CN116646065B - 互联网医院数据安全管理方法和装置 - Google Patents

互联网医院数据安全管理方法和装置 Download PDF

Info

Publication number
CN116646065B
CN116646065B CN202310600374.6A CN202310600374A CN116646065B CN 116646065 B CN116646065 B CN 116646065B CN 202310600374 A CN202310600374 A CN 202310600374A CN 116646065 B CN116646065 B CN 116646065B
Authority
CN
China
Prior art keywords
doctor
patient
rate
node
data
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
Application number
CN202310600374.6A
Other languages
English (en)
Other versions
CN116646065A (zh
Inventor
王一鸣
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang Huikang Technology Co ltd
Original Assignee
Zhejiang Huikang Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhejiang Huikang Technology Co ltd filed Critical Zhejiang Huikang Technology Co ltd
Priority to CN202310600374.6A priority Critical patent/CN116646065B/zh
Publication of CN116646065A publication Critical patent/CN116646065A/zh
Application granted granted Critical
Publication of CN116646065B publication Critical patent/CN116646065B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/27—Replication, distribution or synchronisation of data between databases or within a distributed database system; Distributed database system architectures therefor
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/60—Protecting data
    • G06F21/62—Protecting access to data via a platform, e.g. using keys or access control rules
    • G06F21/6218—Protecting access to data via a platform, e.g. using keys or access control rules to a system of files or objects, e.g. local or distributed file system or database
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06398—Performance of employee with respect to a job function
    • 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)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Primary Health Care (AREA)
  • Operations Research (AREA)
  • Computing Systems (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Epidemiology (AREA)
  • Game Theory and Decision Science (AREA)
  • Biomedical Technology (AREA)
  • Marketing (AREA)
  • Data Mining & Analysis (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Bioethics (AREA)
  • Computer Hardware Design (AREA)
  • Computer Security & Cryptography (AREA)
  • Software Systems (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

本发明实施例提供一种互联网医院数据安全管理方法和装置，涉及区块链技术领域，能够实现医疗数据的安全存储。本发明实施例的方法包括：接收线上问诊历史记录；将每一医生节点的线上问诊历史记录聚合；统计每一医生节点的已接诊的线上问诊事务的数量，将该数量除以接收到的线上问诊事务总数，得到真实接诊率；统计每一医生节点的好评总数，将好评总数除以评价级别总数，得到真实好评率；将每一医生节点的评价分数平均值确定为真实总体评价值，将每一医生节点的药品采用率平均值确定为真实总体采用率；将每一医生节点的真实接诊率、真实好评率、真实总体评价值和真实总体采用率同步到区块链。

Description

互联网医院数据安全管理方法和装置
技术领域
本发明涉及区块链技术领域，尤其涉及一种互联网医院数据安全管理方法和装置。
背景技术
在当前的互联网医院系统中，医患之间形成的问诊相关数据一般存放在关系型数据库中，无法保证数据安全，容易发生数据丢失或篡改的情况。
发明内容
有鉴于此，本发明实施例提供一种互联网医院数据安全管理方法和装置，能够基于区块链技术实现互联网医院问诊相关数据的安全存储。
为实现上述目的，根据本发明的一个方面，提供了一种互联网医院数据安全管理方法。
本发明实施例的互联网医院数据安全管理方法由所述互联网医院的数据管理服务器执行，所述数据管理服务器与预先建立的医患系统共同维护区块链，所述医患系统包括网状连接的多个医生节点和多个病患节点，所述区块链预先部署数据推送智能合约；所述方法包括：接收所述区块链根据所述数据推送智能合约下发的、预设历史时间间隔内的全部线上问诊历史记录；其中，每一线上问诊历史记录包括所述历史时间间隔内一次已完成的线上问诊事务的医生节点标识、病患节点标识、接诊情况数据、评价级别、评价文本、药品采用率以及该线上问诊事务的索引号，所述接诊情况数据包括已接诊和未接诊；将每一次线上问诊事务中高于好评级别门限的评价级别确定为好评，使用预先训练的自然语言理解模型将每一次线上问诊事务中的评价文本转换为预设数值范围内的评价分数；将每一医生节点的线上问诊历史记录聚合；统计聚合结果中每一医生节点的已接诊的线上问诊事务的数量，将该数量除以聚合结果中该医生节点接收到的线上问诊事务总数，得到该医生节点的真实接诊率；统计聚合结果中每一医生节点的好评总数，将所述好评总数除以该医生节点在聚合结果中的评价级别总数，得到该医生节点的真实好评率；将聚合结果中每一医生节点的评价分数平均值确定为真实总体评价值，将聚合结果中每一医生节点的药品采用率平均值确定为真实总体采用率；将每一医生节点在所述历史时间间隔内的真实接诊率、真实好评率、真实总体评价值和真实总体采用率同步到所述区块链，作为未来时刻向所述医生节点分配线上问诊事务的依据。
优选地，在所述医患系统中：所述医生节点将预先存储并通过校验的医生的特征数据同步到所述区块链，所述病患节点将预先存储并通过校验的病患的特征数据同步到所述区块链；其中，医生的特征数据包括医生的身份认证数据和专业相关数据，病患的特征数据包括病患的身份认证数据和历史病历数据；所述医生节点在接收到针对任一线上问诊事务的接诊指令或退回指令后将该线上问诊事务对应的接诊情况数据同步到所述区块链，所述病患节点在接收到针对任一线上问诊事务的反馈提交指令后将该线上问诊事务对应的评价级别、评价文本、药品采用率同步到所述区块链；所述区块链在接收到任一线上问诊事务对应的接诊情况数据、评价级别、评价文本和药品采用率之后，生成该线上问诊事务的线上问诊历史记录并触发所述数据推送智能合约。
优选地，所述数据管理服务器内预先建立有针对任一医生和任一病患进行计算的医患预测模型；以及，所述方法进一步包括：接收预设时长的当前时间段内多个病患节点发送的问诊请求，确定当前时刻处在待接诊状态的多个医生节点；从所述问诊请求中获取各病患节点的标识进而从所述区块链获取相应病患的特征数据，从预设数据库中获取处在待接诊状态的各医生节点的标识进而从所述区块链获取相应医生的特征数据，将所述特征数据输入预先训练的医患预测模型，得到每一医患对的接诊率、好评率、总体评价值和总体采用率；其中，所述当前时间段内的病患节点与处在待接诊状态的医生节点随机组合形成所述医患对，每一医患对包括一个病患节点和处在待接诊状态的一个医生节点，包括同一病患节点的多个医患对组成一个集合；在同一病患节点的集合中：将各医患对的接诊率进行降序排列，得到每一医患对的接诊率名次；将各医患对的好评率进行降序排列，得到每一医患对的好评率名次；将各医患对的总体评价值进行降序排列，得到每一医患对的总体评价值名次；将各医患对的总体采用率进行降序排列，得到每一医患对的总体采用率名次；将同一医患对的接诊率名次、好评率名次、总体评价值名次和总体采用率名次中的最小值确定为该医患对中医生节点与病患节点的配合分数；确定满足预设约束条件的全部医患组合方式；其中，每一医患组合方式中包括涵盖所述当前时间段内每一病患节点的医患对，该医患对的数量等于所述当前时间段内的病患节点数量；所述约束条件为：在每一医患组合方式中，同一医生节点对应的医患对数量小于预设阈值；将每一医患组合方式的医患对配合分数之和确定为该医患组合方式的配合总分，将配合总分最小的医患组合方式确定为医患分配方式，将所述当前时间段内的每一病患节点分配到所述医患分配方式中相应医患对指示的医生节点。
优选地，所述方法进一步包括：在所述将配合总分最小的医患组合方式确定为医患分配方式之后，将所述医患分配方式同步到所述区块链；在所述接收预设时长的当前时间段内多个病患节点发送的问诊请求，确定当前时刻处在待接诊状态的多个医生节点之后，计算病患节点数量与医生节点数量的商值，将所述商值的上取整值乘以预设基数得到所述阈值。
优选地，所述医患预测模型包括输入医生和病患的特征数据并输出就诊率的第一模型、输入医生和病患的特征数据并输出好评率的第二模型、输入医生和病患的特征数据并输出总体评价值的第三模型、输入医生和病患的特征数据并输出总体采用率的第四模型；以及，所述医患预测模型是根据以下步骤进行训练的：根据所述历史时间间隔内各线上问诊事务的医生节点标识从所述区块链中获取相应医生的特征数据，根据所述历史时间间隔内各线上问诊事务的病患节点标识从所述区块链中获取相应病患的特征数据，将医生和病患的特征数据按照所述线上问诊事务聚合后分别输入第一模型、第二模型、第三模型和第四模型进行迭代训练，训练的标签值为预先从所述区块链获取的真实接诊率和真实总体评价值、以及真实相对好评率和真实相对总体采用率；其中，任一医生的真实相对好评率为该医生的真实好评率与真实接诊率之商，任一医生的真实相对总体采用率为该医生的真实总体采用率与真实接诊率之商；在任一次迭代训练过程中：将第二模型针对每一医生输出的好评率除以第一模型针对同一医生输出的接诊率得到相对好评率，将第四模型针对每一医生输出的总体采用率除以第一模型针对同一医生输出的接诊率得到相对总体采用率；计算第一模型针对每一医生输出的接诊率与该医生的真实接诊率的第一差值，计算每一医生的相对好评率与真实相对好评率的第二差值，计算第三模型针对每一医生输出的总体评价值与该医生的真实总体评价值的第三差值，计算每一医生的相对总体采用率与该医生的真实相对总体采用率的第四差值，将同一医生的第一差值、第二差值、第三差值和第四差值的加权和确定为该医生的标签距离，将所述历史时间间隔内各线上问诊事务中各医生的标签距离之和确定为损失函数值，用于以梯度下降方式调整第一模型、第二模型、第三模型和第四模型的模型参数。
优选地，在所述医患预测模型训练完成之后，将所述医患预测模型的模型参数同步到所述区块链；以及，所述身份认证数据包括：姓名、性别、身份证号和手机号，所述历史病历数据包括：当前症状描述文本和历史检查文本，所述专业相关数据包括：职称、职务、擅长领域、所在科室、执业医院信息、执业证书信息和从业历史信息。
为实现上述目的，根据本发明的另一方面，提供了一种互联网医院数据安全管理装置。
本发明实施例的互联网医院数据安全管理装置设置在所述互联网医院的数据管理服务器中，所述数据管理服务器与预先建立的医患系统共同维护区块链，所述医患系统包括网状连接的多个医生节点和多个病患节点，所述区块链预先部署数据推送智能合约；所述装置包括：接收单元，用于接收所述区块链根据所述数据推送智能合约下发的、预设历史时间间隔内的全部线上问诊历史记录；其中，每一线上问诊历史记录包括所述历史时间间隔内一次已完成的线上问诊事务的医生节点标识、病患节点标识、接诊情况数据、评价级别、评价文本、药品采用率以及该线上问诊事务的索引号，所述接诊情况数据包括已接诊和未接诊；预处理单元，用于将每一次线上问诊事务中高于好评级别门限的评价级别确定为好评，使用预先训练的自然语言理解模型将每一次线上问诊事务中的评价文本转换为预设数值范围内的评价分数；统计单元，用于将每一医生节点的线上问诊历史记录聚合；统计聚合结果中每一医生节点的已接诊的线上问诊事务的数量，将该数量除以聚合结果中该医生节点接收到的线上问诊事务总数，得到该医生节点的真实接诊率；统计聚合结果中每一医生节点的好评总数，将所述好评总数除以该医生节点在聚合结果中的评价级别总数，得到该医生节点的真实好评率；将聚合结果中每一医生节点的评价分数平均值确定为真实总体评价值，将聚合结果中每一医生节点的药品采用率平均值确定为真实总体采用率；上链单元，用于将每一医生节点在所述历史时间间隔内的真实接诊率、真实好评率、真实总体评价值和真实总体采用率同步到所述区块链，作为未来时刻向所述医生节点分配线上问诊事务的依据。
优选地，在所述医患系统中：所述医生节点将预先存储并通过校验的医生的特征数据同步到所述区块链，所述病患节点将预先存储并通过校验的病患的特征数据同步到所述区块链；其中，医生的特征数据包括医生的身份认证数据和专业相关数据，病患的特征数据包括病患的身份认证数据和历史病历数据；所述医生节点在接收到针对任一线上问诊事务的接诊指令或退回指令后将该线上问诊事务对应的接诊情况数据同步到所述区块链，所述病患节点在接收到针对任一线上问诊事务的反馈提交指令后将该线上问诊事务对应的评价级别、评价文本、药品采用率同步到所述区块链；所述区块链在接收到任一线上问诊事务对应的接诊情况数据、评价级别、评价文本和药品采用率之后，生成该线上问诊事务的线上问诊历史记录并触发所述数据推送智能合约。
为实现上述目的，根据本发明的再一方面，提供了一种电子设备。
本发明的一种电子设备包括：至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明所提供的互联网医院数据安全管理方法。
为实现上述目的，根据本发明的再一方面，提供了一种非暂态计算机可读存储介质。
本发明的一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行本发明所提供的互联网医院数据安全管理方法。
根据本发明的技术方案，上述发明中的一个实施例具有如下优点或有益效果：
在本发明实施例的互联网医院中，包括多个医生节点和病患节点的医患系统与数据管理服务器连接，并且二者共同维护一个医疗专用区块链，该区块链用于存储医生和病患的特征信息、问诊记录的各种评价反馈原始记录以及医生在一定时间间隔内形成的接诊率、好评率、总体评价值和总体采用率等统计数据等，基于区块链的特性来实现互联网医院医疗数据的可靠保存和不可篡改。数据管理服务器用于根据区块链中的原始数据计算以上统计数据，还能够基于内置的机器学习模型(医患预测模型)从接诊率、好评率、总体评价值、总体采用率等多个角度全方位预测医生和病患之间的匹配程度，进而准确判别最优的医患组合方式，从而提高问诊事务的分配合理性，避免传统的基于某一指标择优的分配方式导致的病患集中到少量医生的缺陷，基于以上判别形成的最终医患分配方式也会写入区块链进行安全存储。
上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。
附图说明
附图用于更好地理解本发明，不构成对本发明的不当限定。其中：
图1是本发明实施例的互联网医院数据安全管理方法的执行架构示意图；
图2是本发明实施例的医患预测模型的结构示意图；
图3是本发明实施例中互联网医院数据安全管理装置的主要部分的示意图；
图4是用来实现本发明实施例的方法的电子设备的硬件结构示意图。
具体实施方式
以下结合附图对本发明的示范性实施例做出说明，其中包括本发明实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本发明的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
图1是本发明实施例的互联网医院数据安全管理方法的执行架构示意图，图2是本发明实施例的医患预测模型的结构示意图，参见图1和图2。
本发明实施例的互联网医院数据安全管理方法由互联网医院的数据管理服务器执行，数据管理服务器与预先建立的医患系统共同维护区块链，即数据管理服务器也作为区块链网络的一个节点。以上区块链优选为联盟链，并预先部署有数据推送智能合约。
医患系统包括网状连接的多个医生节点和多个病患节点，这些节点能够相互通信来执行线上问诊事务。一般地，一次线上问诊事务可以包括一个病患节点和一个医生节点。
互联网医院数据安全管理方法的具体执行步骤如下：在步骤1中，数据管理服务器接收区块链根据数据推送智能合约下发的、预设历史时间间隔内(例如过去的一个月)的全部线上问诊历史记录。其中，每一线上问诊历史记录包括以上历史时间间隔内一次已完成的线上问诊事务的医生节点标识、病患节点标识、接诊情况数据、评价级别、评价文本、药品采用率以及该线上问诊事务的索引号，已完成的线上问诊事务可以包括接诊之后诊断以及购买药品完成的线上问诊事务，还包括未接诊直接退回的线上接诊事务。
在本发明实施例中，医生节点标识和病患节点标识是用于区分各节点的唯一性标记数据，接诊情况数据包括已接诊和未接诊，评价级别可以是一级到五级(可以对应于一星到五星)，四级和五级的评价级别可以认为是好评。药品采用率指的是病患在问诊之后采用医生所开药方在医生开具的总药方中的比例，这一比例可以使用药品的数量或者药品的价格进行计算。
具体地，在以上医患系统中，医生节点将预先存储并通过校验的医生的特征数据同步到区块链，病患节点将预先存储并通过校验的病患的特征数据同步到区块链。其中，医生的特征数据包括医生的身份认证数据和专业相关数据，病患的特征数据包括病患的身份认证数据和历史病历数据。示例性地，以上身份认证数据可以包括：姓名、性别、身份证号和手机号，以上历史病历数据可以包括：当前症状描述文本和历史检查文本，以上专业相关数据可以包括：职称、职务、擅长领域、所在科室、执业医院信息、执业证书信息和从业历史信息。
实际应用中，医生节点在接收到针对任一线上问诊事务的接诊指令或退回指令后将该线上问诊事务对应的接诊情况数据同步到区块链，病患节点在接收到针对任一线上问诊事务的反馈提交指令后将该线上问诊事务对应的评价级别、评价文本、药品采用率同步到区块链。而区块链在接收到任一线上问诊事务对应的接诊情况数据、评价级别、评价文本和药品采用率之后，生成该线上问诊事务的线上问诊历史记录并触发以上数据推送智能合约，以便将线上问诊历史记录推送到数据管理服务器。
在步骤2中，数据管理服务器将每一次线上问诊事务中高于好评级别门限的评价级别(如三级)确定为好评，使用预先训练的自然语言理解模型将每一次线上问诊事务中的评价文本转换为预设数值范围内的评价分数。
在步骤3中，数据管理服务器首先将每一医生节点的线上问诊历史记录聚合，之后统计聚合结果中每一医生节点的已接诊的线上问诊事务的数量，将该数量除以聚合结果中该医生节点接收到的线上问诊事务总数，得到该医生节点的真实接诊率。并且，数据管理服务器统计聚合结果中每一医生节点的好评总数，将好评总数除以该医生节点在聚合结果中的评价级别总数，得到该医生节点的真实好评率。数据管理服务器将聚合结果中每一医生节点的评价分数平均值确定为真实总体评价值，将聚合结果中每一医生节点的药品采用率平均值确定为真实总体采用率。
在步骤4中，数据管理服务器将每一医生节点在以上历史时间间隔内的真实接诊率、真实好评率、真实总体评价值和真实总体采用率同步到区块链，作为未来时刻向医生节点分配线上问诊事务的依据。通过以上设置，能够基于区块链存储互联网医院工作过程中产生的医患特征数据、线上问诊历史记录、医生的真实接诊率、真实好评率、真实总体评价值、真实总体采用率等评价指标以及后续将要说明的未来时刻的医患分配结果以及训练完成模型的参数，实现各种数据的安全存储和无法篡改，同时能够基于区块链的加密机制实现各类数据的读取权限控制，有助于提高互联网医院的线上执行效率和数据安全。
在本发明实施例中，还提供一种基于以上真实接诊率、真实好评率、真实总体评价值、真实总体采用率训练模型，并依据训练后的模型指导未来时刻医患匹配的方案，最终形成的医患匹配结果和训练后的模型参数也需要写入区块链进行安全存储。在现有技术中，当某一病患提出问诊请求时，服务器一般将医生科室与病患症状匹配后返回当前好评率最高的医生，这样就忽略了病患与医生之间的特定匹配关系，容易产生大量病患集中到少量医生的情况，最终导致问诊效果欠佳，本发明以上方案尝试对此问题进行解决。
具体地，数据管理服务器内预先建立有针对任一医生和任一病患进行计算的医患预测模型，医患预测模型的模型构成和训练方式如下。
医患预测模型包括输入医生和病患的特征数据并输出就诊率的第一模型、输入医生和病患的特征数据并输出好评率的第二模型、输入医生和病患的特征数据并输出总体评价值的第三模型、输入医生和病患的特征数据并输出总体采用率的第四模型。其中的就诊率、好评率、总体评价值和总体采用率指的是模型针对特定的医患组合输出的预测结果，并不表示真实的医生指标，这几个预测结果从数据层面与前述真实接诊率、真实好评率、真实总体评价值、真实总体采用率依次对应。可以看到，医患预测模型综合考虑了就诊率、好评率、总体评价值、总体采用率四个医生指标并且构建相对独立的模型分别进行计算，这四个模型在输出层面进行融合以产生联合学习的作用，由此避免现有技术中采用单一指标进行问诊推荐造成的匹配效果不佳以及容易产生资源集中的缺陷。以上第一模型到第四模型可以使用已知的回归类机器学习算法来构建。
医患预测模型是根据以下步骤进行训练的：首先，根据以上历史时间间隔内各线上问诊事务的医生节点标识从区块链中获取相应医生的特征数据，根据以上历史时间间隔内各线上问诊事务的病患节点标识从区块链中获取相应病患的特征数据，将医生和病患的特征数据按照每一线上问诊事务聚合后分别输入第一模型、第二模型、第三模型和第四模型进行迭代训练，即按照每一线上问诊事务中的医生与病患匹配的真实情况将数据输入模型，以上医生和病患的特征数据作为模型的训练样本数据。
训练的标签值为预先从区块链获取的真实接诊率和真实总体评价值以及真实相对好评率和真实相对总体采用率。其中，任一医生的真实相对好评率为该医生的真实好评率与真实接诊率之商，任一医生的真实相对总体采用率为该医生的真实总体采用率与真实接诊率之商。
在任一次迭代训练过程中：将第二模型针对每一医生输出的好评率除以第一模型针对同一医生输出的接诊率得到相对好评率，将第四模型针对每一医生输出的总体采用率除以第一模型针对同一医生输出的接诊率得到相对总体采用率。可以看到，在以上训练步骤中，使用相对好评率来代替好评率，使用相对总体采用率来代替总体采用率，这样做的原因是提高好评率和总体采用率这两个通道的独立性，因为好评率和总体采用率实际上是建立在接诊率基础上的条件性指标，将二者分别除以接诊率能够提高这两个通道的独立程度，最终提高了训练算法的可解释性，实际应用中也收获了更好的模型计算精度。
以下为模型损失函数的设置策略。具体场景中，模型的损失函数可以设置如下：
其中，i为医生的序号，不同的j表示接诊率、相对好评率、总体评价值、相对总体采用率等四个通道，yij表示相应医生在相应通道的输出结果，Yij表示相应医生在相应通道的标签值，aj表示相应通道的权重值。
基于以上损失函数的模型收敛步骤如下：首先计算第一模型针对每一医生输出的接诊率与该医生的真实接诊率的第一差值，计算每一医生的相对好评率与真实相对好评率的第二差值，计算第三模型针对每一医生输出的总体评价值与该医生的真实总体评价值的第三差值，计算每一医生的相对总体采用率与该医生的真实相对总体采用率的第四差值，将同一医生的第一差值、第二差值、第三差值和第四差值的加权和确定为该医生的标签距离，将以上历史时间间隔内各线上问诊事务中各医生的标签距离之和确定为损失函数值，用于以梯度下降方式调整第一模型、第二模型、第三模型和第四模型的模型参数。这一训练步骤有助于实现模型的快速收敛。
较佳地，在医患预测模型训练完成之后，数据管理服务器可以将医患预测模型的模型参数同步到区块链来进行安全备份，并且有助于后续的模型使用。
以下说明基于医患预测模型进行医患匹配的方案。数据管理服务器接收预设时长(如1分钟)的当前时间段内多个病患节点发送的问诊请求，确定当前时刻处在待接诊状态的多个医生节点。以上当前时间段的截止时刻为当前时刻。
接着，数据管理服务器从问诊请求中获取各病患节点的标识进而从区块链获取相应病患的特征数据，从预设数据库中获取处在待接诊状态的各医生节点的标识进而从区块链获取相应医生的特征数据，将以上特征数据输入预先训练的医患预测模型，得到每一医患对的接诊率、好评率、总体评价值和总体采用率。其中，当前时间段内的病患节点与处在待接诊状态的医生节点随机组合形成医患对，如果病患与医生数量分别为M和N，则以上医患对的数量为M*N。每一医患对包括一个病患节点和处在待接诊状态的一个医生节点，包括同一病患节点的多个医患对组成一个集合。
在同一病患节点的集合中，数据管理服务器将各医患对的接诊率进行降序排列，得到每一医患对的接诊率名次；将各医患对的好评率进行降序排列，得到每一医患对的好评率名次；将各医患对的总体评价值进行降序排列，得到每一医患对的总体评价值名次；将各医患对的总体采用率进行降序排列，得到每一医患对的总体采用率名次。可以理解，每一医患对的这四个名次反映该医患对内医生对于病患来说的各通道匹配程度排序。
在已知的指标计算模式中，往往计算各维度取值的加权和作为最终指标，但是在本发明实施例中，数据管理服务器将同一医患对的接诊率名次、好评率名次、总体评价值名次和总体采用率名次中的最小值确定为该医患对中医生节点与病患节点的配合分数。这么做的原因是，本发明场景中的接诊率、好评率、总体评价值、总体采用率之间存在着一定的相关性，统筹计算四个通道的加权和容易造成某一特征的强叠加效果，反而影响模型计算精度，因此在以上步骤中将四个通道的最小名次(即效果最好的通道值)直接作为医患的配合分数来解决这一问题，同时减少运算量，避免较高的运算资源占用。
此后，数据管理服务器确定满足预设约束条件的全部医患组合方式；其中，每一医患组合方式中包括涵盖当前时间段内每一病患节点的医患对，该医患对的数量等于当前时间段内的病患节点数量，即为每一病患节点构建一个医患对。以上约束条件为：在每一医患组合方式中，同一医生节点对应的医患对数量小于预设阈值。优选地，以上阈值为动态调整阈值，可选地，在获取到当前时间段的医生数量和病患数量之后，数据管理服务器计算病患节点数量与医生节点数量的商值，将商值的上取整值乘以预设基数(例如1或2)得到以上阈值，这样能够提高算法的可用性。
最后，数据管理服务器将每一医患组合方式的医患对配合分数之和确定为该医患组合方式的配合总分，将配合总分最小的医患组合方式确定为医患分配方式，并与医患系统通信，将当前时间段内的每一病患节点分配到医患分配方式中相应医患对指示的医生节点，从而实现线上问诊事务的自动分配。
可以理解，以上分配方式考虑了接诊率、好评率、总体评价值、总体采用率等多种医生指标，并且通过一定时间段内的医生总体和病患总体之间的整体匹配来确定具体的医生与病患之间的配合程度，由此得出整体上最优的医患匹配路径，避免了现有技术中医疗资源容易集中的缺陷。
在确定以上医患分配方式之后，数据管理服务器可以将医患分配方式同步到区块链作为备份并有助于后续使用。
图3是根据本发明实施例的互联网医院数据安全管理装置的主要部分的示意图。
如图3所示，本发明实施例的互联网医院数据安全管理装置30设置在所述互联网医院的数据管理服务器中，所述数据管理服务器与预先建立的医患系统共同维护区块链，所述医患系统包括网状连接的多个医生节点和多个病患节点，所述区块链预先部署数据推送智能合约；所述装置30包括：接收单元31、预处理单元32、统计单元33和上链单元34。
接收单元31用于接收所述区块链根据所述数据推送智能合约下发的、预设历史时间间隔内的全部线上问诊历史记录；其中，每一线上问诊历史记录包括所述历史时间间隔内一次已完成的线上问诊事务的医生节点标识、病患节点标识、接诊情况数据、评价级别、评价文本、药品采用率以及该线上问诊事务的索引号，所述接诊情况数据包括已接诊和未接诊。
预处理单元32用于将每一次线上问诊事务中高于好评级别门限的评价级别确定为好评，使用预先训练的自然语言理解模型将每一次线上问诊事务中的评价文本转换为预设数值范围内的评价分数。
统计单元33用于将每一医生节点的线上问诊历史记录聚合；统计聚合结果中每一医生节点的已接诊的线上问诊事务的数量，将该数量除以聚合结果中该医生节点接收到的线上问诊事务总数，得到该医生节点的真实接诊率；统计聚合结果中每一医生节点的好评总数，将所述好评总数除以该医生节点在聚合结果中的评价级别总数，得到该医生节点的真实好评率；将聚合结果中每一医生节点的评价分数平均值确定为真实总体评价值，将聚合结果中每一医生节点的药品采用率平均值确定为真实总体采用率。
上链单元34用于将每一医生节点在所述历史时间间隔内的真实接诊率、真实好评率、真实总体评价值和真实总体采用率同步到所述区块链，作为未来时刻向所述医生节点分配线上问诊事务的依据。
在本发明实施例中，在所述医患系统中：所述医生节点将预先存储并通过校验的医生的特征数据同步到所述区块链，所述病患节点将预先存储并通过校验的病患的特征数据同步到所述区块链；其中，医生的特征数据包括医生的身份认证数据和专业相关数据，病患的特征数据包括病患的身份认证数据和历史病历数据；所述医生节点在接收到针对任一线上问诊事务的接诊指令或退回指令后将该线上问诊事务对应的接诊情况数据同步到所述区块链，所述病患节点在接收到针对任一线上问诊事务的反馈提交指令后将该线上问诊事务对应的评价级别、评价文本、药品采用率同步到所述区块链；所述区块链在接收到任一线上问诊事务对应的接诊情况数据、评价级别、评价文本和药品采用率之后，生成该线上问诊事务的线上问诊历史记录并触发所述数据推送智能合约。
具体应用中，所述数据管理服务器内预先建立有针对任一医生和任一病患进行计算的医患预测模型；以及，所述装置30进一步包括匹配单元，用于：接收预设时长的当前时间段内多个病患节点发送的问诊请求，确定当前时刻处在待接诊状态的多个医生节点；从所述问诊请求中获取各病患节点的标识进而从所述区块链获取相应病患的特征数据，从预设数据库中获取处在待接诊状态的各医生节点的标识进而从所述区块链获取相应医生的特征数据，将所述特征数据输入预先训练的医患预测模型，得到每一医患对的接诊率、好评率、总体评价值和总体采用率；其中，所述当前时间段内的病患节点与处在待接诊状态的医生节点随机组合形成所述医患对，每一医患对包括一个病患节点和处在待接诊状态的一个医生节点，包括同一病患节点的多个医患对组成一个集合；在同一病患节点的集合中：将各医患对的接诊率进行降序排列，得到每一医患对的接诊率名次；将各医患对的好评率进行降序排列，得到每一医患对的好评率名次；将各医患对的总体评价值进行降序排列，得到每一医患对的总体评价值名次；将各医患对的总体采用率进行降序排列，得到每一医患对的总体采用率名次；将同一医患对的接诊率名次、好评率名次、总体评价值名次和总体采用率名次中的最小值确定为该医患对中医生节点与病患节点的配合分数；确定满足预设约束条件的全部医患组合方式；其中，每一医患组合方式中包括涵盖所述当前时间段内每一病患节点的医患对，该医患对的数量等于所述当前时间段内的病患节点数量；所述约束条件为：在每一医患组合方式中，同一医生节点对应的医患对数量小于预设阈值；将每一医患组合方式的医患对配合分数之和确定为该医患组合方式的配合总分，将配合总分最小的医患组合方式确定为医患分配方式，将所述当前时间段内的每一病患节点分配到所述医患分配方式中相应医患对指示的医生节点。
实际应用中，所述匹配单元可进一步用于：在所述将配合总分最小的医患组合方式确定为医患分配方式之后，将所述医患分配方式同步到所述区块链；在所述接收预设时长的当前时间段内多个病患节点发送的问诊请求，确定当前时刻处在待接诊状态的多个医生节点之后，计算病患节点数量与医生节点数量的商值，将所述商值的上取整值乘以预设基数得到所述阈值。
较佳地，所述医患预测模型包括输入医生和病患的特征数据并输出就诊率的第一模型、输入医生和病患的特征数据并输出好评率的第二模型、输入医生和病患的特征数据并输出总体评价值的第三模型、输入医生和病患的特征数据并输出总体采用率的第四模型；以及，所述装置30可进一步包括模型训练单元，用于：根据所述历史时间间隔内各线上问诊事务的医生节点标识从所述区块链中获取相应医生的特征数据，根据所述历史时间间隔内各线上问诊事务的病患节点标识从所述区块链中获取相应病患的特征数据，将医生和病患的特征数据按照所述线上问诊事务聚合后分别输入第一模型、第二模型、第三模型和第四模型进行迭代训练，训练的标签值为预先从所述区块链获取的真实接诊率和真实总体评价值、以及真实相对好评率、和真实相对总体采用率；其中，任一医生的真实相对好评率为该医生的真实好评率与真实接诊率之商，任一医生的真实相对总体采用率为该医生的真实总体采用率与真实接诊率之商；在任一次迭代训练过程中：将第二模型针对每一医生输出的好评率除以第一模型针对同一医生输出的接诊率得到相对好评率，将第四模型针对每一医生输出的总体采用率除以第一模型针对同一医生输出的接诊率得到相对总体采用率；计算第一模型针对每一医生输出的接诊率与该医生的真实接诊率的第一差值，计算每一医生的相对好评率与真实相对好评率的第二差值，计算第三模型针对每一医生输出的总体评价值与该医生的真实总体评价值的第三差值，计算每一医生的相对总体采用率与该医生的真实相对总体采用率的第四差值，将同一医生的第一差值、第二差值、第三差值和第四差值的加权和确定为该医生的标签距离，将所述历史时间间隔内各线上问诊事务中各医生的标签距离之和确定为损失函数值，用于以梯度下降方式调整第一模型、第二模型、第三模型和第四模型的模型参数。
此外，在本发明实施例中，所述模型训练单元可进一步用于：在所述医患预测模型训练完成之后，将所述医患预测模型的模型参数同步到所述区块链；以及，所述身份认证数据包括：姓名、性别、身份证号和手机号，所述历史病历数据包括：当前症状描述文本和历史检查文本，所述专业相关数据包括：职称、职务、擅长领域、所在科室、执业医院信息、执业证书信息和从业历史信息。
需要说明的是，本发明实施例的装置作为软件，可安装在计算机、移动终端等设备中。
在本发明实施例的技术方案中，包括多个医生节点和病患节点的医患系统与数据管理服务器连接，并且二者共同维护一个医疗专用区块链，该区块链用于存储医生和病患的特征信息、问诊记录的各种评价反馈原始记录以及医生在一定时间间隔内形成的接诊率、好评率、总体评价值和总体采用率等统计数据等，基于区块链的特性来实现互联网医院医疗数据的可靠保存和不可篡改。数据管理服务器用于根据区块链中的原始数据计算以上统计数据，还能够基于内置的机器学习模型从接诊率、好评率、总体评价值、总体采用率等多个角度全方位预测医生和病患之间的匹配程度，进而准确判别最优的医患组合方式，从而提高问诊事务的分配合理性，避免传统的基于某一指标择优的分配方式导致的病患集中到少量医生的缺陷，基于以上判别形成的最终医患分配方式也会写入区块链进行安全存储。
需要说明的是，本发明的技术方案中，所涉及的用户个人信息的采集、分析、使用、传输、存储等方面，均符合相关法律法规的规定，被用于合法且合理的用途，不在这些合法使用等方面之外共享、泄露或出售，并且接受监管部门的监督管理。应当对用户个人信息采取必要措施，以防止对此类个人信息数据的非法访问，确保有权访问个人信息数据的人员遵守相关法律法规的规定，确保用户个人信息安全。一旦不再需要这些用户个人信息数据，应当通过限制甚至禁止数据收集和/或删除数据的方式将风险降至最低。当使用时，包括在某些相关应用程序中，通过对数据去标识来保护用户隐私，例如在使用时通过移除特定标识符(例如出生日期)、控制所存储数据的量或特异性(例如在城市级别而不是在具体地址级别收集位置数据)、控制数据如何被存储、和/或其它方法去标识。
根据本发明的实施例，本发明还提供了一种电子设备和一种可读存储介质。
本发明的电子设备包括：至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器执行本发明所提供的互联网医院数据安全管理方法。
本发明的非暂态计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行本发明所提供的互联网医院数据安全管理方法。
如图4所示，是用来实现本发明实施例的业务规则管理的方法的电子设备的硬件结构示意图。如图4，该电子设备包括：一个或多个处理器41以及存储器42，图4中以一个处理器41为例。其中，存储器42即为本发明所提供的非暂态计算机可读存储介质。
本发明的电子设备还可以包括：输入装置43和输出装置44。
处理器41、存储器42、输入装置43和输出装置44可以通过总线或者其他方式连接，图4中以通过总线连接为例。
存储器42作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块，如本发明实施例中的业务规则管理的方法对应的程序指令/模块。处理器41通过运行存储在存储器42中的非暂态软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例的互联网医院数据安全管理方法。
存储器42可以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、至少一个功能所需要的应用程序；存储数据区可存储根据业务规则管理的装置的使用所创建的数据等。此外，存储器42可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中，存储器42可选包括相对于处理器41远程设置的存储器，这些远程存储器可以通过网络连接至业务规则管理的装置。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置43可接收输入的数字或字符信息，以及产生与业务规则管理的装置的用户设置以及功能控制有关的键信号输入。输出装置44可包括显示屏等显示设备。
以上一个或者多个模块存储在所述存储器42中，当被所述一个或者多个处理器41执行时，执行上述任意方法实施例的互联网医院数据安全管理方法。
上述产品可执行本发明实施例所提供的互联网医院数据安全管理方法，具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本发明实施例所提供的互联网医院数据安全管理方法。
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，取决于设计要求和其他因素，可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。

Claims (6)

1.一种互联网医院数据安全管理方法，其特征在于，由所述互联网医院的数据管理服务器执行，所述数据管理服务器与预先建立的医患系统共同维护区块链，所述医患系统包括网状连接的多个医生节点和多个病患节点，所述区块链预先部署数据推送智能合约；所述方法包括：
接收所述区块链根据所述数据推送智能合约下发的、预设历史时间间隔内的全部线上问诊历史记录；其中，每一线上问诊历史记录包括所述历史时间间隔内一次已完成的线上问诊事务的医生节点标识、病患节点标识、接诊情况数据、评价级别、评价文本、药品采用率以及该线上问诊事务的索引号，所述接诊情况数据包括已接诊和未接诊；
将每一次线上问诊事务中高于好评级别门限的评价级别确定为好评，使用预先训练的自然语言理解模型将每一次线上问诊事务中的评价文本转换为预设数值范围内的评价分数；
将每一医生节点的线上问诊历史记录聚合；统计聚合结果中每一医生节点的已接诊的线上问诊事务的数量，将该数量除以聚合结果中该医生节点接收到的线上问诊事务总数，得到该医生节点的真实接诊率；统计聚合结果中每一医生节点的好评总数，将所述好评总数除以该医生节点在聚合结果中的评价级别总数，得到该医生节点的真实好评率；将聚合结果中每一医生节点的评价分数平均值确定为真实总体评价值，将聚合结果中每一医生节点的药品采用率平均值确定为真实总体采用率；
将每一医生节点在所述历史时间间隔内的真实接诊率、真实好评率、真实总体评价值和真实总体采用率同步到所述区块链，作为未来时刻向所述医生节点分配线上问诊事务的依据；
在所述医患系统中：所述医生节点将预先存储并通过校验的医生的特征数据同步到所述区块链，所述病患节点将预先存储并通过校验的病患的特征数据同步到所述区块链；其中，医生的特征数据包括医生的身份认证数据和专业相关数据，病患的特征数据包括病患的身份认证数据和历史病历数据；
所述医生节点在接收到针对任一线上问诊事务的接诊指令或退回指令后将该线上问诊事务对应的接诊情况数据同步到所述区块链，所述病患节点在接收到针对任一线上问诊事务的反馈提交指令后将该线上问诊事务对应的评价级别、评价文本、药品采用率同步到所述区块链；
所述区块链在接收到任一线上问诊事务对应的接诊情况数据、评价级别、评价文本和药品采用率之后，生成该线上问诊事务的线上问诊历史记录并触发所述数据推送智能合约；
所述数据管理服务器内预先建立有针对任一医生和任一病患进行计算的医患预测模型；以及，所述方法进一步包括：
接收预设时长的当前时间段内多个病患节点发送的问诊请求，确定当前时刻处在待接诊状态的多个医生节点；
从所述问诊请求中获取各病患节点的标识进而从所述区块链获取相应病患的特征数据，从预设数据库中获取处在待接诊状态的各医生节点的标识进而从所述区块链获取相应医生的特征数据，将所述特征数据输入预先训练的医患预测模型，得到每一医患对的接诊率、好评率、总体评价值和总体采用率；其中，所述当前时间段内的病患节点与处在待接诊状态的医生节点随机组合形成所述医患对，每一医患对包括一个病患节点和处在待接诊状态的一个医生节点，包括同一病患节点的多个医患对组成一个集合；
在同一病患节点的集合中：将各医患对的接诊率进行降序排列，得到每一医患对的接诊率名次；将各医患对的好评率进行降序排列，得到每一医患对的好评率名次；将各医患对的总体评价值进行降序排列，得到每一医患对的总体评价值名次；将各医患对的总体采用率进行降序排列，得到每一医患对的总体采用率名次；将同一医患对的接诊率名次、好评率名次、总体评价值名次和总体采用率名次中的最小值确定为该医患对中医生节点与病患节点的配合分数；
确定满足预设约束条件的全部医患组合方式；其中，每一医患组合方式中包括涵盖所述当前时间段内每一病患节点的医患对，该医患对的数量等于所述当前时间段内的病患节点数量；所述约束条件为：在每一医患组合方式中，同一医生节点对应的医患对数量小于预设阈值；
将每一医患组合方式的医患对配合分数之和确定为该医患组合方式的配合总分，将配合总分最小的医患组合方式确定为医患分配方式，将所述当前时间段内的每一病患节点分配到所述医患分配方式中相应医患对指示的医生节点；
所述医患预测模型包括输入医生和病患的特征数据并输出就诊率的第一模型、输入医生和病患的特征数据并输出好评率的第二模型、输入医生和病患的特征数据并输出总体评价值的第三模型、输入医生和病患的特征数据并输出总体采用率的第四模型；以及，所述医患预测模型是根据以下步骤进行训练的：
根据所述历史时间间隔内各线上问诊事务的医生节点标识从所述区块链中获取相应医生的特征数据，根据所述历史时间间隔内各线上问诊事务的病患节点标识从所述区块链中获取相应病患的特征数据，将医生和病患的特征数据按照所述线上问诊事务聚合后分别输入第一模型、第二模型、第三模型和第四模型进行迭代训练，训练的标签值为预先从所述区块链获取的真实接诊率和真实总体评价值、以及真实相对好评率和真实相对总体采用率；其中，任一医生的真实相对好评率为该医生的真实好评率与真实接诊率之商，任一医生的真实相对总体采用率为该医生的真实总体采用率与真实接诊率之商；
在任一次迭代训练过程中：将第二模型针对每一医生输出的好评率除以第一模型针对同一医生输出的接诊率得到相对好评率，将第四模型针对每一医生输出的总体采用率除以第一模型针对同一医生输出的接诊率得到相对总体采用率；
计算第一模型针对每一医生输出的接诊率与该医生的真实接诊率的第一差值，计算每一医生的相对好评率与真实相对好评率的第二差值，计算第三模型针对每一医生输出的总体评价值与该医生的真实总体评价值的第三差值，计算每一医生的相对总体采用率与该医生的真实相对总体采用率的第四差值，将同一医生的第一差值、第二差值、第三差值和第四差值的加权和确定为该医生的标签距离，将所述历史时间间隔内各线上问诊事务中各医生的标签距离之和确定为损失函数值，用于以梯度下降方式调整第一模型、第二模型、第三模型和第四模型的模型参数。
2.根据权利要求1所述的方法，其特征在于，所述方法进一步包括：
在所述将配合总分最小的医患组合方式确定为医患分配方式之后，将所述医患分配方式同步到所述区块链；
在所述接收预设时长的当前时间段内多个病患节点发送的问诊请求，确定当前时刻处在待接诊状态的多个医生节点之后，计算病患节点数量与医生节点数量的商值，将所述商值的上取整值乘以预设基数得到所述阈值。
3.根据权利要求2所述的方法，其特征在于，在所述医患预测模型训练完成之后，将所述医患预测模型的模型参数同步到所述区块链；
以及，所述身份认证数据包括：姓名、性别、身份证号和手机号，所述历史病历数据包括：当前症状描述文本和历史检查文本，所述专业相关数据包括：职称、职务、擅长领域、所在科室、执业医院信息、执业证书信息和从业历史信息。
4.一种互联网医院数据安全管理装置，其特征在于，设置在所述互联网医院的数据管理服务器中，所述数据管理服务器与预先建立的医患系统共同维护区块链，所述医患系统包括网状连接的多个医生节点和多个病患节点，所述区块链预先部署数据推送智能合约；所述装置包括：
接收单元，用于接收所述区块链根据所述数据推送智能合约下发的、预设历史时间间隔内的全部线上问诊历史记录；其中，每一线上问诊历史记录包括所述历史时间间隔内一次已完成的线上问诊事务的医生节点标识、病患节点标识、接诊情况数据、评价级别、评价文本、药品采用率以及该线上问诊事务的索引号，所述接诊情况数据包括已接诊和未接诊；
预处理单元，用于将每一次线上问诊事务中高于好评级别门限的评价级别确定为好评，使用预先训练的自然语言理解模型将每一次线上问诊事务中的评价文本转换为预设数值范围内的评价分数；
统计单元，用于将每一医生节点的线上问诊历史记录聚合；统计聚合结果中每一医生节点的已接诊的线上问诊事务的数量，将该数量除以聚合结果中该医生节点接收到的线上问诊事务总数，得到该医生节点的真实接诊率；统计聚合结果中每一医生节点的好评总数，将所述好评总数除以该医生节点在聚合结果中的评价级别总数，得到该医生节点的真实好评率；将聚合结果中每一医生节点的评价分数平均值确定为真实总体评价值，将聚合结果中每一医生节点的药品采用率平均值确定为真实总体采用率；
上链单元，用于将每一医生节点在所述历史时间间隔内的真实接诊率、真实好评率、真实总体评价值和真实总体采用率同步到所述区块链，作为未来时刻向所述医生节点分配线上问诊事务的依据；
在所述医患系统中：所述医生节点将预先存储并通过校验的医生的特征数据同步到所述区块链，所述病患节点将预先存储并通过校验的病患的特征数据同步到所述区块链；其中，医生的特征数据包括医生的身份认证数据和专业相关数据，病患的特征数据包括病患的身份认证数据和历史病历数据；
所述医生节点在接收到针对任一线上问诊事务的接诊指令或退回指令后将该线上问诊事务对应的接诊情况数据同步到所述区块链，所述病患节点在接收到针对任一线上问诊事务的反馈提交指令后将该线上问诊事务对应的评价级别、评价文本、药品采用率同步到所述区块链；
所述区块链在接收到任一线上问诊事务对应的接诊情况数据、评价级别、评价文本和药品采用率之后，生成该线上问诊事务的线上问诊历史记录并触发所述数据推送智能合约；
所述数据管理服务器内预先建立有针对任一医生和任一病患进行计算的医患预测模型；以及，所述装置进一步包括匹配单元，用于：接收预设时长的当前时间段内多个病患节点发送的问诊请求，确定当前时刻处在待接诊状态的多个医生节点；从所述问诊请求中获取各病患节点的标识进而从所述区块链获取相应病患的特征数据，从预设数据库中获取处在待接诊状态的各医生节点的标识进而从所述区块链获取相应医生的特征数据，将所述特征数据输入预先训练的医患预测模型，得到每一医患对的接诊率、好评率、总体评价值和总体采用率；其中，所述当前时间段内的病患节点与处在待接诊状态的医生节点随机组合形成所述医患对，每一医患对包括一个病患节点和处在待接诊状态的一个医生节点，包括同一病患节点的多个医患对组成一个集合；在同一病患节点的集合中：将各医患对的接诊率进行降序排列，得到每一医患对的接诊率名次；将各医患对的好评率进行降序排列，得到每一医患对的好评率名次；将各医患对的总体评价值进行降序排列，得到每一医患对的总体评价值名次；将各医患对的总体采用率进行降序排列，得到每一医患对的总体采用率名次；将同一医患对的接诊率名次、好评率名次、总体评价值名次和总体采用率名次中的最小值确定为该医患对中医生节点与病患节点的配合分数；确定满足预设约束条件的全部医患组合方式；其中，每一医患组合方式中包括涵盖所述当前时间段内每一病患节点的医患对，该医患对的数量等于所述当前时间段内的病患节点数量；所述约束条件为：在每一医患组合方式中，同一医生节点对应的医患对数量小于预设阈值；将每一医患组合方式的医患对配合分数之和确定为该医患组合方式的配合总分，将配合总分最小的医患组合方式确定为医患分配方式，将所述当前时间段内的每一病患节点分配到所述医患分配方式中相应医患对指示的医生节点；
所述医患预测模型包括输入医生和病患的特征数据并输出就诊率的第一模型、输入医生和病患的特征数据并输出好评率的第二模型、输入医生和病患的特征数据并输出总体评价值的第三模型、输入医生和病患的特征数据并输出总体采用率的第四模型；以及，
所述装置进一步包括：模型训练单元，用于：根据所述历史时间间隔内各线上问诊事务的医生节点标识从所述区块链中获取相应医生的特征数据，根据所述历史时间间隔内各线上问诊事务的病患节点标识从所述区块链中获取相应病患的特征数据，将医生和病患的特征数据按照所述线上问诊事务聚合后分别输入第一模型、第二模型、第三模型和第四模型进行迭代训练，训练的标签值为预先从所述区块链获取的真实接诊率和真实总体评价值、以及真实相对好评率和真实相对总体采用率；其中，任一医生的真实相对好评率为该医生的真实好评率与真实接诊率之商，任一医生的真实相对总体采用率为该医生的真实总体采用率与真实接诊率之商；在任一次迭代训练过程中：将第二模型针对每一医生输出的好评率除以第一模型针对同一医生输出的接诊率得到相对好评率，将第四模型针对每一医生输出的总体采用率除以第一模型针对同一医生输出的接诊率得到相对总体采用率；计算第一模型针对每一医生输出的接诊率与该医生的真实接诊率的第一差值，计算每一医生的相对好评率与真实相对好评率的第二差值，计算第三模型针对每一医生输出的总体评价值与该医生的真实总体评价值的第三差值，计算每一医生的相对总体采用率与该医生的真实相对总体采用率的第四差值，将同一医生的第一差值、第二差值、第三差值和第四差值的加权和确定为该医生的标签距离，将所述历史时间间隔内各线上问诊事务中各医生的标签距离之和确定为损失函数值，用于以梯度下降方式调整第一模型、第二模型、第三模型和第四模型的模型参数。
5.一种电子设备，其特征在于，包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-3中任一项所述的方法。
6.一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行权利要求1-3中任一项所述的方法。
CN202310600374.6A 2023-05-25 2023-05-25 互联网医院数据安全管理方法和装置 Active CN116646065B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310600374.6A CN116646065B (zh) 2023-05-25 2023-05-25 互联网医院数据安全管理方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310600374.6A CN116646065B (zh) 2023-05-25 2023-05-25 互联网医院数据安全管理方法和装置

Publications (2)

Publication Number Publication Date
CN116646065A CN116646065A (zh) 2023-08-25
CN116646065B true CN116646065B (zh) 2024-03-19

Family

ID=87624109

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310600374.6A Active CN116646065B (zh) 2023-05-25 2023-05-25 互联网医院数据安全管理方法和装置

Country Status (1)

Country Link
CN (1) CN116646065B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117497203B (zh) * 2023-11-15 2024-06-14 江苏鼎驰电子科技有限公司 一种基于人工智能与智慧医疗的医疗数据互联互通方法及系统

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108932974A (zh) * 2018-05-31 2018-12-04 平安医疗科技有限公司 在线问诊分配医生的方法、装置、计算机设备和存储介质
CN110097959A (zh) * 2019-04-25 2019-08-06 闻康集团股份有限公司 一种快速在线问诊系统及方法
WO2020021973A1 (ja) * 2018-07-24 2020-01-30 オムロンヘルスケア株式会社 病院予約システム及びサーバ装置
CN111696656A (zh) * 2020-06-12 2020-09-22 腾讯科技（深圳）有限公司 一种互联网医疗平台的医生评价方法、装置
CN112259178A (zh) * 2020-09-28 2021-01-22 北京海益同展信息科技有限公司 基于区块链网络的诊断方法、装置和区块链网络系统
CN113077913A (zh) * 2021-04-20 2021-07-06 北京京东拓先科技有限公司 线上问诊派单方法、装置和系统
CN113096797A (zh) * 2021-04-16 2021-07-09 杭州卓健信息科技有限公司 基于智能终端的问诊系统
CN114613479A (zh) * 2022-03-10 2022-06-10 北京京东拓先科技有限公司 一种问诊任务分配的方法和装置
CN114743649A (zh) * 2022-04-06 2022-07-12 北京京东拓先科技有限公司 问诊单处理方法和装置
CN115132356A (zh) * 2022-07-21 2022-09-30 康键信息技术（深圳）有限公司 互联网医疗分诊方法、装置、电子设备及存储介质
CN115662657A (zh) * 2022-10-31 2023-01-31 海南星捷安科技集团股份有限公司 一种基于互联网医院的在线问诊系统
CN115762732A (zh) * 2022-11-18 2023-03-07 上海长征医院 一种基于区块链的接诊分诊系统

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108932974A (zh) * 2018-05-31 2018-12-04 平安医疗科技有限公司 在线问诊分配医生的方法、装置、计算机设备和存储介质
WO2020021973A1 (ja) * 2018-07-24 2020-01-30 オムロンヘルスケア株式会社 病院予約システム及びサーバ装置
CN110097959A (zh) * 2019-04-25 2019-08-06 闻康集团股份有限公司 一种快速在线问诊系统及方法
CN111696656A (zh) * 2020-06-12 2020-09-22 腾讯科技（深圳）有限公司 一种互联网医疗平台的医生评价方法、装置
CN112259178A (zh) * 2020-09-28 2021-01-22 北京海益同展信息科技有限公司 基于区块链网络的诊断方法、装置和区块链网络系统
WO2022062399A1 (zh) * 2020-09-28 2022-03-31 京东科技信息技术有限公司 基于区块链网络的诊断方法、装置和区块链网络系统
CN113096797A (zh) * 2021-04-16 2021-07-09 杭州卓健信息科技有限公司 基于智能终端的问诊系统
CN113077913A (zh) * 2021-04-20 2021-07-06 北京京东拓先科技有限公司 线上问诊派单方法、装置和系统
CN114613479A (zh) * 2022-03-10 2022-06-10 北京京东拓先科技有限公司 一种问诊任务分配的方法和装置
CN114743649A (zh) * 2022-04-06 2022-07-12 北京京东拓先科技有限公司 问诊单处理方法和装置
CN115132356A (zh) * 2022-07-21 2022-09-30 康键信息技术（深圳）有限公司 互联网医疗分诊方法、装置、电子设备及存储介质
CN115662657A (zh) * 2022-10-31 2023-01-31 海南星捷安科技集团股份有限公司 一种基于互联网医院的在线问诊系统
CN115762732A (zh) * 2022-11-18 2023-03-07 上海长征医院 一种基于区块链的接诊分诊系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
安健 ; 刘勇 ; 刘国栋 ; 赵文 ; 陈晓娜 ; .质量和安全视角下互联网医院系统建设初探.中国医院管理.2020,(第09期),全文. *

Also Published As

Publication number Publication date
CN116646065A (zh) 2023-08-25

Similar Documents

Publication Publication Date Title
US11552785B2 (en) Methods and systems for a synchronized distributed data structure for federated machine learning
US20190051390A1 (en) Team-based tele-diagnostics blockchain-enabled system
CA3075572C (en) System and method for user enrollment in a secure biometric verification system
CN113011973B (zh) 基于智能合约数据湖的金融交易监管模型的方法及设备
CN110495132A (zh) 用于在分布式网络节点内生成、上传和执行代码区块的系统和方法
US20230134651A1 (en) Synchronized Identity, Document, and Transaction Management
CN107251033A (zh) 用于在在线教育中进行实时用户验证的系统和方法
CN112199575A (zh) 虚拟银行开户方法、装置、设备和计算机存储介质
CN116646065B (zh) 互联网医院数据安全管理方法和装置
KR102285665B1 (ko) 학습 커리큘럼 제공 방법, 시스템 및 장치
US20190257033A1 (en) System and method for a financial transaction system having a secure biometric verification system
WO2022121217A1 (zh) 额度预测方法、设备及计算机可读存储介质
KR101756058B1 (ko) 가변적 생체정보 기반의 인증 시스템 및 이를 이용한 인증 방법
CN111832583A (zh) 基于区块链的健康管理方法、装置、介质及电子设备
CN112116103A (zh) 基于联邦学习的个人资质评估方法、装置及系统及存储介质
CN114219596B (zh) 一种基于决策树模型的数据处理方法及相关设备
CN114066584B (zh) 用于区块链的风险防控的方法及装置
KR102367098B1 (ko) Ai 큐레이션을 이용한 디자인제작 중개플랫폼장치
CN112702410B (zh) 一种基于区块链网络的评估系统、方法及相关设备
KR20200128250A (ko) 블록체인 기반의 계약 플랫폼 서비스 제공 시스템 및 방법
CN109255389A (zh) 一种装备评价方法、装置、设备及可读存储介质
US20210090136A1 (en) Ai to ai communication
US20230368208A1 (en) System and method for generating a contention scheme
CN112837781A (zh) 一种基于医院处方信息的药房管理系统及方法
Ruggeri et al. Blockchain-based strategy to avoid fake ai in ehealth scenarios with reinforcement learning

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