CN111986744A - 医疗机构的患者界面生成方法、装置、电子设备及介质 - Google Patents
医疗机构的患者界面生成方法、装置、电子设备及介质 Download PDFInfo
- Publication number
- CN111986744A CN111986744A CN202010917022.XA CN202010917022A CN111986744A CN 111986744 A CN111986744 A CN 111986744A CN 202010917022 A CN202010917022 A CN 202010917022A CN 111986744 A CN111986744 A CN 111986744A
- Authority
- CN
- China
- Prior art keywords
- target
- patient
- label
- interface
- target patient
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000006243 chemical reaction Methods 0.000 claims abstract description 68
- 238000013145 classification model Methods 0.000 claims abstract description 50
- 238000012549 training Methods 0.000 claims description 33
- 238000012360 testing method Methods 0.000 claims description 24
- 230000008569 process Effects 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 230000009466 transformation Effects 0.000 description 12
- 230000006870 function Effects 0.000 description 9
- 238000004422 calculation algorithm Methods 0.000 description 7
- 210000004899 c-terminal region Anatomy 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 201000010099 disease Diseases 0.000 description 4
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 4
- 230000000276 sedentary effect Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 208000007848 Alcoholism Diseases 0.000 description 2
- 206010001584 alcohol abuse Diseases 0.000 description 2
- 208000025746 alcohol use disease Diseases 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000001684 chronic effect Effects 0.000 description 2
- 238000012790 confirmation Methods 0.000 description 2
- 230000035558 fertility Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000035935 pregnancy Effects 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 230000000391 smoking effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/20—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for electronic clinical trials or questionnaires
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Public Health (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Biomedical Technology (AREA)
- Theoretical Computer Science (AREA)
- Pathology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明涉及数字医疗技术领域,提供一种医疗机构的患者界面生成方法,所述方法包括:接收登录信息及问卷调查结果信息;将登录信息及问卷调查结果信息分别进行标签转化得到第一标签集及第二标签集并进行合并,得到目标患者的目标患者画像;将目标患者画像输入至预先训练的群体分类模型中,识别出目标患者的群体类型;根据目标患者的群体类型和目标患者画像确定多个目标标签及目标界面布局模板;根据多个目标标签和目标界面布局模板生成所述目标患者对应的界面。本发明根据不同的患者群体类型推荐的多个目标标签和界面布局模板自动化和定制化生成对应的界面,提高了界面生成的多样性及使用率,同时提高了患者的满意度。
Description
技术领域
本发明涉及数字医疗技术领域,具体涉及一种医疗机构的患者界面生成方法、装置、电子设备及介质。
背景技术
随着医疗的发展,对科室的划分越来越细,在就诊过程中,患者无法实现快速的就诊,现有技术通过构建医疗机构的C端界面指导患者就诊,针对不同的患者群体开发不同类型的C端界面,比如针对老人的,设计开发老人版C端界面,针对儿童的,设计开发儿童版C端界面,然后,这种方式不仅降低开发的效率,并且复用性不高,不同类型的需要不同APP,并且开发人员也需要根据不同医院的需求来设计开发不同的界面排版,导致C端界面使用率不高,患者的满意度低。
因此,现在亟待一种可以有效解决针对不同的医院需求和不同的患者群体自动化和定制化生成界面的方法。
发明内容
鉴于以上内容,有必要提出一种医疗机构的患者界面生成方法、装置、电子设备及介质,根据不同的患者群体类型推荐的多个目标标签和界面布局模板自动化和定制化生成对应的界面,提高了界面生成的多样性及使用率,同时提高了患者的满意度。
本发明的第一方面提供一种医疗机构的患者界面生成方法,所述方法包括:
在接收到目标患者的客户端发送的登录信息时,发送问卷调查请求至所述客户端,并接收所述客户端返回的问卷调查结果信息;
将所述登录信息进行标签转化得到第一标签集,及将所述问卷调查结果信息进行标签转化得到第二标签集;
将所述第一标签集及所述第二标签集进行合并,得到所述目标患者的目标患者画像;
将所述目标患者画像输入至预先训练的群体分类模型中,识别出所述目标患者的群体类型;
根据所述目标患者的群体类型和所述目标患者画像确定所述目标患者的多个目标标签,及根据所述目标患者的群体类型确定目标界面布局模板;
根据所述多个目标标签和所述目标界面布局模板生成所述目标患者对应的界面。
可选的,所述根据所述目标患者的群体类型和所述目标患者画像确定所述目标患者的多个目标标签包括:
获取所述目标患者画像中的所有第一标签及每个第一标签的第一推荐评分;
从所述目标患者的群体类型中获取多个患者,并获取每个患者的所有第二标签及每个第二标签对应的第二推荐评分;
根据所述所有第一标签及每个第一标签的第一推荐评分与每个患者的所有第二标签及每个第二标签的第二推荐评分计算所述目标患者与每个患者之间的相似度;
从所述相似度中选取相似度最高的N个患者作为所述目标患者的相似患者;
从所述相似患者的推荐评分选取推荐评分最高的M个标签作为所述目标患者的多个目标标签。
可选的,所述根据所述目标患者的群体类型确定目标界面布局模板包括:
将所述目标患者的群体类型与预设的数据库中的群体类型进行匹配;
当在所述预设的数据库中匹配到与所述目标患者的群体类型相匹配的目标群体类型时,将所述目标群体类型对应的界面布局模板作为所述目标界面布局模板;
当在所述预设的数据库中未匹配到与所述目标患者的群体类型相匹配的目标群体类型时,获取默认的界面布局模板作为所述目标界面布局模板。
可选的,所述将所述登录信息进行标签转化得到第一标签集,及将所述问卷调查结果信息进行标签转化得到第二标签集包括:
提取所述登录信息中的多个第一关键字段,调用预先存储的第一标签转化策略,将所述多个第一关键字段分别进行标签转化得到第一标签集;及
提取所述问卷调查结果信息中的多个第二关键字段,调用预先存储的第二标签转化策略,将所述多个第二关键字段分别进行标签转化得到第二标签集。
可选的,所述群体分类模型的训练过程包括:
针对每个群体类型,获取多个历史患者的多个标签集;
根据每个历史患者的多个标签集得到每个历史患者的历史患者画像;
将多个所述历史患者画像及对应的群体类型作为样本数据集;
从所述样本数据集中划分出训练集和测试集;
将所述训练集输入预设神经网络中进行训练,得到群体分类模型;
将所述测试集输入至所述群体分类模型中进行测试,并计算测试通过率;
当所述测试通过率大于或者等于预设通过率阈值时,结束所述群体分类模型的训练;当所述测试通过率小于所述预设通过率阈值时,增加所述训练集的数量,重新进行群体分类模型的训练。
可选的,在根据所述目标患者的群体类型确定目标界面布局模板之前,所述方法还包括:
从预设的多个数据源中获取多个群体类型及每个群体类型对应的所有关键标签,并将每个关键标签按照预设的转换规则转换成对应的自定义标签;
根据每个群体类型及每个群体类型对应的所有自定义标签创建目标界面布局模板,其中,每个自定义标签关联有对应界面布局模板中的位置信息。
可选的,所述根据所述多个目标标签和所述目标界面布局模板生成目标患者对应的界面包括:
根据所述目标界面布局模板,确定每个目标标签在所述目标界面布局模板中的位置信息;
将每个目标标签嵌入到所述目标界面布局模板对应的位置生成所述目标患者对应的界面。
本发明的第二方面提供一种医疗机构的患者界面生成装置,所述装置包括:
发送模块,用于在接收到目标患者的客户端发送的登录信息时,发送问卷调查请求至所述客户端,并接收所述客户端返回的问卷调查结果信息;
转化模块,用于将所述登录信息进行标签转化得到第一标签集,及将所述问卷调查结果信息进行标签转化得到第二标签集;
合并模块,用于将所述第一标签集及所述第二标签集进行合并,得到所述目标患者的目标患者画像;
识别模块,用于将所述目标患者画像输入至预先训练的群体分类模型中,识别出所述目标患者的群体类型;
确定模块,用于根据所述目标患者的群体类型和所述目标患者画像确定所述目标患者的多个目标标签,及根据所述目标患者的群体类型确定目标界面布局模板;
生成模块,用于根据所述多个目标标签和所述目标界面布局模板生成所述目标患者对应的界面。
本发明的第三方面提供一种电子设备,所述电子设备包括处理器,所述处理器用于执行存储器中存储的计算机程序时实现所述的医疗机构的患者界面生成方法。
本发明的第四方面提供一种计算机可读存储介质,所述计算机可读存储介质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所述的医疗机构的患者界面生成方法。
综上所述,本发明所述的医疗机构的患者界面生成方法、装置、电子设备及介质,一方面,通过根据所述多个目标标签和所述界面布局模板生成所述目标患者对应的界面,有效解决了针对不同的医院需求和不同的患者群体自动化和定制化生成对应的界面,提高了目标患者的界面生成的多样性及使用率,同时提高了患者的满意度;另一方面,通过根据所述目标患者的群体类型和所述目标患者画像采用推荐算法确定所述目标患者对应的多个目标标签,提高了所述目标患者对应的目标标签的推荐正确率;最后,然后根据提取每个患者对应的患者画像中的多个预设的标签及群体类型标识训练群体分类模型,后续只需要获取每个患者对应的患者画像中的多个标签,即可通过群体分类模型识别出所述患者所属的群体类型,准确率高。
附图说明
图1是本发明实施例一提供的医疗机构的患者界面生成方法的流程图。
图2是本发明实施例二提供的医疗机构的患者界面生成装置的结构图。
图3是本发明实施例三提供的电子设备的结构示意图。
如下具体实施方式将结合上述附图进一步说明本发明。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施例对本发明进行详细描述。需要说明的是,在不冲突的情况下,本发明的实施例及实施例中的特征可以相互组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本发明。
实施例一
图1是本发明实施例一提供的医疗机构的患者界面生成方法的流程图。
在本实施例中,所述医疗机构的患者界面生成方法可以应用于电子设备中,对于需要进行医疗机构的患者界面生成的电子设备,可以直接在电子设备上集成本发明的方法所提供的医疗机构的患者界面生成的功能,或者以软件开发工具包(SoftwareDevelopment Kit,SKD)的形式运行在电子设备中。
如图1所示,所述医疗机构的患者界面生成方法具体包括以下步骤,根据不同的需求,该流程图中步骤的顺序可以改变,某些可以省略。
S11:在接收到目标患者的客户端发送的登录信息时,发送问卷调查请求至所述客户端,并接收所述客户端返回的问卷调查结果信息。
本实施例中,所述登录信息包括患者的身份证号、社保号、年龄、身高、体重等信息,患者在进行疾病问诊时,通过客户端发起登录请求至服务端,并将登录界面显示在所述客户端,患者在所述客户端显示的登录界面上输入登录信息后,所述服务端接收所述患者在所述客户端输入的登录信息。
本实施例中,在所述服务器监测到所述客户端输入的确认操作时,确定所述客户端登录成功,并发送问卷调查请求至所述客户端,所述客户端响应于所述问卷调查请求,具体地,所述问卷调查请求用于调查所述患者问诊信息包括,但不限于,当前病史、历史病史、当前的挂号科室、挂号时段、挂号类型、生育状况、个人习惯、就诊偏好、问诊类型等信息,其中,所述生育状况包括,但不限于,已生育、未生育、已生育二胎;所述问诊类型包括,但不限于,视频问诊、图文问诊及电话问诊;所述个人习惯包括,但不限于,久坐、久站、长期抽烟、酗酒。
本实施例中,当将所述问卷调查显示在所述客户端时,所述患者在所述客户端输入问卷调查结果信息,并发送至所述服务端,所述服务端接收所述客户端返回的问卷调查结果信息。
本实施例中,通过问卷调查获取所述患者的问卷调查结果,进而获取所述患者的问诊信息,提高了得到患者信息的准确性及全面性。
S12:将所述登录信息进行标签转化得到第一标签集,及将所述问卷调查结果信息进行标签转化得到第二标签集。
本实施例中,所述登录信息中包括患者的身份证号、社保号、年龄、身高、体重等信息,将所述登录信息中的每个登录信息进行标签转化为第一标签,多个登录信息进行转化得到第一标签集;所述问卷调查结果信息中包括,但不限于,当前病史、历史病史、当前的挂号科室、挂号时段、挂号类型、生育状况、个人习惯、就诊偏好、问诊类型等信息,将所述问卷调查结果信息中的每个调查结果信息进行标签转化为第二标签,多个调查结果信息进行转化得到第二标签集。
可选的,所述将所述登录信息进行标签转化得到第一标签集,及将所述问卷调查结果信息进行标签转化得到第二标签集包括:
提取所述登录信息中的多个第一关键字段,调用预先存储的第一标签转化策略,将所述多个第一关键字段分别进行标签转化得到第一标签集;及
提取所述问卷调查结果信息中的多个第二关键字段,调用预先存储的第二标签转化策略,将所述多个第二关键字段分别进行标签转化得到第二标签集。
本实施例中,所述标签转化策略可以根据医疗结构提供的自定义标签进行预先设置,并预先存储在数据库中,具体地,所述预设的标签转化策略中包括登录信息转化策略和问卷调查结果信息转化策略。其中,登录信息转化策略中包括了年龄转化子策略用于将实际年龄转化为年龄标签、身高转化子策略用于将身高转化为身高标签、体重转化子策略用于将体重转化为体重标签;问卷调查结果信息转化策略包括患者就诊科室转化子策略用于将患者就诊科室转化为科室标签;患者职业转化策略用于将患者的职业转化为职业标签。
具体地,调用并执行预先存储的标签转化策略,获取所述标签转化策略中的登录信息转化策略,将所述多个第一关键字段转化为第一标签集;及获取所述标签转化策略中的问卷调查结果信息转化策略,将所述多个第二关键字段转化为第二标签集。
示例性的,预设的标签转化策略具体为:
年龄转化子策略用于将实际年龄转化为年龄标签,若患者年龄为小于3岁,标签为婴幼儿;患者年龄为4岁至18岁,标签为青少年;患者年龄为18-40岁,标签为青年;患者年龄为40-55岁,标签为中年;患者年龄为55岁以上,标签为老年。
患者职业转化策略用于将患者的职业转化为职业标签,若患者的职业为软件编程,标签为久坐;患者的职业为销售员,标签为久站。
S13:将所述第一标签集及所述第二标签集进行合并,得到所述目标患者的目标患者画像。
本实施例中,所述第一标签集中包括多个第一标签,及所述第二标签集中包括多个第二标签,将所述多个第一标签及所述多个第二标签进行合并运算,得到目标患者对应的所有标签,基于所述所有标签进行构建,得到所述目标患者对应的目标患者画像。
S14:将所述目标患者画像输入至预先训练的群体分类模型中,识别出所述目标患者的群体类型。
本实施例中,将所述目标患者的综合人口属性标签、行为属性标签、疾病问诊标签、订单消费标签、及患者偏好标签等标签输入至预先训练的群体分类模型中,并根据所述群体分类模型识别出所述目标患者的群体类别。
可选的,所述群体分类模型的训练过程包括:
41)针对每个群体类型,获取多个历史患者的多个标签集;
42)根据每个历史患者的多个标签集得到每个历史患者的历史患者画像;
43)将多个所述历史患者画像及对应的群体类型作为样本数据集;
44)从所述样本数据集中划分出训练集和测试集;
45)将所述训练集输入预设神经网络中进行训练,得到群体分类模型;
46)将所述测试集输入至所述群体分类模型中进行测试,并计算测试通过率;
47)当所述测试通过率大于或者等于预设通过率阈值时,结束所述群体分类模型的训练;当所述测试通过率小于所述预设通过率阈值时,增加所述训练集的数量,重新进行群体分类模型的训练。
本实施例中,可以预先设置群体类型,所述群体类型患者表示患者所属的类型,所述群体类型标识可以包括,但不限于,孕妇、备孕、婴幼儿、儿童、老人、青年男人、青年女人、中年男人、中年女人及老年人。获取每个类型的多个患者,提取患者的多个预设的标签,然后根据提取每个患者对应的患者画像中的多个预设的标签及群体类型标识训练群体分类模型,后续只需要获取每个患者对应的患者画像中的多个标签,即可通过群体分类模型识别出所述患者所属的群体类型,准确率高。
S15:根据所述目标患者的群体类型和所述目标患者画像确定所述目标患者对应的多个目标标签,及根据所述目标患者的群体类型确定目标界面布局模板。
本实施例中,所述多个目标标签是指用于构建所述目标患者对应的患者患者界面所需的标签,具体地,所述多个目标标签是根据所述目标患者的群体类型和所述目标患者画像确定的。
可选的,在根据所述目标患者的群体类型确定目标界面布局模板之前,所述方法还包括:
从预设的多个数据源中获取多个群体类型及每个群体类型对应的所有关键标签,并将每个关键标签按照预设的转换规则转换成对应的自定义标签;
根据每个群体类型及每个群体类型对应的所有自定义标签创建目标界面布局模板,其中,每个自定义标签关联有对应界面布局模板中的位置信息。
本实施例中,数据源是指通用的医疗结构,具体地,从所述预设的多个医疗机构中获取每个群体类型及每个群体类型对应的所有关键标签,其中,所述关键标签包括,但不限于,患者的年龄、患者的身高、患者的体重、挂号时段、生育状况。将所述关键标签按照预设的转换规则转换为医疗机构对应的自定义标签。
可选的,所述根据所述目标患者的群体类型和所述目标患者画像确定所述目标患者对应的多个目标标签包括:
根据所述目标患者的群体类型和所述目标患者画像采用协同过滤的推荐算法进行推荐得到所述目标患者对应的多个目标标签。
可替代的,所述根据所述目标患者的群体类型和所述目标患者画像确定所述目标患者的多个目标标签包括:
获取所述目标患者画像中的所有第一标签及每个第一标签的第一推荐评分;
从所述目标患者的群体类型中获取多个患者,并获取每个患者的所有第二标签及每个第二标签对应的第二推荐评分;
根据所述所有第一标签及每个第一标签的第一推荐评分与每个患者的所有第二标签及每个第二标签的第二推荐评分计算所述目标患者与每个患者之间的相似度;
从所述相似度中选取相似度最高的N个患者作为所述目标患者的相似患者;
从所述相似患者的推荐评分选取推荐评分最高的M个标签作为所述目标患者的多个目标标签。
本实施例中,获取所述目标患者画像中的所有第一标签及每个第一标签对应的第一推荐评分,获取所述目标患者群体类型对应的多个患者;获取每个患者的所有第二标签及每个第二标签对应的第二推荐评分;根据所有第一标签及每个第一标签对应的第一推荐评分与每个患者的所有第二标签及每个第二标签对应的第二推荐评分计算所述目标患者与每个患者之间的相似度并进行降序排序,从所述降序排序结果中选取排序前N个患者作为所述目标患者的相似患者;根据所述相似患者的推荐评分选取推荐评分最高的M个标签作为得到所述目标患者对应的多个目标标签。
进一步的,所述根据所有第一标签及每个第一标签对应的第一推荐评分与每个患者的所有第二标签及每个第二标签对应的第二推荐评分采用如下公式计算所述目标患者与每个患者之间的相似度包括:
其中,sim(i,j)表示所述目标患者与每个患者之间的相似度,i表示第一标签,j表示第二标签,u表示所述目标患者的群体类型,Ru,i表示患者u对第一标签的推荐评分,Ru,j表示患者u对第二标签的推荐评分,表示患者u推荐评分的平均值。
本实施例中,所述患者在登录注册时,会生成唯一的患者识别码,所述患者的识别码与对应的标签进行关联。
本实施例中,通过根据所有第一标签及每个第一标签对应的第一推荐评分与每个患者的所有第二标签及每个第二标签对应的第二推荐评分计算所述目标患者与每个患者之间的相似度进而得到所述目标患者对应的多个目标标签,提高了所述目标患者对应的目标标签的推荐正确率。
可选的,所述根据所述目标患者的群体类型确定目标界面布局模板包括:
将所述群体类型与预设的数据库中的群体类型进行匹配;
当在所述预设的数据库中匹配到与所述目标患者的群体类型相匹配的目标群体类型时,将所述目标群体类型对应的界面布局模板作为所述目标界面布局模板;
当在所述预设的数据库中未匹配到与所述目标患者的群体类型相匹配的目标群体类型时,获取默认的界面布局模板作为所述目标群体类型对应的目标界面布局模板。
本实施例中,通过目标患者的类型匹配到对应的界面布局模板,提高了不同的患者群体模板的一致性。
S16:根据所述多个目标标签和所述目标界面布局模板生成目标患者对应的界面。
本实施例中,所述目标患者对应的界面不是预先设置的,而是通过所述目标患者对应的多个目标标签和对应的界面布局模板自动生成的,有效解决了针对不同的医院需求和不同的患者群体自动化和定制化生成对应的界面,提高了界面的使用率及患者的满意度。
可选的,所述根据所述多个目标标签和所述目标界面布局模板生成目标患者对应的界面包括:
根据所述目标界面布局模板,确定每个目标标签在所述目标界面布局模板中的位置信息;
将每个目标标签嵌入到所述目标界面布局模板对应的位置生成所述目标患者对应的界面。
本实施例中,所述目标患者对应的界面是通过预先确定所述目标患者的界面布局模板,然后将推荐得到的多个目标标签嵌入到所述目标患者的界面布局模板的对应位置,提高了界面布局模板的生成多样性,根据不同的患者群体可以生成不同的界面,提高了界面生成效率及使用率。
可替代的,在所述将所述目标患者画像输入至预先训练的群体分类模型中,识别出所述目标患者的群体类型之后,所述方法还包括:
根据所述目标患者的群体类型确定所述群体类型对应的目标界面布局模板;
获取所述目标患者的目标患者画像中的所有标签;
根据所述目标界面布局模板,确定每个标签在目标待生成界面中的位置;
将每个标签嵌入到所述目标待生成界面对应的位置生成所述目标患者对应的目标患者界面。
在其他实施例中,可以不用通过推荐算法推荐多个目标标签生成所述目标患者的界面,可以直接根据所述目标患者对应的患者群体类型及目标患者画像中的多个标签,嵌入到所述患者群体类型对应的目标界面布局模板中直接生成所述目标患者对应的界面,提高了目标患者对应的界面的生成效率,具体地,由于所述目标患者对应的界面是根据构建的目标患者画像中的多个标签生成的,依赖于所述目标患者提供的问诊信息,从所述目标患者的维度进行了考量,提高了目标患者的满意度。
综上所述,本实施例所述的医疗机构的患者界面生成方法,在接收到目标患者的客户端发送的登录信息时,发送问卷调查请求至所述客户端,并接收所述客户端返回的问卷调查结果信息;将所述登录信息进行标签转化得到第一标签集,及将所述问卷调查结果信息进行标签转化得到第二标签集;将所述第一标签集及所述第二标签集进行合并,得到所述目标患者的目标患者画像;将所述目标患者画像输入至预先训练的群体分类模型中,识别出所述目标患者的群体类型;根据所述目标患者的群体类型和所述目标患者画像确定所述目标患者的多个目标标签,及根据所述目标患者的群体类型确定目标界面布局模板;根据所述多个目标标签和所述目标界面布局模板生成所述目标患者对应的界面。
本实施例,一方面,通过根据所述多个目标标签和所述界面布局模板生成所述目标患者对应的界面,有效解决了针对不同的医院需求和不同的患者群体自动化和定制化生成对应的界面,提高了目标患者的界面生成的多样性及使用率,同时提高了患者的满意度;另一方面,通过根据所述目标患者的群体类型和所述目标患者画像采用推荐算法确定所述目标患者对应的多个目标标签,提高了所述目标患者对应的目标标签的推荐正确率;最后,然后根据提取每个患者对应的患者画像中的多个预设的标签及群体类型标识训练群体分类模型,后续只需要获取每个患者对应的患者画像中的多个标签,即可通过群体分类模型识别出所述患者所属的群体类型,准确率高。
此外,直接通过目标患者画像生成所述目标患者对应的界面,依赖于所述目标患者提供的问诊信息,从所述目标患者的维度进行了考量,提高了目标患者的满意度。
实施例二
图2是本发明实施例二提供的医疗机构的患者界面生成装置的结构图。
在一些实施例中,所述医疗机构的患者界面生成装置20可以包括多个由程序代码段所组成的功能模块。所述医疗机构的患者界面生成装置20中的各个程序段的程序代码可以存储于电子设备的存储器中,并由所述至少一个处理器所执行,以执行(详见图1描述)医疗机构的患者界面生成。
本实施例中,所述医疗机构的患者界面生成装置20根据其所执行的功能,可以被划分为多个功能模块。所述功能模块可以包括:发送模块201、转化模块202、合并模块203、识别模块204、确定模块205、生成模块206及获取模块207。本发明所称的模块是指一种能够被至少一个处理器所执行并且能够完成固定功能的一系列计算机程序段,其存储在存储器中。在本实施例中,关于各模块的功能将在后续的实施例中详述。
发送模块201:用于在接收到目标患者的客户端发送的登录信息时,发送问卷调查请求至所述客户端,并接收所述客户端返回的问卷调查结果信息。
本实施例中,所述登录信息包括患者的身份证号、社保号、年龄、身高、体重等信息,患者在进行疾病问诊时,通过客户端发起登录请求至服务端,并将登录界面显示在所述客户端,患者在所述客户端显示的登录界面上输入登录信息后,所述服务端接收所述患者在所述客户端输入的登录信息。
本实施例中,在所述服务器监测到所述客户端输入的确认操作时,确定所述客户端登录成功,并发送问卷调查请求至所述客户端,所述客户端响应于所述问卷调查请求,具体地,所述问卷调查请求用于调查所述患者问诊信息包括,但不限于,当前病史、历史病史、当前的挂号科室、挂号时段、挂号类型、生育状况、个人习惯、就诊偏好、问诊类型等信息,其中,所述生育状况包括,但不限于,已生育、未生育、已生育二胎;所述问诊类型包括,但不限于,视频问诊、图文问诊及电话问诊;所述个人习惯包括,但不限于,久坐、久站、长期抽烟、酗酒。
本实施例中,当将所述问卷调查显示在所述客户端时,所述患者在所述客户端输入问卷调查结果信息,并发送至所述服务端,所述服务端接收所述客户端返回的问卷调查结果信息。
本实施例中,通过问卷调查获取所述患者的问卷调查结果,进而获取所述患者的问诊信息,提高了得到患者信息的准确性及全面性。
转化模块202:用于将所述登录信息进行标签转化得到第一标签集,及将所述问卷调查结果信息进行标签转化得到第二标签集。
本实施例中,所述登录信息中包括患者的身份证号、社保号、年龄、身高、体重等信息,将所述登录信息中的每个登录信息进行标签转化为第一标签,多个登录信息进行转化得到第一标签集;所述问卷调查结果信息中包括,但不限于,当前病史、历史病史、当前的挂号科室、挂号时段、挂号类型、生育状况、个人习惯、就诊偏好、问诊类型等信息,将所述问卷调查结果信息中的每个调查结果信息进行标签转化为第二标签,多个调查结果信息进行转化得到第二标签集。
可选的,所述转化模块202将所述登录信息进行标签转化得到第一标签集,及将所述问卷调查结果信息进行标签转化得到第二标签集包括:
提取所述登录信息中的多个第一关键字段,调用预先存储的第一标签转化策略,将所述多个第一关键字段分别进行标签转化得到第一标签集;及
提取所述问卷调查结果信息中的多个第二关键字段,调用预先存储的第二标签转化策略,将所述多个第二关键字段分别进行标签转化得到第二标签集。
本实施例中,所述标签转化策略可以根据医疗结构提供的自定义标签进行预先设置,并预先存储在数据库中,具体地,所述预设的标签转化策略中包括登录信息转化策略和问卷调查结果信息转化策略。其中,登录信息转化策略中包括了年龄转化子策略用于将实际年龄转化为年龄标签、身高转化子策略用于将身高转化为身高标签、体重转化子策略用于将体重转化为体重标签;问卷调查结果信息转化策略包括患者就诊科室转化子策略用于将患者就诊科室转化为科室标签;患者职业转化策略用于将患者的职业转化为职业标签。
具体地,调用并执行预先存储的标签转化策略,获取所述标签转化策略中的登录信息转化策略,将所述多个第一关键字段转化为第一标签集;及获取所述标签转化策略中的问卷调查结果信息转化策略,将所述多个第二关键字段转化为第二标签集。
示例性的,预设的标签转化策略具体为:
年龄转化子策略用于将实际年龄转化为年龄标签,若患者年龄为小于3岁,标签为婴幼儿;患者年龄为4岁至18岁,标签为青少年;患者年龄为18-40岁,标签为青年;患者年龄为40-55岁,标签为中年;患者年龄为55岁以上,标签为老年。
患者职业转化策略用于将患者的职业转化为职业标签,若患者的职业为软件编程,标签为久坐;患者的职业为销售员,标签为久站。
合并模块203:用于将所述第一标签集及所述第二标签集进行合并,得到所述目标患者的目标患者画像。
本实施例中,所述第一标签集中包括多个第一标签,及所述第二标签集中包括多个第二标签,将所述多个第一标签及所述多个第二标签进行合并运算,得到目标患者对应的所有标签,基于所述所有标签进行构建,得到所述目标患者对应的目标患者画像。
识别模块204:用于将所述目标患者画像输入至预先训练的群体分类模型中,识别出所述目标患者的群体类型。
本实施例中,将所述目标患者的综合人口属性标签、行为属性标签、疾病问诊标签、订单消费标签、及患者偏好标签等标签输入至预先训练的群体分类模型中,并根据所述群体分类模型识别出所述目标患者的群体类别。
可选的,所述群体分类模型的训练过程包括:
41)针对每个群体类型,获取多个历史患者的多个标签集;
42)根据每个历史患者的多个标签集得到每个历史患者的历史患者画像;
43)将多个所述历史患者画像及对应的群体类型作为样本数据集;
44)从所述样本数据集中划分出训练集和测试集;
45)将所述训练集输入预设神经网络中进行训练,得到群体分类模型;
46)将所述测试集输入至所述群体分类模型中进行测试,并计算测试通过率;
47)当所述测试通过率大于或者等于预设通过率阈值时,结束所述群体分类模型的训练;当所述测试通过率小于所述预设通过率阈值时,增加所述训练集的数量,重新进行群体分类模型的训练。
本实施例中,可以预先设置群体类型,所述群体类型患者表示患者所属的类型,所述群体类型标识可以包括,但不限于,孕妇、备孕、婴幼儿、儿童、老人、青年男人、青年女人、中年男人、中年女人及老年人。获取每个类型的多个患者,提取患者的多个预设的标签,然后根据提取每个患者对应的患者画像中的多个预设的标签及群体类型标识训练群体分类模型,后续只需要获取每个患者对应的患者画像中的多个标签,即可通过群体分类模型识别出所述患者所属的群体类型,准确率高。
确定模块205:用于根据所述目标患者的群体类型和所述目标患者画像确定所述目标患者对应的多个目标标签,及根据所述目标患者的群体类型确定目标界面布局模板。
本实施例中,所述多个目标标签是指用于构建所述目标患者对应的患者患者界面所需的标签,具体地,所述多个目标标签是根据所述目标患者的群体类型和所述目标患者画像确定的。
可选的,在确定模块205根据所述目标患者的群体类型确定目标界面布局模板之前,从预设的多个数据源中获取多个群体类型及每个群体类型对应的所有关键标签,并将每个关键标签按照预设的转换规则转换成对应的自定义标签;根据每个群体类型及每个群体类型对应的所有自定义标签创建目标界面布局模板,其中,每个自定义标签关联有对应界面布局模板中的位置信息。
本实施例中,数据源是指通用的医疗结构,具体地,从所述预设的多个医疗机构中获取每个群体类型及每个群体类型对应的所有关键标签,其中,所述关键标签包括,但不限于,患者的年龄、患者的身高、患者的体重、挂号时段、生育状况。将所述关键标签按照预设的转换规则转换为医疗机构对应的自定义标签。
可选的,所述确定模块205根据所述目标患者的群体类型和所述目标患者画像确定所述目标患者对应的多个目标标签包括:
根据所述目标患者的群体类型和所述目标患者画像采用协同过滤的推荐算法进行推荐得到所述目标患者对应的多个目标标签。
可替代的,所述确定模块205根据所述目标患者的群体类型和所述目标患者画像确定所述目标患者的多个目标标签包括:
获取所述目标患者画像中的所有第一标签及每个第一标签的第一推荐评分;
从所述目标患者的群体类型中获取多个患者,并获取每个患者的所有第二标签及每个第二标签对应的第二推荐评分;
根据所述所有第一标签及每个第一标签的第一推荐评分与每个患者的所有第二标签及每个第二标签的第二推荐评分计算所述目标患者与每个患者之间的相似度;
从所述相似度中选取相似度最高的N个患者作为所述目标患者的相似患者;
从所述相似患者的推荐评分选取推荐评分最高的M个标签作为所述目标患者的多个目标标签。
本实施例中,获取所述目标患者画像中的所有第一标签及每个第一标签对应的第一推荐评分,获取所述目标患者群体类型对应的多个患者;获取每个患者的所有第二标签及每个第二标签对应的第二推荐评分;根据所有第一标签及每个第一标签对应的第一推荐评分与每个患者的所有第二标签及每个第二标签对应的第二推荐评分计算所述目标患者与每个患者之间的相似度并进行降序排序,从所述降序排序结果中选取排序前N个患者作为所述目标患者的相似患者;根据所述相似患者的推荐评分选取推荐评分最高的M个标签作为得到所述目标患者对应的多个目标标签。
进一步的,所述根据所有第一标签及每个第一标签对应的第一推荐评分与每个患者的所有第二标签及每个第二标签对应的第二推荐评分采用如下公式计算所述目标患者与每个患者之间的相似度包括:
其中,sim(i,j)表示所述目标患者与每个患者之间的相似度,i表示第一标签,j表示第二标签,u表示所述目标患者的群体类型,Ru,i表示患者u对第一标签的推荐评分,Ru,j表示患者u对第二标签的推荐评分,表示患者u推荐评分的平均值。
本实施例中,所述患者在登录注册时,会生成唯一的患者识别码,所述患者的识别码与对应的标签进行关联。
本实施例中,通过根据所有第一标签及每个第一标签对应的第一推荐评分与每个患者的所有第二标签及每个第二标签对应的第二推荐评分计算所述目标患者与每个患者之间的相似度进而得到所述目标患者对应的多个目标标签,提高了所述目标患者对应的目标标签的推荐正确率。
可选的,所述确定模块205根据所述目标患者的群体类型确定目标界面布局模板包括:
将所述群体类型与预设的数据库中的群体类型进行匹配;
当在所述预设的数据库中匹配到与所述目标患者的群体类型相匹配的目标群体类型时,将所述目标群体类型对应的界面布局模板作为所述目标界面布局模板;
当在所述预设的数据库中未匹配到与所述目标患者的群体类型相匹配的目标群体类型时,获取默认的界面布局模板作为所述目标群体类型对应的目标界面布局模板。
本实施例中,通过目标患者的类型匹配到对应的界面布局模板,提高了不同的患者群体模板的一致性。
生成模块206:根据所述多个目标标签和所述目标界面布局模板生成目标患者对应的界面。
本实施例中,所述目标患者对应的界面不是预先设置的,而是通过所述目标患者对应的多个目标标签和对应的界面布局模板自动生成的,有效解决了针对不同的医院需求和不同的患者群体自动化和定制化生成对应的界面,提高了界面的使用率及患者的满意度。
可选的,所述生成模块206根据所述多个目标标签和所述目标界面布局模板生成目标患者对应的界面包括:
根据所述目标界面布局模板,确定每个目标标签在所述目标界面布局模板中的位置信息;
将每个目标标签嵌入到所述目标界面布局模板对应的位置生成所述目标患者对应的界面。
本实施例中,所述目标患者对应的界面是通过预先确定所述目标患者的界面布局模板,然后将推荐得到的多个目标标签嵌入到所述目标患者的界面布局模板的对应位置,提高了界面布局模板的生成多样性,根据不同的患者群体可以生成不同的界面,提高了界面生成效率及使用率。
可替代的,在所述将所述目标患者画像输入至预先训练的群体分类模型中,识别出所述目标患者的群体类型之后,所述医疗机构的患者界面生成装置包括:
所述确定模块205:还用于根据所述目标患者的群体类型确定所述群体类型对应的目标界面布局模板。
获取模块207:用于获取所述目标患者的目标患者画像中的所有标签;
所述确定模块205:还用于根据所述目标界面布局模板,确定每个标签在目标待生成界面中的位置;
所述生成模块206:还用于将每个标签嵌入到所述目标待生成界面对应的位置生成所述目标患者对应的目标患者界面。
在其他实施例中,可以不用通过推荐算法推荐多个目标标签生成所述目标患者的界面,可以直接根据所述目标患者对应的患者群体类型及目标患者画像中的多个标签,嵌入到所述患者群体类型对应的目标界面布局模板中直接生成所述目标患者对应的界面,提高了目标患者对应的界面的生成效率,具体地,由于所述目标患者对应的界面是根据构建的目标患者画像中的多个标签生成的,依赖于所述目标患者提供的问诊信息,从所述目标患者的维度进行了考量,提高了目标患者的满意度。
综上所述,本实施例所述的医疗机构的患者界面生成装置,在接收到目标患者的客户端发送的登录信息时,发送问卷调查请求至所述客户端,并接收所述客户端返回的问卷调查结果信息;将所述登录信息进行标签转化得到第一标签集,及将所述问卷调查结果信息进行标签转化得到第二标签集;将所述第一标签集及所述第二标签集进行合并,得到所述目标患者的目标患者画像;将所述目标患者画像输入至预先训练的群体分类模型中,识别出所述目标患者的群体类型;根据所述目标患者的群体类型和所述目标患者画像确定所述目标患者的多个目标标签,及根据所述目标患者的群体类型确定目标界面布局模板;根据所述多个目标标签和所述目标界面布局模板生成所述目标患者对应的界面。
本实施例,一方面,通过根据所述多个目标标签和所述界面布局模板生成所述目标患者对应的界面,有效解决了针对不同的医院需求和不同的患者群体自动化和定制化生成对应的界面,提高了目标患者的界面生成的多样性及使用率,同时提高了患者的满意度;另一方面,通过根据所述目标患者的群体类型和所述目标患者画像采用推荐算法确定所述目标患者对应的多个目标标签,提高了所述目标患者对应的目标标签的推荐正确率;最后,然后根据提取每个患者对应的患者画像中的多个预设的标签及群体类型标识训练群体分类模型,后续只需要获取每个患者对应的患者画像中的多个标签,即可通过群体分类模型识别出所述患者所属的群体类型,准确率高。
此外,直接通过目标患者画像生成所述目标患者对应的界面,依赖于所述目标患者提供的问诊信息,从所述目标患者的维度进行了考量,提高了目标患者的满意度。
实施例三
参阅图3所示,为本发明实施例三提供的电子设备的结构示意图。在本发明较佳实施例中,所述电子设备3包括存储器31、至少一个处理器32、至少一条通信总线33及收发器34。
本领域技术人员应该了解,图3示出的电子设备的结构并不构成本发明实施例的限定,既可以是总线型结构,也可以是星形结构,所述电子设备3还可以包括比图示更多或更少的其他硬件或者软件,或者不同的部件布置。
在一些实施例中,所述电子设备3是一种能够按照事先设定或存储的指令,自动进行数值计算和/或信息处理的电子设备,其硬件包括但不限于微处理器、专用集成电路、可编程门阵列、数字处理器及嵌入式设备等。所述电子设备3还可包括客户设备,所述客户设备包括但不限于任何一种可与客户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互的电子产品,例如,个人计算机、平板电脑、智能手机、数码相机等。
需要说明的是,所述电子设备3仅为举例,其他现有的或今后可能出现的电子产品如可适应于本发明,也应包含在本发明的保护范围以内,并以引用方式包含于此。
在一些实施例中,所述存储器31用于存储程序代码和各种数据,例如安装在所述电子设备3中的医疗机构的患者界面生成装置20,并在电子设备3的运行过程中实现高速、自动地完成程序或数据的存取。所述存储器31包括只读存储器(Read-Only Memory,ROM)、可编程只读存储器(Programmable Read-Only Memory,PROM)、可擦除可编程只读存储器(Erasable Programmable Read-Only Memory,EPROM)、一次可编程只读存储器(One-timeProgrammable Read-Only Memory,OTPROM)、电子擦除式可复写只读存储器(Electrically-Erasable Programmable Read-Only Memory,EEPROM)、只读光盘(CompactDisc Read-Only Memory,CD-ROM)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。
在一些实施例中,所述至少一个处理器32可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述至少一个处理器32是所述电子设备3的控制核心(Control Unit),利用各种接口和线路连接整个电子设备3的各个部件,通过运行或执行存储在所述存储器31内的程序或者模块,以及调用存储在所述存储器31内的数据,以执行电子设备3的各种功能和处理数据。
在一些实施例中,所述至少一条通信总线33被设置为实现所述存储器31以及所述至少一个处理器32等之间的连接通信。
尽管未示出,所述电子设备3还可以包括给各个部件供电的电源(比如电池),可选的,电源可以通过电源管理装置与所述至少一个处理器32逻辑相连,从而通过电源管理装置实现管理充电、放电、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备3还可以包括多种传感器、蓝牙模块、Wi-Fi模块等,在此不再赘述。
应该了解,所述实施例仅为说明之用,在专利申请范围上并不受此结构的限制。
上述以软件功能模块的形式实现的集成的单元,可以存储在一个计算机可读取存储介质中。上述软件功能模块存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,电子设备,或者网络设备等)或处理器(processor)执行本发明各个实施例所述方法的部分。
在进一步的实施例中,结合图2,所述至少一个处理器32可执行所述电子设备3的操作装置以及安装的各类应用程序(如所述的医疗机构的患者界面生成装置20)、程序代码等,例如,上述的各个模块。
所述存储器31中存储有程序代码,且所述至少一个处理器32可调用所述存储器31中存储的程序代码以执行相关的功能。例如,图2中所述的各个模块是存储在所述存储器31中的程序代码,并由所述至少一个处理器32所执行,从而实现所述各个模块的功能以达到医疗机构的患者界面生成的目的。
在本发明的一个实施例中,所述存储器31存储多个指令,所述多个指令被所述至少一个处理器32所执行以实现医疗机构的患者界面生成的目的。
具体地,所述至少一个处理器32对上述指令的具体实现方法可参考图1对应实施例中相关步骤的描述,在此不赘述。
在本发明所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,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。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,既可以位于一个地方,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模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能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,也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外,显然“包括”一词不排除其他单元或,单数不排除复数。装置权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一,第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种医疗机构的患者界面生成方法,其特征在于,所述方法包括:
在接收到目标患者的客户端发送的登录信息时,发送问卷调查请求至所述客户端,并接收所述客户端返回的问卷调查结果信息;
将所述登录信息进行标签转化得到第一标签集,及将所述问卷调查结果信息进行标签转化得到第二标签集;
将所述第一标签集及所述第二标签集进行合并,得到所述目标患者的目标患者画像;
将所述目标患者画像输入至预先训练的群体分类模型中,识别出所述目标患者的群体类型;
根据所述目标患者的群体类型和所述目标患者画像确定所述目标患者的多个目标标签,及根据所述目标患者的群体类型确定目标界面布局模板;
根据所述多个目标标签和所述目标界面布局模板生成所述目标患者对应的界面。
2.如权利要求1所述的医疗机构的患者界面生成方法,其特征在于,所述根据所述目标患者的群体类型和所述目标患者画像确定所述目标患者的多个目标标签包括:
获取所述目标患者画像中的所有第一标签及每个第一标签的第一推荐评分;
从所述目标患者的群体类型中获取多个患者,并获取每个患者的所有第二标签及每个第二标签对应的第二推荐评分;
根据所述所有第一标签及每个第一标签的第一推荐评分与每个患者的所有第二标签及每个第二标签的第二推荐评分计算所述目标患者与每个患者之间的相似度;
从所述相似度中选取相似度最高的N个患者作为所述目标患者的相似患者;
从所述相似患者的推荐评分选取推荐评分最高的M个标签作为所述目标患者的多个目标标签。
3.如权利要求1所述的医疗机构的患者界面生成方法,其特征在于,所述根据所述目标患者的群体类型确定目标界面布局模板包括:
将所述目标患者的群体类型与预设的数据库中的群体类型进行匹配;
当在所述预设的数据库中匹配到与所述目标患者的群体类型相匹配的目标群体类型时,将所述目标群体类型对应的界面布局模板作为所述目标界面布局模板;
当在所述预设的数据库中未匹配到与所述目标患者的群体类型相匹配的目标群体类型时,获取默认的界面布局模板作为所述目标界面布局模板。
4.如权利要求1所述的医疗机构的患者界面生成方法,其特征在于,所述将所述登录信息进行标签转化得到第一标签集,及将所述问卷调查结果信息进行标签转化得到第二标签集包括:
提取所述登录信息中的多个第一关键字段,调用预先存储的第一标签转化策略,将所述多个第一关键字段分别进行标签转化得到第一标签集;及
提取所述问卷调查结果信息中的多个第二关键字段,调用预先存储的第二标签转化策略,将所述多个第二关键字段分别进行标签转化得到第二标签集。
5.如权利要求1所述的医疗机构的患者界面生成方法,其特征在于,所述群体分类模型的训练过程包括:
针对每个群体类型,获取多个历史患者的多个标签集;
根据每个历史患者的多个标签集得到每个历史患者的历史患者画像;
将多个所述历史患者画像及对应的群体类型作为样本数据集;
从所述样本数据集中划分出训练集和测试集;
将所述训练集输入预设神经网络中进行训练,得到群体分类模型;
将所述测试集输入至所述群体分类模型中进行测试,并计算测试通过率;
当所述测试通过率大于或者等于预设通过率阈值时,结束所述群体分类模型的训练;当所述测试通过率小于所述预设通过率阈值时,增加所述训练集的数量,重新进行群体分类模型的训练。
6.如权利要求1所述的医疗机构的患者界面生成方法,其特征在于,在根据所述目标患者的群体类型确定目标界面布局模板之前,所述方法还包括:
从预设的多个数据源中获取多个群体类型及每个群体类型对应的所有关键标签,并将每个关键标签按照预设的转换规则转换成对应的自定义标签;
根据每个群体类型及每个群体类型对应的所有自定义标签创建目标界面布局模板,其中,每个自定义标签关联有对应界面布局模板中的位置信息。
7.如权利要求6所述的医疗机构的患者界面生成方法,其特征在于,所述根据所述多个目标标签和所述目标界面布局模板生成目标患者对应的界面包括:
根据所述目标界面布局模板,确定每个目标标签在所述目标界面布局模板中的位置信息;
将每个目标标签嵌入到所述目标界面布局模板对应的位置生成所述目标患者对应的界面。
8.一种医疗机构的患者界面生成装置,其特征在于,所述医疗机构的患者界面生成装置包括:
发送模块,用于在接收到目标患者的客户端发送的登录信息时,发送问卷调查请求至所述客户端,并接收所述客户端返回的问卷调查结果信息;
转化模块,用于将所述登录信息进行标签转化得到第一标签集,及将所述问卷调查结果信息进行标签转化得到第二标签集;
合并模块,用于将所述第一标签集及所述第二标签集进行合并,得到所述目标患者的目标患者画像;
识别模块,用于将所述目标患者画像输入至预先训练的群体分类模型中,识别出所述目标患者的群体类型;
确定模块,用于根据所述目标患者的群体类型和所述目标患者画像确定所述目标患者的多个目标标签,及根据所述目标患者的群体类型确定目标界面布局模板;
生成模块,用于根据所述多个目标标签和所述目标界面布局模板生成所述目标患者对应的界面。
9.一种电子设备,其特征在于,所述电子设备包括处理器,所述处理器用于执行存储器中存储的计算机程序时实现如权利要求1至7中任意一项所述的医疗机构的患者界面生成方法。
10.一种计算机可读存储介质,所述计算机可读存储介质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如权利要求1至7中任意一项所述的医疗机构的患者界面生成方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010917022.XA CN111986744B (zh) | 2020-09-03 | 2020-09-03 | 医疗机构的患者界面生成方法、装置、电子设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010917022.XA CN111986744B (zh) | 2020-09-03 | 2020-09-03 | 医疗机构的患者界面生成方法、装置、电子设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111986744A true CN111986744A (zh) | 2020-11-24 |
CN111986744B CN111986744B (zh) | 2023-10-24 |
Family
ID=73448042
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010917022.XA Active CN111986744B (zh) | 2020-09-03 | 2020-09-03 | 医疗机构的患者界面生成方法、装置、电子设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111986744B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113296770A (zh) * | 2021-04-28 | 2021-08-24 | 厦门科灿信息技术有限公司 | 设备管理界面的生成方法、生成装置及终端 |
CN113722590A (zh) * | 2021-08-30 | 2021-11-30 | 平安国际智慧城市科技股份有限公司 | 基于人工智能的医学信息推荐方法、装置、设备及介质 |
CN113793691A (zh) * | 2021-09-17 | 2021-12-14 | 北京声智科技有限公司 | 一种问卷调查方法、服务器和终端设备 |
CN114242235A (zh) * | 2021-12-16 | 2022-03-25 | 北京阿叟阿巴科技有限公司 | 一种基于多层级关键特征行为的孤独症患者画像方法 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040109028A1 (en) * | 2002-12-10 | 2004-06-10 | Siemens Medical Solutions Usa, Inc. | Medical imaging programmable custom user interface system and method |
CN106126687A (zh) * | 2016-06-29 | 2016-11-16 | 北京小米移动软件有限公司 | 界面主题的推荐方法、装置、终端及服务器 |
CN106529177A (zh) * | 2016-11-12 | 2017-03-22 | 杭州电子科技大学 | 一种基于医疗大数据的患者画像方法及装置 |
CN109522424A (zh) * | 2018-10-16 | 2019-03-26 | 北京达佳互联信息技术有限公司 | 数据的处理方法、装置、电子设备及存储介质 |
CN109769130A (zh) * | 2018-12-07 | 2019-05-17 | 广州市诚毅科技软件开发有限公司 | 基于收视大数据的遥控器个性化设置方法及系统 |
CN109885746A (zh) * | 2019-01-17 | 2019-06-14 | 平安城市建设科技(深圳)有限公司 | 页面动态布局方法、装置、设备及存储介质 |
CN109933729A (zh) * | 2019-03-28 | 2019-06-25 | 广州麦迪森在线医疗科技有限公司 | 一种基于用户偏好的医疗学术资讯推荐方法及系统 |
CN110233879A (zh) * | 2019-05-22 | 2019-09-13 | 平安银行股份有限公司 | 智能推送界面方法、装置、计算机设备及存储介质 |
WO2020029401A1 (zh) * | 2018-08-09 | 2020-02-13 | 平安科技(深圳)有限公司 | 商品推荐方法、装置、计算机设备及计算机可读存储介质 |
CN111143555A (zh) * | 2019-12-11 | 2020-05-12 | 中国平安财产保险股份有限公司 | 基于大数据的客户画像生成方法、装置、设备及存储介质 |
US20200159871A1 (en) * | 2018-11-21 | 2020-05-21 | Best Apps, Llc | Computer aided systems and methods for creating custom products |
CN111368180A (zh) * | 2018-12-25 | 2020-07-03 | 阿里巴巴集团控股有限公司 | 页面展示方法、装置及电子设备 |
-
2020
- 2020-09-03 CN CN202010917022.XA patent/CN111986744B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040109028A1 (en) * | 2002-12-10 | 2004-06-10 | Siemens Medical Solutions Usa, Inc. | Medical imaging programmable custom user interface system and method |
CN106126687A (zh) * | 2016-06-29 | 2016-11-16 | 北京小米移动软件有限公司 | 界面主题的推荐方法、装置、终端及服务器 |
CN106529177A (zh) * | 2016-11-12 | 2017-03-22 | 杭州电子科技大学 | 一种基于医疗大数据的患者画像方法及装置 |
WO2020029401A1 (zh) * | 2018-08-09 | 2020-02-13 | 平安科技(深圳)有限公司 | 商品推荐方法、装置、计算机设备及计算机可读存储介质 |
CN109522424A (zh) * | 2018-10-16 | 2019-03-26 | 北京达佳互联信息技术有限公司 | 数据的处理方法、装置、电子设备及存储介质 |
US20200159871A1 (en) * | 2018-11-21 | 2020-05-21 | Best Apps, Llc | Computer aided systems and methods for creating custom products |
CN109769130A (zh) * | 2018-12-07 | 2019-05-17 | 广州市诚毅科技软件开发有限公司 | 基于收视大数据的遥控器个性化设置方法及系统 |
CN111368180A (zh) * | 2018-12-25 | 2020-07-03 | 阿里巴巴集团控股有限公司 | 页面展示方法、装置及电子设备 |
CN109885746A (zh) * | 2019-01-17 | 2019-06-14 | 平安城市建设科技(深圳)有限公司 | 页面动态布局方法、装置、设备及存储介质 |
CN109933729A (zh) * | 2019-03-28 | 2019-06-25 | 广州麦迪森在线医疗科技有限公司 | 一种基于用户偏好的医疗学术资讯推荐方法及系统 |
CN110233879A (zh) * | 2019-05-22 | 2019-09-13 | 平安银行股份有限公司 | 智能推送界面方法、装置、计算机设备及存储介质 |
CN111143555A (zh) * | 2019-12-11 | 2020-05-12 | 中国平安财产保险股份有限公司 | 基于大数据的客户画像生成方法、装置、设备及存储介质 |
Non-Patent Citations (2)
Title |
---|
ANDRE ARAUJO,等: "A Tool for Generating Health Applications Using Archetypes", 《IEEE SOFTWARE》, vol. 37, no. 1, pages 60 - 67, XP011761432, DOI: 10.1109/MS.2018.110162508 * |
王倩: "基于用户体验的智慧医疗App设计与可用性研究", 《中国优秀硕士学位论文全文数据库 医药卫生科技辑》, no. 03, pages 054 - 47 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113296770A (zh) * | 2021-04-28 | 2021-08-24 | 厦门科灿信息技术有限公司 | 设备管理界面的生成方法、生成装置及终端 |
CN113722590A (zh) * | 2021-08-30 | 2021-11-30 | 平安国际智慧城市科技股份有限公司 | 基于人工智能的医学信息推荐方法、装置、设备及介质 |
CN113722590B (zh) * | 2021-08-30 | 2023-09-19 | 深圳平安智慧医健科技有限公司 | 基于人工智能的医学信息推荐方法、装置、设备及介质 |
CN113793691A (zh) * | 2021-09-17 | 2021-12-14 | 北京声智科技有限公司 | 一种问卷调查方法、服务器和终端设备 |
CN114242235A (zh) * | 2021-12-16 | 2022-03-25 | 北京阿叟阿巴科技有限公司 | 一种基于多层级关键特征行为的孤独症患者画像方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111986744B (zh) | 2023-10-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111986744B (zh) | 医疗机构的患者界面生成方法、装置、电子设备及介质 | |
CN112562836A (zh) | 医生推荐方法、装置、电子设备及存储介质 | |
CN112700838A (zh) | 基于大数据的用药方案推荐方法、装置及相关设备 | |
CN112614578B (zh) | 医生智能推荐方法、装置、电子设备及存储介质 | |
CN112216361A (zh) | 基于人工智能的随访计划单生成方法、装置、终端及介质 | |
CN113707303A (zh) | 基于知识图谱的医疗问题解答方法、装置、设备及介质 | |
CN112214613A (zh) | 基于人工智能的用药推荐方法、装置、电子设备及介质 | |
CN112634889A (zh) | 基于人工智能的电子病例录入方法、装置、终端及介质 | |
CN115910323A (zh) | 治疗方案选取方法、装置、设备及存储介质 | |
CN112489747A (zh) | 基于分析模型的慢性病患者监管方法、装置、设备及介质 | |
CN116860935A (zh) | 基于提示词问答交互的内容管理方法、装置、设备及介质 | |
CN114880449A (zh) | 智能问答的答复生成方法、装置、电子设备及存储介质 | |
CN114220541A (zh) | 疾病预测方法、装置、电子设备及存储介质 | |
CN113570286A (zh) | 基于人工智能的资源分配方法、装置、电子设备及介质 | |
CN111651452B (zh) | 数据存储方法、装置、计算机设备及存储介质 | |
CN117252362A (zh) | 基于人工智能的调度方法、装置、计算机设备及存储介质 | |
CN116741358A (zh) | 问诊挂号推荐方法、装置、设备及存储介质 | |
CN114596958B (zh) | 基于级联分类的病理数据分类方法、装置、设备及介质 | |
CN113469291B (zh) | 数据处理方法、装置、电子设备及存储介质 | |
CN114664458A (zh) | 患者分类装置、计算机设备及存储介质 | |
CN114757787A (zh) | 基于大数据的车险人伤定损方法、装置、电子设备及介质 | |
CN112530585A (zh) | 基于医疗机构的数据处理方法、装置、计算机设备及介质 | |
CN113821641A (zh) | 基于权重分配的药品分类的方法、装置、设备及存储介质 | |
CN113706111A (zh) | 医疗机构流程数据的处理方法、装置、设备及介质 | |
CN113722590B (zh) | 基于人工智能的医学信息推荐方法、装置、设备及介质 |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20210203 Address after: 518000 Room 201, building A, No. 1, Qian Wan Road, Qianhai Shenzhen Hong Kong cooperation zone, Shenzhen, Guangdong (Shenzhen Qianhai business secretary Co., Ltd.) Applicant after: Shenzhen saiante Technology Service Co.,Ltd. Address before: 1-34 / F, Qianhai free trade building, 3048 Xinghai Avenue, Mawan, Qianhai Shenzhen Hong Kong cooperation zone, Shenzhen, Guangdong 518000 Applicant before: Ping An International Smart City Technology Co.,Ltd. |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |