊断技术,但误诊误治率仍居高不下。解决现代医疗诊断中的五大?;?,特别是如何有效地降低医疗诊断费用和误诊误治率,应该是信息技术在医疗诊断领域研究开发的主导方向,也正是本发明的设计初衷。

    此外分诊是病人在医院就医时所经历的首要环节,只有正确的分诊,将病患分流到对症的科室,才能使患者得到适合的医治,而如果没有正确分诊,不仅造成患者重新就诊,还造成不必要的医务资源的浪费。现实中医院就诊的病人去哪个科室看病(或选择哪家专科医院)就诊,主要取决于导致患者有不适症状的疾病属于哪个科室,因此判断出疑似的疾病,是分诊的关键所在。现阶段,医院分诊完全是依靠人工来实现,一方面是病人自我判断,另一方面是通过医院分诊台的人工咨询。正确的分诊工作需要专业医生依据患者不适的症状和医学经验,根据患者对象描述的症状进行分诊,不仅依赖于分诊人员的专业能力,也受医患双方的情感、语言描述及沟通等因素的干扰。

    近年来随着信息技术的发展,产生了一些辅助诊断的新方法和新产品,从症状可辅助判断患何种疾病,在这些系统中通常事先已经定义了一系列症状集合,供用户选择自己出现的症状,为了提高诊断的正确性,症状条目和表达方式的增多通?;嵩斐墒菘馀哟?,词库分类困难,或者操作繁冗导致用户使用体验不愉快;因此出现了可让病人主动输入症状的辅助诊断系统,然而病人所描述症状由于缺乏医疗知识或者存在语言习惯和表述多样化等问题,时?;嵊胧菘庵械闹⒆床?,这时急需提供一种能够面向偏差性症状描述的辅助诊断方法。

    发明内容

    本发明的目的在于提供一种基于症状相似度分析的就医辅助决策方法,以快速准确的解决公众(针对医疗知识匮乏的人群或者语言习惯和表述多样化)由于错误或不确切的描述症状而造成的分诊结果错误。通过症状到疾病的映射,疾病到科室的映射,实现辅助分诊就医决策功能。

    本发明所述基于症状相似度分析的就医辅助决策方法,包括如下步骤:

    步骤1:根据医学知识库中的症状的规范名称补充与这些基本症状具有上下位、同位等关联关系的症状条目,将基本症状条目和补充的各症状条目作为症状库的构成元素,并建立和保存症状库中每两个症状之间的关联关系;所述每两个症状之间的关联关系包括上下位、同位关联关系;其中所述上下位关系包括症状之间的从属关系,所述同位关系包括同义、近义、相似关系;

    步骤2:将每种疾病相关的症状条目的集合构成一个疾病模型(即每种疾病表现出来的症状集合,集合元素为患该疾病时可能出现的症状),将各疾病模型作为疾病库的构成元素;例如疑似疾病A的模型为α=(a1,a2,…,ak,…,am),共包含m个症状;

    步骤3:把每个疾病模型构建为一个疾病向量,构建方法为:

    以该疾病模型包含的所有症状的权值构成疾病向量其中是该疾病模型中症状ak的权值,其取值表示症状ak与该疾病之间的关联程度,权值越大则关联程度越高;是根据临床经验和专家数据预先设置的;

    步骤4:将该医院每个科室可接诊的疾病的集合构成一个科室模型(即每个科室适于接诊的疾病集合,集合元素为到该科室可确诊的疾病集合),将各科室模型作为科室库的构成元素;例如科室C的模型为γ=(c1,c2,…,cp,…,cq),共包含q种疾??;

    步骤5:以科室模型C中包含的所有疾病的权值构成科室向量其中表示科室模型C中的疾病cp的权值,对其赋值采用如下两种方法之一:

    (1)根据该科室可接诊的各种疾病的适宜程度进行赋值,越是该科室主治的疾病则权值越大;

    (2)科室模型C中的各疾病均采取相同的权值,即不区分该科室可接诊疾病的主治程度;

    步骤6:将当前患者提供的所有症状的集合构成一个患者模型;即患者模型B为β=(b1,b2,…,bj,…,bn),共包含n个症状;

    步骤7:将当前患者模型构建为一个患者向量;构建方法为:

    以当前患者模型B中包含的所有症状的权值构成患者向量其中表示症状模型B中的症状bj的权值,对其赋值采用如下两种方法之一:

    (1)根据用户输入该症状的顺序或主观感觉在所有症状中的主要程度进行赋值,症状越主要或输入顺序越靠前则权值越大;

    (2)患者模型B中的各症状均采取相同的权值,即不区分症状输入顺序和主要程度;

    步骤8:采用如下两种方法之一,获得该患者患有疑似疾病的可能性:

    (1)当患者向量和疾病向量需具有同样的维度,即患者模型和疾病模型需具有同样的症状个数,并且相同症状应在这两个模型中位于相同的位置,即相同下标的ak和bj应具有相同的含义的情况下,计算患者向量与步骤3构建的各疾病向量之间的角度,向量之间角度越小则认为患者患有该疾病的可能性越大;

    (2)计算当前患者模型B与各疾病模型之间的相似度,相似度越大则认为该患者患有该疾病的可能性越大,疾病模型A和患者模型B之间的相似度采用如下公式来计算:

    Sim(A,B)=Σk=1m(Σj=1nWakWbjTkj){(Σk=1m[Σj=1m(WakTakj)2+Wak2])(Σj=1n[Σk=1n(WbjTbjk)2+Wbj2])}12]]>

    其中,是该疾病模型中症状ak的权值,Tkj表示患者模型B中的症状bj与待比对的疾病模型A中的症状ak之间的距离,该距离依据步骤1建立的症状库所规定的症状之间的关联关系获得;

    表示疾病模型A中症状ak和aj之间的距离,表示患者模型B中症状bj和bk之间的距离。这两个距离也依据步骤1建立的症状库所规定的症状之间的关联关系获得;

    作为优选,步骤8进行之前,还包括预先对疾病模型进行粗筛,然后对粗筛得到的疑似疾病集合进行步骤8,即计算当前患者模型B与粗筛获得的疑似疾病集合中各疾病的疾病模型之间的相似度。

    步骤9:根据步骤8给出的该患者患有各疾病的可能性,从高到底进行排序,将可能性最大前H个疾病作为最终的辅助诊断结果。作为优选,H小于等于3;

    步骤10:对于步骤9确定的H个疾病,在科室库中逐个查找每个疾病所对应的科室,即在科室库中查找带有该疾病的科室并给出结果;作为优选,当步骤5采用方法(1)时,还包括按照疾病在相应科室向量中的权值大小对查找到的H个科室结果进行排序,并从高到低排列为科室列表。

    对比现有技术,本发明的有益效果在于,能够在把用户误认为的症状作为推理条件的情况下,弱化错误干扰结果,并依据错误的症状条件,结合现有的症状之间的关联关系,让正确的症状参与推理运算,从而实现推理的正确性和抗干扰性,并且利用疾病与科室之间的映射关系给出所应就诊的科室列表。本方法可用于电子分诊或健康咨询系统,也可用于医学训练或临床参考。

    附图说明

    图1为本发明所述疾病症状关系推理示意图;

    图2为症状空间分布示意图。

    具体实施方式

    下面结合附图对本发明内容进行解释。

    在此技术方案中,通过症状到疾病的映射、疾病到医院/科室的映射,实现分诊功能。首先构建疾病库、症状库。疾病库、症状库分别是疾病和症状条目的集合,并建立它们之间的关联和收录了相关的描述信息。症状与疾病是多对多的关系,每个症状对应多个疾病,每个疾病对应多个症状,不同的症状组合可能由不同的疾病所引起的;每个疾病会表现出一个或若干个症状。疾病与科室可以是多对一的关系,也可以是多对多的关系,每个疾病对应一个或多个科室,同一个科室诊治多个疾病。如图1所示。当然也可以将疾病和科室设计为多对多的关系,例如某一疾病对应的接诊科室有多个选择,比如中医科与传染科,或者例如血尿症状可以去肾内科就诊,也可以去泌尿外科就诊。

    症状是疑似疾病的主要特征,本技术方案中,根据每个患者的症状信息,对患者进行建模。建模就是将患者输入的症状信息,进行记录和整理,用于推断疾病。每个用户(患者)提供的所有症状集合构成一个患者模型,这些症状信息都是由医学知识库中的症状的规范名称来构成,每种疾病相关的症状集合构成一个疾病模型。疾病库由多种疾病模型构成。

    通过计算患者模型落在疾病模型的概率来判断疑似的疾病。

    设E表示特定症状,Hj表示疾病,

    根据贝叶斯公式:

    P(Hj|E)=P(E|Hj)P(Hj)Σj=1nP(E/Hj)P(Hj)]]>

    其中使用Bayes条件概率公式的含义为:

    P(Hj|E)患者有症状E时,患疾病Hj的概率。

    P(E|Hj)为患者患疾病Hj,有症状E的概率。

    P(Hj)为患者患疾病Hj的先验概率。先验概率P(Hj)不易确定。即是医学专家花大量精力确定了该先验概率,在不同的时间、不同的地点患疾病的先验概率P(Hj)也还是有差别,常规做法是一律遵照通常的情况,不区分特殊情况。

    Bayes公式的使用前提是能够正确输入前件,即用户输入的必须是正确的症状并完全与症状库中的症状条目吻合,然而,现实中一个病人却可能会因为自身的症状判断错误,造成前件输入错误,从而导致结论错误;由于本发明面向的是公众的自我症状描述,由于大多数用户缺乏医学专业知识无法准确的对于症状进行鉴别,极容易导致对症状描述的偏差,例如:呕吐与恶心混淆,由于心理对自身疑似疾病的恐慌造成头晕、乏力的症状等?;谏鲜銮榭龅姆治?,我们不能照搬Bayes的计算公式,在辅助诊断时需要具有一定的鉴别或处理能力排除干扰症状。

    本发明优选方案中,在Bayes计算的公式之后,对概率高于0.2的疑似疾病按照步骤6进行重新计算和排序,并且能够适应输入前件偏差的空间向量模型。

    我们把每种疾病表现出来的症状集合(集合元素为患该疾病时可能出现的症状)看作一个向量,同时将用户输入的症状集合也看作一个向量,每个向量元素都是一个症状,症状之间有着上下位、同位等关联。上下位关系是指症状之间的从属关系,同位关系包括同义、近义、相似,易混交等关系。

    因此在本发明中,首先要根据基本症状信息建立一个有着上下位、同位等关联的症状库,所述上下位关系是指症状之间的从属关系,同位关系包括同义、近义、相似,易混交等关系,所述的基本症状信息是由医学知识库中的症状库的规范名称来构成,如图2所示。所建立的症状库是疾病过程中机体内的一系列机能、代谢和形态结构异常变化所引起的病人主观上的异常感觉的集合,如呕吐、疼痛、畏寒等。同一个不适症状,主观描述的时会有不同的表达,如疼痛、疼、痛。相近的症状,在主观描述时会有偏差,甚至误差,如恶心和呕吐,发红和紫绀等,即同位关系。

    按照本发明所述方法建立症状库和疾病库,并建立疾病模型和患者模型;

    疑似疾病A的疾病模型为α=(a1,a2,…,ak,…,am),共包含m个症状;

    患者模型B为β=(b1,b2,…,bj,…,bn),共包含n个症状;利用步骤8所述如下两种方法之一,获得该患者患有疑似疾病的可能性:

    (1)计算患者向量与步骤3构建的各疾病向量之间的角度,向量之间角度越小则认为患者患有该疾病的可能性越大;特别说明的是,在此情况下,待进行角度计算的,患者向量和疾病向量需具有同样的维度,即患者模型和疾病模型需具有同样的症状个数,并且相同症状应在这两个模型中位于相同的位置,即相同下标的ak和bj应具有相同的含义;

    这是因为在疾病模型和患者模型的向量空间中,将需要比对的疾病及患者所具有的症状ak所在位置表述为未有的症状表述为0,该患者的所有症状的权重构成一个在向量空间的坐标计算患者向量与各个疾病向量的角度,角度越小则认为该患者患有该疾病的可能性越大。

    然而在计算两个向量夹角余弦的时候,两个向量的维度必须相同,否则没法计算,所述向量夹角的余弦可以用如下的方法获得,在计算过程中,我们对内积和向量长度的计算进行了改进(见步骤8的下述第二种方法);

    (2)计算当前患者模型B与各疾病模型之间的相似度,相似度越大则认为该患者患有该疾病的可能性越大,疾病模型A和患者模型B之间的相似度采用如下公式来计算:

    Sim(A,B)=Σk=1m(Σj=1nWakWbjTkj){(Σk=1m[Σj=1m(WakTakj)2+Wak2])(Σj=1n[Σk=1n(WbjTbjk)2+Wbj2])}12]]>

    其中,是该疾病模型中症状ak的权值,Tkj表示两个症状ak和bj之间的距离,在步骤1给定症状库中每两个症状之间的关联关系的基础上,由于不同症状的相似性,必须给出患者模型B中的症状bj与待比对的疾病模型A中的症状ak之间的距离,该距离依据步骤1建立的症状库所规定的症状之间的关联关系获得。例如:完全相同则距离为1,从属关系则距离为0.5,兄弟关系则距离为0.25,同义关系则距离为1,相似关系则距离为0.6,距离的取值是据经验来设置的,在使用过程中可以逐步调整。

    表示疑似疾病模型A中症状ak和aj之间的距离,表示患者模型B中症状bj和bk之间的距离。这两个距离也依据步骤1建立的症状库所规定的症状之间的关联关系获得。和的定值原则为:完全相同则距离为1,从属关系则距离为0.5,兄弟关系则距离为0.25,同义关系则距离为1,相似关系则距离为0.6,距离取值也是根据经验来设置的,在使用过程中可以逐步调整。

    根据步骤8给出的该患者患有各疾病的可能性,从高到底进行排序,将可能性较大的疾病作为最终的辅助诊断结果。

    作为优选,步骤8还包括:步骤8进行之前,还包括预先对疾病模型进行粗筛,然后对粗筛得到的疑似疾病集合进行步骤8,即计算当前患者模型B与粗筛获得的疑似疾病集合中各疾病的疾病模型之间的相似度。

    所述对疾病模型进行粗筛获得疑似疾病集合的方法包括如下步骤:

    步骤a:计算患者对疾病库中的每个疾病的患病概率;方法是,该患者患有疾病Hi的概率为:P(Hi|β)=[P(Hi|b1)+P(Hi|b2)+…+P(Hi|bj)+…+P(Hi|bn)]/n;

    其中:

    P(Hi|bj)=P(bj|Hi)P(Hi)Σi=1DP(bj|Hi)P(Hi)]]>

    其中bj表示特定症状,Hi表示特定疾病,P(Hi|bj)为患者出现症状bj时,患疾病Hi的概率;P(bj|Hi)为患者患疾病Hi时出现症状bj的概率;P(Hi)为患者患疾病Hi的先验概率,通常为预设值;D为疾病库中疾病模型的个数;

    步骤b:选出步骤a所获得的概率高于预设阈值的疾病模型作为疑似疾病集合,作为优选,所述预设阈值取0.2。

    在本实施例中,将用户输入的症状建立该用户的患者模型,先进行Bayes概率计算后,对概率大于阈值的疑似疾病再分别与患者模型(输入的症状集合)进行相似度计算,进行推理和疑似疾病的排序,依照可能性罗列出疑似的疾病,并在科室模型中查找带有相应疑似疾病的科室,作为就诊参考。

    以上所述的具体描述,对发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限定本发明的?;し段?,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的?;し段е?。

    关于本文
    本文标题:基于症状相似度分析的就医辅助决策方法.pdf
    链接地址://www.4mum.com.cn/p-5867950.html
    关于我们 - 网站声明 - 网站地图 - 资源地图 - 友情链接 - 网站客服 - 联系我们

    [email protected] 2017-2018 www.4mum.com.cn网站版权所有
    经营许可证编号:粤ICP备17046363号-1 
     


    收起
    展开
  • 四川郎酒股份有限公司获第十二届人民企业社会责任奖年度环保奖 2019-05-13
  • 银保监会新规剑指大企业多头融资和过度融资 2019-05-12
  • 韩国再提4国联合申办世界杯 中国网友无视:我们自己来 2019-05-11
  • 中国人为什么一定要买房? 2019-05-11
  • 十九大精神进校园:风正扬帆当有为 勇做时代弄潮儿 2019-05-10
  • 粽叶飘香幸福邻里——廊坊市举办“我们的节日·端午”主题活动 2019-05-09
  • 太原设禁鸣路段 设备在测试中 2019-05-09
  • 拜耳医药保健有限公司获第十二届人民企业社会责任奖年度企业奖 2019-05-08
  • “港独”没出路!“梁天琦们”该醒醒了 2019-05-07
  • 陈卫平:中国文化内涵包含三方面 文化复兴表现在其中 2019-05-06
  • 人民日报客户端辟谣:“合成军装照”产品请放心使用 2019-05-05
  • 【十九大·理论新视野】为什么要“建设现代化经济体系”?   2019-05-04
  • 聚焦2017年乌鲁木齐市老城区改造提升工程 2019-05-04
  • 【专家谈】上合组织——构建区域命运共同体的有力实践者 2019-05-03
  • 【华商侃车NO.192】 亲!楼市火爆,别忘了买车位啊! 2019-05-03
  • 广东11选5走势图 七星彩每期透露直码 板球即时比分网址 pk10挂机软件能赢吗 幸运飞艇最强软件 广东十一选五开奖查询 彩神计划手机版苹果 吉林11选5稳赚技巧 真正靠足彩发财的人 老k棋牌作弊器 苹果公司赚钱的板块 福彩湖北快3一定牛 在上海如何快速赚钱 pk10冠军3码计划 AG日本武士开奖数据 下载app送18元彩金