【技術實現步驟摘要】
本專利技術涉及數字醫療，尤指一種基于人工智能的醫療輔助診斷系統。
技術介紹
1、在當今環境趨勢中，季節性流行病的頻繁發生對醫療系統構成了嚴重的挑戰。每當流感季節或其他新型季節性流行病如發生爆發時，醫療服務的需求急劇增加，常常超出現有醫療服務的承載能力。這種現象不僅占用了大量的醫療資源，而且還極大地增加了醫務人員的工作壓力，從而可能影響到疾病診斷和治療的質量。特別是在流行病高峰期，病例數量的激增會導致醫生在診斷時依賴一些常見的流行病特征，如發熱、咳嗽等癥狀，從而可能忽視或誤解那些表現出類似癥狀但實際上由不同原因引起的病例。這種情況下，即使是經驗豐富的醫生也可能由于工作量的繁瑣面臨將非流行病情況誤診為流行病的風險，尤其是在臨床表現相似的情況下。此外，季節性流行病的重復性負擔還可能導致資源分配不均，使得那些需要關注的非流行病癥狀和疾病得不到足夠的醫療關注和處理。這不僅減少了病人的治療機會，還可能增加誤診和漏診的風險。
2、因此，需要提出一種基于人工智能的醫療輔助診斷系統通過高效整合和分析大量患者數據，能夠區分季節性流行病與其他疾病的病情，特別是在高峰期內提供針對性的診斷支持。
技術實現思路
1、為解決上述問題，本專利技術提供一種基于人工智能的醫療輔助診斷系統。
2、為實現上述目的，本專利技術采用的技術方案是：
3、一種基于人工智能的醫療輔助診斷系統，包括：數字病歷管理模塊、流行病篩查模塊、歸分預處理模塊和人工智能診斷模塊，所述數字病歷管理模塊分別與所述
4、所述數字病歷管理模塊用于通過收集并存儲數字化的患者個人數據，所述患者個人數據包括個人基本信息、掛號數據、癥狀、檢驗報告和確診報告，所述個人基本信息包括患者id、年齡信息和性別信息；
5、所述流行病篩查模塊用于基于數字病歷管理模塊歷史與實時存儲的患者個人數據進行分類并進行時間序列分析生成實時流行病模型，基于實時流行病模型根據癥狀和檢驗報告生成流行病判斷分值；
6、所述歸分預處理模塊用于根據患者的掛號科類和患者個人數據確定患者的當前就診類型，所述就診類型包括復診和初診，根據就診類型對個人數據中患者的歷史檢驗報告和確診報告進行歸分預處理，并生成針對當前就診類型的輸入數據；
7、所述人工智能診斷模塊用于以當前就診類型的輸入數據和患者個人數據作為神經網絡模型的輸入，輸出各疾病病情階段的判斷分值，基于各疾病種類的判斷分值與流行病判斷分值進行判斷輸出醫療輔助診斷結果。
8、進一步地，所述實時流行病模型通過以下步驟進行構建：
9、從患者個人數據中獲取癥狀、和確診報告并進行關聯生成第一樣本數據，根據確診報告的疾病類型對若干數量的第一樣本數據進行分類，得到若干個疾病第一集合；
10、基于發生時間對疾病第一集合的疾病發生數量進行時序分析，得到流行病發生周期；
11、基于同一第一集合中的檢驗報告的癥狀和檢驗報告進行特征提取，生成基于流行病特征的流行病判斷式；
12、以流行病發生周期和流行病判斷式作為匹配標準生成實時流行病模型。
13、進一步地，所述基于同一第一集合中的檢驗報告的癥狀和檢驗報告進行特征提取包括以下步驟：
14、在第一集合內，按照癥狀名稱進行癥狀數量統計，基于癥狀統計結果按比例生成該第一集合的癥狀配重系數，所述癥狀配重系數用于構建當前輸入癥狀在對應的第一集合中的癥狀分表達式；
15、在第一集合內，基于檢驗報告中的異常項進行數量統計，基于異常項統計結果按比例生成該第一集合的異常項配重系數，所述異常項配重系數用于構建當前檢驗報告在對應的第一集合中的檢驗分表達式；
16、對癥狀分表達式和檢驗分表達式進行再加權構建流行病判斷式，所述流行病判斷式用于輸出流行病判斷分值。
17、進一步地，所述根據患者的掛號科類和患者個人數據確定患者的當前就診類型包括通過掛號科類與患者個人信息中的掛號信息進行遍歷比對，根據比對結果確定就診類型。
18、進一步地，所述根據就診類型對個人數據中患者的歷史檢驗報告和確診報告進行歸分預處理包括：
19、獲取患者的歷史的檢驗報告和確診報告,根據就診類型和歷史的確診報告進行比對，對歷史的檢驗報告進行歸分預處理，所述歸分預處理包括復診處理和初診處理；
20、所述復診處理包括將歷史檢驗報告的異常分值與本次檢驗報告的異常分值進行比對得到復診異常分值差，所述異常分值通過基于該疾病的相關指標進行數值標準化并相加生成；
21、所述初診處理包括獲取最近范圍內檢驗報告的中異常項的平均異常值填充異常項目生成參考報告，基于本次檢驗報告與參考報告進行比對提取初診異常項。
22、進一步地，所述生成針對當前就診類型的輸入數據包括：
23、若當前就診類型為復診，則輸入數據包括就診類型和復診異常分值差；
24、若當前就診類型為初診，則輸入數據包括就診類型和初診異常項及項值。
25、進一步地，所述人工智能診斷模塊用于執行以下步驟：
26、通過以患者個人數據以及歸分預處理模塊的輸入數據作為神經網絡的輸入，以各疾病病情階段的判斷分值作為神經網絡的輸出，訓練神經網絡模型；
27、基于訓練完成的神經網絡模型輸出各疾病病情階段的判斷分值。
28、進一步地，所述輔助診斷結果包括流行病種類和非流行病種類及階段。
29、進一步地，所述判斷輸出醫療輔助診斷結果包括：
30、若各疾病種類的判斷分值的降序排列中的前兩個的判斷分值中包含流行病種類且差值小于預設判斷閾值，則對該流行病對應的流行病判斷分值進行歸一化生成該流行病概率，根據該流行病概率輸出疾病種類及階段；
31、若各疾病種類的判斷分值的降序排列中的前兩個的判斷分值中不包含流行病種類且差值小于預設判斷閾值，則同時輸出兩個疾病種類及階段；
32、若各疾病種類的判斷分值的降序排列中的前兩個的判斷分值中分值大于或等于預設判斷閾值，則只輸出最高分值的疾病種類及階段。
33、本專利技術的有益效果在于：本專利技術通過流行病篩查模塊，系統自動從數字病歷管理模塊收集的數據中提取關鍵信息（如癥狀、檢驗報告）來構建和更新實時流行病模型。這個模型通過時間序列分析確定疾病的周期發生，并結合癥狀與檢驗報告的詳細分析來生成流行病判斷分值。針對不同就診類型的患者（初診或復診），歸分預處理模塊能夠智能地處理和準備輸入數據。對于復診患者，系統會比較歷史與當前的檢驗報告，計算出異常分值差，從而追蹤病情變化。對于初診患者，系統則從最近的檢驗報告中提取異常項的平均值，為診斷提供參考。這種歸分預處理有效地減少了人工識別和數據整理的時間，提高了診斷的精準度和效率。利用通過前述模塊處理好的數據，人工智能診斷模塊將這些數據作為神經網絡的輸本文檔來自技高網...
【技術保護點】
1.一種基于人工智能的醫療輔助診斷系統，其特征在于，包括：數字病歷管理模塊、流行病篩查模塊、歸分預處理模塊和人工智能診斷模塊，所述數字病歷管理模塊分別與所述流行病篩查模塊和所述歸分預處理模塊連接，所述流行病篩查模塊和所述歸分預處理模塊分別與人工智能診斷模塊連接；
2.根據權利要求1所述的一種基于人工智能的醫療輔助診斷系統，其特征在于，所述實時流行病模型通過以下步驟進行構建：
3.根據權利要求2所述的一種基于人工智能的醫療輔助診斷系統，其特征在于，所述基于同一第一集合中的檢驗報告的癥狀和檢驗報告進行特征提取包括以下步驟：
4.根據權利要求1所述的一種基于人工智能的醫療輔助診斷系統，其特征在于，所述根據患者的掛號科類和患者個人數據確定患者的當前就診類型包括通過掛號科類與患者個人信息中的掛號信息進行遍歷比對，根據比對結果確定就診類型。
5.根據權利要求1所述的一種基于人工智能的醫療輔助診斷系統，其特征在于，所述根據就診類型對個人數據中患者的歷史檢驗報告和確診報告進行歸分預處理包括：
6.根據權利要求5所述的一種基于人工智能的醫
7.根據權利要求5所述的一種基于人工智能的醫療輔助診斷系統，其特征在于，所述人工智能診斷模塊用于執行以下步驟：
8.根據權利要求1所述的一種基于人工智能的醫療輔助診斷系統，其特征在于，所述輔助診斷結果包括流行病種類和非流行病種類及階段。
9.根據權利要求8所述的一種基于人工智能的醫療輔助診斷系統，其特征在于，所述判斷輸出醫療輔助診斷結果包括：
...【技術特征摘要】
1.一種基于人工智能的醫療輔助診斷系統，其特征在于，包括：數字病歷管理模塊、流行病篩查模塊、歸分預處理模塊和人工智能診斷模塊，所述數字病歷管理模塊分別與所述流行病篩查模塊和所述歸分預處理模塊連接，所述流行病篩查模塊和所述歸分預處理模塊分別與人工智能診斷模塊連接；
2.根據權利要求1所述的一種基于人工智能的醫療輔助診斷系統，其特征在于，所述實時流行病模型通過以下步驟進行構建：
3.根據權利要求2所述的一種基于人工智能的醫療輔助診斷系統，其特征在于，所述基于同一第一集合中的檢驗報告的癥狀和檢驗報告進行特征提取包括以下步驟：
4.根據權利要求1所述的一種基于人工智能的醫療輔助診斷系統，其特征在于，所述根據患者的掛號科類和患者個人數據確定患者的當前就診類型包括通過掛號科類與患者個人信息...
【專利技術屬性】
技術研發人員：裴永剛，張攀軍，馬智濱，彭加南，莫蝦，
申請(專利權)人：中通服建設有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。