CN113012804A - 症状确定方法、装置、设备及介质 - Google Patents
症状确定方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN113012804A CN113012804A CN201911328988.3A CN201911328988A CN113012804A CN 113012804 A CN113012804 A CN 113012804A CN 201911328988 A CN201911328988 A CN 201911328988A CN 113012804 A CN113012804 A CN 113012804A
- Authority
- CN
- China
- Prior art keywords
- symptom
- user
- disease
- determining
- chronic disease
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 208000024891 symptom Diseases 0.000 title claims abstract description 134
- 238000000034 method Methods 0.000 title claims abstract description 54
- 208000017667 Chronic Disease Diseases 0.000 claims abstract description 92
- 239000013598 vector Substances 0.000 claims abstract description 92
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 84
- 201000010099 disease Diseases 0.000 claims abstract description 71
- 238000004590 computer program Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 description 11
- 208000035475 disorder Diseases 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 230000011218 segmentation Effects 0.000 description 5
- 238000003745 diagnosis Methods 0.000 description 4
- 206010011224 Cough Diseases 0.000 description 3
- 206010030113 Oedema Diseases 0.000 description 3
- 230000009471 action Effects 0.000 description 3
- 239000008280 blood Substances 0.000 description 3
- 210000004369 blood Anatomy 0.000 description 3
- 210000003141 lower extremity Anatomy 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 206010062717 Increased upper airway secretion Diseases 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 208000032839 leukemia Diseases 0.000 description 2
- 208000026435 phlegm Diseases 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 206010010970 Cor pulmonale chronic Diseases 0.000 description 1
- 206010036790 Productive cough Diseases 0.000 description 1
- 206010037660 Pyrexia Diseases 0.000 description 1
- 208000037656 Respiratory Sounds Diseases 0.000 description 1
- 206010039101 Rhinorrhoea Diseases 0.000 description 1
- 206010047924 Wheezing Diseases 0.000 description 1
- 125000002015 acyclic group Chemical group 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 208000006673 asthma Diseases 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 210000001185 bone marrow Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011976 chest X-ray Methods 0.000 description 1
- 208000026636 chronic pulmonary heart disease Diseases 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 208000010753 nasal discharge Diseases 0.000 description 1
- 201000009240 nasopharyngitis Diseases 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 208000024794 sputum Diseases 0.000 description 1
- 210000003802 sputum Anatomy 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 210000002700 urine Anatomy 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- 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
- G06F16/33—Querying
- G06F16/3331—Query processing
- G06F16/334—Query execution
Abstract
本发明实施例公开了一种症状确定方法、装置、设备及介质。该方法包括：获取用户输入的病症信息；确定病症信息对应的词向量；查找与用户关联的慢性病对应的病症向量；根据词向量和病症向量，确定用户当前症状是否为慢性病的症状。本发明实施例的症状确定方法、装置、设备及介质，能够在医生未诊断之前，即可确定出用户当前症状是否为慢性病的症状，进而可以向用户反馈该慢性病对应的科室信息和检查项目，以便用户挂号和避免无必要的检查，提高用户挂号效率和节省用户资产。
Description
技术领域
本发明涉及数据处理技术领域，尤其涉及一种症状确定方法、装置、设备及介质。
背景技术
随着医疗的进步，为更好的服务广大患者，现在的医院在技术越来越先进的同时，规模也越来越大，科室分类也越来越精细。
针对慢性病患者而言，由于慢性病的不可根治性，其主要是以预防为主。当患者出现不良好的症状时，例如咳嗽、流涕、发热等，常因为不了解是其慢性病复发，还是平常感冒等，容易出现恐慌心理。并且，现在医院规模普遍较大，在规模较大的医院，在咨询台或挂号窗口，仅凭口头的描述，容易挂错科室。并且随着科室分类越来越细、自动挂号机和网络挂号的发展，患者也容易挂错科室。
因此，如何在医生未诊断之前，确定出患者当前是否患有慢性病是亟待解决的问题。
发明内容
本发明实施例提供一种症状确定方法、装置、设备及介质，能够在医生未诊断之前，确定出用户当前症状是否为慢性病的症状。
第一方面，本发明实施例提供了一种症状确定方法，包括：
获取用户输入的病症信息；
确定病症信息对应的词向量；
查找与用户关联的慢性病对应的病症向量；
根据词向量和病症向量，确定用户当前症状是否为与用户关联的慢性病的症状。
在本发明实施例的一个可能的实现中，根据词向量和病症向量，确定用户当前症状是否为与用户关联的慢性病的症状，包括：
计算词向量与病症向量的相似度；
若相似度大于预设相似度阈值，确定用户当前症状为与用户关联的慢性病的症状；
若相似度不大于预设相似度阈值，确定用户当前症状不是与用户关联的慢性病的症状。
在本发明实施例的一个可能的实现中，若用户当前症状为与用户关联的慢性病的症状，本发明实施例提供的症状确定方法还包括：
向用户反馈慢性病对应的检查项目。
在本发明实施例的一个可能的实现中，若用户当前症状为与用户关联的慢性病的症状，本发明实施例提供的症状确定方法还包括：
向用户反馈慢性病对应的科室信息。
在本发明实施例的一个可能的实现中，相似度为余弦相似度。
在本发明实施例的一个可能的实现中，确定病症信息对应的词向量，包括：
计算病症信息包括的每一个词的词向量；
根据病症信息包括的每一个词的词向量，确定病症信息对应的词向量。
第二方面，本发明实施例提供了一种症状确定装置，包括：
获取模块，用于获取用户输入的病症信息；
第一确定模块，用于确定病症信息对应的词向量；
查找模块，用于查找与用户关联的慢性病对应的病症向量；
第二确定模块，用于根据词向量和病症向量，确定用户当前症状是否为与用户关联的慢性病的症状。
在本发明实施例的一个可能的实现中，第二确定模块，具体用于：
计算词向量与病症向量的相似度；
若相似度大于预设相似度阈值，确定用户当前症状为与用户关联的慢性病的症状；
若相似度不大于预设相似度阈值，确定用户当前症状不是与用户关联的慢性病的症状。
在本发明实施例的一个可能的实现中，若用户当前症状为与用户关联的慢性病的症状，本发明实施例提供的症状确定装置还包括：
第一反馈模块，用于向用户反馈慢性病对应的检查项目。
在本发明实施例的一个可能的实现中，若用户当前症状为与用户关联的慢性病的症状，本发明实施例提供的症状确定装置还包括：
第二反馈模块，用于向用户反馈慢性病对应的科室信息。
在本发明实施例的一个可能的实现中，相似度为余弦相似度。
在本发明实施例的一个可能的实现中，第一确定模块，具体用于：
计算病症信息包括的每一个词的词向量；
根据病症信息包括的每一个词的词向量，确定病症信息对应的词向量。
第三方面，本发明实施例提供一种症状确定设备，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；
处理器执行计算机程序时实现本发明实施例第一方面或者第一方面任一可能的实现方式中的症状确定方法。
第四方面，本发明实施例提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现本发明实施例第一方面或者第一方面任一可能的实现方式中的症状确定方法。
本发明实施例的症状确定方法、装置、设备及介质，能够在医生未诊断之前，即可确定出用户当前症状是否为慢性病的症状，进而可以向用户反馈相应的科室信息和检查项目，以便用户挂号和避免无必要的检查，提高用户挂号效率和节省用户资产。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例中所需要使用的附图作简单地介绍，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是本发明实施例提供的一种症状确定方法的流程示意图；
图2是本发明实施例提供的前缀词典的示意图；
图3是本发明实施例提供的有向无环图；
图4是本发明实施例提供的一种症状确定装置的结构示意图；
图5是本发明实施例提供的一种计算设备的硬件架构的结构图。
具体实施方式
下面将详细描述本发明的各个方面的特征和示例性实施例，为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细描述。应理解，此处所描述的具体实施例仅被配置为解释本发明，并不被配置为限定本发明。对于本领域技术人员来说，本发明可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本发明的示例来提供对本发明更好的理解。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、物品或者设备不仅包括那些要素，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、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
为了解决现有技术问题，本发明实施例提供了一种症状确定方法、装置、设备及介质。下面首先对本发明实施例提供的症状确定方法进行详细说明。
图1是本发明实施例提供的一种症状确定方法的流程示意图。症状确定方法可以包括：
S101：获取用户输入的病症信息。
S102：确定病症信息对应的词向量。
S103：查找与用户关联的慢性病对应的病症向量。
S104：根据词向量和病症向量，确定用户当前症状是否为与用户关联的慢性病的症状。
首先，获取医生针对慢性病的历史诊疗数据。建立历史诊疗数据中的慢性病名称和病症的对应关系。慢性病名称和病症的对应关系如表1所示。
表1
从历史诊疗数据中，提取病症专有名词以及统计每个病症专有名称出现的频率(次数)，形成带有频率的病症专有名词词典。病症专有名词词典如表2所示。
表2
| 病症专有名词 | 频率 |
| 咳嗽 | 10102 |
| 咳 | 23323 |
| 痰 | 17890 |
| 喘息 | 19295 |
| 下肢 | 18000 |
| 浮肿 | 15000 |
| 下肢浮肿 | 12000 |
| 发热 | 22111 |
| …… | …… |
利用病症专有名词词典对可能或有的病症进行处理，目的在于有效提取病症相关专业术语。本实施例中使用前序词典和有向无环图，最终通过最大路径得到分词结果。有向无环图(directed acyclic graphs，DAG)是一种图的数据结构，简而言之，即为没有环的有向图。
以表2为例，构建的前缀词典如图2所示。图2是本发明实施例提供的前缀词典的示意图。
以“可能出现下肢浮肿等体征”为例，根据前缀词典得到的有向无环图如图3所示。图3是本发明实施例提供的有向无环图。
生成的有向无环图的词典表示为：{0:[0],1:[1],2:[2],3:[3],4:[4,5,7],5:[5],6:[6,7],7:[7],8:[8],9:[9],10:[10]}。
其中，可[0]、能[1]、出[2]、现[3]、下[4]、肢[5]、浮[6]、肿[7]、等[8]、体[9]、征[10]。
利用动态规划查找最大概率路径：
其中，route[N]表示最大路径的值；(0,0)表示当前这个词的末尾坐标；total为词表中共有多少个词；logtotal表示对概率值取对数之后的结果；logtotal＝log(self.total)表示从后往前遍历句子，反向计算最大概率；for idx in xrange(N-1,-1,-1)表示列表推倒求最大概率对数路径；(log(self.FREQ.get(sentence[idx:x+1])or 1)-logtotal+route[x+1][0]表示概率对数；x表示词语末字位置)for x in DAG[idx]])，以idx:(概率对数最大值，词语末字位置)键值对形式保存在route中；route[x+1][0]表示词路径[x+1,N-1]的最大概率对数；[x+1][0]即表示取句子x+1位置对应元组(概率对数，词语末字位置)的概率对数。
需要说明的是，通过上述过程进行分词进行本发明的一具体实例，并不构成对本发明的限定。在实际应用中，任何可用的分词方式均可应用于本发明实施例。
通过上述过程，可以提取出病症相关专业术语，进而利用病症相关专业术语更新上述表1，得到慢性病名称和病症的对应关系如表2所示。
表2
当获得慢性病名称和病症的对应关系后，可以利用词向量计算的工具(word2vec)计算每一个慢性病对应的病症中的每一个词的词向量。
将某一慢性病对应的病症中的所有词的词向量之和作为该慢性病对应的病症向量。或者，将某一慢性病对应的病症中的所有词的词向量的平均词向量作为该慢性病对应的病症向量。
可以理解的是，在计算词向量之间，需要加载之前已训练好的词向量，假设之前已训练好的词向量记为embedding。
加载该之前已训练好的词向量的方式如下：
model＝gensim.models.KeyedVectors.load_word2vec_format(embedding,binary＝True)
当计算出每个慢性病对应的词向量之后，存储每个慢性病与每个慢性病对应的病症向量。每个慢性病与每个慢性病对应的病症向量的存储结果如表3所示。
表3
当用户输入信息后，可以利用上述的分词过程从用户的输入信息中提取病症信息，进而利用word2vec计算提取出的病症信息包括的每一个词的词向量，通过与上述确定慢性病对应的病症向量相同的方式，确定病症信息对应的词向量。即上述以将某一慢性病对应的病症中的所有词的词向量之和作为该慢性病对应的病症向量时，此时将病症信息包括的所有词的词向量之和作为病症信息对应的词向量；上述以将某一慢性病对应的病症中的所有词的词向量的平均值作为该慢性病对应的病症向量时，此时将病症信息包括的所有词的词向量的平均值作为病症信息对应的词向量。也就是说，根据病症信息包括的每一个词的词向量，确定病症信息对应的词向量。
然后查找与用户关联的慢性病对应的病症向量。
具体的，用户可以预先输入自身患有的慢性病。建立用户与用户输入的慢性病的关联关系。基于该关联关系，查找与用户关联的慢性病，进而获得与用户关联的慢性病对应的病症向量。
当确定出用户当前的病症信息对应的词向量和查找到与用户关联的慢性病对应的病症向量后，可以计算用户当前的病症信息对应的词向量和查找到与用户关联的慢性病对应的病症向量的相似度。若相似度大于预设相似度阈值，确定用户当前症状为与用户关联的慢性病的症状；若相似度不大于预设相似度阈值，确定用户当前症状不是与用户关联的慢性病的症状。
在本发明实施例的一个可能的实现中，该相似度可以为余弦相似度。
在本发明实施例的一个可能的实现中，该相似度还可以为基于欧氏距离的相似度。
通过本发明实施例提供的症状确定方法，能够在医生未诊断之前，即可确定出用户当前症状是否为慢性病的症状。
在本发明实施例的一个可能的实现中，当用户当前症状为与用户关联的慢性病的症状时，可以向用户反馈慢性病对应的科室信息。
通过本发明实施例提供的症状确定方法，用户能够获知需要挂号对应的科室，避免了挂错科室，提高挂号效率。
在本发明实施例的一个可能的实现中，当用户当前症状为与用户关联的慢性病的症状时，可以向用户反馈慢性病对应的检查项目。
在本发明实施例的一个可能的实现中，还可以依据上述医生针对慢性病的历史诊疗数据。建立历史诊疗数据中的慢性病名称和检查项目的对应关系。进一步的还可以通过上述的分词过程，提取出检查项目相关专业术语，比如，胸部X射线、心电图、血常规和尿常规等。进而建立慢性病名称与检查项目的对应关系，慢性病名称与检查项目的对应关系如表4所示。
表4
| 慢性病名称 | 检查项目 |
| 慢性肺源性心脏病 | 胸部X射线、心电图 |
| 白血病 | 血常规、骨髓涂片、血涂片 |
| …… | …… |
通过本发明实施例提供的症状确定方法，能够向用户反馈需要进行检查的项目，避免无必要的检查，节省用户资产。
与上述的方法实施例相对应，本发明实施例还提供一种症状确定装置。
图4是本发明实施例提供的一种症状确定装置的结构示意图。症状确定装置可以包括：
获取模块401，用于获取用户输入的病症信息。
第一确定模块402，用于确定病症信息对应的词向量。
查找模块403，用于查找与用户关联的慢性病对应的病症向量。
第二确定模块404，用于根据词向量和病症向量，确定用户当前症状是否为与用户关联的慢性病的症状。
在本发明实施例的一个可能的实现中，第二确定模块404，具体可以用于：
计算词向量与病症向量的相似度；
若相似度大于预设相似度阈值，确定用户当前症状为与用户关联的慢性病的症状；
若相似度不大于预设相似度阈值，确定用户当前症状不是与用户关联的慢性病的症状。
在本发明实施例的一个可能的实现中，若用户当前症状为与用户关联的慢性病的症状，本发明实施例提供的症状确定装置还可以包括：
第一反馈模块，用于向用户反馈慢性病对应的检查项目。
在本发明实施例的一个可能的实现中，若用户当前症状为与用户关联的慢性病的症状，本发明实施例提供的症状确定装置还可以包括：
第二反馈模块，用于向用户反馈慢性病对应的科室信息。
在本发明实施例的一个可能的实现中，相似度可以为余弦相似度。
在本发明实施例的一个可能的实现中，第一确定模块402，具体用于：
计算病症信息包括的每一个词的词向量；
根据病症信息包括的每一个词的词向量，确定病症信息对应的词向量。
图5是本发明实施例提供的一种计算设备的硬件架构的结构图。如图5所示，计算设备500包括输入设备501、输入接口502、中央处理器503、存储器504、输出接口505、以及输出设备506。其中，输入接口502、中央处理器503、存储器504、以及输出接口505通过总线510相互连接，输入设备501和输出设备506分别通过输入接口502和输出接口505与总线510连接，进而与计算设备500的其他组件连接。
具体地，输入设备501接收来自外部的输入信息，并通过输入接口502将输入信息传送到中央处理器503；中央处理器503基于存储器504中存储的计算机可执行指令对输入信息进行处理以生成输出信息，将输出信息临时或者永久地存储在存储器504中，然后通过输出接口505将输出信息传送到输出设备506；输出设备506将输出信息输出到计算设备500的外部供用户使用。
也就是说，图5所示的计算设备也可以被实现为症状确定设备，该症状确定设备可以包括：存储有计算机程序的存储器；以及处理器，该处理器在执行计算机程序时可以实现本发明实施例提供的症状确定方法。
本发明实施例还提供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执行时实现本发明实施例提供的症状确定方法。
需要明确的是，本发明并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见，这里省略了对已知方法的详细描述。在上述实施例中，描述和示出了若干具体的步骤作为示例。但是，本发明的方法过程并不限于所描述和示出的具体步骤，本领域的技术人员可以在领会本发明的精神后，作出各种改变、修改和添加，或者改变步骤之间的顺序。
以上所述的结构框图中所示的功能块可以实现为硬件、软件、固件或者它们的组合。当以硬件方式实现时，其可以例如是电子电路、专用集成电路(ASIC)、适当的固件、插件、功能卡等等。当以软件方式实现时，本发明的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中，或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、ROM、闪存、可擦除ROM(EROM)、软盘、CD-ROM、光盘、硬盘、光纤介质、射频(RF)链路，等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。
还需要说明的是，本发明中提及的示例性实施例，基于一系列的步骤或者装置描述一些方法或系统。但是，本发明不局限于上述步骤的顺序，也就是说，可以按照实施例中提及的顺序执行步骤，也可以不同于实施例中的顺序，或者若干步骤同时执行。
以上所述，仅为本发明的具体实施方式，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、模块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。应理解，本发明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发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。
Claims (13)
1.一种症状确定方法，其特征在于，所述方法包括：
获取用户输入的病症信息；
确定所述病症信息对应的词向量；
查找与所述用户关联的慢性病对应的病症向量；
根据所述词向量和所述病症向量，确定所述用户当前症状是否为所述慢性病的症状。
2.根据权利要求1所述的方法，其特征在于，所述根据所述词向量和所述病症向量，确定所述用户当前症状是否为所述慢性病的症状，包括：
计算所述词向量与所述病症向量的相似度；
若所述相似度大于预设相似度阈值，确定所述用户当前症状为所述慢性病的症状；
若所述相似度不大于所述预设相似度阈值，确定所述用户当前症状不是所述慢性病的症状。
3.根据权利要求2所述的方法，其特征在于，若所述用户当前症状为所述慢性病的症状，所述方法还包括：
向所述用户反馈所述慢性病对应的检查项目。
4.根据权利要求2所述的方法，其特征在于，若所述用户当前症状为所述慢性病的症状，所述方法还包括：
向所述用户反馈所述慢性病对应的科室信息。
5.根据权利要求2所述的方法，其特征在于，所述相似度为余弦相似度。
6.根据权利要求1所述的方法，其特征在于，所述确定所述病症信息对应的词向量，包括：
计算所述病症信息包括的每一个词的词向量；
根据所述病症信息包括的每一个词的词向量，确定所述病症信息对应的词向量。
7.一种症状确定装置，其特征在于，所述装置包括：
获取模块，用于获取用户输入的病症信息；
第一确定模块，用于确定所述病症信息对应的词向量；
查找模块，用于查找与所述用户关联的慢性病对应的病症向量；
第二确定模块，用于根据所述词向量和所述病症向量，确定所述用户当前症状是否为所述慢性病的症状。
8.根据权利要求7所述的装置，其特征在于，所述第二确定模块，具体用于：
计算所述词向量与所述病症向量的相似度；
若所述相似度大于预设相似度阈值，确定所述用户当前症状为所述慢性病的症状；
若所述相似度不大于所述预设相似度阈值，确定所述用户当前症状不是所述慢性病的症状。
9.根据权利要求8所述的装置，其特征在于，若所述用户当前症状为所述慢性病的症状，所述装置还包括：
第一反馈模块，用于向所述用户反馈所述慢性病对应的检查项目。
10.根据权利要求8所述的装置，其特征在于，若所述用户当前症状为所述慢性病的症状，所述装置还包括：
第二反馈模块，用于向所述用户反馈所述慢性病对应的科室信息。
11.根据权利要求7所述的装置，其特征在于，所述第一确定模块，具体用于：
计算所述病症信息包括的每一个词的词向量；
根据所述病症信息包括的每一个词的词向量，确定所述病症信息对应的词向量。
12.一种症状确定设备，其特征在于，所述设备包括：存储器、处理器及存储在所述存储器上并可在所述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权利要求1至6任一项所述的症状确定方法。
13.一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上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述的症状确定方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911328988.3A CN113012804B (zh) | 2019-12-20 | 2019-12-20 | 症状确定方法、装置、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911328988.3A CN113012804B (zh) | 2019-12-20 | 2019-12-20 | 症状确定方法、装置、设备及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113012804A true CN113012804A (zh) | 2021-06-22 |
| CN113012804B CN113012804B (zh) | 2024-03-19 |
Family
ID=76381824
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911328988.3A Active CN113012804B (zh) | 2019-12-20 | 2019-12-20 | 症状确定方法、装置、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113012804B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102156812A (zh) * | 2011-04-02 | 2011-08-17 | 中国医学科学院医学信息研究所 | 基于症状相似度分析的就医辅助决策方法 |
| US20160180051A1 (en) * | 2013-08-12 | 2016-06-23 | Your.Md As | Method and arrangement for matching of diseases and detection of changes for a disease by the use of mathematical models |
| JP2016122397A (ja) * | 2014-12-25 | 2016-07-07 | キヤノン株式会社 | 診断支援装置、診断支援方法及びプログラム |
| KR20170063021A (ko) * | 2015-11-30 | 2017-06-08 | 한국 한의학 연구원 | 증상 입력 장치 및 방법 |
| CN109887596A (zh) * | 2019-02-18 | 2019-06-14 | 广州天鹏计算机科技有限公司 | 基于知识图谱的慢阻肺疾病诊断方法、装置和计算机设备 |
| CN109949927A (zh) * | 2019-02-18 | 2019-06-28 | 四川拾智联兴科技有限公司 | 一种基于深度神经网络的智能诊断方法及其系统 |
| CN110246572A (zh) * | 2019-05-05 | 2019-09-17 | 清华大学 | 一种基于词向量的医疗分诊方法及系统 |
| CN110504028A (zh) * | 2019-08-22 | 2019-11-26 | 上海软中信息系统咨询有限公司 | 一种疾病问诊方法、装置、系统、计算机设备和存储介质 |
-
2019
- 2019-12-20 CN CN201911328988.3A patent/CN113012804B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102156812A (zh) * | 2011-04-02 | 2011-08-17 | 中国医学科学院医学信息研究所 | 基于症状相似度分析的就医辅助决策方法 |
| US20160180051A1 (en) * | 2013-08-12 | 2016-06-23 | Your.Md As | Method and arrangement for matching of diseases and detection of changes for a disease by the use of mathematical models |
| JP2016122397A (ja) * | 2014-12-25 | 2016-07-07 | キヤノン株式会社 | 診断支援装置、診断支援方法及びプログラム |
| KR20170063021A (ko) * | 2015-11-30 | 2017-06-08 | 한국 한의학 연구원 | 증상 입력 장치 및 방법 |
| CN109887596A (zh) * | 2019-02-18 | 2019-06-14 | 广州天鹏计算机科技有限公司 | 基于知识图谱的慢阻肺疾病诊断方法、装置和计算机设备 |
| CN109949927A (zh) * | 2019-02-18 | 2019-06-28 | 四川拾智联兴科技有限公司 | 一种基于深度神经网络的智能诊断方法及其系统 |
| CN110246572A (zh) * | 2019-05-05 | 2019-09-17 | 清华大学 | 一种基于词向量的医疗分诊方法及系统 |
| CN110504028A (zh) * | 2019-08-22 | 2019-11-26 | 上海软中信息系统咨询有限公司 | 一种疾病问诊方法、装置、系统、计算机设备和存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 席金菊 等: ""疾病模式相似度识别模型研究"", 《计算机工程》, vol. 36, no. 08, pages 217 - 219 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113012804B (zh) | 2024-03-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107799160B (zh) | 用药辅助决策方法及装置、存储介质、电子设备 | |
| CN110069779B (zh) | 医疗文本的症状实体识别方法及相关装置 | |
| CN112259245B (zh) | 待检查项确定方法、装置、设备及计算机可读存储介质 | |
| CN112883157B (zh) | 一种多源异构医疗数据的标准化方法及装置 | |
| CN110246572B (zh) | 一种基于词向量的医疗分诊方法及系统 | |
| CN115497616B (zh) | 一种感染性疾病辅助决策的方法、系统、设备及存储介质 | |
| CN111984771A (zh) | 一种基于智能对话的自动问诊系统 | |
| Borisagar et al. | Chronic kidney disease prediction using back propagation neural network algorithm | |
| CN109344401A (zh) | 命名实体识别模型训练方法、命名实体识别方法及装置 | |
| US20210166822A1 (en) | Method and apparatus for selecting radiology reports for image labeling by modality and anatomical region of interest | |
| CN111292814A (zh) | 一种医疗数据标准化的方法及装置 | |
| CN108133752A (zh) | 一种基于tfidf的医学症状关键词提取优化及回收方法和系统 | |
| CN112507138B (zh) | 专病知识图谱构建方法及装置、介质及电子设备 | |
| Gon et al. | FPGA-Based Low-Cost Architecture for R-Peak Detection and Heart-Rate Calculation Using Lifting-Based Discrete Wavelet Transform | |
| CN113012804B (zh) | 症状确定方法、装置、设备及介质 | |
| Pellegrini et al. | Xplainer: From x-ray observations to explainable zero-shot diagnosis | |
| 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 | |
| CN109102845B (zh) | 医疗单据审核方法、装置、计算机设备和存储介质 | |
| CN114943695A (zh) | 医学序列影像的异常检测方法、装置、设备及存储介质 | |
| CN114664436A (zh) | 一种基于智能体决策的急救辅助系统 | |
| CN111640517B (zh) | 病历编码方法、装置、存储介质及电子设备 | |
| CN114617562A (zh) | 心拍信号的分类方法、装置、设备及存储介质 | |
| Wollek et al. | German CheXpert Chest X-ray Radiology Report Labeler | |
| CN114464281A (zh) | 电子病历文本事件抽取方法、装置、电子设备及存储介质 | |
| CN113421653A (zh) | 医疗信息的推送方法及装置、存储介质、计算机设备 |
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 |