CN112927788B - 一种体检项目推荐方法、装置、设备及存储介质 - Google Patents
一种体检项目推荐方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN112927788B CN112927788B CN202110342767.2A CN202110342767A CN112927788B CN 112927788 B CN112927788 B CN 112927788B CN 202110342767 A CN202110342767 A CN 202110342767A CN 112927788 B CN112927788 B CN 112927788B
- Authority
- CN
- China
- Prior art keywords
- queue
- item
- result
- examination
- risk
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000007689 inspection Methods 0.000 claims abstract description 56
- 201000010099 disease Diseases 0.000 claims abstract description 51
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 51
- 238000002407 reforming Methods 0.000 claims abstract description 12
- 238000003745 diagnosis Methods 0.000 claims description 67
- 238000012937 correction Methods 0.000 claims description 59
- 230000015654 memory Effects 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 7
- 239000013598 vector Substances 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000013210 evaluation model Methods 0.000 claims description 3
- 230000036541 health Effects 0.000 abstract description 8
- 238000002559 palpation Methods 0.000 description 16
- 238000007792 addition Methods 0.000 description 12
- 230000007246 mechanism Effects 0.000 description 12
- 230000008569 process Effects 0.000 description 9
- 238000002604 ultrasonography Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 238000012549 training Methods 0.000 description 8
- 210000001685 thyroid gland Anatomy 0.000 description 7
- 238000011156 evaluation Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 4
- 210000000056 organ Anatomy 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 206010049976 Impatience Diseases 0.000 description 1
- 208000009453 Thyroid Nodule Diseases 0.000 description 1
- 208000024770 Thyroid neoplasm Diseases 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004159 blood analysis Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 210000005075 mammary gland Anatomy 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000033772 system development Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/20—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the management or administration of healthcare resources or facilities, e.g. managing hospital staff or surgery rooms
-
- G—PHYSICS
- 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
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- General Business, Economics & Management (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本文属于医疗技术领域，具体涉及一种体检项目推荐方法、装置、设备及存储介质，所述方法包括：通过第一检查项获得用户的第一检查结果，所述第一检查结果包括目标风险疾病和风险程度；根据所述用户除所述第一检查项以外的体检数据以及预设检查项推荐模型，得到针对所述目标风险疾病的推荐结果；根据所述第一检查结果和所述推荐结果，确定第二检查项的待增加队列；根据所述第二检查项的实时队列拥挤状态和所述待增加队列，确定所述第二检查项的重整队列，本文能够提高健康体检的准确率，从而提升用户体验。
Description
技术领域
本文属于医疗技术领域，具体涉及一种体检项目推荐方法、装置、设备及存储介质。
背景技术
随着生活水平的提高，健康检查越来越受到人们的重视。为应对全国范围内的体检业务量爆炸式增长，医院和体检机构(以下统称为机构)普遍引入了智能排队与分流系统以维持现场秩序，各种附加功能也充分考虑了用户体验。然而，目前的排队分流系统仅以提高运转效率、推进整体流程为主要目的，对个体体检结果的准确率未做任何考虑，比如体检中的漏检和误检对个人或机构而言均有很大不利影响，但现有的体检排程系统开发并没有考虑这一因素。
体检中不同项目对同一器官或部位的检查准确率是有差异的，比如超声和外科触诊都可以检查乳腺、甲状腺等部位，但是前者准确率高、价格高，后者与之相反。实际中做低价检查项的用户远多于高价检查项，而且用户选择好检查项目之后就不再调整，所以低价检查项目大概率会导致一部分用户得到不准确的检查结果，造成漏诊(报告健康实际患病)或误诊(报告患病实际健康)。因此如何提供更高的健康检查准确率，提升用户体验成为目前亟需解决的技术问题。
发明内容
针对现有技术的上述问题，本文的目的在于，提供一种体检项目推荐方法、装置、设备及存储介质，能够提高健康体检的准确率，从而提升用户体验。
为了解决上述技术问题，本文的具体技术方案如下：
一方面，本文提供一种体检项目推荐方法，所述方法包括：
通过第一检查项获得用户的第一检查结果，所述第一检查结果包括目标风险疾病和风险程度；
根据所述用户除所述第一检查项以外的体检数据以及预设检查项推荐模型，得到针对所述目标风险疾病的推荐结果；
根据所述第一检查结果和所述推荐结果，确定第二检查项的待增加队列；
根据所述第二检查项的实时队列拥挤状态和所述待增加队列，确定所述第二检查项的重整队列。
进一步地，所述预设检查项推荐模型包括：
输入层，用于接收所述体检数据，并提取所述体检数据中的特征向量；
计算层，用于将所述特征向量输入训练完成的评估模型结构，得到针对所述目标风险疾病的推荐结果；
输出层，用于输出所述推荐结果。
进一步地，所述根据所述第二检查项的实时队列拥挤状态和所述待增加队列，确定所述第二检查项的重整队列，包括：
获取所述第二检查项的实时队列拥挤状态，所述实时队列拥挤状态包括实时队列用户数；
根据所述实时队列拥挤状态和队列预设最大用户数，确定所述实时队列的用户容忍数值；
按照预设提取规则，从所述待增加队列中获取目标队列，所述目标队列用户数与所述用户容忍数值相同；
将所述目标队列加入到所述第二检查项的实时队列中，以确定所述第二检查项的重整队列。
进一步地，所述按照预设提取规则，从所述待增加队列中获取目标队列，包括：
确定目标实体，所述目标实体用于实现对用户的第一检查项；
确定通过所述目标实体进行第一检查项的大量历史用户；
获取所述历史用户的第一检查结果和第二检查结果，所述第二检查结果通过第二检查项获得；
通过所述第一检查结果和所述第二检查结果确定所述目标实体的漏诊率和误诊率；
根据所述漏诊率和所述误诊率，确定所述漏诊率和所述误诊率的比例关系；
根据所述比例关系和所述用户容忍数值，对所述待增加队列进行分配，以从所述待增加队列中获取目标队列。
作为可选地，所述根据所述实时队列拥挤状态和预设队列最大用户数，确定所述实时队列的用户容忍数值，包括：
根据所述实时队列拥挤状态和预设队列最大用户数，确定所述实时队列的初始用户容忍数值；
获取所述第一检查项的纠正比例，所述纠正比例通过第二检查项对第一检查项的纠正数和第二检查项的加项总数确定；
根据所述纠正比例和所述初始用户容忍数值，按照预设函数计算得到用户容忍数值。
作为可选地，所述风险程度包括第一风险程度和第二风险程度，其中所述第一风险程度的患病风险小于所述第二风险程度的患病风险；
所述根据所述用户除所述第一检查项以外的体检数据以及预设检查项推荐模型，得到针对所述目标风险疾病的推荐结果，之后还包括：
判断所述推荐结果是否超过第一门限值；
若所述推荐结果没有超过第一门限值，则将所述推荐结果标记为低推荐；
继续判断所述推荐结果是否超过第二门限值，所述第二门限值大于所述第一门限值；
若所述推荐结果超过所述第二门限值，则将所述推荐结果标记为高推荐。
进一步地，所述根据所述第一检查结果和所述推荐结果，确定第二检查项的待增加队列，包括：
根据所述第一检查结果和所述推荐结果，确定漏诊风险用户和误诊风险用户，其中，所述漏诊风险用户为所述第一检查结果为第一风险程度以及所述推荐结果为高推荐的用户，所述误诊风险用户为所述第一检查结果为第二风险程度以及所述推荐结果为低推荐的用户；
根据所述漏诊风险用户和所述漏诊风险用户对应的推荐结果，生成漏诊风险队列，所述漏诊风险队列按照所述推荐结果的从高到低排列；
根据所述误诊风险用户和所述误诊风险用户对应的推荐结果，生成误诊风险队列，所述误诊风险队列按照推荐结果的从低到高排列；
根据所述漏诊风险队列和所述误诊风险队列，确定第二检查项的待增加队列。
作为可选地，所述根据所述第二检查项的实时队列拥挤状态和所述待增加队列，确定所述第二检查项的重整队列，之后包括：
获取所述第一检查项的漏诊纠正比例和误诊纠正比例，所述漏诊纠正比例通过第二检查项对第一检查项的漏诊纠正数和第二检查项的漏诊加项数确定，所述误诊纠正比例通过第二检查项对第一检查项的误诊纠正数和第二检查项的误诊加项数确定；
当所述漏诊纠正比例超过第一预设阈值时，调整所述第二门限值；
当所述误诊纠正比例超过第二预设阈值时，调整所述第一门限值。
另一方面，本文还提供一种体检项目推荐装置，所述装置包括：
第一检查结果获取模块，用于通过第一检查项获得用户的第一检查结果，所述第一检查结果包括目标风险疾病和风险程度；
推荐结果获取模块，用于根据所述用户除所述第一检查项以外的体检数据以及预设检查项推荐模型，得到针对所述目标风险疾病的推荐结果；
待增加队列确定模块，用于根据所述第一检查结果和所述推荐结果，确定第二检查项的待增加队列；
重整队列确定模块，用于根据所述第二检查项的实时队列拥挤状态和所述待增加队列，确定所述第二检查项的重整队列。
另一方面，本文还提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述所述的方法步骤。
最后，本文还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上述所述的方法步骤。
采用上述技术方案，本文所述一种体检项目推荐方法、装置、设备及存储介质，通过预设检查项推荐模型对用户体检数据的评估与低级别的第一检查项检查结果进行比较，从而得到比较差别大的待增加队列，所述待增加队列可以用来通过高级别的第二检查项进行进一步的检查和确定，然后通过第二检查项的实时队列的拥挤状态对所述待增加队列进一步的筛选，从而既保证了当前队列的正常运行，还能提高对第一检查项检查结果的进一步验证，实现了准确和高效的检验策略。
为让本文的上述和其他目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附图式，作详细说明如下。
附图说明
为了更清楚地说明本文实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本文的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1示出了本文实施例提供的体检项目推荐方法实施环境示意图；
图2示出了本文实施例提供的体检项目推荐方法步骤示意图；
图3示出了本文实施例中待增加队列生成步骤示意图；
图4示出了本文实施例中第二检查项重整队列确定步骤示意图；
图5示出了本文实施例中目标队列确定步骤示意图；
图6示出了本文实施例中用户容忍数值调整步骤示意图；
图7示出了本文实施例提供的体检项目推荐装置结构示意图；
图8示出了本文实施例提供的计算机设备的结构示意图。
附图符号说明：
10、第一实体；
20、第二实体；
30、控制单元；
40、第三实体；
100、第一检查结果获取模块；
200、推荐结果获取模块；
300、待增加队列确定模块；
400、重整队列确定模块；
802、计算机设备；
804、处理器；
806、存储器；
808、驱动机构；
810、输入/输出模块；
812、输入设备；
814、输出设备；
816、呈现设备；
818、图形用户接口；
820、网络接口；
822、通信链路；
824、通信总线。
具体实施方式
下面将结合本文实施例中的附图，对本文实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本文一部分实施例，而不是全部的实施例。基于本文中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本文保护的范围。
需要说明的是，本文的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本文的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、装置、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
现有技术中，体检机构中不同的体检项目对同一器官或部位的检查准确率都有差异，一般情况下，检查准确率低的价格也会较低，检查准确率高的价格也会较高，用户出于成本考虑，实际中做低价检查项的用户远多于高价检查项，而且用户选择好检查项目之后就不再调整，所以低价检查项目大概率会导致一部分用户得到不准确的检查结果，因此会出现造成漏诊(报告健康实际患病)或误诊(报告患病实际健康)的可能，这样对用户健康的真实情况就很难有准确的反馈。
为了解决上述问题，本说明书实施例提供一种体检项目推荐方法，如图1所示，为所述方法的实施环境示意图，其中通过第一实体10完成用户第一检查项的检查，第一实体10可以为单个低级检查科室或医师，第一检查项可以为低级别检查，检查结果的准确率较低，因此通过第二实体20中提前训练完成的预设检查项推荐模型对用户的体检数据进行疾病评估，从而得到相应的推荐结果，第二实体20可以为推荐模型的实施单元，所述体检数据可以为常规的体检数据，通过控制单元30对第一检查项的检查结果和所述预设检查项推荐模型的推荐结果进行比较，得到其中检查结果和推荐结果误差较大的用户队列，比如误诊用户和漏诊用户，控制单元30再结合实施第二检查项的第三实体40的实时队列排队情况，第三实体40可以为高级检查科室，对上述得到的用户队列进行筛选，从而得到第二检查项推荐的队列，其中第二检查项的检查准确率高于所述第一检查项的检查准确率，通过对第一检查项检查结果误差较大的用户进行二次推荐，提高了用户健康检查的准确度，同时结合第二检查项的队列情况，能提高用户的检查体验。
具体地，本文实施例提供了体检项目推荐方法，能够提高用户体检的准确率，同时提高用户体检体验。图2是本文实施例提供的一种体检项目推荐方法的步骤示意图，本说明书提供了如实施例或流程图所述的方法操作步骤，但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。在实际中的系统或装置产品执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行。具体的如图2所示，所述方法可以包括：
S101：通过第一检查项获得用户的第一检查结果，所述第一检查结果包括目标风险疾病和风险程度；
S102：根据所述用户除所述第一检查项以外的体检数据以及预设检查项推荐模型，得到针对所述目标风险疾病的推荐结果；
S103：根据所述第一检查结果和所述推荐结果，确定第二检查项的待增加队列；
S104：根据所述第二检查项的实时队列拥挤状态和所述待增加队列，确定所述第二检查项的重整队列。
可以理解为，所述第一检查项可以为低级别检查项，所述第二检查项为高级别检查项，用户鉴于体检成本会较多的选择第一检查项，比如，第一检查项可以为触诊检查项目，第二检查项为超声检查项目，由于不同科室或医师的水平有限或者疾病的显现程度不同，导致触诊的结果可能会偏离真实情况，为了判断触诊结果是否是偏离了真实情况，可以通过预设检查项推荐模型来进行疾病评估得到推荐结果，当出现偏离度较大的情况，为了保证用户利益和对其健康程度的准确把握，因此通过超声进一步的验证，当然，也要考虑超声原有排队队列的情况，在保证原先队列用户体验的基础上，进行适当的选择推荐的用户队列，可以保证整体用户的体检体验，同时提高检查结果的准确率。
其中，所述待增加队列可以为所述风险程度和所述推荐结果不一致性超过预设值的用户队列，即所述第一检查项的第一检查结果可能存在较大错误，因此通过推荐更高级别的第二检查项对所述待增加队列中的用户进一步检查确定。
需要说明的是，针对单一用户的单次体检，只获得一个目标风险疾病，这样可以快速获得与所述目标风险疾病对应的预设检查项推荐模型，进一步地，在第一检查项时，可以首先根据用户对自身身体状况的反应，就某一部位或器官进行检查，避免了无针对性的检查，这样能提高检查的准确率。在一些其他实施例中，也可以就单个用户的多个目标风险疾病进行检查，在本说明书不做限定。
在实际体检过程中，用户的体检数据和结果不会立刻得到，会在一定的时间后获得，因此本实施例中可以选择固定时间周期的数据进行统计并生成推荐队列，这样可以避免推荐队列的实时生成，降低了整个方法运行的次数，降低了一定的系统消耗，在一些其他实施例中，也可以单个用户待推荐的对象，具体地操作过程根据实际情况设置，在本说明书不做限定。
进一步地，所述体检数据可以理解为用户的常规体检数据，比如常规的内科、外科检查，特别的内科验血数据，部分器官的常规检查数据，在用户进行触诊时，实际是不需要这些常规体检数据的，常常是根据科室医师的个人经验进行检查，针对不同的目标风险疾病可以对应不同的体检特征，因此，将所述体检数据结合所述预设检查项推荐模型得到针对所述目标风险疾病的推荐结果还可以包括如下步骤：
根据所述目标风险疾病，从所述体检数据中提取目标特征数据，所述目标特征数据与所述目标风险疾病对应；
将所述目标特征数据带入到所述预设检查项推荐模型中，得到针对所述目标风险疾病的推荐结果。
在本说明书实施例中，所述预设检查项推荐模型可以通过历史数据训练得到，其中训练的数据，可以为单一机构的不同的体检报告，这样能够降低数据获取的难度，从而降低训练的成本，另外训练的数据也可以来自不同机构的不同用户的体检报告，这样可以扩大训练的数据量，同时不同机构的体检报告，可以扩大人群的分布广度，避免区域性疾病导致训练模型的不稳定，从而提高了模型的适应范围。实际上，用户所做的检查项不一定相同，单一用户不一定覆盖特征集中的所有特征，构建机器学习模型需要的数据从众多用户的体检报告中提取而来，各项指标组成特征列，每份报告组成样本行，疾病诊断结果构成标签，训练好的模型只选用若干特征用于评估某疾病，因此针对不同的疾病均可以训练出至少一个模型，不同的模型可以对应不同的特征，这样在确定目标风险疾病时结合得到的体检数据，就可以快速确定预设检查项推荐模型进行疾病评估从而得到推荐结果。
具体地，所述预设检查项推荐模型包括：
输入层，用于接收所述体检数据，并提取所述体检数据中的特征向量；
计算层，用于将所述特征向量输入训练完成的评估模型结构，得到针对所述目标风险疾病的推荐结果；
输出层，用于输出所述推荐结果。
可以理解为，上述预设检查项推荐模型的结构为功能性的描述层，并不代表真实的分层情况，具体的结构特征针对具体机器学习算法模型设置，其中所述预设检查项推荐模型可以通过如下步骤得到：
获取大量历史体检数据和体检结果；
确定所述体检结果中的风险疾病类型；
根据所述风险疾病类型，从所述历史体检数据中提取特征数据；
以所述特征数据为输入，以所述风险疾病类型对应的体检结果为目标输出，对初始检查项推荐模型进行训练，得到针对所述风险疾病类型的预设检查项推荐模型。
其中所述历史体检数据为上述所述的训练数据，所述体检结果则可以为第二检查项得到的真实结果，所述特征数据可以为针对风险疾病类型的特征数据，这样可以提高训练模型的准确率，所述初始检查项推荐模型可以为常见的机器学习模型，比如线性回归学习算法模型，决策树学习算法模型等，在本说明书不做限定。
需要说明的是，所述预设检查项推荐模型是针对疾病类型的风险程度设置的，风险程度高，则推荐程度高，建议用户进行进一步的体检，风险程度低，则推荐程度低，不建议用户进一步的体检。
在本说明书实施例中所述风险程度包括第一风险程度和第二风险程度，其中所述第一风险程度的患病风险小于所述第二风险程度的患病风险；比如，针对触诊检查，医师的检查结果都会是比较确切的结论，所述第一风险程度可以为风险程度很低，即处于健康状态，所述第二风险程度可以为风险程度较高，为患病状态。
进一步地，所述根据所述用户除所述第一检查项以外的体检数据以及预设检查项推荐模型，得到针对所述目标风险疾病的推荐结果，之后还包括：
判断所述推荐结果是否超过第一门限值；
若所述推荐结果没有超过第一门限值，则将所述推荐结果标记为低推荐；
继续判断所述推荐结果是否超过第一门限值，且小于第二门限值；
若所述推荐结果超过第一门限值，且小于第二门限值，则将所述推荐结果标记为中推荐；
若所述推荐结果超过所述第二门限值，则将所述推荐结果标记为高推荐。
可以理解为，所述第二门限值大于所述第一门限值，所述预设检查项推荐模型的推荐结果可以为个体患病的风险高低而进行的检查项的进一步推荐结果，比如在[0，1]内，通过设置门限值，可以表示用户的患病风险相对平均患病风险的大小，相当于推荐程度的高低。假设某疾病在某人群中的平均患病风险为30％，可以设置30％*2＝60％为高危门限，30％/2＝15％为低危门限，模型评估某人的患病风险为10％，小于15％，则被划分至该疾病的低危人群，因此不建议用户增加进一步检查的体检。在一些其他实施例中，不同的门限值也可以根据应用场景采用其他合理的划分方式，在本说明书不做限定。
在本说明书实施例中，如图3所示，所述第二检查项的待增加队列可以通过如下步骤得到：
S201：根据所述第一检查结果和所述推荐结果，确定漏诊风险用户和误诊风险用户，其中，所述漏诊风险用户为所述第一检查结果为第一风险程度以及所述推荐结果为高推荐的用户，所述误诊风险用户为所述第一检查结果为第二风险程度以及所述推荐结果为低推荐的用户；
S202：根据所述漏诊风险用户和所述漏诊风险用户对应的推荐结果，生成漏诊风险队列，所述漏诊风险队列按照所述推荐结果的从高到低排列；
S203：根据所述误诊风险用户和所述误诊风险用户对应的推荐结果，生成误诊风险队列，所述误诊风险队列按照推荐结果的从低到高排列；
S204：根据所述漏诊风险队列和所述误诊风险队列，确定第二检查项的待增加队列。
本说明书实施例，通过确定漏诊风险队列和误诊风险队列，进而确定用于增加到第二检查项的待增加队列，因此通过将两种情况分开考虑，可以将第一检查项出错概率较大的用户优先被推荐，从而确保对用户健康的全面把握，其中漏诊风险队列中，用户的推荐程度越高(即患病风险越大)，则出错概率越大；误诊风险队列中，用户的推荐程度越低(即患病风险越小)，则出错概率越大。
比如，在实际工作中，①漏诊风险高：用户做完触诊被诊断为健康，但是模型推荐被划分为高推荐；②误诊风险高：用户做完触诊被诊断为患病，但是模型推荐被划分为低推荐。高漏诊风险队伍Q0中，各用户按照推荐程度从高到底排序，优先安排高推荐程度的用户做超声检查。高误诊风险队伍Q1中，各用户按照推荐程度从低到高排序，优先安排低推荐程度的用户做超声检查，这样可以确定第一检查项和模型推荐结果差距较大的用户先推荐到第二检查项中，保证用户的检查效率，为后续可能的进一步的措施争取了时间。
在实际工作中，如果第一检查项和模型推荐结果存在的误差较多，也就是说，所述待增加队列中的用户过多，将所述待增加队列直接全部推荐到所述第二检查项的队列中，会存在排队人数过多的情况，影响了其他用户的正常体检，因此还需要对所述待增加用户进一步的筛选和分配，从而得到更合适的队列增加到第二检查项的队列中。
在本说明书实施例中，如图4所示，所述根据所述第二检查项的实时队列拥挤状态和所述待增加队列，确定所述第二检查项的重整队列，包括：
S301：获取所述第二检查项的实时队列拥挤状态，所述实时队列拥挤状态包括实时队列用户数；
S302：根据所述实时队列拥挤状态和队列预设最大用户数，确定所述实时队列的用户容忍数值；
S303：按照预设提取规则，从所述待增加队列中获取目标队列，所述目标队列用户数小于等于所述用户容忍数值；
S304：将所述目标队列加入到所述第二检查项的实时队列中，以确定所述第二检查项的重整队列。
可以理解为，为了保障第二检查项原先队列的体检效率，还需要对所述第二检查项的实时队列的可增加用户数进一步分析，即通过确定所述第二检查项的实时队列拥挤状态确定实时队列用户数，再结合队列预设最大用户数得到所述实时队列的用户容忍数值，进而根据预设的提取规则从所述待增加队列中提取出目标队列，这样就能获得第二检查项的重整队列，所述重整队列中包括目标队列，这样既能实现对第一检查项中误差风险较大的用户进行二次推荐进一步确定风险程度，又能确保所述第二检查项的检查效率。
其中所述队列预设最大用户数可以根据实际情况设置，所述队列预设最大用户数可以为一般用户可以接受的等待时间，比如提前设置一个预设值，示例地，所述队列预设最大用户数可以根据实际情况设置，假设根据现场调研，用户一般在等待30min后表现出不耐烦，该项检查平均用时5min，则认为队长超过6时队列进入拥塞状态，此处的预设最大用户数即为6。类似的，平均队长、平均排队长、平均等待时间、平均逗留时间等排队论中的指标，均可用于衡量队伍的拥挤情况。不同的队列情况对应不同的容忍数。队伍越空闲，可以接受越多的用户加项。可以根据设定的3种状态(空闲、适中、拥塞)为容忍数指定分段函数，比如，空闲状态下n＝nfree＝8,适中状态下n＝nmod＝5，拥塞状态下n＝njam＝2；在本说明书实施例中，也可以用线性函数(预设最大用户数-在列人数)进行计算。比如在实际应用中，一超声检查排队的队列长度记作L(单位：人)，L>6时认为拥塞，L<2时认为空闲，2<L<6时认为适中。假定一条队列的长度上限为10(即队列预设最大用户数)，则用户容忍数为10-L(L<10)或0(L>＝10)，空闲时最多接受9个新用户，拥塞时最多接受3个新用户。
比如针对单个用户，推荐过程可以为，该用户的原定套餐中只有外科触诊，检查完后医生诊断全部正常。然而，根据该用户的其他同期体检数据，检查项推荐模型根据甲状腺结节的风险评估结果将该用户划分为甲状腺超声的高推荐用户，从而建议该用户增加甲状腺超声的检查，此时系统判断甲状腺超声的队列状态为适中，可以接受2名用户再来排队，而且高误诊风险队伍中的人数为0，因此向该用户发出了加项建议。
进一步实施例中，如图5所示，所述按照预设提取规则，从所述待增加队列中获取目标队列，包括：
S401：确定目标实体，所述目标实体用于实现对用户的第一检查项；
S402：确定通过所述目标实体进行第一检查项的大量历史用户；
S403：获取所述历史用户的第一检查结果和第二检查结果，所述第二检查结果通过第二检查项获得；
S404：通过所述第一检查结果和所述第二检查结果确定所述目标实体的漏诊率和误诊率；
S405：根据所述漏诊率和所述误诊率，确定所述漏诊率和所述误诊率的比例关系；
S406：根据所述比例关系和所述用户容忍数值，对所述待增加队列进行分配，以从所述待增加队列中获取目标队列。
其中，所述目标实体可以为机构中的单个科室或医师，由于单个科室或医师的医术水平相近，通过第一检查项得到的第一检查结果的准确率也相对稳定，比如同一科室针对同一疾病的触诊的准确率在大量历史体检数据分析的情况下是趋于稳定的，这样得到的漏诊率FNR和误诊率FPR也是相对稳定的值，历史体检数据指该机构在同一次体检中做过同一部位的触诊项目和超声项目的用户的体检报告。例如，某用户在一次体检中做了甲状腺超声和甲状腺触诊，他的这两项检查结果(对应多种疾病)将并入科室的历史检查数据，用于评估甲状腺触诊的漏诊率和误诊率。
在得到漏诊率和误诊率之后，就可以确定漏诊率和误诊率之间的比例关系，所述比例关系可以用来作为前文中漏诊风险队列和误诊风险队列的提取标准，具体为，根据确定用户容忍数值，通过所述比例关系向不同的队列分配名额，每个队列根据分配的队列按照排序情况依次选择，当然如果其中一队列用户数过少，而且小于分配的名额，可以增加另一个队列的分配额度。示例性地，一共会有n位用户被建议加项，在两支队伍中按照提前计算的比例关系分配名额：n0位高漏诊风险用户与n1位高误诊风险用户，n0/n1尽可能接近FNR/FPR，其中一队列中用户为0时，全部名额分配给另一队列。
通过对目标实体的历史漏诊率和误诊率结合第二检查项的实际用户容忍数值，对当前的两个队列进行分配，可以使得第一检查项出错概率更大的用户进入到推荐队列，从而提高了推荐队列的合理性，进一步提高了用户推荐的准确率。
需要说明的是，由于是机构主动将用户推荐到第二检查项进行检查，用户实际的入队情况还要根据用户自身的意愿，当用户拒绝被推荐或者被推荐的用户拒绝接受推荐的建议时，还可以通过顺延的方式将后续队列推荐到目标队列中，以此保证更多的出错用户得到准确的检查。
在第二检查项被推荐的过程中，还可能通过第二检查项的结果进一步调整推荐的参数，比如用户容忍数值，当第二检查项纠正第一检查项较多的时候，可以适当增加用户容忍数值，这样可以提高用户检查结果的准确率。作为可选地，如图6所示，可以包括如下步骤：
S501：根据所述实时队列拥挤状态和预设队列最大用户数，确定所述实时队列的初始用户容忍数值；
S502：获取所述第一检查项的纠正比例，所述纠正比例通过第二检查项对第一检查项的纠正数和第二检查项的加项总数确定；
S503：根据所述纠正比例和所述初始用户容忍数值，按照预设函数计算得到用户容忍数值。
其中第一检查项的纠正数可以为第二检查项的检查结果和第一检查项的检查结果不同的用户数，其中包括漏诊纠正数和误诊纠正数，比如，超声结果与触诊结果不同的用户数，即纠正了触诊诊断结论的数量。通过得到的纠正数和全部推荐的加项数即可得到纠正比例，所述纠正比例可以表示所述第一检查项的准确率，所述纠正比例越高，则第一检查项的准确率越低，所述纠正比例越低，则所述第一检查项的准确率越高。通过对用户容忍数值的动态调整可以保证合理的出错用户数被推荐到第二检查项队列中，保证了用户的利益，提高了纠正的效率。
需要说明的是，所述纠正数和加项数可以为预设时间段的数值，具体地，可以以固定时间周期为调整时间点，这样在第一检查项检查水平存在调整的情况下，提高了纠正比例的准确率，减少了历史数据对最新数据的影响程度。
其中，所述预设函数为所述纠正比例和所述初始用户容忍数值的函数关系，作为可选地，可以设置容忍系数α，通过所述容忍系数和所述纠正比例从而得到用户的调整系数，进而得到最后的用户数，比如假设一共有10名用户接受了加项建议，对触诊结果进行了纠正的有5例，则纠正比例w＝0.5，可以令容忍系数α＝1+w＝1.5，则容忍用户数更新为10*1.5＝15。在一些其他实施例中，所述容忍系数可以是w的函数，比如α＝f(w)，也可以采用其他的形式，例如，α＝1+w/2，容忍用户数更新为[n*α]。
进一步需要说明的是，纠正比例越高，说明检查项推荐模型越准，才使可能被误诊或漏诊的用户被及时纠正，得到了更准确的诊断，并非排队系统的真实容量增加，而是牺牲了一部分用户的体验，来保证个体检查的准确率，从而为用户的后续合理措施提供了更多的时间和机会。
另外，当所述纠正比例过低时，说明检查项推荐模型的准确率过低，还可以通过对模型的进一步训练提高模型推荐的准确率，从而避免过多的用户被推荐到第二检查项中，保证了用户的利益，提高用户的体验。
在一些其他实施例中，还可以通过计算得到的漏诊率和误诊率进行用户容忍数值的调整，当所述漏诊率和所述误诊率处于较大的范围时，也说明所述第一检查项的检查准确率较低，需要实时增加用户容忍数值从而让更多的出错用户进行推荐队列，具体地调整措施在本说明书不做赘述。
在本说明书实施例中，还可以通过对第一检查项的纠正比例调整检查项推荐模型推荐结果划分的门限值，作为可选地，可以包括如下步骤：
所述根据所述第二检查项的实时队列拥挤状态和所述待增加队列，确定所述第二检查项的重整队列，之后包括：
获取所述第一检查项的漏诊纠正比例和误诊纠正比例，所述漏诊纠正比例通过第二检查项对第一检查项的漏诊纠正数和第二检查项的漏诊加项数确定，所述误诊纠正比例通过第二检查项对第一检查项的误诊纠正数和第二检查项的误诊加项数确定；
当所述漏诊纠正比例超过第一预设阈值时，调整所述第二门限值；
当所述误诊纠正比例超过第二预设阈值时，调整所述第一门限值。
其中，所述漏诊纠正比例和所述误诊纠正比例可以为预设时间段内的计算值，当所述漏诊纠正比例大于第一预设阈值时，则表明推荐模型的推荐结果准确度较高，第一检查项的准确率较低，这样就需要降低检查项推荐模型的第二门限值，以让更多的潜在高患病风险用户进入到推荐队列；当所述误诊纠正比例超过第二预设阈值时，也是表明推荐模型的推荐结果准确度较高，第一检查项的准确率较低，这样就需要提高检查项推荐模型的第一门限值，以让更多的低患病风险用户进入到推荐队列。
当然，如果所述漏诊纠正比例和所述误诊纠正比例过小时，比如低于一定预设值，也可以反向调整第一门限值和第二门限值，以避免更多的用户进入到推荐队列，具体的调整措施在本说明书不做限定。
本说明书实施例提供的体检项目推荐方法，通过低级的第一检查项的检查结果结合疾病评估，为用户制定灵活调整的策略，将第一检查项为健康但评估为患病风险高的用户，或第一检查项为患病但评估为患病风险低的用户增加第二检查项检查项目，提升用户检查的准确率。且同时要求增加超声检查的用户的准确率尽量高，且不影响正常检查的超声用户。因此原本选择了低级检查项的用户可以在容易被漏诊或误诊的情况下及时接收到加高级检查项的建议；用户借助检查项推荐与准确率分析节省了全部做高级项的成本；机构在运转效率不受太大影响的前提下，提供更准确、可信的体检结果，更贴心的服务。
基于同一发明构思，本说明书实施例还提供一种体检项目推荐装置，如图7所示，所述装置包括：
第一检查结果获取模块100，用于通过第一检查项获得用户的第一检查结果，所述第一检查结果包括目标风险疾病和风险程度；
推荐结果获取模块200，用于根据所述用户除所述第一检查项以外的体检数据以及预设检查项推荐模型，得到针对所述目标风险疾病的推荐结果；
待增加队列确定模块300，用于根据所述第一检查结果和所述推荐结果，确定第二检查项的待增加队列；
重整队列确定模块400，用于根据所述第二检查项的实时队列拥挤状态和所述待增加队列，确定所述第二检查项的重整队列。
通过上述提供的装置所取得的有益效果和上述方法取得的有益效果一致，本说明书不做赘述。
如图8所示，为本文实施例提供的一种计算机设备，所述计算机设备802可以包括一个或多个处理器804，诸如一个或多个中央处理单元(CPU)，每个处理单元可以实现一个或多个硬件线程。计算机设备802还可以包括任何存储器806，其用于存储诸如代码、设置、数据等之类的任何种类的信息。非限制性的，比如，存储器806可以包括以下任一项或多种组合：任何类型的RAM，任何类型的ROM，闪存设备，硬盘，光盘等。更一般地，任何存储器都可以使用任何技术来存储信息。进一步地，任何存储器可以提供信息的易失性或非易失性保留。进一步地，任何存储器可以表示计算机设备802的固定或可移除部件。在一种情况下，当处理器804执行被存储在任何存储器或存储器的组合中的相关联的指令时，计算机设备802可以执行相关联指令的任一操作。计算机设备802还包括用于与任何存储器交互的一个或多个驱动机构808，诸如硬盘驱动机构、光盘驱动机构等。
计算机设备802还可以包括输入/输出模块810(I/O)，其用于接收各种输入(经由输入设备812)和用于提供各种输出(经由输出设备814))。一个具体输出机构可以包括呈现设备816和相关联的图形用户接口(GUI)818。在其他实施例中，还可以不包括输入/输出模块810(I/O)、输入设备812以及输出设备814，仅作为网络中的一台计算机设备。计算机设备802还可以包括一个或多个网络接口820，其用于经由一个或多个通信链路822与其他设备交换数据。一个或多个通信总线824将上文所描述的部件耦合在一起。
通信链路822可以以任何方式实现，例如，通过局域网、广域网(例如，因特网)、点对点连接等、或其任何组合。通信链路822可以包括由任何协议或协议组合支配的硬连线链路、无线链路、路由器、网关功能、名称服务器等的任何组合。
对应于图2-图6中的方法，本文实施例还提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述方法的步骤。
本文实施例还提供一种计算机可读指令，其中当处理器执行所述指令时，其中的程序使得处理器执行如图2至图6所示的方法。
应理解，在本文的各种实施例中，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，而不应对本文实施例的实施过程构成任何限定。
还应理解，在本文实施例中，术语“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系。例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本文的范围。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本文所提供的几个实施例中，应该理解到，所揭露的系统、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，例如多个单元或组件可以结合或者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、装置或单元的间接耦合或通信连接，也可以是电的，机械的或其它的形式连接。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，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单元来实现本文实施例方案的目的。
另外，在本文各个实施例中的各功能单元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，也可以是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，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，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，本文的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或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一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本文各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本文中应用了具体实施例对本文的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本文的方法及其核心思想；同时，对于本领域的一般技术人员，依据本文的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本文的限制。
Claims (11)
1.一种体检项目推荐方法，其特征在于，所述方法包括：
通过第一检查项获得用户的第一检查结果，所述第一检查结果包括目标风险疾病和风险程度；
根据所述用户除所述第一检查项以外的体检数据以及预设检查项推荐模型，得到针对所述目标风险疾病的推荐结果；
根据所述第一检查结果和所述推荐结果，确定第二检查项的待增加队列，所述第一检查项和所述第二检查项分别是针对同一目标风险疾病的低级别检查项和高级别检查项；
根据所述第二检查项的实时队列拥挤状态和所述待增加队列，确定所述第二检查项的重整队列。
2.根据权利要求1所述的体检项目推荐方法，其特征在于，所述预设检查项推荐模型包括：
输入层，用于接收所述体检数据，并提取所述体检数据中的特征向量；
计算层，用于将所述特征向量输入训练完成的评估模型结构，得到针对所述目标风险疾病的推荐结果；
输出层，用于输出所述推荐结果。
3.根据权利要求1所述的体检项目推荐方法，其特征在于，所述根据所述第二检查项的实时队列拥挤状态和所述待增加队列，确定所述第二检查项的重整队列，包括：
获取所述第二检查项的实时队列拥挤状态，所述实时队列拥挤状态包括实时队列用户数；
根据所述实时队列拥挤状态和队列预设最大用户数，确定所述实时队列的用户容忍数值；
按照预设提取规则，从所述待增加队列中获取目标队列，所述目标队列用户数小于等于所述用户容忍数值；
将所述目标队列加入到所述第二检查项的实时队列中，以确定所述第二检查项的重整队列。
4.根据权利要求3所述的体检项目推荐方法，其特征在于，所述按照预设提取规则，从所述待增加队列中获取目标队列，包括：
确定目标实体，所述目标实体用于实现对用户的第一检查项；
确定通过所述目标实体进行第一检查项的大量历史用户；
获取所述历史用户的第一检查结果和第二检查结果，所述第二检查结果通过第二检查项获得；
通过所述第一检查结果和所述第二检查结果确定所述目标实体的漏诊率和误诊率；
根据所述漏诊率和所述误诊率，确定所述漏诊率和所述误诊率的比例关系；
根据所述比例关系和所述用户容忍数值，对所述待增加队列进行分配，以从所述待增加队列中获取目标队列。
5.根据权利要求3所述的体检项目推荐方法，其特征在于，所述根据所述实时队列拥挤状态和预设队列最大用户数，确定所述实时队列的用户容忍数值，包括：
根据所述实时队列拥挤状态和预设队列最大用户数，确定所述实时队列的初始用户容忍数值；
获取所述第一检查项的纠正比例，所述纠正比例通过第二检查项对第一检查项的纠正数和第二检查项的加项总数确定；
根据所述纠正比例和所述初始用户容忍数值，按照预设函数计算得到用户容忍数值。
6.根据权利要求1所述的体检项目推荐方法，其特征在于，所述风险程度包括第一风险程度和第二风险程度，其中所述第一风险程度的患病风险小于所述第二风险程度的患病风险；
所述根据所述用户除所述第一检查项以外的体检数据以及预设检查项推荐模型，得到针对所述目标风险疾病的推荐结果，之后还包括：
判断所述推荐结果是否超过第一门限值；
若所述推荐结果没有超过第一门限值，则将所述推荐结果标记为低推荐；
继续判断所述推荐结果是否超过第二门限值，所述第二门限值大于所述第一门限值；
若所述推荐结果超过所述第二门限值，则将所述推荐结果标记为高推荐。
7.根据权利要求6所述的体检项目推荐方法，其特征在于，所述根据所述第一检查结果和所述推荐结果，确定第二检查项的待增加队列，包括：
根据所述第一检查结果和所述推荐结果，确定漏诊风险用户和误诊风险用户，其中，所述漏诊风险用户为所述第一检查结果为第一风险程度以及所述推荐结果为高推荐的用户，所述误诊风险用户为所述第一检查结果为第二风险程度以及所述推荐结果为低推荐的用户；
根据所述漏诊风险用户和所述漏诊风险用户对应的推荐结果，生成漏诊风险队列，所述漏诊风险队列按照所述推荐结果的从高到低排列；
根据所述误诊风险用户和所述误诊风险用户对应的推荐结果，生成误诊风险队列，所述误诊风险队列按照推荐结果的从低到高排列；
根据所述漏诊风险队列和所述误诊风险队列，确定第二检查项的待增加队列。
8.根据权利要求6所述的体检项目推荐方法，其特征在于，所述根据所述第二检查项的实时队列拥挤状态和所述待增加队列，确定所述第二检查项的重整队列，之后包括：
获取所述第一检查项的漏诊纠正比例和误诊纠正比例，所述漏诊纠正比例通过第二检查项对第一检查项的漏诊纠正数和第二检查项的漏诊加项数确定，所述误诊纠正比例通过第二检查项对第一检查项的误诊纠正数和第二检查项的误诊加项数确定；
当所述漏诊纠正比例超过第一预设阈值时，调整所述第二门限值；
当所述误诊纠正比例超过第二预设阈值时，调整所述第一门限值。
9.一种体检项目推荐装置，其特征在于，所述装置包括：
第一检查结果获取模块，用于通过第一检查项获得用户的第一检查结果，所述第一检查结果包括目标风险疾病和风险程度；
推荐结果获取模块，用于根据所述用户除所述第一检查项以外的体检数据以及预设检查项推荐模型，得到针对所述目标风险疾病的推荐结果；
待增加队列确定模块，用于根据所述第一检查结果和所述推荐结果，确定第二检查项的待增加队列，所述第一检查项和所述第二检查项分别是针对同一目标风险疾病的低级别检查项和高级别检查项；
重整队列确定模块，用于根据所述第二检查项的实时队列拥挤状态和所述待增加队列，确定所述第二检查项的重整队列。
10.一种计算机设备，包括存储器、处理器及存储在存储器上并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计算机程序时实现如权利要求1至8任一项所述的方法步骤。
11.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至8任一项所述的方法步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110342767.2A CN112927788B (zh) | 2021-03-30 | 2021-03-30 | 一种体检项目推荐方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110342767.2A CN112927788B (zh) | 2021-03-30 | 2021-03-30 | 一种体检项目推荐方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112927788A CN112927788A (zh) | 2021-06-08 |
| CN112927788B true CN112927788B (zh) | 2024-02-27 |
Family
ID=76176619
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110342767.2A Active CN112927788B (zh) | 2021-03-30 | 2021-03-30 | 一种体检项目推荐方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112927788B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114360713B (zh) * | 2021-11-30 | 2023-10-13 | 广州创惠信息科技有限公司 | 一种体检智能导诊方法 |
| CN114168465B (zh) * | 2021-12-02 | 2024-05-17 | 天津大学 | 一种基于计算实验的推荐系统验证方法 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107346376A (zh) * | 2017-07-05 | 2017-11-14 | 刘浩 | 一种健康体检项目智能推荐的方法及系统 |
| CN109087696A (zh) * | 2018-06-20 | 2018-12-25 | 蓝网科技股份有限公司 | 医技检查自动化推荐预约方法、系统、设备及存储介质 |
| CN110097940A (zh) * | 2019-05-10 | 2019-08-06 | 北京智能决策医疗科技有限公司 | 一种体检项目推荐方法及相关产品 |
| CN110299200A (zh) * | 2019-06-25 | 2019-10-01 | 广东群创信息科技有限公司 | 一种微信智能导检的方法 |
| CN111312405A (zh) * | 2020-02-12 | 2020-06-19 | 宁德市闽东医院 | 一种健康体检胃癌筛查评估及管理系统 |
| CN111651266A (zh) * | 2020-04-29 | 2020-09-11 | 中国平安财产保险股份有限公司 | 基于Hadoop集群资源管理的方法、装置、设备及存储介质 |
| CN112035741A (zh) * | 2020-08-28 | 2020-12-04 | 康键信息技术（深圳）有限公司 | 基于用户体检数据的预约方法、装置、设备及存储介质 |
| KR102198454B1 (ko) * | 2020-04-10 | 2021-01-05 | 주식회사 케어링크 | 기계 학습에 기반한 건강 검진 항목 추천 시스템 및 방법 |
| CN112182412A (zh) * | 2020-11-26 | 2021-01-05 | 南京吉拉福网络科技有限公司 | 用于推荐体检项目的方法、计算设备和计算机存储介质 |
| CN112259245A (zh) * | 2020-10-21 | 2021-01-22 | 平安科技（深圳）有限公司 | 待检查项确定方法、装置、设备及计算机可读存储介质 |
-
2021
- 2021-03-30 CN CN202110342767.2A patent/CN112927788B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107346376A (zh) * | 2017-07-05 | 2017-11-14 | 刘浩 | 一种健康体检项目智能推荐的方法及系统 |
| CN109087696A (zh) * | 2018-06-20 | 2018-12-25 | 蓝网科技股份有限公司 | 医技检查自动化推荐预约方法、系统、设备及存储介质 |
| CN110097940A (zh) * | 2019-05-10 | 2019-08-06 | 北京智能决策医疗科技有限公司 | 一种体检项目推荐方法及相关产品 |
| CN110299200A (zh) * | 2019-06-25 | 2019-10-01 | 广东群创信息科技有限公司 | 一种微信智能导检的方法 |
| CN111312405A (zh) * | 2020-02-12 | 2020-06-19 | 宁德市闽东医院 | 一种健康体检胃癌筛查评估及管理系统 |
| KR102198454B1 (ko) * | 2020-04-10 | 2021-01-05 | 주식회사 케어링크 | 기계 학습에 기반한 건강 검진 항목 추천 시스템 및 방법 |
| CN111651266A (zh) * | 2020-04-29 | 2020-09-11 | 中国平安财产保险股份有限公司 | 基于Hadoop集群资源管理的方法、装置、设备及存储介质 |
| CN112035741A (zh) * | 2020-08-28 | 2020-12-04 | 康键信息技术（深圳）有限公司 | 基于用户体检数据的预约方法、装置、设备及存储介质 |
| CN112259245A (zh) * | 2020-10-21 | 2021-01-22 | 平安科技（深圳）有限公司 | 待检查项确定方法、装置、设备及计算机可读存储介质 |
| CN112182412A (zh) * | 2020-11-26 | 2021-01-05 | 南京吉拉福网络科技有限公司 | 用于推荐体检项目的方法、计算设备和计算机存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 王娟 ; 丁福 ; .高校新生体检管理的现状.护理实践与研究.2017,(04),全文. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112927788A (zh) | 2021-06-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11373743B2 (en) | System and method for providing patient-specific dosing as a function of mathematical models updated to account for an observed patient response | |
| US7487134B2 (en) | Medical risk stratifying method and system | |
| US20090093686A1 (en) | Multi Automated Severity Scoring | |
| CN112927788B (zh) | 一种体检项目推荐方法、装置、设备及存储介质 | |
| Neugebauer et al. | Dynamic marginal structural modeling to evaluate the comparative effectiveness of more or less aggressive treatment intensification strategies in adults with type 2 diabetes | |
| US11529105B2 (en) | Digital twin updating | |
| JP5171239B2 (ja) | 保健指導対象者選定支援システム | |
| CA2781428A1 (en) | Treatment protocol template generation and branching logic system | |
| CN107145723B (zh) | 基于人工神经网络的医院流程管理系统 | |
| US20210118571A1 (en) | System and method for delivering polygenic-based predictions of complex traits and risks | |
| US20080088629A1 (en) | Preventive module for avoiding diseases | |
| Bidwell et al. | Person with heart failure and care partner dyads: current knowledge, challenges, and future directions: state-of-the-art review | |
| US20220013232A1 (en) | Artificial intelligence assisted physician skill accreditation | |
| Neves | Decision support for the diagnosis and management of chronic conditions using Bayesian Networks with a case study in Gestational Diabetes | |
| WO2023188800A1 (ja) | 運動機能改善支援装置、運動機能改善支援方法及び非一時的なコンピュータ可読媒体 | |
| Savchenko et al. | A mathematical framework of SMS reminder campaigns for pre-and post-diagnosis check-ups using socio-demographics: An in-silco investigation into breast cancer | |
| Mbaka | A temporal prognostic model based on dynamic Bayesian networks: mining medical insurance data | |
| Conniff | On Semi-Parametric Regression for Time-to-Event Analyses in Electronic Health Records Studies | |
| JP2023049502A (ja) | 健康経営支援システムおよび健康経営支援プログラム | |
| FILL | B Research Methods | |
| EP4444221A2 (en) | Methods and systems for dental treatment planning | |
| CN117995409A (zh) | 一种患者用药风险评价方法、系统、终端及介质 | |
| Tilling et al. | PMC15 IN OR OUT? EMPIRICAL EVIDENCE ON INCOME LOSSES IN HEALTH STATE VALUATIONS AND IMPLICATIONS FOR ECONOMIC EVALUATIONS | |
| Gagovic et al. | MATERNAL MORBIDITY MODELED |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |