CN111951942B - 门诊预检分诊方法、装置、终端及存储介质 - Google Patents
门诊预检分诊方法、装置、终端及存储介质 Download PDFInfo
- Publication number
- CN111951942B CN111951942B CN202010861872.2A CN202010861872A CN111951942B CN 111951942 B CN111951942 B CN 111951942B CN 202010861872 A CN202010861872 A CN 202010861872A CN 111951942 B CN111951942 B CN 111951942B
- Authority
- CN
- China
- Prior art keywords
- inquiry information
- cluster
- initial point
- patient
- point
- 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
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
- G16H40/20—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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/3331—Query processing
- G06F16/334—Query execution
- G06F16/3344—Query execution using natural language analysis
-
- 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
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- 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
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Epidemiology (AREA)
- Databases & Information Systems (AREA)
- Primary Health Care (AREA)
- Theoretical Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Business, Economics & Management (AREA)
- Pathology (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明属于机器学习技术领域,尤其涉及一种门诊预检分诊方法、装置、终端及存储介质。所述分诊方法包括:获取预检病人的问诊信息;将所述预检病人的问诊信息与预存的问诊信息集进行聚类,获得所述预检病人的问诊信息所属的类簇,其中,所述问诊信息集包括多个已分诊病人的问诊信息;将所述预检病人的问诊信息所属的类簇对应的分诊科室确定为所述预检病人的分诊科室。上述方法只需要预检病人提供特定的问诊信息,即可基于历史已分诊病人的问诊信息构成的问诊信息集,通过聚类完成门诊预检分诊的过程,从而快速且准确的为预检病人提供门诊预检分诊的指引。
Description
技术领域
本发明属于机器学习技术领域,尤其涉及一种门诊预检分诊方法、装置、终端及存储介质。
背景技术
社会的不断进步和生活水平的进一步提高,人们越来越关注自身的健康。俗话说“人吃五谷杂粮生百病”,寻医问药几乎是每一个人都无法避免的事情。
根据疾病发生的生理解剖部位,分成九大生理体系,包括消化系统、神经系统、呼吸系统等;根据疾病发生的器官位,可以分成心脏病、胃病;有时候根据疾病发生的病理,分成错位、炎症、肿瘤等等。随着医学科学的进步,科室的分化也越来越细,对疾病的诊断手段也越来越丰富准确。
门诊预检分诊是护理人员根据患者的主诉及主要的临床症状和体征,按照患者疾病的轻重缓急进行初步诊断、分配专科及安排就诊顺序的过程。
但是病人在就医时往往症状描述较多,无法准确描述是什么部位或者明确是什么生理系统发生了问题,在面对护理人员数量有限,且大型综合医院专业及科室设置越来越细的情况时,病人自己难以确定应挂哪个科室的号,等待时间长。病人在自己挂号时,存在挂错号后重新排队挂号,浪费时间、财力和精力的问题。在严重时,上述问题甚至可能会延误救治时间,引起医疗纠纷。因此,在门诊求医时如何准确快速的进行门诊预检分诊成为亟需解决的问题。
发明内容
有鉴于此,本发明实施例提供了一种门诊预检分诊方法、装置、终端及存储介质,为患者提供准确且快速的门诊预检分诊服务。
本发明实施例的第一方面提供了一种门诊预检分诊方法,包括:
获取预检病人的问诊信息;
将所述预检病人的问诊信息与预存的问诊信息集进行聚类,获得所述预检病人的问诊信息所属的类簇,其中,所述问诊信息集包括多个已分诊病人的问诊信息;
将所述预检病人的问诊信息所属的类簇对应的分诊科室确定为所述预检病人的分诊科室。
可选的,在所述将所述预检病人的问诊信息所属的类簇对应的分诊科室确定为所述预检病人的分诊科室之前还可以包括:
获取所述问诊信息集;
对所述问诊信息集进行聚类,获得指定数量的类簇;
基于各个类簇对应的已分诊病人的分诊科室,确定各个类簇对应的分诊科室。
可选的,所述获取所述问诊信息集,包括:
基于问诊问题的回答信息与数值的映射关系,获取每个已分诊病人的每个问诊问题的回答信息所对应的数值;
建立已分诊病人的编号和已分诊病人的多个问诊回答信息所对应的多个数值的二维矩阵;
对所述二维矩阵中每个已分诊病人的编号对应的多个数值进行归一化处理,获得所述问诊信息集。
可选的,所述对所述问诊信息集进行聚类,获得指定数量的类簇,可以包括:
选取所述问诊信息集中任一未被标记为已访问的数据点作为第一初始点;
获取第一初始点预设聚类半径内的所有数据点;
若第一初始点预设聚类半径内的所有数据点的数量大于或等于预设密度阈值,则第一初始点和第一初始点预设聚类半径内的所有数据点形成一个类簇,并将第一初始点标记为已访问,并从所述问诊信息集中重新选取任一未被标记为已访问的数据点作为第一初始点;
若第一初始点预设聚类半径内的所有数据点的数量小于预设密度阈值,则将第一初始点标记为噪声点,并从所述问诊信息集中重新选取任一未被标记为已访问的数据点作为第一初始点;
当所述问诊信息集中的所有数据点被标记为已访问或噪声点时,输出获得的类簇;
其中,所述预设聚类半径和所述预设密度阈值基于所要指定的类簇的数量进行设置。
可选的,在所述若第一初始点预设聚类半径内的所有数据点的数量大于或等于预设密度阈值,则第一初始点和第一初始点预设聚类半径内的所有数据点形成一个类簇,并将第一初始点标记为已访问之后,还可以包括:
将第一初始点和第一初始点预设聚类半径内的所有数据点加入一个候选集;
选取所述候选集中任一未被标记为已访问的数据点作为第二初始点;
获取第二初始点预设聚类半径内的所有数据点;
若第二初始点预设聚类半径内的所有数据点的数量大于或等于预设密度阈值,则第二初始点和第二初始点预设聚类半径内的所有数据点形成一个子类簇,并将第二初始点标记为已访问,并从所述候选集中重新选取任一未被标记为已访问的数据点作为第二初始点;
若第二初始点预设聚类半径内的所有数据点的数量小于预设密度阈值,则将第二初始点标记为噪声点,并从所述候选集中重新选取任一未被标记为已访问的数据点作为第二初始点;
当所述候选集中所有数据点被标记为已访问或噪声点时,从所述问诊信息集中重新选取任一未被标记为已访问的数据点作为第一初始点;
所述当所述问诊信息集中的所有数据点被标记为已访问或噪声点时,输出获得的类簇,包括:
当所述问诊信息集中的所有数据点被标记为已访问或噪声点时,输出获得的类簇和子类簇。
可选的,所述将所述预检病人的问诊信息与预存的问诊信息集进行聚类,获得所述预检病人的问诊信息所属的类簇,可以包括:
将所述预检病人的问诊信息分别与每个类簇的核心点进行距离计算;
当所述预检病人的问诊信息与当前的类簇的核心点距离小于或等于预设聚类半径时,判断所述预检病人的问诊信息所属的类簇为该类簇。
可选的,所述将所述预检病人的问诊信息与预存的问诊信息集进行聚类,获得所述预检病人的问诊信息所属的类簇,可以包括:
将所述预检病人的问诊信息分别与每个类簇的核心点和每个和子类簇的核心点和进行距离计算;
当所述预检病人的问诊信息与当前的类簇或子类簇的核心点距离小于或等于预设聚类半径时,判断所述预检病人的问诊信息所属的类簇为该类簇或子类簇。
本发明实施例的第二方面提供了一种门诊预检分诊装置,包括:
获取模块,用于获取预检病人的问诊信息;
聚类模块,用于将所述预检病人的问诊信息与预存的问诊信息集进行聚类,获得所述预检病人的问诊信息所属的类簇,其中,所述问诊信息集包括多个已分诊病人的问诊信息;
确定模块,用于将所述预检病人的问诊信息所属的类簇对应的分诊科室确定为所述预检病人的分诊科室。
本发明实施例的第三方面提供了一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如本发明实施例第一方面提供的门诊预检分诊方法的步骤。
本发明实施例的第四方面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实现第一方面提供的门诊预检分诊方法的步骤。
本发明实施例提供的预检分诊方法将中医问诊结合机器学习的聚类算法相结合,应用于预检病人的门诊分类中,首先获取预检病人的问诊信息;通过将所述预检病人的问诊信息与预存的问诊信息集进行聚类,获得所述预检病人的问诊信息所属的类簇,其中,所述问诊信息集包括多个已分诊病人的问诊信息;最后将所述预检病人的问诊信息所属的类簇对应的分诊科室确定为所述预检病人的分诊科室。上述方法只需要预检病人提供特定的问诊信息,即可基于历史已分诊病人的问诊信息构成的问诊信息集,通过聚类完成门诊预检分诊的过程,不需要护理人员进行初步诊断,即可快速且准确的为预检病人提供门诊预检分诊服务。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的门诊预检分诊方法的流程示意图;
图2是本发明实施例提供的门诊预检分诊装置的结构示意图;
图3是本发明实施例提供的终端设备的结构示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本发明实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本发明的描述。
本发明的说明书和权利要求书及上述附图中的术语“包括”以及其他任何变形,是指“包括但不限于”,意图在于覆盖不排他的包含。例如包含一系列步骤或单元的过程、方法或系统、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。此外,术语“第一”、“第二”和“第三”等是用于区别不同对象,而非用于描述特定顺序。
为了说明本发明所述的技术方案,下面通过具体实施例来进行说明。
图1是发明实施例提供的门诊预检分诊方法的流程示意图,参示图1,分诊方法包括:
步骤S101,获取预检病人的问诊信息。
本发明实施例中,问诊指医师通过与病人或其知情人交谈,了解疾病的发生、发展情况、治疗经过、既往健康,目前主要痛苦所在,自觉症状,饮食喜恶等情况,经过分析、综合、全面思考而提出临床判断的一种诊法。内容最早见于《素问·征四失论》等篇。明代张景岳《景岳全书·十问篇》,较全面地归纳总结了问诊的内容、顺序及其辨证意义。问诊是诊断疾病的最基本也是最重要的手段,具有如下的功能:
通过问诊,可以发现疾病早期。由于疾病初期,机体尚处于功能的或病理生理变化的阶段,这时还不能发现器质性或形态学方面的改变,而病人却可以感受到某些特殊的不适,通过问诊可以更早地获得疾病信息。有许多疾病仅靠问诊即可得出初步诊断或确诊,如上呼吸道感染、支气管炎、心绞痛、消化性溃疡、糖尿病、癫痫、疟疾、胆道蛔虫症等。
问诊所得的信息可以为选择其他的检查措施提供线索。
问诊不仅可以全面地了解病人疾病的历史和现状,而且通过交谈,可以掌握病人的思想动态,有利于做好病人的思想工作,消除不良影响,提高诊疗效果。
本申请实施例中的问诊信息可以包括预检病人回答预设的问诊问题的回答信息。例如,以《景岳全书》列出十问为例,问诊问题可以包括:一问寒热二问汗,三问疼痛四问便,五问呕眩六问悸,七苦八渴俱当辨,九问旧病十问因。基于上述问题,预检病人的回答信息可以包括基于病症程度的回答信息,例如,病症程度可以设置包括一直都、经常、偶尔、几乎没有和没有。对于每个症状程度可以进行量化,使每个症状程度分别对应一个数值。
步骤S102,将所述预检病人的问诊信息与预存的问诊信息集进行聚类,获得所述预检病人的问诊信息所属的类簇,其中,所述问诊信息集包括多个已分诊病人的问诊信息。
本发明实施例中,预存的问诊信息集包括多个已分诊病人的问诊信息,即历史问诊信息;例如,人数可以是466人,获取每个已分诊病人的问诊问题,该获取的每个已分诊病人的问诊问题应当保持一致,且使得预检病人的问诊问题也与已分诊病人的问诊问题保持一致。预存的问诊信息集包括上述466人对问诊问题的回答信息。该预存信息集可以是已经经过聚类的信息集,基于此,已经获得了为了多个类簇,且类簇和分诊科室相对应。通过将所述预检病人的问诊信息与预存的问诊信息集进行聚类,获得预检病人的问诊信息所属的类簇。
步骤S103,将所述预检病人的问诊信息所属的类簇对应的分诊科室确定为所述预检病人的分诊科室。
本发明实施例中,在获得了预检病人的问诊信息所属的类簇后,基于该类簇对应的分诊科室,即可确定预检病人的分诊科室为该分诊科室,准确快速的完成预检病人的预检分诊工作。
本发明实施例提供的预检分诊方法将中医问诊结合机器学习的聚类算法相结合,应用于预检病人的门诊分类中,首先获取预检病人的问诊信息;通过将所述预检病人的问诊信息与预存的问诊信息集进行聚类,获得所述预检病人的问诊信息所属的类簇,其中,所述问诊信息集包括多个已分诊病人的问诊信息;最后将所述预检病人的问诊信息所属的类簇对应的分诊科室确定为所述预检病人的分诊科室。上述方法只需要预检病人提供特定的问诊信息,即可基于历史已分诊病人的问诊信息构成的问诊信息集,通过聚类完成门诊预检分诊的过程,不需要护理人员进行初步诊断,即可快速且准确的为预检病人提供门诊预检分诊服务。
一些实施例中,在所述将所述预检病人的问诊信息所属的类簇对应的分诊科室确定为所述预检病人的分诊科室之前还可以包括:
步骤S104,获取所述问诊信息集,。
步骤S105,对所述问诊信息集进行聚类,获得指定数量的类簇。
步骤S106,基于各个类簇对应的已分诊病人的分诊科室,确定各个类簇对应的分诊科室。
本发明实施例中,可以对已分诊病人的问诊信息集进行聚类,以获得指定数量的类簇;该类簇的数量与医院的分诊科室的数量相匹配,且使类簇对应一个分诊科室,为后续的预检病人的预检分诊过程提供数据指导。为方便理解,下文以一个具体的例子进行说明。
在步骤S104中,可以从526例已分诊病人的门诊信息中选取466例病人的门诊信息;提取466个病人的门诊信息中的问诊问题,问诊问题可以包括:一问寒热二问汗,三问疼痛四问便,五问呕眩六问悸,七苦八渴俱当辨,九问旧病十问因等。根据病人对各个问诊问题的回答信息,并基于问诊问题的回答信息与数值的映射关系,获取每个已分诊病人的每个问诊问题的回答信息所对应的数值;具体的,可以基于病症程度建立问诊问题的回答信息与数值的映射关系,症状程度为“一直都”时,数值记为1;症状程度为“经常”时,数值记为0.75,症状程度为“偶尔”时,数值记为0.5,症状程度为“几乎没有”时,数值记为0.25,症状程度为“没有”时,数值记为0。例如,若病人对问诊问题中的一问,是否有寒热,进行回答的回答信息为一直都,则该项问诊问题的数值可以记录为1,以此类推,获得所有已分诊病人的每个问诊问题的回答信息所对应的数值。上述过程的有益效果在于,不需要病人对自身的症状进行描述,而只需要根据预设的十个问题进行程度的回答,准确且易于量化,减小了个体差异的影响。
在获取了466例病人的每个问诊问题的回答信息所对应的数值后,可以对每例病人进行编号,建立466例病人的编号和已分诊病人的多个问诊回答信息所对应的多个数值的二维矩阵。该二维矩阵可以作为初始数据集,如下表1所示。
表1初始数据集
对所述二维矩阵中每个已分诊病人的编号对应的多个数值进行归一化处理,获得问诊信息集。延续上文中的示例,对获得的初始数据集466*10,通过总合标准化法进行归一化处理。具体的,可以通过公式: 对初始数据集进行归一化处理,其中,x′ij为归一化处理后的数据,xij为归一化处理前的数据,i为数据的行标号,j为数据的列标号。例如,对上述二维矩阵(初始数据集)中的第一行数据进行归一化处理,原始数据为:
对该行数据求和得到3,该行数据每一个数据值除以3得到归一化后的数据为:
基于上述过程,对上述二维矩阵(初始数据集)中的每一行数据均进行处理,获得归一化后的二维矩阵作为问诊信息集,如表2所示:
表2问诊信息集
一些实施例中,所述对所述问诊信息集进行聚类,获得指定数量的类簇,可以包括:
选取所述问诊信息集中任一未被标记为已访问的数据点作为第一初始点;
获取第一初始点预设聚类半径内的所有数据点;
若第一初始点预设聚类半径内的所有数据点的数量大于或等于预设密度阈值,则第一初始点和第一初始点预设聚类半径内的所有数据点形成一个类簇,并将第一初始点标记为已访问,并从所述问诊信息集中重新选取任一未被标记为已访问的数据点作为第一初始点;
若第一初始点预设聚类半径内的所有数据点的数量小于预设密度阈值,则将第一初始点标记为噪声点,并从所述问诊信息集中重新选取任一未被标记为已访问的数据点作为第一初始点;
当所述问诊信息集中的所有数据点被标记为已访问或噪声点时,输出获得的类簇;
其中,所述预设聚类半径和所述预设密度阈值基于所要指定的类簇的数量进行设置。
本发明实施例中,在步骤S105中,扫描整个问诊信息集,找到任意一未被标记为已访问的数据点作为第一初始点,即作为类簇的核心点,对该核心点进行扩充。扩充的过程可以表示为寻找从该核心点出发的所有密度相连的数据点。由于边界点无法扩充,遍历该核心点的预设聚类半径邻域内的所有核心点,寻找与这些数据点密度相连的点,直到没有可以扩充的数据点为止,判断扩充数据点的数量是否达到预设密度阈值,在达到预设密度阈值时,则将核心点和扩充的数据点加入一个类簇追踪;其中,最后聚类成的类簇的边界节点都是非核心数据点。之后去除之前寻找到的类簇中的任何数据点,重新扫描问诊信息集,寻找没有被聚类的核心点,重复上面的步骤,直到问诊信息集中不具备形成新的核心点的条件为止。问诊信息集中没有包含在任何类簇中的数据点构成噪声点。本发明实施例中,预设聚类半径和预设密度阈值根据所要指定的类簇的数量进行设置,即基于医院的实际情况进行选择,以贴合医院的分科室的数量。
步骤S106中,在完成问诊信息集的聚类,获得指定数量的类簇后,可以基于各个类簇对应的已分诊病人的分诊科室,确定各个类簇对应的分诊科室。例如输出类簇数量为10,其中一个类簇中的预设百分比数量的病人已分诊的科室为消化内科,则可以确定该类簇对应为消化内科。或者,在另外一些实施例中,可以基于该类簇中的多个病人的问诊信息,对其应共同属于的分诊科室进行确认,进而确定该类簇所对应的科室。
一些实施例中,在所述若第一初始点预设聚类半径内的所有数据点的数量大于或等于预设密度阈值,则第一初始点和第一初始点预设聚类半径内的所有数据点形成一个类簇,并将第一初始点标记为已访问之后,还可以包括:
将第一初始点和第一初始点预设聚类半径内的所有数据点加入一个候选集;
选取所述候选集中任一未被标记为已访问的数据点作为第二初始点;
获取第二初始点预设聚类半径内的所有数据点;
若第二初始点预设聚类半径内的所有数据点的数量大于或等于预设密度阈值,则第二初始点和第二初始点预设聚类半径内的所有数据点形成一个子类簇,并将第二初始点标记为已访问,并从所述候选集中重新选取任一未被标记为已访问的数据点作为第二初始点;
若第二初始点预设聚类半径内的所有数据点的数量小于预设密度阈值,则将第二初始点标记为噪声点,并从所述候选集中重新选取任一未被标记为已访问的数据点作为第二初始点;
当所述候选集中所有数据点被标记为已访问或噪声点时,从所述问诊信息集中重新选取任一未被标记为已访问的数据点作为第一初始点;
所述当所述问诊信息集中的所有数据点被标记为已访问或噪声点时,输出获得的类簇,包括:
当所述问诊信息集中的所有数据点被标记为已访问或噪声点时,输出获得的类簇和子类簇。
本发明实施例中,不同于上文所述的步骤S105,在一个核心点与该核心点的扩充点满足形成一个类簇的条件,并将该核心点标记为已访问之后,不是跳出此次循环重新挑选核心点,而是将该核心点与该核心点的扩充点加入一个候选集,对该候选集中的各个点进一步进行处理。处理过程可以为:从候选集中挑选未被访问的第二初始点,找出与第二初始点预设聚类半径内(包括预设聚类半径)的所有附近点,若附近点的数量大于或等于预设密度阈值,则当前的第二初始点和其附近点形成一个子类簇;若附近点的数量小于预设密度阈值,则将该第二初始点暂时标记为噪声点,跳出本次循环,寻找下一个未被标记为已访问的点作为第二初始点。使用上述方法判断候选集中的所有点,当所述候选集中所有数据点被标记为已访问或噪声点时,则该候选集判断完毕,跳出该候选集的判断,再继续从问诊信息集中重新选取任一未被标记为已访问的数据点作为第一初始点,进行问诊信息集的判断,直至完成问诊信息集中不具备形成新的核心点的条件为止。由于单纯的密度聚类不能很好的表达簇间的关联关系,本发明实施例在密度聚类的方法上结合章节排序的方法,在进行核心点的判定的时候,根据判定排序的先后进行章节条目标注,然后根据标注进行下一级分类,可以对密度聚类结果进行再一次细分,可以有效避免大类分类过于粗糙,且同时小分类也不是必须子母关系,可以调整。
上述实施例为两次密度判断,即第一密度判断获得类簇,第二次密度判断获得子类簇;在另外一些实施例中,依次类推,还可以进行更多次数的密度判断,例如若需要进行三次密度判断,则在若第二初始点预设聚类半径内的所有数据点的数量大于或等于预设密度阈值,则第二初始点和第二初始点预设聚类半径内的所有数据点形成一个子类簇,并将第二初始点标记为已访问后,将第二初始点和第二初始点预设聚类半径内的所有数据点加入另一子候选集,在该子候选集中选择第三初始点进行第三次密度判断,直至遍历该子候选集,之后再退出至上一级进行密度判断,遍历候选集,之后再退出至上一级进行密度判断,直至遍历问诊信息集。密度判断的次数可以具体根据医院的科室分类和层级进行设定。
本发明实施例提供的为两次判断,延续步骤S104中提供的数据,对表2中所示的问诊信息集通过本发明实例中的聚类方法进行聚类的结果为:
当预设聚类半径为0.05,预设密度阈值为20时,获得聚类结果为10个类簇,4个子类簇:(消化内(胃内科、肠内科)、心血管内、中医骨、皮肤外、骨外(四肢外、手外)、脊柱外科、妇科、产科、儿科、急诊)。其中10个类簇分别为消化内、心血管内、中医骨、皮肤外、骨外、脊柱外科、妇科、产科、儿科、急诊;4个子类簇分别为隶属于消化内的胃内科和肠内科,隶属于骨外的四肢外各手外。
当预设聚类半径为0.10,预设密度阈值为20时,获得聚类结果为7个类簇,5个子类簇:(腹内(胃肠、心脏、肺病科)、骨内、腹外、骨外(四肢骨、脊柱骨)、妇科、产科、急诊)。
当预设聚类半径为0.50,预设密度阈值为20时,获得聚类结果为4个类簇,7个子类簇:(内科(胃肠、心脏、肺、肾)、外科(骨、脊柱、脑)、妇科、急诊)。
一些实施例中,所述将所述预检病人的问诊信息与预存的问诊信息集进行聚类,获得所述预检病人的问诊信息所属的类簇,可以包括:
将所述预检病人的问诊信息分别与每个类簇的核心点进行距离计算;
当所述预检病人的问诊信息与当前的类簇的核心点距离小于或等于预设聚类半径时,判断所述预检病人的问诊信息所属的类簇为该类簇。
本发明实施例中,在对问诊信息集聚类结束,输出聚类结果后,当有新的病人(预检病人)来门诊时,通过问诊,获得一组数据。这一组数据分别与已经聚类好的类簇的核心点进行距离计算,当满足聚簇条件(距离小于或等于预设聚类半径)的时候,便归属于该类簇,新的病人就可以挂这个类簇对应的科室的号进行医疗。
一些实施例中,所述将所述预检病人的问诊信息与预存的问诊信息集进行聚类,获得所述预检病人的问诊信息所属的类簇,可以包括:
将所述预检病人的问诊信息分别与每个类簇的核心点和每个和子类簇的核心点和进行距离计算;
当所述预检病人的问诊信息与当前的类簇或子类簇的核心点距离小于或等于预设聚类半径时,判断所述预检病人的问诊信息所属的类簇为该类簇或子类簇。
图2是本发明实施例提供的门诊预检分诊装置的结构示意图,参示图2,门诊预检分诊装置20包括:
获取模块21,用于获取预检病人的问诊信息;
聚类模块22,用于将所述预检病人的问诊信息与预存的问诊信息集进行聚类,获得所述预检病人的问诊信息所属的类簇,其中,所述问诊信息集包括多个已分诊病人的问诊信息;
确定模块23,用于将所述预检病人的问诊信息所属的类簇对应的分诊科室确定为所述预检病人的分诊科室。
一些实施例中,门诊预检分诊装置还可以包括:
第二获取模块,用于在所述将所述预检病人的问诊信息所属的类簇对应的分诊科室确定为所述预检病人的分诊科室之前,获取所述问诊信息集;
第二聚类模块,用于对所述问诊信息集进行聚类,获得指定数量的类簇;
第二确定模块,用于基于各个类簇对应的已分诊病人的分诊科室,确定各个类簇对应的分诊科室。
一些实施例中,,所述获取所述问诊信息集,包括:
基于问诊问题的回答信息与数值的映射关系,获取每个已分诊病人的每个问诊问题的回答信息所对应的数值;
建立已分诊病人的编号和已分诊病人的多个问诊回答信息所对应的多个数值的二维矩阵;
对所述二维矩阵中每个已分诊病人的编号对应的多个数值进行归一化处理,获得所述问诊信息集。
一些实施例中,所述对所述问诊信息集进行聚类,获得指定数量的类簇,可以包括:
选取所述问诊信息集中任一未被标记为已访问的数据点作为第一初始点;
获取第一初始点预设聚类半径内的所有数据点;
若第一初始点预设聚类半径内的所有数据点的数量大于或等于预设密度阈值,则第一初始点和第一初始点预设聚类半径内的所有数据点形成一个类簇,并将第一初始点标记为已访问,并从所述问诊信息集中重新选取任一未被标记为已访问的数据点作为第一初始点;
若第一初始点预设聚类半径内的所有数据点的数量小于预设密度阈值,则将第一初始点标记为噪声点,并从所述问诊信息集中重新选取任一未被标记为已访问的数据点作为第一初始点;
当所述问诊信息集中的所有数据点被标记为已访问或噪声点时,输出获得的类簇;
其中,所述预设聚类半径和所述预设密度阈值基于所要指定的类簇的数量进行设置。
一些实施例中,在所述若第一初始点预设聚类半径内的所有数据点的数量大于或等于预设密度阈值,则第一初始点和第一初始点预设聚类半径内的所有数据点形成一个类簇,并将第一初始点标记为已访问之后,还可以包括:
将第一初始点和第一初始点预设聚类半径内的所有数据点加入一个候选集;
选取所述候选集中任一未被标记为已访问的数据点作为第二初始点;
获取第二初始点预设聚类半径内的所有数据点;
若第二初始点预设聚类半径内的所有数据点的数量大于或等于预设密度阈值,则第二初始点和第二初始点预设聚类半径内的所有数据点形成一个子类簇,并将第二初始点标记为已访问,并从所述候选集中重新选取任一未被标记为已访问的数据点作为第二初始点;
若第二初始点预设聚类半径内的所有数据点的数量小于预设密度阈值,则将第二初始点标记为噪声点,并从所述候选集中重新选取任一未被标记为已访问的数据点作为第二初始点;
当所述候选集中所有数据点被标记为已访问或噪声点时,从所述问诊信息集中重新选取任一未被标记为已访问的数据点作为第一初始点;
所述当所述问诊信息集中的所有数据点被标记为已访问或噪声点时,输出获得的类簇,包括:
当所述问诊信息集中的所有数据点被标记为已访问或噪声点时,输出获得的类簇和子类簇。
一些实施例中,所述将所述预检病人的问诊信息与预存的问诊信息集进行聚类,获得所述预检病人的问诊信息所属的类簇,可以包括:
将所述预检病人的问诊信息分别与每个类簇的核心点进行距离计算;
当所述预检病人的问诊信息与当前的类簇的核心点距离小于或等于预设聚类半径时,判断所述预检病人的问诊信息所属的类簇为该类簇。
一些实施例中,所述将所述预检病人的问诊信息与预存的问诊信息集进行聚类,获得所述预检病人的问诊信息所属的类簇,可以包括:
将所述预检病人的问诊信息分别与每个类簇的核心点和每个和子类簇的核心点和进行距离计算;
当所述预检病人的问诊信息与当前的类簇或子类簇的核心点距离小于或等于预设聚类半径时,判断所述预检病人的问诊信息所属的类簇为该类簇或子类簇。
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,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述门诊预检分诊装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,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单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、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。
图3本发明一实施例提供的终端设备的示意图。如图3所示,在本实施例中,终端设备30包括:处理器31、存储器32以及存储在所述存储器32中并可在所述处理器31上运行的计算机程序33。所述处理器31执行所述计算机程序33时实现如实施例第一方面中所述的各实施例中的步骤,例如图1所示的步骤S101至S103。或者,所述处理器31执行所述计算机程序33时实现上述门诊预检分诊装置实施例中各模块/单元的功能,例如图2所示模块21至23的功能。
示例性地,所述计算机程序33可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器32中,并由所述处理器31执行,以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序33在所述终端设备30中的执行过程。
所述终端设备可以是手机、平板电脑等计算设备。所述终端设备可包括,但不仅限于,处理器31、存储器32。本领域技术人员可以理解,图3仅仅是终端设备30的示例,并不构成对终端设备30的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述终端设备30还可以包括输入输出设备、网络接入设备、总线等。
所称处理器31可以是中央处理单元(Central Processing Unit,CPU),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)、现成可编程门阵列(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。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。
所述存储器32可以是所述终端设备30的内部存储单元,例如终端设备30的硬盘或内存。所述存储器32也可以是所述终端设备30的外部存储设备,例如所述终端设备30上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器32还可以既包括所述终端设备30的内部存储单元也包括外部存储设备。所述存储器32用于存储所述计算机程序33以及所述终端设备30所需的其他程序和数据。所述存储器32还可以用于暂时地存储已经输出或者将要输出的数据。
本发明实施例还提供了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如实施例第一方面所述的各实施例中的步骤,例如图1所示的步骤S101至步骤S103。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中,应该理解到,所揭露的门诊预检分诊方法、装置、终端及存储介质,可以通过其它的方式实现。例如,以上所描述的门诊预检分诊装置实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,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单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请实现上述实施例方法中的全部或部分流程,也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计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括是电载波信号和电信信号。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (8)
1.一种门诊预检分诊方法,其特征在于,包括:
获取预检病人的问诊信息;
将所述预检病人的问诊信息与预存的问诊信息集进行聚类,获得所述预检病人的问诊信息所属的类簇,其中,所述问诊信息集包括多个已分诊病人的问诊信息;
将所述预检病人的问诊信息所属的类簇对应的分诊科室确定为所述预检病人的分诊科室;
在所述将所述预检病人的问诊信息所属的类簇对应的分诊科室确定为所述预检病人的分诊科室之前还包括:
获取所述问诊信息集;
对所述问诊信息集进行聚类,获得指定数量的类簇;
基于各个类簇对应的已分诊病人的分诊科室,确定各个类簇对应的分诊科室;
所述对所述问诊信息集进行聚类,获得指定数量的类簇,包括:
选取所述问诊信息集中任一未被标记为已访问的数据点作为第一初始点;
获取第一初始点预设聚类半径内的所有数据点;
若第一初始点预设聚类半径内的所有数据点的数量大于或等于预设密度阈值,则第一初始点和第一初始点预设聚类半径内的所有数据点形成一个类簇,并将第一初始点标记为已访问,并从所述问诊信息集中重新选取任一未被标记为已访问的数据点作为第一初始点;
若第一初始点预设聚类半径内的所有数据点的数量小于预设密度阈值,则将第一初始点标记为噪声点,并从所述问诊信息集中重新选取任一未被标记为已访问的数据点作为第一初始点;
当所述问诊信息集中的所有数据点被标记为已访问或噪声点时,输出获得的类簇;
其中,所述预设聚类半径和所述预设密度阈值基于所要指定的类簇的数量进行设置。
2.如权利要求1所述的门诊预检分诊方法,其特征在于,所述获取所述问诊信息集,包括:
基于问诊问题的回答信息与数值的映射关系,获取每个已分诊病人的每个问诊问题的回答信息所对应的数值;
建立已分诊病人的编号和已分诊病人的多个问诊回答信息所对应的多个数值的二维矩阵;
对所述二维矩阵中每个已分诊病人的编号对应的多个数值进行归一化处理,获得所述问诊信息集。
3.如权利要求1所述的门诊预检分诊方法,其特征在于,在所述若第一初始点预设聚类半径内的所有数据点的数量大于或等于预设密度阈值,则第一初始点和第一初始点预设聚类半径内的所有数据点形成一个类簇,并将第一初始点标记为已访问之后,还包括:
将第一初始点和第一初始点预设聚类半径内的所有数据点加入一个候选集;
选取所述候选集中任一未被标记为已访问的数据点作为第二初始点;
获取第二初始点预设聚类半径内的所有数据点;
若第二初始点预设聚类半径内的所有数据点的数量大于或等于预设密度阈值,则第二初始点和第二初始点预设聚类半径内的所有数据点形成一个子类簇,并将第二初始点标记为已访问,并从所述候选集中重新选取任一未被标记为已访问的数据点作为第二初始点;
若第二初始点预设聚类半径内的所有数据点的数量小于预设密度阈值,则将第二初始点标记为噪声点,并从所述候选集中重新选取任一未被标记为已访问的数据点作为第二初始点;
当所述候选集中所有数据点被标记为已访问或噪声点时,从所述问诊信息集中重新选取任一未被标记为已访问的数据点作为第一初始点;
所述当所述问诊信息集中的所有数据点被标记为已访问或噪声点时,输出获得的类簇,包括:
当所述问诊信息集中的所有数据点被标记为已访问或噪声点时,输出获得的类簇和子类簇。
4.如权利要求1所述的门诊预检分诊方法,其特征在于,所述将所述预检病人的问诊信息与预存的问诊信息集进行聚类,获得所述预检病人的问诊信息所属的类簇,包括:
将所述预检病人的问诊信息分别与每个类簇的核心点进行距离计算;
当所述预检病人的问诊信息与当前的类簇的核心点距离小于或等于预设聚类半径时,判断所述预检病人的问诊信息所属的类簇为该类簇。
5.如权利要求3所述的门诊预检分诊方法,其特征在于,所述将所述预检病人的问诊信息与预存的问诊信息集进行聚类,获得所述预检病人的问诊信息所属的类簇,包括:
将所述预检病人的问诊信息分别与每个类簇的核心点和每个和子类簇的核心点和进行距离计算;
当所述预检病人的问诊信息与当前的类簇或子类簇的核心点距离小于或等于预设聚类半径时,判断所述预检病人的问诊信息所属的类簇为该类簇或子类簇。
6.一种门诊预检分诊装置,其特征在于,包括:
获取模块,用于获取预检病人的问诊信息;
聚类模块,用于将所述预检病人的问诊信息与预存的问诊信息集进行聚类,获得所述预检病人的问诊信息所属的类簇,其中,所述问诊信息集包括多个已分诊病人的问诊信息;
确定模块,用于将所述预检病人的问诊信息所属的类簇对应的分诊科室确定为所述预检病人的分诊科室;
第二获取模块,用于在所述将所述预检病人的问诊信息所属的类簇对应的分诊科室确定为所述预检病人的分诊科室之前,获取所述问诊信息集;
第二聚类模块,用于对所述问诊信息集进行聚类,获得指定数量的类簇;
第二确定模块,用于基于各个类簇对应的已分诊病人的分诊科室,确定各个类簇对应的分诊科室;
所述对所述问诊信息集进行聚类,获得指定数量的类簇,包括:
选取所述问诊信息集中任一未被标记为已访问的数据点作为第一初始点;
获取第一初始点预设聚类半径内的所有数据点;
若第一初始点预设聚类半径内的所有数据点的数量大于或等于预设密度阈值,则第一初始点和第一初始点预设聚类半径内的所有数据点形成一个类簇,并将第一初始点标记为已访问,并从所述问诊信息集中重新选取任一未被标记为已访问的数据点作为第一初始点;
若第一初始点预设聚类半径内的所有数据点的数量小于预设密度阈值,则将第一初始点标记为噪声点,并从所述问诊信息集中重新选取任一未被标记为已访问的数据点作为第一初始点;
当所述问诊信息集中的所有数据点被标记为已访问或噪声点时,输出获得的类簇;
其中,所述预设聚类半径和所述预设密度阈值基于所要指定的类簇的数量进行设置。
7.一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至5任一项所述的门诊预检分诊方法的步骤。
8.一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至5任一项所述的门诊预检分诊方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010861872.2A CN111951942B (zh) | 2020-08-25 | 2020-08-25 | 门诊预检分诊方法、装置、终端及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010861872.2A CN111951942B (zh) | 2020-08-25 | 2020-08-25 | 门诊预检分诊方法、装置、终端及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111951942A CN111951942A (zh) | 2020-11-17 |
CN111951942B true CN111951942B (zh) | 2022-10-11 |
Family
ID=73359913
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010861872.2A Active CN111951942B (zh) | 2020-08-25 | 2020-08-25 | 门诊预检分诊方法、装置、终端及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111951942B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116934060B (zh) * | 2023-09-18 | 2023-12-29 | 北京融威众邦科技股份有限公司 | 一种医院呼叫智能排队方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5594638A (en) * | 1993-12-29 | 1997-01-14 | First Opinion Corporation | Computerized medical diagnostic system including re-enter function and sensitivity factors |
CN106934417A (zh) * | 2017-03-06 | 2017-07-07 | 浙江工业大学 | 一种面向混合属性的数据流自适应聚类方法 |
CN109408562A (zh) * | 2018-11-07 | 2019-03-01 | 广东工业大学 | 一种基于客户特征的分组推荐方法及其装置 |
CN109659013A (zh) * | 2018-11-28 | 2019-04-19 | 平安科技(深圳)有限公司 | 病症分诊及路径优化方法、装置、设备及存储介质 |
CN109887587A (zh) * | 2019-01-22 | 2019-06-14 | 平安科技(深圳)有限公司 | 智能分诊方法、系统、装置及存储介质 |
CN110097955A (zh) * | 2019-03-07 | 2019-08-06 | 南通奕霖智慧医学科技有限公司 | 一种基于支持向量机分类器的儿科智能急诊预检分诊系统 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8352285B2 (en) * | 2010-06-10 | 2013-01-08 | International Business Machines Corporation | Dynamically adjusting triage classification levels |
US20170116384A1 (en) * | 2015-10-21 | 2017-04-27 | Jamal Ghani | Systems and methods for computerized patient access and care management |
CN108256570A (zh) * | 2018-01-13 | 2018-07-06 | 惠州学院 | 基于k邻域相似性的数据聚类方法、装置和存储介质 |
-
2020
- 2020-08-25 CN CN202010861872.2A patent/CN111951942B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5594638A (en) * | 1993-12-29 | 1997-01-14 | First Opinion Corporation | Computerized medical diagnostic system including re-enter function and sensitivity factors |
CN106934417A (zh) * | 2017-03-06 | 2017-07-07 | 浙江工业大学 | 一种面向混合属性的数据流自适应聚类方法 |
CN109408562A (zh) * | 2018-11-07 | 2019-03-01 | 广东工业大学 | 一种基于客户特征的分组推荐方法及其装置 |
CN109659013A (zh) * | 2018-11-28 | 2019-04-19 | 平安科技(深圳)有限公司 | 病症分诊及路径优化方法、装置、设备及存储介质 |
CN109887587A (zh) * | 2019-01-22 | 2019-06-14 | 平安科技(深圳)有限公司 | 智能分诊方法、系统、装置及存储介质 |
CN110097955A (zh) * | 2019-03-07 | 2019-08-06 | 南通奕霖智慧医学科技有限公司 | 一种基于支持向量机分类器的儿科智能急诊预检分诊系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111951942A (zh) | 2020-11-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR101811028B1 (ko) | 인공지능 기반 의료기기의 임상적 유효성 평가 방법 및 시스템 | |
US10504227B1 (en) | Application of deep learning for medical imaging evaluation | |
US20170143249A1 (en) | Methods and arrangements concerning dermatology | |
CN106599553A (zh) | 疾病预警方法及装置 | |
CN111861989B (zh) | 一种脑中线检测方法、系统、终端及存储介质 | |
CN111951942B (zh) | 门诊预检分诊方法、装置、终端及存储介质 | |
CN115862819A (zh) | 一种基于图像处理的医学图像管理方法 | |
CN113077875A (zh) | Ct影像的处理方法及装置 | |
CN114242259A (zh) | 高龄流感病情预测系统、程序产品及其建立与使用方法 | |
CN113948172A (zh) | 一种检查检验结果共享互认系统 | |
CN113870973A (zh) | 基于人工智能的信息输出方法、装置、计算机设备及介质 | |
CN116631558B (zh) | 一种基于互联网的医学检测项目的构建方法 | |
CN113362289A (zh) | 一种胸部dr图像上异物自动检测的方法 | |
CN112735547A (zh) | 一种基于大数据的医院后台管理系统 | |
CN116779117A (zh) | 应用于医疗服务的数据管理系统及方法 | |
JP7222882B2 (ja) | 医用画像評価のためのディープラーニングの応用 | |
CN113569985B (zh) | 一种烙铁头蛇或竹叶青蛇咬伤的智能识别系统 | |
CN113077894A (zh) | 基于图卷积神经网络的皮肤诊断系统、方法、设备及介质 | |
Hsu et al. | Predicting thorax diseases with NIH chest X-rays | |
Siamak et al. | Diagnosing heart disease types from chest x-rays using a deep learning approach | |
CN110660456A (zh) | 临床决策支持及其模型训练方法、装置、终端、介质 | |
Manderson et al. | Publics, technologies and interventions in reproduction and early life in South Africa | |
CN113379676B (zh) | 灰白质体积异常检测矫正方法、装置、设备和存储介质 | |
CN117457222B (zh) | 阿尔茨海默症大脑萎缩模型构建方法、预测方法及装置 | |
WO2024108536A1 (zh) | 肿瘤免疫亚型预测方法、系统及计算机设备 |
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 |