CN114283915A - 一种用于确定患者全病程照护方案的方法及装置 - Google Patents

Abstract

本申请提供一种用于确定患者全病程照护方案的技术方案，其方法包括：基于患者的病史信息，获得所述患者的病史信息；基于所述病史信息，确定所述患者的医疗特征数据；基于预设规则及所述医疗特征数据，从预设全病程照护方案集中确定用于所述患者的全病程照护方案；基于所述病史信息，对所述全病程照护方案进行调整，确定用于所述患者的第二全病程照护方案。该方法可根据患者历史医疗信息，从整合了大量患者多病种全病程医疗数据确定的全病程照护方案集中选择最匹配的全病程照护方案，确定的全病程照护方案对于患者来说更全面、更合适。

Description

一种用于确定患者全病程照护方案的方法及装置

技术领域

本申请涉及医疗信息处理技术领域，尤其涉及一种用于确定患者全病程照护方案的技术。

背景技术

全病程照护是指以单个患者为中心的照护模式，贯穿患者入院前管理、院内诊断和连续性治疗、出院后康复追踪的全病程服务。

现有针对患者的全病程照护方案通常是根据收集的患者收案前的个人信息、入院期间的就诊医疗信息、出院后的康复管理方案等来确定的。但是由于患者的信息单一，基于患者的信息确定的往往是针对单一病种的全病程照护方案，不能充分利用海量多病种患者的已有信息，多病种医疗信息化整合程度不足，特别是在患者存在多病种的情况下，确定的全病程照护方案不够全面。

发明内容

本申请的目的是提供一种用于确定患者全病程照护方案的方法及装置，用以至少部分解决现有技术中针对患者确定的全病程照护方案不够全面的技术问题。

根据本申请的一个方面，提供了一种用于确定患者全病程照护方案的方法，其中，所述方法包括：

基于患者的病史信息，确定所述患者的医疗特征数据；

将所述医疗特征数据输入评估模型，以确定所述患者的评估结果；

基于所述评估结果，确定所述患者的全病程照护方案。

可选地，其中，所述基于患者的病史信息，确定所述患者的医疗特征数据包括：

获取包含患者的病史信息的文本图像；

对所述文本图像进行文本识别，获得所述患者的病历文本数据；

从所述病历文本数据中提取预设特征类型对应的数据作为所述患者的医疗特征数据。

可选地，其中，所述预设特征类型的确定包括：

获取若干患者的病历文本数据；

采用Hive对所述若干患者的病历文本数据进行处理，以确定所述预设特征类型。

可选地，其中，所述评估模型的构建包括：

获取若干患者的医疗特征数据；

将所述若干患者的医疗特征数据输入机器学习模型进行训练；

当准确率满足预设阈值，将训练后的所述机器学习模型确定为所述评估模型。

可选地，其中，所述机器学习模型是改进的BERT模型，其中，所述改进的BERT模型是在BERT模型的linear层之前，增加dropout层。

可选地，其中，所述基于所述评估结果，确定用于所述患者的全病程照护方案包括：

当所述评估结果符合预设标准，从预设病种科室库中确定能够提供照护服务的病种科室；

从预设全病程照护标准方案库中选择与所述病种科室对应的全病程照护标准方案，以作为所述患者的全病程照护方案。

可选地，其中，若确定能够提供照护服务的病种科室有多个，则所述从预设全病程照护标准方案库中选择与所述病种科室对应的全病程照护标准方案，以作为所述患者的全病程照护方案包括：

从预设全病程照护标准方案库中选择与每个病种科室对应的全病程照护标准方案，获得多个全病程照护标准方案；

将所述多个全病程照护标准方案进行整合，以作为所述患者的全病程照护方案。

可选地，其中，当所述患者的病史信息发生变更时，所述方法还包括：

基于变更后的病史信息，重新确定所述患者的医疗特征信息，以重新确定所述患者的全病程照护方案。

可选地，所述方法还包括：

将变更后的患者的病史信息用于预设特征类型的优化。

根据本申请的另一方面，提供了一种用于确定患者的全病程照护方案的装置，其中，所述装置包括：

第一模块，用于基于患者的病史信息，获得所述患者的医疗特征数据；

第二模块，用于将所述医疗特征数据输入评估模型，获取所述患者的评估结果；

第三模块，用于基于所述评估结果，确定用于所述患者的全病程照护方案。

可选地，所述装置还包括：

第四模块，用于当患者的病史信息发生变更时，基于变更的所述患者的病史信息，重新确定所述患者的医疗特征信息，以重新确定所述患者的全病程照护方案。

可选地，所述装置还包括：

第五模块，用于将变更的所述患者的病史信息用于预设全病程照护标准方案集的优化。

与现有技术相比，本申请提供一种用于确定患者全病程照护方案的技术方案，包括：基于患者的病史信息，确定所述患者的医疗特征数据；将所述医疗特征数据输入评估模型，获取所述患者的评估结果；基于所述评估结果，确定用于所述患者的全病程照护方案。进一步地，基于所述评估结果，从预设病种科室库中确定能够提供照护服务的病种科室；从预设全病程照护标准方案库中选择与所述病种科室对应的全病程照护标准方案，以作为所述患者的全病程照护方案，其中，若确定能够提供照护服务的病种科室有多个，则从预设全病程照护标准方案库中选择与每个病种科室对应的全病程照护标准方案，获得多个全病程照护标准方案；将所述多个全病程照护标准方案进行整合，以作为所述患者的全病程照护方案。进一步地，当患者的病史信息发生变更时，还基于变更后的病史信息，重新确定所述患者的医疗特征信息，以重新确定所述患者的全病程照护方案。

带来的技术效果：

将患者的医疗特征数据输入评估模型进行评估，提升了获得评估结果的效率以及评估的客观性及准确率，基于评估结果确定患者的全病程照护方案对于患者来说更全面、更完整。进一步地，患者的全病程照护方案会根据该患者的病史信息的更新而重新确定，以与该患者的当前状况相适应，实现了对患者全病程照护的及时性。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：

图1示出根据本申请一个方面的一种用于确定患者全病程照护方案的方法流程图；

图2示出根据本申请另一个方面的一种用于确定患者全病程照护方案的装置示意图；

附图中相同或相似的附图标记代表相同或相似的部件。

具体实施方式

下面结合附图对本发明作进一步详细描述。

在本申请一个典型的配置中，装置、模块和可信方均可能包括一个或多个处理器(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非暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

为更进一步阐述本申请所采取的技术手段及取得的效果，下面结合附图及优选实施例，对本申请的技术方案，进行清楚和完整的描述。

图1示出根据本申请一个方面的一种用于确定患者全病程照护方案的方法流程图，其中，一个实施例的方法包括：

S101基于患者的病史信息，确定所述患者的医疗特征数据；

S102将所述医疗特征数据输入评估模型，以确定所述患者的评估结果；

S103基于所述评估结果，确定用于所述患者的全病程照护方案。

本申请的方法实施例通过多病种全病程整合照护系统200实施，本申请中的患者通常是指曾经住过院或还在住院的疾病患者。

患者在就医时会登记个人信息，就医后会记录患者的门诊就医信息(比如：就诊日期、就诊地点、门诊类型、主述、现病史、既往史、手术史、过敏史、诊断意见等)，入院记录信息(比如：入院日期、住院地点、主述、现病史、既往史、手术史、过敏史、专科情况、诊断意见等)，住院病程记录(比如：入院日期、医生记录日期、住院地点、记录类型、病程记录内容、病历特点、初步诊断依据、鉴别诊断、病情评估等)、出院记录信息(比如：入院日期、出院日期、住院地点、住院天数、主述、入院情况、治疗经过、出院诊断、出院情况、出院医嘱等)和上述各阶段的各类检查报告信息(比如：体格检查、血液检查、CT检查、X光检查、核磁共振检查、胃镜检查、肿瘤切片检查等)，患者的病史信息包括上述各类信息。在该实施例中，在步骤S101中，系统200基于患者的病史信息，确定该患者的医疗特征数据。

其中，若可获取的患者的病史信息是纸质的，通常先要扫描成电子文件，其格式通常是不可直接编辑的文本图像。

可选地，其中，所述步骤S101包括：

获取包含患者的病史信息的文本图像；

对所述文本图像进行文本识别，获得所述患者的病历文本数据；

从所述患者的病历文本数据中提取预设特征类型对应的数据作为所述患者的医疗特征数据。

其中，系统200获取包含患者的病史信息的文本图像，采用OCR(OpticalCharacter Recognition，光学字符识别)技术或基于机器学习算法的图像文本识别模型对文本图像进行文本识别，获得该患者的病历文本数据，再从该患者的病历文本数据中提取预设特征类型对应的数据作为该患者的医疗特征数据。

其中，患者的病历文本数据包括但不限于：患者的个人信息、历史就医和/或检查时间、就医和/或检查地点、疾病种类、发病部位、症状、既往病史、根据历史就医或检查时间分别记录的各类指标(比如如下中的一项或多项：血常规、尿常规、便常规、生化、凝血功能、D-二聚体、血气分析、红细胞沉降率、CRP、感染五项痰培养、药敏实验、胸片、心电图、肺功能扩展实验、超声心动图、CT、B超、CD34计数、红细胞CD55计数、中性粒细胞CD55计数、GPⅡb/Ⅲa复合蛋白测定、血小板相关免疫球蛋白测定、尿液葡萄糖定量、尿液葡萄糖定性、α-丙氨酸测定、甲状旁腺激素测定、游离三碘甲状腺原氨酸测定、醛固酮-18-葡萄糖醛酸苷测定、呋塞米兴奋试验、血清总胆汁酸测定、谷胱甘肽测定、肺泡-动脉氧分压差、动脉-肺泡氧分压比、氧分压、血液半饱和氧分压、骨碱性磷酸酶测定、抗酒石酸酸性磷酸酶测定等)检查的数值，以及诊疗信息。

其中，从患者的病历文本信息中提取最能反映该患者状况、对评估该患者健康状况最有用的一些预设特征类型的数据，确定为该患者的医疗特征数据，比如：患者的疾病类别、发病部位、症状、发病时间周期、各类检验项目结果等预设特征类型。每个患者的病历文本数据都保存在系统200的数据库中。

可选地，其中，所述预设特征类型的确定包括：

获取若干患者的病历文本数据；

采用Hive对所述若干患者的病历文本数据进行处理，以确定预设特征类型。

Hive是基于开源软件平台Hadoop的一个数据仓库工具，可用来对大数据进行整合，提取、转化、加载数据。

其中，对于系统200的数据库中的大量患者的病历文本数据，可采用Hive对这些海量的患者的病历文本数据进行处理，筛选相同病种的患者的病历文本数据、对相同病种的患者的相同数据类型的差异化的数据值进行加工，得到相同病种的差异化数据，进而将最能反映该病种的一个或多个数据类型确定为预设特征类型。其中，通过Hive工具，先筛选出相同病种的若干患者的病历文本数据，然后对筛选出的病历文本数据进行整合，比如，根据传染性、遗传性、临床分期、病理分型、分子分型、组织学分型、影像学分型等多个维度进行整合，获得不同年龄段、发病时间周期、病灶部位的多个维度数据，然后结合每个维度的数据差异值，确定一个或多个数据类型作为用于确定患者医疗特征数据的预设特征类型。进一步地，在基于Hive对海量患者的病历文本数据进行整合的基础上，还可结合医学研究的实验结论，对相同维度数据再进行整合，以提升确定患者医疗特征数据的准确性。

继续在该实施例中，在步骤S102中，系统200将确定的该患者的医疗特征数据输入评估模型，以确定该患者的评估结果。

可选地，其中，所述评估模型的构建包括：

获取若干患者的医疗特征数据；

将所述若干患者的医疗特征数据输入机器学习模型进行训练；

当准确率满足预设阈值，将训练后的所述机器学习模型确定为所述评估模型。

其中，所述机器学习模型是基于无监督的机器学习模型，比如，改进的BERT(Bidirectional Encoder Representations from Transformers，来自变压器的双向编码表示)模型。将获取的若干患者的医疗特征数据用于训练该机器学习模型进行无监督训练，当训练后的机器学习模型的预测准确率满足预设阈值时，将训练后的机器学习模型确定为评估模型。

可选地，其中，所述机器学习模型是改进的BERT模型，其中，所述改进的BERT模型是在BERT模型的linear层之前，增加dropout层。

其中，为了减少BERT模型训练过程中的过拟合可能性，同时增强模型中神经元的独立性，对BERT模型进行了改进，在linear层之前，加入一个dropout层。在对患者的医疗特征数据进行训练之前，通常会随机将患者的医疗特征数据中一部分词语进行屏蔽，然后在训练的过程中，使用该患者的医疗特征数据中其他没有被屏蔽的词语对被屏蔽的词语进行预测。

其中，为了增加训练数据的多样性，还可以随机生成模拟的患者的医疗特征数据用于该改进的BERT模型的训练。

继续在该实施例中，在步骤S103中，系统200基于该评估结果，确定该患者的全病程照护方案。

可选地，其中，所述步骤S103包括：

当所述评估结果符合预设标准，从预设病种科室库中确定能够提供照护服务的病种科室；

从预设全病程照护标准方案库中选择与所述病种科室对应的全病程照护标准方案，以作为所述患者的全病程照护方案。

其中，在步骤102中获得该患者的评估结果后，在步骤S103中，先对照患者是否需要确定针对性照护方案的评估标准(或称入案标准)对该患者的评估结果进行评估。若患者的医疗特征数据输入评估模型后，其某一项数据被作为评估结果，比如一个示例中，患者的血压收缩压大于150mmHg，血压舒张压大于100mmHg，不在预设标准值范围(血压收缩压不大于140mmHg，血压舒张压不大于90mmHg)，可认为该患者的血压为高值高血压预警，符合入案标准，应针对该患者的高血压病种确定照护方案。

其中，系统200中设置有病种科室库以及与病种科室库对应的全病程照护标准方案库，其中，每个病种科室库对应全病程照护标准方案库中的一个或多个全病程照护标准方案。

若每个病种科室库对应全病程照护标准方案库中的一个全病程照护标准方案，上述示例中，在确定患者的评估结果符合入案标准后，根据评估结果，从预设病种科室库中确定能够提供照护服务的高血压病种科室，然后从预设全病程照护标准方案库中选择与高血压病种科室对应的与高血压病种对应的全病程照护标准方案，以作为该患者的全病程照护方案。

可选地，其中，可以针对具备制订全病程照护方案资格的各病种科室的医生设置医生库，该预设医生库中的所有医生制订的全病程照护方案组成上述的全病程照护标准方案库。在该预设的医生库中，每一名医生都有一个对应的医生匹配值。若每个病种科室库对应全病程照护标准方案库中的多个全病程照护标准方案，上述示例中，在确定患者的评估结果符合入案标准后，根据评估结果，从预设病种科室库中确定能够提供照护服务的高血压病种科室，然后从预设全病程照护标准方案库中选择与高血压病种科室对应的与高血压病种对应的多个全病程照护标准方案，再根据该患者的医疗特征数据，从该预设医生库中对应这些全病程照护标准方案的多个医生中确定一名医生匹配值最高的医生，将这些全病程照护标准方案中该医生制订的高血压病种全病程照护标准方案作为该患者的全病程照护方案。

其中，全病程照护标准方案库中，每个医生对应的全病程照护标准方案是每个医生参考Hive工具对海量的患者的病史信息的处理后，结合医生擅长的病种、专业知识、资历经验等确定的。全病程照护标准方案通常包括：药物治疗、功能训练、随访计划、评估方案、复诊计划、日常提醒、疗程管理师任务、健康宣教、运动处方等项目，不同病种、不同医生制订的全病程照护标准方案中，这些项目的具体内容不同。

可选地，其中，若确定能够提供照护服务的病种科室有多个，则所述从预设全病程照护标准方案库中选择与所述病种科室对应的全病程照护标准方案，以作为所述患者的全病程照护方案包括：

从预设全病程照护标准方案库中选择与每个病种科室对应的全病程照护标准方案，获得多个全病程照护标准方案；

将所述多个全病程照护标准方案进行整合，以作为所述患者的全病程照护方案。

其中，若根据患者的评估结果，确定能够提供照护服务的病种科室有多个，比如一个示例中，患者的血压收缩压大于150mmHg，血压舒张压大于100mmHg，不在预设标准值范围(血压收缩压不大于140mmHg，血压舒张压不大于90mmHg)，而且患者的心脏功能指标中，左心室射血分数测定值为35(正常标准值小于40)，CLIA(Chemiluminescence Immunoassay，化学发光免疫分析)法BNP(B型利尿钠肽)测定值为420ng/L(正常标准值小于100ng/L),NT-proBNP(N末端B型利尿钠肽原)测定值为1700ng/L(正常标准值小于1500ng/L)，可认为该患者的血压为高值高血压预警，心脏存在心力衰竭预警，符合入案标准，从预设全病程照护标准方案库中选择高血压病种科室对应的全病程照护标准方案和心脏病病种科室对应的全病程照护标准方案，然后将高血压病种科室对应的全病程照护标准方案和心脏病病种科室对应的全病程照护标准方案进行整合，比如根据评估结果，认为心力衰竭预警程度比高值高血压预警更严重，则以心脏病病种科室对应的全病程照护标准方案为基础，结合高血压病种全病程照护标准方案中相应项内容进行整合后，作为该患者的全病程照护方案。

可选地，其中，当所述患者的病史信息发生变更时，所述方法还包括：

S105(未示出)基于变更的所述患者的病史信息，重新确定所述患者的医疗特征信息，以重新确定所述患者的全病程照护方案。

其中，当患者的病史信息发生变更时，有可能导致该患者的医疗特征数据发生变化，可以根据变更后的该患者的病史信息，重新获取该患者的医疗特征数据，再根据步骤S102和S103，将重新获取的该患者医疗特征数据输入评估模型，重新获取该患者的评估结果，然后基于重新获取的评估结果，确定更全面的、与当前患者状况更适合的全病程照护方案。

本申请的该实施例中，参照系统200确定的该患者的全病程照护方案，其中，包括对药物治疗、功能训练、随访计划、评估方案、复诊计划、日常提醒、疗程管理师任务、健康宣教、运动处方等项目的照护内容，对该患者进行照护。

一个可选实施例中，从执行该患者的全病程照护方案之时开始，还根据该患者接收照护后的状况更新系统200中该患者的病史信息，并定期(比如以天或周为单位)优化、调整包括药物治疗、功能训练、随访计划、评估方案、复诊计划、日常提醒、疗程管理师任务、健康宣教、运动处方等方面内容的全病程照护方案。

可选地，所述一种用于确定患者全病程照护方案的方法还包括：

S106(未示出)将变更的患者的病史信息用于预设全病程照护标准方案集的优化。

其中，为了获得更精准的多病种全病程照护标准方案，还可将变更的患者的病史信息加入到海量患者的病史数据，通过Hive工具进行处理，以供医生用于优化预设全病程照护标准方案集中其制订的全病程全病程照护标准方案。

图2示出本申请另一个方面的一种用于确定患者的全病程照护方案的装置示意图，其中，一个实施例的装置包括：

第一模块201，用于基于患者的病史信息，获得所述患者的医疗特征数据；

第二模块202，用于将所述医疗特征数据输入评估模型，获取所述患者的评估结果；

第三模块203，用于基于所述评估结果，确定所述患者的全病程照护方案。

所述装置集成在实施上述方法实施例的一种用于确定患者的全病程照护方案的系统200中。

其中，该装置的第一模块201基于患者的病史信息，获得该患者的医疗特征数据。

其中，若可获取的患者的病史信息是纸质的，通常先要扫描成电子文件，其格式通常是不可直接编辑的文本图像。该第一模块201获取包含患者的病史信息的文本图像，采用OCR(Optical Character Recognition，光学字符识别)技术或基于机器学习算法的图像文本识别模型对文本图像进行文本识别，获得该患者的病历文本数据，再从该患者的病历文本数据中提取预设特征类型对应的数据作为该患者的医疗特征数据。每个患者的病历文本数据都保存在系统200的数据库中。

该装置的第二模块202将确定的该患者的医疗特征数据输入评估模型，以确定该患者的评估结果。

该装置的第三模块203基于该评估结果，确定该患者的全病程照护方案。

其中，在第二模块202获得该患者的评估结果后，提供给第三模块203，在第三模块203中，先对照患者是否需要确定针对性照护方案的评估标准(或称入案标准)对该患者的评估结果进行评估。若患者的医疗特征数据输入评估模型后，其某一项数据被作为评估结果，比如一个示例中，患者的血压收缩压大于150mmHg，血压舒张压大于100mmHg，不在预设标准值范围(血压收缩压不大于140mmHg，血压舒张压不大于90mmHg)，可认为该患者的血压为高值高血压预警，符合入案标准，应针对该患者的高血压病种确定照护方案。针对该示例，第三模块203可以从预设病种科室库中确定能够提供照护服务的高血压病种科室，然后从预设全病程照护标准方案库中选择与高血压病种科室对应的与高血压病种对应的全病程照护标准方案，以作为该患者的全病程照护方案。

可选地，所述装置还包括：

第四模块204(未示出)，用于当患者的病史信息发生变更时，基于变更的所述患者的病史信息，重新确定所述患者的医疗特征信息，以重新确定所述患者的全病程照护方案。

其中，当该患者的病史信息发生变更时，有可能导致该患者的医疗特征数据发生变化，该装置第四模块204可以根据变更后的该患者的病史信息，重新获取该患者的医疗特征数据，再根据第二模块202和第三模块203，将重新获取的该患者医疗特征数据输入评估模型，重新获取该患者的评估结果，然后基于重新获取的评估结果，确定更全面的、与当前患者状况更适合的全病程照护方案。

可选地，为了获得更精准的多病种全病程照护标准方案，所述装置还包括：

第五模块205(未示出)，用于将变更的所述患者的病史信息用于预设全病程照护标准方案集的优化。

该装置的第五模块205可将变更的患者的病史信息加入到海量患者的病史数据，通过Hive工具进行处理，以供医生用于优化预设全病程照护标准方案集中其制订的全病程全病程照护标准方案。

根据本申请的又一方面，还提供了一种计算机可读介质，所述计算机可读介质存储有计算机可读指令，所述计算机可读指令可被处理器执行以实现前述方法。

需要注意的是，本申请可在软件和/或软件与硬件的组合体中被实施，例如，可采用专用集成电路(ASIC)、通用目的计算机、缓存计算机和/或任何其他类似硬件设备来实现。在一个实施例中，本申请中涉及的软件程序可以通过处理器执行以实现上文所述步骤或功能。同样地，本申请的软件程序(包括相关的数据结构)可以被存储到计算机可读记录介质中。另外，本申请的一些步骤或功能可采用硬件来实现，例如，作为与处理器配合从而执行各个步骤或功能的电路。

另外，本申请的一部分可被应用为计算机程序产品，例如计算机程序指令，当其被计算机执行时，通过该计算机的操作，可以调用或提供根据本申请的方法和/或技术方案。而调用本申请的方法的程序指令，可能被存储在固定的或可移动的记录介质中，和/或通过广播或其他信号承载媒体中的数据流而被传输，和/或被存储在根据所述程序指令运行的计算机设备的工作存储器中。在此，根据本申请的一个实施例包括一种用于确定患者的全病程照护方案的设备，该设备包括用于存储计算机程序指令的存储器和用于执行程序指令的处理器，其中，当该计算机程序指令被该处理器执行时，触发该设备运行基于前述根据本申请的多个实施例的方法和/或技术方案。

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。装置权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件和/或者硬件来实现。第一，第二等词语用来表示名称，而并不表示任何特定的顺序。

Claims (11)

1.一种用于确定患者全病程照护方案的方法，其特征在于，所述方法包括：

基于患者的病史信息，确定所述患者的医疗特征数据；

将所述医疗特征数据输入评估模型，获取所述患者的评估结果；

基于所述评估结果，确定所述患者的全病程照护方案。

2.根据权利要求1所述的方法，其特征在于，所述基于患者的病史信息，确定所述患者的医疗特征数据包括：

获取包含患者的病史信息的文本图像；

对所述文本图像进行文本识别，获得所述患者的病历文本数据；

从所述病历文本数据中提取预设特征类型对应的数据作为所述患者的医疗特征数据。

3.根据权利要求2所述的方法，其特征在于，所述预设特征类型的确定包括：

获取若干患者的病历文本数据；

采用Hive对所述若干患者的病历文本数据进行处理，以确定所述预设特征类型。

4.根据权利要求3所述的方法，其特征在于，所述评估模型的构建包括：

获取若干患者的医疗特征数据；

将所述若干患者的医疗特征数据输入机器学习模型进行训练；

当准确率满足预设阈值，将训练后的所述机器学习模型确定为所述评估模型。

5.根据权利要求2所述的方法，其特征在于，所述机器学习模型是改进的BERT模型，其中，所述改进的BERT模型是在BERT模型的linear层之前，增加dropout层。

6.根据权利要求1所述的方法，其特征在于，所述基于所述评估结果，确定用于所述患者的全病程照护方案包括：

当所述评估结果符合预设标准，从预设病种科室库中确定能够提供照护服务的病种科室；

从预设全病程照护标准方案库中选择与所述病种科室对应的全病程照护标准方案，以作为所述患者的全病程照护方案。

7.根据权利要求6所述的方法，其特征在于，若确定能够提供照护服务的病种科室有多个，则所述从预设全病程照护标准方案库中选择与所述病种科室对应的全病程照护标准方案，以作为所述患者的全病程照护方案包括：

从预设全病程照护标准方案库中选择与每个病种科室对应的全病程照护标准方案，获得多个全病程照护标准方案；

将所述多个全病程照护标准方案进行整合，以作为所述患者的全病程照护方案。

8.根据权利要求2所述的方法，其特征在于，当所述患者的病史信息发生变更时，所述方法还包括：

基于变更后的病史信息，重新确定所述患者的医疗特征信息，以重新确定所述患者的全病程照护方案。

9.一种用于确定患者的全病程照护方案的装置，其特征在于，所述装置包括：

第一模块，用于基于患者的病史信息，获得所述患者的医疗特征数据；

第二模块，用于将所述医疗特征数据输入评估模型，获取所述患者的评估结果；

第三模块，用于基于所述评估结果，确定所述患者的全病程照护方案。

10.一种计算机可读介质，其特征在于，

其上存储有计算机可读指令，所述计算机可读指令被处理器执行以实现如权利要求1至8中任一项所述的方法。

11.一种用于确定患者全病程照护方案的设备，其特征在于，所述设备包括：

一个或多个处理器；以及

存储有计算机可读指令的存储器，所述计算机可读指令在被执行时使所述处理器执行如权利要求1至8中任一项所述方法的操作。

Images