医疗信息反馈方法、装置、设备及可读存储介质
技术领域
本申请涉及人工智能技术领域,尤其涉及一种基于人工智能的医疗信息反馈方法、基于人工智能的医疗信息反馈装置、计算机设备及计算机可读存储介质。
背景技术
随着需求的不断增多,使得应用于不同场景和环境的系统也越来越多。对于一个系统而言,通过相应的数据平台采集大量数据信息,然后根据实际的需求对所得到的数据信息进行分析处理,以得到满足用户需求的数据结果。
一般的监管项目是由监管方确定好监管业务,再由项目方进行对应的监管业务及各类分析报表的研发,最后完成验收,交付至监管方使用。但在实际中,监管方往往会发现现有的分析报表无法满足实际监管工作中的部分数据诉求,给实际工作带来极大的不便。
因此,现在亟需一种提高医疗信息反馈准确性和数据处理效率医疗信息反馈方法。
发明内容
本申请提供了一种基于人工智能的医疗信息反馈方法、装置、计算机设备及存储介质,以提高医疗数据信息反馈准确性以及系统处理效率。
第一方面,本申请提供了一种基于人工智能的医疗信息反馈方法,所述方法包括:
接收输入的语音信息;
对所述语音信息进行语义识别和文本转化,以得到标准的文本信息;
将所述文本信息输入至预先训练好的行为预测模型中,得到输出的目标医疗数据;
将所述目标医疗数据传输至数据库引擎进行处理,得到对应的待输出图表,并将所述待输出图表展示在相应的展示框内。
第二方面,本申请还提供了一种基于人工智能的医疗信息反馈装置,所述装置包括:
信息接收单元,用于接收输入的语音信息;
信息处理单元,用于对所述语音信息进行语义识别和文本转化,以得到标准的文本信息;
模型处理单元,用于将所述文本信息输入至预先训练好的行为预测模型中,得到输出的目标医疗数据;
结果输出单元,用于将所述目标医疗数据传输至数据库引擎进行处理,得到对应的待输出图表,并将所述待输出图表展示在相应的展示框内。
第三方面,本申请还提供了一种计算机设备,所述计算机设备包括存储器和处理器;所述存储器用于存储计算机程序;所述处理器,用于执行所述计算机程序并在执行所述计算机程序时实现如上述的基于人工智能的医疗信息反馈方法。
第四方面,本申请还提供了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,所述计算机程序被处理器执行时使所述处理器实现如上述的基于人工智能的医疗信息反馈方法。
本申请公开了一种基于人工智能的医疗信息反馈方法、装置、计算机设备及存储介质,在接收到语音信息时,利用NLP技术对其转化为对应的文本信息,以及进行特征提取,进而根据所训练好的预测模型对用户的行为意图进行预测,以得到与用户意图相对应的数据信息,最后利用SQL引擎实现对数据信息的展示,根据用户意图实现分析结果的动态展示,无需用户进行无用操作,利用NLP技术以及基于推荐算法所得到预测模型对用户意图进行分析,提高了数据反馈准确性以及系统处理效率。
附图说明
为了更清楚地说明本申请实施例技术方案,下面将对实施例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为本申请一个实施例提供的一种基于人工智能的医疗信息反馈方法的流程示意图;
图2为本申请一个实施例提供的得到目标数据的步骤的流程示意图;
图3为本申请一个实施例提供的输出结果展示示意图;
图4为本申请另一个实施例提供的输出结果展示示意图;
图5为本申请一个实施例提供的得到训练好的行为预测模型的步骤的流程示意图;
图6为本申请一个实施例提供的一数据处理流程;
图7为本申请一个实施例中一种基于人工智能的医疗信息反馈装置的示意性框图;
图8为本申请一个实施例中计算机设备的结构示意性框图。
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。
附图中所示的流程图仅是示例说明,不是必须包括所有的内容和操作/步骤,也不是必须按所描述的顺序执行。例如,有的操作/步骤还可以分解、组合或部分合并,因此实际执行的顺序有可能根据实际情况改变。
应当理解,在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进理解,在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
下面结合附图,对本申请的一些实施方式作详细说明。在不冲突的情况下,下述的实施例及实施例中的特征可以相互组合。
请参阅图1,图1为本申请一个实施例提供的一种基于人工智能的医疗信息反馈方法的流程示意图。
如图1所示,该基于人工智能的医疗信息反馈方法包括步骤S101至步骤S105。
步骤S101、接收输入的语音信息。
在进行数据信息的查询时,需要输入相应的查询条件,以使得对应的系统可以根据用户所输入的查询条件进行数据查询,以得到相应的数据信息进行反馈。因此,在进行数据查询时,将会用户所输入的语音信息,进而对语音信息进行处理,并根据语音信息进行数据查询。
在实际应用中,在系统接收用户的需求时,可以是接收输入的语音信息,也可以是接收输入的文字信息或者通过触控具有特定含义的按键等。若是语音信息为,则在需要进行信息查询时,通过输入相应的语音信息以输入至对应的系统,若是非语音信息,则在需要进行查询时,通过在查询界面选择或输入想要进行查询的信息的关键词信息。
步骤S102、对所述语音信息进行语义识别和文本转化,以得到标准的文本信息。
在需要对系统中某些数据进行查询时,通过输入自身需求,以使得系统进行相应的响应,以输出得到想要的结果信息。具体地,在接收到输入的语音信息,利用NLP(人工智能的自然语言处理)技术对所述接收到的语音信息进行文本转化,得到对应的文本信息,进而根据所得到的文本信息实现对数据信息的查询。
在一实施例中,以语音信息为例,在接收到语音信息时,需要对语音信息进行分析处理,以知道用户的实际需求,因此通过语音转化功能对所接收到的语音信息进行文本转化,以得到对应的文本信息,进而根据所得到的文本信息对用户的当前行为进行预测。
而在进行文本转化时,由于存在普通话与方言,或者语义表述颠倒的情况,为了可以准确的知道用户的语义进行识别,因此将使用NLP技术将所接收到的语音信息进行标准转化,比如进行语义调整、语言转化,进而的得到对应的文本信息。
另外,对于不同的系统而言,由于系统所涉及的应用场景或领域的不同,使得系统中会存在部分特有词汇或者关键词信息,因此在进行处理时,会根据系统自身的属性,合理且准确的实现对语音信息的转化,比如应用于医院的系统与化工厂的系统所涉及的特征词汇便会有所不同。
在一实施例中,在进行预测和处理时,需要触发该系统的行为预测功能,进而通过信息的接收和处理实现数据的分析处理和导出,因此,在接收输入的语音信息之,还包括:当接收到行为预测指令时,启动对应的行为预测功能,并识别发出所述行为预测指令的用户所对应的用户信息。
在用户使用该系统时,需要查看相应的数据,但是对于存储于系统的数据信息并不一定是符合用户的实际查看需求的,通常在进行数据查看时,想要的是结果的直接展示,因此系统除了根据用户的实际需求得到相关的数据之外,还需要对所得到的数据进行处理,以得到相应的结果进行展示。
在一实施例中,在需要使用该系统中,将会通过相应的操作,以使得该系统启动行为预测功能,在触发系统以启动行为预测功能时,通过用户的相关操作,比如在相应的显示界面上进行触控操作。在启动系统的行为预测功能时,还会对用户信息进行获取,通过控制用户在启动系统的行为预测之前接收用户输入的登陆信息,进而根据登陆信息确定对应的用户信息。
对于可以登陆系统并进行操作的用户,一般是被授权的用户,也就是系统中会记录有用户的登陆信息和用户信息(如姓名、性别、所属类别),且登陆信息与用户信息是唯一对应的。
步骤S103、将所述文本信息输入至预先训练好的行为预测模型中,得到输出长度目标医疗数据。
在得到文本信息之后,将文本信息输入至预先训练好的行为预测模型中,以利用训练好的行为预测模型对文本信息进行处理,以得到当前所对应的目标医疗数据。其中,预先训练好的行为预测模型,通过对所得到的数据信息进行识别,确定用户的实际需求,同时根据所确定的用户的实际需求确定当前进行输出的目标数据,目标数据是在预设数据库中所得到的,预先存储在系统的数据,且预设数据库存储于区块链节点中。
用户的实际需求是根据文本信息所得到的,在确定实际需求时,通过文本信息中所包含的特征信息确定对应的实际需求,比如文本信息为“今年深圳市每个月的电子处方风险分布”,对于文本信息的特征信息为2020年、深圳、风险处方数量、月,此时用户的实际需求是获取深圳市2020年每个月的垫子处方风险分布情况。
在实际应用中,所得到的目标数据是满足用户当前的实际需求的,因此在确定当前所输出的目标数据时,通过对文本信息的分析处理,确定用户的实际需求,进而利用预先训练好的行为预测模型根据用户的实际需求,在系统数据库中进行查询匹配,得到与用户信息相匹配的目标数据。
参照图2,图2为本申请一个实施例提供的得到目标数据的步骤的流程示意图,其中,该步骤S103包括步骤S201至步骤S203。
步骤S201、将所述文本信息输入至所述训练好的行为预测模型中的特征提取单元,以输出得到所述文本信息对应的特征标签。
数据库中所包含的数据信息的量是巨大的,根据用户的实际需求在数据库中获取相应的数据信息进行反馈。因此,在得到文本信息之后通过对文本信息中用户的意图进行识别,以根据所得到的用户意图得到对应的数据进行反馈。具体地,在得到文本信息之后,通过训练好的行为预测模型中的特征提取单元对文本信息中所包含的特征信息进行提取,以得到文本信息对应的特征标签。
在实际应用中,对于不同的场景或者领域而言,会出现词语类别不同的情况,如科技领域的“拼多多”、“滴滴”,或者医学领域的“基因编辑”、“靶向药”等领域专有名词,因此利用预设训练好的行为预测模型中的特征提取模单元进行更加准确的特征提取,以根据所得到的特征标签实现对用户行为的预测和反馈。
因此,在将文本信息输入至特征提取单元时,利用NLPIR汉语分词系统对文本信息进行分词处理,然后对进行分词处理所得到的词进行过滤,比如将形容词、介词等词进行删除,接着根据系统所属的实际场景或者领域按照预设的特征提取方式实现特征的提取。为了获取准确的数据信息,需要确定更加准确的特征标签,比如时间、地点以及事件等,这样可以更加准确的对用户的意图进行识别,进而可以更加准确的得到进行反馈的数据。
比如,用户输入的语音信息所对应的文本信息为“今年深圳市每个月的电子处方风险分布”,那么此时所对应的特征标签包括:2020年(时间,根据今年信息确定)、深圳(地区)、风险处方数量(度量,数据类别)、月(维度/聚合粒度)。
另外,在进行特征提取时,所用户所输入的语音信息所包含的信息不够完整,还可以与用户进行交互,如对话或者信息反馈,以使得用户可以对特征信息进行完善,如信息的输入。
步骤S202、将所述用户信息以及所述特征标签输入至所述训练好的行为预测模型中的行为预测单元,以输出得到对应的匹配结果。
在得到文本信息对应的特征标签之后,将根据所得到的用户信息和特征标签对用户的需求进行预测,得到相应的匹配结果,进而根据所得到的匹配结果获取相对应的数据信息进行反馈。
其中,行为预测单元是基于推荐算法训练得到的,且推荐算法可以采用经典基于关联规则、基于用户行为的协同过滤(也可以采用其他推荐算法,这里并不做限定),即同类用户具有相同的用户行为与类似的选择。
在一实施例中,通过将所得到的特征标签输入至行为预测单元中进行识别,确定当前与特征标签对应的数据,在文本信息为“今年深圳市每个月的电子处方风险分布”时,显然此时用户的意图是想要获取一个关于“2020年深圳风险处方数量的月度分析表”,此时行为预测模型在确定意图之后,在数据库中进行数据信息的获取,根据关键词进行数据的获取,比如所获取的信息包括:1至5月每个月的数量风险处方数量。
另外,由于医疗系统的信息共享性,使得在全国各地都可以实现对相关数据信息的查询,但是并不是所有的人都具有对所有数据进行查询的权限,比如:第一医院的主任不能查询第二医院的内部数据,或者职位级别较低会存在不可查看数据等,因此在根据特征标签确定进行输出的待输出数据时,还将根据用户信息来确定是否具有数据查询权限,通过识别用户信息对应的用户标识,确定用户所属的区域信息,如职务信息等,进而得到更加准确的待输出数据。
或者,在特征标签不够完整时,可以根据用户信息来实现对标签的完善,比如:用户A输入“医院的上门护理频次”,由于缺乏时间、区域、机构等必要条件,那么此时可以通过对用户A的身份信息进行识别以对关键信息进行完善,用户A所属的区域为“广东省广州市”,那么可以确定是获取广州市各医院的上门护理频次,而对于其他的关键信息可以通过与用户的交互实现完善。
在得到特征标签时,通过对特征标签进行分析处理,确定准确的特征信息,然后根据所得到的准确的特征信息实现数据信息的获取和反馈。
在一实施例中,在将用户信息和特征标签得到输入到行为预测单元得到匹配结果时,具体包括:确定所述特征标签是否特征完整;若确定所述特征标签特征完整,则根据所述特征标签得到对应的匹配结果;若确定所述特征标签特征缺失,则根据所述用户信息得到用户画像,以根据所述用户画像以及所述特征标签得到对应的匹配结果。
在实际应用中,在用户输入语音信息时,所输入的语音信息可能存在信息的缺失,以使得在转化为文本信息并进行特征提取时,会使得所得到的特征标签存在特征缺失,也就是特征信息的不完整,比如缺失时间、缺失对象等,因此,在行为预测单元进行处理时,确定所得到的特征标签是否完整,以根据所得到的判断确定结果进行数据信息的匹配。
匹配结果是进行数据查询的关键词组成,对于用户所输入的语音信息,在进行上述一系列的处理之后,所得到的特征标签的数量有多个,且各特征标准之间存在有不同的组合形式,使得对应的查询结果也会有所不同,因此,通过模型中的行为预测单元进行处理,得到更加准确的匹配结果,进而得到准确的得到用户想要的结果。
在确定特征标签特征完整时,说明用户所输入的语音信息中包含有进行数据查询的必要关键信息,因此,此时将根据特征标签确定当前所对应的匹配结果。需要说明的是,在此时根据特征标签确定对应的匹配结果时,还需要考虑用户的权限问题,也就是上述描述所提到的,用户只能查询具有查看权限的数据信息,对于不具有查看权限的数据信息将不能进行查看。
在确定特征标签体征缺失时,也就是用户所输入的语音信息中缺失进行数据查询的必要关键信息,因此,为了准确的进行数据信息的查询,此时将根据用户信息得到对应的用户画像,然后根据所得到的用户画像以及特征标签得到对应的匹配结果。用户画像是用户信息的描述,通过对用户信息的处理,确定可以代表用户的用户画像,比如,用户画像可以是“科室主任、活跃度低、新用户”或者“医院院长、活跃度中、管理型用户”等。
具体地,在确定特征标签特征缺失时,包括:提取所述用户信息中所包含的画像特征,并根据所述画像特征得到对应的用户画像;根据所述用户画像进行画像匹配,确定相匹配的目标画像;获取所述目标画像对应的目标匹配结果,并基于所述特征标签在所述目标匹配结果中确定对应的匹配结果。
在提取用户信息中所包含的画像特征时,通过提取构成画像的必要信息,也就是画像特征,以得到用户对应的用户画像。在实际应用中,根据用户画像所得到的匹配结果会有多种,同时在利用特征标签对所得到的匹配结果进行进一步筛选,得到更加合适和准确的匹配结果。
在一实施例中,画像特征是对用户进行描述的一种信息展示方式,且需要准确的对用户进行描述,因此画像特征是对用户的特征描述,比如,性别、科室以及级别等。如上述描述的“科室主任”、“活跃度低”以及“新用户”等均为画像特征的一种,而画像特征的组合即构成一个用户画像。
在进行画像匹配时,通过将一个用户画像中所包含的画像特征与另一个用户画像中所包含的画像特征进行对比,确定两者所包含的画像特征的相同性,比如,在一个用户画像中包含有5个画像特征时,确定只有在相同的画像特征的数量至少为4个时确定两者相匹配,也就是通过确定两个用户画像中画像特征相同的比例,在比例达到一定的条件时得到相匹配的目标画像。比如,此时的用户画像为“q、w、e、r、t”,那么相匹配的画像可以是“q、w、e、r、a”,或者“q、e、r、t、m”,画像特征的相同率为4/5=80%。
另外,可能由于用户画像中所包含的画像特征的数量较少,使得画像特征的相同率存在较大差异,比如只有在全部相同时确定为相匹配的画像,这样显然不科学,因此,可以对画像特征设置相应的权重,由于画像特征是可以设定的,因此在设定画像特征的数量和种类时,对每个画像特征的重要程度进行设定,也就是设置不同的权重,进而在进行匹配时,合理的进行画像的匹配。
比如,设定一个用户画像所包含的画像特征有4个,即A、B、C、D,且权重分别为0.1、0.2、0.3、0.4,然后根据此时所得到的用户画像进行匹配,若一个用户画像为“A、B、C、E”,那么此时得到的匹配值为0.1+0.2+0.3=0.6,可以设置阈值为0.7,也就是在得到的匹配值大于或者等于0.7时,确定相匹配,则由于0.6<0.7,则确定不是相匹配的目标画像,如一个用户画像为“A、S、C、D”,由于此时的匹配值为0.1+0.3+0.4=0.8>0.7,则确定该画像为相匹配的目标画像。
步骤S203、根据所述匹配结果在预设数据库中进行查询,以得到对应的目标数据。
在利用训练好的行为预测模型进行处理,以得到相应的匹配结果之后,将会根据所得到的匹配结果在系统中所预设的数据库中进行查询,进而得到相匹配的目标数据,以根据所得到的目标数据实现结果信息的输出与反馈。
通过行为预测模型实现对用户需求或意图的准确获取,然后在相应的数据库中进行数据信息的获取,比如,行为预测模型所得到的是“2020年深圳风险处方数量的月度分析表”,那么在进行数据查询时,查询2020年每个月的风险处方情况,如“1月风险处方数量为x”、“2月风险处方数量为y”、“3月风险处方数量为z”等。
对于存在于系统中的数据信息,是实时更新的,在具有权限的人员进行数据信息的输入之后,便会对所输入的数据进行处理,以实现对数据库中信息的更新。比如,5月新增意见风险处方,且5月风险处方为243件,那么在记录存储新增的风险处方时,还将对5月风险处方的数量进行更新,即更新为244件。
步骤S104、将所述目标医疗数据传输至数据库引擎进行处理,得到对应的待输出图表,并将所述待输出图表展示在相应的展示框内。
在根据用户信息以及特征标签得到进行输出的目标数据之后,将会对目标数据进行整理,以将整理所得到的待输出图表进行输出。具体地,在将目标数据进行输出时,由于图表型SQL的生成依赖于“维度、指标、查询条件”基本三要素,因此,通过对特征标签进行识别确定输出时图表的基本三大要素,进而输出得到对应的结果信息进行反馈。比如,所输出的图表可以如图3所示。
在确定所述出图表的三要素时,维度即为在数据进行展示时对数据的描述,指标即为所得到数据的结果,比如数量和总数,查询条件即为所得到数据的类型,如想要得到的数据是什么或者怎样的数据,也就是实际需求。因此,在确定三要素时,查询条件通过对文本信息进行识别所得到,指标通过利用行为预测模型所得到的数据得到,而对于维度而言,利用语义识别技术(NLP技术)对文本信息中的特征信息的进行识别来确定,比如文本信息为“今年深圳市每个月的电子处方风险分布”,在识别确定时,维度为时间和处方风险项目,指标为处方风险项目数量。
另外,在完成数据的输出之后,用户还可以进行相应的操作对所反馈的图表进行进一步处理,具体地,此时还包括:当接收到调节指令时,接收输入的调节参数;根据所述调节参数对所述输出结果进行处理,并在调节完成时输出调节后的输出结果。
以图3中所示图表为例,若用户选择了图表中的“风险处方数量”指标,在“时间”维度基础进一步增加“处方风险项目”维度的选项,也就是需要将具体的风险情况也进行显示,那么此时将进一步在相关数据中所包含的数据信息进行识别,确定不同风险情况所对应的数量,那么此时所述出的图表可以如图4所示。
在一实施例中,在对文本信息进行处理时,是将所接收到的文本信息输入至预先所训练好的行为预测模型中,以得到相匹配的目标数据,因此,需要预先得到训练好的行为预测模型,如图5所示,图5为本申请一个实施例提供的得到训练好的行为预测模型的步骤的流程示意图,其中,得到训练好的行为预测模型的包括步骤S501至步骤S503。
步骤S501、获取历史数据信息,并根据所述历史数据信息所包含的信息标签对所述历史数据信息进行分类处理。
在得到训练好的行为预测模型时,首先需要确定进行模型训练的数据,因此,获取该系统中所记录的历史数据信息,然后根据所设定的信息标签对所获取的历史数据信息进行分类处理,以对历史数据信息进行分类处理,得到不同的数据类别。
对历史数据信息进行分类处理的标签信息,是根据不同的业务类型所确定的,即使是同一个系统中所记录的数据信息,同样会存在所属类别不同的情况,就医疗监管系统中所记录的数据而言,历史数据信息所属的区域可能不同,同样所记录的主题也会有所不同,比如数量或者金额。因此,对于标签信息而言,标签信息可以是地区名称、医院名称、部门名称以及信息主题等。
在实际应用中,不同数据所属的业务类别有所不同,使得数据之间的交叉性较大,因此需要合理的对数据进行分类处理,以使得在进行模型训练时,可以更加准确的完成对行为预测模型的训练,进而使得在对用户的行为进行预测时可以更加准确。
对应历史数据信息来说,数据信息之间具有较强的交叉性,使得同一个信息会存在于不同的类别中,而对于不同类别所记录的数据信息而言,其所对应的关键信息会有所不同,使得对于不同的类别进行处理所得到的结果也会不同。
步骤S502、根据分类处理得到的各类别所包含的数据信息,对待训练的行为预测模型进行训练。
在对历史数据信息进行分类处理后,将各类别所包含的数据信息分别输入到待训练的行为预测模型中,以实现对待训练的行为预测模型进行训练,并在完成模型训练之后输出得到训练好的行为预测模型。
在一实施例中,在对预测模型进行训练时,实际上是对行为预测模型所包含的不同单元进行训练,比如特征提取单元以及行为预测单元,通过行为预测模型中所包含的相关单元进行训练,以实现对行为预测模型的训练。
在对特征提取单元进行训练时,利用同类别数据对特征提取单元进行训练,通过特征相似性优化对特征标签的提取方案进行优化,以提高特征提取的准确性。
示例性的,在对特征提取单元进行训练时,首先对不同类别中所包含的每个历史数据信息进行文本转化以及NLPIR分词处理,然后通过对每个历史数据信息的分析,确定该类别所对应的特征提取规则,其中特征提取规则对应有相应的特征库。同样的,按照该方法可以确定各类别所对应的特征提取规则。通过确定对不同特征对应的特征库,以避免出现特征识别失败或者特征识别不准确的情况。
在对行为预测单元进行训练时,根据同类别数据实现对行为预测单元中数据相关性进行优化,确定数据之间的关联性以及对应的关联点,确定特征与特征之间的关联关系以及层级关系,具体体现在数据之间的关联性,通过特征与特征之间的关联性,实现预测的关联推荐,可以更加快速的根据特征标签得到可以进行输出的结果信息。
在实际应用中,数据之间会存在一定的关联性,也就是同一个数据信息会存在于两个甚至多个类别中,同样的,属于同一类别的数据也会存在有相应的关联性。
在对行为预测模型进行训练时,通过对待训练的行为预测模型中所包含的需要使用的各单元进行优化和训练,以实现对待训练的行为预测模型进行训练,在行为预测模型中还包含有其他影响模型预测的单元都会利用相关数据信息进行优化和训练。
步骤S503、当检测到所述待训练的预测模型收敛时,确定训练完成时,并得到训练好的行为预测模型。
在对待训练的行为预测模型进行训练时,将得到训练好的行为预测模型,进而将行为预测模型进行记录和存储,以供后续的使用。
实际上,确定是否训练完成的方式有多种,常用的方式是通过确定模型是否收敛来确定是否训练完成,在确定训练后的模型收敛时,确定训练完成,反之则确定训练未完成。而对于确定模型是否收敛的方式包括:训练次数达到预设次数、模型中的某一或者某些参数满足预设条件或者训练时长达到预设时长等,根据实际的需求确定合适的收敛条件,以完成对模型的训练。
在得到训练好的行为预测模型之后,需要使得后续可以进行使用,因此在完成模型训练得到训练好的行为预测模型之后,可以设置相应的接口以使得在进行数据信息的查询时,通过接口的调用,可以直接接入训练好的行为预测模型,以得到满足用户需求的相关结果信息。
在一实施例中,在实际的医疗数据的查询和处理过程中,主要流程可包括如下步骤:
1、语音信息输入,医护人员根据自己的需求输入相应的语音信息;
2、语音信息处理,利用NLP技术对所接收到的语音信息进行处理,以得到对应的文本信息;
3、文本信息处理,对进行转化得到的文本信息进行处理,得到相应的NER;
4、数据确定,根据所得到的NER确定所需要获取的数据信息;
5、数据输出,将所得到数据信息输入至SQL引擎中,以生成得到对应的图表。
在实际的处理过程中,医护人员根据自身需求输入相应的语音信息,然后根据所输入的语音信息实现数据的分析和处理。以根据所输入的语音信息利用NLP技术进行处理得到文本信息为:惠州2018年一季度人民医院的月经营总收入分布,为例,具体地的处理过程可以如图6所示。
医护人员在进行语音输入之后,通过纠错和分词处理,得到若干特征信息,包括:惠州、2018年一季度、人民医院、月、经营、总、收益、分布,并且对所得到的特征信息进行标注,然后根据特征信息在数据库中获取相关联的数据信息,进而将所得到的数据信息输入到SQL引擎中,在SQL引擎对所得到的数据信息进行处理时,首先根据图表型SQL所需要的三要素,得到在生成图表时对应的维度、指标以及查询条件,然后对数据信息进行汇总得到在不同维度下不同指标对应的数据结果,比如一季度中1、2、3月每个月的经营收入,最后所得到的维度生成对应的图表。
在上述描述的基于人工智能的医疗信息反馈方法中,在接收到语音信息时,利用NLP技术对其转化为对应的文本信息,以及进行特征提取,进而根据所训练好的预测模型对用户的行为意图进行预测,以得到与用户意图相对应的数据信息,最后利用SQL引擎实现对数据信息的展示,根据用户意图实现分析结果的动态展示,无需用户进行无用操作,利用NLP技术以及基于推荐算法所得到预测模型对用户意图进行分析,提高了数据反馈准确性以及系统处理效率。
请参阅图7,图7为本申请一个实施例中一种基于人工智能的医疗信息反馈装置的示意性框图,该装置用于执行前述的基于人工智能的医疗信息反馈方法。
如图7所示,该基于人工智能的医疗信息反馈装置700包括:
信息接收单元701,用于接收输入的语音信息;
信息处理单元702,用于对所述语音信息进行语义识别和文本转化,以得到标准的文本信息;
模型处理单元703,用于将所述文本信息输入至预先训练好的行为预测模型中,得到输出的目标医疗数据;
结果输出单元704,用于将所述目标医疗数据传输至数据库引擎进行处理,得到对应的待输出图表,并将所述待输出图表展示在相应的展示框内。
进一步地,在一个实施例中,所述基于人工智能的医疗信息反馈装置700具体还包括模型训练模块705,所述模型训练模块705用于:
获取历史数据信息,并根据所述历史数据信息所包含的信息标签对所述历史数据信息进行分类处理;根据分类处理得到各类别所包含的数据信息,对待训练的预测模型进行训练;当检测到所述待训练的预测模型收敛时,确定训练完成,并得到训练好的行为预测模型。
进一步地,在一个实施例中,所述基于人工智能的医疗信息反馈装置700具体还用于:
当接收到行为预测指令时,启动对应的行为预测功能,并识别发出所述行为预测指令的用户所对应的用户信息。
进一步地,在一个实施例中,所述模型处理单元703具体还用于:
将所述文本信息输入至所述训练好的行为预测模型中的特征提取单元,以输出得到所述文本信息对应的特征标签;将所述用户信息以及所述特征标签输入至所述训练好的行为预测模型中的行为预测单元,以输出得到对应的匹配结果;根据所述匹配结果在预设数据库中进行查询,以得到输出的目标医疗数据,其中所述预设数据库存储于区块链节点中。
进一步地,在一个实施例中,所述模型处理单元703具体还用于:
确定所述特征标签是否特征完整;若确定所述特征标签特征完整,则根据所述特征标签得到对应的匹配结果;若确定所述特征标签特征缺失,则根据所述用户信息得到用户画像,以根据所述用户画像以及所述特征标签得到对应的匹配结果。
进一步地,在一个实施例中,所述模型处理单元703具体还用于:
提取所述用户信息中所包含的画像特征,并根据所述画像特征得到对应的用户画像;根据所述用户画像进行画像匹配,确定相匹配的目标画像;获取所述目标画像对应的目标匹配结果,并基于所述特征标签在所述目标匹配结果中确定对应的匹配结果。
进一步地,在一个实施例中,所述基于人工智能的医疗信息反馈装置700具体还用于:
当接收到调节指令时,接收输入的调节参数;根据所述调节参数对所述输出结果进行处理,并在调节完成时输出调节后的输出结果。
需要说明的是,所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的装置和各模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
上述的装置可以实现为一种计算机程序的形式,该计算机程序可以在如图8所示的计算机设备上运行。
请参阅图8,图8为本申请一个实施例中计算机设备的结构示意性框图。该计算机设备可以是服务器。
参阅图8,该计算机设备包括通过系统总线连接的处理器、存储器和网络接口,其中,存储器可以包括非易失性存储介质和内存储器。
非易失性存储介质可存储操作系统和计算机程序。该计算机程序包括程序指令,该程序指令被执行时,可使得处理器执行任意一种基于人工智能的医疗信息反馈方法。
处理器用于提供计算和控制能力,支撑整个计算机设备的运行。
内存储器为非易失性存储介质中的计算机程序的运行提供环境,该计算机程序被处理器执行时,可使得处理器执行任意一种基于人工智能的医疗信息反馈方法。
该网络接口用于进行网络通信,如发送分配的任务等。本领域技术人员可以理解,图8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计算机设备的限定,具体的计算机设备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。
应当理解的是,处理器可以是中央处理单元 (Central Processing Unit,CPU),该处理器还可以是其他通用处理器、数字信号处理器 (Digital Signal Processor,DSP)、专用集成电路 (Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中,通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
其中,在一个实施例中,所述处理器用于运行存储在存储器中的计算机程序,以实现如下步骤:
接收输入的语音信息;对所述语音信息进行语义识别和文本转化,以得到标准的文本信息;将所述文本信息输入至预先训练好的行为预测模型中,得到输出的目标医疗数据;将所述目标医疗数据传输至数据库引擎进行处理,得到对应的待输出图表,并将所述待输出图表展示在相应的展示框内。
在一个实施例中,所述处理器在实现所述计算机程序时,还用于实现:
获取历史数据信息,并根据所述历史数据信息所包含的信息标签对所述历史数据信息进行分类处理;根据分类处理得到各类别所包含的数据信息,对待训练的预测模型进行训练;当检测到所述待训练的预测模型收敛时,确定训练完成,并得到训练好的行为预测模型。
在一个实施例中,所述处理器在实现所述接收输入的语音信息之前,还用于实现:
当接收到行为预测指令时,识别发出所述行为预测指令的用户所对应的用户信息。
在一个实施例中,所述处理器在实现将所述将所述文本信息输入至预先训练好的行为预测模型中,得到输出的目标医疗数据时,还用于实现:
将所述文本信息输入至所述训练好的行为预测模型中的特征提取单元,以输出得到所述文本信息对应的特征标签;将所述用户信息以及所述特征标签输入至所述训练好的行为预测模型中的行为预测单元,以输出得到对应的匹配结果;根据所述匹配结果在预设数据库中进行查询,以得到输出的目标医疗数据,其中所述预设数据库存储于区块链节点中。
在一个实施例中,所述处理器在实现所述将所述用户信息以及所述特征标签输入至所述训练好的行为预测模型中的行为预测单元,以输出得到对应的匹配结果时,还用于实现:
确定所述特征标签是否特征完整;若确定所述特征标签特征完整,则根据所述特征标签得到对应的匹配结果;若确定所述特征标签特征缺失,则根据所述用户信息得到用户画像,以根据所述用户画像以及所述特征标签得到对应的匹配结果。
在一个实施例中,所述处理器在实现所述根据所述用户信息得到用户画像,以根据所述用户画像以及所述特征标签得到对应的匹配结果时,还用于实现:
提取所述用户信息中所包含的画像特征,并根据所述画像特征得到对应的用户画像;根据所述用户画像进行画像匹配,确定相匹配的目标画像;获取所述目标画像对应的目标匹配结果,并基于所述特征标签在所述目标匹配结果中确定对应的匹配结果。
在一个实施例中,所述处理器在实现所述所述目标数据传输至SQL引擎单元,以生成得到对应的输出结果,并将所述输出结果进行反馈之后,还用于实现:
当接收到调节指令时,接收输入的调节参数;根据所述调节参数对所述输出结果进行处理,并在调节完成时输出调节后的输出结果。
本申请的实施例中还提供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,所述计算机程序中包括程序指令,所述处理器执行所述程序指令,实现本申请实施例提供的任一项基于人工智能的医疗信息反馈方法。
其中,所述计算机可读存储介质可以是前述实施例所述的计算机设备的内部存储单元,例如所述计算机设备的硬盘或内存。所述计算机可读存储介质也可以是所述计算机设备的外部存储设备,例如所述计算机设备上配备的插接式硬盘,智能存储卡(SmartMedia Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。
进一步地,所述计算机可读存储介质可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序等;存储数据区可存储根据区块链节点的使用所创建的数据等。
另外,本申请所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
以上所述,仅为本申请的具体实施方式,但本申请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申请揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。