发明内容
针对现有技术中存在的问题,本发明提供一种基于大语言模型的患者评价系统,包括:
满意度问询模块,用于在患者于医院完成就诊后,根据预先训练得到的大语言模型通过对话问询方式收集所述患者的实时评价数据;
评价分析模块,连接所述满意度问询模块,用于通过所述大语言模型对所述实时评价数据进行特征提取以及情感分析,随后对提取得到的关键特征及其关联的情感分析结果进行分类得到多个评价维度的患者评价结果;
信息采集模块,连接所述医院的医院信息系统,用于由所述医院信息系统中获取所述患者的本次就诊信息;
评价反馈模块,分别连接所述信息采集模块和所述评价分析模块,用于根据所述本次就诊信息以及关联的各个所述评价维度的所述患者评价结果生成所述患者本次就诊的满意度评价报告并反馈至所述医院信息系统。
优选的,所述满意度问询模块包括:
存储单元,用于保存预先生成的多个问询问题;
问询单元,连接所述存储单元,用于通过所述大语言模型向所述患者依次提出各所述问询问题,并在所述患者针对所述问询问题给出的问题回答不符合预期标准时,自动生成所述问询问题的诱导补充问题,以将所述患者基于各个所述问询问题和所述诱导补充问题关联的所述问题回答作为所述实时评价数据。
优选的,所述评价分析模块包括:
特征提取单元,用于通过所述大语言模型提取所述实时评价数据中的与就诊评价相关的关键词句作为所述关键特征;
情感分析单元,用于通过所述大语言模型对每条所述实时评价数据进行情感分析,得到所述实时评价数据关联的情感极性作为所述情感分析结果;
多维度分析单元,分别连接所述情感分析单元和所述特征提取单元,用于按照预设的多个评价维度将各所述关键特征和所述情感分析结果进行分类,得到各个所述评价维度下的各所述关键特征和所述情感分析结果作为所述患者评价结果。
优选的,还包括模型训练模块,连接分别连接所述满意度问询模块和所述评价分析模块,所述模型训练模块包括:
模型选择单元,用于选择预训练的GPT模型作为基础模型;
模型训练单元,连接所述模型选择单元,用于获取多条历史评价数据,各条所述历史评价数据分别标注有关键特征以及情感分析结果作为训练样本,根据所述训练样本对选择的所述GPT模型进行再训练得到所述大语言模型。
优选的,所述模型训练单元根据所述训练样本并采用Fine-tuning方式对选择的所述GPT模型进行再训练得到所述大语言模型。
优选的,还包括病情监测模块,连接所述信息采集模块,用于在患者于医院完成就诊后,获取所述本次就诊信息和所述患者在所述医院上一次的历史就诊信息,随后根据所述本次就诊信息和所述历史就诊信息处理得到所述患者的病情变化趋势并提示所述患者。
优选的,所述病情监测模块包括:
病情提取单元,用于分别对所述本次就诊信息和所述历史就诊信息进行特征提取,以得到所述本次就诊信息对应的本次病情特征以及所述历史就诊信息对应的历史病情特征;
病情分析单元,连接所述病情提取单元,用于计算所述本次病情特征与所述历史病情特征之间的相似度,并根据所述相似度处理得到所述患者的所述病情变化趋势;
病情提示单元,连接所述病情分析单元,用于根据所述病情变化趋势生成相应的病情变化提示以及关联的注意事项提示反馈至所述患者。
优选的,还包括资源分享模块,连接所述信息采集模块,用于向所述患者提供关联所述患者的所述本次就诊信息的健康教育资料。
优选的,还包括在线答疑模块,连接所述信息采集模块,用于根据所述大语言模型向所述患者提供关联所述本次就诊信息的在线答疑服务。
优选的,还包括登陆管理模块,分别连接所述满意度问询模块和所述评价反馈模块,用于对患者端和医院端进行登录管理,以供所述患者通过所述患者端登陆进行就诊后评价以及供医生通过所述医院端查看所述满意度评价报告。
上述技术方案具有如下优点或有益效果:
1)本发明以大语言模型为核心,在患者就诊完成后,主动通过大语言模型采用对话问询方式收集患者的实时评价数据,有效解决了患者评价数据收集时选择性偏差、主观性以及匿名性的问题,通过对实时评价数据进行特征提取与分析,能够提供更全面、客观和准确的患者评价;
2)通过对话问询方式收集实时评价数据,不存在篇幅限制,解决了评价数据有限导致的表面性的问题,整个问询过程无须患者进行直接评价,只需给出真实的感受,由系统进行分析评价,解决了现有评价系统缺乏标准化和比较性,以及数据处理分析复杂的问题;
3)本发明能够实时生成个性化的满意度评价报告,帮助医生和医疗机构及时了解患者对医疗服务的反馈,进而及时做出调整和改进;
4)本发明能够根据每位患者的就诊信息及满意度评价报告提供个性化的改进建议,帮助医生和医疗机构定制适合患者需求的改进计划;
5)本发明能够对大量的患者评价数据进行整合分析,为医生和医疗结构提供数据驱动的决策支持,帮助其优化医疗服务和提升患者体验。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本发明并不限定于该实施方式,只要符合本发明的主旨,则其他实施方式也可以属于本发明的范畴。
本发明的较佳的实施例中,基于现有技术中存在的上述问题,现提供一种基于大语言模型的患者评价系统,如图1所示,包括:
满意度问询模块1,用于在患者于医院完成就诊后,根据预先训练得到的大语言模型通过对话问询方式收集患者的实时评价数据;
评价分析模块2,连接满意度问询模块1,用于通过大语言模型对实时评价数据进行特征提取以及情感分析,随后对提取得到的关键特征及其关联的情感分析结果进行分类得到多个评价维度的患者评价结果;
信息采集模块3,连接医院的医院信息系统4,用于由医院信息系统中获取患者的本次就诊信息;
评价反馈模块5,分别连接信息采集模块3和评价分析模块2,用于根据本次就诊信息以及关联的各个评价维度的患者评价结果生成患者本次就诊的满意度评价报告并反馈至医院信息系统。
具体地,本实施例中,本发明的患者评价系统可以设置在云服务器中,并与医院信息系统4建立连接,也可以集成到医院信息系统4中,以便由医院信息系统4中获取患者的历次就诊信息。通过在云服务器中进行实时评价数据的收集、大语言模型的训练和实时评价数据的评价分析,满足大量实时评价数据的数据处理算力要求。本发明的患者评价系统优选可以通过web界面或移动应用程序向医疗结构和医生提供个性化的满意度评价报告。
其中,患者优选可以通过扫码关注或下载的方式登陆本发明的患者评价系统给出实时评价数据。进一步具体地,患者就诊完成后,可以通过小程序或客户端自动开启对话聊天,获取患者的实时评价数据,患者也可以主动打开本系统进行医疗服务评价。
本发明的较佳的实施例中,满意度问询模块1包括:
存储单元11,用于保存预先生成的多个问询问题;
问询单元12,连接存储单元11,用于通过大语言模型向患者依次提出各问询问题,并在患者针对问询问题给出的问题回答不符合预期标准时,自动生成问询问题的诱导补充问题,以将患者基于各个问询问题和诱导补充问题关联的问题回答作为实时评价数据。
具体地,本实施例中,上述问询问题包括但不限于以下问题:
(1)您对医生的专业知识和技术水平是否满意?
(2)您对医生的沟通能力和态度是否满意?
(3)您觉得医生是否给予了足够的关注和耐心?
(4)您对医生解释病情和治疗方案的清晰度是否满意?
(5)您觉得医生是否尊重您的意见和需求?
(6)您对医生的诊断准确性是否满意?
(7)您对医生提供的治疗效果是否满意?
(8)您对医院/诊所的环境和设施是否满意?
(9)您觉得医院/诊所的工作人员是否友好和专业?
(10)您对医院/诊所的服务速度和效率是否满意?
(11)您对医院/诊所的隐私保护措施是否满意?
(12)您对医院/诊所的费用透明度和合理性是否满意?
(13)您对医院/诊所的预约和排队管理是否满意?
(14)您觉得医院/诊所是否提供了足够的健康教育和宣传?
(15)您对医院/诊所的整体服务质量是否满意?
其中,大语言模型(GPT)可以依次向患者提出上述问题,但具体提问顺序不做限定。患者在对话过程给出的问题问答如果不符合预期标准,如问题不对或者不够全面,大语言模型会实时诱导补充回答提示,示例如下:
针对上述的第一个问题:
GPT问:您对医生的专业知识和技术水平是否满意?
患者回答:今天风好大。
GPT问:是的,今天的天气是晴到多云,东北风5级。确实很大。那么请问您对本次就诊的医生的专业知识和技术水平是否满意?
患者回答:一般般。
GPT问:非常抱歉没有给您带来满意的服务。那么请问您不满意的地方具体在哪里呢?
患者回答:xxxx
在收集完成患者的实时评价数据后,需要通过评价分析模块2对实时评价数据进行初步分析,具体地,评价分析模块2包括:
特征提取单元21,用于通过大语言模型提取实时评价数据中的与就诊评价相关的关键词句作为关键特征;
情感分析单元22,用于通过大语言模型对每条实时评价数据进行情感分析,得到实时评价数据关联的情感极性作为情感分析结果;
多维度分析单元23,分别连接情感分析单元22和特征提取单元21,用于按照预设的多个评价维度将各关键特征和情感分析结果进行分类,得到各个评价维度下的各关键特征和情感分析结果作为患者评价结果。
具体地,本实施例中,在对实时评价数据进行分析之前还包括对其进行预处理,包括但不限于文本清洗、分词和去除停用词等,并将实时评价数据进行标准化形成大语言模型可接受的格式。随后使用大语言模型对每条评价进行情感分析,判断其情感极性,例如积极、消极或中性。情感分析可以通过大语言模型对文本进行分类,输出情感标签或情感得分表征情感极性并作为情感分析结果。
同时通过大语言模型,可以提取评价文本中的关键特征,例如医生的态度、诊疗效果、服务质量等方面的关键词或短语。这可以通过大语言模型的生成能力和语义理解来实现。
在获取关键特征和情感分析结果后,根据患者评价的关键特征和情感信息,可以进行多维度的评价分析。例如,将评价按照医生态度、诊疗效果、服务质量等维度进行分类和归类。最后根据多维度评价分析的结果,可以生成评价总结,即满意度评价报告,以提供给医疗机构或医生。评价总结可以包括患者的主要关注点、诊疗优劣势等信息,帮助医疗机构改进服务质量和满足患者需求。
进一步地,上述满意度评价报告的生成同样可以借助于大语言模型,具体地,使用大语言模型可以生成个性化的满意度评价报告。这些报告可以包括针对医生或医疗机构的改进建议、患者满意度分析等内容。优选可以通过对生成的文本进行后处理和调优,以提高反馈和评估报告的质量和可读性。这里的后处理和调优包括但不限于语法校正、逻辑连贯性修正等。也可以根据患者的特定需求和评价内容,对生成的满意度评价报告进行个性化定制。例如,根据患者的主要关注点或评价的特定方面,对满意度评价报告进行调整和补充。
最后优选将生成的个性化的满意度评价报告以易于理解和使用的形式呈现给医生或医疗机构,呈现方式可以是文本格式、可视化图表或其他交互式界面。
上述满意度评价报告的形式示例如下:
根据xxx患者的反馈,他对我们医院的服务和医疗团队表示满意。以下是满意度总结:
医疗团队:患者对医生和护士的专业知识和技术水平表示满意。患者表示医生与他进行了充分的沟通,解释了病情和治疗方案,并提供了周到的护理和关注。
服务态度:患者对医院工作人员的友好和专业表示满意。医院为患者提供了快速、高效的服务,并尊重患者的隐私和个人权益。
医疗设施:患者对医院的环境和设施表示满意。
等待时间:患者对就诊的等待时间表示满意。说出了特殊情况之后会加急处理,患者非常感谢医院如此人性化的服务。
治疗效果:根据患者的反馈,他对治疗效果表示满意。
本发明的较佳的实施例中,还包括模型训练模块6,连接分别连接满意度问询模块1和评价分析模块2,模型训练模块6包括:
模型选择单元61,用于选择预训练的GPT模型作为基础模型;
模型训练单元62,连接模型选择单元61,用于获取多条历史评价数据,各条历史评价数据分别标注有关键特征以及情感分析结果作为训练样本,根据训练样本对选择的GPT模型进行再训练得到大语言模型。
本发明的较佳的实施例中,模型训练单元62根据训练样本并采用Fine-tuning方式对选择的GPT模型进行再训练得到大语言模型。
具体地,本实施例中,Fine-tuning是一种通过在预训练模型上继续训练来适应特定任务或领域的技术。在自然语言处理领域,Fine-tuning常用于调整预训练语言模型,如GPT模型,以适应特定的任务,例如情感分类、问答系统或机器翻译等。进一步具体地,在进行模型训练之前,首先选择一个在大规模语料库上进行预训练的模型作为基础模型,优选的,可以选择GPT模型作为基础模型,该模型在大规模文本数据上进行了语言建模预训练。随后根据特定任务的需求,收集和准备相应的训练数据。本实施例中,以任务是情感分类为例,那么需要收集带有标签的情感分类数据集。进而使用预训练的模型作为初始参数,在特定任务的训练数据上进行进一步训练。在训练过程中,通过反向传播算法和优化方法,调整模型的参数以最小化特定任务的损失函数。优选可以根据实际情况,调整模型的超参数,例如学习率、批量大小、训练轮数等,以获得更好的性能和收敛效果。在训练完成后,可以使用独立的验证集或测试集评估Fine-tuning后的模型性能。根据评估结果进行模型的调整和优化。
综上,通过Fine-tuning,可以将预训练模型迁移到特定任务或领域,并根据任务的特点进行优化和调整,从而获得更好的性能和适应性。这种技术在自然语言处理和其他机器学习领域中被广泛应用,为特定任务的解决提供了有效的方法。
本发明的较佳的实施例中,还包括病情监测模块7,连接信息采集模块3,用于在患者于医院完成就诊后,获取本次就诊信息和患者在医院上一次的历史就诊信息,随后根据本次就诊信息和历史就诊信息处理得到患者的病情变化趋势并提示患者。
具体地,本实施例中,在监测到患者在同一家医院有历史就诊信息时,本次就诊结束后,本系统会自动获取本次就诊信息和历史就诊信息,进而自动做出病情变化趋势分析,给出病情变化提示,基于该提示,患者也可继续问答进一步的治疗方案。
上述就诊信息包括但不限于:
基本信息:患者的姓名、性别、年龄、出生日期、身份证号码、联系方式等基本身份信息。
就诊信息:患者的就诊日期、就诊科室、就诊医生、挂号号码、就诊类型(门诊、住院等)、就诊状态(待诊、就诊中、已出院等)等与就诊相关的信息。
诊断信息:患者的疾病诊断、病情描述、病理检查结果、影像学检查结果等与诊断相关的信息。
医嘱信息:患者的医生开具的医嘱,包括药物医嘱、治疗医嘱、检查医嘱、手术医嘱等。
检查与检验结果:患者进行的各类检查和检验的结果,如血常规、尿常规、生化指标、影像学检查结果等。
用药信息:患者所使用的药物信息,包括药品名称、用药剂量、用药频次、用药途径等。
手术信息:患者进行的手术相关的信息,包括手术名称、手术日期、手术过程、手术医生等。
护理信息:患者的护理记录,包括护理操作、护理评估、护理计划等。
费用信息:患者的医疗费用明细,包括挂号费、药物费用、检查费用、手术费用等。
患者历史记录:患者过去的就诊记录、病历资料、手术史、过敏史、疾病史等。
本发明的较佳的实施例中,病情监测模块7包括:
病情提取单元71,用于分别对本次就诊信息和历史就诊信息进行特征提取,以得到本次就诊信息对应的本次病情特征以及历史就诊信息对应的历史病情特征;
病情分析单元72,连接病情提取单元71,用于计算本次病情特征与历史病情特征之间的相似度,并根据相似度处理得到患者的病情变化趋势;
病情提示单元73,连接病情分析单元72,用于根据病情变化趋势生成相应的病情变化提示以及关联的注意事项提示反馈至患者。
具体地,本实施例中,上述相似度的计算可以采用包括但不限于文本相似度算法、词向量比较算法或其他相关相似度算法。基于上述病情监测,能够向患者提供即时的反馈和建议,帮助患者及时调整治疗方案或采取措施,示例如下:
当本系统监测到患者再次进行挂号,立即开启对话聊天,提示患者对应的诊疗信息,包括:就诊科室地点、就诊时间、就诊医生信息等,引导患者进行就诊。示例如下:
患者挂号信息为:消化科,上午10点,张三医生
系统通过移动终端提示:尊敬的xxx患者您好,欢迎来到本院就诊,您的挂号信息为:消化科,上午10点,张三医生。请到医院二楼东边消化科6号门诊室就诊,当前排号43,您还需等待10位。
就诊完成后,系统自动给出对话聊天,提示患者病情变化情况、用药情况、需要注意的事项等。示例如下:
根据您最近的就诊记录和医生的诊断,您的病情目前已有所好转,原本的肺部炎症已经得到了明显的改善。我们希望提醒您注意以下几个方面的情况:
病情变化情况:如果您在治疗过程中出现以下情况,请及时联系医生或前往医院就诊:
症状加重或没有明显改善。
出现新的症状或不适。
出现不良反应或过敏反应。
发热、寒战或其他急性病症。
用药情况:请按照医生的指导和药品说明书正确使用药物,并注意以下事项:
按时服药,并遵循剂量和使用频率。
不要随意停药或更改药物剂量,如果有需要,请咨询医生的意见。
如果您有其他疾病或正在服用其他药物,请告知医生,以避免药物相互作用。
需要注意的事项:在日常生活中,请特别注意以下事项以维护您的健康:
饮食方面:注意饮食均衡,避免过量摄入油腻、辛辣和刺激性食物。
生活习惯:保持良好的睡眠质量和作息规律,适当参加适量的运动。
避免诱因:尽量避免接触您已知的过敏原或诱发病情的环境因素。
心理调适:保持积极的心态,避免压力和焦虑情绪。
本发明的较佳的实施例中,还包括资源分享模块8,连接信息采集模块3,用于向患者提供关联患者的本次就诊信息的健康教育资料。
具体地,本实施例中,上述健康教育资料包括但不限于向患者提供相关的医学知识和疾病管理指导,提升患者的健康素养和自我管理能力。示例如下:
若患者为糖尿病患者,则该模块向患者提供关于糖尿病的基本知识、饮食建议、药物管理和运动计划等方面的教育资源。患者可以学习如何监测血糖、合理安排饮食、控制体重等,以更好地管理糖尿病。
若患者为高血压患者,则该模块向患者提供关于高血压的原因、风险因素、药物治疗和生活方式改变等方面的知识资料。患者可以了解到高血压的危害以及如何通过饮食控制、运动和减压方法来管理高血压。
若患者为术后患者,则该模块向患者提供术后康复指导、恢复训练视频和注意事项等资源。患者可以学习正确的术后护理方法、康复训练计划和常见问题解答,以促进术后恢复。
本发明的较佳的实施例中,还包括在线答疑模块9,连接信息采集模块3,用于根据大语言模型向患者提供关联本次就诊信息的在线答疑服务。
具体地,本实施例中,通过GPT模型实现在线答疑服务。
本发明的较佳的实施例中,还包括登陆管理模块10,分别连接满意度问询模块1和评价反馈模块5,用于对患者端和医院端进行登录管理,以供患者通过患者端登陆进行就诊后评价以及供医生通过医院端查看满意度评价报告。
以上所述仅为本发明较佳的实施例,并非因此限制本发明的实施方式及保护范围,对于本领域技术人员而言,应当能够意识到凡运用本说明书及图示内容所作出的等同替换和显而易见的变化所得到的方案,均应当包含在本发明的保护范围内。