基于预设问答将患者分配至对应疾病集群的算法选型咨询

选型建议 #

你的场景属于规则明确的二元分支分类需求，决策树是完全适配的选型，无需引入更复杂的模型：

• 优先选择CART（分类与回归树）：本身是二叉分支结构，完美匹配所有问题都是是/否二元应答的逻辑，节点拆分规则简单，生成的树结构可读性极强，后续调整疾病对应逻辑时可直接修改对应分支，无需重新训练全量模型。
• 如果后续分诊逻辑新增少量多选项问题（比如症状分级），可以替换为ID3/C4.5，支持多分支拆分，当前全是/否应答的场景下CART完全够用。
• 不建议使用随机森林、XGBoost等集成类树模型：你的分诊规则都是预先确认好的，集成模型的黑盒属性会导致无法追溯患者分类到某类疾病集群的路径，后续出现分诊错误也无法定位问题，完全不适合医疗这类强可解释性要求的场景。

落地实施建议 #

• 先做规则映射校验：把现有所有疾病对应的应答逻辑逐一映射成决策树节点规则，每个是/否问题作为拆分节点，每个疾病集群作为叶子节点，梳理排查是否存在分支冲突（比如两条不同的问答路径最后指向不同的疾病集群），先在规则层面完成校验。
• 规则明确的前提下可直接用轻量逻辑封装，无需走模型训练流程：如果你的应答逻辑已经100%确定，直接硬编码分支逻辑比训练出来的决策树执行效率更高、可控性更强，参考逻辑示例如下：

def triage_patient(answer_dict):
    if answer_dict["咳嗽"] == "是":
        if answer_dict["发烧"] == "是":
            return "新冠疾病集群"
        elif answer_dict["咽痛"] == "是":
            return "上呼吸道感染集群"
    # 其余疾病分支依次补充

• 新增兜底异常分支：预留未命中任何现有疾病集群的处理逻辑，避免出现无分类结果的情况，这类患者可直接转到人工分诊通道。
• 建立规则变更测试机制：提前准备好各疾病集群的标准问答对，每次修改分支逻辑之后跑一遍全量用例测试，避免调整某一类疾病的规则影响其他疾病的分诊结果。

内容的提问来源于stack exchange，提问作者Hicham EL ALAOUI