CN116631597A - 一种移动端、医生端、护士端就近身份信息比对确认方法 - Google Patents
一种移动端、医生端、护士端就近身份信息比对确认方法 Download PDFInfo
- Publication number
- CN116631597A CN116631597A CN202310910791.0A CN202310910791A CN116631597A CN 116631597 A CN116631597 A CN 116631597A CN 202310910791 A CN202310910791 A CN 202310910791A CN 116631597 A CN116631597 A CN 116631597A
- Authority
- CN
- China
- Prior art keywords
- disease
- vector
- standard template
- elements
- body part
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000012790 confirmation Methods 0.000 title description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 165
- 201000010099 disease Diseases 0.000 claims abstract description 163
- 239000013598 vector Substances 0.000 claims abstract description 72
- 239000011159 matrix material Substances 0.000 claims abstract description 53
- 238000004458 analytical method Methods 0.000 claims abstract description 9
- 238000004364 calculation method Methods 0.000 claims description 12
- 208000024891 symptom Diseases 0.000 claims description 12
- 239000000470 constituent Substances 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 9
- 238000012937 correction Methods 0.000 claims description 8
- 238000013140 knowledge distillation Methods 0.000 claims description 8
- 238000012163 sequencing technique Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000006467 substitution reaction Methods 0.000 description 4
- 206010033557 Palpitations Diseases 0.000 description 3
- 230000004075 alteration Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 208000035475 disorder Diseases 0.000 description 2
- 206010011409 Cross infection Diseases 0.000 description 1
- 201000005569 Gout Diseases 0.000 description 1
- 206010029803 Nosocomial infection Diseases 0.000 description 1
- 206010030113 Oedema Diseases 0.000 description 1
- 208000007107 Stomach Ulcer Diseases 0.000 description 1
- 206010044565 Tremor Diseases 0.000 description 1
- 210000001015 abdomen Anatomy 0.000 description 1
- FFBHFFJDDLITSX-UHFFFAOYSA-N benzyl N-[2-hydroxy-4-(3-oxomorpholin-4-yl)phenyl]carbamate Chemical compound OC1=C(NC(=O)OCC2=CC=CC=C2)C=CC(=C1)N1CCOCC1=O FFBHFFJDDLITSX-UHFFFAOYSA-N 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 210000002784 stomach Anatomy 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000033772 system development Effects 0.000 description 1
- 239000002699 waste material Substances 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
- 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
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- 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
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- General Business, Economics & Management (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明公开了一种移动端、医生端、护士端就近身份信息比对确认方法,包括语音输入装置、语音识别模块、病情分析及就医推荐模块和显示屏;语音输入装置接收患者的语音信息;语音识别模块识别语音信息并转化为文字;病情分析及就医推荐模块接收语音识别模块产生的数据并对文字进行分割得到病情元素,并将病情元素组合成病情向量;将病情向量与多个预设的病症标准模板矩阵的向量进行匹配,匹配度得分最高的病症标准模板矩阵对应的病症确定为最终的病症;根据病症及科室排班情况,推荐相应的科室供患者选择,并显示在显示屏上,本发明根据患者病情,计算出病症与模板的匹配度,根据病情推荐相应科室和医生进行挂号和就医。
Description
技术领域
本发明属于医疗信息技术领域,尤其涉及一种移动端、医生端、护士端就近身份信息比对确认方法。
背景技术
当前医院中普遍使用医院自助挂号系统协助患者挂号,患者可以通过自助终端机进行挂号,不需要排队等候,可以节省时间和精力,而且自助终端机能够准确记录患者的个人信息和就诊需求,避免了人工操作中可能出现的错误,自助终端机还与医院信息系统相连,实时更新医生和科室的排班情况,方便患者选择合适的医生和科室。
医院自助挂号系统的缺陷还有以下不足:对于某些疾病,患者自身不清楚应该选择哪个科室或医生更合适。
公开号CN113380390的中国专利公开了一种医院患者就诊辅助系统,由RFID标签装置、RFID读写装置、数据采集器以及服务器构成,RFID标签装置用于记录患者的身份信息,RFID读写装置用于读取RFID标签装置内存储的患者身份信息;该方案可以快速的识别患者所处的区域,并自动统计该区域的人流量,当某一区域人流量过大时,自动的提醒导诊人员介入进行疏导,可以快速识别患者所处的区域是否有挂号信息或结算信息或者欠费信息,若存在则为患者自动的进行排队,无需患者手动进行取号排队,尤其是方便了老年患者或行动困难的患者,有效提高了排队的效率,同时不会出现交叉感染的风险,而且使得患者具有良好的就诊体验。但该方案对于不清楚挂号科室的患者,不能辅助患者自助进行挂号,比如应该选择哪个科室或哪个医生。
发明内容
有鉴于此,本发明提出了一种移动端、医生端、护士端就近身份信息比对确认方法,移动端接收患者的语音输入,根据病情推荐相应的科室和医生供患者进行选择,医生端和护士端就近进行患者的身份信息比对确认,确认身份后患者进行就医。
为实现上述目的,本发明提供一种移动端、医生端、护士端就近身份信息比对确认方法,移动端包括显示屏、语音输入装置、语音识别模块、病情分析及就医推荐模块;
所述语音输入装置接收患者的语音信息;
所述语音识别模块识别语音信息并转化为文字;
所述病情分析及就医推荐模块接收语音识别模块产生的数据,并对文字进行分割得到病情元素,将病情元素组合成病情向量;
将病情向量与多个预设的病症标准模板矩阵的向量进行匹配,匹配度得分最高的病症标准模板矩阵对应的病症确定为最终的病症;
根据病症及科室排班情况,推荐相应的科室供患者选择,并显示在显示屏上;
所述医生端和护士端包括医保卡识别装置,用于识别患者的身份,以便下一步的进行就医。
进一步地,病情元素为字符串,如人体部位+动词和/或+名词,或人体部位+形容词和或+副词,或病症名称;将每句话中提取的人体部位+动词和/或+名词组成病情元素类型X1,或将每句话中提取的人体部位+形容词组成病情元素类型X2,将患者输入信息中的所有病情元素组合成病情向量。
进一步地,将病情向量进行去重处理,包括去除相同的元素,以及保留病情严重级别不同的两个或多个病情元素中严重级别高的病情元素。
进一步地,将病症标准模板矩阵中的元素根据专家知识进行赋予不同的数值,并根据灰度关联算法计算出其中的主要成分元素,主要成分元素对应于病症的主要症状,病症标准模板矩阵中其它元素为非主要成分元素。
进一步地,如果患者输入信息中提取到病症名称,将病情向量与该病症对应的病症标准模板矩阵的向量进行匹配;如果患者输入信息中没有病症名称,则将病情向量与相关病症的病症标准模板矩阵的向量进行匹配;计算得到支持度sj和冲突度vj,综合支持度和冲突度,确定病情向量与病症标准模板矩阵的匹配度得分;
计算得到病情向量与所有病症标准模板矩阵的向量的匹配度得分,将所有匹配度得分进行排序,病情向量与病症标准模板矩阵的匹配度得分最高的病症为确定的病症。
进一步地,病情向量与第j个病症标准模板矩阵中向量的支持度sj计算方法如下:
如果xp与主成分元素匹配,则其匹配值dp为a1,如果xp与非主成分元素匹配,则其匹配值dp为a2,如果xp没有元素与其匹配,则其匹配值dp为0;
则病情向量的支持度sj计算方法为:
;
其中n为病情向量所有元素的个数。
进一步地,病情向量对第j个病症标准模板矩阵向量的冲突度vj的计算方法如下:
当病情向量的支持度sj<预设阈值P时:
如果元素xp中的身体部位与病症标准模板矩阵所有主成分元素中的身体部位不匹配,则其匹配值ds为b1;
如果xp中的身体部位与病症标准模板矩阵所有非主成分元素中的身体部位不匹配,则其匹配值ds为b2;
如果元素xp中的身体部位与病症标准模板矩阵所有主成分元素中的身体部位不匹配,而且该身体部位是病症标准模板矩阵所有主成分元素中的身体部位的相邻部位,则其匹配值ds为b3;
当病情向量的支持度sj>预设阈值P时:
如果xp中的身体部位与所有主成分元素中的身体部位不匹配,则其匹配值ds为c1,如果xp中的身体部位与所有非成分元素中的身体部位不匹配,则其匹配值ds为c2;
病情向量的支持度sj计算方法如下:
;
r为xp中的身体部位与所有主成分元素中的身体部位不匹配的元素数量,以及xp中的身体部位与所有非主成分元素中的身体部位不匹配的元素数量之和。
进一步地,计算病情向量与第j个病症标准模板矩阵的匹配度得分如下:
;
其中为修正系数;
将病情向量与所有病症标准模板矩阵的匹配度得分进行排序,得分最高的模板矩阵对应的病症为确定的病症。
进一步地,使用知识蒸馏方法进行训练,计算出a1、a2、b1、b2、b3、c1、c2和修正系数的最佳取值;所述知识蒸馏方法使用Teacher—Student模型,其中teacher是“知识”的输出者,student是“知识”的接受者。
本发明的有益效果如下:
本发明提出的辅助患者自助就医的系统,可以自动根据患者病情,推荐相应科室和医生进行挂号和就医。通过计算患者病症信息元素与预先建立的病症标准模板元素的冲突度和支持度,有效地计算出病症与模板的匹配度,从而提高了病症的判断准确性,可更准确地确定挂号的科室和医生。
附图说明
图1本发明的移动端结构框图。
具体实施方式
下面结合附图对本发明作进一步的说明,但不以任何方式对本发明加以限制,基于本发明教导所作的任何变换或替换,均属于本发明的保护范围。
参考图1,本发明提出的一种移动端、医生端、护士端就近身份信息比对确认方法,移动端包括语音输入装置、语音识别模块、病情分析及就医推荐模块、显示屏。如果患者清楚其需要挂号的科室、医生,可以选择直接由患者直接指定和选择挂号科室和医生。由于现在的医院通常为西医医院,科室划分非常细,有的病症如果从表现看,比如心悸现象,可能需要挂心脏科室,但有的心悸是由于心脏旁边的胃出现溃疡导致的,因此如果不能准确选择科室,会出现人力浪费和耽误治疗时间的问题。
为方便老年患者使用,本发明使用语音输入装置接收患者的信息,语音输入装置包括话筒、电容麦克风、动圈麦克风、口型传感器、颈部麦克风等。
语音识别模块识别语音信息,并转化为文字。语音识别模块中的识别算法已经相当成熟,是本技术领域的现有技术,本发明不再赘述。
病情分析及就医推荐模块接收语音识别模块产生的数据,并对文字进行分割,得到病情元素,病情元素为字符串,如人体部位+动词和/或+名词,如手+颤抖,手+流+血,或人体部位+形容词和或+副词,如腹+痛,腹+痛+厉害,病症名称,如痛风;将每句话中提取的人体部位+动词和/或+名词组成病情元素类型X1,或将每句话中提取的人体部位+形容词组成病情元素类型X2,将患者输入信息中的所有病情元素组合成病情向量;并提取信息中病症发作持续时间t;
将病情向量进行去重处理,包括去除相同的元素,以及病情严重级别不同的两个或多个病情元素中,保留严重级别高的病情元素,如元素x1={脚+痛},x2={脚+浮肿},则保留元素x2,去除元素x1。
将病症标准模板矩阵中的元素根据专家知识进行赋与不同的数值,并根据灰度关联算法计算出其中的主要成分元素,主要成分元素对应于病症的主要症状,病症标准模板矩阵中其它元素为非主要成分元素。在系统发展过程中,若两个因素变化的趋势具有一致性,即同步变化程度较高,即可谓二者关联程度较高;反之,则较低。因此,使用灰色关联分析方法可根据因素之间发展趋势的相似或相异程度,亦即“灰色关联度”,来衡量因素间关联程度。
如果患者输入信息中提取到病症名称,将病情向量与该病症对应的病症标准模板矩阵的向量进行匹配;如果患者输入信息中没有病症名称,则将病情向量与相关病症的病症标准模板矩阵的向量进行匹配;计算得到支持度sj和冲突度vj,综合支持度和冲突度,确定病情向量与病症标准模板矩阵的匹配度得分;
根据上述方法计算得到病情向量与所有病症标准模板矩阵的向量的匹配度得分,将所有匹配度得分进行排序,病情向量与病症标准模板矩阵的匹配度得分最高的病症为确定的病症。
病情向量中的元素为:x1,x2,…xp,…,xn,n为元素个数;
第j个病症标准模板矩阵的元素为:mj1,mj2,…,mju,sj1,sj2,…,sjv;
其中,u为病症标准模板矩阵的主成分元素的个数,mj1,mj2,…,mju为主成分元素,v为病症标准模板矩阵的非主成分元素的个数,sj1,sj2,…,sjv为非主成分元素;
优选地,病情向量与第j个病症标准模板矩阵的支持度sj计算方法如下:
如果xp与主成分元素匹配,则其匹配值dp为a1,如果xp与非主成分元素匹配,则其匹配值dp为a2(a2<a1),如果xp没有元素与其匹配,则其匹配值dp为0;
病情向量的支持度sj计算方法如下:
;
优选地,病情向量对第j个病症标准模板矩阵的冲突度vj的计算方法如下:
当病情向量的支持度sj<预设阈值P时:
如果元素xp中的身体部位与病症标准模板矩阵所有主成分元素中的身体部位不匹配,则其匹配值ds为b1(b1<<a2);如果xp中的身体部位与病症标准模板矩阵所有非主成分元素中的身体部位不匹配,则其匹配值ds为b2(b2<b1)。如果元素xp中的身体部位与病症标准模板矩阵所有主成分元素中的身体部位不匹配,而且该身体部位是病症标准模板矩阵所有主成分元素中的身体部位的相邻部位,则其匹配值ds为b3(b3>b1)(如前面所述,有的心悸是由于心脏旁边的胃出现问题导致的,这种情况下冲突度要加大,使得最终的病情与该病症的匹配度得分降低)。
当病情向量的支持度sj>预设阈值P时:
如果xp中的身体部位与所有主成分元素中的身体部位不匹配,则其匹配值ds为c1(c1<b2),如果xp中的身体部位与所有非成分元素中的身体部位不匹配,则其匹配值ds为c2(c2<c1)。对于这种情况,因为支持度大于阈值,说明患者病情与标准病症有一定程度的匹配,适当调低冲突度中匹配值ds的大小。
病情向量的支持度sj计算方法如下:
;
r为xp中的身体部位与所有主成分元素中的身体部位不匹配的元素数量,以及xp中的身体部位与所有非主成分元素中的身体部位不匹配的元素数量之和。
计算病情向量与第j个病症标准模板矩阵的匹配度得分如下:
;
其中为修正系数;
将病情向量与所有病症标准模板矩阵的匹配度得分进行排序,得分最高的模板矩阵对应的病症为确定的病症。
病症标准模板矩阵为预先建立的某一个病症的典型症状组成的矩阵,其中每列为某一病症典型症状的病情元素组成的向量,矩阵包括多列症状向量,对应于该病症的症状多种组合。
优选地,病症标准模板矩阵的每列元素的排列顺序为按照固定的身体部位顺序排列,如按身体部位从上到下的顺序。在一些实施例中,病症标准模板矩阵的每列元素的排列顺序为先排列主成分元素,后排列非主成分元素。
病情分析及就医推荐模块分析患者的病情后,根据病情为患者推荐合适的科室以及医生进行挂号,并通过与医院信息系统通讯,实时获取科室医生的排班情况,对于当天不排班的更合适的专家医生,显示其排班日期,以便患者改期再挂号。
患者挂号之后,前往诊室就医,在诊室的医生端和护士端包括医保卡识别装置(本领域的现有技术,本发明不再赘述),用于识别患者的身份。患者在医生端或护士端刷医保卡,身份确认无误后,进行下一步的就医工作。
因为a1、a2、b1、b2、c1、c2和修正系数的取值对匹配度得分结果有很大影响,进而影响对病症的判断,因此在一些实施例中,还使用知识蒸馏方法进行训练,计算出a1、a2、b1、b2、c1、c2和修正系数/>的最佳取值。首先收集超过5000次患者信息组成训练集。知识蒸馏方法使用Teacher—Student模型,其中teacher是“知识”的输出者,student是“知识”的接受者。知识蒸馏的过程分为2个阶段:
原始模型训练:训练"Teacher模型",简称为Net-T,它的特点是模型相对复杂,也可以由多个分别训练的模型集成而成。对"Teacher模型"不作任何关于模型架构、参数量、是否集成方面的限制,唯一的要求就是,对于输入X,其都能输出Y,其中Y经过softmax的映射,输出值对应相应类别的概率值。
精简模型训练:训练"Student模型",简称为Net-S,它是参数量较小、模型结构相对简单的单模型。同样的,对于输入X,其都能输出Y,Y经过softmax映射后同样能输出对应相应类别的概率值。
第一步是训练Net-T;第二步是在高温T下,蒸馏Net-T的知识到Net-S。温度的高低改变的是Net-S训练过程中对负标签的关注程度:温度较低时,对负标签的关注,尤其是那些显著低于平均值的负标签的关注较少;而温度较高时,负标签相关的值会相对增大,Net-S会相对多地关注到负标签。
实际上,负标签中包含一定的信息,尤其是那些值显著高于平均值的负标签。但由于Net-T的训练过程决定了负标签部分比较noisy,并且负标签的值越低,其信息就越不可靠。因此温度的选取根据下面的原则取舍:从有部分信息量的负标签中学习-->温度要高一些防止受负标签中噪声的影响-->温度要低一些总的来说,T的选择和Net-S的大小有关,Net-S参数量比较小的时候,相对比较低的温度就可以了。通过知识蒸馏的过程,获得a1、a2、b1、b2、c1、c2和修正系数的最佳取值。
本发明的有益效果如下:
本发明提出的辅助患者自助就医的系统,可以自动根据患者病情,推荐相应科室和医生进行挂号和就医。通过计算患者病症信息元素与预先建立的病症标准模板元素的冲突度和支持度,有效地计算出病症与模板的匹配度,从而提高了病症的判断准确性,可更准确地确定挂号的科室和医生。
本文所使用的词语“优选的”意指用作实例、示例或例证。本文描述为“优选的”任意方面或设计不必被解释为比其他方面或设计更有利。相反,词语“优选的”的使用旨在以具体方式提出概念。如本申请中所使用的术语“或”旨在意指包含的“或”而非排除的“或”。即,除非另外指定或从上下文中清楚,“X使用A或B”意指自然包括排列的任意一个。即,如果X使用A;X使用B;或X使用A和B二者,则“X使用A或B”在前述任一示例中得到满足。
而且,尽管已经相对于一个或实现方式示出并描述了本公开,但是本领域技术人员基于对本说明书和附图的阅读和理解将会想到等价变型和修改。本公开包括所有这样的修改和变型,并且仅由所附权利要求的范围限制。特别地关于由上述组件(例如元件等)执行的各种功能,用于描述这样的组件的术语旨在对应于执行所述组件的指定功能(例如其在功能上是等价的)的任意组件(除非另外指示),即使在结构上与执行本文所示的本公开的示范性实现方式中的功能的公开结构不等同。此外,尽管本公开的特定特征已经相对于若干实现方式中的仅一个被公开,但是这种特征可以与如可以对给定或特定应用而言是期望和有利的其他实现方式的一个或其他特征组合。而且,就术语“包括”、“具有”、“含有”或其变形被用在具体实施方式或权利要求中而言,这样的术语旨在以与术语“包含”相似的方式包括。
本发明实施例中的各功能单元可以集成在一个处理模块中,也可以是各个单元单独物理存在,也可以多个或多个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块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。上述提到的存储介质可以是只读存储器,磁盘或光盘等。上述的各装置或系统,可以执行相应方法实施例中的存储方法。
综上所述,上述实施例为本发明的一种实施方式,但本发明的实施方式并不受所述实施例的限制,其他的任何背离本发明的精神实质与原理下所做的改变、修饰、代替、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (9)
1.一种移动端、医生端、护士端就近身份信息比对确认方法,包括移动端、医生端和护士端,其特征在于,移动端包括语音输入装置、语音识别模块、病情分析及就医推荐模块和显示屏;
所述语音输入装置接收患者的语音信息;
所述语音识别模块识别语音信息并转化为文字;
所述病情分析及就医推荐模块接收语音识别模块产生的数据,并对文字进行分割得到病情元素,将病情元素组合成病情向量;
将病情向量与多个预设的病症标准模板矩阵的向量进行匹配,匹配度得分最高的病症标准模板矩阵对应的病症确定为最终的病症;
根据病症及科室排班情况,推荐相应的科室供患者选择,并显示在显示屏上;
所述医生端和护士端包括医保卡识别装置,用于识别患者的身份,以便进行下一步的就医。
2.根据权利要求1所述的移动端、医生端、护士端就近身份信息比对确认方法,其特征在于,病情元素为字符串,如人体部位+动词和/或+名词,或人体部位+形容词和或+副词,或病症名称;将每句话中提取的人体部位+动词和/或+名词组成病情元素类型X1,或将每句话中提取的人体部位+形容词组成病情元素类型X2,将患者输入信息中的所有病情元素组合成病情向量。
3.根据权利要求2所述的移动端、医生端、护士端就近身份信息比对确认方法,其特征在于,将病情向量进行去重处理,包括去除相同的元素以及保留病情严重级别不同的两个或多个病情元素中严重级别高的病情元素。
4.根据权利要求3所述的移动端、医生端、护士端就近身份信息比对确认方法,其特征在于,将病症标准模板矩阵中的元素根据专家知识进行赋予不同的数值,并根据灰度关联算法计算出其中的主要成分元素,主要成分元素对应于病症的主要症状,病症标准模板矩阵中其它元素为非主要成分元素。
5.根据权利要求4所述的移动端、医生端、护士端就近身份信息比对确认方法,其特征在于,如果患者输入信息中提取到病症名称,将病情向量与该病症对应的病症标准模板矩阵的向量进行匹配;如果患者输入信息中没有病症名称,则将病情向量与相关的病症的病症标准模板矩阵的向量进行匹配;计算得到支持度sj和冲突度vj,综合支持度和冲突度,确定病情向量与病症标准模板矩阵的匹配度得分;
计算得到病情向量与所有病症标准模板矩阵的向量的匹配度得分,将所有匹配度得分进行排序,病情向量与病症标准模板矩阵的匹配度得分最高的病症为确定的病症。
6.根据权利要求5所述的移动端、医生端、护士端就近身份信息比对确认方法,其特征在于,病情向量与第j个病症标准模板矩阵中向量的支持度sj计算方法如下:
如果xp与主成分元素匹配,则其匹配值dp为a1,如果xp与非主成分元素匹配,则其匹配值dp为a2,如果xp没有元素与其匹配,则其匹配值dp为0;
则病情向量的支持度sj计算方法为:
;
其中n为病情向量所有元素的个数。
7.根据权利要求6所述的移动端、医生端、护士端就近身份信息比对确认方法,其特征在于,病情向量对第j个病症标准模板矩阵向量的冲突度vj的计算方法如下:
当病情向量的支持度sj<预设阈值P时:
如果元素xp中的身体部位与病症标准模板矩阵所有主成分元素中的身体部位不匹配,则其匹配值ds为b1;
如果元素xp中的身体部位与病症标准模板矩阵所有非主成分元素中的身体部位不匹配,则其匹配值ds为b2;
如果元素xp中的身体部位与病症标准模板矩阵所有主成分元素中的身体部位不匹配,而且该身体部位是病症标准模板矩阵所有主成分元素中的身体部位的相邻部位,则其匹配值ds为b3;
当病情向量的支持度sj>预设阈值P时:
如果元素xp中的身体部位与所有主成分元素中的身体部位不匹配,则其匹配值ds为c1,如果元素xp中的身体部位与所有非成分元素中的身体部位不匹配,则其匹配值ds为c2;
病情向量的支持度sj计算方法如下:
;
r为元素xp中的身体部位与所有主成分元素中的身体部位不匹配的元素数量,以及元素xp中的身体部位与所有非主成分元素中的身体部位不匹配的元素数量之和。
8.根据权利要求7所述的移动端、医生端、护士端就近身份信息比对确认方法,其特征在于,计算病情向量与第j个病症标准模板矩阵的匹配度得分如下:
;
其中为修正系数;
将病情向量与所有病症标准模板矩阵的匹配度得分进行排序,得分最高的模板矩阵对应的病症为确定的病症。
9.根据权利要求8所述的移动端、医生端、护士端就近身份信息比对确认方法,其特征在于,使用知识蒸馏方法进行训练,计算出a1、a2、b1、b2、b3、c1、c2和修正系数的最佳取值;所述知识蒸馏方法使用Teacher—Student模型,其中teacher是“知识”的输出者,student是“知识”的接受者。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310910791.0A CN116631597B (zh) | 2023-07-24 | 2023-07-24 | 一种移动端、医生端、护士端就近身份信息比对确认方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310910791.0A CN116631597B (zh) | 2023-07-24 | 2023-07-24 | 一种移动端、医生端、护士端就近身份信息比对确认方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116631597A true CN116631597A (zh) | 2023-08-22 |
CN116631597B CN116631597B (zh) | 2024-01-16 |
Family
ID=87603027
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310910791.0A Active CN116631597B (zh) | 2023-07-24 | 2023-07-24 | 一种移动端、医生端、护士端就近身份信息比对确认方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116631597B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU94832U1 (ru) * | 2010-02-27 | 2010-06-10 | Олег Викторович Переведенцев | Телемедицинский комплекс дистанционного мониторинга состояния здоровья человека |
CN107153775A (zh) * | 2017-06-13 | 2017-09-12 | 京东方科技集团股份有限公司 | 一种智能分诊方法及装置 |
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 |
CN111260520A (zh) * | 2020-01-10 | 2020-06-09 | 上海市浦东新区公利医院(第二军医大学附属公利医院) | 基于智能语音多轮问询和自助挂号技术的导诊导医系统 |
CN114611735A (zh) * | 2022-03-23 | 2022-06-10 | 康键信息技术(深圳)有限公司 | 就医的互联网挂号方法、装置、设备及存储介质 |
CN116130072A (zh) * | 2023-02-14 | 2023-05-16 | 平安科技(深圳)有限公司 | 科室推荐方法、装置、设备及存储介质 |
-
2023
- 2023-07-24 CN CN202310910791.0A patent/CN116631597B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU94832U1 (ru) * | 2010-02-27 | 2010-06-10 | Олег Викторович Переведенцев | Телемедицинский комплекс дистанционного мониторинга состояния здоровья человека |
CN107153775A (zh) * | 2017-06-13 | 2017-09-12 | 京东方科技集团股份有限公司 | 一种智能分诊方法及装置 |
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 |
CN111260520A (zh) * | 2020-01-10 | 2020-06-09 | 上海市浦东新区公利医院(第二军医大学附属公利医院) | 基于智能语音多轮问询和自助挂号技术的导诊导医系统 |
CN114611735A (zh) * | 2022-03-23 | 2022-06-10 | 康键信息技术(深圳)有限公司 | 就医的互联网挂号方法、装置、设备及存储介质 |
CN116130072A (zh) * | 2023-02-14 | 2023-05-16 | 平安科技(深圳)有限公司 | 科室推荐方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN116631597B (zh) | 2024-01-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109670179B (zh) | 基于迭代膨胀卷积神经网络的病历文本命名实体识别方法 | |
Zeng et al. | MedDialog: Large-scale medical dialogue datasets | |
CN107578798B (zh) | 电子病历的处理方法及系统 | |
CN106251865A (zh) | 一种基于语音识别的医疗健康记录自动填写方法 | |
CN106874643A (zh) | 基于词向量自动构建知识库实现辅助诊疗的方法和系统 | |
CN110032728B (zh) | 疾病名称标准化的转换方法和装置 | |
EP3994629A1 (en) | Medical record searching with transmittable machine learning | |
CN110931137B (zh) | 机器辅助对话系统、方法及装置 | |
CN112802575B (zh) | 基于图形状态机的用药决策支持方法、装置、设备、介质 | |
CN112712879A (zh) | 医学影像报告的信息提取方法、装置、设备及存储介质 | |
US10847261B1 (en) | Methods and systems for prioritizing comprehensive diagnoses | |
CN117693315A (zh) | 用于从神经活动进行实时单词和语音解码的方法和装置 | |
JP2007034871A (ja) | 文字入力装置および文字入力装置プログラム | |
CN111259111B (zh) | 基于病历的辅助决策方法、装置、电子设备和存储介质 | |
TWI833072B (zh) | 語音辨識系統及語音辨識方法 | |
CN111627512A (zh) | 一种相似病历的推荐方法、装置,电子设备及存储介质 | |
US20210134461A1 (en) | Methods and systems for prioritizing comprehensive prognoses and generating an associated treatment instruction set | |
JP2015194974A (ja) | 在宅・訪問メディカルサービスシステム | |
JP5419143B2 (ja) | コード変換支援装置、コード変換支援方法及びコード変換支援プログラム | |
CN112182168A (zh) | 病历文本分析方法、装置、电子设备及存储介质 | |
Dalianis et al. | Characteristics of patient records and clinical corpora | |
CN114912887A (zh) | 一种基于电子病历的临床数据录入方法及录入装置 | |
CN116631597B (zh) | 一种移动端、医生端、护士端就近身份信息比对确认方法 | |
CN108831560B (zh) | 一种确定医疗数据属性数据的方法和装置 | |
CN115565655A (zh) | 一种增强的辅助问诊方法 |
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 |