CN120108708B 一种中医预问诊收集管理系统 （浙江中医药大学）

(19)国家知识产权局(12)发明专利(10)授权公告号CN120108708B(65)同一申请的已公布的文献号(74)专利代理机构杭州龙华优品道专利代理事一种中医预问诊收集管理系统本发明适用于医疗技术领域，提供了一种中医预问诊收集管理系统，包括用户信息采集模化问诊路径生成模块、数据整合与病历生成模块及反馈优化模块。通过采集用户基础信息、主诉于知识图谱和多维权重计算生成高关联度症状序列，通过动态分支算法构建交互式问诊树，实现个性化问诊路径的动态调整；整合实时数据与历史诊疗记录生成结构化预诊病历，并通过临床确诊数据反馈优化知识图谱权重，持续提升诊断用户信息采集模块用户信息采集模块症状关联分析模块个性化问诊路径生成模块反馈优化模块21.一种中医预问诊收集管理系统，其特征在于，所用户信息采集模块，用于采集用户基础信息及主诉症状，并转化为症状特征向量，生成初始数据集；中医体质辨识模块，用于基于症状特征向量、舌象参数和脉象参数，通过支持向量机算法构建体质辨识模型，输出用户体质类型及关联症状群组；症状关联分析模块，用于根据用户体质类型调用中医症状知识图谱，通过多维权重计算生成高关联度症状序列；个性化问诊路径生成模块，用于基于高关联度症状序列，通过动态分支算法生成包含必选症状核验项和可选症状扩展项的交互式问诊树，并根据用户反馈动态调整路径；数据整合与病历生成模块，用于整合交互式问诊树交互数据与历史诊疗记录，生成包含体质特征标记和症状演变路径的预诊病历；反馈优化模块，用于对比临床确诊数据与预诊病历的差异特征，调整知识图谱权重系数以优化系统诊断精度。2.根据权利要求1所述的系统，其特征在于，所述用户信息采集模块的具体工作流程通过交互界面及表单输入内容获取用户基础信息和主诉症状；将用户基础信息和主诉症状转化为包含体质信息、主诉症状及背景信息的数值化症状特征向量；整合症状特征向量与基础信息生成初始数据集，并存储至系统数据库。3.根据权利要求1所述的系统，其特征在于，所述中医体质辨识模块中：舌象参数包括舌质、舌苔和舌形的量化数据；脉象参数包括脉搏快慢、力度和波动形态的数值化参数；所述支持向量机算法采用径向基函数核，通过多维特征向量训练体质辨识模型，识别将用户的症状特征向量、舌象参数和脉象参数整合为一个综合的多维特征向量；通过支持向量机算法构建体质辨识模型；将多维特征向量和对应的分类标签作为输入，对体质辨识模型进行训练；使用训练后的体质辨识模型对新的用户数据进行体质类型预测。5.根据权利要求1所述的系统，其特征在于，所述症状关联分析模块中：多维权重计算包括症状与体质类型的关联度、症状间相似度、联合关系及用户反馈权高关联度症状序列按权重排序，前20%症状定义为必选症状核验项，除必选症状核验项以外的剩余症状中的前20%定义为可选症状扩展项。6.根据权利要求1所述的系统，其特征在于，所述个性化问诊路径生成模块中：动态分支算法根据必选症状核验项生成问诊树核心节点，选择性添加可选症状扩展项为子分支；交互式问诊树节点根据用户实时反馈动态调整内容与结构，实现路径跳转和扩展。37.根据权利要求6所述的系统，其特征在于，所述通过动态分支算法生成包含必选症状核验项和可选症状扩展项的交互式问诊树，具体包括：将交互式问诊树结构定义为层次化的树形结构，包括若干节点和分支，树的根节点表根据必选症状核验项生成问诊树的核心部分，所述核心部分包括根节点和必选症状节根据高关联度症状序列中的剩余症状，通过动态分支算法选择可选症状扩展项作为子在交互式问诊过程中，依据必选症状核验项和可选症状扩展项生成交互式问诊树，并依据用户的实时反馈进行动态调整；通过动态分支算法，根据实时问诊过程的需要动态调整每个节点的内容与结构；输出生成的交互式问诊树，形成多层级、动态调整的问诊流程。8.根据权利要求7所述的系统，其特征在于，所述数据整合与病历生成模块的具体工作流程为：将交互式问诊树交互数据与历史诊疗记录中的既往症状、体质类型及治疗结果进行匹生成包含体质类型标记、症状演变路径及历史信息的结构化预诊病历。9.根据权利要求1所述的系统，其特征在于，所述反馈优化模块中：差异特征包括症状关联度偏差和体质类型误判，通过参数自修正单元调整知识图谱权优化后的知识图谱用于更新症状关联分析模块和体质辨识模块的运算逻辑。10.根据权利要求1所述的系统，其特征在于，所述中医症状知识图谱为动态图谱，其节点表示症状，边表示症状间关联关系及权重系数，通过反馈优化模块实现权重自适应调整。4技术领域[0001]本发明属于医疗技术领域，尤其涉及一种中医预问诊收集管理系统。背景技术[0002]随着信息技术和人工智能的快速发展，智能化医疗技术在中医诊断和治疗中的应用逐渐成为研究的热点。传统中医诊断依赖于医生的经验和对病人症状的主观判断，然而，诊断过程中的主观性和经验依赖使得诊断结果容易受到个体差异、情境因素及医生经验的影响。[0003]然而，现有技术中，大多数智能问诊系统仍面临诸如症状识别不精准、体质类型辨识不准确、症状与体质的关联性分析不足等问题。此外，现有系统往往缺乏动态优化机制，难以根据临床确诊数据与预诊数据之间的差异进行反馈调整，从而导致系统的诊断精度受限，不能有效适应不同个体的多样化需求。发明内容[0004]本发明的目的在于提供一种中医预问诊收集管理系统，旨在解决背景技术中确定的现有技术存在的技术问题。[0005]一种中医预问诊收集管理系统，包括用户信息采集模块关联分析模块、个性化问诊路径生成模块、数据整合与病历生成模块和反馈优化模块，其[0006]所述用户信息采集模块用于获取用户基础信息及主诉症状，生成包括症状特征向量的初始数据集；[0007]所述中医体质辨识模块接收所述初始数据集中的症状特征向量，结合舌象、脉象[0008]所述症状关联分析模块根据所述体质类型调用对应知识图谱，对关联症状群组进行多维权重计算，生成高关联度症状序列；[0009]所述个性化问诊路径生成模块基于所述高关联度症状序列，通过动态分支算法生成包括必选症状核验项和可选症状扩展项的交互式问诊树；[0010]所述数据整合与病历生成模块整合问诊树交互数据与历史诊疗记录，生成包括体质特征标记、症状演变路径的预诊病历；[0011]所述反馈优化模块用于获取临床确诊数据与预诊病历的差异特征，通过参数自修正单元调整知识图谱权重系数。[0012]本发明的有益效果是：[0013]本发明通过用户信息采集模块、中医体质辨识模块和症状关联分析模块的协同工作，能够准确地识别和匹配用户的体质类型及相关症状。特别是在体质辨识过程中，结合了用户的基础信息、主诉症状、舌象和脉象参数，并构建了多元融合的体质辨识模型，确保了体质类型(如阴虚、阳虚和气虚)和症状群组的高效匹配。通过系统生成的高关联度症状序5列和个性化问诊路径，能够使用户的诊断更加精准，减少了误诊或漏诊的概率。[0014]本发明通过反馈优化模块实现了基于临床确诊数据和预诊病历差异的动态优化功能。通过对知识图谱权重系数的调整，优化模块能够实时反馈用户的症状表现与体质类型的关联度，并根据实际诊疗结果进行自我修正。这一机制能够有效提高系统的诊断准确性，并确保随着更多用户数据的积累，系统的体质辨识和症状关联分析功能不断得到优化，从而为医生提供更为精准的支持，优化诊疗过程。[0015]本发明通过数据整合与病历生成模块，系统能够将用户的问诊树交互数据与历史诊疗记录进行有效整合，生成包括体质特征标记和症状演变路径的预诊病历。这一病历不仅能够反映用户当前的症状及体质特征，还能结合历史记录提供完整的症状演变过程，为医生提供详细的诊疗依据。该病历的生成不仅提高了诊断的效率，还为后续的治疗和复诊提供了完整的参考数据，进一步提高了医疗服务的质量和精准度。附图说明[0016]图1为本发明实施例提供的一种中医预问诊收集管理系统流程示意图；[0017]图2为本发明实施例提供的中医体质辨识模块流程示意图。具体实施方式[0018]为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。[0019]如图1-图2所示，一种中医预问诊收集管理系统，包括用户信息采集模块、中医体质辨识模块、症状关联分析模块、个性化问诊路径生成模块、数据整合与病历生成模块和反馈优化模块，其中所述中医预问诊收集管理系统的运行流程如下：[0020]用户信息采集：用户通过交互界面(如移动端、网页端或医院终端设备)输入基础信息(年龄、性别、生活习惯等)和主诉症状(如疼痛部位、发作频率等),系统将信息转化为数值化的症状特征向量，生成初始数据集并存储至数据库。[0021]中医体质辨识：系统调用初始数据集中的症状特征向量，结合舌象参数(通过舌象采集设备获取舌质、舌苔、舌形)和脉象参数(通过脉诊设备获取脉搏快慢、力度、波动形态),利用支持向量机算法(SVM)构建体质辨识模型，输出用户的体质类型(如阴虚、阳虚、气虚)及关联症状群组。[0022]症状关联分析：根据体质类型调用对应的中医症状知识图谱，对关联症状进行多维权重计算(包括症状与体质的关联度、症状间相似度、联合关系权重),生成按权重排序的高关联度症状序列(前20%为必选核验项，剩余前20%为可选扩展项)。[0023]个性化问诊路径生成：通过动态分支算法构建交互式问诊树，必选症状核验项作为核心节点，可选症状扩展项作为子分支。系统根据用户实时反馈(如症状变化、医生输入)[0024]数据整合与病历生成：整合实时问诊数据与用户历史诊疗记录(如既往体质类型、症状演变历史),生成包含体质特征标记、症状演变路径及治疗建议的结构化预诊病历，输出至医生终端。6[0025]反馈优化：对比临床确诊数据与预诊病历的差异特征(如症状关联度偏差、体质误判),通过参数自修正单元调整知识图谱权重系数，优化后续诊断逻辑。[0027]用户信息采集模块[0028]获取用户基础信息：通过用户输入设备或交互界面，获取用户的基本个人信息，包[0029]获取主诉症状：通过问卷、面谈或表单输入方式，收集用户的主诉症状，症状包括身体不适部位、疼痛程度、发作时长、症状持续时间、症状发生频率等详细信息；[0030]转化为症状特征向量：通过数据处理单元，将用户输入的基础信息和主诉症状信息转化为症状特征向量，症状特征向量包括用户的体质信息(如年龄、性别等)、主诉症状信息(如症状类型、程度、时序等)和症状相关的背景信息(如症状发生的时间段、诱因等);[0031]生成初始数据集：将生成的症状特征向量与用户的基础信息进行整合，构建初始数据集，该初始数据集包括每个用户的症状特征向量及其基础信息，作为后续处理的输入数据；[0032]上传并存储数据：将生成的症状特征向量及用户的基础信息上传至系统数据库进行存储；[0033]用户信息采集模块通过系统化的步骤采集用户的基础信息和主诉症状，转化为症状特征向量，保证了信息的准确性和完整性，为后续的体质辨识、症状分析和个性化问诊路径的生成提供了坚实的数据基础。[0034]数据输入方式：支持多种输入途径，包括电子表单、语音录入(如面谈录音转文字)、传感器设备(如可穿戴设备采集睡眠数据)。[0035]症状特征向量生成：通过自然语言处理(NLP)技术将主诉症状文本(如“口干舌燥”)转化为数值化向量，例如：[0036]体质信息向量：年龄(数值型)、性别(0/1编码)、生活习惯(饮食评分、睡眠时长)。[0037]症状向量：疼痛程度(1-10分)、发作时长(小时)、关联背景(如“夜间加重”编码为特征值)。[0038]中医体质辨识模块[0039]接收症状特征向量：从用户信息采集模块获取初始数据集，其中包括用户的症状特征向量；[0040]获取舌象参数：通过舌象采集设备或人工检查，获取舌象参数，舌象参数包括舌质[0041]获取脉象参数：通过脉诊设备或人工脉诊，获取脉象参数，脉象参数包括脉搏的快慢、力度和波动形态；[0042]建立体质辨识模型：基于症状特征向量、舌象参数和脉象参数，采用支持向量机算法，建立体质辨识模型；[0043]体质类型识别：通过体质辨识模型对用户的症状特征向量、舌象参数和脉象参数进行分析，识别用户的体质类型，并根据体质类型输出相应的关联症状群组，关联症状群组包括与该体质类型相关的症状，作为后续症状关联分析的基础；[0044]输出体质类型及关联症状群组：根据体质辨识结果，输出用户的体质类型及其关7联症状群组。体质类型包括阴虚、阳虚和气虚，体质辨识模型根据不同体质类型确定相应的症状群组，确保症状群组的个性化和针对性；[0045]中医体质辨识模块通过综合分析用户的症状特征向量、舌象和脉象参数，精准识别用户的体质类型，并输出与该体质类型相关的症状群组。该模块为后续症状关联分析和个性化问诊路径生成提供了科学依据，确保诊断的准确性与个性化。[0046]舌象与脉象参数量化[0047]舌质：红(编码1)、淡(编码2)、嫩(编码3);[0048]脉象：快慢(心率值)、力度(压力传感器读数)、波动形态(波形频谱分析结果)。[0049]支持向量机模型训练：[0050]输入：多维特征向量(症状、舌象、脉象参数);[0051]输出：体质类型标签(阴虚、阳虚、气虚);[0052]核函数选择：径向基函数(RBF)核，惩罚参数C=1.0,容错率ε=0.1。[0053]症状关联分析模块[0054]接收体质类型和症状群组：通过中医体质辨识模块获取用户的体质类型(阴虚、阳虚或气虚)及其对应的关联症状群组，每种体质类型有其对应的症状群组，症状群组包括与该体质类型相关的症状及其属性；[0055]调用知识图谱：根据用户的体质类型，调用相应的中医症状知识图谱，中医症状知识图谱包括各类中医症状及其与体质类型、其他症状之间的关系；[0056]知识图谱中的每个节点表示一种症状，每个边表示症状间的关联关系，包括强度、相似度等信息；[0057]多维权重计算：基于症状群组和知识图谱，进行多维度的权重计算。对于每一个症状群组中的症状，根据以下因素为每个症状分配权重：[0058]症状与体质类型的关联度：根据体质类型与症状的关联程度，计算每个症状的基础权重，该权重通过历史数据、医学文献或专家知识设定；[0059]症状间的相似度：计算症状之间的相似度，使用余弦相似度衡量症状在表现形式上的相似性；[0060]症状与其他症状的联合关系：根据症状在知识图谱中的连接关系，计算症状之间的联合概率或相关性，调整权重。症状间的强关联将会增加其在最终序列中的权重；[0061]用户输入信息的反馈：根据用户的输入症状强度和变化情况调整权重，使得症状的关联度计算更加个性化；[0062]生成高关联度症状序列：根据计算的权重，按照权重排序生成高关联度症状序列，高关联度症状序列中包括与用户体质类型相关的症状，按关联度从高到低排列，根据排序结果，选择关联度最高的前20%的症状作为高关联度症状序列，确保症状的个性化和针对性，此症状序列可用于后续的个性化问诊路径生成。[0063]输出症状序列：将生成的高关联度症状序列提供给个性化问诊路径生成模块，用于构建动态交互式问诊树，该序列确保问诊过程中的症状检查能够涵盖用户体质类型的相关症状，并进行深入调查。[0064]知识图谱调用：根据体质类型匹配预置的中医症状知识图谱，例如：8率为0.85)。[0067]权重计算规则：[0070]个性化问诊路径生成模块[0071]接收高关联度症状序列：个性化问诊路径生成模块接收来自症状关联分析模块生成的高关联度症状序列，该序列包括了与用户体质类型相关且关联度较高的症状。高关联度症状序列按关联度从高到低排列，确保了症状的优先级和重要性。[0072]确定必选症状核验项：根据高关联度症状序列，个性化问诊路径生成模块从序列中选择症状关联度最高的症状作为必选症状核验项，必选症状核验项指的是那些对于判断用户体质类型至关重要的症状，这些症状必须在问诊过程中进行核验。选取的必选症状核验项具有如下特点：[0075]与体质类型高度相关，能够精确反映用户的健康状态。[0076]定义可选症状扩展项：根据高关联度症状序列中的剩余症状，个性化问诊路径生成模块选择剩余症状中的前20%作为可选症状扩展项，可选症状扩展项用于进一步细化和补充用户的症状信息，帮助医生更加全面地评估用户的健康状态，选取的可选症状扩展项具有以下特点：[0077]关联度较低但仍与体质类型有一定关联；[0078]具有一定的个性化，能根据用户的具体情况灵活选择是否核验；[0079]可以帮助医生识别一些潜在的、未显[0080]构建交互式问诊树：基于必选症状核验项和可选症状扩展项，个性化问诊路径生成模块通过动态分支算法生成交互式问诊树；[0081]问诊树的结构包括多个节点，每个节点代表一个症状或症状群组，分支则代表症状之间的关系和问诊流程。具体步骤如下：[0082]从根节点开始，根节点表示用户体质类型及初步症状分析；[0083]每个分支节点代表一个症状或一组症状，连接不同节点的分支表示症状间的依赖[0084]必选症状核验项作为核心节点出现在问诊树的关键节点，确保这些症状在问诊过程中首先得到核验；[0085]可选症状扩展项作为分支或子节点出现，在核验必选症状后，如果条件允许，继续[0086]每个节点之间的连接关系基于症状之间的关联度和医生实际需求，动态调整分支的生成规则。[0087]动态调整问诊路径：个性化问诊路径生成模块根据用户的实时反馈和症状出现情[0088]症状变化：如果某个症状在问诊过程中表现出新的变化，问诊树会自动调整，增加9新的核验项或扩展项；[0089]用户反馈：根据用户对症状的反馈(如症状强度、频率等),动态改变问诊路径的顺序或添加新的症状项；[0090]医生输入：根据医生的判断，进一步细化问诊路径，调整必选项与可选项之间的优[0091]输出个性化问诊路径：根据生成的交互式问诊树，个性化问诊路径生成模块输出一条个性化问诊路径，该路径为医生提供了系统化、个性化的问诊流程，能够确保问诊过程既高效又具针对性，帮助医生快速锁定用户的核心症状，并作出准确的初步诊断。[0092]基于必选症状核验项和可选症状扩展项，个性化问诊路径生成模块通过动态分支[0093]定义交互式问诊树结构：交互式问诊树结构定义为一种层次化的树形结构，包括多个节点和分支，树的根节点代表问诊的起始点(即用户体质类型和初步症状分析),节点代表症状、症状群组或症状的进一步核验项，分支代表症状之间的关系、优先级和依赖条[0094]基本结构包括：[0095];根节点：包括用户的体质类型及初步症状信息；[0096]必选症状核验项：根据关联度高的症状(如症状A、B、C)作为问诊路径中的核心节[0097]可选症状扩展项：根据关联度较低但仍具一定相关性的症状(如症状D、E、F)作为分支节点，依赖于必选症状核验项或用户反馈。[0098]基于必选症状生成初步问诊树：个性化问诊路径生成模块根据必选症状核验项生成问诊树的核心部分，这些症状通常是在用户问诊初期必须核实的关键症状，因此它们会被设置为问诊树中的关键节点，并被放置在根节点的子节点下。问诊树的结构初步形成：[0100]必选症状核验项节点：每个症状作为一个子节点添加到根节点；[0102]选择性添加可选症状扩展项：根据高关联度症状序列中的剩余症状，个性化问诊路径生成模块通过动态分支算法选择可选症状扩展项作为子分支，接入问诊树的相关节点，这些症状是根据必选症状核验项的反馈或症状群组的关联度进行选择的。[0103]动态判断：通过用户的反馈信息或症状表现，动态分支算法判断是否将可选症状扩展项添加到问诊路径中。若用户的症状符合扩展条件，则相关症状作为新分支或子节点一步问诊。[0105]如果症状A“口干”轻微，系统可能跳过症状C,或根据用户的反应引导到症状D(例[0106]动态调整分支生成规则：在交互式问诊过程中，问诊树依据必选症状和可选症状扩展项生成，并依据用户的实时反馈进行动态调整，动态分支算法确保问诊树能根据用户症状的变化实时调整其结构，具体步骤如下：CN120108708B说明书用户反馈某一症状在问诊中有所变化(如症状A“口干”加重),则系统会自动调整，增加与该症状相关的扩展项(如症状C或症状F);[0108]症状依赖关系：基于知识图谱或经验数据，症状之间可能具有某些关联性或依赖[0109]用户症状演变：如果用户在初步问诊过程中显示出多种症状的演变，动态分支算法可以帮助调整问诊树，加入其他可选症状项，形成更精确的个性化路径。[0110]构建可动态调整的问诊节点：通过动态分支算法，每个节点均根据实时问诊过程的需要动态调整内容与结构：[0112]跳转逻辑：基于算法的判断，系统可以跳过某些节点，直接跳转到下一个症状核验[0113]输出最终交互式问诊树：个性化问诊路径生成模块将生成的交互式问诊树输出，[0114]必选症状核验项：确保最关键的症状在问诊过程中得到优先验证；[0115]可选症状扩展项：根据用户反馈，进一步扩展与症状相关的信息，提升问诊的全面[0117]个性化问诊路径生成模块通过动态分支算法，根据必选症状核验项和可选症状扩展项，生成交互式问诊树。在整个过程中，系统会根据用户的实时反馈和症状变化动态调整问诊路径，使得问诊流程既具有高效性，也能灵活应对各种临床情况，从而为医生提供精准的症状验证路径。[0118]动态分支算法逻辑：[0119]必选症状核验项：强制验证症状(如“口干”),未通过则终止路径；[0122]数据整合与病历生成模块[0123]获取问诊树交互数据：数据整合与病历生成模块从个性化问诊路径生成模块中获取交互式问诊树的交互数据，交互数据包括：[0124]用户在问诊过程中的回答(如症状的表[0125]必选症状核验项与可选症状扩展项的选择情况；[0126]问诊树中路径的选择和跳转记录。[0127]获取历史诊疗记录：数据整合与病历生成模块从医院数据库中提取用户的历史诊[0128]用户的既往病史(如过去的体质类型、常见症状、诊疗方案等);[0129]过去的诊断结果、治疗方法及其效果；11[0130]以前的体质类型和症状演变历史；[0131]历史诊疗记录的获取是为了为当前病历生成提供完整的背景信息，并确保病历的连贯性和全面性；[0132]整合交互数据与历史诊疗记录：在获得问诊树交互数据和历史诊疗记录后，数据整合与病历生成模块对交互数据与历史诊疗记录进行整合，整合过程包括：[0133]匹配症状和体质类型：将当前的问诊树中获得的症状与历史诊疗记录中的既往症[0134]体质类型更新：根据当前用户的症状和反馈，结合历史记录中的体质类型，更新用户的体质特征标记，例如，若当前问诊结果与历史症状匹配，则可能更新用户的体质类型标[0135]症状演变记录：将历史症状记录和当前症状数据结合，生成症状演变路径，并将其整合到预诊病历中，记录症状的变化趋势。[0136]生成包括体质特征标记的预诊病历：基于整合的交互数据和历史诊疗记录，数据整合与病历生成模块生成预诊病历，预诊病历包括以下内容：[0137]体质特征标记：根据当前问诊结果和历史诊疗记录，标注用户的体质类型(如阴[0138]症状演变路径：描述症状从初期到当前状态的变化路径，反映症状变化的时间、表现和相关因素；[0139]问诊结果：包括已验证的必选症状核验项与可选症状扩展项的诊断结果，以及与体质类型相关的症状群组；[0140]历史信息：汇总历史诊疗记录中相关的过往症状、治疗方法及其效果，作为当前诊断过程的参考。[0141]输出完整预诊病历：数据整合与病历生成模块将生成的预诊病历输出至医生或相关医疗人员，输出的预诊病历包括完整的体质特征标记、症状演变路径及历史诊疗信息，为进一步的诊疗过程提供科学依据。[0142]数据整合与病历生成模块通过整合来自个性化问诊路径生成模块的交互数据和用户的历史诊疗记录，生成包括体质特征标记和症状演变路径的完整预诊病历。这一过程确保了病历的连贯性和全面性，有助于为医生提供更精准的诊疗方案。同时，病历生成过程中引入反馈优化机制，使得病历内容能够随着诊疗过程的推进不断优化和更新。[0143]反馈优化模块[0144]获取临床确诊数据与预诊病历的差异特征：反馈优化模块获取临床确诊数据与预[0145]获取临床确诊数据：从临床诊断系统获取由医生[0147]确诊后的治疗方案及效果。[0148]比较预诊病历：将预诊病历中根据用户反馈、问诊树交互生成的症状、体质类型、症状演变路径与实际临床确诊数据进行对比，找出两者之间的差异特征，例如：[0149]预诊病历中某些症状未能被确诊或确诊结果有所不同；[0150]体质类型标记与最终确诊的体质类型存在差异。[0151]识别差异特征与知识图谱相关性：在识别出预诊病历与临床确诊数据中的差异特征后，将差异特征与知识图谱中的内容进行关联，[0152]差异特征的提取：差异特征包括症状的严重度、关联度、体质类型的判断偏差等信息，模块从确诊数据和病历中提取关键差异特征；[0153]知识图谱匹配：将这些差异特征与知识图谱中已有的症状、体质类型、症状关联度、体质与症状的关系进行匹配，判断哪些知识图谱条目在当前病历中存在偏差或需要优[0155]调整知识图谱权重系数：在识别出差异特征并与知识图谱相关内容进行匹配后，通过参数自修正单元调整知识图谱的权重系数，步骤如下：[0156]权重系数调整：根据差异特征和匹配