CN110210018A - 挂号科室的匹配方法和装置 - Google Patents

挂号科室的匹配方法和装置 Download PDF

Info

Publication number
CN110210018A
CN110210018A CN201910397139.7A CN201910397139A CN110210018A CN 110210018 A CN110210018 A CN 110210018A CN 201910397139 A CN201910397139 A CN 201910397139A CN 110210018 A CN110210018 A CN 110210018A
Authority
CN
China
Prior art keywords
department
school
standard
similarity
matching
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
Application number
CN201910397139.7A
Other languages
English (en)
Other versions
CN110210018B (zh
Inventor
王春宇
夏源
施振辉
陆超
黄海峰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN201910397139.7A priority Critical patent/CN110210018B/zh
Publication of CN110210018A publication Critical patent/CN110210018A/zh
Application granted granted Critical
Publication of CN110210018B publication Critical patent/CN110210018B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/20—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the management or administration of healthcare resources or facilities, e.g. managing hospital staff or surgery rooms

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • General Business, Economics & Management (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Biomedical Technology (AREA)
  • Public Health (AREA)
  • Primary Health Care (AREA)
  • Medical Informatics (AREA)
  • Epidemiology (AREA)
  • Medical Treatment And Welfare Office Work (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明提出一种挂号科室的匹配方法和装置，其中，方法包括：根据多个院方科室和多个标准科室生成训练样本集合，其中，训练样本集合包含正样本集和负样本集；根据问诊语料和患者语料获取多个词向量特征；将训练样本集合和多个词向量特征输入预先训练的匹配模型，获取与每个院方科室对应匹配的候选标准科室及相似度；根据与每个院方科室对应匹配的候选标准科室及相似度和预设的置信区间生成每个院方科室与标准科室之间的映射关系。由此，实现了标准科室与院方科室的自动匹配，保证了标准科室对院方科室匹配的准确率和覆盖率，便于为用户定位到院方科室进行挂号服务。

Description

挂号科室的匹配方法和装置
技术领域
本发明涉及信息处理技术领域，尤其涉及一种挂号科室的匹配方法和装置。
背景技术
近几年来，人工智能技术得到了越来越广泛的关注，作为其子领域的机器学习、深度学习等方法也被应用到各行各业当中，不仅仅停留于理论阶段的研究，诸多企业将这一方法应用在实际的业务场景中，结合相关的技术，如图像检测、自然语言处理、模式识别等研发成实际的落地产品，尤其是现在许多互联网公司致力于AI医疗领域，研发出智能问诊、智能分导诊等互联网医疗领域的产品。对于智能分导诊来讲，根据患者的主诉，模拟医生对患者的询问方式，定位到主诉中的关键信息，询问下一轮可能存在的症状，结合多轮症状询问交互，最后会推荐排名top1的院方科室作为最终的建议院方科室进行挂号，而该建议院方科室也是与产品基准版本的标准科室建立了映射关系。
随着产品的规模扩大，会有越来越多的医院加入合作，基准版的标准科室也需要不断的扩增，假如基准版科室有100多个，院方科室几十个，如果通过人工对照匹配的方式对照，会有上千次的比较，耗费大量的人力，实现较为困难。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。
为此，本发明的第一个目的在于提出一种挂号科室的匹配方法，以实现了标准科室与院方科室的自动匹配，保证了标准科室对院方科室匹配的准确率和覆盖率，便于为用户定位到院方科室进行挂号服务。
本发明的第二个目的在于提出一种挂号科室的匹配装置。
本发明的第三个目的在于提出一种计算机设备。
本发明的第四个目的在于提出一种非临时性计算机可读存储介质。
为达上述目的，本发明第一方面实施例提出了一种挂号科室的匹配方法，包括：包括以下步骤：根据多个院方科室和多个标准科室生成训练样本集合，其中，所述训练样本集合包含正样本集和负样本集；根据问诊语料和患者语料获取多个词向量特征；将所述训练样本集合和所述多个词向量特征输入预先训练的匹配模型，获取与每个院方科室对应匹配的候选标准科室及相似度；根据所述与每个院方科室对应匹配的候选标准科室及相似度和预设的置信区间生成每个院方科室与标准科室之间的映射关系。
本发明实施例的挂号科室的匹配方法，根据多个院方科室和多个标准科室生成训练样本集合，其中，训练样本集合包含正样本集和负样本集，根据问诊语料和患者语料获取多个词向量特征，将训练样本集合和多个词向量特征输入预先训练的匹配模型，获取与每个院方科室对应匹配的候选标准科室及相似度，进而，根据与每个院方科室对应匹配的候选标准科室及相似度和预设的置信区间生成每个院方科室与标准科室之间的映射关系。由此，实现了标准科室与院方科室的自动匹配，保证了标准科室对院方科室匹配的准确率和覆盖率，便于为用户定位到院方科室进行挂号服务。
为达上述目的，本发明第二方面实施例提出了一种挂号科室的匹配装置，包括：第一生成模块，用于根据多个院方科室和多个标准科室生成训练样本集合，其中，所述训练样本集合包含正样本集和负样本集；第一获取模块，用于根据问诊语料和患者语料获取多个词向量特征；第二获取模块，用于将所述训练样本集合和所述多个词向量特征输入预先训练的匹配模型，获取与每个院方科室对应匹配的候选标准科室及相似度；第二生成模块，用于根据所述与每个院方科室对应匹配的候选标准科室及相似度和预设的置信区间生成每个院方科室与标准科室之间的映射关系。
本发明实施例的挂号科室的匹配装置，根据多个院方科室和多个标准科室生成训练样本集合，其中，训练样本集合包含正样本集和负样本集，根据问诊语料和患者语料获取多个词向量特征，将训练样本集合和多个词向量特征输入预先训练的匹配模型，获取与每个院方科室对应匹配的候选标准科室及相似度，进而，根据与每个院方科室对应匹配的候选标准科室及相似度和预设的置信区间生成每个院方科室与标准科室之间的映射关系。由此，实现了标准科室与院方科室的自动匹配，保证了标准科室对院方科室匹配的准确率和覆盖率，便于为用户定位到院方科室进行挂号服务。
为达上述目的，本发明第三方面实施例提出了一种计算机设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时，实现如上述实施例所述的挂号科室的匹配方法。
为了达上述目的，本发明第四方面实施例提出了一种非临时性计算机可读存储介质，所述计算机程序被处理器执行时实现如上述实施例所述的挂号科室的匹配方法。
本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1为本发明实施例所提供的一种挂号科室的匹配方法的流程示意图；
图2为本发明实施例所提供的另一种挂号科室的匹配方法的流程示意图；
图3为本发明实施例所提供的又一种挂号科室的匹配方法的流程示意图；
图4-1是根据本发明实施例所提供的一种挂号科室的匹配方法的应用场景示意图；
图4-2是根据本发明实施例所提供的另一种挂号科室的匹配方法的应用场景示意图；
图5为本发明实施例所提供的再一种挂号科室的匹配方法的流程示意图；
图6是根据本发明一个实施例的挂号科室的匹配装置的结构示意图；
图7是根据本发明另一个实施例的挂号科室的匹配装置的结构示意图；
图8是根据本发明又一个实施例的挂号科室的匹配装置的结构示意图；以及
图9为实现本申请实施方式的示例性计算机设备的框图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
针对上述背景技术中提到的，基于人工匹配的方式建立院方科室与标准科室的对应关系时，由于基准版的标准科室覆盖的科室数量比较多(以百级为单位)，与院方科室进行匹配时，需要依次进行对照，单纯的通过人工的方式标准，非常繁琐，耗时很久，匹配效率较低。
为了解决该技术问题，本发明提出一种院方科室和标准科室的自动匹配方式。
下面参考附图描述本发明实施例的挂号科室的匹配方法和装置。
图1为本发明实施例所提供的一种挂号科室的匹配方法的流程示意图。
如图1所示，该方法包括以下步骤：
步骤101，根据多个院方科室和多个标准科室生成训练样本集合，其中，训练样本集合包含正样本集和负样本集。
其中，标准科室可以理解为基于人工智能的自动挂号平台中的基准科室，院方科室即为每个医院中的科室名称。
在本发明的实施例中，根据多个院方科室和多个标准科室生成训练样本集合，其中，训练样本集合包含正样本集和负样本集，以进一步基于训练样本集合训练出与院方科室匹配的标准科室。
当然，在实际应用中，由于对接合作的医院比较多，院方有一些是自己专属的特色科室，科室名字有自己的后缀，有时院方科室和标准科室属于同一个科室，但是名称并不是完全一样的(例如，骨科和骨外科，肠道科室门诊和肠道门诊)，因此，需要预先对多个院方科室和多个标准科室进行预处理，去除上述噪声，基于预处理后的多个院方科室和多个标准科室进行训练样本集合的生成。
作为一种可能的实现方式，根据预设样本数量比例关系获取与多个院方科室和多个标准科室对应的正样本集和负样本集，其中，正样本集中的每个正样本包含一对互相匹配的院方科室和标准科室，负样本集中的每个负样本包含一对互相不匹配的院方科室和标准科室，在本示例中，该预设样本比例关系中负样本的数量和正样本数量的比例关系可以为10:1。
以北京协和医院的科室为例，首先由医学专家标准出该院科室与基准版科室的正确匹配作为正样本，然后以正负样本1:10的比例生成负样本。
步骤102，根据问诊语料和患者语料获取多个词向量特征。
其中，问诊预料包含电子医生和患者的问询预料、医院中医生和患者的交谈信息、病历信息等，患者预料包含用户的对病情的描述信息等，在本实施例中，将医学相关的问诊语料和患者主诉记录语料(共数百万条数据)作为训练集，生成多个词向量特征，基于多个词向量特征从多维角度进行特征的提取，以便于准确确定出与院法科室匹配的标准科室。
需要说明的是，上述多个词向量特征可以为两个或多个，在不同的应用场景下，上述词向量特征不同，示例如下：
作为一种可能的示例，该词向量特征包括第一词向量特征和第二词向量特征中的至少一种，在本示例中，如图2所示，该步骤102包括：
步骤201，获取问诊语料和患者语料。
在本实施例中，可以从服务器中获取问诊语料和患者语料。
步骤202，提取问诊语料和患者主诉语料中的医学实体词和科室实体词，并获取与医学实体词对应的拆分词。
其中，医学实体词可以理解为医学领域的专业用词，比如“口腔科”等，医学实体次对应的拆分词可以理解为将每个医学实体词拆分成的最小单位的字符，比如将“口腔科”拆分为“口”、“腔”、“科”，这种拆分方式大大提高了实体词的丰富程度，即可以将医学实体词对应的拆分词互相组合成更多种的实体词，丰富了训练预料，比如，将“口腔科”拆分为“口”、“腔”、“科”，将“手足癣”拆分为“手”、“足”、“癣”后，可以组成新的实体词“手足口”等。
步骤203，根据预设算法对科室实体词进行计算，获取指示科室相似度的第一词向量特征，和/或，
根据预设算法对实体词和与实体词对应的拆分词计算，获取第二词向量特征。
具体地，根据预设算法对实体词和与实体词对应的拆分词计算，获取第二词向量特征，该第二词向量特征用于刻画实体词之外由拆分次组合成的其他实体次的词向量特征，作为一种可能的实现方式，基于Fasttext算法的out-of vocab的特性生成第二词向量特征。
在本实施例中，根据预设算法对科室实体词进行计算，获取指示科室相似度的第一词向量特征，该第一词向量特征用于刻画科室之间的相似度，作为一种可能的实现方式，基于jaccard算法对科室实体词进行计算，获取指示科室相似度的第一词向量特征。
作为另一种可能的实现方式，上述词向量特征还可包括第三词向量特征，即根据预设算法对问诊语料和患者主诉语料计算，获取包含多个等级的语义特征的第三词向量特征。
在本实施例中，基于ELMo算法对问诊语料和患者主诉语料计算，获取包含多个等级的语义特征的第三词向量特征，该第三词向量特征刻画了不同等级的语义信息，比如，语句语义、词语义、字语义特征等。
步骤103，将训练样本集合和多个词向量特征输入预先训练的匹配模型，获取与每个院方科室对应匹配的候选标准科室及相似度。
具体的，将训练样本集合和多个词向量特征输入预先训练的匹配模型后，该预先训练的匹配模型可以基于训练样本集合和多个词向量特征获取与每个院方科室对应匹配的候选标准科室及相似度，即可以理解匹配模型输出的每个记录为<院方科室名称，候选标准科室名称，相似度>的三元组形式，在本示例中，可以理解，匹配模型输出的相似度是top1的相似度及其对应的候选标准科室名称。
步骤104，根据与每个院方科室对应匹配的候选标准科室及相似度和预设的置信区间生成每个院方科室与标准科室之间的映射关系。
具体地，根据与每个院方科室对应匹配的候选标准科室及相似度和预设的置信区间生成每个院方科室与标准科室之间的映射关系，以便于进一步基于该映射关系为用户提供自动挂号服务。
作为一种可能的实现方式，如图3所示，步骤104包括：
步骤301，检测与每个院方科室对应的相似度是否属于预设的置信度区间。
该预设的置信度区间可以理解为覆盖大于等于80％相似度的区间，即检测每个院方科室对应的相似度是否大于等于80％，当然，根据应用需要，也可以将置信度区间划分为大于等于0.99以及大于等于0.8到小于0.99之间的读个区间，以便于基于区间的不同，确定每个院方科室是否与对应的候选标准科室对应。
步骤302，若属于置信度区间，则生成每个院方科室和对应的候选标准科室之间的映射关系。
具体的，如果属于置信度区间，则表明院方科室和对应的候选标准科室一致，构建每个院方科室和对应的候选标准科室之间的映射关系。
步骤303，若不属于置信度区间，则将每个院方科室对应匹配的候选标准科室及相似度发送至用户，并根据用户的反馈信息建立每个院方科室对应的标准科室。
具体地，如果不属于置信度区间，即每个院方科室对应匹配的候选标准科室的相似度较低，这种情况也不一定意味着每个院方科室与对应匹配的候选标准科室不匹配，诸如<白内障专科门诊，眼科，0.648952313>,是由于标准科室列表未覆盖导致的，因此，在这种情况下，将每个院方科室对应匹配的候选标准科室及相似度发送至用户，并根据用户的反馈信息建立每个院方科室对应的标准科室。
当然，在实际执行过程中，有些标准科室属于粗粒度的科室，会有对应的标准子科室，由医学专家专门标准了一个层级科室列表，层级科室列表中有三种级别的科室：一级科室、二级科室和三级科室，前一种科室都是后一种的父类科室，例如，一级科室是内科，它的子科室包括心血管内科、消化内科、肾内科、呼吸内科等都属于二级科室，其中呼吸内科还包括戒烟门诊这一子科室，作为三级科室。将这种层级关系映射成为关系表，加入到最后的返回结果中，则院方的内科会与标准列表中内科的子级科室都有对应关系。
但是存在一种情况，院方给的院方科室的名称并不一定都是标准科室列表中的名称，例如，院方：骨科，对应标准科室：骨外科。该种情况仍然需要将骨外科的子级科室与骨科对应，则需要制定处理非标准院方科室名称的层级科室匹配策略，具体情况如下：
确定与院方科室对应匹配的候选标准科室是否包含标准子科室，比如查询专家标准的层级科室中是否包含候选标准科室对应的子科室，若包含标准子科室，则检测与每个院方科室对应的相似度是否等于1，即检测院方科室的名称是否在标准科室表中。
如果相似度等于1，则表明院方科室的名称是否在标准科室表中，从而，构建每个院方科室与对应的候选标准科室及其标准子科室的映射关系，加入层级科室的映射关系将院方科室与标准科室及其子科室一一对应。
举例而言，如图4-1所示，当院科室为内科，对应的标准科室也为内科，且标准科室内科下具有子科室心血管内科、消化内科、肾内科、呼吸内科，则构建心血管内科、消化内科、肾内科、呼吸内科与院方科室内科的映射关系。
若相似度不等于1，则检测相似度是否属于大于等于预设阈值，其中，预设阈值小于1，可以为0.9等较高的数，若大于等于预设阈值，则表明每个院方科室与对应的候选标准科室的相似度属于高置信阈值，从而，构建每个院方科室与对应的候选标准科室及其标准子科室的映射关系。
举例而言，如图4-2所示，当院科室为骨科，对应的标准科室为骨外科，且标准科室内科下具有子科室足踝外科、头颈外科、脊髓脊柱外科，则构建足踝外科、头颈外科、脊髓脊柱外科与院方科室骨科的映射关系。
若相似度小于置信区间，则直接给出对应关系，不加入层级科室的映射关系，在本实施例中，可以发送包含每个院方科室与对应的候选标准科室及其标准子科室的对应关系的提示消息，比如，向医院平台反馈，或向用户终端反馈，根据用户对提示消息的反馈，构建每个院方科室与标准科室及其标准子科室的映射关系，即由用户手动进行映射关系的确定。
当然，在本实施例中，如果每个院方科室对应匹配的候选标准科室不包含标准子科室，则根据与每个院方科室对应匹配的候选标准科室及相似度和预设的置信区间生成每个院方科室与标准科室之间的映射关系，即如果标准科室不存在标准子科室，则根据相似度的大小直接给出单一映射关系。
需要说明的是，科室匹配的情况有几类不同的情况，最简单是一对一情况，院方科室与标准科室唯一对应。还有就是多对一的情况，如果院方的多个院方科室对应同一个标准科室，是不合理的，例如院方的皮肤科、皮肤内科、皮肤外科都对应着标准科室的皮肤科，无法告知患者具体挂哪一个科室，产生歧义，需要与院方科室精准匹配。因此，在本发明的实施例中，需要对多对一的情况进行过滤，确定与同一个候选标准科室对应的院方科室的数量，当数量大于等于1时，则发送包含与同一个候选标准科室对应的院方科室的报警信息，进而，接收用户根据报警信息反馈的更改信息，根据更改信息确定与同一个候选标准科室对应的院方科室。
基于以上描述，可以基于自动化的方式精确地构建院方科室与标准科室的对应关系，该映射关系构建方法可以节省大量的人力成本，封装成接口，使用方便，可以通过一键生成的方式，直接给出目标院方科室与智能分导诊基准科室的精准匹配，大大提高了资源利用率，目前应用在真实的线上系统中，平均准确率可以达到90％以上，覆盖率80％左右，而且可扩展性强，可以应用在所有AI医疗领域带有科室匹配功能的产品当中。
在实际应用中，可以经过人工智能的挂号平台与用户的多轮问询获取用户的主诉消息，根据主诉消息确定目标标准科室，进而，根据每个院方科室与标准科室之间的映射关系，确定挂号医院中与目标标准科室对应的目标院方科室，最后，将目标院方科室发送给用户，以便于用户根据目标院方科室进行挂号。
为了更加清楚的描述本发明实施例的挂号科室的匹配方法，下面结合具体的应用场景进行举例说明，如图5所示，在本示例中，对获取的多个院方科室和多个标准科室预处理后，生成包含正样本集和负样本集的训练样本集合，根据问诊语料和患者语料获取Fasttext、Jaccard、ELMo词向量特征，将练样本集合和多个词向量特征生成特征矩阵后输入预先训练的匹配模型进行科室预测，获取与每个院方科室对应匹配的候选标准科室及相似度，进而，根据与每个院方科室对应匹配的候选标准科室及相似度和预设的置信区间生成每个院方科室与标准科室之间的映射关系。
其中，本示例中的预设的置信区间划分为高、低和unknown三个置信区间，加入院方专家标注的层级科室后，对院方科室和标准科室多对一的情况进行处理后，构建院方科室和标准科室(和标准子科室)的对应关系，输出最后的科室匹配列表。
综上，本发明实施例的挂号科室的匹配方法，根据多个院方科室和多个标准科室生成训练样本集合，其中，训练样本集合包含正样本集和负样本集，根据问诊语料和患者语料获取多个词向量特征，将训练样本集合和多个词向量特征输入预先训练的匹配模型，获取与每个院方科室对应匹配的候选标准科室及相似度，进而，根据与每个院方科室对应匹配的候选标准科室及相似度和预设的置信区间生成每个院方科室与标准科室之间的映射关系。由此，实现了标准科室与院方科室的自动匹配，保证了标准科室对院方科室匹配的准确率和覆盖率，便于为用户定位到院方科室进行挂号服务。
为了实现上述实施例，本发明还提出了一种挂号科室的匹配装置。图6是根据本发明一个实施例的挂号科室的匹配装置的结构示意图，如图6所示，该挂号科室的匹配装置包括：第一生成模块10、第一获取模块20、第二获取模块30、第二生成模块40，其中，
第一生成模块10，用于根据多个院方科室和多个标准科室生成训练样本集合，其中，训练样本集合包含正样本集和负样本集。
第一获取模块20，用于根据问诊语料和患者语料获取多个词向量特征。
第二获取模块30，用于将训练样本集合和多个词向量特征输入预先训练的匹配模型，获取与每个院方科室对应匹配的候选标准科室及相似度。
第二生成模块40，用于根据与每个院方科室对应匹配的候选标准科室及相似度和预设的置信区间生成每个院方科室与标准科室之间的映射关系。
在本发明的一个实施例中，如图7所示，在如图6所示的基础上，第二生成模块40包括：第一检测单元41、生成单元42和建立单元43，其中，
第一检测单元41，用于检测与每个院方科室对应的相似度是否属于预设的置信度区间。
生成单元42，用于在属于置信度区间时，生成每个院方科室和对应的候选标准科室之间的映射关系；
建立单元43，用于在不属于置信度区间时，将每个院方科室对应匹配的候选标准科室及相似度发送至用户，并根据用户的反馈信息建立每个院方科室对应的标准科室。
在本发明的一个实施例中，如图8所示，在如图6所示的基础上，第二生成模块40包括：确定单元44、第二检测单元45、构建单元46和第三检测单元47，其中，
确定单元44，用于确定与每个院方科室对应匹配的候选标准科室是否包含标准子科室。
第二检测单元45，用于在包含标准子科室时，检测与每个院方科室对应的相似度是否等于1。
构建单元46，用于在相似度等于1时，构建每个院方科室与对应的候选标准科室及其标准子科室的映射关系。
第三检测单元47，用于在相似度不等于1时，检测相似度是否属于大于等于预设阈值，其中，预设阈值小于1。
在本实施例中，构建单元46用于在大于等于预设阈值时，构建每个院方科室与对应的候选标准科室及其标准子科室的映射关系。
需要说明的是，前述对挂号科室的匹配方法实施例的解释说明，也适用于本发明实施例的挂号科室的匹配装置，其实现原理类似，在此不再赘述。
综上，本发明实施例的挂号科室的匹配装置，根据多个院方科室和多个标准科室生成训练样本集合，其中，训练样本集合包含正样本集和负样本集，根据问诊语料和患者语料获取多个词向量特征，将训练样本集合和多个词向量特征输入预先训练的匹配模型，获取与每个院方科室对应匹配的候选标准科室及相似度，进而，根据与每个院方科室对应匹配的候选标准科室及相似度和预设的置信区间生成每个院方科室与标准科室之间的映射关系。由此，实现了标准科室与院方科室的自动匹配，保证了标准科室对院方科室匹配的准确率和覆盖率，便于为用户定位到院方科室进行挂号服务。
为了实现上述实施例，本发明还提出一种计算机设备，包括：处理器，其中，处理器通过读取存储器中存储的可执行程序代码来运行与可执行程序代码对应的程序，以用于实现上述实施例描述的挂号科室的匹配方法。
为了实现上述实施例，本发明还提出一种非临时性计算机可读存储介质，当所述存储介质中的指令由处理器被执行时，实现上述实施例描述的挂号科室的匹配方法。
为了实现上述实施例，本发明还提出一种计算机程序产品，当所述计算机程序产品中的指令处理器执行时，执行上述实施例示出的挂号科室的匹配方法。
图9示出了适于用来实现本申请实施方式的示例性计算机设备的框图。图9显示的计算机设备12仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
如图9所示，计算机设备12以通用计算设备的形式表现。计算机设备12的组件可以包括但不限于：一个或者多个处理器或者处理单元16，系统存储器28，连接不同系统组件(包括系统存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(Industry StandardArchitecture；以下简称：ISA)总线，微通道体系结构(Micro Channel Architecture；以下简称：MAC)总线，增强型ISA总线、视频电子标准协会(Video Electronics StandardsAssociation；以下简称：VESA)局域总线以及外围组件互连(Peripheral ComponentInterconnection；以下简称：PCI)总线。
计算机设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
存储器28可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(Random Access Memory；以下简称：RAM)30和/或高速缓存存储器32。计算机设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质(图9未显示，通常称为“硬盘驱动器”)。尽管图9中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如：光盘只读存储器(Compact Disc Read OnlyMemory；以下简称：CD-ROM)、数字多功能只读光盘(Digital Video Disc Read OnlyMemory；以下简称：DVD-ROM)或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本申请各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40，可以存储在例如存储器28中，这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本申请所描述的实施例中的功能和/或方法。
计算机设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信，还可与一个或者多个使得用户能与该计算机系统/服务器12交互的设备通信，和/或与使得该计算机系统/服务器12能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且，计算机设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(Local AreaNetwork；以下简称：LAN)，广域网(Wide Area Network；以下简称：WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器20通过总线18与计算机设备12的其它模块通信。应当明白，尽管图中未示出，可以结合计算机设备12使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如，如果用硬件来实现和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，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模块中，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模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (15)

1.一种挂号科室的匹配方法，其特征在于，包括以下步骤：
根据多个院方科室和多个标准科室生成训练样本集合，其中，所述训练样本集合包含正样本集和负样本集；
根据问诊语料和患者语料获取多个词向量特征；
将所述训练样本集合和所述多个词向量特征输入预先训练的匹配模型，获取与每个院方科室对应匹配的候选标准科室及相似度；
根据所述与每个院方科室对应匹配的候选标准科室及相似度和预设的置信区间生成每个院方科室与标准科室之间的映射关系。
2.如权利要求1所述的方法，其特征在于，所述根据多个院方科室和多个标准科室生成训练样本集合，包括：
根据预设样本数量比例关系获取与所述多个院方科室和所述多个标准科室对应的所述正样本集和所述负样本集，其中，所述正样本集中的每个正样本包含一对互相匹配的院方科室和标准科室，所述负样本集中的每个负样本包含一对互相不匹配的院方科室和标准科室。
3.如权利要求1所述的方法，其特征在于，所述根据问诊语料和患者语料获取多个词向量特征，包括：
获取所述问诊语料和患者语料；
提取所述问诊语料和患者主诉语料中的医学实体词和科室实体词，并获取与所述医学实体词对应的拆分词；
根据预设算法对所述科室实体词进行计算，获取指示科室相似度的所述第一词向量特征，和/或，
根据预设算法对所述实体词和与所述实体词对应的所述拆分词计算，获取所述第二词向量特征。
4.如权利要求3所述的方法，其特征在于，还包括：
根据预设算法对所述问诊语料和患者主诉语料计算，获取包含多个等级的语义特征的所述第三词向量特征。
5.如权利要求1所述的方法，其特征在于，所述根据所述与每个院方科室对应匹配的候选标准科室及相似度和预设的置信区间生成每个院方科室与标准科室之间的映射关系，包括：
检测与每个院方科室对应的相似度是否属于预设的置信度区间；
若属于所述置信度区间，则生成所述每个院方科室和对应的候选标准科室之间的映射关系；
若不属于所述置信度区间，则将所述每个院方科室对应匹配的候选标准科室及相似度发送至用户，并根据所述用户的反馈信息建立所述每个院方科室对应的标准科室。
6.如权利要求1所述的方法，其特征在于，所述根据所述与每个院方科室对应匹配的候选标准科室及相似度和预设的置信区间生成每个院方科室与标准科室之间的映射关系，包括：
确定与每个院方科室对应匹配的候选标准科室是否包含标准子科室；
若包含标准子科室，则检测与所述每个院方科室对应的相似度是否等于1；
若所述相似度等于1，则构建所述每个院方科室与对应的候选标准科室及其标准子科室的映射关系；
若所述相似度不等于1，则检测所述相似度是否属于大于等于预设阈值，其中，所述预设阈值小于1；
若大于等于所述预设阈值，则构建所述每个院方科室与对应的候选标准科室及其标准子科室的映射关系。
7.如权利要求6所述的方法，其特征在于，还包括：
若小于所述置信区间，则发送包含所述每个院方科室与对应的候选标准科室及其标准子科室的对应关系的提示消息；
根据用户对所述提示消息的反馈，构建所述每个院方科室与标准科室及其标准子科室的映射关系。
8.如权利要求6所述的方法，其特征在于，在所述确定与每个院方科室对应匹配的候选标准科室是否包含标准子科室之后，还包括：
若不包含标准子科室，则根据所述与每个院方科室对应匹配的候选标准科室及相似度和预设的置信区间生成每个院方科室与标准科室之间的映射关系。
9.如权利要求6所述的方法，其特征在于，在所述确定与每个院方科室对应匹配的候选标准科室是否包含标准子科室之前，还包括：
确定与同一个候选标准科室对应的院方科室的数量；
当所述数量大于等于1时，则发送包含所述与同一个候选标准科室对应的院方科室的报警信息；
接收用户根据所述报警信息反馈的更改信息，根据所述更改信息确定与所述同一个候选标准科室对应的院方科室。
10.如权利要求1所述的方法，其特征在于，还包括：
获取用户的主诉信息，根据所述主诉信息确定目标标准科室；
根据所述每个院方科室与标准科室之间的映射关系，确定挂号医院中与所述目标标准科室对应的目标院方科室；
将所述目标院方科室发送给所述用户，以便于所述用户根据所述目标院方科室进行挂号。
11.一种挂号科室的匹配装置，其特征在于，包括：
第一生成模块，用于根据多个院方科室和多个标准科室生成训练样本集合，其中，所述训练样本集合包含正样本集和负样本集；
第一获取模块，用于根据问诊语料和患者语料获取多个词向量特征；
第二获取模块，用于将所述训练样本集合和所述多个词向量特征输入预先训练的匹配模型，获取与每个院方科室对应匹配的候选标准科室及相似度；
第二生成模块，用于根据所述与每个院方科室对应匹配的候选标准科室及相似度和预设的置信区间生成每个院方科室与标准科室之间的映射关系。
12.如权利要求11所述的装置，其特征在于，所述第二生成模块，包括：
第一检测单元，用于检测与每个院方科室对应的相似度是否属于预设的置信度区间；
生成单元，用于在属于所述置信度区间时，生成所述每个院方科室和对应的候选标准科室之间的映射关系；
建立单元，用于在不属于所述置信度区间时，将所述每个院方科室对应匹配的候选标准科室及相似度发送至用户，并根据所述用户的反馈信息建立所述每个院方科室对应的标准科室。
13.如权利要求11所述的装置，其特征在于，所述第二生成模块，包括：
确定单元，用于确定与每个院方科室对应匹配的候选标准科室是否包含标准子科室；
第二检测单元，用于在包含标准子科室时，检测与所述每个院方科室对应的相似度是否等于1；
构建单元，用于在所述相似度等于1时，构建所述每个院方科室与对应的候选标准科室及其标准子科室的映射关系；
第三检测单元，用于在所述相似度不等于1时，检测所述相似度是否属于大于等于预设阈值，其中，所述预设阈值小于1；
所述构建单元，用于在大于等于所述预设阈值时，构建所述每个院方科室与对应的候选标准科室及其标准子科室的映射关系。
14.一种计算机设备，其特征在于，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时，实现如权利要求1-10中任一所述的挂号科室的匹配方法。
15.一种非临时性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如权利要求1-10中任一所述的挂号科室的匹配方法。
CN201910397139.7A 2019-05-14 2019-05-14 挂号科室的匹配方法和装置 Active CN110210018B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910397139.7A CN110210018B (zh) 2019-05-14 2019-05-14 挂号科室的匹配方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910397139.7A CN110210018B (zh) 2019-05-14 2019-05-14 挂号科室的匹配方法和装置

Publications (2)

Publication Number Publication Date
CN110210018A true CN110210018A (zh) 2019-09-06
CN110210018B CN110210018B (zh) 2023-07-11

Family

ID=67787095

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910397139.7A Active CN110210018B (zh) 2019-05-14 2019-05-14 挂号科室的匹配方法和装置

Country Status (1)

Country Link
CN (1) CN110210018B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111403011A (zh) * 2020-03-12 2020-07-10 腾讯科技（深圳）有限公司 挂号科室推送方法、装置、系统、电子设备及存储介质
CN111428029A (zh) * 2020-03-05 2020-07-17 云知声智能科技股份有限公司 一种手术名称标准化方法及装置
CN112131838A (zh) * 2020-09-29 2020-12-25 无锡医迈德科技有限公司 一种将非标准型号字符串映射为标准型字符串的方法
CN112349410A (zh) * 2020-11-13 2021-02-09 北京京东尚科信息技术有限公司 用于科室分诊的分诊模型的训练方法、分诊方法和系统
CN112635035A (zh) * 2021-01-05 2021-04-09 北京融威众邦电子技术有限公司 预约放号科室的匹配方法、装置、计算机设备
CN112700862A (zh) * 2020-12-25 2021-04-23 上海钛米机器人股份有限公司 目标科室的确定方法、装置、电子设备及存储介质

Citations (46)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110246216A1 (en) * 2010-03-31 2011-10-06 Microsoft Corporation Online Pre-Registration for Patient Intake
CN103218444A (zh) * 2013-04-22 2013-07-24 中央民族大学 基于语义的藏文网页文本分类方法
US20130268563A1 (en) * 2012-04-10 2013-10-10 Derek Shiell Fast and Robust Classification Algorithm for Vein Recognition Using Infrared Images
US20140025607A1 (en) * 2012-07-18 2014-01-23 Jinjun Wang Confidence Based Vein Image Recognition and Authentication
CN103778440A (zh) * 2014-01-27 2014-05-07 山西协康云享科技有限公司 基于大数据平台的图像匹配方法、应用服务器及用户设备
EP2835159A1 (en) * 2013-08-08 2015-02-11 Angel Playing Cards Co., Ltd. A method for administrating a package of shuffled playing cards
US20150095565A1 (en) * 2013-09-27 2015-04-02 Intel Corporation Read training a memory controller
JP2015120272A (ja) * 2013-12-20 2015-07-02 キヤノン株式会社 プリントシステム、印刷装置及び印刷装置の制御方法
CN104899604A (zh) * 2015-06-08 2015-09-09 哈尔滨工程大学 一种基于数据集合并的特征级融合方法
CN105260782A (zh) * 2015-09-23 2016-01-20 百度在线网络技术（北京）有限公司 挂号预约信息处理方法及装置
CN105913846A (zh) * 2016-05-25 2016-08-31 北京云知声信息技术有限公司 一种语音挂号实现方法、装置及系统
CN106339578A (zh) * 2016-08-17 2017-01-18 秦皇岛市第医院 一种多策略融合的医院患者挂号推荐方法
EP3125207A1 (en) * 2014-03-24 2017-02-01 Angel Playing Cards Co., Ltd. System for managing packages of shuffled playing cards
CN106651424A (zh) * 2016-09-28 2017-05-10 国网山东省电力公司电力科学研究院 基于大数据技术的电力用户画像建立与分析方法
CN107194167A (zh) * 2017-05-17 2017-09-22 医惠科技有限公司 一种医患数据管理系统及方法
CN107247866A (zh) * 2017-05-12 2017-10-13 太仓诚泽网络科技有限公司 一种基于app的挂号申请匹配系统
CN107491518A (zh) * 2017-08-15 2017-12-19 北京百度网讯科技有限公司 一种搜索召回方法和装置、服务器、存储介质
CN107526934A (zh) * 2017-09-06 2017-12-29 青海大学附属医院 一种医疗服务系统
CN107526932A (zh) * 2017-08-30 2017-12-29 河北健康侍卫网络科技有限公司 科室挂号指导方法和终端设备
CN107680664A (zh) * 2017-09-28 2018-02-09 北京全域医疗技术有限公司 患者就医流程控制方法及装置
CN107766853A (zh) * 2016-08-16 2018-03-06 阿里巴巴集团控股有限公司 一种图像的文本信息的生成、显示方法及电子设备
CN107799169A (zh) * 2017-11-29 2018-03-13 陈思奇 一种医院就诊导航系统
CN107818625A (zh) * 2017-11-03 2018-03-20 深圳市易特科信息技术有限公司 具备导诊功能的挂号辅助装置
CN107886178A (zh) * 2017-11-03 2018-04-06 深圳市易特科信息技术有限公司 用于医院的挂号辅助装置
CN108009803A (zh) * 2017-12-26 2018-05-08 华中科技大学同济医学院附属协和医院 一种具有辅助挂号功能的医院自动化办公系统
CN108172281A (zh) * 2017-12-25 2018-06-15 武汉雕龙数据科技有限公司 可配置化的集团化多维展示方法及系统
CN108231174A (zh) * 2017-12-11 2018-06-29 浪潮软件集团有限公司 一种确定科室的方法、装置及系统
CN108280061A (zh) * 2018-01-17 2018-07-13 北京百度网讯科技有限公司 基于歧义实体词的文本处理方法和装置
CN108664607A (zh) * 2018-05-11 2018-10-16 国网江西省电力有限公司信息通信分公司 一种基于迁移学习的电力通信网数据质量提升方法
CN108766545A (zh) * 2018-05-31 2018-11-06 平安医疗科技有限公司 在线问诊科室分配方法、装置、计算机设备和存储介质
CN108877946A (zh) * 2018-05-04 2018-11-23 浙江工业大学 一种基于网络特征的医生专家推荐方法
CN108899070A (zh) * 2018-05-31 2018-11-27 平安医疗科技有限公司 处方推荐生成方法、装置、计算机设备和存储介质
CN108922608A (zh) * 2018-06-13 2018-11-30 平安医疗科技有限公司 智能导诊方法、装置、计算机设备和存储介质
CN108960264A (zh) * 2017-05-19 2018-12-07 华为技术有限公司 分类模型的训练方法及装置
CN108961523A (zh) * 2017-05-17 2018-12-07 武汉默联股份有限公司 挂号方法、装置及医疗终端
CN108984656A (zh) * 2018-06-28 2018-12-11 北京春雨天下软件有限公司 医学标签推荐方法及装置
CN109036544A (zh) * 2018-05-31 2018-12-18 平安医疗科技有限公司 医疗信息推送方法、装置、计算机设备和存储介质
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
CN109065129A (zh) * 2018-07-04 2018-12-21 平安科技（深圳）有限公司 科室推荐方法、装置、计算机设备和存储介质
CN109215772A (zh) * 2018-11-07 2019-01-15 成都光魔科技有限公司 一种就医挂号导引方法和就医挂号系统
CN109243605A (zh) * 2018-09-20 2019-01-18 段新 一种基于人工智能的精神障碍诊断治疗系统
CN109411061A (zh) * 2018-09-21 2019-03-01 厦门大学附属中山医院 一种血液透析患者自助预约透析治疗系统
CN109447651A (zh) * 2018-10-22 2019-03-08 武汉极意网络科技有限公司 业务风控检测方法、系统、服务器及存储介质
CN109509556A (zh) * 2018-11-09 2019-03-22 天津开心生活科技有限公司 知识图谱生成方法、装置、电子设备及计算机可读介质
CN109585001A (zh) * 2017-09-29 2019-04-05 北京搜狗科技发展有限公司 一种数据分析方法、装置、电子设备和存储介质
CN109635122A (zh) * 2018-11-28 2019-04-16 平安科技（深圳）有限公司 智能疾病问询方法、装置、设备及存储介质

Patent Citations (47)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110246216A1 (en) * 2010-03-31 2011-10-06 Microsoft Corporation Online Pre-Registration for Patient Intake
US20130268563A1 (en) * 2012-04-10 2013-10-10 Derek Shiell Fast and Robust Classification Algorithm for Vein Recognition Using Infrared Images
US20140025607A1 (en) * 2012-07-18 2014-01-23 Jinjun Wang Confidence Based Vein Image Recognition and Authentication
CN103218444A (zh) * 2013-04-22 2013-07-24 中央民族大学 基于语义的藏文网页文本分类方法
EP2835159A1 (en) * 2013-08-08 2015-02-11 Angel Playing Cards Co., Ltd. A method for administrating a package of shuffled playing cards
US20150095565A1 (en) * 2013-09-27 2015-04-02 Intel Corporation Read training a memory controller
JP2015120272A (ja) * 2013-12-20 2015-07-02 キヤノン株式会社 プリントシステム、印刷装置及び印刷装置の制御方法
CN103778440A (zh) * 2014-01-27 2014-05-07 山西协康云享科技有限公司 基于大数据平台的图像匹配方法、应用服务器及用户设备
EP3125207A1 (en) * 2014-03-24 2017-02-01 Angel Playing Cards Co., Ltd. System for managing packages of shuffled playing cards
US20170106270A1 (en) * 2014-03-24 2017-04-20 Angel Playing Cards Co., Ltd. System for managing packages of shuffled playing cards
CN104899604A (zh) * 2015-06-08 2015-09-09 哈尔滨工程大学 一种基于数据集合并的特征级融合方法
CN105260782A (zh) * 2015-09-23 2016-01-20 百度在线网络技术（北京）有限公司 挂号预约信息处理方法及装置
CN105913846A (zh) * 2016-05-25 2016-08-31 北京云知声信息技术有限公司 一种语音挂号实现方法、装置及系统
CN107766853A (zh) * 2016-08-16 2018-03-06 阿里巴巴集团控股有限公司 一种图像的文本信息的生成、显示方法及电子设备
CN106339578A (zh) * 2016-08-17 2017-01-18 秦皇岛市第医院 一种多策略融合的医院患者挂号推荐方法
CN106651424A (zh) * 2016-09-28 2017-05-10 国网山东省电力公司电力科学研究院 基于大数据技术的电力用户画像建立与分析方法
CN107247866A (zh) * 2017-05-12 2017-10-13 太仓诚泽网络科技有限公司 一种基于app的挂号申请匹配系统
CN108961523A (zh) * 2017-05-17 2018-12-07 武汉默联股份有限公司 挂号方法、装置及医疗终端
CN107194167A (zh) * 2017-05-17 2017-09-22 医惠科技有限公司 一种医患数据管理系统及方法
CN108960264A (zh) * 2017-05-19 2018-12-07 华为技术有限公司 分类模型的训练方法及装置
CN107491518A (zh) * 2017-08-15 2017-12-19 北京百度网讯科技有限公司 一种搜索召回方法和装置、服务器、存储介质
CN107526932A (zh) * 2017-08-30 2017-12-29 河北健康侍卫网络科技有限公司 科室挂号指导方法和终端设备
CN107526934A (zh) * 2017-09-06 2017-12-29 青海大学附属医院 一种医疗服务系统
CN107680664A (zh) * 2017-09-28 2018-02-09 北京全域医疗技术有限公司 患者就医流程控制方法及装置
CN109585001A (zh) * 2017-09-29 2019-04-05 北京搜狗科技发展有限公司 一种数据分析方法、装置、电子设备和存储介质
CN107886178A (zh) * 2017-11-03 2018-04-06 深圳市易特科信息技术有限公司 用于医院的挂号辅助装置
CN107818625A (zh) * 2017-11-03 2018-03-20 深圳市易特科信息技术有限公司 具备导诊功能的挂号辅助装置
CN107799169A (zh) * 2017-11-29 2018-03-13 陈思奇 一种医院就诊导航系统
CN108231174A (zh) * 2017-12-11 2018-06-29 浪潮软件集团有限公司 一种确定科室的方法、装置及系统
CN108172281A (zh) * 2017-12-25 2018-06-15 武汉雕龙数据科技有限公司 可配置化的集团化多维展示方法及系统
CN108009803A (zh) * 2017-12-26 2018-05-08 华中科技大学同济医学院附属协和医院 一种具有辅助挂号功能的医院自动化办公系统
CN108280061A (zh) * 2018-01-17 2018-07-13 北京百度网讯科技有限公司 基于歧义实体词的文本处理方法和装置
CN108877946A (zh) * 2018-05-04 2018-11-23 浙江工业大学 一种基于网络特征的医生专家推荐方法
CN108664607A (zh) * 2018-05-11 2018-10-16 国网江西省电力有限公司信息通信分公司 一种基于迁移学习的电力通信网数据质量提升方法
CN108766545A (zh) * 2018-05-31 2018-11-06 平安医疗科技有限公司 在线问诊科室分配方法、装置、计算机设备和存储介质
CN108899070A (zh) * 2018-05-31 2018-11-27 平安医疗科技有限公司 处方推荐生成方法、装置、计算机设备和存储介质
CN109036544A (zh) * 2018-05-31 2018-12-18 平安医疗科技有限公司 医疗信息推送方法、装置、计算机设备和存储介质
CN108922608A (zh) * 2018-06-13 2018-11-30 平安医疗科技有限公司 智能导诊方法、装置、计算机设备和存储介质
CN108984656A (zh) * 2018-06-28 2018-12-11 北京春雨天下软件有限公司 医学标签推荐方法及装置
CN109065129A (zh) * 2018-07-04 2018-12-21 平安科技（深圳）有限公司 科室推荐方法、装置、计算机设备和存储介质
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
CN109243605A (zh) * 2018-09-20 2019-01-18 段新 一种基于人工智能的精神障碍诊断治疗系统
CN109411061A (zh) * 2018-09-21 2019-03-01 厦门大学附属中山医院 一种血液透析患者自助预约透析治疗系统
CN109447651A (zh) * 2018-10-22 2019-03-08 武汉极意网络科技有限公司 业务风控检测方法、系统、服务器及存储介质
CN109215772A (zh) * 2018-11-07 2019-01-15 成都光魔科技有限公司 一种就医挂号导引方法和就医挂号系统
CN109509556A (zh) * 2018-11-09 2019-03-22 天津开心生活科技有限公司 知识图谱生成方法、装置、电子设备及计算机可读介质
CN109635122A (zh) * 2018-11-28 2019-04-16 平安科技（深圳）有限公司 智能疾病问询方法、装置、设备及存储介质

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111428029A (zh) * 2020-03-05 2020-07-17 云知声智能科技股份有限公司 一种手术名称标准化方法及装置
CN111428029B (zh) * 2020-03-05 2023-04-18 云知声智能科技股份有限公司 一种手术名称标准化方法及装置
CN111403011A (zh) * 2020-03-12 2020-07-10 腾讯科技（深圳）有限公司 挂号科室推送方法、装置、系统、电子设备及存储介质
CN111403011B (zh) * 2020-03-12 2023-05-02 腾讯科技（深圳）有限公司 挂号科室推送方法、装置、系统、电子设备及存储介质
CN112131838A (zh) * 2020-09-29 2020-12-25 无锡医迈德科技有限公司 一种将非标准型号字符串映射为标准型字符串的方法
CN112349410A (zh) * 2020-11-13 2021-02-09 北京京东尚科信息技术有限公司 用于科室分诊的分诊模型的训练方法、分诊方法和系统
CN112349410B (zh) * 2020-11-13 2024-04-09 北京京东尚科信息技术有限公司 用于科室分诊的分诊模型的训练方法、分诊方法和系统
CN112700862A (zh) * 2020-12-25 2021-04-23 上海钛米机器人股份有限公司 目标科室的确定方法、装置、电子设备及存储介质
CN112700862B (zh) * 2020-12-25 2024-04-16 上海钛米机器人股份有限公司 目标科室的确定方法、装置、电子设备及存储介质
CN112635035A (zh) * 2021-01-05 2021-04-09 北京融威众邦电子技术有限公司 预约放号科室的匹配方法、装置、计算机设备

Also Published As

Publication number Publication date
CN110210018B (zh) 2023-07-11

Similar Documents

Publication Publication Date Title
CN110210018A (zh) 挂号科室的匹配方法和装置
CN110277149A (zh) 电子病历的处理方法、装置及设备
US10698868B2 (en) Identification of domain information for use in machine learning models
Niles et al. Linking Lixicons and Ontologies: Mapping WordNet to the Suggested Upper Merged Ontology.
Lee et al. A survey of SNOMED CT implementations
Field Measuring the need for primary health care: an index of relative disadvantage
US11195313B2 (en) Cross-modality neural network transform for semi-automatic medical image annotation
Major et al. The dependability of the general factor of intelligence: Why small, single-factor models do not adequately represent g
CN105518658A (zh) 用于将数据记录分组的设备、系统以及方法
De Lusignan et al. Defining datasets and creating data dictionaries for quality improvement and research in chronic disease using routinely collected data: an ontology-driven approach
CN109670024A (zh) 逻辑表达式确定方法、装置、设备和介质
Moradi et al. A cross-modality neural network transform for semi-automatic medical image annotation
CN109348275A (zh) 视频处理方法和装置
CN110377694A (zh) 标注文本对逻辑关系的方法、装置、设备和计算机存储介质
CN108647273A (zh) 交友推荐方法及装置
JP2020527804A (ja) コード化された医療語彙のマッピング
Chang et al. Automated Chinese essay scoring based on multilevel linguistic features
Hezarjaribi et al. Human-in-the-loop learning for personalized diet monitoring from unstructured mobile data
EP3901875A1 (en) Topic modelling of short medical inquiries
Plaza et al. Retrieval of similar electronic health records using UMLS concept graphs
WO2023279692A1 (zh) 基于问答平台的数据处理方法、装置及相关设备
JP2009128968A (ja) 表記ゆれ解析装置
CN111339252A (zh) 一种搜索方法、装置及存储介质
CN115700826A (zh) 单据处理、单据展示方法、装置、计算机设备和存储介质
Hsu Proposing a charting recommender system for second-language nurses

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