CN116344009B - 一种线上就诊通知方法及装置 - Google Patents
一种线上就诊通知方法及装置 Download PDFInfo
- Publication number
- CN116344009B CN116344009B CN202310578330.8A CN202310578330A CN116344009B CN 116344009 B CN116344009 B CN 116344009B CN 202310578330 A CN202310578330 A CN 202310578330A CN 116344009 B CN116344009 B CN 116344009B
- Authority
- CN
- China
- Prior art keywords
- information
- pathology
- predicted
- recommended
- preset
- 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.)
- Active
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 53
- 238000000034 method Methods 0.000 title claims abstract description 51
- 230000007170 pathology Effects 0.000 claims abstract description 151
- 238000004364 calculation method Methods 0.000 claims abstract description 87
- 230000011218 segmentation Effects 0.000 claims abstract description 29
- 230000002068 genetic effect Effects 0.000 claims abstract description 10
- 238000012545 processing Methods 0.000 claims description 38
- 201000010099 disease Diseases 0.000 claims description 21
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 21
- 208000024891 symptom Diseases 0.000 claims description 15
- 238000011156 evaluation Methods 0.000 claims description 13
- 230000001575 pathological effect Effects 0.000 claims description 12
- 238000010276 construction Methods 0.000 claims description 11
- 229940079593 drug Drugs 0.000 claims description 6
- 239000003814 drug Substances 0.000 claims description 6
- 238000010827 pathological analysis Methods 0.000 claims description 2
- 238000000605 extraction Methods 0.000 claims 1
- 238000012163 sequencing technique Methods 0.000 claims 1
- 230000006870 function Effects 0.000 description 14
- 239000013598 vector Substances 0.000 description 14
- 206010017553 Furuncle Diseases 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 210000001835 viscera Anatomy 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 208000030090 Acute Disease Diseases 0.000 description 1
- 206010007247 Carbuncle Diseases 0.000 description 1
- 241001597062 Channa argus Species 0.000 description 1
- 208000010445 Chilblains Diseases 0.000 description 1
- 208000017667 Chronic Disease Diseases 0.000 description 1
- 201000000297 Erysipelas Diseases 0.000 description 1
- 206010017533 Fungal infection Diseases 0.000 description 1
- 206010017711 Gangrene Diseases 0.000 description 1
- 206010024652 Liver abscess Diseases 0.000 description 1
- 208000031888 Mycoses Diseases 0.000 description 1
- 206010043376 Tetanus Diseases 0.000 description 1
- 206010000269 abscess Diseases 0.000 description 1
- 238000001467 acupuncture Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000000968 intestinal effect Effects 0.000 description 1
- 239000004922 lacquer Substances 0.000 description 1
- 239000011021 lapis lazuli Substances 0.000 description 1
- 201000003453 lung abscess Diseases 0.000 description 1
- 208000004396 mastitis Diseases 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 231100000572 poisoning Toxicity 0.000 description 1
- 230000000607 poisoning effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/284—Lexical analysis, e.g. tokenisation or collocates
-
- 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
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
-
- 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)
- Medical Informatics (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- General Business, Economics & Management (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Artificial Intelligence (AREA)
- Pathology (AREA)
- Computational Linguistics (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明提供了一种线上就诊通知方法及装置,本方法包括:获取用户的基础信息、辅助信息和当前病情信息;根据基础信息、辅助信息和当前病情信息进行分词计算,得到预测病理;根据预测病理与预设第一样本函数进行精确度计算,得到第一推荐数据集;根据预测病理与预设第二样本函数进行多样度计算,得到第二推荐数据集;对第一推荐数据集和第二推荐数据集进行遗传计算,得到就诊通知单,就诊通知单包括主推荐信息和辅推荐信息,主推荐信息为优先就诊科室和优先问诊病情,辅推荐信息为次要就诊科室和次要问诊病情。本方法在不降低就诊通知精确度的基础上,为就诊用户提供了包含就诊多样度的就诊通知单。
Description
技术领域
本发明涉及智慧医疗领域,具体而言,涉及一种线上就诊通知方法和装置。
背景技术
在现有线上就诊中,一方面由于大多数患者不了解医学知识,就诊前用户感到困惑,容易挂错号,从而增加就医成本;另一方面现有线上就诊通知的推荐内容单一,推荐内容多样度差,导致用户可选的匹配项较少。因此,亟需一种线上就诊通知方法,一方面需保证就诊通知的精确度,另一方面需为就诊用户提供合适的多样度推荐,以满足用户的匹配选用,提高用户的就诊效率。
发明内容
本发明的目的在于提供一种线上就诊通知方法和装置,以改善上述问题。为了实现上述目的,本发明采取的技术方案如下:
第一方面,本申请提供了一种线上就诊通知方法,包括:
获取用户的基础信息、辅助信息和当前病情信息,所述基础信息包括用户的性别、年龄和历史疾病,所述辅助信息为用户在预设时间内的用药明细和病理特征;
根据所述基础信息、所述辅助信息和所述当前病情信息进行分词计算,得到预测病理;
根据所述预测病理与预设第一样本函数进行精确度计算,得到第一推荐数据集;
根据所述预测病理与预设第二样本函数进行多样度计算,得到第二推荐数据集;
对所述第一推荐数据集和所述第二推荐数据集进行遗传计算,得到就诊通知单,所述就诊通知单包括主推荐信息和辅推荐信息,所述主推荐信息为优先就诊科室和优先问诊病情,所述辅推荐信息为次要就诊科室和次要问诊病情。
第二方面,本申请还提供了一种线上就诊通知的装置,包括:
获取模块,用于获取用户的基础信息、辅助信息和当前病情信息,所述基础信息包括用户的性别、年龄和历史疾病,所述辅助信息为用户在预设时间内的用药明细和病理特征;
第一处理模块,用于根据所述基础信息、所述辅助信息和所述当前病情信息进行分词计算,得到预测病理;
第二处理模块,用于根据所述预测病理与预设第一样本函数进行精确度计算,得到第一推荐数据集;
第三处理模块,用于根据所述预测病理与预设第二样本函数进行多样度计算,得到第二推荐数据集;
第四处理模块,用于对所述第一推荐数据集和所述第二推荐数据集进行遗传计算,得到就诊通知单,所述就诊通知单包括主推荐信息和辅推荐信息,所述主推荐信息为优先就诊科室和优先问诊病情,所述辅推荐信息为次要就诊科室和次要问诊病情。
本发明的有益效果为:
本方法提出了一种线上就诊通知方法,在不降低就诊通知精确度的基础上,为就诊用户提供了包含就诊多样度的就诊通知单,所述就诊通知单包括主推荐信息和辅推荐信息,本算法将数据过滤技术与多样本相结合,构建了混合框架算法,均衡了就诊通知的精确度和多样度。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本发明实施例中所述的线上就诊通知方法流程示意图;
图2为本发明实施例中所述的线上就诊通知装置结构示意图;
图3为本发明实施例中所述第一处理模块的结构示意图;
图4为本发明实施例中所述的线上就诊通知的设备结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。同时,在本发明的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
实施例1:
本实施例提供了一种线上就诊通知方法。
参见图1,图中示出了本方法包括步骤S1至S5,包括:
S1:获取用户的基础信息、辅助信息和当前病情信息,所述基础信息包括用户的性别、年龄和历史疾病,所述辅助信息为用户在预设时间内的用药明细和病理特征;
在步骤1中,用户的基础信息、辅助信息和当前病情信息可以根据用户的文本输入或语音输入进行获取。
所述预设时间设置在当前时间之前,预设时间根据疾病的突发程度进行预先设定,如慢性疾病以月或周为时间尺度,如急性疾病以一个时刻为时间尺度。
S2:根据所述基础信息、所述辅助信息和所述当前病情信息进行分词计算,得到预测病理;
为明确预测病理的具体计算,步骤S2中包括S21至S23,具体有:
S21:根据所述基础信息和当前病情信息进行分词计算,得到一次病理分析集;
分词计算时,可先通过分词器通过分词算法将一段或多段文字切分为多个有效字符。
在本发明中,为明确所述一次病理分析集的计算,步骤S21包括S211至S214,具体有:
S211:将所述性别和所述年龄通过分词器进行提取,得到第一基础子信息;
本发明的分词器可采用Httpcws、mmseg4j等分词器。
S212:将所述历史疾病中的每个词进行第一权重值和第二权重值计算,得到第二基础子信息,所述第一权重值为所述历史疾病中的单个词频信息,所述第二权重值为所述历史疾病中的单个文本信息;
在权重计算时,本方法采用向量空间模型中的权重值计算方法,第一权重值以A进行表示,则A值的计算公式为:
;
第二权重值以B进行表示,则B值的计算公式为:
);
S213:将所述当前病情信息中的每个词进行第三权重值和第四权重值计算,得到第三基础子信息,所述第三权重值为所述当前病情信息中的单个词频信息,所述第四权重值为所述当前病情信息中的单个文本信息;
在步骤S213中,第三权重值以C进行表示,则第三权重值的计算公式为:
;
第四权重值以D进行表示,则D值的计算公式为:
);
S214:根据所述第一基础子信息、所述第二基础子信息和所述第三基础子信息进行数据构建,得到一次病理分析集。
在一次病理分析集的构建过程中,可根据行业命名进行病理集的创建,如依据其发病部位、穴位、脏腑、病因、形态、颜色、特征、范围、病程、传染性等分别加以命名的:
①以部位命名,如乳痈、颧疔、对口疽等;②以穴位命名,如人中疔、委中毒、膻中疽等;③以脏腑命名,如肠痈、肝痈、肺痈等;④以病因命名,如破伤风、冻疮、漆疮等;⑤以形态命名,如蛇头疔、鹅掌风等;⑥以颜色命名,如白驳风、丹毒等;⑦以疾病特征命名,如烂疔、流注、湿疮等;⑧以范围大小命名,如小者为疖,大者为痈等;⑨以病程长短命名,如千日疮等;⑩以传染性命名者,如疫疔等。
S22:根据所述辅助信息进行分词计算,得到二次病理分析集;
在本发明中,二次病理分析集的构建过程可采用与一次病理分析集相同的构建原理。
S23:根据所述一次病理分析集和所述二次病理分析集进行相似度计算,得到预测病理。
为明确在本方法中相似度的具体计算,步骤S23包括S231至S235,具体有;
S231:将所述一次病理分析集进行标准化处理,得到包含有基础信息和当前病情信息的第一标准集;
在本发明中可采用极差标准化法,即找出一次病理分析集每个数据信息所对应的最大值和最小值,之后将一次病理分析集中的每个数据信息进行映射,将映射后的数据信息作为第一标准集中的属性数据。通过将数据标准化,能够加速权重参数的收敛。
S232:将所述二次病理分析集进行标准化处理,得到包含有辅助信息的第二标准集;
在本发明中,第二标准集的构建过程可采用与第一标准集相同的构建原理。
S233:将所述第一标准集中低于预设标准值的数据进行删除后与预设症状库进行相似度计算,得到第一相似度病理;
S234:将所述第二标准集中低于预设标准值的数据进行删除后与预设症状库进行相似度计算,得到第二相似度病理;
在本发明中,相似度的计算采用两个向量之间的夹角余弦值,预设症状库向量为,第一标准集中低于预设标准值的数据进行删除后的数据集向量为/>,则第一相似度病理/>为:
;
上式中,表示第一相似度病理,/>表示预设症状库向量,/>第一标准集中低于预设标准值的数据进行删除后的数据集向量,/>表示预设症状库向量的模长,/>表示第一标准集中低于预设标准值的数据进行删除后的数据集向量的模长。
在本发明中,预设症状库向量为,第二标准集中低于预设标准值的数据进行删除后的数据集向量为/>,则第一相似度病理/>为:
;
上式中,表示第一相似度病理,/>表示预设症状库向量,/>第二标准集中低于预设标准值的数据进行删除后的数据集向量,/>表示预设症状库向量的模长,/>表示第二标准集中低于预设标准值的数据进行删除后的数据集向量的模长。
S235:根据所述第一相似度病理和所述第二相似度病理进行数据构建,得到预测病理。
步骤2根据用户输入的语言症状,进行语言处理、可能性推理以及相似度计算后,得到了用户可能患有的疾病,以及患有该疾病的相似度,即在本预测病理中,一方面包含有基础信息和当前病情信息所对应的第一相似度病理,另一方面包含有辅助信息所对应的第一相似度病理。
S3:根据所述预测病理与预设第一样本函数进行精确度计算,得到第一推荐数据集;
为明确第一推荐数据集的具体计算,步骤S3包括S31至S33,具体有:
S31:根据所述预测病理进行第一次问诊问答,得到用户对不同预测病理的第一次评分,所述第一次评分用于进行预测病理的精确度计算;
在本步骤中,本方法根据预测病理调用预设数据库中与预测病理对应的病理特征,生成多个针对性第一次问诊问答,在所述问诊问答中仅是针对病理特征的直观描述,用户只需对病理特征的直观描述进行打分,以1-10分为评分标准级,若用户认为调用的病理特征的描述与用户当前病情信息吻合,则用户可打10分,若用户认为调用的病理特征的描述与用户当前病情信息完全不吻合,则用户可打1分,以方便后期进行数据筛选。
S32:将所述不同预测病理的第一次评分进行排序,得到预测病理第一评分集;
本方法的排序可根据评分大小值进行排序。
S33:将预测病理第一评分集与预设第一样本函数进行精确度计算,得到第一推荐数据集。
在步骤S33中,所述预设第一样本函数为:
;
上式中,表示第一推荐数据集,/>是用户的预测病理第一评分集,r是候选病理数据集,N是预设推荐系数,/>是用户的预测病理第一评分集中的具体数据,i是候选病理数据集中的具体数据。
S4:根据所述预测病理与预设第二样本函数进行多样度计算,得到第二推荐数据集;
为明确第二推荐数据集的具体计算,步骤S4包括S41至S43,具体有:
S41:根据所述预测病理进行第二次问诊问答,得到用户对不同预测病理的第二次评分,所述第二次评分用于进行预测病理的多样度计算;
S42:将所述不同预测病理的第二次评分进行排序,得到预测病理第二评分集;
S43:将预测病理第二评分集与预设第二样本函数进行多样度计算,得到第二推荐数据集。
在本步骤中,所述预设第二样本函数为:
;
上式中,表示第二推荐数据集,/>是用户的预测病理第二评分集,r是候选病理数据集,N是预设推荐系数,/>是用户的预测病理第二评分集中的具体数据,i/>是候选病理数据集中的具体数据。
S5:对所述第一推荐数据集和所述第二推荐数据集进行遗传计算,得到就诊通知单,所述就诊通知单包括主推荐信息和辅推荐信息,所述主推荐信息为优先就诊科室和优先问诊病情,所述辅推荐信息为次要就诊科室和次要问诊病情。
所述第一推荐数据集和所述第二推荐数据集进行遗传计算,本发明采用二进制编码,每个抗体均为随机产生,“0”代表不推荐的问诊病情,“1”代表推荐的问诊病情,初始群抗体种群和更新抗体种群时,满足以下关系:
;
上式中,表示第i个抗体的长度,/>表示抗体为/>的长度,/>表示抗体为/>的长度,K为最终推荐的就诊通知单长度。
在步骤5中生成的就诊通知单,能够引导用户进行就诊,减少用户不必要的就诊时间,提高用户的就诊效率。
实施例2:
如图2所示,本实施例提供了一种线上就诊通知的装置,所述装置包括:
获取模块901,用于获取用户的基础信息、辅助信息和当前病情信息,所述基础信息包括用户的性别、年龄和历史疾病,所述辅助信息为用户在预设时间内的用药明细和病理特征;
第一处理模块902,用于根据所述基础信息、所述辅助信息和所述当前病情信息进行分词计算,得到预测病理;
第二处理模块903,用于根据所述预测病理与预设第一样本函数进行精确度计算,得到第一推荐数据集;
第三处理模块904,用于根据所述预测病理与预设第二样本函数进行多样度计算,得到第二推荐数据集;
第四处理模块905,用于对所述第一推荐数据集和所述第二推荐数据集进行遗传计算,得到就诊通知单,所述就诊通知单包括主推荐信息和辅推荐信息,所述主推荐信息为优先就诊科室和优先问诊病情,所述辅推荐信息为次要就诊科室和次要问诊病情。
在本发明所公开的一种公开方法中,第一处理模块902包括:
第一计算单元9021,用于根据所述基础信息和当前病情信息进行分词计算,得到一次病理分析集;
在本发明所公开的一种公开方法中,第一计算单元9021包括:
提取单元90211,用于将所述性别和所述年龄通过分词器进行提取,得到第一基础子信息;
第一计算子单元90212,用于将所述历史疾病中的每个词进行第一权重值和第二权重值计算,得到第二基础子信息,所述第一权重值为所述历史疾病中的单个词频信息,所述第二权重值为所述历史疾病中的单个文本信息;
第二计算子单元90213,用于将所述当前病情信息中的每个词进行第三权重值和第四权重值计算,得到第三基础子信息,所述第三权重值为所述当前病情信息中的单个词频信息,所述第四权重值为所述当前病情信息中的单个文本信息;
第三计算子单元90214,用于根据所述第一基础子信息、所述第二基础子信息和所述第三基础子信息进行数据构建,得到一次病理分析集。
第二计算单元9022,用于根据所述辅助信息进行分词计算,得到二次病理分析集;
第三计算单元9023,用于根据所述一次病理分析集和所述二次病理分析集进行相似度计算,得到预测病理。
在本发明所公开的一种公开方法中,第三计算单元9023包括:
第一处理单元90231,用于将所述一次病理分析集进行标准化处理,得到包含有基础信息和当前病情信息的第一标准集;
第二处理单元90232,用于将所述二次病理分析集进行标准化处理,得到包含有辅助信息的第二标准集;
第三处理单元90233,用于将所述第一标准集中低于预设标准值的数据进行删除后与预设症状库进行相似度计算,得到第一相似度病理;
第四处理单元90234,用于将所述第二标准集中低于预设标准值的数据进行删除后与预设症状库进行相似度计算,得到第二相似度病理;
第五处理单元90235,用于根据所述第一相似度病理和所述第二相似度病理进行数据构建,得到预测病理。
在本发明所公开的一种公开方法中,第二处理模块903包括:
第四计算单元9031,用于根据所述预测病理进行第一次问诊问答,得到用户对不同预测病理的第一次评分,所述第一次评分用于进行预测病理的精确度计算;
第五计算单元9032,用于将所述不同预测病理的第一次评分进行排序,得到预测病理第一评分集;
第六计算单元9033,用于将预测病理第一评分集与预设第一样本函数进行精确度计算,得到第一推荐数据集。
在本发明所公开的一种公开方法中,第三处理模块904包括:
第七计算单元9041,用于根据所述预测病理进行第二次问诊问答,得到用户对不同预测病理的第二次评分,所述第二次评分用于进行预测病理的多样度计算;
第八计算单元9042,用于将所述不同预测病理的第二次评分进行排序,得到预测病理第二评分集;
第九计算单元9043,用于将预测病理第二评分集与预设第二样本函数进行多样度计算,得到第二推荐数据集。
需要说明的是,关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
实施例3:
相应于上面的方法实施例,本实施例中还提供了一种线上就诊通知的设备,下文描述的一种线上就诊通知的设备与上文描述的一种线上就诊通知方法可相互对应参照。
图4是根据示例性实施例示出的一种线上就诊通知的设备800的框图。如图4所示,该线上就诊通知的设备800可以包括:处理器801,存储器802。该线上就诊通知的设备800还可以包括多媒体组件803,I/O接口804,以及通信组件805中的一者或多者。
在另一示例性实施例中,还提供了一种包括程序指令的计算机可读存储介质,该程序指令被处理器执行时实现上述的线上就诊通知方法的步骤。例如,该计算机可读存储介质可以为上述包括程序指令的存储器802,上述程序指令可由线上就诊通知的设备800的处理器801执行以完成上述的线上就诊通知方法。
实施例4:
相应于上面的方法实施例,本实施例中还提供了一种可读存储介质,下文描述的一种可读存储介质与上文描述的一种线上就诊通知方法可相互对应参照。
一种可读存储介质,可读存储介质上存储有计算机程序,计算机程序被处理器执行时实现上述方法实施例的线上就诊通知方法的步骤。
该可读存储介质具体可以为U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可存储程序代码的可读存储介质。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
以上所述,仅为本发明的具体实施方式,但本发明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发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (6)
1.一种线上就诊通知方法,其特征在于,包括:
获取用户的基础信息、辅助信息和当前病情信息,所述基础信息包括用户的性别、年龄和历史疾病,所述辅助信息为用户在预设时间内的用药明细和病理特征;
根据所述基础信息、所述辅助信息和所述当前病情信息进行分词计算,得到预测病理;其中,根据所述基础信息和当前病情信息进行分词计算,得到一次病理分析集;
根据所述辅助信息进行分词计算,得到二次病理分析集;
根据所述一次病理分析集和所述二次病理分析集进行相似度计算,得到预测病理;其中,将所述一次病理分析集进行标准化处理,得到包含有基础信息和当前病情信息的第一标准集;
将所述二次病理分析集进行标准化处理,得到包含有辅助信息的第二标准集;
将所述第一标准集中低于预设标准值的数据进行删除后与预设症状库进行相似度计算,得到第一相似度病理;
将所述第二标准集中低于预设标准值的数据进行删除后与预设症状库进行相似度计算,得到第二相似度病理;
根据所述第一相似度病理和所述第二相似度病理进行数据构建,得到预测病理;
根据所述预测病理与预设第一样本函数进行精确度计算,得到第一推荐数据集;其中,所述预设第一样本函数为:
;
上式中,表示第一推荐数据集,/>是用户的预测病理第一评分集,r是候选病理数据集,N是预设推荐系数,/>是用户的预测病理第一评分集中的具体数据,i是候选病理数据集中的具体数据;
根据所述预测病理与预设第二样本函数进行多样度计算,得到第二推荐数据集;其中,所述预设第二样本函数为:
;
上式中,表示第二推荐数据集,/>是用户的预测病理第二评分集,r是候选病理数据集,N是预设推荐系数,/>是用户的预测病理第二评分集中的具体数据,/>是候选病理数据集中的具体数据;
对所述第一推荐数据集和所述第二推荐数据集进行遗传计算,得到就诊通知单,所述就诊通知单包括主推荐信息和辅推荐信息,所述主推荐信息为优先就诊科室和优先问诊病情,所述辅推荐信息为次要就诊科室和次要问诊病情;其中,所述遗传计算中就诊通知单长度的计算公式为:
;
上式中,表示第i个抗体的长度,/>表示抗体为/>的长度,/>表示抗体为/>的长度,K为最终推荐的就诊通知单长度。
2.根据权利要求1所述的线上就诊通知方法,其特征在于,根据所述基础信息、所述辅助信息和所述当前病情信息进行分词计算,得到预测病理,包括:
根据所述基础信息和当前病情信息进行分词计算,得到一次病理分析集;其中,将所述性别和所述年龄通过分词器进行提取,得到第一基础子信息;
将所述历史疾病中的每个词进行第一权重值和第二权重值计算,得到第二基础子信息,所述第一权重值为所述历史疾病中的单个词频信息,所述第二权重值为所述历史疾病中的单个文本信息;
将所述当前病情信息中的每个词进行第三权重值和第四权重值计算,得到第三基础子信息,所述第三权重值为所述当前病情信息中的单个词频信息,所述第四权重值为所述当前病情信息中的单个文本信息;
根据所述第一基础子信息、所述第二基础子信息和所述第三基础子信息进行数据构建,得到一次病理分析集;
根据所述辅助信息进行分词计算,得到二次病理分析集。
3.根据权利要求1所述的线上就诊通知方法,其特征在于,根据所述预测病理与预设第一样本函数进行精确度计算,得到第一推荐数据集,包括:
根据所述预测病理进行第一次问诊问答,得到用户对不同预测病理的第一次评分,所述第一次评分用于进行预测病理的精确度计算;
将所述不同预测病理的第一次评分进行排序,得到预测病理第一评分集;
将预测病理第一评分集与预设第一样本函数进行精确度计算,得到第一推荐数据集。
4.一种线上就诊通知装置,其特征在于,包括:
获取模块,用于获取用户的基础信息、辅助信息和当前病情信息,所述基础信息包括用户的性别、年龄和历史疾病,所述辅助信息为用户在预设时间内的用药明细和病理特征;
第一处理模块,用于根据所述基础信息、所述辅助信息和所述当前病情信息进行分词计算,得到预测病理;其中,所述第一处理模块包括:
第一计算单元,用于根据所述基础信息和当前病情信息进行分词计算,得到一次病理分析集;
第二计算单元,用于根据所述辅助信息进行分词计算,得到二次病理分析集;
第三计算单元,用于根据所述一次病理分析集和所述二次病理分析集进行相似度计算,得到预测病理;其中,所述第三计算单元包括:
第一处理单元,用于将所述一次病理分析集进行标准化处理,得到包含有基础信息和当前病情信息的第一标准集;
第二处理单元,用于将所述二次病理分析集进行标准化处理,得到包含有辅助信息的第二标准集;
第三处理单元,用于将所述第一标准集中低于预设标准值的数据进行删除后与预设症状库进行相似度计算,得到第一相似度病理;
第四处理单元,用于将所述第二标准集中低于预设标准值的数据进行删除后与预设症状库进行相似度计算,得到第二相似度病理;
第五处理单元,用于根据所述第一相似度病理和所述第二相似度病理进行数据构建,得到预测病理;
第二处理模块,用于根据所述预测病理与预设第一样本函数进行精确度计算,得到第一推荐数据集;其中,所述预设第一样本函数为:
;
上式中,表示第一推荐数据集,/>是用户的预测病理第一评分集,r是候选病理数据集,N是预设推荐系数,/>是用户的预测病理第一评分集中的具体数据,i是候选病理数据集中的具体数据;
第三处理模块,用于根据所述预测病理与预设第二样本函数进行多样度计算,得到第二推荐数据集;其中,所述预设第二样本函数为:
;
上式中,表示第二推荐数据集,/>是用户的预测病理第二评分集,r是候选病理数据集,N是预设推荐系数,/>是用户的预测病理第二评分集中的具体数据,/>是候选病理数据集中的具体数据;
第四处理模块,用于对所述第一推荐数据集和所述第二推荐数据集进行遗传计算,得到就诊通知单,所述就诊通知单包括主推荐信息和辅推荐信息,所述主推荐信息为优先就诊科室和优先问诊病情,所述辅推荐信息为次要就诊科室和次要问诊病情;其中,所述遗传计算中就诊通知单长度的计算公式为:
;
上式中,表示第i个抗体的长度,/>表示抗体为/>的长度,/>表示抗体为/>的长度,K为最终推荐的就诊通知单长度。
5.根据权利要求4所述的线上就诊通知装置,其特征在于,所述第一处理模块包括:
第一计算单元,用于根据所述基础信息和当前病情信息进行分词计算,得到一次病理分析集;其中,所述第一计算单元包括:
提取单元,用于将所述性别和所述年龄通过分词器进行提取,得到第一基础子信息;
第一计算子单元,用于将所述历史疾病中的每个词进行第一权重值和第二权重值计算,得到第二基础子信息,所述第一权重值为所述历史疾病中的单个词频信息,所述第二权重值为所述历史疾病中的单个文本信息;
第二计算子单元,用于将所述当前病情信息中的每个词进行第三权重值和第四权重值计算,得到第三基础子信息,所述第三权重值为所述当前病情信息中的单个词频信息,所述第四权重值为所述当前病情信息中的单个文本信息;
第三计算子单元,用于根据所述第一基础子信息、所述第二基础子信息和所述第三基础子信息进行数据构建,得到一次病理分析集;
第二计算单元,用于根据所述辅助信息进行分词计算,得到二次病理分析集。
6.根据权利要求4所述的线上就诊通知装置,其特征在于,所述第二处理模块包括:
第四计算单元,用于根据所述预测病理进行第一次问诊问答,得到用户对不同预测病理的第一次评分,所述第一次评分用于进行预测病理的精确度计算;
第五计算单元,用于将所述不同预测病理的第一次评分进行排序,得到预测病理第一评分集;
第六计算单元,用于将预测病理第一评分集与预设第一样本函数进行精确度计算,得到第一推荐数据集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310578330.8A CN116344009B (zh) | 2023-05-22 | 2023-05-22 | 一种线上就诊通知方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310578330.8A CN116344009B (zh) | 2023-05-22 | 2023-05-22 | 一种线上就诊通知方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116344009A CN116344009A (zh) | 2023-06-27 |
CN116344009B true CN116344009B (zh) | 2023-08-15 |
Family
ID=86893233
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310578330.8A Active CN116344009B (zh) | 2023-05-22 | 2023-05-22 | 一种线上就诊通知方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116344009B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108922608A (zh) * | 2018-06-13 | 2018-11-30 | 平安医疗科技有限公司 | 智能导诊方法、装置、计算机设备和存储介质 |
CN110570916A (zh) * | 2019-08-14 | 2019-12-13 | 深圳壹账通智能科技有限公司 | 就诊辅助方法、系统、装置及存储介质 |
CN110851725A (zh) * | 2019-11-15 | 2020-02-28 | 北京盛诺一家医院管理咨询有限公司 | 一种医疗资源推荐方法、系统、计算设备和存储介质 |
CN110993081A (zh) * | 2019-12-03 | 2020-04-10 | 济南大学 | 一种医生在线推荐方法及系统 |
CN111429989A (zh) * | 2020-04-21 | 2020-07-17 | 北京嘉和海森健康科技有限公司 | 一种生成诊前病历的方法及装置 |
CN111667890A (zh) * | 2020-05-29 | 2020-09-15 | 平安科技(深圳)有限公司 | 基于人工智能的用药推荐方法、装置、设备及存储介质 |
CN113284627A (zh) * | 2021-04-15 | 2021-08-20 | 北京交通大学 | 基于患者表征学习的用药推荐方法 |
CN113488152A (zh) * | 2021-07-14 | 2021-10-08 | 华中科技大学 | 一种语义分诊方法及系统 |
CN113724814A (zh) * | 2021-08-23 | 2021-11-30 | 泰康保险集团股份有限公司 | 一种分诊方法、装置、计算设备及存储介质 |
CN115274086A (zh) * | 2022-09-27 | 2022-11-01 | 无码科技(杭州)有限公司 | 一种智能导诊方法及系统 |
CN116052858A (zh) * | 2023-01-06 | 2023-05-02 | 江苏睿博信息科技股份有限公司 | 一种基于bert和特征融合的智能导诊方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022081731A1 (en) * | 2020-10-14 | 2022-04-21 | Oneline Health Llc | Automatically pre-constructing a clinical consultation note during a patient intake/admission process |
-
2023
- 2023-05-22 CN CN202310578330.8A patent/CN116344009B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108922608A (zh) * | 2018-06-13 | 2018-11-30 | 平安医疗科技有限公司 | 智能导诊方法、装置、计算机设备和存储介质 |
CN110570916A (zh) * | 2019-08-14 | 2019-12-13 | 深圳壹账通智能科技有限公司 | 就诊辅助方法、系统、装置及存储介质 |
CN110851725A (zh) * | 2019-11-15 | 2020-02-28 | 北京盛诺一家医院管理咨询有限公司 | 一种医疗资源推荐方法、系统、计算设备和存储介质 |
CN110993081A (zh) * | 2019-12-03 | 2020-04-10 | 济南大学 | 一种医生在线推荐方法及系统 |
CN111429989A (zh) * | 2020-04-21 | 2020-07-17 | 北京嘉和海森健康科技有限公司 | 一种生成诊前病历的方法及装置 |
CN111667890A (zh) * | 2020-05-29 | 2020-09-15 | 平安科技(深圳)有限公司 | 基于人工智能的用药推荐方法、装置、设备及存储介质 |
CN113284627A (zh) * | 2021-04-15 | 2021-08-20 | 北京交通大学 | 基于患者表征学习的用药推荐方法 |
CN113488152A (zh) * | 2021-07-14 | 2021-10-08 | 华中科技大学 | 一种语义分诊方法及系统 |
CN113724814A (zh) * | 2021-08-23 | 2021-11-30 | 泰康保险集团股份有限公司 | 一种分诊方法、装置、计算设备及存储介质 |
CN115274086A (zh) * | 2022-09-27 | 2022-11-01 | 无码科技(杭州)有限公司 | 一种智能导诊方法及系统 |
CN116052858A (zh) * | 2023-01-06 | 2023-05-02 | 江苏睿博信息科技股份有限公司 | 一种基于bert和特征融合的智能导诊方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116344009A (zh) | 2023-06-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Tazin et al. | Stroke disease detection and prediction using robust learning approaches | |
CN111414393B (zh) | 一种基于医学知识图谱的语义相似病例检索方法及设备 | |
US20210183474A1 (en) | Genetic and genealogical analysis for identification of birth location and surname information | |
CN111292848B (zh) | 一种基于贝叶斯估计的医疗知识图谱辅助推理方法 | |
CN112863630A (zh) | 基于数据和知识的个性化精准医疗问答系统 | |
CN110675944A (zh) | 分诊方法及装置、计算机设备及介质 | |
Pathan et al. | Identifying stroke indicators using rough sets | |
US20170147753A1 (en) | Method for searching for similar case of multi-dimensional health data and apparatus for the same | |
US11581094B2 (en) | Methods and systems for generating a descriptor trail using artificial intelligence | |
Karaca et al. | Computational methods for data analysis | |
CN114611735A (zh) | 就医的互联网挂号方法、装置、设备及存储介质 | |
CN115394393A (zh) | 智能诊疗数据处理方法、装置、电子设备及存储介质 | |
CN113571184A (zh) | 一种用于精神健康测评的对话交互设计方法及系统 | |
Sonet et al. | Analyzing patterns of numerously occurring heart diseases using association rule mining | |
JP2018014058A (ja) | 医療情報処理システム、医療情報処理装置及び医療情報処理方法 | |
CN110752027A (zh) | 电子病历数据推送方法、装置、计算机设备和存储介质 | |
CN116344009B (zh) | 一种线上就诊通知方法及装置 | |
CN110648754A (zh) | 科室推荐方法、装置及设备 | |
CN111104481B (zh) | 一种识别匹配字段的方法、装置及设备 | |
CN117370565A (zh) | 一种信息检索方法及系统 | |
CN112233742A (zh) | 一种基于聚类的病历文档分类系统、设备、存储介质 | |
Mendez et al. | A heart rate variability-based paroxysmal atrial fibrillation prediction system | |
AU2021102593A4 (en) | A Method for Detection of a Disease | |
CN111816276B (zh) | 患教教程推荐方法、装置、计算机设备和存储介质 | |
CN109448857B (zh) | 医疗咨询信息聚合分析方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A method and device for online medical consultation notification Granted publication date: 20230815 Pledgee: Wuhan Optics Valley Small and Medium Duty Venture Capital Co.,Ltd. Pledgor: Wuhan Shengbohui Information Technology Co.,Ltd. Registration number: Y2024980014409 |