CN112562836A - 医生推荐方法、装置、电子设备及存储介质 - Google Patents
医生推荐方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN112562836A CN112562836A CN202011507196.5A CN202011507196A CN112562836A CN 112562836 A CN112562836 A CN 112562836A CN 202011507196 A CN202011507196 A CN 202011507196A CN 112562836 A CN112562836 A CN 112562836A
- Authority
- CN
- China
- Prior art keywords
- doctor
- patient
- disease
- recommended
- target
- 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 60
- 201000010099 disease Diseases 0.000 claims abstract description 267
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 267
- 238000003066 decision tree Methods 0.000 claims description 30
- 230000002159 abnormal effect Effects 0.000 claims description 29
- 238000006243 chemical reaction Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 5
- 238000013145 classification model Methods 0.000 claims description 4
- 238000012544 monitoring process Methods 0.000 claims description 4
- 208000037919 acquired disease Diseases 0.000 abstract 1
- 206010037660 Pyrexia Diseases 0.000 description 28
- 238000012549 training Methods 0.000 description 26
- 230000008569 process Effects 0.000 description 21
- 206010011224 Cough Diseases 0.000 description 18
- 206010012735 Diarrhoea Diseases 0.000 description 12
- 230000000694 effects Effects 0.000 description 12
- 230000006870 function Effects 0.000 description 12
- 238000012360 testing method Methods 0.000 description 12
- 230000001960 triggered effect Effects 0.000 description 11
- 238000003745 diagnosis Methods 0.000 description 8
- 206010035664 Pneumonia Diseases 0.000 description 6
- 238000012552 review Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 208000032376 Lung infection Diseases 0.000 description 4
- 230000036760 body temperature Effects 0.000 description 4
- 206010006451 bronchitis Diseases 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 206010000087 Abdominal pain upper Diseases 0.000 description 2
- 229920000742 Cotton Polymers 0.000 description 2
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 description 2
- 206010033425 Pain in extremity Diseases 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 238000002575 gastroscopy Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 208000026775 severe diarrhea Diseases 0.000 description 2
- 210000002784 stomach Anatomy 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- 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
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- 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
-
- 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
- G16H80/00—ICT specially adapted for facilitating communication between medical practitioners or patients, e.g. for collaborative diagnosis, therapy or health monitoring
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- General Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Theoretical Computer Science (AREA)
- Finance (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- Pathology (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明涉及数字医疗技术领域,提供一种医生推荐方法、装置、电子设备及存储介质,所述方法包括:获取患者的多个疾病特征属性输入至科室识别模型进行识别得到就诊科室,根据多个疾病特征属性确定患者的疾病等级;根据患者的始发点位置坐标、就诊科室及疾病等级获取至少一个推荐医生;根据患者的基本信息确定患者的品质标签;根据患者的多个疾病特征属性、疾病等级、品质标签及至少一个推荐医生的医生画像确定得到目标推荐医生。本发明根据患者的多个疾病特征属性、疾病等级、品质标签及医生画像确定目标推荐医生,避免单一的根据患者的疾病特征属性直接得到目标推荐医生,提高了医生与患者需求的匹配度及目标推荐医生的推荐准确率。
Description
技术领域
本发明涉及数字医疗技术领域,具体涉及一种医生推荐方法、装置、电子设备及存储介质。
背景技术
随着医疗机构的增加及每个科室的细化,患者很难根据自己的疾病情况预约到合适的医院、科室及医生,目前绝大多数的智能医生推荐***都是针对医生进行的,通过全面采集医生的坐诊医院,职务,科室等属性,来为患者进行智能推荐。这种传统推荐***推荐的医生往往与患者需求之间的匹配度低,推荐结果不精准,甚至可能耽误患者治疗。
发明内容
鉴于以上内容,有必要提出一种医生推荐方法、装置、电子设备及存储介质,根据患者的多个疾病特征属性、疾病等级、品质标签及医生画像确定目标推荐医生,避免单一的根据患者的疾病特征属性直接得到目标推荐医生,提高了医生与患者需求的匹配度及目标推荐医生的推荐准确率。
本发明的第一方面提供一种医生推荐方法,所述方法包括:
获取患者输入的疾病信息,并解析所述疾病信息得到多个疾病特征属性,其中,所述疾病信息中包括所述患者的始发点位置坐标及基本信息;
将所述多个疾病特征属性输入至预先训练好的科室识别模型进行识别得到就诊科室,并根据所述多个疾病特征属性确定所述患者的疾病等级;
根据所述患者的始发点位置坐标、所述就诊科室及所述疾病等级获取至少一个推荐医生;
根据所述患者的基本信息确定所述患者的品质标签;
根据所述患者的多个疾病特征属性、所述疾病等级、所述品质标签及所述至少一个推荐医生的医生画像确定得到目标推荐医生。
可选的,所述根据所述患者的始发点位置坐标、所述就诊科室及所述疾病等级获取至少一个推荐医生包括:
根据所述患者的始发点位置坐标及所述疾病等级获取至少一个推荐医院;
根据所述就诊科室及所述疾病等级在所述至少一个推荐医院中获取至少一个推荐医生。
可选的,所述方法还包括:
从预设的多个数据源中采集每个推荐医生的第一医生信息及第二医生信息;
提取所述第一医生信息中的多个第一关键字段,及提取所述第二医生信息中的多个第二关键字段;
将所述多个第一关键字段进行标签转换得到每个推荐医生的标签集,并将所述多个第二关键字段输入至推荐评分模型进行识别得到每个推荐医生的推荐评分;
将所述每个推荐医生的标签集及对应的推荐评分进行合并,得到每个推荐医生的医生画像。
可选的,所述根据所述患者的基本信息确定所述患者的品质标签包括:
从所述患者的基本信息中提取多维度的目标特征,将所述多维度的目标特征按照预设的归类模型进行归类,得到所述患者的品质标签。
可选的,所述根据所述患者的多个疾病特征属性、所述疾病等级、所述品质标签及所述至少一个推荐医生的医生画像确定得到目标推荐医生包括:
根据所述患者的多个疾病特征属性、所述疾病等级、所述品质标签及所述至少一个推荐医生的医生画像构建决策树,其中,所述决策树的每层包括属性节点及与所述属性节点相对应的规则节点;
定位至所述决策树中与所述患者的属性相对应的目标属性节点,得到目标层的与所述目标属性节点相对应的第一目标规则节点;
若所述目标层的第一目标规则节点为子树,则根据所述子树的下一层的属性节点继续定位,以得到与所述下一层的属性节点相对于的第二目标规则节点,直至确定目标规则节点为叶节点,则确定所述目标规则节点的推荐医生为目标推荐医生;
若所述目标层的第一目标规则节点为叶节点,则确定所述第一目标规则节点的推荐医生为目标推荐医生。
可选的,所述根据所述患者的多个疾病特征属性、所述疾病等级、所述品质标签及所述至少一个推荐医生的医生画像构建决策树包括:
以所述患者的多个疾病特征属性、所述疾病等级及所述品质标签确定属性节点;
遍历所有所述属性节点及所述所有推荐医生至少一个推荐医生的医生画像,以得到与每个属性节点相对应的所有推荐医生至少一个推荐医生作为规则节点;
以权重最大的属性作为所述属性节点中的根节点;
如果所述规则节点包括一个推荐医生,则确定所述规则节点为叶节点;
如果所述规则节点包括至少两个推荐医生,则确定所述规则节点为子树;
选取除上层外的权重最大的属性作为所述子树的下一层的所述属性节点。
可选的,在得到所述目标推荐医生之后,所述方法还包括:
当接收到所述患者返回的预约结果时,基于所述预约结果生成预约记录,并监测所述患者的每个阶段的就诊时间是否超过所述预约记录中对应的预约就诊时间;
计算所述患者的每个阶段的就诊时间与所述预约记录中对应的预约就诊时间之间的时间差值;
判断所述时间差值是否大于对应就诊阶段的预设时间差值阈值;
当所述时间差值大于或者等于所述对应就诊阶段的预设时间差值阈值时,获取所述时间差值对应的就诊阶段的就诊信息,基于所述就诊信息判断所述就诊阶段中是否出现异常信息;
当所述就诊信息中出现异常信息时,基于所述异常信息触发理赔指令。
本发明的第二方面提供一种医生推荐装置,所述装置包括:
第一获取模块,用于获取患者输入的疾病信息,并解析所述疾病信息得到多个疾病特征属性,其中,所述疾病信息中包括所述患者的始发点位置坐标及基本信息;
识别模块,用于将所述多个疾病特征属性输入至预先训练好的科室识别模型进行识别得到就诊科室,并根据所述多个疾病特征属性确定所述患者的疾病等级;
第二获取模块,用于根据所述患者的始发点位置坐标、所述就诊科室及所述疾病等级获取至少一个推荐医生;
第一确定模块,用于根据所述患者的基本信息确定所述患者的品质标签;
第二确定模块,用于根据所述患者的多个疾病特征属性、所述疾病等级、所述品质标签及所述至少一个推荐医生的医生画像确定得到目标推荐医生。
本发明的第三方面提供一种电子设备,所述电子设备包括处理器和存储器,所述处理器用于执行所述存储器中存储的计算机程序时实现所述的医生推荐方法。
本发明的第四方面提供一种计算机可读存储介质,所述计算机可读存储介质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所述的医生推荐方法。
综上所述,本发明所述的医生推荐方法、装置、终端电子设备及存储介质,一方面,通过根据所述患者的多个疾病特征属性、疾病等级、品质标签及所述至少一个推荐医生的医生画像确定得到目标推荐医生,避免单一的根据所述患者的多个疾病特征属性直接得到目标推荐医生,从多个维度同时考虑进行目标推荐医生的推荐,提高了医生与患者需求的匹配度及目标推荐医生的推荐准确率;另一方面,根据所述患者的始发点位置坐标及疾病等级获取至少一个推荐医院,在所述至少一个推荐医院中获取至少一个推荐医生,通过多次确定得到至少一个推荐医生,提高了得到推荐医生的准确率,最后,通过监测每个就诊阶段的就诊时间确定是否触发理赔指令,避免患者在就诊过程中出现异常信息而导致患者不满意出现的医疗事故的现象,提高了患者就诊过程中的安全性及满意度。
附图说明
图1是本发明实施例一提供的医生推荐方法的流程图。
图2是本发明实施例二提供的医生推荐装置的结构图。
图3是本发明实施例三提供的电子设备的结构示意图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施例对本发明进行详细描述。需要说明的是,在不冲突的情况下,本发明的实施例及实施例中的特征可以相互组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本发明。
实施例一
图1是本发明实施例一提供的医生推荐方法的流程图。
在本实施例中,所述医生推荐方法可以应用于电子设备中,对于需要进行医生推荐的电子设备,可以直接在电子设备上集成本发明的方法所提供的医生推荐的功能,或者以软件开发工具包(Software Development Kit,SKD)的形式运行在电子设备中。
如图1所示,所述医生推荐方法具体包括以下步骤,根据不同的需求,该流程图中步骤的顺序可以改变,某些可以省略。
S11,获取患者输入的疾病信息,并解析所述疾病信息得到多个疾病特征属性,其中,所述疾病信息中包括所述患者的始发点位置坐标及基本信息。
本实施例中,所述患者输入的疾病信息是在接收到患者的医生推荐请求中获取的,具体地,所述医生推荐请求由电子设备向服务器发送,用于请求针对患者输入的疾病信息进行医生推荐,具体地,所述医生推荐请求在患者就诊之前,通过电子设备向服务器发送,如可以通过电子设备登录医疗机构,如医院医疗***中的医生推荐平台,在所述医生推荐平台中向医疗***服务器发送医生推荐请求,所述医生推荐请求中包含有患者的输入的疾病信息。
需要强调的是,为进一步保证上述患者输入的疾病信息的私密和安全性,上述患者输入的疾病信息还可以存储于一区块链的节点中。
本实施例中,解析所述医生推荐请求获取患者输入的疾病信息,所述疾病信息包括,但不限于,所述患者的历史疾病信息、当前疾病信息、所述患者的始发点位置坐标及基本信息,解析所述疾病信息获取多个疾病特征属性。
S12,将所述多个疾病特征属性输入至预先训练好的科室识别模型进行识别得到就诊科室,并根据所述多个疾病特征属性确定所述患者的疾病等级。
本实施例中,所述科室识别模型是预先训练好的,在得到所述患者的多个疾病特征属性之后,将所述患者的多个疾病特征属性输入至预先训练好的科室识别模型进行训练,识别出所述患者对应的就诊科室。
具体地,所述科室识别模型的训练过程包括:
21)获取多个科室及每个科室对应的历史疾病特征属性作为样本数据集;
22)从所述样本数据集中划分出训练集和测试集;
23)将所述训练集输入预设神经网络中进行训练,得到科室识别模型;
24)将所述测试集输入至所述科室识别模型中进行测试,并计算测试通过率;
25)若所述测试通过率大于预设通过率阈值,确定所述科室识别模型训练结束;若所述测试通过率小于预设通过率阈值,增加训练集的数量,重新进行科室识别模型的训练。
本实施例中,根据不同科室对应的不同的历史疾病特征属性进行训练得到科室识别模型,将所述患者的多个疾病特征属性输入至预先训练好的科室识别模型中进行识别得到对应的就诊科室,并且在后续的训练过程中,将每个患者的疾病特征属性作为新的数据,以增加所述数据集的数量,并基于新的数据集来重新训练科室识别模型,及不断的更新科室识别模型,从而不断的提高了识别率。
本实施例中,疾病等级可以为医疗机构根据医生从业经验后建议设置的,也可以是医疗机构根据患者的历史就诊信息、医生的治疗信息进行机器学习得到的,针对不同的疾病设置不同的疾病等级,例如,针对腹泻设置的疾病等级为:每天腹泻7次以上,严重;每天腹泻3到7次,一般;每天腹泻3次以下,轻微;针对发烧设置的疾病等级为:体温超过38.5度,严重;体温小于38.5度,一般。
可选的,所述根据所述多个疾病特征属性确定所述患者的疾病等级包括:
从所述多个疾病特征属性中提取预设的多个目标疾病特征属性;
根据所述预设的多个目标疾病特征属性确定所述患者的疾病等级。
示例性的,所述多个疾病特征属性中包括目标疾病特征:腹泻,每天4次,则确定所述患者的疾病等级为一般。
本实施例中,通过根据不同的疾病设置不同的疾病等级提高了疾病等级设置的多样性,及通过提取多个疾病特征属性中预设的多个目标疾病特征属性确定所述患者的疾病等级,提高了确定所述患者疾病等级的效率。
S13,根据所述患者的始发点位置坐标、所述就诊科室及所述疾病等级获取至少一个推荐医生。
本实施例中,所述至少一个推荐医生是根据所述患者的始发点位置坐标、就诊科室及疾病等级确定得到的,从多个维度数据确定得到至少一个推荐医生,提高了推荐的准确率。
可选地,所述根据所述患者的始发点位置坐标、所述就诊科室及所述疾病等级获取至少一个推荐医生包括:
根据所述患者的始发点位置坐标及所述疾病等级获取至少一个推荐医院;
根据所述就诊科室及所述疾病等级在所述至少一个推荐医院中获取至少一个推荐医生。
本实施例中,通过根据所述患者的始发点位置坐标及疾病等级获取至少一个推荐医院,若所述患者的疾病等级为严重时,推荐距离所述患者的始发点位置坐标最近的三甲医院,并且在所述三甲医院中根据所述患者的就诊科室及疾病等级进行推荐主任医生以上级别的医生,确保患者及时的就诊治疗,提高了医生推荐的准确率。
本实施例中,根据所述患者的始发点位置坐标及疾病等级获取至少一个推荐医院,在所述至少一个推荐医院中获取至少一个推荐医生,通过多次确定得到至少一个推荐医生,提高了得到推荐医生的准确率。
S14,根据所述患者的基本信息确定所述患者的品质标签。
本实施例中,所述基本信息包括所述患者的年龄、性别、***消费习惯、历史就诊医生的等级、诊金等,基于所述基本信息确定所述患者的品质标签。
可选地,所述根据所述患者的基本信息确定所述患者的品质标签包括:
从所述患者的基本信息中提取多维度的目标特征,将所述多维度的目标特征按照预设的归类模型进行归类,得到所述患者的品质标签。
本实施例中,所述目标特征是指所述基本信息中的所述患者年龄、性别、***消费习惯、历史就诊医生的等级、诊金,将所述多个目标特征按照聚类算法进行归类得到所述患者的品质标签,具体地,所述品质标签可以包括:高品质、中品质和低品质。
示例性的,针对患者就诊的历史医生:若所述患者历史就诊医生的等级都为专家,则确定所述患者的品质标签为:高品质;若所述患者历史就诊医生的等级在预设范围内为主任医师,则确定所述患者的品质标签为:中品质;若所述患者历史就诊医生的等级都为普通医生,则确定所述患者的品质标签为:低品质。针对所述患者的***消费习惯,若所述患者的***消费每个月都超过预设的高品质消费金额,则确定所述患者的品质标签为:高品质;若所述患者每个月的***消费金额都低于预设的低品质消费金额,则确定所述患者的品质标签为:低品质,若所述患者每个月的***消费金额都小于预设的高品质消费金额且大于预设的低品质消费金额,则确定所述患者的品质标签为:中品质。
S15,根据所述患者的多个疾病特征属性、所述疾病等级、所述品质标签及所述至少一个推荐医生的医生画像确定得到目标推荐医生。
本实施例中,在确定得到目标推荐医生的过程中,需要根据每个推荐医生的医生信息为每个推荐医生创建画像,具体地,所述方法还包括:
S151,从预设的多个数据源中采集每个推荐医生的第一医生信息及第二医生信息。
S152,提取所述第一医生信息中的多个第一关键字段,及提取所述第二医生信息中的多个第二关键字段。
本实施例中,所述第一医生信息是指每个推荐医生的基本信息,具体包括:年龄、性别、擅长领域、疾病诊断信息等,从所述基本信息中提取多个第一关键字段,对所述第一关键字段按照预设的标签转换策略进行标签转换,例如:预设的标签转化策略具体为:年龄转化子策略用于将实际年龄转化为年龄标签,若患者年龄为小于3岁,标签为婴幼儿;患者年龄为4岁至18岁,标签为青少年;患者年龄为18-40岁,标签为青年;患者年龄为40-55岁,标签为中年;患者年龄为55岁以上,标签为老年。
所述第二医生信息是指每个推荐医生的评论信息,从所述评论信息中提取第二关键字段,具体地,所述第二关键字段包括多个就诊的评分及每个就诊评分对应的推荐评分规则,将每个推荐医生的多个就诊的评分及对应的推荐评分规则输入至预先训练好的推荐评分模型中进行识别得到每个推荐医生的推荐评分。
S153,将所述多个第一关键字段进行标签转换得到每个推荐医生的标签集,并将所述多个第二关键字段输入至推荐评分模型进行识别得到每个推荐医生的推荐评分。
本实施例中,所述推荐评分模型是预先训练好的,获取多个推荐医生的多个就诊评分及每个就诊评分对应的推荐评分规则作为样本数据集进行训练,所述训练过程与科室识别模型的训练过程一样,本发明在此不做详述。本实施例中,根据每个推荐医生的多个就诊评分设置不同的推荐评分规则,例如:A医生的多个就诊评分中包括:治疗效果评分及就诊态度评分,针对治疗效果设置的推荐评分规则为:治疗效果评分≥9.0分,对应推荐评分:9.5分;9.0<治疗效果评分≤8.0分,对应推荐评分:8.5分;8.0<治疗效果评分≤7.0分,对应推荐评分:7.5分;治疗效果评分<7.0分,对应推荐评分5分;针对就诊态度设置的推荐评分规则为:就诊态度评分≥8.0分,对应推荐评分:9.0分;8.0<就诊态度评分≤6.0分,对应推荐评分:7.0分;就诊态度评分<6.0分,对应的推荐评分:5分。
S154,将所述每个推荐医生的标签集及对应的推荐评分进行合并,得到每个推荐医生的医生画像。
本实施例中,通过将每个推荐医生的标签集及推荐评分进行合并得到每个推荐医生的医生画像,例如:主任医师-发烧-支气管炎-推荐评分9.2分。
本实施例中,通过将所述多个第二关键字段输入至推荐评分模型进行识别得到每个推荐医生的推荐评分,提高了识别得到每个推荐医生的推荐评分的准确率,并将每个推荐医生的标签集及推荐评分进行合并得到每个推荐医生的医生画像,从不同的维度得到每个推荐医生的医生画像,提高了创建得到的推荐医生画像的完整性。
可选地,所述根据所述患者的多个疾病特征属性、所述疾病等级、所述品质标签及所述至少一个推荐医生的医生画像确定得到目标推荐医生包括:
根据所述患者的多个疾病特征属性、所述疾病等级、所述品质标签及所述至少一个推荐医生的医生画像构建决策树,其中,所述决策树的每层包括属性节点及与所述属性节点相对应的规则节点;
定位至所述决策树中与所述患者的属性相对应的目标属性节点,得到目标层的与所述目标属性节点相对应的第一目标规则节点;
若所述目标层的第一目标规则节点为子树,则根据所述子树的下一层的属性节点继续定位,以得到与所述下一层的属性节点相对于的第二目标规则节点,直至确定目标规则节点为叶节点,则确定所述目标规则节点的推荐医生为目标推荐医生;
若所述目标层的第一目标规则节点为叶节点,则确定所述第一目标规则节点的推荐医生为目标推荐医生。
本实施例中,所述属性节点是指合并所述患者的多个疾病特征属性、疾病等级及品质标签得到的多个属性对应的属性节点。
进一步地,所述根据所述患者的多个疾病特征属性、所述疾病等级、所述品质标签及所述至少一个推荐医生的医生画像构建决策树包括:
以所述患者的多个疾病特征属性、所述疾病等级及所述品质标签确定属性节点;
遍历所有所述属性节点及所述至少一个推荐医生的医生画像,以得到与每个属性节点相对应的至少一个推荐医生作为规则节点;
以权重最大的属性作为所述属性节点中的根节点;
如果所述规则节点包括一个推荐医生,则确定所述规则节点为叶节点;
如果所述规则节点包括至少两个推荐医生,则确定所述规则节点为子树;
选取除上层外的权重最大的属性作为所述子树的下一层的所述属性节点。
示例性的,将所述患者对应的多个疾病特征属性:发烧-咳嗽,疾病等级:严重、品质标签:高品质,根据权重值确定所述患者的属性节点顺序为:发烧节点-咳嗽节点-严重节点-高品质节点。
所有推荐医生的医生画像:A医生的医生画像:主任医师-发烧-支气管炎-推荐评分9.2分;B医生的医生画像:专家-发烧-咳嗽-肺炎-推荐评分9.5分;C医生的医生画像:主任医师-发烧-肺部感染-推荐评分9.2分;D医生的医生画像:主任医师-肺部感染-推荐评分8.9分;E医生的医生画像:专家-发烧-咳嗽-肺炎推荐评分9.6分;F医生的医生画像:主任医师-发烧-咳嗽-肺炎推荐评分9.6分。
遍历所有所述属性节点及所述所有推荐医生的医生画像得到所述患者的每个属性节点对应的规则节点为:所述发烧节点对应的规则节点为:A医生、B医生、C医生、E医生及F医生;咳嗽节点对应的规则节点为:B医生、E医生及F医生;严重节点对应的规则节点为:B医生和E医生;高品质节点对应的规则节点为:E医生。
将所述患者的发烧、咳嗽、严重及高品质作为所述患者的属性输入***,根据决策树以及患者的属性:发烧,定位到决策树第一层的属性节点发烧节点,对发烧节点匹配得到A医生、B医生、C医生、E医生及F医生,确定所述A医生、B医生、C医生、E医生及F医生为子树,则继续定位至所述A医生、B医生、C医生、E医生及F医生下方决策树第二层的属性节点咳嗽节点,对咳嗽节点匹配得到B医生、E医生及F医生,确定所述B医生、E医生及F医生为子树,则继续定位至所述B医生、E医生及F医生下方决策树第三层的属性节点严重节点,对严重节点匹配到B医生和E医生,确定所述B医生和E医生为子树,则继续定位至所述B医生和E医生下方决策树第四层的属性节点高品质节点,对高品质节点匹配到E医生,确定所述E医生为叶节点,则将所述E医生确定为目标推荐医生。
本实施例中,通过针对所述患者的多个疾病特征属性、疾病等级、品质标签及所述至少一个推荐医生的医生画像采用决策树算法,对所述患者的多个疾病特征属性、疾病等级及品质标签在所述决策树中进行逐层匹配确定目标推荐医生,避免单一的根据所述患者的多个疾病特征属性直接得到目标推荐医生,从多个维度同时考虑进行目标推荐医生推荐,提高了目标推荐医生的推荐准确率。
进一步地,在得到目标推荐医生之后,所述方法还包括:
获取所述目标推荐医生的出诊信息;
根据所述患者的多个疾病特征属性和疾病等级及所述目标推荐医生的出诊信息生成所述患者的预约信息。
本实施例中,当生成预约信息时,服务器将所述预约信息发送至所述患者,所述患者根据所述预约信息决定是否就诊,具体地,所述预约信息包括每个就诊阶段的检查项目及检查注意事项及就诊时间等。
示例性的,当匹配到目标推荐医生时,根据所述目标推荐医生的出诊信息确定就诊时间,再根据所述患者的多个疾病特征属性和疾病等级判断可能需要做的检查项目,例如,胃痛,可能要空腹做胃镜检查,则推荐挂早上8点的号;脚痛,不需空腹检查,但是行走不方便,则推荐挂下午2点的号,避开上下班高峰期;若所述患者的疾病等级为严重,则推荐挂最早的号;若所述患者的疾病等级为一般,且不需要空腹检查,则推荐挂相对空闲时间段的号(例如下午2点到3点);若所述患者只是复查看结果或者拿药,则推荐挂医生快要下班的时间段,患者只需提前1个小时下班去医院看结果,辅助患者合理安排时间进行就诊,提高了所述患者的就诊效率及满意度,同时提高了医生的看诊效率。
进一步地,在得到所述目标推荐医生之后,所述方法还包括:
当接收到所述患者返回的预约结果时,基于所述预约结果生成预约记录,并监测所述患者的每个阶段的就诊时间是否超过所述预约记录中对应的预约就诊时间;
计算所述患者的每个阶段的就诊时间与所述预约记录中对应的预约就诊时间之间的时间差值;
判断所述时间差值是否大于对应就诊阶段的预设时间差值阈值;
当所述时间差值大于或者等于所述对应就诊阶段的预设时间差值阈值时,获取所述时间差值对应的就诊阶段的就诊信息,基于所述就诊信息判断所述就诊阶段中是否出现异常信息;
当所述就诊信息中出现异常信息时,基于所述异常信息触发理赔指令。
本实施例中,在接收到所述患者返回的预约结果时,确定所述患者接收了所述推荐的预约信息,根据所述预约结果生成预约记录,并将所述预约记录保存至待监测就诊队列中,当监测到所述预约记录被触发时,监测所述患者在每个就诊阶段的就诊时间与所述预约记录中对应就诊阶段的预约就诊时间的时间差值,当所述每个阶段的时间差值大于或者等于所述对应就诊阶段的预设时间差值阈值时,判断所述就诊阶段中是否出现了异常信息,具体地,获取所述就诊阶段中的就诊信息,识别所述就诊信息中是否存在异常信息,具体地,所述异常信息可以是由所述目标推荐医生在就诊阶段中产生的,也可以是患者在就诊过程中医疗结构的设备发生故障引起的,并且在出现异常信息后,根据所述异常信息触发理赔指令。
本实施例中,所述理赔指令是指出现异常信息时进行的超时理赔,根据超时情况设置不同的理赔规则,具体地,所述理赔规则可以根据历史就诊数据、当天就诊人数和医院当天值班人数进行设置。
示例性地,患者在就诊的排队检查阶段比预定时间晚了1小时,则触发赔偿指令执行赔偿,例如,超时1小时可以对患者进行适当的金额赔偿200元或者赠送健康管理包(体温计、口罩、消掉酒精、棉签)等物品。
进一步地,所述方法还包括:
当所述时间差值小于所述预设时间差值阈值时,确定所述患者的就诊时间为正常就诊时间。
本实施例中,通过在预约记录中记录每个就诊阶段的就诊时间,辅助患者提前安排时间,有计划的进行就诊,提高了患者的就诊效率,同时监测每个就诊阶段的就诊时间,根据每个就诊阶段的就诊时间确定是否触发理赔指令,避免患者在就诊过程中出现异常信息而导致患者不满意出现的医疗事故的现象,提高了患者就诊过程中的安全性及满意度。
综上所述,本实施例所述的医生推荐的方法,通过获取患者输入的疾病信息,并解析所述疾病信息得到多个疾病特征属性,其中,所述疾病信息中包括所述患者的始发点位置坐标及基本信息;将所述多个疾病特征属性输入至预先训练好的科室识别模型进行识别得到就诊科室,并根据所述多个疾病特征属性确定所述患者的疾病等级;根据所述患者的始发点位置坐标、所述就诊科室及所述疾病等级获取至少一个推荐医生;根据所述患者的基本信息确定所述患者的品质标签;根据所述患者的多个疾病特征属性、所述疾病等级、所述品质标签及所述至少一个推荐医生的医生画像确定得到目标推荐医生。
本实施例,一方面通过根据所述患者的多个疾病特征属性、疾病等级、品质标签及所述至少一个推荐医生的医生画像确定得到目标推荐医生,避免单一的根据所述患者的多个疾病特征属性直接得到目标推荐医生,从多个维度同时考虑进行目标推荐医生的推荐,提高了医生与患者需求的匹配度及目标推荐医生的推荐准确率;另一方面,根据所述患者的始发点位置坐标及疾病等级获取至少一个推荐医院,在所述至少一个推荐医院中获取至少一个推荐医生,通过多次确定得到至少一个推荐医生,提高了得到推荐医生的准确率;最后,通过不断更新科室识别模型识别得到就诊科室,提高了得到就诊科室的识别准确率。
此外,通过在预约记录中记录每个就诊阶段的就诊时间,辅助患者提前安排时间,有计划的进行就诊,提高了患者的就诊效率,同时监测每个就诊阶段的就诊时间,根据每个就诊阶段的就诊时间确定是否触发理赔指令,避免患者在就诊过程中出现异常信息而导致患者不满意出现的医疗事故的现象,提高了患者就诊过程中的安全性及满意度。
实施例二
图2是本发明实施例二提供的医生推荐装置的结构图。
在一些实施例中,所述医生推荐装置20可以包括多个由程序代码段所组成的功能模块。所述医生推荐装置20中的各个程序段的程序代码可以存储于电子设备的存储器中,并由所述至少一个处理器所执行,以执行(详见图1描述)医生推荐的功能。
本实施例中,所述医生推荐装置20根据其所执行的功能,可以被划分为多个功能模块。所述功能模块可以包括:第一获取模块201、识别模块202、第二获取模块203、第一确定模块204、第二确定模块205、采集模块206、提取模块207及合并模块208。本发明所称的模块是指一种能够被至少一个处理器所执行并且能够完成固定功能的一系列计算机程序段,其存储在存储器中。在本实施例中,关于各模块的功能将在后续的实施例中详述。
第一获取模块201,用于获取患者输入的疾病信息,并解析所述疾病信息得到多个疾病特征属性,其中,所述疾病信息中包括所述患者的始发点位置坐标及基本信息。
本实施例中,所述患者输入的疾病信息是在接收到患者的医生推荐请求中获取的,具体地,所述医生推荐请求由电子设备向服务器发送,用于请求针对患者输入的疾病信息进行医生推荐,具体地,所述医生推荐请求在患者就诊之前,通过电子设备向服务器发送,如可以通过电子设备登录医疗机构,如医院医疗***中的医生推荐平台,在所述医生推荐平台中向医疗***服务器发送医生推荐请求,所述医生推荐请求中包含有患者的输入的疾病信息。
需要强调的是,为进一步保证上述患者输入的疾病信息的私密和安全性,上述患者输入的疾病信息还可以存储于一区块链的节点中。
本实施例中,解析所述医生推荐请求获取患者输入的疾病信息,所述疾病信息包括,但不限于,所述患者的历史疾病信息、当前疾病信息、所述患者的始发点位置坐标及基本信息,解析所述疾病信息获取多个疾病特征属性。
识别模块202,用于将所述多个疾病特征属性输入至预先训练好的科室识别模型进行识别得到就诊科室,并根据所述多个疾病特征属性确定所述患者的疾病等级。
本实施例中,所述科室识别模型是预先训练好的,在得到所述患者的多个疾病特征属性之后,将所述患者的多个疾病特征属性输入至预先训练好的科室识别模型进行训练,识别出所述患者对应的就诊科室。
具体地,所述科室识别模型的训练过程包括:
21)获取多个科室及每个科室对应的历史疾病特征属性作为样本数据集;
22)从所述样本数据集中划分出训练集和测试集;
23)将所述训练集输入预设神经网络中进行训练,得到科室识别模型;
24)将所述测试集输入至所述科室识别模型中进行测试,并计算测试通过率;
25)若所述测试通过率大于预设通过率阈值,确定所述科室识别模型训练结束;若所述测试通过率小于预设通过率阈值,增加训练集的数量,重新进行科室识别模型的训练。
本实施例中,根据不同科室对应的不同的历史疾病特征属性进行训练得到科室识别模型,将所述患者的多个疾病特征属性输入至预先训练好的科室识别模型中进行识别得到对应的就诊科室,并且在后续的训练过程中,将每个患者的疾病特征属性作为新的数据,以增加所述数据集的数量,并基于新的数据集来重新训练科室识别模型,及不断的更新科室识别模型,从而不断的提高了识别率。
本实施例中,疾病等级可以为医疗机构根据医生从业经验后建议设置的,也可以是医疗机构根据患者的历史就诊信息、医生的治疗信息进行机器学习得到的,针对不同的疾病设置不同的疾病等级,例如,针对腹泻设置的疾病等级为:每天腹泻7次以上,严重;每天腹泻3到7次,一般;每天腹泻3次以下,轻微;针对发烧设置的疾病等级为:体温超过38.5度,严重;体温小于38.5度,一般。
可选的,所述识别模块202根据所述多个疾病特征属性确定所述患者的疾病等级包括:
从所述多个疾病特征属性中提取预设的多个目标疾病特征属性;
根据所述预设的多个目标疾病特征属性确定所述患者的疾病等级。
示例性的,所述多个疾病特征属性中包括目标疾病特征:腹泻,每天4次,则确定所述患者的疾病等级为一般。
本实施例中,通过根据不同的疾病设置不同的疾病等级提高了疾病等级设置的多样性,及通过提取多个疾病特征属性中预设的多个目标疾病特征属性确定所述患者的疾病等级,提高了确定所述患者疾病等级的效率。
第二获取模块203,用于根据所述患者的始发点位置坐标、所述就诊科室及所述疾病等级获取至少一个推荐医生。
本实施例中,所述至少一个推荐医生是根据所述患者的始发点位置坐标、就诊科室及疾病等级确定得到的,从多个维度数据确定得到至少一个推荐医生,提高了推荐的准确率。
可选地,所述第二获取模块203根据所述患者的始发点位置坐标、所述就诊科室及所述疾病等级获取至少一个推荐医生包括:
根据所述患者的始发点位置坐标及所述疾病等级获取至少一个推荐医院;
根据所述就诊科室及所述疾病等级在所述至少一个推荐医院中获取至少一个推荐医生。
本实施例中,通过根据所述患者的始发点位置坐标及疾病等级获取至少一个推荐医院,若所述患者的疾病等级为严重时,推荐距离所述患者的始发点位置坐标最近的三甲医院,并且在所述三甲医院中根据所述患者的就诊科室及疾病等级进行推荐主任医生以上级别的医生,确保患者及时的就诊治疗,提高了医生推荐的准确率。
本实施例中,根据所述患者的始发点位置坐标及疾病等级获取至少一个推荐医院,在所述至少一个推荐医院中获取至少一个推荐医生,通过多次确定得到至少一个推荐医生,提高了得到推荐医生的准确率。
第一确定模块204,用于根据所述患者的基本信息确定所述患者的品质标签。
本实施例中,所述基本信息包括所述患者的年龄、性别、***消费习惯、历史就诊医生的等级、诊金等,基于所述基本信息确定所述患者的品质标签。
可选地,所述第一确定模块204根据所述患者的基本信息确定所述患者的品质标签包括:
从所述患者的基本信息中提取多维度的目标特征,将所述多维度的目标特征按照预设的归类模型进行归类,得到所述患者的品质标签。
本实施例中,所述目标特征是指所述基本信息中的所述患者年龄、性别、***消费习惯、历史就诊医生的等级、诊金,将所述多个目标特征按照聚类算法进行归类得到所述患者的品质标签,具体地,所述品质标签可以包括:高品质、中品质和低品质。
示例性的,针对患者就诊的历史医生:若所述患者历史就诊医生的等级都为专家,则确定所述患者的品质标签为:高品质;若所述患者历史就诊医生的等级在预设范围内为主任医师,则确定所述患者的品质标签为:中品质;若所述患者历史就诊医生的等级都为普通医生,则确定所述患者的品质标签为:低品质。针对所述患者的***消费习惯,若所述患者的***消费每个月都超过预设的高品质消费金额,则确定所述患者的品质标签为:高品质;若所述患者每个月的***消费金额都低于预设的低品质消费金额,则确定所述患者的品质标签为:低品质,若所述患者每个月的***消费金额都小于预设的高品质消费金额且大于预设的低品质消费金额,则确定所述患者的品质标签为:中品质。
第二确定模块205,用于根据所述患者的多个疾病特征属性、所述疾病等级、所述品质标签及所述至少一个推荐医生的医生画像确定得到目标推荐医生。
本实施例中,在确定得到目标推荐医生的过程中,需要根据每个推荐医生的医生信息为每个推荐医生创建画像:
采集模块206,用于从预设的多个数据源中采集每个推荐医生的第一医生信息及第二医生信息。
提取模块207,用于提取所述第一医生信息中的多个第一关键字段,及提取所述第二医生信息中的多个第二关键字段。
本实施例中,所述第一医生信息是指每个推荐医生的基本信息,具体包括:年龄、性别、擅长领域、疾病诊断信息等,从所述基本信息中提取多个第一关键字段,对所述第一关键字段按照预设的标签转换策略进行标签转换,例如:预设的标签转化策略具体为:年龄转化子策略用于将实际年龄转化为年龄标签,若患者年龄为小于3岁,标签为婴幼儿;患者年龄为4岁至18岁,标签为青少年;患者年龄为18-40岁,标签为青年;患者年龄为40-55岁,标签为中年;患者年龄为55岁以上,标签为老年。
所述第二医生信息是指每个推荐医生的评论信息,从所述评论信息中提取第二关键字段,具体地,所述第二关键字段包括多个就诊的评分及每个就诊评分对应的推荐评分规则,将每个推荐医生的多个就诊的评分及对应的推荐评分规则输入至预先训练好的推荐评分模型中进行识别得到每个推荐医生的推荐评分。
所述识别模块202,用于将所述多个第一关键字段进行标签转换得到每个推荐医生的标签集,并将所述多个第二关键字段输入至推荐评分模型进行识别得到每个推荐医生的推荐评分。
本实施例中,所述推荐评分模型是预先训练好的,获取多个推荐医生的多个就诊评分及每个就诊评分对应的推荐评分规则作为样本数据集进行训练,所述训练过程与科室识别模型的训练过程一样,本发明在此不做详述。本实施例中,根据每个推荐医生的多个就诊评分设置不同的推荐评分规则,例如:A医生的多个就诊评分中包括:治疗效果评分及就诊态度评分,针对治疗效果设置的推荐评分规则为:治疗效果评分≥9.0分,对应推荐评分:9.5分;9.0<治疗效果评分≤8.0分,对应推荐评分:8.5分;8.0<治疗效果评分≤7.0分,对应推荐评分:7.5分;治疗效果评分<7.0分,对应推荐评分5分;针对就诊态度设置的推荐评分规则为:就诊态度评分≥8.0分,对应推荐评分:9.0分;8.0<就诊态度评分≤6.0分,对应推荐评分:7.0分;就诊态度评分<6.0分,对应的推荐评分:5分。
合并模块208,用于将所述每个推荐医生的标签集及对应的推荐评分进行合并,得到每个推荐医生的医生画像。
本实施例中,通过将每个推荐医生的标签集及推荐评分进行合并得到每个推荐医生的医生画像,例如:主任医师-发烧-支气管炎-推荐评分9.2分。
本实施例中,通过将所述多个第二关键字段输入至推荐评分模型进行识别得到每个推荐医生的推荐评分,提高了识别得到每个推荐医生的推荐评分的准确率,并将每个推荐医生的标签集及推荐评分进行合并得到每个推荐医生的医生画像,从不同的维度得到每个推荐医生的医生画像,提高了创建得到的推荐医生画像的完整性。
可选地,所述第二确定模块205根据所述患者的多个疾病特征属性、所述疾病等级、所述品质标签及所述至少一个推荐医生的医生画像确定得到目标推荐医生包括:
根据所述患者的多个疾病特征属性、所述疾病等级、所述品质标签及所述至少一个推荐医生的医生画像构建决策树,其中,所述决策树的每层包括属性节点及与所述属性节点相对应的规则节点;
定位至所述决策树中与所述患者的属性相对应的目标属性节点,得到目标层的与所述目标属性节点相对应的第一目标规则节点;
若所述目标层的第一目标规则节点为子树,则根据所述子树的下一层的属性节点继续定位,以得到与所述下一层的属性节点相对于的第二目标规则节点,直至确定目标规则节点为叶节点,则确定所述目标规则节点的推荐医生为目标推荐医生;
若所述目标层的第一目标规则节点为叶节点,则确定所述第一目标规则节点的推荐医生为目标推荐医生。
本实施例中,所述属性节点是指合并所述患者的多个疾病特征属性、疾病等级及品质标签得到的多个属性对应的属性节点。
进一步地,所述根据所述患者的多个疾病特征属性、所述疾病等级、所述品质标签及所述至少一个推荐医生的医生画像构建决策树包括:
以所述患者的多个疾病特征属性、所述疾病等级及所述品质标签确定属性节点;
遍历所有所述属性节点及所述至少一个推荐医生的医生画像,以得到与每个属性节点相对应的至少一个推荐医生作为规则节点;
以权重最大的属性作为所述属性节点中的根节点;
如果所述规则节点包括一个推荐医生,则确定所述规则节点为叶节点;
如果所述规则节点包括至少两个推荐医生,则确定所述规则节点为子树;
选取除上层外的权重最大的属性作为所述子树的下一层的所述属性节点。
示例性的,将所述患者对应的多个疾病特征属性:发烧-咳嗽,疾病等级:严重、品质标签:高品质,根据权重值确定所述患者的属性节点顺序为:发烧节点-咳嗽节点-严重节点-高品质节点。
所有推荐医生的医生画像:A医生的医生画像:主任医师-发烧-支气管炎-推荐评分9.2分;B医生的医生画像:专家-发烧-咳嗽-肺炎-推荐评分9.5分;C医生的医生画像:主任医师-发烧-肺部感染-推荐评分9.2分;D医生的医生画像:主任医师-肺部感染-推荐评分8.9分;E医生的医生画像:专家-发烧-咳嗽-肺炎推荐评分9.6分;F医生的医生画像:主任医师-发烧-咳嗽-肺炎推荐评分9.6分。
遍历所有所述属性节点及所述所有推荐医生的医生画像得到所述患者的每个属性节点对应的规则节点为:所述发烧节点对应的规则节点为:A医生、B医生、C医生、E医生及F医生;咳嗽节点对应的规则节点为:B医生、E医生及F医生;严重节点对应的规则节点为:B医生和E医生;高品质节点对应的规则节点为:E医生。
将所述患者的发烧、咳嗽、严重及高品质作为所述患者的属性输入***,根据决策树以及患者的属性:发烧,定位到决策树第一层的属性节点发烧节点,对发烧节点匹配得到A医生、B医生、C医生、E医生及F医生,确定所述A医生、B医生、C医生、E医生及F医生为子树,则继续定位至所述A医生、B医生、C医生、E医生及F医生下方决策树第二层的属性节点咳嗽节点,对咳嗽节点匹配得到B医生、E医生及F医生,确定所述B医生、E医生及F医生为子树,则继续定位至所述B医生、E医生及F医生下方决策树第三层的属性节点严重节点,对严重节点匹配到B医生和E医生,确定所述B医生和E医生为子树,则继续定位至所述B医生和E医生下方决策树第四层的属性节点高品质节点,对高品质节点匹配到E医生,确定所述E医生为叶节点,则将所述E医生确定为目标推荐医生。
本实施例中,通过针对所述患者的多个疾病特征属性、疾病等级、品质标签及所述至少一个推荐医生的医生画像采用决策树算法,对所述患者的多个疾病特征属性、疾病等级及品质标签在所述决策树中进行逐层匹配确定目标推荐医生,避免单一的根据所述患者的多个疾病特征属性直接得到目标推荐医生,从多个维度同时考虑进行目标推荐医生推荐,提高了目标推荐医生的推荐准确率。
进一步地,在得到目标推荐医生之后,获取所述目标推荐医生的出诊信息;根据所述患者的多个疾病特征属性和疾病等级及所述目标推荐医生的出诊信息生成所述患者的预约信息。
本实施例中,当生成预约信息时,服务器将所述预约信息发送至所述患者,所述患者根据所述预约信息决定是否就诊,具体地,所述预约信息包括每个就诊阶段的检查项目及检查注意事项及就诊时间等。
示例性的,当匹配到目标推荐医生时,根据所述目标推荐医生的出诊信息确定就诊时间,再根据所述患者的多个疾病特征属性和疾病等级判断可能需要做的检查项目,例如,胃痛,可能要空腹做胃镜检查,则推荐挂早上8点的号;脚痛,不需空腹检查,但是行走不方便,则推荐挂下午2点的号,避开上下班高峰期;若所述患者的疾病等级为严重,则推荐挂最早的号;若所述患者的疾病等级为一般,且不需要空腹检查,则推荐挂相对空闲时间段的号(例如下午2点到3点);若所述患者只是复查看结果或者拿药,则推荐挂医生快要下班的时间段,患者只需提前1个小时下班去医院看结果,辅助患者合理安排时间进行就诊,提高了所述患者的就诊效率及满意度,同时提高了医生的看诊效率。
进一步地,在得到所述目标推荐医生之后,当接收到所述患者返回的预约结果时,基于所述预约结果生成预约记录,并监测所述患者的每个阶段的就诊时间是否超过所述预约记录中对应的预约就诊时间;计算所述患者的每个阶段的就诊时间与所述预约记录中对应的预约就诊时间之间的时间差值;判断所述时间差值是否大于对应就诊阶段的预设时间差值阈值;当所述时间差值大于或者等于所述对应就诊阶段的预设时间差值阈值时,获取所述时间差值对应的就诊阶段的就诊信息,基于所述就诊信息判断所述就诊阶段中是否出现异常信息;当所述就诊信息中出现异常信息时,基于所述异常信息触发理赔指令。
本实施例中,在接收到所述患者返回的预约结果时,确定所述患者接收了所述推荐的预约信息,根据所述预约结果生成预约记录,并将所述预约记录保存至待监测就诊队列中,当监测到所述预约记录被触发时,监测所述患者在每个就诊阶段的就诊时间与所述预约记录中对应就诊阶段的预约就诊时间的时间差值,当所述每个阶段的时间差值大于或者等于所述对应就诊阶段的预设时间差值阈值时,判断所述就诊阶段中是否出现了异常信息,具体地,获取所述就诊阶段中的就诊信息,识别所述就诊信息中是否存在异常信息,具体地,所述异常信息可以是由所述目标推荐医生在就诊阶段中产生的,也可以是患者在就诊过程中医疗结构的设备发生故障引起的,并且在出现异常信息后,根据所述异常信息触发理赔指令。
本实施例中,所述理赔指令是指出现异常信息时进行的超时理赔,根据超时情况设置不同的理赔规则,具体地,所述理赔规则可以根据历史就诊数据、当天就诊人数和医院当天值班人数进行设置。
示例性地,患者在就诊的排队检查阶段比预定时间晚了1小时,则触发赔偿指令执行赔偿,例如,超时1小时可以对患者进行适当的金额赔偿200元或者赠送健康管理包(体温计、口罩、消掉酒精、棉签)等物品。
进一步地,当所述时间差值小于所述预设时间差值阈值时,确定所述患者的就诊时间为正常就诊时间。
本实施例中,通过在预约记录中记录每个就诊阶段的就诊时间,辅助患者提前安排时间,有计划的进行就诊,提高了患者的就诊效率,同时监测每个就诊阶段的就诊时间,根据每个就诊阶段的就诊时间确定是否触发理赔指令,避免患者在就诊过程中出现异常信息而导致患者不满意出现的医疗事故的现象,提高了患者就诊过程中的安全性及满意度。
综上所述,本实施例所述的医生推荐的装置,通过获取患者输入的疾病信息,并解析所述疾病信息得到多个疾病特征属性,其中,所述疾病信息中包括所述患者的始发点位置坐标及基本信息;将所述多个疾病特征属性输入至预先训练好的科室识别模型进行识别得到就诊科室,并根据所述多个疾病特征属性确定所述患者的疾病等级;根据所述患者的始发点位置坐标、所述就诊科室及所述疾病等级获取至少一个推荐医生;根据所述患者的基本信息确定所述患者的品质标签;根据所述患者的多个疾病特征属性、所述疾病等级、所述品质标签及所述至少一个推荐医生的医生画像确定得到目标推荐医生。
本实施例,一方面通过根据所述患者的多个疾病特征属性、疾病等级、品质标签及所述至少一个推荐医生的医生画像确定得到目标推荐医生,避免单一的根据所述患者的多个疾病特征属性直接得到目标推荐医生,从多个维度同时考虑进行目标推荐医生的推荐,提高了医生与患者需求的匹配度及目标推荐医生的推荐准确率;另一方面,根据所述患者的始发点位置坐标及疾病等级获取至少一个推荐医院,在所述至少一个推荐医院中获取至少一个推荐医生,通过多次确定得到至少一个推荐医生,提高了得到推荐医生的准确率;最后,通过不断更新科室识别模型识别得到就诊科室,提高了得到就诊科室的识别准确率。
此外,通过在预约记录中记录每个就诊阶段的就诊时间,辅助患者提前安排时间,有计划的进行就诊,提高了患者的就诊效率,同时监测每个就诊阶段的就诊时间,根据每个就诊阶段的就诊时间确定是否触发理赔指令,避免患者在就诊过程中出现异常信息而导致患者不满意出现的医疗事故的现象,提高了患者就诊过程中的安全性及满意度。
实施例三
参阅图3所示,为本发明实施例三提供的电子设备的结构示意图。在本发明较佳实施例中,所述电子设备3包括存储器31、至少一个处理器32、至少一条通信总线33及收发器34。
本领域技术人员应该了解,图3示出的电子设备的结构并不构成本发明实施例的限定,既可以是总线型结构,也可以是星形结构,所述电子设备3还可以包括比图示更多或更少的其他硬件或者软件,或者不同的部件布置。
在一些实施例中,所述电子设备3是一种能够按照事先设定或存储的指令,自动进行数值计算和/或信息处理的电子设备,其硬件包括但不限于微处理器、专用集成电路、可编程门阵列、数字处理器及嵌入式设备等。所述电子设备3还可包括客户设备,所述客户设备包括但不限于任何一种可与客户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互的电子产品,例如,个人计算机、平板电脑、智能手机、数码相机等。
需要说明的是,所述电子设备3仅为举例,其他现有的或今后可能出现的电子产品如可适应于本发明,也应包含在本发明的保护范围以内,并以引用方式包含于此。
在一些实施例中,所述存储器31用于存储程序代码和各种数据,例如安装在所述电子设备3中的医生推荐装置20,并在电子设备3的运行过程中实现高速、自动地完成程序或数据的存取。所述存储器31包括只读存储器(Read-Only Memory,ROM)、可编程只读存储器(Programmable Read-Only Memory,PROM)、可擦除可编程只读存储器(ErasableProgrammable Read-Only Memory,EPROM)、一次可编程只读存储器(One-timeProgrammable Read-Only Memory,OTPROM)、电子擦除式可复写只读存储器(Electrically-Erasable Programmable Read-Only Memory,EEPROM)、只读光盘(CompactDisc Read-Only Memory,CD-ROM)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。
在一些实施例中,所述至少一个处理器32可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述至少一个处理器32是所述电子设备3的控制核心(Control Unit),利用各种接口和线路连接整个电子设备3的各个部件,通过运行或执行存储在所述存储器31内的程序或者模块,以及调用存储在所述存储器31内的数据,以执行电子设备3的各种功能和处理数据。
在一些实施例中,所述至少一条通信总线33被设置为实现所述存储器31以及所述至少一个处理器32等之间的连接通信。
尽管未示出,所述电子设备3还可以包括给各个部件供电的电源(比如电池),可选的,电源可以通过电源管理装置与所述至少一个处理器32逻辑相连,从而通过电源管理装置实现管理充电、放电、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备3还可以包括多种传感器、蓝牙模块、Wi-Fi模块等,在此不再赘述。
应该了解,所述实施例仅为说明之用,在专利申请范围上并不受此结构的限制。
上述以软件功能模块的形式实现的集成的单元,可以存储在一个计算机可读取存储介质中。上述软件功能模块存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,电子设备,或者网络设备等)或处理器(processor)执行本发明各个实施例所述方法的部分。
在进一步的实施例中,结合图2,所述至少一个处理器32可执行所述电子设备3的操作装置以及安装的各类应用程序(如所述的医生推荐装置20)、程序代码等,例如,上述的各个模块。
所述存储器31中存储有程序代码,且所述至少一个处理器32可调用所述存储器31中存储的程序代码以执行相关的功能。例如,图2中所述的各个模块是存储在所述存储器31中的程序代码,并由所述至少一个处理器32所执行,从而实现所述各个模块的功能以达到医生推荐的目的。
在本发明的一个实施例中,所述存储器31存储多个指令,所述多个指令被所述至少一个处理器32所执行以实现医生推荐的功能。
具体地,所述至少一个处理器32对上述指令的具体实现方法可参考图1对应实施例中相关步骤的描述,在此不赘述。
在本发明所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
进一步地,所述计算机可读存储介质可以是非易失性,也可以是易失性。
进一步地,所述计算机可读存储介质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。
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。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,既可以位于一个地方,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模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外,显然“包括”一词不排除其他单元或,单数不排除复数。本发明中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一,第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种医生推荐方法,其特征在于,所述方法包括:
获取患者输入的疾病信息,并解析所述疾病信息得到多个疾病特征属性,其中,所述疾病信息中包括所述患者的始发点位置坐标及基本信息;
将所述多个疾病特征属性输入至预先训练好的科室识别模型进行识别得到就诊科室,并根据所述多个疾病特征属性确定所述患者的疾病等级;
根据所述患者的始发点位置坐标、所述就诊科室及所述疾病等级获取至少一个推荐医生;
根据所述患者的基本信息确定所述患者的品质标签;
根据所述患者的多个疾病特征属性、所述疾病等级、所述品质标签及所述至少一个推荐医生的医生画像确定得到目标推荐医生。
2.如权利要求1所述的医生推荐方法,其特征在于,所述根据所述患者的始发点位置坐标、所述就诊科室及所述疾病等级获取至少一个推荐医生包括:
根据所述患者的始发点位置坐标及所述疾病等级获取至少一个推荐医院;
根据所述就诊科室及所述疾病等级在所述至少一个推荐医院中获取至少一个推荐医生。
3.如权利要求1所述的医生推荐方法,其特征在于,所述方法还包括:
从预设的多个数据源中采集每个推荐医生的第一医生信息及第二医生信息;
提取所述第一医生信息中的多个第一关键字段,及提取所述第二医生信息中的多个第二关键字段;
将所述多个第一关键字段进行标签转换得到每个推荐医生的标签集,并将所述多个第二关键字段输入至推荐评分模型进行识别得到每个推荐医生的推荐评分;
将所述每个推荐医生的标签集及对应的推荐评分进行合并,得到每个推荐医生的医生画像。
4.如权利要求1所述的医生推荐方法,其特征在于,所述根据所述患者的基本信息确定所述患者的品质标签包括:
从所述患者的基本信息中提取多维度的目标特征,将所述多维度的目标特征按照预设的归类模型进行归类,得到所述患者的品质标签。
5.如权利要求1所述的医生推荐方法,其特征在于,所述根据所述患者的多个疾病特征属性、所述疾病等级、所述品质标签及所述至少一个推荐医生的医生画像确定得到目标推荐医生包括:
根据所述患者的多个疾病特征属性、所述疾病等级、所述品质标签及所述至少一个推荐医生的医生画像构建决策树,其中,所述决策树的每层包括属性节点及与所述属性节点相对应的规则节点;
定位至所述决策树中与所述患者的属性相对应的目标属性节点,得到目标层的与所述目标属性节点相对应的第一目标规则节点;
若所述目标层的第一目标规则节点为子树,则根据所述子树的下一层的属性节点继续定位,以得到与所述下一层的属性节点相对于的第二目标规则节点,直至确定目标规则节点为叶节点,则确定所述目标规则节点的推荐医生为目标推荐医生;
若所述目标层的第一目标规则节点为叶节点,则确定所述第一目标规则节点的推荐医生为目标推荐医生。
6.如权利要求5所述的医生推荐方法,其特征在于,所述根据所述患者的多个疾病特征属性、所述疾病等级、所述品质标签及所述至少一个推荐医生的医生画像构建决策树包括:
以所述患者的多个疾病特征属性、所述疾病等级及所述品质标签确定属性节点;
遍历所有所述属性节点及所述至少一个推荐医生的医生画像,以得到与每个属性节点相对应的至少一个推荐医生作为规则节点;
以权重最大的属性作为所述属性节点中的根节点;
如果所述规则节点包括一个推荐医生,则确定所述规则节点为叶节点;
如果所述规则节点包括至少两个推荐医生,则确定所述规则节点为子树;
选取除上层外的权重最大的属性作为所述子树的下一层的所述属性节点。
7.如权利要求1所述的医生推荐方法,其特征在于,在得到所述目标推荐医生之后,所述方法还包括:
当接收到所述患者返回的预约结果时,基于所述预约结果生成预约记录,并监测所述患者的每个阶段的就诊时间是否超过所述预约记录中对应的预约就诊时间;
计算所述患者的每个阶段的就诊时间与所述预约记录中对应的预约就诊时间之间的时间差值;
判断所述时间差值是否大于对应就诊阶段的预设时间差值阈值;
当所述时间差值大于或者等于所述对应就诊阶段的预设时间差值阈值时,获取所述时间差值对应的就诊阶段的就诊信息,基于所述就诊信息判断所述就诊阶段中是否出现异常信息;
当所述就诊信息中出现异常信息时,基于所述异常信息触发理赔指令。
8.一种医生推荐装置,其特征在于,所述装置包括:
第一获取模块,用于获取患者输入的疾病信息,并解析所述疾病信息得到多个疾病特征属性,其中,所述疾病信息中包括所述患者的始发点位置坐标及基本信息;
识别模块,用于将所述多个疾病特征属性输入至预先训练好的科室识别模型进行识别得到就诊科室,并根据所述多个疾病特征属性确定所述患者的疾病等级;
第二获取模块,用于根据所述患者的始发点位置坐标、所述就诊科室及所述疾病等级获取至少一个推荐医生;
第一确定模块,用于根据所述患者的基本信息确定所述患者的品质标签;
第二确定模块,用于根据所述患者的多个疾病特征属性、所述疾病等级、所述品质标签及所述至少一个推荐医生的医生画像确定得到目标推荐医生。
9.一种电子设备,其特征在于,所述电子设备包括处理器和存储器,所述处理器用于执行所述存储器中存储的计算机程序时实现如权利要求1至7中任意一项所述的医生推荐方法。
10.一种计算机可读存储介质,所述计算机可读存储介质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如权利要求1至7中任意一项所述的医生推荐方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011507196.5A CN112562836A (zh) | 2020-12-18 | 2020-12-18 | 医生推荐方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011507196.5A CN112562836A (zh) | 2020-12-18 | 2020-12-18 | 医生推荐方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112562836A true CN112562836A (zh) | 2021-03-26 |
Family
ID=75031698
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011507196.5A Pending CN112562836A (zh) | 2020-12-18 | 2020-12-18 | 医生推荐方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112562836A (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113066567A (zh) * | 2021-04-09 | 2021-07-02 | 叶月玲 | 一种基于区块链的医疗就诊挂号*** |
CN113284590A (zh) * | 2021-05-27 | 2021-08-20 | 复旦大学 | 一种基于位置服务的医疗资源可视化推荐方法 |
CN113362938A (zh) * | 2021-05-31 | 2021-09-07 | 珠海市魅族科技有限公司 | 一种医疗信息推送方法、装置、电子设备及存储介质 |
CN113571167A (zh) * | 2021-07-28 | 2021-10-29 | 重庆橡树信息科技有限公司 | 一种基于配置式评分知识模型的快捷分诊*** |
CN113689942A (zh) * | 2021-08-24 | 2021-11-23 | 平安国际智慧城市科技股份有限公司 | 产检监测方法、装置及相关设备 |
CN113707286A (zh) * | 2021-08-30 | 2021-11-26 | 康键信息技术(深圳)有限公司 | 基于决策树的问诊分配方法、装置、设备及存储介质 |
CN113707335A (zh) * | 2021-09-06 | 2021-11-26 | 挂号网(杭州)科技有限公司 | 确定目标接诊用户的方法、装置、电子设备和存储介质 |
CN114065856A (zh) * | 2021-11-16 | 2022-02-18 | 北京和兴创联健康科技有限公司 | 基于医生画像的医生推荐方法、装置、设备及存储介质 |
CN114944225A (zh) * | 2022-07-25 | 2022-08-26 | 武汉盛博汇信息技术有限公司 | 一种基于患者信息的科室管理方法和装置 |
CN116895358A (zh) * | 2023-09-11 | 2023-10-17 | 江苏泰德医药有限公司 | 一种基于云平台医疗资源智能管理***及方法 |
CN117174269A (zh) * | 2023-09-06 | 2023-12-05 | 淮阴工学院 | 一种基于去中心化技术的医疗治疗评测与引导*** |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110021418A (zh) * | 2017-10-26 | 2019-07-16 | 株式会社日立制作所 | 远程诊疗方法及其装置和*** |
CN110491483A (zh) * | 2018-08-15 | 2019-11-22 | 上海好医通健康信息咨询有限公司 | 一种远程健康诊断和咨询*** |
CN110993081A (zh) * | 2019-12-03 | 2020-04-10 | 济南大学 | 一种医生在线推荐方法及*** |
CN111079195A (zh) * | 2019-11-26 | 2020-04-28 | 山东爱城市网信息技术有限公司 | 一种基于区块链的就诊预约存证方法及设备、介质 |
-
2020
- 2020-12-18 CN CN202011507196.5A patent/CN112562836A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110021418A (zh) * | 2017-10-26 | 2019-07-16 | 株式会社日立制作所 | 远程诊疗方法及其装置和*** |
CN110491483A (zh) * | 2018-08-15 | 2019-11-22 | 上海好医通健康信息咨询有限公司 | 一种远程健康诊断和咨询*** |
CN111079195A (zh) * | 2019-11-26 | 2020-04-28 | 山东爱城市网信息技术有限公司 | 一种基于区块链的就诊预约存证方法及设备、介质 |
CN110993081A (zh) * | 2019-12-03 | 2020-04-10 | 济南大学 | 一种医生在线推荐方法及*** |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113066567A (zh) * | 2021-04-09 | 2021-07-02 | 叶月玲 | 一种基于区块链的医疗就诊挂号*** |
CN113066567B (zh) * | 2021-04-09 | 2022-09-09 | 武汉市同步远方信息技术开发有限公司 | 一种基于区块链的医疗就诊挂号*** |
CN113284590A (zh) * | 2021-05-27 | 2021-08-20 | 复旦大学 | 一种基于位置服务的医疗资源可视化推荐方法 |
CN113362938A (zh) * | 2021-05-31 | 2021-09-07 | 珠海市魅族科技有限公司 | 一种医疗信息推送方法、装置、电子设备及存储介质 |
CN113571167A (zh) * | 2021-07-28 | 2021-10-29 | 重庆橡树信息科技有限公司 | 一种基于配置式评分知识模型的快捷分诊*** |
CN113571167B (zh) * | 2021-07-28 | 2024-04-19 | 重庆橡树信息科技有限公司 | 一种基于配置式评分知识模型的快捷分诊*** |
CN113689942B (zh) * | 2021-08-24 | 2023-08-18 | 深圳平安智慧医健科技有限公司 | 产检监测方法、装置及相关设备 |
CN113689942A (zh) * | 2021-08-24 | 2021-11-23 | 平安国际智慧城市科技股份有限公司 | 产检监测方法、装置及相关设备 |
CN113707286A (zh) * | 2021-08-30 | 2021-11-26 | 康键信息技术(深圳)有限公司 | 基于决策树的问诊分配方法、装置、设备及存储介质 |
CN113707335A (zh) * | 2021-09-06 | 2021-11-26 | 挂号网(杭州)科技有限公司 | 确定目标接诊用户的方法、装置、电子设备和存储介质 |
CN114065856A (zh) * | 2021-11-16 | 2022-02-18 | 北京和兴创联健康科技有限公司 | 基于医生画像的医生推荐方法、装置、设备及存储介质 |
CN114944225A (zh) * | 2022-07-25 | 2022-08-26 | 武汉盛博汇信息技术有限公司 | 一种基于患者信息的科室管理方法和装置 |
CN114944225B (zh) * | 2022-07-25 | 2022-09-27 | 武汉盛博汇信息技术有限公司 | 一种基于患者信息的科室管理方法和装置 |
CN117174269A (zh) * | 2023-09-06 | 2023-12-05 | 淮阴工学院 | 一种基于去中心化技术的医疗治疗评测与引导*** |
CN116895358A (zh) * | 2023-09-11 | 2023-10-17 | 江苏泰德医药有限公司 | 一种基于云平台医疗资源智能管理***及方法 |
CN116895358B (zh) * | 2023-09-11 | 2023-11-28 | 江苏泰德医药有限公司 | 一种基于云平台医疗资源智能管理***及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112562836A (zh) | 医生推荐方法、装置、电子设备及存储介质 | |
US11600390B2 (en) | Machine learning clinical decision support system for risk categorization | |
US8515777B1 (en) | System and method for efficient provision of healthcare | |
CN106793957B (zh) | 用于预测患者护理未来结果的医疗***和方法 | |
US20190267141A1 (en) | Patient readmission prediciton tool | |
US20130246091A1 (en) | System and method for administering health care cost reduction | |
KR102028692B1 (ko) | 병원 운영 솔루션 제공 방법, 서버 및 프로그램 | |
CN111986744B (zh) | 医疗机构的患者界面生成方法、装置、电子设备及介质 | |
CN112216361A (zh) | 基于人工智能的随访计划单生成方法、装置、终端及介质 | |
CN112614578A (zh) | 医生智能推荐方法、装置、电子设备及存储介质 | |
US20200373003A1 (en) | Automatic medical scan triaging system and methods for use therewith | |
CN112016905B (zh) | 基于审批流程的信息展示方法、装置、电子设备及介质 | |
WO2021151291A1 (zh) | 疾病风险的分析方法、装置、电子设备及计算机存储介质 | |
US11244029B1 (en) | Healthcare management system and method | |
CN115409380A (zh) | 医院医保绩效评价方法、装置、电子设备及其存储介质 | |
US20140316802A1 (en) | System and method for evaluating healthcare information technology | |
CN114220541A (zh) | 疾病预测方法、装置、电子设备及存储介质 | |
CN111933246A (zh) | 医疗处方分析方法、***、电子设备及存储介质 | |
Lim et al. | Deriving a sophisticated clinical pathway based on patient conditions from electronic health record data | |
CN113066543B (zh) | 临床研究协调员排程方法、装置、计算机设备和存储介质 | |
CN113706111A (zh) | 医疗机构流程数据的处理方法、装置、设备及介质 | |
CN114240677A (zh) | 医疗数据风险识别方法、装置、电子设备及存储介质 | |
US20200349652A1 (en) | System to simulate outcomes of a new contract with a financier of care | |
CN113724891A (zh) | 医院疫情监测方法、装置及相关设备 | |
CN113987351A (zh) | 基于人工智能的智能推荐方法、装置、电子设备及介质 |
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 |