CN113724849A - 基于人工智能的医疗资源配置方法、装置、设备及介质 - Google Patents

基于人工智能的医疗资源配置方法、装置、设备及介质 Download PDF

Info

Publication number
CN113724849A
CN113724849A CN202111018070.6A CN202111018070A CN113724849A CN 113724849 A CN113724849 A CN 113724849A CN 202111018070 A CN202111018070 A CN 202111018070A CN 113724849 A CN113724849 A CN 113724849A
Authority
CN
China
Prior art keywords
consultation
doctor
insurance
target user
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.)
Pending
Application number
CN202111018070.6A
Other languages
English (en)
Inventor
乔皓
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 CN202111018070.6A priority Critical patent/CN113724849A/zh
Publication of CN113724849A publication Critical patent/CN113724849A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • 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
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/35—Clustering; Classification
    • 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
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/08—Insurance
    • 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
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • 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
    • 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)
  • Biomedical Technology (AREA)
  • Business, Economics & Management (AREA)
  • Primary Health Care (AREA)
  • Data Mining & Analysis (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Pathology (AREA)
  • Databases & Information Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Finance (AREA)
  • General Physics & Mathematics (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • Technology Law (AREA)
  • General Engineering & Computer Science (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

本申请涉及数字医疗领域，公开了一种基于人工智能的医疗资源配置方法、装置、设备及介质，包括：获取会诊请求；基于会诊请求中参考病历，利用类型识别模型识别会诊医生类型，筛选与会诊医生类型匹配的会诊医生，将匹配到的会诊医生添加到会诊小组中；向各个会诊医生的医生终端发送会诊时间请求，以请求各个会诊医生的医生终端返回参考会诊时间；基于参考会诊时间，确定目标会诊时间；当到达目标会诊时间时，向各个会诊医生的医生终端和目标用户的用户终端发送会诊通知信息，以通知各个会诊医生和目标用户进行医疗会诊，可以准确合理的匹配医疗资源，提高就诊效率。本申请涉及区块链技术，如可将上述数据写入区块链中，以用于会诊等场景。

Description

基于人工智能的医疗资源配置方法、装置、设备及介质
技术领域
本申请涉及数字医疗领域，尤其涉及一种基于人工智能的医疗资源配置方法、装置、设备及介质。
背景技术
目前，患者在就医就诊的过程中，尤其是较为复杂的疾病，通常需要在辗转于多家医院、多个科室，看若干专家医生，经过多次检查，费时费钱，也有可能得不到一个有效治疗的方案。并且，各个医院专科划分越来越细，专科医生水平参差不齐，患者确诊较难，导致患者无法得到有效治疗，因此，如何准确合理的匹配医疗资源，提高就诊效率成为医疗领域中亟需解决的问题。
发明内容
本申请实施例提供了一种基于人工智能的医疗资源配置方法、装置、设备及介质，可以基于患者的病历自动识别出所需要的医生类型，实现医生的合理化配置，可以提高医疗资源的准确匹配和会诊效率，以及医疗资源配置智能化水平；还可以基于医生所提供的时间合理的安排会诊时间，以保证各个会诊医生可以最大程度的准时参诊，缩短了患者的诊治和治疗时间，提高患者的就诊效率。
第一方面，本申请实施例公开了一种基于人工智能的医疗资源配置方法，所述方法包括：
获取目标用户的会诊请求，其中，所述会诊请求中包括参考病历；
基于所述参考病历，利用预训练的类型识别模型识别所述目标用户的会诊医生类型，并从预设的会诊医生库中筛选出与所述会诊医生类型匹配的一个或多个会诊医生，以及将匹配到的一个或多个会诊医生添加到会诊小组中；
向所述会诊小组中各个会诊医生对应的医生终端发送会诊时间请求，以请求所述各个会诊医生的医生终端返回参考会诊时间；
接收所述各个会诊医生的医生终端返回的所述参考会诊时间，并基于所述各个会诊医生的医生终端返回的所述参考会诊时间，确定目标会诊时间；
当到达所述目标会诊时间时，向所述会诊小组中各个会诊医生对应的医生终端和所述目标用户的用户终端发送会诊通知信息，其中，所述会诊通知信息用于通知所述各个会诊医生和所述目标用户进行医疗会诊。
第二方面，本申请实施例公开了一种基于人工智能的医疗资源配置装置，所述装置包括：
获取单元，用于获取目标用户的会诊请求，其中，所述会诊请求中包括参考病历；
第一确定单元，用于基于所述参考病历，利用预训练的类型识别模型识别所述目标用户的会诊医生类型，并从预设的会诊医生库中筛选出与所述会诊医生类型匹配的一个或多个会诊医生，以及将匹配到的一个或多个会诊医生添加到会诊小组中；
请求单元，用于向所述会诊小组中各个会诊医生对应的医生终端发送会诊时间请求，以请求所述各个会诊医生的医生终端返回参考会诊时间；
第二确定单元，用于接收所述各个会诊医生的医生终端返回的所述参考会诊时间，并基于所述各个会诊医生的医生终端返回的所述参考会诊时间，确定目标会诊时间；
通知单元，用于当到达所述目标会诊时间时，向所述会诊小组中各个会诊医生对应的医生终端和所述目标用户的用户终端发送会诊通知信息，其中，所述会诊通知信息用于通知所述各个会诊医生和所述目标用户进行医疗会诊。
第三方面，本申请实施例公开了一种资源配置设备，包括处理器、存储器，其中，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器被配置用于调用所述程序指令，执行上述第一方面的方法。
第四方面，本申请实施例公开了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时使所述处理器执行上述第一方面的方法。
本申请实施例中，可以获取目标用户的会诊请求，会诊请求中可以包括参考病历，然后可以基于参考病历，利用预训练的类型识别模型识别目标用户的会诊医生类型，并从预设的会诊医生库中筛选出与会诊医生类型匹配的一个或多个会诊医生，以及将匹配到的一个或多个会诊医生添加到会诊小组中。接着，可以向会诊小组中各个会诊医生对应的医生终端发送会诊时间请求，以请求各个会诊医生的医生终端返回参考会诊时间，在接收到各个会诊医生的医生终端返回的参考会诊时间后，可以基于各个会诊医生的医生终端返回的参考会诊时间，确定目标会诊时间。而当到达目标会诊时间时，可以向会诊小组中各个会诊医生对应的医生终端和目标用户的用户终端发送会诊通知信息，该会诊通知信息可以用于通知各个会诊医生和目标用户进行医疗会诊。通过实施上述方法，可以基于患者的病历自动识别出所需要的医生类型，实现医生的合理化配置，可以提高医疗资源的准确匹配和会诊效率，以及医疗资源配置智能化水平；还可以基于医生所提供的时间合理的安排会诊时间，以保证各个会诊医生可以最大程度的准时参诊，缩短了患者的诊治和治疗时间，提高患者的就诊效率。
附图说明
为了更清楚地说明本申请实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的一种医疗资源配置系统的架构示意图；
图2是本申请实施例提供的一种基于人工智能的医疗资源配置方法的流程示意图；
图3是本申请实施例提供的一种基于人工智能的医疗资源配置装置的结构示意图；
图4是本申请实施例提供的一种资源配置设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，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他实施例，都属于本申请保护的范围。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
随着人工智能技术研究和进步，人工智能技术在多个领域展开研究和应用，例如，智能家居、智能穿戴设备、虚拟助理、智能音箱、智能营销、无人驾驶、自动驾驶、无人机、机器人、智能医疗、智能客服等。
本申请实施例能够应用于多种不同的领域中，如智能医疗领域、医疗产品推荐领域、智能会诊等。
在一种实现方式中，在智能会诊中，所述数据可以是与医疗相关联的医疗数据，如与医疗相关联的患者的健康档案、检查数据、病历、处方等。
在一种实现方式中，在智能医疗领域中，本申请实施例提出了一种基于人工智能的医疗资源配置方法，该医疗资源配置方法的大致原理如下：可以获取目标用户的会诊请求，会诊请求中可以包括参考病历，然后可以基于参考病历，利用预训练的类型识别模型识别目标用户的会诊医生类型，并从预设的会诊医生库中筛选出与会诊医生类型匹配的一个或多个会诊医生，以及将匹配到的一个或多个会诊医生添加到会诊小组中。接着，可以向会诊小组中各个会诊医生对应的医生终端发送会诊时间请求，以请求各个会诊医生的医生终端返回参考会诊时间，在接收到各个会诊医生的医生终端返回的参考会诊时间后，可以基于各个会诊医生的医生终端返回的参考会诊时间，确定目标会诊时间。而当到达目标会诊时间时，可以向会诊小组中各个会诊医生对应的医生终端和目标用户的用户终端发送会诊通知信息，该会诊通知信息可以用于通知各个会诊医生和目标用户进行医疗会诊。可以基于患者的病历自动识别出所需要的医生类型，实现医生的合理化配置，可以提高医疗资源的准确匹配和会诊效率，以及医疗资源配置智能化水平；还可以基于医生所提供的时间合理的安排会诊时间，以保证各个会诊医生可以最大程度的准时参诊，缩短了患者的诊治和治疗时间，提高患者的就诊效率。
在一种实现方式中，该基于人工智能的医疗资源配置方法可应用在如图1所示的医疗资源配置系统中，如图1所示，该医疗资源配置系统可至少包括：资源配置设备11和终端设备(终端)12，其中，该资源配置设备11可以用于执行上述的基于人工智能的医疗资源配置方法，该资源配置设备11可以是如图1所示的服务器，该服务器可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、内容分发网络(Content DeliveryNetwork，CDN)、中间件服务、域名服务、安全服务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，等等。该资源配置设备11也可以是终端设备，其中，该终端设备可以包括但不限于：智能手机、平板电脑、膝上计算机、可穿戴设备、台式计算机，等等。其中，终端设备12可以是用户关联的终端设备，此处的用户可以包括上述描述中的会诊医生和目标用户，即终端设备12可以包括会诊医生对应的医生终端设备和目标用户对应的用户终端设备，其中，医生终端设备可以包括多个，目标用户对应的用户终端设备可以包括一个或多个，即该会诊系统中包括的终端设备的数量可以包括多个，如图1所示，该会诊系统中可以包括终端设备12a，终端设备12b，终端设备12c，终端设备12d等。例如终端设备12a，终端设备12b，终端设备12c可以分别为会诊医生对应的医生终端设备，终端设备12d可以为目标用户对应的用户终端设备。其中，一个用户可以关联有一个终端设备，一个用户也可以关联有多个终端设备，这里不做限定。其中，该医疗资源配置方法的适用场景广，可以适用于任意平台或系统的会诊服务。例如，医疗系统的会诊平台等等。
下面，将详细描述本申请实施例的基于人工智能的医疗资源配置方法。请参阅图2，图2是本申请实施例提供的一种基于人工智能的医疗资源配置方法的流程示意图。本实施例中所描述的基于人工智能的医疗资源配置方法，应用于资源配置设备，可由资源配置设备执行，该资源配置设备可以是服务器，也可以是终端。如图2所示，该基于人工智能的医疗资源配置方法包括以下步骤：
S201：获取目标用户的会诊请求。
其中，会诊请求中可以包括参考病历，参考病历可以是电子病历，该参考病历中可以通常包括患者的基本信息(例如年龄、性别等)、症状体征、检查检验结果、诊断结果等信息。会诊请求中除了可以包括参考病历，还可以包括心电图、医学影像等医疗数据，医学影像通常是指为了医疗或医学研究，以非侵入方式取得的内部组织，例如，胃部、腹部、心脏、膝盖、脑部的影像，比如，电子计算机断层扫描(Computed Tomography，CT)、磁共振成像(Magnetic Resonance Imaging，MRI)、超声(ultrasonic，US)、X光图像、脑电图以及光学摄影灯由医学仪器生成的图像。在一种可能的实现方式中，目标用户可以指任一患者。
在一种实现方式中，在获取到目标用户的会诊请求之后，还可以检测该目标用户是否有会诊权限，如果检测结果为目标用户具有会诊权限，则可以执行后续的步骤。例如，可以根据目标用户的剩余会诊次数来确定目标用户是否具有会诊权限。可选的，会诊请求中还可以包括目标用户标识，该目标用户标识用于唯一指示目标用户，首先，可以根据目标用户标识确定目标用户的剩余会诊次数，然后，再确定剩余会诊次数是否为指定数值，如果确定该剩余会诊次数为指定数值，则可以确定目标用户不具有会诊权限，即可以不执行后续的步骤S202。如果确定剩余会诊次数不为指定数值，则可以确定目标用户具有会诊权限，即可以执行后续的步骤S202。其中，指定数值可以为0。
其中，用户可以具有可用会诊次数，该可用会诊次数可以是后续用户在利用推荐保险进行参保之后(推荐保险中附带有用户的可用会诊次数)，所获取到的可用会诊次数。也就是说，在每个用户利用推荐保险进行参保之后，可以获取所参保的推荐保险中的可用会诊次数，并可以将用户的用户标识和可用会诊次数进行关联存储，以便于后续可以根据存储中的可用会诊次数确定用户是否具有会诊权限。存储中的可用会诊次数即可以是上述描述的剩余会诊次数。并且，每个用户标识对应的可用会诊次数可以实时更新，例如，每获取到某一用户的一个会诊请求，并进行医疗会诊之后，则可以将存储中所存储的该用户对应的可用会诊次数减1。例如，如果某一用户的可用会诊次数为5，在第一次接收到该用户的会诊请求，并进行医疗会诊之后，可用会诊次数可以更新为4，即剩余会诊次数为4。
那么，在获取到目标用户的会诊请求之后，可以根据该会诊请求中的目标用户标识从存储中获取该目标用户标识对应的可用会诊次数，而获取到的可用会诊次数即是目标用户的剩余会诊次数。
在一种实现方式中，在获取到目标用户的会诊请求之后，还可以对该会诊请求中参考病历中的相关信息(例如姓名等隐私信息)进行加密处理，以保证目标用户的隐私，加强目标用户的信息的安全。其中，参考病历中通常可以包括目标用户的年龄、性别、症状体征、检查检验结果等信息。可以对目标用户的基本信息，如姓名、联系方式进行加密处理。可选的，首先，可以获取预设的加密信息标识，例如，加密信息标识可以是姓名，年龄，性别等等，可以根据需求预先设置参考病历中需要进行加密处理的信息所对应的加密信息标识。然后，可以确定参考病历中是否存在预设的加密信息标识对应的属性信息。如果确定参考病历中存在预设的加密信息标识对应的属性信息，则可以将确定的属性信息进行加密处理。可选的，加密处理可以是指在对应的属性信息处进行遮盖处理，例如，可以在属性信息位置处添加一个黑色矩形框，或者是利用其他方式进行加密处理，在本申请不做限定。那么，后续展示给会诊医生的参考病历是经过加密处理的病历，从而有效保证了目标用户的隐私。
S202：基于参考病历，利用预训练的类型识别模型识别目标用户的会诊医生类型，并从预设的会诊医生库中筛选出与会诊医生类型匹配的一个或多个会诊医生，以及将匹配到的一个或多个会诊医生添加到会诊小组中。
在一种实现方式中，会诊小组可以包括一个或多个会诊医生，以利用一个或多个会诊医生同时为患者进行治疗，其中，多个会诊医生可以是来自不同医院中的医生，也可以是来自同一医院中的医生，多个会诊医生的专业领域可以相同，也可以不相同。例如，多个会诊医生均是脑科医生，或者多个医生中包括脑科医生、疼痛科医生、影像科医生等等，从而可以通过各种不同类型的会诊医生为患者进行治疗，可以加强各个医院的医疗资源的共享，也可以有效的增加了治疗方案的可选择性，从而可以为患者提供较佳的治疗方案，也可以提高患者满意度。
可选的，本申请的医疗资源配置方法例如可应用在医疗系统中的会诊平台，则各个医院中的医生可以申请入驻该会诊平台，具体地，医生可以通过上传从医资格证等有效证件以进行实名认证，而在实名认证通过后，可以加入该会诊平台，以便于后续可以通过该会诊平台为患者进行问诊、看病、治疗等。即预设的会诊医生库中的医生可以是加入到该会诊平台的医生。在一种可能的实现方式中，预设的会诊医生库中还可以分为多个医疗团队，如医疗团队可以包括骨科团队、康复科团队等等。可选的，会诊平台还可以通过人工智能对医生所上传的从医资格证等有效证件进行智能分析以确定每个医生对应的医疗领域，并根据对应的医疗领域将医生划分到对应的医疗团队中。例如，可以调用预先训练好的分类模型对有效证件中的内容进行识别处理，以识别出医生对应的医疗领域。又如，可以提取该有效证件中专业领域或医院所在科室等关键词，以根据提取到的关键词确定医生对应的医疗领域。
在一种实现方式中，可以根据会诊请求中的参考病历确定会诊医生类型，以从预设的会诊医生库中筛选出与会诊医生类型匹配的会诊医生，并将匹配到的会诊医生添加到会诊小组中。可选的，可以基于参考病历，利用预训练的类型识别模型识别出目标用户的会诊医生类型，换言之，可以调用预先训练好的类型识别模型对参考病历的病历内容进行识别处理，以识别出目标用户对应的会诊医生类型。
在一种实现方式中，类型识别模型可以是基于预设的机器学习模型训练得到的。其中，机器学习模型可以包括决策树(Decision Tree，DT)模型、支持向量机(SupportVector Machine，SVM)模型、随机森林(Random Forest，RF)模型、以及逻辑回归(LogisticRegression，LR)模型等等，还可以包括其他可进行类型识别的模型，在本申请不做限定。
在一种实现方式中，在基于参考病历，利用预训练的类型识别模型识别所目标用户的会诊医生类型之前，还可以对预设的机器学习模型进行训练，以得到训练后的机器学习模型，而该训练后的机器学习模型即可以是类型识别模型。可选的，可以获取训练病历，并对训练病历添加训练会诊医生类型标签，以将添加训练会诊医生类型标签的所训练病历输入预设的机器学习模型进行模型训练，从而得到所类型识别模型。其中，训练病历可以是资源配置设备所接收到的历史病历，即该历史病历可以理解为在历史时间段内利用资源配置设备进行医疗会诊时，各个患者所上传的病历。该历史时间段可以是指当前时间之前的某段时间，例如，当前时间之前的6个月、或3个月等。该训练病历也可以是医院系统中的历史病历。在本申请不做限定。而在获取到训练病历之后，即可以对训练病历添加训练会诊医生类型标签，以便于后续可以根据添加有训练会诊医生类型标签的训练病历对预设的机器学习模型进行模型训练，而得到类型识别模型。可选的，每个训练病历对应的训练会诊医生类型标签可以预先人为的添加，即进行人工标注，后续需要利用时直接获取即可。
其中，训练会诊医生类型标签可以用于指示基于训练病历中的病历内容所确定的，对目标用户进行医疗会诊所需要的会诊医生的会诊医生类型。其中，训练会诊医生类型标签可以包括一个或多个。例如，针对股骨头坏死等复杂性疾病的病历，患者可以结合多个专业领域(即会诊医生类型)对应的医生来共同会诊，从而为患者提供一个科学、合理、规范的治疗方案。例如，针对股骨头坏死的复杂性疾病的病历，可能需要骨科、疼痛科、康复科、风湿免疫科、影像学科及相关学科的医生共同组建一个会诊小组，以进行综合治疗，则会诊医生类型可以包括骨科类型、疼痛科类型、康复科类型、风湿免疫科类型、影像学科类型。即对于一个训练病历来说，可能需要多种医生类型的医生来共同制定一个治疗方案，则可以为一个训练病历添加一个或多个训练会诊医生类型标签。
在一种实现方式中，对预设的机器学习模型进行训练的具体实施方式可以包括：可以将添加有训练会诊医生类型标签的训练病历输入预设的机器学习模型，以得到训练病历的预测会诊医生类型标签。而在得到预测会诊医生类型标签之后，可以根据训练病历的预测会诊医生类型标签，和该训练通话文本的训练会诊医生类型标签对预设的机器学习模型进行训练，以得到类型识别模型。例如，可以基于预测会诊医生类型标签、训练会诊医生类型标签计算损失函数的梯度，以根据损失函数的梯度对机器学习模型的模型参数进行参数更新，并检测损失函数是否满足预设收敛条件。当检测到该损失函数满足预设收敛条件时，则可以停止模型参数的参数更新，以得到训练后的机器学习模型。其中，在本申请中，对损失函数不作限定，预设收敛条件可以是指损失函数的梯度小于预先设置的一个阈值，或者是两次迭代之间的权值变化已经很小，且小于预先设置的一个阈值，或者模型的迭代次数达到了预先设置的最大迭代次数，在满足上述任一条件时，可以停止对预设的机器学习模型的训练。
而在确定目标用户的会诊医生类型之后，即可以从预设的会诊医生库中筛选出与会诊医生类型匹配的一个或多个会诊医生，并将匹配到的一个或多个会诊医生添加到会诊小组中。可选的，在对每一个会诊医生类型匹配对应的会诊医生时，匹配到的会诊医生可能包括多个，在这种情况下，还可以对该多个会诊医生进行筛选，例如，可以从该多个会诊医生中随机选择几个会诊医生添加到会诊小组中，也可以根据各个会诊医生的医生特征进行筛选。例如，医生特征可以是指从医年限、历史会诊次数等等。例如，以从医年限来说，可以将较高的从医年限所对应的会诊医生添加到会诊小组中，具体地，可以对每个会诊医生的从医年限进行降序排序，以得到年限排序结果，进一步的，可以将年限排序结果中前M个从医年限所对应的会诊医生添加到会诊小组中。M为正整数，例如可以是2、4等数值，其具体数值在本申请不做限定。
可选的，还可以提取该参考病历中用于描述疾病症状的关键词，以根据提取到的关键词确定会诊医生类型，从而再根据确定的会诊医生类型确定会诊小组。
可选的，还可以根据会诊请求中的目标用户标识确定目标用户的会诊小组。例如，在上述医生申请入驻会诊平台成功之后，还可以生成各个医生分别对应的二维码，以使患者可以通过扫描二维码加入医生所在的医疗团队。当某一医生的二维码被患者成功扫描之后，可以获取当前扫描用户的用户标识，并将该用户的用户标识与该二维码对应的医生所在的医疗团队进行关联存储，以便于后续可以根据该存储中的数据确定用户对应的医疗团队。即可以理解的是，存储中存储有参考用户标识与参考医疗团队之间的映射关系，其中，参考用户标识也就是通过扫描医生的二维码，而加入到该医生对应的医疗团队的用户，而该医生对应的医疗团队可以称之为参考医疗团队。那么，在利用目标用户标识确定目标用户的会诊小组的具体实施方式可以是：获取参考用户标识与参考医疗团队之间的映射关系(参考医疗团队称之为参考会诊小组，即该映射关系可以是指参考用户标识与参考会诊小组的映射关系)，以根据该映射关系确定目标用户标识对应的参考会诊小组，而该目标用户标识对应的参考会诊小组即可以确定为目标用户的会诊小组。
S203：向会诊小组中各个会诊医生对应的医生终端发送会诊时间请求，以请求各个会诊医生的医生终端返回参考会诊时间。
S204：接收各个会诊医生的医生终端返回的参考会诊时间，并基于各个会诊医生的医生终端返回的参考会诊时间，确定目标会诊时间。
在步骤S203和步骤S204中，在确定会诊小组之后，还可以确定目标会诊时间，该目标会诊时间也就是后续进行医疗会诊的时间。可选的，可以向会诊小组中的各个会诊医生对应的医生终端发送会诊时间请求，以向各个会诊医生请求参考会诊时间，该会诊时间请求可以包括多个可选会诊时间，以便于各个会诊医生可以从该多个可选会诊时间进行选择，而会诊医生所选择的可选会诊时间即是参考会诊时间。各个会诊医生对应的医生终端接收到该会诊时间请求之后，可以向资源配置设备发送针对该会诊时间请求的响应信息，每一个会诊医生对应的医生终端发送的响应信息中包括会诊医生提供的参考会诊时间，每一个会诊医生提供的参考会诊时间的数量可以为一个，也可以为多个。那么，资源配置设备可以接收各个会诊医生对应的医生终端返回的响应信息，并在接收到各个响应信息之后，可以根据各个会诊医生对应的医生终端返回的响应信息，确定目标会诊时间。例如，可以统计每一个可选会诊时间被选择的次数，将最大次数对应的可选会诊时间确定为目标会诊时间。以保证在目标会诊时间，各个会诊医生均可准时参诊，提高会诊效率。
在一种实现方式中，在确定目标会诊时间之后，还可以向各个会诊医生以及目标用户发送会诊时间通知信息，该会诊时间通知信息中包括目标会诊时间，以告知各个会诊医生和目标用户进行医疗会诊的时间。会诊时间通知信息中还可以包括用于进入会诊活动的活动链接，以及其他以会诊活动相关联的信息，例如该信息可以包括会诊名称，会诊预估时长以及参与的会诊医生信息，参考病历等数据，以使各个会诊医生和目标用户针对此次的医疗会诊活动有一个了解。
S205：当到达目标会诊时间时，向会诊小组中的各个会诊医生对应的医生终端和目标用户的用户终端发送会诊通知信息，会诊通知信息用于通知各个会诊医生和目标用户进行医疗会诊。
在一种实现方式中，可以检测当前时间是否到达目标会诊时间，如果检测结果为当前时间到达目标会诊时间，则可以向会诊小组中的各个会诊医生对应的医生终端和目标用户的用户终端发送会诊通知信息，该会诊通知信息可以用于通知各个会诊医生和目标用户进行医疗会诊。例如，该会诊通知信息可以包括一个活动链接，各个会诊医生和目标用户可以通过点击该活动链接以进入医疗会诊活动中，即进行医疗会诊，其中，医疗会诊具体可以是以视频会议或语音会议的方式进行，在本申请不做限定。在医疗会诊活动过程中，各个会诊医生可以查看目标用户所上传的参考病历，并与目标用户进行沟通，以基于该参考病历以及沟通对目标用户的病情进行分析并制定合适的治疗方案等等。从上述可知，医生和患者可以通过一键入会的方式加入医疗会诊活动，从而使得会诊效率更加高效，也大大缩短了患者的诊治和治疗等时间。
在一种实现方式中，可以理解的是，在进行医疗会诊时，最终可以得到一个会诊报告，该会诊报告例如可以是针对目标用户的病情的治疗方案。可选的，在进行医疗会诊的过程中，各个会诊医生可以通过各自的医生终端向资源配置设备上传治疗方案，以便于各个会诊医生的医生终端，通过资源配置设备，可以查看到其他会诊医生的医生终端向资源配置设备上传的治疗方案，各个会诊医生的医生终端可以基于这多个治疗方案进行决策，以从该多个治疗方案中确定出最优治疗方案，并将决策结果上传至资源配置设备，该决策结果可以是会诊小组选出的最优治疗方案，该最优治疗方案可以称之为会诊报告。
可选的，获取会诊报告的方式，除了上述描述中从各个会诊医生的医生终端上传的治疗方案中选择出最优治疗方案的方式之外，还可以预先指定多个会诊医生中的某一医生进行最后的治疗方案的撰写，并将撰写的治疗方案上传至资源配置设备，以使其他会诊医生的医生终端，通过资源配置设备，可以查看到该某一会诊医生的上传的治疗方案，并对该治疗方案进行审核，并将审核结果上传至资源配置设备，该审核结果包括审核未通过或审核通过。如果审核通过的审核结果数量与审核结果总数量超过预设比值，则可以将该治疗方案确定为会诊报告，如果审核通过的审核结果数量与审核结果总数量不超过预设比值，则各个会诊医生可以在该治疗方案的基础上进行修改，直至最后审核通过的审核结果数量与审核结果总数量超过预设比值。其中，预设比值可以预先设置，如该预设比值可以是4/5、2/3等比值。
在一种实现方式中，在得到会诊报告之后，可以基于该会诊报告向目标用户推荐适合的医疗保险，医疗保险可以为补偿投保人因疾病风险造成的经济损失的保险。可选的，可以从会诊报告中确定目标用户的疾病类型。例如，可以通过调用疾病识别模型，对会诊报告中的内容进行识别处理，以得到目标用户的疾病类型。又如，可以通过关键词识别，以从会诊报告中所提取的关键词确定出目标用户的疾病类型。还可以包括其他方式，在本申请不做限定。
还可以获取预设的多个参考保险中每个参考保险分别对应的保险疾病类型，该参考保险可以是医疗保险。一个参考保险对应的保险疾病类型可以包括一个或多个，例如，某一参考保险对应的保险疾病类型可以包括恶性肿瘤、急性心肌梗塞、脑中风后遗症、重大器官移植等等，另一参考保险对应的保险疾病类型可以包括再生障碍性贫血、慢性心功能衰竭等病症等等。那么，在得到目标用户的疾病类型和每个参考保险分别对应的保险疾病类型之后，可以将疾病类型与多个参考保险中每个参考保险分别对应的保险疾病类型进行匹配，以确定与目标用户适合的医疗保险。例如，可以遍历每一个参考保险，确定疾病类型所能匹配到的保险疾病类型对应的参考保险，可以将匹配到的参考保险称之为目标参考保险。
举例来说，假设参考保险有5个(保险1、保险2、保险3、保险4、保险5)，例如，保险1对应的保险疾病类型包括疾病B1、疾病B2、疾病B3、疾病B4、疾病B5，保险2对应的保险疾病类型包括疾病B2、疾病B3、疾病B5、疾病B7。目标用户的疾病类型为疾病B4，那么，将目标用户的疾病B4与该5个参考保险所包括的保险疾病类型进行匹配，可以匹配到的参考保险有保险1、保险3和保险4，则保险1、保险3和保险4为目标参考保险。
而在确定目标参考保险之后，即可以根据目标参考保险确定目标用户的推荐保险。例如，如果目标参考保险的数量为一个，则可以将目标参考保险确定目标用户的推荐保险。又如，如果目标参考保险的数量为多个，可以将该多个目标参考保险均确定目标用户的推荐保险，也可以对该多个目标参考保险进行筛选，以将筛选后的目标参考保险确定为目标用户的推荐保险。
在一种实现方式中，如果在目标参考保险的数量为多个的情况下，可以获取多个目标参考保险中每个目标参考保险分别对应的保险特征，以根据每个目标参考保险分别对应的保险特征确定每个目标参考保险的推荐优先级，而在得到每个目标参考保险的推荐优先级之后，可以对每个目标参考保险的推荐优先级进行降序排序，即可以得到推荐优先级排序结果，然后再将推荐优先级排序结果中前L个推荐优先级对应的目标参考保险确定为目标用户的推荐保险。其中，L为正整数，如L可以为1或3等数值，L的具体数值在本申请不作限定。例如，L可以为1，则是将最高推荐优先级对应的目标参考保险确定为推荐保险。又如，L可以为3，则是将推荐优先级排在前3位对应的目标参考保险均确定为推荐保险。
可选的，上述的保险特征可以包括历史保险次数、保险价格、报销比例等特征中的一个或多个。某一参考保险的历史保险次数可以是指购买该参考保险的用户的人数，例如，可以统计在预设时间段内购买该参考保险的用户的人数，该预设时间段可以预先设置，例如可以是指当前时间的前一年时间内，或前6个月时间内等。参考保险的保险价格是指购买该参考保险所需花费的费用。参考保险的报销比例可以是指在支付治疗某一疾病时的费用，保险可以垫付的费用占总费用的比例。例如，报销比例可以是80％、60％、20％等等。
可选的，如果目标参考保险的保险特征的数量为一个，则可以根据该一个保险特征对应的保险优先级确定目标参考保险的推荐优先级。如果目标参考保险的保险特征的数量为多个，则可以根据每一个保险特征分别对应的保险优先级确定目标参考保险的推荐优先级。
以保险特征为历史保险次数、保险价格、报销比例中的任一种为例进行说明，假设保险特征为历史保险次数，则可以获取每一个目标参考保险对应的历史保险次数。其中，可以理解的是，相比于历史保险次数较少的目标参考保险，目标用户可能更倾向于历史保险次数较多的目标参考保险。则历史保险次数越少，其对应的目标参考保险的推荐优先级越低，对应的，历史保险次数越多，其对应的目标参考保险的推荐优先级越高。也就是，可以按照历史保险次数逐渐变少的规则对多个目标参考保险进行排序，以得到保险次数排序结果，该保险次数排序结果也就是推荐优先级排序结果，从而可以将保险次数排序结果中处理前L的保险次数对应的目标参考保险确定为推荐保险。
假设保险特征为保险价格，则可以获取每一个目标参考保险对应的保险价格。其中，可以理解的是，相比于保险价格较高的目标参考保险，目标用户可能更倾向于保险价格较低的目标参考保险。则保险价格越高，其对应的目标参考保险的推荐优先级越低，对应的，保险价格越低，其对应的目标参考保险的推荐优先级越高。也就是，可以按照保险价格逐渐变高的规则对多个目标参考保险进行排序，以得到保险价格排序结果，该保险价格排序结果也就是推荐优先级排序结果，从而可以将保险价格排序结果中处理前L的保险价格对应的目标参考保险确定为推荐保险。
假设保险特征为报销比例，则可以获取每一个目标参考保险对应的报销比例。其中，可以理解的是，相比于报销比例较低的目标参考保险，目标用户可能更倾向于报销比例较高的目标参考保险。则报销比例越低，其对应的目标参考保险的推荐优先级越低，对应的，报销比例越高，其对应的目标参考保险的推荐优先级越高。也就是，可以按照报销比例逐渐变低的规则对多个目标参考保险进行排序，以得到报销比例排序结果，该报销比例排序结果也就是推荐优先级排序结果，从而可以将报销比例排序结果中处理前L的报销比例对应的目标参考保险确定为推荐保险。
在一种具体实现中，可以预先设置保险特征与推荐优先级的对应关系，那么，在获取到保险特征之后，可以根据获取到的保险特征和预先设置的对应关系确定保险特征对应的归档优先级。其中，该对应关系可以是指保险特征与归档优先级呈正相关，也可以是保险特征与归档优先级呈负相关。例如，上述描述的历史保险次数与推荐优先级呈正相关、报销比例与推荐优先级呈正相关、而保险价格与推荐优先级呈负相关。
以保险特征为历史保险次数、保险价格、报销比例为例进行说明，针对多个目标参考保险中的任一目标参考保险，可以获取该目标参考保险对应的历史保险次数、保险价格、报销比例，进一步的，可以根据目标参考保险对应的历史保险次数确定第一优先级，同理，根据目标参考保险对应的保险价格确定第二优先级，根据目标参考保险对应的报销比例确定第三优先级。那么，在确定第一优先级、第二优先级以及第三优先级之后，即可以根据第一优先级、第二优先级以及第三优先级确定目标参考保险的推荐优先级，例如可以将第一优先级、第二优先级和第三优先级的和值作为目标参考保险的推荐优先级。又如，也可以将各个优先级与其对应的权重分别进行加权，并将加权求和的结果作为目标参考保险的推荐优先级。其中，每个优先级对应的权重可以预先设置，各个权重之间的和值为1。通过上述方式，可以确定每一个目标参考保险的的推荐优先级，那么，在确定每一个目标参考保险的的推荐优先级后，则可以推荐优先级排序结果确定推荐保险。
其中，本申请中的优先级(例如上述描述推荐优先级、第一优先级、第二优先级、第三优先级)的高低可以理解为数值越大，优先级越高，上述的优先级也可以是其他数值，可以体现优先级和优先级的高低即可。
本申请实施例中，可以获取目标用户的会诊请求，会诊请求中可以包括参考病历，然后可以基于参考病历，利用预训练的类型识别模型识别目标用户的会诊医生类型，并从预设的会诊医生库中筛选出与会诊医生类型匹配的一个或多个会诊医生，以及将匹配到的一个或多个会诊医生添加到会诊小组中。接着，可以向会诊小组中各个会诊医生对应的医生终端发送会诊时间请求，以请求各个会诊医生的医生终端返回参考会诊时间，在接收到各个会诊医生的医生终端返回的参考会诊时间后，可以基于各个会诊医生的医生终端返回的参考会诊时间，确定目标会诊时间。而当到达目标会诊时间时，可以向会诊小组中各个会诊医生对应的医生终端和目标用户的用户终端发送会诊通知信息，该会诊通知信息可以用于通知各个会诊医生和目标用户进行医疗会诊。通过实施上述方法，可以基于患者的病历自动识别出所需要的医生类型，实现医生的合理化配置，可以提高医疗资源的准确匹配和会诊效率，以及医疗资源配置智能化水平；还可以基于医生所提供的时间合理的安排会诊时间，以保证各个会诊医生可以最大程度的准时参诊，缩短了患者的诊治和治疗时间，提高患者的就诊效率。
请参阅图3，图3是本申请实施例提供的一种基于人工智能的医疗资源配置装置的结构示意图。所述医疗资源配置装置包括：
获取单元301，用于获取目标用户的会诊请求，其中，所述会诊请求中包括参考病历；
第一确定单元302，用于基于所述参考病历，利用预训练的类型识别模型识别所述目标用户的会诊医生类型，并从预设的会诊医生库中筛选出与所述会诊医生类型匹配的一个或多个会诊医生，以及将匹配到的一个或多个会诊医生添加到会诊小组中；
请求单元303，用于向所述会诊小组中各个会诊医生对应的医生终端发送会诊时间请求，以请求所述各个会诊医生的医生终端返回参考会诊时间；
第二确定单元304，用于接收所述各个会诊医生的医生终端返回的所述参考会诊时间，并基于所述各个会诊医生的医生终端返回的所述参考会诊时间，确定目标会诊时间；
通知单元305，用于当到达所述目标会诊时间时，向所述会诊小组中各个会诊医生对应的医生终端和所述目标用户的用户终端发送会诊通知信息，其中，所述会诊通知信息用于通知所述各个会诊医生和所述目标用户进行医疗会诊。
在一种实现方式中，所述第一确定单元302，具体用于：
获取训练病历，并对所述训练病历添加训练会诊医生类型标签；
将添加所述训练会诊医生类型标签的所述训练病历输入预设的机器学习模型进行模型训练，得到所述类型识别模型；
调用所述类型识别模型对所述参考病历进行识别处理，得到所述目标用户的会诊医生类型。
在一种实现方式中，所述会诊请求中还包括目标用户标识，所述目标用户标识用于唯一指示所述目标用户；所述第一确定单元302，还用于：
获取预设的参考用户标识与参考会诊小组的映射关系；
根据所述预设的参考用户标识与参考会诊小组的映射关系和所述目标用户标识确定所述目标用户标识对应的参考会诊小组，并将所述目标用户标识对应的参考会诊小组确定为所述目标用户的会诊小组。
在一种实现方式中，所述会诊请求中还包括目标用户标识，所述目标用户标识用于唯一指示所述目标用户；所述装置还包括第三确定单元306，具体用于：
根据所述目标用户标识确定所述目标用户的剩余会诊次数，并确定所述剩余会诊次数是否为指定数值；
若确定所述剩余会诊次数为指定数值，则不执行所述基于所述参考病历，利用预训练的类型识别模型识别所述目标用户的会诊医生类型的步骤；
若确定所述剩余会诊次数不为指定数值，则执行所述基于所述参考病历，利用预训练的类型识别模型识别所述目标用户的会诊医生类型的步骤。
在一种实现方式中，所述装置还包括加密单元307，具体用于：
获取预设的加密信息标识，确定所述参考病历中是否存在所述预设的加密信息标识对应的属性信息；
若确定所述参考病历中存在所述预设的加密信息标识对应的属性信息，则将确定的属性信息进行加密处理。
在一种实现方式中，所述装置还包括推荐单元308，具体用于：
获取所述医疗会诊的会诊报告，并从所述会诊报告中确定所述目标用户的疾病类型；
获取预设的多个参考保险中每个参考保险分别对应的保险疾病类型，并将所述疾病类型与所述多个参考保险中每个参考保险分别对应的保险疾病类型进行匹配；
确定与所述疾病类型匹配到的保险疾病类型对应的目标参考保险，并根据所述目标参考保险确定所述目标用户的推荐保险。
在一种实现方式中，所述目标参考保险的数量为多个；所述推荐单元308，具体用于：
获取多个目标参考保险中每个目标参考保险分别对应的保险特征；
根据所述每个目标参考保险分别对应的保险特征确定所述每个目标参考保险的推荐优先级；
对每个目标参考保险的推荐优先级进行降序排序，得到推荐优先级排序结果；
将推荐优先级排序结果中前L个推荐优先级对应的目标参考保险确定为所述目标用户的推荐保险，L为正整数。
可以理解的是，本申请实施例所描述的基于人工智能的医疗资源配置装置的各功能单元的功能可根据图2所述的方法实施例中的方法具体实现，其具体实现过程可以参照图2的方法实施例的相关描述，此处不再赘述。
本申请实施例中，获取单元301获取目标用户的会诊请求，其中，所述会诊请求中包括参考病历；第一确定单元基于所述参考病历，利用预训练的类型识别模型识别所述目标用户的会诊医生类型，并从预设的会诊医生库中筛选出与所述会诊医生类型匹配的一个或多个会诊医生，以及将匹配到的一个或多个会诊医生添加到会诊小组中；请求单元303向所述会诊小组中各个会诊医生对应的医生终端发送会诊时间请求，以请求所述各个会诊医生的医生终端返回参考会诊时间；第二确定单元304接收所述各个会诊医生的医生终端返回的所述参考会诊时间，并基于所述各个会诊医生的医生终端返回的所述参考会诊时间，确定目标会诊时间；通知单元305当到达所述目标会诊时间时，向所述会诊小组中各个会诊医生对应的医生终端和所述目标用户的用户终端发送会诊通知信息，其中，所述会诊通知信息用于通知所述各个会诊医生和所述目标用户进行医疗会诊。可以准确合理的匹配医疗资源，提高就诊效率。
请参阅图4，图4是本申请实施例提供的一种资源配置设备的结构示意图。该资源配置设备包括：处理器401、存储器402以及网络接口403。上述处理器401、存储器402以及网络接口403之间可以交互数据。
上述处理器401可以是中央处理单元(Central Processing Unit，CPU)，该处理器还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
上述存储器402可以包括只读存储器和随机存取存储器，并向处理器401提供程序指令和数据。存储器402的一部分还可以包括随机存取存储器。其中，所述处理器401调用所述程序指令时用于执行：
获取目标用户的会诊请求，其中，所述会诊请求中包括参考病历；
基于所述参考病历，利用预训练的类型识别模型识别所述目标用户的会诊医生类型，并从预设的会诊医生库中筛选出与所述会诊医生类型匹配的一个或多个会诊医生，以及将匹配到的一个或多个会诊医生添加到会诊小组中；
向所述会诊小组中各个会诊医生对应的医生终端发送会诊时间请求，以请求所述各个会诊医生的医生终端返回参考会诊时间；
接收所述各个会诊医生的医生终端返回的所述参考会诊时间，并基于所述各个会诊医生的医生终端返回的所述参考会诊时间，确定目标会诊时间；
当到达所述目标会诊时间时，向所述会诊小组中各个会诊医生对应的医生终端和所述目标用户的用户终端发送会诊通知信息，其中，所述会诊通知信息用于通知所述各个会诊医生和所述目标用户进行医疗会诊。
在一种实现方式中，所述处理器401，具体用于：
获取训练病历，并对所述训练病历添加训练会诊医生类型标签；
将添加所述训练会诊医生类型标签的所述训练病历输入预设的机器学习模型进行模型训练，得到所述类型识别模型；
调用所述类型识别模型对所述参考病历进行识别处理，得到所述目标用户的会诊医生类型。
在一种实现方式中，所述会诊请求中还包括目标用户标识，所述目标用户标识用于唯一指示所述目标用户；所述处理器401，还用于：
获取预设的参考用户标识与参考会诊小组的映射关系；
根据所述预设的参考用户标识与参考会诊小组的映射关系和所述目标用户标识确定所述目标用户标识对应的参考会诊小组，并将所述目标用户标识对应的参考会诊小组确定为所述目标用户的会诊小组。
在一种实现方式中，所述会诊请求中还包括目标用户标识，所述目标用户标识用于唯一指示所述目标用户；所述处理器401，还用于：
根据所述目标用户标识确定所述目标用户的剩余会诊次数，并确定所述剩余会诊次数是否为指定数值；
若确定所述剩余会诊次数为指定数值，则不执行所述基于所述参考病历，利用预训练的类型识别模型识别所述目标用户的会诊医生类型的步骤；
若确定所述剩余会诊次数不为指定数值，则执行所述基于所述参考病历，利用预训练的类型识别模型识别所述目标用户的会诊医生类型的步骤。
在一种实现方式中，所述处理器401，还用于：
获取预设的加密信息标识，确定所述参考病历中是否存在所述预设的加密信息标识对应的属性信息；
若确定所述参考病历中存在所述预设的加密信息标识对应的属性信息，则将确定的属性信息进行加密处理。
在一种实现方式中，所述处理器401，还用于：
获取所述医疗会诊的会诊报告，并从所述会诊报告中确定所述目标用户的疾病类型；
获取预设的多个参考保险中每个参考保险分别对应的保险疾病类型，并将所述疾病类型与所述多个参考保险中每个参考保险分别对应的保险疾病类型进行匹配；
确定与所述疾病类型匹配到的保险疾病类型对应的目标参考保险，并根据所述目标参考保险确定所述目标用户的推荐保险。
在一种实现方式中，所述目标参考保险的数量为多个；所述处理器401，具体用于：
获取多个目标参考保险中每个目标参考保险分别对应的保险特征；
根据所述每个目标参考保险分别对应的保险特征确定所述每个目标参考保险的推荐优先级；
对每个目标参考保险的推荐优先级进行降序排序，得到推荐优先级排序结果；
将推荐优先级排序结果中前L个推荐优先级对应的目标参考保险确定为所述目标用户的推荐保险，L为正整数。
具体实现中，本申请实施例中所描述的处理器401和存储器402可执行本申请实施例图2提供的基于人工智能的医疗资源配置方法中所描述的实现方式，也可执行本申请实施例图3所描述的基于人工智能的医疗资源配置装置的实现方式，在此不再赘述。
本申请实施例中，处理器401可以获取目标用户的会诊请求，其中，所述会诊请求中包括参考病历；基于所述参考病历，利用预训练的类型识别模型识别所述目标用户的会诊医生类型，并从预设的会诊医生库中筛选出与所述会诊医生类型匹配的一个或多个会诊医生，以及将匹配到的一个或多个会诊医生添加到会诊小组中；向所述会诊小组中各个会诊医生对应的医生终端发送会诊时间请求，以请求所述各个会诊医生的医生终端返回参考会诊时间；接收所述各个会诊医生的医生终端返回的所述参考会诊时间，并基于所述各个会诊医生的医生终端返回的所述参考会诊时间，确定目标会诊时间；当到达所述目标会诊时间时，向所述会诊小组中各个会诊医生对应的医生终端和所述目标用户的用户终端发送会诊通知信息，其中，所述会诊通知信息用于通知所述各个会诊医生和所述目标用户进行医疗会诊。可以准确合理的匹配医疗资源，提高就诊效率。
本申请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中存储有程序指令，所述程序执行时可包括如图2对应实施例中的基于人工智能的医疗资源配置方法的部分或全部步骤。
需要说明的是，对于前述的各个方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某一些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本申请所必须的。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：闪存盘、只读存储器(Read-Only Memory，ROM)、随机存取器(Random AccessMemory，RAM)、磁盘或光盘等。
需要强调的是，为进一步保证上述数据的私密和安全性，上述数据还可以存储于一区块链的节点中。其中，本申请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。
以上对本申请实施例所提供的一种基于人工智能的医疗资源配置方法、装置、设备及介质进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。

Claims (10)

1.一种基于人工智能的医疗资源配置方法，其特征在于，包括：
获取目标用户的会诊请求，其中，所述会诊请求中包括参考病历；
基于所述参考病历，利用预训练的类型识别模型识别所述目标用户的会诊医生类型，并从预设的会诊医生库中筛选出与所述会诊医生类型匹配的一个或多个会诊医生，以及将匹配到的一个或多个会诊医生添加到会诊小组中；
向所述会诊小组中各个会诊医生对应的医生终端发送会诊时间请求，以请求所述各个会诊医生的医生终端返回参考会诊时间；
接收所述各个会诊医生的医生终端返回的所述参考会诊时间，并基于所述各个会诊医生的医生终端返回的所述参考会诊时间，确定目标会诊时间；
当到达所述目标会诊时间时，向所述会诊小组中各个会诊医生对应的医生终端和所述目标用户的用户终端发送会诊通知信息，其中，所述会诊通知信息用于通知所述各个会诊医生和所述目标用户进行医疗会诊。
2.根据权利要求1所述的方法，其特征在于，所述基于所述参考病历，利用预训练的类型识别模型识别所述目标用户的会诊医生类型之前，还包括：
获取训练病历，并对所述训练病历添加训练会诊医生类型标签；
将添加所述训练会诊医生类型标签的所述训练病历输入预设的机器学习模型进行模型训练，得到所述类型识别模型；
所述基于所述参考病历，利用预训练的类型识别模型识别所述目标用户的会诊医生类型，包括：
调用所述类型识别模型对所述参考病历进行识别处理，得到所述目标用户的会诊医生类型。
3.根据权利要求1所述的方法，其特征在于，所述会诊请求中还包括目标用户标识，所述目标用户标识用于唯一指示所述目标用户；所述方法还包括：
获取预设的参考用户标识与参考会诊小组的映射关系；
根据所述预设的参考用户标识与参考会诊小组的映射关系和所述目标用户标识确定所述目标用户标识对应的参考会诊小组，并将所述目标用户标识对应的参考会诊小组确定为所述目标用户的会诊小组。
4.根据权利要求1所述的方法，其特征在于，所述会诊请求中还包括目标用户标识，所述目标用户标识用于唯一指示所述目标用户；所述获取目标用户的会诊请求之后，所述方法还包括：
根据所述目标用户标识确定所述目标用户的剩余会诊次数，并确定所述剩余会诊次数是否为指定数值；
若确定所述剩余会诊次数为指定数值，则不执行所述基于所述参考病历，利用预训练的类型识别模型识别所述目标用户的会诊医生类型的步骤；
若确定所述剩余会诊次数不为指定数值，则执行所述基于所述参考病历，利用预训练的类型识别模型识别所述目标用户的会诊医生类型的步骤。
5.根据权利要求1所述的方法，其特征在于，所述获取目标用户的会诊请求之后，所述方法还包括：
获取预设的加密信息标识，确定所述参考病历中是否存在所述预设的加密信息标识对应的属性信息；
若确定所述参考病历中存在所述预设的加密信息标识对应的属性信息，则将确定的属性信息进行加密处理。
6.根据权利要求1-5任一项所述的方法，其特征在于，所述方法还包括：
获取所述医疗会诊的会诊报告，并从所述会诊报告中确定所述目标用户的疾病类型；
获取预设的多个参考保险中每个参考保险分别对应的保险疾病类型，并将所述疾病类型与所述多个参考保险中每个参考保险分别对应的保险疾病类型进行匹配；
确定与所述疾病类型匹配到的保险疾病类型对应的目标参考保险，并根据所述目标参考保险确定所述目标用户的推荐保险，以及将所述推荐保险推荐给目标用户。
7.根据权利要求6所述的方法，其特征在于，所述目标参考保险的数量为多个；所述根据所述目标参考保险确定所述目标用户的推荐保险，包括：
获取多个目标参考保险中每个目标参考保险分别对应的保险特征；
根据所述每个目标参考保险分别对应的保险特征确定所述每个目标参考保险的推荐优先级；
对每个目标参考保险的推荐优先级进行降序排序，得到推荐优先级排序结果；
将推荐优先级排序结果中前L个推荐优先级对应的目标参考保险确定为所述目标用户的推荐保险，L为正整数。
8.一种基于人工智能的医疗资源配置装置，其特征在于，包括：
获取单元，用于获取目标用户的会诊请求，其中，所述会诊请求中包括参考病历；
第一确定单元，用于基于所述参考病历，利用预训练的类型识别模型识别所述目标用户的会诊医生类型，并从预设的会诊医生库中筛选出与所述会诊医生类型匹配的一个或多个会诊医生，以及将匹配到的一个或多个会诊医生添加到会诊小组中；
请求单元，用于向所述会诊小组中各个会诊医生对应的医生终端发送会诊时间请求，以请求所述各个会诊医生的医生终端返回参考会诊时间；
第二确定单元，用于接收所述各个会诊医生的医生终端返回的所述参考会诊时间，并基于所述各个会诊医生的医生终端返回的所述参考会诊时间，确定目标会诊时间；
通知单元，用于当到达所述目标会诊时间时，向所述会诊小组中各个会诊医生对应的医生终端和所述目标用户的用户终端发送会诊通知信息，其中，所述会诊通知信息用于通知所述各个会诊医生和所述目标用户进行医疗会诊。
9.一种资源配置设备，其特征在于，包括处理器、存储器，其中，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器被配置用于调用所述程序指令，执行如权利要求1-7任一项所述的方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时使所述处理器执行如权利要求1-7任一项所述的方法。
CN202111018070.6A 2021-08-31 2021-08-31 基于人工智能的医疗资源配置方法、装置、设备及介质 Pending CN113724849A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111018070.6A CN113724849A (zh) 2021-08-31 2021-08-31 基于人工智能的医疗资源配置方法、装置、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111018070.6A CN113724849A (zh) 2021-08-31 2021-08-31 基于人工智能的医疗资源配置方法、装置、设备及介质

Publications (1)

Publication Number Publication Date
CN113724849A true CN113724849A (zh) 2021-11-30

Family

ID=78680315

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111018070.6A Pending CN113724849A (zh) 2021-08-31 2021-08-31 基于人工智能的医疗资源配置方法、装置、设备及介质

Country Status (1)

Country Link
CN (1) CN113724849A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115019948A (zh) * 2022-06-28 2022-09-06 苏州景昱医疗器械有限公司 控制设备、远程会诊系统和计算机可读存储介质
CN116112634A (zh) * 2023-04-04 2023-05-12 科大乾延科技有限公司 一种基于人工智能会议平台的多端视频会议处理系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108305679A (zh) * 2018-01-16 2018-07-20 重庆市中迪医疗信息科技股份有限公司 一种区域远程会诊管理方法及系统
CN109637651A (zh) * 2018-10-31 2019-04-16 北京春雨天下软件有限公司 多医生推荐方法及装置、在线会诊系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108305679A (zh) * 2018-01-16 2018-07-20 重庆市中迪医疗信息科技股份有限公司 一种区域远程会诊管理方法及系统
CN109637651A (zh) * 2018-10-31 2019-04-16 北京春雨天下软件有限公司 多医生推荐方法及装置、在线会诊系统

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115019948A (zh) * 2022-06-28 2022-09-06 苏州景昱医疗器械有限公司 控制设备、远程会诊系统和计算机可读存储介质
CN115019948B (zh) * 2022-06-28 2023-06-16 苏州景昱医疗器械有限公司 控制设备、远程会诊系统和计算机可读存储介质
CN116112634A (zh) * 2023-04-04 2023-05-12 科大乾延科技有限公司 一种基于人工智能会议平台的多端视频会议处理系统

Similar Documents

Publication Publication Date Title
Qayyum et al. Secure and robust machine learning for healthcare: A survey
US10937164B2 (en) Medical evaluation machine learning workflows and processes
Schwendicke et al. Artificial intelligence in dentistry: chances and challenges
JP6640913B2 (ja) エネルギーベース療法デバイスのパーソナライズされた画像ベースのガイダンス
Firouzi et al. AI-driven data monetization: The other face of data in IoT-based smart and connected health
Kassahun et al. Automatic classification of epilepsy types using ontology-based and genetics-based machine learning
Hosseinzadeh et al. An elderly health monitoring system based on biological and behavioral indicators in internet of things
Jadhav et al. Disease prediction by machine learning from healthcare communities
CN113724849A (zh) 基于人工智能的医疗资源配置方法、装置、设备及介质
EP3940597A1 (en) Selecting a training dataset with which to train a model
Lind et al. Artificial intelligence for the classification of fractures around the knee in adults according to the 2018 AO/OTA classification system
US20220351838A1 (en) Methods and systems for management and visualization of radiological data
Duffy et al. Confounders mediate AI prediction of demographics in medical imaging
US20130151284A1 (en) Assigning cases to case evaluators based on dynamic evaluator profiles
Saun Automated classification of radiographic positioning of hand X-rays using a deep neural network
Aggarwal et al. Privacy preserved collaborative transfer learning model with heterogeneous distributed data for brain tumor classification
Brink et al. ACR’s Connect and AI-LAB technical framework
Baba et al. Predictive approaches for low-cost preventive medicine program in developing countries
Vijayalakshmi et al. Blockchain security for artificial intelligence-based clinical decision support tool
Pinheiro et al. Application and decision-making implications of novel optimization models in public health
Ahmed et al. Framework design for Machine Learning Integrated Mobile Based Livestock Disease Data Management, Diagnosis, and Treatment
CN114651264A (zh) 将模型输出组合为组合模型输出
Shankar et al. Artificial Intelligence for the Internet of Health Things
Ginjupalli et al. Digitization of Prior Authorization in Healthcare Management Using Machine Learning
Ciraolo et al. Facial expression recognition based on emotional artificial intelligence for tele-rehabilitation

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: 20221010

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

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

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

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

TA01 Transfer of patent application right