CN111415760B - 医生推荐方法、系统、计算机设备及存储介质 - Google Patents
医生推荐方法、系统、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN111415760B CN111415760B CN202010224207.2A CN202010224207A CN111415760B CN 111415760 B CN111415760 B CN 111415760B CN 202010224207 A CN202010224207 A CN 202010224207A CN 111415760 B CN111415760 B CN 111415760B
- Authority
- CN
- China
- Prior art keywords
- information
- patient
- doctor
- department
- target
- 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
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
- G16H80/00—ICT specially adapted for facilitating communication between medical practitioners or patients, e.g. for collaborative diagnosis, therapy or health monitoring
-
- 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
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- 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
- G06F16/958—Organisation or management of web site content, e.g. publishing, maintaining pages or automatic linking
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Pathology (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Epidemiology (AREA)
- Biomedical Technology (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本方案涉及一种医生推荐方法。所述方法包括:获取患者选择的患者信息,并查找与患者信息对应的目标科室;根据患者信息以及目标科室查找各个医生标识;从数据库中分别确定与各个医生标识对应的各个治疗效果数据;根据各个治疗效果数据确定目标医生标识,并推荐与目标医生标识对应的医生。患者可以根据自己的情况选择患者信息,服务器在获取到患者信息后,可以对患者信息对应的科室进行确定,从而查找医生标识和治疗效果数据,进而根据治疗效果数据推荐医生,提高了医生推荐的准确性。
Description
技术领域
本发明涉及计算机技术领域,特别是涉及一种医生推荐方法、系统、计算机设备及存储介质。
背景技术
选择合适的医院以及医生对于患者来说至关重要,由于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,且患者缺乏医疗专业知识,很难找到擅长自己病情的医院和医生,且医疗机构和医生的数目不断增长,患者就医时往往盲目的选择医生。因此,医疗健康类软件的设计应运而生,设计一款医疗系统不但可以解决医疗资源分布不均匀的问题,而且可以方便患者就医以及与医护人员之间的合作与交流,让用户更加方便快捷地预约付费、诊断咨询,让医院医生的服务更加高效、灵活。目前,市场上出现了一些在线诊疗平台为患者提供服务,例如小鹿医馆、大家中医、平安好医生、春雨医生等。
然而,传统的诊疗平台为患者推荐医生时,往往存在推荐不准确的问题。
发明内容
基于此,为了解决上述技术问题,提供一种医生推荐方法、系统、计算机设备及存储介质,可以提高医生推荐的准确性。
一种医生推荐方法,所述方法包括:
获取患者选择的患者信息,并查找与所述患者信息对应的目标科室;
根据所述患者信息以及所述目标科室查找各个医生标识;
从数据库中分别确定与各个所述医生标识对应的各个治疗效果数据;
根据各个所述治疗效果数据确定目标医生标识,并推荐与所述目标医生标识对应的医生。
在其中一个实施例中,所述查找与所述患者信息对应的目标科室,包括:
分别提取所述患者信息中包含的患者症状、患者疾病名称、患者选择的科室;
查找与所述患者疾病名称或者所述患者症状对应的科室;
当所述患者疾病名称或者所述患者症状对应的科室与所述患者选择的科室一致时,将所述患者选择的科室作为所述目标科室;
当所述患者疾病名称或者所述患者症状对应的科室与所述患者选择的科室不一致时,将所述患者疾病名称或者所述患者症状对应的科室作为所述目标科室。
在其中一个实施例中,所述方法还包括:
获取与所述医生标识对应的历史患者信息;
查找与所述历史患者信息对应的病历信息,并根据所述病历信息得到第一判断结果;
获取与所述历史患者信息对应的评论信息,并根据所述评论信息得到第二判断结果;
获取与所述医生标识对应的医生信息,并根据所述医生信息得到第三判断结果;
根据所述第一判断结果、所述第二判断结以及果所述第三判断结果,生成与所述历史患者信息对应的所述医生标识的治疗效果数据。
在其中一个实施例中,所述根据所述病历信息得到第一判断结果,包括:
提取所述病历信息中的当前病历信息以及历史病历信息;
获取与所述病历信息对应的标准信息;所述标准信息用于表示正常人体的身体信息;
计算所述当前病历信息与所述标准信息的第一差异信息,并计算所述历史病历信息与所述标准信息的第二差异信息;
根据所述第一差异信息以及所述第二差异信息,生成所述第一判断结果。
在其中一个实施例中,所述根据所述评论信息得到第二判断结果,包括:
对所述评论信息进行大数据分析,得到大数据分析结果;
根据所述大数据分析结果确定所述评论信息是否为垃圾信息;
当所述评论信息不是垃圾信息时,根据所述评论信息得到所述第二判断结果。
在其中一个实施例中,所述根据各个所述治疗效果数据确定目标医生标识,并推荐与所述目标医生标识对应的医生,包括:
根据各个所述治疗效果数据对各个所述医生标识进行排序,得到排序后的医生标识列表;
获取医生数量阈值,并从所述医生标识列表中依次获取与所述医生数量阈值相同数量的医生标识;
将与所述医生数量阈值相同数量的医生标识作为目标医生标识,并推荐与所述目标医生标识对应的医生。
一种医生推荐系统,所述系统包括:
目标科室获取模块,用于获取患者选择的患者信息,并查找与所述患者信息对应的目标科室;
医生标识查找模块,用于根据所述患者信息以及所述目标科室查找各个医生标识;
治疗效果数据获取模块,用于从数据库中分别确定与各个所述医生标识对应的各个治疗效果数据;
医生推荐模块,用于根据各个所述治疗效果数据确定目标医生标识,并推荐与所述目标医生标识对应的医生
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
获取患者选择的患者信息,并查找与所述患者信息对应的目标科室;
根据所述患者信息以及所述目标科室查找各个医生标识;
从数据库中分别确定与各个所述医生标识对应的各个治疗效果数据;
根据各个所述治疗效果数据确定目标医生标识,并推荐与所述目标医生标识对应的医生。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
获取患者选择的患者信息,并查找与所述患者信息对应的目标科室;
根据所述患者信息以及所述目标科室查找各个医生标识;
从数据库中分别确定与各个所述医生标识对应的各个治疗效果数据;
根据各个所述治疗效果数据确定目标医生标识,并推荐与所述目标医生标识对应的医生。
上述医生推荐方法、系统、计算机设备及存储介质,通过获取患者选择的患者信息,并查找与患者信息对应的目标科室;根据患者信息以及目标科室查找各个医生标识;从数据库中分别确定与各个医生标识对应的各个治疗效果数据;根据各个治疗效果数据确定目标医生标识,并推荐与目标医生标识对应的医生。患者可以根据自己的情况选择患者信息,服务器在获取到患者信息后,可以对患者信息对应的科室进行确定,从而查找医生标识和治疗效果数据,进而根据治疗效果数据推荐医生,提高了医生推荐的准确性。
附图说明
图1为一个实施例中医生推荐方法的应用环境图;
图2为一个实施例中医生推荐方法的方法流程图;
图3为一个实施例中生成治疗效果数据的方法流程图;
图4为一个实施例中医生推荐系统的结构图;
图5为另一个实施例中医生推荐系统的结构图;
图6为一个实施例中服务器的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
可以理解,本申请所使用的术语“第一”、“第二”等可在本文中用于描述判断结果,但这些判断结果不受这些术语限制。这些术语仅用于将第一个判断结果与另一个判断结果区分。举例来说,在不脱离本申请的范围的情况下,可以将第一判断结果称为第二判断结果,且类似地,可将第二判断结果称为第一判断结果。第一判断结果和第二判断结果两者都是判断结果,但其不是同一判断结果。
本申请实施例提供的医生推荐方法,可以应用于如图1所示的应用环境中。如图1所示,该应用环境包括计算机设备110、服务器120。计算机设备110可以获取患者选择的患者信息,并将获取到的患者信息发送给服务器120,服务器120可以查找与患者信息对应的目标科室;服务器120可以根据患者信息以及目标科室查找各个医生标识;从数据库中分别确定与各个医生标识对应的各个治疗效果数据;服务器120可以根据各个治疗效果数据确定目标医生标识,并推荐与目标医生标识对应的医生,并将推荐的医生信息发送给计算机设备110,计算机设备110可以在显示屏中显示推荐的医生信息。其中,计算机设备110可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备等;服务器120可以是单个服务器,还可以是服务器集群、云服务器等。
在一个实施例中,如图2所示,提供了一种医生推荐方法,包括以下步骤:
步骤202,获取患者选择的患者信息,并查找与患者信息对应的目标科室。
患者可以通过计算机设备对自身的患者信息进行选择,具体的,计算机设备可以在显示屏中显示患者信息,患者可以根据自身的身体状况对患者信息进行选择。其中,患者信息可以包含有症状、科室、疾病等信息;如果患者以前就该疾病就诊过,患者信息中还可以包含诊断数据。其中,诊断数据可以包括中医中的证型分析结果、望闻问切辅助结论,以及西医中的诊断结论。
计算机设备获取到患者选择的患者信息后,可以将患者信息发送给服务器,服务器可以查找与患者信息对应的目标科室,其中,目标科室可以用于表示与患者信息对应的标准科室。
步骤204,根据患者信息以及目标科室查找各个医生标识。
医生标识可以用于区分不同的医生,具体的,医生标识可以是一串数字,也可以是医生的姓名。服务器可以根据患者信息获取到目标科室,每个科室中都可以包含有多个医生标识,服务器可以根据患者信息从目标科室中查找各个医生标识。
步骤206,从数据库中分别确定与各个医生标识对应的各个治疗效果数据。
其中,治疗效果数据中可以包含有历史患者对医生的治疗评价,还可以包含有历史患者的治疗效果等数据,治疗效果数据可以存储在数据库中。治疗效果数据可以与医生标识相对应,数据库中还可以存储有治疗效果数据与医生标识之间的对应关系。具体的,治疗效果数据可以用于表示医生标识对应的医生,所治疗过的患者的患者疾病对应的数据。服务器获取到各个医生标识后,可以根据数据库中存储的对应关系,分别查找到各个医生标识对应的各个治疗效果数据。
步骤208,根据各个治疗效果数据确定目标医生标识,并推荐与目标医生标识对应的医生。
服务器获取到各个治疗效果数据后,可以根据各个治疗效果数据确定目标医生标识,并推荐与目标医生标识对应的医生。具体的,计算机设备可以将推荐的医生以及医生个人信息展示在显示屏中,供患者选择。
在本实施例中,治疗效果数据中可以包含有诊断数据,诊断数据中可以包括中医中的证型分析结果、望闻问切辅助结论,以及西医中的诊断结论。如果患者在选择的患者信息时有录入诊断数据,服务器可以匹配诊断数据。例如,患者选择的患者信息中,选择的患者症状是咳嗽,选择的患者疾病名称是感冒,选择的诊断数据是外感风寒,服务器可以匹配到相同诊断的病历中疗效更好的目标医生标识对应的医生,可以提高医生推荐结果的精准性。
在本实施例中,通过获取患者选择的患者信息,并查找与患者信息对应的目标科室;根据患者信息以及目标科室查找各个医生标识;从数据库中分别确定与各个医生标识对应的各个治疗效果数据;根据各个治疗效果数据确定目标医生标识,并推荐与目标医生标识对应的医生。患者可以根据自己的情况选择患者信息,服务器在获取到患者信息后,可以对患者信息对应的科室进行确定,从而查找医生标识和治疗效果数据,进而根据治疗效果数据推荐医生,提高了医生推荐的准确性,极大提高了患者就医体验中可能产生的疗效不好的问题,优化患者求诊医生推荐机制,降低患者就医选择成本、提高患者就医疗效。同时,能够降低医生接诊不擅长疾病患者的概率,提高医生单位时间诊疗效率及疗效,提高单位时间内医疗效果产出,优化医疗资源分配问题。
在一个实施例中,患者信息中包含有患者症状、患者选择的科室;提供的一种医生推荐方法还可以包括查找目标科室的过程,具体过程包括:分别提取患者信息中包含的患者症状、患者疾病名称、患者选择的科室;查找与患者疾病名称或者患者症状对应的科室;当患者疾病名称或者患者症状对应的科室与患者选择的科室一致时,将患者选择的科室作为目标科室;当患者疾病名称或者患者症状对应的科室与患者选择的科室不一致时,将患者疾病名称或者患者症状对应的科室作为目标科室。
患者症状可以用于表示患者的身体信息,例如,患者症状可以是发烧、咳嗽、流鼻涕、四肢无力等症状。患者疾病名称可以用于表示和症状相对应的疾病的名字,例如,疾病名称可以是关节炎、心脏病、白血病、肺炎等。科室可以包括内科、外科、儿科、妇科、眼科、耳鼻喉科、口腔科、皮肤科等,患者可以在显示屏中选择根据自身症状对应的科室。
患者信息中可以包含有患者症状、患者疾病名称、患者选择的科室等信息。服务器可以从获取到的患者信息中提取出患者症状、患者疾病名称以及患者选择的科室,由于科室是患者选择的,可能会存在选择错误的情形,因此,服务器可以根据患者选择的患者疾病名称或者患者症状查找科室。例如,患者选择的患者信息中的患者疾病名称是心脏病,患者症状是心绞痛,患者选择的科室是外科,此时,服务器可以根据患者疾病名称是心脏病,或者患者症状是心绞痛查找到对应的科室是内科。
当患者疾病名称或者患者症状对应的科室与患者选择的科室一致时,表示患者选择的科室是与患者疾病名称或者患者症状相对应的,服务器可以将患者选择的科室作为目标科室。当患者疾病名称或者患者症状对应的科室与患者选择的科室不一致时,表示患者选择的科室是与患者疾病名称或者患者症状是不对应的,此时患者选择的科室是错误的,服务器可以对患者疾病名称或者患者症状进行数据分析,从而得到与患者疾病名称或者患者症状对应的科室。例如:患者疾病名称为感冒,患者症状为发烧,选择科室是肺病科,服务器可以进行数据检索,所有医生及医疗机构治疗感冒发烧最多的科室应该为内科,所以最终得到与患者疾病名称或者患者症状对应的科室为内科。
在本实施例中,服务器通过分别提取患者信息中包含的患者疾病名称、患者症状、患者选择的科室;查找与患者疾病名称或者患者症状对应的科室;当患者疾病名称或者患者症状对应的科室与患者选择的科室一致时,将患者选择的科室作为目标科室;当患者疾病名称或者患者症状对应的科室与患者选择的科室不一致时,将患者疾病名称或者患者症状对应的科室作为目标科室。由于根据患者疾病名称或者患者症状来判断患者选择的科室是否正确,进而确定目标科室,可以提高科室选择的准确性,避免因为患者疾病名称或者患者科室选择错误而造成的医生推荐不准确的问题。
在一个实施例中,如图3所述,提供的一种医生推荐方法还可以包括生成与医生标识对应的治疗效果数据的过程,具体步骤包括:
步骤302,获取与医生标识对应的历史患者信息。
历史患者信息可以用于表示医生标识所对应的医生治疗过的患者的信息。其中,历史患者信息可以包含历史患者的病历信息、历史患者的评论信息等。历史患者信息可以存储在数据库中,且数据库中可以存储有医生标识与历史患者信息之间的对应关系。服务器可以从数据库中获取与医生标识对应的历史患者信息。
步骤304,查找与历史患者信息对应的病历信息,并根据病历信息得到第一判断结果。
病历信息可以包含有历史患者在被治疗过程中患者的各项指标信息,服务器可以根据病历中记载的患者的各项指标信息得到第一判断结果。具体的,服务器可以基于疾病及证型数据库,对患者的各项指标信息进行分析,从而得到疗效反馈的第一判断结果。具体的,服务器可以基于疾病、诊断结果及证型数据库,分析患者病历中患者疾病的具体疾病及所属证候分型特征,从而得到第一判断结果。其中,疾病、诊断结果及证型数据库采集了海量的疾病、症状与诊断、及证型数据,并对其进行分类AI训练,将疾病-症状-相应中医证型关系在大数据的规模下进行分析,给出在相同疾病下,相应证型的核心辨证要点,根据其关系得出疾病、症状与诊断、及证型之间的重要关联。从而能够在某一疾病下,通过分析症状与诊断数据,得出最大可能的证型结论。
步骤306,获取与历史患者信息对应的评论信息,并根据评论信息得到第二判断结果。
患者在治疗结束后,可以对治疗自己的医生进行评价,服务器可以根据患者的评价生成评论信息。具体的,服务器可以根据历史患者信息查找到对应的评论信息,从而根据评论信息得到第二判断结果。
步骤308,获取与医生标识对应的医生信息,并根据医生信息得到第三判断结果。
医生信息可以用于表示医生的简介、医生的自我评价等信息。服务器可以根据医生信息得到第三判断结果。
步骤310,根据第一判断结果、第二判断结果以及第三判断结果,生成与历史患者信息对应的医生标识的治疗效果数据。
服务器可以对第一判断结果、第二判断结果以及第三判断结果进行大数据分析,分析医生相应疾病及各证型治疗疗效评价,从而生成与历史患者信息对应的医生标识对应的治疗效果数据。其中,治疗效果数据可以是对医生评价的一个具体的数值。
在本实施例中,服务器通过获取与医生标识对应的历史患者信息,查找与历史患者信息对应的病历信息,并根据病历信息得到第一判断结果,获取与历史患者信息对应的评论信息,并根据评论信息得到第二判断结果,获取与医生标识对应的医生信息,并根据医生信息得到第三判断结果,根据第一判断结果、第二判断结果以及第三判断结果,生成与历史患者信息对应的医生标识的治疗效果数据。根据医生标识对应的历史患者信息生成与历史患者信息对应的医生标识的治疗效果数据,进而根据治疗效果数据推荐医生,可以提高医生推荐的准确性。
在一个实施例中,提供的一种医生推荐方法还可以包括得到第一判断结果的过程,具体过程包括:提取病历信息中的当前病历信息以及历史病历信息;获取与病历信息对应的标准信息;标准信息用于表示正常人体的身体信息;计算当前病历信息与标准信息的第一差异信息,并计算历史病历信息与标准信息的第二差异信息;根据第一差异信息以及第二差异信息,生成第一判断结果。
病历信息中可以包含有当前病历信息以及历史病历信息。其中,标准信息可以用于表示正常人体的身体信息,以体温为例,标准信息可以是体温为36.0°-37.3°,当前病历信息可以是36.5°,历史病历信息可以是38.0°。服务器可以基于疾病及证型数据库,提取医生建立及患者病历中,医生所治疗疾病的证型信息,并综合统计相应医生所治疗疾病的相应证型的数量信息。
服务器可以提取当前病历信息以及历史病历信息,并获取与病历信息对应的标准信息,从而分别计算出当前病历信息与标准信息的第一差异信息、历史病历信息与标准信息的第二差异信息。服务器可以根据第一差异信息以及第二差异信息之间的差距,计算出与当前病历信息对应的患者的治愈程度,并将治愈程度作为第一判断结果。其中,第一判断结果可以用于表示医生的治疗效果。由于标准信息是正常人体的身体信息,通过计算第一差异信息和第二差异信息,可以准确的获取到患者在治疗期间的治疗效果。
在本实施例中,服务器可以根据当前病历信息中的治疗描述生成第一专断结果。例如,当前病历信息中的治疗描述可以是“病情出现好转”、“病已治愈”等描述。
在一个实施例中,提供的一种医生推荐方法还可以包括得到第二判断结果的过程,具体过程包括:对评论信息进行大数据分析,得到大数据分析结果;根据大数据分析结果确定评论信息是否为垃圾信息;当评论信息不是垃圾信息时,根据评论信息得到第二判断结果。
大数据分析是指对规模巨大的数据进行分析。数据库中可以存储有多个评论信息,服务器可以对评论信息进行大数据分析,得到大数据分析结果。其中,大数据分析结果可以用于表示评论信息的垃圾信息概率和非垃圾信息概率,服务器可以根据大数据分析结果确定评论信息是否为垃圾信息,当评论信息不是垃圾信息时,服务器可以对评论信息进行数据处理,具体的,服务器可以根据评论信息的内容计算出疗效好评度,从而根据疗效好评度生成第二判断结果。第二判断结果可以用于表示患者对医生的准确评价。
在本实施例中,服务器还可以根据提取评论信息关键词的方式确定评论信息是否为垃圾信息,具体的,服务器可以提取评论信息中的关键词,并获取关键词词库;在关键词词库中查找关键词对应的垃圾信息概率和非垃圾信息概率,并根据关键词对应的垃圾信息概率和非垃圾信息概率确定评论信息是否为垃圾信息。
关键词词库可以是预先设置好的,用于存储关键词、关键词对应的垃圾信息概率、关键词对应的非垃圾信息概率。服务器可以提取评论信息中的关键词,服务器还可以基于语义分析得到评论信息中的关键词,在此不做限定。服务器提取出关键词后,可以在关键词词库中查找关键词,进一步得到关键词对应的垃圾信息概率和非垃圾信息概率。服务器可以根据关键词对应的垃圾信息概率和非垃圾信息概率确定评论信息是否为垃圾信息,具体的,当关键词对应的垃圾信息概率大于非垃圾信息概率,可以确定评论信息为垃圾信息;当关键词对应的垃圾信息概率不大于非垃圾信息概率,可以确定评论信息不是垃圾信息。
在本实施例中,服务器还可以收集获取评论信息时的用户行为模式,通过对用户信息为模式进行匹配确定评论信息是否为垃圾信息。服务器还可以获取垃圾信息云数据,从而根据垃圾信息云数据比较分析匹配确定评论信息是否为垃圾信息。
在本实施例中,服务器还可以根据大数据分析等方法确定评论信息是否为垃圾信息。由于对垃圾信息进行了筛选过滤,可以避免垃圾信息影响患者的真实疗效反馈。
在一个实施例中,提供的一种医生推荐方法还可以包括推荐与目标医生标识对应的医生的过程,具体过程包括:根据各个治疗效果数据对各个医生标识进行排序,得到排序后的医生标识列表;获取医生数量阈值,并从医生标识列表中依次获取与医生数量阈值相同数量的医生标识;将与医生数量阈值相同数量的医生标识作为目标医生标识,并推荐与目标医生标识对应的医生。
服务器可以根据各个治疗效果数据对各个医生标识进行排序,具体的,由于治疗效果数据可以是对医生评价的一个具体的数值,治疗效果数据的数值越高,表示医生越符合患者的要求。服务器可以按照治疗效果数据的数值,将各个医生标识按照从高到低的顺序进行排序,得到排序后的医生标识列表。
医生数量阈值可以是患者通过计算机设备选择的想要推荐的医生的数量,例如,患者可以通过计算机设备界面选择医生数量阈值为5个、6个、7个等。计算机设备可以将医生数量阈值发送给服务器,服务器可以按照医生数量阈值从医生标识列表中依次获取与医生数量阈值相同数量的医生标识,并将与医生数量阈值相同数量的医生标识作为目标医生标识。例如,服务器获取到的医生数量阈值为5个,服务器可以从医生标识列表中依次获取5个医生标识,获取到5个医生标识为医生标识列表中治疗效果数据排在前5位的医生标识。
服务器可以从数据库中查找到目标医生标识对应的医生信息,其中,医生信息可以包括医生的个人介绍、医生所属的科室、医生治疗的典型案例等信息。服务器可以将查找到的医生信息展示在显示屏中进行推荐。
应该理解的是,虽然上述各个流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,上述各个流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图4所示,提供了一种医生推荐系统,包括:目标科室获取模块410、医生标识查找模块420、治疗效果数据获取模块430和医生推荐模块440,其中:
目标科室获取模块410,用于获取患者选择的患者信息,并查找与患者信息对应的目标科室。
医生标识查找模块420,用于根据患者信息以及目标科室查找各个医生标识。
治疗效果数据获取模块430,用于从数据库中分别确定与各个医生标识对应的各个治疗效果数据。
医生推荐模块440,用于根据各个治疗效果数据确定目标医生标识,并推荐与目标医生标识对应的医生。
在一个实施例中,目标科室获取模块410包括:信息提取模块、科室查找模块以及目标科室确定模块,其中:
信息提取模块,用于分别提取患者信息中包含的患者症状、患者疾病名称、患者选择的科室。
科室查找模块,用于查找与患者疾病名称或者患者症状对应的科室。
目标科室确定模块,用于当患者疾病名称或者患者症状对应的科室与患者选择的科室一致时,将患者选择的科室作为目标科室。
目标科室确定模块,还用于当患者疾病名称或者患者症状对应的科室与患者选择的科室不一致时,将患者疾病名称或者患者症状对应的科室作为目标科室。
在一个实施例中,如图5所示,提供了一种医生推荐系统还可以包括:历史患者信息获取模块450、第一判断结果获取模块460、第二判断结果获取模块470、第三判断结果获取模块480以及治疗效果数据生成模块490,其中:
历史患者信息获取模块450,用于获取与医生标识对应的历史患者信息。
第一判断结果获取模块460,用于查找与历史患者信息对应的病历信息,并根据病历信息得到第一判断结果。
第二判断结果获取模块470,用于获取与历史患者信息对应的评论信息,并根据评论信息得到第二判断结果。
第三判断结果获取模块480,用于获取与医生标识对应的医生信息,并根据医生信息得到第三判断结果。
治疗效果数据生成模块490,用于根据第一判断结果、第二判断结果以及第三判断结果,生成与历史患者信息对应的医生标识的治疗效果数据。
在一个实施例中,第一判断结果获取模块460还用于提取病历信息中的当前病历信息以及历史病历信息;获取与病历信息对应的标准信息;标准信息用于表示正常人体的身体信息;计算当前病历信息与标准信息的第一差异信息,并计算历史病历信息与标准信息的第二差异信息;根据第一差异信息以及第二差异信息,生成第一判断结果。
在一个实施例中,第二判断结果获取模块470还用于对评论信息进行大数据分析,得到大数据分析结果;根据大数据分析结果确定评论信息是否为垃圾信息;当评论信息不是垃圾信息时,根据评论信息得到第二判断结果。
在一个实施例中,医生推荐模块440还用于根据各个治疗效果数据对各个医生标识进行排序,得到排序后的医生标识列表;获取医生数量阈值,并从医生标识列表中依次获取与医生数量阈值相同数量的医生标识;将与医生数量阈值相同数量的医生标识作为目标医生标识,并推荐与目标医生标识对应的医生。
在一个实施例中,提供了一种服务器,其内部结构图可以如图6所示。该服务器包括通过系统总线连接的处理器、存储器、网络接口和输入装置。其中,该服务器的处理器用于提供计算和控制能力。该服务器的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该服务器的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种医生推荐方法。该服务器的输入装置可以是显示屏上覆盖的触摸层,也可以是服务器外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图6中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的服务器的限定,具体的服务器可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
获取患者选择的患者信息,并查找与患者信息对应的目标科室;
根据患者信息以及目标科室查找各个医生标识;
从数据库中分别确定与各个医生标识对应的各个治疗效果数据;
根据各个治疗效果数据确定目标医生标识,并推荐与目标医生标识对应的医生。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:分别提取患者信息中包含的患者症状、患者疾病名称、患者选择的科室;查找与患者疾病名称或者患者症状对应的科室;当患者疾病名称或者患者症状对应的科室与患者选择的科室一致时,将患者选择的科室作为目标科室;当患者疾病名称或者患者症状对应的科室与患者选择的科室不一致时,将患者疾病名称或者患者症状对应的科室作为目标科室。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:获取与医生标识对应的历史患者信息;查找与历史患者信息对应的病历信息,并根据病历信息得到第一判断结果;获取与历史患者信息对应的评论信息,并根据评论信息得到第二判断结果;获取与医生标识对应的医生信息,并根据医生信息得到第三判断结果;根据第一判断结果以及第二判断结果第三判断结果,生成与历史患者信息对应的医生标识的治疗效果数据。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:提取病历信息中的当前病历信息以及历史病历信息;获取与病历信息对应的标准信息;标准信息用于表示正常人体的身体信息;计算当前病历信息与标准信息的第一差异信息,并计算历史病历信息与标准信息的第二差异信息;根据第一差异信息以及第二差异信息,生成第一判断结果。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:对评论信息进行大数据分析,得到大数据分析结果;根据大数据分析结果确定评论信息是否为垃圾信息;当评论信息不是垃圾信息时,根据评论信息得到第二判断结果。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:根据各个治疗效果数据对各个医生标识进行排序,得到排序后的医生标识列表;获取医生数量阈值,并从医生标识列表中依次获取与医生数量阈值相同数量的医生标识;将与医生数量阈值相同数量的医生标识作为目标医生标识,并推荐与目标医生标识对应的医生。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取患者选择的患者信息,并查找与患者信息对应的目标科室;
根据患者信息以及目标科室查找各个医生标识;
从数据库中分别确定与各个医生标识对应的各个治疗效果数据;
根据各个治疗效果数据确定目标医生标识,并推荐与目标医生标识对应的医生。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:分别提取患者信息中包含的患者症状、患者疾病名称、患者选择的科室;查找与患者疾病名称或者患者症状对应的科室;当患者疾病名称或者患者症状对应的科室与患者选择的科室一致时,将患者选择的科室作为目标科室;当患者疾病名称或者患者症状对应的科室与患者选择的科室不一致时,将患者疾病名称或者患者症状对应的科室作为目标科室。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:获取与医生标识对应的历史患者信息;查找与历史患者信息对应的病历信息,并根据病历信息得到第一判断结果;获取与历史患者信息对应的评论信息,并根据评论信息得到第二判断结果;获取与医生标识对应的医生信息,并根据医生信息得到第三判断结果;根据第一判断结果以及第二判断结果第三判断结果,生成与历史患者信息对应的医生标识的治疗效果数据。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:提取病历信息中的当前病历信息以及历史病历信息;获取与病历信息对应的标准信息;标准信息用于表示正常人体的身体信息;计算当前病历信息与标准信息的第一差异信息,并计算历史病历信息与标准信息的第二差异信息;根据第一差异信息以及第二差异信息,生成第一判断结果。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:对评论信息进行大数据分析,得到大数据分析结果;根据大数据分析结果确定评论信息是否为垃圾信息;当评论信息不是垃圾信息时,根据评论信息得到第二判断结果。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:根据各个治疗效果数据对各个医生标识进行排序,得到排序后的医生标识列表;获取医生数量阈值,并从医生标识列表中依次获取与医生数量阈值相同数量的医生标识;将与医生数量阈值相同数量的医生标识作为目标医生标识,并推荐与目标医生标识对应的医生。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (8)
1.一种医生推荐方法,其特征在于,所述方法包括:
获取患者选择的患者信息,并查找与所述患者信息对应的目标科室;
根据所述患者信息以及所述目标科室查找各个医生标识;
获取与所述医生标识对应的历史患者信息;查找与所述历史患者信息对应的病历信息,并根据所述病历信息得到第一判断结果;获取与所述历史患者信息对应的评论信息,并根据所述评论信息得到第二判断结果;获取与所述医生标识对应的医生信息,并根据所述医生信息得到第三判断结果;根据所述第一判断结果、所述第二判断结果以及所述第三判断结果,生成与所述历史患者信息对应的所述医生标识的治疗效果数据;其中,根据所述评论信息得到第二判断结果,包括:对所述评论信息进行大数据分析,得到大数据分析结果;根据所述大数据分析结果确定所述评论信息是否为垃圾信息;当所述评论信息不是垃圾信息时,根据所述评论信息得到所述第二判断结果;其中,根据所述大数据分析结果确定所述评论信息是否为垃圾信息,包括:提取评论信息中的关键词,并获取关键词词库;在关键词词库中查找关键词对应的垃圾信息概率和非垃圾信息概率,并根据关键词对应的垃圾信息概率和非垃圾信息概率确定评论信息是否为垃圾信息;
从数据库中分别确定与各个所述医生标识对应的各个治疗效果数据;
根据各个所述治疗效果数据确定目标医生标识,并推荐与所述目标医生标识对应的医生。
2.根据权利要求1所述的方法,其特征在于,所述查找与所述患者信息对应的目标科室,包括:
分别提取所述患者信息中包含的患者症状、患者疾病名称、患者选择的科室;
查找与所述患者疾病名称或者所述患者症状对应的科室;
当所述患者疾病名称或者所述患者症状对应的科室与所述患者选择的科室一致时,将所述患者选择的科室作为所述目标科室;
当所述患者疾病名称或者所述患者症状对应的科室与所述患者选择的科室不一致时,将所述患者疾病名称或者所述患者症状对应的科室作为所述目标科室。
3.根据权利要求1所述的方法,其特征在于,所述根据所述病历信息得到第一判断结果,包括:
提取所述病历信息中的当前病历信息以及历史病历信息;
获取与所述病历信息对应的标准信息;所述标准信息用于表示正常人体的身体信息;
计算所述当前病历信息与所述标准信息的第一差异信息,并计算所述历史病历信息与所述标准信息的第二差异信息;
根据所述第一差异信息以及所述第二差异信息,生成所述第一判断结果。
4.根据权利要求1所述的方法,其特征在于,所述根据各个所述治疗效果数据确定目标医生标识,并推荐与所述目标医生标识对应的医生,包括:
根据各个所述治疗效果数据对各个所述医生标识进行排序,得到排序后的医生标识列表;
获取医生数量阈值,并从所述医生标识列表中依次获取与所述医生数量阈值相同数量的医生标识;
将与所述医生数量阈值相同数量的医生标识作为目标医生标识,并推荐与所述目标医生标识对应的医生。
5.一种医生推荐系统,其特征在于,所述系统包括:
目标科室获取模块,用于获取患者选择的患者信息,并查找与所述患者信息对应的目标科室;
医生标识查找模块,用于根据所述患者信息以及所述目标科室查找各个医生标识;
治疗效果数据获取模块,用于获取与所述医生标识对应的历史患者信息;查找与所述历史患者信息对应的病历信息,并根据所述病历信息得到第一判断结果;获取与所述历史患者信息对应的评论信息,并根据所述评论信息得到第二判断结果;获取与所述医生标识对应的医生信息,并根据所述医生信息得到第三判断结果;根据所述第一判断结果、所述第二判断结果以及所述第三判断结果,生成与所述历史患者信息对应的所述医生标识的治疗效果数据;从数据库中分别确定与各个所述医生标识对应的各个治疗效果数据;其中,根据所述评论信息得到第二判断结果,包括:对所述评论信息进行大数据分析,得到大数据分析结果;根据所述大数据分析结果确定所述评论信息是否为垃圾信息;当所述评论信息不是垃圾信息时,根据所述评论信息得到所述第二判断结果;其中,根据所述大数据分析结果确定所述评论信息是否为垃圾信息,包括:提取评论信息中的关键词,并获取关键词词库;在关键词词库中查找关键词对应的垃圾信息概率和非垃圾信息概率,并根据关键词对应的垃圾信息概率和非垃圾信息概率确定评论信息是否为垃圾信息;
医生推荐模块,用于根据各个所述治疗效果数据确定目标医生标识,并推荐与所述目标医生标识对应的医生。
6.根据权利要求5所述的系统,其特征在于,所述目标科室获取模块包括:
信息提取模块,用于分别提取所述患者信息中包含的患者症状、患者疾病名称、患者选择的科室;
科室查找模块,用于查找与所述患者疾病名称或者所述患者症状对应的科室;
目标科室确定模块,用于当所述患者疾病名称或者所述患者症状对应的科室与所述患者选择的科室一致时,将所述患者选择的科室作为所述目标科室;
目标科室确定模块,还用于当所述患者疾病名称或者所述患者症状对应的科室与所述患者选择的科室不一致时,将所述患者疾病名称或者所述患者症状对应的科室作为所述目标科室。
7.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至4中任一项所述方法的步骤。
8.一种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权利要求1至4中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010224207.2A CN111415760B (zh) | 2020-03-26 | 2020-03-26 | 医生推荐方法、系统、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010224207.2A CN111415760B (zh) | 2020-03-26 | 2020-03-26 | 医生推荐方法、系统、计算机设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111415760A CN111415760A (zh) | 2020-07-14 |
CN111415760B true CN111415760B (zh) | 2023-10-13 |
Family
ID=71494717
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010224207.2A Active CN111415760B (zh) | 2020-03-26 | 2020-03-26 | 医生推荐方法、系统、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111415760B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112966181A (zh) * | 2021-03-08 | 2021-06-15 | 挂号网(杭州)科技有限公司 | 服务推荐方法、装置、电子设备及存储介质 |
CN114242224A (zh) * | 2021-12-28 | 2022-03-25 | 新瑞鹏宠物医疗集团有限公司 | 医生推荐方法、装置、电子设备及存储介质 |
CN116959686B (zh) * | 2023-07-27 | 2024-02-13 | 常州云燕医疗科技有限公司 | 一种基于数字一体化的医疗信息管理系统及方法 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103559637A (zh) * | 2013-11-13 | 2014-02-05 | 王竞 | 一种为就诊患者推荐医生的方法及其系统 |
CN105118009A (zh) * | 2015-09-25 | 2015-12-02 | 河南群智信息技术有限公司 | 基于身份标识的医疗用品流向管理系统 |
CN105404763A (zh) * | 2015-10-26 | 2016-03-16 | 天津大学 | 一种在移动医疗系统中向患者推荐医生的方法 |
KR101606155B1 (ko) * | 2014-10-29 | 2016-03-24 | (주)블루와이즈 | 개인 맞춤형 건강정보 제공시스템 |
CN106934018A (zh) * | 2017-03-11 | 2017-07-07 | 广东省中医院 | 一种基于协同过滤的医生推荐系统 |
CN107563120A (zh) * | 2017-09-13 | 2018-01-09 | 青岛海信医疗设备股份有限公司 | 针对患者的医生推荐方法及装置 |
CN107680660A (zh) * | 2016-07-27 | 2018-02-09 | 百度在线网络技术(北京)有限公司 | 推荐医生的方法和装置 |
CN107705842A (zh) * | 2017-10-13 | 2018-02-16 | 合肥工业大学 | 智能分诊系统及其工作方法 |
CN108932975A (zh) * | 2018-07-18 | 2018-12-04 | 中山大学 | 一种基于混合协同过滤医患信息的推荐系统 |
CN109102867A (zh) * | 2018-08-13 | 2018-12-28 | 贵阳叁玖互联网医疗有限公司 | 远程医疗的智能分诊方法及智能分诊平台 |
CN109543863A (zh) * | 2018-10-27 | 2019-03-29 | 平安医疗健康管理股份有限公司 | 一种就医任务管理方法、服务器及存储介质 |
CN110866038A (zh) * | 2019-11-12 | 2020-03-06 | 维沃移动通信有限公司 | 信息推荐方法及终端设备 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140244292A1 (en) * | 2011-01-27 | 2014-08-28 | Wiser Together, Inc. | Method for Helping Patients Find Treatments Based on Similar Patients' Experiences |
US20170344553A1 (en) * | 2016-05-27 | 2017-11-30 | Facebook, Inc. | Methods and Systems for Making Recommendations based on Relationships |
-
2020
- 2020-03-26 CN CN202010224207.2A patent/CN111415760B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103559637A (zh) * | 2013-11-13 | 2014-02-05 | 王竞 | 一种为就诊患者推荐医生的方法及其系统 |
KR101606155B1 (ko) * | 2014-10-29 | 2016-03-24 | (주)블루와이즈 | 개인 맞춤형 건강정보 제공시스템 |
CN105118009A (zh) * | 2015-09-25 | 2015-12-02 | 河南群智信息技术有限公司 | 基于身份标识的医疗用品流向管理系统 |
CN105404763A (zh) * | 2015-10-26 | 2016-03-16 | 天津大学 | 一种在移动医疗系统中向患者推荐医生的方法 |
CN107680660A (zh) * | 2016-07-27 | 2018-02-09 | 百度在线网络技术(北京)有限公司 | 推荐医生的方法和装置 |
CN106934018A (zh) * | 2017-03-11 | 2017-07-07 | 广东省中医院 | 一种基于协同过滤的医生推荐系统 |
CN107563120A (zh) * | 2017-09-13 | 2018-01-09 | 青岛海信医疗设备股份有限公司 | 针对患者的医生推荐方法及装置 |
CN107705842A (zh) * | 2017-10-13 | 2018-02-16 | 合肥工业大学 | 智能分诊系统及其工作方法 |
CN108932975A (zh) * | 2018-07-18 | 2018-12-04 | 中山大学 | 一种基于混合协同过滤医患信息的推荐系统 |
CN109102867A (zh) * | 2018-08-13 | 2018-12-28 | 贵阳叁玖互联网医疗有限公司 | 远程医疗的智能分诊方法及智能分诊平台 |
CN109543863A (zh) * | 2018-10-27 | 2019-03-29 | 平安医疗健康管理股份有限公司 | 一种就医任务管理方法、服务器及存储介质 |
CN110866038A (zh) * | 2019-11-12 | 2020-03-06 | 维沃移动通信有限公司 | 信息推荐方法及终端设备 |
Non-Patent Citations (1)
Title |
---|
利用已有业务数据获取门诊患者满意度关键业绩指标;张丹;;中国卫生经济(08);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111415760A (zh) | 2020-07-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111415760B (zh) | 医生推荐方法、系统、计算机设备及存储介质 | |
Huang et al. | A clinical decision support framework for heterogeneous data sources | |
CN112035674B (zh) | 导诊数据获取方法、装置、计算机设备和存储介质 | |
JP2023162235A (ja) | 画像および専門知識から皮膚症状を収集し特定するシステム | |
CN109256206B (zh) | 问诊数据处理方法、装置、计算机设备和存储介质 | |
CN111180024B (zh) | 基于词频逆文档频率的数据处理方法、装置和计算机设备 | |
CN109887562B (zh) | 电子病历的相似度确定方法、装置、设备和存储介质 | |
CN112017789B (zh) | 分诊数据处理方法、装置、设备及介质 | |
US20220051771A1 (en) | Report generating system and methods for use therewith | |
US20060184489A1 (en) | Genetic knowledgebase creation for personalized analysis of medical conditions | |
CN110299209B (zh) | 相似病历查找方法、装置、设备及可读存储介质 | |
WO2006065822A1 (en) | Personalized genetic-based analysis of medical conditions | |
CN109074858B (zh) | 没有明显准标识符的去识别的健康护理数据库的医院匹配 | |
Folino et al. | A comorbidity-based recommendation engine for disease prediction | |
CN109087688B (zh) | 患者信息采集方法、装置、计算机设备和存储介质 | |
CN110752027B (zh) | 电子病历数据推送方法、装置、计算机设备和存储介质 | |
JP6177609B2 (ja) | 医療カルテシステム及び医療カルテ検索方法 | |
CN114078593A (zh) | 临床决策支持 | |
JP6379199B2 (ja) | データ分析装置、データ分析装置の制御方法、およびデータ分析装置の制御プログラム | |
CN115512817A (zh) | 一种基于儿童远程医疗的医生推荐方法及装置 | |
US10482999B2 (en) | Systems and methods for efficient handling of medical documentation | |
CN111816318A (zh) | 一种心脏疾病数据队列生成方法和风险预测系统 | |
CN115700826A (zh) | 单据处理、单据展示方法、装置、计算机设备和存储介质 | |
CN113688854A (zh) | 数据处理方法、装置及计算设备 | |
CN117809850B (zh) | 基于ai的心血管慢病数据管理方法、系统和介质 |
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 |