CN111933291A - 医疗信息推荐装置、方法、***、设备及可读存储介质 - Google Patents

医疗信息推荐装置、方法、***、设备及可读存储介质 Download PDF

Info

Publication number
CN111933291A
CN111933291A CN202010917473.3A CN202010917473A CN111933291A CN 111933291 A CN111933291 A CN 111933291A CN 202010917473 A CN202010917473 A CN 202010917473A CN 111933291 A CN111933291 A CN 111933291A
Authority
CN
China
Prior art keywords
medical information
information
trained
information recommendation
model
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.)
Pending
Application number
CN202010917473.3A
Other languages
English (en)
Inventor
曾俊达
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Ping An Smart Healthcare Technology Co ltd
Original Assignee
Ping An International Smart City Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Ping An International Smart City Technology Co Ltd filed Critical Ping An International Smart City Technology Co Ltd
Priority to CN202010917473.3A priority Critical patent/CN111933291A/zh
Publication of CN111933291A publication Critical patent/CN111933291A/zh
Pending legal-status Critical Current

Links

Images

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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/332—Query formulation
    • G06F16/3329—Natural language query formulation or dialogue systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/30—Semantic analysis
    • 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
    • G16H40/60—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 operation of medical equipment or devices
    • G16H40/67—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 operation of medical equipment or devices for remote operation
    • 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)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Databases & Information Systems (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Computational Linguistics (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Pathology (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Business, Economics & Management (AREA)
  • General Business, Economics & Management (AREA)
  • Human Computer Interaction (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

本申请涉及人工智能技术领域，公开了一种基于人工智能的医疗信息推荐方法，包括：接收输入的用户信息；根据所述用户信息确定对应的标准话术语库，并在所述标准话术语库中确定目标话术进行反馈；接收响应所述目标话术而输入的语音信息，并将所述语音信息转化为对应的文本信息；提取所述文本信息所包含的特征数据，并将所述特征数据输入至预先训练好的医疗信息推荐模型中，以得到对应的目标医疗信息；输出所述目标医疗信息。本申请还提供一种装置、计算机设备和存储介质。实现提高医疗诊断的工作效率，提高医疗结果信息推荐的准确性。

Description

医疗信息推荐装置、方法、***、设备及可读存储介质
技术领域
本申请涉及人工智能技术领域，尤其涉及一种基于人工智能的医疗信息推荐装置、方法、***、计算机设备及计算机可读存储介质。
背景技术
世界人口数量的不断增长，给医疗事业也带来了巨大的压力，虽然在一些大城市，医疗条件得到了很好的改善，但毕竟是资源有限。而且随着生活水平的不断提高，人们也越来越注重个人健康，无论是看病就诊，还是营养保健都希望在最短的时间内，得到最有效的医疗信息，以更好的进行治疗。
面临这样的压力，部分医院开发了网上咨询平台，患者通过在咨询平台上与医生之间的交流沟通，以使得医生对患者的病情进行一定的了解，进而给出相应的诊断结果和治疗方案。但是这样也存在一定的问题，比如处理效率低下，医疗方案推荐不够准确等，另外，由于需要在网上进行咨询，使得受众人群比较窄，并不适合老年人等。
因此，现在亟需一种提高医疗信息推荐准确性的医疗信息推荐方法。
发明内容
本申请提供了一种基于人工智能的医疗信息推荐装置、方法、计算机设备、***及存储介质，以提高医疗结果信息的推荐准确性。
第一方面，本申请提供了一种基于人工智能的医疗信息推荐方法，所述方法包括：
接收输入的用户信息；
根据所述用户信息确定对应的标准话术语库，并在所述标准话术语库中确定目标话术进行反馈；
接收响应所述目标话术而输入的语音信息，并将所述语音信息转化为对应的文本信息；
提取所述文本信息所包含的特征数据，并将所述特征数据输入至预先训练好的医疗信息推荐模型中，以得到对应的目标医疗数据；
输出所述目标医疗信息。
第二方面，本申请还提供了一种基于人工智能的医疗信息推荐装置，所述装置包括：
***启动模块，用于接收输入的用户信息；
话术获取模块，用于根据所述用户信息确定对应的话术语库，并获取相应的目标话术进行反馈；
语音处理模块，用于接收响应所述目标话术而输入的语音信息，并将所述语音信息转化为对应的文本信息；
模型调用模块，用于提取所述文本信息所包含的特征数据，并将所述特征数据输入至预先训练好的医疗信息推荐模型中，以得到对应的目标医疗信息；
信息输出模块，用于输出所述目标医疗信息。
第三方面，本申请还提供了一种计算机设备，所述计算机设备包括存储器和处理器；所述存储器用于存储计算机程序；所述处理器，用于执行所述计算机程序并在执行所述计算机程序时实现如上述的基于人工智能的医疗信息推荐方法。
第四方面，本申请还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时使所述处理器实现如上述的基于人工智能的医疗信息推荐方法。
本申请公开了一种基于人工智能的医疗信息推荐方法、装置、计算机设备及存储介质，在进行医疗信息的推荐时，通过与患者进行对话沟通，利用NLP技术实现对患者语音信息中的对自身病症的描述的获取，以根据描述和/或患者的历史诊断数据得到对应的特征数据，进而根据训练好的医疗信息推荐模型利用所得到的特征数据进行医疗信息的推荐，以输出一套涵盖药物治疗、饮食治疗、运动治疗、生理指标监测、慢病教育与心理改善等多个方面的患者个性化慢病自我综合管理方案。通过深度学习对模型的不断训练，提高模型预测的准确性，利用语音对话提高***的工作效率，利用NLP技术提高对患者语义识别的准确性且适用于多种不同的人群，如老年人群，另外，还实现了非面对面的诊断，提高了医疗诊断的工作效率。
附图说明
为了更清楚地说明本申请实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，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为本申请一个实施例中一种基于人工智能的医疗信息推荐方法的流程示意图；
图2为本申请一个实施例中得到目标医疗信息的步骤的流程示意图；
图3为本申请一个实施例中得到训练好的医疗信息推荐模型的步骤的流程示意图；
图4为本申请一个实施例中确定训练后的模型是否训练完成的步骤的流程示意图；
图5为本申请一个实施例中一种基于人工智能的医疗信息推荐装置的示意性框图；
图6为本申请一个实施例中计算机设备的结构示意性框图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
附图中所示的流程图仅是示例说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解、组合或部分合并，因此实际执行的顺序有可能根据实际情况改变。
应当理解，在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
下面结合附图，对本申请的一些实施方式作详细说明。在不冲突的情况下，下述的实施例及实施例中的特征可以相互组合。
请参阅图1，图1为本申请一个实施例中一种基于人工智能的医疗信息推荐方法的流程示意图。
如图1所示，该基于人工智能的医疗信息推荐方法包括步骤S101至步骤S104。
步骤S101、接收输入的用户信息。
在进行医疗信息的推荐时，控制***需要预先启动相应的医疗信息推荐***，进而通过与患者进行交互获取患者的病情特征，以实现医疗信息的推荐，其中，医疗信息包括医疗方案。在启动了医疗信息推荐***之后，将会提示患者进行信息的输入，此时在进行信息输入时，还可以提示患者将自己的用户信息进行输入，比如姓名、性别以及证件号，以保证患者的唯一性。在用户将自身的用户信息输入之后，控制***可以根据所接收到的用户信息进行相应的操作，比如患者的病情信息。
在一实施例中，该医疗信息推荐***的使用，可以智能的根据患者的病情状况实现医疗信息的推荐，而患者的实际病情状态可以是患者自行进行输入的，还可以是预先进行检测之后进行上传存储的，因此可以根据患者所输入的用户信息实现对患者的病情信息的读取。
另外，患者在根据医疗信息推荐***实现一次医疗信息的推荐之后，医疗信息推荐***会将所推荐的方案进行记录和存储，同时将所推荐的方案与对应的病情信息进行关联，因此在患者进行复诊时，可以根据之前所推荐的医疗信息对患者进行咨询。
步骤S102、根据所述用户信息确定对应的标准话术语库，并在所述标准话术语库中确定目标话术以进行反馈。
在医疗信息推荐***被启动时，获取相应的标准话术语库，标准话术语库中记录着疾病对应的一般话术，如针对疾病的病情咨询语句，因为不同疾病的病情询问方式会有所不同，因此，在启动医疗信息推荐***之后，首先需要确定对应的标准话术语库，进而在合适的标准话术语库中选择合适的目标话术进行反馈，以实现与患者之间的沟通。
因此，在医疗信息推荐***启动之后，根据所输入的用户信息确定与患者所对应的标准话术语库，然后在标准话术语库中确定对应的目标话术，以将目标话术进行反馈，以使得患者响应目标话术而实现患者病情信息的获取，其中，标准话术语库存储在区块链节点中。
在一实施例中，医疗信息推荐***中包含有若干针对不同疾病的医疗信息推荐子***，实现对不同疾病进行医疗信息推荐的需求，根据不同的疾病利用各自对应的***实现医疗信息的推荐。
由于疾病的不同，医生在进行诊断时的医疗术语是有所不同的，如2型糖尿病，在进行诊断时需要问到患者的包括饮食、睡眠、运动、心理状态、口服药以及注射剂等的相关信息；再如咳嗽，在进行诊断时需要问到的包括饮食、时间、口服药以及运动状态等相关信息。因此在进行医疗信息推荐时，根据患者输入的用户信息确定当前对应且合适的标准话术语库，进而在所得到的标准话术语库中选择合适的目标话术进行反馈。
在一实施例中，在得到用户信息之后，由于患者可能是首次使用该***实现医疗信息的推荐，还可能是已经使用过该***，因此***中可能会记录有患者的相关信息，那么此时在确定目标话术进行反馈时包括：根据所述用户信息进行查询，确定对应的患者是否为首次访问；若确定为首次访问，则在标准话术语库中确定目标话术进行反馈；若确定为非首次访问，则根据所述用户信息获取所述患者的历史医疗信息，并根据所述历史医疗信息以及所述标准话术语库确定目标话术进行反馈。
在患者时首次使用医疗信息推荐***进行医疗信息的推荐时，将会按照预先所设置的标准话术语库中选择常规的病情咨询方式，以按照所确定的病情咨询方式确定进行反馈的目标话术，比如此时的话术可以是“身体状态怎么样，以及是否有相关病史”，此时所获取的目标话术可能是固定的方式，以实现对患者病情信息的获取、
而在患者有使用该***进行医疗信息推荐的历史，那么一定会记录患者所对应的历史方案，患者通过之前的沟通和咨询得到了相应的医疗信息，以根据所得到的医疗信息进行治疗。当患者在治疗之后再次进行访问时，可能对于一些常规的问题将不会再进行询问，比如“是否具有相关病史”，此时将会根据历史推荐方案以及标准话术语库确定当前进行反馈的目标话术，而此时所得到的目标话术会具有一定的针对性，比如前一次咨询时是血压过高，那么此时可以直接询问具体地血压值，而不需要按照默认的方式进行反馈。
在一实施例中，在将所得到的目标话术进行反馈时，具体地反馈方式不做限制，可以是语音反馈，也可以是文字反馈。比如，在确定进行反馈的目标话术时，将目标话术转化为对应的语音信息，以利用医疗信息推荐***的语音播放功能实现将语音信息的播放。再比如，将所得到的目标话术展示在相应的显示界面上。
在实际应用中，患者在使用医疗信息推荐***进行医疗信息的推荐时，具体的使用场景不限，比如在医院和家里都可以使用，承载医疗信息推荐***的可以是医院中的某一医疗设备，如自助设备，通过在医疗设备上进行操作实现方案推荐，还可以是设置安装在移动终端上的应用程序或者小程序，且应用程序或者小程序与医院的相关***关联，通过在应用程序或者小程序上进行注册和登陆，以实现交互和方案推荐，如直接语音播放或者将目标话术以文字形式展示在移动终端的显示界面上。
而为了提高使用的便捷性和简单性，可以选择将目标话术转化为对应的语音信息，然后将所得到的语音信息进行播放，以实现对患者病情的咨询。
步骤S103、接收响应所述目标话术输入的语音信息，并将所述语音信息转化为对应的文本信息。
在对应的标准话术语库中确定进行反馈的目标话术之后，患者会根据目标话术进行信息反馈，因此此时将会接收到患者响应目标话术而输入的语音信息，并在接收到语音信息之后将语音信息转化为对应的文本信息。
在一实施例中，医疗信息推荐***所确定的目标话术的数量是若干的，但是并不是直接将所有的话术进行反馈，而是通过与患者的不断交互将目标话术进行反馈，如在反馈一次话术之后会接收一次患者的语音反馈，然后在进行第二次的话术反馈以及语音信息的接收，直至医疗信息推荐***确定对患者的病情信息获取完整，而在一般情况下，医疗信息推荐***可以根据所确定的目标话术实现对患者病情的完整获取，进而可以根据所获取的信息进行合理的医疗信息的推荐。
步骤S104、提取所述文本信息所包含的特征数据，并将所述特征数据输入至预先训练好的医疗信息推荐模型中，以得到对应的目标医疗信息。
在得到语音信息所对应的文本信息之后，将会利用医疗信息推荐***根据文本信息得到相对应的医疗信息，实际上，文本信息中包含有患者的病情信息，医生便可以根据病情信息实现对患者的诊断，因此此时医疗信息推荐洗衣将会通过对病情信息的分析处理，可以得到对应的医疗诊断结果，也就是可以得到的相匹配的医疗信息。
但是所得到的文本信息中所记录的信息包含有多种，除去有助于对患者的病情进行判断的病情信息之外，还会包括一些对病情诊断没有积极作用的信息，因此需要准确的对文本信息中的与病情信息相关的关键信息进行获取，以准确的进行分析和预测，故在得到文本信息之后，将会对文本信息中的特征数据进行提取，以得到有助于实现方案推荐的特征数据，然后将所得到的特征数据输入至预先训练好的医疗信息推荐模型中，通过医疗信息推荐模型的分析，以根据特征数据输出得到与患者相对应的医疗信息。
为了能够根据文本信息准确的进行医疗信息的推荐，因此在得到的文本信息之后，首先需要对文本信息进行相应的分析处理，进而根据所得到的分析给过以得到准确的医疗信息。具体地，如图2所示，步骤S104包括子步骤S201至子步骤S204。
子步骤S201、对所述文本信息进行分词处理，得到若干词组；
子步骤S202、记录所述若干词组之间的关联关系，并根据特征标签在所述若干词组中获取特征词组；
子步骤S203、对所述特征词组进行分析处理，得到对应的特征数据；
子步骤S204、将所述特征数据输入至预先训练好的医疗信息推荐模型中，以得到对应的目标医疗信息。
在对文本信息进行分析处理时，首先对文本信息进行分词处理，得到文本信息所对应的若干词组，在对文本信息进行分词处理时，根据常规的分隔符，如逗号、句号或者分号的标点符号，进行分词处理，还可以根据特殊的词进行分词，比如：的和地等，文本信息是根据患者的语音信息所转化得到的，在实现语音转化时，通过相应的语音识别技术实现对语音信息的转化。
在得到文本信息所对应的若干词组之后，记录词组之间的关联关系，具体可以是各词组在文本信息中的先后顺序，进而可以准确的知道不同特征所对应的信息。在进行分词处理之后，利用特征标签在若干词组中进行识别，以得到相应的特征词组，由于特征标签的多样性，使得所得到的特征词组也是由多个的，接着通过对特征词组的分析和对比确定进行输入的特征数据，进而根据训练好的医疗信息推荐模型得到对应的医疗信息。
在对文本信息进行分析处理时，可以利用NLP技术对文本信息进行分析处理，以得到患者所对应的特征数据。其中，NLP技术是神经语言程序学(Neuro-LinguisticProgramming)的英文缩写，N(Neuro)指的是神经***，包括大脑和思维过程，L(Linguistic)是指语言，更准确点说，是指从感觉信号的输入到构成意思的过程，P(Programming)是指为产生某种后果而要执行的一套具体指令，即指我们思维上及行为上的习惯，就如同电脑中的程序，可以透过更新软件而改变。利用NLP技术实现对用户意图和想法的分析，得到用户大脑的真正意图。
为了可以从患者的语音信息中获取与患者病情相关联的特征数据，因此需要对语音信息或者对应的文本信息中进行特征提取，进而通过对特征的分析，确定对应的特征数据。
在实际应用中，医生在对患者进行诊断时，是根据患者的主述、病史、查体等相关数据来确定的，并在得到患者的诊断结果之后根据诊断结果给出合适的医疗信息。而相关数据的来源可以根据所设定的标准话术来进行交互和获取。
比如，此时的话术为“近期有什么症状”，那么此时患者在对话术进行响应和应答时所反馈的信息可以为“劳累受凉后出现咳嗽、咽痛3天，无发热、胸痛、腹泻等症”，显然，患者所描述的信息便为主述和病史，然后通过语音转化以及特征提取，可以得到患者主述信息中的特征数据。
再比如，标准话术为“检测数据和结果”，对应的应答为“血压控制较平稳，血压值在120～126/74～80mmHg之间”。
另外，得到患者所反馈的语音信息之后，将会对进行语音转化所得到的对应的文本信息进行特征提取，进而得到与患者病情相关的特征数据。
比如，在所得到的文本信息为“劳累受凉后出现咳嗽、咽痛3天，无发热、胸痛、腹泻等症”，此时所对应的特征词组有：起因-(劳累、受凉)、症状-(咳嗽、咽痛)以及程度-(3天)，其中程度与症状之间根据词组之间的关联关系所确定，可以特指一个症状，也可以指向多个症状。
再比如，所得到的文本信息为“血压控制较平稳，血压值在120～126/74～80mmHg之间”，此时所对应的特征词组有：血压-120～126/74～80mmHg，对于特殊的信息在进行特征提取时会特别注意数字的描述，除了此处所描述的血压之外，还可以是心率、身高以及体重等。由于部分特征的获取并不会直接对应相应的症状，如上描述的咳嗽，因此此时还将对数据进行分析处理，比如将所得到血压值与标准血压值进行对比，确定是否处于正常状态，同样的对于其他的数据也可以通过对比确定是正常还是异常。因此，在针对此类数据进行特征数据的获取时，首先进行特征信息的识别，然后进行进一步的分析确定数据是否正常，此时所对应的特征数据可以是：血压-正常/异常，通常可以是：检测-(A-正常、B-异常、C-异常)，其中A、B以及C为某些参数，如体温、血压等。
在得到对应的特征数据之后，将所得到的特征数据作为预先所训练好的医疗信息推荐模型中，以输出得到相应的医疗信息。而为了使用预先所训练好的医疗信息推荐模型，需要预先进行训练所得到，因此，如图3所示，该基于人工智能的医疗信息推荐方法还包括步骤S301至步骤S304。
步骤S301、获取对待训练医疗信息推荐模型进行训练的历史病例数据。
在使用方案推荐模型之前，需要根据历史数据对医疗信息推荐模型进行一定的训练，然后在需要使用的时候，利用训练好的医疗信息推荐模型实现医疗信息的推荐。
其中，在对待训练的医疗信息推荐模型进行训练时，获取当前对待训练的医疗信息推荐模型进行训练的历史病例数据，然后利用历史病例数据实现对待训练的医疗推荐模型的训练。
对于历史病例数据而言，是一个记录有患者的病情状况以及所对应的医疗诊断方案，记录有患者的病情信息以及相关的医疗信息等。以SOAP病例来说，病例数据包括：主述、病史(S)；查体、辅助检查(O)；诊断、评价(A)以及处理计划(P)。其中，处理计划(P)便是针对S和O所得到的医疗信息。具体地，一个SOAP病例可以如下表1所示：
Figure BDA0002665529870000091
Figure BDA0002665529870000101
表1
在实际应用中，显然不同的SO所对应的AP也是有所不同的，也就是不同的患者情况有着不同的医疗推荐方案。通过利用大量的病例数据对待训练的医疗信息推荐模型进行训练，以实现在得到SO的时候，可以合理的得到AP。
步骤S302、按照病例特征对所述历史病例数据对应的病例进行特征提取。
在得到历史病例数据之后，对每一个病例按照特定的方式进行特征提取，以构建不同的特征之间的关联关系。因此在得到历史病例数据之后，首先进行特征的提取，并将每个病例数据中的特征进行关联。
通过对大量病例数据进行同样的处理，得到大量结构化的病例数据，具体依据S-O-A-P的结构形式得到结构化的数据，以利用所得到的结构化的数据对待训练的医疗信息推荐模型进行训练。
步骤S303、将进行特征提取所得到的数据输入至所述待训练医疗信息推荐模型中，并得到训练之后的医疗信息推荐模型。
在得到历史病例数据对应的特征信息之后，将根据所得到的特征信息对待训练的医疗信息推荐模型进行训练，具体地，将所得到的结构化数据输入至待训练的医疗信息推荐模型中，以使得待训练医疗信息推荐模型基于所输入的结构化数据对模型中的相关参数进行调整。
在对模型进行训练时，通常情况下训练样本越多，那么训练所得到的模型的准确性越高，通过大量数据的训练，不断对模型中某些参数进行调整，以提高模型预测的准确性。
在将结构化的S-O-A-P特征数据输入至待训练的医疗信息推荐模型中进行训练时，在输入第一组S-O-A-P特征数据时，会得到训练一次的模型，在输入第二组S-O-A-P特征数据时，利用两组数据对模型进行训练，以使得在模型调整时可以满足两组不同的数据，同样的，通过不断的训练，利用大量历史病例数据实现对模型的调整。由于模型的调整是可以时刻进行的，只要模型处于训练状态，每输入一次进行训练的数据，理论上都会使得模型进行一定的调节，但是大量数据的训练可以使得模型更加满足实际需求。
一般情况下，模型训练会在模型出现收敛时确定当前训练完成，而在确定模型是否收敛时，常用的方式包括有：某一参数满足特定条件以及训练次数满足训练需求等。在本方案中，进行训练的数据样本的数量是庞大的，因此可以在所有数据完成输入时，确定训练完成。但是，在确定训练完成之后还需要确定训练后的模型是否准确，因此需要通过反预测以确定模型是否可用。
步骤S304、确定所述训练之后的医疗信息推荐模型是否训练完成，并在训练完成时输出训练好的医疗信息推荐模型。
在完成对待训练的医疗信息推荐模型的训练之后，需要对其进行进一步的确定，以确定训练后的医疗信息推荐模型是否可以被使用。因此，此时将获取对模型进行验证的若干历史病例数据，以将进行模型验证的若干历史病例数据输入至训练后的医疗信息推荐模型中，以得到每个历史病例数据对应的医疗信息。而在实际上，每个进行验证的历史病例数据中会记录着各自对应的医疗信息，此时将所得到的医疗信息与历史病例数据中所得到的医疗信息进行对比，以根据所得到的对比结果确定方案推荐的准确性。
通过对进行验证的每个历史病例数据进行预测和对比，可以得到模型推荐的准确性，然后在确定训练完成时将会输出训练好的医疗信息推荐模型，其中训练完成指的是在进行验证时确认验证通过。
在确定训练之后的医疗信息推荐模型是否训练完成时，通过利用一定数据的历史病例数据进行验证，以确定是否训练完成。具体地，如图4所示，步骤S304中确定训练之后的医疗信息推荐模型是否训练完成包括子步骤S401至子步骤S403。
子步骤S401、获取对所述训练之后的医疗信息推荐模型进行验证的若干历史病例数据；
子步骤S402、将所述若干历史病例数据输入至所述训练之后的医疗信息推荐模型中，以得到对应的医疗信息；
子步骤S403、将所述所得到的医疗信息与所述若干历史病例数据所对应的标准医疗信息进行对比，以确定所述训练之后的医疗信息推荐模型是否训练完成。
在对训练之后的所得到的医疗信息推荐模型进行验证时，首先获取进行验证的若干历史病例数据，然后对历史病例数据输入至训练之后的医疗信息推荐模型中，以得到每个历史病例数据所对应的医疗信息，由于每个历史病例数据中记录有每个病例所对应的标准医疗信息，因此此时通过将所得到的医疗信息与对应的标准医疗信息进行对比，以根据所得到的对比结果确定训练之后的医疗信息推荐模型是否训练完成。
进行验证的每个历史病例数据都记录着各自对应的标准医疗信息，而在进行验证时，是验证在使用该医疗信息推荐模型进行医疗信息的推荐时，是否推荐准确，因此将进行验证的历史病例数据输入至进行训练之后的医疗信息推荐模型中，通过特征提取，数据分析得到的与进行验证的历史病例数据对应的医疗信息，进而进行对比确定方案的相似性。
在将所得到的医疗信息与相对应的标准医疗信息进行对比时，可以是医生人为判断的，也可以服务器是进行分析处理来判断的。医生可以通过对两个医疗信息的解读确定两个方案是否为同一个方案。而在进行自动判断时，具体包括：识别所述所得到的医疗信息对应的第一语义，以及识别所述对应的标准医疗信息对应的标准语义；将所述第一语义与所述标准语义进行分析对比，确定所述第一语义以所述标准语义的语义相似度值，以根据所述相似度值确定是否训练完成；其中，若所述语义相似度值大于或者等于预设相似度阈值，则确定所述训练之后医疗信息推荐模型训练完成；若所述语义相似度值小于预设相似度阈值，则确定所述训练之后的医疗信息推荐模型训练未完成。
在利用NLP语义分析实现对两个方案的解读之后，通过对两个医疗信息进行语义分析以确定两个方案的相似性，以在相似性满足特定条件时，如相似度超过95％(相似度越高越好，通常设置一个较高值，以保证模型在使用过程中的准确性)时，确定两个方案一致，反之则不一致，而在确定不一致的时候，说明模型训练还未完成，需要接着进行训练。
进一步地，在确定模型训练完成时，训练完成的医疗信息推荐模型将会被使用，而医疗信息推荐模型的使用是依据所输入的患者的病情数据而实现医疗信息的推荐，因此还需要准确的对患者的病情数据进行准确的获取。由上述描述可知，在获取患者的病情数据时，通过获取相应的标准话术实现与患者之间的交互，进而通过对患者的病情数据实现获取。因此在步骤S101之前还需要构建相应的标准话术语库，即在首次使用之前，接收所上传的标准话术，以形成标准话术语库。
在基于人工智能进行医疗信息的推荐时，需要智能化的实现与患者之间的交流沟通，因此需要***或者服务器除了进行医疗信息的预测和推荐之外，还需要收集患者对自身病情的描述，因此需要预先构建合适的诊断语料库，也就是标准话术语库，以使得***或服务器在进行医疗信息的推荐时，可以根据语料库中所记录的相关话术实现与患者的交流，以获取患者的相关病情信息。
在实际应用中，标准话术的上传可以是专家医生预设所设定的，具体为针对不同的疾病所特定需要询问的信息而对应产生的话术，还可以是常规诊断时所必须要了解的信息，比如关于询问患者基本信息的话术。通过接收上传的话术，以形成一个合理的诊断数据库，进而使得***或者服务器可以利用诊断语料库实现对用户信息以及病情状况的准确获取。
需要说明的是，医疗信息推荐***可以根据不同的疾病进行划分，也就是本方案中的医疗信息推荐***可以是针对某一类疾病而产生的，也可以是针对所有的疾病而产生的。区别在于，对于单一疾病来说，训练较为简单，且便于实时对***和模型进行更新。
步骤S105、输出所述目标医疗信息。
在利用训练好的医疗信息推荐模型，得到当前所对应的目标医疗信息之后，将会将所得到的目标医疗信息进行输出。具体地，在输出目标医疗信息时，可以直接将所得到的目标医疗信息进行展示，比如展示在相应的显示框中，如所使用的设备显示界面，还可以将目标医疗信息发送至目标用户相关联的终端设备上，如手机等，以便用户私密查看。
在上述描述的基于人工智能的医疗信息推荐模型中，在进行医疗信息的推荐时，通过与患者进行对话沟通，利用NLP技术实现对患者语音信息中的对自身病症的描述的获取，以根据描述和/或患者的历史诊断数据得到对应的特征数据，进而根据训练好的医疗信息推荐模型利用所得到的特征数据进行医疗信息的推荐，以输出一套涵盖药物治疗、饮食治疗、运动治疗、生理指标监测、慢病教育与心理改善等多个方面的患者个性化慢病自我综合管理方案。通过深度学习对模型的不断训练，提高模型预测的准确性，利用语音对话提高***的工作效率，利用NLP技术提高对患者语义识别的准确性且适用于多种不同的人群，如老年人群，另外，还实现了非面对面的诊断，提高了医疗诊断的工作效率。
请参阅图5，图5为本申请一个实施例中一种基于人工智能的医疗信息推荐装置的示意性框图，该装置用于执行前述的基于人工智能的医疗信息推荐方法。
如图5所示，该基于人工智能的医疗信息推荐装置500包括：
***启动模块501，用于接收输入的用户信息；
话术获取模块502，用于根据所述用户信息确定对应的话术语库，并获取相应的目标话术进行反馈；
语音处理模块503，用于接收响应所述目标话术而输入的语音信息，并将所述语音信息转化为对应的文本信息；
模型调用模块504，用于提取所述文本信息所包含的特征数据，并将所述特征数据输入至预先训练好的医疗信息推荐模型中，以得到对应的目标医疗信息；
信息输出模块505，用于输出所述目标医疗信息。
进一步地，在一个实施例中，所述基于人工智能的医疗信息推荐装置500还包括：
数据获取模块，用于获取对待训练医疗信息推荐模型进行训练的历史病例数据；
特征提取模块，用于按照病例特征对所述历史病例数据对应的病例进行特征提取；
模型训练模块，用于将进行特征提取所得到的数据输入至所述待训练医疗信息推荐模型中，并得到训练之后的医疗信息推荐模型；
模型输出模块，用于确定所述训练之后的医疗信息推荐模型是否训练完成，并在训练完成时输出训练好的医疗信息推荐模型
进一步地，在一个实施例中，所述模型输出模块具体还包括：
数据获取单元，用于获取对所述训练之后的医疗信息推荐模型进行验证的若干历史病例数据；
模型验证单元，用于将所述若干历史病例数据输入至所述训练后的医疗信息推荐模型中，以得到对应的医疗信息；
对比确认单元，用于将所述所得到的医疗信息与所述若干历史病例数据所对应的标准医疗信息进行对比，以确定所述训练之后的医疗信息推荐模型是否训练完成。
进一步地，在一个实施例中，所述对比确认单元具体还包括：
语义识别子单元，用于识别所述所得到的医疗信息对应的第一语义，以及识别所述对应的标准医疗信息对应的标准语义；
语义对比子单元，用于将所述第一语义与所述标准语义进行分析对比，确定所述第一语义与所述标准语义的语义相似度值，以根据所述相似度值确定是否训练完成；
对比确定子单元，用于若所述语义相似度值大于或者等于预设相似度阈值，则确定所述训练之后医疗信息推荐模型训练完成；以及，若所述语义相似度值小于预设相似度阈值，则确定所述训练之后的医疗信息推荐模型训练未完成。
进一步地，在一个实施例中，所述话术获取模块502具体还包括：
信息确定单元，用于根据所述用户信息进行查询，确定对应的患者是否为首次访问；
信息判断单元，用于若确定为首次访问，则在标准话术语库中确定目标话术进行反馈，其中所述标准话术语库存储在区块链节点中；以及，若确定为非首次访问，则根据所述用户信息获取所述患者的历史医疗信息，并根据所述历史医疗信息以及所述标准话术语库确定目标话术进行反馈。
进一步地，在一个实施例中，所述模型调用模块503具体还包括：
文本处理单元，用于对所述文本信息进行分词处理，得到若干词组；
特征获取单元，用于记录所述若干词组之间的关联关系，并根据特征标签在所述若干词组中获取特征词组；
分析处理单元，用于对所述特征词组进行分析处理，得到对应的特征数据；
模型处理单元，将所述特征数据输入至预先训练好的医疗信息推荐模型中，以得到对应的目标医疗信息。
需要说明的是，所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的装置和各模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
上述的装置可以实现为一种计算机程序的形式，该计算机程序可以在如图6所示的计算机设备上运行。
请参阅图6，图6为本申请一个实施例中计算机设备的结构示意性框图。该计算机设备可以是服务器。
参阅图6，该计算机设备包括通过***总线连接的处理器、存储器和网络接口，其中，存储器可以包括非易失性存储介质和内存储器。
非易失性存储介质可存储操作***和计算机程序。该计算机程序包括程序指令，该程序指令被执行时，可使得处理器执行任意一种基于人工智能的医疗信息推荐方法。
处理器用于提供计算和控制能力，支撑整个计算机设备的运行。
内存储器为非易失性存储介质中的计算机程序的运行提供环境，该计算机程序被处理器执行时，可使得处理器执行任意一种基于人工智能的医疗信息推荐方法。
该网络接口用于进行网络通信，如发送分配的任务等。本领域技术人员可以理解，图6中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
应当理解的是，处理器可以是中央处理单元(Central Processing Unit，CPU)，该处理器还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中，通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
其中，在一个实施例中，所述处理器用于运行存储在存储器中的计算机程序，以实现如下步骤：
接收输入的用户信息；根据所述用户信息确定对应的标准话术语库，并在所述标准话术语库中确定目标话术进行反馈；接收响应所述目标话术而输入的语音信息，并将所述语音信息转化为对应的文本信息；提取所述文本信息所包含的特征数据，并将所述特征数据输入至预先训练好的医疗信息推荐模型中，以得到对应的目标医疗信息；输出所述目标医疗信息。
在一个实施例中，所述处理器在实现所述计算机程序时，还用于实现：
获取对待训练医疗信息推荐模型进行训练的历史病例数据；按照病例特征对所述历史病例数据对应的病例进行特征提取；将进行特征提取所得到的数据输入至所述待训练医疗信息推荐模型中，并得到训练之后的医疗信息推荐模型；确定所述训练之后的医疗信息推荐模型是否训练完成，并在训练完成时输出训练好的医疗信息推荐模型。
在一个实施例中，所述处理器在实现所述确定所述训练之后的医疗信息推荐模型是否训练完成时，还用于实现：
获取对所述训练之后的医疗信息推荐模型进行验证的若干历史病例数据；将所述若干历史病例数据输入至所述训练后的医疗信息推荐模型中，以得到对应的医疗信息；将所述所得到的医疗信息与所述若干历史病例数据所对应的标准医疗信息进行对比，以确定所述训练之后的医疗信息推荐模型是否训练完成。
在一个实施例中，所述处理器在实现所述将所述所得到的医疗信息与所述若干历史病例数据所对应的标准医疗信息进行对比，以确定所述训练后的医疗信息推荐模型是否训练完成时，还用于实现：
识别所述所得到的医疗信息对应的第一语义，以及识别所述对应的标准医疗信息对应的标准语义；将所述第一语义与所述标准语义进行分析对比，确定所述第一语义与所述标准语义的语义相似度值，以根据所述相似度值确定是否训练完成；若所述语义相似度值大于或者等于预设相似度阈值，则确定所述训练之后医疗信息推荐模型训练完成；若所述语义相似度值小于预设相似度阈值，则确定所述训练之后的医疗信息推荐模型训练未完成。
在一个实施例中，所述处理器在实现所述根据所述用户信息确定对应的标准话术语库，并在所述标准话术语库中确定目标话术进行反馈时，还用于实现：
根据所述用户信息进行查询，确定对应的患者是否为首次访问；若确定为首次访问，则在标准话术语库中确定目标话术进行反馈；若确定为非首次访问，则根据所述用户信息获取所述患者的历史医疗信息，并根据所述历史医疗信息以及所述标准话术语库确定目标话术进行反馈。
在一个实施例中，所述处理器在实现所述提取所述文本信息所包含的特征数据，并将所述特征数据输入至预先训练好的医疗信息推荐模型中，以输出得到对应的目标医疗信息时，还用于实现：
对所述文本信息进行分词处理，得到若干词组；记录所述若干词组之间的关联关系，并根据特征标签在所述若干词组中获取特征词组；对所述特征词组进行分析处理，得到对应的特征数据；将所述特征数据输入至预先训练好的医疗信息推荐模型中，以得到对应的医疗信息。
在一个实施例中，所述处理器在实现所述计算机程序时，还用于实现：
接收所上传的标准话术，以形成标准话术语库。
本申请的实施例中还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序中包括程序指令，所述处理器执行所述程序指令，实现本申请实施例提供的任一项基于人工智能的医疗信息推荐方法。
其中，所述计算机可读存储介质可以是前述实施例所述的计算机设备的内部存储单元，例如所述计算机设备的硬盘或内存。所述计算机可读存储介质也可以是所述计算机设备的外部存储设备，例如所述计算机设备上配备的插接式硬盘，智能存储卡(SmartMedia Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。
进一步地，所述计算机可读存储介质可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作***、至少一个功能所需的应用程序等；存储数据区可存储根据区块链节点的使用所创建的数据等。
另外，本申请所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
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，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种基于人工智能的医疗信息推荐装置，其特征在于，所述装置包括：
***启动模块，用于接收输入的用户信息；
话术获取模块，用于根据所述用户信息确定对应的话术语库，并获取相应的目标话术进行反馈；
语音处理模块，用于接收响应所述目标话术而输入的语音信息，并将所述语音信息转化为对应的文本信息；
模型调用模块，用于提取所述文本信息所包含的特征数据，并将所述特征数据输入至预先训练好的医疗信息推荐模型中，以得到对应的目标医疗信息；
信息输出模块，用于输出所述目标医疗信息。
2.根据权利要求1所述的装置，其特征在于，所述装置还包括：
数据获取模块，用于获取对待训练医疗信息推荐模型进行训练的历史病例数据；
特征提取模块，用于按照病例特征对所述历史病例数据对应的病例进行特征提取；
模型训练模块，用于将进行特征提取所得到的数据输入至所述待训练医疗信息推荐模型中，并得到训练之后的医疗信息推荐模型；
模型输出模块，用于确定所述训练之后的医疗信息推荐模型是否训练完成，并在训练完成时输出训练好的医疗信息推荐模型。
3.根据权利要求2所述的装置，其特征在于，所述模型输出模块包括：
数据获取单元，用于获取对所述训练之后的医疗信息推荐模型进行验证的若干历史病例数据；
模型验证单元，用于将所述若干历史病例数据输入至所述训练后的医疗信息推荐模型中，以得到对应的医疗信息；
对比确认单元，用于将所述所得到的医疗信息与所述若干历史病例数据所对应的标准医疗信息进行对比，以确定所述训练之后的医疗信息推荐模型是否训练完成。
4.根据权利要求3所述的装置，其特征在于，所述对比确认单元包括：
语义识别子单元，用于识别所述所得到的医疗信息对应的第一语义，以及识别所述对应的标准医疗信息对应的标准语义；
语义对比子单元，用于将所述第一语义与所述标准语义进行分析对比，确定所述第一语义与所述标准语义的语义相似度值，以根据所述相似度值确定是否训练完成；
对比确定子单元，用于若所述语义相似度值大于或者等于预设相似度阈值，则确定所述训练之后医疗信息推荐模型训练完成；以及，若所述语义相似度值小于预设相似度阈值，则确定所述训练之后的医疗信息推荐模型训练未完成。
5.根据权利要求1所述的装置，其特征在于，所述话术获取模块包括：
信息确定单元，用于根据所述用户信息进行查询，确定对应的患者是否为首次访问；
信息判断单元，用于若确定为首次访问，则在标准话术语库中确定目标话术进行反馈，其中所述标准话术语库存储在区块链节点中；以及，若确定为非首次访问，则根据所述用户信息获取所述患者的历史医疗信息，并根据所述历史医疗信息以及所述标准话术语库确定目标话术进行反馈。
6.根据权利要求1所述的装置，其特征在于，所述模型调用模块包括：
文本处理单元，用于对所述文本信息进行分词处理，得到若干词组；
特征获取单元，用于记录所述若干词组之间的关联关系，并根据特征标签在所述若干词组中获取特征词组；
分析处理单元，用于对所述特征词组进行分析处理，得到对应的特征数据；
模型处理单元，将所述特征数据输入至预先训练好的医疗信息推荐模型中，以得到对应的目标医疗信息。
7.一种基于人工智能的医疗信息推荐方法，其特征在于，所述方法包括：
接收输入的用户信息；
根据所述用户信息确定对应的标准话术语库，并在所述标准话术语库中确定目标话术进行反馈；
接收响应所述目标话术而输入的语音信息，并将所述语音信息转化为对应的文本信息；
提取所述文本信息所包含的特征数据，并将所述特征数据输入至预先训练好的医疗信息推荐模型中，以得到对应的目标医疗信息；
输出所述目标医疗信息。
8.一种基于人工智能的医疗信息推荐***，其特征在于，所述***包括录音设备、存储器和处理器：
所述录音设备，用于接收输入的语音信息；
所述存储器中存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，使得所述处理器执行如权利要求7所述的基于人工智能的医疗信息推荐方法的步骤。
9.一种计算机设备，其特征在于，包括存储器和处理器：
所述存储器中存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，使得所述处理器执行如权利要求7所述的基于人工智能的医疗信息推荐方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机可读指令被所述处理器执行时，使得一个或多个处理器执行如权利要求7所述的基于人工智能的医疗信息推荐方法的步骤。
CN202010917473.3A 2020-09-03 2020-09-03 医疗信息推荐装置、方法、***、设备及可读存储介质 Pending CN111933291A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010917473.3A CN111933291A (zh) 2020-09-03 2020-09-03 医疗信息推荐装置、方法、***、设备及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010917473.3A CN111933291A (zh) 2020-09-03 2020-09-03 医疗信息推荐装置、方法、***、设备及可读存储介质

Publications (1)

Publication Number Publication Date
CN111933291A true CN111933291A (zh) 2020-11-13

Family

ID=73309195

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010917473.3A Pending CN111933291A (zh) 2020-09-03 2020-09-03 医疗信息推荐装置、方法、***、设备及可读存储介质

Country Status (1)

Country Link
CN (1) CN111933291A (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112418996A (zh) * 2020-11-30 2021-02-26 珠海采筑电子商务有限公司 电梯供应商的推荐方法及***
CN112435745A (zh) * 2020-12-18 2021-03-02 深圳赛安特技术服务有限公司 就诊策略推荐方法、装置、电子设备及存储介质
CN112734458A (zh) * 2020-12-25 2021-04-30 珠海大横琴科技发展有限公司 一种招商方法、装置、电子设备和可读存储介质
CN113407830A (zh) * 2021-06-16 2021-09-17 海信集团控股股份有限公司 一种信息推荐方法及设备
CN113707253A (zh) * 2021-08-30 2021-11-26 平安国际智慧城市科技股份有限公司 医疗方案推荐方法、装置、设备及介质
CN113823410A (zh) * 2021-09-24 2021-12-21 联仁健康医疗大数据科技股份有限公司 一种信息推荐方法、装置、存储介质及电子设备
CN114021579A (zh) * 2022-01-05 2022-02-08 浙江口碑网络技术有限公司 对象预测方法、装置、电子设备及计算机可读存储介质
CN116361429A (zh) * 2023-01-19 2023-06-30 北京伽睿智能科技集团有限公司 一种业务异常员工管理方法、***、设备及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108766561A (zh) * 2018-05-31 2018-11-06 平安医疗科技有限公司 病症信息处理方法、装置、计算机设备和存储介质
CN109886740A (zh) * 2019-01-31 2019-06-14 泰康保险集团股份有限公司 医疗信息咨询方法、医疗信息咨询装置、存储介质
CN110909137A (zh) * 2019-10-12 2020-03-24 平安科技（深圳）有限公司 基于人机交互的信息推送方法、装置和计算机设备
CN111259132A (zh) * 2020-01-16 2020-06-09 中国平安财产保险股份有限公司 话术推荐方法、装置、计算机设备和存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108766561A (zh) * 2018-05-31 2018-11-06 平安医疗科技有限公司 病症信息处理方法、装置、计算机设备和存储介质
CN109886740A (zh) * 2019-01-31 2019-06-14 泰康保险集团股份有限公司 医疗信息咨询方法、医疗信息咨询装置、存储介质
CN110909137A (zh) * 2019-10-12 2020-03-24 平安科技（深圳）有限公司 基于人机交互的信息推送方法、装置和计算机设备
CN111259132A (zh) * 2020-01-16 2020-06-09 中国平安财产保险股份有限公司 话术推荐方法、装置、计算机设备和存储介质

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112418996A (zh) * 2020-11-30 2021-02-26 珠海采筑电子商务有限公司 电梯供应商的推荐方法及***
CN112435745A (zh) * 2020-12-18 2021-03-02 深圳赛安特技术服务有限公司 就诊策略推荐方法、装置、电子设备及存储介质
CN112435745B (zh) * 2020-12-18 2024-04-05 深圳赛安特技术服务有限公司 就诊策略推荐方法、装置、电子设备及存储介质
CN112734458A (zh) * 2020-12-25 2021-04-30 珠海大横琴科技发展有限公司 一种招商方法、装置、电子设备和可读存储介质
CN113407830A (zh) * 2021-06-16 2021-09-17 海信集团控股股份有限公司 一种信息推荐方法及设备
CN113707253A (zh) * 2021-08-30 2021-11-26 平安国际智慧城市科技股份有限公司 医疗方案推荐方法、装置、设备及介质
CN113707253B (zh) * 2021-08-30 2023-06-27 深圳平安智慧医健科技有限公司 医疗方案推荐方法、装置、设备及介质
CN113823410A (zh) * 2021-09-24 2021-12-21 联仁健康医疗大数据科技股份有限公司 一种信息推荐方法、装置、存储介质及电子设备
CN114021579A (zh) * 2022-01-05 2022-02-08 浙江口碑网络技术有限公司 对象预测方法、装置、电子设备及计算机可读存储介质
CN114021579B (zh) * 2022-01-05 2022-04-19 浙江口碑网络技术有限公司 对象预测方法、装置、电子设备及计算机可读存储介质
CN116361429A (zh) * 2023-01-19 2023-06-30 北京伽睿智能科技集团有限公司 一种业务异常员工管理方法、***、设备及存储介质
CN116361429B (zh) * 2023-01-19 2024-02-02 北京伽睿智能科技集团有限公司 一种业务异常员工管理方法、***、设备及存储介质

Similar Documents

Publication Publication Date Title
US11120895B2 (en) Systems and methods for mental health assessment
US11942194B2 (en) Systems and methods for mental health assessment
CN111933291A (zh) 医疗信息推荐装置、方法、***、设备及可读存储介质
US11776669B2 (en) System and method for synthetic interaction with user and devices
Owen et al. Good-enough level and dose-effect models: Variation among outcomes and therapists
US20190221317A1 (en) System and method for providing model-based treatment recommendation via individual-specific machine learning models
US20140122109A1 (en) Clinical diagnosis objects interaction
WO2022267678A1 (zh) 视频问诊方法、装置、设备及存储介质
WO2017015392A1 (en) Systems and methods for analyzing healthcare data
US20100023351A1 (en) System and method for automated diagnostics and medical treatment development for oriental medicine
CN112331298A (zh) 开具药方的方法、装置、电子设备及存储介质
WO2022257630A1 (zh) 基于多模态隐匿信息测试的风险检测方法及装置
KR20220079789A (ko) 생체 측정 장비와 연동 된 질병 발생 예측 시스템
CN117524401A (zh) 医学报告的生成方法及相关装置
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
CN114743647A (zh) 医疗数据处理方法、装置、设备及存储介质
US20210335491A1 (en) Predictive adaptive intelligent diagnostics and treatment
Griol et al. Towards emotionally sensitive conversational interfaces for e-therapy
KR102314332B1 (ko) 머신러닝 자연어 처리를 활용한 의사-환자의 진료상담 지원 시스템 및 방법
CN111931091B (zh) 页面内容展示方法、装置、计算机设备及存储介质
US20230317222A1 (en) Machine learning-based electronic health record prediction
Gao et al. Dialogue Medical Information Extraction with Medical-Item Graph and Dialogue-Status Enriched Representation
Al-Aiad et al. The factors that impact the adoption and Usage of Telemedicine in Chronic Diseases: Systematic Review
CN113840006A (zh) 问诊接口的管理方法、装置、电子设备以及存储介质
CN117976133A (zh) 一种应用于临床药学的信息交互控制方法及***

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20220921

Address after: Room 2601 (Unit 07), Qianhai Free Trade Building, No. 3048, Xinghai Avenue, Nanshan Street, Qianhai Shenzhen-Hong Kong Cooperation Zone, Shenzhen, Guangdong 518000

Applicant after: Shenzhen Ping An Smart Healthcare Technology Co.,Ltd.

Address before: 1-34 / F, Qianhai free trade building, 3048 Xinghai Avenue, Mawan, Qianhai Shenzhen Hong Kong cooperation zone, Shenzhen, Guangdong 518000

Applicant before: Ping An International Smart City Technology Co.,Ltd.