CN113707304A - 分诊数据处理方法、装置、设备及存储介质 - Google Patents

Abstract

本发明涉及人工智能技术领域，本发明公开了一种分诊数据处理方法、装置、设备及存储介质，所述方法包括：接收患者的就诊请求，获取就诊请求中包含有患者信息、症状描述和检验数据的就诊信息；对症状描述和检验数据进行就诊类型识别，确定出患者的就诊类型；基于患者信息进行科室推荐，得到科室推荐结果；对患者信息、症状描述、就诊类型、科室推荐结果和检验数据进行病症图谱构建及多维转换，得到多维待诊图；获取与各科室推荐结果中的医生标识关联的多维画像图；将多维待诊图与各多维画像图进行匹配，得到分诊结果，并推荐给患者。因此，本发明实现了确定出患者所需分诊的科室及医生。本发明适用于人工智能领域，可进一步推动智慧医疗的建设。

Description

分诊数据处理方法、装置、设备及存储介质

技术领域

本发明涉及人工智能的智能决策技术领域，尤其涉及一种分诊数据处理方法、装置、设备及存储介质。

背景技术

随着医学的进步和发展，医院对于科室的设置也更专业化，随之带来的问题是用户选择科室带来一定的困难，为了解决这个问题各大医院都增加了导诊环节，包括导诊人员和自主导诊服务，主要是帮助患者推荐诊疗科室。

目前，患者去医院就诊时，首先需要去分诊台进行人工分诊，在该过程中患者需要消耗大量排队时间，而且对分诊台的导诊人员的专业知识深度及广度上有较高的要求，因为患者往往会携带其他医院的检验内容(或检验报告)一起就诊，因此，现有技术中对患者进行分诊时，导诊人员通常需要首先解读检验内容(或检验报告)再进行分诊，此时，如果导诊人员给患者分诊错误，又需要重新进行分诊，大大浪费患者的时间，严重影响患者体验，且分诊错误时往往很难给出合理的就诊科室或者就诊医生，其分诊准确率低会进一步降低患者体验。

发明内容

本发明提供一种分诊数据处理方法、装置、计算机设备及存储介质，实现了自动地、快速地、准确地确定出患者所需分诊的科室及医生，提升了就诊准确率，提升了患者体验，本发明适用于人工智能领域，可进一步推动智慧医疗的建设。

一种分诊数据处理方法，包括：

接收患者的就诊请求，获取就诊请求中的就诊信息；所述就诊信息包括患者信息、症状描述和检验数据；

对所述症状描述和所述检验数据进行就诊类型识别，确定出患者的就诊类型；

基于所述患者信息对所述就诊类型进行科室推荐，得到科室推荐结果；

对所述患者信息、所述症状描述、所述就诊类型、所述科室推荐结果和所述检验数据进行病症图谱构建及多维转换，得到多维待诊图；

获取与各所述科室推荐结果中的医生标识关联的多维画像图；

将所述多维待诊图与获取的各所述多维画像图进行匹配，得到分诊结果，并将所述分诊结果推荐给患者。

一种分诊数据处理装置，包括：

接收模块，用于接收患者的就诊请求，获取就诊请求中的就诊信息；所述就诊信息包括患者信息、症状描述和检验数据；

识别模块，用于对所述症状描述和所述检验数据进行就诊类型识别，确定出患者的就诊类型；

推荐模块，用于基于所述患者信息对所述就诊类型进行科室推荐，得到科室推荐结果；

构建模块，用于对所述患者信息、所述症状描述、所述就诊类型、所述科室推荐结果和所述检验数据进行病症图谱构建及多维转换，得到多维待诊图；

获取模块，用于获取与各所述科室推荐结果中的医生标识关联的多维画像图；

匹配模块，用于将所述多维待诊图与获取的各所述多维画像图进行匹配，得到分诊结果，并将所述分诊结果推荐给患者。

一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述分诊数据处理方法的步骤。

一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述分诊数据处理方法的步骤。

本发明提供的分诊数据处理方法、装置、计算机设备及存储介质，该方法通过接收患者的就诊请求，获取就诊请求中包含有患者信息、症状描述和检验数据的就诊信息；对所述症状描述和所述检验数据进行就诊类型识别，确定出患者的就诊类型；基于所述患者信息对所述就诊类型进行科室推荐，得到科室推荐结果；对所述患者信息、所述症状描述、所述就诊类型、所述科室推荐结果和所述检验数据进行病症图谱构建及多维转换，得到多维待诊图；获取与各所述科室推荐结果中的医生标识关联的多维画像图；将所述多维待诊图与获取的各所述多维画像图进行匹配，得到分诊结果，并将所述分诊结果推荐给患者，如此，实现了通过就诊类型识别、科室推荐以及多维画像图匹配的方法，自动地、快速地、准确地确定出患者所需分诊的科室及医生，提升了就诊准确率，提升了患者体验。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图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性的前提下，还可以根据这些附图获得其他的附图。

图1是本发明一实施例中分诊数据处理方法的应用环境示意图；

图2是本发明一实施例中分诊数据处理方法的流程图；

图3是本发明一实施例中分诊数据处理方法的步骤S20的流程图；

图4是本发明一实施例中分诊数据处理方法的步骤S40的流程图；

图5是本发明一实施例中分诊数据处理方法的步骤S50的流程图；

图6是本发明一实施例中分诊数据处理方法的步骤S60的流程图；

图7是本发明一实施例中分诊数据处理装置的原理框图；

图8是本发明一实施例中计算机设备的示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明提供的分诊数据处理方法，可应用在如图1的应用环境中，其中，客户端(计算机设备或终端)通过网络与服务器进行通信。其中，客户端(计算机设备或终端)包括但不限于为各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(ContentDelivery Network，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。

在一实施例中，如图2所示，提供一种分诊数据处理方法，其技术方案主要包括以下步骤S10-S60：

S10，接收患者的就诊请求，获取就诊请求中的就诊信息；所述就诊信息包括患者信息、症状描述和检验数据。

可理解地，患者标识为所述患者在应用程序平台注册登录的唯一标识码，所述患者在发出所述就诊请求之前需要按所述患者标识登录该应用程序平台，所述就诊请求为所述患者在所述应用程序平台发出的请求，所述患者症状信息为患者输入的与患者的症状和检验报告相关的信息，所述患者可以在所述应用程序平台提供的应用程序界面上输入所述症状描述和所述检验数据，或者在所述应用程序界面上提供的所有症状集中选取相关的症状作为所述患者的所述症状描述，将检验的纸档报告进行拍照作为患者的所述检验数据，从而在输入完所述症状描述和所述检验数据后，触发所述就诊请求。

其中，所述患者信息为与所述患者相关的信息，比如：患者的定位信息、就诊期望时间、时长信息等等，其中，所述患者的定位信息为患者目前的经纬度位置或者所选取的经纬度位置，所述就诊期望时间为所述患者希望就诊的时间范围，所述时长信息为当前距离患者发现病症的时长，所述症状描述为与患者的症状相关的描述，所述检验数据为患者完成相关检验之后的检验报告的电子化数据，即患者完成相关检验之后的纸档的检验报告被拍成照片的图像化的数据。

S20，对所述症状描述和所述检验数据进行就诊类型识别，确定出患者的就诊类型。

可理解地，所述就诊类型识别为根据所述针状描述和所述检验数据中对症状所属的医学类型进行识别的过程，所述就诊类型识别可以为通过对所述症状描述进行病症特征提取，根据提取的病症特征进行识别出所述症状描述所涉及的医学病症类别，以及对所述检验数据进行图文识别，识别出所述检验数据所涉及的医学病症类别，结合两者所涉及的医学病症进行分类，确定出分类后集中的就诊类型，所述就诊类型为医学病症类别，例如：皮肤过敏、骨折、体温异常等等。

在一实施例中，如图3所示，所述步骤S20中，即所述对所述症状描述和所述检验数据进行就诊类型识别，确定出患者的就诊类型，包括：

S201，通过病症提取模型对所述症状描述进行病症特征提取，根据提取的病症特征进行识别，得到第一识别结果。

可理解地，所述病症提取模型为训练完成的用于提取输入文本中与病症相关的关键字的机器学习模型，通过所述病症提取模型对所述症状描述进行词向量转换，所述词向量转换为运用所述Word2Vec算法将每个所述症状描述中的字或词映射成N维的词向量的转换过程，所述Word2Vec算法为通过浅层的Word2Vec模型对输入的字或词进行预测出与字或词对应的向量，对词向量转换后的所述症状描述进行关键字或者词语进行提取，提取出与病症特征相关的关键字或词，对提取出的关键字或词进行文本匹配，匹配出所涉及的医学病症类别，将其作为所述第一识别结果。

S202，通过非结构化病症识别模型对所述检验数据进行图文识别，得到第二识别结果。

可理解地，所述非结构化病症识别模型为训练完成的用于识别非结构化数据中的病症相关的医学病症类别的模型，所述图文识别的过程为运用OCR技术，从所述检验数据中提取出检验图像和检验文本，对所述检验图像进行人体部位识别，识别出病症部位，再根据所述检验文本和所述病症部位进行病症关联识别，得到所述第二识别结果的过程，其中，提取的过程为运用OCR技术识别出所述检验数据中包含图像的区域，将该区域从所述检验数据中复制出来，从而得到检验图像，同时识别出所述检验数据中的所有文字，将识别出的所有文字进行拼接，得到所述检验文本的过程。

在一实施例中，所述步骤S202中，即所述通过非结构化病症识别模型对所述检验数据进行图文识别，得到第二识别结果，包括：

运用OCR技术，从所述检验数据中提取出检验图像和检验文本。

可理解地，所述OCR(Optical Character Recogniti on，光学字符识别)技术是指电子设备(例如扫描仪或数码相机)检查纸上打印的字符，通过检测暗、亮的模式确定其形状，然后截取出非字符的图像，以及用字符识别方法将形状翻译成计算机文字的过程。

对所述检验图像进行人体部位识别，识别出病症部位。

可理解地，所述人体部位识别为提取输入图像中人体特征，根据提取的人体特征识别出所属人体的部位的过程，从而将识别出的所属人体的部位确定为病症部位。

对所述检验文本和所述病症部位进行病症关联识别，得到所述第二识别结果。

可理解地，所述关联识别为从所述检验文本中识别出与所述病症部位相关的文本，并根据识别出的文本进行医学病症类别的分类，得到所涉及的医学病症类别的所述第二识别结果的过程，所述第二识别结果体现了所述检验数据中所涉及的医学病症类别。

本发明实现了通过运用OCR技术，从所述检验数据中提取出检验图像和检验文本；对所述检验图像进行人体部位识别，识别出病症部位；对所述检验文本和所述病症部位进行病症关联识别，得到所述第二识别结果，如此，能够运用OCR技术，对非结构化的检验数据信息进行检验图像和检验文本的提取，并通过人体部位识别和病症关联识别，自动识别出检验数据中所涉及的医学病症类别，为后续的分诊处理提高准确性和可靠性。

S203，对所述第一识别结果和所述第二识别结果进行就诊分类，确定出就诊类型。

可理解地，将所述第一识别结果和所述第二识别结果中的各个医学病症类别进行聚合，最后获得最密集的聚合点所对应的医学病症类别，将其记录为所述就诊类型。

本发明实现了通过病症提取模型对所述症状描述进行病症特征提取，根据提取的病症特征进行识别，得到第一识别结果；通过非结构化病症识别模型对所述检验数据进行图文识别，得到第二识别结果；对所述第一识别结果和所述第二识别结果进行就诊分类，确定出就诊类型，如此，能够通过运用文本匹配、图文识别的方法，自动分类出就诊类型，为后续的分诊提供了准确的就诊类型，明确就诊方向，避免出现错误分诊的情况，提高了分诊精确度。

S30，基于所述患者信息对所述就诊类型进行科室推荐，得到科室推荐结果。

可理解地，通过训练完成的深度学习科室推荐模型对所述就诊类型进行科室推荐，所述科室推荐的过程为通过深度学习科室推荐模型提取症状与科室之间的映射特征，根据提取的症状与科室之间的映射特征识别出就诊类型所涉及的科室，并根据所述患者信息中的定位信息查找预设范围内的与识别出的科室关联的所有医生标识，将识别出就诊类型所涉及的科室以及查找后的结果作为所述科室推荐结果。

S40，对所述患者信息、所述症状描述、所述就诊类型、所述科室推荐结果和所述检验数据进行病症图谱构建及多维转换，得到多维待诊图。

可理解地，所述病症图谱构建的过程为首先，对所述症状描述和从所述检验数据中提取出的检验文本进行病情量化的关键词进行提取，并识别出量化结果；其次，对从所述检验数据中提取出的检验文本与所述就诊类型相应的程度等级识别，识别出等级结果；最后，根据识别出的所述量化结果、所述等级结果、所述就诊类型、所述科室推荐结果以及所述患者信息中的时长信息和定位信息，构建出患者的患者病症图谱的过程，所述患者病症图谱为以所述患者为中心将多个属性关联的图片，其中多个属性包括所述量化结果、所述等级结果、所述就诊类型、所述科室推荐结果以及所述患者信息中的时长信息和定位信息等与病症相关的属性，所述多维转换为根据所述患者病症图谱中的各个属性之间的相互关系进行映射出预设维度的待诊图的转换过程，所述预设维度可以根据需求设定，例如：五维，分别包括地点维度、时间维度、科室维度、就诊方向维度和轻重维度，从而得到所述多维待诊图。

在一实施例中，如图4所示，所述步骤40中，即所述对所述患者信息、所述症状描述、所述就诊类型、所述科室推荐结果和所述检验数据进行病症图谱构建及多维转换，得到多维待诊图，包括：

S401，对所述症状描述和所述检验文本进行病情量化识别，得到量化结果。

可理解地，所述病情量化识别为将所述病症描述和所述检验文本进行拼接，组成一段文本，通过量词检测模型对该段文本进行量词识别，识别出该段文本中的量词，并根据识别出的两次进行分类，得到严重程度的量化结果。

S402，对所述检验图像进行与所述就诊类型相应的程度等级识别，得到等级结果。

可理解地，获取与所述就诊类型对应的等级图像识别模型，通过获取的所述等级图像识别模型对所述检验图像进行病灶区域识别，对病灶区域进行提取与所述就诊类型对应的等级特征，根据提取的等级特征进行风险评估，预测出所述检验图像所对应的风险等级的所述等级结果，所述风险等级包括高、中、低。

S403，根据所述量化结果、所述等级结果、所述就诊类型、所述科室推荐结果以及所述患者信息中的时长信息和定位信息，构建患者的患者病症图谱。

可理解地，以所述患者标识为中心，将所述量化结果、所述等级结果、所述就诊类型、所述科室推荐结果、所述时长信息和所述定位信息作为属性，并所有属性都关联至所述患者标识。

S404，通过多维待诊图转换模型对所述患者病症图谱多维转换处理，得到与所述患者病症图谱对应的多维待诊图。

可理解地，所述多维待诊图转换模型为通过大量的历史数据学习的将患者病症图谱中的各个属性按照彼此之间的关联性映射出多维待诊图中的各个维度的值的图的模型，所述预设维度可以根据需求设定，例如：五维，分别包括地点维度、时间维度、科室维度、就诊方向维度和轻重维度，通过所述量化结果、所述等级结果和所述时长信息之间的关联关系，衡量出轻重维度的值，通过当前时间和所述时长信息衡量出时间维度的值，通过所科室推荐结果和所述就诊类型衡量出所述科室维度的值，通过所述就诊类型、所述量化结果和所述等级结果衡量出就诊方向维度的值，通过所述定位信息确定出地点维度的值，如此，能够通过多维转换处理，科学地、合理地衡量出多维待诊图，能够客观地反映出患者当前的病症状态。

本发明实现了通过对所述症状描述和所述检验文本进行病情量化识别，得到量化结果；对所述检验图像进行与所述就诊类型相应的程度等级识别，得到等级结果；根据所述量化结果、所述等级结果、所述就诊类型、所述科室推荐结果以及所述患者信息中的时长信息和定位信息，构建患者的患者病症图谱；通过多维待诊图转换模型对所述患者病症图谱多维转换处理，得到与所述患者病症图谱对应的多维待诊图，如此，能够通过病情量化识别、程度等级识别、患者病症图谱构建以及多维转换方法，自动生成患者的多维待诊图，能够准确地、客观地、快速地衡量出患者当前的病症状态，为后续的分诊结果提供数据基础，提高了分诊的准确性和可靠性。

S50，获取与各所述科室推荐结果中的医生标识关联的多维画像图。

可理解地，从画像图库中查找所述科室推荐结果中的各所述医生标识，所述医生标识为赋予每个医生唯一的标识码，获取查找到的所述医生标识所关联的所述多维画像图，所述多维画像图表征了所对应的医生标识在与多维待诊图中的维度进行一一对应维度的画像后获得的多维图，画像的过程可以为结合与所述医生标识关联的出诊点、出诊状态表和医生履历数据，进行画像以及分诊点确认，构建多维画像图，并画出多维画像图中的指标图以及记录多维画像图中的分诊点的过程。

其中，所述画像图库存储了所有所述医生标识所关联的所述多维画像图。

在一实施例中，如图5所示，所述步骤S50之前，即所述获取与各所述科室推荐结果中的医生标识关联的多维画像图之前，包括：

S501，获取与所述医生标识关联的出诊点、出诊状态表和医生履历数据。

可理解地，所述出诊点为与所述医生标识对应的医生的出诊的经纬度位置，所述出诊状态表为与所述医生标识对应的医生出诊的日期时间表，所述医生履历数据为与所述医生标识对应的医生对应的医生职称、出诊记录和历史履历，所述医生职称为体现医生的医学领域的研究程度的等级，所述出诊记录为医生的历史出诊记录，所述出诊记录包括对每一出诊记录的评分，所述医生履历数据为医生的奖项、期刊、论文等与医学研究方向相关的数据。

S502，对与所述医生标识关联的所述出诊状态表和所述医生履历数据进行医生画像，构建与所述医生标识关联的所述多维画像图的指标图。

可理解地，所述医生画像的过程为基于所述患者信息中的就诊期望时间和所述出诊状态表，预测出时间匹配度，同时基于与所述医生标识关联的所述医生职称和所述出诊记录，进行科室画像以及专长画像，确定出擅长科室和专长方向；以及基于与所述医生标识关联的所述医生职称和所述医生履历数据，进行等级评分，得到等级分值；综合所述时间匹配度、所述擅长科室、所述专长方向和所述等级分值，创建所述指标图的过程，所述指标图为通过四边形体现与所述时间匹配度、所述擅长科室、所述专长方向和所述等级分值一一对应的指标值的图。

在一实施例中，所述医生履历数据包括医生职称、出诊记录和历史履历，可理解地，所述医生职称为体现医生的医学领域的研究程度的等级，所述出诊记录为医生的历史出诊记录，所述出诊记录包括对每一出诊记录的评分，所述医生履历数据为医生的奖项、期刊、论文等与医学研究方向相关的数据。

所述步骤S502中，即所述对与所述医生标识关联的所述出诊状态表和所述医生履历数据进行医生画像，构建与所述医生标识关联的所述多维画像图的指标图，包括：

基于所述患者信息中的就诊期望时间，对与所述医生标识关联的所述出诊状态表进行预测，得到与所述医生标识关联的时间匹配度。

可理解地，所述就诊期望时间为所述患者期望就诊的时间，对与所述医生标识关联的所述出诊状态表进行预测的过程从所述出诊状态表中标识出符合所述患者期望就诊的时间，并根据标识出的时间所对应的可预约数衡量出所述患者就诊的时间匹配度的过程，所述时间匹配度体现了在时间维度上所述患者与医生可匹配的程度。

根据与所述医生标识关联的所述医生职称和所述出诊记录，进行科室画像和专长画像，得到与所述医生标识关联的擅长科室和专长方向。

可理解地，通过对所述医生职称和所述出诊记录进行文本提取，提取出与科室相关的特征以及与专长方向相关的特征，并根据所述出诊记录中的评分对与科室相关的特征以及与专长方向相关的特征进行加权，对加权后的与科室相关的特征进行科室画像，以及对加权后的与专长方向相关的特征进行专长画像，所述科室画像为根据加权后的与科室相关的特征在各个科室上进行聚类，得到所述擅长科室，即将聚类后排序第一的科室作为该擅长科室，所述专长画像为根据加权后的与专长方向相关的特征在所述擅长科室下的各个研究方向上进行取舍，将取舍后剩余的研究方向选取最多或者票数最多的研究方向作为所述专长方向。

其中，所述擅长科室体现了在科室维度上医生最擅长出诊的科室，所述专长方向体现了在就诊方向维度上医生研究程度最深的医学研究方向。

根据与所述医生标识关联的所述医生职称和所述医生履历数据，进行等级评分，得到与所述医生标识关联的等级分值。

可理解地，所述等级评分为从所述医生职称和所述医生履历数据中确定出与所述医生职称对应的等级值，在该等级值的基础上根据所述医生履历数据中的每一条数据进行相应加分的方式确定出所述等级分值，所述等级分值体现了在轻重维度上医生对轻重程度的风险等级的指标。

根据与所述医生标识关联的所述时间匹配度、所述擅长科室、所述专长方向和所述等级分值，创建与所述医生标识关联的所述指标图。

本发明实现了通过基于所述患者信息中的就诊期望时间，对与所述医生标识关联的所述出诊状态表进行预测，得到与所述医生标识关联的时间匹配度；根据与所述医生标识关联的所述医生职称和所述出诊记录，进行科室画像和专长画像，得到与所述医生标识关联的擅长科室和专长方向；根据与所述医生标识关联的所述医生职称和所述医生履历数据，进行等级评分，得到与所述医生标识关联的等级分值；根据与所述医生标识关联的所述时间匹配度、所述擅长科室、所述专长方向和所述等级分值，创建与所述医生标识关联的所述指标图，如此，能够直观地、客观地体现医生在时间维度、科室维度、研究方向维度和轻重维度上的指标，并通过指标图快速地医生的综合能力，为后续分诊提高了准确性。

S503，将与所述医生标识关联的出诊点确定为与所述医生标识关联的所述多维画像图的分诊点。

本发明实现了通过获取与所述医生标识关联的出诊点、出诊状态表和医生履历数据；对与所述医生标识关联的所述出诊状态表和所述医生履历数据进行医生画像，构建与所述医生标识关联的所述多维画像图的指标图；将与所述医生标识关联的出诊点确定为与所述医生标识关联的所述多维画像图的分诊点，如此，能够客观地体现医生在地点维度、时间维度、科室维度、就诊方向维度和轻重维度的指标情况，提高了后续分诊输出医生的准确率和正确率。

S60，将所述多维待诊图与获取的各所述多维画像图进行匹配，得到分诊结果，并将所述分诊结果推荐给患者。

可理解地，所述匹配的过程可以为运用欧式距离法，计算所述多维待诊图中的定位点和各所述多维画像图中的分诊点之间的距离，根据距离落入的分段范围，即距离值落入哪一段的范围内(其中，每一段的范围可以按需求设定，比如第一段为0至200m对应100％，第二段为200m至500m对应95％等等)，将落入的范围所对应的百分比确定出与该分段范围所映射对应的距离匹配值；再将所述多维待诊图中的指标图与各所述多维画像图中的画像图进行重合度计算，输出所述多维待诊图与各所述多维画像图的重合值；结合距离匹配值和所述重合值，衡量出所述多维待诊图与各所述多维画像图的匹配程度；最后，选取匹配程度最高的所述多维画像图作为所述分诊结果，并向所述患者推荐，能够大大减少了挂错号，跑错医院，多跑医院，看错医生等情况。

本发明实现了通过接收患者的就诊请求，获取就诊请求中包含有患者信息、症状描述和检验数据的就诊信息；对所述症状描述和所述检验数据进行就诊类型识别，确定出患者的就诊类型；基于所述患者信息对所述就诊类型进行科室推荐，得到科室推荐结果；对所述患者信息、所述症状描述、所述就诊类型、所述科室推荐结果和所述检验数据进行病症图谱构建及多维转换，得到多维待诊图；获取与各所述科室推荐结果中的医生标识关联的多维画像图；将所述多维待诊图与获取的各所述多维画像图进行匹配，得到分诊结果，并将所述分诊结果推荐给患者，如此，实现了通过就诊类型识别、科室推荐以及多维画像图匹配的方法，自动地、快速地、准确地确定出患者所需分诊的科室及医生，提升了就诊准确率，提升了患者体验。

在一实施例中，如图6所示，所述步骤S60中，即所述将所述多维待诊图与获取的各所述多维画像图进行匹配，得到分诊结果，包括：

S601，运用欧式距离法，计算所述多维待诊图中的定位点和各所述多维画像图中的分诊点之间的距离，得到所述多维待诊图与各所述多维画像图的距离匹配值。

可理解地，所述欧式距离法为欧几里得距离算法或欧几里得度量算法，也指在多维空间中两个点之间的真实距离或者向量的自然长度(即该点到原点的距离)的算法，运用欧式距离算法计算所述多维待诊图中的定位点和所述多维画像图中的分诊点之间的距离的值，可以将计算的值求倒数再转换成百分比，得到所述多维待诊图与所述多维画像图的距离匹配值，也可以根据距离落入的分段范围，即距离值落入哪一段的范围内(其中，每一段的范围可以按需求设定，比如第一段为0至200m对应100％，第二段为200m至500m对应95％等等)，将落入的范围所对应的百分比确定出与该分段范围所映射对应的距离匹配值，所述距离匹配值可以衡量所述多维待诊图中的定位点就近的匹配程度。

S602，将所述多维待诊图中的指标图与各所述多维画像图中的画像图进行重合度计算，输出所述多维待诊图与各所述多维画像图的重合值。

可理解地，所述重合度计算为将所述多维待诊图中的各个维度的原点与所述多维画像图中的相对应的维度的原点对齐，并将所述多维待诊图和所述多维画像图放在同一平面上，计算所述多维待诊图和所述多维画像图之间的交集面积，以及所述多维待诊图的面积，将交集面积与所述多维待诊图的面积相除，得到交集面积占所述多维待诊图的百分比，将该百分比记录为所述多维待诊图与该多维画像图的所述重合值，所述重合值体现了所述多维待诊图与所述多维画像图之间的重合程度。

S603，根据所述多维待诊图与各所述多维画像图的所述距离匹配值和所述重合值，得到所述多维待诊图与各所述多维画像图的最终匹配值。

可理解地，将所述多维待诊图与所述多维画像图的所述距离匹配值和所述重合值进行加权求和，计算出所述多维待诊图与所述多维画像图的最终匹配值，其中，所述距离匹配值的权重和所述重合值的权重可以根据需求设定，也可以根据历史统计输出，例如：所述距离匹配值的权重为0.4，所述重合值的权重为0.6，所述距离匹配值的权重和所述重合值的权重之和为一，从而可以获得所述多维待诊图与各所述多维画像图的所述最终匹配值，所述最终匹配值衡量了所述多维待诊图与所述多维画像图之间的匹配程度。

S604，对所有所述最终匹配值进行排序，将排序后的所述最终匹配值所对应的所述多维画像图确定为所述分诊结果。

可理解地，将所有所述最终匹配值按照降序方式排序，即将最大的所述最终匹配值排列在序列第一，将排序后的所述最终匹配值所对应的所述多维画像图确定为所述分诊结果，比如将排序后的靠前预设个数的所述最终匹配值所对应的所述多维画像图确定为所述分诊结果。

本发明实现了通过运用欧式距离法，计算所述多维待诊图中的定位点和各所述多维画像图中的分诊点之间的距离，得到所述多维待诊图与各所述多维画像图的距离匹配值；将所述多维待诊图中的指标图与各所述多维画像图中的画像图进行重合度计算，输出所述多维待诊图与各所述多维画像图的重合值；根据所述多维待诊图与各所述多维画像图的所述距离匹配值和所述重合值，得到所述多维待诊图与各所述多维画像图的最终匹配值；对所有所述最终匹配值进行排序，将排序后的所述最终匹配值所对应的所述多维画像图确定为所述分诊结果，如此，实现了通过欧式距离法以及重合度计算方法，计算出最终匹配值，对最终匹配值进行排序以获得最匹配的分诊结果，能够准确地匹配出最符合患者的医生的分诊结果，提高了分诊的准确性和正确性。

应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。

在一实施例中，提供一种分诊数据处理装置，该分诊数据处理装置与上述实施例中分诊数据处理方法一一对应。如图7所示，该分诊数据处理装置包括接收模块11、识别模块12、推荐模块13、构建模块14、获取模块15和匹配模块16。各功能模块详细说明如下：

接收模块11，用于接收患者的就诊请求，获取就诊请求中的就诊信息；所述就诊信息包括患者信息、症状描述和检验数据；

识别模块12，用于对所述症状描述和所述检验数据进行就诊类型识别，确定出患者的就诊类型；

推荐模块13，用于基于所述患者信息对所述就诊类型进行科室推荐，得到科室推荐结果；

构建模块14，用于对所述患者信息、所述症状描述、所述就诊类型、所述科室推荐结果和所述检验数据进行病症图谱构建及多维转换，得到多维待诊图；

获取模块15，用于获取与各所述科室推荐结果中的医生标识关联的多维画像图；

匹配模块16，用于将所述多维待诊图与获取的各所述多维画像图进行匹配，得到分诊结果，并将所述分诊结果推荐给患者。

关于分诊数据处理装置的具体限定可以参见上文中对于分诊数据处理方法的限定，在此不再赘述。上述分诊数据处理装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是客户端或者服务端，其内部结构图可以如图8所示。该计算机设备包括通过***总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括可读存储介质、内存储器。该可读存储介质存储有操作***、计算机程序和数据库。该内存储器为可读存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种分诊数据处理方法。

在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述实施例中分诊数据处理方法。

在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述实施例中分诊数据处理方法。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本发明所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。

以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

Claims (10)

1.一种分诊数据处理方法，其特征在于，包括：

接收患者的就诊请求，获取就诊请求中的就诊信息；所述就诊信息包括患者信息、症状描述和检验数据；

对所述症状描述和所述检验数据进行就诊类型识别，确定出患者的就诊类型；

基于所述患者信息对所述就诊类型进行科室推荐，得到科室推荐结果；

对所述患者信息、所述症状描述、所述就诊类型、所述科室推荐结果和所述检验数据进行病症图谱构建及多维转换，得到多维待诊图；

获取与各所述科室推荐结果中的医生标识关联的多维画像图；

将所述多维待诊图与获取的各所述多维画像图进行匹配，得到分诊结果，并将所述分诊结果推荐给患者。

2.如权利要求1所述的分诊数据处理方法，其特征在于，所述对所述症状描述和所述检验数据进行就诊类型识别，确定出患者的就诊类型，包括：

通过病症提取模型对所述症状描述进行病症特征提取，根据提取的病症特征进行识别，得到第一识别结果；

通过非结构化病症识别模型对所述检验数据进行图文识别，得到第二识别结果；

对所述第一识别结果和所述第二识别结果进行就诊分类，确定出就诊类型。

3.如权利要求2所述的分诊数据处理方法，其特征在于，所述通过非结构化病症识别模型对所述检验数据进行图文识别，得到第二识别结果，包括：

运用OCR技术，从所述检验数据中提取出检验图像和检验文本；

对所述检验图像进行人体部位识别，识别出病症部位；

对所述检验文本和所述病症部位进行病症关联识别，得到所述第二识别结果。

4.如权利要求1所述的分诊数据处理方法，其特征在于，所述对所述患者信息、所述症状描述、所述就诊类型、所述科室推荐结果和所述检验数据进行病症图谱构建及多维转换，得到多维待诊图，包括：

对所述症状描述和所述检验文本进行病情量化识别，得到量化结果；

对所述检验图像进行与所述就诊类型相应的程度等级识别，得到等级结果；

根据所述量化结果、所述等级结果、所述就诊类型、所述科室推荐结果以及所述患者信息中的时长信息和定位信息，构建患者的患者病症图谱；

通过多维待诊图转换模型对所述患者病症图谱多维转换处理，得到与所述患者病症图谱对应的多维待诊图。

5.如权利要求1所述的分诊数据处理方法，其特征在于，所述获取与各所述科室推荐结果中的医生标识关联的多维画像图之前，包括：

获取与所述医生标识关联的出诊点、出诊状态表和医生履历数据；

对与所述医生标识关联的所述出诊状态表和所述医生履历数据进行医生画像，构建与所述医生标识关联的所述多维画像图的指标图；

将与所述医生标识关联的出诊点确定为与所述医生标识关联的所述多维画像图的分诊点。

6.如权利要求5所述的分诊数据处理方法，其特征在于，所述医生履历数据包括医生职称、出诊记录和历史履历；

所述对与所述医生标识关联的所述出诊状态表和所述医生履历数据进行医生画像，构建与所述医生标识关联的所述多维画像图的指标图，包括：

基于所述患者信息中的就诊期望时间，对与所述医生标识关联的所述出诊状态表进行预测，得到与所述医生标识关联的时间匹配度；

根据与所述医生标识关联的所述医生职称和所述出诊记录，进行科室画像和专长画像，得到与所述医生标识关联的擅长科室和专长方向；

根据与所述医生标识关联的所述医生职称和所述医生履历数据，进行等级评分，得到与所述医生标识关联的等级分值；

根据与所述医生标识关联的所述时间匹配度、所述擅长科室、所述专长方向和所述等级分值，创建与所述医生标识关联的所述指标图。

7.如权利要求1所述的分诊数据处理方法，其特征在于，所述将所述多维待诊图与获取的各所述多维画像图进行匹配，得到分诊结果，包括：

运用欧式距离法，计算所述多维待诊图中的定位点和各所述多维画像图中的分诊点之间的距离，得到所述多维待诊图与各所述多维画像图的距离匹配值；

将所述多维待诊图中的指标图与各所述多维画像图中的画像图进行重合度计算，输出所述多维待诊图与各所述多维画像图的重合值；

根据所述多维待诊图与各所述多维画像图的所述距离匹配值和所述重合值，得到所述多维待诊图与各所述多维画像图的最终匹配值；

对所有所述最终匹配值进行排序，将排序后的所述最终匹配值所对应的所述多维画像图确定为所述分诊结果。

8.一种分诊数据处理装置，其特征在于，包括：

接收模块，用于接收患者的就诊请求，获取就诊请求中的就诊信息；所述就诊信息包括患者信息、症状描述和检验数据；

识别模块，用于对所述症状描述和所述检验数据进行就诊类型识别，确定出患者的就诊类型；

推荐模块，用于基于所述患者信息对所述就诊类型进行科室推荐，得到科室推荐结果；

构建模块，用于对所述患者信息、所述症状描述、所述就诊类型、所述科室推荐结果和所述检验数据进行病症图谱构建及多维转换，得到多维待诊图；

获取模块，用于获取与各所述科室推荐结果中的医生标识关联的多维画像图；

匹配模块，用于将所述多维待诊图与获取的各所述多维画像图进行匹配，得到分诊结果，并将所述分诊结果推荐给患者。

9.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述分诊数据处理方法。

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任一项所述分诊数据处理方法。

Images