基于大數(shù)據(jù)的中醫(yī)智能輔助系統(tǒng)

1、基于大數(shù)據(jù)的中醫(yī)智能輔助系統(tǒng)中醫(yī)發(fā)展人才困局的解決之道：中醫(yī)智能輔助國醫(yī)大師9國家級名老 中醫(yī) 中醫(yī)專家萬人中醫(yī)醫(yī)師14萬人中醫(yī)從業(yè)人員54萬人中醫(yī)人才缺口達(dá)中醫(yī)人才成才周期70萬以上2年國務(wù)院中醫(yī)藥發(fā)展“十三五” 規(guī)劃要求：所有社區(qū)衛(wèi)生服務(wù)中心 所有鄉(xiāng)鎮(zhèn)衛(wèi)生院70%村衛(wèi)生室具備中醫(yī)藥服務(wù)能力培養(yǎng)難，傳承難大醫(yī)加中醫(yī)臨床智能助手Step.6step.5Step.4Step.3Step.2Step.1知患患者畫像知病四診信息知醫(yī)醫(yī)生畫像知道中醫(yī)AI知天地環(huán)境畫像中醫(yī)智能辯證論治中醫(yī)智能辨證論治架構(gòu)中醫(yī)NLP癥狀關(guān)聯(lián)推薦中醫(yī)智能辨證中醫(yī)智能論治辨證論治結(jié)果 智能評價(jià)中醫(yī)處方合理 性智能審核推薦結(jié)果

2、中醫(yī)醫(yī)生病歷文本名家醫(yī)案庫名家醫(yī)案相似度計(jì)算推薦名家醫(yī)案結(jié) 果 不 理 想常見證候約占75%少見證候約占25%基于指南及名家經(jīng)驗(yàn)的推薦基于名家驗(yàn)案的推薦中醫(yī)智能辨證論治核心關(guān)鍵技術(shù)中醫(yī)自然語言處理中醫(yī)關(guān)聯(lián)規(guī)則分析中醫(yī)證候推薦名家醫(yī)案 相似度計(jì) 算方法：基于LSTM+CRF模型，疊加雙向最大匹配效果：F值，96%方法：基于關(guān)聯(lián)規(guī) 則模型效果：實(shí)現(xiàn)癥狀、藥品關(guān)聯(lián)推薦方法：基于多標(biāo)簽KNN模型效果：實(shí)現(xiàn)證候推薦方法：基于詞向量 的TF-IDF和余弦相 似度計(jì)算效果：實(shí)現(xiàn)相似名家醫(yī)案推薦中醫(yī)智能辨證論治示例1快速準(zhǔn)確識別病歷內(nèi)容輸入癥狀自動(dòng)動(dòng)態(tài)聯(lián)想實(shí)現(xiàn)系統(tǒng)對接和病歷文本識別輔助醫(yī)生篩選合適藥方中醫(yī)智能

3、辨證論治示例2智能推薦相似名家醫(yī)案、協(xié)助醫(yī)生對少見證候的辯證論治相似名家 醫(yī)案精準(zhǔn) 推薦醫(yī)學(xué)自然語言處理（LSTM+CRF+綜合結(jié)果擇優(yōu))LSTM+CRF訓(xùn)練語料測試語料雙向最大匹配原始語料結(jié)果1評測算法結(jié)果2優(yōu)化算法中醫(yī)分詞的結(jié)果比較各大分詞軟件及自研方法對中醫(yī)癥狀抽取的比較抽取了 2000 條的中醫(yī)癥狀進(jìn)行了人工標(biāo)注，其中 1500 條用于訓(xùn)練模型(北大工具支持訓(xùn)練，結(jié)巴分詞和斯坦福分詞器不支持訓(xùn)練),剩下 500 條數(shù) 據(jù)用于評估，與自研分析方法進(jìn)行對比。精確率召回率F-值結(jié)巴分詞84.6%73.6%78.7%斯坦福分詞器75.5%71.0%73.2%北大 PKUNLP（訓(xùn)練后）94.3

4、%94.3%94.2%自研方法96.4%97.1%96.7%中醫(yī)關(guān)聯(lián)規(guī)則應(yīng)用：癥狀關(guān)聯(lián)、藥品關(guān)聯(lián)關(guān)聯(lián)規(guī)則挖掘是一種在大型數(shù)據(jù)庫中發(fā)現(xiàn)變量之間的有趣性關(guān)系的方法，目的是利用一些有趣性的量度來識別數(shù)據(jù)庫中發(fā)現(xiàn)的強(qiáng)規(guī)則。發(fā)現(xiàn)醫(yī)案中的普遍用藥規(guī)律，相當(dāng)于一個(gè) frequent pattern mining 的問題，即 在數(shù)據(jù)庫中找到高頻率出現(xiàn)的用藥規(guī)則發(fā)現(xiàn)癥狀之間的關(guān)聯(lián)性是一個(gè)發(fā)現(xiàn)布爾關(guān)聯(lián)規(guī)則 (Boolean association rules) 問 題基于多標(biāo)簽方法的中醫(yī)證候預(yù)測多標(biāo)簽預(yù)測多重填補(bǔ)MICE(multiple imputation by chain equation )缺失值填補(bǔ)不均

5、衡數(shù)據(jù)處理ECC, ML-KNN等方法Smote過采樣+Tomek link方法中醫(yī)醫(yī)案相似度計(jì)算過程醫(yī)案預(yù)處理將癥狀標(biāo)準(zhǔn) 化詞向量轉(zhuǎn)換將癥狀轉(zhuǎn)換 為500維向 量提取癥狀特征潛在語義分 析模型癥狀相似計(jì)算計(jì)算癥狀特 征向量的余 弦距離癥狀標(biāo)準(zhǔn)術(shù)語 庫名家醫(yī)案庫名家醫(yī)案詞向量庫患者病歷醫(yī)案相似度排 序計(jì)算相似度排序結(jié) 果一站式中西醫(yī)結(jié)合知識平臺15大類：疾病 證候 癥狀臨床指南方劑中藥飲片 中草藥 中成藥 名家醫(yī)案 針灸穴位 西藥圖書文獻(xiàn) 名醫(yī)經(jīng)驗(yàn) 檢查檢驗(yàn) 手術(shù)中醫(yī)智能輔助混合云平臺機(jī)構(gòu)用戶個(gè)人用戶中醫(yī)A I引擎健康小病中醫(yī)中成養(yǎng)生藥中醫(yī)智能中成藥智調(diào)理推薦能推薦大病死亡中醫(yī)二級三級館醫(yī)院醫(yī)

6、院中醫(yī)智中醫(yī)智能名醫(yī)醫(yī)案 能分診輔助決策智能推薦中醫(yī)A I應(yīng)用場景全面覆蓋健康管理各個(gè)階段康復(fù)中醫(yī)智能輔助+智能復(fù) 診機(jī)器人，提高醫(yī)生水 平和效率，為中醫(yī)賦能未病先調(diào)，小病自療， 有效提升個(gè)人健康大病導(dǎo)醫(yī)病后康復(fù)未病 調(diào)理小病自療智能復(fù)診 機(jī)器人患者 畫像大數(shù)據(jù) 分析中醫(yī)理論 知識圖譜大數(shù)據(jù) 采集建立三大閉環(huán)，促進(jìn)中醫(yī)服務(wù)升級大健康閉環(huán)智能輔智能名醫(yī)助辨治驗(yàn)案推薦診療閉環(huán)大數(shù)據(jù) 加工研究閉環(huán)提高健康水平減少就醫(yī)次數(shù)提高中醫(yī)水平提升診療效率提高溝通效率改善醫(yī)患關(guān)系挖掘中醫(yī)藥規(guī)律 助力中醫(yī)學(xué)科發(fā)展互聯(lián)網(wǎng)+中醫(yī)：中醫(yī)智能健康管理助手就要康醫(yī)生智能推薦智能辨證推薦中成藥自動(dòng)查中醫(yī)體質(zhì)在線療效跟蹤公司介

7、紹大數(shù)據(jù)研究院中醫(yī)大數(shù)據(jù)中心的成果轉(zhuǎn)化主體集合全球頂尖的的大數(shù)據(jù)專家資源，有世界名校及醫(yī)學(xué)院、全國各中醫(yī)藥大學(xué)及中醫(yī)院、全國著名科 研機(jī)構(gòu)及企業(yè)等合作伙伴建立領(lǐng)先的“中醫(yī)預(yù)防、醫(yī)療及科研大數(shù)據(jù)”平臺，打造數(shù)據(jù)科學(xué)家與醫(yī)學(xué)研究人員的溝通服務(wù)平臺利用統(tǒng)計(jì)機(jī)器學(xué)習(xí)和人工智能技術(shù)，開展醫(yī)療大數(shù)據(jù)的高效采集、多源集成、深度挖掘、深度學(xué)習(xí)及產(chǎn)品開發(fā)我們的使命：用人工智能為百萬基層中醫(yī)服務(wù)為億萬百姓提供個(gè)性化的中醫(yī)健康服務(wù)北京大數(shù)據(jù)研究院中醫(yī)大數(shù)據(jù)中心依托北京大學(xué)、北京大數(shù)據(jù)研究院的政府、大學(xué)和市場頂尖資源首個(gè)中醫(yī)大數(shù)據(jù)中心國內(nèi)首個(gè)整合了政府、大學(xué)和市場三方面資源的中醫(yī)大數(shù)據(jù)中心多項(xiàng)優(yōu)質(zhì)資源集合集合北京大學(xué)、政府、各中醫(yī)藥大學(xué)、各大型中醫(yī)院、行業(yè)企業(yè)等的優(yōu)質(zhì)資源北大技術(shù)專家團(tuán)隊(duì)借助北京大學(xué)在人才、技術(shù)、教學(xué)等上面的優(yōu)勢地位，聚集國際 國內(nèi)一流的專家顧問團(tuán)隊(duì)促中醫(yī)事業(yè)發(fā)展打造國際