CN116523704A - 一种基于大数据的医学实习教学决策方法 - Google Patents

Abstract

本申请提供一种基于大数据的医学实习教学决策方法，包括：获取实习生过往科室实习数据并提取实习成绩，并判断实习生沟通态度、技能操作效果、稳定性及成绩评价，构建实习技能数据表；获取患者过往数据，构造患者敏感偏好数据表；利用患者敏感偏好数据表建立先验知识库，基于贝叶斯算法构建判别模型；从患者敏感偏好数据表中提取特征变量输入判别模型，判断实习生是否能参与；根据判别结果和实习生技能数据表，初步推荐能胜任患者所需技能且能发挥稳定性的实习生；针对患者敏感偏好类型和初步推荐结果，选择最合适的实习生参与治疗；分配稳定性高的同学探索新的实习任务，对技能差的同学，加强训练，不推荐实际参与治疗。

Description

一种基于大数据的医学实习教学决策方法

技术领域

本发明涉及信息技术领域，尤其涉及一种基于大数据的医学实习教学决策方法。

背景技术

医学实习是医学院学生进行实战的必要阶段，一方面，医院科室老师需要充分了解每一名实习生的能力和水平，根据实习任务的难度和重要性，给予合适的指导和安排，确保实习任务与实习生能力相匹配，避免医疗事故的发生，另一方面，不同患者有不同的敏感偏好，例如需要打针的病人面对技能不熟练的实习生可能会产生不信任感，而需要进行化疗的癌症病人更加偏好具有良好沟通能力的医者。因此，如何合理地对这些实习生进行管理分配，使他们能够获得最佳的实习体验，同时又能对患者的敏感偏好进行个性化判断，根据不同敏感偏好类型分配相应的实习生，从而保障患者的就医质量和安全，是一个亟待解决的问题。

发明内容

本发明提供了一种基于大数据的医学实习教学决策方法，主要包括：

获取实习生过往科室实习数据并提取实习成绩，并判断实习生沟通态度、技能操作效果、稳定性及成绩评价，构建实习技能数据表，所述获取实习生过往科室实习数据并提取实习成绩，并判断实习生沟通态度、技能操作效果、稳定性及成绩评价，构建实习技能数据表，具体包括：获取患者治疗后的部位图像并提取图像特征，基于回归决策树模型预测实习生技能操作效果，获取实习成绩和对应的技能操作名称、技能操作效果，计算技能稳定性和成绩评价得分，获取实习成绩和对应的技能操作效果，进行归一化处理并分组定标；获取患者过往数据，构造患者敏感偏好数据表，所述获取患者过往数据，构造患者敏感偏好数据表，具体包括：获取患者医疗项目的身体体验难受程度和患者敏感度，根据实习内容构建Logistic回归模型，判断技术难度；利用患者敏感偏好数据表建立先验知识库，基于贝叶斯算法构建判别模型；从患者敏感偏好数据表中提取特征变量输入判别模型，判断实习生是否能参与；根据判别结果和实习生技能数据表，初步推荐能胜任患者所需技能且能发挥稳定性的实习生；针对患者敏感偏好类型和初步推荐结果，选择最合适的实习生参与治疗，具体包括：根据患者敏感偏好数据表对患者进行敏感性聚类；分配稳定性高的同学探索新的实习任务，对技能差的同学，加强训练，不推荐实际参与治疗。

进一步可选地，所述获取实习生过往科室实习数据并提取实习成绩，并判断实习生沟通态度、技能操作效果、稳定性及成绩评价，构建实习技能数据表包括：

获取实习生的科室实习数据，所述科室实习数据从实习单位实习生管理平台系统获取；所述科室实习数据包括实习生编号、实习生姓名、成绩公布日期以及医学理论成绩、病史采集成绩、体格检查成绩、医患交流成绩、临床诊断成绩五项实习成绩；根据实习成绩判断实习生沟通态度、技能操作效果、技能稳定性及成绩评价得分；所述实习生沟通态度用分数描述，沟通态度得分等于实习生医患交流成绩的平均值；所述技能操作效果通过获取患者治疗后的部位图像并提取图像特征，基于回归决策树模型获得；所述技能稳定性和所述成绩评价得分根据医学理论成绩、病史采集成绩、体格检查成绩、医患交流成绩、临床诊疗成绩、技能操作效果计算获得；构建实习技能数据表，所述实习技能数据表包括实习生编号、实习生姓名、沟通态度得分、技能操作名称、技能操作效果、技能操作稳定性、成绩评价得分；包括：获取患者治疗后的部位图像并提取图像特征，基于回归决策树模型预测实习生技能操作效果；获取实习成绩和对应的技能操作名称、技能操作效果，计算技能稳定性和成绩评价得分；获取实习成绩和对应的技能操作效果，进行归一化处理并分组定标；

所述获取患者治疗后的部位图像并提取图像特征，基于回归决策树模型预测实习生技能操作效果，具体包括：

获取患者治疗后的部位图像集及每张图像对应的技能操作效果得分数据，作为先验知识库；提取所述患者治疗后的部位图像集中每张图像对应的的图像特征，所述图像特征包括治疗部位的最大周长、最大凹陷度、平均凹陷度、最大面积、最大半径、平均灰度值六个维度；所述技能操作效果得分为医生根据自身经验判断得到；利用所述先验知识库构建模型训练集，所述模型训练集由六个图像特征和技能操作效果得分构成，所述六个图像特征为特征变量，所述技能操作效果得分为目标变量；建立回归决策树模型，导入训练集进行模型训练；训练完成后，获取经由实习生参与的患者治疗后的部位图像，提取图像特征制作输入集，所述输入集包括治疗部位的最大周长、最大凹陷度、平均凹陷度、最大面积、最大半径、平均灰度值六个图像特征，将所述输入集输入训练好的回归决策树模型，模型能够自动输出实习生的技能操作效果得分。

所述获取实习成绩和对应的技能操作名称、技能操作效果，计算技能稳定性和成绩评价得分，具体包括：

获取实习生每次的实习成绩及每次实习对应的技能操作名称和技能操作效果；对实习成绩和对应的技能操作效果，进行归一化处理并分组定标；获取分组定标的结果；统计各分组定标的结果中的数据条数，若所述数据条数大于1，则按照方差平均法计算实习生技能稳定性，若所述数据条数小于等于1，则默认实习生技能稳定性为0；分别计算医学理论、病史采集、体格检查、医患交流、临床诊疗、技能操作效果的成绩方差，并利用各项成绩方差的平均数，计算实习生技能稳定性，其中所述实习生技能稳定性等于所述各项成绩方差的平均数的倒数。计算各分组定标的结果中各实习内容的平均成绩；获取各实习成绩的平均值，利用权重法计算实习生成绩评价得分；所述权重法指结合权重值和得分计算实习生成绩评价得分，实习生成绩评价得分等于各项成绩得分与对应权重的乘积之和；所述权重由医生确定。

所述获取实习成绩和对应的技能操作效果，进行归一化处理并分组定标，具体包括：

对实习成绩中的医学理论成绩、病史采集成绩、体格检查成绩、医患交流成绩、临床诊疗成绩及技能操作效果进行归一化处理，归一化公式为：100*(原得分/原满分)；对归一化处理后的数据进行分组定标；以实习生编号为索引对实习生实习成绩及对应的技能操作效果进行分组，得到第一次分组定标的结果，所述第一次分组定标的结果为每一位实习生对应的历次实习成绩及对应的技能操作名称、技能操作效果；以技能操作名称为索引对第一次分组定标的结果进行分组，得到每一位实习生不同技能对应的数据；最后将分组定标的结果按照固定格式定上标签，所述固定格式为“实习编号_技能操作名称”。

进一步可选地，所述获取患者过往数据，构造患者敏感偏好数据表包括：

获取患者过往数据，构造患者敏感偏好数据表；所述患者敏感偏好数据表包括患者编号、患者姓名、患者身体体验难受程度、患者敏感度、技能操作名称、技能操作编号、技术难度；所述患者身体体验难受程度和所述患者敏感度都通过医学量化工具获取；所述技术难度通过Logistic回归模型获得；包括：获取患者医疗项目的身体体验难受程度和患者敏感度；根据实习内容构建Logistic回归模型，判断技术难度；

所述获取患者医疗项目的身体体验难受程度和患者敏感度，具体包括：

首先，根据患者的医疗项目对患者进行分类；若患者在该医疗项目过程中为清醒状态则为第一类，患者在医疗项目中为不清醒状态则为第二类；采用不同的量化工具来评估所述第一类和所述第二类患者的身体体验难受程度；获取量化结果，对所述量化结果进行归一化处理，转化为0到100分之间的数值，作为患者的身体体验难受程度指标。采用维克森林医师信任量表评估患者对医治人员的敏感度；所述维克森林医师信任量表包括忠实、能力、诚实和综合信任四个维度的评估内容；各维度按照1到5级进行评分，其中1为非常不同意，5为非常同意；取各维度的平均分作为患者对医治人员敏感度的量化结果。

所述根据实习内容构建Logistic回归模型，判断技术难度，具体包括：

获取实习内容，实习内容包括患者疾病名称、病情严重程度、实习技能名称、技能操作时长、操作过程中患者的出血量、操作过程中患者的输血量；所述病情严重程度分为非常严重、严重、一般、较轻、轻五个级别，分别用5、4、3、2、1替代；构建实习内容与技术难度映射关系集作为模型的训练集，所述技术难度由专家事先根据实习内容结合自身经验判断得到；所述技术难度包括高难、一般、低难三个级别，分别用数值3、2、1替代；构建Logistic回归模型，用训练集进行模型训练，训练完成后构建输入集并将输入集输入Logistic回归模型，分别输出技术难度为高难、一般和低难的概率，取概率最大值对应的难度级别作为技术难度；所述输入集包括患者疾病名称、病情严重程度、实习技能名称、技能操作时长、操作过程中患者的出血量、操作过程中患者的输血量。

进一步可选地，所述利用患者敏感偏好数据表建立先验知识库，基于贝叶斯算法构建判别模型包括：

获取患者敏感偏好数据表，基于患者敏感偏好数据表预先建立先验知识库，所述先验知识库包括患者敏感偏好数据表和标识符；所述标识符由患者的主治医生判断并上传至数据库，若实习生可以参与则用1标识，若实习生不可参与用0标识；提取先验知识库中的数据，并划分特征变量和目标变量；所述特征变量包括患者敏感偏好数据表中的医疗项目编号、患者身体体验难受程度、患者敏感度、技能操作编号、技术难度；所述目标变量为标识符；将先验知识库按照7：3划分为训练集和测试集；搭建朴素贝叶斯模型；先将训练集输入朴素贝叶斯模型，后将测试集输入朴素贝叶斯模型；训练集用于训练朴素贝叶斯模型，测试集用于评估模型判别效果。

进一步可选地，所述从患者敏感偏好数据表中提取特征变量输入判别模型，判断实习生是否能参与包括：

以患者编号为索引，从患者敏感偏好数据表中提取对应的特征变量，并构造输入集；所述输入集包括医疗项目编号、患者身体体验难受程度、患者敏感度、技能操作编号、技术难度；将输入集输入训练好的朴素贝叶斯模型，输出预测的实习生可参与标识符；判断实习生可参与标识符是否等于1，若为1则实习生可参与该项医疗项目，进行下一步推荐与匹配；否则弹出提示信息该患者不适合实习生参与。

进一步可选地，所述根据判别结果和实习生技能数据表，初步推荐能胜任患者所需技能且能发挥稳定性的实习生包括：

获取判别模型输出的实习生可参与标识符，若所述实习生可参与标识符为1则智能推荐实习生，否则不进行操作；根据患者编号从患者敏感偏好数据表提取患者所需的技能操作名称；首先，获取实习技能数据表，根据患者所需的技能操作名称初步筛选符合条件的实习生；然后，预设第一阈值，若实习生成绩评价得分大于第一阈值则进入待推荐序列，否则不符合推荐标准；最后，根据实习生的技能操作稳定性，按照从大到小的顺序对带推荐序列中的实习生进行排序，输出实习生列表作为初步推荐结果。

进一步可选地，所述针对患者敏感偏好类型和初步推荐结果，选择最合适的实习生参与治疗包括：

根据患者敏感偏好数据表对患者进行敏感性聚类，获取患者敏感偏好类型和初步推荐结果；所述推荐结果为根据判别结果和实习生技能数据表得到的实习生列表；若患者敏感偏好类型为技术敏感型，则将推荐结果按照实习生技能稳定性从大到小排序，输出实习生技能稳定性排名第一的实习生编号和实习生姓名作为最合适的实习生结果；若患者敏感偏好类型为沟通敏感型，则将推荐结果按照沟通态度得分从大到小排序，输出沟通态度得分排名第一的实习生编号和实习生姓名作为最合适的实习生推荐结果；包括：根据患者敏感偏好数据表对患者进行敏感性聚类；

所述根据患者敏感偏好数据表对患者进行敏感性聚类，具体包括：

获取患者敏感偏好数据表中的患者身体体验难受程度、技术难度、患者敏感度，获取判断患者对医治人员的敏感度过程中的维克森林医师信任量表，所述维克森林医师信任量表包括忠实、能力、诚实和综合信任四个维度患者敏感度评分；提取患者身体体验难受程度、技术难度、患者敏感度、忠实、能力、诚实和综合信任，将其作为患者聚类的特征变量；基于KMeans模型对患者进行聚类，设置KMeans模型的参数为2；首先随机选取两个中心点，根据欧氏距离公式计算每个患者到两个样本中心点的距离，把患者分配给距离最近的中心点；根据聚类结果更新每个类别的聚类中心点，再次进行分配；判断聚类结果是否发生变化，若结果一直则算法终止，否则继续更新聚类中心点；最终将患者分为技术敏感型与沟通敏感型两类。

进一步可选地，所述分配稳定性高的同学探索新的实习任务，对技能差的同学，加强训练，不推荐实际参与治疗包括：

预设第二阈值，获取最合适的实习生推荐结果；以所述最合适的实习生推荐结果中的实习生编号为索引，从实习技能数据表中提取对应的实习生技能操作稳定性，判断所述实习生技能操作稳定性与第二阈值的大小；若实习生技能操作稳定性大于等于所述第二阈值，则为该实习生分配新的实习任务，将最合适的实习生推荐结果替换成排名第二的实习生，否则结果保持不变；预设第三阈值，获取实习技能数据表；比较实习生成绩评价得分与第三阈值的大小；若实习生成绩评价得分小于等于第三阈值，则提示该实习生加强训练，不宜参与实际治疗。

本发明实施例提供的技术方案可以包括以下有益效果：

本发明是一种基于大数据的医学实习教学决策方法，能够根据实习生技能水平推荐合适的实习生的参与实际医疗项目，为不同水平的实习生提供个性化实习任务，同时还能够根据患者的敏感偏好类型推荐适合患者的实习生参与治疗，避免了患者对医生的不信任，也避免了医疗危险的产生，有利于提升患者的治疗体验。

附图说明

图1为本发明的一种基于大数据的医学实习教学决策方法的流程图。

图2为本发明的一种基于大数据的医学实习教学决策方法的示意图。

具体实施方式

下面将结合实施例对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

本实施例一种基于大数据的医学实习教学决策方法具体可以包括：

步骤101，获取实习生过往科室实习数据并提取实习成绩，并判断实习生沟通态度、技能操作效果、稳定性及成绩评价，构建实习技能数据表。

获取实习生的科室实习数据，所述科室实习数据从实习单位实习生管理平台系统获取；所述科室实习数据包括实习生编号、实习生姓名、成绩公布日期以及医学理论成绩、病史采集成绩、体格检查成绩、医患交流成绩、临床诊断成绩五项实习成绩；根据实习成绩判断实习生沟通态度、技能操作效果、技能稳定性及成绩评价得分；所述实习生沟通态度用分数描述，沟通态度得分等于实习生医患交流成绩的平均值；所述技能操作效果通过获取患者治疗后的部位图像并提取图像特征，基于回归决策树模型获得；所述技能稳定性和所述成绩评价得分根据医学理论成绩、病史采集成绩、体格检查成绩、医患交流成绩、临床诊疗成绩、技能操作效果计算获得。构建实习技能数据表，所述实习技能数据表包括实习生编号、实习生姓名、沟通态度得分、技能操作名称、技能操作效果、技能操作稳定性、成绩评价得分。例如，实习生张三在某次实践过程中对应的数据为{编号：001，姓名：张三，成绩公布日期：2023-03-17，医学理论成绩：90，病史采集：9，体格检查：8，医患交流：5，临床诊疗：3}。那么，张三的沟通态度等于张三医患交流成绩的平均值，假设张三一共有三次成绩，三次成绩中医学理论成绩分别为90、95、100，则张三的沟通态度分数等于95分；其中，病史采集、体格检查、医患交流、临床诊断分别包括11项、8项、5项、5项考核内容。具体考核内容为：{病史采集:正确称呼患者、佩戴医生名牌、给患者解释病史采集的作用、鼓励患者自主陈述、适时引导患者以获得完整信息、病史采集过程条理清晰、病史采集过程重点突出、进行记录、采用易懂词语避免专业术语、耐心倾听、与患者有眼神言语或肢体交流}、{体格检查：给患者解释体格检查的作用、双手消毒、准备所需工具、男医生检查女患者时有其他女性医护陪同、体格检查无遗漏、按顺序检查避免患者频繁更换姿势、操作规范轻柔、保护患者隐私}、{医患交流：态度良好、尊重患者、获得患者信任、解答患者的问题、解释患者检查结果的临床意义}、{临床诊断：整合患者病史信息和体格检查结果、能理解各项检查结果、诊断体现逻辑性、具有诊断能力、诊疗方案合理}。在该次实践过程中满足考核内容则记为1，将所有考核内容的总和作为临床技能实践科目的对应成绩，即病史采集、体格检查、医患交流、临床诊断的满分分别为11分、8分、5分、5分。例如，体格检查得分为8说明有8项符合要求，0项考核内容不符合要求。

获取患者治疗后的部位图像并提取图像特征，基于回归决策树模型预测实习生技能操作效果。

获取患者治疗后的部位图像集及每张图像对应的技能操作效果得分数据，作为先验知识库；提取所述患者治疗后的部位图像集中每张图像对应的的图像特征，所述图像特征包括治疗部位的最大周长、最大凹陷度、平均凹陷度、最大面积、最大半径、平均灰度值六个维度；所述技能操作效果得分为医生根据自身经验判断得到；利用所述先验知识库构建模型训练集，所述模型训练集由六个图像特征和技能操作效果得分构成，所述六个图像特征为特征变量，所述技能操作效果得分为目标变量；建立回归决策树模型，导入训练集进行模型训练；训练完成后，获取经由实习生参与的患者治疗后的部位图像，提取图像特征制作输入集，所述输入集包括治疗部位的最大周长、最大凹陷度、平均凹陷度、最大面积、最大半径、平均灰度值六个图像特征，将所述输入集输入训练好的回归决策树模型，模型能够自动输出实习生的技能操作效果得分。例如，将数据{最大周长：184.6，最大凹陷度：0.2654，平均凹陷度：0.1471，最大面积：2019，最大半径：25.38，平均灰度值：17.33}输入至回归决策树模型，模型能够自动输出实习生的技能操作效果得分；基于先验知识库构建的训练集中包含了图像特征与技能操作效果的映射关系，由于回归决策树是一种监督学习模型，需要利用现有数据及数据标签来构建模型，在此例子中，六个图像特征相当于现有数据，技能操作效果相当于数据标签，设置先验知识库的目的是便于建立训练集用于训练模型。

获取实习成绩和对应的技能操作名称、技能操作效果，计算技能稳定性和成绩评价得分。

获取实习生每次的实习成绩及每次实习对应的技能操作名称和技能操作效果；对实习成绩和对应的技能操作效果，进行归一化处理并分组定标；获取分组定标的结果；统计各分组定标的结果中的数据条数，若所述数据条数大于1，则按照方差平均法计算实习生技能稳定性，若所述数据条数小于等于1，则默认实习生技能稳定性为0；分别计算医学理论、病史采集、体格检查、医患交流、临床诊疗、技能操作效果的成绩方差，并利用各项成绩方差的平均数，计算实习生技能稳定性，其中所述实习生技能稳定性等于所述各项成绩方差的平均数的倒数。计算各分组定标的结果中各实习内容的平均成绩；获取各实习成绩的平均值，利用权重法计算实习生成绩评价得分；所述权重法指结合权重值和得分计算实习生成绩评价得分，实习生成绩评价得分等于各项成绩得分与对应权重的乘积之和；所述权重由医生确定。例如，实习生A共有两组数据“00A_胸腔穿刺”和“00A_导尿术”，每组分别包括两条数据，以第一组数据为例，假设以下是第一组数据；其中第一条为{编号：00A，姓名：A，医学理论成绩：90，病史采集：81，体格检查：100，医患交流：100，临床诊疗：60，技能操作名称：胸腔穿刺，技能操作效果：90}；第二条为{编号：00A，姓名：A，医学理论成绩：80，病史采集：90，体格检查：87.5，医患交流：80，临床诊疗：80，技能操作名称：胸腔穿刺，技能操作效果：80}；由于第一组数据中的数据条数为2，大于1，因此使用方差平均法计算实习生技能稳定性；首先计算各项成绩方差，方差计算公式为：

，其中S为方差，平均数；以实习生A的医学理论成绩为例，首先计算医学理论成绩的平均数＝(90+80)/2＝85，然后计算医学理论成绩的方差为√(((90-85)^2+(80-85)^2)/2)＝25，类似地，求得实习生A的各项成绩方差为医学理论：25，病史采集20.25，体格检查39.0625，医患交流100，临床诊疗100，技能操作效果25；然后计算各项成绩方差的平均数＝(25+20.25+39.0625+100+100+25)/6，则实习生技能稳定性等于所述各项成绩方差的平均数的倒数，即实习生技能稳定性＝1/((25+20.25+39.0625+100+100+25)/6)＝0.019398；若所述数据条数小于等于1，则默认实习生技能稳定性为0。然后计算实习生的成绩评价得分；首先计算第一组数据中各实习内容的平均成绩，以医学理论成绩为例，医学理论平均成绩＝(90+80)/2＝85，类似地，求得实习生A的各项平均成绩为医学理论：85，病史采集：86.3636，体格检查：93.75，医患交流：90，临床诊疗：70，技能操作效果：85；所述权重值由医生确定，假设医学理论成绩、病史采集、体格检查、医患交流、临床诊断、技能操作效果的权重分别为0.29、0.1、0.1、0.1、0.17、0.24，则A的成绩评价得分＝0.29*医学理论成绩+0.1*病史采集+0.1*体格检查+0.1*医患交流+0.17*临床诊断+0.24*技能操作效果

＝0.29*85+0.1*86.3636+0.1*93.75+0.1*90+0.17*70+0.24*85＝83.96136。

获取实习成绩和对应的技能操作效果，进行归一化处理并分组定标。

对实习成绩中的医学理论成绩、病史采集成绩、体格检查成绩、医患交流成绩、临床诊疗成绩及技能操作效果进行归一化处理，归一化公式为：100*(原得分/原满分)；对归一化处理后的数据进行分组定标；以实习生编号为索引对实习生实习成绩及对应的技能操作效果进行分组，得到第一次分组定标的结果，所述第一次分组定标的结果为每一位实习生对应的历次实习成绩及对应的技能操作名称、技能操作效果；以技能操作名称为索引对第一次分组定标的结果进行分组，得到每一位实习生不同技能对应的数据；最后将分组定标的结果按照固定格式定上标签，所述固定格式为“实习编号_技能操作名称”。例如，例如，实习生A体格检查得分为8,而体格采集满分为8，则归一化后的数据＝100*(8/8)＝100分；假设实习生A的科室实习数据中有两条数据如下；第一条：{编号：001，姓名：张三，医学理论成绩：90，病史采集：9，体格检查：8，医患交流：5，临床诊疗：3，技能操作名称：胸腔穿刺，技能操作效果：90}；第二条：{编号：001，姓名：张三，医学理论成绩：80，病史采集：10，体格检查：7，医患交流：4，临床诊疗：4，技能操作名称：胸腔穿刺，技能操作效果：80}；则归一化之后的数据如下；第一条：{编号：001，姓名：张三，医学理论成绩：90，病史采集：81，体格检查：100，医患交流：100，临床诊疗：60，技能操作名称：胸腔穿刺，技能操作效果：90}；第二条：{编号：001，姓名：张三，医学理论成绩：80，病史采集：90，体格检查：87.5，医患交流：80，临床诊疗：80，技能操作名称：胸腔穿刺，技能操作效果：80}；所述分组定标指按照不同技术操作名称分组，因为实习生每参与一次实习就会产生一条成绩数据，可能会出现某项技能包含多条数据的情况，因此按照技术操作名称分组得到实习生不同技能的历史成绩数据，便于后续计算实习生技能稳定性和实习生技能水平衡量指标；首先以实习生编号为索引对科室实习数据进行分组，得到的第一次分组结果包括了三位实习生对应的科室实习数据，分别为A、B、C三位同学；以实习生A为例，实习生A的实习生编号为00A，且参与了四次实习，假设第一次分组结果中A有四条成绩数据，且这四条数据前两条为胸腔穿刺的成绩，后两条为导尿术的成绩，那么以技能操作名称为索引再次进行分组，得到两组数据，第一组为前两条描述胸腔穿刺的成绩数据，第二组为后两条描述导尿术的成绩数据，则第一组数据的标签为“00A_胸腔穿刺”,第二组数据的标签为“00A_导尿术”。

步骤102，获取患者过往数据，构造患者敏感偏好数据表。

获取患者过往数据，构造患者敏感偏好数据表；所述患者敏感偏好数据表包括患者编号、患者姓名、患者身体体验难受程度、患者敏感度、技能操作名称、技能操作编号、技术难度；所述患者身体体验难受程度和所述患者敏感度都通过医学量化工具获取；所述技术难度通过Logistic回归模型获得。

获取患者医疗项目的身体体验难受程度和患者敏感度。

首先，根据患者的医疗项目对患者进行分类；若患者在该医疗项目过程中为清醒状态则为第一类，患者在医疗项目中为不清醒状态则为第二类；采用不同的量化工具来评估所述第一类和所述第二类患者的身体体验难受程度；获取量化结果，对所述量化结果进行归一化处理，转化为0到100分之间的数值，作为患者的身体体验难受程度指标。采用维克森林医师信任量表评估患者对医治人员的敏感度；所述维克森林医师信任量表包括忠实、能力、诚实和综合信任四个维度的评估内容；各维度按照1到5级进行评分，其中1为非常不同意，5为非常同意；取各维度的平均分作为患者对医治人员敏感度的量化结果。例如，医疗领域中有许多量化患者体验的工具，当患者在医疗项目过程中全程为清醒状态时患者能够主观表达出在治疗过程中的身体体验难受程度，当患者在医疗项目中为不清醒状态时(例如麻醉昏迷)，患者无法表达治疗过程中的身体体验难受程度或者在该过程中无感，因此只能在治疗结束后由医生对其身体难受程度进行评估。例如，当患者进行静脉注射时属于清醒状态，此时用视觉模拟评分法量化患者的疼痛程度；视觉模拟评分法将疼痛程度划分为0到10级，其中0级为无痛，10级为难以忍受的剧烈疼痛，患者只需要根据自身体验挑选一个数字表达疼痛程度；假设某患者的疼痛程度为8，按照如前所述的归一化办法，新的得分＝100*

(原得分/原满分)＝100*(8/10)＝80；当患者处于麻醉昏迷状态时使用Glasgow昏迷量表评估患者身体体验难受程度。Glasgow昏迷量表由睁眼反应、言语反应和非偏瘫侧运动反应三项评估条目组成，每个条目分别包含4个、5个、6个指标，符合条件则记一分，总分为15分，具体细则为：睁眼反应{自发睁眼、呼叫时睁眼、疼痛刺激时睁眼、任何刺激无反应}、言语反应{定向力正常、句子完整、可回答单词、仅有声音、无反应}、非偏瘫侧运动反应{服从命令、疼痛反应时可定位、疼痛时可屈曲或有逃避反应、疼痛时异常屈曲、疼痛时伸展、无反应}；假设某患者得分为13，则按照如前所述的归一化办法，新的得分＝100*(原得分/原满分)＝100*(13/15)＝86.7。由于不同量化工具评价量纲不同，因此需要对所得结果进行归一化处理。例如，李四的维克森林医师信任量表结果为忠实：3、能力：5、诚实：3、综合信任：5，则最终患者对医治人员敏感度为4。维克森林医师信任量表在医学上用于测量患者对医生的信任水平，信任水平越高则患者对医治人员的敏感度越高。量表中的忠实即以患者的利益为基础，能力即医治人员的技术能力和沟通能力，诚实即向患者传递真实的信息没有故意隐瞒，综合信任即因为情感或其他难以详细阐述的因素而产生的信任。

根据实习内容构建Logistic回归模型，判断技术难度。

获取实习内容，实习内容包括患者疾病名称、病情严重程度、实习技能名称、技能操作时长、操作过程中患者的出血量、操作过程中患者的输血量；所述病情严重程度分为非常严重、严重、一般、较轻、轻五个级别，分别用5、4、3、2、1替代；构建实习内容与技术难度映射关系集作为模型的训练集，所述技术难度由专家事先根据实习内容结合自身经验判断得到；所述技术难度包括高难、一般、低难三个级别，分别用数值3、2、1替代；构建Logistic回归模型，用训练集进行模型训练，训练完成后构建输入集并将输入集输入Logistic回归模型，分别输出技术难度为高难、一般和低难的概率，取概率最大值对应的难度级别作为技术难度；所述输入集包括患者疾病名称、病情严重程度、实习技能名称、技能操作时长、操作过程中患者的出血量、操作过程中患者的输血量。例如，将数据{患者疾病名称：乳腺肿瘤，病情严重程度：5，实习技能名称：乳癌扩大根治术，技能操作时长：2h，操作过程中患者的出血量：400ml，操作过程中患者的输血量：0ml}输入Logistic回归模型,得到该技能为高难的概率是0.4，为一般的概率是0.3，为低难的概率是0.3，则该技术的难度为3，即高难；构建实习内容与技术难度映射关系集的目的是为了训练Logistic回归模型，模型训练完成后只需要输入实习内容就可以得到技术难度的概率，从而根据概率大小判断对应技能的技术难度级别。

步骤103，利用患者敏感偏好数据表建立先验知识库，基于贝叶斯算法构建判别模型。

获取患者敏感偏好数据表，基于患者敏感偏好数据表预先建立先验知识库，所述先验知识库包括患者敏感偏好数据表和标识符；所述标识符由患者的主治医生判断并上传至数据库，若实习生可以参与则用1标识，若实习生不可参与用0标识；提取先验知识库中的数据，并划分特征变量和目标变量；所述特征变量包括患者敏感偏好数据表中的医疗项目编号、患者身体体验难受程度、患者敏感度、技能操作编号、技术难度；所述目标变量为标识符；将先验知识库按照7：3划分为训练集和测试集；搭建朴素贝叶斯模型；先将训练集输入朴素贝叶斯模型，后将测试集输入朴素贝叶斯模型；训练集用于训练朴素贝叶斯模型，测试集用于评估模型判别效果。例如，由于患者的医疗项目往往包括多个操作技能，例如对于脑肿瘤摘除项目，包括脑肿瘤摘除技术、术中心电图观察、术后缝合、术中麻醉等多个技术，指导医生作为主刀医生实施肿瘤摘除手术，这个技能十分重要不适合实习生进行操作，但这个医疗项目中需要的术中心电图观察却可以完全交给实习生负责。由于不同技术对医者能力的要求不同，且患者自身情况也可能使技术更加复杂，因此需要建立先验知识库，由最了解患者的主治医师来决定该患者所需的技能操作是否适合实习生参与；所述先验知识库包括患者敏感偏好数据表和标识符，其中标识符由患者的主治医生判断并上传至数据库，若该项技能操作适合实习生参与则用1标识，若不适合则用0标识；以患者李四为例，李四的主治医生认为李四的胸腔穿刺可以由实习生参与治疗，不需自己从旁指导，则实习生可参与标识符为1，对应实习生可参与项目先验知识库中的数据为{患者编号A001,患者姓名：李四，患者身体体验难受程度：75，患者敏感度：3，技能操作名称：胸腔穿刺，技术难度：60，实习生可参与标识符：1}；其中，以医疗项目编号、患者身体体验难受程度、患者敏感度、技能操作编号、技术难度作为特征变量，以实习生可参与标识符为目标变量，其目的在于构建(患者特征、技术操作)与(实习生是否能参与)两者之间的关联；假设实习生可参与项目先验知识库中有1000条数据，则其中的7000条为训练集，剩下的3000条为测试集。

步骤104，从患者敏感偏好数据表中提取特征变量输入判别模型，判断实习生是否能参与。

以患者编号为索引，从患者敏感偏好数据表中提取对应的特征变量，并构造输入集；所述输入集包括医疗项目编号、患者身体体验难受程度、患者敏感度、技能操作编号、技术难度；将输入集输入训练好的朴素贝叶斯模型，输出预测的实习生可参与标识符；判断实习生可参与标识符是否等于1，若为1则实习生可参与该项医疗项目，进行下一步推荐与匹配；否则弹出提示信息该患者不适合实习生参与。例如，患者李四的编号为A001，从患者敏感偏好数据表中提取对应的特征变量为{医疗项目编号：B001，患者身体体验难受程度：75，患者敏感度：3，技能操作编号：C001，技术难度：60}。将其输入训练好的朴素贝叶斯模型可得到预测结果，假设预测结果为1，则李四的医疗项目中技能编号为C001的操作可让实习生参与。

步骤105，根据判别结果和实习生技能数据表，初步推荐能胜任患者所需技能且能发挥稳定性的实习生。

获取判别模型输出的实习生可参与标识符，若所述实习生可参与标识符为1则智能推荐实习生，否则不进行操作；根据患者编号从患者敏感偏好数据表提取患者所需的技能操作名称；首先，获取实习技能数据表，根据患者所需的技能操作名称初步筛选符合条件的实习生；然后，预设第一阈值，若实习生成绩评价得分大于第一阈值则进入待推荐序列，否则不符合推荐标准；最后，根据实习生的技能操作稳定性，按照从大到小的顺序对带推荐序列中的实习生进行排序，输出实习生列表作为初步推荐结果。例如，患者敏感偏好数据表提取患者所需的技能操作名称，获取实习技能数据表，所述实习技能数据表包括实习生编号、实习生姓名、沟通态度得分、技能操作名称、技能操作效果、技能操作稳定性、成绩评价得分。假设患者敏感偏好数据表的提取结果为胸腔穿刺，则以胸腔穿刺为索引对实习技能数据表进行筛选，初步筛选符合条件的有张三、张二、张一、张零假设四人的实习生成绩评价得分分别为95、93、90、88，实习生的技能操作稳定性分别为0.3、0.2、0.1、0；若第一阈值为90，则进入待推荐序列的有张三、张二和张一；最后按照实习生的技能操作稳定性的排序为张三＞张二＞张一，则推荐结果为{张三、张二、张一}；所述第一阈值为系统中所有实习生成绩评价得分从大到小排序，处于上四分位的数值。

步骤106，针对患者敏感偏好类型和初步推荐结果，选择最合适的实习生参与治疗。

根据患者敏感偏好数据表对患者进行敏感性聚类，获取患者敏感偏好类型和初步推荐结果；所述推荐结果为根据判别结果和实习生技能数据表得到的实习生列表；若患者敏感偏好类型为技术敏感型，则将推荐结果按照实习生技能稳定性从大到小排序，输出实习生技能稳定性排名第一的实习生编号和实习生姓名作为最合适的实习生结果；若患者敏感偏好类型为沟通敏感型，则将推荐结果按照沟通态度得分从大到小排序，输出沟通态度得分排名第一的实习生编号和实习生姓名作为最合适的实习生推荐结果。例如，王五为技术敏感型患者按照实习生技能稳定性的排序为张三＞张二＞张一，则推荐结果为{张三}。李四为沟通敏感型则按照沟通态度得分从大到小排序，假设是张一＞张二＞张三，则推荐结果为{张一}。

根据患者敏感偏好数据表对患者进行敏感性聚类。

获取患者敏感偏好数据表中的患者身体体验难受程度、技术难度、患者敏感度，获取判断患者对医治人员的敏感度过程中的维克森林医师信任量表，所述维克森林医师信任量表包括忠实、能力、诚实和综合信任四个维度患者敏感度评分；提取患者身体体验难受程度、技术难度、患者敏感度、忠实、能力、诚实和综合信任，将其作为患者聚类的特征变量；基于KMeans模型对患者进行聚类，设置KMeans模型的参数为2；首先随机选取两个中心点，根据欧氏距离公式计算每个患者到两个样本中心点的距离，把患者分配给距离最近的中心点；根据聚类结果更新每个类别的聚类中心点，再次进行分配；判断聚类结果是否发生变化，若结果一直则算法终止，否则继续更新聚类中心点；最终将患者分为技术敏感型与沟通敏感型两类。例如，王五的数据为{患者身体体验难受程度：75，技术难度：60，患者敏感度：3，忠实：3，能力：5，诚实：3，综合信任：5，}；两个聚类中心的坐标都是聚类算法自动选择的，模型参数K设为2则算法自动选择两个聚类中心；假设聚类中心的坐标1为(80，80，5，1，5，1，2)，坐标2为(30，60，5，5，2，5，5)；其中坐标1代表技术偏好型，坐标2代表沟通偏好型；计算王五和聚类中心的欧式距离，与坐标1的距离＝√((75-80)^2+(60-80)^2+(3-5)^2+(3-1)^2+(5-5)^2+(3-1)^2+(5-2)^2)＝21.12，与坐标2的距离

＝√((75-30)^2+(60-60)^2+(3-5)^2+(3-5)^2+(5-2)^2+(3-5)^2+(5-5)^2)＝45.23；由于20.71小于45.04，因此王五为技术敏感型患者，因此在推荐实习生时应注重实习生的技能水平。

步骤107，分配稳定性高的同学探索新的实习任务，对技能差的同学，加强训练，不推荐实际参与治疗。

预设第二阈值，获取最合适的实习生推荐结果；以所述最合适的实习生推荐结果中的实习生编号为索引，从实习技能数据表中提取对应的实习生技能操作稳定性，判断所述实习生技能操作稳定性与第二阈值的大小；若实习生技能操作稳定性大于等于所述第二阈值，则为该实习生分配新的实习任务，将最合适的实习生推荐结果替换成排名第二的实习生，否则结果保持不变；预设第三阈值，获取实习技能数据表；比较实习生成绩评价得分与第三阈值的大小；若实习生成绩评价得分小于等于第三阈值，则提示该实习生加强训练，不宜参与实际治疗。所述第二阈值为指导医生根据指导经验制定的实习生技能操作稳定性阈值；若实习生技能操作稳定性大于等于所述第二阈值，说明该实习生已经熟练掌握对应的技能，可以分配新的实习任务，提升其他的技能，将本次实习机会交给推荐列表中排名第二的实习生，让其他优秀但有提升空间的实习生有机会锻炼；所述第三阈值为指导医生根据指导经验制定的成绩评价得分；若实习生成绩评价得分小于等于第三阈值，则说明该实习生技能水平还不达标，需要加强训练。

以上所述，仅为本发明较佳的具体实施方式，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，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (8)

1.一种基于大数据的医学实习教学决策方法，其特征在于，所述方法包括：

获取实习生过往科室实习数据并提取实习成绩，并判断实习生沟通态度、技能操作效果、稳定性及成绩评价，构建实习技能数据表，所述获取实习生过往科室实习数据并提取实习成绩，并判断实习生沟通态度、技能操作效果、稳定性及成绩评价，构建实习技能数据表，具体包括：获取患者治疗后的部位图像并提取图像特征，基于回归决策树模型预测实习生技能操作效果，获取实习成绩和对应的技能操作名称、技能操作效果，计算技能稳定性和成绩评价得分，获取实习成绩和对应的技能操作效果，进行归一化处理并分组定标；获取患者过往数据，构造患者敏感偏好数据表，所述获取患者过往数据，构造患者敏感偏好数据表，具体包括：获取患者医疗项目的身体体验难受程度和患者敏感度，根据实习内容构建Logistic回归模型，判断技术难度；利用患者敏感偏好数据表建立先验知识库，基于贝叶斯算法构建判别模型；从患者敏感偏好数据表中提取特征变量输入判别模型，判断实习生是否能参与；根据判别结果和实习生技能数据表，初步推荐能胜任患者所需技能且能发挥稳定性的实习生；针对患者敏感偏好类型和初步推荐结果，选择最合适的实习生参与治疗，具体包括：根据患者敏感偏好数据表对患者进行敏感性聚类；分配稳定性高的同学探索新的实习任务，对技能差的同学，加强训练，不推荐实际参与治疗。

2.根据权利要求1所述的方法，其中，所述获取实习生过往科室实习数据并提取实习成绩，并判断实习生沟通态度、技能操作效果、稳定性及成绩评价，构建实习技能数据表，包括:

获取实习生的科室实习数据，所述科室实习数据从实习单位实习生管理平台系统获取；所述科室实习数据包括实习生编号、实习生姓名、成绩公布日期以及医学理论成绩、病史采集成绩、体格检查成绩、医患交流成绩、临床诊断成绩五项实习成绩；根据实习成绩判断实习生沟通态度、技能操作效果、技能稳定性及成绩评价得分；所述实习生沟通态度用分数描述，沟通态度得分等于实习生医患交流成绩的平均值；所述技能操作效果通过获取患者治疗后的部位图像并提取图像特征，基于回归决策树模型获得；所述技能稳定性和所述成绩评价得分根据医学理论成绩、病史采集成绩、体格检查成绩、医患交流成绩、临床诊疗成绩、技能操作效果计算获得；构建实习技能数据表，所述实习技能数据表包括实习生编号、实习生姓名、沟通态度得分、技能操作名称、技能操作效果、技能操作稳定性、成绩评价得分；包括：获取患者治疗后的部位图像并提取图像特征，基于回归决策树模型预测实习生技能操作效果；获取实习成绩和对应的技能操作名称、技能操作效果，计算技能稳定性和成绩评价得分；获取实习成绩和对应的技能操作效果，进行归一化处理并分组定标；

所述获取患者治疗后的部位图像并提取图像特征，基于回归决策树模型预测实习生技能操作效果，具体包括:

获取患者治疗后的部位图像集及每张图像对应的技能操作效果得分数据，作为先验知识库；提取所述患者治疗后的部位图像集中每张图像对应的的图像特征，所述图像特征包括治疗部位的最大周长、最大凹陷度、平均凹陷度、最大面积、最大半径、平均灰度值六个维度；所述技能操作效果得分为医生根据自身经验判断得到；利用所述先验知识库构建模型训练集，所述模型训练集由六个图像特征和技能操作效果得分构成，所述六个图像特征为特征变量，所述技能操作效果得分为目标变量；建立回归决策树模型，导入训练集进行模型训练；训练完成后，获取经由实习生参与的患者治疗后的部位图像，提取图像特征制作输入集，所述输入集包括治疗部位的最大周长、最大凹陷度、平均凹陷度、最大面积、最大半径、平均灰度值六个图像特征，将所述输入集输入训练好的回归决策树模型，模型能够自动输出实习生的技能操作效果得分；

所述获取实习成绩和对应的技能操作名称、技能操作效果，计算技能稳定性和成绩评价得分，具体包括:

获取实习生每次的实习成绩及每次实习对应的技能操作名称和技能操作效果；对实习成绩和对应的技能操作效果，进行归一化处理并分组定标；获取分组定标的结果；统计各分组定标的结果中的数据条数，若所述数据条数大于1，则按照方差平均法计算实习生技能稳定性，若所述数据条数小于等于1，则默认实习生技能稳定性为0；分别计算医学理论、病史采集、体格检查、医患交流、临床诊疗、技能操作效果的成绩方差，并利用各项成绩方差的平均数，计算实习生技能稳定性，其中所述实习生技能稳定性等于所述各项成绩方差的平均数的倒数；计算各分组定标的结果中各实习内容的平均成绩；获取各实习成绩的平均值，利用权重法计算实习生成绩评价得分；所述权重法指结合权重值和得分计算实习生成绩评价得分，实习生成绩评价得分等于各项成绩得分与对应权重的乘积之和；所述权重由医生确定；所述获取实习成绩和对应的技能操作效果，进行归一化处理并分组定标，具体包括:

对实习成绩中的医学理论成绩、病史采集成绩、体格检查成绩、医患交流成绩、临床诊疗成绩及技能操作效果进行归一化处理，归一化公式为：100*(原得分/原满分)；对归一化处理后的数据进行分组定标；以实习生编号为索引对实习生实习成绩及对应的技能操作效果进行分组，得到第一次分组定标的结果，所述第一次分组定标的结果为每一位实习生对应的历次实习成绩及对应的技能操作名称、技能操作效果；以技能操作名称为索引对第一次分组定标的结果进行分组，得到每一位实习生不同技能对应的数据；最后将分组定标的结果按照固定格式定上标签，所述固定格式为“实习编号_技能操作名称”。

3.根据权利要求1所述的方法，其中，所述获取患者过往数据，构造患者敏感偏好数据表，包括:

获取患者过往数据，构造患者敏感偏好数据表；所述患者敏感偏好数据表包括患者编号、患者姓名、患者身体体验难受程度、患者敏感度、技能操作名称、技能操作编号、技术难度；所述患者身体体验难受程度和所述患者敏感度都通过医学量化工具获取；所述技术难度通过Logistic回归模型获得；包括：获取患者医疗项目的身体体验难受程度和患者敏感度；根据实习内容构建Logistic回归模型，判断技术难度；

所述获取患者医疗项目的身体体验难受程度和患者敏感度，具体包括:

首先，根据患者的医疗项目对患者进行分类；若患者在该医疗项目过程中为清醒状态则为第一类，患者在医疗项目中为不清醒状态则为第二类；采用不同的量化工具来评估所述第一类和所述第二类患者的身体体验难受程度；获取量化结果，对所述量化结果进行归一化处理，转化为0到100分之间的数值，作为患者的身体体验难受程度指标；采用维克森林医师信任量表评估患者对医治人员的敏感度；所述维克森林医师信任量表包括忠实、能力、诚实和综合信任四个维度的评估内容；各维度按照1到5级进行评分，其中1为非常不同意，5为非常同意；取各维度的平均分作为患者对医治人员敏感度的量化结果；

所述根据实习内容构建Logistic回归模型，判断技术难度，具体包括:

获取实习内容，实习内容包括患者疾病名称、病情严重程度、实习技能名称、技能操作时长、操作过程中患者的出血量、操作过程中患者的输血量；所述病情严重程度分为非常严重、严重、一般、较轻、轻五个级别，分别用5、4、3、2、1替代；构建实习内容与技术难度映射关系集作为模型的训练集，所述技术难度由专家事先根据实习内容结合自身经验判断得到；所述技术难度包括高难、一般、低难三个级别，分别用数值3、2、1替代；构建Logistic回归模型，用训练集进行模型训练，训练完成后构建输入集并将输入集输入Logistic回归模型，分别输出技术难度为高难、一般和低难的概率，取概率最大值对应的难度级别作为技术难度；所述输入集包括患者疾病名称、病情严重程度、实习技能名称、技能操作时长、操作过程中患者的出血量、操作过程中患者的输血量。

4.根据权利要求1所述的方法，其中，所述利用患者敏感偏好数据表建立先验知识库，基于贝叶斯算法构建判别模型，包括:

获取患者敏感偏好数据表，基于患者敏感偏好数据表预先建立先验知识库，所述先验知识库包括患者敏感偏好数据表和标识符；所述标识符由患者的主治医生判断并上传至数据库，若实习生可以参与则用1标识，若实习生不可参与用0标识；提取先验知识库中的数据，并划分特征变量和目标变量；所述特征变量包括患者敏感偏好数据表中的医疗项目编号、患者身体体验难受程度、患者敏感度、技能操作编号、技术难度；所述目标变量为标识符；将先验知识库按照7：3划分为训练集和测试集；搭建朴素贝叶斯模型；先将训练集输入朴素贝叶斯模型，后将测试集输入朴素贝叶斯模型；训练集用于训练朴素贝叶斯模型，测试集用于评估模型判别效果。

5.根据权利要求1所述的方法，其中，所述从患者敏感偏好数据表中提取特征变量输入判别模型，判断实习生是否能参与，包括:

以患者编号为索引，从患者敏感偏好数据表中提取对应的特征变量，并构造输入集；所述输入集包括医疗项目编号、患者身体体验难受程度、患者敏感度、技能操作编号、技术难度；将输入集输入训练好的朴素贝叶斯模型，输出预测的实习生可参与标识符；判断实习生可参与标识符是否等于1，若为1则实习生可参与该项医疗项目，进行下一步推荐与匹配；

否则弹出提示信息该患者不适合实习生参与。

6.根据权利要求1所述的方法，其中，所述根据判别结果和实习生技能数据表，初步推荐能胜任患者所需技能且能发挥稳定性的实习生，包括:

获取判别模型输出的实习生可参与标识符，若所述实习生可参与标识符为1则智能推荐实习生，否则不进行操作；根据患者编号从患者敏感偏好数据表提取患者所需的技能操作名称；首先，获取实习技能数据表，根据患者所需的技能操作名称初步筛选符合条件的实习生；然后，预设第一阈值，若实习生成绩评价得分大于第一阈值则进入待推荐序列，否则不符合推荐标准；最后，根据实习生的技能操作稳定性，按照从大到小的顺序对带推荐序列中的实习生进行排序，输出实习生列表作为初步推荐结果。

7.根据权利要求1所述的方法，其中，所述针对患者敏感偏好类型和初步推荐结果，选择最合适的实习生参与治疗，包括:

根据患者敏感偏好数据表对患者进行敏感性聚类，获取患者敏感偏好类型和初步推荐结果；所述推荐结果为根据判别结果和实习生技能数据表得到的实习生列表；若患者敏感偏好类型为技术敏感型，则将推荐结果按照实习生技能稳定性从大到小排序，输出实习生技能稳定性排名第一的实习生编号和实习生姓名作为最合适的实习生结果；若患者敏感偏好类型为沟通敏感型，则将推荐结果按照沟通态度得分从大到小排序，输出沟通态度得分排名第一的实习生编号和实习生姓名作为最合适的实习生推荐结果；包括：根据患者敏感偏好数据表对患者进行敏感性聚类；

所述根据患者敏感偏好数据表对患者进行敏感性聚类，具体包括:

获取患者敏感偏好数据表中的患者身体体验难受程度、技术难度、患者敏感度，获取判断患者对医治人员的敏感度过程中的维克森林医师信任量表，所述维克森林医师信任量表包括忠实、能力、诚实和综合信任四个维度患者敏感度评分；提取患者身体体验难受程度、技术难度、患者敏感度、忠实、能力、诚实和综合信任，将其作为患者聚类的特征变量；基于KMeans模型对患者进行聚类，设置KMeans模型的参数为2；首先随机选取两个中心点，根据欧氏距离公式计算每个患者到两个样本中心点的距离，把患者分配给距离最近的中心点；根据聚类结果更新每个类别的聚类中心点，再次进行分配；判断聚类结果是否发生变化，若结果一直则算法终止，否则继续更新聚类中心点；最终将患者分为技术敏感型与沟通敏感型两类。

8.根据权利要求1所述的方法，其中，所述分配稳定性高的同学探索新的实习任务，对技能差的同学，加强训练，不推荐实际参与治疗，包括:

预设第二阈值，获取最合适的实习生推荐结果；以所述最合适的实习生推荐结果中的实习生编号为索引，从实习技能数据表中提取对应的实习生技能操作稳定性，判断所述实习生技能操作稳定性与第二阈值的大小；若实习生技能操作稳定性大于等于所述第二阈值，则为该实习生分配新的实习任务，将最合适的实习生推荐结果替换成排名第二的实习生，否则结果保持不变；预设第三阈值，获取实习技能数据表；比较实习生成绩评价得分与第三阈值的大小；若实习生成绩评价得分小于等于第三阈值，则提示该实习生加强训练，不宜参与实际治疗。