CN113592345A - 基于聚类模型的医疗分诊方法、系统、设备及存储介质 - Google Patents
基于聚类模型的医疗分诊方法、系统、设备及存储介质 Download PDFInfo
- Publication number
- CN113592345A CN113592345A CN202110917090.0A CN202110917090A CN113592345A CN 113592345 A CN113592345 A CN 113592345A CN 202110917090 A CN202110917090 A CN 202110917090A CN 113592345 A CN113592345 A CN 113592345A
- Authority
- CN
- China
- Prior art keywords
- doctor
- patient
- weight
- recommended
- triage
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000003860 storage Methods 0.000 title claims abstract description 10
- 201000010099 disease Diseases 0.000 claims abstract description 133
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 133
- 238000012544 monitoring process Methods 0.000 claims abstract description 12
- 238000012545 processing Methods 0.000 claims description 31
- 238000003745 diagnosis Methods 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 21
- 238000013145 classification model Methods 0.000 claims description 17
- 230000004044 response Effects 0.000 claims description 14
- 230000010365 information processing Effects 0.000 claims description 13
- 238000013507 mapping Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000004138 cluster model Methods 0.000 claims 6
- 230000000694 effects Effects 0.000 abstract description 5
- 238000012549 training Methods 0.000 description 14
- 238000012216 screening Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000004140 cleaning Methods 0.000 description 4
- 239000003814 drug Substances 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000011218 segmentation Effects 0.000 description 4
- 230000001154 acute effect Effects 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 229940079593 drug Drugs 0.000 description 3
- 230000014509 gene expression Effects 0.000 description 3
- 210000003127 knee Anatomy 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012163 sequencing technique Methods 0.000 description 3
- 102100034761 Cilia- and flagella-associated protein 418 Human genes 0.000 description 2
- 101100439214 Homo sapiens CFAP418 gene Proteins 0.000 description 2
- 238000012896 Statistical algorithm Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 208000006820 Arthralgia Diseases 0.000 description 1
- 206010020751 Hypersensitivity Diseases 0.000 description 1
- 208000026935 allergic disease Diseases 0.000 description 1
- 230000007815 allergy Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000001079 digestive effect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 208000024765 knee pain Diseases 0.000 description 1
- 230000000399 orthopedic effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000008961 swelling Effects 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
Images
Classifications
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
- G06Q10/063112—Skill-based matching of a person or a group to a task
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
- G06Q10/063114—Status monitoring or status determination for a person or group
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Development Economics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Public Health (AREA)
- Probability & Statistics with Applications (AREA)
- Primary Health Care (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Epidemiology (AREA)
- Biomedical Technology (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明涉及数字医疗领域，提供一种基于聚类模型的医疗分诊方法、系统、计算机设备及存储介质，包括：根据接收的类别选择命令，确定该患者的就诊需求；分析接收的患者主诉，获取该患者的分诊结果；根据所述分诊结果和各医生对不同种类疾病的擅长指标，获取推荐医生组；实时监听并分析医生问诊中的消息事件，获取推荐医生组的忙闲程度及疲劳度；根据所述就诊需求，配置推荐权重的权重因子和权重系数，计算推荐医生组的推荐权重，将权重最高的医生推荐给该患者。本发明能精准地为患者配备医生、减少了患者的等待时间、提高了问诊质量，同时也改善了医生的工作量，提高了医生的工作效率，实现了改善互联网医疗服务质量及提升患者满意度的双赢效果。
Description
技术领域
本发明涉及数字医疗领域，特别是涉及一种基于聚类模型的医疗分诊方法、系统、设备及存储介质。
背景技术
现在社会医疗资源紧缺，用户存在看病难，排队长，就诊慢等各种困难，在传统的门诊服务系统中，医院提供限定号源数量，患者依次排队挂号，等待科室内坐诊医生按照编号顺序，依次叫号进行诊疗服务，在叫号完成后，用户和医生才能进行初步交流，如果医生接待到疑难患病用户或是非擅长疾病患者，或是患者挂错科室，都会导致医生的整体工作效率难以提升，花费大量时间在该次问诊中，宝贵的医生资源进一步缩紧，后续患者排队时长增长，就医观感情绪进一步紧张。
随着人工智能技术的深入发展，互联网线上医疗服务对传统门诊挂号系统进行了优化，既可以支持疾病的辅助诊断和健康管理，也可以实现医疗分诊和远程会诊等功能。但是，对于医疗分诊，仍然只限于根据患者主诉、挂号时间和医生坐席的排队队列长度，进行简单分配，将患者定位至医生坐席等待处理，这样虽然避免了患者选择错误科室的现象，但是没有考虑医生的病例诊断经验和医生的疲劳度，不能为患者匹配最合适的医生，降低了医疗系统的服务质量。
发明内容
鉴于以上所述现有技术的缺点，本发明的目的在于提供一种在线的基于聚类模型的医疗分诊方法、系统、计算机设备及存储介质，用于解决现有技术中的线上挂号系统仅根据患者主诉、挂号时间和医生坐席的排队队列长度进行简单分配，不能为患者匹配最合适的医生，降低了医疗系统的服务质量的问题。
本发明的第一方面提供一种基于聚类模型的医疗分诊方法，包括：
接收患者的就诊需求，其中，所述就诊需求包括就诊类别和患者主诉；
分析所述患者主诉，获取该患者的分诊结果；
根据所述分诊结果和各医生对不同种类疾病的擅长指标，获取推荐医生组；其中，所述擅长指标是定期通过聚类模型对分析历史医生问诊数据进行疾病特征提取，得到与历史医生问诊数据相对应的疾病的分类结果，进而获取各医生对不同种类疾病的处理耗时，每个擅长指标对应一个处理耗时的区间；
实时监听并分析医生问诊中的消息事件，获取推荐医生组的忙闲程度及疲劳度；
根据所述就诊类别，配置推荐权重的权重因子和权重系数，计算推荐医生组的推荐权重，将权重最高的医生推荐给该患者；其中，所述推荐权重的权重因子包括各医生的擅长指标、忙闲程度、疲劳度及医生的接诊意愿中的任意一个或多个。
于本发明的一实施例中，所述分析接收的患者主诉，获取该患者的分诊结果的步骤包括：
将所述患者主诉输入分类模型中，提取所述患者主诉中的疾病关键词，建立疾病关键词与疾病名称的映射关系，得到该患者所对应疾病的分类，即所述分诊结果。
于本发明的一实施例中，所述各医生对不同种类疾病的擅长指标的计算步骤包括：
定期抽取医生问诊数据，其中，所述医生问诊数据包括患者档案、聊天记录、病史概要、医生id、单次会话耗时、医生诊断小结及疾病分类编码；
将所述医生问诊数据预处理后输入聚类模型，得到疾病的分类结果；
根据疾病的分类结果，计算各医生对不同种类疾病的处理耗时；
将处理耗时按照时间长短顺序划分为不同区间，每个区间分别对应一个擅长指标。
于本发明的一实施例中，所述将所述医生问诊数据预处理后输入聚类模型，得到疾病的分类结果的步骤包括：
将预处理得到的新样本输入聚类模型中，新样本的每个特征与已知类别样本对应的特征进行比较，提取与所述新样本最邻近的K个已知类别样本，统计该K个最邻近已知类别样本中出现次数最多的疾病分类，将该疾病分类作为所述新样本的疾病分类结果。
于本发明的一实施例中，所述获取各医生的忙闲程度的步骤包括：
从所述消息事件中提取忙闲程度的权重因子，并对其进行加权求和，根据加权求和结果，对各医生的忙闲程度进行排序；
其中，所述忙闲程度的权重因子包括各医生在预设时间内的排队人数、接诊人数、最大并发上限及进出队间隔时间。
于本发明的一实施例中，所述获取各医生的疲劳度的步骤包括：
从所述消息事件中获取医生的每笔会话耗时，将各会话耗时依次和设定阈值进行比较，根据超出设定阈值的次数，得到各医生的疲劳度。
于本发明的一实施例中，所述设定阈值的获取步骤包括：
统计周期内的有效问诊会话样本，计算每条用户消息与医生回复消息的间隔时间，除以消息总轮次数，得到的医生响应平均耗时，即为设定阈值。
本发明的第二方面还提供一种在线医疗的分诊系统，包括：
信息接收模块，用于接收患者输入的类别选择命令和患者主诉；
患者信息处理模块，用于根据所述类别选择命令确定该患者的就诊需求；还用于分析所述患者主诉，获取该患者的分诊结果；
医生信息处理模块，用于根据所述分诊结果和各医生对不同种类疾病的擅长指标，获取推荐医生组；还用于实时监听并分析医生问诊中的消息事件，获取推荐医生组的忙闲程度及疲劳度；
推荐权重处理模块，用于根据所述就诊需求，配置推荐权重的权重因子和权重系数，计算推荐医生组的推荐权重；
信息推送模块，用于将权重最高的医生推荐给该患者。
本发明的第三方面还提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现本发明第一方面的一种在线医疗的分诊方法中任意一项所述的方法步骤。
本发明的第四方面还提供一种存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如本发明第一方面的一种在线医疗的分诊方法中任意一项所述的方法步骤。
如上所述，本发明的一种基于聚类模型的医疗分诊方法、系统、设备及存储介质，具有以下有益效果：
本发明通过人工智能和大数据分析得到患者的分诊结果和医生对不同种类疾病的擅长指标；实时监控医生问诊中的消息事件，得到医生的忙闲程度及疲劳度；根据患者的就诊需求，灵活的配置各医生的推荐权重的权重因子和权重系数，为患者推荐合适的医生；上述方案能精准地为患者配备医生、减少了患者的等待时间、提高了问诊质量，同时也改善了医生的工作量，提高了医生的工作效率，实现了改善互联网医疗服务质量及提升患者满意度的双赢效果。
附图说明
图1显示为本发明第一实施方式中的基于聚类模型的医疗分诊方法的应用场景图。
图2显示为本发明第一实施方式中的基于聚类模型的医疗分诊方法的流程示意图。
图3显示为本发明第一实施方式中计算各医生擅长指标的流程示意图。
图4显示为本发明第二实施方式中的基于聚类模型的医疗分诊系统的结果框图。
图5显示为本发明第三实施方式中的计算机设备的示意图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
请参阅图1，本发明的第一实施方式涉及一种在线的基于聚类模型的医疗分诊方法，可应用于图1所示的应用场景中，包括用户终端101和服务器102，其中，用户终端101包括但不限于：智能手机、平板电脑、掌上电脑、笔记本电脑或台式电脑等；服务器102包括但不限于：网络主机、单个网络服务器、多个网络服务器集或多个服务器等。用户终端101和服务器102可以通过网络进行通信，患者登录用户终端101与服务器102建立远程连接，将类别选择命令和患者主诉上传至服务器102，服务器102根据类别选择命令和患者主诉为该患者匹配推荐权重最高的医生，并将推荐结果推送至用户终端101。
请参阅图2，本发明的基于聚类模型的医疗分诊方法具体包括：
步骤201，接收患者的就诊需求，其中，所述就诊需求包括就诊类别和患者主诉。
具体的说，患者登录用户终端101后先在用户登录界面上选择就诊类别，再填写患者主诉，用户终端101将上述类别选择命令和患者主诉发送至服务器102，其中，就诊类别可根据各医院的服务项目进行配置，本实施例中设置为初诊、复诊、急重症、配药及报告解读。例如，患者登录服务器102后选择的就诊需求为配药，则服务器102将该患者的就诊需求标记为配药。患者主诉为患者对自身健康状况的描述，可包括患者年龄、性别、疾病部位、疾病表现、既往病史或过敏史等，其方式可以是文本、语音、音频或视频中的任意一种。
步骤202，分析接收的患者主诉，获取该患者的分诊结果。
具体的说，服务器接收到患者主诉后，若患者主诉为语音、音频或视频中的任意一种，服务器先将患者主诉识别为文本信息，再进行后续的分析处理；若患者主诉为文本信息，则直接进行分析处理。
继续说明，分析接收的患者主诉，获取该患者的分诊结果的步骤包括：将患者主诉输入分类模型中，得到该患者的分诊结果。其中，分类模型为预先训练所得，本实施例中的分类模型为基于贝叶斯、随机森林或逻辑回归等传统统计算法得到的概念模型，可以根据输入的文本内容中的疾病关键词，统计各疾病的概率，分类模型的训练步骤包括：
首先，从数据库中提取预存的患者数据，并进行清洗，其中，患者数据包括患者主诉、患者档案、聊天记录及病史概要。需要说明的是，服务器接收的患者主诉一般为基于自然语言的表述，根据患者主诉提取的文本信息中包含大量与疾病无关的冗余数据，这些冗余数据会对后续的处理造成干扰，可以根据患者数据中各词组的词性进行判断，例如代词、副词等可以初步判断为冗余数据；也可以基于医疗文献的大数据分析，对文本信息中各词组的语义进行判断，对其进行清洗，提取出核心的关键词，如疾病部位、疾病名称、ICD-10疾病编码和症状表现等，以提高对患者主诉的处理效率。例如文本信息为“你好，我昨天下午打完篮球，感觉膝盖疼，晚上膝盖肿了，怀疑有积水”，其中，“膝盖疼”、“膝盖肿”“积水”等词语与疾病密切相关，可作为关键词进行保留；而文本信息中的其它词语，认为是自然语言的表达形式，可作为冗余数据剔除。
其次，对清洗后的患者数据进行切词，获取与疾病特征对应的疾病关键词，建立疾病关键词与疾病名称的映射关系，得到分类模型。在一种可行的实施方式中，可以使用开源工具软件，如哈工大LTP对患者数据中的每个句子进行切词，获得患者数据中的词向量表达，即疾病关键词。
最后，将疾病关键词与医疗文献或医疗词典进行遍历比较，建立疾病关键词与疾病名称的映射关系，得到分类模型，该映射关系可以但不限于为从各种疾病的疾病名称、疾病编号、病患对象、对应用药等信息中提取的疾病特征词组成，通过映射关系可以唯一确定对应的疾病。通过分类模型可以实现患者主诉与疾病特征的特征匹配，其可以对输入的患者主诉进行疾病匹配处理，输出患者主诉的分诊结果。
通过对患者数据的清洗、切词，可筛选出1～2万个关键词，指向3000～4000种频率较高的常见病。为了降低疾病种类过多导致样本筛选的繁琐度，在训练过程中，还可将出现频率低于预设阈值的关键词所对应的疾病归为低频疾病类。
应理解，患者数据中包括多种指标参数，例如患者主诉、患者档案、聊天记录、病史概要；此外，患者数据中还可加入医疗文献、医疗词典或疾病分类编码。在实际应用中，由于计算目的不同，需要采用的指标参数也不尽相同，可根据计算结果的需要或行业经验对患者数据对应的维度做相应的调整。
训练完成后，将患者主诉组装成与分类模型相同的维度，输入分类模型中，提取患者主诉中的疾病关键词，建立疾病关键词与疾病名称的映射关系，得到该患者所对应疾病的分类，即可得到该患者的初诊结果。
需要说明的是，为了增加与患者相匹配的医生数量，降低患者等待时间，此处的初诊结果所对应的疾病种类可适当放宽，不必细化到疾病分类编码。
步骤203，根据分诊结果和各医生对不同种类疾病的擅长指标，获取推荐医生组。
具体的说，预先获取各医生对不同种类疾病的擅长指标，得到【医生id，疾病分类编码，擅长指标】格式的数据集，将分诊结果与疾病分类编码相匹配，匹配成功，则将擅长指标最高的各医生列为推荐医生组。其中，各医生对不同种类疾病的擅长指标是通过分析预存的医生问诊数据，预先获取的，其中，医生问诊数据包括患者档案、聊天记录、病史概要、医生id、单次会话耗时、医生诊断小结及疾病分类编码。在实际应用中，可根据计算结果的需要或行业经验对该历史医生问诊数据对应的维度做相应的调整。
请参阅图3，获取擅长指标的步骤包括：
步骤301，定期抽取医生问诊数据。
步骤302，将医生问诊数据输入聚类模型，得到疾病的分类结果。
具体的说，医生问诊数据输入聚类模型前，还应进行清洗和切词，筛选出与疾病相关的关键词，其中，清洗和切词的处理方法与步骤102中的方法相类似，为节省篇幅，此处不再赘述。
进一步说明，上述聚类模型为预先训练所得，训练的步骤包括：
对预存的医生问诊数据进行预处理，得到样本集；其中，预处理包括上述清洗、切词。
构建KNN分类器；
从样本集中随机提取训练集和测试集；
将训练集中的训练样本输入KNN分类器中，计算该训练样本在特征空间中的K个最相似(即特征空间中最邻近)的样本中的大多数属于某一个类别，则该样本也属于这个类别，其中K通常是不大于20的整数，且KNN算法中，所选择的邻居都是已经正确分类的对象。其步骤的描述为：
1)、计算训练样本与各个已分类样本之间的距离；其中，两点之间或多点之间的距离采用欧几里得距离公式计算得到；
2)、按照距离的递增关系进行排序；
3)、选取距离最小的K个点；
4)、确定前K个点所在疾病类别的出现频率；
5)、返回前K个点中出现频率最高的疾病类别作为训练样本的预测分类。
持续训练KNN分类器，直至该分类器的质心不再改变，得到训练好的聚类模型；将测试集输入训练好的聚类模型，验证该聚类模型的可靠性。
步骤303，根据疾病的分类结果，计算各医生对不同种类疾病的处理耗时。
步骤304，将处理耗时按照时间长短顺序划分为不同区间，每个区间分别对应一个擅长指标。
继续说明，根据疾病的分类结果，计算各医生对不同种类疾病的处理耗时，得到【医生id，疾病分类编码，会话耗时】格式的数据集，进而得到【医生id，疾病分类编码，擅长指标】格式的数据集。统计时，计算同科室中各医生对同一疾病的处理耗时，将会话耗时按照时间长短顺序划分为不同的时间区间，每个区间对应不同等级的擅长指标，会话耗时越短，相应的擅长指标的等级越高。例如，将处理耗时处于5分钟之内的擅长指标定义为一级，5-10分钟之内的擅长指标定义为二级。
需要说明的是，疾病种类所对应的科室可根据需要进行细分，例如先划分到内科、外科、骨科、妇产科、口腔科，再对每一类疾病进行分组，具体到职能科室，例如内科可进一步划分为内分泌科、心脏内科、消化内科等。进行聚类时，可将关键词与各职能科室相匹配，进而对属于该职能科室的各医生的会话耗时进行统计分析。
应理解，医生对疾病处理越熟练，对答轮次会越少，疾病解答速度越快，处理耗时也越短，因此，根据处理耗时划分区间，可得到各医生对不同种类疾病的擅长指标，分诊时会将该擅长指标作为一个计算指标，同等条件下，擅长指标越高的医生，即认为该医生对该种类的处理耗时越短。
此外，计算各医生的每笔订单的会话耗时，可去除会话样本中的患者主诉、寒暄及系统自动回复的耗时，仅计算患者与医生的有效问答时间。
需要说明的是，前述分诊结果是根据患者主诉通过分类模型得到的疾病的分类结果，为了扩大推荐的医生数量，减少患者的等待时间，分诊结果所对应的疾病种类范围要大于聚类模型所得到的疾病分类，因此，分诊结果可能对应多个疾病分类编码，实际应用中，若将医生的匹配度列为最优，还可将分诊结果输入聚类模型中，对疾病种类进一步的细化，从而为患者匹配更合适的医生。
步骤204，实时监听并分析医生问诊中的消息事件，获取推荐医生组的忙闲程度及疲劳度。
具体的说，消息事件包括医生的排队人数、接诊服务队列人数、服务并发人次上限设置、最近拉人出队时间及问诊单的平均消息回复时间。
从消息事件中提取忙闲程度的权重因子，并根据经验为每个权重因子分配对应的权重系数，将权重因子乘以对应的权重系数，进行加权求和，得到的加权求和结果即为各医生的忙闲程度，其中，忙闲程度的权重因子包括各医生在预设时间内的排队人数、接诊人数、最大并发上限及进出队间隔时间。
在配置上述忙闲程度的权重因子及对应的权重系数时，排队、接诊、并发三项因子是一个理想状态下的计算设定值，除考虑各医生的排队人数和接诊人数，本实施例中还将最大并发上限和进出队间隔时间纳入忙闲程度的权重因子中。
权重系数的配置目标是在各医生的最大并发上限相同时，尽量兼顾到流量公平性，排队+1人惩罚>接诊+1人惩罚>排队+2人惩罚，预计越快处理完成的医生计算结果越大。此外，当各医生的最大并发上限不同时，在为各医生分配患者时，应让区间内流量尽量趋于比例性，例如两位医生的上限并发分别为30人与3人，尽量在流量分配时遵循前者10次，后者1～2次。
进出队间隔时间，该指标可作为数据浮动效果，保证在流量低谷期时，等各医生权重相同时，流量不会只引流给入参位置靠前的医生，让其余医生不至于空闲很久，设定权重系数时可拉取现有的医生权重数据，分析下普遍的差距，按照经验设定。
继续说明，应理解，若医生状态下降，解答速度及操作速度也会下降，因此通过计算医生在一定时间内接诊的会话响应耗时，即可获取医生的疲劳度，具体的说：
监听所有医生问诊中的消息事件，记录各医生在预设时间内接诊的会话响应耗时，计算每笔会话平均耗时，并依次与设定阈值进行比较，会话平均耗时超出设定阈值的问诊单比例(超出阈值单数/服务单总数)越大，说明医生平均消息响应越慢，工作状态越低落，疲劳度等级越高。例如某医生的问诊单显示正在服务10个患者咨询，有5笔问诊单的平均耗时都在设定阈值以上，则认为该医生当前的疲劳度为1级；若有7笔问诊单响应时长超出设定阈值，则认为该医生的疲劳度为2级，该医生的工作状态处于低谷期，分诊时会根据疲劳度等级惩罚该医生的推荐分值，让患者排队到效率较高的诊室。
需要说明的是，本实施例中的设定阈值的获取方式为：统计历史周期内具有普遍性的问诊会话样本，计算每条用户消息与医生回复消息的间隔时间，除以消息总轮次数，得到的医生响应平均耗时作为设定阈值。
其中，具有普遍性的问诊会话样本为在线问诊的有效会话，本实施例中选取筛除问诊会话样本中的患者主诉、寒暄及系统自动回复后，患者与医生对话轮次在4～8轮之间的问诊单。并且，在计算对话轮次时，患者与医生之间有问有答算一轮，例如患者连发3条，医生回复2条，则将患者第一条消息与医生第一条消息作为本轮的消息响应回复耗时。
此外，鉴于不同科室的问诊流量大小不同，为避免筛选后出现数据偏移，对不同科室筛选的时间范围可以不同，应满足筛选后的各科室数据比例与日问诊科室流量比例持平。
步骤205，根据就诊需求，配置推荐权重的权重因子和权重系数，计算推荐医生组的推荐权重，将权重最高的医生推荐给该患者；其中，推荐权重的权重因子包括各医生的擅长指标、忙闲程度、疲劳度及医生的接诊意愿中的一个或多个。
具体的说，针对不同患者，对医生资源的需求并不相同，例如复诊患者，只需要考虑上次接待医生的忙闲程度和疲劳度，而无需将该医生的擅长指标纳入此次推荐权重的权重因子中；再例如急重症患者，应在最短时间内为其安排水平较高的医生，因此，应将各医生的擅长指标、忙闲程度及疲劳度纳入此次推荐权重的权重因子中。
此外，在为各推荐权重的权重因子分配权重系数时，可根据经验值来进行设定，例如疲劳度的权重系数，疲劳度为0级时不惩罚，为1级时小幅度惩罚，与队列惩罚略微持平，相对减轻医生负担，疲劳2级以上，大幅度惩罚，拉大差距；擅长指标，可列出同一科室中各医生的会话耗时，取其中位数，高于中位数的擅长指标加分，低于中位数的擅长指标减分；医生的接诊意愿，针对不同价值类型的患者，资深、专家或普通级别的医生对患者也有一些接诊意愿，可以通过预设意愿策略，将患者的一些基本属性纳入计算范围，得到医生对该用户群服务的一个接诊意愿分值，在最终分配时会统计计算所有合适接诊的医生对该患者所在群体的接待意愿分值指标，将该指标结果纳入权重计算范围。
当接收到用户输入的类别选择命令后，服务器调用该类别对应的推荐权重的权重因子，各权重因子乘以对应的权重系数，再进行加权求和，权重因子被划分为惩罚项和奖励项，惩罚项减分、奖励项加分，最终得到的运算结果即为各医生的推荐权重，对各医生的推荐权重进行排序，将权重最高的医生推荐给该患者。
请参阅图4，本发明的第二实施方式涉及一种基于聚类模型的医疗分诊系统，包括：信息接收模块401、患者信息处理模块402、医生信息处理模块403、推荐权重处理模块404及信息推送模块405，其中，
信息接收模块401，用于接收类别选择命令和患者主诉。
具体的说，患者通过用户终端101与服务器102建立连接后，先在用户登录界面上选择就诊需求的类别，再填写患者主诉，用户终端101将上述类别选择命令和患者主诉发送至信息接收模块401，信息接收模块401将类别选择命令标记在该患者的患者信息中，并与患者主诉一起发送至患者信息处理模块402。
患者信息处理模块402，用于根据类别选择命令确定该患者的就诊需求；还用于分析患者主诉，获取该患者的分诊结果。
具体的说，患者主诉可以为文本、语音、音频或视频中的任意一种等方式，当患者主诉为语音、音频或视频中的任意一种时，患者信息处理模块402先将其识别为文本信息，再进行后续的分析处理，分析处理的具体步骤包括：
将患者主诉输入分类模型中，得到该患者的分诊结果，该分诊结果为疾病种类。其中，分类模型为预先训练所得，主要是基于贝叶斯、随机森林或逻辑回归等传统统计算法得到的概念模型，根据输入的文本内容中的疾病关键词，建立疾病关键词与疾病名称的映射关系，最终得到分类模型。
医生信息处理模块403，用于根据分诊结果和各医生对不同种类疾病的擅长指标，获取推荐医生组；还用于实时监听并分析医生问诊中的消息事件，获取推荐医生组的忙闲程度及疲劳度。
具体的说，预先获取各医生对不同种类疾病的擅长指标，得到【医生id，疾病分类编码，擅长指标】格式的数据集，医生信息处理模块403将分诊结果与疾病分类编码相匹配，匹配成功则将擅长指标最高的各医生列为推荐医生组。
继续说明，医生信息处理模块403还用于从消息事件中提取忙闲程度的权重因子，并根据经验为每个权重因子分配对应的权重系数，将权重因子乘以对应的权重系数，进行加权求和，得到的加权求和结果即为各医生的忙闲程度，其中，忙闲程度的权重因子包括各医生在预设时间内的排队人数、接诊人数、最大并发上限及进出队间隔时间；消息事件包括医生的排队人数、接诊服务队列人数、服务并发人次上限设置、最近拉人出队时间及问诊单的平均消息回复时间。
继续说明，医生信息处理模块403还用于监听所有医生问诊中的消息事件，记录各医生在预设时间内接诊的会话响应耗时，计算每笔会话平均耗时，并依次与设定阈值进行比较，会话平均耗时超出设定阈值的问诊单比例(超出阈值单数/服务单总数)越大，说明医生平均消息响应越慢，工作状态越低落，疲劳度等级越高。
推荐权重处理模块404，用于根据就诊需求，配置推荐权重的权重因子和权重系数，计算推荐医生组的推荐权重。
具体的说，推荐权重处理模块404按照预设规则和经验值，为不同的就诊需求配置相应的推荐权重的权重因子和权重系数，并进行加权求和，权重因子被划分为惩罚项和奖励项，惩罚项减分、奖励项加分，最终得到的运算结果即为各医生的推荐权重，对各医生的推荐权重进行排序。
信息推送模块405，用于将权重最高的医生推荐给该患者。
具体的说，信息推送模块405将权重最高的医生信息发送至用户终端101。
上述基于聚类模型的医疗分诊系统中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
请参阅图5，本发明的第三实施方式涉及一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行所述计算机程序时实现上述第一实施方式中所述方法的任意一项。
其中，存储器和处理器采用总线方式连接，总线可以包括任意数量的互联的总线和桥，总线将一个或多个处理器和存储器的各种电路连接在一起。总线还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路连接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口在总线和收发机之间提供接口。收发机可以是一个元件，也可以是多个元件，比如多个接收器和发送器，提供用于在传输介质上与各种其他装置通信的单元。经处理器处理的数据通过天线在无线介质上进行传输，进一步，天线还接收数据并将数据传送给处理器。
处理器负责管理总线和通常的处理，还可以提供各种功能，包括定时，外围接口，电压调节、电源管理以及其他控制功能。而存储器可以被用于存储处理器在执行操作时所使用的数据。
本领域技术人员可以理解，图5中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，该存储器存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
根据接收的类别选择命令，确定该患者的就诊需求，其中，就诊需求包括疾病初诊、复诊、急重症、配药或报告解读；
分析接收的患者主诉，获取该患者的分诊结果；
根据分诊结果和各医生对不同种类疾病的擅长指标，获取推荐医生组；
实时监听并分析医生问诊中的消息事件，获取推荐医生组的忙闲程度及疲劳度；
根据就诊需求，配置推荐权重的权重因子和权重系数，计算推荐医生组的推荐权重，将权重最高的医生推荐给该患者；其中，推荐权重的权重因子包括各医生的擅长指标、忙闲程度、疲劳度及医生的接诊意愿中的任意一个或多个。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
将患者主诉输入分类模型中，提取患者主诉中的疾病关键词，建立疾病关键词与疾病名称的映射关系，得到该患者所对应疾病的分类，即分诊结果。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
定期抽取医生问诊数据，其中，医生问诊数据包括患者档案、聊天记录、病史概要、医生id、单次会话耗时、医生诊断小结及疾病分类编码；将医生问诊数据预处理后输入聚类模型，得到疾病的分类结果；根据疾病的分类结果，计算各医生对不同种类疾病的处理耗时；将处理耗时按照时间长短顺序划分为不同区间，每个区间分别对应一个擅长指标。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
将预处理后得到的新样本输入聚类模型中；将新样本的每个特征与已知类别样本对应的特征进行比较；提取与新样本最邻近的K个已知类别样本；统计该K个最邻近已知类别样本中出现次数最多的疾病分类，将该疾病分类作为新样本的疾病分类结果。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
从消息事件中提取忙闲程度的权重因子，并对其进行加权求和，根据加权求和结果，对各医生的忙闲程度进行排序；其中，忙闲程度的权重因子包括各医生在预设时间内的排队人数、接诊人数、最大并发上限及进出队间隔时间。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
从消息事件中获取医生的每笔会话耗时，将各会话耗时依次和设定阈值进行比较，根据超出设定阈值的次数，得到各医生的疲劳度。其中，设定阈值的获取步骤包括：统计周期内的有效问诊会话样本，计算每条用户消息与医生回复消息的间隔时间，除以消息总轮次数，得到的医生响应平均耗时，即为设定阈值。
本发明的第四实施方式涉及一种存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以下步骤：
根据接收的类别选择命令，确定该患者的就诊需求，其中，就诊需求包括疾病初诊、复诊、急重症、配药或报告解读；
分析接收的患者主诉，获取该患者的分诊结果；
根据分诊结果和各医生对不同种类疾病的擅长指标，获取推荐医生组；
实时监听并分析医生问诊中的消息事件，获取推荐医生组的忙闲程度及疲劳度；
根据就诊需求，配置推荐权重的权重因子和权重系数，计算推荐医生组的推荐权重，将权重最高的医生推荐给该患者；其中，推荐权重的权重因子包括各医生的擅长指标、忙闲程度、疲劳度及医生的接诊意愿中的任意一个或多个。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
将患者主诉输入分类模型中，提取患者主诉中的疾病关键词，建立疾病关键词与疾病名称的映射关系，得到该患者所对应疾病的分类，即分诊结果。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
定期抽取医生问诊数据，其中，医生问诊数据包括患者档案、聊天记录、病史概要、医生id、单次会话耗时、医生诊断小结及疾病分类编码；将医生问诊数据预处理后输入聚类模型，得到疾病的分类结果；根据疾病的分类结果，计算各医生对不同种类疾病的处理耗时；将处理耗时按照时间长短顺序划分为不同区间，每个区间分别对应一个擅长指标。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
将预处理后得到的新样本输入聚类模型中；将新样本的每个特征与已知类别样本对应的特征进行比较；提取与新样本最邻近的K个已知类别样本；统计该K个最邻近已知类别样本中出现次数最多的疾病分类，将该疾病分类作为新样本的疾病分类结果。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
从消息事件中提取忙闲程度的权重因子，并对其进行加权求和，根据加权求和结果，对各医生的忙闲程度进行排序；其中，忙闲程度的权重因子包括各医生在预设时间内的排队人数、接诊人数、最大并发上限及进出队间隔时间。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
从消息事件中获取医生的每笔会话耗时，将各会话耗时依次和设定阈值进行比较，根据超出设定阈值的次数，得到各医生的疲劳度。其中，设定阈值的获取步骤包括：统计周期内的有效问诊会话样本，计算每条用户消息与医生回复消息的间隔时间，除以消息总轮次数，得到的医生响应平均耗时，即为设定阈值。
综上所述，本发明的一种基于聚类模型的医疗分诊方法、系统、计算机设备及存储介质，通过人工智能和大数据分析得到患者的分诊结果和医生对不同种类疾病的擅长指标；实时监控医生问诊中的消息事件，得到医生的忙闲程度及疲劳度；根据患者的就诊需求，灵活的配置各医生的推荐权重的权重因子和权重系数，为患者推荐合适的医生；上述方案能精准地为患者配备医生、减少了患者的等待时间、提高了问诊质量，同时也改善了医生的工作量，提高了医生的工作效率，实现了改善互联网医疗服务质量及提升患者满意度的双赢效果。所以，本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。
上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。
Claims (10)
1.一种基于聚类模型的医疗分诊方法，其特征在于，包括：
接收患者的就诊需求，其中，所述就诊需求包括就诊类别和患者主诉；
分析所述患者主诉，获取该患者的分诊结果；
根据所述分诊结果和各医生对不同种类疾病的擅长指标，获取推荐医生组；
其中，所述擅长指标是通过定期通过聚类模型对历史医生问诊数据进行疾病特征提取，得到与历史医生问诊数据相对应的疾病分类结果，进而获取各医生对不同种类疾病的处理耗时，每个擅长指标对应一个处理耗时的区间；
实时监听并分析医生问诊中的消息事件，获取推荐医生组的忙闲程度及疲劳度；
根据所述就诊类别，配置推荐权重的权重因子和权重系数，计算推荐医生组的推荐权重，将权重最高的医生推荐给该患者；其中，所述推荐权重的权重因子包括各医生的擅长指标、忙闲程度、疲劳度及医生的接诊意愿中的任意一个或多个。
2.根据权利要求1所述的基于聚类模型的医疗分诊方法，其特征在于；所述分析接收的患者主诉，获取该患者的分诊结果的步骤包括：
将所述患者主诉输入分类模型中，提取所述患者主诉中的疾病关键词，建立疾病关键词与疾病名称的映射关系，得到该患者所对应疾病的分类，即所述分诊结果。
3.根据权利要求1所述的基于聚类模型的医疗分诊方法，其特征在于：所述各医生对不同种类疾病的擅长指标的计算步骤包括：
定期抽取医生问诊数据，其中，所述医生问诊数据包括患者档案、聊天记录、病史概要、医生id、单次会话耗时、医生诊断小结及疾病分类编码；
将所述医生问诊数据预处理后输入聚类模型，得到疾病的分类结果；
根据疾病的分类结果，计算各医生对不同种类疾病的处理耗时；
将处理耗时按照时间长短顺序划分为不同区间，每个区间分别对应一个擅长指标。
4.根据权利要求4所述的基于聚类模型的医疗分诊方法，其特征在于：所述将所述医生问诊数据预处理后输入聚类模型，得到疾病的分类结果的步骤包括：
将预处理后得到的新样本输入聚类模型中；将新样本的每个特征与已知类别样本对应的特征进行比较；提取与所述新样本最邻近的K个已知类别样本；
统计该K个最邻近已知类别样本中出现次数最多的疾病分类，将该疾病分类作为所述新样本的疾病分类结果。
5.根据权利要求1所述的基于聚类模型的医疗分诊方法，其特征在于：所述获取各医生的忙闲程度的步骤包括：
从所述消息事件中提取忙闲程度的权重因子，为每个权重因子分配权重系数，进行加权求和，得到的加权求和结果即为各医生的忙闲程度；
其中，所述忙闲程度的权重因子包括各医生在预设时间内的排队人数、接诊人数、最大并发上限及进出队间隔时间。
6.根据权利要求1所述的基于聚类模型的医疗分诊方法，其特征在于：所述获取各医生的疲劳度的步骤包括：
从所述消息事件中获取医生的每笔会话耗时，将各会话耗时依次和设定阈值进行比较，根据超出设定阈值的次数，得到各医生的疲劳度。
7.根据权利要求6所述的基于聚类模型的医疗分诊方法，其特征在于：所述设定阈值的获取步骤包括：
统计周期内的有效问诊会话样本，计算每条用户消息与医生回复消息的间隔时间，除以消息总轮次数，得到的医生响应平均耗时，即为设定阈值。
8.一种基于聚类模型的医疗分诊系统，其特征在于，包括：
信息接收模块，用于接收患者输入的类别选择命令和患者主诉；
患者信息处理模块，用于根据所述类别选择命令确定该患者的就诊需求；还用于分析所述患者主诉，获取该患者的分诊结果；
医生信息处理模块，用于根据所述分诊结果和各医生对不同种类疾病的擅长指标，获取推荐医生组；还用于实时监听并分析医生问诊中的消息事件，获取推荐医生组的忙闲程度及疲劳度；
推荐权重处理模块，用于根据所述就诊需求，配置推荐权重的权重因子和权重系数，计算推荐医生组的推荐权重；
信息推送模块，用于将权重最高的医生推荐给该患者。
9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于：所述处理器执行所述计算机程序时实现权利要求1-7中任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1-7中任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110917090.0A CN113592345B (zh) | 2021-08-10 | 2021-08-10 | 基于聚类模型的医疗分诊方法、系统、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110917090.0A CN113592345B (zh) | 2021-08-10 | 2021-08-10 | 基于聚类模型的医疗分诊方法、系统、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113592345A true CN113592345A (zh) | 2021-11-02 |
| CN113592345B CN113592345B (zh) | 2024-07-09 |
Family
ID=78257103
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110917090.0A Active CN113592345B (zh) | 2021-08-10 | 2021-08-10 | 基于聚类模型的医疗分诊方法、系统、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113592345B (zh) |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114065856A (zh) * | 2021-11-16 | 2022-02-18 | 北京和兴创联健康科技有限公司 | 基于医生画像的医生推荐方法、装置、设备及存储介质 |
| CN114283932A (zh) * | 2022-03-03 | 2022-04-05 | 四川大学华西医院 | 医疗资源管理方法、装置、电子设备以及存储介质 |
| CN114613479A (zh) * | 2022-03-10 | 2022-06-10 | 北京京东拓先科技有限公司 | 一种问诊任务分配的方法和装置 |
| CN115762731A (zh) * | 2022-11-19 | 2023-03-07 | 深圳市宁远科技股份有限公司 | 基于互联网在线医生的医疗热力榜计算方法、装置和计算机设备 |
| CN115966292A (zh) * | 2023-01-05 | 2023-04-14 | 江苏拜仁控股集团有限公司 | 一种基于智慧医院的数据自动化管理系统及方法 |
| CN116052863A (zh) * | 2023-04-03 | 2023-05-02 | 云南医无界医疗网络科技有限公司 | 一种基于医共体大数据模型的智慧管理系统 |
| CN116631558A (zh) * | 2023-05-29 | 2023-08-22 | 武汉大学人民医院（湖北省人民医院） | 一种基于互联网的医学检测项目的构建方法 |
| CN116759062A (zh) * | 2023-08-17 | 2023-09-15 | 江苏盖睿健康科技有限公司 | 一种优化轮询就诊数据的方法和系统 |
| CN116779124A (zh) * | 2023-08-11 | 2023-09-19 | 四川省医学科学院·四川省人民医院 | 一种基于关联规则的手术调度方法和系统 |
| CN117079788A (zh) * | 2023-08-31 | 2023-11-17 | 浙江大学 | 基于智能互联网的科室管理方法及管理设备 |
| CN117133427A (zh) * | 2023-10-23 | 2023-11-28 | 济宁医学院附属医院 | 一种医院智能挂号方法、系统、设备及存储介质 |
| CN117637093A (zh) * | 2024-01-25 | 2024-03-01 | 西南医科大学附属医院 | 基于智慧医疗的患者信息管理方法及系统 |
| CN118173281A (zh) * | 2024-04-01 | 2024-06-11 | 首都体育学院 | 一种向患者推荐在线接诊医生的方法和设备 |
| CN118471484A (zh) * | 2024-07-11 | 2024-08-09 | 辽宁得康药业集团有限公司 | 一种急诊重症患者分级分诊方法及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109102867A (zh) * | 2018-08-13 | 2018-12-28 | 贵阳叁玖互联网医疗有限公司 | 远程医疗的智能分诊方法及智能分诊平台 |
| CN109508336A (zh) * | 2019-01-24 | 2019-03-22 | 易保互联医疗信息科技（北京）有限公司 | 基于医疗资源事实库的检索方法、存储介质及计算机设备 |
| CN109635122A (zh) * | 2018-11-28 | 2019-04-16 | 平安科技（深圳）有限公司 | 智能疾病问询方法、装置、设备及存储介质 |
| CN111667029A (zh) * | 2020-07-09 | 2020-09-15 | 腾讯科技（深圳）有限公司 | 一种聚类方法、装置、设备及存储介质 |
| CN113077913A (zh) * | 2021-04-20 | 2021-07-06 | 北京京东拓先科技有限公司 | 线上问诊派单方法、装置和系统 |
-
2021
- 2021-08-10 CN CN202110917090.0A patent/CN113592345B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109102867A (zh) * | 2018-08-13 | 2018-12-28 | 贵阳叁玖互联网医疗有限公司 | 远程医疗的智能分诊方法及智能分诊平台 |
| CN109635122A (zh) * | 2018-11-28 | 2019-04-16 | 平安科技（深圳）有限公司 | 智能疾病问询方法、装置、设备及存储介质 |
| CN109508336A (zh) * | 2019-01-24 | 2019-03-22 | 易保互联医疗信息科技（北京）有限公司 | 基于医疗资源事实库的检索方法、存储介质及计算机设备 |
| CN111667029A (zh) * | 2020-07-09 | 2020-09-15 | 腾讯科技（深圳）有限公司 | 一种聚类方法、装置、设备及存储介质 |
| CN113077913A (zh) * | 2021-04-20 | 2021-07-06 | 北京京东拓先科技有限公司 | 线上问诊派单方法、装置和系统 |
Non-Patent Citations (1)
| Title |
|---|
| 潘有能;倪秀丽;: "基于Labeled-LDA模型的在线医疗专家推荐研究", 数据分析与知识发现, no. 4 * |
Cited By (22)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114065856A (zh) * | 2021-11-16 | 2022-02-18 | 北京和兴创联健康科技有限公司 | 基于医生画像的医生推荐方法、装置、设备及存储介质 |
| CN114283932A (zh) * | 2022-03-03 | 2022-04-05 | 四川大学华西医院 | 医疗资源管理方法、装置、电子设备以及存储介质 |
| CN114283932B (zh) * | 2022-03-03 | 2022-06-10 | 四川大学华西医院 | 医疗资源管理方法、装置、电子设备以及存储介质 |
| CN114613479A (zh) * | 2022-03-10 | 2022-06-10 | 北京京东拓先科技有限公司 | 一种问诊任务分配的方法和装置 |
| CN115762731A (zh) * | 2022-11-19 | 2023-03-07 | 深圳市宁远科技股份有限公司 | 基于互联网在线医生的医疗热力榜计算方法、装置和计算机设备 |
| CN115966292A (zh) * | 2023-01-05 | 2023-04-14 | 江苏拜仁控股集团有限公司 | 一种基于智慧医院的数据自动化管理系统及方法 |
| CN115966292B (zh) * | 2023-01-05 | 2023-09-15 | 江苏拜仁控股集团有限公司 | 一种基于智慧医院的数据自动化管理系统及方法 |
| CN116052863A (zh) * | 2023-04-03 | 2023-05-02 | 云南医无界医疗网络科技有限公司 | 一种基于医共体大数据模型的智慧管理系统 |
| CN116631558A (zh) * | 2023-05-29 | 2023-08-22 | 武汉大学人民医院（湖北省人民医院） | 一种基于互联网的医学检测项目的构建方法 |
| CN116631558B (zh) * | 2023-05-29 | 2024-03-22 | 武汉大学人民医院（湖北省人民医院） | 一种基于互联网的医学检测项目的构建方法 |
| CN116779124A (zh) * | 2023-08-11 | 2023-09-19 | 四川省医学科学院·四川省人民医院 | 一种基于关联规则的手术调度方法和系统 |
| CN116779124B (zh) * | 2023-08-11 | 2023-10-20 | 四川省医学科学院·四川省人民医院 | 一种基于关联规则的手术调度方法和系统 |
| CN116759062B (zh) * | 2023-08-17 | 2023-10-31 | 江苏盖睿健康科技有限公司 | 一种优化轮询就诊数据的方法和系统 |
| CN116759062A (zh) * | 2023-08-17 | 2023-09-15 | 江苏盖睿健康科技有限公司 | 一种优化轮询就诊数据的方法和系统 |
| CN117079788A (zh) * | 2023-08-31 | 2023-11-17 | 浙江大学 | 基于智能互联网的科室管理方法及管理设备 |
| CN117133427A (zh) * | 2023-10-23 | 2023-11-28 | 济宁医学院附属医院 | 一种医院智能挂号方法、系统、设备及存储介质 |
| CN117133427B (zh) * | 2023-10-23 | 2024-03-19 | 济宁医学院附属医院 | 一种医院智能挂号方法、系统、设备及存储介质 |
| CN117637093A (zh) * | 2024-01-25 | 2024-03-01 | 西南医科大学附属医院 | 基于智慧医疗的患者信息管理方法及系统 |
| CN117637093B (zh) * | 2024-01-25 | 2024-04-12 | 西南医科大学附属医院 | 基于智慧医疗的患者信息管理方法及系统 |
| CN118173281A (zh) * | 2024-04-01 | 2024-06-11 | 首都体育学院 | 一种向患者推荐在线接诊医生的方法和设备 |
| CN118471484A (zh) * | 2024-07-11 | 2024-08-09 | 辽宁得康药业集团有限公司 | 一种急诊重症患者分级分诊方法及系统 |
| CN118471484B (zh) * | 2024-07-11 | 2024-10-08 | 辽宁得康药业集团有限公司 | 一种急诊重症患者分级分诊方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113592345B (zh) | 2024-07-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113592345A (zh) | 基于聚类模型的医疗分诊方法、系统、设备及存储介质 | |
| CN110516161B (zh) | 一种推荐方法及装置 | |
| CN108932974B (zh) | 在线问诊分配医生的方法、装置、计算机设备和存储介质 | |
| US10332631B2 (en) | Integrated medical platform | |
| Raper et al. | Patient satisfaction with emergency department triage nursing care: a multicenter study | |
| US12020818B1 (en) | Cross care matrix based care giving intelligence | |
| CN114187988A (zh) | 数据处理的方法及装置、系统、存储介质 | |
| CN114613523A (zh) | 线上医疗问诊的医生分配方法、装置、存储介质及设备 | |
| CN113053513A (zh) | 一种基于智慧社区的智慧医疗系统 | |
| CN112542236A (zh) | 在线任务派发方法、装置、电子设备及存储介质 | |
| CN112349435A (zh) | 一种在线问诊方法、装置、服务器、介质和系统 | |
| CN115132356A (zh) | 互联网医疗分诊方法、装置、电子设备及存储介质 | |
| CN113192619B (zh) | 一种对象匹配方法、装置、设备及存储介质 | |
| CN109686429B (zh) | 医生就诊时间段推荐方法及装置 | |
| WO2017007461A1 (en) | Integrated medical platform | |
| KR101682918B1 (ko) | 고객과 서비스 제공자 간의 상담을 매칭하는 장치 및 방법 | |
| CN111833997B (zh) | 基于风险预测的就诊分配方法、装置、计算机设备 | |
| CN111667029B (zh) | 一种聚类方法、装置、设备及存储介质 | |
| CN116453674A (zh) | 一种智慧医疗系统 | |
| CN114822800A (zh) | 一种互联网医疗分诊方法及系统 | |
| CN112164450A (zh) | 一种医疗服务的签约方法和系统 | |
| KR102563244B1 (ko) | 빅데이터에 기반한 메타 인지 향상을 위한 일상 정보 피드백 방법 및 시스템 | |
| KR102563243B1 (ko) | 빅데이터에 기반한 메타 인지 향상을 위한 감정 예측 방법 및 시스템 | |
| CN114722977B (zh) | 一种医疗对象分类方法、装置、电子设备及存储介质 | |
| US20240289907A1 (en) | Social resource presenting apparatus, social resource presenting method and program |
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 |