CN117688226B - 基于相似儿童患者匹配的智能诊前自助开单方法及系统 - Google Patents
基于相似儿童患者匹配的智能诊前自助开单方法及系统 Download PDFInfo
- Publication number
- CN117688226B CN117688226B CN202410145439.7A CN202410145439A CN117688226B CN 117688226 B CN117688226 B CN 117688226B CN 202410145439 A CN202410145439 A CN 202410145439A CN 117688226 B CN117688226 B CN 117688226B
- Authority
- CN
- China
- Prior art keywords
- data
- matching
- similar
- recommendation
- 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.)
- Active
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 61
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000011156 evaluation Methods 0.000 claims abstract description 43
- 238000011282 treatment Methods 0.000 claims abstract description 35
- 239000003814 drug Substances 0.000 claims description 97
- 229940079593 drug Drugs 0.000 claims description 77
- 238000012360 testing method Methods 0.000 claims description 46
- 238000007689 inspection Methods 0.000 claims description 41
- 238000012216 screening Methods 0.000 claims description 33
- 201000010099 disease Diseases 0.000 claims description 29
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 29
- 238000004364 calculation method Methods 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 14
- 208000024891 symptom Diseases 0.000 claims description 11
- 238000004458 analytical method Methods 0.000 claims description 6
- 206010013710 Drug interaction Diseases 0.000 claims description 5
- 239000008177 pharmaceutical agent Substances 0.000 claims description 5
- 239000003795 chemical substances by application Substances 0.000 claims 1
- 238000012552 review Methods 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 11
- 238000004422 calculation algorithm Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 9
- 238000004590 computer program Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000003066 decision tree Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000002560 therapeutic procedure Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000012800 visualization Methods 0.000 description 3
- 206010006448 Bronchiolitis Diseases 0.000 description 2
- 230000004075 alteration Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000013075 data extraction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000002483 medication Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 201000009240 nasopharyngitis Diseases 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000000474 nursing effect Effects 0.000 description 2
- 238000011524 similarity measure Methods 0.000 description 2
- 230000001225 therapeutic effect Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 206010020751 Hypersensitivity Diseases 0.000 description 1
- XQFRJNBWHJMXHO-RRKCRQDMSA-N IDUR Chemical compound C1[C@H](O)[C@@H](CO)O[C@H]1N1C(=O)NC(=O)C(I)=C1 XQFRJNBWHJMXHO-RRKCRQDMSA-N 0.000 description 1
- 206010035664 Pneumonia Diseases 0.000 description 1
- 206010057190 Respiratory tract infections Diseases 0.000 description 1
- 241000700605 Viruses Species 0.000 description 1
- MKUXAQIIEYXACX-UHFFFAOYSA-N aciclovir Chemical compound N1C(N)=NC(=O)C2=C1N(COCCO)C=N2 MKUXAQIIEYXACX-UHFFFAOYSA-N 0.000 description 1
- 229960004150 aciclovir Drugs 0.000 description 1
- 238000009098 adjuvant therapy Methods 0.000 description 1
- 208000026935 allergic disease Diseases 0.000 description 1
- 230000007815 allergy Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000001580 bacterial effect Effects 0.000 description 1
- 206010006451 bronchitis Diseases 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 208000015181 infectious disease Diseases 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012482 interaction analysis Methods 0.000 description 1
- 238000009533 lab test Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- VSZGPKBBMSAYNT-RRFJBIMHSA-N oseltamivir Chemical compound CCOC(=O)C1=C[C@@H](OC(CC)CC)[C@H](NC(C)=O)[C@@H](N)C1 VSZGPKBBMSAYNT-RRFJBIMHSA-N 0.000 description 1
- 229960002194 oseltamivir phosphate Drugs 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000002685 pulmonary effect Effects 0.000 description 1
- 230000000241 respiratory effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000003612 virological effect Effects 0.000 description 1
Classifications
-
- 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
- G06F16/9035—Filtering based on additional data, e.g. user or group profiles
-
- 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
- G06F16/9038—Presentation of query results
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Epidemiology (AREA)
- Pathology (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明公开了基于相似儿童患者匹配的智能诊前自助开单方法及系统。该基于相似儿童患者匹配的智能诊前自助开单方法，包括以下步骤：根据相似儿童患者匹配相关数据计算得出相似儿童患者匹配评估系数数据，对智能诊前自助开单进行对应的调整。本发明通过相似儿童患者匹配相关数据计算得出相似儿童患者匹配评估系数数据，根据相似儿童患者匹配评估系数数据对智能诊前自助开单进行对应的调整，便于提供个体化诊疗服务、提高开单效率以及更合理地利用医疗资源，进而达到了提高基于相似儿童患者匹配的智能诊前自助开单的综合正确率的效果，解决了现有技术中存在不能有效提高基于相似儿童患者匹配的智能诊前自助开单的综合正确率的问题。
Description
技术领域
本发明涉智能开单技术领域，尤其涉及基于相似儿童患者匹配的智能诊前自助开单方法及系统。
背景技术
随着医疗水平的不断发展，对接诊效率的要求也在不断上升，智能自助开单系统有诸多社会贡献，包括改善医疗体验：提供个性化的医疗服务，提高患者满意度；减轻医护负担：自动化开单和患者匹配，有助于减轻医护人员的工作负担；促进科研进展：系统积累的大量医疗数据可用于医学研究，推动医学科研的进展。
现有的基于相似儿童患者匹配的智能诊前自助开单方法通过以下技术实现,包括：医学知识图谱：使用医学知识图谱构建患者的健康档案，包括疾病历史、药物敏感性、过敏信息等，以提供更全面的患者信息。自然语言处理：通过分析医学文本，包括病历记录和医学文献，从中提取关键信息，帮助系统理解医学术语和患者的病情描述。机器学习和匹配算法：利用机器学习算法对患者数据进行分析，建立患者之间的相似性模型，以实现更准确的患者匹配。电子病历系统集成：与医疗信息系统集成，获取患者的历史病历、检查结果等数据，为医生提供更全面的依据。数据隐私和安全技术：采用加密、身份验证等技术保障患者数据的隐私和系统的安全性。
例如公开号为：CN116864149A公开的一种多渠道的医疗自助问诊服务平台，包括：医疗自助问诊服务系统，所述医疗自助问诊服务系统包括拓展识别单元、自助服务单元、运营管理单元、就诊查询单元、科室推荐单元、医师推荐单元和住院智能陪护单元；通过移动互联网单元实现患者快速建档绑卡、预约挂号、当日挂号、自助缴费、检验报告查询下载、信息查询、住院押金缴纳、住院日清单查询和健康宣传教育，通过住院智能陪护单元满足患者多项在线互联功能，利用院内导航系统解决病患在医院内寻找位置的需求。
例如公开号为：CN112116972A公开的一种康复治疗辅助平台，包括：接收诊疗系统和辅助治疗学习系统；接收诊疗系统包括：今日门诊单元和患者自助操作单元；患者自助操作单元，包括基本信息录入模块和病情录入模块；辅助治疗学习系统包括：检索单元和康复治疗的相关知识单元；检索单元，用于医疗人员检索相关病情的方法和治疗方法的知识点，并用于有针对性的病情知识模块学习；康复治疗的相关知识单元，用于医疗人员查询和存储的相关信息、治疗信息。
但本申请发明人在实现本申请实施例中发明技术方案的过程中，发现上述技术至少存在如下技术问题：
现有技术中，由于儿童患者的病例可能在某些疾病或症状方面存在不平衡，不同个体之间的生理和遗传差异较大，存在不能有效提高基于相似儿童患者匹配的智能诊前自助开单的综合正确率的问题。
发明内容
本申请实施例通过提供基于相似儿童患者匹配的智能诊前自助开单系统，解决了现有技术中存在不能有效提高基于相似儿童患者匹配的智能诊前自助开单的综合正确率的问题，实现了提高基于相似儿童患者匹配的智能诊前自助开单的综合正确率。
本申请实施例提供了基于相似儿童患者匹配的智能诊前自助开单方法，包括以下步骤：获取儿童患者信息相关数据；根据儿童患者信息相关数据与医学知识数据库对应的数据类型对比匹配得到相似儿童患者匹配相关数据，根据相似儿童患者匹配相关数据计算得出相似儿童患者匹配评估系数数据；根据相似儿童患者匹配评估系数数据对智能诊前自助开单进行对应的调整。
进一步的，所述相似儿童患者匹配评估系数数据包括相似儿童患者匹配指数、个性化推荐指数、检验检查推荐指数、药物推荐指数和开单报告生成指数。
进一步的，所述根据儿童患者信息相关数据与医学知识数据库对应的数据类型对比匹配得到相似儿童患者匹配相关数据的具体过程为：采集个体化智能诊前自助开单中的儿童患者信息相关数据与医学知识数据库根据相似度匹配得到若干个相似儿童患者匹配数据组；根据相似儿童患者匹配数据组从医学知识数据库中根据相似度匹配并得到个性化推荐方案数据集、检验检查推荐数据集、药物推荐方案数据集和开单报告生成数据集，个性化推荐方案数据集包含若干个性化推荐方案数据组，检验检查推荐数据集包含若干检验检查推荐数据组，药物推荐方案数据集包含若干药物推荐方案数据组，开单报告生成数据集包含若干开单报告生成数据组；所述医学知识数据库包括：相似儿童患者匹配数据组、个性化推荐方案数据组、检验检查推荐数据组、药物推荐方案数据组和开单报告生成数据组，所述儿童患者信息相关数据类型包括儿童患者年龄，性别，历史患病类型，姓名，出生日期，既往病史，当前身体感受，突出症状，既往就诊科室，既往服药，患病频次，家族病史，亲近人群患病以及其他在诊前输入的与个人疾病状况、个人身体状况以及个人信息等。
进一步的，所述根据相似儿童患者匹配评估系数数据对智能诊前自助开单进行对应的调整的具体过程为：相似儿童患者排序和筛选：对相似儿童患者匹配数据组按照相似儿童患者匹配指数进行降序排序，并根据预定义相似儿童患者匹配指数阈值筛选出符合的相似儿童患者匹配数据组，呈现符合的相似儿童患者匹配数据组和相似儿童患者匹配指数；个性化推荐排序和筛选：对符合的相似儿童患者匹配数据组对应的个性化推荐方案数据组按照对应的个性化推荐指数进行降序排序，根据预定义个性化推荐指数阈值筛选出符合的科室建议；检验检查推荐排序和筛选：对符合的科室建议对应的检验检查推荐数据组按照对应的检验检查推荐指数进行降序排序，并根据预定义检验检查推荐指数阈值筛选出符合的检验检查项目建议；药物推荐排序和筛选：对符合的检验检查项目建议对应的药物推荐方案数据组按照对应的药物推荐指数进行降序排序，并根据预定义药物推荐指数阈值筛选出符合的药物推荐类型建议；开单报告排序和筛选：对符合的药物推荐类型建议对应的开单报告生成数据组按照对应的开单报告生成指数进行降序排序，并根据预定义开单报告生成指数阈值筛选出符合的开单报告建议。
进一步的，所述相似儿童患者匹配指数的具体计算公式为：
，
式中，将儿童患者对应的相似儿童患者匹配数据组进行编号，，/>表示相似儿童患者匹配数据组的编号，/>表示相似儿童患者匹配数据组的编号总数，/>表示第/>个相似儿童患者匹配指数，/>表示第/>个相似儿童患者匹配数据组的患者年龄相似度数据，/>表示第/>个相似儿童患者匹配数据组的患者性别相似度数据，/>表示第/>个相似儿童患者匹配数据组的患者病史疾病类别数据，/>表示第/>个相似儿童患者匹配数据组的预定义患者病史疾病类别数据，/>、/>和/>分别表示第/>个相似儿童患者匹配数据组的患者年龄相似度数据、患者性别相似度数据和患者病史疾病类别数据对应相似儿童患者匹配指数的权重因子，/>表示第/>个相似儿童患者匹配数据组的患者病史疾病治疗时长匹配因子数据，/>表示自然常数。
进一步的，所述个性化推荐指数的具体计算公式为：
，
式中，将个性化推荐方案数据集对应的个性化推荐方案数据组进行编号，，/>表示个性化推荐方案数据组的编号，/>表示个性化推荐方案数据组的编号总数，/>表示第/>个个性化推荐指数，/>表示第/>个个性化推荐方案数据组中的个性化推荐匹配度数据，/>表示第/>个个性化推荐方案数据组中的预定义个性化推荐匹配度最小值数据，/>表示第/>个个性化推荐方案数据组中的预定义专家先验知识匹配度数据，/>和/>分别表示第/>个个性化推荐方案数据组中的个性化推荐匹配度数据和预定义专家先验知识匹配度数据对应个性化推荐指数的权重因子，/>表示自然常数。
进一步的，所述根据相似儿童患者匹配评估系数数据做对应的调整还包括：推荐结果的生成：对个性化推荐方案数据集按照个性化推荐指数进行降序排序，并根据预定义阈值筛选出对应的建议；结果解释和可视化：以图表和图形的形式提供对推荐结果的相关医学解释、预定义专家先验知识和相关患者案例。
进一步的，所述检验检查推荐指数的具体计算公式为：
，
式中，将检验检查推荐数据集对应的检验检查推荐数据组进行编号，，/>表示检验检查推荐数据组的编号，/>表示检验检查推荐数据组的编号总数，/>表示第/>个检验检查推荐指数，/>表示第/>个检验检查推荐数据组中的病史数据余弦相似度，/>表示第/>个检验检查推荐数据组中的治疗路径所需检验类型匹配度，/>表示第/>个检验检查推荐数据组中的预定义治疗路径所需检验类型匹配度最低值数据，/>表示第/>个检验检查推荐数据组中的既往患者对检验检查推荐的满意率数据，/>和/>分别表示第/>个检验检查推荐数据组中的病史数据余弦相似度和治疗路径所需检验类型匹配度对应检验检查推荐指数的权重因子。
进一步的，所述药物推荐指数的具体计算公式为：
，
式中，将药物推荐方案数据集对应的药物推荐方案数据组进行编号，，/>表示药物推荐方案数据组的编号，/>表示药物推荐方案数据组的编号总数，/>表示第/>个药物推荐指数，/>表示第/>个药物推荐方案数据组中的预定义药物剂量度匹配数据，/>表示第/>个药物推荐方案数据组中的预定义药物相互作用匹配系数，/>表示第/>个药物推荐方案数据组中的预定义既往病史药物调节因子，/>表示第/>个药物推荐方案数据组中的预定义药物剂量度匹配数据对应药物推荐指数的权重因子，/>表示第/>个药物推荐方案数据组中的预定义药物剂量度匹配数据对应药物推荐指数的权重因子，/>表示自然常数。
进一步的，所述开单报告生成指数的具体计算公式为：
，
式中，将开单报告生成数据集对应的开单报告生成数据组进行编号，，/>表示开单报告生成数据组的编号，/>表示开单报告生成数据组的编号总数，/>表示第/>个开单报告生成指数，/>表示第/>个开单报告生成数据组中的开单报告准确性匹配数据，表示第/>个开单报告生成数据组中的开单报告完整度匹配数据，/>表示第/>个开单报告生成数据组中的医患反馈可理解性数据，/>表示第/>个开单报告生成数据组中的医患反馈可理解性预定义最小值数据，/>和/>分别表示第/>个开单报告生成数据组中的开单报告准确性匹配数据和开单报告完整度匹配数据对应开单报告生成指数的权重因子，/>表示自然常数。
本申请实施例提供了基于相似儿童患者匹配的智能诊前自助开单系统，包括：儿童患者信息采集模块：儿童患者信息采集模块：用于获取儿童患者信息相关数据；儿童患者匹配综合评估模块：用于根据儿童患者信息相关数据与医学知识数据库对应的数据类型对比匹配得到相似儿童患者匹配相关数据，根据相似儿童患者匹配相关数据计算得出相似儿童患者匹配评估系数数据；儿童患者匹配综合分析模块：用于根据相似儿童患者匹配评估系数数据对智能诊前自助开单进行对应的调整。
本申请实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：
1、通过相似儿童患者匹配相关数据计算得出相似儿童患者匹配评估系数数据，根据相似儿童患者匹配评估系数数据对智能诊前自助开单进行对应的调整，便于提供个体化诊疗服务、提高开单效率以及更合理地利用医疗资源，进而达到了提高基于相似儿童患者匹配的智能诊前自助开单的综合正确率的效果，解决了现有技术中存在不能有效提高基于相似儿童患者匹配的智能诊前自助开单的综合正确率的问题。
2、通过相似儿童患者匹配相关数据计算得出相似儿童患者匹配评估系数数据，根据相似儿童患者匹配评估系数数据对智能诊前自助开单进行对应的调整，从而为相似儿童患者提供更个性化、精准的医疗服务，进而实现了为相似儿童患者匹配的个体化智能诊前自助开单提供了客观性的效果。
3、根据相似儿童患者匹配评估系数数据做对应的调整，通过医学知识数据库的构建、预定义专家先验知识的定义和反馈数据验证相似儿童患者匹配方法的准确性，从而提高了方法的可解释性，进而使得提高相似儿童患者匹配的个体化智能诊前自助开单的可靠性。
附图说明
图1为本申请实施例提供的基于相似儿童患者匹配的智能诊前自助开单系统的结构示意图；
图2为本申请实施例提供的相似儿童患者匹配评估系数数据的结构示意图；
图3为本申请实施例提供的根据儿童患者信息相关数据与医学知识数据库对应的数据类型对比匹配得到相似儿童患者匹配相关数据的具体过程为的流程示意图。
具体实施方式
本申请实施例通过提供基于相似儿童患者匹配的智能诊前自助开单方法，解决了现有技术中存在不能有效提高基于相似儿童患者匹配的智能诊前自助开单的综合正确率的问题，通过根据相似儿童患者匹配评估系数数据对应的调整，实现了提高基于相似儿童患者匹配的智能诊前自助开单的综合正确率。
本申请实施例中的技术方案为解决上述存在不能有效提高基于相似儿童患者匹配的智能诊前自助开单的综合正确率的问题，总体思路如下：
根据相似儿童患者匹配评估系数数据对应的调整，便于提供个体化诊疗服务、提高开单效率以及更合理地利用医疗资源，进而达到了提高基于相似儿童患者匹配的智能诊前自助开单的综合正确率的效果。
为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
如图1所示，为本申请实施例提供的基于相似儿童患者匹配的智能诊前自助开单方法流程图，该方法包括以下步骤：获取儿童患者信息相关数据；根据儿童患者信息相关数据与医学知识数据库对应的数据类型对比匹配得到相似儿童患者匹配相关数据，根据相似儿童患者匹配相关数据计算得出相似儿童患者匹配评估系数数据；根据相似儿童患者匹配评估系数数据对智能诊前自助开单进行对应的调整。
在本实施例中，儿童患者信息相关数据除了相似儿童患者匹配数据组里的数据还包括儿童患者的既往病史数据，临床特征数据集。
进一步的，相似儿童患者匹配评估系数数据包括相似儿童患者匹配指数、个性化推荐指数、检验检查推荐指数、药物推荐指数和开单报告生成指数。
在本实施例中，如图2所示，为本申请实施例提供的相似儿童患者匹配评估系数数据的结构示意图。
进一步的，根据儿童患者信息相关数据与医学知识数据库对应的数据类型对比匹配得到相似儿童患者匹配相关数据的具体过程为：医学知识数据库是从医院的HIS系统、电子病历系统、药房管理系统等信息源中收集和整理医学文献并提取数据生成，采集个体化智能诊前自助开单中的儿童患者信息相关数据与医学知识数据库根据相似度匹配得到若干个相似儿童患者匹配数据组；根据相似儿童患者匹配数据组从医学知识数据库中根据相似度匹配并得到个性化推荐方案数据集、检验检查推荐数据集、药物推荐方案数据集和开单报告生成数据集，个性化推荐方案数据集包含若干个性化推荐方案数据组，个性化推荐方案数据组还包括相似儿童患者既往病史数据，疾病类型数据，就诊科室数据，检验检查推荐数据集包含若干检验检查推荐数据组，检验检查推荐数据组还包括相似儿童患者检验检查类型数据，药物推荐方案数据集包含若干药物推荐方案数据组，药物推荐方案数据组还包括相似儿童患者使用药物类型数据，药物药量数据，开单报告生成数据集包含若干开单报告生成数据组，开单报告生成数据组还包括开单字数数据，开单报告反馈满意度数据；所述医学知识数据库包括：相似儿童患者匹配数据组、个性化推荐方案数据组、检验检查推荐数据组、药物推荐方案数据组和开单报告生成数据组，儿童患者信息相关数据类型包括儿童患者年龄，性别，历史患病类型，姓名，出生日期，既往病史，当前身体感受，突出症状，既往就诊科室，既往服药，患病频次，家族病史，亲近人群患病以及其他在诊前输入的与个人疾病状况、个人身体状况以及个人信息等。
在本实施例中，如图3所示，为本申请实施例提供的根据儿童患者信息相关数据与医学知识数据库对应的数据类型对比匹配得到相似儿童患者匹配相关数据的具体过程为的流程示意图。采集个体化智能诊前自助开单中的儿童患者信息相关数据与医学知识数据库根据相似度匹配得到若干个相似儿童患者匹配数据组以及根据相似儿童患者匹配数据组从医学知识数据库中根据相似度匹配并得到个性化推荐方案数据集、检验检查推荐数据集、药物推荐方案数据集和开单报告生成数据集，此处的相似度表示相关数据的近似数据的近似程度和相同的数据的百分数综合判断，这个过程涉及到的主要步骤可以概括为：数据采集、数据匹配、数据提取、数据分析和推荐生成。
1.数据采集：采集儿童患者的个人信息和诊前自助开单信息，如年龄、性别、症状、已有的医疗记录等。2.数据匹配：通过算法将采集到的患者信息与医学知识数据库中的数据进行匹配，找到相似的儿童患者数据组。匹配的依据可能包括患者的年龄、性别、症状、病史等。3.数据提取：一旦找到相似的儿童患者数据组，系统就会从医学知识数据库中提取出相关的个性化推荐方案、检验检查推荐、药物推荐方案以及开单报告生成数据。4.数据分析：接下来，系统会分析这些提取出来的数据，可能包括对症状的诊断、对药物的反应、过往的治疗效果等，以确定最合适的推荐方案。5.推荐生成：基于分析结果，系统会生成个性化的推荐方案数据组、检验检查推荐数据组、药物推荐方案数据组和开单报告生成数据组，为医生或患者提供参考。在这个过程中，根据相似度匹配可以采用决策树算法等人工智能技术获得，以提高匹配的准确性和推荐的有效性。
进一步的，根据相似儿童患者匹配评估系数数据对智能诊前自助开单进行对应的调整的具体过程为：相似儿童患者排序和筛选：对相似儿童患者匹配数据组按照相似儿童患者匹配指数进行降序排序，并根据预定义相似儿童患者匹配指数阈值筛选出符合的相似儿童患者匹配数据组，呈现符合的相似儿童患者匹配数据组和相似儿童患者匹配指数，符合的相似儿童患者匹配数据组是符合的相似的儿童患者的年龄数据、性别数据、既往病史数据集、就诊科室类型数据、检验检查类型数据、使用药物数据、开单报告数据的数据集合；个性化推荐排序和筛选：对符合的相似儿童患者匹配数据组对应的个性化推荐方案数据组按照对应的个性化推荐指数进行降序排序，根据预定义个性化推荐指数阈值筛选出符合的科室建议。
例如，感冒对应呼吸科，水痘对应皮肤科；检验检查推荐排序和筛选：对符合的科室建议对应的检验检查推荐数据组按照对应的检验检查推荐指数进行降序排序，并根据预定义检验检查推荐指数阈值筛选出符合的检验检查项目建议，例如感冒对应病毒分离检查，水痘对应疱疹刮片检查；药物推荐排序和筛选：对符合的检验检查项目建议对应的药物推荐方案数据组按照对应的药物推荐指数进行降序排序，并根据预定义药物推荐指数阈值筛选出符合的药物推荐类型建议，例如感冒对应磷酸奥司他韦等，水痘对应阿昔洛韦等；开单报告排序和筛选：对符合的药物推荐类型建议对应的开单报告生成数据组按照对应的开单报告生成指数进行降序排序，并根据预定义开单报告生成指数阈值筛选出符合的开单报告建议，例如开单报告需增加字数，增强可理解性等。
在本实施例中，相似儿童患者排序和筛 的具体步骤可以包括以下补充步骤：数据收集和预处理：以便于收集患者的症状史等相关医疗数据。对相关医疗数据进行清洗、去重，并确保数据的一致性和完整性。特征提取：以便于从患者的相关医疗数据中提取关键特征，如症状史、实验室检测数据等。相似性度量：使用合适的相似性度量方法，如余弦相似性、欧氏距离等，计算患者特征之间的相似度。相似度加权和归一化：对相似度进行加权求和，并进行归一化处理，以避免特征权重不平衡导致的偏见。
相似儿童患者匹配指数计算：结合各个特征的相似度，计算相似儿童患者匹配指数。具体步骤为：将加权归一化后的相似度结合起来，形成相似儿童患者匹配指数，将归一化后的加权相似度分数求和平均，得到相似儿童患者匹配指数。
相似患者排序和筛选：以便于根据相似儿童患者匹配指数对患者进行降序排序，并根据阈值筛选出最相似的患者。
结果输出：将最相似患者的信息和匹配指数呈现在用户界面上，以便医生或患者查看。
实现个性化推荐的具体步骤可以包括以下补充步骤：机器学习算法的选择和训练：根据任务需求选择合适的算法，可能是分类、回归或推荐系统算法。这里以决策树算法举例，使用已有的医学数据对决策树算法进行训练。
个性化推荐规则定义：将相似患者的特征数据与医学知识库、预定义专家先验知识和决策树算法的输出结合，将医学知识数据库结合专业医生指导意见，规定特定症状组合下的推荐，记为预定义专家先验知识，预定义专家先验知识表示通过先验概率分布来表达的在考虑任何具体数据之前，专家对得到的医学参数可能值。预定义专家先验知识可以来自以往的研究、专家的经验、历史数据等，也可以是主观的判断。计算个性化推荐指数：结合患者的相关医疗数据与个性化推荐规则分析计算得到个性化推荐指数。结果解释和可视化：提供对推荐结果的解释，可能包括具体的医学解释、推理过程或患者案例，以图表、图形等形式呈现结果。
实现检验检查推荐的具体步骤可以包括以下补充步骤：成功治疗路径学习：分析相似患者的治疗路径，了解哪些检验检查项目在治疗成功的路径中起到了关键作用。评估和优化：使用上述评估指标对检验检查项目进行评估。收集用户反馈，并根据反馈结果和评估指标对系统进行优化和改进。部署和监控：将系统部署到实际临床环境中，并实时监控系统性能。根据实际使用情况对系统进行调整和更新。
进一步的，相似儿童患者匹配指数的具体计算公式为：
，
式中，将儿童患者对应的相似儿童患者匹配数据组进行编号，，/>表示相似儿童患者匹配数据组的编号，/>表示相似儿童患者匹配数据组的编号总数，/>表示第/>个相似儿童患者匹配指数，/>表示第/>个相似儿童患者匹配数据组的患者年龄相似度数据，年龄相似度数据为患者年龄与数据组中的患者年龄的比值，/>表示第/>个相似儿童患者匹配数据组的患者性别相似度数据，性别相似度数据评判方法，患者与数据组中的案例患者性别一致记为某个数值，例如1，性别不同记为0，/>表示第/>个相似儿童患者匹配数据组的患者病史疾病类别数据，/>表示第/>个相似儿童患者匹配数据组的预定义患者病史疾病类别数据，/>、/>和/>分别表示第/>个相似儿童患者匹配数据组的患者年龄相似度数据、患者性别相似度数据和患者病史疾病类别数据对应相似儿童患者匹配指数的权重因子，/>表示第/>个相似儿童患者匹配数据组的患者病史疾病治疗时长匹配因子数据，/>表示自然常数。
在本实施例中，预定义患者病史疾病类别数据表示疾病类型所对应的预定义编号数据，例如感冒1，细菌性感冒1.1，病毒性感冒1.2，混合性感冒1.3等等，呼吸道感染2，支气管炎2.1，细支气管炎2.2，支气管周围炎2.3，肺炎2.4，肺感染2.5等等，编号的规则可以是按照疾病的病因相似程度或者症状相似程度或者类别的相似程度等进行编号，编号越接近的编号，其疾病越相似。第个相似儿童患者匹配数据组的患者病史疾病治疗时长匹配因子数据表示考虑到疾病的发展过程，匹配时可以更精确地匹配病史的时间轴，将所有患者的相似的疾病治疗时长提取出来，与现有患者对比比较治疗周期，周期越相近的两者比值越高，最高不超过单位1。
进一步的，个性化推荐指数的具体计算公式为：
，
式中，将个性化推荐方案数据集对应的个性化推荐方案数据组进行编号，，/>表示个性化推荐方案数据组的编号，/>表示个性化推荐方案数据组的编号总数，/>表示第/>个个性化推荐指数，/>表示第/>个个性化推荐方案数据组中的个性化推荐匹配度数据，/>表示第/>个个性化推荐方案数据组中的预定义个性化推荐匹配度最小值数据，/>表示第/>个个性化推荐方案数据组中的预定义专家先验知识匹配度数据，/>和/>分别表示第/>个个性化推荐方案数据组中的个性化推荐匹配度数据和预定义专家先验知识匹配度数据对应个性化推荐指数的权重因子，/>表示自然常数。
在本实施例中，个性化推荐匹配度数据表示根据上文选择的相似儿童患者对应的医学知识数据库中的临床特征数据集对应不同的个性化推荐方案数据组会有不同的数据匹配度，其表示临床特征数据集对应个性化推荐方案数据组的数据特征相似度，例如，最相似患者的临床特征数据集是关于感冒，那么个性化推荐方案数据组与临床特征数据集中关于感冒的特征数据的比例即为匹配度。预定义专家先验知识匹配度数据，表示当前的个性化推荐方案数据组中科室类型数量数据与按照预定义专家先验知识生成的推荐科室类型数量数据的比值。
进一步的，检验检查推荐指数的具体计算公式为：
，
式中，将检验检查推荐数据集对应的检验检查推荐数据组进行编号，，/>表示检验检查推荐数据组的编号，/>表示检验检查推荐数据组的编号总数，/>表示第/>个检验检查推荐指数，/>表示第/>个检验检查推荐数据组中的病史数据余弦相似度，/>表示第/>个检验检查推荐数据组中的治疗路径所需检验类型匹配度，/>表示第/>个检验检查推荐数据组中的预定义治疗路径所需检验类型匹配度最低值数据，/>表示第/>个检验检查推荐数据组中的既往患者对检验检查推荐的满意率数据，/>和/>分别表示第/>个检验检查推荐数据组中的病史数据余弦相似度和治疗路径所需检验类型匹配度对应检验检查推荐指数的权重因子。
在本实施例中，病史数据余弦相似度表示以既往病史的治疗时间为其中一坐标方向，以既往病史的治疗效率为另一坐标方向，形成一组向量数据，与医学知识数据库中对应的既往病史的数据集对比计算余弦相似度。根据上文推荐的建议中治疗路径所需的医疗检查检验项目作为预定义治疗路径所需检验类型，治疗路径所需检验类型匹配度表示当前检验检查推荐数据组对应的医疗检查检验项目与预定义治疗路径所需检验类型符合的数量比上预定义治疗路径总所需检验类型数量的值。既往患者对检验检查推荐的满意度数据表示对应一个患者以往对于检验检查推荐的满意度反馈数据，若没有既往数据，则为单位1。
进一步的，药物推荐指数的具体计算公式为：
，
式中，将药物推荐方案数据集对应的药物推荐方案数据组进行编号，，/>表示药物推荐方案数据组的编号，/>表示药物推荐方案数据组的编号总数，/>表示第/>个药物推荐指数，/>表示第/>个药物推荐方案数据组中的预定义药物剂量度匹配数据，/>表示第/>个药物推荐方案数据组中的预定义药物相互作用匹配系数，/>表示第/>个药物推荐方案数据组中的预定义既往病史药物调节因子，/>表示第/>个药物推荐方案数据组中的预定义药物剂量度匹配数据对应药物推荐指数的权重因子，/>表示第/>个药物推荐方案数据组中的预定义药物剂量度匹配数据对应药物推荐指数的权重因子，/>表示自然常数。
在本实施例中，预定义药物剂量度匹配数据表示按照医学知识数据库和患者既往病史的数据集匹配的常用药物推荐的剂量数据，例如某感冒药一般剂量若为一日三次，一次两粒，剂量对于患者既往病史的用药剂量相匹配，则为单位1，否则为0，预定义药物相互作用匹配系数表示同时开出多个药物之间是否有相互干扰副作用，没有相互干扰副作用，则为单位1，否则为0，预定义既往病史药物调节因子表示对于患者的既往病史中某些药的用量可能会有具体调整，需要额外考虑，若不需要考虑则为单位1。实现药物推荐的具体步骤可以包括以下补充阶段：治疗反馈分析：分析相似患者对不同药物治疗的反馈，包括治疗效果和副作用。药物推荐系统设计：基于分析结果设计药物推荐系统，可以采用规则引擎或机器学习算法。剂量优化：考虑相似患者在不同剂量下的治疗反馈，优化推荐药物的剂量。药物相互作用分析：
分析推荐药物与患者当前用药之间的潜在相互作用，确保合理用药。评估和优化：使用上述评估指标对药物推荐系统进行评估。收集用户反馈，并根据反馈结果和评估指标对系统进行优化和改进。部署和监控：将系统部署到实际临床环境中，并实时监控系统性能。根据实际使用情况对系统进行调整和更新。
进一步的，开单报告生成指数的具体计算公式为：
，
式中，将开单报告生成数据集对应的开单报告生成数据组进行编号，，/>表示开单报告生成数据组的编号，/>表示开单报告生成数据组的编号总数，/>表示第/>个开单报告生成指数，/>表示第/>个开单报告生成数据组中的开单报告准确性匹配数据，表示第/>个开单报告生成数据组中的开单报告完整度匹配数据，/>表示第/>个开单报告生成数据组中的医患反馈可理解性数据，/>表示第/>个开单报告生成数据组中的医患反馈可理解性预定义最小值数据，/>和/>分别表示第/>个开单报告生成数据组中的开单报告准确性匹配数据和开单报告完整度匹配数据对应开单报告生成指数的权重因子，/>表示自然常数。
在本实施例中，开单报告准确性匹配数据，表示预生成的开单报告数据信息点先与对应的检验检查项目建议、对应的建议、对应的检验检查项目建议和最相似的儿童患者依次列出全部信息一一对比，按对应信息正确率作为开单报告准确性匹配数据。开单报告完整度匹配数据表示预生成的开单报告数据信息点先与对应的检验检查项目建议、对应的建议、对应的检验检查项目建议和最相似的儿童患者依次列出全部信息一一对比，按对应信息完整度作为开单报告准确性匹配数据。医患反馈可理解性数据表示，根据实际既往医患对对应的开单报告生成数据组的理解性的评判分数作为报告可理解性的评估指标。最大为单位1，最小为单位0，注意实际应用中，可理解性低于一定阈值则直接删除对应的开单报告生成数据组。医患反馈可理解性预定义最小值数据表示删除不合理的开单报告生成数据组后所判定可理解性标准最小值。实现开单报告生成的具体步骤可以包括以下补充阶段：个性化参数设置：考虑患者个体差异，根据特定的病情、年龄、性别等个性化参数调整生成报告的内容。整合医学建议和药物信息：将医学建议和药物信息整合到生成的报告和处方单中，确保信息的完整性和准确性。格式化输出：以易于理解的格式呈现生成的报告和处方单，可能包括图表、表格或其他可视化工具。测试与验证：对生成模块进行测试，验证其在不同场景下的准确性和可靠性，确保生成的报告符合医学标准和用户期望。部署与维护：部署生成模块到实际医疗系统中，定期维护和更新，确保与新的医学知识和法规保持一致。
本申请实施例提供了基于相似儿童患者匹配的智能诊前自助开单系统，包括：儿童患者信息采集模块：用于获取儿童患者信息相关数据；儿童患者匹配综合评估模块：用于根据儿童患者信息相关数据与医学知识数据库对应的数据类型对比匹配得到相似儿童患者匹配相关数据，根据相似儿童患者匹配相关数据计算得出相似儿童患者匹配评估系数数据；儿童患者匹配综合分析模块：用于根据相似儿童患者匹配评估系数数据对智能诊前自助开单进行对应的调整。
上述本申请实施例中的技术方案，至少具有如下的技术效果或优点：相对于公开号为：CN116864149A公开的一种多渠道的医疗自助问诊服务平台，本申请实施例通过计算得到相似儿童患者匹配评估系数数据，从而为相似儿童患者提供更个性化、精准的医疗服务，进而实现了为相似儿童患者匹配的个体化智能诊前自助开单提供了客观性的效果；相对于公开号为：CN112116972A公开的一种康复治疗辅助平台，本申请实施例根据相似儿童患者匹配评估系数数据做对应的调整，通过医学知识数据库的构建、预定义专家先验知识的定义和反馈数据验证相似儿童患者匹配方法的准确性，从而提高了方法的可解释性，进而使得提高相似儿童患者匹配的个体化智能诊前自助开单的可靠性。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (3)
1.基于相似儿童患者匹配的智能诊前自助开单方法，其特征在于，包括以下步骤：
获取儿童患者信息相关数据；
根据儿童患者信息相关数据与医学知识数据库对应的数据类型对比匹配得到相似儿童患者匹配相关数据，根据相似儿童患者匹配相关数据计算得出相似儿童患者匹配评估系数数据；
根据相似儿童患者匹配评估系数数据对智能诊前自助开单进行对应的调整；
所述相似儿童患者匹配评估系数数据包括相似儿童患者匹配指数、个性化推荐指数、检验检查推荐指数、药物推荐指数和开单报告生成指数；
所述根据相似儿童患者匹配评估系数数据对智能诊前自助开单进行对应的调整的具体过程为：
相似儿童患者排序和筛选：对相似儿童患者匹配数据组按照相似儿童患者匹配指数进行降序排序，并根据预定义相似儿童患者匹配指数阈值筛选出符合的相似儿童患者匹配数据组，呈现符合的相似儿童患者匹配数据组和相似儿童患者匹配指数；
个性化推荐排序和筛选：对符合的相似儿童患者匹配数据组对应的个性化推荐方案数据组按照对应的个性化推荐指数进行降序排序，根据预定义个性化推荐指数阈值筛选出符合的科室建议；
检验检查推荐排序和筛选：对符合的科室建议对应的检验检查推荐数据组按照对应的检验检查推荐指数进行降序排序，并根据预定义检验检查推荐指数阈值筛选出符合的检验检查项目建议；
药物推荐排序和筛选：对符合的检验检查项目建议对应的药物推荐方案数据组按照对应的药物推荐指数进行降序排序，并根据预定义药物推荐指数阈值筛选出符合的药物推荐类型建议；
开单报告排序和筛选：对符合的药物推荐类型建议对应的开单报告生成数据组按照对应的开单报告生成指数进行降序排序，并根据预定义开单报告生成指数阈值筛选出符合的开单报告建议；
所述相似儿童患者匹配指数的具体计算公式为：
式中，将儿童患者对应的相似儿童患者匹配数据组进行编号，a0＝1,2,...,a，a0表示相似儿童患者匹配数据组的编号，a表示相似儿童患者匹配数据组的编号总数，表示第a0个相似儿童患者匹配指数，/>表示第a0个相似儿童患者匹配数据组的患者年龄相似度数据，表示第a0个相似儿童患者匹配数据组的患者性别相似度数据，/>表示第a0个相似儿童患者匹配数据组的患者病史疾病类别数据，/>表示第a0个相似儿童患者匹配数据组的预定义患者病史疾病类别数据，/>和/>分别表示第a0个相似儿童患者匹配数据组的患者年龄相似度数据、患者性别相似度数据和患者病史疾病类别数据对应相似儿童患者匹配指数的权重因子，/>表示第a0个相似儿童患者匹配数据组的患者病史疾病治疗时长匹配因子数据，e表示自然常数；
所述个性化推荐指数的具体计算公式为：
式中，将个性化推荐方案数据集对应的个性化推荐方案数据组进行编号，b0＝1,2,...,b，b0表示个性化推荐方案数据组的编号，b表示个性化推荐方案数据组的编号总数，表示第b0个个性化推荐指数，/>表示第b0个个性化推荐方案数据组中的个性化推荐匹配度数据，/>表示第b0个个性化推荐方案数据组中的预定义个性化推荐匹配度最小值数据，/>表示第b0个个性化推荐方案数据组中的预定义专家先验知识匹配度数据，/>和/>分别表示第b0个个性化推荐方案数据组中的个性化推荐匹配度数据和预定义专家先验知识匹配度数据对应个性化推荐指数的权重因子，e表示自然常数；
所述检验检查推荐指数的具体计算公式为：
式中，将检验检查推荐数据集对应的检验检查推荐数据组进行编号，d0＝1,2,...,d，d0表示检验检查推荐数据组的编号，d表示检验检查推荐数据组的编号总数，表示第d0个检验检查推荐指数，/>表示第d0个检验检查推荐数据组中的病史数据余弦相似度，/>表示第d0个检验检查推荐数据组中的治疗路径所需检验类型匹配度，/>表示第d0个检验检查推荐数据组中的预定义治疗路径所需检验类型匹配度最低值数据，/>表示第d0个检验检查推荐数据组中的既往患者对检验检查推荐的满意率数据，/>和/>分别表示第d0个检验检查推荐数据组中的病史数据余弦相似度和治疗路径所需检验类型匹配度对应检验检查推荐指数的权重因子；
所述药物推荐指数的具体计算公式为：
式中，将药物推荐方案数据集对应的药物推荐方案数据组进行编号，f0＝1,2,...,f，f0表示药物推荐方案数据组的编号，f表示药物推荐方案数据组的编号总数，表示第f0个药物推荐指数，/>表示第f0个药物推荐方案数据组中的预定义药物剂量度匹配数据，/>表示第f0个药物推荐方案数据组中的预定义药物相互作用匹配系数，/>表示第f0个药物推荐方案数据组中的预定义既往病史药物调节因子，/>表示第f0个药物推荐方案数据组中的预定义药物剂量度匹配数据对应药物推荐指数的权重因子，/>表示第f0个药物推荐方案数据组中的预定义药物剂量度匹配数据对应药物推荐指数的权重因子，e表示自然常数；
所述开单报告生成指数的具体计算公式为：
式中，将开单报告生成数据集对应的开单报告生成数据组进行编号，g0＝1,2,...,g，g0表示开单报告生成数据组的编号，g表示开单报告生成数据组的编号总数，表示第g0个开单报告生成指数，/>表示第g0个开单报告生成数据组中的开单报告准确性匹配数据，/>表示第g0个开单报告生成数据组中的开单报告完整度匹配数据，/>表示第g0个开单报告生成数据组中的医患反馈可理解性数据，/>表示第g0个开单报告生成数据组中的医患反馈可理解性预定义最小值数据，/>和/>分别表示第g0个开单报告生成数据组中的开单报告准确性匹配数据和开单报告完整度匹配数据对应开单报告生成指数的权重因子，e表示自然常数。
2.如权利要求1所述基于相似儿童患者匹配的智能诊前自助开单方法，其特征在于，所述根据儿童患者信息相关数据与医学知识数据库对应的数据类型对比匹配得到相似儿童患者匹配相关数据的具体过程为：
采集个体化智能诊前自助开单中的儿童患者信息相关数据与医学知识数据库根据相似度匹配得到若干个相似儿童患者匹配数据组；
根据相似儿童患者匹配数据组从医学知识数据库中根据相似度匹配并得到个性化推荐方案数据集、检验检查推荐数据集、药物推荐方案数据集和开单报告生成数据集，个性化推荐方案数据集包含若干个性化推荐方案数据组，检验检查推荐数据集包含若干检验检查推荐数据组，药物推荐方案数据集包含若干药物推荐方案数据组，开单报告生成数据集包含若干开单报告生成数据组；
所述医学知识数据库包括：相似儿童患者匹配数据组、个性化推荐方案数据组、检验检查推荐数据组、药物推荐方案数据组和开单报告生成数据组；
所述儿童患者信息相关数据类型包括儿童患者年龄，性别，历史患病类型，姓名，出生日期，既往病史，当前身体感受，突出症状，既往就诊科室，既往服药，患病频次，家族病史。
3.采用如权利要求1-2中任意一项所述的基于相似儿童患者匹配的智能诊前自助开单方法的系统，其特征在于，包括：
儿童患者信息采集模块：用于获取儿童患者信息相关数据；
儿童患者匹配综合评估模块：用于根据儿童患者信息相关数据与医学知识数据库对应的数据类型对比匹配得到相似儿童患者匹配相关数据，根据相似儿童患者匹配相关数据计算得出相似儿童患者匹配评估系数数据；
儿童患者匹配综合分析模块：用于根据相似儿童患者匹配评估系数数据对智能诊前自助开单进行对应的调整。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410145439.7A CN117688226B (zh) | 2024-02-02 | 2024-02-02 | 基于相似儿童患者匹配的智能诊前自助开单方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410145439.7A CN117688226B (zh) | 2024-02-02 | 2024-02-02 | 基于相似儿童患者匹配的智能诊前自助开单方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117688226A CN117688226A (zh) | 2024-03-12 |
| CN117688226B true CN117688226B (zh) | 2024-05-03 |
Family
ID=90132331
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410145439.7A Active CN117688226B (zh) | 2024-02-02 | 2024-02-02 | 基于相似儿童患者匹配的智能诊前自助开单方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117688226B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110021422A (zh) * | 2017-09-07 | 2019-07-16 | 深圳市全息医疗数据有限责任公司 | 一种辅助诊疗方法及系统 |
| 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 |
| CN113257411A (zh) * | 2021-06-11 | 2021-08-13 | 成都安易迅科技有限公司 | 自助医疗挂号交互方法及装置、存储介质、自助挂号机 |
| CN113782185A (zh) * | 2021-08-25 | 2021-12-10 | 上海市儿童医院 | 临床诊疗智能决策分析系统及方法 |
| CN114121295A (zh) * | 2021-11-29 | 2022-03-01 | 复旦大学附属中山医院 | 一种知识图谱驱动的肝癌诊疗方案推荐系统的构建方法 |
| CN115394393A (zh) * | 2022-09-09 | 2022-11-25 | 中国平安人寿保险股份有限公司 | 智能诊疗数据处理方法、装置、电子设备及存储介质 |
| CN117174330A (zh) * | 2023-08-21 | 2023-12-05 | 肾泰网健康科技(南京)有限公司 | 一种基于机器学习的IgA肾病患者治疗方案推荐方法 |
-
2024
- 2024-02-02 CN CN202410145439.7A patent/CN117688226B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110021422A (zh) * | 2017-09-07 | 2019-07-16 | 深圳市全息医疗数据有限责任公司 | 一种辅助诊疗方法及系统 |
| 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 |
| CN113257411A (zh) * | 2021-06-11 | 2021-08-13 | 成都安易迅科技有限公司 | 自助医疗挂号交互方法及装置、存储介质、自助挂号机 |
| CN113782185A (zh) * | 2021-08-25 | 2021-12-10 | 上海市儿童医院 | 临床诊疗智能决策分析系统及方法 |
| CN114121295A (zh) * | 2021-11-29 | 2022-03-01 | 复旦大学附属中山医院 | 一种知识图谱驱动的肝癌诊疗方案推荐系统的构建方法 |
| CN115394393A (zh) * | 2022-09-09 | 2022-11-25 | 中国平安人寿保险股份有限公司 | 智能诊疗数据处理方法、装置、电子设备及存储介质 |
| CN117174330A (zh) * | 2023-08-21 | 2023-12-05 | 肾泰网健康科技(南京)有限公司 | 一种基于机器学习的IgA肾病患者治疗方案推荐方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117688226A (zh) | 2024-03-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20210193320A1 (en) | Machine-learning based query construction and pattern identification for hereditary angioedema | |
| CN111986770B (zh) | 药方用药审核方法、装置、设备及存储介质 | |
| CN105528526B (zh) | 一种基于中医药传承与大数据挖掘的生命周期动态健康管理系统 | |
| JP6066826B2 (ja) | 分析システム及び保健事業支援方法 | |
| US9129059B2 (en) | Analyzing administrative healthcare claims data and other data sources | |
| US7856362B2 (en) | System and method for early identification of safety concerns of new drugs | |
| US20110046970A1 (en) | Electronic Client Data Acquisition and Analysis System | |
| CN108122607A (zh) | 基于大数据进行患者体验评测优化服务系统 | |
| US11450434B2 (en) | Implementation of machine-learning based query construction and pattern identification through visualization in user interfaces | |
| CN110046757B (zh) | 基于LightGBM算法的门诊量预测系统及预测方法 | |
| KR101565331B1 (ko) | 패턴을 이용한 의료정보 분석시스템 및 방법 | |
| CN116884612A (zh) | 疾病风险等级的智能分析方法、装置、设备及存储介质 | |
| CN114694852B (zh) | 一种慢性疾病分析方法及系统 | |
| CN114334175B (zh) | 医院疫情监测方法、装置、计算机设备及存储介质 | |
| CN117690549A (zh) | 一种基于相似患者匹配的中医个体化智能方药推荐系统 | |
| CN109997201A (zh) | 针对多种医学知识模块的利用数据驱动方法的精确临床决策支持 | |
| KR20110098286A (ko) | 퍼지 추론기법을 이용한 한방 자가 진단방법 | |
| CN114649071A (zh) | 一种基于真实世界数据的消化性溃疡治疗方案的预测系统 | |
| CN117688226B (zh) | 基于相似儿童患者匹配的智能诊前自助开单方法及系统 | |
| CN116959661A (zh) | 一种智能服药管理系统 | |
| González et al. | TRIALSCOPE A Unifying Causal Framework for Scaling Real-World Evidence Generation with Biomedical Language Models | |
| US20220375617A1 (en) | Computerized decision support tool for preventing falls in post-acute care patients | |
| US20220405680A1 (en) | Automated Healthcare Provider Quality Reporting System (PQRS) | |
| US11862336B1 (en) | Machine-learning based query construction and pattern identification for amyotrophic lateral sclerosis | |
| Anakal et al. | Clinical Decision Support System for Diagnosis and Treatment of COPD Using Ensemble Methods |
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 |