CN1398376A

CN1398376A - 决策系统和方法

Info

Publication number: CN1398376A
Application number: CN01804725A
Authority: CN
Inventors: 萨吉德·阿蒙德
Original assignee: IGOTPAIN COM Inc
Current assignee: IGOTPAIN COM Inc
Priority date: 2000-01-06
Filing date: 2001-01-08
Publication date: 2003-02-19
Also published as: US20020107824A1; CA2396573A1; WO2001050330A1; MXPA02006733A; EP1244978A1; KR20020077671A; IL150591A0; AU3274701A; JP2003519840A

Abstract

本发明涉及信息系统的理论和专家系统的理论。本发明提供了一个使用专家生成的主要偏差值来模拟人的决策的进行决策的过程、装置和方法，其特征在于主要偏差值将一个可能性集的特定备选可能性与一个特定查询关联，并反映针对特定备选可能性的查询的预言值相对于可能性集中的其他备选可能性的相对度的专家见解。在特定的实施例中，本发明提供了用于提供医疗诊断或自我诊断的过程、装置和方法。

Description

决策系统和方法

相关申请的交叉参考

本申请要求美国临时专利申请号No.60/175,106(2000年1月06日申请)的优先权。

技术领域

本发明涉及信息系统的理论和专家系统的理论。本发明提供了一种模拟人的决策过程进行决策的过程、装置和方法。在特定的实施例中，本发明提供了用于提供医疗诊断的过程、装置和方法。

背景技术

人类进行高效而经济的决策，包括将一组备选可能性中的可能性进行分级，被许多人视为现代生活的必需的方面。遗憾的是，人类进行决策有时会有缺陷，缺乏合理的客观性。这样的缺陷包括构想较差、近因效应、首因效应、可能性估计较差、过于自信、扩大现象、联想偏差和“集体思考”。

几个同等的决策者组，它们具有相同信息，由于用于表述备选可能性的语言或上下文不同，在各种备选可能性中作出的决策也不同，这种情况下即发生构想效应。在人类在各种备选可能性中作出的决策受到最近看到的或相对可用的信息的影响时，发生近因效应或可用性效应。首因效应或参照效应反映了这样的事实：一旦人形成了关于某事的观点之后，或形成了分析一个问题的参照架构，他们常常难以摆脱该观点。当人们认为一些事件的可能性比其他事件的可能性高时(因为这些事件常见，引人关注，在他们的控制下，或对他们有利)，并大大地低估反面事件的可能性时，即发生有偏向的可能性估计。当决策者对他们所知道的事情的准确性或相关性过于自信，也许喜欢支持性的事实而忽略相反的事实时，就会发生过于自信的情况。当决策者不情愿放弃已经采用的一系列操作，并且忽略反面的迹象时，就会发生扩大现象。当决策者被过去的成功所影响，并且选择与过去的情况(而不是当前的情况)更相关或更合适于过去的情况的策略时，就会发生联想偏差。集体思考反映了一组人也许要以牺牲作出最佳的决策为代价而保持一致和内聚力的倾向。集体思考反映了需要保持内聚力的愿望压倒该组作出最佳决策的愿望时的情况。

基于知识的系统：信息系统或专家系统的应用。专家系统(通常叫做“基于知识的系统”)通常显式地表示知识，以使它可用于问题的解决或进行决策的过程。很少有人设计出专门针对决策过程中的上述缺陷的系统。虽然如此，认识这些常见的问题会有助于理解信息系统能为我们做什么以及不能为我们做什么。

专家系统基本上是一个“如果-那么”规则的集合，它能给用户提供如何获得结果的解释。它还很容易地对知识进行修改，因为无需作许多其他的修改就可以添加规则。知识显式地存储和综合地进行编码。必须将知识库认真地进行汇编，以预先排除相矛盾的知识。图1显示了一个专家系统的基本结构。

基于知识的系统在分类、诊断、翻译、监视、计划、预测领域以及这些领域的结合领域有所应用。目前有许多软件包括了专家系统和基于知识的系统。一个这样的软件示例是CLIPS^TM，该软件是一个高效的开发和提供专家系统工具，该工具提供一个完整的用于构建基于规则和/或对象的专家系统的环境。CLIPS^TM在公共和专用社区被很多用户使用，包括所有的NASA现场，许多军事机构，联邦政府机构、政府承包商、大学和许多公司。图1显示了CLIPS^TM所依据的基于知识的系统环境。

表示知识和创建人类或计算机使用知识的途径依然是一个主要研究课题，已经有许多方法使用和构建知识和信息技术以提高人类进行决策的效率和准确率。表示知识的许多可能的途径中的两种是“如果-那么”规则和框架。“如果-那么”规则侧重于进行推理的逻辑。而框架侧重于各种情况的重要特征。

“如果-那么”规则是在基于知识的系统中表示知识的最常见的途径。本质上，“如果-那么”规则提供了如果某些条件为真，那么应该得出某些结论。传统的决策树以许多(也许成千上万)的“如果-那么”规则的相关集合的形式捕获知识。使用“如果-那么”规则的基于知识的系统以一个有关特定情况的事实的列表开始。然后它使用规则得出结论或基于这些事实采取操作。这些结论或操作会产生其他事实。这些补充事实将被添加到当前事实列表中，然后该系统继续使用规则得出更多的结论和采取其他的操作。某些系统还使用事实和规则来决定要询问哪些其他问题。例如，一个医疗诊断系统可能查看其当前的事实集，得出一个尝试性的结论，然后询问其他的问题，以确认或推翻该结论。

例如，假设MYCIN^TM(″Decisions Support，Expert Systems，″fourth addition，Efraib Turban，p.510，1994)(这是一个用于协助诊断传染性疾病的基于知识的系统)中的下面的“如果-那么”规则：如果有机体的染剂呈革兰氏阳性，其形态是“球菌”，其生长构象是链，那么很容易使人联想到该有机体是链球菌(0.7)。

除了包含条件和结论外，MYCIN^TM中的这一规则还包含一个确定性因素(0.7)，表示该结论可能不确定的程度。帮助专家的基于知识的系统通常包括这一类型的不确定性，因为不确定性是专家所从事的许多工作所固有的。

置信网络。创建专家系统的另一个途径是通过置信网络。置信网络基本上是一个基于概率分布的决策支持系统。图2显示了一个置信网络。置信网络被表示成一个非循环的定向图表，其中变量X1、X2和X3对应于节点，节点之间的相互关系对应于弧形。与置信网络中的每个变量相关联的是概率分布。

对进行决策的过程强制实施结构。信息系统对改进决策的许多影响由它对决策或其他任务强制实施的结构的程度来决定。如果一个信息系统提供了一个人可以使用的工具或信息但没有说明在进行决策过程中应该如何使用这些工具或信息，那么它强制的结构的程度就较小。系统实施规则和过程的地方就给予更多结构，但仍允许决策人在整个过程中有误差。当系统完全自动执行决策过程时，强制的结构将会最多。适当地构建决策的结构是十分重要的，因为强制的结构太少或太多都会降低决策的质量。

对待不确定性的态度；确定性因素的局限性。知识在许多情况下是不确定的，涉及可能性或概率而不是确定性。例如，一组与医学相关的症状，包括腹部的右下侧疼痛非常厉害，可以诊断为阑尾炎。然而，同样是这些症状也可能与其他诊断相关。同样，地震调查结果(例如，对于石油勘探)可以与许多不同类型的地下构造和现象相关。

为处理备选可能性，一个专家系统必须能够基于事实得出有关不同的结论的相对可能性的结论。准确地确定各种备选可能性的相对可能性在许多情况下是重要的。例如，在一种症状可能说明是重伤风或脑膜炎的情况下，一个概率分别为70％和0.00001％的诊断不同于概率分别为70％和15％的诊断。在后一种情况下，医生可能会开治疗脑膜炎的药，因为出错的风险和后果是非常严重的，尽管重伤风是最可能发生的疾病。

对专家系统中的不确定性的态度产生了许多问题，从如何描述不确定性开始。许多专家系统都使用确定性因素来描述一条规则的结论的可能性，假定其前提是正确的。例如，如果在一个特定系统中的确定性因素介于0到1之间，那么一条规则的确定性因素为0.5时即表示结论在一半的情况下是正确的。

使用确定性因素处理不确定的信息的一个固有的局限性是有效地将各种不同的推理的确定性因素组合起来。例如，有一种情况，观察到了症状A和B，并且症状A和B与脑膜炎关联的概率分别是45％和75％，那么该病人患脑膜炎的概率有多大？在某些情况下，这两种症状可能是独立的；在某些情况下，它们可能是相互加强的，而在某些情况下，它们又可能在某种程度上相互矛盾的。使用确定性因素有效地处理不确定性是有限的，因为没有十分简单的方法将各种确定性因素组合起来。

模糊逻辑。模糊逻辑(“FL”)这一术语当前在许多不同的意义上使用，通常是指与模糊集合论有关的任何事以及其相关因素。模糊逻辑通常在数据和功能关系无法用清楚的数学术语来表示的场合使用。而是应用“模糊的”关系等式，在这种等式中使用诸如“许多”或“一些”之类的量词来将不同集合的元素关联起来。模糊逻辑系统具有概念上的优势，但要求在正确设计工作应用程序(如医疗诊断系统)方面具有直觉和经验。

模糊集合是一个带有平滑的不清楚的边界(请参阅下面的表I)的集合。与普通集合不同的是，普通集合只承认集合的元素的完整成员资格(1)或完整的非成员资格(0)，而模糊集合的成员资格可以是介于0和1之间的某个值。此类不完整成员资格的典型示例包括“好的起飞性能”，“低燃料消耗，或“昂贵的技术。”“好的起飞性能”既不是完美的起飞性能(1)也不是零起飞性能(0)；“好的起飞性能”是模糊的，是介于0和1之间的某个值。

表I

	明确	模糊
	明确	模糊	Jim很高(6′6”)	1	.95
Jon很高(6′2”)	1	.8	Jim很高(6′6”)	1	.95
Jon很高(6′2”)	1	.8	Torn很高(5′11”)	1	.6
Bob很高(5′9”)	0	.4	Torn很高(5′11”)	1	.6
Bob很高(5′9”)	0	.4	Bill很高(5′6”)	0	.2

模糊逻辑的主要应用可以至少细分为四个不同的方面(″FuzzyLogic，″Daniel McNeil&Paul Freiberger，1992)。逻辑方面(L)是指包括两值系统的一个逻辑系统，多值系统为特殊情况。它应用在知识表示和从不精确的、不完全的、不确定的或部分正确的信息进行推理的领域。集合理论方面(S)涉及其边界未清晰地定义的类或集合。模糊逻辑领域的许多初始工作都集中在这一方面。关系方面(R)处理非确切定义的功能和关系的表示和处理，这对FL应用于系统分析和控制非常重要。这一方面的三个基本概念包括语言变量、模糊的“如果-那么”规则和模糊图表。这一方面还为对单词进行计算(CW)的基于FL的方法提供了基础。认识方面(E)与逻辑方面关联，侧重于FL在知识表示、信息系统、模糊数据库，以及概率和可能性理论方面的应用。另一个特别重要的应用领域是信息/智能系统的概念和设计。

现有的基于知识的系统或专家系统的局限性。“专家系统”这一术语暗指像人专家一样运行的基于知识的系统(例如，计算机系统)。然而，在现实中，在人专家能做的事情和专家系统能做的事情之间存在根本的差异。

传统的计算机辅助数据处理技术，如线性回归，在输入(例如，监视的值)和输出(例如，病人状况)之间没有定义明确的关系的情况下要成功地实现是非常困难的。然而，这种定义明确的关系是很少有的。在医学领域尤其如此，许多情况症状相同，因此很难检测和分类。

专家系统使用一组生产规则(即，“如果-那么”规则)提供一种对复杂的系统建模的方法。它们当前的流行归因于它们的设计简单性、以及，在某种程度上，还归因于它们的通过推理或搜索建议操作的功能。在某些情况下，它们是有益的，例如，在诊断问题方面。然而，在现有的系统中(甚至那些使用模糊规则的系统)使用的基于规则的方法要求完整的理解要自动执行的任务，然后才能实现该专家系统。此外，在复杂系统的建模过程中为提高可靠性所需要的大量的生产规则常常会使决策过程减慢，由于要协调的规则的绝对数量非常多而增加了维护负担。

人造神经网络(“神经网络”)是类似于神经元的装置组成的网络，它们可以通过适应变化的条件修改它们自己。与传统的基于规则的人工智能系统(如现有的专家系统)不同的是，神经网络非常灵活，并提供模拟复杂的非线性系统(其行为不好理解)的功能。一般来讲，基于神经网络的方法尝试模拟人脑根据以前了解的模式库来认识反复发生的模式的能力。具体来说，它们尝试基于从多个会影响输出变量的其他输入变量的输入预知一个输出变量的值。预言是通过从一组已知模式中选择一个在特定的情况下最有关联的模式来进行的。由于基于神经网络的方法在对复杂系统建模方面的灵活性，它们已经广泛地应用于医学领域。

然而，现有的基于神经网络的方法解决诊断问题时采用的是“黑箱”解决办法。给定一组输入参数，它们生成一个分数(即，病人的病情的可能性的估计值)，但没有任何解释性的功能。具体来说，它们不提供任何进一步的信息帮助大夫肯定地影响病人的状况。现有的基于神经网络的系统中尤其缺少的是识别对诊断病人的病情至关重要的因素的功能。这种系统没有为与大夫的意见和发现取得一致提供任何基础，因为只提供了一个分数，没有进一步的解释。准确性也受到疾病的环境或要检验的病情的限制。

医学专家系统的局限性。作为一个专家系统，医疗诊断的任务可以分解为三个基本步骤：检测；分类；和建议。检测是指首先识别与一个或多个特定的疾病或状况关联的症状的步骤。分类是指定或命名病情，将该病情分到已知的诊断组的过程。建议是大夫对该病情进行治疗的步骤。

在典型临床背景下执行一个或多个这些诊断步骤以便进行决策时，常常会遇到各种各样的问题。一致性有时是个问题。在任何一天，大夫都可能会疲乏或感到有压力。她或他在一个特定医学专业可能缺乏经验。对一个病人监视到的完全相同的临床数据和参数可能被两个大夫作出不同的解释，因为他们受到的医学训练、经验水平、压力水平或其他因素不同。转移/解释问题也存在。一个大夫在诊断一个病情的心理规则也是很难描述的，因此，也难以从一个大夫传授到另一个大夫。如果病人询问大夫是如何这样诊断的，也可能难以向他或她说明这些心理规则，甚至难以记录下来以其他大夫使用。非线性因素也常常存在。当监视到的值和病人的病情之间的关系比较复杂并且不好理解时，传统的(例如，线性、统计学的)模型常常不准确，因此是不充分的或者不可靠的。因此，使用更复杂的非线性模型的诊断技术显然是最好的，常常也是必需的。

至少部分地与人的错误相关的这些和其他问题以及在医疗诊断领域的局限性可以成功地使用计算机辅助诊断工具加以解决。传统的计算机辅助医疗诊断是基于统计数据分析进行的。更多先进的诊断工具将基于人工智能(“AI”)技术，该技术一般涉及专家系统、模糊逻辑、人工神经网络和它们的各种组合。市场上出现的这些类型的软件和硬件工具大大地扩大了潜在的和实现了的医学应用的范围。然而，目前的医学诊断工具还没有一个能够充分地解决上文讨论的问题。

目前只有一些专家系统应用在诸如医疗诊断之类的复杂系统中使用了模糊逻辑的某些方面。这主要是因为它们在应用于不精确的领域时有固有的局限性。当前这样的应用在病人状态的分类和医疗决策方面有一些固有问题。现有的使用专家系统或模糊逻辑的医疗应用包括MYCIN^TM、EMYCIN^TM、PUFF^TM和OMERON^TM。MYCIN^TM用于诊断血液和脑膜炎感染。MYCIN^TM可顶替20个人一年的工作，与人大夫的42.5到62.5％的准确性相比，可达到65％的准确性。EMYCIN^TM是在其他领域应用的空外壳推理引擎。PUFF^TM用于诊断肺部问题。Omron是一家日本公司，它开发了一个健康管理系统，在该系统中有500多条模糊规则跟踪和评估员工的健康。这些现有的应用仅限于医学领域内的小的领域，还没有在商业上广泛地销售。此外，因特网上还没有出现智能的、准确的医疗应用。

虽然专家系统可以通过实现逻辑来取得一个解决办法来模拟人专家，但是人专家有许多难以明了的或模糊的特征，现有的专家系统是无法复制的。例如，人专家从经验中学习，重建他们的知识，在必要时或适当时不遵守规则，凭直觉，确定新的事实的相关性并认识到他们的知识的局限性。在人专家开始遇到不熟悉的情况时，他们会变得更加谨慎。人专家的表现通常在进入到不熟悉的领域时会变差。虽然如此，在许多情况下，人专家可以凭直觉或常识理解现有的知识不适用的情况，并可以决定不遵守哪些规则以取得一个合理的解决办法。

相反，专家系统(甚至那些使用模糊规则的系统)没有固有的常识，并且完全在存储在其知识库(数据库或用户提供的知识库)的规则和知识范围内运行。现有的专家系统识别的仅有的事实是与它们的知识库中的“如果-那么”规则的“如果”部分相关的事实。当专家系统遇到的情况不是它们的知识库中包括的数据提供的情况时，专家系统容易停止或出现严重错误。可以向专家系统中添加新的事实和新规则，但每次升级都是一次程序增强，必须对系统进行调试或修改以确保符合系统的逻辑。

因此，基于古典统计方法、专家系统和简单神经网络方法的现有的诊断工具都有严重的局限性。当应用于诸如医疗诊断之类的复杂系统时，获得的结果不是很好理解并且在准确性方面常常是有限的。

因此，需要开发一个决策系统，以最大限度地减少人在进行决策时所固有的缺陷，如框架较差、近因效应、首因效应、可能性估计较差、过于自信、扩大现象、联想偏差和“集体思考”。需要开发一个用于决策的专家系统，该系统应模拟人的决策过程，并且不基于统计信息、可能性或确定性因素的应用，并且不要求大型的统计数据库。需要一个进行决策的系统和方法，该系统可以根据基于人专家结合该专家的直觉、认识和经验提供的值的可能性，将一组备选可能性中的各种可能性进行分级。特别是需要一个适用于诸如医疗诊断之类的复杂系统的专家系统。需要一种准确性很高的能够确定一个特定的病情的性质的专家系统，该系统还可以提供诊断，并且在提供诊断时确定和列出在进行诊断的过程中有效的所有因素。

发明内容

本发明提供了一种模拟人的决策过程进行决策的过程、装置和方法，它们能够根据一组备选可能性的相对可能性将它们分级。本发明的装置包括计算机或计算机网络装置以帮助模拟人的决策过程，决策包括将一组备选可能性进行分级。计算机网络装置包括服务器、和一个或多个用户子系统与它相连接。

计算机或服务器可包括处理器，并有存储设备与该处理器相连接，具体要视情况而定。存储设备上已经存储了一个或多个关系型数据库，包括专家生成的主要偏差数据、查询和备选可能性(例如，诊断)，以及存储在存储设备上的程序，用于控制处理器。该程序靠处理器运行以接收用户的查询回答集，基于用户的回答查询偏差数据和备选可能性数据库，并提供一个包括分级的备选可能性集的决策，所说的分级是根据相对可能性在若干个备选可能性中进行的，并将分级的备选可能性集传输给位于用户子系统上的用户(在服务器的情况下)。用户子系统连接到服务器，并包括一台计算机，该计算机靠存储在它上面的程序来运行，以从用户那里接收用户的查询回答集的输入，并将用户的查询回答集传输到服务器，然后从服务器那里接收分级的备选可能性集。

本发明提供了在计算机(该计算机有处理器以及存储设备与处理器相连接)上模拟人的决策的过程，包括：(a)在存储在计算机的存储设备中的一个或许多电子数据库上配置一个可能性集(该可能性集包括许多备选可能性)，一个包括查询的查询集，具有备选可能性的知识的专家提供的一组主要偏差值，其中每个主要偏差值都与一个特定备选可能性相关联，并反映针对特定备选可能性的查询的预言值相对于可能性集中的其他备选可能性的相对度的专家见解；(b)将用户对查询的回答输入到计算机中；(c)使用靠处理器运行的存储设备上的程序来接收和处理用户的回答，根据相对可能性，至少部分地基于主要偏差值集对备选可能性进行分级，从而提供一个包括分级的备选可能性集的决策。优选情况下，对备选可能性集分级包括查询电子数据库以基于对查询的回答和主要偏差值集确定一组对应的辅助偏差值，其中每个辅助偏差值都与特定的备选可能性相关联，并反映针对特定备选可能性的查询的预言值相对于可能性集中的其他备选可能性的相对度的专家见解。优选情况下，确定辅助偏差值集的过程涉及基于对查询的回答增大、减小、保留对应的主要偏差值。优选情况下，查询集包括许多查询，对可能性集中的备选可能性分级涉及对主要或辅助偏差值进行求和和平均。优选情况下，确定一组对应的辅助偏差值和对可能性集中的备选可能性进行分级是通过使用ELICIT^TM“算法42”核心算法处理一个或多个主要或辅助偏差值来进行的。优选情况下，可能性集是一组备选医疗诊断，专家是一个医学专家，基于主要偏差值对可能性集中的备选可能性进行分级提供了包括备选医疗诊断集的诊断，备选医疗诊断根据可能性进行了分级。

本发明进一步提供一台用于帮助模拟人的决策过程的计算机装置，包括：(a)包括处理器和与处理器连接的存储设备的一台计算机；(b)存储在存储设备上的一个可能性集数据库，其中可能性集数据库包括许多备选可能性；(c)存储在存储设备上的一个查询集数据库，其中查询集数据库包括查询；(d)存储在存储设备上的一个主要偏差值数据集，其中主要偏差值是由具有备选可能性的知识的专家提供的，并且其中每个主要偏差值都与一个特定备选可能性相关联，并反映针对特定备选可能性的查询的预言值相对于可能性集中的其他备选可能性的相对度的专家见解，(e)存储在存储设备上用于控制处理器的一个程序，其中(i)该程序靠处理器运行以接收用户对查询的回答，(ii)基于对查询的回答和主要偏差值集确定一组对应的辅助偏差值，其中每个辅助偏差值都与特定备选可能性相关联，并反映针对特定备选可能性的查询的预言值相对于可能性集中的其他备选可能性的相对度的专家见解，(iii)基于辅助偏差值对可能性集中的备选可能性进行分级，以提供一个包括备选可能性集的决策，备选可能性根据可能性进行了分级，(iv)将决策提供给用户。优选情况下，该装置进一步包括一个存储在存储设备上的用户数据库，其中程序靠处理器运行以将用户信息存储在用户数据库中，并在接收到新用户信息时更新用户信息。优选情况下，程序进一步靠处理器运行以跟踪用户信息。优选情况下，可能性集是一组备选医疗诊断，专家是一个医学专家，基于主要偏差值对可能性集中的备选可能性进行分级提供了包括备选医疗诊断集的诊断，备选医疗诊断根据可能性进行了分级。

此外，本发明还提供了在广域网上模拟人的决策的过程，包括：在服务器的一个或许多电子数据库上配置一个可能性集(该可能性集包括许多备选可能性)，一个包括查询的查询集，具有备选可能性的知识的专家提供的一组主要偏差值，其中每个主要偏差值都与一个特定备选可能性相关联，并反映针对特定备选可能性的查询的预言值相对于可能性集中的其他备选可能性的相对度的专家见解；(b)将用户对查询的回答通过用户子系统输入到计算机中；(c)通过广域网将用户的回答传输到服务器；(d)使用靠服务器的处理器运行的程序来接收和处理用户的回答，根据相对可能性，至少部分地基于主要偏差值集对备选可能性进行分级；以及(e)通过广域网将分级的备选可能性集传输到用户子系统，从而提供一个包括分级的备选可能性集的决策。优选情况下，对备选可能性集进行分级包括查询服务器的电子数据库，以基于对查询的回答和主要偏差值集确定一组对应的辅助偏差值，其中每个辅助偏差值都与特定的备选可能性相关联，并反映针对特定备选可能性的查询的预言值相对于可能性集中的其他备选可能性的相对度的专家见解。优选情况下，确定辅助偏差值集的过程涉及基于对查询的回答增大、减小、保留对应的主要偏差值。优选情况下，查询集包括许多查询，对可能性集中的备选可能性分级涉及对主要或辅助偏差值进行求和和平均。优选情况下，确定一组对应的辅助偏差值和对可能性集中的备选可能性进行分级是通过使用ELICIT^TM“算法42”核心算法处理一个或多个主要或辅助偏差值来进行的。优选情况下，可能性集是一组备选医疗诊断，专家是一个医学专家，基于主要偏差值对可能性集中的备选可能性进行分级提供了包括备选医疗诊断集的诊断，备选医疗诊断根据可能性进行了分级。

本发明还提供一台用于帮助模拟人的决策过程的计算机网络装置，包括：(a)包括处理器和与处理器连接的存储设备的一台服务器；(b)存储在存储设备上的一个可能性集数据库，其中可能性集数据库包括许多备选可能性；(c)存储在存储设备上的一个查询集数据库，其中查询集数据库包括查询；(d)存储在存储设备上的一个主要偏差值数据集，其中主要偏差值是由具有备选可能性的知识的专家提供的，并且其中每个主要偏差值都与一个特定备选可能性相关联，并反映针对特定备选可能性的查询的预言值相对于可能性集中的其他备选可能性的相对度的专家见解，(e)存储在存储设备上用于控制处理器的一个程序，其中(i)该程序靠处理器运行以从用户子系统接收用户对查询的回答，(ii)基于对查询的回答和主要偏差值集确定一组对应的辅助偏差值，其中每个辅助偏差值都与特定备选可能性相关联，并反映针对特定备选可能性的查询的预言值相对于可能性集中的其他备选可能性的相对度的专家见解，(iii)基于辅助偏差值对可能性集中的备选可能性进行分级，以提供一个包括备选可能性集的决策，备选可能性根据可能性进行了分级，(iv)将决策传输到用户子系统。优选情况下，该装置进一步包括一个存储在存储设备上的用户数据库，其中程序靠处理器运行以将用户信息存储在用户数据库中，并在接收到新用户信息时更新用户信息。优选情况下，程序进一步靠处理器运行以跟踪用户信息。

该方法可能包括一台计算机或计算机网络以模拟人的决策过程根据一组备选可能性的相对可能性对它们进行分级。本发明提供了一种方法用于模拟人的决策过程，包括：(a)建立一个包括许多备选可能性的可能性集，每一个备选可能性都有一个其特定的属性；(b)建立包括查询的查询集；(c)使用一组由具有备选可能性的知识的专家提供的主要偏差值将查询与可能性集中的每一个备选可能性相关联，其中每个主要偏差值都与一个特定的备选可能性相关联，并基于特定的属性反映针对特定备选可能性的查询的预言值相对于可能性集中的其他备选可能性的相对度的专家见解，(d)获取对查询的回答；(e)基于对查询的回答和主要偏差值集确定一组对应的辅助偏差值，其中每个辅助偏差值都与一个特定的备选可能性相关联，并反映针对特定备选可能性的查询的预言值相对于可能性集中的其他备选可能性的相对度的专家见解，以及(f)基于辅助偏差值对可能性集中的备选可能性进行分级，以提供一个包括备选可能性集的决策，备选可能性根据可能性进行了分级。优选情况下，辅助偏差值集涉及基于对查询的回答增大、减小、保留对应的主要偏差值。优选情况下，查询集包括许多查询，对可能性集中的备选可能性分级涉及对主要或辅助偏差值进行求和和平均。优选情况下，确定一组对应的辅助偏差值和对可能性集中的备选可能性进行分级是通过使用ELICIT^TM“算法42”核心算法处理一个或多个主要或辅助偏差值来进行的。优选情况下，可能性集是一组备选医疗诊断，专家是一个医学专家，基于辅助偏差值对可能性集中的备选可能性进行分级提供了包括备选医疗诊断集的诊断，备选医疗诊断根据可能性进行了分级。优选情况下，可能性集是一组备选医疗诊断，专家是一个医学专家，基于主要偏差值对可能性集中的备选可能性进行分级提供了包括备选医疗诊断集的诊断，备选医疗诊断根据可能性进行了分级。

附图说明

图1显示了一个应用了本发明的基于知识的系统(“KBS”)的示例，CLIPS^TM。基本KBS的精髓是：工作存储器上下文(用于存储用户的输入)，一个包含“如果-那么”规则(表示获取的知识)的知识库，以及一个推理引擎(它根据知识库，并根据它取得结果的方法，对输入进行评估以提供输出)。

图2显示了一个“置信网络”的示意图。在本发明中已知的置信网络被表示成一个非循环的定向图表，其中变量X1、X2和X3对应于“节点”，而节点之间的关系对应于“弧形”。与置信网络中的每个变量相关联的是概率分布。

图3和4显示了3-D ELICIT^TM模型，该模型是一个3-DELICIT^TM数据集的可视化表示。查询、回答和诊断在3-D ELICIT^TM集中都是相互关联的。3-D ELICIT^TM模型将表示专家数据时使用的数据相互关联。

图5显示了本发明的一个优选实施例的“最终实现”。当本发明的过程根据相对可能性对可能的诊断进行分级之后，用户还可以读取有关那些诊断的更多信息，用户将被导向到其他窗口，在那里他们可以了解有关治疗方法、药物、丹方、运动、治疗和其他相关信息。用户还可以访问相关的健康服务、健康保险、大夫目录、与专家预约，以及其他相关服务。其他可选的功能包括，为本地药房打印非处方药物的票据，到该药房的方位图，通过安全的连接直接与保险计划的大夫进行交互，允许大夫在线给用户开处方。

图6显示了获取专家数据一模拟专家决策过程所需要的主要偏差数据(B)，可能的备选(D)和查询(Q)的过程的流程图。第一步涉及列出一个特定模型的所有可能的备选(诊断)。第二步，确定所有有关联的和直观的查询，最后由专家建立主要偏差数据集。此过程可以在任何系统上或使用诸如因特网之类的任何接口来实现。所有特定的数据集建立之后，专家将检验专家系统的完整性，并相应地更新任何主要偏差数据、备选或查询。然后，在专家的领域或环境中进行现场检验。

图7显示了一个电子表格，根据本发明，包括三个ELICIT^TM集，包括一个专家确定的模糊主要偏差数据集，包括从10到90的相对偏差值。

图8显示了如何根据本发明使用一个编辑窗口设置个人属性和用户回答分级。此图说明了本专利申请者的模拟一个真实的“虚拟医生”的经验的新颖方法的各个方面。例如，用户还可以针对系统接受的回答建立个人属性。用户可能需要用一个“也许”回答一个查询。然而，一个用户对“也许”的定义可能不同于另一个用户的定义。同样，对用户回答分级的精细调整是另一个全新的方案，使在线大夫模拟器更准确。此图显示了用户将“模糊度”引入本发明系统的过程：用户选择了一个介于0.1和9.9之间的回答分级，因此提高了本发明系统的准确性。由于本发明程序使用了用户回答分级作为主要偏差值的“修正系数”(简单得像“活化剂”)，因此准确性得到提高。

图9显示了一个基本计算机模型，上面有中央处理单元(“CPU”)、硬存储(“硬盘”)，软存储(“内存”)，和输入和输出接口(“输入/输出”)。一个消费者在用户界面对特定的健康信息感兴趣，访问健康服务，或者关心最近的伤情或疾病。他们登录到一个主站点之后，将显示出一个主窗口屏幕，该窗口提供选项以作为一个注册用户登录，使用“智能”搜索，或直接访问“在线大夫模拟器”(“OPE^TM”)界面。

图10显示了“在线大夫模拟器”(“OPE^TM”)的一般描述，它是本发明的优选实施例。该图显示了通过因特网在医学领域内进行决策的方法的装置和实现(即，OPE^TM)。用户首先访问“主屏幕”。在主屏幕，用户可以作为“成员”登录，进行一般搜索，或直接访问OPE^TM或“虚拟医生”。此图描述了如下过程和顺序：进入本发明的OPE^TM系统；登录到系统；设置回答分级选项；输入基本健康信息；输入主诉；选择健康问题的领域或状况；回答该系统提出的查询；接收一个决策(该决策包括可能性集中的备选诊断可能性的分级)，评估和读取原因和治疗的相关健康信息。

图11显示了一个根据本发明的“登录/输入基本健康统计信息”屏幕。该图以流程图的形式显示了如下过程：用户登录到OPE^TM系统，设置各种个人选项，如“虚拟医生”的个性，查看个人健康历史记录，查看以前使用该系统的情况，输入基本个人健康信息以及设置回答分级选项。除了其他选项以外，登录窗口还可让消费者更新他们的基本个人和健康数据(年龄、性别、身高、体重等)，选择医生个性基本特征，或成为该服务的正式成员。作为一个正式成员，消费者有权收到新闻简报，访问他们的健康记录，以及享受其他特色服务。登录信息存储在数据库中。

图12显示了“智能”搜索过程。“智能”搜索窗口可使用户输入全文字搜索请求和选择特定的参数。当用户提交搜索请求之后，一个“解析程序”将对该请求进行评估，并可能返回一个查询以帮助缩小搜索范围。然后，将使用ELICIT^TM进行算法搜索，以根据输入的搜索参数按照相关性由高到低的顺序对搜索结果进行分级。

图13显示了根据本发明如何处理用户对查询集的回答。用户提交所有的回答(Rz)之后，本系统的发明算法将对特定的诊断状况和位置的回答进行评估。完成计算之后，在一个新窗口中将显示一个最前面的(根据相对可能性)3个或4个诊断可能性的列表。所有的回答和评估将作为历史记录存储起来，以便用户返回到Web站点之后参考，以及供专家验证数据集使用。该图代表了对回答进行处理和评估可能的结果的基本流程。

图14显示了一个根据本发明用于帮助确定诊断的图片示例。

图15显示了“在线大夫模拟器”(“OPE”)的典型屏幕抓图。根据本发明，该屏幕用于在用户访问该系统时给用户导航。

图16显示一个用户会面示例，提示用户对查询作出回答，如Web页所示。

图17显示了根据本发明如何选择和表示主要偏差值、用户回答值，以及依赖关系。上面板：对于主要偏差数据(B)(由专家提供)，显示的可能的相关性/可能性的范围介于0到100之间，但不仅限于此范围或数字表示。该范围可以表示0到1。然而，有一个中值或表示默认回答(R)“否”的零(“0”)值。中间面板：用户回答值，或修正系数，是基于用户输入的定性回答的类型来修改主要偏差数据(B)的值。用户回答值也位于0到1之间的模糊范围内，但不仅限于此特定范围或数字表示。此外，零(“0”)表示定性回答“否”，而“是”对应于值一(“1”)。下面的面板：对于可能性集中的对于一个特定查询特别“相关的”的备选诊断(即，特别重要的或有关联的)，有一个绝对依赖关系修正系数(“ADM”)，它也基于绝对回答(R)“是”或“否”修改主要偏差数据(B)。

图18显示了根据本发明的主专家编辑屏幕，用于编辑专家数据。

图19显示了，对于根据本发明的“诊断之前的调查表”，对于一个膝部受伤的区域的可能的查询(它们是可修改的)的列表示例。

图20显示了一个根据本发明处理的对与膝部受伤诊断可能性有关的查询的评估示例。此示例显示了基于用户对两个查询的回答，可能性最大的四个诊断：踝骨扭伤III；踝骨扭伤I和II；脚跟破裂；和软骨炎断裂。

图21-24显示了根据本发明的编辑数据屏幕的相邻的几个部分。此类编辑屏幕提供了一个界面，在此处专家可以更改查询的格式(左列)，与查询关联的主要偏差数据(中间列值)，以及确定其他变量，如对于一个特定查询/诊断关系对是否存在诊断依赖关系(即，通过选中右列中的一个或多个框)。

图25显示了根据本发明专家如何修改一个或多个特定查询的主要偏差数据，以及在所说的修改之后立即重新评估备选诊断集的可能性分级。

图26显示了一个根据本发明的“诊断之前的调查表”的示例，该调查表用于评估和检验诸如诊所和医院之类的现场的实际数据以生成诊断。

图27显示了根据本发明的数据库中的查询对象(“QOD”)的格式。此图说明了一个用于在关系数据库中存储主要偏差数据(B)、查询(Q)和备选可能性或诊断(D)的方法。在QOD方法中表示了合并新数据以及关联信息和允许更新的灵活性。查询表示备选之间的一个和主要检验，在关联决策过程中需要的信息方面起着关键作用。这里，与查询有关的各种形式的信息，查询本身的各种变化，主要偏差数据(B)，诊断依赖关系(“ADM”)，个性特征查询，专家输入的对特定查询的默认回答、语音、视频、关键词和其他类型的相关信息都存储在QOD中。

图28和29显示了CGI脚本的静态ELICIT^TM数据集的格式。

具体实施方式

概述

本发明提供了一种模拟人的决策过程进行决策的过程、装置和方法。本发明基于申请者的这样的理论：人的认识和直觉可以通过以专家提供的偏差值为形式捕获专家有关数据集之间的相关性的见解来建模。模拟人的决策的发明过程、装置和方法是该理论的应用，申请者在这里将该理论称为ELICIT^TM(模拟认识和直觉的逻辑推理理论)。ELICIT^TM可使不确定/定性知识、根据不精确的数据进行决策和推理形式化。因此，该系统可模拟人的直观的思维和逻辑模式。

以前的信息系统和专家系统尝试过诊断在本质上表现出与一个系统关联的症状的系统。例如，在医学中，病人表现出一些症状，一个医生或专家系统将尝试诊断出病情。与使用ELICIT^TM的本发明不同的是，这些专家系统是不充分的，有限的、未能模拟人的决策过程。

在一个实施例中，本发明提供了用于模拟大夫的医疗诊断的方法。本发明是通过模拟大夫/医生的决策过程来达到此目的的，它基于用户对基于专家(基于大夫)的查询的回答进行诊断。查询可以是基于症状的，但不仅限于这一方面。在此模拟过程中使用了ELICIT^TM以及模糊逻辑和其他专家系统概念。优选的实现是在因特网上作为医疗/健康自我评估应用程序(OPE^TM/ODE^TM)；在线大夫模拟器；在线医生模拟器)，它将用户与治疗、药物、健康保险和其他健康或与医学相关的服务和信息。这些和其他对象是根据本发明通过提供一个新颖的医疗诊断系统(包括专家系统)实现的。

本发明在某些实施例中是一个软件系统和方法，它根据可能性对备选可能性进行分级，从而提供决策方法。在优选的实施例中，系统模拟医生和诊断疾病。疾病可以是身体方面的也可以是心理方面的。在其他实施例中，系统可以诊断机器问题、软件问题或出现症状的任何问题。在优选的实施例中，系统将评估用户对查询的回答并显示诊断。系统可以建立在万维网(“Web”)上，办公室内的计算机系统上，在一个远程位置，或在一个电子设备上，如各种手提通信和处理设备上。

概括起来说，系统通过一系列屏幕给用户发出提示。在优选的实施例中，第一个屏幕包括一个身体(人或动物)的图片。用户单击身体中表现出有问题的症状或代表用户的主诉的某个部位。在另一个实施例中，用户还可以将症状或主诉直接输入到系统中。在另一个实施例中，用户还可以选择通过选择反映用户症状或主诉的对应专业或领域来进入系统。然后将出现一个或多个屏幕，询问用户与症状或主诉有关的问题。用户输入回答，然后系统将评估这些回答。每个查询都对应于一组可能的备选诊断(可能性集)。每个诊断都有一个给定查询的可能性因素(叫做主要偏差值)，它由人专家(例如，一个诸如内科医生之类的医学专家)提供。偏差值反映针对特定备选诊断的查询的预言值相对于可能性集中的其他备选诊断的相对度的专家见解。系统将评估用户回答以提供一组辅助偏差值，并基于辅助偏差值，对可能性集中的备选可能性进行分级，以提供一个决策，该决策包括已分级的备选可能性集。

有关诊断的专家知识被封装在主要和辅助偏差值中。主要偏差值是由人专家根据针对特定备选诊断的查询的预言值(更准确地说，对查询的回答值)相对于可能性集中的其他备选诊断的相对度的专家见解(例如，知识、直觉、判断和经验)预设的。这些专家提供的偏差值将根据用户回答被激活，或修改，以提供辅助偏差值。通常用户通过对于每个查询单击“是”或“否”，或“是”或“否”的梯变，如“有时”。然而，用户可以针对一个特定查询输入任何可以以一个范围和度反映的回答，假设为特定查询提供了一个选项，可以通过选择这样的一个范围或度来精细调整回答。表示对一个给定查询的用户回答的梯度值(即，“有时”)反映了用户对查询的回答的正确性或相关性的程度的见解(例如，症状的理解、回忆、症状的程度等)。

每个诊断的对应的主要偏差值与用户回答值相乘可以计算出对应的辅助偏差值。例如，如果用户对一个查询的回答是“有时”，该用户回答值为0.5，假如该查询的ACL撕裂诊断的主要偏差值是0.6，那么用户回答0.5(在没有“诊断依赖关系”的情况下；参见下文)简单地乘以主要偏差值0.6即可产生一个辅助偏差值0.3。计算出所有的查询的乘积和对应的诊断之后，每个可能的诊断的乘积相加，然后再用查询的数量进行平均，该查询数量的确定方法是：被对查询的为零状态的默认回答(例如，一个回答为“否”，但不仅限于该领域，并且默认状态可以以一种无限制方法进行定性或定量)之外的回答的任何状态或任何肯定的程度的变化回答或激活的查询数量。表示备选诊断的分级值的平均值表示可能性最大的诊断。通常，只显示四个可能性最大的诊断。然而，也可以向用户提供所有诊断的完整分级。通常，在四个可能性最大的诊断中该系统大约能达到98％的平均准确性。

在一个实施例中，查询和诊断是根据医学专业(例如，整形外科、心脏科、内科等)。在另一个实施例中，用户界面允许系统提供有关每个诊断的或多或少的详细信息(相关信息)，具体情况视最终用户的类型而定。在另一个实施例中，用户界面是一个“虚拟医生”，它模拟不同的医生个性，用户可以选择医生个性。向用户发出查询和解释的方式是医生个性所决定的。

此外，系统还可以给用户/回答者提供(即，建议)为一个给定的诊断可以采取的操作。这些可能的操作包括，但不仅限于报告的问题的原因、治疗、专家、丹方、处方药和非处方药、健康保险、每个诊断的健康产品制造商、医院、药商和支持组等。

模拟人决策的系统和方法

本发明提供了通过处理对查询的回答(或症状)进行决策或诊断的方法。本发明适用于出现“症状的任何主题或问题领域或任何要求作出决策的领域。症状包括检验结果，或对查询的回答。例如，在医学领域，检验结果包括胆固醇指数以确定一般健康或心脏状况。本发明适用于诊断无生命的和有生命的(例如，生物学的或非生物学的)症状。因此，本发明适用于诊断机器症状、软件问题，或任何表现出症状的问题。本发明包含软件应用程序，它们使用算法和模糊逻辑的变化作出查询和诊断以尝试模拟大夫的决策过程。

主题技术涉及从模糊逻辑到基于知识的系统的专家系统理论。本发明还涉及医学领域，其专业和相关的行业，如保险、医疗保健产品和医疗/健康服务。在优选的实施例中，系统模拟诊断人或动物疾病的“虚拟医生”。疾病可以是身体方面的也可以是心理方面的。系统将评估用户对查询的回答并在屏幕上显示诊断。在其他实施例中，用户可以在预先格式化的表格(如一个调查表)中输入用户回答。在本发明的优选实施例中，系统使用ELICIT^TM和“模糊”逻辑的概念以产生一个医疗诊断(即，系统是一个使用ELICIT^TM作为其模型的专家系统)。

本发明的应用包括，但不仅限于，医院和HMO的教学工具和高级管理保健工具，其中程序确定仍需要进行哪些检验才能充分地确定一个保健所的客户/病人的诊断。此过程可以消除浪费的和不必要的检验，如DSS(即，决策支持系统—为专家在他们的领域提供辅助的专家系统)，从而可节省成本。其他实施例包括任何基于诊断的必须处理对查询的不精确的回答的专家系统。在其他实施例中，系统还接受对查询的精确的或有形的数据(例如，检验结果)的形式的回答，其中ELICIT^TM帮助缩小和确定诊断并提供目标信息。

本发明系统是申请者的ELICIT^TM概念在诊断任何表现出症状或要求作出决策的问题领域的应用。系统通过近似法、加权平均算法等等模拟人的直观思维、逻辑模式，和决策过程。ELICIT^TM是一个人类逻辑方法。ELICIT^TM是模糊逻辑、基于知识的系统和置信网络的变种。

模糊逻辑和专家系统的当前应用要求复杂相互关联的参数集，因为当前逻辑应用不是固有地相互关联的。因此，当前专家系统甚至包括模糊逻辑集和规则都是有限的，因为推理和/或规则都是彼此独立地应用/处理的。虽然也进行计算，并且必须对所有的数据集同时进行，但是，数据集一次只能引用一个推理和/或规则。

相比之下，人脑和人的思维不仅是“模糊”的，而且还使用同时的和相互关联的比较推理。同样，不是使用单一的推理模糊集合和规则，ELICIT^TM系统允许对相同的集甚至连子集进行多次引用。系统可以进行动态的、压缩的和直观的数据实现。二维(“2-D”)集、三维(“3-D”)集等等都可以作为系统的集，并可超越单维“模糊集”的局限性。因此，ELICIT^TM逻辑模拟“模糊度”和相互/内部关联的推理。ELICIT^TM方法借鉴了许多相关的专家系统理论，主要借鉴了“模糊逻辑”和“基于知识”的理论。

ELICIT^TM与现有的专家系统(例如，“如果-那么”系统)相比有一个优点，它使用相对小的数据集，而不是传统的决策树编程。人脑不仅可以将“模糊”规则和“模糊”思维应用于日常的问题解决和决策过程，而且含蓄地这样做，速度也快得惊人。速度和逻辑推理都是在处理输入/刺激和输出中使用相互关联的引用得到的。使用相互关联的引用(即，相互关联的数据集)与传统的树编程相比处理的数据较少。

本发明的一个优选的实施例是使用多模糊方法、相互关联的ELICIT^TM集，以及嵌入软件的启发式方法的整体、广泛、自我评估的应用程序。启发式方法涉及或作为学习、发现或问题解决的辅助手段，通过实验，尤其是跟踪-错误方法即可做到这一点。此外，启发式方法还涉及探究式问题解决的方法，该方法利用自我教育方法(作为对反馈的评估)以提高成效。

在本发明的一个实施例中，系统使用了全部都相互关联的3-DELICIT^TM集。图3和4显示了3-D ELICIT^TM模型，该模型是一个3-D ELICIT^TM数据集的可视化表示。查询、回答和诊断在3-DELICIT^TM集中都是相互关联的。3-D ELICIT^TM模型将表示专家数据时使用的数据相互关联。

优选的ELICIT^TM模型是基于3-D的。它与其他专家系统表示法相比的优势在于以3-D格式(而不是2-D非相关的表示)压缩数据的固有的能力。查询(Q)、诊断(D)和偏差值(R)是相互关联的并使用ELICIT^TM模型来表示。ELICIT^TM模型是使用多维数据集表示的。每个3-D偏差数据单元格都是与所有其他属于2-D集的数据单元格相互关联的。

在2-D或3-D ELICIT^TM实施例中，各种医学领域的查询都可以显示给用户。例如，属于整形外科的查询，以及属于心脏学的查询可以连续地显示给用户。

发明的系统和方法可以建立在Web上，建立在办公室内的计算机系统上或建立在一个远程位置，或建立在一个电子设备上。在一个实施例中，系统是使用用于PC的Filemaker Pro^TM数据库程序构建的。在另一个实施例中，系统是在一个运行Unix OS^TM的专用Web服务器上采用运行CGI^TM的Perl Script^TM建立的。本发明不仅限于这些实施例，可以使用任何计算机语言或计算机系统来实现。

在优选的实施例中，系统实现了ELICIT^TM以模拟大夫的决策过程。系统是一个供消费者在因特网上使用的医疗/健康自我评估软件应用程序。消费者包括用户、学生、专业人士和任何关心健康问题的人。此外，系统在Web上建立，允许用户通过任何Web网络(如因特网)访问系统。系统在因特网上提供健康信息和服务。优选情况下，系统位于一个关注健康问题的Web站点，在此消费者可以诊断其自己的健康状况，获取特定的健康或医疗信息，并访问各种与健康相关的服务。系统将显示可能的诊断集，然后直观地将它们链接到特定的和可用的医疗信息。此“智能”信息包括治疗、丹方、处方药和非处方药、健康保险、健康产品制造商、医院、本地药房、支持组等。系统是一个健康自我诊断工具，可供消费者在因特网上使用，在此他们几乎可以立即与“虚拟医生”进行交互，并获取有关他们的健康状况或健康查询的自我诊断可能性。

图5显示了本发明的一个实施例的“最终实现”。例如，如果一个消费者(因特网冲浪者)受了伤，有慢性病或某些疾病，他们可以登录到一个主站点，回答一些查询以建立一个可能的诊断集(一个可能性集)，并将他们链接到下列“智能搜索”到的信息，包括，但不仅限于，特定的诊断、当前治疗法、可用的丹方、有关该领域的专家的信息、健康保险、基于健康保险与专家/大夫进行预约、从本地药房购买非处方药的在线票据、有关本地药房的信息，有关本地物理治疗专家的信息，内科医生目录、支持组、健康记录、其他医疗信息以及与其他信息的链接。

本发明系统将诸如“模糊逻辑”之类的专家系统概念应用到大夫决策过程。系统是一个在线大夫模拟器(OPE^TM)，在自我评估软件程序上使用了叫做ELICIT^TM的模糊逻辑的变种。在一个优选的实施例中，自我诊断应用程序软件是交互式的，在Web上，并提出问题，类似于大夫作健康记录或与病人进行初次见面，以缩小诊断可能性以及验证诊断需要进行的检验。对此应用程序编程使用的算法是唯一的，并使用了专家系统和它们的应用程序中的新颖的概念。

系统基于消费者自己对系统查询作出的回答提供了交互式诊断可能性。系统提供了许多可能的诊断。例如，如果有三个相对来说最接近于可能性最大的诊断的诊断，那么所有三个诊断都会显示出来。系统会将消费者链接到有关任何诊断的信息。系统可以基于诊断出的疾病显示一个手术剪辑(即，相关的视频剪辑)或一个物理治疗剪辑。因此消费者可以避免从一大堆的医疗信息、网页和杂志文章中进行筛选。他们也不必在“虚拟”队伍中等待以询问“赛博”医生有关病情，由于病人-医生之间的法律问题，这些病情在信息内容中是受限制的。系统是交互式的，允许消费者通过因特网查找智能信息以进行健康自我评估。

图6显示了收集专家数据(主要偏差值)的过程的流程图。系统通过将专家数据封装在加权数据(主要偏差值)中，使得专家数据收集和处理标准化。数据的模块化可使系统无需太多的重新设计即可顺利而迅速地改装和扩展。

系统使用一个模糊算法，在它的编程中是生成的也是相关的。系统的ELICIT^TM“算法42”(参见下文)就它创建了诊断可能性的模糊输出这一点来说是生成的。系统的模糊算法又是相关的，因为它跟踪回答的当前状态，以及针对回答的采取操作和诊断的输出。软件程序利用了两个ELICIT^TM集和另一个3-D阵列算法(相互生成的算法)中的第三个集的模糊加权平均变种或ELICIT^TM加权平均。

第一个ELICIT^TM集包括特定的解剖位置或特定的医学领域(例如，皮肤科、整形外科等)的备选诊断(即，可能性)。第二个ELICIT^TM集包括与第一个ELICIT^TM集相关的查询(即，对可能性集的检验)。第三个ELICIT^TM集包括独有的可能性因素，被称为偏差值或偏差(B)，它们最初是由专家(例如，医学博士或专科医生)，并反映针对每个特定备选诊断的查询的预言值相对于可能性集中的其他备选诊断的相对度的专家见解(即，专家设想的可能性或相关性，而不是总概率)。这些主要偏差值将根据用户对查询的回答激活并且在某些情况下进行加权平均。

图7显示了一个电子表格，包括上面描述的三个ELICIT^TM集，包括一个专家确定的模糊主要偏差数据集，包括从10到90的相对偏差值(在示例中显示)。

该系统允许用户改变默认回答参数以生成一个梯度回答，从而使ELICIT^TM算法更准确。

图8显示了如何根据本发明使用一个编辑窗口设置个人属性和用户回答分级(即，梯度用户回答值)。此图说明了专利申请者的模拟一个真实的“虚拟医生”的经验的新颖方法的各个方面。例如，用户还可以针对系统接受的回答建立个人属性。用户可能需要用一个“也许”回答一个查询。然而，一个用户对“也许”的定义可能不同于另一个用户的定义。同样，对用户回答分级的精细调整是另一个全新的方案，使在线大夫模拟器更准确。此图显示了用户将“模糊度”引入本发明系统的过程：用户选择一个介于0.1和9.9之间的回答分级，因此提高了本发明系统的准确性。由于本发明程序使用了用户回答分级作为主要偏差值的“修正系数”(简单得像“活化剂”)，因此准确性得到提高。

本发明的计算机和在线应用程序；在线大夫模拟器(“OPE^TM”)

消费者没有一个智能、快速和可靠的方法用于访问医疗健康信息服务。本发明通过创建一个软件程序满足了这一需要，该软件程序能够有创造性地在线模拟大夫决策过程并将消费者/用户链接到特定的健康信息和服务。消费者可以使用计算机或掌上电子设备访问因特网。本发明的软件程序也可以在独立的计算机系统中使用。

本发明的装置是一台计算机或计算机网络，网络包括一台服务器，至少包括一个通过网络连接装置(用户调制解调器)连接到该服务器的用户子系统。虽然被称为调制解调器，但是用户调制解调器也可以是任何其他可以进行网络通信的通信装置，例如以太网链路。调制解调器可以通过各种连接装置连接到服务器，包括公共陆地电话线路、专用数据线路、蜂窝链路、微波链路或卫星通信。

服务器本质上是一台高容量、高速度的计算机，它包括一个连接到一个或多个关系数据库的处理单元，该数据库包括专家生成的主要偏差数据，查询(查询数据)和备选可能性(可能性数据，例如，诊断)。其他数据库也可以添加到服务器中。例如，在进行自我医疗诊断的情况下，理想的数据库可以包括包含下列各项的数据库：诊断的原因；诊断的治疗；在诊断领域的新的开发；与诊断相关的支持组等。连接到处理单元的还有足够的内存和适当的通信硬件。通信硬件可以是调制解调器、以太网连接或任何其他合适的通信硬件。虽然服务器可以是一个有单个处理单元的计算机，但是服务器也可以横跨多个网络计算机，每台网络计算机都有其处理器并有一个或多个数据库。

除了上文描述的元素外，服务器还进一步包括一个操作系统和通信软件，以使服务器与其他计算机进行通信。可以使用各种操作系统和通信软件。例如，操作系统可以是Microsoft Windows NT^TM，通信软件可以是Microsoft IIS^TM(因特网信息服务器)服务器并带有相关的程序。

服务器上的数据库包含使装置和过程工作必需的信息。专家生成的主要偏差数据库，查询(查询数据)数据库，以及备选可能性(可能性数据，例如，诊断)数据库都是相关的，以使主要偏差数据库包含专家得出的值，这些值唯一地与特定的备选可能性(在可能性数据库中)相关联，并反映针对特定备选可能性的特定查询(在查询数据库中)的预言值相对于可能性集中的其他备选可能性的相对度的专家见解。数据库可以使用市场上可以买到的数据库软件，如MicrosoftAccess^TM、Oracle^TM、Microsoft SQL^TM 6.5版本等建立和访问。

用户子系统一般包括连接到存储装置、通信控制器，以及显示控制器的处理器。显示控制器运行一个显示器，通过该显示器用户与子系统进行交互。本质上，用户子系统是一台能够运行软件的计算机，它提供与服务器进行通信的手段。例如，该软件是一个因特网Web浏览器，如Microsoft Internet Explorer、Netscape Navigator或其他合适的因特网Web浏览器。用户子系统可以是一台计算机或手提电子设备，如可以进行因特网访问的电话或其他设备。

图9显示了一个基本计算机模型，上面有中央处理单元(“CPU”)、硬存储(“硬盘”)，软存储(“内存”)，和输入和输出接口(“输入/输出”)。一个消费者/用户在用户界面对特定的健康信息感兴趣，访问健康服务，或者关心最近的伤情或疾病。他们登录到一个主站点之后，将显示出一个主窗口屏幕，该窗口提供选项以作为一个注册用户登录，使用“智能”搜索，或直接访问“在线大夫模拟器”(“OPE^TM”)界面。

图10显示了“在线大夫模拟器”(“OPE^TM”)的一般描述，它是本发明的优选实施例。该图显示了通过因特网在医学领域内进行决策的方法的装置和实现(即，OPE^TM)。用户首先访问“主屏幕”。在主屏幕，用户可以作为“成员”登录，进行一般搜索，或直接访问OPE^TM或“虚拟医生”。此图描述了如下过程和顺序：进入本发明的OPE^TM系统；登录到系统；设置回答分级选项；输入基本健康信息；输入主诉；选择健康问题的领域或状况；回答该系统提出的查询；接收一个决策(该决策包括可能性集中的备选诊断可能性的分级)，评估和读取原因和治疗的相关健康信息，以及其他相关的健康信息。

图11显示了一个根据本发明的“登录/进入”过程，以及一个“登录/输入基本健康统计信息”屏幕。该图以流程图的形式显示了如下过程：用户登录到OPE^TM系统，设置各种个人选项，如“虚拟医生”的个性，查看个人健康历史记录，查看以前使用该系统的情况，输入基本个人健康信息以及设置回答分级选项。除了其他选项以外，登录窗口还可让消费者更新他们的基本个人和健康数据(年龄、性别、身高、体重等)，选择医生个性基本特征，或成为该服务的正式成员。作为一个正式成员，消费者有权收到新闻简报，访问他们的健康记录，以及享受其他特色服务。登录信息存储在数据库中。

图12显示了“智能”搜索过程。“智能”搜索窗口可使用户输入全文字搜索请求和选择特定的参数。当用户提交搜索请求之后，一个“解析程序”将对该请求进行评估，并可能返回一个查询以帮助缩小搜索范围。然后，将使用ELICIT^TM根据输入的搜索参数按照相关性由高到低的顺序对搜索结果进行分级。

本发明系统还包括一个个性化的“虚拟医生”界面，上面带有可选择的大夫个性特征。基本上所有的查询都针对选择的大夫的个性相应地进行了“回火”，并反映一般特征，如幽默、学识渊博、简明。“虚拟医生”界面会提示用户输入基本个人和健康信息(年龄、性别等)，选择虚拟医生个性，以及设置个人(用户)回答分级。该界面能识别选择，并访问查询该选择的对象数据库(“QOD”)。所有个性查询都作为基础查询数据库的组成部分存储，而其他个性品质都可以在程序内进行操纵。对于一般用户，此信息无法再次检索到，而必须在每次访问站点时重新输入。因此，建议进行注册，也必须进行注册。

设置回答分级是本发明的另一个创新，并可使在线大夫模拟器更准确。上文详细讨论的图8显示了选择用户回答值或分级的过程。通过将这样的梯度值或“模糊度”引入到系统中，准确性进一步地提高。此外，突出的概念是不同的用户对特定的查询的回答是不同的，某些回答在这样的用户或消费者中表示不同的含义。例如，回答“也许”对一个人来说可能“是”的成份多一些，而对另一个人可能“否”的成份多一些。在“模糊”数字方面，“是”表示一(“1”)，而“否”表示零(“0”)。“也许”可能表示0.5、0.4或0.6，具体情况视特定的用户而定。因此，用户回答值编辑器/窗口允许任何用户建立个性化的梯度回答。本发明的这一独特而新颖的特点意义是非常重大的，因为程序会使用用户回答值/分级作为专家提供的主要偏差值的修正系数，从而可创建更准确的决策(例如，诊断)。

在基本健康信息、“虚拟医生”个性特征，和用户回答值/分级建立之后，将给用户显示一个一般窗口，在此用户可以选择一个最接近于用户体验到的病情或疾病的医学专业领域(参见图10)。窗口的一般形式包括可选择的“按钮”，上面标有特定的领域或专业(例如，骨科和肌肉/整形外科、皮疹和皮肤问题/皮肤病科)。选择特定的领域之后，用户将得到一个提示：选择疼痛或疾病所在的身体的特定区域(即，位置)(参见图10和14)。在某些情况下，程序将提示选择其他区域，并作为在与“虚拟医生”会面时提出的查询，程序将要求用户选择触痛、肿胀和其他身体特定的症状所在的区域(参见图14)。

“在线大夫模拟器”过程从“病人初始会面”过程开始。然后提出查询(Q_x)，要求用户选择对每个查询(Q)的回答(R)。每个查询集都在提供每个诊断领域或疾病领域的相关查询的一个或多个专家或大夫取得一致的基础上进行了标准排序。

图13显示了根据本发明如何处理用户对查询集的回答。用户提交所有的回答(Rz)之后，本系统的新颖的算法将对特定的诊断病情和位置的回答进行评估。完成计算之后，在一个新窗口中将显示一个最前面的(根据相对可能性)3个或4个诊断可能性的列表。所有的回答和评估将作为历史记录存储起来，以便用户返回到Web站点之后参考，以及供专家验证数据集使用，以及由该系统用于模拟存储的体验等。

在优选的实施例中，只要合适，就使用图片帮助用户确定疾病的位置。图14显示了使用图片帮助确定诊断查询区域的示例。

诊断膝部疾病。在下面的表II中显示了一个膝部诊断的示例(即，根据本发明的决策)，包括分级的(即，根据可能性)备选诊断集。

表II

％可能性病情诊断

92.5 ACL撕裂

78.5 膝盖骨脱臼

41.4 MCL扭伤

23.05 变性关节炎

13.9 关节炎

用户获取了包括分级(根据相对可能性)的备选可能性(即，备选诊断)集的决策(如上面的示例)之后，用户还可以选择一个特定的分级诊断以进一步调查，并获取更多相关的信息。例如，用户可以获取一个特定分级诊断的定义、原因和治疗：

定义：前十字韧带撕裂。前十字韧带是膝部四个主韧带之一。与后十字韧带一起，它帮助控制股骨和胫骨的前/后(向前和向后)移动。它主要负责运动中扭曲移动的稳定性。不幸的是，它经常容易受伤。

原因：前十字韧带(ACL)常常容易被扭伤。例如，如果固定住右脚，并且身体向左或向右旋转，那么ACL就可能会被撕裂。过度地伸展膝部也会使ACL受伤(这也会使后十字韧带受伤)。膝部的内侧或外侧受到压力，如当跑步者被膝部的侧面的钢盔撞击，就有可能撕裂副韧带，然后撕裂前十字韧带。如果膝部的外侧受到压力，就有可能会撕裂中间副韧带，前十字韧带，以及外侧半月板。如果前十字韧带被撕裂，那么人通常会感到直接的疼痛和肿胀。时常会感觉到“砰砰”声或弹响。走路会很困难，膝部可能会感觉到不稳，就好像要塌陷。由于肿胀膝部可能会难以或无法伸直。

治疗：ACL撕裂的治疗最初要使用冰块并将膝部提升到高于心脏。应该从专业医务人士那里寻求治疗。膝部肿大，僵硬，X光透视结果会排除骨折的可能性。通常应用固定器以防止伤势进一步严重。当怀疑是ACL撕裂时，需要整形外科医师对病人进行评估。需要对膝部进行操纵以检验稳定性，并确定治疗计划。可能需要MRI扫描以更好地可视化对ACL和关联的结构的伤害的程度。

在优选的实施例中，对系统应用了一个交互格式，一般公众可以通过Web上(如因特网上)的网络对该格式进行访问。图15显示了“在线大夫模拟器”(“OPE”)的屏幕抓图示例。在其他实施例中，系统使用了有形的检验数据以进一步收缩诊断的范围。

图16显示了示例会面和诊断，如Web页所示。一个示例会面或可能向用户提出的查询集如下所示：您感觉如何？；什么地方痛？当您这样移动时疼吗？让我给您检查一下...；哪里触痛？；触痛的感觉是什么样的？；好，从您告诉我的病情来看，我认为您得了[决策/诊断]，让我给您多讲一点(即，治疗、丹方、药物、保险等)。

在优选的实施例中，系统是作为一个完全的、交互式服务来实现的，将诊断链接到有关治疗、原因、保健、保险、药物、专科医生等“智能”信息(参见下文)。分级诊断带有超级链接，允许用户“单击”并获取有关特定诊断的更多信息。相应地，用户被指向更多窗口，在那里他们可以了解有关治疗、药物、丹方、运动、治疗和其他相关信息。除了信息外，用户也可以访问相关的健康服务，健康保险、大夫目录、与专科医生进行预约，以及其他相关的服务(参见图10和5)。其他功能包括，为本地药房打印非处方药物的票据，获取到该药房的方位图，通过安全的连接直接与保险计划的大夫进行交互，允许大夫在线给用户开处方。图5用图解法说明了本发明的一个优选实施例的“最终实现”。

使用ELICIT^TM和“算法42”(参见下面的示例1)模拟大夫决策过程对症状的诊断更准确。ELICIT^TM可用于所有医疗和健康专业。该过程是全新而独特的。有已经标准化了多个层次的过程，可允许本发明及其内容高效而快速地实现。这些过程包括收集专家数据，开发每个专业内数据概念标准，以反映模糊逻辑的适应性使用。此外，其他过程还包括通过实验原型和在Web上输入、编辑和检验专家数据。

编辑专家数据。可以编辑和修改专家数据。图18显示了专家数据编辑屏幕。一个专家登录，并可以输入示例调查表，必要时评估和编辑数据。

图19显示了一个可能的可修改的查询的列表示例。

图20显示了被检验的查询的评估示例。

图25显示了根据本发明专家如何修改一个或多个特定查询/诊断关系对的主要偏差数据、查询、以及在所说的修改之后立即重新评估可能性值以检验备选可能性或诊断的可能的分级。

专家数据可以从单个专家那里搜集，也可以从一组专家那里搜集。最初只需要一个专家提供主要偏差数据并对其进行修改以提高准确性。将检查该单个专家或一组专家的ELICIT^TM概念的掌握情况，并对它们进行使用专家应用程序的培训。专家必须首先理解输入本发明特定的专家数据的方法和概念，以提供所需要的主要偏差数据，以满足算法和逻辑要求。所有的数据最初是使用阵列格式开发和搜集的，在该格式中，一个轴上是查询，另一个轴上是诊断或病情。

在开发查询集和将查询集(子集)标准化时将使用标准。查询必须与确定病情集中的诊断或病情相关，并且在各个诊断之间比较有价值(相关)。查询可检验一个症状、一个事件或病情。查询可以是直接的，也可以是间接的。查询可以按预定义的症状组、事件组或条件组的子集进行分组。可以针对诊断集(即，可能性集)清楚地对查询进行评估。

在备选实施例中，系统的软件的格式和实现是使用数据库中的查询对象(“QOD”)作为存储查询数据的基础。QOD将包含查询、解释的全部文字，媒体对象，如视频剪辑和声音、大夫个性基本特征，尤其还包括每个相关诊断的主要偏差数据。

图27显示了根据本发明的数据库中的查询对象(“QOD”)的格式。此图说明了一个用于在关系数据库中存储主要偏差数据(B)、查询(Q)和备选可能性或诊断(D)的方法。在QOD方法中表示了合并新数据和概念以及将信息关联和允许更新的灵活性。查询表示备选之间的一个和主要检验，在关联决策过程中需要的信息方面起着关键作用。这里，与查询有关的各种形式的信息，查询本身的各种变化，主要偏差数据(B)，诊断依赖关系(“ADM”)，个性特征查询，专家输入的对特定查询的默认回答、语音、视频、关键词和其他类型的相关信息都存储在QOD中。

主要偏差值。启发式平稳数据或比较标量数据用作主要偏差数据(B_d)。主要偏差值反映针对特定备选可能性的查询的预言值相对于可能性集中的其他备选可能性的相对度的专家见解(即，一个症状适用于一个特定诊断(D)的程度)，并是为每个查询(O)/诊断(D)对建立的，然后由用户回答值(R)修改。偏差数据必须在一定程度上反映诊断集中的所有诊断之间的相对预言值，因此权衡查询对诊断的重要性和值。本质上，主要偏差值反映专家的经验的对象，并捕获一个特定病情的专家的概念上的“偏差”。主要偏差值表示的知识是隐式的而不是显式的。在优选的实施例中，使用0到100之间的刻度来评估和确定主要偏差数据的比较值。在其他实施例中，使用了一个不同的刻度，刻度有一定的范围。主要偏差数据是标量的和可修改的。

对于对应的备选可能性，选择了主要偏差值的相对值反映对一个给定的查询的回答的非否定值(即，非零)的预言值的程度。

绝对依赖关系。如果查询相对于一个特定诊断的结果或确定特别有价值或信息丰富，那么一个专家或多个专家在查询和特定诊断之间建立一种绝对依赖关系。即，如果用户对一个查询的绝对否定回答或绝对肯定回答对于特定诊断的准确性至关重要，那么就建立/调用绝对依赖关系。绝对依赖关系反映了这样的事实：某些查询(Q)相对于其他查询对一个特定诊断特别重要。相应地，例如，对一个查询(为该查询指定了对于一个特定诊断的绝对依赖关系)的绝对肯定回答(+R)大大地转移了此诊断相对于其他没有给查询指定依赖关系的诊断的加权平均分数。此过程还具有增强对于特定诊断特别有用的回答的效果。

专家数据将被转换成系统能够读取的数据格式。在优选的实施例中，主要偏差数据从阵列或电子表格格式的转换是通过“脚本”(参见下文中的示例1)。该过程包括将原型数据导出到文本，以使WebCGI脚本可以解析该数据。

在优选的实施例中，系统的算法是在Web上使用Perl和CGI实现的。算法和ELICIT^TM逻辑转换成Web是使用Perl和CGI脚本进行的，那些精通相关技术的人将会熟悉。程序将要标准化，以利用数据集。

图28和29显示了CGI(公共网关接口脚本语言)脚本的静态ELICIT^TM数据集的格式。每个数据集都表示一个病情或疾病的位置，以及该病情的所有诊断，以及所有相关的查询，依赖关系和逻辑系数。

附录A提供了一个用Perl脚本语言编写的程序脚本的示例。程序由CGI服务器用来处理系统数据集。

基于“模糊逻辑”和“基于知识的系统”概念的新颖的“智能”搜索功能

如上文所讨论，用户可以获取与特定分级诊断相关的目标信息。为此，系统将基于输入的和选择的搜索参数把“模糊逻辑”和“基于知识的系统”概念的变种应用到分级诊断结果。这样，基于搜索的方式和内容、诊断的原因、诊断的治疗，在诊断的领域的新的开发，与诊断相关的支持组等，获取广泛而精选的相关信息。在备选实施例中，系统包括一个也基于“模糊逻辑”和“基于知识”概念的交互式搜索反馈循环。为一个搜索输入信息之后，交互式回答发出一个查询以帮助进一步收缩和/或开发搜索条件，并获取“智能”信息。或者，系统使用当前人们熟悉的文字“解析”技术，结合“模糊逻辑”和“基于知识的系统”概念，以直观地评估和确定是否启动查询和/或显示特定的“智能”信息。图12显示了本发明的“智能”搜索过程。系统应用解析技术以进一步提高“交互”质量，并进行更快速和直观的信息收集。用户输入的语句/查询被解析，并确定合适的回答：获取信息；开始诊断查询；或购买产品。

示例1

使用ELICIT^TM数据集和ELICIT^TM规则模拟大夫的决策的新颖算法

此示例描述了一个算法(“算法42”)，该算法使用ELICIT^TM数据集和ELICIT^TM规则处理用户回答以作出决策，该决策包括分级备选可能性集(例如，分级备选诊断集)。“算法42”和“模糊”ELICIT^TM数据集和ELICIT^TM规则用来根据可能性对备选可能性进行分级。

ELICIT^TM数据集和ELICIT^TM规则，如上文和下文所讨论的，用于本发明的算法中以模拟大夫如何根据病人的回答推断诊断。与任何人一样，大夫在得到病人的回答之后加以衡量，并计算和评估每个回答是否说明了涉及诊断的结论的可接受的“猜测”，或者如果应该提出更多的查询，其他查询是否有助于进一步评估回答。系统的基于ELICIT^TM的“算法42”定义如下：

“算法42”的术语定义和范围：

变量定义

Q＝	Query，查询、位置检查、症状检验、可能性检验(格式＝文字，例如，“有伤吗？”)
Q＝	Query，查询、位置检查、症状检验、可能性检验(格式＝文字，例如，“有伤吗？”)	D＝	Diagnosis，病情、输出、可能的备选、可能性(格式＝文字，例如，“ACL撕裂”)
R＝	Response to Q，结果、对查询的输入，定性或定量的数据(格式＝文字或数字，例如“是”，“也许”，“否”)	D＝	Diagnosis，病情、输出、可能的备选、可能性(格式＝文字，例如，“ACL撕裂”)
R＝	Response to Q，结果、对查询的输入，定性或定量的数据(格式＝文字或数字，例如“是”，“也许”，“否”)	RM	Response Modifier(回答修正系数)，修改偏差，(格式＝数字，范围＝0到N)
AD	Absolute Dependency(绝对依赖关系)，诊断依赖关系(格式＝文字，例如，“ACL撕裂”)	RM	Response Modifier(回答修正系数)，修改偏差，(格式＝数字，范围＝0到N)
AD	Absolute Dependency(绝对依赖关系)，诊断依赖关系(格式＝文字，例如，“ACL撕裂”)	ADM＝	Absolute Dependency Modifier(绝对依赖关系修正系数)(格式＝数字，范围＜-1或范围＞1)
B	Bias-反映一种数据，该数据在所有的诊断(D)之间推断出一个特定的查询(Q)对于一个特定的诊断(D)比其他诊断(D)“可能性/相关性较大”或“可能性/相关性较小”。平稳的数据、经验、标量数据、专家数据、ELICIT^TM数据集。(格式＝数字，范围介于0到100之间或文字，一个定性范围)	ADM＝	Absolute Dependency Modifier(绝对依赖关系修正系数)(格式＝数字，范围＜-1或范围＞1)

q＝Q_y；1到查询的数量(数字)

d＝D_x；1到诊断的数量(数字)

r＝R_z；1到对一个特定查询(Q)的回答的数量(数字)

r＝1；默认回答

RM_q(r)＝0；绝对否定回答，当r＝1时(例如，R＝“否”或R＝“决不”)

RM_q(r)＝1；绝对肯定回答，当r＝总数r时(例如，R＝“是”或R＝“始终”)

B(D_x，Q_y，R_z)＝3D ELICIT^TM数据集中的偏差数据集。

B_d(q)＝B(d，q，r)，对于r＝1(默认回答)；

(偏差数据阵列，诊断(D)与查询(Q)的偏差)

B_d ^I(q)＝每个诊断(D)的偏差的总和

B_d ^*(q)＝每个诊断的(D)的加权平均偏差

“算法42”的算法过程：for each d：d＝1 to t：；determine the possibility for eachDiagnosis(D)

find

{B_{d}}^{I} (q) = \overset{n}{Σ} B_{d} (q)

t＝total number of diagnoses

；Total bias sum，for n＝total positiveresponses

q＝1

find

{B_{d}}^{*} (q) = [{Σ B_{d}}_{q = 1}^{n} (q)] / n

；Average bias

or B_d ^*(q)＝B_d ^I(q)/n，；Average bias，for n＝total positiveresponses.

for q＝1 to nfor eachq：q＝1 to t：loop ；for each query，t＝total queries

ifR＝″Yes″or″Always″or″any absolute positive responses″；

set n＝n+1 ；increment n，n＝total positiveresponses

ifAD_d(q)＝D(q) ；if dependency existsfor diagnosis

set ADM_d(q)to＞1 ；set modifier to increase possibility

B_d(q)＝B_d(q)·ADM_d(q) ；modify the Bias to reflectdependency

Else

set RM_(q)(r)＝1；；absolute positive response

B_d(q)＝B_d(q)·RM_(q)(r) ；modify the bias based on response

B_d ^I(q)＝B_d ^I(q)+B_d(q) ；add bias value to total bias

Else

ifR＝″No″or″Never″or″any absolute negative responses″

setn＝n ；donotincrement n

set RM_(q)(r)＝0；；absolute negative responses

if AD_d(q)＝D(q) ；if dependency exists for diagnosis

set ADM_d(q)to＜0 or-1 ；set modifierto decrease possibility

B_d(q)＝B_d(q)·ADM_d(q)；modify the Bias toreflectdependency

B_d ^I(q)＝B_d ^I(q)+(B_d(q))；modified dependent bias subtracted

from total sum to reflect a decrease

in possibility，(bias value)is

negative

Else

B_d(q)＝B_d(q)·RM_(q)(r)；the Bias data＝0，is not added tothe sum

or

B_d(q)＝B_d(q)·0 ；because the result is zero，no

increase to total bias sum

E1se(for R＝″all other positive responses″)

setn＝n+1 ；incrementn，n＝totalpositive

responses

B_d(q)＝B_d(q)·RM_(q)(r) ；modify the bias based on response

B_d ^I(q)＝B_d ^I(q)+B_d(q) ；add bias value to total biasEnd loop after t＝total queriesCalculate B_d ^*(q)＝B_d ^I(q)/n，；Average bias for dDonextd

“算法42”的算法状态；标量范围，可能性状态和可能性分数图17显示了标量范围、标尺和可能性分数。算法状态是：非依赖状态肯定回答＝(B_d(q)·RM_q(r))/n；set n＝n+1默认或“否”＝(B_d(q)·0)/n；set n＝n依赖状态绝对否定＝[ B _d ^I (q)+(B_d(q)·ADM_d(q))]/n；n＝n，where RM_q(r)＝0，set

ADM＜0绝对肯定＝(B_d(q)·ADM_d(q))/n；n＝n+1，where RM_q(r)＝1，set ADM＞1

“算法42”的脚本实现该算法用脚本实现如下：

Reset queries responded，set n＝0
Reset average bias for next diagnosis，set Bd*(q)＝0
Reset current response to not responded，default of absolute negative；setRMq(r)＝0
For each diagnoses d＝1 to total diagnosis，calculate possibility until d＝total diagnoses
Loop
  For each query q＝1 to total queries，check responses until q＝total queries

        If current response to query＝“yes”or“always”or“any absolute positive
response”

　　           Add 1 to(queries)queries responded

　　           Cheek for dependency

　　           If dependency exists
				
				<dp n="d40"/>
　　                  Set dependency modifier to＞1；

　　                        (Default＝1.25，an increase of 25％)

　　                  Modify Bias by absolute dependency modifier

　　           Else

　　                  If diagnostic dependency does not exist

　　                         Get response modifier

　　                                (Default＝1，for absolute positive response，i.e.，

　　                         “Yes”)

　　                          Modify the Bias by theresponse modifier；

　　                  Endif

　　           Endif

　　   Else

　　    If current response to query＝“No”or“Never”or“any absolute negative
response”

　　           Note：do not add 1 to queries responded

　　           Check for dependency

　　           If diagnostic dependency exists

　　                  Set dependency modifierto＜0；

　　                         (Default＝-1)

　　                  Modify the Bias by absolute dependency modifier

　　                  Add modified(negative)Bias to total sum of Biases，reducing sum

　　           Else(for all other current responses that are positive)

　　                  Add 1 to queries responded

　　                  Getresponse modifier

　　                        (Forresponses＝”Sometimes，”modifier＝.75

　　                                    “Maybe，”modiffer＝.45

　　                                    “Don’t remember”＝.2)

　　                  Modify the Bias by the response modifier

　　           End if

　　   Endif
  Add Modified Bias to Total sum of Biases
  Next q，until q＝total responses asked
  Calculate Average Possibility for Diagnosis；

　　   Possibility＝Total Sum of Biases/Total queries(queries)responded
EndLoop

相关算法脚本的偏差数据、用户回答修正系数、绝对依赖关系和结果示例

相关算法脚本(“算法42”)偏差数据、用户回答修正系数、绝对依赖关系和的结果示例如下所示：

偏差＝B(D_x，D_y)

	D₁	D₂	D₃
	D₁	D₂	D₃	Q₁	80	5	25
Q₂	25	50	90	Q₁	80	5	25
Q₂	25	50	90	Q₃	95	65	10

回答修正系数＝RM_q(r)

	R₁	R₂	R₃
	R₁	R₂	R₃	Q₁	0	.75	1
Q₂	0	.45	1	Q₁	0	.75	1
Q₂	0	.45	1	Q₃	0	.2	1

Q₁＝“现在疼吗？”可能的回答R＝“否”(默认)，“有时”，“是”

Q₂＝“稍后疼吗？”可能的回答R＝“否”(默认)，“也许”，“是”

Q₃＝“早些时候疼吗？”可能的回答R＝“否”(默认)，“记不清”，“是”

其中

Q₂是D₁的绝对依赖关系(诊断上依赖于)

Q₃是D₂的绝对依赖关系(诊断上依赖于)

对查询Q₁的回答(R)＝“是”，回答修正系数＝R₃＝1

对查询Q₂的回答(R)＝“否”，这是默认值，表示未回答Q₂：

回答修正系数＝R₁＝0

对查询Q₃的回答(R)＝“记不清”，回答修正系数＝R₂＝.2

算法脚本的结果：

对于D₁或d＝1；

B(D₁，Q₁)＝80

B(D₁，Q₂)＝-25

B(D₁，Q₃)＝19

B₁ ^I(q)＝80；对于q＝1

由于Q₂依赖于D₁并且未对它作出回答，绝对否定

ADM_d(q)被设置为-1，对于q＝2

用：B_d(q)＝B_d(q)·ADM_d(q)得到-25

用：B_d ^I(q)＝B_d ^I(q)+B_d(q)得到55

B_d ^I(q)＝55

用：B_d(q)＝B_d(q)·RM_q(r)对于q＝3得到19

B₁ ^I(q)＝74

用：

B d^{*} (q) = [Σ_{q = 1}^{n} B_{d} (q)] / n;

求平均值

B₁ ^*(q)或B(D₁)＝37％对于n＝2个回答的查询，诊断D1的可能性

结论

本发明根据一组备选可能性的相对可能性将它们分级，基于对人的决策的模拟，提供一种进行决策的过程、装置和方法。本发明的方法根据专家得出的主要偏差值将用户对查询的回答或“症状”关联以对一组备选可能性进行分级。本发明适用于表现出“症状”的任何主题或问题领域。症状包括检验结果，或对查询的回答。

本发明不使用“如果-那么”(显式或以别的方式)规则、决策树基于概率或统计数据的可能性比例。而是使用具有备选可能性的隐式知识的专家提供的概念上的主要偏差值，其中每个主要偏差值都与一个特定备选可能性相关联，并反映针对特定备选可能性的查询的预言值相对于可能性集中的其他备选可能性的相对度的专家见解、直觉和经验。

本发明不仅限于单一状态，它可包含本发明范围内的所有实施例。在本发明的备选实施例中，系统使用全文字解析。在本发明的另一个实施例中，系统使用声音识别作为在线大夫模拟器的界面。

包含的应用程序平台不仅包括因特网，而且还包括教学医院的独立形式，在此本发明可以充当“第二意见”大夫。此外，本程序也可以作为专业医务人士的高端教学工具。系统还可以用于HMO环境中。系统可以评估病人的症状，确定合适的检验，直到收到诊断和为该病人口述处方和剂量。本发明可以在避免误诊和进行过多检验方面节省数百万元。

尽管这里所描述的被认为是本发明的优选的和示范实施例，但是对本发明进行其他修改对于那些具有本技术的普通技能的人也是显而易见的。因此，在本发明的范围内以及不偏移本发明精神的情况下可以进行各种更改和扩展。本发明应被解释为包括说明书范围内的所有实施例。此外，一个具有本技术的普通技能的人也会轻易地知道，在不偏离本发明的精神和范围的情况下，可以用其他应用程序替代本发明所阐述的应用程序。

附录A

#！/usr/bin/perl-w
$html_title＝$0；
$html_title＝～s/.*V(\w+)$/$1/；
$cgi_name＝$html_title；
$html_title＝～s/_//g；
$[＝1；
$debug＝0；
$answercookiename＝″chaincookie″；
$answercookiefilter＝″[-0123456789：.]+″；
$levelcookiename＝″chainlevel″；
@questions_2b_asked＝()；
($hum_questions，$num_conditions，$max_level)＝read_dat_file()；
if($debug){addbody(″#questions＝$num_questions，#conditions＝$num_conditions，max
lvl＝$max_level<br＞\n″)；}
($first_unanswered_question，$level)＝get_state_from_cookie($num_questions)；
if($debug){
addbody(″get_state_from_cookie：first＝$first_unanswered_question，level＝$level＜br＞\n″)；}
update_state_from_form()；
$new_answercookie＝join(″：″，@answers)；
$new_levelcookie＝$level+1；
if($debug){
  addbody(″new_level＝$new_levelcookie\n＜br>″)；
  addbody(″new answer cookie＝$new_answercookie\n″)；
  if($new_answercookie＝～/$answercookiefilter/){

　　addbody(″new_answercookie passed filter\n″)；
  }
}
if($debug){addbody(″\n\n\n″)；}
				
				<dp n="d45"/>
if($level＞$max_level){
  while(($diag，$factor_list)＝each％condition){
   if($debug){addbody(″$diag(has factors $factor_list)＜br＞\n″)；}
   @factors＝split(′，′，$factor_list)；
   if($debug){addbody(″$#factors items in\@factors＜br＞\n″)；}
   $score＝0；$max＝0；$num_answers＝0；
   foreach$factor(@factors){

　　 ($question，$weight)＝$factor＝～/q(\d+)＝(\d+\.*\d*)/；

　　 $max＝$max+$weight；

　　 if($answers[$question]＞0){

　　   $score＝$score+($weight*$answers[$question])；

　　   $num_answers++；

　　 }

　　 $answer＝$answers[$question]；

　　 if($debug){addbody(″pondering$question$weight.It was\″$answer\″so new score＝
$score＜br>\n″)；}

　　 $question++；
   }
   if($num answers＝＝0){$num_answers＝1；}
   $score＝int($score/$num_answers*100)/100；
   if($debug){addbody(″final score＝$score($max max)\n″)；}
   $a{$diag}＝$score；
   $question++；
  }
  if($debug){print″\n″；}
  @unsorted＝()；
  foreach$diag(keys(％a)){
   $url＝$diag；
   $url＝～s/[\/]/_/g；
   $url＝～s/[″]//9；
   $url＝″http：//adsl-63-194-251-2.dsllsan03.pacbell.net/igotpain/$cgi_name/$url.html″；
   @unsorted＝(″$a{$diag}\t\t＜a href＝\″$url\″TARGET＝\″reference\″＞$diag＜/a＞\n″，@unsorted
)；
  }
  if($debug){addbody(″＜/PRE＞\n″)；}
  addbody(″＜PRE＞\n″)；
  addbody(″％Possibility\tCondition\n″)；
  addbody(reverse(sort sortdiags@unsorted))；
  addbody(″＜/PRE＞\n″)；
  if($debug){addbody(″＜/PRE＞\n″)；}
  addbody(″(Back to＜A HREF＝\″/igotpain/welcome.html\″TARGET＝\″reference\ ″＞vitruvian
man＜/A＞)″)；
  if($debug){addbody(″＜PRE＞\n″)；}
  $new_answercookie＝″″；
  $new_levelcookie＝″″；
}
 else{#ask another set of questions
  if($debug){addbody(″＜/PRE＞\n″)；}
  addbody(″＜FORM method＝\″POST\″action＝\″/cgi-bin/igp/$cgi_name\″＞\n″)；
  @questions_2b_asked＝build_question_list($level，$max_level，$first_unanswered_question，
$num_questions)；
  $new_answercookie＝join(″：″，@answers)；
  $new_levelcookie＝$level+1；
  if($debug){

　　addbody(″new_level＝$new_levalcookie，old_level＝$level\n＜br＞″)；

　　addbody(″new answer cookie＝$new_answercookie\n″)；

　　if($new_answercookie＝～/($answercookiefilter)/){

　　addbody(″new_answercookie passed filter\n″)；

　　}
				
				<dp n="d46"/>
  }
  $current_haader＝″″；
  foreach$qdata(@questions_2b_asked){

　　($qnum，$level，$depend，$help_ref，$question，$qheader)＝split(″xyzzy″，$qdata)；

　　if($current_header ne$qheader){

　　  $current_header＝$qheader；

　　  addbody(″＜TABLE BGCOLOR＝\″#A0A0A0\″＞＜TR＞＜TD ALIGN＝\″LEFT\″
COLSPAN＝2＞＜H2＞$current_header＜/H2＞＜/TD＞＜/TR＞\n″)；

　　}

　　addbody(″＜TR＞\n″)；

　　addbody(get_question_html(″q$qnum″，$question，$help_ref，″no″))；

　　addbody(″＜/TR＞\n″)；
  }
  addbody(″＜/TABLE＞\n″)；
  addbody(″＜input type＝\″submit\″value＝\″Proceed\″＞\n″)；
  addbody(″＜input type＝\″reset\″＞\n″)；
  addbody(″＜/FORM＞\n″)；
  if($debug){addbody(″＜PRE＞\n″)；}
}
sub sortdiags{
  ($aa)＝split(″\t″，$a)；
  ($bb)＝split(″\t″，$b)；
  #$aa＝sprintf(″％3.4d″，$aa)；
  #$bb＝sp rintf(″％3.4d″，$bb)；
  ($aa＜＝＞$bb)
}
############
###
###do the printout
###
############
&amp;printheader($new_answercookie，$new_levelcookie)；
printhtml()；
exit 0；
#XXXXXXXXX
sub build_question_list{
  local($last_lev，$max_lev，$first_q，$last_q)＝@_；
  local($qlevel，$qdepend，$dep_qnum，$dep_answer)；
  @qlist＝()；
  if($debug){addbody(″in build_question_list(last＝$last_lev，max＝$max_lev，first＝$first_q，
last＝$last_q)\n＜br＞″)；}
  foreach$qnum($first_q..$last_q){

　　if($answers[$qnum]！＝-1){

　　  if($debug){addbody(″q#$qnum skipped＜br＞\n″)；}

　　  next；

　　}

　　($iqnum，$qlevel，$qdepend)＝split(″xyzzy″，$q[$qnum])；

　　if($debug){addbody(″qnum＝$iqnum($qnum)；qlevel＝$qlevel；qdepend＝
$qdepend＜br＞\n″)；}

　　($dep_qnum，$dep_answer)＝$qdepend＝～/(\d+)([+-]*)/；

　　if($dep_answer＝～/\+/){$dep_answer＝″1″；}

　　if($dep_answer＝～/-/){$dep_answer＝″0″；}

　　if($debug){addbody(″answers[$dep_qnum]＝$answers[$dep_qnum]，
dep_qnum＝$dep_qnum，dep_answer＝$dep_answer＜BR＞\n″)；}
				
				<dp n="d47"/>
　　if($qlevel＝＝$last_lev){

　　 if($dep_qnum＝＝0‖$answers[$dep_qnum]＝＝$dep_answer){

　　  push(@qlist，$q[$qnum])；

　　  if($debug){addbody(″pushed$q[$qnum}\n″)；}

　　 }

　　}
  }
  if($debug){

　　addbody(″build_question_list＝\n″)；

　　foreach$line(@qlist){addbody(″$line\n″)；}
  }
  @qlist；
}
sub update_state_from_form{
  $n＝＜＞；
  $n＝″″unless($n)；
  if($debug){addbody(″STDIN：$n\n＜br＞″)；}
  @question_answer＝split(/&amp;/，$n)；
  foreach(@question_answer){

　　if($debug){addbodv(″$_：″)；}

　　if(/q(\d+)＝(\w+)/){

　　  ($qnum，$val)＝($1，$2)；

　　  if($debug){addbody(″$qnum＝＞$val\n″)；}

　　  if($val eq″yes″){$answers[$qnum]＝1；}

　　  if($val eq″sometimes″){$answers[$qnum]＝.75；}

　　  if($val eq″maybe″){$answers[$qnum]＝.45；}

　　  if($val eq″unknown″){$answers[$qnum]＝.2；}

　　  if($val eq″no″){$answers[$qnuum]＝0；}

　　}

　　if($n＝～/R＝yes/){$answers[$qnum]＝-1；}
  }
}
sub read_dat_file{
  local($number_of_questions，$number_of_conditions，$max_lev)＝(0，0，0)；
  local($line，$condition_name，$factors)＝(″″，″″，″″)；
  local($qnum，$qlevel，$depend，$help_ref，$question，$current_header)＝(0，0，″″，″″， ″″，″″)；
  open(DAT，″＜$cgi_name.dat″)‖die(″test.dat unreadable\n″)；
  @dat＝＜DAT＞；
  close(DAT)；
  foreach$line(@dat){

　　if($line＝～/＾″([＾″]+)″，(″\d+″，″\d+″，.*)$/){

　　  if($debug){addbody(″\n＜br＞condition line：$line″)；}

　　  ($condition_name，$line)＝($1，$2)；

　　  $number_of_conditions++；

　　  $line＝～s/″//g；

　　  @factors＝split(/，/，$line)；

　　  foreach$n(1..$#factors){$factors[$n]＝″q$n＝$factors[$n]″；}

　　  $factors＝join(″，″，@factors)；

　　  $condition{$condition_name}＝$factors；

　　  if($debug){addbody(″\％condition$condition_name＝$factors″)；}

　　}

　　elsif($line＝～/＾(\d+)(\d+)(\d+[+]*)(\w+)(.*)/){

　　  if($debug){addbody(″question line：$line″)；}

　　  ($qnum，$qlevel，$depend，$help_ref，$question)＝($1，$2，$3，$4，$5)；

　　  $q[$qnum]＝join(″xyzzy″，($qnum，$qlevel，$depend，$help_ref，$question，$current_header))；
				
				<dp n="d48"/>
　　  $number_of_questions++；

　　  if($qlevel＞$max_lev){$max_lev＝$qlevel；}

　　}

　　elsif($line＝～/＾H(.*)/){$current_header＝$1；}

　　else{

　　  if($debug){addbody(″unprocessed line：\n$line\n″)；}

　　}
  }
  if($debug){
   addbody(″number_of_questions＝$number_of_questions，number_of_conditions＝
$number_of_conditions，max_lev＝$max_lev\n″)；
  }
  ($number_of_questions，$number_of_conditions，$max_lev)；
}    
###Cookies####
sub get_state_from_cookie{
  local($qnum)＝@_；
  local($first，$qlevel)＝(1，1)；
  $env_cookie＝$ENV{HTTP_COOKIE}；
  if($debug){

　　addbody(″env_cookie＝$env_cookie\n″)；

　　addbody(″cookiefilter＝$answercookiefilter\n″)；
  }
  if($env_cookie＝～/$answercookiename＝($answercookiefilter)/){$cookie＝$1；}
  if($env_cookie＝～/$levelcookiename＝(\d+)/){$qlevel＝$1；}
  if($debug){addbody(″filtered cookie＝$cookie\n″)；}
  if($cookie){

　　@answers＝split(/：/，$cookie)；

　　until(($answers[$first]＝＝-1)‖($first＞80)){$first++；}
  }
  else{

　　foreach$n(1..$qnum){$answers[$n]＝-1；}

　　$first＝1；

　　if($debug){addbody(″initialized$qnum answers to-1\n″)；}
  }
  ($first，$qlevel)；
}
###HTML stuff###
sub get_question_html{
  local($name，$question，$help，$default)＝@_；
  local($html，$yeschecked，$nochecked)＝(″″，″″，″″)；
  if($default eq″yes″){$yeschecked＝″SELECTED″；}
  if($default eq″no″){$nochecked＝″SELECTED″；}
  $html＝″\
  ＜TD ALIGN＝\″CENTER\″＞\
  ＜SELECT NAME＝\″$name\″＞\
  ＜OPTION$yeschecked VALUE＝\″yes\″＞Yes\
  ＜OPTION VALUE＝\″sometimes\″＞Sometimes\
  ＜OPTION VALUE＝\″maybe\″＞Maybe\
  ＜OPTION VALUE＝\″unknown\″＞Don\′t remember\
  ＜OPTION$nochecked VALUE＝\″no、″＞No\
				
				<dp n="d49"/>
   ＜/SELECT＞＜/TD＞\
   ＜TD＞$question＜a href＝\″/igotpain/$cgi name/$help.html\″
  TARGET＝\″reference\″＞(help)＜/a＞＜/TD＞\
   \n″；
   return($html)；
  }
  sub addbody{

　　push(@body_lines，@_)；
  }
  sub printtitle{

　　local($title)＝@_；

　　print″＜TITLE＞$title＜/TITLE＞″；
  }
  sub printbody{

　　print″＜BODY＞″；

　　if($debug){print″＜PRE＞″；}

　　print@body_lines；

　　if($debug){print″＜/PRE＞″；}

　　print″＜/BODY＞″；
  }
  sub printhtml{

　　print″＜HTML＞\n″；

　　&amp;printtitle(″$html_title″)；

　　&amp;printbody；

　　print″＜/HTML＞\n″；
  }
  sub printheader{

　　local($cookie，$qlevel)＝@_；

　　print″Corntent-type：text/html\n″；

　　print″Set-Cookie：$answercookiename＝$cookie\n″；

　　print″Set-Cookie：$levelcookiename＝$qleyel\n″；

　　print″\n″；
  }

Claims

1.一种模拟人的决策过程的方法，包括：

(a)建立一个包括许多备选可能性的可能性集，每个备选可能性都有一个特定的属性；

(b)建立一个包括查询的查询集；

(c)使用一组由具有备选可能性知识的专家提供的主要偏差值将查询与可能性集中的每个备选可能性相关联，其特征在于每个主要偏差值都与一个特定备选可能性相关联，并基于特定的属性反映针对特定备选可能性的查询的预言值相对于可能性集中的其他备选可能性的相对度的专家见解；

(d)获取对查询的回答；

(e)基于对查询的回答和主要偏差值集确定一组对应的辅助偏差值，其特征在于每个辅助偏差值都与特定的备选可能性相关联，并反映针对特定备选可能性的查询的预言值相对于可能性集中的其他备选可能性的相对度的专家见解；以及

(f)基于辅助偏差值对可能性集中的备选可能性进行分级，以提供一个包括备选可能性集的决策，备选可能性根据可能性进行了分级。

2.根据权利要求1的方法，其特征在于确定辅助偏差值集的过程涉及基于对查询的回答增大、减小、保留对应的主要偏差值。

3.根据权利要求1的方法，其特征在于查询集包括许多查询，并且其特征在于对可能性集中的备选可能性分级涉及对主要或辅助偏差值进行求和和求平均值。

4.根据权利要求1的方法，其特征在于确定一组对应的辅助偏差值和对可能性集中的备选可能性进行分级是通过使用ELICIT^TM“算法42”核心算法处理一个或多个主要或辅助偏差值来进行的。

5.根据权利要求1的方法，其特征在于可能性集是一组备选医疗诊断，其中专家是一个医学专家，并且其中基于辅助偏差值对可能性集中的备选可能性进行分级提供了包括备选医疗诊断集的诊断，备选医疗诊断根据可能性进行了分级。

6.一种在具有处理器以及与该处理器相连接的存储设备的计算机上模拟人的决策的过程，包括：

(a)在存储在计算机的存储设备中的一个或许多电子数据库上，配置一个包括许多备选可能性的可能性集，一个包括查询的查询集，具有备选可能性的知识的专家提供的一组主要偏差值，其中每个主要偏差值都与一个特定备选可能性相关联，并反映针对特定备选可能性的查询的预言值相对于可能性集中的其他备选可能性的相对度的专家见解；

(b)将用户对查询的回答输入到计算机中；以及

(c)使用靠处理器运行的存储设备上的程序来接收和处理用户的回答，根据相对可能性，至少部分地基于主要偏差值集对备选可能性进行分级，从而提供一个包括分级的备选可能性集的决策。

7.根据权利要求6的过程，其特征在于对备选可能性集分级包括查询电子数据库，以基于对查询的回答和主要偏差值集确定一组对应的辅助偏差值，其中每个辅助偏差值都与特定的备选可能性相关联，并反映针对特定备选可能性的查询的预言值相对于可能性集中的其他备选可能性的相对度的专家见解。

8.根据权利要求7的过程，其特征在于确定辅助偏差值集的过程涉及基于对查询的回答增大、减小、保留对应的主要偏差值。

9.根据权利要求7的过程，其特征在于查询集包括许多查询，并且其中对可能性集中的备选可能性分级涉及对主要或辅助偏差值进行求和和求平均值。

10.根据权利要求7的过程，其特征在于确定一组对应的辅助偏差值和对可能性集中的备选可能性进行分级是通过使用ELICIT^TM“算法42”核心算法处理一个或多个主要或辅助偏差值来进行的。

11.根据权利要求6的过程，其特征在于可能性集是一组备选医疗诊断，其特征在于专家是一个医学专家，并且其中基于主要偏差值对可能性集中的备选可能性进行分级提供了包括备选医疗诊断集的诊断，备选医疗诊断根据可能性进行了分级。

12.一台用于帮助模拟人的决策过程的计算机装置，包括：

(a)包括一个处理器和与该处理器连接的存储设备的一台计算机；

(b)存储在存储设备上的一个可能性集数据库，其中可能性集数据库包括许多备选可能性；

(c)存储在存储设备上的一个查询集数据库，其特征在于查询集数据库包括查询；

(d)存储在存储设备上的一个主要偏差值数据集，其中主要偏差值是由具有备选可能性的知识的专家提供的，并且其中每个主要偏差值都与一个特定备选可能性相关联，并反映针对特定备选可能性的查询的预言值相对于可能性集中的其他备选可能性的相对度的专家见解；以及

(e)存储在存储设备上用于控制处理器的一个程序，其中(i)该程序靠处理器运行以接收用户对查询的回答，(ii)基于对查询的回答和主要偏差值集确定一组对应的辅助偏差值，其中每个辅助偏差值都与特定备选可能性相关联，并反映针对特定备选可能性的查询的预言值相对于可能性集中的其他备选可能性的相对度的专家见解，(iii)基于辅助偏差值对可能性集中的备选可能性进行分级，以提供一个包括备选可能性集的决策，备选可能性根据可能性进行了分级，(iv)将决策提供给用户。

13.根据权利要求12的装置，进一步包括一个存储在存储设备上的用户数据库，其中程序靠处理器运行以将用户信息存储在用户数据库中，并在接收到新用户信息时更新用户信息。

14.根据权利要求12的装置，其特征在于程序进一步靠处理器运行以跟踪用户信息。

15.一个在广域网上模拟人的决策的过程，包括：

(a)在服务器的一个或许多电子数据库上，配置一个包括许多备选可能性的可能性集，一个包括查询的查询集，具有备选可能性的知识的专家提供的一组主要偏差值，其中每个主要偏差值都与一个特定备选可能性相关联，并反映针对特定备选可能性的查询的预言值相对于可能性集中的其他备选可能性的相对度的专家见解；

(b)将用户对查询的回答通过用户子系统输入到计算机中；

(c)通过广域网将用户的回答传输到服务器；

(d)使用靠服务器的处理器运行的程序来接收和处理用户的回答，根据相对可能性，至少部分地基于主要偏差值集对备选可能性进行分级；以及

(e)通过广域网将分级的备选可能性集传输到用户子系统，从而提供一个包括分级的备选可能性集的决策。

16.根据权利要求15的过程，其特征在于对备选可能性集进行分级包括查询服务器的电子数据库，以基于对查询的回答和主要偏差值集确定一组对应的辅助偏差值，其中每个辅助偏差值都与特定的备选可能性相关联，并反映针对特定备选可能性的查询的预言值相对于可能性集中的其他备选可能性的相对度的专家见解。

17.根据权利要求16的方法，其特征在于确定辅助偏差值集的过程涉及基于对查询的回答增大、减小、保留对应的主要偏差值。

18.根据权利要求16的方法，其特征在于查询集包括许多查询，并且其特征在于对可能性集中的备选可能性分级涉及对主要或辅助偏差值进行求和和求平均值。

19.根据权利要求16的过程，其特征在于确定一组对应的辅助偏差值和对可能性集中的备选可能性进行分级是通过使用ELICIT^TM“算法42”核心算法处理一个或多个主要或辅助偏差值来进行的。

20.根据权利要求15的过程，其特征在于可能性集是一组备选医疗诊断，其特征在于专家是一个医学专家，并且其特征在于基于主要偏差值对可能性集中的备选可能性进行分级提供了包括备选医疗诊断集的诊断，备选医疗诊断根据可能性进行了分级。

21.一台用于帮助模拟人的决策过程的计算机网络装置，包括：

(a)包括处理器和与处理器连接的存储设备的一台服务器；

(b)存储在存储设备上的一个可能性集数据库，其特征在于可能性集数据库包括许多备选可能性；

(d)存储在存储设备上的一个主要偏差值数据集，其特征在于主要偏差值是由具有备选可能性的知识的专家提供的，并且其特征在于每个主要偏差值都与一个特定备选可能性相关联，并反映针对特定备选可能性的查询的预言值相对于可能性集中的其他备选可能性的相对度的专家见解，以及

(e)存储在存储设备上用于控制处理器的一个程序，其特征在于(i)该程序靠处理器运行以从用户子系统接收用户对查询的回答，(ii)基于对查询的回答和主要偏差值集确定一组对应的辅助偏差值，其中每个辅助偏差值都与特定备选可能性相关联，并反映针对特定备选可能性的查询的预言值相对于可能性集中的其他备选可能性的相对度的专家见解，(iii)基于辅助偏差值对可能性集中的备选可能性进行分级，以提供一个包括备选可能性集的决策，备选可能性根据可能性进行了分级，(iv)将决策传输到用户子系统。

22.根据权利要求21的装置，进一步包括一个存储在存储设备上的用户数据库，其特征在于程序靠处理器运行以将用户信息存储在用户数据库中，并在接收到新用户信息时更新用户信息。

23.根据权利要求21的装置，其中程序进一步靠处理器运行以跟踪用户信息。