CN112100331A - 医疗数据分析方法及装置、存储介质、电子设备 - Google Patents
医疗数据分析方法及装置、存储介质、电子设备 Download PDFInfo
- Publication number
- CN112100331A CN112100331A CN202010959462.1A CN202010959462A CN112100331A CN 112100331 A CN112100331 A CN 112100331A CN 202010959462 A CN202010959462 A CN 202010959462A CN 112100331 A CN112100331 A CN 112100331A
- Authority
- CN
- China
- Prior art keywords
- patient
- data
- doctor
- result
- screening
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000007405 data analysis Methods 0.000 title claims abstract description 50
- 238000012216 screening Methods 0.000 claims abstract description 134
- 230000011218 segmentation Effects 0.000 claims abstract description 95
- 238000012545 processing Methods 0.000 claims abstract description 24
- 201000010099 disease Diseases 0.000 claims description 47
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 47
- 238000004458 analytical method Methods 0.000 claims description 37
- 238000012502 risk assessment Methods 0.000 claims description 17
- 238000012360 testing method Methods 0.000 claims description 11
- 238000012916 structural analysis Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 9
- 208000024891 symptom Diseases 0.000 claims description 7
- 238000003556 assay Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 6
- 238000010224 classification analysis Methods 0.000 claims description 5
- 238000010191 image analysis Methods 0.000 claims description 5
- 238000011156 evaluation Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 2
- 230000036541 health Effects 0.000 description 19
- 239000000047 product Substances 0.000 description 17
- 238000003745 diagnosis Methods 0.000 description 12
- 208000028659 discharge Diseases 0.000 description 9
- 238000010586 diagram Methods 0.000 description 7
- 238000007726 management method Methods 0.000 description 6
- 238000013475 authorization Methods 0.000 description 4
- 230000006866 deterioration Effects 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 238000011895 specific detection Methods 0.000 description 2
- 208000004998 Abdominal Pain Diseases 0.000 description 1
- 206010000060 Abdominal distension Diseases 0.000 description 1
- 206010056519 Abdominal infection Diseases 0.000 description 1
- 208000012671 Gastrointestinal haemorrhages Diseases 0.000 description 1
- WHUUTDBJXJRKMK-UHFFFAOYSA-N Glutamic acid Natural products OC(=O)C(N)CCC(O)=O WHUUTDBJXJRKMK-UHFFFAOYSA-N 0.000 description 1
- 206010022653 Intestinal haemorrhages Diseases 0.000 description 1
- 229910019142 PO4 Inorganic materials 0.000 description 1
- 208000002193 Pain Diseases 0.000 description 1
- 102000007584 Prealbumin Human genes 0.000 description 1
- 108010071690 Prealbumin Proteins 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000002552 dosage form Substances 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 235000013922 glutamic acid Nutrition 0.000 description 1
- 239000004220 glutamic acid Substances 0.000 description 1
- 208000035861 hematochezia Diseases 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 208000028774 intestinal disease Diseases 0.000 description 1
- 208000003243 intestinal obstruction Diseases 0.000 description 1
- 206010022694 intestinal perforation Diseases 0.000 description 1
- 238000009533 lab test Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000003032 molecular docking Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- NBIIXXVUZAFLBC-UHFFFAOYSA-K phosphate Chemical compound [O-]P([O-])([O-])=O NBIIXXVUZAFLBC-UHFFFAOYSA-K 0.000 description 1
- 239000010452 phosphate Substances 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/3331—Query processing
- G06F16/334—Query execution
- G06F16/3344—Query execution using natural language analysis
-
- 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
- G06F16/335—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
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
-
- 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
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/08—Insurance
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Finance (AREA)
- Computational Linguistics (AREA)
- Accounting & Taxation (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Probability & Statistics with Applications (AREA)
- Technology Law (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明实施例是关于一种医疗数据分析方法及装置、存储介质、电子设备,涉及医疗大数据处理技术领域,该方法包括:获取医患对话数据,并对所述医患对话数据进行识别,得到待分析医疗文本;对所述待分析医疗文本进行分词处理,得到多个分词结果,并对各所述分词结果进行筛查,得到多个筛查结果;根据各所述筛查结果的数据来源,对各所述筛查结果进行标识,并根据所述筛查结果的标识结果,确定所述医患对话数据中的患者所属的患者类别;根据所述患者所属的患者类别,为所述患者匹配对应的保险方案。本发明实施例提高了用户画像的准确率。
Description
技术领域
本发明实施例涉及医疗大数据处理技术领域,具体而言,涉及一种医疗数据分析方法、医疗数据分析装置、计算机可读存储介质以及电子设备。
背景技术
目前,互联网医疗已经被广大民众所接受,医生通过网络对患者进行问诊、开处方等正逐渐成为一种趋势。与此同时,随着大众对健康险和重疾险认知的加强,商业医疗保险正成为社会医疗保险的重要补充,将个人健康风险和患病风险与商业医疗保险联系在一起,可以有效缓解个人在突发重大疾病时医疗费用不足的困境,因此,大众主动买保险已经是当前的热潮。
对于保险公司而言,如何准确的了解客户需求,为其匹配合适的保险产品,同时降低保险公司的受理风险,是当下保险公司亟需解决的一个问题。为了解决该问题,现有技术所采用的方法为:根据用户对某一保险产品的具体触控行为,计算用户对该保险产品的兴趣度,进而根据兴趣度为用户匹配对应的保险产品。
但是,上述方案存在如下缺陷:一方面,无法对用户所属的疾病及适用保险的类别进行判定,进而无法根据用户所属的疾病和适用保险的类别生成用户画像,使得用户画像的准确率较低;另一方面,无法根据医患对话数据中所包括的用户的实际信息对用户的兴趣度进行计算,进而使得用户的兴趣度的准确率较低。
需要说明的是,在上述背景技术部分发明的信息仅用于加强对本发明的背景的理解,因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本发明的目的在于提供一种医疗数据分析方法、医疗数据分析装置、计算机可读存储介质以及电子设备,进而至少在一定程度上克服由于相关技术的限制和缺陷而导致的用户画像的准确率较低的问题。
根据本公开的一个方面,提供一种医疗数据分析方法,包括:
获取医患对话数据,并对所述医患对话数据进行识别,得到待分析医疗文本;
对所述待分析医疗文本进行分词处理,得到多个分词结果,并对各所述分词结果进行筛查,得到多个筛查结果;
根据各所述筛查结果的数据来源,对各所述筛查结果进行标识,并根据所述筛查结果的标识结果,确定所述医患对话数据中的患者所属的患者类别;
根据所述患者所属的患者类别,为所述患者匹配对应的保险方案。
在本公开的一种示例性实施例中,所述对所述医患对话数据进行识别,得到待分析医疗文本,包括:
根据所述医患对话数据的数据类型对所述医患对话数据进行分类,得到影像类数据、语音类数据以及文本类数据;
对所述语音类数据进行识别得到语音识别文本,并对所述影像类数据进行结构化解析,得到具有结构关系的影像识别文本。
在本公开的一种示例性实施例中,所述对所述待分析医疗文本进行分词处理,得到多个分词结果,包括:
基于预设的医疗知识库,对所述语音识别文本、影像识别文本以及所述文本类数据进行分词得到多个分词结果;
其中,所述预设的医疗知识库中包括标准名、近义词以及关联症状词中的多种。
在本公开的一种示例性实施例中,所述对所述影像类数据进行结构化解析,得到具有结构关系的影像识别文本,包括:
根据所述影像类数据所属的类别标签,对所述影像类数据进行结构化解析,得到包括键值关系的影像识别文本;
其中,所述类别标签包括化验单和/或出院小结。
在本公开的一种示例性实施例中,所述对各所述分词结果进行筛查,得到多个筛查结果,包括:
基于预设的化验知识库对各所述分词结果进行筛查,得到符合预设条件的分词结果;其中,所述预设条件为化验结果中的指标数据为阳性;
对所述符合预设条件的分词结果的词频进行统计,并根据统计结果筛查出词频数大于预设阈值的分词结果;
对所述词频数大于预设阈值的分词结果中包括的停用词以及语气词进行过滤,得到所述多个筛查结果。
在本公开的一种示例性实施例中,所述根据各所述筛查结果的数据来源,对各所述筛查结果进行标识,包括:
根据各所述筛查结果对应的角色,对各所述筛查结果进行标识;其中,所述角色包括患者角色以及医院角色。
在本公开的一种示例性实施例中,所述根据所述筛查结果的标识结果,确定所述医患对话数据中的患者所属的患者类别,包括:
根据所述标识结果为所述筛查结果配置权重,并在预设的重疾知识库中对所述筛查结果进行匹配;
根据匹配结果以及所述筛查结果对应权重,确定所述医患对话数据中的患者所属的患者类型;其中,所述患者类型包括重疾患者或一般患者。
在本公开的一种示例性实施例中,所述根据所述患者所属的患者类别,为所述患者匹配对应的保险方案,包括:
如果所述患者类型为重疾患者,则为所述患者匹配重疾险;
如果所述患者类型为一般疾病患者,则为所述患者匹配健康险。
在本公开的一种示例性实施例中,所述医疗数据分析方法还包括:
根据所述患者所对应的疾病名称、所述医患对话数据中包括的医院数据以及所述分词结果中包括的化验结果中的指标数据为阳性的分词结果,对所述患者的疾病趋势风险进行评估,得到风险评估结果;
其中,所述风险评估结果包括恶化的风险概率、由恶化趋于良性的风险概率以及由良性趋于恶化的风险概率中的一种。
在本公开的一种示例性实施例中,所述根据所述患者所属的患者类别,为所述患者匹配对应的保险方案,还包括:
根据所述患者所属的患者类别以及所述风险评估结果,为所述患者匹配对应的保险方案。
根据本公开的一个方面,提供一种医疗数据分析***,包括:
患者的用户端,
医生的用户端,
远程问诊***,所述患者的用户端以及医生的用户端分别与所述远程问诊***网络连接,患者以及医生分别通过所述患者的用户端以及医生的用户端,通过远程问诊***进行沟通,以产生医患对话数据;
医患对话分析***,与所述远程问诊***网络连接,用于从所述远程问诊***获取所述医患对话数据,并实现上述任一项所述的医疗数据分析方法。
在本公开的一种示例性实施例中,所述医疗数据分析***还包括:
保险销售支持***,与所述医患对话分析***网络连接,用于从所述医患对话分析***中获取保险方案,并将所述保险方案推送至对应的客户端;其中,所述客户端包括与所述患者对应的销售人员的客户端、所述患者的用户端以及所述医生的用户端中的至少一种。。
在本公开的一种示例性实施例中,所述医患对话分析***包括:
中控模块,用于从所述远程问诊***获取所述医患对话数据,并根据所述医患对话数据的数据类型对所述医患对话数据进行分类,得到影像类数据、语音类数据以及文本类数据;以及在接收到所述销售支持***的数据请求以后,将所述保险方案推送给所述销售支持***;
影像分类模块,与所述中控模块网络连接,用于对所述影像类数据的影像质量进行判定;
影像解析模块,与所述中控模块网络连接,用于对质量判定后的影像类数据进行结构化解析,得到具有结构关系的影像识别文本;
语音识别模块,与所述中控模块网络连接,用于对语音类数据的进行识别,得到语音识别文本;
文本分析模块,与所述中控模块网络连接,用于对所述待分析医疗文本进行分词处理,得到多个分词结果,并对各所述分词结果进行筛查,得到多个筛查结果;以及根据各所述筛查结果的数据来源,对各所述筛查结果进行标识;
疾病归类与风险分析模块,用于根据所述筛查结果的标识结果,确定所述医患对话数据中的患者所属的患者类别;根据所述患者所属的患者类别,为所述患者匹配对应的保险方案。
根据本公开的一个方面,提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述任意一项所述的医疗数据分析方法。
根据本公开的一个方面,提供一种电子设备,包括:
处理器;以及
存储器,用于存储所述处理器的可执行指令;
其中,所述处理器配置为经由执行所述可执行指令来执行上述任意一项所述的医疗数据分析方法。
本发明实施例提供的一种医疗数据分析方法,一方面,通过获取医患对话数据,并对医患对话数据进行识别,得到待分析医疗文本;并对待分析医疗文本进行分词处理,得到多个分词结果,并对各分词结果进行筛查,得到多个筛查结果;再根据各筛查结果的数据来源,对各筛查结果进行标识,并根据筛查结果的标识结果,确定医患对话数据中的患者所属的患者类别;最后根据患者所属的患者类别,为患者匹配对应的保险方案,解决了现有技术中无法对用户所属的疾病及适用保险的类别进行判定,进而无法根据用户所属的疾病以及适用保险的类别生成用户画像,使得用户画像的准确率较低的问题;另一方面,当得到患者所属的类别以后,可以根据患者所属的类别计算患者的兴趣度,解决了现有技术中无法根据医患对话数据中所包括的用户的实际信息对用户的兴趣度进行计算,进而使得用户的兴趣度的准确率较低的问题;再一方面,通过对各分词结果进行筛查,得到多个筛查结果,再根据各筛查结果的数据来源,对各筛查结果进行标识,提高了筛查结果的准确率;进一步的,通过根据患者所属的患者类别,为患者匹配对应的保险方案,提高了保险方案推荐的准确率,提升了用户体验。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本发明。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本发明的实施例,并与说明书一起用于解释本发明的原理。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示意性示出根据本发明示例实施例的一种医疗数据分析方法的流程图。
图2示意性示出根据本发明示例实施例的一种医疗数据分析***的框图。
图3示意性示出根据本发明示例实施例的另一种医疗数据分析***的框图。
图4示意性示出根据本发明示例实施例的一种医疗对话分析***的框图。
图5示意性示出根据本发明示例实施例的一种结构化处理后的影像识别文本的示例图。
图6示意性示出根据本发明示例实施例的另一种结构化处理后的影像识别文本的示例图。
图7示意性示出根据本发明示例实施例的一种对各分词结果进行筛查,得到多个筛查结果的方法流程图。
图8示意性示出根据本发明示例实施例的另一种医疗数据分析方法的流程图。
图9示意性示出根据本发明示例实施例的一种医疗数据分析装置的框图。
图10示意性示出根据本发明示例实施例的一种用于实现上述医疗数据分析方法的电子设备。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的范例;相反,提供这些实施方式使得本发明将更加全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中,提供许多具体细节从而给出对本发明的实施方式的充分理解。然而,本领域技术人员将意识到,可以实践本发明的技术方案而省略所述特定细节中的一个或更多,或者可以采用其它的方法、组元、装置、步骤等。在其它情况下,不详细示出或描述公知技术方案以避免喧宾夺主而使得本发明的各方面变得模糊。
此外,附图仅为本发明的示意性图解,并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体,不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
本示例实施方式中首先提供了一种医疗数据分析方法,该方法可以运行于服务器、服务器集群或云服务器等;当然,本领域技术人员也可以根据需求在其他平台运行本发明的方法,本示例性实施例中对此不做特殊限定。参考图1所示,该医疗数据分析方法可以包括以下步骤:
步骤S110.获取医患对话数据,并对所述医患对话数据进行识别,得到待分析医疗文本;
步骤S120.对所述待分析医疗文本进行分词处理,得到多个分词结果,并对各所述分词结果进行筛查,得到多个筛查结果;
步骤S130.根据各所述筛查结果的数据来源,对各所述筛查结果进行标识,并根据所述筛查结果的标识结果,确定所述医患对话数据中的患者所属的患者类别;
步骤S140.根据所述患者所属的患者类别,为所述患者匹配对应的保险方案。
上述医疗数据分析方法中,一方面,通过获取医患对话数据,并对医患对话数据进行识别,得到待分析医疗文本;并对待分析医疗文本进行分词处理,得到多个分词结果,并对各分词结果进行筛查,得到多个筛查结果;再根据各筛查结果的数据来源,对各筛查结果进行标识,并根据筛查结果的标识结果,确定医患对话数据中的患者所属的患者类别;最后根据患者所属的患者类别,为患者匹配对应的保险方案,解决了现有技术中无法对用户所属的疾病及适用保险的类别进行判定,进而无法根据用户所属的疾病及适用保险的类别生成用户画像,使得用户画像的准确率较低的问题;另一方面,当得到患者所属的类别以后,可以根据患者所属的类别计算患者的兴趣度,解决了现有技术中无法根据医患对话数据中所包括的用户的实际信息对用户的兴趣度进行计算,进而使得用户的兴趣度的准确率较低的问题;再一方面,通过对各分词结果进行筛查,得到多个筛查结果,再根据各筛查结果的数据来源,对各筛查结果进行标识,提高了筛查结果的准确率;进一步的,通过根据患者所属的患者类别,为患者匹配对应的保险方案,提高了保险方案推荐的准确率,提升了用户体验。
以下,将对本发明示例实施例医疗数据处理方法中涉及的各步骤进行详细的解释以及说明。
首先,对本发明示例实施例的应用场景以及发明目的进行解释以及说明。
具体的,本发明示例实施例可以应用于医疗客服、远程问诊、保险客服、保险销售等不同应用场景中,主要用于对与客户沟通交流的内容的自动挖掘与分析、质检。
本发明示例实施例以医生和患者的互联网问诊对话语音和文本数据为基础,从中分析客户的病情、匹配对应的医疗险产品,进而提高了医疗保险产品的匹配的准确率。具体理由如下:一方面,医患对话数据一般是患者真实状态的体现,包括既往史、病情现状描述,这些内容一般不会造假,数据可靠性极大优于常规投保中客户自己填写提交的“健康告知书”;另一方面,医生的诊断数据往往包含可能疾病类型、严重程度、后续治疗方案建议等,进而可以根据该可能疾病类型、严重程度、后续治疗方案建议推断用户的健康状况,进而可以基于客户紧需的看病需求,实现了医疗健康保险产品的精准销售;再一方面,基于此类数据,既可以防止客户带病投保,又可以为根据客户患病的现状,为其推荐长期医疗险保障产品,降低后期高昂治疗费用风险。
其次,对本发明示例实施例中所涉及的医疗数据分析***进行解释以及说明。参考图2所示,该医疗数据分析***可以包括患者的用户端210、远程问诊***220、医生的用户端230、医患对话分析***240。其中,远程问诊***分别与患者的用户端以及医生的用户端连接,医患对话分析***与远程问诊***连接。具体的,患者以及医生分别通过各自的用户端,通过远程问诊***进行沟通,进而产生医患对话数据;
医患对话分析***医患对话分析***拥有独立的对外服务接口和授权管理,***目前对外提供的服务接口只有:数据抽取和消息推送两种HTTP服务接口;具体的,远程问诊***将数据存储接口暴露给医患对话分析***,由该***进行医患对话数据的获取,其中,该医患对话数据的数据类型包括:文本、语音以及图像,其中,文本只是双方敲字对话的数据、语音是指双方或单方通过语音对话的数据、图像主要是患者上传的既往化验单等影像数据;然后通过本发明示例实施例提供的医疗数据分析方法对医患对话数据进行分析。
进一步的,参考图3所示,该医疗数据分析***还可以包括保险销售支持***310,该保险销售支持***与医患对话分析***连接。具体的,医患对话分析***可以将分析后的与保险销售相关的数据(保险方案)推送给保险销售支持***,由保险销售支持***实时转发至患者对应的销售人员客户端使用,以使得销售人员可以第一时间看到客户对哪类重疾有诉求,以及风险等级或者哪类健康险诉求及风险等级,用于有针对性的与客户沟通,进而促进保险销售的成功率,也可以直接推荐给患者客户端由患者自行选择适用诊断疾病的保险产品,也可以推荐给医生客户端由医生在诊疗的同时向患者推荐保险产品,本发明对此不做特殊限制。
进一步的,整个医患对话分析***以微服务的形式对外部***赋能,整体可以看做一个黑盒,通过接口访问,外部***无需关注其内部实现逻辑。具体的,参考图4所示,该医患对话分析***可以包括中控模块401、影像分类模块402、影像解析模块403、语音识别模块404、文本分析模块405、疾病归类与风险分析模块406、授权认证***407以及运维管理***408;其中,中控模块401分别与影像分类模块402、影像解析模块403、语音识别模块404、文本分析模块405、疾病归类与风险分析模块406、授权认证***407以及运维管理***408进行连接。详细而言:
中控模块401为医患对话分析***的核心任务管理与调度引擎,可以用于从远程问诊***中获取医患对话数据,并根据所述医患对话数据的数据类型对所述医患对话数据进行分类,得到影像类数据、语音类数据以及文本类数据;同时,在接收到销售支持***的数据请求以后,将得到保险推荐方案推送给销售支持***;并且,中控模块还需要实时的与其他模块进行通信,进而得到处理结果;
影像分类模块402,用于对所述影像类数据的影像质量进行判定,也就是对影像质量进行检查与分类标识,具体可以包括:对影像数据的图片类别、图像清晰度以及字体清晰度进行判定;
影像解析模块403,用于对质量判定后的影像类数据进行结构化解析,得到具有结构关系的影像识别文本,即质量判定后的影像数据的影像内容的OCR识别与结构化解析,并匹配纠错;
语音识别模块404,用于对语音类数据的进行识别,得到语音识别文本,即对医患对话数据中的语音(对话)数据的识别与文本化,具体可以包括:端点检测、医疗领域语音识别以及自然语言纠错;
文本分析模块405,用于对所述待分析医疗文本进行分词处理,得到多个分词结果,并对各所述分词结果进行筛查,得到多个筛查结果;以及根据各所述筛查结果的数据来源,对各所述筛查结果进行标识,即对根据医患对话数据得到的文本数据中与疾病相关数据的抽取与结构化,具体可以包括:对医生以及患者的角色进行分离、疾病诊断以及自然语言纠错;
疾病归类与风险分析模块406,用于根据所述筛查结果的标识结果,确定所述医患对话数据中的患者所属的患者类别;根据所述患者所属的患者类别,为所述患者匹配对应的保险方案,即对疾病严重程度、与保险产品的匹配度、以及健康风险的评估;
授权认证***407,用于对分类、语音、文本分析等AI模块服务的鉴权认证;
运维管理***408,用于对基于日志的***运维管理与数据统计。
以下,将结合图2以及、图3以及图4对步骤S110-步骤S140进行解释以及说明。
在步骤S110中,获取医患对话数据,并对所述医患对话数据进行识别,得到待分析医疗文本。
在本示例实施例中,首先,医患对话分析***的中控模块自动获取存储在远程问诊***中医患对话数据,并建立任务队列,任务队列可以支持如下五种任务类型:纯文本数据、纯语音数据、文本+语音数据、文本+语音+影像数据,可以基于实际抽取的数据类型数目,确定具体调用哪种任务类型。
其次,当获取到上述医患对话数据以后,可以对所述医患对话数据进行识别,得到待分析医疗文本。具体的,可以包括:根据所述医患对话数据的数据类型对所述医患对话数据进行分类,得到影像类数据、语音类数据以及文本类数据;对所述语音类数据进行识别得到语音识别文本,并对所述影像类数据进行结构化解析,得到具有结构关系的影像识别文本。
其中,对语音类数据进行识别得到语音识别文本,可以通过语音识别模块来完成,该模块可以对主流的PCM、WAV等音频数据格式的录音文件进行解析。此处需要补充说明的是,由于医患对话数据属于医疗领域,因此需要调用医疗领域专用语音识别引擎进行识别,得到文本数据。
进一步的,为了可以提高影响识别文本的准确率,在对影像类数据进行解析之前,可以先对其进行过滤。具体的,可以通过影像分类模块对输入的影像类文件的质量以及影像的类别进行判定,以支撑下一步影像结构化,由于客户经常上传一些结构化模块不支持的数据,所以这里需要使用该模块进行数据过滤。进一步的,当过滤完成后,可以对过滤后的影像类数据进行结构化解析,得到具有结构关系的影像识别文本。具体的,可以根据所述影像类数据所属的类别标签,对所述影像类数据进行结构化解析,得到包括键值关系的影像识别文本;其中,所述类别标签包括化验单和/或出院小结。
具体来说,由于输入影像类数据时,需要带有该数据的类别标签,不同类别调用不同的结构化解析服务;因此,结构化处理的结果是有一定结构关系的文本数据,其中,化验单的结构化结果可以包含药品名、剂量、剂型、价格的Key-Value型JSON数据,出院小结的结构化结果是包含既往史、诊断结论、诊断建议的段落型Json数据。
例如,图5中所示出的化验单的结构化结果中,键值关系中的键可以包括项目、结果以及参考范围等等,项目对应的值可以包括前白蛋白、骨病转氨酸、谷草转氨酸、碱性磷氨酸等等,结果对应的值为项目中所包括的值的具体检测结果,参考范围对应的值为具体检测结果的参考依据,此处不再一一详述。又例如,图6中所示出的出院小结的结构化结果中,键值关系中的键可以为:入院情况、入院诊断、诊疗经过、出院诊断、出院情况以及出院医嘱等等,各个键对应的值为具体的症状,此处不再一一详述。
在步骤S120中,对所述待分析医疗文本进行分词处理,得到多个分词结果,并对各所述分词结果进行筛查,得到多个筛查结果。
在本示例实施例中,首先,对待分析医疗文本进行分词处理,得到多个分词结果。具体的可以包括,基于预设的医疗知识库,对所述语音识别文本、影像识别文本以及所述文本类数据进行分词得到多个分词结果;其中,所述预设的医疗知识库中包括标准名、近义词以及关联症状词等等。具体的,可以基于重大疾病(简称重疾)知识库(预设的医疗知识库),含标准名、近义词、关联症状词等,对医患对话、出院小结等文本数据进行分词,进而得到多个分词结果。例如,重疾同义词/近义词:
{
标准名:严重肠道疾病并发症
近义词:肠穿孔、肠出血、肠梗阻、腹腔感染等
关联症状词:腹痛、腹胀、便血、反跳痛、肠鸣音减弱或消失等
}
其次,当得到各分词结果以后,可以对各所述分词结果进行筛查,得到多个筛查结果。具体的,参考图7所示,对各分词结果进行筛查,得到多个筛查结果可以包括步骤S710-步骤S730。其中:
在步骤S710中,基于预设的化验知识库对各所述分词结果进行筛查,得到符合预设条件的分词结果;其中,所述预设条件为化验结果中的指标数据为阳性;
在步骤S720中,对所述符合预设条件的分词结果的词频进行统计,并根据统计结果筛查出词频数大于预设阈值的分词结果;
在步骤S730中,对所述词频数大于预设阈值的分词结果中包括的停用词以及语气词进行过滤,得到所述多个筛查结果。
以下,将对步骤S710-步骤S730进行解释以及说明。首先,基于预设的化验知识库,对化验结果(分词结果)中的阳性指标数据进行筛查,并作为疾病诊断的重要项目抽取出来;然后,对阳性指标数据对应的分词结果的词频统计,并根据统计结果筛查出词频数大于预设阈值(例如5次或者8次等等)的分词结果,以筛选出与重疾种类相关疾病的命中情况,;最后,过滤关键词和高频词中的停用词和语气词,进而得到上述筛查结果。通过该方法,可以提高所得到的的筛查结果的准确率,进而提高患者类别的准确率。
在步骤S130中,根据各所述筛查结果的数据来源,对各所述筛查结果进行标识,并根据所述筛查结果的标识结果,确定所述医患对话数据中的患者所属的患者类别。
在本示例实施例中,首先,根据各所述筛查结果对应的角色,对各所述筛查结果进行标识;其中,所述角色包括患者角色以及医院角色;其次,根据所述标识结果为所述筛查结果配置权重,并在预设的重疾知识库中对所述筛查结果进行匹配;最后,根据匹配结果以及所述筛查结果对应权重,确定所述医患对话数据中的患者所属的患者类型;其中,所述患者类型包括重疾患者或一般患者。具体的,可以根据用户数据(患者陈述数据)、医院数据(含医生对话数据、诊断结果、医院出具的化验单、既往住院小结),对各筛查结果进行标识;其次,以用户数据为辅、医院诊断&化验数据为主,为各筛查结果配置权重,并在预设的重疾知识库中对各筛查结果进行匹配,如果权重较大的筛查结果中存在关键词命中重疾知识库,则将该用户标记为重疾险用户,如果未命中,则标记为普通健康险用户。
在步骤S140中,根据所述患者所属的患者类别,为所述患者匹配对应的保险方案。
在本示例实施例中,当得到上述患者类别以后,可以根据患者类别为患者匹配对应的保险方案;例如,如果所述患者类型为重疾患者,则为所述患者匹配重疾险;如果所述患者类型为一般疾病患者,则为所述患者匹配健康险。通过该方法,可以提高保险方案推荐的准确率,进而可以提高用户体验,同时增加保险销售成功的几率。
进一步的,为了可以进一步的提高保险方案推荐的准确率,医疗数据分析方法还包括:根据所述患者所对应的疾病名称、所述医患对话数据中包括的医院数据以及所述分词结果中包括的化验结果中的指标数据为阳性的分词结果,对所述患者的疾病趋势风险进行评估,得到风险评估结果;其中,风险评估结果包括恶化的风险概率、由恶化趋于良性的风险概率以及由良性趋于恶化的风险概率;进一步的,当得到风险评估结果以后,可以根据风险评估结果确定对应的保险方案,具体的:根据所述患者所属的患者类别以及所述风险评估结果,为所述患者匹配对应的保险方案。
具体的,对于标记为重疾险的患者来说,以疾病名称、医生诊断、化验阳性指标为输入数据,将该输入数据输入至风险概率预测模型中进行疾病趋势风险评估,结果可以包括两类正向及正向概率以及负向及负向概率,分别表示恶化风险、趋于良性风险;对于标记为普通健康险的患者来说,以疾病名称、医生诊断、化验阳性指标为输入数据,将该输入数据输入至风险概率预测模型中进行健康风险评估,指代健康状况由良性趋于恶化的风险,以数值打分为主;然后,再基于该风险评估结果以及患者类别,为患者匹配对应的保险方案。通过该方法,可以进一步的提高保险方***率。
进一步的,对于筛选出的重疾险客户和普通健康险客户的信息,推送给保险销售人员,用于跟进对接,看客户是否有购买重疾险或健康险的需求。
以下,结合图8对本发明示例实施例的医疗数据分析方法进行进一步的解释以及说明。参考图8所示,该医疗数据分析方法可以包括以下步骤:
步骤S801,从远程问诊***中获取医患对话数据,并对医患对话数据进行分类,得到语音数据、文本数据以及影像数据;
步骤S802,对语音数据进行语音识别,得到语音识别文本;
步骤S803,对影像数据进行影像分类以及影像结构化处理,得到影像识别文本;
步骤S804,对文本数据、语音识别文本以及影像识别文本进行分析,并对分析结果进行角色分离;
步骤S805,根据角色分离后的分析结果对患者的疾病进行归类,并对患者的风险进行分析;
步骤S806,根据分析结果对患者的潜在需求与医疗健康险产品进行匹配;
步骤S807,将匹配结果推送至保险销售人员的用户终端,以使得保险销售人员根据匹配结果为用户推送对应的保险产品。
本发明示例实施例所提的医疗数据分析方法以及医疗数据分析***至少具有以下优点:
一方面,本发明示例实施例设计与实现了一套基于医患对话数据的客户需求推理***与装置,实现了客户需求与医疗健康险产品的精准投放,解决了目前客户画像、产品推荐的难题。
另一方面,基于按需营销,精准投放的目的,让病人快速享受到商业医疗健康险保障,解决看病贵、费用不足的经济问题,同时推动保险产品的销售。
再一方面,本发明通过语音识别和自然语言处理技术,从医患对话数据中分析客户的病情、病因、治疗方案等内容,将客户病情与医疗保险产品相结合,为其推荐合适的保险产品,实现双方互利共赢的目的。
本发明示例实施例还提供了一种医疗数据分析装置。参考图9所示,该医疗数据分析装置可以包括数据识别模块910、筛查模块920、标识模块930以及方案推荐模块940。其中:
数据识别模块910可以用于获取医患对话数据,并对所述医患对话数据进行识别,得到待分析医疗文本;
筛查模块920可以用于对所述待分析医疗文本进行分词处理,得到多个分词结果,并对各所述分词结果进行筛查,得到多个筛查结果;
标识模块930可以用于根据各所述筛查结果的数据来源,对各所述筛查结果进行标识,并根据所述筛查结果的标识结果确定所述医患对话数据中的患者所属的患者类别;
方案推荐模块940可以用于根据所述患者所属的患者类别,为所述患者匹配对应的保险方案。
在本公开的一种示例性实施例中,所述对所述医患对话数据进行识别,得到待分析医疗文本,包括:
根据所述医患对话数据的数据类型对所述医患对话数据进行分类,得到影像类数据、语音类数据以及文本类数据;
对所述语音类数据进行识别得到语音识别文本,并对所述影像类数据进行结构化解析,得到具有结构关系的影像识别文本。
在本公开的一种示例性实施例中,所述对所述待分析医疗文本进行分词处理,得到多个分词结果,包括:
基于预设的医疗知识库,对所述语音识别文本、影像识别文本以及所述文本类数据进行分词得到多个分词结果;
其中,所述预设的医疗知识库中包括标准名、近义词以及关联症状词中的多种。
在本公开的一种示例性实施例中,所述对所述影像类数据进行结构化解析,得到具有结构关系的影像识别文本,包括:
根据所述影像类数据所属的类别标签,对所述影像类数据进行结构化解析,得到包括键值关系的影像识别文本;
其中,所述类别标签包括化验单和/或出院小结。
在本公开的一种示例性实施例中,所述对各所述分词结果进行筛查,得到多个筛查结果,包括:
基于预设的化验知识库对各所述分词结果进行筛查,得到符合预设条件的分词结果;其中,所述预设条件为化验结果中的指标数据为阳性;
对所述符合预设条件的分词结果的词频进行统计,并根据统计结果筛查出词频数大于预设阈值的分词结果;
对所述词频数大于预设阈值的分词结果中包括的停用词以及语气词进行过滤,得到所述多个筛查结果。
在本公开的一种示例性实施例中,所述根据各所述筛查结果的数据来源,对各所述筛查结果进行标识,包括:
根据各所述筛查结果对应的角色,对各所述筛查结果进行标识;其中,所述角色包括患者角色以及医院角色。
在本公开的一种示例性实施例中,所述根据所述筛查结果的标识结果,确定所述医患对话数据中的患者所属的患者类别,包括:
根据所述标识结果为所述筛查结果配置权重,并在预设的重疾知识库中对所述筛查结果进行匹配;
根据匹配结果以及所述筛查结果对应权重,确定所述医患对话数据中的患者所属的患者类型;其中,所述患者类型包括重疾患者或一般患者。
在本公开的一种示例性实施例中,所述根据所述患者所属的患者类别,为所述患者匹配对应的保险方案,包括:
如果所述患者类型为重疾患者,则为所述患者匹配重疾险;
如果所述患者类型为一般疾病患者,则为所述患者匹配健康险。
在本公开的一种示例性实施例中,所述医疗数据分析装置还包括:
风险模块模块,可以用于根据所述患者所对应的疾病名称、所述医患对话数据中包括的医院数据以及所述分词结果中包括的化验结果中的指标数据为阳性的分词结果,对所述患者的疾病趋势风险进行评估,得到风险评估结果;
其中,所述风险评估结果包括恶化的风险概率、由恶化趋于良性的风险概率以及由良性趋于恶化的风险概率中的一种。
在本公开的一种示例性实施例中,所述根据所述患者所属的患者类别,为所述患者匹配对应的保险方案,还包括:
根据所述患者所属的患者类别以及所述风险评估结果,为所述患者匹配对应的保险方案。
上述医疗数据分析装置中各模块的具体细节已经在对应的医疗数据分析方法中进行了详细的描述,因此此处不再赘述。
应当注意,尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元,但是这种划分并非强制性的。实际上,根据本发明的实施方式,上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之,上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
此外,尽管在附图中以特定顺序描述了本发明中方法的各个步骤,但是,这并非要求或者暗示必须按照该特定顺序来执行这些步骤,或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的,可以省略某些步骤,将多个步骤合并为一个步骤执行,以及/或者将一个步骤分解为多个步骤执行等。
在本发明的示例性实施例中,还提供了一种能够实现上述方法的电子设备。
所属技术领域的技术人员能够理解,本发明的各个方面可以实现为***、方法或程序产品。因此,本发明的各个方面可以具体实现为以下形式,即:完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等),或硬件和软件方面结合的实施方式,这里可以统称为“电路”、“模块”或“***”。
下面参照图10来描述根据本发明的这种实施方式的电子设备1000。图10显示的电子设备1000仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图10所示,电子设备1000以通用计算设备的形式表现。电子设备1000的组件可以包括但不限于:上述至少一个处理单元1010、上述至少一个存储单元1020、连接不同***组件(包括存储单元1020和处理单元1010)的总线1030以及显示单元1040。
其中,所述存储单元存储有程序代码,所述程序代码可以被所述处理单元1010执行,使得所述处理单元1010执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。例如,所述处理单元1010可以执行如图1中所示的步骤S110:获取医患对话数据,并对所述医患对话数据进行识别,得到待分析医疗文本;步骤S120:对所述待分析医疗文本进行分词处理,得到多个分词结果,并对各所述分词结果进行筛查,得到多个筛查结果;步骤S130:根据各所述筛查结果的数据来源,对各所述筛查结果进行标识,并根据所述筛查结果的标识结果,确定所述医患对话数据中的患者所属的患者类别;步骤S140:根据所述患者所属的患者类别,为所述患者匹配对应的保险方案。
存储单元1020可以包括易失性存储单元形式的可读介质,例如随机存取存储单元(RAM)10201和/或高速缓存存储单元10202,还可以进一步包括只读存储单元(ROM)10203。
存储单元1020还可以包括具有一组(至少一个)程序模块10205的程序/实用工具10204,这样的程序模块10205包括但不限于:操作***、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线1030可以为表示几类总线结构中的一种或多种,包括存储单元总线或者存储单元控制器、***总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备1000也可以与一个或多个外部设备1100(例如键盘、指向设备、蓝牙设备等)通信,还可与一个或者多个使得用户能与该电子设备1000交互的设备通信,和/或与使得该电子设备1000能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口1050进行。并且,电子设备1000还可以通过网络适配器1060与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器1060通过总线1030与电子设备1000的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备1000使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID***、磁带驱动器以及数据备份存储***等。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本发明实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本发明实施方式的方法。
在本发明的示例性实施例中,还提供了一种计算机可读存储介质,其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施方式中,本发明的各个方面还可以实现为一种程序产品的形式,其包括程序代码,当所述程序产品在终端设备上运行时,所述程序代码用于使所述终端设备执行可以执行如图1中所示的步骤S110:获取医患对话数据,并对所述医患对话数据进行识别,得到待分析医疗文本;步骤S120:对所述待分析医疗文本进行分词处理,得到多个分词结果,并对各所述分词结果进行筛查,得到多个筛查结果;步骤S130:根据各所述筛查结果的数据来源,对各所述筛查结果进行标识,并根据所述筛查结果的标识结果,确定所述医患对话数据中的患者所属的患者类别;步骤S140:根据所述患者所属的患者类别,为所述患者匹配对应的保险方案。
根据本发明的实施方式的用于实现上述方法的程序产品,其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码,并可以在终端设备,例如个人电脑上运行。然而,本发明的程序产品不限于此,在本文件中,可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、装置或者器件使用或者与其结合使用。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了可读程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。
可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、有线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
此外,上述附图仅是根据本发明示例性实施例的方法所包括的处理的示意性说明,而不是限制目的。易于理解,上述附图所示的处理并不表明或限制这些处理的时间顺序。另外,也易于理解,这些处理可以是例如在多个模块中同步或异步执行的。
本领域技术人员在考虑说明书及实践这里发明的发明后,将容易想到本发明的其他实施例。本申请旨在涵盖本发明的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未发明的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本发明的真正范围和精神由权利要求指出。
Claims (12)
1.一种医疗数据分析方法,其特征在于,包括:
获取医患对话数据,并对所述医患对话数据进行识别,得到待分析医疗文本;
对所述待分析医疗文本进行分词处理,得到多个分词结果,并对各所述分词结果进行筛查,得到多个筛查结果;
根据各所述筛查结果的数据来源,对各所述筛查结果进行标识,并根据所述筛查结果的标识结果,确定所述医患对话数据中的患者所属的患者类别;
根据所述患者所属的患者类别,为所述患者匹配对应的保险方案。
2.根据权利要求1所述的医疗数据分析方法,其特征在于,所述对所述医患对话数据进行识别,得到待分析医疗文本,包括:
根据所述医患对话数据的数据类型对所述医患对话数据进行分类,得到影像类数据、语音类数据以及文本类数据;
对所述语音类数据进行识别得到语音识别文本,并对所述影像类数据进行结构化解析,得到具有结构关系的影像识别文本。
3.根据权利要求2所述的医疗数据分析方法,其特征在于,所述对所述待分析医疗文本进行分词处理,得到多个分词结果,包括:
基于预设的医疗知识库,对所述语音识别文本、影像识别文本以及所述文本类数据进行分词得到多个分词结果;
其中,所述预设的医疗知识库中包括标准名、近义词以及关联症状词中的多种。
4.根据权利要求2所述的医疗数据分析方法,其特征在于,所述对所述影像类数据进行结构化解析,得到具有结构关系的影像识别文本,包括:
根据所述影像类数据所属的类别标签,对所述影像类数据进行结构化解析,得到包括键值关系的影像识别文本;
其中,所述类别标签包括化验单和/或出院小结。
5.根据权利要求1所述的医疗数据分析方法,其特征在于,所述对各所述分词结果进行筛查,得到多个筛查结果,包括:
基于预设的化验知识库对各所述分词结果进行筛查,得到符合预设条件的分词结果;其中,所述预设条件为化验结果中的指标数据为阳性;
对所述符合预设条件的分词结果的词频进行统计,并根据统计结果筛查出词频数大于预设阈值的分词结果;
对所述词频数大于预设阈值的分词结果中包括的停用词以及语气词进行过滤,得到所述多个筛查结果。
6.根据权利要求1所述的医疗数据分析方法,其特征在于,所述根据各所述筛查结果的数据来源,对各所述筛查结果进行标识,包括:
根据各所述筛查结果对应的角色,对各所述筛查结果进行标识;其中,所述角色包括患者角色以及医院角色;
所述根据所述筛查结果的标识结果,确定所述医患对话数据中的患者所属的患者类别,包括:
根据所述标识结果为所述筛查结果配置权重,并在预设的重疾知识库中对所述筛查结果进行匹配;
根据匹配结果以及所述筛查结果对应权重,确定所述医患对话数据中的患者所属的患者类型;其中,所述患者类型包括重疾患者或一般患者。
7.根据权利要求1所述的医疗数据分析方法,其特征在于,所述医疗数据分析方法还包括:
根据所述患者所对应的疾病名称、所述医患对话数据中包括的医院数据以及所述分词结果中包括的化验结果中的指标数据为阳性的分词结果,对所述患者的疾病趋势风险进行评估,得到风险评估结果;
其中,所述风险评估结果包括恶化的风险概率、由恶化趋于良性的风险概率以及由良性趋于恶化的风险概率中的一种。
8.一种医疗数据分析***,其特征在于,包括:
患者的用户端,
医生的用户端,
远程问诊***,所述患者的用户端以及医生的用户端分别与所述远程问诊***网络连接,患者以及医生分别通过所述患者的用户端以及医生的用户端,通过远程问诊***进行沟通,以产生医患对话数据;
医患对话分析***,与所述远程问诊***网络连接,用于从所述远程问诊***获取所述医患对话数据,并实现上述权利要求1-7任一项所述的医疗数据分析方法。
9.根据权利要求8所述的医疗数据分析***,其特征在于,所述医疗数据分析***还包括:
保险销售支持***,与所述医患对话分析***网络连接,用于从所述医患对话分析***中获取保险方案,并将所述保险方案推送至对应的客户端;其中,所述客户端包括与所述患者对应的销售人员的客户端、所述患者的用户端以及所述医生的用户端中的至少一种。
10.根据权利要求9所述的医疗数据分析***,其特征在于,所述医患对话分析***包括:
中控模块,用于从所述远程问诊***获取所述医患对话数据,并根据所述医患对话数据的数据类型对所述医患对话数据进行分类,得到影像类数据、语音类数据以及文本类数据;以及在接收到所述销售支持***的数据请求以后,将所述保险方案推送给所述销售支持***;
影像分类模块,与所述中控模块网络连接,用于对所述影像类数据的影像质量进行判定;
影像解析模块,与所述中控模块网络连接,用于对质量判定后的影像类数据进行结构化解析,得到具有结构关系的影像识别文本;
语音识别模块,与所述中控模块网络连接,用于对语音类数据的进行识别,得到语音识别文本;
文本分析模块,与所述中控模块网络连接,用于对所述待分析医疗文本进行分词处理,得到多个分词结果,并对各所述分词结果进行筛查,得到多个筛查结果;以及根据各所述筛查结果的数据来源,对各所述筛查结果进行标识;
疾病归类与风险分析模块,用于根据所述筛查结果的标识结果,确定所述医患对话数据中的患者所属的患者类别;根据所述患者所属的患者类别,为所述患者匹配对应的保险方案。
11.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1-7任一项所述的医疗数据分析方法。
12.一种电子设备,其特征在于,包括:
处理器;以及
存储器,用于存储所述处理器的可执行指令;
其中,所述处理器配置为经由执行所述可执行指令来执行权利要求1-7任一项所述的医疗数据分析方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010959462.1A CN112100331A (zh) | 2020-09-14 | 2020-09-14 | 医疗数据分析方法及装置、存储介质、电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010959462.1A CN112100331A (zh) | 2020-09-14 | 2020-09-14 | 医疗数据分析方法及装置、存储介质、电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112100331A true CN112100331A (zh) | 2020-12-18 |
Family
ID=73750984
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010959462.1A Pending CN112100331A (zh) | 2020-09-14 | 2020-09-14 | 医疗数据分析方法及装置、存储介质、电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112100331A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112925917A (zh) * | 2021-02-25 | 2021-06-08 | 中国平安人寿保险股份有限公司 | 产品知识图谱的构建方法、装置、终端以及存储介质 |
CN113658712A (zh) * | 2021-08-31 | 2021-11-16 | 平安医疗健康管理股份有限公司 | 医患匹配方法、装置、设备及存储介质 |
CN113808724A (zh) * | 2021-11-17 | 2021-12-17 | 北京因数健康科技有限公司 | 数据分析方法及装置、存储介质及电子终端 |
CN114400063A (zh) * | 2021-12-30 | 2022-04-26 | 北京北大医疗脑健康科技有限公司 | 基于医疗大数据的儿童发育筛查方法 |
CN114662477A (zh) * | 2022-03-10 | 2022-06-24 | 平安科技(深圳)有限公司 | 基于中医对话的停用词表生成方法、装置及存储介质 |
JP7284970B1 (ja) | 2022-09-09 | 2023-06-01 | 株式会社医療情報技術研究所 | 電子カルテ記録集約/参照システム |
CN112925917B (zh) * | 2021-02-25 | 2024-07-30 | 中国平安人寿保险股份有限公司 | 产品知识图谱的构建方法、装置、终端以及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8527292B1 (en) * | 2005-07-01 | 2013-09-03 | Smartmc, LLC | Medical data analysis service |
US20180137250A1 (en) * | 2016-11-15 | 2018-05-17 | Hefei University Of Technology | Mobile health intelligent medical guide system and method thereof |
CN109255721A (zh) * | 2018-10-30 | 2019-01-22 | 平安医疗健康管理股份有限公司 | 基于费用预测的保险推荐方法、设备、服务器及可读介质 |
CN110993103A (zh) * | 2019-11-28 | 2020-04-10 | 阳光人寿保险股份有限公司 | 疾病风险预测模型的建立方法和疾病保险产品的推荐方法 |
CN111582708A (zh) * | 2020-04-30 | 2020-08-25 | 北京声智科技有限公司 | 医疗信息的检测方法、***、电子设备及计算机可读存储介质 |
-
2020
- 2020-09-14 CN CN202010959462.1A patent/CN112100331A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8527292B1 (en) * | 2005-07-01 | 2013-09-03 | Smartmc, LLC | Medical data analysis service |
US20180137250A1 (en) * | 2016-11-15 | 2018-05-17 | Hefei University Of Technology | Mobile health intelligent medical guide system and method thereof |
CN109255721A (zh) * | 2018-10-30 | 2019-01-22 | 平安医疗健康管理股份有限公司 | 基于费用预测的保险推荐方法、设备、服务器及可读介质 |
CN110993103A (zh) * | 2019-11-28 | 2020-04-10 | 阳光人寿保险股份有限公司 | 疾病风险预测模型的建立方法和疾病保险产品的推荐方法 |
CN111582708A (zh) * | 2020-04-30 | 2020-08-25 | 北京声智科技有限公司 | 医疗信息的检测方法、***、电子设备及计算机可读存储介质 |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112925917A (zh) * | 2021-02-25 | 2021-06-08 | 中国平安人寿保险股份有限公司 | 产品知识图谱的构建方法、装置、终端以及存储介质 |
CN112925917B (zh) * | 2021-02-25 | 2024-07-30 | 中国平安人寿保险股份有限公司 | 产品知识图谱的构建方法、装置、终端以及存储介质 |
CN113658712A (zh) * | 2021-08-31 | 2021-11-16 | 平安医疗健康管理股份有限公司 | 医患匹配方法、装置、设备及存储介质 |
CN113808724A (zh) * | 2021-11-17 | 2021-12-17 | 北京因数健康科技有限公司 | 数据分析方法及装置、存储介质及电子终端 |
CN113808724B (zh) * | 2021-11-17 | 2022-03-08 | 北京因数健康科技有限公司 | 数据分析方法及装置、存储介质及电子终端 |
CN114400063A (zh) * | 2021-12-30 | 2022-04-26 | 北京北大医疗脑健康科技有限公司 | 基于医疗大数据的儿童发育筛查方法 |
CN114662477A (zh) * | 2022-03-10 | 2022-06-24 | 平安科技(深圳)有限公司 | 基于中医对话的停用词表生成方法、装置及存储介质 |
CN114662477B (zh) * | 2022-03-10 | 2024-02-02 | 平安科技(深圳)有限公司 | 基于中医对话的停用词表生成方法、装置及存储介质 |
JP7284970B1 (ja) | 2022-09-09 | 2023-06-01 | 株式会社医療情報技術研究所 | 電子カルテ記録集約/参照システム |
WO2024053639A1 (ja) * | 2022-09-09 | 2024-03-14 | 株式会社医療情報技術研究所 | 電子カルテ記録集約/参照システム |
JP2024039075A (ja) * | 2022-09-09 | 2024-03-22 | 株式会社医療情報技術研究所 | 電子カルテ記録集約/参照システム |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11545173B2 (en) | Automatic speech-based longitudinal emotion and mood recognition for mental health treatment | |
CN112100331A (zh) | 医疗数据分析方法及装置、存储介质、电子设备 | |
US11714837B2 (en) | Synonym discovery | |
CN110720124B (zh) | 监测患者语言的使用以识别潜在的言语和相关的神经障碍 | |
US8612261B1 (en) | Automated learning for medical data processing system | |
US20190333118A1 (en) | Cognitive product and service rating generation via passive collection of user feedback | |
US20120185275A1 (en) | System and method of automated data analysis for implementing health records personal assistant with automated correlation of medical services to insurance and tax benefits for improved personal health cost management | |
CA3155809A1 (en) | Acoustic and natural language processing models for speech-based screening and monitoring of behavioral health conditions | |
US9477662B2 (en) | Computer-assisted abstraction for reporting of quality measures | |
US11581093B2 (en) | Automatic detection of mental health condition and patient classification using machine learning | |
US20140122109A1 (en) | Clinical diagnosis objects interaction | |
US10431338B2 (en) | System and method for weighting manageable patient attributes during criteria evaluations for treatment | |
US20140244285A1 (en) | System and method for remote management and detection of client complications | |
CN111090641A (zh) | 数据处理方法及装置、电子设备、存储介质 | |
US11563852B1 (en) | System and method for identifying complaints in interactive communications and providing feedback in real-time | |
CN112559865A (zh) | 信息处理***、计算机可读存储介质及电子设备 | |
US20240087752A1 (en) | Systems and methods for multi-language adaptive mental health risk assessment from spoken and written language | |
Duraiswamy et al. | Comparative accuracy of ICD-9 vs ICD-10 codes for acute appendicitis | |
US11595525B2 (en) | Assigning customer calls to customer care agents based on compatability | |
WO2023242878A1 (en) | System and method for generating automated adaptive queries to automatically determine a triage level | |
CN113160954B (zh) | 医疗资源分配方法及装置、存储介质、电子设备 | |
CN115762704A (zh) | 一种处方审核方法、装置、设备和存储介质 | |
CN115376692A (zh) | 一种健康数据的处理方法、装置、电子设备及存储介质 | |
CN114068028A (zh) | 医疗问诊数据处理方法及装置、可读存储介质及电子设备 | |
CN112699872A (zh) | 表单审核处理方法及装置、电子设备和存储介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201218 |
|
RJ01 | Rejection of invention patent application after publication |