CN114203312B - 结合大数据智慧医疗的数字化医疗服务分析方法及服务器 - Google Patents

结合大数据智慧医疗的数字化医疗服务分析方法及服务器 Download PDF

Info

Publication number
CN114203312B
CN114203312B CN202111337069.XA CN202111337069A CN114203312B CN 114203312 B CN114203312 B CN 114203312B CN 202111337069 A CN202111337069 A CN 202111337069A CN 114203312 B CN114203312 B CN 114203312B
Authority
CN
China
Prior art keywords
data
online
medical
diagnosis
interaction
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.)
Active
Application number
CN202111337069.XA
Other languages
English (en)
Other versions
CN114203312A (zh
Inventor
姜德秋
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.)
Blue Balloon Beijing Medical Research Co ltd
Original Assignee
Blue Balloon Beijing Medical Research 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 Blue Balloon Beijing Medical Research Co ltd filed Critical Blue Balloon Beijing Medical Research Co ltd
Priority to CN202111337069.XA priority Critical patent/CN114203312B/zh
Publication of CN114203312A publication Critical patent/CN114203312A/zh
Application granted granted Critical
Publication of CN114203312B publication Critical patent/CN114203312B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G16H80/00—ICT specially adapted for facilitating communication between medical practitioners or patients, e.g. for collaborative diagnosis, therapy or health monitoring
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • Pathology (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • Medical Treatment And Welfare Office Work (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

本申请的结合大数据智慧医疗的数字化医疗服务分析方法及服务器，通过识别在线就诊噪声数据，并在每组在线就诊交互数据中完成在线就诊噪声数据的数据清洗，利用完成在线就诊噪声数据的数据清洗的多组在线就诊交互数据进行就诊交互服务项目的异常检测，以确定就诊交互服务项目的项目异常检测结果，避免了在线就诊噪声数据对就诊交互行为分析的干扰，提高了针对就诊交互服务项目的异常检测的准确性和可靠性。

Description

结合大数据智慧医疗的数字化医疗服务分析方法及服务器
技术领域
本申请涉及大数据和智慧医疗技术领域，特别涉及一种结合大数据智慧医疗的数字化医疗服务分析方法及服务器。
背景技术
智慧医疗（Wise Information Technology of med）是基于移动通信、物联网、云计算、大数据、人工智能等先进技术，实现患者与医疗人员、医疗机构、医疗设备间的互联互通和信息共享，促进医院内外业务协同，实现医疗资源的高效配置。一般而言，智慧医疗主要包括院内医疗、医患服务、远程医疗及应急救援等应用场景。比如，远程医疗主要包括远程手术、远程诊断、远程示教等细分应用场景。
随着智慧医疗技术与IT技术（大数据、数字化、人工智能、云计算、边缘计算等）、视觉技术、控制技术、传感技术和VR技术等行业技术充分融合，智慧医疗的发展越来越成熟，能够为患者提供更好的医疗服务。然而，在智慧医疗的实际应用过程中，仍然面临一些有待解决的问题。
发明内容
鉴于上述内容，本申请提供了如下方案。
本申请实施例之一的方案提供一种结合大数据智慧医疗的数字化医疗服务分析方法，其特征在于，应用于数字化医疗服务器，所述结合大数据智慧医疗的数字化医疗服务分析方法包括：
获取待进行就诊交互服务校验的数字化医疗交互状态的多组在线就诊交互数据；
对所述多组在线就诊交互数据进行在线就诊噪声数据识别，得到在线就诊噪声数据的数据关联分布信息；利用所述在线就诊噪声数据的数据关联分布信息对每组在线就诊交互数据中的在线就诊噪声数据进行数据清洗；
对完成在线就诊噪声数据的数据清洗后的多组在线就诊交互数据进行就诊交互行为分析，以整合就诊交互行为分析后的多组在线就诊交互数据，得到目标在线就诊交互数据，所述目标在线就诊交互数据包括就诊交互行为分析结果；
利用所述目标在线就诊交互数据与预设在线就诊交互数据之间的差异性确定所述待进行就诊交互服务校验的数字化医疗交互状态中就诊交互服务项目的项目异常检测结果。
优选的，所述在线就诊噪声数据的数据关联分布信息包括在线就诊噪声数据所对应的数字化医疗交互状态，所述利用所述在线就诊噪声数据的数据关联分布信息对每组在线就诊交互数据中的在线就诊噪声数据进行数据清洗的步骤之后，包括：
确定所述每组在线就诊交互数据中剩余数字化医疗交互状态之间的第一比较结果，得到数字化医疗交互状态集，所述在线就诊交互数据包括所述在线就诊噪声数据所对应的数字化医疗交互状态和所述剩余数字化医疗交互状态；
确定所述数字化医疗交互状态集与预设数字化医疗交互状态集之间的第二比较结果，并判断所述数字化医疗交互状态集与所述预设数字化医疗交互状态集之间的第二比较结果是否等于所述预设数字化医疗交互状态集；
若是，停止获取在线就诊交互数据，得到完成在线就诊噪声数据的数据清洗后的多组在线就诊交互数据。
优选的，所述对完成在线就诊噪声数据的数据清洗后的多组在线就诊交互数据进行就诊交互行为分析的步骤，包括：
采用多维度解析策略对所述完成在线就诊噪声数据的数据清洗后的多组在线就诊交互数据进行关键内容解析，得到多组在线就诊交互数据的关键内容；
采用就诊交互行为处理模型对所述每组在线就诊交互数据的关键内容进行就诊交互行为分析，得到就诊交互行为分析后的多组在线就诊交互数据。
优选的，所述采用多维度解析策略对所述完成在线就诊噪声数据的数据清洗后的多组在线就诊交互数据进行关键内容解析，得到多组在线就诊交互数据的关键内容的步骤，包括：
对所述完成在线就诊噪声数据的数据清洗后的每组在线就诊交互数据分别进行显性数据特征提取处理，得到在线就诊交互数据的显性数据特征；对所述完成在线就诊噪声数据的数据清洗后的每组在线就诊交互数据分别进行潜在数据特征提取处理，得到在线就诊交互数据的潜在数据特征；
将所述在线就诊交互数据的显性数据特征、所述在线就诊交互数据的潜在数据特征和所述完成在线就诊噪声数据的数据清洗后的在线就诊交互数据输入关键内容解析模型中进行全局热度分析处理，得到在线就诊交互数据的关键内容。
优选的，所述采用就诊交互行为处理模型对所述多组在线就诊交互数据的关键内容进行就诊交互行为分析，得到就诊交互行为分析后的多组在线就诊交互数据的步骤，包括：
将所述在线就诊交互数据的关键内容输入所述就诊交互行为处理模型中，得到第一行为可能性分布结果，所述第一行为可能性分布结果中的每一分布成员包括多个分类行为可能性；
将所述第一行为可能性分布结果中与所述在线就诊交互数据的在线就诊噪声数据所对应的行为事件对应分布成员的一分类行为可能性设置为第一行为量化值，剩余分类行为可能性设置为第二行为量化值，得到第二行为可能性分布结果，所述第一行为可能性分布结果中的分布成员与所述在线就诊交互数据中的行为事件对应，所述在线就诊交互数据的在线就诊噪声数据数据关联分布信息包括在线就诊噪声数据所对应的行为事件；
所述整合就诊交互行为分析后的多组在线就诊交互数据，得到目标在线就诊交互数据的步骤，包括：将与所述多组在线就诊交互数据的关键内容对应的第二行为可能性分布结果进行融合，得到目标在线就诊交互数据。
优选的，所述预设在线就诊交互数据包括多个就诊交互参考项目，所述利用所述目标在线就诊交互数据与预设在线就诊交互数据之间的差异性确定所述待进行就诊交互服务校验的数字化医疗交互状态中就诊交互服务项目的项目异常检测结果的步骤，包括：
将所述多个就诊交互参考项目输入双生机器学习模型，得到与所述多个就诊交互参考项目对应的参考关键内容；
将所述目标在线就诊交互数据输入所述双生机器学习模型，得到目标在线就诊交互数据的关键内容，所述目标在线就诊交互数据的关键内容包括多个目标关键内容；
确定所述目标在线就诊交互数据的关键内容中的目标关键内容与对应的参考关键内容之间的差异性；
在所述目标在线就诊交互数据的关键内容中的目标关键内容与对应的参考关键内容之间的差异性小于等于预设差异性阈值的情况下，判定所述目标在线就诊交互数据中的就诊交互服务项目不存在异常；
在所述目标在线就诊交互数据的关键内容中的目标关键内容与对应的参考关键内容之间的差异性大于所述预设差异性阈值的情况下，判定所述目标在线就诊交互数据中的就诊交互服务项目存在异常。
优选的，所述获取待进行就诊交互服务校验的数字化医疗交互状态的多组在线就诊交互数据的步骤，还包括：
对同一数字化医疗交互状态下的多组原始在线就诊交互数据进行在线就诊交互数据优化处理，得到多组优化后的原始在线就诊交互数据；
利用所述优化后的原始在线就诊交互数据中交互延时描述的交互延时值对所述多组优化后的原始在线就诊交互数据进行挑选，得到多组挑选后的原始在线就诊交互数据；
对所述多组挑选后的原始在线就诊交互数据进行在线就诊交互数据的格式校验，并标记所述多组格式校验后的原始在线就诊交互数据对应的待进行就诊交互服务校验的数字化医疗交互状态，得到多组在线就诊交互数据。
优选的，所述利用所述优化后的原始在线就诊交互数据中交互延时描述的交互延时值对所述多组优化后的原始在线就诊交互数据进行挑选，得到多组挑选后的原始在线就诊交互数据的步骤，包括：
过滤掉所述多组优化后的原始在线就诊交互数据中交互延时描述的交互延时值大于等于第一交互延时设定值的在线就诊交互数据，并过滤掉所述多组优化后的原始在线就诊交互数据中交互延时描述的交互延时值小于第二交互延时设定值的在线就诊交互数据，得到多组挑选后的原始在线就诊交互数据；其中，所述第一交互延时设定值大于所述第二交互延时设定值。
优选的，在判定所述目标在线就诊交互数据中的就诊交互服务项目不存在异常的前提下，所述方法还包括：
获取到待校验可视化就诊引导信息；
识别出所述待校验可视化就诊引导信息中的就诊流程可视化信息及其识别误差、医疗资源分配信息及其识别误差以及各个医疗资源的分类标签；
利用所述就诊流程可视化信息的识别误差以及所述医疗资源分配信息的识别误差将所述就诊流程可视化信息与所述医疗资源分配信息作为至少一对全局信息校验集合；
将每一对所述全局信息校验集合的所述就诊流程可视化信息与其它所述全局信息校验集合中的所述就诊流程可视化信息进行比较分析，将信息匹配度高于第一预设判断值的所述就诊流程可视化信息确定为同一就诊事件；以及，将每个所述医疗资源分配信息与其它所述全局信息校验集合的所述医疗资源分配信息进行比较分析，将信息匹配度高于第二预设判断值的所述医疗资源分配信息确定为同一个所述医疗资源，以确定出每组所述医疗资源对应的就诊事件数量。
本申请实施例之一的方案提供一种数字化医疗服务器，包括处理引擎、网络模块和存储器；所述处理引擎和所述存储器通过所述网络模块通信，所述处理引擎从所述存储器中读取计算机程序并运行，以执行上述的方法。
在后面的描述中，将部分地陈述其他的特征。在检查后面内容和附图时，本领域的技术人员将部分地发现这些特征，或者可以通过生产或运用了解到这些特征。通过实践或使用后面所述详细示例中列出的方法、工具和组合的各个方面，当前申请中的特征可以被实现和获得。
附图说明
本申请将以示例性实施例的方式进一步说明，这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的，在这些实施例中，相同的编号表示相同的结构，其中：
图1是根据本申请的一些实施例所示的一种示例性结合大数据智慧医疗的数字化医疗服务分析方法和/或过程的流程图；
图2是根据本申请的一些实施例所示的一种示例性结合大数据智慧医疗的数字化医疗服务分析装置的框图；
图3是根据本申请的一些实施例所示的一种示例性结合大数据智慧医疗的数字化医疗服务分析系统的框图，以及
图4是根据本申请的一些实施例所示的一种示例性数字化医疗服务器中硬件和软件组成的示意图。
具体实施方式
为了更清楚地说明本申请实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地，下面描述中的附图仅仅是本申请的一些示例或实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图将本申请应用于其它类似情景。除非从语言环境中显而易见或另做说明，图中相同标号代表相同结构或操作。
应当理解，本文使用的“系统”、“装置”、“单元”和/或“模组”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而，如果其他词语可实现相同的目的，则可通过其他表达来替换所述词语。
如本申请和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其它的步骤或元素。
本申请中使用了流程图用来说明根据本申请的实施例的系统所执行的操作。应当理解的是，前面或后面操作不一定按照顺序来精确地执行。相反，可以按照倒序或同时处理各个步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。
为了更好的理解上述技术方案，下面通过附图以及具体实施例对本发明技术方案做详细的说明，应当理解本发明实施例以及实施例中的具体特征是对本发明技术方案的详细的说明，而不是对本发明技术方案的限定，在不冲突的情况下，本发明实施例以及实施例中的技术特征可以相互组合。
如背景技术所述，现目前的智慧医疗技术面临就诊交互服务项目异常的问题，而相关技术难以准确可靠地实现就诊交互服务项目的异常检测。基于此，本申请提供了结合大数据智慧医疗的数字化医疗服务分析方法及服务器。
本申请提供的结合大数据智慧医疗的数字化医疗服务分析方法及服务器的整体方案可以总结为如下：对待进行就诊交互服务校验的数字化医疗交互状态的多组在线就诊交互数据；对多组在线就诊交互数据进行在线就诊噪声数据识别，得到在线就诊噪声数据的数据关联分布信息；利用在线就诊噪声数据的数据关联分布信息对每组在线就诊交互数据中的在线就诊噪声数据进行数据清洗；对完成在线就诊噪声数据的数据清洗后的多组在线就诊交互数据进行就诊交互行为分析，以整合就诊交互行为分析后的多组在线就诊交互数据，得到目标在线就诊交互数据，目标在线就诊交互数据包括就诊交互行为分析结果；利用目标在线就诊交互数据与预设在线就诊交互数据之间的差异性确定待进行就诊交互服务校验的数字化医疗交互状态中就诊交互服务项目的项目异常检测结果。
如此，通过识别在线就诊噪声数据，并在每组在线就诊交互数据中完成在线就诊噪声数据的数据清洗，利用完成在线就诊噪声数据的数据清洗的多组在线就诊交互数据进行就诊交互服务项目的异常检测，以确定就诊交互服务项目的项目异常检测结果，避免了在线就诊噪声数据对就诊交互行为分析的干扰，提高了针对就诊交互服务项目的异常检测的准确性和可靠性。
为便于对上述技术方案进行进一步说明，首先对结合大数据智慧医疗的数字化医疗服务分析方法进行示例性的说明，请参阅图1，是根据本申请的一些实施例所示的一种示例性结合大数据智慧医疗的数字化医疗服务分析方法和/或过程的流程图，结合大数据智慧医疗的数字化医疗服务分析方法可以包括以下步骤100-步骤400所描述的技术方案。
步骤100，数字化医疗服务器获取待进行就诊交互服务校验的数字化医疗交互状态的多组在线就诊交互数据。
举例而言，就诊交互服务校验用于判断数字化医疗交互状态中的就诊交互服务项目（比如就诊引导项目、就诊缴费项目、就诊预约项目等）是否存在异常，这样能够便于及时地发现存在异常的就诊交互服务项目，进而实现相关就诊交互服务项目的优化和修复，确保智慧医疗的交互服务的正常运行。
可以理解的是，数字化医疗交互状态可以是数字化医疗服务器与智慧医疗用户端之间形成的交互状态，而在线就诊交互数据可以是数字化医疗服务器通过智慧医疗用户端获取的。应当理解，在数字化医疗服务器通过智慧医疗用户端获取在线就诊交互数据之前，数字化医疗服务器是通过智慧医疗用户端授权的。
在一些可能的实施例中，上述步骤100所描述的获取待进行就诊交互服务校验的数字化医疗交互状态的多组在线就诊交互数据，可以包括以下步骤110-步骤130所描述的技术方案。
步骤110，对同一数字化医疗交互状态下的多组原始在线就诊交互数据进行在线就诊交互数据优化处理，得到多组优化后的原始在线就诊交互数据。
例如，在线就诊交互数据优化处理可以是数据格式变换处理，便于统一不同数据格式的原始在线就诊交互数据。
步骤120，利用所述优化后的原始在线就诊交互数据中交互延时描述的交互延时值对所述多组优化后的原始在线就诊交互数据进行挑选，得到多组挑选后的原始在线就诊交互数据。
例如，交互延时描述可以理解为优化后的原始在线就诊交互数据中的交互延时分量，交互延时描述对应于量化的交互延时值，表征不同端之间在交互过程中的延迟情况，基于交互延时值进行优化后的原始在线就诊交互数据进行挑选，能够实现对优化后的原始在线就诊交互数据的针对性选择，从而减少交互延时对在线就诊交互数据的干扰。
在另一些可能的实施例中，为了尽可能减少交互延时对在线就诊交互数据的干扰，上述步骤120所描述的利用所述优化后的原始在线就诊交互数据中交互延时描述的交互延时值对所述多组优化后的原始在线就诊交互数据进行挑选，得到多组挑选后的原始在线就诊交互数据，可以通过以下技术方案实现：过滤掉所述多组优化后的原始在线就诊交互数据中交互延时描述的交互延时值大于等于第一交互延时设定值的在线就诊交互数据，并过滤掉所述多组优化后的原始在线就诊交互数据中交互延时描述的交互延时值小于第二交互延时设定值的在线就诊交互数据，得到多组挑选后的原始在线就诊交互数据。
在一些示例中，所述第一交互延时设定值大于所述第二交互延时设定值。可以理解，在挑选原始在线就诊交互数据时，能够将过低的交互延时值对应的在线就诊交互数据以及过高的交互延时值对应的在线就诊交互数据过滤，从而选择中间范围的交互延时值对应的在线就诊交互数据，这样可以确保交互延时值的可信度，避免交互延时值的误差，以尽可能减少交互延时对在线就诊交互数据的干扰。
步骤130，对所述多组挑选后的原始在线就诊交互数据进行在线就诊交互数据的格式校验，并标记所述多组格式校验后的原始在线就诊交互数据对应的待进行就诊交互服务校验的数字化医疗交互状态，得到多组在线就诊交互数据。
例如，格式校验可以用于确定在线就诊交互数据对应的数字化医疗交互状态，这样一来，可以确保在线就诊交互数据与数字化医疗交互状态之间的准确匹配，从而为后续的就诊交互服务校验提供准确的分析依据，以提高就诊交互服务项目的异常检测的可靠性。
可以理解的是，通过上述步骤110-步骤130，在获取多组在线就诊交互数据时，能够进行数据格式变换处理、交互延时描述分析以及格式校验，以确保在线就诊交互数据与数字化医疗交互状态之间的准确匹配，从而为后续的就诊交互服务校验提供准确的分析依据，进而提高就诊交互服务项目的异常检测的可靠性。
步骤200，数字化医疗服务器对所述多组在线就诊交互数据进行在线就诊噪声数据识别，得到在线就诊噪声数据的数据关联分布信息；利用所述在线就诊噪声数据的数据关联分布信息对每组在线就诊交互数据中的在线就诊噪声数据进行数据清洗。
举例而言，在线就诊噪声数据的数据关联分布信息可以理解为在线就诊噪声数据在在线就诊交互数据的位置信息或者与其他交互数据之间的关联情况。通过数据关联分布信息，能够确保对在线就诊噪声数据进行精准的数据清洗，从而避免对正常数据的误清洗。
在根据在线就诊噪声数据的数据关联分布信息对每组在线就诊交互数据中的在线就诊噪声数据进行数据清洗时，可以根据数据关联分布信息中位置信息定位在线就诊噪声数据，并根据数据关联分布信息中的在线就诊噪声数据与其他交互数据之间的关联情况确定数据清洗范围，这样可以确保对在线就诊噪声数据进行精准的数据清洗，从而避免对正常数据的误清洗。
在一些可能的实施例中，所述在线就诊噪声数据的数据关联分布信息还可以包括在线就诊噪声数据所对应的数字化医疗交互状态，基于此，上述步骤200所描述的利用所述在线就诊噪声数据的数据关联分布信息对每组在线就诊交互数据中的在线就诊噪声数据进行数据清洗的步骤之后，该方法还可以包括以下步骤（1）-步骤（3）所描述的技术方案。
（1）确定所述每组在线就诊交互数据中剩余数字化医疗交互状态之间的第一比较结果，得到数字化医疗交互状态集。
在本申请实施例中，所述在线就诊交互数据包括所述在线就诊噪声数据所对应的数字化医疗交互状态和所述剩余数字化医疗交互状态。进一步地，第一比较结果可以理解为所述每组在线就诊交互数据中剩余数字化医疗交互状态之间的并集。
（2）确定所述数字化医疗交互状态集与预设数字化医疗交互状态集之间的第二比较结果，并判断所述数字化医疗交互状态集与所述预设数字化医疗交互状态集之间的第二比较结果是否等于所述预设数字化医疗交互状态集。
在本申请实施例中，第二比较结果可以理解为所述数字化医疗交互状态集与预设数字化医疗交互状态集之间交集。可以理解，通过判断所述数字化医疗交互状态集与所述预设数字化医疗交互状态集之间的第二比较结果是否等于所述预设数字化医疗交互状态集，能够实现对数字化医疗交互状态的比较分析，从而实现对数据清洗线程的控制。
（3）若是，停止获取在线就诊交互数据，得到完成在线就诊噪声数据的数据清洗后的多组在线就诊交互数据。
可以理解的是，若所述数字化医疗交互状态集与所述预设数字化医疗交互状态集之间的第二比较结果等于所述预设数字化医疗交互状态集，则可以停止对应的数据清洗线程，从而确保完成在线就诊噪声数据的数据清洗后的多组在线就诊交互数据尽量不携带额外的在线就诊噪声数据，还可以确保完成在线就诊噪声数据的数据清洗后的多组在线就诊交互数据中的正常交互数据尽可能不出现缺失。
步骤300，数字化医疗服务器对完成在线就诊噪声数据的数据清洗后的多组在线就诊交互数据进行就诊交互行为分析，以整合就诊交互行为分析后的多组在线就诊交互数据，得到目标在线就诊交互数据。
在本申请实施例中，所述目标在线就诊交互数据包括就诊交互行为分析结果。可以理解的是，通过进行就诊交互行为分析，能够将完成就诊交互行为分析的不同在线就诊交互数据进行整合，从而得到目标在线就诊交互数据，就诊交互行为分析结果可以用于进行后续的项目异常检测。
在一些可能的实施例中，上述步骤300所描述的对完成在线就诊噪声数据的数据清洗后的多组在线就诊交互数据进行就诊交互行为分析，可以包括以下步骤310和步骤320所描述的技术方案。
步骤310，采用多维度解析策略对所述完成在线就诊噪声数据的数据清洗后的多组在线就诊交互数据进行关键内容解析，得到多组在线就诊交互数据的关键内容。
在本申请实施例中，多维度解析策略可以是多维特征提取算法，换言之，可以从不同的维度层面对完成在线就诊噪声数据的数据清洗后的多组在线就诊交互数据进行特征提取，从而得到多组在线就诊交互数据的关键内容（多维数据特征）。
在一些可能的实施例中，上述步骤310所描述的采用多维度解析策略对所述完成在线就诊噪声数据的数据清洗后的多组在线就诊交互数据进行关键内容解析，得到多组在线就诊交互数据的关键内容的步骤，可以通过以下步骤311和步骤312所描述的技术方案实现。
步骤311，对所述完成在线就诊噪声数据的数据清洗后的每组在线就诊交互数据分别进行显性数据特征提取处理，得到在线就诊交互数据的显性数据特征；对所述完成在线就诊噪声数据的数据清洗后的每组在线就诊交互数据分别进行潜在数据特征提取处理，得到在线就诊交互数据的潜在数据特征。
本申请实施例中，显性数据特征用于表征较为热门的数据特征，潜在数据特征用于表征具有潜在价值的数据特征。
步骤312，将所述在线就诊交互数据的显性数据特征、所述在线就诊交互数据的潜在数据特征和所述完成在线就诊噪声数据的数据清洗后的在线就诊交互数据输入关键内容解析模型中进行全局热度分析处理，得到在线就诊交互数据的关键内容。
在本申请实施例中，通过将所述在线就诊交互数据的显性数据特征、所述在线就诊交互数据的潜在数据特征和所述完成在线就诊噪声数据的数据清洗后的在线就诊交互数据输入关键内容解析模型中，能够通过全局热度层面实现对应的热度/热门情况分析，从而确保得到的在线就诊交互数据的关键内容能够兼具较高热度和较大的潜在价值。
步骤320，采用就诊交互行为处理模型对所述每组在线就诊交互数据的关键内容进行就诊交互行为分析，得到就诊交互行为分析后的多组在线就诊交互数据。
在得到在线就诊交互数据的多维数据特征的基础上，可以采用预先训练完成的就诊交互行为处理模型（比如神经网络模型）对在线就诊交互数据的多维数据特征进行就诊交互行为分析。
在一些可替换的实施例中，上述步骤320所描述的采用就诊交互行为处理模型对所述每组在线就诊交互数据的关键内容进行就诊交互行为分析，得到就诊交互行为分析后的多组在线就诊交互数据，可以通过以下步骤321和步骤322实现。
步骤321，将所述在线就诊交互数据的关键内容输入所述就诊交互行为处理模型中，得到第一行为可能性分布结果，所述第一行为可能性分布结果中的每一分布成员包括多个分类行为可能性。
本申请实施例中，行为可能性分布结果可以是概率矩阵，相应的分布成员对应矩阵中的矩阵单元或者元素，分类行为可能性用于表征分类行为概率。
步骤322，将所述第一行为可能性分布结果中与所述在线就诊交互数据的在线就诊噪声数据所对应的行为事件对应分布成员的一分类行为可能性设置为第一行为量化值，剩余分类行为可能性设置为第二行为量化值，得到第二行为可能性分布结果。
在本申请实施例中，行为量化值用于对第二行为可能性分布结果进行标定，从而确保第二行为可能性分布结果与第一行为可能性分布结果的区分度。
可以理解的是，所述第一行为可能性分布结果中的分布成员与所述在线就诊交互数据中的行为事件对应，所述在线就诊交互数据的在线就诊噪声数据数据关联分布信息包括在线就诊噪声数据所对应的行为事件。
如此，通过实施步骤310和步骤320，能够基于多维度解析策略确保在线就诊交互数据的关键内容的完整性，以确保尽可能从多个层面记录在线就诊交互数据的多维数据特征，并结合就诊交互行为处理模型，能够实现准确可靠的就诊交互行为分析。
在上述内容的基础上，步骤300所描述的整合就诊交互行为分析后的多组在线就诊交互数据，得到目标在线就诊交互数据的步骤，可以包括以下内容：将与所述多组在线就诊交互数据的关键内容对应的第二行为可能性分布结果进行融合，得到目标在线就诊交互数据。如此一来，可以基于第二行为可能性分布结果对多组在线就诊交互数据进行融合，从而确保目标在线就诊交互数据的完整性。
步骤400，数字化医疗服务器利用所述目标在线就诊交互数据与预设在线就诊交互数据之间的差异性确定所述待进行就诊交互服务校验的数字化医疗交互状态中就诊交互服务项目的项目异常检测结果。
在本申请实施例中，所述预设在线就诊交互数据包括多个就诊交互参考项目。基于此，步骤400所描述的利用所述目标在线就诊交互数据与预设在线就诊交互数据之间的差异性确定所述待进行就诊交互服务校验的数字化医疗交互状态中就诊交互服务项目的项目异常检测结果的步骤，可以包括以下步骤410-步骤450所描述的技术方案。
步骤410，将所述多个就诊交互参考项目输入双生机器学习模型，得到与所述多个就诊交互参考项目对应的参考关键内容。
可以理解的是，双生机器学习模型（Siamese neural network）是基于两个人工神经网络建立的耦合构架，可以进行小样本/单样本学习，且不容易被错误样本干扰，这样可以确保参考关键内容的准确性和可靠性。
步骤420，将所述目标在线就诊交互数据输入所述双生机器学习模型，得到目标在线就诊交互数据的关键内容，所述目标在线就诊交互数据的关键内容包括多个目标关键内容。
步骤430，确定所述目标在线就诊交互数据的关键内容中的目标关键内容与对应的参考关键内容之间的差异性。
本申请实施例中，所述目标在线就诊交互数据的关键内容中的目标关键内容与对应的参考关键内容之间的差异性用于表征所述目标在线就诊交互数据的关键内容中的目标关键内容与对应的参考关键内容之间异同，在另外的一些示例中，还可以通过确定所述目标在线就诊交互数据的关键内容中的目标关键内容与对应的参考关键内容之间的相似度来分析所述目标在线就诊交互数据的关键内容中的目标关键内容与对应的参考关键内容之间的异同。
步骤440，在所述目标在线就诊交互数据的关键内容中的目标关键内容与对应的参考关键内容之间的差异性小于等于预设差异性阈值的情况下，判定所述目标在线就诊交互数据中的就诊交互服务项目不存在异常。
可以理解的是，若所述目标在线就诊交互数据的关键内容中的目标关键内容与对应的参考关键内容之间的差异性小于等于预设差异性阈值，则可以判定目标在线就诊交互数据中的就诊交互服务项目是正常的，无需进行服务项目优化升级和修复。
步骤450，在所述目标在线就诊交互数据的关键内容中的目标关键内容与对应的参考关键内容之间的差异性大于所述预设差异性阈值的情况下，判定所述目标在线就诊交互数据中的就诊交互服务项目存在异常。
可以理解的是，若所述目标在线就诊交互数据的关键内容中的目标关键内容与对应的参考关键内容之间的差异性大于预设差异性阈值，则可以判定目标在线就诊交互数据中的就诊交互服务项目是存在，在这种情况下，需要进行服务项目的优化升级和修复。
可以理解的是，通过上述内容，能够准确可靠地确定目标在线就诊交互数据中的就诊交互服务项目是否存在异常，从而为服务项目的优化升级和修复提供准确的决策依据，进而确保正常的智慧医疗交互。
在一些选择性的实施例中，如果目标在线就诊交互数据中的就诊交互服务项目不存在异常，表明目标在线就诊交互数据中的就诊交互服务项目是处于正常运行状态的，在这种情况下，可以进行相关的医疗资源紧缺风险分析，从而减少医疗资源紧缺风险发生的可能性。基于此，在步骤440所描述的内容的基础上，该方法还可以包括以下内容所描述的技术方案。
数字化医疗服务器获取到待校验可视化就诊引导信息；识别出所述待校验可视化就诊引导信息中的就诊流程可视化信息及其识别误差、医疗资源分配信息及其识别误差以及各个医疗资源的分类标签；利用所述就诊流程可视化信息的识别误差以及所述医疗资源分配信息的识别误差将所述就诊流程可视化信息与所述医疗资源分配信息作为至少一对全局信息校验集合；将每一对所述全局信息校验集合的所述就诊流程可视化信息与其它所述全局信息校验集合中的所述就诊流程可视化信息进行比较分析，将信息匹配度高于第一预设判断值的所述就诊流程可视化信息确定为同一就诊事件；以及，将每个所述医疗资源分配信息与其它所述全局信息校验集合的所述医疗资源分配信息进行比较分析，将信息匹配度高于第二预设判断值的所述医疗资源分配信息确定为同一个所述医疗资源，以确定出每组所述医疗资源对应的就诊事件数量。
关于上述医疗资源紧缺风险分析的技术方案，还可以通过以下实施方式实现。
S10、数字化医疗服务器获取到待校验可视化就诊引导信息。
本申请实施例中，数字化医疗服务器与前端智慧医疗交互设备通信，待校验可视化就诊引导信息可以是数字化医疗服务器从前端智慧医疗交互设备获取的。例如，前端智慧医疗交互设备可以是设置在医院大厅内的智能机器人，也可以是具有在线就诊预约功能的智慧医疗用户端。比如，待校验可视化就诊引导信息还可以是数字化医疗服务器从智慧医疗用户端中获取的（数字化医疗服务器从预先获得智慧医疗用户端的授权）。
可以理解的是，待校验可视化就诊引导信息用于引导用户/患者进行就诊，在一些情况下，可能由于就诊患者过多或者患者误操作而导致医疗资源分配不合理或者医疗资源紧缺。因此，需要对待校验可视化就诊引导信息进行进一步分析，从而为后续的医疗资源紧缺分析提供准确可靠的分析依据。
S20、数字化医疗服务器识别出所述待校验可视化就诊引导信息中的就诊流程可视化信息及其识别误差、医疗资源分配信息及其识别误差以及各个医疗资源的分类标签。
在一些示例中，待校验可视化就诊引导信息可以包括就诊流程可视化信息、医疗资源分配信息和医疗资源的分类标签。例如，就诊流程可视化信息可以用于指示用户/患者进行相关的就诊，比如先到2楼检查，然后到1楼取报告，最后去3楼找医生。又例如，医疗资源分配信息为不同医疗资源的分配情况，比如医生的科室位置、楼层位置，相关指标检测中心的科室位置、楼层位置。相应的，医疗资源可以包括医师资源、药品资源、住院资源、医疗设备资源等，分类标签用于对不同的医疗资源进行区分。
此外，就诊流程可视化信息的识别误差用于表征在识别就诊流程可视化信息过程中的偏差情况，医疗资源分配信息的识别误差用于表征在识别医疗资源分配信息过程中的偏差情况。
在一些可能的实施例中，上述S20所描述的识别出所述待校验可视化就诊引导信息中的就诊流程可视化信息及其识别误差、医疗资源分配信息及其识别误差以及各个医疗资源的分类标签，可以通过以下S200所描述的内容实现。
S200、识别出所述待校验可视化就诊引导信息中的就诊流程可视化分布情况及其识别误差、医疗资源分配分布情况及其识别误差以及各个所述医疗资源的分类标签。
本申请实施例中，就诊流程可视化分布情况用于对不同的就诊流程可视化信息进行记录，就诊流程可视化分布情况可以是列表或者可视化图形。相应的，医疗资源分配分布情况用于对不同的医疗资源分配信息进行记录，医疗资源分配分布情况也可以是是列表或者可视化图形。基于此，就诊流程可视化分布情况的识别误差用于表征就诊流程可视化分布情况的偏差情况，医疗资源分配分布情况的识别误差用于表征医疗资源分配分布情况的偏差情况。可以理解，通过确定就诊流程可视化分布情况以及医疗资源分配分布情况，能够完整地汇总出就诊流程可视化信息以及医疗资源分配信息，避免就诊流程可视化信息以及医疗资源分配信息出现遗漏或者缺失。
S30、数字化医疗服务器利用所述就诊流程可视化信息的识别误差以及所述医疗资源分配信息的识别误差将所述就诊流程可视化信息与所述医疗资源分配信息作为至少一对全局信息校验集合。
在本申请实施例中，全局信息校验集合可以理解为将所述就诊流程可视化信息与所述医疗资源分配信息进行配对，从而便于后续的就诊事件和医疗资源的匹配分析。可以理解，每对全局信息校验集合中包括一个就诊流程可视化信息以及一个医疗资源分配信息。
在上述S200的基础上，S30所描述的利用所述就诊流程可视化信息的识别误差以及所述医疗资源分配信息的识别误差将所述就诊流程可视化信息与所述医疗资源分配信息作为至少一对全局信息校验集合，可以包括以下以下S300所描述的技术方案。
S300、利用所述就诊流程可视化信息的识别误差以及所述医疗资源分配信息的识别误差将所述就诊流程可视化分布情况与所述医疗资源分配分布情况作为至少一对全局信息校验集合。
在实际实施时，可以根据所述就诊流程可视化信息的识别误差以及所述医疗资源分配信息的识别误差，将所述就诊流程可视化分布情况与所述医疗资源分配分布情况进行合并，可以理解，所述就诊流程可视化信息的识别误差对应于所述就诊流程可视化分布情况的识别误差，所述医疗资源分配信息的识别误差对应于所述医疗资源分配分布情况的识别误差，因此上述内容也可以理解为利用所述就诊流程可视化分布情况的识别误差以及所述医疗资源分配分布情况的识别误差将所述就诊流程可视化分布情况与所述医疗资源分配分布情况作为至少一对全局信息校验集合。这样可以确保全局信息校验集合的完整性。
在另外的一些实施例中，上述S30所描述的利用所述就诊流程可视化信息的识别误差以及所述医疗资源分配信息的识别误差将所述就诊流程可视化信息与所述医疗资源分配信息作为至少一对全局信息校验集合，可以通过以下S31和S32所描述的技术方案实现。
S31、将各个所述就诊流程可视化信息的识别误差依次与各个所述医疗资源分配信息的识别误差进行融合处理，得到每对所述就诊流程可视化信息与所述医疗资源分配信息的识别误差量化值。
例如，将各个所述就诊流程可视化信息的识别误差依次与各个所述医疗资源分配信息的识别误差进行融合处理可以理解将各个所述就诊流程可视化信息的识别误差依次与各个所述医疗资源分配信息的识别误差进行加权处理。进一步地，识别误差量化值用于表征每对所述就诊流程可视化信息与所述医疗资源分配信息的识别误差融合结果，识别误差量化值用于进行所述就诊流程可视化信息与所述医疗资源分配信息的组合匹配。
S32、将所述识别误差量化值不小于预设量化值的所述就诊流程可视化信息与所述医疗资源分配信息组合确定为所述全局信息校验集合。
例如，若识别误差量化值不小于预设量化值，则表明对应的所述就诊流程可视化信息与所述医疗资源分配信息之间是可以进行匹配组合的，这样可以确保全局信息校验集合中就诊流程可视化信息与医疗资源分配信息的匹配可靠性。
在上述S31和S32的基础上，该方法还可以包括以下内容：剔除所述识别误差量化值小于所述预设量化值对应的所述就诊流程可视化信息以及所述医疗资源分配信息；并将不小于所述预设量化值的识别误差量化值按照设定方式进行记录。比如，可以按照识别误差量化值对应的就诊流程可视化信息的时间先后顺序将识别误差量化值进行记录，也可以按照识别误差量化值对应的医疗资源分配信息的时间先后顺序将识别误差量化值进行记录，本申请实施例不作限制。
S40、数字化医疗服务器将每一对所述全局信息校验集合的所述就诊流程可视化信息与其它所述全局信息校验集合中的所述就诊流程可视化信息进行比较分析，将信息匹配度高于第一预设判断值的所述就诊流程可视化信息确定为同一就诊事件；以及，将每个所述医疗资源分配信息与其它所述全局信息校验集合的所述医疗资源分配信息进行比较分析，将信息匹配度高于第二预设判断值的所述医疗资源分配信息确定为同一个所述医疗资源，以确定出每组所述医疗资源对应的就诊事件数量。
在实际实施过程中，对于每一对所述全局信息校验集合而言，可以将该对全局信息校验集合中的就诊流程可视化信息与其他全局信息校验集合中的就诊流程可视化信息进行对比，然后将相似度或者重合度高于第一预设判断值的就诊流程可视化信息确定为指向相同的就诊事件。
比如，对于全局信息校验集合1、对于全局信息校验集合2、对于全局信息校验集合3、对于全局信息校验集合4和对于全局信息校验集合5而言，他们各自对应的就诊流程可视化信息可以为就诊流程可视化信息m11、就诊流程可视化信息m12、就诊流程可视化信息m13、就诊流程可视化信息m14和就诊流程可视化信息m15。
进一步地，如果就诊流程可视化信息m11和就诊流程可视化信息m13的信息匹配度大于第一预设判断值，则可以判定就诊流程可视化信息m11和就诊流程可视化信息m13同时指向就诊事件c1，同理，若就诊流程可视化信息m13和就诊流程可视化信息m15的信息匹配度大于第一预设判断值，则可以判定就诊流程可视化信息m15也指向就诊事件c1，换言之，就诊流程可视化信息m11、就诊流程可视化信息m13和就诊流程可视化信息m15同时指向就诊事件c1。若就诊流程可视化信息m12和就诊流程可视化信息m14的信息匹配度大于第一预设判断值，但是就诊流程可视化信息m12分别于诊流程可视化信息m11、就诊流程可视化信息m13和就诊流程可视化信息m15的信息匹配度小于等于第一预设判断值，且就诊流程可视化信息m14分别于诊流程可视化信息m11、就诊流程可视化信息m13和就诊流程可视化信息m15的信息匹配度小于等于第一预设判断值，那么可以确定就诊流程可视化信息m12和就诊流程可视化信息m14同时指向就诊事件c2。这样一来，能够确保对就诊事件的准确分类。
同理，对于上述将每个所述医疗资源分配信息与其它所述全局信息校验集合的所述医疗资源分配信息进行比较分析，将信息匹配度高于第二预设判断值的所述医疗资源分配信息确定为同一个所述医疗资源的实施方式与上述分析就诊事件的实施方式类似。
如果医疗资源分配信息m21和医疗资源分配信息m23的信息匹配度大于第一预设判断值，则可以判定医疗资源分配信息m21和医疗资源分配信息m23同时指向医疗资源r8，同理，若医疗资源分配信息m23和医疗资源分配信息m25的信息匹配度大于第一预设判断值，则可以判定医疗资源分配信息m25也指向医疗资源r8，换言之，医疗资源分配信息m21、医疗资源分配信息m23和医疗资源分配信息m25同时指向医疗资源r8。若医疗资源分配信息m22和医疗资源分配信息m24的信息匹配度大于第一预设判断值，但是医疗资源分配信息m22分别于诊流程可视化信息m21、医疗资源分配信息m23和医疗资源分配信息m25的信息匹配度小于等于第一预设判断值，且医疗资源分配信息m24分别于诊流程可视化信息m21、医疗资源分配信息m23和医疗资源分配信息m25的信息匹配度小于等于第一预设判断值，那么可以确定医疗资源分配信息m22和医疗资源分配信息m24同时指向医疗资源r24。这样一来，能够确保对医疗资源的准确分类。
这样一来，在对上述对就诊事件和医疗资源进行分类之后，可以确定相同的医疗资源对应的就诊事件。例如，医疗资源r1对应的就诊事件为c1、就诊事件为c5、就诊事件为c9和就诊事件为c11，则可以表征医疗资源r1需要匹配处理就诊事件为c1、就诊事件为c5、就诊事件为c9和就诊事件为c11，落地到实际应用场景，可以是医疗资源r1对应的医生需要同时服务于患者h1、患者h5、患者h9和患者h11。这样一来，可以准确确定每组所述医疗资源对应的就诊事件数量，从而为医疗资源紧缺风险的判定提供准确可靠的分析依据。关于医疗资源紧缺风险的判定将在后续进行说明。
在上述S300的基础上，S40所描述的将每一对所述全局信息校验集合的所述就诊流程可视化信息与其它所述全局信息校验集合中的所述就诊流程可视化信息进行比较分析，将信息匹配度高于第一预设判断值的所述就诊流程可视化信息确定为同一就诊事件；以及，将每个所述医疗资源分配信息与其它所述全局信息校验集合的所述医疗资源分配信息进行比较分析，将信息匹配度高于第二预设判断值的所述医疗资源分配信息确定为同一个所述医疗资源，以确定出每组所述医疗资源对应的就诊事件数量的步骤，可以通过以下S400所描述的实施方式实现。
S400：分别确定所述每一对所述全局信息校验集合的所述就诊流程可视化分布情况与其它所述全局信息校验集合中的所述就诊流程可视化分布情况的一致性比较参数，将一致性比较参数高于所述第一预设判断值的所述就诊流程可视化分布情况对应的就诊事件确定为同一就诊事件；以及，分别确定每个所述医疗资源分配分布情况与其它所述全局信息校验集合的所述医疗资源分配分布情况的一致性比较参数，将一致性比较参数高于所述第二预设判断值的所述就诊流程可视化分布情况对应的就诊事件确定为匹配同一组所述医疗资源。
本申请实施例中，一致性比较参数可以理解为交并比，比如就诊流程可视化分布情况d1与就诊流程可视化分布情况d2的交集除以就诊流程可视化分布情况d1与就诊流程可视化分布情况d2的并集可以理解为就诊流程可视化分布情况d1与就诊流程可视化分布情况d2的一致性比较参数。通过上述内容，能够引入交并比来确定不同就诊流程可视化分布情况之间的比较结果以及不同医疗资源分配分布情况之间的比较结果，从而确保对就诊事件和医疗资源的分类以及就诊事件和医疗资源之间的匹配。
在另外的一些实施例中，上述S40所描述的将每一对所述全局信息校验集合的所述就诊流程可视化信息与其它所述全局信息校验集合中的所述就诊流程可视化信息进行比较分析，将信息匹配度高于第一预设判断值的所述就诊流程可视化信息确定为同一就诊事件；以及，将每个所述医疗资源分配信息与其它所述全局信息校验集合的所述医疗资源分配信息进行比较分析，将信息匹配度高于第二预设判断值的所述医疗资源分配信息确定为同一个所述医疗资源，以确定出每组所述医疗资源对应的就诊事件数量的步骤，还可以包括以下技术方案：如果不同的所述全局信息校验集合中的所述医疗资源分配信息对应的所述医疗资源为同一组所述医疗资源，且所述就诊流程可视化信息对应的就诊事件为不同的就诊事件，确定所述不同的医疗项目绑定同一组所述医疗资源。
本申请实施例中，医疗项目和医疗资源可以是多对一的关系，在不同的所述全局信息校验集合中的所述医疗资源分配信息对应的所述医疗资源为同一组所述医疗资源的前提下，如果就诊流程可视化信息对应的就诊事件为不同的就诊事件不同，则可以确定不同的就诊事件对应的医疗项目对应于同一组医疗资源，在这种情况下，由于医疗资源可能存在不同的医疗项目资源，因而可以应对不同的就诊事件。
在上述实施例的基础上，该方法还可以包括进行医疗资源紧缺风险判断的技术方案，该技术方案可以包括以下S50所描述的内容。
S50、根据所述医疗资源的分类标签以及对应的就诊事件数量确定所述医疗资源是否存在医疗资源紧缺风险。
在实际实施过程中，上述S50所描述的根据所述医疗资源的分类标签以及对应的就诊事件数量确定所述医疗资源是否存在医疗资源紧缺风险的步骤，进一步可以通过以下S51-S53所描述的技术方案实现。
S51、根据所述医疗资源的分类标签确定所述医疗资源的最大就诊事件分配数量。
可以理解，不同的医疗资源的分类标签对应的医疗资源的负荷量不同，因此，可以通过不同医疗资源的分类标签确定对应的医疗资源的最大就诊事件分配数量，换言之，最大就诊事件分配数量可以理解为医疗资源能够承载、处理或者应对的就诊事件的最大值。
S52、判断所述医疗资源对应的就诊事件数量是否大于所述最大就诊事件分配数量。
S53、如果大于，则判定所述医疗资源存在医疗资源紧缺风险。
可以理解，如果医疗资源对应的就诊事件数量是否大于所述最大就诊事件分配数量，表明对应的医疗资源无法承载或者处理过多的就诊事件，因而可以判定医疗资源存在医疗资源紧缺风险，比如存在医生数量不够或者医疗设备数量不足等医疗资源紧缺风险。
在实际应用过程中，随着人工智能（Artificial Intelligence，AI）的不断发展，在进行信息识别、误差处理和标签提取时，可以基于相关的机器学习模型或者人工智能网络实现，基于此，上述S20所描述的识别出所述待校验可视化就诊引导信息中的就诊流程可视化信息及其识别误差、医疗资源分配信息及其识别误差以及各个医疗资源的分类标签，可以通过以下技术方案实现：通过人工智能信息识别网络对所述待校验可视化就诊引导信息进行识别得到所述就诊流程可视化信息及其识别误差、与所述就诊流程可视化信息对应的所述医疗资源分配信息及其识别误差、所述医疗资源的分类标签。
本申请实施例中，人工智能信息识别网络可以是卷积神经网络或者深度学习神经网络，为了准确确定所述就诊流程可视化信息及其识别误差、与所述就诊流程可视化信息对应的所述医疗资源分配信息及其识别误差、所述医疗资源的分类标签，一般需要对网络进行训练和调参，基于此，在S20所描述的识别出所述待校验可视化就诊引导信息中的就诊流程可视化信息及其识别误差、医疗资源分配信息及其识别误差以及各个医疗资源的分类标签的步骤之前，该方法还包括训练所述人工智能信息识别网络的步骤，进一步地，关于人工智能信息识别网络的训练过程，可以通过以下S61-S66所描述的技术方案实现。
S61、获取预设训练样本集。
在本申请实施例中，所述预设训练样本集包括多个可视化就诊引导信息样本，所述可视化就诊引导信息样本为设置有就诊流程可视化基准分布、医疗资源分配基准分布和医疗资源的基准标签的可视化就诊引导信息。
S62、将所述可视化就诊引导信息样本输入到原始信息识别网络中进行关键内容提取得到目标关键内容列表。
在本申请实施例中，目标关键内容列表可以理解为目标特征列表，关键内容内容可以理解为特征提取，原始信息识别网络为没有进行调参和优化的网络。
S63、对所述目标关键内容列表进行识别得到就诊流程可视化预测指示以及与所述就诊流程可视化信息成对的所述医疗资源配置预测指示。
在本申请实施例中，就诊流程可视化预测指示和医疗资源配置预测指示用于确定就诊流程关键内容列表和医疗资源关键内容列表。
S64、将成对的所述就诊流程可视化预测指示和所述医疗资源配置预测指示映射到所述目标关键内容列表中得到成对的就诊流程关键内容列表和医疗资源关键内容列表。
在本申请实施例中，成对的所述就诊流程关键内容列表、所述医疗资源关键内容列表经过关键内容整合得到成对的就诊流程可视化预测分布、医疗资源配置预测分布、医疗资源预测标签。
S65、通过所述就诊流程可视化预测分布与所述就诊流程可视化基准分布、所述医疗资源配置预测分布与所述医疗资源分配基准分布以及所述医疗资源预测标签与所述医疗资源基准标签生成模型评估参数。
在本申请实施例中，模型评估参数可以是损失函数。
S66、利用所述模型评估参数对所述原始信息识别网络进行迭代训练得到所述人工智能信息识别网络。
在本申请实施例中，可以通过模型评估参数对原始信息识别网络进行迭代训练，从而使得最终得到的人工智能信息识别网络所对应的模型评估参数处于收敛状态，以完成对人工智能信息识别网络的训练。在训练过程中，由于考虑了就诊流程可视化预测指示和医疗资源配置预测指示，因而能够确保成对的所述就诊流程关键内容列表、所述医疗资源关键内容列表经过关键内容整合得到成对的就诊流程可视化预测分布、医疗资源配置预测分布、医疗资源预测标签之间的有效匹配，从而确保人工智能信息识别网络能够与实际的智慧医疗场景相适配。
本申请的上述方案校验成对的就诊流程可视化信息和医疗资源，通过将每一对全局信息校验集合的就诊流程可视化信息与其它全局信息校验集合中的就诊流程可视化信息进行比较分析，剔除就诊流程可视化信息重复的全局信息校验集合；通过将每个医疗资源分配信息与其它全局信息校验集合的医疗资源分配信息进行比较分析，筛选医疗资源分配信息重复的全局信息校验集合，能够为医疗资源紧缺风险的判定提供准确可靠的分析依据。通过分析每组所述医疗资源对应的就诊事件数量，能够尽可能避免就诊事件对应的就诊需求与医疗资源对应的分配情况之间的配对结果出现异常，进而减少医疗资源紧缺风险发生的可能性。
在一些选择性的实施例中，在上述S53所描述的判定所述医疗资源存在医疗资源紧缺风险的步骤之后，还可以包括对存在医疗资源紧缺风险的医疗资源的调度过程，基于此，在判定所述医疗资源存在医疗资源紧缺风险的步骤之后，该方法还可以包括以下S70所描述的技术方案。
S70、对存在医疗资源紧缺风险的医疗资源进行医疗资源调度。
在本申请实施例中，可以通过对可调用的医疗资源进行分析，从而实现对存在医疗资源紧缺风险的医疗资源的就诊事件进行分流，从而减少存在医疗资源紧缺风险的医疗资源的医疗负荷压力。
在一些选择性的实施例中，S70所描述的对存在医疗资源紧缺风险的医疗资源进行医疗资源调度，可以包括以下S71-S75所描述的技术方案。
S71、获取所述存在医疗资源紧缺风险的医疗资源的资源服务描述信息以及各医疗服务内容。
在本申请实施例中，资源服务描述信息用于表征医疗资源的特征信息，便于快速进行相关医疗服务内容的确定。医疗服务内容可以对应医师服务内容、设备服务内容或者其他类型的医疗服务内容。
S72、在根据所述资源服务描述信息确定出所述存在医疗资源紧缺风险的医疗资源中包含有可调用资源服务集的情况下，根据多个未存在医疗资源紧缺风险的医疗资源的可调用资源服务集下的医疗服务内容及其资源服务标签确定存在医疗资源紧缺风险的医疗资源的忙碌资源服务集下的各医疗服务内容与存在医疗资源紧缺风险的医疗资源的可调用资源服务集下的各医疗服务内容之间的关联度，并将存在医疗资源紧缺风险的医疗资源的忙碌资源服务集下的与可调用资源服务集下的医疗服务内容关联的医疗服务内容调整到相应的可调用资源服务集下。
在本申请实施例中，可调用资源服务集表征对应的医疗服务内容可以被调用或者对应的医疗服务内容的就诊事件可以被分流（比如患者分流）。进一步地，资源服务标签用于区分不同的医疗服务内容，通过上述内容，能够实现对医疗服务内容的准确调整，从而确保可调用资源服务集下存在尽可能多的医疗服务内容
S73、在存在医疗资源紧缺风险的医疗资源的当前忙碌资源服务集下包含有多个医疗服务内容的情况下，根据多个未存在医疗资源紧缺风险的医疗资源的可调用资源服务集下的医疗服务内容及其资源服务标签确定存在医疗资源紧缺风险的医疗资源的当前忙碌资源服务集下的各医疗服务内容之间的关联度，并根据所述各医疗服务内容之间的关联度对当前忙碌资源服务集下的各医疗服务内容进行分类。
在本实施例中，根据所述各医疗服务内容之间的关联度对当前忙碌资源服务集下的各医疗服务内容进行分类可以理解为根据所述各医疗服务内容之间的关联度对当前忙碌资源服务集下的各医疗服务内容进行聚类，聚类算法可以采用K均值聚类算法。
S74、根据多个未存在医疗资源紧缺风险的医疗资源的可调用资源服务集下的医疗服务内容及其资源服务标签为上述分类获得的每一类医疗服务内容设置可调用资源服务集标签，并将所述每一类医疗服务内容调整到所述可调用资源服务集标签所表示的可调用资源服务集下。
S75、将所述存在医疗资源紧缺风险的医疗资源对应的部分就诊事件分配到所述可调用资源服务集下的医疗服务内容对应的调度医疗资源下。
在本申请实施例中，在确定出了存在医疗资源紧缺风险的医疗资源的可调用资源服务集中的医疗服务内容之后，可以依据存在医疗资源紧缺风险的医疗资源的就诊事件与存在医疗资源紧缺风险的医疗资源的可调用资源服务集中的医疗服务内容的匹配关系，确定对应的调度医疗资源，该调度医疗资源可以是其他的医疗资源，比如存在医疗资源紧缺风险的医疗资源为2楼的儿科，调度医疗资源可以为3楼的内科，那么可以将2楼的儿科对应的就诊事件（就诊患者a、就诊患者b、就诊患者c）分流到3楼的内科，从而减少2楼的儿科的就诊压力，减缓医疗资源紧缺情况。
可以理解的是，通过实施上述S71-S75，能够通过对可调用资源服务集下的医疗服务内容进行调整和更新，从而确保准确可靠的医疗资源调度，实现对存在医疗资源紧缺风险的医疗资源的就诊事件进行分流，减少存在医疗资源紧缺风险的医疗资源的医疗负荷压力。
在一些选择性的实施例中，上述S72描述的所述根据多个未存在医疗资源紧缺风险的医疗资源的可调用资源服务集下的医疗服务内容及其资源服务标签确定存在医疗资源紧缺风险的医疗资源的忙碌资源服务集下的各医疗服务内容与存在医疗资源紧缺风险的医疗资源的可调用资源服务集下的各医疗服务内容之间的关联度，并将存在医疗资源紧缺风险的医疗资源的忙碌资源服务集下的与可调用资源服务集下的医疗服务内容关联的医疗服务内容调整到相应的可调用资源服务集下可以包括以下内容：计算存在医疗资源紧缺风险的医疗资源的忙碌资源服务集下的各医疗服务内容与存在医疗资源紧缺风险的医疗资源的可调用资源服务集下的各医疗服务内容的信息文本词向量之间的余弦相似度；分别判断各余弦相似度是否达到第一相似度阈值，并将余弦相似度达到第一相似度阈值的忙碌资源服务集下的医疗服务内容调整到相应的可调用资源服务集下；其中，所述医疗服务内容的特征向量为：根据多个未存在医疗资源紧缺风险的医疗资源的闲置资源服务集下的医疗服务内容及其资源服务标签统计出的医疗服务内容对应于闲置资源服务集标签的分布情况。
例如，信息文本词向量可以通过预先训练的医疗服务内容文本识别模型对医疗服务内容进行特征提取得到。如此，可以确保可调用资源服务集调整的准确性。
在一些选择性的实施例中，上述S73描述的根据多个未存在医疗资源紧缺风险的医疗资源的可调用资源服务集下的医疗服务内容及其资源服务标签确定存在医疗资源紧缺风险的医疗资源的当前忙碌资源服务集下的各医疗服务内容之间的关联度，并根据所述各医疗服务内容之间的关联度对当前忙碌资源服务集下的各医疗服务内容进行分类包括：计算存在医疗资源紧缺风险的医疗资源的当前忙碌资源服务集下的各医疗服务内容的信息文本词向量之间的余弦相似度；针对存在医疗资源紧缺风险的医疗资源的当前忙碌资源服务集下的一个医疗服务内容而言，将该医疗服务内容和与其信息文本词向量之间的余弦相似度达到第二相似度阈值的所有医疗服务内容划分为一类；其中，所述医疗服务内容的信息文本词向量为：根据多个未存在医疗资源紧缺风险的医疗资源的可调用资源服务集下的医疗服务内容及其资源服务标签统计出的医疗服务内容对应于可调用资源服务集标签的分布情况。
在一些选择性的实施例中，上述S73描述的根据多个未存在医疗资源紧缺风险的医疗资源的可调用资源服务集下的医疗服务内容及其资源服务标签为上述分类获得的每一类医疗服务内容设置可调用资源服务集标签，可以包括以下内容：针对分类后的一类医疗服务内容而言，根据所述多个未存在医疗资源紧缺风险的医疗资源的可调用资源服务集下的医疗服务内容确定该类医疗服务内容中的各医疗服务内容所属的可调用资源服务集标签的分布情况，并根据所述分布情况为该类医疗服务内容设置可调用资源服务集标签。
综上，本申请中获取待进行就诊交互服务校验的数字化医疗交互状态的多组在线就诊交互数据；对多组在线就诊交互数据进行在线就诊噪声数据识别，得到在线就诊噪声数据的数据关联分布信息；利用在线就诊噪声数据的数据关联分布信息对每组在线就诊交互数据中的在线就诊噪声数据进行数据清洗；对完成在线就诊噪声数据的数据清洗后的多组在线就诊交互数据进行就诊交互行为分析，以整合就诊交互行为分析后的多组在线就诊交互数据，得到目标在线就诊交互数据，目标在线就诊交互数据包括就诊交互行为分析结果；利用目标在线就诊交互数据与预设在线就诊交互数据之间的差异性确定待进行就诊交互服务校验的数字化医疗交互状态中就诊交互服务项目的项目异常检测结果。
可以理解的是，通过识别在线就诊噪声数据，并在每组在线就诊交互数据中完成在线就诊噪声数据的数据清洗，利用完成在线就诊噪声数据的数据清洗的多组在线就诊交互数据进行就诊交互服务项目的异常检测，以确定就诊交互服务项目的项目异常检测结果，避免了在线就诊噪声数据对就诊交互行为分析的干扰，提高了针对就诊交互服务项目的异常检测的准确性和可靠性。
需要注意的是，上述的一些可选实施例应当理解为示例，不应理解为实现本方案所必不可少的技术特征。
其次，针对上述结合大数据智慧医疗的数字化医疗服务分析方法，本发明实施例还提出了一种示例性的结合大数据智慧医疗的数字化医疗服务分析装置，如图2所示，结合大数据智慧医疗的数字化医疗服务分析装置200可以包括以下的功能模块。
数据获取模块210，用于获取待进行就诊交互服务校验的数字化医疗交互状态的多组在线就诊交互数据。
数据清洗模块220，用于对所述多组在线就诊交互数据进行在线就诊噪声数据识别，得到在线就诊噪声数据的数据关联分布信息；利用所述在线就诊噪声数据的数据关联分布信息对每组在线就诊交互数据中的在线就诊噪声数据进行数据清洗。
行为分析模块230，用于对完成在线就诊噪声数据的数据清洗后的多组在线就诊交互数据进行就诊交互行为分析，以整合就诊交互行为分析后的多组在线就诊交互数据，得到目标在线就诊交互数据，所述目标在线就诊交互数据包括就诊交互行为分析结果。
服务检测模块240，用于利用所述目标在线就诊交互数据与预设在线就诊交互数据之间的差异性确定所述待进行就诊交互服务校验的数字化医疗交互状态中就诊交互服务项目的项目异常检测结果。
然后，基于上述的方法实施例和装置实施例，本发明实施例还提出了一种系统实施例，也即结合大数据智慧医疗的数字化医疗服务分析系统，请结合参阅图3，结合大数据智慧医疗的数字化医疗服务分析系统30可以包括数字化医疗服务器10和智慧医疗用户端20。其中，数字化医疗服务器10和智慧医疗用户端20通信用以实施上述方法，进一步地，结合大数据智慧医疗的数字化医疗服务分析系统30的功能性描述如下。
数字化医疗服务器10从智慧医疗用户端20侧获取待进行就诊交互服务校验的数字化医疗交互状态的多组在线就诊交互数据；对所述多组在线就诊交互数据进行在线就诊噪声数据识别，得到在线就诊噪声数据的数据关联分布信息；利用所述在线就诊噪声数据的数据关联分布信息对每组在线就诊交互数据中的在线就诊噪声数据进行数据清洗；对完成在线就诊噪声数据的数据清洗后的多组在线就诊交互数据进行就诊交互行为分析，以整合就诊交互行为分析后的多组在线就诊交互数据，得到目标在线就诊交互数据，所述目标在线就诊交互数据包括就诊交互行为分析结果；利用所述目标在线就诊交互数据与预设在线就诊交互数据之间的差异性确定所述待进行就诊交互服务校验的数字化医疗交互状态中就诊交互服务项目的项目异常检测结果。
进一步地，请结合参阅图4，数字化医疗服务器10可以包括处理引擎110、网络模块120和存储器130，处理引擎110和存储器130通过网络模块120通信。
处理引擎110可以处理相关的信息和/或数据以执行本申请中描述的一个或多个功能。例如，在一些实施例中，处理引擎110可以包括至少一个处理引擎(例如，单核处理引擎或多核处理器)。仅作为示例，处理引擎110可以包括中央处理单元(Central ProcessingUnit，CPU)、专用集成电路(Application-Specific Integrated Circuit，ASIC)、专用指令集处理器(Application-Specific Instruction-set Processor，ASIP)、图形处理单元(Graphics Processing Unit，GPU)、物理处理单元(Physics Processing Unit，PPU)、数字信号处理器(Digital Signal Processor，DSP)、现场可编程门阵列(Field ProgrammableGate Array，FPGA)、可编程逻辑器件(Programmable Logic Device，PLD)、控制器、微控制器单元、精简指令集计算机(Reduced Instruction-Set Computer，RISC)、微处理器等或其任意组合。
网络模块120可以促进信息和/或数据的交换。在一些实施例中，网络模块120可以是任何类型的有线或无线网络或其组合。仅作为示例，网络模块120可以包括缆线网络、有线网络、光纤网络、电信网络、内部网络、互联网、局域网络(Local Area Network，LAN)、广域网(Wide Area Network，WAN)、无线局域网络(Wireless Local Area Network，WLAN)、城域网(Metropolitan Area Network，MAN)、公用电话交换网(Public Telephone SwitchedNetwork，PSTN)、蓝牙网络、无线个域网络、近场通讯(Near Field Communication，NFC)网络等或上述举例的任意组合。在一些实施例中，网络模块120可以包括至少一个网络接入点。例如，网络模块120可以包括有线或无线网路接入点，如基站和/或网路接入点。
存储器130可以是，但不限于，随机存取存储器（Random Access Memory，RAM），只读存储器（Read Only Memory，ROM），可编程只读存储器（Programmable Read-OnlyMemory，PROM），可擦除只读存储器（Erasable Programmable Read-Only Memory，EPROM），电可擦除只读存储器（Electric Erasable Programmable Read-Only Memory，EEPROM）等。其中，存储器130用于存储程序，所述处理引擎110在接收到执行指令后，执行所述程序。
可以理解，图4所示的结构仅为示意，数字化医疗服务器10还可包括比图4中所示更多或者更少的组件，或者具有与图4所示不同的配置。图4中所示的各组件可以采用硬件、软件或其组合实现。
应当理解，上述所示的系统及其模块可以利用各种方式来实现。例如，在一些实施例中，系统及其模块可以通过硬件、软件或者软件和硬件的结合来实现。其中，硬件部分可以利用专用逻辑来实现；软件部分则可以存储在存储器中，由适当的指令执行系统，例如微处理器或者专用设计硬件来执行。本领域技术人员可以理解上述的方法和系统可以使用计算机可执行指令和/或包含在处理器控制代码中来实现，例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本申请的系统及其模块不仅可以有诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现，也可以用例如由各种类型的处理器所执行的软件实现，还可以由上述硬件电路和软件的结合(例如，固件)来实现。
需要说明的是，不同实施例可能产生的有益效果不同，在不同的实施例里，可能产生的有益效果可以是以上任意一种或几种的组合，也可以是其他任何可能获得的有益效果。
上文已对基本概念做了描述，显然，对于本领域技术人员来说，上述详细披露仅仅作为示例，而并不构成对本申请的限定。虽然此处并没有明确说明，本领域技术人员可能会对本申请进行各种修改、改进和修正。该类修改、改进和修正在本申请中被建议，所以该类修改、改进、修正仍属于本申请示范实施例的精神和范围。
同时，本申请使用了特定词语来描述本申请的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本申请至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外，本申请的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外，本领域技术人员可以理解，本申请的各方面可以通过若干具有可专利性的种类或情况进行说明和描述，包括任何新的和有用的工序、机器、产品或物质的组合，或对他们的任何新的和有用的改进。相应地，本申请的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。此外，本申请的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品，该产品包括计算机可读程序编码。
计算机存储介质可能包含一个内含有计算机程序编码的传播数据信号，例如在基带上或作为载波的一部分。该传播信号可能有多种表现形式，包括电磁形式、光形式等，或合适的组合形式。计算机存储介质可以是除计算机可读存储介质之外的任何计算机可读介质，该介质可以通过连接至一个指令执行系统、装置或设备以实现通讯、传播或传输供使用的程序。位于计算机存储介质上的程序编码可以通过任何合适的介质进行传播，包括无线电、电缆、光纤电缆、RF、或类似介质，或任何上述介质的组合。
本申请各部分操作所需的计算机程序编码可以用任意一种或多种程序语言编写，包括面向对象编程语言如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET、Python等，常规程序化编程语言如C语言、Visual Basic、Fortran 2003、Perl、COBOL 2002、PHP、ABAP，动态编程语言如Python、Ruby和Groovy，或其他编程语言等。该程序编码可以完全在用户计算机上运行、或作为独立的软件包在用户计算机上运行、或部分在用户计算机上运行部分在远程计算机运行、或完全在远程计算机或服务器上运行。在后种情况下，远程计算机可以通过任何网络形式与用户计算机连接，比如局域网（LAN）或广域网（WAN），或连接至外部计算机（例如通过因特网），或在云计算环境中，或作为服务使用如软件即服务（SaaS）。
此外，除非权利要求中明确说明，本申请所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用，并非用于限定本申请流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说明的目的，附加的权利要求并不仅限于披露的实施例，相反，权利要求旨在覆盖所有符合本申请实施例实质和范围的修正和等价组合。例如，虽然以上所描述的系统组件可以通过硬件设备实现，但是也可以只通过软件的解决方案得以实现，如在现有的服务器或移动设备上安装所描述的系统。
同理，应当注意的是，为了简化本申请披露的表述，从而帮助对一个或多个发明实施例的理解，前文对本申请实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。但是，这种披露方法并不意味着本申请对象所需要的特征比权利要求中提及的特征多。实际上，实施例的特征要少于上述披露的单个实施例的全部特征。
一些实施例中使用了描述成分、属性数量的数字，应当理解的是，此类用于实施例描述的数字，在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明，“大约”、“近似”或“大体上”表明所述数字允许有适应性的变化。相应地，在一些实施例中，说明书和权利要求中使用的数值参数均为近似值，该近似值根据个别实施例所需特点可以发生改变。在一些实施例中，数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本申请一些实施例中用于确认其范围广度的数值域和参数为近似值，在具体实施例中，此类数值的设定在可行范围内尽可能精确。
针对本申请引用的每个专利、专利申请、专利申请公开物和其他材料，如文章、书籍、说明书、出版物、文档等，特此将其全部内容并入本申请作为参考。与本申请内容不一致或产生冲突的申请历史文件除外，对本申请权利要求最广范围有限制的文件(当前或之后附加于本申请中的)也除外。需要说明的是，如果本申请附属材料中的描述、定义、和/或术语的使用与本申请所述内容有不一致或冲突的地方，以本申请的描述、定义和/或术语的使用为准。
最后，应当理解的是，本申请中所述实施例仅用以说明本申请实施例的原则。其他的变形也可能属于本申请的范围。因此，作为示例而非限制，本申请实施例的替代配置可视为与本申请的教导一致。相应地，本申请的实施例不仅限于本申请明确介绍和描述的实施例。

Claims (9)

1.一种结合大数据智慧医疗的数字化医疗服务分析方法，其特征在于，应用于数字化医疗服务器，所述结合大数据智慧医疗的数字化医疗服务分析方法包括：
获取待进行就诊交互服务校验的数字化医疗交互状态的多组在线就诊交互数据；
对所述多组在线就诊交互数据进行在线就诊噪声数据识别，得到在线就诊噪声数据的数据关联分布信息；利用所述在线就诊噪声数据的数据关联分布信息对每组在线就诊交互数据中的在线就诊噪声数据进行数据清洗；
对完成在线就诊噪声数据的数据清洗后的多组在线就诊交互数据进行就诊交互行为分析，以整合就诊交互行为分析后的多组在线就诊交互数据，得到目标在线就诊交互数据，所述目标在线就诊交互数据包括就诊交互行为分析结果；
利用所述目标在线就诊交互数据与预设在线就诊交互数据之间的差异性确定所述待进行就诊交互服务校验的数字化医疗交互状态中就诊交互服务项目的项目异常检测结果；
所述在线就诊噪声数据的数据关联分布信息包括在线就诊噪声数据所对应的数字化医疗交互状态，所述利用所述在线就诊噪声数据的数据关联分布信息对每组在线就诊交互数据中的在线就诊噪声数据进行数据清洗的步骤之后，包括：
确定所述每组在线就诊交互数据中剩余数字化医疗交互状态之间的第一比较结果，得到数字化医疗交互状态集，所述在线就诊交互数据包括所述在线就诊噪声数据所对应的数字化医疗交互状态和所述剩余数字化医疗交互状态；
确定所述数字化医疗交互状态集与预设数字化医疗交互状态集之间的第二比较结果，并判断所述数字化医疗交互状态集与所述预设数字化医疗交互状态集之间的第二比较结果是否等于所述预设数字化医疗交互状态集；
若是，停止获取在线就诊交互数据，得到完成在线就诊噪声数据的数据清洗后的多组在线就诊交互数据。
2.根据权利要求1所述的结合大数据智慧医疗的数字化医疗服务分析方法，其特征在于，所述对完成在线就诊噪声数据的数据清洗后的多组在线就诊交互数据进行就诊交互行为分析的步骤，包括：
采用多维度解析策略对所述完成在线就诊噪声数据的数据清洗后的多组在线就诊交互数据进行关键内容解析，得到多组在线就诊交互数据的关键内容；
采用就诊交互行为处理模型对所述每组在线就诊交互数据的关键内容进行就诊交互行为分析，得到就诊交互行为分析后的多组在线就诊交互数据。
3.根据权利要求2所述的结合大数据智慧医疗的数字化医疗服务分析方法，其特征在于，所述采用多维度解析策略对所述完成在线就诊噪声数据的数据清洗后的多组在线就诊交互数据进行关键内容解析，得到多组在线就诊交互数据的关键内容的步骤，包括：
对所述完成在线就诊噪声数据的数据清洗后的每组在线就诊交互数据分别进行显性数据特征提取处理，得到在线就诊交互数据的显性数据特征；对所述完成在线就诊噪声数据的数据清洗后的每组在线就诊交互数据分别进行潜在数据特征提取处理，得到在线就诊交互数据的潜在数据特征；
将所述在线就诊交互数据的显性数据特征、所述在线就诊交互数据的潜在数据特征和所述完成在线就诊噪声数据的数据清洗后的在线就诊交互数据输入关键内容解析模型中进行全局热度分析处理，得到在线就诊交互数据的关键内容。
4.根据权利要求2所述的结合大数据智慧医疗的数字化医疗服务分析方法，其特征在于，所述采用就诊交互行为处理模型对所述多组在线就诊交互数据的关键内容进行就诊交互行为分析，得到就诊交互行为分析后的多组在线就诊交互数据的步骤，包括：
将所述在线就诊交互数据的关键内容输入所述就诊交互行为处理模型中，得到第一行为可能性分布结果，所述第一行为可能性分布结果中的每一分布成员包括多个分类行为可能性；
将所述第一行为可能性分布结果中与所述在线就诊交互数据的在线就诊噪声数据所对应的行为事件对应分布成员的一分类行为可能性设置为第一行为量化值，剩余分类行为可能性设置为第二行为量化值，得到第二行为可能性分布结果，所述第一行为可能性分布结果中的分布成员与所述在线就诊交互数据中的行为事件对应，所述在线就诊交互数据的在线就诊噪声数据数据关联分布信息包括在线就诊噪声数据所对应的行为事件；
所述整合就诊交互行为分析后的多组在线就诊交互数据，得到目标在线就诊交互数据的步骤，包括：将与所述多组在线就诊交互数据的关键内容对应的第二行为可能性分布结果进行融合，得到目标在线就诊交互数据。
5.根据权利要求1所述的结合大数据智慧医疗的数字化医疗服务分析方法，其特征在于，所述预设在线就诊交互数据包括多个就诊交互参考项目，所述利用所述目标在线就诊交互数据与预设在线就诊交互数据之间的差异性确定所述待进行就诊交互服务校验的数字化医疗交互状态中就诊交互服务项目的项目异常检测结果的步骤，包括：
将所述多个就诊交互参考项目输入双生机器学习模型，得到与所述多个就诊交互参考项目对应的参考关键内容；
将所述目标在线就诊交互数据输入所述双生机器学习模型，得到目标在线就诊交互数据的关键内容，所述目标在线就诊交互数据的关键内容包括多个目标关键内容；
确定所述目标在线就诊交互数据的关键内容中的目标关键内容与对应的参考关键内容之间的差异性；
在所述目标在线就诊交互数据的关键内容中的目标关键内容与对应的参考关键内容之间的差异性小于等于预设差异性阈值的情况下，判定所述目标在线就诊交互数据中的就诊交互服务项目不存在异常；
在所述目标在线就诊交互数据的关键内容中的目标关键内容与对应的参考关键内容之间的差异性大于所述预设差异性阈值的情况下，判定所述目标在线就诊交互数据中的就诊交互服务项目存在异常。
6.根据权利要求1所述的结合大数据智慧医疗的数字化医疗服务分析方法，其特征在于，所述获取待进行就诊交互服务校验的数字化医疗交互状态的多组在线就诊交互数据的步骤，还包括：
对同一数字化医疗交互状态下的多组原始在线就诊交互数据进行在线就诊交互数据优化处理，得到多组优化后的原始在线就诊交互数据；
利用所述优化后的原始在线就诊交互数据中交互延时描述的交互延时值对所述多组优化后的原始在线就诊交互数据进行挑选，得到多组挑选后的原始在线就诊交互数据；
对所述多组挑选后的原始在线就诊交互数据进行在线就诊交互数据的格式校验，并标记多组格式校验后的原始在线就诊交互数据对应的待进行就诊交互服务校验的数字化医疗交互状态，得到多组在线就诊交互数据。
7.根据权利要求6所述的结合大数据智慧医疗的数字化医疗服务分析方法，其特征在于，所述利用所述优化后的原始在线就诊交互数据中交互延时描述的交互延时值对所述多组优化后的原始在线就诊交互数据进行挑选，得到多组挑选后的原始在线就诊交互数据的步骤，包括：
过滤掉所述多组优化后的原始在线就诊交互数据中交互延时描述的交互延时值大于等于第一交互延时设定值的在线就诊交互数据，并过滤掉所述多组优化后的原始在线就诊交互数据中交互延时描述的交互延时值小于第二交互延时设定值的在线就诊交互数据，得到多组挑选后的原始在线就诊交互数据；其中，所述第一交互延时设定值大于所述第二交互延时设定值。
8.根据权利要求5所述的结合大数据智慧医疗的数字化医疗服务分析方法，其特征在于，在判定所述目标在线就诊交互数据中的就诊交互服务项目不存在异常的前提下，所述方法还包括：
获取到待校验可视化就诊引导信息；
识别出所述待校验可视化就诊引导信息中的就诊流程可视化信息及其识别误差、医疗资源分配信息及其识别误差以及各个医疗资源的分类标签；
利用所述就诊流程可视化信息的识别误差以及所述医疗资源分配信息的识别误差将所述就诊流程可视化信息与所述医疗资源分配信息作为至少一对全局信息校验集合；
将每一对所述全局信息校验集合的所述就诊流程可视化信息与其它所述全局信息校验集合中的所述就诊流程可视化信息进行比较分析，将信息匹配度高于第一预设判断值的所述就诊流程可视化信息确定为同一就诊事件；以及，将每个所述医疗资源分配信息与其它所述全局信息校验集合的所述医疗资源分配信息进行比较分析，将信息匹配度高于第二预设判断值的所述医疗资源分配信息确定为同一个所述医疗资源，以确定出每组所述医疗资源对应的就诊事件数量。
9.一种数字化医疗服务器，其特征在于，包括处理引擎、网络模块和存储器；所述处理引擎和所述存储器通过所述网络模块通信，所述处理引擎从所述存储器中读取计算机程序并运行，以执行权利要求1-8任一项所述的方法。
CN202111337069.XA 2021-11-12 2021-11-12 结合大数据智慧医疗的数字化医疗服务分析方法及服务器 Active CN114203312B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111337069.XA CN114203312B (zh) 2021-11-12 2021-11-12 结合大数据智慧医疗的数字化医疗服务分析方法及服务器

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111337069.XA CN114203312B (zh) 2021-11-12 2021-11-12 结合大数据智慧医疗的数字化医疗服务分析方法及服务器

Publications (2)

Publication Number Publication Date
CN114203312A CN114203312A (zh) 2022-03-18
CN114203312B true CN114203312B (zh) 2022-12-16

Family

ID=80647422

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111337069.XA Active CN114203312B (zh) 2021-11-12 2021-11-12 结合大数据智慧医疗的数字化医疗服务分析方法及服务器

Country Status (1)

Country Link
CN (1) CN114203312B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117493777B (zh) * 2023-12-29 2024-03-15 成都秦川物联网科技股份有限公司 基于物联网的超声波流量计数据清洗方法、系统及装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108388580A (zh) * 2018-01-24 2018-08-10 平安医疗健康管理股份有限公司 融合医学知识及应用病例的动态知识图谱更新方法
CN109390047A (zh) * 2017-08-11 2019-02-26 深圳市全息医疗数据有限责任公司 一种医院后台数据的处理方法及系统
CN112837799A (zh) * 2021-01-29 2021-05-25 广东德澳智慧医疗科技有限公司 基于区块链的远程互联网大数据智慧医疗系统
CN113342788A (zh) * 2020-12-01 2021-09-03 李孔雀 基于大数据的数据清洗方法及云服务器

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070179815A1 (en) * 2006-01-20 2007-08-02 Heartscreen America, Inc. Medical screening system and method
CN111180091A (zh) * 2020-03-06 2020-05-19 东北大学 面向智慧医疗社区服务的监护系统
CN112309526A (zh) * 2020-11-23 2021-02-02 赵淑芳 一种基于大数据的医疗数据智慧服务平台
CN113409959A (zh) * 2021-07-08 2021-09-17 广州志往科技有限公司 应用于智慧医疗和大数据的数据处理方法及医疗服务器
CN113409958A (zh) * 2021-07-08 2021-09-17 广州志往科技有限公司 结合数字化的智慧医疗大数据处理方法及智慧医疗服务器
CN113488167A (zh) * 2021-07-31 2021-10-08 李刚 应用于大数据的智慧医疗信息优化方法及智慧医疗服务端
CN113593692A (zh) * 2021-07-31 2021-11-02 李刚 基于大数据智慧医疗的数据处理方法和云计算服务器

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109390047A (zh) * 2017-08-11 2019-02-26 深圳市全息医疗数据有限责任公司 一种医院后台数据的处理方法及系统
CN108388580A (zh) * 2018-01-24 2018-08-10 平安医疗健康管理股份有限公司 融合医学知识及应用病例的动态知识图谱更新方法
CN113342788A (zh) * 2020-12-01 2021-09-03 李孔雀 基于大数据的数据清洗方法及云服务器
CN112837799A (zh) * 2021-01-29 2021-05-25 广东德澳智慧医疗科技有限公司 基于区块链的远程互联网大数据智慧医疗系统

Also Published As

Publication number Publication date
CN114203312A (zh) 2022-03-18

Similar Documents

Publication Publication Date Title
CN111512322B (zh) 使用神经网络
WO2020037454A1 (zh) 智能辅助诊疗系统及方法
Fuhl et al. Explainable online validation of machine learning models for practical applications
CN114203285B (zh) 应用于智慧医疗的大数据分析方法及智慧医疗服务器
CN109830302B (zh) 用药模式挖掘方法、装置和电子设备
CN111145910A (zh) 基于人工智能的异常案例识别方法、装置、计算机设备
US11848098B2 (en) Identifying anomalous brain data
US20200257885A1 (en) High speed reference point independent database filtering for fingerprint identification
CN113223735B (zh) 基于对话表征的分诊方法、装置、设备及存储介质
CN114203312B (zh) 结合大数据智慧医疗的数字化医疗服务分析方法及服务器
CN115050442B (zh) 基于挖掘聚类算法的病种数据上报方法、装置及存储介质
CN118016279A (zh) 基于人工智能的多模态技术在乳腺癌领域的分析诊疗平台
Pal Prediction for chronic kidney disease by categorical and non_categorical attributes using different machine learning algorithms
CN114730392A (zh) 解析装置、解析方法以及解析程序
CN113707304A (zh) 分诊数据处理方法、装置、设备及存储介质
CN112445846A (zh) 医疗项目识别方法、装置、设备及计算机可读存储介质
CN113392086B (zh) 基于物联网的医疗数据库构建方法、装置及设备
CN113990514A (zh) 医师诊疗行为的异常检测装置、计算机设备及存储介质
Sriwichian et al. Comparison of algorithm selection to analyze elderly activity recognition based on sensor data using r program
Hl et al. A Multimodal Approach Integrating Convolutional and Recurrent Neural Networks for Alzheimer's Disease Temporal Progression Prediction
CN111079420B (zh) 文本识别方法、装置、计算机可读介质及电子设备
Chen et al. Lightweight, open source, easy-use algorithm and web service for paraprotein screening using spatial frequency domain analysis of electrophoresis studies
CN114420292A (zh) 一种医疗健康动态预测方法、系统和设备
Wang et al. HGIB: Prognosis for Alzheimer's Disease via Hypergraph Information Bottleneck
CN117765322B (zh) 一种基于多模态数据可解释深度学习的分类系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
TA01 Transfer of patent application right

Effective date of registration: 20221201

Address after: 102600 401, Floor 4, Building 19, Yard 18, Kechuang 13th Street, Beijing Economic and Technological Development Zone, Daxing District, Beijing

Applicant after: Blue Balloon (Beijing) Medical Research Co.,Ltd.

Address before: Room 2206, block B, Jinshang international, No. 188 Chuanjin Road, Panlong District, Kunming, Yunnan 650233

Applicant before: Jiang Deqiu

TA01 Transfer of patent application right
GR01 Patent grant
GR01 Patent grant