CN113707285A - 科室分诊方法、系统、设备以及存储介质 - Google Patents
科室分诊方法、系统、设备以及存储介质 Download PDFInfo
- Publication number
- CN113707285A CN113707285A CN202111004639.3A CN202111004639A CN113707285A CN 113707285 A CN113707285 A CN 113707285A CN 202111004639 A CN202111004639 A CN 202111004639A CN 113707285 A CN113707285 A CN 113707285A
- Authority
- CN
- China
- Prior art keywords
- department
- model
- prediction
- appeal
- information
- 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 67
- 239000003814 drug Substances 0.000 claims abstract description 43
- 238000013136 deep learning model Methods 0.000 claims abstract description 34
- 201000010099 disease Diseases 0.000 claims abstract description 34
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 34
- 238000013135 deep learning Methods 0.000 claims description 22
- 238000012545 processing Methods 0.000 claims description 21
- 230000015654 memory Effects 0.000 claims description 18
- 238000012549 training Methods 0.000 claims description 15
- 238000012163 sequencing technique Methods 0.000 claims description 14
- 238000001914 filtration Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 5
- 238000003745 diagnosis Methods 0.000 claims description 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 8
- 238000005516 engineering process Methods 0.000 description 13
- 230000008569 process Effects 0.000 description 10
- 238000004458 analytical method Methods 0.000 description 4
- 208000004998 Abdominal Pain Diseases 0.000 description 3
- 206010011224 Cough Diseases 0.000 description 3
- 206010037660 Pyrexia Diseases 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 208000012895 Gastric disease Diseases 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000003111 delayed effect Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 208000018556 stomach disease Diseases 0.000 description 2
- 208000024891 symptom Diseases 0.000 description 2
- 208000002193 Pain Diseases 0.000 description 1
- 206010067171 Regurgitation Diseases 0.000 description 1
- 208000036071 Rhinorrhea Diseases 0.000 description 1
- 206010039101 Rhinorrhoea Diseases 0.000 description 1
- 210000001015 abdomen Anatomy 0.000 description 1
- 238000012098 association analyses Methods 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- IISBACLAFKSPIT-UHFFFAOYSA-N bisphenol A Chemical compound C=1C=C(O)C=CC=1C(C)(C)C1=CC=C(O)C=C1 IISBACLAFKSPIT-UHFFFAOYSA-N 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 210000002249 digestive system Anatomy 0.000 description 1
- 208000002173 dizziness Diseases 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- SUBDBMMJDZJVOS-DEOSSOPVSA-N esomeprazole Chemical compound C([S@](=O)C1=NC2=CC=C(C=C2N1)OC)C1=NC=C(C)C(OC)=C1C SUBDBMMJDZJVOS-DEOSSOPVSA-N 0.000 description 1
- 229960004770 esomeprazole Drugs 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000241 respiratory effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000007723 transport mechanism Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- 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
- G06F16/903—Querying
- G06F16/9035—Filtering based on additional data, e.g. user or group profiles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/237—Lexical tools
- G06F40/247—Thesauruses; Synonyms
-
- 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
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
-
- 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
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
- G06F40/295—Named entity recognition
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- General Business, Economics & Management (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Databases & Information Systems (AREA)
- Biomedical Technology (AREA)
- Strategic Management (AREA)
- Computing Systems (AREA)
- Development Economics (AREA)
- Biophysics (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Evolutionary Computation (AREA)
- Marketing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Operations Research (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Epidemiology (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本申请实施例涉及智慧医疗及人工智能领域，提供一种科室分诊方法、系统、设备以及存储介质，本申请首先获取患者的诉求信息；然后对患者的诉求信息进行有效诉求判断，能够过滤掉不清楚或者因误触而产生的无效信息，从而确保后续预测结果的准确度；然后再提取有效诉求特征，并基于该有效诉求特征，通过深度学习模型、规则匹配模型、药品匹配模型以及疾病匹配模型分别进行预测，得到每个预测模型预测出的科室预测结果，相较于相关方案的预测结果为单标签的预测结果，本申请能够得到多标签的预测结果，提升了预测科室的覆盖率和准确度；最后本申请还对预测出的全部科室预测结果进行过滤和排序，能够进一步的提升预测科室的准确度。
Description
技术领域
本申请实施例涉及智慧医疗技术领域，尤其涉及一种科室分诊方法、系统、设备以及存储介质。
背景技术
分诊是医学人工智能和互联网医疗中研究的领域，也是病患就诊时的入口路径，分诊错误会导致后续一系列问诊流程出错的连锁反应。
传统的分诊通常需要病患自己对身体不适的判断主动挂号对应科室问诊，这就造成了相当一部分的患者因为对医疗知识的欠缺，而挂号到错误科室，不仅耽误就诊时间又耗费精力。现有多采用智能分诊技术，智能分诊通常是指医院或互联网医疗机构在征得患者同意的情况下，收集病患的描述的主诉(例如性别、年龄以及对自己身体异常的描述信息等)，接着医疗从业人员对主诉进行专业分析后，将该主诉标注到对应的科室，当收集到一定量的标注数据后，使用深度学习算法训练预测模型，最后基于训练完成之后的模型对病患的主诉进行科室的预测，但该方案的预测结果多为单标签结果，不仅预测科室的覆盖率较低，而且预测科室的准确度也不高。而且患者提供的主诉有大量的表述不清或者误触输入的情况，在相关方案中，会忽略主诉中存在的不清楚或误触的情况，从而降低后续的预测结果的准确度。
发明内容
以下是对本文详细描述的主题的概述。本概述并非是为了限制权利要求的保护范围。
本申请实施例提供了一种科室分诊方法、系统、设备以及存储介质，科室预测结果的覆盖度更高，而且科室推荐的准确度也更高。
第一方面，本申请实施例提供一种科室分诊方法，所述科室分诊方法包括：
获取患者的诉求信息；
通过深度学习实体识别模型从所述诉求信息中提取出有效诉求，并对所述有效诉求进行特征提取，以提取得到有效诉求特征；
将所述有效诉求特征输入至多个不同的预测模型分别进行科室预测，得到每个所述预测模型输出的科室预测结果；其中，所述预测模型包括深度学习模型、规则匹配模型、药品匹配模型以及疾病匹配模型；
对全部所述科室预测结果进行过滤和排序，得到排序结果；
根据所述排序结果推送目标科室信息。
在一可选的实现方式中，所述将所述有效诉求特征输入至多个不同的预测模型分别进行科室预测，得到每个所述预测模型输出的科室预测结果，包括：
将所述有效诉求特征输入已训练完成的所述深度学习模型中，得到所述深度学习模型输出的科室预测结果；
将所述有效诉求特征输入至所述规则匹配模型中，得到所述规则匹配模型输出的科室预测结果；其中所述规则匹配模型是根据所述有效诉求特征，将匹配出正向规则且没有匹配出逆向规则的科室作为科室预测结果；
将所述有效诉求特征输入至所述药品匹配模型中，得到所述药品匹配模型输出的科室预测结果；其中所述药品匹配模型是根据所述有效诉求特征获取对应的药品特征，将匹配与所述药品特征对应的科室作为科室预测结果；
将所述有效诉求特征输入至所述疾病匹配模型中，得到所述疾病匹配模型输出的科室预测结果；其中所述疾病匹配模型是根据所述有效诉求特征获取对应的疾病特征，将匹配与所述疾病特征对应的科室作为科室预测结果。
在一可选的实现方式中，所述深度学习模型包括已训练完成的贝叶斯网络模型和BERT网络模型；所述将所述有效诉求特征输入已训练完成的所述深度学习模型中，得到所述深度学习模型输出的科室预测结果，包括：
将所述有效诉求特征分别输入至所述贝叶斯网络模型和所述BERT网络模型；
当所述贝叶斯网络模型的输出结果与所述BERT网络模型的输出结果相同时，将相同的输出结果作为科室预测结果；
当所述贝叶斯网络模型的输出结果与所述BERT网络模型的输出结果不相同时，将所述贝叶斯网络模型的输出结果和所述BERT网络模型的输出结果分别进行置信度标准化处理，得到处理结果；
将所述处理结果进行排序，将排序最前的输出结果作为科室预测结果。
在一可选的实现方式中，所述对全部所述科室预测结果进行过滤和排序，得到排序结果，包括：
根据所述患者的性别、年龄、偏好以及历史问诊信息对全部所述科室预测结果进行过滤，得到过滤后的所述科室预测结果；
依次按照所述规则匹配模型、所述疾病匹配模型、所述药品匹配模型以及所述深度学习模型输出的科室预测结果的顺序对所述过滤后的所述科室预测结果进行排序。
在一可选的实现方式中，所述科室分诊方法还包括：
当通过所述深度学习实体识别模型从所述诉求信息中没有提取到有效诉求，推送所述诉求信息的补全请求；
当接收到补全后的诉求信息，通过所述深度学习实体识别模型从所述补全后的诉求信息中提取出有效诉求。
在一可选的实现方式中，在所述根据所述排序结果推送目标科室信息之后，所述科室分诊方法还包括：
获取患者的转诊信息；
通过所述转诊信息对已训练完成的所述深度学习模型进行迭代更新，得到更新后的所述深度学习模型。
在一可选的实现方式中，在所述获取患者的诉求信息之前，所述科室分诊方法还包括：
获取患者的历史问诊信息；
根据所述患者的历史问诊信息，推送目标科室信息。
第二方面，本申请实施例提供一种科室分诊系统，所述科室分诊系统包括：
信息获取单元，用于获取患者的诉求信息；
第一处理单元，用于通过深度学习实体识别模型从所述诉求信息中提取出有效诉求，并对所述有效诉求进行特征提取，以提取得到有效诉求特征；
科室预测单元，用于将所述有效诉求特征输入至多个不同的预测模型分别进行科室预测，得到每个所述预测模型输出的科室预测结果；其中，所述预测模型包括深度学习模型、规则匹配模型、药品匹配模型以及疾病匹配模型；
第二处理单元，用于对全部所述科室预测结果进行过滤和排序，得到排序结果；
科室推荐单元，用于根据所述排序结果推送目标科室信息。
第三方面，本申请实施例提供一种电子设备，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：如上述的科室分诊方法。
第四方面，本申请实施例提供一种计算机可读存储介质，存储有计算机可执行指令，所述计算机可执行指令用于执行：如上述的科室分诊方法。
本申请实施例第一方面提供的一种科室分诊方法，本方法首先获取患者的诉求信息；然后对患者的诉求信息进行有效诉求判断，能够过滤掉不清楚或者因误触而产生的无效信息，从而确保后续预测结果的准确度；然后再提取有效诉求特征，并基于该有效诉求特征，通过深度学习模型、规则匹配模型、药品匹配模型以及疾病匹配模型分别进行预测分别进行预测，得到每个预测模型预测出的科室预测结果，相较于相关方案的预测结果为单标签的预测结果，本方法通过深度学习模型、规则匹配模型、药品匹配模型以及疾病匹配模型分别进行预测，能够得到多标签的预测结果，不仅提升了预测科室的覆盖率，而且提升了预测科室的准确度；最后本方法还对预测出的全部科室预测结果进行过滤和排序，能够进一步的提升预测科室的准确度。
可以理解的是，上述第二方面至第四方面与相关技术相比存在的有益效果与上述第一方面与相关技术相比存在的有益效果相同，可以参见上述第一方面中的相关描述，在此不再赘述。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或相关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申请实施例的一些实施例，对于本领域普通技术人员来说，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他的附图。
图1是本申请一个实施例提供的用于执行科室分诊方法的系统架构的示意图；
图2是本申请一个实施例提供的一种科室分诊方法的逻辑框图；
图3是本申请一个实施例提供的一种科室分诊方法的流程示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请实施例。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请实施例的描述。
需要说明的是，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于流程图中的顺序执行所示出或描述的步骤。说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。
还应当理解，在本申请实施例说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请实施例的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
本申请实施例可以基于医疗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。本申请实施例主要涉及医疗人工智能中的自然语言处理技术和机器学习/深度学习技术。
分诊是医学人工智能和互联网医疗中研究的领域，也是病患就诊时的入口路径，分诊错误会导致后续一系列问诊流程出错的连锁反应。
传统的分诊通常需要病患自己对身体不适的判断主动挂号对应科室问诊，这就造成了相当一部分的患者因为对医疗知识的欠缺，而挂号到错误科室，不仅耽误就诊时间又耗费精力。现有多采用智能分诊技术，智能分诊通常是指医院或互联网医疗机构在征得患者同意的情况下，收集病患的描述的主诉(例如性别、年龄以及对自己身体异常的描述信息等)，接着医疗从业人员对主诉进行专业分析后，将该主诉标注到对应的科室，当收集到一定量的标注数据后，使用深度学习算法训练预测模型，最后基于训练完成之后的模型对病患的主诉进行科室的预测，但该方案的预测结果多为单标签结果，不仅预测科室的覆盖率较低，而且预测科室的准确度也不高。而且患者提供的主诉有大量的表述不清或者误触输入的情况，在相关方案中，会忽略主诉中存在的不清楚或误触的情况，从而降低后续的预测结果的准确度。
为了解决上述技术缺陷，本申请实施例首先获取患者的诉求信息；然后对患者的诉求信息进行有效诉求判断，能够过滤掉不清楚或者因误触而产生的无效信息，从而确保后续预测结果的准确度；然后再提取有效诉求特征，并基于该有效诉求特征，通过多个不同的预测模型分别进行科室预测，得到多个科室预测结果，相较于相关方案的预测结果为单标签的预测结果，本本申请实施例能够得到多标签的预测结果，能够实现多标签精细化预测，不仅提升了预测科室的覆盖率，而且也极大的提升了预测科室的准确度；最后本申请实施例还对多个科室预测结果进行过滤和排序，能够进一步的提升预测科室的准确度。
本申请一个实施例提供的科室分诊方法可以在电子设备中执行。终端/设备可以为移动电子设备，也可以为非移动电子设备。移动电子设备可以为手机、平板电脑、笔记本电脑、掌上电脑、车载电子设备、可穿戴设备、超级移动个人计算机、上网本、个人数字助理等；非移动电子设备可以为个人计算机、电视机、柜员机或者自助机等；本申请实施方案不作具体限定。
电子设备可以包括处理器，外部存储器接口，内部存储器，通用串行总线(universal serial bus，USB)接口，充电管理模块，电源管理模块，电池，天线，移动通信模块，无线通信模块，音频模块，扬声器，受话器，麦克风，耳机接口，传感器模块，按键，马达，指示器，摄像头，显示屏，以及用户标识模块(Subscriber Identification Module，SIM)卡接口等。
下面结合附图，对本申请实施例作进一步阐述。
参照图1，是本申请一个实施例提供的用于执行一种科室分诊方法的系统架构示意图，在图1的示例中，该系统架构主要包括但不限于信息获取单元100、第一处理单元200、科室预测单元300、第二处理单元400以及科室推荐单元500，其中：
信息获取单元100用于获取患者的诉求信息；
第一处理单元200用于通过深度学习实体识别模型从诉求信息中提取出有效诉求，并对有效诉求进行特征提取，以提取得到有效诉求特征；
科室预测单元300用于将有效诉求特征输入至多个不同的预测模型分别进行科室预测，得到每个预测模型输出的科室预测结果；其中，多个预测模型包括深度学习模型、规则匹配模型、药品匹配模型以及疾病匹配模型；
第二处理单元400用于对全部科室预测结果进行过滤和排序，得到排序结果；
科室推荐单元500用于根据排序结果推送目标科室信息。
本申请实施例描述的系统架构以及应用场景是为了更加清楚的说明本申请实施例的技术方案，并不构成对于本申请实施例提供的技术方案的限定，本领域技术人员可知，随着系统架构的演变和新应用场景的出现，本申请实施例提供的技术方案对于类似的技术问题，同样适用。
本领域技术人员可以理解的是，图1中示出的系统架构并不构成对本申请实施例的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
在图1所示的系统架构中，各个单元可以分别调用其储存的程序，用以执行科室分诊方法。
基于上述系统架构，提出本申请实施例的科室分诊方法的各个实施例。
参照图2，本申请的一个实施例，提供了一种科室分诊方法，本方法包括如下步骤：
步骤S100、获取患者的诉求信息。
这里，患者的诉求信息可以来自于互联网医疗平台的终端设备或医院就诊平台上的终端设备，例如患者在互联网医疗平台或者医院进行就诊时，将先于终端设备上提出诉求(即本申请实施例所述诉求信息)。例如某患者在互联网医疗平台上描述自己症状、年龄、性别等诉求信息，其所提出的诉求信息为：“你好，我想咨询的是：我老婆有身孕了，想做B超检查，请帮忙挂号”。
在一些实施例中，在步骤S100之前，本科室分诊方法还包括如下步骤：
步骤S1001、获取患者的历史问诊信息；
步骤S1002、基于患者的历史问诊信息，推送目标科室信息。
由于患者的历史问诊信息是一项对患者重要的参考数据(在实际应用中，医生也会根据患者的历史问诊信息来辅助诊断)，本实施例在对患者进行多个预测模型的科室分诊预测之前，先判断患者是否存在历史问诊信息，当患者有历史问诊信息的时候，可先在互联网医疗平台或者医院就诊平台中获取历史问诊信息，历史问诊信息中包括患者进行问诊科室的相关数据，然后再依据历史问诊信息对患者进行相应科室推荐，例如患者的历史问诊信息中多次记录其咨询中医，则优先向患者推荐中医科室。若患者不选择中医科室，则继续后续的步骤。需要注意的是，步骤S1002是向互联网医疗平台的终端设备或医院就诊平台上的终端设备推送目标科室信息，本申请所述目标科室信息中包含有向患者推荐的科室数据，例如向患者推荐中医科室或消化内科等等。
步骤S200、通过深度学习实体识别模型从诉求信息中提取出有效诉求，并对有效诉求进行特征提取，以提取得到有效诉求特征。
在本实施例中，首先对患者的诉求信息进行有效诉求判断能剔除无效或存在缺陷的信息，确保能提取出有用的特征，从而确保后续步骤得到的多个预测科室预测结果的准确度。在一些实施例中，对患者的诉求信息进行有效诉求判断包括处理过程：通过深度学习实体识别模型从诉求信息中提取有效诉求，当未提取到有效诉求，推送诉求信息的补全请求(又称为追问机制)，当接收到补全后的诉求信息，通过深度学习实体识别模型从补全后的诉求信息中提取出有效诉求。例如患者的诉求信息为：“你好，我想咨询的是：我家人身体不舒服，我想带他来医院看医生”，追问包括但不仅限于：“请问是哪位家人”、“请问是身体哪个部位不舒服”、“请问不舒服已持续多长时间”、“请问在不舒服期间是否使用药物”、“请问是否存在疾病史”等；如患者的回答为：“是我家小孩出现反胃的情况，大约是2天前出现的这种情况，没有使用药物，也没有疾病史”。在得到患者补全之后的诉求信息，就可通过深度学习实体识别模型提取出有效诉求。需要注意的是，在步骤S200当中，患者的诉求信息是属于患者的语料信息，在实际应用中，语料信息中往往包括多个实体(对应于本申请实施例中所述的诉求)，而且深度学习实体识别模型通常具备一个实体库，实体库中包含着众多的实体特征，通过深度学习实体识别模型和实体库可以实现从患者的诉求信息中进行有效诉求判断。深度学习实体识别模型和实体库的相关技术均属于公知常识，此处便不再细述该深度学习实体识别模型的结构和原理。还值得注意的是，不同的实体类型还对应着固定的追问话术，本申请实施例不作任何限制，可以根据现实情况进行设置。
当步骤S200对患者的诉求信息进行有效诉求判断后，进一步的从患者的诉求信息中提取出有效诉求特征。
在一些实施例中，对从患者的诉求信息中提取出有效诉求特征的处理包括但不仅限于：对患者的诉求信息进行分词、繁体转简体、同义词标准化(即同义词归一)以及去除停用词等处理，例如：患者提出的患者的诉求信息为：“您好，醫生，我我有點肚子痛。”；
那么繁转简后为：“您好，医生，我我有点肚子痛。”；
同义词标准化之后为：“您好，医生，我有点肚子痛。”；
分词后为：“【您好】【，】【医生】【，】【我】【有点】【肚子痛】【。】”
去掉停用词后为：“【我】【有点】【肚子痛】”。
例如：患者提出诉求信息为：“你好，我想咨询的是：我有身孕了，想做B超检查，请帮忙挂号”，进行处理之后得到“【b超】【妻子】【怀孕】【挂号】”。需要注意的是，提取的有效诉求特征为二维词向量组合。
步骤S300、将有效诉求特征输入至多个不同的预测模型分别进行科室预测，得到每个预测模型输出的科室预测结果，其中，预测模型包括深度学习模型、规则匹配模型、药品匹配模型以及疾病匹配模型。
基于上述步骤S200求取的有效诉求特征作为预测数据，本步骤S300通过多个不同的预测模型分别进行科室预测，能够每个预测模型对应输出的科室预测结果。步骤S300中的多个预测模型包括：深度学习模型、规则匹配模型、药品匹配模型和疾病匹配模型，以下分别对每一个模型进行介绍：
步骤S301、将有效诉求特征输入已训练完成的深度学习模型中，得到深度学习模型输出的科室预测结果。
在一些实施例中，深度学习模型包括贝叶斯网络模型和BERT(BidirectionalEncoder Representations from Transformers)网络模型，相较于相关方案使用单个网络模型进行训练，本实施例使用贝叶斯网络模型和BERT网络模型结合的训练和预测方案，能够避免单个模型的局限性，增加深度学习模型输出的预测结果的准确度。而且贝叶斯网络模型极大的考虑病情关联特征，在知识推理方面具有较大的优势，深度学习BERT模型在语义推理上有了极大的突破，并且在具有多个分诊结果上预测上具有很大的优势。
以下简要介绍贝叶斯网络模型和BERT网络模型的训练过程：
在使用贝叶斯网络模型的时候需要分词，去除停用词，计算TF_IDF(termfrequency–inverse document frequency，一种常用的加权方案)，提取有效的特征，然后把特征输入给贝叶斯网络模型训练。特征处理具体为：首先将输入文本中的英文统一为小写，通过预先构造的停用词表进行过滤，再分词，而后将分词的内容进行同义词标准化。
在使用BERT网络模型的时候，把患者的年龄、性别、症状描述等诉求信息，直接输入给BERT网络模型训练。
训练时会进行多次调参过程，用于得到一个相对表现较好的模型。可调参数包括：学习率、损失函数、词向量维度、迭代次数、更新梯度的批数据大小(Batch Size)等。主要方法为记录和分析每个时间步骤的学习率、损失率变化对模型准确率的影响，以及每次训练参数对模型准确率的影响。
在得到已经训练完成的贝叶斯网络模型和BERT网络模型之后，将步骤S200提取出的有效诉求特征分别输入至已经训练完成的贝叶斯网络模型和BERT网络模型中，具体包括如下步骤：
步骤S3011、将有效诉求特征分别输入至贝叶斯网络模型和BERT网络模型。
步骤S3012、当贝叶斯网络模型的输出结果与BERT网络模型的输出结果相同时，将相同的输出结果作为科室预测结果。
步骤S3013、当贝叶斯网络模型的输出结果与BERT网络模型的输出结果不相同时，将贝叶斯网络模型的输出结果和BERT网络模型的输出结果分别进行置信度标准化处理，得到处理结果；将处理结果进行排序，将排序最前的输出结果作为科室预测结果。
步骤S302、通过规则匹配模型从有效诉求特征中选取匹配出正向规则且没有匹配出逆向规则的科室作为科室预测结果。
规则匹配模型是指的通过预先配置的正则表达式从有效诉求特征中选取匹配出正向规则且没有匹配出逆向规则的科室作为科室预测结果。在规则匹配模型中，每个科室对应有多条正向和逆向的规则，如果通过预先配置的正则表达式从有效诉求特征中匹配到科室的正向规则且未匹配到该科室的逆向规则，则该科室为规则匹配模型的一个科室预测结果。
步骤S303、通过药品匹配模型从有效诉求特征中提取药品特征，匹配与药品特征对应的科室作为科室预测结果。
步骤S304、通过疾病匹配模型从有效诉求特征中提取疾病特征，匹配与疾病特征对应的科室作为科室预测结果。
药品匹配模型和疾病匹配模型是使用类似的方法，即通过数据关联分析得到药品特征与科室、疾病特征与科室两个数据表，因为药品与科室之间存在着一定的关联关系，疾病与科室之间存在着一定的关联关系，例如有效诉求特征出现药品特征为埃索美拉素，可知该药品是用于治疗胃病，而胃病属于消化内科，因此药品匹配模型输出的科室预测结果为消化内科。疾病匹配模型也是同理，例如：患者输入的患者的诉求信息为：“你好，我想咨询的是：孩子发热，一直咳嗽，但没有流鼻涕或头晕的情况”，那么提取出的有效诉求特征为：【发热】【总是】【咳嗽】【孩子】，最后疾病匹配模型基于发热和咳嗽这两个疾病特征输出的科室预测结果为呼吸内科。
步骤S400、对全部科室预测结果进行过滤和排序，得到排序结果。
在步骤S300中得到了四个预测模型输出的多标签结果之后，需要进一步对多个科室预测结果进行过滤和排序。在一些实施例中，步骤S400具体包括如下步骤：
步骤S401、根据患者的性别、年龄、偏好以及历史问诊信息对全部科室预测结果进行过滤，得到过滤后的科室预测结果。
例如：若患者的性别为男性，而科室预测结果中出现妇产科，则去掉妇产科的科室预测结果。若患者的历史问诊信息当中存在有多次咨询中医的记录，那么将中医科标签赋予更多权重，使其置于多个预测结果的靠前位置。
步骤S402、依次按照规则匹配模型、疾病匹配模型、药品匹配模型以及深度学习模型输出的科室预测结果的顺序对过滤后的科室预测结果进行排序。
在本实施例中，如果患者存在历史问诊信息(如上述步骤S1001和步骤S1002所示)，以历史问诊信息推荐的科室作为优先，然后依次以规则匹配模型、疾病匹配模型、药品匹配模型以及深度学习模型输出的科室预测结果进行排序并进行推荐。若患者不存在历史问诊信息，依次以规则匹配模型、疾病匹配模型、药品匹配模型以及深度学习模型输出的科室预测结果进行排序并进行推荐。
步骤S500、根据排序结果推送目标科室信息。
在本申请实施例之中，将排序结果发送至互联网医疗平台的终端设备或医院就诊平台上的终端设备，以使终端设备能够依据排序结果对患者进行科室推荐，先推荐排序最前的科室。
在一些实施例，在步骤S500之后，本科室分诊方法还包括步骤：
步骤S601、获取患者的转诊信息。
步骤S602、通过患者的转诊信息对已训练完成的深度学习模型进行迭代更新，得到更新后的深度学习模型。
在步骤S500已经向患者推荐科室之后，终端设备将会自动匹配对应科室的医生，若患者不满意科室的分配或医生认为匹配有误，则患者可以主动选择转诊或医生可以选择将患者进行转诊，在发生转诊之后，会产生转诊信息，然后步骤S601将获取该转诊信息作为错误案件进行分析和质检(可由医生进行分析和质检)，然后将分析和质检之后的转诊信息作为贝叶斯网络模型和BERT网络模型的训练数据，然后通过该训练数据对贝叶斯网络模型和BERT网络模型进行模型迭代和更新，从而使贝叶斯网络模型和BERT网络模型逐步完善，最终提高贝叶斯网络模型和BERT网络模型科室预测结果的准确度。
本申请提供的科室分诊方法实施例，首先获取患者的诉求信息；然后对患者的诉求信息进行有效诉求判断，能够过滤掉不清楚或者因误触而产生的无效信息，从而确保后续预测结果的准确度；然后再提取有效诉求特征，并基于该有效诉求特征，通过多个不同的预测模型分别进行科室预测，得到多个科室预测结果，相较于相关方案的预测结果为单标签的预测结果，本方法实施例能够得到多标签的预测结果，能够实现多标签精细化预测，不仅提升了预测科室的覆盖率，而且也极大的提升了预测科室的准确度；最后本实施例还对多个科室预测结果进行过滤和排序，能够进一步的提升预测科室的准确度。
本申请的一个实施例，提供了一种电子设备，该设备包括：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。
处理器和存储器可以通过总线或者其他方式连接。
存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至该处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
需要说明的是，本实施例中的电子设备能够构成图1所示实施例中的系统架构的一部分，这些实施例均属于相同的发明构思，因此这些实施例具有相同的实现原理以及技术效果，此处不再详述。
实现上述实施例的科室分诊方法所需的非暂态软件程序以及指令存储在存储器中，当被处理器执行时，执行上述实施例方法，例如，执行以上描述的图3中的方法步骤S100至S500。
以上所描述的终端实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
此外，本申请实施例的一个实施例还提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机可执行指令，该计算机可执行指令被一个处理器或控制器执行，例如，被上述电子设备实施例中的一个处理器执行，可使得上述处理器执行上述实施例中的科室分诊方法，例如，执行以上描述的图3中的方法步骤S100至S500。
又如，被上述设备连接器实施例中的一个处理器执行，可使得上述处理器执行上述实施例中的科室分诊方法，例如，执行以上描述的图3中的方法步骤S100至S500。
本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统可以被实施为软件、固件、硬件及其适当的组合。某些物理组件或所有物理组件可以被实施为由处理器，如中央处理器、数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。
以上是对本申请实施例的较佳实施进行了具体说明，但本申请实施例并不局限于上述实施方式，熟悉本领域的技术人员在不违背本申请实施例精神的前提下还可作出种种的等同变形或替换，这些等同的变形或替换均包含在本申请实施例权利要求所限定的范围内。
Claims (10)
1.一种科室分诊方法，其特征在于，所述科室分诊方法包括：
获取患者的诉求信息；
通过深度学习实体识别模型从所述诉求信息中提取出有效诉求，并对所述有效诉求进行特征提取，以提取得到有效诉求特征；
将所述有效诉求特征输入至多个不同的预测模型分别进行科室预测，得到每个所述预测模型输出的科室预测结果；其中，所述预测模型包括深度学习模型、规则匹配模型、药品匹配模型以及疾病匹配模型；
对全部所述科室预测结果进行过滤和排序，得到排序结果；
根据所述排序结果推送目标科室信息。
2.根据权利要求1所述的科室分诊方法，其特征在于，所述将所述有效诉求特征输入至多个不同的预测模型分别进行科室预测，得到每个所述预测模型输出的科室预测结果，包括：
将所述有效诉求特征输入已训练完成的所述深度学习模型中，得到所述深度学习模型输出的科室预测结果；
将所述有效诉求特征输入至所述规则匹配模型中，得到所述规则匹配模型输出的科室预测结果；其中所述规则匹配模型是根据所述有效诉求特征，将匹配出正向规则且没有匹配出逆向规则的科室作为科室预测结果；
将所述有效诉求特征输入至所述药品匹配模型中，得到所述药品匹配模型输出的科室预测结果；其中所述药品匹配模型是根据所述有效诉求特征获取对应的药品特征，将匹配与所述药品特征对应的科室作为科室预测结果；
将所述有效诉求特征输入至所述疾病匹配模型中，得到所述疾病匹配模型输出的科室预测结果；其中所述疾病匹配模型是根据所述有效诉求特征获取对应的疾病特征，将匹配与所述疾病特征对应的科室作为科室预测结果。
3.根据权利要求2所述的科室分诊方法，其特征在于，所述深度学习模型包括已训练完成的贝叶斯网络模型和BERT网络模型；所述将所述有效诉求特征输入已训练完成的所述深度学习模型中，得到所述深度学习模型输出的科室预测结果，包括：
将所述有效诉求特征分别输入至所述贝叶斯网络模型和所述BERT网络模型；
当所述贝叶斯网络模型的输出结果与所述BERT网络模型的输出结果相同时，将相同的输出结果作为科室预测结果；
当所述贝叶斯网络模型的输出结果与所述BERT网络模型的输出结果不相同时，将所述贝叶斯网络模型的输出结果和所述BERT网络模型的输出结果分别进行置信度标准化处理，得到处理结果；
将所述处理结果进行排序，将排序最前的输出结果作为科室预测结果。
4.根据权利要求2所述的科室分诊方法，其特征在于，所述对全部所述科室预测结果进行过滤和排序，得到排序结果，包括：
根据所述患者的性别、年龄、偏好以及历史问诊信息对全部所述科室预测结果进行过滤，得到过滤后的所述科室预测结果；
依次按照所述规则匹配模型、所述疾病匹配模型、所述药品匹配模型以及所述深度学习模型输出的科室预测结果的顺序对所述过滤后的所述科室预测结果进行排序。
5.根据权利要求1所述的科室分诊方法，其特征在于，所述科室分诊方法还包括：
当通过所述深度学习实体识别模型从所述诉求信息中没有提取到有效诉求，推送所述诉求信息的补全请求；
当接收到补全后的诉求信息，通过所述深度学习实体识别模型从所述补全后的诉求信息中提取出有效诉求。
6.根据权利要求2所述的科室分诊方法，其特征在于，在所述根据所述排序结果推送目标科室信息之后，所述科室分诊方法还包括：
获取患者的转诊信息；
通过所述转诊信息对已训练完成的所述深度学习模型进行迭代更新，得到更新后的所述深度学习模型。
7.根据权利要求1所述的科室分诊方法，其特征在于，在所述获取患者的诉求信息之前，所述科室分诊方法还包括：
获取患者的历史问诊信息；
根据所述患者的历史问诊信息，推送目标科室信息。
8.一种科室分诊系统，其特征在于，所述科室分诊系统包括：
信息获取单元，用于获取患者的诉求信息；
第一处理单元，用于通过深度学习实体识别模型从所述诉求信息中提取出有效诉求，并对所述有效诉求进行特征提取，以提取得到有效诉求特征；
科室预测单元，用于将所述有效诉求特征输入至多个不同的预测模型分别进行科室预测，得到每个所述预测模型输出的科室预测结果；其中，所述预测模型包括深度学习模型、规则匹配模型、药品匹配模型以及疾病匹配模型；
第二处理单元，用于对全部所述科室预测结果进行过滤和排序，得到排序结果；
科室推荐单元，用于根据所述排序结果推送目标科室信息。
9.一种电子设备，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：如权利要求1至7任一项所述的科室分诊方法。
10.一种计算机可读存储介质，存储有计算机可执行指令，其特征在于，所述计算机可执行指令用于执行：如权利要求1至7任一项所述的科室分诊方法。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111004639.3A CN113707285B (zh) | 2021-08-30 | 2021-08-30 | 科室分诊方法、系统、设备以及存储介质 |
| PCT/CN2022/087997 WO2023029514A1 (zh) | 2021-08-30 | 2022-04-20 | 科室分诊方法、系统、设备以及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111004639.3A CN113707285B (zh) | 2021-08-30 | 2021-08-30 | 科室分诊方法、系统、设备以及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113707285A true CN113707285A (zh) | 2021-11-26 |
| CN113707285B CN113707285B (zh) | 2024-07-26 |
Family
ID=78656842
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111004639.3A Active CN113707285B (zh) | 2021-08-30 | 2021-08-30 | 科室分诊方法、系统、设备以及存储介质 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN113707285B (zh) |
| WO (1) | WO2023029514A1 (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023029514A1 (zh) * | 2021-08-30 | 2023-03-09 | 康键信息技术（深圳）有限公司 | 科室分诊方法、系统、设备以及存储介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108986907A (zh) * | 2018-07-24 | 2018-12-11 | 郑州大学第附属医院 | 一种基于knn算法的远程医疗自动分诊方法 |
| CN110047584A (zh) * | 2019-04-23 | 2019-07-23 | 清华大学 | 基于深度学习的医院分诊方法、系统、装置及介质 |
| CN111785368A (zh) * | 2020-06-30 | 2020-10-16 | 平安科技（深圳）有限公司 | 基于医疗知识图谱的分诊方法、装置、设备及存储介质 |
| CN112015917A (zh) * | 2020-09-07 | 2020-12-01 | 平安科技（深圳）有限公司 | 基于知识图谱的数据处理方法、装置及计算机设备 |
| CN112037909A (zh) * | 2020-08-31 | 2020-12-04 | 康键信息技术（深圳）有限公司 | 诊断信息复核系统 |
| CN112530576A (zh) * | 2020-11-30 | 2021-03-19 | 百度健康(北京)科技有限公司 | 一种线上医患匹配方法、装置、电子设备及存储介质 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10825167B2 (en) * | 2017-04-28 | 2020-11-03 | Siemens Healthcare Gmbh | Rapid assessment and outcome analysis for medical patients |
| CN108766545B (zh) * | 2018-05-31 | 2023-10-03 | 平安医疗科技有限公司 | 在线问诊科室分配方法、装置、计算机设备和存储介质 |
| CN108922608A (zh) * | 2018-06-13 | 2018-11-30 | 平安医疗科技有限公司 | 智能导诊方法、装置、计算机设备和存储介质 |
| CN110675944A (zh) * | 2019-09-20 | 2020-01-10 | 京东方科技集团股份有限公司 | 分诊方法及装置、计算机设备及介质 |
| CN113707285B (zh) * | 2021-08-30 | 2024-07-26 | 康键信息技术（深圳）有限公司 | 科室分诊方法、系统、设备以及存储介质 |
-
2021
- 2021-08-30 CN CN202111004639.3A patent/CN113707285B/zh active Active
-
2022
- 2022-04-20 WO PCT/CN2022/087997 patent/WO2023029514A1/zh unknown
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108986907A (zh) * | 2018-07-24 | 2018-12-11 | 郑州大学第附属医院 | 一种基于knn算法的远程医疗自动分诊方法 |
| CN110047584A (zh) * | 2019-04-23 | 2019-07-23 | 清华大学 | 基于深度学习的医院分诊方法、系统、装置及介质 |
| CN111785368A (zh) * | 2020-06-30 | 2020-10-16 | 平安科技（深圳）有限公司 | 基于医疗知识图谱的分诊方法、装置、设备及存储介质 |
| CN112037909A (zh) * | 2020-08-31 | 2020-12-04 | 康键信息技术（深圳）有限公司 | 诊断信息复核系统 |
| CN112015917A (zh) * | 2020-09-07 | 2020-12-01 | 平安科技（深圳）有限公司 | 基于知识图谱的数据处理方法、装置及计算机设备 |
| CN112530576A (zh) * | 2020-11-30 | 2021-03-19 | 百度健康(北京)科技有限公司 | 一种线上医患匹配方法、装置、电子设备及存储介质 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023029514A1 (zh) * | 2021-08-30 | 2023-03-09 | 康键信息技术（深圳）有限公司 | 科室分诊方法、系统、设备以及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113707285B (zh) | 2024-07-26 |
| WO2023029514A1 (zh) | 2023-03-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP3623970A1 (en) | Medical intelligent triage method and device | |
| CN110111887A (zh) | 临床辅助决策方法及装置 | |
| CN108766561B (zh) | 病症信息处理方法、装置、计算机设备和存储介质 | |
| CN111599488A (zh) | 一种智能问诊实现方法、系统和存储介质 | |
| CN111564223B (zh) | 传染病生存概率的预测方法、预测模型的训练方法及装置 | |
| CN109670179A (zh) | 基于迭代膨胀卷积神经网络的病历文本命名实体识别方法 | |
| CN110675944A (zh) | 分诊方法及装置、计算机设备及介质 | |
| CN107194158A (zh) | 一种基于图像识别的疾病辅助诊断方法 | |
| CN111382275A (zh) | 医疗知识图谱的构建方法、装置、介质及电子设备 | |
| CN112232065B (zh) | 挖掘同义词的方法及装置 | |
| CN114420309B (zh) | 建立药物协同作用预测模型的方法、预测方法及对应装置 | |
| CN113724858A (zh) | 基于人工智能的疾病检查项目推荐设备、方法及装置 | |
| Huang et al. | Using deep learning in a monocentric study to characterize maternal immune environment for predicting pregnancy outcomes in the recurrent reproductive failure patients | |
| WO2024131026A1 (zh) | 模型构建方法、装置、设备和介质 | |
| WO2023124837A1 (zh) | 问诊处理方法、装置、设备及存储介质 | |
| CN112447270A (zh) | 一种用药推荐方法、装置、设备及存储介质 | |
| CN112182168A (zh) | 病历文本分析方法、装置、电子设备及存储介质 | |
| CN114334065B (zh) | 病历处理方法、计算机可读存储介质及计算机设备 | |
| CN113488157B (zh) | 智能导诊处理方法、装置、电子设备及存储介质 | |
| CN113707285B (zh) | 科室分诊方法、系统、设备以及存储介质 | |
| CN111640517B (zh) | 病历编码方法、装置、存储介质及电子设备 | |
| CN114141358A (zh) | 基于知识图谱的疾病诊断装置、计算机设备及存储介质 | |
| CN112802598A (zh) | 基于语音诊疗数据的实时辅助诊疗方法及系统 | |
| CN117854748A (zh) | 一种基于知识图谱和生成式大模型的问诊方法及系统 | |
| CN113724859A (zh) | 基于人工智能的疾病提示设备、方法、装置及存储介质 |
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 |