[发明专利]基于机器学习的诊疗策略确定方法、装置、设备及介质

权利要求书

1.一种基于机器学习的诊疗策略确定方法，其特征在于，包括：

对患者资料进行病症分析，将病症分析结果与医院病症知识图谱进行对比，确定所述患者的病症数据；所述病症数据包括患者所患疾病和所患疾病的临床表现；

根据所述患者所患疾病和所患疾病的临床表现确定所述患者的病症复杂等级；

若所述病症复杂等级高于预设复杂等级阈值，将所述病症数据输入到预先构建的第一决策树模型中，以输出为所述患者进行手术的当前医院的第一决策医生，并确定所述第一决策医生进行手术的第一成功率；

若所述第一成功率小于第一预设成功率阈值，将所述病症数据输入到预先构建的第二决策树模型中，以输出为所述患者进行手术的其他医院的第二决策医生，并确定第二决策医生进行手术的第二成功率；

若所述第二成功率大于第二预设成功率阈值，确定所述第二决策医生进行手术所需的资源，并根据所述所需的资源为所述患者安排手术流程；

所述方法还包括：

以所有病症数据、当前医院医疗资源和医生资料库为样本集，以所述患者所患疾病的临床表现和当前医院医生资料属性为测试属性；

计算所述样本集的信息熵，并计算所述测试属性中的不同属性对样本集进行分类后的条件熵；

根据所述条件熵和所述信息熵计算出各测试属性的信息增益，选择信息增益最大的测试属性作为根节点；

对按照所述根节点分类后的样本集进行计算信息熵、条件熵和信息增益的步骤，确定叶子节点，以构建得到第一决策树模型；

通过剪枝或随机森林对所述第一决策树模型进行优化；

根据评价函数对优化后的第一决策树模型进行调整，得到所述预先构建的第一决策树模型，所述评价函数为：C(T)＝∑_t∈leafN_t·H(t)，t为叶子节点，H(t)为当前叶子计算出来的条件熵，N_t为当前叶子节点中的样本数量，C(T)为评价函数，leaf为叶子节点集合；

所述将所述病症数据输入到预先构建的第一决策树模型中，以输出为所述患者进行手术的当前医院的第一决策医生，并确定所述第一决策医生进行手术的第一成功率，包括：

对所述第一决策树模型进行逐层查找，从所述第一决策树模型中查找与所述病症数据对应的节点，所述节点包括所述患者所患疾病对应的当前医院的第一决策医生；

获取所述第一决策医生治疗所述患者所患疾病的历史手术数据；

将所述历史手术数据对应的手术成功率作为所述第一成功率。

2.根据权利要求1所述的方法，其特征在于，所述对患者资料进行病症分析，将病症分析结果与医院病症知识图谱进行对比，确定所述患者的病症数据包括：

收集关于疾病的所有病情数据，得到所述医院病症知识图谱；

通过计算机视觉技术和自然语言处理技术对所述患者资料进行病症识别分析，得到患者疾病特征；

将所述患者疾病特征与所述医院病症知识图谱进行对比分析，确定患者的病症数据。

3.根据权利要求2所述的方法，其特征在于，所述根据所述患者所患疾病和所患疾病的临床表现确定所述患者的病症复杂等级，所述方法包括：

通过k最邻近算法对所述病症数据进行分析，根据分析结果绘制所述患者的病症图谱；病症图谱包括患者所患的疾病的类型、以及对所患疾病的临床表现的评价性；

当从所述病症图谱中确定所述患者患有并发症或多发症，和/或，所述患者的病症临床表现的评价性低于评价阈值时，确定所述患者的病症复杂等级为第一等级；所述第一等级高于所述预设复杂等级阈值；

当从所述病症图谱中确定所述患者所患疾病为非手术类型疾病，确定所述患者的病症复杂等级为第二等级；所述第二等级低于所述预设复杂等级阈值。

4.根据权利要求1-3任一项所述的方法，其特征在于，所述根据所述所需的资源为所述患者安排手术流程包括：

若当前医院具有所述第二决策医生所需的医院资源，则根据医院资源在当前医院为所述患者制定手术流程；

若当前医院不具有所述第二决策医生所需的医院资源，将所述患者送往上级医院或所述第二决策医生对应的医院。