CN117831731A - 基于人工智能的医院线上智能推进系统 - Google Patents
基于人工智能的医院线上智能推进系统 Download PDFInfo
- Publication number
- CN117831731A CN117831731A CN202410238770.3A CN202410238770A CN117831731A CN 117831731 A CN117831731 A CN 117831731A CN 202410238770 A CN202410238770 A CN 202410238770A CN 117831731 A CN117831731 A CN 117831731A
- Authority
- CN
- China
- Prior art keywords
- patient
- follow
- diagnosis
- date
- disease
- 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
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 17
- 238000003745 diagnosis Methods 0.000 claims description 128
- 201000010099 disease Diseases 0.000 claims description 120
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 120
- 239000003814 drug Substances 0.000 claims description 67
- 238000011084 recovery Methods 0.000 claims description 37
- 238000011282 treatment Methods 0.000 claims description 31
- 238000001514 detection method Methods 0.000 claims description 30
- 238000012512 characterization method Methods 0.000 claims description 14
- 238000000034 method Methods 0.000 claims description 14
- 238000004458 analytical method Methods 0.000 claims description 12
- 229940079593 drug Drugs 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 11
- 238000011156 evaluation Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 5
- 230000005540 biological transmission Effects 0.000 claims description 3
- 208000037920 primary disease Diseases 0.000 claims description 3
- 230000032683 aging Effects 0.000 claims description 2
- 238000011221 initial treatment Methods 0.000 claims 1
- 206010035664 Pneumonia Diseases 0.000 description 11
- 230000000694 effects Effects 0.000 description 6
- 108010074051 C-Reactive Protein Proteins 0.000 description 3
- 102100032752 C-reactive protein Human genes 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 239000008280 blood Substances 0.000 description 3
- 210000004369 blood Anatomy 0.000 description 3
- 238000011976 chest X-ray Methods 0.000 description 3
- 230000001965 increasing effect Effects 0.000 description 3
- 208000017667 Chronic Disease Diseases 0.000 description 2
- 206010061218 Inflammation Diseases 0.000 description 2
- 230000003111 delayed effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000004054 inflammatory process Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000007711 solidification Methods 0.000 description 2
- 230000008023 solidification Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000001550 time effect Effects 0.000 description 2
- 206010013709 Drug ineffective Diseases 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 229940035676 analgesics Drugs 0.000 description 1
- 239000000730 antalgic agent Substances 0.000 description 1
- 239000003242 anti bacterial agent Substances 0.000 description 1
- 229940088710 antibiotic agent Drugs 0.000 description 1
- 230000010100 anticoagulation Effects 0.000 description 1
- 230000004071 biological effect Effects 0.000 description 1
- 238000004159 blood analysis Methods 0.000 description 1
- 206010006451 bronchitis Diseases 0.000 description 1
- 206010012601 diabetes mellitus Diseases 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000001900 immune effect Effects 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 238000011866 long-term treatment Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 210000004072 lung Anatomy 0.000 description 1
- 238000002595 magnetic resonance imaging Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 244000052769 pathogen Species 0.000 description 1
- 230000001717 pathogenic effect Effects 0.000 description 1
- 231100000915 pathological change Toxicity 0.000 description 1
- 230000036285 pathological change Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 230000001225 therapeutic effect Effects 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
- 210000002700 urine Anatomy 0.000 description 1
Landscapes
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明属于医院随诊管理技术领域，具体公开基于人工智能的医院线上智能推进系统，本发明通过将患者初次就诊后生成的电子病历上传到系统后台，据此基于初诊电子病历中的病情描述信息和治疗方案信息智能明确规划患者的随诊频率，并向患者自动进行随诊提醒，同时在患者随诊后根据实际随诊时间和随诊结果动态调整后续的随诊频率，由此将医院的线上推进聚焦在患者随诊上实现了患者随诊的智能化推进，在这过程中大大减少了医生对患者随诊规划的干预，从而能够减少随诊误判、固化的发生率，大大提高了患者随诊的及时有效性，为治疗效果提供了可靠保障。
Description
技术领域
本发明属于医院随诊管理技术领域，具体为基于人工智能的医院线上智能推进系统。
背景技术
随着互联网的普及和技术的发展，远程医疗服务的需求日益增加，这种需求不断推动着医院线上推进的进程，这对于提高医疗资源利用效率、方便患者就医具有积极作用。
目前医院线上推进通常涉及线上挂号资讯、电子病历查看下载、在线药房和药品配送、线上医疗费用报销支付这些方面，而对病情随诊提醒关注度不够，众所周知，不同的疾病在发病后都存在一定的发展规律，进而存在一定的恢复周期，很少有治疗后立即痊愈的疾病，这使得患者在初次就诊后都会被要求随诊，通过随诊可以帮助医生了解治疗方案的实施情况以及患者的病情恢复状态，从而判断治疗是否有效，同时随诊可以建立更密切的医患关系，增强患者对治疗计划的信心，由此可见随诊是非常有必要的。
但现有技术中患者的随诊通常由就诊医生口头传达或在就诊病例中标出，但其常常不体现出具体随诊日期，导致患者对随诊的具体要求和计划不明确，从而在一定程度上增加患者未及时随诊的发生率，同时就诊医生对患者随诊时间的评判也与医生的能力、专业程度和就诊时的环境干扰有关，存在一定的主观性，容易造成误判，影响随诊频率规划的准确性，再者有些疾病可能需要长期随诊，当患者因遗忘随诊延迟时医生可能很难主动关注到，进而还按照原有的随诊频率去执行，这使得对患者的随诊频率规划较为固化，缺乏灵活性，容易造成后续随诊的持续延误，进而可能导致错过及时调整治疗方案的机会，从而影响治疗效果。
发明内容
鉴于此，本发明旨在提出基于人工智能的医院线上智能推进系统，通过将医院的线上推进聚焦在患者随诊上，具体基于患者的初诊电子病历智能合理、明确、动态规划患者的随诊频率，并进行自动随诊提醒，有效解决上述背景技术中所提出的问题。
本发明的目的可以通过以下技术方案实现：基于人工智能的医院线上智能推进系统，包括以下模块：初诊信息提取模块，用于将患者初次就诊后生成的电子病历上传到系统后台，并从电子病历中提取病情病单信息和药物服用信息，其中病情病单信息包括目标疾病种类和初诊病情检测结果，药物服用信息包括使用药物名称、给药途经、服药剂量和需求服药时长。
随诊频率智能规划模块，用于基于病情病单信息和药物服用信息智能规划患者的随诊频率。
随诊提醒执行模块，用于根据患者的随诊频率对患者进行随诊提醒。
随诊信息提取模块，用于将患者随诊后生成的电子病历上传到系统后台，并从中提取实际随诊日期和随诊病情检测结果。
随诊及时度分析模块，用于基于患者的实际随诊日期分析患者的随诊及时度。
随诊病情恢复评估模块，用于根据患者的病情初次检测结果和病情随诊检测结果评估患者的病情恢复状态。
随诊频率动态调整模块，用于依据患者的随诊及时度和病情恢复状态动态调整患者的随诊频率。
云数据库，用于存储各种疾病对应的病程时长，存储各种疾病对应各类就诊检查项目的权值因子，存储各种药物在不同给药途经下不同服药剂量的作用时效时长，存储系统预定义的常态随诊频率及常态随诊频率对应的初诊结果表征系数。
在一种可替换的实施方式中，所述病情检测结果包括各类就诊检查项目的检测值和正常值。
在一种可替换的实施方式中，所述基于病情病单信息和药物服用信息智能规划患者的随诊频率的实施如下：从病情病单信息中提取初诊病情检测结果，进而将患者初诊时各类就诊检查项目的检测值与正常值进行对比，计算患者的初诊病情程度系数，具体计算表达式为/>，式中/>表示患者初诊时第/>类就诊检查项目的检测值，/>表示就诊检查项目的编号，/>，/>表示第/>类就诊检查项目的正常值，/>表示第/>类就诊检查项目的权值因子，且/>，/>表示自然常数。
从病情病单信息中提取目标疾病种类，由此从云数据库中调取目标疾病的病程时长。
从药物服用信息中提取使用药物名称和给药途经，并与云数据库中各种药物在不同给药途经下的作用时效时长进行匹配，从中获取使用药物的作用时效时长。
从药物服用信息中提取需求服药时长，并将其结合患者的初诊病情程度系数、目标疾病的病程时长和使用药物的作用时效时长统计患者的初诊结果表征系数，具体统计公式为/>，式中/>、/>、/>分别表示目标疾病的病程时长、使用药物的作用时效时长、需求服药时长，/>表示参考时长。
将患者的初诊结果表征系数导入随诊频率分析式，得到患者的随诊频率/>，式中/>表示在系统预定义的常态随诊频率，/>表示常态随诊频率对应的初诊结果表征系数，可以从云数据库中获取，表示上取整。
在一种可替换的实施方式中，所述获取过程如下：从病情病单信息中提取目标疾病种类，并将其与云数据库中各种疾病对应各类就诊检查项目的权值因子进行比对，进而提取比对成功的权值因子作为/>。
在一种可替换的实施方式中，所述根据患者的随诊频率对患者进行随诊提醒设置参见下述过程：从患者初次就诊后生成的电子病历中提取患者初次就诊日期，将其结合患者的随诊频率得到规划随诊日期。
从系统后台调取患者的挂号单，并从挂号单中提取挂号方式及其对应的挂号终端，由此实时获取当前日期，进而与规划随诊日期进行比对，在达到规划随诊日期时利用挂号终端进行随诊提醒。
在一种可替换的实施方式中，所述随诊提醒还包括以下内容：基于目标疾病种类和规划随诊日期从系统后台调取目标疾病种类对应关联就诊医生在规划随诊日期的排班状态及号源状态，并从中挑选出有效关联就诊医生，进而将各有效关联就诊医生按照系统链接挂号平台中的推荐指数由大到小的顺序进行排列，从而从排列结果中提取排在第一位的有效关联就诊医生作为推荐随诊医生。
从挂号单中提取初诊医生姓名，由此从目标疾病种类对应关联就诊医生在随诊日期的排班状态及号源状态中提取初诊医生在规划随诊日期的排班状态及号源状态。
通过筛选模型得到筛选出的随诊医生，其中U1、U2均表示约束条件，U1代表初诊医生在规划随诊日期有排班且有号源，U2代表初诊医生在规划随诊日期无排班或初诊医生在规划随诊日期有排班且无号源。
将筛选出的随诊医生在规划随诊日期的号源状态利用挂号终端进行附带发送。
在一种可替换的实施方式中，所述患者的随诊及时度分析如下：
将患者的实际随诊日期与规划随诊日期进行对比，通过表达式计算出患者的随诊及时度/>，式中/>、/>分别表示患者的实际随诊日期、规划随诊日期，/>表示参考间隔时长。
在一种可替换的实施方式中，所述患者的病情恢复状态具体评估如下：基于随诊病情检测结果计算患者的随诊病情程度系数。
将与/>进行对比，计算患者的病情恢复度/>，具体计算表达式为。
在一种可替换的实施方式中，所述依据患者的随诊及时度和病情恢复状态动态调整患者的随诊频率如下实现过程：将患者的实际随诊日期结合初次就诊日期得到患者的随诊治疗时长。
将患者的随诊治疗时长与目标疾病的病程时长相除得到患者的随诊治疗占比值。
将患者的病情恢复度与患者在随诊状态下的参考病情恢复度进行对比，解析患者的病情恢复达标度，解析公式为，式中/>表示患者在随诊状态下的参考病情恢复度。
将患者的病情恢复达标度和随诊及时度代入患者随诊频率的调整模型，得到调整后的患者随诊频率/>，模型中/>表示与。
在一种可替换的实施方式中，所述动态调整患者的随诊频率后还根据调整后的随诊频率获取下次规划随诊日期进行随诊提醒。
相较于现有技术，本发明的有益效果如下：1、本发明通过将患者初次就诊后生成的电子病历上传到系统后台，据此基于初诊的电子病历智能明确规划患者的随诊频率，并向患者自动进行随诊提醒，同时在患者随诊后根据实际随诊时间和随诊结果动态调整后续的随诊频率，由此将医院的线上推进聚焦在患者随诊上实现了患者随诊的智能化推进，在这过程中大大减少了医生对患者随诊规划的干预，从而能够减少随诊误判、固化的发生率，大大提高了患者随诊的及时有效性，为治疗效果提供了可靠保障。
2、本发明在基于智能规划的随诊频率进行随诊提醒时不仅能够进行随诊时间的提醒还能够基于随诊时间进行随诊医生的针对性筛选推荐，进而将推荐随诊医生的号源状态进行附带发送提醒，便于患者进行有效随诊挂号，能够大大减少挂号时间，提高挂号成功率，从而在一定程度上避免发生想要挂号时无号源引起的随诊延迟。
3、本发明在基于患者初诊后生成的电子病历智能规划患者的随诊频率时不仅以患者的病情状态为规划依据，还将治疗方案考虑在内，体现了对患者随诊频率的多维规划，可以更好地满足患者的治疗需求，同时有效地优化医疗资源的利用，避免不必要的随诊次数，有利于降低医疗成本。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述所需要使用的附图作简单地介绍，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他的附图。
图1为本发明的系统各模块连接示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
本发明提出基于人工智能的医院线上智能推进系统，包括初诊信息提取模块、随诊频率智能规划模块、随诊提醒执行模块、随诊信息提取模块、随诊及时度分析模块、随诊病情恢复评估模块、随诊频率动态调整模块和云数据库这些模块。
上述中初诊信息提取模块与随诊频率智能规划模块连接，随诊频率智能规划模块与随诊提醒执行模块连接，随诊提醒执行模块与随诊信息提取模块连接，随诊信息提取模块分别与随诊及时度分析模块和随诊病情恢复评估模块连接，随诊及时度分析模块和随诊病情恢复评估模块均与随诊频率动态调整模块连接，云数据库分别与随诊频率智能规划模块和诊频率动态调整模块连接。
模块与模块之间的连接关系参阅图1。
所述初诊信息提取模块用于将患者初次就诊后生成的电子病历上传到系统后台，并从电子病历中提取病情病单信息和药物服用信息，其中病情病单信息包括目标疾病种类和初诊病情检测结果，药物服用信息包括使用药物名称、给药途经、服药剂量和需求服药时长。
需要提醒的是，本发明提到的系统可以存储患者初次就诊、随诊的电子病历，可以存储患者的挂号单，可以存储各种疾病对应关联就诊医生的排班状态及号源状态，可以链接到相应的挂号平台。
上述中病情检测结果包括各类就诊检查项目的检测值和正常值。
示例性地，就诊检查项目包括实验室检查项目和影像学检查项目，其中实验室检查项目包括但不限于血液检查、尿液检查、生化检查、免疫学检查等，影像学检查项目包括但不限于X射线检查、超声波检查、磁共振成像检查等。
在上述方案的具体示例中，当目标疾病种类为肺炎时对应的就诊检查项目有血常规、C-反应蛋白、胸部X射线等。
在进一步地示例中，给药途经包括但不限于口服给药、注射给药、吸入给药、透皮给药等。
所述随诊频率智能规划模块用于基于病情病单信息和药物服用信息智能规划患者的随诊频率，具体实施如下：从病情病单信息中提取初诊病情检测结果，进而将患者初诊时各类就诊检查项目的检测值与正常值进行对比，计算患者的初诊病情程度系数，具体计算表达式为/>，式中/>表示患者初诊时第/>类就诊检查项目的检测值，/>表示就诊检查项目的编号，/>，/>表示第/>类就诊检查项目的正常值，/>表示第/>类就诊检查项目的权值因子，且/>，/>表示自然常数，其中/>获取过程如下：从病情病单信息中提取目标疾病种类，并将其与云数据库中各种疾病对应各类就诊检查项目的权值因子进行比对，进而提取比对成功的权值因子作为/>。
需要知道的是不同的疾病在进行各类就诊检查时由于不同就诊检查项目对疾病的反映能力不同，都有其对应的优势和局限性，这就使得各类就诊检查项目的占比权重存在差异，进而出现不同的权值因子，在目标疾病种类为肺炎的示例中，胸部X射线可以直接、直观显示肺部的病变情况，有助于判断肺炎的部位、范围，但不能反映炎症程度，而血常规、C-反应蛋白可以反映出炎症的程度，但不能直接确认肺炎的诊断，由此可看出胸部X射线检查项目的权重因子要比血常规、C-反应蛋白检查项目的权值因子大。
需要补充的是在确定各种疾病对应各类就诊检查项目的权值因子时可以通过使用机器学习或统计模型以大数据方式调研患有肺炎的历史患者中在确诊肺炎时各类就诊检查项目对肺炎诊断是否起到作用，得到各类就诊检查项目在确诊肺炎时起到作用的历史患者数量，由此通过将各类就诊检查项目在确诊肺炎时起到作用的历史患者数量除以调研的总历史患者数量，得到在确诊肺炎时各类就诊检查项目的权值因子。
在另一个示例中也可以通过邀请一组肺炎诊断和治疗方面的专家，通过专家共识来提供不同就诊检查项目的权值因子。
从病情病单信息中提取目标疾病种类，由此从云数据库中调取目标疾病的病程时长。
需要理解的是，不同疾病因致病的病原体不同，不同的病原体具有不同的生物学特性和侵袭性，因此导致的疾病病程可能会有所不同，在具体地参考示例中：急性支气管炎的病程通常在1至3周左右。
肺炎的病程通常在1月至2月左右。
糖尿病是一种慢性疾病，病程是终身的。
需要补充的是在确定各种疾病的病程时长时可通过机器学习以大数据方式调研相应疾病的历史患者对应的病程时长，从中得到病程时长。
需要知道的是，不同疾病的病程时长会对随诊频率产生影响，这里的随诊频率指的是患者进行复诊与初诊的时间间隔。通常来说病程短暂的疾病通常不需要频繁的随诊，因为症状会在相对较短的时间内自行缓解。相比之下，病程较长或需要长期治疗的慢性疾病可能需要更频繁的随诊以监测病情变化和治疗效果。
从药物服用信息中提取使用药物名称、给药途经和服药剂量，并与云数据库中各种药物在不同给药途经下不同服药剂量的作用时效时长进行匹配，从中获取使用药物的作用时效时长。
在具体说明中，不同药物的作用时效在很大程度上取决于药物种类、给药途径、服药剂量。在一个参考示例中：镇痛药通常在服用后30分钟至1小时内发挥药效。
抗生素通常在服用后的24至48小时内发挥药效。
抗凝药作用缓慢，服药后需要几天至数周才能发挥药效。
需要知道的是，当使用药物的作用时效时长越长时如果频繁随诊可能在未产生药效时就进行随诊容易造成无效随诊，同时也容易发生过度医疗，不仅增加了医疗成本，还可能对患者造成额外的身体和心理负担。
需要知道的是，在确定各种药物在不同给药途经下不同服药剂量的作用时效时长时可以从相应药物的使用说明中得到。
从药物服用信息中提取需求服药时长，并将其结合患者的初诊病情程度系数、目标疾病的病程时长和使用药物的作用时效时长统计患者的初诊结果表征系数，具体统计公式为/>，式中/>、/>、/>分别表示目标疾病的病程时长、使用药物的作用时效时长、需求服药时长，/>表示参考时长。在一个示例中，参考时长可以为2天。
需要知道的是，上述提到的需求服药时长能够反映治疗周期，来说需求服药时长越长，治疗周期越长，越需要频繁的随诊。
需要说明的是，上述中目标疾病的病程时长、使用药物的作用时效时长、需求服药时长需要保持单位一致。
将患者的初诊结果表征系数导入随诊频率分析式，得到患者的随诊频率/>，式中/>表示系统预定义的常态随诊频率，示例性地，/>可以设定为每月两次，/>表示常态随诊频率对应的初诊结果表征系数，可以从云数据库中获取，/>表示上取整。
从上述随诊频率分析式中当患者的初诊结果表征系数大于常态随诊频率对应的初诊结果表征系数时，患者的随诊频率要高于常态随诊频率，例如可以为每月三次，当患者的初诊结果表征系数小于或等于常态随诊频率对应的初诊结果表征系数时，患者的随诊频率要低于常态随诊频率，例如可以为每月一次。
本发明在基于患者初诊后生成的电子病历智能规划患者的随诊频率时不仅以患者的病情状态为规划依据，还将治疗方案考虑在内，体现了对患者随诊频率的多维规划，可以更好地满足患者的治疗需求，同时有效地优化医疗资源的利用，避免不必要的随诊次数，有利于降低医疗成本。
所述随诊提醒执行模块用于根据患者的随诊频率对患者进行随诊提醒，具体参见下述过程：从患者初次就诊后生成的电子病历中提取患者初次就诊日期，将其结合患者的随诊频率得到规划随诊日期，具体地可以从规划的患者的随诊频率中提取相邻两次随诊间隔时长，例如当随诊频率为每月两次时则相邻两次随诊间隔时长为15天，由此通过将患者初次就诊日期与相邻两次随诊间隔时长相加，得到规划随诊日期。
从系统后台调取患者的挂号单，并从挂号单中提取挂号方式及其对应的挂号终端，其中当挂号方式为现场挂号时则挂号终端为挂号时预留的联系号码，当挂号方式为平台挂号时则挂号终端为相应平台，由此实时获取当前日期，进而与规划随诊日期进行比对，在达到规划随诊日期时利用挂号终端进行随诊提醒。
具体地当挂号终端为预留的联系号码时则可以通过电话、短信进行随诊提醒，当挂号终端为相应平台时可以通过平台弹窗提醒。
进一步地，随诊提醒还包括以下内容：基于目标疾病种类和规划随诊日期从系统后台调取目标疾病种类对应关联就诊医生在规划随诊日期的排班状态及号源状态，并从中挑选出有效关联就诊医生，其中有效关联就诊医生是指在规划随诊日期既有排班又有号源的就诊医生，进而将各有效关联就诊医生按照系统链接挂号平台中推荐指数由大到小的顺序进行排列，从而从排列结果中提取排在第一位的有效关联就诊医生作为推荐随诊医生。
在上述方案的具体示例中在挂号平台中都会有各医生的推荐指数，可以以推荐星级数来展示。
从挂号单中提取初诊医生姓名，由此从目标疾病种类对应关联就诊医生在随诊日期的排班状态及号源状态中提取初诊医生在规划随诊日期的排班状态及号源状态。
通过筛选模型得到筛选出的随诊医生，其中U1、U2均表示约束条件，U1代表初诊医生在规划随诊日期有排班且有号源，U2代表初诊医生在规划随诊日期无排班或初诊医生在规划随诊日期有排班且无号源。
将筛选出的随诊医生在规划随诊日期的号源状态利用挂号终端进行附带发送。
本发明在基于智能规划的随诊频率进行随诊提醒时不仅能够进行随诊时间的提醒还能够基于随诊时间进行随诊医生的针对性筛选推荐，进而将推荐随诊医生的号源状态进行附带发送提醒，便于患者进行有效随诊挂号，能够大大减少挂号时间，提高挂号成功率，从而在一定程度上避免发生想要挂号时无号源引起的随诊延迟。
所述随诊信息提取模块用于将患者随诊后生成的电子病历上传到系统后台，并从中提取实际随诊日期和随诊病情检测结果，其中随诊病情检测结果包括各类就诊检查项目的随诊检测值和正常值。
所述随诊及时度分析模块用于基于患者的实际随诊日期分析患者的随诊及时度，具体分析如下：将患者的实际随诊日期与规划随诊日期进行对比，通过表达式计算出患者的随诊及时度/>，式中/>、/>分别表示患者的实际随诊日期、规划随诊日期，/>表示参考间隔时长，在一个具体示例中，参考间隔时长可以为3天。
所述随诊病情恢复评估模块用于根据患者的病情初次检测结果和病情随诊检测结果评估患者的病情恢复状态，具体评估如下：基于随诊病情检测结果按照的计算方式计算患者的随诊病情程度系数/>。
将与/>进行对比，计算患者的病情恢复度/>，具体计算表达式为，其中/>越小于/>，患者的病情恢复度越大。
所述随诊频率动态调整模块用于依据患者的随诊及时度和病情恢复状态动态调整患者的随诊频率，具体实现过程为：将患者的实际随诊日期与初次就诊日期相减得到患者的随诊治疗时长。
将患者的随诊治疗时长与目标疾病的病程时长相除得到患者的随诊治疗占比值，来说随诊治疗时长越长，随诊治疗占比值越大。
将患者的病情恢复度与患者在随诊状态下的参考病情恢复度进行对比，解析患者的病情恢复达标度，解析公式为，式中/>表示患者在随诊状态下的参考病情恢复度。
将患者的病情恢复达标度和随诊及时度代入患者随诊频率的调整模型，得到调整后的患者随诊频率/>，模型中/>表示与。
在上述方案的进一步实施中，动态调整患者的随诊频率后还根据调整后的随诊频率获取下次规划随诊日期进行随诊提醒。
所述云数据库用于存储各种疾病对应的病程时长，存储各种疾病对应各类就诊检查项目的权值因子，存储各种药物在不同给药途经下不同服药剂量的作用时效时长，存储系统预定义的常态随诊频率及常态随诊频率对应的初诊结果表征系数。
本发明通过将患者初次就诊后生成的电子病历上传到系统后台，据此基于初诊的电子病历智能明确规划患者的随诊频率，并向患者自动进行随诊提醒，同时在患者随诊后根据实际随诊时间和随诊结果动态调整后续的随诊频率，由此将医院的线上推进聚焦在患者随诊上实现了患者随诊的智能化推进，在这过程中大大减少了医生对患者随诊规划的干预，从而能够减少随诊误判、固化的发生率，大大提高了患者随诊的及时有效性，为治疗效果提供了可靠保障。
以上内容仅仅是对本发明的构思所作的举例和说明，所属本技术领域的技术人员对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，只要不偏离发明的构思或者超越本发明所定义的范围，均应属于本发明的保护范围。
Claims (10)
1.基于人工智能的医院线上智能推进系统，其特征在于，包括以下模块：
初诊信息提取模块，用于将患者初次就诊后生成的电子病历上传到系统后台，并从电子病历中提取病情病单信息和药物服用信息，其中病情病单信息包括目标疾病种类和初诊病情检测结果，药物服用信息包括使用药物名称、给药途经、服药剂量和需求服药时长；
随诊频率智能规划模块，用于基于病情病单信息和药物服用信息智能规划患者的随诊频率；
随诊提醒执行模块，用于根据患者的随诊频率对患者进行随诊提醒；
随诊信息提取模块，用于将患者随诊后生成的电子病历上传到系统后台，并从中提取实际随诊日期和随诊病情检测结果；
随诊及时度分析模块，用于基于患者的实际随诊日期分析患者的随诊及时度；
随诊病情恢复评估模块，用于根据患者的病情初次检测结果和病情随诊检测结果评估患者的病情恢复状态；
随诊频率动态调整模块，用于依据患者的随诊及时度和病情恢复状态动态调整患者的随诊频率；
云数据库，用于存储各种疾病对应的云数据库病程时长，存储各种疾病对应各类就诊检查项目的权值因子，存储各种药物在不同给药途经下不同服药剂量的作用时效时长，存储系统预定义的常态随诊频率及常态随诊频率对应的初诊结果表征系数。
2.如权利要求1所述的基于人工智能的医院线上智能推进系统，其特征在于：所述病情检测结果包括各类就诊检查项目的检测值和正常值。
3.如权利要求2所述的基于人工智能的医院线上智能推进系统，其特征在于：所述基于病情病单信息和药物服用信息智能规划患者的随诊频率的实施如下：
从病情病单信息中提取初诊病情检测结果，进而将患者初诊时各类就诊检查项目的检测值与正常值进行对比，计算患者的初诊病情程度系数，具体计算表达式为，式中/>表示患者初诊时第/>类就诊检查项目的检测值，/>表示就诊检查项目的编号，/>，/>表示第/>类就诊检查项目的正常值，/>表示第/>类就诊检查项目的权值因子，且/>，/>表示自然常数；
从病情病单信息中提取目标疾病种类，由此从云数据库中调取目标疾病的云数据库病程时长；
从药物服用信息中提取使用药物名称、给药途经和服药剂量，并与云数据库中各种药物在不同给药途经下不同服药剂量的作用时效时长进行匹配，从中获取使用药物的作用时效时长；
从药物服用信息中提取需求服药时长，并将其结合患者的初诊病情程度系数、目标疾病的云数据库病程时长和使用药物的作用时效时长统计患者的初诊结果表征系数，具体统计公式为/>，式中/>、/>、/>分别表示目标疾病的云数据库病程时长、使用药物的作用时效时长、需求服药时长，/>表示参考时长；
将患者的初诊结果表征系数导入随诊频率分析式，得到患者的随诊频率/>，式中/>表示系统预定义的常态随诊频率，/>表示常态随诊频率对应的初诊结果表征系数，可以从云数据库中获取，/>表示上取整。
4.如权利要求3所述的基于人工智能的医院线上智能推进系统，其特征在于：所述获取过程如下：
从病情病单信息中提取目标疾病种类，并将其与云数据库中各种疾病对应各类就诊检查项目的权值因子进行比对，进而提取比对成功的权值因子作为。
5.如权利要求1所述的基于人工智能的医院线上智能推进系统，其特征在于：所述根据患者的随诊频率对患者进行随诊提醒设置参见下述过程：
从患者初次就诊后生成的电子病历中提取患者初次就诊日期，将其结合患者的随诊频率得到规划随诊日期；
从系统后台调取患者的挂号单，并从挂号单中提取挂号方式及其对应的挂号终端，由此实时获取当前日期，进而与规划随诊日期进行比对，在达到规划随诊日期时利用挂号终端进行随诊提醒。
6.如权利要求5所述的基于人工智能的医院线上智能推进系统，其特征在于：所述随诊提醒还包括以下内容：
基于目标疾病种类和规划随诊日期从系统后台调取目标疾病种类对应关联就诊医生在规划随诊日期的排班状态及号源状态，并从中挑选出有效关联就诊医生，进而将各有效关联就诊医生按照系统链接挂号平台中的推荐指数由大到小的顺序进行排列，从而从排列结果中提取排在第一位的有效关联就诊医生作为推荐随诊医生；
从挂号单中提取初诊医生姓名，由此从目标疾病种类对应关联就诊医生在随诊日期的排班状态及号源状态中提取初诊医生在规划随诊日期的排班状态及号源状态；
通过筛选模型得到筛选出的随诊医生，其中U1、U2均表示约束条件，U1代表初诊医生在规划随诊日期有排班且有号源，U2代表初诊医生在规划随诊日期无排班或初诊医生在规划随诊日期有排班且无号源；
将筛选出的随诊医生在规划随诊日期的号源状态利用挂号终端进行附带发送。
7.如权利要求5所述的基于人工智能的医院线上智能推进系统，其特征在于：所述患者的随诊及时度分析如下：
将患者的实际随诊日期与规划随诊日期进行对比，通过表达式计算出患者的随诊及时度/>，式中/>、/>分别表示患者的实际随诊日期、规划随诊日期，/>表示参考间隔时长。
8.如权利要求3所述的基于人工智能的医院线上智能推进系统，其特征在于：所述患者的病情恢复状态具体评估如下：
基于随诊病情检测结果计算患者的随诊病情程度系数；
将与/>进行对比，计算患者的病情恢复度/>，具体计算表达式为。
9.如权利要求8所述的基于人工智能的医院线上智能推进系统，其特征在于：所述依据患者的随诊及时度和病情恢复状态动态调整患者的随诊频率如下实现过程：
将患者的实际随诊日期结合初次就诊日期得到患者的随诊治疗时长；
将患者的随诊治疗时长与目标疾病的云数据库病程时长相除得到患者的随诊治疗占比值；
将患者的病情恢复度与患者在随诊状态下的参考病情恢复度进行对比，解析患者的病情恢复达标度，解析公式为，式中/>表示患者在随诊状态下的参考病情恢复度；
将患者的病情恢复达标度和随诊及时度代入患者随诊频率的调整模型，得到调整后的患者随诊频率/>，模型中/>表示与。
10.如权利要求1所述的基于人工智能的医院线上智能推进系统，其特征在于：所述动态调整患者的随诊频率后还根据调整后的随诊频率获取下次规划随诊日期进行随诊提醒。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410238770.3A CN117831731B (zh) | 2024-03-04 | 2024-03-04 | 基于人工智能的医院线上智能推进系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410238770.3A CN117831731B (zh) | 2024-03-04 | 2024-03-04 | 基于人工智能的医院线上智能推进系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117831731A true CN117831731A (zh) | 2024-04-05 |
| CN117831731B CN117831731B (zh) | 2024-05-28 |
Family
ID=90519258
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410238770.3A Active CN117831731B (zh) | 2024-03-04 | 2024-03-04 | 基于人工智能的医院线上智能推进系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117831731B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107527307A (zh) * | 2017-08-24 | 2017-12-29 | 杭州悦马爱赏科技股份有限公司 | 医院就诊管理方法、装置及系统 |
| CN109659017A (zh) * | 2018-12-24 | 2019-04-19 | 苏州鱼得水电气科技有限公司 | 一种预测、分配医生就诊量的智慧医疗系统 |
| CN111161813A (zh) * | 2019-11-28 | 2020-05-15 | 泰康保险集团股份有限公司 | 慢性病信息处理方法、装置、设备及存储介质 |
| CN114974613A (zh) * | 2022-04-22 | 2022-08-30 | 北京京东拓先科技有限公司 | 疾病管理方法及装置、计算机存储介质、电子设备 |
| CN117038112A (zh) * | 2023-08-17 | 2023-11-10 | 西安市中心医院 | 一种健康监测告警联动方法、系统、电子设备及存储介质 |
| CN117409913A (zh) * | 2023-10-16 | 2024-01-16 | 高健(北京)健康管理有限公司 | 一种基于云技术的医疗服务方法和平台 |
| CN117497149A (zh) * | 2023-10-31 | 2024-02-02 | 上海麦杰科技股份有限公司西安分公司 | 一种基于人工智能的医院管理方法及系统 |
-
2024
- 2024-03-04 CN CN202410238770.3A patent/CN117831731B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107527307A (zh) * | 2017-08-24 | 2017-12-29 | 杭州悦马爱赏科技股份有限公司 | 医院就诊管理方法、装置及系统 |
| CN109659017A (zh) * | 2018-12-24 | 2019-04-19 | 苏州鱼得水电气科技有限公司 | 一种预测、分配医生就诊量的智慧医疗系统 |
| CN111161813A (zh) * | 2019-11-28 | 2020-05-15 | 泰康保险集团股份有限公司 | 慢性病信息处理方法、装置、设备及存储介质 |
| CN114974613A (zh) * | 2022-04-22 | 2022-08-30 | 北京京东拓先科技有限公司 | 疾病管理方法及装置、计算机存储介质、电子设备 |
| CN117038112A (zh) * | 2023-08-17 | 2023-11-10 | 西安市中心医院 | 一种健康监测告警联动方法、系统、电子设备及存储介质 |
| CN117409913A (zh) * | 2023-10-16 | 2024-01-16 | 高健(北京)健康管理有限公司 | 一种基于云技术的医疗服务方法和平台 |
| CN117497149A (zh) * | 2023-10-31 | 2024-02-02 | 上海麦杰科技股份有限公司西安分公司 | 一种基于人工智能的医院管理方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117831731B (zh) | 2024-05-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Yuan et al. | Payment methods for outpatient care facilities | |
| Parr et al. | Time-restricted eating as a nutrition strategy for individuals with type 2 diabetes: a feasibility study | |
| Najafipour et al. | Coronary artery disease risk factors in an urban and peri-urban setting, Kerman, Southeastern Iran (KERCADR study): methodology and preliminary report | |
| CN109766329A (zh) | 一种支持交换共享的临床数据单元生成方法和装置 | |
| Palmer | Process-based measures of quality: the need for detailed clinical data in large health care databases | |
| Weiner et al. | How accurate is the medical record? A comparison of the physician’s note with a concealed audio recording in unannounced standardized patient encounters | |
| Saunders et al. | Group health cooperative of puget sound | |
| CN100366211C (zh) | 诊断信息系统 | |
| Solli et al. | Diabetes: cost of illness in Norway | |
| JP2003167959A (ja) | 健康管理支援方法及び装置と健康余命予測データ生成方法及び装置 | |
| Thomsen et al. | The Danish Centre for Strategic Research in Type 2 Diabetes (DD2): organization of diabetes care in Denmark and supplementary data sources for data collection among DD2 study participants | |
| Feldstein et al. | Patient barriers to mammography identified during a reminder program | |
| CN114220514B (zh) | 互联网医院病人诊疗数据分析处理方法、设备及存储介质 | |
| Kruse et al. | Healthcare system effects of pay-for-performance for smoking status documentation | |
| CN110415777A (zh) | 一种类风湿关节炎患者电子随访系统 | |
| Hutchinson et al. | Identifying return visits to the Emergency Department: A multi-centre study | |
| JP2016018224A (ja) | 健康状態予測診断利用サービスシステム | |
| Yoo et al. | Predictive costs in medical care for Koreans with metabolic syndrome from 2009 to 2013 based on the National Health Insurance claims dataset | |
| CN117219243A (zh) | 一种心血管疾病评估及管理系统 | |
| CN117831731B (zh) | 基于人工智能的医院线上智能推进系统 | |
| Smits | Incentives in case-mix measures for long-term care | |
| CN110047566B (zh) | 一种医疗数据展示平台 | |
| Hicks | The potential of claims data to support the measurement of health care quality | |
| Tseng | Non-attendance in endocrinology and metabolism patients | |
| US8775200B1 (en) | System and method for generating patient health management information |
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 |