CN111292846A - 一种能够提供智能问诊服务的云平台系统 - Google Patents
一种能够提供智能问诊服务的云平台系统 Download PDFInfo
- Publication number
- CN111292846A CN111292846A CN202010399991.0A CN202010399991A CN111292846A CN 111292846 A CN111292846 A CN 111292846A CN 202010399991 A CN202010399991 A CN 202010399991A CN 111292846 A CN111292846 A CN 111292846A
- Authority
- CN
- China
- Prior art keywords
- module
- information
- user
- cloud platform
- unit
- 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.)
- Pending
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
- G16H40/60—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 operation of medical equipment or devices
- G16H40/67—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 operation of medical equipment or devices for remote operation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/27—Replication, distribution or synchronisation of data between databases or within a distributed database system; Distributed database system architectures therefor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/02—Reservations, e.g. for tickets, services or events
-
- 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)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Epidemiology (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Entrepreneurship & Innovation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Economics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Strategic Management (AREA)
- Computing Systems (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明涉及云平台技术领域，具体地说，涉及一种能够提供智能问诊服务的云平台系统。包括云平台系统，包括预约单元、就诊单元和数据同步单元，所述预约单元用于用户预约就诊服务；所述就诊单元用于用户根据云平台分析信息进行就诊；所述数据同步单元用于将用户信息和用户就诊信息同步至云平台内。本发明能够初步了解用户信息，并根据用于信息进行分析并推荐合适的门诊数据，实现医院资源的整合，提高医院资源利用率，防止匹配不均衡，提升就诊体现，降低社会矛盾。
Description
技术领域
本发明涉及云平台技术领域，具体地说，涉及一种能够提供智能问诊服务的云平台系统。
背景技术
随着国家城镇化的推进，城市人口急速增加，造成资源匮乏，同时老龄化急剧增长，生活压力陡增，造成资源匹配不均衡，导致医疗服务滞后。目前，用户问诊都是自己去医院挂号、排队等候，由于医院资源的有限，用户想要挂到合适的门诊往往需大排长龙，且由于医院门诊体系尚未建立，外地患者初诊时往往直接到城市大医院，却通常遇上“人满为患”，导致出现看病难的问题。
发明内容
本发明的目的在于提供一种能够提供智能问诊服务的云平台系统，以解决上述背景技术中提出的问题。
为实现上述技术问题的解决，本发明的目的之一在于，提供一种能够提供智能问诊服务的云平台系统，包括预约单元、就诊单元和数据同步单元，所述预约单元用于用户预约就诊服务；所述就诊单元用于用户根据云平台分析信息进行就诊；所述数据同步单元用于将用户信息和用户就诊信息同步至云平台内。
作为本技术方案的进一步改进，所述预约单元包括个人信息登录模块、疾病信息描述模块、预约就诊医院模块、预约科室模块；所述人信息登录模块用于用户录入个人信息；所述疾病信息描述模块用于用户录入自己的疾病情况；所述预约就诊医院模块用于用户选择希望预约的医院；所述预约科室模块用于用户选择希望预约的科室。
所述个人信息包括年龄、性别、联系方式、籍贯所在地和目前居住所在地。
所述疾病情况包括过往病史、目前病例和病状描述。
所述人信息登录模块的页面设计使用两个TextBox控件，用来输入用户名和密码，两个Button控件，一个用于验证登录，另一个用于用户的重新登录，一个Label控件，显示系统的名称，用户登录模块实现的代码如下：
protected void LoginBtn_Click(object sender, ImageClickEventArgs e) {boolresault = user_b.selectUser(LoginCodeTxt.Text.Trim(),
PwdTxt.Text.Trim())；
int UserID = user_b.getUserID(LoginCodeTxt.Text.Trim())；
Session["UserID"] = UserID.ToString();
if (!resault)
{ ErrorMessageLab.Text = "用户名或密码出错"； return； }
else
{ Session["UserName"] = this.LoginCodeTxt.Text；
Session["Password"] = this.PwdTxt.Text；
Response.Redirect("Default.aspx")； }}
protected void ResetBtn_Click(object sender, ImageClickEventArgs e){ this.LoginCodeTxt.Text = ""；
this.PwdTxt.Text = ""； }。
作为本技术方案的进一步改进，所述就诊单元包括信息导入模块、医疗信息数据储存模块、智能推荐模块和就诊信息展示模块；所述信息导入模块用于将预约单元内预约的信息导入就诊单元内；所述医疗信息数据储存模块用于储存云平台内所有的医院信息；所述智能推荐模块用于根据预约单元导入的信息和医疗信息数据储存模块的信息进行对比，推荐就诊信息数据；所述就诊信息展示模块用于将智能推荐模块推荐的就诊信息反馈至用户。
所述医院信息包括医院名称信息、医院科室信息、医院位置信息和医院专家信息。
作为本技术方案的进一步改进，所述智能推荐模块包括关键字对比模块、距离推荐模块和自主学习模块；所述关键字对比模块用于根据用户提供的预约信息对比医疗信息数据储存模块内储存的信息，匹配对应的医院信息；所述距离推荐模块用于根据用户提供的预约信息和关键字匹配的医院信息的位置进行排序；所述自主学习模块用于完善智能推荐模块匹配效率。
作为本技术方案的进一步改进，所述关键字对比模块采用TF-IDF匹配算法，其公式如下：
式中
为中i和j的文本数量， 
为包含i的文本数量，N文本的总数。
TF-IDF匹配算法的代码如下：
#!D:/workplace/python
#-*-coding:utf-8-*-
#@File:TF-IDF.py
#@Author:WangYe
#@Date:2018/7/23
#@Software:PyCharm
importnumpyasnp
importcollections
importjieba
fromsklearn.feature_extraction.textimportTfidfTransformer
fromsklearn.feature_extraction.textimportCountVectorizer#词频矩阵
defreadfile():
path="C:/Users/wy/Desktop/jieba.txt"
a=[]#存放去掉字符的文本
withopen(path,'r',encoding='utf-8')asf:
forlineinf:
produce1=line.replace('，','').replace('、','').replace('、','').\
replace('//','').replace('/','')
#print(produce1)
a.append(produce1)
path1="C:/Users/wy/Desktop/quci.txt"
withopen(path1,'w',encoding='utf-8')asf:
foriina:
f.write(str(i))
#print(a[0])
#b=a[0]
#print(b[1])
#print(a)
f.close()
returna
defTF_IDF():
vectorizer=CountVectorizer()#该类会将文本中的词语转换为词频矩阵，矩阵元素a[i][j]表示j词在i类文本下的词频
transformer=TfidfTransformer()#该类会统计每个词语的tf-idf权值
'''测试词频矩阵'''
b=[]
forcishuinrange(100):
b.append(readfile()[cishu])
test_cipin=vectorizer.fit_transform(b)
#print(test_cipin.toarray)
print(test_cipin.toarray())#获取次品矩阵
print(vectorizer.get_feature_names())#词带将会存储来vectorizer
'''测试结束'''
'''测试tf-idf'''
test_tfidf=transformer.fit_transform(test_cipin)#if-idf中的输入为已经处理过的词频矩阵
print(test_tfidf.toarray())#输出词频矩阵的IF-IDF值
print(test_tfidf.toarray().shape)
'''测试结束'''
print("请输出要查询的内容:\n")
input_text=input()
input_text_jieba=jieba.cut(input_text)
'''开始处理输入文本，构建对应的词频矩阵'''
coll=collections.Counter(input_text_jieba)
new_vectorizer=[]
forwordinvectorizer.get_feature_names():#原始词频
new_vectorizer.append(coll[word])#构建输入的全新词频
print(new_vectorizer)
'''全新词带构建完成'''
'''原始词频的TF-IDF词频矩阵进行转置'''
new_tfidf=np.array(test_tfidf.toarray()).T
#print(new_tfidf)
#print(new_tfidf.shape)
'''矩阵相乘'''
new_vectorizer=np.array(new_vectorizer).reshape(1,len(new_vectorizer))
#print(new_vectorizer)
scores=np.dot(new_vectorizer,new_tfidf)
print('预测结果是：')
print(scores)
print(type(scores))
#print(type(scores))
new_scores=list(scores[0])#将得分的一维矩阵转换为列表
#print(new_scores)
#print(type(new_scores))
#print(new_scores[9])
max_location=sorted(enumerate(new_scores),key=lambdax:x[1])#列表坐标排序，转换为元组
max_location.reverse()#上面默认为从小到大，将他逆序
final_location=[]
foriinrange(3):#在元组中找到匹配度最高的三个数的坐标
print(max_location[i][0])
print(max_location[i][1])
final_location.append(max_location[i][0])
print("最近匹配到：")
foriinrange(3):
print(b[final_location[i]])
#foriinrange(3):
#print(max_location[len(max_location)-i])
#max_location=new_scores.index(max(new_scores))
#print(b[max_location])
if__name__=='__main__':
#readfile()
TF_IDF()。
作为本技术方案的进一步改进，所述距离推荐模块采用曼哈顿距离算法，其公式为：
其中，
为距离，医院坐标为
，用户住址坐标为
。
作为本技术方案的进一步改进，所述自主学习模块采用生成对抗网络模型智能学习方法，其步骤如下：
S1、建立生成器，将未匹配成功的数据输入生成器G；
S2、映射样本，采用多层感知机的网络结构，用MLP的参数来表示可导映射G(z)，将输入空间映射到样本空间；
S3、建立判别器：将匹配成功的数据和生成器G映射的样本G(z)输入判别器D；
S4、输出结果：采用“Sigmoid函数”变换以“0”和“1”表示判别器D的最终判别结果。
判别器D的优化目标为：
生成器G的优化目标为：
作为本技术方案的进一步改进，所述数据同步单元基于J2EE服务器方式实现。采用servlet 技术实现与移动终端实现信号交互，J2EE 服务器只需要在机房安装一台小型机做为服务器硬件，同时申请一个域名，即可实现全网点的信息共享，用户只需与服务器进行交互就可实现用户数据同步储存，同时还具有向用户或网点反馈信息的功能。
本发明的目的之二在于，提供一种能够提供智能问诊服务的云平台装置，包括处理器、存储器以及存储在存储器中并在处理器上运行的计算机程序，处理器用于执行计算机程序时实现上述任一的能够提供智能问诊服务的云平台系统。
本发明的目的之三在于，所述计算机可读存储介质存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现上述任一的能够提供智能问诊服务的云平台系统。
与现有技术相比，本发明的有益效果：该能够提供智能问诊服务的云平台系统中，采用预约单元，能够初步了解用户信息，并根据用于信息进行分析并推荐合适的门诊数据，实现医院资源的整合，提高医院资源利用率，防止匹配不均衡，提升就诊体现，降低社会矛盾。
附图说明
图1为实施例1的云平台系统框图；
图2为实施例1的预约单元模块框图；
图3为实施例1的就诊单元模块框图；
图4为实施例1的智能推荐模块框图；
图5为实施例1的生成对抗网络模型智能学习方法流程框图；
图6为实施例1的云平台装置结构示意图。
图中各个标号意义为：
100、预约单元；101、个人信息登录模块；102、疾病信息描述模块；103、预约就诊医院模块；104、预约科室模块；
200、就诊单元；201、信息导入模块；202、医疗信息数据储存模块；203、智能推荐模块；2031、关键字对比模块；2032、距离推荐模块；2033、自主学习模块；204、就诊信息展示模块；
300、数据同步单元。
具体实施方式
下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
实施例1
如图1-6所示，本实施例提供一种能够提供智能问诊服务的云平台系统，包括预约单元100、就诊单元200和数据同步单元300，预约单元100用于用户预约就诊服务；就诊单元200用于用户根据云平台分析信息进行就诊；数据同步单元300用于将用户信息和用户就诊信息同步至云平台内。
本实施例中，预约单元100包括个人信息登录模块101、疾病信息描述模块102、预约就诊医院模块103、预约科室模块104；人信息登录模块101用于用户录入个人信息；疾病信息描述模块102用于用户录入自己的疾病情况；预约就诊医院模块103用于用户选择希望预约的医院；预约科室模块104用于用户选择希望预约的科室。
其中，个人信息包括年龄、性别、联系方式、籍贯所在地和目前居住所在地。
其中，疾病情况包括过往病史、目前病例和病状描述。
其中，人信息登录模块101的页面设计使用两个TextBox控件，用来输入用户名和密码，两个Button控件，一个用于验证登录，另一个用于用户的重新登录，一个Label控件，显示系统的名称，用户登录模块实现的代码如下：
protected void LoginBtn_Click(object sender, ImageClickEventArgs e) {bool resault = user_b.selectUser(LoginCodeTxt.Text.Trim(),
PwdTxt.Text.Trim())；
int UserID = user_b.getUserID(LoginCodeTxt.Text.Trim())；
Session["UserID"] = UserID.ToString();
if (!resault)
{ ErrorMessageLab.Text = "用户名或密码出错"； return； }
else
{ Session["UserName"] = this.LoginCodeTxt.Text；
Session["Password"] = this.PwdTxt.Text；
Response.Redirect("Default.aspx")； }}
protected void ResetBtn_Click(object sender, ImageClickEventArgs e){ this.LoginCodeTxt.Text = ""；
this.PwdTxt.Text = ""； }。
进一步的，就诊单元200包括信息导入模块201、医疗信息数据储存模块202、智能推荐模块203和就诊信息展示模块204；信息导入模块201用于将预约单元100内预约的信息导入就诊单元200内；医疗信息数据储存模块202用于储存云平台内所有的医院信息；智能推荐模块203用于根据预约单元100导入的信息和医疗信息数据储存模块202的信息进行对比，推荐就诊信息数据；就诊信息展示模块204用于将智能推荐模块203推荐的就诊信息反馈至用户。
其中，医院信息包括医院名称信息、医院科室信息、医院位置信息和医院专家信息。
具体的，智能推荐模块203包括关键字对比模块2031、距离推荐模块2032和自主学习模块2033；关键字对比模块2031用于根据用户提供的预约信息对比医疗信息数据储存模块202内储存的信息，匹配对应的医院信息；距离推荐模块2032用于根据用户提供的预约信息和关键字匹配的医院信息的位置进行排序；自主学习模块2033用于完善智能推荐模块203匹配效率。
再进一步的，关键字对比模块2031采用TF-IDF匹配算法，其公式如下：
式中
为中i和j的文本数量，
为包含i的文本数量，N文本的总数。
其中，TF-IDF匹配算法的代码如下：
#!D:/workplace/python
#-*-coding:utf-8-*-
#@File:TF-IDF.py
#@Author:WangYe
#@Date:2018/7/23
#@Software:PyCharm
importnumpyasnp
importcollections
importjieba
fromsklearn.feature_extraction.textimportTfidfTransformer
fromsklearn.feature_extraction.textimportCountVectorizer#词频矩阵
defreadfile():
path="C:/Users/wy/Desktop/jieba.txt"
a=[]#存放去掉字符的文本
withopen(path,'r',encoding='utf-8')asf:
forlineinf:
produce1=line.replace('，','').replace('、','').replace('、','').\
replace('//','').replace('/','')
#print(produce1)
a.append(produce1)
path1="C:/Users/wy/Desktop/quci.txt"
withopen(path1,'w',encoding='utf-8')asf:
foriina:
f.write(str(i))
#print(a[0])
#b=a[0]
#print(b[1])
#print(a)
f.close()
returna
defTF_IDF():
vectorizer=CountVectorizer()#该类会将文本中的词语转换为词频矩阵，矩阵元素a[i][j]表示j词在i类文本下的词频
transformer=TfidfTransformer()#该类会统计每个词语的tf-idf权值
'''测试词频矩阵'''
b=[]
forcishuinrange(100):
b.append(readfile()[cishu])
test_cipin=vectorizer.fit_transform(b)
#print(test_cipin.toarray)
print(test_cipin.toarray())#获取次品矩阵
print(vectorizer.get_feature_names())#词带将会存储来vectorizer
'''测试结束'''
'''测试tf-idf'''
test_tfidf=transformer.fit_transform(test_cipin)#if-idf中的输入为已经处理过的词频矩阵
print(test_tfidf.toarray())#输出词频矩阵的IF-IDF值
print(test_tfidf.toarray().shape)
'''测试结束'''
print("请输出要查询的内容:\n")
input_text=input()
input_text_jieba=jieba.cut(input_text)
'''开始处理输入文本，构建对应的词频矩阵'''
coll=collections.Counter(input_text_jieba)
new_vectorizer=[]
forwordinvectorizer.get_feature_names():#原始词频
new_vectorizer.append(coll[word])#构建输入的全新词频
print(new_vectorizer)
'''全新词带构建完成'''
'''原始词频的TF-IDF词频矩阵进行转置'''
new_tfidf=np.array(test_tfidf.toarray()).T
#print(new_tfidf)
#print(new_tfidf.shape)
'''矩阵相乘'''
new_vectorizer=np.array(new_vectorizer).reshape(1,len(new_vectorizer))
#print(new_vectorizer)
scores=np.dot(new_vectorizer,new_tfidf)
print('预测结果是：')
print(scores)
print(type(scores))
#print(type(scores))
new_scores=list(scores[0])#将得分的一维矩阵转换为列表
#print(new_scores)
#print(type(new_scores))
#print(new_scores[9])
max_location=sorted(enumerate(new_scores),key=lambdax:x[1])#列表坐标排序，转换为元组
max_location.reverse()#上面默认为从小到大，将他逆序
final_location=[]
foriinrange(3):#在元组中找到匹配度最高的三个数的坐标
print(max_location[i][0])
print(max_location[i][1])
final_location.append(max_location[i][0])
print("最近匹配到：")
foriinrange(3):
print(b[final_location[i]])
#foriinrange(3):
#print(max_location[len(max_location)-i])
#max_location=new_scores.index(max(new_scores))
#print(b[max_location])
if__name__=='__main__':
#readfile()
TF_IDF()。
此外，距离推荐模块2032采用曼哈顿距离算法，其公式为：
其中，
为距离，医院坐标为
，用户住址坐标为
。
除此之外，自主学习模块2033采用生成对抗网络模型智能学习方法，其步骤如下：
S1、建立生成器，将未匹配成功的数据输入生成器G；
S2、映射样本，采用多层感知机的网络结构，用MLP的参数来表示可导映射G(z)，将输入空间映射到样本空间；
S3、建立判别器：将匹配成功的数据和生成器G映射的样本G(z)输入判别器D；
S4、输出结果：采用“Sigmoid函数”变换以“0”和“1”表示判别器D的最终判别结果。
其中，判别器D的优化目标为：
其中，生成器G的优化目标为：
值得说明的是，数据同步单元300基于J2EE服务器方式实现。采用servlet 技术实现与移动终端实现信号交互，J2EE 服务器只需要在机房安装一台小型机做为服务器硬件，同时申请一个域名，即可实现全网点的信息共享，用户只需与服务器进行交互就可实现用户数据同步储存，同时还具有向用户或网点反馈信息的功能。
参阅图6，示出了本实施例所涉及的提供一种能够提供智能问诊服务的云平台装置结构示意图，该装置包括处理器、存储器和总线。
处理器包括一个或一个以上处理核心，处理器通过总线与处理器相连，存储器用于存储程序指令，处理器执行存储器中的程序指令时实现上述的能够提供智能问诊服务的云平台系统。
可选的，存储器可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随时存取存储器（SRAM），电可擦除可编程只读存储器（EEPROM），可擦除可编程只读存储器（EPROM），可编程只读存储器（PROM），只读存储器（ROM），磁存储器，快闪存储器，磁盘或光盘。
此外，本发明还提供一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现上述的能够提供智能问诊服务的云平台系统。
可选的，本发明还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述各方面能够提供智能问诊服务的云平台系统。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，的程序可以存储与一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的仅为本发明的优选例，并不用来限制本发明，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (7)
1.一种能够提供智能问诊服务的云平台系统，其特征在于：包括预约单元（100）、就诊单元（200）和数据同步单元（300），所述预约单元（100）用于用户预约就诊服务；所述就诊单元（200）用于用户根据云平台分析信息进行就诊；所述数据同步单元（300）用于将用户信息和用户就诊信息同步至云平台内；所述预约单元（100）包括个人信息登录模块（101）、疾病信息描述模块（102）、预约就诊医院模块（103）、预约科室模块（104）；所述人信息登录模块（101）用于用户录入个人信息；所述疾病信息描述模块（102）用于用户录入自己的疾病情况；所述预约就诊医院模块（103）用于用户选择希望预约的医院；所述预约科室模块（104）用于用户选择希望预约的科室；所述就诊单元（200）包括信息导入模块（201）、医疗信息数据储存模块（202）、智能推荐模块（203）和就诊信息展示模块（204）；所述信息导入模块（201）用于将预约单元（100）内预约的信息导入就诊单元（200）内；所述医疗信息数据储存模块（202）用于储存云平台内所有的医院信息；所述智能推荐模块（203）用于根据预约单元（100）导入的信息和医疗信息数据储存模块（202）的信息进行对比，推荐就诊信息数据；所述就诊信息展示模块（204）用于将智能推荐模块（203）推荐的就诊信息反馈至用户；所述智能推荐模块（203）包括关键字对比模块（2031）、距离推荐模块（2032）和自主学习模块（2033）；所述关键字对比模块（2031）用于根据用户提供的预约信息对比医疗信息数据储存模块（202）内储存的信息，匹配对应的医院信息；所述距离推荐模块（2032）用于根据用户提供的预约信息和关键字匹配的医院信息的位置进行排序；所述自主学习模块（2033）用于完善智能推荐模块（203）匹配效率。
2.根据权利要求1所述的能够提供智能问诊服务的云平台系统，其特征在于：所述关键字对比模块（2031）采用TF-IDF匹配算法，其公式如下：
式中
为中i和j的文本数量，
为包含i的文本数量，N文本的总数。
3.根据权利要求1所述的能够提供智能问诊服务的云平台系统，其特征在于：所述距离推荐模块（2032）采用曼哈顿距离算法，其公式为：
其中，
为距离，医院坐标为
，用户住址坐标为
。
4.根据权利要求1所述的能够提供智能问诊服务的云平台系统，其特征在于：所述自主学习模块（2033）采用生成对抗网络模型智能学习方法，其步骤如下：
S1、建立生成器，将未匹配成功的数据输入生成器G；
S2、映射样本，采用多层感知机的网络结构，用MLP的参数来表示可导映射G(z)，将输入空间映射到样本空间；
S3、建立判别器：将匹配成功的数据和生成器G映射的样本G(z)输入判别器D；
S4、输出结果：采用“Sigmoid函数”变换以“0”和“1”表示判别器D的最终判别结果。
5.根据权利要求1所述的能够提供智能问诊服务的云平台系统，其特征在于：所述数据同步单元（300）基于J2EE服务器方式实现。
6.一种能够提供智能问诊服务的云平台装置，其特征在于：包括处理器、存储器以及存储在存储器中并在处理器上运行的计算机程序，处理器用于执行计算机程序时实现如权利要求1-5中任一所述的能够提供智能问诊服务的云平台系统。
7.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，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1-5中任一所述的能够提供智能问诊服务的云平台系统。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010399991.0A CN111292846A (zh) | 2020-05-13 | 2020-05-13 | 一种能够提供智能问诊服务的云平台系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010399991.0A CN111292846A (zh) | 2020-05-13 | 2020-05-13 | 一种能够提供智能问诊服务的云平台系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111292846A true CN111292846A (zh) | 2020-06-16 |
Family
ID=71024930
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010399991.0A Pending CN111292846A (zh) | 2020-05-13 | 2020-05-13 | 一种能够提供智能问诊服务的云平台系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111292846A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112102954A (zh) * | 2020-09-02 | 2020-12-18 | 南京江北新区科技投资集团有限公司 | 一种能够提供智慧医疗服务的大数据分析云平台系统 |
| CN115376668A (zh) * | 2022-08-30 | 2022-11-22 | 温州城市智慧健康有限公司 | 一种应用于智慧医疗的大数据业务分析方法及系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104240168A (zh) * | 2014-09-12 | 2014-12-24 | 上海市第十人民医院 | 一种基于就医焦虑管理的全流程微信服务号 |
| CN106407721A (zh) * | 2016-11-10 | 2017-02-15 | 上海电机学院 | 一种可实现分级诊疗的医生预约挂号方法 |
| CN110491484A (zh) * | 2018-08-15 | 2019-11-22 | 上海好医通健康信息咨询有限公司 | 一种基于智慧社区的智慧医疗系统及实现方法 |
| CN110673860A (zh) * | 2019-09-24 | 2020-01-10 | 江苏医健大数据保护与开发有限公司 | 智能云数据中心建设与运营部署系统及方法 |
-
2020
- 2020-05-13 CN CN202010399991.0A patent/CN111292846A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104240168A (zh) * | 2014-09-12 | 2014-12-24 | 上海市第十人民医院 | 一种基于就医焦虑管理的全流程微信服务号 |
| CN106407721A (zh) * | 2016-11-10 | 2017-02-15 | 上海电机学院 | 一种可实现分级诊疗的医生预约挂号方法 |
| CN110491484A (zh) * | 2018-08-15 | 2019-11-22 | 上海好医通健康信息咨询有限公司 | 一种基于智慧社区的智慧医疗系统及实现方法 |
| CN110673860A (zh) * | 2019-09-24 | 2020-01-10 | 江苏医健大数据保护与开发有限公司 | 智能云数据中心建设与运营部署系统及方法 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112102954A (zh) * | 2020-09-02 | 2020-12-18 | 南京江北新区科技投资集团有限公司 | 一种能够提供智慧医疗服务的大数据分析云平台系统 |
| CN115376668A (zh) * | 2022-08-30 | 2022-11-22 | 温州城市智慧健康有限公司 | 一种应用于智慧医疗的大数据业务分析方法及系统 |
| CN115376668B (zh) * | 2022-08-30 | 2024-03-08 | 温州城市智慧健康有限公司 | 一种应用于智慧医疗的大数据业务分析方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Spinelli et al. | Viral suppression rates in a safety-net HIV clinic in San Francisco destabilized during COVID-19 | |
| US8805756B2 (en) | Enhanced DeepQA in a medical environment | |
| WO2019203880A1 (en) | Intent identification for agent matching by assistant systems | |
| CN109543863A (zh) | 一种就医任务管理方法、服务器及存储介质 | |
| AU2021269307A1 (en) | Genetic and genealogical analysis for identification of birth location and surname information | |
| CN109817312A (zh) | 一种就诊引导方法及计算机设备 | |
| US11316833B2 (en) | System, method, and recording medium for preventing back propogation of data protection | |
| Hilgard et al. | Does a scientific breakthrough increase confidence in science? News of a Zika vaccine and trust in science | |
| CN111785371A (zh) | 医疗服务方法、装置、计算机设备及存储介质 | |
| US10936962B1 (en) | Methods and systems for confirming an advisory interaction with an artificial intelligence platform | |
| WO2021139477A1 (zh) | 智能就医方法、装置、计算机设备及存储介质 | |
| Krishnamoorthy et al. | An M| G| 1 retrial queue with nonpersistent customers and orbital search | |
| CN101916332A (zh) | 人体医学表面症状自动诊断装置 | |
| CN111292846A (zh) | 一种能够提供智能问诊服务的云平台系统 | |
| CN112102954A (zh) | 一种能够提供智慧医疗服务的大数据分析云平台系统 | |
| CN109299238B (zh) | 一种数据查询方法和装置 | |
| US11967416B2 (en) | Image analysis and insight generation | |
| US20210133627A1 (en) | Methods and systems for confirming an advisory interaction with an artificial intelligence platform | |
| CN114969542A (zh) | 一种信息推送方法、服务端、装置和系统 | |
| US20220050837A1 (en) | Selectively targeting content section for cognitive analytics and search | |
| Calapodescu et al. | Semi-Automatic De-identification of Hospital Discharge Summaries with Natural Language Processing: A Case-Study of Performance and Real-World Usability | |
| CN112200961A (zh) | 页面生成方法、装置、系统、电子设备和计算机可读介质 | |
| CN111209407A (zh) | 数据处理方法、装置、电子设备和计算机可读存储介质 | |
| CN109388253A (zh) | 护理记录录入方法、装置、设备及计算机可读存储介质 | |
| US20240105346A1 (en) | Optimizing messaging to service principals using machine learning |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200616 |
|
| RJ01 | Rejection of invention patent application after publication |