CN114743693A - 基于医患对话的诊中质控方法以及诊中质控装置 - Google Patents
基于医患对话的诊中质控方法以及诊中质控装置 Download PDFInfo
- Publication number
- CN114743693A CN114743693A CN202210283854.XA CN202210283854A CN114743693A CN 114743693 A CN114743693 A CN 114743693A CN 202210283854 A CN202210283854 A CN 202210283854A CN 114743693 A CN114743693 A CN 114743693A
- Authority
- CN
- China
- Prior art keywords
- information
- doctor
- medical
- quality control
- patient
- 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
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
- G06F40/35—Discourse or dialogue representation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Databases & Information Systems (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明公开了一种基于医患对话的诊中质控方法以及诊中质控装置,所述方法包括:实时获取医患对话信息;获取预设医学质控模型和预设情感识别模型,所述预设医学质控模型基于知识图谱生成;基于所述预设医学质控模型对所述医患对话信息执行医学分析,获得医学分析结果;基于所述预设情感识别模型对所述医患对话信息进行情感识别,获得情感识别结果;基于所述医学分析结果和所述情感识别结果生成诊中质控结果。通过对患者在就诊过程中的医学诊治信息以及情感信息进行实时分析和质量控制,从而有效提高医生的诊治精确性,减少医患冲突,有效降低医患事故的发生,提高服务体验。
Description
技术领域
本发明涉及医疗管理技术领域,具体地涉及一种基于医患对话的诊中质控方法、一种基于医患对话的诊中质控装置以及一种计算机可读存储介质。
背景技术
患者在医院就医的过程中,医生需要与患者进行对话以获取患者信息,并进行对应的诊断,在确定针对该患者的诊断结果后,医生出具对应的处方并撰写对应的病历。
然而随着城市的不断发展,门诊数量在不断增加,以及随着互联网医院的不断发展,患者的就医渠道越来越集中,高强度的工作为医生带来了极大的工作压力,医生就诊治过程中出现偏差的风险越来越高,患者在就医过程中与医生之间发生纠纷的风险也越来越高,因此对患者在就医过程中的质量控制越来越重要,诊中环节的质量控制也受到越来越多的关注和重视。
在现有技术中,针对患者就医过程的质控主要在诊断后进行,例如针对医生开具的处方或撰写的病历,可以对该处方的合理性、对病历的规范性等问题进行判断或审核,但上述质控方法的涉及范围较小,且存在较大的滞后性,无法及时对患者与医生的沟通过程进行质控,因此无法满足实际需求,导致每年引发的医疗纠纷越来越多。
发明内容
为了克服现有技术中存在的上述技术问题,本发明实施例提供一种基于医患对话的诊中质控方法以及诊中质控装置,通过对患者在就诊过程中的医学诊治信息以及情感信息进行实时分析和质量控制,从而有效提高医生的诊治精确性,减少医患冲突,有效降低医患事故的发生,提高服务体验。
为了实现上述目的,本发明实施例提供一种基于医患对话的诊中质控方法,所述方法包括:实时获取医患对话信息;获取预设医学质控模型和预设情感识别模型,所述预设医学质控模型基于知识图谱生成;基于所述预设医学质控模型对所述医患对话信息执行医学分析,获得医学分析结果;基于所述预设情感识别模型对所述医患对话信息进行情感识别,获得情感识别结果;基于所述医学分析结果和所述情感识别结果生成诊中质控结果。
优选地,所述获取预设医学质控模型,包括:获取医学知识训练数据;对所述医学知识训练数据进行处理,获得对应的处理后数据;基于所述处理后数据创建医学知识图谱;基于所述医学知识图谱生成对应的预设医学质控模型。
优选地,所述获取预设情感识别模型,包括:获取医患对话训练信息;对所述医患对话训练信息进行预处理,获得预处理后信息;获取初始识别模板,基于所述预处理后信息对所述初始识别模板进行训练,获得训练后模板;获取初始识别模型,基于所述预处理后信息对所述初始识别模型进行训练,获得训练后模型;基于所述训练后模板和所述训练后模型生成所述预设情感识别模型。
优选地,所述方法还包括:在获得所述训练后模板后,获取特定更新数据,所述特定更新数据基于预设短时间周期内采集的热门用语数据生成;基于所述特定更新数据对所述训练后模板进行优化,获得优化后模板;基于所述优化后模板和所述训练后模型生成预设情感识别模型。
优选地,所述基于所述预设医学质控模型对所述医患对话信息执行医学分析,获得医学分析结果,包括:对所述医患对话信息执行结构化处理,获得结构化后信息;基于所述预设医学质控模型对所述结构化后信息进行医学分析;判断是否存在错误医学信息;若是,生成信息错误的医学分析结果;否则,生成信息准确的医学分析结果。
优选地,所述基于所述预设情感识别模型对所述医患对话信息进行情感识别,获得情感识别结果,包括:对所述医患对话信息进行初步解析,获得解析结果,所述解析结果用于表征所述医患对话信息为症状表达信息或情绪表达信息;在所述医患对话信息为情绪表达信息的情况下,基于所述预设情感识别模型对所述医患对话信息进行情感识别,获得所述情感识别结果。
优选地,所述基于所述医学分析结果和所述情感识别结果生成诊中质控结果,包括:在所述医学分析结果为信息错误的情况下,生成并反馈对应的第一提示信息;在所述情感识别结果为情感异常的情况下,确定当前医患对话信息的对话主体;在所述对话主体为患者的情况下,生成并反馈对应的医生提示信息;在所述对话主体为医生的情况下,生成并反馈对应的医生监管信息;将所述医生提示信息或所述医生监管信息作为第二提示信息;将所述第一提示信息和/或所述第二提示信息作为诊中质控结果。
相应的,本发明实施例还提供一种基于医患对话的诊中质控装置,所述装置包括:信息获取单元,用于实时获取医患对话信息;模型获取单元,用于获取预设医学质控模型和预设情感识别模型,所述预设医学质控模型基于知识图谱生成;医学分析单元,用于基于所述预设医学质控模型对所述医患对话信息执行医学分析,获得医学分析结果;情感识别单元,用于基于所述预设情感识别模型对所述医患对话信息进行情感识别,获得情感识别结果;质控单元,用于基于所述医学分析结果和所述情感识别结果生成诊中质控结果。
优选地,所述模型获取单元包括第一模型获取模块,所述第一模型获取模块具体用于:获取医学知识训练数据;对所述医学知识训练数据进行处理,获得对应的处理后数据;基于所述处理后数据创建医学知识图谱;基于所述医学知识图谱生成对应的预设医学质控模型。
优选地,所述模型获取单元包括第二模型获取模块,所述第二模型获取模块具体用于:获取医患对话训练信息;对所述医患对话训练信息进行预处理,获得预处理后信息;获取初始识别模板,基于所述预处理后信息对所述初始识别模板进行训练,获得训练后模板;获取初始识别模型,基于所述预处理后信息对所述初始识别模型进行训练,获得训练后模型;基于所述训练后模板和所述训练后模型生成所述预设情感识别模型。
优选地,所述第二模型获取模块包括数据更新子模块,所述数据更新子模块具体用于:在获得所述训练后模板后,获取特定更新数据,所述特定更新数据基于预设短时间周期内采集的热门用语数据生成;基于所述特定更新数据对所述训练后模板进行优化,获得优化后模板;基于所述优化后模板和所述训练后模型生成预设情感识别模型。
优选地,所述医学分析单元具体用于:对所述医患对话信息执行结构化处理,获得结构化后信息;基于所述预设医学质控模型对所述结构化后信息进行医学分析;判断是否存在错误医学信息;若是,生成信息错误的医学分析结果;否则,生成信息准确的医学分析结果。
优选地,所述情感识别单元包括:初步解析模块,用于对所述医患对话信息进行初步解析,获得解析结果,所述解析结果用于表征所述医患对话信息为症状表达信息或情绪表达信息;情感识别模块,用于在所述医患对话信息为情绪表达信息的情况下,基于所述预设情感识别模型对所述医患对话信息进行情感识别,获得所述情感识别结果。
优选地,所述质控单元包括医学质控模块和情感质控模块,所述医学质控模块具体用于:在所述医学分析结果为信息错误的情况下,生成并反馈对应的第一提示信息;所述医学质控模块具体用于:在所述情感识别结果为情感异常的情况下,确定当前医患对话信息的对话主体;在所述对话主体为患者的情况下,生成并反馈对应的医生提示信息;在所述对话主体为医生的情况下,生成并反馈对应的医生监管信息;将所述医生提示信息或所述医生监管信息作为第二提示信息;所述质控单元还用于:将所述第一提示信息和/或所述第二提示信息作为诊中质控结果。
另一方面,本发明实施例还提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现本发明实施例提供的方法。
通过本发明提供的技术方案,本发明至少具有如下技术效果:
通过采用基于知识图谱的医学质控模型对患者在诊治过程中的所有医学相关信息进行医学分析,从而能够精确识别出存在错误或冲突的医学信息,并及时提醒医生,从而有效提高医生的诊治准确性;
另一方面,通过情感识别模型对患者在医疗场景的症状表述和情感表述进行准确区分,同时对患者的情感表述进行准确识别,从而有效、及时地发现医生或患者的情感变化,并及时采取对应的措施,有效避免了医患矛盾的发生,降低了医患事故的发生频率,提高了诊中质控的有效性和精确性。
本发明实施例的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本发明实施例的进一步理解,并且构成说明书的一部分,与下面的具体实施方式一起用于解释本发明实施例,但并不构成对本发明实施例的限制。在附图中:
图1是本发明实施例提供的基于医患对话的诊中质控方法的具体实现流程图;
图2是发明实施例提供的基于医患对话的诊中质控方法中获取预设情感识别模型的具体实现流程图;
图3是发明实施例提供的基于医患对话的诊中质控装置的结构示意图。
具体实施方式
以下结合附图对本发明实施例的具体实施方式进行详细说明。应当理解的是,此处所描述的具体实施方式仅用于说明和解释本发明实施例,并不用于限制本发明实施例。
本发明实施例中的术语“系统”和“网络”可被互换使用。“多个”是指两个或两个以上,鉴于此,本发明实施例中也可以将“多个”理解为“至少两个”。“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,字符“/”,如无特殊说明,一般表示前后关联对象是一种“或”的关系。另外,需要理解的是,在本发明实施例的描述中,“第一”、“第二”等词汇,仅用于区分描述的目的,而不能理解为指示或暗示相对重要性,也不能理解为指示或暗示顺序。
请参见图1,本发明实施例提供一种基于医患对话的诊中质控方法,所述方法包括:
S10)实时获取医患对话信息;
S20)获取预设医学质控模型和预设情感识别模型,所述预设医学质控模型基于知识图谱生成;
S30)基于所述预设医学质控模型对所述医患对话信息执行医学分析,获得医学分析结果;
S40)基于所述预设情感识别模型对所述医患对话信息进行情感识别,获得情感识别结果;
S50)基于所述医学分析结果和所述情感识别结果生成诊中质控结果。
在一种可能的实施方式中,在医生与患者对话的过程中实时对医生的就诊过程进行质量监控。监控过程中实时获取医患对话信息,并获取预设医学质控模型和预设情感识别模型,其中该预设医学质控模型基于知识图谱预先生成,例如在本发明实施例中,所述获取预设医学质控模型,包括:获取医学知识训练数据;对所述医学知识训练数据进行处理,获得对应的处理后数据;基于所述处理后数据创建医学知识图谱;基于所述医学知识图谱生成对应的预设医学质控模型。
具体的,在创建预设医学质控模型的过程中,通过获取多途径的医学数据,例如该医学数据包括但不限于合作医院提供的数据、文献、论文、说明书等挖掘到的数据、医学专业人员标注整理的数据等,根据上述数据生成对应的医学知识图谱,并根据该医学知识图谱创建预设医学质控模型。
在实际应用过程中,首先通过该预设医学质控模型对医患对话信息执行医学分析,例如根据预设医学质控模型所能确定的诊断与药品的关系、症状与药品的关系,药品间相互作用关系,科室常见诊断等对医患对话信息进行医学分析,以获得对应的医学分析结果。然后调用预设情感识别模型进行进一步的情感识别,该预设情感识别模型也可以为预先训练创建的。
对于本领域技术人员很容易知道,医学领域与其他的领域在情感判断上存在较大的不同,例如当某个患者说“我流眼泪了”,在其他领域例如日常的应用场景时,其往往是表达一种悲伤的情绪,而在就诊的过程中,在医疗场景下患者往往是表达一种症状,而不能被判断为一种情绪的表达,因此必须为医疗应用场景配置对应的情感识别模型。
请参见图2,在本发明实施例中,所述获取预设情感识别模型,包括:
S21)获取医患对话训练信息;
S22)对所述医患对话训练信息进行预处理,获得预处理后信息;
S23)获取初始识别模板,基于所述预处理后信息对所述初始识别模板进行训练,获得训练后模板;
S24)获取初始识别模型,基于所述预处理后信息对所述初始识别模型进行训练,获得训练后模型;
S25)基于所述训练后模板和所述训练后模型生成所述预设情感识别模型。
在一种可能的实施方式中,在进行训练的过程中,首先获取医患对话训练信息,例如该医患对话训练信息可以从网络上公开的医患对话数据渠道获取,也可以从医院的存储数据或记录数据中提取,在获取到上述医患对话训练信息后,由于存在大量的无效或冗余信息,因此需要对上述医患对话训练信息进行预处理,例如可以通过人工对上述医患对话训练信息进行标注和筛选,例如对医患对话训练信息中的病症表达信息以及情绪表达信息进行区别标注,以及对情绪表达中的生气、反感、害怕、开心、喜欢、难过、惊讶等情绪进行标注,以选取合理、精确的训练样本,即预处理后信息。
在实际应用过程中,技术人员发现,若直接将上述预处理后信息输入智能识别模型进行训练,其训练耗时较长,训练效率低下;而若直接采用固定模板的方式进行训练,则其识别准确性较高,但其泛化能力较差、识别范围较小,因此无法满足技术人员的需求。基于此,技术人员采用模板+模型相结合的方式生成对应的情感识别模型。
具体的,在获取到预处理后信息之后,首先获取初始识别模板,例如该初始识别模板为空白模板,基于该预处理后信息对该初始识别模板进行训练,例如可以将重复出现次数超过一定次数阈值的词语或句式作为固定模板并保存下来,或通过程序统计大量语料以及人工标注典型句式及关键词,来获得特定句型的模板,最终根据所有的固定句型生成该训练后模板;后获取初始识别模型,例如该初始识别模型为基于bert的分类模型,将上述预处理后信息输入该bert分类模型进行训练后,生成对应的训练后模型,然后根据上述训练后模板和所述训练后模型生成预设情感识别模型。
在本发明实施例中,通过对医患对话训练数据进行预处理,并基于精确的预处理数据对初始目标和初始模型进行训练,以使得最终生成的预设情感识别模型能够有效区别在对话过程中的症状描述内容以及情绪描述内容,从而为后续生成精确的诊中质控结果提供了精确的分析工具,保障了诊中质控的精确性,满足了实时的诊中质控的需求。
在实际应用过程中,随着人们生活的不断变化,生活中随时会出现一些非惯用用语的热门词句,而这些热门词句并不能被传统的情感识别模型所准确分析和识别,因此为了保证情感识别的精确性,需要根据短时间内的热门词句对该情感识别模型进行优化,以提高识别准确性。
在本发明实施例中,所述方法还包括:在获得所述训练后模板后,获取特定更新数据,所述特定更新数据基于预设短时间周期内采集的热门用语数据生成;基于所述特定更新数据对所述训练后模板进行优化,获得优化后模板;基于所述优化后模板和所述训练后模型生成预设情感识别模型。
在一种可能的实施方式中,在获得上述训练后模板后,进一步获取特定更新数据,例如该特定更新数据为在预设短时间周期(例如2周、1月等)内采集当期人们的热门用语生成的,然后根据该特定更新数据对该训练后模板进行优化,获得优化后模板,并基于该优化后模板以及训练后模型生成预设情感识别模型。
在本发明实施例中,通过不断根据短时间内的热门用语对情感识别模型进行优化,从而使得该情感识别模型能够及时根据人们的用语习惯变化对患者以及医生在就诊过程中的情绪进行精确识别,进一步提高了识别精确性。在实际应用过程中,在需要进行诊中质控的应用场景时,通过调用该预设情感识别模型就能够对医生和患者的情感进行实时的、精确识别,而诊中质控包括医学质控和情感质控两个方面。
在本发明实施例中,所述基于所述预设医学质控模型对所述医患对话信息执行医学分析,获得医学分析结果,包括:对所述医患对话信息执行结构化处理,获得结构化后信息;基于所述预设医学质控模型对所述结构化后信息进行医学分析;判断是否存在错误医学信息;若是,生成信息错误的医学分析结果;否则,生成信息准确的医学分析结果。
在一种可能的实施方式中,在获取到实时的医患对话信息后,首先执行结构化处理,以获得结构化后信息,通过结构化处理能够将日常的对话信息转换为机器能够处理的数据信息。此时根据上述预设医学质控模型对该结构化后信息进行医学分析,并根据分析结果判断是否存在错误医学信息,例如可以根据医生的诊断结论以及所开的药品,判断在所开的药品中是否存在与该诊断结论所不匹配的药品,若存在,则确定存在错误医学信息,此时立即生成对应的信息错误的医学分析结果。
在你本发明实施例中,通过将基于知识图谱的医学质控模型应用到医生与患者的就诊过程中,并对就诊过程中的所有医学相关信息进行医学分析,从而及时发现在诊治过程中存在的医学错误,并及时进行提示,从而有效避免医患事故的发生,提高了医生的诊治精确性。
另一方面,还进行情感诊中质控。在本发明实施例中,所述基于所述预设情感识别模型对所述医患对话信息进行情感识别,获得情感识别结果,包括:对所述医患对话信息进行初步解析,获得解析结果,所述解析结果用于表征所述医患对话信息为症状表达信息或情绪表达信息;在所述医患对话信息为情绪表达信息的情况下,基于所述预设情感识别模型对所述医患对话信息进行情感识别,获得所述情感识别结果。
在一种可能的实施方式中,在情感诊中质控的过程中,实时对医患对话信息进行初步解析,并获得初步解析结果,该初步解析结果用于表征该医患对话信息为症状表达信息或情绪表达信息,进一步地,若根据当前采集的医患对话信息确定解析为情绪表达信息的情况下,基于该预设情感识别模型对该医患对话信息进行情感识别,以获得情感识别结果,例如在一种实施例中,患者表达“我心里难受”,可以将该对话信息解析为症状表达信息,而不是情绪表达信息;在另一种实施例中,患者表达“我这样服药不会有什么问题吧?”,可以将该对话信息解析为情绪表达信息,例如可以确定该患者存在“担心”或“焦虑”的情绪。
在获取到上述医学分析结果以及情感识别结果后,可以生成对应的诊中质控结果。
在本发明实施例中,所述基于所述医学分析结果和所述情感识别结果生成诊中质控结果,包括:在所述医学分析结果为信息错误的情况下,生成并反馈对应的第一提示信息;在所述情感识别结果为情感异常的情况下,确定当前医患对话信息的对话主体;在所述对话主体为患者的情况下,生成并反馈对应的医生提示信息;在所述对话主体为医生的情况下,生成并反馈对应的医生监管信息;将所述医生提示信息或所述医生监管信息作为第二提示信息;将所述第一提示信息和/或所述第二提示信息作为诊中质控结果。
在一种可能的实施方式中,在获得医学分析结果后,若该医学分析结果表征存在信息错误,则立即生成并反馈对应的第一提示信息,例如可以通过移动终端向医生发出对应的错误提示信息,以提示医生及时进行纠正处理;在获得上述情感识别结果后,若该情感识别结果表征为情感异常,则进一步确定当前医患对话信息的对话主体,在一种实施例中,当前医患对话信息的对话主体为患者,则立即生成并反馈对应的医生提示信息,以提示医生及时安抚和缓解患者的情绪,防止医患事故的发生,提升患者就诊满意度;在另一种实施例中,当前医患对话信息的对话主体为医生,则立即生成并反馈对应的医生监管信息,例如可以直接向医院管理系统的管理终端反馈该医生监管信息,以保证医院能够第一时间知晓医生态度发生的变化,并及时与医生进行沟通和管理,避免事态恶化升级,提高诊中质控效果,在处理过程中,可以将上述医生提示信息或医生监管信息作为第二提示信息,并将第一提示信息和/或第二提示信息作为诊中质控结果。
在本发明实施例中,通过对患者在就诊的过程中,从医学和情感两个方面同时进行诊中质量监控,从而有效提高医生的诊治精确性,提高治疗疗效;同时有效提高医生以及医院的服务质量,提升患者的满意度,有效降低医疗事故的发生,满足了当前的实际质量控制需求。
下面结合附图对本发明实施例所提供的基于医患对话的诊中质控装置进行说明。
请参见图3,基于同一发明构思,本发明实施例提供一种基于医患对话的诊中质控装置,所述装置包括:信息获取单元,用于实时获取医患对话信息;模型获取单元,用于获取预设医学质控模型和预设情感识别模型,所述预设医学质控模型基于知识图谱生成;医学分析单元,用于基于所述预设医学质控模型对所述医患对话信息执行医学分析,获得医学分析结果;情感识别单元,用于基于所述预设情感识别模型对所述医患对话信息进行情感识别,获得情感识别结果;质控单元,用于基于所述医学分析结果和所述情感识别结果生成诊中质控结果。
在本发明实施例中,所述模型获取单元包括第一模型获取模块,所述第一模型获取模块具体用于:获取医学知识训练数据;对所述医学知识训练数据进行处理,获得对应的处理后数据;基于所述处理后数据创建医学知识图谱;基于所述医学知识图谱生成对应的预设医学质控模型。
在本发明实施例中,所述模型获取单元包括第二模型获取模块,所述第二模型获取模块具体用于:获取医患对话训练信息;对所述医患对话训练信息进行预处理,获得预处理后信息;获取初始识别模板,基于所述预处理后信息对所述初始识别模板进行训练,获得训练后模板;获取初始识别模型,基于所述预处理后信息对所述初始识别模型进行训练,获得训练后模型;基于所述训练后模板和所述训练后模型生成所述预设情感识别模型。
在本发明实施例中,所述第二模型获取模块包括数据更新子模块,所述数据更新子模块具体用于:在获得所述训练后模板后,获取特定更新数据,所述特定更新数据基于预设短时间周期内采集的热门用语数据生成;基于所述特定更新数据对所述训练后模板进行优化,获得优化后模板;基于所述优化后模板和所述训练后模型生成预设情感识别模型。
在本发明实施例中,所述医学分析单元具体用于:对所述医患对话信息执行结构化处理,获得结构化后信息;基于所述预设医学质控模型对所述结构化后信息进行医学分析;判断是否存在错误医学信息;若是,生成信息错误的医学分析结果;否则,生成信息准确的医学分析结果。
在本发明实施例中,所述情感识别单元包括:初步解析模块,用于对所述医患对话信息进行初步解析,获得解析结果,所述解析结果用于表征所述医患对话信息为症状表达信息或情绪表达信息;情感识别模块,用于在所述医患对话信息为情绪表达信息的情况下,基于所述预设情感识别模型对所述医患对话信息进行情感识别,获得所述情感识别结果。
在本发明实施例中,所述质控单元包括医学质控模块和情感质控模块,所述医学质控模块具体用于:在所述医学分析结果为信息错误的情况下,生成并反馈对应的第一提示信息;所述医学质控模块具体用于:在所述情感识别结果为情感异常的情况下,确定当前医患对话信息的对话主体;在所述对话主体为患者的情况下,生成并反馈对应的医生提示信息;在所述对话主体为医生的情况下,生成并反馈对应的医生监管信息;将所述医生提示信息或所述医生监管信息作为第二提示信息;所述质控单元还用于:将所述第一提示信息和/或所述第二提示信息作为诊中质控结果。
进一步地,本发明实施例还提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现本发明实施例所述的方法。
以上结合附图详细描述了本发明实施例的可选实施方式,但是,本发明实施例并不限于上述实施方式中的具体细节,在本发明实施例的技术构思范围内,可以对本发明实施例的技术方案进行多种简单变型,这些简单变型均属于本发明实施例的保护范围。
另外需要说明的是,在上述具体实施方式中所描述的各个具体技术特征,在不矛盾的情况下,可以通过任何合适的方式进行组合。为了避免不必要的重复,本发明实施例对各种可能的组合方式不再另行说明。
本领域技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序存储在一个存储介质中,包括若干指令用以使得单片机、芯片或处理器(processor)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
此外,本发明实施例的各种不同的实施方式之间也可以进行任意组合,只要其不违背本发明实施例的思想,其同样应当视为本发明实施例所公开的内容。
Claims (15)
1.一种基于医患对话的诊中质控方法,其特征在于,所述方法包括:
实时获取医患对话信息;
获取预设医学质控模型和预设情感识别模型,所述预设医学质控模型基于知识图谱生成;
基于所述预设医学质控模型对所述医患对话信息执行医学分析,获得医学分析结果;
基于所述预设情感识别模型对所述医患对话信息进行情感识别,获得情感识别结果;
基于所述医学分析结果和所述情感识别结果生成诊中质控结果。
2.根据权利要求1所述的方法,其特征在于,所述获取预设医学质控模型,包括:
获取医学知识训练数据;
对所述医学知识训练数据进行处理,获得对应的处理后数据;
基于所述处理后数据创建医学知识图谱;
基于所述医学知识图谱生成对应的预设医学质控模型。
3.根据权利要求1所述的方法,其特征在于,所述获取预设情感识别模型,包括:
获取医患对话训练信息;
对所述医患对话训练信息进行预处理,获得预处理后信息;
获取初始识别模板,基于所述预处理后信息对所述初始识别模板进行训练,获得训练后模板;
获取初始识别模型,基于所述预处理后信息对所述初始识别模型进行训练,获得训练后模型;
基于所述训练后模板和所述训练后模型生成所述预设情感识别模型。
4.根据权利要求3所述的方法,其特征在于,所述方法还包括:
在获得所述训练后模板后,获取特定更新数据,所述特定更新数据基于预设短时间周期内采集的热门用语数据生成;
基于所述特定更新数据对所述训练后模板进行优化,获得优化后模板;
基于所述优化后模板和所述训练后模型生成预设情感识别模型。
5.根据权利要求1所述的方法,其特征在于,所述基于所述预设医学质控模型对所述医患对话信息执行医学分析,获得医学分析结果,包括:
对所述医患对话信息执行结构化处理,获得结构化后信息;
基于所述预设医学质控模型对所述结构化后信息进行医学分析;
判断是否存在错误医学信息;
若是,生成信息错误的医学分析结果;
否则,生成信息准确的医学分析结果。
6.根据权利要求3所述的方法,其特征在于,所述基于所述预设情感识别模型对所述医患对话信息进行情感识别,获得情感识别结果,包括:
对所述医患对话信息进行初步解析,获得解析结果,所述解析结果用于表征所述医患对话信息为症状表达信息或情绪表达信息;
在所述医患对话信息为情绪表达信息的情况下,基于所述预设情感识别模型对所述医患对话信息进行情感识别,获得所述情感识别结果。
7.根据权利要求6所述的方法,其特征在于,所述基于所述医学分析结果和所述情感识别结果生成诊中质控结果,包括:
在所述医学分析结果为信息错误的情况下,生成并反馈对应的第一提示信息;
在所述情感识别结果为情感异常的情况下,确定当前医患对话信息的对话主体;
在所述对话主体为患者的情况下,生成并反馈对应的医生提示信息;
在所述对话主体为医生的情况下,生成并反馈对应的医生监管信息;
将所述医生提示信息或所述医生监管信息作为第二提示信息;
将所述第一提示信息和/或所述第二提示信息作为诊中质控结果。
8.一种基于医患对话的诊中质控装置,其特征在于,所述装置包括:
信息获取单元,用于实时获取医患对话信息;
模型获取单元,用于获取预设医学质控模型和预设情感识别模型,所述预设医学质控模型基于知识图谱生成;
医学分析单元,用于基于所述预设医学质控模型对所述医患对话信息执行医学分析,获得医学分析结果;
情感识别单元,用于基于所述预设情感识别模型对所述医患对话信息进行情感识别,获得情感识别结果;
质控单元,用于基于所述医学分析结果和所述情感识别结果生成诊中质控结果。
9.根据权利要求8所述的装置,其特征在于,所述模型获取单元包括第一模型获取模块,所述第一模型获取模块具体用于:
获取医学知识训练数据;
对所述医学知识训练数据进行处理,获得对应的处理后数据;
基于所述处理后数据创建医学知识图谱;
基于所述医学知识图谱生成对应的预设医学质控模型。
10.根据权利要求8所述的装置,其特征在于,所述模型获取单元包括第二模型获取模块,所述第二模型获取模块具体用于:
获取医患对话训练信息;
对所述医患对话训练信息进行预处理,获得预处理后信息;
获取初始识别模板,基于所述预处理后信息对所述初始识别模板进行训练,获得训练后模板;
获取初始识别模型,基于所述预处理后信息对所述初始识别模型进行训练,获得训练后模型;
基于所述训练后模板和所述训练后模型生成所述预设情感识别模型。
11.根据权利要求10所述的装置,其特征在于,所述第二模型获取模块包括数据更新子模块,所述数据更新子模块具体用于:
在获得所述训练后模板后,获取特定更新数据,所述特定更新数据基于预设短时间周期内采集的热门用语数据生成;
基于所述特定更新数据对所述训练后模板进行优化,获得优化后模板;
基于所述优化后模板和所述训练后模型生成预设情感识别模型。
12.根据权利要求8所述的装置,其特征在于,所述医学分析单元具体用于:
对所述医患对话信息执行结构化处理,获得结构化后信息;
基于所述预设医学质控模型对所述结构化后信息进行医学分析;
判断是否存在错误医学信息;
若是,生成信息错误的医学分析结果;
否则,生成信息准确的医学分析结果。
13.根据权利要求8所述的装置,其特征在于,所述情感识别单元包括:
初步解析模块,用于对所述医患对话信息进行初步解析,获得解析结果,所述解析结果用于表征所述医患对话信息为症状表达信息或情绪表达信息;
情感识别模块,用于在所述医患对话信息为情绪表达信息的情况下,基于所述预设情感识别模型对所述医患对话信息进行情感识别,获得所述情感识别结果。
14.根据权利要求13所述的装置,其特征在于,所述质控单元包括医学质控模块和情感质控模块,所述医学质控模块具体用于:
在所述医学分析结果为信息错误的情况下,生成并反馈对应的第一提示信息;
所述医学质控模块具体用于:
在所述情感识别结果为情感异常的情况下,确定当前医患对话信息的对话主体;
在所述对话主体为患者的情况下,生成并反馈对应的医生提示信息;
在所述对话主体为医生的情况下,生成并反馈对应的医生监管信息;
将所述医生提示信息或所述医生监管信息作为第二提示信息;
所述质控单元还用于:
将所述第一提示信息和/或所述第二提示信息作为诊中质控结果。
15.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现权利要求1-7中任一项权利要求所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210283854.XA CN114743693A (zh) | 2022-03-21 | 2022-03-21 | 基于医患对话的诊中质控方法以及诊中质控装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210283854.XA CN114743693A (zh) | 2022-03-21 | 2022-03-21 | 基于医患对话的诊中质控方法以及诊中质控装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114743693A true CN114743693A (zh) | 2022-07-12 |
Family
ID=82276917
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210283854.XA Pending CN114743693A (zh) | 2022-03-21 | 2022-03-21 | 基于医患对话的诊中质控方法以及诊中质控装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114743693A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115512859A (zh) * | 2022-11-21 | 2022-12-23 | 北京左医科技有限公司 | 基于互联网的诊中质量管理方法、管理装置及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108648831A (zh) * | 2018-05-11 | 2018-10-12 | 贵州大学 | 一种医患沟通辅助平台及其交互方法 |
CN109003624A (zh) * | 2018-06-29 | 2018-12-14 | 北京百度网讯科技有限公司 | 情绪识别方法、装置、计算机设备及存储介质 |
CN111950235A (zh) * | 2020-08-14 | 2020-11-17 | 杭州朗通信息技术有限公司 | 智能医学文本处理系统 |
CN112035634A (zh) * | 2020-08-28 | 2020-12-04 | 康键信息技术(深圳)有限公司 | 文本情绪检测方法、装置、设备及存储介质 |
CN112507701A (zh) * | 2020-11-30 | 2021-03-16 | 北京百度网讯科技有限公司 | 待纠错医疗数据的识别方法、装置、设备和存储介质 |
CN112786144A (zh) * | 2021-01-29 | 2021-05-11 | 北京百度网讯科技有限公司 | 知识图谱的方法、医嘱质控的方法、装置、设备和介质 |
-
2022
- 2022-03-21 CN CN202210283854.XA patent/CN114743693A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108648831A (zh) * | 2018-05-11 | 2018-10-12 | 贵州大学 | 一种医患沟通辅助平台及其交互方法 |
CN109003624A (zh) * | 2018-06-29 | 2018-12-14 | 北京百度网讯科技有限公司 | 情绪识别方法、装置、计算机设备及存储介质 |
CN111950235A (zh) * | 2020-08-14 | 2020-11-17 | 杭州朗通信息技术有限公司 | 智能医学文本处理系统 |
CN112035634A (zh) * | 2020-08-28 | 2020-12-04 | 康键信息技术(深圳)有限公司 | 文本情绪检测方法、装置、设备及存储介质 |
CN112507701A (zh) * | 2020-11-30 | 2021-03-16 | 北京百度网讯科技有限公司 | 待纠错医疗数据的识别方法、装置、设备和存储介质 |
CN112786144A (zh) * | 2021-01-29 | 2021-05-11 | 北京百度网讯科技有限公司 | 知识图谱的方法、医嘱质控的方法、装置、设备和介质 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115512859A (zh) * | 2022-11-21 | 2022-12-23 | 北京左医科技有限公司 | 基于互联网的诊中质量管理方法、管理装置及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109545394B (zh) | 一种问诊方法及装置 | |
CN107391933A (zh) | 一种电子病历质量控制管理装置及方法 | |
CN109378077B (zh) | 诊前病史采集方法及执行该方法的机器可读存储介质 | |
CN109241257A (zh) | 一种基于知识图谱的智慧问答系统及其方法 | |
CN105765612A (zh) | 用于确定放射学报告中缺失的间隔变化信息的系统和方法 | |
CN108320781A (zh) | 一种基于语音的医疗报告生成方法及装置 | |
CN111221947A (zh) | 眼科预问诊装置的多轮对话实现方法及装置 | |
CN114743693A (zh) | 基于医患对话的诊中质控方法以及诊中质控装置 | |
CN115691798A (zh) | 一种多疾病风险预测模型训练方法 | |
CN117612693B (zh) | 一种患者实时监测和预警方法、装置、计算机及存储介质 | |
CN117237351B (zh) | 一种超声图像分析方法以及相关装置 | |
CN113611433A (zh) | 一种问诊辅助系统及方法 | |
Marcos et al. | Emotional AI in Healthcare: a pilot architecture proposal to merge emotion recognition tools | |
CN116580801A (zh) | 一种基于大型语言模型的超声检查方法 | |
KR102503609B1 (ko) | 머신 러닝을 이용한 가상 환자 정보 생성 시스템 및 방법 | |
KR20190043201A (ko) | 디지털 동반자를 위한 emma 기반의 모니터링 인터페이스 시스템 | |
CN111899844B (zh) | 一种样本生成方法、装置、服务器及存储介质 | |
CN114661942A (zh) | 流调数据的处理方法、装置、电子设备及计算机可读介质 | |
CN114462376A (zh) | 基于rpa和ai的庭审笔录生成方法、装置、设备及介质 | |
CN112541085B (zh) | 问卷的结构化方法、问卷的结构化装置及存储介质 | |
CN115512859B (zh) | 基于互联网的诊中质量管理方法、管理装置及存储介质 | |
CN110706819A (zh) | 一种门诊分析方法、装置、服务器及存储介质 | |
KR20210044924A (ko) | 음성인식 기반 진료 지원 방법 | |
CN117995340B (zh) | 基于大模型的临床试验智能招募方法及装置 | |
US20210335491A1 (en) | Predictive adaptive intelligent diagnostics and treatment |
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 |