CN108231174A - 一种确定科室的方法、装置及系统 - Google Patents
一种确定科室的方法、装置及系统 Download PDFInfo
- Publication number
- CN108231174A CN108231174A CN201711307586.6A CN201711307586A CN108231174A CN 108231174 A CN108231174 A CN 108231174A CN 201711307586 A CN201711307586 A CN 201711307586A CN 108231174 A CN108231174 A CN 108231174A
- Authority
- CN
- China
- Prior art keywords
- main suit
- section office
- field
- mark
- guiding doctor
- 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
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000012549 training Methods 0.000 claims abstract description 22
- 201000010099 disease Diseases 0.000 claims description 87
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 87
- 238000012545 processing Methods 0.000 claims description 17
- 238000004891 communication Methods 0.000 claims description 10
- 238000004458 analytical method Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 238000009223 counseling Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000004140 cleaning Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 238000013178 mathematical model Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 208000019901 Anxiety disease Diseases 0.000 description 1
- 230000036506 anxiety Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000008103 glucose Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Landscapes
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明提供了一种确定科室的方法、装置及系统,该方法包括:获取第一数量的历史导医数据,各历史导医数据中均包括至少一个第一主诉字段及其对应的科室标识;基于历史导医数据训练导医模型,该导医模型中包括至少一个科室标识及各科室标识对应的至少一个第二主诉字段;确定外部客户端发来的患者主诉信息所对应的至少一个第三主诉字段;基于导医模型,确定该至少一个第三主诉字段对应的目标科室标识,并将目标科室标识对应的科室名称发送给客户端。患者通过自身的客户端输入主诉信息时,客户端即可将接收到的科室名称展示于患者,以使患者明确挂号科室,这一导医方式能够同时满足众多患者的咨询需求。因此,本方案能够提高患者导医体验。
Description
技术领域
本发明涉及计算机技术领域,特别涉及一种确定科室的方法、装置及系统。
背景技术
患者到医院看病就诊,首先需要处理的就是挂号问题。
目前,当患者对挂号科室不明确时,可以咨询医院的导医台。
但是,人工导医通常无法同时满足众多患者的咨询需求,从而导致患者导医体验不佳。
发明内容
本发明提供了一种确定科室的方法、装置及系统,能够提高患者导医体验。
为了达到上述目的,本发明是通过如下技术方案实现的:
第一方面,本发明提供了一种确定科室的方法,获取第一数量的历史导医数据,其中,每一条所述历史导医数据中均包括至少一个第一主诉字段、所述至少一个第一主诉字段对应的科室标识;基于所述第一数量的历史导医数据,训练导医模型,其中,所述导医模型中包括至少一个科室标识及每一个科室标识对应的至少一个第二主诉字段;还包括:
接收外部的客户端发来的患者主诉信息;
确定所述患者主诉信息所对应的至少一个第三主诉字段;
基于所述导医模型,确定所述至少一个第三主诉字段对应的目标科室标识;
将所述目标科室标识对应的科室名称发送给所述客户端。
进一步地,所述基于所述第一数量的历史导医数据,训练导医模型,包括:确定至少一个科室标识,其中,所述至少一个科室标识中包括有任一所述历史导医数据中的科室标识;针对所述至少一个科室标识中的每一个科室标识均执行:收集当前科室标识对应的每一个第一主诉字段;根据公式一,计算收集到的每一个第一主诉字段的出现概率;在判断出收集到的一第一主诉字段的出现概率不小于第一预设阈值时,确定该第一主诉字段对应于所述当前科室标识;
所述公式一包括:
其中,N为收集到的当前科室标识对应的全部第一主诉字段的总个数,ni为所述全部第一主诉字段中的第i个第一主诉字段的出现次数,ηi为所述第i个第一主诉字段的出现概率。
进一步地,所述基于所述导医模型,确定所述至少一个第三主诉字段对应的目标科室标识,包括:针对所述导医模型中包括的每一个科室标识均执行:根据公式二,计算当前科室标识的匹配度;确定计算出的全部匹配度中的最大匹配度,其中,所述目标科室标识的匹配度为所述最大匹配度;
所述公式二包括:
其中,ki为所述至少一个第三主诉字段中的第i个第三主诉字段对于当前科室标识的预设权重,n为所述至少一个第三主诉字段的个数;Y为当前科室标识的匹配度。
进一步地,每一条所述历史导医数据中还包括:所述至少一个第一主诉字段对应的疾病代码;
所述至少一个第二主诉字段划分为至少一组第四主诉字段;
所述导医模型中还包括每一组所述第四主诉字段对应的疾病代码;
进一步包括:针对所述导医模型中包括的每一个疾病代码均执行:计算当前疾病代码的匹配度;确定计算出的全部匹配度中的最大匹配度;确定具有所述最大匹配度的目标疾病代码;将所述目标疾病代码的匹配度及其对应的疾病名称发送给所述客户端。
进一步地,该方法还包括:基于所述导医模型,确定所述至少一个第三主诉字段对应的至少一个目的疾病代码,其中,任一所述目的疾病代码的匹配度均不小于第二预设阈值;将每一个所述目的疾病代码的匹配度及其对应的疾病名称发送给所述客户端。
第二方面,本发明提供了一种服务端,包括:
模型训练单元,用于获取第一数量的历史导医数据,其中,每一条所述历史导医数据中均包括至少一个第一主诉字段、所述至少一个第一主诉字段对应的科室标识;基于所述第一数量的历史导医数据,训练导医模型,其中,所述导医模型中包括至少一个科室标识及每一个科室标识对应的至少一个第二主诉字段;
通信单元,用于接收外部的客户端发来的患者主诉信息;将处理单元发来的目标科室标识对应的科室名称发送给所述客户端;
确定单元,用于确定所述患者主诉信息所对应的至少一个第三主诉字段;
所述处理单元,用于基于所述导医模型,确定所述至少一个第三主诉字段对应的目标科室标识。
进一步地,所述模型训练单元,具体用于确定至少一个科室标识,其中,所述至少一个科室标识中包括有任一所述历史导医数据中的科室标识;针对所述至少一个科室标识中的每一个科室标识均执行:收集当前科室标识对应的每一个第一主诉字段;根据公式一,计算收集到的每一个第一主诉字段的出现概率;在判断出收集到的一第一主诉字段的出现概率不小于第一预设阈值时,确定该第一主诉字段对应于所述当前科室标识;
所述公式一包括:
其中,N为收集到的当前科室标识对应的全部第一主诉字段的总个数,ni为所述全部第一主诉字段中的第i个第一主诉字段的出现次数,ηi为所述第i个第一主诉字段的出现概率。
进一步地,所述处理单元,具体用于针对所述导医模型中包括的每一个科室标识均执行:根据公式二,计算当前科室标识的匹配度;确定计算出的全部匹配度中的最大匹配度,其中,所述目标科室标识的匹配度为所述最大匹配度;
所述公式二包括:
其中,ki为所述至少一个第三主诉字段中的第i个第三主诉字段对于当前科室标识的预设权重,n为所述至少一个第三主诉字段的个数;Y为当前科室标识的匹配度。
进一步地,每一条所述历史导医数据中还包括:所述至少一个第一主诉字段对应的疾病代码;
所述至少一个第二主诉字段划分为至少一组第四主诉字段;
所述导医模型中还包括每一组所述第四主诉字段对应的疾病代码;
所述处理单元,还用于针对所述导医模型中包括的每一个疾病代码均执行:计算当前疾病代码的匹配度;确定计算出的全部匹配度中的最大匹配度;确定具有所述最大匹配度的目标疾病代码;将所述目标疾病代码的匹配度及其对应的疾病名称发送给所述客户端。
第三方面,本发明提供了一种确定科室的系统,包括:
上述任一所述的服务端,以及至少一个客户端;
每一个所述客户端,均用于基于提供的用户交流界面,接收外部输入的患者主诉信息;将所述患者主诉信息发送给所述服务端;基于所述用户交流界面,展示所述服务端发来的科室名称。
本发明提供了一种确定科室的方法、装置及系统,该方法包括:获取第一数量的历史导医数据,各历史导医数据中均包括至少一个第一主诉字段及其对应的科室标识;基于历史导医数据训练导医模型,该导医模型中包括至少一个科室标识及各科室标识对应的至少一个第二主诉字段;确定外部客户端发来的患者主诉信息所对应的至少一个第三主诉字段;基于导医模型,确定该至少一个第三主诉字段对应的目标科室标识,并将目标科室标识对应的科室名称发送给客户端。患者通过自身的客户端输入主诉信息时,客户端即可将接收到的科室名称展示于患者,以使患者明确挂号科室,这一导医方式能够同时满足众多患者的咨询需求。因此,本发明能够提高患者导医体验。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术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是本发明一实施例提供的一种确定科室的方法的流程图;
图2是本发明一实施例提供的另一种确定科室的方法的流程图;
图3是本发明一实施例提供的一种服务端的示意图;
图4是本发明一实施例提供的一种确定科室的系统的示意图。
具体实施方式
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,基于本发明中的实施例,本领域普通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。
如图1所示,本发明实施例提供了一种确定科室的方法,可以包括以下步骤:
步骤101:获取第一数量的历史导医数据,其中,每一条所述历史导医数据中均包括至少一个第一主诉字段、所述至少一个第一主诉字段对应的科室标识。
步骤102:基于所述第一数量的历史导医数据,训练导医模型,其中,所述导医模型中包括至少一个科室标识及每一个科室标识对应的至少一个第二主诉字段。
步骤103:接收外部的客户端发来的患者主诉信息。
步骤104:确定所述患者主诉信息所对应的至少一个第三主诉字段。
步骤105:基于所述导医模型,确定所述至少一个第三主诉字段对应的目标科室标识。
步骤106:将所述目标科室标识对应的科室名称发送给所述客户端。
本发明实施例提供了一种确定科室的方法,获取第一数量的历史导医数据,各历史导医数据中均包括至少一个第一主诉字段及其对应的科室标识;基于历史导医数据训练导医模型,该导医模型中包括至少一个科室标识及各科室标识对应的至少一个第二主诉字段;确定外部客户端发来的患者主诉信息所对应的至少一个第三主诉字段;基于导医模型,确定该至少一个第三主诉字段对应的目标科室标识,并将目标科室标识对应的科室名称发送给客户端。患者通过自身的客户端输入主诉信息时,客户端即可将接收到的科室名称展示于患者,以使患者明确挂号科室,这一导医方式能够同时满足众多患者的咨询需求。因此,本发明实施例能够提高患者导医体验。
详细地,任一患者在医院完成一次就医时,通常会对应的存在一条历史导医原始数据。其中,该历史导医原始数据至少可以包括患者主诉信息、患者所患疾病、患者就医所在科室等。其中,患者主诉信息可以进一步包括患者病情描述,以及辅助检查结果等。
在本发明一个实施例中,可以建立汇集医院信息系统原始数据的数据库,即原始库,从而可以将多个地区、多个时间段的历史导医原始数据进行汇集后入库,以确保样本的多样性和准确性。
在本发明一个实施例中,可以将原始库中的历史导医原始数据进行备份,并根据预设的数据清洗标准,对该备份数据进行清洗。然后,可以利用Kettle等ETL(Extract-Transform-Load,抽取、转换、装载)工具将清洗后的数据抽取到清洗库。
在本发明一个实施例中,数据清洗标准可以如下述表1所述。
表1
详细地,对于任一历史导医原始数据,经数据清洗,可以获得其对应的历史导医数据。
在本发明一个实施例中,对于一历史导医原始数据,可以包括内码,病例内码,就诊时间,科室内码,科室名称,主诉,现病史,既往史,辅助检查结果,诊断类型,疾病代码等。在本发明实施例中,可以仅采集主诉、辅助检查结果、科室内码、疾病代码。其中,经智能分词过滤,可以将主诉和辅助检查结果处理为上述主诉字段。因此,对于任一历史导医数据,至少可以包括:至少一个第一主诉字段、科室标识、疾病标识。
进一步地,在本发明一个实施例中,可以结合智慧导医项目所需的数据,设计分析库用于存储清洗后的数据。
在本发明一个实施例中,在项目搭建的实验室环境中,可以利用大数据平台的Sqoop工具,将清洗库中的历史导医数据抽取到HDFS(Hadoop Distributed File System,Hadoop分布式文件系统)中,从而建立分析库。其中,Sqoop抽取项目和命令可以如下述表2所述。
表2
详细地,在分析库中,可以基于其中的历史导医数据,训练导医模型。
优选地,为保证所训练出的导医模型的准确性,用于训练导医模型的历史导医数据通常海量。因此,上述第一数量的数值通常较大。
在本发明一个实施例中,为了说明一种训练导医模型的可能实现方式,所以,所述基于所述第一数量的历史导医数据,训练导医模型,包括:确定至少一个科室标识,其中,所述至少一个科室标识中包括有任一所述历史导医数据中的科室标识;针对所述至少一个科室标识中的每一个科室标识均执行:收集当前科室标识对应的每一个第一主诉字段;根据下述公式(1),计算收集到的每一个第一主诉字段的出现概率;在判断出收集到的一第一主诉字段的出现概率不小于第一预设阈值时,确定该第一主诉字段对应于所述当前科室标识;
其中,N为收集到的当前科室标识对应的全部第一主诉字段的总个数,ni为所述全部第一主诉字段中的第i个第一主诉字段的出现次数,ηi为所述第i个第一主诉字段的出现概率。
举例来说,假设获取到的第一数量的历史导医数据如下述表3所示。
表3
序号 | 第一主诉字段 | 科室标识 | 疾病标识 |
1 | 字段1、字段2、字段3、字段1、字段3 | 科室1 | 疾病1 |
2 | 字段1、字段4、字段5、字段5、字段5 | 科室1 | 疾病2 |
3 | 字段6、字段7、字段8、 | 科室2 | 疾病3 |
…… | …… | …… | …… |
基于上述表3,确定出的至少一个科室标识中将至少包括:科室1、科室2。假设当前科室标识为科室1,则收集到的科室1对应的每一个第一主诉字段至少可以包括:字段1、字段2、字段3、字段4、字段5。
假设表3中除序号1和序号2外,不存在任一序号的历史导医数据中包括有科室1,如此,科室1对应的每一个第一主诉字段即为:字段1、字段2、字段3、字段4、字段5。如此,可以利用上述公式1计算各第一主诉字段的出现概率。由表3可知,科室1对应的全部第一主诉字段的总个数为10个,字段1的出现次数为3次,故出现概率为30%。同理,经计算,字段2的出现概率为10%、字段3的出现概率为20%、字段4的出现概率为10%、字段5的出现概率为30%。
假设第一预设阈值为20%,则可以确定,在字段1~字段5中,仅字段1、字段3和字段5对应于科室1。如此,训练出的导医模型中,科室1对应的第二主诉字段分别为字段1、字段3和字段5,而不包括字段2和字段4。
可以看出,对于任一科室标识,其对应的第一主诉字段的集合将包括其对应的第二主诉字段的集合。
如此,基于同样的实现原理,可以训练出导医模型。
在本发明一个实施例中,导医模型中,各科室标识对应的主诉字段集合中,还可以包括人为定义的一些字段。比如,一人为定义字段可以为:空腹血糖不低于一阈值。
在本发明一个实施例中,同样可以采用其他方式来训练导医模型。比如,基于上述内容,可以计算科室1对应的各第一主诉字段的出现次数的平均值,并将出现次数不低于平均值的字段,确定为科室1对应的第二主诉字段。
基于上述内容可以看出,表1中的海量历史导医数据可以全部作为训练数据来训练导医模型。对应地,在本发明另一实施例中,可以对表1中的海量历史导医数据进行划分,一大部分作为训练数据来训练导医模型,一小部分作为实验数据,或称验证数据,来验证训练出的导医模型的准确性。
在可能的情况下,可以利用实验数据对训练出的导医模型进行调整。甚至,可以由工作人员根据经验对训练出的导医模型进行调整。
在本发明一个实施例中,患者当不明确所挂科室时,可以基于自身的客户端,比如智能手机、个人电脑等,输入患者主诉信息。客户端将该患者主诉信息发送至服务端,服务端可以基于上述数据清洗标准,对患者主诉信息进行清洗处理,以获得其对应的每一个第三主诉字段。
在本发明一个实施例中,为了说明一种根据导医模型和患者主诉信息来确定患者所挂科室的可能实现方式,所以,所述基于所述导医模型,确定所述至少一个第三主诉字段对应的目标科室标识,包括:针对所述导医模型中包括的每一个科室标识均执行:根据下述公式(2),计算当前科室标识的匹配度;确定计算出的全部匹配度中的最大匹配度,其中,所述目标科室标识的匹配度为所述最大匹配度;
其中,ki为所述至少一个第三主诉字段中的第i个第三主诉字段对于当前科室标识的预设权重,n为所述至少一个第三主诉字段的个数;Y为当前科室标识的匹配度。
详细地,可以根据上述至少一个第三主诉字段,计算导医模型中各科室标识的匹配度。其中,可以将匹配度最高的科室标识推荐给患者。
以上述科室1为例,科室1对应的各第二主诉字段中,其之前计算出的相应出现概率存在差异。通常情况下,对于任一主诉字段,其出现概率越高,该主诉字段对相应科室标识的贡献越大。如此,各第二主诉字段的出现概率可以与其权重成正比。
基于此,假设科室1对应的各第二主诉字段的权重分别为:字段1的权重为5、字段3的权重为4、字段5的权重为5。假设上述至少一个第三主诉字段为:字段1、字段3、字段9、字段1,如此,经计算,科室1的匹配度为14,即14=5+4+0+5。
请参考上述表3,每一条历史导医数据中还可以包括疾病标识。其中,每一个科室标识可以对应于至少一个疾病标识。
但是,在本发明一个实施例中,当表3中每一条历史导医数据中不包括科室标识时,可以根据上述确定患者主诉信息所对应的科室标识的过程,基于同样的实现原理,来确定患者主诉信息所对应的疾病标识。
由于一个科室可以诊断至少一种疾病,故可以预设这一对应关系,当确定出一匹配度最高的疾病标识时,可以通过查找这一对应关系,来确定出一科室标识,并将该科室标识对应的科室名称推送至客户端。
另一方面,如图3所示,当每一条历史导医数据中均包括科室标识和疾病标识,且为基于实际需求和提高用户体验,以向其展示患者所可能患有的疾病时,可以对训练出的导医模型进行处理,从而根据处理后的导医模型,确定出一疾病标识,以推送给患者。
因此,在本发明一个实施例中,每一条所述历史导医数据中还包括:所述至少一个第一主诉字段对应的疾病代码;
所述至少一个第二主诉字段划分为至少一组第四主诉字段;
所述导医模型中还包括每一组所述第四主诉字段对应的疾病代码;
进一步包括:针对所述导医模型中包括的每一个疾病代码均执行:计算当前疾病代码的匹配度;确定计算出的全部匹配度中的最大匹配度;确定具有所述最大匹配度的目标疾病代码;将所述目标疾病代码的匹配度及其对应的疾病名称发送给所述客户端。
详细地,基于上述内容可知,科室1对应的所有第二主诉字段可以为:字段1、字段3、字段5。其中,对于科室1,可以划分出两组第四主诉字段,比如对应于疾病1的字段1和字段3,以及对应于疾病2的字段1和字段5。
如此,基于各疾病对应的第四主诉字段的集合,可以确定出具有最大匹配度的疾病代码。可以看出,上述第四主诉字段是在确定出的第二主诉字段的基础之上划分而得的。
进一步地,在本发明一个实施例中,该方法还可以包括:基于所述导医模型,确定所述至少一个第三主诉字段对应的至少一个目的疾病代码,其中,任一所述目的疾病代码的匹配度均不小于第二预设阈值;将每一个所述目的疾病代码的匹配度及其对应的疾病名称发送给所述客户端。
如此,服务端不仅可以将客户端推送匹配度最高的疾病,还可以推送匹配度相对较高的疾病,以及推送计算出的各疾病对应的匹配度。
综上所述,本发明实施例通过收集、整理和清洗海量医院信息系统数据作为基础数据资源,利用大数据平台对数据进行分析得到训练数据,利用机器学习框架训练并构建相应的数学模型,使用特定框架开发用户交流界面并调用相关数据模型,以使患者在界面输入病症后,即可得到分诊科室的结果。
因此,这一方式使用大数据技术整合分析所需数据,采用机器学习相关框架和算法,将长久积累的主观判断经验转化为具体的、可供计算机使用的数学模型,实现了医院导医分诊的自动化、智能化处理,解决了患者进入医院就诊的首个问题,缓解了医院人力资源紧张的问题,提高了挂号效率和就诊效率,做到了真正的以人为本。
基于上述内容,如图2所示,本发明一个实施例提供了另一种确定科室的方法,具体包括以下步骤:
步骤201:服务端获取第一数量的历史导医数据,其中,每一条历史导医数据中均包括至少一个第一主诉字段、至少一个第一主诉字段对应的科室标识。
步骤202:服务端基于第一数量的历史导医数据,训练导医模型,其中,导医模型中包括至少一个科室标识及每一个科室标识对应的至少一个第二主诉字段、至少一个疾病标识及每一个疾病标识对应的至少一个第四主诉字段。
步骤203:客户端将外部输入的患者主诉信息发送给服务端。
步骤204:服务端确定患者主诉信息所对应的至少一个第三主诉字段。
步骤205:服务端基于导医模型,确定至少一个第三主诉字段对应的目标科室标识、目标疾病标识、至少一个目的疾病标识。
步骤206:服务端将目标科室标识对应的科室名称、目标疾病标识对应的疾病名称和匹配度、每一个目的疾病标识对应的疾病名称和匹配度发送给客户端。
步骤207:客户端展示服务端发来的科室名称、每一个疾病名称及其匹配度。
如图3所示,本发明一个实施例提供了一种服务端,包括:
模型训练单元301,用于获取第一数量的历史导医数据,其中,每一条所述历史导医数据中均包括至少一个第一主诉字段、所述至少一个第一主诉字段对应的科室标识;基于所述第一数量的历史导医数据,训练导医模型,其中,所述导医模型中包括至少一个科室标识及每一个科室标识对应的至少一个第二主诉字段;
通信单元302,用于接收外部的客户端发来的患者主诉信息;将处理单元304发来的目标科室标识对应的科室名称发送给所述客户端;
确定单元303,用于确定所述患者主诉信息所对应的至少一个第三主诉字段;
所述处理单元304,用于基于所述导医模型,确定所述至少一个第三主诉字段对应的目标科室标识。
在本发明一个实施例中,所述模型训练单元301,具体用于确定至少一个科室标识,其中,所述至少一个科室标识中包括有任一所述历史导医数据中的科室标识;针对所述至少一个科室标识中的每一个科室标识均执行:收集当前科室标识对应的每一个第一主诉字段;根据上述公式(1),计算收集到的每一个第一主诉字段的出现概率;在判断出收集到的一第一主诉字段的出现概率不小于第一预设阈值时,确定该第一主诉字段对应于所述当前科室标识。
在本发明一个实施例中,所述处理单元304,具体用于针对所述导医模型中包括的每一个科室标识均执行:根据上述公式(2),计算当前科室标识的匹配度;确定计算出的全部匹配度中的最大匹配度,其中,所述目标科室标识的匹配度为所述最大匹配度。
在本发明一个实施例中,每一条所述历史导医数据中还包括:所述至少一个第一主诉字段对应的疾病代码;
所述至少一个第二主诉字段划分为至少一组第四主诉字段;
所述导医模型中还包括每一组所述第四主诉字段对应的疾病代码;
所述处理单元304,还用于针对所述导医模型中包括的每一个疾病代码均执行:计算当前疾病代码的匹配度;确定计算出的全部匹配度中的最大匹配度;确定具有所述最大匹配度的目标疾病代码;将所述目标疾病代码的匹配度及其对应的疾病名称发送给所述客户端。
在本发明一个实施例中,所述处理单元304,还用于基于所述导医模型,确定所述至少一个第三主诉字段对应的至少一个目的疾病代码,其中,任一所述目的疾病代码的匹配度均不小于第二预设阈值;将每一个所述目的疾病代码的匹配度及其对应的疾病名称发送给所述客户端。
如图4所示,本发明实施例提供了一种确定科室的系统,包括:上述任一所述的服务端401,以及至少一个客户端402;
每一个所述客户端402,均用于基于提供的用户交流界面,接收外部输入的患者主诉信息;将所述患者主诉信息发送给所述服务端401;基于所述用户交流界面,展示所述服务端401发来的科室名称。
详细地,客户端可以基于一专用的APP才展示这一用户交流页面。在该用户交流页面上,除了可以展示科室名称外,还可以展示服务端发来的每一个疾病名称以及各疾病名称的匹配度。
在本发明一个实施例中,对于上述用户交流页面,可以细分为病情描述界面、分析引导界面、智能分诊界面。其中,患者可以在病情描述界面输入患者主诉信息。在分析引导界面,可以展示与患者主诉信息所对应的关键词,以及若干推荐词,这些推荐词可以与患者主诉信息相关,但不存在于患者主诉信息中。在智能分诊界面,可以展示患者主诉信息,展示服务端发来的科室名称、每一个疾病名称及其匹配度,以及可以展示满意度评价功能区域。
如此,患者可以针对客户端所展示内容进行满意度评价,对应地,服务端可以根据这一满意度评价结果按需优化导医模型。
综上所述,本发明实施例有效利用了医疗卫生方面的基础信息资源,为百姓精确的挂号就诊提供了便利,为医院缓解了导医台人力资源紧张的情况,为智慧健康在智慧城市的建设中开辟了新的领域和方向,有效印证了大数据和机器学习等相关技术在智慧健康领域的巨大前景。
上述装置内的各单元之间的信息交互、执行过程等内容,由于与本发明方法实施例基于同一构思,具体内容可参见本发明方法实施例中的叙述,此处不再赘述。
综上所述,本发明的各个实施例至少具有如下有益效果:
1、本发明实施例中,获取第一数量的历史导医数据,各历史导医数据中均包括至少一个第一主诉字段及其对应的科室标识;基于历史导医数据训练导医模型,该导医模型中包括至少一个科室标识及各科室标识对应的至少一个第二主诉字段;确定外部客户端发来的患者主诉信息所对应的至少一个第三主诉字段;基于导医模型,确定该至少一个第三主诉字段对应的目标科室标识,并将目标科室标识对应的科室名称发送给客户端。患者通过自身的客户端输入主诉信息时,客户端即可将接收到的科室名称展示于患者,以使患者明确挂号科室,这一导医方式能够同时满足众多患者的咨询需求。因此,本发明实施例能够提高患者导医体验。
2、本发明实施例中,使用大数据技术整合分析所需数据,采用机器学习相关框架和算法,将长久积累的主观判断经验转化为具体的、可供计算机使用的数学模型,实现了医院导医分诊的自动化、智能化处理,解决了患者进入医院就诊的首个问题,缓解了医院人力资源紧张的问题,提高了挂号效率和就诊效率,做到了真正的以人为本。
需要说明的是,在本文中,诸如第一和第二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因素。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储在计算机可读取的存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质中。
最后需要说明的是:以上所述仅为本发明的较佳实施例,仅用于说明本发明的技术方案,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所做的任何修改、等同替换、改进等,均包含在本发明的保护范围内。
Claims (10)
1.一种确定科室的方法,其特征在于,获取第一数量的历史导医数据,其中,每一条所述历史导医数据中均包括至少一个第一主诉字段、所述至少一个第一主诉字段对应的科室标识;基于所述第一数量的历史导医数据,训练导医模型,其中,所述导医模型中包括至少一个科室标识及每一个科室标识对应的至少一个第二主诉字段;还包括:
接收外部的客户端发来的患者主诉信息;
确定所述患者主诉信息所对应的至少一个第三主诉字段;
基于所述导医模型,确定所述至少一个第三主诉字段对应的目标科室标识;
将所述目标科室标识对应的科室名称发送给所述客户端。
2.根据权利要求1所述的方法,其特征在于,
所述基于所述第一数量的历史导医数据,训练导医模型,包括:确定至少一个科室标识,其中,所述至少一个科室标识中包括有任一所述历史导医数据中的科室标识;针对所述至少一个科室标识中的每一个科室标识均执行:收集当前科室标识对应的每一个第一主诉字段;根据公式一,计算收集到的每一个第一主诉字段的出现概率;在判断出收集到的一第一主诉字段的出现概率不小于第一预设阈值时,确定该第一主诉字段对应于所述当前科室标识;
所述公式一包括:
其中,N为收集到的当前科室标识对应的全部第一主诉字段的总个数,ni为所述全部第一主诉字段中的第i个第一主诉字段的出现次数,ηi为所述第i个第一主诉字段的出现概率。
3.根据权利要求1所述的方法,其特征在于,
所述基于所述导医模型,确定所述至少一个第三主诉字段对应的目标科室标识,包括:针对所述导医模型中包括的每一个科室标识均执行:根据公式二,计算当前科室标识的匹配度;确定计算出的全部匹配度中的最大匹配度,其中,所述目标科室标识的匹配度为所述最大匹配度;
所述公式二包括:
其中,ki为所述至少一个第三主诉字段中的第i个第三主诉字段对于当前科室标识的预设权重,n为所述至少一个第三主诉字段的个数;Y为当前科室标识的匹配度。
4.根据权利要求1至3中任一所述的方法,其特征在于,
每一条所述历史导医数据中还包括:所述至少一个第一主诉字段对应的疾病代码;
所述至少一个第二主诉字段划分为至少一组第四主诉字段;
所述导医模型中还包括每一组所述第四主诉字段对应的疾病代码;
进一步包括:针对所述导医模型中包括的每一个疾病代码均执行:计算当前疾病代码的匹配度;确定计算出的全部匹配度中的最大匹配度;确定具有所述最大匹配度的目标疾病代码;将所述目标疾病代码的匹配度及其对应的疾病名称发送给所述客户端。
5.根据权利要求4所述的方法,其特征在于,
进一步包括:基于所述导医模型,确定所述至少一个第三主诉字段对应的至少一个目的疾病代码,其中,任一所述目的疾病代码的匹配度均不小于第二预设阈值;将每一个所述目的疾病代码的匹配度及其对应的疾病名称发送给所述客户端。
6.一种服务端,其特征在于,包括:
模型训练单元,用于获取第一数量的历史导医数据,其中,每一条所述历史导医数据中均包括至少一个第一主诉字段、所述至少一个第一主诉字段对应的科室标识;基于所述第一数量的历史导医数据,训练导医模型,其中,所述导医模型中包括至少一个科室标识及每一个科室标识对应的至少一个第二主诉字段;
通信单元,用于接收外部的客户端发来的患者主诉信息;将处理单元发来的目标科室标识对应的科室名称发送给所述客户端;
确定单元,用于确定所述患者主诉信息所对应的至少一个第三主诉字段;
所述处理单元,用于基于所述导医模型,确定所述至少一个第三主诉字段对应的目标科室标识。
7.根据权利要求6所述的服务端,其特征在于,
所述模型训练单元,具体用于确定至少一个科室标识,其中,所述至少一个科室标识中包括有任一所述历史导医数据中的科室标识;针对所述至少一个科室标识中的每一个科室标识均执行:收集当前科室标识对应的每一个第一主诉字段;根据公式一,计算收集到的每一个第一主诉字段的出现概率;在判断出收集到的一第一主诉字段的出现概率不小于第一预设阈值时,确定该第一主诉字段对应于所述当前科室标识;
所述公式一包括:
其中,N为收集到的当前科室标识对应的全部第一主诉字段的总个数,ni为所述全部第一主诉字段中的第i个第一主诉字段的出现次数,ηi为所述第i个第一主诉字段的出现概率。
8.根据权利要求6所述的服务端,其特征在于,
所述处理单元,具体用于针对所述导医模型中包括的每一个科室标识均执行:根据公式二,计算当前科室标识的匹配度;确定计算出的全部匹配度中的最大匹配度,其中,所述目标科室标识的匹配度为所述最大匹配度;
所述公式二包括:
其中,ki为所述至少一个第三主诉字段中的第i个第三主诉字段对于当前科室标识的预设权重,n为所述至少一个第三主诉字段的个数;Y为当前科室标识的匹配度。
9.根据权利要求6至8中任一所述的服务端,其特征在于,
每一条所述历史导医数据中还包括:所述至少一个第一主诉字段对应的疾病代码;
所述至少一个第二主诉字段划分为至少一组第四主诉字段;
所述导医模型中还包括每一组所述第四主诉字段对应的疾病代码;
所述处理单元,还用于针对所述导医模型中包括的每一个疾病代码均执行:计算当前疾病代码的匹配度;确定计算出的全部匹配度中的最大匹配度;确定具有所述最大匹配度的目标疾病代码;将所述目标疾病代码的匹配度及其对应的疾病名称发送给所述客户端。
10.一种确定科室的系统,其特征在于,包括:
如权利要求5至9中任一所述的服务端,以及至少一个客户端;
每一个所述客户端,均用于基于提供的用户交流界面,接收外部输入的患者主诉信息;将所述患者主诉信息发送给所述服务端;基于所述用户交流界面,展示所述服务端发来的科室名称。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711307586.6A CN108231174A (zh) | 2017-12-11 | 2017-12-11 | 一种确定科室的方法、装置及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711307586.6A CN108231174A (zh) | 2017-12-11 | 2017-12-11 | 一种确定科室的方法、装置及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108231174A true CN108231174A (zh) | 2018-06-29 |
Family
ID=62653484
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711307586.6A Pending CN108231174A (zh) | 2017-12-11 | 2017-12-11 | 一种确定科室的方法、装置及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108231174A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108986907A (zh) * | 2018-07-24 | 2018-12-11 | 郑州大学第附属医院 | 一种基于knn算法的远程医疗自动分诊方法 |
CN109300535A (zh) * | 2018-07-06 | 2019-02-01 | 北京康夫子科技有限公司 | 导诊方法、导诊装置及机器可读存储介质 |
CN109492107A (zh) * | 2018-11-21 | 2019-03-19 | 上海依智医疗技术有限公司 | 一种导诊的方法及装置 |
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 |
CN110210018A (zh) * | 2019-05-14 | 2019-09-06 | 北京百度网讯科技有限公司 | 挂号科室的匹配方法和装置 |
WO2021139146A1 (zh) * | 2020-01-09 | 2021-07-15 | 平安国际智慧城市科技股份有限公司 | 信息推荐方法、设备、计算机可读存储介质及装置 |
CN113282761A (zh) * | 2021-05-27 | 2021-08-20 | 平安科技(深圳)有限公司 | 科室信息的推送方法、装置、设备以及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103942463A (zh) * | 2014-05-15 | 2014-07-23 | 成都睿感科技有限公司 | 一种基于患者身体病症的导医系统 |
CN104021302A (zh) * | 2014-06-18 | 2014-09-03 | 北京邮电大学 | 一种基于贝叶斯文本分类模型的辅助挂号方法 |
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 |
CN106777971A (zh) * | 2016-12-15 | 2017-05-31 | 杭州卓健信息科技有限公司 | 一种智能导诊方法及其装置 |
CN107403068A (zh) * | 2017-07-31 | 2017-11-28 | 合肥工业大学 | 融合临床思维的智能辅助问诊方法及系统 |
-
2017
- 2017-12-11 CN CN201711307586.6A patent/CN108231174A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103942463A (zh) * | 2014-05-15 | 2014-07-23 | 成都睿感科技有限公司 | 一种基于患者身体病症的导医系统 |
CN104021302A (zh) * | 2014-06-18 | 2014-09-03 | 北京邮电大学 | 一种基于贝叶斯文本分类模型的辅助挂号方法 |
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 |
CN106777971A (zh) * | 2016-12-15 | 2017-05-31 | 杭州卓健信息科技有限公司 | 一种智能导诊方法及其装置 |
CN107403068A (zh) * | 2017-07-31 | 2017-11-28 | 合肥工业大学 | 融合临床思维的智能辅助问诊方法及系统 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109300535A (zh) * | 2018-07-06 | 2019-02-01 | 北京康夫子科技有限公司 | 导诊方法、导诊装置及机器可读存储介质 |
CN108986907A (zh) * | 2018-07-24 | 2018-12-11 | 郑州大学第附属医院 | 一种基于knn算法的远程医疗自动分诊方法 |
CN109492107A (zh) * | 2018-11-21 | 2019-03-19 | 上海依智医疗技术有限公司 | 一种导诊的方法及装置 |
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 |
CN110210018A (zh) * | 2019-05-14 | 2019-09-06 | 北京百度网讯科技有限公司 | 挂号科室的匹配方法和装置 |
CN110210018B (zh) * | 2019-05-14 | 2023-07-11 | 北京百度网讯科技有限公司 | 挂号科室的匹配方法和装置 |
WO2021139146A1 (zh) * | 2020-01-09 | 2021-07-15 | 平安国际智慧城市科技股份有限公司 | 信息推荐方法、设备、计算机可读存储介质及装置 |
CN113282761A (zh) * | 2021-05-27 | 2021-08-20 | 平安科技(深圳)有限公司 | 科室信息的推送方法、装置、设备以及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108231174A (zh) | 一种确定科室的方法、装置及系统 | |
CN108461151B (zh) | 一种知识图谱的逻辑增强方法及装置 | |
CN104951894B (zh) | 医院疾病管理智能分析和评估系统 | |
CN108778097A (zh) | 用于评估心力衰竭的装置和方法 | |
CN110570941B (zh) | 一种基于文本语义向量模型评估心理状态的系统和装置 | |
CN107833603A (zh) | 电子病历文档分类方法、装置、电子设备及存储介质 | |
CN112037910B (zh) | 健康信息管理方法、装置、设备及存储介质 | |
CN108122607A (zh) | 基于大数据进行患者体验评测优化服务系统 | |
CN114220537B (zh) | 一种基于互联网医院的ai智能在线诊断方法及云系统 | |
CN107430645A (zh) | 用于重症监护病房中的实验室值自动化分析和风险通知的系统 | |
Saifudin et al. | Hospital digitalization in the era of industry 4.0 based on GHRM and service quality | |
CN106845916A (zh) | 一种基于净水器的智能app考勤管理及状态监控方法 | |
CN117497149A (zh) | 一种基于人工智能的医院管理方法及系统 | |
CN108269612A (zh) | 使用云平台进行大数据挖掘的医疗机构体验推荐系统 | |
Guo et al. | Facial imaging and landmark detection technique for objective assessment of unilateral peripheral facial paralysis | |
CN111554405A (zh) | 一种循证医学rct的智能数据提取和质量评价方法 | |
CN111210912A (zh) | 一种帕金森预测方法及装置 | |
CN114117053A (zh) | 病种分类模型训练方法、装置、存储介质及电子装置 | |
Li et al. | Evaluation and selection of hospital layout based on an integrated simulation method | |
CN112735579A (zh) | 一种急诊病人快速登记治疗系统 | |
Yu et al. | cvcrand: A Package for Covariate-constrained Randomization and the Clustered Permutation Test for Cluster Randomized Trials. | |
Ben‐Gal et al. | A new standardization model for physician staffing at hospitals | |
CN109545350A (zh) | 一种导诊方法及装置 | |
CN117012380A (zh) | 事件预估方法、装置、设备、存储介质及程序产品 | |
US20200381118A1 (en) | Artificial intelligence (ai) system for individual health maintenance recommendations |
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: 20180629 |
|
RJ01 | Rejection of invention patent application after publication |