基于微分症状的诊断智能计算技术——沙特国王大学学报

沙特国王大学学报Dr. Flynxz --一个Mantim Innocent Falea，a尼日利亚高原州Pankshin联邦教育学院计算机科学系b尼日利亚包奇州包奇Abukakar Tafawa Balewa大学计算机科学系阿提奇莱因福奥文章历史记录：收到2019年2020年3月26日修订2020年4月24日接受2020年4月30日在线提供保留字：决策支持系统基于微分症状的诊断智能计算Mamdani-Sugeno型模糊推理A B S T R A C T当我们生病时，如果情况需要，我们会寻求专业的医疗帮助。医学诊断过程通常基于体征、症状和实验室检查。一些患者对治疗有反应，而另一些患者对治疗有反应（或过敏）。引起过敏的物质或药物称为过敏原。过敏，如果不加以管理，可能会对人类健康造成混乱考虑到这些场景和许多其他场景，用于基于鉴别诊断和药物过敏管理的专家系统（ES）派上用场。本文实现了“Dr. Flynxz - A First Aid Mamdani-Sugeno-type FuzzyExpert System for Differential Symptoms Based Diagnosis”。它还介绍了用于实现Flynxz博士的疾病预测（前向链接方法和后向链接方法）和过敏管理机制的三种新算法。提出的FMI疾病预测算法与ada 2.37.2（基于规则的方法）和模糊逻辑的比较都证实了Flynxz博士的预测。实验结果表明，在预测精度方面的性能提高。所实现的系统可以是有用的，在医疗诊断和过敏管理领域，而所提出的算法将是有用的Mamdani-Sugeno型模糊推理系统的发展。©2020作者（S）。由爱思唯尔公司出版代表沙特国王大学这是一个开放的访问CC BY-NC-ND许可证下的文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍人们经常生病，如果情况允许，他们应该去医院。在医院中，医生和其他医学专业人员基于体征、症状和实验室检查来诊断患者（Nora等人，2016年）。有些病人的反应是而其他人对治疗有反应。在后一种情况下，我们说患者对治疗过敏（Lucy，2018）。过敏原是引起过敏的药物或物质.过敏有时被认为是疾病;如果管理不当，可能会产生疾病（Villalbra，2019）。考虑到这些情况和许多其他情况（Lonnie，2001），用于基于鉴别诊断和药物过敏管理的专家系统（ES）派上用场（Cary等人， 2017年）。*通讯作者。电子邮件地址：thefmicorporation@gmail.com（M.I.Fale），asgital@gmail.com（Y.G.Abdulah）。沙特国王大学负责同行审查特别是不发达国家的医疗设施，没有配备必要的医疗实验室和/或所需的医疗专业人员（Moszynski，2006年）。这是一个问题，因为患者独自面对业余和夸克医疗从业者，他们依赖于他们唯一的分辨率-基于鉴别诊断的诊断。 在像这样的情况下，用于基于差异的诊断的ES起到很大的帮助作用，因为从医学专业人员获得的专家知识（Robert等人， 2017年）关于相关疾病的信息必须已经被设计到ES的知识库中，并且可以在这些医学专业人员缺席的情况下代替他们（作为急救）（Edward，2009年）。目前，有许多ES用于基于神经网络的诊断，并且数量正在增加（Jonathan和Bin，2018）。关于ES的综述可参见第4节。迄今为止，医学诊断中经验证的最佳ES是INTERNIST-I（Miller等人，1982 ） 和 MYCIN （ Buchanan ， 1984 ） 。 INTERNIST-I 和MYCIN由于缺乏药物过敏管理和替代治疗的机制而受到限制一般来说 ， 现 有 的 ES 基 于 ESs 诊 断 遭 受 以 下 挫 折 （ Kiseleva 和Toropchina，2014）：/1/大部分是非混合推理机; /2/缺乏药物过敏管理机制;和/3/大部分是单链推理策略（前向或后向）。https://doi.org/10.1016/j.jksuci.2020.04.0161319-1578/©2020作者。由爱思唯尔公司出版代表沙特国王大学这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。制作和主办：Elsevier可在ScienceDirect上获得目录列表沙特国王大学学报杂志首页：www.sciencedirect.comM.I. Fale，Y.G.阿卜杜勒·阿齐兹/沙特国王大学学报1139本研究提出本文第二讨论第4节涵盖了第6节描述了第8节讨论第九部分是第10节是2. 专家系统ES 是 试 图 模 仿 人 类 专 家 行 为 的 程 序 ， 通 常 局 限 于 特 定 领 域（Schakoff，2009）。专家系统开发的目标是解决复杂问题在一个特定的任务领域，使他们能够模仿甚至竞争非凡的人类智慧和专业知识。这些系统利用专家知识来帮助医疗诊断、过程控制、金融/商业、监控、设计等领域的决策。ES的一般特征在于：高性能、可理解性、可靠性和高响应性（Peter等人， 1989年）。ES的组件包括：用户界面;知识库;和推理引擎（Peter等人，1989年）。用户界面处理用户和ES之间的交互。它负责接受来自用户的输入并向这些用户显示输出大多数用户界面都有一个解释组件，负责向用户解释推理过程和/或推荐。所述解释组件基于自然语言处理（NLP）。知识库是知识的来源。这些知识可以是规则、案例、模型甚至数据。知识工程工具可以通过增加更多的规则、案例、模型或数据来这些规则、案例、模型或数据的变更是可能的。Shell是具有空知识库的ES（Kendal and Creen，2007）。Shell在其他ES的开发中也很有用推理机严格检查知识库，以产生推理。推理机利用有效的程序推导出一个精确和完美的解决方案（Ledley和Lusted，1959）。推理机使用正向链接或反向链接策略进行推理。ES的一些好处是：可用性;更低的生产成本;速度;更低的错误率;降低风险;稳定的响应。但是，正如没有技术提供简单而完整的解决方案一样，ES也有一些限制。这些限制包括：技术限制;知识获取困难;难以维护;以及开发成本高。有几种方法这些方法分为以下几类：基于知识（基于案例、基于规则、基于模型和基于数据库）（Pandey和Mishra，2009）;智能计算（人工神经集、模糊系统、遗传算法和智能代理）（Pandey和Mishra，2009）;统计学（贝叶斯当不同的方法组合在一起时，它们被称为混合ES。3. 模糊逻辑及其协同作用模糊逻辑是一种推理语言陈述的工具，可以使用数学规则来操纵语言陈述。话语（Nasmul和Hojjat，2013）。 但是经典的二值逻辑不能用来描述“半杯水”，因为一般的想法是满的意味着真，而空的意味着假。幸运的是，模糊逻辑通过使用阈值、隶属函数和语言变量，可以在现实生活中经历的不精确和不确定性中评估更复杂的逻辑语句使用模糊逻辑，可以为每个语言变量设置区间（阈值），例如：1.0表示满; 0.0表示空; 0.0和1.0表示一半。0.0到1.0的区间称为隶属函数。没有预先设定的规则来定义隶属函数;隶属函数的选择取决于它对所解决问题 常用的成员函数有：三角函数、梯形函数、高斯函数、钟形函数和S形函数。隶属函数的特征包括：支持度;核心;模糊单例;和交叉点。集合论适用于模糊集合。语言变量是指其值为单词或句子的任何变量，用作模糊子集的标签。这种语言变量用于近似无法用数值或其他定量术语描述的系统特性。因此，模糊系统不需要数学模型，并且能够在有或没有先验信息的情况下起作用它要求从任务域专家那里获取知识，并使用规则库表示模糊推理是从给定的输入空间到目标输出空间的非线性映射的公式化这些映射为决策提供了基础。基本上有三种模糊推理类型，即：Mamdani型模糊模型; Sugeno型模糊模型;和Tsukamoto型模糊模型。这三种模型的区别在于它们的模糊规则、聚集器和反模糊器。Mamdani型模糊模型接受清晰值作为输入，以产生模糊集作为输出;解模糊化用于将模糊集转换为各自的清晰值作为输出。Mamdani型模糊模型Sugeno型模糊模型的典型规则为：如果i是X，j是Y，则k = f（i，j）。F（i，j）可以是关于i和j的任何函数，只要它充分描述了由规则的前件指示的模糊区域内的模型的输出。Tsukamoto型模糊模型具有使用模糊集和单调隶属函数表示的每个模糊if-then规则的Tsukamoto型模糊模型的结果输出模糊逻辑和其他方法之间的协同作用，进化算法和神经网络为一般的应用和智能系统提供了合理的基础（Nasmul和Hojjat，2013）。一种方法可能在近似推理和建模不确定性方面是有效的，但可能不善于从经验数据中学习，或者可能不容易适应环境变化。模糊逻辑是有效的近似推理，但不具备学习能力或适应性。另一方面，神经网络具有学习能力;它可以从经验数据中学习。进化算法赋予了适应行为或优化结构的能力。这些方法的协同作用可以提供更有效的计算模型，可以补充单一模型的局限性。因此，方法的混合-产生混合智能系统-提高性能，降低计算成本和保证应用的方便性。常见的模糊逻辑协同是：进化模糊系统和神经模糊系统。进化模糊系统（EvolutionaryFuzzySystem）是将模糊系统与进化算法相结合的一种混合自动学习逼近方法，其目的是将优化和学习融合在一起1140M.I. Fale，Y.G.阿卜杜勒·阿齐兹/沙特国王大学学报进化算法的能力与模糊系统处理近似知识的能力（Azadeh等人，2018年b）。每一个基于进化算法的模糊系统目标函数依赖于问题。通常所知的进化模糊系统有：进化自适应模糊系统和模糊自适应进化算法。神经模糊系统是一种模糊系统，它利用基于神经网络的学习算法来确定其参数，如模糊集和模糊规则，处理数据样本（Nasmul和Hojjat，2013）。 通常已知的神经模糊系统包括：协作神经模糊系统;并发神经模糊系统;混合神经模糊系统;自适应神经模糊系统;和模糊神经元。4. 相关工作本节将报告为密切相关的研究所在（Hassan等人，2018），提出了用于诊断抑郁症的ES。这是一个基于网络的模糊专家系统，只针对一种疾病它的推理方法是基于模糊逻辑和原因，通过正向链接。进行了敏感性和特异性分析（有238名参与者），结果表明，所提出的ES似乎对医疗环境中的每个人（从普通到专家）都有帮助。该专家系统还可用于培养心理学专业学生的诊断推理能力在Suharjito等人，2017年）。该ES具有基于模糊冢本的推理机，并通过正向链接进行推理。这个ES是由人类专家测试的。在12头抽样牛中，结果显示ES在诊断牛肠炎方面的表现与人类专家一样好此外，据观察，与桌面应用程序相比，使用移动应用程序检测和治疗牛肠炎更有效、更舒适、更实用。Fatemeh等人提出了一种用于运动障碍综合征的模糊专家系统例如，2016年）。它的推理方法是基于模糊逻辑和原因，通过正向链接。ES能够诊断18种肘部和肩部疾病。将系统诊断与专家诊断进行比较后，30例患者中有26例（86.7%）的系统诊断与专家诊断相似在（Kalyana和Neeraj，2015）中提出了用于诊断人类疾病的ES基于Web的专家系统是针对多种人类疾病的，其推理机是基于模糊逻辑和推理通过前向链接。据记录，ES可以自动诊断人类疾病，并且还可以增长智力（但取决于医学专业人员的专业知识的可用性在（Duwaraka和Sangaralingam，2014）中，提出了用于诊断耳-鼻-喉相关疾病的ES。建议的专家系统是一个基于规则的系统，其推理机的原因，通过前向链接。然而，由于耳鼻喉科专科医生的服务并不容易获得，因此建议的ES足以帮助初级专家诊断耳鼻喉科相关疾病在（Bastian等人，2007年），提出了针对2000多种疾病的ES。它是一个基于模型的专家系统，其推理机是通过前向链接实现的.所提出的方法被称为在（Buchanan，1984）中，广泛讨论了MYCIN。它是一种针对多种细菌感染的ES。它的推理机是基于规则的，通过正向链接进行推理。据了解，MYCIN是一个著名的ES，它体现了智能，也提供了关于智能可以编程的程度的数据。在（Miller等人，1982年，他被任命为国际刑警。它是一个基于计算机的诊断顾问，针对500多种常见内科疾病。它是一个基于规则的专家系统，其推理机采用正向推理。ES在广泛的内科领域中做出多 种 复 杂 诊 断 的 惊 人 能 力 是 其 潜 在 启 发 式 方 法 的 证 据 。INTERNIST-I诊断方法的一个重要缺点是ES无法将发现归因于其正确的原因。由于特设的，串行性INTERNIST-I这些缺陷主要是由于知识库的结构，特别是疾病概况的形式。这个问题导致ES在（Zaher等人，2017），提出了一种新的自适应神经模糊推理系统与萤火虫优化算法（ANFIS-FFA）的混合模型，用于月降雨量的预测。将该模型与标准ANFIS模型进行了比较，证实了ANFIS-FFA是一种稳健的建模方法。在（Azadeh等人，2018a）提出了一种新的混合方法来预测阈值通道的岸剖面。该方法是ANFIS、差分进化（DE）算法和奇异值分解（SVD）的混合。将ANFIS-DE/ SVD的结果与ANFIS模型的结果和已有的7个研究结果进行比较，结果表明ANFIS-DE/SVD的结果优于比较方法。‘Flynxz博士也有传统和替代治疗建议脱节的机制5. 基于症状的鉴别诊断：简要概述一方面，鉴别诊断是指区分具有相似症状的疾病的过程。在许多情况下，由于疾病具有共同的症状，患者被误诊（Daniel，2018）。一个典型的例子是艾滋病毒/艾滋病和结核病。另一方面，基于疾病的诊断是通过检查疾病的体征和症状来鉴定疾病的性质（Robert等人，2017年）。症状和体征虽然都是患者经历的，但被分开识别。体征由临床医生识别，而症状既容易经历，也容易被患者识别。然而，它们被视为一般和更广泛意义上的症状。M.I. Fale，Y.G.阿卜杜勒·阿齐兹/沙特国王大学学报11416. Flynxz博士两种体系结构（分层和N层体系结构）是理想的开发这个ES。分层架构在开发阶段是有用的。它的有用性是为了关注点分离（SoC）的目的（Alan等人，2012年）。这些关注点是组织在单独文件中的代码。分层架构（如图1所示）保证了没有意大利面条代码;它增强了代码的清晰度和组织。分层架构用于以自顶向下的方式组织依赖关系。横切层处理ES内的重叠问题，如安全性、操作管理和通信。用户和数据源是与代码交互的外部实体三个平台和性能隔离层包含功能流程逻辑、数据访问、数据存储和用户界面（见图1）。 2）的情况。这样，客户端、应用程序和数据层将提供最佳性能。客户端层描述了手持设备、PC、台式机和其他设备如何使用Web浏览器访问ES（应用程序层和数据层）。应用层由ActiveX数据对象（ADO）.NET、推理机和解释组件组成。ADO.NET负责在客户端请求需要时向数据层发送和从数据层检索信息。推理机由五个机制组成，以处理疾病预测，测试推荐，常规治疗，替代治疗和过敏管理。数据层包含知识库;由关系数据库和模糊集组成该数据库是疾病、过敏、替代治疗、病例记录、传统治疗、药物、医学发现、病史、测试和人口统计数据的储存库。该数据库还维护一个注册用户列表、他们的角色和关于应用程序模块的权限，这些模块被授予访问权限，用户.模糊集应用于指导推理机的操作。7. 执行Microsoft Visual Studio 2017作为集成开发环境（IDE）用于开发Flynxz博士更多的发展过程的细节将在下面的小节中公布。7.1. 用户界面Dr. Flynxz的用户界面被设计为响应式的，多个用户可以同时使用任何类型的安装有网络浏览器的设备访问。为了实现这一壮举，在Dr.Flynxz的HTML5用于定义Web结构并将Web元素放置在网页上。CSS3用于排列和样式化使用HTML5创建的Web元素。JavaScript用于为网页添加动态性。AjaxControlToolkit用于添加更多的Web元素和效果，如菜单和水印扩展器。Python的NLP Toolkit用于开发用户界面的解释组件。使用PythonFig. 1. 分层架构。1142M.I. Fale，Y.G.阿卜杜勒·阿齐兹/沙特国王大学学报a i和b之间的交点数。Sd（ai，b）是ai和b之间的集合差的总数。第7.3将介绍详细介绍了如何使用以下模糊集来实现智能。ai={与疾病i相关的体征和症状集}/1/b={为患者选择的体征和症状集}/ 2 /In（ai，b）=ai\b//ai和b之间的交点/ 3 /Sd（ai，b）=ai- b //设置a i和b之间的7.2.1.1.数据库一个完全规范化的关系数据库被用来实现以下目标：知识工程;并保持患者的人口统计学，病史，过敏和生命体征等可理解的记录。关系数据库的使用方式和用途将在下面的段落中详细介绍。首先，对专家知识进行分析并存储在表格中。典型的关系数据库数据库设计使ES也可以用作外壳。可能会产生其他疾病。这需要将它们映射到各自的体征和症状、测试推荐、常规治疗和替代治疗，而无需任何编程工作。这些映射简单地存储在表中，这些表在一对多关系的基础上相关，如图所示。3.第三章。其次，使用关系数据库来维护记录，如授权用户、患者人口统计学、病例记录、病史、过敏和生命体征。这些记录使用如图4所示的一对多关系相关联。保存这些记录的有用性将在第7.3节中讨论。还有其他表格，但由于与正在进行的讨论无关而没有提及。7.3.拟议方法所提出的方法是一个混合的Mamdani型和Sugeno型模糊模型。该方法通过接受诸如生命体征的明确值输入来启动预测过程，使得模糊控制用于确定输入是否为低、高或正常。Mamdani型推理系统用作后向链接策略以导出症状（模糊集）。一个Sugeno型推理系统，然后作为一个正向链接策略，将派生和选定的症状（模糊集），以一个清晰的值，这是馈入另一个模糊控制。在此阶段使用隶属函数计算隶属度值，然后使用病史进行调整，之后基于阈值预测所产生的疾病（图11）。 5）。图二. 3层架构。7.2. 知识库知识库的设计是为了给弗林博士提供近乎准确的预测准确度。这里的主要要求是知识库既强大又全面。为此，Flynxz博士7.2.1. 模糊集模糊集主要用于疾病的预测。等式1、2、3和4是模糊集。是与疾病I相关的一组体征和症状。b表示为给定患者选择的一组体征和症状In（ai，b）是总的7.3.1. 模糊控制器模糊控制器遵循三个步骤的序列：模糊化，灰;推理;和defuzzification（图。 6）。7.3.1.1. 模糊化。此步骤将清晰输入（生命体征）转换为模糊集（衍生症状BPLowSS、BPHighSS、BSLowSS或BSHighSS），并将模糊语言变量（低、正常和高）转发到推理步骤。7.3.1.2. 模糊推理规则推理过程采用模糊if-then规则建模。该步骤输出模糊语言变量并将其转发到解模糊化步骤。下面是推理步骤中使用的模糊推理规则。ifvSign inlowRange thenLow/规则1/ifvSign innormalRange thenNormal/规则2/ifvSign inhighRange thenHigh/规则3/如果×大于阈值，则为敏感/规则4/M.I. Fale，Y.G.阿卜杜勒·阿齐兹/沙特国王大学学报1143图3.第三章。一对多关系基数的知识工程处理见图4。 患者如果×小于阈值，则为非敏感/规则5/7.3.1.3. 去模糊化。此步骤将模糊集（选定+衍生症状）转换为清晰值（与阈值比较的隶属度值x =In（ai，b） /（In（ai，b）+Sd（ai，b））/5/7.4. 推理机推理引擎是用C#构建它被构建为容纳以下推理机制：疾病预测机制;试验推荐机制、常规治疗机制、替代治疗机制和过敏管理机制。推理机通过正向链接和反向链接策略进行推理。7.4.0.1. 疾病预测机制该机制由两个子机制组成：基于神经网络的诊断和鉴别诊断。基于体征和症状的诊断子机制依赖于患者的体征和症状以及生命体征来进行预测，之后通过鉴别诊断进一步细化该预测1144M.I. Fale，Y.G.阿卜杜勒·阿齐兹/沙特国王大学学报图五. 拟议的Mamdani-Sugeno型方法流程图。见图6。 Flynxz医生M.I. Fale，Y.G.阿卜杜勒·阿齐兹/沙特国王大学学报1145子机制，以便解决可能由于某些共有的体征和症状而导致的疾病的冲突预测。所述冲突通过依赖于患者以下是用于实现构成疾病预测机制的上述子机制的算法图中的算法。图7是用于预测疾病的前向链接方法（根据给定的一组体征和症状以及患者的病史）。有时，患者无法正确列出或解释他们的体征和症状，因此临床医生利用生命体征来预测疾病，因为令人担忧的生命体征通常伴随着相关的风险因素，而这些风险因素又具有相关的体征和症状。反向链接方法可以用于推断患者的更多体征和症状（从他们的血压和血糖生命体征）。图 8给出了用于实现上述方法的详细算法。7.4.0.2. 建议机制该机制建议进行调查或实验室测试，以确定疾病预测机制所做预测的真实性。所有知识工程疾病的推荐测试都存储在关系数据库中。指定测试的列表被检索，并由使用Python的NLP工具包构建的解释组件生成注释然后，所述解释组件生成针对规定测试的简明建议7.4.0.3. 常规和替代治疗机制与测试推荐机制一样，传统和替代治疗机制分别为预测的疾病推荐传统和替代治疗所有知识工程疾病的常规和替代治疗都存储在关系数据库中。这些治疗建议--图7.第一次会议。使用前向链接方法的FMI疾病预测算法1146M.I. Fale，Y.G.阿卜杜勒·阿齐兹/沙特国王大学学报算法：SignsAndSymptomsFromVitalSigns（BP、BPHighSS、BPLowSS、BS、BSHighSS、BSLowSS）输入：BP{患者血压}、BPHighSS{与高BP相关的一组体征和症状}、BPLowSS{与低BP相关的一组体征和症状}、BS{患者血糖}、BSHighSS{与高BS相关的一组体征和症状}和BSLowSS{与低BS相关的一组体征和症状}输出：AV.s{一组与为患者推断的报警BP和BS相关的体征和症状}<* 分析血型和血糖，以推断更多的体征和症状 *>如果BP==高，则对于BPHighSS中的每个x将x加到AV.sROF否则，如果BP== LOW，则对于BPLowSS中的每个 x将x加到AV.sROFFi如果BS==高，则对于BSHighSS中的每个x将x加到AV.sROF否则，如果BS== LOW，则对于BSLowSS中的每个 x，将x加到AV.sROFFi图8.第八条。FMI反向链接算法用于从血压和血糖生命体征确定体征和症状使用Python的NLP工具包检索推荐，然后为规定的治疗生成评论7.4.0.4. 过敏管理机制病人的过敏反应也被存储在一个关系数据库中。使用以下算法检索这些过敏症并生成针对处方药物的警告注释。该算法如图1所示。 9、只有文字在这里。请注意。8. 实验与评价这个实验的目的是：/1/确定Flynxz博士的疾病预测机制的准确性8.1. 运行实验条件提出的其对应的方法是规则库和模糊逻辑。它们被用作比较的基础，以确定所提出的算法的效率。基于规则的方法在ada 2.37.2中实现，而模糊逻辑方法在Flynxz博士中部分实现，其推理方法是Mamdani和Sugeno推理方法的混合。Ada2.37.2已在itelA32 F智能手机（MT 6580处理器; 8 GB设备存储; 1GB RAM; Android）上8.1.0OS），而Flynxz博士在实验开始之前满足以下实验条件。首先，专家知识被设计用于以下疾病：疟疾、伤寒、糖尿病、低血压、高血压和低血压。这意味着ES只能预测上述疾病，即使更多的可以被设计到ES表1显示了上述疾病及其相关症状，这些症状已经被设计到ES的知识库中见图9。 FMI过敏管理算法。M.I. Fale，Y.G.阿卜杜勒·阿齐兹/沙特国王大学学报1147-我我表1疾病及其相关症状。疾病相关症状疟疾腹痛;贫血;血便;寒战;昏迷;惊厥或癫痫发作;腹泻;头痛;高烧;肌肉⬛ 如果疾病i等于病史h，则Xi= Xi+0.05 <* 使患者病史中疾病的机会增加5%*。⬛ 如果Xi大于1.0，则Xi= 1.0。⬛ 如果疾病i不等于病史h，则Xi=Xi0.05<* 减少疾病X '与X共有症状的机会疼痛;恶心;出汗;呕吐;伤寒意识模糊;意识模糊;腹泻;疲劳;头痛;高5%*>。⬛ 如果X发热;食欲不振;皮疹;胃痛;虚弱;i i糖尿病视力模糊;呼吸困难;疲劳;频繁排尿;饥饿;溃疡（未愈合）;胃痛;口渴;体重减轻;低血糖意识模糊;饥饿;颤抖;出汗;高血压视力模糊;胸痛;呼吸困难;头晕;头痛;鼻出血;低血压视力模糊;意识模糊;头晕;昏厥;疲乏;恶心;第二，随机抽取10名成年患者，由临床医生进行访谈，并根据患者的生命体征以及他们经历的体征和症状，向这些患者推荐调查性测试。8.2. 结果讨论以下两种方法的比较：/1/使用ada 2.37.2（基于规则的方法）进行预测; /2/使用模糊逻辑进行预测; /3/Dr. Flynxz预测;和/4/对于给定的一组患者症状，每个患者的调查测试结果在表2中给出。这是为了进一步验证Flynxz博士首先，ada2.37.2被用来预测病人的疾病ada的预测及预测精度2.37.2的记录如表2所示。其次，实验FMI疾病预测算法（如在Dr.Flynxz中实现的），并且实验结果记录在表2中。所述算法接受5个输入集：m{已经设计到知识库中的疾病集}，Mh {患者先前患有的疾病集-病史}，AV.s {警报生命体征及其相关症状的集}，a {一组与疾病i相关的体征和症状，和b{一组为患者选择的体征和症状}。在执行之后，上述算法显示以下输出集：{一组预测的疾病}和X {一组预测O的百分比准确度}。Flynxz博士⬛ 对于所有患者，AV.s {一组报警生命体征及其相关症状}中的所有症状都添加到b{为患者选择的一组体征和症状}中。⬛ 对于m中的每个工程疾病i{已经工程化到知识库中的一组疾病}，发生以下⬛ ai和b的交集被计算为In（ai，b）。⬛ ai和b之间的设定差被计算为Sd（ai，b）。⬛ 令X = In（ai，b）/（In（ai，b）+ Sd（ai，b））<*，该值总是在0.0和1.0* 之间。⬛ a在0.0和1.0之间选择阈值。此值是指示预测是否可接受的比率。阈值越接近1.00，可接受性越大，反之亦然。对于本实验，阈值设置为0.6。⬛ 然后将x与阈值进行比较如果×大于或等于阈值，则疾病i被添加到O{一组预测的疾病}，并且×被添加到X {一组O的预测准确率}。⬛ 在使用模糊逻辑进行预测的情况下，该过程完成。O{一组预测的疾病}和X {一组预测O的百分比准确度}以以下形式显示：疾病（%准确度= x * 100）。⬛ 对于O中的每个疾病i{一组预测的疾病}⬛ 对于Mh中的每个病史h{患者既往患有的一组疾病-病史}⬛ 如果X ′ i小于阈值，则从X中移除X ′ i。O< * 从X中去除具有共同症状的冲突疾病X 'i作为Xi。O*>。⬛ 这一过程已经完成。O{一组预测的疾病}和X {一组预测O的百分比准确度}以以下形式显示：疾病（%准确度= x * 100）。第三，在获得伦理批准的情况下，对Flynxz博士预测的每一位患者进行了调查性测试。研究性试验结果见表2。从表2中可以看出，Flynxz博士诊断出10%的患者患有疟疾，40%患有伤寒，10%患有低血压，30%患有高血压，20%患有低血压，10%患有糖尿病。表2进一步显示，样本患者的100%研究性检测结果为反应性。表2还显示了在Flynxz博士中实现的所提出的还进行了灵敏度和特异性分析以评价实验的性能计算灵敏度（=真阳性/（真阳性+假阴性））和特异性（=真阴性/（真阴性+假阳性））统计量，并用于评价Flynxz博士灵敏度和特异性值为1意味着Dr. Flynxz的预测对于阳性和阴性患者都是完美的。实验的结果是由于两个因素：/1/阈值设置为0.6;和/2/可能无法识别基于规则的推理方法的最佳可用实现;这一事实可能导致选择ada2.37.2。表2所示的结果也清楚地表明，诊断ES在医疗诊断中现在非常方便。根据迄今为止所取得的成就，有前途和可靠的ES成为医学诊断的支柱只是时间问题从理论上讲，这一结果-建议的Mamdani-Sugeno型模糊推理系统将有助于应付可能的缺点与只使用一种方法，这可能会限制实现充分和最佳结果的机会在实践中，博士。 Flynxz和其他可靠的医学ES将通过在医学诊断方面充当临床医生的助手来减少错误诊断，因为大多数错误的基于差分的诊断归因于临床医生的经验 不足或缺 乏足够的知识。所获得和呈现的结果证明，Flynxz博士的推理机的设计9. 结论和今后的工作本文介绍了“博士”。 Flynxz--一个用于基于症状诊断的Mamdani-Sugeno型模糊专家系统。它还介绍了用于实现Flynxz博士的实验后获得的结果是一个强有力的指标，开发的ES产生近准确的1148M.I. Fale，Y.G.阿卜杜勒·阿齐兹/沙特国王大学学报表2- 患者患者患者患者患者使用Ada进行预测2.37.2（基于规则）办法）使用模糊逻辑预测（%准确度）Dr. Flynxz研究性试验结果患者1腹痛;贫血;血便;惊厥或癫痫;腹泻;头痛;脉率（65 bpm）;体温（37° C）;呼吸频率（18 bpm）;收缩压（119mmHg）;舒张压疟疾;疟疾疟疾（76.9%）疟疾（81.9%）疟疾（敏感）高热;肌肉疼痛;血压（79 mmHg）;体重（150 kg）;出汗;呕吐;身高（1.6 m）;餐前采血糖（75 mg/dl）;餐后 血液糖（120毫克/分升）;患者腹痛;贫血;脉率（70 bpm）;体温伤寒;伤寒伤寒伤寒伤寒2血便;意识模糊;惊厥;惊厥或(36.6°C）;呼吸速率(15 bpm）;收缩压（125 mmHg）;（70.00%）（75.00%）（敏感）癫痫;腹泻;疲乏;舒张压（78 mmHg）;体重头痛;高热;差(143 kg）;身高（1.56 m）;食欲;出汗;餐后血糖（85 mg/dl）;餐后餐时血糖（125 mg/dl）;患者意识模糊;意识模糊;脉率（68 bpm）;体温伤寒;伤寒伤寒伤寒伤寒3腹泻;疲劳;头痛;食欲不振;虚弱;(36.7°C）;呼吸速率(13 bpm）;收缩压（139 mmHg）;（70.00%）（75.00%）（敏感）舒张压（80 mmHg）;体重(79 kg）;身高（1.63 m）;餐后血糖（80 mg/dl）;餐后餐时血糖（110 mg/dl）;患者视力模糊;意识模糊;脉率（67 bpm）;体温不低血压低血压低血压低血压4头晕;昏厥;疲乏;(37°C）;呼吸频率（12 bpm）;收缩压（85 mmHg）;舒张压适用;（83.33%）（83.33%）（敏感）(55 mmHg）;体重（102 kg）;身高（1.58 m）;餐前血液糖（75 mg/dl）;餐后 血液糖（125毫克/分升）;患者胸痛;意识模糊;脉率（62 bpm）;体温高血压;高血压高血压高血压高血压5腹泻;腹泻;(36.7°C）;呼吸速率伤寒;和伤寒（100.00%）和（100.00%）和（敏感）和呼吸困难;头晕;疲劳;头痛;鼻出血;(16 bpm）;收缩压（155 mmHg）;舒张压（95 mmHg）;体重发烧伤寒（70.00%）伤寒（75.00%）伤寒（敏感）食欲不振;虚弱;(87 kg）;身高（1.6 m）;餐血糖（80 mg/dl）;术后 餐血糖（120 mg/dl）;患者视力模糊;困难脉率（65 bpm）;体温糖尿病;糖尿病糖尿病糖尿病糖尿病6呼吸;疲劳;频繁排尿;饥饿;溃疡(36.5°C）;呼吸速率(16 bpm）;收缩压（120 mmHg）;（77.78%）（82.78%）（敏感）（未愈）;胃痛;舒张压（80 mmHg）;体重(95 kg）;身高（1.57 m）;之前餐后血糖（115 mg/dl）;餐后餐时血糖（150 mg/dl）;患者腹痛;贫血;脉率（67 bpm）;体温不低血糖低血糖低血糖低血糖7血便;意识模糊;惊厥或癫痫发作;(37.2°C）;呼吸速率(14 bpm）;收缩压（130 mmHg）;适用;（75.00%）（75.00%）（敏感）腹泻;高热;饥饿;舒张压（85 mmHg）;体重肌肉疼痛;颤抖;(90 kg）;身高（1.61 m）;之前餐后血糖（50 mg/dl）;餐后餐时血糖（70 mg/dl）;患者视力模糊;胸痛;脉率（70 bpm）;体温高血压;高血压高血压高血压高血压8呼吸困难流鼻血;(37°C）;呼吸频率（13 bpm）;收缩压（160 mmHg）;舒张压（100.00%）（100.00%）（敏感）血压（95 mmHg）;体重（75 kg）;身高（1.54 m）;餐前血液糖（75 mg/dl）;餐后 血液糖（120毫克/分升）;患者意识模糊;意识模糊;脉率（60 bpm）;体温伤寒;低血糖低血糖低血糖低血糖9腹泻;疲劳;头痛;(36.5°C）;呼吸速率和伤寒（75.00%）和（75.00%）和（敏感）和高烧;饥饿;贫穷食欲;颤抖;(18 bpm）;收缩压（135 mmHg）;舒张压（80 mmHg）;体重发烧伤寒（80.00%）伤寒（85.00%）伤寒（敏感）胃痛;(91 kg）;身高（1.61 m）;之前餐后血糖（75 mg/dl）;餐后餐时血糖（110 mg/dl）;患者视力模糊;困难脉率（69 bpm）;体温高血压;高血压高血压高血压高血压10呼吸;头晕;流鼻血;(36.4°C）;呼吸速率(15 bpm）;收缩压（180 mmHg）;（100.00%）（100.00%）（敏感）舒张压（95 mmHg）;体重(85 kg）;身高（1.55 m）;餐后血糖（75 mg/dl）;餐后餐时血糖（115 mg/dl）;M.I. Fale，Y.G.阿卜杜勒·阿齐兹/沙特国王大学学报1149表3– Sensitivity and Specificity患者Flynxz博士研究性试验结果二元测试尼日利亚包奇州包奇Abubakar Tafawa Balewa大学研究和创新局患者1 +患者2 +患者3 +患者4 +患者5 +患者6 +患者7 +患者8 +患者9 +患者10 +表4–引用Alan，D.，芭芭 拉， H.W.，罗 伯塔 ，医学 博士 ，2012.系统 分析 设计John Wiley&SonsInc.Azadeh，G.，Hossein，B.，Isa，E.，Bahram，G.，Saeed，R.K.，Seyed，H.A.T.，阿里，J.，2018年a. 基于ANFIS的多目标进化优化方法预测临界河床断面. Eng. Geol.239.Azadeh，G.，Hossein，B.，Isa，E.，Majid，M.，Bahram，G.，Saeed，R.K.，2018年b月。基于数字激光逼近传感的遗传-粒子群算法与ANFIS混合智能模型预测临界岸型的不确定性分析。121. baby babyBastian，W.Joris，M.M. Wim，W.马丁湖 希尔伯特J K. Jan，P.N. 2007年 Buchanan，B.G.，1984.基于规则的专家系统：斯坦福启发式编程项目的Mycin实验，马萨诸塞州雷丁。AddisonWesley研究性测试结果/Flynxz博士Flynxz博士Flynxz博士Joshua Bayer，USA.Cary，C.，大卫，B.，Celina，S.，2017.人工智能医疗进入非洲农村诊所。IEEESpectrum.调查测试结果（+）10 0调查测试结果（-）0 0预测和建议。结果还表明，提出的模糊推理系统能够预测疾病的积极和消极的个人。然而，一个可能的失误可能是在Dr. Flynx