基于朴素贝叶斯网络的病症与药物的匹配方法组成比例

本发明专利技术公开了一种基于朴素贝叶斯网络的病症与药物的匹配方法，以病症症状(x1，x2，

Matching method of disease and drug based on Naive Bayesian network

【技术实现步骤摘要】
基于朴素贝叶斯网络的病症与药物的匹配方法

：
[0001]本专利技术涉及生物医药
，尤其涉及一种基于朴素贝叶斯网络的病症与药物的匹配方法。

技术介绍
：
[0002]在传统的中蒙医治疗过程中，医生需要根据自身所学为患者开具药方，但是，由于病症以及药材药效的复杂化和多样化，在对药物进行配伍开具药方时，对于医生的经验依赖程度较高，存在药物使用不合理的情况，这将直接影响患者的治疗效果，甚至会影响患者的健康。
[0003]目前，研究配方中药物与其治疗的病症关系的方法有很多，多数使用的是拆方分析法，如药对研究法、单味药研究法等。此类方法显然只能在控制其他药物不变的情况下，改变一味药物或两味药物，探究配方中的药物与病症之间的关系，对配方中治疗的病症进行一味或二味药物的研究，显然并不能精确地从整体角度上对配方中各治疗的病症和各味药物之间的非线性映射关系进行综合性研究，无法为医生开具药方提供参考依据，无法高效、有效的降低不合理用药的情况以及对于医生经验的依赖程度。

技术实现思路
：
[0004]本专利技术的目的在于提供一种基于朴素贝叶斯网络的病症与药物的匹配方法，可为确定治疗方案提供参考依据，为医生推荐合理、有效、高效的药物，降低不合理用药的情况，降低对于医生经验的依赖程度，提高医生的工作效率。
[0005]本专利技术由如下技术方案实施：
[0006]基于朴素贝叶斯网络的病症与药物的匹配方法，包括以下步骤：
[0007]S1、收集若干传统的配方，将配方对应的病症症状X与所使用的药物Y相对应，形成配方样本集Z；
[0008]S2、将所述S1中建立的配方样本集Z中的部分配方作为训练配方集，并将所述训练配方集进行二值化处理后得到训练集，利用训练集对朴素贝叶斯网络模型进行训练，计算出训练集中病症症状的概率P(x
i
)、药物的概率P(y
j
)以及病症症状与药物之间的条件概率P(x
i
＝t|y
j
＝l)，t＝0，1表示病症症状x
i
不存在和存在两种情况，l＝0，1表示药物y
j
未使用和使用两种情况；
[0009]S3、将待开药病例的病症症状X
’
作为输入参数，根据所述S2中计算得到的病症症状的概率P(x
i
)、药物的概率P(y
j
)以及病症症状与药物之间的条件概率P(x
i
＝t|y
j
＝l)，计算出各味药物使用的后验概率P(y
j
＝1|X)和各味药物未使用的后验概率P(y
j
＝0|X)，其中，X＝(x1，x2，
…
，x
i
，
…
，x
I
)表示患者的各个病症症状，x
i
(i＝1，2，
…
，I)的取值为1或0；
[0010]S4、比较P(y
j
＝1|X)和P(y
j
＝0|X)的大小，若P(y
j
＝1|X)≥P(y
j
＝0|X)，则判断该味药物是与所述病例的病症症状X
’
相匹配的药物，将所有与所述病例的病症症状X
’
相匹配的药物进行配伍即得出匹配的药物结果Y＝(y1，y2，...，y
J
)。
[0011]优选的，所述S1中，
[0012]配方样本集Z＝{(X1，Y1)，(X2，Y2)，
…
，(X
n
，Y
n
)，
…
，(X
N
，Y
N
)}，
[0013]其中，N为配方样本集中的配方总数量；
[0014]第n首配方中对应的病症特征记作向量中的是第n首配方中对应的第i种病症症状；
[0015]第n首配方中的药物配伍记作向量中的是第n首配方中第j味药物。
[0016]优选的，所述S2包括以下步骤：对训练配方集进行二值化处理的方法为，在一首配方中，若病症症状x
i
存在，则对该病症症状x
i
赋值1；若病症症状x
i
不存在，则对该病症症状x
i
赋值0；同理，若开具的药方中有药物y
j
，则对该药物y
j
赋值1；若开具的药方中没有药物y
j
，则对该药物y
j
赋值0。
[0017]优选的，所述S2包括以下步骤：
[0018](1)计算训练集中病症症状的概率P(x
i
)和药物的概率P(y
j
)，具体的，
[0019][0020]在式(1)中，表示在训练集中病症症状x
i
＝t的累加频数，t＝0，1表示病症症状x
i
不存在和存在的两种情况，即t＝0表示第n首配方中病症症状x
i
不存在，t＝1表示第n首配方中病症症状x
i
存在，N为配方样本集中的配方总数量；
[0021][0022]在式(2)中，表示在训练集中药物y
j
＝l的累加频数；l＝0，1表示药物y
j
不使用和使用的两种情况，即l＝0表示第n首配方中药物y
j
未使用，l＝1表示第n首配方中药物y
j
被使用，N为配方样本集中的配方总数量；
[0023](2)计算训练集中病症症状x
i
＝t且药物y
j
＝l时的概率P(x
i
＝t，y
j
＝l)，
[0024][0025]在式(3)中，表示在训练集中病症症状x
i
＝t且药物y
j
＝l时的配方累加频数；
[0026](3)计算病症症状与药物之间的条件概率P(x
i
＝t|y
j
＝l)，
[0027][0028]将式(2)和式(3)代入式(4)中即可求出条件概率。
[0029]优选的，所述S3中：各味药物使用和未使用的后验概率P(y
j
＝l|X)的计算方法如下：
[0030][0031]在式(5)中，X＝(x1，x2，
…
，x
i
，
…
，x
I
)表示患者的各个病症症状，x
i
(i＝1，2，
…
，I)的取值为1或0；l＝0，1表示药物y
j
的未使用和使用两种情况，即P(y
j
＝0|X)表示药物y
j
未使用的后验概率，即P(y
j
＝1|X)表示药物y
j
使用的后验概率。
[0032]本专利技术的优本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于朴素贝叶斯网络的病症与药物的匹配方法，其特征在于，包括以下步骤：S1、收集若干传统的配方，将配方对应的病症症状X与所使用的药物Y相对应，形成配方样本集Z；S2、将所述S1中建立的配方样本集Z中的部分配方作为训练配方集，并将所述训练配方集进行二值化处理后得到训练集，利用训练集对朴素贝叶斯网络模型进行训练，计算出训练集中病症症状的概率P(x
i
)、药物的概率P(y
j
)以及病症症状与药物之间的条件概率P(x
i
＝t|y
j
＝l)，t＝0,1表示病症症状x
i
不存在和存在两种情况，l＝0,1表示药物y
j
未使用和使用两种情况；S3、将待开药病例的病症症状X
’
作为输入参数，根据所述S2中计算得到的病症症状的概率P(x
i
)、药物的概率P(y
j
)以及病症症状与药物之间的条件概率P(x
i
＝t|y
j
＝l)，计算出各味药物使用的后验概率P(y
j
＝1|X)和各味药物未使用的后验概率P(y
j
＝0|X)，其中，X＝(x1,x2,
…
,x
i
,
…
,x
I
)表示患者的各个病症症状，x
i
(i＝1,2,
…
,I)的取值为1或0；S4、比较P(y
j
＝1|X)和P(y
j
＝0|X)的大小，若P(y
j
＝1|X)≥P(y
j
＝0|X)，则判断该味药物是与所述病例的病症症状X
’
相匹配的药物，将所有与所述病例的病症症状X
’
相匹配的药物进行配伍即得出匹配的药物结果Y＝(y1,y2,
…
,y
J
)。2.根据权利要求1所述的基于朴素贝叶斯网络的病症与药物的匹配方法，其特征在于，所述S1中，配方样本集Z＝{(X1,Y1),(X2,Y2),
…
,(X
n
,Y
n
),
…
,(X
N
,Y
N
)}，其中，N为配方样本集中的配方总数量；第n首配方中对应的病症特征记作向量中的是第n首配方中对应的第i种病症症状；第n首配方中的药物配伍记作向量中的是第n首配方中第j味药物。3.根据权利要求2所述的基于朴素贝叶斯网络的病症与药物的匹配方法，其特征在于，所述S2包括以下步骤：对训练配方集进行二值化处理的方法为，在一首配方中，若病症症状x<...

【专利技术属性】
技术研发人员：李海滨，杨金凤，包散丹，
申请(专利权)人：内蒙古工业大学，
类型：发明
国别省市：