[发明专利]一种疾病辅助决策方法、系统、设备及存储介质

说明书

本发明公开了一种疾病辅助决策方法、系统、设备及存储介质，包括：获取患者的信息及症状；将患者的信息以及症状输入到训练后的朴素贝叶斯分类器模型中，得患者可能患有的各种疾病以及患有各种疾病的概率；选择概率最高的N种疾病，将选择出来的N种疾病以及患有所述N种疾病的概率推送给医生，该方法、系统、设备及存储介质能够降低对医疗资源的挤兑。

技术领域

本发明属于疾病预测辅助决策领域，涉及一种疾病辅助决策方法、系统、设备及存储介质。

背景技术

医疗诊断和预后是适用于任何医疗中心每个病例的医疗程序的核心。它是医生试图根据许多因素(例如身体症状)确定患者所患疾病的原因、疾病症状、患者访谈、实验室检查等相关可能原因。在实际诊断过程中，症状实体信息与诊断结果的关系非常复杂，疾病可能会引起各种不同的症状，而一个症状也可能是由多种不同的疾病引起的。在某些疾病中，症状很常见，并且彼此相关。另一些疾病中，症状不常见。还有一些疾病，症状很相似，这类疾病多隐袭起病，病程缓慢进展，各疾病分型之间的临床表现比较相似，往往需要经验丰富的临床医生根据患者病史、临床症状、体征等信息进行综合判断。医生遇到的病例种类繁多，差异较大，医生很难记住所有的疾病和对应的症状，而且经验丰富的医生毕竟是少数，而且往往集中在大医院，这会造成一定程度的医疗资源挤兑。

发明内容

本发明的目的在于克服上述现有技术的缺点，提供了一种疾病辅助决策方法、系统、设备及存储介质，该方法、系统、设备及存储介质能够降低对医疗资源的挤兑。

为达到上述目的，本发明采用如下技术方案：

本发明一方面，本发明提供了一种疾病辅助决策方法包括：

获取患者的信息及症状；

将患者的信息以及症状输入到训练后的朴素贝叶斯分类器模型中，得患者可能患有的各种疾病以及患有各种疾病的概率；

选择概率最高的N种疾病，将选择出来的N种疾病以及患有所述N种疾病的概率推送给医生。

还包括：

获取预训练数据；

构建朴素贝叶斯分类器模型；

利用所述预训练数据对朴素贝叶斯分类器模型进行训练，得训练后的朴素贝叶斯分类器模型。

所述预训练数据包括电子病历中疾病症状对应的特征向量、疾病与症状的相关性矩阵以及各疾病对应的症状信息。

还包括：

收集医疗数据；

利用收集到的医疗数据生成疾病与症状的相关性矩阵。

还包括：

获取电子病历，从电子病历中提取患者的信息及疾病信息；

将提取得到的患者的信息及疾病信息利用BERT中文预训练模型对句子进行编码，再输入到RNN神经网络模型进行处理，得电子病历中疾病症状对应的特征向量。

所述患者的信息包括患者性别、患者年龄、患者职业、患者籍贯及患者既往病史，所述疾病信息包括疾病名称、疾病症状、病理检查结果。

本发明二方面，本发明提供了一种疾病辅助决策系统，包括：

第一获取模块，用于获取患者的信息及症状；

预测模块，用于将患者的信息以及症状输入到训练后的朴素贝叶斯分类器模型中，得患者可能患有的各种疾病以及患有各种疾病的概率；

推送模块，用于选择概率最高的N种疾病，将选择出来的N种疾病以及患有所述N种疾病的概率推送给医生。

还包括：