CN116013450A - 病患的急诊级别确定方法、装置、设备和存储介质 - Google Patents

Abstract

本申请公开了一种病患的急诊级别确定方法、装置、设备和存储介质，所述方法包括：确定所述病患的至少一个第一症状；从所述至少一个第一症状中确定出第一主症状和至少一个第一伴随症状；根据每一所述第一伴随症状和预设的第一伴随症状库的至少一个参考伴随症状中每一所述参考伴随症状之间的第一相似度，从所述至少一个参考伴随症状中确定出目标参考伴随症状；所述第一伴随症状库为与所述第一主症状对应的伴随症状库；将所述目标参考伴随症状对应的急诊级别确定为所述病患的急诊级别。

Description

病患的急诊级别确定方法、装置、设备和存储介质

技术领域

本申请涉及自然语言处理技术领域，涉及但不限于一种病患的急诊级别确定方法、装置、设备和存储介质。

背景技术

相关技术中，医护人员一般将通过仪器测量到的急诊病患的数值型体征数据输入到医院信息系统的界面，并在所述界面的主诉文本框中，从预设的症状词库中选择多个症状描述词，对于症状词库中没有的症状描述词，医护人员可以手动输入，最后由医护人员人工设定急诊级别到1至4级中的某级，并手动输入到医院信息系统的界面。

然而因为症状词库的有限性，很难准确地描述当前急诊病患的体征情况，此外，人工定级的方式要求医护人员熟练掌握急诊分级标准，并有丰富的医学经验，否则很容易造成不合理的分级。

发明内容

有鉴于此，本申请实施例提供一种病患的急诊级别确定方法、装置、设备和存储介质。

第一方面，本申请实施例提供一种病患的急诊级别确定方法，所述方法包括：确定所述病患的至少一个第一症状；从所述至少一个第一症状中确定出第一主症状和至少一个第一伴随症状；根据每一所述第一伴随症状和预设的第一伴随症状库的至少一个参考伴随症状中每一所述参考伴随症状之间的第一相似度，从所述至少一个参考伴随症状中确定出目标参考伴随症状；所述第一伴随症状库为与所述第一主症状对应的伴随症状库；将所述目标参考伴随症状对应的急诊级别确定为所述病患的急诊级别。

第二方面，本申请实施例提供一种病患的急诊级别确定装置，包括：第一确定模块，用于确定所述病患的至少一个第一症状；分类模块，用于从所述至少一个第一症状中确定出第一主症状和至少一个第一伴随症状；筛选模块，用于根据每一所述第一伴随症状和预设的第一伴随症状库的至少一个参考伴随症状中每一所述参考伴随症状之间的第一相似度，从所述至少一个参考伴随症状中确定出目标参考伴随症状；所述第一伴随症状库为与所述第一主症状对应的伴随症状库；第二确定模块，用于将所述目标参考伴随症状对应的急诊级别确定为所述病患的急诊级别。

第三方面，本申请实施例提供一种设备，包括存储器和处理器，所述存储器存储有可在处理器上运行的计算机程序，所述处理器执行所述程序时实现本申请实施例第一方面所述病患的急诊级别确定方法中的步骤。

第四方面，本申请实施例提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现本申请实施例第一方面所述病患的急诊级别确定方法中的步骤。

本申请实施例中，通过从病患的第一症状中确定出第一主症状和第一伴随症状，并根据第一伴随症状和第一伴随症状库中的参考伴随症状之间的相似度，确定出目标参考伴随症状，并将目标参考伴随症状对应的急诊级别确定为病患的急诊级别，从而能够准确、合理、高效地确定病患的急诊级别，使得急诊资源得到合理使用。

附图说明

图1为本申请实施例一种病患的急诊级别确定方法的应用场景示意图；

图2为本申请实施例一种病患的急诊级别确定方法的流程示意图；

图3为本申请实施例一种通过已训练的命名实体识别网络确定第一症状的流程示意图；

图4为本申请实施例一种确定病患的第一症状的流程示意图；

图5为本申请实施例一种参考主症状节点的示意图；

图6为本申请实施例一种第一伴随症状库的示意图；

图7为本申请实施例一种特征提取模型的训练方法的流程示意图；

图8为本申请实施例一种基于BERT网络进行特征提取的流程示意图；

图9为本申请实施例一种提取第一伴随症状的一维特征的示意图；

图10为本申请实施例一种获取患者病情数据方法的流程示意图；

图11为本申请实施例一种损失函数loss计算方法的流程示意图；

图12为本申请实施例一种病患的急诊级别确定装置的组成结构示意图；

图13为本申请实施例设备的一种硬件实体示意图。

具体实施方式

下面结合附图和实施例对本申请的技术方案进一步详细阐述。

图1为本申请实施例一种病患的急诊级别确定方法的应用场景示意图，参见图1，医护人员可以向医院信息系统(Hospital Information System，HIS)的前端界面101(又称HIS系统界面)语音录入病患症状，即病情描述102，所述病情描述102可以是病情描述语音，所述前端界面101将所述病情描述语音发送至HIS的后端分诊服务103(又称分诊服务)，所述后端分诊服务103通过语言转文字的技术，得到病情描述文本，所述后端分诊服务103可以根据所述病情描述文本104确定所述病患的急诊级别(即分诊结果)，并将所述急诊级别发送至所述前端界面101进行显示，供医护人员记录和查看。

在另一个实施例中，医护人员可以直接向所述前端界面101文字录入病患症状，即病情描述102，所述病情描述可以是病情描述文本，所述前端界面101将所述病情描述文本发送至HIS的后端分诊服务103，所述后端分诊服务103可以根据所述病情描述文本确定所述病患的急诊级别，并将所述急诊级别发送至所述前端界面101进行显示，供医护人员记录和查看。

图2为本申请实施例一种病患的急诊级别确定方法的流程示意图，如图2所示，该方法包括：

步骤202：确定所述病患的至少一个第一症状；

其中，所述病患可以是急诊就诊的患者；所述第一症状可以是数值型的单项性能指标，如体温36度，呼吸频率25次每分钟，心率100次每分钟等；所述第一症状还可以是文本型的风险性能指标，如“心搏骤停”、“持续性胸痛”、“活动性或严重失血”、“耳鸣”、“头痛”和“呕吐”等。

其中，单项性能指标的数值可以直接从精密测试仪器上获取，急诊等级和对应指标项的阈值比较明确，很容易根据单项性能指标进行急诊分级；而文本型的风险性能指标可能来源于病患或医护人员的描述，由于语言的丰富性，很难完全匹配到分级标准中的标准风险指标项的描述。

步骤204：从所述至少一个第一症状中确定出第一主症状和至少一个第一伴随症状；

其中，所述至少一个伴随症状可以是除所述第一主症状外的其他第一症状。

步骤206：根据每一所述第一伴随症状和预设的第一伴随症状库的至少一个参考伴随症状中每一所述参考伴随症状之间的第一相似度，从所述至少一个参考伴随症状中确定出目标参考伴随症状；所述第一伴随症状库为与所述第一主症状对应的伴随症状库；

其中，每一主症状都可以对应一个伴随症状库，表1为本申请实施例提供的一种伴随症状库，参见表1，所述伴随症状库中包括多个分属于不同急诊级别的参考伴随症状，1级的参考伴随症状包括心搏骤停、呼吸骤停、气道阻塞或窒息、休克征象和明确心肌梗死等；2级的参考伴随症状包括严重呼吸困难、循环障碍、急性脑卒中、持续性胸痛和急性中毒等；3级的参考伴随症状包括急性哮喘、头外伤、间断癫痫发作、持续呕吐和中等程度的非心源性胸痛等，4级的参考伴随症状包括病情稳定、症状轻微、无危险特征的微疼痛和轻微的精神行为异常等；由表1可以看出，1级级别最高，症状最严重，4级级别最低，症状最轻微。

表1

级别	伴随症状指标库
		1	心搏骤停/呼吸骤停/气道阻塞或窒息/休克征象/明确心肌梗死......
2	严重呼吸困难/循环障碍/急性脑卒中/持续性胸痛/急性中毒......
		3	急性哮喘/头外伤/间断癫痫发作/持续呕吐/中等程度的非心源性胸痛......
4	病情稳定/症状轻微/无危险特征的微疼痛/轻微的精神行为异常......

步骤208：将所述目标参考伴随症状对应的急诊级别确定为所述病患的急诊级别。

其中，假设目标参考伴随症状包括1级的“心搏骤停”和3级的“急性哮喘”，则可以以最高级别1级为所述病患的急诊级别。

需要说明的是，可以利用本申请实施例提出的病患的急诊分级方法分别进行单项性能指标的急诊分级以及风险性能指标的急诊分级，将两种指标的分级结果进行综合分析，将得到的综合分析结果作为所述病患的急诊级别。

还可以利用本申请实施例提出的病患的急诊分级方法进行风险性能指标的急诊分级，利用急诊级别和单项性能指标的数值的对应关系进行单项性能指标的急诊分级，将两种指标的分级结果进行综合分析，将得到的综合分析结果作为所述病患的急诊级别。

本申请实施例中，通过从病患的第一症状中确定出第一主症状和第一伴随症状，并根据第一伴随症状和第一伴随症状库中的参考伴随症状之间的相似度，确定出目标参考伴随症状，并将目标参考伴随症状对应的急诊级别确定为病患的急诊级别，从而能够准确、合理、高效地确定病患的急诊级别，使得急诊资源得到合理使用。

本申请实施例还提供一种病患的急诊级别确定方法，所述方法包括：

步骤S202：获取所述病患的病情描述信息；

其中，所述病情描述信息可以包括所述病患的发病时间和主要症状等，所述病情描述信息可以是“间歇性耳鸣、急性头痛并呕吐”、“心搏骤停、严重失血”等。

步骤S204：根据所述病情描述信息和已训练的症状识别模型，确定所述病患的至少一个第一症状；

其中，所述病情描述信息可以是病情描述语音、病情描述文本以及病情描述视频等；所述症状识别模型可以是命名实体识别(Name Entity Recognize，NER)网络，Transformer的双向编码器表示(Bidirectional Encoder Representation fromTransformers，BERT)网络后接长短期记忆网络(Long Short-Term Memory，LSTM)和条件随机场(Conditional Random Field，CRF)网络可以构成命名实体识别网络。

图3为本申请实施例一种通过已训练的命名实体识别网络确定第一症状的流程示意图，参见图3，病情描述文本301经过命名实体识别网络的BERT网络302、LSTM网络303和CRF网络304，确定出多个第一症状305，所述第一症状305包括症状1、症状2、……症状n。

其中，BERT网络为之前预训练好的网络模型，主要用来提取病情描述文本的特征。在BERT中可以通过position embedding(即位置嵌入)告诉BERT模型输入单词的位置信息，即在计算的过程当中是弱化了位置信息的，而在序列标注任务当中位置信息是很有必要的，甚至方向信息也很有必要，所以本申请实施例采用LSTM学习到观测序列上的依赖关系，最后再用CRF学习得到状态序列的关系，输出为每个输入字的标记。

图4为本申请实施例一种确定病患的第一症状的流程示意图，参见图4，可以向命名实体识别网络402中输入病情描述信息401“耳鸣、急性头痛并呕吐”，所述命名实体识别网络402输出对应的第一症状403“耳鸣”、“头痛”和“呕吐”。

步骤S206：根据每一所述第一症状和预设的主症状库的至少一个参考主症状中每一所述参考主症状之间的第二相似度，从所述至少一个第一症状中确定出第一主症状和至少一个第一伴随症状；

参见图4，在一个实施例中，可以根据第一症状与参考主症状之间的相似度，从第一症状403“耳鸣”、“头痛”和“呕吐”中，将“耳鸣”确定为第一主症状404，将“头痛”和“呕吐”确定为第一伴随症状405，第一伴随症状405所在的子句“急性头痛并呕吐”为伴随症状描述子句406。

在一个实施例中，可以基于neo4j图数据库，建立主症状库，主症状库又可以称为主症状知识图谱，主症状库中包括多个参考主症状，每个参考主症状是独立的节点，每个节点可以和它的可替换节点相关联；图5为本申请实施例一种参考主症状节点的示意图，参见图5，腹痛节点50，可包含下腹疼痛501，下腹胀痛502，下腹绞痛503，上腹部疼痛504，右下腹压痛505。如果命名实体识别症状部分，识别到图5中任何一个参考主症状，都可以规范到“腹痛”这个参考主症状。

步骤S208：根据每一所述第一伴随症状和预设的第一伴随症状库的至少一个参考伴随症状中每一所述参考伴随症状之间的第一相似度，从所述至少一个参考伴随症状中确定出目标参考伴随症状；所述第一伴随症状库为与所述第一主症状对应的伴随症状库；

步骤S210：将所述目标参考伴随症状对应的急诊级别确定为所述病患的急诊级别。

本申请实施例中，通过根据病患的病情描述信息和症状识别模型，确定病患的第一症状，从而能够提高病患症状确定的准确性和智能化；通过计算第一症状与预设的主症状库中的参考主症状之间的相似度，确定出第一症状中的第一主症状，从而能够提高确定出的第一主症状的准确度。

本申请实施例还提供一种病患的急诊级别确定方法，所述方法包括：

步骤S302：获取所述病患的病情描述语音，将所述病情描述语音转化为病情描述文本；或者，获取所述病患的病情描述文本；

步骤S304：根据所述病情描述文本和已训练的症状识别模型，确定所述病患的至少一个第一症状；

步骤S306：按照预设的匹配顺序，确定每一所述第一症状和每一所述参考主症状之间的第二相似度；

步骤S308：将最高的第二相似度对应的参考主症状确定为候选主症状；

步骤S310：根据所述候选主症状，确定第一主症状；

步骤S312：将除所述第一主症状外的其他第一症状确定为第一伴随症状；

步骤S314：确定每一所述第一伴随症状的第一文本特征；

步骤S316：确定每一参考伴随症状的第二文本特征；

步骤S318：确定每一所述第一文本特征和每一所述第二文本特征之间的相似度；

步骤S320：将相似度大于第一阈值的第二文本特征对应的参考伴随症状确定为目标参考伴随症状；

步骤S322：将所述目标参考伴随症状对应的急诊级别确定为所述病患的急诊级别。

其中，可以分别提取第一伴随症状库中每个参考伴随症状的第二文本特征，所述第二文本特征可以用一维向量[y₁,y₂...y_n]表示，和第一伴随症状所在子句的第一文本特征，所述第一文本特征可以用一维向量[x₁,x₂...x_n]表示，本申请实施例可以采用余弦相似度算法计算两个向量之间的相似度。向量之间的相似度数值即为两个语句的相似性数值；可以根据经验预设一个阈值为T，相似性数值大于阈值T的，认为匹配到此标准风险语句(即目标参考伴随症状)，并根据标准风险语句所属的急诊级别对病患定级；在相似度数据大于T的参考伴随症状为多个的情况下，可以根据匹配的顺序，将最先匹配到的相似度数值大于阈值T的参考伴随症状确定为目标参考伴随症状。第一文本特征和第二文本特征的余弦相似度计算方法如下公式(1)所示：

图6为本申请实施例一种第一伴随症状库的示意图，参见图6，可以将患者的病情描述语音61转换为病情描述文本62，根据所述病情描述文本62，确定第一症状63(即症状实体)，从所述第一症状63中确定出第一主症状631和第一伴随症状632，利用BERT网络提取每一第一伴随症状632所在子句的第一文本特征。

第一主症状631(即主症状1)对应的所述第一伴随症状库6311中包括多个属于不同急诊级别的第一伴随症状，例如1级的“心脏骤停”，2级的“严重呼吸困难”，3级的“急性哮喘”和4级的“病情稳定”，可以利用BERT网络提取每一所述参考伴随症状的第二文本特征，并计算每一所述第一文本特征和每一所述第二文本特征之间的相似度，将最先匹配到的相似度数值大于阈值T的参考伴随症状确定为目标参考伴随症状，将目标参考伴随症状对应的急诊级别(即急救等级)确定为所述病患的急诊级别。

本申请实施例中，既可以获取所述病患的病情描述语音，将病情描述语音转换为病情描述文本后输入至症状识别模型，也可以直接获取所述病患的病情描述文本输入至症状识别模型，提高了获取到的病情描述信息的多样性；通过确定第一文本特征和第二文本特征之间的相似度，从而能够更准确地确定与第一伴随症状相似度较高的参考伴随症状作为目标参考伴随症状。

本申请实施例还提供一种病患的急诊级别确定方法，所述方法包括：

步骤S402：获取所述病患的病情描述语音，将所述病情描述语音转化为病情描述文本；或者，获取所述病患的病情描述文本；

步骤S404：根据所述病情描述文本和已训练的症状识别模型，确定所述病患的至少一个第一症状；

步骤S406：按照预设的匹配顺序，确定每一所述第一症状和每一所述参考主症状之间的第二相似度；

步骤S408：将最高的第二相似度对应的参考主症状确定为候选主症状；

其中，所述参考主症状包括规范主症状和所述规范主症状关联的不规范主症状，则所述候选主症状也包括规范主症状和关联的不规范主症状；参见图5，所述规范主症状为“腹痛”，“腹痛”关联的不规范主症状包括“下腹疼痛”、“下腹胀痛”、“下腹绞痛”、“上腹部疼痛”和“右下腹压痛”等。

步骤S410：在候选主症状为规范主症状的情况下，将所述候选主症状确定为第一主症状；

步骤S412：在所述候选主症状为不规范主症状的情况下，将所述候选主症状关联的规范主症状确定为第一主症状；参见图5，在候选主症状为“腹痛”的情况下，可以将“腹痛”确定为第一主症状；在候选主症状为“下腹疼痛”、“下腹胀痛”、“下腹绞痛”、“上腹部疼痛”和“右下腹压痛”中任一时，可以将关联的“腹痛”确定为第一主症状。

步骤S414：将除所述第一主症状外的其他第一症状确定为第一伴随症状；

步骤S416：确定每一所述第一伴随症状的第一文本特征；

步骤S418：确定每一参考伴随症状的第二文本特征；

步骤S420：确定每一所述第一文本特征和每一所述第二文本特征之间的相似度；

步骤S422：将相似度大于第一阈值的第二文本特征对应的参考伴随症状确定为目标参考伴随症状；

步骤S424：将所述目标参考伴随症状对应的急诊级别确定为所述病患的急诊级别。

本申请实施例中，在候选主症状不规范的情况下，可以将候选主症状关联的规范主症状确定为第一主症状，从而可以提高第一主症状确定的规范性。

本申请实施例还提供一种病患的急诊级别确定方法，所述方法包括：

步骤S502：获取至少一个历史病情文本；

图7为本申请实施例一种特征提取模型的训练方法的流程示意图，参见图7，所述历史病情文本701为采集到的样本数据，可以是“乙肝两对半检查结果阳性”，历史病情文本的总长度为11，即包括11个字。

步骤S504：对每一所述历史病情文本中的预设替换位置的部分文本进行替换处理，得到对应历史病情样本；

参见图7，可以从整个历史病情文本“乙肝两对半检查结果阳性”中选取一定比例(如15％)的字，约为2个字，例如“肝”和“阳”替换为[MASK]，来构造训练样本，将替换之后的语句“乙[MASK]两对半检查结果为[MASK]性”作为历史病情文本702。

步骤S506：利用特征提取模型提取每一所述历史病情样本的第四文本特征；

其中，所述特征提取模块是提取文本特征的深度学习模型，所述特征提取模型可以是BERT网络，被替换为[MASK]的字可以认为被覆盖，所述特征提取模型根据上下文预测被覆盖的字。

图8为本申请实施例一种基于BERT网络进行特征提取的流程示意图，参见图8，向BERT网络80输入训练样本sequence801，所述训练样本可以是历史病情样本，经过BERT网络80，输出样本特征802，所述样本特征可以是第四文本特征，在BERT网络中包括嵌入层Embedding803、多头注意力层Multi-Head Attention804、前馈网络层Feed Forward805和Add&Norm层806；sequence801先进入Embedding层803，再到达多头注意力层804、前馈网络层805和Add&Norm层806，多头注意力层804和前馈网络层805的输出被送到Add&Norm层806进行处理，Add&Norm层806包含残差结构以及层归一化。

步骤S508：利用所述特征提取模型提取每一所述历史病情文本中所述预设替换位置的第五文本特征；

其中，可以从第四文本特征703中提取出这两个[MASK]位置(即预设替换位置)对应的第五文本特征704。

步骤S510：基于文本特征字典和每一所述第五文本特征，确定每一所述历史病情文本中所述预设替换位置的字；

其中，基于文本特征字典和每一所述第五文本特征，可以预测[MASK]位置映射到字典中的字705，即预测得到了[MASK]位置处的字在文本特征字典中的位置。

步骤S512：基于每一所述预设替换位置的字和每一所述预设替换位置的独热编码，对所述特征提取模型进行更新；

步骤S514：获取所述病患的病情描述语音，将所述病情描述语音转化为病情描述文本；或者，获取所述病患的病情描述文本；

步骤S516：根据所述病情描述文本和已训练的症状识别模型，确定所述病患的至少一个第一症状；

步骤S518：按照预设的匹配顺序，确定每一所述第一症状和每一所述参考主症状之间的第二相似度；

步骤S520：在最高的第二相似度对应的参考主症状为多个的情况下，将最高的第二相似度对应的参考主症状中匹配顺序最前的参考主症状确定为候选主症状；

其中，可以将最先匹配到的参考主症状确定为候选主症状。

步骤S522：在候选主症状为规范主症状的情况下，将所述候选主症状确定为第一主症状；

步骤S524：在所述候选主症状为不规范主症状的情况下，将所述候选主症状关联的规范主症状确定为第一主症状；

步骤S526：将除所述第一主症状外的其他第一症状确定为第一伴随症状；

步骤S528：利用已训练的特征提取模型提取每一所述第一伴随症状的第三文本特征；

参见图8，向BERT网络80输入训练样本sequence801，所述训练样本可以是第一伴随症状所在子句，经过BERT网络80，输出样本特征802，所述样本特征可以是第三文本特征。

步骤S530：对每一所述第三文本特征进行平均池化处理，得到对应第一伴随症状的第一文本特征；

其中，图9为本申请实施例一种提取第一伴随症状的一维特征的示意图，参见图9，可以基于预训练好的BERT网络模型91提取第一伴随症状901所在子句的的文本特征，即第三文本特征902，第三文本特征902的维度可以表示为[sequence_length，embedding_size]，通过平均池化处理(Avg Pool)903后，输出一维的向量维度为[embedding_size]表示整个句子的特征，即第一伴随症状的第一文本特征904。

步骤S532：确定每一参考伴随症状的第二文本特征；

步骤S534：确定每一所述第一文本特征和每一所述第二文本特征之间的相似度；

步骤S536：将相似度大于第一阈值的第二文本特征对应的参考伴随症状确定为目标参考伴随症状；

步骤S538：将所述目标参考伴随症状对应的急诊级别确定为所述病患的急诊级别。

本申请实施例中，通过利用历史病情文本对所述特征提取模型进行更新训练，可以提高特征提取模型提取特征的准确性；在最高的第二相似度对应的参考主症状为多个时，根据匹配顺序从参考主症状中确定候选主症状，可以确定唯一的候选主症状；通过对提取出的文本特征进行平均池化处理，从而可以得到一维文本特征，从而可以减少计算量和内存消耗，简化网络复杂度。

本申请实施例还提供一种病患的急诊级别确定方法，所述方法包括：

步骤S602：通过爬虫引擎获取至少一个医疗服务网站中病患的历史病情文本；

或者，通过关键词查询电子病例库中病患的历史病情文本；

图10为本申请实施例一种获取患者病情数据方法的流程示意图，参见图10，可以通过爬虫引擎1001爬取医疗健康网站库1002的问答数据中的疾病描述信息，比如“乙肝两对半检查结果阳性”等作为历史病情文本，并将所述历史病情文本进行处理后存入数据库1003中，所述数据库1003可以是mysql数据库；所述医疗健康网站库1002又可以称为医疗服务网站，可以是预先选定的多个提供真实医生的在线医疗健康咨询服务网站。

还可以通过爬虫引擎1001分配和管理当前的爬虫任务，爬取模块1004可以通过下载器1005并行爬取各个网站各个页面的患者病情数据等作为历史病情文本，并发送给爬虫引擎1001，爬虫引擎1001对爬取结果进行处理，比如去除一些无用词(语气词，助词或标点符号等)，处理之后的数据存入数据库1003。

此外，历史病情文本也可来源于医院的电子病历库，可以从多个患者的电子病历中，提取“主诉”，“现病史”，“既往史”，“查体”等关键词查询症状文本描述数据作为历史病情文本。

步骤S604：对每一所述历史病情文本中的预设替换位置的部分文本进行替换处理，得到对应历史病情样本；

步骤S606：利用所述嵌入层，对每一所述历史病情样本进行分词处理，得到对应历史病情样本的有序词集；

步骤S608：对每一所述有序词集中的词进行向量化处理，得到对应有序词集的词矩阵；

其中，所述嵌入层可以是Token Embedding，Segment Embeddings，PositionEmbeddings)求和得到的。

Token Embeddings：是词(词在中文中对应一个汉字)向量，第一个单词是CLS标志，可以用于之后的分类任务，最后一个单词的SEP标志着句子的结尾。

Segment Embeddings：用来区别两种句子，因为BERT的输入可以是单独一个句子，也可以是两个句子，当为两个句子时，Segment Embeddings分别用两个标识标志两个句子。

Position Embeddings：每个词在是句子中的位置是很重要信息，通过PositionEmbeddings来提取句子中每个词的位置特征。

步骤S610：利用所述转换层，根据每一所述词矩阵和所述特征提取模型的权重矩阵，得到每一所述历史病情样本的第四文本特征；

其中，所述权重矩阵包括Q，K，V矩阵，即Query，Key，Value矩阵，Transformer层是由多个Attention层的输出连接(concat)组成的。每个Attention的计算的输入为Q，K，V矩阵，其中Q，K，V矩阵由Embedding层的输出(词矩阵)做不同的矩阵变换后得到。Q和K矩阵进行Scale变换后，进行Softmax处理，之后再与V矩阵相乘得到最终的输出。三个权重矩阵，Query，Key，Value，用Query去和别的输入找关系，Key专门对付来跟自身找关系的输入。

步骤S612：利用所述特征提取模型提取每一所述历史病情文本中所述预设替换位置的第五文本特征；

步骤S614：基于文本特征字典和每一所述第五文本特征，确定每一所述历史病情文本中所述预设替换位置的字；

步骤S616：基于每一所述预设替换位置的字和每一所述预设替换位置的独热编码，确定交叉熵损失值；

步骤S618：在所述交叉熵损失值大于第二阈值的情况下，利用梯度下降算法，调整所述特征提取模型的权重矩阵，直至所述交叉熵损失值不大于所述第二阈值；

其中，所述独热编码又可以称为one-hot编码，被[MASK]替换掉的位置的字(部分文本)的one-hot(向量的长度为字典的长度，字典中对应的字的位置的数值为1，其余为0)表示为训练的标签数据。预测得到的预设替换位置的字的向量表示为预测数据。计算预测数据和标签数据的交叉熵损失值，作为最终的损失函数loss。通过梯度下降算法，迭代优化权重矩阵的网络权重，使loss值不断减小的过程即为特征提取模型的更新训练过程。

图11为本申请实施例一种损失函数loss计算方法的流程示意图，参见图11，可以先获取带有[MASK]标记的训练样本1101，再基于BERT网络提取训练样本的全句子特征1102，获取[MASK]标记的字的表示1103；获取[MASK]标记的字的one-hot表示1104，计算两者的交叉熵损失1105，将所述交叉熵损失1105作为loss。

步骤S620：获取所述病患的病情描述语音，将所述病情描述语音转化为病情描述文本；或者，获取所述病患的病情描述文本；

步骤S622：根据所述病情描述文本和已训练的症状识别模型，确定所述病患的至少一个第一症状；

步骤S624：按照预设的匹配顺序，确定每一所述第一症状和每一所述参考主症状之间的第二相似度；

步骤S626：在最高的第二相似度对应的参考主症状为多个的情况下，将最高的第二相似度对应的参考主症状中匹配顺序最前的参考主症状确定为候选主症状；

步骤S628：在候选主症状为规范主症状的情况下，将所述候选主症状确定为第一主症状；

步骤S630：在所述候选主症状为不规范主症状的情况下，将所述候选主症状关联的规范主症状确定为第一主症状；

步骤S632：将除所述第一主症状外的其他第一症状确定为第一伴随症状；

步骤S634：利用已训练的特征提取模型提取每一所述第一伴随症状的第三文本特征；

步骤S636：对每一所述第三文本特征进行平均池化处理，得到对应第一伴随症状的第一文本特征；

步骤S638：确定每一参考伴随症状的第二文本特征；

步骤S640：确定每一所述第一文本特征和每一所述第二文本特征之间的相似度；

步骤S642：将相似度大于第一阈值的第二文本特征对应的参考伴随症状确定为目标参考伴随症状；

步骤S644：将所述目标参考伴随症状对应的急诊级别确定为所述病患的急诊级别。

本申请实施例中，通过基于每一所述预设替换位置的字和每一所述预设替换位置的独热编码，确定交叉熵损失值，将交叉熵损失值作为损失函数，以对特征提取模型进行更新训练，从而可以提高特征提取模型提取特征的准确度。

本申请实施例属于自然语言处理NLP(Natural Language Processing)领域。涉及网络爬虫，无监督学习，文本特征提取，文本特征相似性判断等技术。通过网络爬虫搜集大量的无标记的医学症状描述文本，结合无监督学习技术，训练医学文本特征提取的深度学习模型。判断当前病患的病情描述文本和分级标准文本的相似性，可以对病患分诊分级到1至4级。

随着我国急诊医学的快速发展，急诊就诊量的逐年攀升，急诊预检分诊作为急诊患者就诊的首要环节发挥着越来越大的作用。急检分诊标准分为两种指标数据，分别为单项指标和标准风险指标。单项指标是指数值型的指标，又可以称为单项性能指标，比如体温36度，呼吸频率25次每分钟，心率100次每分钟等。单项指标的这些指标数值可从精密测试仪器上直接获取，急诊等级和对应指标项的阈值比较明确，很容易根据单项性能指标进行急诊分级。标准风险指标一般是指文本性的描述，又可以称为风险性能指标，比如“心搏骤停”，“持续性胸痛”，“活动性或严重失血”，这些文本性信息，可能来源于病患或医护人员的描述，由于语言的丰富性，很难完全匹配到分级标准中的标准风险指标项的描述。

相关技术中的医院信息系统一般是通过仪器(如温度器，血压仪等)测量得到病患的数值型体征数据，测量得到这些数据后，由医护人员手动输入HIS(医院信息系统Hospital Information System)的界面，并在所述界面的主诉文本框中，从预设的词库中选择多个症状描述词，对于词库中没有的描述词，可以由医护人员手动敲入，最后由医护人员人工定级到1至4级中的某一级，并手动输入到HIS界面。

相关技术中的HIS系统基于症状词库方式，因为词库的有限性，很难准确地描述当前病患的体征情况，此外，人工定级的方式要求医护人员熟练掌握分级标准，并有丰富的医学经验，否则很容易造成不合理的分级。

本申请实施例提出了一种基于无监督学习的风险性能指标分诊分级方法，基于深度学习的方法，以大量的医学文本数据为样本，训练一个可准确提取医学文本信息的网络模型。在实际应用中，医护人员可以语音录入病患症状，后端服务通过语音转文字的技术，得到病患病情的文本描述，医护人员也可以输入病患症状的文本描述，以病情文本信息作为网络模型的输入，返回分诊分级结果。基于多语句病情文本描述的方式替代从词库中选词的方式，可更准确的描述病患的病情信息。基于深度学习自动分诊分级的方案可减轻对医护人员的专业知识的依赖。此外我们基于无监督学习的方式，训练深度学习模型，不需要人工大量标注样本数据，也减轻了标注人员的工作量。

本申请实施例涉及深度学习模型的训练，文本特征的相似性比较，智能分诊的前向推理。

前向推理过程如下，预设主症状库，提取相应的伴随症状中的每个语句的文本特征，并缓存在此主症状对应的文本特征库中。通过语音转文字的接口，把实时获取的患者病情描述语音转换为患者病情描述文本，基于命名实体网络NER(Name Entity Recognize)网络识别病情描述文本中的症状实体。匹配出主症状后，基于BERT网络提取当伴随症状所在的子句的文本特征。基于余弦算法计算当前的文本特征和伴随症状文本特征库中的匹配情况。匹配到的伴随症状标准语句对应的急诊级别，即为当前病患的急诊级别，如果有多条匹配的情况(如匹配到1级的“心搏骤停”，3级的“急性哮喘”)，最终以最高级别(1级)为最终的输出结果。文本病情的定级结果和生理性能指标的定级结果的综合结果会作为最终的分级结果。

本申请实施例中爬取大量网络医学病情描述文本，无监督训练BERT模型；BERT模型之后接平均池化层，提取整个句子的文本特征；通过余弦相似性匹配当前病患病情和标准风险库中的文本，基于匹配结果推测当前病患的急诊级别。先提取主症状，再匹配伴随症状进行定级；本申请实施例基于AI(Artificial Intelligence，人工智能)的方式推测急诊级别，不依赖医护人员的专业知识。

需要说明的是，本申请实施例中，如果以软件功能模块的形式实现上述的病患的急诊级别确定方法，并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实施例的技术方案本质上或者说对相关技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得电子设备(可以是手机、平板电脑、台式机、个人数字助理、导航仪、数字电话、视频电话、电视机、传感设备等)执行本申请各个实施例所述方法的全部或部分。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read Only Memory，ROM)、磁碟或者光盘等各种可以存储程序代码的介质。这样，本申请实施例不限制于任何特定的硬件和软件结合。

基于前述的实施例，本申请实施例提供一种病患的急诊级别确定装置，该装置包括所包括的各模块，可以通过设备中的处理器来实现；当然也可通过具体的逻辑电路实现；在实施的过程中，处理器可以为中央处理器(CPU，Central Processing Unit)、微处理器(MPU，Microprocessor Unit)、数字信号处理器(DSP，Digital Signal Processing)或现场可编程门阵列(FPGA，Field Programmable Gate Array)等。

图12为本申请实施例一种病患的急诊级别确定装置的组成结构示意图，如图12所示，所述装置1200包括第一确定模块1201、分类模块1202、筛选模块1203、第二确定模块1204，其中：

第一确定模块1201，用于确定所述病患的至少一个第一症状；

分类模块1202，用于从所述至少一个第一症状中确定出第一主症状和至少一个第一伴随症状；

筛选模块1203，用于根据每一所述第一伴随症状和预设的第一伴随症状库的至少一个参考伴随症状中每一所述参考伴随症状之间的第一相似度，从所述至少一个参考伴随症状中确定出目标参考伴随症状；所述第一伴随症状库为与所述第一主症状对应的伴随症状库；

第二确定模块1204，用于将所述目标参考伴随症状对应的急诊级别确定为所述病患的急诊级别。

在一个实施例中，所述第一确定模块1201，包括：第一获取子模块，用于获取所述病患的病情描述信息；第一确定子模块，用于根据所述病情描述信息和已训练的症状识别模型，确定所述病患的至少一个第一症状。

在一个实施例中，所述第一获取子模块，包括：第一获取单元，用于获取所述病患的病情描述语音，将所述病情描述语音转化为病情描述文本；或者，第二获取单元，用于获取所述病患的病情描述文本；所述第一确定子模块，用于根据所述病情描述文本和已训练的症状识别模型，确定所述病患的至少一个第一症状。

在一个实施例中，所述分类模块1202，用于根据每一所述第一症状和预设的主症状库的至少一个参考主症状中每一所述参考主症状之间的第二相似度，从所述至少一个第一症状中确定出第一主症状和至少一个第一伴随症状。

在一个实施例中，所述分类模块1202，包括：匹配子模块，用于按照预设的匹配顺序，确定每一所述第一症状和每一所述参考主症状之间的第二相似度；第二确定子模块，，用于将最高的第二相似度对应的参考主症状确定为候选主症状；第三确定子模块，用于根据所述候选主症状，确定第一主症状；第四确定子模块，用于将除所述第一主症状外的其他第一症状确定为第一伴随症状。

在一个实施例中，所述参考主症状包括规范主症状和关联的不规范主症状；所述第三确定子模块，包括：第二确定单元，用于在候选主症状为规范主症状的情况下，将所述候选主症状确定为第一主症状；第三确定单元，用于在所述候选主症状为不规范主症状的情况下，将所述候选主症状关联的规范主症状确定为第一主症状。

在一个实施例中，所述第二确定子模块，用于在最高的第二相似度对应的参考主症状为多个的情况下，将最高的第二相似度对应的参考主症状中匹配顺序最前的参考主症状确定为候选主症状。

在一个实施例中，所述筛选模块1203，包括：第五确定子模块，用于确定每一所述第一伴随症状的第一文本特征；第六确定子模块，用于确定每一参考伴随症状的第二文本特征；第七确定子模块，用于确定每一所述第一文本特征和每一所述第二文本特征之间的相似度；筛选子模块，用于将相似度大于第一阈值的第二文本特征对应的参考伴随症状确定为目标参考伴随症状。

在一个实施例中，所述第五确定子模块，包括：提取单元，用于利用已训练的特征提取模型提取每一所述第一伴随症状的第三文本特征；池化单元，用于对每一所述第三文本特征进行平均池化处理，得到对应第一伴随症状的第一文本特征。

在一个实施例中，所述装置还包括：获取模块，用于获取至少一个历史病情文本；替换模块，用于对每一所述历史病情文本中的预设替换位置的部分文本进行替换处理，得到对应历史病情样本；第一提取模块，用于利用特征提取模型提取每一所述历史病情样本的第四文本特征；第二提取模块，用于利用所述特征提取模型提取每一所述历史病情文本中所述预设替换位置的第五文本特征；第三确定模块，用于基于文本特征字典和每一所述第五文本特征，确定每一所述历史病情文本中所述预设替换位置的字；更新模块，用于基于每一所述预设替换位置的字和每一所述预设替换位置的独热编码，对所述特征提取模型进行更新。

需要说明的是，本申请实施例中，如果以软件功能模块的形式实现上述的病患的急诊级别确定方法，并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实施例的技术方案本质上或者说对相关技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得电子设备(可以是手机、平板电脑、台式机、个人数字助理、导航仪、数字电话、视频电话、电视机、传感设备等)执行本申请各个实施例所述方法的全部或部分。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read Only Memory，ROM)、磁碟或者光盘等各种可以存储程序代码的介质。这样，本申请实施例不限制于任何特定的硬件和软件结合。

以上装置实施例的描述，与上述方法实施例的描述是类似的，具有同方法实施例相似的有益效果。对于本申请装置实施例中未披露的技术细节，请参照本申请方法实施例的描述而理解。

对应地，本申请实施例提供一种设备，图13为本申请实施例设备的一种硬件实体示意图，如图13所示，该设备1300的硬件实体包括：包括存储器1301和处理器1302，所述存储器1301存储有可在处理器1302上运行的计算机程序，所述处理器1302执行所述程序时实现上述实施例病患的急诊级别确定方法中的步骤。

存储器1301配置为存储由处理器1302可执行的指令和应用，还可以缓存待处理器1302以及设备1300中各模块待处理或已经处理的数据(例如，图像数据、音频数据、语音通信数据和视频通信数据)，可以通过闪存(FLASH)或随机访问存储器(Random AccessMemory，RAM)实现。

对应地，本申请实施例提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述实施例中提供的病患的急诊级别确定方法中的步骤。

这里需要指出的是：以上存储介质和设备实施例的描述，与上述方法实施例的描述是类似的，具有同设备实施例相似的有益效果。对于本申请存储介质和方法实施例中未披露的技术细节，请参照本申请设备实施例的描述而理解。

应理解，说明书通篇中提到的“一个实施例”或“一实施例”意味着与实施例有关的特定特征、结构或特性包括在本申请的至少一个实施例中。因此，在整个说明书各处出现的“在一个实施例中”或“在一实施例中”未必一定指相同的实施例。此外，这些特定的特征、结构或特性可以任意适合的方式结合在一个或多个实施例中。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。上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。

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。

在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备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，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。

上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，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全部单元来实现本实施例方案的目的。另外，在本申请各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。

本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器(Read Only Memory，ROM)、磁碟或者光盘等各种可以存储程序代码的介质。或者，本申请上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实施例的技术方案本质上或者说对相关技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得计算机设备(可以是手机、平板电脑、台式机、个人数字助理、导航仪、数字电话、视频电话、电视机、传感设备等)执行本申请各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、磁碟或者光盘等各种可以存储程序代码的介质。

本申请所提供的几个方法实施例中所揭露的方法，在不冲突的情况下可以任意组合，得到新的方法实施例。本申请所提供的几个产品实施例中所揭露的特征，在不冲突的情况下可以任意组合，得到新的产品实施例。本申请所提供的几个方法或设备实施例中所揭露的特征，在不冲突的情况下可以任意组合，得到新的方法实施例或设备实施例。

以上所述，仅为本申请的实施方式，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 (13)

1.一种病患的急诊级别确定方法，其特征在于，所述方法包括：

确定所述病患的至少一个第一症状；

从所述至少一个第一症状中确定出第一主症状和至少一个第一伴随症状；

根据每一所述第一伴随症状和预设的第一伴随症状库的至少一个参考伴随症状中每一所述参考伴随症状之间的第一相似度，从所述至少一个参考伴随症状中确定出目标参考伴随症状；所述第一伴随症状库为与所述第一主症状对应的伴随症状库；

将所述目标参考伴随症状对应的急诊级别确定为所述病患的急诊级别。

2.根据权利要求1所述的方法，其特征在于，所述确定所述病患的至少一个第一症状，包括：

获取所述病患的病情描述信息；

根据所述病情描述信息和已训练的症状识别模型，确定所述病患的至少一个第一症状。

3.根据权利要求2所述的方法，其特征在于，所述获取所述病患的病情描述信息，包括：

获取所述病患的病情描述语音，将所述病情描述语音转化为病情描述文本；或者，获取所述病患的病情描述文本；

所述根据所述病情描述信息和已训练的症状识别模型，确定所述病患的至少一个第一症状，包括：

根据所述病情描述文本和已训练的症状识别模型，确定所述病患的至少一个第一症状。

4.根据权利要求1至3中任一项所述的方法，其特征在于，所述从所述至少一个第一症状中确定出第一主症状和至少一个第一伴随症状，包括：

根据每一所述第一症状和预设的主症状库的至少一个参考主症状中每一所述参考主症状之间的第二相似度，从所述至少一个第一症状中确定出第一主症状和至少一个第一伴随症状。

5.根据权利要求4所述的方法，其特征在于，所述根据每一所述第一症状和预设的主症状库的至少一个参考主症状中每一所述参考主症状之间的第二相似度，从所述至少一个第一症状中确定出第一主症状和至少一个第一伴随症状，包括：

按照预设的匹配顺序，确定每一所述第一症状和每一所述参考主症状之间的第二相似度；

将最高的第二相似度对应的参考主症状确定为候选主症状；

根据所述候选主症状，确定第一主症状；

将除所述第一主症状外的其他第一症状确定为第一伴随症状。

6.根据权利要求5所述的方法，其特征在于，所述参考主症状包括规范主症状和关联的不规范主症状；

所述根据所述候选主症状，确定第一主症状，包括：

在候选主症状为规范主症状的情况下，将所述候选主症状确定为第一主症状；

在所述候选主症状为不规范主症状的情况下，将所述候选主症状关联的规范主症状确定为第一主症状。

7.根据权利要求5所述的方法，其特征在于，所述将最高的第二相似度对应的参考主症状确定为候选主症状，包括：

在最高的第二相似度对应的参考主症状为多个的情况下，将最高的第二相似度对应的参考主症状中匹配顺序最前的参考主症状确定为候选主症状。

8.根据权利要求1至3中任一项所述的方法，其特征在于，所述根据每一所述第一伴随症状和第一伴随症状库的至少一个参考伴随症状中每一所述参考伴随症状之间的第一相似度，从所述至少一个参考伴随症状中确定出目标参考伴随症状，包括：

确定每一所述第一伴随症状的第一文本特征；

确定每一参考伴随症状的第二文本特征；

确定每一所述第一文本特征和每一所述第二文本特征之间的相似度；

将相似度大于第一阈值的第二文本特征对应的参考伴随症状确定为目标参考伴随症状。

9.根据权利要求8所述的方法，其特征在于，所述确定每一所述第一伴随症状的第一文本特征，包括：

利用已训练的特征提取模型提取每一所述第一伴随症状的第三文本特征；

对每一所述第三文本特征进行平均池化处理，得到对应第一伴随症状的第一文本特征。

10.根据权利要求1至3中任一项所述的方法，其特征在于，所述方法还包括：

获取至少一个历史病情文本；

对每一所述历史病情文本中的预设替换位置的部分文本进行替换处理，得到对应历史病情样本；

利用特征提取模型提取每一所述历史病情样本的第四文本特征；

利用所述特征提取模型提取每一所述历史病情文本中所述预设替换位置的第五文本特征；

基于文本特征字典和每一所述第五文本特征，确定每一所述历史病情文本中所述预设替换位置的字；

基于每一所述预设替换位置的字和每一所述预设替换位置的独热编码，对所述特征提取模型进行更新。

11.一种病患的急诊级别确定装置，其特征在于，所述装置包括：

第一确定模块，用于确定所述病患的至少一个第一症状；

分类模块，用于从所述至少一个第一症状中确定出第一主症状和至少一个第一伴随症状；

筛选模块，用于根据每一所述第一伴随症状和预设的第一伴随症状库的至少一个参考伴随症状中每一所述参考伴随症状之间的第一相似度，从所述至少一个参考伴随症状中确定出目标参考伴随症状；所述第一伴随症状库为与所述第一主症状对应的伴随症状库；

第二确定模块，用于将所述目标参考伴随症状对应的急诊级别确定为所述病患的急诊级别。

12.一种设备，包括存储器和处理器，所述存储器存储有可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1至10中任一项所述病患的急诊级别确定方法中的步骤。

13.一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，该计算机程序被处理器执行时实现权利要求1至10中任一项所述病患的急诊级别确定方法中的步骤。

Images