CN117153378B - 一种导诊方法、装置、电子设备及存储介质 - Google Patents
一种导诊方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN117153378B CN117153378B CN202311421988.4A CN202311421988A CN117153378B CN 117153378 B CN117153378 B CN 117153378B CN 202311421988 A CN202311421988 A CN 202311421988A CN 117153378 B CN117153378 B CN 117153378B
- Authority
- CN
- China
- Prior art keywords
- etiology
- determining
- patient
- estimated
- result
- 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
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 101
- 238000000034 method Methods 0.000 title claims abstract description 24
- 208000024891 symptom Diseases 0.000 claims abstract description 110
- 201000010099 disease Diseases 0.000 claims description 19
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 19
- 230000000153 supplemental effect Effects 0.000 claims description 7
- 230000001502 supplementing effect Effects 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 3
- 230000001351 cycling effect Effects 0.000 claims description 3
- 238000002405 diagnostic procedure Methods 0.000 claims 1
- 238000012545 processing Methods 0.000 abstract description 3
- 230000000694 effects Effects 0.000 abstract description 2
- 208000002193 Pain Diseases 0.000 description 3
- 208000026278 immune system disease Diseases 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000007423 decrease Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 208000030507 AIDS Diseases 0.000 description 1
- 208000004998 Abdominal Pain Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 230000035800 maturation Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 208000037920 primary disease Diseases 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 239000002699 waste material Substances 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
-
- 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
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
-
- 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
- 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
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
-
- 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)
- Medical Informatics (AREA)
- Public Health (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Biomedical Technology (AREA)
- Theoretical Computer Science (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- General Engineering & Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Pathology (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本申请涉及医疗大数据处理的领域，尤其是涉及一种导诊方法、装置、电子设备及存储介质，该方法包括获取患者的病情信息，病情信息包括各个主诉症状以及患者的个人信息，基于病情信息执行第一步骤以确定对患者的推荐结果，第一步骤包括：基于主诉症状和预设的医学知识图谱确定第一预估结果，并基于病情信息从病例库中进行比对，确定第二预估结果，病例库中包括每个历史病患在每次就医对应的病例数据；然后基于第一预估结果和第二预估结果，确定对患者的推荐结果，推荐结果包括预估病因和推荐科室。本申请具有提高导诊时确定的推荐结果的准确度的效果。
Description
技术领域
本申请涉及医疗大数据处理的领域，尤其是涉及一种导诊方法、装置、电子设备及存储介质。
背景技术
随着大数据技术的成熟以及进步，智能导诊方式也逐渐在生活中得到较为广泛的应用。
普通的患者需要就医时，往往对需要就医的科室存在疑惑。在相关技术中，患者可以通过智能导诊平台线上咨询病情的相关问题，获得初步的推荐结果，患者可基于推荐结果中的推荐科室选择挂号就医。
若导诊平台为患者推荐了偏差较大的推荐结果，则可能降低患者的就医效率，使得患者的就医体验变差。
因此，如何提高导诊时确定的推荐结果的准确度，是一个亟需解决的问题。
发明内容
为了提高导诊时确定的推荐结果的准确度，本申请提供一种导诊方法、装置、电子设备及存储介质。
第一方面，本申请提供一种导诊方法，采用如下的技术方案：
一种导诊方法，包括：获取患者的病情信息，所述病情信息包括各个主诉症状以及患者的个人信息；
执行第一步骤以确定对患者的推荐结果，所述第一步骤包括：
基于所述主诉症状和预设的医学知识图谱确定第一预估结果；
基于所述病情信息从病例库中进行比对，确定第二预估结果，所述病例库中包括每个历史病患在每次就医对应的病例数据；
基于所述第一预估结果和所述第二预估结果，确定对患者的推荐结果，所述推荐结果包括预估病因和推荐科室。
通过采用上述技术方案，在获取患者的病情信息之后，基于病情信息和医学知识图谱确定第一预估结果，同时也基于病情信息和包括每个历史病患在每次就医对应的病例数据的病例库确定对患者的第二预估结果，然后通过第一预估结果和第二预估结果共同确定包括预估病因和推荐科室的推荐结果，与相关技术相比，进一步添加了病例库中的病例数据作为确定推荐结果的依据参考，从而提升了得到的推荐结果的准确度。
第二方面，本申请提供一种导诊装置，采用如下的技术方案：
一种导诊装置，包括：
病情信息获取模块，用于获取患者的病情信息，所述病情信息包括各个主诉症状以及患者的个人信息；
推荐结果确定模块，用于执行第一步骤以确定对患者的推荐结果；
推荐结果确定模块具体用于：
基于所述主诉症状和预设的医学知识图谱确定第一预估结果；
基于所述病情信息从病例库中进行比对，确定第二预估结果，所述病例库中包括每个历史病患在每次就医对应的病例数据；
基于所述第一预估结果和所述第二预估结果，确定对患者的推荐结果，所述推荐结果包括预估病因和推荐科室。
第三方面，本申请提供一种电子设备，采用如下的技术方案：
一种电子设备，该电子设备包括：
至少一个处理器；
存储器；
至少一个应用程序，其中所述至少一个应用程序被存储在存储器中并被配置为由至少一个处理器执行，所述至少一个应用程序配置用于：执行上述导诊方法。
第四方面，本申请提供一种计算机可读存储介质，采用如下的技术方案：
一种计算机可读存储介质，包括：存储有能够被处理器加载并执行上述导诊方法的计算机程序。
综上所述，本申请包括以下至少一种有益技术效果：
在获取患者的病情信息之后，基于病情信息和医学知识图谱确定第一预估结果，同时也基于病情信息和包括每个历史病患在每次就医对应的病例数据的病例库确定对患者的第二预估结果，然后通过第一预估结果和第二预估结果共同确定包括预估病因和推荐科室的推荐结果，与相关技术相比，进一步添加了病例库中的病例数据作为确定推荐结果的依据参考，从而提升了得到的推荐结果的准确度。
附图说明
图1是本申请实施例中导诊方法的流程示意图；
图2是本申请实施例中第一步骤的流程示意图；
图3是本申请实施例中确定预估病因的逻辑示意框图；
图4是本申请实施例中导诊装置的结构示意图；
图5是本申请实施例中电子设备的结构示意图。
实施方式
以下结合附图1-附图5对本申请作进一步详细说明。
本领域技术人员在阅读完本说明书后可以根据需要对本实施例做出没有创造性贡献的修改，但只要在本申请的权利要求范围内都受到专利法的保护。
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
另外，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，如无特殊说明，一般表示前后关联对象是一种“或”的关系。
普通的患者需要就医时，往往对需要就医的科室存在疑惑。在相关技术中，患者可以通过智能导诊平台远程咨询病情的相关问题，以进行初步诊断，进而基于初步诊断的结果选择就医的科室。通常，智能导诊的方法是基于患者的主诉症状去比对医学知识图谱，进而得到初步诊断的病因和推荐科室。因此，基于患者的主诉症状确定更准确的推荐科室，能够提高患者的就诊效率，也能避免医疗资源的浪费；基于此，本申请实施例提供了一种导诊方法，由电子设备执行，参照图1,该方法包括步骤S1和步骤S2，其中：
步骤S1、获取患者的病情信息，病情信息包括各个主诉症状以及患者的个人信息。
对于本申请实施例，主诉症状可以是患者选择的标签信息，患者也可以输入语音格式或文字格式的导诊信息，然后基于患者输入的导诊信息进行医疗术语提取以确定主诉症状；并且进一步地，主诉症状包括至少一项症状。其中，主诉症状至少包括一项。患者的个人信息应包括患者的年龄、性别、居住地、体重、职业以及患病经历的必要信息，同时也可以包括其他非必要信息，本申请实施例中对非必要信息不进行具体类型的限定。
步骤S2、基于病情信息执行第一步骤以确定对患者的推荐结果。
参照图2，第一步骤包括步骤S21-步骤S23，其中：
步骤S21、基于主诉症状和预设的医学知识图谱确定第一预估结果。
对于本申请实施例，医学知识图谱包括多个基本病因，并且每个基本病因都关联有至少一个主要症状以及至少一个并发症状。基于医学知识图谱对患者的主诉症状进行比对，以确定主诉症状对应的可能的基本病因，进而基于所有可能的病因确定第一预估结果，即第一预估结果中包括至少一个可能导致患者出现主诉症状的基本病因。
步骤S22、基于病情信息从病例库中进行比对，确定第二预估结果，病例库中包括每个历史病患在每次就医对应的病例数据。
对于本申请实施例，病例库中为医院自身对应的历史病患的病例数据。其中，病例数据为一个病患单次就医时对应的数据，若同一个历史病患在该医院对应有N次就医记录，则该病患对应有N个病例数据。第二预估结果中包括至少一个可能导致患者出现主诉症状的病因。
步骤S23、基于第一预估结果和第二预估结果，确定对患者的推荐结果，推荐结果包括预估病因和推荐科室。
对于本申请实施例，基于第一预估结果和第二预估结果综合确定患者的预估病因，即确定第一预估结果和第二预估结果中的所有重合项为预估病因，然后基于预估病因确定推荐科室。其中预估病因至少是一项。若预估病因为一项，则推荐科室为预估病因所对应的科室；若预估病因为至少两项，则确定各个预估病因各自对应的科室，然后从各个预估病因各自对应的科室中确定出重合的科室为推荐科室。
本申请实施例中的导诊方法是获取患者的病情信息之后，基于病情信息和医学知识图谱确定第一预估结果，同时也基于病情信息和包括每个历史病患在每次就医对应的病例数据的病例库确定对患者的第二预估结果，然后通过第一预估结果和第二预估结果共同确定包括预估病因和推荐科室的推荐结果。
在实际中，对于某些病因，在医学知识图谱中可能并不能与对应的症状直接关联。如某些免疫类的疾病，在实际中易发于艾滋病人群，这是现实的生活环境以及患者生活习惯导致的，带有经验和常识倾向，在医学知识图谱中，艾滋病人群与这些免疫类的疾病并无直接关联。但是在历史患者的病例数据中，是能够匹配到对应的免疫类疾病的症状的，进而在基于患者的主诉症状和个人信息对病例库进行比对时，能够将艾滋病作为患者的诱发病因的确定依据。本申请实施例中的导诊方法与相关技术相比，在依据医学知识图谱的基础上进一步添加了病例库中的病例数据作为确定推荐结果的依据之一，从而提升了确定的推荐结果的准确度。在就医前确定合适的科室，能够提高诊治的效率，提高患者的就医体验。
进一步地，基于主诉症状和预设的医学知识图谱确定第一预估结果，具体可以包括步骤S211（图中未示出）和步骤S212（图中未示出），其中：
步骤S211、基于医学知识图谱对主诉症状进行检索匹配，确定主要症状与至少一项主诉症状相匹配的病因为候选病因，医学知识图谱包括多个病因且每个病因关联有主要症状和并发症状。
具体地，基于主诉症状在医学知识图谱中进行匹配，其中，主诉症状首先对医学知识图谱中的主要症状进行匹配，一般而言，对于一个病因来说，其对应的主要症状表征更明显，因此，有较大的概率被患者作为主诉症状提出。
但是，对于有些病因而言，并发症状可能表现更剧烈，因此，存在一定的几率，导致用户提出的主诉症状可能仅仅只是并发症状；如果患者的主诉症状是患者的实际病因对应的并发症状，则仅仅通过患者的主诉症状去识别知识图谱中各个病因的主要症状存在一定的误判几率。
步骤S213、从所有候选病因中确定疑似病因，每个疑似病因与主诉症状至少有一项匹配，第一预估结果包括各项疑似病因。
具体地，在确定候选病因之后，通过每个候选病因对应的并发症状再进行一次筛选，以确定并发症状和主要症状中均至少存在一项与患者的主诉症状相匹配的候选病因为疑似病因，进而降低误判的几率。
进一步地，基于病情信息从病例库中进行比对，确定第二预估结果，具体可以包括步骤S221（图中未示出）-步骤S224（图中未示出），其中：
步骤S221、基于个人信息建立患者的初始病例，并在初始病例中添加患者的主诉症状。
步骤S222、确定主诉症状与病例库中各个病例数据分别对应的相似度，病例数据包括历史患者每次就医记录对应的实际症状、实际病因以及个人信息。
具体地，建立患者的初始病例包括获取病例模板，在病历模板中设置患者的个人信息，并在病历模板中添加患者的主诉症状以建立初始病例。将初始病例中的主诉症状与病例库中各个病例数据各自对应的实际症状进行相似度识别，以确定患者的主诉症状与病例库中各个病例数据分别对应的相似度。其中，相似度识别算法采用杰卡德系数相似度算法，确定主诉症状与任一病例数据的相似度包括：将患者的主诉症状中各项症状和任一病例数据中对应的实际病症去重后的总数量做为分母，将患者的主诉症状中与任一病例数据对应的各项实际症状的重合项的数量做为分子，分子和分母的比值即为主诉症状与任一病例数据的相似度。
例如，一个病历数据中包括A1、A2、A3以及B和C共5个症状；患者的主诉症状包括A1、A3以及D和E共4个症状；该病例数据与患者的主诉症状之间有2个重合项，该病例数据与患者的主诉症状去重后的症状总数量为5+4-2=7项，则患者的主诉症状与该病例数据的相似度为2/7。
步骤S223、确定与初始病例的相似度大于匹配阈值的病例数据为候选数据，第二预估结果包括各个候选数据各自对应的实际病因。
具体地，在确定与初始病例的相似度大于匹配阈值的病例数据为候选数据之前，需要基于主诉症状的数量以及患者的个人信息确定匹配阈值。其中，主诉症状中症状的数量越多，初始阈值应越低。在患者的主诉症状中，症状的项越多，说明患者在主要病症中掺杂了较多的并发症状，这相对更容易确定患者的实际病因。其中，医护人员可以基于经验预设定主诉症状的数量与初始阈值的关系；例如，主诉症状的数量为1个时，对应的初始阈值为50%，主诉症状的数量为3个时，对应的初始阈值为30%。设定敏感信息项所对应的调整参数，确定患者的个人信息中所匹配的每个敏感信息项目各自所对应的调整参数，其中，调整参数为大于-1小于1的数值。匹配阈值等于初始阈值与患者的个人信息中所匹配的各项敏感信息项目各自所对应的调整参数的和。
其中，敏感信息项可以包括患者的年龄和患病经历，例如，对应年龄为1-5岁的人群和对应年龄为60-70岁的人群，相对身体机能较弱，因此，这些人群对应的病因类型的数量级要大于年龄区间为20-30的青年人群，因此，要适当降低一些匹配阈值，以减少漏判的可能。因此，若患者的年龄处于1-5岁或60-70岁，则对应的调整参数应该为小于0大于-1。
在确定匹配阈值之后，确定与初始病例的相似度大于匹配阈值的病例数据为候选数据，第二预估结果包括各个候选数据各自对应的实际病因。
进一步地，如图3所示，基于第一预估结果和第二预估结果，确定对患者的推荐结果，具体可以包括：基于患者的个人信息确定患者所在的年龄区间为目标区间，然后执行第二步骤，以得到第一初诊病因和第二初诊病因。其中第二步骤包括：确定历史患者的年龄在目标区间内的候选数据为目标数据，然后基于各个目标数据各自对应的实际病因以及各个疑似病因进行匹配，确定重合项为第一初诊病因；基于各个候选数据各自对应的实际病因与各个疑似病因进行匹配，确定重合项为第二初诊病因；然后基于第一初诊病因和第二初诊病因确定预估病因，并基于预估病因确定推荐科室。
进一步地，参照图3，基于第一初诊病因和第二初诊病因确定预估病因，具体可以包括：若第一初诊病因与第二初诊病因相同，则确定第一初诊病因为预估病因。
具体地，在初次执行第二步骤时，对各个目标数据中各自对应的实际病因与各个疑似病因进行匹配，确定重合项为第一初诊病因；对各个候选数据各自对应的实际病因与各个疑似病因进行匹配，确定重合项为第二初诊病因。若第一初诊病因和第二初诊病因相同，即基于患者的主诉症状和个人信息，从医学知识图谱和病例库中匹配到了相同的结果，也即预估病因，则该结果的可信度较高，可以作为推荐结果输出给患者。
进一步地，参照图3，基于第一初诊病因和第二初诊病因确定预估病因，具体还可以包括：若第一初诊病因与第二初诊病因不同，则执行循环步骤，直到满足预设条件时停止；其中，预设条件包括更新后的第一初诊病因和更新后的第二初诊病因相同。
具体地，循环步骤包括：降低匹配阈值得到更新后的匹配阈值，基于更新后的匹配阈值重新确定候选数据，得到更新后的候选数据，然后基于更新后的候选数据重新执行第二步骤，得到更新后的第一初诊病因和第二初诊病因。
若疑似病因和第二疑似病因不同，则可能的原因是在确定候选数据时，匹配阈值设置的较大，进而筛选掉了一些病例数据。因此，重新执行循环步骤时，降低匹配阈值，重新确定候选数据，使得得到更新后的候选数据的数量增加，进而基于候选数据确定目标数据的数量增加。由于疑似病因的数量不变，进而使得确定的第一初诊病因的数量增加，且第二初诊病因的数量增加，进而也就使得第一初诊病因中和第二初诊病因中重合的几率增加，以获得较为准确的预估病因。
其中，每次对匹配阈值降低的数量可以由相关的医护人员基于经验设定，例如为5%。对于每次降低的具体数值，本申请实施例中不进行具体限定。
进一步地，每执行一次循环步骤，都会得到一个更新后的匹配阈值；在本申请实施例中，可以设置匹配阈值的最小极值，在更新后的匹配阈值小于等于匹配阈值的最小极值时，则不执行本次循环步骤，并取用最后一次执行循环步骤的结果。
进一步地，还可以设置执行循环步骤的最大次数，并在执行循环步骤达到最大次数时，不再执行循环步骤，并取用最后一次执行循环步骤的结果。
进一步地，在执行完第二步骤之后，或在执行完循环步骤之后，如果第一预估结果和第二预估结果不存在重合项，则推荐结果确定为空，此时，基于患者的各个主诉症状生成提示信息，提示信息用于提醒患者输入补充信息或选择补充标签。例如，患者最初输入的主诉症状包括腹部疼痛，则可以生成包括持续疼痛、间歇性阵痛、外力按压触发疼痛等标签，以进一步获取更为详细的患者的主诉症状。
在获取了患者的补充信息之后，基于补充信息对病情信息进行补充，得到补充后的病情信息，然后基于补充后的病情信息执行第一步骤以确定对患者的新的推荐结果，以确定更准确的对患者的推荐结果。同时，将新的推荐结果补充至初始病例中，在后续患者实际到该医院进行就医面诊时，初始病例能够为医生提供参考依据，进而便于更准确的确定患者的病因。
上述实施例从方法流程的角度介绍一种导诊方法，下述实施例从虚拟模块或者虚拟单元的角度介绍了一种导诊装置，具体详见下述实施例。
本申请实施例提供一种导诊装置，如图4所示，该导诊装置具体可以包括病情信息获取模块401和推荐结果确定模块402，其中：
病情信息获取模块401，用于获取患者的病情信息，病情信息包括各个主诉症状以及患者的个人信息；
推荐结果确定模块402，用于基于病情信息执行第一步骤以确定对患者的推荐结果；
推荐结果确定模块402具体用于：
基于主诉症状和预设的医学知识图谱确定第一预估结果；
基于病情信息从病例库中进行比对，确定第二预估结果，病例库中包括每个历史病患在每次就医对应的病例数据；
基于第一预估结果和第二预估结果，确定对患者的推荐结果，推荐结果包括预估病因和推荐科室。
通过采用上述技术方案，在获取患者的病情信息之后，基于病情信息和医学知识图谱确定第一预估结果，同时也基于病情信息和包括每个历史病患在每次就医对应的病例数据的病例库确定对患者的第二预估结果，然后通过第一预估结果和第二预估结果共同确定包括预估病因和推荐科室的推荐结果，与相关技术相比，进一步添加了病例库中的病例数据作为初诊的依据参考，从而提升了推荐结果的准确度。
在一种可能实现的方式中，推荐结果确定模块402基于主诉症状和预设的医学知识图谱确定第一预估结果时，具体用于：
基于医学知识图谱对主诉症状进行检索匹配，确定各个主诉症状各自对应的诱发病因，医学知识图谱包括多个病因且每个病因关联有主要症状和并发症状；
确定主要症状与至少一项主诉症状相匹配的病因为候选病因；
从所有候选病因中确定第一疑似病因，每个第一疑似病因与主诉症状至少有一项匹配，第一预估结果包括各项第一疑似病因。
在一种可能实现的方式中，推荐结果确定模块402在基于病情信息从病例库中进行比对，确定第二预估结果时，具体用于：
基于个人信息建立患者的初始病例，并在初始病例中添加患者的主诉症状；
确定主诉症状与病例库中各个病例数据分别对应的相似度，病例数据包括历史患者每次就医记录对应的实际症状、实际病因以及个人信息；
确定与初始病例的相似度大于匹配阈值的病例数据为候选数据，第二预估结果包括各个候选数据各自对应的实际病因。
在一种可能实现的方式中，该装置还包括：
匹配阈值确定模块，用于基于主诉症状的数量以及患者的个人信息确定匹配阈值。
在一种可能实现的方式中，推荐结果确定模块402在基于第一预估结果和第二预估结果，确定对患者的推荐结果时，具体用于：
基于个人信息确定患者所在的目标年龄区间；
执行第二步骤，得到第一初诊病因和第二初诊病因，第二步骤包括：
基于各个候选数据，确定出在历史患者在目标年龄区间的数据为目标数据；
对各个目标数据中各自对应的实际病因与各个第一疑似病因进行匹配，确定重合项为第一初诊病因；
对各个候选数据各自对应的实际病因与各个第一疑似病因进行匹配，确定重合项为第二初诊病因；
基于第一初诊病因和第二初诊病因确定预估病因；
基于预估病因确定推荐科室。
在一种可能实现的方式中，推荐结果确定模块402在基于第一初诊病因和第二初诊病因确定预估病因时，具体用于：
若第一初诊病因与第二初诊病因相同，则确定第一初诊病因为预估病因；
若第一初诊病因与第二初诊病因不同，则执行循环步骤，直到满足预设条件时停止；
循环步骤包括：
降低匹配阈值得到更新后的匹配阈值；
基于更新后的匹配阈值重新确定候选数据，得到更新后的候选数据；
基于更新后的候选数据重新执行第二步骤，得到更新后的第一初诊病因和第二初诊病因；
预设条件包括更新后的第一初诊病因和更新后的第二初诊病因相同。
在一种可能实现的方式中，导诊装置还包括：
补充信息获取模块，用于生成提示信息并获取患者输入的补充信息，补充信息至少包括补充症状；
第一补充模块，用于基于补充信息对病情信息进行补充，得到补充后的病情信息，推荐结果确定模块基于补充后的病情信息执行第一步骤以确定对患者的新的推荐结果；
第二补充模块，用于将新的推荐结果补充至初始病例中。
本申请实施例中提供了一种电子设备，如图5所示，图5所示的电子设备500包括：处理器501和存储器503。其中，处理器501和存储器503相连，如通过总线502相连。可选地，电子设备500还可以包括收发器504。需要说明的是，实际应用中收发器504不限于一个，该电子设备500的结构并不构成对本申请实施例的限定。
处理器501可以是CPU（Central Processing Unit，中央处理器），通用处理器，DSP（Digital Signal Processor，数据信号处理器），ASIC（Application SpecificIntegrated Circuit，专用集成电路），FPGA（Field Programmable Gate Array，现场可编程门阵列）或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框，模块和电路。处理器501也可以是实现计算功能的组合，例如包含一个或多个微处理器组合，DSP和微处理器的组合等。
总线502可包括一通路，在上述组件之间传送信息。总线502可以是PCI（Peripheral Component Interconnect，外设部件互连标准）总线或EISA（ExtendedIndustry Standard Architecture，扩展工业标准结构）总线等。总线502可以分为地址总线、数据总线、控制总线等。为便于表示，图5中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
存储器503可以是ROM（Read Only Memory，只读存储器）或可存储静态信息和指令的其他类型的静态存储设备，RAM（Random Access Memory，随机存取存储器）或者可存储信息和指令的其他类型的动态存储设备，也可以是EEPROM（Electrically ErasableProgrammable Read Only Memory，电可擦可编程只读存储器）、CD-ROM（Compact DiscRead Only Memory，只读光盘）或其他光盘存储、光碟存储（包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等）、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。
存储器503用于存储执行本申请方案的应用程序代码，并由处理器501来控制执行。处理器501用于执行存储器503中存储的应用程序代码，以实现前述方法实施例所示的内容。
其中，电子设备包括但不限于：移动电话、笔记本电脑、数字广播接收器、PDA（个人数字助理）、PAD（平板电脑）、PMP（便携式多媒体播放器）、车载终端（例如车载导航终端）等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。还可以为服务器等。图5示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
本申请实施例提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，当其在计算机上运行时，使得计算机可以执行前述方法实施例中相应内容。
应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
以上仅是本申请的部分实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。
Claims (6)
1.一种导诊方法，其特征在于，由电子设备执行，包括：
获取患者的病情信息，所述病情信息包括各个主诉症状以及患者的个人信息；
执行第一步骤以确定对患者的推荐结果，所述第一步骤包括：
基于所述主诉症状和预设的医学知识图谱确定第一预估结果；
基于所述病情信息从病例库中进行比对，确定第二预估结果，所述病例库中包括每个历史病患在每次就医对应的病例数据；
基于所述第一预估结果和所述第二预估结果，确定对患者的推荐结果，所述推荐结果包括预估病因和推荐科室；
所述基于所述主诉症状和预设的医学知识图谱确定第一预估结果，包括：
基于所述医学知识图谱对所述主诉症状进行检索匹配，确定候选病因，所述候选病因为有至少一项主要症状与所述主诉症状相匹配的基本病因，所述医学知识图谱包括多个基本病因，且每个所述基本病因关联有主要症状和并发症状；
从所有所述候选病因中确定疑似病因，每个所述疑似病因的并发症状与所述主诉症状至少有一项相匹配，所述第一预估结果包括所有疑似病因；
所述基于所述病情信息从病例库中进行比对，确定第二预估结果，包括：
基于所述个人信息建立患者的初始病例，并在所述初始病例中添加所述主诉症状；
确定所述主诉症状与所述病例库中各个所述病例数据分别对应的相似度，所述病例数据包括历史患者每次就医记录对应的实际症状、实际病因以及个人信息；
确定与所述初始病例的相似度大于匹配阈值的病例数据为候选数据，所述第二预估结果包括各个所述候选数据各自对应的实际病因；
所述基于所述第一预估结果和所述第二预估结果，确定对患者的推荐结果，包括：
基于患者的所述个人信息确定所述患者所在的年龄区间为目标区间；
执行第二步骤，得到第一初诊病因和第二初诊病因，所述第二步骤包括：
确定历史患者的年龄在所述目标区间内的候选数据为目标数据；
基于各个所述目标数据各自对应的实际病因以及各个所述疑似病因进行匹配，确定重合项为第一初诊病因；
基于各个所述候选数据各自对应的实际病因与各个所述疑似病因进行匹配，确定重合项为第二初诊病因；
基于所述第一初诊病因和所述第二初诊病因确定预估病因；
基于所述预估病因确定推荐科室；
所述基于所述第一初诊病因和所述第二初诊病因确定预估病因，包括：
若所述第一初诊病因与所述第二初诊病因相同，则确定所述第一初诊病因为预估病因；
若所述第一初诊病因与所述第二初诊病因不同，则执行循环步骤，直到满足预设条件时停止；
所述循环步骤包括：
降低所述匹配阈值得到更新后的匹配阈值；
基于所述更新后的匹配阈值重新确定候选数据，得到更新后的候选数据；
基于所述更新后的候选数据重新执行第二步骤，得到更新后的第一初诊病因和第二初诊病因；
所述预设条件包括更新后的第一初诊病因和更新后的第二初诊病因相同。
2.根据权利要求1所述的一种导诊方法，其特征在于，在确定与所述初始病例的相似度大于匹配阈值的病例数据为候选数据之前，还包括：
基于所述主诉症状的数量以及所述患者的个人信息确定匹配阈值。
3.根据权利要求1所述的一种导诊方法，其特征在于，若所述预估病因为空，还包括：
生成提示信息以获取患者输入的补充信息，所述补充信息至少包括补充症状；
基于所述补充信息对所述病情信息进行补充，得到补充后的病情信息；
基于所述补充后的病情信息执行第一步骤以确定对患者的新的推荐结果；
将所述新的推荐结果补充至所述初始病例中。
4.一种导诊装置，其特征在于，包括：
病情信息获取模块，用于获取患者的病情信息，所述病情信息包括各个主诉症状以及患者的个人信息；
推荐结果确定模块，用于执行第一步骤以确定对患者的推荐结果；
推荐结果确定模块具体用于：
基于所述主诉症状和预设的医学知识图谱确定第一预估结果；
基于所述病情信息从病例库中进行比对，确定第二预估结果，所述病例库中包括每个历史病患在每次就医对应的病例数据；
基于所述第一预估结果和所述第二预估结果，确定对患者的推荐结果，所述推荐结果包括预估病因和推荐科室；
推荐结果确定模块在基于所述主诉症状和预设的医学知识图谱确定第一预估结果，具体用于：
基于所述医学知识图谱对所述主诉症状进行检索匹配，确定候选病因，所述候选病因为有至少一项主要症状与所述主诉症状相匹配的基本病因，所述医学知识图谱包括多个基本病因，且每个所述基本病因关联有主要症状和并发症状；
从所有所述候选病因中确定疑似病因，每个所述疑似病因的并发症状与所述主诉症状至少有一项相匹配，所述第一预估结果包括所有疑似病因；
推荐结果确定模块在基于所述病情信息从病例库中进行比对，确定第二预估结果，用于：
基于所述个人信息建立患者的初始病例，并在所述初始病例中添加所述主诉症状；
确定所述主诉症状与所述病例库中各个所述病例数据分别对应的相似度，所述病例数据包括历史患者每次就医记录对应的实际症状、实际病因以及个人信息；
确定与所述初始病例的相似度大于匹配阈值的病例数据为候选数据，所述第二预估结果包括各个所述候选数据各自对应的实际病因；
推荐结果确定模块在所述基于所述第一预估结果和所述第二预估结果，确定对患者的推荐结果，用于：
基于患者的所述个人信息确定所述患者所在的年龄区间为目标区间；
执行第二步骤，得到第一初诊病因和第二初诊病因，所述第二步骤包括：
确定历史患者的年龄在所述目标区间内的候选数据为目标数据；
基于各个所述目标数据各自对应的实际病因以及各个所述疑似病因进行匹配，确定重合项为第一初诊病因；
基于各个所述候选数据各自对应的实际病因与各个所述疑似病因进行匹配，确定重合项为第二初诊病因；
基于所述第一初诊病因和所述第二初诊病因确定预估病因；
基于所述预估病因确定推荐科室；
推荐结果确定模块在所述基于所述第一初诊病因和所述第二初诊病因确定预估病因，用于：
若所述第一初诊病因与所述第二初诊病因相同，则确定所述第一初诊病因为预估病因；
若所述第一初诊病因与所述第二初诊病因不同，则执行循环步骤，直到满足预设条件时停止；
所述循环步骤包括：
降低所述匹配阈值得到更新后的匹配阈值；
基于所述更新后的匹配阈值重新确定候选数据，得到更新后的候选数据；
基于所述更新后的候选数据重新执行第二步骤，得到更新后的第一初诊病因和第二初诊病因；
所述预设条件包括更新后的第一初诊病因和更新后的第二初诊病因相同。
5.一种电子设备，其特征在于，该电子设备包括：
至少一个处理器；
存储器；
至少一个应用程序，其中所述至少一个应用程序被存储在存储器中并被配置为由至少一个处理器执行，所述至少一个应用程序配置用于：执行权利要求1-3中任一项所述导诊方法。
6.一种计算机可读存储介质，其特征在于，包括：存储有能够被处理器加载并执行如权利要求1-3中任一项所述导诊方法的计算机程序。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311421988.4A CN117153378B (zh) | 2023-10-31 | 2023-10-31 | 一种导诊方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311421988.4A CN117153378B (zh) | 2023-10-31 | 2023-10-31 | 一种导诊方法、装置、电子设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117153378A CN117153378A (zh) | 2023-12-01 |
| CN117153378B true CN117153378B (zh) | 2024-03-01 |
Family
ID=88903061
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311421988.4A Active CN117153378B (zh) | 2023-10-31 | 2023-10-31 | 一种导诊方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117153378B (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2001069513A2 (en) * | 2000-03-10 | 2001-09-20 | David S Zakim | A system and method for obtaining, processing and evaluating patient information for diagnosing disease and selecting treatment |
| CN103164616A (zh) * | 2013-02-02 | 2013-06-19 | 杭州卓健信息科技有限公司 | 一种智能导诊系统和方法 |
| CN110600121A (zh) * | 2019-08-15 | 2019-12-20 | 浙江工业大学 | 一种基于知识图谱病因初步诊断方法 |
| 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 |
| CN114496234A (zh) * | 2022-04-18 | 2022-05-13 | 浙江大学 | 一种基于认知图谱的全科患者个性化诊疗方案推荐系统 |
| WO2022130006A1 (en) * | 2020-12-19 | 2022-06-23 | Sarabi Soroush | A prognosis and early diagnosis method and system and choosing the best treatment based on data fusion and information analysis by artificial intelligence, with the ability to modify and improve information and results according to machine learning |
| WO2022267678A1 (zh) * | 2021-06-23 | 2022-12-29 | 康键信息技术（深圳）有限公司 | 视频问诊方法、装置、设备及存储介质 |
| CN116227594A (zh) * | 2022-12-29 | 2023-06-06 | 中电云脑(天津)科技有限公司 | 面向多源数据的医疗行业高可信度知识图谱的构建方法 |
| CN116313141A (zh) * | 2023-02-28 | 2023-06-23 | 重庆大学 | 一种基于知识图谱的不明原因发热智能问诊方法 |
| CN116386869A (zh) * | 2023-04-11 | 2023-07-04 | 中国科学技术大学 | 一种基于多变量的病情危重程度评估方法 |
-
2023
- 2023-10-31 CN CN202311421988.4A patent/CN117153378B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2001069513A2 (en) * | 2000-03-10 | 2001-09-20 | David S Zakim | A system and method for obtaining, processing and evaluating patient information for diagnosing disease and selecting treatment |
| CN103164616A (zh) * | 2013-02-02 | 2013-06-19 | 杭州卓健信息科技有限公司 | 一种智能导诊系统和方法 |
| CN110600121A (zh) * | 2019-08-15 | 2019-12-20 | 浙江工业大学 | 一种基于知识图谱病因初步诊断方法 |
| WO2022130006A1 (en) * | 2020-12-19 | 2022-06-23 | Sarabi Soroush | A prognosis and early diagnosis method and system and choosing the best treatment based on data fusion and information analysis by artificial intelligence, with the ability to modify and improve information and results according to machine learning |
| 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 |
| WO2022267678A1 (zh) * | 2021-06-23 | 2022-12-29 | 康键信息技术（深圳）有限公司 | 视频问诊方法、装置、设备及存储介质 |
| CN114496234A (zh) * | 2022-04-18 | 2022-05-13 | 浙江大学 | 一种基于认知图谱的全科患者个性化诊疗方案推荐系统 |
| CN116227594A (zh) * | 2022-12-29 | 2023-06-06 | 中电云脑(天津)科技有限公司 | 面向多源数据的医疗行业高可信度知识图谱的构建方法 |
| CN116313141A (zh) * | 2023-02-28 | 2023-06-23 | 重庆大学 | 一种基于知识图谱的不明原因发热智能问诊方法 |
| CN116386869A (zh) * | 2023-04-11 | 2023-07-04 | 中国科学技术大学 | 一种基于多变量的病情危重程度评估方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117153378A (zh) | 2023-12-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Jonnalagadda et al. | Text mining of the electronic health record: an information extraction approach for automated identification and subphenotyping of HFpEF patients for clinical trials | |
| Kehl et al. | Natural language processing to ascertain cancer outcomes from medical oncologist notes | |
| US20130262140A1 (en) | Patient cohort matching | |
| CN111144658B (zh) | 医疗风险预测方法、装置、系统、存储介质与电子设备 | |
| CN111710420A (zh) | 一种基于电子病历大数据的并发症发病风险预测方法、系统、终端以及存储介质 | |
| Shen et al. | Leveraging collaborative filtering to accelerate rare disease diagnosis | |
| EP3931844A1 (en) | Prognostic score based on health information | |
| US20210257106A1 (en) | Generalized biomarker model | |
| CN116798646B (zh) | 基于聚类算法的蛇伤预后预测方法、装置及电子设备 | |
| JP7476181B2 (ja) | モデル支援型事象予測のためのシステム及び方法 | |
| CN116312934A (zh) | 医疗服务推荐方案生成方法、装置、设备及可读存储介质 | |
| Cronin et al. | Development and implementation of a real-time 30-day readmission predictive model | |
| US10719663B2 (en) | Assisted free form decision definition using rules vocabulary | |
| Bozkurt et al. | An automated feature engineering for digital rectal examination documentation using natural language processing | |
| CN117153378B (zh) | 一种导诊方法、装置、电子设备及存储介质 | |
| Eghbali et al. | Automation of protocoling advanced MSK examinations using natural language processing techniques | |
| Lee et al. | Leveraging deep representations of radiology reports in survival analysis for predicting heart failure patient mortality | |
| Masterson et al. | Using artificial intelligence to predict surgical shunts in men with ischemic priapism | |
| Zheng et al. | Automatically detecting acute myocardial infarction Events from EHR text: a preliminary study | |
| CN110993116A (zh) | 诊疗数据提取方法及装置、电子设备、存储介质 | |
| CN115631823A (zh) | 相似病例推荐方法及系统 | |
| Borthwick et al. | ePhenotyping for Abdominal Aortic Aneurysm in the Electronic Medical Records and Genomics (eMERGE) Network: algorithm development and Konstanz information miner workflow | |
| KR102403463B1 (ko) | 기계학습된 모델을 이용한 의료데이터의 개인건강정보를 인식하는 방법 및 시스템 | |
| CN113221541A (zh) | 一种数据提取方法及装置 | |
| Heryawan et al. | Deep learning and machine learning model comparison for diagnosis detection from medical records |
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 |