CN108766561B - 病症信息处理方法、装置、计算机设备和存储介质 - Google Patents
病症信息处理方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN108766561B CN108766561B CN201810546680.5A CN201810546680A CN108766561B CN 108766561 B CN108766561 B CN 108766561B CN 201810546680 A CN201810546680 A CN 201810546680A CN 108766561 B CN108766561 B CN 108766561B
- Authority
- CN
- China
- Prior art keywords
- inquiry
- disease
- feature
- information
- archive
- 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.)
- Active
Links
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 217
- 201000010099 disease Diseases 0.000 title claims abstract description 180
- 238000000034 method Methods 0.000 title claims abstract description 65
- 238000012545 processing Methods 0.000 title claims description 28
- 230000010365 information processing Effects 0.000 claims abstract description 20
- 238000003745 diagnosis Methods 0.000 claims description 77
- 238000003062 neural network model Methods 0.000 claims description 43
- 238000011176 pooling Methods 0.000 claims description 27
- 238000004590 computer program Methods 0.000 claims description 26
- 239000011159 matrix material Substances 0.000 claims description 26
- 230000008569 process Effects 0.000 claims description 26
- 230000004044 response Effects 0.000 claims description 22
- 238000012549 training Methods 0.000 claims description 20
- 238000007689 inspection Methods 0.000 claims description 17
- 238000010276 construction Methods 0.000 claims description 13
- 238000000605 extraction Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 11
- 238000012360 testing method Methods 0.000 claims description 10
- 238000013507 mapping Methods 0.000 claims description 6
- 238000003672 processing method Methods 0.000 abstract description 5
- 208000035475 disorder Diseases 0.000 description 31
- 208000024891 symptom Diseases 0.000 description 22
- 241000700647 Variola virus Species 0.000 description 7
- 230000036541 health Effects 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000004088 simulation Methods 0.000 description 5
- 238000001356 surgical procedure Methods 0.000 description 5
- 239000013566 allergen Substances 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 239000003814 drug Substances 0.000 description 4
- 239000000284 extract Substances 0.000 description 4
- 238000012163 sequencing technique Methods 0.000 description 4
- 206010020751 Hypersensitivity Diseases 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 229940079593 drug Drugs 0.000 description 3
- 230000014509 gene expression Effects 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 208000010201 Exanthema Diseases 0.000 description 2
- 230000000172 allergic effect Effects 0.000 description 2
- 230000007815 allergy Effects 0.000 description 2
- 208000010668 atopic eczema Diseases 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 201000005884 exanthem Diseases 0.000 description 2
- 208000021760 high fever Diseases 0.000 description 2
- 210000003734 kidney Anatomy 0.000 description 2
- 210000000056 organ Anatomy 0.000 description 2
- 206010037844 rash Diseases 0.000 description 2
- 231100000046 skin rash Toxicity 0.000 description 2
- 210000002784 stomach Anatomy 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 208000000059 Dyspnea Diseases 0.000 description 1
- 206010013975 Dyspnoeas Diseases 0.000 description 1
- 208000005577 Gastroenteritis Diseases 0.000 description 1
- 208000006083 Hypokinesia Diseases 0.000 description 1
- 206010028748 Nasal obstruction Diseases 0.000 description 1
- 229930182555 Penicillin Natural products 0.000 description 1
- 208000009205 Tinnitus Diseases 0.000 description 1
- 208000026935 allergic disease Diseases 0.000 description 1
- 208000030961 allergic reaction Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000000890 antigenic effect Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 230000036760 body temperature Effects 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 208000002173 dizziness Diseases 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 208000015181 infectious disease Diseases 0.000 description 1
- 230000002458 infectious effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010827 pathological analysis Methods 0.000 description 1
- 150000002960 penicillins Chemical class 0.000 description 1
- 230000004962 physiological condition Effects 0.000 description 1
- 210000002345 respiratory system Anatomy 0.000 description 1
- 208000013220 shortness of breath Diseases 0.000 description 1
- 229940083538 smallpox vaccine Drugs 0.000 description 1
- 231100000886 tinnitus Toxicity 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/284—Lexical analysis, e.g. tokenisation or collocates
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Epidemiology (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Computational Linguistics (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本申请涉及一种病症信息处理方法、装置、计算机设备和存储介质。所述方法包括：从患者的病症信息中提取病症特征词；获取患者的个人档案信息，并从个人档案信息中提取档案特征词；按照预设组合条件将病症特征词和档案特征词进行组合，得到特征词组；将特征词组输入至对应的匹配模型中，匹配模型用于根据特征词组输出相应的参考消息。采用本方法得到的参考消息综合考虑了患者的病症信息和个人档案信息，能够为患者提供准确的病症参考。
Description
技术领域
本申请涉及计算机技术领域，特别是涉及一种病症信息处理方法、装置、计算机设备和存储介质。
背景技术
传统的医疗服务系统中，患者在发现自身的某些病症后，如体温升高、鼻塞，需要前往医院进行挂号、问诊，由医生与患者进行多番沟通，了解患者的个人信息及病情，并逐步分析排除疑似病例，给出疾病判断结果。
然而，目前社会医疗资源紧张，容易出现患者在发现自身病症后，不能及时就医的情况。此外，还容易出现患者自身误判断的情况，如对于发现的某些病症表现，患者经过挂号、问诊后，医生诊断为正常情况非患病表现。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提供准确的病症参考消息的病症信息处理方法、装置、计算机设备和存储介质。
一种病症信息处理方法，所述方法包括：
从患者的病症信息中提取病症特征词；
获取患者的个人档案信息，并从个人档案信息中提取档案特征词；
按照预设组合条件将病症特征词和档案特征词进行组合，得到特征词组；
将特征词组输入至对应的匹配模型中，匹配模型用于根据特征词组输出相应的参考消息。
在其中一个实施例中，按照预设组合条件将病症特征词和档案特征词进行组合，得到特征词组的步骤包括：
按照预设的优先级划分条件，将病症特征词和档案特征词进行优先级划分；
将划分后的病症特征词和档案特征词，按照优先级级别进行组合，得到特征词组。
在其中一个实施例中，在将特征词组输入至对应的匹配模型中的步骤之前，还包括：
对特征词组进行向量化处理，构建神经网络模型的输入矩阵；
根据输入矩阵确定神经网络模型的卷积层的卷积窗口；
构建神经网络模型的池化层，池化层用于输出卷积层的最大输出值；
构建神经网络模型的全连接层，全连接层用于连接池化层的输出；
训练构建的神经网络模型，并将训练完成后的神经网络模型作为匹配模型。
在其中一个实施例中，在将特征词组输入至对应的匹配模型中的步骤之前，还包括：
确定病症信息对应的医院职能科室；
查询与医院职能科室对应的匹配模型；
将特征词组输入至对应的匹配模型中的步骤，包括：
将特征词组输入至与医院职能科室对应的匹配模型中。
在其中一个实施例中，在从患者的病症信息中提取病症特征词的步骤之前，还包括：
当接收到问诊触发消息时，根据问诊触发消息确定医院职能科室；
查询与医院职能科室对应的问诊对话模板；
通过问诊对话模板进行对话问诊，并根据对话问诊过程中的问答数据得到病症信息。
在其中一个实施例中，在查询与医院职能科室对应的问诊对话模板的步骤之前，还包括：
获取问诊对话数据集，问诊对话数据集包括有序的提问数据及对应的应答数据；
按照提问数据的排序，分别生成对应的问诊节点；
从提问数据中提取提问关键词，并根据提问关键词设定对应的问诊节点的节点属性；
根据提问数据和应答数据，确定问诊节点间的节点流转条件；
将各问诊节点按照节点流转条件依次连接，得到问诊对话模板。
在其中一个实施例中，在将特征词组输入至对应的匹配模型中的步骤之后，还包括：
将参考消息作为拟诊推荐；
生成拟诊检验请求，拟诊检验请求用于请求终端对拟诊推荐进行检验；
将拟诊推荐和拟诊检验请求发送至终端；
根据终端返回的检验结果更新拟诊推荐，得到诊断推荐，并将诊断推荐进行推送。
一种病症信息处理装置，所述装置包括：
病症特征词提取模块，用于从患者的病症信息中提取病症特征词；
档案特征词提取模块，用于获取患者的个人档案信息，并从个人档案信息中提取档案特征词；
特征词组获取模块，用于按照预设组合条件将病症特征词和档案特征词进行组合，得到特征词组；
特征词组处理模块，用于将特征词组输入至对应的匹配模型中，匹配模型用于根据特征词组输出相应的参考消息。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
从患者的病症信息中提取病症特征词；
获取患者的个人档案信息，并从个人档案信息中提取档案特征词；
按照预设组合条件将病症特征词和档案特征词进行组合，得到特征词组；
将特征词组输入至对应的匹配模型中，匹配模型用于根据特征词组输出相应的参考消息。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
从患者的病症信息中提取病症特征词；
获取患者的个人档案信息，并从个人档案信息中提取档案特征词；
按照预设组合条件将病症特征词和档案特征词进行组合，得到特征词组；
将特征词组输入至对应的匹配模型中，匹配模型用于根据特征词组输出相应的参考消息。
上述病症信息处理方法、装置、计算机设备和存储介质，一方面从患者的病症信息中提取病症特征词，另一方面从患者的个人档案信息中提取档案特征词，将由病症特征词和档案特征词按照预组合条件组合得到的特征词组输入至匹配模型中，由匹配模型根据特征词组输出参考消息。得到的参考消息综合考虑了患者的病症信息和个人档案信息，能够为患者提供准确的病症参考。
附图说明
图1为一个实施例中病症信息处理方法的应用场景图；
图2为一个实施例中病症信息处理方法的流程示意图；
图3为一个实施例中病症信息获取步骤的流程示意图；
图4为另一个实施例中病症信息处理方法的流程示意图；
图5为一个实施例中病症信息处理装置的结构框图；
图6为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请提供的病症信息处理方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104通过网络进行通信。服务器104一方面从患者的病症信息中提取病症特征词，病症信息可由终端102上传至服务器104，另一方面从患者的个人档案信息中提取档案特征词，将由病症特征词和档案特征词按照预组合条件组合得到的特征词组输入至匹配模型中，匹配模型用于根据特征词组输出相应的参考消息，该参考消息可以推送至终端102。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中，如图2所示，提供了一种病症信息处理方法，以该方法应用于图1中的服务器104为例进行说明，包括以下步骤：
S201：从患者的病症信息中提取病症特征词。
病症信息是指医疗服务中，在与患者进行问诊对话过程中，医生根据自身提问及患者对应的应答内容而记录的患者疾病相关信息，具体可以但不限于包括患者的性别、年龄、生理时期情况及疾病部位、疾病名称和症状表现。病症信息由医生与患者沟通后，由医生将病症信息存储至服务器104中，此外，病症信息也可以通过在线问诊场景下汇总得到。而在医患沟通中，一般基于自然语言进行表述，最终汇总得到的病症信息可能包括无用的冗余信息，此时需要对病症信息进行清洗，提取核心的病症特征词，病症特征词可以反映出患者的各种病情信息，如患者的性别、年龄、生理时期情况及疾病部位、疾病名称和症状表现等。
具体地，可以基于TextRank关键词提取算法对病症信息进行病症特征词提取。其中，TextRank关键词提取算法是一种用于文本的基于图的排序算法，其基本思想为通过把文本分割成若干组成单元(单词、句子)并建立图模型，利用投票机制对文本中的重要成分进行排序。在具体应用时，可以根据病症信息中各词组的词性进行判断，例如代词、副词等可以初步判断为冗余数据；也可以基于对临床数据的大数据分析，根据各词组的语义进行判断，而提取出核心的病症特征词。通过从病症信息中提取病症特征词，可以有效清除冗余、无用数据，以便确保后续对病症信息的处理效率。
S203：获取患者的个人档案信息，并从个人档案信息中提取档案特征词。
病症信息是基于当前医患沟通的病理诊断过程，根据对应患者反映的病情得到的，其中涵盖的患者个人信息有限。个人档案信息包括患者的各种个人信息，具体可以包括但不限于性别、年龄、地域、体质特点、过敏源和既往病史等。在对患者的病症信息进行处理时，除已从沟通总得到的病症信息外，还可以综合患者本身的个人档案信息，以便提高对病症信息处理的可信度。例如，若患者的病症信息中出现与天花类似症状，如发生皮肤成批出现斑疹并伴随寒战，高热，乏力等症状时，对病症信息进行处理时会将天花作为重点匹配对象；而若从患者的个人档案信息中查询得到，该患者已注射天花疫苗或已患过天花并痊愈，则在对病症信息处理时，可以排除天花，选择其他病症进行匹配处理。以此，通过综合患者的个人档案信息确保了对病症信息处理的可靠性。
在具体应用中，服务器104从个人档案数据库中调取对应患者的个人档案，得到该个人档案信息。个人档案中的数据来源，可以包括但不限于患者的注册信息和医疗服务系统构建的患者病历数据库。其中，注册信息可以为患者用于注册医疗系统时所预留的信息，一般包括年龄、性别、所处地域等；健康档案是医疗服务系统为已注册患者所建立的档案数据，除了个人基本信息，如出生日期、年龄、性别外，健康档案还可以记录有用户的既往病史、过敏源等医疗健康信息。进一步地，可以在患者的病症信息变化时，将病症信息中的相关数据，存储更新至患者对应的健康档案中，以便及时更新健康档案，保证患者健康档案中个人档案信息的准确性。
获得患者的个人档案信息后，从中提取档案特征词，例如可以包括病患对象、过敏源和既往病史等档案特征词。其中，病患对象可以包括性别、年龄；过敏源包括会导致患者引起变态反应的抗原物质，例如“青霉素”；既往病史包括患者历史的诊疗数据，具体可以包括历史问诊数据、历史诊断数据、历史治疗数据及用药效果等数据。
S205：按照预设组合条件将病症特征词和档案特征词进行组合，得到特征词组。
得到病症特征词和档案特征词后，结合病症特征词和档案特征词进一步生成特征词组。特征词组为病症特征词和档案特征词按照预设的组合条件进行组合得到。例如，可以按照预设的优先级划分条件进行优先级划分后，优先级可以反映出重要程度，再按照优先级级别进行组合，得到该特征词组。
例如，若患者的病症特征词中包括“皮肤斑疹”“寒战”“乏力”“高热”，而从患者的个人档案信息中获得既往病史的档案特征词中包括“接种天花疫苗”或“患天花”时，则表征既往病史的档案特征词优先级高于病症特征词，可以根据档案特征词排除对病症信息处理为患天花的结果。在具体实现时，除有优先级设置外，病症特征词和档案特征词的组合条件可以由各医院智能科室进行对应设置。
S207：将特征词组输入至对应的匹配模型中，匹配模型用于根据特征词组输出相应的参考消息。
匹配模型包括各种疾病特征与疾病名称的映射关系，该映射关系可以但不限于为从各种疾病的疾病名称、疾病编号、病患对象、对应用药等信息中提取的疾病特征词组成，通过映射关系可以唯一确定对应的疾病。通过匹配模型可以实现特征词组与疾病特征的特征匹配，其可以对输入的特征词组进行疾病匹配处理，输出参考消息，该参考消息可作为患者对疾病的判断参考。具体的，匹配模型可以为基于贝叶斯算法得到的朴素贝叶斯概率模型，其可以根据输入的特征词组统计各疾病的概率。
匹配模型也可以基于人工神经网络算法得到的匹配神经网络，匹配神经网络可以为多层架构，如可以按照特征词组的优先级划分进行神经网络层结构划分，例如，若特征词组分为高、中和低三个优先级别，则匹配神经网络可以对应设置为三层隐藏层的结构，以与特征词组的优先级划分对应。
在具体实现时，各医院职能科室对应的匹配模型可能不同，此时，可以先查询与医院职能科室对应的匹配模型后，再将特征词组输入进行处理，得到参考消息。
上述病症信息处理方法中，一方面从患者的病症信息中提取病症特征词，另一方面从患者的个人档案信息中提取档案特征词，将由病症特征词和档案特征词按照预组合条件组合得到的特征词组输入至匹配模型中，通过匹配模型对特征词组进行处理，最后得到参考消息。得到的参考消息综合考虑了患者的病症信息和个人档案信息，能够为患者提供准确的病症参考。
在一个实施例中，按照预设组合条件将病症特征词和档案特征词进行组合，得到特征词组的步骤包括：按照预设的优先级划分条件，将病症特征词和档案特征词进行优先级划分；将划分后的病症特征词和档案特征词，按照优先级级别进行组合，得到特征词组。
特征词组由病症特征词和档案特征词按照预设的组合条件进行组合得到，组合条件可以以医院职能科室为单位进行划分，即为各医院职能科室分别设置对应的组合条件。本实施例中，按照优先级划分对病症特征词和档案特征词进行组合得到特征词组。
具体地，查询预设的优先级划分条件，并按照该优先级划分条件将病症特征词和档案特征词进行优先级划分。从病症信息中提取病症特征词和从患者的个人档案信息中提取的档案特征词涉及的类别众多，各类别的特征词对于处方生成的影响权重并不同，如对于年满18岁的成年患者而言，某些儿童疾病患病可能性低，此时患者的年龄对于匹配模型对特征词组进行处理的影响大，优先级高；又如对于性别为男的患者而言，则不会患妇科类疾病，此时患者的性别优先级高；再如，患者病症部位为胃时，则涉及大脑或肾等器官的疾病也不适用作为对应的参考消息。本实施例中，将病症特征词和档案特征词进行优先级划分，可以区分出各类别特征词在得到参考消息时的所占权重，以提高对病症信息进行处理时的效率和准确度。
在将病症特征词和档案特征词划分后，按照优先级级别进行组合，得到特征词组。在具体应用时，按照优先级从高到低进行特征词组合，得到按照优先级高低排序的特征词组。也可以为每个优先级级别设定优先级标识，再为每个特征词添加优先级标识，根据特征词和对应的优先级标识得到特征词组，在后续使用该特征词组时，按照优先级标识选择对应的特征词进行操作。通过按照优先级条件进行特征词组合，可以反映出各类别特征词的重要程度，能够有效地提高对病症信息进行处理时的效率和可信度。
进一步地，病症特征词包括疾病部位、疾病名称和症状表现，档案特征词包括病患对象、过敏源和既往病史；可以将病患对象和疾病名称划分为高优先级的特征词；将疾病部位和既往病史划分为中优先级的特征词；将症状表现和过敏源划分为低优先级的特征词。
其中，疾病部位反映了疾病直接涉及的器官、系统等部位，如呼吸系统、胃、肾等；疾病名称可以为目前医疗服务系统中所采用的国家标准疾病分类中的疾病名称，如肠胃炎；症状表现包括但不限于患者所表述的症状、感受及临床中常用表达，如头晕、耳鸣、气短等。病患对象可以包括患者的性别、年龄、生理时期等，过敏源包括会导致患者引起过敏反应的物质，既往病史可以包括但不限于患者的历史问诊数据、历史诊断数据、历史治疗数据及用药效果等。
在一个实施例中，在将特征词组输入至对应的匹配模型中的步骤之前，还包括：对特征词组进行向量化处理，构建神经网络模型的输入矩阵；根据输入矩阵确定神经网络模型的卷积层的卷积窗口；构建神经网络模型的池化层，池化层用于输出卷积层的最大输出值；构建神经网络模型的全连接层，全连接层用于连接池化层的输出；训练构建的神经网络模型，并将训练完成后的神经网络模型作为匹配模型。
预先构建匹配模型。本实施例中，基于卷积神经网络模型构建方法，构建匹配模型。具体地，将特征词组进行向量化处理，得到n×k的特征词输入矩阵，其中，n为特征词组中特征词的个数，k为各特征词的维数。
n的大小可以根据特征词组中各特征词的优先级进行选择，例如，当各优先级别中的特征词数目多时，按照优先级别从高到低的关系分别构建输入矩阵，即分别构建高优先级输入矩阵、中优先级输入矩阵和低优先级输入矩阵，对于优先级别高的输入矩阵得到的对应结果，在最终结果输出时所占权重高于优先级别低的输入矩阵得到的对应结果，以此，体现各特征词对于病症信息处理的影响大小。
该输入矩阵的类型可以是静态的，也可以是动态的。静态就是维数k是固定不变的，而动态则是在模型训练过程中，维数k也当做是可优化的参数，通常把反向误差传播导致维数k中值发生变化的这一过程称为Fine tune(微调)。对应于输入矩阵的行列数，构建卷积层的卷积窗口大小也为n×k。当输入层的输入通过卷积层的卷积操作后得到若干个列数为1的Feature Map(特征图)。池化层从卷积层输出的一维Feature Map中提取最大的值，因为不管Feature Map中有多少个值，只需要提取其中的最大值，可以解决可变长度的特征词组输入问题。最终池化层的输出为各个Feature Map的最大值，即一个一维的向量。全连接层将池化层的输出连接，形成Softmax层，Softmax层可根据任务的需要设置，最后的Softmax层反映了特征词组与疾病的映射关系。通过样本数据训练构建的神经网络模型，训练完成后即得到匹配模型。
此外，匹配模型也可以为其他类型的匹配模型，如可以为基于贝叶斯算法构建的朴素贝叶斯概率模型、以Bernoulli(伯努利)分布为模型建模的Logistic分类器、以多项式分布为模型建模的Softmax分类器等。
在一个实施例中，在将特征词组输入至对应的匹配模型中的步骤之前，还包括：确定病症信息对应的医院职能科室；查询与医院职能科室对应的匹配模型；将特征词组输入至对应的匹配模型中的步骤，包括：将特征词组输入至与医院职能科室对应的匹配模型中。
其中，医院职能科室可以为按照医疗服务中疾病类型进行划分得到的，例如可以划分为内科(血液系统类疾病)、外科(外部疾病)、妇产科、传染科。在具体实施时，还可以对医院职能科室进行多级划分，并对多级划分科室均分别设定匹配模型。例如，外科可以二级划分为骨外科、肝胆外科、神经外科、五官科、皮肤科、泌尿外科、烧伤外科，则可以分别为各二级划分科室构建匹配模型。
本实施例中，在得到特征词组后，进一步确定病症信息所属的医院职能科室。各医院职能科室具体服务的疾病类型并不相同，其具体涉及的诊疗方法也不尽相同，所以其匹配模型也是依据本科室的特点进行针对性设计得到的。具体地，可以直接从病症信息中确定其所属的医院职能科室，也可以根据得到的特征词组进行分析得到，还可以根据病症信息中对应患者挂号信息确定其所属的医院职能科室。在确定病症信息所属科室后，将其输入至对应科室的匹配模型中进行处理，能够实现有针对性地病症信息处理，有效提高得到的参考消息的可信度。
在一个实施例中，如图3所示，在从患者的病症信息中提取病症特征词的步骤之前，还包括病症信息获取的步骤：
S301：当接收到问诊触发消息时，根据问诊触发消息确定医院职能科室。
服务器104接收到终端102发出的问诊触发消息时，表示此时需要进行问诊对话，进一步根据该问诊触发消息确定医院职能科室。各医院职能科室具体服务的疾病类型并不相同，其具体涉及的诊疗方法也不尽相同，所以其问诊对话模板也是依据本科室的特点进行针对性设计得到的。在进行问诊对话时，需要确定医院职能科室，并获取对应的问诊对话模板进行问诊对话。
S303：查询与医院职能科室对应的问诊对话模板。
确定医院职能科室后，查询预设对应的问诊对话模板。通过该问诊对话模板可以与患者的问诊对话，实现问诊模拟，以简化医疗问诊过程，使问诊过程中无需医生的直接参与，有效提高问诊及病症信息获取的效率。
S305：通过问诊对话模板进行对话问诊，并根据对话问诊过程中的问答数据得到病症信息。
在利用获得的问诊对话模板进行对话问诊时，记录问诊过程中的问答数据，得到病症信息。问诊数据可以直接反映确切的患者的患病情况，具体可以包括患者性别、年龄、生理时期等个人信息，及与疾病相关的发病时间、持续时间、病症表现等患病信息。
本实施例中，直接通过问诊触发消息对应的问诊对话模板可以与患者进行问诊对话，实现问诊模拟，简化了医疗问诊过程，问诊过程中无需医生的直接参与，有效提高了病症信息获取的效率。
在一个实施例中，在查询与医院职能科室对应的问诊对话模板的步骤之前，还包括：获取问诊对话数据集，问诊对话数据集包括有序的提问数据及对应的应答数据；按照提问数据的排序，分别生成对应的问诊节点；从提问数据中提取提问关键词，并根据提问关键词设定对应的问诊节点的节点属性；根据提问数据和应答数据，确定问诊节点间的节点流转条件；将各问诊节点按照节点流转条件依次连接，得到问诊对话模板。
其中，问诊对话数据是指临床医疗服务中，医患在问诊过程中的各种对话数据，通过汇总临床问诊过程中的问诊对话数据，按照对话中的出现顺序进行组合排序，可以得到问诊对话数据集。问诊对话数据集中包括有序的提问数据及对应的应答数据，提问数据表征医生在问诊过程中的问询。
问诊节点按照各提问数据的排序对应生成，对应于临床医患问诊过程中医生的各项问题。在问诊对话数据集中，应答数据是患者针对医生的回复数据，其联系各提问数据，即对应于医生前一提问数据的回复，同时连接医生下一提问数据。从提问数据中得到提问关键词后，根据该提问关键词设定对应问诊节点的节点属性。通过配置问诊节点的节点属性，如节点标题、提问内容等，可以扩展问诊节点的功能，如实现与患者终端的灵活交互等，有利于通过问诊节点推进对话过程，实现医患问诊对话模拟。
配置完表征提问数据的问诊节点的节点属性后，各问诊节点是相互独立的模板元素，而进一步通过设置问诊节点间的节点流转条件，可以将各问诊节点连接起来，得到完整的、有联系的问诊对话模板。具体地，进一步根据提问数据和对应的应答数据确定各问诊节点间的节点流转条件。节点流转条件用于连接各问诊节点，推进问诊节点的运行，可以将与前后提问数据之间的应答数据作为前后提问数据间的流转条件。
确定问诊节点间的节点流转条件后，按照该节点流转条件将各问诊节点连接，得到问诊对话模板。如前述，问诊节点作为问诊对话模板的各项独立元素，而节点流转条件可以将各独立元素按照问诊过程的顺序形成联系，得到完整的、有序的问诊对话模板。通过得到的问诊对话模板可以与患者的问诊对话，实现问诊模拟，以简化医疗问诊过程，使问诊过程中无需医生的直接参与，有效提高问诊效率。
在一个实施例中，在将特征词组输入至对应的匹配模型中的步骤之后，还包括：将参考消息作为拟诊推荐；生成拟诊检验请求，拟诊检验请求用于请求终端对拟诊推荐进行检验；将拟诊推荐和拟诊检验请求发送至终端；根据终端返回的检验结果更新拟诊推荐，得到诊断推荐，并将诊断推荐进行推送。
由匹配模型处理得到的参考消息可以作为拟诊推荐，可以供医生或患者参考。基于医学严谨性考虑，可以对拟诊推荐进行校验、修改，进一步确保提供的拟诊推荐的可信度。具体地，得到拟诊推荐后，可以进一步生成用于请求医生终端对拟诊推荐进行检验的拟诊检验请求。在具体应用时，可以生成拟诊检验请求，并将拟诊推荐和拟诊检验请求发送至终端，由终端对应的医生进行审核及确认。当接收到医生终端返回的检验结果后，根据该检验结果更新拟诊推荐。
在一个实施例中，如图4所示，提供了一种病症信息处理方法，以该方法应用于图1中的服务器为例进行说明，包括以下步骤：
S401：当接收到问诊触发消息时，根据问诊触发消息确定医院职能科室；
S402：查询与医院职能科室对应的问诊对话模板；
S403：通过问诊对话模板进行对话问诊，并根据对话问诊过程中的问答数据得到病症信息。
本实施例中，服务器104直接通过问诊触发消息对应的问诊对话模板可以与患者进行问诊对话，实现问诊模拟，简化了医疗问诊过程，问诊过程中无需医生的直接参与，有效提高了病症信息获取的效率。
S404：从患者的病症信息中提取病症特征词；
S405：获取患者的个人档案信息，并从个人档案信息中提取档案特征词；
S406：按照预设的优先级划分条件，将病症特征词和档案特征词进行优先级划分；
S407：将划分后的病症特征词和档案特征词，按照优先级级别进行组合，得到特征词组。
本实施例中，将从患者病症信息中提取的病症特针词，和从患者的个人档案信息中提取的档案特征词按照预设的优先级划分条件进行划分后，按照优先级级别进行组合，得到特征词组。可以反映出各类别特征词的重要程度，能够有效地提高对病症信息进行处理时的效率和可信度。
S408：确定病症信息对应的医院职能科室；
S409：查询与医院职能科室对应的匹配模型；
S410：将特征词组输入至与医院职能科室对应的匹配模型中；
S411：得到参考消息。
本实施例中，得到特征词组后，进一步确定病症信息所属的医院职能科室，各医院职能科室对应的匹配模型不同。在确定病症信息所属科室后，将其输入至对应科室的匹配模型中进行处理，能够实现有针对性地病症信息处理，有效提高得到的参考消息的可信度。
S412：将参考消息作为拟诊推荐；
S413：生成拟诊检验请求，拟诊检验请求用于请求终端对拟诊推荐进行检验；
S414：将拟诊推荐和拟诊检验请求发送至终端；
S415：根据终端返回的检验结果更新拟诊推荐，得到诊断推荐，并将诊断推荐进行推送。
由匹配模型输出得到的参考消息可以作为拟诊推荐，可以供医生或患者参考。本实施例中，基于医学严谨性考虑，还对拟诊推荐进行校验、修改，进一步确保提供的拟诊推荐的可信度。
应该理解的是，虽然图2-4的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-4中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图5所示，提供了一种病症信息处理装置，包括：病症特征词提取模块501、档案特征词提取模块503、特征词组获取模块505和特征词组处理模块507，其中：
病症特征词提取模块501，用于从患者的病症信息中提取病症特征词；
档案特征词提取模块503，用于获取患者的个人档案信息，并从个人档案信息中提取档案特征词；
特征词组获取模块505，用于按照预设组合条件将病症特征词和档案特征词进行组合，得到特征词组；
特征词组处理模块507，用于将特征词组输入至对应的匹配模型中，匹配模型用于根据特征词组输出相应的参考消息。
上述病症信息处理装置中，一方面通过病症特征词提取模块从患者的病症信息中提取病症特征词，另一方面通过档案特征词提取模块从患者的个人档案信息中提取档案特征词，再通过特征词组处理模块将通过特征词组获取模块将病症特征词和档案特征词按照预组合条件组合得到的特征词组输入至匹配模型中，由匹配模型根据特征词组输出参考消息。得到的参考消息综合考虑了患者的病症信息和个人档案信息，能够为患者提供准确的病症参考。
在一个实施例中，特征词组获取模块505包括优先级划分单元和组合单元，其中：优先级划分单元，用于按照预设的优先级划分条件，将病症特征词和档案特征词进行优先级划分；组合单元，用于将划分后的病症特征词和档案特征词，按照优先级级别进行组合，得到特征词组。
在一个实施例中，还包括输入矩阵构建模块、卷积层构建模块、池化层构建模块、全连接层构建模块和训练模块，其中：输入矩阵构建模块，用于对特征词组进行向量化处理，构建神经网络模型的输入矩阵；卷积层构建模块，用于根据输入矩阵确定神经网络模型的卷积层的卷积窗口；池化层构建模块，用于构建神经网络模型的池化层，池化层用于输出卷积层的最大输出值；全连接层构建模块，用于构建神经网络模型的全连接层，全连接层用于连接池化层的输出；训练模块，用于训练构建的神经网络模型，并将训练完成后的神经网络模型作为匹配模型。
在一个实施例中，还包括科室确定模块和模型查询模块，特征词组处理模块包括特征词组输入单元，其中：科室确定模块，用于确定病症信息对应的医院职能科室；模型查询模块，用于查询与医院职能科室对应的匹配模型；特征词组输入单元，用于将特征词组输入至与医院职能科室对应的匹配模型中。
在一个实施例中，还包括问诊触发模块、对话模板查询模块和病症信息获取模块，其中：问诊触发模块，用于当接收到问诊触发消息时，根据问诊触发消息确定医院职能科室；对话模板查询模块，用于查询与医院职能科室对应的问诊对话模板；病症信息获取模块，用于通过问诊对话模板进行对话问诊，并根据对话问诊过程中的问答数据得到病症信息。
在一个实施例中，还包括数据集获取模块、问诊节点生成模块、节点属性设定模块、流转条件确定模块和对话模板生成模块，其中：数据集获取模块，用于获取问诊对话数据集，问诊对话数据集包括有序的提问数据及对应的应答数据；问诊节点生成模块，用于按照提问数据的排序，分别生成对应的问诊节点；节点属性设定模块，用于从提问数据中提取提问关键词，并根据提问关键词设定对应的问诊节点的节点属性；流转条件确定模块，用于根据提问数据和应答数据，确定问诊节点间的节点流转条件；对话模板生成模块，用于将各问诊节点按照节点流转条件依次连接，得到问诊对话模板。
在一个实施例中，还包括拟诊推荐模块、检验请求模块、发送模块和诊断推荐模块，其中：拟诊推荐模块，用于将参考消息作为拟诊推荐；检验请求模块，用于生成拟诊检验请求，拟诊检验请求用于请求终端对拟诊推荐进行检验；发送模块，用于将拟诊推荐和拟诊检验请求发送至终端；诊断推荐模块，用于根据终端返回的检验结果更新拟诊推荐，得到诊断推荐，并将诊断推荐进行推送。
关于病症信息处理装置的具体限定可以参见上文中对于病症信息处理方法的限定，在此不再赘述。上述病症信息处理装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图6所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种病症信息处理方法。
本领域技术人员可以理解，图6中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，该存储器存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
从患者的病症信息中提取病症特征词；
获取患者的个人档案信息，并从个人档案信息中提取档案特征词；
按照预设组合条件将病症特征词和档案特征词进行组合，得到特征词组；
将特征词组输入至对应的匹配模型中，匹配模型用于根据特征词组输出相应的参考消息。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
按照预设的优先级划分条件，将病症特征词和档案特征词进行优先级划分；将划分后的病症特征词和档案特征词，按照优先级级别进行组合，得到特征词组。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
对特征词组进行向量化处理，构建神经网络模型的输入矩阵；根据输入矩阵确定神经网络模型的卷积层的卷积窗口；构建神经网络模型的池化层，池化层用于输出卷积层的最大输出值；构建神经网络模型的全连接层，全连接层用于连接池化层的输出；训练构建的神经网络模型，并将训练完成后的神经网络模型作为匹配模型。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
确定病症信息对应的医院职能科室；查询与医院职能科室对应的匹配模型；将特征词组输入至与医院职能科室对应的匹配模型中。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
当接收到问诊触发消息时，根据问诊触发消息确定医院职能科室；查询与医院职能科室对应的问诊对话模板；通过问诊对话模板进行对话问诊，并根据对话问诊过程中的问答数据得到病症信息。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
获取问诊对话数据集，问诊对话数据集包括有序的提问数据及对应的应答数据；按照提问数据的排序，分别生成对应的问诊节点；从提问数据中提取提问关键词，并根据提问关键词设定对应的问诊节点的节点属性；根据提问数据和应答数据，确定问诊节点间的节点流转条件；将各问诊节点按照节点流转条件依次连接，得到问诊对话模板。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
将参考消息作为拟诊推荐；生成拟诊检验请求，拟诊检验请求用于请求终端对拟诊推荐进行检验；将拟诊推荐和拟诊检验请求发送至终端；根据终端返回的检验结果更新拟诊推荐，得到诊断推荐，并将诊断推荐进行推送。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
从患者的病症信息中提取病症特征词；
获取患者的个人档案信息，并从个人档案信息中提取档案特征词；
按照预设组合条件将病症特征词和档案特征词进行组合，得到特征词组；
将特征词组输入至对应的匹配模型中，匹配模型用于根据特征词组输出相应的参考消息。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
按照预设的优先级划分条件，将病症特征词和档案特征词进行优先级划分；将划分后的病症特征词和档案特征词，按照优先级级别进行组合，得到特征词组。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
对特征词组进行向量化处理，构建神经网络模型的输入矩阵；根据输入矩阵确定神经网络模型的卷积层的卷积窗口；构建神经网络模型的池化层，池化层用于输出卷积层的最大输出值；构建神经网络模型的全连接层，全连接层用于连接池化层的输出；训练构建的神经网络模型，并将训练完成后的神经网络模型作为匹配模型。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
确定病症信息对应的医院职能科室；查询与医院职能科室对应的匹配模型；将特征词组输入至与医院职能科室对应的匹配模型中。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
当接收到问诊触发消息时，根据问诊触发消息确定医院职能科室；查询与医院职能科室对应的问诊对话模板；通过问诊对话模板进行对话问诊，并根据对话问诊过程中的问答数据得到病症信息。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
获取问诊对话数据集，问诊对话数据集包括有序的提问数据及对应的应答数据；按照提问数据的排序，分别生成对应的问诊节点；从提问数据中提取提问关键词，并根据提问关键词设定对应的问诊节点的节点属性；根据提问数据和应答数据，确定问诊节点间的节点流转条件；将各问诊节点按照节点流转条件依次连接，得到问诊对话模板。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
将参考消息作为拟诊推荐；生成拟诊检验请求，拟诊检验请求用于请求终端对拟诊推荐进行检验；将拟诊推荐和拟诊检验请求发送至终端；根据终端返回的检验结果更新拟诊推荐，得到诊断推荐，并将诊断推荐进行推送。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (9)
1.一种病症信息处理方法，所述方法包括：
获取问诊对话数据集，所述问诊对话数据集包括有序的提问数据及对应的应答数据；
按照所述提问数据的排序，分别生成对应的问诊节点；
从所述提问数据中提取提问关键词，并根据所述提问关键词设定对应的所述问诊节点的节点属性；所述节点属性包括节点标题和提问内容；
根据所述提问数据和所述应答数据，确定所述问诊节点间的节点流转条件；
将各所述问诊节点按照所述节点流转条件依次连接，得到问诊对话模板；
当接收到问诊触发消息时，根据所述问诊触发消息确定医院职能科室；
查询与所述医院职能科室对应的问诊对话模板；
通过所述问诊对话模板进行对话问诊，并根据对话问诊过程中的问答数据得到所述病症信息；
从患者的病症信息中提取病症特征词；
获取所述患者的个人档案信息，并从所述个人档案信息中提取档案特征词；
按照预设的优先级划分条件，将所述病症特征词和所述档案特征词进行优先级划分；
将划分后的所述病症特征词和所述档案特征词，按照优先级级别进行组合，得到特征词组；所述特征词组用以区分各类别特征词在得到参考消息时的所占权重；所述参考消息作为所述患者对疾病的判断参考；
将所述特征词组输入至对应的匹配模型中，所述匹配模型用于对所述特征词组进行疾病特征匹配处理，输出相应的所述参考消息；所述匹配模型包括各种疾病特征与疾病名称的映射关系。
2.根据权利要求1所述的方法，其特征在于，在所述将所述特征词组输入至对应的匹配模型中的步骤之前，还包括：
对所述特征词组进行向量化处理，构建神经网络模型的输入矩阵；
根据所述输入矩阵确定所述神经网络模型的卷积层的卷积窗口；
构建所述神经网络模型的池化层，所述池化层用于输出所述卷积层的最大输出值；
构建所述神经网络模型的全连接层，所述全连接层用于连接所述池化层的输出；
训练构建的所述神经网络模型，并将训练完成后的所述神经网络模型作为所述匹配模型。
3.根据权利要求1所述的方法，其特征在于，在所述将所述特征词组输入至对应的匹配模型中的步骤之前，还包括：
确定所述病症信息对应的医院职能科室；
查询与所述医院职能科室对应的匹配模型；
所述将所述特征词组输入至对应的匹配模型中的步骤，包括：
将所述特征词组输入至与所述医院职能科室对应的匹配模型中。
4.根据权利要求1所述的方法，其特征在于，在所述将所述特征词组输入至对应的匹配模型中的步骤之后，还包括：
将所述参考消息作为拟诊推荐；
生成拟诊检验请求，所述拟诊检验请求用于请求终端对所述拟诊推荐进行检验；
将所述拟诊推荐和所述拟诊检验请求发送至所述终端；
根据所述终端返回的检验结果更新所述拟诊推荐，得到诊断推荐，并将所述诊断推荐进行推送。
5.一种病症信息处理装置，其特征在于，所述装置包括：
数据集获取模块，用于获取问诊对话数据集，所述问诊对话数据集包括有序的提问数据及对应的应答数据；
问诊节点生成模块，用于按照所述提问数据的排序，分别生成对应的问诊节点；
节点属性设定模块，用于从所述提问数据中提取提问关键词，并根据所述提问关键词设定对应的所述问诊节点的节点属性；所述节点属性包括节点标题和提问内容；
流转条件确定模块，用于根据所述提问数据和所述应答数据，确定所述问诊节点间的节点流转条件；
对话模板生成模块，用于将各所述问诊节点按照所述节点流转条件依次连接，得到问诊对话模板；
问诊触发模块，用于当接收到问诊触发消息时，根据所述问诊触发消息确定医院职能科室；
对话模板查询模块，用于查询与所述医院职能科室对应的问诊对话模板；
病症信息获取模块，用于通过所述问诊对话模板进行对话问诊，并根据对话问诊过程中的问答数据得到所述病症信息；
病症特征词提取模块，用于从患者的病症信息中提取病症特征词；
档案特征词提取模块，用于获取所述患者的个人档案信息，并从所述个人档案信息中提取档案特征词；
特征词组获取模块，用于按照预设的优先级划分条件，将所述病症特征词和所述档案特征词进行优先级划分；将划分后的所述病症特征词和所述档案特征词，按照优先级级别进行组合，得到所述特征词组；所述特征词组用以区分各类别特征词在得到参考消息时的所占权重；所述参考消息作为所述患者对疾病的判断参考；
特征词组处理模块，用于将所述特征词组输入至对应的匹配模型中，所述匹配模型用于对所述特征词组进行疾病特征匹配处理，输出相应的所述参考消息；所述匹配模型包括各种疾病特征与疾病名称的映射关系。
6.根据权利要求5所述的装置，其特征在于，所述装置还包括：
输入矩阵构建模块，用于对所述特征词组进行向量化处理，构建神经网络模型的输入矩阵；
卷积层构建模块，用于根据所述输入矩阵确定所述神经网络模型的卷积层的卷积窗口；
池化层构建模块，用于构建所述神经网络模型的池化层，所述池化层用于输出所述卷积层的最大输出值；
全连接层构建模块，用于构建所述神经网络模型的全连接层，所述全连接层用于连接所述池化层的输出；
训练模块，用于训练构建的所述神经网络模型，并将训练完成后的所述神经网络模型作为所述匹配模型。
7.根据权利要求5所述的装置，其特征在于，所述装置还包括：
科室确定模块，用于确定所述病症信息对应的医院职能科室；
模型查询模块，用于查询与所述医院职能科室对应的匹配模型；
所述特征词组处理模块，还用于将所述特征词组输入至与所述医院职能科室对应的匹配模型中。
8.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至4中任一项所述方法的步骤。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至4中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810546680.5A CN108766561B (zh) | 2018-05-31 | 2018-05-31 | 病症信息处理方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810546680.5A CN108766561B (zh) | 2018-05-31 | 2018-05-31 | 病症信息处理方法、装置、计算机设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108766561A CN108766561A (zh) | 2018-11-06 |
| CN108766561B true CN108766561B (zh) | 2023-12-08 |
Family
ID=64001068
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810546680.5A Active CN108766561B (zh) | 2018-05-31 | 2018-05-31 | 病症信息处理方法、装置、计算机设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108766561B (zh) |
Families Citing this family (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109616165A (zh) * | 2018-11-07 | 2019-04-12 | 平安科技（深圳）有限公司 | 医疗信息展示方法及装置 |
| CN110047584A (zh) * | 2019-04-23 | 2019-07-23 | 清华大学 | 基于深度学习的医院分诊方法、系统、装置及介质 |
| CN111224863B (zh) * | 2019-12-10 | 2021-06-22 | 平安国际智慧城市科技股份有限公司 | 会话任务生成方法、装置、计算机设备和存储介质 |
| CN111134686A (zh) * | 2019-12-19 | 2020-05-12 | 南京酷派软件技术有限公司 | 一种人体病症确定方法、装置、存储介质及终端 |
| CN111402973B (zh) * | 2020-03-02 | 2023-07-07 | 平安科技（深圳）有限公司 | 信息匹配分析方法、装置、计算机系统及可读存储介质 |
| CN111768866A (zh) * | 2020-06-30 | 2020-10-13 | 四川大学华西医院 | 一种外科急性疼痛虚拟病房的系统 |
| CN112037880B (zh) * | 2020-08-31 | 2022-07-15 | 康键信息技术（深圳）有限公司 | 用药推荐方法、装置、设备及存储介质 |
| CN111933291A (zh) * | 2020-09-03 | 2020-11-13 | 平安国际智慧城市科技股份有限公司 | 医疗信息推荐装置、方法、系统、设备及可读存储介质 |
| CN112270186B (zh) * | 2020-11-04 | 2024-02-02 | 吾征智能技术(北京)有限公司 | 一种基于熵模型的口辣文本信息匹配系统 |
| CN112802597B (zh) * | 2021-01-18 | 2023-11-21 | 吾征智能技术(北京)有限公司 | 一种新生儿黄疸的智能评估系统、设备、存储介质 |
| CN113658654A (zh) * | 2021-08-18 | 2021-11-16 | 四川大学华西医院 | 一种基于电子病历数据的症状复杂度计算方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106650261A (zh) * | 2016-12-22 | 2017-05-10 | 上海智臻智能网络科技股份有限公司 | 智能问诊方法、装置和系统 |
| CN107346369A (zh) * | 2017-05-11 | 2017-11-14 | 北京紫宸正阳科技有限公司 | 一种医疗信息处理方法及装置 |
| CN107358052A (zh) * | 2017-07-18 | 2017-11-17 | 广州有宠网络科技股份有限公司 | 一种对宠物疾病进行人工智能问诊的系统及方法 |
| CN107863147A (zh) * | 2017-10-24 | 2018-03-30 | 清华大学 | 基于深度卷积神经网络的医疗诊断的方法 |
| CN108053883A (zh) * | 2017-12-22 | 2018-05-18 | 北京鑫丰南格科技股份有限公司 | 患者咨询意见生成装置和系统 |
-
2018
- 2018-05-31 CN CN201810546680.5A patent/CN108766561B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106650261A (zh) * | 2016-12-22 | 2017-05-10 | 上海智臻智能网络科技股份有限公司 | 智能问诊方法、装置和系统 |
| CN107346369A (zh) * | 2017-05-11 | 2017-11-14 | 北京紫宸正阳科技有限公司 | 一种医疗信息处理方法及装置 |
| CN107358052A (zh) * | 2017-07-18 | 2017-11-17 | 广州有宠网络科技股份有限公司 | 一种对宠物疾病进行人工智能问诊的系统及方法 |
| CN107863147A (zh) * | 2017-10-24 | 2018-03-30 | 清华大学 | 基于深度卷积神经网络的医疗诊断的方法 |
| CN108053883A (zh) * | 2017-12-22 | 2018-05-18 | 北京鑫丰南格科技股份有限公司 | 患者咨询意见生成装置和系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108766561A (zh) | 2018-11-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108766561B (zh) | 病症信息处理方法、装置、计算机设备和存储介质 | |
| CN108899070B (zh) | 处方推荐生成方法、装置、计算机设备和存储介质 | |
| CN109036544B (zh) | 医疗信息推送方法、装置、计算机设备和存储介质 | |
| CN109065172B (zh) | 病症信息获取方法、装置、计算机设备和存储介质 | |
| Ghosh et al. | Quro: facilitating user symptom check using a personalised chatbot-oriented dialogue system | |
| JP6907831B2 (ja) | コンテキストベースの患者類似性の方法及び装置 | |
| CN109036545B (zh) | 医疗信息处理方法、装置、计算机设备和存储介质 | |
| WO2020123723A1 (en) | System and method for providing health information | |
| US20160042134A1 (en) | Method of calculating a score of a medical suggestion as a support in medical decision making | |
| CN111710420A (zh) | 一种基于电子病历大数据的并发症发病风险预测方法、系统、终端以及存储介质 | |
| CN109065183B (zh) | 问诊对话模板生成及问诊数据获取方法、装置 | |
| WO2021151302A1 (zh) | 基于机器学习的药品质控分析方法、装置、设备及介质 | |
| CN111627512A (zh) | 一种相似病历的推荐方法、装置，电子设备及存储介质 | |
| WO2024055805A1 (zh) | 数据检索方法、影像数据检索方法及装置 | |
| CN112447270A (zh) | 一种用药推荐方法、装置、设备及存储介质 | |
| JP2022546192A (ja) | 医学データの検証方法 | |
| CN110033863B (zh) | 应用于临床决策支持系统的不合理疾病诊断检测方法、装置 | |
| CN111415760A (zh) | 医生推荐方法、系统、计算机设备及存储介质 | |
| WO2022229964A1 (en) | Method of generating a diseases database, usage of the diseases database, and system therefor | |
| Sitaru et al. | Automatic body part identification in real‐world clinical dermatological images using machine learning | |
| CN112259243B (zh) | 一种基于双向GRUs的单病种临床路径构建方法及系统 | |
| Grosch | Does specialty board certification influence clinical outcomes? | |
| US10431339B1 (en) | Method and system for determining relevant patient information | |
| Rao et al. | AI-enabled clinical decision support system | |
| CN115631823A (zh) | 相似病例推荐方法及系统 |
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 |