一种基于专家经验的临床辅助决策模型构建方法与流程

1.本发明属于临床医学技术领域，具体地说，涉及一种基于专家经验的临床辅助决策模型构建方法。


背景技术：

2.随着国家人工智能和医疗相关政策如《新一代人工智能发展规划》、《电子病历应用等级评价管理办法及评价标准》的推行，临床辅助决策支持(cdss)产品组建成为医疗信息化建设的重要的组成部分，为提升医院的诊疗水平和诊疗效率有重要的意义。
3.临床辅助决策支持的相关技术和产品的研发在不断发展，目前主流的cdss的产品还是以知识库或知识图谱的形式为架构基础，有些产品结合了真实世界的病例数据。但是在实际诊疗场景中，资深医疗领域的专家经验对于cdss的模型构建和能力驱动有重要的现实意义，也符合真实的临床场景。因此运用资深医疗领域的专家经验融合到cdss的技术实现架构中，对于提高临床辅助决策的能力有重要作用，并且能取得更好的效果。
4.目前大多数cdss的技术方案思路分为基于知识库和非基于知识库两种，其中知识库驱动的cdss技术思路还是多以诊疗指南、规范和文献等内容进行构建，部分产品融合了病例数据，国内产品如朗通医疗-智能辅助临床诊疗决策系统，其中医学知识库的部分以文献为主，同时加入的病例数据的知识。国内百度的灵医智惠cdss专家经验自学习模块根据需求学习科室总结的经典诊疗方案，满足不同科室、不同医生的个性化需求。国外相关产品有融合了专家经验的内容，如欧盟基金会支持的乳腺癌cdss工程项目-desiree,但是以自研的模型为主来进行专家经验的知识转化，并且是从病例数据中进行知识挖掘。目前国内外cdss系统的研发主要还是以文献知识库和数据的知识挖掘为主，大多数cdss系统没有明确加入资深领域专家的知识经验，包括专家的经验总结形成的文本资料，已有专家的经典病例数据。包含专家经验驱动的cdss系统研发没有强调应用资深专家的经典病例数据，或者没有结合多种机器学习算法和人工梳理相结合的方式进行专家经验的知识转化，或者没有考虑专家经验的已经形成的文本内容为基础的知识转化。


技术实现要素：

5.本发明针对现有技术存在的上述问题，提供了基于专家经验的临床辅助决策模型构建方法，能够融合专家经验知识，提供给专家经验推荐模型的前端应用。
6.为了达到上述目的，本发明提供了基于专家经验的临床辅助决策模型构建方法，含有以下步骤：
7.1.专家文本资料的梳理。专家经验的文本资料，主要以文档为主，根据已有的知识图谱数据模型，包括实体、关系和属性等内容，以人工方式和nlp实体关系抽取模型整理成对应的实体数据表格文件。对于新出现的指标，构建新的实体、属性和关系，形成新知识融合到指南知识图谱中。
8.2.提取专家文本资料的决策规则。提取专家经验的文本资料中的规则逻辑描述，
形成决策规则集文件r＝{r1，r2，
…
,rn}，其中n为专家经验文本的决策规则数目。例如，r1＝(使用晚期全身治疗方案：达拉非尼/曲美替尼)
9.3.对基于专家经典病例进行数据预处理。该步骤包括数据错误纠正等预处理等，并将数据处理成预设的数据格式，结合上一步形成的决策规则集文件，形成规则-属性集合a＝{a1，a2，
…an
}。
10.其中，ai＝(x,y,z)，x代表决策结果，例如“使用晚期全身治疗方案：达拉非尼/曲美替尼”，y＝{y1，y2，
…
，ym}代表决策属性，例如“基因检测结果：braf v600e突变，远处复发或转移：一线，...，一线治疗是否进展：是”，z＝{z1，z2，
…
，zm}，zi代表决策属性yi相对于决策结果x的可靠度rel：
[0011][0012]
其中，γy(x)为决策结果x对决策属性y的依赖度，reli越大代表该决策属性yi对决策结果的影响程度越大，越可靠。
[0013]
进一步地，γy(x)的计算方式为决策属性y与决策结果x同时出现的频率，γ
y-yi
(x)的计算方式为除了yi之外的其余决策属性与决策结果x同时出现的频率。
[0014]
4.辅助决策模型的构建。
[0015]
根据指南文件中常见的逻辑规则“if(决策属性)then(决策结果)”，将指南文献中的已经梳理的已知公开的规则整理为规则集合d＝{d1，d2，
…
,dq}，di＝(x,y)，例如“使用晚期全身治疗方案：达拉非尼/曲美替尼”，y＝{y1，y2，
…
，ym}代表决策属性，例如“基因检测结果：braf v600e突变，远处复发或转移：一线，...，一线治疗是否进展：是”。由于在该规则集合d中并不涉及决策属性的可靠度，因此需要结合规则-属性集合a，构建更加准确的辅助决策模型规则库。
[0016]
在辅助决策模型规则库的构建时，需要将规则-属性集合a与指南文献中的已经梳理的已知公开的规则集合d＝{d1，d2，
…
,dq}进行匹配和对比。
[0017]
匹配时可能产生的情况有：
[0018]
(1)新规则ai与一条规则dj匹配(决策结果-属性匹配)；
[0019]
(2)新规则ai与多条规则dm～dj匹配(决策属性存在重叠重合，但决策结果不匹配)；
[0020]
(3)没有一条规则dj与新规则ai相匹配(决策结果、决策属性均不匹配)。
[0021]
针对情况(1)，将规则dj作为新规则ai的指南产生依据，同时将与新规则ai关联的病例作为新规则的数据产生依据。为新规则ai赋予权重w1，并将新规则ai插入.辅助决策模型规则库。
[0022]
针对情况(2)，根据新规则ai与多条规则dm～dj的决策属性重合度，判断是否需要修改新规则ai的决策结果；若需要修改，则根据决策属性重合度，将新规则ai的决策结果修改为与其重合度最高的规则da的决策结果，将规则da作为新规则ai的指南产生依据，同时将与新规则ai关联的病例作为新规则的数据产生依据。为新规则ai赋予权重w2，并将新规则ai插入辅助决策模型规则库。若不需要修改，则将与新规则ai关联的病例作为新规则的数据产生依据，为新规则ai赋予权重w3，并将新规则ai插入辅助决策模型规则库。
[0023]
针对情况(3)，将与新规则ai关联的病例作为新规则的数据产生依据，为新规则ai赋予权重w3，并将新规则ai插入辅助决策模型规则库。
[0024]
其中，0《w1《w2《w3《1。
[0025]
5.将辅助决策模型规则库通过配置工具或平台进行规则编辑和配置，形成计算机可以识别的drl文件，以提供drools规则引擎进行执行。
[0026]
6.模型接口的开发。基于融合专家经验知识后的规则库开发相应的接口，提供给专家经验推荐模型的前端应用。
[0027]
7.决策推荐。根据相似度进行决策推荐，根据输入的症状在规则库中进行匹配，根据规则的权重为用户输出决策结果。
[0028]
与现有技术相比，本发明的优点和积极效果在于：
[0029]
从资深专家经验中挖掘归纳出的知识更能符合真实的临床场景，更有助于实际临床的辅助诊疗决策。本发明提出的基于专家经验的决策推荐方案，考虑专家经验和临床病例知识的同时，还与已有的指南规范等公开知识进行比对，提供新规则的产生依据，最终形成医疗知识图谱和计算机可识别的规则逻辑，用于临床辅助决策支持系统的研发。
附图说明
[0030]
图1为本发明所述基于专家经验的临床辅助决策模型构建方法的实现核心流程框图；
具体实施方式
[0031]
下面，通过示例性的实施方式对本发明进行具体描述。
[0032]
医疗病例数据的知识归纳方法融合指南和专家经典病例数据，通过三元组形式的规则-属性格式，形成可供参考的规则集合，并与指南中已有的规则知识对比，形成指南依据和数据依据。无指南规则匹配项的新规则只考虑数据产生依据，为医生提供更多更直接的诊疗依据。
[0033]
本方法的构建过程包括以下几个阶段：
[0034]
1.专家文本资料的梳理。专家经验的文本资料，主要以文档为主，根据已有的知识图谱数据模型，包括实体、关系和属性等内容，以人工方式和nlp实体关系抽取模型整理成对应的实体数据表格文件。对于新出现的指标，构建新的实体、属性和关系，形成新知识融合到指南知识图谱中。如专家文本资料中针对某位临床患者的病历摘要为“患者2020.4无明显诱因出现右侧胸部牵拉性疼痛，起初未予重视，后疼痛加重，偶有轻咳嗽，无痰中带血，无发热及喘憋等不适，2020.6就诊当地医院.行胸ct平扫提示右肺上叶签上胸膜下软组织占位，外院pet-ct示，右肺上叶尖段肿块影，代谢增高，考虑肺癌，右肺上叶头尖段结节，摄取升高考虑转移；胸骨体、胸6椎体、右第10肋骨转移，双侧肺门及纵隔内淋巴结对称性显影，考虑非特异改变可能性大；老年性脑改变；2020.6.29收入院。7.1行ct下右肺肿物穿刺活检。7.1夜间胸片提示右侧气胸，留置闭式引流，复查气胸缓解。己予拔除引流管，胸ct增强：右肺上叶周围型肺癌、右肺上叶尖段结节：纵隔多发肿大淋巴结转移。双肺陈旧病变，右甲状腺异常改变，建议进一步检查，肝内斑片状低密度影囊肿。头颅mri扫描脑内未见异常改变，已给与嗟来磷酸静点及抗炎，病理回报示，(若上肺肿物穿刺组织)增生的纤维组织中可见成团的肿瘤细胞，肿瘤细胞异型明显，部分围绕血管排列，伴大片坏死，结合免疫组化
结果，诊断为低分化癌，考虑非小细胞癌，请结合临床。”依据本技术所述的nlp实体关系抽取模型，此段文本中包含的部分实体、关系、属性如表1和表2所示：
[0035][0036][0037]
表1实体-属性表
[0038]
序号实体1关系实体21胸ct平扫检查日期2020.62右肺上叶签上胸膜下病变类型软组织占位3轻咳嗽症状频率偶有
[0039]
表2实体-关系表
[0040]
2.提取专家文本资料的决策规则。提取专家经验的文本资料中的规则逻辑描述，形成决策规则集文件r＝{r1，r2，
…
,rn}，其中n为专家经验文本的决策规则数目。例如，r1＝(使用晚期全身治疗方案：达拉非尼/曲美替尼，基因检测结果＝＝braf v600e突变&&远处复发或转移＝＝一线&&一线治疗是否进展＝＝是)。
[0041]
3.对基于专家经典病例进行数据预处理。该步骤包括数据错误纠正等预处理等，并将数据处理成预设的数据格式，结合上一步形成的决策规则集文件，形成规则-属性集合a＝{a1，a2，
…an
}。
[0042]
其中，ai＝(x,y,z)，x代表决策结果，例如“使用晚期全身治疗方案：达拉非尼/曲美替尼”，y＝{y1，y2，
…
，ym}代表决策属性，例如“基因检测结果：braf v600e突变，远处复发或转移：一线，...，一线治疗是否进展：是”，z＝{z1，z2，
…
，zm}，zi代表决策属性yi相对于决策结果x的可靠度rel：
[0043][0044]
其中，γy(x)为决策结果x对决策属性y的依赖度，reli越大代表该决策属性yi对决策结果的影响程度越大，越可靠。
[0045]
进一步地，γy(x)的计算方式为决策属性y与决策结果x同时出现的频率，的计算方式为除了yi之外的其余决策属性与决策结果x同时出现的频率。
[0046]
如上述专家文本资料中所描述信息，可形成的诊断相关规则-属性集合部分内容如下，集合1：(肺癌，胸部：牵拉性疼痛&&右肺上叶签上胸膜下：软组织占位&&右肺上叶尖段：肿块影&&代谢：增高，0.5)，集合2：(非小细胞癌，疾病：肺癌&&右肺上叶尖段：结节转移&&双肺：陈旧病变&&肿瘤细胞：异型，0.6)。
[0047]
4.辅助决策模型的构建。
[0048]
根据指南文件中常见的逻辑规则“if(决策属性)then(决策结果)”，将指南文献中的已经梳理的已知公开的规则整理为规则集合d＝{d1，d2，
…
,dq}，di＝(x,y)，例如“使用晚期全身治疗方案：达拉非尼/曲美替尼”，y＝{y1，y2，
…
，ym}代表决策属性，例如“基因检测结果：braf v600e突变，远处复发或转移：一线，...，一线治疗是否进展：是”。由于在该规则集合d中并不涉及决策属性的可靠度，因此需要结合规则-属性集合a，构建更加准确的辅助决策模型规则库。如依据“nccn非小细胞肺癌指南”的第nscl-27页中规则描述，转化为计算机可识别的临床决策规则为：if(基因检测结果＝＝braf v600e突变&&远处复发或转移＝＝一线&&一线治疗是否进展＝＝是)then(使用晚期全身治疗方案：达拉非尼/曲美替尼。
[0049]
在辅助决策模型规则库的构建时，需要将规则-属性集合a与指南文献中的已经梳理的已知公开的规则集合d＝{d1，d2，
…
,dq}进行匹配和对比。
[0050]
匹配时可能产生的情况有：
[0051]
(1)新规则ai与一条规则dj匹配(决策结果-属性匹配)；
[0052]
(2)新规则ai与多条规则dm～dj匹配(决策属性存在重叠重合，但决策结果不匹配)；
[0053]
(3)没有一条规则dj与新规则ai相匹配(决策结果、决策属性均不匹配)。
[0054]
针对情况(1)，将规则dj作为新规则ai的指南产生依据，同时将与新规则ai关联的病例作为新规则的数据产生依据。为新规则ai赋予权重w1，并将新规则ai插入辅助决策模型规则库。
[0055]
针对情况(2)，根据新规则ai与多条规则dm～dj的决策属性重合度，判断是否需要修改新规则ai的决策结果；若需要修改，则根据决策属性重合度，将新规则ai的决策结果修改为与其重合度最高的规则da的决策结果，将规则da作为新规则ai的指南产生依据，同时将与新规则ai关联的病例作为新规则的数据产生依据。为新规则ai赋予权重w2，并将新规则ai插入辅助决策模型规则库。若不需要修改，则将与新规则ai关联的病例作为新规则的数据产生依据，为新规则ai赋予权重w3，并将新规则ai插入辅助决策模型规则库。
[0056]
其中，决策属性重合度代表新规则ai与规则dj中相同的决策属性的加权和：
[0057][0058]
zi为新规则ai中yi对应的可靠度。
[0059]
进一步地，当ai与多条规则的决策属性重合度均低于预设阈值时，则认为ai不需要修改；当存在高于预设阈值的重合度时，选择重合度最高的dj的决策结果，对ai进行修改。
[0060]
针对情况(3)，将与新规则ai关联的病例作为新规则的数据产生依据，为新规则ai赋予权重w3，并将新规则ai插入辅助决策模型规则库。
[0061]
其中，0《w1《w2《w3《1。
[0062]
5.将规则库通过配置工具或平台进行规则编辑和配置，形成计算机可以识别的drl文件，以提供drools规则引擎进行执行。
[0063]
6.模型接口的开发。基于融合专家经验知识后的规则库开发相应的接口，提供给专家经验推荐模型的前端应用。
[0064]
7.决策推荐。根据相似度进行决策推荐，根据输入的症状在规则库中进行匹配，当仅匹配到一条规则ai时，根据该规则的权重判断是否存在指南产生依据，若存在ai的指南产生依据，则直接为用户输出该规则ai；若不存在ai的指南产生依据，则为用户输出该规则ai以及数据产生依据。当匹配到多条规则ai～aj时，判断ai～aj的数据产生依据是否存在重叠，若存在重叠，则为用户输出数据产生依据重叠的规则以及存在重叠的数据产生依据；否则为用户输出全部匹配的规则以及数据产生依据，并按照规则的权重进行排序。
[0065]
上述实施例用来解释本发明，而不是对本发明进行限制，在本发明的精神和权利要求的保护范围内，对本发明做出的任何修改和改变，都落入本发明的保护范围。

技术特征：
1.一种基于专家经验的临床辅助决策模型构建方法，其特征在于，含有以下步骤：(1).获取专家文本资料和专家经典病例；(2).提取专家文本资料的规则逻辑描述特征，形成决策规则集文件r＝{r1，r2，
…
,r
n
}，其中n为专家经验文本的决策规则数目；(3).对专家经典病例进行数据预处理，结合上一步形成的决策规则集文件，形成规则-属性集合a＝{a1，a2，
…
a
n
}；(4).将规则-属性集合a与指南文献中的已经梳理的已知公开的规则集合d＝{d1，d2，
…
,d
q
}进行匹配和对比，构建辅助决策模型规则库；(5).将辅助决策模型规则库通过配置工具或平台进行规则编辑和配置，形成计算机可以识别的drl文件，以提供drools规则引擎进行执行；(6).开发相应的接口，提供给专家经验推荐模型的前端应用；(7).根据相似度进行决策推荐，根据输入的症状在辅助决策模型规则库中进行匹配，为用户输出匹配结果。2.根据权利要求1所述的辅助决策模型构建方法，其特征在于：规则-属性集合a＝{a1，a2，
…
a
n
}，其中a
i
＝(x,y,z)；规则集合d＝{d1，d2，
…
,d
q
}，其中d
i
＝(x,y)；x代表决策结果，y＝{y1，y2，
…
，y
m
}代表决策属性，z＝{z1，z2，
…
，z
m
}，z
i
代表决策属性y
i
相对于决策结果x的可靠度rel：其中，γ
y
(x)为决策结果x对决策属性y的依赖度，rel
i
越大代表该决策属性y
i
对决策结果的影响程度越大，越可靠。3.根据权利要求2所述的辅助决策模型构建方法，其特征在于：γ
y
(x)的计算方式为决策属性y与决策结果x同时出现的频率，的计算方式为除了yi之外的其余决策属性与决策结果x同时出现的频率。4.根据权利要求2所述的辅助决策模型构建方法，其特征在于，步骤(4)进一步包括：(4.1)当a
i
与唯一一个d
j
匹配时，将规则d
j
作为新规则a
i
的指南产生依据，同时将与新规则ai关联的病例作为新规则的数据产生依据。为新规则a
i
赋予权重w1，并将新规则a
i
插入辅助决策模型规则库；(4.2)当a
i
与多条规则d
m
～d
j
匹配时，判断是否需要根据匹配情况修改新规则a
i
的决策结果；若不需要修改，则将与新规则a
i
关联的病例作为新规则的数据产生依据，为新规则a
i
赋予权重w3，并将新规则a
i
插入辅助决策模型规则库；若需要修改，则根据匹配情况修改新规则a
i
的决策结果，将新规则a
i
的决策结果修改匹配度最高的规则d
a
的决策结果，将规则d
a
作为新规则a
i
的指南产生依据，同时将与新规则a
i
关联的病例作为新规则的数据产生依据，为新规则a
i
赋予权重w2，并将新规则a
i
插入辅助决策模型规则库；(4.3)当a
i
与任何一条规则d
j
均不匹配时，将与新规则a
i
关联的病例作为新规则的数据产生依据，为新规则a
i
赋予权重w3，并将新规则a
i
插入辅助决策模型规则库；其中，0<w1<w2<w3<1。5.根据权利要求2所述的辅助决策模型构建方法，其特征在于，步骤(7)进一步包括：
根据相似度进行决策推荐，根据输入的症状在辅助决策模型规则库中进行匹配；根据匹配规则的权重为用户输出决策结果。

技术总结
本发明提出了一种结合人工梳理和机器学习的挖掘算法相融合专家经验知识归纳模型，该模型归纳出的知识同时与已有的指南规范等公开知识进行比对，提供新知识的产生依据，最终形成医疗知识图谱和计算机可识别的规则逻辑，用于临床辅助决策支持系统的研发。用于临床辅助决策支持系统的研发。用于临床辅助决策支持系统的研发。


技术研发人员：李琴 杨斌 宋黎晓 王艳 许宏伟
受保护的技术使用者：百洋智能科技集团股份有限公司
技术研发日：2023.04.27
技术公布日：2023/9/14