CN107563120A - 针对患者的医生推荐方法及装置 - Google Patents
针对患者的医生推荐方法及装置 Download PDFInfo
- Publication number
- CN107563120A CN107563120A CN201710822360.3A CN201710822360A CN107563120A CN 107563120 A CN107563120 A CN 107563120A CN 201710822360 A CN201710822360 A CN 201710822360A CN 107563120 A CN107563120 A CN 107563120A
- Authority
- CN
- China
- Prior art keywords
- illness
- doctor
- state
- recommended
- matching degree
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Landscapes
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明公开了一种针对患者的医生推荐方法及装置,属于医疗服务技术领域。所述方法包括:确定患者的病情陈述信息对应的可能病症;确定所述可能病症与所述病情陈述信息的病情匹配度,所述病情匹配度用于反映所述可能病症符合所述病情陈述信息的程度;将所述可能病症中病情匹配度大于预设阈值的可能病症确定为所述患者的疑似病症;根据所述疑似病症和待推荐医生的历史接诊信息,计算所述待推荐医生的推荐指数,所述推荐指数用于指示所述待推荐医生能够治愈所述疑似病症的能力;将所述推荐指数大于预设数值的待推荐医生推荐给所述患者。本发明提高了医生推荐方法的准确度。本发明用于为患者推荐医生。
Description
技术领域
本发明涉及医疗服务技术领域,特别涉及一种针对患者的医生推荐方法及装置。
背景技术
目前,医疗机构和医生的数目不断增长,患者就医时往往盲目的选择医生,对医生是否擅长医治自身的病症等情况知之甚少。
为解决该问题,相关技术中的医生推荐方法一般根据医生的绩效向前来就诊的患者推荐医生,或者,根据医生接诊过的患者对医生的评价向前来就诊的患者推荐医生,该医生推荐方法的准确性较低。
发明内容
本发明实施例提供了一种针对患者的医生推荐方法及装置,可以解决相关技术的医生推荐方法的准确性较低的问题。所述技术方案如下:
第一方面,提供了一种针对患者的医生推荐方法,所述方法包括:
确定患者的病情陈述信息对应的可能病症;
确定所述可能病症与所述病情陈述信息的病情匹配度,所述病情匹配度用于反映所述可能病症符合所述病情陈述信息的程度;
将所述可能病症中病情匹配度大于预设阈值的可能病症确定为所述患者的疑似病症;
根据所述疑似病症和待推荐医生的历史接诊信息,计算所述待推荐医生的推荐指数,所述推荐指数用于指示所述待推荐医生能够治愈所述疑似病症的能力;
将所述推荐指数大于预设数值的待推荐医生推荐给所述患者。
第二方面,提供了一种针对患者的医生推荐装置,所述装置包括:
第一确定模块,用于确定患者的病情陈述信息对应的可能病症;
第二确定模块,用于确定所述可能病症与所述病情陈述信息的病情匹配度,所述病情匹配度用于反映所述可能病症符合所述病情陈述信息的程度;
第三确定模块,用于将所述可能病症中病情匹配度大于预设阈值的可能病症确定为所述患者的疑似病症;
计算模块,用于根据所述疑似病症和待推荐医生的历史接诊信息,计算所述待推荐医生的推荐指数,所述推荐指数用于指示所述待推荐医生能够治愈所述疑似病症的能力;
处理模块,用于将所述推荐指数大于预设数值的待推荐医生推荐给所述患者。
第三方面,提供了一种计算机可读存储介质,该计算机可读存储介质中存储有指令,当该计算机可读存储介质在计算机上运行时,使得计算机执行第一方面所提供的针对患者的医生推荐方法。
第四方面,提供了一种终端,包括存储器,处理器及存储在所述存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时,实现第一方面所提供的针对患者的医生推荐方法。
本发明实施例提供的技术方案带来的有益效果是:
本发明实施例提供的一种针对患者的医生推荐方法及装置,通过将可能病症中病情匹配度大于预设阈值的可能病症确定为患者的疑似病症,并根据疑似病症和待推荐医生的历史接诊信息,计算待推荐医生的推荐指数,将推荐指数大于预设数值的待推荐医生推荐给患者,相对于相关技术,该医生推荐方法能够综合考虑病情匹配度和医生的历史接诊信息为患者推荐医生,细化了向患者推荐医生的推荐条件,有效地提高了推荐的医生与患者病情的匹配程度,进而提高了医生推荐方法的准确度。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种针对患者的医生推荐方法的流程图;
图2是本发明实施例提供的另一种针对患者的医生推荐方法的流程图;
图3是本发明实施例提供的一种确定患者的病情陈述信息对应的可能病症的方法流程图;
图4是本发明实施例提供的一种根据待推荐医生的历史接诊信息,计算待推荐医生的推荐指数的方法流程图;
图5是本发明实施例提供的一种移动终端上显示有待推荐医生的信息的示意图;
图6-1是本发明实施例提供的一种针对患者的医生推荐装置的结构示意图;
图6-2是本发明实施例提供的一种计算模块的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明实施方式作进一步地详细描述。
本发明实施例提供了一种针对患者的医生推荐方法,如图1所示,该方法可以包括:
步骤101、确定患者的病情陈述信息对应的可能病症。
步骤102、确定可能病症与病情陈述信息的病情匹配度。
其中,病情匹配度用于反映可能病症符合病情陈述信息的程度。
步骤103、将可能病症中病情匹配度大于预设阈值的可能病症确定为患者的疑似病症。
步骤104、根据疑似病症和待推荐医生的历史接诊信息,计算待推荐医生的推荐指数。
其中,推荐指数用于指示待推荐医生能够治愈疑似病症的能力。
步骤105、将推荐指数大于预设数值的待推荐医生推荐给患者。
综上所述,本发明实施例提供的针对患者的医生推荐方法,通过将可能病症中病情匹配度大于预设阈值的可能病症确定为患者的疑似病症,并根据疑似病症和待推荐医生的历史接诊信息,计算待推荐医生的推荐指数,将推荐指数大于预设数值的待推荐医生推荐给患者,相对于相关技术,该医生推荐方法能够综合考虑病情匹配度和医生的历史接诊信息为患者推荐医生,细化了向患者推荐医生的推荐条件,有效地提高了推荐的医生与患者病情的匹配程度,进而提高了医生推荐方法的准确度。
图2是本发明实施例提供的另一种针对患者的医生推荐方法,如图2所示,该方法可以包括:
步骤201、确定患者的病情陈述信息对应的可能病症。
可选地,患者输入的病情陈述信息可以为文本形式的信息、语音信息或图像信息,本发明实施例对其不做具体限定。确定患者的病情陈述信息对应的可能病症的过程,如图3所示,可以包括:
步骤2011、对病情陈述信息进行分词处理,得到n个待查找关键词。
其中,n为大于0的整数,病情陈述信息可以为文本信息。
对病情陈述信息进行分词处理,也即是,将病情陈述信息切分成多个单独的词或字。可选地,该分词处理也可以包括去除病情陈述信息中的标点符号。
示例地,假设患者的病情陈述信息为“我最近不舒服,我呢,我之前得过肺结核,现在经常半夜咳嗽,一躺平就无法呼吸,躺平呼吸困难、呼吸急促、尤其是夜间无法呼吸,必要的时候只能坐着睡觉了。”,经过分词处理后,得到“最近”、“不舒服”、“肺结核”、“现在”、“半夜咳嗽”、“无法呼吸”、“躺平呼吸困难”、“呼吸困难”、“呼吸急促”、“夜间”和“坐着睡觉”11个词,去除了病情陈述信息中的其他词和标点符号,可将分词处理后的该11个词作为待查找关键词。
需要说明的是,当病情陈述信息为语音和图像等信息时,可以将语音和图像等信息转换成文本形式的病情陈述信息,然后对该文本形式的病情陈述信息进行分词处理,即可得到n个待查找关键词。
步骤2012、根据n个待查找关键词在预设的关键词字典中进行查询,得到n个待查找关键词对应的病症。
其中,预设的关键词字典中记录有病症与关键词的对应关系,每种病症与一个或多个关键词对应。根据n个待查找关键词在预设的关键词字典中进行查询的过程中,当关键词字典中记载的某病症对应的关键词中包括有待查找关键词中的至少一个时,可以确定该病症为待查找关键词对应的病症。
示例地,关键词字典中记载的肺积水与关键词的对应关系参考表1所示,根据步骤2011中确定的11个待查找关键词在关键词字典中进行查询时,根据该对应关系可知肺积水对应的关键词中包括有该11个待查找关键词中的7个,
因此,可以确定肺积水为待查找关键词对应的病症。
表1
步骤2013、在n个待查找关键词对应的病症中,统计每种病症出现的次数。
根据n个待查找关键词在预设的关键词字典中进行查询时,是根据每个待查找关键词在关键词字典中进行查询的,且由于一个待查询关键词可能会对应多个病症,因此,当根据每个待查找关键词进行查询时,若某个病症中包括该待查找关键词,则认为该病症出现一次,当根据病情陈述信息中包括的多个待查找关键词进行查找之后,即可确定每种病症出现的次数(该次数也可以认为是每种病症包括有待查找关键词中多少个待查找关键词)。
示例地,假设根据n个待查找关键词在预设的关键词字典中进行查询后,得到n个待查找关键词对应的病症分别为:肺积水、肺气肿、胸膜炎和肺结核,并且,在查找结束后经统计得到:肺积水出现的次数为7次,肺气肿出现的次数为5次,胸膜炎出现的次数为3次,肺结核出现的次数为6次。
步骤2014、当某一病症出现的次数大于预设次数时,将某一病症确定为可能病症。
可选地,预设次数可以是根据医生经验确定的次数,因此,当某一病症出现的次数大于预设次数时,说明该患者可能患有相应的病症,则可将该相应的病症确定为可能病症。
示例地,假设肺积水出现的次数为7次,肺气肿出现的次数为5次,胸膜炎出现的次数为3次,肺结核出现的次数为6次,预设次数为4次,则可以将肺积水、肺气肿和肺结核确定为可能病症。
步骤202、根据病情陈述信息确定可能病症的关键词匹配度。
其中,关键词匹配度为病情陈述信息包含的有效关键词对应的预设系数的总和,有效关键词为预设的关键词字典和病情陈述信息均记录的关键词。
根据医生的接诊经验,可以确定每个关键词对每种可能病症的影响程度,可以用预设系数在关键词字典中表征该影响程度,预设的关键词字典和病情陈述信息均记录的关键词为相应病症对应的有效关键词,该有效关键词对应的预设系数的总和能够反映该相应病症符合病情陈述信息的程度,即关键词匹配度。
表2
示例地,肺积水对应的关键词的预设系数请参考表2,查找表2后可得:肺气肿符合病情陈述信息的程度M=2+3+2+5+5+1+2=20,即关键词匹配度M=20。
步骤203、根据病情陈述信息的总字数、有效关键词的总字数和无用字符的总字数,确定病情陈述信息的有效度。
其中,无用字符为预设的无用字符集合和病情陈述信息均记录的字符,且无用字符集合可以包括:无用字子集合和标点符号子集合,示例地,无用字子集合请参考表3,标点符号子集合可以包括“,”、“。”、“:”和“;”等标点符号。实际应用中,病情陈述信息中除了包括有有效关键词和无用字符外,病情陈述信息中可能还包括有其他字符,即该其他字符为既未被关键词字典记载,也未被无用字符集合记载的字符。
表3
无用字 | 字数 |
我 | 1 |
觉得 | 2 |
呢 | 1 |
的 | 1 |
了 | 1 |
就 | 1 |
可选地,根据病情陈述信息的总字数L、有效关键词的总字数n和无用字符的总字数N,可以确定病情陈述信息的有效度f=n/L-N。
示例地,根据步骤2011中的示例,患者的病情陈述信息的总字数L为72,有效关键词的总字数n为27,无用字符的总字数N为15(无用字子集合中包括6个字符,标点符号子集合中包括9个字符),则可以确定病情陈述信息的有效度f=n/L-N=27/72-15=0.474。
步骤204、根据关键词匹配度和病情陈述信息的有效度确定可能病症与病情陈述信息的病情匹配度。
其中,病情匹配度用于反映可能病症符合病情陈述信息的程度。
可选地,可以基于关键词匹配度M和病情陈述信息的有效度f,根据公式Bi=a×(M)t×b×(f)v确定可能病症与病情陈述信息的病情匹配度Bi,其中,a为关键词匹配度的权值系数,t为关键词匹配度的影响指数,b为病情陈述信息的有效度的权值系数,v为病情陈述信息的有效度的影响指数,a、t、b和v的取值可以根据实际情况进行调整,例如,可以根据医生的诊断数据进行训练优化得到,在本发明实施例中暂且将a、t、b和v的取值均取为1。
示例地,假设关键词匹配度M=20,病情陈述信息的有效度f=0.474,关键词匹配度的权值系数a=1,关键词匹配度的影响指数t=1,病情陈述信息的有效度的权值系数b=1,病情陈述信息的有效度的影响指数v=1,则可能病症与病情陈述信息的病情匹配度Bi=a×(M)t×b×(f)v=M×f=20×0.474=9.47。
步骤205、将可能病症中病情匹配度大于预设阈值的可能病症确定为患者的疑似病症。
可选地,可以根据医生经验确定预设阈值,当可能病症中某一病症对应的病情匹配度大于预设阈值时,说明根据医生经验判断该患者患该病症的可能性较大,因此,可将该可能病症确定为患者的疑似病症,然后根据该疑似病症为患者推荐医生。
示例地,假设预设阈值为8,某患者的可能病症为肺积水、肺气肿和肺结核,每个可能病症的病情匹配度分别为9.47、8.65和5.22,则可将肺积水和肺气肿确定为该患者的疑似病症。
根据病情陈述信息确定病情陈述信息的有效度,然后根据该病情陈述信息的有效度确定患者的疑似病症,能够有效提高确定的疑似病症的准确性,进而为提高医生推荐方法的准确性提供了可能。
步骤206、根据疑似病症确定待推荐医生。
可选地,根据疑似病症确定待推荐医生的方法具体可以为:基于确定的疑似病症,在诊疗信息库中进行检索,确定与疑似病症匹配的至少一个医生的信息,该至少一个医生的信息所指示的至少一个医生即为待推荐医生,其中,诊疗信息库中记载有医生对疑似病症进行治疗的相关诊疗信息,且该至少一个医生中的每个医生均能够治疗该疑似病症。
示例地,假设确定的该患者的疑似病症为肺积水和肺气肿,根据该两个疑似病症在诊疗信息库中进行检索后,确定了三个医生的信息,该三个医生的信息指示的医生分别为:李**医生、张**医生和王*医生,即根据疑似病症确定的待推荐医生为李**医生、张**医生和王*医生。
步骤207、根据待推荐医生的历史接诊信息,计算待推荐医生的推荐指数。
其中,推荐指数用于指示待推荐医生能够治愈疑似病症的能力。
可选地,如图4所示,根据待推荐医生的历史接诊信息,计算待推荐医生的推荐指数的过程,可以包括:
步骤2071、根据历史接诊信息统计第一推荐医生对第一疑似病症的诊断经验值。
其中,诊断经验值用于反映第一推荐医生对第一疑似病症进行诊断的经验,第一推荐医生为待推荐医生中的任一个,第一疑似病症为疑似病症中的任一个。
可选地,根据历史接诊信息统计第一推荐医生对第一疑似病症的诊断经验值,具体可以为:根据历史接诊信息中记载的第一疑似病症的接诊总例数C和手术总例数S,以及第一推荐医生接诊第一疑似病症的总例数Ni、手术总例数Si和并发症总例数Sai,基于诊断经验值计算公式,计算第一推荐医生对第一疑似病症的诊断经验值Ai,该诊断经验值计算公式为:
其中,g为对第一推荐医生接诊第一疑似病症时,需要做手术且发生手术并发症的可能值Sai/Si的影响权值,o为对可能值Sai/Si的影响指数,r为对第一疑似病症需要做手术的手术率S/C的影响权值,p为对手术率S/C的影响指数,k为预设权值,d为预设指数,g、o、r、p、d和k的取值均可根据实际需要进行调整,例如:可以根据医疗数据进行模型训练确定g、o、r、p、d和k的取值,假设在本发明实施例中g、o、r、p、d和k的取值均为1。且K的取值还可以参考患者病情康复情况和患者康复比等参数进行调整和计算,例如:可以将患者康复情况参数代入计算公式以计算K值。
示例地,假设第一疑似病症为肺积水,历史接诊信息中记载的第一疑似病症的接诊总例数C=20000,手术总例数S=2000,待推荐医生李**医生共接诊该第一疑似病症的总例数Ni=2000,李**医生接诊该第一疑似病症对应的手术总例数Si=20,李**医生接诊该第一疑似病症对应的并发症总例数Sai=1,根据诊断经验值计算公式:
则可以确定根据历史接诊信息统计第一推荐医生对第一疑似病症的诊断经验值Ai=1990。
需要说明的是,在根据历史接诊信息统计第一推荐医生对该患者的第一疑似病症的诊断经验值之后,还可以根据第一推荐医生接诊该患者的历史记录确定第一推荐医生接诊该患者的历史经验值(确定该历史经验值的方法请相应参考前述确定诊断经验值的方法,此处不再赘述),并根据该历史经验值更新诊断经验值,使更新后的诊断经验值等于历史经验值与诊断经验值的加权和。其中,历史经验值能够反映医生对该患者以往病史的了解程度,因此,根据该历史经验值更新诊断经验值能够降低第一推荐医生对该患者的误诊率,从而提高医生推荐方法的准确性。
并且,也可以在诊断经验值的基础上参考已就诊的患者对第一推荐医生的评价参数,以更新诊断经验值,进而便提高该诊断经验值的可靠性。或者,还可以在诊断经验值的基础上参考医生绩效等其他参数,以更新诊断经验值,进而提高统计出的诊断经验值的权威性。
步骤2072、根据诊断经验值和第一疑似病症对应的可能病症的病情匹配度,确定第一推荐医生能够接诊第一疑似病症的病症匹配度。
可选地,可以基于诊断经验值Ai和第一疑似病症对应的可能病症的病情匹配度Bi,根据病症匹配度公式,确定第一推荐医生能够接诊第一疑似病症的病症匹配度Ci,该病症匹配度公式为Ci=u×(Bi)m×e×(Ai)j,其中,u为病情匹配度的权值系数,m为病情匹配度的影响指数,e为诊断经验值的权值系数,j为诊断经验值的影响指数,u、m、e和j的取值可以根据实际情况进行调整,例如,可以根据医生的诊断数据进行训练优化得到,此处取u、m、e和j均等于1。
示例地,假设某患者的第一疑似病症对应的可能病症的病情匹配度Bi=9.47,该第一疑似病症的诊断经验值Ai=1990,根据病症匹配度公式可得Ci=9.47*1990=18845.3。
步骤2073、在疑似病症对应的病症匹配度中,将大于预设病症匹配度的病症匹配度的加权和确定为第一推荐医生的推荐指数。
当该患者的疑似病症有多个时,可以在多个疑似病症对应的对个病症匹配度中,筛选出大于预设病症匹配度的病症匹配度,并将筛选出的病症匹配度的加权和确定为第一推荐医生的推荐指数。
示例地,假设预设病症匹配度为10000,某患者的疑似病症为肺积水和肺气肿,李**医生对该两个疑似病症的匹配度分别为13545.3和10845.3,张**医生对该两个疑似病症的匹配度分别为8125.3和13845.3,王*医生对该两个疑似病症的匹配度分别为18845.3和8845.3,则李**医生的推荐指数为13545.3+10845.3=24390.6,张**医生的推荐指数为13845.3,王*医生的推荐指数为18845.3。
步骤208、将推荐指数大于预设数值的待推荐医生推荐给患者。
预设数值为能够根据实际情况进行调整的参数,当推荐指数大于预设数值时,将对应的待推荐医生推荐给该患者时具有足够的可信度,能够提高推荐医生的准确性。
示例地,假设待推荐医生分别为李**医生、张**医生和王*医生,三者的推荐指数分别为24390.6、13845.3和18845.3,预设数值为13000,可以将该三个待推荐医生均推荐给患者。并且,还可以按照推荐指数由高到低的顺序在列表中向患者展示待推荐医生的信息,例如:如图5所示,移动终端上显示有该患者的疑似病症,以及按照推荐指数由高到低的顺序显示的待推荐医生的信息,该信息包括医生姓名、所在科室及推荐指数。
相关技术中,一般根据医生的绩效、医生所在科室或者患者以医生的评价为患者推荐医生,该推荐医生的方法不能够根据患者的病情为患者推荐医生,因此,常会出现推荐的医生与患者的病情不符的情况,为患者就医带来了的不便。甚至,有的医生推荐方法还要求患者提供大量的病情相关信息和参数,但患者往往并不知道自己的详细病情,无法提供确切的病情相关信息,因此,该医生推荐方法的准确性会受到影响,并且,该医生推荐方法还需要记录所有病人诊疗前后与该疾病相关的所有信息,因此,该医生推荐方法的实现方法比较复杂,也会为患者带来不便。
综上所述,本发明实施例提供的针对患者的医生推荐方法,通过将可能病症中病情匹配度大于预设阈值的可能病症确定为患者的疑似病症,并根据疑似病症和待推荐医生的历史接诊信息,计算待推荐医生的推荐指数,将推荐指数大于预设数值的待推荐医生推荐给患者,相对于相关技术,该医生推荐方法能够综合考虑病情匹配度和医生的历史接诊信息为患者推荐医生,细化了向患者推荐医生的推荐条件,有效地提高了推荐的医生与患者病情的匹配程度,进而提高了医生推荐方法的准确度,为患者就医提供了便利,并能够相应地降低医生对病症进行诊断的误诊率。
需要说明的是,本发明实施例提供的针对患者的医生推荐方法步骤的先后顺序可以进行适当调整,步骤也可以根据情况进行相应增减,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化的方法,都应涵盖在本申请的保护范围之内,因此不再赘述
本发明实施例提供一种针对患者的医生推荐装置,如图6-1所示,该装置600可以包括:
第一确定模块601,用于确定患者的病情陈述信息对应的可能病症。
第二确定模块602,用于确定可能病症与病情陈述信息的病情匹配度,病情匹配度用于反映可能病症符合病情陈述信息的程度。
第三确定模块603,用于将可能病症中病情匹配度大于预设阈值的可能病症确定为患者的疑似病症。
计算模块604,用于根据疑似病症和待推荐医生的历史接诊信息,计算待推荐医生的推荐指数,推荐指数用于指示待推荐医生能够治愈疑似病症的能力。
处理模块605,用于将推荐指数大于预设数值的待推荐医生推荐给患者。
可选地,第二确定模块602,具体可以用于:
根据病情陈述信息确定可能病症的关键词匹配度,关键词匹配度为病情陈述信息包含的有效关键词对应的预设系数的总和,有效关键词为预设的关键词字典和病情陈述信息均记录的关键词,病情陈述信息为文本信息。
根据病情陈述信息的总字数、有效关键词的总字数和无用字符的总字数,确定病情陈述信息的有效度,无用字符为预设的无用字符集合和病情陈述信息均记录的字符。
根据关键词匹配度和有效度确定可能病症与病情陈述信息的病情匹配度。
可选地,如图6-2所示,计算模块604,可以包括:
确定子模块6041,用于根据疑似病症确定待推荐医生。
计算子模块6042,用于根据待推荐医生的历史接诊信息,计算待推荐医生的推荐指数。
可选地,计算子模块6042,具体可以用于:
根据历史接诊信息统计第一推荐医生对第一疑似病症的诊断经验值,诊断经验值用于反映第一推荐医生对第一疑似病症进行诊断的经验,第一推荐医生为待推荐医生中的任一个,第一疑似病症为疑似病症中的任一个。
根据诊断经验值和第一疑似病症对应的可能病症的病情匹配度,确定第一推荐医生能够接诊第一疑似病症的病症匹配度。
在疑似病症对应的病症匹配度中,将大于预设病症匹配度的病症匹配度的加权和确定为第一推荐医生的推荐指数。
可选地,第一确定模块601,具体可以用于:
对病情陈述信息进行分词处理,得到n个待查找关键词,n为大于0的整数。
根据n个待查找关键词在预设的关键词字典中进行查询,得到n个待查找关键词对应的病症,预设的关键词字典中记录有病症与关键词的对应关系。
在n个待查找关键词对应的病症中,统计每种病症出现的次数。
当某一病症出现的次数大于预设次数时,将某一病症确定为可能病症。
综上所述,本发明实施例提供的针对患者的医生推荐装置,通过第三确定模块将可能病症中病情匹配度大于预设阈值的可能病症确定为患者的疑似病症,计算模块根据疑似病症和待推荐医生的历史接诊信息,计算待推荐医生的推荐指数,处理模块将推荐指数大于预设数值的待推荐医生推荐给患者,相对于相关技术,该医生推荐方法能够综合考虑病情匹配度和医生的历史接诊信息为患者推荐医生,细化了向患者推荐医生的推荐条件,有效地提高了推荐的医生与患者病情的匹配程度,进而提高了医生推荐的准确度。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的装置和模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
本发明实施例提供了一种计算机可读存储介质,该计算机可读存储介质中存储有指令,当该计算机可读存储介质在计算机上运行时,使得计算机执行本发明实施例所提供的针对患者的医生推荐方法。
本发明实施例提供了一种终端,包括存储器,处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时,实现本发明实施例所提供的针对患者的医生推荐方法。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种针对患者的医生推荐方法,其特征在于,所述方法包括:
确定患者的病情陈述信息对应的可能病症;
确定所述可能病症与所述病情陈述信息的病情匹配度,所述病情匹配度用于反映所述可能病症符合所述病情陈述信息的程度;
将所述可能病症中病情匹配度大于预设阈值的可能病症确定为所述患者的疑似病症;
根据所述疑似病症和待推荐医生的历史接诊信息,计算所述待推荐医生的推荐指数,所述推荐指数用于指示所述待推荐医生能够治愈所述疑似病症的能力;
将所述推荐指数大于预设数值的待推荐医生推荐给所述患者。
2.根据权利要求1所述的方法,其特征在于,所述确定所述可能病症与所述病情陈述信息的病情匹配度,包括:
根据所述病情陈述信息确定所述可能病症的关键词匹配度,所述关键词匹配度为所述病情陈述信息包含的有效关键词对应的预设系数的总和,所述有效关键词为预设的关键词字典和所述病情陈述信息均记录的关键词,所述病情陈述信息为文本信息;
根据所述病情陈述信息的总字数、所述有效关键词的总字数和所述无用字符的总字数,确定所述病情陈述信息的有效度,所述无用字符为预设的无用字符集合和所述病情陈述信息均记录的字符;
根据所述关键词匹配度和所述有效度确定所述可能病症与所述病情陈述信息的病情匹配度。
3.根据权利要求1所述的方法,其特征在于,所述根据所述疑似病症和待推荐医生的历史接诊信息,计算所述待推荐医生的推荐指数,包括:
根据所述疑似病症确定所述待推荐医生;
根据所述待推荐医生的历史接诊信息,计算所述待推荐医生的推荐指数。
4.根据权利要求3所述的方法,其特征在于,所述根据所述待推荐医生的历史接诊信息,计算所述待推荐医生的推荐指数,包括:
根据所述历史接诊信息统计第一推荐医生对第一疑似病症的诊断经验值,所述诊断经验值用于反映所述第一推荐医生对所述第一疑似病症进行诊断的经验,所述第一推荐医生为所述待推荐医生中的任一个,所述第一疑似病症为所述疑似病症中的任一个;
根据所述诊断经验值和所述第一疑似病症对应的可能病症的病情匹配度,确定所述第一推荐医生能够接诊所述第一疑似病症的病症匹配度;
在所述疑似病症对应的病症匹配度中,将大于预设病症匹配度的病症匹配度的加权和确定为所述第一推荐医生的推荐指数。
5.根据权利要求1所述的方法,其特征在于,所述病情陈述信息为文本信息,所述确定患者的病情陈述信息对应的可能病症,包括:
对所述病情陈述信息进行分词处理,得到n个待查找关键词,所述n为大于0的整数;
根据所述n个待查找关键词在预设的关键词字典中进行查询,得到所述n个待查找关键词对应的病症,所述预设的关键词字典中记录有病症与关键词的对应关系;
在所述n个待查找关键词对应的病症中,统计每种病症出现的次数;
当某一病症出现的次数大于预设次数时,将所述某一病症确定为所述可能病症。
6.一种针对患者的医生推荐装置,其特征在于,所述装置包括:
第一确定模块,用于确定患者的病情陈述信息对应的可能病症;
第二确定模块,用于确定所述可能病症与所述病情陈述信息的病情匹配度,所述病情匹配度用于反映所述可能病症符合所述病情陈述信息的程度;
第三确定模块,用于将所述可能病症中病情匹配度大于预设阈值的可能病症确定为所述患者的疑似病症;
计算模块,用于根据所述疑似病症和待推荐医生的历史接诊信息,计算所述待推荐医生的推荐指数,所述推荐指数用于指示所述待推荐医生能够治愈所述疑似病症的能力;
处理模块,用于将所述推荐指数大于预设数值的待推荐医生推荐给所述患者。
7.根据权利要求6所述的装置,其特征在于,所述第二确定模块,具体用于:
根据所述病情陈述信息确定所述可能病症的关键词匹配度,所述关键词匹配度为所述病情陈述信息包含的有效关键词对应的预设系数的总和,所述有效关键词为预设的关键词字典和所述病情陈述信息均记录的关键词,所述病情陈述信息为文本信息;
根据所述病情陈述信息的总字数、所述有效关键词的总字数和所述无用字符的总字数,确定所述病情陈述信息的有效度,所述无用字符为预设的无用字符集合和所述病情陈述信息均记录的字符;
根据所述关键词匹配度和所述有效度确定所述可能病症与所述病情陈述信息的病情匹配度。
8.根据权利要求6所述的装置,其特征在于,所述计算模块,包括:
确定子模块,用于根据所述疑似病症确定所述待推荐医生;
计算子模块,用于根据所述待推荐医生的历史接诊信息,计算所述待推荐医生的推荐指数。
9.根据权利要求8所述的装置,其特征在于,所述计算子模块,具体用于:
根据所述历史接诊信息统计第一推荐医生对第一疑似病症的诊断经验值,所述诊断经验值用于反映所述第一推荐医生对所述第一疑似病症进行诊断的经验,所述第一推荐医生为所述待推荐医生中的任一个,所述第一疑似病症为所述疑似病症中的任一个;
根据所述诊断经验值和所述第一疑似病症对应的可能病症的病情匹配度,确定所述第一推荐医生能够接诊所述第一疑似病症的病症匹配度;
在所述疑似病症对应的病症匹配度中,将大于预设病症匹配度的病症匹配度的加权和确定为所述第一推荐医生的推荐指数。
10.根据权利要求6所述的装置,其特征在于,所述第一确定模块,具体用于:
对所述病情陈述信息进行分词处理,得到n个待查找关键词,所述n为大于0的整数;
根据所述n个待查找关键词在预设的关键词字典中进行查询,得到所述n个待查找关键词对应的病症,所述预设的关键词字典中记录有病症与关键词的对应关系;
在所述n个待查找关键词对应的病症中,统计每种病症出现的次数;
当某一病症出现的次数大于预设次数时,将所述某一病症确定为所述可能病症。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710822360.3A CN107563120B (zh) | 2017-09-13 | 2017-09-13 | 针对患者的医生推荐方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710822360.3A CN107563120B (zh) | 2017-09-13 | 2017-09-13 | 针对患者的医生推荐方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107563120A true CN107563120A (zh) | 2018-01-09 |
CN107563120B CN107563120B (zh) | 2021-06-01 |
Family
ID=60980714
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710822360.3A Active CN107563120B (zh) | 2017-09-13 | 2017-09-13 | 针对患者的医生推荐方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107563120B (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108492866A (zh) * | 2018-02-08 | 2018-09-04 | 康美药业股份有限公司 | 基于售药机的导诊方法、售药机及存储介质 |
CN109754872A (zh) * | 2018-12-15 | 2019-05-14 | 深圳壹账通智能科技有限公司 | 门诊预约方法、装置、设备及存储介质 |
CN110010214A (zh) * | 2019-02-21 | 2019-07-12 | 河南翔宇医疗设备股份有限公司 | 一种分级转诊装置、系统和计算机可读存储介质 |
CN110232971A (zh) * | 2019-05-24 | 2019-09-13 | 深圳市翩翩科技有限公司 | 一种医生推荐方法及装置 |
CN110910998A (zh) * | 2019-12-05 | 2020-03-24 | 北京明略软件系统有限公司 | 一种针对患者病情信息推荐医生的方法及装置 |
CN110993084A (zh) * | 2019-12-18 | 2020-04-10 | 腾讯科技(深圳)有限公司 | 一种对象排序方法、装置、设备及可读存储介质 |
WO2020132793A1 (en) * | 2018-12-24 | 2020-07-02 | Beijing Didi Infinity Technology And Development Co., Ltd. | Artificial intelligence medical symptom recognition system based on span searching |
CN111415760A (zh) * | 2020-03-26 | 2020-07-14 | 潘佳亮 | 医生推荐方法、系统、计算机设备及存储介质 |
CN111475713A (zh) * | 2020-03-13 | 2020-07-31 | 京东方科技集团股份有限公司 | 医生信息推荐方法、装置、电子设备、系统及存储介质 |
CN112420176A (zh) * | 2019-08-22 | 2021-02-26 | 浙江远图互联科技股份有限公司 | 基于结构化信息库的分级导诊系统 |
CN113724814A (zh) * | 2021-08-23 | 2021-11-30 | 泰康保险集团股份有限公司 | 一种分诊方法、装置、计算设备及存储介质 |
CN113782163A (zh) * | 2021-03-29 | 2021-12-10 | 北京京东拓先科技有限公司 | 信息推送方法、装置和计算机可读存储介质 |
CN114065856A (zh) * | 2021-11-16 | 2022-02-18 | 北京和兴创联健康科技有限公司 | 基于医生画像的医生推荐方法、装置、设备及存储介质 |
CN114220537A (zh) * | 2022-02-18 | 2022-03-22 | 橙意家人科技(天津)有限公司 | 一种基于互联网医院的ai智能在线诊断方法及云系统 |
CN116631638A (zh) * | 2023-05-11 | 2023-08-22 | 上海麦色医疗科技有限公司 | 一种基于人工智能的医疗数据多通路搜索系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103559637A (zh) * | 2013-11-13 | 2014-02-05 | 王竞 | 一种为就诊患者推荐医生的方法及其系统 |
CN105404763A (zh) * | 2015-10-26 | 2016-03-16 | 天津大学 | 一种在移动医疗系统中向患者推荐医生的方法 |
US20160188799A1 (en) * | 2014-08-28 | 2016-06-30 | ehumanlife, Inc. | Method and system for online delivery of healthcare |
CN106557653A (zh) * | 2016-11-15 | 2017-04-05 | 合肥工业大学 | 一种移动医疗智能导医系统及其方法 |
-
2017
- 2017-09-13 CN CN201710822360.3A patent/CN107563120B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103559637A (zh) * | 2013-11-13 | 2014-02-05 | 王竞 | 一种为就诊患者推荐医生的方法及其系统 |
US20160188799A1 (en) * | 2014-08-28 | 2016-06-30 | ehumanlife, Inc. | Method and system for online delivery of healthcare |
CN105404763A (zh) * | 2015-10-26 | 2016-03-16 | 天津大学 | 一种在移动医疗系统中向患者推荐医生的方法 |
CN106557653A (zh) * | 2016-11-15 | 2017-04-05 | 合肥工业大学 | 一种移动医疗智能导医系统及其方法 |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108492866A (zh) * | 2018-02-08 | 2018-09-04 | 康美药业股份有限公司 | 基于售药机的导诊方法、售药机及存储介质 |
CN109754872A (zh) * | 2018-12-15 | 2019-05-14 | 深圳壹账通智能科技有限公司 | 门诊预约方法、装置、设备及存储介质 |
WO2020132793A1 (en) * | 2018-12-24 | 2020-07-02 | Beijing Didi Infinity Technology And Development Co., Ltd. | Artificial intelligence medical symptom recognition system based on span searching |
CN110010214A (zh) * | 2019-02-21 | 2019-07-12 | 河南翔宇医疗设备股份有限公司 | 一种分级转诊装置、系统和计算机可读存储介质 |
CN110232971A (zh) * | 2019-05-24 | 2019-09-13 | 深圳市翩翩科技有限公司 | 一种医生推荐方法及装置 |
CN110232971B (zh) * | 2019-05-24 | 2022-04-12 | 深圳市翩翩科技有限公司 | 一种医生推荐方法及装置 |
CN112420176A (zh) * | 2019-08-22 | 2021-02-26 | 浙江远图互联科技股份有限公司 | 基于结构化信息库的分级导诊系统 |
CN110910998A (zh) * | 2019-12-05 | 2020-03-24 | 北京明略软件系统有限公司 | 一种针对患者病情信息推荐医生的方法及装置 |
CN110993084A (zh) * | 2019-12-18 | 2020-04-10 | 腾讯科技(深圳)有限公司 | 一种对象排序方法、装置、设备及可读存储介质 |
CN111475713A (zh) * | 2020-03-13 | 2020-07-31 | 京东方科技集团股份有限公司 | 医生信息推荐方法、装置、电子设备、系统及存储介质 |
CN111415760A (zh) * | 2020-03-26 | 2020-07-14 | 潘佳亮 | 医生推荐方法、系统、计算机设备及存储介质 |
CN111415760B (zh) * | 2020-03-26 | 2023-10-13 | 潘佳亮 | 医生推荐方法、系统、计算机设备及存储介质 |
CN113782163A (zh) * | 2021-03-29 | 2021-12-10 | 北京京东拓先科技有限公司 | 信息推送方法、装置和计算机可读存储介质 |
CN113724814A (zh) * | 2021-08-23 | 2021-11-30 | 泰康保险集团股份有限公司 | 一种分诊方法、装置、计算设备及存储介质 |
CN113724814B (zh) * | 2021-08-23 | 2024-03-22 | 泰康保险集团股份有限公司 | 一种分诊方法、装置、计算设备及存储介质 |
CN114065856A (zh) * | 2021-11-16 | 2022-02-18 | 北京和兴创联健康科技有限公司 | 基于医生画像的医生推荐方法、装置、设备及存储介质 |
CN114220537A (zh) * | 2022-02-18 | 2022-03-22 | 橙意家人科技(天津)有限公司 | 一种基于互联网医院的ai智能在线诊断方法及云系统 |
CN116631638A (zh) * | 2023-05-11 | 2023-08-22 | 上海麦色医疗科技有限公司 | 一种基于人工智能的医疗数据多通路搜索系统 |
CN116631638B (zh) * | 2023-05-11 | 2023-12-12 | 上海麦色医疗科技有限公司 | 一种基于人工智能的医疗数据多通路搜索系统 |
Also Published As
Publication number | Publication date |
---|---|
CN107563120B (zh) | 2021-06-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107563120A (zh) | 针对患者的医生推荐方法及装置 | |
US10984324B2 (en) | Automatic generation of training cases and answer key from historical corpus | |
US11200968B2 (en) | Verifying medical conditions of patients in electronic medical records | |
Cho et al. | Detecting patient deterioration using artificial intelligence in a rapid response system | |
US9230060B2 (en) | Associating records in healthcare databases with individuals | |
US20190287685A1 (en) | String classification apparatus and methods using artificial intelligence | |
US20220101967A1 (en) | Methods for automatic cohort selection in epidemiologic studies and clinical trials | |
WO2021073110A1 (zh) | 基于对话机器人的分诊方法、装置、存储介质及机器人 | |
WO2021143056A1 (zh) | 文本结论智能推荐方法、装置、计算机设备及计算机可读存储介质 | |
TWI521467B (zh) | Nursing decision support system | |
CN115497616B (zh) | 一种感染性疾病辅助决策的方法、系统、设备及存储介质 | |
CN111476029A (zh) | 资源推荐方法和装置 | |
CN107093426A (zh) | 语音的输入方法、装置及系统 | |
Kamio et al. | Mechanical ventilation-related safety incidents in general care wards and ICU settings | |
CN111568445B (zh) | 一种基于谵妄动态预测模型的谵妄风险监测方法及系统 | |
Rapp et al. | Toward a quantitative characterization of patient-therapist communication | |
Boggiano et al. | Multidisciplinary management of laryngeal pathology identified in patients with COVID-19 following trans-laryngeal intubation and tracheostomy | |
Liu et al. | American college of surgeons NSQIP risk calculator accuracy using a machine learning algorithm compared with regression | |
Nieminen et al. | Sudden hearing loss following vaccination against COVID-19 | |
Rosen et al. | Emergency department and hospital utilization among older adults before and after identification of elder mistreatment | |
Moffat et al. | Accuracy of machine learning models to predict in-hospital cardiac arrest: a systematic review | |
CN117292783A (zh) | 医学影像报告生成系统 | |
Kannan et al. | The accuracy vs. coverage trade-off in patient-facing diagnosis models | |
US20220036180A1 (en) | Reinforcement learning approach to approximate a mental map of formal logic | |
CN113658688A (zh) | 基于无分词深度学习的临床决策支持方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |