临床决策辅助方法及系统与流程

1.本技术涉及辅助诊断技术领域，尤其涉及一种临床决策辅助方法及系统。


背景技术：

2.在生活中，越来越多的人们开始饲养宠物，宠物的种类繁杂，例如有猫、狗、兔、鸟等等。在日常饲养中，宠物也会生病，主人一般会将宠物携带至宠物医院进行疾病的诊断和治疗。
3.相关技术中，由于宠物无法进行语言表达，不能与人进行语言沟通，医生只能借助宠物主人粗略的症状表述和医疗检查结果来进行疾病的诊断和治疗。然而，由于宠物的种类较多，不同种类的宠物在对同一种疾病上的表现症状可能不同，不同种类的体质所采用的治疗方案也可能不同。当医生临床经验不足时，一方面，可能需要借助大量的检查项目来进行疾病的诊断，从而延误病情，且给宠物带来较多的检查痛苦及产生较多的检查费用；另一方面，不同种类的宠物的治疗方案繁杂，容易出现治疗方案失误，存在医疗事故风险。


技术实现要素：

4.为解决或部分解决相关技术中存在的问题，本技术提供一种临床决策辅助系统，能够辅助医生对动物进行疾病的快速诊断和治疗，提高诊治效率和准确率，避免延误病情，且降低医疗事故风险。
5.本技术第一方面提供一种临床决策辅助方法，其包括：
6.提取临床表现特征和动物信息特征；
7.根据所述临床表现特征及所述动物信息特征，通过疾病预测模型获得至少一个疑似疾病及各所述疑似疾病对应的疑似概率；
8.根据所述临床表现特征、所述动物信息特征及所述疑似疾病生成推荐检查项目；
9.其中，通过所述疾病预测模型根据获得的至少一项所述推荐检查项目的检查数据更新所述疑似疾病及各更新的所述疑似疾病对应的疑似概率；所述推荐检查项目根据更新的所述疑似疾病进行更新，所述疑似疾病根据更新的所述推荐检查项目的检查数据进行更新，直至在所述疑似疾病中获得供选择的预测疾病。
10.在一实施方式中，所述通过疾病预测模型获得至少一个疑似疾病及各所述疑似疾病对应的疑似概率，包括：
11.根据分类模型获得第一组疑似疾病及对应的第一疑似概率，及根据贝叶斯网络模型和因果推理算法获得第二组疑似疾病及对应的第二疑似概率；
12.将所述第一组疑似疾病及对应的所述第一疑似概率与所述第二组疑似疾病及对应的所述第二疑似概率根据评分模型进行综合处理，获得至少一个所述疑似疾病及各所述疑似疾病对应的疑似概率。
13.在一实施方式中，所述方法还包括：
14.根据所述疑似概率的数值大小将各所述疑似疾病进行分组，各所述疑似疾病按照
所属组别标签进行分组显示；其中，所述组别标签包括常见诊断、疑似诊断、易漏诊断及罕见诊断；和/或
15.所述方法还包括：
16.根据所述临床表现特征、所述动物信息特征和至少一项所述推荐检查项目的检查数据，输出并显示对应的所述疑似疾病的推理依据。
17.在一实施方式中，所述根据所述临床表现特征、所述动物信息特征及所述疑似疾病生成推荐检查项目，包括：
18.将所述临床表现特征及所述动物信息特征分别输入预先训练好的多标签分类模型，获得对应的初始推荐检查项目；
19.根据所述疑似疾病及对应的疑似概率生成对应的关联检查项目；
20.将所述关联检查项目与所述初始推荐检查项目关联融合，生成所述推荐检查项目。
21.在一实施方式中，所述方法还包括：
22.基于知识图谱的医学推理模型对所述检查数据进行分析，生成指标异常信息及对应的急救方案。
23.在一实施方式中，所述方法还包括：
24.根据所述预测疾病生成治疗推荐处方；和/或
25.根据所述预测疾病对应的治疗推荐处方中确定的药品发出对应的协同拮抗提示信息。
26.本技术第二方面提供一种临床决策辅助系统，其包括：
27.特征提取模块，用于提取临床表现特征和动物信息特征；
28.诊断模块，用于根据所述临床表现特征及所述动物信息特征，通过疾病预测模型获得至少一个疑似疾病及各所述疑似疾病对应的疑似概率；
29.检查推荐模块，用于根据所述临床表现特征、所述动物信息特征及所述疑似疾病生成推荐检查项目；
30.其中，所述诊断模块用于通过所述疾病预测模型根据获得的至少一项所述推荐检查项目的检查数据更新所述疑似疾病及各更新的所述疑似疾病对应的疑似概率；所述检查推荐模块用于根据更新的所述疑似疾病更新所述推荐检查项目，所述诊断模块用于根据更新的所述推荐检查项目的检查数据更新所述疑似疾病，直至在所述疑似疾病中获得供选择的预测疾病。
31.在一实施方式中，所述特征提取模块还包括一级症状获取模块和对应的二级症状获取模块，所述症状信息根据所述一级症状获取模块选择的内容和/或所述二级症状获取模块选择和/或输入的内容获得。
32.在一实施方式中，所述临床决策辅助系统还包括语言处理模块，所述语言处理模块用于根据输入的内容识别并获得对应的特征，以使所述诊断模块结合所述特征生成至少一个所述疑似疾病。
33.本技术第三方面提供一种终端设备，包括：
34.处理器；以及
35.存储器，其上存储有可执行代码，当所述可执行代码被所述处理器执行时，使所述
处理器执行如上所述的方法。
36.本技术第四方面提供一种计算机可读存储介质，其上存储有可执行代码，当所述可执行代码被电子设备的处理器执行时，使所述处理器执行如上所述的方法。
37.本技术提供的技术方案可以包括以下有益效果：
38.本技术提供的技术方案，在提取临床表现特征和动物信息特征后，可以根据疾病预测模型获得初始的疑似疾病及对应的疑似概率，再结合疑似疾病生成有关的推荐检查项目，以便用户即医生可以根据推荐检查项目进行选择性的检查，从而减少不必要的检查项目；同时，还可以根据检查数据进一步更新获得疑似疾病，从而缩小诊断范围，提高确诊效率；最后根据用户在更新的疑似疾病中选择预测疾病，即可助于用户实现疾病的确诊。这样的设计，本技术的辅助方法在宠物的疾病的检查及诊断环节均可以提供相关的推荐，有助于帮助用户提高诊治效率和准确率，降低医疗事故风险；同时节约宠物主人的费用，及减少对宠物不必要的检查或治疗。
39.应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本技术。
附图说明
40.通过结合附图对本技术示例性实施方式进行更详细地描述，本技术的上述以及其它目的、特征和优势将变得更加明显，其中，在本技术示例性实施方式中，相同的参考标号通常代表相同部件。
41.图1是本技术实施例示出的临床决策辅助方法的流程示意图；
42.图2是本技术实施例示出的临床决策辅助方法的另一流程示意图；
43.图3是本技术实施例示出的生成疑似疾病的逻辑示意图；
44.图4是本技术实施例示出的生成推荐检查项目的逻辑示意图；
45.图5是本技术实施例示出的临床决策辅助系统的结构示意图；
46.图6是本技术实施例示出的临床决策辅助系统的另一结构示意图；
47.图7是本技术实施例示出的临床决策辅助系统的应用流程图；
48.图8是本技术实施例示出的电子设备的结构示意图。
具体实施方式
49.下面将参照附图更详细地描述本技术的实施方式。虽然附图中显示了本技术的实施方式，然而应该理解，可以以各种形式实现本技术而不应被这里阐述的实施方式所限制。相反，提供这些实施方式是为了使本技术更加透彻和完整，并且能够将本技术的范围完整地传达给本领域的技术人员。
50.在本技术使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本技术。在本技术和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
51.应当理解，尽管在本技术可能采用术语“第一”、“第二”、“第三”等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，
在不脱离本技术范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本技术的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
52.相关技术中，医生在对各种不同种类的宠物进行诊治时，如果医生临床经验不足，一方面，可能需要借助大量的检查项目来进行疾病的诊断，从而延误病情，且给宠物带来较多的检查痛苦及产生较多的检查费用；另一方面，不同种类的宠物的治疗方案繁杂，容易出现治疗方案失误，存在医疗事故风险。
53.针对上述问题，本技术实施例提供一种临床决策辅助方法，能够辅助医生进行疾病的快速诊断和治疗，提高诊治效率和准确率，避免延误病情，且降低医疗事故风险。
54.以下结合附图详细描述本技术实施例的技术方案。
55.图1是本技术实施例示出的临床决策辅助方法的流程示意图。
56.参见图1，本技术一实施例提供一种临床决策辅助方法，其包括：
57.步骤s110，提取临床表现特征和动物信息特征。
58.其中，临床表现信息可以包括症状、既往史、现病史、体况分级及体格等信息。动物信息可以包括品种、性别、年龄、驱虫史、疫苗史、过敏史、怀孕情况和绝育史等特征。例如，种类可以是犬，品种为哈士奇，性别为母，年龄为5岁5个月，驱虫史为最近一年已驱虫，疫苗史为已打狂犬疫苗，无过敏史、未孕、未绝育等。根据相关技术，在动物的临床表现信息和动物信息中分别进行特征提取，获得临床表现特征和动物信息特征，以用于后续疾病预测模型和多标签分类模型的计算。
59.步骤s120，根据临床表现特征及动物信息特征，通过疾病预测模型获得至少一个疑似疾病及各疑似疾病对应的疑似概率。
60.疾病预测模型用于根据输入的临床表现特征及动物信息特征输出疑似疾病及对应的疑似概率，输出的疑似疾病的数量为至少一个。可以理解，疑似疾病通过具体的疑似概率的数值进行表征，以表示动物当前患有该疑似疾病的概率。当初次执行步骤s120时，获得初始的疑似疾病。疾病预测模型还用于根据后续步骤获得的检查数据获得更新的疑似疾病和对应的疑似概率。
61.进一步地，疾病预测模型包括预先训练好的分类模型、贝叶斯网络模型、因果推理算法及评分模型的综合性模型。其中，根据分类模型获得第一组疑似疾病及对应的第一疑似概率，及根据贝叶斯网络模型和因果推理算法获得第二组疑似疾病及对应的第二疑似概率；将第一组疑似疾病及对应的第一疑似概率与第二组疑似疾病及对应的第二疑似概率根据评分模型进行综合处理，获得至少一个疑似疾病及各疑似疾病对应的疑似概率。
62.步骤s130，根据临床表现特征、动物信息特征及疑似疾病生成推荐检查项目。
63.其中，根据步骤s110中的临床表现特征及动物信息特征和步骤s120 中获得的疑似疾病，可以输入预先训练好的多标签分类模型，获得对应的推荐检查项目。也就是说，推荐检查项目与临床表现特征、动物信息特征及疑似疾病关联，在集合更丰富的信息的基础上，避免采用无关联的检查项目，减少不必要的检查项目和节约检查费用，提高检查效率。
64.其中，通过疾病预测模型根据获得的至少一项推荐检查项目的检查数据更新疑似疾病及各更新的疑似疾病对应的疑似概率；推荐检查项目根据更新的疑似疾病进行更新，
疑似疾病根据更新的推荐检查项目的检查数据进行更新，直至在疑似疾病中获得供选择的预测疾病。
65.进一步地，在根据步骤s130生成推荐检查项目后，用户即医生可以选择其中一项或多项进行检查，获得对应的检查数据。在获得检查数据后，可以循环执行步骤s120和步骤s130，即通过疾病预测模型根据获得的至少一项推荐检查项目的检查数据更新疑似疾病及各更新的疑似疾病对应的疑似概率。可以理解，更新的疑似疾病与步骤s120获得的初始的疑似疾病可能相同或不同，或者部分相同；针对同一疑似疾病，对应的疑似概率可能相同或不同。接着，步骤s130根据更新的疑似疾病更新推荐检查项目。更新后的推荐检查项目可能与最初的推荐检查项目相同或不同，或者部分相同。用户可以根据需求选择的一项或多项推荐检查项目对动物进行检查，获得新的对应的检查数据。疑似疾病根据更新的推荐检查项目的检查数据进行更新，如此循环往复执行步骤s120和步骤s130，直至在疑似疾病中获得供选择的预测疾病。也就是说，当获得的疑似疾病中，用户可以根据经验判断其中一个或多个疑似疾病与动物当前的病情最为贴近，用户则选择该一个或多个疑似疾病作为预测疾病，即预测动物当前患有的疾病，从而可以进行针对性地治疗。
66.需要说明的是，本技术的方法不局限于针对宠物的临床应用，还适用于非宠物的动物，例如流浪的动物等。
67.从该示例可以看出，本技术提供的技术方案，在提取临床表现特征和动物信息特征后，可以根据疾病预测模型获得初始的疑似疾病及对应的疑似概率，再结合疑似疾病生成有关的推荐检查项目，以便用户即医生可以根据推荐检查项目进行选择性的检查，从而减少不必要的检查项目；同时，还可以根据检查数据进一步更新获得疑似疾病，从而缩小诊断范围，提高确诊效率；最后根据用户在更新的疑似疾病中选择预测疾病，即可助于用户实现疾病的确诊。这样的设计，本技术的辅助方法在宠物的疾病的检查及诊断环节均可以提供相关的推荐，有助于帮助用户提高诊治效率和准确率，降低医疗事故风险；同时节约宠物主人的费用，及减少对宠物不必要的检查或治疗。
68.从该实施例可以看出，本技术的临床决策辅助方法，本技术提供的技术方案，在提取临床表现特征和动物信息特征后，可以根据疾病预测模型获得初始的疑似疾病及对应的疑似概率，再结合疑似疾病生成有关的推荐检查项目，以便用户即医生可以根据推荐检查项目进行选择性的检查，从而减少不必要的检查项目；同时，还可以根据检查数据进一步更新获得疑似疾病，从而缩小诊断范围，提高确诊效率；最后根据用户在更新的疑似疾病中选择预测疾病，即可助于用户实现疾病的确诊。这样的设计，本技术的辅助方法在宠物的疾病的检查及诊断环节均可以提供相关的推荐，有助于帮助用户提高诊治效率和准确率，降低医疗事故风险；同时节约宠物主人的费用，及减少对宠物不必要的检查或治疗。
69.图2是本技术实施例示出的临床决策辅助方法的另一流程示意图。
70.参见图2，本技术一实施例提供一种临床决策辅助方法，其包括：
71.步骤s210，提取临床表现特征和动物信息特征。
72.临床表现特征和动物信息特征分别用于后续各类模型、算法在计算时需要用到的特征。其中，临床表现特征包括从症状、既往史、现病史、体况分级及体格等各类信息中分别提取的特征。为了便于后续步骤的进行，至少需要获取可以直观确定的症状信息，以便提取尽可能多的临床表现特征，提高疾病预测的准确率。在一实施方式中，症状信息包括一级症
状信息，一级症状信息包括可供选择的预选症状信息。其中，预选症状信息可直接作为后续疾病预测模型所需的特征，以及作为后续的多标签分类模型所需的特征。可以理解，为了便于快速获取动物的症状信息及提高输入疾病预测模型的特征的准确度，在一实施方式中，可以预先设置各类医学常见症状作为预选症状信息，例如，医学常见症状包括但不限于发热、呕吐、腹泻等。通过设置预选症状信息，以便用户根据动物的实际症状进行对应的点选，从而提高信息输入的准确度，节约疾病预测模型的数据处理时间。
73.进一步地，为了进一步补充一级症状信息，症状信息还包括二级症状信息。例如，当预选症状信息为“呕吐”时，可进一步根据动物的实际症状输入更详细的二级症状信息，例如“三天前开始呕吐，呕吐物为狗粮”。进一步地，在一实施方式中，二级症状信息还包括可供选择的预选细节症状信息，其中预选细节症状信息与对应的预选症状信息预先映射。同时，预选细节症状信息可直接作为后续步骤的疾病预测模型所需的特征，以及作为后续步骤的多标签分类模型的特征。例如，当预选症状信息为“厌食”时，对应可供选择的预选细节症状信息包括“采食困难”、“咀嚼困难”、“吞咽困难”、“食欲减退”及“食欲废绝”等。通过预先设置多种对应的预选细节症状信息，以便在确定预选症状信息后，可以快速根据动物实际症状进一步选择对应的预选细节症状信息，从而可以获取更为丰富详细的症状信息，提高疾病诊断的准确度。
74.进一步地，在一实施方式中，当没有符合动物当前症状的预选症状信息时，可直接根据输入的二级症状信息和/或选择预选细节症状信息，获得症状信息，进而获得对应的临床表现特征。
75.进一步地，在一实施方式中，本技术的方法还可以获取动物的既往疾病信息、现病史信息、体况分级信息和/或体格信息以作为临床表现特征。可以理解，由于动物无法与人进行语言沟通，可以根据实际情况获取对应的当前可以获得的信息，从而丰富临床表现特征。为了更全面的了解和诊断动物，可以获取动物既往确诊过的疾病和动物患病后的全过程信息，即对应的既往疾病信息和现病史信息。既往疾病信息和现病史信息用于被识别提取为后续步骤中的疾病预测模型所需的临床表现特征，以及作为后续步骤中的多标签分类模型的临床表现特征。进一步地，体况分级信息用于表征动物当前的体况的紧急程度，同时也可直接作为疾病预测模型所需的临床表现特征，以及作为多标签分类模型的临床表现特征，以便于确定开展救治的紧急程度和有助于疾病预测模型预测对应的疑似疾病。体况分级信息根据紧急程度可以包括复苏、紧急、急迫、半紧急和常规等级别。例如，当动物处于休克晕厥状态时，可能涉及复苏或紧急的级别。可以理解，在众多疾病中，部分疾病的症状涉及休克或晕厥，通过获取对应的体况分级信息，排除不具有休克晕厥等症状的疾病，从而缩小疾病的预测范围。进一步地，体格信息用于表征动物当前的体格，体格信息用于被识别提取或可直接作为疾病预测模型所需的临床表现特征，以及作为多标签分类模型的临床表现特征。体格信息可以包括动物的体重、体温、呼吸频率、心率、脉搏质量、口腔状态、眼部状态、皮肤状态等多种无需侵入体内即可获得的信息。通过体格信息可以丰富疾病预测模型的临床表现特征的维度，从而有助于提高疾病预测的准确度。
76.进一步地，还可以同步获取动物基本信息，以获得动物信息特征。动物基本信息可直接作为疾病预测模型所需的动物信息特征，以及作为多标签分类模型的动物信息特征。其中，动物基本信息至少包括动物的种类和性别。另外，动物基本信息还可以包括品种、性
别、年龄、驱虫史、疫苗史、过敏史中、怀孕情况和绝育史的其中一种或多种。例如，种类可以是犬，品种为哈士奇，性别为母，年龄为5岁5个月，驱虫史为最近一年已驱虫，疫苗史为已打狂犬疫苗，无过敏史、未孕、未绝育等。通过丰富的动物基本信息，有助于缩小疾病确诊范围和后续治疗处方的选择。
77.步骤s220，将临床表现特征和动物信息特征分别输入预先训练好的疾病预测模型，获得至少一个疑似疾病及各疑似疾病对应的疑似概率。
78.在一实施方式中，将临床表现特征和动物信息特征分别输入预先训练好的分类模型，根据分类模型获得第一组疑似疾病及对应的第一疑似概率，及将临床表现特征和动物信息特征分别输入预先训练好的贝叶斯网络模型，根据贝叶斯网络模型和因果推理算法获得第二组疑似疾病及对应的第二疑似概率；将第一组疑似疾病及对应的第一疑似概率与第二组疑似疾病及对应的第二疑似概率根据评分模型进行综合处理，获得至少一个疑似疾病及各疑似疾病对应的疑似概率。
79.可以理解，第一组疑似疾病包括至少一种疑似疾病，每一疑似疾病分别具有对应的第一疑似概率。第二组疑似疾病包括至少一种疑似疾病，每一疑似疾病分别具有对应的第二疑似概率。其中，第一组疑似疾病中的疑似疾病可能与第二组疑似疾病中的疑似疾病全部相同、部分相同或全部不同，针对两组疑似疾病中的相同的疑似疾病，对应的第一疑似概率和第二疑似概率可能相同或不同。因此，通过评分模型将两组疑似疾病进一步综合处理，最终获得疑似疾病及对应的疑似概率。
80.以下进一步详细说明本技术的疾病预测模型的相关原理。
81.首先输入临床表现特征和动物信息特征至疾病预测模型。其中，临床表现特征包括用户选择的预选症状信息、预选细节症状信息、输入的细节症状信息、既往疾病信息、现病史信息、体况分级信息及体格信息等各信息对应的特征。需要了解的是，输入的特征还包括后续步骤s240中根据推荐检查项目获得的检查数据。其中，细节症状信息、既往疾病信息、现病史信息、体格信息及检查数据分别包括医生输入的自然语言文本。可以理解，自然语言文本需要经过处理后提取获得对应的实体特征，以用于输入疾病预测模型。在一实施方式中，本技术的方法还包括根据用户输入的内容识别并提取获得特征，以使疾病预测模型根据特征生成至少一个疑似疾病。具体地，为了提高疾病预测模型的准确率，可以预先根据nlp (natural language processing，神经语言程序学)技术对输入的各类自然语言文本进行处理。也就是说，对于不符合预设格式的自然语言文本，需要进行处理，以获得可供疾病预测模型识别和利用的特征。针对自然语言文本的处理，可以先通过基于ner(命名实体识别)的识别模型识别自然语言文本中的实体，即实时获取文本中的关键信息，从而可以获得每个字向量、词向量以及句子中的前向量和后向量之间进行拼接的隐藏状态向量，再考虑前后标签顺序信息预测并输出每个字的标签。接着通过不同类别的标签提取出实体内容和实体细节内容，最终将长句进行分句以及实体细节与实体的匹配映射，从而获得可以用于输入疾病预测模型的实体特征。其中，可以在识别模型中预先设置不同实体特征的向量对应的标签类别。例如，标签可以是“症状”、“时间”、“呕吐物类型”等等。为了便于理解，例如，当输入的自然语言文本为“3天前我家泰迪出现呕吐，呕吐物为狗粮，这些天出现厌食”时，则识别模型识别出的实体为“呕吐”、“厌食”，该实体对应的标签为“症状”，识别出的实体细节为“3天”和“狗粮”，该实体细节分别为“时间”和“呕吐物类型”，将实体与实体细节
匹配映射后，该自然语言文本经过识别模型处理后输出的实体特征为“呕吐3天、呕吐食物”。同理，针对其他输入的自然语言文本，均可以经过上述处理以获得对应的实体特征，以用于输入疾病预测模型中。
82.进一步地，参见图3，将上述各特征分别输入至分类模型和贝叶斯网络模型+因果推理算法中。在一实施方式中，分类模型可以采用神经网络模型进行训练获得。其中，特征采用向量进行表示。具体地，特征通过 word embedding获得表征向量，例如获得症状、体况、检查项目等。进一步地，特征的表征向量融合字级别的n-gram向量作额外特征输入分类模型中，其中，表征向量可以使用固定表征的词向量或动态表征的词向量。进一步地，利用下述公式(1)的最大似然对数对目标函数进行建模，以获得第一组疑似疾病。
[0083][0084]
其中，t≥n，t为求集符号下的1到t的总集合，n为第一组的疑似疾病的数量，dis为第一组的疑似疾病，evidence为特征的表征向量。
[0085]
进一步地，在获得第一组疑似疾病后，还需要计算对应的第一疑似概率。在一实施方式中，第一疑似概率的计算如下述公式(2)所示：
[0086]
p(dis|evidence(n))＝f(dis，evidence(n)，θ)
ꢀꢀ
(2)
[0087]
其中f表示第一组疑似疾病与特征的表征向量间的函数，θ为参数，函数f可以有多种方式，例如通过神经网络的方式构造函数。
[0088]
进一步地，针对第二组疑似疾病及对应的第二疑似概率可以通过贝叶斯网络模型和因果推理算法获得。在一实施方式中，贝叶斯网络模型采用两层或两层以上的无环的模型结构。其中，可以预先通过大量的历史病例样本训练获得先验分布，然后可以采用近似推理技术或其他贝叶斯推理技术来估计后验计算疾病概率。但基于后验计算可能导致因果场景下混淆因素导致的失准，因此增加因果推理算法中的反事实推理技术，以提高疾病诊断中的疑似疾病的准确率。其中，因果推理算法在反事实及度量干预疾病状态下，确定推理依据不出现的可能性。可能性越高则说明疑似疾病对症状的因果解释越好。在一实施方式中，可根据公式(3)计算在反事实及度量干预疾病状态下，确定特征的表征向量不出现的可能性。
[0089]
p(evidence(n
*
)|evidence(n)，do(dis))
ꢀꢀ
(3)
[0090]
其中，do(dis):表示对疾病进行反事实干预，加上*代表反事实变量。
[0091]
在分别获得第一组疑似疾病及对应的第一疑似概率和第二组疑似疾病及对应的第二疑似概率后，根据疾病预测模型中的评分模型进行综合处理。即将输出的两组数据进行融合，这样的设计，可以对特殊情况或复杂情况下的预测不准确的发掘进行调整，从而提高疾病预测的准确性。
[0092]
进一步地，为了预测出最终的疑似疾病及对应的疑似概率，一方面，评分模型针对第一组疑似疾病和第二组疑似疾病中均具有的疑似疾病，将给予该疑似疾病更高的疑似概率。可以理解，针对第一组和第二组中相异的疑似疾病，则会降低对应的相异的疑似疾病对应的第一疑似概率和第二疑似概率，但第二组疑似疾病中的第二疑似概率会较第一疑似概率更高。另外，针对第一组和第二组中特殊或复杂情况的疑似疾病，则将第一组和第二组的
第一疑似概率和第二疑似概率进行增减。进一步地，评分模型可根据下述公式(4)计算获得两组疑似疾病中的融合后对应的疑似概率。
[0093]
p(dis)＝θ1pa(dis)+θ2pb((dis)
±
f(dis(n)，evidence(m))
ꢀꢀ
(4)
[0094]
其中，θ代表参数，f函数代表惩罚项，a代表第一组，b代表第二组。
[0095]
可以理解，通过上述公式将第一组疑似疾病和第二组疑似疾病综合，并调整了对应的第一疑似概率和第二疑似概率，两组中相同的疑似疾病综合获得新的对应的疑似概率，两组中各相异的疑似疾病亦均具有新的对应的疑似概率。其中，通过综合计算，均在两组中出现的疑似疾病的疑似概率＞只在第二组疑似疾病中的疑似概率＞只在第一组疑似疾病中的疑似概率。
[0096]
为了便于理解上述公式(4)代表的情况，例如，第一组疑似疾病和第二组疑似疾病中均包括疾病a、疾病b、疾病c，并且疾病a的疑似概率(以下简称概率)分别高于疾病b和疾病c的概率，但是常理可知，疾病a确诊的前提下，疾病b同时出现的可能性低，而疾病b、c同时确诊的可能性大，疾病a、c同时出现可能性高，则提高疾病a的概率，降低疾病b、c的概率，并且提高疾病c的概率以大于疾病b的概率；但是，如果疾病a、c同时出现的可能性低，则提高疾病a的概率，降低疾病b、 c的概率。
[0097]
再例如，如果第一组疑似疾病和第二组疑似疾病中均包括疾病a和疾病b，并且疾病a的概率稍高于疾病b的概率，但是此时医生点选了呕吐，根据医学常理可知呕吐在疾病b下出现可能性更高，则提高疾病b的概率。在一实施方式中，一级症状信息具有比二级症状信息的特征的参考权重更大。可以理解，通过将一级症状信息具有比二级症状信息的特征设定不同的参考权重，使疾病预测模型的计算更依赖于预选症状信息，从而降低二级症状信息中自然语言文本中的特征可能存在误差的影响，继而提高预测疾病的准确度。
[0098]
进一步地，在通过上述评分模型获得最终的疑似疾病和对应的疑似概率后，在一实施方式中，根据疑似概率的数值大小将各疑似疾病进行分组，各疑似疾病按照所属组别标签进行分组显示。其中，组别标签可以包括常见诊断、疑似诊断、易漏诊断及罕见诊断等四组标签，从而将各疑似疾病分成四组。例如，常见诊断中的疑似疾病可以是根据历史统计常见的或者流行性的疾病；罕见诊断中的疑似疾病结合了发病率等情况的疾病；疑似诊断中的疑似疾病可帮助医生减少错诊；易漏诊断中的疑似疾病则提醒医生防止出现漏诊的疾病。根据不同组别中显示的疑似疾病，可以有助于医生更好地在各个疑似疾病中进一步根据经验获得确诊疾病。在一实施方式中，疑似概率小于0.05的疑似疾病属于罕见诊断，疑似概率为0.05～0.2 的疑似疾病属于易漏诊断，疑似概率大于1则为常见诊断(此时大于1并非代表概率大于1，而是代表历史统计或者流行性)，疑似概率为0.2～1 的疑似疾病均属于疑似诊断。具体地，可以参见下述公式(5)对疑似疾病进行分类。
[0099][0100]
其中，y表示疑似疾病所属的组别，p表示疑似概率。
[0101]
步骤s230，将临床表现特征和动物信息特征分别输入预先训练好的多标签分类模型，获得对应的初始推荐检查项目。
[0102]
在上述步骤获取各类临床表现特征和动物信息特征后，参见图4，为了尽可能减少不必要的检查项目，可以根据临床表现特征和动物信息特征，通过预先训练好的多标签分类模型生成推荐检查项目。其中，多标签分类模型可以预先根据大量历史病例以及临床经验训练获得。在一实施方式中，获取大量历史病历作为训练样本中的电子文本信息，通过nlp技术进行识别，再通过word embedding(把单词组成的句子映射到一个表征向量) 获得对应的表征向量并作为特征输入神经网络，其中，特征包括词向量、句向量以及各向量在语句中的位置信息。神经网络的输出层的激活函数变为sigmiod函数，并且更改损失函数，并根据以下公式(6)，获得训练好的多标签分类模型。也就是说，相当于把多标签分类问题转化为多个二分类问题。
[0103][0104]
其中，y代表检查项目，θ代表x的参数，x代表表征向量，λ代表阈值。t代表θ的转置，i代表第i个检查项目。
[0105]
具体地，预先设定阈值λ，如果计算结果大于阈值λ，则表示相应的检查项目为推荐检查项目；如果计算结果小于阈值λ，则表示相应的检查项目不是推荐检查项目。
[0106]
可以理解，根据生成的初始推荐检查项目，其中，初始推荐检查项目可以包括但不限于血常规检查、生化检查、血气检查、x光线或b超等。
[0107]
进一步地，在一实施方式中，本技术的方法还包括根据检查数据进行分析，生成指标异常信息及对应的急救方案。进一步地，基于知识图谱的医学推理模型对检查数据进行分析，生成指标异常信息及对应的急救方案。通过医学推理模型对检查数据进行智能解读，可以获得常见的异常原因分析、血气指标的计算，且可以根据血气指标的计算结果分析出动物当前的体况等级的紧急程度，以提醒医生采取相应的急救。可以理解，当动物的体况等级非常紧急时，紧急抢救处于第一要务，具体疾病的诊断步骤可以延后进行。
[0108]
进一步地，知识图谱融合了检查设备的基本信息、动物基本信息及检验指标等信息。例如，检查设备的基本信息可以是设备厂商及设备型号，动物基本信息可以是动物种类和具体的品种、年龄等，检验指标例如可以是白细胞、红细胞、血液ph值、血浆hco3浓度等。其中，根据血液ph 值、血浆hco3浓度等血气指标，即可根据医学推理中的逻辑推理，例如指标的加减乘除或者逻辑运算分析出当前体况等级。
[0109]
步骤s240，根据疑似疾病及对应的疑似概率生成对应的关联检查项目；将关联检查项目与初始推荐检查项目关联融合，生成推荐检查项目。
[0110]
进一步地，在根据上述步骤s220输出的多种疑似疾病及对应的疑似概率后，如果医生无法从多种疑似疾病中判断确诊疾病，可进一步对动物进行检查。其中，初始推荐检查项目根据上述公式(6)计算获得。进一步地，根据下述公式(7)计算获得推荐检查项目对应
的概率。
[0111][0112]
其中x1代表疑似疾病对应的关联检查项目向量，x2代表多标签分类模型输出的初始推荐检查项目结果向量，θ代表参数向量，f函数代表共现矩阵，y代表推荐检查项目。
[0113]
在获得各疑似疾病后，每一疑似疾病根据相关医学知识可以确定需要做的关联检查项目，不同的疑似疾病涉及到的关联检查项目可能相同或不同，通过综合各疑似疾病，可以获得综合的关联检查项目。根据上述公式 (7)将各关联检查项目与多标签分类模型输出的初始推荐检查项目综合计算，从而计算获得各推荐检查项目对应的概率。也就是说，推荐检查项目包括初始推荐检查项目和关联检查项目。在初始推荐检查项目和关联检查项目中均出现的检查项目的概率＞只在关联检查项目中出现的检查项目＞只在初始推荐检查项目中出现的概率。
[0114]
为了便于理解，现举例说明。例如，根据多标签分类模型获得对应的初始推荐检查项目包括血常规检查和生化检查，疾病预测模型获得的疑似疾病及按照疑似概率排序为疾病a的疑似概率＞疾病b的疑似概率＞疾病c的疑似概率。此时，根据医学常识或贝叶斯网络模型可知，疾病a 对应的检查项目为血常规，疾病b对应的检查项目为血常规，疾病c对应的检查项目为生化检查。则此时将其按照上述公式(7)的原则计算，得出血常规检查的推荐检查概率为0.7，生化检查的推荐检查概率为0.5。如果预设阈值为0.6，大于0.6则属于必要检查项目，小于或等于0.6并大于 0.1属于一般检查项目，小于或等于0.1为不推荐检查项目。因此，血常规检查为必要检查项目，生化检查为一般检查项目，二者均属于最终的推荐检查项目。其中，医生可以根据必要检查项目确定检查项目，再酌情根据一般检查项目选择性地进行检查。
[0115]
在本步骤获得推荐检查项目后，用户可以选择其中一项或多项对动物进行检查，以获得检查数据。其中，获得的检查数据用于更新步骤s220 中的疑似疾病及对应的疑似概率。可以理解，根据更新后的疑似疾病，本步骤s240相应获得更新的推荐检查项目，如此反复，直至用户确定步骤 s220中获得的最新的疑似疾病中具有可供选择的预测疾病。
[0116]
步骤s250，根据疑似疾病对应的推理依据，在供选择的疑似疾病中获得预测疾病。
[0117]
进一步地，复参见图3，为了便于用户了解生成的疑似疾病的判断依据，在一实施方式中，本技术的方法还包括根据临床表现特征、动物信息特征和至少一项推荐检查项目的检查数据，输出并显示对应的疑似疾病的推理依据。也就是说，通过对各疑似疾病分别输出并显示相应的推理依据，用户可以根据推理依据进行量化参考，从而辅助用户在各疑似疾病中确定预测疾病，也就是确诊疾病。在一实施方式中，推理依据包括步骤s210 获取的各类信息、检查数据中的各特征中的至少一种。在一实施方式中，推理依据还包括根据疑似疾病关联的参考依据。例如，当生成的疑似疾病为胃肠炎时，对应输出及显示的推理依据包括厌食、呕血、便血、腹泻、呕吐、发病急、症状慢性长期、组织病理肠炎及排除其他疾病等。其中，上述“厌食”为步骤s210获取的预选症状信息，其他为根据疑似疾病关联确定的参考依据。通过显示与该疑似疾病关联的推理依据，以便医生进一步排查分析动物可能还存在症状或进一步选择相应的推荐检查项目进行检查，从而辅助确诊疾病。
[0118]
进一步地，根据推理依据的确信度，将对应的推理依据采用不同的颜色进行显示。例如，当确信度为100％时，对应的推理依据显示为蓝色，当确信度低于100％时，对应推理依据显示为蓝色以外的颜色，例如灰色。其中，当推理依据分别根据步骤s210获取的信息和检查数据获得时，确信度为100％；当推理依据为参考依据时，确信度低于100％。例如，获取的症状信息包括厌食时，则疑似疾病中的胃肠炎的推理依据中的“厌食”的确信度为100％。其他推理依据如果均为参考依据时，则确信度则低于 100％，并以灰色进行显示。通过采用不同的颜色显示推理依据，以便用户可以直观地确定可信度更高的推理依据，从而依此做出更可靠的诊断判断。进一步地，推理依据的显示颜色根据确信度的变化而调整。例如，通过后续观察发现动物伴有呕吐，则更新获取的症状信息，新增“呕吐”症状，此时，推理依据中的参考依据“呕吐”的确信度变为100％，显示颜色由灰色变为蓝色。可以理解，随着检查数据的更新，不同的推理依据也可能相应改变确信度，从而改变显示颜色。
[0119]
进一步地，本技术的方法还可以根据简化规则对各推理依据进行简化处理，以输出和显示精简后的推理依据。其中，简化规则可以包括：1、当各推理依据之间存在父子关系时，只保留显示子类的推理依据。例如，厌食是一级症状信息，进食困难是厌食对应的二级症状信息，当推理依据同时包括厌食和进食困难时，则只展示二级症状信息，即推理依据仅输出并显示进食困难。2、区分疑似疾病与推理依据间的发病前、后期情况。如果疑似疾病处于发病前期，则只展示发病前期涉及的推理依据，发病后期的推理依据则不输出显示，反之亦然。3、对相关的推理依据进行合并后输出，例如，若推理依据为检查数据，检查数据为“尿液有红色，尿红细胞升高”，则合并显示为血尿即可。可以理解，通过针对各疑似疾病显示对应的推理依据，使疑似疾病根据推理依据具有可解释性，即为疑似疾病提供医学解释，以使医生根据推理依据确定对应疑似疾病的可能性，从而提高确诊的准确度，同时，还可以提高医生对系统的可信度，继而提高确诊效率。
[0120]
进一步地，在一实施方式中，本技术的方法还包括采用进度条的方式表示每一种疑似疾病的疑似概率，疑似概率越大，进度条越长。这样的显示形式，便于用户直观比较各疑似疾病的疑似概率，提高判断效率。在一实施方式中，还可以按照疑似概率的大小将各疑似疾病进行排序显示。例如按照从大到小的顺序显示疑似疾病，并以进度条的形式显示疑似疾病的疑似概率。这样的设计，可以便于用户快速确认可能性最大的疑似疾病，以提高诊断效率。进一步地，在一实施方式中，本技术的方法还包括显示对应的疑似疾病的疾病概述、病因、病理学、辅助检查、诊断、治疗的相关知识。通过预先存储每一种疾病的相关知识，从而便于医生可以实时离线查看，以辅助判断确诊疾病。
[0121]
步骤s260，根据预测疾病生成治疗推荐处方。
[0122]
其中，在生成的各个疑似疾病中，用户可以在其中确定至少一个疑似疾病为预测疾病，系统根据该预测疾病提供对应的治疗推荐处方，以供用户参考和选择。其中，分别针对至少一个预测疾病出具对应的治疗推荐处方；或针对至少一个确诊疾病综合出具治疗推荐处方。用户在各疑似疾病中推断确诊疾病后，确诊疾病可能包括至少一种，单独针对每一种确诊疾病，可以分别针对每种确诊疾病出具对应的推荐处方以供用户选择。或者，综合所有确诊疾病，综合出具一个推荐处方以供用户选择。
[0123]
步骤s270，根据预测疾病对应的治疗推荐处方中确定的药品发出对应的协同拮抗提示信息。
[0124]
可以理解，治疗推荐处方中包括多种不同的药品，在一实施方式中，本技术的方法还包括根据用户在推荐处方中确定的药品发出对应的协同拮抗提示信息。进一步地，在一实施方式中，可以预先存储各类药品信息，并根据相关技术关联不同药品之间的协同作用和拮抗作用，以当医生选择的处方中包含协同或拮抗作用的药品时，发出对应的提示信息。例如当用户同时选择推荐处方中的a药品和b药品时，如果这两种药品具有协同作用或拮抗作用，则医生可以根据实际情况重新选择药品以修改处方，或者继续选择原本的药品以确认处方。这样的设计，可以避免因用药失误而导致的医疗事故。
[0125]
从上述实施例可以看出，本技术的临床决策辅助方法通过获取多方面的信息，同时准确识别用户输入的自然语言文本，以作为特征提取的数据来源，并根据最新的数据循环实时更新推荐检查项目和疑似疾病及对应的疑似概率，从而减少不必要的检查的同时，便于用户即医生更准确地推断确诊疾病；最后快速获取对应的推荐处方，以及根据提示信息对选择的处方做最后的确认，确保生成正确无误的处方，避免用药失误，降低医疗风险。
[0126]
与前述应用功能实现方法实施例相对应，本技术还提供了一种临床决策辅助系统、电子设备及相应的实施例。
[0127]
图5是本技术实施例示出的临床决策辅助系统的结构示意图。
[0128]
参见图5，本技术一实施例的临床决策辅助系统，包括特征提取模块 110、诊断模块120及检查推荐模块130，其中：
[0129]
特征提取模块110用于提取临床表现特征和动物信息特征；
[0130]
诊断模块120用于根据临床表现特征及动物信息特征，通过疾病预测模型获得至少一个疑似疾病及各疑似疾病对应的疑似概率；
[0131]
检查推荐模块130用于根据临床表现特征、动物信息特征及疑似疾病生成推荐检查项目；
[0132]
其中，诊断模块120用于通过疾病预测模型根据获得的至少一项推荐检查项目的检查数据更新疑似疾病及各更新的疑似疾病对应的疑似概率；检查推荐模块130用于根据更新的疑似疾病更新推荐检查项目，诊断模块 120用于根据更新的推荐检查项目的检查数据更新疑似疾病，直至在疑似疾病中获得供选择的预测疾病。
[0133]
图6是本技术实施例示出的临床决策辅助系统的另一结构示意图。
[0134]
进一步地，参见图6，在一实施方式中，特征提取模块110还包括一级症状获取模块和对应的二级症状获取模块，症状信息根据一级症状获取模块选择的内容和/或二级症状获取模块选择和/或输入的内容获得。其中，一级症状获取模块用于获取一级症状信息，一级症状信息包括可供选择的预选症状信息。预选症状信息可直接作为后续疾病预测模型所需的特征，以及作为多标签分类模型的特征。通过在一级症状获取模块中预先设置预选症状信息，以便医生根据动物的实际症状进行对应的点选，从而提高信息输入的准确度，节约疾病预测模型的数据处理时间。进一步地，为了进一步补充一级症状获取模块所获取的症状信息，还可以在二级症状获取模块输入对应的二级症状信息。其中二级症状获取模块还包括用于输入二级症状信息的文本框，以供医生输入二级症状信息。进一步地，在一实施方式中，二级症状获取模块还包括可供选择的预选细节症状信息，其中预选细节症状信息与对应的预选症状信息预先映射。进一步地，在一实施方式中，当一级症状获取模块中没有符合的预选症状信息时，可略过一级症状获取模块，直接根据二级症状获取模块输入的二级
症状信息和/或选择预选细节症状信息，从而获得症状信息。在一实施方式中，一级症状获取模块所获得的症状信息具有比二级症状获取模块所获得的症状信息的特征的参考权重更大。
[0135]
进一步地，为了尽可能减少不必要的检查项目，在一实施方式中，检查推荐模块120还用于将临床表现特征和动物信息特征分别输入预先训练好的多标签分类模型，获得对应的初始推荐检查项目；根据疑似疾病及对应的疑似概率生成对应的关联检查项目；将关联检查项目与初始推荐检查项目关联融合，生成推荐检查项目。根据检查推荐模块120生成的推荐检查项目，用户可以参考选取执行其中的一种或多种推荐检查项目，以获得对应的检查数据。
[0136]
进一步地，在一实施方式中，本技术的临床决策辅助系统还包括检查报告模块140，检查报告模块140用于根据检查数据进行分析，生成指标异常信息及对应的急救方案。进一步地，检查报告模块140用于基于知识图谱的医学推理模型对检查数据进行分析，生成指标异常信息及对应的急救方案。
[0137]
进一步地，在一实施方式中，为了缩小疑似疾病的范围，提高确诊率，在一实施方式中，诊断模块120根据分类模型获得第一组疑似疾病及对应的第一疑似概率，及根据贝叶斯网络模型和因果推理算法获得第二组疑似疾病及对应的第二疑似概率；将第一组疑似疾病及对应的第一疑似概率与第二组疑似疾病及对应的第二疑似概率根据评分模型进行综合处理，获得至少一个疑似疾病及各疑似疾病对应的疑似概率。在一实施方式中，诊断模块120还用于输出并显示对应的疑似疾病的推理依据。在一实施方式中，诊断模块120根据临床表现特征、动物信息特征和至少一项推荐检查项目的检查数据，输出并显示对应的疑似疾病的推理依据。进一步地，诊断模块120还可以根据简化规则对各推理依据进行简化处理，以输出和显示精简后的推理依据。进一步地，在一实施方式中，本技术的诊断模块120还包括疾病知识查看子模块，疾病知识查看子模块用于查看对应的疑似疾病的疾病概述、病因、病理学、辅助检查、诊断、治疗的相关知识。通过预先存储每一种疾病的相关知识，从而便于医生可以实时离线查看，以辅助判断确诊疾病。
[0138]
进一步地，在一实施方式中，临床决策辅助系统还包括语言处理模块 150，语言处理模块150用于根据用户输入的内容识别并获得对应的特征，以使诊断模块120结合特征生成至少一个疑似疾病。
[0139]
进一步地，本技术的系统还包括处方推荐模块160，处方推荐模块160 用于根据预测疾病生成治疗推荐处方。预测疾病可能包括至少一种，单独针对每一种预测疾病，在一实施方式中，处方推荐模块160可以分别针对每种预测疾病出具对应的推荐处方以供用户选择。或者，处方推荐模块160 综合所有预测疾病，综合出具一个推荐处方以供用户选择。
[0140]
进一步地，在一实施方式中，临床决策辅助系统还包括用药提醒模块 170，用药提醒模块170用于根据用户在推荐处方中确定的药品发出对应的协同拮抗提示信息。
[0141]
从上述实施例可以看出，本技术的临床决策辅助系统通过特征提取模块获取多方面的信息，同时根据语言处理模块准确识别用户输入的自然语言文本，以作为检查推荐模块和诊断模块中看获取特征的数据来源，检查推荐模块与诊断模块根据最新的数据循环实时更新推荐检查项目和疑似疾病及对应的疑似概率，从而减少不必要的检查的同时，便于医生更准确地推断确诊疾病；最后根据处方推荐模块快速获取对应的处方，以及根据用药
提醒模块对选择的处方做最后的确认，确保生成正确无误的处方，避免用药失误，降低医疗风险。
[0142]
参见图7，以下结合应用流程图进一步地说明本技术的临床决策辅助系统的应用。
[0143]
步骤s310，分别将已知的症状信息、既往疾病信息、现病史信息、体况分级信息、体格信息等临床表现信息和动物基本信息分别输入特征提取模块的界面中。
[0144]
用户即医生根据宠物主人的描述和观察将症状信息、既往史信息、现病史信息、体况分级信息、体格信息分别输入特征提取模块的界面中。例如，用户可以在一级症状获取模块中点选符合的一级症状信息，在二级症状获取模块的文本框中输入对应的二级症状信息和点选符合的预选细节症状信息。
[0145]
步骤s320，诊断模块根据输入的信息通过疾病预测模型生成疑似疾病及对应的疑似概率。
[0146]
步骤s330，检查推荐模块根据输入的信息通过多标签分类模型生成初始推荐检查项目，并根据疑似疾病生成关联检查项目，再将初始推荐检查项目与关联检查项目融合以生成推荐检查项目。
[0147]
步骤s340，用户可以在推荐检查项目中选择对应的检查项目对宠物进行体检，获得检查数据。
[0148]
可以理解，本步骤s340可以根据实际情况选择性执行其中的检查项目，则生成的检查数据将直接影响步骤s320，根据新增的检查数据获得更新的疑似疾病及对应的疑似概率。步骤s330根据更新的疑似疾病生成更新的推荐检查项目，如此往复循环，直至获得可供选择的疑似疾病。
[0149]
步骤s350，根据疑似疾病及疑似概率，判断是否具有供选择的预测疾病，以实现疾病的确诊。
[0150]
本步骤中，用户可以在更新的疑似疾病中选择对应的疑似疾病作为预测疾病，从而完成宠物的病情确诊。如果无法在当前的各疑似疾病中选择预测疾病，则没有完成确诊，此时用户可以重新在步骤s330推荐的推荐检查项目中选择更新的推荐检查项目中的一个或多个推荐检查项目进一步进行体检，步骤s340获得新的检查数据，步骤s320根据新的检查数据更新生成疑似疾病及对应的疑似概率，步骤s350则在新的疑似疾病中确定预测疾病。以此循环往复，直至用户在疑似疾病中选择预测疾病。
[0151]
步骤s360，处方推荐模块根据预测疾病生成对应的治疗推荐处方。
[0152]
其中，治疗推荐模块可以根据确诊疾病生成推荐处方，用户可以在治疗推荐处方中选择需要的药品。
[0153]
步骤s370，用药提醒模块自动判断该处方中的药品是否有协同拮抗作用，并进行相应的信息提示。用户根据信息提示进行处方确认或修改，以生成最终的处方。
[0154]
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不再做详细阐述说明。
[0155]
图8是本技术实施例示出的电子设备的结构示意图。
[0156]
参见图8，电子设备1000包括存储器1010和处理器1020。
[0157]
处理器1020可以是中央处理单元(central processing unit，cpu)，还可以是其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路
(application specific integrated circuit，asic)、现场可编程门阵列(field-programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
[0158]
存储器1010可以包括各种类型的存储单元，例如系统内存、只读存储器(rom)和永久存储装置。其中，rom可以存储处理器1020或者计算机的其他模块需要的静态数据或者指令。永久存储装置可以是可读写的存储装置。永久存储装置可以是即使计算机断电后也不会失去存储的指令和数据的非易失性存储设备。在一些实施方式中，永久性存储装置采用大容量存储装置(例如磁或光盘、闪存)作为永久存储装置。另外一些实施方式中，永久性存储装置可以是可移除的存储设备(例如软盘、光驱)。系统内存可以是可读写存储设备或者易失性可读写存储设备，例如动态随机访问内存。系统内存可以存储一些或者所有处理器在运行时需要的指令和数据。此外，存储器1010可以包括任意计算机可读存储媒介的组合，包括各种类型的半导体存储芯片(例如dram，sram，sdram，闪存，可编程只读存储器)，磁盘和/或光盘也可以采用。在一些实施方式中，存储器1010可以包括可读和/或写的可移除的存储设备，例如激光唱片(cd)、只读数字多功能光盘(例如dvd-rom，双层dvd-rom)、只读蓝光光盘、超密度光盘、闪存卡(例如sd卡、min sd卡、micro-sd卡等)、磁性软盘等。计算机可读存储媒介不包含载波和通过无线或有线传输的瞬间电子信号。
[0159]
存储器1010上存储有可执行代码，当可执行代码被处理器1020处理时，可以使处理器1020执行上文述及的方法中的部分或全部。
[0160]
此外，根据本技术的方法还可以实现为一种计算机程序或计算机程序产品，该计算机程序或计算机程序产品包括用于执行本技术的上述方法中部分或全部步骤的计算机程序代码指令。
[0161]
或者，本技术还可以实施为一种计算机可读存储介质(或非暂时性机器可读存储介质或机器可读存储介质)，其上存储有可执行代码(或计算机程序或计算机指令代码)，当可执行代码(或计算机程序或计算机指令代码)被电子设备(或服务器等)的处理器执行时，使处理器执行根据本技术的上述方法的各个步骤的部分或全部。
[0162]
以上已经描述了本技术的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其他普通技术人员能理解本文披露的各实施例。