CN113744836A - 基于自然语言处理的处方生成方法、装置、设备及介质 - Google Patents

基于自然语言处理的处方生成方法、装置、设备及介质 Download PDF

Info

Publication number
CN113744836A
CN113744836A CN202111049673.2A CN202111049673A CN113744836A CN 113744836 A CN113744836 A CN 113744836A CN 202111049673 A CN202111049673 A CN 202111049673A CN 113744836 A CN113744836 A CN 113744836A
Authority
CN
China
Prior art keywords
information
prescription
user
purchase
medicine
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
CN202111049673.2A
Other languages
English (en)
Inventor
陈莹
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.)
Ping An Technology Shenzhen Co Ltd
Original Assignee
Ping An Technology Shenzhen 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 Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Priority to CN202111049673.2A priority Critical patent/CN113744836A/zh
Publication of CN113744836A publication Critical patent/CN113744836A/zh
Priority to PCT/CN2022/088039 priority patent/WO2023035618A1/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
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/10—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to patients
    • 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
    • G06F16/33—Querying
    • G06F16/332—Query formulation
    • G06F16/3329—Natural language query formulation or dialogue 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
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Epidemiology (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Business, Economics & Management (AREA)
  • General Business, Economics & Management (AREA)
  • Mathematical Physics (AREA)
  • Theoretical Computer Science (AREA)
  • Computational Linguistics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Human Computer Interaction (AREA)
  • Artificial Intelligence (AREA)
  • Pathology (AREA)
  • Chemical & Material Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Medicinal Chemistry (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

本发明涉及人工智能技术领域，提出一种基于自然语言处理的处方生成方法、装置、设备及介质，该方法通过获取药品加购信息、用户描述信息分别生成适应症、可选使用规范信息、疑似症状和建议使用规范信息，进而生成处方必要信息并确定信息可信程度，得到初始处方。本发明还提出一种处方生成装置、设备及介质，借助于自然语言处理技术将用户的语言或文字描述信息以及药品加购信息转化为适应症、可选使用规范信息、疑似症状和建议使用规范信息，确定处方必要信息并生成初始处方，对于明确知晓自己症状及所需药品的患者，自动生成初始处方，减少患者的购药用时，提升患者的体验度和满意度，也提升了医生的接诊效率和医疗资源利用率。

Description

基于自然语言处理的处方生成方法、装置、设备及介质
技术领域
本发明涉及人工智能技术领域，提供一种基于自然语言处理的处方生成方法、装置、设备及介质。
背景技术
相关技术中，开处方的过程一般是通过医生与患者进行对话，确认患者信息后，由医生填写诊断，开药，签章，最终得到处方。
但现有的问诊流程不论患者是否明确知晓自己所需要的药品，均需要经过医生的问诊，造成了对于部分明确知晓自己的病情以及所需药品患者的诊疗过程耗时较长，患者体验度降低、满意度较差。此外，对于诊疗资源来说，如果对每一个患者都要进行亲自问诊，也将在一定程度上导致医疗资源的浪费，将有限的诊疗资源均衡分布给部分不需要亲自问诊的患者，造成接诊效率低。
发明内容
本发明提供一种基于自然语言处理的处方生成方法、装置、设备及介质，其主要目的在于借助于自然语言处理技术将用户的语言或文字描述信息以及药品加购信息转化为适应症、可选使用规范信息、疑似症状和建议使用规范信息，进而确定处方必要信息及其信息可信程度，基于该信息可信程度和处方必要信息生成初始处方，不再需要医生对每一个患者当面进行问诊，对于明确知晓自己症状及所需药品的患者，通过自动核对的方式生成初始处方，减少这部分患者的购药用时，提升患者的体验度和满意度，也提升了医生的接诊效率和医疗资源利用率。
为实现上述目的，本发明提供一种基于自然语言处理的处方生成方法，该方法包括：
获取药品加购信息，确定加购药品的适应症和可选使用规范信息；
获取用户描述信息，确定主诉信息；
根据所述主诉信息和药品加购信息生成处方必要信息，所述处方必要信息包括疑似症状、建议使用规范信息中至少之一；
根据症状信息和规范信息中至少之一确定所述处方必要信息的信息可信程度，所述症状信息根据所述适应症和疑似症状确定，所述规范信息根据所述可选使用规范信息和建议使用规范信息确定；
根据所述信息可信程度和处方必要信息生成初始处方。
可选的，所述根据症状信息和规范信息中至少之一确定所述处方必要信息的信息可信程度包括：
根据所述适应症和疑似症状确定症状可信程度；
根据所述可选使用规范信息和建议使用规范信息确定使用规范可信程度；
若所述症状可信程度和使用规范可信程度均为可信，所述信息可信程度为可信；
若所述症状可信程度和使用规范可信程度中任一为不可信，所述信息可信程度为不可信。
可选的，所述根据所述信息可信程度和处方必要信息生成初始处方包括以下任意之一：
若所述信息可信程度包括可信，根据所述处方必要信息生成所述初始处方；
或者，若所述信息可信程度包括不可信，获取用户关联信息，并根据所述用户关联信息、用户描述信息和药品加购信息中至少之一确定加购事件重要程度，所述用户关联信息包括用户位置、用户购买频率、历史成交金额中至少之一，根据所述加购事件重要程度分配接诊医生，将所述处方必要信息发送给所述接诊医生，获取所述接诊医生的处方指令并生成所述初始处方。
可选的，根据所述用户描述信息确定加购事件重要程度包括，获取所述用户描述信息中的情感信息，确定用户情感状态，并确定所述加购事件重要程度，所述情感信息包括表情、动作、音调、语速、语气词中至少之一；
所述药品加购信息包括加购金额和等待时长，根据所述药品加购信息确定加购事件重要程度包括，根据所述加购金额和等待时长确定所述加购事件重要程度。
可选的，所述获取用户描述信息，确定主诉信息包括：
根据所述适应症确定症状问题，进行第一次询问，获取第一次回答结果；
将所述回答结果输入到预设关键词抽取模型，得到初始信息；
根据所述初始信息生成确认问题，并进行第二次询问，获取第二次回答结果；
若所述第二次回答结果包括确认所述初始信息，则根据所述初始信息生成所述主诉信息。
可选的，所述根据所述信息可信程度和处方必要信息生成初始处方之后，所述方法还包括，
对所述初始处方进行校验；
若校验通过，根据所述初始处方生成正式处方；
获取所述正式处方中处方药品的处方数量、库存数量及预设限制购买数量，并生成药品销售清单；
所述药品销售清单的生成方式包括以下任意之一：
若所述处方数量不大于所述预设限制购买数量，且所述处方数量不大于所述库存数量，药品销售清单包括所述处方药品和处方数量；
若所述库存数量大于0，所述处方数量不大于所述预设限制购买数量，且所述库存数量小于所述处方数量，药品销售清单包括所述处方药品和库存数量；
若所述库存数量等于0，在药品销售清单进行所述处方药品的缺货提示；
或者，若所述处方数量不大于所述库存数量，所述处方数量大于预设限制购买数量，药品销售清单包括所述处方药品和预设限制购买数量，并进行处方数量减少提示。
可选的，所述获取所述正式处方中处方药品的处方数量、库存数量及预设限制购买数量，并生成药品销售清单之前，所述方法还包括：
获取历史订单信息和当前用户标识信息，所述当前用户标识信息包括当前加购用户身份信息、当前支付标识信息中至少之一，所述历史订单信息包括历史加购用户身份信息，历史加购药品，历史加购药品数量，历史支付标识信息中至少之一；
根据所述历史订单信息和当前用户标识信息确定用户交易频率，所述用户交易频率包括所述当前加购用户身份信息交易频率、当前支付标识信息交易频率中至少之一；
若所述用户交易频率高于预设交易频率阈值，暂停交易；
若所述用户交易频率低于预设交易频率阈值，根据所述历史订单信息和当前用户标识信息确定用户重点药品交易数量，所述用户重点药品交易数量包括当前加购用户身份信息重点药品交易数量、当前支付标识信息重点药品交易数量中至少之一，若所述用户重点药品交易数量超过预设交易数量阈值，暂停交易；
或者，若所述用户交易频率低于预设交易频率阈值，且所述用户重点药品交易数量低于预设交易数量阈值，继续交易。
此外，为实现上述目的，本发明还提供一种基于自然语言处理的处方生成装置，所述装置包括：
加购信息获取模块，用于获取药品加购信息，确定加购药品的适应症和可选使用规范信息；
描述信息获取模块，用于获取用户描述信息，确定主诉信息；
处方必要信息生成模块，用于根据所述主诉信息和药品加购信息生成处方必要信息，所述处方必要信息包括疑似症状、建议使用规范信息中至少之一；
确定模块，用于根据症状信息和规范信息中至少之一确定所述处方必要信息的信息可信程度，所述症状信息根据所述适应症和疑似症状确定，所述规范信息根据所述可选使用规范信息和建议使用规范信息确定；
初始处方生成模块，用于根据所述信息可信程度和处方必要信息生成初始处方。
此外，为实现上述目的，本发明还提供一种计算机设备，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任一项实施例所述方法的步骤。
此外，为实现上述目的，本发明还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上任一项实施例所述方法的步骤。
本发明提出的基于自然语言处理的处方生成方法、装置、设备及介质，该方法通过获取药品加购信息、用户描述信息分别生成适应症、可选使用规范信息、疑似症状和建议使用规范信息，并生成处方必要信息及其信息可信程度，进而生成初始处方，借助于自然语言处理技术将用户的语言或文字描述信息以及药品加购信息转化为适应症、可选使用规范信息、疑似症状和建议使用规范信息，可以有效减少加购药品是否适合用户的判断时间，通过对处方必要信息及信息可信程度的确定，若该用户明确知晓自己症状及所需药品，且根据上述数据确定信息可信程度包括可信，则可以通过自动核对的方式生成初始处方，可以减少患者的购药用时，提升患者的体验度和满意度，若信息可信程度包括不可信，也可以将处方必要信息提供给对应的接诊医生，节约了医患沟通时间，也可以减少患者的购药用时，提升患者的体验度和满意度。
附图说明
图1为本发明一个实施例中提供的基于自然语言处理的处方生成方法的一种流程示意图；
图2为本发明一个实施例中提供的基于自然语言处理的处方生成的另一种流程示意图；
图3为本发明一个实施例中提供的基于自然语言处理的处方生成的另一种流程示意图；
图4为本发明一个实施例中提供的基于自然语言处理的处方生成的一种具体的流程示意图；
图5为本发明一个实施例中提供的基于自然语言处理的处方生成装置的一种结构示意图；
图6为发明一个实施例中提供的计算机设备的一种结构示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
在一个实施例中，提供一种基于自然语言处理的处方生成方法，参照图1所示，该方法包括以下步骤：
步骤S101：获取药品加购信息，确定加购药品的适应症和可选使用规范信息。
可选的，药品加购信息可以根据用户的加购动作、加购结果等确定。药品加购信息包括但不限于加购药品名称、加购药品条码、加购药品数量、加购药品价格、加购药品有效成分等。
可选的，可选使用规范信息包括但不限于可选给药频率、可选用量及可选用法。其中，给药频率例如一天一次，一天两次等，可选用量例如一次1粒，一次1～2粒等，可选用法例如口服、外敷等。
在一些实施例中，根据药品加购信息确定适应症和可选使用规范信息的方式包括以下至少之一：
获取各加购药品的说明书，根据说明书中关于适应症的描述信息确定适应症和可选使用规范信息；
根据药品加购信息通过预设的药品信息平台确定适应症和可选使用规范信息；
通过预设药品适应症映射关系确定适应症和可选使用规范信息。
可选的，说明书的相关数据可以存储于一个或多个服务器或本地数据库，根据加购药品条码或其他唯一识别信息对于获取加购药品所对应的说明书，通过提取说明书中关于适应症部分的描述信息可以确定适应症。
可选的，说明书也可以基于加购药品的位置身份信息通过搜索引擎等方式进行搜索，以得到说明书，进而得到适应症和可选使用规范信息。
由于药品的说明书中适应症和可选使用规范信息(如使用方法、剂量、频次等)是必然存在的信息，故可以直接基于说明书进行识别和关键信息提取以得到适应症及可选使用规范信息。例如可以将说明书的全文文字录入到系统中，基于关键词搜索，定位到说明书相应描述位置，得到适应症和可选使用规范信息。
可选的，预设药品适应症映射关系可以由医生、药剂师等专业人员对某一药品的适应症及该药片的可选使用范围信息进行标注制定，也可以通过其他本领域技术人员所能够知晓的方式来制定。
预设的药品信息平台可以是本领域技术人员所知晓的平台，在此不做限定。
可选的，可以采用ICD(international classification of diseases，国际疾病分类法)10标准码的方式来实现适应症或疑似症状的指代。
在一些实施例中，在步骤S101之后，步骤S102之前，该方法还包括：
根据药品加购信息确定加购药品和加购药品数量；
获取加购药品的库存药品数量及预设最大加购量；
根据库存药品数量、预设最大加购量及加购药品数量确定合理药品数量，并根据合理药品数量更新药品加购信息。
预设最大加购量可以由本领域技术人员根据需要进行设定。库存药品数量可以为药店或者售药平台的库存统计信息得到。
可选的，根据库存药品数量、预设最大加购量及加购药品数量确定合理药品数量，并根据合理药品数量更新药品加购信息包括：
若加购药品数量不大于预设最大加购量，且加购药品数量不大于库存药品数量，则执行步骤S102；
若库存药品数量为0，删除药品加购信息中该加购药品及加购药品数量，并提示该加购药品缺货；
若库存药品数量大于0，加购药品数量不大于预设最大加购量，且加购药品数量大于库存药品数量，将药品加购信息中该加购药品的加购药品数量修改为库存药品数量，并提示加购药品数量已修改。
可选的，若库存药品数量为0，该方法还包括：
根据预设推荐规则为用户推荐替代药品。
其中，预设推荐规则包括预先设定的若干组可以相互替代的药品组合。
可选的，若获取到用户同意以替代药品替换加购药品，则继续执行步骤S102，否则停止步骤。
需要说明的是，上述库存药品数量为0可以理解为当前库存中无某一药品的情况，并不特指该药品库存一定只是0，例如，由于库存管理能力问题，库存数量可能存在“虚库存”的情况，此时库存数据可能为1或更多，但实际上仓库并没有真实的货物，此时可以将该情况下的库存看做是0。
在一些实施例中，也可以在用户进行加购操作时，就进行库存核对，当库存小于加购量时提示加购失败，拒绝加购。
通过上述实施方式，可以了解用户对于药品的需求以及用户可能需要治疗的疾病，同时也可以对当前库存情况与用户所需药品的数量进行初步比对，若发现库存不能满足用户需求及时告知用户，在可行的前提下提供替代药品的推荐，比如推荐同一有效成分的不同生产厂家的药品，或者同一有效成分不同剂量规格的药品等，与等到处方审核完成后再告知用户某些药品缺货相比可以进一步提升用户的体验度，避免由于缺货导致用户不能及时拿到对症的药品。
本实施例中，对于用户描述信息的来源可以是实际使用该加购药品的人员的描述信息，该实际使用加购药品的人可以是执行加购操作的人，也可以是其他人，换句话说，根据本领域技术人员的需要，本实施例也可以支持他人代购的情景。
S102：获取用户描述信息，确定主诉信息。
可选的，用户描述信息的获取方式包括但不限于以下至少之一：
用户输入信息得到，例如用户直接进行信息口头或者填写录入；
用户登录账号的关联信息得到，例如若用户通过医保卡、账号等方式进行登录，可以基于账户的关联信息得到用户基本信息；
根据询问问题的作答结果得到等。
可选的，还可以根据用户描述信息确定用户基本信息，该用户基本信息包括但不限于用户名字、年龄、籍贯、住址、既往病史等信息，主诉信息包括但不限于症状、持续时长等信息。
在一些实施例中，参见图2，获取用户描述信息，确定主诉信息包括：
S201：根据适应症确定症状问题，进行第一次询问，获取第一次回答结果；
S202：将回答结果输入到预设关键词抽取模型，得到初始信息；
S203：根据初始信息生成确认问题，并进行第二次询问，获取第二次回答结果；
S204：若第二次回答结果包括确认初始信息，则根据初始信息生成主诉信息。
可选的，可以根据该初始信息生成用户基本信息。
可以由专业人员预先对各适应症设置对应的预设症状问题，形成预设症状问题集，进而可以根据该适应症确定其所对应的症状问题，根据该症状问题进行第一次询问，得到第一次回答结果。基于适应症来确定若干个症状问题，可以针对于用户所需要治疗疾病的症状有针对性的提问，以实现根据回答结果判断用户是否可能患有所加购药品所能够治疗的病症。
可选的，第一次询问可以是一个包括有若干个症状问题的询问过程，此时其过程可以是：先根据适应症在预设症状问题中找到症状问题，进行询问，得到回答结果1，再根据回答结果确定补充问题，并进行补充询问，得到回答结果2，进而综合回答结果1和回答结果2生成第一次回答结果。其中，补充问题的确定可以通过预先对各种回答结果1进行预测，并对应设置多个补充问题集。可选的，补充问题可以是由本领域技术人员根据需要预先设置的若干个问题，也可以是由预设问题库中随机选择的若干个与症状问题不相同的问题，还可以是根据症状问题中的至少一个问题所预设的关联问题。
可选的，根据症状问题和补充问题进行询问的过程包括以下任意之一：
症状问题与补充问题交替询问；
先询问症状问题再询问补充问题；
先询问补充问题再询问症状问题；
随机选取症状问题或补充问题进行询问。
需要说明的是，上述询问可以是通过语音和/或文字实现，相应的上述回答结果也可通过语音和/或文字来实现。
预设关键词抽取模型可以是本领域技术人员所知晓的方式预先训练的模型，在此不做限定。预设关键词抽取模型包括分词模型和关键词抽取模型，例如，根据预设分词规则构建的分词模型将回答结果进行分词处理，得到若干个分词，将分词输入到抽取模型中，分别获取各分词的分词向量与若干个预设关键词的关键词向量之间的余弦相似度，进而得到与该分词对应的关键词，得到初始信息。
可选的，可以通过对回答结果进行分词处理，得到若干个分词，再对得到的分词与预设词库中的初始词进行词义相似度比对，将与某一个分词最为相似度最高且高于预设词义相似度阈值的初始词作为该分词的初始信息。
通过上述方式一方面可以将用户的口语化表达转化为较为专业的表达，另一方面通过用户对确认问题的回答可以确保前述预设关键词抽取模型所抽取的初始信息的准确，以保证后续处方的准确。
可选的，根据初始信息生成确认问题的过程中，可以是直接通过预设确认问题模板加入初始信息实现。有时该初始信息由于过于书面化表达，部分用户可能不太能够理解其含义，也可以是通过对初始信息进行口语化处理后得到的口语化信息，再将该口语化信息加入预设确认问题模板中生成确认问题，以便用户能够清楚的理解该问题，作出正确的回答。例如，预设确认问题模板为：请问您的意思是+初始信息+吗？假设初始信息为“痤疮”，则按照第一种方法得到的确认问题为“请问您的意思是痤疮吗”，按照第二种方法得到确认问题的过程为，将痤疮进行口语化处理，得到痘痘，进而得到确认问题为“请问您的意思是痘痘吗”。
S103：根据主诉信息和药品加购信息生成处方必要信息。
可选的，处方必要信息包括疑似症状、建议使用规范信息中至少之一。
可选的，根据主诉信息和加购药品信息生成处方必要信息包括：
将主诉信息与预设必要信息集合进行比对，得到预设必要信息集合中与主诉信息之间信息相似度最高的一个预设必要信息；
若该预设必要信息的信息相似度高于预设信息相似度阈值，则将该预设必要信息作为主诉信息的处方必要信息。
具体的，信息相似度的确定方式可以为分别确定主诉信息中各个词语的第一词向量，获取各预设必要信息中各词语的第二词向量，确定第一词向量与第二词向量之间的余弦相似度，作为信息相似度。
其中，预设必要信息包括疑似症状和建议使用规范信息中至少之一，建议使用规范信息包括建议给药频率、建议用量及建议用法中至少之一。
通过上述实施方式，可以基于用户口述或者输入的不规范的用户描述信息转化为可信的处方必要信息，以便后续处方的准确生成，同时也给出了用户所加购药品的建议用法用量给药频率。
可选的，处方必要信息除了疑似症状、建议使用规范信息外，还可以包括用户基本信息，各数据可以填写如预设表格中，以便后续信息的提取。
S104：根据症状信息和规范信息中至少之一确定处方必要信息的信息可信程度。
其中，症状信息根据适应症和疑似症状确定，规范信息根据可选使用规范信息和建议使用规范信息确定。
在一些实施例中，根据症状信息和规范信息中至少之一确定处方必要信息的信息可信程度包括：
根据适应症和疑似症状确定症状可信程度；
根据可选使用规范信息和建议使用规范信息确定使用规范可信程度；
若症状可信程度和使用规范可信程度均为可信，信息可信程度为可信；
若症状可信程度和使用规范可信程度中任一为不可信，信息可信程度为不可信。
其中，若适应症包括疑似症状，则症状可信情况包括可信，否则不可信；若可选使用规范信息包括建议使用规范信息，则使用规范可信情况包括可信，否则不可信。当疑似症状为空时，也即根据主诉信息并没有得到合理的疑似症状，则症状可信情况包括不可信；当建议使用规范信息为空时，也即根据加购药品信息并没有得到合理的建议使用规范信息，此时使用规范可信情况包括不可信。
上述“包括”可以为相同，也可以为部分相同，例如适应症包括“解热镇痛。用于因感冒引起的头痛发热，鼻塞，流涕，咽痛”，疑似症状为“因感冒引起鼻塞”，此时适应症包括疑似症状。又例如，可选使用规范信息包括“一日一片，口服”，建议使用规范信息包括“一日一片，口服”，则可选使用规范信息包括建议使用规范信息，使用规范可信情况包括可信。又例如，可选使用规范信息包括“一日1～2片，口服”，建议使用规范信息包括“一日1片，口服”，则可选使用规范信息包括建议使用规范信息，使用规范可信情况包括可信。
S105：根据信息可信程度和处方必要信息生成初始处方。
在一些实施例中，根据信息可信程度和处方必要信息生成初始处方包括以下任意之一：
若信息可信程度包括可信，根据处方必要信息生成初始处方；
或者，若信息可信程度包括不可信，获取用户关联信息，并根据用户关联信息、用户描述信息和药品加购信息中至少之一确定加购事件重要程度，用户关联信息包括用户位置、用户购买频率、历史成交金额中至少之一，根据加购事件重要程度分配接诊医生，将处方必要信息发送给接诊医生，获取接诊医生的处方指令并生成初始处方。
在一些实施例中，根据用户描述信息确定加购事件重要程度包括：获取用户描述信息中的情感信息，确定用户情感状态，并确定加购事件重要程度，其中，情感信息包括表情、动作、音调、语速、语气词中至少之一。
可以通过预先训练情感标识模型，以实现通过情感信息确定用户情感状态。对于不同的情感状态按照预设规则进行可量化指标分级，以得到加购事件重要程度。其中，情感标识模型的训练方式可以采用本领域技术人员所知晓的方式实现。
在一些实施例中，药品加购信息包括加购金额和等待时长，根据药品加购信息确定加购事件重要程度包括：根据加购金额和等待时长确定加购事件重要程度。
可选的，若用户关联信息包括用户位置，根据用户位置确定位置属性(医院、商场、住宅、学校等)，对不同位置属性预设影响参数，进而评价加购事件重要程度。
可以通过上述已经量化完成的参数指标，进而得到一个量化的加购事件重要程度，便于后续根据加购事件重要程度对于多个加购事件的比对。
通过各方面因素综合评定本次药品加购事件的重要程度，该重要程度可以影响该事件后续的处理速度，这样，可以更好的服务部分特殊用户。
例如，可以将用户关联信息、用户描述信息和药品加购信息分别进行评分或评级，进而得到加购事件重要程度。具体的，可以将用户关联信息、用户描述信息和药品加购信息各自所包括的评价项目预设若干个影响因子，对于能够量化的项目选取量化数值，如购买频率、历史成交金额、加购金额、等待时长等，将量化数值分别与影响因子相乘求和。将评价项目中不能量化的部分如情感信息、用户位置等，预先赋予一定的数值，再分别与影响因子相乘求和，最后得到总的求和数值进而可以以该总的求和数值衡量加购事件重要程度。
在一些实施例中，分配接诊医生的方式包括：
根据适应症和疑似症状中至少之一确定所属科室，并在所属科室中的空闲医生中确定接诊医生。
可选的，若适应症所确定的所属科室与由疑似症状所确定的所属科室不一致，则可以以由疑似症状所确定的所属科室为准或分配全科医生。
通过上述实施方式，可以实现根据处方必要信息的可信情况来对应选择自动生成处方或人工处方，可以有效的对用户进行分流，对于能够直接通过系统自动开方的用户，直接采用自动开方的方式，有效的降低了医生的工作量，提升工作效率，也降低了用户的等待时长，提升了用户的满意度。同时，对于医生接诊的顺序，也根据加购事件重要程度顺序来排序，可以优先服务部分需求更加紧急的用户(在医院，脾气暴躁、需求紧迫)，在一定程度上可以避免客诉的发生，优先满足需求紧迫的用户。
在一些实施例中，步骤S101之后，该方法还包括：
确定药品加购信息中的加购药品是否为限制购买药品；
若是，则分配接诊医生并人工生成初始处方；
若否，则执行步骤S102。
可选的，预先制定限制购买药品清单，进而可以通过判断加购药品是否为限制购买药品清单的药品来决定是否分配接诊医生进行人工开方。限制购买药品清单可以由本领域技术人员根据需要确定。
例如，治疗精神疾病的某些药品具有较大的副作用，有些药品具有成瘾性，需要医生根据用户的实际情况判断是否给药，此时，则不适应通过自动开方的方式开处方，故将为该用户分配对应的接诊医生，进行人工开方。
在一些实施例中，参见图3，根据信息可信程度和处方必要信息生成初始处方之后，该方法还包括：
S301：对初始处方进行校验；
S302：若校验通过，根据初始处方生成正式处方；
S303：获取正式处方中处方药品的处方数量、库存数量及预设限制购买数量，并生成药品销售清单。
其中，校验的方式包括但不限于通过专业技术人员(药剂师等)通过人工核对的方式对初始处方进行校验。
在一个实施例中，药品销售清单的生成方式包括：
获取初始处方中的处方药品及处方数量，获取处方药品的库存数量和预设限制购买数量，根据处方数量、库存数量和预设限制购买数量生成药品销售清单。
可选的，药品销售清单的生成方式包括以下任意之一：
若处方数量不大于预设限制购买数量，且处方数量不大于库存数量，药品销售清单包括处方药品和处方数量；
若库存数量大于0，处方数量不大于预设限制购买数量，且库存数量小于处方数量，药品销售清单包括处方药品和库存数量；
若库存数量等于0，在药品销售清单进行处方药品的缺货提示；
若处方数量不大于库存数量，处方数量大于预设限制购买数量，药品销售清单包括处方药品和预设限制购买数量，并进行处方数量减少提示。
预设限制购买数量可以根据不同的处方药品的各项相关规定设定。
通过上述实施方式，可以进一步校验库存药品数量是否满足用户需求，且能够校验用户所购买的药品是否超过限制购买数量，可以保证所开出来的药品销售清单上所罗列的药品数量的合理性，避免由于缺货导致用户不能及时拿到合适数量的药品。
可选的，缺货提示、处方数量减少提示可以通过语音、文字等方式显示给用户。具体的提示方式在此不做限定。
在一些实施例中，有些药品由于地方政策等因素，在不同地域间存在较大幅度的差价，有部分人员可能会过于频繁的进行购药，以进行囤积倒卖获利。或者，部分人员处于种种原因过于频繁的进行药品加购动作，导致资源的浪费。故获取正式处方中处方药品的处方数量、库存数量及预设限制购买数量，并生成药品销售清单之前，该方法还包括：
获取历史订单信息和当前用户标识信息，当前用户标识信息包括当前加购用户身份信息、当前支付标识信息中至少之一，历史订单信息包括历史加购用户身份信息，历史加购药品，历史加购药品数量，历史支付标识信息中至少之一；
根据历史订单信息和当前用户标识信息确定用户交易频率，用户交易频率包括当前加购用户身份信息交易频率、当前支付标识信息交易频率中至少之一；
若用户交易频率高于预设交易频率阈值，暂停交易；
若用户交易频率低于预设交易频率阈值，根据历史订单信息和当前用户标识信息确定用户重点药品交易数量，用户重点药品交易数量包括当前加购用户身份信息重点药品交易数量、当前支付标识信息重点药品交易数量中至少之一，若用户重点药品交易数量超过预设交易数量阈值，暂停交易；
若用户交易频率低于预设交易频率阈值，且用户重点药品交易数量低于预设交易数量阈值，继续交易。
其中，当前加购用户身份信息可以为执行加购动作的用户身份信息，如用户名、用户ID等用户唯一值，支付标识信息可以为支付账号等。
预设交易频率阈值、预设交易数量阈值可以由本领域技术人员根据需要进行设定。
当前加购用户身份信息交易频率的确定方式可以为：
获取某一时间段内的历史订单信息，该历史订单信息包括成交订单(已下单并付款)、未成交的订单(已下单未付款)以及加购订单(未下单未付款已加购)，通过统计当前加购用户身份信息在历史订单信息中的出现数量确定当前加购用户身份信息交易频率。
当前支付标识信息交易频率的确定方式包括：
获取某一时间段内的历史订单信息，该历史订单信息包括成交订单(已下单并付款)、未成交的订单(已下单未付款)以及加购订单(未下单未付款已加购)，通过统计当前支付标识信息在历史订单信息中的出现数量确定当前加购用户身份信息交易频率。
预设交易频率阈值可以包括预设当前加购用户身份信息交易频率子阈值和预设当前支付标识信息交易频率子阈值，进而分别将当前加购用户身份信息交易频率、当前支付标识信息交易频率与预设当前加购用户身份信息交易频率子阈值和预设当前支付标识信息交易频率子阈值进行比对，按照一定的规则确定用户交易频率是否低于预设交易频率阈值，比如两个值均比各自对应的子阈值小，或两个值的加总小于两个阈值的加总小等。
当前加购用户身份信息重点药品交易数量的确定方式包括：
根据当前加购用户身份信息确定历史订单信息中成功交易的重点药品的数量。
当前支付标识信息重点药品交易数量的确定方式包括：
根据当前支付标识信息确定历史订单信息中成功交易的重点药品的数量。
其中重点药品可以是一种或多种，重点药品可以由本领域技术人员根据需要选择。
预设交易数量阈值包括预设当前加购用户身份信息子数量阈值和预设当前支付标识信息子阈值，对应的，对于用户重点药品交易数量是否低于预设交易数量阈值与上述用户交易频率是否低于预设交易频率阈值类似，在此不再赘述。
暂停交易可以是长期暂停，也可以是第三方介入审核，根据审核结果确定是否持续暂停交易。若暂停交易则不再生成药品销售清单。
继续交易则是继续执行获取正式处方中处方药品的处方数量、库存数量及预设限制购买数量，并生成药品销售清单的步骤。
通过上述实施方式，可以避免由于用户高频率进行加购、下单、购买等行为，导致系统资源浪费，通过限制多次购买，避免用户重复购买，减小后续退货量突增，或囤积药品倒卖获利的风险。
本实施例提供了一种基于自然语言处理的处方生成方法，该方法通过获取药品加购信息、用户描述信息分别生成适应症、可选使用规范信息、疑似症状和建议使用规范信息，并生成处方必要信息及其信息可信程度，进而生成初始处方，借助于自然语言处理技术将用户的语言或文字描述信息以及药品加购信息转化为适应症、可选使用规范信息、疑似症状和建议使用规范信息，可以有效减少加购药品是否适合用户的判断时间，通过对处方必要信息及信息可信程度的确定，若该用户明确知晓自己症状及所需药品，且根据上述数据确定信息可信程度包括可信，则可以通过自动核对的方式生成初始处方，可以减少患者的购药用时，提升患者的体验度和满意度，若信息可信程度包括不可信，也可以将处方必要信息提供给对应的接诊医生，节约了医患沟通时间，也可以减少患者的购药用时，提升患者的体验度和满意度，此外，还可以提升医生的接诊效率和医疗资源利用率。
医生是医院运营的核心，医疗系统的收费主要在医生的推动下才得以实现，其他过程都是为医生做铺垫或是辅助医生开展工作。因此，医生的接诊开方状况如何是影响医院收入的关键。医生接诊的最终目的既要为患者治好疾病，又要为医院为自己创造经济效益。医生的接诊开方效率既是提高患者满意度的方法，又是提高医疗的经济效益方法；或者平衡两者的关系的方法。
传统的医生接诊开方，医生需通过和患者需要面对复杂、冗长、繁琐的问诊，包括但不限于主诉、现病史、既往史、家族史、个人史、婚育史等几部分，医生初步了解患者的经济转况、对健康的态度、本次就诊的动机等等，这容易给患者造成较紧张的情绪，同时医生将患者的问诊信息录入系统需要时间，导致大量患者进入等待期，宝贵的医生资源大量投入提供简单、重复、低价值的劳动中，使得医生的工作效率难以提升，运营成本居高不下，患者满意度也受到了影响，为解决上述问题，本实施例提供了一种基于自然语言处理的处方生成方法。下面通过一个具体的实施例示例性的对上述提到的基于自然语言处理的处方生成方法进行说明，参见图4，该具体的基于自然语言处理的处方生成方法的实现流程如下：
用户先将商品(药品)添加到购物车得到药品加购信息，该药品加购信息中包括药品、适应症及ICD10标准码映射关系等。通过机器人等设备向用户进行询问，以得到用户描述信息，根据该用户描述信息确定主诉信息及用户基本信息(就诊人信息)，根据主诉信息和药品加购信息推荐出诊断和药品，通过模板上下文根据上述诊断和药品得到处方必要信息。判断该处方必要信息的可信程度，如处方必要信息不可信，比如当给药频率或用法用量不合适、精神类疾病控制等原因不满足自动开处方条件时，进入人工开方，为该用户分配接诊医生，并将收集到的用户描述信息、药品加购信息和处方必要信息带入医生工作台，在校验医生开方权限后，如该医生具有开方权限，则由医生人工开人工初始处方。如处方必要信息可信，此时可以直接根据上述处方必要信息生成自动初始处方。不论是由医生开具的人工初始处方，通过机器人跑圈，处方进入审核平台进行下一步流转，完成上述过程后可以得到人工初始处方或自动初始处方，由第三方进行对初始处方进行审核，审核通过后开具正式处方，此时用户可以收到处方卡片。用户收到处方卡片可下单支付进行购药操作。其中，对于用户描述信息的获取及主诉信息的确定可以预先在系统中组装主诉相关信息进入导诊来实现。对用户进行询问以及主诉信息的生成可以通过oneshot模板等方式实现。
通过上述方式可以简化医生接诊操作，可增加医生开方的增加转化率，提高医生处理时效，减少问诊拥堵和提高通道服务能力和数量，尽量通过AI+机器人的方式自动开处方，提升交易频次。如果自动开方失败也能将收集到的用户基本信息及主诉信息带入医生工作台，从而简化医生开方时需要人工填写的内容以及快速了解用户诉求，进而更好地为用户服务，提高改善服务质量，保证用户满意度。
在一个实施例中，本发明还提供了一种基于自然语言处理的处方生成装置500，参见图5，该装置包括：
加购信息获取模块501，用于获取药品加购信息，确定加购药品的适应症和可选使用规范信息；
描述信息获取模块502，用于获取用户描述信息，确定主诉信息；
处方必要信息生成模块503，用于根据主诉信息和药品加购信息生成处方必要信息，处方必要信息包括疑似症状、建议使用规范信息中至少之一；
确定模块504，用于根据症状信息和规范信息中至少之一确定处方必要信息的信息可信程度，症状信息根据适应症和疑似症状确定，规范信息根据可选使用规范信息和建议使用规范信息确定；
初始处方生成模块505，用于根据信息可信程度和处方必要信息生成初始处方。
可选的，确定模块包括：
症状可信程度子模块，用于根据适应症和疑似症状确定症状可信程度；
使用规范可信程度子模块，用于根据可选使用规范信息和建议使用规范信息确定使用规范可信程度；
第一判断模块，用于若症状可信程度和使用规范可信程度均包括可信，信息可信程度包括可信；
第二判断模块，用于若症状可信程度和使用规范可信程度中至少之一包括不可信，信息可信程度包括不可信。
可选的，初始处方生成模块包括以下任意之一：
自动生成模块，用于若信息可信程度包括可信，根据处方必要信息生成初始处方；
人工生成模块，用于若信息可信程度包括不可信，获取用户关联信息，并根据用户关联信息、用户描述信息和药品加购信息中至少之一确定加购事件重要程度，用户关联信息包括用户位置、用户购买频率、历史成交金额中至少之一，根据加购事件重要程度分配接诊医生，将处方必要信息发送给接诊医生，获取接诊医生的处方指令并生成初始处方。
可选的，人工生成模块还包括：
情感子模块，用于根据用户描述信息确定加购事件重要程度包括，获取用户描述信息中的情感信息，确定用户情感状态，并确定加购事件重要程度，情感信息包括表情、动作、音调、语速、语气词中至少之一；
金额时长子模块，用于药品加购信息包括加购金额和等待时长，根据药品加购信息确定加购事件重要程度包括，根据加购金额和等待时长确定加购事件重要程度。
可选的，描述信息获取模块包括：
第一次讯问模块，用于根据适应症确定症状问题，进行第一次询问，得到第一次回答结果；
关键词抽取模块，用于将回答结果输入到预设关键词抽取模型，得到初始信息；
第二次询问模块，用于根据初始信息生成确认问题，并进行第二次询问，第二次回答结果；
主诉信息生成模块，用于若第二次回答结果包括确认初始信息，则根据初始信息生成主诉信息。
可选的，该装置还包括：
校验模块，用于对初始处方进行校验；
正式处方生成模块，用于若校验通过，根据初始处方生成正式处方；
药品销售清单生成模块，用于获取正式处方中处方药品的处方数量、库存数量及预设限制购买数量，并生成药品销售清单。
其中，药品销售清单的生成方式包括以下任意之一：
若处方数量不大于预设限制购买数量，且处方数量不大于库存数量，药品销售清单包括处方药品和处方数量；
若库存数量大于0，处方数量不大于预设限制购买数量，且库存数量小于处方数量，药品销售清单包括处方药品和库存数量；
若库存数量等于0，在药品销售清单进行处方药品的缺货提示；
若处方数量不大于库存数量，处方数量大于预设限制购买数量，药品销售清单包括处方药品和预设限制购买数量，并进行处方数量减少提示。
可选的，装置还包括交易进程判断模块，用于在药品销售清单生成模块获取正式处方中处方药品的处方数量、库存数量及预设限制购买数量，并生成药品销售清单之前，
获取历史订单信息和当前用户标识信息，当前用户标识信息包括当前加购用户身份信息、当前支付标识信息中至少之一，历史订单信息包括历史加购用户身份信息，历史加购药品，历史加购药品数量，历史支付标识信息中至少之一；
根据历史订单信息和当前用户标识信息确定用户交易频率，用户交易频率包括当前加购用户身份信息交易频率、当前支付标识信息交易频率中至少之一；
若用户交易频率高于预设交易频率阈值，暂停交易；
若用户交易频率低于预设交易频率阈值，根据历史订单信息和当前用户标识信息确定用户重点药品交易数量，用户重点药品交易数量包括当前加购用户身份信息重点药品交易数量、当前支付标识信息重点药品交易数量中至少之一，若用户重点药品交易数量超过预设交易数量阈值，暂停交易；
若用户交易频率低于预设交易频率阈值，且用户重点药品交易数量低于预设交易数量阈值，继续交易。
本实施例中的基于自然语言处理的处方生成装置，通过获取药品加购信息、用户描述信息分别生成适应症、可选使用规范信息、疑似症状和建议使用规范信息，并生成处方必要信息及其信息可信程度，进而生成初始处方，借助于自然语言处理技术将用户的语言或文字描述信息以及药品加购信息转化为适应症、可选使用规范信息、疑似症状和建议使用规范信息，可以有效减少加购药品是否适合用户的判断时间，通过对处方必要信息及信息可信程度的确定，若该用户明确知晓自己症状及所需药品，且根据上述数据确定信息可信程度包括可信，则可以通过自动核对的方式生成初始处方，可以减少患者的购药用时，提升患者的体验度和满意度，若信息可信程度包括不可信，也可以将处方必要信息提供给对应的接诊医生，节约了医患沟通时间，也可以减少患者的购药用时，提升患者的体验度和满意度，此外，还可以提升医生的接诊效率和医疗资源利用率。
应当知晓的是，上述基于自然语言处理的处方生成装置系统实质上是设置了多个模块用以执行上述任一实施例中的基于自然语言处理的处方生成方法，具体功能和技术效果参照上述实施例即可，此处不再赘述。
在一个实施例中，参见图6，本实施例还提供了一种计算机设备600，包括存储器601、处理器602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602执行所述计算机程序时实现如上任一项实施例所述方法的步骤。
在一个实施例中，还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上任一项实施例所述方法的步骤。
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。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。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如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，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的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种基于自然语言处理的处方生成方法，其特征在于，所述方法包括：
获取药品加购信息，确定加购药品的适应症和可选使用规范信息；
获取用户描述信息，确定主诉信息；
根据所述主诉信息和药品加购信息生成处方必要信息，所述处方必要信息包括疑似症状、建议使用规范信息中至少之一；
根据症状信息和规范信息中至少之一确定所述处方必要信息的信息可信程度，所述症状信息根据所述适应症和疑似症状确定，所述规范信息根据所述可选使用规范信息和建议使用规范信息确定；
根据所述信息可信程度和处方必要信息生成初始处方。
2.如权利要求1所述的处方生成方法，其特征在于，所述症状信息和规范信息中至少之一确定所述处方必要信息的信息可信程度包括：
根据所述适应症和疑似症状确定症状可信程度；
根据所述可选使用规范信息和建议使用规范信息确定使用规范可信程度；
若所述症状可信程度和使用规范可信程度均为可信，所述信息可信程度为可信；
若所述症状可信程度和使用规范可信程度中任一为不可信，所述信息可信程度为不可信。
3.如权利要求1所述的处方生成方法，其特征在于，所述根据所述信息可信程度和处方必要信息生成初始处方包括以下任意之一：
若所述信息可信程度包括可信，根据所述处方必要信息生成所述初始处方；
或者，若所述信息可信程度包括不可信，获取用户关联信息，并根据所述用户关联信息、用户描述信息和药品加购信息中至少之一确定加购事件重要程度，所述用户关联信息包括用户位置、用户购买频率、历史成交金额中至少之一，根据所述加购事件重要程度分配接诊医生，将所述处方必要信息发送给所述接诊医生，获取所述接诊医生的处方指令并生成所述初始处方。
4.如权利要求3所述的处方生成方法，其特征在于，
根据所述用户描述信息确定加购事件重要程度包括，获取所述用户描述信息中的情感信息，确定用户情感状态，并确定所述加购事件重要程度，所述情感信息包括表情、动作、音调、语速、语气词中至少之一；
所述药品加购信息包括加购金额和等待时长，根据所述药品加购信息确定加购事件重要程度包括，根据所述加购金额和等待时长确定所述加购事件重要程度。
5.如权利要求1-4任一项所述的处方生成方法，其特征在于，所述获取用户描述信息，确定主诉信息包括：
根据所述适应症确定症状问题，进行第一次询问，获取第一次回答结果；
将所述回答结果输入到预设关键词抽取模型，得到初始信息；
根据所述初始信息生成确认问题，并进行第二次询问，获取第二次回答结果；
若所述第二次回答结果包括确认所述初始信息，则根据所述初始信息生成所述主诉信息。
6.如权利要求1-4任一项所述的处方生成方法，其特征在于，所述根据所述信息可信程度和处方必要信息生成初始处方之后，所述方法还包括，
对所述初始处方进行校验；
若校验通过，根据所述初始处方生成正式处方；
获取所述正式处方中处方药品的处方数量、库存数量及预设限制购买数量，并生成药品销售清单；
所述药品销售清单的生成方式包括以下任意之一：
若所述处方数量不大于所述预设限制购买数量，且所述处方数量不大于所述库存数量，药品销售清单包括所述处方药品和处方数量；
若所述库存数量大于0，所述处方数量不大于所述预设限制购买数量，且所述库存数量小于所述处方数量，药品销售清单包括所述处方药品和库存数量；
若所述库存数量等于0，在药品销售清单进行所述处方药品的缺货提示；
或者，若所述处方数量不大于所述库存数量，所述处方数量大于预设限制购买数量，药品销售清单包括所述处方药品和预设限制购买数量，并进行处方数量减少提示。
7.如权利要求5所述的处方生成方法，其特征在于，所述获取所述正式处方中处方药品的处方数量、库存数量及预设限制购买数量，并生成药品销售清单之前，所述方法还包括：
获取历史订单信息和当前用户标识信息，所述当前用户标识信息包括当前加购用户身份信息、当前支付标识信息中至少之一，所述历史订单信息包括历史加购用户身份信息，历史加购药品，历史加购药品数量，历史支付标识信息中至少之一；
根据所述历史订单信息和当前用户标识信息确定用户交易频率，所述用户交易频率包括所述当前加购用户身份信息交易频率、当前支付标识信息交易频率中至少之一；
若所述用户交易频率高于预设交易频率阈值，暂停交易；
若所述用户交易频率低于预设交易频率阈值，根据所述历史订单信息和当前用户标识信息确定用户重点药品交易数量，所述用户重点药品交易数量包括当前加购用户身份信息重点药品交易数量、当前支付标识信息重点药品交易数量中至少之一，若所述用户重点药品交易数量超过预设交易数量阈值，暂停交易；
或者，若所述用户交易频率低于预设交易频率阈值，且所述用户重点药品交易数量低于预设交易数量阈值，继续交易。
8.一种基于自然语言处理的处方生成装置，其特征在于，所述装置包括：
加购信息获取模块，用于获取药品加购信息，确定加购药品的适应症和可选使用规范信息；
描述信息获取模块，用于获取用户描述信息，确定主诉信息；
处方必要信息生成模块，用于根据所述主诉信息和药品加购信息生成处方必要信息，所述处方必要信息包括疑似症状、建议使用规范信息中至少之一；
确定模块，用于根据症状信息和规范信息中至少之一确定所述处方必要信息的信息可信程度，所述症状信息根据所述适应症和疑似症状确定，所述规范信息根据所述可选使用规范信息和建议使用规范信息确定；
初始处方生成模块，用于根据所述信息可信程度和处方必要信息生成初始处方。
9.一种计算机设备，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权利要求1至7任一项所述的方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
CN202111049673.2A 2021-09-08 2021-09-08 基于自然语言处理的处方生成方法、装置、设备及介质 Pending CN113744836A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202111049673.2A CN113744836A (zh) 2021-09-08 2021-09-08 基于自然语言处理的处方生成方法、装置、设备及介质
PCT/CN2022/088039 WO2023035618A1 (zh) 2021-09-08 2022-04-20 基于自然语言处理的处方生成方法、装置、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111049673.2A CN113744836A (zh) 2021-09-08 2021-09-08 基于自然语言处理的处方生成方法、装置、设备及介质

Publications (1)

Publication Number Publication Date
CN113744836A true CN113744836A (zh) 2021-12-03

Family

ID=78737010

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111049673.2A Pending CN113744836A (zh) 2021-09-08 2021-09-08 基于自然语言处理的处方生成方法、装置、设备及介质

Country Status (2)

Country Link
CN (1) CN113744836A (zh)
WO (1) WO2023035618A1 (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023035618A1 (zh) * 2021-09-08 2023-03-16 平安科技（深圳）有限公司 基于自然语言处理的处方生成方法、装置、设备及介质
WO2024000863A1 (zh) * 2022-06-27 2024-01-04 康键信息技术（深圳）有限公司 基于人工智能的在线购药方法及装置、存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105224794A (zh) * 2015-09-19 2016-01-06 石庆平 一种智能化处方审核系统及方法
CN107578818A (zh) * 2017-08-25 2018-01-12 广州宝荣科技应用有限公司 一种基于深度学习的辅助开方方法及装置
CN108899070A (zh) * 2018-05-31 2018-11-27 平安医疗科技有限公司 处方推荐生成方法、装置、计算机设备和存储介质
CN109036544A (zh) * 2018-05-31 2018-12-18 平安医疗科技有限公司 医疗信息推送方法、装置、计算机设备和存储介质
CN111986770A (zh) * 2020-08-31 2020-11-24 平安医疗健康管理股份有限公司 药方用药审核方法、装置、设备及存储介质
CN112509662A (zh) * 2021-02-04 2021-03-16 阿里健康科技(杭州)有限公司 一种复方生成方法、购药方法和装置

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110178812A1 (en) * 2010-01-15 2011-07-21 Lindsay Noel P Device for Automatically Issuing a Prescription for a Prescription Product
CN109712005A (zh) * 2018-12-13 2019-05-03 泰康保险集团股份有限公司 请求处理方法、装置、系统、电子设备及计算机可读介质
CN112786147A (zh) * 2021-02-01 2021-05-11 北京好欣晴移动医疗科技有限公司 非接触在线处方系统
CN113744836A (zh) * 2021-09-08 2021-12-03 平安科技（深圳）有限公司 基于自然语言处理的处方生成方法、装置、设备及介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105224794A (zh) * 2015-09-19 2016-01-06 石庆平 一种智能化处方审核系统及方法
CN107578818A (zh) * 2017-08-25 2018-01-12 广州宝荣科技应用有限公司 一种基于深度学习的辅助开方方法及装置
CN108899070A (zh) * 2018-05-31 2018-11-27 平安医疗科技有限公司 处方推荐生成方法、装置、计算机设备和存储介质
CN109036544A (zh) * 2018-05-31 2018-12-18 平安医疗科技有限公司 医疗信息推送方法、装置、计算机设备和存储介质
CN111986770A (zh) * 2020-08-31 2020-11-24 平安医疗健康管理股份有限公司 药方用药审核方法、装置、设备及存储介质
CN112509662A (zh) * 2021-02-04 2021-03-16 阿里健康科技(杭州)有限公司 一种复方生成方法、购药方法和装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023035618A1 (zh) * 2021-09-08 2023-03-16 平安科技（深圳）有限公司 基于自然语言处理的处方生成方法、装置、设备及介质
WO2024000863A1 (zh) * 2022-06-27 2024-01-04 康键信息技术（深圳）有限公司 基于人工智能的在线购药方法及装置、存储介质

Also Published As

Publication number Publication date
WO2023035618A1 (zh) 2023-03-16

Similar Documents

Publication Publication Date Title
Remus et al. Can robots be lawyers: Computers, lawyers, and the practice of law
US20200364404A1 (en) Artificial intelligence (ai) based document processor
US11657912B2 (en) Devices, systems, and their methods of use for evaluating and processing remuneration claims from third-party obligator
KR102088980B1 (ko) 사용자 맞춤형 의료정보 제공 시스템 및 이의 구동방법
US11514511B2 (en) Autonomous bidder solicitation and selection system
US8428964B2 (en) System and method for matching healthcare providers with consumers
CN109919417A (zh) 金融系统的任务分配方法及装置、电子设备、存储介质
US11164152B2 (en) Autonomous procurement system
US20150254754A1 (en) Methods and apparatuses for consumer evaluation of insurance options
WO2023035618A1 (zh) 基于自然语言处理的处方生成方法、装置、设备及介质
Lu et al. Price transparency implementation: accessibility of hospital chargemasters and variation in hospital pricing after CMS mandate
KR20200043823A (ko) 개원준비를 위한 통합서비스시스템
US20200051172A1 (en) Method and system for creating a legal casefile
KR20210050084A (ko) O2o 서비스를 기반으로 하는 의약품 유통 플랫폼
CN109615504A (zh) 产品推荐方法、装置、电子设备和计算机可读存储介质
Miller et al. Evaluation of comprehensive medication review completion rates using 3 patient outreach models
CN111028909B (zh) 门诊慢性病信息处理方法、装置、设备及存储介质
CN107705227A (zh) 一种用于提供法律金融服务的网络系统
CN114420240A (zh) 基于人工智能、大数据和区块链的处方管理系统
CA3118095C (en) Artificial intelligence (ai) based document processor
CN114037504A (zh) 基于互联网的集采招投标系统
Umuhoza et al. Strengths and weaknesses of strategic health purchasing for universal health coverage in Rwanda
Swaminathan Decision support for allocating scarce drugs
US11887027B1 (en) Value of future adherence
KR101917852B1 (ko) 병원 경영 관리 컨설팅 서비스 제공 시스템

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