CN113077913A - 线上问诊派单方法、装置和系统 - Google Patents
线上问诊派单方法、装置和系统 Download PDFInfo
- Publication number
- CN113077913A CN113077913A CN202110424898.5A CN202110424898A CN113077913A CN 113077913 A CN113077913 A CN 113077913A CN 202110424898 A CN202110424898 A CN 202110424898A CN 113077913 A CN113077913 A CN 113077913A
- Authority
- CN
- China
- Prior art keywords
- target
- doctor
- inquiry
- order
- department
- 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
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000013507 mapping Methods 0.000 claims abstract description 104
- 238000003745 diagnosis Methods 0.000 claims description 54
- 238000006243 chemical reaction Methods 0.000 claims description 14
- 238000011156 evaluation Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 9
- 230000002349 favourable effect Effects 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 8
- 239000000463 material Substances 0.000 claims description 5
- 239000000126 substance Substances 0.000 claims 1
- 208000024891 symptom Diseases 0.000 description 19
- 238000010586 diagram Methods 0.000 description 14
- 230000008569 process Effects 0.000 description 13
- 230000004044 response Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 230000009466 transformation Effects 0.000 description 8
- 238000010801 machine learning Methods 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 5
- 239000003814 drug Substances 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 206010019233 Headaches Diseases 0.000 description 3
- 231100000869 headache Toxicity 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000002829 reductive effect Effects 0.000 description 3
- 230000000241 respiratory effect Effects 0.000 description 3
- 206010011224 Cough Diseases 0.000 description 2
- 206010020772 Hypertension Diseases 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 210000002249 digestive system Anatomy 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 208000008035 Back Pain Diseases 0.000 description 1
- 206010008479 Chest Pain Diseases 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000007675 cardiac surgery Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 238000012546 transfer Methods 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
- G16H80/00—ICT specially adapted for facilitating communication between medical practitioners or patients, e.g. for collaborative diagnosis, therapy or health monitoring
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Pathology (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明公开了一种线上问诊派单方法、装置和系统，涉及计算机技术领域。该方法的一具体实施方式包括：接收患者终端提交的问诊订单，问诊订单中含有与问诊相关的描述信息；将描述信息输入预先训练的分诊模型；在分诊模型输出分诊结果时，从分诊结果中确定问诊订单对应的目标科室；在分诊模型未输出分诊结果时，将描述信息与预先设置的多条映射规则进行匹配，从与描述信息匹配的映射规则中确定问诊订单对应的目标科室；根据预先计算的医生权重值从属于目标科室的医生中确定目标医生，向目标医生终端发送基于问诊订单生成的订单派发通知。该实施方式能够提升互联网医院非定向问诊中的科室分诊准确性以及患者体验。
Description
技术领域
本发明涉及计算机技术领域，尤其涉及一种线上问诊派单方法和装置。
背景技术
随着互联网医疗的快速发展，线上问诊已经成为患者问诊的重要方式，线上问诊的优势有：减轻三甲医院医患压力，避免医患关系紧张，承担初步筛查作用，支持跨地域患者寻诊。目前，非定向问诊(即患者未指定医生，接诊医生由系统自动分配)占线上问诊总量的70％左右。
在现有的非定向问诊技术中，主要使用机器学习模型进行科室分诊，之后在科室中随机分配接诊医生，其缺陷有：第一，科室分诊不准确，机器学习模型针对单一类型症状描述具有较强的分类能力，但是面对多类型症状描述时往往无法输出分类结果，这种情况下现有技术中可能会随机选择科室，导致分诊准确率降低。第二，针对不同医生的派单数量不均衡，容易导致部分医生因订单数量太多而无法接单、另一部分医生无单可接。第三，存在部分医生不及时接单或不及时回复的情况，影响患者就诊体验。
发明内容
有鉴于此，本发明实施例提供一种线上问诊派单方法、装置和系统，能够提升互联网医院非定向问诊中的科室分诊准确性以及患者体验。
为实现上述目的，根据本发明的一个方面，提供了一种线上问诊派单方法。
本发明实施例的线上问诊派单方法包括：接收患者终端提交的问诊订单，所述问诊订单中含有与问诊相关的描述信息；将所述描述信息输入预先训练的分诊模型；在所述分诊模型输出分诊结果时，从所述分诊结果中确定所述问诊订单对应的目标科室；在所述分诊模型未输出分诊结果时，将所述描述信息与预先设置的多条映射规则进行匹配，从与所述描述信息匹配的映射规则中确定所述问诊订单对应的目标科室；其中，每一映射规则表征：预先确定的至少一个问诊标签与相应科室的映射关系；根据预先计算的医生权重值从属于所述目标科室的医生中确定目标医生，向目标医生终端发送基于所述问诊订单生成的订单派发通知。
可选地，所述将所述描述信息与预先设置的多条映射规则进行匹配，从与所述描述信息匹配的映射规则中确定所述问诊订单对应的目标科室，包括：从所述描述信息中提取至少一个问诊标签，将包含该问诊标签的映射规则确定为与所述描述信息匹配的映射规则，将该映射规则中的科室确定为所述问诊订单对应的目标科室。
可选地，所述根据预先计算的医生权重值从属于所述目标科室的医生中确定目标医生，包括：如果所述目标科室是基于所述分诊模型确定的，则将属于所述目标科室的医生确定为候选医生，并根据预先计算的医生权重值从该候选医生中确定目标医生；如果所述目标科室是基于所述映射规则确定的，则将预先配置的、所述目标科室对应的全科医生白名单中的医生确定为候选医生，并根据预先计算的医生权重值从该候选医生中确定目标医生。
可选地，所述方法进一步包括：在确定所述目标科室之后，判断所述目标科室的当前候诊人数是否大于为所述目标科室预设的第一数值，判断所述目标科室当天的已接诊人数是否大于为所述目标科室预设的第二数值；在任一判断结果为“是”时，将所述问诊订单发送到预设的抢单池；其中，所述抢单池中的问诊订单根据医生终端发出的抢单指令进行派发；在两个判断结果都为“否”时，根据预先计算的医生权重值从属于所述目标科室的医生中确定目标医生。
可选地，所述根据预先计算的医生权重值从该候选医生中确定目标医生，包括：按照医生权重值从大到小的顺序依次将候选医生作为判别对象执行预设的判别逻辑，直到确定目标医生；所述判别逻辑为：在判别对象的当前候诊人数不大于为该判别对象预设的第三数值、并且、判别对象当天的已接诊人数不大于为该判别对象预设的第四数值时，将该判别对象确定为目标医生。
可选地，所述医生权重值是根据以下至少一种指标数据确定的：好评率指标、回复时长指标、入驻时长指标、实物转化指标、医生自身指标、所属医院指标、未回应指标。
可选地，所述方法进一步包括：在向目标医生终端发送所述订单派发通知之后，接收目标医生终端发出的已接诊通知和已回复通知；其中，所述已接诊通知是在目标医生确认接诊后发出的，所述已回复通知是在目标医生首次回复患者后发出的。
可选地，所述方法进一步包括：在向目标医生终端发送所述订单派发通知之后，如果在预设的第一时长内未接收到目标医生终端发出的已接诊通知，则将所述问诊订单确定为待转诊订单；如果在所述第一时长内接收到目标医生终端发出的已接诊通知之后，在预设的第二时长内未接收到目标医生终端发出的已回复通知，则将所述问诊订单确定为待转诊订单；根据预先计算的医生权重值从所述待转诊订单对应的目标科室中重新确定目标医生，向目标医生终端发送基于所述待转诊订单生成的订单派发通知。
为实现上述目的，根据本发明的另一方面，提供了一种线上问诊派单装置。
本发明实施例的线上问诊派单装置可包括：接收单元，用于接收患者终端提交的问诊订单，所述问诊订单中含有与问诊相关的描述信息；分诊单元，用于将所述描述信息输入预先训练的分诊模型；在所述分诊模型输出分诊结果时，从所述分诊结果中确定所述问诊订单对应的目标科室；在所述分诊模型未输出分诊结果时，将所述描述信息与预先设置的多条映射规则进行匹配，从与所述描述信息匹配的映射规则中确定所述问诊订单对应的目标科室；其中，每一映射规则表征：预先确定的至少一个问诊标签与相应科室的映射关系；派发单元，用于根据预先计算的医生权重值从属于所述目标科室的医生中确定目标医生，向目标医生终端发送基于所述问诊订单生成的订单派发通知。
可选地，所述分诊单元可进一步用于：从所述描述信息中提取至少一个问诊标签，将包含该问诊标签的映射规则确定为与所述描述信息匹配的映射规则，将该映射规则中的科室确定为所述问诊订单对应的目标科室；如果所述目标科室是基于所述分诊模型确定的，则将属于所述目标科室的医生确定为候选医生；如果所述目标科室是基于所述映射规则确定的，则将预先配置的、所述目标科室对应的全科医生白名单中的医生确定为候选医生；所述派发单元可进一步用于：按照医生权重值从大到小的顺序依次将候选医生作为判别对象执行预设的判别逻辑，直到确定目标医生；所述判别逻辑为：在判别对象的当前候诊人数不大于为该判别对象预设的第三数值、并且、判别对象当天的已接诊人数不大于为该判别对象预设的第四数值时，将该判别对象确定为目标医生。
为实现上述目的，根据本发明的又一方面，提供了一种线上问诊派单系统。
本发明实施例的线上问诊派单系统可包括：服务端、患者终端和医生终端；其中，服务端接收患者终端提交的问诊订单，所述问诊订单中含有与问诊相关的描述信息；服务端将所述描述信息输入预先训练的分诊模型；在所述分诊模型输出分诊结果时，从所述分诊结果中确定所述问诊订单对应的目标科室；在所述分诊模型未输出分诊结果时，将所述描述信息与预先设置的多条映射规则进行匹配，从与所述描述信息匹配的映射规则中确定所述问诊订单对应的目标科室；其中，每一映射规则表征：预先确定的至少一个问诊标签与相应科室的映射关系；服务端根据预先计算的医生权重值从属于所述目标科室的医生中确定目标医生，向目标医生终端发送基于所述问诊订单生成的订单派发通知。
为实现上述目的，根据本发明的又一方面，提供了一种电子设备。
本发明的一种电子设备包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本发明所提供的线上问诊派单方法。
为实现上述目的，根据本发明的再一方面，提供了一种计算机可读存储介质。
本发明的一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现本发明所提供的线上问诊派单方法。
根据本发明的技术方案，上述发明中的实施例具有如下优点或有益效果：
本发明技术方案在基于机器学习算法的分诊模型的基础上进一步优化，预先设置多条表征问诊标签与科室映射关系的映射规则，当分诊模型未输出分诊结果时，将问诊订单中的描述信息与上述映射规则进行匹配，从而获得问诊订单对应的目标科室，由此提高科室分诊准确性。在获得目标科室后确定目标医生的过程中，可以对科室及医生的当前候诊人数和当天已接诊人数进行判断，在当前候诊人数或当天已接诊人数超过阈值时停止订单派发，从而避免订单分配不均衡。当确定目标医生之后，根据目标医生终端是否在预设时长返回已接诊通知或已回复通知来决定是否需要转诊，从而保障患者就诊体验。此外，在本发明实施例中，基于映射规则获得目标科室之后，根据预先配置的目标科室的全科医生白名单来确定目标医生，从而满足存在多类型症状的患者的需求；在确定目标医生的过程中，使用由好评率指标、回复时长指标、入驻时长指标、实物转化指标、医生自身指标、所属医院指标、未回应指标等多种数据计算的医生权重值来有序判别，有助于使患者匹配到医术更精的医生。
上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。
附图说明
附图用于更好地理解本发明，不构成对本发明的不当限定。其中：
图1是本发明实施例中线上问诊派单方法的主要步骤示意图；
图2是本发明实施例中线上问诊派单方法的具体执行步骤示意图；
图3是本发明实施例中线上问诊派单装置的组成部分示意图；
图4是根据本发明实施例可以应用于其中的示例性系统架构图；
图5是用来实现本发明实施例中线上问诊派单方法的电子设备结构示意图。
具体实施方式
以下结合附图对本发明的示范性实施例做出说明，其中包括本发明实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本发明的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
需要指出的是，在不冲突的情况下，本发明的实施例以及实施例中的技术特征可以相互结合。
图1是根据本发明实施例中线上问诊派单方法的主要步骤示意图。
如图1所示，本发明实施例的线上问诊派单方法可具体按照如下步骤执行：
步骤S101：接收患者终端提交的问诊订单，问诊订单中含有与问诊相关的描述信息。
本发明实施例的技术方案可以应用在互联网医疗平台中，互联网医疗平台可以由服务端作为患者和医生之间沟通的桥梁以实现患者问诊和医生接诊，患者可以通过患者终端上安装的相应软件(如移动端软件APP)与安装同样软件的医生终端交互，患者终端与医生终端也可以通过上述软件与服务端交互。本发明实施例的线上问诊派单方法即执行在服务端。
实际应用中，患者在其终端的软件页面输入相关信息之后即可生成问诊订单，问诊订单中可以携带与问诊相关的描述信息，该描述信息中可以包括患者输入的上述信息，还可以包括预先获知的患者特征数据，示例性地，这些描述信息可以是以下一种或多种维度的数据：姓名、性别、年龄、职业、症状、病史、历史检查资料。
在本发明实施例中，可以将描述信息中含有的任一维度及其数据作为患者的一个问诊标签。例如，某问诊订单的描述信息为：男性，37岁，最近一个月内持续头疼，高血压病史，则可以从中提取该患者的以下多个问诊标签：(性别：男)、(年龄：37)、(症状：头疼)、(病史：高血压)。
在生成问诊订单之后，患者可以点击软件页面的相应按钮从而将问诊订单提交到服务端。服务端接收到问诊订单之后，可以通过执行以下步骤实现订单派发。
步骤S102：将描述信息输入预先训练的分诊模型；在分诊模型输出分诊结果时，从分诊结果中确定问诊订单对应的目标科室；在分诊模型未输出分诊结果时，将描述信息与预先设置的多条映射规则进行匹配，从与描述信息匹配的映射规则中确定问诊订单对应的目标科室。
在本步骤中，服务端首先从问诊订单中获取描述信息，并将描述信息输入预先训练的分诊模型。以上分诊模型用于判断与描述信息对应的科室(一般为呼吸内科、心外科等二级科室)，可以基于朴素贝叶斯、随机森林、循环神经网络RNN等机器学习算法构建，可以使用有监督学习方法进行训练，训练过程中，可以采用历史时期的问诊文本记录与已确定的相应科室形成训练集。
具体应用中，以上分诊模型在面对描述信息中的单一类型症状描述时具有较强的分类能力，但是面对多类型症状描述时往往无法判断进而无法输出分类结果，这种情况下现有技术会随机选择科室，导致其科室分诊准确率降低。针对性地，在本发明实施例中，如果分诊模型输出分诊结果，说明问诊订单中的描述信息中有可能包含单一症状描述，由于这种情况下分诊模型的准确性较高，因此可以从分诊结果中直接确定问诊订单对应的目标科室(目标科室指的是与问诊订单适应的就诊科室)，例如，分诊结果为某科室的标识，则可以根据该标识确定相应的目标科室。
实际场景中，服务端还可以预先设置规则对分诊模型输出的目标科室进行补充，例如，某规则为：年龄大于60岁——老年病科，则当分诊模型输出的某问诊订单对应的目标科室为消化内科时，如果该问诊订单中的描述信息符合上述规则，可以将老年病科同时作为目标科室。
如果分诊模型未输出分诊结果，则可以将描述信息与预先设置的多条映射规则进行匹配，并从与描述信息匹配的映射规则中确定问诊订单对应的目标科室。其中，以上映射规则可以是基于医学知识或者诊断经验预先配置的，能够表征预一个或多个问诊标签与适应科室的映射关系，例如，映射规则A为：症状为头疼且胸闷——心内科，映射规则B为：症状为咳嗽、手指末端粗大并且后背疼痛——呼吸内科。可以理解，映射规则也可以与年龄、性别等维度相关，也可以仅与单类型症状相关，例如也可以设置以下映射规则：年龄小于等于60岁——中西医结合科，手掌长期发红——消化内科。
与描述信息匹配的映射规则指的是包含的问诊标签与描述信息对应的映射规则，一般地，服务端获取到描述信息之后，可以首先从描述信息中提取问诊标签，并通过与映射规则的依次匹配，将包含描述信息中问诊标签(以上包含可以是包括描述信息中的所有问诊标签，也可以是包括描述信息中的部分问诊标签)的映射规则确定为与描述信息匹配的映射规则，最后将该映射规则中的科室确定为问诊订单对应的目标科室。例如，从描述信息中提取的问诊标签为(症状：咳嗽且手指末端粗大)，则可以将包含该问诊标签的前述映射规则B确定为与描述信息匹配的映射规则，将B中的“呼吸内科”确定为问诊订单对应的目标科室。
通过以上映射规则的设置，能够在分诊模型无法输出分诊结果时利用医学知识和历史经验准确判断多类型症状对应的目标科室，由此克服现有技术在分诊模型无法判别时随机选择科室的固有缺陷，提升科室分诊准确性。
步骤S103：根据预先计算的医生权重值从属于目标科室的医生中确定目标医生，向目标医生终端发送基于问诊订单生成的订单派发通知。
服务端在确定问诊订单对应的目标科室之后，可以首先判断目标科室的当前候诊人数是否大于为目标科室预设的第一数值，并判断目标科室当天的已接诊人数是否大于为目标科室预设的第二数值(以上两种判断可以任何顺序先后执行或同时执行)。其中，第一数值即目标科室的并发候诊人数门限值(即任一时刻候诊人数的门限值)，第二数值即目标科室的当天接诊人数门限值。具体应用中，第一数值和第二数值可以由服务端设置，可以由科室内的医生设置，还可以由服务端与医生共同设置，例如服务端设置一个数值范围，医生在该范围内设置确定值。
如果某一判断结果为“是”(即目标科室的当前候诊人数大于第一数值或者目标科室当天的已接诊人数大于第二数值)，说明目标科室当前接诊负载较高，此时可将问诊订单发送到预设的抢单池。该抢单池对所有医生可见，医生可以通过发出抢单指令进行抢单。如果两个判断结果都为“否”(即目标科室的当前候诊人数不大于第一数值同时目标科室当天的已接诊人数不大于第二数值)，说明目标科室还具有接诊能力，此时可以根据预先计算的医生权重值从属于目标科室的医生中确定目标医生。
通过以上判断，能够在科室负载过高时停止派单从而解决不同科室之间订单量不均衡的问题，避免一些科室因订单数量太多导致订单积压、另一部分科室无单可接的情况发生，也有助于缩短就诊等待时长，提升患者体验。
在经过以上判断之后，服务端可以首先从属于目标科室的医生中确定候选医生(即有条件或资格接诊的医生)，进而从候选医生中确定目标医生(即待接诊医生)。作为一个优选方案，如果目标科室是基于分诊模型确定的，则将属于目标科室的所有在线医生确定为候选医生；如果目标科室是基于映射规则确定的，则将预先配置的、目标科室对应的全科医生白名单中的医生确定为候选医生。其中，以上全科医生白名单是预先为每一科室分别建立，某科室的全科医生白名单中包括该科室中全科医生的标识(如姓名)，以上全科医生指的是能够对多类型症状进行诊断的医生。
配置全科医生白名单的作用在于，由于前述分诊模型无法处理具有多类型症状的问诊订单，因此使用过映射规则的问诊订单往往具有多类型症状，故需要以上白名单中的全科医生进行诊断以进一步提升患者就医体验。
在本发明实施例中，服务端在确定目标科室的候选医生之后，可以根据预先计算的医生权重值从候选医生中确定一个目标医生对问诊订单进行接诊。较佳地，医生权重值可以根据以下至少一种指标数据来计算：好评率指标、回复时长指标、入驻时长指标、实物转化指标、医生自身指标、所属医院指标、未回应指标，示例性地，医生权重值可以是以下多个指标的加权和(加权和可以依据预先为每种指标数据确定的指标权重进行计算)。
具体地，在一个实施例中，某医生的好评率指标可以通过以下方式计算：取该医生接诊的最近100个问诊订单，以从近到远的顺序将每20个订单分为一组，并依次将组权重设置为1、0.5、0.25、0.125、0.0625，每组的好评率为高于三星评价(最高为五星评价)的订单数量与有评价订单数量之商，评价率指标为每组好评率的加权和。
某医生的回复时长指标可以基于该医生接诊的最近100个问诊订单的回复时长平均值来计算，实际应用中，可以将上述回复时长平均值与预设的第一常数相加后取对数、该对数与预设的第二数值相加后取倒数得到。可以理解，回复时长平均值越大，回复时长指标越小。
某医生的入驻时长指标可以是该医生入驻互联网医疗平台时长的减函数，该指标有助于提高新入驻医生的权重值，以避免新入驻医生因权重值太低而无法接诊的情况。服务端可以灵活设置入驻时长指标的计算方式，例如可以设置为y＝1-0.001x，其中y表示入驻时长指标，x为入驻天数，当x大于1000时，y取值为零。
某医生的实物转化指标可以综合实物转化率指标和转化实物单价指标计算得到(例如是二者的加权和)。实物转化率指标可以通过以下步骤计算：取该医生接诊的最近100个问诊订单，以从近到远的顺序将每20个订单分为一组，并依次将组权重设置为1、0.5、0.25、0.125、0.0625，每组的实物转化率为产生转化(转化与患者发起的支付相关)的订单数量与订单总数之商，实物转化率指标为每组实物转化率的加权和。转化实物单价指标可以通过以下步骤计算：取该医生接诊的最近100个问诊订单，以从近到远的顺序将每20个订单分为一组，并依次将组权重设置为1、0.5、0.25、0.125、0.0625，每组的转化实物单价为销售总额与订单总数之商，实物转化率指标为每组转化实物单价的加权和。在计算实物转化指标之前，可以预先将转化实物单价指标归一化为零到一之间的数值。
医生自身指标可以根据医生的职称、职务、技术特长等进行计算，所属医院指标可以根据医生所属医院的等级(例如是否为三甲医院等)、所在地区(例如是否在直辖市、省会等)、所有权性质(例如是否为公立医院等)进行计算。未回应指标可以根据医生在历史时期的未回应率进行计算，具体地，取该医生接诊的最近100个问诊订单，以从近到远的顺序将每20个订单分为一组，并依次将组权重设置为1、0.5、0.25、0.125、0.0625，每组的未回应率为未回应(未回应包括在收到问诊订单后的第一时长内未接诊以及在接诊后的第二时长内未回复)的订单数量与订单总数之商，未回应指标为每组未回应率的加权和。
通过以上设置，即可综合与医生技术水平和职业态度相关的主要因素计算医生权重值，并使用医生权重值从目标科室的候选医生中确定目标医生。具体地，按照医生权重值从大到小的顺序依次将候选医生作为判别对象执行预设的判别逻辑，直到确定目标医生。以上判别逻辑为：在判别对象的当前候诊人数不大于为该判别对象预设的第三数值、并且、判别对象当天的已接诊人数不大于为该判别对象预设的第四数值时(以上两种判别可以任何顺序先后执行或同时执行)，将该判别对象确定为目标医生。也就是说，首先按照医生权重值降序排列每一候选医生并针对医生的当前候诊人数和当天已接诊人数依次判别，如果判别未通过，即当前候诊人数大于相应的第三数值、或者、当天已接诊人数大于相应的第四数值，说明该医生就诊负载较重，则执行下一医生的判别，如果判别通过，说明该医生具有接诊能力，则将该医生确定为目标医生。可以理解，以上的第三数值为医生的并发候诊人数门限值(即任一时刻候诊人数的门限值)，第四数值为医生的当天接诊人数门限值。具体应用中，第三数值和第四数值可以由服务端设置，可以由医生设置，还可以由服务端与医生共同设置，例如服务端设置一个数值范围，医生在该范围内设置确定值。
通过以上方式，能够在医生负载过高时停止派单从而解决不同医生之间订单量不均衡的问题，避免一些医生因订单数量太多导致订单积压、另一部分医生无单可接的情况发生，也有助于缩短就诊等待时长，提升患者体验。
服务端在确定目标医生之后，可以向目标医生终端发送基于问诊订单生成的订单派发通知。上述订单派发通知可以具有问诊单的形式，其中可以包括与问诊相关的描述信息。目标医生终端接收到订单派发通知之后，目标医生可以在其终端操作以确认接诊并在确认接诊后进行回复。具体应用中，目标医生确认接诊后目标医生终端可以向服务端发送已接诊通知，目标医生首次回复患者后目标医生终端可以向服务端发送已回复通知。
现有技术中，存在医生长时间不确认接诊或不进行回复的情况，容易影响患者就医体验，因此有必要对医生的接诊和回复响应进行判别并在医生长时间不确认接诊或不进行回复时对问诊订单转诊。在本发明实施例中，服务端在向目标医生终端发送订单派发通知之后，如果在预设的第一时长内未接收到目标医生终端发出的已接诊通知，则将问诊订单确定为待转诊订单；如果在第一时长内接收到目标医生终端发出的已接诊通知之后，在预设的第二时长内未接收到目标医生终端发出的已回复通知，则同样将问诊订单确定为待转诊订单。此后，服务端根据医生权重值重新从待转诊订单对应的目标科室中确定目标医生，并向当前的目标医生终端发送基于待转诊订单生成的订单派发通知。也就是说，服务端针对待转诊订单重新执行此前确定的目标科室接诊能力的判断(即执行关于上述第一数值、第二数值的判断)、目标医生接诊能力的判断(即执行关于上述第三数值、第四数值的判断)等步骤来确定目标医生，从而完成问诊订单的转诊，由此保证患者在较短时间内就诊。
实际应用中，为了提升医生对特殊问诊订单(例如夜间的问诊订单)的接诊意愿，服务端还可以设置相应的加价规则并体现在支付模块，例如加价规则可以是：针对夜间的问诊订单费用提升预设比例或增加预设金额。
图2是本发明实施例中线上问诊派单方法的具体执行步骤示意图，如图2所示，患者终端提交问诊订单之后，服务端进行接收，并将问诊订单中的描述信息输入预先训练的分诊模型。当分诊模型正常输出分诊结果时，即可从分诊结果中确定目标科室，此时服务端可以根据患者此前选择的派单方式进行判断。具体应用中，派单方式包括全职派单、兼职派单和混合派单，全职派单指的是针对全职医生(即全部工作时间在互联网医疗平台供职的医生)派单，兼职派单指的是针对兼职医生(即部分工作时间在互联网医疗平台供职的医生)派单，混合派单指的是针对全职医生以及兼职医生派单。
如果患者此前选择的是全职派单，则直接进入目标科室并发和上限的判断(并发判断即判断目标科室的当前候诊人数是否大于相应的第一数值，上限判断即判断目标科室当天的已接诊人数是否大于相应的第二数值)。如果患者此前选择的是兼职派单或混合派单，则需要首先判断目标科室当前是否有在线医生，如果有，则执行目标科室并发和上限的判断，如果没有，则将问诊订单送入抢单池。
如果分诊模型无法正常输出分诊结果，则将描述信息中的问诊标签与映射规则进行匹配，从而通过匹配的映射规则确定目标科室，此后将目标科室的全科医生白名单中的医生作为候选医生执行上述“是否有在线医生”的判断，如果有，则执行目标科室并发和上限的判断，如果没有，则将问诊订单送入抢单池。
此后，如果目标科室的并发和上限判断未通过(包括并发判断未通过和/或上限判断未通过)，则将问诊订单送入抢单池。如果目标科室的并发和上限判断通过(即并发判断通过并且上限判断未通过)，则按照医生权重值对候选医生降序排序并依次执行医生的并发和上限判断(并发判断即判断医生的当前候诊人数是否大于相应的第三数值，上限判断即判断医生当天的已接诊人数是否大于相应的第四数值)，如果并发和上限判断未通过(包括并发判断未通过和/或上限判断未通过)，则执行下一医生的判断；如果并发和上限判断通过(包括并发判断通过并且上限判断未通过)，则将当前医生确定为目标医生。
在确定目标医生之后，服务端可以向目标医生终端发送订单派发通知，并在第一时长内未收到目标医生终端发出的已接诊通知，或在接收到目标医生终端发出的已接诊通知之后的第二时长内未接收到已回复通知时，将问诊订单确定为待转诊订单，此后针对待转诊订单重新执行目标科室并发和上限的判断流程以及目标医生的确定流程。
在本发明实施例的技术方案中，在基于机器学习算法的分诊模型的基础上进一步优化，预先设置多条表征问诊标签与科室映射关系的映射规则，当分诊模型未输出分诊结果时，将问诊订单中的描述信息与上述映射规则进行匹配，从而获得问诊订单对应的目标科室，由此提高科室分诊准确性。在获得目标科室后确定目标医生的过程中，可以对科室及医生的当前候诊人数和当天已接诊人数进行判断，在当前候诊人数或当天已接诊人数超过阈值时停止订单派发，从而避免订单分配不均衡。当确定目标医生之后，根据目标医生终端是否在预设时长返回已接诊通知或已回复通知来决定是否需要转诊，从而保障患者就诊体验。此外，在本发明实施例中，基于映射规则获得目标科室之后，根据预先配置的目标科室的全科医生白名单来确定目标医生，从而满足存在多类型症状的患者的需求；在确定目标医生的过程中，使用由好评率指标、回复时长指标、入驻时长指标、实物转化指标、医生自身指标、所属医院指标、未回应指标等多种数据计算的医生权重值来有序判别，有助于使患者匹配到医术更精的医生。
需要说明的是，对于前述的各方法实施例，为了便于描述，将其表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，某些步骤事实上可以采用其它顺序进行或者同时进行。此外，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是实现本发明所必须的。
为便于更好的实施本发明实施例的上述方案，下面还提供用于实施上述方案的相关装置。
请参阅图3所示，本发明实施例提供的线上问诊派单装置300可以包括：接收单元301、分诊单元302和派发单元303。
其中，接收单元301可用于接收患者终端提交的问诊订单，所述问诊订单中含有与问诊相关的描述信息；分诊单元302可用于将所述描述信息输入预先训练的分诊模型；在所述分诊模型输出分诊结果时，从所述分诊结果中确定所述问诊订单对应的目标科室；在所述分诊模型未输出分诊结果时，将所述描述信息与预先设置的多条映射规则进行匹配，从与所述描述信息匹配的映射规则中确定所述问诊订单对应的目标科室；其中，每一映射规则表征：预先确定的至少一个问诊标签与相应科室的映射关系；派发单元303可用于根据预先计算的医生权重值从属于所述目标科室的医生中确定目标医生，向目标医生终端发送基于所述问诊订单生成的订单派发通知。
在本发明实施例中，所述分诊单元302可进一步用于：从所述描述信息中提取至少一个问诊标签，将包含该问诊标签的映射规则确定为与所述描述信息匹配的映射规则，将该映射规则中的科室确定为所述问诊订单对应的目标科室；如果所述目标科室是基于所述分诊模型确定的，则将属于所述目标科室的医生确定为候选医生；如果所述目标科室是基于所述映射规则确定的，则将预先配置的、所述目标科室对应的全科医生白名单中的医生确定为候选医生。
作为一个优选方案，所述派发单元303可进一步用于：按照医生权重值从大到小的顺序依次将候选医生作为判别对象执行预设的判别逻辑，直到确定目标医生；所述判别逻辑为：在判别对象的当前候诊人数不大于为该判别对象预设的第三数值、并且、判别对象当天的已接诊人数不大于为该判别对象预设的第四数值时，将该判别对象确定为目标医生。
示例性地，所述医生权重值是根据以下至少一种指标数据确定的：好评率指标、回复时长指标、入驻时长指标、实物转化指标、医生自身指标、所属医院指标、未回应指标。
较佳地，所述装置300可进一步包括接诊能力判断单元，其用于：在确定所述目标科室之后，判断所述目标科室的当前候诊人数是否大于为所述目标科室预设的第一数值，判断所述目标科室当天的已接诊人数是否大于为所述目标科室预设的第二数值；在任一判断结果为“是”时，将所述问诊订单发送到预设的抢单池；其中，所述抢单池中的问诊订单根据医生终端发出的抢单指令进行派发；在两个判断结果都为“否”时，根据预先计算的医生权重值从属于所述目标科室的医生中确定目标医生。
在一个实施例中，所述装置300可进一步包括转诊判断单元，其用于：在向目标医生终端发送所述订单派发通知之后，接收目标医生终端发出的已接诊通知和已回复通知；其中，所述已接诊通知是在目标医生确认接诊后发出的，所述已回复通知是在目标医生首次回复患者后发出的。
此外，在本发明实施例中，转诊判断单元可进一步用于：在向目标医生终端发送所述订单派发通知之后，如果在预设的第一时长内未接收到目标医生终端发出的已接诊通知，则将所述问诊订单确定为待转诊订单；如果在所述第一时长内接收到目标医生终端发出的已接诊通知之后，在预设的第二时长内未接收到目标医生终端发出的已回复通知，则将所述问诊订单确定为待转诊订单；根据预先计算的医生权重值从所述待转诊订单对应的目标科室中重新确定目标医生，向目标医生终端发送基于所述待转诊订单生成的订单派发通知。
根据本发明实施例的技术方案，在基于机器学习算法的分诊模型的基础上进一步优化，预先设置多条表征问诊标签与科室映射关系的映射规则，当分诊模型未输出分诊结果时，将问诊订单中的描述信息与上述映射规则进行匹配，从而获得问诊订单对应的目标科室，由此提高科室分诊准确性。在获得目标科室后确定目标医生的过程中，可以对科室及医生的当前候诊人数和当天已接诊人数进行判断，在当前候诊人数或当天已接诊人数超过阈值时停止订单派发，从而避免订单分配不均衡。当确定目标医生之后，根据目标医生终端是否在预设时长返回已接诊通知或已回复通知来决定是否需要转诊，从而保障患者就诊体验。此外，在本发明实施例中，基于映射规则获得目标科室之后，根据预先配置的目标科室的全科医生白名单来确定目标医生，从而满足存在多类型症状的患者的需求；在确定目标医生的过程中，使用由好评率指标、回复时长指标、入驻时长指标、实物转化指标、医生自身指标、所属医院指标、未回应指标等多种数据计算的医生权重值来有序判别，有助于使患者匹配到医术更精的医生。
在本发明实施例中，进一步提供一种线上问诊派单系统。本发明实施例的线上问诊派单系统可以包括：服务端、患者终端和医生终端。
其中，服务端接收患者终端提交的问诊订单，所述问诊订单中含有与问诊相关的描述信息；服务端将所述描述信息输入预先训练的分诊模型；在所述分诊模型输出分诊结果时，从所述分诊结果中确定所述问诊订单对应的目标科室；在所述分诊模型未输出分诊结果时，将所述描述信息与预先设置的多条映射规则进行匹配，从与所述描述信息匹配的映射规则中确定所述问诊订单对应的目标科室；其中，每一映射规则表征：预先确定的至少一个问诊标签与相应科室的映射关系；服务端根据预先计算的医生权重值从属于所述目标科室的医生中确定目标医生，向目标医生终端发送基于所述问诊订单生成的订单派发通知。
作为一个优选方案，服务端从所述描述信息中提取至少一个问诊标签，将包含该问诊标签的映射规则确定为与所述描述信息匹配的映射规则，将该映射规则中的科室确定为所述问诊订单对应的目标科室。
较佳地，如果所述目标科室是基于所述分诊模型确定的，则服务端将属于所述目标科室的医生确定为候选医生，并根据预先计算的医生权重值从该候选医生中确定目标医生；如果所述目标科室是基于所述映射规则确定的，则服务端将预先配置的、所述目标科室对应的全科医生白名单中的医生确定为候选医生，并根据预先计算的医生权重值从该候选医生中确定目标医生。
具体应用中，服务端在确定所述目标科室之后，判断所述目标科室的当前候诊人数是否大于为所述目标科室预设的第一数值，判断所述目标科室当天的已接诊人数是否大于为所述目标科室预设的第二数值；在任一判断结果为“是”时，将所述问诊订单发送到预设的抢单池；其中，所述抢单池中的问诊订单根据医生终端发出的抢单指令进行派发；在两个判断结果都为“否”时，根据预先计算的医生权重值从属于所述目标科室的医生中确定目标医生。
实际应用中，服务端按照医生权重值从大到小的顺序依次将候选医生作为判别对象执行预设的判别逻辑，直到确定目标医生；所述判别逻辑为：在判别对象的当前候诊人数不大于为该判别对象预设的第三数值、并且、判别对象当天的已接诊人数不大于为该判别对象预设的第四数值时，将该判别对象确定为目标医生。
示例性地，所述医生权重值是根据以下至少一种指标数据确定的：好评率指标、回复时长指标、入驻时长指标、实物转化指标、医生自身指标、所属医院指标、未回应指标。
在一些实施例中，服务端在向目标医生终端发送所述订单派发通知之后，接收目标医生终端发出的已接诊通知和已回复通知；其中，所述已接诊通知是在目标医生确认接诊后发出的，所述已回复通知是在目标医生首次回复患者后发出的。
此外，在本发明实施例中，服务端在向目标医生终端发送所述订单派发通知之后，如果在预设的第一时长内未接收到目标医生终端发出的已接诊通知，则将所述问诊订单确定为待转诊订单；如果在所述第一时长内接收到目标医生终端发出的已接诊通知之后，在预设的第二时长内未接收到目标医生终端发出的已回复通知，则将所述问诊订单确定为待转诊订单；服务端根据预先计算的医生权重值从所述待转诊订单对应的目标科室中重新确定目标医生，向目标医生终端发送基于所述待转诊订单生成的订单派发通知。
图4示出了可以应用本发明实施例的线上问诊派单方法或线上问诊派单装置的示例性系统架构400。
如图4所示，系统架构400可以包括终端设备401、402、403，网络404和服务器405(此架构仅仅是示例，具体架构中包含的组件可以根据申请具体情况调整)。网络404用以在终端设备401、402、403和服务器405之间提供通信链路的介质。网络404可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等。
用户(包括医生和患者)可以使用终端设备401、402、403通过网络404与服务器405交互，以接收或发送消息等。终端设备401、402、403上可以安装有各种通讯客户端应用，例如互联网医疗应用(仅为示例)。
终端设备401、402、403可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器405可以是提供各种服务的服务器，例如对用户利用终端设备401、402、403所操作的互联网医疗应用提供支持的后台服务器(仅为示例)。后台服务器可以对接收到的、患者终端提交的问诊订单进行处理，并将处理结果(例如订单派发通知--仅为示例)发送给医生终端。
需要说明的是，本发明实施例所提供的线上问诊派单方法一般由服务器405执行，相应地，线上问诊派单装置一般设置于服务器405中。
应该理解，图4中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
本发明还提供了一种电子设备。本发明实施例的电子设备包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本发明所提供的线上问诊派单方法。
下面参考图5，其示出了适于用来实现本发明实施例的电子设备的计算机系统500的结构示意图。图5示出的电子设备仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图5所示，计算机系统500包括中央处理单元(CPU)501，其可以根据存储在只读存储器(ROM)502中的程序或者从存储部分508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM503中，还存储有计算机系统500操作所需的各种程序和数据。CPU501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
以下部件连接至I/O接口505：包括键盘、鼠标等的输入部分506；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分507；包括硬盘等的存储部分508；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分509。通信部分509经由诸如因特网的网络执行通信处理。驱动器510也根据需要连接至I/O接口505。可拆卸介质511，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器510上，以便从其上读出的计算机程序根据需要被安装入存储部分508。
特别地，根据本发明公开的实施例，上文的主要步骤图描述的过程可以被实现为计算机软件程序。例如，本发明实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行主要步骤图所示的方法的程序代码。在上述实施例中，该计算机程序可以通过通信部分509从网络上被下载和安装，和/或从可拆卸介质511被安装。在该计算机程序被中央处理单元501执行时，执行本发明的系统中限定的上述功能。
需要说明的是，本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。在本发明中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。
附图中的流程图和框图，图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这根据所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本发明实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括接收单元、分诊单元和派发单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，接收单元还可以被描述为“向分诊单元提供问诊订单及其中描述信息的单元”。
作为另一方面，本发明还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的设备中所包含的；也可以是单独存在，而未装配入该设备中的。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该设备执行时，使得该设备执行的步骤包括：接收患者终端提交的问诊订单，所述问诊订单中含有与问诊相关的描述信息；将所述描述信息输入预先训练的分诊模型；在所述分诊模型输出分诊结果时，从所述分诊结果中确定所述问诊订单对应的目标科室；在所述分诊模型未输出分诊结果时，将所述描述信息与预先设置的多条映射规则进行匹配，从与所述描述信息匹配的映射规则中确定所述问诊订单对应的目标科室；其中，每一映射规则表征：预先确定的至少一个问诊标签与相应科室的映射关系；根据预先计算的医生权重值从属于所述目标科室的医生中确定目标医生，向目标医生终端发送基于所述问诊订单生成的订单派发通知。
在本发明实施例的技术方案中，在基于机器学习算法的分诊模型的基础上进一步优化，预先设置多条表征问诊标签与科室映射关系的映射规则，当分诊模型未输出分诊结果时，将问诊订单中的描述信息与上述映射规则进行匹配，从而获得问诊订单对应的目标科室，由此提高科室分诊准确性。在获得目标科室后确定目标医生的过程中，可以对科室及医生的当前候诊人数和当天已接诊人数进行判断，在当前候诊人数或当天已接诊人数超过阈值时停止订单派发，从而避免订单分配不均衡。当确定目标医生之后，根据目标医生终端是否在预设时长返回已接诊通知或已回复通知来决定是否需要转诊，从而保障患者就诊体验。此外，在本发明实施例中，基于映射规则获得目标科室之后，根据预先配置的目标科室的全科医生白名单来确定目标医生，从而满足存在多类型症状的患者的需求；在确定目标医生的过程中，使用由好评率指标、回复时长指标、入驻时长指标、实物转化指标、医生自身指标、所属医院指标、未回应指标等多种数据计算的医生权重值来有序判别，有助于使患者匹配到医术更精的医生。
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，取决于设计要求和其他因素，可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。
Claims (13)
1.一种线上问诊派单方法，其特征在于，包括：
接收患者终端提交的问诊订单，所述问诊订单中含有与问诊相关的描述信息；
将所述描述信息输入预先训练的分诊模型；
在所述分诊模型输出分诊结果时，从所述分诊结果中确定所述问诊订单对应的目标科室；
在所述分诊模型未输出分诊结果时，将所述描述信息与预先设置的多条映射规则进行匹配，从与所述描述信息匹配的映射规则中确定所述问诊订单对应的目标科室；其中，每一映射规则表征：预先确定的至少一个问诊标签与相应科室的映射关系；
根据预先计算的医生权重值从属于所述目标科室的医生中确定目标医生，向目标医生终端发送基于所述问诊订单生成的订单派发通知。
2.根据权利要求1所述的方法，其特征在于，所述将所述描述信息与预先设置的多条映射规则进行匹配，从与所述描述信息匹配的映射规则中确定所述问诊订单对应的目标科室，包括：
从所述描述信息中提取至少一个问诊标签，将包含该问诊标签的映射规则确定为与所述描述信息匹配的映射规则，将该映射规则中的科室确定为所述问诊订单对应的目标科室。
3.根据权利要求1所述的方法，其特征在于，所述根据预先计算的医生权重值从属于所述目标科室的医生中确定目标医生，包括：
如果所述目标科室是基于所述分诊模型确定的，则将属于所述目标科室的医生确定为候选医生，并根据预先计算的医生权重值从该候选医生中确定目标医生；
如果所述目标科室是基于所述映射规则确定的，则将预先配置的、所述目标科室对应的全科医生白名单中的医生确定为候选医生，并根据预先计算的医生权重值从该候选医生中确定目标医生。
4.根据权利要求3所述的方法，其特征在于，所述方法进一步包括：
在确定所述目标科室之后，判断所述目标科室的当前候诊人数是否大于为所述目标科室预设的第一数值，判断所述目标科室当天的已接诊人数是否大于为所述目标科室预设的第二数值；
在任一判断结果为“是”时，将所述问诊订单发送到预设的抢单池；其中，所述抢单池中的问诊订单根据医生终端发出的抢单指令进行派发；
在两个判断结果都为“否”时，根据预先计算的医生权重值从属于所述目标科室的医生中确定目标医生。
5.根据权利要求4所述的方法，其特征在于，所述根据预先计算的医生权重值从该候选医生中确定目标医生，包括：
按照医生权重值从大到小的顺序依次将候选医生作为判别对象执行预设的判别逻辑，直到确定目标医生；
所述判别逻辑为：在判别对象的当前候诊人数不大于为该判别对象预设的第三数值、并且、判别对象当天的已接诊人数不大于为该判别对象预设的第四数值时，将该判别对象确定为目标医生。
6.根据权利要求5所述的方法，其特征在于，所述医生权重值是根据以下至少一种指标数据确定的：好评率指标、回复时长指标、入驻时长指标、实物转化指标、医生自身指标、所属医院指标、未回应指标。
7.根据权利要求1所述的方法，其特征在于，所述方法进一步包括：
在向目标医生终端发送所述订单派发通知之后，接收目标医生终端发出的已接诊通知和已回复通知；其中，所述已接诊通知是在目标医生确认接诊后发出的，所述已回复通知是在目标医生首次回复患者后发出的。
8.根据权利要求7所述的方法，其特征在于，所述方法进一步包括：
在向目标医生终端发送所述订单派发通知之后，如果在预设的第一时长内未接收到目标医生终端发出的已接诊通知，则将所述问诊订单确定为待转诊订单；如果在所述第一时长内接收到目标医生终端发出的已接诊通知之后，在预设的第二时长内未接收到目标医生终端发出的已回复通知，则将所述问诊订单确定为待转诊订单；
根据预先计算的医生权重值从所述待转诊订单对应的目标科室中重新确定目标医生，向目标医生终端发送基于所述待转诊订单生成的订单派发通知。
9.一种线上问诊派单装置，其特征在于，包括：
接收单元，用于接收患者终端提交的问诊订单，所述问诊订单中含有与问诊相关的描述信息；
分诊单元，用于将所述描述信息输入预先训练的分诊模型；在所述分诊模型输出分诊结果时，从所述分诊结果中确定所述问诊订单对应的目标科室；在所述分诊模型未输出分诊结果时，将所述描述信息与预先设置的多条映射规则进行匹配，从与所述描述信息匹配的映射规则中确定所述问诊订单对应的目标科室；其中，每一映射规则表征：预先确定的至少一个问诊标签与相应科室的映射关系；
派发单元，用于根据预先计算的医生权重值从属于所述目标科室的医生中确定目标医生，向目标医生终端发送基于所述问诊订单生成的订单派发通知。
10.根据权利要求9所述的装置，其特征在于，
所述分诊单元进一步用于：从所述描述信息中提取至少一个问诊标签，将包含该问诊标签的映射规则确定为与所述描述信息匹配的映射规则，将该映射规则中的科室确定为所述问诊订单对应的目标科室；如果所述目标科室是基于所述分诊模型确定的，则将属于所述目标科室的医生确定为候选医生；如果所述目标科室是基于所述映射规则确定的，则将预先配置的、所述目标科室对应的全科医生白名单中的医生确定为候选医生；
所述派发单元进一步用于：按照医生权重值从大到小的顺序依次将候选医生作为判别对象执行预设的判别逻辑，直到确定目标医生；所述判别逻辑为：在判别对象的当前候诊人数不大于为该判别对象预设的第三数值、并且、判别对象当天的已接诊人数不大于为该判别对象预设的第四数值时，将该判别对象确定为目标医生。
11.一种线上问诊派单系统，其特征在于，包括：服务端、患者终端和医生终端；其中，
服务端接收患者终端提交的问诊订单，所述问诊订单中含有与问诊相关的描述信息；
服务端将所述描述信息输入预先训练的分诊模型；在所述分诊模型输出分诊结果时，从所述分诊结果中确定所述问诊订单对应的目标科室；在所述分诊模型未输出分诊结果时，将所述描述信息与预先设置的多条映射规则进行匹配，从与所述描述信息匹配的映射规则中确定所述问诊订单对应的目标科室；其中，每一映射规则表征：预先确定的至少一个问诊标签与相应科室的映射关系；
服务端根据预先计算的医生权重值从属于所述目标科室的医生中确定目标医生，向目标医生终端发送基于所述问诊订单生成的订单派发通知。
12.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-8中任一所述的方法。
13.一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，所述程序被处理器执行时实现如权利要求1-8中任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110424898.5A CN113077913A (zh) | 2021-04-20 | 2021-04-20 | 线上问诊派单方法、装置和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110424898.5A CN113077913A (zh) | 2021-04-20 | 2021-04-20 | 线上问诊派单方法、装置和系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113077913A true CN113077913A (zh) | 2021-07-06 |
Family
ID=76618343
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110424898.5A Pending CN113077913A (zh) | 2021-04-20 | 2021-04-20 | 线上问诊派单方法、装置和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113077913A (zh) |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113409932A (zh) * | 2021-07-21 | 2021-09-17 | 挂号网（杭州）科技有限公司 | 分诊方法、装置、计算机设备及存储介质 |
| CN113592345A (zh) * | 2021-08-10 | 2021-11-02 | 康键信息技术（深圳）有限公司 | 基于聚类模型的医疗分诊方法、系统、设备及存储介质 |
| CN113658672A (zh) * | 2021-08-23 | 2021-11-16 | 平安国际智慧城市科技股份有限公司 | 医师多点执业管理方法、装置、设备及存储介质 |
| CN113674825A (zh) * | 2021-08-06 | 2021-11-19 | 东莞市人民医院 | 一种转诊处理方法及系统 |
| CN113724899A (zh) * | 2021-08-31 | 2021-11-30 | 平安国际智慧城市科技股份有限公司 | 一种基于人工智能的线上问诊方法、装置、设备及介质 |
| CN113808722A (zh) * | 2021-09-27 | 2021-12-17 | 南京中赫在线信息科技有限公司 | 一种智能化咨询问诊系统及其应用 |
| CN113822559A (zh) * | 2021-09-14 | 2021-12-21 | 北京天健智慧科技有限公司 | 互联网护理平台锁定订单的处理方法 |
| CN113838560A (zh) * | 2021-09-09 | 2021-12-24 | 王其景 | 一种基于医学影像的远程诊断系统及方法 |
| CN115019948A (zh) * | 2022-06-28 | 2022-09-06 | 苏州景昱医疗器械有限公司 | 控制设备、远程会诊系统和计算机可读存储介质 |
| CN115150450A (zh) * | 2022-06-21 | 2022-10-04 | 北京京东拓先科技有限公司 | 医患会话场景的消息发送方法和装置 |
| CN116364233A (zh) * | 2023-03-06 | 2023-06-30 | 广东名阳信息科技有限公司 | 一种诊断后的提醒方法以及装置 |
| CN116646065A (zh) * | 2023-05-25 | 2023-08-25 | 浙江蕙康科技有限公司 | 互联网医院数据安全管理方法和装置 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107563572A (zh) * | 2017-09-27 | 2018-01-09 | 北京同城必应科技有限公司 | 一种订单分配方法、装置、计算机设备和存储介质 |
| CN110675944A (zh) * | 2019-09-20 | 2020-01-10 | 京东方科技集团股份有限公司 | 分诊方法及装置、计算机设备及介质 |
| CN110993078A (zh) * | 2019-11-27 | 2020-04-10 | 华中科技大学同济医学院附属协和医院 | 一种医疗分诊方法、装置和存储介质 |
| CN112542236A (zh) * | 2020-12-18 | 2021-03-23 | 微医云(杭州)控股有限公司 | 在线任务派发方法、装置、电子设备及存储介质 |
-
2021
- 2021-04-20 CN CN202110424898.5A patent/CN113077913A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107563572A (zh) * | 2017-09-27 | 2018-01-09 | 北京同城必应科技有限公司 | 一种订单分配方法、装置、计算机设备和存储介质 |
| CN110675944A (zh) * | 2019-09-20 | 2020-01-10 | 京东方科技集团股份有限公司 | 分诊方法及装置、计算机设备及介质 |
| CN110993078A (zh) * | 2019-11-27 | 2020-04-10 | 华中科技大学同济医学院附属协和医院 | 一种医疗分诊方法、装置和存储介质 |
| CN112542236A (zh) * | 2020-12-18 | 2021-03-23 | 微医云(杭州)控股有限公司 | 在线任务派发方法、装置、电子设备及存储介质 |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113409932A (zh) * | 2021-07-21 | 2021-09-17 | 挂号网（杭州）科技有限公司 | 分诊方法、装置、计算机设备及存储介质 |
| CN113674825A (zh) * | 2021-08-06 | 2021-11-19 | 东莞市人民医院 | 一种转诊处理方法及系统 |
| CN113592345A (zh) * | 2021-08-10 | 2021-11-02 | 康键信息技术（深圳）有限公司 | 基于聚类模型的医疗分诊方法、系统、设备及存储介质 |
| CN113658672A (zh) * | 2021-08-23 | 2021-11-16 | 平安国际智慧城市科技股份有限公司 | 医师多点执业管理方法、装置、设备及存储介质 |
| CN113724899A (zh) * | 2021-08-31 | 2021-11-30 | 平安国际智慧城市科技股份有限公司 | 一种基于人工智能的线上问诊方法、装置、设备及介质 |
| CN113838560A (zh) * | 2021-09-09 | 2021-12-24 | 王其景 | 一种基于医学影像的远程诊断系统及方法 |
| CN113822559A (zh) * | 2021-09-14 | 2021-12-21 | 北京天健智慧科技有限公司 | 互联网护理平台锁定订单的处理方法 |
| CN113822559B (zh) * | 2021-09-14 | 2024-04-09 | 北京天健智慧科技有限公司 | 互联网护理平台锁定订单的处理方法 |
| CN113808722A (zh) * | 2021-09-27 | 2021-12-17 | 南京中赫在线信息科技有限公司 | 一种智能化咨询问诊系统及其应用 |
| CN115150450A (zh) * | 2022-06-21 | 2022-10-04 | 北京京东拓先科技有限公司 | 医患会话场景的消息发送方法和装置 |
| CN115019948A (zh) * | 2022-06-28 | 2022-09-06 | 苏州景昱医疗器械有限公司 | 控制设备、远程会诊系统和计算机可读存储介质 |
| CN116364233A (zh) * | 2023-03-06 | 2023-06-30 | 广东名阳信息科技有限公司 | 一种诊断后的提醒方法以及装置 |
| CN116646065A (zh) * | 2023-05-25 | 2023-08-25 | 浙江蕙康科技有限公司 | 互联网医院数据安全管理方法和装置 |
| CN116646065B (zh) * | 2023-05-25 | 2024-03-19 | 浙江蕙康科技有限公司 | 互联网医院数据安全管理方法和装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113077913A (zh) | 线上问诊派单方法、装置和系统 | |
| US11600390B2 (en) | Machine learning clinical decision support system for risk categorization | |
| US20220391858A1 (en) | System for processing retail clinic claims | |
| US10978198B1 (en) | Systems and methods for determining patient financial responsibility for multiple prescription products | |
| CN110675135A (zh) | 多人共同支付方法、装置、介质及电子设备 | |
| CN108885762B (zh) | 用于在数据市场中分配价格发现机制的方法和系统 | |
| KR20230001435A (ko) | 고객정보 통합분석기반 보험 보장핏팅 서비스 방법 및 장치 | |
| US10366780B2 (en) | Predictive patient to medical treatment matching system and method | |
| CN109255721A (zh) | 基于费用预测的保险推荐方法、设备、服务器及可读介质 | |
| US20130290023A1 (en) | System and method for underwriting insurance policies based on cardiovascular risk | |
| CN115132356A (zh) | 互联网医疗分诊方法、装置、电子设备及存储介质 | |
| CN112434833A (zh) | 医院预约挂号机器人系统 | |
| CA3088562A1 (en) | Restricted-access and/or data chip device for healthcare | |
| Ballreich et al. | Medicare spending on drugs with accelerated approval | |
| US20150317743A1 (en) | Medicare advantage risk adjustment | |
| CN109545320A (zh) | 基于数据处理的取药异常确定方法和终端设备 | |
| Khan et al. | Development of web and mobile based smart online healthcare system | |
| US10521597B2 (en) | Computing device and method for input site qualification | |
| CN113160954B (zh) | 医疗资源分配方法及装置、存储介质、电子设备 | |
| CN113257398A (zh) | 信息处理系统、方法、装置 | |
| CN113241134A (zh) | 在线问诊医生分配方法和系统、存储介质 | |
| CN110782360A (zh) | 结算数据处理方法与装置、存储介质、电子设备 | |
| CN110600131A (zh) | 基于体检推荐的健康核查方法以及装置 | |
| Takura | Study Group: Research on Appropriate Medical Treatment Prices for Foreigners Visiting Japan Preliminary Examination of an Appropriate Price Calculation Method and Medical Treatment Costs for Foreign Visitors in Japan | |
| US11978100B1 (en) | Sorting process to make negotiated rates available for prescription drugs |
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 |