CN111951943B - 智能分诊方法、装置、电子设备及存储介质 - Google Patents

智能分诊方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN111951943B
CN111951943B CN202011031139.4A CN202011031139A CN111951943B CN 111951943 B CN111951943 B CN 111951943B CN 202011031139 A CN202011031139 A CN 202011031139A CN 111951943 B CN111951943 B CN 111951943B
Authority
CN
China
Prior art keywords
symptom
department
recommended
patient
historical
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
Application number
CN202011031139.4A
Other languages
English (en)
Other versions
CN111951943A (zh
Inventor
李彦轩
刘卓
孙行智
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ping An Technology Shenzhen Co Ltd
Original Assignee
Ping An Technology Shenzhen Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Ping An Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Priority to CN202011031139.4A priority Critical patent/CN111951943B/zh
Priority to PCT/CN2020/124260 priority patent/WO2021179625A1/zh
Publication of CN111951943A publication Critical patent/CN111951943A/zh
Application granted granted Critical
Publication of CN111951943B publication Critical patent/CN111951943B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Epidemiology (AREA)
  • General Business, Economics & Management (AREA)
  • Primary Health Care (AREA)
  • Business, Economics & Management (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

本申请涉及医疗科技技术领域，具体提供了一种智能分诊方法、装置、电子设备及存储介质，其中，该方法包括：获取患者的至少一个症状；所述至少一个症状包括本轮症状询问得到的症状；根据所述至少一个症状获取所述患者对应的科室推荐结果；获取针对所述科室推荐结果的反馈；根据所述反馈将本轮症状询问得到的症状确定为目标症状；基于所述目标症状进行下一轮症状询问，重复执行多轮症状询问直至向所述患者返回推荐科室。本申请实施例不仅有利于减少分诊时与患者交互的轮数，还有利于提高分诊的准确度。

Description

智能分诊方法、装置、电子设备及存储介质
技术领域
本申请涉及图像处理技术领域，尤其涉及一种智能分诊方法、装置、电子设备及存储介质。
背景技术
患者分诊是医院日常工作中的一项重要工作，快速精准地分诊可节省患者的就诊时间，提高其就诊体验。传统的分诊方法多为人工分诊，由于各地医院等级不同，从医人员的水平也参差不齐，所以人工分诊的准确度也不尽相同，且需要一定的人力投入，在此背景下，智能分诊诞生。目前的智能分诊往往是使用强化学习模型来决策具体的问诊轮数，现有强化学习的方法对患者症状并未加以区分，对科室推荐未起到帮助作用的症状也被重点考虑，另外，将症状询问和科室推荐都设置为强化学习模型的学习目标，使得模型学习任务较为复杂，这些都将影响到分诊的准确度。
发明内容
针对上述问题，本申请提供了一种智能分诊方法、装置、电子设备及存储介质，有利于提高分诊的准确度。
为实现上述目的，本申请实施例第一方面提供了一种智能分诊方法，该方法包括：
获取患者的至少一个症状；所述至少一个症状包括本轮症状询问得到的症状；
根据所述至少一个症状获取所述患者对应的科室推荐结果；
获取针对所述科室推荐结果的反馈；
根据所述反馈将本轮症状询问得到的症状确定为目标症状；
基于所述目标症状进行下一轮症状询问，重复执行多轮症状询问直至向所述患者返回推荐科室。
结合第一方面，在一种可能的实施方式中，所述根据所述至少一个症状获取所述患者对应的科室推荐结果，包括：
将所述至少一个症状输入预训练的分诊模型进行关键信息的提取；所述分诊模型为独立的有监督学习模型，用于执行科室推荐任务；
基于提取出的关键信息进行科室的推荐预测，输出所述科室推荐结果。
结合第一方面，在一种可能的实施方式中，所述科室推荐结果包括待推荐科室及所述待推荐科室对应的第一预测概率，所述待推荐科室包括所述患者的实际就诊科室；所述获取针对所述科室推荐结果的反馈，包括：
基于所述实际就诊科室的第一预测概率获取针对所述科室推荐结果的反馈。
结合第一方面，在一种可能的实施方式中，所述基于所述实际就诊科室的第一预测概率获取针对所述科室推荐结果的反馈，包括：
获取所述患者对应的历史科室推荐结果；所述历史科室推荐结果包括历史待推荐科室及所述历史待推荐科室对应的第二预测概率，所述历史待推荐科室包括所述实际就诊科室；
从所述历史科室推荐结果中获取所述实际就诊科室的第二预测概率；
在所述实际就诊科室的第一预测概率大于所述实际就诊科室的第二预测概率的情况下，得到针对所述科室推荐结果的第一反馈；在所述实际就诊科室的第一预测概率小于等于所述实际就诊科室的第二预测概率的情况下，得到针对所述科室推荐结果的第二反馈；
或者，
基于所述待推荐科室的第一预测概率对所述待推荐科室进行排序，得到所述实际就诊科室的第一排序结果；
获取所述实际就诊科室的第二排序结果；所述第二排序结果为预先基于所述历史待推荐科室的第二预测概率对所述历史待推荐科室进行排序得到；
在所述第一排序结果相较于所述第二排序结果有所上升的情况下，得到针对所述科室推荐结果的第一反馈；在所述第一排序结果相较于所述第二排序结果有所下降的情况下，得到针对所述科室推荐结果的第二反馈。
结合第一方面，在一种可能的实施方式中，所述根据所述反馈将本轮症状询问得到的症状确定为目标症状，包括：
在所述反馈为针对所述科室推荐结果的第一反馈的情况下，将本轮症状询问得到的症状确定为所述目标症状。
结合第一方面，在一种可能的实施方式中，所述获取患者的至少一个症状，包括：
获取历史症状询问得到的历史症状；
基于所述历史症状判断是否向所述患者返回推荐科室；
若否则从预设的多个症状子集中确定出目标症状子集，以及从所述目标症状子集中确定出待询问症状；
使用所述待询问症状执行本轮症状询问任务，以及在获取到针对本轮症状询问的第三反馈的情况下，将所述待询问症状确定为本轮症状询问得到的症状；所述第三反馈表示所述患者存在所述待询问症状；
由所述历史症状和本轮症状询问得到的症状组成所述至少一个症状。
本申请实施例第二方面提供了一种智能分诊装置，该装置包括：
症状获取模块，用于获取患者的至少一个症状；所述至少一个症状包括本轮症状询问得到的症状；
科室推荐模块，用于根据所述至少一个症状获取所述患者对应的科室推荐结果；
反馈获取模块，用于获取针对所述科室推荐结果的反馈；
症状确定模块，根据所述反馈将本轮症状询问得到的症状确定为目标症状；
科室输出模块，用于基于所述目标症状进行下一轮症状询问，重复执行多轮症状询问直至向所述患者返回推荐科室。
结合第二方面，在一种可能的实施方式中，在根据所述至少一个症状获取所述患者对应的科室推荐结果方面，所述科室推荐模块具体用于：
将所述至少一个症状输入预训练的分诊模型进行关键信息的提取；所述分诊模型为独立的有监督学习模型，用于执行科室推荐任务；
基于提取出的关键信息进行科室的推荐预测，输出所述科室推荐结果。
结合第二方面，在一种可能的实施方式中，所述科室推荐结果包括待推荐科室及所述待推荐科室对应的第一预测概率，所述待推荐科室包括所述患者的实际就诊科室；在获取针对所述科室推荐结果的反馈方面，所述反馈获取模块具体用于：
基于所述实际就诊科室的第一预测概率获取针对所述科室推荐结果的反馈。
结合第二方面，在一种可能的实施方式中，在基于所述实际就诊科室的第一预测概率获取针对所述科室推荐结果的反馈方面，所述反馈获取模块具体用于：
获取所述患者对应的历史科室推荐结果；所述历史科室推荐结果包括历史待推荐科室及所述历史待推荐科室对应的第二预测概率，所述历史待推荐科室包括所述实际就诊科室；
从所述历史科室推荐结果中获取所述实际就诊科室的第二预测概率；
在所述实际就诊科室的第一预测概率大于所述实际就诊科室的第二预测概率的情况下，得到针对所述科室推荐结果的第一反馈；在所述实际就诊科室的第一预测概率小于等于所述实际就诊科室的第二预测概率的情况下，得到针对所述科室推荐结果的第二反馈；
或者，
基于所述待推荐科室的第一预测概率对所述待推荐科室进行排序，得到所述实际就诊科室的第一排序结果；
获取所述实际就诊科室的第二排序结果；所述第二排序结果为预先基于所述历史待推荐科室的第二预测概率对所述历史待推荐科室进行排序得到；
在所述第一排序结果相较于所述第二排序结果有所上升的情况下，得到针对所述科室推荐结果的第一反馈；在所述第一排序结果相较于所述第二排序结果有所下降的情况下，得到针对所述科室推荐结果的第二反馈。
结合第二方面，在一种可能的实施方式中，在根据所述反馈将本轮症状询问得到的症状确定为目标症状方面，所述症状确定模块具体用于：
在所述反馈为针对所述科室推荐结果的第一反馈的情况下，将本轮症状询问得到的症状确定为所述目标症状。
结合第二方面，在一种可能的实施方式中，在获取患者的至少一个症状方面，所述症状获取模块具体用于：
获取历史症状询问得到的历史症状；
基于所述历史症状判断是否向所述患者返回推荐科室；
若否则从预设的多个症状子集中确定出目标症状子集，以及从所述目标症状子集中确定出待询问症状；
使用所述待询问症状执行本轮症状询问任务，以及在获取到针对本轮症状询问的第三反馈的情况下，将所述待询问症状确定为本轮症状询问得到的症状；所述第三反馈表示所述患者存在所述待询问症状；
由所述历史症状和本轮症状询问得到的症状组成所述至少一个症状。
本申请实施例第三方面提供了一种电子设备，该电子设备包括输入设备和输出设备，还包括处理器，适于实现一条或多条指令；以及，计算机存储介质，所述计算机存储介质存储有一条或多条指令，所述一条或多条指令适于由所述处理器加载并执行如下步骤：
获取患者的至少一个症状；所述至少一个症状包括本轮症状询问得到的症状；
根据所述至少一个症状获取所述患者对应的科室推荐结果；
获取针对所述科室推荐结果的反馈；
根据所述反馈将本轮症状询问得到的症状确定为目标症状；
基于所述目标症状进行下一轮症状询问，重复执行多轮症状询问直至向所述患者返回推荐科室。
本申请实施例第四方面提供了一种计算机存储介质，所述计算机存储介质存储有一条或多条指令，所述一条或多条指令适于由处理器加载并执行如下步骤：
获取患者的至少一个症状；所述至少一个症状包括本轮症状询问得到的症状；
根据所述至少一个症状获取所述患者对应的科室推荐结果；
获取针对所述科室推荐结果的反馈；
根据所述反馈将本轮症状询问得到的症状确定为目标症状；
基于所述目标症状进行下一轮症状询问，重复执行多轮症状询问直至向所述患者返回推荐科室。
本申请的上述方案至少包括以下有益效果：与现有技术相比，本申请实施例通过获取患者的至少一个症状；所述至少一个症状包括本轮症状询问得到的症状；根据所述至少一个症状获取所述患者对应的科室推荐结果；获取针对所述科室推荐结果的反馈；根据所述反馈将本轮症状询问得到的症状确定为目标症状；基于所述目标症状进行下一轮症状询问，重复执行多轮症状询问直至向所述患者返回推荐科室。这样基于患者的至少一个症状进行推荐科室的预测得到科室推荐结果，然后根据获取到的针对科室推荐结果的反馈将本轮症状询问得到的症状确定为目标症状，即具有区分度、对科室推荐有帮助的症状，基于目标症状展开下一轮症状询问和分诊预测，不仅有利于减少症状询问的轮数，还有利于提高分诊的准确度。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，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为本申请实施例提供的一种网络系统架构的示意图；
图2为本申请实施例提供的一种智能分诊方法的流程示意图；
图3为本申请实施例提供的一种强化学习模型的层级示例图；
图4为本申请实施例提供的一种强化学习模型与环境的交互的示例图；
图5为本申请实施例提供的另一种智能分诊方法的流程示意图；
图6为本申请实施例提供的一种智能分诊装置的结构示意图；
图7为本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，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，所描述的实施例仅仅是本申请一部分的实施例，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，都应当属于本申请保护的范围。
本申请说明书、权利要求书和附图中出现的术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、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”等是用于区别不同的对象，而并非用于描述特定的顺序。
本申请实施例提供一种智能分诊方法，可基于图1所示的网络系统架构实施，请参见图1，该网络系统架构中包括终端和电子设备，终端和电子设备通过有线或无线的网络通信连接，终端为患者使用的终端设备，可以是患者的手机、平板、电脑、个人数字助理（Personal Digital Assistant，PDA）等，也可以是医院设立的用于分诊的智能终端设备，患者通过该终端与电子设备交互，例如：向电子设备提交关于症状方面的描述。电子设备至少包括强化学习模块、分诊模块和通信模块，通信模块集成有数字协议接口，通信模块通过数字协议接口获取患者通过终端输入的信息，在接收到终端提交的信息后，电子设备将有关症状方面的描述整理成结构化的症状信息，强化学习模块经过与患者的多轮交互收集、更新患者的症状信息，分诊模块基于患者的症状信息进行推荐科室的概率预测，强化学习模块可以从分诊模块获得执行科室推荐任务的反馈（reward），基于该反馈的值确定出具有区分度的症状，针对具有区分度的症状优先进行症状询问，直至收集到的信息可以向患者输出最终推荐的科室。电子设备将科室推荐任务从强化学习模块分离出来，由单独负责科室推荐的分诊模块执行，简化了强化学习模块的总体任务，另外，从众多的症状中确定出具有区分度的症状，在有效减少与患者之间的交互轮数的情况下仍然能够完成精准分诊。
基于图1所示的网络系统架构，以下结合其他附图对本申请实施例提供的智能分诊方法进行详细阐述。
请参见图2，图2为本申请实施例提供的一种智能分诊方法的流程示意图，该方法应用于电子设备，如图2所示，包括步骤S21-S23：
S21，获取患者的至少一个症状；所述至少一个症状包括本轮症状询问得到的症状。
本申请具体实施例中，使用了层次强化学习的方法来简化每次决策时的动作空间，如图3所示，将强化学习模型的代理（Agent）设计为三个层级，第一层级会获取历史症状询问得到的历史症状，基于执行历史症状询问任务得到的历史症状判断是继续进行症状询问，还是直接向患者返回推荐科室结束与患者的交互，历史症状询问是指本轮症状询问之前的症状询问，历史症状即已知的该患者的症状，若当前收集到的历史症状还不能较为准确地给出推荐科室，则第二层级从预设的多个症状子集中选择一个目标症状子集，可选的，基于与患者交互得到的症状描述，该目标症状子集是与该症状描述具有一定关联度的症状子集，而不是随意选择的，例如：患者输入的信息指示患者存在症状A，而预设的多个症状子集[x1,x2,…,xn]中，x1、x5、xn-1是与症状A具有一定关联度的症状子集，则从这几个症状子集中选择一个作为目标症状子集。同时，由于预设的多个症状子集中每个症状子集均包括多个症状，因此，第三层级需要从目标症状子集中选择出一个待询问症状。可以理解的，将所有的症状划分为多个症状子集，减少了每个症状子集对应特征空间的大小，另外，从目标症状子集中选择一个待询问症状相应减少了症状询问的总数，使模型在训练时更易收敛。
请参见图4，强化学习的环境（Environment）由患者和分诊模型构成，与有监督学习从标签中学习模型的训练方向相比，强化学习是根据与环境交互得到的反馈来训练模型，当强化学习模型在某种状态下做出某个动作时，环境会给出一个反馈以衡量该动作的好坏，在第三层级选择出待询问症状后，强化学习模型以该待询问症状执行本轮症状询问任务对患者进行症状询问，若环境针对本轮症状询问给出的反馈为第三反馈（比如1），则表示患者确实存在待询问症状，本轮症状询问命中了患者的真实症状，即可将待询问症状确定为本轮症状询问得到的症状，由历史症状和本轮症状询问得到的症状组成上述至少一个症状。相反的，若环境针对本轮针状询问给出的反馈为第四反馈（比如-1），则表示患者不存在待询问症状，不执行将所述待询问症状确定为本轮症状询问得到的症状的操作。可选的，本申请中强化学习模型选用的是Actor-Critic模型。
S22，根据所述至少一个症状获取所述患者对应的科室推荐结果。
本申请具体实施例中，将科室推荐任务从强化学习任务中分离出来，由独立的采用有监督学习进行训练的分诊模型执行，且将分诊模型加入到环境中，由此就简化了强化学习模型的总体学习任务，使得强化学习模型只需关注是否向患者返回推荐科室，而不需要关注从众多科室中具体返回哪一个推荐科室。如图4中所示，强化学习模型决策出需要向患者返回推荐科室时，只需向分诊模型发出返回推荐科室的信号即可，由分诊模型给出具体推荐的科室。
在未向患者返回推荐科室前，分诊模型对每轮症状询问得到的症状以及其之前的已知症状都会输出相应的科室推荐结果。具体的，得到上述至少一个症状后，将其输入预训练的分诊模型进行关键信息的提取，基于提取出的关键信息进行科室的推荐预测，输出科室推荐结果。其中，关键信息可以是“发烧”、“胃痛”等关键描述，也可以是从所述至少一个症状中提取出的关键特征，分诊模型可以是卷积神经网络、长短期记忆网络等等，此处不作限定。
S23，获取针对所述科室推荐结果的反馈。
本申请具体实施例中，所述科室推荐结果包括待推荐科室及所述待推荐科室对应的第一预测概率，所述待推荐科室包括所述患者的实际就诊科室，例如：分诊模型预测出的待推荐科室分别为科室A、科室B、科室C，其对应的概率85%、80%、50%即为第一预测概率，其中，科室A、科室B、科室C中包括患者实际就诊的科室。
可选的，上述获取针对所述科室推荐结果的反馈，包括：基于所述实际就诊科室的第一预测概率获取针对所述科室推荐结果的反馈。具体的，首先需要获取患者对应的历史科室推荐结果，所谓历史科室推荐结果即分诊模型在本次推荐预测之前，基于收集到的历史症状（即已知的症状）进行预测得出的科室推荐结果，同样的，历史科室推荐结果中包括历史待推荐科室及历史推荐科室对应的第二预测概率，历史待推荐科室中也包括患者的实际就诊科室，例如：历史待推荐科室分别为科室A、科室B、科室D，其对应的概率72%、85%、60%即为第二预测概率，科室A、科室B、科室D中也包括患者的实际就诊科室。在实际就诊科室的第一预测概率大于实际就诊科室的第二预测概率的情况下，得到针对所述科室推荐结果的第一反馈；在实际就诊科室的第一预测概率小于实际就诊科室的第二预测概率的情况下，得到针对所述科室推荐结果的第二反馈。假设科室A为患者的实际就诊科室，在上述例子中，科室A的第一预测概率明显大于第二预测概率，则环境会返回一个针对科室推荐结果的正数的反馈，即第一反馈。相反，若科室A的第一预测概率小于或等于第二预测概率，则环境会返回一个针对科室推荐结果的负数的反馈，即第二反馈。
可选的，本申请还可基于排序的方式获取针对所述科室推荐结果的反馈，具体实施中按照第一预测概率对所述待推荐科室进行排序，得到实际就诊科室的第一排序结果，假设科室B为患者的实际就诊科室，按照第一预测概率对科室A、科室B、科室C进行排序，则科室B的第一排序结果在第二位。另外，再获取实际就诊科室的第二排序结果，即预先基于历史待推荐科室的第二预测概率对历史待推荐科室进行排序得到的排序结果，例如：按照第二预测概率对科室A、科室B、科室D进行排序，则科室B的第二排序结果在第一位。在第一排序结果相较于第二排序结果有所上升的情况下，环境同样会返回第一反馈，相反，在第一排序结果相较于第二排序结果有所下降的情况下，环境同样会返回第二反馈。
S24，根据所述反馈将本轮症状询问得到的症状确定为目标症状。
本申请具体实施例中，在环境针对科室推荐结果的反馈为第一反馈的情况下，将本轮症状询问得到的症状确定为目标症状，即在环境针对分诊模型的输出给出的是正数的反馈的情况下，将本轮症状询问得到的症状确定为具有区分度的症状。
S25，基于所述目标症状进行下一轮症状询问，重复执行多轮症状询问直至向所述患者返回推荐科室。
本申请具体实施例中，将本轮症状询问得到的症状确定为目标症状后，采用目标症状对历史症状进行更新，即目标症状也将被确定为已知症状或历史症状，然后回到如图4中的起点，判断当前的已知症状是否足够向患者返回推荐科室，若是则向分诊模型给出返回推荐科室的信号，若否则优先以目标症状展开下一轮症状询问，如此重复执行多轮症状询问，直至已知症状足够向患者返回推荐科室。
进一步的，所述反馈的计算公式为：
Figure 384710DEST_PATH_IMAGE001
，其中，
Figure 842236DEST_PATH_IMAGE002
表示计算出的反馈，
Figure 529045DEST_PATH_IMAGE003
、
Figure 164556DEST_PATH_IMAGE004
和
Figure 493907DEST_PATH_IMAGE005
为预设权重，
Figure 505856DEST_PATH_IMAGE006
表示症状询问中待询问症状是否命中患者实际存在的症状，若是则取值为1，若否则取值为-1，
Figure 237052DEST_PATH_IMAGE007
表示强化学习模型的分诊效果，若推荐科室与患者的实际就诊科室一致，则取值为1，若不一致则取值为-1，
Figure 43465DEST_PATH_IMAGE008
表示每轮症状询问对得到的症状对科室推荐结果的影响，
Figure 860111DEST_PATH_IMAGE009
表示预设常数，
Figure 407243DEST_PATH_IMAGE010
表示每轮症状询问得到新症状后患者被分到的科室在科室推荐结果中的顺序变化。
可以看出，本申请实施例通过获取患者的至少一个症状；所述至少一个症状包括本轮症状询问得到的症状；根据所述至少一个症状获取所述患者对应的科室推荐结果；获取针对所述科室推荐结果的反馈；根据所述反馈将本轮症状询问得到的症状确定为目标症状；基于所述目标症状进行下一轮症状询问，重复执行多轮症状询问直至向所述患者返回推荐科室。这样基于患者的至少一个症状进行推荐科室的预测得到科室推荐结果，然后根据获取到的针对科室推荐结果的反馈将本轮症状询问得到的症状确定为目标症状，即具有区分度、对科室推荐有帮助的症状，基于目标症状展开下一轮症状询问和分诊预测，不仅有利于减少症状询问的轮数，还有利于提高分诊的准确度。
在本申请的一个实施方式中，本申请的方案还可以应用到智慧医疗领域，比如通过电子设备与患者之间的多轮交互，基于患者输入的症状相关描述，对患者进行智能分诊，给出患者对应的可就诊科室。由于本申请会根据模型环境给出的反馈从患者众多症状中确定出具有区分度的症状，基于具有区分度的症状进行症状询问和分诊，有利于提高分诊的准确度，不仅可以降低医护人员的人力成本，还提高了患者就诊的效率，使得患者具有更好的就诊体验。
请参见图5，图5本申请实施例提供的另一种智能分诊方法的流程示意图，同样可基于图1所示的网络系统架构实施，如图5所示，包括步骤S51-S56：
S51，获取患者的至少一个症状；所述至少一个症状包括本轮症状询问得到的症状；
S52，将所述至少一个症状输入预训练的分诊模型进行关键信息的提取；所述分诊模型为独立的有监督学习模型，用于执行科室推荐任务；
S53，基于提取出的关键信息进行科室的推荐预测，输出科室推荐结果；
S54，获取针对所述科室推荐结果的反馈；
S55，根据所述反馈将本轮症状询问得到的症状确定为目标症状；
S56，基于所述目标症状进行下一轮症状询问，重复执行多轮症状询问直至向所述患者返回推荐科室。
其中，步骤S51-S56的具体实施方式在图2所示的实施例中已有相关说明，且能达到相同或相似的有益效果，为避免重复，此处不再赘述。
基于上述智能分诊方法实施例的描述，请参见图6，图6为本申请实施例提供的一种智能分诊装置的结构示意图，如图6所示，该装置包括：
症状获取模块61，用于获取患者的至少一个症状；所述至少一个症状包括本轮症状询问得到的症状；
科室推荐模块62，用于根据所述至少一个症状获取所述患者对应的科室推荐结果；
反馈获取模块63，用于获取针对所述科室推荐结果的反馈；
症状确定模块64，根据所述反馈将本轮症状询问得到的症状确定为目标症状；
科室输出模块65，用于基于所述目标症状进行下一轮症状询问，重复执行多轮症状询问直至向所述患者返回推荐科室。
在一种可能的实施方式中，在根据所述至少一个症状获取所述患者对应的科室推荐结果方面，所述科室推荐模块62具体用于：
将所述至少一个症状输入预训练的分诊模型进行关键信息的提取；所述分诊模型为独立的有监督学习模型，用于执行科室推荐任务；
基于提取出的关键信息进行科室的推荐预测，输出所述科室推荐结果。
在一种可能的实施方式中，所述科室推荐结果包括待推荐科室及所述待推荐科室对应的第一预测概率，所述待推荐科室包括所述患者的实际就诊科室；在获取针对所述科室推荐结果的反馈方面，所述反馈获取模块63具体用于：
基于所述实际就诊科室的第一预测概率获取针对所述科室推荐结果的反馈。
在一种可能的实施方式中，在基于所述实际就诊科室的第一预测概率获取针对所述科室推荐结果的反馈方面，所述反馈获取模块63具体用于：
获取所述患者对应的历史科室推荐结果；所述历史科室推荐结果包括历史待推荐科室及所述历史待推荐科室对应的第二预测概率，所述历史待推荐科室包括所述实际就诊科室；
从所述历史科室推荐结果中获取所述实际就诊科室的第二预测概率；
在所述实际就诊科室的第一预测概率大于所述实际就诊科室的第二预测概率的情况下，得到针对所述科室推荐结果的第一反馈；在所述实际就诊科室的第一预测概率小于等于所述实际就诊科室的第二预测概率的情况下，得到针对所述科室推荐结果的第二反馈；
或者，
基于所述待推荐科室的第一预测概率对所述待推荐科室进行排序，得到所述实际就诊科室的第一排序结果；
获取所述实际就诊科室的第二排序结果；所述第二排序结果为预先基于所述历史待推荐科室的第二预测概率对所述历史待推荐科室进行排序得到；
在所述第一排序结果相较于所述第二排序结果有所上升的情况下，得到针对所述科室推荐结果的第一反馈；在所述第一排序结果相较于所述第二排序结果有所下降的情况下，得到针对所述科室推荐结果的第二反馈。
在一种可能的实施方式中，在根据所述反馈将本轮症状询问得到的症状确定为目标症状方面，所述症状确定模块64具体用于：
在所述反馈为针对所述科室推荐结果的第一反馈的情况下，将本轮症状询问得到的症状确定为所述目标症状。
在一种可能的实施方式中，在获取患者的至少一个症状方面，所述症状获取模块61具体用于：
获取历史症状询问得到的历史症状；
基于所述历史症状判断是否向所述患者返回推荐科室；
若否则从预设的多个症状子集中确定出目标症状子集，以及从所述目标症状子集中确定出待询问症状；
使用所述待询问症状执行本轮症状询问任务，以及在获取到针对本轮症状询问的第三反馈的情况下，将所述待询问症状确定为本轮症状询问得到的症状；所述第三反馈表示所述患者存在所述待询问症状；
由所述历史症状和本轮症状询问得到的症状组成所述至少一个症状。
根据本申请的一个实施例，图6所示的智能分诊装置的各个单元可以分别或全部合并为一个或若干个另外的单元来构成，或者其中的某个（些）单元还可以再拆分为功能上更小的多个单元来构成，这可以实现同样的操作，而不影响本申请的实施例的技术效果的实现。上述单元是基于逻辑功能划分的，在实际应用中，一个单元的功能也可以由多个单元来实现，或者多个单元的功能由一个单元实现。在本申请的其它实施例中，基于智能分诊装置也可以包括其它单元，在实际应用中，这些功能也可以由其它单元协助实现，并且可以由多个单元协作实现。
根据本申请的另一个实施例，可以通过在包括中央处理单元（CPU）、随机存取存储介质（RAM）、只读存储介质（ROM）等处理元件和存储元件的例如计算机的通用计算设备上运行能够执行如图2或图5中所示的相应方法所涉及的各步骤的计算机程序（包括程序代码），来构造如图6中所示的智能分诊装置设备，以及来实现本申请实施例的智能分诊方法。所述计算机程序可以记载于例如计算机可读记录介质上，并通过计算机可读记录介质装载于上述计算设备中，并在其中运行。
基于上述方法实施例和装置实施例的描述，本申请实施例还提供一种电子设备。请参见图7，该电子设备至少包括处理器71、输入设备72、输出设备73以及计算机存储介质74。其中，电子设备内的处理器71、输入设备72、输出设备73以及计算机存储介质74可通过总线或其他方式连接。
计算机存储介质74可以存储在电子设备的存储器中，所述计算机存储介质74用于存储计算机程序，所述计算机程序包括程序指令，所述处理器71用于执行所述计算机存储介质74存储的程序指令。处理器71（或称CPU（Central Processing Unit，中央处理器））是电子设备的计算核心以及控制核心，其适于实现一条或多条指令，具体适于加载并执行一条或多条指令从而实现相应方法流程或相应功能。
在一个实施例中，本申请实施例提供的电子设备的处理器71可以用于进行一系列智能分诊处理：
获取患者的至少一个症状；所述至少一个症状包括本轮症状询问得到的症状；
根据所述至少一个症状获取所述患者对应的科室推荐结果；
获取针对所述科室推荐结果的反馈；
根据所述反馈将本轮症状询问得到的症状确定为目标症状；
基于所述目标症状进行下一轮症状询问，重复执行多轮症状询问直至向所述患者返回推荐科室。
再一个实施例中，处理器71执行所述根据所述至少一个症状获取所述患者对应的科室推荐结果，包括：
将所述至少一个症状输入预训练的分诊模型进行关键信息的提取；所述分诊模型为独立的有监督学习模型，用于执行科室推荐任务；
基于提取出的关键信息进行科室的推荐预测，输出所述科室推荐结果。
再一个实施例中，所述科室推荐结果包括待推荐科室及所述待推荐科室对应的第一预测概率，所述待推荐科室包括所述患者的实际就诊科室；处理器71执行所述获取针对所述科室推荐结果的反馈，包括：
基于所述实际就诊科室的第一预测概率获取针对所述科室推荐结果的反馈。
再一个实施例中，处理器71执行所述基于所述实际就诊科室的第一预测概率获取针对所述科室推荐结果的反馈，包括：
获取所述患者对应的历史科室推荐结果；所述历史科室推荐结果包括历史待推荐科室及所述历史待推荐科室对应的第二预测概率，所述历史待推荐科室包括所述实际就诊科室；
从所述历史科室推荐结果中获取所述实际就诊科室的第二预测概率；
在所述实际就诊科室的第一预测概率大于所述实际就诊科室的第二预测概率的情况下，得到针对所述科室推荐结果的第一反馈；在所述实际就诊科室的第一预测概率小于等于所述实际就诊科室的第二预测概率的情况下，得到针对所述科室推荐结果的第二反馈；
或者，
基于所述待推荐科室的第一预测概率对所述待推荐科室进行排序，得到所述实际就诊科室的第一排序结果；
获取所述实际就诊科室的第二排序结果；所述第二排序结果为预先基于所述历史待推荐科室的第二预测概率对所述历史待推荐科室进行排序得到；
在所述第一排序结果相较于所述第二排序结果有所上升的情况下，得到针对所述科室推荐结果的第一反馈；在所述第一排序结果相较于所述第二排序结果有所下降的情况下，得到针对所述科室推荐结果的第二反馈。
再一个实施例中，处理器71执行所述根据所述反馈将本轮症状询问得到的症状确定为目标症状，包括：
在所述反馈为针对所述科室推荐结果的第一反馈的情况下，将本轮症状询问得到的症状确定为所述目标症状。
再一个实施例中，处理器71执行所述获取患者的至少一个症状，包括：
获取历史症状询问得到的历史症状；
基于所述历史症状判断是否向所述患者返回推荐科室；
若否则从预设的多个症状子集中确定出目标症状子集，以及从所述目标症状子集中确定出待询问症状；
使用所述待询问症状执行本轮症状询问任务，以及在获取到针对本轮症状询问的第三反馈的情况下，将所述待询问症状确定为本轮症状询问得到的症状；所述第三反馈表示所述患者存在所述待询问症状；
由所述历史症状和本轮症状询问得到的症状组成所述至少一个症状。
示例性的，上述电子设备可以是服务器、云服务器、计算机主机、服务器集群等，电子设备包括但不仅限于处理器71、输入设备72、输出设备73以及计算机存储介质74。本领域技术人员可以理解，所述示意图仅仅是电子设备的示例，并不构成对电子设备的限定，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。
需要说明的是，由于电子设备的处理器71执行计算机程序时实现上述的智能分诊方法中的步骤，因此上述智能分诊方法的实施例均适用于该电子设备，且均能达到相同或相似的有益效果。
本申请实施例还提供了一种计算机存储介质（Memory），所述计算机存储介质是电子设备中的记忆设备，用于存放程序和数据。可以理解的是，此处的计算机存储介质既可以包括终端中的内置存储介质，当然也可以包括终端所支持的扩展存储介质。计算机存储介质提供存储空间，该存储空间存储了终端的操作系统。并且，在该存储空间中还存放了适于被处理器71加载并执行的一条或多条的指令，这些指令可以是一个或一个以上的计算机程序（包括程序代码）。需要说明的是，此处的计算机存储介质可以是高速RAM存储器，也可以是非不稳定的存储器（non-volatile memory），例如至少一个磁盘存储器；可选的，还可以是至少一个位于远离前述处理器71的计算机存储介质。在一个实施例中，可由处理器71加载并执行计算机存储介质中存放的一条或多条指令，以实现上述有关智能分诊方法的相应步骤；具体实现中，计算机存储介质中的一条或多条指令由处理器71加载并执行如下步骤：
获取患者的至少一个症状；所述至少一个症状包括本轮症状询问得到的症状；
根据所述至少一个症状获取所述患者对应的科室推荐结果；
获取针对所述科室推荐结果的反馈；
根据所述反馈将本轮症状询问得到的症状确定为目标症状；
基于所述目标症状进行下一轮症状询问，重复执行多轮症状询问直至向所述患者返回推荐科室。
再一种示例中，计算机存储介质中的一条或多条指令由处理器71加载时还执行如下步骤：
将所述至少一个症状输入预训练的分诊模型进行关键信息的提取；所述分诊模型为独立的有监督学习模型，用于执行科室推荐任务；
基于提取出的关键信息进行科室的推荐预测，输出所述科室推荐结果。
再一种示例中，计算机存储介质中的一条或多条指令由处理器71加载时还执行如下步骤：
基于所述实际就诊科室的第一预测概率获取针对所述科室推荐结果的反馈。
再一种示例中，计算机存储介质中的一条或多条指令由处理器71加载时还执行如下步骤：
获取所述患者对应的历史科室推荐结果；所述历史科室推荐结果包括历史待推荐科室及所述历史待推荐科室对应的第二预测概率，所述历史待推荐科室包括所述实际就诊科室；
从所述历史科室推荐结果中获取所述实际就诊科室的第二预测概率；
在所述实际就诊科室的第一预测概率大于所述实际就诊科室的第二预测概率的情况下，得到针对所述科室推荐结果的第一反馈；在所述实际就诊科室的第一预测概率小于等于所述实际就诊科室的第二预测概率的情况下，得到针对所述科室推荐结果的第二反馈；
或者，
基于所述待推荐科室的第一预测概率对所述待推荐科室进行排序，得到所述实际就诊科室的第一排序结果；
获取所述实际就诊科室的第二排序结果；所述第二排序结果为预先基于所述历史待推荐科室的第二预测概率对所述历史待推荐科室进行排序得到；
在所述第一排序结果相较于所述第二排序结果有所上升的情况下，得到针对所述科室推荐结果的第一反馈；在所述第一排序结果相较于所述第二排序结果有所下降的情况下，得到针对所述科室推荐结果的第二反馈。
再一种示例中，计算机存储介质中的一条或多条指令由处理器71加载时还执行如下步骤：
在所述反馈为针对所述科室推荐结果的第一反馈的情况下，将本轮症状询问得到的症状确定为所述目标症状。
再一种示例中，计算机存储介质中的一条或多条指令由处理器71加载时还执行如下步骤：
获取历史症状询问得到的历史症状；
基于所述历史症状判断是否向所述患者返回推荐科室；
若否则从预设的多个症状子集中确定出目标症状子集，以及从所述目标症状子集中确定出待询问症状；
使用所述待询问症状执行本轮症状询问任务，以及在获取到针对本轮症状询问的第三反馈的情况下，将所述待询问症状确定为本轮症状询问得到的症状；所述第三反馈表示所述患者存在所述待询问症状；
由所述历史症状和本轮症状询问得到的症状组成所述至少一个症状。
示例性的，计算机存储介质的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，由于计算机存储介质的计算机程序被处理器执行时实现上述的智能分诊方法中的步骤，因此上述智能分诊方法的所有实施例均适用于该计算机存储介质，且均能达到相同或相似的有益效果。
以上对本申请实施例进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。

Claims (10)

1.一种智能分诊方法，其特征在于，所述方法包括：
获取患者的至少一个症状；所述至少一个症状包括本轮症状询问得到的症状；
根据所述至少一个症状获取所述患者对应的科室推荐结果，其中，所述科室推荐结果包括待推荐科室及所述待推荐科室对应的第一预测概率，所述待推荐科室包括所述患者的实际就诊科室；
获取针对所述科室推荐结果的反馈，具体包括：获取所述患者对应的历史科室推荐结果；所述历史科室推荐结果包括历史待推荐科室及所述历史待推荐科室对应的第二预测概率，所述历史待推荐科室包括所述实际就诊科室；从所述历史科室推荐结果中获取所述实际就诊科室的第二预测概率；在所述实际就诊科室的第一预测概率大于所述实际就诊科室的第二预测概率的情况下，得到针对所述科室推荐结果的第一反馈；在所述实际就诊科室的第一预测概率小于等于所述实际就诊科室的第二预测概率的情况下，得到针对所述科室推荐结果的第二反馈；
根据所述反馈将本轮症状询问得到的症状确定为目标症状；
基于所述目标症状进行下一轮症状询问，重复执行多轮症状询问直至向所述患者返回推荐科室。
2.一种智能分诊方法，其特征在于，所述方法包括：
获取患者的至少一个症状；所述至少一个症状包括本轮症状询问得到的症状；
根据所述至少一个症状获取所述患者对应的科室推荐结果，其中，所述科室推荐结果包括待推荐科室及所述待推荐科室对应的第一预测概率，所述待推荐科室包括所述患者的实际就诊科室；
获取针对所述科室推荐结果的反馈，具体包括：获取所述患者对应的历史科室推荐结果；所述历史科室推荐结果包括历史待推荐科室及所述历史待推荐科室对应的第二预测概率，所述历史待推荐科室包括所述实际就诊科室；基于所述待推荐科室的第一预测概率对所述待推荐科室进行排序，得到所述实际就诊科室的第一排序结果；获取所述实际就诊科室的第二排序结果；所述第二排序结果为预先基于所述历史待推荐科室的第二预测概率对所述历史待推荐科室进行排序得到；在所述第一排序结果相较于所述第二排序结果有所上升的情况下，得到针对所述科室推荐结果的第一反馈；在所述第一排序结果相较于所述第二排序结果有所下降的情况下，得到针对所述科室推荐结果的第二反馈；
根据所述反馈将本轮症状询问得到的症状确定为目标症状；
基于所述目标症状进行下一轮症状询问，重复执行多轮症状询问直至向所述患者返回推荐科室。
3.根据权利要求1或2所述的方法，其特征在于，所述根据所述至少一个症状获取所述患者对应的科室推荐结果，包括：
将所述至少一个症状输入预训练的分诊模型进行关键信息的提取；所述分诊模型为独立的有监督学习模型，用于执行科室推荐任务；
基于提取出的关键信息进行科室的推荐预测，输出所述科室推荐结果。
4.根据权利要求3所述的方法，其特征在于，所述根据所述反馈将本轮症状询问得到的症状确定为目标症状，包括：
在所述反馈为针对所述科室推荐结果的第一反馈的情况下，将本轮症状询问得到的症状确定为所述目标症状。
5.根据权利要求1或2所述的方法，其特征在于，所述获取患者的至少一个症状，包括：
获取历史症状询问得到的历史症状；
基于所述历史症状判断是否向所述患者返回推荐科室；
若否，则从预设的多个症状子集中确定出目标症状子集，以及从所述目标症状子集中确定出待询问症状；
使用所述待询问症状执行本轮症状询问任务，以及在获取到针对本轮症状询问的第三反馈的情况下，将所述待询问症状确定为本轮症状询问得到的症状；所述第三反馈表示所述患者存在所述待询问症状；
由所述历史症状和本轮症状询问得到的症状组成所述至少一个症状。
6.一种智能分诊装置，其特征在于，所述装置包括：
症状获取模块，用于获取患者的至少一个症状；所述至少一个症状包括本轮症状询问得到的症状；
科室推荐模块，用于根据所述至少一个症状获取所述患者对应的科室推荐结果，其中，所述科室推荐结果包括待推荐科室及所述待推荐科室对应的第一预测概率，所述待推荐科室包括所述患者的实际就诊科室；
反馈获取模块，用于获取针对所述科室推荐结果的反馈，具体用于：获取所述患者对应的历史科室推荐结果；所述历史科室推荐结果包括历史待推荐科室及所述历史待推荐科室对应的第二预测概率，所述历史待推荐科室包括所述实际就诊科室；从所述历史科室推荐结果中获取所述实际就诊科室的第二预测概率；在所述实际就诊科室的第一预测概率大于所述实际就诊科室的第二预测概率的情况下，得到针对所述科室推荐结果的第一反馈；在所述实际就诊科室的第一预测概率小于等于所述实际就诊科室的第二预测概率的情况下，得到针对所述科室推荐结果的第二反馈；
症状确定模块，根据所述反馈将本轮症状询问得到的症状确定为目标症状；
科室输出模块，用于基于所述目标症状进行下一轮症状询问，重复执行多轮症状询问直至向所述患者返回推荐科室。
7.一种智能分诊装置，其特征在于，所述装置包括：
症状获取模块，用于获取患者的至少一个症状；所述至少一个症状包括本轮症状询问得到的症状；
科室推荐模块，用于根据所述至少一个症状获取所述患者对应的科室推荐结果，其中，所述科室推荐结果包括待推荐科室及所述待推荐科室对应的第一预测概率，所述待推荐科室包括所述患者的实际就诊科室；
反馈获取模块，用于获取针对所述科室推荐结果的反馈，具体用于：获取所述患者对应的历史科室推荐结果；所述历史科室推荐结果包括历史待推荐科室及所述历史待推荐科室对应的第二预测概率，所述历史待推荐科室包括所述实际就诊科室；基于所述待推荐科室的第一预测概率对所述待推荐科室进行排序，得到所述实际就诊科室的第一排序结果；获取所述实际就诊科室的第二排序结果；所述第二排序结果为预先基于所述历史待推荐科室的第二预测概率对所述历史待推荐科室进行排序得到；在所述第一排序结果相较于所述第二排序结果有所上升的情况下，得到针对所述科室推荐结果的第一反馈；在所述第一排序结果相较于所述第二排序结果有所下降的情况下，得到针对所述科室推荐结果的第二反馈；
症状确定模块，根据所述反馈将本轮症状询问得到的症状确定为目标症状；
科室输出模块，用于基于所述目标症状进行下一轮症状询问，重复执行多轮症状询问直至向所述患者返回推荐科室。
8.根据权利要求6或7所述的装置，其特征在于，在根据所述至少一个症状获取所述患者对应的科室推荐结果方面，所述科室推荐模块具体用于：
将所述至少一个症状输入预训练的分诊模型进行关键信息的提取；所述分诊模型为独立的有监督学习模型，用于执行科室推荐任务；
基于提取出的关键信息进行科室的推荐预测，输出所述科室推荐结果。
9.一种电子设备，包括输入设备和输出设备，其特征在于，还包括：
处理器，适于实现一条或多条指令；以及，
计算机存储介质，所述计算机存储介质存储有一条或多条指令，所述一条或多条指令适于由所述处理器加载并执行如权利要求1-5任一项所述的方法。
10.一种计算机存储介质，其特征在于，所述计算机存储介质存储有一条或多条指令，所述一条或多条指令适于由处理器加载并执行如权利要求1-5任一项所述的方法。
CN202011031139.4A 2020-09-27 2020-09-27 智能分诊方法、装置、电子设备及存储介质 Active CN111951943B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202011031139.4A CN111951943B (zh) 2020-09-27 2020-09-27 智能分诊方法、装置、电子设备及存储介质
PCT/CN2020/124260 WO2021179625A1 (zh) 2020-09-27 2020-10-28 智能分诊方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011031139.4A CN111951943B (zh) 2020-09-27 2020-09-27 智能分诊方法、装置、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN111951943A CN111951943A (zh) 2020-11-17
CN111951943B true CN111951943B (zh) 2021-01-05

Family

ID=73356892

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011031139.4A Active CN111951943B (zh) 2020-09-27 2020-09-27 智能分诊方法、装置、电子设备及存储介质

Country Status (2)

Country Link
CN (1) CN111951943B (zh)
WO (1) WO2021179625A1 (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20220130545A1 (en) * 2020-10-22 2022-04-28 Zhongyu Wei Task-oriented Dialogue System for Automatic Disease Diagnosis
CN112927785A (zh) * 2021-02-04 2021-06-08 浙江警官职业学院 一体化就诊方法、装置、终端和存储介质
CN114360137A (zh) * 2021-11-30 2022-04-15 浙江朱道模块集成有限公司 一种用于医院的信息采集自动引导系统
CN115662599B (zh) * 2022-12-28 2023-03-21 温州医科大学附属第二医院（温州医科大学附属育英儿童医院） 一种医院就诊的预约方法和预约装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108922608A (zh) * 2018-06-13 2018-11-30 平安医疗科技有限公司 智能导诊方法、装置、计算机设备和存储介质
CN110047584A (zh) * 2019-04-23 2019-07-23 清华大学 基于深度学习的医院分诊方法、系统、装置及介质
CN111477310A (zh) * 2020-03-04 2020-07-31 平安国际智慧城市科技股份有限公司 分诊数据处理方法、装置、计算机设备及存储介质

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6298747B2 (ja) * 2014-09-24 2018-03-20 富士フイルム株式会社 診療支援装置、診療支援装置の作動方法および作動プログラム、並びに診療支援システム
US20160328519A1 (en) * 2015-05-07 2016-11-10 Stephen Cox Systems and Methods for Virtual Triage
CN104834824A (zh) * 2015-05-20 2015-08-12 上海简医信息科技有限公司 基于人体模型的移动终端可视化导诊系统和方法
CN105912848B (zh) * 2016-04-08 2018-10-23 南昌大学 一种基于app的医疗服务系统
WO2020180679A1 (en) * 2019-03-01 2020-09-10 Carnegie Mellon University Interactive treatment pathway interface for guiding diagnosis or treatment of a medical condition
CN110428890A (zh) * 2019-07-19 2019-11-08 万达信息股份有限公司 一种就医导诊方法和系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108922608A (zh) * 2018-06-13 2018-11-30 平安医疗科技有限公司 智能导诊方法、装置、计算机设备和存储介质
CN110047584A (zh) * 2019-04-23 2019-07-23 清华大学 基于深度学习的医院分诊方法、系统、装置及介质
CN111477310A (zh) * 2020-03-04 2020-07-31 平安国际智慧城市科技股份有限公司 分诊数据处理方法、装置、计算机设备及存储介质

Also Published As

Publication number Publication date
WO2021179625A1 (zh) 2021-09-16
CN111951943A (zh) 2020-11-17

Similar Documents

Publication Publication Date Title
CN111951943B (zh) 智能分诊方法、装置、电子设备及存储介质
CN110033851B (zh) 信息推荐方法、装置、存储介质及服务器
WO2021021546A1 (en) Automated neural network generation using fitness estimation
CN111105852A (zh) 一种电子病历推荐方法、装置、终端及存储介质
CN110838363B (zh) 控制方法以及医学系统
CN111178537B (zh) 一种特征提取模型训练方法及设备
CN112783616B (zh) 一种并发冲突处理方法、装置及计算机存储介质
CN111785385A (zh) 疾病分类方法、装置、设备和存储介质
CN111696661A (zh) 患者分群模型构建方法、患者分群方法及相关设备
US20210257067A1 (en) State transition prediction device, and device, method, and program for learning predictive model
CN103077184A (zh) 用于基于规则的情景获取的方法
CN112529024A (zh) 一种样本数据的生成方法、装置及计算机可读存储介质
CN111161880B (zh) 基于分类模型的医疗信息分类方法、装置和计算机设备
CN109326352B (zh) 疾病预测方法、装置、终端及存储介质
CN108595013B (zh) 握持识别方法、装置、存储介质及电子设备
CN111883261B (zh) 疫情自查方法、装置、计算机设备及存储介质
CN116401522A (zh) 一种金融服务动态化推荐方法和装置
CN116631626A (zh) 一种患者临床风险评估方法、装置、设备及介质
CN108197706B (zh) 残缺数据深度学习神经网络方法、装置、计算机设备及存储介质
WO2022249407A1 (ja) アセスメント支援システム、アセスメント支援方法、及び記録媒体
CN113724824B (zh) 慢性病患者随访方法、装置、计算机设备及可读存储介质
CN116168403A (zh) 医疗数据分类模型训练方法、分类方法、装置及相关介质
US20110124975A1 (en) Method for Medical Diagnosis Utilizing PDA Software Robots
CN114388123A (zh) 智能辅诊方法、装置、设备及存储介质
CN110147881B (zh) 语言处理方法、装置、设备及存储介质

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