CN117035368A - 一种基于互联网的医生派单方法 - Google Patents
一种基于互联网的医生派单方法 Download PDFInfo
- Publication number
- CN117035368A CN117035368A CN202311276908.0A CN202311276908A CN117035368A CN 117035368 A CN117035368 A CN 117035368A CN 202311276908 A CN202311276908 A CN 202311276908A CN 117035368 A CN117035368 A CN 117035368A
- Authority
- CN
- China
- Prior art keywords
- doctor
- user
- screening
- information
- score
- 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 27
- 238000012216 screening Methods 0.000 claims abstract description 48
- 230000008569 process Effects 0.000 claims abstract description 9
- 230000007717 exclusion Effects 0.000 claims abstract description 3
- 238000004364 calculation method Methods 0.000 claims description 17
- 238000011156 evaluation Methods 0.000 claims description 14
- 238000011282 treatment Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 4
- 230000004044 response Effects 0.000 claims description 4
- 238000012163 sequencing technique Methods 0.000 abstract 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 9
- 208000024891 symptom Diseases 0.000 description 7
- 201000010099 disease Diseases 0.000 description 5
- 238000013507 mapping Methods 0.000 description 5
- 238000003745 diagnosis Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 208000005577 Gastroenteritis Diseases 0.000 description 2
- 201000007100 Pharyngitis Diseases 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 206010020772 Hypertension Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000001121 heart beat frequency Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
Classifications
-
- 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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06316—Sequencing of tasks or work
-
- 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
- G06Q10/10—Office automation; Time management
- G06Q10/109—Time management, e.g. calendars, reminders, meetings or time accounting
- G06Q10/1093—Calendar-based scheduling for persons or groups
- G06Q10/1097—Task assignment
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Biomedical Technology (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明公开了一种基于互联网的医生派单方法，包括以下步骤：步骤S1，读取用户的咨询请求，用户的咨询请求包括用户的需求信息和用户的问诊信息；步骤S2，提取并基于用户的需求信息，执行筛选流程，在数据库的医生数据中，利用语法进行一级筛选，筛选出符合用户需求的医生合集；用户的需求信息包括科室信息；一级筛选包括基于需求信息，采用匹配语法从数据库中进行一级筛选，基于医生排班时间信息，采用排除语法从数据库中进行一级筛选，筛选出符合语法的医生合集；步骤S3：对医生合集中的医生进行优先级排序，按照优先级排序和设定的接单阈值，将订单分配给未达到接单阈值且优先级最高的医生。
Description
技术领域
本发明互联网医疗技术领域，具体涉及一种基于互联网的医生派单方法。
背景技术
线上问诊等医疗服务平台随着互联网的发展，其医疗模式下的医病双方的数量规模也逐渐巨大。线下的医疗模式中，患者会进行挂号动作，患者会根据自身疾病类型、收费标准和医生职称、年龄或时间等各项因素综合考量后进行挂号。现在线上的医疗模式中，主要采用为咨询患者派单的方式分配医生，现有的派单方法主要存在以下问题：
（1）线上问诊服务的医生大部分是非线下公立医院工作的医生，而对于大部分病患来说，其对线下公立医院的信任度更高，也更倾向于线下公立医院医生的问诊，因此线上问诊数量在整个医疗领域所占比例是非常低的，线上问诊推广速度相对较慢。
（2）医疗服务平台医生和患者匹配度不够高效，医生的专业领域和患者所咨询病症匹配度不高，无法根据患者的需求进行医生分配。
中国专利文件CN 116403693 A公开了一种问诊派单方法、装置、设备及存储介质，该技术中计算所述待选医生名单中每个医生的擅长科室与锁死目标科室之间的一致程度，得到所述待选医生名单中每个医生的诊疗匹配权重。从而提高了患者咨询病症与医生专业领域的匹配程度。但该技术仅能解决用户病症与医生擅长科室匹配度的问题。
发明内容
本发明的目的在于提供一种基于互联网的医生派单方法，其实现包括以下步骤：
步骤S1，读取用户的咨询请求，用户的咨询请求包括用户的需求信息和用户的问诊信息；
步骤S2，提取并基于用户的需求信息，执行筛选流程，在数据库的医生数据中，利用语法进行一级筛选，筛选出符合用户需求的医生合集；
用户的需求信息包括科室信息；一级筛选包括基于需求信息，采用匹配语法从数据库中进行一级筛选，基于医生排班时间信息，采用排除语法从数据库中进行一级筛选，筛选出符合语法的医生合集；
步骤S3：对医生合集中的医生进行优先级排序，按照优先级排序和设定的接单阈值，将订单分配给未达到接单阈值且优先级最高的医生；
步骤S3中，优先级排序是指依据若干个评估项的评分，并对评估项采用线性权重分数算法，按照分数高低进行由先到后的优先级排序。
作为一种优选技术方案，还包括以下过程：上述步骤S3中，将订单分配给未达到接单阈值且优先级最高的医生，若该医生未响应时间达到阈值，则执行步骤S4；
步骤S4：将订单分配给未达到接单阈值且优先级中次一级的医生，若该医生未响应时间达到阈值，则重复步骤S4。
作为一种优选技术方案，上述步骤S2还包括以下过程：提取并基于用户的需求信息，执行筛选流程，在数据库的医生数据中，利用语法进行一级筛选，若筛选出的医生数量大于阈值，则执行步骤S3：若筛选出的医生数量小于阈值，则重新执行筛选流程，利用语法进入二级筛选，筛选后执行步骤S3；
用户的需求信息还包括医生执业年限和职称中任意一种或两种；
二级筛选仅基于科室信息和医生排班时间信息进行筛选。
作为一种优选技术方案，线性权重分数算法计算公式为：
S = ∑KW/∑W （1）
式（1）中，S为医生的权重分数；K为各评估项单项分数；W为各评估项的权重系数；其中，评估项包括饱和度分数、匹配度分数、能效分数、服务评分；
饱和度分数计算公式为：
Ω = Nh/(Tu/Ta) （2）
式（2）中，Ω为医生订单饱和度；Nh为医生单位时间内已分配单量；Tu为单位时长；Ta为医生每单平均处理时长；Tu/Ta计算单位时间内医生可处理最大单量；
匹配度分数计算公式为：P = ∑IN/∑I （3）
匹配度的计算方式是I分类权重系数和分类匹配度的加权平均数，分类匹配度中包括医生擅长治疗匹配度、医生专业匹配度；I是指权重系数，N是指每一项分类匹配度。
能效分数计算公式为：η = ∑EI/∑I （4）
能效分数的计算方式是I分类权重系数和分类效率得分的加权平均，分类效率得分包括平均就诊时间计分、平均看诊人数计分以及平均就诊等待时间计分；I是指权重系数，E是指每一项分类效率得分。
现有技术相比，具有以下有益效果：
本发明采用了至少两次的医生选择过程，一次是根据用户自主需求进行筛选，二次是根据医生的工作情况，进行加权计算从而得到优先级排序，按照优先级排序进行医生的分配。
在第一次选择过程中满足用户对医生执业年限和职称的要求，符合病患的线下问诊求医心态。在第二次优先级计算中，通过医生的工作情况的系列数据，给用户分配综合评价更高的医生，从而提高用户的问诊感受。
本发明中，采集了排班时间，在数据库进行筛查时，利用排除语法将排班时间内的医生排除线上问诊工作，医院线下工作的医生的忙碌时间中是难以进行线上服务的，而对于医生来说，可利用休息时间进行在线诊疗服务，增加合法收入。对于患者来说，医院线下的号不方便或不易挂时，可以采用线上诊断的方式，而进行服务的医生也有长期的线下医疗经验，以满足患者的问诊需求。
实施方式
为了使本技术领域的人员更好地理解本说明书一个或多个实施例中的技术方案，下面将对本说明书一个或多个实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本说明书的一部分实施例，而不是全部的实施例。基于本说明书一个或多个实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本文件的保护范围。
本说明书提供的一种基于互联网的医生派单方法实施例一：
本实施例提供的一种基于互联网的医生派单方法具体包括以下步骤：
步骤S1：读取用户的咨询请求，用户的咨询请求包括用户的需求信息和用户的问诊信息；
在实际场景中，用户需求信息包括科室信息；在实际场景中，用户需求信息还可以包括执业年限和职称中的任意一种或两种。
在实际场景中，用户登录用户端系统后，在人机交互界面，用户通过人机交互界面提供的选择栏录入需求信息。其中科室信息是必选项，执业年限和职称为可选项。
进一步的，用户登录用户端系统后，在人机交互界面，用户可录入问诊信息，问诊信息包括了病症的详细说明以及病症标签；其中病症标签为必填项，病症标签为具体病症名称，比如咽炎、肠胃炎等。
本实施例中，病症标签为用户自选标记，除此之外，也可以为后台系统通过对病症的详细说明进行提取并赋予病症标签。后台系统通过对病症的详细说明进行提取并赋予病症标签的技术未现有的线上医疗服务系统的常规技术手段，本实施例不作详细说明。
步骤S2：提取并基于用户的需求信息，执行筛选流程，在数据库中的具有在线状态标签的医生信息中，利用语法进行一级筛选，若筛选出的医生数量大于阈值，则执行步骤S3：若筛选出的医生数量小于阈值，则重新执行筛选流程，利用语法进入二级筛选，筛选后执行步骤S3。
一级筛选的必要条件包括医生科室、医生排班时间，非必要条件包括医生执业年限、医生职称。
二级筛选的必要条件包括医生科室、医生排班时间。
在实际场景中，用户若对执业年限和职称没有特定的需求，那么一级筛选则仅进行必要条件的筛选。再实际场景中，用户若对非必要条件有特定的需求，那么一级筛选则根据用户的选择筛选对应条件。
在实际场景中，医生通过医生端登入派单系统后签到，获得在线状态标签。
在实际场景中，数据库中存储的医生信息的获取方式可以为方式一或方式二。
方式一：医院管理人员通过管理端上传该医院所属医生的个人信息、专业信息和工作信息至数据库，并将个人信息、专业信息和工作信息与对应的医生ID关联。
方式二：医生通过医生端上传个人信息、专业信息和工作信息至数据库，并将个人信息、专业信息和工作信息与对应的医生ID关联。
上述个人信息包括医生的姓名、年龄、性别、所属医院；专业信息包括科室、执业年限、职称、擅长治疗方向及专业方向；工作信息包括排班信息。擅长治疗方向是指该医生对某种具体病症的擅长，比如咽炎、肠胃炎等。专业方向是指该医生的院校专业，比如口腔医学、影像医学、耳鼻咽喉科学、眼科学、内科学、外科学等。
具体的说，在数据库中进行筛选时，其中医生科室、医生执业年限、医生职称皆是按照匹配语法来进行筛选的。而排班时间则是按照排除语法来进行筛选的。
即筛选出的医生，应当是排班时间外的医生，即空闲状态的医生。上述排班时间是指医院的排班时间，在医院的排班时间下工作的医生在执行处理线下工作，处于非空闲状态。
当一级筛选出来的符合条件的医生数量低于设定的预制时，说明在线医疗资源相对紧张，此时引入二级筛选流程，降低匹配条件匹配程度，而提升医疗资源数量，降低病患等待时间。
步骤S3：采用线性权重分数算法对医生合集进行优先级排序处理（即获取医生的个人信息，并计算医生的加权平均分数按照分数从高到低作为优先级排序），按照优先级排序和设定的接单阈值，将订单分配给未达到接单阈值且优先级最高的医生。
步骤S3所述的医生合集是指满足筛选条件的医生的合集。
在实际场景中，订单阈值可以为五单，即每个医生只能同时处理5单线上问诊。
线性权重分数算法计算公式为：
S = ∑KW/∑W （1）
式（1）中，S为医生的权重分数；K为各评估项单项分数；W为各评估项的权重系数；其中，评估项分别有饱和度分数、匹配度分数、能效分数、服务评分。
饱和度分数计算公式为：
Ω = Nh/(Tu/Ta) （2）
式（2）中，Ω为医生订单饱和度；Nh为医生单位时间内已分配单量；Tu为单位时长；Ta为医生每单平均处理时长；Tu/Ta计算单位时间内医生可处理最大单量。
匹配度分数计算公式为：P = ∑IN/∑I （3）
匹配度的计算逻辑是I分类权重系数和分类匹配度的加权平均数，分类匹配度中分别有医生擅长治疗匹配度，医生专业匹配度；I是指权重系数，N是指每一项分类匹配度。
值得说明的是，数据库中存储有映射规则，利用映射规则进行医生专业度匹配，即某种具体的疾病映射某一院校专业，比如高血压映射内科医学。由于部分医生可能在不同学历阶段属于不同学科，因此，医生的学科单一且与病症经过映射规则匹配一致时，则匹配度最高；若医生的学科更多，仅有某一与病症经过映射规则匹配一致时，则匹配度降低，比如当医生学科有两门，而仅有其中一门与病症匹配一致，则匹配度为0.5。
某些医生可能擅长多门病症，而某些医生可能仅擅长某种病症，因此，医生擅长治疗匹配度与专业匹配度同理。
能效分数计算公式为：η = ∑EI/∑I （4）
能效分数的计算逻辑是I分类权重系数和分类效率得分的加权平均，I是指权重系数，E是指每一项分类效率得分，分类效率得分分别有平均就诊时间计分、平均看诊人数计分以及平均就诊等待时间计分。
具体的说，就诊时间=问诊结束时间-派单时间；问诊结束时间以问诊接口关闭的时间为结束时间；问诊接口的关闭可由用户端关闭，也可以由医生端关闭。医生端的关闭过程如下：用户端持续给后台服务器发送心跳信息，若心跳频率降低至设定阈值时，后台服务器给医生端发送提醒，医生端根据提醒可旋转关闭问诊接口。
具体的说，就诊等待时间计分=医生首次调用对应问诊接口的时间-派单时间。
服务器记录各操作数据并存储至数据库与对应的医生ID关联，以供计算时的数据调用。上述平均指调用某一时范围内的时间数值进行平均计算。
本说明书提供的一种基于互联网的医生派单方法实施例二：
本实施例与实施例一的区别为:本实施例中不将医生分为在线状态和离线状态，无论医生是否登录系统，分配订单时，采用后台提醒的模型，提醒医生接单。
本实施例提供的一种基于互联网的医生派单方法具体包括以下步骤：
步骤S1：读取用户的咨询请求，用户的咨询请求包括用户的需求信息和用户的问诊信息；
步骤S2：提取并基于用户的需求信息，执行筛选流程，在数据库的医生信息中，利用语法进行一级筛选，若筛选出的医生数量大于阈值，则执行步骤S3：若筛选出的医生数量小于阈值，则重新执行筛选流程，利用语法进入二级筛选，筛选后执行步骤S3；
步骤S3：采用线性权重分数算法对医生合集进行优先级排序处理，按照优先级排序和设定的接单阈值，将订单分配给未达到接单阈值且优先级最高的医生，若该医生未响应时间达到阈值，则执行步骤S4；
步骤S4：将订单分配给未达到接单阈值且优先级中次一级的医生，若该医生未响应时间达到阈值，则重复步骤S4。
未响应时间是指派单时间达到阈值，后台系统没有采集到医生的调用接口动作。
本申请技术的应用场景为线下医院工作医生在非排班时间的线上问诊，因此，医生的接单为非强制性的。
以上所述仅为本文件的实施例而已，并不用于限制本文件。对于本领域技术人员来说，本文件可以有各种更改和变化。凡在本文件的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本文件的权利要求范围之内。
Claims (4)
1.一种基于互联网的医生派单方法，其特征在于，其实现包括以下步骤：
步骤S1，读取用户的咨询请求，用户的咨询请求包括用户的需求信息和用户的问诊信息；
步骤S2，提取并基于用户的需求信息，执行筛选流程，在数据库的医生数据中，利用语法进行一级筛选，筛选出符合用户需求的医生合集；
用户的需求信息包括科室信息；一级筛选包括基于需求信息，采用匹配语法从数据库中进行一级筛选，基于医生排班时间信息，采用排除语法从数据库中进行一级筛选，筛选出符合语法的医生合集；
步骤S3：对医生合集中的医生进行优先级排序，按照优先级排序和设定的接单阈值，将订单分配给未达到接单阈值且优先级最高的医生；
步骤S3中，优先级排序是指依据若干个评估项的评分，并对评估项采用线性权重分数算法，按照分数高低进行由先到后的优先级排序。
2.根据权利要求1所述的一种基于互联网的医生派单方法，其特征在于，还包括以下过程：上述步骤S3中，将订单分配给未达到接单阈值且优先级最高的医生，若该医生未响应时间达到阈值，则执行步骤S4；
步骤S4：将订单分配给未达到接单阈值且优先级中次一级的医生，若该医生未响应时间达到阈值，则重复步骤S4。
3.根据权利要求1所述的一种基于互联网的医生派单方法，其特征在于，上述步骤S2还包括以下过程：提取并基于用户的需求信息，执行筛选流程，在数据库的医生数据中，利用语法进行一级筛选，若筛选出的医生数量大于阈值，则执行步骤S3：若筛选出的医生数量小于阈值，则重新执行筛选流程，利用语法进入二级筛选，筛选后执行步骤S3；
用户的需求信息还包括医生执业年限和职称中任意一种或两种；
二级筛选仅基于科室信息和医生排班时间信息进行筛选。
4.根据权利要求1所述的一种基于互联网的医生派单方法，其特征在于，线性权重分数算法计算公式为：
S = ∑KW/∑W （1）
式（1）中，S为医生的权重分数；K为各评估项单项分数；W为各评估项的权重系数；其中，评估项包括饱和度分数、匹配度分数、能效分数、服务评分；
饱和度分数计算公式为：
Ω = Nh/(Tu/Ta) （2）
式（2）中，Ω为医生订单饱和度；Nh为医生单位时间内已分配单量；Tu为单位时长；Ta为医生每单平均处理时长；Tu/Ta计算单位时间内医生可处理最大单量；
匹配度分数计算公式为：P = ∑IN/∑I （3）
匹配度的计算方式是I分类权重系数和分类匹配度的加权平均数，分类匹配中包括医生擅长治疗匹配度，医生专业匹配度；I是指权重系数，N是指每一项分类匹配度；
能效分数计算公式为：η = ∑EI/∑I （4）
能效分数的计算方式是I分类权重系数和分类效率得分的加权平均，分类效率得分包括平均就诊时间计分、平均看诊人数计分以及平均就诊等待时间计分；I是指权重系数，E是指每一项分类效率得分。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311276908.0A CN117035368B (zh) | 2023-10-07 | 2023-10-07 | 一种基于互联网的医生派单方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311276908.0A CN117035368B (zh) | 2023-10-07 | 2023-10-07 | 一种基于互联网的医生派单方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117035368A true CN117035368A (zh) | 2023-11-10 |
| CN117035368B CN117035368B (zh) | 2024-01-26 |
Family
ID=88632117
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311276908.0A Active CN117035368B (zh) | 2023-10-07 | 2023-10-07 | 一种基于互联网的医生派单方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117035368B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117411845A (zh) * | 2023-12-14 | 2024-01-16 | 四川桃子健康科技股份有限公司 | 一种在线诊疗聊天消息处理方法及医疗聚合系统 |
| CN117954127A (zh) * | 2024-03-27 | 2024-04-30 | 四川桃子健康科技股份有限公司 | 合理用药判断方法、用药规则数据处理方法及系统 |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150006261A1 (en) * | 2013-06-28 | 2015-01-01 | Healthtap, Inc. | Systems and method for evaluating and selecting a healthcare professional |
| CN109102867A (zh) * | 2018-08-13 | 2018-12-28 | 贵阳叁玖互联网医疗有限公司 | 远程医疗的智能分诊方法及智能分诊平台 |
| CN109559812A (zh) * | 2018-12-05 | 2019-04-02 | 易必祥 | 基于移动互联网的医生咨询方法及系统 |
| CN112542237A (zh) * | 2020-12-18 | 2021-03-23 | 微医云(杭州)控股有限公司 | 在线任务派发方法、装置、电子设备及存储介质 |
| CN112542236A (zh) * | 2020-12-18 | 2021-03-23 | 微医云(杭州)控股有限公司 | 在线任务派发方法、装置、电子设备及存储介质 |
| CN112966515A (zh) * | 2021-04-08 | 2021-06-15 | 沈同平 | 一种医学实体识别方法 |
| CN114267439A (zh) * | 2021-12-23 | 2022-04-01 | 深圳市医圈科技有限公司 | 一种精准就医方法及系统 |
| CN115512814A (zh) * | 2022-09-27 | 2022-12-23 | 北京京东拓先科技有限公司 | 一种线上问诊的医生分配方法和装置 |
| CN115762731A (zh) * | 2022-11-19 | 2023-03-07 | 深圳市宁远科技股份有限公司 | 基于互联网在线医生的医疗热力榜计算方法、装置和计算机设备 |
| CN116403693A (zh) * | 2023-04-03 | 2023-07-07 | 康键信息技术（深圳）有限公司 | 问诊单派单方法、装置、设备及存储介质 |
| CN116417126A (zh) * | 2023-04-11 | 2023-07-11 | 康键信息技术（深圳）有限公司 | 一种线上分流问诊方法及装置、存储介质、计算设备 |
| CN116665861A (zh) * | 2023-05-23 | 2023-08-29 | 中国人民大学 | 基于时间、病情及医疗资源的在线问诊推荐方法和系统 |
| WO2023178958A1 (zh) * | 2022-03-22 | 2023-09-28 | 康键信息技术（深圳）有限公司 | 线上医疗问诊的医生分配方法、装置、存储介质及设备 |
-
2023
- 2023-10-07 CN CN202311276908.0A patent/CN117035368B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150006261A1 (en) * | 2013-06-28 | 2015-01-01 | Healthtap, Inc. | Systems and method for evaluating and selecting a healthcare professional |
| CN109102867A (zh) * | 2018-08-13 | 2018-12-28 | 贵阳叁玖互联网医疗有限公司 | 远程医疗的智能分诊方法及智能分诊平台 |
| CN109559812A (zh) * | 2018-12-05 | 2019-04-02 | 易必祥 | 基于移动互联网的医生咨询方法及系统 |
| CN112542237A (zh) * | 2020-12-18 | 2021-03-23 | 微医云(杭州)控股有限公司 | 在线任务派发方法、装置、电子设备及存储介质 |
| CN112542236A (zh) * | 2020-12-18 | 2021-03-23 | 微医云(杭州)控股有限公司 | 在线任务派发方法、装置、电子设备及存储介质 |
| CN112966515A (zh) * | 2021-04-08 | 2021-06-15 | 沈同平 | 一种医学实体识别方法 |
| CN114267439A (zh) * | 2021-12-23 | 2022-04-01 | 深圳市医圈科技有限公司 | 一种精准就医方法及系统 |
| WO2023178958A1 (zh) * | 2022-03-22 | 2023-09-28 | 康键信息技术（深圳）有限公司 | 线上医疗问诊的医生分配方法、装置、存储介质及设备 |
| CN115512814A (zh) * | 2022-09-27 | 2022-12-23 | 北京京东拓先科技有限公司 | 一种线上问诊的医生分配方法和装置 |
| CN115762731A (zh) * | 2022-11-19 | 2023-03-07 | 深圳市宁远科技股份有限公司 | 基于互联网在线医生的医疗热力榜计算方法、装置和计算机设备 |
| CN116403693A (zh) * | 2023-04-03 | 2023-07-07 | 康键信息技术（深圳）有限公司 | 问诊单派单方法、装置、设备及存储介质 |
| CN116417126A (zh) * | 2023-04-11 | 2023-07-11 | 康键信息技术（深圳）有限公司 | 一种线上分流问诊方法及装置、存储介质、计算设备 |
| CN116665861A (zh) * | 2023-05-23 | 2023-08-29 | 中国人民大学 | 基于时间、病情及医疗资源的在线问诊推荐方法和系统 |
Non-Patent Citations (1)
| Title |
|---|
| 蔡保川: "市级医疗统一预约挂号系统的设计与实现", 《中国优秀硕士学位论文全文数据库 (信息科技辑)》, no. 02, pages 138 - 1735 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117411845A (zh) * | 2023-12-14 | 2024-01-16 | 四川桃子健康科技股份有限公司 | 一种在线诊疗聊天消息处理方法及医疗聚合系统 |
| CN117411845B (zh) * | 2023-12-14 | 2024-03-29 | 四川桃子健康科技股份有限公司 | 一种医疗聚合系统 |
| CN117954127A (zh) * | 2024-03-27 | 2024-04-30 | 四川桃子健康科技股份有限公司 | 合理用药判断方法、用药规则数据处理方法及系统 |
| CN117954127B (zh) * | 2024-03-27 | 2024-06-04 | 四川桃子健康科技股份有限公司 | 合理用药判断方法、用药规则数据处理方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117035368B (zh) | 2024-01-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117035368B (zh) | 一种基于互联网的医生派单方法 | |
| US20230215552A1 (en) | Early detection of patients for coordinated application of healthcare resources based on bundled payment | |
| US11600390B2 (en) | Machine learning clinical decision support system for risk categorization | |
| US8515777B1 (en) | System and method for efficient provision of healthcare | |
| US8645158B2 (en) | Displaying clinical predicted length of stay of patients for workload balancing in a healthcare environment | |
| US20120065987A1 (en) | Computer-Based Patient Management for Healthcare | |
| Najjar et al. | A two-step approach for mining patient treatment pathways in administrative healthcare databases | |
| Sahni et al. | The IT transformation health care needs | |
| Vemulapalli et al. | Hospital resource utilization before and after transcatheter aortic valve replacement: the STS/ACC TVT registry | |
| CN110890146A (zh) | 一种用于智慧病房的床旁智能交互系统 | |
| US20160358282A1 (en) | Computerized system and method for reducing hospital readmissions | |
| CN115458137A (zh) | 一种急诊科智能联动控制系统和方法 | |
| US20030167198A1 (en) | Identifying potential business opportunities | |
| US20200312465A1 (en) | System architecture and methods of intelligent matching | |
| Jiang et al. | Using Data Mining to Analyze Patient Discharge Data for an Urban Hospital. | |
| JP2003526137A (ja) | 職員配置を自動的に割り振るための方法および装置 | |
| CN115985476A (zh) | 一种基于ai智能导诊技术的互联网诊疗分诊派单方法 | |
| CN115762694A (zh) | 一种基于lmke的解析电子病历辅助医院库存管理方法 | |
| Wu et al. | A machine learning approach to predict length of stay for opioid overdose admitted patients | |
| Wang et al. | Imbalanced learning for hospital readmission prediction using national readmission database | |
| US11081217B2 (en) | Systems and methods for optimal health assessment and optimal preventive program development in population health management | |
| Siu et al. | An Intelligent clinical decision support system for assessing the needs of a long-term care plan | |
| Avati et al. | Predicting inpatient discharge prioritization with electronic health records | |
| US11749397B2 (en) | Inferring semantic data organization from machine-learned relationships | |
| CN111477332A (zh) | 基于机器学习的献血人员识别与招募方法 |
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 | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: An Internet based method of doctor order distribution Granted publication date: 20240126 Pledgee: Chengdu Bank Co.,Ltd. Qintai Branch Pledgor: Sichuan Taozi Health Internet Hospital Management Co.,Ltd. Registration number: Y2024980039574 |