摘要：目的 為增強人們對高血壓病的認識、提高醫務人員的診斷水平，構建面向大數據的高血壓中醫專家診療系統。方法 以人機接口、數據庫、知識庫、推理機、解釋機構和知識獲取模塊為主體，構建專家診療系統框架，使該系統具有癥狀檢索、病情檢索、西藥藥品檢索、中醫診療和系統管理等主要功能。結果 針對中醫理論表述的不確定性，建立基于反向傳播神經網絡(BP網)的高血壓病診斷網絡結構，模擬南京中醫藥大學附屬醫院暨江蘇省中醫院心內科名中醫的辨證論治方式，應用Visual Studio軟件(2013)和SQL Server數據庫軟件(2012)，開發了高血壓中醫專家診療系統，通過癥狀特征推理證候分型，并開出處方。通過對近5年本院93 626例高血壓患者進行檢測和應用對比，使用高血壓中醫專家診療系統辨證治療的準確率達到95%以上。結論 將大數據、人工智能與中醫診療相結合，研究高血壓專家診療系統，為實現智慧中醫診療、提升臨床服務能力提供有力支撐。

　　關鍵詞：大數據;高血壓;中醫專家診療系統;反向傳播神經網絡;診療

　　推薦閱讀：醫學類sci期刊有多少本

　　中醫專家的診療經驗主要依靠師徒關系傳承，中醫藥理論博大精深，隱含知識(或不確定知識)相對較多，傳承難度大，傳播速度慢。長期以來，相對西醫西藥，中醫藥的科學性備受質疑，無法或很難確定中藥方劑中具體發揮治療和預防作用的成分、劑量、化學結構，很難跟蹤評價代謝成分[1]。大數據、云計算、人工智能的迅猛發展為中醫藥研究開辟了新的方向，給中醫藥傳承發展帶來了新的機遇。

　　1 構建高血壓中醫專家診療系統的意義

　　建立具有辨證論治內涵的智能中醫診療決策系統，可以進一步促進中醫診療規律的提升和總結[2]。智能辨證系統可以根據患者患病信息直接進行智能診斷，確定疾病的證型證候，進而選擇治療方法[3]。針對傳承難和臨床服務能力低的問題，陳辛畋等[4]提出構建全生態中醫知識庫和智慧系統，采用人工神經網絡技術，通過網絡訓練和學習，實現“證型證候”到“處方方藥”的相對準確對應，為中醫客觀化探索提供了新的規范化論治的研究方法[5]。反向傳播神經網絡(Back-Propagation Neural Network，BP網)作為一種模擬人腦神經元結構的大規模、非線性、自適應網絡，具有很強的自學習能力，已應用于疾病診斷、預測、療效評價等方面。例如，應用BP網分析北京市社區中醫藥服務發展影響因素權重[6];模擬中醫切脈，構建脈搏動態圖像、切脈壓力、探頭內壓、示波法血壓的多信息同步采集系統，應用BP網預測血壓[7]。另外，針對人體各項生理參數數據量大、過程較為復雜、預測效果差的問題，孫艷秋等提出了基于大數據分析潛在高血壓的預測方法[8]。

　　進入21世紀，壓力高、節奏快的工作和不合理的飲食導致高血壓患者越來越年輕化，門診量越來越大，而醫療資源有限，具有豐富經驗的名醫更是稀少，迫切需要使用現代的信息化手段，研究中醫診療決策模式[9]、高血壓醫學知識庫與智能檢索推理系統[10]，充分挖掘古籍和名中醫的經驗，將辨證施治、個性化診療的成功案例傳承下來，服務于科研、臨床的一線醫生，以提高高血壓?？漆t生的臨床決策水平。

　　2 高血壓中醫專家診療系統

　　2.1 高血壓中醫專家診療系統的結構設計

　　高血壓中醫專家診療系統主要由人機接口(界面)、數據庫、知識庫、推理機、解釋機構和知識獲取模塊組成(見圖1)。采用以數據庫為主體的構造模式，即將推理機和人機界面之外的部分以數據庫的形式來表示。知識庫中含有專家案例庫和規則庫。

　　數據庫用于存放高血壓領域的初始問題和推理過程中的中間數據(信息)，如：醫生在病人就診時所做的關于癥狀、檢查、用藥等逐條具體記錄。知識庫用于存放高血壓中醫專家診療系統的專門知識，包括事實、規則等，規則常用產生表示法表達，即以“if條件1 and條件2……and條件N，Then結論”的方式表達。推理機用以模擬高血壓中醫專家的思維過程，控制并執行對問題的求解，它是一組用來控制和推理專家系統的程序，可從已知事實(癥狀特征等)出發，運用已掌握的專家知識，推導出結論(證候分型結果等)。解釋機構是對患者提出的“為什么?結論是如何得出的?”等問題加以解答，它能夠跟蹤并記錄推理過程，給出解釋。知識獲取模塊是由知識工程師從科技文獻、高血壓中醫專家處獲取知識，轉化成特定的計算機表示。

　　2.2 高血壓中醫專家診療系統的功能模塊

　　高血壓中醫專家診療系統由癥狀檢索、病情檢索、西藥藥品檢索、中醫診療和系統管理5個主要功能模塊構成(見圖2)。

　　2.2.1 癥狀檢索模塊 此模塊用于針對某一具體患者，檢索高血壓相關中醫癥狀表象。癥狀檢索包括主要癥狀、次要癥狀、脈象、舌象等模塊。頭暈、頭痛、目眩、寐差、胸悶、心慌等屬于主要癥狀。大便干結、痰多、麻木、急躁易怒、尿頻、面赤等屬于次要癥狀。脈象有弦、細、滑等。舌象有舌淡、舌紅、舌紫、苔薄、苔膩、舌有瘀斑等。這些癥狀信息來源于專家臨床所見及文獻記載。

　　患者、醫生、藥師等用戶可以瀏覽高血壓癥狀的詳細信息;也可以使用檢索功能，方便快捷地查詢到所需的高血壓癥狀信息。檢索方式有：瀏覽高血壓中醫相關癥狀信息，用檢索樹的方式查詢高血壓中醫相關癥狀信息，用關鍵詞查詢高血壓相關癥狀信息。

　　2.2.2 病情檢索模塊 病情檢索模塊分為2個部分：一是高血壓分級分期情況，二是相關合并癥情況。醫生根據患者的高血壓分級分期，判斷病情程度;根據冠心病、糖尿病、高血脂等并發癥的狀態，適當調節處方用藥。

　　2.2.3 西藥藥品檢索模塊 此模塊用于查詢高血壓病常見藥物的名稱、分類、用量及合并用藥情況。檢索方式有：直接瀏覽藥品信息，按照藥品名稱查詢，按照藥品類型查詢。

　　2.2.4 中醫診療模塊 根據所提供的癥狀、病情、西醫診療信息，通過人工智能BP網進行中醫辨證分析，得出相應的證型。根據證型結果，再次通過人工智能BP網模擬中醫專家的處方用藥生成針對該患者的中醫處方。

　　2.2.5 系統管理模塊 主要包含用戶管理和知識庫管理。通過在系統中設置權限來保證專家系統的安全性，被授權的專家可以對知識庫進行完善和更新，可以修改自己的信息;系統管理員擁有后臺所有管理權限。醫生、藥師等用戶在注冊后，可以通過人機界面使用專家系統，但是不能修改專家系統的知識庫。

　　知識庫管理主要對高血壓相關領域的知識、規范、基礎數據等進行描述和說明;可以定義、添加、刪除相關知識和規則，并通過動態數據庫進行實時更新。

　　3 基于BP網的高血壓病智能診斷

　　人工神經網絡可以模擬人腦信息處理功能，其基本處理單元是神經元，通過神經元互聯的方式從輸入、輸出數據中學習有用的知識。BP網是應用較為廣泛的一種人工神經網絡模型，是一種按誤差逆傳播算法訓練的多層前饋網絡，擅長處理大量的非線性數據和信息，因此特別適合處理中醫院大量的臨床病例。BP網的神經元分層排列，具有輸入層、輸出層和隱藏層，能學習和存儲大量的輸入-輸出模式映射關系，常用于模式識別、函數逼近、數據壓縮等領域。由于人的機體與疾病之間是一種非線性關系，采用具有自適應學習、全局逼近、較好泛化能力的BP網，可以有效地建立高血壓病智能診斷網絡結構，該結構包含1個輸入層、1個隱含層和1個輸出層。

　　根據高血壓病的癥狀，輸入以7×4矩陣的癥狀特征(見表1)，表中4列分別代表主要癥狀、次要癥狀、脈象和舌象，7行代表具體癥狀。經過向量轉換成28×1的列向量，作為BP神經網絡的輸入層，隱藏層有15個神經單元，輸出層有4個神經單元，最后得到證候分型的結果。

　　醫患診斷中將所描述的癥狀契合單元的值置為1，不契合的單元值置為0，表1中第三列脈象只分為4個特征即脈弦、脈細、脈滑和其他，故其第4～6行以0補充空位。這樣表1中的特征就可用以0，1組成的7×4矩陣表示出來，并轉換為列向量作為輸入，通過BP網的智能推理，得到證候分型結果。

　　4 高血壓中醫專家診療系統的實現

　　本文在研究南京中醫藥大學附屬醫院暨江蘇省中醫院心內科近5年高血壓病例的基礎上，應用Visual Studio軟件(2013)和SQL Server數據庫軟件(2012)，開發了高血壓中醫專家診療系統。下面以具體病例為例，介紹系統的實現過程。病例：王某，男，70歲，血壓160/80 mmHg，西醫診斷：高血壓病，心律失常，室性早搏。主訴：頭暈間作6年，加重2個月。癥狀：頭暈，胸悶，心慌，寐差，尿頻，舌淡紫，舌下青筋顯露，苔薄白，脈細弦。圖3為高血壓中醫專家診療系統的中醫高血壓研究界面，顯示該患者基本信息，圖4為患者的主要癥狀、次要癥狀、脈象、舌象等特征性癥狀。

　　專家系統將頭暈、胸悶、寐差、心慌、尿頻、脈細、脈弦、舌淡、舌紫、苔薄、舌下青筋以“1”替換，其他處以“0”表示，利用BP網智能推理出證候分型，結果為肝腎陰虛(見圖5)。系統選擇名中醫方祝元主任，使用其常用經驗處方：天麻10 g，鉤藤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。根據合并疾病心律失常、失眠加用益氣養陰、安神定志藥物：太子參10 g，麥冬10 g，五味子10 g，黃精10 g，玉竹10 g，酸棗仁30 g，生龍齒30 g，模擬給出專家處方(見圖6)。

　　使用高血壓中醫專家診療系統對近5年來院治療的高血壓患者93 626例進行了檢測和應用對比，該系統準確率達到95%以上。

　　5 小結

　　采用Visual Studio軟件(2013)和SQL Server數據庫軟件(2012)，以近年來江蘇省中醫院心內科名中醫的診療病例為基礎，研發出基于大數據的高血壓中醫專家診療系統，通過BP網將文字描述的癥狀量化為數字表示的矩陣，自動推理出高血壓病的證候分型，并模擬給出名中醫處方，實現了“證候”到“處方”的對應，為發掘名中醫的隱含知識、傳承其診療經驗，為提高廣大中醫的臨床決策能力，提供了有力的技術支撐。

　　參考文獻

　　[1] 解育靜.大數據時代中醫藥領域面臨的機遇與挑戰[J].中華醫學圖書情報雜志，2015，24(7)：33-35.

　　[2] 崔驥，許家佗.人工智能背景下中醫診療技術的應用與展望[J].第二軍醫大學學報，2018，39(8)：846-851.

　　[3] 孟學茹，溫川飆.中醫藥領域人工智能研究現狀[J].中醫臨床研究， 2018，10(22)：143-145.

　　[4] 陳辛畋，阮春陽，于觀貞，等.融“古”貫“今”，構建智慧中醫新體系[J].第二軍醫大學學報，2018，39(8)：826-829.

　　[5] 劉艷飛，孫明月，姚賀之，等.大數據技術在中醫藥領域中的應用現狀及思考[J].中國循證醫學雜志，2018，18(11)：1180-1185.