CN113657108A - 医患关系监控方法、装置、计算机可读存储介质及服务器 - Google Patents

医患关系监控方法、装置、计算机可读存储介质及服务器 Download PDF

Info

Publication number
CN113657108A
CN113657108A CN202110977314.7A CN202110977314A CN113657108A CN 113657108 A CN113657108 A CN 113657108A CN 202110977314 A CN202110977314 A CN 202110977314A CN 113657108 A CN113657108 A CN 113657108A
Authority
CN
China
Prior art keywords
doctor
patient
emotion
analysis result
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.)
Pending
Application number
CN202110977314.7A
Other languages
English (en)
Inventor
梁天恺
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.)
Shenzhen Ping An Smart Healthcare Technology Co ltd
Original Assignee
Ping An International Smart City Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Ping An International Smart City Technology Co Ltd filed Critical Ping An International Smart City Technology Co Ltd
Priority to CN202110977314.7A priority Critical patent/CN113657108A/zh
Publication of CN113657108A publication Critical patent/CN113657108A/zh
Pending legal-status Critical Current

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
    • G16H80/00—ICT specially adapted for facilitating communication between medical practitioners or patients, e.g. for collaborative diagnosis, therapy or health monitoring
    • 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
    • G06F40/284—Lexical analysis, e.g. tokenisation or collocates
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/30—Semantic analysis
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Medical Informatics (AREA)
  • Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • Artificial Intelligence (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Computational Linguistics (AREA)
  • General Business, Economics & Management (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Epidemiology (AREA)
  • Business, Economics & Management (AREA)
  • Pathology (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

本发明属于人工智能技术领域，尤其涉及一种医患关系监控方法、装置、计算机可读存储介质及服务器。所述方法包括：从预设的数据库中获取医患沟通记录，所述医患沟通记录中包括医生与患者在预设的医患交流平台上产生的沟通记录；根据预设的Skip‑gram算法对所述医患沟通记录进行词语分析，确定所述医生与所述患者之间的第一医患关系分析结果；根据预设的情绪度量表对所述医患沟通记录进行情绪分析，确定所述医生与所述患者之间的第二医患关系分析结果；根据所述第一医患关系分析结果和所述第二医患关系分析结果，确定所述医生与所述患者之间的综合医患关系分析结果；当所述综合医患关系分析结果满足预设的告警条件时，向指定的终端设备发送告警消息。

Description

医患关系监控方法、装置、计算机可读存储介质及服务器
技术领域
本发明属于人工智能技术领域，尤其涉及一种医患关系监控方法、装置、计算机可读存储介质及服务器。
背景技术
当前医患之间的矛盾日益突出，医疗纠纷逐渐增多，损害了医患双方的利益，更甚者影响了社会稳定。影响医患关系的主要原因之一就是双方信息不对称：医患双方在面对同一件事情的时候，理解不同。当病人向医生诉说他的痛苦、陈述他的感受时，不一定都能被医生理解、唤起医者的共鸣；同样，当医生表达诊疗意见、提出配合要求时，也不一定能全被病人领会、赢得病人的合作。
针对这一情况，有些医院会设置专门的人员对医生和患者之间的沟通记录进行监控，以便在医患关系出现恶化时可以及时介入，但是，一般的大型医院每天的接诊量十分巨大，往往会产生海量的沟通记录，这种依靠人工监控的方式效率低、实时性差，，当医患关系出现恶化时，无法及时进行了解及调和，极易产生医患事故。
发明内容
有鉴于此，本发明实施例提供了一种医患关系监控方法、装置、计算机可读存储介质及服务器，以解决现有技术在医患关系出现恶化时，无法及时进行了解及调和，极易产生医患事故的问题。
本发明实施例的第一方面提供了一种医患关系监控方法，可以包括：
从预设的数据库中获取医患沟通记录，所述医患沟通记录中包括医生与患者在预设的医患交流平台上产生的沟通记录；
根据预设的Skip-gram算法对所述医患沟通记录进行词语分析，确定所述医生与所述患者之间的第一医患关系分析结果；
根据预设的情绪度量表对所述医患沟通记录进行情绪分析，确定所述医生与所述患者之间的第二医患关系分析结果；
根据所述第一医患关系分析结果和所述第二医患关系分析结果，确定所述医生与所述患者之间的综合医患关系分析结果；
当所述综合医患关系分析结果满足预设的告警条件时，向指定的终端设备发送告警消息。
在第一方面的一种具体实现方式中，所述根据预设的情绪度量表对所述医患沟通记录进行情绪分析，确定所述医生与所述患者之间的第二医患关系分析结果，可以包括：
查询所述医患沟通记录中的目标词语，所述目标词语为使用Skip-gram算法分析得到的与预设的悲观词对应的词语；
计算所述目标词语在所述医患沟通记录的各个句子中所占的比例；
根据所述目标词语在所述医患沟通记录的各个句子中所占的比例确定所述第一医患关系分析结果。
在第一方面的一种具体实现方式中，在查询所述医患沟通记录中的目标词语之前，所述医患关系监控方法还可以包括：
分别构建沟通语料库以及悲观词库；其中，所述沟通语料库中包括各条历史沟通记录，所述悲观词库中包括各个悲观词；
使用Skip-gram算法对所述沟通语料库中的各条历史沟通记录进行上下文分析，确定与所述悲观词库中的各个悲观词对应的目标词语。
在第一方面的一种具体实现方式中，所述根据所述目标词语在所述医患沟通记录的各个句子中所占的比例确定所述第一医患关系分析结果，可以包括：
若在所述医患沟通记录的连续的S个句子中，所述目标词语的所占的比例均大于预设的比例阈值，则确定所述第一医患关系分析结果为高风险关系；其中，S为预设的正整数。
在第一方面的一种具体实现方式中，所述根据预设的情绪度量表对所述医患沟通记录进行情绪分析，确定所述医生与所述患者之间的第二医患关系分析结果，可以包括：
根据预设的情绪度量表分别计算所述医患沟通记录的各个句子的情绪度量值；
根据所述医患沟通记录的各个句子的情绪度量值计算所述医患沟通记录的情绪波动度；
根据所述医患沟通记录的各个句子的情绪度量值计算所述医患沟通记录的情绪波动方向；
根据所述情绪波动度和所述情绪波动方向确定所述第二医患关系分析结果。
在第一方面的一种具体实现方式中，所述根据预设的情绪度量表分别计算所述医患沟通记录的各个句子的情绪度量值，可以包括：
对目标句子进行分词处理，得到所述目标句子的各个分词；所述目标句子为所述医患沟通记录中的任意一个句子；
在所述情绪度量表中分别查询所述目标句子的各个分词的情绪度量值；
根据所述目标句子的各个分词的情绪度量值计算所述目标句子的情绪度量值。
在第一方面的一种具体实现方式中，所述根据所述医患沟通记录的各个句子的情绪度量值计算所述医患沟通记录的情绪波动方向，可以包括：
根据所述医患沟通记录的各个句子的情绪度量值分别计算所述医患沟通记录的第一情绪度量值和第二情绪度量值；
若所述第一情绪度量值小于所述第二情绪度量值，则确定所述情绪波动方向为正向波动；
若所述第一情绪度量值大于或等于所述第二情绪度量值，则确定所述情绪波动方向为负向波动。
本发明实施例的第二方面提供了一种医患关系监控装置，可以包括：
医患沟通记录获取模块，用于从预设的数据库中获取医患沟通记录，所述医患沟通记录中包括医生与患者在预设的医患交流平台上产生的沟通记录；
第一医患关系分析模块，用于根据预设的Skip-gram算法对所述医患沟通记录进行词语分析，确定所述医生与所述患者之间的第一医患关系分析结果；
第二医患关系分析模块，用于根据预设的情绪度量表对所述医患沟通记录进行情绪分析，确定所述医生与所述患者之间的第二医患关系分析结果；
综合医患关系分析模块，用于根据所述第一医患关系分析结果和所述第二医患关系分析结果，确定所述医生与所述患者之间的综合医患关系分析结果；
告警消息发送模块，用于当所述综合医患关系分析结果满足预设的告警条件时，向指定的终端设备发送告警消息。
在第二方面的一种具体实现方式中，所述第一医患关系分析模块可以包括：
目标词语查询子模块，用于查询所述医患沟通记录中的目标词语，所述目标词语为使用Skip-gram算法分析得到的与预设的悲观词对应的词语；
比例计算子模块，用于计算所述目标词语在所述医患沟通记录的各个句子中所占的比例；
第一分析结果确定子模块，用于根据所述目标词语在所述医患沟通记录的各个句子中所占的比例确定所述第一医患关系分析结果。
在第二方面的一种具体实现方式中，所述第一医患关系分析模块还可以包括：
沟通语料库构建子模块，用于分别构建沟通语料库以及悲观词库；其中，所述沟通语料库中包括各条历史沟通记录，所述悲观词库中包括各个悲观词；
目标词语确定子模块，用于使用Skip-gram算法对所述沟通语料库中的各条历史沟通记录进行上下文分析，确定与所述悲观词库中的各个悲观词对应的目标词语。
在第二方面的一种具体实现方式中，所述第一分析结果确定子模块具体用于：若在所述医患沟通记录的连续的S个句子中，所述目标词语的所占的比例均大于预设的比例阈值，则确定所述第一医患关系分析结果为高风险关系；其中，S为预设的正整数。
在第二方面的一种具体实现方式中，所述第二医患关系分析模块可以包括：
情绪度量值计算子模块，用于根据预设的情绪度量表分别计算所述医患沟通记录的各个句子的情绪度量值；
情绪波动度计算子模块，用于根据所述医患沟通记录的各个句子的情绪度量值计算所述医患沟通记录的情绪波动度；
情绪波动方向计算子模块，用于根据所述医患沟通记录的各个句子的情绪度量值计算所述医患沟通记录的情绪波动方向；
第二分析结果确定子模块，用于根据所述情绪波动度和所述情绪波动方向确定所述第二医患关系分析结果。
在第二方面的一种具体实现方式中，所述情绪度量值计算子模块可以包括：
分词处理单元，用于对目标句子进行分词处理，得到所述目标句子的各个分词；所述目标句子为所述医患沟通记录中的任意一个句子；
情绪度量值查询单元，用于在所述情绪度量表中分别查询所述目标句子的各个分词的情绪度量值；
情绪度量值计算单元，用于根据所述目标句子的各个分词的情绪度量值计算所述目标句子的情绪度量值。
在第二方面的一种具体实现方式中，所述情绪波动方向计算子模块可以包括：
计算单元，用于根据所述医患沟通记录的各个句子的情绪度量值分别计算所述医患沟通记录的第一情绪度量值和第二情绪度量值；
正向波动确定单元，用于若所述第一情绪度量值小于所述第二情绪度量值，则确定所述情绪波动方向为正向波动；
负向波动确定单元，用于若所述第一情绪度量值大于或等于所述第二情绪度量值，则确定所述情绪波动方向为负向波动。
本发明实施例的第三方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述任一种医患关系监控方法的步骤。
本发明实施例的第四方面提供了一种服务器，包括存储器、处理器以及存储在所述存储器中并可在所述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上述任一种医患关系监控方法的步骤。
本发明实施例的第五方面提供了一种计算机程序产品，当计算机程序产品在服务器上运行时，使得服务器执行上述任一种医患关系监控方法的步骤。
本发明实施例与现有技术相比存在的有益效果是：本发明实施例从预设的数据库中获取医患沟通记录，所述医患沟通记录中包括医生与患者在预设的医患交流平台上产生的沟通记录；根据预设的Skip-gram算法对所述医患沟通记录进行词语分析，确定所述医生与所述患者之间的第一医患关系分析结果；根据预设的情绪度量表对所述医患沟通记录进行情绪分析，确定所述医生与所述患者之间的第二医患关系分析结果；根据所述第一医患关系分析结果和所述第二医患关系分析结果，确定所述医生与所述患者之间的综合医患关系分析结果；当所述综合医患关系分析结果满足预设的告警条件时，向指定的终端设备发送告警消息。通过本发明实施例，可以对医患关系进行有效的监控，当医患关系出现恶化时，可以及时发出告警，以便相关人员及时进行了解及调和，避免了医患事故的发生。
附图说明
为了更清楚地说明本发明实施例中的技术方案，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性的前提下，还可以根据这些附图获得其它的附图。
图1为本发明实施例中一种医患关系监控方法的一个实施例流程图；
图2为对医患沟通记录进行分析，确定医生与患者之间的医患关系分析结果的一种具体实现方式的示意流程图；
图3为Skip-gram的模型示意图；
图4为Skip-gram的神经网络架构；
图5为对医患沟通记录进行分析，确定医生与患者之间的医患关系分析结果的另一种具体实现方式的示意流程图；
图6为根据预设的情绪度量表分别计算医患沟通记录的各个句子的情绪度量值的示意流程图；
图7为情绪波动方向为正向波动时的示意图；
图8为情绪波动方向为负向波动时的示意图；
图9为本发明实施例中一种医患关系监控装置的一个实施例结构图；
图10为本发明实施例中一种服务器的示意框图。
具体实施方式
为使得本发明的发明目的、特征、优点能够更加的明显和易懂，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
本发明实施例的执行主体可以为预设的服务器，在该服务器中部署了基于人工智能技术的虚拟机器人，用于执行本发明实施例中的医患关系监控方法。
请参阅图1，本发明实施例中一种医患关系监控方法的一个实施例可以包括：
步骤S101、从预设的数据库中获取医患沟通记录。
所述医患沟通记录中包括医生与患者在预设的医患交流平台上产生的沟通记录。
在本发明实施例中，可以预先搭建起一个医患交流平台，所述医患交流平台可以是基于微信公众号以及AnyChat即时通信技术搭建的可以实时收发文本及语音的交流平台，也可以是基于其它现有技术搭建的交流平台，本发明实施例对此不作具体限定。
医生和患者之间的沟通可以在所述医患交流平台进行，产生的沟通记录实时存储在所述医患交流平台的数据库中，当需要进行医患关系分析时，服务器可以从所述医患交流平台的数据库中提取实时的医患沟通记录。
需要注意的是，本发明实施例主要是对医患沟通记录中的文本进行分析，对于医患沟通记录中的语音，则可以通过文本转换将语音转换成相对应的文本。本发明实施例中所使用的文本转换系统可以包含特征提取、声学模型，语言模型以及字典与解码四大部分，此外为了更有效地提取特征还可以对语音进行滤波、分帧等音频数据预处理工作，将需要分析的音频信号从原始信号中合适地提取出来；特征提取工作将语音从时域转换到频域，为声学模型提供合适的特征向量；声学模型中再根据声学特性计算每一个特征向量在声学特征上的得分；而语言模型则根据语言学相关的理论，计算该语音对应可能词组序列的概率；最后根据已有的字典，对词组序列进行解码，得到最后可能的文本。
步骤S102、根据预设的Skip-gram算法对所述医患沟通记录进行词语分析，确定所述医生与所述患者之间的第一医患关系分析结果。
在本发明实施例的一种具体实现方式中，可以基于Skip-gram算法来进行医患关系分析，步骤S102具体可以包括如图2所示的过程：
步骤S1021、查询所述医患沟通记录中的目标词语。
所述目标词语为使用Skip-gram算法分析得到的与预设的悲观词对应的词语。在本发明实施例中，可以预先分别构建沟通语料库以及悲观词库，然后，使用Skip-gram算法对所述沟通语料库中的各条历史沟通记录进行上下文分析，确定与所述悲观词库中的各个悲观词对应的目标词语。
其中，所述沟通语料库中包括各条历史沟通记录，这些历史沟通记录为所述医患交流平台在预设的历史统计时段(如1个月、1个季度或1年等)内积累下来的沟通记录。所述悲观词库中包括各个悲观词，这些悲观词为从所述沟通语料库中提取出的带有悲观色彩的词语，例如，“伤心”、“愤怒”、“不满”等等，所述悲观词库中具体包括哪些悲观词可以根据实际情况进行设置，本发明实施例对此不作具体限定。
Skip-gram用于预测给定中心词所相对应的上下文词。在Skip-gram中，中心词是输入词(input word)，上下文词是输出词(output word)，通过此方式，可以构建医患交流中，中心词(即悲观词)所对应的上下文词，当此类上下文词频繁出现时，即说明沟通记录出现悲观词的概率越大，医患关系恶化的可能性也越大。
图3所示为Skip-gram的模型示意图，其输入是一个词语w(t)，其输出是w(t)的上下文w(t-n)，…，w(t-1)，w(t+1)，…，w(t+n)，上下文的窗口大小为2n。其中，n为正整数，其具体取值可以根据实际情况进行设置，本发明实施例对此不作具体限定，图3中的n取值为2。比如有个句子“我十分讨厌你”，从中提取的悲观词是“讨厌”，那么该词就作为训练输入数据，词语组{“我”,“十分”,“你”}就是输出，所有这些词语，可以通过进行one-hot编码，形成词向量。
图4所示为Skip-gram的神经网络架构，其中，输入向量代表某个词语的one-hot编码，对应的输出是输出词的向量。输入层与隐藏层之间的权重矩阵W的第i行代表预设的词汇表中第i个单词的权重，每个输出单词向量也有个N×V维的输出向量W′，权重矩阵W以及W′就是需要学习的目标，其中包含了词汇表中所有词语的权重信息。
模型中还有N个节点的隐藏层，隐藏层节点的输入就是输入层输入的加权求和，模型的输出层的输出结点的输入也是由对应输入结点的加权求和计算得到，另外，输出层中的每个单词都是共享权重的。最后通过softmax函数产生某个词语的概率分布。
通过对权重矩阵的训练，即可构建所述沟通语料库中悲观词库与其上下文的关系模型。在进行实际的上下文分析时，可以设定上下文窗口为训练预测模型时的1/3，以进一步保证分析结果的准确性。通过对所述沟通语料库中的各条历史沟通记录进行上下文分析，可以确定与所述悲观词库中的各个悲观词对应的目标词语，并可在所述医患沟通记录中对目标词语进行查询。
步骤S1022、计算所述目标词语在所述医患沟通记录的各个句子中所占的比例。
对于所述医患沟通记录的任意一个句子而言，可以将所述目标词语在该句子中出现的次数除以该句子中的词语总数，所得结果即为所述目标词语在该句子中所占的比例。
优选地，本发明实施例还可以将近义词的影响加以考虑，即将目标词语的近义词也作为目标词语进行统计。具体地，可以使用word2vector训练得到各个词语的词向量，对于某个词语而言，与其词向量的余弦相似度最大的前K个词即为其近义词，K为预设的正整数，可以根据实际情况设置其取值，本发明实施例对其不作具体限定。
步骤S1023、根据所述目标词语在所述医患沟通记录的各个句子中所占的比例确定所述第一医患关系分析结果。
具体地，若在所述医患沟通记录的连续的S个句子中，所述目标词语的所占的比例均大于预设的比例阈值，则确定所述第一医患关系分析结果为高风险关系，否则，则确定所述第一医患关系分析结果为低风险关系。其中，S为预设的正整数，可以根据实际情况设置其取值，优选地，可以设置S的取值为10。所述比例阈值可以根据实际情况设置其取值，优选地，可以设置所述比例阈值的取值为50％。
步骤S103、根据预设的情绪度量表对所述医患沟通记录进行情绪分析，确定所述医生与所述患者之间的第二医患关系分析结果。
在本发明实施例的一种具体实现方式中，可以基于情绪分析来进行医患关系分析，步骤S103具体可以包括如图5所示的过程：
步骤S1031、根据预设的情绪度量表分别计算所述医患沟通记录的各个句子的情绪度量值。
以所述医患沟通记录中的任意一个句子(将其记为目标句子)为例，其情绪度量值的计算过程具体可以包括如图6所示的过程：
步骤S10311、对目标句子进行分词处理，得到所述目标句子的各个分词。
分词处理是指将一个句子切分成一个一个单独的词语，每个切分出来的词语都记为一个分词。在本申请中，可以根据通用词典对文本进行切分，保证分出的词语都是正常词汇，如词语不在词典内则分出单字。当前后方向都可以成词时，例如“要求神”，会根据统计词频的大小划分，如“AB”词频高则分出“AB/C”，如“BC”词频高则分出“A/BC”。
步骤S10312、在所述情绪度量表中分别查询所述目标句子的各个分词的情绪度量值。
情绪度量表中可以包括若干带有情绪色彩的词语以及相对应的情绪度量值，如下表所示：
Figure BDA0003227811710000111
Figure BDA0003227811710000121
其中，情绪度量值为正时，代表积极正向的情绪，此时，情绪度量值越高，则代表积极正向的情绪越强烈，例如，在上表中，“满意”的正向情绪比“改善”更强烈；情绪度量值为负时，代表消极负向的情绪，此时，情绪度量值越低，则代表消极负向的情绪越强烈，例如，在上表中，“失败”的负向情绪比“无效”更强烈。
情绪度量表中具体采用哪些词语，以及各个词语的情绪度量值的具体取值均可以根据实际情况进行设置，以上内容仅为示例，而非对其进行限制。
在本发明实施例的一种具体实现方式中，对于不在情绪度量表中的词语，可以默认其不带有情绪色彩，对应的情绪度量值为0。
步骤S10313、根据所述目标句子的各个分词的情绪度量值计算所述目标句子的情绪度量值。
具体地，可以根据下式计算所述目标句子的情绪度量值：
Figure BDA0003227811710000122
其中，WdEmoi为所述目标句子的第i个分词的情绪度量值，M为所述目标句子的分词总个数，StEmo为所述目标句子的情绪度量值。
根据图6所示的过程，遍历所述医患沟通记录的各个句子，则可得到所述医患沟通记录的各个句子的情绪度量值。
步骤S1032、根据所述医患沟通记录的各个句子的情绪度量值计算所述医患沟通记录的情绪波动度。
在本发明实施例的一种具体实现方式中，在得到所述医患沟通记录的各个句子的情绪度量值之后，则可以根据下式计算所述医患沟通记录的情绪波动度：
Figure BDA0003227811710000131
其中，StEmoj和StEmok分别为医患沟通记录中的第j条和第k条句子的情绪度量值，L为医患沟通记录中的句子总条数，EmoFluct为所述医患沟通记录的情绪波动度。
步骤S1033、根据所述医患沟通记录的各个句子的情绪度量值计算所述医患沟通记录的情绪波动方向。
情绪通常是一个动态变化的过程，例如，患者与医生沟通前刚刚遇到不开心的事情，沟通时的情绪不好，如果简单地将情绪判断为负面情绪，这一信息反倒会成为分析情绪的干扰因素，这是因为患者并非是因为医生提供的服务导致的负面情绪。为了避免这一问题，在本发明实施例中，所关注的并非是某一具体时刻的情绪，而是情绪波动方向。
首先，根据所述医患沟通记录的各个句子的情绪度量值分别计算所述医患沟通记录的第一情绪度量值和第二情绪度量值。
在本发明实施例的一种具体实现方式中，可以将所述医患沟通记录中的前p个句子的情绪度量值的平均值确定为第一情绪度量值，即：
Figure BDA0003227811710000132
其中，p为预设的正整数，可以根据实际情况设置其取值，本发明实施例对其不作具体限定。
可以将医患沟通记录中的后q个句子的情绪度量值的平均值确定为第二情绪度量值，即：
Figure BDA0003227811710000133
其中，q为预设的正整数，可以根据实际情况设置其取值，本发明实施例对其不作具体限定。
若所述第一情绪度量值小于所述第二情绪度量值，即StEmobegin<StEmoend，则确定所述情绪波动方向为正向波动，如图7所示。
若所述第一情绪度量值大于或等于所述第二情绪度量值，即StEmobegin≥StEmoend，则确定所述情绪波动方向为负向波动，如图8所示。
步骤S1034、根据所述情绪波动度和所述情绪波动方向确定所述第二医患关系分析结果。
具体地，若所述情绪波动度大于预设的波动阈值，且所述情绪波动方向为负向波动，则可以确定所述第二医患关系分析结果为高风险关系，否则，则确定所述第二医患关系分析结果为低风险关系。其中，所述波动阈值可以根据实际情况设置其取值，本发明实施例对其不作具体限定。
步骤S104、根据所述第一医患关系分析结果和所述第二医患关系分析结果，确定所述医生与所述患者之间的综合医患关系分析结果。
可选地，在本发明实施例的一种具体实现方式中，所述综合医患关系分析结果可以仅由所述第一医患关系分析结果决定，而无需考虑所述第二医患关系分析结果的影响，即可以直接将所述第一医患关系分析结果确定为综合医患关系分析结果。
可选地，在本发明实施例的一种具体实现方式中，所述综合医患关系分析结果可以仅由所述第二医患关系分析结果决定，而无需考虑所述第一医患关系分析结果的影响，即可以直接将所述第二医患关系分析结果确定为综合医患关系分析结果。
优选地，在本发明实施例的一种具体实现方式中，所述综合医患关系分析结果可以由所述第一医患关系分析结果和所述第二医患关系分析结果共同决定。具体的综合分析方式可以根据实际情况进行设置，可以包括但不限于以下综合分析方式：
(1)低门限方式，即若所述第一医患关系分析结果为高风险关系，或所述第二医患关系分析结果为高风险关系，则所述综合医患关系分析结果为高风险关系；若所述第一医患关系分析结果为低风险关系，且所述第二医患关系分析结果为低风险关系，则所述综合医患关系分析结果为低风险关系。在这种分析方式下，告警触发的门限较低，告警次数较多，可以避免对医患关系恶化情形的遗漏，但可能会产生较多的误告警。
(2)高门限方式，即若所述第一医患关系分析结果为高风险关系，且所述第二医患关系分析结果为高风险关系，则所述综合医患关系分析结果为高风险关系；若所述第一医患关系分析结果为低风险关系，或所述第二医患关系分析结果为低风险关系，则所述综合医患关系分析结果为低风险关系。在这种分析方式下，告警触发的门限较高，告警次数较少，可以增加最终结果的可靠性，避免出现误告警的情况。
步骤S105、当所述综合医患关系分析结果满足预设的告警条件时，向指定的终端设备发送告警消息。
当所述综合医患关系分析结果为高风险关系时，则可以认为满足预设的告警条件，此时，服务器可以通过预先构建的医患关系告警平台向指定的终端设备发送告警消息。所述医患关系告警平台可以是基于微信公众号以及AnyChat即时通信技术搭建的信息平台，也可以是基于其它现有技术搭建的信息平台。指定的终端设备可以为医患关系管理人员的终端设备，所述医患关系管理人员可以为医生所属的医院中负责进行医患关系管理的相关人员，或者医院的上级管理部门中负责进行医患关系管理的相关人员。通过发送告警消息，可以便于医患关系管理人员及时进行了解及调和，从而避免医患事故的发生。
综上所述，本发明实施例从预设的数据库中获取医患沟通记录，所述医患沟通记录中包括医生与患者在预设的医患交流平台上产生的沟通记录；根据预设的Skip-gram算法对所述医患沟通记录进行词语分析，确定所述医生与所述患者之间的第一医患关系分析结果；根据预设的情绪度量表对所述医患沟通记录进行情绪分析，确定所述医生与所述患者之间的第二医患关系分析结果；根据所述第一医患关系分析结果和所述第二医患关系分析结果，确定所述医生与所述患者之间的综合医患关系分析结果；当所述综合医患关系分析结果满足预设的告警条件时，向指定的终端设备发送告警消息。通过本发明实施例，可以对医患关系进行有效的监控，当医患关系出现恶化时，可以及时发出告警，以便相关人员及时进行了解及调和，避免了医患事故的发生。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
对应于上文实施例所述的一种医患关系监控方法，图9示出了本发明实施例提供的一种医患关系监控装置的一个实施例结构图。
本发明实施例中，一种医患关系监控装置可以包括：
医患沟通记录获取模块901，用于从预设的数据库中获取医患沟通记录，所述医患沟通记录中包括医生与患者在预设的医患交流平台上产生的沟通记录；
第一医患关系分析模块902，用于根据预设的Skip-gram算法对所述医患沟通记录进行词语分析，确定所述医生与所述患者之间的第一医患关系分析结果；
第二医患关系分析模块903，用于根据预设的情绪度量表对所述医患沟通记录进行情绪分析，确定所述医生与所述患者之间的第二医患关系分析结果；
综合医患关系分析模块904，用于根据所述第一医患关系分析结果和所述第二医患关系分析结果，确定所述医生与所述患者之间的综合医患关系分析结果；
告警消息发送模块905，用于当所述综合医患关系分析结果满足预设的告警条件时，向指定的终端设备发送告警消息。
在本发明实施例的一种具体实现方式中，所述第一医患关系分析模块可以包括：
目标词语查询子模块，用于查询所述医患沟通记录中的目标词语，所述目标词语为使用Skip-gram算法分析得到的与预设的悲观词对应的词语；
比例计算子模块，用于计算所述目标词语在所述医患沟通记录的各个句子中所占的比例；
第一分析结果确定子模块，用于根据所述目标词语在所述医患沟通记录的各个句子中所占的比例确定所述第一医患关系分析结果。
在本发明实施例的一种具体实现方式中，所述第一医患关系分析模块还可以包括：
沟通语料库构建子模块，用于分别构建沟通语料库以及悲观词库；其中，所述沟通语料库中包括各条历史沟通记录，所述悲观词库中包括各个悲观词；
目标词语确定子模块，用于使用Skip-gram算法对所述沟通语料库中的各条历史沟通记录进行上下文分析，确定与所述悲观词库中的各个悲观词对应的目标词语。
在本发明实施例的一种具体实现方式中，所述第一分析结果确定子模块具体用于：若在所述医患沟通记录的连续的S个句子中，所述目标词语的所占的比例均大于预设的比例阈值，则确定所述第一医患关系分析结果为高风险关系；其中，S为预设的正整数。
在本发明实施例的一种具体实现方式中，所述第二医患关系分析模块可以包括：
情绪度量值计算子模块，用于根据预设的情绪度量表分别计算所述医患沟通记录的各个句子的情绪度量值；
情绪波动度计算子模块，用于根据所述医患沟通记录的各个句子的情绪度量值计算所述医患沟通记录的情绪波动度；
情绪波动方向计算子模块，用于根据所述医患沟通记录的各个句子的情绪度量值计算所述医患沟通记录的情绪波动方向；
第二分析结果确定子模块，用于根据所述情绪波动度和所述情绪波动方向确定所述第二医患关系分析结果。
在本发明实施例的一种具体实现方式中，所述情绪度量值计算子模块可以包括：
分词处理单元，用于对目标句子进行分词处理，得到所述目标句子的各个分词；所述目标句子为所述医患沟通记录中的任意一个句子；
情绪度量值查询单元，用于在所述情绪度量表中分别查询所述目标句子的各个分词的情绪度量值；
情绪度量值计算单元，用于根据所述目标句子的各个分词的情绪度量值计算所述目标句子的情绪度量值。
在本发明实施例的一种具体实现方式中，所述情绪波动方向计算子模块可以包括：
计算单元，用于根据所述医患沟通记录的各个句子的情绪度量值分别计算所述医患沟通记录的第一情绪度量值和第二情绪度量值；
正向波动确定单元，用于若所述第一情绪度量值小于所述第二情绪度量值，则确定所述情绪波动方向为正向波动；
负向波动确定单元，用于若所述第一情绪度量值大于或等于所述第二情绪度量值，则确定所述情绪波动方向为负向波动。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置，模块和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
图10示出了本发明实施例提供的一种服务器的示意框图，为了便于说明，仅示出了与本发明实施例相关的部分。
在本实施例中，所述服务器10可包括：处理器100、存储器101以及存储在所述存储器101中并可在所述处理器100上运行的计算机可读指令102，例如执行上述的医患关系监控方法的计算机可读指令。所述处理器100执行所述计算机可读指令102时实现上述各个医患关系监控方法实施例中的步骤，例如图1所示的步骤S101至S105。或者，所述处理器100执行所述计算机可读指令102时实现上述各装置实施例中各模块/单元的功能，例如图9所示模块901至905的功能。
示例性的，所述计算机可读指令102可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器101中，并由所述处理器100执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机可读指令段，该指令段用于描述所述计算机可读指令102在所述服务器10中的执行过程。
所述处理器100可以是中央处理单元(Central Processing Unit，CPU)，还可以是其它通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器101可以是所述服务器10的内部存储单元，例如服务器10的硬盘或内存。所述存储器101也可以是所述服务器10的外部存储设备，例如所述服务器10上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器101还可以既包括所述服务器10的内部存储单元也包括外部存储设备。所述存储器101用于存储所述计算机可读指令以及所述服务器10所需的其它指令和数据。所述存储器101还可以用于暂时地存储已经输出或者将要输出的数据。
在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干计算机可读指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储计算机可读指令的介质。
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种医患关系监控方法，其特征在于，包括：
从预设的数据库中获取医患沟通记录，所述医患沟通记录中包括医生与患者在预设的医患交流平台上产生的沟通记录；
根据预设的Skip-gram算法对所述医患沟通记录进行词语分析，确定所述医生与所述患者之间的第一医患关系分析结果；
根据预设的情绪度量表对所述医患沟通记录进行情绪分析，确定所述医生与所述患者之间的第二医患关系分析结果；
根据所述第一医患关系分析结果和所述第二医患关系分析结果，确定所述医生与所述患者之间的综合医患关系分析结果；
当所述综合医患关系分析结果满足预设的告警条件时，向指定的终端设备发送告警消息。
2.根据权利要求1所述的医患关系监控方法，其特征在于，所述根据预设的Skip-gram算法对所述医患沟通记录进行词语分析，确定所述医生与所述患者之间的第一医患关系分析结果，包括：
查询所述医患沟通记录中的目标词语，所述目标词语为使用Skip-gram算法分析得到的与预设的悲观词对应的词语；
计算所述目标词语在所述医患沟通记录的各个句子中所占的比例；
根据所述目标词语在所述医患沟通记录的各个句子中所占的比例确定所述第一医患关系分析结果。
3.根据权利要求2所述的医患关系监控方法，其特征在于，在查询所述医患沟通记录中的目标词语之前，还包括：
分别构建沟通语料库以及悲观词库；其中，所述沟通语料库中包括各条历史沟通记录，所述悲观词库中包括各个悲观词；
使用Skip-gram算法对所述沟通语料库中的各条历史沟通记录进行上下文分析，确定与所述悲观词库中的各个悲观词对应的目标词语。
4.根据权利要求2或3所述的医患关系监控方法，其特征在于，所述根据所述目标词语在所述医患沟通记录的各个句子中所占的比例确定所述第一医患关系分析结果，包括：
若在所述医患沟通记录的连续的S个句子中，所述目标词语的所占的比例均大于预设的比例阈值，则确定所述第一医患关系分析结果为高风险关系；其中，S为预设的正整数。
5.根据权利要求1所述的医患关系监控方法，其特征在于，所述根据预设的情绪度量表对所述医患沟通记录进行情绪分析，确定所述医生与所述患者之间的第二医患关系分析结果，包括：
根据预设的情绪度量表分别计算所述医患沟通记录的各个句子的情绪度量值；
根据所述医患沟通记录的各个句子的情绪度量值计算所述医患沟通记录的情绪波动度；
根据所述医患沟通记录的各个句子的情绪度量值计算所述医患沟通记录的情绪波动方向；
根据所述情绪波动度和所述情绪波动方向确定所述第二医患关系分析结果。
6.根据权利要求5所述的医患关系监控方法，其特征在于，所述根据预设的情绪度量表分别计算所述医患沟通记录的各个句子的情绪度量值，包括：
对目标句子进行分词处理，得到所述目标句子的各个分词；所述目标句子为所述医患沟通记录中的任意一个句子；
在所述情绪度量表中分别查询所述目标句子的各个分词的情绪度量值；
根据所述目标句子的各个分词的情绪度量值计算所述目标句子的情绪度量值。
7.根据权利要求5或6所述的医患关系监控方法，其特征在于，所述根据所述医患沟通记录的各个句子的情绪度量值计算所述医患沟通记录的情绪波动方向，包括：
根据所述医患沟通记录的各个句子的情绪度量值分别计算所述医患沟通记录的第一情绪度量值和第二情绪度量值；
若所述第一情绪度量值小于所述第二情绪度量值，则确定所述情绪波动方向为正向波动；
若所述第一情绪度量值大于或等于所述第二情绪度量值，则确定所述情绪波动方向为负向波动。
8.一种医患关系监控装置，其特征在于，包括：
医患沟通记录获取模块，用于从预设的数据库中获取医患沟通记录，所述医患沟通记录中包括医生与患者在预设的医患交流平台上产生的沟通记录；
第一医患关系分析模块，用于根据预设的Skip-gram算法对所述医患沟通记录进行词语分析，确定所述医生与所述患者之间的第一医患关系分析结果；
第二医患关系分析模块，用于根据预设的情绪度量表对所述医患沟通记录进行情绪分析，确定所述医生与所述患者之间的第二医患关系分析结果；
综合医患关系分析模块，用于根据所述第一医患关系分析结果和所述第二医患关系分析结果，确定所述医生与所述患者之间的综合医患关系分析结果；
告警消息发送模块，用于当所述综合医患关系分析结果满足预设的告警条件时，向指定的终端设备发送告警消息。
9.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可读指令，其特征在于，所述计算机可读指令被处理器执行时实现如权利要求1至7中任一项所述的医患关系监控方法的步骤。
10.一种服务器，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机可读指令，其特征在于，所述处理器执行所述计算机可读指令时实现如权利要求1至7中任一项所述的医患关系监控方法的步骤。
CN202110977314.7A 2021-08-24 2021-08-24 医患关系监控方法、装置、计算机可读存储介质及服务器 Pending CN113657108A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110977314.7A CN113657108A (zh) 2021-08-24 2021-08-24 医患关系监控方法、装置、计算机可读存储介质及服务器

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110977314.7A CN113657108A (zh) 2021-08-24 2021-08-24 医患关系监控方法、装置、计算机可读存储介质及服务器

Publications (1)

Publication Number Publication Date
CN113657108A true CN113657108A (zh) 2021-11-16

Family

ID=78492775

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110977314.7A Pending CN113657108A (zh) 2021-08-24 2021-08-24 医患关系监控方法、装置、计算机可读存储介质及服务器

Country Status (1)

Country Link
CN (1) CN113657108A (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108648831A (zh) * 2018-05-11 2018-10-12 贵州大学 一种医患沟通辅助平台及其交互方法
CN109325119A (zh) * 2018-09-05 2019-02-12 平安科技（深圳）有限公司 新闻情感分析的方法、装置、计算机设备和存储介质
CN110263326A (zh) * 2019-05-21 2019-09-20 平安科技（深圳）有限公司 一种用户行为预测方法、预测装置、存储介质及终端设备
CN111739559A (zh) * 2020-05-07 2020-10-02 北京捷通华声科技股份有限公司 一种话语预警方法、装置、设备及存储介质
CN112035634A (zh) * 2020-08-28 2020-12-04 康键信息技术（深圳）有限公司 文本情绪检测方法、装置、设备及存储介质
CN112732946A (zh) * 2019-10-12 2021-04-30 四川医枢科技股份有限公司 一种医学文献的模块化数据分析和数据库建立方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108648831A (zh) * 2018-05-11 2018-10-12 贵州大学 一种医患沟通辅助平台及其交互方法
CN109325119A (zh) * 2018-09-05 2019-02-12 平安科技（深圳）有限公司 新闻情感分析的方法、装置、计算机设备和存储介质
CN110263326A (zh) * 2019-05-21 2019-09-20 平安科技（深圳）有限公司 一种用户行为预测方法、预测装置、存储介质及终端设备
CN112732946A (zh) * 2019-10-12 2021-04-30 四川医枢科技股份有限公司 一种医学文献的模块化数据分析和数据库建立方法
CN111739559A (zh) * 2020-05-07 2020-10-02 北京捷通华声科技股份有限公司 一种话语预警方法、装置、设备及存储介质
CN112035634A (zh) * 2020-08-28 2020-12-04 康键信息技术（深圳）有限公司 文本情绪检测方法、装置、设备及存储介质

Similar Documents

Publication Publication Date Title
CN110263324B (zh) 文本处理方法、模型训练方法和装置
CN111292848B (zh) 一种基于贝叶斯估计的医疗知识图谱辅助推理方法
CN110427461B (zh) 智能问答信息处理方法、电子设备及计算机可读存储介质
CN109992773B (zh) 基于多任务学习的词向量训练方法、系统、设备及介质
WO2023029506A1 (zh) 病情分析方法、装置、电子设备及存储介质
CN110427486B (zh) 身体病况文本的分类方法、装置及设备
CN111694940A (zh) 一种用户报告的生成方法及终端设备
CN112257449A (zh) 命名实体识别方法、装置、计算机设备和存储介质
CN109119160B (zh) 多重推理方式的专家分诊系统及其方法
CN113094477B (zh) 数据结构化方法、装置、计算机设备及存储介质
CN116010586A (zh) 一种健康建议的生成方法、装置、设备及存储介质
CN112037909A (zh) 诊断信息复核系统
CN112035662A (zh) 文本处理方法、装置、计算机设备以及存储介质
CN115730590A (zh) 意图识别方法以及相关设备
CN114298314A (zh) 一种基于电子病历的多粒度因果关系推理方法
CN112035627B (zh) 自动问答方法、装置、设备及存储介质
CN111339252B (zh) 一种搜索方法、装置及存储介质
CN113761192A (zh) 文本处理方法、文本处理装置及文本处理设备
CN112668481A (zh) 一种遥感图像语义抽取方法
WO2023137918A1 (zh) 文本数据的分析方法、模型训练方法、装置及计算机设备
EP4361843A1 (en) Neural network searching method and related device
CN116468043A (zh) 嵌套实体识别方法、装置、设备及存储介质
CN115759073A (zh) 一种医疗检查预训练模型构建方法及识别方法
CN113657108A (zh) 医患关系监控方法、装置、计算机可读存储介质及服务器
CN116434976A (zh) 一种融合多源知识图谱的药物重定位方法和系统

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
TA01 Transfer of patent application right

Effective date of registration: 20220928

Address after: Room 2601 (Unit 07), Qianhai Free Trade Building, No. 3048, Xinghai Avenue, Nanshan Street, Qianhai Shenzhen-Hong Kong Cooperation Zone, Shenzhen, Guangdong 518000

Applicant after: Shenzhen Ping An Smart Healthcare Technology Co.,Ltd.

Address before: 1-34 / F, Qianhai free trade building, 3048 Xinghai Avenue, Mawan, Qianhai Shenzhen Hong Kong cooperation zone, Shenzhen, Guangdong 518000

Applicant before: Ping An International Smart City Technology Co.,Ltd.

TA01 Transfer of patent application right