CN113724814A - 一种分诊方法、装置、计算设备及存储介质 - Google Patents
一种分诊方法、装置、计算设备及存储介质 Download PDFInfo
- Publication number
- CN113724814A CN113724814A CN202110965460.8A CN202110965460A CN113724814A CN 113724814 A CN113724814 A CN 113724814A CN 202110965460 A CN202110965460 A CN 202110965460A CN 113724814 A CN113724814 A CN 113724814A
- Authority
- CN
- China
- Prior art keywords
- target
- entity
- department
- hospital
- 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 46
- 238000003745 diagnosis Methods 0.000 title claims abstract description 41
- 238000003860 storage Methods 0.000 title claims abstract description 15
- 238000004364 calculation method Methods 0.000 title description 3
- 201000010099 disease Diseases 0.000 claims description 66
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 66
- 238000012549 training Methods 0.000 claims description 45
- 238000004590 computer program Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 13
- 230000011218 segmentation Effects 0.000 claims description 8
- 238000012163 sequencing technique Methods 0.000 claims description 7
- 230000004044 response Effects 0.000 claims description 5
- 230000000694 effects Effects 0.000 abstract description 8
- 238000010586 diagram Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 239000003814 drug Substances 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000012795 verification Methods 0.000 description 4
- 238000010606 normalization Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 208000024891 symptom Diseases 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000001079 digestive effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000029142 excretion Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000241 respiratory effect Effects 0.000 description 1
- 230000003068 static 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- 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
- G16H40/60—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 operation of medical equipment or devices
- G16H40/67—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 operation of medical equipment or devices for remote operation
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Epidemiology (AREA)
- Biomedical Technology (AREA)
- General Business, Economics & Management (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Computational Biology (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Pathology (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例提供了一种分诊方法、装置、计算设备及存储介质,该方法包括:基于目标用户的属性信息以及病情信息,确定目标互联网科室;基于预设的互联网科室、实体医院以及实体科室的对应关系,确定所述目标互联网科室对应的候选实体医院以及候选实体医院的目标实体科室;若有多个候选实体医院,则基于所述目标用户的用户位置信息以及所述候选实体医院的医院位置信息,确定目标实体医院,并将所述目标实体医院的目标实体科室作为目标科室。本实施例确定的目标实体医院的目标实体科室不仅适合目标用户的病情和属性,提高后续诊治效率和诊治效果,且目标实体医院的位置也较为合适,以便该目标用户后续也能较为方便地去到实体医院进行特殊诊治。
Description
技术领域
本申请实施例涉及医学领域,尤其涉及一种分诊方法、装置、计算设备及存储介质。
背景技术
随着科技的发展,互联网医院越来越普及。互联网医院能够提供在线咨询、智能问药、药品快递到家等功能。互联网医院关联有多个实体医院的多个实体科室,用户在选择实体医院和实体科室后才能进行诊治。
相关技术中,用户只能依靠自身经验,从互联网医院中选择适合自身病情的实体医院和实体科室。
然而,互联网医院关联的实体医院和实体科室较多,用户的经验十分有限,依靠自身经验难以准确地选择合适的实体医院和实体科室。
发明内容
本申请实施例提供了一种分诊方法、装置、计算设备及存储介质,用以准确地选择合适的实体医院和实体科室。
第一方面,本申请实施例提供了一种分诊方法,该方法包括:
基于目标用户的属性信息以及病情信息,确定目标互联网科室;
基于预设的互联网科室、实体医院以及实体科室的对应关系,确定所述目标互联网科室对应的候选实体医院以及候选实体医院的目标实体科室;
若有多个候选实体医院,则基于所述目标用户的用户位置信息以及所述候选实体医院的医院位置信息,确定目标实体医院,并将所述目标实体医院的目标实体科室作为目标科室。
上述技术方案中,由于目标互联网科室是基于目标用户的属性信息以及病情信息确定的,因此该目标互联网科室对应的候选实体医院的目标实体科室适合于该目标用户的病情,且符合该目标用户的属性;如果该目标互联网科室对应有多个候选实体医院,基于该目标用户的用户位置信息以及这多个候选实体医院的医院位置信息,确定的目标实体医院的位置也适合于该目标用户。因此,该目标实体医院的目标实体科室不仅适合目标用户的病情和属性,提高后续诊治效率和诊治效果,且目标实体医院的位置也较为合适,以便该目标用户后续也能较为方便地去到实体医院进行特殊诊治。
可选地,基于所述目标用户的用户位置信息以及所述候选实体医院的医院位置信息,确定目标实体医院,包括:
将与所述用户位置信息距离最近的医院位置信息对应的候选实体医院作为目标实体医院;或者
将所有候选实体医院按照医院位置信息与用户位置信息的距离由近到远进行排序后显示;响应于用户的选择指令,将用户选择的候选实体医院作为目标实体医院。
上述技术方案中,由于目标用户去较近的地方会较为方便,因此,将与用户位置信息距离最近的医院位置信息对应的候选实体医院作为目标实体医院,该目标用户后续能较为方便地去到实体医院进行特殊诊治;通过将所有候选实体医院按照医院位置信息与用户位置信息的距离由近到远进行排序后显示,目标用户不仅能快速准确地选择最近的候选实体医院,还能根据实际需要选择其他的候选实体医院,更加符合用户个性化需求。
可选地,还包括:将所述目标科室的历史病情信息与所述目标用户的病情信息进行比对,基于比对结果确定目标医生。
上述技术方案中,通过参考上述目标科室的历史病情信息,将这些历史病情信息与目标用户的病情信息进行比对,基于比对结果能从目标科室中选择出适合目标用户的病情的目标医生,进一步提高后续诊治效率和诊治效果。
可选地,将所述目标科室的历史病情信息与所述目标用户的病情信息进行比对,包括:
确定与所述目标用户的病情信息相似度最高的历史病情信息;
基于比对结果确定目标医生,包括:
将确定的历史病情信息所对应的医生确定为目标医生。
上述技术方案中,通过确定与目标用户的病情信息相似度最高的历史病情信息,将该历史病情信息所对应的医生确定为目标医生,从而精准地从目标科室中选择出适合目标用户的病情的目标医生。
可选地,基于目标用户的属性信息以及病情信息,确定目标互联网科室,包括:
将所述目标用户的属性信息以及从所述目标用户的病情信息中提取的关键信息输入到目标模型中,得到所述目标模型输出的目标互联网科室。
上述技术方案中,通过将目标用户的属性信息以及从目标用户的病情信息中提取的关键信息输入到目标模型中,精准高效地得到适合于该目标用户的病情且符合该目标用户的属性的目标互联网科室。
可选地,所述目标模型通过以下方式训练得到:
基于各互联网科室的样本病患数据中的训练样本病患数据对初始模型进行训练,得到训练模型;其中,所述样本病患数据包括样本属性信息、样本病情信息中提取的样本关键信息以及对应的样本互联网科室;
若基于所述样本病患数据中的校验样本病患数据确定所述训练模型的准确率超过目标准确率,则将所述训练模型确定为目标模型。
上述技术方案中,基于训练样本病患数据对初始模型进行训练,得到训练模型;进而基于校验样本病患数据确定该训练模型的准确率,如果确定的准确率超过目标准确率,就将上述训练模型确定为目标模型,从而使目标模型的准确率较高,后续基于该目标模型能精准高效地得到合适的目标互联网科室。
可选地,通过以下方式从所述目标用户的病情信息中提取关键信息:
将所述目标用户的病情信息进行分词处理,得到多个词段;
将所述多个词段中有实意的关键词段,以及各关键词段的权重信息,确定为关键信息。
第二方面,本申请实施例还提供了一种分诊装置,包括:
互联网科室确定模块,用于基于目标用户的属性信息以及病情信息,确定目标互联网科室;
实体科室确定模块,用于基于预设的互联网科室、实体医院以及实体科室的对应关系,确定所述目标互联网科室对应的候选实体医院以及候选实体医院的目标实体科室;
所述实体科室确定模块,还用于若有多个候选实体医院,则基于所述目标用户的用户位置信息以及所述候选实体医院的医院位置信息,确定目标实体医院,并将所述目标实体医院的目标实体科室作为目标科室。
第三方面,本申请实施例提供一种计算设备,包括至少一个处理器以及至少一个存储器,其中,所述存储器存储有计算机程序,当所述程序被所述处理器执行时,使得所述处理器执行上述第一方面任一所述的分诊方法。
第四方面,本申请实施例提供一种计算机可读存储介质,其存储有可由计算设备执行的计算机程序,当所述程序在所述计算设备上运行时,使得所述计算设备执行上述第一方面任一所述的分诊方法。
另外,第二至四方面中任一种实现方式所带来的技术效果可参见第一方面中不同实现方式所带来的技术效果,此处不再赘述。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简要介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域的普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的应用场景示意图;
图2为本申请实施例提供的第一种分诊方法的流程示意图;
图3为本申请实施例提供的关键信息的提取流程示意图;
图4为本申请实施例提供的目标模型的训练流程示意图;
图5为本申请实施例提供的第二种分诊方法的流程示意图;
图6为本申请实施例提供的分诊装置的结构示意图;
图7为本申请实施例提供的计算设备的结构示意图。
具体实施方式
为了使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请作进一步地详细描述,显然,所描述的实施例仅仅是本申请的一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
互联网医院能够提供在线咨询、智能问药、药品快递到家等功能。互联网医院汇集了线下的多个实体医院,每个实体医院设置有多个实体科室,基于不同实体医院功能相似的实体科室设置一个互联网科室。
参阅图1所示,互联网医院设置有10个互联网科室:互联网科室1、互联网科室2、互联网科室3、互联网科室4、互联网科室5、互联网科室6、互联网科室7、互联网科室8、互联网科室9以及互联网科室10。互联网医院汇集了3个实体医院:实体医院A、实体医院B、以及实体医院C。其中,实体医院A设置有实体科室A1、实体科室A2、实体科室A3、实体科室A4、实体科室A5以及实体科室A6;实体医院B设置有实体科室B1、实体科室B2、实体科室B3、实体科室B4、实体科室B5、实体科室B6、实体科室B7以及实体科室B8;实体医院C设置有实体科室C1、实体科室C2、实体科室C3、实体科室C4、实体科室C5以及实体科室C6。
每个互联网科室对应至少一个实体医院的实体科室,参阅图1所示,互联网科室1对应实体科室A1以及实体科室B1;互联网科室2对应实体科室A2以及实体科室C1;互联网科室3对应实体科室B2以及实体科室C2;互联网科室4对应实体科室B3以及实体科室C3;互联网科室5对应实体科室A3、实体科室B4;互联网科室6对应实体科室B5;互联网科室7对应实体科室A4、实体科室B6;互联网科室8对应实体科室B7以及实体科室C4;互联网科室9对应实体科室A5、实体科室C5;互联网科室10对应实体科室A6、实体科室B8以及实体科室C6。用户在选择实体医院和实体科室后才能进行诊治。
图1以10个互联网科室、3个实体医院为例进行示例性说明,实际应用中可能有更多或者更少的互联网科室,互联网医院可能汇集了更多或者更少的实体医院,各互联网科室可能对应有更多或者更少的实体医院的实体科室。
一些实施例,用户只能依靠自身经验,从互联网医院中选择适合自身病情的实体医院和实体科室。然而,互联网医院关联的实体医院和实体科室较多,用户的经验十分有限,依靠自身经验难以准确地选择合适的实体医院和实体科室。
鉴于此,本申请实施例提出一种分诊方法、装置、计算设备及存储介质,该方法包括:基于目标用户的属性信息以及病情信息,确定目标互联网科室;基于预设的互联网科室、实体医院以及实体科室的对应关系,确定所述目标互联网科室对应的候选实体医院以及候选实体医院的目标实体科室;若有多个候选实体医院,则基于所述目标用户的用户位置信息以及所述候选实体医院的医院位置信息,确定目标实体医院,并将所述目标实体医院的目标实体科室作为目标科室。本实施例确定的目标实体医院的目标实体科室不仅适合目标用户的病情和属性,提高后续诊治效率和诊治效果,且目标实体医院的位置也较为合适,以便该目标用户后续也能较为方便地去到实体医院进行特殊诊治。
下面将结合附图及具体实施例,对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例中不再赘述。
本申请实施例提供第一种分诊方法,如图2所示,包括以下步骤:
步骤S201:基于目标用户的属性信息以及病情信息,确定目标互联网科室。
本实施例,需要从所有互联网科室中确定出适合于目标用户的目标互联网科室,通过基于目标用户的属性信息以及病情信息确定的目标互联网科室,不仅适合于该目标用户的病情,且符合该目标用户的属性。
本实施例对上述目标用户的属性信息不做具体限定,可以包括表征目标用户性别的信息以及表征目标用户年龄的信息中至少一项;本实施例对上述目标用户的病情信息不做具体限定,可以为目标用户的病情的描述信息,如某些部位不适、呼吸症状、排泄情况、消化症状等。
步骤S202:基于预设的互联网科室、实体医院以及实体科室的对应关系,确定所述目标互联网科室对应的候选实体医院以及候选实体医院的目标实体科室。
如上所述,每个互联网科室对应至少一个实体医院的实体科室,参阅上述图1所示,对应关系可以为:
互联网科室1-实体医院A-实体科室A1,互联网科室1-实体医院B-实体科室B1;
互联网科室2-实体医院A-实体科室A2,互联网科室2-实体医院C-实体科室C1;
互联网科室3-实体医院B-实体科室B2,互联网科室3-实体医院C-实体科室C2;
互联网科室4-实体医院B-实体科室B3,互联网科室4-实体医院C-实体科室C3;
互联网科室5-实体医院A-实体科室A3,互联网科室5-实体医院B-实体科室B4;
互联网科室6-实体医院B-实体科室B5;
互联网科室7-实体医院A-实体科室A4,互联网科室7-实体医院B-实体科室B6;
互联网科室8-实体医院B-实体科室B7,互联网科室8-实体医院C-实体科室C4;
互联网科室9-实体医院A-实体科室A5,互联网科室9-实体医院C-实体科室C5;
互联网科室10-实体医院A-实体科室A6,互联网科室10-实体医院B-实体科室B8,互联网科室10-实体医院C-实体科室C6。
如果目标互联网科室为互联网科室1,根据上述对应关系,确定候选医院为实体医院A以及实体医院B,且目标实体科室为实体医院A的实体科室A1以及实体医院B的实体科室B1;如果目标互联网科室为互联网科室2,根据上述对应关系,确定候选医院为实体医院A以及实体医院C,且目标实体科室为实体医院A的实体科室A2以及实体医院C的实体科室C1。目标互联网科室为其他互联网科室时,也根据上述对应关系,确定候选医院以及候选实体医院的目标实体科室,此处不再一一举例说明。
步骤S203:若有多个候选实体医院,则基于所述目标用户的用户位置信息以及所述候选实体医院的医院位置信息,确定目标实体医院,并将所述目标实体医院的目标实体科室作为目标科室。
实施中,有的互联网科室对应有一个候选实体医院,如果目标互联网科室为该互联网科室时,将这一个候选实体医院作为目标实体医院,并将该目标实体医院的目标实体科室作为目标科室。还是以上述图1为例,如果目标互联网科室为互联网科室6时,将实体医院B作为目标实体医院,并将实体医院B的实体科室B5作为目标科室。
但是有的互联网科室对应有多个候选实体医院,如果目标互联网科室为该互联网科室时,还需要确定最终的目标实体医院。由于目标用户后续可能需要去到实体医院进行特殊诊治,因此,本实施例基于目标用户的用户位置信息以及各候选实体医院的医院位置信息,确定目标实体医院,使得目标实体医院的位置适合于该目标用户,该目标用户后续能够较为方便地去到实体医院。
上述技术方案中,由于目标互联网科室是基于目标用户的属性信息以及病情信息确定的,因此该目标互联网科室对应的候选实体医院的目标实体科室适合于该目标用户的病情,且符合该目标用户的属性;如果该目标互联网科室对应有多个候选实体医院,基于该目标用户的用户位置信息以及这多个候选实体医院的医院位置信息,确定的目标实体医院的位置也适合于该目标用户。因此,该目标实体医院的目标实体科室不仅适合目标用户的病情和属性,提高后续诊治效率和诊治效果,且目标实体医院的位置也较为合适,以便该目标用户后续也能较为方便地去到实体医院进行特殊诊治。
一些可选的实施方式中,上述步骤S201基于目标用户的属性信息以及病情信息,确定目标互联网科室,可通过但不限于如下方式实现:
将所述目标用户的属性信息以及从所述目标用户的病情信息中提取的关键信息输入到目标模型中,得到所述目标模型输出的目标互联网科室。
由于目标用户的病情信息是对病情的描述,会有些没有实意的词段,且病情信息中有实意的词段重要程度也不相同。参阅图3所示,可通过但不限于以下方式从所述目标用户的病情信息中提取关键信息:
步骤S301:将所述目标用户的病情信息进行分词处理,得到多个词段。
本实施例对上述分词处理的具体实现方式不做限定,如采用基于词典分词、基于统计的机器学习分词等方式,将一整段的病情信息分为多个词段。
步骤S302:将所述多个词段中有实意的关键词段,以及各关键词段的权重信息,确定为关键信息。
由于目标用户的病情信息是对病情的描述,会有些无实意的词段,通过将上述多个词段过滤掉无实意的词段(如基于预设的无实意词段集合,将在该集合中的词段作为无实意的词段进行过滤),得到有实意的关键词段。这些有实意的词段重要程度不同,通过确定各关键词段的权重信息,将关键词段及其权重信息确定为关键信息,该关键信息精准地表征出目标用户的病情的特征。
本实施例对确定各关键词段的权重信息的具体实现方式不做限定,例如采用信息检索数据挖掘的常用加权技术(term frequency–inverse document frequency,TF-IDF)计算各关键词段的权重信息。
上述确定目标用户的关键信息的实现方式只是示例性说明,本申请并不以此为限。
参阅图4所示,上述目标模型通过但不限于以下方式训练得到:
步骤S401:基于各互联网科室的样本病患数据中的训练样本病患数据对初始模型进行训练,得到训练模型。
其中,所述样本病患数据包括样本属性信息、样本病情信息中提取的样本关键信息以及对应的样本互联网科室。
一些具体的实施例中,上述各互联网科室的样本病患数据是过滤掉错误病患数据后的病患数据。上述训练样本病患数据为随机选择的部分样本病患数据。
示例性的,将上述训练样本病患数据中样本属性信息、样本病情信息中提取的样本关键信息以及对应的样本互联网科室作为输入,将预测的互联网科室作为输出,将样本互联网科室以及预测的互联网科室的接近程度作为优化条件,对上述初始模型进行训练,得到训练模型。
步骤S402:若基于所述样本病患数据中的校验样本病患数据确定所述训练模型的准确率超过目标准确率,则将所述训练模型确定为目标模型。
一些具体的实施例中,校验样本病患数据为样本病患数据中除上述训练样本病患数据之外的样本病患数据。
本实施例对样本病患数据中的训练样本病患数据以及校验样本病患数据的数量比不做具体限定,例如训练样本病患数据以及校验样本病患数据的数量比为2:1。
示例性的,将上述校验样本病患数据中样本属性信息以及样本病情信息中提取的样本关键信息输入到上述训练模型,得到预测的互联网科室,预测的互联网科室与对应的样本互联网科室相同的概率为该训练模型的准确率。
上述训练得到目标模型的方式只是示例性说明,本申请并不以此为限。
通过基于训练样本病患数据对初始模型进行训练,得到训练模型;进而基于校验样本病患数据确定该训练模型的准确率,如果确定的准确率超过目标准确率,就将上述训练模型确定为目标模型,从而使目标模型的准确率较高,后续基于该目标模型能精准高效地得到合适的目标互联网科室。
可以理解,最终输入到目标模型的数据都是归一化之后的数据,即上述目标用户的属性信息、目标用户的病情信息等都是归一化之后的数据;
模型训练过程的数据也是归一化之后的数据,即上述样本属性信息、样本病情信息等都是归一化之后的数据。
上述技术方案中,通过将目标用户的属性信息以及从目标用户的病情信息中提取的关键信息输入到目标模型中,精准高效地得到适合于该目标用户的病情且符合该目标用户的属性的目标互联网科室。
一些可选的实施方式中,上述步骤S203基于所述目标用户的用户位置信息以及所述候选实体医院的医院位置信息,确定目标实体医院,可通过但不限于如下方式实现:
1)将与所述用户位置信息距离最近的医院位置信息对应的候选实体医院作为目标实体医院。
以上述对应关系为例,如果目标互联网科室为互联网科室1,根据上述对应关系,确定候选医院为实体医院A以及实体医院B;用户位置信息与实体医院A的位置信息之间的距离记作L1,用户位置信息与实体医院B的位置信息之间的距离记作L2。如果L1<L2,将实体医院A作为目标实体医院;如果L1>L2,将实体医院B作为目标实体医院;如果L1=L2,将实体医院A或者实体医院B作为目标实体医院。
该示例只是为了更加清楚地说明如何确定目标实体医院,本申请并不以此为限。
由于目标用户去较近的地方会较为方便,因此,将与用户位置信息距离最近的医院位置信息对应的候选实体医院作为目标实体医院,该目标用户后续能较为方便地去到实体医院进行特殊诊治。
2)将所有候选实体医院按照医院位置信息与用户位置信息的距离由近到远进行排序后显示;响应于用户的选择指令,将用户选择的候选实体医院作为目标实体医院。
还是以上述对应关系为例,如果目标互联网科室为互联网科室1,根据上述对应关系,确定候选医院为实体医院A以及实体医院B;用户位置信息与实体医院A的位置信息之间的距离记作L1,用户位置信息与实体医院B的位置信息之间的距离记作L2。如果L1<L2,按照实体医院A、实体医院B的顺序显示;如果L1>L2,按照实体医院B、实体医院A的顺序显示;如果L1=L2,按照实体医院A、实体医院B的顺序显示,或者按照实体医院B、实体医院A的顺序显示。在显示候选实体医院后,如果用户选择实体医院A,就将实体医院A作为目标实体医院;如果用户选择实体医院B,就将实体医院B作为目标实体医院。
该示例只是为了更加清楚地说明如何确定目标实体医院,本申请并不以此为限。
通过将所有候选实体医院按照医院位置信息与用户位置信息的距离由近到远进行排序后显示,目标用户不仅能快速准确地选择最近的候选实体医院,还能根据实际需要选择其他的候选实体医院,更加符合用户个性化需求。
本申请实施例提供第二种分诊方法,如图5所示,包括以下步骤:
步骤S501:基于目标用户的属性信息以及病情信息,确定目标互联网科室。
步骤S502:基于预设的互联网科室、实体医院以及实体科室的对应关系,确定所述目标互联网科室对应的候选实体医院以及候选实体医院的目标实体科室。
步骤S503:若有多个候选实体医院,则基于所述目标用户的用户位置信息以及所述候选实体医院的医院位置信息,确定目标实体医院,并将所述目标实体医院的目标实体科室作为目标科室。
该步骤S501-S503的具体实现方式可参照上述实施例,此处不再赘述。
步骤S504:将所述目标科室的历史病情信息与所述目标用户的病情信息进行比对,基于比对结果确定目标医生。
实施中,各实体科室对应有历史病情信息,即最终在该实体科室就诊的病患的病情信息,且预设有病情信息与该实体科室的对应医生(为该病情信息对应的病患进行诊治的医生)的相关信息(如对应医生的标识、技术特长等信息)的关联关系。
通过参考上述目标科室的历史病情信息,将这些历史病情信息与目标用户的病情信息进行比对,基于比对结果能从目标科室中选择出适合目标用户的病情的目标医生,进一步提高后续诊治效率和诊治效果。
上述步骤S504将所述目标科室的历史病情信息与所述目标用户的病情信息进行比对,基于比对结果确定目标医生,可通过但不限于如下方式实现:
确定与所述目标用户的病情信息相似度最高的历史病情信息;
将确定的历史病情信息所对应的医生确定为目标医生。
一些具体的实现方式中,可采用Elasticsearch(一种搜索与数据分析引擎)或者Solr(一种企业级搜索应用服务器)确定与目标用户的病情信息相似度最高的历史病情信息。
实施中,可在确定目标医生后,将该目标医生的相关信息(如对应医生的标识、技术特长等信息)进行显示,以便目标用户根据该目标医生的相关信息确定是否需要调换医生。
基于相同的发明构思,本申请实施例提供一种分诊装置,参阅图6所示,分诊装置600包括:
互联网科室确定模块601,用于基于目标用户的属性信息以及病情信息,确定目标互联网科室;
实体科室确定模块602,用于基于预设的互联网科室、实体医院以及实体科室的对应关系,确定所述目标互联网科室对应的候选实体医院以及候选实体医院的目标实体科室;
所述实体科室确定模块602,还用于若有多个候选实体医院,则基于所述目标用户的用户位置信息以及所述候选实体医院的医院位置信息,确定目标实体医院,并将所述目标实体医院的目标实体科室作为目标科室。
可选地,实体科室确定模块602,具体用于:
将与所述用户位置信息距离最近的医院位置信息对应的候选实体医院作为目标实体医院;或者
将所有候选实体医院按照医院位置信息与用户位置信息的距离由近到远进行排序后显示;响应于用户的选择指令,将用户选择的候选实体医院作为目标实体医院。
可选地,实体科室确定模块602,还用于:
将所述目标科室的历史病情信息与所述目标用户的病情信息进行比对,基于比对结果确定目标医生。
可选地,实体科室确定模块602,具体用于:
确定与所述目标用户的病情信息相似度最高的历史病情信息;
将确定的历史病情信息所对应的医生确定为目标医生。
可选地,互联网科室确定模块601,具体用于:
将所述目标用户的属性信息以及从所述目标用户的病情信息中提取的关键信息输入到目标模型中,得到所述目标模型输出的目标互联网科室。
可选地,所述目标模型通过以下方式训练得到:
基于各互联网科室的样本病患数据中的训练样本病患数据对初始模型进行训练,得到训练模型;其中,所述样本病患数据包括样本属性信息、样本病情信息中提取的样本关键信息以及对应的样本互联网科室;
若基于所述样本病患数据中的校验样本病患数据确定所述训练模型的准确率超过目标准确率,则将所述训练模型确定为目标模型。
可选地,互联网科室确定模块601还用于通过以下方式从所述目标用户的病情信息中提取关键信息:
将所述目标用户的病情信息进行分词处理,得到多个词段;
将所述多个词段中有实意的关键词段,以及各关键词段的权重信息,确定为关键信息。
由于该装置即是本申请实施例中的方法中的装置,并且该装置解决问题的原理与该方法相似,因此该装置的实施可以参见方法的实施,重复之处不再赘述。
基于相同的技术构思,本申请实施例还提供了一种计算设备700,如图7所示,包括至少一个处理器701,以及与至少一个处理器连接的存储器702,本申请实施例中不限定处理器701与存储器702之间的具体连接介质,图7中处理器701和存储器702之间通过总线703连接为例。总线可以分为地址总线、数据总线、控制总线等。为便于表示,图7中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
其中,处理器701是计算设备的控制中心,可以利用各种接口和线路连接计算设备的各个部分,通过运行或执行存储在存储器702内的指令以及调用存储在存储器702内的数据,从而实现数据处理。可选的,处理器701可包括一个或多个处理单元,处理器701可集成应用处理器和调制解调处理器,其中,应用处理器主要处理操作系统、用户界面和应用程序等,调制解调处理器主要处理下发指令。可以理解的是,上述调制解调处理器也可以不集成到处理器701中。在一些实施例中,处理器701和存储器702可以在同一芯片上实现,在一些实施例中,它们也可以在独立的芯片上分别实现。
处理器701可以是通用处理器,例如中央处理器(CPU)、数字信号处理器、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件,可以实现或者执行本申请实施例中公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者任何常规的处理器等。结合分诊方法实施例所公开的方法的步骤可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。
存储器702作为一种非易失性计算机可读存储介质,可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块。存储器702可以包括至少一种类型的存储介质,例如可以包括闪存、硬盘、多媒体卡、卡型存储器、随机访问存储器(Random AccessMemory,RAM)、静态随机访问存储器(Static Random Access Memory,SRAM)、可编程只读存储器(Programmable Read Only Memory,PROM)、只读存储器(Read Only Memory,ROM)、带电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory,EEPROM)、磁性存储器、磁盘、光盘等等。存储器702是能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。本申请实施例中的存储器702还可以是电路或者其它任意能够实现存储功能的装置,用于存储程序指令和/或数据。
在本申请实施例中,存储器702存储有计算机程序,当该程序被处理器701执行时,使得处理器701执行:
基于目标用户的属性信息以及病情信息,确定目标互联网科室;
基于预设的互联网科室、实体医院以及实体科室的对应关系,确定所述目标互联网科室对应的候选实体医院以及候选实体医院的目标实体科室;
若有多个候选实体医院,则基于所述目标用户的用户位置信息以及所述候选实体医院的医院位置信息,确定目标实体医院,并将所述目标实体医院的目标实体科室作为目标科室。
可选地,处理器701具体执行:
将与所述用户位置信息距离最近的医院位置信息对应的候选实体医院作为目标实体医院;或者
将所有候选实体医院按照医院位置信息与用户位置信息的距离由近到远进行排序后显示;响应于用户的选择指令,将用户选择的候选实体医院作为目标实体医院。
可选地,处理器701还执行:
将所述目标科室的历史病情信息与所述目标用户的病情信息进行比对,基于比对结果确定目标医生。
可选地,处理器701具体执行:
确定与所述目标用户的病情信息相似度最高的历史病情信息;
将确定的历史病情信息所对应的医生确定为目标医生。
可选地,处理器701具体执行:
将所述目标用户的属性信息以及从所述目标用户的病情信息中提取的关键信息输入到目标模型中,得到所述目标模型输出的目标互联网科室。
可选地,所述目标模型通过以下方式训练得到:
基于各互联网科室的样本病患数据中的训练样本病患数据对初始模型进行训练,得到训练模型;其中,所述样本病患数据包括样本属性信息、样本病情信息中提取的样本关键信息以及对应的样本互联网科室;
若基于所述样本病患数据中的校验样本病患数据确定所述训练模型的准确率超过目标准确率,则将所述训练模型确定为目标模型。
可选地,处理器701还用于通过以下方式从所述目标用户的病情信息中提取关键信息:
将所述目标用户的病情信息进行分词处理,得到多个词段;
将所述多个词段中有实意的关键词段,以及各关键词段的权重信息,确定为关键信息。
由于该计算设备即是本申请实施例中的方法中的计算设备,并且该计算设备解决问题的原理与该方法相似,因此该计算设备的实施可以参见方法的实施,重复之处不再赘述。
基于相同的技术构思,本申请实施例还提供了一种计算机可读存储介质,其存储有可由计算设备执行的计算机程序,当所述程序在所述计算设备上运行时,使得所述计算设备执行上述分诊方法的步骤。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本申请的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
Claims (10)
1.一种分诊方法,其特征在于,该方法包括:
基于目标用户的属性信息以及病情信息,确定目标互联网科室;
基于预设的互联网科室、实体医院以及实体科室的对应关系,确定所述目标互联网科室对应的候选实体医院以及候选实体医院的目标实体科室;
若有多个候选实体医院,则基于所述目标用户的用户位置信息以及所述候选实体医院的医院位置信息,确定目标实体医院,并将所述目标实体医院的目标实体科室作为目标科室。
2.如权利要求1所述的方法,其特征在于,基于所述目标用户的用户位置信息以及所述候选实体医院的医院位置信息,确定目标实体医院,包括:
将与所述用户位置信息距离最近的医院位置信息对应的候选实体医院作为目标实体医院;或者
将所有候选实体医院按照医院位置信息与用户位置信息的距离由近到远进行排序后显示;响应于用户的选择指令,将用户选择的候选实体医院作为目标实体医院。
3.如权利要求1所述的方法,其特征在于,还包括:
将所述目标科室的历史病情信息与所述目标用户的病情信息进行比对,基于比对结果确定目标医生。
4.如权利要求3所述的方法,其特征在于,将所述目标科室的历史病情信息与所述目标用户的病情信息进行比对,包括:
确定与所述目标用户的病情信息相似度最高的历史病情信息;
基于比对结果确定目标医生,包括:
将确定的历史病情信息所对应的医生确定为目标医生。
5.如权利要求1~4任一所述的方法,其特征在于,基于目标用户的属性信息以及病情信息,确定目标互联网科室,包括:
将所述目标用户的属性信息以及从所述目标用户的病情信息中提取的关键信息输入到目标模型中,得到所述目标模型输出的目标互联网科室。
6.如权利要求5所述的方法,其特征在于,所述目标模型通过以下方式训练得到:
基于各互联网科室的样本病患数据中的训练样本病患数据对初始模型进行训练,得到训练模型;其中,所述样本病患数据包括样本属性信息、样本病情信息中提取的样本关键信息以及对应的样本互联网科室;
若基于所述样本病患数据中的校验样本病患数据确定所述训练模型的准确率超过目标准确率,则将所述训练模型确定为目标模型。
7.如权利要求5所述的方法,其特征在于,通过以下方式从所述目标用户的病情信息中提取关键信息:
将所述目标用户的病情信息进行分词处理,得到多个词段;
将所述多个词段中有实意的关键词段,以及各关键词段的权重信息,确定为关键信息。
8.一种分诊装置,其特征在于,包括:
互联网科室确定模块,用于基于目标用户的属性信息以及病情信息,确定目标互联网科室;
实体科室确定模块,用于基于预设的互联网科室、实体医院以及实体科室的对应关系,确定所述目标互联网科室对应的候选实体医院以及候选实体医院的目标实体科室;
所述实体科室确定模块,还用于若有多个候选实体医院,则基于所述目标用户的用户位置信息以及所述候选实体医院的医院位置信息,确定目标实体医院,并将所述目标实体医院的目标实体科室作为目标科室。
9.一种计算设备,其特征在于,包括至少一个处理器以及至少一个存储器,其中,所述存储器存储有计算机程序,当所述程序被所述处理器执行时,使得所述处理器执行权利要求1至7任一所述的方法。
10.一种计算机可读存储介质,其特征在于,其存储有可由计算设备执行的计算机程序,当所述程序在所述计算设备上运行时,使得所述计算设备执行权利要求1至7任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110965460.8A CN113724814B (zh) | 2021-08-23 | 2021-08-23 | 一种分诊方法、装置、计算设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110965460.8A CN113724814B (zh) | 2021-08-23 | 2021-08-23 | 一种分诊方法、装置、计算设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113724814A true CN113724814A (zh) | 2021-11-30 |
CN113724814B CN113724814B (zh) | 2024-03-22 |
Family
ID=78677339
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110965460.8A Active CN113724814B (zh) | 2021-08-23 | 2021-08-23 | 一种分诊方法、装置、计算设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113724814B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115662600A (zh) * | 2022-12-29 | 2023-01-31 | 江西曼荼罗软件有限公司 | 一种基于地理位置的急救医疗资源呼叫方法及系统 |
CN116344009A (zh) * | 2023-05-22 | 2023-06-27 | 武汉盛博汇信息技术有限公司 | 一种线上就诊通知方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105184714A (zh) * | 2015-07-18 | 2015-12-23 | 深圳市前海安测信息技术有限公司 | 基于电子诊疗单的科室识别方法和网络医院平台 |
CN107563120A (zh) * | 2017-09-13 | 2018-01-09 | 青岛海信医疗设备股份有限公司 | 针对患者的医生推荐方法及装置 |
CN110866038A (zh) * | 2019-11-12 | 2020-03-06 | 维沃移动通信有限公司 | 信息推荐方法及终端设备 |
CN110993081A (zh) * | 2019-12-03 | 2020-04-10 | 济南大学 | 一种医生在线推荐方法及系统 |
WO2020181484A1 (zh) * | 2019-03-12 | 2020-09-17 | 深圳迈瑞生物医疗电子股份有限公司 | 一种病人监护方法及设备、计算机可读存储介质 |
-
2021
- 2021-08-23 CN CN202110965460.8A patent/CN113724814B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105184714A (zh) * | 2015-07-18 | 2015-12-23 | 深圳市前海安测信息技术有限公司 | 基于电子诊疗单的科室识别方法和网络医院平台 |
CN107563120A (zh) * | 2017-09-13 | 2018-01-09 | 青岛海信医疗设备股份有限公司 | 针对患者的医生推荐方法及装置 |
WO2020181484A1 (zh) * | 2019-03-12 | 2020-09-17 | 深圳迈瑞生物医疗电子股份有限公司 | 一种病人监护方法及设备、计算机可读存储介质 |
CN110866038A (zh) * | 2019-11-12 | 2020-03-06 | 维沃移动通信有限公司 | 信息推荐方法及终端设备 |
CN110993081A (zh) * | 2019-12-03 | 2020-04-10 | 济南大学 | 一种医生在线推荐方法及系统 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115662600A (zh) * | 2022-12-29 | 2023-01-31 | 江西曼荼罗软件有限公司 | 一种基于地理位置的急救医疗资源呼叫方法及系统 |
CN116344009A (zh) * | 2023-05-22 | 2023-06-27 | 武汉盛博汇信息技术有限公司 | 一种线上就诊通知方法及装置 |
CN116344009B (zh) * | 2023-05-22 | 2023-08-15 | 武汉盛博汇信息技术有限公司 | 一种线上就诊通知方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN113724814B (zh) | 2024-03-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ma et al. | Dipole: Diagnosis prediction in healthcare via attention-based bidirectional recurrent neural networks | |
JP6530085B2 (ja) | 再帰型ニューラル・ネットワークを用いた健康現象の分析 | |
Bisaso et al. | A survey of machine learning applications in HIV clinical research and care | |
JP5523342B2 (ja) | 類似事例検索を精密化するための方法及び装置 | |
US11037684B2 (en) | Generating drug repositioning hypotheses based on integrating multiple aspects of drug similarity and disease similarity | |
CN114203296A (zh) | 基于患者数据的用于健康护理诊断和治疗的贝叶斯因果关系网络模型 | |
CN113724814B (zh) | 一种分诊方法、装置、计算设备及存储介质 | |
CN110838359B (zh) | 基于对话机器人的分诊方法、装置、存储介质及机器人 | |
CN111461168A (zh) | 训练样本扩充方法、装置、电子设备及存储介质 | |
WO2016034996A1 (en) | Healthcare similarity engine and dashboard | |
CN107239722B (zh) | 用于从医疗文档中提取诊断对象的方法和装置 | |
CN112885478A (zh) | 医疗文献的检索方法、装置、电子设备及存储介质 | |
Singh et al. | Leveraging hierarchy in medical codes for predictive modeling | |
CN110752027B (zh) | 电子病历数据推送方法、装置、计算机设备和存储介质 | |
CN115222443A (zh) | 客户群体划分方法、装置、设备及存储介质 | |
WO2022227171A1 (zh) | 关键信息提取方法、装置、电子设备及介质 | |
WO2021174923A1 (zh) | 概念词序列生成方法、装置、计算机设备及存储介质 | |
CN111429289B (zh) | 单病种识别方法、装置、计算机设备和存储介质 | |
CN112017788B (zh) | 基于强化学习模型的疾病排序方法、装置、设备及介质 | |
CN113656601A (zh) | 医患匹配方法、装置、设备及存储介质 | |
Huang et al. | Study on patient similarity measurement based on electronic medical records | |
Dubey et al. | Using machine learning for healthcare treatment planning | |
CN110473636B (zh) | 基于深度学习的智能医嘱推荐方法及系统 | |
CN115631823A (zh) | 相似病例推荐方法及系统 | |
CN115240873A (zh) | 一种基于机器学习的药物推荐方法、电子设备和计算机可读存储介质 |
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 |