CN115579153A - 问诊评价方法、问诊评价装置、电子设备和可读存储介质 - Google Patents

问诊评价方法、问诊评价装置、电子设备和可读存储介质 Download PDF

Info

Publication number
CN115579153A
CN115579153A CN202211083409.5A CN202211083409A CN115579153A CN 115579153 A CN115579153 A CN 115579153A CN 202211083409 A CN202211083409 A CN 202211083409A CN 115579153 A CN115579153 A CN 115579153A
Authority
CN
China
Prior art keywords
inquiry
patient
emotional
data
doctor
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
Application number
CN202211083409.5A
Other languages
English (en)
Inventor
邢晓宁
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Kangjian Information Technology Shenzhen Co Ltd
Original Assignee
Kangjian Information Technology Shenzhen Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Kangjian Information Technology Shenzhen Co Ltd filed Critical Kangjian Information Technology Shenzhen Co Ltd
Priority to CN202211083409.5A priority Critical patent/CN115579153A/zh
Publication of CN115579153A publication Critical patent/CN115579153A/zh
Pending legal-status Critical Current

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
    • 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
    • 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
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Pathology (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

本申请涉及数字医疗领域，提供了一种问诊评价方法、问诊评价装置、电子设备和可读存储介质，该方法包括：采集医生和患者的线上问诊数据，并获取问诊数据中包括的患者问诊数据和医生问诊数据；根据患者问诊数据分析患者的情感倾向信息；对患者问诊数据和医生问诊数据进行聚类分析，分别得到患者的问诊类型和医生的问诊类型；根据患者的情感倾向信息、患者的问诊类型和医生的问诊类型，生成线上问诊的评价信息。本申请，分析线上问诊数据，量化患者情感数据，挖掘问诊中患者的情绪与态度，能够精细化问诊，实现了更加精准的问诊体系，并且能够分析出医生、患者的类型，能够让平台、医生直观的了解自身服务的优势与不足，能够起到监督平台以及医生的作用。

Description

问诊评价方法、问诊评价装置、电子设备和可读存储介质
技术领域
本申请涉及数字医疗技术领域，尤其是涉及到一种问诊评价方法、问诊评价装置、电子设备和可读存储介质。
背景技术
随着网络消费规模的扩大，互联网医院平台也随之兴起，互联网医院线上问诊成为了患者与平台重要的信息交互的载体，线上问诊信息是患者是否决定为医疗服务买单的一个重要环节。
线上问诊过程中，患者可能会因诸多原因，对医生和平台的专业能力产生质疑，或降低就诊的意愿。因此，对问诊过程进行分析就显得尤为重要。
发明内容
有鉴于此，本申请提供了一种问诊评价方法、问诊评价装置、电子设备和可读存储介质，实现了量化患者情感数据，挖掘问诊中患者的情绪与态度从而精细化问诊，以及能够分析医生、患者的类型，起到监督医生的作用。
第一方面，本申请实施例提供了一种问诊评价方法，包括：
采集医生和患者的线上问诊数据，并获取问诊数据中包括的患者问诊数据和医生问诊数据；
根据患者问诊数据分析患者的情感倾向信息；
对患者问诊数据和医生问诊数据进行聚类分析，分别得到患者的问诊类型和医生的问诊类型；
根据患者的情感倾向信息、患者的问诊类型和医生的问诊类型，生成线上问诊的评价信息。
根据本申请实施例的上述问诊评价方法，还可以具有以下附加技术特征：
在上述技术方案中，可选地，在根据患者问诊数据分析患者的情感倾向信息之前，还包括：
识别患者问诊数据中的预设信息，并删除预设信息；
其中，预设信息包括以下至少一项：表情包、多余空行、特殊符号、重复信息。
在上述任一技术方案中，可选地，根据患者问诊数据分析患者的情感倾向信息，包括：
对患者问诊数据进行分词处理，得到多个分词结果；
利用TF-IDF算法，获取多个分词结果的特征矩阵，并对特征矩阵的维度进行加权处理；
在加权处理后，提取特征矩阵中的所有特征值，并获取每个特征值的情感条件概率；
利用朴素贝叶斯模型和所有特征值的情感条件概率，确定患者的情感倾向信息。
在上述任一技术方案中，可选地，朴素贝叶斯模型为：
Figure BDA0003834411330000021
其中，b1、b2、……、bn为n个特征值，P(A|b1,b2,…,bn)为患者的情感倾向信息，P(A)为朴素贝叶斯模型的训练后的历史情感概率，P(bi|A)为第i个特征值的情感条件概率。
在上述任一技术方案中，可选地，若患者的问诊次数为K次，其中，K为大于1的整数，则根据患者问诊数据分析患者的情感倾向信息，包括：
通过朴素贝叶斯模型和每次问诊提取的所有特征值的情感条件概率，获取每次问诊的情感概率；
将K个情感概率中最大的情感概率，作为患者的K次问诊的情感倾向信息。
在上述任一技术方案中，可选地，通过朴素贝叶斯模型和每次问诊提取的所有特征值的情感条件概率，获取每次问诊的情感概率，包括：
针对K次问诊中的第j次问诊，通过朴素贝叶斯模型和第j次问诊提取的特征值的情感条件概率，得到第j次问诊的情感倾向信息；
将第j次问诊提取的特征值的情感条件概率以及第j次问诊的情感倾向信息，代入到第一公式中进行计算，得到第j次问诊的情感概率；
第一公式为：
Figure BDA0003834411330000031
其中，y为第j次问诊的情感概率，j大于等于1且小于等于K，n为第j次问诊的所有特征值的数量，Cj为表示第j次问诊，P(C＝Cj)为第j次问诊的情感倾向信息，P(b＝bi|C＝Cj)为第j次问诊的第i个特征值的情感条件概率。
在上述任一技术方案中，可选地，将K个情感概率中最大的情感概率，作为患者的K次问诊的情感倾向信息，包括：
根据第二公式，确定K个情感概率中最大的情感概率，并将最大的情感概率将作为患者的K次问诊的情感倾向信息；
第二公式为：
Figure BDA0003834411330000032
其中，y′为最大的情感概率。
第二方面，本申请实施例提供了一种问诊评价装置，包括：
采集模块，用于采集医生和患者的线上问诊数据，并获取问诊数据中包括的患者问诊数据和医生问诊数据；
第一分析模块，用于根据患者问诊数据分析患者的情感倾向信息；
第二分析模块，用于对患者问诊数据和医生问诊数据进行聚类分析，分别得到患者的问诊类型和医生的问诊类型；
生成模块，用于根据患者的情感倾向信息、患者的问诊类型和医生的问诊类型，生成线上问诊的评价信息。
第三方面，本申请实施例提供了一种电子设备，该电子设备包括处理器和存储器，存储器存储可在处理器上运行的程序或指令，程序或指令被处理器执行时实现如第一方面的方法的步骤。
第四方面，本申请实施例提供了一种可读存储介质，可读存储介质上存储程序或指令，程序或指令被处理器执行时实现如第一方面的方法的步骤。
第五方面，本申请实施例提供了一种芯片，芯片包括处理器和通信接口，通信接口和处理器耦合，处理器用于运行程序或指令，实现如第一方面的方法。
第六方面，本申请实施例提供一种计算机程序产品，该程序产品被存储在存储介质中，该程序产品被至少一个处理器执行以实现如第一方面的方法。
在本申请实施例中，采用流计算技术收集医疗健康服务云平台的医生和患者之间的线上问诊数据，分析该线上问诊数据将其划分为患者问诊数据和医生问诊数据，其中，患者问诊数据即为患者的文字、语音等语句信息，医生问诊数据即为医生的文字、语音等信息，再根据患者问诊数据对该患者的情感倾向信息进行预测。进一步地，对患者问诊数据进行聚类分析得到患者的问诊类型，例如，可以分析出哪些患者始终处于焦虑情绪，哪些患者始终无法认同问诊结果等。并对医生问诊数据进行聚类分析得到医生的问诊类型，例如，可以分析出哪些医生善于处理急躁情绪，哪些医生善于处理疑难杂症等。在进行聚类分析之后，根据聚类分析结果、患者的情感倾向信息，生成线上问诊的评价信息，完成问诊评价。
本申请实施例，分析线上问诊数据，量化患者情感数据，挖掘问诊中患者的情绪与态度，能够精细化问诊，实现了更加精准的问诊体系，让患者在最短的时间内获得精准专业意见，为患者就诊提供相应的指导，辅助患者决策。并且，能够分析出医生、患者的类型，能够让平台、医生直观的了解自身服务的优势与不足，在一定程度上，也能够起到监督平台以及医生的作用。
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
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1示出了本申请实施例的问诊评价方法的流程示意图；
图2示出了本申请实施例的问诊评价装置的结构框图；
图3示出了本申请实施例的电子设备的结构框图；
图4示出了本申请实施例的芯片的结构框图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员获得的所有其他实施例，都属于本申请保护的范围。
本申请的说明书和权利要求书中的术语“第一”、“第二”等是用于区别类似的对象，而不用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施，且“第一”、“第二”等所区分的对象通常为一类，并不限定对象的个数，例如第一对象可以是一个，也可以是多个。此外，说明书以及权利要求中“和/或”表示所连接对象的至少其中之一，字符“/”，一般表示前后关联对象是一种“或”的关系。
医疗云(Medical cloud)，是指在云计算、移动技术、多媒体、4G通信、大数据以及物联网等新技术基础上，结合医疗技术，使用“云计算”来创建医疗健康服务云平台，实现了医疗资源的共享和医疗范围的扩大。因为云计算技术的运用与结合，提高了医疗机构的效率，方便居民就医。目前医院的预约挂号、电子病历、医保等都是云计算与医疗领域结合的产物，医疗云还具有数据安全、信息共享、动态扩展、布局全局的优势。
本申请实施例中的问诊评价方案即基于医疗健康服务云平台，医疗健康服务云平台能够对接互联网医院有资质的医生，针对患者问诊服务提供线上问诊服务。同时针对患者病情提供处方、购药等延展服务。本申请线上问诊服务，能够向患者提供导诊、问诊、确诊、医生资源分配、问诊数据分析等服务。
下面结合附图，通过具体的实施例及其应用场景对本申请实施例提供的问诊评价方法、问诊评价装置、电子设备和可读存储介质进行详细地说明。
本申请实施例提供了一种问诊评价方法，应用于医疗健康服务云平台，如图1所示，该方法包括：
步骤101，采集医生和患者的线上问诊数据，并获取问诊数据中包括的患者问诊数据和医生问诊数据。
在该步骤中，采用流计算技术收集医疗健康服务云平台的医生和患者之间的线上问诊数据，分析该线上问诊数据将其划分为患者问诊数据和医生问诊数据，其中，患者问诊数据即为患者的文字、语音等语句信息，医生问诊数据即为医生的文字、语音等信息。
步骤102，根据患者问诊数据分析患者的情感倾向信息；
在该步骤中，根据患者问诊数据对该患者的情感倾向信息进行预测。其中，情感分析是一种自然语言处理方法的应用，对带有感情色彩的主观性文本进行分析、处理、归纳和整理，同时利用情感得分指标来量化数据。
步骤103，对患者问诊数据和医生问诊数据进行聚类分析，分别得到患者的问诊类型和医生的问诊类型。
在该步骤中，对患者问诊数据进行聚类分析得到患者的问诊类型，例如，可以分析出哪些患者始终处于焦虑情绪，哪些患者始终无法认同问诊结果等。并对医生问诊数据进行聚类分析得到医生的问诊类型，例如，可以分析出哪些医生善于处理急躁情绪，哪些医生善于处理疑难杂症等。
在本申请的一个实施例中，可以采用经典k-means算法对患者问诊数据和医生问诊数据进行聚类分析。也即，先随机选取k个对象作为初始的聚类中心，然后计算每个对象与各个聚类中心之间的距离，把每个对象分配给距离它最近的聚类中心。聚类中心以及分配给它们的对象就代表一个聚类，一旦全部对象都被分配了，每个聚类的聚类中心会根据聚类中现有的对象被重新计算。这个过程将不断重复直到满足某个终止条件。所述k-means算法的步骤如下：
(1)初始化k个聚类中心值；
(2)进行k-means聚类，获得聚类后的k个聚类中心值，其中，进行一次k-means聚类的k个聚类中心值称为一组簇中心值；
(3)将每一次生成的一组簇中心值，分配至k个簇中心集合中，分配的原则为k个生成的聚类中心值与对应簇中心集合的平均值的方差最小；
(4)经过M次k-means聚类后，k个簇中心集合中，均有k个聚类中心值，将其平均之后，得到最终的聚类簇中心数据。
步骤104，根据患者的情感倾向信息、患者的问诊类型和医生的问诊类型，生成线上问诊的评价信息。
在该步骤中，在进行聚类分析之后，根据聚类分析结果、患者的情感倾向信息，生成线上问诊的评价信息，完成问诊评价。
该线上问诊的评价信息可以包括患者类型标签、医生类型标签、患者问题解决情况、患者满意度等。例如，线上问诊的评价信息为：在该线上问诊中，患者始终处于焦虑情绪，医生善于处理急躁情绪，医生善于处理患者所提的牙疼问题，医生已解决患者所提的牙疼问题，患者对医生的处理较为满意。
最后，可以将生成的线上问诊的评价信息在问诊过程中或问诊结束后提供给患者或医生。例如，在问诊过程中将“患者始终处于焦虑情绪”的信息提供给医生，使医生了解到患者的情绪，从而调整问诊方式降低患者焦虑。也可以依据生成的线上问诊的评价信息进行后续的分诊，例如，在了解到医生善于处理患者所提的牙疼问题，且患者对医生的处理较为满意后，可提高为该医生分配牙疼患者的概率。
本申请实施例，分析线上问诊数据，量化患者情感数据，挖掘问诊中患者的情绪与态度，能够精细化问诊，实现了更加精准的问诊体系，让患者在最短的时间内获得精准专业意见，为患者就诊提供相应的指导，辅助患者决策。
并且，能够分析出医生、患者的类型，能够让平台、医生直观的了解自身服务的优势与不足，在一定程度上，也能够起到监督平台以及医生的作用。
在本申请的一个实施例中，在根据患者问诊数据分析患者的情感倾向信息之前，还包括对患者问诊数据进行预处理。具体地，识别患者问诊数据中的预设信息，并删除该预设信息。
其中，预设信息包括以下至少一项：表情包、多余空行、特殊符号、重复信息。
在该实施例中，对表情包、多余空行、特殊符号进行识别及过滤，以及识别重复信息与无效信息，并进行删除，也即，针对预设信息的文字编码进行替代。
通过上述方式，实现对患者问诊数据的预处理，保留有效信息，从而提高对情感倾向信息和患者问诊类型的分析的准确性。
在本申请的一个实施例中，根据患者问诊数据分析患者的情感倾向信息，包括：
对患者问诊数据进行分词处理，得到多个分词结果；
利用TF-IDF(Term Frequency–Inverse Document Frequency，词频-逆文本频率指数)算法，获取多个分词结果的特征矩阵，并对特征矩阵的维度进行加权处理；
在加权处理后，提取特征矩阵中的所有特征值，并获取每个特征值的情感条件概率；
利用朴素贝叶斯模型和所有特征值的情感条件概率，确定患者的情感倾向信息。
在该实施例中，对预处理后的患者问诊数据进行文本分词。具体地，运用词典的前缀扫描中文分词，生成语句中的汉字所有可能成词情况所构成的有向无环图，完成文本分词，得到分词结果。
然后，将分词结果使用TF-IDF算法获取特征矩阵，特征矩阵的构成，以分词为核心，不同情感为维度，并对特征矩阵的维度的权重进行修正，所谓的对特征矩阵维度的权重进行修正是指，当分词在一类文档中高频出现，将被赋予的较高的权重，反之赋予较低的权重。并且，设置停用词，去除特征矩阵中的停用词。
进一步地，计算每个特征值对每个情感类别的条件概率，并最终确定特征值的情感条件概率。例如，对于一个特征值，其对每个情感类别的条件概率不同，可以取其中最大的条件概率作为该特征值的情感条件概率。
示例性地，患者在问诊时，描述病情：“我孩子现在牙疼得在床上打滚，还一直不停的发虚汗，疼得什么都不敢吃，也没有蛀牙，每天都好好刷牙，你能不能帮我开点止疼药。”。分词为：我、孩子、牙、疼、床、打滚、一直不停、发虚汗、疼、什么都不敢吃(厌食)、没有、蛀牙、每天、好好、刷牙、你、能不能、帮我、止疼药。分词的特征值划分如下：(我,就诊人)、(孩子,患者)、(牙疼，病因)、(床,无)、(打滚、程度)、(一直不停,程度)、(发虚汗,症状)、(疼,症状)、(厌食,症状)、(没有,无)、(蛀牙,无)、(好好,程度)、(刷牙,无)、(你,医生)、(能不能,程度)、(帮我,程度)、(止疼药,目的)。进一步计算频率：“牙”出现3次；“打滚”、“一直不停”这样的代表疼的程度的词出现了2次；“发虚汗”、“疼”、“厌食”这样代表症状的词出现了3次；“能不能”、“帮我”这样的代表迫切情绪的词出现了2次，而“好好”这样的程度词出现了1次。以此为入参，得出：特征值划分(就诊人、患者、医生、病因、病症、目的等)对每个情感类别的(很低、低、中、高、很高)的分布情况(也即条件概率)。
进一步地，利用训练好的朴素贝叶斯模型和所有特征值的情感条件概率，确定患者的情感倾向信息。上述朴素贝叶斯模型为：
Figure BDA0003834411330000091
其中，b1、b2、……、bn为n个特征值，P(A|b1,b2,…,bn)为患者的情感倾向信息，P(A)为朴素贝叶斯模型的训练后的历史情感概率，P(bi|A)为第i个特征值的情感条件概率。
需要说明的是，机器学习是人工智能的一种实现方式，能够从数据中学习，通过训练集不断识别情感特征，进行建模，最终形成有效的数据处理方式。本申请实施例将机器学习技术应用于问诊数据的分析中，得到患者当前情绪的倾向性。
本申请实施例，并且所采用的朴素贝叶斯算法耗时短，实现简单，能够广泛应用于轻量级服务器，易于推广，增强了系统稳健性。进而通过对患者的情感倾向信息的预测，能够提高平台、医生和患者三个环节之间的粘合度，提升问诊效果。
在本申请的一个实施例中，若患者的问诊次数为K次，其中，K为大于1的整数，则根据患者问诊数据分析患者的情感倾向信息，包括：
通过朴素贝叶斯模型和每次问诊提取的所有特征值的情感条件概率，获取每次问诊的情感概率；
将K个情感概率中最大的情感概率，作为患者的K次问诊的情感倾向信息。
在该实施例中，患者的问诊次数可能为多次，例如，对于常见病或者慢性病来说，病情会反复或周期性复发，基于以上场景，要基于患者K次问诊，综合分析其情感倾向。
具体地，通过朴素贝叶斯模型和每次问诊提取的所有特征值的情感条件概率，获取每次问诊的情感概率。其中，获取每次问诊的情感概率的方式，具体包括：
针对K次问诊中的第j次问诊，通过朴素贝叶斯模型和第j次问诊提取的特征值的情感条件概率，得到第j次问诊的情感倾向信息；
将第j次问诊提取的特征值的情感条件概率以及第j次问诊的情感倾向信息，代入到第一公式中进行计算，得到第j次问诊的情感概率；
第一公式为：
Figure BDA0003834411330000101
其中，y为第j次问诊的情感概率，j大于等于1且小于等于K，n为第j次问诊的所有特征值的数量，Cj为表示第j次问诊，P(C＝Cj)为第j次问诊的情感倾向信息，P(b＝bi|C＝Cj)为第j次问诊的第i个特征值的情感条件概率。
进一步地，在获取完K次问诊的情感概率后，确定其中的最大值，并将最大的情感概率，作为患者的K次问诊的情感倾向信息。
通过上述方式，实现对多次问诊的场景下的患者的情绪与态度的倾向性进行分析，进而能够精细化问诊，以提高问诊效果。
在本申请的另一个实施例中，若患者的问诊次数为K次，其中，K为大于1的整数，则根据患者问诊数据分析患者的情感倾向信息，包括直接利用第二公式计算情感倾向信息。具体地，第二公式为：
Figure BDA0003834411330000111
其中，y′为最大的情感概率，也就是患者的情感倾向信息，j大于等于1且小于等于K，n为第j次问诊的所有特征值的数量，Cj为表示第j次问诊，P(C＝Cj)为第j次问诊的情感倾向信息，P(b＝bi|C＝Cj)为第j次问诊的第i个特征值的情感条件概率。
通过上述方式，实现对多次问诊的场景下的患者的情绪与态度的倾向性进行分析，进而能够精细化问诊，以提高问诊效果。
作为上述问诊评价方法的具体实现，本申请实施例提供了一种问诊评价装置。如图2所示，该问诊评价装置200包括：采集模块201、第一分析模块202以及生成模块204。
其中，采集模块201，用于采集医生和患者的线上问诊数据，并获取问诊数据中包括的患者问诊数据和医生问诊数据；
第一分析模块202，用于根据患者问诊数据分析患者的情感倾向信息；
第二分析模块203，用于对患者问诊数据和医生问诊数据进行聚类分析，分别得到患者的问诊类型和医生的问诊类型；
生成模块204，用于根据患者的情感倾向信息、患者的问诊类型和医生的问诊类型，生成线上问诊的评价信息。
在该实施例中，采用流计算技术收集医疗健康服务云平台的医生和患者之间的线上问诊数据，分析该线上问诊数据将其划分为患者问诊数据和医生问诊数据，其中，患者问诊数据即为患者的文字、语音等语句信息，医生问诊数据即为医生的文字、语音等信息，再根据患者问诊数据对该患者的情感倾向信息进行预测。
进一步地，对患者问诊数据进行聚类分析得到患者的问诊类型，例如，可以分析出哪些患者始终处于焦虑情绪，哪些患者始终无法认同问诊结果等。并对医生问诊数据进行聚类分析得到医生的问诊类型，例如，可以分析出哪些医生善于处理急躁情绪，哪些医生善于处理疑难杂症等。在进行聚类分析之后，根据聚类分析结果、患者的情感倾向信息，生成线上问诊的评价信息，完成问诊评价。
该线上问诊的评价信息可以包括患者类型标签、医生类型标签、患者问题解决情况、患者满意度等。例如，线上问诊的评价信息为：在该线上问诊中，患者始终处于焦虑情绪，医生善于处理急躁情绪，医生善于处理患者所提的牙疼问题，医生已解决患者所提的牙疼问题，患者对医生的处理较为满意。
最后，可以将生成的线上问诊的评价信息在问诊过程中或问诊结束后提供给患者或医生。例如，在问诊过程中将“患者始终处于焦虑情绪”的信息提供给医生，使医生了解到患者的情绪，从而调整问诊方式降低患者焦虑。也可以依据生成的线上问诊的评价信息进行后续的分诊，例如，在了解到医生善于处理患者所提的牙疼问题，且患者对医生的处理较为满意后，可提高为该医生分配牙疼患者的概率。
本申请实施例，分析线上问诊数据，量化患者情感数据，挖掘问诊中患者的情绪与态度，能够精细化问诊，实现了更加精准的问诊体系，让患者在最短的时间内获得精准专业意见，为患者就诊提供相应的指导，辅助患者决策。并且，能够分析出医生、患者的类型，能够让平台、医生直观的了解自身服务的优势与不足，在一定程度上，也能够起到监督平台以及医生的作用。
进一步地，该问诊评价装置200还包括：处理模块，用于识别患者问诊数据中的预设信息，并删除预设信息；
其中，预设信息包括以下至少一项：表情包、多余空行、特殊符号、重复信息。
进一步地，第一分析模块202，具体用于：
对患者问诊数据进行分词处理，得到多个分词结果；
利用TF-IDF算法，获取多个分词结果的特征矩阵，并对特征矩阵的维度进行加权处理；
在加权处理后，提取特征矩阵中的所有特征值，并获取每个特征值的情感条件概率；
利用朴素贝叶斯模型和所有特征值的情感条件概率，确定患者的情感倾向信息。
进一步地，朴素贝叶斯模型为：
Figure BDA0003834411330000131
其中，b1、b2、……、bn为n个特征值，P(A|b1,b2,…,bn)为患者的情感倾向信息，P(A)为朴素贝叶斯模型的训练后的历史情感概率，P(bi|A)为第i个特征值的情感条件概率。
进一步地，若患者的问诊次数为K次，其中，K为大于1的整数，则第一分析模块202，具体用于：
通过朴素贝叶斯模型和每次问诊提取的所有特征值的情感条件概率，获取每次问诊的情感概率；
将K个情感概率中最大的情感概率，作为患者的K次问诊的情感倾向信息。
进一步地，第一分析模块202，具体用于：
针对K次问诊中的第j次问诊，通过朴素贝叶斯模型和第j次问诊提取的特征值的情感条件概率，得到第j次问诊的情感倾向信息；
将第j次问诊提取的特征值的情感条件概率以及第j次问诊的情感倾向信息，代入到第一公式中进行计算，得到第j次问诊的情感概率；
第一公式为：
Figure BDA0003834411330000132
其中，y为第j次问诊的情感概率，j大于等于1且小于等于K，n为第j次问诊的所有特征值的数量，Cj为表示第j次问诊，P(C＝Cj)为第j次问诊的情感倾向信息，P(b＝bi|C＝Cj)为第j次问诊的第i个特征值的情感条件概率。
进一步地，第一分析模块202，具体用于：
根据第二公式，确定K个情感概率中最大的情感概率，并将最大的情感概率将作为患者的K次问诊的情感倾向信息；
第二公式为：
Figure BDA0003834411330000141
其中，y′为最大的情感概率。
本申请实施例中的问诊评价装置200可以是电子设备，也可以是电子设备中的部件，例如集成电路或芯片。该电子设备可以是终端，也可以为除终端之外的其他设备。示例性的，电子设备可以为手机、平板电脑、笔记本电脑、掌上电脑、车载电子设备、移动上网装置(Mobile Internet Device，MID)、增强现实(Augmented Reality，AR)/虚拟现实(Virtual Reality，VR)设备、机器人、可穿戴设备、超级移动个人计算机(Ultra-MobilePersonal Computer，UMPC)、上网本或者个人数字助理(Personal Digital Assistant，PDA)等，还可以为服务器、网络附属存储器(Network Attached Storage，NAS)、个人计算机(Personal Computer，PC)、电视机(Television，TV)、柜员机或者自助机等，本申请实施例不作具体限定。
本申请实施例中的问诊评价装置200可以为具有操作系统的装置。该操作系统可以为安卓(Android)操作系统，可以为ios操作系统，还可以为其他可能的操作系统，本申请实施例不作具体限定。
本申请实施例提供的问诊评价装置200能够实现图1的问诊评价方法实施例实现的各个过程，为避免重复，这里不再赘述。
本申请实施例还提供一种电子设备，如图3所示，该电子设备300包括处理器301和存储器302，存储器302上存储有可在处理器301上运行的程序或指令，该程序或指令被处理器301执行时实现上述问诊评价方法实施例的各个步骤，且能达到相同的技术效果，为避免重复，这里不再赘述。
需要说明的是，本申请实施例中的电子设备包括上述的移动电子设备和非移动电子设备。
存储器302可用于存储软件程序以及各种数据。存储器302可主要包括存储程序或指令的第一存储区和存储数据的第二存储区，其中，第一存储区可存储操作系统、至少一个功能所需的应用程序或指令(比如声音播放功能、图像播放功能等)等。此外，存储器302可以包括易失性存储器或非易失性存储器，或者，存储器302可以包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(Read-Only Memory，ROM)、可编程只读存储器(Programmable ROM，PROM)、可擦除可编程只读存储器(Erasable PROM，EPROM)、电可擦除可编程只读存储器(Electrically EPROM，EEPROM)或闪存。易失性存储器可以是随机存取存储器(Random Access Memory，RAM)，静态随机存取存储器(Static RAM，SRAM)、动态随机存取存储器(Dynamic RAM，DRAM)、同步动态随机存取存储器(Synchronous DRAM，SDRAM)、双倍数据速率同步动态随机存取存储器(Double Data Rate SDRAM，DDRSDRAM)、增强型同步动态随机存取存储器(Enhanced SDRAM，ESDRAM)、同步连接动态随机存取存储器(Synch link DRAM，SLDRAM)和直接内存总线随机存取存储器(Direct Rambus RAM，DRRAM)。本申请实施例中的存储器302包括但不限于这些和任意其它适合类型的存储器。
处理器301可包括一个或多个处理单元；可选的，处理器301集成应用处理器和调制解调处理器，其中，应用处理器主要处理涉及操作系统、用户界面和应用程序等的操作，调制解调处理器主要处理无线通信信号，如基带处理器。可以理解的是，上述调制解调处理器也可以不集成到处理器301中。
本申请实施例还提供一种可读存储介质，可读存储介质上存储有程序或指令，该程序或指令被处理器执行时实现上述问诊评价方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
本申请实施例还提供了一种芯片，如图4所示，芯片400包括至少一个处理器401和通信接口402，通信接口402和至少一个处理器401耦合，至少一个处理器401用于运行程序或指令，实现上述问诊评价方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
应理解，本申请实施例提到的芯片还可以称为系统级芯片、系统芯片、芯片系统或片上系统芯片等。
优选地，该芯片400还包括存储器403，存储器403存储了如下的元素：可执行模块或者数据结构，或者他们的子集，或者他们的扩展集。
本申请实施例中，处理器401、通信接口402以及存储器403通过总线系统404耦合在一起。其中，总线系统404除包括数据总线之外，还可以包括电源总线、控制总线和状态信号总线等。为了便于描述，在图4中将各种总线都标为总线系统404。
本申请实施例还提供一种计算机程序产品，该程序产品被存储在存储介质中，该程序产品被至少一个处理器执行以实现如上述问诊评价方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。此外，需要指出的是，本申请实施方式中的方法和装置的范围不限按示出或讨论的顺序来执行功能，还可包括根据所涉及的功能按基本同时的方式或按相反的顺序来执行功能，例如，可以按不同于所描述的次序来执行所描述的方法，并且还可以添加、省去、或组合各种步骤。另外，参照某些示例所描述的特征可在其他示例中被组合。
上面结合附图对本申请的实施例进行了描述，但是本申请并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本申请的启示下，在不脱离本申请宗旨和权利要求所保护的范围情况下，还可做出很多形式，均属于本申请的保护之内。

Claims (10)

1.一种问诊评价方法，其特征在于，包括：
采集医生和患者的线上问诊数据，并获取所述问诊数据中包括的患者问诊数据和医生问诊数据；
根据所述患者问诊数据分析所述患者的情感倾向信息；
对所述患者问诊数据和所述医生问诊数据进行聚类分析，分别得到所述患者的问诊类型和所述医生的问诊类型；
根据所述患者的情感倾向信息、所述患者的问诊类型和所述医生的问诊类型，生成线上问诊的评价信息。
2.根据权利要求1所述的方法，其特征在于，在所述根据所述患者问诊数据分析所述患者的情感倾向信息之前，还包括：
识别所述患者问诊数据中的预设信息，并删除所述预设信息；
其中，所述预设信息包括以下至少一项：表情包、多余空行、特殊符号、重复信息。
3.根据权利要求1所述的方法，其特征在于，所述根据所述患者问诊数据分析所述患者的情感倾向信息，包括：
对所述患者问诊数据进行分词处理，得到多个分词结果；
利用TF-IDF算法，获取多个所述分词结果的特征矩阵，并对所述特征矩阵的维度进行加权处理；
在加权处理后，提取所述特征矩阵中的所有特征值，并获取每个所述特征值的情感条件概率；
利用朴素贝叶斯模型和所有所述特征值的情感条件概率，确定所述患者的情感倾向信息。
4.根据权利要求3所述的方法，其特征在于，
所述朴素贝叶斯模型为：
Figure FDA0003834411320000011
其中，b1、b2、……、bn为n个所述特征值，P(A|b1,b2,…,bn)为所述患者的情感倾向信息，P(A)为所述朴素贝叶斯模型的训练后的历史情感概率，P(bi|A)为第i个特征值的情感条件概率。
5.根据权利要求3所述的方法，其特征在于，若所述患者的问诊次数为K次，其中，K为大于1的整数，则所述根据所述患者问诊数据分析所述患者的情感倾向信息，包括：
通过所述朴素贝叶斯模型和每次问诊提取的所有特征值的情感条件概率，获取每次问诊的情感概率；
将K个情感概率中最大的情感概率，作为所述患者的K次问诊的情感倾向信息。
6.根据权利要求5所述的方法，其特征在于，通过所述朴素贝叶斯模型和每次问诊提取的所有特征值的情感条件概率，获取每次问诊的情感概率，包括：
针对K次问诊中的第j次问诊，通过所述朴素贝叶斯模型和所述第j次问诊提取的特征值的情感条件概率，得到所述第j次问诊的情感倾向信息；
将所述第j次问诊提取的特征值的情感条件概率以及所述第j次问诊的情感倾向信息，代入到第一公式中进行计算，得到所述第j次问诊的情感概率；
所述第一公式为：
Figure FDA0003834411320000021
其中，y为第j次问诊的情感概率，j大于等于1且小于等于K，n为第j次问诊的所有特征值的数量，Cj为表示第j次问诊，P(C＝Cj)为第j次问诊的情感倾向信息，P(b＝bi|C＝Cj)为第j次问诊的第i个特征值的情感条件概率。
7.根据权利要求6所述的方法，其特征在于，所述将K个情感概率中最大的情感概率，作为所述患者的K次问诊的情感倾向信息，包括：
根据第二公式，确定K个情感概率中最大的情感概率，并将最大的情感概率将作为所述患者的K次问诊的情感倾向信息；
所述第二公式为：
Figure FDA0003834411320000031
其中，y′为最大的情感概率。
8.一种问诊评价装置，其特征在于，包括：
采集模块，用于采集医生和患者的线上问诊数据，并获取所述问诊数据中包括的患者问诊数据和医生问诊数据；
第一分析模块，用于根据所述患者问诊数据分析所述患者的情感倾向信息；
第二分析模块，用于对所述患者问诊数据和所述医生问诊数据进行聚类分析，分别得到所述患者的问诊类型和所述医生的问诊类型；
生成模块，用于根据所述患者的情感倾向信息、所述患者的问诊类型和所述医生的问诊类型，生成线上问诊的评价信息。
9.一种电子设备，其特征在于，包括处理器和存储器，所述存储器存储有在所述处理器上运行的程序或指令，所述程序或指令被所述处理器执行时实现如权利要求1至7中任一项所述的问诊评价方法的步骤。
10.一种可读存储介质，其上存储有程序或指令，其特征在于，所述程序或指令被处理器执行时实现如权利要求1至7中任一项所述的问诊评价方法的步骤。
CN202211083409.5A 2022-09-06 2022-09-06 问诊评价方法、问诊评价装置、电子设备和可读存储介质 Pending CN115579153A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211083409.5A CN115579153A (zh) 2022-09-06 2022-09-06 问诊评价方法、问诊评价装置、电子设备和可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211083409.5A CN115579153A (zh) 2022-09-06 2022-09-06 问诊评价方法、问诊评价装置、电子设备和可读存储介质

Publications (1)

Publication Number Publication Date
CN115579153A true CN115579153A (zh) 2023-01-06

Family

ID=84580888

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211083409.5A Pending CN115579153A (zh) 2022-09-06 2022-09-06 问诊评价方法、问诊评价装置、电子设备和可读存储介质

Country Status (1)

Country Link
CN (1) CN115579153A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116741360A (zh) * 2023-08-16 2023-09-12 深圳市微能信息科技有限公司 基于智能终端的医生问诊及服务质量评价系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116741360A (zh) * 2023-08-16 2023-09-12 深圳市微能信息科技有限公司 基于智能终端的医生问诊及服务质量评价系统
CN116741360B (zh) * 2023-08-16 2023-12-19 深圳市微能信息科技有限公司 基于智能终端的医生问诊及服务质量评价系统

Similar Documents

Publication Publication Date Title
CN110459324B (zh) 基于长短期记忆模型的疾病预测方法、装置和计算机设备
Kamalraj et al. Interpretable filter based convolutional neural network (IF-CNN) for glucose prediction and classification using PD-SS algorithm
US7406453B2 (en) Large-scale information collection and mining
US20230032131A1 (en) Dynamic user response data collection method
Shakhovska et al. Development of mobile system for medical recommendations
CN113436723A (zh) 视频问诊方法、装置、设备及存储介质
US20210383913A1 (en) Methods, systems and apparatus for improved therapy delivery and monitoring
CN111933291A (zh) 医疗信息推荐装置、方法、系统、设备及可读存储介质
US20210345925A1 (en) A data processing system for detecting health risks and causing treatment responsive to the detection
CN114628001B (zh) 基于神经网络的处方推荐方法、系统、设备及存储介质
CN116910172B (zh) 基于人工智能的随访量表生成方法及系统
CN113724859A (zh) 基于人工智能的疾病提示设备、方法、装置及存储介质
CN112908452A (zh) 事件数据建模
CN114974501A (zh) 基于人工智能的药品推荐方法、装置、设备及存储介质
CN113724830A (zh) 基于人工智能的用药风险检测方法及相关设备
CN114420279A (zh) 一种医疗资源推荐方法、装置、设备及存储介质
CN113658712A (zh) 医患匹配方法、装置、设备及存储介质
CN110473636B (zh) 基于深度学习的智能医嘱推荐方法及系统
CN114743647A (zh) 医疗数据处理方法、装置、设备及存储介质
CN115579153A (zh) 问诊评价方法、问诊评价装置、电子设备和可读存储介质
CN113657970A (zh) 基于人工智能的药品推荐方法、装置、设备及存储介质
KR20220149927A (ko) 머신러닝을 활용한 복약순응 위험도 예측 시스템 및 방법
CN113643825A (zh) 基于临床关键特征信息的医疗案例知识库构建方法和系统
Côté-Allard et al. Adherence forecasting for guided internet-delivered cognitive behavioral therapy: a minimally data-sensitive approach
CN114627993A (zh) 信息预测方法、装置、存储介质及计算机设备

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