CN118016263A - 一种基于语音识别的数字化医疗助手系统 - Google Patents
一种基于语音识别的数字化医疗助手系统 Download PDFInfo
- Publication number
- CN118016263A CN118016263A CN202410419506.XA CN202410419506A CN118016263A CN 118016263 A CN118016263 A CN 118016263A CN 202410419506 A CN202410419506 A CN 202410419506A CN 118016263 A CN118016263 A CN 118016263A
- Authority
- CN
- China
- Prior art keywords
- matching
- medical
- features
- department
- voice recognition
- 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
- 201000010099 disease Diseases 0.000 claims abstract description 58
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 58
- 208000024891 symptom Diseases 0.000 claims abstract description 48
- 238000004458 analytical method Methods 0.000 claims abstract description 24
- 238000006243 chemical reaction Methods 0.000 claims abstract description 5
- 238000012545 processing Methods 0.000 claims description 18
- 238000000034 method Methods 0.000 claims description 10
- 238000003058 natural language processing Methods 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 238000010801 machine learning Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 239000002699 waste material Substances 0.000 abstract description 4
- 239000003814 drug Substances 0.000 description 9
- 238000001356 surgical procedure Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 5
- 238000011084 recovery Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 229940079593 drug Drugs 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 235000013305 food Nutrition 0.000 description 2
- 235000012054 meals Nutrition 0.000 description 2
- 206010000087 Abdominal pain upper Diseases 0.000 description 1
- 206010072943 Adnexal torsion Diseases 0.000 description 1
- 206010002091 Anaesthesia Diseases 0.000 description 1
- 208000017667 Chronic Disease Diseases 0.000 description 1
- 206010010774 Constipation Diseases 0.000 description 1
- 206010012735 Diarrhoea Diseases 0.000 description 1
- 208000005171 Dysmenorrhea Diseases 0.000 description 1
- 201000009273 Endometriosis Diseases 0.000 description 1
- 208000004232 Enteritis Diseases 0.000 description 1
- 208000007882 Gastritis Diseases 0.000 description 1
- 206010019233 Headaches Diseases 0.000 description 1
- 206010028813 Nausea Diseases 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 208000029730 Ovarian Torsion Diseases 0.000 description 1
- 206010033645 Pancreatitis Diseases 0.000 description 1
- 208000025747 Rheumatic disease Diseases 0.000 description 1
- 208000007893 Salpingitis Diseases 0.000 description 1
- 208000009911 Urinary Calculi Diseases 0.000 description 1
- 206010047700 Vomiting Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000037005 anaesthesia Effects 0.000 description 1
- 230000004596 appetite loss Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 235000013361 beverage Nutrition 0.000 description 1
- 230000037396 body weight Effects 0.000 description 1
- 210000000481 breast Anatomy 0.000 description 1
- 230000000747 cardiac effect Effects 0.000 description 1
- 201000001352 cholecystitis Diseases 0.000 description 1
- 201000001883 cholelithiasis Diseases 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 235000005686 eating Nutrition 0.000 description 1
- 235000006694 eating habits Nutrition 0.000 description 1
- 201000003511 ectopic pregnancy Diseases 0.000 description 1
- 230000002526 effect on cardiovascular system Effects 0.000 description 1
- 208000001130 gallstones Diseases 0.000 description 1
- 238000011902 gastrointestinal surgery Methods 0.000 description 1
- 210000001035 gastrointestinal tract Anatomy 0.000 description 1
- 231100000869 headache Toxicity 0.000 description 1
- 230000002489 hematologic effect Effects 0.000 description 1
- 208000003243 intestinal obstruction Diseases 0.000 description 1
- 208000019017 loss of appetite Diseases 0.000 description 1
- 235000021266 loss of appetite Nutrition 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000002483 medication Methods 0.000 description 1
- 230000008693 nausea Effects 0.000 description 1
- 201000008383 nephritis Diseases 0.000 description 1
- 230000000399 orthopedic effect Effects 0.000 description 1
- 230000000241 respiratory effect Effects 0.000 description 1
- 230000000552 rheumatic effect Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 230000035882 stress Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 210000000115 thoracic cavity Anatomy 0.000 description 1
- 210000001685 thyroid gland Anatomy 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000002485 urinary effect Effects 0.000 description 1
- 208000019206 urinary tract infection Diseases 0.000 description 1
- 238000007631 vascular surgery Methods 0.000 description 1
- 230000008673 vomiting Effects 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
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/205—Parsing
- G06F40/216—Parsing using statistical methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/284—Lexical analysis, e.g. tokenisation or collocates
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/26—Speech to text systems
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- General Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Primary Health Care (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Epidemiology (AREA)
- Business, Economics & Management (AREA)
- Acoustics & Sound (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明公开了一种基于语音识别的数字化医疗助手系统，涉及数字化医疗技术领域，包括语音转换模块，用于将语音信号准确转化为文本格式；第一咨询分析模块，获得第一主要症状特征个数、第一时间和情境特征个数、第一生活习惯特征个数及第一既往病史特征个数；提问分析模块，向移动设备发出预设的对应特征问题。第二咨询分析模块，获得各个疾病名称对应的第二主要症状特征个数、第二时间和情境特征个数、第二生活习惯特征个数及第二既往病史特征个数；疾病名称匹配模块，获得各个疾病名称的匹配指数；科室匹配模块，输出科室匹配结果。确保患者被引导到最相关的科室接受进一步的检查和治疗，避免资源的浪费和短缺。
Description
技术领域
本发明涉及数字化医疗技术领域，具体为一种基于语音识别的数字化医疗助手系统。
背景技术
随着人口老龄化和慢性疾病的增加，医疗服务需求不断上升，而医疗资源却相对有限。因此，提高医疗服务的效率和质量，成为医疗行业发展的重要课题。然而，传统的医疗服务模式往往依赖于人工操作，存在效率低下、信息沟通不畅等问题。数字化医疗助手系统的出现，为解决这些问题提供了新的途径。随着信息技术的飞速发展和人工智能的广泛应用，数字化医疗已经成为现代医疗体系的重要组成部分。特别是在语音识别技术的推动下，基于语音识别的数字化医疗助手系统应运而生，为医患沟通、医疗信息管理以及医疗服务质量提升带来了革命性的变化。
在申请公布号为CN117174341A的中国发明申请中，公开了基于人工智能的语音识别医疗助手系统及方法，包括通过医疗数据库模块，建立医疗数据库，并通过NLP技术将用户语音转化为文本格式，形成信息描述集，通过问题解析模块对获取的信息描述集进行解析，提取关键字和短语，作为特征数据，将特征数据集和医疗数据库进行匹配，获取匹配频率集，获取医生排班信息、排号信息和解决病患问题的频率值，作为就诊信息集，对匹配频率集和就诊信息集进行建立模型，通过训练和计算，获取：规划指数Ghzs，将规划指数Ghzs和预设阈值对比，获取等级规划策略方案，并对预设展示模板进行填充，进而展示，根据用户的个人情况，为其提供个性化的医疗建议。
在以上发明申请中，通过语言识别模块的NLP技术将用户语音录入的信息进行转化为文本格式，形成信息描述集，信息描述集进行解析，提取关键字和短语进行匹配，确定医生，但是在实际使用过程中，用户的表述常常是不清晰的，例如：感觉肚子不舒服，而肚子不舒服可能是胃炎、胆囊炎、胆结石、胰腺炎、肠炎、肠梗阻、消化道肿瘤、穿孔、肾炎、泌尿道结石、尿路感染、月经痛、子宫内膜异位症、宫外孕、输卵管炎、卵巢扭转等疾病有关。这些疾病并不隶属于同一科室，若用户表述不清晰，匹配到不合适的医生，导致医疗资源的浪费，即使匹配到合适的医生，医生也需要花费更多时间和精力来尝试理解用户的病情，而用户可能需要多次咨询或转诊才能找到合适的医生。
为此，本发明提供了一种基于语音识别的数字化医疗助手系统。
发明内容
（一）解决的技术问题
针对现有技术的不足，本发明提供了一种基于语音识别的数字化医疗助手系统，本发明通过对用户初始咨询语音进行分析，判断描述完整度，若完整度不足，自动发出预设的问题，使描述完整度达到预期，再根据所有咨询语音进行特征匹配，匹配到合适科室，能够更准确地预测患者可能需要的医疗资源，确保患者被引导到最相关的科室接受进一步的检查和治疗，从而有助于医疗系统更加合理地分配和利用资源，避免资源的浪费和短缺，从而解决了背景技术中记载的技术问题。
（二）技术方案
为实现以上目的，本发明通过以下技术方案予以实现：一种基于语音识别的数字化医疗助手系统，包括：
语音转换模块，用于对采集到的语音信号进行一系列预处理操作，并利用语音识别软件，将经过预处理的语音信号准确转化为文本格式；
第一咨询分析模块，用于将文本切分为独立的词汇单元，基于医疗特征库从文本
中提取出第一识别特征，统计整理后获得第一主要症状特征个数、第一时间和情境特征
个数、第一生活习惯特征个数及第一既往病史特征个数；
提问分析模块，通过处理来自咨询分析模块的第一主要症状特征个数、第一时
间和情境特征个数、第一生活习惯特征个数及第一既往病史特征个数，向移动设
备发出预设的对应特征问题；
第二咨询分析模块，用于对发出预设的对应特征问题后的所有咨询语音进行特征
匹配，获得与各个疾病名称对应的第二识别特征，整理统计后获得各个疾病名称对应的第
二主要症状特征个数、第二时间和情境特征个数、第二生活习惯特征个数及第
二既往病史特征个数；
疾病名称匹配模块，用于对来自第二咨询分析模块的第二主要症状特征个数、
第二时间和情境特征个数、第二生活习惯特征个数及第二既往病史特征个数进
行处理，获得各个疾病名称的匹配指数；
科室匹配模块，用于对来自疾病名称匹配模块的各个疾病名称的匹配指数进
行分析，输出科室匹配结果。
进一步地，从各种结构化和非结构化的医疗数据源中收集数据，包括医疗文献和病历记录，利用自然语言处理技术，从收集到的文本中识别出医疗实体，包括疾病名称、主要症状、伴随症状、时间和情境、生活习惯及既往病史，构建医疗特征库。
进一步地，获取第一主要症状特征个数、第一时间和情境特征个数、第一生
活习惯特征个数及第一既往病史特征个数，当其中任一特征个数小于1时，向移动设
备发出预设的对应特征问题，直至特征个数大于1。
进一步地，获取所有咨询的第二主要症状特征个数、第二时间和情境特征个数、第二生活习惯特征个数及第二既往病史特征个数，进行线性归一化处理后，计
算获得匹配权重系数和：
其中，i表示每次咨询的时间顺序编号，，x表示各个疾病名称的
顺序编号，。
进一步地，获取第二主要症状特征个数、第二时间和情境特征个数、第二生
活习惯特征个数及第二既往病史特征个数和匹配权重系数和，进行线性归一化
处理后，计算获得各个疾病名称的匹配指数：
对应的各个疾病名称的匹配指数的计算公式如上。
进一步地，从医院信息系统、医疗文献及电子病历收集疾病和科室的对应数据，构建科室匹配数据库，将科室匹配数据库导入机器学习算法，进行训练和测试后，输出科室匹配模型。
进一步地，获取各个疾病名称的匹配指数，从大到小排序后，将前三个匹配指
数对应的疾病名称导入科室匹配模型，输出科室匹配结果、及，当科室匹配结果中匹
配结果、及均不相同，输出为匹配科室。当科室匹配结果中匹配结果、及存在
相同，则输出相同科室匹配结果为匹配科室。
（三）有益效果
本发明提供了一种基于语音识别的数字化医疗助手系统，具备以下有益效果：
1、通过处理来自咨询分析模块的第一主要症状特征个数、第一时间和情境特
征个数、第一生活习惯特征个数及第一既往病史特征个数，向移动设备发出预设
的对应特征问题，使得咨询过程更加个性化和精准，避免了无效的提问和回答，从而缩短了
咨询时间，提高了效率。
2、通过对发出预设的对应特征问题后的所有咨询语音进行特征匹配，获得与各个
疾病名称对应的第二识别特征，整理统计后获得各个疾病名称对应的第二主要症状特征个
数、第二时间和情境特征个数、第二生活习惯特征个数及第二既往病史特征个
数，精确识别患者描述的细节，可以更加全面地了解患者的病情，为后续的回复提供便
利。
3、通过对来自第二咨询分析模块的第二主要症状特征个数、第二时间和情境
特征个数、第二生活习惯特征个数及第二既往病史特征个数进行处理，获得各
个疾病名称的匹配指数，可以更快地筛选出可能的疾病类型，从而优化医疗资源的配
置，提高医疗服务的整体效率和质量。
4、通过对来自疾病名称匹配模块的各个疾病名称的匹配指数进行分析，输出
科室匹配结果，能够更准确地预测患者可能需要的医疗资源，确保患者被引导到最相关的
科室接受进一步的检查和治疗，从而有助于医疗系统更加合理地分配和利用资源，避免资
源的浪费和短缺。
附图说明
图1为本发明一种基于语音识别的数字化医疗助手系统的结构示意图。
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。
请参阅图1，本发明提供一种基于语音识别的数字化医疗助手系统，包括：
语音转换模块，用于对采集到的语音信号进行一系列预处理操作，并利用语音识别软件，将经过预处理的语音信号准确转化为文本格式。
预处理包括降噪处理、去除冗余信息以及标准化处理。
第一咨询分析模块，用于将文本切分为独立的词汇单元，基于医疗特征库从文本
中提取出第一识别特征，统计整理后获得第一主要症状特征个数、第一时间和情境特征
个数、第一生活习惯特征个数及第一既往病史特征个数。
从各种结构化和非结构化的医疗数据源中收集数据，如医疗文献和病历记录，利用自然语言处理技术，从收集到的文本中识别出医疗实体，如疾病名称、主要症状、伴随症状、时间和情境、生活习惯及既往病史，构建医疗特征库。
需要说明的是：主要症状特征是指胃痛、胃胀、头痛等能定位到具体部位异常的症状。
时间和情境特征是指症状通常在什么情况和情境下出现，比如饭后、空腹、食用特定的食物或饮料后等。伴随症状特征是指伴随的其他症状，比如恶心、呕吐、腹泻、便秘、食欲减退、体重有所变化等。生活习惯特征是指饮食习惯、作息习惯、疲劳或压力习惯。既往病史特征是指之前是否有类似的症状、是否有其他疾病或正在服用其他药物。
基于自然语言处理（NLP）算法搭建咨询分析模型，将文本切分为独立的词汇单元
后，基于医疗特征库从文本中提取出第一识别特征，统计整理后获得第一主要症状特征个
数、第一时间和情境特征个数、第一生活习惯特征个数及第一既往病史特征个数。
通过将文本切分为独立的词汇单元，基于医疗特征库从文本中提取出第一识别特
征，统计整理后获得第一主要症状特征个数、第一时间和情境特征个数、第一生活习
惯特征个数及第一既往病史特征个数，可以更精确地识别出初始语音与医疗相关的
词汇和短语，判断是否描述清晰，是否要进一步描述，节省回复时间，提高回复效率。
提问分析模块，通过处理来自咨询分析模块的第一主要症状特征个数、第一时
间和情境特征个数、第一生活习惯特征个数及第一既往病史特征个数，向移动设
备发出预设的对应特征问题。
获取第一主要症状特征个数、第一时间和情境特征个数、第一生活习惯特
征个数及第一既往病史特征个数，当其中任一特征个数小于1时，向移动设备发出预
设的对应特征问题，直至特征个数大于1。
补充：主要症状特征问题示例：具体是哪个部位不舒服？时间和情境特征问题示例：在什么时间或情境下会出现症状？生活习惯特征问题示例：吃饭和休息时间是否规律？是否饮食辛辣？最近是否压力大？既往病史特征问题示例：是否曾患有或正在患有某种疾病？是否正在服用药物？具体服用什么药物？
通过处理来自咨询分析模块的第一主要症状特征个数、第一时间和情境特征
个数、第一生活习惯特征个数及第一既往病史特征个数，向移动设备发出预设的
对应特征问题，使得咨询过程更加个性化和精准，避免了无效的提问和回答，从而缩短了咨
询时间，提高了效率。
第二咨询分析模块，用于对发出预设的对应特征问题后的所有咨询语音进行特征
匹配，获得与各个疾病名称对应的第二识别特征，整理统计后获得各个疾病名称对应的第
二主要症状特征个数、第二时间和情境特征个数、第二生活习惯特征个数及第
二既往病史特征个数。
通过对发出预设的对应特征问题后的所有咨询语音进行特征匹配，获得与各个疾
病名称对应的第二识别特征，整理统计后获得各个疾病名称对应的第二主要症状特征个数、第二时间和情境特征个数、第二生活习惯特征个数及第二既往病史特征个数，精确识别患者描述的细节，可以更加全面地了解患者的病情，为后续的回复提供便利。
疾病名称匹配模块，用于对来自第二咨询分析模块的第二主要症状特征个数、
第二时间和情境特征个数、第二生活习惯特征个数及第二既往病史特征个数进
行处理，获得各个疾病名称的匹配指数。
获取所有咨询的第二主要症状特征个数、第二时间和情境特征个数、第二
生活习惯特征个数及第二既往病史特征个数，进行线性归一化处理后，计算获得匹
配权重系数和：
其中，i表示每次咨询的时间顺序编号，，x表示各个疾病名称的
顺序编号，。
获取第二主要症状特征个数、第二时间和情境特征个数、第二生活习惯特
征个数及第二既往病史特征个数和匹配权重系数和，进行线性归一化处理后，
计算获得各个疾病名称的匹配指数：
对应的各个疾病名称的匹配指数的计算公式如上。
通过对来自第二咨询分析模块的第二主要症状特征个数、第二时间和情境特
征个数、第二生活习惯特征个数及第二既往病史特征个数进行处理，获得各个
疾病名称的匹配指数，可以更快地筛选出可能的疾病类型，从而优化医疗资源的配置，
提高医疗服务的整体效率和质量。
科室匹配模块，用于对来自疾病名称匹配模块的各个疾病名称的匹配指数进
行分析，输出科室匹配结果。
从医院信息系统、医疗文献、电子病历等来源收集疾病和科室的对应数据，构建科室匹配数据库，将科室匹配数据库导入机器学习算法，进行训练和测试后，输出科室匹配模型。
需要说明的是：临床科室主要包括内科、外科、妇产科、儿科以及其他科室。内科下又可分为呼吸与重症医学科、心血管内科、内分泌科、消化内科、血液内科、肾内科、风湿免疫科、神经内科等；外科下可分为胃肠外科、肝胆外科、泌尿外科、心脏大血管外科、胸外科、骨科、神经外科、烧伤整形科、甲状腺外科、乳腺外科等；妇产科通常分为妇科和产科；儿科则包括小儿内科和小儿外科。此外，还有一些其他科室，如急诊科、皮肤性病科、麻醉科、重症医学科、康复医学科、中医科等。
获取各个疾病名称的匹配指数，从大到小排序后，将前三个匹配指数对应的疾
病名称导入科室匹配模型，输出科室匹配结果、及，当科室匹配结果中匹配结果、
及均不相同，输出为匹配科室。当科室匹配结果中匹配结果、及存在相同，则输出
相同科室匹配结果为匹配科室。
通过对来自疾病名称匹配模块的各个疾病名称的匹配指数进行分析，输出科
室匹配结果，能够更准确地预测患者可能需要的医疗资源，确保患者被引导到最相关的科
室接受进一步的检查和治疗，从而有助于医疗系统更加合理地分配和利用资源，避免资源
的浪费和短缺。
上述实施例，可以全部或部分地通过软件、硬件、固件或其他任意组合来实现。当使用软件实现时，上述实施例可以全部或部分地以计算机程序产品的形式实现。本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。
Claims (8)
1.一种基于语音识别的数字化医疗助手系统，其特征在于：包括：
语音转换模块，用于对采集到的语音信号进行预处理操作，并利用语音识别软件，将经过预处理的语音信号准确转化为文本格式；
第一咨询分析模块，用于将文本切分为独立的词汇单元，基于医疗特征库从文本中提取出第一识别特征，统计整理后获得第一主要症状特征个数、第一时间和情境特征个数、第一生活习惯特征个数/>及第一既往病史特征个数/>；
提问分析模块，通过处理来自咨询分析模块的第一主要症状特征个数、第一时间和情境特征个数/>、第一生活习惯特征个数/>及第一既往病史特征个数/>，向移动设备发出预设的对应特征问题。
2.根据权利要求1所述的一种基于语音识别的数字化医疗助手系统，其特征在于：
第二咨询分析模块，用于对发出预设的对应特征问题后的所有咨询语音进行特征匹配，获得与各个疾病名称对应的第二识别特征，整理统计后获得各个疾病名称对应的第二主要症状特征个数、第二时间和情境特征个数/>、第二生活习惯特征个数/>及第二既往病史特征个数/>；
疾病名称匹配模块，用于对来自第二咨询分析模块的第二主要症状特征个数、第二时间和情境特征个数/>、第二生活习惯特征个数/>及第二既往病史特征个数/>进行处理，获得各个疾病名称的匹配指数/>；
科室匹配模块，用于对来自疾病名称匹配模块的各个疾病名称的匹配指数进行分析，输出科室匹配结果。
3.根据权利要求1所述的一种基于语音识别的数字化医疗助手系统，其特征在于：
从各种结构化和非结构化的医疗数据源中收集数据，包括医疗文献和病历记录，利用自然语言处理技术，从收集到的文本中识别出医疗实体，包括疾病名称、主要症状、伴随症状、时间和情境、生活习惯及既往病史，构建医疗特征库。
4.根据权利要求1所述的一种基于语音识别的数字化医疗助手系统，其特征在于：
获取第一主要症状特征个数、第一时间和情境特征个数/>、第一生活习惯特征个数及第一既往病史特征个数/>，当其中任一特征个数小于1时，向移动设备发出预设的对应特征问题，直至特征个数大于1。
5.根据权利要求2所述的一种基于语音识别的数字化医疗助手系统，其特征在于：
获取所有咨询的第二主要症状特征个数、第二时间和情境特征个数/>、第二生活习惯特征个数/>及第二既往病史特征个数/>，进行线性归一化处理后，计算获得匹配权重系数/>和/>：
；
其中，i表示每次咨询的时间顺序编号，，x表示各个疾病名称的顺序编号，/>。
6.根据权利要求5所述的一种基于语音识别的数字化医疗助手系统，其特征在于：
获取第二主要症状特征个数、第二时间和情境特征个数/>、第二生活习惯特征个数/>及第二既往病史特征个数/>和匹配权重系数/>和/>，进行线性归一化处理后，计算获得各个疾病名称的匹配指数/>：
；
对应的各个疾病名称的匹配指数的计算公式如上。
7.根据权利要求2所述的一种基于语音识别的数字化医疗助手系统，其特征在于：
从医院信息系统、医疗文献及电子病历收集疾病和科室的对应数据，构建科室匹配数据库，将科室匹配数据库导入机器学习算法，进行训练和测试后，输出科室匹配模型。
8.根据权利要求7所述的一种基于语音识别的数字化医疗助手系统，其特征在于：
获取各个疾病名称的匹配指数，从大到小排序后，将前三个匹配指数对应的疾病名称导入科室匹配模型，输出科室匹配结果/>、/>及/>，当科室匹配结果中匹配结果/>、/>及/>均不相同，输出/>为匹配科室，当科室匹配结果中匹配结果/>、/>及/>存在相同，则输出相同科室匹配结果为匹配科室。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410419506.XA CN118016263B (zh) | 2024-04-09 | 2024-04-09 | 一种基于语音识别的数字化医疗助手系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410419506.XA CN118016263B (zh) | 2024-04-09 | 2024-04-09 | 一种基于语音识别的数字化医疗助手系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN118016263A true CN118016263A (zh) | 2024-05-10 |
| CN118016263B CN118016263B (zh) | 2024-06-07 |
Family
ID=90944781
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410419506.XA Active CN118016263B (zh) | 2024-04-09 | 2024-04-09 | 一种基于语音识别的数字化医疗助手系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118016263B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180315488A1 (en) * | 2017-04-25 | 2018-11-01 | Telemedco Inc. | Emergency Room Medical Triage, Diagnosis, and Treatment |
| CN110489566A (zh) * | 2019-08-22 | 2019-11-22 | 上海软中信息系统咨询有限公司 | 一种智能导诊服务机器人的导诊方法 |
| US20210280301A1 (en) * | 2017-05-12 | 2021-09-09 | Boe Technology Group Co., Ltd. | Intelligent triage method and device |
-
2024
- 2024-04-09 CN CN202410419506.XA patent/CN118016263B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180315488A1 (en) * | 2017-04-25 | 2018-11-01 | Telemedco Inc. | Emergency Room Medical Triage, Diagnosis, and Treatment |
| US20210280301A1 (en) * | 2017-05-12 | 2021-09-09 | Boe Technology Group Co., Ltd. | Intelligent triage method and device |
| CN110489566A (zh) * | 2019-08-22 | 2019-11-22 | 上海软中信息系统咨询有限公司 | 一种智能导诊服务机器人的导诊方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN118016263B (zh) | 2024-06-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10784000B2 (en) | Medical system interface apparatus and methods to classify and provide medical data using artificial intelligence | |
| CN109299239B (zh) | 一种基于es的电子病历检索方法 | |
| US11200379B2 (en) | Ontologically driven procedure coding | |
| US9477662B2 (en) | Computer-assisted abstraction for reporting of quality measures | |
| JP4615629B2 (ja) | ネットワークへのアクセスを含む、コンピュータを使用した医療診断および処理の助言システム | |
| US9317580B2 (en) | Imaging protocol update and/or recommender | |
| US8280735B2 (en) | Transcription data extraction | |
| US20200381090A1 (en) | Patient Context Vectors: Low Dimensional Representation of Patient Context Towards Enhanced Rule Engine Semantics and Machine Learning | |
| EP4064072A1 (en) | Query device and method, apparatus, and storage medium | |
| Heinze et al. | Mining free-text medical records. | |
| CN116992839B (zh) | 病案首页自动生成方法、装置及设备 | |
| CN113539414A (zh) | 一种抗生素用药合理性预测方法及系统 | |
| CN115762732A (zh) | 一种基于区块链的接诊分诊系统 | |
| Chandra et al. | Natural language Processing and Ontology based Decision Support System for Diabetic Patients | |
| CN113658688A (zh) | 基于无分词深度学习的临床决策支持方法 | |
| CN118016263B (zh) | 一种基于语音识别的数字化医疗助手系统 | |
| CN112802598A (zh) | 基于语音诊疗数据的实时辅助诊疗方法及系统 | |
| CN116994689A (zh) | 医疗数据的特征化处理方法、装置、设备、介质及产品 | |
| CN113840006B (zh) | 问诊接口的管理方法、装置、电子设备以及存储介质 | |
| US20240177818A1 (en) | Methods and systems for summarizing densely annotated medical reports | |
| CN118072960B (zh) | 一种用于预测头颈肿瘤放疗后并发恶液质的方法 | |
| Doppalapudi | Relevant information extraction and lexical simplification of unstructured clinical notes | |
| Röhr et al. | Revisiting Clinical Outcome Prediction for MIMIC-IV | |
| Suominen et al. | Information flow in intensive care narratives | |
| CN115985522A (zh) | 语义识别方法、装置、电子设备及存储介质 |
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 |