CN112700888A - 问诊流程生成方法、系统和可读存储介质 - Google Patents
问诊流程生成方法、系统和可读存储介质 Download PDFInfo
- Publication number
- CN112700888A CN112700888A CN202011637408.1A CN202011637408A CN112700888A CN 112700888 A CN112700888 A CN 112700888A CN 202011637408 A CN202011637408 A CN 202011637408A CN 112700888 A CN112700888 A CN 112700888A
- Authority
- CN
- China
- Prior art keywords
- inquiry
- generating
- flow
- node
- medical record
- 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
Landscapes
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明提出了问诊流程生成方法、系统和可读存储介质。其中,一种问诊流程生成方法包括:根据图形化配置语言配置问诊流程图;根据问诊流程图生成问诊对象和问诊逻辑关系;根据问诊对象和问诊逻辑关系生成问诊流程。通过本发明提供的问诊流程生成方法,可以使得比较专业化,只能医学专家问诊的专科疾病以一种容易、可操作的方式让下级机构和下级医生得以执行,并按照规范化的方式开展专病的问诊,大大缩短了专病诊疗规范培训的周期,减少了培训的成本。
Description
技术领域
本发明涉及计算机技术领域,具体而言,涉及一种问诊流程生成方法,一种问诊流程生成系统,一种可读存储介质。
背景技术
随着全国医疗机构总诊疗人次逐年显著提高,临床医护人员不足问题越来越突出,从而导致其工作负担重、知识更新与知识增长不同步等问题。这些问题进一步造成诊疗流程不规范、问诊不全面、病历质量差等诸多问题,严重影响了医疗质量,容易引起误诊、漏诊,给病历数据的再利用带来极大困难。而智能临床辅助决策支持系统(ClinicalDecision Support System,CDSS)通过实现规范诊疗、辅助临床决策、生成规范化病历等能力,能很好地解决上述问题。
全科的智能辅助决策支持系统由于实现技术和临床数据质量等限制,往往实现难度高、推送效果不理想、实际应用率低。对于面向专科专病的智能临床辅助决策系统,利用大数据和人工智能技术可以更高效的挖掘专科临床知识图谱并进行智能诊断,医生使用起来灵活便利,且能更高效、规范的生成患者病历。但是仅此方法并不能保证整个问诊过程和结论的精准性和权威性,这也是现在很多医院和医生对智能临床辅助决策系统不够信任、应用率不高的另一个重要原因。
在专科专病方面,最权威的就是由专家团队定制的专科专病临床诊疗指南,通常是以教材或者文档的方式下发到下属医疗机构和医生使用。这种方式制定周期长成本高,且医生学习效率和执行准确性都难以保证。
以往的专家系统通过定制复杂的规则、正则表达式、知识图谱并结合相关算法等来实现智能问诊。实际上这种方式只能通过工程师来实现,专家只是间接参与,他们无法将自身的医学知识和看病逻辑直接转化为专家系统。这与教材或文档形式的临床诊疗指南有本质区别,也是这种专家系统的局限所在。
发明内容
本发明旨在至少解决现有技术或相关技术中存在的技术问题之一。
为此,本发明的一个方面在于提出了一种问诊流程生成方法。
本发明的另一个方面在于提出了一种问诊流程生成系统。
本发明的再一个方面在于提出了一种可读存储介质。
有鉴于此,根据本发明的一个方面,提出了一种问诊流程生成方法,包括:根据图形化配置语言配置问诊流程图;根据问诊流程图生成问诊对象和问诊逻辑关系;根据问诊对象和问诊逻辑关系生成问诊流程。
本发明提供的问诊流程生成方法,面向医学背景用户(主要只医学专家),提供一套可视化图形工具,包括图形化配置语言,医学专家使用图形化配置语言可自定义符合自身需求的规范化的专病问诊逻辑,包括问诊过程中针对不同患者个体数据的不同进行相应的逻辑和每个步骤的注意事项、诊疗建议等。(系统)后台针对医学专家配置的问诊流程图,将每个节点初始化为程序内部语言描述,而生成多个流程节点对应的多个问诊对象和问诊逻辑关系,再根据问诊逻辑关系将这些问诊对象连接起来,形成一个完整的程序化描述的问诊路径,即问诊流程。面向基层医生,可使用配置好的问诊流程进行规范化问诊。具体地,可调取符合需求的问诊流程进行问诊,进一步地,可将配置好的问诊流程转化成智能问诊系统的处理方法,也就是生成相应的智能对话系统。通过本发明提供的问诊流程生成方法,可以使得比较专业化,只能医学专家问诊的专科疾病以一种容易、可操作的方式让下级机构和下级医生得以执行,并按照规范化的方式开展专病的问诊,大大缩短了专病诊疗规范培训的周期,减少了培训的成本。此外,可以灵活地根据医学专家的简单配置生成不同的专病诊疗系统,易于拓展。并且,医学专家无需借助软件工程师来就可以方便、高效地定制自己的专科临床诊疗指南,整个过程基于可视化图形工具进行,融合了软件的易用性和高效性,也能保证与纸质出版的临床诊疗指南具有同样的准确性和权威性。
根据本发明的上述问诊流程生成方法,还可以具有以下技术特征:
在上述技术方案中,根据图形化配置语言配置问诊流程图的步骤,具体包括:根据自定义的问诊逻辑,将图形化配置语言对应的语言标记拖入到配置界面,并为每个图形化配置语言配置节点属性信息;其中,节点属性信息包括以下任一项或其组合:标签信息,类型信息,表达式信息,详情信息。
在该技术方案中,医学背景用户可根据自身的医学知识和看病逻辑自定义问诊逻辑,并通过将图形化配置语言拖拽至配置界面,为每个图形化配置语言设置节点属性信息,以及构建上下节点的流转关系,而得到问诊流程图,其中,节点属性信息包括标签信息、类型信息、表达式信息和详情信息。问诊流程图包括问诊过程中针对不同患者个体数据的不同进行相应的逻辑和每个步骤的注意事项、诊疗建议等。通过本发明的技术方案,医学专家无需借助软件工程师来就可以方便、高效地定制自己的专科临床诊疗指南,整个过程基于可视化图形工具进行,简单、易用。
进一步地,针对待配置的或配置好的问诊流程图,在配置界面设置路径名称。面向基层医生时,可通过路径名称获取对应的问诊流程。
在上述任一技术方案中,图形化配置语言包括以下任一项或其组合:提示信息,判断,诊断,诊断路径,诊疗建议,设置标记,逻辑连接关系。
在该技术方案中,图形化配置语言包括提示信息,判断,诊断,诊断路径,诊疗建议,设置标记,逻辑连接关系中的任一项或其组合,但不限于此。提示信息可作为主节点如蛋白尿;判断可作为问诊过程中的一个检查节点如查尿白细胞计数,且可作为一个诊断路径;可根据判断的值给出诊疗建议如随诊、转诊治疗、正常等;对于问诊过程中的一些常规问答,如有血肌酐升高吗?以是和否或其他来回答即可,其中的是和否或其他就可作为设置标记,但设置标记不限于此;逻辑连接关系可以是判断的值、可以是设置标记,还可以是下一步逻辑。通过对图形化配置语言的进一步限定,用户可以简单、高效的设计符合自身需求的规范化的专病问诊流程,且无需软件工程师干预,便可直接将用户定制的问诊流程转换为智能对话系统。
在上述任一技术方案中,根据问诊流程图生成问诊对象和问诊逻辑关系的步骤,具体包括:解析问诊流程图,以确定每个节点对应的问诊对象和问诊逻辑关系;其中,问诊对象包括节点名称和节点属性,问诊逻辑关系为每个节点的上下流转关系。
在该技术方案中,通过对问诊流程图进行解析,将问诊流程图用预设的计算机程序语言描述出来,以在后续基层医生使用时,将问诊流程图转换为智能的对话信息输出到基层医生终端界面。具体地,将问诊流程图的每个(流程)节点及其对应的上下位关系初始化为程序内部语言描述,从而得到每个节点对应的问诊对象和问诊逻辑关系。问诊对象包括了节点名称和节点属性,问诊逻辑关系为每个节点的上下位关系,也即上下流转关系。根据问诊逻辑关系连接这些问诊对象,形成一个完整的程序化描述的问诊流程。
在上述任一技术方案中,问诊流程生成方法还包括:获取患者的病历数据;根据病历数据生成问诊主路径;根据问诊主路径确定对应的问诊流程。
在该技术方案中,面向基层医生,开始问诊时,可先获取患者的病历数据,包括患者本次的检查检验结果,或以往的病历内容等信息。根据病历数据提取症状信息,根据症状信息确定问诊主路径,问诊主路径与对应的路径名称相关联,具体地,问诊主路径与路径名称一致,这样,通过问诊主路径就可以确定对应的问诊流程,基层医生根据问诊流程便可对患者进行问诊了,从而使得比较专业化只能医学专家问诊的专科疾病,以一种容易可操作的方式让基层医生得以执行。
在上述任一技术方案中,根据问诊主路径确定对应的问诊流程的步骤,具体包括:根据问诊主路径生成问诊路径执行器,根据问诊路径执行器控制问诊流程的各问诊对象之间的执行。
在该技术方案中,根据问诊主路径生成一个问诊路径执行器,根据问诊路径执行器控制对应的问诊流程中的各问诊对象之间的执行,从而使得问诊流程图以对话形式输出到终端界面,一方面以简单的方式,实现将医学专家的医学知识和看病逻辑直接转化为专家系统,使得基层医生得以对比较专业化的专科专病进行问诊,另一方面方便医生进行问诊,提供医生问诊效率。
在上述任一技术方案中,获取患者的病历数据的步骤,具体包括:从电子病案系统EMR中导入病历数据,或提示输入病历数据。
在该技术方案中,可从电子病案系统EMR中导入患者的病历数据,如果电子病案系统中没有病历数据,可提示输入患者的病历数据,并将输入的病历数据保存到患者的电子病案中,在输入病历数据的过程中,基于问诊流程输出的问诊对话暂停。这样,可完善患者病历数据,便于构建患者画像,反过来再用于对患者病症的诊断,提高诊疗水平,提高问诊效率。
在上述任一技术方案中,配置界面为画布界面。
在该技术方案中,用户的配置界面为画布界面,但不限于此。
根据本发明的另一个方面,提出了一种问诊流程生成系统,包括:存储器,存储器存储有程序;处理器,处理器执行程序时实现如上述任一技术方案的问诊流程生成方法。
本发明提供的问诊流程生成系统,存储在存储器上的程序被处理器执行时实现如上述任一技术方案的问诊流程生成方法的步骤,因此该问诊流程生成系统包括上述任一技术方案的问诊流程生成方法的全部有益效果。
根据本发明的再一个方面,提出了一种可读存储介质,其上存储有程序,程序被处理器执行时实现如上述任一技术方案的问诊流程生成方法。
本发明提供的可读存储介质,程序被处理器执行时实现如上述任一技术方案的问诊流程生成方法的步骤,因此该可读存储介质包括上述任一技术方案的问诊流程生成方法的全部有益效果。
本发明的附加方面和优点将在下面的描述部分中变得明显,或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解,其中:
图1示出了本发明的一个实施例的问诊流程生成方法的流程示意图;
图2示出了本发明的另一个实施例的问诊流程生成方法的流程示意图;
图3示出了本发明的另一个实施例的问诊流程生成方法的流程示意图;
图4示出了本发明的另一个实施例的问诊流程生成方法的流程示意图;
图5示出了本发明的另一个实施例的问诊流程生成方法的流程示意图;
图6示出了本发明的一个实施例的问诊流程生成系统的示意框图;
图7示出了本发明的一个具体实施例的问诊流程图的示意图;
图8示出了本发明的一个具体实施例的问诊流程图的配置示意图;
图9示出了本发明的一个具体实施例的问诊流程的示意图;
图10示出了本发明的一个具体实施例的问诊流程生成方法的流程示意图;
图11示出了本发明的另一个具体实施例的问诊流程生成方法的流程示意图。
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方式对本发明进行进一步的详细描述。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。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用其他不同于在此描述的其他方式来实施,因此,本发明的保护范围并不限于下面公开的具体实施例的限制。
实施例一,图1示出了本发明的一个实施例的问诊流程生成方法的流程示意图。其中,该问诊流程生成方法包括:
步骤102,根据图形化配置语言配置问诊流程图;
步骤104,根据问诊流程图生成问诊对象和问诊逻辑关系;
步骤106,根据问诊对象和问诊逻辑关系生成问诊流程。
本实施例提供的问诊流程生成方法,面向医学背景用户(主要只医学专家),提供一套可视化图形工具,包括图形化配置语言,医学专家使用图形化配置语言可自定义符合自身需求的规范化的专病问诊逻辑,包括问诊过程中针对不同患者个体数据的不同进行相应的逻辑和每个步骤的注意事项、诊疗建议等。(系统)后台针对医学专家配置的问诊流程图,将每个节点初始化为程序内部语言描述,而生成多个流程节点对应的多个问诊对象和问诊逻辑关系,再根据问诊逻辑关系将这些问诊对象连接起来,形成一个完整的程序化描述的问诊路径,即问诊流程。面向基层医生,可使用配置好的问诊流程进行规范化问诊。具体地,可调取符合需求的问诊流程进行问诊,进一步地,可将配置好的问诊流程转化成智能问诊系统的处理方法,也就是生成相应的智能对话系统。通过本发明提供的问诊流程生成方法,可以使得比较专业化,只能医学专家问诊的专科疾病以一种容易、可操作的方式让下级机构和下级医生得以执行,并按照规范化的方式开展专病的问诊,大大缩短了专病诊疗规范培训的周期,减少了培训的成本。此外,可以灵活地根据医学专家的简单配置生成不同的专病诊疗系统,易于拓展。并且,医学专家无需借助软件工程师来就可以方便、高效地定制自己的专科临床诊疗指南,整个过程基于可视化图形工具进行,融合了软件的易用性和高效性,也能保证与纸质出版的临床诊疗指南具有同样的准确性和权威性。
实施例二,如图2所示,进一步地,根据图形化配置语言配置问诊流程图的步骤,具体包括:
步骤202,根据自定义的问诊逻辑,将图形化配置语言对应的语言标记拖入到配置界面;
步骤204,为每个图形化配置语言配置节点属性信息,以及构建上下节点的流转关系。
在该实施例中,医学背景用户可根据自身的医学知识和看病逻辑自定义问诊逻辑,并通过将图形化配置语言拖拽至配置界面,为每个图形化配置语言设置节点属性信息,以及构建上下节点的流转关系,而得到问诊流程图,其中,节点属性信息包括标签信息、类型信息、表达式信息和详情信息。问诊流程图包括问诊过程中针对不同患者个体数据的不同进行相应的逻辑和每个步骤的注意事项、诊疗建议等。通过本发明的实施例,医学专家无需借助软件工程师来就可以方便、高效地定制自己的专科临床诊疗指南,整个过程基于可视化图形工具进行,简单、易用。
进一步地,针对待配置的或配置好的问诊流程图,在配置界面设置路径名称。面向基层医生时,可通过路径名称获取对应的问诊流程。
实施例三,在上述任一实施例中,进一步地,图形化配置语言包括以下任一项或其组合:提示信息,判断,诊断,诊断路径,诊疗建议,设置标记,逻辑连接关系。
在该实施例中,图形化配置语言包括提示信息,判断,诊断,诊断路径,诊疗建议,设置标记,逻辑连接关系中的任一项或其组合,但不限于此。提示信息可作为主节点如蛋白尿;判断可作为问诊过程中的一个检查节点如查尿白细胞计数,且可作为一个诊断路径;可根据判断的值给出诊疗建议如随诊、转诊治疗、正常等;对于问诊过程中的一些常规问答,如有血肌酐升高吗?以是和否或其他来回答即可,其中的是和否或其他就可作为设置标记,但设置标记不限于此;逻辑连接关系可以是判断的值、可以是设置标记,还可以是下一步逻辑。通过对图形化配置语言的进一步限定,用户可以简单、高效的设计符合自身需求的规范化的专病问诊流程,且无需软件工程师干预,便可直接将用户定制的问诊流程转换为智能对话系统。
实施例四,图3示出了本发明的另一个实施例的问诊流程生成方法的流程示意图。其中,该问诊流程生成方法包括:
步骤302,根据图形化配置语言配置问诊流程图;
步骤304,解析问诊流程图,以确定每个节点对应的问诊对象和问诊逻辑关系;
其中,问诊对象包括节点名称和节点属性,问诊逻辑关系为每个节点的上下流转关系;
步骤306,根据每个节点对应的问诊对象和问诊逻辑关系生成问诊流程。
在该实施例中,通过对问诊流程图进行解析,将问诊流程图用预设的计算机程序语言描述出来,以在后续基层医生使用时,将问诊流程图转换为智能的对话信息输出到基层医生终端界面。具体地,将问诊流程图的每个(流程)节点及其对应的上下位关系初始化为程序内部语言描述,从而得到每个节点对应的问诊对象和问诊逻辑关系。问诊对象包括了节点名称和节点属性,问诊逻辑关系为每个节点的上下位关系,也即上下流转关系。根据问诊逻辑关系连接这些问诊对象,形成一个完整的程序化描述的问诊流程。
实施例五,图4示出了本发明的另一个实施例的问诊流程生成方法的流程示意图。其中,该问诊流程生成方法包括:
步骤402,根据图形化配置语言配置问诊流程图;
步骤404,解析问诊流程图,以确定每个节点对应的问诊对象和问诊逻辑关系;
其中,问诊对象包括节点名称和节点属性,问诊逻辑关系为每个节点的上下流转关系;
步骤406,根据每个节点对应的问诊对象和问诊逻辑关系生成问诊流程;
步骤408,获取患者的病历数据;
步骤410,根据病历数据生成问诊主路径;
步骤412,根据问诊主路径确定对应的问诊流程。
在该实施例中,面向基层医生,开始问诊时,可先获取患者的病历数据,包括患者本次的检查检验结果,或以往的病历内容等信息。根据病历数据提取症状信息,根据症状信息确定问诊主路径,问诊主路径与对应的路径名称相关联,具体地,问诊主路径与路径名称一致,这样,通过问诊主路径就可以确定对应的问诊流程,基层医生根据问诊流程便可对患者进行问诊了,从而使得比较专业化只能医学专家问诊的专科疾病,以一种容易可操作的方式让基层医生得以执行。
实施例六,图5示出了本发明的另一个实施例的问诊流程生成方法的流程示意图。其中,该问诊流程生成方法包括:
步骤502,根据图形化配置语言配置问诊流程图;
步骤504,解析问诊流程图,以确定每个节点对应的问诊对象和问诊逻辑关系;
其中,问诊对象包括节点名称和节点属性,问诊逻辑关系为每个节点的上下流转关系;
步骤506,根据每个节点对应的问诊对象和问诊逻辑关系生成问诊流程;
步骤508,获取患者的病历数据;
步骤510,根据病历数据生成问诊主路径;
步骤512,根据问诊主路径生成问诊路径执行器;
步骤514,根据问诊路径执行器控制问诊流程对应的各问诊对象之间的执行。
在该实施例中,根据问诊主路径生成一个问诊路径执行器,根据问诊路径执行器控制对应的问诊流程中的各问诊对象之间的执行,从而使得问诊流程图以对话形式输出到终端界面,一方面以简单的方式,实现将医学专家的医学知识和看病逻辑直接转化为专家系统,使得基层医生得以对比较专业化的专科专病进行问诊,另一方面方便医生进行问诊,提供医生问诊效率。
实施例七,在上述任一实施例中,进一步地,获取患者的病历数据的步骤,具体包括:从电子病案系统EMR中导入病历数据,或提示输入病历数据。
在该实施例中,可从电子病案系统EMR中导入患者的病历数据,如果电子病案系统中没有病历数据,可提示输入患者的病历数据,并将输入的病历数据保存到患者的电子病案中,在输入病历数据的过程中,基于问诊流程输出的问诊对话暂停。这样,可完善患者病历数据,便于构建患者画像,反过来再用于对患者病症的诊断,提高诊疗水平,提高问诊效率。
实施例八,在上述任一实施例中,进一步地,配置界面为画布界面。
在该实施例中,用户的配置界面为画布界面,但不限于此。
实施例九,图6示出了本发明的一个实施例的问诊流程生成系统600的示意框图。其中,该问诊流程生成系统600包括:存储器602,存储器602存储有程序;处理器604,处理器604执行程序时实现如上述任一实施例的问诊流程生成方法。
本实施例提供的问诊流程生成系统600,存储在存储器602上的程序被处理器604执行时实现如上述任一实施例的问诊流程生成方法的步骤,因此该问诊流程生成系统600包括上述任一实施例的问诊流程生成方法的全部有益效果。
另外,该问诊流程生成系统600提供了和自然语言处理模型、机器学习模型、知识图谱模型等的接口,能接入专科临床知识图谱、智能患者画像、复杂疾病推断等功能模块,在专科临床诊疗指南的规范下提供更丰富、更智能的智能临床辅助决策系统。
实施例十,提出了一种可读存储介质,其上存储有程序,程序被处理器执行时实现如上述任一实施例的问诊流程生成方法。
本实施例提供的可读存储介质,程序被处理器执行时实现如上述任一实施例的问诊流程生成方法的步骤,因此该可读存储介质包括上述任一实施例的问诊流程生成方法的全部有益效果。
具体实施例,图7示出了本发明的一个具体实施例的问诊流程图的示意图;图8示出了本发明的一个具体实施例的问诊流程图的配置示意图;图9示出了本发明的一个具体实施例的问诊流程的示意图。结合表1、图7至图9对本发明的一个具体实施例的问诊流程生成方法进行说明。
S1,针对医学专家端,设计了一套面向医学背景用户的配置工具,配置工具提供了画布和如表1所展示的图形化配置语言。使用配置工具提供的图形化配置语言,用户可以配置专病问诊逻辑(问诊流程图),具体地,将图像化配置语言拖入到画布界面,为每个图像化配置语言配置节点属性以及构建上下节点的流转关系,从而得到问诊流程图,包括问诊过程中针对不同患者个体数据的不同进行相应的逻辑和每个步骤的注意事项、诊疗建议等。如:将“判断”模块拖入路径画布,建立和上下文节点的关系,就可以使得问诊过程中根据该判断的结果执行不同的分支。其中,图形化配置语言的语言标记包括不同的图形,同时对不同类型的语言标记可附加不同颜色。
S2,针对医学专家通过图形化界面构建的专病问诊逻辑,将每个路径节点初始化为程序内部语言描述的ExpertPath节点,再根据其之间相互逻辑关系连接这些节点,形成一个完整的程序化描述的问诊路径。如医学专家路径描述中某诊断步骤中需要判断白细胞计数是否增加,给出的表达式为:【检验:尿沉渣显微镜检查-白细胞计数(>[5个/高倍视野,25个/ul])】,转化为该检验节点对应的ExpertPath类。
表1图形化配置语言
S3,根据S1步骤中的各步骤流程要素的上下位关系链接S2步骤中生成的ExpertPath节点,形成完整的问诊流程,即本专科的智能对话系统。如诊断过程中卧位尿蛋白检查和诊断结论直立性蛋白尿链接,当卧位蛋白尿检查为阴性,给出诊断结论直立性蛋白尿。
S4,面向基层医生进行智能问诊过程,导入或者输入患者的病历数据,开始问诊,此时生成一个流程控制类ExpertPathExecutor,控制S3中各ExpertPath节点之间的执行。如某步判断患者尿蛋白检查,ExpertPathExecutor读取检索患者病历数据,如果没有相关病历数据,则会给出暂停执行,给出补充该检验数据的问题,补充后继续执行;如果该检查为阴性,则执行左叶子节点的ExpertPath,如果为阴性则执行右叶子节点的ExpertPath。
S5,重复S4的过程,ExpertPathExecutor执行完S3所链接的完整该专病的问诊流程,最终给出结合导入数据和问诊过程中的补充数据,给出完整的患者病历和相关诊断、建议等。
图10示出了本发明的一个具体实施例的问诊流程生成方法的流程示意图。其中,该问诊流程生成方法包括:
步骤702,医学专家使用逻辑配置语言配置专病诊疗逻辑;
步骤704,解析专病诊疗配置,生成ExpertPath节点对象;
步骤706,根据专病诊疗逻辑上下文配连接ExpertPath节点对象形成智能问诊路径;
步骤708,问诊对话开始;
步骤710,导入患者病历数据,生成患者对象PatientEMR,传入执行器;
步骤712,生成ExpertPathExecutor执行问诊路径;
步骤714,问诊路径执行输出(待补充信息,问诊建议,诊断,提示等);
步骤716,补充患者病历数据到PatientEMR;
步骤718,重新调用ExpertPathExecutor执行问诊路径。
图11示出了本发明的另一个具体实施例的问诊流程生成方法的流程示意图。其中,该问诊流程生成方法包括:
步骤802,医学专家使用逻辑配置语言配置专病诊疗逻辑;
步骤804,生成专病问诊对象ExpertPath和问诊逻辑连接。如蛋白尿节点生成一个检查节点,连接上位节点蛋白尿,下位节点白细胞计数和随诊;
步骤806,根据专病诊疗逻辑上下文配连接ExpertPath节点对象形成智能问诊路径;
步骤808,读取患者病历数据,首诊症状:蛋白尿;
步骤810,使用病历数据生成患者对象PatientEMR,PatientEMR.main_symptoms=”蛋白尿”;
步骤812,调用路径执行器ExpertPathExecutor,传入PatientEMR;
步骤814,输出:鉴别蛋白尿(提示),
查尿白细胞计数:尿常规检验尿白细胞计数升高(提示),
尿常规-尿白细胞计数(待补充患者病历数据);
步骤816,补充尿常规-尿白细胞计数检测值7个/高倍视野;
步骤818,重新调用ExpertPathExecutor执行问诊路径;
步骤820,输出:尿常规-尿白细胞计数为"7.0个/高倍视野",符合条件">[5个/高倍视野,25个/ul]"(结论),
尿路感染(诊断),
鉴别:尿路感染尿路感染(建议)。
其中,在步骤812之后,若已调取到患者病历数据,则可以直接输出步骤820的结果数据。另外,在步骤816之后,可以将补充信息传入PatientEMR。
采用本实施例所述的方法,可以使得比较专业化,只能医学专家问诊的专科疾病以一种容易,可操作的方式让下级机构和下级医生得以执行,并按照规范化的方式开展该疾病的问诊,大大缩短了专病诊疗规范培训的周期,减少了培训的成本。此外,可以灵活地根据医学专家端的简单配置生成不同的专病诊疗系统,易于拓展。
在本说明书的描述中,术语“第一”、“第二”仅用于描述的目的,而不能理解为指示或暗示相对重要性,除非另有明确的规定和限定;术语“连接”、“安装”、“固定”等均应做广义理解,例如,“连接”可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是直接相连,也可以通过中间媒介间接相连。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
在本说明书的描述中,术语“一个实施例”、“一些实施例”、“具体实施例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或实例。而且,描述的具体特征、结构、材料或特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种问诊流程生成方法,其特征在于,包括:
根据图形化配置语言配置问诊流程图;
根据所述问诊流程图生成问诊对象和问诊逻辑关系;
根据所述问诊对象和所述问诊逻辑关系生成问诊流程。
2.根据权利要求1所述的问诊流程生成方法,其特征在于,根据图形化配置语言配置问诊流程图的步骤,具体包括:
根据自定义的问诊逻辑,将所述图形化配置语言对应的语言标记拖入到配置界面,并为每个所述图形化配置语言配置节点属性信息;
其中,所述节点属性信息包括以下任一项或其组合:标签信息,类型信息,表达式信息,详情信息。
3.根据权利要求2所述的问诊流程生成方法,其特征在于,
所述图形化配置语言包括以下任一项或其组合:提示信息,判断,诊断,诊断路径,诊疗建议,设置标记,逻辑连接关系。
4.根据权利要求1至3中任一项所述的问诊流程生成方法,其特征在于,所述根据所述问诊流程图生成问诊对象和问诊逻辑关系的步骤,具体包括:
解析所述问诊流程图,以确定每个节点对应的问诊对象和问诊逻辑关系;
其中,所述问诊对象包括所述节点名称和所述节点属性,所述问诊逻辑关系为所述每个节点的上下流转关系。
5.根据权利要求4所述的问诊流程生成方法,其特征在于,还包括:
获取患者的病历数据;
根据所述病历数据确定问诊主路径;
根据所述问诊主路径确定对应的问诊流程。
6.根据权利要求5所述的问诊流程生成方法,其特征在于,所述根据所述问诊主路径确定对应的问诊流程的步骤,具体包括:
根据所述问诊主路径生成问诊路径执行器,根据所述问诊路径执行器控制所述问诊流程对应的各问诊对象之间的执行。
7.根据权利要求6所述的问诊流程生成方法,其特征在于,所述获取患者的病历数据的步骤,具体包括:
从电子病案系统EMR中导入所述病历数据,或提示输入所述病历数据。
8.根据权利要求7所述的问诊流程生成方法,其特征在于,
所述配置界面为画布界面。
9.一种问诊流程生成系统,其特征在于,包括:
存储器,所述存储器存储有程序;
处理器,所述处理器执行所述程序时实现如权利要求1至8中任一项所述的问诊流程生成方法。
10.一种可读存储介质,其上存储有程序,其特征在于,所述程序被处理器执行时实现如权利要求1至8中任一项所述的问诊流程生成方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011637408.1A CN112700888A (zh) | 2020-12-31 | 2020-12-31 | 问诊流程生成方法、系统和可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011637408.1A CN112700888A (zh) | 2020-12-31 | 2020-12-31 | 问诊流程生成方法、系统和可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112700888A true CN112700888A (zh) | 2021-04-23 |
Family
ID=75513810
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011637408.1A Pending CN112700888A (zh) | 2020-12-31 | 2020-12-31 | 问诊流程生成方法、系统和可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112700888A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113221570A (zh) * | 2021-05-31 | 2021-08-06 | 康键信息技术(深圳)有限公司 | 基于线上问诊信息的处理方法、装置、设备及存储介质 |
CN115034651A (zh) * | 2022-06-27 | 2022-09-09 | 上海深至信息科技有限公司 | 一种自定义流程的超声检查方法 |
-
2020
- 2020-12-31 CN CN202011637408.1A patent/CN112700888A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113221570A (zh) * | 2021-05-31 | 2021-08-06 | 康键信息技术(深圳)有限公司 | 基于线上问诊信息的处理方法、装置、设备及存储介质 |
CN115034651A (zh) * | 2022-06-27 | 2022-09-09 | 上海深至信息科技有限公司 | 一种自定义流程的超声检查方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111370127B (zh) | 一种基于知识图谱的跨科室慢性肾病早期诊断决策支持系统 | |
Black et al. | A dynamic theory of expertise and occupational boundaries in new technology implementation: Building on Barley's study of CT scanning | |
US10854335B2 (en) | Computer aided medical method and medical system for medical prediction | |
Ceusters et al. | Ontology and medical terminology: Why description logics are not enough | |
CN112700888A (zh) | 问诊流程生成方法、系统和可读存储介质 | |
US20090276246A1 (en) | Automated Interdisciplinary Plan of Care Generation System | |
KR20030086586A (ko) | 문제해결 및 튜터링을 위한 멀티 에이전트 협동 아키텍쳐 | |
Beale | Archetypes and the EHR | |
JP6297571B2 (ja) | 臨床決定の支援 | |
CN114864088B (zh) | 一种基于医疗健康的数字孪生建立方法、装置和存储介质 | |
Atzmueller et al. | Subgroup mining for interactive knowledge refinement | |
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 | |
US20090276240A1 (en) | Patient Problem Data Structure and Processing System | |
TWI697851B (zh) | 電子裝置與模型更新方法 | |
WO2022141925A1 (zh) | 一种智能医学服务系统、方法及存储介质 | |
Saba et al. | Nursing and computers: An anthology, 1987–1996 | |
Mohammed et al. | GraphQL patient case presentation using the problem oriented medical record schema | |
Sanchez et al. | An architecture for the semantic enhancement of clinical decision support systems | |
TWI823277B (zh) | 醫療系統、控制方法以及非暫態電腦可讀取儲存媒體 | |
JPH10177605A (ja) | 電子カルテシステム | |
Abidi et al. | Medical knowledge morphing via a semantic web framework | |
CN114283915A (zh) | 一种用于确定患者全病程照护方案的方法及装置 | |
Lucas | The representation of medical reasoning models in resolution-based theorem provers | |
da Silva et al. | Nursing interventions for people in palliative care, based on the Dignity Model | |
Mutschler | Computer assisted decision making |
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 |