CN110473615B - 一种信息处理方法及装置 - Google Patents
一种信息处理方法及装置 Download PDFInfo
- Publication number
- CN110473615B CN110473615B CN201910757423.0A CN201910757423A CN110473615B CN 110473615 B CN110473615 B CN 110473615B CN 201910757423 A CN201910757423 A CN 201910757423A CN 110473615 B CN110473615 B CN 110473615B
- Authority
- CN
- China
- Prior art keywords
- patient
- preset
- department
- information
- registered
- 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
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
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- General Business, Economics & Management (AREA)
- Business, Economics & Management (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本申请提供了一种信息处理方法及装置,其中,方法包括:获取患者所需的挂号科室,获取患者的症状信息和病史信息,至少采用患者的症状信息、病史信息,以及患者所需的挂号科室构建特征向量,得到第一特征向量,将第一特征向量输入第一预设模型,得到患者的待检查项目,第一预设模型至少以历史患者的症状信息、病史信息、挂号科室,以及标注的检查项目为训练样本训练得到,本申请可以准确地确定待检查项目。
Description
技术领域
本申请涉及电子信息领域,尤其涉及一种信息处理方法及装置。
背景技术
目前,医院的大部分科室的诊断医生在为患者下诊断前,需要患者做各项检查,诊断医生依据患者所做的各项检查的检查结果,为患者确定诊断结果。
因此,如何准确地确定待检查项目是急需解决的问题。
发明内容
本申请提供了一种信息处理方法及装置,目的在于准确地确定待检查项目的问题。
为了实现上述目的,本申请提供了以下技术方案:
本申请公开了一种信息处理方法,包括:
获取患者所需的挂号科室;
获取所述患者的症状信息和病史信息;
至少采用所述患者的症状信息、病史信息,以及所述患者所需的挂号科室构建特征向量,得到第一特征向量;
将所述第一特征向量输入第一预设模型,得到所述患者的待检查项目;所述第一预设模型至少以历史患者的症状信息、病史信息、挂号科室,以及标注的检查项目为训练样本训练得到。
可选的,所述第一预设模型的训练样本还包括:所述历史患者的第一预设生命体征的取值、第二预设生命体征的取值、时间和地点;所述第一预设生命体征为表示所述历史患者的呼吸系统的预设体征;所述第二预设生命体征为表示所述历史患者的体温和预设的面部特征的体征;
所述至少采用所述患者的症状信息、病史信息,以及所述患者所需的挂号科室构建特征向量,得到第一特征向量,包括:
对所述患者的症状信息、病史信息、第一预设生命体征的当前值、第二预设生命体征的当前值、时间、地点,以及所述患者所需的挂号科室,构建特征向量,得到第一特征向量。
可选的,所述患者的第一预设生命体征的当前值的获取方式,包括:
采集第一目标语音信息;
识别所述第一目标语音信息中的声纹;
在所述声纹为所述患者的声纹的情况下,从所述声纹中识别出所述患者的第一预设生命体征的当前值。
可选的,所述患者的第二预设生命体征的当前值的获取方式,包括:
在所述声纹为所述患者声纹的情况下,获取所述患者的第二预设生命体征的当前值。
可选的,所述第一预设模型包括预设数量的决策树模型,所述预设数量为医院全部的检查项目的数量,并且,一个所述决策树模型对应一种检查项目;
将所述第一特征向量输入第一预设模型,得到所述患者的待检查项目,包括:
将所述第一特征向量分别输入每个所述决策树模型,将输出的结果表示需要进行检查的决策树模型对应的检查项目作为所述患者的待检查项目。
可选的,在所述获取患者所需的挂号科室之后,还包括:
获取所述患者在所述所需的挂号科室就诊的编号;
预测所述患者在已挂号的科室就诊前所需等待的时长;
基于所述时长与预设时长的大小关系,输出建议信息;所述建议信息表示建议所述患者排队所述待检查项目与排队就诊间的先后顺序。
可选的,所述预测所述患者在已挂号的科室就诊前所需等待的时长,包括:
获取第一信息;所述第一信息包括:所述已挂号的科室、所述已挂号的科室中已挂号人员的数量,以及所述已挂号的科室中排队就诊人员的数量;
将所述第一信息输入第二预设模型,得到所述患者在已挂号的科室诊前所需等待的时长;
所述第二预设模型至少以所述历史患者已挂号的科室、在所述历史患者已挂号的科室中已挂号人员的数量、在所述历史患者已挂号的科室中排队就诊人员的数量,以及所述历史患者就诊前等待的时长为训练样本,对预设的GBDT模型进行训练得到。
可选的,所述基于所述时长与预设时长的大小关系,输出建议信息,包括:
在所述时长大于所述预设时长的情况下,输出第一建议信息;所述第一建议信息用于提示所述患者先排队所述待检查项目后排队就诊;
在所述时长不大于所述预设时长的情况下,输出第二建议信息;所述第二建议信息用于提示所述患者先排队就诊后排队所述待检查项目。
可选的,还包括:
确定所述待检查项目的预测排队时长;
确定所述待检查项目的先后顺序。
可选的,确定任意一个所述待检查项目的预测排队时长,包括:
获取第二信息;所述第二信息包括:待检查科室、该待检查科室当前的排队人数,以及该待检查科室当前已预约检查的人数;所述待检查科室为该待检查项目所属的检查科室;
将所述第二信息输入第三预设模型,得到该待检查项目的预测排队时长;所述第三预设模型至少以历史待检查科室、所述历史待检查科室当时的排队人数,所述历史待检查科室当时已预约检查的人数,以及所述历史检查科室的排队时长为训练样本,对预设的GBDT模型训练得到。
可选的,所述确定所述待检查项目的先后顺序,包括:
依据每个所述待检查项目的预测排队时长以及预设公式,分别计算每个所述待检查科室完成当前已预约检查人员的检查所需的总时长,为每个所述待检查科室的总预测排队时长;
按照每个所述待检查科室的总预测排队时长的大小关系,对所述待检查项目进行排列,得到所述待检查项目的先后顺序。
可选的,所述获取患者所需的挂号科室,包括:
在接收到第一预设指令的情况下,采集第一语音信息;所述第一语音信息包括所述患者的症状信息;
对所述第一语音信息进行识别,得到所述患者的症状信息;
获取所述患者的病史信息;
至少对所述患者的症状信息和病史信息构建特征向量,得到第二特征向量;
将所述第二特征向量输入预设模型,得到所述患者所需的挂号科室;所述预设模型至少以历史患者的症状信息和病史信息,以及标注的挂号科室为训练样本训练得到。
可选的,在采集所述第一语音信息之后,还包括:
从所述第一语音信息中识别声纹;
在所述声纹为所述患者的声纹的情况下,从所述声纹中识别出所述患者的第一预设生命体征的当前值;所述第一预设生命体征为表示呼吸系统的预设体征;并且,获取所述患者的第二预设生命体征的当前值;所述第二预设生命体征为表示体温和预设的面部特征的体征;
所述至少对所述患者的症状信息和病史信息构建特征向量,得到第二特征向量,包括:
将所述患者的症状信息、病史信息、所述患者的第一预设生命体征的当前值,以及所述患者的第二预设生命体征的当前值构建特征向量为第二特征向量。
可选的,所述预设模型的输出层包括预设的回归函数;所述回归函数输出预设的各挂号科室分别为所述患者所需的挂号科室的概率,所述输出层将概率大于预设概率阈值且已挂号人数未达到预设阈值的挂号科室为所述患者所需的挂号科室。
可选的,所述获取患者所需的挂号科室,包括:
在接收到第二预设指令的情况下,采集第二语音信息;所述第二语音信息包括所述患者所需的挂号科室的信息;
对所述第二语音信息进行识别,得到所述患者所需挂号的科室。
本申请还提供了一种信息处理装置,包括:
第一获取模块,用于获取患者所需的挂号科室;
第二获取模块,用于获取所述患者的症状信息和病史信息;
构建模块,用于至少采用所述患者的症状信息、病史信息,以及所述患者所需的挂号科室构建特征向量,得到第一特征向量;
输入模块,用于将所述第一特征向量输入第一预设模型,得到所述患者的待检查项目;所述第一预设模型至少以历史患者的症状信息、病史信息、挂号科室,以及标注的检查项目为训练样本训练得到。
可选的,所述第一预设模型的训练样本还包括:所述历史患者的第一预设生命体征的取值、第二预设生命体征的取值、时间和地点;所述第一预设生命体征为表示所述历史患者的呼吸系统的预设体征;所述第二预设生命体征为表示所述历史患者的体温和预设的面部特征的体征;
所述构建模块,用于至少采用所述患者的症状信息、病史信息,以及所述患者所需的挂号科室构建特征向量,得到第一特征向量,包括:
所述构建模块,具体用于对所述患者的症状信息、病史信息、第一预设生命体征的当前值、第二预设生命体征的当前值、时间、地点,以及所述患者所需的挂号科室,构建特征向量,得到第一特征向量。
可选的,还包括第三获取模块,用于获取患者的第一预设生命体征的当前值;
所述第三获取模块,用于获取患者的第一预设生命体征的当前值,包括:
所述第三获取模块,具体用于采集第一目标语音信息;
识别所述第一目标语音信息中的声纹;
在所述声纹为所述患者的声纹的情况下,从所述声纹中识别出所述患者的第一预设生命体征的当前值。
可选的,还包括第四获取模块,用于获取患者的第二预设生命体征的当前值;
所述第四获取模块,用于获取患者的第二预设生命体征的当前值,包括:
所述第四获取模块,具体用于在所述声纹为所述患者声纹的情况下,获取所述患者的第二预设生命体征的当前值。
可选的,所述第一预设模型包括预设数量的决策树模型,所述预设数量为医院全部的检查项目的数量,并且,一个所述决策树模型对应一种检查项目;
所述输入模块,用于将所述第一特征向量输入第一预设模型,得到所述患者的待检查项目,包括:
所述输入模块,具体用于将所述第一特征向量分别输入每个所述决策树模型,将输出的结果表示需要进行检查的决策树模型对应的检查项目作为所述患者的待检查项目。
可选的,还包括第一预测模块,用于在所述获取患者所需的挂号科室之后,获取所述患者在所述所需的挂号科室就诊的编号;
预测所述患者在已挂号的科室就诊前所需等待的时长;
基于所述时长与预设时长的大小关系,输出建议信息;所述建议信息表示建议所述患者排队所述待检查项目与排队就诊间的先后顺序。
可选的,所述第一预测模块,用于预测所述患者在已挂号的科室就诊前所需等待的时长,包括:
所述第一预测模块,具体用于获取第一信息;所述第一信息包括:所述已挂号的科室、所述已挂号的科室中已挂号人员的数量,以及所述已挂号的科室中排队就诊人员的数量;
将所述第一信息输入第二预设模型,得到所述患者在已挂号的科室诊前所需等待的时长;
所述第二预设模型至少以所述历史患者已挂号的科室、在所述历史患者已挂号的科室中已挂号人员的数量、在所述历史患者已挂号的科室中排队就诊人员的数量,以及所述历史患者就诊前等待的时长为训练样本,对预设的GBDT模型进行训练得到。
可选的,所述第一预测模块,用于基于所述时长与预设时长的大小关系,输出建议信息,包括:
所述第一预测模块,具体用于在所述时长大于所述预设时长的情况下,输出第一建议信息;所述第一建议信息用于提示所述患者先排队所述待检查项目后排队就诊;
在所述时长不大于所述预设时长的情况下,输出第二建议信息;所述第二建议信息用于提示所述患者先排队就诊后排队所述待检查项目。
可选的,还包括第二预测模块,用于确定所述待检查项目的预测排队时长;确定所述待检查项目的先后顺序。
可选的,所述第二预测模块,用于确定任意一个所述待检查项目的预测排队时长,包括:
所述第二预测模块,具体用于获取第二信息;所述第二信息包括:待检查科室、该待检查科室当前的排队人数,以及该待检查科室当前已预约检查的人数;所述待检查科室为该待检查项目所属的检查科室;
将所述第二信息输入第三预设模型,得到该待检查项目的预测排队时长;所述第三预设模型至少以历史待检查科室、所述历史待检查科室当时的排队人数,所述历史待检查科室当时已预约检查的人数,以及所述历史检查科室的排队时长为训练样本,对预设的GBDT模型训练得到。
可选的,所述第二预测模块,用于确定所述待检查项目的先后顺序,包括:
所述第二预测模块,具体用于依据每个所述待检查项目的预测排队时长以及预设公式,分别计算每个所述待检查科室完成当前已预约检查人员的检查所需的总时长,为每个所述待检查科室的总预测排队时长;
按照每个所述待检查科室的总预测排队时长的大小关系,对所述待检查项目进行排列,得到所述待检查项目的先后顺序。
可选的,所述第一获取模块,用于获取患者所需的挂号科室,包括:
所述第一获取模块,具体用于在接收到第一预设指令的情况下,采集第一语音信息;所述第一语音信息包括所述患者的症状信息;
对所述第一语音信息进行识别,得到所述患者的症状信息;
获取所述患者的病史信息;
至少对所述患者的症状信息和病史信息构建特征向量,得到第二特征向量;
将所述第二特征向量输入预设模型,得到所述患者所需的挂号科室;所述预设模型至少以历史患者的症状信息和病史信息,以及标注的挂号科室为训练样本训练得到。
可选的,所述第一获取模块,还用于在采集所述第一语音信息之后,从所述第一语音信息中识别声纹;
在所述声纹为所述患者的声纹的情况下,从所述声纹中识别出所述患者的第一预设生命体征的当前值;所述第一预设生命体征为表示呼吸系统的预设体征;并且,获取所述患者的第二预设生命体征的当前值;所述第二预设生命体征为表示体温和预设的面部特征的体征;
所述第一获取模块,用于至少对所述患者的症状信息和病史信息构建特征向量,得到第二特征向量,包括:
所述第一获取模块,具体用于将所述患者的症状信息、病史信息、所述患者的第一预设生命体征的当前值,以及所述患者的第二预设生命体征的当前值构建特征向量为第二特征向量。
可选的,所述预设模型的输出层包括预设的回归函数;所述回归函数输出预设的各挂号科室分别为所述患者所需的挂号科室的概率,所述输出层将概率大于预设概率阈值且已挂号人数未达到预设阈值的挂号科室为所述患者所需的挂号科室。
可选的,所述第一获取模块,用于获取患者所需的挂号科室,包括:
所述第一获取模块,具体用于在接收到第二预设指令的情况下,采集第二语音信息;所述第二语音信息包括所述患者所需的挂号科室的信息;
对所述第二语音信息进行识别,得到所述患者所需挂号的科室。
本申请所述的信息处理方法及装置,获取患者所需的挂号科室,获取患者的症状信息和病史信息,至少采用患者的症状信息、病史信息,以及所需的挂号科室构建特征向量,得到第一特征向量,将第一特征向量输入第一预设模型,得到患者的待检查项目。
由于在本申请中,第一预设模型至少以历史患者的症状信息、病史信息、挂号科室,以及标注的检查项目为训练样本训练得到,因此,通过模型确定出患者待检查项目具有一定的准确性,因此,本申请可以准确地确定待检查项目。
附图说明
为了更清楚地说明本申请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申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例公开的一种信息处理方法的流程图;
图2为本申请实施例公开的一种确定患者所需的挂号科室的方法的流程图;
图3为本申请实施例公开的预设模型的训练过程示意图;
图4为本申请实施例公开的第一预设模型的训练过程示意图;
图5为本申请实施例公开的预设模型的训练过程示意图;
图6为本申请实施例公开的一种信息处理装置的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请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申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
图1为本申请实施例提供的一种信息处理方法,包括以下步骤:
S101、获取患者的症状信息和病史信息。
本步骤的具体实现可以包括以下步骤A1~步骤A3:
A1、采集第一语音信息。
在本步骤中,第一语音信息中包括患者的症状信息。
在本步骤中,采集第一语音信息的过程为现有技术,这里不再赘述。
A2、对第一语音信息进行识别,得到患者的症状信息。
具体的,为了保证能够从嘈杂的环境中采集到的第一语音信息中识别出患者的症状信息,在本实施例中,对采集到的第一语音信息进行处理,得到处理后的第一语音信息,并从处理后的第一语音信息中识别患者的症状信息。
其中,对采集的第一语音信息的处理包括:对第一语音信息进行定向语音增益,以及进行定向降噪增益。其中,定向降噪增益具体可以为DOA定向降噪增益。具体的,定向语音增益以及定向降噪增益的实现过程都为现有技术,这里不再进行赘述。
需要说明的是,上述A1~A2提供了一种通过语音的方式获取患者的症状信息的实现方式,在实际中,还可以采用除语音之外的方式获取患者的症状信息,本实施例不对本步骤的具体实现方式作限定。
A3、获取患者的病史信息。
在本实施例中,在使用集成本申请提供的信息处理方法的设备的过程中,用户可以先插入患者的社保卡。在本步骤中,可以从社保卡中读取患者的病史信息。
S102、获取患者所需的挂号科室。
本步骤中包括两种情况,分别为第一种情况和第二种情况,其中,第一种情况为:用户不明确患者所需的挂号科室。第二种情况为用户明确患者所需的挂号科室。
针对第一种情况:获取患者所需的挂号科室的过程可以包括:在接收到第一预设指令的情况下,至少依据患者的症状信息和病史信息确定所需的挂号科室。具体的,至少依据患者的症状信息和病史信息确定所需的挂号科室的过程,在图2对应的实施例中进行介绍。
针对第二种情况:获取患者所需的挂号科室的过程可以包括步骤B1~步骤B2:
B1、在接收到第二预设指令的情况下,采集第二语音信息。
具体的,第二语音信息包含患者所需挂号的科室的信息。本步骤采集第二语音信息的过程为现有技术,这里不再赘述。第二预设指令用于表征用户明确患者所需的挂号科室的预设指令,本实施例不对预设指令的内容作限定。
B2、对第二语音信息进行识别,得到患者所需的挂号科室。
具体的,本步骤对第二语音信息进行处理,得到处理后的第二语音信息,并从处理后的第二语音信息中识别患者所需的挂号科室。具体的,对第二语音信息的处理过程与对第一语音信息的处理过程相同,这里不再赘述。
需要说明的是,在本实施例中,在接收到第二预设指令的情况下,从第二语音信息中识别患者所需的挂号科室,只是本实施例给出的一种实现方式。在实际中,还可以通过其他方式实现,例如,显示各个挂号科室的标签供用户选择,依据用户触发的挂号科室的指令,确定患者所需的挂号科室。本实施例不对具体的实现方式作限定。
S103、至少将患者的症状信息、病史信息,以及所需的挂号科室,构建特征向量,得到第一特征向量。
具体的,在本步骤中,至少将患者的症状信息、病史信息,以及所需的挂号科室构建特征向量。具体的,构建特征向量的过程为现有技术,这里不再赘述。
为了提高确定待检查项目的准确性,在本步骤中,还可以采用患者的症状信息、病史信息、所需的挂号科室、第一预设生命体征的当前值、第二预设生命体征的当前值、时间和地点构建特征向量。其中,患者的第一预设生命体征的当前值和第二预设生命体征的当前值的获取过程可以包括步骤C1~步骤C4:
C1、采集第一目标语音信息。
在本步骤中,第一目标语音信息可以为前述的第一语音信息或第二语音信息,本实施例不对第一目标语音信息的内容作限定。如果第一目标语音信息为前述的第一语音信息或第二语音信息的情况下,无需执行本步骤的动作,直接采用前述的第一语音信息或第二语音信息执行步骤C2。
C2、识别第一目标语音信息中的声纹。
具体的,可以采用MFCC声纹识别算法从第一目标语音信息中识别声纹,具体的,识别声纹的过程为现有技术,这里不再赘述。
C3、在声纹为患者的声纹的情况下,从声纹中识别患者的第一预设生命体征的当前值。
本步骤的具体实现过程与图2对应的实施例中S203的实现原理相同,这里不在赘述。
需要说明的是,如果获取患者所需的挂号科室的过程中,获取了患者的第一预设生命体征,在本步骤中,就无需再执行步骤C1~步骤C3,直接采用已获取的第一预设生命体征的当前值即可。
C4、在声纹为患者的声纹的情况下,获取患者的第二预设生命体征的当前值。
本步骤的具体实现过程与图2对应的实施例中S204的实现原理相同,这里不在赘述。
需要说明的是,如果获取患者所需的挂号科室的过程中,获取了患者的第二预设生命体征,在本步骤中,就无需再执行步骤C1~步骤C4,直接采用已获取的第二预设生命体征的当前值即可。
S104、将第一特征向量输入第一预设模型,得到患者的待检查项目。
在本实施例中,第一预设模型是至少以历史患者的症状信息、病史信息、挂号科室,以及标注的检查项目为训练样本,对预设的模型训练得到。
在本实施例中,为了提高第一预设模型确定的待检查项目的准确性,训练样本还可以包括:历史患者的第一预设生命体征的取值、第二预设生命体征的取值、时间和地点。其中,第一预设生命体征为表示历史患者的呼吸系统的预设体征,具体的,第一预设生命体征的具体内容可以参考图2对应的实施例中第一预设生命体征的介绍,这里不在赘述。第二预设生命体征为表示历史患者的体温和预设的面部特征的体征。具体的,第二预设生命体征的具体内容可以参考图2对应的实施例中第二预设生命体征的介绍,这里不在赘述。时间和地点分别表示的含义可以参考图2对应的实施例中,对时间和地点的解释,这里不再赘述。
具体的,对预设的模型进行训练得到第一预设模型的过程,在图4对应的实施例中进行详细介绍。其中,预设的模型可以为由预设数量决策树模型构成,其中,预设数量为医院中全部的检查项目的数量,即一种检查项目对应一个决策树模型。
S105、获取患者在所需的挂号科室就诊的编号。
在本步骤中,可以向患者所需的挂号科室的系统的消息队列中发送消息,并获取当前所发送的消息在消息队列中的顺序编号,该顺序编号就是患者在所需的挂号科室就诊的编号。
S106、预测患者在已挂号的科室就诊前所需等待的时长。
具体的,本步骤预测的是从为患者在所需的挂号科室挂号后,距离患者能够就诊(即诊治医生开始为患者诊断)间的时长。
在本步骤中,预测患者在已挂号的科室就诊前所需等待的时长的过程包括步骤D1~步骤D3:
D1、获取第一信息。
其中,第一信息至少包括:已挂号的科室、已挂号的科室中已挂号人员的数量,以及已挂号的科室中排队就诊人员的数量。
D2、将第一信息转换为特征向量。
具体的,将第一信息转换为特征向量的过程为现有技术,这里不再赘述。
D3、将转换得到的特征向量输入第二预设模型,得到患者在已挂号的科室诊前所需等待的时长。
在本步骤中,第二预设模型为预先训练好的GBDT模型,具体的,对GBDT模型进行训练,得到第二预设模型的过程在图5对应的实施例中进行详细介绍。
需要说明的是,为了提高通过第二预设模型得到患者在已挂号的科室就诊前所需等待的时长的准确性,在本步骤中,第一信息还可以包括:患者已挂号的科室的诊治医生和时间。其中,时间表示当前时间。
S107、判断预测的时长是否大于预设时长,如果是,则执行S108,如果否,则执行S113。
在本步骤中,预设时长的取值可以为15分钟,当然,在实际中,预设时长的取值还可以为其他内容,具体的,预设时长的具体取值可以根据实际情况进行确定,本实施例不对预设时长的具体内容作限定。
S108、输出第一建议信息。
在本实施例中,第一建议信息为用于提示患者先排队待检查项目后排队就诊的信息。
具体的,在实际中,可以在输出第一建议信息的情况下,还输出供用户选择是否接受第一建议信息的标签信息,具体的,标签信息可以包括两种,一种是用户接收第一建议信息可点击的标签,另一种是用户不接受第一建议信息可点击的标签。
S109、判断患者是否接受先排队待检查项目,如果是,则执行S110,如果否,则执行S112。
具体的,本步骤可以通过接收到的标签指令,确定患者是否接受先排队待检查项目。
S110、打印待检查项目的相关单据。
具体的,待检查项目的相关单据表示患者对待检查项目进行检查所需的单据,具体的,需打印哪些单据为现有技术,本实施例不作限定。
在本实施例中,打印待检查项目的相关单据即表示为患者在待检查科室进行了就诊排号,其中,待检查科室为待检查项目所属的检查科室。
S111、从对每个待检查项目的预测排队时长中,确定预测排队时长最小的检查项目为第一检查项目,并确定目标待检查项目的先后检查顺序。
在患者接受先排队待检查项目的情况下,执行本步骤的动作。在本步骤中,目标待检查项目为S203中确定出的待检查项目中除第一检查项目外的待检查项目。
具体的,在本步骤中,任意一个待检查项目的预测排队时长表示:患者做该待检查项目前所需等待的时长进行预测的结果。
具体的,预测任意一个待检查项目的预测排队时长的过程包括步骤E1~步骤E3:
E1、获取第二信息,其中,第二信息包括:待检查科室、该待检查科室当前的排队人数,以及该待检查科室当前已预约检查的人数,其中,待检查科室为该待检查项目所属的检查科室。
E2、将第二信息转换为特征向量。
具体的,将第二信息转换为特征向量的过程为现有技术,这里不再赘述。
E3、将转换得到的特征向量输入第三预设模型,得到该待检查项目的预测排队时长。
在本步骤中,第三预设模型为事先训练好的GBDT模型,具体的,训练GBDT模型得到第三预设模型的过程如图5对应的实施例。
需要说明的是,在本实施例中,第二预设模型和第三预设模型可以为同一个模型,即训练得到一个能够预测患者在已挂号科室就诊前的等待时长,又可以预测任意一个待检查项目的排队时长的模型。
还需要说明的是,在本实施例中,为了提高第三预设模型输出的该待检查项目的预测排队时长的准确性,第二信息还可以包括:时间和该待检查项目所属的检查科室的诊治医生。其中,时间表示当前时间。
在本步骤中,从各个待检查项目分别对应的预测排队时长中,将预测排队时长最小的待检查项目作为第一检查项目,即患者当前首先进行检查的一个项目。并确定目标待检查项目的先后检查顺序。
具体的,确定目标待检查项目的先后检查顺序的过程可以依据动态不确定策略实现,具体包括步骤F1~步骤F2:
F1、依据每个目标待检查项目的预测排队时长以及预设公式,分别计算每个目标待检查科室完成当前已预约检查人员的检查所需的总时长,为每个目标待检查科室的总预测排队时长。
在本步骤中,以计算任意一个目标待检查项目所属的检查科室的总预测排队时长为例,介绍计算目标待检查科室的总预测排队时长的过程。其中,计算该目标待检查项目所属的检查科室的总预测排队时长的计算公式为预设公式,具体的,预设公式为目标待检查科室的总预测排队时长=第一比值与目标待检查科室当前已预约检查人员的数量间的乘积。其中,第一比值为目标待检查项目的预测排队时长与当前在该目标待检查项目所属的检查科室排队的人员数量的比值。
其中,目标待检查项目的预测排队时长可以采用图5对应的实施例训练得到的模型预测得到。当前在该目标待检查项目所属的检查科室排队的人员数量,可以通过摄像头拍摄的该目标待检查科室的视频中获取。
F2、按照每个目标待检查科室的总预测排队时长的大小关系,对目标待检查项目进行排列,得到目标待检查项目的先后顺序。
在本步骤中,可以对每个目标待检查科室的总预测排队时长,按照大小关系进行排列,并依据总预测排队时长越小目标待检查项目的顺序越靠前的原则,确定目标待检查项目的先后顺序。
S112、确定目标待检查项目的先后检查顺序。
在本步骤中,目标待检查项目为S103中确定出的待检查项目。本步骤的具体实现过程可以参考步骤F1~步骤F2,这里不再赘述。
S113、输出第二建议信息。
在本步骤中,第二建议信息为用于提示患者先排队就诊后排队待检查项目的信息。
具体的,在实际中,可以在输出第二建议信息的情况下,还输出供用户选择是否接受第二建议信息的标签信息,具体的,标签信息可以包括两种,一种是用户接收第二建议信息可点击的标签,另一种是用户不接受第二建议信息可点击的标签。
S114、判断患者是否接受先排队就诊,如果是,则执行S115,如果否,则执行S116。
具体的,本步骤可以通过接收到的标签指令,确定患者是否接受先排队就诊。
S115、确定目标待检查项目的先后检查顺序。
在本步骤中,目标待检查项目为S103中模型确定出的待检查项目。本步骤的具体实现过程可以参考步骤F1~步骤F2,这里不再赘述。
S116、从对每个待检查项目的预测排队时长中,确定预测排队时长最小的检查项目为第二检查项目,并确定目标待检查项目的先后检查顺序。
在本步骤中,第二检查项目为患者当前优先进行检查的项目。目标待检查项目为S103中模型确定出的待检查项目中除第二检查项目外的待检查项目。
本步骤的具体实现原理与S111的具体实现原理相同,这里不再赘述。
图2为本申请实施例提供的一种确定患者所需的挂号科室的方法,包括以下步骤:
S201、从第一语音信息中识别声纹。
在本步骤中,第一语音信息为图1对应的实施例中S101中的步骤A1中采集的第一语音信息。
具体的,可以采用MFCC声纹识别算法从第一语音信息中识别声纹,具体的,识别声纹的过程为现有技术,这里不再赘述。
S202、判断识别出的声纹是否为患者的声纹,如果是,则执行S203,如果否,则执行S205。
在本实施例中,在社保卡第一次插入集成本申请的信息处理方法的设备的情况下,采集该社保卡的持有人的语音,并从采集的语音中识别出声纹,将该社保卡与识别出的声纹进行保存,即将识别出的声纹作为该社保卡的持有人的声纹。
在本步骤中,在从第一语音信息中识别出的声纹为患者的声纹的情况下,执行S203和S204,否则,执行S205。
S203、从声纹中识别出患者的第一预设生命体征的当前值。
在本步骤中,第一预设生命体征为表示呼吸系统的预设体征,例如:是否感冒和扁桃体是否存在炎症。第一预设生命体征的当前值为呼吸系统的预设体征的取值,例如,是否感冒的结果,以及扁桃体是否发炎的结果等。
由于本步骤中的用户即是患者,因此,直接从声纹中识别出患者的第一预设生命体征的当前值。
S204、获取患者的第二预设生命体征的当前值。
在本步骤中,第二预设生命体征可以为表示体温和预设的面部特征的体征,其中,预设的面部特征可以为皮肤颜色和皮肤是否存在红斑等。第二预设生命体征的当前值表示第二预设生命体征的当前结果值,例如,体温的结果,肤色结果,以及皮肤是否存在红斑的结果。
本步骤可以从预设设备获取第二预设生命体征的当前值,其中,预设设备可以为温度传感器和面部传感器。其中,温度传感器可以为远程温度传感器。具体的,通过温度传感器测量患者的体温,通过面部传感器测量患者的预设的面部特征。在本步骤中,可以从温度传感器中获取患者的体温的当前值,从面部传感器获取患者的预设的面部特征的当前值,得到患者的第二预设生命体征的当前值。
执行完本步骤后,执行S207。
S205、将患者的症状信息和病史信息构建特征向量,得到第二特征向量。
在本步骤中,患者的症状信息和病史信息是从第一语音信息中得到,具体的,从第一语音信息中得到患者的症状信息和病史信息为图1对应的实施例中S101中的步骤A2和步骤A3中获取的患者的症状信息和病史信息。
为了提高预设模型确定出患者所需的挂号科室的准确性,在本实施例中,第二特征向量还可以是患者的症状信息、病史信息、时间、地点、预设的各科室已挂号人数是否达到预设阈值的结果值构建的特征向量。
S206、将患者的症状信息、病史信息、第一预设生命体征的当前值和第二预设生命体征的当前值构建特征向量,得到第二特征向量。
为了提高预设模型确定出患者所需的挂号科室的准确性,在本实施例中,第二特征向量还可以是以患者的症状信息、病史信息、第一预设生命体征的当前值、第二预设生命体征的当前值、时间、地点、各科室已挂号人数是否达到预设阈值的结果值构成的特征向量。
需要说明的是,构建特征向量的过程为现有技术,这里不再赘述。
S207、将第二特征向量输入预设模型,得到患者所需的挂号科室。
在本步骤中,预设模型为图3对应的实施例训练得到的模型,通过向该预设模型输入第二特征向量,其中,
还需要说明的是,本实施例是获取语音,并通过对语音的识别结果,确定患者所需的挂号科室,只是本实施例给出的一种实现方式,在实际中,还可以采用其他的实现方式获取患者所需的挂号科室,本实施例不对获取患者所需的挂号科室的具体实现方式作限定。
图3为本申请实施例提供的一种预设模型的训练过程示意图,包括以下步骤:
S301、获取训练样本。
在本实施例中,训练样本至少包括:历史患者的症状信息、历史患者的病史信息,以及历史患者的挂号科室。
为了使得训练后的模型输出的患者所需的挂号科室的准确性更高,在本实施例中,训练样本还可以包括:历史患者的挂号时间,历史患者的挂号地点、历史患者的第一预设生命体征的取值、历史患者的第二预设生命体征的取值,以及历史患者挂号时预设的各挂号科室的挂号情况。
其中,挂号时间可以为用户挂号时所处的季节,例如,夏季。挂号地点可以为用户所在的地区,例如,XX省XX市XX县等。
第一预设生命体征为表示呼吸系统的预设体征,例如:是否感冒和扁桃体是否存在炎症。第一预设生命体征的取值为呼吸系统的预设体征的取值,例如,是否感冒的结果(例如,感冒),以及扁桃体是否发炎的结果(例如,扁桃体存在炎症)等。当人感冒或是呼吸系统相关疾病时,其声音的声纹特征将出现变化,将相关的声纹训练集进行标注,通过机器学习或深度学习,可以获得一个智能化的识别模型。以下的相关训练类似,获得一个合理的数据集后,可以形成有效的智能识别模型。
第二预设生命体征为表示体温和预设的面部特征的体征,其中,预设的面部特征可以为皮肤颜色和皮肤是否存在红斑等。第二预设生命体征的取值为第二预设生命体征的结果值,例如,体温的结果(例如,体温为37摄氏度),肤色结果(例如,偏黄),以及皮肤是否存在红斑的结果(例如,皮肤上无红斑)。
预设的各挂号科室的挂号情况可以包括:预设的各挂号科室已挂号人员的数量,以及已挂号人员的数量是否达到预设阈值。其中,预设的挂号科室可以为医院所有的挂号科室,具体的,预设的挂号科室的具体内容可以根据实际需求进行设定,本实施例不对预设的挂号科室的具体内容作限定。
预设阈值指挂号科室中能够接受的挂号人员数量的上限值,具体的,预设阈值的具体取值可以根据实际情况进行设置,本实施例不对预设阈值的具体取值作限定。
S302、将训练样本输入预设模型进行训练,得到训练后的预设模型。
在本实施例中,预设模型可以为深度神经网络模型,当然,也可以为其他模型,本实施例不对预设模型的具体内容作限定。
在预设模型为深度神经网络模型的情况下,深度神经网络模型包括输出层,并且,输出层包括预设的回归函数,在向该深度神经网络模型中输入用于预测患者所需挂号科室的特征向量后,该回归函数输出预设的各个科室分别为患者所需的挂号科室的概率,该深度神经网络模型的输出层将概率大于预设概率阈值且已挂号人数未达到预设阈值的挂号科室进行输出。
例如,训练样本为历史患者的症状信息、历史患者的病史信息、历史患者的挂号时间,历史患者的挂号地点、历史患者的第一预设生命体征的取值、历史患者的第二预设生命体征的取值、历史患者挂号时预设的各挂号科室的挂号情况,以及历史患者的挂号科室。
采用该训练样本对深度神经网络模型进行训练的过程可以包括:
在本实施例中,第一,将训练样本中历史患者的症状信息、历史患者的病史信息、历史患者的挂号时间,历史患者的挂号地点、历史患者的第一预设生命体征的取值、历史患者的第二预设生命体征的取值、历史患者挂号时各挂号科室的挂号情况,构建为特征向量。
第二,将构建的特征向量输入深度神经神经网络,该深度神经网络输出层的回归函数输出预设的各挂号科室为该历史患者所需的挂号科室的概率,即确定预设的挂号科室中每个挂号科室作为该历史患者所需的挂号科室的概率。
第三,该深度神经网络的输出层还将回归函数输出的各个挂号科室中,概率大于预设概率阈值且已挂号人员数量未达到预设阈值的挂号科室进行输出。
第四,在该深度神经网络的输出层输出该历史患者所需的挂号科室后,通过预设的损失函数,计算输出层输出的挂号科室与该训练样本中标注的该历史患者的挂号科室间的损失函数值。并依据该损失函数值调整该深度神经网络模型中的各参数矩阵的取值。
第五,采用上述第一至第四这四步的训练方法,通过多个训练样本对深度神经网络模型进行循环训练,得到训练后的深度神经网络模型。
本实施例的有益效果包括:
现有技术中神经网络模型的输出层采用分类函数预测一个挂号科室,在预测的挂号科室中已挂号的人员数量达到预设阈值的情况下,则表示当前没有患者可挂号的科室,但是,实际中,适用于患者病情的挂号科室除了预测出的挂号科室外,可能还存在其他的挂号科室,由于分类函数只输出一个挂号科室,导致漏掉患者当前可用的挂号科室,即模型输出的预测结果的准确性低。
在本实施例中,深度神经网络模型的输出层包括预设的回归函数,该回归函数输出的预设的各个挂号科室作为患者所需挂号科室的概率,并且,输出层输出的是概率大于预设概率阈值且已挂号人数未达到预设阈值的挂号科室,使得概率大于预设阈值的挂号科室的数量可能是多个,在该多个挂号科室中某个挂号科室的已挂号人员的数量达到预设阈值的情况下,输出层还可以输出概率大于预设概率阈值且已挂号人数未达到预设阈值的其他挂号科室,从而避免了现有技术中漏掉患者可挂号的科室,进而提高了深度神经网络模型输出的预测结果的准确性。
图4为本申请实施例提供的第一预设模型的训练过程,包括以下步骤:
S401、获取训练样本。
在本步骤中,训练样本至少包括历史患者的症状信息、病史信息、所需的挂号科室,以及标注的检查项目。除此之外,训练样本还可以包括:历史患者的第一预设生命体征的取值、第二预设生命体征的取值、时间和地点。本实施例不对训练样本的具体内容作限定。
S402、采用获取的训练样本对预设模型进行训练,得到第一预设模型。
在本实施例中,预设模型是由预设数量决策树模型构成的,其中,预设数量为医院全部的检查项目的数量,并且,一种检查项目对应一个决策树模型。在本实施例中,需要对预设模型中的每个决策树模型进行训练,并且,对每个决策树模型的训练过程是相同的,为了描述方便,本实施例以一个决策树模型为例,介绍对该决策树模型的训练过程。
将本步骤获取的训练样本,按照标注的检查项目是否包该决策树模型对应的检查项目,将本步骤获取的训练样本分为两类,一类是包括该决策树模型对应的检查项目的训练样本为第一类训练样本,一类是不包括该决策树模型对应的检查项目的训练样本为第二类训练样本,并且,第一类训练样本与第二类训练样本构成该决策树模型的训练集。
将训练集输入该决策树模型,该决策树模型对训练集的学习过程包括:计算训练集中除了标注的检查项目外的每个特征的信息增益比,将信息增益比最高的特征作为当前的分类节点的标准,将数据集按照该分类节点进行分类,得到两类样本。分别针对两类样本中的每类样本,计算每个特征的信息增益比,并将信息增益比最高的特征作为分类节点的标准,并将每类样本进行分类,依次循环,直至特征筛选完毕为止,或者,直至得到的每类样本中的数据纯净,即得到的每类样本中的标注结果相同为止。
图5为本申请实施例提供的预设模型的训练过程示意图,可以包括以下步骤:
在本实施例中,预设模型可以为GBDT模型,并且,通过对该模型进行训练,使得训练后的模型能够预测患者在已挂号的科室就诊前所需等待的时长,并且,还能够预测任意一个待检查项目的排队时长,为了描述方便,称为任意一个待检查项目的预测排队时长。
具体的,对GBDT模型的训练过程包括:
S501、获取训练样本。
在本步骤中,训练样本可以包括第一训练样本和第二训练样本。其中,第一训练样本可以包括:历史患者已挂号的科室、在历史患者已挂号的科室中已挂号人员的数量、在历史患者已挂号的科室中排队就诊人员的数量,以及历史患者就诊前等待的时长。
第二训练样本可以包括:历史待检查科室、历史待检查科室当时的排队人数,历史待检查科室当时已预约检查的人数,以及历史检查科室的排队时长。
为了提高训练后的模型预测患者就诊前等待的时长还是预测待检查项目的排队时长的准确性,在本实施例中,第一训练样本还可以包括:历史患者排队的时刻,已挂号科室的诊治医生。第二训练样本还可以包括:历史患者排队检查项目的时间,以及检查项目所属的检查科室的诊治医生。
在本实施例中,第一训练样本中历史患者已挂号的科室中排队就诊人员的数量,可以通过历史患者已挂号的科室的视频中获取。第二训练样本中历史待检查科室当时的排队人数,可以通过历史待检查科室的视频中获取。
S502、采用所获取的训练样本,对预设模型进行训练。
在本步骤中,分别采用第一训练样本和第二训练样本对GBDT模型进行训练,其中,采用第一训练训练样本和第二训练样本分别对GBDT模型进行训练的过程相同,本实施例中以第一训练样本为例,介绍对GBDT模型进行训练的过程。
具体的,将第一训练样本中除标注的历史患者就诊前等待的时长外的内容构建为特征向量,具体的,构建特征向量的过程为现有技术,这里不再赘述。
将构建的特征向量输入GBDT模型中,第一、GBDT模型计算每个特征的信息增益比,将信息增益比最大的特征作为分类器标准。第二、根据分类结果计算每个子节点的预测值(就诊前所需等待时长的预测值),并将每个子节点的预测值(就诊前所需等待时长的预测值)与标准值(第一训练样本中历史患者就诊前等待时长的实际值)间的残差。对残差不为零的训练样本继续按照第一和第二的两步对当前训练得到的GBDT模型进行训练,直至特征筛选完毕为止,或者,不存在残差为止。具体的,对GBDT模型的训练方法为现有技术。
本申请实施例具有以下有益效果:
有益效果一、
本申请实施例中,患者可以在未见到诊治医生前就可以知道所需做的检查项目,从而,患者可以在做完检查项目得到检查结果后,再排队见诊断医生,使得诊断医生通过检查结果确定诊断结果。使得相比于现有技术在得到诊断结果前需要两次排队见诊断医生来说,采用本申请提供的方案,患者可以只需一次排队见诊断医生即可得到诊断结果,从而,采用本申请提供的方案,可以减少患者在得到诊断结果前所需耗费的时间。
有益效果二、
在本申请实施例中,可以在用户不明确患者所需的挂号科室的情况下,确定患者所需的挂号科室,并为患者在所需的挂号科室进行挂号,从而相对于现有技术中,用户通过在人工咨询处咨询患者所需的挂号科室,并在挂号处排队进行挂号来说,采用本申请实施例提供的方案,用户只需进行无需进行人工咨询,实现确定患者所需的挂号科室以及在所需的挂号科室进行挂号为一体的效果,从而节省用户挂号的时间。
有益效果三、
在本申请实施例中,还可以预测患者在已挂号科室就诊前所需等待的时长,并将该时长与预设时长进行比较,如果时长大于预设时长,则建议患者先排队检查项目后排队就诊,如果时长不大于该预设时长,则建议患者先排队就诊后排队检查项目,使得进一步节省患者的时间。
有益效果四、
在本申请实施例中,在确定出患者的待检查项目后,还可以预测待检查项目的预测排队总时长,并按照各个待检查项目的预测排队总时长的大小关系进行排序,得到各个待检查项目对应的待检查科室的先后顺序。由于在实际中,检查科室的繁忙程度是不变的,即一个检查科室比较忙则该检查科室很大概率上会一直比较忙,在本申请实施例中,通过历史患者数据预测每个待检查科室的排队总时长,预测得到的待检查科室的排队总时长反映了待检查科室的繁忙程度,因此,依据历史患者数据得到的各待检查科室的繁忙程度的大小关系,同样适用于当前患者。因此,将该待检查科室的先后顺序作为患者排队待检查项目的最优路径,使得患者按照该最优路径进行排队检查,可以进一步节省患者的排队时长。
有益效果五、
在本实施例中,确定出患者待检查项目后,还可以自动输出待检查项目,从而避免现有技术中通过人工的方式向设备中输入患者的待检查项目而导致的输入错误。从而,提高了输出的待检查项目的准确性。
图6为本申请实施例提供的一种信息处理装置,包括:第一获取模块601、第二获取模块602、构建模块603和输入模块604。
其中,第一获取模块601用于获取患者所需的挂号科室。第二获取模块602用于获取患者的症状信息和病史信息,构建模块603用于至少采用患者的症状信息、病史信息,以及患者所需的挂号科室构建特征向量,得到第一特征向量。输入模块604用于将第一特征向量输入第一预设模型,得到患者的待检查项目,第一预设模型至少以历史患者的症状信息、病史信息、挂号科室,以及标注的检查项目为训练样本训练得到。
可选的,第一预设模型的训练样本还包括:历史患者的第一预设生命体征的取值、第二预设生命体征的取值、时间和地点,第一预设生命体征为表示历史患者的呼吸系统的预设体征,第二预设生命体征为表示历史患者的体温和预设的面部特征的体征。
构建模块603用于至少采用患者的症状信息、病史信息,以及患者所需的挂号科室构建特征向量,得到第一特征向量,包括:构建模块603具体用于对患者的症状信息、病史信息、第一预设生命体征的当前值、第二预设生命体征的当前值、时间、地点,以及患者所需的挂号科室,构建特征向量,得到第一特征向量。
可选的,该装置还包括第三获取模块605用于获取患者的第一预设生命体征的当前值,包括:第三获取模块605具体用于采集第一目标语音信息,识别第一目标语音信息中的声纹,在声纹为患者的声纹的情况下,从声纹中识别出患者的第一预设生命体征的当前值。
可选的,该装置还包括第四获取模块606用于获取患者的第二预设生命体征的当前值,包括:第四获取模块606具体用于在声纹为患者声纹的情况下,获取患者的第二预设生命体征的当前值。
可选的,第一预设模型包括预设数量的决策树模型,预设数量为医院全部的检查项目的数量,并且,一个决策树模型对应一种检查项目。输入模块604用于将第一特征向量输入第一预设模型,得到所述患者的待检查项目,包括:输入模块606具体用于将第一特征向量分别输入每个决策树模型,将输出的结果表示需要进行检查的决策树模型对应的检查项目作为患者的待检查项目。
可选的,该装置还包括第一预测模块607,用于在获取患者所需的挂号科室之后获取患者在所需的挂号科室就诊的编号,预测患者在已挂号的科室就诊前所需等待的时长,基于时长与预设时长的大小关系,输出建议信息,建议信息表示建议患者排队待检查项目与排队就诊间的先后顺序。
可选的,第一预测模块607用于预测患者在已挂号的科室就诊前所需等待的时长,包括:第一预测模块607具体用于获取第一信息,第一信息包括:已挂号的科室、已挂号的科室中已挂号人员的数量,以及已挂号的科室中排队就诊人员的数量,将第一信息输入第二预设模型,得到患者在已挂号的科室诊前所需等待的时长,第二预设模型至少以历史患者已挂号的科室、在历史患者已挂号的科室中已挂号人员的数量、在历史患者已挂号的科室中排队就诊人员的数量,以及历史患者就诊前等待的时长为训练样本,对预设的GBDT模型进行训练得到。
可选的,第一预测模块607用于基于时长与预设时长的大小关系,输出建议信息,包括:第一预测模块607具体用于在时长大于预设时长的情况下,输出第一建议信息,第一建议信息用于提示患者先排队待检查项目后排队就诊,在时长不大于预设时长的情况下,输出第二建议信息,第二建议信息用于提示患者先排队就诊后排队待检查项目。
可选的,该装置还包括第二预测模块608,用于确定待检查项目的预测排队时长,确定待检查项目的先后顺序。
可选的,第二预设模块608用于任意一个待检查项目的预测排队时长,包括:第二预设模块608具体用于获取第二信息,第二信息包括:待检查科室、该待检查科室当前的排队人数,以及该待检查科室当前已预约检查的人数,待检查科室为该待检查项目所属的检查科室,将第二信息输入第三预设模型,得到该待检查项目的预测排队时长,第三预设模型至少以历史待检查科室、历史待检查科室当时的排队人数,历史待检查科室当时已预约检查的人数,以及历史检查科室的排队时长为训练样本,对预设的GBDT模型训练得到。
可选的,第二预设模块608用于确定待检查项目的先后顺序,包括:第二预设模块608具体用于依据每个待检查项目的预测排队时长以及预设公式,分别计算每个待检查科室完成当前已预约检查人员的检查所需的总时长,为每个待检查科室的总预测排队时长,按照每个待检查科室的总预测排队时长的大小关系,对待检查项目进行排列,得到待检查项目的先后顺序。
可选的,第一获取模块601用于获取患者所需的挂号科室,包括:第一获取模块具体用于在接收到第一预设指令的情况下,采集第一语音信息,第一语音信息包括患者的症状信息,对第一语音信息进行识别,得到患者的症状信息,获取患者的病史信息,至少对患者的症状信息和病史信息构建特征向量,得到第二特征向量,将第二特征向量输入预设模型,得到患者所需的挂号科室,预设模型至少以历史患者的症状信息和病史信息,以及标注的挂号科室为训练样本训练得到。
可选的,第一获取模块601还用于从第一语音信息中识别声纹,在声纹为患者的声纹的情况下,从声纹中识别出患者的第一预设生命体征的当前值,第一预设生命体征为表示呼吸系统的预设体征,并且,获取患者的第二预设生命体征的当前值,第二预设生命体征为表示体温和预设的面部特征的体征。
第一获取模块601用于至少对患者的症状信息和病史信息构建特征向量,得到第二特征向量,包括:第一获取模块601具体用于将患者的症状信息、病史信息、患者的第一预设生命体征的当前值,以及患者的第二预设生命体征的当前值构建特征向量为第二特征向量。
可选的,预设模型的输出层包括预设的回归函数,回归函数输出预设的各挂号科室分别为患者所需的挂号科室的概率,输出层将概率大于预设概率阈值且已挂号人数未达到预设阈值的挂号科室为所述患者所需的挂号科室。
可选的,第一获取模块601用于获取患者所需的挂号科室,包括:第一获取模块601具体用于在接收到第二预设指令的情况下,采集第二语音信息,第二语音信息包括患者所需的挂号科室的信息,对第二语音信息进行识别,得到患者所需挂号的科室。
本申请实施例方法所述的功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算设备可读取存储介质中。基于这样的理解,本申请实施例对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该软件产品存储在一个存储介质中,包括若干指令用以使得一台计算设备(可以是个人计算机,服务器,移动计算设备或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其它实施例的不同之处,各个实施例之间相同或相似部分互相参见即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (19)
1.一种信息处理方法,其特征在于,包括:
获取患者所需的挂号科室;
获取所述患者的症状信息和病史信息;
至少采用所述患者的症状信息、病史信息,以及所述患者所需的挂号科室构建特征向量,得到第一特征向量;
将所述第一特征向量分别输入第一预设模型的各个决策树模型中,将输出的结果表示需要进行检查的决策树模型对应的检查项目作为所述患者的待检查项目;所述第一预设模型至少以历史患者的症状信息、病史信息、挂号科室,以及标注的检查项目为训练样本训练得到;其中,所述第一预设模型包括预设数量的决策树模型,所述预设数量为医院全部的检查项目的数量,并且,一个所述决策树模型对应一种检查项目。
2.根据权利要求1所述的方法,其特征在于,所述第一预设模型的训练样本还包括:所述历史患者的第一预设生命体征的取值、第二预设生命体征的取值、时间和地点;所述第一预设生命体征为表示所述历史患者的呼吸系统的预设体征;所述第二预设生命体征为表示所述历史患者的体温和预设的面部特征的体征;
所述至少采用所述患者的症状信息、病史信息,以及所述患者所需的挂号科室构建特征向量,得到第一特征向量,包括:
对所述患者的症状信息、病史信息、第一预设生命体征的当前值、第二预设生命体征的当前值、时间、地点,以及所述患者所需的挂号科室,构建特征向量,得到第一特征向量。
3.根据权利要求2所述的方法,其特征在于,所述患者的第一预设生命体征的当前值的获取方式,包括:
采集第一目标语音信息;
识别所述第一目标语音信息中的声纹;
在所述声纹为所述患者的声纹的情况下,从所述声纹中识别出所述患者的第一预设生命体征的当前值。
4.根据权利要求3所述的方法,其特征在于,所述患者的第二预设生命体征的当前值的获取方式,包括:
在所述声纹为所述患者声纹的情况下,获取所述患者的第二预设生命体征的当前值。
5.根据权利要求1所述的方法,其特征在于,在所述获取患者所需的挂号科室之后,还包括:
获取所述患者在所述所需的挂号科室就诊的编号;
预测所述患者在已挂号的科室就诊前所需等待的时长;
基于所述时长与预设时长的大小关系,输出建议信息;所述建议信息表示建议所述患者排队所述待检查项目与排队就诊间的先后顺序。
6.根据权利要求5所述的方法,其特征在于,所述预测所述患者在已挂号的科室就诊前所需等待的时长,包括:
获取第一信息;所述第一信息包括:所述已挂号的科室、所述已挂号的科室中已挂号人员的数量,以及所述已挂号的科室中排队就诊人员的数量;
将所述第一信息输入第二预设模型,得到所述患者在已挂号的科室诊前所需等待的时长;
所述第二预设模型至少以所述历史患者已挂号的科室、在所述历史患者已挂号的科室中已挂号人员的数量、在所述历史患者已挂号的科室中排队就诊人员的数量,以及所述历史患者就诊前等待的时长为训练样本,对预设的GBDT模型进行训练得到。
7.根据权利要求5所述的方法,其特征在于,所述基于所述时长与预设时长的大小关系,输出建议信息,包括:
在所述时长大于所述预设时长的情况下,输出第一建议信息;所述第一建议信息用于提示所述患者先排队所述待检查项目后排队就诊;
在所述时长不大于所述预设时长的情况下,输出第二建议信息;所述第二建议信息用于提示所述患者先排队就诊后排队所述待检查项目。
8.根据权利要求1所述的方法,其特征在于,还包括:
确定所述待检查项目的预测排队时长;
确定所述待检查项目的先后顺序。
9.根据权利要求8所述的方法,其特征在于,确定任意一个所述待检查项目的预测排队时长,包括:
获取第二信息;所述第二信息包括:待检查科室、该待检查科室当前的排队人数,以及该待检查科室当前已预约检查的人数;所述待检查科室为该待检查项目所属的检查科室;
将所述第二信息输入第三预设模型,得到该待检查项目的预测排队时长;所述第三预设模型至少以历史待检查科室、所述历史待检查科室当时的排队人数,所述历史待检查科室当时已预约检查的人数,以及所述历史检查科室的排队时长为训练样本,对预设的GBDT模型训练得到。
10.根据权利要求9所述的方法,其特征在于,所述确定所述待检查项目的先后顺序,包括:
依据每个所述待检查项目的预测排队时长以及预设公式,分别计算每个所述待检查科室完成当前已预约检查人员的检查所需的总时长,为每个所述待检查科室的总预测排队时长;
按照每个所述待检查科室的总预测排队时长的大小关系,对所述待检查项目进行排列,得到所述待检查项目的先后顺序。
11.根据权利要求1所述的方法,其特征在于,所述获取患者所需的挂号科室,包括:
在接收到第一预设指令的情况下,采集第一语音信息;所述第一语音信息包括所述患者的症状信息;
对所述第一语音信息进行识别,得到所述患者的症状信息;
获取所述患者的病史信息;
至少对所述患者的症状信息和病史信息构建特征向量,得到第二特征向量;
将所述第二特征向量输入预设模型,得到所述患者所需的挂号科室;所述预设模型至少以历史患者的症状信息和病史信息,以及标注的挂号科室为训练样本训练得到。
12.根据权利要求11所述的方法,其特征在于,在采集所述第一语音信息之后,还包括:
从所述第一语音信息中识别声纹;
在所述声纹为所述患者的声纹的情况下,从所述声纹中识别出所述患者的第一预设生命体征的当前值;所述第一预设生命体征为表示呼吸系统的预设体征;并且,获取所述患者的第二预设生命体征的当前值;所述第二预设生命体征为表示体温和预设的面部特征的体征;
所述至少对所述患者的症状信息和病史信息构建特征向量,得到第二特征向量,包括:
将所述患者的症状信息、病史信息、所述患者的第一预设生命体征的当前值,以及所述患者的第二预设生命体征的当前值构建特征向量为第二特征向量。
13.根据权利要求11所述的方法,其特征在于,所述预设模型的输出层包括预设的回归函数;所述回归函数输出预设的各挂号科室分别为所述患者所需的挂号科室的概率,所述输出层将概率大于预设概率阈值且已挂号人数未达到预设阈值的挂号科室为所述患者所需的挂号科室。
14.根据权利要求1所述的方法,其特征在于,所述获取患者所需的挂号科室,包括:
在接收到第二预设指令的情况下,采集第二语音信息;所述第二语音信息包括所述患者所需的挂号科室的信息;
对所述第二语音信息进行识别,得到所述患者所需挂号的科室。
15.一种信息处理装置,其特征在于,包括:
第一获取模块,用于获取患者所需的挂号科室;
第二获取模块,用于获取所述患者的症状信息和病史信息;
构建模块,用于至少采用所述患者的症状信息、病史信息,以及所述患者所需的挂号科室构建特征向量,得到第一特征向量;
输入模块,用于将所述第一特征向量分别输入第一预设模型的各个决策树模型中,将输出的结果表示需要进行检查的决策树模型对应的检查项目作为所述患者的待检查项目;所述第一预设模型至少以历史患者的症状信息、病史信息、挂号科室,以及标注的检查项目为训练样本训练得到;其中,所述第一预设模型包括预设数量的决策树模型,所述预设数量为医院全部的检查项目的数量,并且,一个所述决策树模型对应一种检查项目。
16.根据权利要求15所述的装置,其特征在于,所述第一预设模型的训练样本还包括:所述历史患者的第一预设生命体征的取值、第二预设生命体征的取值、时间和地点;所述第一预设生命体征为表示所述历史患者的呼吸系统的预设体征;所述第二预设生命体征为表示所述历史患者的体温和预设的面部特征的体征;
所述构建模块,用于至少采用所述患者的症状信息、病史信息,以及所述患者所需的挂号科室构建特征向量,得到第一特征向量,包括:
所述构建模块,具体用于对所述患者的症状信息、病史信息、第一预设生命体征的当前值、第二预设生命体征的当前值、时间、地点,以及所述患者所需的挂号科室,构建特征向量,得到第一特征向量。
17.根据权利要求15所述的装置,其特征在于,还包括:第一预测模块;
所述第一预测模块,用于在所述获取患者所需的挂号科室之后获取所述患者在所述所需的挂号科室就诊的编号;预测所述患者在已挂号的科室就诊前所需等待的时长;基于所述时长与预设时长的大小关系,输出建议信息;所述建议信息表示建议所述患者排队所述待检查项目与排队就诊间的先后顺序。
18.根据权利要求17所述的装置,其特征在于,所述第一预测模块,用于预测所述患者在已挂号的科室就诊前所需等待的时长,包括:
所述第一预测模块,具体用于获取第一信息;所述第一信息包括:所述已挂号的科室、所述已挂号的科室中已挂号人员的数量,以及所述已挂号的科室中排队就诊人员的数量;将所述第一信息输入第二预设模型,得到所述患者在已挂号的科室诊前所需等待的时长;所述第二预设模型至少以所述历史患者已挂号的科室、在所述历史患者已挂号的科室中已挂号人员的数量、在所述历史患者已挂号的科室中排队就诊人员的数量,以及所述历史患者就诊前等待的时长为训练样本,对预设的GBDT模型进行训练得到。
19.根据权利要求15所述的装置,其特征在于,还包括:第二预测模块;
所述第二预测模块,用于确定所述待检查项目的预测排队时长;确定所述待检查项目的先后顺序;
所述第二预设模块,用于确定所述待检查项目的先后顺序,包括:
所述第二预设模块,具体用于依据每个所述待检查项目的预测排队时长以及预设公式,分别计算每个待检查科室完成当前已预约检查人员的检查所需的总时长,为每个所述待检查科室的总预测排队时长;按照每个所述待检查科室的总预测排队时长的大小关系,对所述待检查项目进行排列,得到所述待检查项目的先后顺序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910757423.0A CN110473615B (zh) | 2019-08-16 | 2019-08-16 | 一种信息处理方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910757423.0A CN110473615B (zh) | 2019-08-16 | 2019-08-16 | 一种信息处理方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110473615A CN110473615A (zh) | 2019-11-19 |
CN110473615B true CN110473615B (zh) | 2022-06-03 |
Family
ID=68510846
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910757423.0A Active CN110473615B (zh) | 2019-08-16 | 2019-08-16 | 一种信息处理方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110473615B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111370107A (zh) * | 2020-03-05 | 2020-07-03 | 京东方科技集团股份有限公司 | 回诊时间预测方法及装置、电子设备、存储介质 |
CN113393940B (zh) * | 2020-03-11 | 2024-05-24 | 宏达国际电子股份有限公司 | 控制方法以及医疗系统 |
CN111584050B (zh) * | 2020-04-29 | 2023-05-30 | 广州市妇女儿童医疗中心(广州市妇幼保健院、广州市儿童医院、广州市妇婴医院、广州市妇幼保健计划生育服务中心) | 黄疸分诊信息的处理方法、装置、计算机设备和存储介质 |
CN112259245B (zh) * | 2020-10-21 | 2023-07-25 | 平安科技(深圳)有限公司 | 待检查项确定方法、装置、设备及计算机可读存储介质 |
CN112951394A (zh) * | 2021-03-10 | 2021-06-11 | 中电健康云科技有限公司 | 一种基于深度学习的医院分诊和预测医学检查项目的方法 |
CN114018442A (zh) * | 2021-11-10 | 2022-02-08 | 西安百花医疗科技有限公司 | 一种体温监测系统 |
CN115331801B (zh) * | 2022-10-11 | 2023-03-24 | 北京京东拓先科技有限公司 | 一种影像检查的调度方法和装置 |
CN115775613B (zh) * | 2022-11-16 | 2023-08-29 | 深圳中赛科技服务有限公司 | 基于数据分析的数据响应方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2016189151A (ja) * | 2015-03-30 | 2016-11-04 | 富士通株式会社 | 電子カルテプログラム、情報処理方法、および情報処理装置 |
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 |
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 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106021910A (zh) * | 2016-05-17 | 2016-10-12 | 重庆医科大学附属永川医院 | 基于智慧医疗服务的远程疾病诊断系统 |
CN107145744B (zh) * | 2017-05-08 | 2018-03-02 | 合肥工业大学 | 医学知识图谱的构建方法、装置及辅助诊断方法 |
CN110021391A (zh) * | 2017-10-09 | 2019-07-16 | 东莞东阳光科研发有限公司 | 一种分诊方法和装置 |
CN109285605A (zh) * | 2018-09-11 | 2019-01-29 | 青岛农业大学 | 一种基于人工智能的医疗诊断系统及诊断方法 |
CN109961840A (zh) * | 2019-03-26 | 2019-07-02 | 苏州工业园区东诚智能网络技术有限公司 | 就诊排号方法及装置 |
-
2019
- 2019-08-16 CN CN201910757423.0A patent/CN110473615B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2016189151A (ja) * | 2015-03-30 | 2016-11-04 | 富士通株式会社 | 電子カルテプログラム、情報処理方法、および情報処理装置 |
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 |
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 |
Also Published As
Publication number | Publication date |
---|---|
CN110473615A (zh) | 2019-11-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110473615B (zh) | 一种信息处理方法及装置 | |
US10327637B2 (en) | Systems, methods, and computer-readable media for patient image analysis to identify new diseases | |
US20180107798A1 (en) | Method for aiding a diagnosis, program and apparatus | |
CN111241265A (zh) | 信息推荐方法、设备、存储介质及装置 | |
CN112035674B (zh) | 导诊数据获取方法、装置、计算机设备和存储介质 | |
US20060184489A1 (en) | Genetic knowledgebase creation for personalized analysis of medical conditions | |
WO2006065822A1 (en) | Personalized genetic-based analysis of medical conditions | |
CN116580830A (zh) | 一种基于云平台的远程智能医疗服务系统 | |
KR20170047423A (ko) | Cad기반 디지털 엑스레이의 자동 결핵 진단 예측 시스템 | |
CN111667891A (zh) | 应用于专病临床试验的队列识别方法及装置 | |
Skitsan et al. | Evaluation of the Informative Features of Cardiac Studies Diagnostic Data using the Kullback Method. | |
Shrestha et al. | Supervised machine learning for early predicting the sepsis patient: modified mean imputation and modified chi-square feature selection | |
CN115050442A (zh) | 基于挖掘聚类算法的病种数据上报方法、装置及存储介质 | |
CN111226287B (zh) | 用于分析医学成像数据集的方法、系统、程序产品和介质 | |
CN117315379B (zh) | 面向深度学习的医学影像分类模型公平性评估方法及装置 | |
CN117152827A (zh) | 一种近视预测模型的训练方法、近视预测方法及装置 | |
GB2555381A (en) | Method for aiding a diagnosis, program and apparatus | |
CN108630287B (zh) | 数据整合方法 | |
KR20160123151A (ko) | 의료 정보 제공 시스템 | |
CN110889836A (zh) | 一种影像数据分析方法、装置、终端设备及存储介质 | |
CN115602328B (zh) | 急性白血病的预警方法及装置 | |
CN109192276A (zh) | 一种基于社交网络平台的情感分析方法、装置及系统 | |
US20220223297A1 (en) | Device, method and program providing reference information for disease diagnosis, based on body temperature | |
CN116978507A (zh) | 一种基于大数据的医疗信息前置获取系统 | |
EP3920190A1 (en) | Bias detection in sensor signals |
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 |