CN117316415A - 一种基于多模态的智能随访方法及系统 - Google Patents
一种基于多模态的智能随访方法及系统 Download PDFInfo
- Publication number
- CN117316415A CN117316415A CN202311596141.XA CN202311596141A CN117316415A CN 117316415 A CN117316415 A CN 117316415A CN 202311596141 A CN202311596141 A CN 202311596141A CN 117316415 A CN117316415 A CN 117316415A
- Authority
- CN
- China
- Prior art keywords
- patient
- follow
- diagnosis
- degree
- review
- 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 48
- 239000003814 drug Substances 0.000 claims abstract description 83
- 238000003745 diagnosis Methods 0.000 claims abstract description 80
- 229940079593 drug Drugs 0.000 claims abstract description 49
- 201000010099 disease Diseases 0.000 claims abstract description 25
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 25
- 230000006866 deterioration Effects 0.000 claims abstract description 19
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 16
- 230000009466 transformation Effects 0.000 claims abstract description 9
- 230000007704 transition Effects 0.000 claims abstract description 9
- 238000001914 filtration Methods 0.000 claims abstract description 7
- 238000012552 review Methods 0.000 claims description 74
- 230000008569 process Effects 0.000 claims description 11
- 230000008859 change Effects 0.000 claims description 9
- 230000011218 segmentation Effects 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 230000007170 pathology Effects 0.000 claims description 5
- 230000001575 pathological effect Effects 0.000 claims description 4
- 230000014509 gene expression Effects 0.000 claims description 3
- 229920002334 Spandex Polymers 0.000 claims description 2
- 239000004759 spandex Substances 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 abstract description 5
- 238000012545 processing Methods 0.000 abstract description 4
- 238000011084 recovery Methods 0.000 description 6
- 230000005713 exacerbation Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 230000019771 cognition Effects 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 230000003203 everyday effect Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 206010019233 Headaches Diseases 0.000 description 1
- 206010068319 Oropharyngeal pain Diseases 0.000 description 1
- 201000007100 Pharyngitis Diseases 0.000 description 1
- 206010037660 Pyrexia Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000002354 daily effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 231100000869 headache Toxicity 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000012216 screening Methods 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
- 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
- G06F16/903—Querying
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/22—Social work or social welfare, e.g. community support activities or counselling services
-
- 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)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Tourism & Hospitality (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Biomedical Technology (AREA)
- Epidemiology (AREA)
- Entrepreneurship & Innovation (AREA)
- General Engineering & Computer Science (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Pathology (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Computational Linguistics (AREA)
- Child & Adolescent Psychology (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明涉及医疗数据处理技术领域，具体涉及一种基于多模态的智能随访方法及系统，该方法包括：采集获取就医信息序列；构建患者复诊的准时程度及复诊重视程度；设定患者随访时间的随访应邀权重；计算患者的自身病情重视程度；获取患者病情关键词的病患严重程度权重，计算患者的主诉病情严重程度；计算患者的病患转变状态因子，进而得到患者的第一模态病情恶化特征；构建患者各次复诊的药物转变因子，计算患者第二模态病情恶化特征；基于此计算患者的随访迫切度；构建新进患者的随访迫切度；结合协同滤波推荐算法获取各患者的随访推荐优先级。从而实现医疗数据的处理分析，提高随访患者推荐准确性。
Description
技术领域
本发明涉及医疗数据处理技术领域，具体涉及一种基于多模态的智能随访方法及系统。
背景技术
随着人们生活水平的提高以及健康知识的普及，越来越多的人开始重视自身的身体健康，无论是患病后的及时就医，就医后的及时用药以及及时复诊，人们都愈发积极。随着医疗信息系统的发展与完善，约、挂号、复诊等也都可以在线上进行，让人们的日常就医变得更加方便。而在众多就医流程中，患者的复诊回访是极其容易被患者忽略的重要流程之一，许多患者在就医后认为只要按照医嘱正常服药即可，但由于人们的身体素质各有不同，治疗药物也存在副作用，很多情况下非专业人士无法判断是否存在隐患，仍然需要让专业的医生对病人的情况进行判断，所以为了避免患者对自身状况存在错误的认识，医院通常会让患者的主治医生或是护士进行随访，以保证患者的身体健康。
然而每天患者数量庞大，随访医护人员无法完全记清楚每个患者的具体情况，在随访的过程中难以保证随访对象是当下是最迫切，最需要进行随访的。通常情况下医院的随访系统会采用推荐算法分析每个患者的情况，为随访医护人员推荐当下最需要进行优先随访的患者。医院的随访推荐系统会采用推荐算法（如协同过滤推荐算法）计算患者之间的各项病情相似度进行优先级的随访推荐，然而有的患者对自身病情认知情况较好，并且积极配合治疗，此类患者尽管可能病情相对严重但随访需求程度则较低，但有部分患者则尽管病相对较轻，但对自身的病情认知情况较差，配合治疗的意愿低，则此类患者随访需求程度则应该较高，但传统的推荐算法难以区别这类情况，以及新加入医疗信息系统的患者信息较少，推荐系统会因数据过少而对此类患者的推荐程度较低，出现冷启动的问题，导致容易忽略随访迫切性较高的患者。
发明内容
为了解决上述技术问题，本发明提供一种基于多模态的智能随访方法及系统，所采用的技术方案具体如下：
第一方面，本发明实施例提供了一种基于多模态的智能随访方法，该方法包括以下步骤：
采集患者病理信息数据获取就医信息序列；
根据患者相邻复诊时间间隔获取患者复诊的准时程度；根据患者复诊的准时程度构建患者的复诊重视程度；对患者随访时间的随访应邀权重进行设定；根据患者的复诊重视程度、复诊时间、随访时间以及随访应邀权重得到患者的自身病情重视程度；获取患者病情关键词及各关键词的病患严重程度权重，根据患者主诉内容中关键词的病患严重程度权重以及出现次数得到患者的主诉病情严重程度；将患者当前次与上一次复诊的主诉文本内容数据之间的莱文斯坦距离作为患者当前次复诊的病患转变状态因子；将患者所有复诊的病患转变状态因子和值与主诉病情严重程度的乘积作为患者的第一模态病情恶化特征；构建患者各次复诊的药物转变因子，并根据患者各次复诊的药物转变因子以及患者药物量数据变化情况构建患者第二模态病情恶化特征；
将患者第一模态病情恶化特征、第二模态病情恶化特征的加权和值与患者自身病情重视程度的比值作为患者的随访迫切度；根据各患者的随访迫切度以及新进患者与各患者的就医信息序列之间的DTW距离构建新进患者的随访迫切度；结合协同滤波推荐算法获取各患者的随访推荐优先级。
进一步地，所述采集患者病理信息数据获取就医信息序列，包括：
所述患者病理信息数据包括：患者年龄、主要病患索引数据信息、次要病患索引数据信息、配药索引数据信息、是否住院索引数据信息、就诊科室索引数据信息、主治医生姓名索引数据信息、复诊日期、随访日期、随访是否接受信息、每次就医药物量以及每次复诊时的病例文本数据；
将患者年龄、主要病患索引数据信息、次要病患索引数据信息、配药索引数据信息、是否住院索引数据信息、就诊科室索引数据信息、主治医生姓名索引数据信息组成患者的就医信息序列。
进一步地，所述根据患者相邻复诊时间间隔获取患者复诊的准时程度，包括：
获取患者第r次复诊日期与第r-1次复诊日期差值，将所述差值的倒数作为患者第r次复诊的准时程度。
进一步地，所述根据患者复诊的准时程度构建患者的复诊重视程度，包括：将患者所有复诊的准时程度的均值作为患者的复诊重视程度。
进一步地，所述对患者随访时间的随访应邀权重进行设定包括：
当患者第k次随访被拒绝，则第k次随访的应邀权重为1；当患者第k次随访被接受，则第k次随访的应邀权重为2。
进一步地，所述根据患者的复诊重视程度、复诊时间、随访时间以及随访应邀权重得到患者的自身病情重视程度，包括：获取患者每次复诊日期前的最近一次的随访日期，并计算所述最近一次的随访日期的应邀权重，第i个患者的自身病情重视程度表达式为：
式中，为第i个患者第r次复诊日期前的最近的一次随访日期，/>为第i个患者第r次复诊日期前最近的一次随访的应邀权重，/>为第i个患者的复诊重视程度，/>为第i个患者的复诊次数总数，/>为第i个患者第r次复诊日期。
进一步地，所述获取患者病情关键词及各关键词的病患严重程度权重，根据患者主诉内容中关键词的病患严重程度权重以及出现次数得到患者的主诉病情严重程度，包括：
将患者病情关键词分为加重、新增、缓解及消失，对应关键词病患严重程度权重分别为4、3、2、1；
采用分词工具对患者各次复诊病历文本数据进行分词，获取词语中的“主诉”、“现病史”、“既往病史”、“药物开设”，并将“主诉”后的文本至“现病史”前的文本作为各次复诊的主诉文本内容数据；
统计患者所有复诊的主诉文本内容数据中各关键词出现的次数，计算各关键词出现的次数与对应病患严重程度权重乘积，将所有关键词的所述乘积的和值作为患者的主诉病情严重程度。
进一步地，所述构建患者各次复诊的药物转变因子，并根据患者各次复诊的药物转变因子以及患者药物量数据变化情况构建患者第二模态病情恶化特征，包括：
将分词后的“药物开设”词语至文本数据末尾作为患者各次复诊的药物开设文本内容数据，将患者第j次与其上一次复诊的药物开设文本内容数据之间的莱文斯坦距离作为患者第j次复诊的药物转变因子；
统计患者每次复诊的药物量数据，组成患者的药物量数据序列，对所述药物量数据序列进行一阶差分获取一阶差分数据序列，并将所述一阶差分数据序列中小于0的数据组成患者药物量变增序列；
当患者最后一次药物量数据不为零时，获取患者药物量变增序列与所述一阶差分数据序列的长度的比值，计算患者各次复诊的药物转变因子与所述比值的乘积，将患者所有复诊的所述乘积的和值作为患者的第二模态病情恶化特征；
当患者最后一次药物量数据为零时，患者的第二模态病情恶化特征为零。
进一步地，所述根据各患者的随访迫切度以及新进患者与各患者的就医信息序列之间的DTW距离构建新进患者的随访迫切度，包括：
选取与新进患者年龄相差小于等于五岁的患者作为新进患者的匹配对象，计算所述匹配对象中各患者与所述新进患者的就医信息序列之间的DTW距离；计算匹配对象中各患者的随访迫切度与对应所述DTW距离的比值，将匹配对象中所有患者的所述比值的均值作为新进患者的随访迫切度。
第二方面，本发明实施例还提供了一种基于多模态的智能随访系统，包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任意一项所述方法的步骤。
本发明至少具有如下有益效果：
本发明通过分析每个患者复诊时间的准时程度以及是否随访后复诊，得到每个患者对自身病情的重视程度，再通过分析患者每次的药物量变化以得到患者的病情是否好转，联合构建患者的随访迫切度。并针对新进患者无法利用历史数据计算随访迫切度的情况，分析与新进患者年龄相近的患者就医信息相似程度，得到新进患者的随访迫切度。最后利用TOP-N推荐算法基于协同过滤算法对患者进行随访优先程度的计算，为随访医护人员进行随访患者的推荐。避免了传统推荐算法仅考虑患者情况的相似性且存在冷启动问题的情况，使得推荐的随访患者更准确，更应该是迫切需要随访的患者。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。
图1为本发明一个实施例提供的一种基于多模态的智能随访方法的步骤流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种基于多模态的智能随访方法及系统，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一个或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种基于多模态的智能随访方法及系统的具体方案。
请参阅图1，其示出了本发明一个实施例提供的一种基于多模态的智能随访方法的步骤流程图，该方法包括以下步骤：
步骤S001，通过医院的各部门病患信息记录系统，获取患者的病理信息数据。
针对每一个需随访的患者，在医院的病患信息记录系统以及病患随访系统中获取以下病理信息数据：患者年龄、患者主要病患索引数据信息、患者次要病患索引数据信息、患者配药索引数据信息、患者是否住院索引数据信息、患者就诊科室索引数据信息、患者主治医生姓名索引数据信息、患者复诊日期、患者随访日期、患者随访是否接受信息、患者每次就医药物量以及患者每次复诊时的病例文本数据。
本实施例中，将上述数据中的患者年龄、患者主要病患索引数据信息、患者次要病患索引数据信息、患者配药索引数据信息、患者是否住院索引数据信息、患者就诊科室索引数据信息、患者主治医生姓名索引数据信息，共同记录为患者就医信息序列。其中，AZ的含义为该患者的年龄，BZ的含义为该患者的主要病患索引数据信息（例如发热数字化为01），CZ的含义为患者的次要病患索引数据信息（例如喉咙痛数字化为01、头痛数字化为02），DZ、EZ、FZ、GZ、GZ的含义以此类推，需要说明的是，对于患者病理信息数据的数字化实施者可根据实际情况进行设定。
步骤S002，根据患者复诊时间间隔以及随访时间，获得患者自身病情重视程度，再根据患者每次药物量的变化情况，获得患者的患病恶化程度，联合两者构建患者的随访迫切度；再基于新进患者就医数据序列与年龄相仿的患者的就医数据序列相似程度作为权重，结合患者的随访迫切度，构建新进患者随访迫切度。
通常情况下有些患者的疾病是需要进行复查、复诊的，以让医护人员能够更好的了解康复情况，并及时发现患者自身未能认识到的潜在问题，辅助患者更好地进行治疗。然而由于当前许多患者对复诊的积极性较低，且容易对自身的康复情况误判，所以医院通常会设立随访，让相关的医护人员根据患者的情况通过电话、短信、视频等方式了解患者的当前康复情况，引导患者进行康复。然而随着患者的增加，随访医护人员难以全面地对所有患者进行随访，并且有部分患者康复状态较好，其需随访的优先度较低，所以随访医护人员更应该随访需要随访的患者。而推荐算法往往只会考虑历史数据中患者情况的相似程度，若一个患者与另一个患者的病情相似，但是前者对就医流程更为重视，复诊准时且对自身的病情认知更深，后者相反，那么两者的随访优先度则有所不同，随访医护人员则更应该对后者进行优先随访。
有些患者对自身病情认知较为清晰准确，其每次复诊较为准时，整体就诊较为规律，说明该患者就医态度较好，对自身的病情较为重视，对于此类对自身病情重视且复诊积极的患者，随访优先度则可适当放低。
基于上述分析，针对第i个患者的数据，将其中的患者复诊日期数据、患者建议复诊日期数据、患者随访日期数据均转换为时间戳数据，获取第i个患者的复诊时间间隔，构建第i个患者自身病情重视程度（GU）：
式中，为第i个患者第r次复诊的准时程度，/>为第i个患者第r次复诊日期，为第i个患者第r-1次复诊日期；/>为第i个患者的复诊重视程度，/>为第i个患者的复诊次数总数；/>为第i个患者第k次随访的应邀权重；/>为第i个患者的自身病情重视程度，/>为第i个患者第r次复诊日期前的最近的一次随访日期，/>为第i个患者第r次复诊日期前最近的一次随访的应邀权重。需要说明的是，对于没有复诊数据的患者，不需要复诊随访，因此本实施例将没有复诊的患者的数据剔除，只保留有复诊数据的患者进行分析。
当第i个患者第r次复诊时间间隔越小，的值越大，说明该患者第r次复诊较为准时且遵循医嘱，比较重视自身病情，则/>的值越大，说明该患者对复诊流程的重视程度较高。而当第i个患者受到随访接受并及时复诊，即说明该患者对自身的病情更为重视，的值越大，/>的值越大。
当第i个患者的自身病情重视程度的值越大，说明该患者对自身病情的重视程度较大，听从医护人员的劝告并复诊的意愿更高，针对此类患者随访的优先度可以降低。而针对自身病情重视程度/>的值越小的患者，此类患者可能对自身的病情认识程度较低，对于就医复诊的意愿较小且不愿意听从医护人员劝告的概率更大，更应该优先进行随访，以更好地帮助患者进行康复。
患者的康复方向主要分为两种情况，其一为康复状态良好，病情减轻或已经康复，后续复诊的频次可减少至0，间隔时间加长，药物量也可以减少；其二为康复状态不佳，甚至恶化，后续复诊的频次应该增加，更频繁，且药物量可能需要增加或变更；但仅通过上文中分析患者自身病情重视程度，当患者康复状态良好时，每次复诊的间隔增加，或是康复后已经不需要进行复诊，则患者的复诊准时程度降低，最后复诊的重视程度也下降，导致分析出该患者自身病情重视程度较低，使得随访医护人员对该患者的随访优先度较高，造成随访误判。因此还需要对患者的情况进行更多模态的分析。
基于上述分析，对每个患者每次复诊病例文本数据进行分析。患者复诊时医生会开设一个复诊病例文本，并在上面写入患者的具体情况，内容主要为患者本次复诊的主诉、现病史、既往病史、药物开设信息，在患者的复诊病例文本数据中，主诉即为患者每次复诊时所诉的病情情况，若患者的病情发生变化，则每一次复诊时的主诉情况也会变化。将第i个患者的第j次复诊病历的纯文本数据作为jieba分词的输入，jieba分词的输出为复诊病例纯文本数据中的词语，获取词语中的“主诉”、“现病史”、“既往病史”、“药物开设”，并将“主诉”后的文本至“现病史”前的文本作为主诉文本内容数据，并将其记录为，将第i个患者第j次的复诊病例主诉文本内容与第i个患者第j-1次复诊病例的主诉文本内容数据进行Levenshtein距离的计算。在主诉文本内容中，基于上一次的复诊情况，描述病情时通常表述为***（病情）情况“加重”、***（病情）情况“缓解”、***（病情）情况“消失”以及“新增”***（病情）情况，针对上述四种表述方式可以大致了解病人本次复诊的病患康复情况，将“加重”、“新增”、“缓解”、“消失”作为关键词，对患者每次复诊的主诉文本内容数据进行检索，获取所有复诊中每个关键词的出现次数，分别将其记录为/>，并赋予这4个关键词病患严重程度权重，以表征该患者的病患变化。构建第i个患者的第一模态病情恶化特征（PC）：
式中，为主诉文本内容数据中第y个关键词的病患严重程度权重，/>为第i个患者的主诉病情严重程度，/>为第i个患者的主诉文本内容数据中第y个关键词的出现次数，需要说明的是，/>用于表征第i个患者所有复诊的主诉文本内容数据中关键词y出现次数，/>为关键词总数，/>第i个患者第j次复诊的病患转变状态因子，/>为第i个患者第j次复诊的主诉文本内容数据，/>为第i个患者第j-1次的主诉文本内容数据，/>为计算括号内两个文本数据的Levenshtein距离，/>为第i个患者的第一模态病情恶化特征，/>为复诊次数。
当第i个患者复诊时的病例主诉文本内容中出现“加重”“新增”等关键词的次数越多的值越大，说明患者可能出现了更严重的病患情况，当第i个患者复诊病例主诉文本内容与上一次的主诉文本内容差异情况越大，/>的值越大，说明复诊时患者的病患情况产生了更大的改变，/>的值越大，此时患者相较于上一次复诊时的病患情况变得更为严重。
再针对第i个患者的药物量数据以及“药物开设”文本数据进行分析，若患者每次复诊后的药物量都减少，说明该患者可能康复状态较好，对药物效果的依赖性减弱，所以药量减少，反之若患者康复情况较差，甚至恶化时，需要药物治疗的程度更深，药量增加。将“药物开设”后至文本数据末尾作为药物开设文本内容数据，并将其记录为，将患者每次复诊的药物量数据组成患者的药物量数据序列，再对第i个患者的药物量数据序列进行一阶差分，获取第i个患者的药物量数据序列的一阶差分数据序列将其记录为/>，并将第i个患者的药物量数据序列的一阶差分数据序列中小于0的数据项进行提取，组成第i个患者药物量数据序列一阶差分小于0的数据序列并将其记录为药物量变增序列/>，计算第i个患者的第二模态病情恶化特征（HJ）：
式中，为第i个患者第j次复诊的药物转变因子，/>为第i个患者第j次复诊的药物开设文本内容数据，/>为第i个患者第j-1次复诊的药物开设文本内容数据，/>为第i个患者的第二模态病情恶化特征，/>为获取括号中第i个患者药物量变增序列/>长度，/>为获取括号中第i个患者的药物量数据序列的一阶差分数据序列长度，/>为获取括号内第i个患者最后一次药物量数据，需要说明的是，药物量数据根据复诊时医生开具的病例单上的药物量进行统计获取。
当第i个患者复诊时药物开设变化程度较大且药物量递增时，的值越大，说明该患者的病情出现恶化，需要更多种类更多数量的药物进行治疗，但若最后一次的药物量为0时，则说明该患者可能病情好转或康复，已经不需要依赖药物进行治疗或是患者计划更换医院进行治疗。而第i个患者最后一次药物量不为0时，其病情恶化的程度越大。
基于上述病情恶化情 况以及患者对自身病情的重视程度，构建第i个患者的随访迫切度（SF）：
式中，为第i个患者的第一模态病情恶化特征，/>为第i个患者的第二模态病情恶化特征，/>为第i个患者自身病情重视程度，/>为调整参数，/>，/>为第一模态特征权值，，/>为第二模态特征权值，/>。
当第i个患者病情恶化程度越小，的值越小，说明患者康复情况良好，随访迫切程度较低，当第i个患者的病情重视程度越高，/>的值越大，说明该患者有较好的医疗意识，其需要医护人员随访的优先度更低，/>的值越小。
至此，获得每个患者的随访迫切度SF。但对于新进患者而言，其数据对于医院随访系统属于新进数据，没有历史数据可供计算，则该患者的随访迫切度很低甚至为0，但这并不代表不需要对该患者进行随访，该患者也可能属于上文中对自身病情重视程度较低且病情严重的患者。
因此，针对此类患者更应该关注其首次就医时所记录的数据，横向对比与其相似的患者，进而得出患者的随访迫切度。具体的，不同年龄段对自身的病情的重视程度不同，且身体素质相差较大，通常情况下来说小孩老人的身体素质较差且对自身病情的重视程度也较低，而大部分的青年中年人则相反，所以可以根据患者的年龄先进行匹配筛选，将所有与新进患者年龄相差小于等于5的其余患者作为新进患者的匹配对象，计算第P个新进患者随访迫切度（SFN）：
式中，为第P个新进患者随访迫切度，/>为与第P个新进患者年龄相差小于等于5的患者总数，/>为所述匹配对象中第t个患者的随访迫切度，DTW/>为计算第P个新进患者与匹配对象中第t个患者的就医信息序列的DTW距离。
当第P个新进患者的就医信息序列与第t个患者的就医信息序列的DTW距离越小，说明第P个新进患者的病患情况与第t个患者的病患情况越相似，那么第t个患者的随访迫切度为计算第P个新进患者随访迫切度的贡献度越高，的值越大。综合所有与第P个新进患者年龄小差小于等于5的患者随访迫切度，获得第P个新进患者的随访迫切度/>。
至此，根据上述方法可获得所有新进患者的随访迫切度SFN，为了方便随访系统的运行，当新进患者随访迫切度SFN计算完毕后，作为该新进患者的随访迫切度SF。
步骤S003，基于获取的患者随访迫切度，利用推荐算法进行随访患者推荐。
医院的随访系统根据上文中的方式计算每个患者的随访迫切度，并从大到小进行排列，若存在随访迫切度相同的情况，则获取患者的年龄数据，使得年龄数据较大的患者更优先于年龄数据较小的患者。至此获得患者随访迫切度的排行列表。
当随访医护人员进入医院的随访系统中时，随访系统通过协同过滤推荐算法结合患者的病患信息以及患者随访迫切度，获得各个患者的推荐优先级，利用TOP-N推荐规则构建患者随访优先度排行列表，将列表中前N个患者进行推荐，随访医护人员获取推荐患者的更多信息（如联系电话、居住地址、病患情况等）对患者进行相关病症的问题提问，并根据患者的答复进行医疗康复建议，待结束所有随访，随访医护人员对随访记录进行调整记录后，随访系统将随访记录存储至随访系统的数据库中，以待下一次的随访迫切度计算。其中N为每个医院随访医护人员每天可进行随访的患者数量，根据不同医院的不同随访需求可进行调整，在此不做特殊限制。
基于与上述方法相同的发明构思，本发明实施例还提供了一种基于多模态的智能随访系统，包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述一种基于多模态的智能随访方法中任意一项所述方法的步骤。
综上所述，本发明实施例通过分析每个患者复诊时间的准时程度以及是否随访后复诊，得到每个患者对自身病情的重视程度，再通过分析患者每次的药物量变化以得到患者的病情是否好转，联合构建患者的随访迫切度。并针对新进患者无法利用历史数据计算随访迫切度的情况，分析与新进患者年龄相近的患者就医信息相似程度，得到新进患者的随访迫切度。最后利用TOP-N推荐算法基于协同过滤算法对患者进行随访优先程度的计算，为随访医护人员进行随访患者的推荐。
本发明实施例可有效避免传统推荐算法仅考虑患者情况的相似性且存在冷启动问题的情况，使得推荐的随访患者更准确，保证所推荐的随访患者为迫切需要随访的患者。
需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于多模态的智能随访方法，其特征在于，该方法包括以下步骤：
采集患者病理信息数据获取就医信息序列；
根据患者相邻复诊时间间隔获取患者复诊的准时程度；根据患者复诊的准时程度构建患者的复诊重视程度；对患者随访时间的随访应邀权重进行设定；根据患者的复诊重视程度、复诊时间、随访时间以及随访应邀权重得到患者的自身病情重视程度；获取患者病情关键词及各关键词的病患严重程度权重，根据患者主诉内容中关键词的病患严重程度权重以及出现次数得到患者的主诉病情严重程度；将患者当前次与上一次复诊的主诉文本内容数据之间的莱文斯坦距离作为患者当前次复诊的病患转变状态因子；将患者所有复诊的病患转变状态因子和值与主诉病情严重程度的乘积作为患者的第一模态病情恶化特征；构建患者各次复诊的药物转变因子，并根据患者各次复诊的药物转变因子以及患者药物量数据变化情况构建患者第二模态病情恶化特征；
将患者第一模态病情恶化特征、第二模态病情恶化特征的加权和值与患者自身病情重视程度的比值作为患者的随访迫切度；根据各患者的随访迫切度以及新进患者与各患者的就医信息序列之间的DTW距离构建新进患者的随访迫切度；结合协同滤波推荐算法获取各患者的随访推荐优先级。
2.如权利要求1所述的一种基于多模态的智能随访方法，其特征在于，所述采集患者病理信息数据获取就医信息序列，包括：
所述患者病理信息数据包括：患者年龄、主要病患索引数据信息、次要病患索引数据信息、配药索引数据信息、是否住院索引数据信息、就诊科室索引数据信息、主治医生姓名索引数据信息、复诊日期、随访日期、随访是否接受信息、每次就医药物量以及每次复诊时的病例文本数据；
将患者年龄、主要病患索引数据信息、次要病患索引数据信息、配药索引数据信息、是否住院索引数据信息、就诊科室索引数据信息、主治医生姓名索引数据信息组成患者的就医信息序列。
3.如权利要求2所述的一种基于多模态的智能随访方法，其特征在于，所述根据患者相邻复诊时间间隔获取患者复诊的准时程度，包括：
获取患者第r次复诊日期与第r-1次复诊日期差值，将所述差值的倒数作为患者第r次复诊的准时程度。
4.如权利要求3所述的一种基于多模态的智能随访方法，其特征在于，所述根据患者复诊的准时程度构建患者的复诊重视程度，包括：将患者所有复诊的准时程度的均值作为患者的复诊重视程度。
5.如权利要求1所述的一种基于多模态的智能随访方法，其特征在于，所述对患者随访时间的随访应邀权重进行设定包括：
当患者第k次随访被拒绝，则第k次随访的应邀权重为1；当患者第k次随访被接受，则第k次随访的应邀权重为2。
6.如权利要求5所述的一种基于多模态的智能随访方法，其特征在于，所述根据患者的复诊重视程度、复诊时间、随访时间以及随访应邀权重得到患者的自身病情重视程度，包括：获取患者每次复诊日期前的最近一次的随访日期，并计算所述最近一次的随访日期的应邀权重，第i个患者的自身病情重视程度表达式为：
式中，为第i个患者第r次复诊日期前的最近的一次随访日期，/>为第i个患者第r次复诊日期前最近的一次随访的应邀权重，/>为第i个患者的复诊重视程度，/>为第i个患者的复诊次数总数，/>为第i个患者第r次复诊日期。
7.如权利要求6所述的一种基于多模态的智能随访方法，其特征在于，所述获取患者病情关键词及各关键词的病患严重程度权重，根据患者主诉内容中关键词的病患严重程度权重以及出现次数得到患者的主诉病情严重程度，包括：
将患者病情关键词分为加重、新增、缓解及消失，对应关键词病患严重程度权重分别为4、3、2、1；
采用分词工具对患者各次复诊病历文本数据进行分词，获取词语中的“主诉”、“现病史”、“既往病史”、“药物开设”，并将“主诉”后的文本至“现病史”前的文本作为各次复诊的主诉文本内容数据；
统计患者所有复诊的主诉文本内容数据中各关键词出现的次数，计算各关键词出现的次数与对应病患严重程度权重乘积，将所有关键词的所述乘积的和值作为患者的主诉病情严重程度。
8.如权利要求7所述的一种基于多模态的智能随访方法，其特征在于，所述构建患者各次复诊的药物转变因子，并根据患者各次复诊的药物转变因子以及患者药物量数据变化情况构建患者第二模态病情恶化特征，包括：
将分词后的“药物开设”词语至文本数据末尾作为患者各次复诊的药物开设文本内容数据，将患者第j次与其上一次复诊的药物开设文本内容数据之间的莱文斯坦距离作为患者第j次复诊的药物转变因子；
统计患者每次复诊的药物量数据，组成患者的药物量数据序列，对所述药物量数据序列进行一阶差分获取一阶差分数据序列，并将所述一阶差分数据序列中小于0的数据组成患者药物量变增序列；
当患者最后一次药物量数据不为零时，获取患者药物量变增序列与所述一阶差分数据序列的长度的比值，计算患者各次复诊的药物转变因子与所述比值的乘积，将患者所有复诊的所述乘积的和值作为患者的第二模态病情恶化特征；
当患者最后一次药物量数据为零时，患者的第二模态病情恶化特征为零。
9.如权利要求1所述的一种基于多模态的智能随访方法，其特征在于，所述根据各患者的随访迫切度以及新进患者与各患者的就医信息序列之间的DTW距离构建新进患者的随访迫切度，包括：
选取与新进患者年龄相差小于等于五岁的患者作为新进患者的匹配对象，计算所述匹配对象中各患者与所述新进患者的就医信息序列之间的DTW距离；计算匹配对象中各患者的随访迫切度与对应所述DTW距离的比值，将匹配对象中所有患者的所述比值的均值作为新进患者的随访迫切度。
10.一种基于多模态的智能随访系统，包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-9任意一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311596141.XA CN117316415B (zh) | 2023-11-28 | 2023-11-28 | 一种基于多模态的智能随访方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311596141.XA CN117316415B (zh) | 2023-11-28 | 2023-11-28 | 一种基于多模态的智能随访方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117316415A true CN117316415A (zh) | 2023-12-29 |
| CN117316415B CN117316415B (zh) | 2024-02-06 |
Family
ID=89273952
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311596141.XA Active CN117316415B (zh) | 2023-11-28 | 2023-11-28 | 一种基于多模态的智能随访方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117316415B (zh) |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140164017A1 (en) * | 2012-12-12 | 2014-06-12 | Richard Merkin | Healthcare administration method for complex case and disease management |
| CN106339578A (zh) * | 2016-08-17 | 2017-01-18 | 秦皇岛市第医院 | 一种多策略融合的医院患者挂号推荐方法 |
| CN112906973A (zh) * | 2021-03-10 | 2021-06-04 | 浙江银江云计算技术有限公司 | 一种家庭医生随访路径推荐方法及系统 |
| CN113628737A (zh) * | 2021-08-19 | 2021-11-09 | 吕靖 | 一种基于物联网的智慧医院管理系统与方法 |
| CN113643813A (zh) * | 2021-08-30 | 2021-11-12 | 平安医疗健康管理股份有限公司 | 基于人工智能的慢病随访监管方法、装置及计算机设备 |
| CN114141321A (zh) * | 2021-11-19 | 2022-03-04 | 武汉科技大学 | 一种社区老年轻度认知障碍智能随访服务推荐方法 |
| US20220238225A1 (en) * | 2021-01-22 | 2022-07-28 | Google Llc | Systems and Methods for AI-Enabled Instant Diagnostic Follow-Up |
| CN114974485A (zh) * | 2022-04-13 | 2022-08-30 | 乐山市人民医院 | 一种慢病智能化管理方法及系统 |
| CN115148332A (zh) * | 2021-03-30 | 2022-10-04 | 广东易生活信息科技有限公司 | 一种骨髓瘤智能随访系统及方法 |
| EP4163928A1 (de) * | 2021-10-08 | 2023-04-12 | Praevida GmbH | Patientenmanagementsystem und verfahren zum patientenmanagement |
| CN116779190A (zh) * | 2023-06-25 | 2023-09-19 | 急尼优医药科技(上海)有限公司 | 一种基于物联网的医疗平台用户随访管理系统及方法 |
| CN116994725A (zh) * | 2023-07-05 | 2023-11-03 | 上海雨浓医药科技有限公司 | 慢病随访的管理方法 |
-
2023
- 2023-11-28 CN CN202311596141.XA patent/CN117316415B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140164017A1 (en) * | 2012-12-12 | 2014-06-12 | Richard Merkin | Healthcare administration method for complex case and disease management |
| CN106339578A (zh) * | 2016-08-17 | 2017-01-18 | 秦皇岛市第医院 | 一种多策略融合的医院患者挂号推荐方法 |
| US20220238225A1 (en) * | 2021-01-22 | 2022-07-28 | Google Llc | Systems and Methods for AI-Enabled Instant Diagnostic Follow-Up |
| CN112906973A (zh) * | 2021-03-10 | 2021-06-04 | 浙江银江云计算技术有限公司 | 一种家庭医生随访路径推荐方法及系统 |
| CN115148332A (zh) * | 2021-03-30 | 2022-10-04 | 广东易生活信息科技有限公司 | 一种骨髓瘤智能随访系统及方法 |
| CN113628737A (zh) * | 2021-08-19 | 2021-11-09 | 吕靖 | 一种基于物联网的智慧医院管理系统与方法 |
| CN113643813A (zh) * | 2021-08-30 | 2021-11-12 | 平安医疗健康管理股份有限公司 | 基于人工智能的慢病随访监管方法、装置及计算机设备 |
| EP4163928A1 (de) * | 2021-10-08 | 2023-04-12 | Praevida GmbH | Patientenmanagementsystem und verfahren zum patientenmanagement |
| CN114141321A (zh) * | 2021-11-19 | 2022-03-04 | 武汉科技大学 | 一种社区老年轻度认知障碍智能随访服务推荐方法 |
| CN114974485A (zh) * | 2022-04-13 | 2022-08-30 | 乐山市人民医院 | 一种慢病智能化管理方法及系统 |
| CN116779190A (zh) * | 2023-06-25 | 2023-09-19 | 急尼优医药科技(上海)有限公司 | 一种基于物联网的医疗平台用户随访管理系统及方法 |
| CN116994725A (zh) * | 2023-07-05 | 2023-11-03 | 上海雨浓医药科技有限公司 | 慢病随访的管理方法 |
Non-Patent Citations (4)
| Title |
|---|
| 李艾 等: "基于智能引擎的甲状腺癌术后随访系统构建与实践", 《中国卫生信息管理杂志》, vol. 19, no. 02 * |
| 焦明烨: "基于联邦学习的癌症患者云随访服务平台的设计与实现", 《中国优秀硕士学位论文全文数据库 医药卫生科技辑(月刊)》, no. 01 * |
| 祝英杰: "基于ID3决策树算法的通用随访系统的设计与实现", 《中国优秀硕士学位论文全文数据库 医药卫生科技辑(月刊)》, no. 08 * |
| 陈静 等: "基于人工智能的院外随访系统的设计与应用", 《江西医药》, vol. 58, no. 05 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117316415B (zh) | 2024-02-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20180322954A1 (en) | Method and device for constructing medical knowledge graph and assistant diagnosis method | |
| US9865025B2 (en) | Electronic health record system and method for patient encounter transcription and documentation | |
| McLean et al. | Telehealthcare for chronic obstructive pulmonary disease | |
| JP6844088B2 (ja) | 医療情報提供方法、医療情報提供装置、及びプログラム | |
| JP5977898B1 (ja) | 行動予測装置、行動予測装置の制御方法、および行動予測装置の制御プログラム | |
| Xu et al. | Prevalence and incidence of diagnosed chronic rhinosinusitis in Alberta, Canada | |
| US8918462B2 (en) | Using user-attribute ontologies to calculate user-anonymity degrees | |
| WO2011159819A2 (en) | Method and apparatus for soliciting an expert opinion from a care provider and managing health management protocols | |
| Seror et al. | Women’s attitudes toward invasive and noninvasive testing when facing a high risk of fetal Down syndrome | |
| CN113268511B (zh) | 一种基于古籍古方的中医处方推荐方法及系统 | |
| Rudmik et al. | Utilization patterns of topical intranasal steroid therapy for chronic rhinosinusitis: a Canadian population-based analysis | |
| CN112908452A (zh) | 事件数据建模 | |
| CN116910172A (zh) | 基于人工智能的随访量表生成方法及系统 | |
| Bell et al. | Assessment of bypass of the nearest primary health care facility among women in Ghana | |
| Selamat et al. | PHYSICIANS’ATTITUDE TOWARDS ARTIFICIAL INTELLIGENCE IN MEDICINE, THEIR EXPECTATIONS AND CONCERNS: AN ONLINE MOBILE SURVEY | |
| Zachrison et al. | Association of physician characteristics with early adoption of virtual health care | |
| Kumar et al. | NATURAL LANGUAGE PROCESSING: HEALTHCARE ACHIEVING BENEFITS VIA NLP | |
| KR102546422B1 (ko) | 인공지능 기반 음성상담을 활용한 환자 맞춤형 케어서비스 관리시스템 및 방법 | |
| CN114218955A (zh) | 基于医疗知识图谱的辅助参考信息的确定方法及系统 | |
| CN117316415B (zh) | 一种基于多模态的智能随访方法及系统 | |
| CN115579153A (zh) | 问诊评价方法、问诊评价装置、电子设备和可读存储介质 | |
| Bhamra et al. | Telehealth technologies in care homes: a gap for dentistry? | |
| Maeder et al. | Identifying recent telemedicine research trends using a natural language processing approach | |
| Kaushik et al. | Applying data mining to healthcare: a study of social network of physicians and patient journeys | |
| CN117912706B (zh) | 一种基于数据对齐的全病程健康分析方法和系统 |
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 |