CN108198631A - 循证医疗结果生成方法与装置 - Google Patents
循证医疗结果生成方法与装置 Download PDFInfo
- Publication number
- CN108198631A CN108198631A CN201810110364.3A CN201810110364A CN108198631A CN 108198631 A CN108198631 A CN 108198631A CN 201810110364 A CN201810110364 A CN 201810110364A CN 108198631 A CN108198631 A CN 108198631A
- Authority
- CN
- China
- Prior art keywords
- illness
- doubtful
- result
- prescription
- state
- 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.)
- Pending
Links
Landscapes
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明提供了一种循证医疗结果生成方法与装置,涉及医疗领域。该循证医疗结果生成方法与装置先通过病症共享资源进行大数据分析获得当前病症结果,然后依据当前病症结果以及处方共享资源进行大数据分析而获得医疗处方结果,从而实现了医疗资源数据共享、操作方便、诊断正确率高、节省时间以及人工成本,用户体验感高,医疗处方结果的治病疗效医生容易获取,且医生可以根据治疗效果优化和改良治疗水平。
Description
技术领域
本发明涉及医疗领域,具体而言,涉及一种循证医疗结果生成方法与装置。
背景技术
治疗通常是指干预或改变特定健康状态的过程,为解除病痛所进行的活动。当前生活中,人们在患病时通常需要到达指定的医院然后排队挂号、然后医生进行询问以及诊断,然而医生的时间精力均有限,单个医生并不能通晓所有疾病的知识和经验;一流医生门诊的误诊和陋诊率均在60%以上,诊断正确率较低;甚至许多医生对单个疾病的认识甚至还不如患过该疾病的患者,并且在实际治疗过程中转诊、导诊、会诊均要专业人员参与,耗时、成本高、费尽周折,另外,病人被诊治后疗效往往医生不易获取,使医生无法根据治疗效果优化和改良治疗水平。
发明内容
有鉴于此,本发明实施例的目的在于提供一种循证医疗结果生成方法与装置,以改善上述的问题。
第一方面,本发明实施例提供了一种循证医疗结果生成方法,所述循证医疗结果生成方法包括:
接收一客户端发送的表征疾病症状信息的多个病情关键词;
依据多个病情关键词、预先训练的非线性病症结果查找模型、预建立的历史病症库包含的多个病情关键词训练样本以及多个病情关键词训练样本分别形成的多套病情关键词样本关联的历史病症结果查找出多个疑似病症结果;
依据每个疑似病症结果对应的预设定的计分权重规则、输入的多个病情关键词计算出多个疑似程度分值;
提取疑似程度分值最高的疑似病症结果作为当前病症结果;
接收客户端发送的病症结果信息、优先级需求信息;
根据所述病症结果信息从预先创建的处方知识库中查找出与病症结果信息关联的多个疑似病症医疗处方以及每个疑似病症医疗处方对应的处方属性结果;
依据优先级需求信息以及每个疑似病症医疗处方对应的处方属性结果从多个疑似病症医疗处方提取优先级最高的疑似病症医疗处方作为医疗处方结果。
第二方面,本发明实施例还提供了一种循证医疗结果生成装置,所述循证医疗结果生成装置包括:
信息接收单元,用于接收客户端发送的表征疾病症状信息的多个病情关键词;
查找单元,用于依据多个病情关键词、预先训练的非线性病症结果查找模型、预建立的历史病症库包含的多个病情关键词训练样本以及多个病情关键词训练样本分别形成的多套病情关键词样本关联的历史病症结果查找出多个疑似病症结果;
计算单元,用于依据每个疑似病症结果对应的预设定的计分权重规则、输入的多个病情关键词计算出多个疑似程度分值;
结果生成单元,用于提取疑似程度分值最高的疑似病症结果作为当前病症结果;
所述信息接收单元还用于接收一客户端发送的病症结果信息、优先级需求信息;
所述查找单元还用于根据所述病症结果信息从预先创建的处方知识库中查找出与病症结果信息关联的多个疑似病症医疗处方以及每个疑似病症医疗处方对应的处方属性结果;
所述结果生成单元还用于依据优先级需求信息以及每个疑似病症医疗处方对应的处方属性结果从多个疑似病症医疗处方提取优先级最高的疑似病症医疗处方作为医疗处方结果。
与现有技术相比,本发明提供的循证医疗结果生成方法与装置,先通过病症共享资源进行大数据分析获得当前病症结果,然后依据当前病症结果以及处方共享资源进行大数据分析而获得医疗处方结果,从而实现了医疗资源数据共享、操作方便、诊断正确率高、节省时间以及人工成本,用户体验感高,医疗处方结果的治病疗效医生容易获取,且医生可以根据治疗效果优化和改良治疗水平。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
图1为本发明实施例提供的服务器与客户端的交互示意图;
图2为本发明实施例提供的服务器的结构框图;
图3为本发明实施例提供的循证医疗结果生成方法的流程图;
图4为本发明实施例提供的循证医疗结果生成装置的功能模块示意图。
图标:100-客户端;200-服务器;400-病症结果生成装置;101-处理器;102-存储器;103-存储控制器;104-外设接口;301-信息接收单元;302-查找单元;303-计算单元;304-判断单元;305-信息发送单元;306-结果生成单元。
具体实施方式
下面将结合本发明实施例中附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明较佳实施例所提供的循证医疗结果生成方法与装置可应用于如图1所示的应用环境中。如图1所示,客户端100、服务器200位于网络中,通过该网络,客户端100与服务器200进行数据交互。于本发明实施例中,客户端100中安装有至少一个应用程序(Application,APP),与服务器200相对应,为用户提供服务。该服务器200可以是,但不限于,网络服务器、数据库服务器、云端服务器等等。该客户端100可以是,但不限于智能手机、个人电脑(personal computer,PC)、平板电脑、个人数字助理(personal digitalassistant,PDA)、移动上网设备(mobile Internet device,MID)等。客户端100的操作系统可以是,但不限于,安卓(Android)系统、IOS(iPhone operating system)系统、Windowsphone系统、Windows系统等。
图2示出了一种可应用于本发明实施例中的服务器200的结构框图。服务器200包括循证医疗结果生成装置400、存储器102、存储控制器103、处理器101以及外设接口104。
存储器102、存储控制器103及处理器101,各元件相互之间直接或间接地电性连接,以实现数据的传输或交互。例如,这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。循证医疗结果生成装置400包括至少一个可以软件或固件(firmware)的形式存储于存储器102中或固化在客户端100的操作系统(operating system,OS)中的软件功能模块。处理器101用于执行存储器102中存储的可执行模块,例如,循证医疗结果生成装置400包括的软件功能模块或计算机程序。
其中,存储器102可以是,但不限于,随机存取存储器(Random Access Memory,RAM),只读存储器102Read Only Memory,ROM),可编程只读存储器(Programmable Read-Only Memory,PROM),可擦除只读存储器(Erasable Programmable Read-Only Memory,EPROM),电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory,EEPROM)等。其中,存储器102用于存储程序,处理器101在接收到执行指令后,执行程序,前述本发明实施例任一实施例揭示的流过程定义的服务端所执行的方法可以应用于处理器101中,或者由处理器101实现。
处理器101可能是一种集成电路芯片,具有信号的处理能力。上述的处理器101可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器101也可以是任何常规的处理器101等。
外设接口104将各种输入/输出装置耦合至处理器101以及存储器102。在一些实施例中,外设接口104、处理器101以及存储控制器103可以在单个芯片中实现。在其他一些实例中,他们可以分别由独立的芯片实现。
可以理解,图2所示的结构仅为示意,服务器200还可包括比图2中所示更多或者更少的组件,或者具有与图2所示不同的配置。图2中所示的各组件可以采用硬件、软件或其组合实现。
请参阅图3,本发明实施例还提供了一种循证医疗结果生成方法,述循证医疗结果生成方法包括:
步骤S301:接收一客户端100发送的表征疾病症状信息的多个病情关键词。
具体地,病人可以在客户端100的应用程序界面输入多个病情关键词,然后点击“确认”按钮,从而将多个病情关键词发送至客户端100。其中,本实施例中,病情关键词可以为“咳嗽”、“接触史”、“疫区”“年龄”、“性别”、“心动过缓”等等与病症判定有关的词语,在此仅仅是举例说明。需要说明的是,由于在客户端100仅仅利用文字与病人进行交互,效率很低,且常出现偏差和无效交互,因此可以在客户端100的应用程序嵌入音频、视频或图片等多媒体附件,让病人很容易比对,以使病人更为准确的输入病情关键词。
步骤S301具体地执行方式可以为接收客户端100发送的表征疾病症状信息的一个或多个病情关键词;查找与一个或多个病情关键词关联的疑似病情关键词;将一个或多个病情关键词关联的疑似病情关键词发送至客户端100;再次接收客户端100发送的从多个疑似病情关键词中选择出的多个病情关键词。
步骤S302:依据多个病情关键词、预先训练的非线性病症结果查找模型、预建立的历史病症库包含的多个病情关键词训练样本以及多个病情关键词训练样本分别形成的多套病情关键词样本关联的历史病症结果查找出多个疑似病症结果。
其中,预先训练的非线性病症结果查找模型为决策树算法模型或神经网络算法模型或支持向量机算法模型或遗传算法模型或聚类算法模型。
其中,决策树算法模型为决策树算法是一种逼近离散函数值的方法。它是一种典型的分类方法,首先对数据进行处理,利用归纳算法生成可读的规则和决策树,然后使用决策对新数据进行分析。本质上决策树是通过一系列规则对数据进行分类的过程。决策树构造可以分两步进行,第一步,决策树的生成:由训练样本集生成决策树的过程。一般情况下,训练样本数据集是根据实际需要有历史的、有一定综合程度的,用于数据分析处理的数据集。第二步,决策树的剪枝:决策树的剪枝是对上一阶段生成的决策树进行检验、校正和修下的过程,主要是用新的样本数据集(称为测试数据集)中的数据校验决策树生成过程中产生的初步规则,将那些影响预衡准确性的分枝剪除。神经网络算法模型具有自适应与自组织能力,利用给定的样本标准进行分类或模仿,在依据训练样本进行学习或训练过程中改变突触权重值,以适应周围环境的要求。支持向量机算法模型是与相关的学习算法有关的监督学习模型,可以分析数据,识别模式,用于分类和回归分析,给定一组训练样本,每个标记为属于两类,一个SVM训练算法建立了一个模型,分配新的实例为一类或其他类,使其成为非概率二元线性分类。
其中,多个疑似病症结果可以为“百日咳”、“肺肾阴虚咳嗽”、“痰热咳嗽”等等与多个病情关键词的疑似病症结果。
步骤S303:依据每个疑似病症结果对应的预设定的计分权重规则、输入的多个病情关键词计算出多个疑似程度分值。
其中,预设定的计分权重规则可以为例如,疑似病症结果为“百日咳”时,若病情关键词包括“有接触史”-5分,“痉挛性阵发性咳嗽”-40分;“病程大于14天”-40分等等,具体依据实际病例而定。
较佳地,步骤S303的具体执行过程可以为:
步骤S3031:依据每个疑似病症结果对输入的多个病情关键词进行病情属性分类。
其中,病情属性可以包括“流行病学史”、“典型或非典型症状”、“实验检测数据”等等。例如,“流行病学史”包括“发病季节”、“疫区”、“接触史”、“预防接触史”等病情关键词;“典型或非典型症状”包括“呼吸暂停”、“窒息”、“青紫”、“心动过缓”。
步骤S3032:依据每个病情属性分类对应的计分权重规则对不同类别的多个病情关键词进行计分。
每个病情属性分类对应的计分权重规则可以为发病季节为春秋时-5分、在百日咳流行疫区时-5分、有接触史-5分、有预防接触史-5分;呼吸暂停-5分、窒息-5分、青紫-5分、心动过缓-5分。
步骤S304:提取疑似程度分值最高的疑似病症结果作为当前病症结果。
若多个疑似病症结果的得分分别为“百日咳”-90分;“肺肾阴虚咳嗽”-75分;“痰热咳嗽”-60分,则将“百日咳”作为当前病症结果,并将当前病症结果传输至客户端100进行显示。
另外,还可以将多个疑似程度分值进行降序排列;当在预设定的时间内获得用户输入的分值选择指令时,将用户选择的疑似程度分值作为当前病症结果;当在预设定的时间内未获得用户输入的分值选择指令时,提取疑似程度分值最高的疑似病症结果作为当前病症结果。
为了进一步增强当前病症结果的可靠性,该病症结果生成方法还包括:
步骤S305:判断最高的疑似程度分值是否小于预设定的分数阈值时,如果是,则执行步骤S306。
步骤S306:接收客户端100发送的表征疾病症状信息的多个疾病检查数据关键词。
例如,预设定的分数阈值可以为80分,具体依据实际情况而设定。疾病检查数据关键词可以包括“外周血白细胞数量”、“外周血淋巴细胞”、“有从痰、鼻咽部分泌物分离到的百日咳鲍特菌”,“恢复期血清特异性抗体比急性期的增长倍数”。
步骤S307:依据预设定的检查数据分类对应的计分权重规则以及多个疾病检查数据关键词进行计分,从而获得疾病检查数据分值。
其中,检查数据分类对应的计分权重规则可以为“外周血白细胞数量”大于>10000/DL-5分;“外周血淋巴细胞”大于30%-5分、“有从痰、鼻咽部分泌物分离到的百日咳鲍特菌”-5分,“恢复期血清特异性抗体比急性期的增长倍数”大于4倍-5分。
步骤S308:将先前获得的疑似程度分值与疾病检查数据分值相加从而获得新的疑似程度分值。
例如,疾病检查数据分值为10分,先前获得的疑似程度分值为70分,则新的疑似程度分值为80分,获得的新的疑似程度分数值80分可以作为当前病症结果的参考数据。
需要说明的是,上述的计分权重规则可以依据实际需求而定,在此仅仅是举例说明,上述的病情关键词、病情属性分类、疾病检查数据关键词也可以依据实际需求而定,在此仅仅是举例说明。
步骤S309:接收客户端发送的病症结果信息、优先级需求信息。
具体地,病人可以在客户端100的应用程序界面输入病症结果信息、优先级需求信息,然后点击“确认”按钮,从而将病症结果信息、优先级需求信息发送至客户端100。其中,病症结果信息可以为“慢性咽炎”、“支气管炎”、“百日咳”等当前人类常患的病症,在此不做限制,本实施例以病症结果为“百日咳”进行说明。另外,优先级需求信息可以为“医疗价格最低处方需求”、“治疗效果最佳处方需求”、“疗程最短处方需求”等等,在此仅仅是列举说明,具体可以依据患者的实际需求而定。
步骤S310:根据所述病症结果信息从预先创建的处方知识库中查找出与病症结果信息关联的多个疑似病症医疗处方以及每个疑似病症医疗处方对应的处方属性结果。
其中,预先创建的处方知识库为先前的患者经治疗后反馈的治疗效果、病症结果以及治疗处方结果以及医生根据经验输入的病症结果以及治疗处方,经过自学习与训练或者进行PDCA循环不断的优化,以大数据融合的方式预先创建的处方知识库。
其中,当病症结果为“百日咳”时,且治疗对象为婴儿时,疑似病症医疗处方其中一种方案可以如表1所示。
表1
当病症结果为“百日咳”,且治疗对象为青少年或成人时,疑似病症医疗处方另一种方案可以如表2所示。
表2
步骤S311:依据优先级需求信息以及每个疑似病症医疗处方对应的处方属性结果从多个疑似病症医疗处方提取优先级最高的疑似病症医疗处方作为医疗处方结果。
具体地,例如,当优先级需求信息采用医疗价格最低处方需求时,处方属性结果包含医疗价格,可以依据医疗价格最低处方需求以及每个疑似病症医疗处方对应的处方属性结果从多个疑似病症医疗处方提取医疗价格最低的疑似病症医疗处方作为医疗处方结果。
再例如,当优先级需求信息采用治疗效果最佳处方需求时,处方属性结果包含治疗效果,可以依据治疗效果最佳处方需求以及每个疑似病症医疗处方对应的处方属性结果从多个疑似病症医疗处方提取治疗效果最佳的疑似病症医疗处方作为医疗处方结果。
具体地,当病症结果为“百日咳”时,且治疗对象为婴儿时,处方属性结果可以如表3所示。
表3
当病症结果为“百日咳”,且治疗对象为青少年或成人时,处方属性结果可以如表4所示。
表4
步骤S312:接收客户端100发送的押金金额。
步骤S313:在接收到客户端100发送的押金金额后将医疗处方结果发送至客户端100显示。
需要说明的是,在患者未缴纳押金金额前,可以显示医疗处方结果治疗方案属性结果,以供患者进行参考选择,待患者缴纳押金金额后,即可从客户端100的应用程序界面查阅到医疗处方结果。
步骤S314:在预设定的时间后接收客户端100反馈的治疗效果。
步骤S315:将押金金额退回客户端100。
步骤S316:将客户端100反馈的治疗效果以及该治疗效果对应的医疗处方结果存储至处方知识库。
请参阅图4,本发明实施例还提供了一种循证医疗结果生成装置400,需要说明的是,本实施例所提供的循证医疗结果生成装置400,其基本原理及产生的技术效果和上述实施例相同,为简要描述,本实施例部分未提及之处,可参考上述的实施例中相应内容。所述循证医疗结果生成装置400包括信息接收单元301、查找单元302、计算单元303、判断单元304、结果生成单元306。
信息接收单元301用于接收客户端100发送的表征疾病症状信息的多个病情关键词。
具体地,信息接收单元301还用于接收客户端100发送的表征疾病症状信息的多个病情关键词;查找单元302用于查找与一个或多个病情关键词关联的疑似病情关键词;信息发送单元305用于将一个或多个病情关键词关联的疑似病情关键词发送至客户端;信息接收单元301还用于再次接收客户端100发送的从多个疑似病情关键词中选择出多个病情关键词。
查找单元302用于依据多个病情关键词、预先训练的非线性病症结果查找模型、预建立的历史病症库包含的多个病情关键词训练样本以及多个病情关键词训练样本分别形成的多套病情关键词样本关联的历史病症结果查找出多个疑似病症结果。
其中,预先训练的非线性病症结果查找模型可以为但不限于决策树算法模型或神经网络算法模型或支持向量机算法模型或遗传算法模型或聚类算法模型。
计算单元303用于依据每个疑似病症结果对应的预设定的计分权重规则、输入的多个病情关键词计算出多个疑似程度分值。
具体地,计算单元303包括:分类子模块,用于依据每个疑似病症结果对输入的多个病情关键词进行病情属性分类;计分子模块,用于依据每个病情属性分类对应的计分权重规则对不同类别的多个病情关键词进行计分;计算子模块,用于将每个计算得到的多个计分值相加从而获得每个疑似病症结果对应的疑似程度分值。
结果生成单元306用于提取疑似程度分值最高的疑似病症结果作为当前病症结果。
判断单元304用于判断最高的疑似程度分值小于预设定的分数阈值。
另外,信息接收单元301还用于在最高的疑似程度分值小于预设定的分数阈值时,接收客户端100发送的表征疾病症状信息的多个疾病检查数据关键词;计分子模块还用于依据预设定的检查数据分类对应的计分权重规则以及多个疾病检查数据关键词进行计分,从而获得疾病检查数据分值;计算子模块还用于将先前获得的疑似程度分值与疾病检查数据分值相加从而获得新的疑似程度分值。
所述信息接收单元301还用于接收一客户端发送的病症结果信息、优先级需求信息。
所述查找单元302还用于根据所述病症结果信息从预先创建的处方知识库中查找出与病症结果信息关联的多个疑似病症医疗处方以及每个疑似病症医疗处方对应的处方属性结果。
所述结果生成单元306还用于依据优先级需求信息以及每个疑似病症医疗处方对应的处方属性结果从多个疑似病症医疗处方提取优先级最高的疑似病症医疗处方作为医疗处方结果。
例如,结果生成单元306可以用于依据医疗价格最低处方需求以及每个疑似病症医疗处方对应的处方属性结果从多个疑似病症医疗处方提取医疗价格最低的疑似病症医疗处方作为医疗处方结果。
再例如,结果生成单元306还可以用于依据治疗效果最佳处方需求以及每个疑似病症医疗处方对应的处方属性结果从多个疑似病症医疗处方提取治疗效果最佳的疑似病症医疗处方作为医疗处方结果。
综上所述,本发明提供的循证医疗结果生成方法与装置先通过病症共享资源进行大数据分析获得当前病症结果,然后依据当前病症结果以及处方共享资源进行大数据分析而获得医疗处方结果,从而实现了医疗资源数据共享、操作方便、诊断正确率高、节省时间以及人工成本,用户体验感高,医疗处方结果的治病疗效医生容易获取,且医生可以根据治疗效果优化和改良治疗水平。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。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。应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
Claims (10)
1.一种循证医疗结果生成方法,其特征在于,所述循证医疗结果生成方法包括:
接收一客户端发送的表征疾病症状信息的多个病情关键词;
依据多个病情关键词、预先训练的非线性病症结果查找模型、预建立的历史病症库包含的多个病情关键词训练样本以及多个病情关键词训练样本分别形成的多套病情关键词样本关联的历史病症结果查找出多个疑似病症结果;
依据每个疑似病症结果对应的预设定的计分权重规则、输入的多个病情关键词计算出多个疑似程度分值;
提取疑似程度分值最高的疑似病症结果作为当前病症结果;
接收客户端发送的病症结果信息、优先级需求信息;
根据所述病症结果信息从预先创建的处方知识库中查找出与病症结果信息关联的多个疑似病症医疗处方以及每个疑似病症医疗处方对应的处方属性结果;
依据优先级需求信息以及每个疑似病症医疗处方对应的处方属性结果从多个疑似病症医疗处方提取优先级最高的疑似病症医疗处方作为医疗处方结果。
2.根据权利要求1所述的循证医疗结果生成方法,所述依据每个疑似病症结果对应的预设定的计分权重规则、输入的多个病情关键词计算出多个疑似程度分值的步骤包括:
依据每个疑似病症结果对输入的多个病情关键词进行病情属性分类;
依据每个所述病情属性分类对应的计分权重规则对不同类别的多个病情关键词进行计分;
将每个计算得到的多个计分值相加从而获得每个疑似病症结果对应的疑似程度分值。
3.根据权利要求2所述的循证医疗结果生成方法,其特征在于,在所述提取疑似程度分值最高的疑似病症结果作为当前病症结果的步骤之前,所述循证医疗结果生成方法还包括:
在最高的疑似程度分值小于预设定的分数阈值时,接收客户端发送的表征疾病症状信息的多个疾病检查数据关键词;
依据预设定的检查数据分类对应的计分权重规则以及所述多个疾病检查数据关键词进行计分,从而获得疾病检查数据分值;
将先前获得的疑似程度分值与疾病检查数据分值相加从而获得新的疑似程度分值。
4.根据权利要求1所述的循证医疗结果生成方法,其特征在于,所述接收客户端发送的表征疾病症状信息的多个病情关键词的步骤包括:
接收客户端发送的表征疾病症状信息的一个或多个病情关键词;
查找与一个或多个病情关键词关联的疑似病情关键词;
将一个或多个病情关键词关联的疑似病情关键词发送至所述客户端;
再次接收客户端发送的从多个疑似病情关键词中选择出的多个病情关键词。
5.根据权利要求1所述的循证医疗结果生成方法,其特征在于,所述预先训练的非线性病症结果查找模型为决策树算法模型或神经网络算法模型或支持向量机算法模型或遗传算法模型或聚类算法模型。
6.根据权利要求1所述的循证医疗结果生成方法,其特征在于,所述优先级需求信息为医疗价格最低处方需求,所述处方属性结果包含医疗价格,所述依据优先级需求信息以及每个疑似病症医疗处方对应的处方属性结果从多个疑似病症医疗处方提取优先级最高的疑似病症医疗处方作为医疗处方结果的步骤包括:
依据医疗价格最低处方需求以及每个疑似病症医疗处方对应的处方属性结果从多个疑似病症医疗处方提取医疗价格最低的疑似病症医疗处方作为医疗处方结果。
7.根据权利要求1所述的循证医疗结果生成方法,其特征在于,所述优先级需求信息为治疗效果最佳处方需求,所述处方属性结果包含治疗效果,所述依据优先级需求信息以及每个疑似病症医疗处方对应的处方属性结果从多个疑似病症医疗处方提取优先级最高的疑似病症医疗处方作为医疗处方结果的步骤包括:
依据治疗效果最佳处方需求以及每个疑似病症医疗处方对应的处方属性结果从多个疑似病症医疗处方提取治疗效果最佳的疑似病症医疗处方作为医疗处方结果。
8.根据权利要求1所述的循证医疗结果生成方法,其特征在于,所述循证医疗结果生成方法还包括:
接收所述客户端发送的押金金额;
在接收到所述客户端发送的押金金额后将医疗处方结果发送至所述客户端显示。
9.根据权利要求8所述的循证医疗结果生成方法,其特征在于,所述循证医疗结果生成方法还包括:
在预设定的时间后接收所述客户端反馈的治疗效果;
将所述押金金额退回所述客户端;
将所述客户端反馈的治疗效果以及该治疗效果对应的医疗处方结果存储至所述处方知识库。
10.一种循证医疗结果生成装置,其特征在于,所述循证医疗结果生成装置包括:
信息接收单元,用于接收客户端发送的表征疾病症状信息的多个病情关键词;
查找单元,用于依据多个病情关键词、预先训练的非线性病症结果查找模型、预建立的历史病症库包含的多个病情关键词训练样本以及多个病情关键词训练样本分别形成的多套病情关键词样本关联的历史病症结果查找出多个疑似病症结果;
计算单元,用于依据每个疑似病症结果对应的预设定的计分权重规则、输入的多个病情关键词计算出多个疑似程度分值;
结果生成单元,用于提取疑似程度分值最高的疑似病症结果作为当前病症结果;
所述信息接收单元还用于接收一客户端发送的病症结果信息、优先级需求信息;
所述查找单元还用于根据所述病症结果信息从预先创建的处方知识库中查找出与病症结果信息关联的多个疑似病症医疗处方以及每个疑似病症医疗处方对应的处方属性结果;
所述结果生成单元还用于依据优先级需求信息以及每个疑似病症医疗处方对应的处方属性结果从多个疑似病症医疗处方提取优先级最高的疑似病症医疗处方作为医疗处方结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810110364.3A CN108198631A (zh) | 2018-02-05 | 2018-02-05 | 循证医疗结果生成方法与装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810110364.3A CN108198631A (zh) | 2018-02-05 | 2018-02-05 | 循证医疗结果生成方法与装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108198631A true CN108198631A (zh) | 2018-06-22 |
Family
ID=62592619
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810110364.3A Pending CN108198631A (zh) | 2018-02-05 | 2018-02-05 | 循证医疗结果生成方法与装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108198631A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109545394A (zh) * | 2018-11-21 | 2019-03-29 | 上海依智医疗技术有限公司 | 一种问诊方法及装置 |
CN109545350A (zh) * | 2018-11-21 | 2019-03-29 | 上海依智医疗技术有限公司 | 一种导诊方法及装置 |
CN109545384A (zh) * | 2018-11-21 | 2019-03-29 | 上海依智医疗技术有限公司 | 一种医学诊断方法及装置 |
CN112002420A (zh) * | 2020-10-29 | 2020-11-27 | 科大讯飞(苏州)科技有限公司 | 一种评分模型训练方法及装置 |
CN112309586A (zh) * | 2019-07-26 | 2021-02-02 | 深圳百诺明医说科技有限公司 | 提高医疗机器人推送信息与用户病症适配度的方法及系统 |
CN113593670A (zh) * | 2021-08-05 | 2021-11-02 | 江西省科学院应用物理研究所 | 一种家用直流电刺激医疗设备的处方生成方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1423789A (zh) * | 2000-02-14 | 2003-06-11 | 第一咨询公司 | 自动诊断系统和方法 |
CN106210125A (zh) * | 2016-08-03 | 2016-12-07 | 杨明志 | 一种互联网中医诊疗系统 |
-
2018
- 2018-02-05 CN CN201810110364.3A patent/CN108198631A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1423789A (zh) * | 2000-02-14 | 2003-06-11 | 第一咨询公司 | 自动诊断系统和方法 |
CN106210125A (zh) * | 2016-08-03 | 2016-12-07 | 杨明志 | 一种互联网中医诊疗系统 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109545394A (zh) * | 2018-11-21 | 2019-03-29 | 上海依智医疗技术有限公司 | 一种问诊方法及装置 |
CN109545350A (zh) * | 2018-11-21 | 2019-03-29 | 上海依智医疗技术有限公司 | 一种导诊方法及装置 |
CN109545384A (zh) * | 2018-11-21 | 2019-03-29 | 上海依智医疗技术有限公司 | 一种医学诊断方法及装置 |
CN112309586A (zh) * | 2019-07-26 | 2021-02-02 | 深圳百诺明医说科技有限公司 | 提高医疗机器人推送信息与用户病症适配度的方法及系统 |
CN112002420A (zh) * | 2020-10-29 | 2020-11-27 | 科大讯飞(苏州)科技有限公司 | 一种评分模型训练方法及装置 |
CN113593670A (zh) * | 2021-08-05 | 2021-11-02 | 江西省科学院应用物理研究所 | 一种家用直流电刺激医疗设备的处方生成方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108198631A (zh) | 循证医疗结果生成方法与装置 | |
US11600390B2 (en) | Machine learning clinical decision support system for risk categorization | |
KR102088980B1 (ko) | 사용자 맞춤형 의료정보 제공 시스템 및 이의 구동방법 | |
US20200242626A1 (en) | Fraud lead detection system for efficiently processing database-stored data and automatically generating natural language explanatory information of system results for display in interactive user interfaces | |
WO2022141861A1 (zh) | 情感分类方法、装置、电子设备及存储介质 | |
CN108320798A (zh) | 病症结果生成方法与装置 | |
US11450434B2 (en) | Implementation of machine-learning based query construction and pattern identification through visualization in user interfaces | |
Lee et al. | Technology opportunity discovery using deep learning-based text mining and a knowledge graph | |
CN106919794A (zh) | 面向多数据源的药品类实体识别方法及装置 | |
Duggal et al. | Impact of selected pre-processing techniques on prediction of risk of early readmission for diabetic patients in India | |
CN111400613A (zh) | 物品推荐方法、装置、介质及计算机设备 | |
CN107194715A (zh) | 社会行为数据模型的构建方法 | |
Sarker et al. | K-nearest neighbor learning based diabetes mellitus prediction and analysis for eHealth services | |
CN109636650A (zh) | 用药方案异常的识别方法、装置、终端及可读存储介质 | |
Hu et al. | Predicting the quality of online health expert question-answering services with temporal features in a deep learning framework | |
Delnevo et al. | Patients reactions to non-invasive and invasive prenatal tests: a machine-based analysis from reddit posts | |
Alenizi et al. | Machine learning approach for diabetes prediction | |
Iddrisu et al. | A sentiment analysis framework to classify instances of sarcastic sentiments within the aviation sector | |
CN114817683A (zh) | 一种信息推荐方法、装置、计算机设备及存储介质 | |
Baechle et al. | A framework for the estimation and reduction of hospital readmission penalties using predictive analytics | |
Lu et al. | Performance of multilabel machine learning models and risk stratification schemas for predicting stroke and bleeding risk in patients with non-valvular atrial fibrillation | |
Stiglic et al. | Pediatric readmission classification using stacked regularized logistic regression models | |
CN108021941A (zh) | 药物肝毒性预测方法及装置 | |
CN116881554A (zh) | 一种医疗处方推荐方法、装置、电子设备和可读存储介质 | |
CN111627566A (zh) | 适应症信息处理方法与装置、存储介质、电子设备 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180622 |
|
RJ01 | Rejection of invention patent application after publication |