Together规则引擎具有广阔的应用场景其中在医疗领域对诊疗的决策支持也有大量应用，我们知道在医疗机构如医院专科门诊医生每天都面对大量的病患，在诊疗过程中，往往需要医生具备专业知识和丰富的诊疗经验，通过对患者症状、生理指标迅速判断确定病症的大致范围，好进一步对患者进行更专业的检查、检验，治疗。其实这一些都可以通过决策模型辅助医生进行判断，降低医生工作强度和压力，减少误诊概率，实现医疗的自动化、智能化。我们现在就以早孕诊断的决策模型的算法来演示其强大功能。
首先我们实现诊疗的信息来自2大部分，一部分来自患者的症状等的口述，另一部分则来自初级检查信息，如患者的生理指标，它们做为输入信息是决策算法的基础。围绕患者病症类型在诊断过程中需要专业的医疗模型来判断并输出专业的诊断意见或结论。
我们现在对早孕诊断的场景进行决策建模，首先在Together建模器中定义整个决策模型的数据结构。
然后在建模器画布拖拽图元，构建整个决策模型的逻辑结构。
输入数据
将数据结构与输入数据进行绑定
l “患者抱怨”即患者的症状口述信息
l “检查数据”即对患者初步的检查数据
l “生命体征测量”即对患者生命体征初步的检查数据
l “既往怀孕”即孕妇以往怀孕的诊疗信息
l “社会历史”即孕妇是否吸烟等信息
l “既往妇产科病史”即孕妇病史信息
业务知识函数
l “确定英语系统体重指数 BMI”即维基百科定义的体重指数计算公式。它有2个参数即身高、体重。使用文字表达式的盒装结构。
决策块
l “确定是否存在早产 PTL”即通过患者“患者抱怨”判断是否早产的可能性。使用文字表达式的盒装结构，其中用集合函数进行数据筛选。
l “确定预防早产的行动”即通过“检查数据”、“生命体征测量”输入数据，以及“确定是否存在早产 PTL”决策块来判断进一步的治疗措施。使用决策表的盒装结构。
l “确定短子宫颈的操作”即通过“检查数据”、“生命体征测量”输入数据，以及“早产史”决策块来判断进一步的治疗措施。使用决策表的盒装结构。
l “早产史”即通过2次循环“既往怀孕”中的怀孕周数、怀孕时长判断孕妇是否会早产。使用上下文的盒装结构，使用2个键值依次对数据进行筛选，最终判断。
l “确定BMI类别”即通过调用业务知识函数“确定英语系统体重指数 BMI”，判断体脂类别。使用上下文的盒装结构，有2个键值，一个计算患者BMI得分，另一个根据请结果匹配判断BMI类别，最终上下文输出结果。
l “既往接种 OHP 疫苗”即通过列表函数对“既往怀孕”进行筛选判断是否OHP注射判断是否既往接种OHP疫苗。使用文字表达式。
l “既往宫颈手术史”即通过列表函数对对“既往怀孕”进行筛选判断是否有既往宫颈手术史，使用文字表达式。
l “PTD危险因素指数”即创伤后应激障碍危险因素指数“早产史”、“确定BMI类别”、“既往接种OHP疫苗”、“既往宫颈手术史”、“社会历史”、“既往妇产科病史”进行统计，使用决策表。
l “确定是否需要的宫颈长度”即根据“PTD危险因素指数”数字判断，使用文字表达式。
至此我们已经建立完成了“早孕诊断”的决策模型的构建，在Together建模器中打开测试表单，输入测试数据，我们得到一个诊断结果，与人类有经验的专业医生的诊断结果完全一样。
我们将“早孕诊断”决策模型与医院诊疗系统集成，可快速的算出诊断结果，由于医疗的严谨性、专业性，当然这将是一个建议方案，供医生确认后做为下一步治疗的依据。
通过测试用例，我们实现上述算法需求，业务系统只需简单的系统调用即可使用模型逻辑。我们还可以发布版本，快速迭代需求的变化。赶快联系我们，体验Together规则引擎强大功能吧！
