CN113782163A - 信息推送方法、装置和计算机可读存储介质 - Google Patents
信息推送方法、装置和计算机可读存储介质 Download PDFInfo
- Publication number
- CN113782163A CN113782163A CN202110331602.5A CN202110331602A CN113782163A CN 113782163 A CN113782163 A CN 113782163A CN 202110331602 A CN202110331602 A CN 202110331602A CN 113782163 A CN113782163 A CN 113782163A
- Authority
- CN
- China
- Prior art keywords
- patient
- doctor
- information
- historical
- real
- 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
- 238000000034 method Methods 0.000 title claims abstract description 43
- 201000010099 disease Diseases 0.000 claims abstract description 33
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 33
- 238000003058 natural language processing Methods 0.000 claims description 18
- 238000003062 neural network model Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 9
- 238000010586 diagram Methods 0.000 description 18
- 238000003745 diagnosis Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 239000003814 drug Substances 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000007774 longterm Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 208000024891 symptom Diseases 0.000 description 2
- 206010013700 Drug hypersensitivity Diseases 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 201000005311 drug allergy Diseases 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/20—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the management or administration of healthcare resources or facilities, e.g. managing hospital staff or surgery rooms
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- General Business, Economics & Management (AREA)
- Biomedical Technology (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本公开涉及一种信息推送方法、装置和计算机可读存储介质,涉及计算机技术领域。本公开的方法包括:根据患者的实时信息和医生的实时信息生成医患实时特征,其中,患者的实时信息包括:患者在预设第一时间段内的在线访问信息,医生的实时信息包括:医生在预设第一时间段内的接诊信息;根据患者的实时病情描述信息生成患者的实时病情特征;根据预先获取的患者的历史特征和医生的历史特征,以及医患实时特征和患者的实时特征,确定患者和医生的匹配度;根据患者与每个医生的匹配度,为患者推送至少一个医生。
Description
技术领域
本公开涉及计算机技术领域,特别涉及一种信息推送方法、装置和计算机可读存储介质。
背景技术
随着互联网技术的发展,用户的生活变得越来越方便。用户可以通过互联网社交、购物、观看视频等。
互联网医院作为新兴的互联网应用平台,实现了为用户网上看病、诊断、开药等,方便了用户的就诊。目前,用户在互联网医院一般通过与系统交互,简单的描述病情或者选择就诊的科室,系统为用户分配医生进行接诊。
发明内容
发明人发现:互联网医院中为用户分配医生接诊,仅参考用户简单的描述病情或者选择就诊的科室,信息很少且方法简单,在用户不能清楚描述病情或者无法准确选择就诊科室时,不能准确的确定用户和医生的匹配度,从而不能准确的为用户匹配和分配医生。
本公开所要解决的一个技术问题是:如何提高确定患者和医生的匹配度的准确性。
根据本公开的一些实施例,提供的一种信息推送方法,包括:根据患者的实时信息和医生的实时信息生成医患实时特征,其中,患者的实时信息包括:患者在预设第一时间段内的在线访问信息,医生的实时信息包括:医生在预设第一时间段内的接诊信息;根据患者的实时病情描述信息生成患者的实时病情特征;根据预先获取的患者的历史特征和医生的历史特征,以及医患实时特征和患者的实时特征,确定患者和医生的匹配度;根据患者与每个医生的匹配度,为患者推送至少一个医生。
在一些实施例中,根据患者的实时信息和医生的实时信息生成医患实时特征包括:将患者的实时信息和医生的实时信息共同输入医患匹配模型的第一全连接层,得到输出的医患实时特征;其中,患者的实时信息还包括:患者的个人特征信息,医生的实时信息还包括医生的个人特征信息和职业特征信息。
在一些实施例中,根据患者的实时病情描述信息生成患者的实时病情特征包括:将患者的实时病情描述信息输入医患匹配模型的第一自然语言处理模型,得到输出的患者的实时病情特征。
在一些实施例中,根据预先获取的患者的历史特征和医生的历史特征,以及医患实时特征和患者的实时特征,确定患者和医生的匹配度包括:将预先获取的患者的历史特征和医生的历史特征,以及医患实时特征和患者的实时特征进行拼接后,输入医患匹配模型的第二全连接层,得到输出的患者和医生的匹配度。
在一些实施例中,该方法还包括:根据患者的历史信息生成患者的历史特征,其中,患者的历史信息包括患者的历史病症信息和历史就诊信息。
在一些实施例中,根据患者的历史信息生成患者的历史特征包括:按时间顺序将患者的历史信息划分为第一历史信息和第二历史信息,其中,第一历史信息包括预设第二时间段内的最近一次的历史信息,第二历史信息包括按时间顺序划分的不同时间段内的历史信息;根据第一历史信息确定患者的第一历史特征;根据第二历史信息确定患者的第二历史特征;根据患者的第一历史特征和第二历史特征,确定患者的历史特征。
在一些实施例中,根据第一历史信息确定患者的第一历史特征包括:将第一历史信息输入医患匹配模型的第二自然语言处理模型,得到第一历史特征向量作为患者的第一历史特征;根据第二历史信息确定患者的第二历史特征包括:将第二历史信息或者第一历史信息和第二历史信息的联合信息输入医患匹配模型的第一深度神经网络模型,得到第二历史特征向量作为患者的第二历史特征;其中,第一历史特征向量的长度大于等于第二历史特征向量的长度。
在一些实施例中,根据患者的第一历史特征和第二历史特征,确定患者的历史特征包括:将患者的第一历史特征和第二历史特征进行拼接后,输入医患匹配模型的第三全连接层,得到输出的患者的历史特征。
在一些实施例中,该方法还包括:根据医生的领域属性信息和医生的历史信息生成医生的历史特征,其中,医生的历史信息包括医生的历史接诊信息。
在一些实施例中,根据医生的领域属性信息和医生的历史信息生成医生的历史特征包括:根据医生的领域信息确定医生的领域特征;根据医生的历史信息确定医生的接诊特征;根据医生的领域特征和接诊特征确定医生的历史特征。
在一些实施例中,根据医生的领域信息确定医生的领域特征包括:将医生的领域信息输入医患匹配模型的第三自然语言处理模型,得到领域特征向量作为医生的领域特征;根据医生的历史信息确定医生的接诊特征包括:将医生的历史信息输入医患匹配模型的第二深度神经网络模型,得到接诊特征向量作为医生的接诊特征;其中,领域特征向量的长度大于等于接诊特征向量的长度。
在一些实施例中,根据医生的领域特征和接诊特征确定医生的历史特征包括:将医生的领域特征和接诊特征进行拼接后,输入医患匹配模型的第四全连接层,得到输出的医生的历史特征。
根据本公开的另一些实施例,提供的一种信息推送装置,包括:第一生成模块,用于根据患者的实时信息和医生的实时信息生成医患实时特征,其中,患者的实时信息包括:患者在预设第一时间段内的在线访问信息,医生的实时信息包括:医生在预设第一时间段内的接诊信息;第二生成模块,用于根据患者的实时病情描述信息生成患者的实时病情特征;匹配度确定模块,用于根据预先获取的患者的历史特征和医生的历史特征,以及医患实时特征和患者的实时特征,确定患者和医生的匹配度;推送模块,用于根据患者与每个医生的匹配度,为患者推送至少一个医生。
根据本公开的再一些实施例,提供的一种信息推送装置,包括:处理器;以及耦接至处理器的存储器,用于存储指令,指令被处理器执行时,使处理器执行如前述任意实施例的信息推送方法。
根据本公开的又一些实施例,提供的一种非瞬时性计算机可读存储介质,其上存储有计算机程序,其中,该程序被处理器执行时实现前述任意实施例的信息推送方法。
本公开中根据患者的实时信息和医生的实时信息生成医患实时特征,还根据患者的实时病情描述信息生成患者的实时病情特征,进一步根据预先获取的患者的历史特征和医生的历史特征,以及医患实时特征和患者的实时特征,确定患者和医生的匹配度。本公开参考患者和医生的历史信息和实时信息多方面信息,这些信息能够更加准确的描述患者和医生的特征,提高确定患者和医生的匹配度的准确性。
通过以下参照附图对本公开的示例性实施例的详细描述,本公开的其它特征及其优点将会变得清楚。
附图说明
为了更清楚地说明本公开实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本公开的一些实施例,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示出本公开的一些实施例的信息推送方法的流程示意图。
图2示出本公开的一些实施例的医患匹配模型的结构示意图。
图3示出本公开的另一些实施例的信息推送方法的流程示意图。
图4示出本公开的一些实施例的信息推送装置的结构示意图。
图5示出本公开的另一些实施例的信息推送装置的结构示意图。
图6示出本公开的又一些实施例的信息推送装置的结构示意图。
具体实施方式
下面将结合本公开实施例中的附图,对本公开实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本公开一部分实施例,而不是全部的实施例。以下对至少一个示例性实施例的描述实际上仅仅是说明性的,决不作为对本公开及其应用或使用的任何限制。基于本公开中的实施例,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,都属于本公开保护的范围。
本公开提供一种信息推送方法,下面结合图1~3进行描述。
图1为本公开信息推送方法一些实施例的流程图。如图1所示,该实施例的方法包括:步骤S102~S108。
在步骤S102中,根据患者的实时信息和医生的实时信息生成医患实时特征。
患者的实时信息例如包括:患者在预设第一时间段内(例如,当天)的在线访问信息,患者的实时信息还可以还包括:患者的个人特征信息。医生的实时信息例如包括:医生在预设第一时间段内的接诊信息,医生的实时信息还可以包括医生的个人特征信息和职业特征信息。
患者在预设第一时间段内的在线访问信息例如包括:在预设第一时间段内浏览的药品、在预设第一时间段内浏览的科室、在预设第一时间段内浏览的医生、在预设第一时间段内分诊的科室等至少一项信息。患者的个人特征信息例如包括:性别、年龄等至少一项信息。医生在预设第一时间段内的接诊信息例如包括:在预设第一时间段内是否在线、在预设第一时间段内在线状态、在预设第一时间段内医生所在科室、在预设第一时间段内是否存在拒诊,在预设第一时间段内接诊量、在预设第一时间段内已上班时间、距上次接诊结束时长、在预设第一时间段内最近一单接单时长、在预设第一时间段内累计接诊时长、在预设第一时间段内系统催促次数、在预设第一时间段内系统第一次催促后多久接单等至少一项信息。医生的个人特征信息例如包括:性别、年龄等至少一项信息。医生的职业特征信息例如包括:职级、是否专家等至少一项信息。患者的实时信息和医生的实时信息可以根据实际需求进行选取,不限于所举示例。
图2为医患匹配模型的一些实施例的示意图。如图2所示,医患匹配模型可以包括在线部分,医患实时特征可以通过在线部分确定。在线部分包括第一全连接层。在一些实施例中,将患者的实时信息和医生的实时信息共同输入医患匹配模型的第一全连接层,得到输出的医患实时特征。医患实时特征是医生和患者的融合特征患者的实时信息和医生的实时信息中各种信息可以预先进行二进制编码,得到预设长度的编码后输入第一全连接层。
在步骤S104中,根据患者的实时病情描述信息生成患者的实时病情特征。
患者的实时病情描述信息例如为患者在系统输入的描述病情的文本信息,例如,症状表现、不适部位等。在一些实施例中,根据患者的实时病情描述信息和患者在预设第一时间段内在线访问信息生成患者的实时病情特征。
如图2所示,患者的实时病情特征可以通过在线部分确定。在线部分包括第一自然语言处理模型,第一自然语言处理模型例如为BERT模型。在一些实施例中,将患者的实时病情描述信息输入医患匹配模型的第一自然语言处理模型,得到输出的患者的实时病情特征。在一些实施例中,患者的实时病情特征对应的向量的长度大于或等于医患实时特征对应的向量的长度。患者的实时病情特征与患者本次就诊密切相关,将对应的向量设置更长的维度,有利于更丰富的信息的表达。
在步骤S106中,根据预先获取的患者的历史特征和医生的历史特征,以及医患实时特征和患者的实时特征,确定患者和医生的匹配度。
如图2所示,医患匹配模型还包括第二全连接层,在一些实施例中,将患者的历史特征、医生的历史特征、医患实时特征和患者的实时特征进行拼接后输入医患匹配模型的第二全连接层,得到输出的患者和医生的匹配度。
医患匹配模型可以预先训练,选取患者和医生对应的训练样本,并根据实际的就诊信息选取确定患者和医生匹配度进行标注。训练样本包括:多个患者的历史信息、实时信息和实时病情描述信息,多个医生的领域属性信息、历史信息和实时信息。将训练样本输入医患匹配模型,得到输出的患者和医生匹配度,根据标注的患者和医生匹配度与输出患者和医生匹配度确定损失函数,根据损失函数调整医患匹配模型的参数,直至达到预设收敛条件。训练样本中各种患者的和医生的信息,分别输入医患匹配模型中对应的部分(如图2所示),在此不再赘述。
在步骤S108,根据患者与每个医生的匹配度,为患者推送至少一个医生。
根据前述的方法可以确定患者和每个医生的匹配度,可以选取匹配度超过阈值的至少一个医生推送给患者,由患者选择,也可以按照匹配度由高到低排序,选择排序在先的至少一个医生推送给患者,由患者选择。也可以选取匹配度最高的医生,对患者进行分诊。
上述实施例中根据患者的实时信息和医生的实时信息生成医患实时特征,还根据患者的实时病情描述信息生成患者的实时病情特征,进一步根据预先获取的患者的历史特征和医生的历史特征,以及医患实时特征和患者的实时特征,确定患者和医生的匹配度。上述实施例参考患者和医生的历史信息和实时信息多方面信息,这些信息能够更加准确的描述患者和医生的特征,提高确定患者和医生的匹配度的准确性。
下面结合图3描述本公开的信息推送方法的另一些实施例。
图3为本公开信息推送方法另一些实施例的流程图。如图3所示,该实施例的方法包括:步骤S302~S312。
在步骤S302中,根据患者的历史信息生成患者的历史特征。
患者的历史信息例如包括患者的历史病症信息和历史就诊信息。在一些实施例中,按时间顺序将患者的历史信息划分为第一历史信息和第二历史信息,其中,第一历史信息包括预设第二时间段内的最近一次的历史信息,第二历史信息包括按时间顺序划分的不同时间段内的历史信息;根据第一历史信息确定患者的第一历史特征;根据第二历史信息确定患者的第二历史特征;根据患者的第一历史特征和第二历史特征,确定患者的历史特征。
第一历史信息例如包括2个月、1个月或15天(预设第二时间段内)等最近一次的历史病症信息和历史就诊信息。第二历史信息例如包括连续每隔预设时长内(例如每三个月内)的历史病症信息和历史就诊信息。第一历史信息为短期历史信息,与患者当前就诊的情况密切相关,第二历史信息为长期历史信息,具有时序性特征,可以反映周期性、季节性病症、规律性的就诊信息等。对第一历史信息和第二历史信息进行区分,分别确定第一历史特征和第二历史特征,可以更加准确的提取患者的短期特征和长期特征,避免对患者短期与长期历史信息无差别学习会混淆历史与当前病情的区分,提高对患者特征的描述准确性,提高后续匹配的准确性。
第一历史信息例如包括:不适部位、不适时长、症状表现、严重程度中至少一项第二预设时间段内最近一次的历史病症信息,还可以包括:最近一次就诊科室、最近一次就诊医生、最近一次开药信息、最近一次医生诊断结果、最近一次医嘱、最近一次就诊时长、距离本次就诊时长、对接诊医生的满意度中至少一项预设第二时间段内最近一次的历史就诊信息。第一历史信息还可以根据实际需求进行选取,不限于所举示例。
第二历史信息例如包括:药物过敏史、第一预设阶段(例如3~5月)常患病症、第二预设阶段(例如6~8月)常患病症、第三预设阶段(例如9~11月)常患病症、第四预设阶段(例如12~2月)常患病症等至少一项历史病症信息,还可以包括:第一预设阶段(例如3~5月)常就诊医生、第二预设阶段(例如6~8月)常就诊医生、第三预设阶段(例如9~11月)常就诊医生、第四预设阶段(例如12~2月)常就诊医生、第一预设阶段(例如3~5月)常就诊科室、第二预设阶段(例如6~8月)常就诊科室、第三预设阶段(例如9~11月)常就诊科室、第四预设阶段(例如12~2月)常就诊科室、第一预设阶段(例如3~5月)常买的药、第二预设阶段(例如6~8月)常买的药、第三预设阶段(例如9~11月)常买的药、第四预设阶段(例如12~2月)常买的药、月就诊时长等至少一项历史就诊信息。第二历史信息还可以根据实际需求进行选取,不限于所举示例。
如图2所示,医患匹配模型还可以包括离线部分,患者的历史特征可以通过离线的患者端确定,提高效率。在一些实施例中,离线的患者端包括:第二自然语言处理模型、第一深度神经网络模型(DNN)。第二自然语言处理模型例如为BERT模型。例如,将第一历史信息输入医患匹配模型的第二自然语言处理模型,得到第一历史特征向量作为患者的第一历史特征;将第二历史信息或者第一历史信息和第二历史信息的联合信息输入医患匹配模型的第一深度神经网络模型,得到第二历史特征向量作为患者的第二历史特征。第一深度神经网络模型的输入可以只包括第一历史信息,也可以包括第一历史信息和第二历史信息。第一历史信息和第二历史信息中各种信息可以预先进行二进制编码,得到预设长度的编码后输入离线的患者端。
在一些实施例中,第一历史特征向量的长度大于等于第二历史特征向量的长度。由于第一历史信息和当前匹配业务有一定相关性,在业务上表示为近期患者病情和就诊状态,第二历史信息在业务上表示为患者的概括描述,因此可以将第一历史信息对应的第一历史特征向量的长度设置的更长,用来表示更丰富的信息。例如,第一历史特征向量为10维特征向量,第二历史特征向量为5维特征向量。
进一步,在一些实施例中,离线的患者端还包括:第三全连接层。将患者的第一历史特征和第二历史特征进行拼接(concat)后,输入医患匹配模型的第三全连接层,得到输出的患者的历史特征。患者的历史特征对应的向量可以与第一历史特征向量的长度相等。
在步骤S304中,根据医生的领域属性信息和医生的历史信息生成医生的历史特征。
医生的领域属性信息例如为描述医生的擅长领域等的文本信息。医生的历史信息例如包括医生在预设时间段内的历史接诊信息,医生在预设时间段内的历史接诊信息例如包括预设时间段内(例如近三个月内)平均接诊时长、预设时间段内最大接诊时长、预设时间段内最小接诊时长、预设时间段内平均问诊时长、预设时间段内医患平均沟通轮次、预设时间段内医患最大沟通轮次、预设时间段内医患最小沟通轮次、预设时间段内医生平均拒诊率、预设时间段内医患平均转诊率、预设时间段内医生的好评率、预设时间段内最高好评率、预设时间段内总接单量、预设时间段内月平均接单量、预设时间段内总有效接单量、预设时间段内平均有效接单量、预设时间段内平均并发数、预设时间段内平均最大并发数、预设时间段内医生最多医助数、预设时间段内医生最少医助数、预设时间段内医生的活跃天数、预设时间段内医生的活跃总时长、预设时间段内医生接诊单量最多的科室、预设时间段内医生接诊单量最少的科室、预设时间段内医生平均接诊时长最长的科室、预设时间段内医生平均接诊时长最短的科室等至少一项历史接诊信息。医生的领域属性信息、医生的历史信息可以根据实际需求进行选取,不限于所举示例。
在一些实施例中,根据医生的领域信息确定医生的领域特征;根据医生的历史信息确定医生的接诊特征;根据医生的领域特征和接诊特征确定医生的历史特征。
如图2所示,医生的历史特征可以通过离线的医生端确定,提高效率。在一些实施例中,离线的医生端包括:第三自然语言处理模型、第二深度神经网络模型(DNN)。第三自然语言处理模型例如为BERT模型。例如,将医生的领域信息输入医患匹配模型的第三自然语言处理模型,得到领域特征向量作为医生的领域特征;将医生的历史信息输入医患匹配模型的第二深度神经网络模型,得到接诊特征向量作为医生的接诊特征。医生的领域信息和医生的历史信息中各种信息可以预先进行二进制编码,得到预设长度的编码后输入离线的医生端。
在一些实施例中,领域特征向量的长度大于等于接诊特征向量的长度。由于医生的领域信息和当前匹配业务有一定相关性,在业务上表示为医生的专业领域,医生的历史信息在业务上表示为医生的历史性的概括描述,因此可以将医生的领域信息对应的领域特征向量的长度设置的更长,用来表示更丰富的信息。例如,领域特征向量为10维特征向量,接诊特征向量为5维特征向量。前述医患实时特征对应的向量可以与第二历史特征向量的长度或接诊特征向量的长度相等。前述的患者的实时病情特征对应的向量可以与第一历史特征向量、领域特征向量的长度相等。
进一步,在一些实施例中,离线的医生端还包括:第四全连接层。将医生的领域特征和接诊特征进行拼接后,输入医患匹配模型的第四全连接层,得到输出的医生的历史特征。医生的历史特征对应的向量可以与领域特征向量的长度相等。
步骤S302和304可以并列执行,不分先后顺序。利用步骤S302和304可以获得每个患者的历史特征和每个医生的历史特征。
在步骤S306中,根据患者的实时信息和医生的实时信息生成医患实时特征。
在步骤S308中,根据患者的实时病情描述信息生成患者的实时病情特征。
步骤S306和S308可以并列执行,不分先后顺序。
在步骤S310中,根据患者的历史特征和医生的历史特征,以及医患实时特征和患者的实时特征,确定患者和医生的匹配度。
在步骤S312中,根据患者与每个医生的匹配度,为患者推送至少一个医生。
患者的历史特征、医生的历史特征可以离线确定后存入数据库(例如,线上Redis),在线得到医患实时特征和患者的实时病情特征,导入数据库中存储的患者的历史特征、医生的历史特征进行拼接后输入第二全连接层,得到输出的患者和医生的匹配度。
上述实施例的方法,利用自然语言处理将患者实时病情的描述文本信息、第一历史信息和医生领域属性信息进行嵌入式编码,提高了患者与医生的匹配准确性;将患者的第二历史信息和医生的历史信息进行离线处理和特征压缩,从而降低了特征维度,提高线上模型预测性能;增加患者时序性相关特征,提高了推送的准确性。
本公开还提供一种信息推送装置,下面结合图4进行描述。
图4为本公开信息推送装置的一些实施例的结构图。如图4所示,该实施例的装置40包括:第一生成模块410,第二生成模块420,匹配度确定模块430,推送模块440。
第一生成模块410用于根据患者的实时信息和医生的实时信息生成医患实时特征,其中,患者的实时信息包括:患者在预设第一时间段内的在线访问信息,医生的实时信息包括:医生在预设第一时间段内的接诊信息。
在一些实施例中,第一生成模块410用于将患者的实时信息和医生的实时信息共同输入医患匹配模型的第一全连接层,得到输出的医患实时特征;其中,患者的实时信息还包括:患者的个人特征信息,医生的实时信息还包括医生的个人特征信息和职业特征信息。
第二生成模块420用于根据患者的实时病情描述信息生成患者的实时病情特征。
在一些实施例中,第二生成模块420用于将患者的实时病情描述信息输入医患匹配模型的第一自然语言处理模型,得到输出的患者的实时病情特征。
匹配度确定模块430用于根据预先获取的患者的历史特征和医生的历史特征,以及医患实时特征和患者的实时特征,确定患者和医生的匹配度。
在一些实施例中,匹配度确定模块430用于将预先获取的患者的历史特征和医生的历史特征,以及医患实时特征和患者的实时特征进行拼接后,输入医患匹配模型的第二全连接层,得到输出的患者和医生的匹配度。
推送模块440用于根据患者与每个医生的匹配度,为患者推送至少一个医生。
在一些实施例中,装置40还包括:第三生成模块450,用于根据患者的历史信息生成患者的历史特征,其中,患者的历史信息包括患者的历史病症信息和历史就诊信息。
在一些实施例中,第三生成模块450用于按时间顺序将患者的历史信息划分为第一历史信息和第二历史信息,其中,第一历史信息包括预设第二时间段内的最近一次的历史信息,第二历史信息包括按时间顺序划分的不同时间段内的历史信息;根据第一历史信息确定患者的第一历史特征;根据第二历史信息确定患者的第二历史特征;根据患者的第一历史特征和第二历史特征,确定患者的历史特征。
在一些实施例中,第三生成模块450用于将第一历史信息输入医患匹配模型的第二自然语言处理模型,得到第一历史特征向量作为患者的第一历史特征;将第二历史信息或者第一历史信息和第二历史信息的联合信息输入医患匹配模型的第一深度神经网络模型,得到第二历史特征向量作为患者的第二历史特征;其中,第一历史特征向量的长度大于等于第二历史特征向量的长度。
在一些实施例中,第三生成模块450用于将患者的第一历史特征和第二历史特征进行拼接后,输入医患匹配模型的第三全连接层,得到输出的患者的历史特征。
在一些实施例中,装置40还包括:第四生成模块460,用于根据医生的领域属性信息和医生的历史信息生成医生的历史特征,其中,医生的历史信息包括医生的历史接诊信息。
在一些实施例中,第四生成模块460用于根据医生的领域信息确定医生的领域特征;根据医生的历史信息确定医生的接诊特征;根据医生的领域特征和接诊特征确定医生的历史特征。
在一些实施例中,第四生成模块460用于将医生的领域信息输入医患匹配模型的第三自然语言处理模型,得到领域特征向量作为医生的领域特征;将医生的历史信息输入医患匹配模型的第二深度神经网络模型,得到接诊特征向量作为医生的接诊特征;其中,领域特征向量的长度大于等于接诊特征向量的长度。
在一些实施例中,第四生成模块460用于将医生的领域特征和接诊特征进行拼接后,输入医患匹配模型的第四全连接层,得到输出的医生的历史特征。
本公开的实施例中的信息推送装置可各由各种计算设备或计算机系统来实现,下面结合图5以及图6进行描述。
图5为本公开信息推送装置的一些实施例的结构图。如图5所示,该实施例的装置50包括:存储器510以及耦接至该存储器510的处理器520,处理器520被配置为基于存储在存储器510中的指令,执行本公开中任意一些实施例中的信息推送方法。
其中,存储器510例如可以包括系统存储器、固定非易失性存储介质等。系统存储器例如存储有操作系统、应用程序、引导装载程序(Boot Loader)、数据库以及其他程序等。
图6为本公开信息推送装置的另一些实施例的结构图。如图6所示,该实施例的装置60包括:存储器610以及处理器620,分别与存储器510以及处理器520类似。还可以包括输入输出接口630、网络接口640、存储接口650等。这些接口630,640,650以及存储器610和处理器620之间例如可以通过总线660连接。其中,输入输出接口630为显示器、鼠标、键盘、触摸屏等输入输出设备提供连接接口。网络接口640为各种联网设备提供连接接口,例如可以连接到数据库服务器或者云端存储服务器等。存储接口650为SD卡、U盘等外置存储设备提供连接接口。
本领域内的技术人员应当明白,本公开的实施例可提供为方法、系统、或计算机程序产品。因此,本公开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,本公开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非瞬时性存储介质(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。
本公开是参照根据本公开实施例的方法、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。应理解为可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅为本公开的较佳实施例,并不用以限制本公开,凡在本公开的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本公开的保护范围之内。
Claims (15)
1.一种信息推送方法,包括:
根据患者的实时信息和医生的实时信息生成医患实时特征,其中,所述患者的实时信息包括:所述患者在预设第一时间段内的在线访问信息,所述医生的实时信息包括:所述医生在预设第一时间段内的接诊信息;
根据所述患者的实时病情描述信息生成所述患者的实时病情特征;
根据预先获取的所述患者的历史特征和所述医生的历史特征,以及所述医患实时特征和所述患者的实时特征,确定所述患者和所述医生的匹配度;
根据所述患者与每个医生的匹配度,为所述患者推送至少一个医生。
2.根据权利要求1所述的信息推送方法,其中,所述根据所述患者的实时信息和所述医生的实时信息生成医患实时特征包括:
将所述患者的实时信息和所述医生的实时信息共同输入医患匹配模型的第一全连接层,得到输出的所述医患实时特征;
其中,所述患者的实时信息还包括:所述患者的个人特征信息,所述医生的实时信息还包括所述医生的个人特征信息和职业特征信息。
3.根据权利要求1所述的信息推送方法,其中,所述根据所述患者的实时病情描述信息生成所述患者的实时病情特征包括:
将所述患者的实时病情描述信息输入医患匹配模型的第一自然语言处理模型,得到输出的所述患者的实时病情特征。
4.根据权利要求1所述的信息推送方法,其中,所述根据预先获取的所述患者的历史特征和所述医生的历史特征,以及所述医患实时特征和所述患者的实时特征,确定所述患者和所述医生的匹配度包括:
将预先获取的所述患者的历史特征和所述医生的历史特征,以及所述医患实时特征和所述患者的实时特征进行拼接后,输入医患匹配模型的第二全连接层,得到输出的所述患者和所述医生的匹配度。
5.根据权利要求1所述的信息推送方法,还包括:
根据所述患者的历史信息生成所述患者的历史特征,其中,所述患者的历史信息包括所述患者的历史病症信息和历史就诊信息。
6.根据权利要求5所述的信息推送方法,其中,所述根据患者的历史信息生成所述患者的历史特征包括:
按时间顺序将所述患者的历史信息划分为第一历史信息和第二历史信息,其中,所述第一历史信息包括预设第二时间段内的最近一次的历史信息,所述第二历史信息包括按时间顺序划分的不同时间段内的历史信息;
根据所述第一历史信息确定所述患者的第一历史特征;
根据所述第二历史信息确定所述患者的第二历史特征;
根据所述患者的第一历史特征和第二历史特征,确定所述患者的历史特征。
7.根据权利要求6所述的信息推送方法,其中,所述根据所述第一历史信息确定所述患者的第一历史特征包括:
将所述第一历史信息输入医患匹配模型的第二自然语言处理模型,得到第一历史特征向量作为所述患者的第一历史特征;
所述根据所述第二历史信息确定所述患者的第二历史特征包括:
将所述第二历史信息或者所述第一历史信息和第二历史信息的联合信息输入所述医患匹配模型的第一深度神经网络模型,得到第二历史特征向量作为所述患者的第二历史特征;
其中,所述第一历史特征向量的长度大于等于所述第二历史特征向量的长度。
8.根据权利要求6所述的信息推送方法,其中,所述根据所述患者的第一历史特征和第二历史特征,确定所述患者的历史特征包括:
将所述患者的第一历史特征和第二历史特征进行拼接后,输入医患匹配模型的第三全连接层,得到输出的所述患者的历史特征。
9.根据权利要求1所述的信息推送方法,还包括:
根据所述医生的领域属性信息和所述医生的历史信息生成所述医生的历史特征,其中,所述医生的历史信息包括所述医生的历史接诊信息。
10.根据权利要求9所述的信息推送方法,其中,所述根据医生的领域属性信息和所述医生的历史信息生成所述医生的历史特征包括:
根据所述医生的领域信息确定所述医生的领域特征;
根据所述医生的历史信息确定所述医生的接诊特征;
根据所述医生的领域特征和接诊特征确定所述医生的历史特征。
11.根据权利要求10所述的信息推送方法,其中,所述根据所述医生的领域信息确定所述医生的领域特征包括:
将所述医生的领域信息输入医患匹配模型的第三自然语言处理模型,得到领域特征向量作为所述医生的领域特征;
所述根据所述医生的历史信息确定所述医生的接诊特征包括:
将所述医生的历史信息输入医患匹配模型的第二深度神经网络模型,得到接诊特征向量作为所述医生的接诊特征;
其中,所述领域特征向量的长度大于等于所述接诊特征向量的长度。
12.根据权利要求10所述的信息推送方法,其中,所述根据所述医生的领域特征和接诊特征确定所述医生的历史特征包括:
将所述医生的领域特征和接诊特征进行拼接后,输入医患匹配模型的第四全连接层,得到输出的所述医生的历史特征。
13.一种信息推送装置,包括:
第一生成模块,用于根据患者的实时信息和医生的实时信息生成医患实时特征,其中,所述患者的实时信息包括:所述患者在预设第一时间段内的在线访问信息,所述医生的实时信息包括:所述医生在预设第一时间段内的接诊信息;
第二生成模块,用于根据所述患者的实时病情描述信息生成所述患者的实时病情特征;
匹配度确定模块,用于根据预先获取的所述患者的历史特征和所述医生的历史特征,以及所述医患实时特征和所述患者的实时特征,确定所述患者和所述医生的匹配度;
推送模块,用于根据所述患者与每个医生的匹配度,为所述患者推送至少一个医生。
14.一种信息推送装置,包括:
处理器;以及
耦接至所述处理器的存储器,用于存储指令,所述指令被所述处理器执行时,使所述处理器执行如权利要求1-12任一项所述的信息推送方法。
15.一种非瞬时性计算机可读存储介质,其上存储有计算机程序,其中,该程序被处理器执行时实现权利要求1-12任一项所述方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110331602.5A CN113782163A (zh) | 2021-03-29 | 2021-03-29 | 信息推送方法、装置和计算机可读存储介质 |
PCT/CN2022/082428 WO2022206500A1 (zh) | 2021-03-29 | 2022-03-23 | 信息推送方法, 装置和计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110331602.5A CN113782163A (zh) | 2021-03-29 | 2021-03-29 | 信息推送方法、装置和计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113782163A true CN113782163A (zh) | 2021-12-10 |
Family
ID=78835548
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110331602.5A Pending CN113782163A (zh) | 2021-03-29 | 2021-03-29 | 信息推送方法、装置和计算机可读存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN113782163A (zh) |
WO (1) | WO2022206500A1 (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022206500A1 (zh) * | 2021-03-29 | 2022-10-06 | 北京京东拓先科技有限公司 | 信息推送方法, 装置和计算机可读存储介质 |
CN117171407A (zh) * | 2023-11-03 | 2023-12-05 | 山东中联佳裕软件股份有限公司 | 一种基于大数据分析的智慧平台管理系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103810661A (zh) * | 2012-11-14 | 2014-05-21 | 罗仁圣 | 患者和治疗者之间的在线匹配系统 |
CN107563120A (zh) * | 2017-09-13 | 2018-01-09 | 青岛海信医疗设备股份有限公司 | 针对患者的医生推荐方法及装置 |
CN110232971A (zh) * | 2019-05-24 | 2019-09-13 | 深圳市翩翩科技有限公司 | 一种医生推荐方法及装置 |
CN110993081A (zh) * | 2019-12-03 | 2020-04-10 | 济南大学 | 一种医生在线推荐方法及系统 |
CN111241265A (zh) * | 2020-01-09 | 2020-06-05 | 平安国际智慧城市科技股份有限公司 | 信息推荐方法、设备、存储介质及装置 |
CN112071420A (zh) * | 2020-08-12 | 2020-12-11 | 福建中榕数据科技有限公司 | 基于实时数据的临床辅助决策方法、系统、设备和介质 |
CN112530576A (zh) * | 2020-11-30 | 2021-03-19 | 百度健康(北京)科技有限公司 | 一种线上医患匹配方法、装置、电子设备及存储介质 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160147943A1 (en) * | 2014-11-21 | 2016-05-26 | Argo Data Resource Corporation | Semantic Address Parsing Using a Graphical Discriminative Probabilistic Model |
CN110752017B (zh) * | 2019-09-04 | 2020-12-18 | 重庆特斯联智慧科技股份有限公司 | 一种基于深度学习的社区医生调度方法及系统 |
CN112071425B (zh) * | 2020-09-04 | 2022-10-21 | 平安科技(深圳)有限公司 | 一种数据处理方法、装置、计算机设备及存储介质 |
CN113782163A (zh) * | 2021-03-29 | 2021-12-10 | 北京京东拓先科技有限公司 | 信息推送方法、装置和计算机可读存储介质 |
-
2021
- 2021-03-29 CN CN202110331602.5A patent/CN113782163A/zh active Pending
-
2022
- 2022-03-23 WO PCT/CN2022/082428 patent/WO2022206500A1/zh unknown
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103810661A (zh) * | 2012-11-14 | 2014-05-21 | 罗仁圣 | 患者和治疗者之间的在线匹配系统 |
CN107563120A (zh) * | 2017-09-13 | 2018-01-09 | 青岛海信医疗设备股份有限公司 | 针对患者的医生推荐方法及装置 |
CN110232971A (zh) * | 2019-05-24 | 2019-09-13 | 深圳市翩翩科技有限公司 | 一种医生推荐方法及装置 |
CN110993081A (zh) * | 2019-12-03 | 2020-04-10 | 济南大学 | 一种医生在线推荐方法及系统 |
CN111241265A (zh) * | 2020-01-09 | 2020-06-05 | 平安国际智慧城市科技股份有限公司 | 信息推荐方法、设备、存储介质及装置 |
CN112071420A (zh) * | 2020-08-12 | 2020-12-11 | 福建中榕数据科技有限公司 | 基于实时数据的临床辅助决策方法、系统、设备和介质 |
CN112530576A (zh) * | 2020-11-30 | 2021-03-19 | 百度健康(北京)科技有限公司 | 一种线上医患匹配方法、装置、电子设备及存储介质 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022206500A1 (zh) * | 2021-03-29 | 2022-10-06 | 北京京东拓先科技有限公司 | 信息推送方法, 装置和计算机可读存储介质 |
CN117171407A (zh) * | 2023-11-03 | 2023-12-05 | 山东中联佳裕软件股份有限公司 | 一种基于大数据分析的智慧平台管理系统 |
Also Published As
Publication number | Publication date |
---|---|
WO2022206500A1 (zh) | 2022-10-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
AU2012245343B2 (en) | Predictive modeling | |
US11881293B2 (en) | Methods for automatic cohort selection in epidemiologic studies and clinical trials | |
US10014080B2 (en) | Evidence based medical record | |
CN111861768B (zh) | 基于人工智能的业务处理方法、装置、计算机设备及介质 | |
US20210350910A1 (en) | System and method for supporting healthcare cost and quality management | |
CN114187988A (zh) | 数据处理的方法及装置、系统、存储介质 | |
US20160371453A1 (en) | Analytical data processing for consumer health scores | |
WO2022206500A1 (zh) | 信息推送方法, 装置和计算机可读存储介质 | |
JPWO2015132903A1 (ja) | 医療データ分析システム、医療データ分析方法及び記憶媒体 | |
CN114048379A (zh) | 服务推荐方法及装置、存储介质和电子设备 | |
CN110782979A (zh) | 医疗任务分配方法及装置、电子设备、存储介质 | |
Bimpikis et al. | Learning and hierarchies in service systems | |
US20230024631A1 (en) | Expression of clinical logic with positive and negative explainability | |
CN113724815A (zh) | 基于决策分群模型的信息推送方法及装置 | |
US11328825B1 (en) | Machine learning techniques for identifying opportunity patients | |
US20130035963A1 (en) | System and method for financial transactions between insurance service provider and medical service provider | |
US20230333860A1 (en) | Methods and systems for workflow automation | |
CN113724824B (zh) | 慢性病患者随访方法、装置、计算机设备及可读存储介质 | |
CN114661985A (zh) | 患者健康管理平台的信息推送方法、平台、设备及介质 | |
CN114743647A (zh) | 医疗数据处理方法、装置、设备及存储介质 | |
CN115579153A (zh) | 问诊评价方法、问诊评价装置、电子设备和可读存储介质 | |
CN110473636B (zh) | 基于深度学习的智能医嘱推荐方法及系统 | |
CN112164450A (zh) | 一种医疗服务的签约方法和系统 | |
JP2019012493A (ja) | 保険設計支援システム及び保険設計支援方法 | |
US11610654B1 (en) | Digital fingerprinting for automatic generation of electronic health record notes |
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 |