CN108986908A - 问诊数据处理方法、装置、计算机设备和存储介质 - Google Patents
问诊数据处理方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN108986908A CN108986908A CN201810546856.7A CN201810546856A CN108986908A CN 108986908 A CN108986908 A CN 108986908A CN 201810546856 A CN201810546856 A CN 201810546856A CN 108986908 A CN108986908 A CN 108986908A
- Authority
- CN
- China
- Prior art keywords
- interrogation
- interrogation data
- state
- data
- illness
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
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
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- 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
- G16H80/00—ICT specially adapted for facilitating communication between medical practitioners or patients, e.g. for collaborative diagnosis, therapy or health monitoring
-
- 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
Abstract
本申请涉及一种问诊数据处理方法、装置、计算机设备和存储介质。所述方法包括:获取问诊数据及所述问诊数据对应的诊断结果,根据所述问诊数据进行分词得到分词结果,从所述分词结果中提取病征信息;获取所述问诊数据对应的患者的体征信息;将所述体征信息和所述病征信息输入到已训练的病情级别预测模型中,得到所述问诊数据对应的病情级别;当所述病情级别为第一预设级别时,根据所述诊断结果从预设的规则库中查找审核规则,根据所述问诊数据及所述审核规则生成对应的审核任务。采用本方法能够提高问诊数据筛查效率并有效减少对重疾症问诊数据漏查。
Description
技术领域
本申请涉及在线问诊技术领域,特别是涉及一种问诊数据处理方法、装置、 计算机设备和存储介质。
背景技术
随着互联网技术的飞速发展,基于互联网的在线问诊医疗系统逐渐兴起。
传统技术中,对于在线问诊,没有专业的审核系统,大都是基于人工的手 动方式的抽查,然而,基于人工方式的抽查,不仅效率低,而且容易导致重急 症问诊单的漏查。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高问诊数据筛查效率 并有效减少对重疾症问诊数据漏查的问诊数据处理方法、装置、计算机设备和 存储介质。
一种问诊数据处理方法,所述方法包括:
获取问诊数据及所述问诊数据对应的诊断结果,对所述问诊数据进行分词 得到分词结果,从所述分词结果中提取病征信息;
获取所述问诊数据对应的患者的体征信息;
将所述体征信息和所述病征信息输入到已训练的病情级别预测模型中,得 到所述问诊数据对应的病情级别;
当所述病情级别为第一预设级别时,根据所述诊断结果从预设的规则库中 查找审核规则,根据所述问诊数据及所述审核规则生成对应的审核任务。
在其中一个实施例中,所述从所述分词结果中提取病征信息,包括:
从预先建立的医疗词汇库中查找与所述诊断结果相匹配的疾病类型,得到 所述诊断结果对应的目标疾病类型;
获取所述目标疾病类型对应的词汇集合;
根据所述目标疾病类型对应的词汇集合从所述分词结果中提取病征信息。
在其中一个实施例中,所述从所述分词结果中提取病征信息的步骤之前, 包括:
从预先建立的数据源获取医疗数据;
从所述医疗数据中提取每一种疾病类型对应的一个或多个医疗词汇;
将医疗词汇与其对应的疾病类型建立映射关系,根据不同类型疾病与其对 应的医疗词汇的映射关系建立医疗词汇库。
在其中一个实施例中,将所述体征信息和所述病征信息输入到已训练的病 情级别预测模型中,得到所述问诊数据对应的病情级别,包括:
将所述体征信息与所述病征信息输入到已训练的病情级别预测模型的向量 层,所述向量层用于确定与所述体征信息以及所述病征信息对应的特征向量;
将所述特征向量作为所述病情级别预测模型中各个子预测模型的输入,获 取各个子预测模型输出的子预测参数,所述病情级别预测模型用于根据所述子 预测参数确定所述问诊数据对应的病情级别。
在其中一个实施例中,所述子预测模型至少包括一个第一子预测模型,所 述第一子预测模型采用卷积神经网络训练得到,所述卷积神经网络包括卷积层、 池化层和全连接层;
所述将所述特征向量作为所述病情级别预测模型中各个子预测模型的输 入,获取各个子预测模型输出的子预测数据,包括:
将所述特征向量作为卷积层的输入,所述卷积层用于对所述特征向量进行 卷积运算得到第一特征矩阵;
将所述第一特征矩阵作为池化层的输入,所述池化层用于将第一特征矩阵 中的每个向量中最大的权重进行投影得到归一化的第二特征矩阵;
将所述第二特征矩阵作为全连接层的输入,全连接层用于根据第二特征矩 阵进行分类计算得到每个分类对应的子预测参数。
在其中一个实施例中,所述方法还包括:
当从预设的规则库中未查找到与所述诊断结果对应的审核规则时,对所述 诊断结果进行分词处理,获取诊断结果对应的关键词;
根据所述关键词查找审核规则,获取与所述关键词相匹配的疾病类型对应 的审核规则作为问诊数据对应的审核规则。
在其中一个实施例中,所述获取问诊数据及所述问诊数据对应的诊断结果, 包括:
获取问诊时的视频数据,从所述视频数据中提取语音信息,对所述语音信 息进行语音识别得到问诊文本。
一种问诊数据处理装置,其特征在于,所述装置包括:
病征信息提取模块,用于获取问诊数据及所述问诊数据对应的诊断结果, 对所述问诊数据进行分词得到分词结果,从所述分词结果中提取病征信息;
体征信息获取模块,用于获取所述问诊数据对应的患者的体征信息;
病情级别获取模块,用于将所述体征信息和所述病征信息输入到已训练的 病情级别预测模型中,得到所述问诊数据对应的病情级别;
审核任务生成模块,用于当所述病情级别为第一预设级别时,根据所述诊 断结果从预设的规则库中查找审核规则,根据所述问诊数据及所述审核规则生 成对应的审核任务。
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上述问诊数据处理方法所述的步骤。
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 理器执行时实现上述问诊数据处理方法所述的步骤。
上述问诊数据处理方法、装置、计算机设备和存储介质,通过问诊数据对 应的患者的体征信息和病征信息采用已训练的病情级别预测模型得到问诊数据 对应的病情级别,当为第一预设级别时,查找对应的审核规则生成审核任务, 不仅能够实现问诊数据审核时的自动筛选,提高筛选效率,而且能够有效地减 少对重疾症问诊数据的漏查。
附图说明
图1为一个实施例中问诊数据处理方法的应用场景图;
图2为一个实施例中问诊数据处理方法的流程示意图;
图3为一个实施例中步骤S202的流程示意图;
图4为一个实施例中步骤S206的流程示意图;
图5为一个实施例中步骤S404的流程示意图;
图6为一个实施例中问诊数据处理装置的结构框图;
图7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。
本申请提供的问诊数据处理方法,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进行通信。服务器104首先获取问诊数 据及问诊数据对应的诊断结果,然后对问诊数据进行分词,从分词结果中提取 病征信息,然后获取问诊数据对应的患者的体征信息,将病征信息与体征信息 一起输入到一个已训练的病情级别预测模型中,得到问诊数据对应的病情级别 信息,病情级别信息至少包括两种不同的病情级别信息,重疾症级别及轻症级 别,当病情级别信息对应第一预设级别即重疾症级别时,从预设的规则库中查 找与诊断结果对应的审核规则,根据问诊数据及审核规则生成审核任务,然后 将审核任务发送至终端102,终端102为审核人员对应的终端。
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,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,提供了一种问诊数据处理方法,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:
步骤S202,获取问诊数据及问诊数据对应的诊断结果,对问诊数据进行分 词得到分词结果,从分词结果中提取病征信息。
具体地,用户在进行在线问诊时,可以通过语音进行问诊,也可以通过视 频进行问诊,还可以通过即时文字信息、图片信息进行问诊,因此,问诊数据 可以包括语音、视频、文字、图片中的至少一种。当问诊数据包括语音时,服 务器对语音进行识别,并转换为文字信息;当问诊数据包括视频时,服务器首 先从视频中提取语音信息,对提取的语音信息进行识别,并转换为文字信息。
进一步,用户的每一次在线问诊结束后,医生会基于相应的问诊过程给出 一个初步的诊断结果,该诊断结果可以是具体地疾病名称,或者是描述疾病的 一句话,或者是与疾病相对应的关键词等等,具体是哪一种,本申请在此不做 限制。服务器获取到问诊数据后,可根据该问诊数据对应的标识信息从数据库 查找其对应的诊断结果。
服务器获取到问诊数据及该问诊数据对应的诊断结果后,可根据问诊数据 得到其对应的问诊文本,然后对该问诊文本进行分词处理,得到问诊结果,其 中,问诊结果为分词结果指的是分词后得到的一个一个的词语组成的词语序列。 如,“开放性小脑出血”分词后得到的分词结果可以为:开放性/小脑/出血。
对问诊数据进行分词,可首先根据标点符号将问诊数据对应的问诊文本分 成一条条完整的语句,再对各个切分的语句进行分词处理,如可利用字符串匹 配的分词方法对各个切分的语句进行分词处理,如正向最大匹配法,把一个切 分的语句中的字符串从左至右来分词;或者,反向最大匹配法,把一个切分的 语句中的字符串从右至左来分词;或者,最短路径分词法,一个切分的语句中 的字符串里面要求切出的词数是最少的;或者,双向最大匹配法,正反向同时 进行分词匹配。还可利用词义分词法对各个切分的语句进行分词处理,词义分 词法是一种机器语音判断的分词方法,利用句法信息和语义信息来处理歧义现 象来分词。还可利用统计分词法对各个切分的语句进行分词处理,从当前问诊 用户的历史搜索记录或大众用户的历史搜索记录中,根据词组的统计,会统计 有些两个相邻的字出现的频率较多,则可将这两个相邻的字作为词组来进行分 词。
进一步,病征信息指的是跟疾病相关的特征信息,包括疾病对应的症状信 息、药品信息、手术信息等等,分词之后,服务器可以从分词结果中提取病征 信息。在一个实施例中,可以先建立一个医疗词汇库,该医疗词汇库中包含各 种疾病的常见特征词汇,这些特征词汇包括标准的医学用词及其对应的同义词、 常用词等,然后将分词得到的各个词依次与该医疗词汇数据库中的词进行匹配, 当匹配度超过预设阈值时,则将该词作为问诊数据对应的病症词汇。
在另一个实施例中,可先从分词结果中提取关键词,得到关键词集合,然 后将关键词集合中的各个词依次与医疗词汇库中的词进行匹配,这样一来,可 以大大减少匹配时间,提高病征信息提取效率。在本实施例中,提取关键词可 以采用TF-IDF计算分词结果中各个词的特征权重,将特征权重大于预设阈值的 词作为关键词或者选取特征权重排名靠前的词作为关键词,也可以采用 textrank算法从分词结果中进行关键词提取。
步骤S204,获取问诊数据对应的患者的体征信息。
具体地,体征信息指的是与问诊数据对应的患者的身体相关特征,如年龄、 性别、身高、体重、用药禁忌等等。
在一个实施例中,当问诊数据中包括视频数据时,可对视频数据进行人脸 识别,将人脸识别结果与人脸数据库中的人脸数据进行匹配,当匹配成功时, 获取该人脸数据对应的用户标识,然后根据该用户标识从数据库中查找对应的 体征信息。
在另一个实施例中,医生与患者之间通过即时信息进行通信,医生在问诊 过程中可调用相应的问诊模板来采集用户的体征信息,其中,问诊模板设置多 个问题节点,每一个问题对应一个保存路径,当医生点击任意一个问题节点, 例如“您的性别是?”,触发该节点对应保存功能,使得服务器在接收到问诊 用户的回答时,直接将该回答按照该问题节点对应的保存路径包括至数据库, 因此,当服务器需要获取该问诊数据对应的患者的体征信息时,可直接根据问 诊用户对应的用户标识从服务器中进行查找。
在另一个实施例中,服务器还可以根据语义分析对问诊文本进行上下文分 析,然后提取其中的体征信息,语义分析的方法可参考现有技术中任意一种方 法,本申请在此不在赘述。
步骤S206,将体征信息和病征信息输入到已训练的病情级别预测模型中, 得到问诊数据对应的病情级别。
具体地,病情级别预测模型用于根据问诊数据对用户的疾病对应的病情级 别进行预测,其中,疾病对应的病情级别至少包括:重急症级别、轻症级别, 重急症指的是病情严重或者发病急的疾病病情级别;轻症指的是病情较缓和的 疾病病情级别。病情级别预测模型可通过有监督的机器学习的方式训练得到。
在一个实施例中,病情级别预测模型包括多个子预测模型,各个子预测模 型各不相同,根据不同的训练方法训练得到,病情级别预测模型可对多个子预 测模型的预测结果进行整合得到最终的病情级别预测结果。
在一个实施例中,病情级别预测模型的生成步骤包括:首先选取训练样本 集及训练样本集中各个训练样本对应的标签,其中,训练样本指的是已经确定 病情级别的诊断数据,标签指的是诊断数据对应的病情级别,标签至少包括重 急症级别及轻症级别,然后将训练样本对应的标签作为病情级别预测模型期望 的输出对病情级别预测模型中包含的向量层和各个子预测模型进行训练,当训 练样本对应的训练结果与期望值有差别时,根据差别的大小来通过反向传播不 断调整病情级别预测模型中向量层和子预测模型中的参数,以使得输出的训练 结果与期望的标签一致,最终得到训练好的包含有目标向量层和各个目标子预 测模型的目标病情级别预测模型。在一个实施例中,分别给各个子预测模型赋值一个权重,然后通过优化交叉熵损失函数来使得带权重的训练结果与期望值 逼近。
步骤S208,当病情级别为第一预设级别时,根据诊断结果从预设的规则库 中查找审核规则,根据问诊数据及审核规则生成对应的审核任务。
具体地,第一预设级别为重急症级别。预设的规则库中包含各个疾病类型 对应的审核规则,每一个疾病类型与其对应的审核规则存在映射关系,其中, 审核规则用于指导审核人员对问诊数据的审核,包括审核诊断结果是否正确、 审核诊断过程是否有疏漏等等。审核规则包括各个疾病的常见症状、用药信息、 注意事项及建议、问诊要求等等,审核规则由各个疾病领域的专家事先进行制 定。
在本实施例中,当问诊数据对应的病情级别为第一预设级别时,说明该问 诊数据对应的问诊用户可能为重急症,服务器可从预设的规则库中查找与诊断 结果对应的疾病类型,然后根据疾病类型与审核规则之间的映射关系,获取对 应的审核规则,然后根据问诊数据及审核规则生成审核任务,审核任务用于指 示审核人员根据审核规则对问诊数据进行审核,如根据审核规则对应的常见症 状,判断问诊数据对应的诊断结果是否正确,又如根据审核规则对应的用药信 息,判断问诊数据中对应的用药信息是否正确等等。
进一步地,服务器可获取审核人员对应的用户标识,将审核任务分配至该 用户标识对应的审核人员。在一个实施例中,当审核人员有多个时,可首先对 审核人员按照优先级进行排序,将审核任务分配给优先级最高的审核人员进行 审核。在另一个实施例中,当审核人员有多个时,可对审核人员按照各自的当 前审核任务量进行排序,将审核任务分配给当前审核任务量最少的审核人员进 行审核,以确保审核任务的完成效率。
上述的问诊数据处理方法,通过问诊数据对应的患者的体征信息和病征信 息采用已训练的病情级别预测模型得到问诊数据对应的病情级别,当为第一预 设级别时,查找对应的审核规则生成审核任务,不仅能够实现问诊数据审核时 的自动筛选,提高筛选效率,而且能够有效地减少对重疾症问诊数据的漏查。
在一个实施例中,如图3所示,从分词结果中提取病征信息,包括:
步骤S302,从预先建立的医疗词汇库中查找与诊断结果相匹配的疾病类型, 得到诊断结果对应的目标疾病类型。
具体地,医疗词汇库中的疾病类型与其对应的医疗词汇对应存储,医疗词 汇包括疾病对应的简介、症状、并发症、治疗药品、常见检查等信息词汇。在 本实施例中,可以首先将诊断结果与医疗词汇库中的疾病类型进行匹配,将匹 配成功的疾病类型作为目标疾病类型。
在一个实施例中,由于各个医生的用语习惯的差异,诊断结果与医疗词汇 库中的描述并不一定相同,因此,通过诊断结果去与医疗词汇库中的疾病类型 进行匹配时,可能匹配不到对应的疾病,此时,可以先对诊断结果进行分词, 提取诊断结果中的关键词,然后根据关键词在医疗词汇库中进行查找。具体地, 当关键词为一个时,直接查找该关键词对应的疾病类型;当关键词有多个时, 分别查找各个关键词对应的疾病类型,将查找到的一个或多个疾病类型都作为 目标疾病类型。
步骤S304,获取目标疾病类型对应的词汇集合。
具体地,根据疾病类型与病症词汇的映射关系,当确定了目标疾病类型后, 可根据目标疾病类型从医疗词汇库中获取其对应的词汇集合。
步骤S306,根据目标疾病类型对应的词汇集合从分词结果中提取病征信息。
具体地,将分词结果中各个词依次与目标疾病类型对应的词汇集合中各个 词进行匹配,当匹配成功时,将该词作为病征信息提取出来。
在本实施例中,首先通过诊断结果从医疗词汇库中获取其对应的目标疾病 类型的词汇集合,然后将分词结果中的各个词与目标疾病类型的词汇集合的各 个词进行匹配,可以提高病征信息的提取效率。
在一个实施例中,从分词结果中提取与诊断结果相匹配的病征信息的步骤 之前,包括:从预先建立的数据源获取医疗数据;从医疗数据中提取每一种疾 病类型对应的一个或多个医疗词汇;将医疗词汇与其对应的疾病类型建立映射 关系,根据不同类型疾病与其对应的医疗词汇的映射关系建立医疗词汇库。
具体地,该医疗数据可以是从现有的医疗数据库中获取的各种疾病的权威 解释,包括其对应的简介、症状、并发症、治疗药品、常见检查等专业信息, 也可以是各种药品对应的医疗信息,如药品主治的疾病类型等信息,该医疗数 据也可以是通过网络爬虫等工具实时或者定时从互联网上的开源医疗数据源 (例如,各大论坛上关于不同疾病的问答、讨论等,或各种最新的医疗案例、医 疗问答文本等)获取的特定类型的信息(例如,不同疾病对应的治疗方案、治疗 药物、所属科室、临床表现等)。
进一步,获取到医疗数据后,对医疗数据进行分词处理,然后采用聚类分 析找出每一种疾病对应的医疗词汇,并将疾病与其对应的医疗词汇建立一一对 应的映射关系并保存至医疗词汇库。
在一个实施例中,如图4所示,将体征信息和病征信息输入到已训练的病 情级别预测模型,得到问诊数据对应的病情级别,包括:
步骤S402,将体征信息与病症信息病征信息输入到已训练的病情级别预测 模型的向量层,向量层用于确定与体征信息以及病症信息病征信息对应的特征 向量。
具体地,已训练的病情级别预测模型是指已经训练好的用于预测疾病所属 病情级别的模型。向量层用于将体征信息和病征信息中包含的字符转换为字符 向量的表示形式,得到体征信息和病征信息对应的特征向量。特征向量是由多 个字符向量组成的。在一个实施例中,向量层中存储有字符向量表,字符向量 表中存储有字符与字符向量之间的对应关系,获取到体征信息和病征信息后, 在字符向量表中查找与体征信息和病征信息中每一个字符对应的字符向量,然 后组合生成与体征信息和病征信息对应的特征向量。
在另一个实施例中,向量层中包含有word2vec模型,采用word2vec模型 计算与体征信息和病征信息中每一个字符对应的字符向量,进而得到对应的特 征向量。其中word2vec模型是一款将词表征为实数值向量的高效工具,其利用 深度学习的思想,可以通过训练,把对文本内容的处理简化为k维向量空间中 的向量运算。
步骤S404,将特征向量作为病情级别预测模型中各个子预测模型的输入, 获取各个子预测模型输出的子预测参数,病情级别预测模型用于根据子预测参 数确定问诊数据对应的病情级别。
具体地,病情级别预测模型中包括多个子预测模型,各个子预测模型采用 不同的训练算法训练得到,例如,可设置两个子预测模型,其中一个通过文本 卷积神经网络模型((textCNN))训练得到,另一个可通过循环神经网络模型 (RCNN)训练得到。在本实施例中,服务器将特征向量作为每一个子预测模型 的输入,即多个子预测模型对应的输入相同。其中,子预测模型用于根据特征 向量对问诊数据对应的病情级别进行初步预测,输出子预测参数,然后病情级 别预测模型综合各个子预测模型对应的子预测参数得到最终的疾病病情级别。 在一个实施例中,子预测参数可以为输出的各个病情级别对应的分数值(即未 进行归一化的数值),分数值的大小用于表征问诊数据对应于各个病情级别的概 率大小。在另一个实施例中,子预测参数为输出的各个病情级别对应的概率。
进一步,在一个实施例中,病情级别预测模型根据各个子预测模型对应的 子预测参数进行整合得到最终的病情级别,具体包括:获取每一个子预测模型 对应的权重,将子预测模型对应的权重作为子预测模型输出的子预测参数的权 重,对于每一个病情级别,根据其对应的子预测参数及子预测参数对应的权重 进行加权求和得到对应的概率,将概率最大的病情级别确定为问诊数据的最终 的病情级别。
举例来说,假如有两个子预测模型A和B,对应的权重分别为w1,w2,对 于同一病情级别,A输出的概率为x1,对应的权重为w1,B输出的概率为x2, 对应的权重为w2,那么计算得到的该病情级别对应的最终概率为w1*x1+w2*x2。
在本实施例中,通过设置多个子预测模型,且多个子预测模型共用一个特 征向量,然后病情级别预测模型综合多个子预测模型输出的子预测参数得到最 终的疾病病情级别,可提高对疾病病情级别进行判断的准确性。
在一个实施例中,子预测模型至少包括一个第一子预测模型,第一子预测 模型采用卷积神经网络训练得到,卷积神经网络包括卷积层、池化层和全连接 层,如图5所示,将特征向量作为病情级别预测模型中各个子预测模型的输入, 获取各个子预测模型输出的子预测数据,包括:
步骤S404A,将特征向量作为卷积层的输入,卷积层用于对特征向量进行卷 积运算得到第一特征矩阵。
具体地,第一子预测模型采用卷积神经网络模型进行训练得到,第一子预 测模型包括一层卷积层、一层池化层和一层全连接层。卷积层对输入特征向量 进行卷积运算得到第一特征矩阵,卷积运算是指利用卷积核进行乘积的运算。 经过卷积核卷积可以降低特征维度,并且表达出文本中上下文联系的局部特征, 不同的卷积窗口具有不同的表达能力。其中,卷积窗口的大小是根据特征向量 的纬度(embedding size)和滤波宽度(filterwidth)决定的,滤波宽度是 由实验调整得到的,在一个实施例中,滤波宽度分别选择3,4,5,6,7,8几 个值,假设特征向量的纬度为128维,那么卷积窗口可以分别选择128*3,128*4,128*5,128*6,128*7,128*8。其中,一个卷积核对应一个输出,比如,如果 卷积层中有10个卷积核,经过10个卷积核的作用将会得到10个输出,即得到 10维的第一特征矩阵。
步骤S404B,将第一特征矩阵作为池化层的输入,池化层用于将第一特征矩 阵中的每个向量中最大的权重进行投影得到归一化的第二特征矩阵。
具体地,将卷积层输出的第一特征矩阵作为池化层的输入。在一个实施例 中,池化层采用最大池化层(max-pooling),即用于将卷积层得到的每个向量 中的能量最大的元素(即权重最大元素)投影到下一层的输入,这样做的目的 是为了保证不同体征信息、病征信息和不同卷积核的输出归一化,并保持最大 信息没有丢失。第一特征矩阵是由多个向量组成的,将每个向量中最大的权重 进行投影得到归一化的第二特征矩阵。另外,为了池化层过多容易产生过拟合, 可以选择以一定概率去掉一些神经元,比如,以p1(0.5)的概率去掉一些神经 元。
步骤S404C,将第二特征矩阵作为全连接层的输入,全连接层用于根据第二 特征矩阵进行分类计算得到每个分类对应的子预测参数。
具体地,全连接层为第一子预测模型的输出层,相当于一个分类器,用于 根据第二特征矩阵进行分类计算得到子预测参数,子预测参数用于衡量各个病 情级别所占的比例。
在一个实施例中,上述方法还包括:当从预设的规则库中未查找到与诊断 结果对应的审核规则时,对诊断结果进行分词处理,获取诊断结果对应的关键 词;根据关键词查找审核规则,获取与关键词相匹配的疾病类型对应的审核规 则作为问诊数据对应的审核规则。
具体地,在审核规则库中,审核规则与疾病类型存在一一对应的映射关系, 当需要去审核规则库中查找对应的规则时,需要先将诊断结果与疾病类型进行 匹配,获取匹配成功的疾病类型对应的审核规则作为该诊断结果对应的审核规 则。但是,由于各个医生的用语习惯的差异,对于同样的疾病,医生在问诊时 给出的诊断结果可能与审核规则库中的疾病名称并不相同,此时,可能会出现 匹配不到疾病类型的情况,这个时候可以对问诊数据对应的诊断结果进行分词 处理,然后从分词得到的词语中提取问诊数据对应的关键词。在一个实施例中, 可以采用TF-IDF计算分词得到的词语中各个词语的特征权重,选取特征权重最 大的词语作为关键词。
进一步,服务器根据关键词从审核规则库中查找疾病类型,然后获取匹配 上的疾病类型对应的审核规则作为问诊数据的审核规则。在一个实施例中,可 以计算关键词与各个疾病类型的匹配度,获取匹配度最大的疾病类型对应的审 核规则作为问诊数据对应的审核规则。
应该理解的是,虽然图2-5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2-5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6所示,提供了一种问诊数据处理装置600,包括:
病征信息提取模块602,用于获取问诊数据及问诊数据对应的诊断结果,对 问诊数据进行分词得到分词结果,从分词结果中提取病征信息;
体征信息获取模块604,用于获取问诊数据对应的患者的体征信息;
病情级别获取模块606,用于将体征信息和病征信息输入到已训练的病情级 别预测模型中,得到问诊数据对应的病情级别;
审核任务生成模块608,用于当病情级别为第一预设级别时,根据诊断结果 从预设的规则库中查找审核规则,根据问诊数据及审核规则生成对应的审核任 务。
在一个实施例中,病征信息提取模块602还用于从预先建立的医疗词汇库 中查找与诊断结果相匹配的疾病类型,得到诊断结果对应的目标疾病类型;获 取目标疾病类型对应的词汇集合;根据目标疾病类型对应的词汇集合从分词结 果中提取病征信息。
在一个实施例中,上述装置还包括:医疗词汇库建立模块,用于从预先建 立的数据源获取医疗数据;从医疗数据中提取每一种疾病类型对应的一个或多 个医疗词汇;将医疗词汇与其对应的疾病类型建立映射关系,根据不同类型疾 病与其对应的医疗词汇的映射关系建立医疗词汇库。
在一个实施例中,病情级别获取模块606用于将体征信息与病征信息输入 到已训练的病情级别预测模型的向量层,向量层用于确定与体征信息以及病征 信息对应的特征向量;将特征向量作为病情级别预测模型中各个子预测模型的 输入,获取各个子预测模型输出的子预测参数,病情级别预测模型用于根据子 预测参数确定问诊数据对应的病情级别。
在一个实施例中,子预测模型至少包括一个第一子预测模型,第一子预测 模型采用卷积神经网络训练得到,卷积神经网络包括卷积层、池化层和全连接 层;病情级别获取模块606用于将特征向量作为卷积层的输入,卷积层用于对 特征向量进行卷积运算得到第一特征矩阵;将第一特征矩阵作为池化层的输入, 池化层用于将第一特征矩阵中的每个向量中最大的权重进行投影得到归一化的 第二特征矩阵;将第二特征矩阵作为全连接层的输入,全连接层用于根据第二 特征矩阵进行分类计算得到每个分类对应的子预测参数。
在一个实施例中,上述装置还包括:关键词获取模块,用于当从预设的规 则库中未查找到与诊断结果对应的审核规则时,对诊断结果进行分词处理,获 取诊断结果对应的关键词;根据关键词查找审核规则,获取与关键词相匹配的 疾病类型对应的审核规则作为问诊数据对应的审核规则。
在一个实施例中,上述装置还包括:病征信息提取模块602还用于获取问 诊时的视频数据,从视频数据中提取语音信息,对语音信息进行语音识别得到 问诊文本。
关于问诊数据处理装置的具体限定可以参见上文中对于问诊数据处理方法 的限定,在此不再赘述。上述问诊数据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7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、网络接口和数据库。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、计算机程序和数据库。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。该计算机设备的数据库用 于存储审核规则、医疗词汇等数据。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问诊数据处理 方法。
本领域技术人员可以理解,图7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:获取问诊数 据及问诊数据对应的诊断结果,对问诊数据进行分词得到分词结果,从分词结 果中提取病征信息;获取问诊数据对应的患者的体征信息;将体征信息和病征 信息输入到已训练的病情级别预测模型中,得到问诊数据对应的病情级别;当 病情级别为第一预设级别时,根据诊断结果从预设的规则库中查找审核规则, 根据问诊数据及审核规则生成对应的审核任务。
在一个实施例中,从分词结果中提取病征信息,包括:从预先建立的医疗 词汇库中查找与诊断结果相匹配的疾病类型,得到诊断结果对应的目标疾病类 型;获取目标疾病类型对应的词汇集合;根据目标疾病类型对应的词汇集合从 分词结果中提取病征信息。
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:从预先建立 的数据源获取医疗数据;从医疗数据中提取每一种疾病类型对应的一个或多个 医疗词汇;将医疗词汇与其对应的疾病类型建立映射关系,根据不同类型疾病 与其对应的医疗词汇的映射关系建立医疗词汇库。
在一个实施例中,将体征信息和病征信息输入到已训练的病情级别预测模 型中,得到问诊数据对应的病情级别,包括:将体征信息与病征信息输入到已 训练的病情级别预测模型的向量层,向量层用于确定与体征信息以及病征信息 对应的特征向量;将特征向量作为病情级别预测模型中各个子预测模型的输入, 获取各个子预测模型输出的子预测参数,病情级别预测模型用于根据子预测参 数确定问诊数据对应的病情级别。
在一个实施例中,子预测模型至少包括一个第一子预测模型,第一子预测 模型采用卷积神经网络训练得到,卷积神经网络包括卷积层、池化层和全连接 层;将特征向量作为病情级别预测模型中各个子预测模型的输入,获取各个子 预测模型输出的子预测数据,包括:将特征向量作为卷积层的输入,卷积层用 于对特征向量进行卷积运算得到第一特征矩阵;将第一特征矩阵作为池化层的 输入,池化层用于将第一特征矩阵中的每个向量中最大的权重进行投影得到归 一化的第二特征矩阵;将第二特征矩阵作为全连接层的输入,全连接层用于根 据第二特征矩阵进行分类计算得到每个分类对应的子预测参数。
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:当从预设的 规则库中未查找到与诊断结果对应的审核规则时,对诊断结果进行分词处理, 获取诊断结果对应的关键词;根据关键词查找审核规则,获取与关键词相匹配 的疾病类型对应的审核规则作为问诊数据对应的审核规则。
在一个实施例中,获取问诊数据及问诊数据对应的诊断结果,包括:获取 问诊时的视频数据,从视频数据中提取语音信息,对语音信息进行语音识别得 到问诊文本。
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:获取问诊数据及问诊数据对应 的诊断结果,对问诊数据进行分词得到分词结果,从分词结果中提取病征信息; 获取问诊数据对应的患者的体征信息;将体征信息和病征信息输入到已训练的 病情级别预测模型中,得到问诊数据对应的病情级别;当病情级别为第一预设 级别时,根据诊断结果从预设的规则库中查找审核规则,根据问诊数据及审核 规则生成对应的审核任务。
在一个实施例中,从分词结果中提取病征信息,包括:从预先建立的医疗 词汇库中查找与诊断结果相匹配的疾病类型,得到诊断结果对应的目标疾病类 型;获取目标疾病类型对应的词汇集合;根据目标疾病类型对应的词汇集合从 分词结果中提取病征信息。
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:从预先建 立的数据源获取医疗数据;从医疗数据中提取每一种疾病类型对应的一个或多 个医疗词汇;将医疗词汇与其对应的疾病类型建立映射关系,根据不同类型疾 病与其对应的医疗词汇的映射关系建立医疗词汇库。
在一个实施例中,将体征信息和病征信息输入到已训练的病情级别预测模 型中,得到问诊数据对应的病情级别,包括:将体征信息与病征信息输入到已 训练的病情级别预测模型的向量层,向量层用于确定与体征信息以及病征信息 对应的特征向量;将特征向量作为病情级别预测模型中各个子预测模型的输入, 获取各个子预测模型输出的子预测参数,病情级别预测模型用于根据子预测参 数确定问诊数据对应的病情级别。
在一个实施例中,子预测模型至少包括一个第一子预测模型,第一子预测 模型采用卷积神经网络训练得到,卷积神经网络包括卷积层、池化层和全连接 层;将特征向量作为病情级别预测模型中各个子预测模型的输入,获取各个子 预测模型输出的子预测数据,包括:将特征向量作为卷积层的输入,卷积层用 于对特征向量进行卷积运算得到第一特征矩阵;将第一特征矩阵作为池化层的 输入,池化层用于将第一特征矩阵中的每个向量中最大的权重进行投影得到归 一化的第二特征矩阵;将第二特征矩阵作为全连接层的输入,全连接层用于根 据第二特征矩阵进行分类计算得到每个分类对应的子预测参数。
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:当从预设 的规则库中未查找到与诊断结果对应的审核规则时,对诊断结果进行分词处理, 获取诊断结果对应的关键词;根据关键词查找审核规则,获取与关键词相匹配 的疾病类型对应的审核规则作为问诊数据对应的审核规则。
在一个实施例中,获取问诊数据及问诊数据对应的诊断结果,包括:获取 问诊时的视频数据,从视频数据中提取语音信息,对语音信息进行语音识别得 到问诊文本。
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 (10)
1.一种问诊数据处理方法,所述方法包括:
获取问诊数据及所述问诊数据对应的诊断结果,对所述问诊数据进行分词得到分词结果,从所述分词结果中提取病征信息;
获取所述问诊数据对应的患者的体征信息;
将所述体征信息和所述病征信息输入到已训练的病情级别预测模型中,得到所述问诊数据对应的病情级别;
当所述病情级别为第一预设级别时,根据所述诊断结果从预设的规则库中查找审核规则,根据所述问诊数据及所述审核规则生成对应的审核任务。
2.根据权利要求1所述的方法,其特征在于,所述从所述分词结果中提取病征信息,包括:
从预先建立的医疗词汇库中查找与所述诊断结果相匹配的疾病类型,得到所述诊断结果对应的目标疾病类型;
获取所述目标疾病类型对应的词汇集合;
根据所述目标疾病类型对应的词汇集合从所述分词结果中提取病征信息。
3.根据权利要求1所述的方法,其特征在于,所述从所述分词结果中提取病征信息的步骤之前,包括:
从预先建立的数据源获取医疗数据;
从所述医疗数据中提取每一种疾病类型对应的一个或多个医疗词汇;
将医疗词汇与其对应的疾病类型建立映射关系,根据不同类型疾病与其对应的医疗词汇的映射关系建立医疗词汇库。
4.根据权利要求1所述的方法,其特征在于,将所述体征信息和所述病征信息输入到已训练的病情级别预测模型中,得到所述问诊数据对应的病情级别,包括:
将所述体征信息与所述病征信息输入到已训练的病情级别预测模型的向量层,所述向量层用于确定与所述体征信息以及所述病征信息对应的特征向量;
将所述特征向量作为所述病情级别预测模型中各个子预测模型的输入,获取各个子预测模型输出的子预测参数,所述病情级别预测模型用于根据所述子预测参数确定所述问诊数据对应的病情级别。
5.根据权利要求4所述的方法,其特征在于,所述子预测模型至少包括一个第一子预测模型,所述第一子预测模型采用卷积神经网络训练得到,所述卷积神经网络包括卷积层、池化层和全连接层;
所述将所述特征向量作为所述病情级别预测模型中各个子预测模型的输入,获取各个子预测模型输出的子预测数据,包括:
将所述特征向量作为卷积层的输入,所述卷积层用于对所述特征向量进行卷积运算得到第一特征矩阵;
将所述第一特征矩阵作为池化层的输入,所述池化层用于将第一特征矩阵中的每个向量中最大的权重进行投影得到归一化的第二特征矩阵;
将所述第二特征矩阵作为全连接层的输入,全连接层用于根据第二特征矩阵进行分类计算得到每个分类对应的子预测参数。
6.根据权利要求1所述的方法,其特征在于,所述方法还包括:
当从预设的规则库中未查找到与所述诊断结果对应的审核规则时,对所述诊断结果进行分词处理,获取诊断结果对应的关键词;
根据所述关键词查找审核规则,获取与所述关键词相匹配的疾病类型对应的审核规则作为问诊数据对应的审核规则。
7.根据权利要求1至6中任意一项所述的方法,其特征在于,所述获取问诊数据及所述问诊数据对应的诊断结果,包括:
获取问诊时的视频数据,从所述视频数据中提取语音信息,对所述语音信息进行语音识别得到问诊文本。
8.一种问诊数据处理装置,其特征在于,所述装置包括:
病征信息提取模块,用于获取问诊数据及所述问诊数据对应的诊断结果,对所述问诊数据进行分词得到分词结果,从所述分词结果中提取病征信息;
体征信息获取模块,用于获取所述问诊数据对应的患者的体征信息;
病情级别获取模块,用于将所述体征信息和所述病征信息输入到已训练的病情级别预测模型中,得到所述问诊数据对应的病情级别;
审核任务生成模块,用于当所述病情级别为第一预设级别时,根据所述诊断结果从预设的规则库中查找审核规则,根据所述问诊数据及所述审核规则生成对应的审核任务。
9.一种计算机设备,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7中任一项所述方法的步骤。
10.一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7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810546856.7A CN108986908B (zh) | 2018-05-31 | 2018-05-31 | 问诊数据处理方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810546856.7A CN108986908B (zh) | 2018-05-31 | 2018-05-31 | 问诊数据处理方法、装置、计算机设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108986908A true CN108986908A (zh) | 2018-12-11 |
CN108986908B CN108986908B (zh) | 2023-04-18 |
Family
ID=64542823
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810546856.7A Active CN108986908B (zh) | 2018-05-31 | 2018-05-31 | 问诊数据处理方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108986908B (zh) |
Cited By (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109036506A (zh) * | 2018-07-25 | 2018-12-18 | 平安科技(深圳)有限公司 | 互联网医疗问诊的监管方法、电子装置及可读存储介质 |
CN109872822A (zh) * | 2019-01-18 | 2019-06-11 | 深圳壹账通智能科技有限公司 | 医疗协助方法、装置、设备及介质 |
CN110060750A (zh) * | 2019-03-25 | 2019-07-26 | 平安科技(深圳)有限公司 | 医疗数据推送方法、系统、计算机设备及可读存储介质 |
CN110223753A (zh) * | 2019-06-13 | 2019-09-10 | 广州宝荣科技应用有限公司 | 一种基于排队时长的处方审核分发方法及系统 |
CN110534203A (zh) * | 2019-08-26 | 2019-12-03 | 腾讯科技(深圳)有限公司 | 地区疾病的监控方法及装置、存储介质 |
CN110570916A (zh) * | 2019-08-14 | 2019-12-13 | 深圳壹账通智能科技有限公司 | 就诊辅助方法、系统、装置及存储介质 |
CN110782998A (zh) * | 2019-10-12 | 2020-02-11 | 平安医疗健康管理股份有限公司 | 数据审核方法、装置、计算机设备和存储介质 |
CN110781677A (zh) * | 2019-10-12 | 2020-02-11 | 平安医疗健康管理股份有限公司 | 药品信息匹配处理方法、装置、计算机设备和存储介质 |
CN111403052A (zh) * | 2020-02-28 | 2020-07-10 | 广东人联网电子商务有限公司 | 一种视频问诊方法及系统 |
CN111785376A (zh) * | 2020-06-30 | 2020-10-16 | 平安国际智慧城市科技股份有限公司 | 病情可视化预测系统、方法、计算机设备及存储介质 |
CN111816301A (zh) * | 2020-07-07 | 2020-10-23 | 平安科技(深圳)有限公司 | 医疗问诊辅助方法、装置、电子设备及介质 |
CN111951955A (zh) * | 2020-08-13 | 2020-11-17 | 神州数码医疗科技股份有限公司 | 一种基于规则推理的临床决策支持系统构建方法及装置 |
CN112037909A (zh) * | 2020-08-31 | 2020-12-04 | 康键信息技术(深圳)有限公司 | 诊断信息复核系统 |
CN112035619A (zh) * | 2020-08-31 | 2020-12-04 | 康键信息技术(深圳)有限公司 | 基于人工智能的医疗问诊单筛选方法、装置、设备和介质 |
CN112201363A (zh) * | 2020-10-13 | 2021-01-08 | 南通市第一人民医院 | 一种儿科护理日常基础操作方法及装置 |
CN112201359A (zh) * | 2020-09-30 | 2021-01-08 | 平安科技(深圳)有限公司 | 基于人工智能的重症问诊数据识别方法及装置 |
CN112270186A (zh) * | 2020-11-04 | 2021-01-26 | 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 |
CN112712906A (zh) * | 2020-12-29 | 2021-04-27 | 安徽科大讯飞医疗信息技术有限公司 | 视频图像处理方法、装置、电子设备及存储介质 |
CN112765461A (zh) * | 2021-01-12 | 2021-05-07 | 中国计量大学 | 一种基于多兴趣胶囊网络的会话推荐方法 |
CN113052205A (zh) * | 2021-03-05 | 2021-06-29 | 广州默尼互联网信息有限公司 | 基于机器学习的产妇数据分类方法、装置、设备及介质 |
CN113707301A (zh) * | 2021-08-30 | 2021-11-26 | 康键信息技术(深圳)有限公司 | 基于人工智能的远程问诊方法、装置、设备及介质 |
CN113793667A (zh) * | 2021-09-16 | 2021-12-14 | 平安科技(深圳)有限公司 | 基于聚类分析的疾病预测方法、装置及计算机设备 |
CN115331805A (zh) * | 2022-07-04 | 2022-11-11 | 深圳市镜象科技有限公司 | 基于自然语言处理的精神疾病诊断方法及计算机设备 |
TWI793391B (zh) * | 2019-12-27 | 2023-02-21 | 廣達電腦股份有限公司 | 醫療影像辨識系統及醫療影像辨識方法 |
WO2023029511A1 (zh) * | 2021-08-30 | 2023-03-09 | 康键信息技术(深圳)有限公司 | 在线医疗处方用药智能检查方法、装置、设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106897559A (zh) * | 2017-02-24 | 2017-06-27 | 黑龙江特士信息技术有限公司 | 一种面向多数据源的症状体征类实体识别方法及装置 |
CN106909789A (zh) * | 2017-02-28 | 2017-06-30 | 郑州云海信息技术有限公司 | 一种智能医疗系统 |
CN107016438A (zh) * | 2017-04-14 | 2017-08-04 | 温川飙 | 一种基于中医辨证人工神经网络算法模型的系统 |
CN108091391A (zh) * | 2017-12-27 | 2018-05-29 | 深圳和而泰数据资源与云技术有限公司 | 病症评估方法、终端设备及计算机可读介质 |
-
2018
- 2018-05-31 CN CN201810546856.7A patent/CN108986908B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106897559A (zh) * | 2017-02-24 | 2017-06-27 | 黑龙江特士信息技术有限公司 | 一种面向多数据源的症状体征类实体识别方法及装置 |
CN106909789A (zh) * | 2017-02-28 | 2017-06-30 | 郑州云海信息技术有限公司 | 一种智能医疗系统 |
CN107016438A (zh) * | 2017-04-14 | 2017-08-04 | 温川飙 | 一种基于中医辨证人工神经网络算法模型的系统 |
CN108091391A (zh) * | 2017-12-27 | 2018-05-29 | 深圳和而泰数据资源与云技术有限公司 | 病症评估方法、终端设备及计算机可读介质 |
Non-Patent Citations (2)
Title |
---|
傅筱: "重症疾病预警与分级技术研究" * |
卜小轩 等: "重症监护室患者病情预测方法研究进展" * |
Cited By (33)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109036506A (zh) * | 2018-07-25 | 2018-12-18 | 平安科技(深圳)有限公司 | 互联网医疗问诊的监管方法、电子装置及可读存储介质 |
CN109872822A (zh) * | 2019-01-18 | 2019-06-11 | 深圳壹账通智能科技有限公司 | 医疗协助方法、装置、设备及介质 |
CN110060750A (zh) * | 2019-03-25 | 2019-07-26 | 平安科技(深圳)有限公司 | 医疗数据推送方法、系统、计算机设备及可读存储介质 |
CN110060750B (zh) * | 2019-03-25 | 2023-11-24 | 平安科技(深圳)有限公司 | 医疗数据推送方法、系统、计算机设备及可读存储介质 |
CN110223753A (zh) * | 2019-06-13 | 2019-09-10 | 广州宝荣科技应用有限公司 | 一种基于排队时长的处方审核分发方法及系统 |
CN110570916A (zh) * | 2019-08-14 | 2019-12-13 | 深圳壹账通智能科技有限公司 | 就诊辅助方法、系统、装置及存储介质 |
CN110534203A (zh) * | 2019-08-26 | 2019-12-03 | 腾讯科技(深圳)有限公司 | 地区疾病的监控方法及装置、存储介质 |
CN110782998A (zh) * | 2019-10-12 | 2020-02-11 | 平安医疗健康管理股份有限公司 | 数据审核方法、装置、计算机设备和存储介质 |
CN110781677B (zh) * | 2019-10-12 | 2023-02-07 | 深圳平安医疗健康科技服务有限公司 | 药品信息匹配处理方法、装置、计算机设备和存储介质 |
CN110781677A (zh) * | 2019-10-12 | 2020-02-11 | 平安医疗健康管理股份有限公司 | 药品信息匹配处理方法、装置、计算机设备和存储介质 |
TWI793391B (zh) * | 2019-12-27 | 2023-02-21 | 廣達電腦股份有限公司 | 醫療影像辨識系統及醫療影像辨識方法 |
US11749398B2 (en) | 2019-12-27 | 2023-09-05 | Quanta Computer Inc. | Medical image recognition system and medical image recognition method |
CN111403052A (zh) * | 2020-02-28 | 2020-07-10 | 广东人联网电子商务有限公司 | 一种视频问诊方法及系统 |
CN111785376A (zh) * | 2020-06-30 | 2020-10-16 | 平安国际智慧城市科技股份有限公司 | 病情可视化预测系统、方法、计算机设备及存储介质 |
CN111785376B (zh) * | 2020-06-30 | 2022-09-02 | 平安国际智慧城市科技股份有限公司 | 病情可视化预测系统、方法、计算机设备及存储介质 |
CN111816301A (zh) * | 2020-07-07 | 2020-10-23 | 平安科技(深圳)有限公司 | 医疗问诊辅助方法、装置、电子设备及介质 |
CN111951955A (zh) * | 2020-08-13 | 2020-11-17 | 神州数码医疗科技股份有限公司 | 一种基于规则推理的临床决策支持系统构建方法及装置 |
CN112037909A (zh) * | 2020-08-31 | 2020-12-04 | 康键信息技术(深圳)有限公司 | 诊断信息复核系统 |
CN112037909B (zh) * | 2020-08-31 | 2023-08-01 | 康键信息技术(深圳)有限公司 | 诊断信息复核系统 |
CN112035619A (zh) * | 2020-08-31 | 2020-12-04 | 康键信息技术(深圳)有限公司 | 基于人工智能的医疗问诊单筛选方法、装置、设备和介质 |
CN112201359B (zh) * | 2020-09-30 | 2024-05-03 | 平安科技(深圳)有限公司 | 基于人工智能的重症问诊数据识别方法及装置 |
CN112201359A (zh) * | 2020-09-30 | 2021-01-08 | 平安科技(深圳)有限公司 | 基于人工智能的重症问诊数据识别方法及装置 |
WO2022068160A1 (zh) * | 2020-09-30 | 2022-04-07 | 平安科技(深圳)有限公司 | 基于人工智能的重症问诊数据识别方法、装置、设备及介质 |
CN112201363A (zh) * | 2020-10-13 | 2021-01-08 | 南通市第一人民医院 | 一种儿科护理日常基础操作方法及装置 |
CN112270186A (zh) * | 2020-11-04 | 2021-01-26 | 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 |
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 |
CN112712906A (zh) * | 2020-12-29 | 2021-04-27 | 安徽科大讯飞医疗信息技术有限公司 | 视频图像处理方法、装置、电子设备及存储介质 |
CN112765461A (zh) * | 2021-01-12 | 2021-05-07 | 中国计量大学 | 一种基于多兴趣胶囊网络的会话推荐方法 |
CN113052205A (zh) * | 2021-03-05 | 2021-06-29 | 广州默尼互联网信息有限公司 | 基于机器学习的产妇数据分类方法、装置、设备及介质 |
WO2023029511A1 (zh) * | 2021-08-30 | 2023-03-09 | 康键信息技术(深圳)有限公司 | 在线医疗处方用药智能检查方法、装置、设备及存储介质 |
CN113707301A (zh) * | 2021-08-30 | 2021-11-26 | 康键信息技术(深圳)有限公司 | 基于人工智能的远程问诊方法、装置、设备及介质 |
CN113793667A (zh) * | 2021-09-16 | 2021-12-14 | 平安科技(深圳)有限公司 | 基于聚类分析的疾病预测方法、装置及计算机设备 |
CN115331805A (zh) * | 2022-07-04 | 2022-11-11 | 深圳市镜象科技有限公司 | 基于自然语言处理的精神疾病诊断方法及计算机设备 |
Also Published As
Publication number | Publication date |
---|---|
CN108986908B (zh) | 2023-04-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108986908A (zh) | 问诊数据处理方法、装置、计算机设备和存储介质 | |
Wehbe et al. | Simultaneously uncovering the patterns of brain regions involved in different story reading subprocesses | |
CN110021439A (zh) | 基于机器学习的医疗数据分类方法、装置和计算机设备 | |
Rotaru et al. | Modeling the structure and dynamics of semantic processing | |
Lowe et al. | The ubuntu dialogue corpus: A large dataset for research in unstructured multi-turn dialogue systems | |
US11710571B2 (en) | Long short-term memory model-based disease prediction method and apparatus, and computer device | |
Choi et al. | Aila: Attentive interactive labeling assistant for document classification through attention-based deep neural networks | |
CN109147934A (zh) | 问诊数据推荐方法、装置、计算机设备和存储介质 | |
CN112270196B (zh) | 实体关系的识别方法、装置及电子设备 | |
Wen et al. | Dynamic interactive multiview memory network for emotion recognition in conversation | |
CN110033022A (zh) | 文本的处理方法、装置和存储介质 | |
CN110704601A (zh) | 利用问题-知识引导的渐进式时空注意力网络解决需要常识的视频问答任务的方法 | |
CN112257449B (zh) | 命名实体识别方法、装置、计算机设备和存储介质 | |
CN111400470A (zh) | 问题处理方法、装置、计算机设备和存储介质 | |
CN108491515B (zh) | 一种用于校园心理咨询的句对匹配度预测方法 | |
CN113326374B (zh) | 基于特征增强的短文本情感分类方法及系统 | |
CN109829149A (zh) | 一种词向量模型的生成方法及装置、设备、存储介质 | |
US20220138185A1 (en) | Scene graph modification based on natural language commands | |
CN109977394A (zh) | 文本模型训练方法、文本分析方法、装置、设备及介质 | |
Wang et al. | Predicting the quality of short narratives from social media | |
Meshram et al. | Diagnosis of depression level using multimodal approaches using deep learning techniques with multiple selective features | |
Dehshibi et al. | A deep multimodal learning approach to perceive basic needs of humans from instagram profile | |
Bai et al. | Gated character-aware convolutional neural network for effective automated essay scoring | |
Alsheri et al. | MOOCSent: a sentiment predictor for massive open online courses | |
Jiang et al. | Network public comments sentiment analysis based on multilayer convolutional neural network |
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 |