CN113936762A - 基于区块链的智能医疗就诊数据存储方法及平台 - Google Patents
基于区块链的智能医疗就诊数据存储方法及平台 Download PDFInfo
- Publication number
- CN113936762A CN113936762A CN202111102697.XA CN202111102697A CN113936762A CN 113936762 A CN113936762 A CN 113936762A CN 202111102697 A CN202111102697 A CN 202111102697A CN 113936762 A CN113936762 A CN 113936762A
- Authority
- CN
- China
- Prior art keywords
- data
- diagnosis
- treatment
- current
- actual
- 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
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
- G16H15/00—ICT specially adapted for medical reports, e.g. generation or transmission thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Epidemiology (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Primary Health Care (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本申请涉及一种基于区块链的智能医疗就诊数据存储方法及平台,包括实时采集实际描述症状信息和患者基本资料数据,并生成第一数据记录节点,提取所述患者基本资料数据中的可能病症关键数据,生成关键病症普查界面,生成第二数据记录节点;获取可能病症反馈信息,并生成第三数据记录节点;生成当前患者实际症状信息,并生成初始治疗诊断结果报告,同时生成第四数据记录节点;生成升级版治疗诊断结果报告,生成第五数据记录节点;基于区块链技术将所述诊疗报告生成过程数据和所述当前时间戳哈希上链。本发明实现了智能化诊疗的同时又基于区块链技术记录了智能化诊疗处理过程数据的不可篡改且保密存储,实现区块链与智能诊疗的结合。
Description
技术领域
本申请涉及计算机技术领域,特别是涉及一种基于区块链的智能医疗就诊数据存储方法及平台。
背景技术
智能医疗就诊,是指通过智能医疗卡为患者办理的包含患者基本信息、预交款信息和诊疗信息,实现以卡为核心发卡、补卡和挂失等管理功能,同时实现就诊流程以卡为主线,集医院就诊流程如预约、挂号、分诊、划价、交费、检查、检验、治疗、取药、信息查询等多功能于一卡,使持卡人在医院就医时一卡通行,最大限度地缩短患者的就医时间,提高就诊的工作效率。
随着智能医疗的发展,智能医疗逐渐结合区块链技术,区块链技术是从本质上讲,它是一个共享数据库,存储于其中的数据或信息,具有“不可伪造”“全程留痕”“可以追溯”“公开透明”“集体维护”等特征。基于这些特征,区块链技术奠定了坚实的“信任”基础,创造了可靠的“合作”机制,具有广阔的运用前景。
然而,目前并没有一种技术能够实现智能诊疗与区块链高效结合。
发明内容
基于此,有必要针对上述技术问题,提供一种能够实现智能诊疗与区块链高效结合的基于区块链的智能医疗就诊数据存储方法及平台。
本发明技术方案如下:
一种基于区块链的智能医疗就诊数据存储方法,所述方法包括:
实时采集各当前就诊患者主体在医疗就诊场所的实际描述症状信息和各当前就诊患者主体的患者基本资料数据,并在获取所述实际描述症状信息和所述患者基本资料数据后生成第一数据记录节点,其中,一个所述当前就诊患者主体对应一个实际描述症状信息和一个所述患者基本资料数据;提取所述患者基本资料数据中的可能病症关键数据,并基于所述可能病症关键数据生成关键病症普查界面,所述关键病症普查界面上展示有包含所述可能病症关键数据的待解答问询选项,同时生成第二数据记录节点;获取各当前就诊患者主体在所述关键病症普查界面上解答的对所述待解答问询选项的可能病症反馈信息,并在获取所述可能病症反馈信息后生成第三数据记录节点;将所述可能病症反馈信息和所述实际描述症状信息作数据结合处理并生成当前患者实际症状信息,并将所述当前患者实际症状信息发送至预设的智能医疗初步诊断模型中,在所述智能医疗初步诊断模型对所述当前患者实际症状信息作智能诊断后生成初始治疗诊断结果报告,在生成所述初始治疗诊断结果报告的同时生成第四数据记录节点;根据预设的卷积模型修正算法对所述初始治疗诊断结果报告作诊疗数据修正处理,并在诊疗数据修正完成后生成升级版治疗诊断结果报告,在生成所述升级版治疗诊断结果报告的同时,生成第五数据记录节点;基于所述第一数据记录节点、所述第二数据记录节点、所述第三数据记录节点、所述第四数据记录节点和所述第五数据记录节点分别获取所述升级版治疗诊断结果报告的诊疗报告生成过程数据,并按照所述诊疗报告生成过程数据生成的实际时间加设当前时间戳,并基于区块链技术将所述诊疗报告生成过程数据和所述当前时间戳哈希上链。
具体而言,根据预设的卷积模型修正算法对所述初始治疗诊断结果报告作诊疗数据修正处理,并在诊疗数据修正完成后生成升级版治疗诊断结果报告,在生成所述升级版治疗诊断结果报告的同时,生成第五数据记录节点;具体包括:
采集获取实际描述症状信息和所述患者基本资料数据时,当前就诊患者主体的当前实际面容图像信息;根据采集的所述当前实际面容图像信息,基于预设的标准卷积神经网络模型对所述当前实际面容图像信息作卷积特征提取处理,并在卷积特征处理完成后,获取经所述标准卷积神经网络模型输出的当前实际面容图像特征数据集;基于预设的就诊患者症状诊疗标准数据库获取所述初始治疗诊断结果报告对应的智能输出诊断面容信息,其中,所述就诊患者症状诊疗标准数据库中存储有多个标准诊断结果报告和标准智能诊断输出面容信息,一个所述标准诊断结果报告对应至少一个所述标准智能诊断输出面容信息;基于所述标准卷积神经网络模型获取所述智能输出诊断面容信息的实际输出待诊断图像标准数据集;对获取的所述当前实际面容图像特征数据集和所述实际输出待诊断图像标准数据集作匹配度分析处理,并在匹配度分析处理完成后,获取生成的所述当前实际面容图像特征数据集与所述实际输出待诊断图像标准数据集的当前实际匹配值;将所述当前实际匹配值载入至预存的标准阈值判断模型中,并在所述标准阈值判断模型中判断所述当前实际匹配值是否超过标准匹配阈值;若在所述标准阈值判断模型中判断所述当前实际匹配值不超过标准匹配阈值,则基于所述当前实际匹配值获取就诊治疗数据修正指令;基于所述就诊治疗数据修正指令,对所述智能输出诊断面容信息作诊疗数据修正处理,并在诊疗数据修正完成后生成升级版治疗诊断结果报告,在生成所述升级版治疗诊断结果报告的同时,生成第五数据记录节点。
具体而言,根据采集的所述当前实际面容图像信息,基于预设的标准卷积神经网络模型对所述当前实际面容图像信息作卷积特征提取处理,并在卷积特征处理完成后,获取经所述标准卷积神经网络模型输出的当前实际面容图像特征数据集;之后还包括:将获取的所述当前实际面容图像特征数据集发送至预设的标准患者诊疗数据存储库中,并在所述标准患者诊疗数据存储库中遍历与所述当前实际面容图像特征数据集相匹配的数据集,并在遍历完成后生成当前患者遍历查询结果;基于预设的当前实际判断规则判断所述当前患者遍历查询结果是否存在;若基于预设的当前实际判断规则判断所述当前患者遍历查询结果不存在,则根据所述升级版治疗诊断结果报告获取所述当前实际面容图像信息的真实性参考权值,并判断所述真实性参考权值是否大于等于标准参考衡量权值;若判断所述真实性参考权值是大于等于所述标准参考衡量权值,则建立所述当前实际面容图像特征数据集与所述智能输出诊断面容信息的面容数据关联链接关系,并在所述面容数据关联链接关系建立完成后生成当前面容更新指令;基于所述当前面容更新指令索引所述面容数据关联链接关系,并按照所述面容数据关联链接关系对所述标准患者诊疗数据存储库作更新处理,并在更新处理完成后生成已更新标准患者诊疗数据存储库。
具体而言,根据预设的卷积模型修正算法对所述初始治疗诊断结果报告作诊疗数据修正处理,并在诊疗数据修正完成后生成升级版治疗诊断结果报告,在生成所述升级版治疗诊断结果报告的同时,生成第五数据记录节点;具体包括:
根据所述升级版治疗诊断结果报告获取可看诊医生信息集合,并获取所述可看诊医生信息集合中各可看诊医生的看诊医生资历数据;基于所述智能输出诊断面容信息获取所述智能输出诊断面容信息需要就诊的实际就诊紧急程度值;基于所述看诊医生资历数据和所述实际就诊紧急程度值获取看诊医生安排规章,并基于所述看诊医生安排规章对各所述可看诊医生作排序处理,并在排序处理完成后生成当前患者看诊医生优选排序集合;根据所述当前患者看诊医生优选排序集合确定初始首选看诊医生,其中,所述首选看诊医生为所述当前患者看诊医生优选排序集合中处于特定排名范围中的医生。
具体而言,根据所述当前患者看诊医生优选排序集合确定初始首选看诊医生,其中,所述首选看诊医生为所述当前患者看诊医生优选排序集合中处于特定排名范围中的医生,之后还包括:
基于所述患者基本资料数据获取所述当前就诊患者主体的实际经济因素数据;基于所述初始首选看诊医生获取所述初始首选看诊医生中各看诊首选医生的当前就诊大致服务费用数据;判断所述当前就诊大致服务费用数据与所述实际经济因素数据的匹配度差距比值,并获取所述实际经济因素数据对于所述当前就诊患者主体的实际影响比值;基于所述实际影响比值与所述匹配度差距比值生成就诊医生调节指令,并基于所述就诊医生调节指令对所述初始首选看诊医生作调整,并生成调整后首选看诊医生数据;根据所述调整后首选看诊医生数据生成看诊医生建议报告,并将所述看诊医生建议报告发送至所述当前就诊患者主体的终端。
具体而言,一种基于区块链的智能医疗就诊数据存储平台,所述平台包括:
实时采集模块,用于实时采集各当前就诊患者主体在医疗就诊场所的实际描述症状信息和各当前就诊患者主体的患者基本资料数据,并在获取所述实际描述症状信息和所述患者基本资料数据后生成第一数据记录节点,其中,一个所述当前就诊患者主体对应一个实际描述症状信息和一个所述患者基本资料数据;
基本资料模块,用于提取所述患者基本资料数据中的可能病症关键数据,并基于所述可能病症关键数据生成关键病症普查界面,所述关键病症普查界面上展示有包含所述可能病症关键数据的待解答问询选项,同时生成第二数据记录节点;
病症普查模块,用于获取各当前就诊患者主体在所述关键病症普查界面上解答的对所述待解答问询选项的可能病症反馈信息,并在获取所述可能病症反馈信息后生成第三数据记录节点;
病症反馈模块,用于将所述可能病症反馈信息和所述实际描述症状信息作数据结合处理并生成当前患者实际症状信息,并将所述当前患者实际症状信息发送至预设的智能医疗初步诊断模型中,在所述智能医疗初步诊断模型对所述当前患者实际症状信息作智能诊断后生成初始治疗诊断结果报告,在生成所述初始治疗诊断结果报告的同时生成第四数据记录节点;
卷积模型模块,用于根据预设的卷积模型修正算法对所述初始治疗诊断结果报告作诊疗数据修正处理,并在诊疗数据修正完成后生成升级版治疗诊断结果报告,在生成所述升级版治疗诊断结果报告的同时,生成第五数据记录节点;
记录节点模块,用于基于所述第一数据记录节点、所述第二数据记录节点、所述第三数据记录节点、所述第四数据记录节点和所述第五数据记录节点分别获取所述升级版治疗诊断结果报告的诊疗报告生成过程数据,并按照所述诊疗报告生成过程数据生成的实际时间加设当前时间戳,并基于区块链技术将所述诊疗报告生成过程数据和所述当前时间戳哈希上链。
具体而言,所述平台还包括:
图像信息模块,用于采集获取实际描述症状信息和所述患者基本资料数据时,当前就诊患者主体的当前实际面容图像信息;
卷积特征模块,用于根据采集的所述当前实际面容图像信息,基于预设的标准卷积神经网络模型对所述当前实际面容图像信息作卷积特征提取处理,并在卷积特征处理完成后,获取经所述标准卷积神经网络模型输出的当前实际面容图像特征数据集;
症状诊疗模块,用于基于预设的就诊患者症状诊疗标准数据库获取所述初始治疗诊断结果报告对应的智能输出诊断面容信息,其中,所述就诊患者症状诊疗标准数据库中存储有多个标准诊断结果报告和标准智能诊断输出面容信息,一个所述标准诊断结果报告对应至少一个所述标准智能诊断输出面容信息;
神经网络模块,用于基于所述标准卷积神经网络模型获取所述智能输出诊断面容信息的实际输出待诊断图像标准数据集;
分析处理模块,用于对获取的所述当前实际面容图像特征数据集和所述实际输出待诊断图像标准数据集作匹配度分析处理,并在匹配度分析处理完成后,获取生成的所述当前实际面容图像特征数据集与所述实际输出待诊断图像标准数据集的当前实际匹配值;
实际匹配模块,用于将所述当前实际匹配值载入至预存的标准阈值判断模型中,并在所述标准阈值判断模型中判断所述当前实际匹配值是否超过标准匹配阈值;
数据修正模块,用于若在所述标准阈值判断模型中判断所述当前实际匹配值不超过标准匹配阈值,则基于所述当前实际匹配值获取就诊治疗数据修正指令;
结果报告模块,用于基于所述就诊治疗数据修正指令,对所述智能输出诊断面容信息作诊疗数据修正处理,并在诊疗数据修正完成后生成升级版治疗诊断结果报告,在生成所述升级版治疗诊断结果报告的同时,生成第五数据记录节点。
具体而言,所述平台还包括:
标准患者模块,用于将获取的所述当前实际面容图像特征数据集发送至预设的标准患者诊疗数据存储库中,并在所述标准患者诊疗数据存储库中遍历与所述当前实际面容图像特征数据集相匹配的数据集,并在遍历完成后生成当前患者遍历查询结果;
规则判断模块,用于基于预设的当前实际判断规则判断所述当前患者遍历查询结果是否存在;
报告获取模块,用于若基于预设的当前实际判断规则判断所述当前患者遍历查询结果不存在,则根据所述升级版治疗诊断结果报告获取所述当前实际面容图像信息的真实性参考权值,并判断所述真实性参考权值是否大于等于标准参考衡量权值;
关联链接模块,用于若判断所述真实性参考权值是大于等于所述标准参考衡量权值,则建立所述当前实际面容图像特征数据集与所述智能输出诊断面容信息的面容数据关联链接关系,并在所述面容数据关联链接关系建立完成后生成当前面容更新指令;
数据存储模块,用于基于所述当前面容更新指令索引所述面容数据关联链接关系,并按照所述面容数据关联链接关系对所述标准患者诊疗数据存储库作更新处理,并在更新处理完成后生成已更新标准患者诊疗数据存储库。
具体而言,所述卷积模型模块还用于:根据所述升级版治疗诊断结果报告获取可看诊医生信息集合,并获取所述可看诊医生信息集合中各可看诊医生的看诊医生资历数据;基于所述智能输出诊断面容信息获取所述智能输出诊断面容信息需要就诊的实际就诊紧急程度值;基于所述看诊医生资历数据和所述实际就诊紧急程度值获取看诊医生安排规章,并基于所述看诊医生安排规章对各所述可看诊医生作排序处理,并在排序处理完成后生成当前患者看诊医生优选排序集合;根据所述当前患者看诊医生优选排序集合确定初始首选看诊医生,其中,所述首选看诊医生为所述当前患者看诊医生优选排序集合中处于特定排名范围中的医生。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述基于区块链的智能医疗就诊数据存储方法所述的步骤。
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基于区块链的智能医疗就诊数据存储方法所述的步骤。
本发明实现技术效果如下:
上述基于区块链的智能医疗就诊数据存储方法及平台,依次通过实时采集各当前就诊患者主体在医疗就诊场所的实际描述症状信息和各当前就诊患者主体的患者基本资料数据,并在获取所述实际描述症状信息和所述患者基本资料数据后生成第一数据记录节点,其中,一个所述当前就诊患者主体对应一个实际描述症状信息和一个所述患者基本资料数据;提取所述患者基本资料数据中的可能病症关键数据,并基于所述可能病症关键数据生成关键病症普查界面,所述关键病症普查界面上展示有包含所述可能病症关键数据的待解答问询选项,同时生成第二数据记录节点;获取各当前就诊患者主体在所述关键病症普查界面上解答的对所述待解答问询选项的可能病症反馈信息,并在获取所述可能病症反馈信息后生成第三数据记录节点;将所述可能病症反馈信息和所述实际描述症状信息作数据结合处理并生成当前患者实际症状信息,并将所述当前患者实际症状信息发送至预设的智能医疗初步诊断模型中,在所述智能医疗初步诊断模型对所述当前患者实际症状信息作智能诊断后生成初始治疗诊断结果报告,在生成所述初始治疗诊断结果报告的同时生成第四数据记录节点;根据预设的卷积模型修正算法对所述初始治疗诊断结果报告作诊疗数据修正处理,并在诊疗数据修正完成后生成升级版治疗诊断结果报告,在生成所述升级版治疗诊断结果报告的同时,生成第五数据记录节点;基于所述第一数据记录节点、所述第二数据记录节点、所述第三数据记录节点、所述第四数据记录节点和所述第五数据记录节点分别获取所述升级版治疗诊断结果报告的诊疗报告生成过程数据,并按照所述诊疗报告生成过程数据生成的实际时间加设当前时间戳,并基于区块链技术将所述诊疗报告生成过程数据和所述当前时间戳哈希上链,进而实现了智能化诊疗的同时又基于区块链技术记录了智能化诊疗处理过程数据的不可篡改且保密存储,进一步地实现区块链与智能诊疗的结合,提升智能医疗运用水平。
附图说明
图1为一个实施例中基于区块链的智能医疗就诊数据存储方法的流程示意图;
图2为一个实施例中基于区块链的智能医疗就诊数据存储平台的结构框图;
图3为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
在一个实施例中,如图1所示,提供了一种基于区块链的智能医疗就诊数据存储方法,所述方法包括:
步骤S100:实时采集各当前就诊患者主体在医疗就诊场所的实际描述症状信息和各当前就诊患者主体的患者基本资料数据,并在获取所述实际描述症状信息和所述患者基本资料数据后生成第一数据记录节点,其中,一个所述当前就诊患者主体对应一个实际描述症状信息和一个所述患者基本资料数据;
进一步地说,所述医疗就诊场所为医院,所述当前就诊患者主体为各就医人员,所述当前就诊患者主体的数量不止一个,故需要实时采集各当前就诊患者主体在医疗就诊场所的实际描述症状信息和各当前就诊患者主体的患者基本资料数据。
更进一步地,所述实际描述症状信息为当前就诊患者主体语音录入的关于其症状的信息,所述当前就诊患者主体的患者基本资料数据为基本状况信息,如经济情况信息、工作情况信息以及社会保险相关信息。
更进一步地,所述第一数据记录节点用于记录所述当前就诊患者主体在医疗就诊场所的实际描述症状信息和各当前就诊患者主体的患者基本资料数据的获取过程。
步骤S200:提取所述患者基本资料数据中的可能病症关键数据,并基于所述可能病症关键数据生成关键病症普查界面,所述关键病症普查界面上展示有包含所述可能病症关键数据的待解答问询选项,同时生成第二数据记录节点;
步骤S300:获取各当前就诊患者主体在所述关键病症普查界面上解答的对所述待解答问询选项的可能病症反馈信息,并在获取所述可能病症反馈信息后生成第三数据记录节点;
进一步地说,通过提取所述患者基本资料数据中的可能病症关键数据,实现对当前就诊患者的语音描述的病症信息进行关键提取,并通过生成关键病症普查界面,所述关键病症普查界面上展示有包含所述可能病症关键数据的待解答问询选项,实现对当前就诊患者所提到的关键病症数据作进一步获取,其中,通过所述关键病症普查界面的方式实现了数据的高效快速可视化获取。
步骤S400:将所述可能病症反馈信息和所述实际描述症状信息作数据结合处理并生成当前患者实际症状信息,并将所述当前患者实际症状信息发送至预设的智能医疗初步诊断模型中,在所述智能医疗初步诊断模型对所述当前患者实际症状信息作智能诊断后生成初始治疗诊断结果报告,在生成所述初始治疗诊断结果报告的同时生成第四数据记录节点;
步骤S500:根据预设的卷积模型修正算法对所述初始治疗诊断结果报告作诊疗数据修正处理,并在诊疗数据修正完成后生成升级版治疗诊断结果报告,在生成所述升级版治疗诊断结果报告的同时,生成第五数据记录节点;
进一步地说,为了保证数据的全面性,故将所述可能病症反馈信息和所述实际描述症状信息作数据结合处理并生成当前患者实际症状信息。同时,所述智能医疗初步诊断模型为应用大数据及智能AI技术,能够实现对所述当前患者实际症状信息作智能诊断,并且能够生成初始治疗诊断结果报告。
更进一步地,通过所述初始治疗诊断结果报告实现了智能初步诊断,接着,为了保证诊疗结果的准确性,故根据预设的卷积模型修正算法对所述初始治疗诊断结果报告作诊疗数据修正处理,并在诊疗数据修正完成后生成升级版治疗诊断结果报告,从而提升智能诊疗效果和准确性。
步骤S600:基于所述第一数据记录节点、所述第二数据记录节点、所述第三数据记录节点、所述第四数据记录节点和所述第五数据记录节点分别获取所述升级版治疗诊断结果报告的诊疗报告生成过程数据,并按照所述诊疗报告生成过程数据生成的实际时间加设当前时间戳,并基于区块链技术将所述诊疗报告生成过程数据和所述当前时间戳哈希上链。
进一步地说,所述第一数据记录节点、所述第二数据记录节点、所述第三数据记录节点、所述第四数据记录节点和所述第五数据记录节点分别用于上述步骤S100-步骤S500中数据获取的过程,同时并按照所述诊疗报告生成过程数据生成的实际时间加设当前时间戳,并基于区块链技术将所述诊疗报告生成过程数据和所述当前时间戳哈希上链,实现了基于区块链实现的诊疗数据的不可篡改性以及保密保存,同时加上时间戳方便后续对各数据进行管理与查询。
在一个实施例中,步骤S500:根据预设的卷积模型修正算法对所述初始治疗诊断结果报告作诊疗数据修正处理,并在诊疗数据修正完成后生成升级版治疗诊断结果报告,在生成所述升级版治疗诊断结果报告的同时,生成第五数据记录节点;具体包括:
步骤S510:采集获取实际描述症状信息和所述患者基本资料数据时,当前就诊患者主体的当前实际面容图像信息;
步骤S520:根据采集的所述当前实际面容图像信息,基于预设的标准卷积神经网络模型对所述当前实际面容图像信息作卷积特征提取处理,并在卷积特征处理完成后,获取经所述标准卷积神经网络模型输出的当前实际面容图像特征数据集;
步骤S530:基于预设的就诊患者症状诊疗标准数据库获取所述初始治疗诊断结果报告对应的智能输出诊断面容信息,其中,所述就诊患者症状诊疗标准数据库中存储有多个标准诊断结果报告和标准智能诊断输出面容信息,一个所述标准诊断结果报告对应至少一个所述标准智能诊断输出面容信息;
步骤S540:基于所述标准卷积神经网络模型获取所述智能输出诊断面容信息的实际输出待诊断图像标准数据集;
步骤S550:对获取的所述当前实际面容图像特征数据集和所述实际输出待诊断图像标准数据集作匹配度分析处理,并在匹配度分析处理完成后,获取生成的所述当前实际面容图像特征数据集与所述实际输出待诊断图像标准数据集的当前实际匹配值;
步骤S560:将所述当前实际匹配值载入至预存的标准阈值判断模型中,并在所述标准阈值判断模型中判断所述当前实际匹配值是否超过标准匹配阈值;
步骤S570:若在所述标准阈值判断模型中判断所述当前实际匹配值不超过标准匹配阈值,则基于所述当前实际匹配值获取就诊治疗数据修正指令;
步骤S580:基于所述就诊治疗数据修正指令,对所述智能输出诊断面容信息作诊疗数据修正处理,并在诊疗数据修正完成后生成升级版治疗诊断结果报告,在生成所述升级版治疗诊断结果报告的同时,生成第五数据记录节点。
进一步地说,为了保证数据的准确性,需要进一步对所述初始治疗诊断结果报告作诊疗数据修正处理,故首先通过采集获取实际描述症状信息和所述患者基本资料数据时,当前就诊患者主体的当前实际面容图像信息,接着,基于预设的标准卷积神经网络模型对所述当前实际面容图像信息作卷积特征提取处理。
更进一步地,所述标准卷积神经网络模型是通过卷积层、池化层和全连接层实现对图像的多特征提取的神经网络模型,通过训练不同的卷积核来提取图像不同特征,包括图像的灰度、色值、边缘等特征。因此,通过对所述当前实际面容图像信息作卷积特征提取处理后,可以生成当前实际面容图像特征数据集,为了数据进一步更好地比较,通过预设的就诊患者症状诊疗标准数据库获取所述初始治疗诊断结果报告对应的智能输出诊断面容信息。
其中,所述就诊患者症状诊疗标准数据库为预先设置,其中存储有不同的诊断结果报告,并且每个诊断结果报告均对应至少一个面容信息,此为基于不同的症状必然对应人体的面容,但因为一个症状可以对应多个面容信息,故每个诊断结果报告均对应至少一个面容信息。
进一步地,通过基于所述标准卷积神经网络模型获取所述智能输出诊断面容信息的实际输出待诊断图像标准数据集,为了方便后续基于数据集进行数据的匹配对比。
接着,为了获取所述当前实际面容图像特征数据集和所述实际输出待诊断图像标准数据集之间的差异,来判断诊断结果是否准确,因此通过对获取的所述当前实际面容图像特征数据集和所述实际输出待诊断图像标准数据集作匹配度分析处理,并在匹配度分析处理完成后,获取生成的所述当前实际面容图像特征数据集与所述实际输出待诊断图像标准数据集的当前实际匹配值。
然后,所述标准阈值判断模型中设置有标准匹配阈值,通过判断所述当前实际匹配值是否超过标准匹配阈值,实现基于标准匹配阈值进行数据化判断,因此,实现高效数据管理与精准数据判断。
当判断所述当前实际匹配值不超过标准匹配阈值时,说明差别较大,需要调整,因此获取就诊治疗数据修正指令,并在接下来基于所述就诊治疗数据修正指令,对所述智能输出诊断面容信息作诊疗数据修正处理,并在诊疗数据修正完成后生成升级版治疗诊断结果报告,在生成所述升级版治疗诊断结果报告的同时,生成第五数据记录节点。
在一个实施例中,步骤S520:根据采集的所述当前实际面容图像信息,基于预设的标准卷积神经网络模型对所述当前实际面容图像信息作卷积特征提取处理,并在卷积特征处理完成后,获取经所述标准卷积神经网络模型输出的当前实际面容图像特征数据集;之后还包括:
步骤S521:将获取的所述当前实际面容图像特征数据集发送至预设的标准患者诊疗数据存储库中,并在所述标准患者诊疗数据存储库中遍历与所述当前实际面容图像特征数据集相匹配的数据集,并在遍历完成后生成当前患者遍历查询结果;
步骤S522:基于预设的当前实际判断规则判断所述当前患者遍历查询结果是否存在;
步骤S523:若基于预设的当前实际判断规则判断所述当前患者遍历查询结果不存在,则根据所述升级版治疗诊断结果报告获取所述当前实际面容图像信息的真实性参考权值,并判断所述真实性参考权值是否大于等于标准参考衡量权值;
步骤S524:若判断所述真实性参考权值是大于等于所述标准参考衡量权值,则建立所述当前实际面容图像特征数据集与所述智能输出诊断面容信息的面容数据关联链接关系,并在所述面容数据关联链接关系建立完成后生成当前面容更新指令;
步骤S525:基于所述当前面容更新指令索引所述面容数据关联链接关系,并按照所述面容数据关联链接关系对所述标准患者诊疗数据存储库作更新处理,并在更新处理完成后生成已更新标准患者诊疗数据存储库。
具体而言,预设的标准患者诊疗数据存储库中存储有多个标准面容数据,各个标准面容数据对应不同的症状。
因此,通过基于预设的当前实际判断规则判断所述当前患者遍历查询结果是否存在,若判断所述当前患者遍历查询结果不存在,则说明标准患者诊疗数据存储库中没有存储当前面容数据,因此,需要对标准患者诊疗数据存储库进行更新,但是为了保证更新后数据的稳定性与可靠性,故根据所述升级版治疗诊断结果报告获取所述当前实际面容图像信息的真实性参考权值,并判断所述真实性参考权值是否大于等于标准参考衡量权值,当所述真实性参考权值是大于等于所述标准参考衡量权值,则说明数据可靠,接下来则建立所述当前实际面容图像特征数据集与所述智能输出诊断面容信息的面容数据关联链接关系,并在所述面容数据关联链接关系建立完成后生成当前面容更新指令,并且,进一步地,基于所述当前面容更新指令索引所述面容数据关联链接关系,并按照所述面容数据关联链接关系对所述标准患者诊疗数据存储库作更新处理,并在更新处理完成后生成已更新标准患者诊疗数据存储库,从而实现了数据库的更新,为了后续进行面容比对实现高效快速地判断与处理。
在一个实施例中,步骤S500:根据预设的卷积模型修正算法对所述初始治疗诊断结果报告作诊疗数据修正处理,并在诊疗数据修正完成后生成升级版治疗诊断结果报告,在生成所述升级版治疗诊断结果报告的同时,生成第五数据记录节点;具体包括:
步骤S610:根据所述升级版治疗诊断结果报告获取可看诊医生信息集合,并获取所述可看诊医生信息集合中各可看诊医生的看诊医生资历数据;
步骤S620:基于所述智能输出诊断面容信息获取所述智能输出诊断面容信息需要就诊的实际就诊紧急程度值;
步骤S630:基于所述看诊医生资历数据和所述实际就诊紧急程度值获取看诊医生安排规章,并基于所述看诊医生安排规章对各所述可看诊医生作排序处理,并在排序处理完成后生成当前患者看诊医生优选排序集合;
步骤S640:根据所述当前患者看诊医生优选排序集合确定初始首选看诊医生,其中,所述首选看诊医生为所述当前患者看诊医生优选排序集合中处于特定排名范围中的医生。
进一步地,为了保证合适的看诊医生,因此,需要先根据所述升级版治疗诊断结果报告获取可看诊医生信息集合,即先大范围获取可以看诊的医生数据,为了更进一步判断是否合适看诊,因此获取所述可看诊医生信息集合中各可看诊医生的看诊医生资历数据,并且基于所述智能输出诊断面容信息获取所述智能输出诊断面容信息需要就诊的实际就诊紧急程度值,也即将实际就诊紧急程度值考虑在内,同时综合考虑,即基于所述看诊医生资历数据和所述实际就诊紧急程度值获取看诊医生安排规章,最后在排序处理完成后生成当前患者看诊医生优选排序集合,也即实现了高效快速的看诊医生的数据获取,同时特定排名范围为如排名前五的医生中,均为适合看诊,通过范围的展示给患者提供选择的机会。
在一个实施例中,步骤S640:根据所述当前患者看诊医生优选排序集合确定初始首选看诊医生,其中,所述首选看诊医生为所述当前患者看诊医生优选排序集合中处于特定排名范围中的医生,之后还包括:
步骤S641:基于所述患者基本资料数据获取所述当前就诊患者主体的实际经济因素数据;
步骤S642:基于所述初始首选看诊医生获取所述初始首选看诊医生中各看诊首选医生的当前就诊大致服务费用数据;
步骤S643:判断所述当前就诊大致服务费用数据与所述实际经济因素数据的匹配度差距比值,并获取所述实际经济因素数据对于所述当前就诊患者主体的实际影响比值;
步骤S644:基于所述实际影响比值与所述匹配度差距比值生成就诊医生调节指令,并基于所述就诊医生调节指令对所述初始首选看诊医生作调整,并生成调整后首选看诊医生数据;
步骤S645:根据所述调整后首选看诊医生数据生成看诊医生建议报告,并将所述看诊医生建议报告发送至所述当前就诊患者主体的终端。
进一步地,对于私立就诊机构而言,不同医生的服务费较高,因此针对不同的患者需要考虑到经济因素,故本申请中,通过基于所述患者基本资料数据获取所述当前就诊患者主体的实际经济因素数据;再基于所述初始首选看诊医生获取所述初始首选看诊医生中各看诊首选医生的当前就诊大致服务费用数据,然后基于所述实际影响比值与所述匹配度差距比值生成就诊医生调节指令,并且基于所述就诊医生调节指令对所述初始首选看诊医生作调整,并生成调整后首选看诊医生数据,同时生成看诊医生建议报告,并将所述看诊医生建议报告发送至所述当前就诊患者主体的终端,使当前就诊患者主体能够看到推荐的看诊医生的推荐原因,并且将经济因素考虑进去,保证了就诊患者的灵活选择,提升就诊患者的就诊效率和就诊舒适性。
综上所述,本发明依次通过实时采集各当前就诊患者主体在医疗就诊场所的实际描述症状信息和各当前就诊患者主体的患者基本资料数据,并在获取所述实际描述症状信息和所述患者基本资料数据后生成第一数据记录节点,其中,一个所述当前就诊患者主体对应一个实际描述症状信息和一个所述患者基本资料数据;提取所述患者基本资料数据中的可能病症关键数据,并基于所述可能病症关键数据生成关键病症普查界面,所述关键病症普查界面上展示有包含所述可能病症关键数据的待解答问询选项,同时生成第二数据记录节点;获取各当前就诊患者主体在所述关键病症普查界面上解答的对所述待解答问询选项的可能病症反馈信息,并在获取所述可能病症反馈信息后生成第三数据记录节点;将所述可能病症反馈信息和所述实际描述症状信息作数据结合处理并生成当前患者实际症状信息,并将所述当前患者实际症状信息发送至预设的智能医疗初步诊断模型中,在所述智能医疗初步诊断模型对所述当前患者实际症状信息作智能诊断后生成初始治疗诊断结果报告,在生成所述初始治疗诊断结果报告的同时生成第四数据记录节点;根据预设的卷积模型修正算法对所述初始治疗诊断结果报告作诊疗数据修正处理,并在诊疗数据修正完成后生成升级版治疗诊断结果报告,在生成所述升级版治疗诊断结果报告的同时,生成第五数据记录节点;基于所述第一数据记录节点、所述第二数据记录节点、所述第三数据记录节点、所述第四数据记录节点和所述第五数据记录节点分别获取所述升级版治疗诊断结果报告的诊疗报告生成过程数据,并按照所述诊疗报告生成过程数据生成的实际时间加设当前时间戳,并基于区块链技术将所述诊疗报告生成过程数据和所述当前时间戳哈希上链,进而实现了智能化诊疗的同时又基于区块链技术记录了智能化诊疗处理过程数据的不可篡改且保密存储,进一步地实现区块链与智能诊疗的结合,提升智能医疗运用水平。
在一个实施例中,一种基于区块链的智能医疗就诊数据存储平台,如图2所示,所述平台包括:
实时采集模块,用于实时采集各当前就诊患者主体在医疗就诊场所的实际描述症状信息和各当前就诊患者主体的患者基本资料数据,并在获取所述实际描述症状信息和所述患者基本资料数据后生成第一数据记录节点,其中,一个所述当前就诊患者主体对应一个实际描述症状信息和一个所述患者基本资料数据;
基本资料模块,用于提取所述患者基本资料数据中的可能病症关键数据,并基于所述可能病症关键数据生成关键病症普查界面,所述关键病症普查界面上展示有包含所述可能病症关键数据的待解答问询选项,同时生成第二数据记录节点;
病症普查模块,用于获取各当前就诊患者主体在所述关键病症普查界面上解答的对所述待解答问询选项的可能病症反馈信息,并在获取所述可能病症反馈信息后生成第三数据记录节点;
病症反馈模块,用于将所述可能病症反馈信息和所述实际描述症状信息作数据结合处理并生成当前患者实际症状信息,并将所述当前患者实际症状信息发送至预设的智能医疗初步诊断模型中,在所述智能医疗初步诊断模型对所述当前患者实际症状信息作智能诊断后生成初始治疗诊断结果报告,在生成所述初始治疗诊断结果报告的同时生成第四数据记录节点;
卷积模型模块,用于根据预设的卷积模型修正算法对所述初始治疗诊断结果报告作诊疗数据修正处理,并在诊疗数据修正完成后生成升级版治疗诊断结果报告,在生成所述升级版治疗诊断结果报告的同时,生成第五数据记录节点;
记录节点模块,用于基于所述第一数据记录节点、所述第二数据记录节点、所述第三数据记录节点、所述第四数据记录节点和所述第五数据记录节点分别获取所述升级版治疗诊断结果报告的诊疗报告生成过程数据,并按照所述诊疗报告生成过程数据生成的实际时间加设当前时间戳,并基于区块链技术将所述诊疗报告生成过程数据和所述当前时间戳哈希上链。
在一个实施例中,所述平台还包括:
图像信息模块,用于采集获取实际描述症状信息和所述患者基本资料数据时,当前就诊患者主体的当前实际面容图像信息;
卷积特征模块,用于根据采集的所述当前实际面容图像信息,基于预设的标准卷积神经网络模型对所述当前实际面容图像信息作卷积特征提取处理,并在卷积特征处理完成后,获取经所述标准卷积神经网络模型输出的当前实际面容图像特征数据集;
症状诊疗模块,用于基于预设的就诊患者症状诊疗标准数据库获取所述初始治疗诊断结果报告对应的智能输出诊断面容信息,其中,所述就诊患者症状诊疗标准数据库中存储有多个标准诊断结果报告和标准智能诊断输出面容信息,一个所述标准诊断结果报告对应至少一个所述标准智能诊断输出面容信息;
神经网络模块,用于基于所述标准卷积神经网络模型获取所述智能输出诊断面容信息的实际输出待诊断图像标准数据集;
分析处理模块,用于对获取的所述当前实际面容图像特征数据集和所述实际输出待诊断图像标准数据集作匹配度分析处理,并在匹配度分析处理完成后,获取生成的所述当前实际面容图像特征数据集与所述实际输出待诊断图像标准数据集的当前实际匹配值;
实际匹配模块,用于将所述当前实际匹配值载入至预存的标准阈值判断模型中,并在所述标准阈值判断模型中判断所述当前实际匹配值是否超过标准匹配阈值;
数据修正模块,用于若在所述标准阈值判断模型中判断所述当前实际匹配值不超过标准匹配阈值,则基于所述当前实际匹配值获取就诊治疗数据修正指令;
结果报告模块,用于基于所述就诊治疗数据修正指令,对所述智能输出诊断面容信息作诊疗数据修正处理,并在诊疗数据修正完成后生成升级版治疗诊断结果报告,在生成所述升级版治疗诊断结果报告的同时,生成第五数据记录节点。
在一个实施例中,所述平台还包括:
标准患者模块,用于将获取的所述当前实际面容图像特征数据集发送至预设的标准患者诊疗数据存储库中,并在所述标准患者诊疗数据存储库中遍历与所述当前实际面容图像特征数据集相匹配的数据集,并在遍历完成后生成当前患者遍历查询结果;
规则判断模块,用于基于预设的当前实际判断规则判断所述当前患者遍历查询结果是否存在;
报告获取模块,用于若基于预设的当前实际判断规则判断所述当前患者遍历查询结果不存在,则根据所述升级版治疗诊断结果报告获取所述当前实际面容图像信息的真实性参考权值,并判断所述真实性参考权值是否大于等于标准参考衡量权值;
关联链接模块,用于若判断所述真实性参考权值是大于等于所述标准参考衡量权值,则建立所述当前实际面容图像特征数据集与所述智能输出诊断面容信息的面容数据关联链接关系,并在所述面容数据关联链接关系建立完成后生成当前面容更新指令;
数据存储模块,用于基于所述当前面容更新指令索引所述面容数据关联链接关系,并按照所述面容数据关联链接关系对所述标准患者诊疗数据存储库作更新处理,并在更新处理完成后生成已更新标准患者诊疗数据存储库。
在一个实施例中,所述卷积模型模块还用于:根据所述升级版治疗诊断结果报告获取可看诊医生信息集合,并获取所述可看诊医生信息集合中各可看诊医生的看诊医生资历数据;基于所述智能输出诊断面容信息获取所述智能输出诊断面容信息需要就诊的实际就诊紧急程度值;基于所述看诊医生资历数据和所述实际就诊紧急程度值获取看诊医生安排规章,并基于所述看诊医生安排规章对各所述可看诊医生作排序处理,并在排序处理完成后生成当前患者看诊医生优选排序集合;根据所述当前患者看诊医生优选排序集合确定初始首选看诊医生,其中,所述首选看诊医生为所述当前患者看诊医生优选排序集合中处于特定排名范围中的医生。
在一个实施例中,所述卷积模型模块还用于:基于所述患者基本资料数据获取所述当前就诊患者主体的实际经济因素数据;所述初始首选看诊医生获取所述初始首选看诊医生中各看诊首选医生的当前就诊大致服务费用数据;判断所述当前就诊大致服务费用数据与所述实际经济因素数据的匹配度差距比值,并获取所述实际经济因素数据对于所述当前就诊患者主体的实际影响比值;基于所述实际影响比值与所述匹配度差距比值生成就诊医生调节指令,并基于所述就诊医生调节指令对所述初始首选看诊医生作调整,并生成调整后首选看诊医生数据;根据所述调整后首选看诊医生数据生成看诊医生建议报告,并将所述看诊医生建议报告发送至所述当前就诊患者主体的终端。
在一个实施例中,如图3所示,一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述基于区块链的智能医疗就诊数据存储方法所述的步骤。
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基于区块链的智能医疗就诊数据存储方法所述的步骤。
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,本申请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。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种基于区块链的智能医疗就诊数据存储方法,其特征在于,所述方法包括:
实时采集各当前就诊患者主体在医疗就诊场所的实际描述症状信息和各当前就诊患者主体的患者基本资料数据,并在获取所述实际描述症状信息和所述患者基本资料数据后生成第一数据记录节点,其中,一个所述当前就诊患者主体对应一个实际描述症状信息和一个所述患者基本资料数据;提取所述患者基本资料数据中的可能病症关键数据,并基于所述可能病症关键数据生成关键病症普查界面,所述关键病症普查界面上展示有包含所述可能病症关键数据的待解答问询选项,同时生成第二数据记录节点;获取各当前就诊患者主体在所述关键病症普查界面上解答的对所述待解答问询选项的可能病症反馈信息,并在获取所述可能病症反馈信息后生成第三数据记录节点;将所述可能病症反馈信息和所述实际描述症状信息作数据结合处理并生成当前患者实际症状信息,并将所述当前患者实际症状信息发送至预设的智能医疗初步诊断模型中,在所述智能医疗初步诊断模型对所述当前患者实际症状信息作智能诊断后生成初始治疗诊断结果报告,在生成所述初始治疗诊断结果报告的同时生成第四数据记录节点;根据预设的卷积模型修正算法对所述初始治疗诊断结果报告作诊疗数据修正处理,并在诊疗数据修正完成后生成升级版治疗诊断结果报告,在生成所述升级版治疗诊断结果报告的同时,生成第五数据记录节点;基于所述第一数据记录节点、所述第二数据记录节点、所述第三数据记录节点、所述第四数据记录节点和所述第五数据记录节点分别获取所述升级版治疗诊断结果报告的诊疗报告生成过程数据,并按照所述诊疗报告生成过程数据生成的实际时间加设当前时间戳,并基于区块链技术将所述诊疗报告生成过程数据和所述当前时间戳哈希上链。
2.根据权利要求1所述的基于区块链的智能医疗就诊数据存储方法,其特征在于,根据预设的卷积模型修正算法对所述初始治疗诊断结果报告作诊疗数据修正处理,并在诊疗数据修正完成后生成升级版治疗诊断结果报告,在生成所述升级版治疗诊断结果报告的同时,生成第五数据记录节点;具体包括:采集获取实际描述症状信息和所述患者基本资料数据时,当前就诊患者主体的当前实际面容图像信息;根据采集的所述当前实际面容图像信息,基于预设的标准卷积神经网络模型对所述当前实际面容图像信息作卷积特征提取处理,并在卷积特征处理完成后,获取经所述标准卷积神经网络模型输出的当前实际面容图像特征数据集;基于预设的就诊患者症状诊疗标准数据库获取所述初始治疗诊断结果报告对应的智能输出诊断面容信息,其中,所述就诊患者症状诊疗标准数据库中存储有多个标准诊断结果报告和标准智能诊断输出面容信息,一个所述标准诊断结果报告对应至少一个所述标准智能诊断输出面容信息;基于所述标准卷积神经网络模型获取所述智能输出诊断面容信息的实际输出待诊断图像标准数据集;对获取的所述当前实际面容图像特征数据集和所述实际输出待诊断图像标准数据集作匹配度分析处理,并在匹配度分析处理完成后,获取生成的所述当前实际面容图像特征数据集与所述实际输出待诊断图像标准数据集的当前实际匹配值;将所述当前实际匹配值载入至预存的标准阈值判断模型中,并在所述标准阈值判断模型中判断所述当前实际匹配值是否超过标准匹配阈值;若在所述标准阈值判断模型中判断所述当前实际匹配值不超过标准匹配阈值,则基于所述当前实际匹配值获取就诊治疗数据修正指令;基于所述就诊治疗数据修正指令,对所述智能输出诊断面容信息作诊疗数据修正处理,并在诊疗数据修正完成后生成升级版治疗诊断结果报告,在生成所述升级版治疗诊断结果报告的同时,生成第五数据记录节点。
3.根据权利要求2所述的基于区块链的智能医疗就诊数据存储方法,其特征在于,根据采集的所述当前实际面容图像信息,基于预设的标准卷积神经网络模型对所述当前实际面容图像信息作卷积特征提取处理,并在卷积特征处理完成后,获取经所述标准卷积神经网络模型输出的当前实际面容图像特征数据集;之后还包括:将获取的所述当前实际面容图像特征数据集发送至预设的标准患者诊疗数据存储库中,并在所述标准患者诊疗数据存储库中遍历与所述当前实际面容图像特征数据集相匹配的数据集,并在遍历完成后生成当前患者遍历查询结果;基于预设的当前实际判断规则判断所述当前患者遍历查询结果是否存在;若基于预设的当前实际判断规则判断所述当前患者遍历查询结果不存在,则根据所述升级版治疗诊断结果报告获取所述当前实际面容图像信息的真实性参考权值,并判断所述真实性参考权值是否大于等于标准参考衡量权值;若判断所述真实性参考权值是大于等于所述标准参考衡量权值,则建立所述当前实际面容图像特征数据集与所述智能输出诊断面容信息的面容数据关联链接关系,并在所述面容数据关联链接关系建立完成后生成当前面容更新指令;基于所述当前面容更新指令索引所述面容数据关联链接关系,并按照所述面容数据关联链接关系对所述标准患者诊疗数据存储库作更新处理,并在更新处理完成后生成已更新标准患者诊疗数据存储库。
4.根据权利要求1所述的基于区块链的智能医疗就诊数据存储方法,其特征在于,根据预设的卷积模型修正算法对所述初始治疗诊断结果报告作诊疗数据修正处理,并在诊疗数据修正完成后生成升级版治疗诊断结果报告,在生成所述升级版治疗诊断结果报告的同时,生成第五数据记录节点;具体包括:
根据所述升级版治疗诊断结果报告获取可看诊医生信息集合,并获取所述可看诊医生信息集合中各可看诊医生的看诊医生资历数据;基于所述智能输出诊断面容信息获取所述智能输出诊断面容信息需要就诊的实际就诊紧急程度值;基于所述看诊医生资历数据和所述实际就诊紧急程度值获取看诊医生安排规章,并基于所述看诊医生安排规章对各所述可看诊医生作排序处理,并在排序处理完成后生成当前患者看诊医生优选排序集合;根据所述当前患者看诊医生优选排序集合确定初始首选看诊医生,其中,所述首选看诊医生为所述当前患者看诊医生优选排序集合中处于特定排名范围中的医生。
5.根据权利要求4所述的基于区块链的智能医疗就诊数据存储方法,其特征在于,根据所述当前患者看诊医生优选排序集合确定初始首选看诊医生,其中,所述首选看诊医生为所述当前患者看诊医生优选排序集合中处于特定排名范围中的医生,之后还包括:
基于所述患者基本资料数据获取所述当前就诊患者主体的实际经济因素数据;基于所述初始首选看诊医生获取所述初始首选看诊医生中各看诊首选医生的当前就诊大致服务费用数据;判断所述当前就诊大致服务费用数据与所述实际经济因素数据的匹配度差距比值,并获取所述实际经济因素数据对于所述当前就诊患者主体的实际影响比值;基于所述实际影响比值与所述匹配度差距比值生成就诊医生调节指令,并基于所述就诊医生调节指令对所述初始首选看诊医生作调整,并生成调整后首选看诊医生数据;根据所述调整后首选看诊医生数据生成看诊医生建议报告,并将所述看诊医生建议报告发送至所述当前就诊患者主体的终端。
6.一种基于区块链的智能医疗就诊数据存储平台,其特征在于,所述平台包括:
实时采集模块,用于实时采集各当前就诊患者主体在医疗就诊场所的实际描述症状信息和各当前就诊患者主体的患者基本资料数据,并在获取所述实际描述症状信息和所述患者基本资料数据后生成第一数据记录节点,其中,一个所述当前就诊患者主体对应一个实际描述症状信息和一个所述患者基本资料数据;
基本资料模块,用于提取所述患者基本资料数据中的可能病症关键数据,并基于所述可能病症关键数据生成关键病症普查界面,所述关键病症普查界面上展示有包含所述可能病症关键数据的待解答问询选项,同时生成第二数据记录节点;
病症普查模块,用于获取各当前就诊患者主体在所述关键病症普查界面上解答的对所述待解答问询选项的可能病症反馈信息,并在获取所述可能病症反馈信息后生成第三数据记录节点;
病症反馈模块,用于将所述可能病症反馈信息和所述实际描述症状信息作数据结合处理并生成当前患者实际症状信息,并将所述当前患者实际症状信息发送至预设的智能医疗初步诊断模型中,在所述智能医疗初步诊断模型对所述当前患者实际症状信息作智能诊断后生成初始治疗诊断结果报告,在生成所述初始治疗诊断结果报告的同时生成第四数据记录节点;
卷积模型模块,用于根据预设的卷积模型修正算法对所述初始治疗诊断结果报告作诊疗数据修正处理,并在诊疗数据修正完成后生成升级版治疗诊断结果报告,在生成所述升级版治疗诊断结果报告的同时,生成第五数据记录节点;
记录节点模块,用于基于所述第一数据记录节点、所述第二数据记录节点、所述第三数据记录节点、所述第四数据记录节点和所述第五数据记录节点分别获取所述升级版治疗诊断结果报告的诊疗报告生成过程数据,并按照所述诊疗报告生成过程数据生成的实际时间加设当前时间戳,并基于区块链技术将所述诊疗报告生成过程数据和所述当前时间戳哈希上链。
7.根据权利要求6所述的基于区块链的智能医疗就诊数据存储平台,其特征在于,所述平台还包括:
图像信息模块,用于采集获取实际描述症状信息和所述患者基本资料数据时,当前就诊患者主体的当前实际面容图像信息;
卷积特征模块,用于根据采集的所述当前实际面容图像信息,基于预设的标准卷积神经网络模型对所述当前实际面容图像信息作卷积特征提取处理,并在卷积特征处理完成后,获取经所述标准卷积神经网络模型输出的当前实际面容图像特征数据集;
症状诊疗模块,用于基于预设的就诊患者症状诊疗标准数据库获取所述初始治疗诊断结果报告对应的智能输出诊断面容信息,其中,所述就诊患者症状诊疗标准数据库中存储有多个标准诊断结果报告和标准智能诊断输出面容信息,一个所述标准诊断结果报告对应至少一个所述标准智能诊断输出面容信息;
神经网络模块,用于基于所述标准卷积神经网络模型获取所述智能输出诊断面容信息的实际输出待诊断图像标准数据集;
分析处理模块,用于对获取的所述当前实际面容图像特征数据集和所述实际输出待诊断图像标准数据集作匹配度分析处理,并在匹配度分析处理完成后,获取生成的所述当前实际面容图像特征数据集与所述实际输出待诊断图像标准数据集的当前实际匹配值;
实际匹配模块,用于将所述当前实际匹配值载入至预存的标准阈值判断模型中,并在所述标准阈值判断模型中判断所述当前实际匹配值是否超过标准匹配阈值;
数据修正模块,用于若在所述标准阈值判断模型中判断所述当前实际匹配值不超过标准匹配阈值,则基于所述当前实际匹配值获取就诊治疗数据修正指令;
结果报告模块,用于基于所述就诊治疗数据修正指令,对所述智能输出诊断面容信息作诊疗数据修正处理,并在诊疗数据修正完成后生成升级版治疗诊断结果报告,在生成所述升级版治疗诊断结果报告的同时,生成第五数据记录节点。
8.根据权利要求6所述的基于区块链的智能医疗就诊数据存储平台,其特征在于,所述平台还包括:
标准患者模块,用于将获取的所述当前实际面容图像特征数据集发送至预设的标准患者诊疗数据存储库中,并在所述标准患者诊疗数据存储库中遍历与所述当前实际面容图像特征数据集相匹配的数据集,并在遍历完成后生成当前患者遍历查询结果;
规则判断模块,用于基于预设的当前实际判断规则判断所述当前患者遍历查询结果是否存在;
报告获取模块,用于若基于预设的当前实际判断规则判断所述当前患者遍历查询结果不存在,则根据所述升级版治疗诊断结果报告获取所述当前实际面容图像信息的真实性参考权值,并判断所述真实性参考权值是否大于等于标准参考衡量权值;
关联链接模块,用于若判断所述真实性参考权值是大于等于所述标准参考衡量权值,则建立所述当前实际面容图像特征数据集与所述智能输出诊断面容信息的面容数据关联链接关系,并在所述面容数据关联链接关系建立完成后生成当前面容更新指令;
数据存储模块,用于基于所述当前面容更新指令索引所述面容数据关联链接关系,并按照所述面容数据关联链接关系对所述标准患者诊疗数据存储库作更新处理,并在更新处理完成后生成已更新标准患者诊疗数据存储库。
9.根据权利要求6所述的基于区块链的智能医疗就诊数据存储平台,其特征在于,所述卷积模型模块还用于:根据所述升级版治疗诊断结果报告获取可看诊医生信息集合,并获取所述可看诊医生信息集合中各可看诊医生的看诊医生资历数据;基于所述智能输出诊断面容信息获取所述智能输出诊断面容信息需要就诊的实际就诊紧急程度值;基于所述看诊医生资历数据和所述实际就诊紧急程度值获取看诊医生安排规章,并基于所述看诊医生安排规章对各所述可看诊医生作排序处理,并在排序处理完成后生成当前患者看诊医生优选排序集合;根据所述当前患者看诊医生优选排序集合确定初始首选看诊医生,其中,所述首选看诊医生为所述当前患者看诊医生优选排序集合中处于特定排名范围中的医生。
10.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至5中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111102697.XA CN113936762A (zh) | 2021-09-21 | 2021-09-21 | 基于区块链的智能医疗就诊数据存储方法及平台 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111102697.XA CN113936762A (zh) | 2021-09-21 | 2021-09-21 | 基于区块链的智能医疗就诊数据存储方法及平台 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113936762A true CN113936762A (zh) | 2022-01-14 |
Family
ID=79276216
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111102697.XA Pending CN113936762A (zh) | 2021-09-21 | 2021-09-21 | 基于区块链的智能医疗就诊数据存储方法及平台 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113936762A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116759041A (zh) * | 2023-08-22 | 2023-09-15 | 之江实验室 | 一种考虑诊疗事件关系的医疗时序数据生成方法及装置 |
CN117116461A (zh) * | 2023-09-05 | 2023-11-24 | 易康(广州)数字科技有限公司 | 一种基于机器学习的线上个性化诊疗评估方法及*** |
CN117153164A (zh) * | 2023-10-27 | 2023-12-01 | 北京师范大学 | 基于区块链的远程诊疗数据智能存储方法及*** |
CN117524405A (zh) * | 2024-01-05 | 2024-02-06 | 长春中医药大学 | 一种基于云计算的妇科护理方法智能选择*** |
-
2021
- 2021-09-21 CN CN202111102697.XA patent/CN113936762A/zh active Pending
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116759041A (zh) * | 2023-08-22 | 2023-09-15 | 之江实验室 | 一种考虑诊疗事件关系的医疗时序数据生成方法及装置 |
CN116759041B (zh) * | 2023-08-22 | 2023-12-22 | 之江实验室 | 一种考虑诊疗事件关系的医疗时序数据生成方法及装置 |
CN117116461A (zh) * | 2023-09-05 | 2023-11-24 | 易康(广州)数字科技有限公司 | 一种基于机器学习的线上个性化诊疗评估方法及*** |
CN117153164A (zh) * | 2023-10-27 | 2023-12-01 | 北京师范大学 | 基于区块链的远程诊疗数据智能存储方法及*** |
CN117153164B (zh) * | 2023-10-27 | 2024-01-26 | 北京师范大学 | 基于区块链的远程诊疗数据智能存储方法及*** |
CN117524405A (zh) * | 2024-01-05 | 2024-02-06 | 长春中医药大学 | 一种基于云计算的妇科护理方法智能选择*** |
CN117524405B (zh) * | 2024-01-05 | 2024-03-26 | 长春中医药大学 | 一种基于云计算的妇科护理方法智能选择*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11462309B2 (en) | Automated electrocardiogram interpretation system and methods for use therewith | |
CN113936762A (zh) | 基于区块链的智能医疗就诊数据存储方法及平台 | |
US11587184B2 (en) | Computer vision-based claims processing | |
KR101873926B1 (ko) | 빅데이터 기반 의료자문 서비스 제공 방법 | |
US7725330B2 (en) | Systems and methods for automated extraction and processing of billing information in patient records | |
US20220061746A1 (en) | Risk assessment system and methods for use therewith | |
US20030233250A1 (en) | Systems and methods for managing biological data and providing data interpretation tools | |
US20050137910A1 (en) | Systems and methods for automated extraction and processing of billing information in patient records | |
EP1846859A1 (en) | Associated systems and methods for managing biological data and providing data interpretation tools | |
WO2001000086A1 (en) | Chronic disease monitor | |
KR20190132290A (ko) | 환자 진단 학습 방법, 서버 및 프로그램 | |
US9734298B2 (en) | Program optimization system | |
US20020123906A1 (en) | Chronic pain patient risk stratification system | |
US20130275050A1 (en) | Methods and systems for integrated health systems | |
US20220005565A1 (en) | System with retroactive discrepancy flagging and methods for use therewith | |
CN113948172A (zh) | 一种检查检验结果共享互认*** | |
US20170091410A1 (en) | Predicting personalized risk of preventable healthcare events | |
CN110223760B (zh) | 一种医疗影像信息采集与融合方法及*** | |
CN108630287A (zh) | 数据整合方法 | |
CN117219247B (zh) | 一种用于患者就诊的智慧管理*** | |
US11551814B2 (en) | Predicting risk for preventable patient healthcare events | |
CN117409960A (zh) | 一种基于大数据的智慧医院高质量运营管理方法及*** | |
WO2022069659A2 (en) | A method and a system for determining severity of a skin condition | |
CN112786157A (zh) | 面诊与远程诊断相结合的中医秘方验证平台及验证方法 | |
CN110766004A (zh) | 医疗鉴定数据处理方法、装置、电子设备及可读介质 |
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 |