关键词：
精神科疾病
药品推荐
数据处理
疾病分类
线上问诊
摘要：
电子商务模式的迅猛发展,影响着人们的生活方式,线上购药逐渐成为一种发展趋势。但是,目前销售平台将药品按照普通商品的模式,通过销量、用户点击等行为进行统一的商业化推荐,没有考虑到药品的特殊性以及不同疾病之间药品的差异性。根据疾病类型对药品进行针对性推荐,能准确、高效的帮助用户寻找到符合自身需求的药品,由于疾病种类繁多,因此选择了特点显著的精神科疾病作为研究对象。精神科疾病和普通身体疾病不同,患者通常会有病耻感,导致就诊率不高,网上问诊更具有实际意义,且精神科疾病药品大多为处方药,将疾病问诊与药品推荐整合,更能保证推荐结果的专业性,系统对这类药品进行展示,作为辅助用药的参考。本文以精神科疾病作为研究案例,对后续根据更多的疾病种类进行药品推荐的研究以及形成医疗和药品一体的平台具有重要的研究价值和指导意义。本文研究并实现了基于智能问诊的药品推荐系统,该系统能够根据用户的病情描述、精神科疾病辅助诊断问题的回答等信息输出用户所患疾病,再推荐治疗疾病的相关药品。主要工作如下:1.数据的采集和预处理。数据主要来源为“好大夫在线”医患交流平台中精神科疾病的问诊数据,对爬取的数据进行分词、词性标注、提取关键词等预处理操作。针对单一关键词提取算法不能有效挖掘文本信息的问题,本文将TF-IDF和词性融合到Text Rank算法中并设置对比实验,实验表明融合后的关键词提取算法能更好的提取文本特征。另外,通过设置关键词提取个数的对照试验,研究不同的关键词个数对模型有效性的影响。2.疾病诊断模型的研究与构建。疾病诊断的实质是根据用户的病情描述以及精神科疾病辅助诊断问题的回答进行疾病分类。首先,对Fast Text算法进行研究分析,针对Fast Text算法输入层数据中的无关词汇影响分类效果的问题,本文将输入层数据使用融合的关键词提取算法进行关键词提取操作。其次,采用Fast Text、多分类逻辑回归（Multiple classification Logistic Regression,MLR）、双向长短期记忆网络（Bi-directional Long Short-Term Memory,BI-LSTM）三种分类模型在医疗数据集上进行训练和测试。经研究比较,Fast Text相较于其余两种算法在运行速度和模型效果上更有优势。结合应用需求,将Fast Text算法作为疾病分类的最终算法。3.疾病问诊与药品推荐。疾病问诊流程包括:首先,由用户根据自身情况进行病情描述;其次,患者回答精神科疾病辅助诊断问题,该题的设置可以使提问更具有专业性和代表性;最后,利用疾病分类模型对病情描述、辅助诊断题的回答等信息进行疾病判断,输出概率最高的疾病种类。问诊结束后,根据疾病问诊结果向用户推荐治疗该种疾病的药品,为了更合理有效的推荐相关药品,采用Jaccard相似系数对药品数据进行相似度计算从而将治疗同种疾病的药品通过相似度关联在一起,作为用药辅助依据。4.药品推荐系统的设计与实现。根据上述研究内容,设计并实现了基于智能问诊的药品推荐系统。该系统的核心包括用户信息管理、智能问诊、疾病知识、药品推荐等模块。通过此系统将问诊与药品进行资源整合,相较于目前只提供药品购买服务的平台具有一定的进步,帮助用户解决生活中的需求,具有较高的实用价值。
欢迎来到三峡大学图书馆！
