CN113707286A - 基于决策树的问诊分配方法、装置、设备及存储介质 - Google Patents
基于决策树的问诊分配方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN113707286A CN113707286A CN202111007657.7A CN202111007657A CN113707286A CN 113707286 A CN113707286 A CN 113707286A CN 202111007657 A CN202111007657 A CN 202111007657A CN 113707286 A CN113707286 A CN 113707286A
- Authority
- CN
- China
- Prior art keywords
- decision tree
- preset
- inquiry
- medical data
- clustering
- 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
Links
- 238000003066 decision tree Methods 0.000 title claims abstract description 143
- 238000000034 method Methods 0.000 title claims abstract description 45
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 102
- 201000010099 disease Diseases 0.000 claims abstract description 95
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 55
- 238000007635 classification algorithm Methods 0.000 claims abstract description 33
- 238000007781 pre-processing Methods 0.000 claims abstract description 17
- 238000004364 calculation method Methods 0.000 claims description 34
- 238000012163 sequencing technique Methods 0.000 claims description 23
- 238000012545 processing Methods 0.000 claims description 22
- 238000004088 simulation Methods 0.000 claims description 18
- 238000001914 filtration Methods 0.000 claims description 16
- 238000013138 pruning Methods 0.000 claims description 16
- 238000000926 separation method Methods 0.000 claims description 16
- 238000000586 desensitisation Methods 0.000 claims description 14
- 239000011159 matrix material Substances 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 12
- 230000002159 abnormal effect Effects 0.000 claims description 11
- 238000010276 construction Methods 0.000 claims description 9
- 238000012216 screening Methods 0.000 claims description 6
- 208000024891 symptom Diseases 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 5
- 238000002372 labelling Methods 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 abstract description 11
- 238000013473 artificial intelligence Methods 0.000 abstract description 9
- 230000008569 process Effects 0.000 description 8
- 238000003745 diagnosis Methods 0.000 description 7
- 208000035475 disorder Diseases 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 210000000988 bone and bone Anatomy 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 208000035126 Facies Diseases 0.000 description 2
- 208000001132 Osteoporosis Diseases 0.000 description 2
- 244000141353 Prunus domestica Species 0.000 description 2
- 206010003246 arthritis Diseases 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 208000014674 injury Diseases 0.000 description 2
- 238000001356 surgical procedure Methods 0.000 description 2
- 230000008733 trauma Effects 0.000 description 2
- 208000010392 Bone Fractures Diseases 0.000 description 1
- 208000024779 Comminuted Fractures Diseases 0.000 description 1
- 206010017076 Fracture Diseases 0.000 description 1
- 208000004221 Multiple Trauma Diseases 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 208000015122 neurodegenerative disease Diseases 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000001052 transient effect 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
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- 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
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
-
- 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
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biomedical Technology (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- General Business, Economics & Management (AREA)
- Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及人工智能领域，应用于智慧医疗领域中，公开了一种基于决策树的问诊分配方法、装置、设备及存储介质，用于提高问诊分配的效率。基于决策树的问诊分配方法包括：获取初始医疗数据，对初始医疗数据进行预处理，得到预处理医疗数据；调用预置的聚类算法，对预处理医疗数据进行聚类处理，得到聚类样本；调用预置的基于决策树的向量机分类算法，对聚类样本进行基于病症相数的分类，得到病症分类结果；调用预置的相似度算法，将病症分类结果和预置的问诊医生信息数据库进行匹配，得到问诊分配结果。此外，本发明还涉及区块链技术，问诊分配结果可存储于区块链节点中。
Description
技术领域
本发明涉及决策树领域，尤其涉及一种基于决策树的问诊分配方法、装置、设备及存储介质。
背景技术
线上问诊将是互联网医疗的大势所趋，如何能做好病症分析及病患快速分流尤为重要。近年来，随着人工智能技术的高速发展，人工智能被应用于病症分析和导诊分流中，人工智能进行的病症分析可以支持疾病辅助诊断、健康管理、远程会诊等功能。
传统的导诊是基于人工方式进行简单粗略的划分，不能保证对病情的充分了解，而目前的线上导诊，更多的是以随机的方式来分配，现阶段由于导诊配置医生的机制不完善，部分患者由于病症特殊无法及时分配给专业的医生，同时由于在患者数量较多时，现有的分配机制无法及时响应，从而导致问诊分配的效率低下。
发明内容
本发明提供了一种基于决策树的问诊分配方法、装置、设备及存储介质，用于调用预置的聚类算法，对预处理医疗数据进行聚类处理，得到聚类样本，调用预置的基于决策树的向量机分类算法，对聚类样本进行基于病症相数的分类，得到病症分类结果，最终基于病症分类结果进行问诊医生的分配，提高了问诊分配的效率。
本发明第一方面提供了一种基于决策树的问诊分配方法，包括：获取初始医疗数据，对所述初始医疗数据进行预处理，得到预处理医疗数据；调用预置的聚类算法，对所述预处理医疗数据进行聚类处理，得到聚类样本；调用预置的基于决策树的向量机分类算法，对所述聚类样本进行基于病症相数的分类，得到病症分类结果；调用预置的相似度算法，将所述病症分类结果和预置的问诊医生信息数据库进行匹配，得到问诊分配结果。
可选的，在本发明第一方面的第一种实现方式中，所述获取初始医疗数据，对所述初始医疗数据进行预处理，得到预处理医疗数据包括：接收患者端发送的病历单数据和医生端发送的问诊结果数据，将所述病历单数据和所述问诊结果数据确定为初始医疗数据；调用预置的软件仿真包，对所述初始医疗数据进行仿真处理，得到医疗仿真数据，对所述医疗仿真数据进行缺失值补全、异常值过滤和重复值过滤，得到预处理医疗数据。
可选的，在本发明第一方面的第二种实现方式中，所述调用预置的聚类算法，对所述预处理医疗数据进行聚类处理，得到聚类样本包括：基于预置的聚类算法中预置的类间重叠度公式，计算所述预处理医疗数据中每一类病症对应的空间重叠度，得到空间重叠度矩阵；基于所述空间重叠度矩阵，对所述预处理医疗数据进行合并和筛选，得到聚类样本。
可选的，在本发明第一方面的第三种实现方式中，所述调用预置的基于决策树的向量机分类算法，对所述聚类样本进行基于病症相数的分类，得到病症分类结果包括：确定所述聚类样本的类间可分离度，通过所述类间可分离度和预置的基于决策树的向量机分类算法构建决策树，得到初始决策树；对所述初始决策树进行剪枝处理，得到目标决策树，将所述目标决策树确定为病症分类结果，所述目标决策树包含多个叶子节点。
可选的，在本发明第一方面的第四种实现方式中，所述确定所述聚类样本的类间可分离度，通过所述类间可分离度和预置的基于决策树的向量机分类算法构建决策树，得到初始决策树包括：调用预置的可分性度量公式，计算所述聚类样本的类间可分离度，将所述类间可分离度按照从大到小的顺序进行排序，得到分离度排序结果；提取所述分离度排序结果中预设数量的类间可分离度，对所述预设数量的类间可分离度对应的样本集进行标注，得到标注后的样本集，调用预置的基于决策树的向量机分类算法构建二值分类器，将所述标注后的样本集分别确定为所述二值分类器的子节点，得到初始决策树。
可选的，在本发明第一方面的第五种实现方式中，所述调用预置的相似度算法，将所述病症分类结果和预置的问诊医生信息数据库进行匹配，得到问诊分配结果包括：调用预置的相似度算法，将所述病症分类结果和预置的问诊医生信息数据库进行相似度计算，得到相似度计算结果，所述相似度计算结果包括多个相似度值和每一个相似度值对应的病症分类结果和问诊医生信息；按照多个相似度值从大到小的顺序，对所述相似度计算结果中的问诊医生信息进行排序，得到相似度排序结果，将所述相似度排序结果中排名为第一的问诊医生信息确定为问诊分配结果。
可选的，在本发明第一方面的第六种实现方式中，在所述获取初始医疗数据，对所述初始医疗数据进行预处理，得到预处理医疗数据之前，所述基于决策树的问诊分配方法还包括：获取历史医疗数据，采用预置的匿名化算法对所述历史医疗数据进行脱敏处理，得到脱敏数据，所述历史医疗数据包括历史问诊数据以及所述历史问诊数据对应的问诊医生数据；将所述脱敏数据加载至预置的数据库构建模板中，得到问诊医生信息数据库。
本发明第二方面提供了一种基于决策树的问诊分配装置，包括：获取模块，用于获取初始医疗数据，对所述初始医疗数据进行预处理，得到预处理医疗数据；聚类模块，用于调用预置的聚类算法，对所述预处理医疗数据进行聚类处理，得到聚类样本；分类模块，用于调用预置的基于决策树的向量机分类算法，对所述聚类样本进行基于病症相数的分类，得到病症分类结果；匹配模块，用于调用预置的相似度算法，将所述病症分类结果和预置的问诊医生信息数据库进行匹配，得到问诊分配结果。
可选的，在本发明第二方面的第一种实现方式中，所述获取模块包括：接收单元，用于接收患者端发送的病历单数据和医生端发送的问诊结果数据，将所述病历单数据和所述问诊结果数据确定为初始医疗数据；预处理单元，用于调用预置的软件仿真包，对所述初始医疗数据进行仿真处理，得到医疗仿真数据，对所述医疗仿真数据进行缺失值补全、异常值过滤和重复值过滤，得到预处理医疗数据。
可选的，在本发明第二方面的第二种实现方式中，所述聚类模块包括：计算单元，用于基于预置的聚类算法中预置的类间重叠度公式，计算所述预处理医疗数据中每一类病症对应的空间重叠度，得到空间重叠度矩阵；筛选单元，用于基于所述空间重叠度矩阵，对所述预处理医疗数据进行合并和筛选，得到聚类样本。
可选的，在本发明第二方面的第三种实现方式中，所述分类模块包括：分类单元，用于确定所述聚类样本的类间可分离度，通过所述类间可分离度和预置的基于决策树的向量机分类算法构建决策树，得到初始决策树；剪枝单元，用于对所述初始决策树进行剪枝处理，得到目标决策树，将所述目标决策树确定为病症分类结果，所述目标决策树包含多个叶子节点。
可选的，在本发明第二方面的第四种实现方式中，所述分类单元可以具体用于：调用预置的可分性度量公式，计算所述聚类样本的类间可分离度，将所述类间可分离度按照从大到小的顺序进行排序，得到分离度排序结果；提取所述分离度排序结果中预设数量的类间可分离度，对所述预设数量的类间可分离度对应的样本集进行标注，得到标注后的样本集，调用预置的基于决策树的向量机分类算法构建二值分类器，将所述标注后的样本集分别确定为所述二值分类器的子节点，得到初始决策树。
可选的，在本发明第二方面的第五种实现方式中，所述匹配模块包括：相似度计算单元，用于调用预置的相似度算法，将所述病症分类结果和预置的问诊医生信息数据库进行相似度计算，得到相似度计算结果，所述相似度计算结果包括多个相似度值和每一个相似度值对应的病症分类结果和问诊医生信息；排序单元，用于按照多个相似度值从大到小的顺序，对所述相似度计算结果中的问诊医生信息进行排序，得到相似度排序结果，将所述相似度排序结果中排名为第一的问诊医生信息确定为问诊分配结果。
可选的，在本发明第二方面的第六种实现方式中，在所述获取模块之前，所述基于决策树的问诊分配装置还包括构建模块，所述构建模块包括：脱敏单元，用于获取历史医疗数据，采用预置的匿名化算法对所述历史医疗数据进行脱敏处理，得到脱敏数据，所述历史医疗数据包括历史问诊数据以及所述历史问诊数据对应的问诊医生数据；加载单元，用于将所述脱敏数据加载至预置的数据库构建模板中，得到问诊医生信息数据库。
本发明第三方面提供了一种基于决策树的问诊分配设备，包括：存储器和至少一个处理器，所述存储器中存储有计算机程序；所述至少一个处理器调用所述存储器中的所述计算机程序，以使得所述基于决策树的问诊分配设备执行上述的基于决策树的问诊分配方法。
本发明的第四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中存储有计算机程序，当其在计算机上运行时，使得计算机执行上述的基于决策树的问诊分配方法。
本发明提供的技术方案中，获取初始医疗数据，对所述初始医疗数据进行预处理，得到预处理医疗数据；调用预置的聚类算法，对所述预处理医疗数据进行聚类处理，得到聚类样本；调用预置的基于决策树的向量机分类算法，对所述聚类样本进行基于病症相数的分类，得到病症分类结果；调用预置的相似度算法，将所述病症分类结果和预置的问诊医生信息数据库进行匹配，得到问诊分配结果。本发明实施例中，调用预置的聚类算法，对预处理医疗数据进行聚类处理，得到聚类样本，调用预置的基于决策树的向量机分类算法，对聚类样本进行基于病症相数的分类，得到病症分类结果，最终基于病症分类结果进行问诊医生的分配，提高了问诊分配的效率。
附图说明
图1为本发明实施例中基于决策树的问诊分配方法的一个实施例示意图；
图2为本发明实施例中基于决策树的问诊分配方法的另一个实施例示意图；
图3为本发明实施例中基于决策树的问诊分配装置的一个实施例示意图；
图4为本发明实施例中基于决策树的问诊分配装置的另一个实施例示意图；
图5为本发明实施例中基于决策树的问诊分配设备的一个实施例示意图。
具体实施方式
本发明实施例提供了一种基于决策树的问诊分配方法、装置、设备及存储介质，用于调用预置的聚类算法，对预处理医疗数据进行聚类处理，得到聚类样本，调用预置的基于决策树的向量机分类算法，对聚类样本进行基于病症相数的分类，得到病症分类结果，最终基于病症分类结果进行问诊医生的分配，提高了问诊分配的效率。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)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。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”或“具有”及其任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于理解，下面对本发明实施例的具体流程进行描述，请参阅图1，本发明实施例中基于决策树的问诊分配方法的一个实施例包括：
101、获取初始医疗数据，对初始医疗数据进行预处理，得到预处理医疗数据。
可以理解的是，本发明的执行主体可以为基于决策树的问诊分配装置，还可以是终端或者服务器，具体此处不做限定。本发明实施例以服务器为执行主体为例进行说明。服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content DeliveryNetwork，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
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。
服务器获取初始医疗数据，对初始医疗数据进行预处理，得到预处理医疗数据。通过预置的医疗器械对患者进行检测并生成病历单数据，医疗器械将病历单数据上传至医疗云，服务器根据患者信息从医疗云中提取对应的病历单数据，同时，从医生端获取问诊结果数据，本实施例中的病历单数据和问诊结果数据都经过用户授权。获取到的病例单数据和问诊结果数据即为初始医疗数据，对初始医疗数据进行预处理的过程主要包括缺失值补全、异常值过滤和重复值过滤，得到预处理医疗数据。
102、调用预置的聚类算法，对预处理医疗数据进行聚类处理，得到聚类样本。
服务器调用预置的聚类算法，对预处理医疗数据进行聚类处理，得到聚类样本。通过调用聚类算法中预置的类间重叠度公式计算得到空间重叠度矩阵，然后对预处理医疗数据进行筛选，最终得到聚类样本，本实施例中运用到的基于决策树的向量机分类算法，采用普遍的度量方法确定类间可分的难易程度还是存在一定偏差，故本方案先对预处理医疗数据进行聚类，得到的聚类样本在下游的分类过程中可以有效实现对病症的分类。聚类算法能够应用于多种不同的领域中，如：语音识别、医疗诊断、应用程序的测试等。
103、调用预置的基于决策树的向量机分类算法，对聚类样本进行基于病症相数的分类，得到病症分类结果。
服务器调用预置的基于决策树的向量机分类算法，对聚类样本进行基于病症相数的分类，得到病症分类结果。病症相数用于指代患者的病症特征个数，例如：患者A对应的初始医疗数据，经过处理后得到的聚类样本包括“骨质疏松/关节炎/骨创伤”，则对应的病症相数为3，服务器通过基于决策树的向量机分类算法(decision tree support vectormachines，DTSVM)，构造一个二值SVM分类器，分类的正负样本集(为决策树的两个子节点，支持向量机(SVM)是一种基于统计学学习理论的结构风险最小化原则的机器学习算法，它在解决小样本、非线性及高维模式识别中表现出了很大的优势，并能够推广应用到函数拟合等其他机器学习中。
104、调用预置的相似度算法，将病症分类结果和预置的问诊医生信息数据库进行匹配，得到问诊分配结果。
服务器调用预置的相似度算法，将病症分类结果和预置的问诊医生信息数据库进行匹配，得到问诊分配结果。预置的相似度算法可以为欧几里得度量(euclidean metric)算法、皮尔逊相关系数算法或余弦相似度算法，通过调用相似度算法将病症分类结果和问诊医生信息数据库进行相似度计算，可以得到相似度计算结果，相似度计算结果包括多个相似度值和每一个相似度值对应的病症分类结果和问诊医生信息，服务器提取中相似度计算结果中相应的问诊医生信息，从而可以确定问诊分配结果。其中，问诊医生信息数据库通过获取历史医疗数据，采用匿名化算法对历史医疗数据进行脱敏处理后加载至预置的数据库构建模板中得到。
本发明实施例中，调用预置的聚类算法，对预处理医疗数据进行聚类处理，得到聚类样本，调用预置的基于决策树的向量机分类算法，对聚类样本进行基于病症相数的分类，得到病症分类结果，最终基于病症分类结果进行问诊医生的分配，提高了问诊分配的效率。本方案可应用于智慧医疗领域中，从而推动智慧城市的建设。
请参阅图2，本发明实施例中基于决策树的问诊分配方法的另一个实施例包括：
201、获取初始医疗数据，对初始医疗数据进行预处理，得到预处理医疗数据。
服务器获取初始医疗数据，对初始医疗数据进行预处理，得到预处理医疗数据。具体的，服务器接收患者端发送的病历单数据和医生端发送的问诊结果数据，将病历单数据和问诊结果数据确定为初始医疗数据；服务器调用预置的软件仿真包，对初始医疗数据进行仿真处理，得到医疗仿真数据，对医疗仿真数据进行缺失值补全、异常值过滤和重复值过滤，得到预处理医疗数据。
病历单数据包括多个项目名称和每一个项目名称对应的患者检查数据，病历单数据可以存储在患者相对应的健康档案中，问诊结果数据为医生根据病历单数据进行诊断后得到的数据，服务器将病历单数据和问诊结果数据确定为初始医疗数据，生成初始医疗数据后，使用软件仿真包对不同相数的典型病症进行仿真，得到医疗仿真数据，然后对医疗仿真数据进行预处理，预处理的过程主要包括缺失值补全、异常值过滤和重复值过滤，其中，缺失值补全可以为多重插补或热卡填充，异常值过滤主要采用异常值检测算法z-score识别出异常值并删除，重复值过滤为对重复值进行去重处理，得到预处理医疗数据，预处理医疗数据可以表示为Data＝{(xi,yi),i＝1,...,N}，N表示样本集合的总个数，预处理数据中包含不同病症相数对应的数据，病症相数用于指代患者的病症特征个数，将不同相的病症数据记为
其中K表示存在K相病症，M表示存在不超过M种病症，nk表示K相病症的样本个数。
202、调用预置的聚类算法，对预处理医疗数据进行聚类处理，得到聚类样本。
服务器调用预置的聚类算法，对预处理医疗数据进行聚类处理，得到聚类样本。具体的，服务器基于预置的聚类算法中预置的类间重叠度公式，计算预处理医疗数据中每一类病症对应的空间重叠度，得到空间重叠度矩阵；服务器基于空间重叠度矩阵，对预处理医疗数据进行合并和筛选，得到聚类样本。
类间的重叠度是根据两类的特征值的分布来计算的，具体公式(即类间重叠度公式)定义如下：
假设预处理医疗数据包含两个类别：类c1与类c2，其中，i为维度标号，m为类c1与类c2的总维数，
fi表示c1、c2类预处理医疗数据中的第i维的特征值，
表示c1类训练样本中第i维特征值的最大值，
表示c2类训练样本中第i维特征值的最大值，
表示c1类训练样本中第i维特征值的最小值，
表示c2类训练样本中第i维特征值的最小值；
设预处理医疗数据中共有n类病症对应的数据Oij表示类i与类j间的重叠度，则得空间重叠度矩阵为：
对于重叠度矩阵O，如Oij≠0，则合并预处理医疗数据中的所有类别，记为Di，如第i维或第j维(i和j均为维度标号)还和别的维度有重叠，则将重叠部分进行合并，直到全部有重叠的类都各合并为一类，对于没有重叠的类就单独保留同时记为新的类Dj，最终得到聚类样本。
203、确定聚类样本的类间可分离度，通过类间可分离度和预置的基于决策树的向量机分类算法构建决策树，得到初始决策树。
服务器确定聚类样本的类间可分离度，通过类间可分离度和预置的基于决策树的向量机分类算法构建决策树，得到初始决策树。具体的，服务器调用预置的可分性度量公式，计算聚类样本的类间可分离度，将类间可分离度按照从大到小的顺序进行排序，得到分离度排序结果；服务器提取分离度排序结果中预设数量的类间可分离度，对预设数量的类间可分离度对应的样本集进行标注，得到标注后的样本集，调用预置的基于决策树的向量机分类算法构建二值分类器，将标注后的样本集分别确定为二值分类器的子节点，得到初始决策树。
预置的可分性度量公式如下：定义聚类样本中类a和类b的类间分离测度为：
其中dab＝||ca-cb||表示类a和类b的中心距离，ca与cb分别为a类和b类的类中心，
na为样本个数，k为样本的类别数，δa为类a的类方差。
γab值越大，类a和类b间分离性越好。再定义类间分离测度矩阵γ为
则类间可分离度的计算公式为：
Sa表示类间可分离度，将Sa按照从大到小的顺序进行排序，得到分离度排序结果，取分离度排序结果中前m/2类样本集标记为正类，其余的类别标记为负类，得到标注后的样本集，基于决策树的向量机分类算法(decision tree support vectormachines，DTSVM)算法构造一个二值向量机分类器，分类的正负样本集(即标注后的样本集)为决策树的两个子节点，若子节点的样本集中含有两个以上的类别，则再按照以上划分方案构造二值向量机分类器，直到所有的Di被分开，得到初始决策树。
204、对初始决策树进行剪枝处理，得到目标决策树，将目标决策树确定为病症分类结果，目标决策树包含多个叶子节点。
服务器对初始决策树进行剪枝处理，得到目标决策树，将目标决策树确定为病症分类结果，目标决策树包含多个叶子节点。生成初始决策树后，需要对初始决策树进行剪枝处理，得到目标决策树，目标决策树即为病症分类结果，本实施例中运用到的剪枝过程主要为后剪枝，后剪枝是自下而上的剪枝，指对一棵已经生成的完整决策树自下而上地对非叶节点进行估计，如果将该结点对应的子树替换成叶结点能够带来决策树泛化性能的提升，则将该子树替换成叶结点，后剪枝主要包括：错误率降低剪枝(reduced-error pruning，REP)，悲观错误剪枝(pesimistic-error pruning，PEP)，代价复杂度剪枝(cost-complexity pruning，CCP)和基于错误的剪枝(error-based pruning，EBP)。
205、调用预置的相似度算法，将病症分类结果和预置的问诊医生信息数据库进行匹配，得到问诊分配结果。
服务器调用预置的相似度算法，将病症分类结果和预置的问诊医生信息数据库进行匹配，得到问诊分配结果。具体的，服务器调用预置的相似度算法，将病症分类结果和预置的问诊医生信息数据库进行相似度计算，得到相似度计算结果，相似度计算结果包括多个相似度值和每一个相似度值对应的病症分类结果和问诊医生信息；服务器按照多个相似度值从大到小的顺序，对相似度计算结果中的问诊医生信息进行排序，得到相似度排序结果，将相似度排序结果中排名为第一的问诊医生信息确定为问诊分配结果。
例如，病症分类结果包含“骨质疏松、关节炎、骨创伤”等信息，通过和问诊医生信息数据库进行相似度计算，得到相似度计算结果为：张医生，擅长关节置换和四肢骨折和肿瘤手术以及关节翻修术，相似度值30％；王医生，各种骨质退行性病变的诊断治疗，多发性创伤的救治，各类复杂关节内粉碎性骨折治疗，相似度值70％；李医生，骨质疏松症规范化治疗及高危筛查、骨与关节常见疾病诊疗、创伤救治等，相似度值80％，则根据相似度值大小进行排序，得到相似度排序结果，将相似度排序结果中排序为第一的问诊医生信息(即相似度值80％对应的李医生)确定为问诊分配结果。
本发明实施例中，调用预置的聚类算法，对预处理医疗数据进行聚类处理，得到聚类样本，调用预置的基于决策树的向量机分类算法，对聚类样本进行基于病症相数的分类，得到病症分类结果，最终基于病症分类结果进行问诊医生的分配，提高了问诊分配的效率。本方案可应用于智慧医疗领域中，从而推动智慧城市的建设。
上面对本发明实施例中基于决策树的问诊分配方法进行了描述，下面对本发明实施例中基于决策树的问诊分配装置进行描述，请参阅图3，本发明实施例中基于决策树的问诊分配装置一个实施例包括：
获取模块301，用于获取初始医疗数据，对初始医疗数据进行预处理，得到预处理医疗数据；
聚类模块302，用于调用预置的聚类算法，对预处理医疗数据进行聚类处理，得到聚类样本；
分类模块303，用于调用预置的基于决策树的向量机分类算法，对聚类样本进行基于病症相数的分类，得到病症分类结果；
匹配模块304，用于调用预置的相似度算法，将病症分类结果和预置的问诊医生信息数据库进行匹配，得到问诊分配结果。
本发明实施例中，调用预置的聚类算法，对预处理医疗数据进行聚类处理，得到聚类样本，调用预置的基于决策树的向量机分类算法，对聚类样本进行基于病症相数的分类，得到病症分类结果，最终基于病症分类结果进行问诊医生的分配，提高了问诊分配的效率。本方案可应用于智慧医疗领域中，从而推动智慧城市的建设。
请参阅图4，本发明实施例中基于决策树的问诊分配装置的另一个实施例包括：
获取模块301，用于获取初始医疗数据，对初始医疗数据进行预处理，得到预处理医疗数据；
聚类模块302，用于调用预置的聚类算法，对预处理医疗数据进行聚类处理，得到聚类样本；
分类模块303，用于调用预置的基于决策树的向量机分类算法，对聚类样本进行基于病症相数的分类，得到病症分类结果；
其中，分类模块303具体包括：
分类单元3031，用于确定聚类样本的类间可分离度，通过类间可分离度和预置的基于决策树的向量机分类算法构建决策树，得到初始决策树；
剪枝单元3032，用于对初始决策树进行剪枝处理，得到目标决策树，将目标决策树确定为病症分类结果，目标决策树包含多个叶子节点；
匹配模块304，用于调用预置的相似度算法，将病症分类结果和预置的问诊医生信息数据库进行匹配，得到问诊分配结果。
可选的，获取模块301包括：
接收单元3011，用于接收患者端发送的病历单数据和医生端发送的问诊结果数据，将病历单数据和问诊结果数据确定为初始医疗数据；
预处理单元3012，用于调用预置的软件仿真包，对初始医疗数据进行仿真处理，得到医疗仿真数据，对医疗仿真数据进行缺失值补全、异常值过滤和重复值过滤，得到预处理医疗数据。
可选的，聚类模块302包括：
计算单元3021，用于基于预置的聚类算法中预置的类间重叠度公式，计算预处理医疗数据中每一类病症对应的空间重叠度，得到空间重叠度矩阵；
筛选单元3022，用于基于空间重叠度矩阵，对预处理医疗数据进行合并和筛选，得到聚类样本。
可选的，分类单元3031可以具体用于：
调用预置的可分性度量公式，计算聚类样本的类间可分离度，将类间可分离度按照从大到小的顺序进行排序，得到分离度排序结果；提取分离度排序结果中预设数量类间可分离度，对预设数量的类间可分离度对应的样本集进行标注，得到标注后的样本集，调用预置的基于决策树的向量机分类算法构建二值分类器，将标注后的样本集分别确定为二值分类器的子节点，得到初始决策树。
可选的，匹配模块304包括：
相似度计算单元3041，用于调用预置的相似度算法，将病症分类结果和预置的问诊医生信息数据库进行相似度计算，得到相似度计算结果，相似度计算结果包括多个相似度值和每一个相似度值对应的病症分类结果和问诊医生信息；
排序单元3042，用于按照多个相似度值从大到小的顺序，对相似度计算结果中的问诊医生信息进行排序，得到相似度排序结果，将相似度排序结果中排名为第一的问诊医生信息确定为问诊分配结果。
可选的，在获取模块301之前，基于决策树的问诊分配装置还包括构建模块305，包括：
脱敏单元3051，用于获取历史医疗数据，采用预置的匿名化算法对历史医疗数据进行脱敏处理，得到脱敏数据，历史医疗数据包括历史问诊数据以及历史问诊数据对应的问诊医生数据；
加载单元3052，用于将脱敏数据加载至预置的数据库构建模板中，得到问诊医生信息数据库。
本发明实施例中，调用预置的聚类算法，对预处理医疗数据进行聚类处理，得到聚类样本，调用预置的基于决策树的向量机分类算法，对聚类样本进行基于病症相数的分类，得到病症分类结果，最终基于病症分类结果进行问诊医生的分配，提高了问诊分配的效率。本方案可应用于智慧医疗领域中，从而推动智慧城市的建设。
上面图3和图4从模块化功能实体的角度对本发明实施例中的基于决策树的问诊分配装置进行详细描述，下面从硬件处理的角度对本发明实施例中基于决策树的问诊分配设备进行详细描述。
图5是本发明实施例提供的一种基于决策树的问诊分配设备的结构示意图，该基于决策树的问诊分配设备500可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器(central processing units，CPU)510(例如，一个或一个以上处理器)和存储器520，一个或一个以上存储应用程序533或数据532的存储介质530(例如一个或一个以上海量存储设备)。其中，存储器520和存储介质530可以是短暂存储或持久存储。存储在存储介质530的程序可以包括一个或一个以上模块(图示没标出)，每个模块可以包括对基于决策树的问诊分配设备500中的一系列计算机程序操作。更进一步地，处理器510可以设置为与存储介质530通信，在基于决策树的问诊分配设备500上执行存储介质530中的一系列计算机程序操作。
基于决策树的问诊分配设备500还可以包括一个或一个以上电源540，一个或一个以上有线或无线网络接口550，一个或一个以上输入输出接口560，和/或，一个或一个以上操作系统531，例如Windows Serve，Mac OS X，Unix，Linux，FreeBSD等等。本领域技术人员可以理解，图5示出的基于决策树的问诊分配设备结构并不构成对基于决策树的问诊分配设备的限定，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。
本申请还提供一种基于决策树的问诊分配设备，包括：存储器和至少一个处理器，所述存储器中存储有计算机程序，所述存储器和所述至少一个处理器通过线路互连；所述至少一个处理器调用所述存储器中的所述计算机程序，以使得所述基于决策树的问诊分配设备执行上述基于决策树的问诊分配方法中的步骤。
本发明还提供一种计算机可读存储介质，该计算机可读存储介质可以为非易失性计算机可读存储介质，该计算机可读存储介质也可以为易失性计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，当所述计算机程序在计算机上运行时，使得计算机执行所述基于决策树的问诊分配方法的步骤。
进一步地，计算机可读存储介质可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储根据区块链节点的使用所创建的数据等。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
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，上述描述的系统，装置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。
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取存储介质中。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，包括若干计算机程序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(read-onlymemory，ROM)、随机存取存储器(random access memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上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)
1.一种基于决策树的问诊分配方法，其特征在于，所述基于决策树的问诊分配方法包括：
获取初始医疗数据，对所述初始医疗数据进行预处理，得到预处理医疗数据；
调用预置的聚类算法，对所述预处理医疗数据进行聚类处理，得到聚类样本；
调用预置的基于决策树的向量机分类算法，对所述聚类样本进行基于病症相数的分类，得到病症分类结果；
调用预置的相似度算法，将所述病症分类结果和预置的问诊医生信息数据库进行匹配，得到问诊分配结果。
2.根据权利要求1所述的基于决策树的问诊分配方法，其特征在于，所述获取初始医疗数据，对所述初始医疗数据进行预处理，得到预处理医疗数据包括：
接收患者端发送的病历单数据和医生端发送的问诊结果数据，将所述病历单数据和所述问诊结果数据确定为初始医疗数据；
调用预置的软件仿真包，对所述初始医疗数据进行仿真处理，得到医疗仿真数据，对所述医疗仿真数据进行缺失值补全、异常值过滤和重复值过滤，得到预处理医疗数据。
3.根据权利要求1所述的基于决策树的问诊分配方法，其特征在于，所述调用预置的聚类算法，对所述预处理医疗数据进行聚类处理，得到聚类样本包括：
基于预置的聚类算法中预置的类间重叠度公式，计算所述预处理医疗数据中每一类病症对应的空间重叠度，得到空间重叠度矩阵；
基于所述空间重叠度矩阵，对所述预处理医疗数据进行合并和筛选，得到聚类样本。
4.根据权利要求1所述的基于决策树的问诊分配方法，其特征在于，所述调用预置的基于决策树的向量机分类算法，对所述聚类样本进行基于病症相数的分类，得到病症分类结果包括：
确定所述聚类样本的类间可分离度，通过所述类间可分离度和预置的基于决策树的向量机分类算法构建决策树，得到初始决策树；
对所述初始决策树进行剪枝处理，得到目标决策树，将所述目标决策树确定为病症分类结果，所述目标决策树包含多个叶子节点。
5.根据权利要求4所述的基于决策树的问诊分配方法，其特征在于，所述确定所述聚类样本的类间可分离度，通过所述类间可分离度和预置的基于决策树的向量机分类算法构建决策树，得到初始决策树包括：
调用预置的可分性度量公式，计算所述聚类样本的类间可分离度，将所述类间可分离度按照从大到小的顺序进行排序，得到分离度排序结果；
提取所述分离度排序结果中预设数量的类间可分离度，对所述预设数量的类间可分离度对应的样本集进行标注，得到标注后的样本集，调用预置的基于决策树的向量机分类算法构建二值分类器，将所述标注后的样本集分别确定为所述二值分类器的子节点，得到初始决策树。
6.根据权利要求1所述的基于决策树的问诊分配方法，其特征在于，所述调用预置的相似度算法，将所述病症分类结果和预置的问诊医生信息数据库进行匹配，得到问诊分配结果包括：
调用预置的相似度算法，将所述病症分类结果和预置的问诊医生信息数据库进行相似度计算，得到相似度计算结果，所述相似度计算结果包括多个相似度值和每一个相似度值对应的病症分类结果和问诊医生信息；
按照多个相似度值从大到小的顺序，对所述相似度计算结果中的问诊医生信息进行排序，得到相似度排序结果，将所述相似度排序结果中排名为第一的问诊医生信息确定为问诊分配结果。
7.根据权利要求1-6中任一项所述的基于决策树的问诊分配方法，其特征在于，在所述获取初始医疗数据，对所述初始医疗数据进行预处理，得到预处理医疗数据之前，所述基于决策树的问诊分配方法还包括：
获取历史医疗数据，采用预置的匿名化算法对所述历史医疗数据进行脱敏处理，得到脱敏数据，所述历史医疗数据包括历史问诊数据以及所述历史问诊数据对应的问诊医生数据；
将所述脱敏数据加载至预置的数据库构建模板中，得到问诊医生信息数据库。
8.一种基于决策树的问诊分配装置，其特征在于，所述基于决策树的问诊分配装置包括：
获取模块，用于获取初始医疗数据，对所述初始医疗数据进行预处理，得到预处理医疗数据；
聚类模块，用于调用预置的聚类算法，对所述预处理医疗数据进行聚类处理，得到聚类样本；
分类模块，用于调用预置的基于决策树的向量机分类算法，对所述聚类样本进行基于病症相数的分类，得到病症分类结果；
匹配模块，用于调用预置的相似度算法，将所述病症分类结果和预置的问诊医生信息数据库进行匹配，得到问诊分配结果。
9.一种基于决策树的问诊分配设备，其特征在于，所述基于决策树的问诊分配设备包括：
存储器和至少一个处理器，所述存储器中存储有计算机程序；
所述至少一个处理器调用所述存储器中的所述计算机程序，以使得所述基于决策树的问诊分配设备执行如权利要求1-7中任意一项所述的基于决策树的问诊分配方法。
10.一种计算机可读存储介质，所述计算机可读存储介质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如权利要求1-7中任一项所述基于决策树的问诊分配方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111007657.7A CN113707286A (zh) | 2021-08-30 | 2021-08-30 | 基于决策树的问诊分配方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111007657.7A CN113707286A (zh) | 2021-08-30 | 2021-08-30 | 基于决策树的问诊分配方法、装置、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113707286A true CN113707286A (zh) | 2021-11-26 |
Family
ID=78657078
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111007657.7A Pending CN113707286A (zh) | 2021-08-30 | 2021-08-30 | 基于决策树的问诊分配方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113707286A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114996764A (zh) * | 2022-07-28 | 2022-09-02 | 武汉盛博汇信息技术有限公司 | 一种基于脱敏数据的信息分享方法和装置 |
| CN115910313A (zh) * | 2022-12-28 | 2023-04-04 | 江苏汇智达信息科技有限公司 | 网络应用程序随机选择系统 |
| CN116313019A (zh) * | 2023-05-19 | 2023-06-23 | 青岛市妇女儿童医院（青岛市妇幼保健院、青岛市残疾儿童医疗康复中心、青岛市新生儿疾病筛查中心） | 一种基于人工智能的医疗护理数据处理方法及系统 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120109683A1 (en) * | 2010-10-27 | 2012-05-03 | International Business Machines Corporation | Method and system for outcome based referral using healthcare data of patient and physician populations |
| CN106777971A (zh) * | 2016-12-15 | 2017-05-31 | 杭州卓健信息科技有限公司 | 一种智能导诊方法及其装置 |
| US20170351822A1 (en) * | 2016-06-07 | 2017-12-07 | hMetrix LLC | Method and system for analyzing and displaying optimization of medical resource utilization |
| US20180315182A1 (en) * | 2017-04-28 | 2018-11-01 | Siemens Healthcare Gmbh | Rapid assessment and outcome analysis for medical patients |
| CN110634566A (zh) * | 2019-09-24 | 2019-12-31 | 成都成信高科信息技术有限公司 | 一种中医临床诊断数据处理系统及方法、信息数据处理终端 |
| CN112035636A (zh) * | 2020-08-28 | 2020-12-04 | 康键信息技术（深圳）有限公司 | 医疗问诊系统的问答管理方法、装置、设备及存储介质 |
| 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 |
| CN112562836A (zh) * | 2020-12-18 | 2021-03-26 | 深圳赛安特技术服务有限公司 | 医生推荐方法、装置、电子设备及存储介质 |
| CN113130052A (zh) * | 2021-03-09 | 2021-07-16 | 深圳星医科技有限公司 | 医生推荐方法、医生推荐装置、终端设备及存储介质 |
| CN113191141A (zh) * | 2021-04-30 | 2021-07-30 | 康键信息技术（深圳）有限公司 | 问诊正则表达式生成方法、装置、设备及存储介质 |
-
2021
- 2021-08-30 CN CN202111007657.7A patent/CN113707286A/zh active Pending
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120109683A1 (en) * | 2010-10-27 | 2012-05-03 | International Business Machines Corporation | Method and system for outcome based referral using healthcare data of patient and physician populations |
| US20170351822A1 (en) * | 2016-06-07 | 2017-12-07 | hMetrix LLC | Method and system for analyzing and displaying optimization of medical resource utilization |
| CN106777971A (zh) * | 2016-12-15 | 2017-05-31 | 杭州卓健信息科技有限公司 | 一种智能导诊方法及其装置 |
| US20180315182A1 (en) * | 2017-04-28 | 2018-11-01 | Siemens Healthcare Gmbh | Rapid assessment and outcome analysis for medical patients |
| CN110634566A (zh) * | 2019-09-24 | 2019-12-31 | 成都成信高科信息技术有限公司 | 一种中医临床诊断数据处理系统及方法、信息数据处理终端 |
| CN112035636A (zh) * | 2020-08-28 | 2020-12-04 | 康键信息技术（深圳）有限公司 | 医疗问诊系统的问答管理方法、装置、设备及存储介质 |
| 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 |
| CN112562836A (zh) * | 2020-12-18 | 2021-03-26 | 深圳赛安特技术服务有限公司 | 医生推荐方法、装置、电子设备及存储介质 |
| CN113130052A (zh) * | 2021-03-09 | 2021-07-16 | 深圳星医科技有限公司 | 医生推荐方法、医生推荐装置、终端设备及存储介质 |
| CN113191141A (zh) * | 2021-04-30 | 2021-07-30 | 康键信息技术（深圳）有限公司 | 问诊正则表达式生成方法、装置、设备及存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| CHIN-YUAN FAN等: "A hybrid model combining case-based reasoning and fuzzy decision tree for medical data classification", 《APPLIED SOFT COMPUTING》, vol. 11, 22 December 2009 (2009-12-22), pages 632 - 644, XP027260593 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114996764A (zh) * | 2022-07-28 | 2022-09-02 | 武汉盛博汇信息技术有限公司 | 一种基于脱敏数据的信息分享方法和装置 |
| CN114996764B (zh) * | 2022-07-28 | 2022-11-11 | 武汉盛博汇信息技术有限公司 | 一种基于脱敏数据的信息分享方法和装置 |
| CN115910313A (zh) * | 2022-12-28 | 2023-04-04 | 江苏汇智达信息科技有限公司 | 网络应用程序随机选择系统 |
| CN115910313B (zh) * | 2022-12-28 | 2023-10-24 | 北京东方瀚海拍卖有限公司 | 网络应用程序随机选择系统 |
| CN116313019A (zh) * | 2023-05-19 | 2023-06-23 | 青岛市妇女儿童医院（青岛市妇幼保健院、青岛市残疾儿童医疗康复中心、青岛市新生儿疾病筛查中心） | 一种基于人工智能的医疗护理数据处理方法及系统 |
| CN116313019B (zh) * | 2023-05-19 | 2023-08-11 | 青岛市妇女儿童医院（青岛市妇幼保健院、青岛市残疾儿童医疗康复中心、青岛市新生儿疾病筛查中心） | 一种基于人工智能的医疗护理数据处理方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113707286A (zh) | 基于决策树的问诊分配方法、装置、设备及存储介质 | |
| Fred et al. | Data clustering using evidence accumulation | |
| CN111738297A (zh) | 特征选择方法、装置、设备及存储介质 | |
| CN110929752A (zh) | 基于知识驱动和数据驱动的分群方法及相关设备 | |
| US20180165413A1 (en) | Gene expression data classification method and classification system | |
| Kaur et al. | Heart disease prediction using data mining techniques: A survey | |
| JP2007531602A (ja) | 心臓診断システム及び方法 | |
| CN113657805A (zh) | 考核指标体系权重的构建方法、装置、设备及存储介质 | |
| CN108831556A (zh) | 一种连续性肾脏替代治疗过程中肝素剂量的预测方法 | |
| CN111986792A (zh) | 医疗机构评分方法、装置、设备及存储介质 | |
| CN115050442B (zh) | 基于挖掘聚类算法的病种数据上报方法、装置及存储介质 | |
| Mahmud et al. | Comparative analysis of K-means and bisecting K-means algorithms for brain tumor detection | |
| CN114358202B (zh) | 基于药物分子图像分类的信息推送方法及装置 | |
| CN112214515A (zh) | 数据自动匹配方法、装置、电子设备及存储介质 | |
| CN111985837A (zh) | 基于层次聚类的风险分析方法、装置、设备及存储介质 | |
| AlZu’Bi et al. | transfer learning enabled CAD system for monkey pox classification | |
| Bayasi et al. | Continual-GEN: Continual Group ensembling for domain-agnostic skin lesion classification | |
| CN111986815A (zh) | 基于共现关系的项目组合挖掘方法及相关设备 | |
| JP6974878B2 (ja) | 診療ガイドラインをコンピュータにて解釈可能なモデルに変換するための方法及びシステム | |
| CN113191141A (zh) | 问诊正则表达式生成方法、装置、设备及存储介质 | |
| CN112530585A (zh) | 基于医疗机构的数据处理方法、装置、计算机设备及介质 | |
| CN113485990A (zh) | 基于输血大数据的多维度智能数据清洗方法及系统 | |
| Sao et al. | A literature review on approaches of ECG pattern recognition | |
| Soares et al. | An analysis of protein patterns present in the saliva of diabetic patients using pairwise relationship and hierarchical clustering | |
| CN113643806A (zh) | 诊断相关疾病组数据的处理方法、装置、设备及存储介质 |
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 |