CN113593687A - 一种基于新冠疫情的医院智能就诊引导方法及装置 - Google Patents

一种基于新冠疫情的医院智能就诊引导方法及装置 Download PDF

Info

Publication number
CN113593687A
CN113593687A CN202110911810.2A CN202110911810A CN113593687A CN 113593687 A CN113593687 A CN 113593687A CN 202110911810 A CN202110911810 A CN 202110911810A CN 113593687 A CN113593687 A CN 113593687A
Authority
CN
China
Prior art keywords
patient
body temperature
prevention
temperature data
data
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202110911810.2A
Other languages
English (en)
Other versions
CN113593687B (zh
Inventor
叶丽丽
陈雪
宋晓阳
徐卫娟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Southern Medical University Zhujiang Hospital
Original Assignee
Southern Medical University Zhujiang Hospital
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Southern Medical University Zhujiang Hospital filed Critical Southern Medical University Zhujiang Hospital
Priority to CN202110911810.2A priority Critical patent/CN113593687B/zh
Publication of CN113593687A publication Critical patent/CN113593687A/zh
Application granted granted Critical
Publication of CN113593687B publication Critical patent/CN113593687B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • 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
    • 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
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/08—Learning methods
    • 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
    • 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
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Data Mining & Analysis (AREA)
  • Epidemiology (AREA)
  • Medical Informatics (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • General Engineering & Computer Science (AREA)
  • Development Economics (AREA)
  • Biophysics (AREA)
  • Educational Administration (AREA)
  • Artificial Intelligence (AREA)
  • Game Theory and Decision Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Medical Treatment And Welfare Office Work (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

本发明公开了一种基于新冠疫情的医院智能就诊引导方法及装置。方法包括：根据电子病历信息判断患者是否属于重点防控对象，根据疫情防控登记信息判断患者是否来自于风险区，并综合判断是否需要对患者进行人工干预分诊；获取患者的第一体温数据，根据第一体温数据和是否属于重点防控对象及来自于风险区综合判断患者是否能进入门诊大厅及诊治科室；将患者的第一体温数据导入至电子病历信息中形成新的就诊信息，并将该就诊信息传输至患者对应的诊治科室；在诊治科室处获取患者的第二体温数据，将第二体温数据与第一体温数据进行比对，根据比对结果判断是否需要对患者进行人工干预分诊。本发明可以实现智能的引导患者前去就诊。

Description

一种基于新冠疫情的医院智能就诊引导方法及装置
技术领域
本发明涉及医疗技术领域，更具体地说，特别涉及一种基于新冠疫情的医院智能就诊引导方法及装置。
背景技术
在抗击新冠肺炎疫情的特殊时期，由于患者的多元化医疗服务需求，为了有效实施一手抓疫情防控、一手抓日常诊疗，较多的医院实现了信息化服务，即通过互联网(例如公众号、网络等)方式进行预约挂号，然后再预约时间内进行就诊诊疗，以减少交叉感染风险，有效提高医院运行效率，保障患者就医安全。
在实际运行过程中，医院由于管理问题，容易忽视网上挂号时的关键信息，例如网上挂号时的就诊科室等信息，同时在患者达到医院时，医院工作人员无法准确引导患者进行就诊，容易导致患者在医院的各个区域逗留或往返，降低了患者就医安全。为此，有必要开发一种基于新冠疫情的医院智能就诊引导方法及装置。
发明内容
本发明的目的在于提供一种基于新冠疫情的医院智能就诊引导方法及装置，以克服现有技术所存在的缺陷。
为了达到上述目的，本发明采用的技术方案如下：
一种基于新冠疫情的医院智能就诊引导方法，包括以下步骤：
S1、获取患者的电子病历信息以及疫情防控登记信息，根据电子病历信息判断患者是否属于重点防控对象，根据疫情防控登记信息判断患者是否来自于风险区，并综合判断是否需要对患者进行人工干预分诊；
S2、获取患者的第一体温数据，根据第一体温数据和是否属于重点防控对象及来自于风险区综合判断患者是否能进入门诊大厅及诊治科室；
S3、将患者的第一体温数据导入至电子病历信息中形成新的就诊信息，并将该就诊信息传输至患者对应的诊治科室；
S4、在诊治科室处获取患者的第二体温数据，将第二体温数据与第一体温数据进行比对，根据比对结果判断是否需要对患者进行人工干预分诊。
进一步地，在步骤S1中根据电子病历信息判断患者是否属于重点防控对象的具体步骤为：
在电子病历信息中提取涉及疫情防控的关键指标，并建立第一数据指标集；
根据第一数据指标集和第一预警基准数据建立第一等级矩阵矢量；
提取用户挂号关键指标形成个人列向量组集；
将个人列向量组集和第一等级矩阵矢量输入至基于卷积神经网络的多类分类模型中判断患者是否属于重点防控对象。
进一步地，在步骤S1中根据疫情防控登记信息判断患者是否来自于风险区的具体步骤为：
在疫情防控登记信息中提取涉及疫情防控的关键指标，并建立第二数据指标集；
根据第二数据指标集、第二预警基准数据建立第二等级矩阵矢量；
提取用户挂号关键指标形成个人列向量组集；
将个人列向量组集和第二等级矩阵矢量输入至基于卷积神经网络的多类分类模型中判断患者是否来自于风险区。
进一步地，还包括建立关键数据集，所述关键数据集包括患者的电子病历信息、疫情防控登记信息、第一体温数据和第二体温数据，并对关键数据集中的每个信息进行标记唯一单词。
进一步地，所述基于卷积神经网络的多类分类模型包括引导模型，以及与引导模型连接的防控判断模型、风险判断模型、第一体温判断模型和第二体温判断模型，所述引导模型用于根据输入数据中的唯一单词引导该输入数据对应的模型中进行判断。
进一步地，所述基于卷积神经网络的多类分类模型的建立步骤包括：
建立引导模型，所述引导模型中设有多组匹配单词，每组匹配单词对应一组唯一单词和判断模型，在输入数据输入至基于卷积神经网络的多类分类模型中，所述引导模型匹配唯一单词与匹配单词，在匹配成功后将所述输入数据引导至对应的判断模型中；
建立防控判断模型，所述防控判断模型中包括涉及疫情防控的关键指标集及对应的基准数据集，在个人列向量组集和第一等级矩阵矢量输入至防控判断模型中，通过将第一数据指标集与涉及疫情防控的关键指标集形成对应关系，再判断第一预警基准数据是否较基准数据集严格，最后通过个人列向量组集与基准数据集进行比对判断是否属于重点防控对象；
建立风险判断模型，所述立风险判断模型中包括涉及疫情防控的关键指标集及对应的基准数据集，在个人列向量组集和第二等级矩阵矢量输入至防控判断模型中，通过将第二数据指标集与涉及疫情防控的关键指标集形成对应关系，再判断第二预警基准数据是否较基准数据集严格，最后通过个人列向量组集与基准数据集进行比对判断是否自于风险区；
建立第一体温判断模型，所述第一体温判断模型内包括基准体温，在第一体温数据不大于基准体温，且防控判断模型判断不属于重点防控对象以及风险判断模型判断不来自于风险区则患者能进入门诊大厅及诊治科室；
建立第二体温判断模型，所述第二体温判断模型用于将第二体温数据与第一体温数据进行比对，若第二体温数据大于第一体温数据则需要对患者进行人工干预分诊。
进一步地，所述第二体温判断模型内还包括路径判断模块和通知模块，在第二体温判断模型判断第二体温数据大于第一体温数据时启动路径判断模块调取患在第一次测量体温时和第二次测量体温时所处的位置，以及两次位置之间可能的路径，再通过通知模块关联医院挂号系统以通知可能处于该路径上的患者预警。
进一步地，所述步骤S1中综合判断是否需要对患者进行人工干预分诊具体为：若患者属于重点防控对象或来自于风险区则进行人工干预分诊。
进一步地，所述人工干预分诊的具体流程包括：通知此患者进入医院所经关卡的工作驻点人员以便启动预设的应急方案。
本发明还提供一种基于新冠疫情的医院智能就诊引导装置，包括：
获取模块，用于获取患者的电子病历信息以及疫情防控登记信息，获取患者的第一体温数据，以及在诊治科室处获取患者的第二体温数据；
模型模块，根据电子病历信息判断患者是否属于重点防控对象，根据疫情防控登记信息判断患者是否来自于风险区，并综合判断是否需要对患者进行人工干预分诊；用于根据第一体温数据和是否属于重点防控对象及来自于风险区综合判断患者是否能进入门诊大厅及诊治科室；以及用于将第二体温数据与第一体温数据进行比对，根据比对结果判断是否需要对患者进行人工干预分诊；
信息导入模块，用于将患者的第一体温数据导入至电子病历信息中形成新的就诊信息，并将该就诊信息传输至患者对应的诊治科室；
所述获取模块、信息导入模块和模型模块依次连接。
与现有技术相比，本发明的优点在于：本发明通过电子病历信息、疫情防控登记信息和体温信息的处理，可以实现智能的引导患者前去就诊，极大的减少交叉感染风险，有效提高医院运行效率，保障患者就医安全。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明基于新冠疫情的医院智能就诊引导方法的流程图。
图2是本发明中建立关键数据集的原理图。
图3是本发明中基于卷积神经网络的多类分类模型的框架图。
图4是本发明基于新冠疫情的医院智能就诊引导装置的原理图。
具体实施方式
下面结合附图对本发明的优选实施例进行详细阐述，以使本发明的优点和特征能更易于被本领域技术人员理解，从而对本发明的保护范围做出更为清楚明确的界定。
参阅图1所示，本实施例公开了一种基于新冠疫情的医院智能就诊引导方法，包括以下步骤：
步骤S1、通过医院自助挂号预约系统获取患者的电子病历信息EMRs以及疫情防控登记信息IR，根据电子病历信息EMRs判断患者是否属于重点防控对象，根据疫情防控登记信息IR判断患者是否来自于风险区，并综合判断是否需要对患者进行人工干预分诊。
其中，根据电子病历信息(即EMRs)判断患者是否属于重点防控对象的具体步骤为：
首先、在电子病历信息EMRs中提取涉及疫情防控的关键指标，并建立第一数据指标集V1＝(v1、v2……vn)。
其次、所述的根据第一数据指标集V1和第一预警基准数据J1建立第一等级矩阵矢量D1，第一预警基准数据J1＝(j1、j2……jn)。
第一等级矩阵矢量
Figure BDA0003203949000000041
然后、提取用户挂号关键指标形成个人列向量组集G1＝(g1、g2……gn)。
最后、将个人列向量组集G1和第一等级矩阵矢量D1输入至基于卷积神经网络的多类分类模型中判断患者是否属于重点防控对象。
其中，所述的根据疫情防控登记信息判断患者是否来自于风险区的具体步骤为：
首先、在疫情防控登记信息IR中提取涉及疫情防控的关键指标，并建立第二数据指标集V2＝(v11、v22……vnn)；
其次、根据第二数据指标集V2、第二预警基准数据J2建立第二等级矩阵矢量D2，第二预警基准数据J2＝(j11、j22……jnn)。
第二等级矩阵矢量
Figure BDA0003203949000000042
然后、提取用户挂号关键指标形成个人列向量组集G1＝(g1、g2……g3)；
最后、将个人列向量组集G1和第二等级矩阵矢量D2输入至基于卷积神经网络的多类分类模型中判断患者是否来自于风险区。
步骤S2、获取患者的第一体温数据T1，根据第一体温数据T1和是否属于重点防控对象及来自于风险区综合判断患者是否能进入门诊大厅及诊治科室，以便于进行下一步诊治。
步骤S3、将患者的第一体温数据T1导入至电子病历信息(EMRs)中形成新的就诊信息，并将该就诊信息传输至患者对应的诊治科室。
步骤S4、在诊治科室处获取患者的第二体温数据T2，将第二体温数据T2与第一体温数据T1进行比对，根据比对结果判断是否需要对患者进行人工干预分诊。
具体的，参阅图2所示，在应用时还包括建立关键数据集S，所述关键数据集S包括患者的电子病历信息EMRs、疫情防控登记信息、第一体温数据T1和第二体温数据T2，并对关键数据集中的每个信息进行标记唯一单词，在使用时，可调取关键数据集S中通过唯一单词标记的信息，在后续使用时可保证数据的准确唯一，关键数据集S可以采用图2中的方式，其中，EMRs1、EMRs2……EMRsn分别代表n个患者的电子病历信息EMRs，S1、S2……Sn分别代表对应患者的电子病历信息的唯一单词；IR1、IR2……IRn分别代表n个患者的疫情防控登记信息，I1、I2……In分别代表对应患者的疫情防控登记信息的唯一单词；T11、T12……T1n分别代表n个患者第一体温信息，P1、P2……Pn分别代表对应患者的第一体温信息的唯一单词；T21、T22……T2n分别代表n个患者第二体温信息，Q1、Q2……Qn分别代表对应患者的第二体温信息的唯一单词。
本实施例中，参阅图3所示，所述的基于卷积神经网络的多类分类模型包括引导模型Y1，以及与引导模型连接的防控判断模型P1、风险判断模型P2、第一体温判断模型P3和第二体温判断模型P4，所述引导模型Y1用于根据输入数据中的唯一单词引导该输入数据对应的模型中进行判断。
其中，输入数据可以为个人列向量组集G1和第一等级矩阵矢量D1、个人列向量组集G1和第二等级矩阵矢量D2、第一体温数据T1或第二体温数据T2。
所述的基于卷积神经网络的多类分类模型的建立步骤包括：
建立引导模型Y1，所述的引导模型Y1中设有多组匹配单词，每组匹配单词对应一组唯一单词和判断模型，在输入数据输入至基于卷积神经网络的多类分类模型中，所述引导模型匹配唯一单词与匹配单词，在匹配成功后将所述输入数据引导至对应的判断模型中，引导模型Y1可以采用表1的方式：
表1
Figure BDA0003203949000000061
在具体使用时，匹配单词Pp1中设有S1、S2……Sn等代表对应患者的电子病历信息的唯一单词，当输入的数据也含有这些唯一单词时，即可匹配出来，进而输出采用防控判断模型P1；匹配单词Pp2中设有I1、I2……In等分别代表对应患者的疫情防控登记信息的唯一单词，当输入的数据也含这些唯一单词时，即可匹配出来，进而输出采用风险判断模型P2；匹配单词Pp2中设有P1、P2……Pn等分别代表对应患者的第一体温信息的唯一单词，当输入的数据也含这些唯一单词时，即可匹配出来，进而输出采用第一体温判断模型P3；匹配单词Pp4中设有Q1、Q2……Qn分别代表对应患者的第二体温信息的唯一单词，当输入的数据也含这些唯一单词时，即可匹配出来，进而输出采用第二体温判断模型P4。
建立防控判断模型，所述的防控判断模型中包括涉及疫情防控的关键指标集及对应的基准数据集，在个人列向量组集和第一等级矩阵矢量输入至防控判断模型中，通过将第一数据指标集与涉及疫情防控的关键指标集形成对应关系，再判断第一预警基准数据是否较基准数据集严格(这是由于一般的，在医院内的指标要较为国家基准严格，通过该比较可以防止医院错误设置指标的问题)，最后通过个人列向量组集与基准数据集进行比对判断是否属于重点防控对象，防控判断模型可采用如下表格2：
表2
Figure BDA0003203949000000062
建立风险判断模型，所述的立风险判断模型中包括涉及疫情防控的关键指标集及对应的基准数据集，在个人列向量组集和第二等级矩阵矢量输入至防控判断模型中，通过将第二数据指标集与涉及疫情防控的关键指标集形成对应关系，再判断第二预警基准数据是否较基准数据集严格(这是由于一般的，在医院内的指标要较为国家基准严格，通过该比较可以防止医院错误设置指标的问题)，最后通过个人列向量组集与基准数据集进行比对判断是否自于风险区，风险判断模型可采用如下表格3：
表3
Figure BDA0003203949000000071
建立第一体温判断模型，所述第一体温判断模型内包括基准体温，在第一体温数据不大于基准体温，且防控判断模型判断不属于重点防控对象以及风险判断模型判断不来自于风险区则患者能进入门诊大厅及诊治科室，第一体温判断模型可以直接采用一个公式比较模型。
建立第二体温判断模型，所述第二体温判断模型用于将第二体温数据与第一体温数据进行比对，若第二体温数据大于第一体温数据则需要对患者进行人工干预分诊，第二体温判断模型也可以直接采用一个公式比较模型。
具体的，所述的第二体温判断模型内还包括路径判断模块和通知模块，在第二体温判断模型判断第二体温数据大于第一体温数据时启动路径判断模块调取患在第一次测量体温时和第二次测量体温时所处的位置，以及两次位置之间可能的路径，再通过通知模块关联医院挂号系统以通知可能处于该路径上的患者预警。
例如：当第一次测量体温在门诊大厅入口处，第二次测量体温在二楼某诊疗室，此时可能的路径为：门诊大厅-电梯-二楼大厅-某诊疗室，也有可能为门诊大厅-楼梯-二楼大厅-某诊疗室，此时医院挂号系统可以关联到类似走过该路径的人员，可直接通过短信通知的方式进行预警。
在所述步骤S1中综合判断是否需要对患者进行人工干预分诊具体为：若患者属于重点防控对象或来自于风险区则进行人工干预分诊。
所述的人工干预分诊的具体流程包括：通知此患者进入医院所经关卡的工作驻点人员以便启动预设的应急方案，应急方案一般为医院内部指定的应急方案。
参阅图4所示，本发明还提供一种基于新冠疫情的医院智能就诊引导装置，包括：获取模块1，用于获取患者的电子病历信息以及疫情防控登记信息，获取患者的第一体温数据，以及在诊治科室处获取患者的第二体温数据；模型模块2，根据电子病历信息判断患者是否属于重点防控对象，根据疫情防控登记信息判断患者是否来自于风险区，并综合判断是否需要对患者进行人工干预分诊；用于根据第一体温数据和是否属于重点防控对象及来自于风险区综合判断患者是否能进入门诊大厅及诊治科室；以及用于将第二体温数据与第一体温数据进行比对，根据比对结果判断是否需要对患者进行人工干预分诊；信息导入模块3，用于将患者的第一体温数据导入至电子病历信息中形成新的就诊信息，并将该就诊信息传输至患者对应的诊治科室；所述的获取模块1、信息导入模块3和模型模块2依次连接。
本发明通过电子病历信息、疫情防控登记信息和体温信息的处理，可以实现智能的引导患者前去就诊，极大的减少交叉感染风险，有效提高医院运行效率，保障患者就医安全。
虽然结合附图描述了本发明的实施方式，但是专利所有者可以在所附权利要求的范围之内做出各种变形或修改，只要不超过本发明的权利要求所描述的保护范围，都应当在本发明的保护范围之内。

Claims (10)

1.一种基于新冠疫情的医院智能就诊引导方法，其特征在于，包括以下步骤：
S1、获取患者的电子病历信息以及疫情防控登记信息，根据电子病历信息判断患者是否属于重点防控对象，根据疫情防控登记信息判断患者是否来自于风险区，并综合判断是否需要对患者进行人工干预分诊；
S2、获取患者的第一体温数据，根据第一体温数据和是否属于重点防控对象及来自于风险区综合判断患者是否能进入门诊大厅及诊治科室；
S3、将患者的第一体温数据导入至电子病历信息中形成新的就诊信息，并将该就诊信息传输至患者对应的诊治科室；
S4、在诊治科室处获取患者的第二体温数据，将第二体温数据与第一体温数据进行比对，根据比对结果判断是否需要对患者进行人工干预分诊。
2.根据权利要求1所述的基于新冠疫情的医院智能就诊引导方法，其特征在于，在步骤S1中根据电子病历信息判断患者是否属于重点防控对象的具体步骤为：
在电子病历信息中提取涉及疫情防控的关键指标，并建立第一数据指标集；
根据第一数据指标集和第一预警基准数据建立第一等级矩阵矢量；
提取用户挂号关键指标形成个人列向量组集；
将个人列向量组集和第一等级矩阵矢量输入至基于卷积神经网络的多类分类模型中判断患者是否属于重点防控对象。
3.根据权利要求1所述的基于新冠疫情的医院智能就诊引导方法，其特征在于，在步骤S1中根据疫情防控登记信息判断患者是否来自于风险区的具体步骤为：
在疫情防控登记信息中提取涉及疫情防控的关键指标，并建立第二数据指标集；
根据第二数据指标集、第二预警基准数据建立第二等级矩阵矢量；
提取用户挂号关键指标形成个人列向量组集；
将个人列向量组集和第二等级矩阵矢量输入至基于卷积神经网络的多类分类模型中判断患者是否来自于风险区。
4.根据权利要求2或3所述的基于新冠疫情的医院智能就诊引导方法，其特征在于，还包括建立关键数据集，所述关键数据集包括患者的电子病历信息、疫情防控登记信息、第一体温数据和第二体温数据，并对关键数据集中的每个信息进行标记唯一单词。
5.根据权利要求4所述的基于新冠疫情的医院智能就诊引导方法，其特征在于，所述基于卷积神经网络的多类分类模型包括引导模型，以及与引导模型连接的防控判断模型、风险判断模型、第一体温判断模型和第二体温判断模型，所述引导模型用于根据输入数据中的唯一单词引导该输入数据对应的模型中进行判断。
6.根据权利要求5所述的基于新冠疫情的医院智能就诊引导方法，其特征在于，所述基于卷积神经网络的多类分类模型的建立步骤包括：
建立引导模型，所述引导模型中设有多组匹配单词，每组匹配单词对应一组唯一单词和判断模型，在输入数据输入至基于卷积神经网络的多类分类模型中，所述引导模型匹配唯一单词与匹配单词，在匹配成功后将所述输入数据引导至对应的判断模型中；
建立防控判断模型，所述防控判断模型中包括涉及疫情防控的关键指标集及对应的基准数据集，在个人列向量组集和第一等级矩阵矢量输入至防控判断模型中，通过将第一数据指标集与涉及疫情防控的关键指标集形成对应关系，再判断第一预警基准数据是否较基准数据集严格，最后通过个人列向量组集与基准数据集进行比对判断是否属于重点防控对象；
建立风险判断模型，所述立风险判断模型中包括涉及疫情防控的关键指标集及对应的基准数据集，在个人列向量组集和第二等级矩阵矢量输入至防控判断模型中，通过将第二数据指标集与涉及疫情防控的关键指标集形成对应关系，再判断第二预警基准数据是否较基准数据集严格，最后通过个人列向量组集与基准数据集进行比对判断是否自于风险区；
建立第一体温判断模型，所述第一体温判断模型内包括基准体温，在第一体温数据不大于基准体温，且防控判断模型判断不属于重点防控对象以及风险判断模型判断不来自于风险区则患者能进入门诊大厅及诊治科室；
建立第二体温判断模型，所述第二体温判断模型用于将第二体温数据与第一体温数据进行比对，若第二体温数据大于第一体温数据则需要对患者进行人工干预分诊。
7.根据权利要求6所述的基于新冠疫情的医院智能就诊引导方法，其特征在于，所述第二体温判断模型内还包括路径判断模块和通知模块，在第二体温判断模型判断第二体温数据大于第一体温数据时启动路径判断模块调取患在第一次测量体温时和第二次测量体温时所处的位置，以及两次位置之间可能的路径，再通过通知模块关联医院挂号系统以通知可能处于该路径上的患者预警。
8.根据权利要求1所述的基于新冠疫情的医院智能就诊引导方法，其特征在于，所述步骤S1中综合判断是否需要对患者进行人工干预分诊具体为：若患者属于重点防控对象或来自于风险区则进行人工干预分诊。
9.根据权利要求1所述的基于新冠疫情的医院智能就诊引导方法，其特征在于，所述人工干预分诊的具体流程包括：通知此患者进入医院所经关卡的工作驻点人员以便启动预设的应急方案。
10.一种采用权利要求1所述的基于新冠疫情的医院智能就诊引导方法的装置，其特征在于，包括：
获取模块，用于获取患者的电子病历信息以及疫情防控登记信息，获取患者的第一体温数据，以及在诊治科室处获取患者的第二体温数据；
模型模块，根据电子病历信息判断患者是否属于重点防控对象，根据疫情防控登记信息判断患者是否来自于风险区，并综合判断是否需要对患者进行人工干预分诊；用于根据第一体温数据和是否属于重点防控对象及来自于风险区综合判断患者是否能进入门诊大厅及诊治科室；以及用于将第二体温数据与第一体温数据进行比对，根据比对结果判断是否需要对患者进行人工干预分诊；
信息导入模块，用于将患者的第一体温数据导入至电子病历信息中形成新的就诊信息，并将该就诊信息传输至患者对应的诊治科室；
所述获取模块、信息导入模块和模型模块依次连接。
CN202110911810.2A 2021-08-10 2021-08-10 一种基于新冠疫情的医院智能就诊引导方法及装置 Active CN113593687B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110911810.2A CN113593687B (zh) 2021-08-10 2021-08-10 一种基于新冠疫情的医院智能就诊引导方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110911810.2A CN113593687B (zh) 2021-08-10 2021-08-10 一种基于新冠疫情的医院智能就诊引导方法及装置

Publications (2)

Publication Number Publication Date
CN113593687A true CN113593687A (zh) 2021-11-02
CN113593687B CN113593687B (zh) 2022-03-25

Family

ID=78256577

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110911810.2A Active CN113593687B (zh) 2021-08-10 2021-08-10 一种基于新冠疫情的医院智能就诊引导方法及装置

Country Status (1)

Country Link
CN (1) CN113593687B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060178582A1 (en) * 2005-02-08 2006-08-10 Southern Taiwan University Of Technology Method and system for performing fever triage
CN111489812A (zh) * 2020-04-01 2020-08-04 深圳智慧林网络科技有限公司 智能化非接触式预检分诊系统及其自动挂号方法
CN111599456A (zh) * 2020-06-17 2020-08-28 厦门大学附属心血管病医院 一种传染病智能预检分诊机及其预检方法
CN111653368A (zh) * 2020-05-08 2020-09-11 梁步阁 一种人工智能疫情大数据防控预警系统
CN111863271A (zh) * 2020-06-08 2020-10-30 浙江大学 一种新冠肺炎的重大传染病传播风险预警及防控分析系统
CN112562834A (zh) * 2020-12-10 2021-03-26 南通市第一人民医院 一种基于机器学习的疫情预检分诊的方法及系统
CN113096819A (zh) * 2021-03-25 2021-07-09 南通美丽霞虹智能科技有限公司 一种基于神经卷积网络的疫情防控筛查预警系统
CN113191725A (zh) * 2021-04-20 2021-07-30 吕世福 一种医院人员出入管控方法、系统、存储介质、设备、终端

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060178582A1 (en) * 2005-02-08 2006-08-10 Southern Taiwan University Of Technology Method and system for performing fever triage
CN111489812A (zh) * 2020-04-01 2020-08-04 深圳智慧林网络科技有限公司 智能化非接触式预检分诊系统及其自动挂号方法
CN111653368A (zh) * 2020-05-08 2020-09-11 梁步阁 一种人工智能疫情大数据防控预警系统
CN111863271A (zh) * 2020-06-08 2020-10-30 浙江大学 一种新冠肺炎的重大传染病传播风险预警及防控分析系统
CN111599456A (zh) * 2020-06-17 2020-08-28 厦门大学附属心血管病医院 一种传染病智能预检分诊机及其预检方法
CN112562834A (zh) * 2020-12-10 2021-03-26 南通市第一人民医院 一种基于机器学习的疫情预检分诊的方法及系统
CN113096819A (zh) * 2021-03-25 2021-07-09 南通美丽霞虹智能科技有限公司 一种基于神经卷积网络的疫情防控筛查预警系统
CN113191725A (zh) * 2021-04-20 2021-07-30 吕世福 一种医院人员出入管控方法、系统、存储介质、设备、终端

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
陈红苓 等: "新冠肺炎防控预检分诊制度及流程的建立与实践", 《医学信息学》 *

Also Published As

Publication number Publication date
CN113593687B (zh) 2022-03-25

Similar Documents

Publication Publication Date Title
WO2023109250A1 (zh) 一种基于互联网的医院分诊数据处理方法及系统
CN107247868B (zh) 一种人工智能辅助问诊系统
WO2021068601A1 (zh) 病历检测方法、装置、设备及存储介质
WO2020213843A1 (ko) 사용자 맞춤형 의료정보 제공 시스템 및 이의 구동방법
US6450956B1 (en) System and method for treatment and outcome measurement analysis
CN109543863A (zh) 一种就医任务管理方法、服务器及存储介质
US20040044546A1 (en) Checklist-based flow and tracking system for patient care by medical providers
CN107845422A (zh) 一种基于多模态线索融合的远程会诊会话理解与摘要方法
CN108281195A (zh) 一种医疗数据的管理方法及系统
CN109659017A (zh) 一种预测、分配医生就诊量的智慧医疗系统
WO2022145782A2 (ko) 빅데이터 및 클라우드 시스템 기반 인공지능 응급의료 의사결정 및 응급환자 이송 시스템과 그 방법
US20070027710A1 (en) Method and system for automatically processing and evaluating medical data
CN113053513A (zh) 一种基于智慧社区的智慧医疗系统
CN108831544A (zh) 一种门诊自动分诊方法及系统
CN110084930A (zh) 一种基于his的护士站用病房监管系统
CN109659038A (zh) 结合人体三维模型比对的问诊信息输入系统和方法
CN117637153B (zh) 患者安全护理的信息化管理系统及方法
CN108648831A (zh) 一种医患沟通辅助平台及其交互方法
US20080300922A1 (en) Electronic medical documentation
CN114783627A (zh) 基于ai的健康医疗服务推荐系统
CN113593687B (zh) 一种基于新冠疫情的医院智能就诊引导方法及装置
CN112085466B (zh) 人伤理赔定损结果生成装置及方法
CN117457162A (zh) 基于多编码器和多模态信息融合的急诊分诊方法及系统
CN112489780A (zh) 一种基于云计算的医疗系统及其接诊方法
CN114649087B (zh) 资源预约方法、资源预约系统、电子设备和存储装置

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