CN115101193A - 一种症状推荐方法、设备及计算机可读存储介质 - Google Patents
一种症状推荐方法、设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN115101193A CN115101193A CN202210712343.5A CN202210712343A CN115101193A CN 115101193 A CN115101193 A CN 115101193A CN 202210712343 A CN202210712343 A CN 202210712343A CN 115101193 A CN115101193 A CN 115101193A
- Authority
- CN
- China
- Prior art keywords
- symptom
- preset
- symptoms
- candidate
- user
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 208000024891 symptom Diseases 0.000 title claims abstract description 477
- 238000000034 method Methods 0.000 title claims abstract description 44
- 239000011159 matrix material Substances 0.000 claims description 41
- 239000013598 vector Substances 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 10
- 238000000354 decomposition reaction Methods 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 description 14
- 201000010099 disease Diseases 0.000 description 9
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 3
- 230000013872 defecation Effects 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000037213 diet Effects 0.000 description 3
- 235000005911 diet Nutrition 0.000 description 3
- 230000006996 mental state Effects 0.000 description 3
- 238000004092 self-diagnosis Methods 0.000 description 3
- 230000007958 sleep Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000001815 facial effect Effects 0.000 description 2
- 230000005906 menstruation Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 206010011224 Cough Diseases 0.000 description 1
- 206010019233 Headaches Diseases 0.000 description 1
- 208000037273 Pathologic Processes Diseases 0.000 description 1
- 206010043946 Tongue conditions Diseases 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 231100000869 headache Toxicity 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000002175 menstrual effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000009054 pathological process Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本申请提供一种症状推荐方法、设备及计算机可读存储介质，包括：获取包含有用户输入的用户症状的用户信息，并根据用户症状确定候选症状，确定候选症状与各预设症状之间的关联系数，根据关联系数从预设症状中确定出目标症状，根据目标症状进行症状推荐，由于可以自动对用户进行症状推荐，所以可以降低自诊或问诊过程中对人工经验的依赖度。
Description
技术领域
本申请涉及人工智能技术领域，具体而言，涉及一种症状推荐方法、设备及计算机可读存储介质。
背景技术
目前，无论是在患者利用应用程序进行自诊的过程中，还是医生基于应用程序对患者进行问诊的过程中，都高度依赖用户经验，因此，急需一种可以对用户进行症状推荐的方案，以降低自诊或问诊过程中对用户经验的依赖度。
发明内容
本申请实施例的目的在于提供一种症状推荐方法、装置、设备及存储介质，用以解决上述技术问题。
本申请实施例提供一种症状推荐方法，所述方法包括：
获取用户信息；所述用户信息包括用户输入的用户症状；
根据所述用户症状确定候选症状；
确定所述候选症状与各预设症状之间的关联系数；所述关联系数为对关联程度矩阵进行奇异值分解，得到各预设症状分别对应的特征向量矩阵后，基于各所述特征向量矩阵进行计算得到的系数；所述关联程度矩阵中的每一元素表征对应的预设症状与对应的预设方剂之间的关联程度；
根据所述关联系数从所述预设症状中确定出目标症状；
根据所述目标症状进行症状推荐。
在上述实现过程中，由于可以根据目标症状对用户进行症状推荐，所以可以降低自诊或问诊过程中对用户经验的依赖度。
进一步地，所述目标症状包括体征症状。
在上述实现过程中，适用于对用户进行体征症状推荐的场景，提升了本方案的普适性。
进一步地，所述候选症状包括第一候选症状；所述根据所述用户症状确定候选症状，包括：
确定与所述用户症状对应的主诉症状，并将所述主诉症状作为所述第一候选症状；
或，
将所述用户症状中最后输入的症状作为所述第一候选症状。
在上述实现过程中，将主诉症状作为第一候选症状，或者将用户症状中最后输入的症状作为第一候选症状，确保候选症状是患者的主要或重要症状，因此，基于该候选症状确定出的目标症状是与病灶相关度较高的症状，提升了推荐结果的可靠性、准确性。
进一步地，所述候选症状还包括第二候选症状；所述根据所述用户症状确定候选症状，包括：
确定与所述第一候选症状相关联的第二候选症状。
在上述实现过程中，可以基于第一候选症状以及与第一候选症状相关联的第二候选症状这多个候选症状确定目标症状，使得推荐的目标症状与病灶相关，且符合患者的身体实际情况，进一步提升了推荐结果的准确性。
进一步地，所述确定所述候选症状与各预设症状之间的关联系数，包括：
确定所述第一候选症状与各所述预设症状之间的第一关联系数，并确定所述第二候选症状与各所述预设症状之间的第二关联系数
所述根据所述关联系数从所述预设症状中确定出需进行推荐的体征症状，包括：
针对每一所述预设症状，根据其对应的所述第一关联系数与所述第二关联系数确定其与候选症状组之间的第三关联系数；所述候选症状组为所述第一候选症状与所述第二候选症状组成的症状组；
根据所述第三关联系数从所述预设症状中筛选出需进行推荐的体征症状。
在上述实现过程中，将第一候选症状和第二候选症状作为一个候选症状组，根据各预设症状与该候选症状组的第三关联系数从预设症状中确定出与用户症状具有较高的关联性的目标症状，提升了推荐结果的准确性。
进一步地，所述确定与所述第一候选症状相关联的第二候选症状，包括：
确定所述第一候选症状与所述用户症状中除所述第一候选症状以外的各症状之间的第四关联系数；
将大于等于预设关联系数阈值的第四关联系数所对应的症状确定为待定候选症状；
从所述待定候选症状中，筛选出第四关联系数的最大值所对应的待定候选症状作为第二候选症状。
在上述实现过程中，在用户输入的用户症状中，将与第一候选症状相关度最高的症状作为第二候选症状，确保第二候选症状是用户的主要不适症状，进而可以提升最终推荐结果的可靠性。
进一步地，所述确定所述候选症状与各预设症状之间的关联系数，包括：
从预设的关联系数数据库中查询所述候选症状与各预设症状之间的关联系数；所述关联系数数据库中存储有各所述预设症状之间的关联系数。
在上述实现过程中，无需计算关联系数，而是可以直接从预设的关联系数数据库中进行关联系数的查询，提升了运行效率。
进一步地，所述关联程度矩阵中的每一元素为基于预设的医案数据库计算得到的所述预设症状相对于所述预设方剂的关联程度；所述医案数据库中包含多个医案文档，每一所述医案文档中包含多个所述预设症状的信息以及可治疗该多个所述预设症状的预设方剂的信息；所述关联程度通过公式
计算得到；
其中，Rsi,pj表示所述关联程度矩阵中第i行，第j列位置处对应的元素的值，si表示第i个预设症状，pj表示第j个预设方剂，nij表示所述医案数据库中同时包含第j个预设方剂和第i个预设症状的医案文档的数量，∑knkj表示所述医案数据库中与第j个预设方剂出现在同一医案文档中的所有预设症状的出现总次数或症状类别数，∑knki表示所述医案数据库中与第i个预设症状出现在同一医案文档中的所有预设方剂的出现总次数或方剂类别数，D表示所述医案数据库中所有预设方剂的出现总次数或方剂类别数；e和Q为预设常数。
在上述实现过程中，提供了一种新的计算各预设症状之间的关联系数的方式，基于方剂与症状之间的关联程度确定各预设症状分别对应的特征向量，提升了计算结果的准确性。
本申请实施例还提供了一种电子设备，包括处理器和存储器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序，以实现上述任意一种方法。
本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被至少一个处理器执行时，以实现上述任意一种方法。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本申请实施例一提供的症状推荐方法的流程示意图；
图2为本申请实施例一提供的对用户进行症状推荐的示意图；
图3为本申请实施例一提供的确定关联系数的流程示意图；
图4为本申请实施例二提供的症状推荐装置的结构示意图；
图5为本申请实施例三提供的电子设备的结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
需要说明的是，在本发明实施例中涉及“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外，各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。
在本发明的描述中，需要理解的是，步骤前的数字标号并不标识执行步骤的前后顺序，仅用于方便描述本发明及区别每一步骤，因此不能理解为对本发明的限制。
下面将提供多个实施例，来具体介绍症状推荐方法、设备及计算机可读存储介质。
实施例一：
请参见图1所示，本申请实施例提供一种症状推荐方法，本申请实施例所提供的症状推荐方法可以应用于电子设备中，电子设备包括但不限于是PC(Personal Computer，个人电脑)、手机、平板电脑、笔记本电脑等。本申请实施例提供的症状推荐方法可以包括如下步骤：
S11：获取用户信息；用户信息包括用户输入的用户症状。
S12：根据用户症状确定候选症状。
S13：确定候选症状与各预设症状之间的关联系数；关联系数为对关联程度矩阵进行奇异值分解，得到各预设症状分别对应的特征向量矩阵后，基于各特征向量矩阵进行计算得到的系数；关联程度矩阵中的每一元素表征对应的预设症状与对应的预设方剂之间的关联程度。
S14：根据关联系数从预设症状中确定出目标症状。
S15：根据目标症状进行症状推荐。
下面对上述步骤进行具体介绍。
应当说明的是，在实际应用过程中，对于步骤S15而言，可以将目标症状推荐给目标用户，这里的目标用户可以是步骤S11中的用户，也可以是另一用户。
示例性的，上述步骤S11中的用户可以是患者用户，比如，可以是患者本人，也可以是熟悉患者病情的相关人员，例如患者家属，此时，在步骤S15中，可以将目标症状推荐给该患者用户，以提示患者用户进行症状自查，从而可以在患者侧收集到较为全面的病情信息；当然，也可以将目标症状推荐给医生用户，以便于医生根据推荐的目标症状对患者用户进行问诊。
本申请实施例中的用户信息除了可以包括用户症状之外，还可以包括用户年龄、性别等信息，这样，在将该方法应用于辅助医生问诊的场景时，可以辅助医生确定病因，完成诊疗。
用户可以根据身体的实际情况在应用程序的智能问诊平台上输入用户症状，比如，输入“咳嗽”、“头痛”等症状。
本申请实施例中的目标症状可以包括体征症状，体征症状是指他人可客观检查到的症状，是一种客观存在的症状，不随患者的主观意识而改变。这里的他人可以是除患者以外的任何人，比如可以是医生，也可以是患者的陪诊者等。这里的检查是指他人通过肉眼、或者触摸等这种非直接询问的方式的诊察手段。
患者身体基本功能情况，例如饮食、睡眠、二便、经带，以及形神状态，例如精神、体型、面象、舌象、脉象等，这些症状不随患者的主观意识而改变，是除患者以外的其他人可以直接观察或者检查到的，因此，本申请实施例中的体征症状可以包括与体型、面象、舌象、脉象、饮食、睡眠、精神、经带以及二便相关的症状中的至少一种。这些体征症状都可以用来判断疾病的病因、疾病的轻重缓急、疾病的发生机理、疾病的部位、身体的素质强弱，但这些体征症状由于容易被患者忽略，通常需要医生诊察。
将体征症状推荐给患者用户，可以提示患者用户根据推荐结果进行体征症状自查，无需医生对这类症状进行检查便可收集到较为全面的症状信息，可以提升诊疗的效率。
本申请实施例中的候选症状可以为一个，也可以为多个。
在本实施方式的第一种示例中，对于步骤S12，可以确定与用户症状对应的主诉症状，并将主诉症状作为第一候选症状。主诉症状指的是最令患者痛苦或致使其本次就诊的主要症状。
示例性的，患者用户在根据身体实际情况输入用户症状时，可以对输入的用户症状中的主要症状添加主诉标签，电子设备通过识别该主诉标签可确定输入的用户症状中的哪一个症状是主诉症状，然后将该主诉症状作为当前患者用户的第一候选症状。
在本实施方式的第二种示例中，考虑到患者用户并不了解病理过程，而主诉症状在疾病的诊疗过程中较为重要，所以可以将患者用户输入的包括用户症状、性别、以及年龄的用户信息推送给医生用户，由医生用户根据该用户信息从用户症状中确定出该患者用户的主诉症状，也即电子设备接收医生用户根据用户症状确定的主诉症状，然后将该主诉症状作为当前患者用户的第一候选症状。
在本实施方式的第三种示例中，可以将患者用户输入的用户信息输入经训练得到的主诉症状推荐模型，得到与用户症状对应的主诉症状。该主诉症状推荐模型为基于训练样本数据进行训练得到的模型，每一训练样本数据中包含多个用户症状的信息以及对应的主诉症状的信息。
应当说明的是，当确定出的主诉症状有多个时，可以从主诉症状中随机选择一个作为第一候选症状。也可以预先针对预设症状数据库中的每一预设症状设置其对应的权重值，可以根据医案数据库中各症状出现的频率来设置各预设症状各自对应的权重值，出现频率越高的症状其对应的权重值越高，当确定出多个主诉症状时，选择对应权重值最大的主诉症状作为第一候选症状。
对于步骤S12，也可以将用户症状中最后输入的症状作为第一候选症状。应当说明的是，从患者用户输入的用户症状中选择第一候选症状的方式可以由开发人员灵活设置。比如，可以优先将主诉症状作为第一候选症状，在无法确定主诉症状时，再将用户症状中最后输入的症状作为第一候选症状。
示例性地，可以根据第一候选症状，确定出与第一候选症状相关联的第二候选症状。下面对确定第二候选症状的方式进行介绍。
在一些实施方式中，当确定出的第一候选症状是用户输入的用户症状中的症状时，可以确定第一候选症状与用户症状中除该第一候选症状以外的各症状之间的第四关联系数，将大于等于预设关联系数阈值的第四关联系数所对应的症状确定为待定候选症状，然后从各待定候选症状中，筛选出第四关联系数的最大值所对应的待定候选症状作为第二候选症状。当然了，若第一候选症状不是用户症状中的症状，则确定第一候选症状与用户输入的各用户症状之间的第四关联系数，并可以参照上述方法确定出第二候选症状，这里不再赘述。
在另外的一些实施方式中，可以确定第一候选症状与预设症状数据库中各预设症状之间的关联系数，将关联系数最大值所对应的预设症状作为第二候选症状。
应当说明的是，可以预设一个症状数据库，该数据库中存储有多个预设症状，预设症状可以由预设体征症状和预设非体征症状组成，此时，本申请实施例中所提及的候选症状、推荐症状均属于该数据库中的症状。
应当说明的是，当预设症状数据库中包含预设体征症状和预设非体征症状时，可以通过预先为症状设置标签来区分预设体征症状和预设非体征症状。比如，可以为预设体征症状设置客观属性标签，表征其为预设体征症状，未设置客观属性标签或者设置主观属性标签的症状则为预设非体征症状。或者也可以为预设非体征症状设置主观属性标签，未设置主观属性标签的症状则为预设体征症状。
可以理解的是，当确定出的候选症状包括第一候选症状和第二候选症状时，可以确定第一候选症状与各预设症状之间的第一关联系数，并确定第二候选症状与各预设症状之间的第二关联系数。
在一种可选的实施方式中，可以针对症状数据库中的每一预设症状，根据其对应的第一关联系数与第二关联系数确定其与候选症状组之间的第三关联系数，候选症状组为第一候选症状与第二候选症状组成的症状组；根据第三关联系数从预设症状中筛选出需进行推荐的目标症状。通过将预设症状与候选症状组关联，可以提升推荐结果的全面性。示例性的，可以将第一关联系数与对应的预设权重之间的乘积与第二关联系数与对应的预设权重之间的乘积相加，从而得到对应的第三关联系数。
在另外一种可选的实施方式中，可以直接根据第一关联系数从预设症状中筛选出需进行推荐的第一目标症状，并直接根据第二关联系数从预设症状中筛选出需进行推荐的第二目标症状。然后将第一目标症状和第二目标症状推荐给患者用户。
当然了，若候选症状中仅包含第一候选症状，则可以直接根据第一候选症状与各预设症状之间的第一关联系数，从预设症状中筛选出需进行推荐的目标症状。
可以理解的是，可以根据关联系数由高到低的顺序，从预设症状中筛选出预设数量的症状，如果筛选出来的症状中包含非体征症状，则过滤掉非体征症状，将得到的体征症状作为目标症状推荐给患者用户。
在一些实施例中，在将目标症状推荐给用户之后，还可以包括以下步骤：
获取用户针对推荐的目标症状重新输入的用户症状。
将目标症状和重新输入的用户症状发送给另一用户或输入该用户症状的用户。
在一种实际应用场景中，在将目标症状推荐给患者用户后，可以获取患者用户针对推荐的目标症状重新输入的用户症状，然后将收集到的患者用户输入的所有用户症状发送给医生用户，以供医生用户诊断该患者用户的疾病。
在一些实施例中，在得到需要推荐给用户的目标症状之后，可以确定各目标症状各自所属的症状类别。具体的，可以根据聚类算法对需要推荐给用户的目标症状进行分类，根据分类结果确定各个分类的标签名称。在对用户进行推荐时，请参见图2所示，可以将目标症状放入对应的标签名称的栏目下展示给用户。
在第一种可选的实施方式中，电子设备中可以预先存储一个关联系数数据库，该关联数据库中存储有各预设症状之间的关联系数，在需要确定两个症状之间的关联系数时，均可以从该关联系数数据库中进行查询，直接在预设的关联系数数据库中进行关联系数的查询调取即可，可以提升运行效率。
在第二种可选的实施方式中，症状与症状之间的关联系数均可以在实际应用过程中实时进行计算得到。
无论是上述哪一种实施方式，均可以采用下述方式计算两个症状之间的关联系数，具体步骤可以参见图3所示，包括：
S31：获取关联程度矩阵。
关联程度矩阵中的每一元素表征对应的预设方剂与对应的预设症状之间的关联程度。例如，关联程度矩阵的每一行对应一种预设症状，关联程度矩阵的每一列对应一种预设方剂，矩阵中的每一元素则可以表征对应的预设方剂与对应的预设症状之间的关联程度。
示例性的，关联程度矩阵中的每一元素为基于预设的医案数据库计算得到的预设症状相对于预设方剂的关联程度；医案数据库中包含多个医案文档，每一医案文档中包含多个预设症状的信息以及可治疗该多个预设症状的预设方剂的信息；关联程度可以通过公式
计算得到。
下面对上述公式中参数的含义进行介绍。
Rsi,pj表示关联程度矩阵中第i行，第j列位置处对应的元素的值。
si表示第i个预设症状，pj表示第j个预设方剂。
nij表示医案数据库中同时包含第j个预设方剂和第i个预设症状的医案文档的数量。
∑knkj表示医案数据库中与第j个预设方剂出现在同一医案文档中的所有预设症状的出现总次数或症状类别数。比如，预设方剂X仅出现在2个医案文档中，且这2个医案文档中分别包含a个预设症状和b个预设症状，且这2个医案文档之间存在c个重叠的预设症状，则，与预设方剂X出现在同一医案文档中的所有预设症状的出现总次数为a+b，与预设方剂X出现在同一医案文档中的所有预设症状的症状类别数为a+b-c。
∑knki表示医案数据库中与第i个预设症状出现在同一医案文档中的所有预设方剂的出现总次数或方剂类别数。
D表示医案数据库中所有预设方剂的出现总次数或方剂类别数。方剂类别数本质上就是预设方剂的数量。
e和Q为预设常数，e为预设的平滑处理系数，Q为预设的调整系数。
示例性的，e可以取2，Q可以取1。
在得到各预设方剂与各预设症状之间的关联程度之后，便可得到关联程度矩阵。
S32：对关联程度矩阵进行奇异值分解，得到每一预设症状分别对应的特征向量矩阵。
步骤S32中可以按照
对关联程度矩阵进行奇异值分解。
其中，Rm*n表示关联程度矩阵，d表示分解后方剂与预设症状的向量维度，d的具体大小可以由开发人员根据经验设置，比如可以设置为100。Um*d表示m个方剂的d维方剂特征向量矩阵，Vn*d表示n个预设症状的d维特征向量矩阵。矩阵Vn*d的每一个行向量则表示对应预设症状的特征向量矩阵。
S33：根据各特征向量矩阵计算各预设症状之间的关联系数。
步骤S33中，可以根据各特征向量矩阵之间的余弦距离计算各预设症状之间的关联系数，比如，可以根据以下公式计算各预设症状之间的关联系数：
其中，Disij表示第i个预设症状与第j个预设症状之间的关联系数，Vik表示第i个预设症状对应的特征向量矩阵在第k维度的值，Vjk表示第j个预设症状对应的特征向量矩阵在第k维度的值。
在一些实施例中，在通过步骤S33得到预设症状之间的关联系数之后，可以将该关联系数存入关联系数数据库。
实施例二：
本申请实施例提供一种症状推荐装置，请参见图4所示，包括：
获取模块501，用于获取用户信息；用户信息包括用户输入的用户症状。
第一确定模块502，用于根据用户症状确定候选症状。
第二确定模块503，用于确定候选症状与各预设症状之间的关联系数；关联系数为对关联程度矩阵进行奇异值分解，得到各预设症状分别对应的特征向量矩阵后，基于各特征向量矩阵进行计算得到的系数；关联程度矩阵中的每一元素表征对应的预设症状与对应的预设方剂之间的关联程度。
第三确定模块504，根据关联系数从预设症状中确定出目标症状。
推荐模块505，用于根据目标症状进行症状推荐。
在示例性的实施例中，目标症状包括体征症状。体征症状包括与体型、面象、舌象、脉象、饮食、睡眠、精神、经带以及二便相关的症状中的至少一种。
在示例性的实施例中，第一确定模块502用于确定与用户症状对应的主诉症状，并将该主诉症状作为所述第一候选症状；或，将用户症状中最后输入的症状作为第一候选症状。
在示例性的实施例中，第一确定模块502用于确定与第一候选症状相关联的第二候选症状。
在示例性的实施例中，第一确定模块502用于确定第一候选症状与用户症状中除第一候选症状以外的各症状之间的第四关联系数，将大于等于预设关联系数阈值的第四关联系数所对应的症状确定为待定候选症状，从待定候选症状中，筛选出第四关联系数的最大值所对应的待定候选症状作为第二候选症状。
在示例性的实施例中，第二确定模块503用于确定第一候选症状与各预设症状之间的第一关联系数，并确定第二候选症状与各预设症状之间的第二关联系数，并针对每一预设症状，根据其对应的第一关联系数与第二关联系数确定其与候选症状组之间的第三关联系数；候选症状组为第一候选症状与第二候选症状组成的症状组，根据第三关联系数从预设症状中筛选出需进行推荐的目标症状。
在示例性的实施例中，第二确定模块503用于从预设的关联系数数据库中查询候选症状与各预设症状之间的关联系数；关联系数数据库中存储有各预设症状之间的关联系数。
在示例性的实施例中，症状推荐装置还可以包括计算模块，用于获取关联程度矩阵，对关联程度矩阵进行奇异值分解，得到各预设症状分别对应的特征向量矩阵后，基于各特征向量矩阵进行计算得到各预设症状之间关联系数，并将关联系数存入关联系数数据库。
关联程度矩阵中的每一元素为基于预设的医案数据库计算得到的预设症状相对于预设方剂的关联程度；医案数据库中包含多个医案文档，每一医案文档中包含多个预设症状的信息以及可治疗该多个预设症状的预设方剂的信息；关联程度可以通过公式
计算得到；
其中，Rsi,pj表示所述关联程度矩阵中第i行，第j列位置处对应的元素的值，si表示第i个预设症状，pj表示第j个预设方剂，nij表示所述医案数据库中同时包含第j个预设方剂和第i个预设症状的医案文档的数量，∑knkj表示所述医案数据库中与第j个预设方剂出现在同一医案文档中的所有预设症状的出现总次数或症状类别数，∑knki表示所述医案数据库中与第i个预设症状出现在同一医案文档中的所有预设方剂的出现总次数或方剂类别数，D表示所述医案数据库中所有预设方剂的出现总次数或方剂类别数；e和Q为预设常数。
在示例性的实施例中，获取模块501还用于在推荐模块将目标症状推荐给用户之后，获取用户针对推荐的目标症状重新输入的用户症状，目标症状推荐装置还可以包括发送模块，用于将用户输入的所有用户症状发送给另一用户。
需要理解的是，出于描述简洁的考量，部分实施例一描述过的内容在本实施例中不再赘述。
实施例三：
基于同一发明构思，本申请实施例提供一种电子设备，请参见图5所示，包括处理器501和存储器502，所述存储器502中存储有计算机程序，所述处理器501执行所述计算机程序，以实现上述实施例一中方法的步骤，在此不再赘述。
可以理解，图5所示的结构仅为示意，设备还可包括比图5中所示更多或者更少的组件，或者具有与图5所示不同的配置。
处理器501可以是一种集成电路芯片，具有信号处理能力。上述处理器501可以是通用处理器，包括中央处理器(CPU)、网络处理器(NP)等；还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。其可以实现或者执行本申请实施例中公开的各种方法、步骤及逻辑框图。
存储器502可以包括但不限于随机存取存储器(RAM)，只读存储器(ROM)，可编程只读存储器(PROM)，可擦除只读存储器(EPROM)，电可擦除只读存储器(EEPROM)等。
本实施例还提供了一种计算机可读存储介质，如软盘、光盘、硬盘、闪存、U盘、安全数码(SD)卡、多媒体(MMC)卡等，在该计算机可读存储介质中存储有实现上述各个步骤的一个或者多个程序，这一个或者多个程序可被一个或者多个处理器执行，以实现上述各实施例中方法的各步骤，在此不再赘述。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。
以上所述仅为本申请的实施例而已，并不用于限制本申请的保护范围，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
Claims (10)
1.一种症状推荐方法，其特征在于，包括：
获取用户信息；所述用户信息包括用户输入的用户症状；
根据所述用户症状确定候选症状；
确定所述候选症状与各预设症状之间的关联系数；所述关联系数为对关联程度矩阵进行奇异值分解，得到各预设症状分别对应的特征向量矩阵后，基于各所述特征向量矩阵进行计算得到的系数；所述关联程度矩阵中的每一元素表征对应的预设症状与对应的预设方剂之间的关联程度；
根据所述关联系数从所述预设症状中确定出目标症状；
根据所述目标症状进行症状推荐。
2.如权利要求1所述的症状推荐方法，其特征在于，所述目标症状包括体征症状。
3.如权利要求1所述的症状推荐方法，其特征在于，所述候选症状包括第一候选症状；所述根据所述用户症状确定候选症状，包括：
确定与所述用户症状对应的主诉症状，并将所述主诉症状作为所述第一候选症状；
或，
将所述用户症状中最后输入的症状作为所述第一候选症状。
4.如权利要求3所述的症状推荐方法，其特征在于，所述候选症状还包括第二候选症状；所述根据所述用户症状确定候选症状，包括：
确定与所述第一候选症状相关联的第二候选症状。
5.如权利要求4所述的症状推荐方法，其特征在于，所述确定所述候选症状与各预设症状之间的关联系数，包括：
确定所述第一候选症状与各所述预设症状之间的第一关联系数，并确定所述第二候选症状与各所述预设症状之间的第二关联系数；
所述根据所述关联系数从所述预设症状中确定出需进行推荐的目标症状，包括：
针对每一所述预设症状，根据其对应的所述第一关联系数与所述第二关联系数确定其与候选症状组之间的第三关联系数；所述候选症状组为所述第一候选症状与所述第二候选症状组成的症状组；
根据所述第三关联系数从所述预设症状中筛选出需进行推荐的目标症状。
6.如权利要求4所述的症状推荐方法，其特征在于，所述确定与所述第一候选症状相关联的第二候选症状，包括：
确定所述第一候选症状与所述用户症状中除所述第一候选症状以外的各症状之间的第四关联系数；
将大于等于预设关联系数阈值的第四关联系数所对应的症状确定为待定候选症状；
从所述待定候选症状中，筛选出第四关联系数的最大值所对应的待定候选症状作为第二候选症状。
7.如权利要求1所述的症状推荐方法，其特征在于，所述确定所述候选症状与各预设症状之间的关联系数，包括：
从预设的关联系数数据库中查询所述候选症状与各预设症状之间的关联系数；所述关联系数数据库中存储有各所述预设症状之间的关联系数。
8.如权利要求1-7任一项所述的症状推荐方法，其特征在于，所述关联程度矩阵中的每一元素为基于预设的医案数据库计算得到的所述预设症状相对于所述预设方剂的关联程度；所述医案数据库中包含多个医案文档，每一所述医案文档中包含多个所述预设症状的信息以及可治疗该多个所述预设症状的预设方剂的信息；所述关联程度通过公式
计算得到；
其中，Rsi,pj表示所述关联程度矩阵中第i行，第j列位置处对应的元素的值，si表示第i个预设症状，pj表示第j个预设方剂，nij表示所述医案数据库中同时包含第j个预设方剂和第i个预设症状的医案文档的数量，∑knkj表示所述医案数据库中与第j个预设方剂出现在同一医案文档中的所有预设症状的出现总次数或症状类别数，∑knki表示所述医案数据库中与第i个预设症状出现在同一医案文档中的所有预设方剂的出现总次数或方剂类别数，D表示所述医案数据库中所有预设方剂的出现总次数或方剂类别数；e和Q为预设常数。
9.一种电子设备，其特征在于，包括处理器和存储器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序，以实现如权利要求1-8中任一项所述的方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序被至少一个处理器执行时，以实现如权利要求1-8中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210712343.5A CN115101193A (zh) | 2022-06-22 | 2022-06-22 | 一种症状推荐方法、设备及计算机可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210712343.5A CN115101193A (zh) | 2022-06-22 | 2022-06-22 | 一种症状推荐方法、设备及计算机可读存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115101193A true CN115101193A (zh) | 2022-09-23 |
Family
ID=83292369
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210712343.5A Pending CN115101193A (zh) | 2022-06-22 | 2022-06-22 | 一种症状推荐方法、设备及计算机可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115101193A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115719640A (zh) * | 2022-11-02 | 2023-02-28 | 联仁健康医疗大数据科技股份有限公司 | 中医主次症状识别系统、装置、电子设备及其存储介质 |
| CN118398174A (zh) * | 2024-04-22 | 2024-07-26 | 脉景（杭州）健康管理有限公司 | 一种面向专病的问诊引导方法、系统及电子设备 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107330289A (zh) * | 2017-07-10 | 2017-11-07 | 叮当（深圳）健康机器人科技有限公司 | 一种症状信息分析方法及装置 |
| CN109119134A (zh) * | 2018-08-09 | 2019-01-01 | 脉景（杭州）健康管理有限公司 | 医学病历数据处理方法、医学数据推荐系统、设备及介质 |
| CN112700861A (zh) * | 2020-12-25 | 2021-04-23 | 北京左医科技有限公司 | 伴随症状交互方法及伴随症状交互系统 |
| CN113591886A (zh) * | 2020-04-30 | 2021-11-02 | 北京百度网讯科技有限公司 | 用于信息分类的方法、装置、设备及计算机可读存储介质 |
| CN114242218A (zh) * | 2021-12-13 | 2022-03-25 | 中科麦迪人工智能研究院(苏州)有限公司 | 导诊方法及导诊系统 |
| CN114282606A (zh) * | 2021-12-22 | 2022-04-05 | 安徽科大讯飞医疗信息技术有限公司 | 对象识别方法、装置、计算机可读存储介质及计算机设备 |
-
2022
- 2022-06-22 CN CN202210712343.5A patent/CN115101193A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107330289A (zh) * | 2017-07-10 | 2017-11-07 | 叮当（深圳）健康机器人科技有限公司 | 一种症状信息分析方法及装置 |
| CN109119134A (zh) * | 2018-08-09 | 2019-01-01 | 脉景（杭州）健康管理有限公司 | 医学病历数据处理方法、医学数据推荐系统、设备及介质 |
| CN113591886A (zh) * | 2020-04-30 | 2021-11-02 | 北京百度网讯科技有限公司 | 用于信息分类的方法、装置、设备及计算机可读存储介质 |
| CN112700861A (zh) * | 2020-12-25 | 2021-04-23 | 北京左医科技有限公司 | 伴随症状交互方法及伴随症状交互系统 |
| CN114242218A (zh) * | 2021-12-13 | 2022-03-25 | 中科麦迪人工智能研究院(苏州)有限公司 | 导诊方法及导诊系统 |
| CN114282606A (zh) * | 2021-12-22 | 2022-04-05 | 安徽科大讯飞医疗信息技术有限公司 | 对象识别方法、装置、计算机可读存储介质及计算机设备 |
Non-Patent Citations (1)
| Title |
|---|
| 谢隽: "关于中医方剂配化规律的数据挖拖研究", 《中国硕士电子期刊》, no. 03, 15 March 2016 (2016-03-15), pages 10 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115719640A (zh) * | 2022-11-02 | 2023-02-28 | 联仁健康医疗大数据科技股份有限公司 | 中医主次症状识别系统、装置、电子设备及其存储介质 |
| CN115719640B (zh) * | 2022-11-02 | 2023-08-08 | 联仁健康医疗大数据科技股份有限公司 | 中医主次症状识别系统、装置、电子设备及其存储介质 |
| CN118398174A (zh) * | 2024-04-22 | 2024-07-26 | 脉景（杭州）健康管理有限公司 | 一种面向专病的问诊引导方法、系统及电子设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109545317B (zh) | 基于住院预测模型判定住院行为的方法及相关产品 | |
| WO2021139146A1 (zh) | 信息推荐方法、设备、计算机可读存储介质及装置 | |
| CN110910976A (zh) | 病历检测方法、装置、设备和存储介质 | |
| CN110880361A (zh) | 一种个性化精准用药推荐方法及装置 | |
| CN116386869B (zh) | 一种基于多变量的病情危重程度评估方法 | |
| CN112151141A (zh) | 医疗数据处理方法、装置、计算机设备和存储介质 | |
| CN112259245B (zh) | 待检查项确定方法、装置、设备及计算机可读存储介质 | |
| CN110299209B (zh) | 相似病历查找方法、装置、设备及可读存储介质 | |
| CN115101193A (zh) | 一种症状推荐方法、设备及计算机可读存储介质 | |
| CN109840280B (zh) | 一种文本分类方法、装置及计算机可读存储介质 | |
| CN113724858A (zh) | 基于人工智能的疾病检查项目推荐设备、方法及装置 | |
| CN114416967A (zh) | 智能推荐医生的方法、装置、设备及存储介质 | |
| CN113436746B (zh) | 基于排序算法的用药推荐方法、装置、设备及存储介质 | |
| CN108492886B (zh) | 微创手术相似病案推荐方法、装置、设备及介质 | |
| CN111785383A (zh) | 数据处理方法及相关设备 | |
| CN115346634A (zh) | 一种体检报告解读预测方法、系统、电子设备和存储介质 | |
| CN109509102B (zh) | 理赔决策方法、装置、计算机设备和存储介质 | |
| CN110752027B (zh) | 电子病历数据推送方法、装置、计算机设备和存储介质 | |
| CN114783580B (zh) | 一种医疗数据质量评估方法及系统 | |
| CN109584086B (zh) | 基于预测模型预测住院合理性的方法及相关产品 | |
| CN115512817A (zh) | 一种基于儿童远程医疗的医生推荐方法及装置 | |
| CN109300052B (zh) | 基于线上问诊的保险推荐方法、设备、服务器及可读介质 | |
| Viscaino et al. | Computer-aided ear diagnosis system based on CNN-LSTM hybrid learning framework for video otoscopy examination | |
| CN114240679A (zh) | 医疗理赔的风险评估方法、装置、设备和存储介质 | |
| CN113707304A (zh) | 分诊数据处理方法、装置、设备及存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |