CN113488157B - 智能导诊处理方法、装置、电子设备及存储介质 - Google Patents
智能导诊处理方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN113488157B CN113488157B CN202110869526.3A CN202110869526A CN113488157B CN 113488157 B CN113488157 B CN 113488157B CN 202110869526 A CN202110869526 A CN 202110869526A CN 113488157 B CN113488157 B CN 113488157B
- Authority
- CN
- China
- Prior art keywords
- department
- description information
- symptom description
- input information
- symptom
- 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.)
- Active
Links
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
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
- G06F16/353—Clustering; Classification into predefined classes
-
- 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
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/284—Lexical analysis, e.g. tokenisation or collocates
-
- G—PHYSICS
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- General Engineering & Computer Science (AREA)
- Public Health (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Business, Economics & Management (AREA)
- Primary Health Care (AREA)
- Business, Economics & Management (AREA)
- Epidemiology (AREA)
- Computational Linguistics (AREA)
- Pathology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Artificial Intelligence (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本申请提供一种智能导诊处理方法、装置、电子设备及存储介质,获取用户输入信息,输入信息包括初始症状描述信息;将输入信息输入预先训练的科室分类模型,得到与输入信息相匹配的至少一个科室及各科室的置信度值;根据置信度值确定需要增加症状描述后,则基于医学知识图谱,获取与初始症状描述关联的补充症状描述,将两者组合得到新的输入信息,根据新的输入信息及科室分类模型向用户推荐就诊科室。上述步骤中,根据各科室的置信度值确定需要增加症状描述后,基于医学知识图谱获取补充症状描述,根据初始症状描述和补充症状描述,向用户推荐可就诊科室,从而可根据初始症状描述,获取补充症状,为用户进行科室推荐,提高了匹配结果的准确性。
Description
技术领域
本申请涉及医疗信息技术领域,具体而言,涉及一种智能导诊处理方法、装置、电子设备及存储介质。
背景技术
导诊,即通过用户输入的病情描述,为用户推荐较为合适的挂号科室。目前,随着计算机技术的快速发展,促使人工智能、机器学习在各个领域得到广泛的使用。并且,随着智慧医疗体系的不断完善,智能导诊***正在逐步取代人工导诊的服务模式,成为医疗行业未来发展的新方向。智能导诊可提高患者就诊效率和满意度,也能节约大量的导诊人力,同时也能推进医疗资源的合理化利用。
为了解决导诊过程中存在的问题,出现了一些智能导诊的解决方案,例如,基于关键词匹配的智能导诊方案。
但是,现有的基于关键词匹配的方案,存在对于关键词的不同表达,而难以获取准确的匹配结果的问题。
发明内容
有鉴于此,本申请的目的在于,针对上述现有技术中的不足,提供一种智能导诊处理方法、装置、电子设备及存储介质,以便解决现有技术中存在的,在智能导诊的过程中,存在的对于关键词的不同表达,而难以获取准确的匹配结果的问题。
为实现上述目的,本申请实施例采用的技术方案如下:
第一方面,本申请实施例提供了一种智能导诊处理方法,所述方法包括:
获取用户的输入信息,所述输入信息包括:初始症状描述信息;
将所述输入信息输入至预先训练的科室分类模型,得到与所述输入信息相匹配的至少一个科室以及各科室的置信度值,所述科室分类模型为深度学习语言模型;
根据各科室的置信度值,确定是否需要增加症状描述信息;
若需要增加症状描述信息,则基于预先得到的医学知识图谱,获取与所述初始症状描述信息关联的补充症状描述信息;
将所述初始症状描述信息和所述补充症状描述信息组合作为新的初始症状描述信息,得到新的输入信息,并根据所述新的输入信息以及所述科室分类模型向所述用户推荐至少一个可就诊的目标科室。
作为一种可能的实现方式,所述根据各科室的置信度值,确定是否需要增加症状描述信息之后,所述方法还包括:
若不需要增加症状描述信息,则根据所述医学知识图谱中的预设策略对各科室进行排序,并根据排序结果向所述用户推荐至少一个可就诊的目标科室。
作为一种可能的实现方式,所述根据所述新的输入信息以及所述科室分类模型向所述用户推荐至少一个可就诊的目标科室,包括:
将所述新的输入信息输入所述科室分类模型,得到与所述新的输入信息相匹配的至少一个科室以及各科室的置信度值;
根据与所述新的输入信息相匹配的至少一个科室以及各科室的置信度值,向所述用户推荐至少一个可就诊的目标科室。
作为一种可能的实现方式,所述将所述输入信息输入至预先训练的科室分类模型,得到与所述输入信息相匹配的至少一个科室以及各科室的置信度值,包括:
加载所述科室分类模型的词表文件,使用所述词表文件中的词表对所述初始症状描述信息进行分字处理,得到分字后的文本;
将所述分字后的文本转化为标识序列,得到标识文本序列;
对所述标识文本序列进行位置编码,得到具有位置编码的标识文本序列;
将所述具有位置编码的标识文本序列,输入所述科室分类模型,得到与所述输入信息相匹配的至少一个科室以及各科室的置信度值。
作为一种可能的实现方式,所述将所述分字后的文本转化为标识序列,得到标识文本序列之前,还包括:
判断所述分字后的文本的长度是否大于预设长度,若是,则从所述分字后的文本中截取小于或等于所述预设长度的文本,得到新的分字后的文本;
所述将所述分字后的文本转化为标识序列,得到标识文本序列,包括:
将新的分字后的文本转化为标识序列,得到标识文本序列。
作为一种可能的实现方式,所述基于预先得到的医学知识图谱,获取与所述初始症状描述信息关联的补充症状描述信息,包括:
基于预先训练得到的医学命名实体识别模型,识别出所述初始症状描述信息中的症状实体;
基于所述医学知识图谱,获取与所述症状实体关联的症状;
根据所述与所述症状实体关联的症状,得到所述补充症状描述信息。
作为一种可能的实现方式,所述根据各科室的置信度值,确定是否需要增加症状描述信息,包括:
获取各所述置信度值中的最大值;
分别计算各相邻置信度值之间的差值;
若所述最大值小于预设阈值,且各差值中存在小于预设差值的差值,则确定需要增加症状描述信息。
第二方面,本申请实施例还提供了一种智能导诊处理装置,所述装置包括:
第一获取模块,用于获取用户的输入信息,所述输入信息包括:初始症状描述信息;
处理模块,用于将所述输入信息输入至预先训练的科室分类模型,得到与所述输入信息相匹配的至少一个科室以及各科室的置信度值,所述科室分类模型为深度学习语言模型;
确定模块,用于根据各科室的置信度值,确定是否需要增加症状描述信息;
第二获取模块,用于若需要增加症状描述信息,则基于预先得到的医学知识图谱,获取与所述初始症状描述信息关联的补充症状描述信息;
推荐模块,用于将所述初始症状描述信息和所述补充症状描述信息组合作为新的初始症状描述信息,得到新的输入信息,并根据所述新的输入信息以及所述科室分类模型向所述用户推荐至少一个可就诊的目标科室。
作为一种可能的实现方式,所述装置还包括:
第二推荐模块,用于若不需要增加症状描述信息,则根据所述医学知识图谱中的预设策略对各科室进行排序,并根据排序结果向所述用户推荐至少一个可就诊的目标科室。
作为一种可能的实现方式,所述第一推荐模块具体用于:
将所述新的输入信息输入所述科室分类模型,得到与所述新的输入信息相匹配的至少一个科室以及各科室的置信度值;根据与所述新的输入信息相匹配的至少一个科室以及各科室的置信度值,向所述用户推荐至少一个可就诊的目标科室。
作为一种可能的实现方式,所述处理模块具体用于:
加载所述科室分类模型的词表文件,使用所述词表文件中的词表对所述初始症状描述信息进行分字处理,得到分字后的文本;将所述分字后的文本转化为标识序列,得到标识文本序列;对所述标识文本序列进行位置编码,得到具有位置编码的标识文本序列;将所述具有位置编码的标识文本序列,输入所述科室分类模型,得到与所述输入信息相匹配的至少一个科室以及各科室的置信度值。
作为一种可能的实现方式,所述装置还包括:
截取模块,用于判断所述分字后的文本的长度是否大于预设长度,若是,则从所述分字后的文本中截取小于或等于所述预设长度的文本,得到新的分字后的文本。
作为一种可能的实现方式,所述处理模块还具体用于:
将新的分字后的文本转化为标识序列,得到标识文本序列。
作为一种可能的实现方式,所述第二获取模块具体用于:
基于预先训练得到的医学命名实体识别模型,识别出所述初始症状描述信息中的症状实体;基于所述医学知识图谱,获取与所述症状实体关联的症状;根据所述与所述症状实体关联的症状,得到所述补充症状描述信息。
作为一种可能的实现方式,所述确定模块具体用于:
获取各所述置信度值中的最大值;分别计算各相邻置信度值之间的差值;若所述最大值小于预设阈值,且各差值中存在小于预设差值的差值,则确定需要增加症状描述信息。
第三方面,本申请实施例还提供了一种电子设备,包括:处理器、存储介质和总线,所述存储介质存储有所述处理器可执行的程序指令,当电子设备运行时,所述处理器与所述存储介质之间通过总线通信,所述处理器执行所述程序指令,以执行时执行如上述第一方面所述的智能导诊处理方法的步骤。
第四方面,本申请实施例还提供了一种计算机可读存储介质,所述存储介质上存储有计算机程序,所述计算机程序被处理器运行时执行如上述第一方面所述的智能导诊处理方法的步骤。
本申请的有益效果是:
本申请实施例提供的智能导诊处理方法、装置、电子设备及存储介质,获取用户的输入信息,该输入信息包括:初始症状描述信息;将该输入信息输入至预先训练的科室分类模型,得到与输入信息相匹配的至少一个科室以及各科室的置信度值,科室分类模型为深度学习语言模型;根据各科室的置信度值,确定是否需要增加症状描述信息;若需要增加症状描述信息,则基于预先得到的医学知识图谱,获取与初始症状描述信息关联的补充症状描述信息;将初始症状描述信息和补充症状描述信息组合作为新的初始症状描述信息,得到新的输入信息,并根据新的输入信息以及科室分类模型向用户推荐至少一个可就诊的目标科室。在上述步骤中,由于根据各科室的置信度值,如果确定需要增加症状描述信息,则基于预先得到的医学知识图谱,获取与初始症状描述信息关联的补充症状描述信息,并将初始症状描述信息和补充症状描述信息作为新的症状描述信息,向用户推荐至少一个可就诊的目标科室,从而可以根据科室分类模型输出的各科室的置信度值,并结合医学知识图谱,能够获取与初始症状描述相关的其它症状,作为补充的症状后,再为用户进行科室的推荐,提高了匹配结果的准确性。
为使本申请的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1为本申请实施例提供的一种智能导诊处理方法对应的***架构示意图;
图2为本申请实施例提供的一种智能导诊处理方法的流程示意图;
图3为现有的一种医学知识图谱的示意图;
图4为本申请实施例提供的另一种智能导诊处理方法的流程示意图;
图5为本申请实施例提供的另一种智能导诊处理方法的流程示意图;
图6为本申请实施例提供的另一种智能导诊处理方法的流程示意图;
图7为本申请实施例提供的另一种智能导诊处理方法的流程示意图;
图8为本申请实施例提供的一种智能导诊处理装置的结构示意图;
图9为本申请实施例提供的另一种智能导诊处理装置的结构示意图;
图10为本申请实施例提供的另一种智能导诊处理装置的结构示意图;
图11为本申请实施例提供的电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,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,应当理解,本申请中附图仅起到说明和描述的目的,并不用于限定本申请的保护范围。另外,应当理解,示意性的附图并未按实物比例绘制。本申请中使用的流程图示出了根据本申请的一些实施例实现的操作。应该理解,流程图的操作可以不按顺序实现,没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外,本领域技术人员在本申请内容的指引下,可以向流程图添加一个或多个其他操作,也可以从流程图中移除一个或多个操作。
另外,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,本领域技术人员在没有做出创造性劳动的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。
需要说明的是,本申请实施例中将会用到术语“包括”,用于指出其后所声明的特征的存在,但并不排除增加其它的特征。
请参见图1,是本申请实施例提供的一种智能导诊处理方法的示例性***架构示意图。如图1所示,该***可以包括,用户终端101、网络102以及服务器103。
可选的,用户终端101可以包括但不限于,平板电脑、台式计算机、笔记本电脑、智能终端等,或其任意组合。在一些实施例中,智能终端可以包括智能手机、智能平板电脑等,或其任意组合。
网络102用于在用户终端101和服务器103之间提供通信链路,从而使服务器103和用户终端101进行信息和/或数据的交换。网络102可以包括各种连接类型,例如有线网络、无线网络、光纤网络、远程通信网络、广域网、局域网等,或其任意组合。
可选的,服务器103可以在云平台上实现,仅作为示例,云平台可以包括私有云、公有云、混合云、社区云(community cloud)、分布式云、跨云(inter-cloud)、多云(multi-cloud)等,或者它们的任意组合。
应该理解的是,图1中的用户终端101、网络102以及服务器103的数目仅仅是示意性的。根据实现需要,可以具有任意数目的用户终端101、网络102以及服务器103。
在智能导诊的场景中,用户终端101和服务器103的交互过程可以为:用户输入的数据由用户终端101,经由网络102发送给服务器103,服务器103使用本申请实施例的方法,得到向用户推荐的目标科室,服务器103将所得到的目标科室经由网络102发送给用户终端101,通过用户终端101的显示屏幕呈现给用户。
在另一种示例中,本实施例的方法也可以单独在用户终端101上实施。即,由用户终端101和用户交互,并使用本申请实施例的方法完成智能导诊。
目前,在智能导诊的过程中,现有的基于关键词匹配的方案,存在对于关键词的不同表述,而难以获取准确的匹配结果,且难以处理否定与双重否定的关键词,会导致漏判和误判。本申请基于该问题,提出了一种智能导诊处理方法,请参见图2,是本申请实施例提供的一种智能导诊处理方法的流程示意图,该方法的执行主体为能够进行数据处理的电子设备,例如可以为图1中的服务器103或者用户终端101,如图2所示,该方法包括:
步骤S201,获取用户的输入信息,输入信息包括:初始症状描述信息。
具体的,获取用户的输入信息,该输入信息包括初始症状描述信息,其中,初始症状描述信息可以指,由用户输入的症状描述文本。除了获取用户的输入文本信息,还可以获取该用户的身份信息,身份信息可以包括用户的年龄和性别。
例如,当用户A有导诊需求时,用户A会向电子设备输入症状描述文本以及自己的年龄和性别,症状描述文本例如可以为“嗓子疼,打喷嚏,还流鼻涕”、“胸口刺痛”、“心慌、气短、胸闷”等。
用户向电子设备输入症状描述信息的方式,可以为手动输入文字的方式,也可以是通过语音输入的方式,本申请在此不做具体限制。
步骤S202,将输入信息输入至预先训练的科室分类模型,得到与该输入信息相匹配的至少一个科室以及各科室的置信度值。
具体的,将用户输入的初始症状描述信息输入至预先训练好的科室分类模型中,得到与该初始症状描述信息相匹配的至少一个科室以及各科室的置信度值,其中,科室分类模型为深度学习语言模型,例如,可以为使用基于BERT的深度学习语言模型构建的模型,BERT的全称为Bidirectional Encoder Representation from Transformers,是一个预训练的语言表征模型,而与初始症状描述信息相匹配的至少一个科室,可以指与初始症状描述信息相匹配的一个或者多个科室,各科室的置信度值可以指,用户将初始症状描述信息输入至科室分类模型,模型所输出结果的置信度,在本申请实施例中,该置信度可以指初始症状描述信息与各科室的匹配度大小的评分,某个科室的置信度值越高,说明该科室与用户输入的症状描述的匹配度越高,反之,置信度值越低,说明该科室与用户输入的症状描述的匹配度越低。
步骤S203,根据各科室的置信度值,确定是否需要增加症状描述信息。
具体的,在得到与初始症状描述信息相匹配的一个或者多个科室以及各科室的置信度值之后,需要根据各科室的置信度值,确定是否需要增加症状描述信息。由于在本申请实施例中,置信度值可以指初始症状描述信息与各科室的匹配度大小的评分,置信度值越高,说明该科室与用户输入的症状描述的匹配度越高,反之,说明该科室与用户输入的症状描述的匹配度越低,因此,可以通过对各科室置信度值的判断,来判断用户输入的初始症状描述是否足够为用户推荐更为匹配的科室,如果根据初始症状描述,没有为用户到更匹配的科室,那么,就需要增加症状描述。
步骤S204,若需要增加症状描述信息,则基于预先得到的医学知识图谱,获取与初始症状描述信息关联的补充症状描述信息。
具体的,如果经过判断得知需要增加症状描述语句,则表明用户输入的初始的症状描述信息不足以用来为用户推荐合适的科室,因此,需要进一步增加症状描述信息。为了便于增加症状描述信息,可以基于预先得到的医学知识图谱,获取与初始症状描述信息中的症状描述语句相关联的其它症状作为候选症状,从中选取一些症状作为补充症状描述信息,其中,医学知识图谱,可以表征包括症状、诊断方法、病种、性别、学科等实体,以及其相应的关系。请参见图3,是现有的一种医学知识图谱的示意图,从图3所示的医学知识图谱中可以看出,感冒的症状可以包括:发烧、头痛、咳嗽、鼻塞、打喷嚏、流鼻涕,可以使用的诊断方法可以为验血,对应的科室可以为内科,或者呼吸科。同样从图3所示的医学知识图谱中可以看出,鼻炎的症状可以包括鼻塞、打喷嚏、流鼻涕、咳嗽,可以使用的诊断方法为鼻镜,对应的科室可以为耳鼻喉科。
步骤S205,将初始症状描述信息和补充症状描述信息组合作为新的初始症状描述信息,得到新的输入信息,并根据新的输入信息以及科室分类模型向用户推荐至少一个可就诊的目标科室。
具体的,将初始症状描述信息和补充症状描述信息组合后,作为新的初始症状描述信息,得到新的输入信息,并根据新的输入信息以及科室分类模型向用户推荐至少一个可就诊的目标科室。
具体实施例时,步骤S202-S205可以多次循环执行,每次循环执行时,可以结合科室分类模型得到推荐的科室以及推荐科室的置信度,并在需要增加症状描述信息时利用医学知识图谱补充症状描述信息后再次利用科室分类模型推荐科室,直至推荐的科室的置信度满足预设的条件,此时说明科室分类模型所推荐的科室足够准确,可以将其作为目标科室向用户进行推荐。
综上所述,本申请实施例提供一种智能导诊处理方法,包括:获取用户的输入信息,该输入信息包括:初始症状描述信息;将该输入信息输入至预先训练的科室分类模型,得到与输入信息相匹配的至少一个科室以及各科室的置信度值,科室分类模型为深度学习语言模型;根据各科室的置信度值,确定是否需要增加症状描述信息;若需要增加症状描述信息,则基于预先得到的医学知识图谱,获取与初始症状描述信息关联的补充症状描述信息;将初始症状描述信息和补充症状描述信息组合作为新的初始症状描述信息,得到新的输入信息,并根据新的输入信息以及科室分类模型向用户推荐至少一个可就诊的目标科室。在上述步骤中,由于可以根据各科室的置信度值,确定是否需要增加症状描述信息,如果是,则可以基于预先得到的医学知识图谱,获取与初始症状描述信息关联的补充症状描述信息,并将初始症状描述信息和补充症状描述信息作为新的症状描述信息,向用户推荐至少一个可就诊的目标科室,从而可以根据科室分类模型输出的各科室的置信度值,并结合医学知识图谱,能够获取与初始症状描述相关的其它症状,作为补充的症状后,再为用户进行科室的推荐,提高了匹配结果的准确性。
可选的,在根据各科室的置信度值确定了是否需要增加症状描述信息之后,该方法还包括:
若不需要增加症状描述信息,则根据医学知识图谱中的预设策略对各科室进行排序,并根据排序结果向用户推荐至少一个可就诊的目标科室。
具体的,通过各科室的置信度值,如果确定不需要增加症状描述信息,则可以根据医学知识图谱中的预设策略对各科室进行筛选和重新排序,并根据排序结果向用户推荐至少一个可就诊的目标科室。其中,预设策略,可以指医学知识图谱中,管理的业务规则和科室限制,包括性别限制、年龄限制以及病种限制等。例如,年龄小于14岁只能挂儿科、男性不能挂妇科等。例如,如果对于年龄小于14岁的儿童,通过上述步骤得到的首选推荐科室为呼吸科,但是由于年龄小于14岁只能挂儿科的限制,那么,应该将匹配的呼吸科进行删除,剩余的推荐科室,按照置信度值的大小重新排序。
请参见图4,是本申请实施例提供的另一种智能导诊处理方法的流程示意图,如图4所示,上述步骤S205中,根据新的输入信息以及科室分类模型向用户推荐至少一个可就诊的目标科室的过程,包括:
步骤S401,将新的输入信息输入科室分类模型,得到与新的输入信息相匹配的至少一个科室以及各科室的置信度值。
具体的,将初始症状描述信息和补充症状描述信息组合后得到新的症状描述信息,即,新的输入信息,输入至科室分类模型,得到与新的输入信息相匹配的至少一个科室以及各科室的置信度值。
步骤S402,根据与新的输入信息相匹配的至少一个科室以及各科室的置信度值,向用户推荐至少一个可就诊的目标科室。
具体的,根据与新的输入信息相匹配的至少一个科室以及各科室的置信度值,向用户推荐至少一个可就诊的目标科室。
上述步骤S401-S402可以指前文所述的多次循环执行过程中除首次循环之外的一次循环执行过程,在该循环过程中,首先将新的输入信息输入科室分类模型中,科室分类模型相应输出推荐的科室以及科室的置信度值,进而根据与新的输入信息相匹配的至少一个科室以及各科室的置信度值,向用户推荐至少一个可就诊的目标科室。具体的,如果根据置信度值判断需要增加症状描述信息,则继续结合医学知识图谱得到补充症状描述信息,并将初始症状描述信息和补充症状描述信息作为新的输入信息继续进入下一次循环执行过程。如果根据置信度值判断需要增加症状描述信息,则可以基于前述实施例中的过程,根据医学知识图谱中的预设策略对各科室进行排序,并根据排序结果向用户推荐至少一个可就诊的目标科室。
值得说明的是,在上述每次循环执行之后,可以将补充症状描述信息增加至初始症状描述信息得到新的初始症状描述信息,下一次循环时使用该新的初始症状描述信息。
在上述步骤中,通过不断地将输入信息输入科室分类模型,得到与所输入的信息相匹配的至少一个科室以及各科室的置信度值,结合医学知识图谱得到补充症状描述信息,并将上次循环使用的症状描述信息和补充症状描述信息作为新的输入信息继续进入下一次循环执行过程,从而向用户推荐可就诊的目标科室,能够很大程度上提高为用户推荐的科室的准确性。
请参见图5,是本申请实施例提供的另一种智能导诊处理方法的流程示意图,如图5所示,上述步骤S202包括:
步骤S501,加载科室分类模型的词表文件,使用词表文件中的词表对初始症状描述信息进行分字处理,得到分字后的文本。
具体的,如果科室分类模型是基于BERT构建的模型,那么,可以加载BERT模型的词表文件,词表文件指的是各种各样的单字组成的文件,使用词表文件中的词表,对初始症状描述信息进行分字处理。使用词表文件中的词表,对初始症状描述信息进行分字处理,指的是将初始症状描述信息进行拆分,得到由很多单字组成的分字后的文本。例如,初始症状描述信息为“胸口刺痛应该挂哪个科”,则分字后的文本为“胸口刺痛应该挂哪个科”。
步骤S502,将分字后的文本转化为标识序列,得到标识文本序列。
具体的,分字后的每个单字,在词表文件中,都对应一个标识,将分字后的文本可以转化为标识序列,得到标识文本序列。
步骤S503,对标识文本序列进行位置编码,得到具有位置编码的标识文本序列。
具体的,由于每个单字,在词表文件中,都有一个位置编码,因此,可以对标识文本序列再进行位置编码,得到具有位置编码的标识文本序列。
步骤S504,将具有位置编码的标识文本序列,输入科室分类模型,得到与输入信息相匹配的至少一个科室以及各科室的置信度值。
具体的,将具有位置编码的标识文本序列,输入科室分类模型,得到与输入信息相匹配的至少一个科室以及各科室的置信度值。
可选的,在上述步骤S502之前,该方法还包括:判断分字后的文本的长度是否大于预设长度,若是,则从所述分字后的文本中截取小于或等于所述预设长度的文本,得到新的分字后的文本。
在将分字后的文本转化为标识序列,得到标识文本序列之前,需要判断分字后的文本的长度是否大于预先设定的长度,如果是,则从分字后的本文中截取不大于预设长度的文本,得到新的分字后的文本。
可选的,上述步骤S502包括:将新的分字后的文本转化为标识序列,得到标识文本序列。
具体的,当从分字后的文本中截取不大于预设长度的文本,得到新的分字后的文本,可以将新的分字后的文本转化为标识序列,从而得到标识文本序列。
请参见图6,是本申请实施例提供的另一种智能导诊处理方法的流程示意图,如图6所示,上述步骤S204包括:
步骤S601,基于预先训练得到的医学命名实体识别模型,识别出初始症状描述信息中的症状实体。
具体的,基于预先训练得到的医学命名实体识别模型,识别出初始症状描述信息中的症状实体,其中,命名实体识别(Named Entity Recognition,简称NER),也称为实体识别、实体分块和实体提取,是信息提取的一个子任务,旨在将文本中的命名实体定位并分类为预先定义的类别。命名实体一般指的是文本中具有特定意义或者指代性强的实体,通常包括人名、地名、组织机构名、日期时间、专有名词等。而预训练的医学命名实体识别模型,可以识别症状、疾病、药品等实体,即,使用预训练的医学命名实体识别模型,可以从初始症状描述信息中识别出症状实体。
步骤S602,基于医学知识图谱,获取与症状实体关联的症状。
具体的,基于预先构建的医学知识图谱,获取与症状实体相关联的其它症状,作为候选症状。请继续参见图3,例如,用户输入的初始症状描述信息为“鼻塞、打喷嚏、流鼻涕”,通过医学知识图谱可以得知,因为“发烧、头疼”和“鼻塞、打喷嚏、流鼻涕”属于关联症状,因此,可以将“发烧、头疼”作为感冒的候选症状。
步骤S603,根据与症状实体关联的症状,得到补充症状描述信息。
根据与从初始症状描述信息中识别出的症状实体相关联的候选症状,得到补充症状描述信息。继续上述步骤S602的举例,将候选症状“发烧、头疼”和初始的症状描述“鼻塞、打喷嚏、流鼻涕”结合,得到补充症状描述信息,用于为用户推荐更合适的目标科室。
请参见图7,是本申请实施例提供的另一种智能导诊处理方法的流程示意图,如图7所示,上述步骤S203包括:
步骤S701,获取各置信度值中的最大值。
具体的,在将输入信息输入至预先训练的科室分类模型,得到与输入信息相匹配的至少一个科室以及各科室的置信度值之后,获取各置信度值的最大值。假设,得到的与输入信息相匹配的至少一个科室以及各科室的置信度值为:
科室名称 | 科室1 | 科室2 | 科室3 | 科室4 | 科室5 | 科室6 |
置信度值 | 90 | 89 | 85 | 82 | 75 | 60 |
表1
则各置信度的最大值为科室1对应的置信度值90。
步骤S702,分别计算各相邻置信度值之间的差值。
在分别计算各相邻置信度值之间的差值时,可以分别计算科室1和科室2的置信度值之间的差值、科室2和科室3的置信度值之间的差值、科室3和科室4的置信度值之间的差值、科室4和科室5的置信度值之间的差值以及科室5和科室6的置信度值之间的差值,计算的差值分别为1、4、3、7、15。
步骤S703,若最大值小于预设阈值,且各差值中存在小于预设差值的差值,则确定需要增加症状描述信息。
具体的,如果各置信度值中的最大值小于预设的阈值,而由前述实施例可知,某个科室的置信度值越高,说明该科室与用户输入的症状描述的匹配度越高,反之,置信度值越低,说明该科室与用户输入的症状描述的匹配度越低,则说明最推荐的科室的匹配度都很低,因此,说明用户输入的初始症状描述信息,不足以为用户推荐合适的科室,那么,则可以确定需要用户增加症状描述信息,以便于进一步为用户推荐更合适的科室。
进一步的,如果各相邻置信度值之间的差值中,存在小于预设差值的差值,则说明推荐的科室中,相邻的科室的相似度太高,无法区分到底是为用户推荐哪个科室更合适,因此,也可以确定需要用户增加症状描述信息,以便于进一步为用户推荐更合适的科室。
在一些可能的实现方式中,为了防止用户输入与导诊无关的描述,在获取了用户输入的初始症状描述之后,可以基于预先训练的意图识别模型,识别用户的意图是否为导诊。
具体的,获取用户输入的初始症状描述信息,可以采用开源的jieba分词组件,并结合医学知识库维护的自定义词典和停用词词典,对初始症状描述信息进行分词,并去除停用词,将进行分词后的初始症状描述信息输入至预先训练好的意图识别模型中,得到初始症状描述对应的意图类别,即,“导诊意图”和“非导诊意图”。如果为导诊意图,则继续后续的流程,如果为非导诊流程,则返回提醒信息,提醒用户输入正常的症状描述信息。其中,停用词可以指无实际意义的一些词语。例如,如果用户输入“肚子疼的不得了”,“的、不、得、了”可以为停用词,那么该症状描述信息经过分词和去除停用词处理后的结果为“肚子”、“疼”。
在一些可能的实施例中,需要将获取的用户症状描述信息进行预处理,该预处理操作可以包括统一大小写、去除空格、特殊符号以及将繁体字转化为简体字等处理。
基于同一发明构思,本申请实施例中还提供了与该智能导诊处理方法对应的一种智能导诊处理装置,由于本申请实施例中的装置解决问题的原理与本申请实施例上述智能导诊处理方法相似,因此装置的实施可以参见方法的实施,重复之处不再赘述。
请参见图8,是本申请实施例提供的一种智能导诊处理装置的结构示意图,如图8所示,该装置包括:
第一获取模块801,用于获取用户的输入信息,输入信息包括:初始症状描述信息。
处理模块802,用于将输入信息输入至预先训练的科室分类模型,得到与输入信息相匹配的至少一个科室以及各科室的置信度值,科室分类模型为深度学习语言模型。
确定模块803,用于根据各科室的置信度值,确定是否需要增加症状描述信息。
第二获取模块804,用于若需要增加症状描述信息,则基于预先得到的医学知识图谱,获取与初始症状描述信息关联的补充症状描述信息。
第一推荐模块805,用于将初始症状描述信息和补充症状描述信息组合作为新的初始症状描述信息,得到新的输入信息,并根据新的输入信息以及科室分类模型向用户推荐至少一个可就诊的目标科室。
请参见图9,是本申请实施例提供的另一种智能导诊处理装置的结构示意图,如图9所示,该装置还包括:
第二推荐模块806,用于若不需要增加症状描述信息,则根据医学知识图谱中的预设策略对各科室进行排序,并根据排序结果向用户推荐至少一个可就诊的目标科室。
在一种可能的实施方式中,第一推荐模块805具体用于:
将新的输入信息输入科室分类模型,得到与新的输入信息相匹配的至少一个科室以及各科室的置信度值;根据与新的输入信息相匹配的至少一个科室以及各科室的置信度值,向用户推荐至少一个可就诊的目标科室。
在一种可能的实施方式中,处理模块802具体用于:
加载科室分类模型的词表文件,使用词表文件中的词表对初始症状描述信息进行分字处理,得到分字后的文本;将分字后的文本转化为标识序列,得到标识文本序列;对标识文本序列进行位置编码,得到具有位置编码的标识文本序列;将具有位置编码的标识文本序列,输入科室分类模型,得到与输入信息相匹配的至少一个科室以及各科室的置信度值。
请参见图10,是本申请实施例提供的另一种智能导诊处理装置的结构示意图,如图10所示,该装置还包括:
截取模块807,用于判断分字后的文本的长度是否大于预设长度,若是,则从分字后的文本中截取小于或等于预设长度的文本,得到新的分字后的文本。
在一种可能的实施方式中,处理模块802还具体用于:
将新的分字后的文本转化为标识序列,得到标识文本序列。
在一种可能的实施方式中,第二获取模块804具体用于:
基于预先训练得到的医学命名实体识别模型,识别出初始症状描述信息中的症状实体;基于医学知识图谱,获取与症状实体关联的症状;根据与症状实体关联的症状,得到补充症状描述信息。
在一种可能的实施方式中,确定模块803具体用于:
获取各置信度值中的最大值;分别计算各相邻置信度值之间的差值;若最大值小于预设阈值,且各差值中存在小于预设差值的差值,则确定需要增加症状描述信息。
上述装置用于执行前述实施例提供的方法,关于装置中的各模块的处理流程、以及各模块之间的交互流程的描述可以参照上述方法实施例中的相关说明,这里不再赘述。
以上这些模块可以是被配置成实施以上方法的一个或多个集成电路,例如:一个或多个特定集成电路(Application Specific Integrated Circuit,简称ASIC),或,一个或多个数字处理器(digital singnal processor,简称DSP),或,一个或者多个现场可编程门阵列(Field Programmable Gate Array,简称FPGA)等。再如,当以上某个模块通过处理元件调度程序代码的形式实现时,该处理元件可以是通用处理器,例如中央处理器(Central Processing Unit,简称CPU)或其它可以调用程序代码的处理器。再如,这些模块可以集成在一起,以片上***(system-on-a-chip,简称SOC)的形式实现。
本申请实施例还提供了一种电子设备1100,如图11所示,是本申请实施例提供的电子设备1100的结构示意图,包括:处理器1101、存储器1102、和总线1103。存储器1102存储有处理器1101可执行的机器可读指令,当电子设备1100运行时,处理器1101与存储器1102之间通过总线1103通信,机器可读指令被处理器1101执行时执行上述智能导诊处理方法实施例中的方法步骤。
本申请实施例还提供了一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行上述智能导诊处理方法实施例中的步骤。
具体地,该存储介质能够为通用的存储介质,如移动磁盘、硬盘等,该存储介质上的计算机程序被运行时,能够执行上述智能导诊处理方法实施例。
在本申请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,所述单元的划分,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,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元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单元的形式实现。
上述以软件功能单元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。上述软件功能单元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,服务器,或者网络设备等)或处理器(英文:processor)执行本申请各个实施例所述方法的部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(英文:Read-Only Memory,简称:ROM)、随机存取存储器(英文:Random Access Memory,简称:RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
Claims (9)
1.一种智能导诊处理方法,其特征在于,所述方法包括:
S101、获取用户的输入信息,所述输入信息包括:初始症状描述信息;
S102、将所述输入信息输入至预先训练的科室分类模型,得到与所述输入信息相匹配的至少一个科室以及各科室的置信度值,所述科室分类模型为深度学习语言模型;
S103、根据各科室的置信度值,确定是否需要增加症状描述信息;
S104、若需要增加症状描述信息,则基于预先得到的医学知识图谱,获取与所述初始症状描述信息关联的补充症状描述信息;
S105、将所述初始症状描述信息和所述补充症状描述信息组合作为新的初始症状描述信息,得到新的输入信息,并根据所述新的输入信息以及所述科室分类模型向所述用户推荐至少一个可就诊的目标科室,其中,将所述初始症状描述信息和所述补充症状描述信息组合作为新的初始症状补充信息的方式为:将补充症状描述信息增加至初始症状描述信息得到新的初始症状描述信息;
循环执行步骤S102-S105,直至推荐的科室的置信度值满足预设的条件,停止循环,并将推荐的科室作为所述目标科室;
所述步骤S104中,基于预先得到的医学知识图谱,获取与所述初始症状描述信息关联的补充症状描述信息,包括:
基于预先训练得到的医学命名实体识别模型,识别出所述初始症状描述信息中的症状实体;
基于所述医学知识图谱,获取与所述症状实体关联的症状;
根据所述与所述症状实体关联的症状,得到所述补充症状描述信息。
2.根据权利要求1所述的方法,其特征在于,所述根据各科室的置信度值,确定是否需要增加症状描述信息之后,所述方法还包括:
若不需要增加症状描述信息,则根据所述医学知识图谱中的预设策略对各科室进行排序,并根据排序结果向所述用户推荐至少一个可就诊的目标科室。
3.根据权利要求1所述的方法,其特征在于,所述根据所述新的输入信息以及所述科室分类模型向所述用户推荐至少一个可就诊的目标科室,包括:
将所述新的输入信息输入所述科室分类模型,得到与所述新的输入信息相匹配的至少一个科室以及各科室的置信度值;
根据与所述新的输入信息相匹配的至少一个科室以及各科室的置信度值,向所述用户推荐至少一个可就诊的目标科室。
4.根据权利要求1-3任一项所述的方法,其特征在于,所述将所述输入信息输入至预先训练的科室分类模型,得到与所述输入信息相匹配的至少一个科室以及各科室的置信度值,包括:
加载所述科室分类模型的词表文件,使用所述词表文件中的词表对所述初始症状描述信息进行分字处理,得到分字后的文本;
将所述分字后的文本转化为标识序列,得到标识文本序列;
对所述标识文本序列进行位置编码,得到具有位置编码的标识文本序列;
将所述具有位置编码的标识文本序列,输入所述科室分类模型,得到与所述输入信息相匹配的至少一个科室以及各科室的置信度值。
5.根据权利要求4所述的方法,其特征在于,所述将所述分字后的文本转化为标识序列,得到标识文本序列之前,还包括:
判断所述分字后的文本的长度是否大于预设长度,若是,则从所述分字后的文本中截取小于或等于所述预设长度的文本,得到新的分字后的文本;
所述将所述分字后的文本转化为标识序列,得到标识文本序列,包括:
将新的分字后的文本转化为标识序列,得到标识文本序列。
6.根据权利要求1所述的方法,其特征在于,所述根据各科室的置信度值,确定是否需要增加症状描述信息,包括:
获取各所述置信度值中的最大值;
分别计算各相邻置信度值之间的差值;
若所述最大值小于预设阈值,且各差值中存在小于预设差值的差值,则确定需要增加症状描述信息。
7.一种智能导诊处理装置,其特征在于,所述装置包括:
第一获取模块,用于获取用户的输入信息,所述输入信息包括:初始症状描述信息;
处理模块,用于将所述输入信息输入至预先训练的科室分类模型,得到与所述输入信息相匹配的至少一个科室以及各科室的置信度值,所述科室分类模型为深度学习语言模型;
确定模块,用于根据各科室的置信度值,确定是否需要增加症状描述信息;
第二获取模块,用于若需要增加症状描述信息,则基于预先得到的医学知识图谱,获取与所述初始症状描述信息关联的补充症状描述信息;
推荐模块,用于将所述初始症状描述信息和所述补充症状描述信息组合作为新的初始症状描述信息,得到新的输入信息,并根据所述新的输入信息以及所述科室分类模型向所述用户推荐至少一个可就诊的目标科室。
8.一种电子设备,其特征在于,包括:处理器、存储介质和总线,所述存储介质存储有所述处理器可执行的程序指令,当电子设备运行时,所述处理器与所述存储介质之间通过总线通信,所述处理器执行所述程序指令,以执行如权利要求1-6任一所述的智能导诊处理方法的步骤。
9.一种计算机可读存储介质,其特征在于,所述存储介质上存储有计算机程序,所述计算机程序被处理器运行时执行如权利要求1-6任一所述的智能导诊处理方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110869526.3A CN113488157B (zh) | 2021-07-30 | 2021-07-30 | 智能导诊处理方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110869526.3A CN113488157B (zh) | 2021-07-30 | 2021-07-30 | 智能导诊处理方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113488157A CN113488157A (zh) | 2021-10-08 |
CN113488157B true CN113488157B (zh) | 2023-10-13 |
Family
ID=77943625
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110869526.3A Active CN113488157B (zh) | 2021-07-30 | 2021-07-30 | 智能导诊处理方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113488157B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115101192B (zh) * | 2022-06-22 | 2023-09-01 | 脉景(杭州)健康管理有限公司 | 基于方剂的症状推荐方法、装置、设备及存储介质 |
CN115274086B (zh) * | 2022-09-27 | 2023-01-13 | ***科技(杭州)有限公司 | 一种智能导诊方法及*** |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20030023001A (ko) * | 2001-09-11 | 2003-03-19 | 고학림 | 인터넷 청진시스템을 이용하는 사이버 진료방법 및프랜차이즈형태로 운영되는 사이버 진료시스템 |
TW201729160A (zh) * | 2016-02-04 | 2017-08-16 | Yao Da Computer Co Ltd | 醫院看診引導裝置 |
CN109300535A (zh) * | 2018-07-06 | 2019-02-01 | 北京康夫子科技有限公司 | 导诊方法、导诊装置及机器可读存储介质 |
CN112151149A (zh) * | 2020-09-18 | 2020-12-29 | 南宁莲现健康科技有限公司 | 基于人脸视频辅助中医智能诊断的方法 |
CN112948599A (zh) * | 2021-05-13 | 2021-06-11 | 北京富通东方科技有限公司 | 一种基于医学知识图谱的路径推理的疾病诊断方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180358122A1 (en) * | 2015-12-21 | 2018-12-13 | Koninklijke Philips N.V. | System, device and method for guiding a patient in a hospital setup |
-
2021
- 2021-07-30 CN CN202110869526.3A patent/CN113488157B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20030023001A (ko) * | 2001-09-11 | 2003-03-19 | 고학림 | 인터넷 청진시스템을 이용하는 사이버 진료방법 및프랜차이즈형태로 운영되는 사이버 진료시스템 |
TW201729160A (zh) * | 2016-02-04 | 2017-08-16 | Yao Da Computer Co Ltd | 醫院看診引導裝置 |
CN109300535A (zh) * | 2018-07-06 | 2019-02-01 | 北京康夫子科技有限公司 | 导诊方法、导诊装置及机器可读存储介质 |
CN112151149A (zh) * | 2020-09-18 | 2020-12-29 | 南宁莲现健康科技有限公司 | 基于人脸视频辅助中医智能诊断的方法 |
CN112948599A (zh) * | 2021-05-13 | 2021-06-11 | 北京富通东方科技有限公司 | 一种基于医学知识图谱的路径推理的疾病诊断方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113488157A (zh) | 2021-10-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110442869B (zh) | 一种医疗文本处理方法及其装置、设备和存储介质 | |
CN108492887B (zh) | 医疗知识图谱构建方法及装置 | |
WO2021068601A1 (zh) | 病历检测方法、装置、设备及存储介质 | |
CN112329964B (zh) | 用于推送信息的方法、装置、设备以及存储介质 | |
EP3895178A1 (en) | System and method for providing health information | |
CN110069779B (zh) | 医疗文本的症状实体识别方法及相关装置 | |
CN113488157B (zh) | 智能导诊处理方法、装置、电子设备及存储介质 | |
CN113345577B (zh) | 诊疗辅助信息的生成方法、模型训练方法、装置、设备以及存储介质 | |
CN112541066B (zh) | 基于文本结构化的医技报告检测方法及相关设备 | |
CN111916216A (zh) | 一种基于深度学习的医药知识图谱构建方法及*** | |
WO2021051496A1 (zh) | 诊断结果识别、模型训练的方法、计算机设备及存储介质 | |
US11449680B2 (en) | Method for testing medical data | |
CN115346634A (zh) | 一种体检报告解读预测方法、***、电子设备和存储介质 | |
CN113095081A (zh) | 疾病的识别方法及装置、存储介质、电子装置 | |
CN115858886A (zh) | 数据处理方法、装置、设备及可读存储介质 | |
CN115713078A (zh) | 知识图谱构建方法、装置、存储介质及电子设备 | |
Chandra et al. | Natural language Processing and Ontology based Decision Support System for Diabetic Patients | |
CN114334065A (zh) | 病历处理方法、计算机可读存储介质及计算机设备 | |
CN111640517B (zh) | 病历编码方法、装置、存储介质及电子设备 | |
CN109036506A (zh) | 互联网医疗问诊的监管方法、电子装置及可读存储介质 | |
CN117747087A (zh) | 问诊大模型的训练方法、基于大模型的问诊方法和装置 | |
CN109378082A (zh) | 互联网医疗问诊的监管方法、电子装置及可读存储介质 | |
CN110287270B (zh) | 实体关系挖掘方法及设备 | |
CN115631823A (zh) | 相似病例推荐方法及*** | |
CN114461085A (zh) | 医疗输入推荐方法、装置、设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |