CN114328979A - 一种基于医学知识图谱的医学点数字数据推荐算法 - Google Patents

Abstract

本发明涉及数据推荐技术领域，具体地说，涉及一种基于医学知识图谱的医学点数字数据推荐算法。其包括以下步骤：构建医学知识图谱的数据集；在患者进入医院前进行信息采集，提取患者信息的关键字；通过关键字匹配数据推荐算法将关键字输入医学知识图谱数据集中，输出匹配信号，则键出知识图谱数据传送到患者手机内，生成数据推荐路线，指引患者根据步骤到医学点就诊，就诊医生可直接接收知识图谱数据了解病情。本发明根据当前元素可以初步诊断患者，生成数据推荐路线，患者可以根据手机内的推荐路线了解下一步的步骤，根据指引快速找到就诊医学点，同时在就诊时医生可以直接调出，提高工作效率，避免患者迷茫导致延误治疗。

Description

一种基于医学知识图谱的医学点数字数据推荐算法

技术领域

本发明涉及数据推荐技术领域，具体地说，涉及一种基于医学知识图谱的医学点数字数据推荐算法。

背景技术

医院是治疗和护理病人的机构，也兼做健康检查、疾病预防等，用户在感到不适时会到医院进行就诊，但是当前患者“知症不知病”“知病不知科”,医院分诊护士较少、工作量大的矛盾突出，因此患者不能快速确定医学点，导致延误病情，并且医院在接待患者时需要有序的进行多个步骤，但是对于第一次去医院看诊的患者不能准确了解看病的流程步骤，容易出现迷路着急的现象，导致耽误较长时间看诊，鉴于此，我们提出一种基于医学知识图谱的医学点数字数据推荐算法。

发明内容

本发明的目的在于提供一种基于医学知识图谱的医学点数字数据推荐算法，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供一种基于医学知识图谱的医学点数字数据推荐算法，包括以下步骤：

S1、构建医学知识图谱的数据集；

S2、在患者进入医院前进行信息采集，提取患者信息的关键字；

S3、通过关键字匹配数据推荐算法将关键字输入医学知识图谱数据集中，包括以下姿态：

姿态一、输出匹配信号，则键出知识图谱数据传送到患者手机内，生成数据推荐路线，指引患者根据步骤到医学点就诊，就诊医生可直接接收知识图谱数据了解病情；

姿态二、输出不匹配信号，则键出附近可就诊的医院信息。

因此，医院可以先构建医学知识图谱的数据集，数据集由多个元素组成，其中元素包括医学命名，疾病，病症，治疗方案，科室的元素特征，也就是符合元素特征的病人可以在当前医院进行就诊，患者A在进行就诊时，采集患者A的信息，包括患者基本信息、病症，根据患者信息提取关键字，也就是病症的关键字，通过病症的关键字可以在数据集中搜寻，直至找到元素对应的元素特征，根据当前元素可以初步诊断患者的医学命名、治疗方案、科室，从而可以生成数据推荐路线，患者可以根据手机内的推荐路线了解下一步的步骤，根据指引快速找到就诊医学点，同时在就诊时医生可以直接调出，提高工作效率；

反之，在知识图谱的数据集中没有找到元素对应的元素特征，则输出不匹配信号，也就是表示当前医院不治疗此类病症，因此可以键出可就诊医院信息，便于患者快速选择，提高就诊效率，避免患者迷茫导致延误治疗。

作为本技术方案的进一步改进，所述S1中构建医学知识图谱的数据集包括以下步骤：

通过神经网络模型识别医学命名实体；

实体链接：计算实体提及和知识库中实体的相似度，并基于相似度选择特定实体提及的目标实体，将抽取的实体与知识库中对应的实体进行链接；

利用语义关系抽取技术，可根据结构化的抽取结果自动生成知识图谱，将生成的知识图谱组成数据集。

作为本技术方案的进一步改进，所述语义关系抽取技术采用机器学习算法，包括以下步骤：

首先从文本中生成句法和语义等特征，以向量的形式呈递给分类器，利用分类器判断句子中实体对之间的关系，将医学结构化。

作为本技术方案的进一步改进，所述S2中信息采集采用语音采集设备。

作为本技术方案的进一步改进，所述语音关键字提取采用语音转换文字算法，包括以下步骤：

首先将语音采集设备采集的语音信息解析为更小的声音单元，然后借助声学模型及深度学习的数据模型，转换为对应的文字，然后遍历文字内容搜寻关键字。

作为本技术方案的进一步改进，所述S3中的生成数据推荐路线包括以下步骤：

先根据知识图谱对应的科室制定问诊步骤和就医点的坐标位置，问诊步骤包括：挂号、报道和就诊的就医点，定位患者当前位置，根据当前位置对下一个步骤对应就医点的坐标位置进行导航指引，形成数据推荐路线图。

作为本技术方案的进一步改进，所述S3中在输出匹配信号时还包括优先级推荐算法，所述优先级推荐算法用于接收到多个匹配信号，识别多个匹配信号对应的科室，将多个科室在同一时间间隔内的问诊患者的数量进行排序，优先选择数量多的科室作为键出的知识图谱数据。

作为本技术方案的进一步改进，所述S3中在输出匹配信号时还包括排队预测算法，所述排队预测算法用于根据键出的知识图谱确定患者待问诊科室的排队人数，根据排队人数预测等待时间，表达式为：

其中，T为患者排队等待时间，n为排队人数，t为患者问诊时长。

与现有技术相比，本发明的有益效果：

该基于医学知识图谱的医学点数字数据推荐算法中，通过病症的关键字可以在数据集中搜寻，直至找到元素对应的元素特征，根据当前元素可以初步诊断患者的医学命名、治疗方案、科室，从而可以生成数据推荐路线，患者可以根据手机内的推荐路线了解下一步的步骤，根据指引快速找到就诊医学点，同时在就诊时医生可以直接调出，提高工作效率，反之，在知识图谱的数据集中没有找到元素对应的元素特征，可以键出可就诊医院信息，便于患者快速选择，提高就诊效率，避免患者迷茫导致延误治疗。

附图说明

图1为本发明实施例1的整体结构流程图；

图2为本发明实施例1的构建医学知识图谱的数据集的流程框图；

图3为本发明实施例1的语音转换文字算法流程框图；

图4为本发明实施例1的数据推荐路线示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。

实施例1

请参阅图1-图4所示，本实施例提供一种基于医学知识图谱的医学点数字数据推荐算法，包括以下步骤：

S1、构建医学知识图谱的数据集；

具体的，所述S1中构建医学知识图谱的数据集包括以下步骤：

通过神经网络模型识别医学命名实体，其中，具体包括以下步骤：利用卷积神经网络训练出具有形态特征的字符向量和具有语义特征信息的词向量，将二者结合起来输入神经网络模型中，输出医学命名实体；

实体链接：计算实体提及和知识库中实体的相似度，并基于相似度选择特定实体提及的目标实体，将抽取的实体与知识库中对应的实体进行链接；

利用语义关系抽取技术，可根据结构化的抽取结果自动生成知识图谱，将生成的知识图谱组成数据集；

综上，医学知识图谱是一个以实体为节点的巨大知识网络，包括实体、实体属性及实体之间的关系，数据集就是表达知识图谱的集合，数据集由多个知识图谱元素组成，一个知识图谱元素可以包括医学命名，病症，治疗方案，科室的元素特征，在确定一个元素特征后，可以确定知识图谱元素，从而得到所有的元素特征，从而方便医院进行后续的智能导诊和疾病筛查。

具体的，所述语义关系抽取技术采用机器学习算法，包括以下步骤：

首先从文本中生成句法和语义等特征，以向量的形式呈递给分类器，利用分类器判断句子中实体对之间的关系，将医学结构化，例如“疾病-症状”分类对应，从而可以生成知识图谱，根据图谱可以确定疾病对应的症状。

S2、在患者进入医院前进行信息采集，提取患者信息的关键字；

其中，所述S2中信息采集采用语音采集设备，语音采集设备在使用时原理如本技术领域所知的那样，当语音输入之后，首先停止模电转换，将模仿信号转变为数字信号，再停止静音切除去掉无关噪音，然后停止分帧。将此时的信号分红一帧一帧之后（每一帧并不是独立存在的而是相互关联的），还要停止一系列的信号处置，包括预加重、加窗之后，再停止FFT变换之后，再经过Mel参数的滤波和取对数、离散余弦变换等一系列算法处置后，能够停止用梅尔频率倒谱系数（MFCC）停止特征提取，得到声学特征。

具体的，所述语音关键字提取采用语音转换文字算法，包括以下步骤：

首先将语音采集设备采集的语音信息解析为更小的声音单元，然后借助声学模型及深度学习的数据模型，转换为对应的文字，然后遍历文字内容搜寻关键字，其中，关键字优选为器官+感觉词语，例如患者发出语音内容转换为文字为“我肺部有些痛”，则可以搜寻关键字器官+感觉词语=肺部+痛，可以采集到患者信息的关键字，方便后续匹配知识图谱。

S3、通过关键字匹配数据推荐算法将关键字输入医学知识图谱数据集中，包括以下姿态：

姿态一、输出匹配信号，则键出知识图谱数据传送到患者手机内，生成数据推荐路线，指引患者根据步骤到医学点就诊，就诊医生可直接接收知识图谱数据了解病情，避免二次问诊浪费时间，有效改善患者的就医体验，提高医疗服务的精准度和效率；

姿态二、输出不匹配信号，则键出附近可就诊的医院信息，考虑到当前医院不能针对患者病情分布医院的情况，因此，可以在输出不匹配信号，也就是根据患者信息无法匹配当前医院的知识图谱，可以根据患者信息的关键字配对含有知识图谱的医院，方便用户根据自身情况选择就诊医院，避免延误病情。

此外，所述S3中的生成数据推荐路线包括以下步骤：

先根据知识图谱对应的科室制定问诊步骤和就医点的坐标位置，问诊步骤包括：挂号、报道和就诊的就医点，定位患者当前位置，根据当前位置对下一个步骤对应就医点的坐标位置进行导航指引，形成数据推荐路线图；

其中，如图4所示，用户在进行输出匹配信号后，将根据科室内容生成数据推荐路线，使患者可以根据步骤进行问诊，具体的：

步骤一：到达①点进行挂号；

步骤二：到达②点进行报道；

步骤三：到达③点进行问诊；

综上，将问诊的步骤可以清晰的从数据推荐路线上表示出来，其中，在进行路线指引时可以采用GPS导航算法，将前往下一步坐标点的路线规划处理，患者可以根据导航移动，方便患者快速寻找位置，避免迷路耽误时间，提高便捷性。

因此，医院可以先构建医学知识图谱的数据集，数据集由多个元素组成，其中元素包括医学命名，疾病，病症，治疗方案，科室的元素特征，也就是符合元素特征的病人可以在当前医院进行就诊，患者A在进行就诊时，采集患者A的信息，包括患者基本信息、病症，根据患者信息提取关键字，也就是病症的关键字，通过病症的关键字可以在数据集中搜寻，直至找到元素对应的元素特征，根据当前元素可以初步诊断患者的医学命名、治疗方案、科室，从而可以生成数据推荐路线，患者可以根据手机内的推荐路线了解下一步的步骤，根据指引快速找到就诊医学点，同时在就诊时医生可以直接调出，提高工作效率；

反之，在知识图谱的数据集中没有找到元素对应的元素特征，则输出不匹配信号，也就是表示当前医院不治疗此类病症，因此可以键出可就诊医院信息，便于患者快速选择，提高就诊效率，避免患者迷茫导致延误治疗。

实施例2

考虑到患者的病症可以在多个元素中匹配到，也就是多个科室治疗的疾病都含有此类病症，不方便对用户进行数据推荐，因此，为了提高推荐效果，本实施例与实施例1不同的是，其中：

所述S3中在输出匹配信号时还包括优先级推荐算法，所述优先级推荐算法用于接收到多个匹配信号，识别多个匹配信号对应的科室，将多个科室在同一时间间隔内的问诊患者的数量进行排序，优先选择数量多的科室作为键出的知识图谱数据；

由于一些疾病在一些时间段爆发严重，因此，若科室问诊较多说明最近一段时间内此类患者较多，所有当前问诊的患者患该科室疾病的概率较大，可以优先进行该科室的问诊，方便快速定位，提高推荐效率；

其中，多个科室在同一时间间隔内的问诊患者数量，可以自定义时间间隔，如一周内科室1问诊患者110，科室2问诊患者80，科室3问诊患者96，则可以通过数值比较算法，将110、80、96的数值进行比较，得到科室数值大小排序为：科室1、科室3、科室2，则可以先向患者推荐科室1进行问诊。

实施例3

考虑到患者在前往科室进行问诊时，不能确定科室排队情况，若科室较多人排队，不能确定自己的时间，导致浪费较多时间在排队上，因此，为了提高患者的就医体验，本实施例与实施例1不同的是，其中：

所述S3中在输出匹配信号时还包括排队预测算法，所述排队预测算法用于根据键出的知识图谱确定患者待问诊科室的排队人数，根据排队人数预测等待时间，表达式为：

其中，T为患者排队等待时间，n为排队人数，t为患者问诊时长；

假设患者待问诊科室无排队人，n=0，表示患者可以直接进行问诊，不需要排队，假设患者待问诊科室排队有5人，n=5，每个患者问诊的平均时长为t=10min，则T=5*10=50min，表示患者需要等待50min，因此，患者可以了解到自己有50min左右的时间准备问诊，50min内可以自由活动，处理自己的事情，方便患者进行时间规划，提高患者就医体验。

以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的仅为本发明的优选例，并不用来限制本发明，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (8)

1.一种基于医学知识图谱的医学点数字数据推荐算法，其特征在于，包括以下步骤：

S1、构建医学知识图谱的数据集；

S2、在患者进入医院前进行信息采集，提取患者信息的关键字；

S3、通过关键字匹配数据推荐算法将关键字输入医学知识图谱数据集中，包括以下姿态：

姿态一、输出匹配信号，则键出知识图谱数据传送到患者手机内，生成数据推荐路线，指引患者根据步骤到医学点就诊，就诊医生可直接接收知识图谱数据了解病情；

姿态二、输出不匹配信号，则键出附近可就诊的医院信息。

2.根据权利要求1所述的基于医学知识图谱的医学点数字数据推荐算法，其特征在于：所述S1中构建医学知识图谱的数据集包括以下步骤：

通过神经网络模型识别医学命名实体；

实体链接：计算实体提及和知识库中实体的相似度，并基于相似度选择特定实体提及的目标实体，将抽取的实体与知识库中对应的实体进行链接；

利用语义关系抽取技术，可根据结构化的抽取结果自动生成知识图谱，将生成的知识图谱组成数据集。

3.根据权利要求2所述的基于医学知识图谱的医学点数字数据推荐算法，其特征在于：所述语义关系抽取技术采用机器学习算法，包括以下步骤：

首先从文本中生成句法和语义等特征，以向量的形式呈递给分类器，利用分类器判断句子中实体对之间的关系，将医学结构化。

4.根据权利要求1所述的基于医学知识图谱的医学点数字数据推荐算法，其特征在于：所述S2中信息采集采用语音采集设备。

5.根据权利要求4所述的基于医学知识图谱的医学点数字数据推荐算法，其特征在于：所述语音关键字提取采用语音转换文字算法，包括以下步骤：

首先将语音采集设备采集的语音信息解析为更小的声音单元，然后借助声学模型及深度学习的数据模型，转换为对应的文字，然后遍历文字内容搜寻关键字。

6.根据权利要求1所述的基于医学知识图谱的医学点数字数据推荐算法，其特征在于：所述S3中的生成数据推荐路线包括以下步骤：

先根据知识图谱对应的科室制定问诊步骤和就医点的坐标位置，问诊步骤包括：挂号、报道和就诊的就医点，定位患者当前位置，根据当前位置对下一个步骤对应就医点的坐标位置进行导航指引，形成数据推荐路线图。

7.根据权利要求1所述的基于医学知识图谱的医学点数字数据推荐算法，其特征在于：所述S3中在输出匹配信号时还包括优先级推荐算法，所述优先级推荐算法用于接收到多个匹配信号，识别多个匹配信号对应的科室，将多个科室在同一时间间隔内的问诊患者的数量进行排序，优先选择数量多的科室作为键出的知识图谱数据。

8.根据权利要求1所述的基于医学知识图谱的医学点数字数据推荐算法，其特征在于：所述S3中在输出匹配信号时还包括排队预测算法，所述排队预测算法用于根据键出的知识图谱确定患者待问诊科室的排队人数，根据排队人数预测等待时间，表达式为：

其中，T为患者排队等待时间，n为排队人数，t为患者问诊时长。

Images