“醫(yī)路同行”智能醫(yī)療服務(wù)平臺設(shè)計(jì)與實(shí)現(xiàn)

盧嚴(yán)磚 孔祥勇 李星星

摘 ?要： 醫(yī)療信息的缺失導(dǎo)致醫(yī)療差錯(cuò)頻發(fā)[1]，移動(dòng)醫(yī)療[2]的出現(xiàn)改善了這一現(xiàn)象。本項(xiàng)目通過與專業(yè)醫(yī)生合作，運(yùn)用機(jī)器視覺、自然語言處理等人工智能技術(shù)，自動(dòng)采集患者的健康信息，通過搭建醫(yī)學(xué)知識圖譜，實(shí)現(xiàn)醫(yī)療健康智能問答。另外，使用基于用戶興趣的推薦算法，對患者進(jìn)行個(gè)性化健康資訊推薦。使用血糖儀、血壓計(jì)等設(shè)備對患者進(jìn)行生命體征監(jiān)測，然后結(jié)合專業(yè)隨訪量表對患者健康進(jìn)行評估。在項(xiàng)目中，采用AHP層次分析法、KNN等算法，實(shí)現(xiàn)對糖尿病等慢性疾病的自動(dòng)預(yù)測，從而搭建起一套促進(jìn)患者健康的智能醫(yī)療服務(wù)平臺。

關(guān)鍵詞： 人工智能;醫(yī)學(xué)知識圖譜;自然語言處理;慢病預(yù)測

中圖分類號： TP311.52 ? ?文獻(xiàn)標(biāo)識碼： A ? ?DOI：10.3969/j.issn.1003-6970.2020.01.051

本文著錄格式：盧嚴(yán)磚，孔祥勇，李星星，等. “醫(yī)路同行”智能醫(yī)療服務(wù)平臺設(shè)計(jì)與實(shí)現(xiàn)[J]. 軟件，2020，41（01）：234239

【Abstract】： The lack of medical information has led to frequent medical errors， and the emergence of mobile medical care has improved this phenomenon. Through cooperation with professional doctors， this project uses artificial intelligence technology such as machine vision and natural language processing to automatically collect patient's health information， and build medical knowledge map to realize medical health intelligence question and answer. In addition， personalized health information recommendations are made to patients using a recommendation algorithm based on user interest. The patient is monitored for vital signs using equipment such as blood glucose meters and sphygmomanometers， and then the patient's health is assessed in conjunction with a professional follow-up scale. In the project， AHP analytic hierarchy process， KNN and other algorithms are used to realize automatic prediction of chronic diseases such as diabetes， so as to build a set of intelligent medical service platform to promote patient health.

【Key words】： Artificial intelligence; Medical knowledge map; Natural language processing; Chronic disease prediction

0 ?引言

醫(yī)療服務(wù)平臺的使用已經(jīng)在國內(nèi)外各個(gè)醫(yī)院普及，然而患者和醫(yī)生、醫(yī)生與醫(yī)生之間的信息屏障并沒有被打破，不對等的信息導(dǎo)致醫(yī)療差錯(cuò)事故率居高不下[3-4]?，F(xiàn)有的移動(dòng)醫(yī)療項(xiàng)目雖然實(shí)現(xiàn)了輕問診、遠(yuǎn)程復(fù)診、家庭醫(yī)生等模式，卻缺乏患者全生命周期的健康信息[5]。為了改善這種現(xiàn)象，我們設(shè)計(jì)開發(fā)了一套包含網(wǎng)頁和小程序的智能醫(yī)療服務(wù)平臺，通過可穿戴設(shè)備及時(shí)獲得用戶健康數(shù)據(jù)，并對數(shù)據(jù)進(jìn)行智能化分析、展示，通過與專業(yè)醫(yī)生合作，實(shí)現(xiàn)以患者為中心的全流程的醫(yī)療健康管理。

1 ?背景

我國去年各級醫(yī)學(xué)會共接到8000多起醫(yī)療事故技術(shù)鑒定，事故率高達(dá)47%[6]，醫(yī)療差錯(cuò)事故大多來自于錯(cuò)誤的流程和錯(cuò)誤的環(huán)境。2018年以來，國家衛(wèi)健委等權(quán)威部門發(fā)布了《互聯(lián)網(wǎng)診療管理辦法（試行）》以及《國務(wù)院辦公廳關(guān)于促進(jìn)“互聯(lián)網(wǎng)+醫(yī)療健康”發(fā)展的意見》，積極鼓勵(lì)采用“互聯(lián)網(wǎng)+醫(yī)療”模式解決醫(yī)療資源不足的問題，提高醫(yī)療質(zhì)量與效率。

互聯(lián)網(wǎng)醫(yī)療的目標(biāo)群體主要為慢病患者、恢復(fù)期患者等。據(jù)統(tǒng)計(jì)，用戶使用最多的3個(gè)應(yīng)用類型是健身類（30.9%）、醫(yī)學(xué)資訊類（16.6%）和健康管理類（15.5%）[7]。現(xiàn)今國內(nèi)移動(dòng)醫(yī)療APP大多用戶信息不完整，醫(yī)療APP審核缺乏科學(xué)合理的評判標(biāo)準(zhǔn)，用戶信任度低。

我們以專業(yè)醫(yī)學(xué)知識和信息技術(shù)為基礎(chǔ)，建立了一個(gè)專業(yè)可信的醫(yī)患溝通平臺，解決醫(yī)療數(shù)據(jù)的“信息孤島”的問題。使用可穿戴設(shè)備，采集生命健康數(shù)據(jù)，結(jié)合專業(yè)隨訪量表對患者健康進(jìn)行評估，幫助用戶隨時(shí)掌握自身健康情況。搭建基于醫(yī)學(xué)知識圖譜的智能問答機(jī)器人，將醫(yī)學(xué)人工智能技術(shù)廣泛應(yīng)用于用戶健康管理，極大節(jié)省了醫(yī)療資源和用戶精力，全流程護(hù)航用戶健康。

2 ?智能醫(yī)療服務(wù)平臺

2.1 ?系統(tǒng)結(jié)構(gòu)圖

“醫(yī)路同行”智能醫(yī)療服務(wù)平臺包括患者檔案、健康監(jiān)測、健康科普和健康商城四個(gè)模塊?！搬t(yī)路同行”智能醫(yī)療服務(wù)平臺結(jié)構(gòu)如圖1所示。

2.2 ?智能醫(yī)療服務(wù)流程

基于用戶需求，我們設(shè)計(jì)了如圖2的系統(tǒng)邏輯功能和數(shù)據(jù)流向。

2.3 ?數(shù)據(jù)庫設(shè)計(jì)

基于用戶的需求分析建立起實(shí)體關(guān)系模型，根據(jù)該模型建立數(shù)據(jù)庫，存儲用戶基本信息、資訊內(nèi)容等數(shù)據(jù)。實(shí)體關(guān)系模型如圖3所示。

3 ?功能介紹

3.1 ?患者檔案

醫(yī)療信息數(shù)據(jù)龐雜，患者手動(dòng)錄入健康檔案操作繁瑣。為了解決這個(gè)問題，我們使用圖像識別[8]、自然語言處理[9]等技術(shù)實(shí)現(xiàn)了圖像錄入?；谏疃葘W(xué)習(xí)實(shí)現(xiàn)對自然場景的文字檢測和端到端的OCR中文文字識別[10]，以達(dá)到對文字方向檢測0、90、180、270度檢測，以及不定長OCR識別。自定義一個(gè)專業(yè)的醫(yī)療信息詞典，對得到的結(jié)果進(jìn)行分 ?詞[11]，將識別的就醫(yī)信息進(jìn)行結(jié)構(gòu)化存儲。提高了患者檔案錄入的效率，增強(qiáng)了健康信息的可用性。自然場景文字識別整個(gè)流程如圖4所示。

健康檔案使用流程如圖5所示?；颊叩顷懸院?，首先將過往的健康信息錄入到小程序當(dāng)中，讓患者可以更加方便的查看自己的過往就診信息。然后以專業(yè)隨訪量表為標(biāo)準(zhǔn)，為患者的健康狀況進(jìn)行打分和評估。再將患者的健康評分進(jìn)行解讀，讓患者能夠更加直觀的查看自己的健康狀態(tài)。

運(yùn)用如圖6所示的層次分析法加健康模糊綜合評價(jià)[12]，以生理參數(shù)指標(biāo)為評價(jià)因素，建立一個(gè)三層人體健康模型，將用戶的身體狀況評為危險(xiǎn)、亞健康和健康等五個(gè)級別。健康模糊綜合評價(jià)實(shí)現(xiàn)步驟：（1）建立評價(jià)指標(biāo)集合;（2）建立評判集;（3）確定各評價(jià)指標(biāo)的權(quán)重W;（4）構(gòu)建指標(biāo)隸屬度函數(shù);（5）綜合評價(jià)，將用戶健康狀況分成5級。該技術(shù)使用專業(yè)的體檢中心評價(jià)指標(biāo)，將健康分級標(biāo)準(zhǔn)化，幫助用戶實(shí)現(xiàn)更好地健康管理。

3.2 ?健康監(jiān)測[13]

可穿戴健康設(shè)備可廣泛應(yīng)用于體征監(jiān)測和統(tǒng)計(jì)運(yùn)動(dòng)數(shù)據(jù)，我們使用藍(lán)牙外接血糖儀、血壓儀、健康手環(huán)等可穿戴設(shè)備時(shí)刻監(jiān)控用戶血氧、血壓、運(yùn)動(dòng)情況等健康數(shù)據(jù)，并進(jìn)行健康大數(shù)據(jù)的處理與分析，繪制慢病預(yù)測曲線圖。血糖管理如圖7所示。

3.3 ?慢性病預(yù)測

慢性病患病率高，患病周期長，一旦治療不及，易造成生命財(cái)產(chǎn)的危害，利用算法對疾病進(jìn)行提前預(yù)測可以減少不必要的損失。以糖尿病為例，運(yùn)用KNN（k-nearest neighbors）算法，將用戶過往血糖、身高、體重、年齡等數(shù)據(jù)作為參數(shù)，劃分訓(xùn)練集和測試集，確認(rèn)模型的復(fù)雜度和精確度，并調(diào)整近鄰點(diǎn)參數(shù)，再通過算法模型進(jìn)行訓(xùn)練后，調(diào)用預(yù)測函數(shù)對測試集進(jìn)行預(yù)測，計(jì)算出用戶的患病可能性，及時(shí)進(jìn)行疾病預(yù)防或治療。糖尿病智能預(yù)測如圖5所示。

3.4 ?醫(yī)療智能問答機(jī)器人

市場上的醫(yī)患平臺很難實(shí)現(xiàn)對患者問題的實(shí)時(shí)解答且線上答疑水平參差不齊。為了解決這個(gè)問題，我們搭建了搭建以疾病為中心的醫(yī)藥領(lǐng)域知識圖譜[14-15]，并以該知識圖譜完成醫(yī)療自動(dòng)問答[16-17]服務(wù)。及時(shí)解答用戶遇到的各種問題，解讀健康報(bào)告。圖譜數(shù)據(jù)來源于各大百科類網(wǎng)站和醫(yī)院信息庫，并在項(xiàng)目運(yùn)行中通過問答不斷豐富知識存儲庫，目前實(shí)體規(guī)模已達(dá)11.8萬，實(shí)體關(guān)系規(guī)模已達(dá)185萬。知識圖譜關(guān)系與實(shí)體模型圖9所示。

醫(yī)學(xué)自動(dòng)問答框架[18]如圖10所示。第一步是先獲取患者提出的自然問句，然后使用classifier組件將問句類型進(jìn)行分類，第二步是通過parser組件將問句進(jìn)行解析，第三步是將解析后的結(jié)果通過search_ sqler組件Cypher查詢語句來對知識圖譜進(jìn)行查詢，最后將查詢到的結(jié)果連接成答案返回給用戶。

圖11為快速問診功能，我們使用iView等前端技術(shù)將開發(fā)的醫(yī)學(xué)自動(dòng)問答框架封裝為智能問答機(jī)器人，然后將該機(jī)器人添加到快速問診功能中，實(shí)現(xiàn)對患者問題的實(shí)時(shí)解答。并且以知識圖譜中大量的專業(yè)醫(yī)療數(shù)據(jù)為基礎(chǔ)，保障了智能問答的質(zhì)量，為患者提供專業(yè)的線上答疑。

3.5 ?預(yù)約醫(yī)生

預(yù)約醫(yī)生功能以用戶的病歷記錄和用藥記錄為參數(shù)，使用基于用戶的協(xié)同過濾算法[19]，為用戶推薦同類用戶就診的醫(yī)院與科室，根據(jù)用戶的就診需求精準(zhǔn)匹配相應(yīng)的醫(yī)生進(jìn)行預(yù)約，節(jié)省用戶的時(shí)間和精力。

3.6 ?個(gè)性化健康資訊

平臺邀請專家破解健康謠言[20]，實(shí)現(xiàn)對必要的醫(yī)學(xué)知識、健康管理理念的科普。使用基于用戶興趣的推薦算法模型[21-22]，首先搭建物品-主題概率分布矩陣，再分別構(gòu)建用戶歷史興趣模型、用戶行為興趣模型、用戶內(nèi)容興趣模型，將此三個(gè)興趣模型的主題詞權(quán)制進(jìn)行合并。最后生成推薦列表，將候選資訊內(nèi)容同目標(biāo)用戶UIM進(jìn)行相似度計(jì)算， 進(jìn)行TOP-N推薦。個(gè)性化推薦醫(yī)學(xué)熱點(diǎn)。測評指標(biāo)為：準(zhǔn)確率、召回率和F（主題特征序列）值?；谟脩襞d趣模型的推薦算法流程如圖12所示。

4 ?總結(jié)與展望

“醫(yī)路同行”項(xiàng)目實(shí)現(xiàn)了智能錄入、健康評估、慢病預(yù)測和健康資訊推薦等功能，打造了一個(gè)以用戶為中心的健康管理體系，加強(qiáng)醫(yī)院與患者的溝通。其中智能錄入功能使用了圖像識別和自然語言處理技術(shù)，使信息能夠以結(jié)構(gòu)化的方式被利用起來。高危評估功能使用了層次分析法和綜合模糊評價(jià)，智能評估用戶的健康狀況。健康評估模塊，連接了專業(yè)測量硬件，及時(shí)獲取用戶的健康數(shù)據(jù)，并進(jìn)行深度挖掘，預(yù)測患慢病幾率。智能問答搭建了一個(gè)基于知識圖譜的智能機(jī)器人，精準(zhǔn)識別并回答用戶的問題。整個(gè)項(xiàng)目以服務(wù)用戶為宗旨，提高醫(yī)療服務(wù)質(zhì)量。同時(shí)減輕醫(yī)生負(fù)擔(dān)，合理分配醫(yī)療資源。

未來移動(dòng)醫(yī)療行業(yè)線上線下融合將進(jìn)一步深入，醫(yī)療數(shù)據(jù)的價(jià)值將進(jìn)一步放大[23]。為了滿足用戶的需求，在接下來的工作中，我們的目標(biāo)是：

（1）擴(kuò)大用戶群體，獲得更多數(shù)據(jù)。爭取為每個(gè)用戶建立一個(gè)完整、有效的健康檔案[24]。

（2）完善專業(yè)的醫(yī)學(xué)量表，用以預(yù)測更多的慢性病。

（3）完善知識圖譜，補(bǔ)充更多臨床知識，讓智能問答更精準(zhǔn)、更專業(yè)。

“醫(yī)路同行”團(tuán)隊(duì)致力于體察用戶的需求、不斷學(xué)習(xí)新技術(shù)。陪伴用戶“醫(yī)路同行，一路健康”！

參考文獻(xiàn)

[1] Addressing the Diversity-Validity Dilemma Using Situa-tional Judgment Tests[J]. Juster Fern R， Baum Robin Camhi， Zou Christopher， Risucci Don， Ly Anhphan， Reiter Harold， Miller D Douglas， Dore Kelly L. Academic medicine： journal of the Association of American Medical Colleges. 2019（8）.

[2] The medical AI insurgency： what physicians must know about data to practice with intelligent machines[J]. Miller D Douglas. NPJ digital medicine. 2019.

[3] A study on use of the web for automatic answering of remedy finding questions of common users[J]. Prakash Amit， Saha Sujan Kumar. Technology and health care： official journal of the European Society for Engineering and Medicine. 2019（1）.

[4] Research on Intelligent Scheduling Optimization Selection Algorithm for Medical Information[J]. Ming Li ， Ruo Hu ， Hong Xu ， Huimin Zhao， Xueri Li. Proceedings of the 3rd International Conference on Mechatronics Engineering and Information Technology （ICMEIT 2019）. 10. 2991/icmeit-19. 2019. 74.

[5] 黃堃. 基于計(jì)算機(jī)網(wǎng)絡(luò)技術(shù)的計(jì)算機(jī)網(wǎng)絡(luò)信息安全及其防護(hù)策略分析[J]. 軟件， 2018， 39（6）： 139-141.

[6] 龔政霞， 白春霞. 新醫(yī)改推動(dòng)信息化深入發(fā)展移動(dòng)醫(yī)療日漸興起備受關(guān)注[J]. 世界電信， 2012， （8）： 76-80.

[7] 王露， 姜小艷， 張思容， 何力， & 彭立生. （2016）. 我國醫(yī)療損害責(zé)任糾紛案件統(tǒng)計(jì)分析. 中國衛(wèi)生統(tǒng)計(jì)， 33（6）， 1051-1053.

[8] [美]埃里克托普. 顛覆醫(yī)療——大數(shù)據(jù)時(shí)代的個(gè)人健康革命[M]. 1. 北京： 電子工業(yè)出版社， 2014. 1： 175-186.

[9] Adaptive reversible image watermarking algorithm based on IWT and level set.[J]. Zhengwei Zhang， Lifa Wu， Shaozhang Xiao. EURASIP Journal on Advances in Signal Processing， 2017， 2017（1）.

[10] Facilitating practical knowledge by using ECT[J]. Rita Jentoft. Seminar. net. 2009（1）.

[11] 趙健， 馮喬生， 何娟娟. 面向漢字識別的新特征及其提取方法[J]. 軟件， 2015， 36（3）： 31-36.

[12] 倪寧， 張少泉， 陳曉云， 等. 基于熵權(quán)法和模糊層次分析法的審計(jì)風(fēng)險(xiǎn)評估[J]. 軟件， 2018， 39（10）： 254-259.

[13] 吳昱， 黃建明. 一種基于Android 的健康監(jiān)控預(yù)警系統(tǒng)[J]. 軟件， 2016， 37（02）： 129-133.

[14] Research on the Developments of Business Intelligence and its Enlightenment based on Bibliometric Statistics and Know?ledge Map Analysis[J]. Zongfeng Zou， Jie Cheng， Kugan Huang， Yonghan Gui. Journal of Physics： Conference Series. 2019（4）.

[15] 劉家瑋， 劉波， 沈岳. 知識圖譜在農(nóng)業(yè)信息服務(wù)中的應(yīng)用進(jìn)展[J]. 軟件， 2015， 36（3）： 26-30.

[16] The application of block chain technology in spot exch-ange[J]. Ming Zheng Liu， Zongfeng Zou. <， journal- title>， Journal of Intelligent & Fuzzy Systems. 2018（2）.

[17] A study on use of the web for automatic answering of remedy finding questions of common users[J]. Prakash Amit， Saha Sujan Kumar. Technology and health care： official journal of the European Society for Engineering and Medicine. 2019（1）.

[18] 康準(zhǔn)， 王德軍. 基于知識圖譜的生物學(xué)科知識問答系統(tǒng)[J]. 軟件， 2018， 39（2）： 07-11.

[19] “Similar query was answered earlier”： processing of patient authored text for retrieving relevant contents from health discussion forum[J]. Saha Sujan Kumar， Prakash Amit， Ma?ju??mder Mukta. Health information science and systems. 2019（1）

[20] 王鐵剛. 社交媒體數(shù)據(jù)的獲取分析[J]. 軟件， 2015， 36（2）： 86-91.

[21] Adipokines and macrophage markers during pregnancy— P ossible role for sCD163 in prediction and progression of gestational diabetes mellitus[J]. Annika E. Michelsen， P?l Aukrust， Tore Henriksen， Jens Bollerslev， Tove Lekva. Diabetes/Metabolism Research and Reviews. 2019.

[22] 蔡雄峰， 艾麗華， 丁丁. 一種緩解協(xié)同過濾算法數(shù)據(jù)稀疏性的方法[J]. 軟件， 2015， 36（3）： 41-47.

[23] 李一凡. 2020年中國移動(dòng)醫(yī)療市場規(guī)模超500億 移動(dòng)醫(yī)療行業(yè)未來發(fā)展趨勢分[J]. 前瞻產(chǎn)業(yè)研究院 ， 2018. 12. 07.

[24] 陳玉亮， 薛燕平. 基于Web Service 的數(shù)字檔案資源集成研究與實(shí)現(xiàn)[J]. 軟件， 2015， 36（9）： 39-41.