CN110851725A - 一种医疗资源推荐方法、系统、计算设备和存储介质 - Google Patents

Abstract

本发明公开了一种医疗资源推荐方法、系统、计算设备和存储介质，该方法包括：获取历史用户病历数据等数据；构建医疗推荐样本集合；根据可用医疗资源数据和医疗推荐样本集合，训练得到医疗资源推荐模型；利用医疗资源推荐模型，为当前用户确定对应的待推荐医疗资源数据。该方案基于历史医疗数据训练得到医疗资源推荐模型，为之后或当前的用户精确匹配符合病情的医疗资源，根据用户的实际病情情况向其推荐医生和医院等医疗资源，使用户能够尽快找到对应的医院和医生，帮助用户在短时间内匹配到合适的医疗资源，节省了医疗时间，方便用户找到合适的医院和医生，解决了医疗资源与患者之间信息不对称的问题。

Description

一种医疗资源推荐方法、系统、计算设备和存储介质

技术领域

本发明涉及医疗资源推荐技术领域，具体涉及一种医疗资源推荐方法、系统、计算设备和存储介质。

背景技术

医学是一门知识驱动类学科，只要从多维度收集足够多、足够可靠的知识，就能在辅助决策层面发挥巨大的价值，把医疗人员从繁杂的重复性劳动中解放出来，进而去做更多有创造性的事。目前各国医疗制度已经比较完善，但还存在着不少的改进空间通常现有的医学知识库由知识条目构成，这些知识条目通常内容比较局限，严重影响了检索结果的准确性。对于患者而言，选择合适的医院和医生至关重要，然而，一方面，大多数患者由于医学知识的限制，患者对于自身的症状无法正确评估，同时基于互联网信息庞杂，患者无从分辨，由于缺乏医疗专业知识，也很难找到擅长自己病情的医院和医生，从而降低医疗效率并浪费了医疗资源；另一方面，医生工作负荷大，没有足够时间回答患者所有问题，造成医患关系紧张，医疗资源不均衡且缺乏，导致就医难等。

发明内容

鉴于上述问题，提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的医疗资源推荐方法、系统、计算设备和存储介质。

根据本发明的一个方面，提供了一种医疗资源推荐方法，所述方法包括：

获取历史用户病历数据、历史医疗资源推荐数据、历史用户就诊数据以及可用医疗资源数据；

利用所述历史用户病历数据、所述历史医疗资源推荐数据以及所述历史用户就诊数据，构建医疗推荐样本集合；

根据所述可用医疗资源数据和所述医疗推荐样本集合，训练得到医疗资源推荐模型；

利用所述医疗资源推荐模型，为当前用户确定对应的待推荐医疗资源数据。

根据本发明的另一方面，提供了一种医疗资源推荐系统，所述系统包括：

第一数据获取模块，用于获取历史用户病历数据、历史医疗资源推荐数据、历史用户就诊数据以及可用医疗资源数据；

样本构建模块，用于利用所述历史用户病历数据、所述历史医疗资源推荐数据以及所述历史用户就诊数据，构建医疗推荐样本集合；

模型训练模块，用于根据所述可用医疗资源数据和所述医疗推荐样本集合，训练得到医疗资源推荐模型；

推荐模块，用于利用所述医疗资源推荐模型，为当前用户确定对应的待推荐医疗资源数据。

根据本发明的又一方面，提供了一种计算设备，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；

所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行上述医疗资源推荐方法对应的操作。

根据本发明的再一方面，提供了一种计算机存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令使处理器执行如上述医疗资源推荐方法对应的操作。

根据本发明的医疗资源推荐方法、系统、计算设备和存储介质，通过获取历史用户病历数据、历史医疗资源推荐数据、历史用户就诊数据以及可用医疗资源数据；利用所述历史用户病历数据、所述历史医疗资源推荐数据以及所述历史用户就诊数据，构建医疗推荐样本集合；根据所述可用医疗资源数据和所述医疗推荐样本集合，训练得到医疗资源推荐模型；利用所述医疗资源推荐模型，为当前用户确定对应的待推荐医疗资源数据。本发明提供的这种方案基于历史医疗数据训练得到医疗资源推荐模型，为之后或当前的用户精确匹配符合病情的医疗资源，根据用户的实际病情情况向其推荐医生和医院等医疗资源，使用户能够尽快找到对应的医院和医生，帮助用户在短时间内匹配到合适的医疗资源，节省了医疗时间，方便用户找到合适的医院和医生，解决了医疗资源与患者之间信息不对称的问题。

上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。

附图说明

通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：

图1示出了本发明实施例提供的医疗资源推荐方法流程图；

图2示出了本发明实施例提供的医疗资源推荐系统的结构示意图；

图3示出了本发明实施例提供的计算设备的结构示意图。

具体实施方式

下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。

实施例一

图1示出了本发明医疗资源推荐方法实施例的流程图，如图1所示，该方法包括以下步骤：

S101:获取历史用户病历数据、历史医疗资源推荐数据、历史用户就诊数据以及可用医疗资源数据。

在本步骤中，可从医疗平台中获取历史用户病历数据和历史用户就诊数据；从医疗资源推荐平台中获取针对历史用户采用人工推荐等方式推荐的历史医疗资源推荐数据；可用医疗资源数据可以通过网络上公开的医院和医生数据获得。

其中，历史用户病历数据包括用户的疾病类型、体力状况和既往治疗情况。

具体地说，以癌症为例，系统将采集用户即患者的癌症类型、病理类型、癌症分期、患者体力状况、基因突变情况、合并症情况、治疗情况、肿瘤转移情况等。

例如，以肺癌为例说明。

1)癌症类型：肺癌，具体又可分为非小细胞肺癌、小细胞肺癌等。

2)病理类型：比如，非小细胞肺癌的病理类型可以分为肺腺癌、肺鳞癌、肺腺鳞癌、大细胞肺癌、肺肉瘤样癌等

3)癌症分期：其中，非小细胞肺癌的分期包括：早期(肿瘤局限于原发灶)、中期(肿瘤转移到局部淋巴结)和晚期(肿瘤发生远处转移)；

小细胞肺癌的分期包括：局限期(癌症仅限于一侧肺内，也包括转移到附近淋巴结)和广泛期(癌症转移到另一侧肺，胸膜，以及身体其他器官)。

4)患者体力状况：这里的患者体力状况可以通过美国东部肿瘤协作组(EasternCooperative Oncology Group,ECOG)评分标准来判定，ECOG评分是从患者的体力来了解其一般健康状况和对治疗耐受能力的指标。通过采集历史患者在预约医院医生时的ECOG评分(0-4分)，其中，0分表示活动能力完全正常，与起病前活动能力无任何差异。1分表示能自由走动及从事轻体力活动，包括一般家务或办公室工作，但不能从事较重的体力活动。2分表示能自由走动及生活自理，但已丧失工作能力，日间不少于一半时间可以起床活动。3分表示生活仅能部分自理，日间一半以上时间卧床或坐轮椅。4分表示卧床不起，生活不能自理。

5)基因突变情况：基因突变情况对于肺癌的治疗有指导作用，不同的突变类型可能适合的医院也不尽相同，本发明可主要采集对肺癌治疗有显著临床意义的驱动基因突变，如表皮生长因子受体(epidermal growth factor receptor，EGFR)突变、间变性淋巴瘤激酶(anaplastic lymphoma kinase，ALK)突变、RET原癌基因突变、MET原癌基因突变、原癌基因人类表皮生长因子受体2(human epidermal growth factor receptor-2,HER2)突变、BRAF原癌基因突变、鼠类肉瘤病毒癌基因(kirsten rat sarcoma viral oncogene，KRAS)突变等。

6)既往患者合并症的数量和疾病类型。疾病类型包括：心血管疾病、肺部疾病、风湿免疫系统疾病、泌尿系统疾病、肾病、糖尿病与内分泌系统疾病、耳鼻喉科疾病、消化系统疾病、妇科疾病、神经系统疾病、眼科疾病、骨科疾病等。

7)是否接受过手术治疗：一般情况下，患者既往是否接受过手术治疗决定了患者是否需要预约外科医生，因此本发明还可采集患者是否接受过手术治疗的相关数据，接受过记录为“是”，未接受过则记录为“否”。

8)是否有转移病灶：肺癌患者最常见的转移部分为脑转移和骨转移，因此本发明还可采集患者是否有脑转移或骨转移的相关数据。

历史医疗资源推荐数据为针对历史用户采用人工推荐方式所推荐的医院数据和医生数据等。

历史用户就诊数据包括历史用户最终实际就诊的医院数据和医生数据等。

可用医疗资源数据包括国内外医院官网以及权威网站公开的医院数据以及国内外医院官网以及权威网站公开的医生数据。

其中，该医院数据具体可以包括医院排名、医院是否参与制定疾病相关的诊疗指南、医院是否有医生任职于疾病相关的专业学术机构、医院发表的疾病相关论文数、医院开展的疾病相关临床试验数以及医院的专家团队数量。

具体地说，1)医院排名：收集具备癌症专科科室的医院数据排名，如《美国新闻与世界报道》和复旦大学每年发布的国内外医院排名。

2)医院是否参与制定疾病相关的诊疗指南：收集癌症专科排名前十医院是否参与疾病相关的诊疗指南，如美国癌症综合网络临床实践指南(NCCN指南)、美国临床肿瘤学会指南(ASCO指南)。

3)医院是否有医生任职于疾病相关的专业学术机构：收集癌症专科排名前十医院是否有医生任职于疾病相关的学会或基金会，如临床肿瘤学会、肺癌研究基金会等。

4)医院发表的疾病相关研究论文数：收集癌症专科排名前十医院在美国国立卫生研究所下属机构开发的专业检索系统PubMed发表的疾病相关研究论文数量。

5)医院开展的疾病相关临床试验数：收集癌症专科排名前十医院在美国临床试验官网clinicaltrial.gov以及中国药物临床试验登记与信息公示平台公开的各疾病相关临床试验数量。

6)医院专家团队人数：收集癌症专科排名前十医院各中心/项目/科室的专家团队人数。

该医生数据具体可以包括医生姓名、医生所属中心/项目、医生所属科室、医生现任职务、医生学术头衔、医生临床专长、医生是否参与制定疾病相关诊疗指南、医生是否任职于疾病相关协会和基金会以及医生发表的疾病相关论文数等。

具体地说，1)医生姓名：采集癌症专科排名前十医院所有的医生姓名。

2)医生所属中心/项目：采集各医生所属的疾病诊治中心/项目，例如胸部肿瘤中心等。

3)医生所属科室：采集各医生所属的科室，例如内科、外科、放疗科、肺病科等。

4)医生现任职务：采集各医生在所属医院/中心担任的主席/主任级别的职位数量。

5)医生学术头衔：采集各医生在各疾病专科的学术级别，记录为：教授、副教授、助理教授、讲师、无级别。

6)医生临床专长：采集各医生的临床专长，如肺癌ALK突变、年轻肺癌等。

7)是否参与制定疾病相关诊疗指南：采集各医生是否参与制定疾病相关的诊疗指南，如美国癌症综合网络临床实践指南(NCCN指南)、美国临床肿瘤学会指南(ASCO指南)

8)是否任职于疾病相关协会和基金会：采集各医生是否任职于疾病相关的学会或基金会，如临床肿瘤学会、肺癌研究基金会等。

9)发表疾病相关文章数：采集各医生在美国国立卫生研究所下属机构开发的专业检索系统PubMed发表的疾病相关研究论文数量。

S102:利用历史用户病历数据、历史医疗资源推荐数据以及历史用户就诊数据，构建医疗推荐样本集合。

在本步骤中，构建医疗推荐样本集合之前，需要对步骤S101获取的历史用户病历数据、历史医疗资源推荐数据以及历史用户就诊数据这些原始数据进行预处理。具体地，删除上述数据中重复的数据；通过空值判断删除空值数据；统一上述数据的数据表示形式等，以便方便后期使用。比如，在上述数据中，有的数据中时间的数据表示形式为“****年**月**日**时**分**秒”，有的数据中时间的数据表示形式为“****年/**月/**日**时**分**秒”，那么可将时间的数据表示形式都统一为“****年**月**日**时**分**秒”；又如，在上述数据中医院名称有的为医院名称简称，有的为医院名称全称，那么可将医院名称全部都统一为医院名称全称。

S103:根据可用医疗资源数据和医疗推荐样本集合，训练得到医疗资源推荐模型。

具体地说，步骤S103进一步包括：

针对医疗推荐样本集合中的每个医疗推荐样本，对该医疗推荐样本对应的历史用户病历数据和历史医疗资源推荐数据进行分析，分析历史用户病历数据和历史医疗资源推荐数据之间的相关性，得到该医疗推荐样本对应的推荐关联特征；根据可用医疗资源数据、医疗推荐样本集合中的医疗推荐样本对应的历史用户就诊数据以及推荐关联特征，训练得到医疗资源推荐模型。

进一步地，对该医疗推荐样本对应的历史用户病历数据和历史医疗资源推荐数据进行分析，得到该医疗推荐样本对应的推荐关联特征进一步包括：对该医疗推荐样本对应的历史用户病历数据和历史医疗资源推荐数据进行特征提取，得到该医疗推荐样本对应的用户病历特征和医疗资源推荐特征；根据该医疗推荐样本对应的历史用户就诊数据，对用户病历特征和医疗资源推荐特征进行筛选处理，得到该医疗推荐样本对应的推荐关联特征。

具体地说，得到医疗推荐样本对应的用户病历特征和医疗资源推荐特征之后，需要根据医疗推荐样本对应的历史用户就诊数据对用户病历特征和医疗资源推荐特征进行分析处理，删除对医疗资源推荐特征无影响的特征，和/或，删除用户病历特征和医疗资源推荐特征中缺失数据过多的特征，从而筛选出对医疗资源推荐起关键作用的特征，比如用户的病理类型、基因突变情况等，将筛选出的对医疗资源推荐起关键作用的特征确定为该医疗推荐样本对应的推荐关联特征。

另外，可以通过数据可视化比如热力图(heatmap)分析医疗推荐样本对应的用户病历特征和医疗资源推荐特征的相关性。

根据可用医疗资源数据、医疗推荐样本集合中的医疗推荐样本对应的历史用户就诊数据以及推荐关联特征，训练得到医疗资源推荐模型进一步包括：

将医疗推荐样本集合中的医疗推荐样本划分至训练集合中和测试集合中；利用逻辑回归算法、可用医疗资源数据、训练集合中的医疗推荐样本对应的历史用户就诊数据以及推荐关联特征，对初始医疗资源推荐模型进行训练，得到经过训练的初始医疗资源推荐模型；利用测试集合中的医疗推荐样本对应的历史用户就诊数据和推荐关联特征，对经过训练的初始医疗资源推荐模型进行测试和调整，得到医疗资源推荐模型。

具体地说，在本实施例中，将医疗推荐样本集合中的医疗推荐样本划分为独立的训练集合中和测试集合。其中训练集合用来训练模型，而测试集合用来测试经过训练的初始医疗资源推荐模型的推荐准确度等性能。在本步骤中，可以将医疗推荐样本集合中80％的医疗推荐样本划分至训练集合中，将剩余的20％的医疗推荐样本划分至测试集合中，利用逻辑回归算法、可用医疗资源数据、训练集合中的医疗推荐样本对应的历史用户就诊数据以及推荐关联特征，对初始医疗资源推荐模型进行训练，得到经过训练的初始医疗资源推荐模型；利用测试集合中的医疗推荐样本对应的历史用户就诊数据和推荐关联特征，测试经过训练的初始医疗资源推荐模型所输出的待推荐医疗资源数据的准确度。

具体地，随机地从训练集合选取一个医疗推荐样本，将该医疗推荐样本对应的历史用户病历数据中与推荐关联特征对应的数据输入至初始医疗资源推荐模型中，输出该医疗推荐样本对应的待推荐医疗资源数据，计算该待推荐医疗资源数据与该医疗推荐样本对应的历史用户就诊数据之间的损失，得到损失函数，根据损失函数，更新初始医疗资源推荐模型的权重参数。通过上述训练，得到经过训练的初始医疗资源推荐模型。

针对测试集合中的每个医疗推荐样本，将该医疗推荐样本对应的历史用户病历数据中与推荐关联特征对应的数据输入至经过训练的初始医疗资源推荐模型中，输出该医疗推荐样本对应的待推荐医疗资源数据，计算该待推荐医疗资源数据与该医疗推荐样本对应的历史用户就诊数据之间的损失，得到损失函数，根据损失函数，进行反向传播(backpropagation)运算，通过运算结果更新经过训练的初始医疗资源推荐模型的权重参数；循环迭代执行上述步骤，直至满足迭代结束条件，得到医疗资源推荐模型。其中，迭代结束条件可包括：迭代次数达到迭代次数阈值；和/或，损失函数的输出值小于损失阈值。那么可以通过判断迭代次数是否达到迭代次数阈值来判断是否满足迭代结束条件，也可以根据损失函数的输出值是否小于损失阈值来判断是否满足迭代结束条件。在满足迭代结束条件之后，停止迭代处理，从而得到医疗资源推荐模型。

另外，还可再通过人工输入不同的用户类型来测试医疗资源推荐模型是否达到预期。

S104:利用医疗资源推荐模型，为当前用户确定对应的待推荐医疗资源数据。

作为本实施例的一种改进的实现方式，步骤S104进一步用于：

接收用户端上传的当前用户病例数据；将当前用户病例数据输入至医疗资源推荐模型中，得到当前用户对应的待推荐医疗资源数据；将待推荐医疗资源数据反馈给用户端。

具体地，当前用户即新的患者可通过用户端设置的与病情相关的标签筛选项输入相关的病例数据，得到当前用户病例数据。用户端将当前用户病例数据上传至服务器，服务器接收用户端上传的当前用户病例数据，然后服务器利用医疗资源推荐模型对当前用户病例数据进行处理。若当前用户病例数据是按照推荐关联特征对应的特征项进行设置的，说明当前用户病例数据即为推荐关联特征对应的数据，那么可将当前用户病例数据输入至医疗资源推荐模型中，由医疗资源推荐模型进行处理，医疗资源推荐模型经处理后所输出的数据即为当前用户对应的待推荐医疗资源数据。若当前用户病例数据不是按照推荐关联特征对应的特征项进行设置的，那么服务器在接收到当前用户病例数据之后，还需按照推荐关联特征对应的特征项从当前用户病例数据中提取对应的数据，然后将所提取的数据输入至医疗资源推荐模型中，由医疗资源推荐模型进行处理，医疗资源推荐模型经处理后所输出的数据即为当前用户对应的待推荐医疗资源数据。

在得到待推荐医疗资源数据之后，服务器将待推荐医疗资源数据反馈给用户端，以向当前用户推荐医院和医生等。需要说明的是，该待推荐医疗资源数据中的医院数据和医生数据的选项可以为多项，当前用户可根据自身的额外需求进行再次筛选。

作为本实施例技术方案的一大改进，需要特别说明的是，该方法还包括步骤：

获取当前用户病历数据，获取与当前用户病历数据匹配的历史用户病历数据、历史医疗资源推荐数据以及历史用户就诊数据；若无与当前用户病历数据匹配的历史用户病历数据、历史医疗资源推荐数据以及历史用户就诊数据，获取可用医疗资源数据；根据可用医疗资源数据进行分析，得到当前用户病历数据对应的医疗资源推荐模型；利用当前用户病历数据对应的医疗资源推荐模型，为当前用户确定对应的待推荐医疗资源数据。

具体地说，在本步骤中，历史用户病例数据、历史医疗资源推荐数据以及历史用户就诊数据如果为空，即针对没有历史用户病例数据的疾病，可以根据可用医疗资源数据，得到当前用户病历数据对应的医疗资源推荐模型。其中，可用医疗资源数据可以通过网络上公开的医院和医生数据获得。也就是说，针对没有历史用户病例数据、历史医疗资源推荐数据以及历史用户就诊数据的疾病类型，根据患者(以癌症为例)的疾病类型、分期、病理类型、基因突变情况等因素，获取可用医疗资源数据(即医院和医生数据)，根据可用医疗资源数据获取医院和医生发表疾病相关文章数目等相关数据，根据上述数据进行数据分析，形成推荐模型(如根据相关文章数目多少或相关度进行排序)，根据该推荐模型对用户进行医疗资源推荐。

采用本实施例提供的方法，基于历史医疗数据训练得到医疗资源推荐模型，为之后或当前的用户精确匹配符合病情的医疗资源，根据用户的实际病情情况向其推荐医生和医院等医疗资源，使用户能够尽快找到对应的正确科室，帮助用户在短时间内匹配到合适的医疗资源，节省了医疗时间，方便用户找到合适的医院和医生，解决了医疗资源与患者之间信息不对称的问题。

实施例二

图2示出了本发明医疗资源推荐系统实施例的结构示意图。如图2所示，该系统包括：

第一数据获取模块201，用于获取历史用户病历数据、历史医疗资源推荐数据、历史用户就诊数据以及可用医疗资源数据。

样本构建模块202，用于利用所述历史用户病历数据、所述历史医疗资源推荐数据以及所述历史用户就诊数据，构建医疗推荐样本集合。

模型训练模块203，用于根据所述可用医疗资源数据和所述医疗推荐样本集合，训练得到医疗资源推荐模型。

在一种可选的实现方式中，模型训练模块203进一步用于：

针对医疗推荐样本集合中的每个医疗推荐样本，对该医疗推荐样本对应的历史用户病历数据和历史医疗资源推荐数据进行分析，得到该医疗推荐样本对应的推荐关联特征；根据可用医疗资源数据、医疗推荐样本集合中的医疗推荐样本对应的历史用户就诊数据以及推荐关联特征，训练得到医疗资源推荐模型。

在一种可选的实现方式中，模型训练模块203进一步用于：

对该医疗推荐样本对应的历史用户病历数据和历史医疗资源推荐数据进行特征提取，得到该医疗推荐样本对应的用户病历特征和医疗资源推荐特征；根据该医疗推荐样本对应的历史用户就诊数据，对用户病历特征和医疗资源推荐特征进行筛选处理，得到该医疗推荐样本对应的推荐关联特征。

在一种可选的实现方式中，模型训练模块203进一步用于：

将医疗推荐样本集合中的医疗推荐样本划分至训练集合中和测试集合中；利用逻辑回归算法、可用医疗资源数据、训练集合中的医疗推荐样本对应的历史用户就诊数据以及推荐关联特征，对初始医疗资源推荐模型进行训练，得到经过训练的初始医疗资源推荐模型；利用测试集合中的医疗推荐样本对应的历史用户就诊数据和推荐关联特征，对经过训练的初始医疗资源推荐模型进行测试和调整，得到医疗资源推荐模型。

推荐模块204，用于利用所述医疗资源推荐模型，为当前用户确定对应的待推荐医疗资源数据。

在一种可选的实现方式中，该系统还包括：第二数据获取模块205，用于接收用户端上传的当前用户病例数据。推荐模块204进一步用于：将当前用户病例数据输入至医疗资源推荐模型中，得到当前用户对应的待推荐医疗资源数据；将待推荐医疗资源数据反馈给用户端。

在一种可选的实现方式中，第二数据获取模块205进一步用于：获取与所述当前用户病历数据匹配的历史用户病历数据、历史医疗资源推荐数据以及历史用户就诊数据。模型训练模块203进一步用于：若无与当前用户病历数据匹配的历史用户病历数据、历史医疗资源推荐数据以及历史用户就诊数据，根据可用医疗资源数据进行分析，得到当前用户病历数据对应的医疗资源推荐模型。推荐模块204进一步用于：利用当前用户病历数据对应的医疗资源推荐模型，为当前用户确定对应的待推荐医疗资源数据。

采用本实施例提供的系统，基于历史医疗数据训练得到医疗资源推荐模型，为之后或当前的用户精确匹配符合病情的医疗资源，根据用户的实际病情情况向其推荐医生和医院等医疗资源，使用户能够尽快找到对应的正确科室，帮助用户在短时间内匹配到合适的医疗资源，节省了医疗时间，方便用户找到合适的医院和医生，解决了医疗资源与患者之间信息不对称的问题。

实施例三

本发明实施例提供了一种非易失性计算机存储介质，计算机存储介质存储有至少一可执行指令，该计算机可执行指令可执行上述任意方法实施例中的医疗资源推荐方法。

可执行指令具体可以用于使得处理器执行以下操作：

获取历史用户病历数据、历史医疗资源推荐数据、历史用户就诊数据以及可用医疗资源数据；

利用历史用户病历数据、历史医疗资源推荐数据以及历史用户就诊数据，构建医疗推荐样本集合；

根据可用医疗资源数据和医疗推荐样本集合，训练得到医疗资源推荐模型；

利用医疗资源推荐模型，为当前用户确定对应的待推荐医疗资源数据。

实施例四

图3示出了本发明计算设备实施例的结构示意图，本发明具体实施例并不对计算设备的具体实现做限定。

如图3所示，该计算设备可以包括：处理器(processor)、通信接口(Communications Interface)、存储器(memory)、以及通信总线。

其中：处理器、通信接口、以及存储器通过通信总线完成相互间的通信。通信接口，用于与其它设备比如客户端或其它服务器等的网元通信。处理器，用于执行程序，具体可以执行上述医疗资源推荐方法实施例中的相关步骤。

具体地，程序可以包括程序代码，该程序代码包括计算机操作指令。

处理器可能是中央处理器CPU，或者是特定集成电路ASIC(Application SpecificIntegrated Circuit)，或者是被配置成实施本发明实施例的一个或多个集成电路。服务器包括的一个或多个处理器，可以是同一类型的处理器，如一个或多个CPU；也可以是不同类型的处理器，如一个或多个CPU以及一个或多个ASIC。

存储器，用于存放程序。存储器可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。

程序具体可以用于使得处理器执行以下操作：

获取历史用户病历数据、历史医疗资源推荐数据、历史用户就诊数据以及可用医疗资源数据；

利用历史用户病历数据、历史医疗资源推荐数据以及历史用户就诊数据，构建医疗推荐样本集合；

根据可用医疗资源数据和医疗推荐样本集合，训练得到医疗资源推荐模型；

利用医疗资源推荐模型，为当前用户确定对应的待推荐医疗资源数据。

在此提供的算法或显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明实施例也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。

在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。

类似地，应当理解，为了精简本发明并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明实施例的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。

本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。

此外，本领域的技术人员能够理解，尽管在此的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。

本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。

应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。上述实施例中的步骤，除有特殊说明外，不应理解为对执行顺序的限定。

Claims (10)

1.一种医疗资源推荐方法，其特征在于，所述方法包括：

获取历史用户病历数据、历史医疗资源推荐数据、历史用户就诊数据以及可用医疗资源数据；

利用所述历史用户病历数据、所述历史医疗资源推荐数据以及所述历史用户就诊数据，构建医疗推荐样本集合；

根据所述可用医疗资源数据和所述医疗推荐样本集合，训练得到医疗资源推荐模型；

利用所述医疗资源推荐模型，为当前用户确定对应的待推荐医疗资源数据。

2.根据权利要求1所述的方法，其特征在于，所述方法还包括步骤：

获取当前用户病历数据，获取与所述当前用户病历数据匹配的历史用户病历数据、历史医疗资源推荐数据以及历史用户就诊数据；

若无与所述当前用户病历数据匹配的历史用户病历数据、历史医疗资源推荐数据以及历史用户就诊数据，获取可用医疗资源数据；

根据所述可用医疗资源数据进行分析，得到当前用户病历数据对应的医疗资源推荐模型；

利用所述当前用户病历数据对应的医疗资源推荐模型，为当前用户确定对应的待推荐医疗资源数据。

3.根据权利要求1所述的方法，其特征在于，所述根据所述可用医疗资源数据和所述医疗推荐样本集合，训练得到医疗资源推荐模型进一步包括：

针对所述医疗推荐样本集合中的每个医疗推荐样本，对该医疗推荐样本对应的历史用户病历数据和历史医疗资源推荐数据进行分析，得到该医疗推荐样本对应的推荐关联特征；

根据所述可用医疗资源数据、所述医疗推荐样本集合中的医疗推荐样本对应的历史用户就诊数据以及推荐关联特征，训练得到医疗资源推荐模型。

4.根据权利要求3所述的方法，其特征在于，所述对该医疗推荐样本对应的历史用户病历数据和历史医疗资源推荐数据进行分析，得到该医疗推荐样本对应的推荐关联特征进一步包括：

对该医疗推荐样本对应的历史用户病历数据和历史医疗资源推荐数据进行特征提取，得到该医疗推荐样本对应的用户病历特征和医疗资源推荐特征；

根据该医疗推荐样本对应的历史用户就诊数据，对所述用户病历特征和所述医疗资源推荐特征进行筛选处理，得到该医疗推荐样本对应的推荐关联特征。

5.根据权利要求3所述的方法，其特征在于，所述根据所述可用医疗资源数据、所述医疗推荐样本集合中的医疗推荐样本对应的历史用户就诊数据以及推荐关联特征，训练得到医疗资源推荐模型进一步包括：

将所述医疗推荐样本集合中的医疗推荐样本划分至训练集合中和测试集合中；

利用逻辑回归算法、所述可用医疗资源数据、所述训练集合中的医疗推荐样本对应的历史用户就诊数据以及推荐关联特征，对初始医疗资源推荐模型进行训练，得到经过训练的初始医疗资源推荐模型；

利用所述测试集合中的医疗推荐样本对应的历史用户就诊数据和推荐关联特征，对经过训练的初始医疗资源推荐模型进行测试和调整，得到医疗资源推荐模型。

6.根据权利要求1-5任一项所述的方法，其特征在于，所述利用所述医疗资源推荐模型，为当前用户确定对应的待推荐医疗资源数据进一步包括：

接收用户端上传的当前用户病例数据；

将所述当前用户病例数据输入至所述医疗资源推荐模型中，得到当前用户对应的待推荐医疗资源数据；

将所述待推荐医疗资源数据反馈给所述用户端。

7.一种医疗资源推荐系统，其特征在于，所述系统包括：

第一数据获取模块，用于获取历史用户病历数据、历史医疗资源推荐数据、历史用户就诊数据以及可用医疗资源数据；

样本构建模块，用于利用所述历史用户病历数据、所述历史医疗资源推荐数据以及所述历史用户就诊数据，构建医疗推荐样本集合；

模型训练模块，用于根据所述可用医疗资源数据和所述医疗推荐样本集合，训练得到医疗资源推荐模型；

推荐模块，用于利用所述医疗资源推荐模型，为当前用户确定对应的待推荐医疗资源数据。

8.根据权利要求7所述的系统，其特征在于，所述系统还包括：

第二数据获取模块，用于接收用户端上传的当前用户病例数据，获取与所述当前用户病历数据匹配的历史用户病历数据、历史医疗资源推荐数据以及历史用户就诊数据；

所述模型训练模块进一步用于：若无与所述当前用户病历数据匹配的历史用户病历数据、历史医疗资源推荐数据以及历史用户就诊数据，根据所述可用医疗资源数据进行分析，得到当前用户病历数据对应的医疗资源推荐模型；

所述推荐模块进一步用于：利用所述当前用户病历数据对应的医疗资源推荐模型，为当前用户确定对应的待推荐医疗资源数据。

9.一种计算设备，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；

所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行如权利要求1-6中任一项所述的医疗资源推荐方法对应的操作。

10.一种计算机存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令使处理器执行如权利要求1-6中任一项所述的医疗资源推荐方法对应的操作。

Images