CN112908443A - 医疗诊断结果的校验方法及装置、电子设备、存储介质 - Google Patents

医疗诊断结果的校验方法及装置、电子设备、存储介质 Download PDF

Info

Publication number
CN112908443A
CN112908443A CN202110272481.1A CN202110272481A CN112908443A CN 112908443 A CN112908443 A CN 112908443A CN 202110272481 A CN202110272481 A CN 202110272481A CN 112908443 A CN112908443 A CN 112908443A
Authority
CN
China
Prior art keywords
patient
result
medical
disease
medical image
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
Application number
CN202110272481.1A
Other languages
English (en)
Inventor
王小媞
詹明捷
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.)
Beijing Sensetime Technology Development Co Ltd
Original Assignee
Beijing Sensetime Technology Development 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 Beijing Sensetime Technology Development Co Ltd filed Critical Beijing Sensetime Technology Development Co Ltd
Priority to CN202110272481.1A priority Critical patent/CN112908443A/zh
Publication of CN112908443A publication Critical patent/CN112908443A/zh
Pending legal-status Critical Current

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
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/30—Authentication, i.e. establishing the identity or authorisation of security principals
    • G06F21/44—Program or device authentication
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/30—Semantic analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
    • 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
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/10—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to patients
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Public Health (AREA)
  • Epidemiology (AREA)
  • Computer Security & Cryptography (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Primary Health Care (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Chemical & Material Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Multimedia (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Medicinal Chemistry (AREA)
  • Software Systems (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Computational Linguistics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

本申请实施例公开了一种医疗诊断结果的校验方法，包括：获取对患者的医疗数据进行采集而得到的医疗图像；对所述患者的医疗图像进行文字识别，得到所述患者的就诊信息；其中，所述就诊信息至少包括以下诊断结果：所述患者所患的疾病和开具的药品；基于预设的语料库，对所述患者的诊断结果进行校验，得到校验结果；其中，所述语料库中至少存储有以下之一：疾病与病症之间的匹配关系、疾病与药品之间的匹配关系、病症与药品之间的匹配关系。本申请实施例还同时提供了一种医疗诊断结果的校验装置、电子设备及存储介质。

Description

医疗诊断结果的校验方法及装置、电子设备、存储介质
技术领域
本申请涉及电子设备技术领域，涉及但不限定于医疗诊断结果的校验方法及装置、电子设备、存储介质。
背景技术
在患者就医过程中，部分医护人员或者具有智能问诊功能的智能机器会因经验不足而在药品选择、搭配上有所顾虑。比如，在药品选择时，可能会倾向于高价药品或是优选部分合作商的药品，这往往会造成患者对就医过程的不满，引发不必要的争端。此外，“医患”之间的纠纷日益增多，有些是因为看诊时误诊断导致的。同时，对于“冷门”病症，难以在初期给出最佳诊断及救治措施。
发明内容
本申请实施例提供一种医疗诊断结果的校验方法及装置、电子设备、存储介质。
本申请实施例的技术方案是这样实现的：
第一方面，本申请实施例提供一种医疗诊断结果的校验方法，包括：
获取对患者的医疗数据进行采集而得到的医疗图像；
对所述患者的医疗图像进行文字识别，得到所述患者的就诊信息；其中，所述就诊信息至少包括以下诊断结果：所述患者所患的疾病和开具的药品；
基于预设的语料库，对所述患者的诊断结果进行校验，得到校验结果；其中，所述语料库中至少存储有以下之一：疾病与病症之间的匹配关系、疾病与药品之间的匹配关系、病症与药品之间的匹配关系。
在一些可能的实施方式中，所述医疗图像为对所述医疗数据进行拍摄或扫描得到的；所述医疗数据包括病例、化验单、医疗票据、诊断证明和医学影像中的至少一项。
这样，对患者就医过程中产生的各种医疗数据进行拍摄或扫描，得到医疗图像，以便进一步对运用光学字符识别(Optical Character Recognition，OCR)识别技术对医疗图像进行识别，从而提取出患者的就诊信息。
在一些可能的实施方式中，所述对所述患者的医疗图像进行文字识别，得到所述患者的就诊信息，包括：对所述患者的医疗图像进行目标检测，得到所述医疗图像的目标框和所述目标框上的至少三个定位点；根据所述目标框的至少三个定位点，对所述目标框进行校正；对校正后的目标框进行抠图，得到区域医疗图像；对所述区域医疗图像进行文字检测和识别，得到所述患者的就诊信息。
这样，通过目标检测实现对医疗图像中的医疗数据所在区域进行校正并抠取，能够过滤掉拍摄或扫描医疗数据时产生的边缘部分，仅对有效的区域医疗图像进行文字检测和识别，从而提高识别效率。
在一些可能的实施方式中，所述对所述区域医疗图像进行文字检测和识别，得到所述患者的就诊信息，包括：对所述区域医疗图像进行文字检测，得到文字检测框；对所述文字检测框进行文字识别，得到文字识别结果；对所述文字识别结果进行语义分析，确定所述患者的就诊信息。
这样，先对区域医疗图像进行文字检测，再基于文字检测结果进行文字识别，能够快速识别出医疗图像中的文字信息；同时通过语义分析对不同文字检测框中的文字识别结果进行校验和关联，以更加准确地确定出患者的就诊信息。
在一些可能的实施方式中，所述对所述文字识别结果进行语义分析，确定所述患者的就诊信息，包括：在所述文字检测框为多个的情况下，对所述文字识别结果进行语义分析，得到多个文字检测框之间的关联关系；基于所述多个文字检测框之间的关联关系和所述文字识别结果，确定所述患者的就诊信息。
这样，通过语义分析关联不同文字检测框得到的文字识别结果，使得患者的就诊信息更加准确，减少因为医疗数据中存在手写或是不清晰的机打文字而导致误识别的问题。
在一些可能的实施方式中，所述就诊信息包括所述患者的身份信息，所述方法还包括：根据所述患者的身份信息，确定是否已建立所述患者的病例档案；其中，所述病例档案以结构化文档的形式存储；在已建立所述患者的病例档案的情况下，将所述患者的就诊信息以所述结构化文档的形式增加到所述病例档案中。
这样，基于对医疗图像进行识别得到的身份信息判定所述患者的病例档案是否已经建立，避免重复建档；同时在已建立病例档案的情况下，基于就诊信息更新病例档案，从而实现患者的就诊情况的统一，使得后续的问诊过程更加顺畅。
在一些可能的实施方式中，所述将所述患者的就诊信息以所述结构化文档的形式增加到所述病例档案中，包括：从所述患者的就诊信息中，提取出与预设关键词关联的文本内容；所述预设关键词包括病症、疾病、化验内容和药品中的至少一项；基于所述预设关键词和与所述预设关键词关联的文本内容，生成所述结构化文档；将所述结构化文档增加到所述病例档案中。
这样，通过从识别的就诊信息中提取与预设关键词关联的文本内容完成结构化数据输出，使得医疗数据指示的病症、疾病、化验内容、药品等作为一组完整的数据存入病例档案中，方便后续读取或进行资源的系统整合。
在一些可能的实施方式中，所述方法还包括：在未建立所述患者的病例档案的情况下，基于所述患者的身份信息，建立所述患者的病例档案。
这样，如果未建立该患者的病例档案，就基于识别的患者身份信息为该患者建立病例档案。该过程高效且准确地录入了患者信息，从而实现自动化病例建档，解决现有病例建档费时、费力及操作繁琐的问题。
在一些可能的实施方式中，在所述获取对患者的医疗数据进行采集而得到的医疗图像之前，所述方法还包括：获取所述患者的身份标识，并基于所述身份标识对所述患者的身份进行验证；在所述患者的身份通过验证的情况下，基于所述患者的身份标识，建立所述病例档案。
这样，在未产生该患者的医疗数据之前，可以基于患者的有效身份标识为该患者建立病例档案，从而利用身份识别和身份认证技术，联合完成智能化病例建档，解决现有病例建档费时、费力及操作繁琐的问题。
在一些可能的实施方式中，所述方法还包括：基于所述校验结果，对所述诊断结果对应的就诊过程进行评分；响应于所述评分大于特定阈值的情况下，推送所述诊断结果。
这样，通过语料库得到对该患者的诊断结果的校验结果，并进一步基于校验结果对就诊过程进行打分或评价，有利于医护人员或智能机器积累诊断经验并不断改进；同时将评分高即较准确的诊断结果及时推送给患者或相关人员，避免引发医患纠纷。
在一些可能的实施方式中，所述方法还包括：响应于所述评分小于或等于所述特定阈值的情况下，对所述诊断结果进行校正。
这样，在通过语料库对识别的诊断结果进行校验后，对不符合校验要求的诊断结果有进一步校正，有利于医护人员或智能机器积累诊断经验并不断改进。
在一些可能的实施方式中，所述方法还包括：获取对所述诊断结果的验证结果；推送所述诊断结果的验证结果。
这样，对校正后的诊断结果的验证结果进行推送，从而降低因误诊而导致的病情耽误或是减少因误诊而引发的医患纠纷。
在一些可能的实施方式中，所述医疗数据包括病例的情况下，所述诊断结果包括所述患者主诉的病症、所述患者所患的疾病和开具的药品；所述基于预设的语料库，对所述患者的诊断结果进行校验，得到校验结果，包括：基于所述语料库，校验所述患者主诉的病症与所述患者所患的疾病是否匹配，得到第一匹配结果；和/或，基于所述语料库，校验所述患者所患的疾病与开具的药品是否匹配，得到第二匹配结果；基于得到的所述第一匹配结果和所述第二匹配结果中的至少一项，确定所述校验结果。
这样，通过预设的语料库中建立的病症与疾病之间的匹配关系，以及疾病与药品之间的匹配关系，实现了为医护人员或智能机器的诊断结果进行智能化分析，以供后续核查和纠正。
在一些可能的实施方式中，所述医疗数据还包括医学影像的情况下，所述诊断结果还包括所述医学影像的检测结果；所述基于预设的语料库，对所述患者的诊断结果进行校验，得到校验结果，包括：获取所述患者主诉的病症；基于所述语料库，校验所述患者主诉的病症与所述医学影像的检测结果是否匹配，确定所述校验结果。
这样，通过预设的语料库进一步分析患者主诉的病症与所述医学影像的检测结果是否匹配，可以帮助医生准确诊断患者的病情并下发更有效的诊断处置。从而实现医生在诊断过程中有据可循，从根本上控制诊断过程的错误行为。
在一些可能的实施方式中，所述基于预设的语料库，校验所述患者所患的疾病与开具的药品是否匹配，得到第二匹配结果，包括：
基于所述语料库，确定所述患者所患的疾病与开具的药品是否匹配，得到所述第二匹配结果；或者，基于所述语料库，确定与所述患者所患的疾病对应的药品；通过对比所述疾病对应的药品和开具的药品，确定所述患者所患的疾病与开具的药品是否匹配，得到所述第二匹配结果。
这样，通过预设的语料库中建立的病症与疾病之间的匹配关系，以及疾病与药品之间的匹配关系，实现了为医护人员或智能机器的诊断结果进行智能化分析，以供后续核查和纠正。
在一些可能的实施方式中，所述方法还包括：将与所述患者所患的疾病对应的药品作为待推荐药品；按照特定维度的优先级，将所述待推荐药品进行顺序展示。
这样，通过预设的语料库为诊断经验不足的医护人员提供智能化药品推荐，可以确保诊断处置正确的同时缩短问诊过程，也可以减少医患纠纷的发生。
在一些可能的实施方式中，所述按照特定维度的优先级，将所述待推荐药品进行顺序展示，包括：确定所述患者的过敏源和所述疾病对应的药品的推荐参数；其中，所述推荐参数表征药品的库存量和/或性价比；基于所述过敏源从所述待推荐药品中筛选出初筛药品；基于所述推荐参数对所述初筛药品进行二次筛选，得到目标推荐药品；按照特定维度的优先级，将所述目标推荐药品进行顺序展示。
这样，基于患者过敏源、药品推荐参数等维度的考虑，经过两次筛选确定出目标推荐药品推送给医护人员，辅助医护人员为患者开具合适的药品，以减少医护人员选择药品时所耗费的时间。
第二方面，本申请实施例提供一种医疗诊断结果的校验装置，包括第一获取模块、识别模块和校验模块，其中：
所述第一获取模块，用于获取对患者的医疗数据进行采集而得到的医疗图像；
所述识别模块，用于对所述患者的医疗图像进行文字识别，得到所述患者的就诊信息；其中，所述就诊信息至少包括以下诊断结果：所述患者所患的疾病和开具的药品；
所述校验模块，用于基于预设的语料库，对所述患者的诊断结果进行校验，得到校验结果；其中，所述语料库中至少存储有以下之一：疾病与病症之间的匹配关系、疾病与药品之间的匹配关系、病症与药品之间的匹配关系。
第三方面，本申请实施例提供一种电子设备，包括存储器和处理器，所述存储器存储有可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述医疗诊断结果的校验方法中的步骤。
第四方面，本申请实施例提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述医疗诊断结果的校验方法中的步骤。
本申请实施例提供的技术方案带来的有益效果至少包括：
在本申请实施例中，首先，获取患者的医疗图像，然后对患者的医疗图像进行文字识别，得到该患者的就诊信息，最后，基于预设的语料库对患者的就诊信息中的该患者所患的疾病和/或为该患者开具的药品等诊断结果进行校验；如此，通过预先在语料库中完成各疾病与病症之间的匹配关系和/或各疾病与药品之间的匹配关系的语料训练，为初步的诊断结果进行智能化分析，可辅助医护人员调整诊断结果以及调整相应药品。这样能够有效减少由于医护人员的诊断经验有限导致判断疾病有误和/或开的药品有误或是不客观的情况，从而减少“医患”纠纷。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例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它的附图，其中：
图1为本申请实施例提供的一种医疗诊断结果的校验方法的流程示意图；
图2为本申请实施例提供的一种医疗诊断结果的校验方法的流程示意图；
图3A为本申请实施例提供的一种医疗诊断结果的校验方法的流程示意图；
图3B为本申请实施例提供的一种医疗诊断结果的校验方法的流程示意图；
图4A为本申请实施例提供的一种医疗诊断结果的校验方法的流程示意图；
图4B为本申请实施例提供的一种医疗诊断结果的校验方法的流程示意图；
图5A为本申请实施例提供的医疗诊断结果的校验方法的系统框图；
图5B为本申请实施例提供的医疗数据识别过程的流程示意图；
图6为本申请实施例提供的一种医疗诊断结果的校验装置的组成结构示意图；
图7为本申请实施例提供的一种电子设备的硬件实体示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本申请一部分实施例，而不是全部的实施例。以下实施例用于说明本申请，但不用来限制本申请的范围。根据本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
在以下的描述中，涉及到“一些实施例”，其描述了所有可能实施例的子集，但是可以理解，“一些实施例”可以是所有可能实施例的相同子集或不同子集，并且可以在不冲突的情况下相互结合。
需要指出，本申请实施例所涉及的术语“第一\第二\第三”仅仅是是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序，以使这里描述的本申请实施例能够以除了在这里图示或描述的以外的顺序实施。
本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)，具有与本申请实施例所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语，应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样被特定定义，否则不会用理想化或过于正式的含义来解释。
本申请实施例提供一种医疗诊断结果的校验方法，该方法可应用于终端中，也可应用于服务器中，还可以是运行于终端或服务器中的软体。终端可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表等，但并不局限于此。服务器可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN、以及大数据和人工智能平台等基础云计算服务的云服务器。
图1为本申请实施例提供的一种医疗诊断结果的校验方法的流程示意图，如图1所示，所述方法至少包括以下步骤：
步骤S110，获取对患者的医疗数据进行采集而得到的医疗图像；
这里，所述医疗数据可以包括但不限于病例、医护人员开具的化验单、医疗票据、诊断证明、医学影像、体检报告等，在实际实施中采用哪种医疗数据可以根据实际场景确定，本申请实施例对此不作限定。
需要说明的是，医疗图像是对以上至少一种医疗数据进行拍摄或扫描得到的。获取医疗图像的方式可以是在医疗数据库中查询已经上传的医疗图像，也可以是响应于医疗数据的更新而采集的医疗图像，本申请实施例对此不作限定。
步骤S120，对所述患者的医疗图像进行文字识别，得到所述患者的就诊信息；
这里，所述患者的就诊信息可以包括该患者的身份信息、就诊时间、门诊信息，还可以包括以下诊断结果中的至少之一：所述患者所患的疾病和开具的药品。其中，诊断结果可以是医护人员诊断的，也可以是能够智能问诊的智能机器诊断的，也就是说，医护人员或智能机器初步诊断患者所患的疾病，并为该患者开具相应的药品。
可以理解的是，病例中至少包括患者的基本信息、主诉、现病史、既往史和个人史等，化验单中至少包括患者的基本信息、化验内容等，诊断证明中至少包括患者的基本信息、初步诊断、诊疗处置等。因此，通过对病例、化验单、医疗票据等进行识别，能够提取出患者的就诊信息。
在识别过程中，采用诸如OCR技术或者智能字符识别(Intelligent CharacterRecognition，ICR)或智能字词识别(Intelligent Word Recognition，IWR)的相关过程对医疗图像上的文字进行识别，能够使得识别过程更加准确高效。
步骤S130，基于预设的语料库，对所述患者的诊断结果进行校验，得到校验结果。
这里，所述语料库中至少存储有以下之一：疾病与病症之间的匹配关系、疾病与药品之间的匹配关系、病症与药品之间的匹配关系。
可以理解地，病症是指人类、动物、微生物等生命形式出现异常状态的外在表现特征，通常一种疾病会对应若干病症，例如急性肠胃炎常见的症状表现为恶心、呕吐、腹痛、腹泻、稀水样便，以及偶有发热。
相关法律对于药品的定义是用于预防、治疗、诊断人的疾病，有目的地调节人的生理机能并规定有适应症或者功能主治、用法和用量的物质。药品说明书的适应症或功能主治中会明确记名该药品适用的或者主治的疾病。因此，一方面一种疾病会对应若干药品，例如对于急性肠胃炎这一疾病，可以采样止泄类药品，改善胃肠功能药以及抗炎药联合用药。另一方面，如药品说明书记载的，一种药品会对应若干病症。
在一些可能的实施例中，所述语料库为医疗校验模型，该医疗校验模型可以通过以下方式训练得到：
一种实施方式中，获取第一训练样本集(收集大量诊断信息)，每一样本包括一种疾病与对应的病症。利用第一训练样本集对医疗校验模型进行语料训练，经训练后的医疗校验模型中记载了各疾病与病症之间的匹配关系，不同疾病匹配的病症可能存在交集或是完全不同。
另一种实施方式中，获取第二训练样本集(收集大量药品使用说明信息)，每一样本包括一种疾病与对应的药品，利用第二训练样本集对医疗校验模型进行语料训练，经训练后的医疗校验模型记载了各疾病与药品之间的匹配关系，不同疾病匹配的药品可能存在交集或是完全不同。
再一种实施方式中，获取第三训练样本集(收集大量药品使用说明信息并提取诊断信息中的病症关键词)，每一样本包括一种药品与对应的一组病症关键词，利用第三训练样本集对医疗校验模型进行语料训练，经训练后的医疗校验模型记载了各药品与病症关键词之间的匹配关系，不同药品匹配的药品可能存在交集或是完全不同。
需要说明的是，患者的诊断结果可以是基于医护人员的诊断过程中得到的，也可以是基于智能机器的智能问诊中得到的，本申请统一理解为初步的诊断结果，需要进行进一步校验。
利用语料库对患者的诊断结果进行校验，至少包括以下几个方面的校验：校验的该患者所患的疾病和患者的病症是否匹配、开具的药品和所诊断的该患者所患的疾病是否匹配，校验患者主诉的病症和一项影像的检测结果是否匹配。
在本申请实施例中，首先，获取患者的医疗图像，然后对患者的医疗图像进行文字识别，得到该患者的就诊信息，最后，基于预设的语料库对患者的就诊信息中的该患者所患的疾病和/或为该患者开具的药品等诊断结果进行校验；如此，通过预先在语料库中完成各疾病与病症之间的匹配关系和/或各疾病与药品之间的匹配关系的语料训练，为初步的诊断结果进行智能化分析，可辅助医护人员调整诊断结果以及调整相应药品。这样能够有效减少由于医护人员的诊断经验有限导致判断疾病有误和/或开的药品有误或是不客观的情况，从而减少“医患”纠纷。
图2为本申请实施例提供的一种医疗诊断结果的校验方法的流程示意图，如图2所示，所述方法至少包括以下步骤：
步骤S210，对所述患者的医疗图像进行目标检测，得到所述医疗图像的目标框和所述目标框上的至少三个定位点；
这里，由于医疗图像是对医疗数据进行拍摄或扫描得到的，不可避免地在医疗图像中除了医疗数据之外还存在多余的边框。因此，通过对医疗图像进行目标检测，以确定医疗图像中的医疗数据部分，所述目标框即所述医疗数据所在的区域图像。
可以理解的是，所述目标框为矩形边框的情况下，所述至少三个定位点可以为矩形边框的三个顶点；所述目标框为圆角边框的情况下，所述至少三个定位点可以为圆角边框的外接多边形的至少3个顶点；所述目标框为圆形边框的情况下，所述至少三个定位点可以为圆形边框的直径的两个端点和任一其他边界点。在实施中定位点的位置和个数可以根据实际情况确定，本申请实施例对此不作限定。
步骤S220，根据所述目标框的至少三个定位点，对所述目标框进行校正；
这里，在得到目标框后可以利用定位点对歪曲的医疗数据进行校正，例如对医疗票据(和/或病例)的4个顶点进行检测，并完成文档校正。
步骤S230，对校正后的目标框进行抠图，得到区域医疗图像；
这里，基于目标框的定位点在医疗图像上进行抠图得到区域医疗图像。
步骤S240，对所述区域医疗图像进行文字检测和识别，得到所述患者的就诊信息。
这里，对抠图得到的区域医疗图像先进行文字检测，确定出区域医疗图像中的文字区域，再对文字区域进行识别，以快速得到所述患者的就诊信息。
一种可能的实现方式是，对所述区域医疗图像进行文字检测，得到文字检测框；对所述文字检测框进行文字识别，得到文字识别结果；对所述文字识别结果进行语义分析，确定所述患者的就诊信息。通过上述过程，先对区域医疗图像进行文字检测，再基于文字检测结果进行文字识别，能够快速识别出医疗图像中的文字信息；同时通过语义分析对不同文字检测框中的文字识别结果进行校验和关联，以更加准确地确定出患者的就诊信息。
一种可能的实现方式是，在所述文字检测框为多个的情况下，对所述文字识别结果进行语义分析，得到多个文字检测框之间的关联关系；基于所述多个文字检测框之间的关联关系和所述文字识别结果，确定所述患者的就诊信息。通过语义分析关联不同文字检测框得到的文字识别结果，使得患者的就诊信息更加准确，减少因为医疗数据中存在手写或是不清晰的机打文字而导致误识别的问题。
在本申请实施例中，通过目标检测实现对医疗图像中的医疗数据所在区域进行校正并抠取，能够过滤掉拍摄或扫描医疗数据时产生的边缘部分，仅对有效的区域医疗图像进行文字检测和识别，从而提高识别效率。
在一些可能的实施例中，基于医疗数据识别的所述患者的就诊信息还包括所述患者的身份信息，可以基于患者的身份信息完成病例建档。图3A为本申请实施例提供的一种医疗诊断结果的校验方法的流程示意图，如图3A所示，所述方法至少包括以下步骤：
步骤S310a，获取对患者的医疗数据进行采集而得到的医疗图像；
步骤S320a，对所述患者的医疗图像进行文字识别，得到所述患者的身份信息；
这里，所述患者的身份信息可以为患者的姓名、性别、年龄/出生年月、社保卡号、就诊卡号等信息，对患者的病例、化验单、医疗票据、诊断证明中基础信息部分进行识别，可以得到患者的身份信息。
步骤S330a，根据所述患者的身份信息，确定是否已建立所述患者的病例档案；
这里，所述病例档案以结构化文档的形式存储；
步骤S340a，在已建立所述患者的病例档案的情况下，将所述患者的就诊信息以所述结构化文档的形式增加到所述病例档案中；
这里，所述已建立的所述患者的病例档案是基于该患者的历史就诊过程建立的。在存在该患者的病例档案的情况下，可以将本次产生的医疗数据作为该患者的病例档案中的异常就诊过程进行记录，也就是将识别本次医疗数据得到的就诊信息与患者绑定。
步骤S350a，在未建立所述患者的病例档案的情况下，基于所述患者的身份信息，建立所述患者的病例档案。
这里，如果未建立该患者的病例档案，就基于识别的患者身份信息为该患者建立病例档案，使得病例建档自动化且高效，节省人工成本，无需患者自主录入。
在本申请实施例中，基于对医疗图像进行识别得到的身份信息判定所述患者的病例档案是否已经建立，避免重复建档；在未建档的情况下基于识别的患者身份信息为该患者建立病例档案，该过程高效且准确地录入了患者信息，从而实现自动化病例建档，解决现有病例建档费时、费力及操作繁琐的问题。同时在已建立病例档案的情况下，基于就诊信息更新病例档案，从而实现患者的就诊情况的统一，使得后续的问诊过程更加顺畅。
在一些可能的实施例中，可以在产生该患者的医疗数据之前，预先进行其他识别过程，以在产生医疗数据之前完成病例建档。图3B为本申请实施例提供的一种医疗诊断结果的校验方法的流程示意图，如图3B所示，所述方法至少包括以下步骤：
步骤S310b，获取所述患者的身份标识，并基于所述身份标识对所述患者的身份进行验证；
这里，所述患者的身份标识可以为所述患者的社保卡、身份证等。
基于身份标识对患者的身份进行验证的方式可以为依据社保系统进行查询社保账号或依据居民身份系统对身份证号码进行验证等。基于身份标识对患者的身份进行验证的方式还可以是采集患者本人的人脸图像，并通过与身份证中人脸图像进行比对，以核实患者身份，防止可以防止冒用社保卡、顶名就医的情况，本申请实施例对此不作限定。
步骤S320b，在所述患者的身份通过验证的情况下，基于所述患者的身份标识，建立所述病例档案；
这里，可以通过识别所述患者的社保卡、身份证等获取所述患者的身份信息，比如，患者姓名、性别、出生年月日、居住地址、社保卡号等；然后基于患者的身份信息，建立该患者的病例档案。该病例档案中可以包括病例好、患者信息、诊断结果等。在一些实施方式中，所建的病例档案中还可以包括采集的患者本人的人脸图像。
步骤S330b，获取对患者的医疗数据进行采集而得到的医疗图像；
步骤S340b，对所述患者的医疗图像进行文字识别，得到所述患者的就诊信息；
上述步骤S330b至步骤S340b与上述步骤S110至步骤S120的过程类似，为避免赘述，本申请实施例在此不作重复描述。
步骤S350b，将所述患者的就诊信息以结构化文档的形式增加到所述病例档案中。
这里，在产生该患者的医疗数据之前，已在步骤S320b中已经基于患者的身份标识建立了该患者的病例档案，因此，可以直接将识别患者的医疗数据得到的就诊信息以结构化文档的形式增加到上述病例档案中。
所述结构化文档的形式表示将所识别的患者就诊信息，例如病症、疾病、化验内容、药品等方面信息以一个完整的单位存储。在实施中，可以将该结构化文档以就诊时间/门诊类型等多种信息标识后存储，方便后续利用这些标识中的一项或是多项从存储区域中读取。
在一些可能的实施方式中，从所述患者的就诊信息中，提取出与预设关键词关联的文本内容；其中，所述预设关键词包括病症、疾病、化验内容和药品中的至少一项；基于所述预设关键词和与所述预设关键词关联的文本内容，生成所述结构化文档；将所述结构化文档增加到所述病例档案中。这样，通过从识别的就诊信息中提取与预设关键词关联的文本内容完成结构化数据输出，使得医疗数据指示的病症、疾病、化验内容、药品等作为一组完整的数据存入病例档案中，方便后续读取或进行资源的系统整合。
在本申请实施例中，在未产生该患者的医疗数据之前，可以基于患者的有效身份标识为该患者建立病例档案，从而利用身份识别和身份认证技术，联合完成智能化病例建档，解决现有病例建档费时、费力及操作繁琐的问题。同时以结构化文档的形式将识别医疗数据得到的就诊信息新增至病例档案，使得患者就诊信息便于查询和使用，使医生在诊断中实现有据可循，从根本上控制诊断过程的错误行为，有效预防了医疗事故频发、医疗纠纷不断、医患关系紧张等不良事件的发生。
在一些可能的实施例中，所述医疗数据包括病例的情况下，所述诊断结果包括所述患者主诉的病症、所述医护人员诊断所述患者所患的疾病和所述医护人员为所述患者开具的药品。图4A为本申请实施例提供的一种医疗诊断结果的校验方法的流程示意图，如图4A所示，上述步骤S130“基于预设的语料库，对所述患者的诊断结果进行校验，得到校验结果”可以通过以下过程实现：
步骤S410a，基于所述语料库，校验所述患者主诉的病症与所述患者所患的疾病是否匹配，得到第一匹配结果；
这里，所述第一匹配结果为真，表示患者主诉的病症与医护人员诊断该患者所患的疾病匹配，或所述第一匹配结果为假，表示患者主诉的病症与医护人员诊断该患者所患的疾病不匹配。
将患者主诉的病症和医护人员诊断该患者所患的疾病作为输入，利用语料库中存储的至少一组疾病与病症之间的匹配关系，通过二分类处理即可得到患者主诉的病症与医护人员诊断的疾病匹配，或是患者主诉的病症与医护人员诊断的疾病不匹配的结果。
步骤S420a，基于所述语料库，校验所述患者所患的疾病与开具的药品是否匹配，得到第二匹配结果；
这里，所述第二匹配结果为真，表示医护人员诊断所述患者所患的疾病与医护人员为所述患者开具的药品匹配；所述第二匹配结果为假，表示医护人员诊断所述患者所患的疾病与医护人员为所述患者开具的药品不匹配。
一种可能的实现方式是，将医护人员为所述患者开具的药品和医护人员诊断该患者所患的疾病作为输入，利用医疗校验模型中存储的至少一组疾病与药品之间的匹配关系，通过二分类处理即可得到医护人员开具的药品与医护人员诊断的疾病匹配，或是医护人员开具的药品与医护人员诊断的疾病不匹配的结果。
另一种可能的实现方式是，基于所述语料库，确定与所述医护人员诊断所述患者所患的疾病对应的药品；通过对比所述疾病对应的药品和所述医护人员为所述患者开具的药品，确定所述患者所患的疾病与所述医护人员为所述患者开具的药品是否匹配，得到所述第二匹配结果。上述匹配的过程可以是基于医护人员开具的药品和模型输出的疾病对应的药品，先进行药品名称的比对，对于药品名称不匹配的情况，再基于药品的疗效进行二次比对，也可以是直接基于药品的疗效进行比对。
步骤S430a，基于得到的所述第一匹配结果和所述第二匹配结果中的至少一项，确定所述校验结果。
这里，在所述第一匹配结果和所述第二匹配结果同时为真的情况下，所述语料库输出诊断结果正常的校验结果，在所述第一匹配结果和所述第二匹配结果中至少一个为假的情况下，所述语料库输出诊断结果异常的校验结果。
在一些可能的实施例中，所述医疗数据还包括医学影像的情况下，所述诊断结果还包括所述医学影像的检测结果，还可以通过以下步骤进行校验：
步骤S440a，获取所述患者主诉的病症；
这里，所述患者主诉的病症可以通过对患者的病例进行识别得到。
步骤S450a，基于所述语料库，校验所述患者主诉的病症与所述医学影像的检测结果是否匹配，确定所述校验结果。
这里，可以将患者主诉的病症和医学影像的检测结果作为输入，利用语料库中存储的诊断数据库，通过二分类处理即可得到患者主诉的病症与医学影像的检测结果匹配，或是患者主诉的病症与医学影像的检测结果不匹配的结果。
在本申请实施例中，在识别得到患者的诊断结果后，利用语料库校验所述患者主诉的病症与所述医护人员诊断所述患者所患的疾病是否匹配、校验医护人员诊断所述患者所患的疾病与所述医护人员为所述患者开具的药品是否匹配，以及校验所述患者主诉的病症与所述医学影像的检测结果是否匹配，从而进一步确定校验结果。通过有效建立病症与疾病之间的匹配关系，以及疾病与药品之间的匹配关系，实现了为初步的诊断结果进行智能化分析，以供后续核查和纠正。
在一些可能的实施例中，在上述步骤S420a“基于所述语料库，校验所述患者所患的疾病与开具的药品是否匹配，得到第二匹配结果”中，还可以包括以下步骤：
步骤S4201，将与所述患者所患的疾病对应的药品作为待推荐药品；
这里，在所述语料中还可以构建药品数据库，实现将医护人员诊断所述患者所患的疾病输入到医疗数据模型中，输出患者所患的疾病对应的药品，从而可以作为待推荐药品辅助医护人员选择。
步骤S4203，按照特定维度的优先级，将所述待推荐药品进行顺序展示。
这里，所述特定维度可以包括患者的过敏源、药品的库存量、医护人员使用占比、药品的性价比/好评率等，本申请实施例对此不作限定。
可以理解的是，性价比是商品的性能值与价格值比，是反映物品的可买程度的一种量化的计量方式。性价比全称是性能价格比，是一个性能与价格之间的比例关系，具体公式：性价比＝性能/价格。另外，通常不会在同一性能基础上比较或比较的机会较少。性价比应该建立在用户对产品性能要求的基础上，也就是说，针对不同用户存在不一样的性能要求，性价比也会相应调整。应注意，由于性价比是一个比例关系，它存在其适用范围和特殊性，不能一概而论。
一种可能的实现方式是，确定所述患者的过敏源和所述疾病对应的药品的推荐参数；其中，所述推荐参数表征药品的库存量和/或性价比；基于所述过敏源从所述待推荐药品中筛选出初筛药品；基于所述推荐参数对所述初筛药品进行二次筛选，得到目标推荐药品；按照特定维度的优先级，将所述目标推荐药品进行顺序展示。这样，经过两次筛选确定出目标推荐药品推送给医护人员，辅助医护人员为患者开具合适的药品，以减少医护人员选择药品时所耗费的时间，
本申请实施例在语料库中构建药品数据库，为诊断经验不足的医护人员提供智能化药品推荐，可基于患者病症、疾病、过敏源等进行药品推荐，辅助医护人员选择。通过智能化药品推荐，可以确保诊断处置正确的同时缩短问诊过程，也可以减少医患纠纷的发生。
图4B为本申请实施例提供的一种医疗诊断结果的校验方法的流程示意图，如图4B所示，在上述步骤S130“基于预设的语料库，对所述患者的诊断结果进行校验，得到校验结果”之后，所述方法还包括以下步骤：
步骤S140，基于所述校验结果，对所述诊断结果对应的就诊过程进行评分；
这里，基于语料库对识别的诊断结果的校验结果，反向对初步的诊断过程进行打分或评价。
步骤S150，响应于所述评分小于或等于所述特定阈值的情况下，对所述诊断结果进行校正；
这里，所述特定阈值可以为根据经验设置的，也可以在训练医疗诊断模型的过程中确定。当然，该特定阈值可以不是固定不变的，例如在实施中根据实际情况如医护人员诊断经验的积累而逐渐增大，本申请实施例对此不作限定。
可以理解的是，对诊断结果的评分小于或等于特定阈值，表明该患者的就诊过程存在误诊断或非较佳诊断的情况，也就是后台系统或用户对该诊断结果存在异议，需要进行核查和校正。
在一些实施方式中，可以将诊断结果推送至智能校验平台进行校验，该智能校验平台中存储有大量常规疾病的样本诊断过程及样本诊断结果，响应于同一疾病的诊断过程，将评分小于或等于特定阈值的初步诊断结果校正为与相应样本诊断结果一致。
在一些实施方式中，可以将诊断结果推送至专家人员或不同于第一次诊断医生的其他医生进行人工校正。所述专家人员的资历参数优于第一次诊断的医护人员；所述资历参数至少包括以下之一：执业年限、工作年限、职务级别。这样，在通过语料库对识别的诊断结果进行校验后，将高度异常的诊断结果推送至人工筛选侧，通过专家人员进行二次验证，从而降低因误诊而导致的病情耽误或是减少因误诊而引发的医患纠纷。
步骤S160，获取对所述诊断结果的验证结果；
这里，所述验证结果为校正后的诊断结果。
步骤S170，推送所述诊断结果的验证结果。
这里，将验证结果传达至患者或相关人员，从而避免引发医患纠纷。
在本申请实施例中，通过语料库得到对该患者的诊断结果的校验结果，并进一步基于校验结果对初步的诊断结果进行打分或评价，有利于医护人员或具有智能问诊功能的智能机器积累诊断经验并不断改进；同时将高度异常的诊断结果推送至人工筛选侧，通过专家人员进行二次验证，从而降低因误诊而导致的病情耽误或是减少因误诊而引发的医患纠纷。
下面结合一个具体实施例对上述医疗诊断结果的校验方法进行说明，然而值得注意的是，该具体实施例仅是为了更好地说明本申请，并不构成对本申请的不当限定。
目前患者就医通常需要通过医院窗口完成病例建档，部分医院支持线上建档，但也需要患者在就医前逐步输入诸如姓名、性别、出生年月日、社保卡号等基础信息，以完成病例建档。
很明显如上采用的实现方式过于复杂、繁琐。对于窗口建档而言，通常医院只提供少量窗口用于建档，患者在就医前往往需要排队很久才可以完成建档操作。同时针对不善于使用手机的中老年人，注册、建档过程需要录入的信息较多，线上建档费时费力，且容易出错。
在患者就医过程中，诊断经验不足的医护人员往往在药品选择、搭配上有所顾虑。部分医护人员在药品选择时，可能会倾向于高价药品或是优选部分合作商的药品，这往往会造成患者对就医过程的不满，引发不必要的争端。
此外，“医患”之间的纠纷日益增多，有些是因为看诊时误诊断导致的，毕竟医护人员的诊断经验有限。同时，对于“冷门”病症，往往难以在初期给出最佳诊断及救治措施。
图5A为本申请实施例提供的医疗诊断结果的校验方法的系统框图，如图5A所示，该医疗诊断结果的校验方法包括病例建档模块51、医疗数据识别模块52、诊断结果校验模块53、校验结果完善模块54，其中：病例建档模块51实现自动化病例建档，高效且准确的录入患者信息；医疗数据识别模块52用于利用OCR技术对扫描或是拍摄的医疗数据进行识别并自动归档，节省人力物力；诊断结果校验模块53基于预训练的语料库对诊断结果进行校验；校验结果完善模块54基于诊断结果的校验，对有异议的校验结果进行校正后输出。
病例建档模块51通过医疗数据的识别，实现自动化病例建档，高效且准确的录入患者信息，利用OCR技术和身份认证技术，联合完成智能化病例建档。
一种可能的实现方式是，通过OCR技术对社保卡、身份证进行识别，得到患者信息，比如患者姓名、性别、出生年月日、居住地址、社保卡号等；采集患者本人的人脸图像，并通过与身份证中人脸图像进行比对，以核实患者身份；通过采集到的上述信息完成病例建档，档案中需包括病例号、患者信息，还可以包括刚刚采集的患者本人的人脸图像(这样可以防止冒用社保卡、顶名就医的情况)。这样，在医疗数据识别前预先进行身份识别和认证，以在产生医疗数据之前完成智能化病例建档，解决线上建档操作繁琐以及窗口人工建档费时费力的问题。
另一种可能的实现方式是，在已产生医疗数据的情况下，通过OCR技术对医疗数据进行识别，以从医疗数据中提取患者信息，并基于患者信息完成病例建档操作，同时，还可以将本次产生的医疗数据与患者进行绑定，即作为病例档案中的一次就诊过程进行记录。其中，医疗数据可以包括但不限于病例、医护人员开具的化验单、诊断证明、体检报告等。这样，通过对医疗数据进行识别，完成智能化病例建档，避免手动录入造成误差。
值得注意的是，对于上述后一种实现方式而言，需先进行医疗数据识别，才可完成病例建档；而对于上述前一种实现方式而言，可以在医疗数据识别前预先进行其他识别过程，以在产生医疗数据之前完成病例建档。在实际实施中，本申请实施例可以采用上述任一实现方式完成病例建档，也可以结合使用两种实现方式，即OCR和身份认证技术，联合完成智能化病例建档。
图5B为本申请实施例提供的医疗数据识别过程的流程示意图，如图5B所示，对于医疗数据识别模块52对医疗数据的识别过程，可以分为以下步骤：
对医疗图像进行文字检测；基于文件检测结果进行文字识别；基于文字识别结果进行文档结构化。
步骤S5201，对医疗图像进行文字检测；
对拍摄的医疗图像/经扫描得到的医疗图像进行目标检测，例如对医疗票据(和/或病例)的4个顶点进行检测，并完成文档校正，以将医疗图像中的目标(有效的图像区域)框选后抠图。这里抠图的同时可以对目标进行校正，以将打印串行或扭曲的文字校正。经校正后的区域图像可用于文字检测，检测出区域图像中的文本候选区域，该文本候选区域可是一个或是多个检测框。其中，医疗图像可以是对医疗票据、病例、医护人员开具的化验单、诊断证明、体检等医疗数据进行拍摄或扫描得到的。
步骤S5202，基于文件检测结果进行文字识别；
基于文字检测结果进行文字识别阶段可以通过以下过程实现：分别对框选出的各个文本候选区域进行文字识别，以得到每个文本候选区域的文字识别结果，在识别过程中为减少因为手写或是不清晰机打文字而导致误识别，还可以在得到文字识别结果后采用语义分析进行检验。其中，识别过程运用OCR技术能够更加准确高效。
步骤S5203，基于文字识别结果进行文档结构化。
基于文本候选区域的分布情况、文字识别结果以及语义分析结果，将多个文本候选区域作为一个整体进行划分，以划分出几个文本区域。每个文本区域可能包括一个或是多个预先识别到的文本候选区域，也即利用语义分析得到了多个经识别得到的文本候选区域之间的关联关系(比如，一段文字涉及转行，但语义连贯，那么即便分布在多个文本候选区域中，也会被划分到一个文本区域)。基于划分后的各个文本区域，完成结构化数据输出，即以每个文本区域为一个单位，将该单位中的所有文字信息作为一个完整的输出，从而得到医疗数据中指示的病症、疾病、化验内容、药品等。这样，对基于医疗数据识别的文字识别结果进行自动归档，可以节省人力物力。
上述识别到的结构化内容，可以直接存入病例档案，以就诊时间/门诊类型等多种信息标识后存储，方便后续利用这些标识中的一项或是多项从存储区域中读取。
在得到医疗图像的每一文本候选区域的文字识别结果后，进一步可以得到诊断结果，诊断结果校验模块53基于预训练的语料库对诊断结果进行校验。通过语料训练，有效建立病症与疾病之间的匹配关系，以及疾病与药品之间的匹配关系，为医护人员的诊断结果进行智能化分析，以基于异常诊断结果对医护人员的诊断过程进行打分，并对高度异常诊断结果进行反馈，供医院核查、纠正。上述基于预训练的语料库对诊断结果进行校验可以包括以下几个方面：
第一，患者的病症与医护人员判断的疾病是否匹配。
预先完成语料训练，经训练后的语料库中记载了各疾病与病症之间的匹配关系，不同疾病匹配的病症可能存在交集或是完全不同。具体可将步骤二中识别得到的病症与疾病作为输入，通过二分类，得到病症与疾病匹配，或是病症与疾病不匹配的结果。在进行二分类处理过程中，可基于是与否的置信度进行判断。
第二，患者的病症与检测结果呈现的内容是否匹配。
对于X光影像、心电图等影像信息，将影像信息的检测结果以及患者的病症作为输入，通过二分类，判别是否匹配，处理过程与上一环节介绍内容类似。
第三，医护人员诊断的疾病与开具的药品是否匹配。
一种可能的实现方式是，将诊断得到的疾病与药品作为输入，通过二分类输出是否匹配。另一种可能的实现方式是，将诊断得到的疾病作为输入，输出与之对应的药品，再将输出的药品与诊断结果中医护人员开出的药品进行比对，以判别是否匹配。比对过程具体可以涉及药品名称的比对，对于药品名称比对失败的情况，可以基于药品的疗效进行二次比对，当然上述过程也可以省略药品名称的比对而是直接从药品疗效进行比对。
在一些可能的实施例中，还可以输出的药品按照特定顺序进行推荐，例如基于患者过敏源筛选满足诊治需求的具备相同相似疗效的初筛药品，基于库存/性价比等对初筛药品进行二次筛选，得到最终推荐药品，并按好评率/医护人员使用占比等多维度进行排序(筛选前的药品也可以参与排序，排在最终推荐药品的下方或是在展示界面上设置入口，方便医护人员一键导出)。
校验结果完善模块54基于诊断结果的校验，对有异议的校验结果进行校正后输出。校验结果可用于对医护人员进行打分、评价，也可用于后台反馈。对于有异议的诊断结果，可推送至人工筛选侧，通过有资历的医护人员进行判断，以对确实有异议的诊断结果进行改善，并及时反馈给病患。
当然在允许的情况下，也可以在医护人员下达诊断结果之前进行上述校验操作：对于校验结果无误的情况再将诊断结果传达至患者，而对于诊断结果有异议的情况可上报至合议组/有资历的医护人员进行二次诊断，从而降低因误诊而导致的病情耽误或是减少因误诊而引发的医患纠纷。
本申请实施例提供的病例建档自动化且高效，节省人工成本，无需患者自主录入；本申请实施例运用OCR技术实现医疗数据识别并自动归档，节省人力物力，使得识别过程更加准确高效；同时对医护人员预下达的诊断结果进行校验，并进行二次校正，减少误诊情况的发生，尤其适用于诊断经验不足的医护人员以及“冷门”病症的诊断过程；最后还提供了智能化药品推荐，可以减少医护人员选择药品时所耗费的时间，也可以减少医患纠纷的发生。
本申请实施例可以应用于但不局限于医院就诊、病例建档、智能化药品推荐和医护人员诊断结果评判等使用场景。任何通过OCR技术实现医疗数据的文字检测、文字识别以及文档结构化以及依据上述识别结果对医护人员诊断结果进行打分和依据上述识别结果实现药品推荐，辅助医护人员看诊的场景均属于本申请的保护范围。
基于前述的实施例，本申请实施例再提供一种医疗诊断结果的校验装置，所述装置包括所包括的各模块、以及各模块所包括的各单元，可以通过电子设备中的处理器来实现；当然也可通过具体的逻辑电路实现；在实施的过程中，处理器可以为中央处理器(Central Processing Unit，CPU)、微处理器(Micro Processing Unit，MPU)、数字信号处理器(Digital Signal Processor，DSP)或现场可编程门阵列(Field Programmable GateArray，FPGA)等。
图6为本申请实施例提供的一种医疗诊断结果的校验装置的组成结构示意图，如图6所示，所述装置600包括第一获取模块610、识别模块620和校验模块630，其中：所述第一获取模块610，用于获取对患者的医疗数据进行采集而得到的医疗图像；
所述识别模块620，用于对所述患者的医疗图像进行文字识别，得到所述患者的就诊信息；其中，所述就诊信息至少包括以下诊断结果：所述患者所患的疾病和开具的药品；
所述校验模块630，用于基于预设的语料库，对所述患者的诊断结果进行校验，得到校验结果；其中，所述语料库中至少存储有以下之一：疾病与病症之间的匹配关系、疾病与药品之间的匹配关系、病症与药品之间的匹配关系。
在一些可能的实施例中，所述医疗图像为对所述医疗数据进行拍摄或扫描得到的；所述医疗数据包括病例、化验单、医疗票据、诊断证明和医学影像中的至少一项。
在一些可能的实施例中，所述识别模块620包括目标检测子模块、校正子模块、裁剪子模块和文字识别子模块，其中：所述目标检测子模块，用于对所述患者的医疗图像进行目标检测，得到所述医疗图像的目标框和所述目标框上的至少三个定位点；所述校正子模块，用于根据所述目标框的至少三个定位点，对所述目标框进行校正；所述裁剪子模块，用于对校正后的目标框进行抠图，得到区域医疗图像；所述文字识别子模块，用于对所述区域医疗图像进行文字检测和识别，得到所述患者的就诊信息。
在一些可能的实施例中，所述文字识别子模块，包括文字检测单元、文字识别单元和语义分析单元，其中：所述文字检测单元，用于对所述区域医疗图像进行文字检测，得到文字检测框；所述文字识别单元，用于对所述文字检测框进行文字识别，得到文字识别结果；所述语义分析单元，用于对所述文字识别结果进行语义分析，确定所述患者的就诊信息。
在一些可能的实施例中，所述语义分析子单元，还用于在所述文字检测框为多个的情况下，对所述文字识别结果进行语义分析，得到多个文字检测框之间的关联关系；基于所述多个文字检测框之间的关联关系和所述文字识别结果，确定所述患者的就诊信息。
在一些可能的实施例中，所述就诊信息包括所述患者的身份信息，所述装置还包括档案确定模块和档案更新模块，其中：所述档案确定模块，用于根据所述患者的身份信息，确定是否已建立所述患者的病例档案；其中，所述病例档案以结构化文档的形式存储；所述档案更新模块，用于在已建立所述患者的病例档案的情况下，将所述患者的就诊信息以所述结构化文档的形式增加到所述病例档案中。
在一些可能的实施例中，所述档案更新模块包括提取子模块、生成子模块和更新子模块，其中：所述提取子模块，用于从所述患者的就诊信息中，提取出与预设关键词关联的文本内容；其中，所述预设关键词包括病症、疾病、化验内容和药品中的至少一项；所述生成子模块，用于基于每一所述预设关键词和与每一所述预设关键词关联的文本内容，生成所述结构化文档；所述更新子模块，用于将所述结构化文档增加到所述病例档案中。
在一些可能的实施例中，所述档案更新模块还用于在未建立所述患者的病例档案的情况下，基于所述患者的身份信息，建立所述患者的病例档案。
在一些可能的实施例中，在所述获取对患者的医疗数据进行采集而得到的医疗图像之前，所述装置600还包括第二获取模块和档案建立模块，其中：所述第二获取模块，用于获取所述患者的身份标识，并基于所述身份标识对所述患者的身份进行验证；所述档案建立模块，用于在所述患者的身份通过验证的情况下，基于所述患者的身份标识，建立所述病例档案。
在一些可能的实施例中，所述装置600还包括评分模块和第一推送模块，其中：所述评分模块，用于基于所述校验结果，对所述诊断结果对应的就诊过程进行评分；所述第一推送模块，用于响应于所述评分大于特定阈值的情况下，推送所述诊断结果。
在一些可能的实施例中，所述装置600还包括第二推送模块，用于响应于所述评分小于或等于所述特定阈值的情况下，对所述诊断结果进行校正。
在一些可能的实施例中，所述装置600还包括第三获取模块和第三推送模块，其中：所述第三获取模块，用于获取对所述诊断结果的验证结果；所述第三推送模块，用于推送所述诊断结果的验证结果。
在一些可能的实施例中，所述医疗数据包括病例的情况下，所述诊断结果包括所述患者主诉的病症、所述患者所患的疾病和开具的药品；所述校验模块630包括第一校验子模块和/或第二校验子模块，以及第一确定子模块，其中：所述第一校验子模块，用于基于所述语料库，校验所述患者主诉的病症与所述患者所患的疾病是否匹配，得到第一匹配结果；所述第二校验子模块，用于基于所述语料库，校验所述患者所患的疾病与开具的药品是否匹配，得到第二匹配结果；所述第二确定子模块，用于基于得到的所述第一匹配结果和所述第二匹配结果中的至少一项，确定所述校验结果。
在一些可能的实施例中，所述医疗数据还包括医学影像的情况下，所述诊断结果还包括所述医学影像的检测结果；所述校验模块630包括获取子模块、第三校验子模块，其中：所述获取子模块，用于获取所述患者主诉的病症；所述第三校验子模块，用于基于所述语料库，校验所述患者主诉的病症与所述医学影像的检测结果是否匹配，确定所述校验结果。
在一些可能的实施例中，所述第二校验子模块用于基于所述语料库，确定所述患者所患的疾病与开具的药品是否匹配，得到所述第二匹配结果；或者，用于基于所述语料库，确定与所述患者所患的疾病对应的药品；通过对比所述疾病对应的药品和开具的药品，确定所述患者所患的疾病与开具的药品是否匹配，得到所述第二匹配结果。
在一些可能的实施例中，所述第三校验子模块还包括确定单元和排序单元，其中：所述确定单元，用于将与所述患者所患的疾病对应的药品作为待推荐药品；所述排序展示单元，用于按照特定维度的优先级，将所述待推荐药品进行顺序展示。
在一些可能的实施例中，所述排序展示单元还用于确定所述患者的过敏源和所述疾病对应的药品的推荐参数；其中，所述推荐参数表征药品的库存量和/或性价比；基于所述过敏源从所述待推荐药品中筛选出初筛药品；基于所述推荐参数对所述初筛药品进行二次筛选，得到目标推荐药品；按照特定维度的优先级，将所述目标推荐药品进行顺序展示。
这里需要指出的是：以上装置实施例的描述，与上述方法实施例的描述是类似的，具有同方法实施例相似的有益效果。对于本申请装置实施例中未披露的技术细节，请参照本申请方法实施例的描述而理解。
需要说明的是，本申请实施例中，如果以软件功能模块的形式实现上述医疗诊断结果的校验方法，并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实施例的技术方案本质上或者说对相关技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得电子设备(可以是具有摄像头的智能手机、平板电脑等)执行本申请各个实施例所述方法的全部或部分。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ReadOnly Memory，ROM)、磁碟或者光盘等各种可以存储程序代码的介质。这样，本申请实施例不限制于任何特定的硬件和软件结合。
对应地，本申请实施例提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述实施例中任一所述医疗诊断结果的校验方法中的步骤。对应地，本申请实施例中，还提供了一种芯片，所述芯片包括可编程逻辑电路和/或程序指令，当所述芯片运行时，用于实现上述实施例中任一所述医疗诊断结果的校验方法中的步骤。对应地，本申请实施例中，还提供了一种计算机程序产品，当该计算机程序产品被电子设备的处理器执行时，其用于实现上述实施例中任一所述医疗诊断结果的校验方法中的步骤。
基于同一技术构思，本申请实施例提供一种电子设备，用于实施上述方法实施例记载的医疗诊断结果的校验方法。图7为本申请实施例提供的一种电子设备的硬件实体示意图，如图7所示，所述电子设备700包括存储器710和处理器720，所述存储器710存储有可在处理器720上运行的计算机程序，所述处理器720执行所述程序时实现本申请实施例任一所述医疗诊断结果的校验方法中的步骤。
存储器710配置为存储由处理器720可执行的指令和应用，还可以缓存待处理器720以及电子设备中各模块待处理或已经处理的数据(例如，图像数据、音频数据、语音通信数据和视频通信数据)，可以通过闪存(FLASH)或随机访问存储器(Random Access Memory，RAM)实现。
处理器720执行程序时实现上述任一项的医疗诊断结果的校验方法的步骤。处理器720通常控制电子设备700的总体操作。
上述处理器可以为特定用途集成电路(Application Specific IntegratedCircuit，ASIC)、数字信号处理器(Digital Signal Processor，DSP)、数字信号处理装置(Digital Signal Processing Device，DSPD)、可编程逻辑装置(Programmable LogicDevice，PLD)、现场可编程门阵列(Field Programmable Gate Array，FPGA)、中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器中的至少一种。可以理解地，实现上述处理器功能的电子器件还可以为其它，本申请实施例不作具体限定。
上述计算机存储介质/存储器可以是只读存储器(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)、电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory，EEPROM)、磁性随机存取存储器(Ferromagnetic Random Access Memory，FRAM)、快闪存储器(Flash Memory)、磁表面存储器、光盘、或只读光盘(Compact Disc Read-Only Memory，CD-ROM)等存储器；也可以是包括上述存储器之一或任意组合的各种电子设备，如移动电话、计算机、平板设备、个人数字助理等。
这里需要指出的是：以上存储介质和设备实施例的描述，与上述方法实施例的描述是类似的，具有同方法实施例相似的有益效果。对于本申请存储介质和设备实施例中未披露的技术细节，请参照本申请方法实施例的描述而理解。
应理解，说明书通篇中提到的“一个实施例”或“一实施例”意味着与实施例有关的特定特征、结构或特性包括在本申请的实施例中。因此，在整个说明书各处出现的“在一个实施例中”或“在一实施例中”未必一定指相同的实施例。此外，这些特定的特征、结构或特性可以任意适合的方式结合在一个或多个实施例中。应理解，在本申请的各种实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，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全部单元来实现本申请实施例方案的目的。
另外，在本申请各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，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单元的形式实现。或者，本申请上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实施例的技术方案本质上或者说对相关技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得设备自动测试线执行本申请各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、磁碟或者光盘等各种可以存储程序代码的介质。
本申请所提供的几个方法实施例中所揭露的方法，在不冲突的情况下可以任意组合，得到新的方法实施例。本申请所提供的几个方法或设备实施例中所揭露的特征，在不冲突的情况下可以任意组合，得到新的方法实施例或设备实施例。
以上所述，仅为本申请的实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。

Claims (20)

1.一种医疗诊断结果的校验方法，其特征在于，所述方法包括：
获取对患者的医疗数据进行采集而得到的医疗图像；
对所述患者的医疗图像进行文字识别，得到所述患者的就诊信息；其中，所述就诊信息至少包括以下诊断结果：所述患者所患的疾病和开具的药品；
基于预设的语料库，对所述患者的诊断结果进行校验，得到校验结果；其中，所述语料库中至少存储有以下之一：疾病与病症之间的匹配关系、疾病与药品之间的匹配关系、病症与药品之间的匹配关系。
2.如权利要求1所述的方法，其特征在于，所述医疗图像为对所述医疗数据进行拍摄或扫描得到的；
所述医疗数据包括病例、化验单、医疗票据、诊断证明、体检报告和医学影像中的至少一项。
3.如权利要求1或2所述的方法，其特征在于，所述对所述患者的医疗图像进行文字识别，得到所述患者的就诊信息，包括：
对所述患者的医疗图像进行目标检测，得到所述医疗图像的目标框和所述目标框上的至少三个定位点；
根据所述目标框的至少三个定位点，对所述目标框进行校正；
对校正后的目标框进行抠图，得到区域医疗图像；
对所述区域医疗图像进行文字检测和识别，得到所述患者的就诊信息。
4.如权利要求3所述的方法，其特征在于，所述对所述区域医疗图像进行文字检测和识别，得到所述患者的就诊信息，包括：
对所述区域医疗图像进行文字检测，得到文字检测框；
对所述文字检测框进行文字识别，得到文字识别结果；
对所述文字识别结果进行语义分析，确定所述患者的就诊信息。
5.如权利要求4所述的方法，其特征在于，所述对所述文字识别结果进行语义分析，确定所述患者的就诊信息，包括：
在所述文字检测框为多个的情况下，对所述文字识别结果进行语义分析，得到多个文字检测框之间的关联关系；
基于所述多个文字检测框之间的关联关系和所述文字识别结果，确定所述患者的就诊信息。
6.如权利要求1至5任一项所述的方法，其特征在于，所述就诊信息包括所述患者的身份信息，所述方法还包括：
根据所述患者的身份信息，确定是否已建立所述患者的病例档案；其中，所述病例档案以结构化文档的形式存储；
在已建立所述患者的病例档案的情况下，将所述患者的就诊信息以所述结构化文档的形式增加到所述病例档案中。
7.如权利要求6所述的方法，其特征在于，所述将所述患者的就诊信息以所述结构化文档的形式增加到所述病例档案中，包括：
从所述患者的就诊信息中，提取出与预设关键词关联的文本内容；其中，所述预设关键词包括病症、疾病、化验内容和药品中的至少一项；
基于每一所述预设关键词和与每一所述预设关键词关联的文本内容，生成所述结构化文档；
将所述结构化文档增加到所述病例档案中。
8.如权利要求6或7所述的方法，其特征在于，所述方法还包括：
在未建立所述患者的病例档案的情况下，基于所述患者的身份信息，建立所述患者的病例档案。
9.如权利要求6所述的方法，其特征在于，在所述获取对患者的医疗数据进行采集而得到的医疗图像之前，所述方法还包括：
获取所述患者的身份标识，并基于所述身份标识对所述患者的身份进行验证；
在所述患者的身份通过验证的情况下，基于所述患者的身份标识，建立所述病例档案。
10.如权利要求1至9任一项所述的方法，其特征在于，所述方法还包括：
基于所述校验结果，对所述诊断结果对应的就诊过程进行评分；
响应于所述评分大于特定阈值的情况下，推送所述诊断结果。
11.如权利要求10所述的方法，其特征在于，所述方法还包括：
响应于所述评分小于或等于所述特定阈值的情况下，对所述诊断结果进行校正。
12.如权利要求11所述的方法，其特征在于，所述方法还包括：
获取对所述诊断结果的校正结果；
推送所述诊断结果的校正结果。
13.如权利要求1至12任一项所述的方法，其特征在于，所述医疗数据包括病例的情况下，所述诊断结果包括所述患者主诉的病症、所述患者所患的疾病和开具的药品；
所述基于预设的语料库，对所述患者的诊断结果进行校验，得到校验结果，包括：
基于所述语料库，校验所述患者主诉的病症与所述患者所患的疾病是否匹配，得到第一匹配结果；和/或，基于所述语料库，校验所述患者所患的疾病与开具的药品是否匹配，得到第二匹配结果；
基于得到的所述第一匹配结果和所述第二匹配结果中的至少一项，确定所述校验结果。
14.如权利要求1至12所述的方法，其特征在于，所述医疗数据包括医学影像的情况下，所述诊断结果包括所述医学影像的检测结果；
所述基于预设的语料库，对所述患者的诊断结果进行校验，得到校验结果，包括：
获取所述患者主诉的病症；
基于所述语料库，校验所述患者主诉的病症与所述医学影像的检测结果是否匹配，确定所述校验结果。
15.如权利要求13或14所述的方法，其特征在于，所述基于预设的语料库，校验所述患者所患的疾病与开具的药品是否匹配，得到第二匹配结果，包括：
基于所述语料库，确定所述患者所患的疾病与开具的药品是否匹配，得到所述第二匹配结果；或者，
基于所述语料库，确定与所述患者所患的疾病对应的药品；通过对比所述疾病对应的药品和开具的药品，确定所述患者所患的疾病与开具的药品是否匹配，得到所述第二匹配结果。
16.如权利要求15所述的方法，其特征在于，所述方法还包括：
将与所述患者所患的疾病对应的药品作为待推荐药品；
按照特定维度的优先级，将所述待推荐药品进行顺序展示。
17.如权利要求16所述的方法，其特征在于，所述按照特定维度的优先级，将所述待推荐药品进行顺序展示，包括：
确定所述患者的过敏源和所述疾病对应的药品的推荐参数；其中，所述推荐参数表征药品的库存量和/或性价比；
基于所述过敏源从所述待推荐药品中筛选出初筛药品；
基于所述推荐参数对所述初筛药品进行二次筛选，得到目标推荐药品；
按照特定维度的优先级，将所述目标推荐药品进行顺序展示。
18.一种医疗诊断结果的校验装置，其特征在于，所述装置包括第一获取模块、识别模块和校验模块，其中：
所述第一获取模块，用于获取对患者的医疗数据进行采集而得到的医疗图像；
所述识别模块，用于对所述患者的医疗图像进行文字识别，得到所述患者的就诊信息；其中，所述就诊信息至少包括以下诊断结果：所述患者所患的疾病和开具的药品；
所述校验模块，用于基于预设的语料库，对所述患者的诊断结果进行校验，得到校验结果；其中，所述语料库中至少存储有以下之一：疾病与病症之间的匹配关系、疾病与药品之间的匹配关系、病症与药品之间的匹配关系。
19.一种电子设备，包括存储器和处理器，所述存储器存储有可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1至17任一项所述方法中的步骤。
20.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至17中任一项所述方法中的步骤。
CN202110272481.1A 2021-03-12 2021-03-12 医疗诊断结果的校验方法及装置、电子设备、存储介质 Pending CN112908443A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110272481.1A CN112908443A (zh) 2021-03-12 2021-03-12 医疗诊断结果的校验方法及装置、电子设备、存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110272481.1A CN112908443A (zh) 2021-03-12 2021-03-12 医疗诊断结果的校验方法及装置、电子设备、存储介质

Publications (1)

Publication Number Publication Date
CN112908443A true CN112908443A (zh) 2021-06-04

Family

ID=76106604

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110272481.1A Pending CN112908443A (zh) 2021-03-12 2021-03-12 医疗诊断结果的校验方法及装置、电子设备、存储介质

Country Status (1)

Country Link
CN (1) CN112908443A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113345544A (zh) * 2021-07-06 2021-09-03 北京京东拓先科技有限公司 一种病例评分方法、装置、设备及计算机可读存储介质
CN113628711A (zh) * 2021-08-06 2021-11-09 浙江海心智惠科技有限公司 一种用于生成患者医疗报告的方法
CN116525100A (zh) * 2023-04-26 2023-08-01 脉景（杭州）健康管理有限公司 一种基于标签系统的中医开方反向校验方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002269232A (ja) * 2001-03-12 2002-09-20 Kawatetsu Techno Res Corp 医療処置支援システム
US20180137250A1 (en) * 2016-11-15 2018-05-17 Hefei University Of Technology Mobile health intelligent medical guide system and method thereof
CN111710412A (zh) * 2020-05-29 2020-09-25 北京百度网讯科技有限公司 诊断结果的校验方法、装置及电子设备

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002269232A (ja) * 2001-03-12 2002-09-20 Kawatetsu Techno Res Corp 医療処置支援システム
US20180137250A1 (en) * 2016-11-15 2018-05-17 Hefei University Of Technology Mobile health intelligent medical guide system and method thereof
CN111710412A (zh) * 2020-05-29 2020-09-25 北京百度网讯科技有限公司 诊断结果的校验方法、装置及电子设备

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113345544A (zh) * 2021-07-06 2021-09-03 北京京东拓先科技有限公司 一种病例评分方法、装置、设备及计算机可读存储介质
CN113628711A (zh) * 2021-08-06 2021-11-09 浙江海心智惠科技有限公司 一种用于生成患者医疗报告的方法
CN116525100A (zh) * 2023-04-26 2023-08-01 脉景（杭州）健康管理有限公司 一种基于标签系统的中医开方反向校验方法及系统

Similar Documents

Publication Publication Date Title
Attia et al. Screening for cardiac contractile dysfunction using an artificial intelligence–enabled electrocardiogram
WO2021139146A1 (zh) 信息推荐方法、设备、计算机可读存储介质及装置
CN110880361B (zh) 一种个性化精准用药推荐方法及装置
CN112908443A (zh) 医疗诊断结果的校验方法及装置、电子设备、存储介质
US11259718B1 (en) Systems and methods for automated body mass index calculation to determine value
Janjua et al. Assessing hepatitis C burden and treatment effectiveness through the British Columbia Hepatitis Testers Cohort (BC-HTC): design and characteristics of linked and unlinked participants
US10748217B1 (en) Systems and methods for automated body mass index calculation
Tran et al. An integrated framework for suicide risk prediction
Greene et al. The spectrum of facial palsy: The MEEI facial palsy photo and video standard set
JP2004288047A (ja) 診療支援システム及び診療支援プログラム
US20230360143A1 (en) Using images and voice recordings to facilitate underwriting life insurance
Taylor et al. A validity review of the National Burn Repository
US11152120B2 (en) Identifying a treatment regimen based on patient characteristics
US20220005565A1 (en) System with retroactive discrepancy flagging and methods for use therewith
CN110752027B (zh) 电子病历数据推送方法、装置、计算机设备和存储介质
CN116665883A (zh) 一种预测神经退行性疾病风险的方法及其系统
CN117476217B (zh) 一种慢性心脏病病情发展趋势预测系统
WO2020087971A1 (zh) 基于预测模型预测住院合理性的方法及相关产品
Reddy et al. KEDOP: Keratoconus early detection of progression using tomography images
KR20230030992A (ko) 의료상담 콘텐츠에 기초한 의료상담자 추천 방법 및 시스템
Kim et al. Dry eye disease and allergic conditions: a Korean nationwide population-based study
Romero-Aroca et al. Validation of a deep learning algorithm for diabetic retinopathy
Barakat et al. A machine learning approach on chest X-rays for pediatric pneumonia detection
CN109522331B (zh) 以个人为中心的区域化多维度健康数据处理方法及介质
WO2023173538A1 (zh) 阿尔兹海默症评估方法、系统、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
RJ01 Rejection of invention patent application after publication

Application publication date: 20210604

RJ01 Rejection of invention patent application after publication