面對智能分診的個性化推薦算法

王春成 蔣永超 金燚

【摘 要】針對電子醫療信息過載和醫療資源嚴重不足的問題，本文以輔助診療的結果為基礎，將Skyline查詢和局部范圍內基于協同過濾的評分方式有機結合，提出了一種面向智能導診的個性化推薦算法。實驗結果表明，本文提出的算法能為用戶提供個性化的合理推薦結果。該方法對合理分配和使用醫療資源有很大的促進作用，能從一定程度上緩解就診壓力，提高就診質量，具有重要的實用價值和社會意義。

【關鍵詞】輔助診療;智能導診;Skyline查詢;醫療推薦;協同過濾;推薦系統

中國人口數量與醫療資源之間的巨大反差使得醫療資源日趨不足，短期內增加醫療資源的總量幾乎是不可能的，因此有效整合和合理分配現有的醫療資源，緩解就診壓力，提升就醫質量，有著很大的實用價值與社會意義。智能導診根據患者的主訴為患者自動推薦相應的醫院和醫生，對合理分診起著重要作用。從數據的角度看，智能導診是針對患者主訴和基本信息對醫院和醫生的推薦。

一、相關工作分析

近年來國內外與醫療領域推薦相關的研究很多，M.L6pez-Nores等[1]引入了一種新的過濾策略， 對于有特定疾病的患者，這種推薦方法的效率較高。徐守坤等提出過一種醫生資源均衡推薦算法，使用最佳結果優先的推薦算法，解決了醫療資源的使用過度集中而產生的問題。

由上述分析可以看出，現行系統主要有兩方面的問題：1）沒有考慮現在醫療推薦方面最迫切需要解決的問題;2）沒有考慮導診與醫療推薦和傳統的推薦在本質上的不同。針對這些問題，本文提出了一種面向智能導診的個性化推薦算法，其主要有3個特點：1）算法提出了輔助診療機制，通過輔助診療能根據用戶的癥狀表現，幫助用戶大致確定其所患疾病，從而明確用戶偏好，提升推薦結果的滿意度。2）算法獲得用戶評分及反饋信息的方式以顯式方法為主，并且在輔助診療時根據用戶的反饋信息對診斷結果進行優化，從而提高診斷結果的準確性。3）提出了一種在有地域約束時的推薦算法。對Skyline查詢進行改進，并將其結果作為推薦的候選集合，之后在局部范圍內使用基于協同過濾的評分算法，對候選集合進行評分并排序。

二、整體框架

首先根據用戶的癥狀表現，使用輔助診療算法給出初步診斷結果，再利用反饋信息和癥狀聯想機制進一步確定所患疾病，從而完成癥狀到用戶偏好的轉化過程;第2部分是生成推薦結果的過程，由用戶的偏好結合其地理位置信息，采用改進的Skyline查詢算法，找出一定范圍內符合要求的醫院作為候選集合，最后在局部范圍內由基于協同過濾的評分方式對候選集合中的醫院進行評分、排序，從而生成最終的推薦結果。

三、基于醫療知識庫的輔助診療技術

（一）分詞與癥狀索引表的建立

為了提高分詞速度，本文通過對《同義詞林》進行適當的改造，構建了一個新的字典。首先，部分無用詞匯被剔除;其次，按照詞語的字數，字典被分為5個部分，這樣每次匹配時詞典最多被掃描一次。為了提高分詞準確度，本文選用了逆向最大匹配法。為了加快診斷速度，本文采取了在癥狀信息上建立倒排索引的方法。該索引包含3個屬性，分別保存癥狀分詞結果對應的同義詞林中的編碼、疾病ICD編碼和疾病中癥狀出現的次數，以及癥狀對應的疾病類型數。后兩個屬性在進行診斷時使用。

（二）輔助診斷技術

1.輔助診斷思路

輔助診療技術采用的核心思想是計算用戶輸入的癥狀信息與醫療知識庫中疾病癥狀信息之間的相似度，從而確診疾病類型，具體實現過程包括：

1）對錄入的癥狀信息進行分詞，使用分詞結果在索引表中進行查詢，記錄所有匹配項，將對應的疾病作為候選集，并將其中的疾病總數記為N。

2）利用癥狀索引表計算輸入與候選集中每種疾病癥狀的相似度，并依據相似度進行排序。

2.相似度計算

相似度計算公式借鑒了TF-IDF計算相似度的思路，其公式為

式中：S為輸入q與疾病癥狀之間的相似度;numi表示q中的某一癥狀i在該疾病中出現的次數，當q值較大時，意味著此癥狀為潛在的主要癥狀，則提高該癥狀的權重;numsymptom表示疾病的總癥狀數，numi對進行歸一化，以防止部分疾病系數偏大;typedisease表示癥狀對應的疾病類型數量，對數函數則是為了提高潛在主要癥狀的權重。

四、實驗驗證

本文所使用的測試數據來自超星醫療知識庫。為了模擬癥狀表述不全的情況，每種疾病的癥狀信息都被拆分為兩部分。實驗在醫療知識庫中疾病的 種類數為100和1 000時分別進行了測試。統計實驗結果的策略是：如果診斷結果的前10位中出現該疾病，則認為成功召回;如果診斷結果中的前3位中出現該疾病，則認為診斷結果準確。1） 數據庫中的疾病種類為100時，選取了10種疾病，共20個測試用例。 2） 數據庫中疾病種類為1 000時，選取100種，共200個測試用例，實驗結果表明，所選測試數據在此統計策略下，當數據庫中疾病種類為100時，召回率為95%，準確率為85%，在優化診斷之后，準確率達到95%，召回率達到100%;當數據庫中疾病種類為1000 時，召回率為91.5%，準確率為81%，在優化診斷之后，準確率達到88.5%，召回率達到96%。

五、總結

本文通過對醫療與導診領域的深入研究，發現了醫療領域的推薦與傳統推薦在本質上的區別，提出了一種面向智能導診的個性化推薦算法，以輔助診療結果為基礎，將Skyline查詢和局部范圍內基于協同過濾的評分方式相結合。本文中提出的算法和思路對于有效地利用電子醫療數據，合理分配和使用現有的醫療資源，緩解就診壓力，提升就醫質量意義重大，有著很大的實用價值與社會意義。

【參考文獻】

[1]LOPEZ-NORES M，BLANCO-FERNANDEZ Y，PAZOS-ARIAS J J，et al. Property-based collaborative filtering for health-aware recommender systems[C]//Proceedings of 2011 IEEE International Conference on Consumer Electronics. Las Vegas，NV，USA，2011.

[2]GONG Jibing， WANG Lili， SUN Shengtao， et al. iBole： a hybrid multi-layer architecture for doctor recommendation in medical social networks[J]. Journal of computer science and technology， 2015， 30（5）： 1073-1081.

[3]徐守坤，吳偉偉.基于語義的醫療資源均衡推薦算法J]. 計算機工程， 2015， 41（9）： 74-79.

[4]侯夢薇， 衛榮， 樊林，等. 推薦系統在醫療領域的處理模型及應用研究[J]. 中國數字醫學， 2019， 14（01）：85-87.