[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

说明书

本申请涉及人工智能技术，提供了一种基于机器学习的诊疗策略确定方法、装置、设备及介质，方法包括：对患者资料进行病症分析，确定患者的病症数据；确定患者的病症复杂等级，若病症复杂等级高于预设复杂等级阈值，将病症数据输入到预先构建的第一决策树模型对病症数据，确定患者由当前医院的第一决策医生进行手术的第一成功率；若第一成功率小于第一预设成功率阈值，将病症数据输入到预先构建的第二决策树模型，确定患者由其他医院的第二决策医生进行手术的第二成功率；若第二成功率大于第二预设成功率阈值，根据第二决策医生进行手术所需的资源为患者安排手术流程，使得患者能接受最合适的医生进行手术治疗，而不拘泥基层医院现有资质的医生。

技术领域

本申请涉及一种人工智能技术，提供一种基于机器学习的诊疗策略确定方法、装置、设备及介质。

背景技术

在基层医院对患者进行诊疗时，一般是根据患者的病症以及检验结果，基层医院医生根据经验确认治疗方案后；对于病情严重的病人，基层医院会邀请外来医院专家进行就诊手术，但对病人是否需要外来医院专家手术，目前还是过于人为主观化，容易造成资源浪费。

发明内容

本申请的目的在于提供一种基于机器学习的诊疗策略确定方法、装置、设备及介质，通过决策树进行诊疗策略构建计算，能在较短的时间内对患者做出可行且效果良好的分析，使得患者能接受最合适的医生进行手术治疗，而不拘泥基层医院现有资质的医生，合理利用医疗资源。

本申请提出一种基于机器学习的诊疗策略确定方法，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；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。

进一步地，所述对患者资料进行分析，对患者资料进行病症识别，将识别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。

进一步地，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。

进一步地，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；根据条件熵和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。