CN113921122A - 基于智慧医疗的医护资源分配系统 - Google Patents
基于智慧医疗的医护资源分配系统 Download PDFInfo
- Publication number
- CN113921122A CN113921122A CN202111182834.5A CN202111182834A CN113921122A CN 113921122 A CN113921122 A CN 113921122A CN 202111182834 A CN202111182834 A CN 202111182834A CN 113921122 A CN113921122 A CN 113921122A
- Authority
- CN
- China
- Prior art keywords
- medical
- user
- data
- characteristic data
- event
- 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
- 239000013598 vector Substances 0.000 claims abstract description 51
- 238000013499 data model Methods 0.000 claims abstract description 49
- 238000003745 diagnosis Methods 0.000 claims abstract description 34
- 238000013468 resource allocation Methods 0.000 claims abstract description 17
- 238000005065 mining Methods 0.000 claims abstract description 9
- 230000006399 behavior Effects 0.000 claims description 104
- 239000003814 drug Substances 0.000 claims description 21
- 229940079593 drug Drugs 0.000 claims description 15
- 238000000034 method Methods 0.000 claims description 8
- 238000007499 fusion processing Methods 0.000 claims description 6
- 238000004891 communication Methods 0.000 claims description 5
- 230000011218 segmentation Effects 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 230000000875 corresponding effect Effects 0.000 claims 36
- 230000003542 behavioural effect Effects 0.000 claims 1
- 230000002596 correlated effect Effects 0.000 claims 1
- 238000007726 management method Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 230000000474 nursing effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 210000002700 urine Anatomy 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
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
-
- G—PHYSICS
- 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
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- General Business, Economics & Management (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明涉及一种基于智慧医疗的医护资源分配系统，包括智慧医疗云平台、本地线上就诊平台和用户终端。智慧医疗云平台包括模型构建模块、社区更新模块、模型划分模块和资源分配模块。智慧医疗云平台对用户历史产生的所有用户医疗数据进行关联建模以得到用户医疗数据模型；基于所有用户医疗数据模型的特征向量聚类形成多个用户医疗社区；基于更新后的用户医疗数据模型对用户医疗社区进行重新划分；挖掘用户医疗数据模型中的频繁事件节点和频繁路径以构建对应用户医疗社区的频繁事件模式，基于序列化后的频繁事件模式对重新划分后的用户医疗社区进行合并更新，为合并更新后的用户医疗社区中的各个相似用户分配目标用户已匹配的医护资源。
Description
技术领域
本发明涉及智慧医疗和大数据领域，尤其涉及一种基于智慧医疗的医护资源分配系统。
背景技术
智慧医疗是面向医疗、护理、康复、养老等多个方面的大健康体系，包括以患者为中心的医院诊疗服务系统和管理系统的智能化；以居民电子健康档案为核心的区域医疗服务系统和管理系统的智能化；以居民电子健康档案为核心的区域医疗服务系统的信息标准化和互联互通；面向居家养老、社区养老、机构养老，突出“医”和“养”相融合的养老服务智能化系统。
面向医院诊疗服务和管理服务智能化领域，现有的医护资源分配主要依赖于传统的医院信息管理系统，主要仅仅是对医护信息进行简单的采集、存储和管理，并且依赖管理人员经验进行人为工作安排，这种医护资源分配方案欠缺及时性和准确性。
发明内容
为了解决上述问题，本发明提供了一种基于智慧医疗的医护资源分配系统，包括智慧医疗云平台、本地线上就诊平台和用户终端，智慧医疗云平台分别与本地线上就诊平台和用户终端之间具有通信连接；所述用户终端为就诊用户所使用的具有计算功能、存储功能和通信功能的设备，其用于对线上医疗资源的预约、用户电子病历以及就诊情况的查询；
智慧医疗云平台包括模型构建模块、社区更新模块、模型划分模块和资源分配模块；
模型构建模块获取本地线上就诊平台中的每个线上用户通过用户终端历史产生的所有用户医疗数据，并对用户历史产生的所有用户医疗数据进行分解以得到对应用户的第一医疗特征数据、第二医疗特征数据和第三医疗特征数据，基于第一医疗特征数据与第二医疗特征数据之间的第一关联数据和第二医疗特征数据与第三医疗特征数据之间的第二关联数据对第一医疗特征数据、第二医疗特征数据和第三医疗特征数据进行关联建模以得到用户的用户医疗数据模型；
社区更新模块将各个用户历史对应的用户医疗数据模型转化为相应的特征向量，并基于各个特征向量之间的相似度对所有用户进行聚类以形成多个用户医疗社区，基于对应用户实时产生的第二医疗特征数据对用户的用户医疗数据模型进行信息更新，基于更新后的用户医疗数据模型重新划分所述用户所属的用户医疗社区；
模型划分模块对更新后的所有用户医疗数据模型进行频繁事件节点和频繁路径的挖掘以构建对应用户医疗社区的频繁事件模式，将序列化后的频繁事件模式进行对比以得到各个用户医疗社区之间的行为相似度，基于各个用户医疗社区之间的行为相似度对用户医疗社区进行合并更新以得到所有用户医疗社区的实时划分结果；
资源分配模块向目标用户实时所属的用户医疗社区中的各个相似用户分别分配所述目标用户已匹配的医护资源。
根据一个优选实施方式，所述医护资源包括分配的科室、医护级别、手术种类、药品清单和医疗地点。
根据一个优选实施方式，所述对用户历史产生的所有用户医疗数据进行分解以得到对应用户的第一医疗特征数据、第二医疗特征数据和第三医疗特征数据包括：
从所述用户医疗数据中获取用户既有的基础属性信息，并为每个对应数据类型的基础属性信息赋予相应的属性标识，基于用户对应的所有基础属性信息和每个基础属性信息对应的属性标识形成所述用户的第一医疗特征数据，其中，所述数据类型包括数值型、文本型和枚举型；
从所述用户医疗数据中获取用户的诊疗记录，基于诊疗记录中的每个事务节点对应的行为事件和每个事务节点之间的路径关系形成所述用户的第二医疗特征数据，其中，所述诊疗记录包括用户进行的若干医疗诊断流程；
基于获取到的所有事务节点形成所述用户历史执行的行为事件列表，根据行为事件列表中各个行为事件产生的业务数据对应的业务实体和每个业务实体之间的关联关系形成所述用户的第三医疗特征数据，其中，所述行为事件列表包括若干按序排列的行为事件，所述行为事件包括用户产生的诊疗行为、所述行为产生的业务数据、所述行为的开始时间和行为结束时间。
根据一个优选实施方式，基于第一医疗特征数据与第二医疗特征数据之间的第一关联数据和第二医疗特征数据与第三医疗特征数据之间的第二关联数据对第一医疗特征数据、第二医疗特征数据和第三医疗特征数据进行关联建模以得到用户的用户医疗数据模型包括：
基于用户产生的每个行为事件的开始时间和结束时间形成第一医疗特征数据和第二医疗特征数据之间的第一关联数据，将第二医疗特征数据中各个行为事件的行为特征、开始时间和结束时间进行比较，以从同一时间段产生的所有行为事件中定位每个行为事件的关联实体信息并将其作为第二医疗特征数据与第三医疗特征数据之间的第二关联数据；
基于所述第二关联数据为第二医疗特征数据中的各个行为事件与第三医疗特征数据中的各个业务实体形成相应的共享链，对第三医疗特征数据中各个行为事件对应的业务实体进行分词处理以将各个业务实体分解为最小业务实体，并对语义特征相似的所有最小业务实体进行融合处理；
为融合处理后的来自同一业务实体的所有最小业务实体生成相应的实体链，基于所述第一关联数据、共享链和实体链对第一医疗特征数据、第二医疗特征数据和第三医疗特征数据进行内外部关系的关联建模以得到用户的用户医疗数据模型。
根据一个优选实施方式，所述将各个用户历史对应的用户医疗数据模型转化为相应的特征向量，并基于各个特征向量之间的相似度对所有用户进行聚类以形成多个用户医疗社区的步骤包括：
从用户医疗数据模型的第一医疗特征数据、第二医疗特征数据和第三医疗特征数据中获取数据类型为第一类数据类型的所有基础属性信息和业务实体，并获取每个基础属性信息对应的标签文本，其中，所述第一类数据类型所指示的数据类型为文本型；
获取与每个业务实体关联的所有最小业务实体，并对业务实体关联的所有最小业务实体对应的编码特征进行加权递归以得到对应业务实体的实体特征向量，将每个业务实体的实体特征向量与标签文本的特征向量进行拼接以得到用户的第一用户特征向量；
从用户医疗数据模型的第一医疗特征数据、第二医疗特征数据和第三医疗特征数据中获取数据类型为第二类数据类型和第三类数据类型的所有基础属性信息和业务实体，将每个基础属性信息对应的数值型特征向量和/或枚举型特征向量与每个业务实体对应的数值型特征向量和/或枚举型特征向量进行横向拼接以得到用户的第二用户特征向量，其中，所述第二类数据类型、第三类数据类型所指示的数据类型分别为枚举型和数值型；
将各个用户的第一用户特征向量之间的余弦距离作为第一特征相似度、各个用户的第二用户特征向量之间的标准化欧式距离作为第二特征相似度，对第一特征相似度和第二特征相似度进行加权平均以得到用户之间的用户特征相似度，对用户特征相似度大于预设相似度阈值的所有用户进行聚类以形成多个用户医疗社区。
根据一个优选实施方式，所述对更新后的所有用户医疗数据模型进行频繁事件节点和频繁路径的挖掘以构建对应用户医疗社区的频繁事件模式包括：
挖掘出所有用户医疗数据模型的频繁事件节点，将每个频繁事件节点对应的行为事件的所有业务实体的语义特征进行比较，对具有相似语义特征的频繁事件节点进行融合，其中，所述频繁事件节点由三元组数据组成，其包括对应行为事件的语义标签、存在此行为事件的用户及对应用户发生该行为事件的次数集合和所述行为事件在所有行为事件集合中的重要度；
基于融合后的各个频繁事件节点的前序事件节点、后继事件节点、从所述前序事件节点经所述频繁事件节点转移到所述后继事件节点的路径的重要度以及存在此路径的用户以及对应用户存在此路径的次数集合构成对应频繁事件节点的频繁路径；
基于获取到的所有频繁事件节点和每个频繁事件节点对应的频繁路径生成对应用户医疗社区的频繁事件模式。
根据一个优选实施方式，所述将序列化后的频繁事件模式进行对比以得到各个用户医疗社区之间的行为相似度包括：
通过广度优先搜索从频繁事件模式中获取同一可达深度的频繁事件节点集合，并将所述频繁事件节点集合作为序列节点，将每个频繁事件节点集合对应的序列节点根据广度优先搜索的深度信息进行按序排列以得到对应频繁事件模式的事件序列；
将每个频繁事件模式对应的事件序列的序列特征进行比较以得到对应用户医疗社区之间的行为相似度。
所述关联实体信息用于指示每个行为事件之间共同关联的业务实体。所述最小业务实体包括对应就医记录、医嘱内容、检查报告和化验报告的种类、获取日期和内容，对应药物的药物编号、种类、品名、功效和说明内容，所述药物编号用于对药物进行唯一标识。
本发明提供的实施例具有以下有益效果：
本发明通过建模不同类型的用户医疗数据之间的关联关系形成可用于表征每个用户的动静态医疗特征的用户医疗数据模型，依据所述用户医疗数据模型对应的特征向量将具有相同年龄特征、病史和医疗行为的患者聚类至同一集合中以形成相应的用户医疗社区，并通过各个用户医疗社区之间的行为相似度对用户医疗社区进行合并更新，提高了医疗社区划分结果的精准度，使得医疗社区内的患者之间的病症具有极高的相似性，使基于相似用户进行医护资源分配的结果更加准确，提高医护资源分配的效率和准确性。
附图说明
图1为本发明的基于智慧医疗的医护资源分配系统的结构框图。
具体实施方式
本发明旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本发明的真正范围和精神由下面的权利要求指出。
应当理解，尽管在本发明可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本发明范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
如图1所示，本发明的基于智慧医疗的医护资源分配系统包括智慧医疗云平台、本地线上就诊平台和用户终端。智慧医疗云平台分别与本地线上就诊平台和用户终端之间具有通信连接。所述用户终端为就诊用户所使用的具有计算功能、存储功能和通信功能的设备，其用于对线上医疗资源的预约、用户电子病历以及就诊情况的查询。
智慧医疗云平台包括模型构建模块、社区更新模块、模型划分模块和资源分配模块，其中，
模型构建模块用于获取本地线上就诊平台中的每个线上用户通过用户终端历史产生的所有用户医疗数据，并对用户历史产生的所有用户医疗数据进行分解以得到对应用户的第一医疗特征数据、第二医疗特征数据和第三医疗特征数据，基于第一医疗特征数据与第二医疗特征数据之间的第一关联数据和第二医疗特征数据与第三医疗特征数据之间的第二关联数据对第一医疗特征数据、第二医疗特征数据和第三医疗特征数据进行关联建模以得到用户的用户医疗数据模型；
社区更新模块用于将各个用户历史对应的用户医疗数据模型转化为相应的特征向量，并基于各个特征向量之间的相似度对所有用户进行聚类以形成多个用户医疗社区，基于对应用户实时产生的第二医疗特征数据对用户的用户医疗数据模型进行信息更新，基于更新后的用户医疗数据模型重新划分所述用户所属的用户医疗社区；
模型划分模块用于对更新后的所有用户医疗数据模型进行频繁事件节点和频繁路径的挖掘以构建对应用户医疗社区的频繁事件模式，将序列化后的频繁事件模式进行对比以得到各个用户医疗社区之间的行为相似度，基于各个用户医疗社区之间的行为相似度对用户医疗社区进行合并更新以得到所有用户医疗社区的实时划分结果；
资源分配模块用于向目标用户实时所属的用户医疗社区中的各个相似用户分别分配所述目标用户已匹配的医护资源。
具体的，在一个实施例中，基于智慧医疗的医护资源分配系统的所执行的处理方法可以包括：
S1、模型构建模块获取本地线上就诊平台中的每个线上用户通过用户终端历史产生的所有用户医疗数据，并对用户历史产生的所有用户医疗数据进行分解以得到对应用户的第一医疗特征数据、第二医疗特征数据和第三医疗特征数据，基于第一医疗特征数据与第二医疗特征数据之间的第一关联数据和第二医疗特征数据与第三医疗特征数据之间的第二关联数据对第一医疗特征数据、第二医疗特征数据和第三医疗特征数据进行关联建模以得到用户的用户医疗数据模型。
可选地，所述第一医疗特征数据用于表征对应用户变化频率较低且结构固定的基础属性信息，其包括用户的年龄、性别、名称、住址和病史；所述第二医疗特征数据由对应用户的诊疗记录分析所得，其反映了用户诊疗行为的动态变化；所述第三医疗特征数据用于表征对应用户的诊疗记录产生的各个业务数据的业务实体。
具体地，所述对用户历史产生的所有用户医疗数据进行分解以得到所述用户的第一医疗特征数据、第二医疗特征数据和第三医疗特征数据包括：
从所述用户医疗数据中获取用户既有的基础属性信息，并为每个对应数据类型的基础属性信息赋予相应的属性标识，基于用户对应的所有基础属性信息和每个基础属性信息对应的属性标识形成所述用户的第一医疗特征数据，其中，所述数据类型包括数值型、文本型和枚举型；
从所述用户医疗数据中获取用户的诊疗记录，基于诊疗记录中的每个事务节点对应的行为事件和每个事务节点之间的路径关系形成所述用户的第二医疗特征数据，其中，所述诊疗记录包括用户进行的若干医疗诊断流程；
基于获取到的所有事务节点形成所述用户历史执行的行为事件列表，根据行为事件列表中各个行为事件产生的业务数据对应的业务实体和每个业务实体之间的关联关系形成所述用户的第三医疗特征数据，其中，所述行为事件列表包括若干按序排列的行为事件，所述行为事件包括用户产生的诊疗行为、所述行为产生的业务数据、所述行为的开始时间和行为结束时间。
可选地，所述属性标识用于对每个不同类型的基础属性信息进行唯一标识；用户产生的诊疗行为包括就医、血常规、尿常规、取药、入院、就诊、CT检查和手术；所述事务节点用于表征用户在对应时刻下所执行的诊疗行为，即一个事务节点对应一个行为事件；
所述业务实体包括就医记录、医嘱内容、药物、检查报告和化验报告；所述关联关系用于表征各个业务实体之间的隶属关系，例如药物A、药物B可隶属于同一类型的药品下。
可选地，所述路径关系用于指示每个事务节点依据任务执行顺序所对应的前驱事务节点和后继事务节点，例如，用户先在完成就医之后，再根据医嘱内容进行CT检查，则就医与CT检查的诊疗行为之间具有前驱依赖关系。
具体地，基于第一医疗特征数据与第二医疗特征数据之间的第一关联数据和第二医疗特征数据与第三医疗特征数据之间的第二关联数据对第一医疗特征数据、第二医疗特征数据和第三医疗特征数据进行关联建模以得到用户的用户医疗数据模型包括：
基于用户产生的每个行为事件的开始时间和结束时间形成第一医疗特征数据和第二医疗特征数据之间的第一关联数据，将第二医疗特征数据中各个行为事件的行为特征、开始时间和结束时间进行比较，以从同一时间段产生的所有行为事件中定位每个行为事件的关联实体信息并将其作为第二医疗特征数据与第三医疗特征数据之间的第二关联数据；
基于所述第二关联数据为第二医疗特征数据中的各个行为事件与第三医疗特征数据中的各个业务实体形成相应的共享链，对第三医疗特征数据中各个行为事件对应的业务实体进行分词处理以将各个业务实体分解为最小业务实体，并对语义特征相似的所有最小业务实体进行融合处理；
为融合处理后的来自同一业务实体的所有最小业务实体生成相应的实体链，基于所述第一关联数据、共享链和实体链对第一医疗特征数据、第二医疗特征数据和第三医疗特征数据进行内外部关系的关联建模以得到用户的用户医疗数据模型。
可选地，所述行为特征用于表征对应行为事件的行为类型和交互对象，所述交互对象包括药物、医生、仪器或设备，所述行为类型包括检查和诊疗。所述最小业务实体包括对应就医记录、医嘱内容、检查报告和化验报告的种类、获取日期和内容，对应药物的药物编号、种类、品名、功效和说明内容，所述药物编号用于对药物进行唯一标识。
可选地，所述关联实体信息用于指示每个行为事件之间共同关联的业务实体。
S2、社区更新模块将各个用户历史对应的用户医疗数据模型转化为相应的特征向量，并基于各个特征向量之间的相似度对所有用户进行聚类以形成多个用户医疗社区，基于对应用户实时产生的第二医疗特征数据对用户的用户医疗数据模型进行信息更新，基于更新后的用户医疗数据模型重新划分所述用户所属的用户医疗社区。
具体地，所述将各个用户历史对应的用户医疗数据模型转化为相应的特征向量，并基于各个特征向量之间的相似度对所有用户进行聚类以形成多个用户医疗社区的步骤包括：
从用户医疗数据模型的第一医疗特征数据、第二医疗特征数据和第三医疗特征数据中获取数据类型为第一类数据类型的所有基础属性信息和业务实体，并获取每个基础属性信息对应的标签文本，其中，所述第一类数据类型所指示的数据类型为文本型，所述标签文本为系统预先设置的用于表征对应基础属性信息的属性特征的标签内容；
获取与每个业务实体关联的所有最小业务实体，并对业务实体关联的所有最小业务实体对应的编码特征进行加权递归以得到对应业务实体的实体特征向量，将每个业务实体的实体特征向量与标签文本的特征向量进行拼接以得到用户的第一用户特征向量，其中，所述编码特征为系统根据预设词向量对最小业务实体进行特征编码所得；
从用户医疗数据模型的第一医疗特征数据、第二医疗特征数据和第三医疗特征数据中获取数据类型为第二类数据类型和第三类数据类型的所有基础属性信息和业务实体，将每个基础属性信息对应的数值型特征向量和/或枚举型特征向量与每个业务实体对应的数值型特征向量和/或枚举型特征向量进行横向拼接以得到用户的第二用户特征向量，其中，所述第二类数据类型、第三类数据类型所指示的数据类型分别为枚举型和数值型；
将各个用户的第一用户特征向量之间的余弦距离作为第一特征相似度、各个用户的第二用户特征向量之间的标准化欧式距离作为第二特征相似度，对第一特征相似度和第二特征相似度进行加权平均以得到用户之间的用户特征相似度，对用户特征相似度大于预设相似度阈值的所有用户进行聚类以形成多个用户医疗社区。
可选地，所述预设相似度阈值为系统预设的用于判断各个用户是否为相似用户的数值。
S3、模型划分模块对更新后的所有用户医疗数据模型进行频繁事件节点和频繁路径的挖掘以构建对应用户医疗社区的频繁事件模式，将序列化后的频繁事件模式进行对比以得到各个用户医疗社区之间的行为相似度，基于各个用户医疗社区之间的行为相似度对用户医疗社区进行合并更新以得到所有用户医疗社区的实时划分结果。
具体地，所述对更新后的所有用户医疗数据模型进行频繁事件节点和频繁路径的挖掘以构建对应用户医疗社区的频繁事件模式包括：
挖掘出所有用户医疗数据模型的频繁事件节点，将每个频繁事件节点对应的行为事件的所有业务实体的语义特征进行比较，对具有相似语义特征的频繁事件节点进行融合，其中，所述频繁事件节点由三元组数据组成，其包括对应行为事件的语义标签、存在此行为事件的用户及对应用户发生该行为事件的次数集合和所述行为事件在所有行为事件集合中的重要度，所述行为事件的重要度由对应行为事件涉及的业务实体数量和与行为事件集合中其它行为事件之间存在的共同关联的业务实体的数量分析所得；
基于融合后的各个频繁事件节点的前序事件节点、后继事件节点、从所述前序事件节点经所述频繁事件节点转移到所述后继事件节点的路径的重要度以及存在此路径的用户以及对应用户存在此路径的次数集合构成对应频繁事件节点的频繁路径，其中，所述路径的重要度由所述路径与所有路径的数量占比分析所得，所述所有路径包括从所述前序事件节点经所述频繁事件节点转移到所述后继事件节点的路径和从所述前序事件节点未经过所述频繁事件节点转移到所述后继事件节点的路径；
基于获取到的所有频繁事件节点和每个频繁事件节点对应的频繁路径生成对应用户医疗社区的频繁事件模式。
可选地，所述将序列化后的频繁事件模式进行对比以得到各个用户医疗社区之间的行为相似度包括：
通过广度优先搜索从频繁事件模式中获取同一可达深度的频繁事件节点集合，并将所述频繁事件节点集合作为序列节点，将每个频繁事件节点集合对应的序列节点根据广度优先搜索的深度信息进行按序排列以得到对应频繁事件模式的事件序列；
将每个频繁事件模式对应的事件序列的序列特征进行比较以得到对应用户医疗社区之间的行为相似度。
S4、资源分配模块向目标用户实时所属的用户医疗社区中的各个相似用户分别分配所述目标用户已匹配的医护资源。
可选地，所述医护资源包括分配的科室、医护级别、手术种类、药品清单和医疗地点。
本发明提供的基于智慧医疗的医护资源分配系统通过建模不同类型的用户医疗数据之间的关联关系形成可用于表征每个用户的动静态医疗特征的用户医疗数据模型，依据所述用户医疗数据模型对应的特征向量将具有相同年龄特征、病史和医疗行为的患者聚类至同一集合中以形成相应的用户医疗社区，并通过各个用户医疗社区之间的行为相似度对用户医疗社区进行合并更新，提高了医疗社区划分结果的精准度，使得医疗社区内的患者之间的病症具有极高的相似性，使基于相似用户进行医护资源分配的结果更加准确，提高医护资源分配的效率和准确性。
需要理解的是，尽管第一、第二、第三等术语在本文中可以用来描述各种设备、元件、部件或元素，但是这些设备、元件、部件或元素不应当由这些术语限制。这些术语仅用来将一个设备、元件、部件或元素与另一个设备、元件、部件或元素相区分。
本发明实施例所提供的基于智慧医疗的医护资源分配系统的计算机程序产品，包括存储了处理器可执行的非易失的程序代码的计算机可读存储介质，所述程序代码包括的指令可用于执行前面方法实施例中所述的方法。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
Claims (8)
1.一种基于智慧医疗的医护资源分配系统，其特征在于，包括智慧医疗云平台、本地线上就诊平台和用户终端，智慧医疗云平台分别与本地线上就诊平台和用户终端之间具有通信连接，所述用户终端为就诊用户所使用的具有计算功能、存储功能和通信功能的设备；
所述智慧医疗云平台包括模型构建模块、社区更新模块、模型划分模块和资源分配模块；
所述模型构建模块获取本地线上就诊平台中的每个线上用户通过用户终端历史产生的所有用户医疗数据，并对用户历史产生的所有用户医疗数据进行分解以得到对应用户的第一医疗特征数据、第二医疗特征数据和第三医疗特征数据，基于第一医疗特征数据与第二医疗特征数据之间的第一关联数据和第二医疗特征数据与第三医疗特征数据之间的第二关联数据对第一医疗特征数据、第二医疗特征数据和第三医疗特征数据进行关联建模以得到用户的用户医疗数据模型；
社区更新模块将各个用户历史对应的用户医疗数据模型转化为相应的特征向量，并基于各个特征向量之间的相似度对所有用户进行聚类以形成多个用户医疗社区，基于对应用户实时产生的第二医疗特征数据对用户的用户医疗数据模型进行信息更新，基于更新后的用户医疗数据模型重新划分所述用户所属的用户医疗社区；
模型划分模块对更新后的所有用户医疗数据模型进行频繁事件节点和频繁路径的挖掘以构建对应用户医疗社区的频繁事件模式，将序列化后的频繁事件模式进行对比以得到各个用户医疗社区之间的行为相似度，基于各个用户医疗社区之间的行为相似度对用户医疗社区进行合并更新以得到所有用户医疗社区的实时划分结果；
资源分配模块向目标用户实时所属的用户医疗社区中的各个相似用户分别分配所述目标用户已匹配的医护资源。
2.根据权利要求1所述的系统，其特征在于，基于第一医疗特征数据与第二医疗特征数据之间的第一关联数据和第二医疗特征数据与第三医疗特征数据之间的第二关联数据对第一医疗特征数据、第二医疗特征数据和第三医疗特征数据进行关联建模以得到用户的用户医疗数据模型包括：
基于用户产生的每个行为事件的开始时间和结束时间形成第一医疗特征数据和第二医疗特征数据之间的第一关联数据，将第二医疗特征数据中各个行为事件的行为特征、开始时间和结束时间进行比较，以从同一时间段产生的所有行为事件中定位每个行为事件的关联实体信息并将其作为第二医疗特征数据与第三医疗特征数据之间的第二关联数据；
基于所述第二关联数据为第二医疗特征数据中的各个行为事件与第三医疗特征数据中的各个业务实体形成相应的共享链，对第三医疗特征数据中各个行为事件对应的业务实体进行分词处理以将各个业务实体分解为最小业务实体，并对语义特征相似的所有最小业务实体进行融合处理；
为融合处理后的来自同一业务实体的所有最小业务实体生成相应的实体链，基于所述第一关联数据、共享链和实体链对第一医疗特征数据、第二医疗特征数据和第三医疗特征数据进行内外部关系的关联建模以得到用户的用户医疗数据模型。
3.根据权利要求1或2所述的系统，其特征在于，所述最小业务实体包括对应就医记录、检查报告种类、获取日期和内容，对应药物的药物编号、种类、品名、功效和说明内容，所述药物编号用于对药物进行唯一标识。
4.根据权利要求3所述的系统，其特征在于，所述将各个用户历史对应的用户医疗数据模型转化为相应的特征向量，并基于各个特征向量之间的相似度对所有用户进行聚类以形成多个用户医疗社区的步骤包括：
从用户医疗数据模型的第一医疗特征数据、第二医疗特征数据和第三医疗特征数据中获取数据类型为第一类数据类型的所有基础属性信息和业务实体，并获取每个基础属性信息对应的标签文本，其中，所述第一类数据类型所指示的数据类型为文本型；
获取与每个业务实体关联的所有最小业务实体，并对业务实体关联的所有最小业务实体对应的编码特征进行加权递归以得到对应业务实体的实体特征向量，将每个业务实体的实体特征向量与标签文本的特征向量进行拼接以得到用户的第一用户特征向量；
从用户医疗数据模型的第一医疗特征数据、第二医疗特征数据和第三医疗特征数据中获取数据类型为第二类数据类型和第三类数据类型的所有基础属性信息和业务实体，将每个基础属性信息对应的数值型特征向量和/或枚举型特征向量与每个业务实体对应的数值型特征向量和/或枚举型特征向量进行横向拼接以得到用户的第二用户特征向量，其中，所述第二类数据类型、第三类数据类型所指示的数据类型分别为枚举型和数值型；
将各个用户的第一用户特征向量之间的余弦距离作为第一特征相似度、各个用户的第二用户特征向量之间的标准化欧式距离作为第二特征相似度，对第一特征相似度和第二特征相似度进行加权平均以得到用户之间的用户特征相似度，对用户特征相似度大于预设相似度阈值的所有用户进行聚类以形成多个用户医疗社区。
5.根据权利要求4所述的系统，其特征在于，所述对用户历史产生的所有用户医疗数据进行分解以得到对应用户的第一医疗特征数据、第二医疗特质数据和第三医疗特征数据包括：
从所述用户医疗数据中获取用户既有的基础属性信息，并为每个对应数据类型的基础属性信息赋予相应的属性标识，基于用户对应的所有基础属性信息和每个基础属性信息对应的属性标识形成所述用户的第一医疗特征数据，其中，所述数据类型包括数值型、文本型和枚举型；
从所述用户医疗数据中获取用户的诊疗记录，基于诊疗记录中的每个事务节点对应的行为事件和每个事务节点之间的路径关系形成所述用户的第二医疗特征数据，其中，所述诊疗记录包括用户进行的若干医疗诊断流程；
基于获取到的所有事务节点形成所述用户历史执行的行为事件列表，根据行为事件列表中各个行为事件产生的业务数据对应的业务实体和每个业务实体之间的关联关系形成所述用户的第三医疗特征数据，其中，所述行为事件列表包括若干按序排列的行为事件，所述行为事件包括用户产生的诊疗行为、所述行为产生的业务数据、所述行为的开始时间和行为结束时间。
6.根据权利要求5所述的系统，其特征在于，所述对更新后的所有用户医疗数据模型进行频繁事件节点和频繁路径的挖掘以构建对应用户医疗社区的频繁事件模式包括：
挖掘出所有用户医疗数据模型的频繁事件节点，将每个频繁事件节点对应的行为事件的所有业务实体的语义特征进行比较，对具有相似语义特征的频繁事件节点进行融合，其中，所述频繁事件节点由三元组数据组成，其包括对应行为事件的语义标签、存在此行为事件的用户及对应用户发生该行为事件的次数集合和所述行为事件在所有行为事件集合中的重要度；
基于融合后的各个频繁事件节点的前序事件节点、后继事件节点、从所述前序事件节点经所述频繁事件节点转移到所述后继事件节点的路径的重要度以及存在此路径的用户以及对应用户存在此路径的次数集合构成对应频繁事件节点的频繁路径；
基于获取到的所有频繁事件节点和每个频繁事件节点对应的频繁路径生成对应用户医疗社区的频繁事件模式。
7.根据权利要求1至6之一所述的系统，其特征在于，所述医护资源包括分配的科室、医护级别、手术种类、药品清单和医疗地点。
8.根据权利要求7所述的系统，其特征在于，所述将序列化后的频繁事件模式进行对比以得到各个用户医疗社区之间的行为相似度包括：
通过广度优先搜索从频繁事件模式中获取同一可达深度的频繁事件节点集合，并将所述频繁事件节点集合作为序列节点，将每个频繁事件节点集合对应的序列节点根据广度优先搜索的深度信息进行按序排列以得到对应频繁事件模式的事件序列；
将每个频繁事件模式对应的事件序列的序列特征进行比较以得到对应用户医疗社区之间的行为相似度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111182834.5A CN113921122A (zh) | 2021-10-11 | 2021-10-11 | 基于智慧医疗的医护资源分配系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111182834.5A CN113921122A (zh) | 2021-10-11 | 2021-10-11 | 基于智慧医疗的医护资源分配系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113921122A true CN113921122A (zh) | 2022-01-11 |
Family
ID=79239122
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111182834.5A Pending CN113921122A (zh) | 2021-10-11 | 2021-10-11 | 基于智慧医疗的医护资源分配系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113921122A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115116593A (zh) * | 2022-08-29 | 2022-09-27 | 山东新蓝海科技股份有限公司 | 基于大数据的社区医护调度方法 |
| WO2023240837A1 (zh) * | 2022-06-15 | 2023-12-21 | 平安科技（深圳）有限公司 | 基于病患数据的服务包生成方法、装置、设备及存储介质 |
| CN117763170A (zh) * | 2024-01-16 | 2024-03-26 | 北京三维天地科技股份有限公司 | 一种基于知识图谱和相似度度量的OneID生成方法 |
-
2021
- 2021-10-11 CN CN202111182834.5A patent/CN113921122A/zh active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023240837A1 (zh) * | 2022-06-15 | 2023-12-21 | 平安科技（深圳）有限公司 | 基于病患数据的服务包生成方法、装置、设备及存储介质 |
| CN115116593A (zh) * | 2022-08-29 | 2022-09-27 | 山东新蓝海科技股份有限公司 | 基于大数据的社区医护调度方法 |
| CN115116593B (zh) * | 2022-08-29 | 2022-11-11 | 山东新蓝海科技股份有限公司 | 基于大数据的社区医护调度方法 |
| CN117763170A (zh) * | 2024-01-16 | 2024-03-26 | 北京三维天地科技股份有限公司 | 一种基于知识图谱和相似度度量的OneID生成方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Vanbrabant et al. | Quality of input data in emergency department simulations: Framework and assessment techniques | |
| CN113921122A (zh) | 基于智慧医疗的医护资源分配系统 | |
| CN112562836A (zh) | 医生推荐方法、装置、电子设备及存储介质 | |
| Maas et al. | Nursing process outcome linkage research: issues, current status, and health policy implications | |
| CN112216361A (zh) | 基于人工智能的随访计划单生成方法、装置、终端及介质 | |
| Martin | Data quality in process mining | |
| US11605018B2 (en) | Ontology-guided reconciliation of electronic records | |
| Duarte et al. | Improving quality of electronic health records with SNOMED | |
| US20200058408A1 (en) | Systems, methods, and apparatus for linking family electronic medical records and prediction of medical conditions and health management | |
| CN113658691A (zh) | 临床路径的构建方法、装置、设备及存储介质 | |
| CN113724815A (zh) | 基于决策分群模型的信息推送方法及装置 | |
| US10460266B2 (en) | Optimizing workflows | |
| CN103370629A (zh) | 临床质量分析系统 | |
| CN115346634A (zh) | 一种体检报告解读预测方法、系统、电子设备和存储介质 | |
| CN113948168A (zh) | 医疗数据评价实际应用系统及医疗数据评价实际应用方法 | |
| Giannoulis et al. | Designing and implementing a collaborative health knowledge system | |
| CN115938608A (zh) | 一种基于提示学习模型的临床决策预警的方法和系统 | |
| CN111696656A (zh) | 一种互联网医疗平台的医生评价方法、装置 | |
| CN113553840B (zh) | 一种文本信息处理方法、装置、设备及存储介质 | |
| CN111933283B (zh) | 一种健康监测方法及装置 | |
| CN116433391A (zh) | 理赔信息处理方法、装置、电子设备及存储介质 | |
| Wilcox et al. | Identifying the main causes of medical data incompleteness in the smart healthcare era | |
| CN113657809B (zh) | 医院画像的构建方法、装置、设备及存储介质 | |
| Isken et al. | Collection and preparation of sensor network data to support modeling and analysis of outpatient clinics | |
| JP2020528185A (ja) | 画像獲得ワークフローを最適化するためのデバイス、システム、及び方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20220111 |
|
| WD01 | Invention patent application deemed withdrawn after publication |