CN116130072A - 科室推荐方法、装置、设备及存储介质 - Google Patents
科室推荐方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN116130072A CN116130072A CN202310163866.3A CN202310163866A CN116130072A CN 116130072 A CN116130072 A CN 116130072A CN 202310163866 A CN202310163866 A CN 202310163866A CN 116130072 A CN116130072 A CN 116130072A
- Authority
- CN
- China
- Prior art keywords
- symptom
- query
- department
- vector
- probability
- 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
- 238000000034 method Methods 0.000 title claims abstract description 41
- 208000024891 symptom Diseases 0.000 claims abstract description 301
- 239000013598 vector Substances 0.000 claims abstract description 237
- 238000003745 diagnosis Methods 0.000 claims abstract description 57
- 238000001514 detection method Methods 0.000 claims abstract description 34
- 238000004458 analytical method Methods 0.000 claims description 41
- 238000012549 training Methods 0.000 claims description 33
- 230000009471 action Effects 0.000 claims description 28
- 238000012545 processing Methods 0.000 claims description 27
- 230000004913 activation Effects 0.000 claims description 18
- 238000012512 characterization method Methods 0.000 claims description 14
- 238000002372 labelling Methods 0.000 claims description 12
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 4
- 238000013473 artificial intelligence Methods 0.000 abstract description 11
- 238000005516 engineering process Methods 0.000 abstract description 11
- 230000006870 function Effects 0.000 description 10
- 208000035475 disorder Diseases 0.000 description 8
- 230000008569 process Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000004044 response Effects 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 4
- 238000003062 neural network model Methods 0.000 description 4
- 206010000087 Abdominal pain upper Diseases 0.000 description 2
- 206010019233 Headaches Diseases 0.000 description 2
- 206010037660 Pyrexia Diseases 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 235000019800 disodium phosphate Nutrition 0.000 description 2
- 231100000869 headache Toxicity 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000011002 quantification Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Biomedical Technology (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Primary Health Care (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Public Health (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Epidemiology (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及人工智能及数字医疗领域,提供一种科室推荐方法、装置、设备及存储介质。该方法获取就诊患者的症状信息及询问数量,症状信息包括多个病症的症状结果,根据症状信息及询问数量生成输入向量,基于询问结束检测模型对输入向量进行预测,得到询问结束概率,若询问结束概率小于预设概率阈值,基于输入向量及症状询问模型生成询问症状,若大于或者等于预设概率阈值,基于症状结果及科室推荐模型,提高诊疗推荐科室的生成准确性。此外,本发明还涉及区块链技术,所述诊疗推荐科室可存储于区块链中。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种科室推荐方法、装置、设备及存储介质。
背景技术
为了提高分诊效率,科室推荐方案随之产生。在目前的科室推荐方案中,通常是通过对患者就诊时自述的病情进行分类,以得到诊疗推荐科室。然而,由于患者在自述病情时通常存在遗漏描述症状的情况,因此,病情信息不全容易导致推荐的诊疗科室不准确。
发明内容
鉴于以上内容,有必要提供一种科室推荐方法、装置、设备及存储介质,能够解决因就诊患者提供的病情信息不全而导致推荐的诊疗科室不准确的技术问题。
一方面,本发明提出一种科室推荐方法,所述科室推荐方法包括:
获取就诊患者的症状信息及所述症状信息的询问数量,所述症状信息包括多个病症的症状结果;
根据所述症状信息及所述询问数量生成输入向量;
基于预先训练完成的询问结束检测模型对所述输入向量进行预测,得到询问结束概率;
若所述询问结束概率小于预设概率阈值,则基于所述输入向量及预先训练完成的症状询问模型,生成询问症状;
若所述询问结束概率大于或者等于所述预设概率阈值,则基于所述多个病症的症状结果及预先训练完成的科室推荐模型,生成所述就诊患者的诊疗推荐科室。
根据本发明优选实施例,所述症状信息还包括所述多个病症的询问结果,所述根据所述症状信息及所述询问数量生成输入向量包括:
对所述症状结果进行向量化处理,得到第一结果向量;
对所述询问结果进行向量化处理,得到第二结果向量;
拼接所述第一结果向量、所述第二结果向量及所述询问数量,得到所述输入向量。
根据本发明优选实施例,所述询问结束检测模型包括多个全连接层,所述基于预先训练完成的询问结束检测模型对所述输入向量进行预测,得到询问结束概率包括:
基于所述多个全连接层的配置参数对所述输入向量进行全连接分析,直至所述多个全连接层均参与处理,得到询问概率向量;
从所述询问概率向量中获取与预设类别所对应的向量元素作为所述询问结束概率。
根据本发明优选实施例,所述基于所述多个全连接层的配置参数对所述输入向量进行全连接分析,直至所述多个全连接层均参与处理,得到询问概率向量包括:
对于任一全连接层,基于该全连接层的配置参数对所述输入向量进行加权偏移计算,得到中间向量;
对所述中间向量进行激活处理,得到激活向量;
若该全连接层不为所述询问结束检测模型中最后一个网络层,则将所述激活向量作为该全连接层的下一个全连接层的输入向量;
若该全连接层为所述询问结束检测模型中最后一个网络层,则将所述激活向量确定为所述询问概率向量。
根据本发明优选实施例,在基于所述输入向量及预先训练完成的症状询问模型,生成询问症状之前,所述方法还包括:
获取有效训练患者的患者信息所对应的表征向量;
基于预先构建好的症状询问网络对所述表征向量进行处理,得到训练概率向量,所述训练概率向量包括多个询问动作及每个询问动作的输出概率;
基于所述有效训练患者在所述多个询问动作的标注结果及多个所述输出概率生成价值期望;
基于所述价值期望对所述症状询问网络进行调整,得到所述症状询问模型。
根据本发明优选实施例,所述价值期望的生成公式为:
V(inputt)=∑jpj·(rj,t+γ·V(inputt+1,j));
当t+1=m时,V(inputt+1,j)=0;
其中,V(inputt)表示t时刻状态下的价值期望,pj表示第j个询问动作的输出概率,rj,t表示所述第j个询问动作的标注结果所对应的匹配分值,γ为小于1的正数,V(inputt+1,j)表示所述第j个询问动作在t+1时刻状态所带来的价值期望,m表示结束询问时刻状态。
根据本发明优选实施例,所述症状询问模型包括多个症状分析模型及权重模型,所述基于所述输入向量及预先训练完成的症状询问模型,生成询问症状包括:
基于所述多个症状分析模型分别对所述输入向量进行全连接分析,得到每个症状分析模型的输出向量;
基于所述权重模型对所述输入向量进行信赖分析,得到权重向量;
基于所述权重向量对多个所述输出向量进行加权和运算,得到症状概率向量;
将所述症状概率向量中取值最大的元素所对应的症状确定为所述询问症状。
根据本发明优选实施例,所述基于所述多个病症的症状结果及预先训练完成的科室推荐模型,生成所述就诊患者的诊疗推荐科室包括:
从预先训练完成的科室推荐模型中获取每个配置科室的科室匹配症状及每个配置科室与所述科室匹配症状的匹配度;
基于所述匹配度对所述科室匹配症状进行向量化处理,得到科室向量;
基于所述科室推荐模型对所述多个病症的症状结果进行向量化处理,得到所述就诊患者的患者向量;
基于所述科室推荐模型对所述患者向量与多个所述科室向量进行匹配处理,得到每个配置科室的推荐概率;
基于所述推荐概率从多个所述配置科室中筛选出所述诊疗推荐科室。
另一方面,本发明还提出一种科室推荐装置,所述科室推荐装置包括:
获取单元,用于获取就诊患者的症状信息及所述症状信息的询问数量,所述症状信息包括多个病症的症状结果;
生成单元,用于根据所述症状信息及所述询问数量生成输入向量;
预测单元,用于基于预先训练完成的询问结束检测模型对所述输入向量进行预测,得到询问结束概率;
所述生成单元,还用于若所述询问结束概率小于预设概率阈值,则基于所述输入向量及预先训练完成的症状询问模型,生成询问症状;
所述生成单元,还用于若所述询问结束概率大于或者等于所述预设概率阈值,则基于所述多个病症的症状结果及预先训练完成的科室推荐模型,生成所述就诊患者的诊疗推荐科室。
另一方面,本发明还提出一种电子设备,所述电子设备包括:
存储器,存储计算机可读指令;及
处理器,执行所述存储器中存储的计算机可读指令以实现所述科室推荐方法。
另一方面,本发明还提出一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机可读指令,所述计算机可读指令被电子设备中的处理器执行以实现所述科室推荐方法。
由以上技术方案可以看出,本申请通过所述询问结束检测模型对所述输入向量进行预测分析,能够识别出所述就诊患者所提供的信息是否全面,不仅避免了所述就诊患者因信息不全导致所述诊疗推荐科室不准确的问题,提高了所述诊疗推荐科室的生成准确性,还能够避免所述就诊患者回答无关的询问症状,从而提高所述诊疗推荐科室的生成效率,进一步地,通过所述症状询问模型对所述输入向量进行分析,由于所述症状询问模型结合了所述多个症状分析模型及所述权重模型,因此,能够提高所述询问症状的生成准确性,从而进一步提高所述诊疗推荐科室的生成准确性。本申请结合人工智能及数字医疗,能够辅助用户的智能诊疗。
附图说明
图1是本发明科室推荐方法的较佳实施例的流程图。
图2是本发明中症状询问模型的网络视图。
图3是本发明科室推荐装置的较佳实施例的功能模块图。
图4是本发明实现科室推荐方法的较佳实施例的电子设备的结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面结合附图和具体实施例对本发明进行详细描述。
如图1所示,是本发明科室推荐方法的较佳实施例的流程图。根据不同的需求,该流程图中步骤的顺序可以改变,某些步骤可以省略。
所述科室推荐方法可以基于人工智能技术对相关的数据进行获取和处理。其中,人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
所述科室推荐方法应用于一个或者多个电子设备中,所述电子设备是一种能够按照事先设定或存储的计算机可读指令,自动进行数值计算和/或信息处理的设备,其硬件包括但不限于微处理器、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程门阵列(Field-Programmable Gate Array,FPGA)、数字信号处理器(Digital Signal Processor,DSP)、嵌入式设备等。
所述电子设备可以是任何一种可与用户进行人机交互的电子产品,例如,个人计算机、平板电脑、智能手机、个人数字助理(Personal Digital Assistant,PDA)、游戏机、交互式网络电视(Internet Protocol Television,IPTV)、智能穿戴式设备等。
所述电子设备可以包括网络设备和/或用户设备。其中,所述网络设备包括,但不限于单个网络电子设备、多个网络电子设备组成的电子设备组或基于云计算(CloudComputing)的由大量主机或网络电子设备构成的云。
所述电子设备所处的网络包括,但不限于:互联网、广域网、城域网、局域网、虚拟专用网络(Virtual Private Network,VPN)等。
本申请应用于人工智能及智慧医疗领域,从而推动智慧城市的发展。
101,获取就诊患者的症状信息及所述症状信息的询问数量,所述症状信息包括多个病症的症状结果。
在本发明的至少一个实施例中,所述就诊患者是指需要进行分诊的用户患者。
所述症状信息包括所述就诊患者的自述症状,及/或,所述就诊患者回答所述电子设备生成的询问症状,例如,所述症状信息可以包括胃疼等。
在医学应用场景中,所述症状信息可以从数字医疗数据库中获取。所述症状信息可以是医疗电子记录(Electronic Healthcare Record)的个人健康记录。
所述询问数量是指所述电子设备生成的询问症状的数量。
所述症状结果包括所述多个病症的阴性结果及阳性结果。
102,根据所述症状信息及所述询问数量生成输入向量。
在本发明的至少一个实施例中,所述输入向量用于表征所述症状信息及所述询问数量。
所述症状信息还包括所述多个病症的询问结果,所述询问结果可以包括:该病症由所述电子设备提及的病症,该病症由所述就诊患者的自述病症。
在本发明的至少一个实施例中,所述电子设备根据所述症状信息及所述询问数量生成输入向量包括:
对所述症状结果进行向量化处理,得到第一结果向量;
对所述询问结果进行向量化处理,得到第二结果向量;
拼接所述第一结果向量、所述第二结果向量及所述询问数量,得到所述输入向量。
例如,所述输入向量的表现形式为:
input=[s0,p,s0,n,s0,m,…,sk-1,p,sk-1,n,sk-1,m,t];
其中,sk-1,p及sk-1,n均表示第k-1个症状的症状结果,sk-1,p表示所述第k-1个症状是否为阳性症状,sk-1,n表示所述第k-1个症状是否为阴性症状,sk-1,m表示所述第k-1个症状的询问结果,t表示所述询问数量。
通过上述实施方式,能够生成全面表征所述症状信息及所述询问数量的输入向量。
103,基于预先训练完成的询问结束检测模型对所述输入向量进行预测,得到询问结束概率。
在本发明的至少一个实施例中,所述询问结束检测模型包括多个全连接层。所述询问结束检测模型用于检测是否结束对所述就诊患者的提问。
所述询问结果概率是指结束此次病症询问的概率值。
在本发明的至少一个实施例中,所述电子设备基于预先训练完成的询问结束检测模型对所述输入向量进行预测,得到询问结束概率包括:
基于所述多个全连接层的配置参数对所述输入向量进行全连接分析,直至所述多个全连接层均参与处理,得到询问概率向量;
从所述询问概率向量中获取与预设类别所对应的向量元素作为所述询问结束概率。
其中,所述配置参数可以包括每个全连接层的权值矩阵及偏置向量。
所述预设类别通常设定为:结束此次病症询问的类别。
通过所述多个全连接层对所述输入向量的分析,能够提供所述询问概率向量的准确性,从而提高所述询问结束概率的准确性。
具体地,所述电子设备基于所述多个全连接层的配置参数对所述输入向量进行全连接分析,直至所述多个全连接层均参与处理,得到询问概率向量包括:
对于任一全连接层,基于该全连接层的配置参数对所述输入向量进行加权偏移计算,得到中间向量;
对所述中间向量进行激活处理,得到激活向量;
若该全连接层不为所述询问结束检测模型中最后一个网络层,则将所述激活向量作为该全连接层的下一个全连接层的输入向量;
若该全连接层为所述询问结束检测模型中最后一个网络层,则将所述激活向量确定为所述询问概率向量。
其中,所述中间向量是根据所述权值矩阵与所述输入向量的乘积加上所述偏置向量后所生成的向量。
所述激活向量可以通过softmax()函数对所述中间向量进行处理所生成。
通过控制所述多个全连接层的网络层数,能够在确保所述询问概率向量的生成准确性的同时,提高所述询问概率向量的生成效率。
在本发明的至少一个实施例中,所述询问结束检测模型的训练方式与症状询问模型的训练方式相似,下述对所述症状询问模型的训练方式进行描述,因此,本申请对所述询问结束检测模型的训练方式不再赘述。
104,若所述询问结束概率小于预设概率阈值,则基于所述输入向量及预先训练完成的症状询问模型,生成询问症状。
在本发明的至少一个实施例中,所述预设概率阈值可以根据实际需求设定,例如,所述预设概率阈值可以是0.5。
所述症状询问模型包括多个症状分析模型及权重模型。所述症状询问模型用于生成询问每个症状的概率,以便能够全面获得所述就诊患者的患者信息。所述症状询问模型使用多个相同神经网络结构的症状分析模型,相当于多个中心共同为同一任务贡献策略。所述权重模型是指为所述多个症状分析模型的输出向量进行加权的神经网络模型。如图2所示,图2是本发明中症状询问模型的网络视图,其中,E1、E2、…、Em表示所述多个症状分析模型,GATE表示所述权重模型。
所述询问症状可以是具体的症状,例如,所述询问症状可以包括发烧、头痛等。
在本发明的至少一个实施例中,在基于所述输入向量及预先训练完成的症状询问模型,生成询问症状之前,所述方法还包括:
获取有效训练患者的患者信息所对应的表征向量;
基于预先构建好的症状询问网络对所述表征向量进行处理,得到训练概率向量,所述训练概率向量包括多个询问动作及每个询问动作的输出概率;
基于所述有效训练患者在所述多个询问动作的标注结果及多个所述输出概率生成价值期望;
基于所述价值期望对所述症状询问网络进行调整,得到所述症状询问模型。
其中,所述有效训练患者是指医护人员人工进行分诊的患者。
所述症状询问网络与所述症状询问模型的网络结构相同,所述症状询问网络与所述症状询问模型的网络参数不同。
所述询问动作是指所述症状询问网络基于所述表征向量所生成的症状。
所述标注结果是指所述有效训练患者对每个询问动作的回答结果,例如,所述标注结果包括,但不限于:不确定、阴性、阳性等。
基于所述价值期望对所述症状询问网络进行调整,直至调整后的症状询问网络所对应的价值期望最大时,将该调整后的症状询问网络确定为所述症状询问模型。
通过所述有效训练患者所对应的表征向量对所述症状询问网络的调整,能够提高所述症状询问模型的分析能力。
具体地,所述价值期望的生成公式为:
V(inputt)=∑jpj·(rj,t+γ·V(inputt+1,j));
当t+1=m时,V(inputt+1,j)=0;
其中,V(inputt)表示t时刻状态下的价值期望,pj表示第j个询问动作的输出概率,rj,t表示所述第j个询问动作的标注结果所对应的匹配分值,γ为小于1的正数,V(inputt+1,j)表示所述第j个询问动作在t+1时刻状态所带来的价值期望,m表示结束询问时刻状态。
其中,所述匹配分值是根据实际需求设计的不同奖励分数,举例来说,当询问一个症状,所述有效训练患者的回答不是「不确定」时,给出1分奖励;在结束询问时,科室分类正确给出2分奖励,反之,科室分类不正确给出-3分奖励。
通过结合下一时刻状态所带来的价值期望,对当前时刻状态的价值期望进行预估,以及,通过γ的设定,能够提高所述价值期望的生成准确性。
在本发明的至少一个实施例中,所述电子设备基于所述输入向量及预先训练完成的症状询问模型,生成询问症状包括:
基于所述多个症状分析模型分别对所述输入向量进行全连接分析,得到每个症状分析模型的输出向量;
基于所述权重模型对所述输入向量进行信赖分析,得到权重向量;
基于所述权重向量对多个所述输出向量进行加权和运算,得到症状概率向量;
将所述症状概率向量中取值最大的元素所对应的症状确定为所述询问症状。
其中,所述输出向量的生成方式及所述权重向量与所述询问概率向量的生成方式相似,本申请对此不再赘述。
通过结合所述多个症状分析模型对所述输入向量进行分析,能够弥补了单一神经网络模型训练过程中造成的误差,从而提高所述询问症状的准确性,同时,通过结合所述权重模型,能够进一步提高所述询问症状的准确性。
105,若所述询问结束概率大于或者等于所述预设概率阈值,则基于所述多个病症的症状结果及预先训练完成的科室推荐模型,生成所述就诊患者的诊疗推荐科室。
需要强调的是,为进一步保证上述诊疗推荐科室的私密和安全性,上述诊疗推荐科室还可以存储于一区块链的节点中。
在本发明的至少一个实施例中,所述科室推荐模型用于生成与所述就诊患者对应的分诊科室。
所述诊疗推荐科室是指所述就诊患者所就诊的医院中的配置科室。
在本发明的至少一个实施例中,所述电子设备基于所述多个病症的症状结果及预先训练完成的科室推荐模型,生成所述就诊患者的诊疗推荐科室包括:
从预先训练完成的科室推荐模型中获取每个配置科室的科室匹配症状及每个配置科室与所述科室匹配症状的匹配度;
基于所述匹配度对所述科室匹配症状进行向量化处理,得到科室向量;
基于所述科室推荐模型对所述多个病症的症状结果进行向量化处理,得到所述就诊患者的患者向量;
基于所述科室推荐模型对所述患者向量与多个所述科室向量进行匹配处理,得到每个配置科室的推荐概率;
基于所述推荐概率从多个所述配置科室中筛选出所述诊疗推荐科室。
其中,所述配置科室是指所述就诊患者所就诊的医院所配置的诊疗科室,不同医院所对应的配置科室有所不同。
所述科室匹配症状是指所述配置科室所应对的具体症状,所述匹配度是指所述配置科室针对所述科室匹配症状的处理疗效。
所述推荐概率可以是基于所述科室推荐模型对所述患者向量与每个科室向量的相似结果的量化。
通过所述匹配度对所述科室匹配症状进行处理,能够提高所述科室向量的表征准确性,进而提高所述诊疗推荐科室的生成准确性。
由以上技术方案可以看出,本申请通过所述询问结束检测模型对所述输入向量进行预测分析,能够识别出所述就诊患者所提供的信息是否全面,不仅避免了所述就诊患者因信息不全导致所述诊疗推荐科室不准确的问题,提高了所述诊疗推荐科室的生成准确性,还能够避免所述就诊患者回答无关的询问症状,从而提高所述诊疗推荐科室的生成效率,进一步地,通过所述症状询问模型对所述输入向量进行分析,由于所述症状询问模型结合了所述多个症状分析模型及所述权重模型,因此,能够提高所述询问症状的生成准确性,从而进一步提高所述诊疗推荐科室的生成准确性。本申请结合人工智能及数字医疗,能够辅助用户的智能诊疗。
如图3所示,是本发明科室推荐装置的较佳实施例的功能模块图。所述科室推荐装置11包括获取单元110、生成单元111、预测单元112、处理单元113及调整单元114。本发明所称的模块/单元是指一种能够被处理器13所获取,并且能够完成固定功能的一系列计算机可读指令段,其存储在存储器12中。在本实施例中,关于各模块/单元的功能将在后续的实施例中详述。
获取单元110获取就诊患者的症状信息及所述症状信息的询问数量,所述症状信息包括多个病症的症状结果。
在本发明的至少一个实施例中,所述就诊患者是指需要进行分诊的用户患者。
所述症状信息包括所述就诊患者的自述症状,及/或,所述就诊患者回答所述电子设备生成的询问症状,例如,所述症状信息可以包括胃疼等。
在医学应用场景中,所述症状信息可以从数字医疗数据库中获取。所述症状信息可以是医疗电子记录(Electronic Healthcare Record)的个人健康记录。
所述询问数量是指电子设备生成的询问症状的数量。
所述症状结果包括所述多个病症的阴性结果及阳性结果。
生成单元111根据所述症状信息及所述询问数量生成输入向量。
在本发明的至少一个实施例中,所述输入向量用于表征所述症状信息及所述询问数量。
所述症状信息还包括所述多个病症的询问结果,所述询问结果可以包括:该病症由所述电子设备提及的病症,该病症由所述就诊患者的自述病症。
在本发明的至少一个实施例中,所述生成单元111根据所述症状信息及所述询问数量生成输入向量包括:
对所述症状结果进行向量化处理,得到第一结果向量;
对所述询问结果进行向量化处理,得到第二结果向量;
拼接所述第一结果向量、所述第二结果向量及所述询问数量,得到所述输入向量。
例如,所述输入向量的表现形式为:
input=[s0,p,s0,n,s0,m,…,sk-1,p,sk-1,n,sk-1,m,t];
其中,sk-1,p及sk-1,n均表示第k-1个症状的症状结果,sk-1,p表示所述第k-1个症状是否为阳性症状,sk-1,n表示所述第k-1个症状是否为阴性症状,sk-1,m表示所述第k-1个症状的询问结果,t表示所述询问数量。
通过上述实施方式,能够生成全面表征所述症状信息及所述询问数量的输入向量。
预测单元112基于预先训练完成的询问结束检测模型对所述输入向量进行预测,得到询问结束概率。
在本发明的至少一个实施例中,所述询问结束检测模型包括多个全连接层。所述询问结束检测模型用于检测是否结束对所述就诊患者的提问。
所述询问结果概率是指结束此次病症询问的概率值。
在本发明的至少一个实施例中,所述预测单元112基于预先训练完成的询问结束检测模型对所述输入向量进行预测,得到询问结束概率包括:
基于所述多个全连接层的配置参数对所述输入向量进行全连接分析,直至所述多个全连接层均参与处理,得到询问概率向量;
从所述询问概率向量中获取与预设类别所对应的向量元素作为所述询问结束概率。
其中,所述配置参数可以包括每个全连接层的权值矩阵及偏置向量。
所述预设类别通常设定为:结束此次病症询问的类别。
通过所述多个全连接层对所述输入向量的分析,能够提供所述询问概率向量的准确性,从而提高所述询问结束概率的准确性。
具体地,所述预测单元112基于所述多个全连接层的配置参数对所述输入向量进行全连接分析,直至所述多个全连接层均参与处理,得到询问概率向量包括:
对于任一全连接层,基于该全连接层的配置参数对所述输入向量进行加权偏移计算,得到中间向量;
对所述中间向量进行激活处理,得到激活向量;
若该全连接层不为所述询问结束检测模型中最后一个网络层,则将所述激活向量作为该全连接层的下一个全连接层的输入向量;
若该全连接层为所述询问结束检测模型中最后一个网络层,则将所述激活向量确定为所述询问概率向量。
其中,所述中间向量是根据所述权值矩阵与所述输入向量的乘积加上所述偏置向量后所生成的向量。
所述激活向量可以通过softmax()函数对所述中间向量进行处理所生成。
通过控制所述多个全连接层的网络层数,能够在确保所述询问概率向量的生成准确性的同时,提高所述询问概率向量的生成效率。
在本发明的至少一个实施例中,所述询问结束检测模型的训练方式与症状询问模型的训练方式相似,下述对所述症状询问模型的训练方式进行描述,因此,本申请对所述询问结束检测模型的训练方式不再赘述。
若所述询问结束概率小于预设概率阈值,则所述生成单元111基于所述输入向量及预先训练完成的症状询问模型,生成询问症状。
在本发明的至少一个实施例中,所述预设概率阈值可以根据实际需求设定,例如,所述预设概率阈值可以是0.5。
所述症状询问模型包括多个症状分析模型及权重模型。所述症状询问模型用于生成询问每个症状的概率,以便能够全面获得所述就诊患者的患者信息。所述症状询问模型使用多个相同神经网络结构的症状分析模型,相当于多个中心共同为同一任务贡献策略。所述权重模型是指为所述多个症状分析模型的输出向量进行加权的神经网络模型。如图2所示,图2是本发明中症状询问模型的网络视图,其中,E1、E2、…、Em表示所述多个症状分析模型,GATE表示所述权重模型。
所述询问症状可以是具体的症状,例如,所述询问症状可以包括发烧、头痛等。
在本发明的至少一个实施例中,在基于所述输入向量及预先训练完成的症状询问模型,生成询问症状之前,所述获取单元110获取有效训练患者的患者信息所对应的表征向量;
处理单元113基于预先构建好的症状询问网络对所述表征向量进行处理,得到训练概率向量,所述训练概率向量包括多个询问动作及每个询问动作的输出概率;
所述生成单元111基于所述有效训练患者在所述多个询问动作的标注结果及多个所述输出概率生成价值期望;
调整单元114基于所述价值期望对所述症状询问网络进行调整,得到所述症状询问模型。
其中,所述有效训练患者是指医护人员人工进行分诊的患者。
所述症状询问网络与所述症状询问模型的网络结构相同,所述症状询问网络与所述症状询问模型的网络参数不同。
所述询问动作是指所述症状询问网络基于所述表征向量所生成的症状。
所述标注结果是指所述有效训练患者对每个询问动作的回答结果,例如,所述标注结果包括,但不限于:不确定、阴性、阳性等。
基于所述价值期望对所述症状询问网络进行调整,直至调整后的症状询问网络所对应的价值期望最大时,将该调整后的症状询问网络确定为所述症状询问模型。
通过所述有效训练患者所对应的表征向量对所述症状询问网络的调整,能够提高所述症状询问模型的分析能力。
具体地,所述价值期望的生成公式为:
V(inputt)=∑jpj·(rj,t+γ·V(inputt+1,j));
当t+1=m时,V(inputt+1,j)=0;
其中,V(inputt)表示t时刻状态下的价值期望,pj表示第j个询问动作的输出概率,rj,t表示所述第j个询问动作的标注结果所对应的匹配分值,γ为小于1的正数,V(inputt+1,j)表示所述第j个询问动作在t+1时刻状态所带来的价值期望,m表示结束询问时刻状态。
其中,所述匹配分值是根据实际需求设计的不同奖励分数,举例来说,当询问一个症状,所述有效训练患者的回答不是「不确定」时,给出1分奖励;在结束询问时,科室分类正确给出2分奖励,反之,科室分类不正确给出-3分奖励。
通过结合下一时刻状态所带来的价值期望,对当前时刻状态的价值期望进行预估,以及,通过γ的设定,能够提高所述价值期望的生成准确性。
在本发明的至少一个实施例中,所述生成单元111基于所述输入向量及预先训练完成的症状询问模型,生成询问症状包括:
基于所述多个症状分析模型分别对所述输入向量进行全连接分析,得到每个症状分析模型的输出向量;
基于所述权重模型对所述输入向量进行信赖分析,得到权重向量;
基于所述权重向量对多个所述输出向量进行加权和运算,得到症状概率向量;
将所述症状概率向量中取值最大的元素所对应的症状确定为所述询问症状。
其中,所述输出向量的生成方式及所述权重向量与所述询问概率向量的生成方式相似,本申请对此不再赘述。
通过结合所述多个症状分析模型对所述输入向量进行分析,能够弥补了单一神经网络模型训练过程中造成的误差,从而提高所述询问症状的准确性,同时,通过结合所述权重模型,能够进一步提高所述询问症状的准确性。
若所述询问结束概率大于或者等于所述预设概率阈值,则所述生成单元111基于所述多个病症的症状结果及预先训练完成的科室推荐模型,生成所述就诊患者的诊疗推荐科室。
需要强调的是,为进一步保证上述诊疗推荐科室的私密和安全性,上述诊疗推荐科室还可以存储于一区块链的节点中。
在本发明的至少一个实施例中,所述科室推荐模型用于生成与所述就诊患者对应的分诊科室。
所述诊疗推荐科室是指所述就诊患者所就诊的医院中的配置科室。
在本发明的至少一个实施例中,所述生成单元111基于所述多个病症的症状结果及预先训练完成的科室推荐模型,生成所述就诊患者的诊疗推荐科室包括:
从预先训练完成的科室推荐模型中获取每个配置科室的科室匹配症状及每个配置科室与所述科室匹配症状的匹配度;
基于所述匹配度对所述科室匹配症状进行向量化处理,得到科室向量;
基于所述科室推荐模型对所述多个病症的症状结果进行向量化处理,得到所述就诊患者的患者向量;
基于所述科室推荐模型对所述患者向量与多个所述科室向量进行匹配处理,得到每个配置科室的推荐概率;
基于所述推荐概率从多个所述配置科室中筛选出所述诊疗推荐科室。
其中,所述配置科室是指所述就诊患者所就诊的医院所配置的诊疗科室,不同医院所对应的配置科室有所不同。
所述科室匹配症状是指所述配置科室所应对的具体症状,所述匹配度是指所述配置科室针对所述科室匹配症状的处理疗效。
所述推荐概率可以是基于所述科室推荐模型对所述患者向量与每个科室向量的相似结果的量化。
通过所述匹配度对所述科室匹配症状进行处理,能够提高所述科室向量的表征准确性,进而提高所述诊疗推荐科室的生成准确性。
由以上技术方案可以看出,本申请通过所述询问结束检测模型对所述输入向量进行预测分析,能够识别出所述就诊患者所提供的信息是否全面,不仅避免了所述就诊患者因信息不全导致所述诊疗推荐科室不准确的问题,提高了所述诊疗推荐科室的生成准确性,还能够避免所述就诊患者回答无关的询问症状,从而提高所述诊疗推荐科室的生成效率,进一步地,通过所述症状询问模型对所述输入向量进行分析,由于所述症状询问模型结合了所述多个症状分析模型及所述权重模型,因此,能够提高所述询问症状的生成准确性,从而进一步提高所述诊疗推荐科室的生成准确性。本申请结合人工智能及数字医疗,能够辅助用户的智能诊疗。
如图4所示,是本发明实现科室推荐方法的较佳实施例的电子设备的结构示意图。
在本发明的一个实施例中,所述电子设备1包括,但不限于,存储器12、处理器13,以及存储在所述存储器12中并可在所述处理器13上运行的计算机可读指令,例如科室推荐程序。
本领域技术人员可以理解,所述示意图仅仅是电子设备1的示例,并不构成对电子设备1的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述电子设备1还可以包括输入输出设备、网络接入设备、总线等。
所述处理器13可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,所述处理器13是所述电子设备1的运算核心和控制中心,利用各种接口和线路连接整个电子设备1的各个部分,及执行所述电子设备1的操作系统以及安装的各类应用程序、程序代码等。
示例性的,所述计算机可读指令可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器12中,并由所述处理器13执行,以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机可读指令段,该计算机可读指令段用于描述所述计算机可读指令在所述电子设备1中的执行过程。例如,所述计算机可读指令可以被分割成获取单元110、生成单元111、预测单元112、处理单元113及调整单元114。
所述存储器12可用于存储所述计算机可读指令和/或模块,所述处理器13通过运行或执行存储在所述存储器12内的计算机可读指令和/或模块,以及调用存储在存储器12内的数据,实现所述电子设备1的各种功能。所述存储器12可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据电子设备的使用所创建的数据等。存储器12可以包括非易失性和易失性存储器,例如:硬盘、内存、插接式硬盘,智能存储卡(SmartMedia Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他存储器件。
所述存储器12可以是电子设备1的外部存储器和/或内部存储器。进一步地,所述存储器12可以是具有实物形式的存储器,如内存条、TF卡(Trans-flash Card)等等。
所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,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,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机可读指令来指令相关的硬件来完成,所述的计算机可读指令可存储于一计算机可读存储介质中,该计算机可读指令在被处理器执行时,可实现上述各个方法实施例的步骤。
其中,所述计算机可读指令包括计算机可读指令代码,所述计算机可读指令代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机可读指令代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
结合图1,所述电子设备1中的所述存储器12存储计算机可读指令实现一种科室推荐方法,所述处理器13可执行所述计算机可读指令从而实现:
获取就诊患者的症状信息及所述症状信息的询问数量,所述症状信息包括多个病症的症状结果;
根据所述症状信息及所述询问数量生成输入向量;
基于预先训练完成的询问结束检测模型对所述输入向量进行预测,得到询问结束概率;
若所述询问结束概率小于预设概率阈值,则基于所述输入向量及预先训练完成的症状询问模型,生成询问症状;
若所述询问结束概率大于或者等于所述预设概率阈值,则基于所述多个病症的症状结果及预先训练完成的科室推荐模型,生成所述就诊患者的诊疗推荐科室。
具体地,所述处理器13对上述计算机可读指令的具体实现方法可参考图1对应实施例中相关步骤的描述,在此不赘述。
在本发明所提供的几个实施例中,应该理解到,所揭露的系统,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,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。
所述计算机可读存储介质上存储有计算机可读指令,其中,所述计算机可读指令被处理器13执行时用以实现以下步骤:
获取就诊患者的症状信息及所述症状信息的询问数量,所述症状信息包括多个病症的症状结果;
根据所述症状信息及所述询问数量生成输入向量;
基于预先训练完成的询问结束检测模型对所述输入向量进行预测,得到询问结束概率;
若所述询问结束概率小于预设概率阈值,则基于所述输入向量及预先训练完成的症状询问模型,生成询问症状;
若所述询问结束概率大于或者等于所述预设概率阈值,则基于所述多个病症的症状结果及预先训练完成的科室推荐模型,生成所述就诊患者的诊疗推荐科室。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者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者全部模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,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模块的形式实现。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。所述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称,而并不表示任何特定的顺序。
Claims (11)
1.一种科室推荐方法,其特征在于,所述科室推荐方法包括:
获取就诊患者的症状信息及所述症状信息的询问数量,所述症状信息包括多个病症的症状结果;
根据所述症状信息及所述询问数量生成输入向量;
基于预先训练完成的询问结束检测模型对所述输入向量进行预测,得到询问结束概率;
若所述询问结束概率小于预设概率阈值,则基于所述输入向量及预先训练完成的症状询问模型,生成询问症状;
若所述询问结束概率大于或者等于所述预设概率阈值,则基于所述多个病症的症状结果及预先训练完成的科室推荐模型,生成所述就诊患者的诊疗推荐科室。
2.如权利要求1所述的科室推荐方法,其特征在于,所述症状信息还包括所述多个病症的询问结果,所述根据所述症状信息及所述询问数量生成输入向量包括:
对所述症状结果进行向量化处理,得到第一结果向量;
对所述询问结果进行向量化处理,得到第二结果向量;
拼接所述第一结果向量、所述第二结果向量及所述询问数量,得到所述输入向量。
3.如权利要求1所述的科室推荐方法,其特征在于,所述询问结束检测模型包括多个全连接层,所述基于预先训练完成的询问结束检测模型对所述输入向量进行预测,得到询问结束概率包括:
基于所述多个全连接层的配置参数对所述输入向量进行全连接分析,直至所述多个全连接层均参与处理,得到询问概率向量;
从所述询问概率向量中获取与预设类别所对应的向量元素作为所述询问结束概率。
4.如权利要求3所述的科室推荐方法,其特征在于,所述基于所述多个全连接层的配置参数对所述输入向量进行全连接分析,直至所述多个全连接层均参与处理,得到询问概率向量包括:
对于任一全连接层,基于该全连接层的配置参数对所述输入向量进行加权偏移计算,得到中间向量;
对所述中间向量进行激活处理,得到激活向量;
若该全连接层不为所述询问结束检测模型中最后一个网络层,则将所述激活向量作为该全连接层的下一个全连接层的输入向量;
若该全连接层为所述询问结束检测模型中最后一个网络层,则将所述激活向量确定为所述询问概率向量。
5.如权利要求1所述的科室推荐方法,其特征在于,在基于所述输入向量及预先训练完成的症状询问模型,生成询问症状之前,所述方法还包括:
获取有效训练患者的患者信息所对应的表征向量;
基于预先构建好的症状询问网络对所述表征向量进行处理,得到训练概率向量,所述训练概率向量包括多个询问动作及每个询问动作的输出概率;
基于所述有效训练患者在所述多个询问动作的标注结果及多个所述输出概率生成价值期望;
基于所述价值期望对所述症状询问网络进行调整,得到所述症状询问模型。
6.如权利要求5所述的科室推荐方法,其特征在于,所述价值期望的生成公式为:
V(inputt)=∑jpj·(rj,t+γ·V(inputt+1,j));
当t+1=m时,V(inputt+1,j)=0;
其中,V(inputt)表示t时刻状态下的价值期望,pj表示第j个询问动作的输出概率,rj,t表示所述第j个询问动作的标注结果所对应的匹配分值,γ为小于1的正数,V(inputt+1,j)表示所述第j个询问动作在t+1时刻状态所带来的价值期望,m表示结束询问时刻状态。
7.如权利要求1所述的科室推荐方法,其特征在于,所述症状询问模型包括多个症状分析模型及权重模型,所述基于所述输入向量及预先训练完成的症状询问模型,生成询问症状包括:
基于所述多个症状分析模型分别对所述输入向量进行全连接分析,得到每个症状分析模型的输出向量;
基于所述权重模型对所述输入向量进行信赖分析,得到权重向量;
基于所述权重向量对多个所述输出向量进行加权和运算,得到症状概率向量;
将所述症状概率向量中取值最大的元素所对应的症状确定为所述询问症状。
8.如权利要求1所述的科室推荐方法,其特征在于,所述基于所述多个病症的症状结果及预先训练完成的科室推荐模型,生成所述就诊患者的诊疗推荐科室包括:
从预先训练完成的科室推荐模型中获取每个配置科室的科室匹配症状及每个配置科室与所述科室匹配症状的匹配度;
基于所述匹配度对所述科室匹配症状进行向量化处理,得到科室向量;
基于所述科室推荐模型对所述多个病症的症状结果进行向量化处理,得到所述就诊患者的患者向量;
基于所述科室推荐模型对所述患者向量与多个所述科室向量进行匹配处理,得到每个配置科室的推荐概率;
基于所述推荐概率从多个所述配置科室中筛选出所述诊疗推荐科室。
9.一种科室推荐装置,其特征在于,所述科室推荐装置包括:
获取单元,用于获取就诊患者的症状信息及所述症状信息的询问数量,所述症状信息包括多个病症的症状结果;
生成单元,用于根据所述症状信息及所述询问数量生成输入向量;
预测单元,用于基于预先训练完成的询问结束检测模型对所述输入向量进行预测,得到询问结束概率;
所述生成单元,还用于若所述询问结束概率小于预设概率阈值,则基于所述输入向量及预先训练完成的症状询问模型,生成询问症状;
所述生成单元,还用于若所述询问结束概率大于或者等于所述预设概率阈值,则基于所述多个病症的症状结果及预先训练完成的科室推荐模型,生成所述就诊患者的诊疗推荐科室。
10.一种电子设备,其特征在于,所述电子设备包括:
存储器,存储有计算机可读指令;及
处理器,执行所述存储器中存储的计算机可读指令以实现如权利要求1至8中任意一项所述的科室推荐方法。
11.一种计算机可读存储介质,其特征在于:所述计算机可读存储介质中存储有计算机可读指令,所述计算机可读指令被电子设备中的处理器执行以实现如权利要求1至8中任意一项所述的科室推荐方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310163866.3A CN116130072A (zh) | 2023-02-14 | 2023-02-14 | 科室推荐方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310163866.3A CN116130072A (zh) | 2023-02-14 | 2023-02-14 | 科室推荐方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116130072A true CN116130072A (zh) | 2023-05-16 |
Family
ID=86306295
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310163866.3A Pending CN116130072A (zh) | 2023-02-14 | 2023-02-14 | 科室推荐方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116130072A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116631597A (zh) * | 2023-07-24 | 2023-08-22 | 深圳捷工智能电气股份有限公司 | 一种移动端、医生端、护士端就近身份信息比对确认方法 |
CN117059092A (zh) * | 2023-10-11 | 2023-11-14 | 北京吉道尔科技有限公司 | 基于区块链的智慧医疗交互式智能分诊方法及系统 |
-
2023
- 2023-02-14 CN CN202310163866.3A patent/CN116130072A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116631597A (zh) * | 2023-07-24 | 2023-08-22 | 深圳捷工智能电气股份有限公司 | 一种移动端、医生端、护士端就近身份信息比对确认方法 |
CN116631597B (zh) * | 2023-07-24 | 2024-01-16 | 深圳捷工智能电气股份有限公司 | 一种移动端、医生端、护士端就近身份信息比对确认方法 |
CN117059092A (zh) * | 2023-10-11 | 2023-11-14 | 北京吉道尔科技有限公司 | 基于区块链的智慧医疗交互式智能分诊方法及系统 |
CN117059092B (zh) * | 2023-10-11 | 2024-06-04 | 深圳普一同创科技有限公司 | 基于区块链的智慧医疗交互式智能分诊方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111816301B (zh) | 医疗问诊辅助方法、装置、电子设备及介质 | |
US10854335B2 (en) | Computer aided medical method and medical system for medical prediction | |
CN116130072A (zh) | 科室推荐方法、装置、设备及存储介质 | |
US20220115135A1 (en) | Machine Learning Systems and Methods for Assessing Medical Interventions for Utilization Review | |
CN113707253B (zh) | 医疗方案推荐方法、装置、设备及介质 | |
US10936962B1 (en) | Methods and systems for confirming an advisory interaction with an artificial intelligence platform | |
US11710572B2 (en) | Experience engine-method and apparatus of learning from similar patients | |
Gaber et al. | Classification of facial paralysis based on machine learning techniques | |
CN114416967A (zh) | 智能推荐医生的方法、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 | |
CN112214588A (zh) | 多意图识别方法、装置、电子设备及存储介质 | |
CN113470775B (zh) | 信息采集方法、装置、设备及存储介质 | |
CN112435745B (zh) | 就诊策略推荐方法、装置、电子设备及存储介质 | |
CN116628161A (zh) | 答案生成方法、装置、设备及存储介质 | |
CN114360732B (zh) | 医疗数据分析方法、装置、电子设备及存储介质 | |
Vineetha et al. | Classification of adaptive back propagation neural network along with fuzzy logic in chronic kidney disease | |
US20230124321A1 (en) | Predicting performance of clinical trial facilitators using patient claims and historical data | |
US20210183515A1 (en) | Methods and systems for confirming an advisory interaction with an artificial intelligence platform | |
CN115116608A (zh) | 疾病预测方法、装置、存储介质、设备及程序产品 | |
CN113688319B (zh) | 医疗产品推荐方法及相关设备 | |
CN113764061B (zh) | 基于多维度数据分析的用药检测方法及相关设备 | |
Pivithuru et al. | E-patient Card: An Integrated Electronic Health Recording System for Patient | |
Kalina | Regression modelling as a basis of clinical decision support | |
Gambo et al. | Implementing decision support tool for low-back pain diagnosis and prediction based on the range of motions | |
US20230170092A1 (en) | Medical indication determination using heterogeneous data in a clinical decision support system |
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 |