CN116825312A - 一种基于信创环境的分诊系统及方法 - Google Patents
一种基于信创环境的分诊系统及方法 Download PDFInfo
- Publication number
- CN116825312A CN116825312A CN202310908950.3A CN202310908950A CN116825312A CN 116825312 A CN116825312 A CN 116825312A CN 202310908950 A CN202310908950 A CN 202310908950A CN 116825312 A CN116825312 A CN 116825312A
- Authority
- CN
- China
- Prior art keywords
- data
- triage
- diagnosis
- module
- patient
- 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 29
- 238000003745 diagnosis Methods 0.000 claims abstract description 181
- 201000010099 disease Diseases 0.000 claims abstract description 96
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 96
- 238000012545 processing Methods 0.000 claims abstract description 42
- 238000007619 statistical method Methods 0.000 claims abstract description 42
- 238000012544 monitoring process Methods 0.000 claims abstract description 37
- 238000007781 pre-processing Methods 0.000 claims abstract description 24
- 238000011282 treatment Methods 0.000 claims abstract description 23
- 208000024891 symptom Diseases 0.000 claims description 25
- 238000004891 communication Methods 0.000 claims description 24
- 238000004458 analytical method Methods 0.000 claims description 22
- 238000001914 filtration Methods 0.000 claims description 20
- 239000003814 drug Substances 0.000 claims description 16
- 229940079593 drug Drugs 0.000 claims description 12
- 238000011269 treatment regimen Methods 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 8
- 208000032023 Signs and Symptoms Diseases 0.000 claims description 7
- 238000000586 desensitisation Methods 0.000 claims description 7
- 238000013524 data verification Methods 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 6
- 206010028980 Neoplasm Diseases 0.000 claims description 5
- 201000011510 cancer Diseases 0.000 claims description 5
- 208000019622 heart disease Diseases 0.000 claims description 5
- 230000009471 action Effects 0.000 claims description 4
- 238000004140 cleaning Methods 0.000 claims description 4
- 230000001960 triggered effect Effects 0.000 claims description 4
- 208000019693 Lung disease Diseases 0.000 claims description 3
- 210000004556 brain Anatomy 0.000 claims description 3
- 230000001364 causal effect Effects 0.000 claims description 3
- 238000011985 exploratory data analysis Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000000399 orthopedic effect Effects 0.000 claims description 3
- 208000014674 injury Diseases 0.000 claims description 2
- 230000008733 trauma Effects 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 206010037660 Pyrexia Diseases 0.000 description 4
- 230000006399 behavior Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 206010008479 Chest Pain Diseases 0.000 description 2
- 208000000059 Dyspnea Diseases 0.000 description 2
- 206010013975 Dyspnoeas Diseases 0.000 description 2
- 208000018522 Gastrointestinal disease Diseases 0.000 description 2
- 206010019233 Headaches Diseases 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 208000010643 digestive system disease Diseases 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 208000018685 gastrointestinal system disease Diseases 0.000 description 2
- 231100000869 headache Toxicity 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 208000037920 primary disease Diseases 0.000 description 2
- 208000013220 shortness of breath Diseases 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000000873 masking effect Effects 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000009466 transformation Effects 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
- 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
- G16H40/60—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 operation of medical equipment or devices
- G16H40/63—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 operation of medical equipment or devices for local operation
-
- 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
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- General Business, Economics & Management (AREA)
- Business, Economics & Management (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明公开了一种基于信创环境的分诊系统及方法，涉及智能医疗技术领域。该系统包括用于采集患者挂号信息并预处理和分类的数据处理模块、用于统计分析医疗信息的统计分析模块、用于构建病情诊断模型并输出初步诊断结果的病情诊断模块、用于构建分诊推荐模型并为患者推荐医生和诊室的分诊推荐模块以及用于对数据进行实时监测并根据监测结果调整分诊和排班计划的监测调度模块。本发明基于大数据处理患者的挂号信息并构建病情诊断模型，极大程度上提高了病情判断的准确性；进而再统计医疗信息并构建分诊推荐模型，提高了分诊的准确性和效率，满足个体的个性化需求；再通过实时监测数据来调整分诊和排班计划，使得分诊更具计划性和准确性。
Description
技术领域
本发明属于智能医疗技术领域，尤其涉及一种基于信创环境的分诊系统及方法。
背景技术
信创也即信息技术应用创新产业，是指基于信息技术的创新和应用推动产业发展的领域。信创涵盖了多个领域，如互联网、大数据、人工智能、物联网、云计算、区块链等，这些领域的创新与应用推动了各行各业的数字化转型和智能化升级。
分诊是指在医疗机构内对患者进行初步评估和分类，将其引导至适当的诊疗部门或医生进行进一步的诊疗。
应用于信创环境下的分诊系统虽然可以实现分诊的智能化，但依然会有很多缺陷和亟待解决的问题：传统分诊的准确性和效果很大程度上依赖于患者提供的病情信息，患者无法清晰描述症状、隐瞒重要信息或对症状做出错误判断，都会导致分诊结果不准确；在分诊过程中，医务人员的主观判断和经验也可能会对分诊结果产生一定的影响；传统的人工分诊方式耗费时间和人力资源，满足快速就医的需求；传统分诊系统无法全面考虑到每个患者的个体需求和特殊情况，因此无法满足个体的个性化需求。
发明内容
本发明的目的在于提供一种基于信创环境的分诊系统及方法，基于信创环境将分诊系统智能化，通过利用人工智能、大数据分析等技术，提高分诊的准确性和效率，并且满足个体的个性化需求。
本发明的目的可以通过以下技术方案实现：
第一方面，本申请实施例提供了一种基于信创环境的分诊系统，包括数据处理模块、统计分析模块、病情诊断模块、分诊推荐模块和监测调度模块；
所述数据处理模块与所述病情诊断模块通信连接；
所述病情诊断模块和所述统计分析模块分别与所述分诊推荐模块通信连接；
所述统计分析模块与所述监测调度模块通信连接；
所述数据处理模块，用于采集患者输入的挂号信息并对所述挂号信息进行预处理，获取预处理挂号数据；对所述预处理挂号数据进行分类，获取分类信息；
所述病情诊断模块，用于根据所述数据处理模块中的数据构建病情诊断模型并输出病情的初步诊断结果；
所述统计分析模块，用于统计医院的医疗信息并对其进行分析；
所述分诊推荐模块，用于依据所述初步诊断结果以及所述统计分析模块的数据构建分诊推荐模型，并通过所述分诊推荐模型为所述患者推荐医生和诊室；
所述监测调度模块，用于对所述统计分析模块中的数据进行实时监测，获取监测结果；根据所述监测结果调整分诊和排班计划；
其中，所述挂号信息包括个人信息、症状信息、病史信息、用药信息、就诊记录和个人需求；
所述医疗信息包括医疗数据、科室数据、医生排班信息和诊疗记录；
采用规则引擎构建所述病情诊断模型，其包括依次通信连接的规则库模块、推理引擎模块、数据输入模块和结果输出模块；
所述规则库模块，用于存储和管理若干规则；所述规则表示为症状与体征的组合，并将其与疾病关联；
所述推理引擎模块，用于执行所述规则库模块中的规则，对所述患者的症状和体征进行匹配和推断；
所述数据输入模块，接收所述患者输入的病历数据和症状描述；
所述结果输出模块，输出所述规则引擎的初步诊断结果。
优选的，所述数据处理模块包括依次通信连接的采集单元、处理单元和分类单元；
所述采集单元，用于从信息输入端采集所述患者输入的所述挂号信息；
所述处理单元，用于对所述挂号信息进行预处理操作，获取预处理挂号数据；
所述分类单元，用于将所述预处理挂号数据划分为急诊数据和普诊数据；
其中，所述预处理操作包括数据清洗、异常值处理、数据去敏感化和数据校验；
在所述分类单元中，依据所述急诊数据进行优先级计划分，且所述急诊数据的优先级大于所述普诊数据。
优选的，所述依据所述急诊数据进行优先级划分具体采用重要紧急矩阵法，将所述急诊数据划分为重要且紧急数据、重要但不紧急数据、紧急但不重要数据、不紧急也不重要数据；其中，所述优先级为：所述重要且紧急数据优先于所述重要但不紧急数据、所述重要但不紧急数据优先于紧急但不重要数据、所述紧急但不重要数据优先于所述不紧急也不重要数据。
优选的，在所述规则库模块中，规则库包括依次连接的条件部分、结论部分和优先级部分；
所述条件部分表示为所述规则的触发情况，包括所述患者的症状、体征、检查结果以及逻辑关系；
所述结论部分表示为当所述规则被触发时做出的推断或行动，包括疾病诊断、治疗方案和检查建议；
所述优先级部分表示为所述规则的权重和执行顺序，用于当存在多条规则满足条件时，确定优先执行的规则。
优选的，建立所述规则库包括以下步骤：
收集医疗领域知识并建立医疗数据库；
确定疾病类型及其范围，并逐步扩展所述范围；
根据所述医疗数据库为每种疾病定义相应的条件部分，所述条件部分用于描述所述疾病的特征；
确定每个规则的所述结论部分；
为每个规则分配优先级；
依据所述医疗数据库对所述规则库进行验证，并实时进行更新和修订。
优选的，所述统计分析模块包括依次通信连接的收集单元、统计单元和分析单元；
所述收集单元，用于收集所述医疗信息的相关数据，包括患者病历、诊断报告、实验室结果和医疗影像；
所述统计单元，用于对收集的数据进行统计，获取统计数据；采用的统计方法包括描述性统计方法；
所述分析单元，用于对所述统计数据进行分析，获取分析数据；采用的分析方法包括探索性数据分析、统计推断和因果推断。
优选的，所述分诊推荐模块包括普诊推荐单元、急诊推荐单元、病情分级单元、病情评估单元、模型构建单元；
所述模型构建单元、所述病情分级单元和所述病情评估单元依次通信连接；
所述病情评估单元分别与所述普诊推荐单元和所述急诊推荐单元通信连接；
所述模型构建单元，用于根据所述初步诊断结果和分析数据构建所述分诊推荐模型；
所述病情分级单元，用于根据所述病情诊断模型对所述患者的病情进行等级划分，获取等级标识；还用于根据所述病情诊断模型对所述患者的病情进行领域划分，获取领域标识；
所述病情评估单元，用于将所述初步诊断结果与所述等级标识进行匹配，获取匹配等级结果；
所述普诊推荐单元，用于根据所述匹配等级结果和所述领域标识为所述患者推荐普诊的就诊医生及就诊科室；
所述急诊推荐单元，用于根据所述匹配等级结果和所述领域标识为所述患者推荐急诊的就诊医生及就诊科室；
其中，所述领域标识包括心脏病领域、肺部疾病领域、脑部领域、骨科领域和癌症领域。
优选的，所述等级标识包括第一等级标识、第二等级标识、第三等级标识和第四等级标识；
若所述患者的初步诊断结果匹配所述第一等级标识，则所述匹配等级结果为危重等级；
若所述患者的初步诊断结果匹配所述第二等级标识，则所述匹配等级结果为严重等级；
若所述患者的初步诊断结果匹配所述第三等级标识，则所述匹配等级结果为急诊等级；
若所述患者的初步诊断结果匹配所述第四等级标识，则所述匹配等级结果为普诊等级。
优选的，所述分诊推荐模型为协同过滤模型；所述协同过滤模型通过分析患者之间或医生之间的相似性，为所述患者推荐适合的医生、医院或治疗方案。
第二方面，本申请实施例提供了一种基于信创环境的分诊方法，包括如下步骤：
采集患者输入的挂号信息并对所述挂号信息进行预处理，获取预处理挂号数据；对所述预处理挂号数据进行分类，获取分类信息；
根据所述分类信息构建病情诊断模型并输出病情的初步诊断结果；
统计医院的医疗信息并对其进行分析，获取统计分析数据；
依据所述初步诊断结果以及所述统计分析数据构建分诊推荐模型；
根据所述分诊推荐模型为所述患者推荐就诊医生和诊室；
对所述统计分析数据进行实时监测，获取监测结果；
根据所述监测结果调整分诊和排班计划；
其中，所述挂号信息包括个人信息、症状信息、病史信息、用药信息、就诊记录和个人需求；
所述医疗信息包括医疗数据、科室数据、医生排班信息和诊疗记录；
采用规则引擎构建所述病情诊断模型；
采用协同过滤模型作为分诊推荐模型；所述协同过滤模型通过分析患者之间或医生之间的相似性，为所述患者推荐适合的医生、医院或治疗方案。
本发明的有益效果为：
(1)本发明通过采集患者的挂号信息并对进行处理和分类，从而根据处理后的数据构建病情诊断模型，用该模型对患者的病情做初步的诊断，极大程度上提高了病情判断的准确性；进而再统计医院的医疗信息，并依据其与初步诊断结果构建分诊推荐模型，利用该模型为患者推荐合适的就诊医生和就诊科室，从而提高了分诊的准确性和效率；再通过实时监测医疗信息的数据来调整分诊和排班计划，使得分诊更具计划性和准确性。本发明基于大数据的智能化分诊系统，通过对信息数据的处理提高了分诊的效率和准确性，并且还可以节约分诊耗费的时间和人力资源，以及满足了患者的个性化需求。
(2)本发明通过数据处理模块采集并处理患者输入的挂号信息，提高了信息的准确性；还将普诊和急诊进行区分并划分优先级，使得依据该挂号信息进行初步病情诊断的病情诊断模型具有更高的诊断效率。该数据处理模块依据大数据提高了分诊工作的效率和质量。
(3)本发明利用数据处理模块中的数据建立病情诊断模型，该病情诊断模型基于规则引擎，可以根据医学知识将患者的症状、体征、检查结果等信息与事先定义好的规则进行匹配和推断，从而初步诊断患者的疾病；通过规则引擎系统可以根据患者提供的症状信息快速分析出可能的疾病范围，从而极大程度上提高了初步诊断的准确性和效率。
(4)本发明在病情诊断模型的构建过程中会采用规则库，而该规则库中包含有优先级，可以根据优先级快速处理优先级别较高的数据，并且该规则库的建立基于大量的医疗领域知识，可以更准确的为患者进行初步的病情诊断，极大程度上提高了该模型诊断结果的准确性和可靠性。
(5)本发明的统计分析模块主要对医疗信息相关的数据进行统计和分析，通过统计医院、医生、诊室、排班情况、就诊情况、患者的诊断及病例等信息，使得基于上述数据而建立的分诊推荐模型具有更完整和全面的数据基础；还通过多种分析方法对统计数据进行分析，使得数据更加准确和完整。
(6)本发明的分诊推荐模块根据挂号信息将诊断推荐划分为普诊推荐和急诊推荐，同时还对病情进行等级和领域划分，针对不同的情况进行不同程度的就诊推荐，使得分诊系统的推荐效率更高且推荐更准确。
(7)本发明的分诊推荐模型采用协同过滤模型，该模型通过分析患者之间或医生之间的相似性，从而为患者推荐适合的医生、医院或治疗方案；基于“用户”的协同过滤可以根据患者之间的相似就诊行为进行推荐，基于“物品”的协同过滤可以根据医生的处方行为进行推荐；该协同过滤模型使得分诊推荐更加准确和可靠。
附图说明
为了更好地理解和实施，下面结合附图详细说明本申请的技术方案。
图1为本申请实施例提供的一种基于信创环境的分诊系统的结构示意图；
图2为本申请实施例提供的采用规则引擎构建病情诊断模型的结构示意图；
图3为本申请实施例提供的数据处理模块的结构示意图；
图4为本申请实施例提供的规则库模块的结构示意图；
图5为本申请实施例提供的建立规则库的步骤流程图；
图6为本申请实施例提供的统计分析模块的结构示意图；
图7为本申请实施例提供的分诊推荐模块的结构示意图；
图8为本申请实施例提供的一种基于信创环境的分诊方法的步骤流程图。
具体实施方式
为更进一步阐述本发明为实现预定发明目的所采取的技术手段及功效，这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的方法和系统的例子。
在本申请使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指包含一个或多个相关联的列出项目的任何或所有可能组合。
以下结合附图及较佳实施例，对依据本发明的具体实施方式、特征及其功效做详细说明。
实施例1
请参阅图1，本申请实施例提供一种基于信创环境的分诊系统，包括数据处理模块、统计分析模块、病情诊断模块、分诊推荐模块和监测调度模块；
所述数据处理模块与所述病情诊断模块通信连接；
所述病情诊断模块和所述统计分析模块分别与所述分诊推荐模块通信连接；
所述统计分析模块与所述监测调度模块通信连接；
所述数据处理模块，用于采集患者输入的挂号信息并对所述挂号信息进行预处理，获取预处理挂号数据；对所述预处理挂号数据进行分类，获取分类信息；
所述病情诊断模块，用于根据所述数据处理模块中的数据构建病情诊断模型并输出病情的初步诊断结果；
所述统计分析模块，用于统计医院的医疗信息并对其进行分析；
所述分诊推荐模块，用于依据所述初步诊断结果以及所述统计分析模块的数据构建分诊推荐模型，并通过所述分诊推荐模型为所述患者推荐医生和诊室；
所述监测调度模块，用于对所述统计分析模块中的数据进行实时监测，获取监测结果；根据所述监测结果调整分诊和排班计划；
其中，所述挂号信息包括个人信息、症状信息、病史信息、用药信息、就诊记录和个人需求；
所述医疗信息包括医疗数据、科室数据、医生排班信息和诊疗记录；
具体地，患者在客户端的系统输入界面中输入自己的挂号信息，包括但不限于个人的基本信息，如姓名、年龄、性别、联系方式和住址等；症状信息，如头疼、胸闷、气短、呼吸急促/困难、发烧发热等；病史信息，如心脏病史、癌症病史、胃肠病史等；用药信息，如西药用药、中药用药及中成药用药等；就诊记录，如某年某月某日在某医院某科室就诊，就诊医生为某某等；个人需求信息，如患者比较私密的情况，需要进行保密，或者患者需要某个医生治疗，亦或者患者需要住院等等个性化需求；紧接着数据处理模块会对上述挂号信息进行采集和预处理，得到预处理的挂号信息并对其进行分类，从而得到分类信息；紧接着病情诊断模块会根据数据处理模块中的数据构建病情诊断模型，通过分析上述数据来输出患者病情的初步诊断结果，该初步诊断结果可以为后续医生的诊断提供参考意见；另一方面，通过统计分析模块统计医院的医疗信息并对其进行分析，包括但不限于医疗数据、科室数据、医生排班信息和诊疗记录等；紧接着分诊推荐模块会根据上述分析数据构建分诊推荐模型，并通过该分诊推荐模型为患者推荐合适的医生和诊室；最后通过监测调度模块对统计分析模块中的数据进行实时监测，并根据获取的监测结果及时的调整分诊诊室、医生的排班情况、分诊时间、手术安排及手术时间及手术室等。
本申请通过采集患者的挂号信息并对进行处理和分类，从而根据处理后的数据构建病情诊断模型，用该模型对患者的病情做初步的诊断，极大程度上提高了病情判断的准确性；进而再统计医院的医疗信息，并依据其与初步诊断结果构建分诊推荐模型，利用该模型为患者推荐合适的就诊医生和就诊科室，从而提高了分诊的准确性和效率；再通过实时监测医疗信息的数据来调整分诊和排班计划，使得分诊更具计划性和准确性。本申请基于大数据的智能化分诊系统，通过对信息数据的处理提高了分诊的效率和准确性，并且还可以节约分诊耗费的时间和人力资源，以及满足了患者的个性化需求。
请参阅图2，采用规则引擎构建所述病情诊断模型，其包括依次通信连接的规则库模块、推理引擎模块、数据输入模块和结果输出模块；
所述规则库模块，用于存储和管理若干规则；所述规则表示为症状与体征的组合，并将其与疾病关联；
所述推理引擎模块，用于执行所述规则库模块中的规则，对所述患者的症状和体征进行匹配和推断；
所述数据输入模块，接收所述患者输入的病历数据和症状描述；
所述结果输出模块，输出所述规则引擎的初步诊断结果。
具体地，本申请的病情诊断模型采用规则引擎进行构建，规则引擎是一种基于事先定义的规则和逻辑进行匹配和推断的模型，可以用于诊断患者的病情；在本申请的分诊系统中，规则引擎可以根据医学专家的知识和经验以及大量的医疗领域的信息知识，将患者的症状、体征、检查结果等信息与事先定义好的规则进行匹配和推断，从而初步诊断患者的疾病。
下面将对病情诊断模型包括的上述模块进行详细说明：
关于规则库模块，其用于存储和管理若干规则，其包含若干个一系列的规则，每条规则描述了特定的症状和体征组合，并与相应的疾病关联起来，规则库可以由医学专家根据临床经验和医学知识进行制定。
关于推理引擎模块，其用于执行规则库模块中的规则，对患者的症状和体征进行匹配和推断；该可以根据规则的条件与患者提供的信息进行比对，并输出相应的诊断结果。
关于数据输入模块，用于接收患者输入的病历数据和症状描述，并将其转化为规则引擎模块可以理解和处理的形式。
关于结果输出模块，用于将规则引擎生成的初步诊断结果输出给医生或其他医疗系统/机构，为其提供进一步的处理和决策。
本申请利用数据处理模块中的数据建立病情诊断模型，该病情诊断模型基于规则引擎，可以根据医学知识将患者的症状、体征、检查结果等信息与事先定义好的规则进行匹配和推断，从而初步诊断患者的疾病；通过规则引擎系统可以根据患者提供的症状信息快速分析出可能的疾病范围，从而极大程度上提高了初步诊断的准确性和效率。
请参阅图3，本申请提供的一种实施例中，所述数据处理模块包括依次通信连接的采集单元、处理单元和分类单元；
所述采集单元，用于从信息输入端采集所述患者输入的所述挂号信息；
所述处理单元，用于对所述挂号信息进行预处理操作，获取预处理挂号数据；
所述分类单元，用于将所述预处理挂号数据划分为急诊数据和普诊数据；
其中，所述预处理操作包括数据清洗、异常值处理、数据去敏感化和数据校验；
在所述分类单元中，依据所述急诊数据进行优先级计划分，且所述急诊数据的优先级大于所述普诊数据。
具体地，本实施例所述的信息输入端与上述客户端的系统输入界面为同一种事物的不同表述，均表示获取挂号信息的数据端；本实施例中的预处理操作包括但不限于上述数据清洗、异常值处理、数据去敏感化和数据校验，具体包括以下内容：
数据清洗：对收集到的数据进行清洗和整理，包括去除重复、缺失或错误数据，标准化数据格式，确保数据的完整性和可用性，进而保证后续数据分析的准确性和可靠性。
异常值处理：是指收集到的样本数据中与其他数据明显不同的数据点，其处理方法包括删除异常值、替换异常值和异常值标记。
数据去敏感化：对数据中的个人身份信息进行处理，使其无法直接或间接地被识别出来；本实施例中所采用的数据去敏感化的方法包括但不限于匿名化、数据扰动、脱敏、数据掩码和差分隐私。
数据校验：用于确保数据的准确性、完整性和一致性，以验证数据是否符合特定规则、标准或预期结果；数据校验有助于发现数据中的错误、异常和不一致之处，以便及时进行修复和纠正。
本实施例中急诊指的是患者病情比较严重，需要立刻进行治疗和诊断；而普诊指的是普通诊疗，是指患者病情并非很急迫，是可以后续缓慢治疗的。
本申请通过数据处理模块采集并处理患者输入的挂号信息，提高了信息的准确性；还将普诊和急诊进行区分并划分优先级，使得依据该挂号信息进行初步病情诊断的病情诊断模型具有更高的诊断效率。该数据处理模块依据大数据提高了分诊工作的效率和质量。
进一步地，所述依据所述急诊数据进行优先级划分具体采用重要紧急矩阵法，将所述急诊数据划分为重要且紧急数据、重要但不紧急数据、紧急但不重要数据、不紧急也不重要数据；其中，所述优先级为：所述重要且紧急数据优先于所述重要但不紧急数据、所述重要但不紧急数据优先于紧急但不重要数据、所述紧急但不重要数据优先于所述不紧急也不重要数据。
请参阅图4，本申请提供的一种实施例中，在所述规则库模块中，规则库包括依次连接的条件部分、结论部分和优先级部分；
所述条件部分表示为所述规则的触发情况，包括所述患者的症状、体征、检查结果以及逻辑关系；
所述结论部分表示为当所述规则被触发时做出的推断或行动，包括疾病诊断、治疗方案和检查建议；
所述优先级部分表示为所述规则的权重和执行顺序，用于当存在多条规则满足条件时，确定优先执行的规则。
请参阅图5，进一步地，建立所述规则库包括以下步骤：
S51，收集医疗领域知识并建立医疗数据库；
具体为：与医学专家、临床医生和其他相关医疗领域专业人士合作，收集他们的知识和经验；通过面谈、讨论和文献研究等方式，获取他们对疾病、症状和诊断过程的理解；或者通过收集大量的医疗领域文献，从中提取出相关内容。
S52，确定疾病类型及其范围，并逐步扩展所述范围；
具体为：从常见临床疾病开始，逐渐扩展到更多的疾病类型，确保规则库涵盖各种不同的疾病和病情。
S53，根据所述医疗数据库为每种疾病定义相应的条件部分，所述条件部分用于描述所述疾病的特征；
具体为：根据医疗数据库中的内容为每个疾病定义相应的条件部分，该条件部分包括但不限于患者的症状、体征、检查结果、年龄、性别等信息，确保条件部分能够准确描述疾病的特征。
S54，确定每个规则的所述结论部分；
具体为：确定每个规则的结论部分，即规则被触发时所做出的推断或行动；结论部分包括但不限于疾病诊断、治疗建议、进一步的检查或转诊等。
S55，为每个规则分配优先级；
具体为：为每个规则分配优先级，以确定当有多条规则满足条件时，哪条规则会被优先执行；优先级可基于规则的重要性、实用性等进行确定。
S56，依据所述医疗数据库对所述规则库进行验证，并实时进行更新和修订。
具体为：通过对医疗数据库的规则库进行验证，确保规则库的准确性和适用性；可以根据实际应用中的反馈和经验，及时更新、修订和改进规则库。
本申请在病情诊断模型的构建过程中会采用规则库，而该规则库中包含有优先级，可以根据优先级快速处理优先级别较高的数据，并且该规则库的建立基于大量的医疗领域知识，可以更准确的为患者进行初步的病情诊断，极大程度上提高了该模型诊断结果的准确性和可靠性。
请参阅图6，在本申请提供的一种实施例中，所述统计分析模块包括依次通信连接的收集单元、统计单元和分析单元；
所述收集单元，用于收集所述医疗信息的相关数据，包括患者病历、诊断报告、实验室结果和医疗影像；
所述统计单元，用于对收集的数据进行统计，获取统计数据；采用的统计方法包括描述性统计方法；
所述分析单元，用于对所述统计数据进行分析，获取分析数据；采用的分析方法包括探索性数据分析、统计推断和因果推断。
本申请的统计分析模块主要对医疗信息相关的数据进行统计和分析，通过统计医院、医生、诊室、排班情况、就诊情况、患者的诊断及病例等信息，使得基于上述数据而建立的分诊推荐模型具有更完整和全面的数据基础；还通过多种分析方法对统计数据进行分析，使得数据更加准确和完整。
请参阅图7，在本申请提供的一种实施例中，所述分诊推荐模块包括普诊推荐单元、急诊推荐单元、病情分级单元、病情评估单元、模型构建单元；
所述模型构建单元、所述病情分级单元和所述病情评估单元依次通信连接；
所述病情评估单元分别与所述普诊推荐单元和所述急诊推荐单元通信连接；
所述模型构建单元，用于根据所述初步诊断结果和分析数据构建所述分诊推荐模型；
所述病情分级单元，用于根据所述病情诊断模型对所述患者的病情进行等级划分，获取等级标识；还用于根据所述病情诊断模型对所述患者的病情进行领域划分，获取领域标识；
所述病情评估单元，用于将所述初步诊断结果与所述等级标识进行匹配，获取匹配等级结果；
所述普诊推荐单元，用于根据所述匹配等级结果和所述领域标识为所述患者推荐普诊的就诊医生及就诊科室；
所述急诊推荐单元，用于根据所述匹配等级结果和所述领域标识为所述患者推荐急诊的就诊医生及就诊科室；
其中，所述领域标识包括但不限于心脏病领域、肺部疾病领域、脑部领域、骨科领域和癌症领域等。
本申请的分诊推荐模块根据挂号信息将诊断推荐划分为普诊推荐和急诊推荐，同时还对病情进行等级和领域划分，针对不同的情况进行不同程度的就诊推荐，使得分诊系统的推荐效率更高且推荐更准确。
进一步地，所述等级标识包括第一等级标识、第二等级标识、第三等级标识和第四等级标识；
若所述患者的初步诊断结果匹配所述第一等级标识，则所述匹配等级结果为危重等级；
若所述患者的初步诊断结果匹配所述第二等级标识，则所述匹配等级结果为严重等级；
若所述患者的初步诊断结果匹配所述第三等级标识，则所述匹配等级结果为急诊等级；
若所述患者的初步诊断结果匹配所述第四等级标识，则所述匹配等级结果为普诊等级。
进一步地，所述分诊推荐模型为协同过滤模型；所述协同过滤模型通过分析患者之间或医生之间的相似性，为所述患者推荐适合的医生、医院或治疗方案。
具体地，如果匹配等级结果为危重等级、严重等级和急诊等级，则急诊推荐单元会为患者推荐急诊的就诊医生及就诊科室，而领域标识表示该患者属于哪个病理领域；如果匹配等级结果为普诊等级，则普诊推荐单元会为患者推荐普诊的就诊医生及就诊科室。
本申请的分诊推荐模型采用协同过滤模型，该模型通过分析患者之间或医生之间的相似性，从而为患者推荐适合的医生、医院或治疗方案；基于“用户”的协同过滤可以根据患者之间的相似就诊行为进行推荐，基于“物品”的协同过滤可以根据医生的处方行为进行推荐；该协同过滤模型使得分诊推荐更加准确和可靠。
实施例2
请参阅图8，本申请实施例提供一种基于信创环境的分诊方法，包括如下步骤：
S1，采集患者输入的挂号信息并对所述挂号信息进行预处理，获取预处理挂号数据；对所述预处理挂号数据进行分类，获取分类信息；
S2，根据所述分类信息构建病情诊断模型并输出病情的初步诊断结果；
S3，统计医院的医疗信息并对其进行分析，获取统计分析数据；
S4，依据所述初步诊断结果以及所述统计分析数据构建分诊推荐模型；
S5，根据所述分诊推荐模型为所述患者推荐就诊医生和诊室；
S6，对所述统计分析数据进行实时监测，获取监测结果；
S7，根据所述监测结果调整分诊和排班计划；
其中，所述挂号信息包括个人信息、症状信息、病史信息、用药信息、就诊记录和个人需求；
所述医疗信息包括医疗数据、科室数据、医生排班信息和诊疗记录；
采用规则引擎构建所述病情诊断模型；
采用协同过滤模型作为分诊推荐模型；所述协同过滤模型通过分析患者之间或医生之间的相似性，为所述患者推荐适合的医生、医院或治疗方案。
具体地，患者在输入界面中输入自己的挂号信息，包括但不限于个人的基本信息，如姓名、年龄、性别、联系方式和住址等；症状信息，如头疼、胸闷、气短、呼吸急促/困难、发烧发热等；病史信息，如心脏病史、癌症病史、胃肠病史等；用药信息，如西药用药、中药用药及中成药用药等；就诊记录，如某年某月某日在某医院某科室就诊，就诊医生为某某等；个人需求信息，如患者比较私密的情况，需要进行保密，或者患者需要某个医生治疗，亦或者患者需要住院等等个性化需求；紧接着对上述挂号信息进行采集和预处理，得到预处理的挂号信息并对其进行分类，从而得到分类信息；紧接着根据上述经过处理后数据构建病情诊断模型，通过分析上述数据来输出患者病情的初步诊断结果，该初步诊断结果可以为后续医生的诊断提供参考意见；另一方面，统计医院的医疗信息并对其进行分析，包括但不限于医疗数据、科室数据、医生排班信息和诊疗记录等；紧接着根据上述分析数据构建分诊推荐模型，并通过该分诊推荐模型为患者推荐合适的医生和诊室；最后对统计分析模块中的数据进行实时监测，并根据获取的监测结果及时的调整分诊诊室、医生的排班情况、分诊时间、手术安排及手术时间及手术室等。
本申请通过采集患者的挂号信息并对进行处理和分类，从而根据处理后的数据构建病情诊断模型，用该模型对患者的病情做初步的诊断，极大程度上提高了病情判断的准确性；进而再统计医院的医疗信息，并依据其与初步诊断结果构建分诊推荐模型，利用该模型为患者推荐合适的就诊医生和就诊科室，从而提高了分诊的准确性和效率；再通过实时监测医疗信息的数据来调整分诊和排班计划，使得分诊更具计划性和准确性。本申请基于大数据的智能化分诊系统，通过对信息数据的处理提高了分诊的效率和准确性，并且还可以节约分诊耗费的时间和人力资源，以及满足了患者的个性化需求。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将系统的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，虽然本发明已以较佳实施例揭示如上，然而并非用以限定本发明，任何本领域技术人员，在不脱离本发明技术方案范围内，当可利用上述揭示的技术内容做出些许更动或修饰为等同变化的等效实施例，但凡是未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所作的任何简介修改、等同变化与修饰，均仍属于本发明技术方案的范围内。
Claims (10)
1.一种基于信创环境的分诊系统，其特征在于：包括数据处理模块、统计分析模块、病情诊断模块、分诊推荐模块和监测调度模块；
所述数据处理模块与所述病情诊断模块通信连接；
所述病情诊断模块和所述统计分析模块分别与所述分诊推荐模块通信连接；
所述统计分析模块与所述监测调度模块通信连接；
所述数据处理模块，用于采集患者输入的挂号信息并对所述挂号信息进行预处理，获取预处理挂号数据；对所述预处理挂号数据进行分类，获取分类信息；
所述病情诊断模块，用于根据所述数据处理模块中的数据构建病情诊断模型并输出病情的初步诊断结果；
所述统计分析模块，用于统计医院的医疗信息并对其进行分析；
所述分诊推荐模块，用于依据所述初步诊断结果以及所述统计分析模块的数据构建分诊推荐模型，并通过所述分诊推荐模型为所述患者推荐医生和诊室；
所述监测调度模块，用于对所述统计分析模块中的数据进行实时监测，获取监测结果；根据所述监测结果调整分诊和排班计划；
其中，所述挂号信息包括个人信息、症状信息、病史信息、用药信息、就诊记录和个人需求；
所述医疗信息包括医疗数据、科室数据、医生排班信息和诊疗记录；
采用规则引擎构建所述病情诊断模型，其包括依次通信连接的规则库模块、推理引擎模块、数据输入模块和结果输出模块；
所述规则库模块，用于存储和管理若干规则；所述规则表示为症状与体征的组合，并将其与疾病关联；
所述推理引擎模块，用于执行所述规则库模块中的规则，对所述患者的症状和体征进行匹配和推断；
所述数据输入模块，接收所述患者输入的病历数据和症状描述；
所述结果输出模块，输出所述规则引擎的初步诊断结果。
2.根据权利要求1所述的一种基于信创环境的分诊系统，其特征在于：所述数据处理模块包括依次通信连接的采集单元、处理单元和分类单元；
所述采集单元，用于从信息输入端采集所述患者输入的所述挂号信息；
所述处理单元，用于对所述挂号信息进行预处理操作，获取预处理挂号数据；
所述分类单元，用于将所述预处理挂号数据划分为急诊数据和普诊数据；
其中，所述预处理操作包括数据清洗、异常值处理、数据去敏感化和数据校验；
在所述分类单元中，依据所述急诊数据进行优先级计划分，且所述急诊数据的优先级大于所述普诊数据。
3.根据权利要求2所述的一种基于信创环境的分诊系统，其特征在于：所述依据所述急诊数据进行优先级划分具体采用重要紧急矩阵法，将所述急诊数据划分为重要且紧急数据、重要但不紧急数据、紧急但不重要数据、不紧急也不重要数据；其中，所述优先级为：所述重要且紧急数据优先于所述重要但不紧急数据、所述重要但不紧急数据优先于紧急但不重要数据、所述紧急但不重要数据优先于所述不紧急也不重要数据。
4.根据权利要求1所述的一种基于信创环境的分诊系统，其特征在于：在所述规则库模块中，规则库包括依次连接的条件部分、结论部分和优先级部分；
所述条件部分表示为所述规则的触发情况，包括所述患者的症状、体征、检查结果以及逻辑关系；
所述结论部分表示为当所述规则被触发时做出的推断或行动，包括疾病诊断、治疗方案和检查建议；
所述优先级部分表示为所述规则的权重和执行顺序，用于当存在多条规则满足条件时，确定优先执行的规则。
5.根据权利要求4所述的一种基于信创环境的分诊系统，其特征在于：建立所述规则库包括以下步骤：
收集医疗领域知识并建立医疗数据库；
确定疾病类型及其范围，并逐步扩展所述范围；
根据所述医疗数据库为每种疾病定义相应的条件部分，所述条件部分用于描述所述疾病的特征；
确定每个规则的所述结论部分；
为每个规则分配优先级；
依据所述医疗数据库对所述规则库进行验证，并实时进行更新和修订。
6.根据权利要求1所述的一种基于信创环境的分诊系统，其特征在于：所述统计分析模块包括依次通信连接的收集单元、统计单元和分析单元；
所述收集单元，用于收集所述医疗信息的相关数据，包括患者病历、诊断报告、实验室结果和医疗影像；
所述统计单元，用于对收集的数据进行统计，获取统计数据；采用的统计方法包括描述性统计方法；
所述分析单元，用于对所述统计数据进行分析，获取分析数据；采用的分析方法包括探索性数据分析、统计推断和因果推断。
7.根据权利要求1所述的一种基于信创环境的分诊系统，其特征在于：所述分诊推荐模块包括普诊推荐单元、急诊推荐单元、病情分级单元、病情评估单元、模型构建单元；
所述模型构建单元、所述病情分级单元和所述病情评估单元依次通信连接；
所述病情评估单元分别与所述普诊推荐单元和所述急诊推荐单元通信连接；
所述模型构建单元，用于根据所述初步诊断结果和分析数据构建所述分诊推荐模型；
所述病情分级单元，用于根据所述病情诊断模型对所述患者的病情进行等级划分，获取等级标识；还用于根据所述病情诊断模型对所述患者的病情进行领域划分，获取领域标识；
所述病情评估单元，用于将所述初步诊断结果与所述等级标识进行匹配，获取匹配等级结果；
所述普诊推荐单元，用于根据所述匹配等级结果和所述领域标识为所述患者推荐普诊的就诊医生及就诊科室；
所述急诊推荐单元，用于根据所述匹配等级结果和所述领域标识为所述患者推荐急诊的就诊医生及就诊科室；
其中，所述领域标识包括心脏病领域、肺部疾病领域、脑部领域、骨科领域和癌症领域。
8.根据权利要求7所述的一种基于信创环境的分诊系统，其特征在于：所述等级标识包括第一等级标识、第二等级标识、第三等级标识和第四等级标识；
若所述患者的初步诊断结果匹配所述第一等级标识，则所述匹配等级结果为危重等级；
若所述患者的初步诊断结果匹配所述第二等级标识，则所述匹配等级结果为严重等级；
若所述患者的初步诊断结果匹配所述第三等级标识，则所述匹配等级结果为急诊等级；
若所述患者的初步诊断结果匹配所述第四等级标识，则所述匹配等级结果为普诊等级。
9.根据权利要求8所述的一种基于信创环境的分诊系统，其特征在于：所述分诊推荐模型为协同过滤模型；所述协同过滤模型通过分析患者之间或医生之间的相似性，为所述患者推荐适合的医生、医院或治疗方案。
10.一种基于信创环境的分诊方法，其特征在于：包括如下步骤：
采集患者输入的挂号信息并对所述挂号信息进行预处理，获取预处理挂号数据；对所述预处理挂号数据进行分类，获取分类信息；
根据所述分类信息构建病情诊断模型并输出病情的初步诊断结果；
统计医院的医疗信息并对其进行分析，获取统计分析数据；
依据所述初步诊断结果以及所述统计分析数据构建分诊推荐模型；
根据所述分诊推荐模型为所述患者推荐就诊医生和诊室；
对所述统计分析数据进行实时监测，获取监测结果；
根据所述监测结果调整分诊和排班计划；
其中，所述挂号信息包括个人信息、症状信息、病史信息、用药信息、就诊记录和个人需求；
所述医疗信息包括医疗数据、科室数据、医生排班信息和诊疗记录；
采用规则引擎构建所述病情诊断模型；
采用协同过滤模型作为分诊推荐模型；所述协同过滤模型通过分析患者之间或医生之间的相似性，为所述患者推荐适合的医生、医院或治疗方案。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310908950.3A CN116825312B (zh) | 2023-07-24 | 2023-07-24 | 一种基于信创环境的分诊系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310908950.3A CN116825312B (zh) | 2023-07-24 | 2023-07-24 | 一种基于信创环境的分诊系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116825312A true CN116825312A (zh) | 2023-09-29 |
| CN116825312B CN116825312B (zh) | 2024-07-02 |
Family
ID=88124128
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310908950.3A Active CN116825312B (zh) | 2023-07-24 | 2023-07-24 | 一种基于信创环境的分诊系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116825312B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118155820A (zh) * | 2024-05-11 | 2024-06-07 | 万链指数(青岛)信息科技有限公司 | 一种基于云端服务器的医院门诊应急服务系统及方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106934018A (zh) * | 2017-03-11 | 2017-07-07 | 广东省中医院 | 一种基于协同过滤的医生推荐系统 |
| CN107169298A (zh) * | 2017-05-26 | 2017-09-15 | 深圳市第二人民医院 | 一种智能急诊分级分诊系统 |
| CN111951955A (zh) * | 2020-08-13 | 2020-11-17 | 神州数码医疗科技股份有限公司 | 一种基于规则推理的临床决策支持系统构建方法及装置 |
| CN112786194A (zh) * | 2021-01-28 | 2021-05-11 | 北京一脉阳光医学信息技术有限公司 | 基于人工智能的医学影像导诊导检系统、方法及设备 |
| CN114171176A (zh) * | 2021-12-15 | 2022-03-11 | 华中科技大学同济医学院附属协和医院 | 一种基于互联网的医院分诊数据处理方法及系统 |
| WO2022110053A1 (zh) * | 2020-11-27 | 2022-06-02 | 西门子（中国）有限公司 | 医院门诊智能引导方法、装置和系统 |
| CN115331837A (zh) * | 2022-08-15 | 2022-11-11 | 上海医加医科技有限公司 | 一种人机交互智能问诊系统 |
| CN116189857A (zh) * | 2021-11-29 | 2023-05-30 | 中移(成都)信息通信科技有限公司 | 分诊等级确定方法、装置、电子设备和存储介质 |
-
2023
- 2023-07-24 CN CN202310908950.3A patent/CN116825312B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106934018A (zh) * | 2017-03-11 | 2017-07-07 | 广东省中医院 | 一种基于协同过滤的医生推荐系统 |
| CN107169298A (zh) * | 2017-05-26 | 2017-09-15 | 深圳市第二人民医院 | 一种智能急诊分级分诊系统 |
| CN111951955A (zh) * | 2020-08-13 | 2020-11-17 | 神州数码医疗科技股份有限公司 | 一种基于规则推理的临床决策支持系统构建方法及装置 |
| WO2022110053A1 (zh) * | 2020-11-27 | 2022-06-02 | 西门子（中国）有限公司 | 医院门诊智能引导方法、装置和系统 |
| CN112786194A (zh) * | 2021-01-28 | 2021-05-11 | 北京一脉阳光医学信息技术有限公司 | 基于人工智能的医学影像导诊导检系统、方法及设备 |
| CN116189857A (zh) * | 2021-11-29 | 2023-05-30 | 中移(成都)信息通信科技有限公司 | 分诊等级确定方法、装置、电子设备和存储介质 |
| CN114171176A (zh) * | 2021-12-15 | 2022-03-11 | 华中科技大学同济医学院附属协和医院 | 一种基于互联网的医院分诊数据处理方法及系统 |
| CN115331837A (zh) * | 2022-08-15 | 2022-11-11 | 上海医加医科技有限公司 | 一种人机交互智能问诊系统 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118155820A (zh) * | 2024-05-11 | 2024-06-07 | 万链指数(青岛)信息科技有限公司 | 一种基于云端服务器的医院门诊应急服务系统及方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116825312B (zh) | 2024-07-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102067157B1 (ko) | 동물 질병 진단 시스템 | |
| US20120117088A1 (en) | Medical information system and program for same | |
| JP6706627B2 (ja) | 集中治療室における臨床値の自動化された分析及びリスク通知のためのシステム | |
| JP5683280B2 (ja) | 診療支援システム | |
| DE112014000897T5 (de) | Lernende Gesundheitssysteme und -verfahren | |
| CN112635011A (zh) | 疾病诊断方法、疾病诊断系统和可读存储介质 | |
| Sirgo et al. | Validation of the ICU-DaMa tool for automatically extracting variables for minimum dataset and quality indicators: The importance of data quality assessment | |
| CN116825312B (zh) | 一种基于信创环境的分诊系统及方法 | |
| Pavlov et al. | Reference medical datasets (MosMedData) for independent external evaluation of algorithms based on artificial intelligence in diagnostics | |
| Ribeiro et al. | A machine learning early warning system: multicenter validation in Brazilian hospitals | |
| Vathy-Fogarassy et al. | Multi-level process mining methodology for exploring disease-specific care processes | |
| Banham et al. | xPM: Enhancing exogenous data visibility | |
| CN114334175A (zh) | 医院疫情监测方法、装置、计算机设备及存储介质 | |
| US20210134405A1 (en) | System for infection diagnosis | |
| Alghadier et al. | A study of various applications of artificial intelligence (AI) and machine learning (ML) for healthcare services | |
| Lim et al. | Deriving a sophisticated clinical pathway based on patient conditions from electronic health record data | |
| Bozhenko et al. | Application of Data Preprocessing in Medical Research | |
| Henzel et al. | Classification supporting COVID-19 diagnostics based on patient survey data | |
| González et al. | TRIALSCOPE A Unifying Causal Framework for Scaling Real-World Evidence Generation with Biomedical Language Models | |
| Finkelstein et al. | Reducing Diagnostic Uncertainty Using Large Language Models | |
| Payal et al. | Recent advances of Machine Learning Techniques in Biomedicine | |
| Navin et al. | Knowledge based recommender system for disease diagnostic and treatment using adaptive fuzzy-blocks | |
| Hanji et al. | Twin-RSA: deep learning-based automated heterogeneous data fusion approach for patient progression prediction using EHR data | |
| Cevik et al. | Assessing the impact of emergency department short stay units using length-of-stay prediction and discrete event simulation | |
| Duggan et al. | Gamified Crowdsourcing as a Novel Approach to Lung Ultrasound Dataset Labeling |
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 |