医学知识图谱的构建方法、装置、辅助决策系统

申请号 CN202211210633.6 申请日 2022-09-30 公开(公告)号 CN117854737A 公开(公告)日 2024-04-09
申请人 北京百度网讯科技有限公司; 发明人 崔灿; 郑珊珊; 吕明;
摘要 本公开涉及大 数据处理 技术领域,尤其涉及知识图谱技术领域,具体涉及医学知识图谱的构建方法、装置、辅助决策系统。具体实现方案为:获取待识别文本数据;对待识别文本数据进行信息 抽取 ,识别出待识别文本数据中的至少两个实体以及至少两个实体之间的关系,得到待识别文本数据对应的三元组及条件;基于三元组及条件构建医学知识图谱。本公开通过对医学知识进行信息抽取得到带条件的三元组,基于带条件的三元组构建知识图谱,可以适用于更复杂的医学应用场景,可以应用于辅助决策系统中,针对患者的个体特征作出更符合个体的辅助决策建议。
权利要求

1.一种医学知识图谱的构建方法,包括:
获取待识别文本数据;
对所述待识别文本数据进行信息抽取,识别出所述待识别文本数据中的至少两个实体以及所述至少两个实体之间的关系,得到所述待识别文本数据对应的三元组及条件;
基于所述三元组及所述条件构建医学知识图谱。
2.根据权利要求1所述的方法,其中,所述对所述待识别文本数据进行信息抽取,识别出所述待识别文本数据中的至少两个实体以及所述至少两个实体之间的关系,得到所述待识别文本数据对应的三元组及条件包括:
确定所述三元组对应的第一实体;
基于确定的所述主语抽取所述三元组对应的第二实体、所述第一实体和所述第二实体之间的关系以及所述三元组对应的所述条件。
3.根据权利要求2所述的方法,其中,所述第一实体为所述三元组的主语,所述第二实体为所述三元组的谓语。
4.根据权利要求1所述的方法,其中,所述识别出所述待识别文本数据中的至少两个实体以及所述至少两个实体之间的关系,具体在于:识别所述至少两个实体和识别所述至少两个实体之间的关系是同时进行的。
5.根据权利要求1‑4中任意一项所述的方法,所述基于所述三元组及所述条件构建医学知识图谱之前,还包括:对所述三元组进行知识融合,所述知识融合包括对所述三元组中相同指代的所述实体进行同步,以及所述三元组中的宾语进行指代消解。
6.一种医学知识图谱的构建装置,包括:
数据接入模,被配置为获取待识别文本数据;
知识抽取模块,被配置为对所述待识别文本数据进行信息抽取,识别出所述待识别文本数据中的至少两个实体以及所述至少两个实体之间的关系,得到所述待识别文本数据对应的三元组及条件;
知识图谱生成模块,被配置为基于所述三元组及所述条件构建医学知识图谱。
7.根据权利要求6所述的构建装置,其中,所述知识抽取模块对所述待识别文本数据进行信息抽取,识别出所述待识别文本数据中的至少两个实体以及所述至少两个实体之间的关系,得到所述待识别文本数据对应的三元组及条件包括:
确定所述三元组对应的第一实体;
基于确定的所述主语抽取所述三元组对应的第二实体、所述第一实体和所述第二实体之间的关系以及所述三元组对应的所述条件。
8.根据权利要求7所述的构建装置,其中,所述第一实体为所述三元组的主语,所述第二实体为所述三元组的谓语。
9.根据权利要求6所述的构建装置,其中,所述知识抽取模块识别出所述待识别文本数据中的至少两个实体以及所述至少两个实体之间的关系,具体在于:识别所述至少两个实体和识别所述至少两个实体之间的关系是同时进行的。
10.根据权利要求6‑9中任意一项所述的构建装置,还包括:
知识融合模块,被配置为所述基于所述三元组及所述条件构建医学知识图谱之前,对所述三元组进行知识融合,所述知识融合包括对所述三元组中相同指代的所述实体进行同步,以及所述三元组中的宾语进行指代消解。
11.一种基于医学知识图谱的辅助决策系统,包括:
获取模块,被配置为获取患者的症状信息;
知识推理模块,被配置为基于权利要求1‑5中任意一项所述的方法构建的所述医学知识图谱进行知识推理得到所述症状信息对应的疾病列表及概率,并基于所述疾病列表及概率生成疾病候选结果;
特征抽取模块,被配置为基于所述症状信息抽取所述患者对应的个体特征,并查找所述医学知识图谱中对应所述个体特征的所述条件;
决策生成模块,被配置为基于所述疾病候选结果和所述个体特征对应的所述条件输出对应的辅助决策建议。
12.根据权利要求11所述的辅助决策系统,所述基于所述疾病列表及概率生成疾病候选结果之前,还包括:
知识问答模块,被配置为基于所述症状信息生成对应的问诊问题,并获取所述患者基于所述问诊问题的答复信息;
所述知识推理模块基于所述答复信息从所述疾病列表中筛选出所述患者对应的疾病作为所述疾病候选结果。
13.根据权利要求11或12所述的辅助决策系统,其中,所述症状信息包括以下至少一项:所述患者的病历信息;所述患者描述的症状;所述患者的检查报告。
14.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1‑5中任一项所述的方法。
15.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据权利要求1‑5中任一项所述的方法。
16.一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据权利要求1‑5中任一项所述的方法。

说明书全文

医学知识图谱的构建方法、装置、辅助决策系统

技术领域

[0001] 本公开涉及大数据处理技术领域,尤其涉及知识图谱技术领域,具体涉及医学知识图谱的构建方法、装置、辅助决策系统。

背景技术

[0002] 知识图谱(Knowledge Graph),又称为知识域可视化或知识领域映射地图,是显示知识发展进程与结构关系的一系列各种不同的图形,用可视化技术描述知识资源及其载体,挖掘、分析、构建、绘制和显示知识及它们之间的相互联系。医学知识的应用通常面临关系复杂性,在医学知识中,实体之间的关系经常错综复杂,需要通过实体识别和关系抽取模型,将非结构化病历数据转化为有关系的实体三元组。
[0003] 现有技术对医学知识的整理着重于简单的知识描述。以症状类实体为例,可能仅有“症状名”这一属性,而缺失了症状对于某一疾病而言的持续时间、发生条件等临床工作中重点关注的信息。此外,现有技术依赖领域专家,根据需要覆盖的知识领域和面向的实际任务进行知识分类从而构建知识图谱,即在给定schema(纲要)集合下,从自然语言文本中抽取出符合schema要求的SPO(Subject主语,Predict谓语,Object宾语)三元组知识。如先建立(疾病)‑表现为‑(症状)、(诱因)‑诱发‑(疾病)的本体层,再基于知识源采用半监督等方法进行知识抽取,抽取出疾病、症状、诱因等实体及其相关属性,形成实例层。而临床医疗业务场景的复杂性势必导致本体层、实例层的复杂,如果schema事先制定的不够充分,就很难覆盖临床实际场景需要的几千种疾病的推理需要,无法满足临床智能应用系统对应用级医学知识图谱的需求。发明内容
[0004] 本公开提供了一种用于构建医学知识图谱的方法、装置、设备、存储介质以及基于医学知识图谱的辅助决策系统。
[0005] 根据本公开的第一方面,提供了一种医学知识图谱的构建方法,包括:
[0006] 获取待识别文本数据;
[0007] 对所述待识别文本数据进行信息抽取,识别出所述待识别文本数据中的至少两个实体以及所述至少两个实体之间的关系,得到所述待识别文本数据对应的三元组及条件;
[0008] 基于所述三元组及所述条件构建医学知识图谱。
[0009] 根据本公开的第二方面,提供了一种医学知识图谱的构建装置,包括:
[0010] 数据接入模,被配置为获取待识别文本数据;
[0011] 知识抽取模块,被配置为对所述待识别文本数据进行信息抽取,识别出所述待识别文本数据中的至少两个实体以及所述至少两个实体之间的关系,得到所述待识别文本数据对应的三元组及条件;
[0012] 知识图谱生成模块,被配置为基于所述三元组及所述条件构建医学知识图谱。
[0013] 根据本公开的第三方面,提供了一种基于医学知识图谱的辅助决策系统,包括:
[0014] 获取模块,被配置为获取患者的症状信息;
[0015] 知识推理模块,被配置为基于权利要求1‑5中任意一项所述的方法构建的所述医学知识图谱进行知识推理得到所述症状信息对应的疾病列表及概率,并基于所述疾病列表及概率生成疾病候选结果;
[0016] 特征抽取模块,被配置为基于所述症状信息抽取所述患者对应的个体特征,并查找所述医学知识图谱中对应所述个体特征的所述条件;
[0017] 决策生成模块,被配置为基于所述疾病候选结果和所述个体特征对应的所述条件输出对应的辅助决策建议。
[0018] 根据本公开的第四方面,提供了一种电子设备,包括:至少一个处理器;以及与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行上述技术方案中任一项所述的方法。
[0019] 根据本公开的第五方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据上述技术方案中任一项所述的方法。
[0020] 根据本公开的第六方面,提供了一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据上述技术方案中任一项所述的方法。
[0021] 本公开提供一种医学知识图谱的构建方法、装置以及基于医学知识图谱的辅助决策系统,通过对医学知识进行信息抽取得到带条件的三元组,基于带条件的三元组构建知识图谱,可以适用于更复杂的医学应用场景,可以应用于辅助决策系统中,针对患者的个体特征作出更符合个体的辅助决策建议。
[0022] 应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。附图说明
[0023] 附图用于更好地理解本方案,不构成对本公开的限定。其中:
[0024] 图1是本公开实施例中的医学知识图谱构建方法的步骤示意图;
[0025] 图2是本公开实施例中的第一种医学知识图谱构建装置的原理框图
[0026] 图3是本公开实施例中的第二种医学知识图谱构建装置的原理框图;
[0027] 图4是本公开实施例中第一种基于医学知识图谱的辅助决策系统的原理框图;
[0028] 图5是本公开实施例中的辅助决策系统的应用界面图;
[0029] 图6是本公开实施例中的医学知识图谱应用于临床医疗的示例图;
[0030] 图7是本公开实施例中第二种基于医学知识图谱的辅助决策系统的原理框图;
[0031] 图8是本公开实施例中的示例电子设备的示意性框图。

具体实施方式

[0032] 以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
[0033] 通常构建知识图谱需要对接入的数据进行知识抽取。通过对接数据库或文档导入的方式,从不同结构和类型的数据中提取出计算机可理解和计算的结构化SPO(实体,属性,属性值)三元组关系数据,将数据源转换形成知识图谱数据。如青霉素(药品)是一个实体,溶血性感染类性疾病是一个实体,适应症是关系,表示溶血性链球菌感染性疾病的关系是溶血性链球菌感染性疾病是青霉素的适应症,青霉素‑适应症‑溶血性感染类性疾病是一个(实体‑关系‑实体)的三元组例子。目前,医疗信息化领域的信息抽取一般是基于封闭域,即在给定schema集合下,从自然语言文本中抽取出符合schema要求的SPO三元组。如果schema事先制定的不够充分,就很难覆盖临床实际场景需要的几千种疾病的推理需要,无法满足临床智能应用系统对应用级医学知识图谱的需求。
[0034] 针对上述技术问题,本公开提供了一种医学知识图谱的构建方法,如图1所示,包括:
[0035] 步骤S101,获取待识别文本数据。构建知识图谱的第一步是数据接入,现有的数据源大致可分为两类:一类是结构化的数据,这类数据包括以关系型数据库(Mysql,Oracle等)为介质的关系型数据,如以表格形式存储的疾病知识库、典型病例库、症状体征库、检验检查库、手术操作库、药物信息库、用药问答库、用药案例库、中药方剂库等结构化数据库。另一类是非结构化数据,如书籍、文献、指南等文档或表格数据。获取待识别文本数据的方式包括数据库导入、手动从磁盘导入、API(Application Program Interface,应用程序界面)接入等方式。
[0036] 步骤S102,对待识别文本数据进行信息抽取,识别出待识别文本数据中的至少两个实体以及至少两个实体之间的关系,得到待识别文本数据对应的三元组及条件。通过对获取的待识别文本数据中提取出计算机可理解和计算的结构化三元组,将待识别文本数据转换形成知识图谱数据。在本实施例中,知识抽取的三元组不是常规的SPO,而是SPOC(Subject主语,Predict谓语,Object宾语,Condition条件),相比常规的三元组,本公开另外抽取了待识别文本数据中的条件,构建更完善的医学知识图谱,以应用到复杂的医学决策系统中。例如,待识别文本数据为“为了避免发生脑细胞酸中毒和高钠血症,对症酸中毒不宜常规使用酸氢钠溶液,仅在血pH小于7.1,HCO3小于12mmol/L时,可按2mmol/kg给予1.4%碳酸氢钠溶液静滴,先用半量,当血pH大于或等于7.2时停用,避免酸中毒纠正过快加重脑肿”,可以利用模型抽取SPO三元组(碳酸氢钠溶液,治疗,酮症酸中毒),并抽取出文本中的条件(血pH,小于,7.1)和(HCO3,小于,12mmol/L)。这样,在后续运用医学知识图谱时,可以根据患者的个体特征给出更符合患者症状和体征的决策建议,例如,患者的血pH为7,HCO3为11mmol/L,可以将患者的个体特征与对应的条件进行匹配,得到“按2mmol/kg给予
1.4%碳酸氢钠溶液静滴,先用半量”的决策建议。
[0037] 步骤S103,基于三元组及条件构建医学知识图谱。即医学知识图谱包括SPO三元组(碳酸氢钠溶液,治疗,酮症酸中毒)及其条件(血pH,小于,7.1)、(HCO3,小于,12mmol/L)。
[0038] 通过上述技术方案,构建出的医学知识图谱可以适用于更复杂的医学决策场景,调用医学知识图谱,进行相关疾病的检查/手术/用药推荐,针对不同患者给出更个性化的决策建议。
[0039] 作为可选的实施方式,对待识别文本数据进行信息抽取,识别出待识别文本数据中的至少两个实体以及至少两个实体之间的关系,得到待识别文本数据对应的三元组及条件包括:确定三元组对应的第一实体;基于确定的主语抽取三元组对应的第二实体、第一实体和第二实体之间的关系以及三元组对应的条件。其中,第一实体为SPO三元组的主语,第二实体为三元组的谓语。本公开实施例引入带条件抽取的半开放域SPO抽取技术,在仅Subject(主语)给定的条件下,完成Predict(谓语)、Object(宾语)和Condition(条件)的抽取。例如,Subject是某种疾病的症状“下腹痛”,在抽取过程中,限定Subject为“下腹痛”,抽取与“下腹痛”相关的实体及实体关系。这种就是半开放域的抽取,仅限定Subject。如果采用全开放域的抽取方式,模型随机抽取实体,没有做任何的限定,可能抽取到的实体很多,但是准确度也会随之降低;而采用全封闭域的方式,抽取到的实体及实体关系有限,不能满足复杂的知识应用场景。本公开采集这种半开放域的方式抽取带条件的SPO三元组,既可以确保抽取实体的多样性,也可以保证其准确度。
[0040] 作为可选的实施方式,在识别出待识别文本数据中的至少两个实体以及至少两个实体之间的关系中,识别至少两个实体和识别至少两个实体之间的关系是同时进行的。现有技术中知识抽取通常会先进行实体识别任务,再将识别出的实体两两组合,预测实体间的关系,这种方案容易导致误差传导,而且效率比较低。因此本实施例中提出了一种同时标识实体类型和关系的标注策略,可以提升知识抽取的效率及准确度。
[0041] 作为可选的实施方式,构建方法还包括:基于三元组及条件构建医学知识图谱之前,对三元组进行知识融合,知识融合包括对三元组中相同指代的实体进行同步,以及三元组中的宾语进行指代消解,建立边关联,提高图谱连通度,指代消解可以识别一段文本中指代相同对象的部分。
[0042] 本公开还提供了一种医学知识图谱的构建装置,如图2所示,包括:
[0043] 数据接入模块201,被配置为获取待识别文本数据。构建知识图谱的第一步是数据接入,现有的数据源大致可分为两类:一类是结构化的数据,这类数据包括以关系型数据库(Mysql,Oracle等)为介质的关系型数据,如以表格形式存储的疾病知识库、典型病例库、症状体征库、检验检查库、手术操作库、药物信息库、用药问答库、用药案例库、中药方剂库等结构化数据库。另一类是非结构化数据,如书籍、文献、指南等文档或表格数据。获取待识别文本数据的方式包括数据库导入、手动从磁盘导入、API接入等方式。
[0044] 知识抽取模块202,被配置为对待识别文本数据进行信息抽取,识别出待识别文本数据中的至少两个实体以及至少两个实体之间的关系,得到待识别文本数据对应的三元组及条件。通过对获取的待识别文本数据中提取出计算机可理解和计算的结构化三元组,将待识别文本数据转换形成知识图谱数据。在本实施例中,知识抽取的三元组不是常规的SPO,而是SPOC(Subject主语,Predict谓语,Object宾语,Condition条件),相比常规的三元组,本公开另外抽取了待识别文本数据中的条件,构建更完善的医学知识图谱,以应用到复杂的医学决策系统中。例如,待识别文本数据为“为了避免发生脑细胞酸中毒和高钠血症,对酮症酸中毒不宜常规使用碳酸氢钠溶液,仅在血pH小于7.1,HCO3小于12mmol/L时,可按2mmol/kg给予1.4%碳酸氢钠溶液静滴,先用半量,当血pH大于或等于7.2时停用,避免酸中毒纠正过快加重脑水肿”,可以利用模型抽取SPO三元组(碳酸氢钠溶液,治疗,酮症酸中毒),并抽取出文本中的条件(血pH,小于,7.1)和(HCO3,小于,12mmol/L)。这样,在后续运用医学知识图谱时,可以根据患者的个体特征给出更符合患者症状和体征的决策建议,例如,患者的血pH为7,HCO3为11mmol/L,可以将患者的个体特征与对应的条件进行匹配,得到“按
2mmol/kg给予1.4%碳酸氢钠溶液静滴,先用半量”的决策建议。
[0045] 知识图谱生成模块203,被配置为基于三元组及条件构建医学知识图谱。即医学知识图谱包括SPO三元组(碳酸氢钠溶液,治疗,酮症酸中毒)及其条件(血pH,小于,7.1)、(HCO3,小于,12mmol/L)。
[0046] 作为可选的实施方式,知识抽取模块202对待识别文本数据进行信息抽取,识别出待识别文本数据中的至少两个实体以及至少两个实体之间的关系,得到待识别文本数据对应的三元组及条件包括:确定三元组对应的第一实体;基于确定的主语抽取三元组对应的第二实体、第一实体和第二实体之间的关系以及三元组对应的条件。其中,第一实体为SPO三元组的主语,第二实体为三元组的谓语。本公开实施例引入带条件抽取的半开放域SPO抽取技术,在仅Subject(主语)给定的条件下,完成Predict(谓语)、Object(宾语)和Condition(条件)的抽取。例如,Subject是某种疾病的症状“下腹痛”,在抽取过程中,限定Subject为“下腹痛”,抽取与“下腹痛”相关的实体及实体关系。这种就是半开放域的抽取,仅限定Subject。如果采用全开放域的抽取方式,模型随机抽取实体,没有做任何的限定,可能抽取到的实体很多,但是准确度也会随之降低;而采用全封闭域的方式,抽取到的实体及实体关系有限,不能满足复杂的知识应用场景。本公开采集这种半开放域的方式抽取带条件的SPO三元组,既可以确保抽取实体的多样性,也可以保证其准确度。
[0047] 作为可选的实施方式,知识抽取模块202在识别出待识别文本数据中的至少两个实体以及至少两个实体之间的关系中,识别至少两个实体和识别至少两个实体之间的关系是同时进行的。现有技术中知识抽取通常会先进行实体识别任务,再将识别出的实体两两组合,预测实体间的关系,这种方案容易导致误差传导,而且效率比较低。因此本实施例中提出了一种同时标识实体类型和关系的标注策略,可以提升知识抽取的效率及准确度。
[0048] 作为可选的实施方式,如图3所示,构建装置还包括:知识融合模块204,被配置为基于三元组及条件构建医学知识图谱之前,对三元组进行知识融合,知识融合包括对三元组中相同指代的实体进行同步,以及三元组中的宾语进行指代消解,建立边关联,提高图谱连通度,指代消解可以识别一段文本中指代相同对象的部分。
[0049] 本公开还提供了一种基于医学知识图谱的辅助决策系统,如图4所示,包括:
[0050] 获取模块401,被配置为获取患者的症状信息。如图5所示,症状信息可以是患者自诉的症状,也可以从病历中提取的症状、体征等信息,还可以是检查检验报告中提取的信息。
[0051] 知识推理模块402,被配置为基于上述实施例中任意一项所述的方法构建的医学知识图谱进行知识推理得到症状信息对应的疾病列表及概率,并基于疾病列表及概率生成疾病候选结果。如图5所示,在使用辅助决策系统之前,预先将构建的医学知识图谱导入辅助决策系统。医学知识图谱包括基于症状501(实体)抽取到的各种与症状501相关联的实体或实体关系,例如程度、部位、持续时间、加重因素等,以及症状501对应的疾病502,与疾病502相关的要素,例如性别、年龄、病史、检验指标、体征、检查所见等等。图5所示,系统在Step1中获取患者的症状信息(可以是通过病人主诉和/或病历结构化得到的)之后,可以从中提取要素,例如症状特征、身体特征、以及检查特征等,例如提取到患者的症状为“下腹痛”、“白带增多”,体征为“下腹部扪及包块”,检查报告为血常规的各项数据,在Step2的循证推荐中,系统可以根据这些提取的特征去医学知识图谱中查询与该症状相关的疾病,经过分析得到患者可能患有的疾病,例如患阴道炎的概率是0.35,盆腔炎的概率是0.5,子宫肌瘤的概率是0.65,子宫肿瘤的概率是0.25,在综合考虑各种要素之后,在Step3得出结论,得到疾病候选结果为(子宫肌瘤,0.65),(盆腔炎,0.25),(子宫肿瘤,0.05)。
[0052] 特征抽取模块403,被配置为基于症状信息抽取患者对应的个体特征,并查找医学知识图谱中对应个体特征的条件。在上述实施例中,医学知识图谱构建中加入了条件,例如,根据患者的症状给出用药建议,但是某些药物可能还需要考虑患者的体重,每个患者的体重是不同的,这就需要提取患者的体重作为个体特征,再去查询相应的条件。
[0053] 决策生成模块404,被配置为基于疾病候选结果和个体特征对应的条件输出对应的辅助决策建议。在确定了患者所患疾病后,例如确定患者的症状对应子宫肌瘤,根据子宫肌瘤这个疾病给出相关的用药建议,同时,还可以结合患者的体重给出用药的剂量或者周期等等,从而实现针对患者的身体状况给出个性化建议,提升决策的精确度。
[0054] 本公开的医学知识图谱由带条件的SPO三元组构成,即SPOC(Subject主语,Predict谓语,Object宾语,Condition条件),相比传统的三元组,多抽取了条件,可以在后续应用中给出更精细化的建议,带给用户更好的体验。SPOC知识抽取可以支持更复杂的临床医疗业务场景,如:注射用甲泼尼龙琥珀酸钠有多种适应症,一般是只给出用量区间提醒,应用基于带条件抽取的半开放域SPO抽取技术的医学知识图谱后可以实现结合病人的情况给出精细化的用量推荐。
[0055] 示例性地,如图6所示,如注射用甲泼尼龙琥珀酸钠600的适应症很多,推理得到病人所患疾病为类湿性关节炎601,则推荐用量为每日1g,静脉注射;如推理得到病人所患疾病为脊髓损伤602,损伤3小时每公斤体重30mg,损伤3‑8小时情况又不一样,基于病人损失时间这个条件可以进一步给出更精细化的建议;针对恶性肿瘤603化疗引起的恶心及呕吐,不同情况用量不同。
[0056] 由于每种疾病使用注射用甲泼尼龙琥珀酸钠的剂量不同,系统可以根据医学知识图谱中的条件来生成个性化的建议,基于条件可以判断在什么情况下使用什么药物,以及用药的剂量和方法。示例性地,针对类风湿性关节炎601输出的建议为:每日1g,静脉注射,用1、2、3或4天;每月1g,静脉注射,用6个月。因大剂量皮质类固醇能引起心律失常,因此,仅限在医院内使用本治疗方法,以便及时做心电图及除颤。每次应至少用30分钟给药,如果治疗后一周内病情无好转,或因病情需要,本治疗方案可重复。详情请遵医嘱。
[0057] 针对恶性肿瘤603化疗引起的恶心及呕吐建议方案,关于化疗引起的轻至中度呕吐:在化疗前1小时、化疗开始时及化疗结束后,以至少5分钟静脉注射本品250mg。详情请遵医嘱。关于化疗引起的重度呕吐:化疗前1小时,以至少5分钟静脉注射本品250mg,同时给予适量的甲氯普胺或丁酰苯类药物,随后在化疗开始时及结束时分别静脉注射本品250mg。详情请遵医嘱。
[0058] 针对急性脊髓损伤602:治疗应在损伤后8小时内开始。对于在损伤3小时内接受治疗的患者:初始剂量为每公斤体重30mg甲泼尼龙,在持续的医疗监护下,以15分钟静脉注射。大剂量注射后应暂停45分钟,随后以每小时5.4mg/kg的速度持续静脉滴注23小时。应选择与大剂量注射不同的注射部位安置输液。详情请遵医嘱。对于在损伤3‑8小时内接受治疗的患者:初始剂量为每公斤体重30mg甲泼尼龙,在持续的医疗监护下,以15分钟静脉注射。大剂量注射后应暂停45分钟,随后以每小时5.4mg/kg的速度持续静脉滴注47小时。详情请遵医嘱。仅此适应症能以此速度进行大剂量注射,并且应在心电监护并能提供除颤器的情况下进行。短时间内静脉注射大剂量甲泼尼龙(以不到10分钟的时间给予大于500mg的甲泼尼龙)可能引起心律失常,循环性虚脱及心脏停搏。详情请遵医嘱。
[0059] 针对其他适应症:初始剂量从10mg到500mg不等,依临床疾病而变化。详情请遵医嘱。大剂量甲泼尼龙可用于短期内控制某些急性重症疾病,如支气管哮喘、血清病、荨麻疹样输血反应及多发性硬化症急性恶化期,小于等于250mg的初始剂量应至少用5分钟静脉注射。
[0060] 通过上述技术方案,可以基于医学知识图谱中的条件进一步地分析得到病人所患疾病对应的用药剂量、用药方式,给出更精细化的用药建议,而不是仅仅给出患某种病需要用什么药物。
[0061] 作为可选的实施方式,基于疾病列表及概率生成疾病候选结果之前,如图7所示,还包括:
[0062] 知识问答模块405,被配置为基于症状信息生成对应的问诊问题。例如,当病人自诉症状为“下腹痛”、“白带增多”时,系统还不足以确定病人所患疾病,还可以基于“下腹痛”、“白带增多”的症状进一步向病人提问,例如询问病人“是否有异味”。知识问答模块405获取患者基于问诊问题的答复信息,例如获取患者的回答“是”;知识推理模块402基于答复信息从疾病列表中筛选出患者对应的疾病作为疾病候选结果。
[0063] 本公开的技术方案中,所涉及的用户个人信息的获取,存储和应用等,均符合相关法律法规的规定,且不违背公序良俗。
[0064] 根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
[0065] 图8示出了可以用来实施本公开的实施例的示例电子设备800的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台个人数字助理服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
[0066] 如图8所示,设备800包括计算单元801,其可以根据存储在只读存储器(ROM)802中的计算机程序或者从存储单元808加载到随机访问存储器(RAM)803中的计算机程序,来执行各种适当的动作和处理。在RAM 803中,还可存储设备800操作所需的各种程序和数据。计算单元801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。
[0067] 设备800中的多个部件连接至I/O接口805,包括:输入单元806,例如键盘鼠标等;输出单元807,例如各种类型的显示器、扬声器等;存储单元808,例如磁盘、光盘等;以及通信单元809,例如网卡、调制解调器、无线通信收发机等。通信单元809允许设备800通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
[0068] 计算单元801可以是各种具有处理和计算能的通用和/或专用处理组件。计算单元801的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器微控制器等。计算单元801执行上文所描述的各个方法和处理,例如方法医学知识图谱的构建方法。例如,在一些实施例中,方法医学知识图谱的构建方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元808。在一些实施例中,计算机程序的部分或者全部可以经由ROM 802和/或通信单元809而被载入和/或安装到设备800上。当计算机程序加载到RAM 803并由计算单元801执行时,可以执行上文描述的方法医学知识图谱的构建方法的一个或多个步骤。备选地,在其他实施例中,计算单元801可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行方法医学知识图谱的构建方法。
[0069] 本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、现场可编程阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
[0070] 用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
[0071] 在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD‑ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
[0072] 为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
[0073] 可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
[0074] 计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端‑服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是服务器,也可以为分布式系统的服务器,或者是结合了区块链的服务器。
[0075] 应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
[0076] 上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
QQ群二维码
意见反馈