一种基于知识图谱的人工智能慢病管理办法制造技术

本发明专利技术属于慢性病管理技术领域，具体涉及一种基于知识图谱的人工智能慢病管理办法，具体包括以下步骤：采集现有的慢性病知识和文献，生成知识图谱原型文件；对慢性病患者的病例进行分类和整理；对知识图谱原型文件进行深度训练，生成具有深度学习和迭代功能的知识图谱文件；患者登陆问答系统输入个人信息后获取该患者的病例信息，并根据知识图谱生成问答模板，患者手动填写问答模板后上传，问答系统对上传的问答结果进行分析，输出对应的治疗方案。克服了现有技术的不足，构建可深度学习与迭代的知识图谱，配合问答系统满足患者的咨询需求，根据患者的情况给出治疗意见，为慢病患者提供访问便利、治疗精准、成本低廉的医疗服务。务。务。

【技术实现步骤摘要】
一种基于知识图谱的人工智能慢病管理办法


[0001]本专利技术属于慢性病管理
，具体涉及一种基于知识图谱的人工智能慢病管理办法。

技术介绍

[0002]随着我国社会经济快速发展，人口谱、疾病谱已经发生重大变化，慢性病已成为居民健康的头号杀手，传统的医疗服务体系缺少慢病预防和管理环节。据统计慢病重病等引起的疾病负担占到整个疾病负担的70％，医学治疗对健康的影响有限，根据世界卫生组织的研究，影响健康的四大基本因素中，个人行为和生活习惯为最大的影响因素，占比60％，遗传因素占比15％，环境和社会因素占比17％，医疗因素占比8％；对慢性疾病的管控应该注重过程性的主动管理。
[0003]目前人工智能医疗产业仍处于发展早期，在慢病防控方面，美国在药物研发、医疗机器人、医学影像、辅助诊断等方面具备了先发优势，英国、德国、加拿大、日本等国紧随其后。同时国际上也提出了慢病数字疗法的概念，通过数字化手段将现有的医学原理、医学指南或者标准治疗方案转化成以应用软件为驱动的干预措施、通过高质量、安全、有效的数据驱动干预措施，为患者、临床医生和医保机构提供智能的和可及的慢病防控工具。我国人工智能医疗技术尚处于从感知智能向认知智能过渡的发展阶段。目前智慧医疗建设的关键问题是医疗机构缺乏对数字化资源的深度利用，大量电子病案、临床信息仅停留在存储和管理阶段，慢病管理的智能化程度不高。如何使用大数据和人工智能技术对临床诊疗数据进行聚合与挖掘，为慢病患者提供访问便利、治疗精准、成本低廉的医疗服务，将是我国人工智能医疗技术下一阶段重点发展的领域，前景良好。

技术实现思路

[0004]本专利技术的目的在于提供一种基于知识图谱的人工智能慢病管理办法，克服了现有技术的不足，构建可深度学习与迭代的知识图谱，配合问答系统满足患者的咨询需求，根据患者的情况给出治疗意见，为慢病患者提供访问便利、治疗精准、成本低廉的医疗服务。
[0005]为解决上述问题，本专利技术所采取的技术方案如下：
[0006]一种基于知识图谱的人工智能慢病管理办法，具体包括以下步骤：
[0007]步骤一、构建慢性病知识图谱：基于已有的知识图谱，采集慢性病相关的知识文献，采用基于医学规则和双向长短期记忆网络、多头注意力机制构建实体、属性及关系，生成知识图谱原型文件；
[0008]步骤二、采集患者信息：对所有医院内就医的慢性病患者进行统计，提取慢性病患者的病例信息，对提取的病例信息进行分类和整理；
[0009]步骤三、知识图谱的深度学习与迭代：将采集处理后的患者病例信息补充至知识图谱原型文件，依据循证医学的原则，通过机器深度学习，采用基于BERT的预训练模型增强医学实体及属性识别模型的泛化能力，并使用BiLSTM模型实现实体关系的联合抽取，生成
具有深度学习和迭代功能的知识图谱文件；
[0010]步骤四、决策反馈：患者登陆问答系统输入个人信息后获取该患者的病例信息，并根据知识图谱生成问答模板，患者手动填写问答模板后上传，问答系统对上传的问答结果进行分析，输出对应的治疗方案。
[0011]进一步，步骤一中所述构建实体、属性及关系的具体步骤包括：
[0012]S1、获取相关知识信息，并对信息进行特征提取，得到各基础元素的第一特征向量；
[0013]S2、采用多头注意力机制将进行线性变换后的第一特征向量映射到多个语义空间；
[0014]S3、将第一特征向量在各所述语义空间的映射结果与该第一特征向量进行拼接，得到第二特征向量；
[0015]S4、采用双向长短期记忆网络对第二特征向量进行编码，得到第三特征向量，采用单向长短期记忆网络对第三特征向量进行解码，得到第二特征向量对应的基本元素的标签概率向量；
[0016]S5、将标签概率向量中，数值大于预设阈值的向量数值所对应的实体关系标签，作为标签概率向量对应的基本元素的实体关系标签；
[0017]S6、所述实体关系标签包括实体类型和关系类型，根据实体关系标签对应建立实体、属性及关系。
[0018]进一步，步骤二中所述慢性病患者的病例信息包括患者的个人信息、就医后的检查结果以及治疗记录。
[0019]进一步，所述对提取的病例信息进行分类和整理，具体步骤包括：
[0020]S1、通过正则表达式对数据的格式包括标点符号，中英文格式等进行处理；
[0021]S2、对清洗后的数据进行数据格式化，再保存为{实体名:值}的键值对形式；
[0022]S3、对数据的属性值进行分析，将含义相同但表述不同的属性值进行统一，以患者信息为中心每条数据包含了疾病、检查、治疗方法、饮食以及用药等数据，将处理好的数据保存为csv文件；
[0023]S4、对处理好的数据进行分析，确定该数据与慢性病之间的关系，划分实体与属性类型，以此对获取的数据进行分类。
[0024]进一步，所述问答系统通过命名实体识别模型和意图识别模型，对问答结果进行分析识别出其中的实体，并根据意图识别的分类结果，使用与该分类对应的Cryper语句结合识别出的实体，从知识图谱中查询对应结果，将返回结果返回给患者。
[0025]进一步，所述命名实体识别模型包括预训练层、拼接层以及预测层，所述预训练层用于将句子中的每个单词都转化为向量，获取包含了上下文全局的信息特征；所述拼接层用于捕捉文本上下文之间的关系，综合考虑句前和句后的对向量的影响，最后将两条方向得到的向量一一对应进行拼接，得到包含前后文意义向量；所述预测层用于在考虑全文信息的基础上考虑到标签之间存在的依赖关系，选出最优标记序列。
[0026]进一步，所述意图识别模型用于对患者上传的信息进行分类，获取信息的类别，便于进行检索、匹配。
[0027]本专利技术与现有技术相比较，具有以下有益效果：
[0028]1、本专利技术通过构建完善的慢性病知识图谱，配合问答系统给出的问答模板，获取患者的现状，并根据其现状给出合理的治疗意见，为慢病患者提供访问便利、治疗精准、成本低廉的医疗服务。
[0029]2、本专利技术通过实时采集患者的病历信息补充至知识图谱中，并利用机器深度学习对知识图谱进行训练，生成具有深度学习和迭代功能的知识图谱，其具备自主学习和迭代的能力，提高精确性。
附图说明
[0030]图1为一种基于知识图谱的人工智能慢病管理办法的流程示意图。
具体实施方式
[0031]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，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，都属于本专利技术保护的范围。
[0032]如图1所示，本专利技术所述一种基于知识图谱的人工智能慢病管理办法，具体包括以下步骤：
[0033]步骤一、构建慢性病知识图谱：基于已有的知识图谱，采集慢性病相关的知识文献，采用基于医学规则和双向长短期记忆网络、多头注意力机本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于知识图谱的人工智能慢病管理办法，其特征在于：具体包括以下步骤：步骤一、构建慢性病知识图谱：基于已有的知识图谱，采集慢性病相关的知识文献，采用基于医学规则和双向长短期记忆网络、多头注意力机制构建实体、属性及关系，生成知识图谱原型文件；步骤二、采集患者信息：对所有医院内就医的慢性病患者进行统计，提取慢性病患者的病例信息，对提取的病例信息进行分类和整理；步骤三、知识图谱的深度学习与迭代：将采集处理后的患者病例信息补充至知识图谱原型文件，依据循证医学的原则，通过机器深度学习，采用基于BERT的预训练模型增强医学实体及属性识别模型的泛化能力，并使用BiLSTM模型实现实体关系的联合抽取，生成具有深度学习和迭代功能的知识图谱文件；步骤四、决策反馈：患者登陆问答系统输入个人信息后获取该患者的病例信息，并根据知识图谱生成问答模板，患者手动填写问答模板后上传，问答系统对上传的问答结果进行分析，输出对应的治疗方案。2.根据权利要求1所述的一种基于知识图谱的人工智能慢病管理办法，其特征在于：步骤一中所述构建实体、属性及关系的具体步骤包括：S1、获取相关知识信息，并对信息进行特征提取，得到各基础元素的第一特征向量；S2、采用多头注意力机制将进行线性变换后的第一特征向量映射到多个语义空间；S3、将第一特征向量在各所述语义空间的映射结果与该第一特征向量进行拼接，得到第二特征向量；S4、采用双向长短期记忆网络对第二特征向量进行编码，得到第三特征向量，采用单向长短期记忆网络对第三特征向量进行解码，得到第二特征向量对应的基本元素的标签概率向量；S5、将标签概率向量中，数值大于预设阈值的向量数值所对应的实体关系标签，作为标签概率向量对应的基本元素的实体关系标签；S6、所述实体关系标签包括实体类型和关系类型，根据实体关系标签对应建立实体、属性及关系。3.根据权利要求1所述的一种...

【专利技术属性】
技术研发人员：高飞，董津，林辉，曹兴兵，刘琛，赵峰，
申请(专利权)人：纳里健康科技有限公司，
类型：发明
国别省市：