CN113270182B - 基于长短期记忆网络的共同医疗访问合约生成方法和系统 - Google Patents
基于长短期记忆网络的共同医疗访问合约生成方法和系统 Download PDFInfo
- Publication number
- CN113270182B CN113270182B CN202110816093.5A CN202110816093A CN113270182B CN 113270182 B CN113270182 B CN 113270182B CN 202110816093 A CN202110816093 A CN 202110816093A CN 113270182 B CN113270182 B CN 113270182B
- Authority
- CN
- China
- Prior art keywords
- medical
- sequence
- natural person
- medical record
- preset
- 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
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
- 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
- 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
- G06F16/31—Indexing; Data structures therefor; Storage structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/10—Office automation; Time management
- G06Q10/109—Time management, e.g. calendars, reminders, meetings or time accounting
- G06Q10/1093—Calendar-based scheduling for persons or groups
-
- 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
- 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)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- Biomedical Technology (AREA)
- Public Health (AREA)
- General Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- General Business, Economics & Management (AREA)
- Epidemiology (AREA)
- General Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Computational Linguistics (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Entrepreneurship & Innovation (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Marketing (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Pathology (AREA)
- Mathematical Physics (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Life Sciences & Earth Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明公开了基于长短期记忆网络的共同医疗访问合约生成方法,通过获取第一自然人的当前年龄数据,获取指定医疗访问预测模型;进行数据采集处理,得到生理特征数据序列;利用所述前序长短期记忆网络架构,得到隐藏状态向量序列;使用所述后序长短期记忆网络架构解码为最终向量序列;得到第一就诊建议;输出医疗资源级别;若医疗资源级别大于预设的级别阈值,则选取第二自然人,再形成自然人组合;确定指定医生的工作时间表,并生成指定访问时间;生成共同医疗访问合约,使得医疗的实际过程花费时间缩短,从而改善当前的医疗资源紧张的状况。
Description
技术领域
本发明涉及到计算机领域,特别是涉及到一种基于长短期记忆网络的共同医疗访问合约生成方法和系统。
背景技术
医疗资源具有本征的稀缺属性,医生少、药品不足、床位缺乏等是可能存在的医疗资源紧张的表现。其中,专业医生的数量,相对于患者群体而言,是较少的,因此是常见的紧张的医疗资源。并且,由于现代医学的划分更为细致,因此对于特定患者而言,更难找到恰当的医生(因为特定患者本身,由于不是专业的医疗从业人员,难以得知患的是什么病),这进一步导致了医疗资源的紧张状态(因为进行医疗访问过程中很可能需要转诊,会浪费医生的时间)。而现有技术中缺少有效改善当前的医疗资源紧张的状况的技术方案。
发明内容
本发明公开了一种基于长短期记忆网络的共同医疗访问合约生成方法,包括以下步骤:
S1、获取预设的第一自然人的当前年龄数据,并根据预设的年龄与医疗访问预测模型的对应关系,获取与所述当前年龄数据对应的指定医疗访问预测模型;其中,所述指定医疗访问预测模型由顺序连接的前序长短期记忆网络架构和后序长短期记忆网络架构构成;
S2、采用预设的生理数据采集工具对所述第一自然人进行数据采集处理,以得到所述第一自然人的当前生理特征数据,并汇总所述当前生理特征数据和所述第一自然人的往期生理特征数据,以得到在时间上顺序排列的生理特征数据序列;
S3、将所述生理特征数据序列输入所述指定医疗访问预测模型中的前序长短期记忆网络架构,以利用所述前序长短期记忆网络架构进行编码计算,从而得到隐藏状态向量序列;
S4、将所述隐藏状态向量序列输入所述指定医疗访问预测模型中的后序长短期记忆网络架构,以使所述后序长短期记忆网络架构依据预设的解码规则,将所述隐藏状态向量序列解码为最终向量序列;
S5、根据预设的隐藏状态向量解读方法,解读所述最终向量序列,从而得到第一就诊建议,并判断所述第一就诊建议是否为建议就诊;
S6、若所述第一就诊建议为建议就诊,则获取所述第一自然人所在区域的医疗资源数据,并利用训练完成的资源级别预测模型对所述医疗资源数据进行处理,以输出医疗资源级别,并判断所述医疗资源级别是否大于预设的级别阈值;其中所述资源级别预测模型基于神经网络模型训练而成,所述医疗资源级别越高代表医疗资源越匮乏;
S7、若所述医疗资源级别大于预设的级别阈值,则根据预设的相似用户选取规则进行用户选取操作,以选取对应于所述第一自然人的第二自然人,再形成由所述第一自然人和第二自然人组成的自然人组合;
S8、确定与所述第一就诊建议对应的指定医生,获取所述指定医生的工作时间表,并获取所述第一自然人的第一空闲时间和所述第二自然人的第二空闲时间,以所述工作时间表、所述第一空闲时间和所述第二空闲时间为依据,生成指定访问时间;
S9、生成共同医疗访问合约,以要求所述自然人组合在所述指定访问时间对所述指定医生进行共同医疗访问。
更具体地,所述获取预设的第一自然人的当前年龄数据,并根据预设的年龄与医疗访问预测模型的对应关系,获取与所述当前年龄数据对应的指定医疗访问预测模型的步骤S1之前,包括:
S001、调取预设的样本数据集,并按预设比例划分为训练数据集和验证数据集;其中所述样本数据集的每个数据均由训练用特征数据序列和与训练用特征数据序列对应的人工标注结果构成,并且人工标注结果为建议就诊或者建议不就诊;并且训练用特征数据序列的最后一个成员的采集时间对应的年龄与所述第一自然人的当前年龄相同;
S002、调取预设的由顺序连接的前序长短期记忆网络架构和后序长短期记忆网络架构构成的基础模型;
S003、将所述训练数据集输入所述基础模型中进行训练,以得到中间网络模型;
S004、利用所述验证数据集对所述中间网络模型进行验证,并判断验证结果是否为验证通过;
S005、若验证结果为验证通过,则将所述中间网络模型作为指定医疗访问预测模型。
更具体地,所述若所述医疗资源级别大于预设的级别阈值,则根据预设的相似用户选取规则进行用户选取操作,以选取对应于所述第一自然人的第二自然人,再形成由所述第一自然人和第二自然人组成的自然人组合的步骤S7,包括:
S71、若所述医疗资源级别大于预设的级别阈值,则调用三方形态病历数据库;其中所述三方形态病历数据库存储的每个病历均具有第一方病历、第二方病历和第三方病历形态,并且第一方病历、第二方病历和第三方病历形态分别针对医务工作者群体、原始患者和除医务工作者群体和原始患者之外的其他人;
S72、根据预设的三方形态病历筛选方法,以从所述三方形态病历数据库中筛选出指定三方形态病历;其中,所述指定三方形态病历中的原始患者的生理特征数据序列与所述第一自然人的生理特征数据序列的差别在预设的容忍范围内;
S73、调取对应于所述指定三方形态病历的访问记录数据,并根据所述查询记录数据获取只访问第三方病历形态的用户表;
S74、将所述用户表中年龄与所述第一自然人年龄最相近的用户记为第二自然人。
更具体地,所述若所述医疗资源级别大于预设的级别阈值,则调用三方形态病历数据库的步骤S71之前,包括:
S601、获取一份初始数字病历,并分别标注出所述初始数字病历中的普通词汇和医用专业词汇;
S602、根据划分规则:普通句子不包括医用专业词汇,所述医用专业句子包括的医用专业词汇的数量大于等于一且小于等于三,同时所述医用专业句子至少包括五个单词,对所述初始数字病历进行句子划分处理,以得到由多个普通句子和多个医用专业句子构成的第一序列;
S603、调取预设的替换句子组数据库,其中所述替换句子组数据库记载了多个替换句子组,每个替换句子组由一个医用专业句子和多个短句构成,并且同一个替换词语组中的医用专业句子和多个短句中的每一个的表意均相同;
S604、进行句子替换处理,以将所述第一序列中的部分医用专业句子分别替换为对应替换句子组的短句,从而得到多个不重复的且均由普通词汇和少量医用专业词汇构成的第二序列;
S605、根据预设的相似度计算方法,计算所述第一序列和所述第二序列之间的第二相似度,从而得到与多个第二序列分别对应的多个第二相似度值,再获取所述多个第二相似度值中的最大第二相似度值,并将所述最大第二相似度值对应的第二序列作为所述初始数字病历的第二方病历形态;
S606、将所述第一序列中的所有医用专业句子分别替换为对应替换句子组的短句,从而得到多个不重复的且均由普通词汇构成的第三序列;
S607、计算所述第一序列和所述第三序列之间的相似度,从而得到与多个第三序列分别对应的多个相似度值,并从所述多个相似度值中选出最大相似度值;
S608、将所述最大相似度值对应的第三序列作为所述初始数字病历的第三方病历形态,同时将所述初始数字病历记为所述第三数字病历的第一方病历形态;
S609、将能够对应于初始数字病历的第一方病历形态、第二方病历形态和第三方病历形态汇总为三方形态病历,并存入三方形态病历数据库中。
更具体地,所述若所述第一就诊建议为建议就诊,则获取所述第一自然人所在区域的医疗资源数据,并利用训练完成的资源级别预测模型对所述医疗资源数据进行处理,以输出医疗资源级别,并判断所述医疗资源级别是否大于预设的级别阈值的步骤S6之后,包括:
S61、若所述医疗资源级别不大于预设的级别阈值,则获取与所述第一就诊建议对应的指定医生的工作时间表,并获取所述第一自然人的第一空闲时间和所述第二自然人的第二空闲时间;
S62、对工作时间表与第一空闲时间进行第一时间重叠处理,同时对工作时间表与第二空闲时间进行第二时间重叠处理,以得到第一访问时间和第二访问时间;
S63、生成第一医疗访问合约和第二医疗访问合约,以要求所述第一自然人和所述第二自然人分别在所述第一访问时间和第二访问时间,对所述指定医生进行医疗访问。
本发明公开了一种基于长短期记忆网络的共同医疗访问合约生成系统,包括:
当前年龄数据获取单元,用于获取预设的第一自然人的当前年龄数据,并根据预设的年龄与医疗访问预测模型的对应关系,获取与所述当前年龄数据对应的指定医疗访问预测模型;其中,所述指定医疗访问预测模型由顺序连接的前序长短期记忆网络架构和后序长短期记忆网络架构构成;
数据采集处理单元,用于采用预设的生理数据采集工具对所述第一自然人进行数据采集处理,以得到所述第一自然人的当前生理特征数据,并汇总所述当前生理特征数据和所述第一自然人的往期生理特征数据,以得到在时间上顺序排列的生理特征数据序列;
编码计算单元,用于将所述生理特征数据序列输入所述指定医疗访问预测模型中的前序长短期记忆网络架构,以利用所述前序长短期记忆网络架构进行编码计算,从而得到隐藏状态向量序列;
解码计算单元,用于将所述隐藏状态向量序列输入所述指定医疗访问预测模型中的后序长短期记忆网络架构,以使所述后序长短期记忆网络架构依据预设的解码规则,将所述隐藏状态向量序列解码为最终向量序列;
第一就诊建议获取单元,用于根据预设的隐藏状态向量解读方法,解读所述最终向量序列,从而得到第一就诊建议,并判断所述第一就诊建议是否为建议就诊;
医疗资源级别判断单元,用于若所述第一就诊建议为建议就诊,则获取所述第一自然人所在区域的医疗资源数据,并利用训练完成的资源级别预测模型对所述医疗资源数据进行处理,以输出医疗资源级别,并判断所述医疗资源级别是否大于预设的级别阈值;其中所述资源级别预测模型基于神经网络模型训练而成,所述医疗资源级别越高代表医疗资源越匮乏;
自然人组合生成单元,用于若所述医疗资源级别大于预设的级别阈值,则根据预设的相似用户选取规则进行用户选取操作,以选取对应于所述第一自然人的第二自然人,再形成由所述第一自然人和第二自然人组成的自然人组合;
指定访问时间生成单元,用于确定与所述第一就诊建议对应的指定医生,获取所述指定医生的工作时间表,并获取所述第一自然人的第一空闲时间和所述第二自然人的第二空闲时间,以所述工作时间表、所述第一空闲时间和所述第二空闲时间为依据,生成指定访问时间;
共同医疗访问合约生成单元,用于生成共同医疗访问合约,以要求所述自然人组合在所述指定访问时间对所述指定医生进行共同医疗访问。
更具体地,所述系统,包括:
样本数据集调取单元,用于调取预设的样本数据集,并按预设比例划分为训练数据集和验证数据集;其中所述样本数据集的每个数据均由训练用特征数据序列和与训练用特征数据序列对应的人工标注结果构成,并且人工标注结果为建议就诊或者建议不就诊;并且训练用特征数据序列的最后一个成员的采集时间对应的年龄与所述第一自然人的当前年龄相同;
基础模型调取单元,用于调取预设的由顺序连接的前序长短期记忆网络架构和后序长短期记忆网络架构构成的基础模型;
中间网络模型生成单元,用于将所述训练数据集输入所述基础模型中进行训练,以得到中间网络模型;
中间网络模型验证单元,用于利用所述验证数据集对所述中间网络模型进行验证,并判断验证结果是否为验证通过;
中间网络模型标记单元,用于若验证结果为验证通过,则将所述中间网络模型作为指定医疗访问预测模型。
更具体地,所述自然人组合生成单元,包括:
三方形态病历数据库调用模块,用于若所述医疗资源级别大于预设的级别阈值,则调用三方形态病历数据库;其中所述三方形态病历数据库存储的每个病历均具有第一方病历、第二方病历和第三方病历形态,并且第一方病历、第二方病历和第三方病历形态分别针对医务工作者群体、原始患者和除医务工作者群体和原始患者之外的其他人;
病历筛选模块,用于根据预设的三方形态病历筛选方法,以从所述三方形态病历数据库中筛选出指定三方形态病历;其中,所述指定三方形态病历中的原始患者的生理特征数据序列与所述第一自然人的生理特征数据序列的差别在预设的容忍范围内;
用户表获取模块,用于调取对应于所述指定三方形态病历的访问记录数据,并根据所述查询记录数据获取只访问第三方病历形态的用户表;
第二自然人标记模块,用于将所述用户表中年龄与所述第一自然人年龄最相近的用户记为第二自然人。
更具体地,所述系统,包括:
初始数字病历获取单元,用于获取一份初始数字病历,并分别标注出所述初始数字病历中的普通词汇和医用专业词汇;
句子划分处理单元,用于根据划分规则:普通句子不包括医用专业词汇,所述医用专业句子包括的医用专业词汇的数量大于等于一且小于等于三,同时所述医用专业句子至少包括五个单词,对所述初始数字病历进行句子划分处理,以得到由多个普通句子和多个医用专业句子构成的第一序列;
替换句子组数据库调取单元,用于调取预设的替换句子组数据库,其中所述替换句子组数据库记载了多个替换句子组,每个替换句子组由一个医用专业句子和多个短句构成,并且同一个替换词语组中的医用专业句子和多个短句中的每一个的表意均相同;
第二序列获取单元,用于进行句子替换处理,以将所述第一序列中的部分医用专业句子分别替换为对应替换句子组的短句,从而得到多个不重复的且均由普通词汇和少量医用专业词汇构成的第二序列;
第二相似度计算单元,用于根据预设的相似度计算方法,计算所述第一序列和所述第二序列之间的第二相似度,从而得到与多个第二序列分别对应的多个第二相似度值,再获取所述多个第二相似度值中的最大第二相似度值,并将所述最大第二相似度值对应的第二序列作为所述初始数字病历的第二方病历形态;
第三序列获取单元,用于将所述第一序列中的所有医用专业句子分别替换为对应替换句子组的短句,从而得到多个不重复的且均由普通词汇构成的第三序列;
最大相似度值选取单元,用于计算所述第一序列和所述第三序列之间的相似度,从而得到与多个第三序列分别对应的多个相似度值,并从所述多个相似度值中选出最大相似度值;
病历形态标记单元,用于将所述最大相似度值对应的第三序列作为所述初始数字病历的第三方病历形态,同时将所述初始数字病历记为所述第三数字病历的第一方病历形态;
三方形态病历存储单元,用于将能够对应于初始数字病历的第一方病历形态、第二方病历形态和第三方病历形态汇总为三方形态病历,并存入三方形态病历数据库中。
更具体地,所述系统,包括:
空闲时间获取单元,用于若所述医疗资源级别不大于预设的级别阈值,则获取与所述第一就诊建议对应的指定医生的工作时间表,并获取所述第一自然人的第一空闲时间和所述第二自然人的第二空闲时间;
时间重叠处理单元,用于对工作时间表与第一空闲时间进行第一时间重叠处理,同时对工作时间表与第二空闲时间进行第二时间重叠处理,以得到第一访问时间和第二访问时间;
医疗访问单元,用于生成第一医疗访问合约和第二医疗访问合约,以要求所述第一自然人和所述第二自然人分别在所述第一访问时间和第二访问时间,对所述指定医生进行医疗访问。
本发明的基于长短期记忆网络的共同医疗访问合约生成方法和系统,通过获取预设的第一自然人的当前年龄数据,并获取指定医疗访问预测模型;对第一自然人进行数据采集处理,得到在时间上顺序排列的生理特征数据序列;利用所述前序长短期记忆网络架构进行编码计算,从而得到隐藏状态向量序列;使所述后序长短期记忆网络架构依据预设的解码规则,将所述隐藏状态向量序列解码为最终向量序列;得到第一就诊建议,并判断所述第一就诊建议是否为建议就诊;输出医疗资源级别;若所述医疗资源级别大于预设的级别阈值,则选取第二自然人,再形成自然人组合;确定指定医生的工作时间表,并生成指定访问时间;生成共同医疗访问合约,使得医疗的实际过程花费时间,理想上能够缩短一半,从而改善当前的医疗资源紧张的状况。
附图说明
图1 为本发明一实施例的基于长短期记忆网络的共同医疗访问合约生成方法的流程示意图;
图2 为本发明一实施例的基于长短期记忆网络的共同医疗访问合约生成系统的结构示意框图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
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说明。应当理解,此处描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明通过特别的设计,实现了自动化基于长短期记忆网络的共同医疗访问合约生成,解决了普通人无法准确判断是否该就医,应该如何就医的问题,并且通过自然人组合的方式,解决了医疗压力过大的问题。具体实现的过程见下文详细解释。
实施例1:
参照图1,本实施例提供一种基于长短期记忆网络的共同医疗访问合约生成方法,包括步骤:
S1、获取预设的第一自然人的当前年龄数据,并根据预设的年龄与医疗访问预测模型的对应关系,获取与所述当前年龄数据对应的指定医疗访问预测模型;其中,所述指定医疗访问预测模型由顺序连接的前序长短期记忆网络架构和后序长短期记忆网络架构构成;
S2、采用预设的生理数据采集工具对所述第一自然人进行数据采集处理,以得到所述第一自然人的当前生理特征数据,并汇总所述当前生理特征数据和所述第一自然人的往期生理特征数据,以得到在时间上顺序排列的生理特征数据序列;
S3、将所述生理特征数据序列输入所述指定医疗访问预测模型中的前序长短期记忆网络架构,以利用所述前序长短期记忆网络架构进行编码计算,从而得到隐藏状态向量序列;
S4、将所述隐藏状态向量序列输入所述指定医疗访问预测模型中的后序长短期记忆网络架构,以使所述后序长短期记忆网络架构依据预设的解码规则,将所述隐藏状态向量序列解码为最终向量序列;
S5、根据预设的隐藏状态向量解读方法,解读所述最终向量序列,从而得到第一就诊建议,并判断所述第一就诊建议是否为建议就诊;
S6、若所述第一就诊建议为建议就诊,则获取所述第一自然人所在区域的医疗资源数据,并利用训练完成的资源级别预测模型对所述医疗资源数据进行处理,以输出医疗资源级别,并判断所述医疗资源级别是否大于预设的级别阈值;其中所述资源级别预测模型基于神经网络模型训练而成,所述医疗资源级别越高代表医疗资源越匮乏;
S7、若所述医疗资源级别大于预设的级别阈值,则根据预设的相似用户选取规则进行用户选取操作,以选取对应于所述第一自然人的第二自然人,再形成由所述第一自然人和第二自然人组成的自然人组合;
S8、确定与所述第一就诊建议对应的指定医生,获取所述指定医生的工作时间表,并获取所述第一自然人的第一空闲时间和所述第二自然人的第二空闲时间,以所述工作时间表、所述第一空闲时间和所述第二空闲时间为依据,生成指定访问时间;
S9、生成共同医疗访问合约,以要求所述自然人组合在所述指定访问时间对所述指定医生进行共同医疗访问。
本发明首先获取第一自然人的当前年龄数据,以确定用户所处年龄阶段,因为人的自然属性所决定,不同的年龄阶段,容易得的病也不同,其生理特征数据也不同,本发明据此构建医疗访问预测模型数据库,以容纳多个小体量的分别针对不同年龄的医疗访问预测模型,从而提高了就诊建议的准确性。再从预设的医疗访问预测模型数据库中选出与所述年龄数据对应的指定医疗访问预测模型,即可得到适合于第一自然人的医疗访问预测模型。
再采用预设的生理数据采集工具对所述第一自然人进行数据采集处理,以得到所述第一自然人的当前生理特征数据,并汇总所述当前生理特征数据和所述第一自然人的往期生理特征数据,以得到在时间上顺序排列的生理特征数据序列。其中,生理数据采集工具可包括血压计、血糖仪等等,在此不再赘述。另外,本发明需要生成生理特征数据序列,这是因为人的生理特征数据具有连贯性,时间上顺序排列的生理特征数据序列更容易进行自然人的身体状况的预测。正因为如此,本发明特地选择了在时间预测上有优势的长短期记忆模型作为指定医疗访问预测模型的训练模型。
其中,长短期记忆模型是使用长短期记忆网络的模型,其是一种时间递归神经网络,适合于处理和预测时间序列中间隔和延迟相对较长的重要事件,相对于普通的循环神经网络,其加入了一个判断信息有用与否的“处理器”,只有符合算法认证的信息才会留下,不符的信息则通过遗忘门被遗忘,从而解决了长序依赖问题。另外,本发明采用的所述指定医疗访问预测模型由顺序连接的前序长短期记忆网络架构和后序长短期记忆网络架构构成,其中前序长短期记忆网络架构和后序长短期记忆网络架构分别用于编码与解码,即前序长短期记忆网络架构用于将输入编码为一定长度的向量序列,后序长短期记忆网络架构用于将编码得到的向量序列解码为最终的向量序列或最终的预测结果。并在后序长短期记忆网络架构对隐藏状态向量序列进行解码,最后利用score函数和softmax函数,实现了就诊建议的输出。
因此,本发明将所述生理特征数据序列输入所述指定医疗访问预测模型中的前序长短期记忆网络架构,以利用所述前序长短期记忆网络架构进行编码计算,从而得到隐藏状态向量序列;将所述隐藏状态向量序列输入所述指定医疗访问预测模型中的后序长短期记忆网络架构,以使所述后序长短期记忆网络架构依据预设的解码规则,将所述隐藏状态向量序列解码为最终向量序列;根据预设的隐藏状态向量解读方法,解读所述最终向量序列,从而得到第一就诊建议,并判断所述第一就诊建议是否为建议就诊。
更具体地,所述获取预设的第一自然人的当前年龄数据,并根据预设的年龄与医疗访问预测模型的对应关系,获取与所述当前年龄数据对应的指定医疗访问预测模型的步骤S1之前,包括:
S001、调取预设的样本数据集,并按预设比例划分为训练数据集和验证数据集;其中所述样本数据集的每个数据均由训练用特征数据序列和与训练用特征数据序列对应的人工标注结果构成,并且人工标注结果为建议就诊或者建议不就诊;并且训练用特征数据序列的最后一个成员的采集时间对应的年龄与所述第一自然人的当前年龄相同;
S002、调取预设的由顺序连接的前序长短期记忆网络架构和后序长短期记忆网络架构构成的基础模型;
S003、将所述训练数据集输入所述基础模型中进行训练,以得到中间网络模型;
S004、利用所述验证数据集对所述中间网络模型进行验证,并判断验证结果是否为验证通过;
S005、若验证结果为验证通过,则将所述中间网络模型作为指定医疗访问预测模型。
以进行模型训练。其中,本发明采用的是特殊的训练数据,其体现在所述样本数据集中的每一个数据均由训练用特征数据序列和与训练用特征数据序列对应的人工标注结果构成,并且人工标注结果为建议就诊或者建议不就诊;并且训练用特征数据序列的最后一个成员的采集时间对应的年龄与所述第一自然人的当前年龄相同。这表明每个训练数据均是特选的数据,其年龄与第一自然人年龄相同,从而使得指定医疗访问预测模型的针对性更强,准确性越高。通过这种设计,虽然使得医疗访问预测模型数据库中的多个医疗访问预测模型的体量进一步减小,因此医疗访问预测模型的总数量增多,但是其好处显而易见,即每次调用只需要调用单个小体量的医疗访问预测模型,并且单个医疗访问预测模型的训练速度得到了提高,准确性也更强。
更具体地,前序长短期记忆网络架构计算隐藏状态向量例如为,根据公式:,获得所述前序长短期记忆网络架构中的隐藏状态向量ht,其中t为
第t个时间段,ht为对应于第t个时间段的隐藏状态向量,ht-1为对应于第 t-1个时间段的隐
藏状态向量,Xt为第 t个时间段的输入数据,LSTMenc指利用前序长短期记忆网络架构进行
编码运算,其中Xt包括第t个时间段的输入和第t个时间段的指定影响因子。
更具体地,后序长短期记忆网络架构进行解码处理时,采用公式:,, ,,对所述隐藏状态向量序列进行解码运算,以将所述隐藏状态
向量序列解码为最终向量序列;其中ci为所述前序长短期记忆网络架构中第i个最终隐藏
状态向量,为所述后序长短期记忆网络架构中对应第t个时间段的隐藏状态向量,为权
重参数,共有n个时间段,为所述前序长短期记忆网络架构中的第j个隐藏状态向量,为
所述后序长短期记忆网络架构中的第i个隐藏状态向量,指采用score函数根据和计算出的分数,、为权值,p为输出概率,为所述后序长短期记忆网络架构对
应第t个时间段输出的最终向量序列,x为输入的生理特征数据序列。
进一步地,若所述第一就诊建议为建议就诊,则获取所述第一自然人所在区域的医疗资源数据,并利用训练完成的资源级别预测模型对所述医疗资源数据进行处理,以输出医疗资源级别,并判断所述医疗资源级别是否大于预设的级别阈值;其中所述资源级别预测模型基于神经网络模型训练而成,所述医疗资源级别越高代表医疗资源越匮乏;若所述医疗资源级别大于预设的级别阈值,则根据预设的相似用户选取规则进行用户选取操作,以选取对应于所述第一自然人的第二自然人,再形成由所述第一自然人和第二自然人组成的自然人组合。
其中,医疗资源级别反应了当地的医疗资源紧缺程度,级别越高,表明越匮乏,因此越需要进行共同医疗访问合约的生成。而医疗资源数据能够直接反应医疗资源级别,例如,在岗医生数量越少,对于医疗资源级别的贡献越大(即医疗资源级别高的可能性越大)。其中神经网络模型可采用有监督学习方式训练而成,在此不再赘述。本发明生成共同医疗访问合约,其目的在于缓解医疗资源紧张的状况,因此当第一就诊建议为建议就诊时,不会直接引导第一自然人对指定医生进行医疗访问。另外,本发明所提及的医疗访问,可以为实地就诊访问,也可以通过网络实现异地就诊访问,但优选实地就诊访问。而选出的第二自然人,是与第一自然人具有相同特性地,即很可能患有同一种疾病,并且症状相似,可能可以采用同一种治疗方案,当然,这需要指定医生做最后的判断。而选取第二自然人可采用任意可行方法,例如:
所述若所述医疗资源级别大于预设的级别阈值,则根据预设的相似用户选取规则进行用户选取操作,以选取对应于所述第一自然人的第二自然人,再形成由所述第一自然人和第二自然人组成的自然人组合的步骤S7,包括:
S71、若所述医疗资源级别大于预设的级别阈值,则调用三方形态病历数据库;其中所述三方形态病历数据库存储的每个病历均具有第一方病历、第二方病历和第三方病历形态,并且第一方病历、第二方病历和第三方病历形态分别针对医务工作者群体、原始患者和除医务工作者群体和原始患者之外的其他人;
S72、根据预设的三方形态病历筛选方法,以从所述三方形态病历数据库中筛选出指定三方形态病历;其中,所述指定三方形态病历中的原始患者的生理特征数据序列与所述第一自然人的生理特征数据序列的差别在预设的容忍范围内;
S73、调取对应于所述指定三方形态病历的访问记录数据,并根据所述查询记录数据获取只访问第三方病历形态的用户表;
S74、将所述用户表中年龄与所述第一自然人年龄最相近的用户记为第二自然人。
从而利用本发明特别设计的三方形态病历,以便于进一步节省资源。数字病历是由医生写就,并针对于医生群体的病历,因此其中存在许多专业术语,难以被非医生或医务工作者群体读懂。而本发明进行了三方形态病历的设计,即所述指定三方形态病历具有第一方病历、第二方病历和第三方病历三种形态,所述第一方病历形态针对医务工作者群体,所述第二方病历形态针对原始患者,所述第三方病历形态针对除医务工作者群体和原始患者之外的其他人。从而提高了数字病历的信息利用率,即非医生群体也能利用数字病历。据此,本发明再通过获取所述指定三方形态病历的查询历史记录,并从所述查询历史记录中选出只查询第三方病历形态的人员名单的方式,即可得知具体类似诊治需要的对象,选出年龄与所述第一自然人的年龄最相近的人员,并将其记为第二自然人。当然,在上述选取过程之外,还可以包括其他筛选步骤,以增加选取准确性,例如包括要求数字病历的查询用户必须提供生理数据,再以提供的生理数据再次验证其是否为可能的患者。
更具体地,所述若所述医疗资源级别大于预设的级别阈值,则调用三方形态病历数据库的步骤S71之前,包括:
S601、获取一份初始数字病历,并分别标注出所述初始数字病历中的普通词汇和医用专业词汇;
S602、根据划分规则:普通句子不包括医用专业词汇,所述医用专业句子包括的医用专业词汇的数量大于等于一且小于等于三,同时所述医用专业句子至少包括五个单词,对所述初始数字病历进行句子划分处理,以得到由多个普通句子和多个医用专业句子构成的第一序列;
S603、调取预设的替换句子组数据库,其中所述替换句子组数据库记载了多个替换句子组,每个替换句子组由一个医用专业句子和多个短句构成,并且同一个替换词语组中的医用专业句子和多个短句中的每一个的表意均相同;
S604、进行句子替换处理,以将所述第一序列中的部分医用专业句子分别替换为对应替换句子组的短句,从而得到多个不重复的且均由普通词汇和少量医用专业词汇构成的第二序列;
S605、根据预设的相似度计算方法,计算所述第一序列和所述第二序列之间的第二相似度,从而得到与多个第二序列分别对应的多个第二相似度值,再获取所述多个第二相似度值中的最大第二相似度值,并将所述最大第二相似度值对应的第二序列作为所述初始数字病历的第二方病历形态;
S606、将所述第一序列中的所有医用专业句子分别替换为对应替换句子组的短句,从而得到多个不重复的且均由普通词汇构成的第三序列;
S607、计算所述第一序列和所述第三序列之间的相似度,从而得到与多个第三序列分别对应的多个相似度值,并从所述多个相似度值中选出最大相似度值;
S608、将所述最大相似度值对应的第三序列作为所述初始数字病历的第三方病历形态,同时将所述初始数字病历记为所述第三数字病历的第一方病历形态;
S609、将能够对应于初始数字病历的第一方病历形态、第二方病历形态和第三方病历形态汇总为三方形态病历,并存入三方形态病历数据库中。
从而生成三方形态病历,并构建三方形态病历数据库。其中,本发明采用步骤S601-609,将初始数字病历进行三个形态的转变,其中涉及了专业词汇的替换,以保证患者能够充分利用新生成的三方形态病历。并且,本发明不是将单纯将医用专业词汇替换为其定义词句,因为若仅单纯将医用专业词汇替换为其定义词句,其不利于阅读;而本发明采用的方式(医用专业句子,所述医用专业句子包括的医用专业词汇的数量大于等于一且小于等于三,并且所述医用专业句子至少包括五个单词),不仅提高阅读通畅性,而且使得替换句子组数据库的搭建成为可能(由于医用专业词汇的词汇搭配的可能性非常有限,因此采用本发明得到的医用专业句子的数量不会很多)。
之后,再确定与所述第一就诊建议对应的指定医生,获取所述指定医生的工作时间表,并获取所述第一自然人的第一空闲时间和所述第二自然人的第二空闲时间,以所述工作时间表、所述第一空闲时间和所述第二空闲时间为依据,生成指定访问时间;生成共同医疗访问合约,以要求所述自然人组合在所述指定访问时间对所述指定医生进行共同医疗访问。
其中,第一就诊建议由于是采用基于长短期记忆网络架构的模型对生理特征数据序列分析得到的,因此第一就诊建议能够包括可能的疾病类型与对应的机率,据此能够确定对口的指定医生,以避免转诊的可能,减少耗费时间,提高了整体效率,节约了医疗资源。以所述工作时间表、所述第一空闲时间和所述第二空闲时间为依据,生成指定访问时间,其目的在于,在该指定访问时间下,参与的三者均能够进行通信或者会面,以实现共同医疗访问的目的,因此指定访问时间必须在工作时间表中,也在第一空间时间中,还在第二空间时间中。
更具体地,所述若所述第一就诊建议为建议就诊,则获取所述第一自然人所在区域的医疗资源数据,并利用训练完成的资源级别预测模型对所述医疗资源数据进行处理,以输出医疗资源级别,并判断所述医疗资源级别是否大于预设的级别阈值的步骤S6之后,包括:
S61、若所述医疗资源级别不大于预设的级别阈值,则获取与所述第一就诊建议对应的指定医生的工作时间表,并获取所述第一自然人的第一空闲时间和所述第二自然人的第二空闲时间;
S62、对工作时间表与第一空闲时间进行第一时间重叠处理,同时对工作时间表与第二空闲时间进行第二时间重叠处理,以得到第一访问时间和第二访问时间;
S63、生成第一医疗访问合约和第二医疗访问合约,以要求所述第一自然人和所述第二自然人分别在所述第一访问时间和第二访问时间,对所述指定医生进行医疗访问。
从而在医疗资源不紧张的情况下,可以采用分别进行医疗访问的方式,以使指定医生能够更详细更准确地进行判断,更有利于第一自然人和第二自然人的健康。
本发明的基于长短期记忆网络的共同医疗访问合约生成方法,通过获取预设的第一自然人的当前年龄数据,并获取指定医疗访问预测模型;对第一自然人进行数据采集处理,得到在时间上顺序排列的生理特征数据序列;利用所述前序长短期记忆网络架构进行编码计算,从而得到隐藏状态向量序列;使所述后序长短期记忆网络架构依据预设的解码规则,将所述隐藏状态向量序列解码为最终向量序列;得到第一就诊建议,并判断所述第一就诊建议是否为建议就诊;输出医疗资源级别;若所述医疗资源级别大于预设的级别阈值,则选取第二自然人,再形成自然人组合;确定指定医生的工作时间表,并生成指定访问时间;生成共同医疗访问合约,使得医疗的实际过程花费时间,理想上能够缩短一半,从而改善当前的医疗资源紧张的状况。
实施例2:
如图2所示,本实施例提供了一种基于长短期记忆网络的共同医疗访问合约生成系统,包括:
当前年龄数据获取单元10,用于获取预设的第一自然人的当前年龄数据,并根据预设的年龄与医疗访问预测模型的对应关系,获取与所述当前年龄数据对应的指定医疗访问预测模型;其中,所述指定医疗访问预测模型由顺序连接的前序长短期记忆网络架构和后序长短期记忆网络架构构成;
数据采集处理单元20,用于采用预设的生理数据采集工具对所述第一自然人进行数据采集处理,以得到所述第一自然人的当前生理特征数据,并汇总所述当前生理特征数据和所述第一自然人的往期生理特征数据,以得到在时间上顺序排列的生理特征数据序列;
编码计算单元30,用于将所述生理特征数据序列输入所述指定医疗访问预测模型中的前序长短期记忆网络架构,以利用所述前序长短期记忆网络架构进行编码计算,从而得到隐藏状态向量序列;
解码计算单元40,用于将所述隐藏状态向量序列输入所述指定医疗访问预测模型中的后序长短期记忆网络架构,以使所述后序长短期记忆网络架构依据预设的解码规则,将所述隐藏状态向量序列解码为最终向量序列;
第一就诊建议获取单元50,用于根据预设的隐藏状态向量解读方法,解读所述最终向量序列,从而得到第一就诊建议,并判断所述第一就诊建议是否为建议就诊;
医疗资源级别判断单元60,用于若所述第一就诊建议为建议就诊,则获取所述第一自然人所在区域的医疗资源数据,并利用训练完成的资源级别预测模型对所述医疗资源数据进行处理,以输出医疗资源级别,并判断所述医疗资源级别是否大于预设的级别阈值;其中所述资源级别预测模型基于神经网络模型训练而成,所述医疗资源级别越高代表医疗资源越匮乏;
自然人组合生成单元70,用于若所述医疗资源级别大于预设的级别阈值,则根据预设的相似用户选取规则进行用户选取操作,以选取对应于所述第一自然人的第二自然人,再形成由所述第一自然人和第二自然人组成的自然人组合;
指定访问时间生成单元80,用于确定与所述第一就诊建议对应的指定医生,获取所述指定医生的工作时间表,并获取所述第一自然人的第一空闲时间和所述第二自然人的第二空闲时间,以所述工作时间表、所述第一空闲时间和所述第二空闲时间为依据,生成指定访问时间;
共同医疗访问合约生成单元90,用于生成共同医疗访问合约,以要求所述自然人组合在所述指定访问时间对所述指定医生进行共同医疗访问。
在一个实施方式中,所述系统,包括:
样本数据集调取单元,用于调取预设的样本数据集,并按预设比例划分为训练数据集和验证数据集;其中所述样本数据集的每个数据均由训练用特征数据序列和与训练用特征数据序列对应的人工标注结果构成,并且人工标注结果为建议就诊或者建议不就诊;并且训练用特征数据序列的最后一个成员的采集时间对应的年龄与所述第一自然人的当前年龄相同;
基础模型调取单元,用于调取预设的由顺序连接的前序长短期记忆网络架构和后序长短期记忆网络架构构成的基础模型;
中间网络模型生成单元,用于将所述训练数据集输入所述基础模型中进行训练,以得到中间网络模型;
中间网络模型验证单元,用于利用所述验证数据集对所述中间网络模型进行验证,并判断验证结果是否为验证通过;
中间网络模型标记单元,用于若验证结果为验证通过,则将所述中间网络模型作为指定医疗访问预测模型。
在一个实施方式中,所述自然人组合生成单元,包括:
三方形态病历数据库调用模块,用于若所述医疗资源级别大于预设的级别阈值,则调用三方形态病历数据库;其中所述三方形态病历数据库存储的每个病历均具有第一方病历、第二方病历和第三方病历形态,并且第一方病历、第二方病历和第三方病历形态分别针对医务工作者群体、原始患者和除医务工作者群体和原始患者之外的其他人;
病历筛选模块,用于根据预设的三方形态病历筛选方法,以从所述三方形态病历数据库中筛选出指定三方形态病历;其中,所述指定三方形态病历中的原始患者的生理特征数据序列与所述第一自然人的生理特征数据序列的差别在预设的容忍范围内;
用户表获取模块,用于调取对应于所述指定三方形态病历的访问记录数据,并根据所述查询记录数据获取只访问第三方病历形态的用户表;
第二自然人标记模块,用于将所述用户表中年龄与所述第一自然人年龄最相近的用户记为第二自然人。
在一个实施方式中,所述系统,包括:
初始数字病历获取单元,用于获取一份初始数字病历,并分别标注出所述初始数字病历中的普通词汇和医用专业词汇;
句子划分处理单元,用于根据划分规则:普通句子不包括医用专业词汇,所述医用专业句子包括的医用专业词汇的数量大于等于一且小于等于三,同时所述医用专业句子至少包括五个单词,对所述初始数字病历进行句子划分处理,以得到由多个普通句子和多个医用专业句子构成的第一序列;
替换句子组数据库调取单元,用于调取预设的替换句子组数据库,其中所述替换句子组数据库记载了多个替换句子组,每个替换句子组由一个医用专业句子和多个短句构成,并且同一个替换词语组中的医用专业句子和多个短句中的每一个的表意均相同;
第二序列获取单元,用于进行句子替换处理,以将所述第一序列中的部分医用专业句子分别替换为对应替换句子组的短句,从而得到多个不重复的且均由普通词汇和少量医用专业词汇构成的第二序列;
第二相似度计算单元,用于根据预设的相似度计算方法,计算所述第一序列和所述第二序列之间的第二相似度,从而得到与多个第二序列分别对应的多个第二相似度值,再获取所述多个第二相似度值中的最大第二相似度值,并将所述最大第二相似度值对应的第二序列作为所述初始数字病历的第二方病历形态;
第三序列获取单元,用于将所述第一序列中的所有医用专业句子分别替换为对应替换句子组的短句,从而得到多个不重复的且均由普通词汇构成的第三序列;
最大相似度值选取单元,用于计算所述第一序列和所述第三序列之间的相似度,从而得到与多个第三序列分别对应的多个相似度值,并从所述多个相似度值中选出最大相似度值;
病历形态标记单元,用于将所述最大相似度值对应的第三序列作为所述初始数字病历的第三方病历形态,同时将所述初始数字病历记为所述第三数字病历的第一方病历形态;
三方形态病历存储单元,用于将能够对应于初始数字病历的第一方病历形态、第二方病历形态和第三方病历形态汇总为三方形态病历,并存入三方形态病历数据库中。
在一个实施方式中,所述系统,包括:
空闲时间获取单元,用于若所述医疗资源级别不大于预设的级别阈值,则获取与所述第一就诊建议对应的指定医生的工作时间表,并获取所述第一自然人的第一空闲时间和所述第二自然人的第二空闲时间;
时间重叠处理单元,用于对工作时间表与第一空闲时间进行第一时间重叠处理,同时对工作时间表与第二空闲时间进行第二时间重叠处理,以得到第一访问时间和第二访问时间;
医疗访问单元,用于生成第一医疗访问合约和第二医疗访问合约,以要求所述第一自然人和所述第二自然人分别在所述第一访问时间和第二访问时间,对所述指定医生进行医疗访问。
其中上述单元与模块分别用于执行的操作与前述实施方式的共同医疗访问合约生成方法的步骤一一对应,在此不再赘述。
本发明的基于长短期记忆网络的共同医疗访问合约生成系统,通过获取预设的第一自然人的当前年龄数据,并获取指定医疗访问预测模型;对第一自然人进行数据采集处理,得到在时间上顺序排列的生理特征数据序列;利用所述前序长短期记忆网络架构进行编码计算,从而得到隐藏状态向量序列;使所述后序长短期记忆网络架构依据预设的解码规则,将所述隐藏状态向量序列解码为最终向量序列;得到第一就诊建议,并判断所述第一就诊建议是否为建议就诊;输出医疗资源级别;若所述医疗资源级别大于预设的级别阈值,则选取第二自然人,再形成自然人组合;确定指定医生的工作时间表,并生成指定访问时间;生成共同医疗访问合约,使得医疗的实际过程花费时间,理想上能够缩短一半,从而改善当前的医疗资源紧张的状况。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素,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、装置、物品或者方法所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
以上所述仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种基于长短期记忆网络的共同医疗访问合约生成方法,其特征在于,包括:
S1、获取预设的第一自然人的当前年龄数据,并根据预设的年龄与医疗访问预测模型的对应关系,获取与所述当前年龄数据对应的指定医疗访问预测模型;其中,所述指定医疗访问预测模型由顺序连接的前序长短期记忆网络架构和后序长短期记忆网络架构构成;
S2、采用预设的生理数据采集工具对所述第一自然人进行数据采集处理,以得到所述第一自然人的当前生理特征数据,并汇总所述当前生理特征数据和所述第一自然人的往期生理特征数据,以得到在时间上顺序排列的生理特征数据序列;
S3、将所述生理特征数据序列输入所述指定医疗访问预测模型中的前序长短期记忆网络架构,以利用所述前序长短期记忆网络架构进行编码计算,从而得到隐藏状态向量序列;
S4、将所述隐藏状态向量序列输入所述指定医疗访问预测模型中的后序长短期记忆网络架构,以使所述后序长短期记忆网络架构依据预设的解码规则,将所述隐藏状态向量序列解码为最终向量序列;
S5、根据预设的隐藏状态向量解读方法,解读所述最终向量序列,从而得到第一就诊建议,并判断所述第一就诊建议是否为建议就诊;
S6、若所述第一就诊建议为建议就诊,则获取所述第一自然人所在区域的医疗资源数据,并利用训练完成的资源级别预测模型对所述医疗资源数据进行处理,以输出医疗资源级别,并判断所述医疗资源级别是否大于预设的级别阈值;其中所述资源级别预测模型基于神经网络模型训练而成,所述医疗资源级别越高代表医疗资源越匮乏;
S7、若所述医疗资源级别大于预设的级别阈值,则根据预设的相似用户选取规则进行用户选取操作,以选取对应于所述第一自然人的第二自然人,再形成由所述第一自然人和第二自然人组成的自然人组合;
S8、确定与所述第一就诊建议对应的指定医生,获取所述指定医生的工作时间表,并获取所述第一自然人的第一空闲时间和所述第二自然人的第二空闲时间,以所述工作时间表、所述第一空闲时间和所述第二空闲时间为依据,生成指定访问时间;
S9、生成共同医疗访问合约,以要求所述自然人组合在所述指定访问时间对所述指定医生进行共同医疗访问。
2.根据权利要求1所述的基于长短期记忆网络的共同医疗访问合约生成方法,其特征在于,所述获取预设的第一自然人的当前年龄数据,并根据预设的年龄与医疗访问预测模型的对应关系,获取与所述当前年龄数据对应的指定医疗访问预测模型的步骤S1之前,包括:
S001、调取预设的样本数据集,并按预设比例划分为训练数据集和验证数据集;其中所述样本数据集的每个数据均由训练用特征数据序列和与训练用特征数据序列对应的人工标注结果构成,并且人工标注结果为建议就诊或者建议不就诊;并且训练用特征数据序列的最后一个成员的采集时间对应的年龄与所述第一自然人的当前年龄相同;
S002、调取预设的由顺序连接的前序长短期记忆网络架构和后序长短期记忆网络架构构成的基础模型;
S003、将所述训练数据集输入所述基础模型中进行训练,以得到中间网络模型;
S004、利用所述验证数据集对所述中间网络模型进行验证,并判断验证结果是否为验证通过;
S005、若验证结果为验证通过,则将所述中间网络模型作为指定医疗访问预测模型。
3.根据权利要求1所述的基于长短期记忆网络的共同医疗访问合约生成方法,其特征在于,所述若所述医疗资源级别大于预设的级别阈值,则根据预设的相似用户选取规则进行用户选取操作,以选取对应于所述第一自然人的第二自然人,再形成由所述第一自然人和第二自然人组成的自然人组合的步骤S7,包括:
S71、若所述医疗资源级别大于预设的级别阈值,则调用三方形态病历数据库;其中所述三方形态病历数据库存储的每个病历均具有第一方病历、第二方病历和第三方病历形态,并且第一方病历、第二方病历和第三方病历形态分别针对医务工作者群体、原始患者和除医务工作者群体和原始患者之外的其他人;
S72、根据预设的三方形态病历筛选方法,以从所述三方形态病历数据库中筛选出指定三方形态病历;其中,所述指定三方形态病历中的原始患者的生理特征数据序列与所述第一自然人的生理特征数据序列的差别在预设的容忍范围内;
S73、调取对应于所述指定三方形态病历的访问记录数据,并根据所述访问记录数据获取只访问第三方病历形态的用户表;
S74、将所述用户表中年龄与所述第一自然人年龄最相近的用户记为第二自然人。
4.根据权利要求3所述的基于长短期记忆网络的共同医疗访问合约生成方法,其特征在于,所述若所述医疗资源级别大于预设的级别阈值,则调用三方形态病历数据库的步骤S71之前,包括:
S601、获取一份初始数字病历,并分别标注出所述初始数字病历中的普通词汇和医用专业词汇;
S602、根据划分规则:普通句子不包括医用专业词汇,医用专业句子包括的医用专业词汇的数量大于等于一且小于等于三,同时医用专业句子至少包括五个单词,对所述初始数字病历进行句子划分处理,以得到由多个普通句子和多个医用专业句子构成的第一序列;
S603、调取预设的替换句子组数据库,其中所述替换句子组数据库记载了多个替换句子组,每个替换句子组由一个医用专业句子和多个短句构成,并且同一个替换句子组中的医用专业句子和多个短句中的每一个的表意均相同;
S604、进行句子替换处理,以将所述第一序列中的部分医用专业句子分别替换为对应替换句子组的短句,从而得到多个不重复的且均由普通词汇和少量医用专业词汇构成的第二序列;
S605、根据预设的相似度计算方法,计算所述第一序列和所述第二序列之间的第二相似度,从而得到与多个第二序列分别对应的多个第二相似度值,再获取所述多个第二相似度值中的最大第二相似度值,并将所述最大第二相似度值对应的第二序列作为所述初始数字病历的第二方病历形态;
S606、将所述第一序列中的所有医用专业句子分别替换为对应替换句子组的短句,从而得到多个不重复的且均由普通词汇构成的第三序列;
S607、计算所述第一序列和所述第三序列之间的相似度,从而得到与多个第三序列分别对应的多个相似度值,并从所述多个相似度值中选出最大相似度值;
S608、将所述最大相似度值对应的第三序列作为所述初始数字病历的第三方病历形态,同时将所述初始数字病历记为所述初始数字病历的第一方病历形态;
S609、将能够对应于初始数字病历的第一方病历形态、第二方病历形态和第三方病历形态汇总为三方形态病历,并存入三方形态病历数据库中。
5.根据权利要求1所述的基于长短期记忆网络的共同医疗访问合约生成方法,其特征在于,所述若所述第一就诊建议为建议就诊,则获取所述第一自然人所在区域的医疗资源数据,并利用训练完成的资源级别预测模型对所述医疗资源数据进行处理,以输出医疗资源级别,并判断所述医疗资源级别是否大于预设的级别阈值的步骤S6之后,包括:
S61、若所述医疗资源级别不大于预设的级别阈值,则获取与所述第一就诊建议对应的指定医生的工作时间表,并获取所述第一自然人的第一空闲时间和所述第二自然人的第二空闲时间;
S62、对工作时间表与第一空闲时间进行第一时间重叠处理,同时对工作时间表与第二空闲时间进行第二时间重叠处理,以得到第一访问时间和第二访问时间;
S63、生成第一医疗访问合约和第二医疗访问合约,以要求所述第一自然人和所述第二自然人分别在所述第一访问时间和第二访问时间,对所述指定医生进行医疗访问。
6.一种基于长短期记忆网络的共同医疗访问合约生成系统,其特征在于,包括:
当前年龄数据获取单元,用于获取预设的第一自然人的当前年龄数据,并根据预设的年龄与医疗访问预测模型的对应关系,获取与所述当前年龄数据对应的指定医疗访问预测模型;其中,所述指定医疗访问预测模型由顺序连接的前序长短期记忆网络架构和后序长短期记忆网络架构构成;
数据采集处理单元,用于采用预设的生理数据采集工具对所述第一自然人进行数据采集处理,以得到所述第一自然人的当前生理特征数据,并汇总所述当前生理特征数据和所述第一自然人的往期生理特征数据,以得到在时间上顺序排列的生理特征数据序列;
编码计算单元,用于将所述生理特征数据序列输入所述指定医疗访问预测模型中的前序长短期记忆网络架构,以利用所述前序长短期记忆网络架构进行编码计算,从而得到隐藏状态向量序列;
解码计算单元,用于将所述隐藏状态向量序列输入所述指定医疗访问预测模型中的后序长短期记忆网络架构,以使所述后序长短期记忆网络架构依据预设的解码规则,将所述隐藏状态向量序列解码为最终向量序列;
第一就诊建议获取单元,用于根据预设的隐藏状态向量解读方法,解读所述最终向量序列,从而得到第一就诊建议,并判断所述第一就诊建议是否为建议就诊;
医疗资源级别判断单元,用于若所述第一就诊建议为建议就诊,则获取所述第一自然人所在区域的医疗资源数据,并利用训练完成的资源级别预测模型对所述医疗资源数据进行处理,以输出医疗资源级别,并判断所述医疗资源级别是否大于预设的级别阈值;其中所述资源级别预测模型基于神经网络模型训练而成,所述医疗资源级别越高代表医疗资源越匮乏;
自然人组合生成单元,用于若所述医疗资源级别大于预设的级别阈值,则根据预设的相似用户选取规则进行用户选取操作,以选取对应于所述第一自然人的第二自然人,再形成由所述第一自然人和第二自然人组成的自然人组合;
指定访问时间生成单元,用于确定与所述第一就诊建议对应的指定医生,获取所述指定医生的工作时间表,并获取所述第一自然人的第一空闲时间和所述第二自然人的第二空闲时间,以所述工作时间表、所述第一空闲时间和所述第二空闲时间为依据,生成指定访问时间;
共同医疗访问合约生成单元,用于生成共同医疗访问合约,以要求所述自然人组合在所述指定访问时间对所述指定医生进行共同医疗访问。
7.根据权利要求6所述的基于长短期记忆网络的共同医疗访问合约生成系统,其特征在于,所述系统,包括:
样本数据集调取单元,用于调取预设的样本数据集,并按预设比例划分为训练数据集和验证数据集;其中所述样本数据集的每个数据均由训练用特征数据序列和与训练用特征数据序列对应的人工标注结果构成,并且人工标注结果为建议就诊或者建议不就诊;并且训练用特征数据序列的最后一个成员的采集时间对应的年龄与所述第一自然人的当前年龄相同;
基础模型调取单元,用于调取预设的由顺序连接的前序长短期记忆网络架构和后序长短期记忆网络架构构成的基础模型;
中间网络模型生成单元,用于将所述训练数据集输入所述基础模型中进行训练,以得到中间网络模型;
中间网络模型验证单元,用于利用所述验证数据集对所述中间网络模型进行验证,并判断验证结果是否为验证通过;
中间网络模型标记单元,用于若验证结果为验证通过,则将所述中间网络模型作为指定医疗访问预测模型。
8.根据权利要求6所述的基于长短期记忆网络的共同医疗访问合约生成系统,其特征在于,所述自然人组合生成单元,包括:
三方形态病历数据库调用模块,用于若所述医疗资源级别大于预设的级别阈值,则调用三方形态病历数据库;其中所述三方形态病历数据库存储的每个病历均具有第一方病历、第二方病历和第三方病历形态,并且第一方病历、第二方病历和第三方病历形态分别针对医务工作者群体、原始患者和除医务工作者群体和原始患者之外的其他人;
病历筛选模块,用于根据预设的三方形态病历筛选方法,以从所述三方形态病历数据库中筛选出指定三方形态病历;其中,所述指定三方形态病历中的原始患者的生理特征数据序列与所述第一自然人的生理特征数据序列的差别在预设的容忍范围内;
用户表获取模块,用于调取对应于所述指定三方形态病历的访问记录数据,并根据所述访问记录数据获取只访问第三方病历形态的用户表;
第二自然人标记模块,用于将所述用户表中年龄与所述第一自然人年龄最相近的用户记为第二自然人。
9.根据权利要求8所述的基于长短期记忆网络的共同医疗访问合约生成系统,其特征在于,所述系统,包括:
初始数字病历获取单元,用于获取一份初始数字病历,并分别标注出所述初始数字病历中的普通词汇和医用专业词汇;
句子划分处理单元,用于根据划分规则:普通句子不包括医用专业词汇,医用专业句子包括的医用专业词汇的数量大于等于一且小于等于三,同时医用专业句子至少包括五个单词,对所述初始数字病历进行句子划分处理,以得到由多个普通句子和多个医用专业句子构成的第一序列;
替换句子组数据库调取单元,用于调取预设的替换句子组数据库,其中所述替换句子组数据库记载了多个替换句子组,每个替换句子组由一个医用专业句子和多个短句构成,并且同一个替换句子组中的医用专业句子和多个短句中的每一个的表意均相同;
第二序列获取单元,用于进行句子替换处理,以将所述第一序列中的部分医用专业句子分别替换为对应替换句子组的短句,从而得到多个不重复的且均由普通词汇和少量医用专业词汇构成的第二序列;
第二相似度计算单元,用于根据预设的相似度计算方法,计算所述第一序列和所述第二序列之间的第二相似度,从而得到与多个第二序列分别对应的多个第二相似度值,再获取所述多个第二相似度值中的最大第二相似度值,并将所述最大第二相似度值对应的第二序列作为所述初始数字病历的第二方病历形态;
第三序列获取单元,用于将所述第一序列中的所有医用专业句子分别替换为对应替换句子组的短句,从而得到多个不重复的且均由普通词汇构成的第三序列;
最大相似度值选取单元,用于计算所述第一序列和所述第三序列之间的相似度,从而得到与多个第三序列分别对应的多个相似度值,并从所述多个相似度值中选出最大相似度值;
病历形态标记单元,用于将所述最大相似度值对应的第三序列作为所述初始数字病历的第三方病历形态,同时将所述初始数字病历记为所述初始数字病历的第一方病历形态;
三方形态病历存储单元,用于将能够对应于初始数字病历的第一方病历形态、第二方病历形态和第三方病历形态汇总为三方形态病历,并存入三方形态病历数据库中。
10.根据权利要求6所述的基于长短期记忆网络的共同医疗访问合约生成系统,其特征在于,所述系统,包括:
空闲时间获取单元,用于若所述医疗资源级别不大于预设的级别阈值,则获取与所述第一就诊建议对应的指定医生的工作时间表,并获取所述第一自然人的第一空闲时间和所述第二自然人的第二空闲时间;
时间重叠处理单元,用于对工作时间表与第一空闲时间进行第一时间重叠处理,同时对工作时间表与第二空闲时间进行第二时间重叠处理,以得到第一访问时间和第二访问时间;
医疗访问单元,用于生成第一医疗访问合约和第二医疗访问合约,以要求所述第一自然人和所述第二自然人分别在所述第一访问时间和第二访问时间,对所述指定医生进行医疗访问。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110816093.5A CN113270182B (zh) | 2021-07-20 | 2021-07-20 | 基于长短期记忆网络的共同医疗访问合约生成方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110816093.5A CN113270182B (zh) | 2021-07-20 | 2021-07-20 | 基于长短期记忆网络的共同医疗访问合约生成方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113270182A CN113270182A (zh) | 2021-08-17 |
CN113270182B true CN113270182B (zh) | 2021-09-28 |
Family
ID=77236841
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110816093.5A Active CN113270182B (zh) | 2021-07-20 | 2021-07-20 | 基于长短期记忆网络的共同医疗访问合约生成方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113270182B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160224760A1 (en) * | 2014-12-24 | 2016-08-04 | Oncompass Gmbh | System and method for adaptive medical decision support |
US20180182055A1 (en) * | 2016-12-21 | 2018-06-28 | Susan Funk Jepson | Systems and methods for transportation coordination in healthcare and other settings |
CN108694997A (zh) * | 2017-04-07 | 2018-10-23 | 西门子保健有限责任公司 | 用于优化医学成像设备的运行的计算机实现的方法 |
CN108806785A (zh) * | 2018-05-29 | 2018-11-13 | 四川长虹电器股份有限公司 | 一种基于卷积神经网络的诊疗科室推荐方法及系统 |
CN109215752A (zh) * | 2018-08-24 | 2019-01-15 | 广东康竑健康管理有限公司 | 基于互联网的社区医疗管理方法及装置 |
CN110459324A (zh) * | 2019-06-27 | 2019-11-15 | 平安科技(深圳)有限公司 | 基于长短期记忆模型的疾病预测方法、装置和计算机设备 |
CN111863214A (zh) * | 2020-06-24 | 2020-10-30 | 广西科技大学 | 一种基于机会约束的病人入院时间窗预约方法及系统 |
CN112837827A (zh) * | 2021-02-07 | 2021-05-25 | 武汉源启科技股份有限公司 | 线上团队问诊方法、装置、服务器及存储介质 |
CN112863685A (zh) * | 2020-12-30 | 2021-05-28 | 华南师范大学 | 基于大数据人工智能的传染病应对方法和机器人 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110491484A (zh) * | 2018-08-15 | 2019-11-22 | 上海好医通健康信息咨询有限公司 | 一种基于智慧社区的智慧医疗系统及实现方法 |
CN110851725B (zh) * | 2019-11-15 | 2023-10-27 | 北京盛诺一家医院管理咨询有限公司 | 一种医疗资源推荐方法、系统、计算设备和存储介质 |
CN112418699A (zh) * | 2020-11-30 | 2021-02-26 | 腾讯科技(深圳)有限公司 | 资源分配方法、装置、设备及存储介质 |
-
2021
- 2021-07-20 CN CN202110816093.5A patent/CN113270182B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160224760A1 (en) * | 2014-12-24 | 2016-08-04 | Oncompass Gmbh | System and method for adaptive medical decision support |
US20200098477A1 (en) * | 2014-12-24 | 2020-03-26 | Oncompass Gmbh | System and method for adaptive medical decision support |
US20180182055A1 (en) * | 2016-12-21 | 2018-06-28 | Susan Funk Jepson | Systems and methods for transportation coordination in healthcare and other settings |
CN108694997A (zh) * | 2017-04-07 | 2018-10-23 | 西门子保健有限责任公司 | 用于优化医学成像设备的运行的计算机实现的方法 |
CN108806785A (zh) * | 2018-05-29 | 2018-11-13 | 四川长虹电器股份有限公司 | 一种基于卷积神经网络的诊疗科室推荐方法及系统 |
CN109215752A (zh) * | 2018-08-24 | 2019-01-15 | 广东康竑健康管理有限公司 | 基于互联网的社区医疗管理方法及装置 |
CN110459324A (zh) * | 2019-06-27 | 2019-11-15 | 平安科技(深圳)有限公司 | 基于长短期记忆模型的疾病预测方法、装置和计算机设备 |
CN111863214A (zh) * | 2020-06-24 | 2020-10-30 | 广西科技大学 | 一种基于机会约束的病人入院时间窗预约方法及系统 |
CN112863685A (zh) * | 2020-12-30 | 2021-05-28 | 华南师范大学 | 基于大数据人工智能的传染病应对方法和机器人 |
CN112837827A (zh) * | 2021-02-07 | 2021-05-25 | 武汉源启科技股份有限公司 | 线上团队问诊方法、装置、服务器及存储介质 |
Non-Patent Citations (2)
Title |
---|
"专科护士主导的群组管理在维持性血液透析患者治疗依从性中的应用";康建会;《齐齐哈尔医学院学报》;20210628;第42卷(第10期);902-905 * |
"未来人口变化对我国卫生服务的影响";郭新奇;《医学与社会》;20120229;第25卷(第2期);23-25 * |
Also Published As
Publication number | Publication date |
---|---|
CN113270182A (zh) | 2021-08-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Gao et al. | Camp: Co-attention memory networks for diagnosis prediction in healthcare | |
WO2021120936A1 (zh) | 一种基于多任务学习模型的慢病预测系统 | |
TWI709102B (zh) | 電腦輔助醫學方法、非暫態電腦可讀取媒體以及醫學系統 | |
CN111798954A (zh) | 基于时间注意力机制和图卷积网络的药物组合推荐方法 | |
CN107145746A (zh) | 一种病情描述的智能分析方法及系统 | |
CN109065172A (zh) | 病症信息获取方法、装置、计算机设备和存储介质 | |
CN116682553A (zh) | 一种融合知识与患者表示的诊断推荐系统 | |
CN110993093A (zh) | 基于深度学习的眼科预问诊方法与装置 | |
WO2021114635A1 (zh) | 患者分群模型构建方法、患者分群方法及相关设备 | |
CN116759041B (zh) | 一种考虑诊疗事件关系的医疗时序数据生成方法及装置 | |
CN117216209A (zh) | 一种基于大型语言模型的超声检查报告解读系统 | |
CN116910172A (zh) | 基于人工智能的随访量表生成方法及系统 | |
US11170898B2 (en) | Methods and systems for prioritizing user symptom complaint inputs | |
Liao et al. | Medical data inquiry using a question answering model | |
CN112259260B (zh) | 基于智能穿戴设备的智能医疗问答方法、系统及装置 | |
CN113270182B (zh) | 基于长短期记忆网络的共同医疗访问合约生成方法和系统 | |
CN117034142A (zh) | 一种不平衡医疗数据缺失值填充方法及系统 | |
CN116992002A (zh) | 一种智能护理方案应答方法及系统 | |
CN115312186B (zh) | 一种糖尿病视网膜病变辅助筛查系统 | |
CN108630290B (zh) | 一种面向慢病患者的健康知识个性化推荐方法和系统 | |
CN112992362B (zh) | 一种身体状态评估装置、电子设备及存储介质 | |
CN112329921B (zh) | 基于深度表征学习和强化学习的利尿剂剂量推理设备 | |
CN112669973B (zh) | 基于大数据深度学习的疾病协同递进预测方法和机器人 | |
CN111243697A (zh) | 一种基于神经网络对目标对象数据进行判断的方法及系统 | |
CN117194604B (zh) | 一种智慧医疗病患问诊语料库构建方法 |
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 | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A Method and System for Generating Common Medical Access Contract Based on Long term and Short term Memory Network Effective date of registration: 20220923 Granted publication date: 20210928 Pledgee: Guanggu Branch of Wuhan Rural Commercial Bank Co.,Ltd. Pledgor: WUHAN TALENT INFORMATION TECHNOLOGY CO.,LTD. Registration number: Y2022420000308 |
|
PE01 | Entry into force of the registration of the contract for pledge of patent right |