趙文龍 馬沐光 顏弋喬

摘要：針對(duì)患者就醫(yī)前無(wú)法預(yù)估自身疾病，對(duì)檢查注意事項(xiàng)準(zhǔn)備困難等問(wèn)題，該文設(shè)計(jì)一款就醫(yī)輔助平臺(tái)，通過(guò)預(yù)測(cè)疾病，給予檢查項(xiàng)目建議，指出檢查注意事項(xiàng)，幫助患者做好就醫(yī)準(zhǔn)備。該文基于BP神經(jīng)網(wǎng)絡(luò)模型，構(gòu)造用戶(hù)特征模型，建立一個(gè)分塊處理主頁(yè)信息的輔助醫(yī)療平臺(tái)，對(duì)患者疾病類(lèi)型進(jìn)行預(yù)測(cè)，指導(dǎo)患者就醫(yī)。通過(guò)測(cè)試數(shù)據(jù)的測(cè)試，該模型對(duì)于疾病預(yù)測(cè)準(zhǔn)確值可達(dá)74%，若以輸出可能性最高的前五種疾病作為判斷，準(zhǔn)確度可達(dá)89%。由于實(shí)驗(yàn)數(shù)據(jù)經(jīng)過(guò)理想化處理，該數(shù)據(jù)集與真實(shí)情況存在一定偏差。該平臺(tái)構(gòu)想可成為患者就醫(yī)看病過(guò)程中重要的一環(huán)，幫助患者在檢查前有更充分的準(zhǔn)備;同時(shí)，該構(gòu)想可為醫(yī)院實(shí)現(xiàn)迅速分診提供思路。

關(guān)鍵詞：就醫(yī)輔助平臺(tái);神經(jīng)網(wǎng)絡(luò)算法;智能導(dǎo)向;基于用戶(hù)體驗(yàn)的應(yīng)用優(yōu)化

中圖分類(lèi)號(hào)：R-056 ? ? ? ?文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1009-3044（2022）02-0084-04

現(xiàn)如今，醫(yī)療衛(wèi)生行業(yè)存在醫(yī)療資源緊缺和分布不均的問(wèn)題?；颊邌?wèn)診前首先需要對(duì)自己的病情有一定的認(rèn)知，然后選擇相應(yīng)的檢查科室，并對(duì)有可能的檢查項(xiàng)目做好相關(guān)準(zhǔn)備。而相當(dāng)一部分患者對(duì)自身病情缺乏全面的了解，需要花費(fèi)大量的時(shí)間提前準(zhǔn)備。針對(duì)此類(lèi)問(wèn)題，醫(yī)療輔助平臺(tái)憑借其便捷的操作，在一定程度上幫助患者預(yù)測(cè)疾病類(lèi)型，為就醫(yī)提供建議。

早在1966年，Ledley 和 Lusted[1]就提出了機(jī)器診斷的思想。1972年，Willcox et al[2]等人還使用貝葉斯理論來(lái)識(shí)別細(xì)菌疾病。Abeel T[3]通過(guò)整合的特征選擇技術(shù)和支持向量機(jī)分類(lèi)算法進(jìn)行疾病診斷。Chrysostomos D.Stylios[4]通過(guò)人工智能，實(shí)現(xiàn)對(duì)老年人病癥進(jìn)行快速診斷。在國(guó)內(nèi)，梁建慶等人[5]通過(guò)神經(jīng)網(wǎng)絡(luò)，設(shè)計(jì)基于中醫(yī)核心思維的診療系統(tǒng)。李強(qiáng)等人[6]基于神經(jīng)網(wǎng)絡(luò)模型，利用患者疾病數(shù)據(jù)開(kāi)發(fā)遠(yuǎn)程醫(yī)療指導(dǎo)平臺(tái)。崔莉耀等人[7]利用卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行疾病預(yù)測(cè)來(lái)實(shí)現(xiàn)在線(xiàn)網(wǎng)絡(luò)醫(yī)療指導(dǎo)。張強(qiáng)強(qiáng)等人[8]利用卷積神經(jīng)網(wǎng)絡(luò)提取關(guān)鍵字并在SVM中進(jìn)行疾病預(yù)測(cè)。

而現(xiàn)實(shí)生活中，在線(xiàn)醫(yī)療輔助平臺(tái)幾乎都是人工輔助的，現(xiàn)有的醫(yī)療指導(dǎo)系統(tǒng)仍然不足[7]。例如，利用丁香網(wǎng)進(jìn)行專(zhuān)家網(wǎng)絡(luò)會(huì)診，采用人工方式幫助病人初步診斷疾病，給予相關(guān)建議。但是，人工網(wǎng)上診斷并不能全天候給予及時(shí)建議，且需要支付較高的人工費(fèi)用。本文基于前人的研究對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行標(biāo)注序列化，利用詞嵌入在提取訓(xùn)練數(shù)據(jù)模型上的優(yōu)勢(shì)，設(shè)計(jì)了一款輔助醫(yī)療平臺(tái)[9]。相較于將姓名年齡等特征同時(shí)內(nèi)置到計(jì)算模型，考慮到現(xiàn)實(shí)中的平臺(tái)建設(shè)，通過(guò)創(chuàng)建人物角色模型的方式描述用戶(hù)需求，對(duì)設(shè)計(jì)目標(biāo)人群形象、需求和價(jià)值觀(guān)進(jìn)行一種概括化、視覺(jué)化的呈現(xiàn)。用戶(hù)角色畫(huà)像將逐步分層、清晰、量化，為產(chǎn)品快速了解用戶(hù)提供導(dǎo)向性和根據(jù)性[10]。本平臺(tái)從患者的病癥出發(fā)，基于神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)患者的疾病種類(lèi)，給出檢查項(xiàng)目和檢查科室建議，并告知患者檢查前的注意事項(xiàng)，提供一種便捷、低成本的預(yù)測(cè)方法;同時(shí)根據(jù)市場(chǎng)定位，優(yōu)化流程，使患者使用便捷，更好地幫助患者為就診做準(zhǔn)備。

1 BP神經(jīng)網(wǎng)絡(luò)的模型構(gòu)建

1.1 BP神經(jīng)網(wǎng)絡(luò)模型概述

神經(jīng)網(wǎng)絡(luò)算法[11]是對(duì)人腦的神經(jīng)元之間傳送信息的形式進(jìn)行模擬，通過(guò)輸入層、隱層和輸出層這些層次結(jié)構(gòu)，對(duì)數(shù)據(jù)進(jìn)行調(diào)整、評(píng)估和分析計(jì)算，得到的一類(lèi)具有學(xué)習(xí)、記憶、預(yù)測(cè)和模式識(shí)別等功能的智能算法。對(duì)于非線(xiàn)性系統(tǒng)，利用BP神經(jīng)網(wǎng)絡(luò)可以很好地完成系統(tǒng)內(nèi)各神經(jīng)元之間權(quán)重值的調(diào)整工作。其學(xué)習(xí)過(guò)程由信號(hào)的正向傳播與誤差的反向傳播兩個(gè)過(guò)程組成。正向傳播時(shí)，輸入樣本從輸入層傳入，經(jīng)各隱含層處理后，傳向輸出層，若輸出層的實(shí)際輸出與期望的輸出不合要求，則轉(zhuǎn)入誤差和的反向傳播階段。誤差反向傳播是將輸出誤差和以某種形式通過(guò)隱含層向輸入層逐層反向傳播，并將誤差和分?jǐn)偨o各層的所有單元，從而獲得各層單元的誤差信號(hào)，此誤差信號(hào)即作為修正單元的依據(jù)。這種信號(hào)在正向傳播與誤差反向傳播的各層權(quán)值調(diào)整過(guò)程中不斷重復(fù)地進(jìn)行。權(quán)值不斷調(diào)整過(guò)程也就是網(wǎng)絡(luò)的學(xué)習(xí)訓(xùn)練過(guò)程。此過(guò)程一直進(jìn)行到網(wǎng)絡(luò)輸出的誤差和減小到可接受的程度或進(jìn)行到預(yù)先設(shè)定的學(xué)習(xí)次數(shù)為止[11]，其流程圖如圖1。

1.2 疾病預(yù)測(cè)模型構(gòu)建

1.2.1 數(shù)據(jù)說(shuō)明

為了更直觀(guān)地表示算法對(duì)數(shù)據(jù)的學(xué)習(xí)篩選功能，應(yīng)選取患病人群較為廣泛、病癥較為常見(jiàn)、癥狀相對(duì)多樣的病癥類(lèi)別作為數(shù)據(jù)樣本。這里挑選了30余種呼吸內(nèi)科相關(guān)疾病，并依據(jù)醫(yī)療數(shù)據(jù)庫(kù)中患者常見(jiàn)的疾病癥狀進(jìn)行歸納整理和適當(dāng)簡(jiǎn)化，選取了每種疾病最為典型，判斷依據(jù)最充分的五種病癥，綜合疾病癥狀出現(xiàn)的概率后模擬實(shí)際情況中所收集的3000組病人病癥數(shù)據(jù)，組成數(shù)據(jù)集，隨機(jī)選取2700組數(shù)據(jù)為訓(xùn)練組，另外300組為測(cè)試組。

1.2.2 數(shù)據(jù)預(yù)處理

通過(guò)TensorFlow的jieba分詞將病人疾病特征和疾病名稱(chēng)進(jìn)行拆詞，將每個(gè)單獨(dú)詞塊使用北京師范大學(xué)中文信息研究所與中國(guó)人民大學(xué)DBIIR實(shí)驗(yàn)室研究提供的開(kāi)源“Chinese-word-vectors” 工具轉(zhuǎn)為詞向量，將詞向量不足的數(shù)據(jù)后增添零向量，使每個(gè)病人的特征向量值相等。

1.2.3 數(shù)據(jù)歸一化處理

對(duì)預(yù)處理后的數(shù)據(jù)標(biāo)準(zhǔn)化處理后進(jìn)行放大，可得到較好的預(yù)測(cè)結(jié)果，其公式如下：

[z=x-μσ] ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?（1）

其中xi為輸入變量，i=1，2，...n，N為變量數(shù)目，μ為均值σ為標(biāo)準(zhǔn)值，z為最終結(jié)果。

[μ=1Ni=1N（xi）] ? ? ? ? ? ? ? ? ? ? ?（2）

[σ=1Ni=1N（xi-μ）2] ? ? ? ? ? ? ? ? ? ? （3）

1.2.4 模型構(gòu)建

本研究選取Sigmoid函數(shù)作為激活函數(shù)[12]，記為：

[f（x）=11+e-x] ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?（4）

設(shè)輸入層有n個(gè)神經(jīng)元，隱含層有p個(gè)神經(jīng)元，輸出層有q個(gè)神經(jīng)元，定義如下：

隱含層變量為：

[hj，j=1，2，3，...，p] ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? （5）

輸出層變量為：

[yk，k=1，2，3，...，q] ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? （6）

期望值變量為：

[dk，k=1，2，3，...，q] ? ? ? ? ? ? ?   ? ? ? ? ? ? ? ? ? ? ? （7）

其中權(quán)值為W，偏置為a，b。

在誤差正向傳播過(guò)程中：

對(duì)于隱含層：

[hj=f（j=1pWijXI+aj）] ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? （8）

對(duì)于輸出層：

[yk=f（k=1qhjWjk+bk）] ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? （9）

本模型采用均方差誤差函數(shù)：

[E=12k=1q（dk-yk）2] ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? （10）

在誤差反向傳播過(guò)程中：

[Wij=Wij-y?E?hxi] ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? （11）

[Wjk=Wjk-y?E?yyi] ? ? ? ? ?   ? ? ? ? ? ? ? ? ? ? ? ? （12）

[aj=aj-y?E?h] ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?（13）

[bk=bk-y?E?y] ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? （14）

輸出層各節(jié)點(diǎn)所收到的總輸入變化時(shí)單樣本誤差變化率：

[?E?y=yk（1-yk）（yk-dk）] ? ? ? ? ? ? ? ? ? ? ? ? ? （15）

隱含層誤差變化率：

[?E?h=hj（1-hj）k=1qWij（dk-yk）] ? ? ? ? ? ? ? （16）

輸入層結(jié)構(gòu)圖如圖2。

2 平臺(tái)設(shè)計(jì)

面對(duì)復(fù)雜的使用場(chǎng)景、市場(chǎng)產(chǎn)品的嚴(yán)重同質(zhì)化以及在線(xiàn)和離線(xiàn)醫(yī)療場(chǎng)景的碎片化使得產(chǎn)品本身的用戶(hù)體驗(yàn)變得越來(lái)越重要。作為醫(yī)療輔助系統(tǒng)，本平臺(tái)不獨(dú)立設(shè)置完全的網(wǎng)上就診流程而主要為線(xiàn)下就診提供更好的就診體驗(yàn)。平臺(tái)同時(shí)在主頁(yè)信息結(jié)構(gòu)、用戶(hù)角色模型創(chuàng)建以及數(shù)據(jù)反饋機(jī)制上進(jìn)行了優(yōu)化設(shè)計(jì)。

2.1 優(yōu)化主頁(yè)信息結(jié)構(gòu)

信息體系結(jié)構(gòu)的優(yōu)化是增強(qiáng)用戶(hù)體驗(yàn)的重要步驟，本次設(shè)計(jì)在用戶(hù)界面上圍繞“指導(dǎo)科室”“病情預(yù)測(cè)”和“檢查建議”三層主要的模塊進(jìn)行優(yōu)化以提高產(chǎn)品的質(zhì)量。通過(guò)優(yōu)化上述三層主要模塊，可以使癥狀的選擇、疾病的部門(mén)類(lèi)別劃分更加簡(jiǎn)明清晰，減輕用戶(hù)在操作過(guò)程中的認(rèn)知負(fù)擔(dān)，提高用戶(hù)的操作效率，并建立用戶(hù)對(duì)產(chǎn)品的定位意識(shí)，對(duì)功能流程優(yōu)化，使用戶(hù)可以在就醫(yī)之前了解疾病。

2.2 用戶(hù)角色模型創(chuàng)建

在設(shè)計(jì)過(guò)程中根據(jù)患者的特征對(duì)醫(yī)療功能模塊進(jìn)行優(yōu)化。為了更貼合患者群體，用戶(hù)角色模型可以通過(guò)四個(gè)步驟構(gòu)建：在產(chǎn)品的早期進(jìn)行定性和定量研究，以獲得目標(biāo)用戶(hù)群的基本特征;篩選樣品;邀請(qǐng)用戶(hù)進(jìn)行深入采訪(fǎng);建筑肖像[10]。在A(yíng)pp產(chǎn)品設(shè)計(jì)優(yōu)化的早期階段，大型醫(yī)院可以選擇不同的時(shí)間點(diǎn)進(jìn)行研究，并在現(xiàn)場(chǎng)分發(fā)調(diào)查問(wèn)卷以收集用戶(hù)的個(gè)人信息，并使用在線(xiàn)醫(yī)療輔助應(yīng)用程序確定樣本標(biāo)準(zhǔn);在研究過(guò)程中，邀請(qǐng)用戶(hù)進(jìn)行深入訪(fǎng)談，涵蓋所有級(jí)別的用戶(hù)，以便對(duì)線(xiàn)下醫(yī)院進(jìn)行深入觀(guān)察和體驗(yàn)，以分析用戶(hù)在醫(yī)療方面的需求和心理狀態(tài);最后，將對(duì)先前調(diào)查中收集的信息進(jìn)行分類(lèi)和分析以達(dá)到對(duì)用戶(hù)的精準(zhǔn)定位。

3 預(yù)測(cè)結(jié)果分析及平臺(tái)運(yùn)行說(shuō)明

3.1 預(yù)測(cè)結(jié)果

此次研究利用tensorflow編程實(shí)現(xiàn)訓(xùn)練樣本的BP神經(jīng)網(wǎng)絡(luò)模型，用測(cè)試樣本加以驗(yàn)證。本模型采用早停止法得到最后的參數(shù)估計(jì)，即在訓(xùn)練過(guò)程中不斷檢測(cè)各次迭代的參數(shù)所對(duì)應(yīng)模型的誤差函數(shù)值。訓(xùn)練數(shù)據(jù)集的誤差函數(shù)值會(huì)持續(xù)下降，而測(cè)試數(shù)據(jù)集的誤差函數(shù)值最終也會(huì)下降，但在某次迭代達(dá)到最小值后反而會(huì)上升，需要取此次迭代所得到的參數(shù)估計(jì)（而不是訓(xùn)練算法收斂后得到的參數(shù)估計(jì)）作為最后的參數(shù)估計(jì)[5]。

3.1.1 預(yù)測(cè)結(jié)果分析

每一次循環(huán)學(xué)習(xí)后，利用測(cè)試集進(jìn)行準(zhǔn)確度測(cè)試。當(dāng)循環(huán)3000次后，輸出一種病癥的準(zhǔn)確度為74%，其曲線(xiàn)圖如圖3輸出三種病癥，有一種預(yù)測(cè)正確認(rèn)定則認(rèn)定本次預(yù)測(cè)正確，其準(zhǔn)確度可達(dá)84%，其曲線(xiàn)圖如圖4;若輸出五種病癥，有一種預(yù)測(cè)正確則認(rèn)定本次預(yù)測(cè)正確，其準(zhǔn)確度可達(dá)89%，其準(zhǔn)確度曲線(xiàn)圖如圖5。

3.1.2 誤差分析

（1）由于疾病與癥狀之間并不是完全對(duì)應(yīng)關(guān)系，在本質(zhì)上存在誤差，所以會(huì)導(dǎo)致測(cè)試結(jié)果存在偏差。

（2）由于采用結(jié)巴分詞器和第三方詞向量生成器，導(dǎo)致疾病以及癥狀會(huì)分成多個(gè)詞向量，分詞效果不理想，使結(jié)果出現(xiàn)誤差。

3.2 平臺(tái)運(yùn)行流程說(shuō)明

本文通過(guò)已有數(shù)據(jù)對(duì)神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練。用戶(hù)在輸入病癥后，訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)會(huì)輸出對(duì)應(yīng)的病癥檢查項(xiàng)目、問(wèn)診科室以及檢查注意事項(xiàng)，將這三者列為患者診斷結(jié)果。當(dāng)輸出五種可能的疾病時(shí)，其準(zhǔn)確度可達(dá)89%，因此本平臺(tái)將輸出的可能疾病確定為5種，并給出全部注意事項(xiàng)。

3.3 軟件輸出及其說(shuō)明

由神經(jīng)網(wǎng)絡(luò)誤差曲線(xiàn)可得，在小樣本數(shù)據(jù)下，隨著訓(xùn)練次數(shù)的增加，雖然BP神經(jīng)網(wǎng)絡(luò)準(zhǔn)確度曲線(xiàn)有輕微的波動(dòng)，但整體準(zhǔn)確度逐漸提高。由圖5可以看出，當(dāng)同時(shí)輸出5種疾病時(shí)，準(zhǔn)確度最高可接近90%，將數(shù)據(jù)進(jìn)行綜合分析可以滿(mǎn)足對(duì)大部分疾病的判斷，根據(jù)其輸出結(jié)果可以幫助患者做好準(zhǔn)備。最終輸出結(jié)果如圖7所示，患者輸入病癥癥狀，根據(jù)疾病預(yù)測(cè)結(jié)果，系統(tǒng)會(huì)將可能性較大的疾病名稱(chēng)列于右方，同時(shí)給出患者所需檢查，在下方會(huì)出現(xiàn)患者進(jìn)行檢查所需的注意事項(xiàng)。

4 總結(jié)和展望

近些年來(lái)，隨著“互聯(lián)網(wǎng)+”的不斷深入以及人工智能的興起，智能問(wèn)診相關(guān)的產(chǎn)品和理論不斷涌出。本算例在目前研究基礎(chǔ)上，通過(guò)基于神經(jīng)網(wǎng)絡(luò)模型的疾病預(yù)測(cè)以及平臺(tái)構(gòu)建得出以下結(jié)論：

（1） 實(shí)驗(yàn)結(jié)果表明，基于神經(jīng)網(wǎng)絡(luò)對(duì)于癥狀的疾病預(yù)測(cè)理論上可行有效，單個(gè)疾病準(zhǔn)確率可達(dá)74%，若是給予5種可能疾病準(zhǔn)確率可達(dá)89%。

（2） 在平臺(tái)構(gòu)建方面，本項(xiàng)目在主頁(yè)設(shè)計(jì)上的簡(jiǎn)化、分層可以為用戶(hù)帶來(lái)更好的使用體驗(yàn);對(duì)用戶(hù)特征的系統(tǒng)處理可以指導(dǎo)平臺(tái)后續(xù)構(gòu)建;反饋數(shù)據(jù)的機(jī)制更利于推動(dòng)線(xiàn)上醫(yī)療輔助平臺(tái)與線(xiàn)下醫(yī)療進(jìn)一步結(jié)合。目前平臺(tái)可以提供給患者相關(guān)的檢查注意事項(xiàng)。

針對(duì)目前的研究成果，可從以下方面進(jìn)行改進(jìn)和展望：

（1） 一方面，實(shí)驗(yàn)數(shù)據(jù)并不是真實(shí)數(shù)據(jù)，與現(xiàn)實(shí)存在偏差，后續(xù)需要進(jìn)一步完善。另一方面，由于缺乏專(zhuān)業(yè)的醫(yī)學(xué)詞向量生成器以及jieba分詞器存在誤差，導(dǎo)致準(zhǔn)確度不高，可在此方面進(jìn)一步提高。

（2） 另一方面，本平臺(tái)功能較少，未來(lái)可在預(yù)測(cè)疾病的基礎(chǔ)上給予患者掛號(hào)科室建議，并可與醫(yī)院進(jìn)行合作，實(shí)現(xiàn)網(wǎng)上一鍵掛號(hào)，使患者得到更便捷的服務(wù)。

參考文獻(xiàn)：

[1] Willcox W R，Lapage S P，Bascomb S，et al.Identification of bacteria by computer：theory and programming[J].Journal of General Microbiology，1973，77（2）：317-330.

[2] Willcox W R，Lapage S P，Bascomb S，et al.Identification of bacteria by computer：theory and programming[J].Journal of General Microbiology，1973，77（2）：317-330.

[3] Abeel T，Helleputte T，van de Peer Y，et al.Robust biomarker identification for cancer diagnosis with ensemble feature selection methods[J].Bioinformatics，2010，26（3）：392-398.

[4] Voula C.Georgopoulos，Chrysostomos D. Stylios.International Conference on Intelligent Informatics and Biomedical Sciences[C].Okinawa，Japan：IEEE，2017.

[5] 王純杰，馬元嘉，王迪，等.基于Logistic回歸和神經(jīng)網(wǎng)絡(luò)比較的咽喉反流疾病的精準(zhǔn)預(yù)測(cè)[J].吉林師范大學(xué)學(xué)報(bào)（自然科學(xué)版），2020，41（3）：36-43.

[6] 李強(qiáng)，吳裕雄，古國(guó)照，等.智能輔助診療平臺(tái)設(shè)計(jì)與探索[J].醫(yī)學(xué)信息學(xué)雜志，2019，40（11）：32-35.

[7] Yao C L，Qu Y，Jin B，et al.A convolutional neural network model for online medical guidance[J].IEEE Access，2016，4：4094-4103.

[8] 張強(qiáng)強(qiáng)，蘇變萍，李敏.基于卷積神經(jīng)網(wǎng)絡(luò)的SVM疾病癥狀分類(lèi)模型[J].傳感器與微系統(tǒng)，2020，39（3）：64-67，71.

[9] 王秋穎，李昂，董怡然.基于醫(yī)療服務(wù)鏈的移動(dòng)醫(yī)療App現(xiàn)狀及問(wèn)題分析[J].中國(guó)醫(yī)院管理，2018，38（7）：48-49.

[10] 黃添譽(yù)，許懋琦.移動(dòng)醫(yī)療平臺(tái)用戶(hù)體驗(yàn)優(yōu)化設(shè)計(jì)研究——以大象就醫(yī)APP為例[J].工業(yè)設(shè)計(jì)，2018（9）：136-138.

[11] 張俊妮.數(shù)據(jù)挖掘與應(yīng)用[M].北京：北京大學(xué)出版社，2009.

[12] 田娟，朱姝婧，陸強(qiáng)，等.基于BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)兒童甲狀腺疾病的模型研究[J].中國(guó)醫(yī)學(xué)物理學(xué)雜志，2020，37（10）：1340-1344.

【通聯(lián)編輯：代影】

2596500511339