CN108831554B - 医疗信息处理方法及装置 - Google Patents
医疗信息处理方法及装置 Download PDFInfo
- Publication number
- CN108831554B CN108831554B CN201810567563.7A CN201810567563A CN108831554B CN 108831554 B CN108831554 B CN 108831554B CN 201810567563 A CN201810567563 A CN 201810567563A CN 108831554 B CN108831554 B CN 108831554B
- Authority
- CN
- China
- Prior art keywords
- information
- misdiagnosis
- doctor
- patient
- sample data
- 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
- 230000010365 information processing Effects 0.000 title claims abstract description 32
- 238000003672 processing method Methods 0.000 title claims abstract description 16
- 230000004044 response Effects 0.000 claims abstract description 39
- 238000000034 method Methods 0.000 claims abstract description 34
- 230000001960 triggered effect Effects 0.000 claims abstract description 15
- 238000012549 training Methods 0.000 claims description 93
- 238000003745 diagnosis Methods 0.000 claims description 83
- 238000007781 pre-processing Methods 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 13
- 238000005516 engineering process Methods 0.000 claims description 10
- 238000012795 verification Methods 0.000 claims description 10
- 230000002159 abnormal effect Effects 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 201000004569 Blindness Diseases 0.000 abstract description 7
- 230000000875 corresponding effect Effects 0.000 description 26
- 238000012544 monitoring process Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 208000024891 symptom Diseases 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 238000012797 qualification Methods 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 206010010356 Congenital anomaly Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000009193 crawling Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Images
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
- 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
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
Abstract
本发明提供一种医疗信息处理方法及装置,通过接收患者触发的医疗信息获取请求;根据医疗信息获取请求中包含的就医需求信息确定待选医生的医生基本信息,并根据医疗信息获取请求中包含的患者的身份信息获取患者的患者基本信息;然后将医生基本信息以及患者基本信息输入到就医推荐模型中,得到各待选医生的误诊概率;根据误诊概率确定待选医生中误诊概率低于预设阈值的推荐医生;最后向患者发送医疗信息响应,医疗信息响应中包含与推荐医生对应的推荐信息。本发明的方法可以实现对患者推荐误诊概率较低医生,以改善患者就医的盲目性,降低患者就医的误诊率。
Description
技术领域
本发明涉及通信技术领域,尤其涉及一种医疗信息处理方法及装置。
背景技术
当前,就医难的问题一直是社会上比较关注的话题之一,在医患比例明显失调的当下,医院看病的挂号给人们生活带来了极大的不便。随着通讯技术的逐渐成熟,网络用户快速成长,互联网在现代生活中扮演了越来越重要的角色,改变了传统生活方式,使得我们的生活越来越方便。将互联网应用到医院挂号系统中,可以实现患者随时随地的挂号,节省人们的时间,方便人们的生活。
现有的医院挂号系统中,数据库存储的是医院的固化信息,缺少反馈误诊信息的后评价机制,无法有效地获取医生的误诊率,而且医院医生的诊断信息、误诊信息等重要信息存在着被不法分子篡改的危险,因此现有的医院挂号系统很难针对患者进行智能化个性推荐,给患者就医带来了极大的不便,导致患者就医存在盲目性,增加了就医的误诊率。
发明内容
本发明提供一种医疗信息处理方法及装置,以实现对患者推荐误诊概率较低医生,以改善患者就医的盲目性,降低患者就医的误诊率。
本发明的一个方面是提供一种医疗信息处理方法,包括:
接收患者触发的医疗信息获取请求,所述医疗信息获取请求中包含所述患者的身份信息和就医需求信息;
根据所述就医需求信息确定待选医生的医生基本信息,并根据所述身份信息获取所述患者的患者基本信息;
将所述医生基本信息以及所述患者基本信息输入到就医推荐模型中,得到各待选医生的误诊概率;
根据所述误诊概率,确定所述待选医生中误诊概率低于预设阈值的推荐医生;
向所述患者发送医疗信息响应,所述医疗信息响应中包含与所述推荐医生对应的推荐信息。
进一步的,所述接收患者触发的医疗信息获取请求之前,还包括:
收集预设数量的训练样本数据,所述训练样本数据包含患者基本信息、医生基本信息、诊断信息以及误诊信息;
采用所述训练样本数据进行模型训练,得到所述就医推荐模型。
进一步的,所述收集预设数量的训练样本数据,包括:
接收医生诊断平台发送的患者基本信息、医生基本信息以及诊断信息;
在接收到与所述诊断信息对应的误诊反馈消息后,向医疗事故鉴定平台发送鉴定请求,所述鉴定请求包含误诊反馈信息和所述诊断信息;
接收所述医疗事故鉴定平台发送的鉴定响应,所述鉴定响应中包含经过误诊鉴定的误诊信息;
将所述患者基本信息、所述医生基本信息、所述诊断信息以及所述误诊信息进行关联存储。
进一步的,所述采用所述训练样本数据进行模型训练,得到所述就医推荐模型之前,还包括:
对所述训练样本数据进行数据预处理,得到有效训练样本数据;
其中,所述数据预处理,包括以下预处理中的至少一种:
剔除异常值、补齐缺失值、特征值离散。
进一步的,所述采用所述训练样本数据进行模型训练,得到所述就医推荐模型之后,还包括:
从所述训练样本数据中获取误诊数据,所述误诊数据包括所述误诊信息、误诊用户信息、误诊医生信息;
对所述误诊数据进行聚类处理,得到高误诊率关键因素;
相应的,所述根据所述误诊概率,确定所述待选医生中误诊概率低于预设阈值的推荐医生,包括:
将所述误诊概率与所述高误诊率关键因素进行加权,得到与各待选医生对应的综合误诊概率;
确定所述待选医生中综合误诊概率低于预设阈值的推荐医生。
进一步的,所述对所述误诊数据进行聚类处理,得到高误诊率关键因素之后,还包括:
向医生诊断平台发送误诊监督消息,所述误诊监督消息中包含所述高误诊率关键因素。
进一步的,所述收集预设数量的训练样本数据,包括:
采用区块链技术收集预设数量的训练样本数据。
进一步的,所述采用所述训练样本数据进行模型训练,得到所述就医推荐模型之前,还包括:
对所述训练样本数据中的诊断信息和误诊信息进行真伪验证。
本发明的另一个方面是提供一种医疗信息处理装置,包括:
接收模块,用于接收患者触发的医疗信息获取请求,所述医疗信息获取请求中包含所述患者的身份信息和就医需求信息;
信息获取模块,用于根据所述就医需求信息确定待选医生的医生基本信息,并根据所述身份信息获取所述患者的患者基本信息;
处理模块,用于将所述医生基本信息以及所述患者基本信息输入到就医推荐模型中,得到各待选医生的误诊概率;根据所述误诊概率,确定所述待选医生中误诊概率低于预设阈值的推荐医生;
发送模块,用于向所述患者发送医疗信息响应,所述医疗信息响应中包含与所述推荐医生对应的推荐信息。
进一步的,所述装置还包括:
样本数据获取模块,收集预设数量的训练样本数据,所述训练样本数据包含患者基本信息、医生基本信息、诊断信息以及误诊信息;
就医推荐模型获取模块,用于采用所述训练样本数据进行模型训练,得到所述就医推荐模型。
进一步的,所述样本数据获取模块具体用于:
接收医生诊断平台发送的患者基本信息、医生基本信息以及诊断信息;
在接收到与所述诊断信息对应的误诊反馈消息后,向医疗事故鉴定平台发送鉴定请求,所述鉴定请求包含误诊反馈信息和所述诊断信息;
接收所述医疗事故鉴定平台发送的鉴定响应,所述鉴定响应中包含经过误诊鉴定的误诊信息;
将所述患者基本信息、所述医生基本信息、所述诊断信息以及所述误诊信息进行关联存储。
进一步的,所述就医推荐模型获取模块还用于:
对所述训练样本数据进行数据预处理,得到有效训练样本数据;
其中,所述数据预处理,包括以下预处理中的至少一种:
剔除异常值、补齐缺失值、特征值离散。
进一步的,所述的装置还包括高误诊率关键因素获取模块,用于:
从所述训练样本数据中获取误诊数据,所述误诊数据包括所述误诊信息、误诊用户信息、误诊医生信息;
对所述误诊数据进行聚类处理,得到高误诊率关键因素;
相应的,所述处理模块还用于:
将所述误诊概率与所述高误诊率关键因素进行加权,得到与各待选医生对应的综合误诊概率;
确定所述待选医生中综合误诊概率低于预设阈值的推荐医生。
进一步的,所述高误诊率关键因素获取模块还用于:
向医生诊断平台发送误诊监督消息,所述误诊监督消息中包含所述高误诊率关键因素。
进一步的,所述样本数据获取模块具体用于:采用区块链技术收集预设数量的训练样本数据。
进一步的,所述装置还包括:
验证模块,用于对所述训练样本数据中的诊断信息和误诊信息进行真伪验证。
本发明的另一个方面是提供一种医疗信息处理装置,包括:
存储器、处理器、以及计算机程序;
其中,所述计算机程序存储在所述存储器中,并被配置为由所述处理器执行以实现如上所述的方法。
本发明提供的医疗信息处理方法及装置,通过接收患者触发的医疗信息获取请求;根据医疗信息获取请求中包含的就医需求信息确定待选医生的医生基本信息,并根据医疗信息获取请求中包含的患者的身份信息获取患者的患者基本信息;然后将医生基本信息以及患者基本信息输入到就医推荐模型中,得到各待选医生的误诊概率;根据误诊概率确定待选医生中误诊概率低于预设阈值的推荐医生;最后向患者发送医疗信息响应,医疗信息响应中包含与推荐医生对应的推荐信息。本发明的方法可以实现对患者推荐误诊概率较低医生,以改善患者就医的盲目性,降低患者就医的误诊率。
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性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的医疗信息处理方法流程图;
图2为本发明另一实施例提供的医疗信息处理方法流程图;
图3为本发明另一实施例提供的医疗信息处理方法流程图;
图4为本发明另一实施例提供的医疗信息处理方法流程图;
图5为本发明实施例提供的区块链系统的示意图;
图6为本发明实施例提供的医疗信息处理装置的结构图;
图7为本发明另一实施例提供的医疗信息处理装置的结构图。
具体实施方式
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,所描述的实施例仅仅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医疗信息处理方法流程图。如图1所示,本实施例提供了一种医疗信息处理方法,该方法具体步骤如下:
S101、接收患者触发的医疗信息获取请求,所述医疗信息获取请求中包含所述患者的身份信息和就医需求信息。
在本实施例中,患者可以通过终端(例如手机、平板电脑、电脑等终端或者医院自助终端)向服务器发送医疗信息获取请求,并在医疗信息获取请求中携带患者的身份信息和就医需求信息,其中患者的身份信息可包括患者姓名、年龄、性别、身份证号码等,就医需求信息可包括症状、科室、医院等,此处不做限定。
S102、根据所述就医需求信息确定待选医生的医生基本信息,并根据所述身份信息获取所述患者的患者基本信息。
在本实施例中,首先根据就医需求信息确定待选医生,例如根据症状或者根据科室确定哪些医生与就医需求信息相匹配,具体的,如哪些医生能治疗就医需求信息中所描述的症状,或者哪些医生属于就医需求信息中所限定的科室;然后获取待选医生的医生基本信息,例如编号、性别、年龄、毕业院校、工作年限、学历、资质、所在医院、所在医院等级、科室、专业方向、各诊疗设备使用年限等;还可根据患者的身份信息获取患者的患者基本信息,例如编号、性别、年龄、所在城市、职业、先天病史、历史病史等等。本实施例中医生基本信息和患者基本信息可以预存于服务器数据库中,也可存储于区块链中。
S103、将所述医生基本信息以及所述患者基本信息输入到就医推荐模型中,得到各待选医生的误诊概率。
在本实施例中,就医推荐模型为预先根据训练样本训练得到的模型,训练样本包括预设数量的历史诊断记录和误诊记录中包含的患者基本信息、医生基本信息、诊断信息以及误诊信息,以医生基本信息以及患者基本信息作为输入,以误诊概率作为输出,进行训练、验证和测试,从而得到医生基本信息以及患者基本信息与误诊概率的对应关系作为就医推荐模型。本实施例通应用该就医推荐模型,通过输入各待选医生的医生基本信息和该患者的患者基本信息,进而获取每一待选医生的误诊概率。
S104、根据所述误诊概率,确定所述待选医生中误诊概率低于预设阈值的推荐医生。
在本实施例中,判断每一待选医生的误诊概率是否低于预设阈值,确定误诊概率低于预设阈值的待选医生为推荐医生。其中可直接将就医推荐模型输出的误诊概率与预设阈值进行比较,也可结合一些容易导致误诊的因素获取综合误诊概率,再与预设阈值进行比较。
S105、向所述患者发送医疗信息响应,所述医疗信息响应中包含与所述推荐医生对应的推荐信息。
在本实施例中,在确定推荐医生后向患者发送医疗信息响应,以将推荐医生对应的推荐信息推送给患者,更具体的,若推荐医生不止一个时还可根据误诊概率的高低对推荐医生进行排序。
本实施例提供的医疗信息处理方法,通过接收患者触发的医疗信息获取请求;根据医疗信息获取请求中包含的就医需求信息确定待选医生的医生基本信息,并根据医疗信息获取请求中包含的患者的身份信息获取患者的患者基本信息;然后将医生基本信息以及患者基本信息输入到就医推荐模型中,得到各待选医生的误诊概率;根据误诊概率确定待选医生中误诊概率低于预设阈值的推荐医生;最后向患者发送医疗信息响应,医疗信息响应中包含与推荐医生对应的推荐信息。本实施例提供的方法可以实现对患者推荐误诊概率较低医生,以改善患者就医的盲目性,降低患者就医的误诊率。
在上述实施例的基础上,S101所述的接收患者触发的医疗信息获取请求之前,还可包括就医推荐模型的获取,如图2所示,其过程如下:
S201、收集预设数量的训练样本数据,所述训练样本数据包含患者基本信息、医生基本信息、诊断信息以及误诊信息。
本实施例中,首先采集预定数量的训练样本数据,可以从历史时间内(例如三年内)的数据中采集,训练样本数据具体包括患者基本信息、医生基本信息、诊断信息以及误诊信息,其中一条误诊信息是与诊断信息中某一条信息相对应,是对该条诊断信息的评定,而每一诊断信息以及误诊信息均有对应的患者基本信息和医生基本信息。
进一步的,收集训练样本数据后、采用训练样本数据进行模型训练之前,还可包括:对所述训练样本数据进行数据预处理,得到有效训练样本数据;其中,所述数据预处理,包括以下预处理中的至少一种:剔除异常值、补齐缺失值、特征值离散。
其中,剔除异常值为对训练样本数据中特征值明显不合乎常理的数据进行剔除;补齐缺失值为对于训练样本数据中存在缺失值的字段参考相似用户数据或在互联网上爬取有用信息进行补充;特征值离散化为对训练样本数据中某些特征进行离散化,例如年龄,可按照5岁为一个区间重新定义,0-5岁记为1、6-10岁记为2等等,降低数据处理的复杂度。
S202、采用所述训练样本数据进行模型训练,得到所述就医推荐模型。
本实施例中,在完成训练样本数据的收集后,根据患者基本信息和医生基本信息生成患者画像和医生画像,其中患者画像和医生画像可分别由患者基本信息和医生基本信息中的部分信息作为特征构成,将患者画像和医生画像作为模型的输入,将是否误诊(误诊记为1,不误诊记为0)作为模型的输出,之后采用随机森林、KNeighbors(K近邻算法)、SVM(支持向量机)等多种分类模型,对数据进行训练、交叉验证和测试,得到多个模型的准确率、召回率以及F1-score(F1分数),取效果最好也即F1-score最大的模型,得到就医推荐模型。例如就医推荐模型采用随机森林模型,最后得到模型参数δ,也就是每个特征的系数组成的向量,当有新的患者画像和医生画像输入时,将其带入就医推荐模型,输出是否误诊的概率P,如0.783,预设阈值为0.65(经验值),当P>0.65则判定为误诊,否则,判为不误诊,当然预设阈值可根据实际情况进行调整。
进一步的,如图3所示,上述实施例中的训练样本数据的来源如下:
S301、接收医生诊断平台发送的患者基本信息、医生基本信息以及诊断信息。
在本实施例中,医生在每次对患者完成诊断后,均将诊断信息上传医生诊断平台,从而在收集训练样本数据时,直接从医生诊断平台抓取诊断信息以及对应的患者基本信息和医生基本信息。
S302、在接收到与所述诊断信息对应的误诊反馈消息后,向医疗事故鉴定平台发送鉴定请求,所述鉴定请求包含误诊反馈信息和所述诊断信息。
在本实施例中,医生或患者发现诊断信息存在错误的诊断时,则可进行投诉反馈,也即向服务器发送误诊反馈消息,进而向医疗事故鉴定平台发送鉴定请求,以鉴定该诊断信息是否真的存在误诊。其中误诊反馈消息可包含一些误诊证明材料。
S303、接收所述医疗事故鉴定平台发送的鉴定响应,所述鉴定响应中包含经过误诊鉴定的误诊信息;
在本实施例中,若医疗事故鉴定平台鉴定该诊断信息存在误诊则返回鉴定响应,鉴定响应中包含经过误诊鉴定的误诊信息。为了提高鉴定的准确性,可向多个医疗事故鉴定平台发送鉴定请求,若多数医疗事故鉴定平台鉴定为误诊,则最终认为是误诊。
S304、将所述患者基本信息、所述医生基本信息、所述诊断信息以及所述误诊信息进行关联存储。
本实施例中,可将上述各信息进行关联存储,具体可存于服务器数据库中,也可存储于区块链中,避免被不法分子篡改,保证了信息的准确性。
进一步的,S202所述的采用所述训练样本数据进行模型训练,得到所述就医推荐模型之后,如图4所示,还可包括:
S401、从所述训练样本数据中获取误诊数据,所述误诊数据包括所述误诊信息、误诊用户信息、误诊医生信息;
S402、对所述误诊数据进行聚类处理,得到高误诊率关键因素。
在本实施例中,针对训练样本数据中的误诊数据进行分析,具体的可首先从训练样本数据中将误诊数据抽取出来,其中误诊数据包括误诊信息、误诊用户信息、误诊医生信息,然后对误诊数据进行聚类分析,可采用K-means算法或者其他聚类算法进行聚类,首先设置初始类别数,例如5类,经聚类后,找出每一类别中重复特征多的进行分析和判定,假设发现第一类别中的某些特征值重复率高,超出一定阈值,如医生性别为女A&&学历为大专B&&工作年限为0-5年C(其中&&表示逻辑与),则将A&&B&&C作为高误诊率关键因素;再如发现第二类别中的特征值电磁诊疗设备使用8-10年D重复率高,超出一定阈值,则将D作为误诊率高的一个关键成因;其余3个类别依次类推,若有些类别不存在重复率高的特征值,这将这些类别重新进行聚类,可设定数值更大的类别数或者采用另一种聚类算法。在获取倒高误诊率关键因素后还可向医生诊断平台发送误诊监督消息,所述误诊监督消息中包含所述高误诊率关键因素,可对满足高误诊率关键因素的医院、医生进行监督以及针对性的整改。
在得到高误诊率关键因素的基础上,相应的,S104所述的根据所述误诊概率,确定所述待选医生中误诊概率低于预设阈值的推荐医生,还可包括:
S1041、将所述误诊概率与所述高误诊率关键因素进行加权,得到与各待选医生对应的综合误诊概率;
S1042、确定所述待选医生中综合误诊概率低于预设阈值的推荐医生。
本实施例中,通过将高误诊率关键因素与就医推荐模型相结合,获取综合误诊概率,进一步提高推荐的准确性,降低患者就医的误诊率。具体的,例如上述示例中经聚类获得高误诊率关键因素:A&&B&&C和D,为每一高误诊率关键因素分配权重,如(2,3),权重可根据满足该因素的样本数量的多少来分配,然后做归一化处理得到权重为(0.4,0.6),设定高误诊率关键因素的参考系数,如0.1。
患者A在就医时触发的医疗信息获取请求后,获取到各待选医生的医生基本信息以及患者基本信息输入到就医推荐模型中,得到各待选医生的误诊概率,假设甲乙丙丁4名待选医生诊断患者A的误诊概率P1分别是(0.8,0.6,0.34,0.1),分别与阈值0.65作比对,输出对比结果(1,0,0,0),根据对比结果对误诊概率P1进行修正,将预测为误诊的记为1,得到(1,0.6,0.34,0.1);然后将各待选医生的医生基本信息以及患者基本信息与各高误诊率关键因素进行比对,如果匹配则记为1,不匹配记为0,例如甲医生满足A&&B&&C,不满足D,则得到高误诊率关键因素的影响数值为0.4×1+0.6×0=0.4,乙医生满足A&&B&&C和D,则得到影响数值为0.4×1+0.6×1=1,丙医生不满足A&&B&&C和D,则得到影响数值为0.4×0+0.6×0=0,丁医生满足满足A&&B&&C和D,则得到影响数值为0.4×1+0.6×1=1;最后将各影响数值乘以参考系数0.1后,加到对应的误诊概率上,即得到4名待选医生诊断患者A的综合误诊概率(1.04,0.7,0.34,0.2),丙、丁两位医生的综合误诊概率低于预设阈值,作为推荐医生推荐给患者A。
在上述实施例的基础上,本实施例中收集预设数量的训练样本数据,具体可包括:采用区块链技术收集预设数量的训练样本数据。
如图5所示,本实施例中由医生侧节点、患者侧节点、至少一个监管机构节点构成区块链系统,监管机构对应至少一个医疗事故鉴定平台,或者也可将医疗事故鉴定平台作为区块链系统的节点。医生侧节点可将诊断信息(包括医生编号、患者编号、所患疾病等)写入区块发布到区块链系统中;医生侧节点或患者侧节点发现误诊时向监管机构节点发送与所述诊断信息对应的误诊反馈消息,监管机构节点将误诊反馈消息和对应的诊断信息发送给医疗事故鉴定平台请求鉴定,并接收医疗事故鉴定平台发送的鉴定响应,鉴定响应中包含经过误诊鉴定的误诊信息,其中若是由多个医疗事故鉴定平台鉴定,则多数医疗事故鉴定平台鉴定为误诊,则最终认为是误诊,监管机构节点将误诊信息写入区块,发布到区块链系统中。此外,医生侧节点或患者侧节点可仅向一个监管机构节点发送误诊反馈消息,也可向多个监管机构节点发送误诊反馈消息,此时需要由某一监管机构节点综合各监管机构节点的判定结果后发布诊断信息区块。本实施例中将诊断信息和误诊信息存储与区块链中可避免被不法分子篡改,保证了诊断信息和误诊信息的准确性,同时也可便于公众对医院及医生进行了解。
此外也可在医生侧节点发布诊断信息的区块、以及监管机构节点发布误诊信息的区块的同时,将诊断信息和误诊信息存储于区块链系统外的医患信息存储模块中,医患信息存储模块中还负责存储医生基本信息和患者基本信息等不便于在区块链中公开的信息,采集训练样本数据时可选择从区块链系统中获取也可从医患信息存储模块获取。
在上述基于区块链技术的诊断信息和误诊信息存储过程中,以及从区块链中采集训练样本数据过程中,均需要对诊断信息和误诊信息进行真伪验证。
首先,医生侧节点需要通过身份认证和专业资格认证后,获取公钥YGY和私钥YSY,医生为患者看完病后,将诊断信息YX存储到一个区块中,经过哈希运算,生成标识符YZ,使用私钥YSY对YZ加密,得到诊断信息签名YQ,将YQ和公钥YGY也存储到该区块后发布到区块链系统中。如医生或患者发现误诊,将YQ、YGY、YX和误诊反馈信息一并发送给监管机构节点,其中监管机构节点也预先通过认证获取公钥JGY和私钥JSY;监管机构节点需要对诊断信息进行真伪验证,主要方法如下:通过YGY对YQ进行解密后得到字符串1,通过对YX做哈希处理生成字符串2,比对字符串1和字符串2,若二者相等,则确定诊断信息为真实的。监管机构节点在生成区块时也需要将误诊信息JWX写入区块主体,经过哈希运算,并生成标识JW,使用私钥JSY对JW进行加密,得到误诊信息签名JWQ,将JWQ和公钥JGY也存储到该区块后发布到区块链系统中。而从区块链系统中采集训练样本数据,也即诊断信息和误诊信息时,同样需要进行真伪验证,验证过程同上(对误诊信息的验证同诊断信息),此处不再赘述。需要说明的是,即使本发明中不采用区块链技术存储诊断信息和误诊信息,也可采用上述真伪验证过程,只要不生成和发布区块即可。
图6为本发明实施例提供的医疗信息处理装置的结构图。本实施例提供一种医疗信息处理装置,可以执行上述医疗信息处理方法实施例提供的处理流程,如图3所示,本实施例提供的医疗信息处理装置包括:
接收模块501,用于接收患者触发的医疗信息获取请求,所述医疗信息获取请求中包含所述患者的身份信息和就医需求信息;
信息获取模块502,用于根据所述就医需求信息确定待选医生的医生基本信息,并根据所述身份信息获取所述患者的患者基本信息;
处理模块503,用于将所述医生基本信息以及所述患者基本信息输入到就医推荐模型中,得到各待选医生的误诊概率;根据所述误诊概率,确定所述待选医生中误诊概率低于预设阈值的推荐医生;
发送模块504,用于向所述患者发送医疗信息响应,所述医疗信息响应中包含与所述推荐医生对应的推荐信息。
进一步的,所述装置还包括:
样本数据获取模块505,收集预设数量的训练样本数据,所述训练样本数据包含患者基本信息、医生基本信息、诊断信息以及误诊信息;
就医推荐模型获取模块506,用于采用所述训练样本数据进行模型训练,得到所述就医推荐模型。
进一步的,所述样本数据获取模块505具体用于:
接收医生诊断平台发送的患者基本信息、医生基本信息以及诊断信息;
在接收到与所述诊断信息对应的误诊反馈消息后,向医疗事故鉴定平台发送鉴定请求,所述鉴定请求包含误诊反馈信息和所述诊断信息;
接收所述医疗事故鉴定平台发送的鉴定响应,所述鉴定响应中包含经过误诊鉴定的误诊信息;
将所述患者基本信息、所述医生基本信息、所述诊断信息以及所述误诊信息进行关联存储。
进一步的,所述就医推荐模型获取模块506还用于:
对所述训练样本数据进行数据预处理,得到有效训练样本数据;
其中,所述数据预处理,包括以下预处理中的至少一种:
剔除异常值、补齐缺失值、特征值离散。
进一步的,所述的装置还包括高误诊率关键因素获取模块507,用于:
从所述训练样本数据中获取误诊数据,所述误诊数据包括所述误诊信息、误诊用户信息、误诊医生信息;
对所述误诊数据进行聚类处理,得到高误诊率关键因素;
相应的,所述处理模块503还用于:
将所述误诊概率与所述高误诊率关键因素进行加权,得到与各待选医生对应的综合误诊概率;
确定所述待选医生中综合误诊概率低于预设阈值的推荐医生。
进一步的,所述高误诊率关键因素获取模块507还用于:
向医生诊断平台发送误诊监督消息,所述误诊监督消息中包含所述高误诊率关键因素。
进一步的,所述样本数据获取模块505具体用于:采用区块链技术收集预设数量的训练样本数据。
进一步的,所述装置还包括:
验证模块508,用于对所述训练样本数据中的诊断信息和误诊信息进行真伪验证。
本实施例提供的医疗信息处理装置可以具体用于执行上述图1-4所提供的方法实施例,具体功能此处不再赘述。
本实施例本实施例提供的医疗信息处理装置,通过接收患者触发的医疗信息获取请求;根据医疗信息获取请求中包含的就医需求信息确定待选医生的医生基本信息,并根据医疗信息获取请求中包含的患者的身份信息获取患者的患者基本信息;然后将医生基本信息以及患者基本信息输入到就医推荐模型中,得到各待选医生的误诊概率;根据误诊概率确定待选医生中误诊概率低于预设阈值的推荐医生;最后向患者发送医疗信息响应,医疗信息响应中包含与推荐医生对应的推荐信息。本实施例提供的装置可以实现对患者推荐误诊概率较低医生,以改善患者就医的盲目性,降低患者就医的误诊率。
图7为本发明实施例提供的医疗信息处理装置的结构图。如图7所示,本实施例提供一种医疗信息处理装置,包括:处理器701、存储器702、以及计算机程序;其中,所述计算机程序存储在所述存储器702中,并被配置为由所述处理器701执行以实现如上述实施例的医疗信息处理方法。
此外本实施例的医疗信息处理装置还包括接收器703和发送器704,用于信号的获取和发送,此处不再赘述。
本实施例本实施例提供的医疗信息处理装置,通过接收患者触发的医疗信息获取请求;根据医疗信息获取请求中包含的就医需求信息确定待选医生的医生基本信息,并根据医疗信息获取请求中包含的患者的身份信息获取患者的患者基本信息;然后将医生基本信息以及患者基本信息输入到就医推荐模型中,得到各待选医生的误诊概率;根据误诊概率确定待选医生中误诊概率低于预设阈值的推荐医生;最后向患者发送医疗信息响应,医疗信息响应中包含与推荐医生对应的推荐信息。本实施例提供的装置可以实现对患者推荐误诊概率较低医生,以改善患者就医的盲目性,降低患者就医的误诊率。
在本发明所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
上述以软件功能单元的形式实现的集成的单元,可以存储在一个计算机可读取存储介质中。上述软件功能单元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)或处理器(processor)执行本发明各个实施例所述方法的部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
本领域技术人员可以清楚地了解到,为描述的方便和简洁,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将装置的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。上述描述的装置的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (13)
1.一种医疗信息处理方法,其特征在于,包括:
接收患者触发的医疗信息获取请求,所述医疗信息获取请求中包含所述患者的身份信息和就医需求信息;
根据所述就医需求信息确定待选医生的医生基本信息,并根据所述身份信息获取所述患者的患者基本信息;
将所述医生基本信息以及所述患者基本信息输入到就医推荐模型中,得到各待选医生的误诊概率;
根据所述误诊概率,确定所述待选医生中误诊概率低于预设阈值的推荐医生;
向所述患者发送医疗信息响应,所述医疗信息响应中包含与所述推荐医生对应的推荐信息;
所述接收患者触发的医疗信息获取请求之前,还包括:收集预设数量的训练样本数据,所述训练样本数据包含患者基本信息、医生基本信息、诊断信息以及误诊信息;采用所述训练样本数据进行模型训练,得到所述就医推荐模型;
所述采用所述训练样本数据进行模型训练,得到所述就医推荐模型之后,还包括:从所述训练样本数据中获取误诊数据,所述误诊数据包括所述误诊信息、误诊用户信息、误诊医生信息;对所述误诊数据进行聚类处理,得到高误诊率关键因素;
相应的,所述根据所述误诊概率,确定所述待选医生中误诊概率低于预设阈值的推荐医生,包括:将所述误诊概率与所述高误诊率关键因素进行加权,得到与各待选医生对应的综合误诊概率;确定所述待选医生中综合误诊概率低于预设阈值的推荐医生。
2.根据权利要求1所述的方法,其特征在于,所述收集预设数量的训练样本数据,包括:
接收医生诊断平台发送的患者基本信息、医生基本信息以及诊断信息;
在接收到与所述诊断信息对应的误诊反馈消息后,向医疗事故鉴定平台发送鉴定请求,所述鉴定请求包含误诊反馈信息和所述诊断信息;
接收所述医疗事故鉴定平台发送的鉴定响应,所述鉴定响应中包含经过误诊鉴定的误诊信息;
将所述患者基本信息、所述医生基本信息、所述诊断信息以及所述误诊信息进行关联存储。
3.根据权利要求1或2所述的方法,其特征在于,所述采用所述训练样本数据进行模型训练,得到所述就医推荐模型之前,还包括:
对所述训练样本数据进行数据预处理,得到有效训练样本数据;
其中,所述数据预处理,包括以下预处理中的至少一种:
剔除异常值、补齐缺失值、特征值离散。
4.根据权利要求1所述的方法,其特征在于,所述对所述误诊数据进行聚类处理,得到高误诊率关键因素之后,还包括:
向医生诊断平台发送误诊监督消息,所述误诊监督消息中包含所述高误诊率关键因素。
5.根据权利要求1或2所述的方法,其特征在于,所述收集预设数量的训练样本数据,包括:
采用区块链技术收集预设数量的训练样本数据。
6.根据权利要求1或2所述的方法,其特征在于,所述采用所述训练样本数据进行模型训练,得到所述就医推荐模型之前,还包括:
对所述训练样本数据中的诊断信息和误诊信息进行真伪验证。
7.一种医疗信息处理装置,其特征在于,包括:
接收模块,用于接收患者触发的医疗信息获取请求,所述医疗信息获取请求中包含所述患者的身份信息和就医需求信息;
信息获取模块,用于根据所述就医需求信息确定待选医生的医生基本信息,并根据所述身份信息获取所述患者的患者基本信息;
处理模块,用于将所述医生基本信息以及所述患者基本信息输入到就医推荐模型中,得到各待选医生的误诊概率;根据所述误诊概率,确定所述待选医生中误诊概率低于预设阈值的推荐医生;
发送模块,用于向所述患者发送医疗信息响应,所述医疗信息响应中包含与所述推荐医生对应的推荐信息;
所述装置,还包括:样本数据获取模块,收集预设数量的训练样本数据,所述训练样本数据包含患者基本信息、医生基本信息、诊断信息以及误诊信息;
就医推荐模型获取模块,用于采用所述训练样本数据进行模型训练,得到所述就医推荐模型;
所述装置,还包括:高误诊率关键因素获取模块,用于:从所述训练样本数据中获取误诊数据,所述误诊数据包括所述误诊信息、误诊用户信息、误诊医生信息;对所述误诊数据进行聚类处理,得到高误诊率关键因素;
相应的,所述处理模块还用于:将所述误诊概率与所述高误诊率关键因素进行加权,得到与各待选医生对应的综合误诊概率;确定所述待选医生中综合误诊概率低于预设阈值的推荐医生。
8.根据权利要求7所述的装置,其特征在于,所述样本数据获取模块具体用于:
接收医生诊断平台发送的患者基本信息、医生基本信息以及诊断信息;
在接收到与所述诊断信息对应的误诊反馈消息后,向医疗事故鉴定平台发送鉴定请求,所述鉴定请求包含误诊反馈信息和所述诊断信息;
接收所述医疗事故鉴定平台发送的鉴定响应,所述鉴定响应中包含经过误诊鉴定的误诊信息;
将所述患者基本信息、所述医生基本信息、所述诊断信息以及所述误诊信息进行关联存储。
9.根据权利要求7或8所述的装置,其特征在于,所述就医推荐模型获取模块还用于:
对所述训练样本数据进行数据预处理,得到有效训练样本数据;
其中,所述数据预处理,包括以下预处理中的至少一种:
剔除异常值、补齐缺失值、特征值离散。
10.根据权利要求7所述的装置,其特征在于,所述高误诊率关键因素获取模块还用于:
向医生诊断平台发送误诊监督消息,所述误诊监督消息中包含所述高误诊率关键因素。
11.根据权利要求7或8所述的装置,其特征在于,所述样本数据获取模块具体用于:
采用区块链技术收集预设数量的训练样本数据。
12.根据权利要求7或8所述的装置,其特征在于,还包括:
验证模块,用于对所述训练样本数据中的诊断信息和误诊信息进行真伪验证。
13.一种医疗信息处理装置,其特征在于,包括:
存储器、处理器、以及计算机程序;
其中,所述计算机程序存储在所述存储器中,并被配置为由所述处理器执行以实现如权利要求1-6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810567563.7A CN108831554B (zh) | 2018-06-05 | 2018-06-05 | 医疗信息处理方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810567563.7A CN108831554B (zh) | 2018-06-05 | 2018-06-05 | 医疗信息处理方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108831554A CN108831554A (zh) | 2018-11-16 |
CN108831554B true CN108831554B (zh) | 2021-08-31 |
Family
ID=64143786
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810567563.7A Active CN108831554B (zh) | 2018-06-05 | 2018-06-05 | 医疗信息处理方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108831554B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114065856B (zh) * | 2021-11-16 | 2022-08-05 | 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 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2003043494A1 (en) * | 2001-11-23 | 2003-05-30 | Medit As | A cluster system for remote monitoring and diagnostic support |
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 |
US8880774B2 (en) * | 2007-02-02 | 2014-11-04 | Vmware, Inc. | High availability virtual machine cluster |
WO2016022438A1 (en) * | 2014-08-08 | 2016-02-11 | Icahn School Of Medicine At Mount Sinai | Automatic disease diagnoses using longitudinal medical record data |
CN105574356A (zh) * | 2016-02-20 | 2016-05-11 | 周栋 | 一种乳腺肿瘤的建模与诊断方法 |
CN105956156A (zh) * | 2016-05-16 | 2016-09-21 | 山东康网网络科技有限公司 | 误诊疾病数据库 |
CN106462655A (zh) * | 2013-11-13 | 2017-02-22 | 皇家飞利浦有限公司 | 用于计算机化临床诊断支持的分层自学习系统 |
CN106778046A (zh) * | 2017-02-28 | 2017-05-31 | 思派(北京)网络科技有限公司 | 一种基于特征值进行前列腺癌复发预测的系统和方法 |
CN107808691A (zh) * | 2017-11-10 | 2018-03-16 | 成都信息工程大学 | 一种智能ct数据诊断系统 |
-
2018
- 2018-06-05 CN CN201810567563.7A patent/CN108831554B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2003043494A1 (en) * | 2001-11-23 | 2003-05-30 | Medit As | A cluster system for remote monitoring and diagnostic support |
US8880774B2 (en) * | 2007-02-02 | 2014-11-04 | Vmware, Inc. | High availability virtual machine cluster |
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 |
CN106462655A (zh) * | 2013-11-13 | 2017-02-22 | 皇家飞利浦有限公司 | 用于计算机化临床诊断支持的分层自学习系统 |
WO2016022438A1 (en) * | 2014-08-08 | 2016-02-11 | Icahn School Of Medicine At Mount Sinai | Automatic disease diagnoses using longitudinal medical record data |
CN105574356A (zh) * | 2016-02-20 | 2016-05-11 | 周栋 | 一种乳腺肿瘤的建模与诊断方法 |
CN105956156A (zh) * | 2016-05-16 | 2016-09-21 | 山东康网网络科技有限公司 | 误诊疾病数据库 |
CN106778046A (zh) * | 2017-02-28 | 2017-05-31 | 思派(北京)网络科技有限公司 | 一种基于特征值进行前列腺癌复发预测的系统和方法 |
CN107808691A (zh) * | 2017-11-10 | 2018-03-16 | 成都信息工程大学 | 一种智能ct数据诊断系统 |
Also Published As
Publication number | Publication date |
---|---|
CN108831554A (zh) | 2018-11-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20240006038A1 (en) | Team-based tele-diagnostics blockchain-enabled system | |
US9727919B2 (en) | Systems and methods for reducing medical claims fraud | |
US20150149362A1 (en) | Encryption and Distribution of Health-related Data | |
KR20180127506A (ko) | 동형적으로 암호화된 데이터의 유효성 확인 및 이에 대한 연산을 수행하기 위한 시스템 및 방법 | |
US20130179176A1 (en) | Computer implemented method for determining the presence of a disease in a patient | |
KR102028048B1 (ko) | 데이터 기반의 예방 의료정보 제공 및 평가를 위한 장치 및 방법 | |
CN110875093A (zh) | 治疗方案的处理方法、装置、设备及存储介质 | |
US11004548B1 (en) | System for providing de-identified mortality indicators in healthcare data | |
CN109597805A (zh) | 一种数据处理方法、电子设备及存储介质 | |
KR20210083478A (ko) | 모바일기반 자가 구강검진장치 | |
Chandra et al. | Filling in the gaps: estimating numbers of chlamydia tests and diagnoses by age group and sex before and during the implementation of the English National Screening Programme, 2000 to 2012 | |
CN113990482A (zh) | 健康数据处理系统及方法 | |
CA3007260A1 (en) | Smart clustering and cluster updating | |
CN108831554B (zh) | 医疗信息处理方法及装置 | |
US20210227051A1 (en) | Device and method for processing data request transmitted from client | |
CN117238458B (zh) | 基于云计算的重症护理跨机构协同平台系统 | |
US20160253770A1 (en) | Systems and methods for genetic testing algorithms | |
CN114360732B (zh) | 医疗数据分析方法、装置、电子设备及存储介质 | |
CN111241139B (zh) | 数据统计方法、装置、计算机设备和存储介质 | |
CN114334157A (zh) | 一种脑卒中风险预测方法及装置 | |
US11049607B1 (en) | System and method for facilitating patient discharge with the aid of a digital computer | |
CN114550930A (zh) | 疾病预测方法、装置、设备及存储介质 | |
WO2017149542A1 (en) | Neuropsychological evaluation screening system | |
JP3940126B2 (ja) | 審査管理方法及び審査管理プログラム | |
US20130231958A1 (en) | Method and apparatus for providing personal health record information |
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 |