CN114512241B - 一种基于频次分析的食管静脉瘤信息智能搜寻方法及系统 - Google Patents
一种基于频次分析的食管静脉瘤信息智能搜寻方法及系统 Download PDFInfo
- Publication number
- CN114512241B CN114512241B CN202111609964.2A CN202111609964A CN114512241B CN 114512241 B CN114512241 B CN 114512241B CN 202111609964 A CN202111609964 A CN 202111609964A CN 114512241 B CN114512241 B CN 114512241B
- Authority
- CN
- China
- Prior art keywords
- information
- search
- obtaining
- medical record
- frequency
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 64
- 210000003462 vein Anatomy 0.000 title claims abstract description 58
- 206010028980 Neoplasm Diseases 0.000 title claims abstract description 55
- 238000004458 analytical method Methods 0.000 title claims abstract description 44
- 238000012216 screening Methods 0.000 claims abstract description 54
- 230000005540 biological transmission Effects 0.000 claims abstract description 25
- 230000008859 change Effects 0.000 claims description 22
- 238000007726 management method Methods 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000010276 construction Methods 0.000 claims description 10
- 230000011218 segmentation Effects 0.000 claims description 9
- 208000024891 symptom Diseases 0.000 claims description 7
- 235000019633 pungent taste Nutrition 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 4
- 230000036541 health Effects 0.000 description 21
- 230000008569 process Effects 0.000 description 21
- 230000000694 effects Effects 0.000 description 11
- 238000012549 training Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 7
- 210000002249 digestive system Anatomy 0.000 description 7
- 201000010099 disease Diseases 0.000 description 7
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 7
- 230000001225 therapeutic effect Effects 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000013178 mathematical model Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 241001522296 Erithacus rubecula Species 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000012093 association test Methods 0.000 description 2
- 230000019771 cognition Effects 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 235000005911 diet Nutrition 0.000 description 2
- 230000037213 diet Effects 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000008719 thickening Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000003925 brain function Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000001079 digestive effect Effects 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000012953 feeding on blood of other organism Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 235000004280 healthy diet Nutrition 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007721 medicinal effect Effects 0.000 description 1
- 230000000474 nursing effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/10—Text processing
- G06F40/12—Use of codes for handling textual entities
- G06F40/126—Character encoding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明公开了一种基于频次分析的食管静脉瘤信息智能搜寻方法及系统,所述方法包括:根据第一信息传输通道,获得第一科室的第一历史病历信息;通过对所述第一历史病历信息进行食管静脉瘤病症的标识筛选,获得第一标识病历信息,生成第一搜寻信息库;获得大于等于预设频次的N个关键词作为第一搜寻主题词;将所述第一搜寻信息库和所述第一搜寻主题词作为模型语料库,构建第一搜寻需求预测模型;将第一搜寻词输入所述第一搜寻需求预测模型,获得第一预测信息;根据所述第一预测信息,获得第一搜寻结果。解决了现有技术中存在患者获取信息的平台医疗资源不够准确,且搜寻信息质量不高,从而影响患者心理变化,导致治疗配合度降低的技术问题。
Description
技术领域
本发明涉及食管静脉瘤信息管理相关领域,尤其涉及一种基于频次分析的食管静脉瘤信息智能搜寻方法及系统。
背景技术
近年来,随着科学技术的不断发展,互联网医疗打破了传统的医疗模式,人们也习惯根据自己的信息需求在网上搜寻和获取相关的健康信息。其中,食管静脉瘤是由于食管壁的静脉血管部分增粗、增大造成的,是消化内科比较常见的一种疾病,但由于患者缺乏专业知识,且获取健康信息的主要来源中包含有各种广告、混杂的健康信息,从而使得患者自身病情的认知产生一定的影响,降低了患者的健康管理和自我护理的质量。
但本申请发明人在实现本申请实施例中发明技术方案的过程中,发现上述技术至少存在如下技术问题:
现有技术中存在由于患者获取信息的平台医疗资源不够准确,且搜寻的健康信息质量不高,从而影响患者心理变化,导致治疗配合度降低的技术问题。
发明内容
本申请实施例通过提供一种基于频次分析的食管静脉瘤信息智能搜寻方法及系统,解决了现有技术中存在由于患者获取信息的平台医疗资源不够准确,且搜寻的健康信息质量不高,从而影响患者心理变化,导致治疗配合度降低的技术问题,达到基于健康信息搜寻特殊的领域性和专业性,以标识病历和搜寻界面结合的方式满足患者信息搜寻需求,提高搜寻信息质量和治疗配合度的技术效果。
鉴于上述问题,提出了本申请实施例提供一种基于频次分析的食管静脉瘤信息智能搜寻方法。
第一方面,本申请提供了一种基于频次分析的食管静脉瘤信息智能搜寻方法,其中,所述方法应用于一种食管静脉瘤信息管理系统,所述系统包括第一搜寻界面,所述方法包括:构建第一信息传输通道;根据所述第一信息传输通道,获得第一科室的第一历史病历信息,其中,所述第一科室为消化内科;通过对所述第一历史病历信息进行食管静脉瘤病症的标识筛选,获得第一标识病历信息;通过对所述第一标识病历信息进行区块分割后编码存储,生成第一搜寻信息库;通过对所述第一标识病历信息进行词频统计,获得大于等于预设频次的N个关键词;将所述大于等于预设频次的N个关键词作为第一搜寻主题词;将所述第一搜寻信息库和所述第一搜寻主题词作为模型语料库,构建第一搜寻需求预测模型;根据所述第一搜寻界面,获得第一用户的第一搜寻词;将所述第一搜寻词输入所述第一搜寻需求预测模型中,根据所述第一搜寻需求预测模型,获得第一预测信息;根据所述第一预测信息,获得第一搜寻结果,其中,所述第一搜寻结果为推荐信息。
另一方面,本申请还提供了服刑人员智慧评估与矫正方法,其中,所述方法包括:第一构建单元,所述第一构建单元用于构建第一信息传输通道;第一获得单元,所述第一获得单元用于根据所述第一信息传输通道,获得第一科室的第一历史病历信息,其中,所述第一科室为消化内科;第二获得单元,所述第二获得单元用于通过对所述第一历史病历信息进行食管静脉瘤病症的标识筛选,获得第一标识病历信息;第一生成单元,所述第一生成单元用于通过对所述第一标识病历信息进行区块分割后编码存储,生成第一搜寻信息库;第三获得单元,所述第三获得单元用于通过对所述第一标识病历信息进行词频统计,获得大于等于预设频次的N个关键词;第一操作单元,所述第一操作单元用于将所述大于等于预设频次的N个关键词作为第一搜寻主题词;第二构建单元,所述第二构建单元用于将所述第一搜寻信息库和所述第一搜寻主题词作为模型语料库,构建第一搜寻需求预测模型;第四获得单元,所述第四获得单元用于根据第一搜寻界面,获得第一用户的第一搜寻词;第五获得单元,所述第五获得单元用于将所述第一搜寻词输入所述第一搜寻需求预测模型中,根据所述第一搜寻需求预测模型,获得第一预测信息;第六获得单元,所述第六获得单元用于根据所述第一预测信息,获得第一搜寻结果,其中,所述第一搜寻结果为推荐信息。
第三方面,本发明提供了一服刑人员智慧评估与矫正系统,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其中,所述处理器执行所述程序时实现第一方面所述系统的步骤。
本申请实施例中提供的一个或多个技术方案,至少具有如下技术效果或优点:
由于采用了通过构建第一信息传输通道对第一医院的消化内科病历信息进行传输,进而再根据所述第一历史病历信息进行食管静脉瘤病症的标识筛选,并将筛选后的标识病历信息按照信息区块分割后以数字编码的形式进行存储,生成第一搜寻信息库,根据所述第一标识病历信息进行词频统计获得大于等于预设频次的N个关键词作为第一搜寻主题词,进而根据所述第一搜寻信息库和所述第一搜寻主题词构建的搜寻需求预测模型对用户进行预测,从而获得第一预测信息,再基于预测信息获得第一搜寻结果的方式,达到基于健康信息搜寻特殊的领域性和专业性,以标识病历和搜寻界面结合的方式满足患者信息搜寻需求,提高搜寻信息质量和治疗配合度的技术效果。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
图1为本申请实施例一种基于频次分析的食管静脉瘤信息智能搜寻系统的流程示意图;
图2为本申请实施例一种基于频次分析的食管静脉瘤信息智能搜寻系统的词频统计流程示意图;
图3为本申请实施例一种基于频次分析的食管静脉瘤信息智能搜寻系统的搜寻约束流程示意图;
图4为本申请实施例一种基于频次分析的食管静脉瘤信息智能搜寻系统的层级划分流程示意图;
图5为本申请实施例一种基于频次分析的食管静脉瘤信息智能搜寻系统的动态追踪流程示意图;
图6为本申请实施例一种基于频次分析的食管静脉瘤信息智能搜寻系统的画像约束流程示意图;
图7为本申请实施例一种基于频次分析的食管静脉瘤信息智能搜寻系统的管理规则流程示意图;
图8为本申请实施例一种基于频次分析的食管静脉瘤信息智能搜寻方法的结构示意图;
图9为本申请实施例示例性电子设备的结构示意图。
附图标记说明:第一构建单元11,第一获得单元12,第二获得单元13,第一生成单元14,第三获得单元15,第一操作单元16,第二构建单元17,第四获得单元18,第五获得单元19,第六获得单元20,计算设备90,存储器91,处理器92,输入输出接口93。
具体实施方式
本申请实施例通过提供一种基于频次分析的食管静脉瘤信息智能搜寻方法,解决了现有技术中存在由于患者获取信息的平台医疗资源不够准确,且搜寻的健康信息质量不高,从而影响患者心理变化,导致治疗配合度降低的技术问题,达到基于健康信息搜寻特殊的领域性和专业性,以标识病历和搜寻界面结合的方式满足患者信息搜寻需求,提高搜寻信息质量和治疗配合度的技术效果。下面结合附图,对本申请的实施例进行描述。本领域普通技术人员可知,随着技术的发展和新场景的出现,本申请实施例提供的技术方案对于类似的技术问题,同样适用。
本申请的说明书和权利要求书及上述附图中的术语“第一”、第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的术语在适当情况下可以互换,这仅仅是描述本申请的实施例中对相同属性的对象在描述时所采用的区分方式。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,以便包含一系列单元的过程、方法、系统、产品或设备不必限于那些单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它单元。
申请概述
近年来,随着科学技术的不断发展,互联网医疗打破了传统的医疗模式,人们也习惯根据自己的信息需求在网上搜寻和获取相关的健康信息。其中,食管静脉瘤是由于食管壁的静脉血管部分增粗、增大造成的,是消化内科比较常见的一种疾病,但由于患者缺乏专业知识,且获取健康信息的主要来源中包含有各种广告、混杂的健康信息,从而使得患者自身病情的认知产生一定的影响,降低了患者的健康管理和自我护理的质量。但现有技术中存在由于患者获取信息的平台医疗资源不够准确,且搜寻的健康信息质量不高,从而影响患者心理变化,导致治疗配合度降低的技术问题。
针对上述技术问题,本申请提供的技术方案总体思路如下:
本申请提供了一种基于频次分析的食管静脉瘤信息智能搜寻方法,其中,所述方法应用于一种食管静脉瘤信息管理系统,所述系统包括第一搜寻界面,所述方法包括:构建第一信息传输通道;根据所述第一信息传输通道,获得第一科室的第一历史病历信息,其中,所述第一科室为消化内科;通过对所述第一历史病历信息进行食管静脉瘤病症的标识筛选,获得第一标识病历信息;通过对所述第一标识病历信息进行区块分割后编码存储,生成第一搜寻信息库;通过对所述第一标识病历信息进行词频统计,获得大于等于预设频次的N个关键词;将所述大于等于预设频次的N个关键词作为第一搜寻主题词;将所述第一搜寻信息库和所述第一搜寻主题词作为模型语料库,构建第一搜寻需求预测模型;根据所述第一搜寻界面,获得第一用户的第一搜寻词;将所述第一搜寻词输入所述第一搜寻需求预测模型中,根据所述第一搜寻需求预测模型,获得第一预测信息;根据所述第一预测信息,获得第一搜寻结果,其中,所述第一搜寻结果为推荐信息。
在介绍了本申请基本原理后,下面将结合说明书附图来具体介绍本申请的各种非限制性的实施方式。
实施例一
如图1所示,本申请实施例提供了一种基于频次分析的食管静脉瘤信息智能搜寻系统,其中,所述方法应用于一种食管静脉瘤信息管理系统,所述系统包括第一搜寻界面,所述方法包括:
步骤S100:构建第一信息传输通道;
步骤S200:根据所述第一信息传输通道,获得第一科室的第一历史病历信息,其中,所述第一科室为消化内科;
具体而言,所述第一信息传输通道是通过搭建信息传输平台获得的,其中,由于医院中的信息管理较为复杂化,需要对所食管静脉相关信息进行提取和针对性的传输,进而搭建出以消化内科的病历信息为主要交流板块的医学资源平台,食管静脉瘤就诊于消化内科,因此通过所述第一信息传输通道将消化内科中的历史病历信息进行传输,且传输方式为可控传输,详细来说,所述管理系统接收一个传输指令,进而根据传输指令所述第一信息传输通道开始进行消化内科病历的传输,所述第一历史病历信息为所述第一消化内科中存储的就诊病历信息,基于用户权限对患者疾病等医疗活动过程完成记录,将就诊用户的基本情况进行记录,综合分析,按规定的格式书写的患者医疗健康档案,为之后提供准确、有效的医学资源。
步骤S300:通过对所述第一历史病历信息进行食管静脉瘤病症的标识筛选,获得第一标识病历信息;
步骤S400:通过对所述第一标识病历信息进行区块分割后编码存储,生成第一搜寻信息库;
具体而言,所述标识筛选的过程是对所述第一历史病历信息中患有食管静脉瘤病症的病历进行筛选的过程,且筛选过程中建立在用户许可权限之内再根据具体的病历情况进行完整性的病历预处理后获得的病历信息,进一步的,所述第一标识病历信息中用户可以患有多重病症,当用户的病历中包含病症标识时都输入筛选规则范围内。再对筛选后的所述第一标识病历信息按照病历记录的功能区块进行区块分割,其中,区块分割的过程是根据病历的记录区块,比如疾病特征、病史情况、手术资料、病情诊疗过程、护理记录,进一步的,编码存储是对第同一病历资料中的所有区块进行同编码,进而获得所述第一标搜寻信息库,从而丰富了信息库生成的便于用户搜索时引申对应的搜寻信息,增加获取信息逻辑性搜寻信息库的管理便捷性。
步骤S500:通过对所述第一标识病历信息进行词频统计,获得大于等于预设频次的N个关键词;
步骤S600:将所述大于等于预设频次的N个关键词作为第一搜寻主题词;
具体而言,对所述第一标识病历信息进行词频统计的是根据病历中的词语出现的频次进而对病历信息进行关键词的提取,进一步的,提取关键词的过程也是对病历信息进行主题词分析的过程,详细来说,频次统计的过程会分别对病历信息中每个词出现的频次、以及包含该词的病历数量、总病历数量等信息进行统计,进而获得大于等于所述预设频次的多个关键词,从而将对应的多个关键词作为用户搜索食管静脉瘤信息的主要搜寻主题词,其中,对词频进行统计和关键词提取的过程是对病历信息中具体的特征进行统计的,进一步根据关键词的代表性强度获得前N个高强度特征代表意义的关键词,提高搜索效果,为提高搜索信息质量提供有效数据基础。
步骤S700:将所述第一搜寻信息库和所述第一搜寻主题词作为模型语料库,构建第一搜寻需求预测模型;
具体而言,所述第一搜寻信息库是根据第一医院中消化内科所有病历信息中食管静脉瘤的筛选病例构成的信息库,所述第一搜寻主题词是通过对所述第一搜寻信息库中词语的出现频次进行频次统计的复杂计算和筛选排序获得的关键词,因此所述第一搜寻主题词具有较强的特征代表性,因此,将所述第一搜寻信息库和所述第一搜寻主题词作为语料库构建出所述第一搜寻需求预测模型,其中,语料库中是根据大量的语言分析和词语分析进行大量计算后获得的大规模电子文本库,能够借助计算机的分析为之后提供数据基础。所述第一搜寻需求预测模型用于对所述第一用户的搜寻需求进行预测,且所述第一搜寻需求预测模型是以神经网络为基础再根据训练数据的不断训练获得的数学模型,进而使得所述第一搜寻需求预测模型能够根据不断的数据学习和监督输出准确的预测信息,从而提高用户搜寻的体验性,提高用户搜寻信息的准确性和有效性。
步骤S800:根据所述第一搜寻界面,获得第一用户的第一搜寻词;
具体而言,所述第一搜寻界面中包含筛选器,由于用户在进行搜索时具有大量的选项,因此,需要根据所述第一搜寻界面对所述第一用户的既往搜索词进行统计和分析,并按照用户的预定条件达到精选的目的,筛选器就可以在五书的想象中进行选择,还可以按照用户自身的搜寻习惯和搜寻内容完成数据挖掘,并过滤了广告和混杂信息,大大提高用户的决策效率。
步骤S900:将所述第一搜寻词输入所述第一搜寻需求预测模型中,根据所述第一搜寻需求预测模型,获得第一预测信息;
步骤S1000:根据所述第一预测信息,获得第一搜寻结果,其中,所述第一搜寻结果为推荐信息。
具体而言,将所述第一搜寻词作为输入数据输入到所述第一搜寻需求预测模型,所述第一搜寻需求预测模型是基于神经网络构建的数学模型,进一步的,所述第一搜寻词能够对用户的主要搜寻需求进行系数标识,其中,神经网络模型是一种数据网络模型,可以根据输入的数据进行数据的训练分析,从而获得对应的模型的性能,当多组训练数据满足一定的收敛条件,经收敛分析后输出其中的对应输出信息,神经网络是由大量的、简单的处理单元(称为神经元)广泛地互相连接而形成的复杂神经网络系统,它反映了人脑功能的许多基本特征,是一个高度复杂的非线性动力学习系统。神经网络模型是以神经元的数学模型为基础来描述的。所述训练的过程实质为监督学习的过程,所述多组训练数据中的每组均包括所述第一搜寻词和作为用于标识第一预测信息的标识信息,所述第一搜寻需求预测模型进行不断的自我修正、调整,直至获得的输出结果与所述标识信息一致,结束本组数据监督学习,进行下一组数据监督学习,人工神经网络是对人类大脑系统的一阶特性的一种描述。
进一步的,通过大量训练数据的训练,其中,输出信息是一种根据机器学习输出的准确的数据信息,因此,通过获得所述第一预测信息,并根据所述第一预测信息结合所述第一搜寻界面的筛选器从模型语料库中获得对应的搜寻结果,比如,根据用户搜寻词结合自身患病状况获得的预测信息为饮食倾向,进而获得“用药期间饮食的注意事项”“手术前后如何健康饮食”等推荐浏览信息,并对应推荐相关病历信息,即用户搜寻后获得对应的推荐信息,从而达到提高数据分析准确性的技术效果。
进一步而言,如图2所示,所述通过对所述第一标识病历信息进行词频统计,获得大于等于预设频次的N个关键词,将所述N个关键词作为第一搜寻主题词,本申请实施例步骤S500还包括:
步骤S510:对第一关键词在所述第一标识病历信息中的出现频次进行统计,获得第一统计数据,所述第一关键词包括医学关键词和一般关键词;
步骤S520:对所述第一标识病历信息的总词数进行数量统计,获得第二统计数据;
步骤S530:对所有标识病历信息中包含所述第一关键词的病历数量进行统计,获得第三统计数据;
步骤S540:对所述所有标识病历信息的病历数量进行统计,获得第四统计数据;
步骤S550:根据所述第一统计数据、所述第二统计数据、所述第三统计数据、所述第四统计数据,获得第一代表系数,其中,所述第一代表系数为关键词的代表性强度;
获得所述第一代表系数的计算公式如下:
A1为所述第一统计数据中的医学关键词出现频次;
A2为所述第一统计数据中的一般关键词出现频次;
A为所述第二统计数据;
B1为所述第三统计数据的医学关键词病历数量;
B2为所述第三统计数据的一般关键词病历数量;
B为所述第四统计数据;
步骤S560:根据所述第一代表系数,获得第一筛选关键词,所述第一筛选关键词为大于等于预设频次的N个关键词;
步骤S570:将所述第一筛选关键词作为所述第一搜寻主题词。
具体而言,由于在病历信息中进行词频的统计是为了对所有病历信息进行主要区别特征的识别,并且还需要具有一定的代表性,但由于食管静脉瘤中一些常用语和一些不太重要的高频词语没有具体的特征代表意义,但是在所有文档中出现的频次都比较高,这样会影响之后的搜寻识别结果,因此,通过采取统计一个词在所有文档中出现的频次,当一个词在一份文档中出现的次数较多,同时在所有文档中出现的次数少,其词语的代表性就越强,由于所述病历信息中还包括含疾病名称、药品名称、手术名称等相关的医学术语,具有一定的专业性,因此,需要将医学关键词和一般关键词两种词一起综合计算,并根据对应的计算公式获得所述第一代表系数,所述第一代表系数的计算公式是根据所述第一代表系数排序筛选从而获得所述N个关键词,代表了病历信息中词语的关键强度,从而为后续有效性的预测提供准确计算依据,提高搜寻信息质量。
进一步的,如图3所示,所述根据所述第一搜寻界面,获得第一用户的第一搜寻词之后,本申请实施例步骤S800还包括:
步骤S810:获得所述第一用户的第一身份信息;
步骤S820:对所述第一身份信息进行所属类别判断,获得第一判断结果,其中,所述第一判断结果包括第一结果和第二结果,所述第一结果为第一所属类别,所述第二结果为第二所属类别;
步骤S830:若所述第一判断结果为所述第一所属类别,生成第一筛选标识,其中,所述第一筛选标识用于筛选出医学关键词;
步骤S840:若所述第一判断结果为所述第二所属类别,生成第二筛选标识,其中,所述第二筛选标识用于筛选出一般关键词;
步骤S850:根据所述第一筛选标识或所述第二筛选标识对所述第一搜寻结果进行约束,获得第二搜寻结果。
进一步而言,如图6所示,所述根据所述第一筛选标识或所述第二筛选标识对所述第一搜寻结果进行约束,获得第二搜寻结果,本申请实施例步骤S850还包括:
步骤S851:判断所述第一用户是否为首次搜寻;
步骤S852:若所述第一用户不是首次搜寻,获得第一历史搜寻记录;
步骤S853:根据所述第一历史搜寻记录,获得第一画像标识;
步骤S854:根据所述第一画像标识对所述第二搜寻结果进行约束,获得第三搜寻结果。
具体而言,所述第一搜寻界面可以通过筛选器进行关键词筛选,从而为用户输出搜寻结果,进一步的,所述第一搜寻界面连接模型语料库,其中包括所述第一搜寻信息库。由于食管静脉瘤信息的特殊性和专业性,因此,在选取信息数据时将病历信息进行提取,且系统中用户可以为患者,也可以为医生,其身份的不同可以在所述第一搜寻界面的约束内容产生区别筛选和针对性筛选,根据其身份的所述类别,对关键词进行约束,详细来说,当患者进行搜寻需求时可以通过搜寻的健康信息了解具体的准确、专业知识,从而便于患者进行自我健康管理,提高就诊时与医生的配合度,其中,当医生进行搜寻时,可以通过针对性的通过搜寻结果准确、有效找到相关病例,便于进行病情的研究和分析,提前把控病情,且增加病情的深入了解性,从而具备信息学习性。
进一步的,通过判断用户是否为首次搜寻,当用户不是首次搜寻时结合历史搜寻记录对用户进行画像标识,且画像标识的过程随着用户的搜寻不断完善丰富,从而建立出针对于用户的画像信息,便于之后结合画像特点和关键词的联合分析,当达到了增加搜寻结果的特殊行和针对性,提高搜寻使用性和搜寻性能的技术效果。
进一步而言,如图4所示,所述将所述大于等于预设频次的N个关键词作为第一搜寻主题词之后,本申请实施例步骤S600还包括:
步骤S610:根据所述预设频次,获得第一频次划分层级;
步骤S620:按照所述第一频次划分层级对所述第一搜寻主题词进行分层,生成第一动态热度层级;
步骤S630:根据所述第一搜索界面的热度,获得智能预设周期;
步骤S640:根据所述智能预设周期对所述第一动态热度层级进行更新,获得第二动态热度层级。
具体而言,由于所述大于等于预设频次的N个关键词是基于频次复杂计算获得的代表性强度高的前N个关键词,随着病历信息的不断更新,其就诊药物信息和就诊方式,或者手术方式以及手术设备都会存在一定的优化,所述预设频次是通过分析搜索词的搜寻频次进行关键词分层的,并根据界面总搜索量进行智能预设周期的分析,其中,所述智能预设周期为关键词层级动态调整的时间频次,进一步的,多个关键词作为同一热度层级,直至所述第N个关键词分层完成,其中,所述分层的过程可以根据决策树的方式进行自动分类和分层,从而输出决策树最后的分层结果,所述第一动态热度层级中所有层级中的关键词并非是固定不变的,根据所述第一搜寻界面中搜寻关键词的搜寻次数进行计算,当达到层级调整条件时会进行层级上升或者层级下降,从而达到了不断更新资源和层级优化智能管理的技术效果。
进一步而言,如图5所示,本申请实施例步骤S620还包括:
步骤S621:根据所述第一动态热度层级和所述第二动态热度层级,获得层级变化拟合曲线,其中,所述层级变化拟合曲线为关键词热度变化曲线;
步骤S622:根据所述层级变化拟合曲线,获得热度关键词集合;
步骤S623:获得第一追踪指令;
步骤S624:根据第一追踪指令对所述热度关键词集合进行追踪。
具体而言,所述第二动态热度层级是基于智能预设周期进行更新后获得的动态热度层级,所述第一动态热度层级是更新之前的热度层级,所述层级变化拟合曲线是通过分析更新前后两个热度层级中关键词的变化层级进行拟合生成的曲线,从而将层级发生变化的关键词提取出来获得所述热度关键词集合,进一步的,获得所述第一追踪指令对这些热度关键词集合进行追踪,其中,所述第一追踪指令执行的过程中存在一定的约束性,当所述热度关键词集合中的关键词所处的层级处于某一设定层级之下,标识目前关键词热度较低,因此,将所述热度关键词集合中标识的关键词删减和剔除,进一步的,还能够根据追踪的变化过程进行热度提升的分析,将提升快的关键词作为优先推荐的相关信息,达到了追踪热点提高搜寻结果的智能化的技术效果。
进一步而言,如图7所示,本申请实施例步骤S1100还包括:
步骤S1110:获得第一医院中所述第一科室的所有诊疗医师信息;
步骤S1120:获得所述所有诊疗医师的第一基础信息;
步骤S1130:根据所述第一基础信息,获得第一轮转规则;
步骤S1140:基于所述第一轮转规则,将所述第一轮转医师作为第一管理人员。
具体而言,获得所述诊疗医师的基础信息是通过对所有医师的年龄信息、性别信息、工作年份、专业程度、以及工作安排等各个基础属性信息,从而能够根据所述第一基础信息进行时间的规划,生成所述第一轮转规则,其中,所述第一轮转规则用于对所有医生信息的时间信息进行规划整理,获得出轮转医师作为食管静脉瘤信息搜寻的管理员,其中,所述第一管理人员可以作为在线交流医师对就诊医院中的患者进行在线交流,另一方面,所述第一管理人员还可以通过轮转实习医生增加对于食管静脉瘤信息的学习和知识积累方式,进而达到了。达到基于健康信息搜寻特殊的领域性和专业性,提高搜寻信息专业性和优化管理性能的技术效果。
综上所述,本申请实施例所提供的一种基于频次分析的食管静脉瘤信息智能搜寻系统具有如下技术效果:
1、由于采用了通过构建第一信息传输通道对第一医院的消化内科病历信息进行传输,进而再根据所述第一历史病历信息进行食管静脉瘤病症的标识筛选,并将筛选后的标识病历信息按照信息区块分割后以数字编码的形式进行存储,生成第一搜寻信息库,根据所述第一标识病历信息进行词频统计获得大于等于预设频次的N个关键词作为第一搜寻主题词,进而根据所述第一搜寻信息库和所述第一搜寻主题词构建的搜寻需求预测模型对用户进行预测,从而获得第一预测信息,再基于预测信息获得第一搜寻结果的方式,达到基于健康信息搜寻特殊的领域性和专业性,以标识病历和搜寻界面结合的方式满足患者信息搜寻需求,提高搜寻信息质量和治疗配合度的技术效果。
2、由于采用了通过分析更新前后两个热度层级中关键词的变化层级进行拟合生成关键词热度变化曲线,并根据追踪的变化过程进行热度提升分析的方式,达到了追踪热点提高搜寻结果的智能化的技术效果。
3、由于采用了将医学关键词和一般关键词两种词综合频次分析计算,并根据对应的复杂计算公式获得代表词语关键性强度的所述第一代表系数的方式,从而为后续有效性的预测提供准确计算依据,提高搜寻信息质量。
实施例二
基于与前述实施例中一种基于频次分析的食管静脉瘤信息智能搜寻系统同样发明构思,本发明还提供了一种基于频次分析的食管静脉瘤信息智能搜寻系统,其中,所述系统包括第一搜寻界面,如图8所示,所述系统包括:
第一构建单元11,所述第一构建单元11用于构建第一信息传输通道;
第一获得单元12,所述第一获得单元12用于根据所述第一信息传输通道,获得第一科室的第一历史病历信息,其中,所述第一科室为消化内科;
第二获得单元13,所述第二获得单元13用于通过对所述第一历史病历信息进行食管静脉瘤病症的标识筛选,获得第一标识病历信息;
第一生成单元14,所述第一生成单元14用于通过对所述第一标识病历信息进行区块分割后编码存储,生成第一搜寻信息库;
第三获得单元15,所述第三获得单元15用于通过对所述第一标识病历信息进行词频统计,获得大于等于预设频次的N个关键词;
第一操作单元16,所述第一操作单元16用于将所述大于等于预设频次的N个关键词作为第一搜寻主题词;
第二构建单元17,所述第二构建单元17用于将所述第一搜寻信息库和所述第一搜寻主题词作为模型语料库,构建第一搜寻需求预测模型;
第四获得单元18,所述第四获得单元18用于根据所述第一搜寻界面,获得第一用户的第一搜寻词;
第五获得单元19,所述第五获得单元19用于将所述第一搜寻词输入所述第一搜寻需求预测模型中,根据所述第一搜寻需求预测模型,获得第一预测信息;
第六获得单元20,所述第六获得单元20用于根据所述第一预测信息,获得第一搜寻结果,其中,所述第一搜寻结果为推荐信息。
进一步的,所述系统还包括:
第七获得单元,所述第七获得单元用于对第一关键词在所述第一标识病历信息中的出现频次进行统计,获得第一统计数据,所述第一关键词包括医学关键词和一般关键词;
第八获得单元,所述第八获得单元用于对所述第一标识病历信息的总词数进行数量统计,获得第二统计数据;
第九获得单元,所述第九获得单元用于对所有标识病历信息中包含所述第一关键词的病历数量进行统计,获得第三统计数据;
第十获得单元,所述第十获得单元用于对所述所有标识病历信息的病历数量进行统计,获得第四统计数据;
第十一获得单元,所述第十一获得单元用于根据所述第一统计数据、所述第二统计数据、所述第三统计数据、所述第四统计数据,获得第一代表系数,其中,所述第一代表系数为关键词的代表性强度;
第十二获得单元,所述第十二获得单元用于根据所述第一代表系数,获得第一筛选关键词,所述第一筛选关键词为大于等于预设频次的N个关键词;
第二操作单元,所述第二操作单元用于将所述第一筛选关键词作为所述第一搜寻主题词。
进一步的,所述系统还包括:
第十三获得单元,所述第十三获得单元用于获得所述第一用户的第一身份信息;
第十四获得单元,所述第十四获得单元用于对所述第一身份信息进行所属类别判断,获得第一判断结果,其中,所述第一判断结果包括第一结果和第二结果,所述第一结果为第一所属类别,所述第二结果为第二所属类别;
第一生成单元,所述第一生成单元用于若所述第一判断结果为所述第一所属类别,生成第一筛选标识,其中,所述第一筛选标识用于筛选出医学关键词;
第二生成单元,所述第二生成单元用于若所述第一判断结果为所述第二所属类别,生成第二筛选标识,其中,所述第二筛选标识用于筛选出一般关键词;
第十五获得单元,所述第十五获得单元用于根据所述第一筛选标识或所述第二筛选标识对所述第一搜寻结果进行约束,获得第二搜寻结果。
进一步的,所述系统还包括:
第十六获得单元,所述第十六获得单元用于获得第一内因联想测验任务,基于所述第一内因联想测验任务对所述第一用户进行测验,获得第一测验结果;
第十七获得单元,所述第十七获得单元用于根据所述预设频次,获得第一频次划分层级;
第三生成单元,所述第三生成单元用于按照所述第一频次划分层级对所述第一搜寻主题词进行分层,生成第一动态热度层级;
第十八获得单元,所述第十八获得单元用于根据所述第一搜索界面的热度,获得智能预设周期;
第十九获得单元,所述第十九获得单元用于根据所述智能预设周期对所述第一动态热度层级进行更新,获得第二动态热度层级。
进一步的,所述系统还包括:
第二十获得单元,所述第二十获得单元用于根据所述第一动态热度层级和所述第二动态热度层级,获得层级变化拟合曲线,其中,所述层级变化拟合曲线为关键词热度变化曲线;
第二十一获得单元,所述第二十一获得单元用于根据所述层级变化拟合曲线,获得热度关键词集合;
第二十二获得单元,所述第二十二获得单元用于获得第一追踪指令;
第一追踪单元,所述第一追踪单元用于根据第一追踪指令对所述热度关键词集合进行追踪;
进一步的,所述系统还包括:
判断所述第一用户是否为首次搜寻;
第二十三获得单元,所述第二十三获得单元用于若所述第一用户不是首次搜寻,获得第一历史搜寻记录;
第二十四获得单元,所述第二十四获得单元用于根据所述第一历史搜寻记录,获得第一画像标识;
第二十五获得单元,所述第二十五获得单元用于根据所述第一画像标识对所述第二搜寻结果进行约束,获得第三搜寻结果。
进一步的,所述系统还包括:
第二十六获得单元,所述第二十六获得单元用于获得第一医院中所述第一科室的所有诊疗医师信息;
第二十七获得单元,所述第二十七获得单元用于获得所述所有诊疗医师的第一基础信息;
第二十八获得单元,所述第二十八获得单元用于根据所述第一基础信息,获得第一轮转规则;
第三操作单元,所述第三操作单元用于基于所述第一轮转规则,将所述第一轮转医师作为第一管理人员。
前述图1实施例一中的一种基于频次分析的食管静脉瘤信息智能搜寻系统的各种变化方式和具体实例同样适用于本实施例的一种基于频次分析的食管静脉瘤信息智能搜寻方法,通过前述对一种基于频次分析的食管静脉瘤信息智能搜寻系统的详细描述,本领域技术人员可以清楚的知道本实施例中一种基于频次分析的食管静脉瘤信息智能搜寻方法的实施方法,所以为了说明书的简洁,在此不再详述。
示例性电子设备
图9是本申请的计算设备的示意图。图9所示的计算设备90可以包括:存储器91、处理器92、输入/输出接口93。其中,存储器91、处理器92和输入/输出接口93通过内部连接通路相连,该存储器33用于存储指令,该处理器92用于执行该存储器91存储的指令,以控制输入/输出接口93接收输入的数据和信息,输出操作结果等数据。
图9是本申请另一实施例的计算设备的示意图。图9所示的计算设备90可以包括:存储器91、处理器92、输入/输出接口93。其中,存储器91、处理器92和输入/输出接口93通过内部连接通路相连,该存储器91用于存储指令,该处理器92用于执行该存储器92存储的指令,以控制输入/输出接口93接收输入的数据和信息,输出操作结果等数据。
在实现过程中,上述方法的各步骤可以通过处理器92中的硬件的集成逻辑电路或者软件形式的指令完成。结合本申请实施例所公开的异常消息的识别方法和/或异常消息识别模型的训练方法可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器91,处理器92读取存储器91中的信息,结合其硬件完成上述方法的步骤。为避免重复,这里不再详细描述。
应理解,本申请实施例中,该处理器可以为中央处理单元(centralprocessingunit,CPU),该处理器还可以是其他通用处理器、数字信号处理器(digitalsignalprocessor,DSP),专用集成电路(application specific integrated circuit,ASIC)、现成可编程门阵列(fieldprogrammable gate array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
应理解,本申请实施例中,该存储器可以包括只读存储器和随机存取存储器,并向处理器提供指令和数据。处理器的一部分还可以包括非易失性随机存取存储器。例如,处理器还可以存储设备类型的信息。
应理解,在本申请的各种实施例中,上述各过程的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请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。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机,服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(Digital SubscriberLine,DSL))或无线(例如红外,无线,微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够读取的任何可用介质或者是包含一个或多个可用介质集成的服务器,数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,数字通用光盘(Digital Video Disc,DVD))或者半导体介质(例如,固态硬盘(Solid State Disk,SSD))等。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以所述权利要求的保护范围为准。
Claims (3)
1.一种基于频次分析的食管静脉瘤信息智能搜寻方法,其中,所述方法应用于一种食管静脉瘤信息管理系统,所述系统包括第一搜寻界面,所述方法包括:
构建第一信息传输通道;
根据所述第一信息传输通道,获得第一科室的第一历史病历信息,其中,所述第一科室为消化内科;
通过对所述第一历史病历信息进行食管静脉瘤病症的标识筛选,获得第一标识病历信息;
通过对所述第一标识病历信息进行区块分割后编码存储,生成第一搜寻信息库;
通过对所述第一标识病历信息进行词频统计,获得大于等于预设频次的N个关键词;
将所述大于等于预设频次的N个关键词作为第一搜寻主题词:
将所述第一搜寻信息库和所述第一搜寻主题词作为模型语料库,构建第一搜寻需求预测模型;
根据所述第一搜寻界面,获得第一用户的第一搜寻词;
将所述第一搜寻词输入所述第一搜寻需求预测模型中,根据所述第一搜寻需求预测模型,获得第一预测信息;
根据所述第一预测信息,获得第一搜寻结果,其中,所述第一搜寻结果为推荐信息;
其中,所述将所述大于等于预设频次的N个关键词作为第一搜寻主题词之后,所述方法包括:
根据所述预设频次,获得第一频次划分层级;
按照所述第一频次划分层级对所述第一搜寻主题词进行分层,生成第一动态热度层级;
根据所述第一搜寻界面的热度,获得智能预设周期;
根据所述智能预设周期对所述第一动态热度层级进行更新,获得第二动态热度层级;
所述方法还包括:
根据所述第一动态热度层级和所述第二动态热度层级,获得层级变化拟合曲线,其中,所述层级变化拟合曲线为关键词热度变化曲线;
根据所述层级变化拟合曲线,获得热度关键词集合;
获得第一追踪指令;
根据第一追踪指令对所述热度关键词集合进行追踪;
其中,所述通过对所述第一标识病历信息进行词频统计,获得大于等于预设频次的N个关键词,还包括:
对第一关键词在所述第一标识病历信息中的出现频次进行统计,获得第一统计数据,所述第一关键词包括医学关键词和一般关键词;
对所述第一标识病历信息的总词数进行数量统计,获得第二统计数据;
对所有标识病历信息中包含所述第一关键词的病历数量进行统计,获得第三统计数据;
对所述所有标识病历信息的病历数量进行统计,获得第四统计数据;
根据所述第一统计数据、所述第二统计数据、所述第三统计数据、所述第四统计数据,获得第一代表系数,其中,所述第一代表系数为关键词的代表性强度;
根据所述第一代表系数,获得第一筛选关键词,所述第一筛选关键词为大于等于预设频次的N个关键词;
将所述第一筛选关键词作为所述第一搜寻主题词;
所述根据所述第一统计数据、所述第二统计数据、所述第三统计数据、所述第四统计数据,获得第一代表系数的计算公式如下:
A1为所述第一统计数据中的医学关键词出现频次;
A2为所述第一统计数据中的一般关键词出现频次;
A为所述第二统计数据;
B1为所述第三统计数据的医学关键词病历数量;
B2为所述第三统计数据的一般关键词病历数量;
B为所述第四统计数据;
其中,所述根据所述第一搜寻界面,获得第一用户的第一搜寻词之后,所述方法还包括:
获得所述第一用户的第一身份信息;
对所述第一身份信息进行所属类别判断,获得第一判断结果,其中,所述第一判断结果包括第一结果和第二结果,所述第一结果为第一所属类别,所述第二结果为第二所属类别;
若所述第一判断结果为所述第一所属类别,生成第一筛选标识,其中,所述第一筛选标识用于筛选出医学关键词;
若所述第一判断结果为所述第二所属类别,生成第二筛选标识,其中,所述第二筛选标识用于筛选出一般关键词;
根据所述第一筛选标识或所述第二筛选标识对所述第一搜寻结果进行约束,获得第二搜寻结果
其中,所述根据所述第一筛选标识或所述第二筛选标识对所述第一搜寻结果进行约束,获得第二搜寻结果,还包括:
判断所述第一用户是否为首次搜寻;
若所述第一用户不是首次搜寻,获得第一历史搜寻记录;
根据所述第一历史搜寻记录,获得第一画像标识;
根据所述第一画像标识对所述第二搜寻结果进行约束,获得第三搜寻结果。
2.一种基于频次分析的食管静脉瘤信息智能搜寻系统,其特征在于,用以执行权利要求1所述一种基于频次分析的食管静脉瘤信息智能搜寻方法,所述食管静脉瘤信息智能搜寻系统包括:
第一构建单元,所述第一构建单元用于构建第一信息传输通道;
第一获得单元,所述第一获得单元用于根据所述第一信息传输通道,获得第一科室的第一历史病历信息,其中,所述第一科室为消化内科;
第二获得单元,所述第二获得单元用于通过对所述第一历史病历信息进行食管静脉瘤病症的标识筛选,获得第一标识病历信息;
第一生成单元,所述第一生成单元用于通过对所述第一标识病历信息进行区块分割后编码存储,生成第一搜寻信息库;
第三获得单元,所述第三获得单元用于通过对所述第一标识病历信息进行词频统计,获得大于等于预设频次的N个关键词;
第一操作单元,所述第一操作单元用于将所述大于等于预设频次的N个关键词作为第一搜寻主题词;
第二构建单元,所述第二构建单元用于将所述第一搜寻信息库和所述第一搜寻主题词作为模型语料库,构建第一搜寻需求预测模型;
第四获得单元,所述第四获得单元用于根据第一搜寻界面,获得第一用户的第一搜寻词;
第五获得单元,所述第五获得单元用于将所述第一搜寻词输入所述第一搜寻需求预测模型中,根据所述第一搜寻需求预测模型,获得第一预测信息;
第六获得单元,所述第六获得单元用于根据所述第一预测信息,获得第一搜寻结果,其中,所述第一搜寻结果为推荐信息;
所述食管静脉瘤信息智能搜寻系统还包括:
第十七获得单元,所述第十七获得单元用于根据所述预设频次,获得第一频次划分层级;
第三生成单元,所述第三生成单元用于按照所述第一频次划分层级对所述第一搜寻主题词进行分层,生成第一动态热度层级;
第十八获得单元,所述第十八获得单元用于根据所述第一搜寻界面的热度,获得智能预设周期;
第十九获得单元,所述第十九获得单元用于根据所述智能预设周期对所述第一动态热度层级进行更新,获得第二动态热度层级;
第二十获得单元,所述第二十获得单元用于根据所述第一动态热度层级和所述第二动态热度层级,获得层级变化拟合曲线,其中,所述层级变化拟合曲线为关键词热度变化曲线;
第二十一获得单元,所述第二十一获得单元用于根据所述层级变化拟合曲线,获得热度关键词集合;
第二十二获得单元,所述第二十二获得单元用于获得第一追踪指令;
第一追踪单元,所述第一追踪单元用于根据第一追踪指令对所述热度关键词集合进行追踪。
3.一种基于频次分析的食管静脉瘤信息智能搜寻系统,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其中,所述处理器执行所述程序时实现权利要求1所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111609964.2A CN114512241B (zh) | 2021-12-27 | 2021-12-27 | 一种基于频次分析的食管静脉瘤信息智能搜寻方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111609964.2A CN114512241B (zh) | 2021-12-27 | 2021-12-27 | 一种基于频次分析的食管静脉瘤信息智能搜寻方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114512241A CN114512241A (zh) | 2022-05-17 |
CN114512241B true CN114512241B (zh) | 2024-05-03 |
Family
ID=81547359
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111609964.2A Active CN114512241B (zh) | 2021-12-27 | 2021-12-27 | 一种基于频次分析的食管静脉瘤信息智能搜寻方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114512241B (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102890683A (zh) * | 2011-07-21 | 2013-01-23 | 阿里巴巴集团控股有限公司 | 信息提供方法及装置 |
CN105468900A (zh) * | 2015-11-20 | 2016-04-06 | 邹远强 | 一种基于知识库的智能病历录入平台 |
CN107423444A (zh) * | 2017-08-10 | 2017-12-01 | 世纪龙信息网络有限责任公司 | 热词词组提取方法和系统 |
CN110491499A (zh) * | 2019-07-10 | 2019-11-22 | 厦门大学 | 面向标注电子病历的临床辅助决策方法及系统 |
CN110580278A (zh) * | 2019-07-30 | 2019-12-17 | 平安科技(深圳)有限公司 | 根据用户画像的个性化搜索方法、系统、设备及存储介质 |
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 |
CN111984851A (zh) * | 2020-09-03 | 2020-11-24 | 平安国际智慧城市科技股份有限公司 | 医学资料搜索方法、装置、电子装置及存储介质 |
CN112201350A (zh) * | 2020-11-11 | 2021-01-08 | 北京嘉和海森健康科技有限公司 | 一种智能分诊方法、装置及电子设备 |
CN112307311A (zh) * | 2019-07-30 | 2021-02-02 | 腾讯科技(深圳)有限公司 | 一种信息搜索方法、装置、设备及存储介质 |
CN112527973A (zh) * | 2020-12-25 | 2021-03-19 | 北京博瑞彤芸科技股份有限公司 | 一种搜索疾病信息的方法和系统 |
CN112883266A (zh) * | 2021-02-18 | 2021-06-01 | 深圳市欢太科技有限公司 | 搜索方法、搜索装置、存储介质与电子设备 |
CN113689951A (zh) * | 2021-08-04 | 2021-11-23 | 翼健(上海)信息科技有限公司 | 一种智能导诊方法、系统和计算机可读存储介质 |
CN113821730A (zh) * | 2021-11-23 | 2021-12-21 | 北京嘉和海森健康科技有限公司 | 一种医疗信息推送方法、装置及电子设备 |
-
2021
- 2021-12-27 CN CN202111609964.2A patent/CN114512241B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102890683A (zh) * | 2011-07-21 | 2013-01-23 | 阿里巴巴集团控股有限公司 | 信息提供方法及装置 |
CN105468900A (zh) * | 2015-11-20 | 2016-04-06 | 邹远强 | 一种基于知识库的智能病历录入平台 |
CN107423444A (zh) * | 2017-08-10 | 2017-12-01 | 世纪龙信息网络有限责任公司 | 热词词组提取方法和系统 |
CN110491499A (zh) * | 2019-07-10 | 2019-11-22 | 厦门大学 | 面向标注电子病历的临床辅助决策方法及系统 |
CN112307311A (zh) * | 2019-07-30 | 2021-02-02 | 腾讯科技(深圳)有限公司 | 一种信息搜索方法、装置、设备及存储介质 |
CN110580278A (zh) * | 2019-07-30 | 2019-12-17 | 平安科技(深圳)有限公司 | 根据用户画像的个性化搜索方法、系统、设备及存储介质 |
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 |
CN111984851A (zh) * | 2020-09-03 | 2020-11-24 | 平安国际智慧城市科技股份有限公司 | 医学资料搜索方法、装置、电子装置及存储介质 |
CN112201350A (zh) * | 2020-11-11 | 2021-01-08 | 北京嘉和海森健康科技有限公司 | 一种智能分诊方法、装置及电子设备 |
CN112527973A (zh) * | 2020-12-25 | 2021-03-19 | 北京博瑞彤芸科技股份有限公司 | 一种搜索疾病信息的方法和系统 |
CN112883266A (zh) * | 2021-02-18 | 2021-06-01 | 深圳市欢太科技有限公司 | 搜索方法、搜索装置、存储介质与电子设备 |
CN113689951A (zh) * | 2021-08-04 | 2021-11-23 | 翼健(上海)信息科技有限公司 | 一种智能导诊方法、系统和计算机可读存储介质 |
CN113821730A (zh) * | 2021-11-23 | 2021-12-21 | 北京嘉和海森健康科技有限公司 | 一种医疗信息推送方法、装置及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN114512241A (zh) | 2022-05-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chowdhury et al. | Variable selection strategies and its importance in clinical prediction modelling | |
Huang et al. | A clinical decision support framework for heterogeneous data sources | |
US11049165B2 (en) | System for clustering and aggregating data from multiple sources | |
CN116910172B (zh) | 基于人工智能的随访量表生成方法及系统 | |
US12020818B1 (en) | Cross care matrix based care giving intelligence | |
US11710572B2 (en) | Experience engine-method and apparatus of learning from similar patients | |
CN111833982A (zh) | 基于健康数据的健康报告生成方法及其相关设备 | |
KR20200113954A (ko) | 사용자 맞춤형 건강 정보 서비스 제공 시스템 및 그 방법 | |
Alqudah | Fuzzy expert system for coronary heart disease diagnosis in Jordan | |
Prados-Suárez et al. | Improving electronic health records retrieval using contexts | |
CN114416967A (zh) | 智能推荐医生的方法、装置、设备及存储介质 | |
CN114652311A (zh) | 一种基于阶梯式护理干预的精细化护理方法及系统 | |
CN112447270A (zh) | 一种用药推荐方法、装置、设备及存储介质 | |
CN111415760A (zh) | 医生推荐方法、系统、计算机设备及存储介质 | |
Bhattacharyya et al. | Delirium prediction in the ICU: designing a screening tool for preventive interventions | |
CN114300075A (zh) | 一种基于大数据的运动医疗健康数据管理系统 | |
Biasiotto et al. | Public preferences for digital health data sharing: Discrete choice experiment study in 12 European countries | |
Wang et al. | Nationwide hospital admission data statistics and disease-specific 30-day readmission prediction | |
CN114512241B (zh) | 一种基于频次分析的食管静脉瘤信息智能搜寻方法及系统 | |
Chen et al. | Hypothesis generation and data quality assessment through association mining | |
US20210074432A1 (en) | Predictive analytics for complex diseases | |
US11521724B2 (en) | Personalized patient engagement in care management using explainable behavioral phenotypes | |
CN114649071A (zh) | 一种基于真实世界数据的消化性溃疡治疗方案的预测系统 | |
US20210090691A1 (en) | Cognitive System Candidate Response Ranking Based on Personal Medical Condition | |
Bissoyi et al. | A similarity matrix based approach for building patient centric social networks |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |