一种基于HIS系统的病患膳食推荐系统与方法

技术领域

本发明属于营养管理技术领域，尤其涉及一种基于HIS系统的病患膳食推荐系统与方法。

背景技术

为了实现对患者的饮食的个性化推荐，在授权发明专利授权公告号CN112102922B《一种信息推荐方法和装置》中通过获取目标用户当天的身体基础消耗数据、有氧健身消耗数据和无氧健身消耗数据，以及目标用户目前所患的基础病信息确定菜品搭配信息，从而不仅可以照顾到健身后的消耗补充，还可以避免对目标用户的身体造成负面影响，但是却存在以下技术问题：

1、忽视了基于HIS系统获取患者的患病信息，对于住院的患者来说，相比消耗数据，其疾病诊断信息和检测信息往往更为重要，同时仅仅依靠医生医嘱，由于医生仅仅了解现有疾病的饮食禁忌，往往无法兼顾患者的基础疾病，同时推荐结果往往较为单一，无法满足患者的多种类的餐饮和营养需求。

2、忽视了根据HIS系统的检查结果进行分析并根据分析结果进行膳食推荐，在传统的疾病诊断过程中，当患者的患病部位或者疑似患病部位尚未到达一定阈值，因此一般都建议患者加强观察，而在饮食推荐时一旦忽略上述未达到阈值的患病部位或者疑似患病部位，则有可能会导致上述部位进一步发展，并进一步造成更严重的疾病，对患者的身体造成进一步的伤害。

3、未根据患者的疾病诊断结果、基础疾病、疑似患病情况以及膳食的原料配比进行膳食的匹配度评分，例如对于患有基础缺铁性贫血、失血过多或者神经性耳聋的患者，膳食中包括动物肝脏、瘦肉、鸡蛋等血红素较高的原料明显比一般的不含有上述原料的膳食的匹配度更高，因此若不结合多种因素进行膳食的匹配度评分，则推荐结果不可能准确。

针对上述技术问题，本发明提供了一种基于HIS系统的病患膳食推荐系统与方法。

发明内容

为实现本发明目的，本发明采用如下技术方案：

根据本发明的一个方面，提供了一种基于HIS系统的病患膳食推荐系统与方法。

一种基于HIS系统的病患膳食推荐方法，其特征在于，具体包括：

S11基于HIS系统获取患者的疾病诊断结果、基础疾病、检查结果；

基于所述检查结果判断所述患者是否存在注意检查结果，若否，则基于医院菜单、所述患者的年龄生成备选膳食推荐结果，进入步骤S13，若是，则进入步骤S12；

S12将所述注意检查结果转换为词向量，采用BIGRU-IDF-CRF算法的分词模型，获取分词向量，其中BIGRU算法对所述词向量进行序列化学习得到处理词向量，并结合所述处理词向量的IDF值生成融合向量，将所述融合向量送入到DRF模型中得到分词向量,基于所述分词向量进行潜在异常疾病的确定，并基于所述潜在异常疾病的饮食禁忌、医院菜单、患者的年龄生成备选膳食推荐结果；

S13基于所述备选膳食推荐结果、所述患者的疾病诊断结果的饮食禁忌、基础疾病的饮食禁忌，生成建议膳食推荐结果；

S14基于原料配比、所述患者的疾病诊断结果、基础疾病、潜在异常疾病，确定所述建议膳食推荐结果中的每道膳食的匹配度评分，进行膳食的推荐。

通过首先结合注意检查结果、患者的年龄生成备选膳食推荐结果，从而避免了原有的仅仅采用单一的疾病诊断结果所导致的推荐结果不够准确的技术问题，同时也防止了潜在异常疾病进一步发展的可能，保证了患者的身体健康。

通过采用BIGRU-IDF-CRF算法的分词模型，获取分词向量，从而不仅仅结合了BIGRU算法在保留双向的历史有效信息的优势，同时进一步采用IDF算法和CRF算法实现了对前后词语的关联性的考虑，并进一步采用关键词数据库匹配结果，从而使得融合向量的权值不仅仅考虑逆词频的影响，同时与医学的实际情况相结合，从而进一步保证了最终的分词向量的准确性和可靠性。

通过基于建议膳食推荐结果的原料配比、所述患者的疾病诊断结果、基础疾病、潜在异常疾病，确定所述建议膳食推荐结果中的每道膳食的匹配度评分，进行膳食的推荐，从而实现了从多种角度对每道膳食的评价，从而进一步提升了推荐的客观性和准确性，也能更好的满足患者的实际饮食需求。

另一方面，本发明提供了一种基于HIS系统的病患膳食推荐系统，采用上述的一种基于HIS系统的病患膳食推荐方法，包括

数据读取模块，注意检查结果确定模块，潜在异常疾病确定模块，建议膳食推荐结果输出模块，膳食推荐结果输出模块；

所述数据读取模块负责基于HIS系统获取患者的疾病诊断结果、基础疾病、检查结果；

所述注意检查结果确定模块负责基于所述检查结果判断所述患者是否存在注意检查结果；

所述潜在异常疾病确定模块负责基于所述注意检查结果获取所述患者的潜在异常疾病；

所述建议膳食推荐结果输出模块负责基于所述备选膳食推荐结果、所述患者的疾病诊断结果的饮食禁忌、基础疾病的饮食禁忌，生成建议膳食推荐结果；

所述膳食推荐结果输出模块负责基于原料配比、所述患者的疾病诊断结果、基础疾病、潜在异常疾病，确定所述建议膳食推荐结果中的每道膳食的匹配度评分，进行膳食的推荐。

其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书以及附图中所特别指出的结构来实现和获得。

为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

附图说明

通过参照附图详细描述其示例实施方式，本发明的上述和其它特征及优点将变得更加明显；

图1是一种基于HIS系统的病患膳食推荐方法的流程图；

图2是分词向量确定的具体步骤的流程图；

图3是获取所述患者的潜在异常疾病的具体步骤的流程图；

图4是生成备选膳食推荐结果的具体步骤的流程图；

图5是每道膳食的匹配度评分构建的具体步骤的流程图；

图6是一种基于HIS系统的病患膳食推荐系统的框架图。

具体实施方式

现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的实施方式；相反，提供这些实施方式使得本发明将全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。图中相同的附图标记表示相同或类似的结构，因而将省略它们的详细描述。

用语“一个”、“一”、“该”、“所述”用以表示存在一个或多个要素/组成部分/等；用语“包括”和“具有”用以表示开放式的包括在内的意思并且是指除了列出的要素/组成部分/等之外还可存在另外的要素/组成部分/等。

为解决上述问题，根据本发明的一个方面，如图1所示，提供了一种基于HIS系统的病患膳食推荐方法，其特征在于，具体包括：

S11基于HIS系统获取患者的疾病诊断结果、基础疾病、检查结果；

具体的，HIS系统是指医院信息系统，是指利用计算机软硬件技术和网络通信技术等现代化手段，对医院及其所属各部门的人流、物流、财流进行综合管理，对在医疗活动各阶段产生的数据进行采集、存储、处理、提取、传输、汇总，加工形成各种信息，从而为医院的整体运行提供全面的自动化管理及各种服务的信息系统。

基于所述检查结果判断所述患者是否存在注意检查结果，若否，则基于医院菜单、所述患者的年龄生成备选膳食推荐结果，进入步骤S13，若是，则进入步骤S12；

具体的，注意检查结果根据检查结果中的医生诊断意见、检查结果中的异常项进行确定，具体的，当医生诊断意见中出现粗大、有回声、肿块、钙化灶等关键词时判断存在注意检查结果。

具体的，当患者的年龄小于三岁或者大于60岁，则此时将医院菜单中辛辣刺激性食物、含有过敏原的食物等排除在外，生成备选膳食推荐结果。

通过首先结合注意检查结果、患者的年龄生成备选膳食推荐结果，从而避免了原有的仅仅采用单一的疾病诊断结果所导致的推荐结果不够准确的技术问题，同时也防止了潜在异常疾病进一步发展的可能，保证了患者的身体健康。

S12将所述注意检查结果转换为词向量，采用BIGRU-IDF-CRF算法的分词模型，获取分词向量，其中BIGRU算法对所述词向量进行序列化学习得到处理词向量，并结合所述处理词向量的IDF值生成融合向量，将所述融合向量送入到DRF模型中得到分词向量,基于所述分词向量进行潜在异常疾病的确定，并基于所述潜在异常疾病的饮食禁忌、医院菜单、患者的年龄生成备选膳食推荐结果；

具体的，分词向量确定的具体步骤为：

将原始文本序列进行向量化，用一个固定长度的向量表示每一个字；文本向量化就是将自然语言表示的中文文本转换成机器能读懂的数字；这里的文本向量化采用分布式表示法，获得每一个字对应的向量

通过一个前向和一个后向的GRU模型对输入的文本向量进行处理，通过保留和去除上下文的信息，从而对当前输出字有一个较为准确的预测；

基于所述处理词向量与关键词数据库的匹配结果，得到所述处理词向量的映射权值；采用基于TF-IDF算法获取所述处理词向量的IDF值，基于所述IDF值以及所述映射权值确定所述处理词向量的权值，并基于所述处理词向量的权值、处理词向量构建生成融合向量，将融合向量作为CRF的输入，预测得到分词向量;

具体的举例说明，采用基于BIGRU-IDF-CRF算法的分词模型的进行分词向量确定的具体步骤为：

例如对于抽血检验单，首先进行采用word2vec将注意检查结果转换为词向量，例如若注意检查结果为“患者的红细胞数量、红细胞压积、血红蛋白浓度、血红蛋白量均小于正常值”，可以将其转换为“患者”、“红细胞数量”、“红细胞压积”、“血红蛋白浓度”、“血红蛋白量”、“小于”、“正常值”。

通过一个前向和一个后向的GRU模型对输入的词向量进行处理，得到处理词向量，从而形成上下文相关特征的语义编码；

基于所述处理词向量与关键词数据库的匹配结果，得到所述处理词向量的映射权值；采用基于TF-IDF算法获取所述处理词向量的IDF值，基于所述IDF值以及所述映射权值确定所述处理词向量的权值，并基于所述处理词向量的权值、处理词向量构建生成融合向量；

具体的，根据关键词数据库的匹配结果，确定“红细胞数量”、“红细胞压积”、“血红蛋白浓度”、“血红蛋白量”、“小于”、“正常值”的语义编码的映射权值；

采用基于TF-IDF算法获取所述处理词向量的IDF值，该值反应的是不同的检查结果中的逆词频，在现有的技术中常用来作为停用词的识别，而在本申请中则将其作为一个进行权重的一种形成方式；

在实际的操作过程中，基于所述IDF值以及所述映射权值确定所述处理词向量的权值，例如“血红蛋白量”的映射权值为0.6，IDF值为0.7，则其权值为0.65；

将Bi GRU模型提取的特征，通过CRF层输出概率最大的标签序列，得到全局最优标注，实现分词向量的命名实体抽取，从而得到最终的经过标记后的分词向量。

而在得到分词向量后，将其输入至本申请的GA-IPSO-SVM的算法的分类模型中，得到最终的潜在异常疾病的确定，得到最终的潜在异常疾病为“轻度贫血”；

在实际的操作过程中还可以结合其他的诊断结果进行确定。

通过采用BIGRU-IDF-CRF算法的分词模型，获取分词向量，从而不仅仅结合了BIGRU算法在保留双向的历史有效信息的优势，同时进一步采用IDF算法和CRF算法实现了对前后词语的关联性的考虑，并进一步采用关键词数据库匹配结果，从而使得融合向量的权值不仅仅考虑逆词频的影响，同时与医学的实际情况相结合，从而进一步保证了最终的分词向量的准确性和可靠性。

S13基于所述备选膳食推荐结果、所述患者的疾病诊断结果的饮食禁忌、基础疾病的饮食禁忌，生成建议膳食推荐结果；

具体的举个例子，当患者的疾病诊断结果的饮食禁忌为不能食用糖、基础疾病的饮食禁忌为牛/羊肉等易过敏食物，则需要将备选膳食推荐结果中的原材料还有上述原料的菜品去除，得到建议膳食推荐结果。

S14基于原料配比、所述患者的疾病诊断结果、基础疾病、潜在异常疾病，确定所述建议膳食推荐结果中的每道膳食的匹配度评分，进行膳食的推荐。

具体的，建议膳食推荐结果的原料配比中含有的含量与患者的疾病诊断结果、基础疾病、潜在异常疾病的需要情况进行匹配，从而可以得到匹配度评分，取值范围在0到1之间。

通过基于建议膳食推荐结果的原料配比、所述患者的疾病诊断结果、基础疾病、潜在异常疾病，确定所述建议膳食推荐结果中的每道膳食的匹配度评分，进行膳食的推荐，从而实现了从多种角度对每道膳食的评价，从而进一步提升了推荐的客观性和准确性，也能更好的满足患者的实际饮食需求。

在另外一种可能的实施例中，所述注意检查结果根据所述检查结果中的医生诊断意见、检查结果中的异常项进行确定。

在另外一种可能的实施例中，当所述患者的年龄不在设定年龄范围内部时，根据医院菜单的原料，剔除掉所述原料中含有辣椒、花椒、咖啡因、酒精的辛辣刺激性菜品，得到备选膳食推荐结果。

在另外一种可能的实施例中，如图2所示，分词向量确定的具体步骤为：

S21采用word2vec将注意检查结果转换为词向量，并将所述词向量送入到BIGRU算法的词向量处理模型中，通过一个前向和一个后向的GRU模型对输入的词向量进行处理，得到处理词向量；

S22基于所述处理词向量与关键词数据库的匹配结果，得到所述处理词向量的映射权值；采用基于TF-IDF算法获取所述处理词向量的IDF值，基于所述IDF值以及所述映射权值确定所述处理词向量的权值，并基于所述处理词向量的权值、处理词向量构建生成融合向量；

S23将所述融合向量送入到DRF模型中得到分词向量。

通过综合结合IDF值和映射权值，从而实现对融合向量的生成，从而综合结合了词频以及数据在医学领域本身的重要性，进一步在提升了融合向量生成的可靠性。

在另外一种可能的实施例中，所述权值的计算公式为：

其中t

在另外一种可能的实施例中，如图3所示，获取所述患者的潜在异常疾病的具体步骤为：

S31初始化SVM算法的核函数g和惩罚因子c，并以所述核函数g和惩罚因子c为基础随机产生初始粒子；

S32将粒子种群进行GA算法进化, 在该进化过程中, 分别记录不同迭代次数下不同粒子不同位置的适应度, 并将适应度进行排序；按照粒子淘汰机制所设定的淘汰比例将适应度最低的批次粒子定义为惰性粒子; 删除惰性粒子, 并将剩下粒子种群定义为活跃粒子种群;

具体的，GA算法的最大迭代次数D的取值为：

其中, T

S33 基于所述活跃粒子种群进行IPSO算法的迭代, 直到算法收敛或达到最大迭代次数, 从而得到核函数最优解g1和惩罚因子最优解c1；

S34将所述分词向量传输至寻优完成的SVM算法的分类模型中，得到所述患者的潜在异常疾病，其中所述寻优完成的SVM算法的分类模型的核函数和惩罚因子采用核函数最优解g1和惩罚因子最优解c1。

具体的，IPSO优化参数均设置为:粒子初始种群数量100,最大迭代次数1000, 惯性因子w设置为0.8,学习因子c1,c2分别设置为0.5和0.7.GA优化参数设置为交叉概率为0.9。

需要说明的是，IPSO算法为改进型的PSO算法。

具体的，GA-IPSO-SVM的算法的分类准确性为92.15%。

在另外一种可能的实施例中，基于所述潜在异常疾病的饮食禁忌、医院菜单、患者的年龄，如图4所示，生成备选膳食推荐结果的具体步骤为：

S41当所述患者的年龄不在设定年龄范围内部时，根据医院菜单的原料，剔除掉所述原料中含有辣椒、花椒、咖啡因、酒精的辛辣刺激性菜品，得到基础膳食推荐结果，若否，则将医院菜单作为基础膳食推荐结果；

需要说明的是，设定年龄范围为12到50岁之间。

S42基于所述基础膳食推荐结果的原料配比，判断所述基础膳食推荐结果的原料配比是否存在所述潜在异常疾病的饮食禁忌，若是，则将述基础膳食推荐结果的原料配比中存在所述潜在异常疾病的饮食禁忌的菜品进行剔除，得到备选膳食推荐结果，若否，则将所述基础膳食推荐结果作为备选膳食推荐结果。

在另外一种可能的实施例中，如图5所示，每道膳食的匹配度评分构建的具体步骤为：

S51基于所述患者的疾病诊断结果确定所述患者所需的营养物质，并基于所述每道膳食的原料配比确定所述患者所需的营养物质的每道膳食中100g的含量及种类，并基于所述每100g的含量及种类得到所述疾病诊断结果的匹配度评分；

具体的，对于缺铁性贫血，对于菜品夫妻肺片，含有牛心100g，牛心中的铁含量为5.9毫克，大于设置的阈值4毫克，则匹配度评分为1；对于小于设置的阈值的菜品，其匹配度评分根据与阈值的比值进行确定。

具体的在本方法中，例如对于夫妻肺片，本方法首先给出一个推荐的菜谱的不同原来的含量，在进行采购时，推荐按照该含量进行确定，在实际的操作过程中，在最后完成膳食的制作之后，根据该膳食中的不同的原材料的使用量和采购量的差值进行原料的实际配比的确定。

S52基于所述患者的基础疾病确定所述患者的基础疾病所需的营养物质，并基于所述每道膳食的原料配比确定所述患者的基础疾病所需的营养物质的每道膳食中100g的含量及种类，并基于所述每100g的含量及种类得到所述基础疾病的匹配度评分；

S53基于所述患者的潜在异常疾病确定所述患者的潜在异常疾病所需的营养物质，并基于所述每道膳食的原料配比确定所述患者的潜在异常疾病所需的营养物质的每道膳食中100g的含量及种类，并基于所述每100g的含量及种类得到所述潜在异常疾病的匹配度评分；

S54基于所述疾病诊断结果的匹配度评分、所述基础疾病的匹配度评分、所述潜在异常疾病的匹配度评分得到所述每道膳食的匹配度评分。

通过分别基于所述疾病诊断结果的匹配度评分、所述基础疾病的匹配度评分、所述潜在异常疾病的匹配度评分得到所述每道膳食的匹配度评分，从而使得每道膳食的匹配度评分能够准确反应多方面的匹配情况，并充分考虑到不同的疾病的影响程度的不同之处，进一步提升了匹配度评分的准确性和全面性。

在另外一种可能的实施例中，所述匹配度评分的计算公式为：

其中P

在实际的操作过程中，具体的举例说明，若疾病诊断结果为骨折、基础疾病为肾结石、潜在异常疾病为贫血，则明显骨折的严重程度大于肾结石大于贫血，因此K

在另外一种可能的实施例中，所述疾病权值根据所述疾病诊断结果、所述基础疾病、所述潜在异常疾病的严重程度采用专家打分的方式确定。

具体的，一般来说疾病诊断结果的权值大于基础疾病的权值大于潜在异常疾病的权值。

如图6所示，本发明提供了本发明提供了一种基于HIS系统的病患膳食推荐系统，采用上述的一种基于HIS系统的病患膳食推荐方法，包括

数据读取模块，注意检查结果确定模块，潜在异常疾病确定模块，建议膳食推荐结果输出模块，膳食推荐结果输出模块；

所述数据读取模块负责基于HIS系统获取患者的疾病诊断结果、基础疾病、检查结果；

所述注意检查结果确定模块负责基于所述检查结果判断所述患者是否存在注意检查结果；

所述潜在异常疾病确定模块负责基于所述注意检查结果获取所述患者的潜在异常疾病；

需要说明的是，生成备选膳食推荐结果的具体步骤为：

当所述患者的年龄不在12到50岁范围以内时，根据医院菜单的原料，剔除掉所述原料中含有辣椒、花椒、咖啡因、酒精的辛辣刺激性菜品，得到基础膳食推荐结果；

基于所述基础膳食推荐结果的原料配比，判断所述基础膳食推荐结果的原料配比确定存在所述潜在异常疾病的饮食禁忌时，将述基础膳食推荐结果的原料配比中存在所述潜在异常疾病的饮食禁忌的菜品进行剔除，得到备选膳食推荐结果。

所述建议膳食推荐结果输出模块负责基于所述备选膳食推荐结果、所述患者的疾病诊断结果的饮食禁忌、基础疾病的饮食禁忌，生成建议膳食推荐结果；

所述膳食推荐结果输出模块负责基于原料配比、所述患者的疾病诊断结果、基础疾病、潜在异常疾病，确定所述建议膳食推荐结果中的每道膳食的匹配度评分，进行膳食的推荐。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统和方法，也可以通过其它的方式实现。以上所描述的系统实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本发明的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

另外，在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。

功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

以上述依据本发明的理想实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项发明技术思想的范围内，进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。