ICS35.240.01CCSL67Technicalspecificationfortheconstructionofwisdomsyndromedifferentiationmodeloftraditionalchinesemedicine2024-07-01發(fā)布2IT/CI403—2024前言 12規(guī)范性引用文件 13術(shù)語和定義 14基本要求 24.1目標(biāo)明確性 24.2方法和流程規(guī)范 24.3數(shù)據(jù)質(zhì)量和隱私保護 25智慧中醫(yī)辨證模型 25.1基于辨證要素的中醫(yī)證型匹配策略 25.2基于特征加權(quán)與動態(tài)組合的證候分類策略 45.3融合知識圖譜的多通道中醫(yī)診斷策略 55.4基于四診信息智能提取的中醫(yī)辨證模型 56智慧中醫(yī)論治模型 66.1基于中醫(yī)證候的法則治法適配策略。 66.2基于深度交叉神經(jīng)網(wǎng)絡(luò)的處方推薦策略 66.3基于圖數(shù)據(jù)模式匹配的方藥檢索策略 86.4融合個體特征的中醫(yī)論治模型 87中醫(yī)診療優(yōu)化模型 7.1基于序貫治療的療效預(yù)測模型 7.2基于療效反饋的診療優(yōu)化機制 7.3基于深度強化學(xué)習(xí)的診療優(yōu)化方法 7.4中醫(yī)療效評價體系的構(gòu)建 8智慧輔助診療系統(tǒng)構(gòu)建技術(shù) 8.1基于證型的中醫(yī)處方推薦 8.2基于數(shù)據(jù)驅(qū)動的中醫(yī)診療方法 8.3中醫(yī)智慧輔助診療模型評估 9模型測試 9.1測試目的 9.2數(shù)據(jù)采集測試 9.3數(shù)據(jù)預(yù)處理測試 9.4特征提取測試 9.5處方推薦測試 T/CI403—2024本文件按照GB/T1.1一2020《標(biāo)準(zhǔn)化工作導(dǎo)則第1部分：標(biāo)準(zhǔn)化文件的結(jié)構(gòu)和起草規(guī)則》的規(guī)定起草。請注意本文件的某些內(nèi)容可能涉及專利。本文件的發(fā)布機構(gòu)不承擔(dān)識別專利的責(zé)任。本文件由河南科技大學(xué)提出。本文件由中國國際科技促進會歸口。本文件起草單位：河南科技大學(xué)、河南科技大學(xué)第一附屬醫(yī)院、同濟大學(xué)、東南大學(xué)、河南省洛陽正骨醫(yī)院（河南省骨科醫(yī)院）、廣州市香雪制藥股份有限公司、慧醫(yī)谷中醫(yī)藥科技（天津）股份有限公司、河南群智信息技術(shù)有限公司、洛陽理工學(xué)院、盧氏縣中醫(yī)院。本文件主要起草人：朱軍龍、吳慶濤、何良華、王琳、張明川、陳陽、王娟、康志英、董玉舒、張虹、郭珂珂、夏麗曄、王斌、趙亮、葛又銘、李美雯、王國勇、張娟梅、李明政。本文件為首次發(fā)布。T/CI403—2024當(dāng)前社會醫(yī)療資源供給不足與人民群眾日益增長的健康需求之間矛盾突出，且由于缺乏可用于研究的標(biāo)準(zhǔn)化數(shù)據(jù)集，跨科室、跨機構(gòu)協(xié)同困難，導(dǎo)致醫(yī)療信息的共享性較低。利用大數(shù)據(jù)、物聯(lián)網(wǎng)、人工智能、計算機視覺等理論和技術(shù)的興起與發(fā)展，同時結(jié)合中醫(yī)獨特的診療方法，研究符合中醫(yī)特色診療模式的智能輔助診療系統(tǒng)，不僅可以踐行“互聯(lián)網(wǎng)+智慧醫(yī)療”產(chǎn)業(yè)的發(fā)展政策，而且有望推動醫(yī)療服務(wù)走向真正意義的信息化、智能化和標(biāo)準(zhǔn)化進程。為了拓展中醫(yī)辨證論治模型構(gòu)建技術(shù)的應(yīng)用，實現(xiàn)中醫(yī)辨證論治與信息技術(shù)緊密結(jié)合，同時順應(yīng)我國中醫(yī)辨證論治的智慧化提升和升級改造需求，本文件制定了中醫(yī)智慧辨證論治模型構(gòu)建技術(shù)的規(guī)范。1T/CI403—2024中醫(yī)智慧辨證論治模型構(gòu)建技術(shù)規(guī)范本文件規(guī)定了中醫(yī)智慧辨證論治模型構(gòu)建的智慧中醫(yī)辨證模型、智慧中醫(yī)論治模型、中醫(yī)診療優(yōu)化模型、智慧輔助診療系統(tǒng)構(gòu)建技術(shù)、模型測試等內(nèi)容。本文件適用于中醫(yī)智慧辨證論治模型構(gòu)建，也可作為智慧中醫(yī)設(shè)計與研究的參考。2規(guī)范性引用文件本文件沒有規(guī)范性引用文件。3術(shù)語和定義下列術(shù)語和定義適用于本文件。3.1證型庫syndromedatabase一個集中存儲和管理中醫(yī)證候類型信息的知識庫，其中包含各類臨床中醫(yī)證候的定義、特點、癥狀表現(xiàn)、治療原則等相關(guān)信息。3.2關(guān)聯(lián)異質(zhì)圖heterogeneousassociationgraph用于描述患者個體特征、中藥以及二者之間關(guān)系的圖論表達形式，由多種類型的節(jié)點和不同類型的邊組成；其中不同的節(jié)點表示患者個體特征和中藥，邊表示患者個體特征與中藥之間的關(guān)系。3.3圖卷積網(wǎng)絡(luò)graphconvolutionalnetwork一種處理圖結(jié)構(gòu)數(shù)據(jù)的深度學(xué)習(xí)模型，用于有效地捕獲圖中的節(jié)點關(guān)系和整體的網(wǎng)絡(luò)結(jié)構(gòu)信息。3.4多層感知機multilayerperceptron一種前饋人工神經(jīng)網(wǎng)絡(luò)模型，由一個輸入層、一個或多個隱藏層以及一個輸出層組成，層與層之間是全連接的，能夠?qū)W習(xí)和模擬非線性和復(fù)雜的函數(shù)關(guān)系。2T/CI403—20243.5數(shù)據(jù)篩選datafiltering一種根據(jù)特定的條件或標(biāo)準(zhǔn)，從數(shù)據(jù)集中選擇出符合條件的數(shù)據(jù)子集的過程。3.6指標(biāo)清單indicatorslist一種系統(tǒng)化的列表，用于描述和定義在特定領(lǐng)域或任務(wù)中需要測量和評估的各種指標(biāo)。4基本要求4.1目標(biāo)明確性應(yīng)明確規(guī)定本文件的目標(biāo)和目的：確定模型的應(yīng)用范圍、目標(biāo)疾病或病種，以及模型在臨床實踐中的預(yù)期效果和貢獻。4.2方法和流程規(guī)范應(yīng)規(guī)范本文件的方法和流程：實現(xiàn)數(shù)據(jù)采集、特征提取、模型訓(xùn)練和驗證等環(huán)節(jié)的規(guī)范，以向可靠性、準(zhǔn)確性和可重復(fù)性方向發(fā)展為目標(biāo)。4.3數(shù)據(jù)質(zhì)量和隱私保護應(yīng)加強本文件構(gòu)建過程中的數(shù)據(jù)質(zhì)量控制和隱私保護：實現(xiàn)數(shù)據(jù)的準(zhǔn)確性、一致性和標(biāo)準(zhǔn)化，以及采取適當(dāng)?shù)拇胧┍Ｗo患者數(shù)據(jù)的隱私和安全。5智慧中醫(yī)辨證模型5.1基于辨證要素的中醫(yī)證型匹配策略智慧中醫(yī)辨證模型包括證型匹配策略、證候分類策略和中醫(yī)診斷策略，通過動態(tài)提取四診辨證要素，智能識別病位、病性及病勢，并對辨病結(jié)果進行中醫(yī)證候識別，從而確定主證、兼證?；诒孀C要素的中醫(yī)證型匹配策略可以抽象為“證素辨識”和“證型匹配”兩步，具體如圖1所示。3T/CI403—2024圖1基于辨證要素的中醫(yī)證型匹配原理5.1.1證素辨識證素辨識如下：a）癥狀收集：通過與患者交流、四診（問診、望診、舌診和脈診）觀察等方式收集患者的癥狀信b）病勢辨識：通過觀察患者的癥狀表現(xiàn)、脈象等，判斷疾病的輕重緩急程度，如輕癥、重癥等，即確定病情的嚴(yán)重程度和病勢的走向，幫助醫(yī)生做出合理的治療決策；c）病位辨別：通過對患者的癥狀進行分析和綜合判斷，確定疾病發(fā)生的部位或臟腑組織，如頭面部、胸腹部、四肢等，常見的臟腑組織包括心、肝、脾、肺、腎等；d）病性鑒別：綜合患者的主觀癥狀和客觀體征，對疾病性質(zhì)進行判斷，如寒熱虛實、氣滯血瘀等。5.1.2證型匹配依據(jù)證型拆解出的證素即可形成證型匹配規(guī)則，如表1所示；證型匹配的具體步驟如下：表1證素-證型匹配對照表12痰、熱、脾3痰（濕）、氣虛、脾44T/CI403—2024a）證型分類：將已知的各種中醫(yī)證候類型進行分類和整理，建立起證型庫，包括各類證候的定義、特點、癥狀表現(xiàn)和治療原則等；b）證素對比：對收集到的患者的證素信息進行歸納和整理，找出其涉及的基本證素，如寒熱、濕燥、氣滯、血瘀等。然后將基本證素與證型庫中的各種證候特點進行對比，找出與患者癥狀相匹配的證型；c）證型確定：通過綜合判斷確定最符合患者癥狀的證型，并作為辨證施治的依據(jù)。5.2基于特征加權(quán)與動態(tài)組合的證候分類策略針對中醫(yī)電子病歷文本數(shù)據(jù)中的重點癥狀進行權(quán)重加權(quán)，并且對四診信息的重要字段進行動態(tài)組合。該策略結(jié)構(gòu)如圖2所示，主要包括以下部分：圖2基于特征加權(quán)與動態(tài)組合的證候分類策略5.2.1特征加權(quán)通過將中醫(yī)電子病歷四診語料中望診、聞診、問診、脈診的數(shù)據(jù)分別輸入到子網(wǎng)絡(luò)中，并對四診字段分別進行關(guān)鍵特征的提取并賦予權(quán)值，使得模型能夠較快地從大量信息中篩選出高價值信息。5.2.2動態(tài)組合根據(jù)中醫(yī)電子病歷中望診特征、聞診特征、問診特征、切診特征的文本字段的重要程度提供對應(yīng)的權(quán)值，形成各字段的動態(tài)組合。不同的特征類型對于模型存在不同的定量影響，結(jié)合不同特征的動態(tài)加權(quán)可以提高模型分類的效果。5.2.3融合與預(yù)測將經(jīng)過子網(wǎng)絡(luò)動態(tài)組合后的特征向量輸入一個全連接層中，進行匯合與證候分類，通過不同特征的5T/CI403—2024信息融合實現(xiàn)對于患者證候的分類預(yù)測。5.3融合知識圖譜的多通道中醫(yī)診斷策略5.3.1多通道特征提取采用多通道方法對中醫(yī)電子病歷中豐富的四診信息進行文本處理，設(shè)置四個通道，對輸入癥狀進行多種特征表示，學(xué)習(xí)不同的癥狀特征。5.3.2知識圖譜嵌入a）圖譜構(gòu)建：實體抽取后得到八類實體和十五類關(guān)系，首先通過脈診表現(xiàn)、舌診表現(xiàn)、聞診表現(xiàn)、望診表現(xiàn)、查體表現(xiàn)、證候結(jié)論表現(xiàn)、護理宜忌表現(xiàn)、中醫(yī)診斷表現(xiàn)來對圖譜中八個類別的實體進行匯聚；然后在已有八類實體基礎(chǔ)上結(jié)合關(guān)系：脈診-證候結(jié)論、舌診-證候結(jié)論、聞診-證候結(jié)論、望診-證候結(jié)論、查體-證候結(jié)論、證候結(jié)論-護理宜忌、證候結(jié)論-中醫(yī)診斷，使用Neo4j構(gòu)建知識圖譜；b）圖譜嵌入：選用Complex模型作為知識圖譜嵌入模型，將知識圖譜中的實體和關(guān)系進行向量表示，主要用于補全知識庫的知識，也可用于知識問答、推薦、語義檢索、文本信息增強。5.3.3模型融合與預(yù)測將多通道特征向量和知識圖譜嵌入向量融合后輸入一個全連接層中，進行算法的學(xué)習(xí)與預(yù)測，如圖3所示。使用隨機加權(quán)平均算法進行模型的集成與優(yōu)化，提高模型的泛化能力。圖3知識圖譜融合示意圖5.4基于四診信息智能提取的中醫(yī)辨證模型5.4.1望診信息的智能化提取可以使用舌面象儀、便攜式面診儀、眼象健康成像儀等設(shè)備獲得高質(zhì)量圖像，然后采用圖像分割模6T/CI403—2024型獲取感興趣部位，再針對關(guān)鍵部位基于知識規(guī)則設(shè)計特征或利用機器學(xué)習(xí)進行特征選擇。5.4.2聞診信息的智能化提取智能提取設(shè)備包括中醫(yī)聞診儀、嗅診儀等，其中聲診技術(shù)可以采用傳統(tǒng)的小波變換或深度學(xué)習(xí)中的卷積網(wǎng)絡(luò)等方式進行特征提取，通過分析聲音信號中的頻率、振幅等特征，以及聲音信號的時域和頻域特征，來獲取與患者病情相關(guān)的信息。5.4.3問診信息的智能化提取問診信息的分類診斷模型采用極限學(xué)習(xí)機、癥狀關(guān)聯(lián)網(wǎng)絡(luò)、深度森林等進行建模，其中深度森林算法在多標(biāo)記評價指標(biāo)和單個證型的分類準(zhǔn)確率方面占有優(yōu)勢，能夠有效解決中醫(yī)問診證候分類問題。5.4.4脈診信息智能化提取采用支持向量機提取脈診信息特征，通過有效的構(gòu)建超平面來對不同類別的信號進行準(zhǔn)確分類。6智慧中醫(yī)論治模型6.1基于中醫(yī)證候的法則治法適配策略。6.1.1數(shù)據(jù)處理讀取中醫(yī)證候文本數(shù)據(jù)集并將其轉(zhuǎn)換為統(tǒng)一格式，同時對中醫(yī)證候治法數(shù)據(jù)集進行切詞、停用詞等數(shù)據(jù)處理，最終形成預(yù)處理的語料庫。6.1.2特征篩選利用語料庫建立詞匯共現(xiàn)矩陣，然后基于共現(xiàn)矩陣和算法學(xué)習(xí)中醫(yī)證候治法文本詞向量矩陣，并將其輸入到卷積層，使用不同尺寸的卷積核對輸入的證候治法文本進行關(guān)鍵特征篩選。6.1.3特征提取通過激活函數(shù)的非線性能力對特征進行保留并映射，得到證候治法數(shù)據(jù)集的關(guān)鍵特征，在池化層利用最大值采樣提取中醫(yī)證候的關(guān)鍵特征。6.1.4智能診斷將池化層得到的中醫(yī)證候向量傳遞到全連接層，根據(jù)輸出結(jié)果預(yù)測治法類別，得到中醫(yī)治法診斷結(jié)果。6.2基于深度交叉神經(jīng)網(wǎng)絡(luò)的處方推薦策略基于深度交叉神經(jīng)網(wǎng)絡(luò)的處方推薦策略將處方特征與病案信息特征進行自動組合，得到最佳的組合7T/CI403—2024特征，從而實現(xiàn)處方推薦功能，結(jié)構(gòu)如圖4所示。圖4基于深度交叉神經(jīng)網(wǎng)絡(luò)的處方推薦策略結(jié)構(gòu)6.2.1特征層將輸入的病案信息和處方信息進行特征表示，其中病案信息分為文本信息和類別信息，使得輸入信息能夠更好地進行特征提取以及向量表達。6.2.2嵌入層對劃分好的患者主訴、現(xiàn)病史、既往史、中醫(yī)診斷結(jié)果等文本特征和科室、性別、各項數(shù)值指標(biāo)等類別特征分別進行word2vec和one-hot嵌入，使得稀疏高維向量轉(zhuǎn)為稠密低維向量。6.2.3堆疊層將嵌入特征和部分原特征進行合并形成處方推薦的組合特征，并將其輸入到下一層次。6.2.4殘差層主要結(jié)構(gòu)是多個殘差塊，利用多層次殘差網(wǎng)絡(luò)將病案信息和處方信息的組合特征矢量的各個維度進行充分的交叉，提高模型的表達能力。6.2.5輸出層將殘差操作后的組合特征與輸入的原始組合特征進行相加，從而更好的將處方特征和病案信息特征進行交叉，同時最大限度地對原始組合特征進行特征保留，從而提高處方推薦的準(zhǔn)確率。8T/CI403—20246.3基于圖數(shù)據(jù)模式匹配的方藥檢索策略基于圖數(shù)據(jù)模式匹配的方藥檢索策略嚴(yán)格遵守“觀其脈證，知犯何逆，隨證治之”的原則，流程如圖5基于圖數(shù)據(jù)模式匹配的方藥檢索流程6.3.1觀其脈證將輸入癥狀與圖數(shù)據(jù)庫中的癥狀進行模式匹配，通過檢索輸出可能的候選診斷，模擬醫(yī)生將收集到的病例信息與記憶中的醫(yī)學(xué)知識進行匹配，初步分析病情的思維過程。6.3.2知犯何逆通過計算候選診斷所對應(yīng)的癥狀與輸入癥狀的相似度，對候選診斷進行篩選，判斷兩者是否契合，以此模擬大腦對“癥”與“證”之間契合度的聯(lián)想與認(rèn)知。6.3.3隨證治之通過檢索輸出相應(yīng)的方劑和藥物結(jié)果，并在確立主證對應(yīng)主方的基礎(chǔ)上，根據(jù)兼證的病機特點與主方中已有的藥物進行加減化裁，達到最佳的治療效果。6.4融合個體特征的中醫(yī)論治模型患者個人屬性差異會導(dǎo)致在患有相同疾病的情況下可能有差異化的癥狀表現(xiàn)，即使是同一癥狀其藥9T/CI403—2024方也因個體屬性特點不同而存在異同。針對該問題，本文件提供如圖6所示的融合患者個體特征的中醫(yī)論治模型，主要包括以下部分：圖6融合個體特征的中醫(yī)論治模型結(jié)構(gòu)6.4.1患者個體特征-中藥關(guān)聯(lián)建模從患者個體化特征的角度出發(fā)，構(gòu)建多維度個體特征與中藥之間的關(guān)聯(lián)異質(zhì)圖。a）首先需要基于臨床數(shù)據(jù)搭建患者個體特征異質(zhì)圖，患者個體特征-中藥關(guān)聯(lián)異質(zhì)圖，以及中藥-中藥關(guān)聯(lián)同質(zhì)圖。b）將患者的特征劃分為三個維度，個人屬性（包括年齡和性別）、癥狀表現(xiàn)（包括癥狀和證候）和診斷（包括中西醫(yī)體系中的疾病診斷）。c）根據(jù)醫(yī)案中的共現(xiàn)信息，模擬中醫(yī)基于用戶個體特征、癥狀和診斷，關(guān)聯(lián)到具體的藥方組成中藥集合，借助異質(zhì)圖描述這種關(guān)聯(lián)映射關(guān)系。6.4.2構(gòu)建多圖卷積神經(jīng)網(wǎng)絡(luò)針對異質(zhì)圖采用多類型感知的注意力機制來區(qū)分不同類型的節(jié)點對患者個體特征和中藥實體表示學(xué)習(xí)的影響，多類型即圖中對應(yīng)的多種節(jié)點類型，如患者個體特征異質(zhì)圖中的癥狀、診斷與個體特征。在消息傳遞機制上，為每個圖上的節(jié)點存儲一個類型的屬性信息，在實際的數(shù)據(jù)預(yù)處理過程中，為每一個節(jié)點專門存儲單跳可達節(jié)點的信息，所有節(jié)點的鄰居信息集合即存成鄰接矩陣，以此來表示完整的圖關(guān)聯(lián)邊集。T/CI403—20246.4.3特征融合-預(yù)測使用多層感知機（MLP）融合以上特征的嵌入來表示患者特征及中藥特征，并將融合后得到的患者及中藥的整體表示作為模型預(yù)測函數(shù)的輸入，最終得到預(yù)測藥方的向量表示，基于臨床數(shù)據(jù)中的實際中藥藥方進行對比，中藥集合推薦任務(wù)的準(zhǔn)確度較高。7中醫(yī)診療優(yōu)化模型7.1基于序貫治療的療效預(yù)測模型7.1.1整理中醫(yī)臨床癥狀原始數(shù)據(jù)按照發(fā)生的時間先后順序，整理出病患的臨床癥狀的狀態(tài)時間序列。7.1.2統(tǒng)計狀態(tài)整理出狀態(tài)空間，進行狀態(tài)劃分，確定由中醫(yī)臨床癥狀構(gòu)成的時間序列的觀察值狀態(tài)，統(tǒng)計出每一個中醫(yī)臨床癥狀的頻數(shù)。臨床癥狀的狀態(tài)有“有”和“無”兩個狀態(tài)，統(tǒng)計出每一個時間序列的狀態(tài)個數(shù)。7.1.3數(shù)據(jù)篩選從時間序列中篩選出符合預(yù)測條件的中醫(yī)臨床癥狀序列進行預(yù)測，在臨床實踐中幫助醫(yī)生根據(jù)患者的病情和治療歷史制定更加個性化和有效的治療方案。7.2基于療效反饋的診療優(yōu)化機制在這個機制中，通過建立健全的醫(yī)學(xué)數(shù)據(jù)庫，將患者的病歷資料、醫(yī)學(xué)影像、實驗室檢查結(jié)果等數(shù)據(jù)整合在一起。流程如圖7所示。圖7基于療效反饋的診療優(yōu)化方法T/CI403—20247.2.1數(shù)據(jù)收集建立健全的醫(yī)學(xué)數(shù)據(jù)庫，將患者的病歷資料、醫(yī)學(xué)影像、實驗室檢查結(jié)果等數(shù)據(jù)整合在一起。7.2.2數(shù)據(jù)挖掘和分析通過數(shù)據(jù)挖掘和分析技術(shù)，從大量的醫(yī)學(xué)數(shù)據(jù)中發(fā)現(xiàn)患者的疾病特點和治療反應(yīng)。7.2.3制定治療指南和規(guī)范根據(jù)數(shù)據(jù)分析的結(jié)果，可以制定相應(yīng)的治療指南和規(guī)范，為醫(yī)生提供診療的參考依據(jù)。7.2.4診療方案優(yōu)化醫(yī)生在診斷和治療過程中，可以根據(jù)患者的具體情況，參考相關(guān)的治療指南，并結(jié)合療效反饋進行調(diào)整和優(yōu)化治療方案。7.2.5實時監(jiān)測和健康管理通過實時監(jiān)測患者的生理參數(shù)和治療效果，醫(yī)生可以隨時了解患者的病情變化，及時調(diào)整治療方案，避免因治療不當(dāng)而導(dǎo)致的健康風(fēng)險。7.3基于深度強化學(xué)習(xí)的診療優(yōu)化方法針對中醫(yī)診療優(yōu)化問題，通過設(shè)計離線虛擬環(huán)境、獎勵函數(shù)、狀態(tài)轉(zhuǎn)移預(yù)測以及診療方案聚類分析，構(gòu)建出一個基于深度強化學(xué)習(xí)的中醫(yī)動態(tài)診療方案優(yōu)化模型。將患者的癥狀和診療優(yōu)化模型優(yōu)化輸出的診療方案作為輸入，構(gòu)建多層神經(jīng)網(wǎng)絡(luò)用于預(yù)測中藥處方；最終將優(yōu)化輸出的診療方案和預(yù)測的中藥處方作為治療方案推薦給患者。具體流程如圖8所示。圖8基于深度強化學(xué)習(xí)的診療優(yōu)化流程7.3.1診療方案優(yōu)化模塊通過結(jié)合Q-Learning和卷積神經(jīng)網(wǎng)絡(luò)的強化學(xué)習(xí)模型、通過融合全連接網(wǎng)絡(luò)和LSTM神經(jīng)網(wǎng)絡(luò)的T/CI403—2024強化學(xué)習(xí)模型進行診療方案優(yōu)化模型訓(xùn)練，得到最佳的患者診療方案。7.3.2處方推薦模塊輸入診療方案，構(gòu)建多層神經(jīng)網(wǎng)絡(luò)用于預(yù)測中藥處方，最終將優(yōu)化輸出的診療方案和預(yù)測的中藥處方作為治療方案推薦給患者。7.4中醫(yī)療效評價體系的構(gòu)建中醫(yī)療效評價體系的構(gòu)建是為了科學(xué)客觀地評估中醫(yī)治療的效果，以指導(dǎo)中醫(yī)臨床實踐和提高治療效率，該體系的流程圖如圖9所示。圖9中醫(yī)療效評價系統(tǒng)7.4.1確定指標(biāo)清單通過聚類分析統(tǒng)計臨床常見的基本證候要素及癥狀、體征和四診信息，形成病-證-癥的結(jié)構(gòu)框架，進而形成中醫(yī)證候指標(biāo)清單。7.4.2建立指標(biāo)集基于前期形成的中醫(yī)證候指標(biāo)清單，經(jīng)過咨詢-反饋-統(tǒng)計分析過程，對指標(biāo)條目進行取舍，最終確定中醫(yī)證候和疾病評價指標(biāo)集。T/CI403—20247.4.3確定指標(biāo)權(quán)重采用層次分析法，基于前期形成的中醫(yī)證候和疾病評價指標(biāo)集，構(gòu)建由目標(biāo)層、維度層、指標(biāo)層組成的多層次結(jié)構(gòu)模型，對各層次中的指標(biāo)，分別建立成對比較矩陣，計算各指標(biāo)權(quán)重，并進行一致性檢驗，最終確立各評價指標(biāo)的權(quán)重系數(shù)。8智慧輔助診療系統(tǒng)構(gòu)建技術(shù)8.1基于證型的中醫(yī)處方推薦中醫(yī)辨證論治診療體系先采集病例數(shù)據(jù)并進行數(shù)據(jù)處理，提取病例中的關(guān)鍵因素，然后利用中醫(yī)理論判斷疾病證型，結(jié)合證型診斷思想和醫(yī)生開放經(jīng)驗，得出具體的治療方案，開出處方。中醫(yī)通過望聞問切分析診斷后得到的病例數(shù)據(jù)后，將數(shù)據(jù)挖掘算法應(yīng)用到這些數(shù)據(jù)上，建立模型得出結(jié)果并分析其中有價值的信息，即癥狀與證型、癥狀與藥物、藥物與用藥劑量、藥物和用藥劑量與方劑等之間的關(guān)系。診療流程如圖10所示。圖10基于數(shù)據(jù)挖掘的中醫(yī)診療模型8.1.1用藥規(guī)律采用數(shù)據(jù)挖掘技術(shù)對方劑數(shù)據(jù)進行分析，分析某種藥物經(jīng)常與哪些其他藥物相結(jié)合，探究藥物特性與方劑功效之間的關(guān)系，使用算法生成和歸納出一些有特定療效的常用藥物組合。8.1.2證型判斷篩選大量的癥狀信息，從癥狀指標(biāo)數(shù)據(jù)中進行特征提取，獲得有效信息，并對病情機理進行分析，通過統(tǒng)計醫(yī)生的診斷結(jié)果建立的模型進行模擬判斷，預(yù)測疾病證型。T/CI403—20248.1.3方證關(guān)系使用數(shù)據(jù)挖掘技術(shù)進行研究，從高維海量的診療數(shù)據(jù)中歸納出癥狀與藥物的關(guān)系。8.2基于數(shù)據(jù)驅(qū)動的中醫(yī)診療方法8.2.1數(shù)據(jù)采集與預(yù)處理采集中醫(yī)病、證的概念、定義、癥狀、體征、治法和方劑等信息。對采集的數(shù)據(jù)進行數(shù)據(jù)清洗和數(shù)據(jù)標(biāo)準(zhǔn)化，去除重復(fù)、錯誤或不一致的數(shù)據(jù)，將不同來源、不同格式的數(shù)據(jù)統(tǒng)一到相同的標(biāo)準(zhǔn)下，組建中醫(yī)藥多源異構(gòu)數(shù)據(jù)集。8.2.2分詞采用分詞工具對中醫(yī)文本數(shù)據(jù)進行分詞，實現(xiàn)文本數(shù)據(jù)從非結(jié)構(gòu)化到文本向量的轉(zhuǎn)變。8.2.3特征提取提取文本向量中的關(guān)鍵詞特征，并計算特征權(quán)重，并對提取計算結(jié)果進行評估選擇。8.2.4特征選擇結(jié)合疾病的癥狀特征、各個疾病對應(yīng)各個證型的癥狀特征以及其特征權(quán)重，通過特征選擇和加權(quán)計算的方式，量化辨病和辨證的過程，從而實現(xiàn)辨證論治的客觀化，得出精準(zhǔn)的辨證論治結(jié)果。8.2.5構(gòu)建模型采用中醫(yī)病證結(jié)合診療模式思想，對疾病、證型概念和癥狀表現(xiàn)進行特征提取和權(quán)重計算，得到疾病-特征相關(guān)關(guān)系和疾病-證型-特征相關(guān)關(guān)系，結(jié)合疾病-證型-治法-方劑聯(lián)系分別構(gòu)建中醫(yī)辨病模型、中醫(yī)辨證論治模型，最后結(jié)合中醫(yī)診療特征相關(guān)性計算方法構(gòu)建基于數(shù)據(jù)驅(qū)動的中醫(yī)精準(zhǔn)診療模型。8.3中醫(yī)智慧輔助診療模型評估8.3.1確定評估指標(biāo)選擇評估目標(biāo)，如評估模型在處方推薦、治療建議等方面的性能，根據(jù)評估目標(biāo)，選擇合適的評估指標(biāo)，如準(zhǔn)確率、召回率等，量化模型的性能。8.3.2數(shù)據(jù)收集與預(yù)處理收集中醫(yī)臨床數(shù)據(jù)、挖掘中醫(yī)古籍?dāng)?shù)據(jù)并通過數(shù)據(jù)挖掘從互聯(lián)網(wǎng)上抓取與中醫(yī)相關(guān)的文本、圖片、視頻等信息，提取出與特定疾病相關(guān)的癥狀、證候、治療方法等信息。對數(shù)據(jù)進行清洗與預(yù)處理，去除重復(fù)數(shù)據(jù)、處理缺失值和異常值、標(biāo)準(zhǔn)化數(shù)據(jù)格式，并根據(jù)模型需要，對數(shù)據(jù)進行適當(dāng)?shù)奶卣魈崛『娃D(zhuǎn)換。T/CI403—20248.3.3模型訓(xùn)練使用經(jīng)過預(yù)處理的數(shù)據(jù)對中醫(yī)智慧輔助診療模型進行訓(xùn)練，根據(jù)模型的特點和評估的目標(biāo)，設(shè)置合適的訓(xùn)練參數(shù)。8.3.4模型驗證將數(shù)據(jù)集劃分為訓(xùn)練集、驗證集和測試集，使用訓(xùn)練集訓(xùn)練模型，使用驗證集調(diào)整模型參數(shù)和選擇最佳模型，使用驗證集評估模型的性能。通過比較模型在測試集上的預(yù)測結(jié)果與真實結(jié)果，計算評估指標(biāo)的值，以評估模型的性能。8.3.5模型優(yōu)化根據(jù)模型驗證的結(jié)果，對模型進行優(yōu)化和調(diào)整，通過改進模型結(jié)構(gòu)、調(diào)整參數(shù)、引入新的特征等方法來提高模型的性能。9模型測試9.1測試目的對中醫(yī)智