CN113223648A - 一种诊前信息采集方法及装置 - Google Patents

一种诊前信息采集方法及装置 Download PDF

Info

Publication number
CN113223648A
CN113223648A CN202110501629.4A CN202110501629A CN113223648A CN 113223648 A CN113223648 A CN 113223648A CN 202110501629 A CN202110501629 A CN 202110501629A CN 113223648 A CN113223648 A CN 113223648A
Authority
CN
China
Prior art keywords
target
symptom
question text
answer result
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
Application number
CN202110501629.4A
Other languages
English (en)
Other versions
CN113223648B (zh
Inventor
张永明
胡可云
陈联忠
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 Jiahesen Health Technology Co ltd
Original Assignee
Beijing Jiahesen Health Technology 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 Jiahesen Health Technology Co ltd filed Critical Beijing Jiahesen Health Technology Co ltd
Priority to CN202110501629.4A priority Critical patent/CN113223648B/zh
Publication of CN113223648A publication Critical patent/CN113223648A/zh
Application granted granted Critical
Publication of CN113223648B publication Critical patent/CN113223648B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • G06F16/332—Query formulation
    • G06F16/3329—Natural language query formulation or dialogue 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
    • G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
    • G06F16/367—Ontology
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Pathology (AREA)
  • Human Computer Interaction (AREA)
  • Artificial Intelligence (AREA)
  • Chemical & Material Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Medicinal Chemistry (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Animal Behavior & Ethology (AREA)
  • Medical Treatment And Welfare Office Work (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

本申请实施例公开了一种诊前信息采集方法及装置，包括：获取患者基本信息以及症状信息。从预先建立的医学知识图谱中获取症状信息对应的症状属性类别，生成针对症状属性类别的第一问题文本。获取第一问题文本的第一回答结果，第一回答结果包括症状属性类别的目标属性值。将患者基本信息、症状信息以及症状属性类别的目标属性值输入机器学习模型，得到机器学习模型输出的第一目标疾病。从医学知识图谱中获取第一目标疾病对应的检验检查项目，生成针对检验检查项目的第二问题文本。获取第二问题文本的第二回答结果，第二回答结果包括是否进行检验检查项目。该方法通过启发性的问答获取患者诊前信息，可扩展性强，提高了就诊效率且便于患者就诊。

Description

一种诊前信息采集方法及装置
技术领域
本申请涉及数据处理技术领域，具体涉及一种诊前信息采集方法及装置。
背景技术
通常，医生对患者的问诊时间有限，且患者人数众多。这造成医生记录的患者病情并不详细，进而导致患者的病历内容不完整、病历质量不高等问题。同时，就诊时间短且等待时间长使得患者就诊不方便。
目前，可采用问诊问卷的方式使医生提前获取与患者病情相关的信息。但是已有的问诊问卷是以固定的题目进行提问，只有一些问题的关键词会根据患者的回答进行替换调整。通过该问诊问卷方式获取诊前信息的有效性、可扩展性差。
发明内容
有鉴于此，本申请实施例提供一种诊前信息采集方法及装置，以启发的提问方式采集诊前信息，使得该采集诊前信息的方式有效性高、可扩展性强，能极大提高医生的效率且便于患者就诊。
为解决上述问题，本申请实施例提供的技术方案如下：
一种诊前信息采集方法，所述方法包括：
获取患者基本信息以及症状信息；
从预先建立的医学知识图谱中获取所述症状信息对应的症状属性类别，生成针对所述症状属性类别的第一问题文本；
获取所述第一问题文本的第一回答结果，所述第一回答结果包括所述症状属性类别的目标属性值，所述症状属性类别的目标属性值为所述症状属性类别的属性值中的一个或多个；
将所述患者基本信息、所述症状信息以及所述症状属性类别的目标属性值输入机器学习模型，得到所述机器学习模型输出的第一目标疾病；
从所述医学知识图谱中获取所述第一目标疾病对应的检验检查项目，生成针对所述检验检查项目的第二问题文本；
获取所述第二问题文本的第二回答结果，所述第二回答结果包括是否进行所述检验检查项目，如果所述第二回答结果包括进行所述检验检查项目，所述第二回答结果还包括所述检验检查项目的检验检查结果。
在一种可能的实现方式中，所述从预先建立的医学知识图谱中获取所述症状信息对应的症状属性类别，生成针对所述症状属性类别的第一问题文本，包括：
从预先建立的医学知识图谱中获取所述症状信息对应的症状属性类别以及所述症状属性类别的属性值；
生成针对所述症状属性类别的第一问题文本，并将所述症状属性类别的属性值确定为所述第一问题文本的选择项。
在一种可能的实现方式中，所述方法还包括：
如果第二回答结果包括未进行所述检验检查项目，将所述第一目标疾病确定为既往疾病；
如果第二回答结果包括所述检验检查项目的检验检查结果，将所述患者基本信息、所述症状信息、所述症状属性类别的目标属性值以及所述检验检查项目的检验检查结果输入所述机器学习模型，得到所述机器学习模型输出的第二目标疾病，将所述第二目标疾病确定为既往疾病；
生成针对所述既往疾病的第三问题文本；
获取所述第三问题文本的第三回答结果，所述第三回答结果包括是否存在所述既往疾病，如果所述第三回答结果包括存在所述既往疾病，所述第三回答结果还包括目标既往疾病，所述目标既往疾病为所述既往疾病中的一个或多个。
在一种可能的实现方式中，所述方法还包括：
如果所述第三回答结果包括目标既往疾病，从所述医学知识图谱中获取所述目标既往疾病对应的治疗项目，生成针对所述治疗项目的第四问题文本；
获取所述第四问题文本的第四回答结果。
在一种可能的实现方式中，所述方法还包括：
如果所述第三回答结果包括目标既往疾病，从所述医学知识图谱中获取所述目标既往疾病对应的药品，生成针对所述药品的第五问题文本；
获取所述第五问题文本的第五回答结果。
在一种可能的实现方式中，所述方法还包括：
从所述医学知识图谱中获取所述第一目标疾病和/或所述目标既往疾病对应的生活习惯；
生成针对所述生活习惯的第六问题文本；
获取所述第六问题文本的第六回答结果。
在一种可能的实现方式中，所述方法还包括：
从所述医学知识图谱中获取所述第一目标疾病和/或所述目标既往疾病是否存在遗传性；
如果所述第一目标疾病或者所述目标既往疾病存在遗传性，生成针对所述第一目标疾病或者所述目标既往疾病的遗传性的第七问题文本；
获取所述第七问题文本的第七回答结果。
在一种可能的实现方式中，所述方法还包括：
从所述医学知识图谱中获取所述第一目标疾病和/或所述目标既往疾病对应的药品的过敏人群；
生成针对是否属于所述过敏人群的第八问题文本；
获取所述第八问题文本的第八回答结果。
在一种可能的实现方式中，所述方法还包括：
如果所述患者基本信息中性别为女性，生成针对婚育史的第九问题文本；
获取所述第九问题文本的第九回答结果。
一种诊前信息采集装置，所述装置包括：
第一获取单元，用于获取患者基本信息以及症状信息；
第一生成单元，用于从预先建立的医学知识图谱中获取所述症状信息对应的症状属性类别，生成针对所述症状属性类别的第一问题文本；
第二获取单元，用于获取所述第一问题文本的第一回答结果，所述第一回答结果包括所述症状属性类别的目标属性值，所述症状属性类别的目标属性值为所述症状属性类别的属性值中的一个或多个；
第三获取单元，用于将所述患者基本信息、所述症状信息以及所述症状属性类别的目标属性值输入机器学习模型，得到所述机器学习模型输出的第一目标疾病；
第二生成单元，用于从所述医学知识图谱中获取所述第一目标疾病对应的检验检查项目，生成针对所述检验检查项目的第二问题文本；
第四获取单元，用于获取所述第二问题文本的第二回答结果，所述第二回答结果包括是否进行所述检验检查项目，如果所述第二回答结果包括进行所述检验检查项目，所述第二回答结果还包括所述检验检查项目的检验检查结果。
由此可见，本申请实施例具有如下有益效果：
本申请实施例提供了一种诊前信息采集方法及装置，该方法包括：获取患者基本信息以及症状信息。从预先建立的医学知识图谱中获取症状信息对应的症状属性类别，生成针对症状属性类别的第一问题文本。获取第一问题文本的第一回答结果，第一回答结果包括症状属性类别的目标属性值，症状属性类别的目标属性值为症状属性类别的属性值中的一个或多个。将患者基本信息、症状信息以及症状属性类别的目标属性值输入机器学习模型，得到机器学习模型输出的第一目标疾病。从医学知识图谱中获取第一目标疾病对应的检验检查项目，生成针对检验检查项目的第二问题文本。获取第二问题文本的第二回答结果，第二回答结果包括是否进行检验检查项目，如果第二回答结果包括进行检验检查项目，第二回答结果还包括检验检查项目的检验检查结果。该诊前信息采集方法以启发的提问方式采集诊前信息，使得该采集诊前信息的方式有效性高、可扩展性强，能极大提高医生的效率且便于患者就诊。
附图说明
图1为本申请实施例提供的一种诊前信息采集方法的示例性应用场景的示意图；
图2为本申请实施例提供的一种诊前信息采集方法的流程图；
图3为本申请实施例提供的另一种诊前信息采集方法的流程图；
图4为本申请实施例提供的另一种诊前信息采集方法的示例性应用场景的示意图；
图5为本申请实施例提供的一种诊前信息采集装置的示意图。
具体实施方式
为使本申请的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本申请实施例作进一步详细的说明。
为了便于理解和解释本申请实施例提供的技术方案，下面先对该技术方案的背景技术进行介绍。
一般来说，患者在医院就诊时，医生对患者的问诊时间有限，且患者人数众多。这造成医生记录的患者病情并不详细，进而导致患者的病历内容不完整、病历质量不高等问题。同时，就诊时间短且等待时间长使得患者就诊不方便。
目前，可采用问诊问卷的方式使医生提前获取与患者病情相关的信息。但是已有的问诊问卷是以固定的题目进行提问。例如，“请问您做过什么检查或者检验？”或者“请问XX检查的结果是什么？”
进一步，让患者选择或填写相关内容来获取患者相关病情信息。由于该问诊问卷方式的题目和内容是固定的，只有一些问题的关键词会根据患者的回答进行替换调整，因此，问诊问卷方式有以下缺点：
(1)有效性、可扩展性差
固定的问答形式，不能准确的收集患者信息。而且相关问题关联性较弱，不能有效的引导患者描述病情信息，可扩展性差。
(2)人工成本高
相关疾病、检查、检验的情况相对较多，需要患者大量的填写。固定问卷很难涵盖所有情况，造成了后续人为整理相关问题的工作量较大。
基于此，本申请实施例提供了一种诊前信息采集方法和装置，该方法包括：获取患者的基本信息和症状信息。从医学知识图谱中获取患者症状信息所对应的症状属性类别，基于症状属性类别，生成针对症状属性类别的第一问题文本。之后，获取第一问题文本对应的第一回答结果。第一回答结果中包括症状属性类别的目标属性值。其中，目标属性值为症状属性类别的属性值中的一个或多个。进一步，将患者基本信息、症状信息以及症状属性类别的目标属性值输入机器学习模型，得到机器学习模型输出的第一目标疾病。该机器学习模型用于预测患者的目标疾病。从医学知识图谱中获取第一目标疾病对应的检验检查项目，生成针对检验检验检查项目的第二问题文本。获取第二问题文本对应的第二回答结果，第二回答结果包括是否进行所述检验检查项目。当第二回答结果包括进行检验检查项目时，第二回答结果还包括检验检查项目的检验检查结果。该诊前信息采集方法以启发的提问方式采集诊前信息，使得该采集诊前信息方式有效性高、可扩展性强，能极大提高医生的效率且便于患者就诊。
为了便于理解本申请实施例提供的诊前信息采集方法，下面结合图1对本申请实施例提供的诊前信息采集方法的应用场景进行说明。其中，图1为本申请实施例提供的一种诊前信息采集方法的示例性应用场景的示意图。本申请实施例提供的诊前信息采集方法可以应用于客户端101。
患者在客户端101上输入基本信息以及症状信息。客户端101以此获取患者基本信息以及症状信息。进而，从服务器102中预先建立的医学知识图谱中获取症状信息对应的症状属性类别，根据症状属性类别，生成针对属性类别的第一问题文本，并显示给患者。患者针对第一问题文本进行回答，生成第一问题文本的第一回答结果。客户端101获取患者的针对第一问题文本的第一回答结果。第一回答结果中包括患者回答的症状属性类别的目标属性值。其中，症状属性类别的目标属性值为所述症状属性类别的属性值中的一个或多个。
进一步，客户端101将患者输入的患者基本信息、症状信息以及症状属性类别的目标属性值输入到服务器102中的机器学习模型中，获得机器模型输出的第一目标疾病。客户端101从服务器102中的医学知识图谱中获取第一目标疾病对应的检验检查项目，生成针对检验检查项目的第二问题文本并显示给患者。患者在客户端101上输入关于第二问题文本的第二回答结果。客户端101获取第二问题文本的第二回答结果。其中，第二回答结果包括进行检验检查项目和未进行检验检查项目，当第二回答结果包括进行检验检查项目时，第二回答结果还包括检验检查项目的检验检查结果。
需要注意的是，上述应用场景仅是为了便于理解本发明而示出，本发明的实施方式在此方面不受任何限制。相反，本发明的实施方式可以应用于适用的任何场景。
参见图2，图2为本申请实施例提供的一种诊前信息采集方法的流程图。如图2所示，该方法包括S201-S206：
S201：获取患者基本信息以及症状信息。
在获取患者的病情信息时，需要首先获取患者基本信息以及症状信息。其中，患者基本信息为患者的一些基础身份信息。患者基本信息包括患者的姓名、性别和年龄。症状信息为当前患者身体所具有的病情症状。
具体实施时，设置初始化问题来获取患者基本信息以及症状信息。例如，用于获取患者基本信息的初始化问题为：“请输入/填写您的姓名、性别和年龄”。用于获取患者的症状信息的初始化问题为：“请问您当前的病情症状为什么”。当患者给出回答结果时，便获取到了患者基本信息以及症状信息。
可以理解的是，从患者角度来看，患者能够表述清楚的一般为自己的基本信息和病情的相关症状信息。则初始化问题需要从和患者基本信息、症状信息相关的基础问题入手。在获取了患者的基本信息和症状信息之后，再根据患者的回答进行其他相关联问题的启发式询问，进而获取患者更多的和病情相关的信息。
S202：从预先建立的医学知识图谱中获取症状信息对应的症状属性类别，生成针对症状属性类别的第一问题文本。
在获取患者输入的患者基本信息和症状信息后，客户端根据患者输入，从预先建立的医学知识图谱中获取症状信息对应的症状属性类别，生成针对症状属性类别的第一问题文本。
在一些实施方式中，客户端结合自然语言处理技术，获取和症状信息对应的症状，再依据医学知识图谱根据得到的症状获取症状属性类别。作为一种示例，客户端为医疗智能平台。
其中，医学知识图谱为智慧医疗应用的基石，是利用自然语言处理与文本挖掘技术，以人机结合的方式构建的国际医学标准术语集以及规模庞大、多源异构的临床路径指南、临床实践、医学百科等资源，覆盖了疾病、药物和诊疗技术，能为机器阅读理解医学文本、智能咨询、智能诊断提供知识基础。通过医学知识图谱来生成的相关问题的准确性高，从医学知识图谱获得的症状、疾病、药物、检验、检查等相关内容能够作为启发式提问患者问题的基础。
具体实施时，从预先建立的医学知识图谱中获取症状信息对应的症状属性类别，生成针对症状属性类别的第一问题文本，包括：
从预先建立的医学知识图谱中获取症状信息对应的症状属性类别以及症状属性类别的属性值；
生成针对症状属性类别的第一问题文本，并将症状属性类别的属性值确定为第一问题文本的选择项。
需要说明的是，症状属性类别用于以分类的方式来细化描述症状，每个症状的属性类别对应有属性值。例如，若症状信息对应的症状为头疼。头疼的属性类别包括持续时间、部位、性质、频率、程度和伴随症状。每个属性类别都有对应的属性值。例如，部位的属性值包括头顶、前额、太阳穴和后枕部。可以理解的是，症状信息对应的症状属性类别为至少一个。
还需要说明的是，生成的针对症状属性类别的第一问题文本即为提问患者症状的各个症状属性类别对应的属性值是什么，而症状属性类别的属性值确定为第一问题文本的选择项。例如，第一问题文本为“请问头疼具体发生在什么部位？”选择项为“头顶、前额、太阳穴、后枕部、全头部”。可以理解的是，还可以通过填空的方式提示患者针对第一问题文本输入自己的回答结果。
S203：获取第一问题文本的第一回答结果，第一回答结果包括症状属性类别的目标属性值，症状属性类别的目标属性值为症状属性类别的属性值中的一个或多个。
在给出第一问题文本后，患者针对第一问题文本进行作答并反馈。获取患者反馈的第一问题文本的第一回答结果。其中，第一回答结果包括症状属性类别的目标属性值。症状属性类别的目标属性值为症状属性类别的属性值中的一个或多个。
可以理解的是，第一回答结果包括的症状属性类别的目标属性值即患者从第一问题文本对应的选择项中选择的一个或多个属性值，或者，第一回答结果包括的症状属性类别的目标属性值为用户根据第一问题文本自行填写的症状属性类别的属性值中的一个或多个。例如，患者选择头疼的部位为头顶和太阳穴，则症状属性类别的目标属性值为头顶和太阳穴。
S204：将患者基本信息、症状信息以及症状属性类别的目标属性值输入机器学习模型，得到机器学习模型输出的第一目标疾病。
将获取到的患者基本信息、症状信息以及症状属性类别的目标属性值输入机器学习模型，得到机器学习模型输出的第一目标疾病。其中，机器学习模型用于根据输入的信息预测患者的目标疾病。第一目标疾病即为机器学习预测的患者所有的目标疾病。
在一些实施方式中，机器学习模型由深度神经网路组成，利用深度神经网络算法训练机器学习模型，训练好的机器学习模型用以预测疾病。
具体实施时，构建多层神经网络作为机器学习模型的框架，用于作为训练模型的输入层的数据为历史中的大量患者的基本信息、症状信息、症状属性类别的目标属性值以及一些其他相关信息，用于作为训练模型的输出层的数据为历史中的大量患者的已知疾病。通过迭代训练不断更新修正隐层神经元的权重值，最后训练出的力机器学习模型泛化能力强，用于预测患者的目标疾病。
需要说明的是，用于训练机器学习模型的数据量很大。深度神经网络能够挖掘输入层输入的信息之间的多阶非线性关系，利用大数据量的训练集解决多分类问题。其和传统机器学习算法相比，具有较高的准确率。
S205：从医学知识图谱中获取第一目标疾病对应的检验检查项目，生成针对检验检查项目的第二问题文本。
在获取第一目标疾病后，从医学知识图谱中获取第一目标疾病对应的检验检查项目，生成针对检验检查项目的第二问题文本。例如，第二问题文本为“请问您是否做过以下检验”，该题目的选择项即为从医学知识图谱中获取的检验检查项目中的检验项目。又例如，第二问题文本为“请问您是否做过以下检查”，该题目的选择项即为从医学知识图谱中获取的检验检查项目中的检查项目。
S206：获取第二问题文本的第二回答结果，第二回答结果包括是否进行检验检查项目，如果第二回答结果包括进行检验检查项目，第二回答结果还包括检验检查项目的检验检查结果。
患者针对第二问题文本进行回答，并进行第二回答结果的反馈。第二回答结果包括进行检验检查项目或未进行检验检查项目。具体的，第二回答结果包括进行检验项目或未进行检验项目，以及进行检查项目或未进行检查项目。
当患者选择了具体的检验项目或者检查项目时，再根据具体的检查项目、检验项目和医学知识图谱信息生成其对应的问题。例如，“请问您的xx检验项目的检验结果为什么”或“请问您的xx检查项目的检查结果为什么”。需要说明的是，上述问题均属于第二问题文本所包含的问题。则第二回答结果包括进行检验检查项目时，第二问题文本对应的第二回答结果还包括检验检查项目的检验检查结果。
通过本申请提供的诊前信息采集方法，利用智能的启发式有效问答，生成的针对患者的问题准确性高，采集的诊前信息则更加准确。该方法通用性强、可扩展性高，在患者就诊之前即可针对不同的患者获取对应的患者病情信息，医生就诊时可以直接看到患者的病情信息。该方法减轻了医生书写病历的工作量，减少了医生的问诊时间，提高了医生接诊效率，同时节省患者就诊的时间，使得患者就诊更加方便。
在S206采集了第二回答结果之后，可以获知患者是否进行了第一目标对应的疾病的检验检查项目，当患者进行了相关检验检查项目之后，还可依据第二回答结果中包括的检验检查项目的检验检查结果生成后续的问题，实现启发式询问，使得获得患者诊前信息的方式可扩展性更高，获得的患者诊前信息更准确。具体的，结合图3对后续的启发式问题和相应的回答结果进行说明。其中，图3为本申请实施例提供的另一种诊前信息采集方法的流程图。如图3所示，该方法包括S301-S304：
S301：如果第二回答结果包括未进行检验检查项目，将第一目标疾病确定为既往疾病。
当第二回答结果包括未进行第一目标疾病对应的检验检查项目时，将预测得到的第一目标疾病确定为患者的既往疾病。患者的既往疾病即患者之前患过的疾病。需要说明的是，既往疾病包括至少一个疾病。
确定患者的既往疾病之后，可依据患者的既往疾病提出后续的具备启发性的问题，且使得后续针对患者的问题更加准确，医生能获得更有效的、准确的患者诊前信息。
S302：如果第二回答结果包括检验检查项目的检验检查结果，将患者基本信息、症状信息、症状属性类别的目标属性值以及检验检查项目的检验检查结果输入机器学习模型，得到机器学习模型输出的第二目标疾病，将第二目标疾病确定为既往疾病。需要说明的是，既往疾病包括至少一个疾病。
当第二回答结果包括进行第一目标疾病对应的检验检查项目和检验检查项目的检验检查结果时，将之前获得的患者基本信息、症状信息、症状属性类别的目标属性值以及第二回答结果中的检验检查项目的检验检查结果重新输入机器学习模型，重新获得机器学习模型输出的预测患者的第二目标疾病。此时，将第二目标疾病确定为既往疾病。
需要说明的是，在训练机器学习模型的过程中，S204描述了输入层的数据还包括一些其他相关信息，这些相关信息包括历史中的大量患者的已完成的检验检查项目的检验检查结果。
可以理解的是，利用机器学习模型获得第一目标疾病所需的特征较少，仅有患者基本信息、症状信息和症状属性类别的目标属性值。但是可依据第一目标疾病进行初步的相关检验检查的询问。当患者存在第一目标疾病对应的检验检查项目和结果时，将检验检查项目的检验检查结果作为增加的特征，输入到机器学习模型中，使得机器学习模型针对患者预测得到的第二目标疾病比第一目标疾病的准确性更高，使得后续依据既往疾病生成的具备启发性的问题更加准确，能提高问答效率。
S303：生成针对既往疾病的第三问题文本。
根据S301和S302确定了既往疾病之后，生成针对既往疾病的第三问题文本。例如，第三问题文本包括“您是否曾患过以下疾病”，此时，获取的既往疾病可以作为该问题的选择项。若既往疾病为高血压、冠心病和不稳定性心绞痛。则该问题对应的选择项为高血压、冠心病和不稳定性心绞痛。
S304：获取第三问题文本的第三回答结果，第三回答结果包括是否存在既往疾病，如果第三回答结果包括存在既往疾病，第三回答结果还包括目标既往疾病，目标既往疾病为既往疾病中的一个或多个。
患者针对第三问题文本进行作答，获取患者针对第三问题文本的第三回答结果。
当第三回答结果包括存在既往疾病时，可将既往疾病作为后续关于既往疾病详细内容问题的依据，这样可有效提高问答的准确性。
需要说明的是，第三问题文本包括后续的关于既往疾病详细内容的提问。当患者进行选择项的选择之后，患者选择的既往疾病为目标既往疾病。即如果第三回答结果包括存在既往疾病，则第三回答结果还包括目标既往疾病。其中，目标既往疾病为既往疾病中的一个或多个。
通过本申请提供的另一种诊前信息采集方法，在获取第二回答结果之后，还可以基于第二回答结果确定患者的既往疾病，进而基于既往疾病生成第三问题文本以及获取第三问题文本对应的第三回答结果。利用智能的启发式有效问答，生成的针对患者的问题准确性高，采集的诊前信息则更加准确。该方法通用性强、可扩展性高，减少了医生的问诊时间，提高了医生接诊效率，同时节省患者就诊的时间，使得患者就诊更加方便。
需要说明的是，在确定了患者所反馈的目标既往疾病后，为了使得医生获取更丰富、更准确的患者病情信息，通过医学知识图谱，查询获取该目标既往疾病对应的常用药物和手术，进而可基于目标既往疾病对应的常用药物和手术依次询问患者关于目标既往疾病的服用药物、进行手术的治疗信息。
具体实施时，一方面，如果第三回答结果包括目标既往疾病，从医学知识图谱中获取目标既往疾病对应的治疗项目，生成针对治疗项目的第四问题文本；
获取第四问题文本的第四回答结果。
其中，第四回答结果包括是否进行治疗项目，如果第四回答结果包括进行治疗项目，第四回答结果还包括治疗项目的治疗结果。
例如，如果患者选择的目标既往疾病为冠心病。通过医学知识图谱，查询冠心病的常见的手术为经皮冠状动脉介入治疗术。则第四问题文本包括“您是否做过经皮冠状动脉介入治疗术？”，其选择项为“是”和“否”。基于第四问题文本，患者反馈的第四回答结果包括是或者否。当第四回答结果包括是时，进而第四问题文本包括“您做过的经皮冠状动脉介入治疗术的治疗结果如何？”，第四回答结果包括患者反馈的关于经皮冠状动脉介入治疗术的治疗结果。若是通过医学知识图谱获取的治疗项目为多个，则第四问题文本包括“您是否做过治疗项目”，当患者的第四回答结果包括进行治疗项目后，第四问题文本包括“您做过的治疗项目为以下哪个”，其对应的选择项为通过医疗知识图谱获取的多个治疗项目，另外还提供填空部分以使选择项中无患者所选择治疗项目时，患者可自行进行填写所做的治疗项目。进而提问治疗效果相关的问题。可以理解的是，还可以询问患者关于手术时间、治疗后病情变化等问题。
另一方面，如果第三回答结果包括目标既往疾病，从医学知识图谱中获取目标既往疾病对应的药品，生成针对药品的第五问题文本；
获取第五问题文本的第五回答结果。
其中，第五回答结果包括是否使用药品，如果第五回答结果包括使用药品，第五回答结果还包括药品的使用信息。
例如，如果选择的目标既往疾病为高血压，通过医学知识图谱，查询高血压的常用药物为L-门冬氨酸氨氯地平片、乌拉地尔缓释片、依他尼酸片等作为可选择项用户患者选择。则第五问题文本包括“您是否使用高血压相关的药品？”，其选择项为“是”和“否”。基于第五问题文本，患者反馈的第五回答结果包括是或者否。当第五回答结果包括使用药品时，进而第五问题文本包括“您使用的药品为以下哪种？”，其对应的选择项为通过医疗知识图谱获取的至少一个药品，另外还提供填空部分以使选择项中无患者所选择药品时，患者可自行进行填写所用药品。当获取第五回答结果包括的具体的患者所用药品后，还可以询问患者服药时长、服药的药量等药品相关的问题。可以理解的是，药品的使用信息包括患者所用药品、患者服药时长、服药的药量等。
为了使得医生获取更丰富、更准确的患者病情信息，还需要询问患者一些关于第一目标疾病和/或目标既往疾病的相关问题，以下从三方面进行示例性描述。
具体实施时，第一方面，从医学知识图谱中获取第一目标疾病和/或目标既往疾病对应的生活习惯；
生成针对生活习惯的第六问题文本；
获取第六问题文本的第六回答结果。
其中，第六回答结果包括是否存在生活习惯，如果第六回答结果包括存在生活习惯，第六回答结果还包括目标生活习惯，目标生活习惯为生活习惯中的一个或多个。
作为一种示例，生活习惯包括吸烟和/或饮酒。
例如，当从医学知识图谱中获取的第一目标疾病和/或目标既往疾病包括高血压，而通过医学知识图谱获知高血压和吸烟、饮酒相关，即对应的生活习惯为吸烟和饮酒。则第六问题文本包括“您是否有以下习惯”，选择项为吸烟、饮酒和无。患者选择的具体的生活习惯即为目标生活习惯。
进一步，如果选择吸烟，还可以基于吸烟量、戒烟情况等生成进一步的启发性问题。如果选择饮酒，还可以基于根据饮酒量、饮酒频率等生成进一步的启发性问题。可以理解的是，这些进一步的启发性问题均属于第六问题文本。
第二方面，从医学知识图谱中获取第一目标疾病和/或目标既往疾病是否存在遗传性；
如果第一目标疾病或者目标既往疾病存在遗传性，生成针对第一目标疾病或者目标既往疾病的遗传性的第七问题文本；
获取第七问题文本的第七回答结果。
例如，如果第一目标疾病或者目标既往疾病存在遗传性，生成的第七问题文本包括“您的家族中是否有人患有该疾病”，选择项为“是”或“否”。进一步，还可生成家族中患病人的具体信息问题。
第三方面，从医学知识图谱中获取第一目标疾病和/或目标既往疾病对应的药品的过敏人群；
生成针对是否属于过敏人群的第八问题文本；
获取第八问题文本的第八回答结果。
例如，从医学知识图谱中获取第一目标疾病和/或目标既往疾病对应的药品中有青霉素类药物，则第八问题文本包括“请填写您是否对青霉素类药物过敏？”。根据患者的回答，获取第八问题文本的第八回答结果。
为了使得医生获取更多更准确的患者病情信息，还需要询问患者一些常见问题。
具体实施时，如果患者基本信息中性别为女性，生成针对婚育史的第九问题文本；
获取第九问题文本的第九回答结果。
例如，第九问题文本包括“您的正常生产次数、早产次数、流产次数和已有孩子个数分别为什么”。可以理解的是，第九问题文本还包括女性患者的月经史等常见问题。根据患者的回答，获取第九问题文本的第九回答结果。
通过上述实施例可以实现对患者的既往疾病、治疗用药情况、个人史、家族史、过敏史以及婚育史等各方面诊前信息进行全面采集，能极大提高医生的效率且便于患者就诊。
参见图4，图4为本申请实施例提供的另一种诊前信息采集方法的示例性应用场景的示意图。
如图4所示，首先，设置初始化问题来询问患者的基本信息和症状信息。患者回答后，获取患者的患者基本信息和症状信息。根据患者基本信息和症状信息，从医学知识图谱中查询症状信息对应的症状属性类别，生成针对症状属性类别的第一问题文本。此外，还可以从医学知识图谱中查询症状属性类别的属性值并将症状属性类别的属性值确定为第一问题文本的选择项。针对第一问题文本，获取第一回答结果。其中，第一回答结果包括症状属性类别的目标属性值，症状属性类别的目标属性值为症状属性类别的属性值中的一个或多个。
其次，调用机器学习模型，将患者基本信息、症状信息以及症状属性类别的目标属性值输入机器学习模型，得到机器学习模型输出的第一目标疾病。从医学知识图谱中查询并获取第一目标疾病对应的检验检查项目，生成针对检验检查项目的第二问题文本。针对第二问题文本，获取第二回答结果。其中，第二回答结果包括是否进行检验检查项目，如果第二回答结果包括进行检验检查项目，第二回答结果还包括检验检查项目的检验检查结果。
如果第二回答结果包括检验检查项目的检验检查结果，再次调用机器学习模型，将患者基本信息、症状信息、症状属性类别的目标属性值以及检验检查项目的检验检查结果输入机器学习模型，得到机器学习模型输出的第二目标疾病，将第二目标疾病确定为既往疾病。如果第二回答结果包括未进行检验检查项目，将第一目标疾病确定为既往疾病。
基于确定的既往疾病，生成针对既往疾病的第三问题文本，并获取第三问题文本的第三回答结果。第三回答结果包括是否存在既往疾病，如果第三回答结果包括存在既往疾病，第三回答结果还包括目标既往疾病，目标既往疾病为既往疾病中的一个或多个。
如果第三回答结果包括目标既往疾病，从医学知识图谱中获取目标既往疾病对应的治疗项目，生成针对治疗项目的第四问题文本，并获取第四问题文本的第四回答结果。如果第三回答结果包括目标既往疾病，从医学知识图谱中获取目标既往疾病对应的药品，生成针对药品的第五问题文本，并获取第五问题文本的第五回答结果。
最后，从医学知识图谱中获取第一目标疾病和/或目标既往疾病对应的生活习惯，该生活习惯包括吸烟和饮酒。生成针对生活习惯的第六问题文本，并获取第六问题文本的第六回答结果。从医学知识图谱中获取第一目标疾病和/或目标既往疾病是否存在遗传性。如果第一目标疾病和/或目标既往疾病存在遗传性，生成针对第一目标疾病或者目标既往疾病的遗传性的第七问题文本，并获取第七问题文本的第七回答结果。从医学知识图谱中获取第一目标疾病和/或目标既往疾病对应的药品的过敏人群，生成针对是否属于过敏人群的第八问题文本，并获取第八问题文本的第八回答结果。如果患者基本信息中性别为女性，生成针对婚育史的第九问题文本，并获取第九问题文本的第九回答结果。另外，第九问题文本中还可包括患者的月经史。
需要说明的是，不限定第六问题文本、第七问题文本、第八问题文本和第九问题文本的生成顺序，可根据实际需要进行问题的生成。
通过本申请提供的诊前信息采集方法的示例性应用场景，利用智能的启发式有效问答，生成的针对患者的问题准确性高，采集的诊前信息则更加准确。该方法通用性强、可扩展性高，在患者就诊之前即可针对不同的患者获取对应的患者病情信息，医生就诊时可以直接看到患者的病情信息。该方法减轻了医生书写病历的工作量，减少了医生的问诊时间，提高了医生接诊效率，同时节省患者就诊的时间，使得患者就诊更加方便。
本申请实施例还提供了一种诊前信息采集装置。参见图5，图5为本申请实施例提供的一种诊前信息采集装置的示意图。如图5所示，该装置包括：
第一获取单元501，用于获取患者基本信息以及症状信息；
第一生成单元502，用于从预先建立的医学知识图谱中获取所述症状信息对应的症状属性类别，生成针对所述症状属性类别的第一问题文本；
第二获取单元503，用于获取所述第一问题文本的第一回答结果，所述第一回答结果包括所述症状属性类别的目标属性值，所述症状属性类别的目标属性值为所述症状属性类别的属性值中的一个或多个；
第三获取单元504，用于将所述患者基本信息、所述症状信息以及所述症状属性类别的目标属性值输入机器学习模型，得到所述机器学习模型输出的第一目标疾病；
第二生成单元505，用于从所述医学知识图谱中获取所述第一目标疾病对应的检验检查项目，生成针对所述检验检查项目的第二问题文本；
第四获取单元506，用于获取所述第二问题文本的第二回答结果，所述第二回答结果包括是否进行所述检验检查项目，如果所述第二回答结果包括进行所述检验检查项目，所述第二回答结果还包括所述检验检查项目的检验检查结果。
可选的，在本申请实施例的一些实施方式中，所述第一生成单元402包括：
获取子单元，用于从预先建立的医学知识图谱中获取所述症状信息对应的症状属性类别以及所述症状属性类别的属性值；
生成子单元，用于生成针对所述症状属性类别的第一问题文本，并将所述症状属性类别的属性值确定为所述第一问题文本的选择项。
可选的，在本申请实施例的一些实施方式中，所述装置还包括：
第一确定单元，用于如果第二回答结果包括未进行所述检验检查项目，将所述第一目标疾病确定为既往疾病；
第二确定单元，用于如果第二回答结果包括所述检验检查项目的检验检查结果，将所述患者基本信息、所述症状信息、所述症状属性类别的目标属性值以及所述检验检查项目的检验检查结果输入所述机器学习模型，得到所述机器学习模型输出的第二目标疾病，将所述第二目标疾病确定为既往疾病；
第三生成单元，用于生成针对所述既往疾病的第三问题文本；
第五获取单元，用于获取所述第三问题文本的第三回答结果，所述第三回答结果包括是否存在所述既往疾病，如果所述第三回答结果包括存在所述既往疾病，所述第三回答结果还包括目标既往疾病，所述目标既往疾病为所述既往疾病中的一个或多个。
可选的，在本申请实施例的一些实施方式中，所述装置还包括：
第四生成单元，用于如果所述第三回答结果包括目标既往疾病，从所述医学知识图谱中获取所述目标既往疾病对应的治疗项目，生成针对所述治疗项目的第四问题文本；
第六获取单元，用于获取所述第四问题文本的第四回答结果。
可选的，在本申请实施例的一些实施方式中，所述装置还包括：
第五生成单元，用于如果所述第三回答结果包括目标既往疾病，从所述医学知识图谱中获取所述目标既往疾病对应的药品，生成针对所述药品的第五问题文本；
第七获取单元，用于获取所述第五问题文本的第五回答结果。
可选的，在本申请实施例的一些实施方式中，所述装置还包括：
第八获取单元，用于从所述医学知识图谱中获取第一目标疾病和/或所述目标既往疾病对应的生活习惯；
第六生成单元，用于生成针对所述生活习惯的第六问题文本；
第九获取单元，用于获取所述第六问题文本的第六回答结果。
可选的，在本申请实施例的一些实施方式中，所述装置还包括：
第十获取单元，用于从所述医学知识图谱中获取所述第一目标疾病和/或所述目标既往疾病是否存在遗传性；
第七生成单元，用于如果所述第一目标疾病或者所述目标既往疾病存在遗传性，生成针对所述第一目标疾病或者所述目标既往疾病的遗传性的第七问题文本；
第十一获取单元，用于获取所述第七问题文本的第七回答结果。
可选的，在本申请实施例的一些实施方式中，所述装置还包括：
第十二获取单元，用于从所述医学知识图谱中获取所述第一目标疾病和/或所述目标既往疾病对应的药品的过敏人群；
第八生成单元，用于生成针对是否属于所述过敏人群的第八问题文本；
第十三获取单元，用于获取所述第八问题文本的第八回答结果。
可选的，在本申请实施例的一些实施方式中，所述装置还包括：
第九生成单元，用于如果所述患者基本信息中性别为女性，生成针对婚育史的第九问题文本；
第十四获取单元，用于获取所述第九问题文本的第九回答结果。
通过本申请提供的诊前信息采集装置，利用智能的启发式有效问答，生成的针对患者的问题准确性高，采集的诊前信息则更加准确。该方法通用性强、可扩展性高，在患者就诊之前即可针对不同的患者获取对应的患者病情信息，医生就诊时可以直接看到患者的病情信息。该方法减轻了医生书写病历的工作量，减少了医生的问诊时间，提高了医生接诊效率，同时节省患者就诊的时间，使得患者就诊更加方便。
需要说明的是，本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统或装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
应当理解，在本申请中，“至少一个(项)”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，用于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：只存在A，只存在B以及同时存在A和B三种情况，其中A，B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a，b或c中的至少一项(个)，可以表示：a，b，c，“a和b”，“a和c”，“b和c”，或“a和b和c”，其中a，b，c可以是单个，也可以是多个。
还需要说明的是，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“包括一个……”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。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种诊前信息采集方法，其特征在于，所述方法包括：
获取患者基本信息以及症状信息；
从预先建立的医学知识图谱中获取所述症状信息对应的症状属性类别，生成针对所述症状属性类别的第一问题文本；
获取所述第一问题文本的第一回答结果，所述第一回答结果包括所述症状属性类别的目标属性值，所述症状属性类别的目标属性值为所述症状属性类别的属性值中的一个或多个；
将所述患者基本信息、所述症状信息以及所述症状属性类别的目标属性值输入机器学习模型，得到所述机器学习模型输出的第一目标疾病；
从所述医学知识图谱中获取所述第一目标疾病对应的检验检查项目，生成针对所述检验检查项目的第二问题文本；
获取所述第二问题文本的第二回答结果，所述第二回答结果包括是否进行所述检验检查项目，如果所述第二回答结果包括进行所述检验检查项目，所述第二回答结果还包括所述检验检查项目的检验检查结果。
2.根据权利要求1所述的方法，其特征在于，所述从预先建立的医学知识图谱中获取所述症状信息对应的症状属性类别，生成针对所述症状属性类别的第一问题文本，包括：
从预先建立的医学知识图谱中获取所述症状信息对应的症状属性类别以及所述症状属性类别的属性值；
生成针对所述症状属性类别的第一问题文本，并将所述症状属性类别的属性值确定为所述第一问题文本的选择项。
3.根据权利要求1所述的方法，其特征在于，所述方法还包括：
如果第二回答结果包括未进行所述检验检查项目，将所述第一目标疾病确定为既往疾病；
如果第二回答结果包括所述检验检查项目的检验检查结果，将所述患者基本信息、所述症状信息、所述症状属性类别的目标属性值以及所述检验检查项目的检验检查结果输入所述机器学习模型，得到所述机器学习模型输出的第二目标疾病，将所述第二目标疾病确定为既往疾病；
生成针对所述既往疾病的第三问题文本；
获取所述第三问题文本的第三回答结果，所述第三回答结果包括是否存在所述既往疾病，如果所述第三回答结果包括存在所述既往疾病，所述第三回答结果还包括目标既往疾病，所述目标既往疾病为所述既往疾病中的一个或多个。
4.根据权利要求3所述的方法，其特征在于，所述方法还包括：
如果所述第三回答结果包括目标既往疾病，从所述医学知识图谱中获取所述目标既往疾病对应的治疗项目，生成针对所述治疗项目的第四问题文本；
获取所述第四问题文本的第四回答结果。
5.根据权利要求3所述的方法，其特征在于，所述方法还包括：
如果所述第三回答结果包括目标既往疾病，从所述医学知识图谱中获取所述目标既往疾病对应的药品，生成针对所述药品的第五问题文本；
获取所述第五问题文本的第五回答结果。
6.根据权利要求3所述的方法，其特征在于，所述方法还包括：
从所述医学知识图谱中获取所述第一目标疾病和/或所述目标既往疾病对应的生活习惯；
生成针对所述生活习惯的第六问题文本；
获取所述第六问题文本的第六回答结果。
7.根据权利要求3所述的方法，其特征在于，所述方法还包括：
从所述医学知识图谱中获取所述第一目标疾病和/或所述目标既往疾病是否存在遗传性；
如果所述第一目标疾病或者所述目标既往疾病存在遗传性，生成针对所述第一目标疾病或者所述目标既往疾病的遗传性的第七问题文本；
获取所述第七问题文本的第七回答结果。
8.根据权利要求3所述的方法，其特征在于，所述方法还包括：
从所述医学知识图谱中获取所述第一目标疾病和/或所述目标既往疾病对应的药品的过敏人群；
生成针对是否属于所述过敏人群的第八问题文本；
获取所述第八问题文本的第八回答结果。
9.根据权利要求1所述的方法，其特征在于，所述方法还包括：
如果所述患者基本信息中性别为女性，生成针对婚育史的第九问题文本；
获取所述第九问题文本的第九回答结果。
10.一种诊前信息采集装置，其特征在于，所述装置包括：
第一获取单元，用于获取患者基本信息以及症状信息；
第一生成单元，用于从预先建立的医学知识图谱中获取所述症状信息对应的症状属性类别，生成针对所述症状属性类别的第一问题文本；
第二获取单元，用于获取所述第一问题文本的第一回答结果，所述第一回答结果包括所述症状属性类别的目标属性值，所述症状属性类别的目标属性值为所述症状属性类别的属性值中的一个或多个；
第三获取单元，用于将所述患者基本信息、所述症状信息以及所述症状属性类别的目标属性值输入机器学习模型，得到所述机器学习模型输出的第一目标疾病；
第二生成单元，用于从所述医学知识图谱中获取所述第一目标疾病对应的检验检查项目，生成针对所述检验检查项目的第二问题文本；
第四获取单元，用于获取所述第二问题文本的第二回答结果，所述第二回答结果包括是否进行所述检验检查项目，如果所述第二回答结果包括进行所述检验检查项目，所述第二回答结果还包括所述检验检查项目的检验检查结果。
CN202110501629.4A 2021-05-08 2021-05-08 一种诊前信息采集方法及装置 Active CN113223648B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110501629.4A CN113223648B (zh) 2021-05-08 2021-05-08 一种诊前信息采集方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110501629.4A CN113223648B (zh) 2021-05-08 2021-05-08 一种诊前信息采集方法及装置

Publications (2)

Publication Number Publication Date
CN113223648A true CN113223648A (zh) 2021-08-06
CN113223648B CN113223648B (zh) 2023-10-24

Family

ID=77094002

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110501629.4A Active CN113223648B (zh) 2021-05-08 2021-05-08 一种诊前信息采集方法及装置

Country Status (1)

Country Link
CN (1) CN113223648B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113722504A (zh) * 2021-08-27 2021-11-30 上海钛米机器人股份有限公司 预问诊信息生成方法及装置
CN118016274A (zh) * 2024-02-09 2024-05-10 北京大学 疾病知识检索与诊疗决策辅助系统

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103310081A (zh) * 2012-03-06 2013-09-18 北京永瀚星港生物科技股份有限公司 辅助疾病检测的系统及方法
JP2014215943A (ja) * 2013-04-30 2014-11-17 株式会社原田教育研究所 診断システム
CN107133303A (zh) * 2017-04-28 2017-09-05 百度在线网络技术（北京）有限公司 用于输出信息的方法和装置
CN107145746A (zh) * 2017-05-09 2017-09-08 北京大数医达科技有限公司 一种病情描述的智能分析方法及系统
CN107887036A (zh) * 2017-11-09 2018-04-06 北京纽伦智能科技有限公司 临床决策辅助系统的构建方法、装置及临床决策辅助系统
CN108920634A (zh) * 2018-06-30 2018-11-30 天津大学 基于知识图谱的皮肤病特征分析系统
CN109065172A (zh) * 2018-07-04 2018-12-21 平安科技（深圳）有限公司 病症信息获取方法、装置、计算机设备和存储介质
CN109346169A (zh) * 2018-10-17 2019-02-15 长沙瀚云信息科技有限公司 一种人工智能辅助诊疗系统及其构建方法、设备和存储介质
CN109378077A (zh) * 2018-08-13 2019-02-22 北京康夫子科技有限公司 诊前病史采集方法及执行该方法的机器可读存储介质
CN110675951A (zh) * 2019-08-26 2020-01-10 北京百度网讯科技有限公司 智能化的疾病诊断方法及装置、计算机设备与可读介质
CN111292821A (zh) * 2020-01-21 2020-06-16 上海联影智能医疗科技有限公司 一种医学诊疗系统
CN111326251A (zh) * 2020-02-13 2020-06-23 北京百度网讯科技有限公司 一种问诊问题输出方法、装置以及电子设备

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103310081A (zh) * 2012-03-06 2013-09-18 北京永瀚星港生物科技股份有限公司 辅助疾病检测的系统及方法
JP2014215943A (ja) * 2013-04-30 2014-11-17 株式会社原田教育研究所 診断システム
CN107133303A (zh) * 2017-04-28 2017-09-05 百度在线网络技术（北京）有限公司 用于输出信息的方法和装置
CN107145746A (zh) * 2017-05-09 2017-09-08 北京大数医达科技有限公司 一种病情描述的智能分析方法及系统
CN107887036A (zh) * 2017-11-09 2018-04-06 北京纽伦智能科技有限公司 临床决策辅助系统的构建方法、装置及临床决策辅助系统
CN108920634A (zh) * 2018-06-30 2018-11-30 天津大学 基于知识图谱的皮肤病特征分析系统
CN109065172A (zh) * 2018-07-04 2018-12-21 平安科技（深圳）有限公司 病症信息获取方法、装置、计算机设备和存储介质
CN109378077A (zh) * 2018-08-13 2019-02-22 北京康夫子科技有限公司 诊前病史采集方法及执行该方法的机器可读存储介质
CN109346169A (zh) * 2018-10-17 2019-02-15 长沙瀚云信息科技有限公司 一种人工智能辅助诊疗系统及其构建方法、设备和存储介质
CN110675951A (zh) * 2019-08-26 2020-01-10 北京百度网讯科技有限公司 智能化的疾病诊断方法及装置、计算机设备与可读介质
CN111292821A (zh) * 2020-01-21 2020-06-16 上海联影智能医疗科技有限公司 一种医学诊疗系统
CN111326251A (zh) * 2020-02-13 2020-06-23 北京百度网讯科技有限公司 一种问诊问题输出方法、装置以及电子设备

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
T.J.TERRY: "A aystem for electronic disease reporting and managment", IEEE ENGINEERING IN MEDICINE AND BIOLOGY MAGZINE, vol. 21, no. 5, pages 86 - 99 *
江涛: "人工智能在医疗诊断系统中的应用研究", 自动化与仪表, vol. 35, no. 10, pages 49 - 53 *
金玮等: "基于物联网技术的远程智能医疗系统设计", 微型电脑应用, vol. 36, no. 5, pages 113 - 116 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113722504A (zh) * 2021-08-27 2021-11-30 上海钛米机器人股份有限公司 预问诊信息生成方法及装置
CN118016274A (zh) * 2024-02-09 2024-05-10 北京大学 疾病知识检索与诊疗决策辅助系统

Also Published As

Publication number Publication date
CN113223648B (zh) 2023-10-24

Similar Documents

Publication Publication Date Title
US7991485B2 (en) System and method for obtaining, processing and evaluating patient information for diagnosing disease and selecting treatment
Peleg et al. MobiGuide: a personalized and patient-centric decision-support system and its evaluation in the atrial fibrillation and gestational diabetes domains
Buckingham et al. Classifying clinical decision making: interpreting nursing intuition, heuristics and medical diagnosis
Keele Nursing research and evidence-based practice
Cabana et al. Why don't physicians follow clinical practice guidelines?: A framework for improvement
US20020035486A1 (en) Computerized clinical questionnaire with dynamically presented questions
US20060265253A1 (en) Patient data mining improvements
US20090062623A1 (en) Identifying possible medical conditions of a patient
Bulla et al. A review of AI based medical assistant chatbot
Félix et al. Specialized nursing terminology for the care of people with metabolic syndrome
CN113223648B (zh) 一种诊前信息采集方法及装置
Hyun et al. Development and evaluation of nursing user interface screens using multiple methods
Bossou et al. The effect of patient-centered communication on patient satisfaction: exploring the mediating roles of Interpersonal-based medical service encounters and patient trust
Morrissey et al. The role of the SMART and WHIM in behavioural assessment of disorders of consciousness: clinical utility and scope for a symbiotic relationship
Aina et al. Perception and acceptance of medical chatbot among undergraduates in Ekiti State University, Nigeria
Tawfik et al. Using semantic search to reduce cognitive load in an electronic health record
Zeng et al. Evaluation of a system to identify relevant patient information and its impact on clinical information retrieval.
KR20220071331A (ko) 건강 관리 인공지능 주치의 서비스 제공 방법
KR20220072049A (ko) 인공지능 주치의 서비스 프로그램
JP6007376B2 (ja) 薬物療法判断能力育成方法及び薬物療法判断能力育成プログラム
KR20220072050A (ko) 인공지능 주치의 서비스 프로그램 기록매체
KR20220069327A (ko) 유전자 검사 정보를 반영한 건강 관리 서비스 제공 장치의 동작 방법
KR20220069329A (ko) 건강 관리 서비스 제공 프로그램
Aboneh Knowledge based system for pre-medical triage treatment at adama university asella hospital
Cornelison et al. Accuracy of a chatbot in answering questions that patients should ask before taking a new medication

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