CN113555105A - 一种推荐医疗产品的方法及装置 - Google Patents
一种推荐医疗产品的方法及装置 Download PDFInfo
- Publication number
- CN113555105A CN113555105A CN202010335355.1A CN202010335355A CN113555105A CN 113555105 A CN113555105 A CN 113555105A CN 202010335355 A CN202010335355 A CN 202010335355A CN 113555105 A CN113555105 A CN 113555105A
- Authority
- CN
- China
- Prior art keywords
- disease
- data
- user account
- information
- medical product
- 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
- 229940127554 medical product Drugs 0.000 title claims abstract description 153
- 238000000034 method Methods 0.000 title claims abstract description 92
- 201000010099 disease Diseases 0.000 claims abstract description 232
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 232
- 208000024891 symptom Diseases 0.000 claims description 43
- 230000006399 behavior Effects 0.000 claims description 40
- 230000015654 memory Effects 0.000 claims description 25
- 238000003860 storage Methods 0.000 claims description 20
- 230000003542 behavioural effect Effects 0.000 claims description 10
- 238000003745 diagnosis Methods 0.000 claims description 9
- 238000011282 treatment Methods 0.000 claims description 9
- 238000012216 screening Methods 0.000 claims description 2
- 239000003814 drug Substances 0.000 description 21
- 206010020772 Hypertension Diseases 0.000 description 18
- 238000010586 diagram Methods 0.000 description 15
- 229940079593 drug Drugs 0.000 description 15
- 230000008569 process Effects 0.000 description 15
- 208000012886 Vertigo Diseases 0.000 description 12
- 230000036772 blood pressure Effects 0.000 description 12
- 231100000889 vertigo Toxicity 0.000 description 12
- FAKRSMQSSFJEIM-RQJHMYQMSA-N captopril Chemical compound SC[C@@H](C)C(=O)N1CCC[C@H]1C(O)=O FAKRSMQSSFJEIM-RQJHMYQMSA-N 0.000 description 10
- 239000002220 antihypertensive agent Substances 0.000 description 9
- 238000004590 computer program Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 9
- 230000006872 improvement Effects 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 8
- 229960000830 captopril Drugs 0.000 description 7
- 238000013480 data collection Methods 0.000 description 6
- NOESYZHRGYRDHS-UHFFFAOYSA-N insulin Chemical compound N1C(=O)C(NC(=O)C(CCC(N)=O)NC(=O)C(CCC(O)=O)NC(=O)C(C(C)C)NC(=O)C(NC(=O)CN)C(C)CC)CSSCC(C(NC(CO)C(=O)NC(CC(C)C)C(=O)NC(CC=2C=CC(O)=CC=2)C(=O)NC(CCC(N)=O)C(=O)NC(CC(C)C)C(=O)NC(CCC(O)=O)C(=O)NC(CC(N)=O)C(=O)NC(CC=2C=CC(O)=CC=2)C(=O)NC(CSSCC(NC(=O)C(C(C)C)NC(=O)C(CC(C)C)NC(=O)C(CC=2C=CC(O)=CC=2)NC(=O)C(CC(C)C)NC(=O)C(C)NC(=O)C(CCC(O)=O)NC(=O)C(C(C)C)NC(=O)C(CC(C)C)NC(=O)C(CC=2NC=NC=2)NC(=O)C(CO)NC(=O)CNC2=O)C(=O)NCC(=O)NC(CCC(O)=O)C(=O)NC(CCCNC(N)=N)C(=O)NCC(=O)NC(CC=3C=CC=CC=3)C(=O)NC(CC=3C=CC=CC=3)C(=O)NC(CC=3C=CC(O)=CC=3)C(=O)NC(C(C)O)C(=O)N3C(CCC3)C(=O)NC(CCCCN)C(=O)NC(C)C(O)=O)C(=O)NC(CC(N)=O)C(O)=O)=O)NC(=O)C(C(C)CC)NC(=O)C(CO)NC(=O)C(C(C)O)NC(=O)C1CSSCC2NC(=O)C(CC(C)C)NC(=O)C(NC(=O)C(CCC(N)=O)NC(=O)C(CC(N)=O)NC(=O)C(NC(=O)C(N)CC=1C=CC=CC=1)C(C)C)CC1=CN=CN1 NOESYZHRGYRDHS-UHFFFAOYSA-N 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 239000008280 blood Substances 0.000 description 5
- 210000004369 blood Anatomy 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 208000031226 Hyperlipidaemia Diseases 0.000 description 3
- 102000004877 Insulin Human genes 0.000 description 3
- 108090001061 Insulin Proteins 0.000 description 3
- 230000001815 facial effect Effects 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 229940125396 insulin Drugs 0.000 description 3
- 239000000243 solution Substances 0.000 description 3
- 229940122199 Insulin secretagogue Drugs 0.000 description 2
- 229940127088 antihypertensive drug Drugs 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 208000001072 type 2 diabetes mellitus Diseases 0.000 description 2
- ZOBPZXTWZATXDG-UHFFFAOYSA-N 1,3-thiazolidine-2,4-dione Chemical compound O=C1CSC(=O)N1 ZOBPZXTWZATXDG-UHFFFAOYSA-N 0.000 description 1
- 229940077274 Alpha glucosidase inhibitor Drugs 0.000 description 1
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 206010011224 Cough Diseases 0.000 description 1
- 229940124213 Dipeptidyl peptidase 4 (DPP IV) inhibitor Drugs 0.000 description 1
- 229940122355 Insulin sensitizer Drugs 0.000 description 1
- 229940100066 Long-acting insulin Drugs 0.000 description 1
- 229940100389 Sulfonylurea Drugs 0.000 description 1
- 229940123464 Thiazolidinedione Drugs 0.000 description 1
- 206010067584 Type 1 diabetes mellitus Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 239000003888 alpha glucosidase inhibitor Substances 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 229940097633 capoten Drugs 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- -1 covitine Chemical compound 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 206010012601 diabetes mellitus Diseases 0.000 description 1
- 239000003603 dipeptidyl peptidase IV inhibitor Substances 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 201000001421 hyperglycemia Diseases 0.000 description 1
- 230000001631 hypertensive effect Effects 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- BNYHRGTXRPWASY-UHFFFAOYSA-N nonylsulfonylurea Chemical compound CCCCCCCCCS(=O)(=O)NC(N)=O BNYHRGTXRPWASY-UHFFFAOYSA-N 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 239000000955 prescription drug Substances 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000005086 pumping Methods 0.000 description 1
- 210000000697 sensory organ Anatomy 0.000 description 1
- 230000004622 sleep time Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- YROXIXLRRCOBKF-UHFFFAOYSA-N sulfonylurea Chemical class OC(=N)N=S(=O)=O YROXIXLRRCOBKF-UHFFFAOYSA-N 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000002936 tranquilizing effect Effects 0.000 description 1
- 238000011277 treatment modality Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Biomedical Technology (AREA)
- Medicinal Chemistry (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Chemical & Material Sciences (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请关于一种推荐医疗产品的方法及装置。所述方法包括：获取搜索关键词及对应的用户账户；根据所述搜索关键词获取所述用户账户所对应的疾病信息；确定与所述疾病信息相匹配的医疗产品。利用本申请各个实施例提供的推荐医疗产品的方法及装置，可以快速、准确地匹配出用户实际所需的医疗产品。
Description
技术领域
本申请涉及互联网医疗技术领域，尤其涉及一种推荐医疗产品的方法及装置。
背景技术
随着互联网医疗技术的发展，用户可以实现足不出户地购买医疗产品。用户在医疗产品平台上输入搜索关键词，平台可以向用户推荐相关产品。目前，医疗产品平台还不够智能化，推荐的医疗产品往往不符合用户的实际需求。例如，高血压患者搜索“眩晕”等关键词，平台可能根据通用的推荐方式，向用户推荐具有补血养神功效等与高血压疾病无关的产品。
因此，相关技术中亟需一种能够准确地向用户推荐医疗产品的方式。
发明内容
本申请实施例的目的在于提供一种推荐医疗产品的方法及装置，可以快速、准确地匹配出用户实际所需的医疗产品。
本申请实施例提供的推荐医疗产品的方法及装置是这样实现的：
一种推荐医疗产品的方法，所述方法包括：
获取搜索关键词及对应的用户账户；
根据所述搜索关键词获取所述用户账户所对应的疾病信息；
确定与所述疾病信息相匹配的医疗产品。
一种推荐医疗产品的方法，所述方法包括：
获取搜索关键词及对应的用户账户；
根据所述搜索关键词获取所述用户账户所对应的身体信息；
确定与所述身体信息相匹配的医疗产品。
一种推荐医疗产品的装置，包括处理器以及用于存储处理器可执行指令的存储器，所述处理器执行所述指令时实现所述的推荐医疗产品的方法。
一种非临时性计算机可读存储介质，其特征在于，当所述存储介质中的指令由处理器执行时，使得处理器能够执行所述的推荐医疗产品的方法。
本申请提供的推荐医疗产品的方法即装置，可以获取到用户账户的搜索关键词，根据所述搜索关键词确定所述用户账户对应的疾病信息，并确定与所述疾病信息相匹配的医疗产品。通过疾病信息确定医疗产品的方式，可以根据用户的实际需求向用户推荐医疗产品，相对于相关技术中利用通用匹配方式获取的产品，可以快速、准确地匹配出用户实际所需的医疗产品。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。
图1是根据一示例性实施例示出的一种应用场景示意图。
图2是根据一示例性实施例示出的一种应用场景示意图。
图3是根据一示例性实施例示出的一种应用场景示意图。
图4是根据一示例性实施例示出的一种推荐医疗产品方法的流程示意图。
图5是根据一示例性实施例示出的一种生成关联关系模型的模块示意图。
图6是根据一示例性实施例示出的一种推荐医疗产品装置的框图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
为了方便本领域技术人员理解本申请实施例提供的技术方案，下面结合附图对本申请的技术方案进行说明。
本申请各个实施例提供一种推荐医疗产品的方法，所述方法可以基于用户账户的搜索关键词。所述医疗产品可以包括医疗药品、医疗器械、医疗服务等等，其中医疗服务可以包括医生的挂号服务等等。在一些示例性的场景中，用户可以在互联网平台上搜索并购买医疗产品，所涉及到的互联网平台可以包括网上药店、网络综合性产品平台等等。用户在购买医疗产品过程中，可以在互联网平台的搜索界面中输入至少一个搜索词，互联网平台在获取到搜索词之后，可以获取到与所述搜索词相匹配的至少一个产品信息，并将获取到的产品信息按照一定的规则排序，以及将排序后的产品信息展示给用户。在实际应用中，疾病用户在互联网平台上搜索医疗产品的过程中，理想状态下是能够推荐与该疾病用户的疾病病情相匹配的产品，尽可能满足用户的需求。但是在实际情况下，目前的互联网平台尤其是综合性产品平台还无法满足这一需求，例如，对于高血压患者的搜索词“眩晕”，利用相关技术的方案，只能获取到与“眩晕”这一关键词相关联的产品信息，如补血产品、安神补脑产品，甚至还有名叫“眩晕”的变形玩具，这些都与用户的需求大相径庭。基于此，本申请各个实施例提供的推荐疾病产品的方法，能够获取到用户的疾病信息，并推荐与所述疾病信息相匹配的医疗产品。
图1是本申请提供的一种示例性的推荐医疗产品的方法流程图，如图1所示，首先，可以获取到用户搜索关键词以及对应的用户账户。图2示出了用户在用户界面中输入搜索关键词的场景示意图，例如用户所输入的搜索关键词为“眩晕”。另外，还可以确定对应的用户账户为“hadyibo”，且该用户账户可以作为该用户的唯一身份标识。如图1所示的流程图，可以判断搜索关键词是否命中预设数据集，例如，所述预设数据集可以包括疾病数据集合、疾病症状数据集合、医疗产品数据集合。通过对比发现，搜索关键词“眩晕”属于疾病症状数据集合中的一种，进而可以判断该搜索关键词是否为医疗产品。经确认，“眩晕”不属于医疗产品，进而可以判断该用户账户“hadyibo”是否有对应的问诊记录。经确认，用户账户“hadyibo”在最近三个月内没有问诊记录，那么，根据图1所示的流程，可以询问用户的搜索意图是需要医疗产品还是在线问诊，若用户的选择是需要在线问诊，可以将用户界面跳转至在线问诊界面；否则，可以确定该用户的搜索意图为需要医疗产品。
经用户账户“hadyibo”的选择，可以确定该用户账户的搜索意图为需要医疗产品。那么，根据图1所示的流程，可以获取用户账户“hadyibo”的个人疾病数据，所述个人疾病数据可以包括下述中的至少一种：被授权的个人信息、被授权的历史行为数据、被授权的电子处方、被授权的个人疾病资料、被授权的体检数据等。然后，可以判断所述个人疾病数据中是否包含与搜索关键词“眩晕”相关联的行为数据。根据用户账户“hadyibo”在最近半年的一份体检报告中，该用户体检得到血压高于正常值，存在高血压的风险。基于此，可以确定用户的“眩晕”症状是由“高血压”疾病引起的，因此，如图3所示，可以向用户账户“hadyibo”推荐与高血压相关的产品，如血压计、降压药、XX医生的挂号等等。通过以上实施例中，可以向用户推荐与其实际身体状况相符合的医疗产品。
在本申请的其他应用场景中，可以获取搜索关键词及对应的用户账户，然后，可以根据所述搜索关键词获取所述用户账户所对应的身体信息，最后确定与所述身体信息相匹配的医疗产品。所述身体信息不限于所述疾病信息，还可以包括身体症状信息、身体基础信息(如心跳、血压、血糖等信息)、面部信息(如面部五官比例、皮肤状态等信息)、身材信息等任何与用户身体相关的信息。在本申请实施例中，可以通过多种方式获取到用户的身体信息，在一个示例中，用户多次在网购平台上搜索瘦脸产品、收藏瘦脸相关产品的信息，通过这样的行为记录，可以获取到用户的身体信息可以包括面部脂肪较多。在另一个示例中，通过关联的第三方平台，获取到用户的睡眠信息，如每天平均睡眠时间为5小时，这样的信息也可以作为用户的睡眠信息。基于所述身体信息，可以确定与所述身体信息相匹配的医疗产品。在一个示例中，用户输入搜索关键词“瘦脸”，且获取到用户的身体信息包括面部脂肪较多，基于此，可以向用户推荐用户的行为记录中所收藏或者浏览的产品，另外，还可以向用户推荐医疗信息，如瘦脸方案、瘦脸操，还可以推荐正确的医疗指导，如指导用户瘦脸需要运动，而不是削骨抽脂等方式。
需要说明的是，本申请实施例中，用户输入搜索词的方式不限于文字输入方式，还可以包括语音输入、图片输入等方式，图片输入可以利用文字识别、图像识别等方式识别出图片中的文字或者图像的名称等信息，从而获取到用户的搜索词，本申请对于用户输入搜索关键词的方式不做限定。
下面结合附图对本申请所述的推荐医疗产品方法进行详细的说明。图4是本申请提供的推荐医疗产品方法的一种实施例的方法流程示意图。虽然本申请提供了如下述实施例或附图所示的方法操作步骤，但基于常规或者无需创造性的劳动在所述方法中可以包括更多或者更少的操作步骤。在逻辑性上不存在必要因果关系的步骤中，这些步骤的执行顺序不限于本申请实施例提供的执行顺序。所述方法在实际中的推荐医疗产品过程中或者装置执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境)。
具体的，本申请提供的推荐医疗产品方法的一种实施例如图4所示，所述方法可以包括：
S401：获取搜索关键词及对应的用户账户。
S403：根据所述搜索关键词获取所述用户账户所对应的疾病信息。
S405：确定与所述疾病信息相匹配的医疗产品。
本申请实施例中，可以获取到搜索关键词以及对应的用户账户。在实际应用场景中，用户在网购平台上购买医疗产品时，往往需要在网购平台提供的用户界面中输入对应的搜索词，例如“眩晕”、“咳嗽”、“血压药”、“糖尿病2型”、“感冒”、“胰岛素注射笔”等等。另外，还可以获取到对应的用户账户，作为获取到所述用户账户对应的疾病信息的标识信息。在本申请一个实施例中，在获取到所述用户账户的搜索词之后，还可以从所述搜索词中提取到其中的搜索关键词，具体地，如去除掉其中的无意义的搜索词，例如“我想要降血压的药”这样的搜索词，可以从其中提取出搜索关键词“血压”、“药”。本实施例中的用户账户可以包括用户名等标识用户在网购平台上唯一身份的信息，如用户名、用户手机号、身份ID等等。
在获取到所述搜索关键词以及对应的用户账户之后，可以根据所述搜索关键词获取所述用户账户对应的疾病信息。在实际应用场景中，对于一般的网购平台，如综合性的网购平台，所涉及到的产品不仅包括医疗产品，当然还包括成千上万的其他类别的产品。基于此，本申请实施例中，在所述搜索关键词属于预设数据集合中的一种的情况下，可以根据所述搜索词获取所述用户账户所对应的疾病信息。也就是说，在所述搜索关键词命中预设数据集合的情况下，才触发向用户推荐医疗产品。所述预设数据集合可以包括下述中的至少一种：疾病数据集合、疾病症状数据集合、医疗产品数据集合。其中，所述疾病数据集合可以包括多种疾病的疾病名称、生理参数、并发症状、治疗方式等信息，表1示出糖尿病1型的疾病信息。所述疾病症状数据集合中包括多种疾病症状的症状名称、人群特征、生理特征以及各个生理特征对应的权重值等信息，表2示出不同症状对应的症状信息。医疗产品数据集合可以包括多种医疗产品的产品名称、规格、用法用量、生产厂家等信息，表3示出医疗产品的产品信息。当然，下述表格仅是不同数据集合的示例，各个类型的数据所包含的信息还包括其他多种，例如医疗产品还可以包括产品的禁忌事项信息，本申请对此不做限制。
表1疾病数据集合
表2疾病症状数据集合
表3医疗产品数据集合
对于所述的疾病数据集合、疾病症状数据集合、医疗产品数据集合，可以从多个数据源中获取得到，所述多个数据源可以包括得到用户授权的与疾病相关的电子处方、个人疾病资料等，还可以包括国际疾病分类(ICD)等比较权威的数据资料。其中，所述电子处方和所述个人疾病资料可以包括文本、图像等格式，在所述电子处方或者所述个人疾病资料为图像格式的情况下，可以利用OCR识别技术识别图像中的文字。在实际应用中，从不同数据源获取到的电子处方和个人疾病资料往往用词不一，典型地，对于同一种药品，可能会有多个不同的名称，包括中文、英文、简称等等。例如对于通用名称为“卡托普利”的药品，可以包括托普利、卡托普利片、巯甲丙脯酸、甲巯丙脯酸、开搏通、开富林、普利博通、开托普利、刻甫定、Tensiomin、Capoten、Lopril、Lopirin、SQ-14225等十多种不同的名称。因此，在构建以上数据集合的过程中，可以对其中的具有多个同义词的词语进行统一化处理，例如，对于上述的卡托普利药品，可以将其统一为通用名称卡托普利。需要说明的是，在确定所述搜索关键词是否命中以上数据集合的过程中，可以确定所述搜索关键词是否与数据集合中的词语为同义词或者近义词，在确定为同义词或者近义词的情况下，可以确定所述搜索关键词命中以上数据集合。
本申请实施例中，在获取到所述搜索关键词和所述用户账户之后，可以根据所述搜索关键词获取所述用户账户所对应的疾病信息。如上所述，所述预设数据集合可以包括疾病数据集合、疾病症状数据集合、医疗产品数据集合等。在所述搜索关键词包括医疗产品的名称的情况下，可以获取到所述用户账户的个人疾病数据。如图1所示，所述个人疾病数据被设置为从所述用户账户的下述中的至少一种数据中提取得到：被授权的个人信息；被授权的历史行为数据；被授权的电子处方；被授权的个人疾病资料。其中所述个人疾病资料和所述电子处方主要来源于医院、线下药房等。所述历史行为数据主要来源网上药房、综合性购物平台等，所述历史行为数据可以包括下述中的至少一种：所述用户账户历史上购买或收藏或加购或搜索过某种医疗产品的行为。
本申请实施例中，在将不同来源的数据集合至同一账户的过程中，可以将具有相同用户标识的数据进行关联和聚合。其中，所述用户标识可以包括身份ID、手机号码、驾驶证等。例如根据用户的身份ID，可以从医院获取该身份ID所对应的个人疾病资料和电子处方，从网上药房中获取该身份ID所对应的历史行为数据。通过对这些数据进行提取，可以获取到该身份ID所对应的个人疾病数据。表4是个人疾病数据的一种数据表形式的表达方式，表4展示了部分的个人疾病数据，所述个人疾病数据可以包括下述中的至少一种信息：
用户性别、用户年龄、用户病史；
所述用户账户历史上购买或收藏或加购或搜索过的医疗产品；
所述用户账户的处方数据所包括的医疗产品；
用户的疾病类型、疾病阶段；
线上和线下诊疗记录。
表4个人疾病数据表
基于此，在获取到所述用户账户的个人疾病数据之后，可以判断所述个人疾病数据中是否包括与所述医疗产品相关联的行为记录。在确定包括所述行为记录的情况下，将所述行为记录作为所述用户的疾病信息。在一个实施例中，所述与所述医疗产品相关联的行为记录可以包括下述中的至少一种：
所述用户账户历史上购买或收藏或加购或搜索过所述医疗产品；
所述用户账户的处方数据中包括所述医疗产品。
在一个示例性的场景中，用户账户A的搜索词为“血压药”，根据用户账户A的个人疾病数据可以确定与“血压药”相关联的行为记录可以包括最近3个月购买过降压药B、最近1年将降压药C添加过购物清单、电子处方中包括降压药D。据此，可以将上述行为记录作为用户账户A的疾病信息。然后，可以推荐与所述疾病信息相匹配的医疗产品。例如，在上述示例中，可以推荐降压药B、降压药C和降压药D。
进一步地，在本申请实施例中，在所述行为记录包括多个的情况下，可以分别获取所述多个行为记录的优先级，并根据所述多个行为记录的优先级的高低，推荐与所述疾病信息相匹配的医疗产品。例如，在上述示例中，可以设置历史上购买行为的优先级>处方数据中包括的优先级>加购行为的优先级>收藏行为的优先级>搜索行为的优先级。基于此，可以优先推荐降压药B，其次是降压药D、降压药C。当然，在其他实施例中，所述不同行为记录的优先级的设置不限于此，还可以根据实际的需求设置，在此不做限制。
本申请的另一个实施例中，对于所述搜索关键词包括医疗产品的名称，且所述个人疾病数据中不包括与所述医疗产品相关联的行为记录的情况下，可以利用疾病与医疗产品之间的关联关系模型，确定出所述医疗产品所对应的疾病。然后，获取与所述搜索关键词相关联的多个医疗产品，并从所述多个医疗产品中筛选出与所述疾病相关联的医疗产品。其中，所述疾病与医疗产品之间的关联关系模型被设置为利用包括具有对应关系的疾病信息与医疗产品信息的多个样本数据训练得到。
图5使出了所述疾病与医疗产品之间的关联关系模型的构建过程，如图5所示，可以利用已有的电子处方和个人疾病资料构建训练所需的样本数据。其中，可以涉及到医疗数据采集模块和行为数据采集模块，其中，所述医疗数据采集模块可以用于从原始用户数据中采集医疗数据，所述医疗数据可以包括个人疾病资料、电子处方、电子体检报告，所述行为数据采集模块可以用于从原始用户数据中采集用户的历史行为数据，所述历史行为数据可以包括与疾病、疾病症状、医疗产品中任何一种相关联的行为数据。所述历史行为数据可以包括线上或者线下行为数据，如可以包括医疗产品交易订单、搜索词、收藏清单、购物清单等等。如图5所示，所述医疗数据采集模块和所述行为数据采集模块采集到的数据之后，可以分别将所述医疗数据和所述历史行为数据发送至数据标准化模块。所述数据标准化模块用于对所述医疗数据和所述历史行为数据进行数据预处理，预处理的方式可以包括文字识别(如从处方单照片中识别出文字)、去除脏数据、格式统一化等处理，以方便进行后续的机器学习。
在一个示例中，可以从电子处方中提取出疾病信息以及医生所开具的与所述疾病信息所对应的医疗产品信息。例如，根据对一些糖尿病患者的电子处方和个人疾病资料的信息提取和信息统计，可以获取到一型糖尿病对应的医疗产品为胰岛素，其中胰岛素还可以根据作用时间长短分为超短效、短效、中效、长效、超长效胰岛素；二型糖尿病对应的医疗产品可以包括磺酰脲类促胰岛素分泌剂、非磺酰脲类促胰岛素分泌剂、α-葡萄糖苷酶抑制剂、噻唑烷二酮类胰岛素增敏剂、二肽基肽酶-4抑制剂等。基于类似于该示例的信息提取和信息统计方式，可以获取到多个由疾病信息及其对应的医疗产品信息所构成的样本数据。
在本申请的一个实施例中，所述疾病与医疗产品之间的关联关系模型可以被设置为按照机器学习方式训练得到。具体地，可以包括：获取多个由疾病信息及其对应的医疗产品信息所构成的样本数据。构建关联关系模型，所述关联关系模型中设置有训练参数。分别将所述样本数据输入至所述关联关系模型中，生成预测结果。基于所述预测结果与所述样本数据中所标注的实际结果之间的差异，对所述训练参数进行迭代调整，直至所述差异满足预设要求。需要说明的是，学习所述样本数据的机器学习方式可以包括K近邻算法、感知机算法、决策树、支持向量机、逻辑斯底回归、最大熵等，相应的，生成的模型如朴素贝叶斯、隐马尔科夫等。当然，在其他实施例中，所述机器学习还可以包括深度学习，所述深度学习方式可以包括卷积神经网络、循环神经网络等等，本申请在此不做限制。
需要说明的是，根据所述关联关系模型，即可以根据疾病确定其对应的医疗产品，也可以根据所述医疗产品确定其对应的疾病。
下面通过一个简单的示例说明以上实施例方式，用户账户A在互联网平台上输入搜索词“降压药”，互联网平台根据搜索词“降压药”可以匹配出多种产品信息，其中不仅包括不同品牌、不同成分的降压药，还包括一些降压药便携药盒、降压药研磨器等辅助产品。由于“降压药”属于医疗产品的名称，因此，可以确定用户账户A的个人疾病数据中是否包括与“降压药”相关的行为记录。若不包括与搜索词“降压药”相关的行为记录，则可以根据所述疾病与医疗产品之间的关联关系模型确定出“降压药”所对应的疾病“高血压”。根据疾病“高血压”，可以从所述多个产品信息中筛选出与“高血压”相关联的医疗产品，如保留一部分药品，并将这些药品按照与“高血压”关联程度的大小排序，同时排除所述多个产品信息中的辅助产品。
进一步地，在本申请的一个实施例中，还可以预先确定疾病所对应的多个产品信息，且所述多个产品信息可以按照指定顺序排序。所述指定顺序可以根据所述关联关系模型确定的疾病与医疗产品之间的关联度的大小确定。由于所述关联关系模型被设置为从已有的个人疾病资料或者电子处方中学习得到，因此，所述指定顺序也更加接近实际情况下医生所开具的处方。在一个示例中，可以确定疾病“高血压”所对应的产品信息为：产品1、产品2、产品3、产品4等等。在确定疾病为“高血压”的情况下，可以按照该顺序推荐产品信息。当然，所述疾病对应的多个产品信息及其顺序也可以随着所述关联关系模型的更新而更新，本申请在此不做限制。
在本申请的一个实施例中，利用所述疾病与医疗产品之间的关联关系模型可以确定出所述搜索关键词对应的疾病有多个。在此情况下，可以发送选择请求，以让用户自己选择对应的疾病。在一个示例中，对于一些保健品，同时具有降糖和降脂的功效，那么根据该保健品，可以获取到对应的疾病有高血糖和高血脂两种，那么，可以发送选择请求给用户，让用户自己选择疾病类型。若用户选择高血脂，可以从匹配出的多个产品中筛选出与高血脂相关的产品。
在其他实施例中，若用户的个人疾病数据中不包括与所述医疗产品相关的行为记录，则还可以在不做任何筛选的情况下，展示互联网平台所匹配出的所述搜索关键词(即所述医疗产品)所对应的产品信息，本申请在此不做限制。
在本申请的一个实施例中，在确定所述搜索关键词包括疾病症状或者疾病的名称的情况下，可以获取所述用户账户的个人疾病数据。然后，可以判断所述个人疾病数据是否包括与所述疾病症状或者所述疾病相关的记录。在确定所述个人疾病数据中包括所述记录的情况下，根据所述记录确定所述用户账户的疾病信息。在一个示例中，用户账户的搜索关键词为“高血压”，根据该用户账户的个人疾病数据，可以确定所述个人疾病数据中包括与“高血压”相关的记录，如确诊记录、电子处方、降压药购买记录等。然后，可以推荐与“高血压”相关的医疗产品，并且，在有电子处方或者历史行为数据的情况下，优先推荐电子处方中所开具的处方药，或者所述历史行为数据中所涉及到的与“高血压”相关的医疗产品。再如，用户账户的搜索关键词为“眩晕”，根据该用户账户的个人疾病数据，可以确定所述个人疾病数据中包括与“眩晕”相关的诊疗记录，根据所述诊疗记录可以确定用户的诊疗结果是中度高血压。基于此，可以推荐与中度高血压相关联的医疗产品。
在本申请的另一个实施例中，在所述个人疾病数据不包括与搜索关键词相关的记录且所述搜索关键词包括疾病症状名称的情况下，可以利用疾病与疾病症状之间的关联关系模型，确定出所述疾病症状所对应的疾病。如图5所示，所述疾病与疾病症状之间的关联关系模型的生成方式与所述疾病与医疗产品之间的关联关系模型的生成方式相似。所述疾病与疾病症状之间的关联关系模型被设置为利用包括具有对应关系的疾病信息与疾病症状信息的多个样本数据训练得到。对于具体的训练方式，在此不再赘述。当然，在其他实施例中，还可以发送确定疾病的请求给所述用户账户，以让用户确定是否为模型所确定出的疾病。在用户确定为模型确定的疾病的情况下，可以向所述用户账户推荐与模型确定的疾病对应的医疗产品。
需要说明的是，在其他实施例中，还可以利用疾病症状与医疗产品之间的关联关系模型确定所述疾病症状(即所述搜索关键词)所对应的医疗产品。如图5所示，所述疾病症状与医疗产品之间的关联关系模型的生成方式与所述疾病与医疗产品之间的关联关系模型的生成方式相似，在此不再赘述。
如图5所示，可以在所述数据标准化模块与所述三者关联关系模型生成用户的个人疾病数据。如上所述，利用所述数据标准化模块对所述原始用户数据进行预处理之后，可以生成统一化数据，因此，可以从所述数据标注化模块处理后的数据进行数据提取。例如，可以按照用户账户提取，如分别提取张三、李四对应的数据。然后，还可以利用所述三者关联关系模型对提取的数据进行处理。举例说明，提取出张三的病历信息、处方信息以及历史上所购买过的药品，可以根据医疗产品、疾病症状分别与疾病之间的关联关系模型，确定张三的疾病，并将确定的疾病添加至用户张三所对应的个人疾病数据中，生成的个人疾病数据可以包括表4所示的数据样式。
本申请提供的推荐医疗产品的方法，可以获取到用户账户的搜索关键词，根据所述搜索关键词确定所述用户账户对应的疾病信息，并确定与所述疾病信息相匹配的医疗产品。通过疾病信息确定医疗产品的方式，可以根据用户的实际需求向用户推荐医疗产品，相对于相关技术中利用通用匹配方式获取的产品，可以快速、准确地匹配出用户实际所需的医疗产品。
对应于上述推荐医疗产品的方法，如图6所示，本申请还提供一种推荐医疗产品的装置，包括处理器以及用于存储处理器可执行指令的存储器，所述处理器执行所述指令时可以实现上述任一实施例所述的推荐医疗产品的方法。
本申请另一方面还提供一种计算机可读存储介质，其上存储有计算机指令，所述指令被执行时实现上述任一实施例所述推荐医疗产品方法的步骤。
所述计算机可读存储介质可以包括用于存储信息的物理装置，通常是将信息数字化后再以利用电、磁或者光学等方式的媒体加以存储。本实施例所述的计算机可读存储介质有可以包括：利用电能方式存储信息的装置如，各式存储器，如RAM、ROM等；利用磁能方式存储信息的装置如，硬盘、软盘、磁带、磁芯存储器、磁泡存储器、U盘；利用光学方式存储信息的装置如，CD或DVD。当然，还有其他方式的可读存储介质，例如量子存储器、石墨烯存储器等等。
在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray，FPGA))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(Hardware Description Language，HDL)，而HDL也并非仅有一种，而是有许多种，如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等，目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，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、商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、商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、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。
Claims (24)
1.一种推荐医疗产品的方法，其特征在于，所述方法包括：
获取搜索关键词及对应的用户账户；
根据所述搜索关键词获取所述用户账户所对应的疾病信息；
确定与所述疾病信息相匹配的医疗产品。
2.根据权利要求1所述的方法，其特征在于，所述确定与所述疾病信息相匹配的医疗产品，包括：
根据所述疾病信息，确定所述用户账户的搜索意图；
在确定所述用户账户的搜索意图包括需要医疗产品的情况下，确定与所述搜索意图相匹配的医疗产品。
3.根据权利要求1所述的方法，其特征在于，所述根据所述搜索关键词获取所述用户账户所对应的疾病信息，包括：
在所述搜索关键词属于预设数据集合中的一种的情况下，根据所述搜索关键词获取所述用户账户所对应的疾病信息；
所述预设数据集合包括下述中的至少一种：疾病数据集合、疾病症状数据集合、医疗产品数据集合。
4.根据权利要求1所述的方法，其特征在于，所述根据所述搜索关键词获取所述用户账户所对应的疾病信息，包括：
在确定所述搜索关键词包括医疗产品的名称的情况下，获取所述用户账户的个人疾病数据；
判断所述个人疾病数据中是否包括与所述医疗产品相关联的行为记录；
在确定所述个人疾病数据中包括所述行为记录的情况下，将所述行为记录作为所述用户账户的疾病信息。
5.根据权利要求4所述的方法，其特征在于，所述与所述医疗产品相关联的行为记录包括下述中的至少一种：
所述用户账户历史上购买或收藏或加购或搜索过所述医疗产品；
所述用户账户的处方数据中包括所述医疗产品。
6.根据权利要求4或5所述的方法，其特征在于，在所述行为记录包括多个的情况下，所述确定与所述疾病信息相匹配的医疗产品，包括：
分别获取多个所述行为记录的优先级；
根据所述行为记录的优先级的高低，确定与所述疾病信息相匹配的医疗产品。
7.根据权利要求4所述的方法，其特征在于，在所述判断所述个人疾病数据中是否包括与所述医疗产品相关联的行为记录之后，所述方法还包括：
在确定不包括所述行为记录的情况下，利用疾病与医疗产品之间的关联关系模型，确定出所述医疗产品所对应的疾病。
8.根据权利要求7所述的方法，其特征在于，所述确定与所述疾病信息相匹配的医疗产品，包括：
获取与所述搜索关键词相关联的多个医疗产品；
从所述多个医疗产品中筛选出与所述疾病信息相关联的医疗产品。
9.根据权利要求7所述的方法，其特征在于，所述确定与所述疾病信息相匹配的医疗产品，包括：
获取与所述搜索关键词相关联的多个医疗产品；
在确定出的疾病的疾病类型包括多个的情况下，接收选择的目标疾病类型；
从所述多个医疗产品中筛选出与所述目标疾病类型相关联的多个医疗产品，并将所述相关联的多个医疗产品按照与所述目标疾病类型之间的关联程度大小的排序推荐给用户。
10.根据权利要求1所述的方法，其特征在于，所述根据所述搜索关键词获取所述用户账户所对应的疾病信息，包括：
在确定所述搜索关键词包括疾病症状或者疾病的名称的情况下，获取所述用户账户的个人疾病数据；
判断所述个人疾病数据是否包括与所述疾病症状或者所述疾病相关的记录；
在确定所述个人疾病数据中包括所述记录的情况下，根据所述记录确定所述用户账户的疾病信息。
11.根据权利要求10所述的方法，其特征在于，在所述判断所述个人疾病数据是否包括与所述疾病症状或者所述疾病相关的记录之后，还包括：
在确定所述个人疾病数据中不包括所述记录且所述搜索关键词包括疾病症状名称的情况下，利用疾病与疾病症状之间的关联关系模型，确定出所述疾病症状所对应的疾病。
12.根据权利要求1所述的方法，其特征在于，所述根据所述搜索关键词确定用户的疾病信息，包括：
在确定所述搜索关键词包括疾病症状或者疾病的名称的情况下，获取用户账户的个人疾病数据；
判断所述个人疾病数据中是否包括疾病历史在线诊疗记录；
在确定所述个人疾病数据包括疾病历史在线诊疗记录的情况下，将所述疾病历史在线诊疗记录作为所述用户账户的疾病信息。
13.根据权利要求12所述的方法，其特征在于，所述确定与所述疾病信息相匹配的医疗产品，包括：
确定所述在线诊疗的访问方式。
14.根据权利要求12所述的方法，其特征在于，在所述判断所述个人疾病数据中是否包括疾病历史在线诊疗记录之后，包括：
在确定所述个人疾病数据中不包括疾病历史在线诊疗记录的情况下，发送疾病信息的选择请求；
接收所述用户账户的选择，确定所述用户账户的疾病信息。
15.根据权利要求1所述的方法，其特征在于，所述根据所述搜索关键词确定用户的疾病信息，包括：
在确定所述搜索关键词包括疾病症状或者疾病的名称的情况下，发送疾病信息的选择请求；
接收所述用户账户的选择，确定所述用户账户的疾病信息。
16.根据权利要求14或15所述的方法，其特征在于，所述接收所述用户账户的选择，确定所述用户账户的疾病信息，包括：
在确定所述用户账户的选择包括需要医疗产品的情况下，获取所述用户账户的个人疾病数据；
判断所述个人疾病数据是否包括与所述疾病症状或者所述疾病相关的记录；
在确定所述个人疾病数据中包括所述记录的情况下，根据所述记录确定所述用户账户的疾病信息。
17.根据权利要求16所述的方法，其特征在于，在所述判断所述个人疾病数据是否包括与所述疾病症状或者所述疾病相关的记录之后，还包括：
在确定所述个人疾病数据中不包括所述记录且所述搜索词包括疾病症状名称的情况下，利用疾病与疾病症状之间的关联关系模型，确定出所述疾病症状所对应的疾病。
18.根据权利要求11或17所述的方法，其特征在于，所述疾病与疾病症状之间的关联关系模型被设置为利用包括具有对应关系的疾病信息与疾病症状信息的多个样本数据训练得到。
19.根据权利要求7所述的方法，其特征在于，所述疾病与医疗产品之间的关联关系模型被设置为利用包括具有对应关系的疾病信息与医疗产品信息的多个样本数据训练得到。
20.根据权利要求10或14或16任一项所述的方法，其特征在于，所述个人疾病数据被设置为从所述用户账户的下述中的至少一种数据中提取得到：
被授权的个人信息；
被授权的历史行为数据；
被授权的电子处方；
被授权的个人疾病资料。
21.根据权利要求20所述的方法，其特征在于，所述个人疾病数据包括下述中的至少一种信息：
用户性别、用户年龄、用户病史；
所述用户账户历史上购买或收藏或加购或搜索过的医疗产品；
所述用户账户的处方数据所包括的医疗产品；
用户的疾病类型、疾病阶段；
线上和线下诊疗记录。
22.一种推荐医疗产品的方法，其特征在于，所述方法包括：
获取搜索关键词及对应的用户账户；
根据所述搜索关键词获取所述用户账户所对应的身体信息；
确定与所述身体信息相匹配的医疗产品。
23.一种推荐医疗产品的装置，其特征在于，包括处理器以及用于存储处理器可执行指令的存储器，所述处理器执行所述指令时实现权利要求1-22任一项所述的推荐医疗产品的方法。
24.一种非临时性计算机可读存储介质，其特征在于，当所述存储介质中的指令由处理器执行时，使得处理器能够执行权利要求1-22任一项所述的推荐医疗产品的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010335355.1A CN113555105A (zh) | 2020-04-24 | 2020-04-24 | 一种推荐医疗产品的方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010335355.1A CN113555105A (zh) | 2020-04-24 | 2020-04-24 | 一种推荐医疗产品的方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113555105A true CN113555105A (zh) | 2021-10-26 |
Family
ID=78101413
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010335355.1A Pending CN113555105A (zh) | 2020-04-24 | 2020-04-24 | 一种推荐医疗产品的方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113555105A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114385889A (zh) * | 2021-12-17 | 2022-04-22 | 北京三快在线科技有限公司 | 一种数据处理方法、装置、电子设备及可读存储介质 |
| CN116738972A (zh) * | 2023-08-04 | 2023-09-12 | 北京杏林康云信息科技股份有限公司 | 基于人工智能的药学服务推广分析方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2017146067A1 (ja) * | 2016-02-26 | 2017-08-31 | 株式会社豊崎会計事務所 | 情報処理装置 |
| CN109658208A (zh) * | 2019-01-15 | 2019-04-19 | 京东方科技集团股份有限公司 | 药品的推荐方法、装置、介质和电子设备 |
| CN109981712A (zh) * | 2017-12-28 | 2019-07-05 | 北京京东尚科信息技术有限公司 | 用于推送信息的方法和装置 |
-
2020
- 2020-04-24 CN CN202010335355.1A patent/CN113555105A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2017146067A1 (ja) * | 2016-02-26 | 2017-08-31 | 株式会社豊崎会計事務所 | 情報処理装置 |
| CN109981712A (zh) * | 2017-12-28 | 2019-07-05 | 北京京东尚科信息技术有限公司 | 用于推送信息的方法和装置 |
| CN109658208A (zh) * | 2019-01-15 | 2019-04-19 | 京东方科技集团股份有限公司 | 药品的推荐方法、装置、介质和电子设备 |
Non-Patent Citations (1)
| Title |
|---|
| 杨光华 等: "实现互联网医疗信息资源精准搜索的策略初探", 中国卫生信息管理杂志, no. 06, pages 81 - 86 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114385889A (zh) * | 2021-12-17 | 2022-04-22 | 北京三快在线科技有限公司 | 一种数据处理方法、装置、电子设备及可读存储介质 |
| CN116738972A (zh) * | 2023-08-04 | 2023-09-12 | 北京杏林康云信息科技股份有限公司 | 基于人工智能的药学服务推广分析方法 |
| CN116738972B (zh) * | 2023-08-04 | 2023-10-24 | 北京杏林康云信息科技股份有限公司 | 基于人工智能的药学服务推广分析方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11210292B2 (en) | Search method and apparatus | |
| Agarwal et al. | A natural language processing framework for assessing hospital readmissions for patients with COPD | |
| Wang et al. | A shared decision-making system for diabetes medication choice utilizing electronic health record data | |
| US11468363B2 (en) | Methods and systems for classification to prognostic labels using expert inputs | |
| EP3994629A1 (en) | Medical record searching with transmittable machine learning | |
| US11847411B2 (en) | Obtaining supported decision trees from text for medical health applications | |
| US11157822B2 (en) | Methods and systems for classification using expert data | |
| Miotto et al. | Identifying acute low back pain episodes in primary care practice from clinical notes: observational study | |
| EP3791327A1 (en) | Genealogy item ranking and recommendation | |
| US20210134461A1 (en) | Methods and systems for prioritizing comprehensive prognoses and generating an associated treatment instruction set | |
| CN113555105A (zh) | 一种推荐医疗产品的方法及装置 | |
| US10832822B1 (en) | Methods and systems for locating therapeutic remedies | |
| Prashanthi et al. | Automated categorization of systemic disease and duration from electronic medical record system data using finite-state machine modeling: prospective validation study | |
| Douibi et al. | An analysis of ambulatory blood pressure monitoring using multi-label classification | |
| US20220028511A1 (en) | Systems and methods for initiating an updated user ameliorative plan | |
| Wunnava et al. | One Size Does Not Fit All: An Ensemble Approach Towards Information Extraction from Adverse Drug Event Narratives. | |
| Rajathi et al. | Named Entity Recognition-based Hospital Recommendation | |
| Rifat et al. | Pharmacovigilance study of opioid drugs on Twitter and PubMed using artificial intelligence | |
| Miled et al. | Feature engineering from medical notes: A case study of dementia detection | |
| Kakulapati et al. | Machine learning analysis of topic modeling re-ranking of clinical records | |
| US20240112765A1 (en) | Method and system for clinical trials matching | |
| US11170315B2 (en) | Methods and systems for providing dynamic constitutional guidance | |
| US20230307099A1 (en) | Server and method for integrating and managing personal health records as global bigdata and recording medium thereof | |
| Al Amin | Identification of Opioid Patients by Employing Structured and Unstructured Data from MIMIC-III Database | |
| Morisio et al. | Dilated Convolution Networks for Classification of ICD-9 based Clinical Summaries |
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 |