TWI795651B

TWI795651B - 引導式智慧門診掛號輔助系統及方法

Info

Publication number: TWI795651B
Application number: TW109122068A
Authority: TW
Inventors: 廖珮宏
Original assignee: 廖珮宏
Priority date: 2020-06-30
Filing date: 2020-06-30
Publication date: 2023-03-11
Also published as: TW202203245A

Abstract

本發明關於一種門診掛號輔助系統，包含：雲端程式伺服器，其經配置安裝有門診掛號輔助平台電腦程式產品包含之後端運算程式其包含機器學習決策模型，並選擇性儲存關鍵字集或醫病語料庫；以及複數使用者裝置，每一該等使用者裝置可透過一瀏覽器或一前端應用程式向該就診者顯示圖形化就診者介面，而以基於個別差異的方式提供該就診者輸入個人健康資訊或症狀資訊，並上傳至該機器學習決策模型根據該個人健康資訊、該症狀資訊、該關鍵字集或該醫病語料庫而判斷適合該就診者的至少一門診科別，並透過該瀏覽器或該前端應用程式向該就診者推薦。

Description

引導式智慧門診掛號輔助系統及方法

本發明係有關於一種門診掛號輔助系統及方法，尤其是能夠按照症狀為就診者推薦合適的門診科別的門診掛號輔助系統及方法。

民眾在日常生活中難免出現身體不適情形，而需要前往醫療機構就醫。通常一般民眾的就醫流程大概如下，民眾如果覺得身體不適，通常也不知道該如何選擇醫院、科別或醫師，通常會就近找一間大型綜合醫院掛號看診，掛號方式包括電話掛號、網路掛號、或者到現場掛號，如果是現場掛號或電話掛號，民眾還可以先跟醫院的服務中心掛號員、或電話上的掛號員諮詢，掛號員根據民眾簡單的病症自述進行分診，協助民種選擇正確的科別，並推薦適合的醫師。

但是如果民眾是透過網路掛號時，民眾只能根據自己的經驗選擇醫院、科別和醫師就診，這對於廣大不具備醫學知識或是比較少生病的民眾而言，對於如何尋求醫療方面的管道往往沒有概念，常會發生不知道該如何選擇適合的醫院科別與醫師的困擾，這時民眾或許可以先打電話諮詢幾家醫院，經由醫院的服務中心得到幫助，或是更常見的，民眾直接上網搜尋，看看自己的症狀應該找哪家醫院的醫師看診。

但上述這些情況，都存在大致相同的問題，就是無論是掛號員或者服務中心人員，畢竟不是訓練有素的醫師，在有限時間下，對民眾的病情不瞭解，僅憑患者自述或患者經驗，所建議的科別與醫師不見得準確或合適，而透過網路找到的資訊，很容易是片段與不正確的，未必是適合自己的。

以目前一般習知之初診掛號協助系統所提供之服務，多為門診科別介紹及侷限單一醫療院，然，現代人生活繁忙，民眾在日常生活中難免會出現身體不適情形，但對於如何去尋求醫療方面的管道不知所措，進而延誤治療的遺憾意外；因此，如何解決此種習知習者之掛號協助系統所提供之服務效果不完全等之不易實用之困擾，是亟待解決的問題。

職是之故，發明人經過悉心嘗試與研究，並一本鍥而不捨之精神，終構思出本案「引導式智慧門診掛號輔助系統及方法」，能夠克服上述缺點，以下為本發明之簡要說明。

有鑑於習用技術的缺點，本發明提出一種門診掛號輔助系統及方法，應用智慧手機APP建置一套即時回饋系統，輔助民眾查詢門診所需參考之相關事項，減少看錯醫生、做錯檢查及醫療健保資源浪費不當情形，並立即推薦民眾最方便、最適性門診科別查詢，來提升大眾正確的看對科別，針對症狀給予適合的門診科別建議，降低病情延誤及醫療費用的花費，進而可提升民眾醫療素養觀念價值及擴大醫療資訊的發展。

據此本發明提出一種門診掛號輔助系統，包含：雲端程式伺服器，其經配置安裝有門診掛號輔助平台電腦程式產品包含之後端運算程式其包含機器學習決策模型，並選擇性儲存關鍵字集或醫病語料庫；以及複數使用者裝置，每一該等使用者裝置可執行瀏覽器或該門診掛號輔助平台電腦程式產品包含之前端應用程式，並因應就診者之操作而透過該瀏覽器或該前端應用程式向該就診者顯示圖形化就診者介面，而透過該圖形化就診者介面以基於個別差異的方式提供該就診者輸入個人健康資訊或症狀資訊，並上傳該機器學習決策模型根據該個人健康資訊、該症狀資訊、該關鍵字集或該醫病語料庫而判斷適合該就診者的至少一門診科別，並透過該瀏覽器或該前端應用程式向該就診者推薦。

本發明進一步提出一種門診掛號輔助系統，包含：資料庫伺服器，其經配置儲存關鍵字集或醫病語料庫；雲端程式伺服器，其經配置安裝有門診掛號輔助平台電腦程式產品包含之後端運算程式其包含機器學習決策模型，並可按照該後端運算程式之控制讀取該關鍵字集或該醫病語料庫；以及複數使用者裝置，每一該等使用者裝置可執行瀏覽器或該門診掛號輔助平台電腦程式產品包含之前端應用程式，並因應就診者之操作而透過該瀏覽器或該前端應用程式向該就診者顯示圖形化就診者介面，而透過該圖形化就診者介面以基於個別差異的方式蒐集該就診者之個人健康資訊或症狀資訊，並上傳該機器學習決策模型學習該個人健康資訊、該症狀資訊、該關鍵字集與該醫病語料庫而判斷適合該就診者的門診科別，並透過該瀏覽器或該前端應用程式向該就診者推薦。

本發明進一步提出一種門診掛號輔助方法，包含：在該雲端程式伺服器上安裝門診掛號輔助平台電腦程式產品包含之後端運算程式其包含該機器學習決策模型；提供關鍵字集與醫病語料庫；透過瀏覽器或前端應用程式向就診者提供圖形化就診者介面供該就診者操作；透過該圖形化就診者介面以基於個別差異的方式供該就診者輸入個人健康資訊或症狀資訊；將所輸入的該等症狀資訊與該等個人健康資訊上傳該機器學習決策模型；該機器學習決策模型根據該個人健康資訊、該症狀資訊、該關鍵字集或該醫病語料庫而判斷適合該就診者的至少一門診科別；以及透過該瀏覽器或該前端應用程式向該就診者推薦該至少一門診科別。

較佳的，所述之門診掛號輔助方法，還包含以下其中之一：集合來自各大醫療機構的病歷資料、以及門診科別涵蓋的症狀名詞，運用病歷回顧、文本分詞、斷詞處理、數位序列索引、文字探勘或資料探勘處理後，以結構化資料格式、半結構化資料格式或者非結構資料格式儲存為由複數詞彙(tokens)形成的大量文本(texts)，以建立該醫病語料庫，而提供該機器學習決策模型檢索、存取、學習及訓練；以該醫病語料庫做為訓練集輸入機器學習技術，提供該機器學習技術大量讀取、學習並辨識該訓練集中所隱含該等詞彙的與門診科別間之關聯性、以及過去病歷的決策結果而建立該機器學習決策模型；以及經由識別決策過程之關鍵判別因子而產生該關鍵字集。

RE:遠端

UE:使用者端

10:本發明門診掛號輔助系統

100:使用者裝置

101:智慧手機

103:平板裝置

105:筆記型電腦

107:個人電腦

200:雲端程式伺服器

300:資料庫伺服器

501:身體部位選擇介面

503:互動視窗

505:症狀選擇互動介面

507:症狀確認介面

509:門診推薦介面

511:一般症狀選擇互動介面

513:症狀自述介面

515:症狀自述視窗

517:門診推薦介面

519:網頁介面

600:本發明門診掛號輔助方法

602-618:實施步驟

第1圖揭示本發明智慧門診掛號輔助系統之系統架構示意圖；

第2圖揭示本發明智慧門診掛號輔助系統之系統運作示意圖；

第3圖到第10圖係揭示本發明智慧門診掛號輔助平台配置在前端應用程式中的一系列圖形化就診者介面之示意圖；

第11圖係揭示本發明智慧門診掛號輔助平台透過網路瀏覽器而在使用者裝置上顯示的圖形化就診者介面之示意圖；以及

第12圖揭示本發明門診掛號輔助方法之實施步驟流程圖。

本發明將可由以下的實施例說明而得到充分瞭解，使得熟習本技藝之人士可以據以完成之，然本發明之實施並非可由下列實施案例而被限制其實施型態；本發明之圖式並不包含對大小、尺寸與比例尺的限定，本發明實際實施時其大小、尺寸與比例尺並非可經由本發明之圖式而被限制。

本文中用語“較佳”是非排他性的，應理解成“較佳為但不限於”，任何說明書或請求項中所描述或者記載的任何步驟可按任何順序執行，而不限於請求項中所述的順序，本發明的範圍應僅由所附請求項及其均等方案確定，不應由實施方式示例的實施例確定；本文中用語“包含”及其變化出現在說明書和請求項中時，是一個開放式的用語，不具有限制性含義，並不排除其他特徵或步驟。

第1圖揭示本發明智慧門診掛號輔助系統之系統架構示意圖；第2圖揭示本發明智慧門診掛號輔助系統之系統運作示意圖；本發明門診掛號輔助系統10包含分散在遠端RE及使用者端UE的一系列透過網際網路互相通訊連結之硬體設備、以及在這些硬體設備上執行與運作的一套智慧門診掛號輔助平台；使用者端UE是指以就診者120為中心的周圍區域，在使用者端UE分布有一台或多台的使用者裝置100，在遠端RE分布有一部雲端程式伺服器200或一部資料庫伺服器300。

每一台使用者裝置100上透過內建的無線射頻通訊模組，與雲端程式伺服器200建立通訊鏈路(communication link)而產生通訊連結，無線射頻通訊模組較佳是例如但不限於：常用的Wi-Fi、藍芽或藍芽低功耗(BLE)模組、Sub-1G模組、4G或5G之行動通訊模組等，介於使用者裝置100與雲端程式伺服器200之間的通訊鏈路，較佳是由多段有線或無線通訊鏈路之組合所構成。

使用者裝置100較佳可以是例如但不限於：智慧手機101、平板裝置103、筆記型電腦105、或個人電腦107等，在使用者裝置100上，選擇性的安裝有一支智慧門診掛號輔助平台前端應用程式(App)、或是一個網路瀏覽器(internet browser)，以提供就診者存取、操作與使用智慧門診掛號輔助平台，就診者尤其是指不具備醫學知識的普通就診者。

雲端程式伺服器200主要是一部程式伺服器，用來儲存與安裝智慧門診掛號輔助平台的後端運算程式，智慧門診掛號輔助平台是一支軟體程式模組，包含一個經過訓練的機器學習決策模型，較佳是基於軟體即服務(SaaS)或平台即服務(PaaS)的雲端技術而建置，包含安裝在雲端程式伺服器200上的後端運算程式，與安裝在使用者裝置100上的前端應用程式，安裝在雲端程式伺服器200上的後端運算程式，可以選擇性的透過在使用者裝置100上執行的前端應用程式而提供給就診者存取與操作，並向就診者提供服務，但也可以選擇性的透過在使用者裝置100上執行的網路瀏覽器作為就診者介面(UI)而提供給就診者存取與操作，並向就診者提供服務。

資料庫伺服器300主要用於當醫病語料庫(text corpus)與關鍵字集包含數量龐大的內容時，做為一個專用的資料倉儲(data warehouse)，而將醫病語料庫(text corpus)與關鍵字集與雲端程式伺服器200分離儲存，在某些實施例，資料庫伺服器300與雲端程式伺服器200較佳是整合為同一部伺服器。

其中醫病語料庫是本發明平台的基本資料庫，醫病語料庫的較佳是包含各種過往醫病資料，例如但不限於：來自各大醫療機構的病歷資料、及門診科別涵蓋的症狀名詞等資料，經由運用病歷回顧、中文斷詞系統、文字探勘尋找關鍵詞彙等技術整理後而建立的，醫病資料較佳可涵蓋各大醫院各門診科別的相關醫病資料，且提供動態擴充的功能，可定期新增新的醫病資料，當醫病資料涵蓋越完整，越有助提升為就診者判斷就醫科別的準確性。

醫病語料庫所涵括的醫病資料較佳是以結構化(structured)資料格式，例如：完全結構化的行與列資料、或是以半結構化(semi-structured)的資料格式，例如：CSV、紀錄檔、XML、JSON等所儲存的二進制文本，或者以非結構化(unstructured)的資料格式，例如：一般的電腦檔案而儲存，以便提供機器學習決策模型、或機器學習技術進行存取、檢索、訓練或學習。

但值得注意的是，早期國內第一線護理人員為講求時效，較慣用口語化及非正式詞彙，或也有以各醫院自行編制的詞彙來進行護理記錄，使得護理紀錄內容缺乏一致性，不利於他方醫護團隊成員的讀取與理解，也降低了護理紀錄完整性，故前述醫病資料是以中文進行紀錄，數量龐大，個別差異性顯著，加上國內護理紀錄內容習慣以較口語的方式進行記錄，詞彙往往缺乏一致性、標準性及完整性等，而且也有包含許多無用或錯誤資訊的可能，因此必須先對取得的醫病資料進行一系列資料前處理(pre-processing)。

但目前護理紀錄所使用的專業共同語言，已逐步按照北美護理診斷學會(North American Nursing Diagnosis Association、NANDA)所制定的護理診斷參照、護理成果分類(Nursing Outcome Classification、NOC)及護理活動分類(Nursing Interventions Classification、NIC)中文版的標準詞彙來進行記錄，但其餘的並沒有一致性詞彙標準可依據，因此選擇性的，在某些實施例中，如果有需要，可對醫病語料庫內包含的不規範詞彙，按照NANDA、NOC與NIC規範進一步標準化。

相對於英文紀錄，單字之間可以空白或其他符號隔開，因而沒有斷詞處理的問題，但中文句子卻是充滿連貫且無明顯邊界的多個字元(characters)，該如何進行中文句子的斷詞一直是技術上的難題，尤其該如何辨識一詞多意與多詞一義，故本發明使用基於自然語言處理(NLP)的一系列技術，包括文字探勘(Text Mining)、資料探勘等技術，來對相關資料進行前處理，文字探勘技術能從無論是結構化、非結構化或半結構化的文字資料格式中發掘出未知、隱含且有用的資訊，以編輯、組織及分析大量中文，並以詞彙出現的頻率及數量等相關數據進行分析，多應用於趨勢預測、決策輔助等領域。

首先應用中研院資訊科學所詞庫小組(Chinese Knowledge Information Processing Group、CKIP)研發的中文斷詞法作為核心的NLP演算法，配合使用斷詞法則解決中文句斷詞歧義的問題，在某實施例中，CKIP中文斷詞法其實施步驟依序包含：初步斷詞、未知詞偵測、中國人名擷取、歐美譯名擷取、複合詞擷取、下而上合併排序法、重新斷詞等步驟，其中斷詞法則主要由一個詞庫與一組斷詞法則構成，詞庫內的詞彙為事先建好且用人工檢視修正過的正確詞彙，用來作為中文字句斷詞的基準詞彙，這些基準詞彙(tokens)構成文本(texts)。

上述斷詞取得基本詞彙(tokens)的過程也稱為文本分詞(text segmentation)，當斷詞完成後，還接著需要建立作為索引(index)的字典，以便將詞彙與文本轉換為處理器可辨識的數字序列(sequence of numbers)，以便輸入機器學習技術讀取、辨識、學習和訓練。

當醫病語料庫建置完成後，利用詞彙在各科別中出現的機率與分布情形，尤其是這些大量的詞彙資料會存在一些反覆出現的固定就診模式(pattern)，透過應用適當技術即可發現(discover)與辨識出這些存在於資料中的機率、分布與固定模式，可做為就診者提供門診掛號科別推薦的重要依據。

接著將醫病語料庫做為資料集(data set)，並切割為訓練集(training set)與測試集(test set)，交由機器學習(machine learning)技術大量讀取、辨識、學習和訓練，以找出隱含在醫病語料庫之中，各個病歷上的決策結果、與各種關鍵字與門診科別推薦率之關聯性，以反複訓練機器學習找出一套關聯模式與決策模式，可根據關鍵字找出最適合的門診科別，據此建立機器學習決策模型、並辨識出關鍵詞以形成關鍵字集(keywords collection)。

可用的機器學習技術較佳為，例如但不限於：倒傳遞類神經網路(BPN)技術、調適性類神經模糊推論系統(ANFIS)技術、類神經網路技術、深度神經網路(DNN)技術、遞歸神經網路(RNN)技術、最佳降坡法、提升樹分類器(booster)、梯度提升樹分類器(gradient classifier)、強梯度提升機分類器、弱梯度提升機分類器、長短期記憶模型技術(LSTM)、多層感知技術(MLP)、集成學習分類器(ensemble learning)、弱學習分類器、強學習分類器、強投票分類器、弱投票分類器、支援向量機(support vector machines)分類器、監督式學習分類器或半監督式學習分類器等、回歸樹分類器、隨機森林(random forest)分類器、決策樹分類器或資料探勘(data mining)技術等。

舉例來說，在某實施例中，當選用決策樹演算法來進行機器學習時，決策樹演算法同時提供分類和預測兩種的方法，藉由相似的型態來推測相同的結果，決策樹分析模式主要演算法包括ID3、C4.5、C5.0、CRAT及CHAID卡方自動歸納法，分類(classification)乃分類模型的建立，可以讓我們了解屬於各種類別屬性的資料具備哪些特徵，同時也可以用來預測新進資料的類別屬性，一般來說決策樹的準確性是依據資料來源的多寡，由大量的資料集所建構出來的模型其預測的結果通常與期望相近的。

然後將包含原始臨床資料的訓練集輸入決策樹演算法運算，取得原始資料各變項之分佈，在因子選取的部份，將利用主成份分析來過濾不重要之屬性，首先應用決策樹分群演算法尋找出可做為鑑別護理診斷之重要因子的關鍵字，並利用資料探勘中的關聯法則計算各詞彙出現的頻率及評估系統關聯性，透過研究單位臨床護理專家三位人工區分分類為神經、呼吸、循環、腸胃、泌尿生殖、皮膚肌肉骨骼、感覺知覺睡眠、傷口引流管、檢查治療及其他等十大領域，各領域再進行有意義的關鍵字擷取與分配。

另一方面，在某些實施例中，當有需要將醫病語料庫內包含的不規範詞彙按照NANDA、NOC與NIC規範進一步標準化時，接著針對NANDA、NOC與NIC及其定義性特徵的描述詞彙同樣作關鍵字的斷詞與擷取，並與單位常用英文術語作同意字或近似語意整理，同時納入十大分類領域詞庫，每個領域分類表約可包含10~20個相關的詞彙。

舉例來說，在某實施例中，當選用關聯法則模型來進行機器學習時，首先假設資料存放於資料庫，資料庫裡面存放著過去的交易紀錄，每個交易記錄都有一個辨識的欄位，且每筆交易記錄會記錄一筆或多筆的資料項目(Item1、Item2…ItemN)，由個別項目組成的項目集合稱為itemset，itemset I則是該交易紀錄中所有項目的集合，所有的項目都會包含於I中。

關聯法則的資料探勘一開始就是從眾多的項目集合I中，找出經常發生的項目集，用意在於判斷項目之間關聯性是否足夠頻繁，當發生的次數夠多，就代表此項目集可能具有某些存在的意義，因此在資料探勘過程當中必須設定一個門檻值，來判斷某一個項目集合發生的頻率是否符合門檻值的依據，較佳會以支持度(Support)來稱呼門檻值。

當某項目集發生的次數高於支持度，就稱該項目集為高頻項目集(Frequent Pattern)，所以在交易記錄的項目集合I當中，同時存在A、B兩個項目，如果交易記錄所在資料庫當中發現的頻率高於支持度的設定，那麼就會判定候選項目AB成為高頻項目集，項目A與B具有關聯性。然後透過條件機率來檢驗此高頻項目的信賴度檢驗，也就是說在出現A項目的情況下，B項目同時也會發生的機率，以Support(A∩B)/Support(A)來表示，在符合支持度之後也符合信賴度，那麼這兩個項目的關聯，就可以成為有意義的關聯法則。

舉例來說，在某實施例中，也可以選用Apriori演算法來進行機器學習，可用來呈現資料中特定項目發生時的關聯性，也就是說在發生項目A的情況下，同時也會發生項目B的可能性。首先訂定過濾規則強度的門檻值一最小支援度及最小信賴度，使用候選物項集合(candidate item set)的觀念，先產生出物項集合，稱為候選物項集合，若候選物項集合的支援度大於或等於最小支持度minisup，則該候選物項集合為高頻物項集合(Large Itemset)，再由資料庫讀入所有的交易，得出候選單物項集合(Candidate 1- itemset)的支持度，再找出高頻單物項集合(Large 1- itemset)，並利用這些高頻單物項集合的結合，產生候選2物項集合(Candidate 2- itemset)，再經由掃描資料庫，得出候選2物項集合的支援度以後，找出高頻2物項集合，並利用這些高頻2物項集合的結合，最後產生候選3物項集合。重覆掃描資料庫、與最小支持度比較，產生高頻物項集合，再結合產生下一級候選物項集合，直到不再結合產生出新的候選物項集合為止。

第3圖到第10圖係揭示本發明智慧門診掛號輔助平台配置在前端應用程式中的一系列圖形化就診者介面之示意圖；較佳的，本發明智慧門診掛號輔助平台的前端應用程式，具體是以一支安裝在使用者裝置上執行的手機應用程式來實施，提供就診者存取、操作與使用雲端程式伺服器200上的後端運算程式，當前端應用程式在使用者裝置上安裝完成後，就診者經由按下螢幕桌面上的對應圖案，就可以開啟本發明前端應用程式。

由於多數民眾較不具備醫學知識，當身體出現不適症狀需要就醫時，通常只知道該看醫生治療了，但除此之外，對於這樣的症狀，確實來說到底要看哪間醫院、掛哪個科別、找哪位醫師診斷，可說是一片模糊，毫無頭緒，因此本發明提出的智慧門診掛號輔助平台，就是透過以人工智慧機器學習技術為基礎，建置一個平台並且以手機應用程式的形式提供給就診者操作，以點選方式配合自述的方式，引導就診者輸入症狀，經過後端運算程式分析後，推薦就診者最適合的醫院、科別與醫師，並協助就診者進行線上掛號。

前端應用程式在使用者裝置上第一次執行時，會先要求就診者完成註冊(registration)程序，包含輸入就診者個人資料、基本健康資料等，例如但不限於：姓名、性別、年齡、慢性病史、近兩年病史、過敏調查、飲食習慣、生活習慣等，就診者可以按照自己的意願選擇性填寫；當就診者完成註冊後，需再次登入前端應用程式才可開始使用。

就診者再次開啟前端應用程式後，前端應用程式的核心服務如第3圖到第10圖所揭示，係透過一系列的引導式圖形化就診者介面(GUI)，以點選方式配合自述的方式，引導就診者輸入症狀，交由雲端程式伺服器200後端運算程式分析後，向就診者推薦最適合的醫院、科別、醫師、與線上掛號。

如第3圖所揭示，在使用者裝置中執行的前端應用程式，經配置可在螢幕上顯示一個身體部位選擇介面501，身體部位選擇介面501中以示意的方式顯示人體的正面與背面，並將人體劃分為多個區域，每一個區域都是一個按鍵，可提供就診者點選，就診者只按自身實際狀況，直覺點選覺得不舒服的部位即可。

假設就診者是在心臟的部位有所不舒服，就診者可以點選第 3圖中人體正面中心臟的位置，點選後螢幕將跳出重疊在身體部位選擇介面501上的一個互動視窗503，如第4圖所揭示，供就診者再次確認不舒服的身體部位是心臟，如果就診者確定是心臟的地方不舒服，就直接按下是的按鍵。

接著如第5圖所揭示，螢幕顯示出一個症狀選擇互動介面505，症狀選擇互動介面505中以選項的方式，條列出與心臟有關的症狀，供就診者點選，就診者按自身狀況點選，假設就診者的症狀是輕微但不甚明顯的心臟痛，並伴隨心悸和稍微的呼吸急促，就診者可點選最接近的症狀，包含不明顯的心臟疼痛、心悸、喘、呼吸急促等選項，完成後按下症狀選擇互動介面505下方的完成按鍵，接著螢幕上將顯示一個症狀確認介面507，如第6圖所揭示，供就診者再次確認所點選的症狀是正確的，就診者如果希望刪除或增加症狀，可按下重選按鍵，以便回到症狀選擇互動介面505重新點選，如果確認症狀都是正確的，就按下確認按鍵。

前端應用程式將會開始將就診者經由點選所提供的症狀描述，經由通訊鏈路上傳給雲端程式伺服器200上後端運算程式，供後端應用程式內的機器學習決策模型讀取與運算，並據此判斷適合就診者的門診科別，並透過一系列圖形化就診者介面向就診者推薦。

如第7圖所揭示之門診推薦介面509，會依照就診者的症狀，向就診者推薦合適的醫院、科別與醫師等推薦資訊，並顯示在門診推薦介面509中，每一筆推薦資訊也附上一個掛號按鍵，可提供就診者連結到對應的門診掛號網頁上，進行看診掛號作業。

但如果就診者因為各種原因，無法辨識出自己身體哪裡不舒服，則就診者可以按下第3圖身體部位選擇介面501下方的我無法辨識不舒服的身體部位的按鍵，按下之後螢幕會顯示出一個一般症狀選擇互動介面511，如第8圖所揭示，一般症狀選擇互動介面511中會根據一般生活中，各種人體不適症狀的發生機率，將容易遇到的不適症狀列出供就診者點選，供就診者依照自身狀況點選，點選完畢後按下一般症狀選擇互動介面511下方的完成按鍵。

接著如第9圖所揭示，螢幕顯示一個症狀自述介面513，其提供一個症狀自述視窗515，提供就診者以文字方式自述身體不適的症狀，就診者在症狀自述視窗515內，依照自己的感覺輸入，前端應用程式將會開始將就診者經由點選所提供的症狀描述，經由通訊鏈路上傳給雲端程式伺服器200上後端運算程式，供後端應用程式內的機器學習決策模型讀取與學習，並據此判斷適合就診者的門診科別，並透過一系列圖形化就診者介面向就診者推薦。

如第10圖所揭示之門診推薦介面517，會依照就診者的症狀，向就診者推薦合適的醫院、科別與醫師等推薦資訊，並顯示在門診推薦介面517中，每一筆推薦資訊也附上一個掛號按鍵，可提供就診者連線到對應的門診掛號網頁上，馬上進行看診掛號操作。

第11圖係揭示本發明智慧門診掛號輔助平台透過網路瀏覽器而在使用者裝置上顯示的圖形化就診者介面之示意圖；本發明智慧門診掛號輔助平台還可透過軟體即服務(SaaS)或平台即服務(PaaS)的雲端技術而建置，並透過網路瀏覽器作為前端介面，提供就診者存取、操作與使用雲端程式伺服器200上的後端運算程式。

就診者透過網路瀏覽器登入智慧門診掛號輔助平台後，平台改由網路瀏覽器提供一系列的引導式圖形化就診者介面(GUI)供就診者操作點選，如第11圖所揭示，平台將身體部位選擇介面501，改由透過網頁介面519向就診者顯示並提供就診者操作，在網頁中顯示的身體部位選擇介面501，相同的是以示意的方式顯示人體的正面與背面，並將人體劃分為多個區域，每一個區域都是一個按鍵，可提供就診者點選，就診者只按自身實際狀況，直覺點選覺得不舒服的部位。相同的，第3圖到第10圖中所揭示的、配置在前端應用程式中的一系列圖形化就診者介面，也可以改由網路瀏覽器透過雲端PaaS技術提供給就診者點選操作。

第12圖揭示本發明門診掛號輔助方法之實施步驟流程圖；小結而言，本發明門診掛號輔助方法600，較佳包含下列步驟：在該雲端程式伺服器上安裝門診掛號輔助平台電腦程式產品包含之後端運算程式其包含該機器學習決策模型(步驟602)；提供關鍵字集與醫病語料庫(步驟604)；在就診者之使用者裝置上執行該瀏覽器或該前端應用程式(步驟606)；透過該瀏覽器或該前端應用程式向該就診者提供圖形化就診者介面供該就診者操作(步驟608)；透過該圖形化就診者介面以基於個別差異的方式供該就診者輸入個人健康資訊或症狀資訊(步驟610)；將所輸入的該等症狀資訊與該等個人健康資訊上傳該機器學習決策模型(步驟612)；該機器學習決策模型根據該個人健康資訊、該症狀資訊、該關鍵字集或該醫病語料庫而判斷適合該就診者的至少一門診科別(步驟614)；透過該瀏覽器該前端應用程式向該就診者推薦該至少一門診科別(步驟616)；以及因應該就診者的操作而透過網際網路為該就診者在該至少一門診科別掛號(步驟618)。

綜上所述，本發明提出的門診掛號輔助系統及方法，還具備以下幾項優勢：引導民眾快速地運用醫療資訊，減化許多求醫過程繁瑣的程序，提供民眾獲得最即時、最準確的輔助指導；建立完善症狀連結門診資訊，讓民眾能夠自我查詢及減少來往醫療院所看病程序的麻煩，簡化繁瑣的流程；協助民眾症狀的整合連結，給予正確的建議就診的科別；減少看錯醫生、做錯檢查及醫療健保資源浪費不當情形，降低治療延遲的情況，改善民眾掛錯就診科別的現象，並連帶降低健保醫療資源浪費，以提高醫療品質；增加民眾知的權利，來達到醫療資源的正確使用率；整體可以增加民眾對整個身體健康過程的參與度，讓民眾更注重自我健康問題；以及提高醫療的資訊品質及生活便利性。

本發明以上各實施例彼此之間可以任意組合或者替換，從而衍生更多之實施態樣，但皆不脫本發明所欲保護之範圍，茲進一步提供更多本發明實施例如次：

實施例1：一種門診掛號輔助系統，包含：雲端程式伺服器，其經配置安裝有門診掛號輔助平台電腦程式產品包含之後端運算程式其包含機器學習決策模型，並選擇性儲存關鍵字集或醫病語料庫；以及複數使用者裝置，每一該等使用者裝置可執行瀏覽器或該門診掛號輔助平台電腦程式產品包含之前端應用程式，並因應就診者之操作而透過該瀏覽器或該前端應用程式向該就診者顯示圖形化就診者介面，而透過該圖形化就診者介面以基於個別差異的方式提供該就診者輸入個人健康資訊或症狀資訊，並上傳該機器學習決策模型根據該個人健康資訊、該症狀資訊、該關鍵字集或該醫病語料庫而判斷適合該就診者的至少一門診科別，並透過該瀏覽器或該前端應用程式向該就診者推薦。

實施例2：如實施例1所述之門診掛號輔助系統，還包含以下其中之一：資料庫伺服器，其經配置用於選擇性儲存該關鍵字集或該醫病語料庫以供該雲端程式伺服器存取；以及每一該等使用者裝置係經由網際網路而與該雲端程式伺服器建立通訊連結；以及每一該等使用者裝置上的該前端應用程式因應該就診者的操作，而透過網際網路為該就診者在該至少一門診科別掛號。

實施例3：如實施例1所述之門診掛號輔助系統，其中該症狀資訊包含症狀描述、症狀詢問答案、身體部位及其組合其中之一，該個人健康資訊包含性別、年齡、身高、體重、身體質量指數、用藥資訊、體內管路資訊、過往病歷資訊及其組合其中之一。

實施例4：如實施例1所述之門診掛號輔助系統，其中該機器學習決策模型係應用至少一機器學習技術作為核心決策程式模組，該至少一機器學習技術係選自關聯法則、Apriori演算法、類神經網路演算法、倒傳遞類神經網路演算法、調適性類神經模糊推論系統演算法、深度神經網路演算法、遞歸神經網路演算法、最佳降坡法、提升樹分類器、梯度提升樹分類器、強梯度提升機分類器、弱梯度提升機分類器、長短期記憶模型、多層感知演算法、集成學習分類器、弱學習分類器、強學習分類器、強投票分類器、弱投票分類器、支援向量機分類器、監督式學習分類器、半監督式學習分類器等、回歸樹分類器、隨機森林分類器、決策樹分類器、資料探勘技術及其組合其中之一。

實施例5：如實施例1所述之門診掛號輔助系統，其中該醫病語料庫包含來自各大醫療機構的病歷資料、以及門診科別涵蓋的症狀名詞，運用病歷回顧、文本分詞、斷詞處理、數位序列索引、文字探勘或資料探勘處理後，以結構化資料格式、半結構化資料格式或者非結構資料格式儲存為由複數詞彙(tokens)形成的大量文本(texts)，以提供該機器學習決策模型檢索、存取與學習。

實施例6：如實施例5所述之門診掛號輔助系統，其中該機器學習決策模型係以該醫病語料庫做為訓練集，經由大量讀取、學習並辨識該訓練集中所隱含該等詞彙的與門診科別間之關聯性、以及過去病歷的決策結果而建立，並經由識別決策過程之關鍵判別因子而產生該關鍵字集。

實施例7：一種門診掛號輔助系統，包含：資料庫伺服器，其經配置儲存關鍵字集或醫病語料庫；雲端程式伺服器，其經配置安裝有門診掛號輔助平台電腦程式產品包含之後端運算程式其包含機器學習決策模型，並可按照該後端運算程式之控制讀取該關鍵字集或該醫病語料庫；以及複數使用者裝置，每一該等使用者裝置可執行瀏覽器或該門診掛號輔助平台電腦程式產品包含之前端應用程式，並因應就診者之操作而透過該瀏覽器或該前端應用程式向該就診者顯示圖形化就診者介面，而透過該圖形化就診者介面以基於個別差異的方式蒐集該就診者之個人健康資訊或症狀資訊，並上傳該機器學習決策模型學習該個人健康資訊、該症狀資訊、該關鍵字集與該醫病語料庫而判斷適合該就診者的門診科別，並透過該瀏覽器或該前端應用程式向該就診者推薦。

實施例8：一種門診掛號輔助方法，包含：在該雲端程式伺服器上安裝門診掛號輔助平台電腦程式產品包含之後端運算程式其包含該機器學習決策模型；提供關鍵字集與醫病語料庫；透過瀏覽器或前端應用程式向就診者提供圖形化就診者介面供該就診者操作；透過該圖形化就診者介面以基於個別差異的方式供該就診者輸入個人健康資訊或症狀資訊；將所輸入的該等症狀資訊與該等個人健康資訊上傳該機器學習決策模型；該機器學習決策模型根據該個人健康資訊、該症狀資訊、該關鍵字集或該醫病語料庫而判斷適合該就診者的至少一門診科別；以及透過該瀏覽器或該前端應用程式向該就診者推薦該至少一門診科別。

實施例9：如實施例8所述之門診掛號輔助方法，還包含以下其中之一：在該雲端程式伺服器上儲存關鍵字集或醫病語料庫；在資料庫伺服器上儲存該關鍵字集或該醫病語料庫；在該就診者之使用者裝置上執行該瀏覽器或該前端應用程式；因應該就診者之操作而透過該瀏覽器或該前端應用程式向該就診者顯示該圖形化就診者介面；以及因應該就診者的操作而透過網際網路為該就診者在該至少一門診科別掛號。

實施例10：如實施例8所述之門診掛號輔助方法，還包含以下其中之一：集合來自各大醫療機構的病歷資料、以及門診科別涵蓋的症狀名詞，運用病歷回顧、文本分詞、斷詞處理、數位序列索引、文字探勘或資料探勘處理後，以結構化資料格式、半結構化資料格式或者非結構資料格式儲存為由複數詞彙(tokens)形成的大量文本(texts)，以建立該醫病語料庫，而提供該機器學習決策模型檢索、存取、學習及訓練；以該醫病語料庫做為訓練集輸入機器學習技術，提供該機器學習技術大量讀取、學習並辨識該訓練集中所隱含該等詞彙的與門診科別間之關聯性、以及過去病歷的決策結果而建立該機器學習決策模型；以及經由識別決策過程之關鍵判別因子而產生該關鍵字集。

本發明各實施例彼此之間可以任意組合或者替換，從而衍生更多之實施態樣，但皆不脫本發明所欲保護之範圍，本發明保護範圍之界定，悉以本發明申請專利範圍所記載者為準。