CN115547466A - 基于大数据的医疗机构登记评审系统及其方法 - Google Patents

Abstract

本申请涉及登记评审技术领域，其具体地公开了一种基于大数据的医疗机构登记评审系统及其方法，其通过上下文编码器对待评审医疗机构的各个科室的多项指标数据进行上下文语义编码，并使用多尺度邻域特征提取模块对科室特征向量进行多尺度邻域特征提取，然后，分别对对应于各个科室的多尺度科室特征向量进行基于最大值的特征值校正，最后，将对应于各个科室的校正后多尺度科室特征向量排列为二维特征矩阵后通过作为特征提取器的卷积神经网络模型以得到分类特征图，并通过分类器以得到用于表示待评审医疗机构的服务等级标签的分类结果，通过这样的方式，从而合理的、精准的对医疗机构的服务等级进行评审。

Description

基于大数据的医疗机构登记评审系统及其方法

技术领域

本申请涉及登记评审技术领域，且更为具体地，涉及一种基于大数据的医疗机构登记评审系统及其方法。

背景技术

对医疗机构服务等级进行评审，有利于帮助医院提前自评医院等级，辅助医院提高医院的服务水平。现有的医疗机构等级评审采用主流的SAAS系统的产品模式，也就是，收集医院的各科室的各项指标数据，并以预定数据处理手段来进行量化整合与评估以得到医院的服务等级标签。但这种评估模式在评审时，无法准确地表达各科室内各项指标之间的关联，也没有关注到各个科室的之间的联动性关联，导致所评审出来的等级无法真正地反应医院的服务等级。

因此，期待一种更为优化的医疗机构登记评审方案。

发明内容

为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种基于大数据的医疗机构登记评审系统及其方法，其通过上下文编码器对待评审医疗机构的各个科室的多项指标数据进行上下文语义编码，并使用多尺度邻域特征提取模块对科室特征向量进行多尺度邻域特征提取，然后，分别对对应于各个科室的多尺度科室特征向量进行基于最大值的特征值校正，最后，将对应于各个科室的校正后多尺度科室特征向量排列为二维特征矩阵后通过作为特征提取器的卷积神经网络模型以得到分类特征图，并通过分类器以得到用于表示待评审医疗机构的服务等级标签的分类结果，通过这样的方式，从而合理的、精准的对医疗机构的服务等级进行评审。

根据本申请的一个方面，提供了一种基于大数据的医疗机构登记评审系统，其包括：

指标数据采集模块，用于获取待评审医疗机构的各个科室的多项指标数据；

各科室指标数据编码模块，用于将所述各个科室的多项指标数据通过包含嵌入层的上下文编码器以得到多个指标语义特征向量；

各科室指标数据多尺度特征提取模块，用于将所述多个指标语义特征向量级联为科室特征向量后通过多尺度邻域特征提取模块以得到对应于各个科室的多尺度科室特征向量；

特征向量校正模块，用于分别对所述对应于各个科室的多尺度科室特征向量进行基于最大值的特征值校正以得到对应于各个科室的校正后多尺度科室特征向量；

科室间关联编码模块，用于将所述对应于各个科室的校正后多尺度科室特征向量排列为二维特征矩阵后通过作为特征提取器的卷积神经网络模型以得到分类特征图；以及

评审结果生成模块，用于将所述分类特征图通过分类器以得到分类结果，所述分类结果用于表示待评审医疗机构的服务等级标签。

根据本申请的另一方面，提供了一种基于大数据的医疗机构登记评审方法，其包括：

获取待评审医疗机构的各个科室的多项指标数据；

将所述各个科室的多项指标数据通过包含嵌入层的上下文编码器以得到多个指标语义特征向量；

将所述多个指标语义特征向量级联为科室特征向量后通过多尺度邻域特征提取模块以得到对应于各个科室的多尺度科室特征向量；

分别对所述对应于各个科室的多尺度科室特征向量进行基于最大值的特征值校正以得到对应于各个科室的校正后多尺度科室特征向量；

将所述对应于各个科室的校正后多尺度科室特征向量排列为二维特征矩阵后通过作为特征提取器的卷积神经网络模型以得到分类特征图；以及

将所述分类特征图通过分类器以得到分类结果，所述分类结果用于表示待评审医疗机构的服务等级标签。

根据本申请的再一方面，提供了一种电子设备，包括：处理器；以及，存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的基于大数据的医疗机构登记评审方法。

根据本申请的又一方面，提供了一种计算机可读介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的基于大数据的医疗机构登记评审方法。

与现有技术相比，本申请提供的一种基于大数据的医疗机构登记评审系统及其方法，其通过上下文编码器对待评审医疗机构的各个科室的多项指标数据进行上下文语义编码，并使用多尺度邻域特征提取模块对科室特征向量进行多尺度邻域特征提取，然后，分别对对应于各个科室的多尺度科室特征向量进行基于最大值的特征值校正，最后，将对应于各个科室的校正后多尺度科室特征向量排列为二维特征矩阵后通过作为特征提取器的卷积神经网络模型以得到分类特征图，并通过分类器以得到用于表示待评审医疗机构的服务等级标签的分类结果，通过这样的方式，从而合理的、精准的对医疗机构的服务等级进行评审。

附图说明

通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。

图1图示了根据本申请实施例的基于大数据的医疗机构登记评审系统的框图示意图。

图2图示了根据本申请实施例的基于大数据的医疗机构登记评审系统中各科室指标数据编码模块的框图。

图3图示了根据本申请实施例的基于大数据的医疗机构登记评审系统中各科室指标数据多尺度特征提取模块的框图。

图4图示了根据本申请实施例的基于大数据的医疗机构登记评审方法的流程图。

图5图示了根据本申请实施例的基于大数据的医疗机构登记评审方法的系统架构的示意图。

图6图示了根据本申请实施例的电子设备的框图。

具体实施方式

下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。

场景概述

如前所述，现有的医疗机构等级评审采用主流的SAAS系统的产品模式，也就是，收集医院的各科室的各项指标数据，并以预定数据处理手段来进行量化整合与评估以得到医院的服务等级标签。但这种评估模式在评审时，无法准确地表达各科室内各项指标之间的关联，也没有关注到各个科室的之间的联动性关联，导致所评审出来的等级无法真正地反应医院的服务等级。因此，期待一种更为优化的医疗机构登记评审方案。

近年来，大数据、深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。此外，大数据、深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平。大数据、深度学习以及神经网络的发展为医疗机构登记智能评审提供了新的解决思路和方案。

具体地，在本申请的技术方案中，首先获取待评审医疗机构的各个科室的多项指标数据。考虑到所述待评审医疗机构的各个科室的多项指标数据间存在关联，因此，使用上下文语义编码器对所述各个科室的多项指标数据进行上下文语义编码以提取出多项指标数据间的语义关联。具体地，在本申请实施例中，采用包含嵌入层的上下文编码器作为所述上下文语义编码器，其编码过程包括：首先使用所述上下文编码器的嵌入层分别将所述多项指标数据映射到嵌入向量以得到嵌入向量的序列；接着，使用所述上下文编码器的基于转换器的Bert模型对所述嵌入向量的序列进行基于所述嵌入向量的序列的整体的全局上下文语义编码以得到多个指标语义特征向量。

虽然使用所述上下文语义编码器能够提取出各个指标数据相对于其他数据数据的高维语义关联信息，但其是以单个指标为粒度的，其在多个局部指标间的关联信息提取方面表现不佳。因此，在本申请的技术方案中，进一步地对所述多个指标语义特征向量进行卷积编码以提取多个局部指标间的关联特征。

具体地，在本申请的技术方案中，将所述多个指标语义特征向量级联为科室特征向量后通过多尺度邻域特征提取模块以得到对应于各个科室的多尺度科室特征向量。卷积神经网络最初是应用在图像领域中的模型，但其局部特征提取的思想同样可以应用到时序数据分析中。对于时序数据输入，卷积核以滑动窗口的形式沿时间维度移动，并输出每个时序片段内数据的加权和。每个卷积单元堆叠了多个卷积核从而输出多维特征。大卷积核会从大尺度时序邻域内提取特征，其中邻域内每项数值产生的影响更小，从而减弱输入数据的波动，减轻其中噪点对输出特征的影响。但大尺度卷积核减弱了数值变化的差异，容易导致平滑过度的问题，使得输出特征失去判别能力。与之相对的，小尺度卷积核能够较好地保留输入数据中的信息，但是也更容易受到其中噪点的干扰。考虑到不同尺度卷积的特点，组合使用不同大小的卷积单元提取不同时序尺度的特征。然后采用特征拼接的方式完成特征融合，从而得到多尺度邻域特征。通过这种方式，输出的特征既包含了平滑后的特征，也保存了原始输入的特征。在模型的训练过程中，后续的网络结构可以学习分析这两种特征，从而在一定程度上实现了平滑输入数据并且避免信息丢失。

具体地，在本申请实施例中，所述多尺度邻域特征提取模块的编码过程，包括：首先将所述多个指标语义特征向量进行级联以得到所述科室特征向量；然后，将所述科室特征向量通过所述多尺度邻域特征提取模块的第一一维卷积层以得到第一尺度科室特征向量，其中，所述第一一维卷积层使用具有第一长度的一维卷积核对所述科室特征向量进行一维卷积处理；接着，将所述科室特征向量通过所述多尺度邻域特征提取模块的第二一维卷积层以得到第二尺度科室特征向量，其中，所述第二一维卷积层使用具有第二长度的一维卷积核对所述科室特征向量进行一维卷积处理；最后，将所述第一尺度科室特征向量和所述第二尺度科室特征向量进行级联以得到所述对应于各个科室的多尺度科室特征向量。

在得到各个科室的多项指标数据的多尺度科室特征向量后，进一步地将所述对应于各个科室的多尺度科室特征向量排列为二维特征矩阵并通过作为特征提取器的卷积神经网络模型以得到分类特征图。也就是，以卷积神经网络模型作为特征提取器来提取各个科室间的关联特征。接着，使用分类器对所述分类特征图进行处理就可以得到用于表示待评审医疗机构的服务等级标签的分类结果。

特别地，在本申请实施例中，在将所述对应于各科室的多尺度科室特征向量进行二维排列为特征矩阵时，由于每个多尺度科室特征向量都包含多个尺度上的指标关联语义特征，会将指标语义的编码波动经多尺度特征提取进行放大，使得各科室的多尺度科室特征向量在对应位置上会存在相位差，导致排列后的特征矩阵在分类器的类概率上的聚合效果差，影响分类特征图的分类效果。

基于此，对每个多尺度科室特征向量进行向量的波函数表征聚合，具体为：

v_max是多尺度科室特征向量V的最大特征值。

该向量的波函数表征聚合通过引入向量的波函数表示，即幅度表示强度信息，而相位表示周期位置信息，来对向量的信息表征进行类复函数域的聚合，从而弥补向量的各位置之间的相位差在类概率聚合上导致的负面影响(也就是，从波函数原理出发的同相加强和异相抵消)，改进了分类特征图的分类效果。这样，提高对医疗机构的服务等级评审的合理性和精准度。

基于此，本申请提供了一种基于大数据的医疗机构登记评审系统，其包括：指标数据采集模块，用于获取待评审医疗机构的各个科室的多项指标数据；各科室指标数据编码模块，用于将所述各个科室的多项指标数据通过包含嵌入层的上下文编码器以得到多个指标语义特征向量；各科室指标数据多尺度特征提取模块，用于将所述多个指标语义特征向量级联为科室特征向量后通过多尺度邻域特征提取模块以得到对应于各个科室的多尺度科室特征向量；特征向量校正模块，用于分别对所述对应于各个科室的多尺度科室特征向量进行基于最大值的特征值校正以得到对应于各个科室的校正后多尺度科室特征向量；科室间关联编码模块，用于将所述对应于各个科室的校正后多尺度科室特征向量排列为二维特征矩阵后通过作为特征提取器的卷积神经网络模型以得到分类特征图；以及，评审结果生成模块，用于将所述分类特征图通过分类器以得到分类结果，所述分类结果用于表示待评审医疗机构的服务等级标签。

在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。

示例性系统

图1图示了根据本申请实施例的基于大数据的医疗机构登记评审系统的框图示意图。如图1所示，根据本申请实施例的所述基于大数据的医疗机构登记评审系统100，包括：指标数据采集模块110，用于获取待评审医疗机构的各个科室的多项指标数据；各科室指标数据编码模块120，用于将所述各个科室的多项指标数据通过包含嵌入层的上下文编码器以得到多个指标语义特征向量；各科室指标数据多尺度特征提取模块130，用于将所述多个指标语义特征向量级联为科室特征向量后通过多尺度邻域特征提取模块以得到对应于各个科室的多尺度科室特征向量；特征向量校正模块140，用于分别对所述对应于各个科室的多尺度科室特征向量进行基于最大值的特征值校正以得到对应于各个科室的校正后多尺度科室特征向量；科室间关联编码模块150，用于将所述对应于各个科室的校正后多尺度科室特征向量排列为二维特征矩阵后通过作为特征提取器的卷积神经网络模型以得到分类特征图；以及，评审结果生成模块160，用于将所述分类特征图通过分类器以得到分类结果，所述分类结果用于表示待评审医疗机构的服务等级标签。

在本申请实施例中，所述指标数据采集模块110，用于获取待评审医疗机构的各个科室的多项指标数据。如上所述，现有的医疗机构等级评审采用主流的SAAS系统的产品模式，也就是，收集医院的各科室的各项指标数据，并以预定数据处理手段来进行量化整合与评估以得到医院的服务等级标签。但这种评估模式在评审时，无法准确地表达各科室内各项指标之间的关联，也没有关注到各个科室的之间的联动性关联，导致所评审出来的等级无法真正地反应医院的服务等级。因此，在本申请的技术方案中，期望利用深度神经网络模型从待评审医疗机构的各个科室的多项指标数据中提取到表征各科室内各项指标之间的关联以及各个科室的之间的联动性关联的高维隐含特征，并将其导入到分类器中，从而对待评审医疗机构的服务等级进行评审。

在本申请一个具体的实施例中，各个科室的多项指标数据包括科室人员、科室经费、科研成果(主要使用学术成果作为体现，包括但不限于发表的论文、完成的手术)以及服务态度等。

在本申请实施例中，所述各科室指标数据编码模块120，用于将所述各个科室的多项指标数据通过包含嵌入层的上下文编码器以得到多个指标语义特征向量。应可以理解，考虑到所述待评审医疗机构的各个科室的多项指标数据间存在关联，因此，使用上下文语义编码器对所述各个科室的多项指标数据进行上下文语义编码以提取出多项指标数据间的语义关联。具体地，在本申请实施例中，将所述待评审医疗机构的各个科室的多项指标数据项视为一个文本序列，并使用包含嵌入层的上下文编码器对所述采购申请的所有数据项进行基于全局的上下文语义编码以得到多个指标语义特征向量。

图2图示了根据本申请实施例的基于大数据的医疗机构登记评审系统中各科室指标数据编码模块的框图。如图2所示，在本申请一个具体的实施例中，所述各科室指标数据编码模块120，包括：嵌入向量化单元121，用于使用所述上下文编码器的嵌入层将所述各个科室的多项指标数据转化为嵌入向量以得到嵌入向量的序列；上下文编码单元122，用于使用所述上下文编码器的基于转换器的Bert模型对所述嵌入向量的序列进行基于全局的上下文语义编码以得到多个语义理解特征向量。

在本申请实施例中，所述各科室指标数据多尺度特征提取模块130，用于将所述多个指标语义特征向量级联为科室特征向量后通过多尺度邻域特征提取模块以得到对应于各个科室的多尺度科室特征向量。应可以理解，虽然使用所述上下文语义编码器能够提取出各个指标数据相对于其他数据数据的高维语义关联信息，但其是以单个指标为粒度的，其在多个局部指标间的关联信息提取方面表现不佳。因此，在本申请的技术方案中，进一步地对所述多个指标语义特征向量进行卷积编码以提取多个局部指标间的关联特征。

具体地，在本申请的技术方案中，将所述多个指标语义特征向量级联为科室特征向量后通过多尺度邻域特征提取模块以得到对应于各个科室的多尺度科室特征向量。卷积神经网络最初是应用在图像领域中的模型，但其局部特征提取的思想同样可以应用到时序数据分析中。对于时序数据输入，卷积核以滑动窗口的形式沿时间维度移动，并输出每个时序片段内数据的加权和。每个卷积单元堆叠了多个卷积核从而输出多维特征。大卷积核会从大尺度时序邻域内提取特征，其中邻域内每项数值产生的影响更小，从而减弱输入数据的波动，减轻其中噪点对输出特征的影响。但大尺度卷积核减弱了数值变化的差异，容易导致平滑过度的问题，使得输出特征失去判别能力。与之相对的，小尺度卷积核能够较好地保留输入数据中的信息，但是也更容易受到其中噪点的干扰。考虑到不同尺度卷积的特点，组合使用不同大小的卷积单元提取不同时序尺度的特征。然后采用特征拼接的方式完成特征融合，从而得到多尺度邻域特征。通过这种方式，输出的特征既包含了平滑后的特征，也保存了原始输入的特征。在模型的训练过程中，后续的网络结构可以学习分析这两种特征，从而在一定程度上实现了平滑输入数据并且避免信息丢失。

图3图示了根据本申请实施例的基于大数据的医疗机构登记评审系统中各科室指标数据多尺度特征提取模块的框图。如图3所示，在本申请一个具体的实施例中，所述各科室指标数据多尺度特征提取模块130，包括：级联单元131，用于将所述多个指标语义特征向量进行级联以得到所述科室特征向量；第一邻域尺度编码单元132，用于将所述科室特征向量通过所述多尺度邻域特征提取模块的第一一维卷积层以得到第一尺度科室特征向量，其中，所述第一一维卷积层使用具有第一长度的一维卷积核对所述科室特征向量进行一维卷积处理；第二邻域尺度编码单元133，用于将所述科室特征向量通过所述多尺度邻域特征提取模块的第二一维卷积层以得到第二尺度科室特征向量，其中，所述第二一维卷积层使用具有第二长度的一维卷积核对所述科室特征向量进行一维卷积处理；以及，多尺度特征级联单元134，用于将所述第一尺度科室特征向量和所述第二尺度科室特征向量进行级联以得到所述对应于各个科室的多尺度科室特征向量。

在本申请实施例中，所述特征向量校正模块140，用于分别对所述对应于各个科室的多尺度科室特征向量进行基于最大值的特征值校正以得到对应于各个科室的校正后多尺度科室特征向量。应可以理解，在本申请的实施例中，后续还需要再将所述对应于各科室的多尺度科室特征向量进行二维排列并输入为特征矩阵，并通过作为特征提取器的卷积神经网络模型以得到分类特征图。但考虑到由于每个多尺度科室特征向量都包含多个尺度上的指标关联语义特征，会将指标语义的编码波动经多尺度特征提取进行放大，使得各科室的多尺度科室特征向量在对应位置上会存在相位差，导致排列后的特征矩阵在分类器的类概率上的聚合效果差，影响分类特征图的分类效果。

在本申请一个具体的实施例中，所述特征向量校正模块140，进一步用于：以如下公式分别对所述对应于各个科室的多尺度科室特征向量进行基于最大值的特征值校正以得到对应于各个科室的校正后多尺度科室特征向量；

其中，所述公式为：

其中，V′是所述校正后多尺度科室特征向量，V是所述多尺度科室特征向量，v_max是所述多尺度科室特征向量V的最大特征值。

该向量的波函数表征聚合通过引入向量的波函数表示，即幅度表示强度信息，而相位表示周期位置信息，来对向量的信息表征进行类复函数域的聚合，从而弥补向量的各位置之间的相位差在类概率聚合上导致的负面影响(也就是，从波函数原理出发的同相加强和异相抵消)，改进了分类特征图的分类效果。这样，提高对医疗机构的服务等级评审的合理性和精准度。

在本申请实施例中，所述科室间关联编码模块150，用于将所述对应于各个科室的校正后多尺度科室特征向量排列为二维特征矩阵后通过作为特征提取器的卷积神经网络模型以得到分类特征图。应可以理解，前面是分别对各个科室的多项指标数据进行编码，也就是只提取了各科室内各项指标之间的关联特征。考虑到各个科室之间具有联动性关联，因此，在得到对应于各个科室的校正后多尺度科室特征向量后，进一步地将所述对应于各个科室的校正后多尺度科室特征向量排列为二维特征矩阵并通过作为特征提取器的卷积神经网络模型以得到分类特征图。也就是，以卷积神经网络模型作为特征提取器来提取各个科室间的关联特征。

在本申请一个具体的实施例中，所述科室间关联编码模块150，进一步用于：所述卷积神经网络的各层在层的正向传递中对输入数据分别进行：使用所述卷积神经网络的各层的卷积单元对所述输入数据进行基于二维卷积核的卷积处理以得到卷积特征图；使用所述卷积神经网络的各层的池化单元对所述卷积特征图进行基于局部特征矩阵的均值池化以得到池化特征图；以及，使用所述卷积神经网络的各层的激活单元对所述池化特征图中各个位置的特征值进行非线性激活以得到激活特征图；其中，所述卷积神经网络的最后一层的输出为所述分类特征图。

在本申请实施例中，所述评审结果生成模块160，用于将所述分类特征图通过分类器以得到分类结果，所述分类结果用于表示待评审医疗机构的服务等级标签。

在本申请一个具体的实施例中，所述评审结果生成模块160，进一步用于使用所述分类特征图以如下公式对所述分类特征向量进行处理以得到所述分类结果；

其中，所述公式为：

其中，O为输出结果矩阵，W_i和b_i为第i个分类对应的权重和偏置矩阵。

综上，基于本申请实施例的所述基于大数据的医疗机构登记评审系统，其通过上下文编码器对待评审医疗机构的各个科室的多项指标数据进行上下文语义编码，并使用多尺度邻域特征提取模块对科室特征向量进行多尺度邻域特征提取，然后，分别对对应于各个科室的多尺度科室特征向量进行基于最大值的特征值校正，最后，将对应于各个科室的校正后多尺度科室特征向量排列为二维特征矩阵后通过作为特征提取器的卷积神经网络模型以得到分类特征图，并通过分类器以得到用于表示待评审医疗机构的服务等级标签的分类结果，通过这样的方式，从而合理的、精准的对医疗机构的服务等级进行评审。

如上所述，本申请实施例的所述基于大数据的医疗机构登记评审系统着重描述了基于大数据的医疗机构登记评审系统中应用于对待评审医疗机构的服务等级进行评审的一些功能和模块，但不代表基于大数据的医疗机构登记评审系统仅仅只有上述记载的功能和模块，在其他实施例中，基于大数据的医疗机构登记评审系统还包括有登陆模块、SAAS后台管理模块、基本设置模块、评审标准模块、实施计划模块和数据采集模块。

在其他实施例中，所述登陆模块，用于用户登录医疗机构登记评审系统，具体的，所述登陆模块支持“手机号登录”和“账号密码登录”两种方式登录。其中，手机号登录时，需要输入账号绑定的手机号，然后输入图形验证码，然后点击“获取验证码”，将手机收到的验证码输入后点击登录即可。账号密码登录，需要输入账号绑定的手机号，然后输入账号密码和图形验证码，点击登录，即可登入成功。

在其他实施例中，所述SAAS后台管理模块用于所述医疗机构登记评审系统的后台运营管理，负责所述医疗机构登记评审系的使用机构的统一管理。所述SAAS后台管理模块需要使用特定的后台管理员权限账号登录，所述SAAS后台管理模块分为机构管理单元、人员管理单元、权限管理单元、ICD-10字典单元、ICD-9-cm-字典单元、M码字典单元、评审标准单元。

其中，所述机构管理单元是通过后台管理机构用户的入口，可对医疗机构用户进行删除、添加、导入、导出等操作。机构管理单元会默认展示机构名称、现医院等级、评审等级、添加时间、开通状态、操作五个列。使用机构管理单元可针对机构名称关键词、现医院等级、评审等级、开通状态对机构用户进行检索。使用机构管理单元在添加机构时，需要输入机构名称、管理员姓名、手机号初始密码并点击确定。对应机构管理员便可使用管理员手机号登录系统。

其中，所述人员管理单元是通过后台管理后台管理员的入口，可对后台管理人员进行删除、添加、导入、导出等操作。人员管理单元默认展示工号、姓名、手机号、科室名称、角色、职称、职务、状态、操作。同样可根据以上维度进行人员检索。使用人员管理单元在添加人员时，需要输入工号、姓名、手机号、科室、身份证号、角色、职称、职务、手机号、密码。添加成功后，新的后台管理者即可通过手机号登录管理后台。

其中，所述权限管理单元是超级管理员为普通管理员分配权限的入口。添加角色时，需要输入角色名称和角色描述。权限设置分为机构、人员、权限、字段、评审标准，每项权限设置都会有查看、添加、编辑、导入、导出、删除六个勾选项，支持多选、全选或者不选。勾选完成后点击“确定”，权限分配即可生效，同时本单元支持对角色名称的关键词进行检索。

其中，所述ICD-10字典单元、所述ICD-9-cm-字典单元以及所述M码字典单元SAAS是所述SAAS后台管理模块集成了国家标准的三个字典，支持对主要编码、名称对字典进行检索。机构用户在配置时，需要引用这些字典。

其中，所述评审标准单元是所述SAAS后台管理模块收录了国家评审标准库后集成的评审标准库，共分为三个部分，每个部分又各自有章、节、条的细分。标准库中的条款是提供给医疗机构做配置的标准，医疗机构用户在这些标准条款的框架上，进行细条的个性化、本地化配置评审标准库中的每一条评审标准都可以编辑对应的列，包括部分、章、节、条、细条、和所属的字典。评审标准支持删除、批量导入、批量导出和手动增加。

在其他实施例中，所述基本设置模块，用于当机构用户的管理者首次登录所述医疗机构登记评审系统时，需要对系统的一些基本信息进行设置，包括机构设置、科室分类管理、权限管理、人员管理。

其中，所述机构设置主要是医院管理者输入自己医院的机构信息，包括：统一社会信用代码、现医院等级、现级别有效期止、评审等级。医院等级分为一级、二级、三级，每一级都有甲、乙、丙三等。评审等级为必填项，用于获取医院对应的评审标准。其中机构名称是不可修改的，如需更改，机构管理者需经过SAAS后台超级管理者审批，在所述SAAS后台管理模块中进行修改。所述科室分类管理由医院管理者账号统一添加，可以将科室分类的状态设置成“正常”或者“停用”，如果科室分类停用，则科室分类相关信息不会删除，但相关科室无法被分类到该科室分类下。所述科室分类管理是医院管理者对科室进行删除、添加、批量导入、导出、修改科室信息的入口。所述科室分类管理的信息包括：科室编码、科室名称、科室电话、科室主任、科室分类、状态。科室分类的枚举值依赖之前科室分类管理所创建的目录。科室编码和科室名称是必填项，科室电话、科室主任为选填项。医疗机构等级评审SAAS系统用户端的权限管理，功能逻辑和SAAS后台的权限管理基本相同，只是角色权限的种类更加丰富，且每个种类的权限功能略有不同医院管理者在配置角色权限时，需要对所配置角色的名称和描述进行定义，以便管理者更人性化分配权限。医院管理者可以配置的权限有：机构设置、科室管理、人员管理、权限管理、ICD-10字典、ICD-9-CM-3字典、M码字典、评审规则、评审标准、细节解读-分组管理、细节解读-内容解读、实施计划、数据采集。人员管理界面可以创建批量员工账号，并为这些账号分配科室、角色。人员支持批量导入，导入模版需要添加工号、姓名、手机号、科室名称、角色、职称、职务、状态。科室人员默认手机号作为登录账号，密码即为导入密码。以通过人员、姓名、科室、角色对员工信息进行检索。手动添加科室人员时，需要填写的项目和模版导入相同。科室人员登录账号后，只能看到自己角色权限范围内的模块。医疗机构用户使用SAAS系统时，只能对ICD-10字典、ICD-9-CM-3字典、M码字典执行查阅权限，没法进行导入、导出操作。字典的修改只能通过后台SAAS管理系统。

在其他实施例中，所述评审标准模块，是对所采集上报数据的汇总结论，是医院是否满足评级的成绩单，同时也是医院管理者进行评分方法定义、科学展示评级规则的模块。系统在经过对各项条款数据采集、计算并给定评分标准后，根据医院获得的总得分自动判定医院的级别。总评审得分满分为1000分，分两大等级三小级别。三级医院分为甲、乙、丙三等，二级医院也分为甲、乙、丙三等。所以评审规则需要由六个区间分值对应的等级结果组成。对医院级别进行分值设定后，点击“确认保存”即可生效。SAAS系统用户端的评审标准的编码、部分、章、节、条、由SAAS后台统一导入，用户端无法进行标准条款的修改，只能对条款的细节进行解读，具体操作详见下节：细则解读-分组管理、细则解读-内容解读。

其中，细则解读是医院管理者根据系统内的国家评审标准，对每条标准的细节进行解读。解读的内容会显示在评审标准的细条当中。细则解读模块分为分组管理和内容解读两个部分。在内容解读之前，需要对细则的解读进行分组管理。分组管理包括分组名称、分组组长。分组组长必须在人员管理中提前导入并选择。分组组长可以看到该分组下的全部细则解读。内容解读是医院管理者对国家标准评审规则的具体解读。共有解读和上报内容定义两种操作。内容解读支持通过部分、章、节、关键词进行检索。点击右侧具体某个条款的“上报内容定义”，会弹出下图的内容定义对话框，可在对话框中勾选该项条款的定义内容，支持单选、多选和全选，但定义不能为空。定义的维度有：数值、例数、分子值、分母值、百分率(％)、千分律(‰)数值和例数：以绝对数字或例数作为上报指标，对值直接进行评分判定的得分类型分子和分母值：以分子除以分母的结果，作为评分判断的得分类型。百分率和千分率：以百分比、千分比作为上报指标的得分类型。

添加解读是医院管理者逐个添加解读的入口，添加解读也支持批量导入，可在内容解读单元下载批量上传的模版。模版所要填写内容和下图的元素一致，包括有：分组、数据采集周期、责任部门、汇总科室、数据定义、分母内容、分子内容、直播属性、计量单位、指标导向、计算公式、细则解读。分组是指预先在分组管理时设定好的分组，无法自己输入。责任部门、汇总科室也是在之前科室管理里，设置好的相应科室范围。数据定义、分母内容、分子内容是医院管理者自己输入的一段文字内容的定义。指标属性分为三种：规模性、配给性、持续监测。计量单位、指标导向、计算公式、细则解读也是医院管理者手动输入。

在其他实施例中，所述实施计划模块，实施计划是医院管理者在对评审条款进行细节解读之后，进行数据采集计划制定的界面。该模块一般只有管理科室即医院的评审评价办公室或质控科作为牵头部门制作，其他上报的科室不用操作该模块。界面支持新增、删除、修改、审核每一个实施计划，制定好的计划可以显示为列表，点击列表中的每一条计划可查看该计划的详细内容，可按条件查询计划。

计划列表的字段包括：计划单号：计划的唯一标识号；计划名称：对所制定的计划发起一个能说明内容的名称；制定日期：制定计划的日期，由系统自动生成；制定人：即登录人，由系统自动填入；首次上报日期：制作的计划需要科室第一次上报的起始时间；上报间隔：包含日、月、季度、年度四种类型可选，和数据采集周期对应；对每个新增计划填写相应的信息，包括计划单号、计划名称、制定日期、制定人、首次上报日期、上报间隔、上报次数。同时引入实施细则模块内的实施细则列表条款内容，制定计划的人员可根据需求引入标准条款实施细则的全部内容，引入时可使用弹窗或其他方式，可通过条件搜索的手段，精确或模糊检索到想要的条款，条件可包含但不限于：分组检索、章节编号检索、内容模糊检索，数据采集周期检索、责任科室检索。

计划创建时的必须字段如下：标准总编号、各章节条款内容；分组名、分组组长；数据采集周期，细则解读、责任部门、汇总科室、数据定义、计算公式、分母内容、分子内容、指标属性、计量单位、指标导向；上报数值、数据采集时间范畴、例数、分子值、分母值、率(％)、上报人、上报日期。

在其他实施例中，所述数据采集模块是各科室人员根据医院管理者分配的上报任务(计划)，进行周期上报操作的系统。数据采集周期需要采集整个评审周期的数据，即最少4年的数据收集。数据采集模块会根据实施计划模块内制定的计划，根据首次上报时间、上报间隔、上报次数等条件自动生成多个二级执行计划，同时根据计划详情内条款对应的“责任科室”，各科室的人登陆后只能查看该计划内相应条款明细。数据采集模块采用一个独立的可实施计划列表，字段包含一、二级计划编号，计划名称、首次上报日期、上报间隔、计划上报日期、负责部门、制定人、制定日期、上报状态。各上报人登陆系统后按照可执行的计划进行上报数据，上报后点提交不可更改，后续管理员可有权限根据实际情况进行个别的修改。

数据采集后的追踪分析：数据采集计划发布后，医院管理者可追踪各计划的上报情况，统计完成率、准确率等表格、图标。各科室人员只需填写以下字段中能填写的字段即可(上报数值A、数据采集时间范畴A、例数B、分子值B、分母值B、率(％)B、数据采集时间范畴B)，数据采集的类型已经在实施细则中被定义，上报人、上报日期由系统自动带入。数据采集周期结束后，采集的数据会被根据定义获得一个得分，总得分的结果带入分段和评级，就是评审系统给出的医疗机构等级评审的一个最终参考标准。

示例性方法

图4图示了根据本申请实施例的基于大数据的医疗机构登记评审方法的流程图。如图4所示，根据本申请实施例的所述基于大数据的医疗机构登记评审方法，包括：S110，获取待评审医疗机构的各个科室的多项指标数据；S120，将所述各个科室的多项指标数据通过包含嵌入层的上下文编码器以得到多个指标语义特征向量；S130，将所述多个指标语义特征向量级联为科室特征向量后通过多尺度邻域特征提取模块以得到对应于各个科室的多尺度科室特征向量；S140，分别对所述对应于各个科室的多尺度科室特征向量进行基于最大值的特征值校正以得到对应于各个科室的校正后多尺度科室特征向量；S150，将所述对应于各个科室的校正后多尺度科室特征向量排列为二维特征矩阵后通过作为特征提取器的卷积神经网络模型以得到分类特征图；以及，S160，将所述分类特征图通过分类器以得到分类结果，所述分类结果用于表示待评审医疗机构的服务等级标签。，

图5图示了根据本申请实施例的基于大数据的医疗机构登记评审方法的系统架构的示意图。如图5所示，在本申请实施例的基于大数据的医疗机构登记评审方法的系统架构中，首先，获取待评审医疗机构的各个科室的多项指标数据，并将所述各个科室的多项指标数据通过包含嵌入层的上下文编码器以得到多个指标语义特征向量。然后，将所述多个指标语义特征向量级联为科室特征向量后通过多尺度邻域特征提取模块以得到对应于各个科室的多尺度科室特征向量，并分别对所述对应于各个科室的多尺度科室特征向量进行基于最大值的特征值校正以得到对应于各个科室的校正后多尺度科室特征向量。最后，将所述对应于各个科室的校正后多尺度科室特征向量排列为二维特征矩阵后通过作为特征提取器的卷积神经网络模型以得到分类特征图，并将所述分类特征图通过分类器以得到分类结果，所述分类结果用于表示待评审医疗机构的服务等级标签。

这里，本领域技术人员可以理解，上述基于大数据的医疗机构登记评审方法中的各个步骤的具体操作已经在上面参考图1到图3的基于大数据的医疗机构登记评审系统的描述中得到了详细介绍，并因此，将省略其重复描述。

示例性电子设备

下面，参考图6来描述根据本申请实施例的电子设备。

图6图示了根据本申请实施例的电子设备的框图。

如图6所示，电子设备10包括一个或多个处理器11和存储器12。

处理器11可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备10中的其他组件以执行期望的功能。

存储器12可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器11可以运行所述程序指令，以实现上文所述的本申请的各个实施例的医疗机构登记评审以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如待评审医疗机构的各个科室的多项指标数据等各种内容。

在一个示例中，电子设备10还可以包括：输入装置13和输出装置14，这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。

该输入装置13可以包括例如键盘、鼠标等等。

该输出装置14可以向外部输出各种信息，包括待评审医疗机构的服务等级标签等。该输出装置14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。

示例性计算机程序产品和计算机可读存储介质

除了上述方法和设备以外，本申请的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的基于大数据的医疗机构登记评审方法的步骤。

所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。

此外，本申请的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的基于大数据的医疗机构登记评审方法的步骤。

所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。

以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。

本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。

还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。

提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。

为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。

Claims (10)

1.一种基于大数据的医疗机构登记评审系统，其特征在于，包括：

指标数据采集模块，用于获取待评审医疗机构的各个科室的多项指标数据；

各科室指标数据编码模块，用于将所述各个科室的多项指标数据通过包含嵌入层的上下文编码器以得到多个指标语义特征向量；

各科室指标数据多尺度特征提取模块，用于将所述多个指标语义特征向量级联为科室特征向量后通过多尺度邻域特征提取模块以得到对应于各个科室的多尺度科室特征向量；

特征向量校正模块，用于分别对所述对应于各个科室的多尺度科室特征向量进行基于最大值的特征值校正以得到对应于各个科室的校正后多尺度科室特征向量；

科室间关联编码模块，用于将所述对应于各个科室的校正后多尺度科室特征向量排列为二维特征矩阵后通过作为特征提取器的卷积神经网络模型以得到分类特征图；以及

评审结果生成模块，用于将所述分类特征图通过分类器以得到分类结果，所述分类结果用于表示待评审医疗机构的服务等级标签。

2.根据权利要求1所述的基于大数据的医疗机构登记评审系统，其特征在于，所述各科室指标数据编码模块，包括：

嵌入向量化单元，用于使用所述上下文编码器的嵌入层将所述各个科室的多项指标数据转化为嵌入向量以得到嵌入向量的序列；

上下文编码单元，用于使用所述上下文编码器的基于转换器的Bert模型对所述嵌入向量的序列进行基于全局的上下文语义编码以得到多个语义理解特征向量。

3.根据权利要求2所述的基于大数据的医疗机构登记评审系统，其特征在于，所述各科室指标数据多尺度特征提取模块，包括：

级联单元，用于将所述多个指标语义特征向量进行级联以得到所述科室特征向量；

第一邻域尺度编码单元，用于将所述科室特征向量通过所述多尺度邻域特征提取模块的第一一维卷积层以得到第一尺度科室特征向量，其中，所述第一一维卷积层使用具有第一长度的一维卷积核对所述科室特征向量进行一维卷积处理；

第二邻域尺度编码单元，用于将所述科室特征向量通过所述多尺度邻域特征提取模块的第二一维卷积层以得到第二尺度科室特征向量，其中，所述第二一维卷积层使用具有第二长度的一维卷积核对所述科室特征向量进行一维卷积处理；以及

多尺度特征级联单元，用于将所述第一尺度科室特征向量和所述第二尺度科室特征向量进行级联以得到所述对应于各个科室的多尺度科室特征向量。

4.根据权利要求3所述的基于大数据的医疗机构登记评审系统，其特征在于，所述特征向量校正模块，进一步用于：以如下公式分别对所述对应于各个科室的多尺度科室特征向量进行基于最大值的特征值校正以得到对应于各个科室的校正后多尺度科室特征向量；

其中，所述公式为：

其中，V′是所述校正后多尺度科室特征向量，V是所述多尺度科室特征向量，v_max是所述多尺度科室特征向量V的最大特征值。

5.根据权利要求4所述的基于大数据的医疗机构登记评审系统，其特征在于，所述科室间关联编码模块，进一步用于：所述卷积神经网络的各层在层的正向传递中对输入数据分别进行：

使用所述卷积神经网络的各层的卷积单元对所述输入数据进行基于二维卷积核的卷积处理以得到卷积特征图；

使用所述卷积神经网络的各层的池化单元对所述卷积特征图进行基于局部特征矩阵的均值池化以得到池化特征图；以及

使用所述卷积神经网络的各层的激活单元对所述池化特征图中各个位置的特征值进行非线性激活以得到激活特征图；

其中，所述卷积神经网络的最后一层的输出为所述分类特征图。

6.根据权利要求5所述的基于大数据的医疗机构登记评审系统，其特征在于，所述评审结果生成模块，进一步用于使用所述分类特征图以如下公式对所述分类特征向量进行处理以得到所述分类结果；

其中，所述公式为：

其中，O为输出结果矩阵，W_i和b_i为第i个分类对应的权重和偏置矩阵。

7.一种基于大数据的医疗机构登记评审方法，其特征在于，包括：

获取待评审医疗机构的各个科室的多项指标数据；

将所述各个科室的多项指标数据通过包含嵌入层的上下文编码器以得到多个指标语义特征向量；

将所述多个指标语义特征向量级联为科室特征向量后通过多尺度邻域特征提取模块以得到对应于各个科室的多尺度科室特征向量；

分别对所述对应于各个科室的多尺度科室特征向量进行基于最大值的特征值校正以得到对应于各个科室的校正后多尺度科室特征向量；

将所述对应于各个科室的校正后多尺度科室特征向量排列为二维特征矩阵后通过作为特征提取器的卷积神经网络模型以得到分类特征图；以及

将所述分类特征图通过分类器以得到分类结果，所述分类结果用于表示待评审医疗机构的服务等级标签。

8.根据权利要求7所述的基于大数据的医疗机构登记评审方法，其特征在于，将所述各个科室的多项指标数据通过包含嵌入层的上下文编码器以得到多个指标语义特征向量，包括：

使用所述上下文编码器的嵌入层将所述各个科室的多项指标数据转化为嵌入向量以得到嵌入向量的序列；

使用所述上下文编码器的基于转换器的Bert模型对所述嵌入向量的序列进行基于全局的上下文语义编码以得到多个指标语义特征向量。

9.根据权利要求8所述的基于大数据的医疗机构登记评审方法，其特征在于，将所述多个指标语义特征向量级联为科室特征向量后通过多尺度邻域特征提取模块以得到对应于各个科室的多尺度科室特征向量，包括：

将所述多个指标语义特征向量进行级联以得到所述科室特征向量；

将所述科室特征向量通过所述多尺度邻域特征提取模块的第一一维卷积层以得到第一尺度科室特征向量，其中，所述第一一维卷积层使用具有第一长度的一维卷积核对所述科室特征向量进行一维卷积处理；

将所述科室特征向量通过所述多尺度邻域特征提取模块的第二一维卷积层以得到第二尺度科室特征向量，其中，所述第二一维卷积层使用具有第二长度的一维卷积核对所述科室特征向量进行一维卷积处理；以及

将所述第一尺度科室特征向量和所述第二尺度科室特征向量进行级联以得到所述对应于各个科室的多尺度科室特征向量。

10.根据权利要求9所述的基于大数据的医疗机构登记评审方法，其特征在于，分别对所述对应于各个科室的多尺度科室特征向量进行基于最大值的特征值校正以得到对应于各个科室的校正后多尺度科室特征向量，包括：以如下公式分别对所述对应于各个科室的多尺度科室特征向量进行基于最大值的特征值校正以得到对应于各个科室的校正后多尺度科室特征向量；

其中，所述公式为：

其中，V′是所述校正后多尺度科室特征向量，V是所述多尺度科室特征向量，v_max是所述多尺度科室特征向量V的最大特征值。

Images