CN112530576A - 一种线上医患匹配方法、装置、电子设备及存储介质 - Google Patents
一种线上医患匹配方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN112530576A CN112530576A CN202011380795.5A CN202011380795A CN112530576A CN 112530576 A CN112530576 A CN 112530576A CN 202011380795 A CN202011380795 A CN 202011380795A CN 112530576 A CN112530576 A CN 112530576A
- Authority
- CN
- China
- Prior art keywords
- entity
- doctor
- medical
- patient
- candidate
- 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.)
- Pending
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
- 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
- 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
- G06F16/35—Clustering; Classification
-
- 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
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Theoretical Computer Science (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Public Health (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Pathology (AREA)
- Physics & Mathematics (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Life Sciences & Earth Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Computational Linguistics (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本申请公开了一种线上医患匹配方法、装置、电子设备及存储介质,涉及人工智能领域,具体涉及深度学习和智能搜索技术领域,所述方法包括:获取问诊患者的病情主诉信息,并根据所述病情主诉信息,确定与所述问诊患者匹配的需求医疗实体集合;分别将备选医生集合中各备选医生的医生实体属性集合与所述需求医疗实体集合进行匹配;根据匹配结果,在备选医生集合中确定目标医生,并建立问诊患者与所述目标医生之间的线上问诊连接。本申请实施例的技术方案可以为问诊患者精准匹配到相关度较高的医生,提高患者的问诊体验,避免医疗资源的浪费。
Description
技术领域
本申请涉及人工智能技术领域,尤其涉及深度学习和智能搜索技术领域,具体涉及一种线上医患匹配方法、装置、电子设备及存储介质。
背景技术
随着互联网技术的发展,医生在线诊疗逐渐受到重视,很多医院已经开始实行,并且针对不同医院、不同地区和不同形势下的医生资源质量和数量存在不均衡情况,许多热心医生参与了互联网医疗、远程问诊或远程会诊的工作方式。
目前线上问诊平台接收到患者发出的病情咨询请求后,通常是根据患者的病情信息将患者分诊到对应的科室,然后在该科室的医生库里面随机挑选出医生,并将此医生作为与上述患者匹配的医生。
但是,现有的医患匹配方法存在以下缺陷:例如有些科室涉及的医学领域比较宽泛,匹配到的医生可能与患者病情不太相关,进而降低患者的问诊体验;其次,某些有特定专长的医生往往希望接诊具有特定疾病的患者,现有方法无法将这些医生匹配到相关的患者,导致医疗资源的浪费。
发明内容
本申请实施例提供了一种线上医患匹配方法、装置、电子设备及存储介质。
根据本申请实施例的第一方面,提供了一种线上医患匹配方法,包括:
获取问诊患者的病情主诉信息,并根据所述病情主诉信息,确定与所述问诊患者匹配的需求医疗实体集合;
分别将备选医生集合中各备选医生的医生实体属性集合与所述需求医疗实体集合进行匹配;
根据匹配结果,在备选医生集合中确定目标医生,并建立问诊患者与所述目标医生之间的线上问诊连接。
根据本申请实施例的第二方面,提供了一种线上医患匹配装置,包括:
病情主诉信息获取模块,用于获取问诊患者的病情主诉信息,并根据所述病情主诉信息,确定与所述问诊患者匹配的需求医疗实体集合;
集合匹配模块,用于分别将备选医生集合中各备选医生的医生实体属性集合与所述需求医疗实体集合进行匹配;
目标医生确定模块,用于根据匹配结果,在备选医生集合中确定目标医生,并建立问诊患者与所述目标医生之间的线上问诊连接。
根据本申请实施例的第三方面,提供了一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行本申请任意实施例提供的一种线上医患匹配方法。
根据本申请实施例的第四方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使所述计算机执行本申请任意实施例提供的一种线上医患匹配方法。
本申请实施例的技术方案可以为问诊患者精准匹配到相关度较高的医生,提高患者的问诊体验,避免医疗资源的浪费。
应当理解,本部分所描述的内容并非旨在标识本申请的实施例的关键或重要特征,也不用于限制本申请的范围。本申请的其它特征将通过以下的说明书而变得容易理解。
附图说明
图1是根据本申请实施例的一种线上医患匹配方法的流程图;
图2是根据本申请实施例的另一种线上医患匹配方法的流程图;
图3是根据本申请实施例的又一种线上医患匹配方法的流程图;
图4a是根据本申请实施例的又一种线上医患匹配方法的流程图;
图4b是根据本申请实施例的又一种线上医患匹配方法的流程图;
图5是根据本申请实施例的一种线上医患匹配装置的结构图;
图6是用来实现本申请实施例的线上医患匹配方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明,其中包括本申请实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本申请的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
图1为本申请实施例提供的一种线上医患匹配方法的流程图,本申请实施例可适用于患者通过线上问诊平台发出病情咨询请求后,为患者匹配相关医生与该患者进行问诊连接的情形,该方法可以由线上医患匹配装置来执行,该装置可以由软件和/或硬件来实现,并一般可以集成计算机以及所有包含程序运行功能的智能设备(例如,终端设备或者服务器)中,所述方法具体包括如下步骤:
步骤110、获取问诊患者的病情主诉信息,并根据所述病情主诉信息,确定与所述问诊患者匹配的需求医疗实体集合。
在本实施例中,患者可以通过线上问诊平台输入病情主诉信息。其中,所述病情主诉信息可以为问诊患者根据自身的病情,描述的病情文本。所述病情主诉信息中一般包括问诊患者自己描述的病情症状,之前的用药请求或者疫病史等信息。
在本申请实施例的一个实施方式中,可选的,问诊患者可以根据预设的分隔符输入病情主诉信息,当获取到问诊患者的病情主诉信息后,可以根据分隔符从病情主诉信息中提取出问诊患者自己描述的多项病情症状,多项病情症状共同构成与问诊患者匹配的需求医疗实体集合。
在本申请实施例的另一个实施方式中,可选的,获取到问诊患者的病情主诉信息后,可以通过互联网查询与问诊患者自身病情症状相关联的其他症状,问诊患者自身病情症状与其他关联症状共同构成与问诊患者匹配的需求医疗实体集合。
在本实施例中,通过查询与患者自身病情症状相关联的其他症状,并构建需求医疗实体集合,可以更加全面地描述问诊患者的病情,避免由于病情主诉信息遗漏,导致患者不能良好就医的问题。
步骤120、分别将备选医生集合中各备选医生的医生实体属性集合与所述需求医疗实体集合进行匹配。
在本实施例中,所述备选医生可以为线上问诊平台中当前时间下没有出诊任务的医生,多个备选医生共同构成了所述备选医生集合。
在本申请实施例的一个实施方式中,各备选医生可以将各自擅长治疗的多项病情以及对应的症状通过书面语进行描述,得到多项标准的病情描述,多项标准的病情描述共同构成了医生实体属性集合。
在本申请实施例的另一个实施方式中,各备选医生还可以将各自擅长治疗的多项病情以及对应的症状通过口头语进行描述,得到多项通俗的病情描述。所述标准的病情描述与通俗的病情描述共同构成了医生实体属性集合。
在此步骤中,获取到与问诊患者匹配的需求医疗实体集合,以及各备选医生的医生实体属性集合后,可以将需求医疗实体集合中包括的病情症状与各医生实体属性集合中包括的病情症状进行对比,以寻找与问诊患者匹配的备选医生。
在本实施例中,通过将将各医生实体属性集合与需求医疗实体集合进行匹配,可以为问诊患者匹配到相关度较高的医生,提高患者的问诊体验;其次,某些有特定专长的医生也可以匹配到相关的患者,进而可以避免医疗资源的浪费。
步骤130、根据匹配结果,在备选医生集合中确定目标医生,并建立问诊患者与所述目标医生之间的线上问诊连接。
在本实施例中,将各备选医生的医生实体属性集合与需求医疗实体集合进行匹配后,可选的,如果存在多个备选医生与问诊患者匹配,则可以根据各备选医生的资历或者就诊次数等,对匹配到的多个备选医生进行排名,并选择排名较高的医生作为目标医生;如果存在一个备选医生与问诊患者匹配,则将该备选医生作为目标医生。
本申请实施例通过获取问诊患者的病情主诉信息,根据病情主诉信息确定需求医疗实体集合,然后分别将各备选医生的医生实体属性集合与需求医疗实体集合进行匹配,根据匹配结果在备选医生集合中确定目标医生,并建立问诊患者与目标医生之间的线上问诊连接的技术手段,可以为问诊患者精准匹配到相关度较高的医生,提高患者的问诊体验,避免医疗资源的浪费。
本申请实施例在上述实施例的基础上,提供了根据病情主诉信息,确定与问诊患者匹配的需求医疗实体集合的可选实施方式。与上述实施例相同或相应的术语解释,本申请实施例不再赘述。
图2为本申请实施例提供的一种线上医患匹配方法的流程图,本实施例的方法具体包括如下步骤:
步骤210、获取问诊患者的病情主诉信息。
步骤220、将病情主诉信息输入至预先训练的实体识别模型中,获取实体识别模型输出的至少一个医疗实体,加入至需求医疗实体集合中。
在此步骤中,所述实体识别模型用于从一句话里面识别出具有特定意义或者指代性强的实体,例如从一句话中识别出时间以及地点等。将病情主诉信息输入至预先训练的实体识别模型后,实体识别模型可以输出病情主诉信息中包括的问诊患者自己描述的病情症状(也即医疗实体)。实体识别模型输出医疗实体后,将此医疗实体加入至需求医疗实体集合中。
这样设置的好处在于:通过将病情主诉信息输入至实体识别模型中,并获取实体识别模型输出的医疗实体,可以准确快速地获取到问诊患者的病情症状,提高患者的就诊效率。
在本实施例中,所述实体识别模型可以为命名实体识别模型(Named EntityRecognition,NER)。所述NER模型用于根据预先定义的实体类别,提取文本中对应的实体,例如人名、地名、数量以及位置等。所述NER模型可以使用多个病情主诉信息作为训练样本训练得到,通过将病情主诉信息输入至NER模型中,可以获取病情主诉信息中包括的多项医疗实体。
在一个具体的实施例中,假设问诊患者输入的病情主诉信息为“最近有头痛和发烧现象”,将此病情主诉信息输入至NER模型后,NER模型输出的医疗实体则为“头痛”和“发烧”。
其中,在获取当前问诊患者的病情主诉信息之前,可以获取线上问诊平台接收的多个历史病情主诉信息,并将多个历史病情主诉信息划分为训练数据集和测试数据集,然后使用所述训练数据集和测试数据集对所述NER模型进行迭代训练。
步骤230、将病情主诉信息输入至预先训练的病症预测模型中,获取病症预测模型输出的至少一项病症实体,加入至需求医疗实体集合中。
在此步骤中,所述病症预测模型用于根据病情主诉信息,预测问诊患者的疾病类型。将病情主诉信息输入至病症预测模型后,病症预测模型可以输出问诊患者可能患有的疾病类型(也即病症实体)。病症预测模型输出病症实体后,将此病症实体加入至需求医疗实体集合中。
这样设置的好处在于:通过将病情主诉信息输入至病症预测模型中,并获取问诊患者可能患有的疾病类型,可以快速为问诊患者匹配相关的备选医生,提高患者的就诊效率。
在本实施例中,所述病症预测模型可以使用多个病情主诉信息作为训练样本训练得到。其中,在获取当前问诊患者的病情主诉信息之前,可以获取线上问诊平台接收的多个历史病情主诉信息,并将多个历史病情主诉信息划分为训练数据集和测试数据集,然后使用训练数据集和测试数据集对深度神经网络模型(Deep Neural Networks,DNN)进行迭代训练,得到所述病症预测模型。
在一个具体的实施例中,假设问诊患者输入的病情主诉信息为“最近有头痛和发烧现象”,将此病情主诉信息输入至病症预测模型后,病症预测模型输出的病症实体可以为“感冒”、“肺炎”以及“中暑”等。
步骤240、将病情主诉信息输入至预先训练的关联搜索模型中,获取关联搜索模型输出的至少一项关联医疗实体,加入至需求医疗实体集合中。
在此步骤中,所述关联搜索模型可以用于将病情主诉信息中的一些口语化的表述,转换为规整化的,书面语的表述。将病情主诉信息输入至关联搜索模型后,关联搜索模型可以输出与问诊患者自己描述的病情症状对应的规整化的病情症状(也即关联医疗实体)。关联搜索模型输出关联医疗实体后,将此关联医疗实体加入至需求医疗实体集合中。
这样设置的好处在于:通过将病情主诉信息中的一些口语化的表述,转换为规整化的表述,可以准确地获取到问诊患者的病情症状,便于将所述问诊患者与相关的备选医生进行匹配,进而提高患者的就诊效率。
在本实施例中,所述关联搜索模型可以为近似最近邻搜索模型(ApproximateNearest Neighbor,ANN)。所述ANN模型用于获取病情主诉信息对应的多个词向量,根据所述多个词向量在向量空间中搜索最近邻的词向量。所述ANN模型可以使用多个病情主诉信息作为训练样本训练得到,通过将病情主诉信息输入至ANN模型中,可以获取与病情主诉信息对应的关联医疗实体。
在一个具体的实施例中,假设问诊患者输入的病情主诉信息为“最近有嗓子痛的现象”,将此病情主诉信息输入至ANN模型后,ANN模型输出的关联医疗实体可以为“咽喉肿痛”或者“咽喉发炎”等。
在本实施例中,步骤220-240可以同时执行,也可以按照顺序先后执行,或者可以只执行其中一个或者两个步骤,本实施例对此并不限制。
步骤250、分别将备选医生集合中各备选医生的医生实体属性集合与需求医疗实体集合进行匹配。
步骤260、根据匹配结果,在备选医生集合中确定目标医生,并建立问诊患者与目标医生之间的线上问诊连接。
本申请实施例通过获取问诊患者的病情主诉信息,分别将病情主诉信息输入至实体识别模型、病症预测模型以及关联搜索模型中,然后将获取的至少一个医疗实体、病症实体以及关联医疗实体,加入至需求医疗实体集合中,最后分别将各医生实体属性集合与需求医疗实体集合进行匹配,根据匹配结果,在备选医生集合中确定目标医生,并建立问诊患者与目标医生之间的线上问诊连接的技术手段,可以为问诊患者精准匹配到相关度较高的医生,提高患者的问诊体验,避免医疗资源的浪费。
本申请实施例是对上述实施例的进一步细化,与上述实施例相同或相应的术语解释,本申请实施例不再赘述。
图3为本申请实施例提供的一种线上医患匹配方法的流程图,本实施例的方法具体包括如下步骤:
步骤310、获取问诊患者的病情主诉信息,并根据所述病情主诉信息,确定与所述问诊患者匹配的需求医疗实体集合。
步骤320、将需求医疗实体集合中的各需求医疗实体,与预先建立的实体扩展库进行匹配,获取至少一个医疗扩展实体。
其中,需求医疗实体可以为上述实施例中的医疗实体、病症实体以及关联医疗实体。
在本实施例中,获取问诊患者的病情主诉信息之前,预先建立了实体扩展库,所述实体扩展库中包括至少一个具有关联关系的实体子集。其中,可选的,可以从医疗网站获取多组具有关联关系的病情症状,根据获取到的多组病情症状构建实体扩展库,实体扩展库中每组病情症状为一个具有关联关系的实体子集。
在此步骤中,可以将各需求医疗实体与实体扩展库中每个实体子集进行匹配,如果有一个实体子集中存在与需求医疗实体相同的实体,则将该实体作为目标实体,并将该实体子集中除目标实体外的其他实体作为医疗扩展实体。
在一个具体的实施例中,假设实体扩展库中存在两个实体子集,第一个实体子集为“牙痛-牙龈红肿-牙龈发炎-牙周炎”,第二个实体子集为“感冒-发烧-头痛-鼻炎-咳嗽”,需求医疗实体集合中包括的需求医疗实体为“头痛”、“中暑”和“咽喉发炎”,将该需求医疗实体集合中的各需求医疗实体,与实体扩展库进行匹配后,得到的医疗扩展实体为“感冒”、“发烧”、“鼻炎”和“咳嗽”。
步骤330、将各所述医疗扩展实体加入至所述需求医疗实体集合中。
这样设置的好处在于:通过将需求医疗实体集合中的各需求医疗实体,与实体扩展库进行匹配,获取医疗扩展实体,可以避免由于病情主诉信息遗漏,导致患者不能良好就医的问题。
步骤340、分别将备选医生集合中各备选医生的医生实体属性集合与所述需求医疗实体集合进行匹配。
步骤350、根据匹配结果,在备选医生集合中确定目标医生,并建立问诊患者与所述目标医生之间的线上问诊连接。
本申请实施例通过获取问诊患者的病情主诉信息,根据病情主诉信息,确定与问诊患者匹配的需求医疗实体集合,并将需求医疗实体集合中的各需求医疗实体与实体扩展库进行匹配,获取至少一个医疗扩展实体,然后将各医疗扩展实体加入至需求医疗实体集合中,最后分别将各医生实体属性集合与需求医疗实体集合进行匹配,并建立问诊患者与目标医生之间的线上问诊连接的技术手段,可以为问诊患者精准匹配到相关度较高的医生,提高患者的问诊体验,避免医疗资源的浪费。
在上述各实施例的基础上,在将需求医疗实体集合中的各需求医疗实体,与预先建立的实体扩展库进行匹配之前,还包括:
步骤321、获取医疗文章语料集合,并根据所述医疗文章语料集合,确定至少一个具有共现关系的第一类实体子集;
在此步骤中,所述医疗文章语料集合可以包括全部科室中医生发表的各项医学文章,以及线上问诊平台中收集的大量历史问诊记录。
在获取到上述医疗文章语料集合后,可以将同一语料(例如同一篇文章或者同一问诊记录)中共同出现概率较高的多个实体,确定为具有共现关系的实体,然后将所述具有共现关系的实体构成一个实体子集(也即第一类实体子集)。
步骤322、在预设的知识图谱中,提取至少一个具有图谱关系的第二类实体子集;
其中,知识图谱可以为预先建立的,用于反映大量不同病情与相关的病症以及用药形式之间联系的结构化的图形。在知识图谱中,每种病情与相关病症以及用药形式之间的关系称为图谱关系。
在此步骤中,可以根据知识图谱获取每种病情相关的病症,并将每种病情以及相关的病症构成一个实体子集(也即第二类实体子集)。
步骤323、将所述第一类实体子集和第二类实体子集,分别加入至所述实体扩展库中。
这样设置的好处在于:可以保证实体扩展库中的实体子集更加全面,在将各需求医疗实体与实体扩展库进行匹配后,可以获取更为丰富的医疗扩展实体。
本申请实施例是对上述实施例的进一步细化,与上述实施例相同或相应的术语解释,本申请实施例不再赘述。
图4a为本申请实施例提供的一种线上医患匹配方法的流程图,本实施例的方法具体包括如下步骤:
步骤410、获取问诊患者的病情主诉信息,并根据所述病情主诉信息,确定与所述问诊患者匹配的需求医疗实体集合。
步骤420、根据所述需求医疗实体集合,确定与所述问诊患者匹配的看诊科室,并在医生库中获取与所述看诊科室匹配的至少一个备选医生。
在此步骤中,可以根据需求医疗实体集合中的各需求医疗实体,通过互联网查询到与问诊患者匹配的看诊科室,然后获取与看诊科室匹配的备选医生。
这样设置的好处在于:通过在医生库中筛选出与看诊科室匹配的备选医生,可以避免将其他科室中不太相关的医生推荐给问诊患者,进而可以提高患者的问诊体验。
步骤430、获取各备选医生的医生简介信息,将所述医生简介信息输入至预先训练的实体识别模型中,并获取所述实体识别模型输出的第一类医疗实体,加入至各所述备选医生的医生实体属性集合中。
其中,医生简介信息中可以包括医生擅长治疗的多项病情以及对应的症状。将医生简介信息输入至实体识别模型后,实体识别模型可以输出医生擅长治疗的多项病情以及对应的症状(也即第一类医疗实体)。实体识别模型输出第一类医疗实体后,将第一类医疗实体加入至医生实体属性集合中。
这样设置的好处在于:通过将医生简介信息输入至实体识别模型中,并获取实体识别模型输出的第一类医疗实体,可以准确快速地获取医生擅长治疗的病情以及症状,提高后续过程中目标医生的确定效率。
在本实施例中,所述实体识别模型可以为命名实体识别模型(Named EntityRecognition,NER)。所述NER模型可以使用多个医生简介信息作为训练样本训练得到。
在一个具体的实施例中,假设医生简介信息为“擅长领域为慢性咳嗽以及支气管炎”,将此医生简介信息输入至NER模型后,NER模型输出的第一类医疗实体则为“慢性咳嗽”和“支气管炎”。
步骤440、在各备选医生的历史问诊记录中筛选出好评记录,在各所述好评记录中进行实体挖掘,得到与各所述备选医生对应的第二类医疗实体,加入至各所述备选医生的医生实体属性集合中。
其中,由于问诊记录中患者通常通过口头语与医生进行交流,因此需要将好评记录中的交流内容进行实体挖掘,也即,将交流内容转换为规整化的,书面语的表述。
在此步骤中,可以将各好评记录输入至预先训练的关联搜索模型中,获取关联搜索模型输出的至少一项关联好评记录,然后将关联好评记录输入至上述实体识别模型中,通过实体识别模型输出与好评记录对应的医疗实体,也即第二类医疗实体。
这样设置的好处在于:通过在各备选医生的历史问诊记录中筛选出好评记录,并进行实体挖掘,可以扩展出医生擅长治疗的其他病情以及对应的症状,进而可以为问诊患者匹配到相关度较高的医生。
在本实施例中,步骤430-440可以同时执行,也可以按照顺序先后执行,或者可以只执行其中一个步骤,本实施例对此并不限制。
步骤450、分别将备选医生集合中各备选医生的医生实体属性集合与所述需求医疗实体集合进行匹配。
步骤460、根据匹配结果,在备选医生集合中确定目标医生,并建立问诊患者与所述目标医生之间的线上问诊连接。
本申请实施例通过根据问诊患者的病情主诉信息确定需求医疗实体集合,并根据需求医疗实体集合确定看诊科室,并获取与看诊科室匹配的备选医生,然后将各备选医生的医生简介信息输入至实体识别模型中,得到第一类医疗实体,并在各备选医生的历史问诊记录中筛选出好评记录,在各好评记录中进行实体挖掘得到第二类医疗实体,将第一类医疗实体与第二类医疗实体加入至医生实体属性集合中,最后分别将各医生实体属性集合与需求医疗实体集合进行匹配,并建立问诊患者与目标医生之间的线上问诊连接的技术手段,可以为问诊患者精准匹配到相关度较高的医生,提高患者的问诊体验,避免医疗资源的浪费。
为了更好地对本申请实施例提供的技术方案进行介绍,本申请实施例提供了一种线上医患匹配方法的实施方式,如图4b所示:
本申请实施例提供的线上医患匹配方法包括离线数据处理流程和在线数据处理流程。其中,离线数据处理流程包括构建实体扩展库和构建各备选医生的医生实体属性集合两个部分。
其中,构建实体扩展库的流程为:获取医疗文章语料集合,根据医疗文章语料集合,确定至少一个具有共现关系的第一类实体子集,并在预设的知识图谱中,提取至少一个具有图谱关系的第二类实体子集,然后将第一类实体子集和第二类实体子集共同构成实体扩展库。
构建各备选医生的医生实体属性集合的流程为:获取各备选医生的医生简介信息,将医生简介信息输入至预先训练的实体识别模型中,并获取实体识别模型输出的第一类医疗实体,然后在各备选医生的历史问诊记录中筛选出好评记录,在各好评记录中进行实体挖掘,得到与各备选医生对应的第二类医疗实体,最后将第一类医疗实体与第二类医疗实体共同构成医生实体属性集合。
其中,在线数据处理流程包括:获取当前问诊患者的病情主诉信息,分别将病情主诉信息输入至预先训练的实体识别模型、病症预测模型以及关联搜索模型中,得到至少一个医疗实体、病症实体和关联医疗实体,然后将上述医疗实体、病症实体以及关联医疗实体加入至需求医疗实体集合中,并将需求医疗实体集合中的各需求医疗实体,与上述实体扩展库进行匹配,获取至少一个医疗扩展实体,将各医疗扩展实体加入至需求医疗实体集合中,最后分别将备选医生集合中各备选医生的医生实体属性集合与所述需求医疗实体集合进行匹配,根据匹配结果,在备选医生集合中确定目标医生,并建立问诊患者与所述目标医生之间的线上问诊连接。
本申请实施例提供的方法可以为问诊患者精准匹配到相关度较高的医生,提高患者的问诊体验,避免医疗资源的浪费。
图5为本申请实施例提供的一种线上医患匹配装置500的结构图,该装置包括:病情主诉信息获取模块510、集合匹配模块520和目标医生确定模块530。
其中,病情主诉信息获取模块510,用于获取问诊患者的病情主诉信息,并根据所述病情主诉信息,确定与所述问诊患者匹配的需求医疗实体集合;
集合匹配模块520,用于分别将备选医生集合中各备选医生的医生实体属性集合与所述需求医疗实体集合进行匹配;
目标医生确定模块530,用于根据匹配结果,在备选医生集合中确定目标医生,并建立问诊患者与所述目标医生之间的线上问诊连接。
本申请实施例通过获取问诊患者的病情主诉信息,根据病情主诉信息确定需求医疗实体集合,然后分别将各备选医生的医生实体属性集合与需求医疗实体集合进行匹配,根据匹配结果在备选医生集合中确定目标医生,并建立问诊患者与目标医生之间的线上问诊连接的技术手段,可以为问诊患者精准匹配到相关度较高的医生,提高患者的问诊体验,避免医疗资源的浪费。
在上述各实施例的基础上,所述病情主诉信息获取模块510,可以包括:
实体识别模型输入单元,用于将所述病情主诉信息输入至预先训练的实体识别模型中,获取所述实体识别模型输出的至少一个医疗实体,加入至所述需求医疗实体集合中;
疾病预测模型输入单元,用于将所述病情主诉信息输入至预先训练的病症预测模型中,获取所述病症预测模型输出的至少一项病症实体,加入至所述需求医疗实体集合中;
搜索模型输入单元,用于将所述病情主诉信息输入至预先训练的关联搜索模型中,获取所述关联搜索模型输出的至少一项关联医疗实体,加入至所述需求医疗实体集合中;
医疗扩展实体获取单元,用于将所述需求医疗实体集合中的各需求医疗实体,与预先建立的实体扩展库进行匹配,获取至少一个医疗扩展实体;所述实体扩展库中包括至少一个具有关联关系的实体子集;
医疗扩展实体添加单元,用于将各所述医疗扩展实体加入至所述需求医疗实体集合中;
医疗文章语料集合获取单元,用于获取医疗文章语料集合,并根据所述医疗文章语料集合,确定至少一个具有共现关系的第一类实体子集;
第二类实体子集提取单元,用于在预设的知识图谱中,提取至少一个具有图谱关系的第二类实体子集;
实体子集添加单元,用于将所述第一类实体子集和第二类实体子集,分别加入至所述实体扩展库中。
所述集合匹配模块520,可以包括:
医生简介信息获取单元,用于获取各备选医生的医生简介信息,将所述医生简介信息输入至预先训练的实体识别模型中,并获取所述实体识别模型输出的第一类医疗实体,加入至各所述备选医生的医生实体属性集合中;
好评记录筛选单元,用于在各备选医生的历史问诊记录中筛选出好评记录,在各所述好评记录中进行实体挖掘,得到与各所述备选医生对应的第二类医疗实体,加入至各所述备选医生的医生实体属性集合中;
备选医生获取单元,用于根据所述需求医疗实体集合,确定与所述问诊患者匹配的看诊科室,并在医生库中获取与所述看诊科室匹配的至少一个备选医生。
本申请实施例所提供的线上医患匹配装置可执行本申请任意实施例所提供的线上医患匹配方法,具备执行方法相应的功能模块和有益效果。
根据本申请的实施例,本申请还提供了一种电子设备和一种可读存储介质。
如图6所示,是根据本申请实施例的线上医患匹配方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图6所示,该电子设备包括:一个或多个处理器601、存储器602,以及用于连接各部件的接口,包括高速接口和低速接口。各个部件利用不同的总线互相连接,并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理,包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如,耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中,若需要,可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样,可以连接多个电子设备,各个设备提供部分必要的操作(例如,作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图6中以一个处理器601为例。
存储器602即为本申请所提供的非瞬时计算机可读存储介质。其中,所述存储器存储有可由至少一个处理器执行的指令,以使所述至少一个处理器执行本申请所提供的线上医患匹配方法。本申请的非瞬时计算机可读存储介质存储计算机指令,该计算机指令用于使计算机执行本申请所提供的线上医患匹配方法。
存储器602作为一种非瞬时计算机可读存储介质,可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块,如本申请实施例中的线上医患匹配的方法对应的程序指令/模块(例如,附图5所示的病情主诉信息获取模块510、集合匹配模块520和目标医生确定模块530)。处理器601通过运行存储在存储器602中的非瞬时软件程序、指令以及模块,从而执行服务器的各种功能应用以及数据处理,即实现上述方法实施例中的线上医患匹配方法。
存储器602可以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、至少一个功能所需要的应用程序;存储数据区可存储根据线上医患匹配方法的电子设备的使用所创建的数据等。此外,存储器502可以包括高速随机存取存储器,还可以包括非瞬时存储器,例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中,存储器602可选包括相对于处理器601远程设置的存储器,这些远程存储器可以通过网络连接至线上医患匹配方法的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
线上医患匹配方法的电子设备还可以包括:输入装置603和输出装置604。处理器601、存储器602、输入装置603和输出装置604可以通过总线或者其他方式连接,图6中以通过总线连接为例。
输入装置603可接收输入的数字或字符信息,以及产生与线上医患匹配方法的电子设备的用户设置以及功能控制有关的键信号输入,例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置604可以包括显示设备、辅助照明装置(例如,LED)和触觉反馈装置(例如,振动电机)等。该显示设备可以包括但不限于,液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中,显示设备可以是触摸屏。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令,并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的,术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如,磁盘、光盘、存储器、可编程逻辑装置(PLD)),包括,接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
根据本申请实施例的技术方案,可以提高对原始质检图片检查结果的准确性,节省了人力成本,提高了对原始质检图片的检查效率。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本申请的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本申请保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等,均应包含在本申请保护范围之内。
Claims (20)
1.一种线上医患匹配方法,包括:
获取问诊患者的病情主诉信息,并根据所述病情主诉信息,确定与所述问诊患者匹配的需求医疗实体集合;
分别将备选医生集合中各备选医生的医生实体属性集合与所述需求医疗实体集合进行匹配;
根据匹配结果,在备选医生集合中确定目标医生,并建立问诊患者与所述目标医生之间的线上问诊连接。
2.根据权利要求1所述的方法,其中,根据所述病情主诉信息,确定与所述问诊患者匹配的需求医疗实体集合,包括:
将所述病情主诉信息输入至预先训练的实体识别模型中,获取所述实体识别模型输出的至少一个医疗实体,加入至所述需求医疗实体集合中。
3.根据权利要求1所述的方法,其中,根据所述病情主诉信息,确定与所述问诊患者匹配的需求医疗实体集合,包括:
将所述病情主诉信息输入至预先训练的病症预测模型中,获取所述病症预测模型输出的至少一项病症实体,加入至所述需求医疗实体集合中。
4.根据权利要求1所述的方法,其中,根据所述病情主诉信息,确定与所述问诊患者匹配的需求医疗实体集合,包括:
将所述病情主诉信息输入至预先训练的关联搜索模型中,获取所述关联搜索模型输出的至少一项关联医疗实体,加入至所述需求医疗实体集合中。
5.根据权利要求1所述的方法,其中,在分别将备选医生集合中各备选医生的医生实体属性集合与所述需求医疗实体集合进行匹配之前,还包括:
将所述需求医疗实体集合中的各需求医疗实体,与预先建立的实体扩展库进行匹配,获取至少一个医疗扩展实体;所述实体扩展库中包括至少一个具有关联关系的实体子集;
将各所述医疗扩展实体加入至所述需求医疗实体集合中。
6.根据权利要求5所述的方法,其中,在将所述需求医疗实体集合中的各需求医疗实体,与预先建立的实体扩展库进行匹配之前,还包括:
获取医疗文章语料集合,并根据所述医疗文章语料集合,确定至少一个具有共现关系的第一类实体子集;
在预设的知识图谱中,提取至少一个具有图谱关系的第二类实体子集;
将所述第一类实体子集和第二类实体子集,分别加入至所述实体扩展库中。
7.根据权利要求1所述的方法,其中,在分别将备选医生集合中各备选医生的医生实体属性集合与所述需求医疗实体集合进行匹配之前,还包括:
获取各备选医生的医生简介信息,将所述医生简介信息输入至预先训练的实体识别模型中,并获取所述实体识别模型输出的第一类医疗实体,加入至各所述备选医生的医生实体属性集合中。
8.根据权利要求1所述的方法,其中,在分别将备选医生集合中各备选医生的医生实体属性集合与所述需求医疗实体集合进行匹配之前,还包括:
在各备选医生的历史问诊记录中筛选出好评记录,在各所述好评记录中进行实体挖掘,得到与各所述备选医生对应的第二类医疗实体,加入至各所述备选医生的医生实体属性集合中。
9.根据权利要求1所述的方法,其中,在分别将备选医生集合中各备选医生的医生实体属性集合与所述需求医疗实体集合进行匹配之前,还包括:
根据所述需求医疗实体集合,确定与所述问诊患者匹配的看诊科室,并在医生库中获取与所述看诊科室匹配的至少一个备选医生。
10.一种线上医患匹配装置,包括:
病情主诉信息获取模块,用于获取问诊患者的病情主诉信息,并根据所述病情主诉信息,确定与所述问诊患者匹配的需求医疗实体集合;
集合匹配模块,用于分别将备选医生集合中各备选医生的医生实体属性集合与所述需求医疗实体集合进行匹配;
目标医生确定模块,用于根据匹配结果,在备选医生集合中确定目标医生,并建立问诊患者与所述目标医生之间的线上问诊连接。
11.根据权利要求10所述的装置,所述病情主诉信息获取模块,包括:
实体识别模型输入单元,用于将所述病情主诉信息输入至预先训练的实体识别模型中,获取所述实体识别模型输出的至少一个医疗实体,加入至所述需求医疗实体集合中。
12.根据权利要求10所述的装置,所述病情主诉信息获取模块,包括:
疾病预测模型输入单元,用于将所述病情主诉信息输入至预先训练的病症预测模型中,获取所述病症预测模型输出的至少一项病症实体,加入至所述需求医疗实体集合中。
13.根据权利要求10所述的装置,所述病情主诉信息获取模块,包括:
搜索模型输入单元,用于将所述病情主诉信息输入至预先训练的关联搜索模型中,获取所述关联搜索模型输出的至少一项关联医疗实体,加入至所述需求医疗实体集合中。
14.根据权利要求10所述的装置,所述病情主诉信息获取模块,还包括:
医疗扩展实体获取单元,用于将所述需求医疗实体集合中的各需求医疗实体,与预先建立的实体扩展库进行匹配,获取至少一个医疗扩展实体;所述实体扩展库中包括至少一个具有关联关系的实体子集;
医疗扩展实体添加单元,用于将各所述医疗扩展实体加入至所述需求医疗实体集合中。
15.根据权利要求14所述的装置,所述病情主诉信息获取模块,还包括:
医疗文章语料集合获取单元,用于获取医疗文章语料集合,并根据所述医疗文章语料集合,确定至少一个具有共现关系的第一类实体子集;
第二类实体子集提取单元,用于在预设的知识图谱中,提取至少一个具有图谱关系的第二类实体子集;
实体子集添加单元,用于将所述第一类实体子集和第二类实体子集,分别加入至所述实体扩展库中。
16.根据权利要求10所述的装置,所述集合匹配模块,还包括:
医生简介信息获取单元,用于获取各备选医生的医生简介信息,将所述医生简介信息输入至预先训练的实体识别模型中,并获取所述实体识别模型输出的第一类医疗实体,加入至各所述备选医生的医生实体属性集合中。
17.根据权利要求10所述的装置,所述集合匹配模块,还包括:
好评记录筛选单元,用于在各备选医生的历史问诊记录中筛选出好评记录,在各所述好评记录中进行实体挖掘,得到与各所述备选医生对应的第二类医疗实体,加入至各所述备选医生的医生实体属性集合中。
18.根据权利要求10所述的装置,所述集合匹配模块,还包括:
备选医生获取单元,用于根据所述需求医疗实体集合,确定与所述问诊患者匹配的看诊科室,并在医生库中获取与所述看诊科室匹配的至少一个备选医生。
19.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-9中任一项所述的方法。
20.一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使所述计算机执行权利要求1-9中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011380795.5A CN112530576A (zh) | 2020-11-30 | 2020-11-30 | 一种线上医患匹配方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011380795.5A CN112530576A (zh) | 2020-11-30 | 2020-11-30 | 一种线上医患匹配方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112530576A true CN112530576A (zh) | 2021-03-19 |
Family
ID=74995654
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011380795.5A Pending CN112530576A (zh) | 2020-11-30 | 2020-11-30 | 一种线上医患匹配方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112530576A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113284633A (zh) * | 2021-06-11 | 2021-08-20 | 杭州智多心网络科技有限公司 | 一种用于互联网医院的患者在线问诊系统 |
CN113380428A (zh) * | 2021-06-30 | 2021-09-10 | 挂号网(杭州)科技有限公司 | 一种订单处理方法、系统和电子设备 |
CN113658712A (zh) * | 2021-08-31 | 2021-11-16 | 平安医疗健康管理股份有限公司 | 医患匹配方法、装置、设备及存储介质 |
CN113658690A (zh) * | 2021-08-30 | 2021-11-16 | 平安医疗健康管理股份有限公司 | 一种智能导医方法、装置、存储介质以及电子设备 |
CN113707286A (zh) * | 2021-08-30 | 2021-11-26 | 康键信息技术(深圳)有限公司 | 基于决策树的问诊分配方法、装置、设备及存储介质 |
CN113707285A (zh) * | 2021-08-30 | 2021-11-26 | 康键信息技术(深圳)有限公司 | 科室分诊方法、系统、设备以及存储介质 |
CN113782163A (zh) * | 2021-03-29 | 2021-12-10 | 北京京东拓先科技有限公司 | 信息推送方法、装置和计算机可读存储介质 |
US11748361B1 (en) | 2022-08-12 | 2023-09-05 | Ryte Corporation | Systems and methods for multi-dimensional ranking of experts |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110993081A (zh) * | 2019-12-03 | 2020-04-10 | 济南大学 | 一种医生在线推荐方法及系统 |
CN111753072A (zh) * | 2020-06-29 | 2020-10-09 | 北京百度网讯科技有限公司 | 一种分诊的方法、装置、设备以及存储介质 |
CN111785368A (zh) * | 2020-06-30 | 2020-10-16 | 平安科技(深圳)有限公司 | 基于医疗知识图谱的分诊方法、装置、设备及存储介质 |
CN111897967A (zh) * | 2020-07-06 | 2020-11-06 | 北京大学 | 一种基于知识图谱和社交媒体的医疗问诊推荐方法 |
-
2020
- 2020-11-30 CN CN202011380795.5A patent/CN112530576A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110993081A (zh) * | 2019-12-03 | 2020-04-10 | 济南大学 | 一种医生在线推荐方法及系统 |
CN111753072A (zh) * | 2020-06-29 | 2020-10-09 | 北京百度网讯科技有限公司 | 一种分诊的方法、装置、设备以及存储介质 |
CN111785368A (zh) * | 2020-06-30 | 2020-10-16 | 平安科技(深圳)有限公司 | 基于医疗知识图谱的分诊方法、装置、设备及存储介质 |
CN111897967A (zh) * | 2020-07-06 | 2020-11-06 | 北京大学 | 一种基于知识图谱和社交媒体的医疗问诊推荐方法 |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113782163A (zh) * | 2021-03-29 | 2021-12-10 | 北京京东拓先科技有限公司 | 信息推送方法、装置和计算机可读存储介质 |
WO2022206500A1 (zh) * | 2021-03-29 | 2022-10-06 | 北京京东拓先科技有限公司 | 信息推送方法, 装置和计算机可读存储介质 |
CN113284633A (zh) * | 2021-06-11 | 2021-08-20 | 杭州智多心网络科技有限公司 | 一种用于互联网医院的患者在线问诊系统 |
CN113380428A (zh) * | 2021-06-30 | 2021-09-10 | 挂号网(杭州)科技有限公司 | 一种订单处理方法、系统和电子设备 |
CN113380428B (zh) * | 2021-06-30 | 2023-07-21 | 挂号网(杭州)科技有限公司 | 一种订单处理方法、系统和电子设备 |
CN113658690A (zh) * | 2021-08-30 | 2021-11-16 | 平安医疗健康管理股份有限公司 | 一种智能导医方法、装置、存储介质以及电子设备 |
CN113707286A (zh) * | 2021-08-30 | 2021-11-26 | 康键信息技术(深圳)有限公司 | 基于决策树的问诊分配方法、装置、设备及存储介质 |
CN113707285A (zh) * | 2021-08-30 | 2021-11-26 | 康键信息技术(深圳)有限公司 | 科室分诊方法、系统、设备以及存储介质 |
CN113658712A (zh) * | 2021-08-31 | 2021-11-16 | 平安医疗健康管理股份有限公司 | 医患匹配方法、装置、设备及存储介质 |
US11748361B1 (en) | 2022-08-12 | 2023-09-05 | Ryte Corporation | Systems and methods for multi-dimensional ranking of experts |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112530576A (zh) | 一种线上医患匹配方法、装置、电子设备及存储介质 | |
CN112507715B (zh) | 确定实体之间关联关系的方法、装置、设备和存储介质 | |
CN111681726B (zh) | 电子病历数据的处理方法、装置、设备和介质 | |
US11232365B2 (en) | Digital assistant platform | |
US11704342B2 (en) | Similarity sharding | |
US11847164B2 (en) | Method, electronic device and storage medium for generating information | |
CN111428008A (zh) | 用于训练模型的方法、装置、设备以及存储介质 | |
JP7234483B2 (ja) | エンティティリンキング方法、装置、電子デバイス、記憶媒体及びプログラム | |
US20210200813A1 (en) | Human-machine interaction method, electronic device, and storage medium | |
WO2022095893A1 (zh) | 生成推荐信息的方法、装置 | |
CN111274397B (zh) | 建立实体关系检测模型的方法以及装置 | |
CN111326251B (zh) | 一种问诊问题输出方法、装置以及电子设备 | |
CN111460095B (zh) | 问答处理方法、装置、电子设备及存储介质 | |
CN112528660A (zh) | 处理文本的方法、装置、设备、存储介质和程序产品 | |
WO2022095892A1 (zh) | 推送信息的生成方法、装置 | |
US20180067986A1 (en) | Database model with improved storage and search string generation techniques | |
CN112507091A (zh) | 检索信息的方法、装置、设备以及存储介质 | |
CN112507230B (zh) | 基于浏览器的网页推荐方法、装置、电子设备及存储介质 | |
CN114360711A (zh) | 通过句法-语义对准和话语分析进行的基于多案例的推理 | |
CN112579750A (zh) | 相似病案的检索方法、装置、设备及存储介质 | |
CN112084150A (zh) | 模型训练、数据检索方法,装置,设备以及存储介质 | |
US20240143605A1 (en) | System And Method For Improved State Identification And Prediction In Computerized Queries | |
US20210209143A1 (en) | Document type recommendation method and apparatus, electronic device and readable storage medium | |
CN112329453B (zh) | 样本章节的生成方法、装置、设备以及存储介质 | |
CN111523019B (zh) | 用于输出信息的方法、装置、设备以及存储介质 |
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 |