基于大数据的智慧医疗交互方法

技术领域

本发明涉及大数据技术领域，具体为基于大数据的智慧医疗交互方法。

背景技术

为患者以及医疗机构提供应用服务的系统被称为医疗系统，而结合该系统 与大数据、计算机技术的系统则为智慧医疗服务系统，目前国内外的智慧医疗 服务系统发展迅速，但是鲜有足够创新的功能，大多数医疗机构还仅仅停留在 简单的挂号、查询、预约等简单服务，还达不到“智慧”的要求，尤其是对于 我国来说，医疗资源不平衡，对于欠发达地区，医疗资源相对匮乏，而对于发 达地区，充足的医疗资源意味着高密度就诊人群，在这样的背景下，目前的智 慧医疗系统还需要进行优化，因此，设计基于分类算法和使用推理机制的基于 大数据的智慧医疗交互方法是很有必要的。

发明内容

本发明的目的在于提供基于大数据的智慧医疗交互方法，以解决上述背景 技术中提出的问题。

为了解决上述技术问题，本发明提供如下技术方案：基于大数据的智慧医 疗交互方法，适用于一种基于大数据的智慧医疗交互系统，所述系统包括专家 系统模块、大数据挖掘机制建立模块、用户系统模块，所述专家系统模块用于 模拟人类专家的思考过程生成解决方案，所述大数据挖掘机制建立模块用于从 多角度建立大数据挖掘机制，所述用户系统模块用于为医疗参与人员提供操作 端口与反馈；所述大数据挖掘机制建立模块包括关联分析模块、分类分析模块、 数据保护模块，所述关联分析模块用于对相关联的数据进行挖掘分析，所述分 类分析模块用于对数据进行标签量化并进行分类挖掘，所述数据保护模块用于 使用信息隐藏技术对挖掘分析的数据进行保护，所述关联分析模块、分类分析 模块与数据保护模块电连接。

根据上述技术方案，所述专家系统模块包括人机交互窗口、知识库更新模 块、推理机模块，所述人机交互窗口用于为医疗机构从业者提供交互窗口，所 述知识库更新模块用于根据数据挖掘情况对知识库进行更新，所述推理机模块 用于对病症数据进行分析后赋予分类标签，并实现模拟人脑推理的功能；所述 用户系统模块包括移动设备模块、功能提供模块、数据传输模块、结果显示模 块，所述移动设备模块用于为患者提供包括APP、网页端、小程序在内的移动 设备接入端口，所述功能提供模块用于为患者提供基础功能，所述数据传输模 块用于将患者的信息调取并传输至专家系统模块中，所述结果显示模块用于在 用户端显示基于大数据的诊断结果。

根据上述技术方案，所述方法包括以下步骤：

步骤S1：首先对智慧医疗交互系统中的各模块进行相应连接，保证数据传 输；

步骤S2：用户在移动设备基于实名注册并登录系统，并自动对用户进行医 保查询，将医保用户的用户名进行高亮标注；数据源可以应用于多种条件，如 网页端、小程序端、APP端、医院自动登记设备端，减少患者的操作成本，缓 解医院人流量密度，节省医疗时间；

步骤S3：用户在设备端进行病症文字输入或语音、视频留言，并在线选择 医师或科室；

步骤S4：专家系统模块接收到用户数据后，运行推理机进行分析，并根据 大数据挖掘机制建立模块所建立的大数据挖掘机制，对知识库进行更新与调用 操作；

步骤S5：将结果通知到患者，并同步更新进一步治疗措施。

根据上述技术方案，所述步骤S4中，大数据挖掘机制建立方法具体包括关 联分析方法，其中：

关联分析方法具体步骤为：

步骤A：输入数据集中所有项的集合，记为：I＝{i

步骤B：根据用户ID与所有项的集合，建立事务记录，具体表示为T(T

步骤C：设置关联规则与关联项X,Y，具体为如果

步骤D：根据上述条件计算关联规则的准确性，具体为置信度P(Y|X)的计 算。

根据上述技术方案，所述步骤D中，置信度P(Y|X)的计算公式为：

式中表示的含义为：在出现X的事务中，同时也出现了Y的概率，置信度 P(Y|X)用于衡量关联规则的准确性。在数据挖掘过程中，一个数据集能产生大 量的关联规则，但并不是所有的规则都具有参考意义和决策价值，因为规则仅 表示数据之间的相关性，而不存在因果关系，因此需计算置信度来评估关联规 则的准确性。

根据上述技术方案，所述步骤S4中，大数据挖掘机制建立方法还包括分类 分析方法，具体步骤为：

步骤a：设定分类器评估指标，并以样本数量形式记录数据；所述分类器 评估指标如下表：

表中，阳性代表一类病症的确诊，阴性代表一类病症未确诊，Sum＝A+B；

步骤b：计算综合考虑查全率R与预测可信度B；在实际应用中，对目标取 阳性的关注度远远大于阴性，所以该查全率仅考虑对阳性目标的查全率；

步骤c：使用最近邻算法，以样本距离最近的多个邻居样本来表示其特征。

根据上述技术方案，所述中，综合考虑查全率R的计算公式为：

预测可信度B的计算公式为：

查全率的含义为，被正确地分类所有阳性数目占实际所有阳性数目的比例， 用于评估所构建的分类模型对阳性例预测的可信度，预测可信度的含义为，既 能正确预测又能正确分类的样本数量与总样本数量之比，具体为分类模型预测 正确的概率，根据多方面综合判断分类模型的有效性。

根据上述技术方案，所述步骤c中，最近邻算法具体为：

步骤c1：设定参数k，k的值为计算值，代表样本周围的特征相同数量； 样本在以特征值为维度的空间中，其周围的k个样本中大多数为某一类，则该 样本属于此类；

步骤c2：建立用于储存最近邻训练组的队列A，其大小表示为k顺序按距 离由大到小排列；

步骤c3：从数据集中随机选取k个数据组，并分别计算测试组到这k个数 据组的距离，并将标号和距离存入队列A中；

步骤c4：遍历训练数据组集合，计算与测试组的距离，将不小于队列A中 最大距离的数组舍弃，否则删除队列A中最大距离的数据组，并将当前数据组 存入队列A中；重复比较距离操作，将大于队列A中最大距离的数据舍弃，并 删除队列A中最大距离的数据组，直到遍历完成；

步骤c5：统计队列A中各个分类的出现次数最频繁的分类，并将其作为测 试组的分类；出现次数最频繁的分类即为样本周围特征相同数最多的分类，则 表示样本也为该分类；

步骤c6：输出分类分析结果。

根据上述技术方案，所述步骤S4中还包括运用推理机对知识库更新与调用， 更新完成后，将患者数据特征输入其中，根据大数据挖掘机制自动分析患者可 能出现的病症，作为医生实施治疗措施的辅助参考，同时将分析结果分别显示 到专家系统与用户系统中。

与现有技术相比，本发明所达到的有益效果是：本发明，通过设置有大数 据挖掘机制建立模块，在数据挖掘过程中，一个数据集能产生大量的关联规则， 但并不是所有的规则都具有参考意义和决策价值，因为规则仅表示数据之间的 相关性，而不存在因果关系，因此需计算置信度来评估关联规则的准确性，通 过设置有知识库更新模块，在数据挖掘过程中，一个数据集能产生大量的关联 规则，但并不是所有的规则都具有参考意义和决策价值，因为规则仅表示数据 之间的相关性，而不存在因果关系，因此需计算置信度来评估关联规则的准确 性。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发 明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：

图1是本发明的系统模块组成示意图；

图2为本发明实施例中分类器评估指标示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是 全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。

请参阅图1-2，本发明提供技术方案：基于大数据的智慧医疗交互方法， 适用于一种基于大数据的智慧医疗交互系统，系统包括专家系统模块、大数据 挖掘机制建立模块、用户系统模块，专家系统模块用于模拟人类专家的思考过 程生成解决方案，大数据挖掘机制建立模块用于从多角度建立大数据挖掘机制， 用户系统模块用于为医疗参与人员提供操作端口与反馈；大数据挖掘机制建立 模块包括关联分析模块、分类分析模块、数据保护模块，关联分析模块用于对 相关联的数据进行挖掘分析，分类分析模块用于对数据进行标签量化并进行分 类挖掘，数据保护模块用于使用信息隐藏技术对挖掘分析的数据进行保护，关 联分析模块、分类分析模块与数据保护模块电连接。

专家系统模块包括人机交互窗口、知识库更新模块、推理机模块，人机交 互窗口用于为医疗机构从业者提供交互窗口，知识库更新模块用于根据数据挖 掘情况对知识库进行更新，推理机模块用于对病症数据进行分析后赋予分类标 签，并实现模拟人脑推理的功能；用户系统模块包括移动设备模块、功能提供 模块、数据传输模块、结果显示模块，移动设备模块用于为患者提供包括APP、 网页端、小程序在内的移动设备接入端口，功能提供模块用于为患者提供基础 功能，数据传输模块用于将患者的信息调取并传输至专家系统模块中，结果显 示模块用于在用户端显示基于大数据的诊断结果。

方法包括以下步骤：

步骤S1：首先对智慧医疗交互系统中的各模块进行相应连接，保证数据传 输；

步骤S2：用户在移动设备基于实名注册并登录系统，并自动对用户进行医 保查询，将医保用户的用户名进行高亮标注；数据源可以应用于多种条件，如 网页端、小程序端、APP端、医院自动登记设备端，减少患者的操作成本，缓 解医院人流量密度，节省医疗时间；

步骤S3：用户在设备端进行病症文字输入或语音、视频留言，并在线选择 医师或科室；

步骤S4：专家系统模块接收到用户数据后，运行推理机进行分析，并根据 大数据挖掘机制建立模块所建立的大数据挖掘机制，对知识库进行更新与调用 操作；

步骤S5：将结果通知到患者，并同步更新进一步治疗措施。

步骤S4中，大数据挖掘机制建立方法具体包括关联分析方法，其中：

关联分析方法具体步骤为：

步骤A：输入数据集中所有项的集合，记为：I＝{i

步骤B：根据用户ID与所有项的集合，建立事务记录，具体表示为T(T

步骤C：设置关联规则与关联项X,Y，具体为如果

步骤D：根据上述条件计算关联规则的准确性，具体为置信度P(Y|X)的计 算。

步骤D中，置信度P(Y|X)的计算公式为：

式中表示的含义为：在出现X的事务中，同时也出现了Y的概率，置信度 P(Y|X)用于衡量关联规则的准确性。在数据挖掘过程中，一个数据集能产生大 量的关联规则，但并不是所有的规则都具有参考意义和决策价值，因为规则仅 表示数据之间的相关性，而不存在因果关系，因此需计算置信度来评估关联规 则的准确性。

步骤S4中，大数据挖掘机制建立方法还包括分类分析方法，具体步骤为：

步骤a：设定分类器评估指标，并以样本数量形式记录数据；分类器评估 指标如下表：

表中，阳性代表一类病症的确诊，阴性代表一类病症未确诊，Sum＝A+B；

步骤b：计算综合考虑查全率R与预测可信度B；在实际应用中，对目标取 阳性的关注度远远大于阴性，所以该查全率仅考虑对阳性目标的查全率；

步骤c：使用最近邻算法，以样本距离最近的多个邻居样本来表示其特征。

中，综合考虑查全率R的计算公式为：

预测可信度B的计算公式为：

查全率的含义为，被正确地分类所有阳性数目占实际所有阳性数目的比例， 用于评估所构建的分类模型对阳性例预测的可信度，预测可信度的含义为，既 能正确预测又能正确分类的样本数量与总样本数量之比，具体为分类模型预测 正确的概率，根据多方面综合判断分类模型的有效性。

步骤c中，最近邻算法具体为：

步骤c1：设定参数k，k的值为计算值，代表样本周围的特征相同数量； 样本在以特征值为维度的空间中，其周围的k个样本中大多数为某一类，则该 样本属于此类；

步骤c2：建立用于储存最近邻训练组的队列A，其大小表示为k顺序按距 离由大到小排列；

步骤c3：从数据集中随机选取k个数据组，并分别计算测试组到这k个数 据组的距离，并将标号和距离存入队列A中；

步骤c4：遍历训练数据组集合，计算与测试组的距离，将不小于队列A中 最大距离的数组舍弃，否则删除队列A中最大距离的数据组，并将当前数据组 存入队列A中；重复比较距离操作，将大于队列A中最大距离的数据舍弃，并 删除队列A中最大距离的数据组，直到遍历完成；

步骤c5：统计队列A中各个分类的出现次数最频繁的分类，并将其作为测 试组的分类；出现次数最频繁的分类即为样本周围特征相同数最多的分类，则 表示样本也为该分类；

步骤c6：输出分类分析结果。

步骤S4中还包括运用推理机对知识库更新与调用，更新完成后，将患者数 据特征输入其中，根据大数据挖掘机制自动分析患者可能出现的病症，作为医 生实施治疗措施的辅助参考，同时将分析结果分别显示到专家系统与用户系统 中。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将 一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些 实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包 含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素 的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的 其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。

最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制 本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术 人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其 中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修 改、等同替换、改进等，均应包含在本发明的保护范围之内。