CN113764097A - 医嘱数据处理方法、终端设备、服务器及存储介质 - Google Patents
医嘱数据处理方法、终端设备、服务器及存储介质 Download PDFInfo
- Publication number
- CN113764097A CN113764097A CN202110882731.3A CN202110882731A CN113764097A CN 113764097 A CN113764097 A CN 113764097A CN 202110882731 A CN202110882731 A CN 202110882731A CN 113764097 A CN113764097 A CN 113764097A
- Authority
- CN
- China
- Prior art keywords
- data
- inquiry
- doctor
- order
- medical advice
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 16
- 238000000034 method Methods 0.000 claims abstract description 66
- 230000008569 process Effects 0.000 claims abstract description 25
- 230000006854 communication Effects 0.000 claims description 45
- 238000004891 communication Methods 0.000 claims description 44
- 238000012545 processing Methods 0.000 claims description 44
- 201000010099 disease Diseases 0.000 claims description 21
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 21
- 238000004590 computer program Methods 0.000 claims description 19
- 238000003745 diagnosis Methods 0.000 claims description 19
- 238000000605 extraction Methods 0.000 claims description 19
- 238000012216 screening Methods 0.000 claims description 15
- 230000011218 segmentation Effects 0.000 claims description 15
- 238000013075 data extraction Methods 0.000 claims description 11
- 208000024891 symptom Diseases 0.000 claims description 8
- 230000001976 improved effect Effects 0.000 abstract description 16
- 230000015654 memory Effects 0.000 description 31
- 238000010586 diagram Methods 0.000 description 17
- 230000003993 interaction Effects 0.000 description 11
- 230000006870 function Effects 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 9
- 230000005291 magnetic effect Effects 0.000 description 6
- 230000005236 sound signal Effects 0.000 description 4
- 208000019695 Migraine disease Diseases 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 239000003814 drug Substances 0.000 description 3
- 206010027599 migraine Diseases 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000000977 initiatory effect Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 208000002874 Acne Vulgaris Diseases 0.000 description 1
- 206010020751 Hypersensitivity Diseases 0.000 description 1
- 201000007100 Pharyngitis Diseases 0.000 description 1
- 206010000496 acne Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 208000026935 allergic disease Diseases 0.000 description 1
- 230000007815 allergy Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- QVFWZNCVPCJQOP-UHFFFAOYSA-N chloralodol Chemical compound CC(O)(C)CC(C)OC(O)C(Cl)(Cl)Cl QVFWZNCVPCJQOP-UHFFFAOYSA-N 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000399 orthopedic effect Effects 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000000241 respiratory effect Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 230000008093 supporting effect Effects 0.000 description 1
- 238000012360 testing method Methods 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
- G16H40/60—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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/10—Text processing
- G06F40/166—Editing, e.g. inserting or deleting
- G06F40/186—Templates
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/205—Parsing
- G06F40/216—Parsing using statistical methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/22—Procedures used during a speech recognition process, e.g. man-machine dialogue
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/22—Procedures used during a speech recognition process, e.g. man-machine dialogue
- G10L2015/223—Execution procedure of a spoken command
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Business, Economics & Management (AREA)
- General Business, Economics & Management (AREA)
- Epidemiology (AREA)
- Probability & Statistics with Applications (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Human Computer Interaction (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Computing Systems (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本申请实施例提供一种医嘱数据处理方法、终端设备、服务器及存储介质。在用户发起问诊请求之后,获取用户的问诊详情数据以及问诊过程中用户与医生产生的问诊对话数据。基于问诊详情数据,可从预设的医嘱模板中确定目标医嘱模板;基于医患之间的问诊对话数据,可确定医生针对用户输出的个性化医嘱数据。结合目标医嘱模板和个性化医嘱数据,可快速生成符合用户本次问诊需求的医嘱总结数据。基于这种实施方式,一方面,可降低医嘱总结数据的输出过程对接诊医生的依赖,提升医嘱的生成效率。另一方面,可根据医患之间的问诊对话数据生成个性化、定制化的医嘱,更加贴合不同的问诊场景,满足用户差异化的问诊需求,提升了线上问诊的有效性和可靠性。
Description
技术领域
本申请涉及互联网技术领域,尤其涉及一种医嘱数据处理方法、终端设备、服务器及存储介质。
背景技术
随着互联网技术的不断发展,一些可提供线上问诊的平台逐渐走入人们的生活,使得人们可以在足不出户的情况下满足问诊需求。
在线上问诊平台中,提供接诊服务的医生可在每次接诊完成后向用户提供问诊总结,该问诊总结包括诊断信息、医嘱信息等等。
但是,这种由接诊医生提供问诊总结的方式对接诊医生的依赖性较高,不利于提升医生的线上接诊效率。因此,有待提出一种新的解决方案。
发明内容
本申请的多个方面提供一种医嘱数据处理方法、终端设备、服务器及存储介质,用以自动地为线上问诊服务生成问诊总结,降低对接诊医生的依赖,提升接诊医生的线上接诊效率。
本申请实施例提供一种医嘱数据处理方法,包括:获取用户的问诊详情数据以及所述用户与接诊医生之间的问诊对话数据;从预设的医嘱模板中,确定与所述问诊详情数据匹配的目标医嘱模板;对所述问诊对话数据进行数据提取操作,得到目标医嘱数据;将所述目标医嘱数据与所述目标医嘱模板进行融合,得到所述用户对应的个性化的医嘱总结数据;将所述医嘱总结数据发送至所述用户的终端设备进行展示。
本申请实施例提供一种医嘱数据处理方法,包括:响应用户的问诊请求,获取所述用户的问诊详情数据;获取问诊过程中所述用户与接诊医生产生的问诊对话数据;响应问诊结束操作,输出医嘱总结数据;其中,所述医嘱总结数据根据与所述问诊详情数据匹配的目标医嘱模板以及从所述问诊对话数据中提取的医嘱数据生成。
本申请实施例还提供一种终端设备,包括:显示组件、通信组件以及处理组件;其中,所述处理组件用于:响应用户的问诊请求,通过所述通信组件,获取所述用户的问诊详情数据;通过所述通信组件,获取问诊过程中所述用户与接诊医生产生的问诊对话数据;响应问诊结束操作,通过所述显示组件展示医嘱总结数据;其中,所述医嘱总结数据根据与所述问诊详情数据匹配的目标医嘱模板以及从所述问诊对话数据中提取的医嘱数据生成。
本申请实施例还提供一种服务器,包括:处理组件和通信组件;所述通信组件,用于:获取用户的问诊详情数据以及所述用户与接诊医生之间的问诊对话数据;所述处理组件,用于:从预设的医嘱模板中,确定与所述问诊详情数据匹配的目标医嘱模板;对所述问诊对话数据进行数据提取操作,得到目标医嘱数据;将所述目标医嘱数据与所述目标医嘱模板进行融合,得到所述用户对应的个性化的医嘱总结数据;通过所述通信组件,将所述医嘱总结数据发送至所述用户的终端设备进行展示。
本申请实施例还提供一种存储有计算机程序的计算机可读存储介质,计算机程序被执行时能够实现本申请实施例提供的由终端设备执行的医嘱数据处理方法或者由服务器执行的医嘱数据处理方法。
本申请实施例提供的线上问诊方法中,在用户发起问诊请求之后,获取用户的问诊详情数据以及问诊过程中用户与医生产生的问诊对话数据。基于问诊详情数据,可从预设的医嘱模板中确定目标医嘱模板;基于医患之间的问诊对话数据,可确定医生针对用户输出的个性化医嘱数据。结合目标医嘱模板和个性化医嘱数据,可快速生成符合用户本次问诊需求的医嘱总结数据,以供用户查看。基于这种实施方式,一方面,可降低医嘱总结数据的输出过程对接诊医生的依赖,提升医嘱小结的生成效率。另一方面,可根据医患之间的问诊对话数据生成个性化、定制化的医嘱,更加贴合不同的问诊场景,满足用户差异化的问诊需求,提升了线上问诊的有效性和可靠性。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1为本申请一示例性实施例提供的线上就诊系统的结构示意图;
图2为本申请一示例性实施例提供的多个医嘱数据处理环节的框图;
图3为本申请一示例性实施例提供的医嘱数据处理方法的流程示意图;
图4为本申请另一示例性实施例提供的医嘱数据处理方法的流程示意图;
图5为本申请一示例性实施例提供的终端设备的结构示意图;
图6为本申请另一示例性实施例提供的服务器的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然,所描述的实施例仅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。
线上问诊逐渐流行,一方面可为有需要的问诊用户提供足不出户的问诊服务,另一方面,可对就诊患者进行分流,降低线下医院的接诊压力。在线上问诊平台中,提供接诊服务的医生可在每次接诊完成后向用户提供问诊总结,该问诊总结包括诊断信息、医嘱信息等等。
目前,线上就诊平台的医生在每次提供接诊服务之后,需要手动的填写医嘱小结,并将医嘱小结发送给患者。通常,在医生对患者进行问诊的过程中,医生已经给出了相应的诊断信息以及治疗建议。由医生在接诊之后再次填写医嘱小结的方式对接诊医生的依赖性较高,不利于提升医生的线上接诊效率。
目前存在一些自动生成医嘱的方案。其中,一种常用的方案为:预生成大量的医嘱模板,且每个模板关联至少一个特征。在医疗场景中需要根据就诊信息生成医嘱时,从就诊信息中解析得到特征数据,并将特数据与医嘱模板关联的特征进行匹配,进而获取到相应的医嘱模板,并将医嘱模板发送给患者。另一种常用的方案为:预生成大量的医嘱模板,从不同的维度对医嘱模板进行分类;统计不同场景、不同类型医嘱模板的使用频率;按照使用频率为医生推荐医嘱模板列表,以供医生从中选择想要的模板。
上述已有方案的核心是基于已生成的医嘱模板进行特征匹配,从而匹配到合适的医嘱模板供医生使用。但是,这种简单的模板匹配方法可能无法匹配到合适的医嘱,同时,能够匹配到的医嘱模板的内容也通常是固定的,无法自动创建个性化的医嘱,甚至可能出现相似的问诊服务对应完全一致的医嘱的情况。
针对上述技术问题,在本申请一些实施例中,提供了一种解决方案,以下将结合附图,详细说明本申请各实施例提供的技术方案。
图1为本申请一示例性实施例提供的信息展示系统的结构示意图,如图1所示,该线上问诊系统100包括:第一终端设备103、服务器102以及第二终端设备103。
其中,终端设备指的是能够与用户进行语音交互,并且具有通信功能的设备。在不同的应用场景下,终端设备的实现形态会有所不同。例如,在一些场景下,终端设备可实现为用户侧的手机、平板电脑、计算机设备、智能音箱、智能家居设备等等。
其中,服务器102包括能够提供数据存储、支撑数据计算,并且具有通信功能的设备。在一些实施例中,服务器102可实现为常规服务器、云服务器、云主机、虚拟中心等服务器等设备,本实施例对此不做限制。
基于第一终端设备103、服务器102以及第二终端设备103之间的交互,线上问诊系统100可提供线上问诊功能。其中,第一终端设备103用于表示用户(患者)端设备,第二终端设备103用于表示医生端设备。其中,第一终端设备103上运行有用户端线上问诊程序,第二终端设备103上运行有医生端线上问诊程序。
基于第一终端设备103上运行的线上问诊程序,用户可向第一终端设备103发送问诊指令来启动线上问诊程序,并可通过与第一终端设备103之间的交互,使用线上问诊系统100提供的线上问诊功能。例如,用户可基于与第一终端设备103的语音交互使用该线上问诊功能,或者,可基于第一终端设备103提供的屏幕界面进行触摸交互使用该线上问诊功能,或者,可基于第一终端设备103提供的鼠标、键盘等其他外设设备使用该线上问诊功能,本实施例不做限制。其中,发送问诊指令的用户,可以是存在寻医问药需求的患者或者患者的监护人等等。其中,当第一终端设备103的实现形态不同时,用户发送的问诊指令的实现形式也不同。
在一些实施例中,第一终端设备103可实现为具有音频组件的电子设备,例如智能音箱、手机等等。用户发送的问诊指令,可以是语音指令。即,第一终端设备103提供的线上问诊程序,可由用户通过语音指令进行触发(或称为“唤醒”)。例如,用户可对第一终端设备103输出语音指令“问医生”、“小助手,请帮我呼叫医生”等语音指令。第一终端设备103可监听用户的语音指令,并在监听到上述语音指令后,启动运行线上问诊程序,以向用户提供线上问诊服务。
在另一些实施例中,第一终端设备103可实现为具有显示组件的设备,例如电脑、智能电视、智能手机、平板电脑或者带显示屏的智能音箱等等。第一终端设备103提供的线上问诊程序,可由用户手动触发。例如,当第一终端设备103包含一屏幕时,第一终端设备103可展示其上安装的线上问诊程序的图标,用户可触发该图标以使得第一终端设备103启动运行该线上问诊程序。其中,用户基于线上问诊程序的图标启动该线上问诊程序的操作,可视为发送问诊指令的操作。即用户在启动线上问诊程序之后,无需再执行其他额外操作。或者,线上问诊程序可向用户展示一问诊请求控件,用户可在启动问诊程序之后触发该问诊请求控件,以发送问诊指令,本实施例不做限制。
在又一些实施例中,第一终端设备103可关联一物理按键,该物理按键可实现为常规物理按键或者IOT(Internet of Things,物联网)按键,本实施例不做限制。当第一终端设备103关联一物理按键时,该物理按键可被配置为用于启动第一终端设备103上安装的线上问诊程序。用户可手动操作该物理按键以使得第一终端设备103启动运行该线上问诊程序。其中,该物理按键可以安装在第一终端设备103上,也可以安装在第一终端设备103之外的其他位置,例如床边、桌边、轮椅上等等便于障碍人士接触的位置,本实施例不做限制。当物理按键安装在第一终端设备103之外的其他位置时,该物理按键可通过无线通信方式与第一终端设备103进行通信连接,不再赘述。
第一终端设备103检测到用户输入的问诊指令后,可认为检测到了用户的问诊请求,并可获取用户的问诊详情数据。
在一些实施例中,用户的问诊详情数据,可根据用户提供的问诊病历获取。其中,用户的问诊病历可包括:用户提供的问诊主诉信息、病症描述信息、线下就诊信息、药物服用信息、辅助诊断的检验报告以及展示疾病状态的图片信息中的至少一种。
其中,第一终端设备103可向用户提供输入问诊病历的入口,以从用户输入的问诊病历中获取用户的问诊详情数据;或者,可从用户的历史问诊记录中获取用户的问诊详情数据;或者,可基于第一终端设备103与用户之间的语音交互,获取用户的问诊详情数据。例如,在一些实施例中,第一终端设备103检测到用户的问诊请求后,可首先进入分诊环节,即:响应用户的问诊指令,输出至少一个分诊问题。其中,分诊问题,用于询问用户的问诊详情信息,以获取用户的问诊需求。用户可对第一终端设备103输出的分诊问题进行回答,第一终端设备103获取到用户的答复数据后,可根据答复数据生成用户的问诊详情数据。
例如,第一终端设备103在启动线上问诊程序后,可首先进入分诊环节。在分诊环节,第一终端设备103可按照分诊所需要获取的信息,预设N个有序的分诊问题,N为正整数。N个分诊问题可按照设定的输出触发条件输出。例如,线上就诊程序启动运行后,第一终端设备103可输出第一个分诊问题,并等待用户回答。待用户回答第一个分诊问题后,第一终端设备103可输出第二个分诊问题,以此类推,不再赘述。
其中,该至少一个分诊问题包括:用于提问所述用户的基本信息、症状信息、患病时长信息、线下就诊信息、既往病史信息、药物过敏信息中的至少一种就诊信息的提问消息。例如,分诊问题可以为:“您感觉到哪里不舒服?”、“您有什么症状?”、“症状持续多久了?”、“是否服用药物?”等等。基于分诊问题,可获取用户较为全面、真实的问诊需求,为用户生成问诊详情数据。
获取到问诊详情数据后,第一终端设备103可将问诊详情数据发送至服务器102。
在另一些实施例中,用户的问诊详情数据,可由服务器102根据接诊医生的相关信息获取。其中,接诊医生的相关信息可包括:接诊医生对应的科室、接诊医生对该用户的症状给出的疾病类型以及接诊医生对该用户给出的诊断结果中的至少一种,本实施例不做限制。
在用户的问诊过程中,第一终端设备103可获取用户与接诊医生的问诊对话数据。其中,问诊对话数据,也可称为医患对话数据。该问诊对话数据由用户与医生在问诊过程的对话产生。
当线上问诊的实现形态不同时,获取到的问诊对话数据的实现形式也不同。在一些实施例中,问诊对话采用文本消息实现,第一终端设备103可获取问诊对话产生的文本消息。在另一些实施中,问诊对话采用语音消息实现,第一终端设备103可获取问诊对话产生的语音消息。在又一些实施例中,问诊对话采用语音通话或者视频通话实现,第一终端设备103可获取问诊对话产生的语音流数据。
获取到问诊对话数据后,第一终端设备103可将问诊对话数据发送至服务器102。
服务器102接收第一终端设备103发送的问诊详情数据和问诊对话数据。接下来,可基于问诊详情数据,进行医嘱模板的匹配操作。其中,服务器102处预存有预先生成的医嘱模板。服务器102可从预设的医嘱模板中,筛选出与用户的问诊详情数据匹配的医嘱模板。在本实施例中,为便于描述和区分,将与用户的问诊详情数据匹配的医嘱模板描述为目标医嘱模板。
针对该问诊服务对应的问诊对话数据,服务器102可对该问诊对话数据进行数据提取操作,目标医嘱数据。接下来,服务器102可将提取到的目标医嘱数据和匹配到的目标医嘱模板进行融合,得到该问诊服务对应的个性化医嘱总结数据。
获取到医嘱总结数据后,服务器102可将该医嘱总结数据发送至第一终端设备103。响应问诊结束操作,第一终端设备103可输出该医嘱总结数据,以供用户查看。其中,该问诊结束操作的实现形式,与问诊服务过程的实现形态关联。例如,当问诊服务实现为语音问诊时,该问诊结束操作,可实现为语音挂断操作;当问诊服务实现为线上消息发送的问诊形式时,该问诊结束操作,可实现为发送结束消息的操作,本实施例不做限制。
在线上问诊系统100中,第一终端设备103和服务器102之间的上述数据交互过程,可基于第一终端设备103和服务器102之间建立的通信连接关系实现。其中,具体的通信连接方式可视实际的应用场景而定。
在一些示例性实施方式中,第一终端设备103和服务器102之间可采用有线通信方式无线通信方式进行通信。其中,无线通信方式包括蓝牙、ZigBee、红外线、WiFi(WIreless-Fidelity,无线保真技术)等短距离通信方式,也包括LORA等远距离无线通信方式,还可包括基于移动网络的无线通信方式。其中,当通过移动网络通信连接时,移动网络的网络制式可以为3d(GSM)、2.5G(GPRS)、3G(WCDMA、TD-SCDMA、CDMA2000、UTMS)、4G(LTE)、4G+(LTE+)、5G、WiMax等中的任意一种。
在本实施例中,基于第一终端设备103和服务器102之间的交互,可在用户发起问诊请求之后,获取用户的问诊详情数据以及问诊过程中用户与医生产生的问诊对话数据。基于问诊详情数据,可从预设的医嘱模板中确定目标医嘱模板;基于医患之间的问诊对话数据,可确定医生针对用户输出的个性化医嘱数据。结合目标医嘱模板和个性化医嘱数据,可快速生成符合用户本次问诊需求的医嘱总结数据,以供用户查看。基于这种实施方式,一方面,可降低医嘱总结数据的输出过程对接诊医生的依赖,提升医嘱小结的生成效率。另一方面,可根据医患之间的问诊对话数据生成个性化、定制化的医嘱,更加贴合不同的问诊场景,满足用户差异化的问诊需求,提升了线上问诊的有效性和可靠性。
值得说明的是,在本申请的上述以及下述各实施例中,服务器102将获取到的医嘱总结数据发送至用户的第一终端设备103进行展示之前,可进一步将生成的医嘱总结数据发送至接诊医生,以供接诊医生对该医嘱总结数据进行调整或者对该医嘱总结数据进行确认。例如,如图1所示,服务器102可将医嘱总结数据发送至第二终端设备103,第二终端设备103可展示该医嘱总结数据,供接诊医生查看。若该医嘱总结数据的准确性较高,则接诊医生可通过第二终端设备103向服务器102发送用于确认该医嘱总结数据的消息,以供服务器102将该医嘱总结数据发送至第一终端设备103进行展示。若该医嘱总结数据的准确性较差或者接诊医生仍有需要补充的内容,则接诊医生可通过第二终端设备103调整该医嘱总结数据的内容,并将调整后的医嘱总结数据发送至服务器102,以供服务器102将调整后的医嘱总结数据发送至第一终端设备103进行展示。
基于这种实施方式,根据医嘱模板和问诊对话数据自动生成医嘱总结数据之后,向接诊医生提供确认或者调整该医嘱总结数据的操作入口,进而,可确保发送给用户展示的医嘱总结数据具有较高的可靠性和准确性;同时,若接诊医生需要调整医嘱总结数据的内容,则只需在自动生成的医嘱总结数据的基础上进行修改,工作量较低,极大减轻了医生在提供接诊服务之后手动填写医嘱小结的工作量,提升了线上问诊的效率。
在本申请的上述以及下述各实施例中,服务器102可进一步执行医嘱样本数据的预处理操作,如图2所示。服务器102可预先获取大量的医嘱样本数据,该医嘱样本数据可以是线上就诊服务产生的,或者可以是线下就诊服务产生的,本实施例不做限制。基于医嘱样本数据,服务器102可生成不同的医嘱模板。
可选地,服务器102可对获取到的多个医嘱样本数据进行特征提取,得到该多个医嘱样本数据各自的问诊特征。可选地,该特征可包括医嘱样本数据对应的科室特征、疾病特征和/或诊断特征。其中,科室特征用于描述医嘱样本数据对应的科室,例如皮肤科、呼吸科、神经内科、骨科等等。疾病特征,用于描述医嘱样本数据对应的疾病类型,例如痤疮、感冒、咽炎、风湿等等。诊断特征,用于描述医生对患者进行检查之后,对患者的病症及发展情况作出的判断。
接下来,服务器102可根据该多个医嘱样本数据各自的问诊特征,将该多个医嘱样本数据划分到至少一个医嘱类别。可选地,可按对应的科室特征,对该多个医嘱样本数据进行分类,或者,可按照对应的疾病特征对医嘱样本数据进行分类,或者,可按照对应的诊断特征对医嘱样本数据进行分类。可选地,可对医嘱样本数据进行多层级分类。例如,可首先按照科室特征对医嘱样本数据进行分类;接下来,针对每个科室下的医嘱样本数据,进一步按照疾病特征进行小粒度分类;针对每个疾病特征下的医嘱样本数据,进一步按照诊断特征进行进行更小粒度的分类,从而得到多种分类粒度较小的医嘱样本数据。
接下来,服务器102可分别对划分得到的该至少一个医嘱类别中的医嘱样本数据进行共性提取,得到该至少一个医嘱类别各自的医嘱模板。其中,对一种医嘱类别中的多个医嘱样本数据进行共性提取的操作,可实现为从多个医嘱样本数据中提取相同部分或者共享部分的操作。例如,针对分类得到的任一类别的医嘱样本数据,可对该类别的医嘱样本数据进行统一处理,即抽取该类别的医嘱样本数据的通用部分,例如通用的文字、话术、分类标题等等。接下来,按照特定的医嘱格式,对上述通用部分进行格式布局,得到该类别的医嘱样本数据对应的医嘱模板。
在一些可选的实施例中,针对该至少一个医嘱类别中的任一医嘱类别,服务器102了可建立该医嘱类别对应的医嘱模板与该医嘱类别中的医嘱样本数据的问诊特征的对应关系,以供后续根据问诊详情数据的问诊特征进行医嘱模板的匹配操作。例如,根据科室A对应的医嘱样本数据生成的医嘱模板a后,建立医嘱模板a与科室A的对应关系;根据科室B1下的疾病B2对应的医嘱样本数据生成的医嘱模板b后,建立医嘱模板b与科室B1以及疾病B2的对应关系,不再赘述。
基于上述实施例生成医嘱模板后,在一些可选的实施例中,在获取到用户的问诊详情数据后,服务器102在从预设的医嘱模板中,确定与该问诊详情数据匹配的医嘱模板时,服务器102可对该问诊详情数据进行特征提取,得到该问诊详情数据中的问诊特征。在本实施例中,为便于描述和区分,将从用户的问诊详情数据中提取的问诊特征描述为目标问诊特征。获取到目标问诊特征之后,服务器102可根据预先建立的问诊特征与医嘱模板的对应关系,从预设的医嘱模板中,确定与目标问诊特征匹配的医嘱模板,作为目标医嘱模板。
其中,预先建立的问诊特征与医嘱模板的对应关系可存放在特征库中,上述匹配目标医嘱模板的操作可被描述为图2示意的根据问诊特征匹配特征库的操作。
其中,对问诊详情数据进行特征提取的实施方式可与从医嘱样本数据中提取特征数据的实施方式相同,以便于根据问诊特征与医嘱模板的对应关系,从预设的医嘱模板中,确定与目标问诊特征匹配的医嘱模板,作为目标医嘱模板。其中,对该问诊详情数据进行特征提取,得到的目标问诊特征可包括:该问诊详情数据对应的科室特征、疾病特征、诊断特征以及症状特征中的至少一种。
例如,可从问诊详情数据中提取科室特征,以根据问诊详情数据的科室特征,从预设的医嘱模板中,查询与该科室特征匹配的医嘱模板,作为目标医嘱模板。例如,可从问诊详情数据中提取疾病特征,以根据问诊详情数据的疾病特征,从预设的医嘱模板中,查询与该疾病特征匹配的医嘱模板,作为目标医嘱模板;又例如,可从问诊详情数据中提取疾病特征和诊断特征,以从预设的医嘱模板中,查询与该疾病特征和诊断特征均匹配的医嘱模板,作为目标医嘱模板。
基于上述各实施例,服务器102可根据用户的问诊详情数据,为用户的问诊服务匹配到用于生成医嘱总结数据的目标医嘱模板。在目标医嘱模板中,服务器102可进一步添加接诊医生为该用户提供的个性化的目标医嘱数据。其中,该目标医嘱数据可通过对一问诊对话数据进行数据提取操作得到,以下将进行示例性说明。
可选地,服务器102可对问诊对话数据的文本进行分词处理,得到多个待识别的词条;其中,分词是指按照设定的原则对连续的句子进行分解,得到句子包含的若干个词语序列的操作。接下来,从该分词处理得到的多个待识别的词条中,筛选出与预设的关键词条匹配的目标词条。确定目标词条后,可从该问诊对话数据中,提取与该目标词条关联的句子,作为目标医嘱数据。
在一些可选的实施例中,该预设的关键词,可以是根据问诊经验设置的一个或者多个关键词。例如,在与患者对话的过程中,通常医生向患者给出医嘱时,会提到“建议”、“可以”、“最好是”等等词汇,可将这些词汇作为用于筛选目标医嘱数据的关键词。
在另一些可选的实施例中,该预设的关键词,可以是对大量的医患交互数据进行分析得到的一个或者多个关键词。该关键词的分词操作,可由服务器102在医患文本数据预处理环节实现。以下将结合图2以及一些可选的实施例,进一步说明基于大量的医患交互数据分析出用于筛选目标医嘱数据的关键词的具体实施方式。
可选地,服务器102可获取医患数据集,该医患数据集包含多个历史医患文本。其中,该历史医患文本,可以是患者的病历档案、医患之间的问诊对话文本、医嘱样本数据、病例、处方等等由医生针对患者提供的各类文本。
接下来,如图2所示,服务器102可对医患数据集中的历史医患文本进行分词处理,得到多个词条,并根据该多个词条在医患数据集中的出现频次信息,计算该多个词条各自的识别度。其中,该多个词条的识别度用于表示词条在识别有效的医嘱数据方面的能力。接下来,从分词处理得到的该多个词条中,选择识别度满足设定条件的词条,作为用于筛选目标医嘱数据的关键词条。
在一些可选的实施例A中,计算该多个词条各自的识别度时,可不考虑历史医患文本对应的医生的信息,直接统计每个词条在医患数据集中的出现频次,并根据词条的出现频次的高低,确定词条的识别度。
在另一些可选的实施例B中,在计算该多个词条各自的识别度时,可结合历史医患文本对应的医生的信息,计算每个词条的加权词频,并基于加权词频确定词条的识别度,如图2所示。以下将进行具体说明。
可选地,以分词得到的多个词条中的任一词条W为例,在计算该字条W的识别度时,可首先根据该词条W所属的至少一个历史医患文本,计算该词条W的至少一个加权词频。即,针对任意一个包含该词条W的历史医患文本,可根据该历史医患文本,确定该词条W的一个加权词频。当多个历史医患文本均包含该词条W时,可根据该多个历史医患文本,确定该词条W的多个加权词频。
接下来,将以词条W以及该词条W所属的任一历史医患文本为例,示例性地说明计算该词条W在任一历史医患文本中的加权词频的可选实施方式。
可选地,针对该至少一个历史医患文本中的任一医患文本,服务器102可确定该词条W在该历史医患文本中的出现频次。例如,词条W在一个历史医患文本中出现了2次。
接下来,根据该历史医患文本对应的医生可信度,确定该历史医患文本对应的词条权重。
其中,历史医患文本由医生针对患者进行提供,因此,医生的可信度影响了该历史医患文本中的词条在用于筛选目标医嘱数据方面的重要性。其中,可选地,该医生可信度,包括:该医生所在的医疗机构的等级、该医生的职称等级以及该医生的接诊评分中的至少一种信息,本实施例包含但不限于此。可选地,历史医患文本对应的词条权重,与医生的可信度成正相关关系。
其中,当该医生可信度实现为医生所在的医疗机构的等级时,该医生关联的问诊文本的权重,与该医生所在的医疗机构的等级成正相关关系。即,可认为医疗机构的等级越高的意思,其针对患者提供的医患文本具有更高的可信度。
例如,在一些实施中,可根据医生注册的医院的等级,设置医生的第一词频权重w1。通常,医院共分为三个等级,每个等级又分成甲、乙、丙等,因此可根据医疗机构的等级设置9个词条权重。其中,三级甲等医院的医生具有最高的词条权重,一等丙级医院的医生具有最低的词条权重,其余医院的意思的词条权重根据其所在医院的等级依次递减。
例如,三级甲等医院的医生的第一词频权重w1可设为3.0;三级乙等医院的医生的第一词频权重w1可设为2.8;三级丙等医院的医生的第一词频权重w1可设为2.6;二级甲等医院的医生的第一词频权重w1可设为2.0;二级乙等医院的医生的第一词频权重w1可设为1.8;二级丙等医院的医生的第一词频权重w1可设为1.6;一级甲等医院的医生的第一词频权重w1可设为1.0;一级乙等医院的医生的第一词频权重w1可设为0.8;一级丙等医院的医生的第一词频权重w1可设为0.6。当然,上述词频权重的具体数值仅用于示例性说明,并不对词频权重的实际取值构成任何限制,在不同的应用场景下,可为不同等级的医院设置不同的词频权重,本实施例不做限制。
其中,当该医生可信度实现为医生的职称等级时,该医生关联的问诊文本的权重,与所述医生的职称等级成正相关关系。例如,在一些实施例中,可根据医生注册认证的职称等级,设置医生的第二词频等级w2。通常,医生的职称等级划分为4个等级:主任医师、副主任医师、主治医师、住院医师;服务器102可对这四个医师等级依次赋予5、1.3、1.0、0.8的词频权重等级。
其中,当该医生可信度实现为医生的接诊评分时,该医生关联的问诊文本的权重,与该医生的接诊评分成正相关关系。在基于互联网的问诊系统中,用户可对接诊过的医生进行评价打分。通常,得分较高、评论较好的医生往往能提供更好的就诊体验,且其反馈的医嘱、病理等信息具有更高的可靠性。因此,可根据医生的接诊评分为医生设置第三词频权重w3。在一些实施例中,线上就诊系统采取1.0-5.0的评分机制供用户对医生进行评分。在计算医生对应的第三词频权重时,可采用以下的公式进行计算:
w3=logaS
其中,S表示该医生对应的用户评分,a的值为经验值,可设置a=4或者a=5,本实施例不做限制。
在确定历史医患文本对应的词条权重后,服务器102可根据该历史医患文本对应的词条权重,对该词条W在该历史医患文本中的出现频次进行加权,得到词条W在该历史医患文本中的加权词频。
以第i个历史医患文本为例,获取词条W在第i个历史医患文本中的词频Ni后,可根据第i个历史医患文本对应的词条权重w1、w2以及w3中的至少一种,计算该词条W在第i个历史医患文本中的加权词频Ni`,i为正整数,i=1,2,3…n,n表示历史医患文本的数量,n为正整数。
其中,Ni`=Ni*w1,或者Ni`=Ni*w2,或者Ni`=Ni*w3,或者Ni`=Ni*w1*w2,或者Ni`=Ni*w2*w3,或者Ni`=Ni*w1*w2*w3,本实施例不做限制。
例如,在一些实施例中,针对任一词条W,统计得到的该词条W在第i个历史医患文本中的词频Ni可表示为词条->数量形式的数据,例如:你好->2;医生->2;得了->1;建议->1;偏头痛->1。假设,第i个历史医患文本对应的医生符合如下特征:就职于三级甲等医院,职称级别为副主任医师,网络接诊评分为5.0,则基于前述实施例可确定该医生的词条权重分为:w1=3.0,w2=1.3,w3=1.6。该词条W在第i个历史医患文本中的加权词频Ni`=Ni*3.0*1.3*1.16。那么,上述每个词条的加权词频Ni`为:你好->9.048;医生->9.048;得了->4.524;建议->4.524;偏头痛->4.524。
可选地,在得到每个历史医患文本中的每个词条的加权词频后,服务器102可将相同词条在不同历史医患文本中的加权词频进行求和,得到该词条在整个医患数据集中的加权词频。
继续以前述实施例记载的任一词条W为例,计算得到该词条W在至少一个历史医患文本中的加权词频后,可对计算得到的至少一个加权词频进行求和,得到该词条W在整体的医患数据集中的加权词频。即,N`=N1`+N2`+…Nn`,Nn`表示词条W在第n个历史医患文本中的加权词频。
例如,承接上述例子,在整体的医患数据集中进行加权求和后,上述实施例中的每个词条在整体医患数据集中的加权词频N`为:你好->932.34;医生->342.45;我->143.1;治疗->111.311;建议->99.5;不->15.0;太->14.2;偏头痛->10.2。
其中,词条与其对应的加权词频N`的对应关系,可采用key-value(键值对)的形式进行表示,以便于查询,不再赘述。
继续以前述实施例记载的任一词条W为例,服务器102可计算词条W的加权词频与该医患数据集包含的总词条数的比值,作为第一比值S1,并计算该医患数据集包含的历史医患文本的总数量与包含该词条的历史医患文本的数量的比值,作为第二比值S2。
即,假设医患数据集包含的总词条数量为M1,则S1=N`/M1;假设,医患数据集包含M2个历史医患文本,其中,有M3个历史医患文本包含词条W,则S1=M2/M3。
根据第一比值S1和第二比值S2,服务器102可计算该词条的逆文档频率,作为该词条的识别度。可选地,该词条的识别度S=S1*S2。确定多个词条的识别度后,可从多个词条中选取识别度大于设定阈值的词条,作为上述关键词条;或者,可从多个词条中,选取识别度排序靠前的M个词条,作为上述关键词条。
基于上述操作获取到用于筛选有效医嘱数据的关键词条后,可基于该关键词条实时分析医患对话数据,从医患对话数据中提取药疗建议、检查建议、治疗建议等医嘱数据,作为目标医嘱数据。
基于上述各实施例获取到目标医嘱数据后,可将目标医嘱数据与目标医嘱模板进行融合,得到用户对应的个性化的医嘱总结数据。其中,目标医嘱模板中可设置有一个或者多个变量,在获取到目标医嘱数据后,服务器102可将目标医嘱数据的值传入该变量,以实现目标医嘱数据和目标医嘱模板的融合,不再赘述。
前述各实施例提供的线上问诊系统100除了可提供基于终端设备的寻医问药服务之外,还可提供基于终端设备的其他领域的咨询服务,例如法律咨询服务、家政咨询服务、心理咨询服务、教育咨询服务等等。
在提供不同领域的线上咨询服务时,可根据该咨询领域产生的大量数据,生成咨询总结模板,并基于咨询总结模板和咨询过程中产生的对话数据,生成个性化的咨询总结数据。以下将以法律咨询场景进行示例性说明。
在法律咨询场景中,服务器可预先获取历史的法律咨询过程产生的咨询总结数据,作为待分析的样本。服务器可对获取到的咨询总结数据样本进行特征提取,并根据提取到的问诊特征,将咨询总结数据样本划分为多个类别。接下来,对每个类别包含的咨询总结数据样本进行共性提取,可得到每个类别对应的咨询总结模板。例如,在法律咨询领域,可提取出咨询总结数据中的咨询领域特征(民法、刑法)、咨询方向特征(例如合同法、婚姻法)、咨询类目特征等。基于上述特征,可将法律行业产生的咨询总结数据划分为民法领域类的咨询总结数据样本、刑法领域的咨询总结数据样本、合同法方向的咨询总结样本、婚姻法方向的咨询总结样本等等。其中,具体分类的粒度大小可根据提取出的问诊特征确定,本实施例不做限制。
基于民法领域类的咨询总结数据样本进行共性提取,可得到民法咨询总结模板;基于刑法领域的咨询总结数据样本进行共性提取,可得到刑法咨询总结模板;基于合同法方向的咨询总结样本进行共性提取,可得到合同法总结模板;基于婚姻法方向的咨询总结样本进行共性提取,可得到婚姻法咨询总结模板。其中,咨询总结模板与咨询数据的问诊特征存在对应关系。
除此之外,服务器可基于咨询供应商在大量的咨询场景中针对用户的咨询问题输出的文本进行词条分析,识别出用于筛选有效咨询总结信息的关键词条。进而,在后续的咨询场景中,存在咨询需求的用户向终端设备发起咨询需求时,终端设备可通过与用户的一轮或者多轮交互,获取用户的咨询需求,并将该咨询需求发送至服务器。服务器可根据用户的咨询需求为用户分配可提供咨询服务器的服务商(以下简称咨询师)。在用户与咨询师进行沟通的过程中,服务器可获取用户与咨询师之间的咨询对话数据。
其中,获取到用户的咨询需求时,服务器可对咨询需求进行特征提取,得到咨询需求对应的问诊特征,并基于该特征查询咨询总结模板与特征的对应关系,从而得到与咨询需求对应的问诊特征匹配的咨询模板作为目标咨询模板。
其中,服务器在获取到用户与咨询师之间的咨询对话数据后,可从对话数据中,查找与预先提取到的关键词条匹配的句子,并将匹配到的句子作为目标咨询总结数据。接下来,将目标咨询模板与目标咨询总结数据进行融合,即可得到为用户生成的个性化的咨询总结数据。
基于这种实施方式,服务器可快速根据已有的数据为咨询用户生成个性化化的咨询总结数据,一方面降低咨询师的人力成本,另一方面可提升咨询总结数据与咨询内容的贴合度,满足不同用户的差异化需求,不再赘述。
除前述实施例记载的信息展示系统之外,本申请实施例提供一种医嘱数据处理方法,如图3所示,该医嘱数据处理方法在终端设备一侧执行时,可包含如下的步骤:
步骤301、响应用户的问诊请求,获取所述用户的问诊详情数据。
步骤302、获取问诊过程中所述用户与接诊医生产生的问诊对话数据。
步骤303、响应问诊结束操作,输出医嘱总结数据;其中,所述医嘱总结数据根据与所述问诊详情数据匹配的目标医嘱模板以及从所述问诊对话数据中提取的医嘱数据生成。
在一些可选的实施例中,医嘱总结数据可由服务器生成。在这种实施方式中,终端设备获取到问诊详情数据和问诊对话数据后,可将问诊详情数据和问诊对话数据发送至服务器,由服务器生成医嘱总结数据。
在另一些可选的实施例中,医嘱总结数据可由终端设备生成。在这种实施方式中,终端设备处可预存有多个医嘱模板,该医嘱模板可由服务器生成并下发到终端设备上。其中,每个医嘱模板与对应的医嘱类别中的医嘱样本数据的问诊特征存在对应关系。基于此,终端设备获取到用户的问诊详情数据后,可对问诊详情数据进行特征提取,得到目标问诊特征,并根据问诊特征与医嘱模板的对应关系,从预设的医嘱模板中,确定与所述目标问诊特征匹配的医嘱模板,作为目标医嘱模板。
其中,终端设备处可预存有一个或者多个用于筛选有效医嘱信息的关键词,该关键词可由服务器生成并下发到终端设备上。基于此,获取到问诊对话数据后,终端设备可对该问诊对话数据的文本进行分词处理,得到多个待识别的词条;接下来,从该多个待识别的词条中,筛选出与预设的关键词条匹配的目标词条,并从该问诊对话数据中提取与目标词条关联的句子,作为目标医嘱数据。
获取到目标医嘱模板与目标医嘱数据后,将将目标医嘱数据与目标医嘱模板进行融合,即可得到用户对应的个性化的医嘱总结数据。
在本实施例中,基于用户的问诊详情数据,可从预设的医嘱模板中确定目标医嘱模板;基于医患之间的问诊对话数据,可确定医生针对用户输出的个性化医嘱数据。结合目标医嘱模板和个性化医嘱数据,可快速生成符合用户本次问诊需求的医嘱总结数据,以供用户查看。基于这种实施方式,一方面,可降低医嘱总结数据的输出过程对接诊医生的依赖,提升医嘱小结的生成效率。另一方面,可根据医患之间的问诊对话数据生成个性化、定制化的医嘱,更加贴合不同的问诊场景,满足用户差异化的问诊需求,提升了线上问诊的有效性和可靠性。
图4为本申请另一示例性实施例提供的医嘱数据处理方法的流程示意图,如图4所示,该医嘱数据处理方法在服务器一侧执行时,可包含如下的步骤:
步骤401、获取用户的问诊详情数据以及所述用户与接诊医生之间的问诊对话数据。
步骤402、从预设的医嘱模板中,确定与所述问诊详情数据匹配的目标医嘱模板。
步骤403、对所述问诊对话数据进行数据提取操作,得到目标医嘱数据。
步骤404、将所述目标医嘱数据与所述目标医嘱模板进行融合,得到所述用户对应的个性化的医嘱总结数据。
步骤405、将所述医嘱总结数据发送至所述用户的终端设备进行展示。
在一些示例性的实施例中,将所述医嘱总结数据发送至所述用户的终端设备进行展示之前,该方法还包括:将所述医嘱总结数据发送至所述接诊医生,以供所述接诊医生对所述医嘱总结数据进行调整或者对所述医嘱总结数据进行确认。
在一些示例性的实施例中,从预设的医嘱模板中,确定与所述问诊详情数据匹配的目标医嘱模板的一种方式,包括:对所述问诊详情数据进行特征提取,得到目标问诊特征;根据问诊特征与医嘱模板的对应关系,从预设的医嘱模板中,确定与所述目标问诊特征匹配的医嘱模板,作为所述目标医嘱模板。
在一些示例性的实施例中,所述目标问诊特征,包括:所述问诊详情数据对应的科室特征、疾病特征、诊断特征以及症状特征中的至少一种。
在一些示例性的实施例中,该方法还包括:获取多个医嘱样本数据;对所述多个医嘱样本数据进行特征提取,得到所述多个医嘱样本数据各自的问诊特征;根据所述多个医嘱样本数据各自的问诊特征,将所述多个医嘱样本数据划分到至少一个医嘱类别;分别对所述至少一个医嘱类别中的医嘱样本数据进行共性提取,得到所述至少一个医嘱类别各自的医嘱模板。
在一些示例性的实施例中,该方法还包括:针对所述至少一个医嘱类别中的任一医嘱类别,建立所述医嘱类别对应的医嘱模板与所述医嘱类别中的医嘱样本数据的问诊特征的对应关系,以供根据问诊详情数据的问诊特征进行医嘱模板的匹配操作。
在一些示例性的实施例中,对所述问诊对话数据进行数据提取操作,得到目标医嘱数据的一种方式,包括:对所述问诊对话数据的文本进行分词处理,得到多个待识别的词条;
从所述多个待识别的词条中,筛选出与预设的关键词条匹配的目标词条;从所述问诊对话数据中提取与所述目标词条关联的句子,作为所述目标医嘱数据。
在一些示例性的实施例中,该方法还包括:获取医患数据集,所述医患数据集包含多个历史医患文本;对所述医患数据集中的历史医患文本进行分词处理,得到多个词条;根据所述多个词条在所述医患数据集中的出现频次信息,计算所述多个词条各自的识别度;从所述多个词条中,选择识别度满足设定条件的词条,作为用于筛选所述目标医嘱数据的所述关键词条。
在一些示例性的实施例中,根据所述多个词条在所述医患数据集中的出现频次信息,计算所述多个词条各自的识别度的一种方式,包括:针对所述多个词条中的任一词条,根据所述词条所属的至少一个历史医患文本,计算所述词条的至少一个加权词频;对所述至少一个加权词频进行求和,得到所述词条在所述医患数据集中的加权词频;计算所述词条的加权词频与所述医患数据集包含的总词条数的比值,作为第一比值;计算所述医患数据集包含的历史医患文本的总数量与包含所述词条的历史医患文本的数量的比值,作为第二比值;根据所述第一比值和所述第二比值计算所述词条的逆文档频率,作为所述词条的识别度。
在一些示例性的实施例中,针对所述多个词条中的任一词条,根据所述词条所属的至少一个历史医患文本,计算所述词条的至少一个加权词频的一种方式,包括:针对所述至少一个历史医患文本中的任一医患文本,确定所述词条在所述历史医患文本中的出现频次;根据所述历史医患文本对应的医生可信度,确定所述历史医患文本对应的词条权重;根据所述历史医患文本对应的词条权重,对所述词条在所述历史医患文本中的出现频次进行加权,得到词条在所述历史医患文本中的加权词频。
在一些示例性的实施例中,所述医生可信度,包括:所述医生所在的医疗机构的等级、所述医生的职称等级以及所述医生的接诊评分中的至少一种信息;所述历史医患文本对应的词条权重,与所述医生的可信度成正相关关系。
在本实施例中,基于用户的问诊详情数据,可从预设的医嘱模板中确定目标医嘱模板;基于医患之间的问诊对话数据,可确定医生针对用户输出的个性化医嘱数据。结合目标医嘱模板和个性化医嘱数据,可快速生成符合用户本次问诊需求的医嘱总结数据,以供用户查看。基于这种实施方式,一方面,可降低医嘱总结数据的输出过程对接诊医生的依赖,提升医嘱小结的生成效率。另一方面,可根据医患之间的问诊对话数据生成个性化、定制化的医嘱,更加贴合不同的问诊场景,满足用户差异化的问诊需求,提升了线上问诊的有效性和可靠性。
需要说明的是,上述实施例所提供方法的各步骤的执行主体均可以是同一设备,或者,该方法也由不同设备作为执行主体。比如,步骤401至步骤403的执行主体可以为设备A;又比如,步骤401和402的执行主体可以为设备A,步骤403的执行主体可以为设备B;等等。
另外,在上述实施例及附图中的描述的一些流程中,包含了按照特定顺序出现的多个操作,但是应该清楚了解,这些操作可以不按照其在本文中出现的顺序来执行或并行执行,操作的序号如401、402等,仅仅是用于区分开各个不同的操作,序号本身不代表任何的执行顺序。另外,这些流程可以包括更多或更少的操作,并且这些操作可以按顺序执行或并行执行。
需要说明的是,本文中的“第一”、“第二”等描述,是用于区分不同的消息、设备、模块等,不代表先后顺序,也不限定“第一”和“第二”是不同的类型。
图5是本申请一示例性实施例提供的终端设备的结构示意图,该终端设备适用于前述实施例提供的信息展示系统。如图5所示,该终端设备包括:显示组件501、通信组件502、存储器503以及处理组件504。
其中,存储器503,用于存储计算机程序,并可被配置为存储其它各种数据以支持在终端设备上的操作。这些数据的示例包括用于在终端设备上操作的任何应用程序或方法的指令,联系人数据,电话簿数据,消息,图片,视频等。
处理组件504,与存储器503耦合,用于执行存储器503中的计算机程序,并调用其他组件以用于:响应用户的问诊请求,通过通信组件502,获取所述用户的问诊详情数据;通过通信组件502,获取问诊过程中所述用户与接诊医生产生的问诊对话数据;响应问诊结束操作,通过显示组件501展示医嘱总结数据;其中,所述医嘱总结数据根据与所述问诊详情数据匹配的目标医嘱模板以及从所述问诊对话数据中提取的医嘱数据生成。
在一些可选的实施例中,医嘱总结数据可由服务器生成。在这种实施方式中,终端设备获取到问诊详情数据和问诊对话数据后,可通过通信组件502将问诊详情数据和问诊对话数据发送至服务器,由服务器生成医嘱总结数据,并通过通信组件502接收服务器返回的医嘱总结数据。
在另一些可选的实施例中,医嘱总结数据可由终端设备生成。在这种实施方式中,终端设备处可预存有多个医嘱模板,该医嘱模板可由服务器生成并下发到终端设备上。其中,每个医嘱模板与对应的医嘱类别中的医嘱样本数据的问诊特征存在对应关系。基于此,终端设备获取到用户的问诊详情数据后,处理组件504可对问诊详情数据进行特征提取,得到目标问诊特征,并根据问诊特征与医嘱模板的对应关系,从预设的医嘱模板中,确定与所述目标问诊特征匹配的医嘱模板,作为目标医嘱模板。
其中,终端设备处可预存有一个或者多个用于筛选有效医嘱信息的关键词,该关键词可由服务器生成并下发到终端设备上。基于此,获取到问诊对话数据后,处理组件504可对该问诊对话数据的文本进行分词处理,得到多个待识别的词条;接下来,处理组件504可从该多个待识别的词条中,筛选出与预设的关键词条匹配的目标词条,并从该问诊对话数据中提取与目标词条关联的句子,作为目标医嘱数据。
获取到目标医嘱模板与目标医嘱数据后,将将目标医嘱数据与目标医嘱模板进行融合,即可得到用户对应的个性化的医嘱总结数据。
进一步,如图5所示,该终端设备还包括:音频组件505、电源组件506等其它组件。图5中仅示意性给出部分组件,并不意味着终端设备只包括图5所示组件。
其中,显示组件501包括屏幕,其屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板,屏幕可以被实现为触摸屏,以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界,而且还检测与所述触摸或滑动操作相关的持续时间和压力。
其中,音频组件505,可被配置为输出和/或输入音频信号。例如,音频组件包括一个麦克风(MIC),当音频组件所在设备处于操作模式,如呼叫模式、记录模式和语音识别模式时,麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器或经由通信组件发送。在一些实施例中,音频组件还包括一个扬声器,用于输出音频信号。
在本实施例中,基于用户的问诊详情数据,可从预设的医嘱模板中确定目标医嘱模板;基于医患之间的问诊对话数据,可确定医生针对用户输出的个性化医嘱数据。结合目标医嘱模板和个性化医嘱数据,可快速生成符合用户本次问诊需求的医嘱总结数据,以供用户查看。基于这种实施方式,一方面,可降低医嘱总结数据的输出过程对接诊医生的依赖,提升医嘱小结的生成效率。另一方面,可根据医患之间的问诊对话数据生成个性化、定制化的医嘱,更加贴合不同的问诊场景,满足用户差异化的问诊需求,提升了线上问诊的有效性和可靠性。
相应地,本申请实施例还提供一种存储有计算机程序的计算机可读存储介质,计算机程序被执行时能够实现上述方法实施例中可由终端设备执行的各步骤。
图6示意了本申请一示例性实施例提供的服务器的结构示意图,该服务器适用于前述实施例提供的信息展示系统。如图6所示,该服务器包括:存储器601、处理组件602以及通信组件603。
存储器601,用于存储计算机程序,并可被配置为存储其它各种数据以支持在服务器上的操作。这些数据的示例包括用于在服务器上操作的任何应用程序或方法的指令,联系人数据,电话簿数据,消息,图片,视频等。
通信组件603,用于:获取用户的问诊详情数据以及所述用户与接诊医生之间的问诊对话数据。
处理组件602,与存储器601耦合,用于执行存储器601中的计算机程序,以用于:从预设的医嘱模板中,确定与所述问诊详情数据匹配的目标医嘱模板;步骤403、对所述问诊对话数据进行数据提取操作,得到目标医嘱数据;步骤404、将所述目标医嘱数据与所述目标医嘱模板进行融合,得到所述用户对应的个性化的医嘱总结数据;通过通信组件603,将所述医嘱总结数据发送至所述用户的终端设备进行展示。
在一些示例性的实施例中,处理组件602在通过通信组件603,将所述医嘱总结数据发送至所述用户的终端设备进行展示之前,还用于:通过通信组件603,将所述医嘱总结数据发送至所述接诊医生,以供所述接诊医生对所述医嘱总结数据进行调整或者对所述医嘱总结数据进行确认。
在一些示例性的实施例中,处理组件602在从预设的医嘱模板中,确定与所述问诊详情数据匹配的目标医嘱模板时,具体用于:对所述问诊详情数据进行特征提取,得到目标问诊特征;根据问诊特征与医嘱模板的对应关系,从预设的医嘱模板中,确定与所述目标问诊特征匹配的医嘱模板,作为所述目标医嘱模板。
在一些示例性的实施例中,所述目标问诊特征,包括:所述问诊详情数据对应的科室特征、疾病特征、诊断特征以及症状特征中的至少一种。
在一些示例性的实施例中,处理组件602还用于:获取多个医嘱样本数据;对所述多个医嘱样本数据进行特征提取,得到所述多个医嘱样本数据各自的问诊特征;根据所述多个医嘱样本数据各自的问诊特征,将所述多个医嘱样本数据划分到至少一个医嘱类别;分别对所述至少一个医嘱类别中的医嘱样本数据进行共性提取,得到所述至少一个医嘱类别各自的医嘱模板。
在一些示例性的实施例中,处理组件602还用于:针对所述至少一个医嘱类别中的任一医嘱类别,建立所述医嘱类别对应的医嘱模板与所述医嘱类别中的医嘱样本数据的问诊特征的对应关系,以供根据问诊详情数据的问诊特征进行医嘱模板的匹配操作。
在一些示例性的实施例中,处理组件602在对所述问诊对话数据进行数据提取操作,得到目标医嘱数据时,具体用于:对所述问诊对话数据的文本进行分词处理,得到多个待识别的词条;从所述多个待识别的词条中,筛选出与预设的关键词条匹配的目标词条;从所述问诊对话数据中提取与所述目标词条关联的句子,作为所述目标医嘱数据。
在一些示例性的实施例中,处理组件602还用于:获取医患数据集,所述医患数据集包含多个历史医患文本;对所述医患数据集中的历史医患文本进行分词处理,得到多个词条;根据所述多个词条在所述医患数据集中的出现频次信息,计算所述多个词条各自的识别度;从所述多个词条中,选择识别度满足设定条件的词条,作为用于筛选所述目标医嘱数据的所述关键词条。
在一些示例性的实施例中,处理组件602在根据所述多个词条在所述医患数据集中的出现频次信息,计算所述多个词条各自的识别度时,具体用于:针对所述多个词条中的任一词条,根据所述词条所属的至少一个历史医患文本,计算所述词条的至少一个加权词频;对所述至少一个加权词频进行求和,得到所述词条在所述医患数据集中的加权词频;计算所述词条的加权词频与所述医患数据集包含的总词条数的比值,作为第一比值;计算所述医患数据集包含的历史医患文本的总数量与包含所述词条的历史医患文本的数量的比值,作为第二比值;根据所述第一比值和所述第二比值计算所述词条的逆文档频率,作为所述词条的识别度。
在一些示例性的实施例中,处理组件602在针对所述多个词条中的任一词条,根据所述词条所属的至少一个历史医患文本,计算所述词条的至少一个加权词频时,具体用于:针对所述至少一个历史医患文本中的任一医患文本,确定所述词条在所述历史医患文本中的出现频次;根据所述历史医患文本对应的医生可信度,确定所述历史医患文本对应的词条权重;根据所述历史医患文本对应的词条权重,对所述词条在所述历史医患文本中的出现频次进行加权,得到词条在所述历史医患文本中的加权词频。
在一些示例性的实施例中,所述医生可信度,包括:所述医生所在的医疗机构的等级、所述医生的职称等级以及所述医生的接诊评分中的至少一种信息;所述历史医患文本对应的词条权重,与所述医生的可信度成正相关关系。
进一步,如图6所示,该服务器还包括:电源组件604等其它组件。图6中仅示意性给出部分组件,并不意味着服务器只包括图6所示组件。
在本实施例中,基于用户的问诊详情数据,可从预设的医嘱模板中确定目标医嘱模板;基于医患之间的问诊对话数据,可确定医生针对用户输出的个性化医嘱数据。结合目标医嘱模板和个性化医嘱数据,可快速生成符合用户本次问诊需求的医嘱总结数据,以供用户查看。基于这种实施方式,一方面,可降低医嘱总结数据的输出过程对接诊医生的依赖,提升医嘱小结的生成效率。另一方面,可根据医患之间的问诊对话数据生成个性化、定制化的医嘱,更加贴合不同的问诊场景,满足用户差异化的问诊需求,提升了线上问诊的有效性和可靠性。
相应地,本申请实施例还提供一种存储有计算机程序的计算机可读存储介质,计算机程序被执行时能够实现上述方法实施例中可由服务器执行的各步骤。
上述图5和图6中的存储器可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
上述图5和图6中的通信组件被配置为便于通信组件所在设备和其他设备之间有线或无线方式的通信。通信组件所在设备可以接入基于通信标准的无线网络,如WiFi,3d、3G、4G或5G,或它们的组合。在一个示例性实施例中,通信组件经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中,通信组件可基于近场通信(NFC)技术、射频识别(RFID)技术、红外数据协会(IrDA)技术、超宽带(UWB)技术、蓝牙(BT)技术和其他技术来实现。
上述图5和图6中的电源组件,为电源组件所在设备的各种组件提供电力。电源组件可以包括电源管理系统,一个或多个电源,及其他与为电源组件所在设备生成、管理和分配电力相关联的组件。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明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,本发明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。
本发明是参照根据本发明实施例的方法、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组件以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理组件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。
在一个典型的配置中,计算设备包括一个或多个处理组件(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,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、方法、药品或者设备不仅包括那些要素,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、方法、药品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、药品或者设备中还存在另外的相同要素。
以上所述仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (15)
1.一种医嘱数据处理方法,其特征在于,包括:
获取用户的问诊详情数据以及所述用户与接诊医生之间的问诊对话数据;
从预设的医嘱模板中,确定与所述问诊详情数据匹配的目标医嘱模板;
对所述问诊对话数据进行数据提取操作,得到目标医嘱数据;
将所述目标医嘱数据与所述目标医嘱模板进行融合,得到所述用户对应的个性化的医嘱总结数据;
将所述医嘱总结数据发送至所述用户的终端设备进行展示。
2.根据权利要求1所述的方法,其特征在于,将所述医嘱总结数据发送至所述用户的终端设备进行展示之前,还包括:
将所述医嘱总结数据发送至所述接诊医生,以供所述接诊医生对所述医嘱总结数据进行调整或者对所述医嘱总结数据进行确认。
3.根据权利要求1所述的方法,其特征在于,从预设的医嘱模板中,确定与所述问诊详情数据匹配的目标医嘱模板,包括:
对所述问诊详情数据进行特征提取,得到目标问诊特征;
根据问诊特征与医嘱模板的对应关系,从预设的医嘱模板中,确定与所述目标问诊特征匹配的医嘱模板,作为所述目标医嘱模板。
4.根据权利要求3所述的方法,其特征在于,所述目标问诊特征,包括:所述问诊详情数据对应的科室特征、疾病特征、诊断特征以及症状特征中的至少一种。
5.根据权利要求3所述的方法,其特征在于,还包括:
获取多个医嘱样本数据;
对所述多个医嘱样本数据进行特征提取,得到所述多个医嘱样本数据各自的问诊特征;
根据所述多个医嘱样本数据各自的问诊特征,将所述多个医嘱样本数据划分到至少一个医嘱类别;
分别对所述至少一个医嘱类别中的医嘱样本数据进行共性提取,得到所述至少一个医嘱类别各自的医嘱模板。
6.根据权利要求5所述的方法,其特征在于,还包括:
针对所述至少一个医嘱类别中的任一医嘱类别,建立所述医嘱类别对应的医嘱模板与所述医嘱类别中的医嘱样本数据的问诊特征的对应关系,以供根据问诊详情数据的问诊特征进行医嘱模板的匹配操作。
7.根据权利要求1所述的方法,其特征在于,对所述问诊对话数据进行数据提取操作,得到目标医嘱数据,包括:
对所述问诊对话数据的文本进行分词处理,得到多个待识别的词条;
从所述多个待识别的词条中,筛选出与预设的关键词条匹配的目标词条;
从所述问诊对话数据中提取与所述目标词条关联的句子,作为所述目标医嘱数据。
8.根据权利要求7所述的方法,其特征在于,还包括:
获取医患数据集,所述医患数据集包含多个历史医患文本;
对所述医患数据集中的历史医患文本进行分词处理,得到多个词条;
根据所述多个词条在所述医患数据集中的出现频次信息,计算所述多个词条各自的识别度;
从所述多个词条中,选择识别度满足设定条件的词条,作为用于筛选所述目标医嘱数据的所述关键词条。
9.根据权利要求8所述的方法,其特征在于,根据所述多个词条在所述医患数据集中的出现频次信息,计算所述多个词条各自的识别度,包括:
针对所述多个词条中的任一词条,根据所述词条所属的至少一个历史医患文本,计算所述词条的至少一个加权词频;
对所述至少一个加权词频进行求和,得到所述词条在所述医患数据集中的加权词频;
计算所述词条的加权词频与所述医患数据集包含的总词条数的比值,作为第一比值;
计算所述医患数据集包含的历史医患文本的总数量与包含所述词条的历史医患文本的数量的比值,作为第二比值;
根据所述第一比值和所述第二比值计算所述词条的逆文档频率,作为所述词条的识别度。
10.根据权利要求9所述的方法,其特征在于,针对所述多个词条中的任一词条,根据所述词条所属的至少一个历史医患文本,计算所述词条的至少一个加权词频,包括:
针对所述至少一个历史医患文本中的任一医患文本,确定所述词条在所述历史医患文本中的出现频次;
根据所述历史医患文本对应的医生可信度,确定所述历史医患文本对应的词条权重;
根据所述历史医患文本对应的词条权重,对所述词条在所述历史医患文本中的出现频次进行加权,得到词条在所述历史医患文本中的加权词频。
11.根据权利要求10所述的方法,其特征在于,所述医生可信度,包括:所述医生所在的医疗机构的等级、所述医生的职称等级以及所述医生的接诊评分中的至少一种信息;所述历史医患文本对应的词条权重,与所述医生的可信度成正相关关系。
12.一种医嘱数据处理方法,其特征在于,包括:
响应用户的问诊请求,获取所述用户的问诊详情数据;
获取问诊过程中所述用户与接诊医生产生的问诊对话数据;
响应问诊结束操作,输出医嘱总结数据;其中,所述医嘱总结数据根据与所述问诊详情数据匹配的目标医嘱模板以及从所述问诊对话数据中提取的医嘱数据生成。
13.一种终端设备,其特征在于,包括:显示组件、通信组件以及处理组件;
其中,所述处理组件用于:响应用户的问诊请求,通过所述通信组件,获取所述用户的问诊详情数据;通过所述通信组件,获取问诊过程中所述用户与接诊医生产生的问诊对话数据;响应问诊结束操作,通过所述显示组件展示医嘱总结数据;其中,所述医嘱总结数据根据与所述问诊详情数据匹配的目标医嘱模板以及从所述问诊对话数据中提取的医嘱数据生成。
14.一种服务器,其特征在于,包括:处理组件和通信组件;
所述通信组件,用于:获取用户的问诊详情数据以及所述用户与接诊医生之间的问诊对话数据;
所述处理组件,用于:从预设的医嘱模板中,确定与所述问诊详情数据匹配的目标医嘱模板;对所述问诊对话数据进行数据提取操作,得到目标医嘱数据;将所述目标医嘱数据与所述目标医嘱模板进行融合,得到所述用户对应的个性化的医嘱总结数据;通过所述通信组件,将所述医嘱总结数据发送至所述用户的终端设备进行展示。
15.一种存储有计算机程序的计算机可读存储介质,其特征在于,计算机程序被执行时能够实现权利要求1-11任一项所述的医嘱数据处理方法或者权利要求12所述的医嘱数据处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110882731.3A CN113764097A (zh) | 2021-08-02 | 2021-08-02 | 医嘱数据处理方法、终端设备、服务器及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110882731.3A CN113764097A (zh) | 2021-08-02 | 2021-08-02 | 医嘱数据处理方法、终端设备、服务器及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113764097A true CN113764097A (zh) | 2021-12-07 |
Family
ID=78788351
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110882731.3A Pending CN113764097A (zh) | 2021-08-02 | 2021-08-02 | 医嘱数据处理方法、终端设备、服务器及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113764097A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114677071A (zh) * | 2022-05-31 | 2022-06-28 | 创智和宇信息技术股份有限公司 | 基于概率分析的医嘱数据质控方法、系统及存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140298165A1 (en) * | 2009-10-20 | 2014-10-02 | Universal Research Solutions, Llc | Generation and Data Management of a Medical Study Using Instruments in an Integrated Media and Medical System |
CN105005685A (zh) * | 2015-06-26 | 2015-10-28 | 青岛永乐互联网技术有限公司 | 一种医嘱执行监督管理系统 |
CN105787844A (zh) * | 2014-12-26 | 2016-07-20 | 北大医疗信息技术有限公司 | 病历及医嘱的辅助录入方法和装置 |
CN106874677A (zh) * | 2017-02-20 | 2017-06-20 | 上海智眠信息科技有限公司 | 远程辅助医疗方法、装置和医嘱平台系统 |
CN109887568A (zh) * | 2019-03-02 | 2019-06-14 | 深圳市宝安区人民医院 | 基于医嘱的健康管理系统 |
TWM601596U (zh) * | 2020-05-29 | 2020-09-21 | 正修學校財團法人正修科技大學 | 醫師診間智慧輔助診斷系統 |
US20200320363A1 (en) * | 2019-04-02 | 2020-10-08 | Kenneth Neumann | Artificial intelligence advisory systems and methods for vibrant constitutional guidance |
CN113096797A (zh) * | 2021-04-16 | 2021-07-09 | 杭州卓健信息科技有限公司 | 基于智能终端的问诊系统 |
-
2021
- 2021-08-02 CN CN202110882731.3A patent/CN113764097A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140298165A1 (en) * | 2009-10-20 | 2014-10-02 | Universal Research Solutions, Llc | Generation and Data Management of a Medical Study Using Instruments in an Integrated Media and Medical System |
CN105787844A (zh) * | 2014-12-26 | 2016-07-20 | 北大医疗信息技术有限公司 | 病历及医嘱的辅助录入方法和装置 |
CN105005685A (zh) * | 2015-06-26 | 2015-10-28 | 青岛永乐互联网技术有限公司 | 一种医嘱执行监督管理系统 |
CN106874677A (zh) * | 2017-02-20 | 2017-06-20 | 上海智眠信息科技有限公司 | 远程辅助医疗方法、装置和医嘱平台系统 |
CN109887568A (zh) * | 2019-03-02 | 2019-06-14 | 深圳市宝安区人民医院 | 基于医嘱的健康管理系统 |
US20200320363A1 (en) * | 2019-04-02 | 2020-10-08 | Kenneth Neumann | Artificial intelligence advisory systems and methods for vibrant constitutional guidance |
TWM601596U (zh) * | 2020-05-29 | 2020-09-21 | 正修學校財團法人正修科技大學 | 醫師診間智慧輔助診斷系統 |
CN113096797A (zh) * | 2021-04-16 | 2021-07-09 | 杭州卓健信息科技有限公司 | 基于智能终端的问诊系统 |
Non-Patent Citations (1)
Title |
---|
肖辉;张芳;商建国;: "闭环医嘱流程分析与控制", 中国卫生信息管理杂志, no. 02, pages 40 - 46 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114677071A (zh) * | 2022-05-31 | 2022-06-28 | 创智和宇信息技术股份有限公司 | 基于概率分析的医嘱数据质控方法、系统及存储介质 |
CN114677071B (zh) * | 2022-05-31 | 2022-08-02 | 创智和宇信息技术股份有限公司 | 基于概率分析的医嘱数据质控方法、系统及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10489830B2 (en) | Aggregation of rating indicators | |
US10938832B2 (en) | Systems and methods for providing an interactive media presentation | |
CN109599187B (zh) | 一种在线问诊的分诊方法、服务器、终端、设备及介质 | |
CN112069413B (zh) | 医生推荐方法、装置、服务器和存储介质 | |
US9015609B2 (en) | Provider to-provider consultations | |
US10665348B1 (en) | Risk assessment and event detection | |
WO2018175750A1 (en) | Intelligent visual object management system | |
CN112037905B (zh) | 医用问答方法、设备及存储介质 | |
CN113782195A (zh) | 一种体检套餐定制方法和装置 | |
Raffenaud et al. | Utilizing telemedicine in oncology settings: Patient favourability rates and perceptions of use analysis using Chi-Square and neural networks | |
US20190180851A1 (en) | System and method for predicting non-adherence risk based on socio-economic determinates of health | |
CN111190931A (zh) | 一种处方笺数据的处理方法及装置、电子设备、存储介质 | |
CN113764097A (zh) | 医嘱数据处理方法、终端设备、服务器及存储介质 | |
CN109961841A (zh) | 一种面向移动诊疗的最优医生匹配系统及方法 | |
KR20210135943A (ko) | 오디션과 배우의 매칭 서비스를 제공하는 방법 및 이를 운용하는 서버 | |
CN113160914A (zh) | 在线问诊方法、装置、电子设备及存储介质 | |
JP6752330B1 (ja) | 機械学習ベースのマッチング装置およびマッチング方法 | |
CN109599176B (zh) | 问诊技巧推荐方法及装置、在线辅诊系统 | |
CN116881554A (zh) | 一种医疗处方推荐方法、装置、电子设备和可读存储介质 | |
CN114661985A (zh) | 患者健康管理平台的信息推送方法、平台、设备及介质 | |
WO2018081703A1 (en) | Extracting patient data to provide provider and patient data similarity scoring | |
CN112509713A (zh) | 网络交互、问诊交互及服务确定方法、装置、存储介质 | |
WO2022047301A1 (en) | Automated matching in a second opinion brokerage system | |
CN113723974A (zh) | 一种信息处理方法、装置、设备及存储介质 | |
CN114141387B (zh) | 互联网医疗会话中交互信息推荐方法、装置及设备 |
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 |