本發(fā)明涉及醫(yī)學信息，特別是一種基于aigc的醫(yī)學量表質(zhì)量控制方法。

背景技術：

1、隨著人工智能技術的快速發(fā)展，尤其是生成式人工智能(aigc)在多個領域的應用，醫(yī)學領域也逐漸受益于這一技術的創(chuàng)新與發(fā)展，醫(yī)學量表作為一種常用的臨床診斷工具，廣泛應用于心理健康和慢性疾病管理等領域，用于量化評估患者的健康狀況。

2、傳統(tǒng)的醫(yī)學量表在制定和優(yōu)化過程中存在一些挑戰(zhàn)，傳統(tǒng)的醫(yī)學量表通常依賴專家經(jīng)驗和手工編輯，其內(nèi)容更新緩慢及易出現(xiàn)偏倚，且難以充分考慮到患者的個體差異和最新的醫(yī)學研究成果，難以靈活應對不同患者群體的差異性，且在面對多樣化的疾病表現(xiàn)時，往往無法實時調(diào)整量表中的評估維度和項目內(nèi)容。

技術實現(xiàn)思路

1、鑒于上述現(xiàn)有存在的問題，提出了本發(fā)明。

2、因此，本發(fā)明提供了一種基于aigc的醫(yī)學量表質(zhì)量控制方法解決難以靈活應對不同患者群體的差異性問題。

3、為解決上述技術問題，本發(fā)明提供如下技術方案：

4、第一方面，本發(fā)明提供了一種基于aigc的醫(yī)學量表質(zhì)量控制方法，其包括，

5、通過采集醫(yī)學數(shù)據(jù)，構建動態(tài)擴展的醫(yī)學知識圖譜；

6、將動態(tài)擴展的醫(yī)學知識圖譜嵌入生成式ai，并對生成式ai進行訓練，得到醫(yī)學量表生成模型；

7、醫(yī)學量表生成模型通過調(diào)用醫(yī)學知識圖譜接口，生成初始醫(yī)學量表；

8、對初始醫(yī)學量表進行一致性分析，生成二次醫(yī)學量表；

9、利用強化學習算法對二次醫(yī)學量表進行動態(tài)優(yōu)化，生成三次醫(yī)學量表；

10、計算并評估三次醫(yī)學量表的信度和結構效度，生成最終醫(yī)學量表。

11、作為本發(fā)明所述基于aigc的醫(yī)學量表質(zhì)量控制方法的一種優(yōu)選方案，其中：所述基于醫(yī)學數(shù)據(jù)，構建動態(tài)擴展的醫(yī)學知識圖譜，具體步驟如下，

12、通過醫(yī)院病歷記錄收集疾病類型、癥狀和診斷過程記錄作為醫(yī)學數(shù)據(jù)；

13、將收集的醫(yī)學數(shù)據(jù)做去噪處理和冗余檢測后，并將不同文本轉(zhuǎn)化為統(tǒng)一格式；

14、利用自然語言處理方法，對去噪處理和冗余檢測后的醫(yī)學數(shù)據(jù)進行語義標注，并提取出實體及實體關系；

15、按照醫(yī)學知識圖譜的實體關系結構，采用圖數(shù)據(jù)庫存儲醫(yī)學知識圖譜；

16、當醫(yī)學量表生成過程中，出現(xiàn)原始醫(yī)學知識圖譜未覆蓋的實體和實體關系，通過外部接口調(diào)用外部資源，擴展實體及實體關系。

17、作為本發(fā)明所述基于aigc的醫(yī)學量表質(zhì)量控制方法的一種優(yōu)選方案，其中：所述將動態(tài)擴展的醫(yī)學知識圖譜嵌入生成式ai，并對生成式ai進行訓練，得到醫(yī)學量表生成模型，具體步驟如下，

18、基于圖數(shù)據(jù)庫的查詢語言構建實體查詢、實體關系查詢和語義路徑查詢接口；

19、基于實體查詢、實體關系查詢和語義路徑查詢接口，將醫(yī)學知識圖譜嵌入生成式ai，得到嵌入醫(yī)學知識圖譜的生成式ai；

20、對嵌入醫(yī)學知識圖譜的生成式ai進行訓練，得到醫(yī)學量表生成模型。

21、作為本發(fā)明所述基于aigc的醫(yī)學量表質(zhì)量控制方法的一種優(yōu)選方案，其中：所述對嵌入醫(yī)學知識圖譜的生成式ai進行訓練，得到醫(yī)學量表生成模型，具體步驟如下，

22、提取cgi量表中的項目、應答選項和計分方法作為嵌入醫(yī)學知識圖譜的生成式ai的醫(yī)學量表生成邏輯；

23、從醫(yī)學知識圖譜中提取疾病類型、癥狀和治療過程的語義關系，作為生成任務的背景；

24、嵌入醫(yī)學知識圖譜的生成式ai訓練第一階段，根據(jù)生成任務背景，輸入疾病、評估維度和醫(yī)學語義信息，輸出項目；

25、嵌入醫(yī)學知識圖譜的生成式ai訓練第二階段，基于第一階段輸出的項目和醫(yī)學知識圖譜的語義信息，輸出項目對應應答選項和計分方法；

26、使用交叉熵損失函數(shù)，分別計算嵌入醫(yī)學知識圖譜的生成式ai的輸出項目和項目對應的應答選項的差距，與cgi量表中項目和項目對應的應答選項的差距；

27、分別計算嵌入醫(yī)學知識圖譜的生成式ai的輸出生成的項目和對應應答選項的n-gram重合率，與cgi量表中項目和項目對應應答選項的n-gram重合率，得到嵌入醫(yī)學知識圖譜的生成式ai的輸出項目和項目對應應答選項的生成質(zhì)量評分；

28、基于cgi量表中項目和項目對應應答選項的詞句長度，設定嵌入醫(yī)學知識圖譜的生成式ai的輸出項目和項目對應應答選項的交叉熵損失值閾值和生成質(zhì)量評分閾值；

29、當連續(xù)多個嵌入醫(yī)學知識圖譜的生成式ai訓練輪次的輸出項目和項目對應應答選項的交叉熵損失值小于交叉熵損失值閾值且質(zhì)量評分大于生成質(zhì)量評分閾值時，完成對嵌入醫(yī)學知識圖譜的生成式ai的訓練，得到醫(yī)學量表生成模型。

30、作為本發(fā)明所述基于aigc的醫(yī)學量表質(zhì)量控制方法的一種優(yōu)選方案，其中：所述醫(yī)學量表生成模型通過調(diào)用醫(yī)學知識圖譜接口，生成初始醫(yī)學量表，具體步驟如下，

31、根據(jù)患者描述的癥狀，醫(yī)學量表生成模型調(diào)用醫(yī)學知識圖譜的實體查詢、實體關系查詢和語義路徑查詢接口獲取患者疾病的相關實體、實體關系和語義路徑信息；

32、將知識圖譜對患者疾病的相關實體、實體關系和語義路徑信息的查詢結果整合后輸入醫(yī)學量表生成模型，輸出關于患者疾病的初始醫(yī)學量表。

33、作為本發(fā)明所述基于aigc的醫(yī)學量表質(zhì)量控制方法的一種優(yōu)選方案，其中：所述對初始醫(yī)學量表進行一致性分析，生成二次醫(yī)學量表，具體步驟如下，

34、對初始醫(yī)學量表的每個項目進行分句處理，分解出項目的實體和實體關系，并將分解出的每個項目的實體和實體關系映射到醫(yī)學知識圖譜中，驗證是否存在；

35、若不存在，說明項目不符合醫(yī)學知識圖譜，需要對醫(yī)學量表生成模型進行重新訓練后重新生成醫(yī)學量表，若存在，則繼續(xù)后續(xù)分析；

36、對于初始醫(yī)學量表中的項目，計算兩個項目之間的文本相似度，判斷兩個項目是否語義重復；

37、基于cgi量表中無語義重復的現(xiàn)有問答數(shù)據(jù)，計算兩個項目之間的文本相似度，將最高文本相似度值作為文本相似度閾值；

38、當初始醫(yī)學量表中兩個項目之間的文本相似度小于文本相似度閾值時，表示語義未重復，是兩個獨立的項目；

39、反之，則表示兩個項目重復，保留語義路徑信息更多的項目，刪除語義路徑信息更少的項目；

40、將經(jīng)過醫(yī)學知識圖譜驗證和語義重復判斷后的初始醫(yī)學量表作為二次醫(yī)學量表輸出。

41、作為本發(fā)明所述基于aigc的醫(yī)學量表質(zhì)量控制方法的一種優(yōu)選方案，其中：所述利用強化學習算法對二次醫(yī)學量表進行動態(tài)優(yōu)化，生成三次醫(yī)學量表，具體步驟如下，

42、把患者填寫二次醫(yī)學量表過程中的應答時間、完成率和對于每個項目的體驗評分作為狀態(tài)向量；

43、將調(diào)整項目數(shù)量、調(diào)整項目順序和調(diào)整項目表述作為動作向量；

44、基于患者對于每個項目的體驗評分、答題時間和完成率設定獎勵函數(shù)；

45、將實時采集的狀態(tài)向量輸入強化學習算法，通過強化學習算法的策略網(wǎng)絡根據(jù)動作向量對二次醫(yī)學量表進行調(diào)整；

46、執(zhí)行動作后，生成優(yōu)化后的二次醫(yī)學量表，并計算優(yōu)化后的二次醫(yī)學量表的獎勵函數(shù)；

47、通過深度q學習算法，對策略網(wǎng)絡進行更新；

48、通過在狀態(tài)、動作和獎勵的循環(huán)中不斷優(yōu)化二次醫(yī)學量表，每輪優(yōu)化后，根據(jù)患者的回答每個項目的時間、完成率和對于每個項目的體驗評分更新狀態(tài)向量；

49、根據(jù)獎勵值變化情況，設定獎勵值變化率閾值，當強化學習算法連續(xù)多輪優(yōu)化中獎勵值變化率小于獎勵值變化率閾值時，表示強化學習算法收斂，輸出三次醫(yī)學量表；

50、反之，當連續(xù)多輪優(yōu)化中獎勵值變化率大于等于獎勵值變化率閾值時，表示強化學習算法未收斂，繼續(xù)對二次醫(yī)學量表進行優(yōu)化。

51、作為本發(fā)明所述基于aigc的醫(yī)學量表質(zhì)量控制方法的一種優(yōu)選方案，其中：所述計算并評估三次醫(yī)學量表的信度和結構效度，生成最終醫(yī)學量表，具體步驟如下，

52、將患者填寫三次醫(yī)學量表的應答結果整理為應答數(shù)據(jù)矩陣；

53、基于應答數(shù)據(jù)矩陣，利用cronbach’s?alpha公式計算三次醫(yī)學量表的信度；

54、收集cgi量表的應答結果，計算cgi量表的信度，將cgi量表的信度設定為信度閾值；

55、基于應答數(shù)據(jù)矩陣，計算兩個項目對應應答選項的計分之間的皮爾遜相關系數(shù)，得到相關性矩陣；

56、基于相關性矩陣，計算所有非對角線相關性值的平均值，得到三次醫(yī)學量表的平均相關性值；

57、基于應答數(shù)據(jù)矩陣，合計每個患者填寫三次醫(yī)學量表的所用項目對應應答選項的總計分；

58、計算患者在每個項目對應應答選項的計分與總計分的皮爾遜相關性系數(shù)，得到三次醫(yī)學量表的整體相關性值；

59、計算cgi量表應答記錄的平均相關性值和整體相關性值作為平均相關性閾值和整體相關性閾值；

60、當三次醫(yī)學量表的信度、平均相關性值和整體相關性值同時分別小于信度閾值、平均相關性閾值和整體相關性閾值時，則利用強化學習算法重新進行優(yōu)化；

61、反之，則輸出最終醫(yī)學量表。

62、第二方面，本發(fā)明提供了一種計算機設備，包括存儲器和處理器，所述存儲器存儲有計算機程序，其中：所述計算機程序被處理器執(zhí)行時實現(xiàn)如本發(fā)明第一方面所述的基于aigc的醫(yī)學量表質(zhì)量控制方法的任一步驟。

63、第三方面，本發(fā)明提供了一種計算機可讀存儲介質(zhì)，其上存儲有計算機程序，其中：所述計算機程序被處理器執(zhí)行時實現(xiàn)如本發(fā)明第一方面所述的基于aigc的醫(yī)學量表質(zhì)量控制方法的任一步驟。

64、本發(fā)明有益效果為：本發(fā)明通過動態(tài)擴展的醫(yī)學知識圖譜提供全面和實時更新的醫(yī)學信息支持，確保生成式ai訓練出高質(zhì)量的醫(yī)學量表生成模型，該模型生成初始醫(yī)學量表后，經(jīng)一致性分析去除重復和不一致項目，優(yōu)化為二次醫(yī)學量表。利用強化學習算法進一步根據(jù)用戶體驗調(diào)整項目表述和順序等，提高填寫效率和滿意度，形成三次醫(yī)學量表，通過對三次量表進行信度和結構效度評估，確保了量表的科學性和可靠性，從而輸出最終醫(yī)學量表。