CN116759062A - 一种优化轮询就诊数据的方法和系统 - Google Patents
一种优化轮询就诊数据的方法和系统 Download PDFInfo
- Publication number
- CN116759062A CN116759062A CN202311037614.2A CN202311037614A CN116759062A CN 116759062 A CN116759062 A CN 116759062A CN 202311037614 A CN202311037614 A CN 202311037614A CN 116759062 A CN116759062 A CN 116759062A
- Authority
- CN
- China
- Prior art keywords
- polling
- data
- request
- doctor terminal
- diagnosis
- 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 53
- 238000003745 diagnosis Methods 0.000 claims abstract description 152
- 230000008569 process Effects 0.000 claims abstract description 6
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 15
- 201000010099 disease Diseases 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 10
- 238000003860 storage Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 230000000875 corresponding effect Effects 0.000 description 34
- 238000004590 computer program Methods 0.000 description 10
- 208000024891 symptom Diseases 0.000 description 10
- 238000013145 classification model Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 4
- 238000013475 authorization Methods 0.000 description 2
- 230000002457 bidirectional effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000013515 script Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 206010019233 Headaches Diseases 0.000 description 1
- 206010020772 Hypertension Diseases 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 208000035475 disorder Diseases 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 231100000869 headache Toxicity 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000010287 polarization Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- 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
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明涉及一种优化轮询就诊数据的方法和系统,所述方法包括:步骤S1:患者终端发送就诊请求到轮询服务器;步骤S2:轮询服务器将就诊请求放入一个或多个就诊请求队列中;步骤S3:轮询服务器在轮询的过程中,基于就诊请求队列形成和医生终端对应的轮询数据块;将所述轮询数据块发送给医生终端;步骤S4:医生终端获取轮询数据块,从轮询数据块中选择可处理的轮询数据。本发明在较广的范围内让更多的医生终端能够接收到就诊数据并在有限范围作出更优化的选择,大大的提高了就诊体验并充分的利用了医疗资源。
Description
技术领域
本发明属于智慧医疗技术领域,尤其涉及一种优化轮询就诊数据的方法和系统。
背景技术
智慧医疗是智慧城市的一个重要组成部分,是综合应用医疗物联网、数据融合传输交换、云计算、城域网等技术,通过信息技术将医疗基础设施与IT基础设施进行融合,以“医疗大数据环境”为核心,跨越原有医疗系统的时空限制,并在此基础上进行智能决策,实现医疗服务最优化的医疗体系。
传统医疗模式所面临的大医院人满为患、社区医院无人问津、病人就诊手续繁琐等等问题,在一定程度上可以归结为医疗信息不畅、医疗资源两极化、医疗监督机制不全等。随着互联网和人工智能等新兴领域的不断开拓,逐渐搭建起来的智慧医疗体系能够在一定程度上改善上述问题。然而,由于智慧医疗体系的显著性优势,越来越多的患者由传统就医模式转向智慧医疗就医模式,这也给智慧医疗就医模式带来了一些挑战。
一方面,目前比较常见的智慧医疗方式是患者在查阅了医院或者医生的简介后自主的选择医生并发出就诊请求;由于医院分类较多,且患者对医院信息了解有限,导致患者无法选择到真正适合的医生,以及及时的找到合适的医生;另一方面,医学分类复杂,映射到每个患者身上更是具有很大的差异性,每个医生尤其是专业大夫,其擅长的具体病症类型是很难用具体的几个粗分关键词或者细分关键词来描述的,在这种情况下,即使患者已经自己查阅资料进行了充分的研究后,可能仍旧找不到真正合适的大夫;而医生显然是没有时间来挑选更合适的大夫。此外,现有技术中对就诊请求的分类往往是基于密切相关的判定后进行的,直接将就诊请求分类到最密切相关的医生那里,或者是密切相关就诊队列那里;但是实际上,对于就诊类型的判定是非常复杂的,误判会带来很大的患者负担和时间浪费;在此情况下,如何对就诊请求进行分类和适配,并最终进行最优化的就诊数据适配,这是待解决的技术问题。本发明基于优化的就诊数据轮询,快速选择最优的医生终端,在较广的范围内让更多的医生终端能够接收到就诊数据并在有限范围作出更优化的选择,大大的提高了就诊体验并充分的利用了医疗资源。
发明内容
为了解决现有技术中的上述问题,本发明提出了一种优化轮询就诊数据的方法和系统,所述方法包含:
步骤S1:患者终端发送就诊请求到轮询服务器;具体为:患者终端发出就诊请求;所述就诊请求中包括患者标识、病症类型及其程度描述信息、多媒体描述信息;
步骤S2:轮询服务器将就诊请求放入一个或多个就诊请求队列中;所述就诊请求队列为多个;每个就诊请求队列关联一个就诊粗分类;每个就诊请求队列关联一个或者多个医生终端;所述医生终端服务于处理和所述就诊粗分类对应的疾病;
所述轮询服务器将就诊请求放入一个或多个就诊请求队列中;具体为:轮询服务器基于就诊请求数据确定就诊请求的不相关就诊请求队列;将就诊请求放入所有非不相关就诊请求队列的其它就诊请求队列的尾部;就诊请求队列和就诊请求之间的关系包括相关、不相关和密切相关三种;
步骤S3:轮询服务器在轮询的过程中,基于就诊请求队列形成和医生终端对应的轮询数据块;将所述轮询数据块发送给医生终端;其中:所述轮询数据块包括一个或者多个轮询数据;每个轮询数据包括一个就诊请求;
所述步骤S3具体包括如下步骤:
步骤S31:并行的针对每个就诊请求队列进行轮询操作;
步骤S32:轮询和就诊请求队列关联的所有医生终端;当医生终端空闲或预计空闲时,构建和所述医生终端对应的轮询数据块;其中:所述轮询数据块包含一个或者多个轮询数据;
所述构建和所述医生终端对应的轮询数据块,具体为:基于就诊请求队列中和医生终端匹配的就诊请求以及时间限制达到时间门限值的就诊请求对应的轮询数据构成轮询数据块;每个轮询数据还包括和其包括的一个就诊请求所在就诊请求队列所关联就诊粗分类的患者历史数据;
步骤S33:将轮询数据块发送给所述医生终端;返回步骤S32;
步骤S4:医生终端获取轮询数据块,从轮询数据块中选择可处理的轮询数据;在医生终端进行选择后发送选择结果给轮询服务器;轮询服务器基于医生终端的选择结果发送删除指令给和选择结果对应就诊请求关联的所有就诊请求队列;关联就诊请求队列在收到删除指令后,将所述就诊请求删除;当医生终端选择结果对应的就诊请求的和医生终端的实时匹配度小于等于匹配度上限阈值时,就诊请求队列在收到删除指令后,将所述欲删除就诊请求保持第一时间长度后再删除。
进一步的,患者基于轮询服务器提供的就诊请求模板填写就诊请求数据。
进一步的,所述多媒体描述信息包括图像信息、音频信息和/或视频信息。
进一步的,所述患者标识包括患者姓名和身份证号。
进一步的,所述就诊粗分类包括一个或多个就诊细分类。
一种优化轮询就诊数据的系统,所述系统用于实现上述优化轮询就诊数据的方法。
进一步的,所述匹配度上限阈值为预设值。
一种优化轮询就诊数据的平台,包括处理器,所述处理器和存储器耦合,所述存储器存储有程序指令,当所述存储器存储的程序指令被所述处理器执行时实现所述的优化轮询就诊数据的方法。
一种计算机可读存储介质,包括程序,当其在计算机上运行时,使得计算机执行所述的优化轮询就诊数据的方法。
一种大数据服务器,所述云服务器被配置为执行所述的优化轮询就诊数据的方法。
本发明的有益效果包括:
(1)基于就诊请求粗分类和细分类,构建不相关就诊请求队列将就诊请求的轮询范围扩大到粗分类上,不相关就诊请求队列提供了能够在较广的范围内让更多的医生终端能够接收到就诊数据并在有限范围做出更佳的选择的基础,也为需要联合诊断的复杂跨分类请求提供了双向肯定的开始基础;
(2)将就诊大数据做N维度层次划分,形成以症状及其描述程度足迹构成描述子,通过量化计算构建轮询数据块和实时匹配度,为基于医生终端实际接诊情况作全方位的量化匹配提供基础;随着描述子信息的不断增加,使得历史数据能够以片段或足迹的形式服务区匹配度的计算,使得每个医生终端不算多的接诊大数据能够对匹配度作有效补充,不拘泥于固定而静态的细分类信息,引导了就诊数据的有效流动,提高了轮询效率。
附图说明
此处所说明的附图是用来提供对本发明的进一步理解,构成本申请的一部分,但并不构成对本发明的不当限定,在附图中:
图1为本发明提供的优化轮询就诊数据的方法示意图。
具体实施方式
下面将结合附图以及具体实施例来详细说明本发明,其中的示意性实施例以及说明仅用来解释本发明,但并不作为对本发明的限定。
本发明提出一种优化轮询就诊数据的方法和系统,如附图1所示,所述方法包括如下步骤:
步骤S1:患者终端发送就诊请求到轮询服务器;具体为:患者终端发出就诊请求;所述就诊请求中包括患者标识、病症类型及其程度描述信息、多媒体描述信息等;例如:头疼、中度,血压高,150mm汞柱等;
优选的:所述病症类型为症状类型;
优选的:患者基于轮询服务器提供的就诊请求模板填写就诊请求数据;
步骤S2:轮询服务器将就诊请求放入一个或多个就诊请求队列中;所述就诊请求队列为多个;每个就诊请求队列关联一个就诊粗分类;每个就诊请求队列关联一个或者多个医生终端;所述医生终端服务于处理和所述就诊粗分类对应的疾病;
优选的:就诊粗分类和就诊细分类均是针对疾病进行分类;每个医生终端自行设置其对应的就诊粗分类和就诊细分类;
所述轮询服务器将就诊请求放入一个或多个就诊请求队列中;具体为:轮询服务器基于就诊请求数据确定就诊请求的不相关就诊请求队列;将就诊请求放入所有非不相关就诊请求队列的其它就诊请求队列的尾部;也就是说,一个就诊请求可能会被同时放入多个不同的就诊请求队列中;
优选的:就诊请求队列和就诊请求之间的关系包括相关、不相关和密切相关三种;现有技术中对就诊请求的分类往往是基于密切相关的判定后进行的,直接将就诊请求分类到最密切相关的医生那里,或者是密切相关就诊队列那里;但是实际上,对于就诊类型的判定是非常复杂的,误判会带来很大的患者负担和时间浪费;本发明通过扩大就诊请求推送范围,在较广的范围内让更多的专业医生有能够看到就诊数据的机会,使得就诊请求能快速定位到匹配的医生终端,并为联合诊断提供了双向肯定的启动基础;大大的提高了就诊体验;
所述轮询服务器基于就诊请求数据确定就诊请求的不相关就诊请求队列,具体为:将就诊请求数据输入第一分类模型中以确定就诊请求对应的一个或者多个就诊粗分类及其概率值;将概率值小于概率门槛值的就诊粗分类对应的就诊请求队列作为不相关就诊请求队列;
优选的:概率门槛值是预设值;例如:10%;
可替换的:确定就诊请求不可能对应的粗分类对应的就诊请求队列作为不相关就诊请求队列;确定的方式可以为人工确定;
优选的,当就诊请求中包括多媒体描述信息时,将多媒体描述信息输入第二分类模型中,以得到辅助分类结果;基于所述辅助分类结果和第一分类模型分类结果的综合情况,得到最终的包括就诊粗分类及其概率值的分类结果;综合的方式可以为与、或、加和、求均值等多种方式;
优选的:所述第一分类模型和第二分类模型为人工智能分类模型;采用历史就诊请求数据及其分类结果构成的样本训练所述人工智能分类模型;所述人工智能分类模型的输入是就诊数据,输出是多个就诊粗分类及其概率值;对于第一分类模型,当然也可以采用一些非智能手段,设置每种粗分类对应的症状关键词,通过确定就诊分类数据对症状关键词的命中情况来确定其对应的就诊粗分类及其概率值;
所述步骤S2还包括:基于就诊请求的患者标识得到患者历史数据,将患者历史数据和就诊请求关联后放入缓冲区中;具体为:获取和所有概率值大于等于概率门槛值的就诊粗分类对应的患者历史数据;将患者历史数据和其对应的就诊粗分类关联起来存储到缓冲区中;在就诊请求得到满足之前,对所需要的患者历史数据做提前的获取和可能发生的授权鉴权,并保存在缓冲区中;
所述步骤S2还包括:针对每个概率值大于等于概率门槛值的就诊粗分类,分析就诊请求以得到就诊请求的时间限制;此时,所述将就诊请求放入所有非不相关就诊请求队列的其它队列的尾部替换为:按照就诊请求的时间限制将就诊请求插入到所有非不相关就诊请求队列的其它队列的中,以使得插入位置能够满足或者通常能够满足所述时间限制;所述时间限制和所述就诊粗分类相关,也就是说,所述就诊请求的时间限制对每个就诊粗分类来说是相同或者不同的;
每个就诊请求队列对应一个或者多个和所述粗分类型相关的医生;每个粗分类包含一个或多个细分类;每个细分类对应一个或者多个分类方向;例如:分类方向是医生擅长的细分方向;
步骤S3:轮询服务器在轮询的过程中,基于就诊请求队列形成和医生终端对应的轮询数据块;将所述轮询数据块发送给医生终端;其中:所述轮询数据块包括一个或者多个轮询数据;每个轮询数据包括一个就诊请求及和就诊请求队列关联的就诊粗分类所对应的患者历史数据;
所述步骤S3具体包括如下步骤:
步骤S31:并行的针对每个就诊请求队列进行轮询操作;具体为:为每个就诊请求队列创建一个独立处理单元对就诊请求队列进行并行而独立的轮询操作;
优选的:所述独立处理单元为独立的进程、线程或硬件处理单元等;
步骤S32:轮询和所述就诊请求队列关联的医生终端;当医生终端空闲或预计空闲时,构建和所述医生终端对应的轮询数据块;其中:所述轮询数据块包含一个或者多个轮询数据;每个轮询数据包括一个就诊请求及和就诊请求队列关联的就诊粗分类所对应的患者历史数据;
所述构建和所述医生终端对应的轮询数据块,具体为:基于就诊请求队列中和医生终端匹配的就诊请求以及时间限制达到时间门限值的就诊请求对应的轮询数据构成轮询数据块;
所述步骤具体包括如下步骤:
步骤S32_A1:将就诊请求队列中时间限制达到时间门限值的就诊请求对应的轮询数据放入轮询数据块中;判断轮询数据块是否已满,如果是,则结束,否则,进入下一步骤;其中:轮询数据块的长度为Lth为其能够容纳的就诊请求的最大数量;
步骤S32_A2:从就诊请求队列头部开始,依次取一个就诊请求作为当前就诊请求;
步骤S32_A3:确定医生终端细分类和就诊请求预估细分类之间的第一匹配度;确定医生终端描述子和就诊请求描述子的第二匹配度;确定医生终端历史接诊记录和就诊请求对应患者历史数据之间的第三匹配度;基于第一匹配度、第二匹配度和第三匹配度确定就诊请求和医生终端之间的实时匹配度;其中:描述子包括一组或多组病症及其程度描述信息组合;所述组合中包括一个或者多个病症及其程度描述信息;就诊请求描述子基于就诊请求构建;
优选的:基于就诊请求中的完整信息进行细分类预估;预估的方式可以是人工预估、自行确定、传统的人工智能模型判断等多种方式;
所述就诊请求描述子基于就诊请求构建;具体为:基于就诊请求中的每个病症类型及其程度描述信息构建个n元组作为就诊请求描述子;其中:;N为就诊请求中病症类型的个数;每个n元组中的n个元素为n个不相同的病症类型及其程度描述信息构成的2元组;例如:((血压,150)(心率120)(超重120kg))为一个3元组;其中3元组中的每个元组是一个2元组;
基于历史接诊记录构建医生终端描述子;具体包括如下步骤:
步骤S32_A3_A1:获取新增历史接诊记录中一未处理就诊请求及其描述子;
初始状态下,可以预先设置医生终端描述子;也可以将首个接诊记录对应的就诊请求的描述子作为医生终端描述子初始值;
步骤S32_A3_A2:获取就诊请求描述子中一未处理n元组;
步骤S32_A3_A3:确定医生终端描述子中是否有和所述n元组中病症类型相同且程度描述信息相近的n元组,如果是,则增加所述就诊终端描述子中对应n元组的权重值;并基于所述未处理n元组中的程度描述信息更新所述对应n元组程度描述信息;如果否,则将所述未处理n元组加入医生终端描述子中;
更新的方式为基于n元组的权重值大小确定未处理n元组能够给对应n元组程度描述信息带来的影响程度以进行更新;例如:根据影响的程度和对应n元组程度描述信息进行加权求平均;可以理解的方式是权重值是累计值;
也就是说,医生终端描述子中存在多个这样的元组,其元组中元素的病症相同但是程度描述不同;在这样的元组数过多时,可针对程度描述进行元组聚类;当然丰富的描述子才能够克服患者对同一个疾病所呈现出来的病症多样性;才能够形成针对每个医生终端的“大数据”;描述子相当于足迹或者片段信息;
步骤S32_A3_A4:判断是否还有未处理n元组,如果是,则返回步骤S32_A3_A2;否则,进入下一步骤;
步骤S32_A3_A5:判断是会否还有未处理就诊请求及其描述子,如果是,则返回步骤S32_A3_A1;否则,结束;
优选的:根据实时接诊情况,动态更新医生终端的描述子信息;
优选的:所述医生终端细分类的初始值可由医生终端自行设置;
优选的:随着选择的就诊请求的增加,医生终端侧累积了大量的就诊请求数据构成了历史接诊记录的一部分,提取所述历史接诊记录中的病症及其程度描述信息组合以形成动态更新的描述子信息;
所述确定医生终端细分类和就诊请求预估细分类之间的第一匹配度;具体为:若医生终端细分类中存在和当前就诊请求预估细分类相同细分类时,确定所述第一匹配度为;否则,为/>;
所述医生终端描述子和就诊请求描述子的第二匹配度;具体为:对于就诊请求描述子中的任一n元组,确定医生终端中和所述n元组中病症类型相同且程度描述信息相近的n元组;当相近的n元组数量越多,n值越大,则第二匹配度越高,反之,则越低;其中:是医生终端描述子中的n元组,/>是当前就诊请求描述子中的n元组;/>是归一化系数;是中间变量;
基于下式计算所述第二匹配度/>;
;(1)
;(2)
;(3)
;(4)
可替换的:基于下式和/>计算所述第二匹配度/>;这种情况给n值一个较大的权重;
;/>
所述确定医生终端历史接诊记录和就诊请求对应患者历史数据之间的第三匹配度M3;具体为:确定医生终端历史接诊记录和就诊请求对应患者历史数据中关键词及其词频之间的相似程度;对所述相似程度进行归一化处理后得到第三匹配度M3;这里可以采用常见的文本或者文件相似程度确定方法;
基于第一匹配度、第二匹配度和第三匹配度确定就诊请求和医生终端之间的实时匹配度;具体为:根据第一匹配度、第二匹配度和第三匹配度的加和值或加权加和值确定实时匹配度;
可替换的:根据下式确定实时匹配度MRT;
;(6)
;(7)
其中:和/>是权重系数;/>是匹配度下限阈值;
优选的:;在现有技术中在匹配度低于下限阈值时,就诊请求直接被确定为和当前的医生终端不匹配,本发明将就诊大数据做N维度划分,形成以病症及其描述程度足迹构成描述子与医生终端实际接诊情况进行全方位的量化匹配,进一步的用接诊大数据进行匹配度的有效补充,不拘泥于固定而静态的细分类信息,引导了就诊数据的流向,优化了轮询的效率;
步骤S32_A4:判断所述实时匹配度是否大于匹配度阈值,如果是,则将当前就诊请求对应的轮询数据放入轮询数据块中;
优选的:所述匹配度阈值大于匹配度下限阈值;
可替换的:所述匹配度阈值等于匹配度下限阈值;
步骤S32_A5:判断轮询数据块是否已满,如果是,则结束;进一步的,判断当前就诊请求是否位于就诊请求队列的尾部;如果是,则结束,否则,返回步骤S32_A2;
步骤S33:将轮询数据块发送给所述医生终端;返回步骤S32;
步骤S4:医生终端获取轮询数据块,从轮询数据块中选择可处理的轮询数据;在医生终端进行选择后发送选择结果给轮询服务器;轮询服务器基于医生终端的选择结果发送删除指令给和选择结果对应就诊请求关联的所有就诊请求队列;关联就诊请求队列在收到删除指令后,将所述就诊请求删除;
优选的:选择结果包括一个或多个就诊请求;也就是说,医生终端一次可以选择多个就诊请求;
可替换的:当医生终端选择结果对应的就诊请求的和医生终端的实时匹配度小于等于匹配度上限阈值时,就诊请求队列在收到删除指令后,将所述欲删除就诊请求保持第一时间长度后再删除;对应的,在多个来自不同就诊粗分类医生终端的选择结果到达轮询服务器时,轮询服务器发起联合诊断请求给所述多个医生终端,并在得到所述多个医生终端的确认答复时,发起联合诊断;
优选的:所述第一时间长度是预设值;可设置第一时间长度为对预设数量个医生终端轮询一遍的时间长度;
优选的:匹配度上限阈值大于匹配度下限阈值;
优选的:在多个医生终端或多个同一就诊粗分类的医生终端的选择结果同时达到轮询服务器时,轮询服务器进行仲裁后保留一个医生终端的选择结果;
基于相同的发明构思,本发明还提供一种优化轮询就诊数据的系统,所述系统包括:患者终端、轮询服务器、医生终端;
所述系统用于实现上述优化轮询就诊数据的方法;
所述患者终端用于向轮询服务器发出就诊请求;轮询服务器用于执行接收就诊请求,基于就诊请求形成轮询数据块并发送给医生终端;医生终端从轮询数据块中选择可处理的轮询数据;这里的处理是指医生擅长于处理患者的目前的疾病;
优选的:所述轮询服务器包括多个服务器,分别用于进行数据存储和分析;
优选的:所述服务器为云服务器;
计算机程序(也被称为程序、软件、软件应用、脚本或代码)能够以编程语言的任何形式来撰写,包括汇编或解释语言、说明或过程性语言,且其可以以任何形式部署,包括作为单机程序或者作为模块、组件、子例程、对象或适于在计算环境中使用的其他单元。计算机程序可以但不必与文件系统中的文件相对应。程序能够存储在保持其他程序或数据(例如存储在标记语言文档中的一个或多个脚本)的文件的一部分中,在专用于所述程序的单个文件中,或者在多个协同文件中(例如,存储一个或多个模块、子例程或代码部分的文件)。计算机程序可以部署为在一个计算机上或位于一个站点或跨多个站点分布且由通信网络互连的多个计算机上执行。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。
Claims (9)
1.一种优化轮询就诊数据的方法,其特征在于,所述方法包含:
步骤S1:患者终端发送就诊请求到轮询服务器;具体为:患者终端发出就诊请求;所述就诊请求中包括患者标识、病症类型及其程度描述信息、多媒体描述信息;
步骤S2:轮询服务器将就诊请求放入一个或多个就诊请求队列中;所述就诊请求队列为多个;每个就诊请求队列关联一个就诊粗分类;每个就诊请求队列关联一个或者多个医生终端;所述医生终端服务于处理和所述就诊粗分类对应的疾病;
所述轮询服务器将就诊请求放入一个或多个就诊请求队列中;具体为:轮询服务器基于就诊请求数据确定就诊请求的不相关就诊请求队列;将就诊请求放入所有非不相关就诊请求队列的其它就诊请求队列的尾部;就诊请求队列和就诊请求之间的关系包括相关、不相关和密切相关三种;
步骤S3:轮询服务器在轮询的过程中,基于就诊请求队列形成和医生终端对应的轮询数据块;将所述轮询数据块发送给医生终端;其中:所述轮询数据块包括一个或者多个轮询数据;每个轮询数据包括一个就诊请求;
所述步骤S3具体包括如下步骤:
步骤S31:并行的针对每个就诊请求队列进行轮询操作;
步骤S32:轮询和就诊请求队列关联的所有医生终端;当医生终端空闲或预计空闲时,构建和所述医生终端对应的轮询数据块;其中:所述轮询数据块包含一个或者多个轮询数据;
所述构建和所述医生终端对应的轮询数据块,具体为:基于就诊请求队列中和医生终端匹配的就诊请求以及时间限制达到时间门限值的就诊请求对应的轮询数据构成轮询数据块;每个轮询数据还包括和其包括的一个就诊请求所在就诊请求队列所关联就诊粗分类的患者历史数据;
步骤S33:将轮询数据块发送给所述医生终端;返回步骤S32;
步骤S4:医生终端获取轮询数据块,从轮询数据块中选择可处理的轮询数据;在医生终端进行选择后发送选择结果给轮询服务器;轮询服务器基于医生终端的选择结果发送删除指令给和选择结果对应就诊请求关联的所有就诊请求队列;关联就诊请求队列在收到删除指令后,将所述就诊请求删除;当医生终端选择结果对应的就诊请求的和医生终端的实时匹配度小于等于匹配度上限阈值时,就诊请求队列在收到删除指令后,将欲删除就诊请求保持第一时间长度后再删除。
2.根据权利要求1所述的优化轮询就诊数据的方法,其特征在于,患者基于轮询服务器提供的就诊请求模板填写就诊请求数据。
3.根据权利要求2所述的优化轮询就诊数据的方法,其特征在于,所述多媒体描述信息包括图像信息、音频信息和/或视频信息。
4.根据权利要求3所述的优化轮询就诊数据的方法,其特征在于,所述患者标识包括患者姓名和身份证号。
5.根据权利要求4所述的优化轮询就诊数据的方法,其特征在于,所述就诊粗分类包括一个或多个就诊细分类。
6.一种优化轮询就诊数据的系统,其特征在于,所述系统用于实现上述权利要求1-5中任一项所述的优化轮询就诊数据的方法。
7.根据权利要求6所述的优化轮询就诊数据的系统,其特征在于,所述匹配度上限阈值为预设值。
8.一种优化轮询就诊数据的平台,其特征在于,包括处理器,所述处理器和存储器耦合,所述存储器存储有程序指令,当所述存储器存储的程序指令被所述处理器执行时实现权利要求1-5中任一项所述的优化轮询就诊数据的方法。
9.一种计算机可读存储介质,其特征在于,包括程序,当其在计算机上运行时,使得计算机执行如权利要求1-5中任一项所述的优化轮询就诊数据的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311037614.2A CN116759062B (zh) | 2023-08-17 | 2023-08-17 | 一种优化轮询就诊数据的方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311037614.2A CN116759062B (zh) | 2023-08-17 | 2023-08-17 | 一种优化轮询就诊数据的方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116759062A true CN116759062A (zh) | 2023-09-15 |
CN116759062B CN116759062B (zh) | 2023-10-31 |
Family
ID=87950054
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311037614.2A Active CN116759062B (zh) | 2023-08-17 | 2023-08-17 | 一种优化轮询就诊数据的方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116759062B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108766545A (zh) * | 2018-05-31 | 2018-11-06 | 平安医疗科技有限公司 | 在线问诊科室分配方法、装置、计算机设备和存储介质 |
CN109065185A (zh) * | 2018-07-24 | 2018-12-21 | 合肥同佑电子科技有限公司 | 一种面向患者快捷精准就医服务方法及系统 |
CN110910998A (zh) * | 2019-12-05 | 2020-03-24 | 北京明略软件系统有限公司 | 一种针对患者病情信息推荐医生的方法及装置 |
CN111403015A (zh) * | 2020-04-17 | 2020-07-10 | 瞿秋昱 | 一种互联网的医疗咨询和在线诊断系统及方法 |
CN112309524A (zh) * | 2020-04-26 | 2021-02-02 | 吴九云 | 基于人工智能的智慧医疗信息推送方法、系统及云平台 |
CN112420176A (zh) * | 2019-08-22 | 2021-02-26 | 浙江远图互联科技股份有限公司 | 基于结构化信息库的分级导诊系统 |
CN113592345A (zh) * | 2021-08-10 | 2021-11-02 | 康键信息技术(深圳)有限公司 | 基于聚类模型的医疗分诊方法、系统、设备及存储介质 |
-
2023
- 2023-08-17 CN CN202311037614.2A patent/CN116759062B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108766545A (zh) * | 2018-05-31 | 2018-11-06 | 平安医疗科技有限公司 | 在线问诊科室分配方法、装置、计算机设备和存储介质 |
CN109065185A (zh) * | 2018-07-24 | 2018-12-21 | 合肥同佑电子科技有限公司 | 一种面向患者快捷精准就医服务方法及系统 |
CN112420176A (zh) * | 2019-08-22 | 2021-02-26 | 浙江远图互联科技股份有限公司 | 基于结构化信息库的分级导诊系统 |
CN110910998A (zh) * | 2019-12-05 | 2020-03-24 | 北京明略软件系统有限公司 | 一种针对患者病情信息推荐医生的方法及装置 |
CN111403015A (zh) * | 2020-04-17 | 2020-07-10 | 瞿秋昱 | 一种互联网的医疗咨询和在线诊断系统及方法 |
CN112309524A (zh) * | 2020-04-26 | 2021-02-02 | 吴九云 | 基于人工智能的智慧医疗信息推送方法、系统及云平台 |
CN113592345A (zh) * | 2021-08-10 | 2021-11-02 | 康键信息技术(深圳)有限公司 | 基于聚类模型的医疗分诊方法、系统、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN116759062B (zh) | 2023-10-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021008328A1 (zh) | 图像处理方法、装置、终端及存储介质 | |
CN107729929B (zh) | 用于获取信息的方法及装置 | |
CN112784092A (zh) | 一种混合融合模型的跨模态图像文本检索方法 | |
WO2023015935A1 (zh) | 一种体检项目推荐方法、装置、设备及介质 | |
CN111400548B (zh) | 一种基于深度学习与马尔科夫链的推荐方法及设备 | |
US10474926B1 (en) | Generating artificial intelligence image processing services | |
WO2021135449A1 (zh) | 基于深度强化学习的数据分类方法、装置、设备及介质 | |
CN113722458B (zh) | 视觉问答处理方法、设备、计算机可读介质和程序产品 | |
US20230368028A1 (en) | Automated machine learning pre-trained model selector | |
WO2022252694A1 (zh) | 神经网络优化方法及其装置 | |
CN115858886B (zh) | 数据处理方法、装置、设备及可读存储介质 | |
US20200356825A1 (en) | Model for health record classification | |
CN116452851A (zh) | 病症分类模型的训练方法、装置、终端及可读存储介质 | |
CN117174232A (zh) | 一种电子病历的生成方法、装置、电子设备及存储介质 | |
CN116383234A (zh) | 一种搜索语句生成方法、装置、计算机设备及存储介质 | |
CN111899865A (zh) | 医疗信息的推荐方法、装置、介质及电子设备 | |
CN114566277A (zh) | 一种基于联邦元学习的罕见疾病分类方法 | |
CN114255855A (zh) | 一种基于人工智能的医疗分级诊疗挂号管理方法及系统 | |
CN116759062B (zh) | 一种优化轮询就诊数据的方法和系统 | |
CN111081325B (zh) | 医疗数据处理方法与装置 | |
CN110570943B (zh) | 智能推荐mdt入组的方法及装置、电子设备、存储介质 | |
CN114357242A (zh) | 基于召回模型的训练评估方法及装置、设备、存储介质 | |
CN113971241A (zh) | 一种图书馆寻书方法及智能寻书机器人 | |
CN112269942A (zh) | 一种推荐对象的方法、装置、系统及电子设备 | |
CA3117298C (en) | Learning user actions to improve transaction categorization |
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 |