CN113689943A - 基于人工智能的就诊医院推荐方法、装置、设备及介质 - Google Patents

基于人工智能的就诊医院推荐方法、装置、设备及介质 Download PDF

Info

Publication number
CN113689943A
CN113689943A CN202110977377.2A CN202110977377A CN113689943A CN 113689943 A CN113689943 A CN 113689943A CN 202110977377 A CN202110977377 A CN 202110977377A CN 113689943 A CN113689943 A CN 113689943A
Authority
CN
China
Prior art keywords
hospital
data
recommendation
community
target
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
CN202110977377.2A
Other languages
English (en)
Other versions
CN113689943B (zh
Inventor
袁锭超
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 CN202110977377.2A priority Critical patent/CN113689943B/zh
Publication of CN113689943A publication Critical patent/CN113689943A/zh
Application granted granted Critical
Publication of CN113689943B publication Critical patent/CN113689943B/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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • 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
    • 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)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Public Health (AREA)
  • Business, Economics & Management (AREA)
  • General Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

本申请涉及数字医疗技术领域，揭示了一种基于人工智能的就诊医院推荐方法、装置、设备及介质，其中方法包括：当目标医院转诊标识为社区时，根据推荐日期和病种及等级预测结果得到待筛选的社区医院数据集；根据目标患者基本信息和待筛选的社区医院数据集得到第一就诊医院推荐结果；当目标医院转诊标识为市级或第一就诊医院推荐结果的推荐结果为失败时，根据推荐日期和病种及等级预测结果得到待筛选的市级医院数据集；根据目标患者基本信息和待筛选的市级医院数据集得到第二就诊医院推荐结果。实现了自动化的医院推荐，避免了患者自己主观选择医院就医，通过目标医院转诊标识将患者首先分流到社区医院，在社区医院无法接诊时再分流到市级医院。

Description

基于人工智能的就诊医院推荐方法、装置、设备及介质
技术领域
本申请涉及到数字医疗技术领域，特别是涉及到一种基于人工智能的就诊医院推荐方法、装置、设备及介质。
背景技术
现有的医疗挂号系统列出所有医院由患者自己选择医院就医，很多患者有小疾病也喜欢去市级医院就诊，使社区医院就诊任务较少导致医疗资源浪费，而市级医院就诊人数较多及排队严重导致医疗资源紧缺，使市级医院和专家医院无法集中医疗资源医治重大疾病患者，导致看病难。
发明内容
本申请的主要目的为提供一种基于人工智能的就诊医院推荐方法、装置、设备及介质，旨在解决现有技术通过列出所有医院由患者自己选择医院就医，使社区医院就诊任务较少导致医疗资源浪费，而市级医院就诊人数较多及排队严重导致医疗资源紧缺的技术问题。
为了实现上述发明目的，本申请提出一种基于人工智能的就诊医院推荐方法，所述方法包括：
获取就诊医院推荐请求，所述就诊医院推荐请求携带有推荐日期、病种及等级预测结果、目标医院转诊标识和目标患者基本信息；
当所述目标医院转诊标识为社区时，获取社区医院数据库，根据所述推荐日期和所述病种及等级预测结果，从所述社区医院数据库中获取社区医院数据，得到待筛选的社区医院数据集；
根据所述目标患者基本信息和所述待筛选的社区医院数据集进行社区医院推荐，得到第一就诊医院推荐结果；
当所述目标医院转诊标识为市级，或，所述第一就诊医院推荐结果的推荐结果为失败时，获取市级医院数据库；
根据所述推荐日期和所述病种及等级预测结果，从所述市级医院数据库中获取市级医院数据，得到待筛选的市级医院数据集；
根据所述目标患者基本信息和所述待筛选的市级医院数据集进行市级医院推荐，得到第二就诊医院推荐结果。
本申请还提出了一种基于人工智能的就诊医院推荐装置，所述装置包括：
请求获取模块，用于获取就诊医院推荐请求，所述就诊医院推荐请求携带有推荐日期、病种及等级预测结果、目标医院转诊标识和目标患者基本信息；
待筛选的社区医院数据集确定模块，用于当所述目标医院转诊标识为社区时，获取社区医院数据库，根据所述推荐日期和所述病种及等级预测结果，从所述社区医院数据库中获取社区医院数据，得到待筛选的社区医院数据集；
第一就诊医院推荐结果确定模块，用于根据所述目标患者基本信息和所述待筛选的社区医院数据集进行社区医院推荐，得到第一就诊医院推荐结果；
市级医院数据库获取模块，用于当所述目标医院转诊标识为市级，或，所述第一就诊医院推荐结果的推荐结果为失败时，获取市级医院数据库；
待筛选的市级医院数据集确定模块，用于根据所述推荐日期和所述病种及等级预测结果，从所述市级医院数据库中获取市级医院数据，得到待筛选的市级医院数据集；
第二就诊医院推荐结果确定模块，用于根据所述目标患者基本信息和所述待筛选的市级医院数据集进行市级医院推荐，得到第二就诊医院推荐结果。
本申请还提出了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述任一项所述方法的步骤。
本申请还提出了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项所述的方法的步骤。
本申请的基于人工智能的就诊医院推荐方法、装置、设备及介质，其中方法首先通过获取就诊医院推荐请求，所述就诊医院推荐请求携带有推荐日期、病种及等级预测结果、目标医院转诊标识和目标患者基本信息，然后当所述目标医院转诊标识为社区时，根据所述推荐日期和所述病种及等级预测结果，从所述社区医院数据库中获取社区医院数据，得到待筛选的社区医院数据集，根据所述目标患者基本信息和所述待筛选的社区医院数据集进行社区医院推荐，得到第一就诊医院推荐结果，最后当所述目标医院转诊标识为市级，或，所述第一就诊医院推荐结果的推荐结果为失败时，根据所述推荐日期和所述病种及等级预测结果，从所述市级医院数据库中获取市级医院数据，得到待筛选的市级医院数据集，根据所述目标患者基本信息和所述待筛选的市级医院数据集进行市级医院推荐，得到第二就诊医院推荐结果，从而实现了通过推荐日期、病种及等级预测结果、目标医院转诊标识进行自动化的医院推荐，避免了患者自己主观选择医院就医，通过目标医院转诊标识将患者首先分流到社区医院，在社区医院无法接诊时再分流到市级医院，有利于合理分配社区医院的医疗资源和市级医院的医疗资源，避免了社区医院的医疗资源的浪费，也避免了市级医院的医疗资源的紧缺。
附图说明
图1为本申请一实施例的基于人工智能的就诊医院推荐方法的流程示意图；
图2为本申请一实施例的基于人工智能的就诊医院推荐装置的结构示意框图；
图3为本申请一实施例的计算机设备的结构示意框图。
本申请目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
参照图1，本申请实施例中提供一种基于人工智能的就诊医院推荐方法，所述方法包括：
S1：获取就诊医院推荐请求，所述就诊医院推荐请求携带有推荐日期、病种及等级预测结果、目标医院转诊标识和目标患者基本信息；
S2：当所述目标医院转诊标识为社区时，获取社区医院数据库，根据所述推荐日期和所述病种及等级预测结果，从所述社区医院数据库中获取社区医院数据，得到待筛选的社区医院数据集；
S3：根据所述目标患者基本信息和所述待筛选的社区医院数据集进行社区医院推荐，得到第一就诊医院推荐结果；
S4：当所述目标医院转诊标识为市级，或，所述第一就诊医院推荐结果的推荐结果为失败时，获取市级医院数据库；
S5：根据所述推荐日期和所述病种及等级预测结果，从所述市级医院数据库中获取市级医院数据，得到待筛选的市级医院数据集；
S6：根据所述目标患者基本信息和所述待筛选的市级医院数据集进行市级医院推荐，得到第二就诊医院推荐结果。
本实施例首先通过获取就诊医院推荐请求，所述就诊医院推荐请求携带有推荐日期、病种及等级预测结果、目标医院转诊标识和目标患者基本信息，然后当所述目标医院转诊标识为社区时，根据所述推荐日期和所述病种及等级预测结果，从所述社区医院数据库中获取社区医院数据，得到待筛选的社区医院数据集，根据所述目标患者基本信息和所述待筛选的社区医院数据集进行社区医院推荐，得到第一就诊医院推荐结果，最后当所述目标医院转诊标识为市级，或，所述第一就诊医院推荐结果的推荐结果为失败时，根据所述推荐日期和所述病种及等级预测结果，从所述市级医院数据库中获取市级医院数据，得到待筛选的市级医院数据集，根据所述目标患者基本信息和所述待筛选的市级医院数据集进行市级医院推荐，得到第二就诊医院推荐结果，从而实现了通过推荐日期、病种及等级预测结果、目标医院转诊标识进行自动化的医院推荐，避免了患者自己主观选择医院就医，通过目标医院转诊标识将患者首先分流到社区医院，在社区医院无法接诊时再分流到市级医院，有利于合理分配社区医院的医疗资源和市级医院的医疗资源，避免了社区医院的医疗资源的浪费，也避免了市级医院的医疗资源的紧缺。
对于S1，可以获取用户输入的就诊医院推荐请求，也可以获取第三方应用系统发送的就诊医院推荐请求。
就诊医院推荐请求，是对患者进行就诊医院推荐的请求。
推荐日期，是一个具体日期。可以理解的是，在每个所述就诊医院推荐请求中推荐日期的数量可以为一个，也可以为多个。
病种及等级预测结果包括：各个病种及等级的概率的预测结果。也就是说，病种及等级作为预测标签。比如，病种A等级一作为一个预测标签，病种A等级二作为一个预测标签，病种B等级一作为一个预测标签，病种B等级二作为一个预测标签，病种B等级三作为一个预测标签，在此举例不做具体限定。
目标医院转诊标识，也就是就诊医院推荐请求对应的患者在病种及等级预测结果的医院转诊标识。
医院转诊标识包括：社区、市级、专家中任一个。医院转诊标识，可以是社区医院的医生设置的，也可以是市级医院的医生设置的，还可以是专家医院的医生设置的。可以理解的是，对于一个患者的每个新的患者自述病例数据对应的医院转诊标识设置为默认医院转诊标识。默认医院转诊标识可以从默认医院转诊标识列表中获取。默认医院转诊标识库包括：病种及等级和默认医院转诊标识。默认医院转诊标识，也就是医院转诊标识。
目标患者基本信息，也就是就诊医院推荐请求对应的患者的患者基本信息。患者基本信息包括但不限于：患者标识、患者姓名、患者出生日期、患者联系方式、患者家庭住址。患者标识可以是患者ID、患者身份证号码、患者医保号码等唯一标识一个患者的数据。
对于S2，当所述目标医院转诊标识为社区时，意味着没有医生推荐进行市级医院治疗，因此需要进行社区医院推荐；从所述社区医院数据库中，获取在所述推荐日期能提供所述病种及等级预测结果对应的治疗服务的社区医院数据，将获取的各个社区医院数据作为待筛选的社区医院数据集。
其中，可以从数据库中获取社区医院数据库，也可以从第三方应用系统中获取社区医院数据库。
社区医院数据库包括但不限于：社区医院标识和社区医院数据。社区医院数据包括：剩余接诊人数比例数据、治疗率数据、医生资源数据、医疗设备数据、医院地址。剩余接诊人数比例数据包括：日期、病种和剩余接诊人数比例，每个病种对应一个剩余接诊人数比例，剩余接诊人数比例是病种对应的剩余接诊人数除以病种对应的接诊总人数。治疗率数据包括：病种和治疗率，每个病种对应一个治疗率。医生资源数据包括：日期、病种和医生数量。医疗设备数据包括：日期、病种和医疗设备数量。社区医院标识可以是社区医院名称、社区医院ID等唯一标识一个社区医院的数据。
对于S3，根据所述目标患者基本信息和所述待筛选的社区医院数据集进行加权评分，根据加权评分结果进行社区医院推荐，得到第一就诊医院推荐结果。
可以理解的是，第一就诊医院推荐结果包括：推荐结果和推荐社区医院标识。当第一就诊医院推荐结果的推荐结果为成功时，第一就诊医院推荐结果的推荐社区医院标识中存在社区医院标识；当第一就诊医院推荐结果的推荐结果为失败时，第一就诊医院推荐结果的推荐社区医院标识中不存在社区医院标识。
对于S4，当所述目标医院转诊标识为市级，意味着所述目标患者基本信息对应的患者在所述病种及等级预测结果对应的病种已经被医生确诊为需要市级医院治疗，因此获取市级医院数据库，以用于进行市级医院推荐；当所述第一就诊医院推荐结果的推荐结果为失败时，意味着没有合适的社区医院可以为所述目标患者基本信息对应的患者在所述病种及等级预测结果对应的病种提供治疗服务，因此获取市级医院数据库，以用于进行市级医院推荐。
市级医院数据库包括但不限于：市级医院标识和市级医院数据。市级医院数据包括：剩余接诊人数比例数据、治疗率数据、医生资源数据、医疗设备数据、医院地址。市级医院标识可以是市级医院名称、市级医院ID等唯一标识一个市级医院的数据。
对于S5，从所述市级医院数据库中，获取在所述推荐日期能提供所述病种及等级预测结果对应的治疗服务的市级医院数据，将获取的各个市级医院数据作为待筛选的市级医院数据集。
可选的，所述根据所述推荐日期和所述病种及等级预测结果，从所述市级医院数据库中获取市级医院数据，得到待筛选的市级医院数据集的步骤，包括：获取目标概率阈值，根据所述病种及等级预测结果中的大于所述目标概率阈值的每个概率对应的病种及等级确定待分析病种；根据所述待分析病种，从所述市级医院数据库中的剩余接诊人数比例数据的各个病种中进行查找，将在所述市级医院数据库中查找到的各个所述病种各自对应的所述市级医院数据作为待处理的市级医院数据集；根据所述推荐日期和所述待分析病种，从所述待处理的市级医院数据集中获取剩余接诊人数比例，得到待分析的剩余接诊人数比例集；将所述待分析的剩余接诊人数比例集中的不等于0的各个所述剩余接诊人数比例各自对应的所述市级医院数据，作为所述待筛选的市级医院数据集。
对于S6，根据所述目标患者基本信息和所述待筛选的市级医院数据集进行加权评分，根据加权评分结果进行市级医院推荐，得到第二就诊医院推荐结果。
可以理解的是，第二就诊医院推荐结果包括：推荐结果和推荐市级医院标识。当第二就诊医院推荐结果的推荐结果为成功时，第二就诊医院推荐结果的推荐市级医院标识中存在市级医院标识；当第二就诊医院推荐结果的推荐结果为失败时，第二就诊医院推荐结果的推荐市级医院标识中不存在市级医院标识。
在一个实施例中，上述获取就诊医院推荐请求的步骤，包括：
S11：获取就医请求，所述就医请求携带有目标患者标识；
S12：从患者数据库中获取所述目标患者标识对应的患者病历数据，作为目标患者病历数据；
S13：根据所述目标患者病历数据进行病种及等级预测，得到所述病种及等级预测结果；
S14：从所述患者数据库中获取与所述目标患者标识对应的患者基本信息，作为所述目标患者基本信息；
S15：获取所述推荐日期和与所述目标患者标识及所述病种及等级预测结果对应的所述目标医院转诊标识；
S16：根据所述推荐日期、所述病种及等级预测结果、所述目标患者基本信息和所述目标医院转诊标识生成所述就诊医院推荐请求。
本实施例实现了根据就医请求，获取所述推荐日期、所述病种及等级预测结果、所述目标患者基本信息和所述目标医院转诊标识生成所述就诊医院推荐请求，为自动化进行就诊医院推荐提供了基础。
对于S11，可以获取用户输入的就医请求，也可以获取第三方应用系统发送的就医请求。
就医请求，是在申请就医的请求。
目标患者标识，是想要进行就医的患者的患者标识。
对于S12，将所述目标患者标识在所述患者数据库中进行查找，将在患者数据库中查找到的患者标识对应的患者病历数据作为目标患者病历数据。
患者数据库包括：患者标识、患者病历数据和患者基本信息。
患者病历数据包括但不限于：患者自述病例数据、医生诊断数据。患者自述病例数据是患者自己填写的患病情况。患者自述病例数据包括：更新日期、自述病例数据。医生诊断数据包括但不限于：诊断日期、病种及等级数据、医生标识、医院标识、医院转诊标识。病种及等级数据是病种与等级的关联数据，比如，病种A等级一。医生标识可以是医生名称、医生ID等唯一标识一个医生的数据。医院标识可以是社区医院标识，也可以是市级医院标识。
对于S13，根据所述目标患者病历数据，对所述目标患者标识对应的患者进行病种及等级预测，得到所述病种及等级预测结果。
可选的，将所述目标患者病历数据输入预设的病种及等级分类模型进行病种及等级预测，获取预设的病种及等级分类模型输出的病种及等级预测数据作为所述病种及等级预测结果，其中，预设的病种及等级分类模型是基于XGBoost模型训练得到的模型。
基于XGBoost模型训练得到预设的病种及等级分类模型的方法步骤在此不做赘述。
XGBoost，Extreme Gradient Boosting。
对于S14，将所述目标患者标识在患者数据库中进行查找，将在所述患者数据库中查找到的患者基本信息作为所述目标患者基本信息。
对于S15，可以获取用户输入的所述推荐日期，也可以是实现本申请的程序根据预设条件生成的所述推荐日期。比如，将从就医请求的生成时间之日起，七日内的每一天作为一个所述推荐日期，在此举例不做具体限定。
其中，将所述病种及等级预测结果在患者病历数据中的与所述目标患者标识对应的医生诊断数据中进行查找，将在医生诊断数据中查找到的病种及等级数据对应的医院转诊标识作为所述目标医院转诊标识。
对于S16，将根据所述推荐日期、所述病种及等级预测结果、所述目标患者基本信息和所述目标医院转诊标识作为请求的参数，生成所述就诊医院推荐请求。
在一个实施例中，上述根据所述目标患者病历数据进行病种及等级预测，得到所述病种及等级预测结果的步骤，包括：
S131：从所述目标患者病历数据中获取更新日期最晚的患者自述病例数据，作为待分析的患者自述病例数据；
S132：判断所述待分析的患者自述病例数据对应的医生诊断数据中是否存在病种及等级数据；
S133：当存在所述病种及等级数据时，根据所述待分析的患者自述病例数据对应的所述医生诊断数据确定所述病种及等级预测结果；
S134：当不存在所述病种及等级数据时，获取病种及等级库，对所述病种及等级库中的每个病历数据与所述待分析的患者自述病例数据的自述病例数据之间进行相似度计算，得到相似度集合；
S135：从所述相似度集合获取最大值的相似度，得到目标相似度；
S136：将所述目标相似度对应的所述病历数据作为目标病历数据；
S137：将所述目标病历数据在所述病种及等级库中对应的病种及等级数据作为所述病种及等级预测结果。
本实施例实现了基于相似度进行病种及等级预测，为准确的进行就诊医院推荐提供了基础。
对于S131，从所述目标患者病历数据中获取更新日期最晚的患者自述病例数据，将获取的患者自述病例数据作为待分析的患者自述病例数据。
对于S132，判断所述待分析的患者自述病例数据对应的医生诊断数据中是否存在病种及等级数据；当所述待分析的患者自述病例数据对应的医生诊断数据中存在病种及等级数据，意味着已经有医生针对所述待分析的患者自述病例数据进行病种及等级诊断；当所述待分析的患者自述病例数据对应的医生诊断数据中不存在病种及等级数据，意味着没有医生针对所述待分析的患者自述病例数据进行病种及等级诊断。
对于S133，当存在所述病种及等级数据时，意味着已经有医生针对所述待分析的患者自述病例数据进行病种及等级诊断，因此，将与所述病种及等级数据对应的预测标签作为目标预测标签，将所述病种及等级预测结果中与所述目标预测标签对应的概率设置为1。
对于S134，当不存在所述病种及等级数据时，意味着没有医生针对所述待分析的患者自述病例数据进行病种及等级诊断，可以从数据库中获取病种及等级库，也可以从第三方应用系统中获取病种及等级库。
其中，采用余弦相似度算法，对所述病种及等级库中的每个病历数据与所述目标患者病历数据之间进行相似度计算，将计算得到的各个相似度作为相似度集合。也就是说，相似度集合中的相似度的数量与所述病种及等级库中的病历数据的数量相同。
所述病种及等级库包括：病历数据和病种及等级数据。
对于S135，从所述相似度集合获取最大值的相似度，将获取的最大值作为目标相似度。
对于S136，将所述目标相似度对应的所述病历数据作为目标病历数据，从而找到了所述病种及等级库中与所述目标患者病历数据最接近的病历数据。
对于S137，将所述目标病历数据在所述病种及等级库中对应的病种及等级数据作为所述病种及等级预测结果，从而实现了基于相似度进行病种及等级的预测，为准确的进行就诊医院推荐提供了基础。
在一个实施例中，上述根据所述推荐日期和所述病种及等级预测结果，从所述社区医院数据库中获取社区医院数据，得到待筛选的社区医院数据集的步骤，包括：
S21：获取预设概率阈值，根据所述病种及等级预测结果中的大于所述预设概率阈值的每个概率对应的病种及等级确定目标病种；
S22：根据所述目标病种，从所述社区医院数据库中的剩余接诊人数比例数据的各个病种中进行查找，将在所述社区医院数据库中查找到的所述病种对应的各个所述社区医院数据作为待处理的社区医院数据集；
S23：根据所述推荐日期和所述目标病种，从所述待处理的社区医院数据集中获取剩余接诊人数比例，得到待处理的剩余接诊人数比例集；
S24：将所述待处理的剩余接诊人数比例集中的不等于0的各个所述剩余接诊人数比例各自对应的所述社区医院数据，作为所述待筛选的社区医院数据集。
本实施例通过根据所述推荐日期和所述病种及等级预测结果，从所述社区医院数据库中获取社区医院数据，为进行准确的社区医院推荐提供了基础。
对于S21，可以从数据库中获取预设概率阈值，也可以从第三方应用系统中获取预设概率阈值。预设概率阈值是一个0-1的数值，不包括0，可以包括1。
其中，将所述病种及等级预测结果对应的向量中的大于所述预设概率阈值的每个概率对应的病种及等级作为一个目标病种及等级，将目标病种及等级对应的病种作为目标病种。
对于S22，根据所述目标病种，从所述社区医院数据库中的剩余接诊人数比例数据的各个病种中进行查找，将在所述社区医院数据库的剩余接诊人数比例数据中查找到的所述病种对应的所述社区医院数据，从而找到了可以提供目标病种的治疗服务的社区医院对应的社区医院数据。
对于S23，将所述推荐日期和所述目标病种作为关联数据，从所述待处理的社区医院数据集中获取剩余接诊人数比例，将获取的各个剩余接诊人数比例作为待处理的剩余接诊人数比例集，从而找到了在推荐日期可以提供目标病种的治疗服务的剩余接诊人数比例。
对于S24，将所述待处理的剩余接诊人数比例集中的不等于0的各个所述剩余接诊人数比例各自对应的所述社区医院数据作为所述待筛选的社区医院数据集，从而找到了在推荐日期可以提供目标病种的治疗服务的可接诊人数不为0的社区医院数据。
在一个实施例中，上述根据所述目标患者基本信息和所述待筛选的社区医院数据集进行社区医院推荐，得到第一就诊医院推荐结果的步骤，包括：
S31：对所述待筛选的社区医院数据集中的每个所述社区医院数据的医院地址与所述目标患者基本信息的患者家庭住址之间进行最短路径的长度计算，得到第一就医距离集；
S32：采用预设社区医院数据评分规则，对所述第一就医距离集中的各个就医距离进行评分，得到第一评分集；
S33：采用所述预设社区医院数据评分规则，对所述待筛选的社区医院数据集中的各个剩余接诊人数比例数据、各个治疗率数据、各个医生资源数据及各个医疗设备数据进行分类评分，得到第二评分集；
S34：采用预设社区加权评分规则，根据所述第一评分集和所述第二评分集，对每个所述社区医院数据进行加权评分，得到社区医院评分集；
S35：采用预设社区医院推荐数量，从所述社区医院评分集中获取社区医院评分，得到第一目标评分集；
S36：根据所述第一目标评分集和所述待筛选的社区医院数据集生成所述第一就诊医院推荐结果。
本实施例通过根据社区医院的就医距离对应的评分和社区医院数据对应的分类评分进行加权评分得到第一目标评分集，根据第一目标评分集和待筛选的社区医院数据集生成第一就诊医院推荐结果，从而实现了准确的社区医院的推荐，实现了自动将患者首先分流到社区医院，避免了社区医院的医疗资源的浪费。
对于S31，采用最短路径规划算法，对所述待筛选的社区医院数据集中的每个所述社区医院数据的医院地址与所述目标患者基本信息的患者家庭住址之间分别进行路径规划、路径长度计算和最短路径的长度选择，将计算得到的每个最短路径的长度作为一个第一就医距离，将各个第一就医距离作为第一就医距离集。也就是说，第一就医距离与所述待筛选的社区医院数据集中的所述社区医院数据一一对应。
对于S32，预设社区医院数据评分规则包括：距离范围和距离评分，其中，每个距离范围对应一个距离评分，距离范围包括：距离开始值和距离结束值。
其中，将所述第一就医距离集中的各个第一就医距离在预设社区医院数据评分规则的各个距离范围中匹配，将匹配到的每个距离范围对应的距离评分作为第一评分，将各个第一评分作为第一评分集。
对于S33，预设社区医院数据评分规则包括：数据类型、数据范围和分类评分，其中，数据范围包括：数据开始值和数据结束值，数据类型包括：剩余接诊人数比例、治疗率、医生资源、医疗设备。
其中，将对所述待筛选的社区医院数据集中的各个剩余接诊人数比例数据，在预设社区医院数据评分规则对应的数据类型为剩余接诊人数比例的各个数据范围中匹配，将匹配到的每个数据范围对应的分类评分作为一个第二评分；将对所述待筛选的社区医院数据集中的各个治疗率数据，在预设社区医院数据评分规则对应的数据类型为治疗率的各个数据范围中匹配，将匹配到的每个数据范围对应的分类评分作为一个第二评分；将对所述待筛选的社区医院数据集中的各个医生资源数据，在预设社区医院数据评分规则对应的数据类型为医生资源的各个数据范围中匹配，将匹配到的每个数据范围对应的分类评分作为一个第二评分；将对所述待筛选的社区医院数据集中的各个医疗设备数据，在预设社区医院数据评分规则对应的数据类型为医疗设备的各个数据范围中匹配，将匹配到的每个数据范围对应的分类评分作为一个第二评分；将各个第二评分作为第二评分集。
对于S34，采用预设社区加权评分规则，将同一所述社区医院数据对应的第一评分和各个第二评分进行加权评分，将加权评分得到的数据作为一个社区医院评分，将各个社区医院评分作为社区医院评分集。
对于S35，将所述社区医院评分集中的社区医院评分进行倒序排序，得到排序后的社区医院评分集；从所述排序后的社区医院评分集的开头开始获取数量与预设社区医院推荐数量相同的社区医院评分，将获取的各个社区医院评分作为第一目标评分集。也就是说，第一目标评分集中的第一目标评分的数量小于或等于预设社区医院推荐数量。
对于S36，采用预设的就诊医院推荐模板，根据所述第一目标评分集中的每个第一目标评分，从所述待筛选的社区医院数据集中获取数据生成就诊医院推荐结果，将生成的就诊医院推荐结果作为所述第一就诊医院推荐结果。也就是说，所述第一就诊医院推荐结果中可以包括0个社区医院的推荐数据，也可以是1个社区医院的推荐数据，还可以是多个社区医院的推荐数据。
在一个实施例中，上述根据所述目标患者基本信息和所述待筛选的市级医院数据集进行市级医院推荐，得到第二就诊医院推荐结果的步骤，包括：
S61：对所述待筛选的市级医院数据集中的每个所述市级医院数据的医院地址与所述目标患者基本信息的患者家庭住址之间进行最短路径的长度计算，得到第二就医距离集；
S62：采用预设市级医院数据评分规则，对所述第二就医距离集中的各个就医距离进行评分，得到第三评分集；
S63：采用所述预设市级医院数据评分规则，对所述待筛选的市级医院数据集中的各个剩余接诊人数比例数据、各个治疗率数据、各个医生资源数据及各个医疗设备数据进行分类评分，得到第四评分集；
S64：采用预设市级加权评分规则，根据所述第三评分集和所述第四评分集，对每个所述市级医院数据进行加权评分，得到市级医院评分集；
S65：采用预设市级医院推荐数量，从所述市级医院评分集中获取市级医院评分，得到第二目标评分集；
S66：根据所述第二目标评分集和所述待筛选的市级医院数据集生成所述第二就诊医院推荐结果。
本实施例通过根据市级医院的就医距离对应的评分和市级医院数据对应的分类评分进行加权评分得到第二目标评分集，根据第二目标评分集和待筛选的市级医院数据集生成第二就诊医院推荐结果，从而实现了准确的市级医院的推荐，在社区医院无法接诊时再分流到市级医院，有利于合理分配市级医院的医疗资源，避免了市级医院的医疗资源的紧缺。
对于S61，采用最短路径规划算法，对所述待筛选的市级医院数据集中的每个所述市级医院数据的医院地址与所述目标患者基本信息的患者家庭住址之间分别进行路径规划、路径长度计算和最短路径的长度选择，将计算得到的每个最短路径的长度作为一个第二就医距离，将各个第二就医距离作为第二就医距离集。也就是说，第二就医距离与所述待筛选的市级医院数据集中的所述市级医院数据一一对应。
对于S62，预设市级医院数据评分规则包括：距离范围和距离评分，其中，每个距离范围对应一个距离评分，距离范围包括：距离开始值和距离结束值。
其中，将所述第二就医距离集中的各个第二就医距离在预设市级医院数据评分规则的各个距离范围中匹配，将匹配到的每个距离范围对应的距离评分作为第三评分，将各个第三评分作为第三评分集。
对于S63，预设市级医院数据评分规则包括：数据类型、数据范围和分类评分，其中，数据范围包括：数据开始值和数据结束值，数据类型包括：剩余接诊人数比例、治疗率、医生资源、医疗设备。
其中，将对所述待筛选的市级医院数据集中的各个剩余接诊人数比例数据，在预设市级医院数据评分规则对应的数据类型为剩余接诊人数比例的各个数据范围中匹配，将匹配到的每个数据范围对应的分类评分作为一个第四评分；将对所述待筛选的市级医院数据集中的各个治疗率数据，在预设市级医院数据评分规则对应的数据类型为治疗率的各个数据范围中匹配，将匹配到的每个数据范围对应的分类评分作为一个第四评分；将对所述待筛选的市级医院数据集中的各个医生资源数据，在预设市级医院数据评分规则对应的数据类型为医生资源的各个数据范围中匹配，将匹配到的每个数据范围对应的分类评分作为一个第四评分；将对所述待筛选的市级医院数据集中的各个医疗设备数据，在预设市级医院数据评分规则对应的数据类型为医疗设备的各个数据范围中匹配，将匹配到的每个数据范围对应的分类评分作为一个第四评分；将各个第四评分作为第四评分集。
对于S64，采用预设市级加权评分规则，将同一所述市级医院数据对应的第三评分和各个第四评分进行加权评分，将加权评分得到的数据作为一个市级医院评分，将各个市级医院评分作为市级医院评分集。
对于S65，将所述市级医院评分集中的市级医院评分进行倒序排序，得到排序后的市级医院评分集；从所述排序后的市级医院评分集的开头开始获取数量与预设市级医院推荐数量相同的市级医院评分，将获取的各个市级医院评分作为第二目标评分集。也就是说，第二目标评分集中的第二目标评分的数量小于或等于预设市级医院推荐数量。
对于S66，采用预设的就诊医院推荐模板，根据所述第二目标评分集中的每个第二目标评分，从所述待筛选的市级医院数据集中获取数据生成就诊医院推荐结果，将生成的就诊医院推荐结果作为所述第二就诊医院推荐结果。也就是说，所述第二就诊医院推荐结果中可以包括0个市级医院的推荐数据，也可以是1个市级医院的推荐数据，还可以是多个市级医院的推荐数据。
在一个实施例中，上述获取就诊医院推荐请求的步骤之后，还包括：
S71：当所述目标医院转诊标识为专家时，获取专家医院数据库；
S72：根据所述推荐日期和所述病种及等级预测结果，从所述专家医院数据库中获取专家医院数据，得到待筛选的专家医院数据集；
S73：根据所述目标患者基本信息和所述待筛选的专家医院数据集进行专家医院推荐，得到第三就诊医院推荐结果。
本实施例在目标医院转诊标识为专家时，将患者分流到专家医院，有利于合理分配专家医院的医疗资源，避免了专家医院的医疗资源的紧缺。
对于S71，当所述目标医院转诊标识为专家时，意味着存在医生推荐进行专家医院治疗，因此可以从数据库中获取专家医院数据库，也可以从第三方应用系统中获取专家医院数据库。
专家医院数据库包括但不限于：专家医院标识和专家医院数据。专家医院数据包括：剩余接诊人数比例数据、治疗率数据、医生资源数据、医疗设备数据、医院地址。专家医院标识可以是专家医院名称、专家医院ID等唯一标识一个专家医院的数据。
对于S72，从所述专家医院数据库中，获取在所述推荐日期能提供所述病种及等级预测结果对应的治疗服务的专家医院数据，将获取的各个专家医院数据作为待筛选的专家医院数据集。
对于S73，根据所述目标患者基本信息和所述待筛选的专家医院数据集进行加权评分，根据加权评分结果进行专家医院推荐，得到第三就诊医院推荐结果。
可以理解的是，第三就诊医院推荐结果包括：推荐结果和推荐专家医院标识。当第三就诊医院推荐结果的推荐结果为成功时，第三就诊医院推荐结果的推荐专家医院标识中存在专家医院标识；当第三就诊医院推荐结果的推荐结果为失败时，第三就诊医院推荐结果的推荐专家医院标识中不存在专家医院标识。
参照图2，本申请还提出了一种基于人工智能的就诊医院推荐装置，所述装置包括：
请求获取模块100，用于获取就诊医院推荐请求，所述就诊医院推荐请求携带有推荐日期、病种及等级预测结果、目标医院转诊标识和目标患者基本信息；
待筛选的社区医院数据集确定模块200，用于当所述目标医院转诊标识为社区时，获取社区医院数据库，根据所述推荐日期和所述病种及等级预测结果，从所述社区医院数据库中获取社区医院数据，得到待筛选的社区医院数据集；
第一就诊医院推荐结果确定模块300，用于根据所述目标患者基本信息和所述待筛选的社区医院数据集进行社区医院推荐，得到第一就诊医院推荐结果；
市级医院数据库获取模块400，用于当所述目标医院转诊标识为市级，或，所述第一就诊医院推荐结果的推荐结果为失败时，获取市级医院数据库；
待筛选的市级医院数据集确定模块500，用于根据所述推荐日期和所述病种及等级预测结果，从所述市级医院数据库中获取市级医院数据，得到待筛选的市级医院数据集；
第二就诊医院推荐结果确定模块600，用于根据所述目标患者基本信息和所述待筛选的市级医院数据集进行市级医院推荐，得到第二就诊医院推荐结果。
本实施例首先通过获取就诊医院推荐请求，所述就诊医院推荐请求携带有推荐日期、病种及等级预测结果、目标医院转诊标识和目标患者基本信息，然后当所述目标医院转诊标识为社区时，根据所述推荐日期和所述病种及等级预测结果，从所述社区医院数据库中获取社区医院数据，得到待筛选的社区医院数据集，根据所述目标患者基本信息和所述待筛选的社区医院数据集进行社区医院推荐，得到第一就诊医院推荐结果，最后当所述目标医院转诊标识为市级，或，所述第一就诊医院推荐结果的推荐结果为失败时，根据所述推荐日期和所述病种及等级预测结果，从所述市级医院数据库中获取市级医院数据，得到待筛选的市级医院数据集，根据所述目标患者基本信息和所述待筛选的市级医院数据集进行市级医院推荐，得到第二就诊医院推荐结果，从而实现了通过推荐日期、病种及等级预测结果、目标医院转诊标识进行自动化的医院推荐，避免了患者自己主观选择医院就医，通过目标医院转诊标识将患者首先分流到社区医院，在社区医院无法接诊时再分流到市级医院，有利于合理分配社区医院的医疗资源和市级医院的医疗资源，避免了社区医院的医疗资源的浪费，也避免了市级医院的医疗资源的紧缺。
参照图3，本申请实施例中还提供一种计算机设备，该计算机设备可以是服务器，其内部结构可以如图3所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设计的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于储存基于人工智能的就诊医院推荐方法等数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于人工智能的就诊医院推荐方法。所述基于人工智能的就诊医院推荐方法，包括：获取就诊医院推荐请求，所述就诊医院推荐请求携带有推荐日期、病种及等级预测结果、目标医院转诊标识和目标患者基本信息；当所述目标医院转诊标识为社区时，获取社区医院数据库，根据所述推荐日期和所述病种及等级预测结果，从所述社区医院数据库中获取社区医院数据，得到待筛选的社区医院数据集；根据所述目标患者基本信息和所述待筛选的社区医院数据集进行社区医院推荐，得到第一就诊医院推荐结果；当所述目标医院转诊标识为市级，或，所述第一就诊医院推荐结果的推荐结果为失败时，获取市级医院数据库；根据所述推荐日期和所述病种及等级预测结果，从所述市级医院数据库中获取市级医院数据，得到待筛选的市级医院数据集；根据所述目标患者基本信息和所述待筛选的市级医院数据集进行市级医院推荐，得到第二就诊医院推荐结果。
本实施例首先通过获取就诊医院推荐请求，所述就诊医院推荐请求携带有推荐日期、病种及等级预测结果、目标医院转诊标识和目标患者基本信息，然后当所述目标医院转诊标识为社区时，根据所述推荐日期和所述病种及等级预测结果，从所述社区医院数据库中获取社区医院数据，得到待筛选的社区医院数据集，根据所述目标患者基本信息和所述待筛选的社区医院数据集进行社区医院推荐，得到第一就诊医院推荐结果，最后当所述目标医院转诊标识为市级，或，所述第一就诊医院推荐结果的推荐结果为失败时，根据所述推荐日期和所述病种及等级预测结果，从所述市级医院数据库中获取市级医院数据，得到待筛选的市级医院数据集，根据所述目标患者基本信息和所述待筛选的市级医院数据集进行市级医院推荐，得到第二就诊医院推荐结果，从而实现了通过推荐日期、病种及等级预测结果、目标医院转诊标识进行自动化的医院推荐，避免了患者自己主观选择医院就医，通过目标医院转诊标识将患者首先分流到社区医院，在社区医院无法接诊时再分流到市级医院，有利于合理分配社区医院的医疗资源和市级医院的医疗资源，避免了社区医院的医疗资源的浪费，也避免了市级医院的医疗资源的紧缺。
本申请一实施例还提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现一种基于人工智能的就诊医院推荐方法，包括步骤：获取就诊医院推荐请求，所述就诊医院推荐请求携带有推荐日期、病种及等级预测结果、目标医院转诊标识和目标患者基本信息；当所述目标医院转诊标识为社区时，获取社区医院数据库，根据所述推荐日期和所述病种及等级预测结果，从所述社区医院数据库中获取社区医院数据，得到待筛选的社区医院数据集；根据所述目标患者基本信息和所述待筛选的社区医院数据集进行社区医院推荐，得到第一就诊医院推荐结果；当所述目标医院转诊标识为市级，或，所述第一就诊医院推荐结果的推荐结果为失败时，获取市级医院数据库；根据所述推荐日期和所述病种及等级预测结果，从所述市级医院数据库中获取市级医院数据，得到待筛选的市级医院数据集；根据所述目标患者基本信息和所述待筛选的市级医院数据集进行市级医院推荐，得到第二就诊医院推荐结果。
上述执行的基于人工智能的就诊医院推荐方法，首先通过获取就诊医院推荐请求，所述就诊医院推荐请求携带有推荐日期、病种及等级预测结果、目标医院转诊标识和目标患者基本信息，然后当所述目标医院转诊标识为社区时，根据所述推荐日期和所述病种及等级预测结果，从所述社区医院数据库中获取社区医院数据，得到待筛选的社区医院数据集，根据所述目标患者基本信息和所述待筛选的社区医院数据集进行社区医院推荐，得到第一就诊医院推荐结果，最后当所述目标医院转诊标识为市级，或，所述第一就诊医院推荐结果的推荐结果为失败时，根据所述推荐日期和所述病种及等级预测结果，从所述市级医院数据库中获取市级医院数据，得到待筛选的市级医院数据集，根据所述目标患者基本信息和所述待筛选的市级医院数据集进行市级医院推荐，得到第二就诊医院推荐结果，从而实现了通过推荐日期、病种及等级预测结果、目标医院转诊标识进行自动化的医院推荐，避免了患者自己主观选择医院就医，通过目标医院转诊标识将患者首先分流到社区医院，在社区医院无法接诊时再分流到市级医院，有利于合理分配社区医院的医疗资源和市级医院的医疗资源，避免了社区医院的医疗资源的浪费，也避免了市级医院的医疗资源的紧缺。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的和实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可以包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双速据率SDRAM(SSRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
以上所述仅为本申请的优选实施例，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。

Claims (10)

1.一种基于人工智能的就诊医院推荐方法，其特征在于，所述方法包括：
获取就诊医院推荐请求，所述就诊医院推荐请求携带有推荐日期、病种及等级预测结果、目标医院转诊标识和目标患者基本信息；
当所述目标医院转诊标识为社区时，获取社区医院数据库，根据所述推荐日期和所述病种及等级预测结果，从所述社区医院数据库中获取社区医院数据，得到待筛选的社区医院数据集；
根据所述目标患者基本信息和所述待筛选的社区医院数据集进行社区医院推荐，得到第一就诊医院推荐结果；
当所述目标医院转诊标识为市级，或，所述第一就诊医院推荐结果的推荐结果为失败时，获取市级医院数据库；
根据所述推荐日期和所述病种及等级预测结果，从所述市级医院数据库中获取市级医院数据，得到待筛选的市级医院数据集；
根据所述目标患者基本信息和所述待筛选的市级医院数据集进行市级医院推荐，得到第二就诊医院推荐结果。
2.根据权利要求1所述的基于人工智能的就诊医院推荐方法，其特征在于，所述获取就诊医院推荐请求的步骤，包括：
获取就医请求，所述就医请求携带有目标患者标识；
从患者数据库中获取所述目标患者标识对应的患者病历数据，作为目标患者病历数据；
根据所述目标患者病历数据进行病种及等级预测，得到所述病种及等级预测结果；
从所述患者数据库中获取与所述目标患者标识对应的患者基本信息，作为所述目标患者基本信息；
获取所述推荐日期和与所述目标患者标识及所述病种及等级预测结果对应的所述目标医院转诊标识；
根据所述推荐日期、所述病种及等级预测结果、所述目标患者基本信息和所述目标医院转诊标识生成所述就诊医院推荐请求。
3.根据权利要求2所述的基于人工智能的就诊医院推荐方法，其特征在于，所述根据所述目标患者病历数据进行病种及等级预测，得到所述病种及等级预测结果的步骤，包括：
从所述目标患者病历数据中获取更新日期最晚的患者自述病例数据，作为待分析的患者自述病例数据；
判断所述待分析的患者自述病例数据对应的医生诊断数据中是否存在病种及等级数据；
当存在所述病种及等级数据时，根据所述待分析的患者自述病例数据对应的所述医生诊断数据确定所述病种及等级预测结果；
当不存在所述病种及等级数据时，获取病种及等级库，对所述病种及等级库中的每个病历数据与所述待分析的患者自述病例数据的自述病例数据之间进行相似度计算，得到相似度集合；
从所述相似度集合获取最大值的相似度，得到目标相似度；
将所述目标相似度对应的所述病历数据作为目标病历数据；
将所述目标病历数据在所述病种及等级库中对应的病种及等级数据作为所述病种及等级预测结果。
4.根据权利要求1所述的基于人工智能的就诊医院推荐方法，其特征在于，所述根据所述推荐日期和所述病种及等级预测结果，从所述社区医院数据库中获取社区医院数据，得到待筛选的社区医院数据集的步骤，包括：
获取预设概率阈值，根据所述病种及等级预测结果中的大于所述预设概率阈值的每个概率对应的病种及等级确定目标病种；
根据所述目标病种，从所述社区医院数据库中的剩余接诊人数比例数据的各个病种中进行查找，将在所述社区医院数据库中查找到的所述病种对应的各个所述社区医院数据作为待处理的社区医院数据集；
根据所述推荐日期和所述目标病种，从所述待处理的社区医院数据集中获取剩余接诊人数比例，得到待处理的剩余接诊人数比例集；
将所述待处理的剩余接诊人数比例集中的不等于0的各个所述剩余接诊人数比例各自对应的所述社区医院数据，作为所述待筛选的社区医院数据集。
5.根据权利要求1所述的基于人工智能的就诊医院推荐方法，其特征在于，所述根据所述目标患者基本信息和所述待筛选的社区医院数据集进行社区医院推荐，得到第一就诊医院推荐结果的步骤，包括：
对所述待筛选的社区医院数据集中的每个所述社区医院数据的医院地址与所述目标患者基本信息的患者家庭住址之间进行最短路径的长度计算，得到第一就医距离集；
采用预设社区医院数据评分规则，对所述第一就医距离集中的各个就医距离进行评分，得到第一评分集；
采用所述预设社区医院数据评分规则，对所述待筛选的社区医院数据集中的各个剩余接诊人数比例数据、各个治疗率数据、各个医生资源数据及各个医疗设备数据进行分类评分，得到第二评分集；
采用预设社区加权评分规则，根据所述第一评分集和所述第二评分集，对每个所述社区医院数据进行加权评分，得到社区医院评分集；
采用预设社区医院推荐数量，从所述社区医院评分集中获取社区医院评分，得到第一目标评分集；
根据所述第一目标评分集和所述待筛选的社区医院数据集生成所述第一就诊医院推荐结果。
6.根据权利要求1所述的基于人工智能的就诊医院推荐方法，其特征在于，所述根据所述目标患者基本信息和所述待筛选的市级医院数据集进行市级医院推荐，得到第二就诊医院推荐结果的步骤，包括：
对所述待筛选的市级医院数据集中的每个所述市级医院数据的医院地址与所述目标患者基本信息的患者家庭住址之间进行最短路径的长度计算，得到第二就医距离集；
采用预设市级医院数据评分规则，对所述第二就医距离集中的各个就医距离进行评分，得到第三评分集；
采用所述预设市级医院数据评分规则，对所述待筛选的市级医院数据集中的各个剩余接诊人数比例数据、各个治疗率数据、各个医生资源数据及各个医疗设备数据进行分类评分，得到第四评分集；
采用预设市级加权评分规则，根据所述第三评分集和所述第四评分集，对每个所述市级医院数据进行加权评分，得到市级医院评分集；
采用预设市级医院推荐数量，从所述市级医院评分集中获取市级医院评分，得到第二目标评分集；
根据所述第二目标评分集和所述待筛选的市级医院数据集生成所述第二就诊医院推荐结果。
7.根据权利要求1所述的基于人工智能的就诊医院推荐方法，其特征在于，所述获取就诊医院推荐请求的步骤之后，还包括：
当所述目标医院转诊标识为专家时，获取专家医院数据库；
根据所述推荐日期和所述病种及等级预测结果，从所述专家医院数据库中获取专家医院数据，得到待筛选的专家医院数据集；
根据所述目标患者基本信息和所述待筛选的专家医院数据集进行专家医院推荐，得到第三就诊医院推荐结果。
8.一种基于人工智能的就诊医院推荐装置，其特征在于，所述装置包括：
请求获取模块，用于获取就诊医院推荐请求，所述就诊医院推荐请求携带有推荐日期、病种及等级预测结果、目标医院转诊标识和目标患者基本信息；
待筛选的社区医院数据集确定模块，用于当所述目标医院转诊标识为社区时，获取社区医院数据库，根据所述推荐日期和所述病种及等级预测结果，从所述社区医院数据库中获取社区医院数据，得到待筛选的社区医院数据集；
第一就诊医院推荐结果确定模块，用于根据所述目标患者基本信息和所述待筛选的社区医院数据集进行社区医院推荐，得到第一就诊医院推荐结果；
市级医院数据库获取模块，用于当所述目标医院转诊标识为市级，或，所述第一就诊医院推荐结果的推荐结果为失败时，获取市级医院数据库；
待筛选的市级医院数据集确定模块，用于根据所述推荐日期和所述病种及等级预测结果，从所述市级医院数据库中获取市级医院数据，得到待筛选的市级医院数据集；
第二就诊医院推荐结果确定模块，用于根据所述目标患者基本信息和所述待筛选的市级医院数据集进行市级医院推荐，得到第二就诊医院推荐结果。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，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至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至7中任一项所述的方法的步骤。
CN202110977377.2A 2021-08-24 2021-08-24 基于人工智能的就诊医院推荐方法、装置、设备及介质 Active CN113689943B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110977377.2A CN113689943B (zh) 2021-08-24 2021-08-24 基于人工智能的就诊医院推荐方法、装置、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110977377.2A CN113689943B (zh) 2021-08-24 2021-08-24 基于人工智能的就诊医院推荐方法、装置、设备及介质

Publications (2)

Publication Number Publication Date
CN113689943A true CN113689943A (zh) 2021-11-23
CN113689943B CN113689943B (zh) 2023-06-20

Family

ID=78582094

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110977377.2A Active CN113689943B (zh) 2021-08-24 2021-08-24 基于人工智能的就诊医院推荐方法、装置、设备及介质

Country Status (1)

Country Link
CN (1) CN113689943B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116798656A (zh) * 2023-05-04 2023-09-22 华中科技大学同济医学院附属协和医院 基于云-终端协同的远程医疗与分级监控平台
CN116887233A (zh) * 2023-07-13 2023-10-13 北京领创医谷科技发展有限责任公司 一种患者就近医疗方法、系统、终端及存储介质
CN116895358A (zh) * 2023-09-11 2023-10-17 江苏泰德医药有限公司 一种基于云平台医疗资源智能管理系统及方法
CN116994726A (zh) * 2023-07-05 2023-11-03 上海雨浓医药科技有限公司 慢病转诊的管理平台

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105719214A (zh) * 2016-03-16 2016-06-29 镇江市第一人民医院 一种挂号转诊系统及其方法
CN105868564A (zh) * 2016-04-05 2016-08-17 苏州联康网络有限公司 疾病的就诊医院推荐系统
CN106407721A (zh) * 2016-11-10 2017-02-15 上海电机学院 一种可实现分级诊疗的医生预约挂号方法
CN109524129A (zh) * 2018-11-20 2019-03-26 合肥美迪普医疗卫生用品有限公司 一种基于互联网的三维一体伤口造口智慧护理服务系统
CN111768847A (zh) * 2020-05-27 2020-10-13 医利捷(上海)信息科技有限公司 一种分级诊疗系统、医院转诊方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105719214A (zh) * 2016-03-16 2016-06-29 镇江市第一人民医院 一种挂号转诊系统及其方法
CN105868564A (zh) * 2016-04-05 2016-08-17 苏州联康网络有限公司 疾病的就诊医院推荐系统
CN106407721A (zh) * 2016-11-10 2017-02-15 上海电机学院 一种可实现分级诊疗的医生预约挂号方法
CN109524129A (zh) * 2018-11-20 2019-03-26 合肥美迪普医疗卫生用品有限公司 一种基于互联网的三维一体伤口造口智慧护理服务系统
CN111768847A (zh) * 2020-05-27 2020-10-13 医利捷(上海)信息科技有限公司 一种分级诊疗系统、医院转诊方法

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116798656A (zh) * 2023-05-04 2023-09-22 华中科技大学同济医学院附属协和医院 基于云-终端协同的远程医疗与分级监控平台
CN116994726A (zh) * 2023-07-05 2023-11-03 上海雨浓医药科技有限公司 慢病转诊的管理平台
CN116994726B (zh) * 2023-07-05 2024-05-14 上海雨浓医药科技有限公司 慢病转诊的管理平台
CN116887233A (zh) * 2023-07-13 2023-10-13 北京领创医谷科技发展有限责任公司 一种患者就近医疗方法、系统、终端及存储介质
CN116887233B (zh) * 2023-07-13 2024-04-30 北京领创医谷科技发展有限责任公司 一种患者就近医疗方法、系统、终端及存储介质
CN116895358A (zh) * 2023-09-11 2023-10-17 江苏泰德医药有限公司 一种基于云平台医疗资源智能管理系统及方法
CN116895358B (zh) * 2023-09-11 2023-11-28 江苏泰德医药有限公司 一种基于云平台医疗资源智能管理系统及方法

Also Published As

Publication number Publication date
CN113689943B (zh) 2023-06-20

Similar Documents

Publication Publication Date Title
CN113689943B (zh) 基于人工智能的就诊医院推荐方法、装置、设备及介质
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
Morton et al. A comparison of supervised machine learning techniques for predicting short-term in-hospital length of stay among diabetic patients
CN112037880A (zh) 用药推荐方法、装置、设备及存储介质
WO2021151327A1 (zh) 分诊数据处理方法、装置、设备及介质
CN110111886A (zh) 一种基于XGBoost疾病预测的智能问诊系统及方法
CN110619959A (zh) 一种智能分诊的方法及系统
WO2005003902A2 (en) Method and system for using a database containing rehabilitation plans indexed across multiple dimensions
US11710572B2 (en) Experience engine-method and apparatus of learning from similar patients
CN114065856A (zh) 基于医生画像的医生推荐方法、装置、设备及存储介质
US20240347202A1 (en) Cross Care Matrix Based Care Giving Intelligence
WO2020223400A1 (en) Pet evaluation and triage system
WO2018073271A1 (en) Systems, methods, and apparatus for linking family electronic medical records and prediction of medical conditions and health management
CN113724858A (zh) 基于人工智能的疾病检查项目推荐设备、方法及装置
CN114743647A (zh) 医疗数据处理方法、装置、设备及存储介质
CN113643798A (zh) 为失能人员匹配照护人员的方法、装置及计算机设备
CN114093496A (zh) 一种互联网医院医疗信息的处理方法及系统
CN114255855A (zh) 一种基于人工智能的医疗分级诊疗挂号管理方法及系统
CN115910308B (zh) Drg制度下的费用精细化控制方法、装置、电子设备
CN115762731A (zh) 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
Tarnowska et al. Mining for actionable knowledge in tinnitus datasets
CN114550924A (zh) 基于人工智能的重疾状态预测方法、装置、设备及介质
JP7505589B2 (ja) 医療施設マッチングシステム、医療施設マッチング方法、及び記録媒体
CN112785378A (zh) 课程推荐方法、装置、计算机设备及存储介质
Varshney et al. Multicriteria decision-making in health informatics using IoT

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: 20221011

Address after: 518000 Room 2601 (Unit 07), Qianhai Free Trade Building, No. 3048, Xinghai Avenue, Liwan Community, Nanshan Street, Nanshan District, Shenzhen, Guangdong, China

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
GR01 Patent grant
GR01 Patent grant