面向大数据的高血压中医专家诊疗系统构建及应用

刘健　蒋卫民　沈宫建

摘要：目的  為增强人们对高血压病的认识、提高医务人员的诊断水平，构建面向大数据的高血压中医专家诊疗系统。方法  以人机接口、数据库、知识库、推理机、解释机构和知识获取模块为主体，构建专家诊疗系统框架，使该系统具有症状检索、病情检索、西药药品检索、中医诊疗和系统管理等主要功能。结果  针对中医理论表述的不确定性，建立基于反向传播神经网络（BP网）的高血压病诊断网络结构，模拟南京中医药大学附属医院暨江苏省中医院心内科名中医的辨证论治方式，应用Visual Studio软件（2013）和SQL Server数据库软件（2012），开发了高血压中医专家诊疗系统，通过症状特征推理证候分型，并开出处方。通过对近5年本院93 626例高血压患者进行检测和应用对比，使用高血压中医专家诊疗系统辨证治疗的准确率达到95%以上。结论  将大数据、人工智能与中医诊疗相结合，研究高血压专家诊疗系统，为实现智慧中医诊疗、提升临床服务能力提供有力支撑。

关键词：大数据;高血压;中医专家诊疗系统;反向传播神经网络;诊疗

DOI： 10.3969/j.issn.2095-5707.2019.05.002

中图分类号：R2-03;R241    文献标识码：A    文章编号：2095-5707（2019）05-0005-05

Abstract： Objective To construct TCM expert diagnosis and treatment system for hypertension oriented to big data; To enhance peoples understanding of hypertension; To improve the diagnostic level of medical staff. Methods Based on man-machine interface， database， knowledge base， inference machine， interpretation mechanism and knowledge acquisition modules， an expert diagnosis system framework was constructed， which equipped the system with the main functions of symptom retrieval， condition retrieval， Western medicine retrieval， TCM diagnosis and treatment， system management， etc. Results Aiming at the uncertainty of TCM theory， the network structure of hypertension diagnosis based on back-propagation neural network （BP network） was established. Simulated by the syndrome differentiation and treatment of TCM experts in Department of Cardiology of Affiliated Hospital of Nanjing University of Chinese Medicine and Jiangsu Provincial Hospital of TCM， and using Visual Studio software （2013） and SQL Server database software （2012）， a TCM expert diagnosis and treatment system for hypertension was developed. Syndrome types were inferred by symptomatic characteristics and medicine was prescribed. Through the detection and application comparison of 93 626 patients with hypertension in recent 5 years， the accuracy of syndrome differentiation and treatment of TCM expert diagnosis and treatment system for hypertension was more than 95%. Conclusion Combined with big

data， artificial intelligence and TCM diagnosis and treatment， TCM expert diagnosis and treatment system is studied， which can provide strong support for realizing TCM intelligent diagnosis and treatment and promoting clinical service ability.

Key words： big data; hypertension; TCM expert diagnosis and treatment system; back-propagation neural network （BP）; diagnosis and treatment

中医专家的诊疗经验主要依靠师徒关系传承，中医药理论博大精深，隐含知识（或不确定知识）相对较多，传承难度大，传播速度慢。长期以来，相对西医西药，中医药的科学性备受质疑，无法或很难确定中药方剂中具体发挥治疗和预防作用的成分、剂量、化学结构，很难跟踪评价代谢成分^[1]。大数据、云计算、人工智能的迅猛发展为中医药研究开辟了新的方向，给中医药传承发展带来了新的机遇。

1  构建高血压中医专家诊疗系统的意义

建立具有辨证论治内涵的智能中医诊疗决策系统，可以进一步促进中医诊疗规律的提升和总结^[2]。智能辨证系统可以根据患者患病信息直接进行智能诊断，确定疾病的证型证候，进而选择治疗方法^[3]。针对传承难和临床服务能力低的问题，陈辛畋等^[4]提出构建全生态中医知识库和智慧系统，采用人工神经网络技术，通过网络训练和学习，实现“证型证候”到“处方方药”的相对准确对应，为中医客观化探索提供了新的规范化论治的研究方法^[5]。反向传播神经网络（Back-Propagation Neural Network，BP网）作为一种模拟人脑神经元结构的大规模、非线性、自适应网络，具有很强的自学习能力，已应用于疾病诊断、预测、疗效评价等方面。例如，应用BP网分析北京市社区中医药服务发展影响因素权重^[6];模拟中医切脉，构建脉搏动态图像、切脉压力、探头内压、示波法血压的多信息同步采集系统，应用BP网预测血压^[7]。另外，针对人体各项生理参数数据量大、过程较为复杂、预测效果差的问题，孙艳秋等提出了基于大数据分析潜在高血压的预测方法^[8]。

进入21世纪，压力高、节奏快的工作和不合理的饮食导致高血压患者越来越年轻化，门诊量越来越大，而医疗资源有限，具有丰富经验的名医更是稀少，迫切需要使用现代的信息化手段，研究中医诊疗决策模式^[9]、高血压医学知识库与智能检索推理系统^[10]，充分挖掘古籍和名中医的经验，将辨证施治、个性化诊疗的成功案例传承下来，服务于科研、临床的一线医生，以提高高血压专科医生的临床决策水平。

2  高血压中医专家诊疗系统

2.1  高血压中医专家诊疗系统的结构设计

高血压中医专家诊疗系统主要由人机接口（界面）、数据库、知识库、推理机、解释机构和知识获取模块组成（见图1）。采用以数据库为主体的构造模式，即将推理机和人机界面之外的部分以数据库的形式来表示。知识库中含有专家案例库和规则库。

数据库用于存放高血压领域的初始问题和推理过程中的中间数据（信息），如：医生在病人就诊时所做的关于症状、检查、用药等逐条具体记录。知识库用于存放高血压中医专家诊疗系统的专门知识，包括事实、规则等，规则常用产生表示法表达，即以“if条件1 and条件2……and条件N，Then结论”的方式表达。推理机用以模拟高血压中医专家的思维过程，控制并执行对问题的求解，它是一组用来控制和推理专家系统的程序，可从已知事实（症状特征等）出发，运用已掌握的专家知识，推导出结论（证候分型结果等）。解释机构是对患者提出的“为什么？结论是如何得出的？”等问题加以解答，它能够跟踪并记录推理过程，给出解释。知识获取模块是由知识工程师从科技文献、高血压中医专家处获取知识，转化成特定的计算机表示。

2.2  高血压中医专家诊疗系统的功能模块

高血压中医专家诊疗系统由症状检索、病情检索、西药药品检索、中医诊疗和系统管理5个主要功能模块构成（见图2）。

2.2.1  症状检索模块  此模块用于针对某一具体患者，检索高血压相关中医症状表象。症状检索包括主要症状、次要症状、脉象、舌象等模块。头晕、头痛、目眩、寐差、胸闷、心慌等属于主要症状。大便干结、痰多、麻木、急躁易怒、尿频、面赤等属于次要症状。脉象有弦、细、滑等。舌象有舌淡、舌红、舌紫、苔薄、苔腻、舌有瘀斑等。这些症状信息来源于专家临床所见及文献记载。

患者、医生、药师等用户可以浏览高血压症状的详细信息;也可以使用检索功能，方便快捷地查询到所需的高血压症状信息。检索方式有：浏览高血压中医相关症状信息，用检索树的方式查询高血压中医相关症状信息，用关键词查询高血压相关症状信息。

2.2.2  病情检索模块  病情检索模块分为2个部分：一是高血压分级分期情况，二是相关合并症情况。医生根据患者的高血压分级分期，判断病情程度;根据冠心病、糖尿病、高血脂等并发症的状态，适当调节处方用药。

2.2.3  西藥药品检索模块  此模块用于查询高血压病常见药物的名称、分类、用量及合并用药情况。检索方式有：直接浏览药品信息，按照药品名称查询，按照药品类型查询。

2.2.4  中医诊疗模块  根据所提供的症状、病情、西医诊疗信息，通过人工智能BP网进行中医辨证分析，得出相应的证型。根据证型结果，再次通过人工智能BP网模拟中医专家的处方用药生成针对该患者的中医处方。

2.2.5  系统管理模块  主要包含用户管理和知识库管理。通过在系统中设置权限来保证专家系统的安全性，被授权的专家可以对知识库进行完善和更新，可以修改自己的信息;系统管理员拥有后台所有管理权限。医生、药师等用户在注册后，可以通过人机界面使用专家系统，但是不能修改专家系统的知识库。

知识库管理主要对高血压相关领域的知识、规范、基础数据等进行描述和说明;可以定义、添加、删除相关知识和规则，并通过动态数据库进行实时更新。

3  基于BP网的高血压病智能诊断

人工神经网络可以模拟人脑信息处理功能，其基本处理单元是神经元，通过神经元互联的方式从输入、输出数据中学习有用的知识。BP网是应用较为广泛的一种人工神经网络模型，是一种按误差逆传播算法训练的多层前馈网络，擅长处理大量的非线性数据和信息，因此特别适合处理中医院大量的临床病例。BP网的神经元分层排列，具有输入层、输出层和隐藏层，能学习和存储大量的输入-输出模式映射关系，常用于模式识别、函数逼近、数据压缩等领域。由于人的机体与疾病之间是一种非线性关系，采用具有自适应学习、全局逼近、较好泛化能力的BP网，可以有效地建立高血压病智能诊断网络结构，该结构包含1个输入层、1个隐含层和1个输出层。

根据高血压病的症状，输入以7×4矩阵的症状特征（见表1），表中4列分别代表主要症状、次要症状、脉象和舌象，7行代表具体症状。经过向量转换成28×1的列向量，作为BP神经网络的输入层，隐藏层有15个神经单元，输出层有4个神经单元，最后得到证候分型的结果。

医患诊断中将所描述的症状契合单元的值置为1，不契合的单元值置为0，表1中第三列脉象只分为4个特征即脉弦、脉细、脉滑和其他，故其第4～6行以0补充空位。这样表1中的特征就可用以0，1组成的7×4矩阵表示出来，并转换为列向量作为输入，通过BP网的智能推理，得到证候分型结果。

4  高血压中医专家诊疗系统的实现

本文在研究南京中医药大学附属医院暨江苏省中医院心内科近5年高血压病例的基础上，应用Visual Studio软件（2013）和SQL Server数据库软件（2012），开发了高血压中医专家诊疗系统。下面以具体病例为例，介绍系统的实现过程。病例：王某，男，70岁，血压160/80 mmHg，西医诊断：高血压病，心律失常，室性早搏。主诉：头晕间作6年，加重2个月。症状：头晕，胸闷，心慌，寐差，尿频，舌淡紫，舌下青筋显露，苔薄白，脉细弦。图3为高血压中医专家诊疗系统的中医高血压研究界面，显示该患者基本信息，图4为患者的主要症状、次要症状、脉象、舌象等特征性症状。

专家系统将头晕、胸闷、寐差、心慌、尿频、脉细、脉弦、舌淡、舌紫、苔薄、舌下青筋以“1”替换，其他处以“0”表示，利用BP网智能推理出证候分型，结果为肝肾阴虚（见图5）。系统选择名中医方祝元主任，使用其常用经验处方：天麻10 g，钩藤10 g，潼蒺藜10 g，白蒺藜10 g，川芎10 g，川牛膝10 g，杜仲10 g，桑寄生10 g。根据合并疾病心律失常、失眠加用益气养阴、安神定志药物：太子参10 g，麦冬10 g，五味子10 g，黄精10 g，玉竹10 g，酸枣仁30 g，生龙齿30 g，模拟给出专家处方（见图6）。

使用高血压中医专家诊疗系统对近5年来院治疗的高血压患者93 626例进行了检测和应用对比，该系统准确率达到95%以上。

5  小结

采用Visual Studio软件（2013）和SQL Server数据库软件（2012），以近年来江苏省中医院心内科名中医的诊疗病例为基础，研发出基于大数据的高血压中医专家诊疗系统，通过BP网将文字描述的症状量化为数字表示的矩阵，自动推理出高血压病的证候分型，并模拟给出名中医处方，实现了“证候”到“处方”的对应，为发掘名中医的隐含知识、传承其诊疗经验，为提高广大中医的临床决策能力，提供了有力的技术支撑。

参考文献

[1] 解育静.大数据时代中医药领域面临的机遇与挑战[J].中华医学图书情报杂志，2015，24（7）：33-35.

[2] 崔骥，许家佗.人工智能背景下中医诊疗技术的应用与展望[J].第二军医大学学报，2018，39（8）：846-851.

[3] 孟学茹，温川飙.中医药领域人工智能研究现状[J].中医临床研究， 2018，10（22）：143-145.

[4] 陈辛畋，阮春阳，于观贞，等.融“古”贯“今”，构建智慧中医新体系[J].第二军医大学学报，2018，39（8）：826-829.

[5] 刘艳飞，孙明月，姚贺之，等.大数据技术在中医药领域中的应用现状及思考[J].中国循证医学杂志，2018，18（11）：1180-1185.

[6] 欧阳亚楠.基于BP神经网络對北京市社区中医药服务发展影响因素研究[D].北京：北京中医药大学，2017.

[7] 周兴忠.多信息同步采集系统构建与血压测量方法研究[D].兰州：兰州理工大学，2014.

[8] 孙艳秋，刘钢.基于大数据分析的潜在高血压病预测研究[J].计算机仿真，2015，32（5）：386-389，421.

[9] 谢晴宇.基于系统复杂性及其认识论的中医诊疗决策模式研究[D].北京：北京中医药大学，2013.

[10] 杨青.基于本体的高血压知识库与智能检索推理系统的研究[D].沈阳：东北大学，2013.

（收稿日期：2019-08-22）

（修回日期：2019-09-06;编辑：魏民）