[发明专利]一种基于隐语义模型的中医组方推荐方法及系统

说明书

本发明公开了一种基于隐语义模型的中医组方推荐方法及系统，该方法包括以下步骤：S0：采集某种疾病的多例医案信息，医案信息包括医案数及每例医案对应症状和药物；S1：根据步骤S0采集的信息，基于对医案库中症状和对应处方的隐语义分析，提取出隐含证候，发现隐含证候、症状和药物间存在的关系，建立基于症状‑证候‑药物的主题模型，并进行参数学习训练；S2：输入待检测的用户症状，从基于症状‑证候‑药物的主题模型结果中获取的症状、证候、药物之间的对应关系，进行相应处方推荐，并输出推荐结果，为医生诊疗过程的组方提供参考和辅助决策。

技术领域

本发明涉及计算机技术在中医药领域的应用，尤其涉及一种基于隐语义模型的中医组方推荐方法及系统。

背景技术

千百年来累积的大量中医医案数据是历史传承下来的宝贵财富。当前对中医诊疗经验的继承大多基于分析总结先前的处方，但是大多数处方是凭经验主观给出，缺乏客观标准，中医系统体系也是由主观理解和推断构成。由于缺少科学数据的支撑和解释，使得在实践中很多人对中医给出的不同组方结果存在怀疑，因此，对中医组方的过程数据化十分重要。随着计算机技术在中医药领域的应用，近年来，有研究者使用关联规则、聚类分析、复杂网络分析等方法进行中医组方规律挖掘，文献[J.Wu,W.Guo,Y.Tang,et al.A study ofTCM master Yan Zhenghua's medication rule in prescriptions for digestivesystem diseases based on Apriori and complex system entropy cluster[J].Journal of Traditional Chinese Medical Sciences,2015,2(4):241-247.]使用Apriori关联规则方法挖掘关于消化系统疾病的方剂用药规律，结果发现了治疗该病的15种核心药物、22种核心药对及8种核心药组；文献[周伟,王峰,王崇骏,等.利用效用度挖掘核心药物及配伍规律[J].计算机科学与探索,2013,7(11):994-1001.]使用重叠社团发现算法挖掘关于肺痿疾病的方剂配伍规律，结果发现了治疗该病的42种核心药物及30种核心药对。

然而，使用关联分析、聚类分析、复杂网络分析等常用数据挖掘方法难以建模中医诊疗过程中的隐含证候，而证候是医师在开方过程中必不可少的基础依据，导致现有组方规律挖掘方法所得结果的准确度不高。

发明内容

本发明所要解决的技术问题是现有的中医组方规律挖掘方法往往使用关联分析、聚类分析、复杂网络分析等常用数据挖掘方法,建模过程中没有考虑隐含证候，导致现有组方规律挖掘方法所得结果的准确度不高的问题。本发明提供了解决上述问题的一种基于隐语义模型的中医组方推荐方法及系统，本发明构建一种基于隐含狄利克雷分布(LatentDirichlet Allocation,LDA)模型的中医组方研究方法，结合隐含证候建模，提高了中医组方推荐的精度和效率，为中医医师诊疗过程的组方提供辅助决策。

本发明通过下述技术方案实现：

一种基于隐语义模型的中医组方推荐方法，该方法包括以下步骤：

S0：采集某种疾病的多例医案信息，医案信息包括医案数及每例医案对应症状和药物；

S1：根据步骤S0采集的信息，基于对医案库中症状和对应处方的隐语义分析，提取出隐含证候，发现隐含证候、症状和药物间存在的关系，建立基于症状-证候-药物的主题模型，并进行参数学习训练；

S2：输入待检测的用户症状，从基于症状-证候-药物的主题模型结果中获取的症状、证候、药物之间的对应关系，进行相应处方推荐，并输出推荐结果，为医生诊疗过程的组方提供参考和辅助决策。