CN115620879A - 医疗检查项目的智能推荐方法、装置、设备及存储介质 - Google Patents
医疗检查项目的智能推荐方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN115620879A CN115620879A CN202211095905.2A CN202211095905A CN115620879A CN 115620879 A CN115620879 A CN 115620879A CN 202211095905 A CN202211095905 A CN 202211095905A CN 115620879 A CN115620879 A CN 115620879A
- Authority
- CN
- China
- Prior art keywords
- inspection
- items
- information
- inspection item
- data
- 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
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/20—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the management or administration of healthcare resources or facilities, e.g. managing hospital staff or surgery rooms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/02—Reservations, e.g. for tickets, services or events
-
- 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)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Epidemiology (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Operations Research (AREA)
- Artificial Intelligence (AREA)
- Human Resources & Organizations (AREA)
- Quality & Reliability (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Marketing (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本申请公开了一种医疗检查项目的智能推荐方法、装置、设备及存储介质,所述方法包括:获取用户的问诊数据;将所述问诊数据输入预训练的特殊检查项目推荐模型,得到输出的一个或多个特殊检查项目以及对应的概率;将输出的一个或多个特殊检查项目以及对应的概率返回到客户端,并接收用户输入的特殊检查项目选择信息,根据所述特殊检查项目选择信息自动预约排号,并生成检查项目的导诊图。本申请实施例能够在数字医疗场景中,精准为用户推荐一些不常规的,价格昂贵的,但是能为患者诊断起决定性作用的特殊检查项目,大大减轻了医疗检查及检验不合理的问题,从而有效提高了医疗检查及检验的有效性、安全性、经济性以及便利性。
Description
技术领域
本申请涉及数字医疗及人工智能技术领域,特别涉及一种医疗检查项目的智能推荐方法、装置、设备及存储介质。
背景技术
目前,在医疗场景中,患者在进行医院就诊时,通常是根据医生的指导进行相应的检查项目的检查,以便医生根据检查结果作出相应的诊断。
然而,由于检查项目繁多,在有些患者的症状较为罕见时,医生也难以提前准确地确定该患者需要进行哪些检查项目。且医生对于一般的检查推荐的需求不高,例如血常规、尿常规等,而是对于一些特殊的、价格较高的检查项目推荐有较高的需求,例如糖尿病诊断的GADA抗体检测等。原因是这些特殊的检查项目往往能够对患者的诊断起决定性作用,但这些检验检查项目往往价格相对较高,医生一般在没有较大把握的情况下,不会轻易让患者去做这些特殊的检查项目。
且一般医院就诊的人数较多,等待的时间较长,甚至在有多个检查项目的情况下,不知道先预约哪个项目,且大多数用户对医院各个科室位置不清楚,浪费了大量的时间。
发明内容
本公开实施例提供了一种医疗检查项目的智能推荐方法、装置、设备及存储介质。为了对披露的实施例的一些方面有一个基本的理解,下面给出了简单的概括。该概括部分不是泛泛评述,也不是要确定关键/重要组成元素或描绘这些实施例的保护范围。其唯一目的是用简单的形式呈现一些概念,以此作为后面的详细说明的序言。
第一方面,本申请实施例提供了一种医疗检查项目的智能推荐方法,包括:
获取用户的问诊数据;
将问诊数据输入预训练的特殊检查项目推荐模型,得到输出的一个或多个特殊检查项目以及对应的概率;
将输出的一个或多个特殊检查项目以及对应的概率返回到客户端,并接收用户输入的特殊检查项目选择信息,根据特殊检查项目选择信息自动预约排号,并生成检查项目的导诊图。
在一个可选地实施方式中,将问诊数据输入预训练的特殊检查项目推荐模型之前,还包括:
获取大量用户的电子病历数据,并对电子病历数据进行预处理,得到训练数据集;
构建特殊检查项目推荐模型的神经网络模型,神经网络模型包括语言表示模块、特征表示模块、向量拼接模块、全连接模块以及归一化模块;
根据训练数据集对构建的神经网络模型进行训练,得到训练好的特殊检查项目推荐模型。
在一个可选地实施方式中,对电子病历数据进行预处理,得到训练数据集,包括:
提取电子病历数据中的非结构化数据,非结构化数据包括用户主诉数据、现病史数据以及既往病史数据;
提取电子病历数据中的结构化数据,结构化数据包括年龄、性别、身高以及体重;
提取电子病历数据中的检查项目数据,根据检查项目的价格信息和类别信息筛选得到特殊检查项目;
将结构化数据、非结构化数据作为特殊检查项目推荐模型的输入数据,将特殊检查项目作为特殊检查项目推荐模型的输出数据,得到训练数据集。
在一个可选地实施方式中,接收用户输入的特殊检查项目选择信息之后,还包括:
根据特殊检查项目选择信息以及问诊数据,更新特殊检查项目推荐模型,得到更新后的特殊检查项目推荐模型。
在一个可选地实施方式中,根据特殊检查项目选择信息自动预约排号,包括:
获取特殊检查项目选择信息、常规检查项目选择信息、与检查项目对应的检查科室排队信息、检查项目要求信息以及各个检查项目之间的相关性信息;
根据各个检查项目对应的排队信息以及预设的人均检查时长,计算各个检查项目的预计等待时间;
根据预计等待时间对检查项目按照从小到大排序,得到初始排队队列;
根据检查项目要求信息以及各个检查项目之间的相关性信息更新初始排队队列,得到更新后的排队队列;
根据更新后的排队队列以及患者的预计检查时间,自动进行预约排号。
在一个可选地实施方式中,根据检查项目要求信息以及各个检查项目之间的相关性信息更新初始排队队列,包括:
获取各个检查项目之间的相关性信息,将具有相关性的检查项目作为检查项目组合;
将检查项目组合内的检查项目的排列顺序相连,并根据检查项目的要求信息更新具有检查要求项目的前后顺序。
在一个可选地实施方式中,生成检查项目的导诊图,包括:
获取用户的实时位置信息、医院地图信息以及更新后的排队队列信息;
根据实时位置信息以及医院地图信息自动生成到每个检查项目的导航路线;
获取各个检查项目的预计等待时间信息以及检查注意事项信息;
根据导航路线、注意事项信息以及预计等待时间生成导诊图,并将导诊图返回到用户客户端。
第二方面,本申请实施例提供了一种医疗检查项目的智能推荐装置,包括:
获取模块,用于获取用户的问诊数据;
推荐模块,用于将问诊数据输入预训练的特殊检查项目推荐模型,得到输出的一个或多个特殊检查项目以及对应的概率;
导诊模块,用于将输出的一个或多个特殊检查项目以及对应的概率返回到客户端,并接收用户输入的特殊检查项目选择信息,根据特殊检查项目选择信息自动预约排号,并生成检查项目的导诊图。
第三方面,本申请实施例提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机可读指令,计算机可读指令被处理器执行时,使得处理器执行上述实施例提供的医疗检查项目的智能推荐方法。
第四方面,本申请实施例提供了一种存储有计算机可读指令的存储介质,计算机可读指令被一个或多个处理器执行时,使得一个或多个处理器执行上述实施例提供的医疗检查项目的智能推荐方法。
本公开实施例提供的技术方案可以包括以下有益效果:
根据本申请实施例提供的医疗检查项目的智能推荐方法,能够在数字医疗场景中,精准为用户推荐一些不常规的,价格昂贵的,但是能为患者诊断起决定性作用的特殊检查项目,大大减轻了医疗检查及检验不合理的问题,还能自动帮助用户预约挂号,且为用户提供清晰的导诊图,从而有效提高了医疗检查及检验的有效性、安全性、经济性以及便利性。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本申请。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理。
图1是根据一示例性实施例示出的一种医疗检查项目的智能推荐方法的实施环境图;
图2是根据一示例性实施例示出的一种计算机设备的内部结构图;
图3是根据一示例性实施例示出的一种医疗检查项目的智能推荐方法的流程示意图;
图4是根据一示例性实施例示出的一种特殊检查项目推荐模型的结构示意图;
图5是根据一示例性实施例示出的一种自动预约挂号方法的示意图;
图6是根据一示例性实施例示出的一种医疗检查项目的智能推荐装置的结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
可以理解,本申请所使用的术语“第一”、“第二”等可在本文中用于描述各种元件,但这些元件不受这些术语限制。这些术语仅用于将第一个元件与另一个元件区分。举例来说,在不脱离本申请的范围的情况下,可以将第一字段及算法确定模块成为第二字段及算法确定模块,且类似地,可将第二字段及算法确定模块成为第一字段及算法确定模块。
图1是根据一示例性实施例示出的一种医疗检查项目的智能推荐方法的实施环境图,如图1所示,在该实施环境中,包括服务器110以及终端120。
服务器110为医疗检查项目的智能推荐设备,例如为技术人员使用的电脑等计算机设备,服务器110上安装有医疗检查项目的智能推荐工具。终端120上安装有需要进行智能推荐的应用,当需要提供智能推荐服务时,技术人员可以在计算机设备110发出提供智能推荐的请求,该请求中携带有请求标识,计算机设备110接收该请求,获取计算机设备110中存储的医疗检查项目的智能推荐方法。然后利用医疗检查项目的智能推荐方法驱动对话管理引擎平台完成智能推荐。
需要说明的是,终端120以及计算机设备110可为智能手机、平板电脑、笔记本电脑、台式计算机等,但并不局限于此。计算机设备110以及终端120可以通过蓝牙、USB(Universal Serial Bus,通用串行总线)或者其他通讯连接方式进行连接,本申请在此不做限制。
图2是根据一示例性实施例示出的一种计算机设备的内部结构图。如图2所示,该计算机设备包括通过系统总线连接的处理器、非易失性存储介质、存储器和网络接口。其中,该计算机设备的非易失性存储介质存储有操作系统、数据库和计算机可读指令,数据库中可存储有控件信息序列,该计算机可读指令被处理器执行时,可使得处理器实现一种医疗检查项目的智能推荐方法。该计算机设备的处理器用于提供计算和控制能力,支撑整个计算机设备的运行。该计算机设备的存储器中可存储有计算机可读指令,该计算机可读指令被处理器执行时,可使得处理器执行一种医疗检查项目的智能推荐方法。该计算机设备的网络接口用于与终端连接通信。本领域技术人员可以理解,图2中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
下面将结合附图3-附图5,对本申请实施例提供的医疗检查项目的智能推荐方法进行详细介绍。该方法可依赖于计算机程序实现,可运行于基于冯诺依曼体系的数据传输装置上。该计算机程序可集成在应用中,也可作为独立的工具类应用运行。
请参见图3,为本申请实施例提供了一种医疗检查项目的智能推荐方法的流程示意图,如图3所示,本申请实施例的方法可以包括以下步骤:
S301获取用户的问诊数据。
在一种可能的实现方式中,收集用户在医疗问诊场景中的问诊数据,包括收集用户的主诉数据,也就是用户关于身体不适描述的诉说数据,收集用户的现病史数据,例如用户现在患有高血压、糖尿病等疾病,收集用户的既往病史数据,例如,收集用户过往的患病数据或动过大型手术等数据。还包括收集用户的年龄、身高、体重、性别等结构化数据。
S302将问诊数据输入预训练的特殊检查项目推荐模型,得到输出的一个或多个特殊检查项目以及对应的概率。
在一种可能的实现方式中,将问诊数据输入预训练的特殊检查项目推荐模型之前,还包括:训练特殊检查项目推荐模型。
首先,获取大量用户的电子病历数据,并对电子病历数据进行预处理,得到训练数据集。
具体地,获取海量的、高质量的患者电子病历数据,其中高质量的电子病历数据可以选取是经过电子病历质量控制评估通过的高质量数据。提取电子病历数据中的非结构化数据,包括提取用户主诉数据、现病史数据以及既往病史数据;提取电子病历数据中的结构化数据,结构化数据包括年龄、性别、身高以及体重等数据;提取电子病历数据中的检查项目数据,根据检查项目的价格信息和类别信息筛选得到特殊检查项目,其中,特殊检查项目是一些不常规的,价格昂贵的,但是能为患者诊断起决定性作用的特殊检查项目,例如,糖尿病诊断的GADA抗体检测,乳腺癌钼靶检测等。将结构化数据、非结构化数据作为特殊检查项目推荐模型的输入数据,将特殊检查项目作为模型的输出数据,得到训练数据集。
进一步地,构建特殊检查项目推荐模型的神经网络模型,神经网络模型包括语言表示模块BERT、特征表示模块MLP、向量拼接模块、全连接模块以及归一化模块。根据训练数据集对构建的神经网络模型进行训练,得到训练好的特殊检查项目推荐模型。
如图4所示,展示了本方案提出的特殊检查项目推荐模型的结构。模型的输入是一个患者的两类数据,分别是非结构化的文本数据:主诉、现病史、既往史,以及结构化数据:年龄、性别、身高、体重等等。将非结构化的文本数据输入到语言表示模型BERT中,将结构化的数据输入到多层感知机网络MLP中。然后,将语言表示模型BERT输出的文本表示向量a,以及将多层感知机网络MLP输出的用户特征表示向量b进行拼接,得到用户数据的综合表示向量c。最后将患者数据综合表示向量c输入到多个全连接层中,最后连接softmax层,输出这个用户的各个特殊的检查项目的概率。
得到训练好的特殊检查项目推荐模型之后,将问诊数据输入训练好的特殊检查项目推荐模型,得到输出的一个或多个特殊检查项目以及对应的概率。
可选地,将输出的一个或多个特殊检查项目以及对应的概率返回到客户端,并接收用户输入的特殊检查项目选择信息,根据特殊检查项目选择信息以及问诊数据,更新特殊检查项目推荐模型的参数,得到更新后的特殊检查项目推荐模型。可以进一步优化模型。
该步骤基于海量的电子病历数据,应用深度学习技术构建模型结构,用训练得到的模型推荐给医生来访的每个患者的特殊检验检查项目列表,从而辅助医生的问诊过程,以提升医疗服务的质量。
S303将输出的一个或多个特殊检查项目以及对应的概率返回到客户端,并接收用户输入的特殊检查项目选择信息,根据特殊检查项目选择信息自动预约排号,并生成检查项目的导诊图。
在一个可选地实施方式中,医生根据输出的一个或多个特殊检查项目以及对应的概率,选择需要检查的项目,可以根据特殊检查项目的选择信息进行自动预约排号。
如图5所示,预约排号的步骤包括:
S501获取特殊检查项目选择信息、常规检查项目选择信息、与检查项目对应的检查科室排队信息、检查项目要求信息以及各个检查项目之间的相关性信息。
根据医生开具的诊断单获取医生根据模型推荐的特殊检查项目选择信息,以及可能会开具的一些血常规、尿常规等常规检查项目的选择信息,然后获取所有待检查项目的检查科室排队信息,可从医院叫好系统获取目前各个科室的排队人数,还包括获取各个检查项目之间的相关性信息,例如同楼栋、同楼层的检查项目之间相关,同一科室的检查项目之间相关。还包括获取检查项目的要求信息,例如血常规需要空腹、腹部彩超需要憋尿等。
S502根据各个检查项目对应的排队信息以及预设的人均检查时长,计算各个检查项目的预计等待时间。
获取系统预存的每个检查项目的人均检查时长,将人均检查时长乘以当前每个项目的排队人数,得到每个检查项目的预计等待时间。
S503根据预计等待时间对检查项目按照从小到大排序,得到初始排队队列。
S504根据检查项目要求信息以及各个检查项目之间的相关性信息更新初始排队队列,得到更新后的排队队列。
在一个可选地实施方式中,获取各个检查项目之间的相关性信息,将具有相关性的检查项目作为检查项目组合,将检查项目组合内的检查项目的排列顺序相连。例如,某几个检查项目在同楼层或同科室,可将这几个检查项目的检查顺序连在一起,避免用户来回跑路。
并根据检查项目的要求信息更新具有检查要求项目的前后顺序,例如血常规需要空腹,彩超项目需要憋尿,则将血常规项目放在彩超项目之前,且尽量将血常规项目放在首位,将彩超项目放在末位。
S505根据更新后的排队队列以及患者的预计检查时间,自动进行预约排号。
得到更新后的排队序列后,可向用户移动终端返回排队建议列表,供用户参考,避免用户盲目排队,造成了大量候诊时间浪费。也可以根据用户每个项目的预计检查时间,自动为用户预约挂号。例如,用户在进行第一个项目检查时,可分析该项目的预计检查时间,并分析其余项目的预计等待时间,自动为用户预约下一个检查项目。
在一个可选地实施方式中,还可以生成检查项目的导诊图,包括:获取用户的实时位置信息、医院地图信息以及更新后的排队队列信息;根据用户的实时位置信息、医院地图信息,自动生成到每个检查项目的导航路线。
具体地,获取高精度渲染还原医院室内3D地图和医院楼宇3D外观。通过手机蓝牙定位,将患者当前位置显示在地图上,并基于路径生成算法,自动生成规划路线,提供院内科室、设施、基础服务等跨楼层、跨楼宇导航服务。与医院现有的信息化系统集成,可在微信公众号中实现从自助导诊,挂号,科室导航服务。
其中,实时定位导航采用加权三边定位算法和路径生成算法,能实现高精度的室内定位。主页默认显示医院院区地图,点击按钮,切出院区的楼宇列表,选择可进入相应的楼宇场景。同时按钮会显示当前场景名称。进入楼宇内部后,可以通过点击右侧楼层列表按钮切换楼层。切换场景后,会以默认视角呈现场景地图。点击按钮可以切换到2D或3D的视图模式。在3D视图模式下,单指滑动屏幕,可720度旋转查看地图,两指滑动可拖动平移地图,两指捏合可缩放地图。在2D视图模式下,单指滑动可拖动平移地图,两指捏合可缩放地图。点击按钮可还原到默认视图视角。图标指示当前地图的方向信息。在地图中,文字表示具体的科室位置,图标表示一些基础设施的分布。地图科室的显示基于LOD技术,避免大量科室信息重叠显示,需要放大地图才能显示全部的科室信息。点击地图的某个位置,可将所点击的位置设置为起点或者需要去到的终点。点击“开始导航”按钮,或者动过点击地图位置设置起点或终点后,会显示导航信息栏,如果部署了蓝牙定位系统,会自动定位当前起点位置,也可以通过扫码确定起点位置。终点位置也可以通过搜索或者分类查找确定。点击“开始导航”按钮,生成导航路径,点击可切换显示不同楼层的导航路径,点击退出关闭导航路径显示。
可选地,获取各个检查项目的预计等待时间信息以及检查注意事项信息;根据导航路线、注意事项信息以及预计等待时间生成导诊图,并将导诊图返回到用户客户端。
在用户进行导航时,可以语音播报导航信息、预计等待时间信息以及检查注意事项信息,例如,在胸透检查时,提醒用户衣物上不能有金属制品等注意事项。可大大提高用户的就医体验度。
根据本申请实施例提供的医疗检查项目的智能推荐方法,能够在数字医疗场景中,精准为用户推荐一些不常规的,价格昂贵的,但是能为患者诊断起决定性作用的特殊检查项目,大大减轻了医疗检查及检验不合理的问题,还能自动帮助用户预约挂号,且为用户提供清晰的导诊图,从而有效提高了医疗检查及检验的有效性、安全性、经济性以及便利性。
本申请实施例还可以应用到全科医生问诊场景,全科医生,又被称为家庭医生,是一种提供全科医疗的卫生服务。全科医生在基本医疗卫生服务中发挥着重要的作用,肩负着居民健康和控制医疗费用支出的责任。在我国,全科医生往往集中在社区医院内。然而,由于医生资源缺乏和分布不均等原因,我国全科医生存在人员不足以及能力不一的实际问题。为了解决这一问题,临床辅助决策系统被广泛的应用于全科医生场景中,该系统通过交互式的方法协助全科医生在诊疗过程中的决策,从而提升医疗服务的治疗。
在临床辅助决策系统中,已有的系统功能是根据患者的情况推荐给全科医生该患者应该做的一些检验检查项目,医生会根据推荐内容决定最终患者应该去做的检验检查项目,然后医生会根据患者的检验检查项目结果进行后续的诊断和治疗。然而,在推荐检验检查项目的实际场景中,医生对于一般的检验检查推荐的需求不高(例如血常规、尿常规等),而是对于一些特殊的、价格较高的检验检查项目推荐有较高的需求(例如糖尿病诊断的GADA抗体检测等)。原因是这些特殊的检验检查项目往往能够对患者的诊断起决定性作用,但这些检验检查项目往往价格相对较高,全科医生作为基础医疗服务提供者,一般在没有较大把握的情况下,全科医生不会轻易让患者去做这些特殊的检验检查项目。
针对全科医生这一特殊的需求,本方案提出了一种辅助全科医生问诊的特殊检查项目推荐模型,通过模型对患者医疗数据的自动分析,给出推荐的特殊检验检查项目列表,从而辅助全科医生的问诊过程,提升全科医生医疗服务的质量。
下述为本申请装置实施例,可以用于执行本申请方法实施例。对于本申请装置实施例中未披露的细节,请参照本申请方法实施例。
请参见图6,其示出了本申请一个示例性实施例提供的医疗检查项目的智能推荐装置的结构示意图。如图6所示,该医疗检查项目的智能推荐装置可以集成于上述的计算机设备110中,具体可以包括获取模块601、推荐模块602、以及导诊模块603。
获取模块601,用于获取用户的问诊数据;
推荐模块602,用于将问诊数据输入预训练的特殊检查项目推荐模型,得到输出的一个或多个特殊检查项目以及对应的概率;
导诊模块603,用于将输出的一个或多个特殊检查项目以及对应的概率返回到客户端,并接收用户输入的特殊检查项目选择信息,根据特殊检查项目选择信息自动预约排号,并生成检查项目的导诊图。
在一个可选地实施方式中,还包括:特殊检查项目推荐模型训练模块,用于获取大量用户的电子病历数据,并对电子病历数据进行预处理,得到训练数据集;
构建特殊检查项目推荐模型的神经网络模型,神经网络模型包括语言表示模块、特征表示模块、向量拼接模块、全连接模块以及归一化模块;
根据训练数据集对构建的神经网络模型进行训练,得到训练好的特殊检查项目推荐模型。
在一个可选地实施方式中,对电子病历数据进行预处理,得到训练数据集,包括:
提取电子病历数据中的非结构化数据,非结构化数据包括用户主诉数据、现病史数据以及既往病史数据;
提取电子病历数据中的结构化数据,结构化数据包括年龄、性别、身高以及体重;
提取电子病历数据中的检查项目数据,根据检查项目的价格信息和类别信息筛选得到特殊检查项目;
将结构化数据、非结构化数据作为特殊检查项目推荐模型的输入数据,将特殊检查项目作为特殊检查项目推荐模型的输出数据,得到训练数据集。
在一个可选地实施方式中,还包括:模型更新模块,用于根据特殊检查项目选择信息以及问诊数据,更新特殊检查项目推荐模型,得到更新后的特殊检查项目推荐模型。
在一个可选地实施方式中,导诊模块603用于获取特殊检查项目选择信息、常规检查项目选择信息、与检查项目对应的检查科室排队信息、检查项目要求信息以及各个检查项目之间的相关性信息;
根据各个检查项目对应的排队信息以及预设的人均检查时长,计算各个检查项目的预计等待时间;
根据预计等待时间对检查项目按照从小到大排序,得到初始排队队列;
根据检查项目要求信息以及各个检查项目之间的相关性信息更新初始排队队列,得到更新后的排队队列;
根据更新后的排队队列以及患者的预计检查时间,自动进行预约排号。
在一个可选地实施方式中,根据检查项目要求信息以及各个检查项目之间的相关性信息更新初始排队队列,包括:
获取各个检查项目之间的相关性信息,将具有相关性的检查项目作为检查项目组合;
将检查项目组合内的检查项目的排列顺序相连,并根据检查项目的要求信息更新具有检查要求项目的前后顺序。
在一个可选地实施方式中,导诊模块603用于获取用户的实时位置信息、医院地图信息以及更新后的排队队列信息;
根据实时位置信息以及医院地图信息自动生成到每个检查项目的导航路线;
获取各个检查项目的预计等待时间信息以及检查注意事项信息;
根据导航路线、注意事项信息以及预计等待时间生成导诊图,并将导诊图返回到用户客户端。
需要说明的是,上述实施例提供的医疗检查项目的智能推荐装置在执行医疗检查项目的智能推荐方法时,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将设备的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。另外,上述实施例提供的医疗检查项目的智能推荐装置与医疗检查项目的智能推荐方法实施例属于同一构思,其体现实现过程详见方法实施例,这里不再赘述。
在一个实施例中,提出了一种计算机设备,计算机设备包括存储器、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,处理器执行计算机程序时实现以下步骤:获取用户的问诊数据;将问诊数据输入预训练的特殊检查项目推荐模型,得到输出的一个或多个特殊检查项目以及对应的概率;将输出的一个或多个特殊检查项目以及对应的概率返回到客户端,并接收用户输入的特殊检查项目选择信息,根据特殊检查项目选择信息自动预约排号,并生成检查项目的导诊图。
在一个可选地实施方式中,将问诊数据输入预训练的特殊检查项目推荐模型之前,还包括:
获取大量用户的电子病历数据,并对电子病历数据进行预处理,得到训练数据集;
构建特殊检查项目推荐模型的神经网络模型,神经网络模型包括语言表示模块、特征表示模块、向量拼接模块、全连接模块以及归一化模块;
根据训练数据集对构建的神经网络模型进行训练,得到训练好的特殊检查项目推荐模型。
在一个可选地实施方式中,对电子病历数据进行预处理,得到训练数据集,包括:
提取电子病历数据中的非结构化数据,非结构化数据包括用户主诉数据、现病史数据以及既往病史数据;
提取电子病历数据中的结构化数据,结构化数据包括年龄、性别、身高以及体重;
提取电子病历数据中的检查项目数据,根据检查项目的价格信息和类别信息筛选得到特殊检查项目;
将结构化数据、非结构化数据作为特殊检查项目推荐模型的输入数据,将特殊检查项目作为特殊检查项目推荐模型的输出数据,得到训练数据集。
在一个可选地实施方式中,接收用户输入的特殊检查项目选择信息之后,还包括:
根据特殊检查项目选择信息以及问诊数据,更新特殊检查项目推荐模型,得到更新后的特殊检查项目推荐模型。
在一个可选地实施方式中,根据特殊检查项目选择信息自动预约排号,包括:
获取特殊检查项目选择信息、常规检查项目选择信息、与检查项目对应的检查科室排队信息、检查项目要求信息以及各个检查项目之间的相关性信息;
根据各个检查项目对应的排队信息以及预设的人均检查时长,计算各个检查项目的预计等待时间;
根据预计等待时间对检查项目按照从小到大排序,得到初始排队队列;
根据检查项目要求信息以及各个检查项目之间的相关性信息更新初始排队队列,得到更新后的排队队列;
根据更新后的排队队列以及患者的预计检查时间,自动进行预约排号。
在一个可选地实施方式中,根据检查项目要求信息以及各个检查项目之间的相关性信息更新初始排队队列,包括:
获取各个检查项目之间的相关性信息,将具有相关性的检查项目作为检查项目组合;
将检查项目组合内的检查项目的排列顺序相连,并根据检查项目的要求信息更新具有检查要求项目的前后顺序。
在一个可选地实施方式中,生成检查项目的导诊图,包括:
获取用户的实时位置信息、医院地图信息以及更新后的排队队列信息;
根据实时位置信息以及医院地图信息自动生成到每个检查项目的导航路线;
获取各个检查项目的预计等待时间信息以及检查注意事项信息;
根据导航路线、注意事项信息以及预计等待时间生成导诊图,并将导诊图返回到用户客户端。
在一个实施例中,提出了一种存储有计算机可读指令的存储介质,该计算机可读指令被一个或多个处理器执行时,使得一个或多个处理器执行以下步骤:获取用户的问诊数据;将问诊数据输入预训练的特殊检查项目推荐模型,得到输出的一个或多个特殊检查项目以及对应的概率;将输出的一个或多个特殊检查项目以及对应的概率返回到客户端,并接收用户输入的特殊检查项目选择信息,根据特殊检查项目选择信息自动预约排号,并生成检查项目的导诊图。
在一个可选地实施方式中,将问诊数据输入预训练的特殊检查项目推荐模型之前,还包括:
获取大量用户的电子病历数据,并对电子病历数据进行预处理,得到训练数据集;
构建特殊检查项目推荐模型的神经网络模型,神经网络模型包括语言表示模块、特征表示模块、向量拼接模块、全连接模块以及归一化模块;
根据训练数据集对构建的神经网络模型进行训练,得到训练好的特殊检查项目推荐模型。
在一个可选地实施方式中,对电子病历数据进行预处理,得到训练数据集,包括:
提取电子病历数据中的非结构化数据,非结构化数据包括用户主诉数据、现病史数据以及既往病史数据;
提取电子病历数据中的结构化数据,结构化数据包括年龄、性别、身高以及体重;
提取电子病历数据中的检查项目数据,根据检查项目的价格信息和类别信息筛选得到特殊检查项目;
将结构化数据、非结构化数据作为特殊检查项目推荐模型的输入数据,将特殊检查项目作为特殊检查项目推荐模型的输出数据,得到训练数据集。
在一个可选地实施方式中,接收用户输入的特殊检查项目选择信息之后,还包括:
根据特殊检查项目选择信息以及问诊数据,更新特殊检查项目推荐模型,得到更新后的特殊检查项目推荐模型。
在一个可选地实施方式中,根据特殊检查项目选择信息自动预约排号,包括:
获取特殊检查项目选择信息、常规检查项目选择信息、与检查项目对应的检查科室排队信息、检查项目要求信息以及各个检查项目之间的相关性信息;
根据各个检查项目对应的排队信息以及预设的人均检查时长,计算各个检查项目的预计等待时间;
根据预计等待时间对检查项目按照从小到大排序,得到初始排队队列;
根据检查项目要求信息以及各个检查项目之间的相关性信息更新初始排队队列,得到更新后的排队队列;
根据更新后的排队队列以及患者的预计检查时间,自动进行预约排号。
在一个可选地实施方式中,根据检查项目要求信息以及各个检查项目之间的相关性信息更新初始排队队列,包括:
获取各个检查项目之间的相关性信息,将具有相关性的检查项目作为检查项目组合;
将检查项目组合内的检查项目的排列顺序相连,并根据检查项目的要求信息更新具有检查要求项目的前后顺序。
在一个可选地实施方式中,生成检查项目的导诊图,包括:
获取用户的实时位置信息、医院地图信息以及更新后的排队队列信息;
根据实时位置信息以及医院地图信息自动生成到每个检查项目的导航路线;
获取各个检查项目的预计等待时间信息以及检查注意事项信息;
根据导航路线、注意事项信息以及预计等待时间生成导诊图,并将导诊图返回到用户客户端。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,该计算机程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)等非易失性存储介质,或随机存储记忆体(Random Access Memory,RAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种医疗检查项目的智能推荐方法,其特征在于,包括:
获取用户的问诊数据;
将所述问诊数据输入预训练的特殊检查项目推荐模型,得到输出的一个或多个特殊检查项目以及对应的概率;
将输出的一个或多个特殊检查项目以及对应的概率返回到客户端,并接收用户输入的特殊检查项目选择信息,根据所述特殊检查项目选择信息自动预约排号,并生成检查项目的导诊图。
2.根据权利要求1所述的方法,其特征在于,将所述问诊数据输入预训练的特殊检查项目推荐模型之前,还包括:
获取大量用户的电子病历数据,并对所述电子病历数据进行预处理,得到训练数据集;
构建所述特殊检查项目推荐模型的神经网络模型,所述神经网络模型包括语言表示模块、特征表示模块、向量拼接模块、全连接模块以及归一化模块;
根据所述训练数据集对构建的神经网络模型进行训练,得到训练好的特殊检查项目推荐模型。
3.根据权利要求2所述的方法,其特征在于,对所述电子病历数据进行预处理,得到训练数据集,包括:
提取所述电子病历数据中的非结构化数据,所述非结构化数据包括用户主诉数据、现病史数据以及既往病史数据;
提取所述电子病历数据中的结构化数据,所述结构化数据包括年龄、性别、身高以及体重;
提取所述电子病历数据中的检查项目数据,根据检查项目的价格信息和类别信息筛选得到特殊检查项目;
将所述结构化数据、非结构化数据作为所述特殊检查项目推荐模型的输入数据,将所述特殊检查项目作为所述特殊检查项目推荐模型的输出数据,得到训练数据集。
4.根据权利要求1所述的方法,其特征在于,接收用户输入的特殊检查项目选择信息之后,还包括:
根据所述特殊检查项目选择信息以及问诊数据,更新所述特殊检查项目推荐模型,得到更新后的特殊检查项目推荐模型。
5.根据权利要求1所述的方法,其特征在于,根据所述特殊检查项目选择信息自动预约排号,包括:
获取所述特殊检查项目选择信息、常规检查项目选择信息、与所述检查项目对应的检查科室排队信息、检查项目要求信息以及各个检查项目之间的相关性信息;
根据各个检查项目对应的排队信息以及预设的人均检查时长,计算各个检查项目的预计等待时间;
根据所述预计等待时间对所述检查项目按照从小到大排序,得到初始排队队列;
根据所述检查项目要求信息以及各个检查项目之间的相关性信息更新所述初始排队队列,得到更新后的排队队列;
根据所述更新后的排队队列以及患者的预计检查时间,自动进行预约排号。
6.根据权利要求5所述的方法,其特征在于,根据所述检查项目要求信息以及各个检查项目之间的相关性信息更新所述初始排队队列,包括:
获取各个检查项目之间的相关性信息,将具有相关性的检查项目作为检查项目组合;
将所述检查项目组合内的检查项目的排列顺序相连,并根据检查项目的要求信息更新具有检查要求项目的前后顺序。
7.根据权利要求6所述的方法,其特征在于,生成检查项目的导诊图,包括:
获取用户的实时位置信息、医院地图信息以及更新后的排队队列信息;
根据所述实时位置信息以及医院地图信息自动生成到每个检查项目的导航路线;
获取各个检查项目的预计等待时间信息以及检查注意事项信息;
根据所述导航路线、注意事项信息以及预计等待时间生成导诊图,并将所述导诊图返回到用户客户端。
8.一种医疗检查项目的智能推荐装置,其特征在于,包括:
获取模块,用于获取用户的问诊数据;
推荐模块,用于将所述问诊数据输入预训练的特殊检查项目推荐模型,得到输出的一个或多个特殊检查项目以及对应的概率;
导诊模块,用于将输出的一个或多个特殊检查项目以及对应的概率返回到客户端,并接收用户输入的特殊检查项目选择信息,根据所述特殊检查项目选择信息自动预约排号,并生成检查项目的导诊图。
9.一种计算机设备,包括存储器和处理器,所述存储器中存储有计算机可读指令,所述计算机可读指令被所述处理器执行时,使得所述处理器执行如权利要求1至7中任一项权利要求所述的医疗检查项目的智能推荐方法。
10.一种存储有计算机可读指令的存储介质,所述计算机可读指令被一个或多个处理器执行时,使得一个或多个处理器执行如权利要求1至7中任一项权利要求所述的医疗检查项目的智能推荐方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211095905.2A CN115620879A (zh) | 2022-09-08 | 2022-09-08 | 医疗检查项目的智能推荐方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211095905.2A CN115620879A (zh) | 2022-09-08 | 2022-09-08 | 医疗检查项目的智能推荐方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115620879A true CN115620879A (zh) | 2023-01-17 |
Family
ID=84859174
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211095905.2A Pending CN115620879A (zh) | 2022-09-08 | 2022-09-08 | 医疗检查项目的智能推荐方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115620879A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116230192A (zh) * | 2023-05-09 | 2023-06-06 | 菏泽医学专科学校 | 一种医疗信息处理系统及方法 |
-
2022
- 2022-09-08 CN CN202211095905.2A patent/CN115620879A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116230192A (zh) * | 2023-05-09 | 2023-06-06 | 菏泽医学专科学校 | 一种医疗信息处理系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR101818074B1 (ko) | 인공지능 기반 의료용 자동 진단 보조 방법 및 그 시스템 | |
US20030126101A1 (en) | Patient data mining for diagnosis and projections of patient states | |
US7805385B2 (en) | Prognosis modeling from literature and other sources | |
US8579784B2 (en) | Personalized prognosis modeling in medical treatment planning | |
JP7010946B2 (ja) | 健康状態の計算解析を容易化するシステム及び方法 | |
US20200075139A1 (en) | Methods for automatic cohort selection in epidemiologic studies and clinical trials | |
EP3471107A1 (en) | Medical device and computer-implemented method of predicting risk, occurrence or progression of adverse health conditions in test subjects in subpopulations arbitrarily selected from a total population | |
CN113130054A (zh) | 一种就诊服务方法和系统 | |
EP3537454A1 (en) | Healthcare network | |
CN111145909A (zh) | 诊疗数据处理方法与装置、存储介质、电子设备 | |
KR20190006754A (ko) | 가족 관리 기능을 구비한 병원 예약시스템 | |
CN114078593A (zh) | 临床决策支持 | |
CN115620879A (zh) | 医疗检查项目的智能推荐方法、装置、设备及存储介质 | |
CN111798968A (zh) | 一种智能挂号系统 | |
KR102165699B1 (ko) | 사용자 맞춤형 실시간 피부질환 관리시스템 | |
Lau et al. | Deep learning–enabled assessment of left heart structure and function predicts cardiovascular outcomes | |
JP7024450B2 (ja) | コンピュータプログラム、支援装置及び支援方法 | |
EP2979161B1 (en) | Preferred view generation on structure level based on user preferences | |
CN113160914A (zh) | 在线问诊方法、装置、电子设备及存储介质 | |
CN115719640B (zh) | 中医主次症状识别系统、装置、电子设备及其存储介质 | |
US20170186120A1 (en) | Health Care Spend Analysis | |
GB2582195A (en) | Medical institution selection server and medical institution selection method | |
US20200294682A1 (en) | Medical interview apparatus | |
JP6948497B1 (ja) | 生体情報評価システム及び生体情報評価プログラム | |
CN113744897A (zh) | 网络问诊方法、计算机装置和存储介质 |
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 |