CN110752017B - 一种基于深度学习的社区医生调度方法及系统 - Google Patents

Abstract

本申请实施例提供一种基于深度学习的社区医生调度方法和系统。该方法包括：按照社区医生的专业特征、出诊特征，构建社区医生特征集；按照社区病患交通特征、病症特征，构建社区病患特征集；基于社区医生特征集和社区病患特征集，构建医患匹配深度学习网络和交通匹配深度学习网络；采集实时社区医生调度数据，导入深度学习网络，训练社区医生调度模型；根据社区医生调度模型进行社区医生调度。本申请通过结合社区医生调度方法和深度学习特点，提高了社区医生调度效率。

Description

一种基于深度学习的社区医生调度方法及系统

技术领域

本申请涉及深度学习领域，尤其涉及一种基于深度学习的社区医生调度方法及系统。

背景技术

社区医生是社区卫生服务的重要组成部分。社区医生以居民健康为中心，既履行日常诊疗和健康服务，也要进行急救处理和巡查巡诊。中国是一个医疗资源非常紧张的国家，社区医生作为基层医疗工作者，更加显得资源紧缺。而且，随着中国城市化步伐的加快，城市的交通拥堵问题也日益凸显，许多病患往往因为医生到来的延迟而错过了最佳治疗时机。如何快速、科学、准确地调度社区医生，成为当前亟待解决的问题。

深度学习是机器学习的分支，其动机在于建立、模拟人脑进行分析学习的神经网络。深度学习模仿人脑的机制来解释数据，通过组合低层特征形成抽象的高层表示属性类别或特征，从而实现通用人工智能。目前深度学习已经被广泛应用在机器翻译、语义挖掘、图像识别、人脸识别、语音识别等领域。因此，可以通过将深度学习技术与社区医生调度实践相结合，从而既提高了社区医生调度的效率，又提高了社区医生调度过程中医患匹配的准度，为病患赢得了宝贵的时间。

发明内容

有鉴于此，本申请的目的在于提出一种基于深度学习的社区医生调度方法及系统，提高社区医生调度识别水平，解决目前防汛管理过程中，风险识别效率低、物资储备不及时的技术问题。

基于上述目的，本申请提出了一种基于深度学习的社区医生调度方法，包括：

按照社区医生的专业特征、出诊特征，构建社区医生特征集；按照社区病患交通特征、病症特征，构建社区病患特征集；

基于所述社区医生特征集和所述社区病患特征集，构建医患匹配深度学习网络和交通匹配深度学习网络；

采集实时社区医生调度数据，导入所述深度学习网络，训练社区医生调度模型；

根据所述社区医生调度模型进行社区医生调度。

在一些实施例中，所述按照社区医生的专业特征、出诊特征，构建社区医生特征集；按照社区病患交通特征、病症特征，构建社区病患特征集，包括：

通过对所述社区医生的执业年限、擅长领域、救治历史进行量化处理后，形成所述社区医生特征集；

通过对所述社区病患的地理分布、交通状况、病症特点、就诊历史进行量化处理后，形成所述社区病患特征集。

在一些实施例中，所述基于所述社区医生特征集和所述社区病患特征集，构建医患匹配深度学习网络和交通匹配深度学习网络，包括：

医患匹配深度学习网络，通过结合社区病患症状特点、历史就诊特点和社区医生的擅长领域、救治历史，匹配出符合当前社区病患的社区医生列表，该列表按照匹配度排序；

交通匹配深度学习网络，通过学习历史交通数据，预测社区医生到达社区病患的时间。

在一些实施例中，根据调度需求，选择所述社区医生特征集和所述社区病患特征集中的多类数据特征构建多组医患匹配深度学习网络和交通匹配深度学习网络。

在一些实施例中，并行训练所述病患匹配深度学习网络和所述交通匹配深度学习网络，形成医患匹配学习结果和交通匹配学习结果；

将所述医患匹配学习结果和交通匹配学习结果进行加权处理，形成综合调度结果；所述加权通过以下公式进行：

R＝α·Doc+β·Tra

其中，R为加权结果，α和β为加权系数，且α+β＝1，Doc为所述医患匹配学习结果，Tra为所述交通匹配学习结果。

在一些实施例中，所述采集实时社区医生调度数据，导入所述深度学习网络，训练社区医生调度模型，包括：

采集一定时间内的实时社区医生调度数据，导入所述深度学习网络中，更新所述深度学习网络的结构和参数；

当学习得到的结果低于预先设定的偏差阈值时，所述深度学习网络进入稳定状态，结束学习。

在一些实施例中，所述根据所述社区医生调度模型进行社区医生调度，包括：

将实时社区病患数据和社区医生数据导入所述深度学习网络进行分析，根据分析结果进行社区医生调度。

基于上述目的，本申请还提出了一种基于深度学习的社区医生调度系统，包括：

初始模块，用于按照社区医生的专业特征、出诊特征，构建社区医生特征集；按照社区病患交通特征、病症特征，构建社区病患特征集。

构建模块，用于基于所述社区医生特征集和所述社区病患特征集，构建医患匹配深度学习网络和交通匹配深度学习网络；

训练模块，用于采集实时社区医生调度数据，导入所述深度学习网络，训练社区医生调度模型；

调度模块，用于根据所述社区医生调度模型进行社区医生调度。

在一些实施例中，所述初始模块，包括：

社区医生单元，用于通过对所述社区医生的执业年限、擅长领域、救治历史进行量化处理后，形成所述社区医生特征集；

社区病患单元，用于通过对所述社区病患的地理分布、交通状况、病症特点、就诊历史进行量化处理后，形成所述社区病患特征集。

在一些实施例中，所述构建模块，还包括：

处理单元，用于并行分别训练所述病患匹配深度学习网络和所述交通匹配深度学习网络，形成医患匹配学习结果和交通匹配学习结果；

综合单元，用于将所述医患匹配学习结果和交通匹配学习结果进行加权处理，形成综合调度结果。

附图说明

在附图中，除非另外规定，否则贯穿多个附图相同的附图标记表示相同或相似的部件或元素。这些附图不一定是按照比例绘制的。应该理解，这些附图仅描绘了根据本发明公开的一些实施方式，而不应将其视为是对本发明范围的限制。

图1示出根据本发明实施例的基于深度学习的社区医生调度方法的流程图。

图2示出根据本发明实施例的基于深度学习的社区医生调度系统的构成图。

图3示出根据本发明实施例的初始模块构成图。

图4示出根据本发明实施例的构建模块构成图。

图5示出根据本发明实施例的基于深度学习的社区医生调度方法的原理示意图。

具体实施方式

下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

图1示出根据本发明实施例的基于深度学习的社区医生调度方法的流程图。如图1所示，该基于深度学习的社区医生调度方法包括：

步骤S11、按照社区医生的专业特征、出诊特征，构建社区医生特征集；按照社区病患交通特征、病症特征，构建社区病患特征集。

具体来说，所述专业特征包括擅长病症、诊疗历史、成功经验等；

所述出诊特征包括时间特征、服务区域范围、能否应对急诊等。

所述交通特征包括拥堵状况、距离远近、交通工具等；

所述病症特征包括疾病症状、用药历史、生命体征等；

在一种实施方式中，通过对所述社区医生的执业年限、擅长领域、救治历史进行量化处理后，形成所述社区医生特征集；

具体来说，社区医生的执业年限越长，其诊疗的病例越多，临床经验也就更加丰富，这样的社区医生应对一些疑难杂症或是急诊病例，更加适合一些；不同细分专业的社区医生擅长诊治的疾病也不一样，例如抢救心脏病患者时不能调度一名擅长口腔科的医生进行救治；另外，根据社区医生救治的历史情况，可以匹配出处置过类似疾病症状的医生，提高病患救治效率。

在一种实施方式中，通过对所述社区病患的地理分布、交通状况、病症特点、就诊历史进行量化处理后，形成所述社区病患特征集。

具体来说，由于医生资源比较紧张，医生在一次出诊过程中需要尽可能多地诊治病人，因此，对社区病患的地理分布、交通状况、病症特点、就诊历史进行量化处理后，可以为医生设计一条最优化线路，该线路中可以避免交通拥堵损耗，匹配最佳医患的同事，一次性诊治最多病患，从而提高社区医生的出诊效率。

步骤S12、基于所述社区医生特征集和所述社区病患特征集，构建医患匹配深度学习网络和交通匹配深度学习网络。

在一种实施方式中，医患匹配深度学习网络，通过结合社区病患症状特点、历史就诊特点和社区医生的擅长领域、救治历史，匹配出符合当前社区病患的社区医生列表，该列表按照匹配度排序；

具体来说，设置匹配列表的目的在于，为医患双方提供一个提供双向选择的余地。在医生角度看，如果医生临时出现不方便出诊的情况，则可以在匹配列表中进行说明，将自身匹配度降低；在病人的角度看，如果病人发现自己更信任某个匹配度靠后的医生，则可以选择排名靠后的医生。

在一种实施方式中，交通匹配深度学习网络，通过学习历史交通数据，预测社区医生到达社区病患的时间。

具体来说，如果交通过于拥堵，即使再专业的医生没有及时赶到病患现场，也无济于事。道路交通的拥堵情况有一定的时间规律，对历史交通数据进行分析，可以预测出医生赶往病患所经路段的交通拥堵情况，如果发生拥堵，及时调整调度路线或调整医生调度。

在一种实施方式中，根据调度需求，选择所述社区医生特征集和所述社区病患特征集中的多类数据特征构建多组医患匹配深度学习网络和交通匹配深度学习网络。

具体来说，每种病症对时间以及医生的要求都不同，因此，可以根据实际情况，针对不同病症构建多个学习网络。

在一种实施方式中，并行训练所述病患匹配深度学习网络和所述交通匹配深度学习网络，形成医患匹配学习结果和交通匹配学习结果；

在一种实施方式中，将所述医患匹配学习结果和交通匹配学习结果进行加权处理，形成综合调度结果；所述加权通过以下公式进行：

R＝α·Doc+β·Tra

其中，R为加权结果，α和β为加权系数，且α+β＝1，Doc为所述医患匹配学习结果，Tra为所述交通匹配学习结果。

步骤S13、采集实时社区医生调度数据，导入所述深度学习网络，训练社区医生调度模型。

在一种实施方式中，采集一定时间内的实时社区医生调度数据，导入所述深度学习网络中，更新所述深度学习网络的结构和参数；

在一种实施方式中，当学习得到的结果低于预先设定的偏差阈值时，所述深度学习网络进入稳定状态，结束学习。

具体来说，整个深度学习网络并不是静态存在的。由于疾病呈现季节性变化，对医生的调度策略也会产生变化，因此，需要不断对全部深度学习网络进行训练，才能提高深度学习网络的准确性。将实施社区医生的调度数据，导入深度学习网络中，形成一个循环反馈网络，直至进入稳定状态。

但是，进入稳定状态并不意味着深度学习网络训练过程的终止，需要设定一个时间间隔阈值。当超过时间间隔阈值时，对深度学习网络的偏差进行计算，如果偏差过大，继续导入实时数据训练；如果未超过阈值，则可以等待一个时间间隔阈值，再进行偏差的计算判断。

步骤S14、根据所述社区医生调度模型进行社区医生调度。

具体来说，医生调度过程可以在医生端配置一个实时通信终端，显示实时医生调度信息、病患状态，并可以实时与病患进行音视频交流。

在一种实施方式中，将实时社区病患数据和社区医生数据导入所述深度学习网络进行分析，根据分析结果进行社区医生调度。

图2示出根据本发明实施例的基于深度学习的社区医生调度系统的构成图。如图2所示，该基于深度学习的社区医生调度系统整体可以分为：

初始模块21，用于按照社区医生的专业特征、出诊特征，构建社区医生特征集；按照社区病患交通特征、病症特征，构建社区病患特征集。

构建模块22，用于基于所述社区医生特征集和所述社区病患特征集，构建医患匹配深度学习网络和交通匹配深度学习网络；

训练模块23，用于采集实时社区医生调度数据，导入所述深度学习网络，训练社区医生调度模型；

调度模块24，用于根据所述社区医生调度模型进行社区医生调度。

图3示出根据本发明实施例的初始模块构成图。

从图3中可以看出，初始模块21，包括：

社区医生单元211，用于通过对所述社区医生的执业年限、擅长领域、救治历史进行量化处理后，形成所述社区医生特征集；

社区病患单元212，用于通过对所述社区病患的地理分布、交通状况、病症特点、就诊历史进行量化处理后，形成所述社区病患特征集。

图4示出根据本发明实施例的构建模块构成图。从图4可以看出，构建模块22包括：

处理单元221，用于并行分别训练所述病患匹配深度学习网络和所述交通匹配深度学习网络，形成医患匹配学习结果和交通匹配学习结果；

综合单元222，用于将所述医患匹配学习结果和交通匹配学习结果进行加权处理，形成综合调度结果。

图5示出根据本发明实施例的基于深度学习的社区医生调度方法的原理示意图。

从图5可以看出，目前存在社区医生A、医生B、医生C，病人1、病人2。举例来说，通过深度学习网络，可以判断出医生A擅长病人1的疾病诊治，医生B和医生C擅长病人2所患疾病的诊治。但是，医生A通往病人1社区的路上发生了不明原因的交通拥堵，医生B前往病人2社区的道路正被交通管制，此时，只有医生C能够顺利地赶到病人1和病人2的社区。假设此时病人1的病情更为危重，病人2的病情可以稍缓进行诊治，通过深度学习网络，为医生C设计一条先经过①号路径前往病人1社区的路径，待医生C诊治完病人1后，实时设计出一条经过②号路径前往病人2社区的路径。而且，医生C在前往病人1和病人2所在社区的路途中，可以实时地通过音视频与病院进行通信，知道病患进行急救处理。

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。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。

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特定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。例如，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存储介质中。所述存储介质可以是只读存储器，磁盘或光盘等。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到其各种变化或替换，这些都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (1)

1.一种基于深度学习的社区医生调度方法，其特征在于，包括：

按照社区医生的专业特征、出诊特征，构建社区医生特征集；按照社区病患交通特征、病症特征，构建社区病患特征集，包括：通过对所述社区医生的执业年限、擅长领域、救治历史进行量化处理后，形成所述社区医生特征集；通过对所述社区病患的地理分布、交通状况、病症特点、就诊历史进行量化处理后，形成所述社区病患特征集；

基于所述社区医生特征集和所述社区病患特征集，构建医患匹配深度学习网络和交通匹配深度学习网络；根据调度需求，选择所述社区医生特征集和所述社区病患特征集中的多类数据特征构建多组医患匹配深度学习网络和交通匹配深度学习网络；所述医患匹配深度学习网络，通过结合社区病患症状特点、历史就诊特点和社区医生的擅长领域、救治历史，匹配出符合当前社区病患的社区医生列表，该列表按照匹配度排序；所述交通匹配深度学习网络，通过学习历史交通数据，预测社区医生到达社区病患的时间；并行训练所述医患匹配深度学习网络和所述交通匹配深度学习网络，形成医患匹配学习结果和交通匹配学习结果；将所述医患匹配学习结果和交通匹配学习结果进行加权处理，形成综合调度结果；所述加权通过以下公式进行：

R＝α·Doc+β·Tra

其中，R为加权结果，α和β为加权系数，且α+β＝1，Doc为所述医患匹配学习结果，Tra为所述交通匹配学习结果；

采集实时社区医生调度数据，导入所述深度学习网络，训练社区医生调度模型，包括：采集一定时间内的实时社区医生调度数据，导入所述深度学习网络中，更新所述深度学习网络的结构和参数；当学习得到的结果低于预先设定的偏差阈值时，所述深度学习网络进入稳定状态，结束学习；

根据所述社区医生调度模型进行社区医生调度，包括：将实时社区病患数据和社区医生数据导入所述深度学习网络进行分析，根据分析结果进行社区医生调度。

Images