想了解omaha？这几个关于omaha的问题你必须知道！

今天跟大家唠唠我最近在搞的 OMAHA 实践，这玩意儿一开始接触的时候，脑子嗡嗡的。

背景：

起因是公司想在医疗健康领域搞点事情，准备做个啥智能化的东西，然后就接触到了 OMAHA（Open Medical and Healthcare Alliance）。听起来挺唬人，就是个开放的医疗健康联盟，搞了一堆标准、术语集啥的，想让大家更好地共享医疗数据和知识。

摸索阶段：

刚开始，我拿到一堆资料，啥“汇知”医学知识图谱、“七巧板”医学术语集，看得我头大。这都啥跟啥？好在网上查了点资料，大概明白了 OMAHA 是想搞个领域知识库，给人工智能提供基础支撑。

然后就开始啃那些标准和术语集。真挺枯燥的。各种医学术语，各种编码，看得我眼花缭乱。而且这些东西还挺专业的，很多我都不懂。没办法，只能硬着头皮查资料，问同事，一点点地学。

实践过程： 数据准备：

得有数据。我们搞了一批医疗记录、文献资料，各种各样的。然后，就开始按照 OMAHA 的标准进行清洗、整理、标注。这绝对是个体力活，而且还得非常仔细，稍微有点错误，后面的工作就全白费了。

知识图谱构建：

有了数据，就开始构建知识图谱了。这玩意儿听起来高大上，就是把数据里的实体、关系提取出来，然后用图的形式表示出来。我们用了一些现成的工具，也自己写了一些代码，把数据里的各种疾病、症状、药物、治疗方法等等都提取出来，然后把它们之间的关系也搞清楚。

规则引擎搭建：

知识图谱有了，还得有个规则引擎，才能让它发挥作用。规则引擎就是一套规则，用来推理、判断、决策的。我们参考了 OMAHA 规则库的一些东西，结合自己的业务需求，制定了一套规则。

模型训练：

就是模型训练了。我们用了一些机器学习算法，让模型学习知识图谱和规则引擎里的知识，然后让它能够自动地进行疾病诊断、治疗方案推荐等等。

遇到的坑：

这实践过程，简直就是一部踩坑史。

数据质量：

数据质量很差，各种错误、缺失、不一致。搞得我们花了很多时间去清洗、整理数据。

标准理解：

OMAHA 的标准，挺复杂的。很多地方，我们理解得不够透彻，导致后面的工作出现了一些偏差。

工具选择：

市面上有很多知识图谱、规则引擎的工具，我们选了好几个，都不太满意。要么功能不够强大，要么太复杂，要么收费太贵。还是决定自己写一些代码，定制化一些工具。

准确度问题：

模型训练出来后，准确度不高。后来发现，是规则引擎里的规则有问题。有些规则，把异常发现和疾病标准搞混了，有些规则，把检验和非手术治疗搞混了。没办法，只能人工调整规则，提高准确度。

最终成果：

经过一番折腾，总算是把 OMAHA 的东西搞出来了。虽然还有很多不足之处，但总算是迈出了第一步。

我们可以用这个系统来进行一些简单的疾病诊断、治疗方案推荐了。虽然准确度还不是很高，但已经可以辅助医生进行决策了。

搞 OMAHA，真不是一件容易的事情。需要懂医学知识，需要懂数据处理，需要懂人工智能，还需要有足够的耐心。

不过我觉得这件事情很有意义。如果能把 OMAHA 的东西搞就能真正地提升医疗健康服务的效率和质量，造福老百姓。

我会继续努力，把 OMAHA 的东西搞得更

的我再bb两句：

这玩意儿，真不是一蹴而就的，得慢慢来。而且一定要多交流、多学习，才能少走弯路。我还加了一些相关的社群，没事儿就去看看大佬们都在聊看看有没有啥新的进展。

希望我的这回实践记录，能对大家有所帮助！