CN114416967A - 智能推荐医生的方法、装置、设备及存储介质 - Google Patents

智能推荐医生的方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN114416967A
CN114416967A CN202210091349.5A CN202210091349A CN114416967A CN 114416967 A CN114416967 A CN 114416967A CN 202210091349 A CN202210091349 A CN 202210091349A CN 114416967 A CN114416967 A CN 114416967A
Authority
CN
China
Prior art keywords
category
information
historical
diagnostician
target user
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
Application number
CN202210091349.5A
Other languages
English (en)
Inventor
欧阳强
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Ping An Smart Healthcare Technology Co ltd
Original Assignee
Ping An International Smart City Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Ping An International Smart City Technology Co Ltd filed Critical Ping An International Smart City Technology Co Ltd
Priority to CN202210091349.5A priority Critical patent/CN114416967A/zh
Publication of CN114416967A publication Critical patent/CN114416967A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/335—Filtering based on additional data, e.g. user or group profiles
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/35—Clustering; Classification
    • G—PHYSICS
    • 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
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Epidemiology (AREA)
  • Pathology (AREA)
  • Computational Linguistics (AREA)
  • Medical Treatment And Welfare Office Work (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

本发明涉及人工智能，提供一种智能推荐医生的方法、装置、设备及存储介质。该方法采集历史患者的病历数据，病历数据中包括历史患者的诊断医生的信息，根据病历数据对历史患者进行分类，得到历史患者类别，根据诊断医生对历史患者在多个历史患者类别中的诊断数量生成诊断医生的诊疗能力信息，获取诊断医生在多个预设维度上的维度信息，根据维度信息及诊疗能力信息生成诊断医生在所述每个历史患者类别上的推荐指数，根据签约请求识别目标用户所在的目标用户类别，根据推荐指数及目标用户类别向目标用户推荐诊断医生，能够提高签约医生的推荐准确性。此外，本发明还涉及区块链技术，所述推荐指数可存储于区块链中。

Description

智能推荐医生的方法、装置、设备及存储介质
技术领域
本发明涉及人工智能技术领域，尤其涉及一种智能推荐医生的方法、装置、设备及存储介质。
背景技术
随着人工智能的发展，向用户推荐医生的方式也随之产生。通过向用户智能推荐医生，能够辅助用户快速找到合适的医生进行签约。然而，在这些医生智能推荐方式中，仍然无法准确的确定出适合用户的签约医生。
因此，如何准确的向用户推荐合适的签约医生，成了亟需解决的问题。
发明内容
鉴于以上内容，有必要提供一种智能推荐医生的方法、装置、设备及存储介质，能够准确的向用户推荐合适的签约医生。
一方面，本发明提出一种智能推荐医生的方法，所述智能推荐医生的方法包括：
采集历史患者的病历数据，所述病历数据中包括所述历史患者的诊断医生的信息；
根据所述病历数据对所述历史患者进行分类，得到所述历史患者的历史患者类别；
根据所述历史患者统计所述诊断医生在多个所述历史患者类别的诊断数量，并根据所述诊断数量生成所述诊断医生在每个历史患者类别上的诊疗能力信息；
获取所述诊断医生在多个预设维度上的维度信息；
根据所述维度信息及所述诊疗能力信息生成所述诊断医生在所述每个历史患者类别上的推荐指数；
当接收到签约请求时，根据所述签约请求识别目标用户所在的目标用户类别；
根据所述推荐指数及所述目标用户类别向所述目标用户推荐所述诊断医生。
根据本发明优选实施例，所述采集历史患者的病历数据包括：
接收所述历史患者发送的授权反馈信息；
从所述授权反馈信息中提取患者识别码及密钥；
基于所述患者识别码从预设医疗***中获取密文信息；
根据所述密钥对所述密文信息进行解密处理，得到所述病历数据。
根据本发明优选实施例，所述根据所述病历数据对所述历史患者进行分类，得到所述历史患者的历史患者类别包括：
获取预先训练好的人群分类模型，所述人群分类模型中包括基础分类网络、疾病实体抽取网络及语义解析网络，所述基础分类网络是根据第一字段训练生成的，所述疾病实体抽取网络是根据第二字段训练生成的，所述语义解析网络是根据第三字段训练生成的；
根据所述第一字段从所述病历数据中抽取第一信息；
从所述基础分类网络中获取基础映射表，并基于所述基础映射表获取与所述第一信息对应的类别作为第一类别；
根据所述第二字段从所述病历数据中抽取第二信息，并基于所述疾病实体抽取网络从所述第二信息中抽取疾病信息；
从所述人群分类模型中获取疾病类别映射表；
计算所述疾病信息与所述疾病类别映射表中每个预设疾病的疾病相似度，并将所述疾病相似度最大的预设疾病所对应的类别确定为第二类别；
根据所述第三字段从所述病历数据中抽取第三信息，并基于所述语义解析网络处理所述第三信息，得到目标症状；
检测所述第二类别中是否存在所述目标症状；
若所述第二类别中存在所述目标症状，则将所述第一类别及所述第二类别确定为所述历史患者类别。
根据本发明优选实施例，若所述第二类别中不存在所述目标症状，所述方法还包括：
从所述疾病类别映射表获取与所述目标症状对应的类别作为第三类别；
从预设用户库中获取所述第三类别的训练用户；
统计所述训练用户中包含所述目标症状的用户数量，并统计所述训练用户的训练总量；
计算所述用户数量在所述训练总量中的比值，得到所述目标症状的症状概率；
从所述人群分类模型中获取所述疾病实体抽取网络的第一预测权值及所述语义解析网络的第二预测权值；
计算所述第二类别的疾病相似度与所述第一预测权值的乘积，得到所述第二类别的第一分值，并计算所述症状概率与所述第二预测权值的乘积，得到所述第三类别的第二分值；
从所述第一分值及所述第二分值中选取大于预设阈值的分值所对应的类别作为筛选类别；
将所述筛选类别及所述第一类别确定为所述历史患者类别。
根据本发明优选实施例，所述根据所述历史患者统计所述诊断医生在多个所述历史患者类别的诊断数量，并根据所述诊断数量生成所述诊断医生在每个历史患者类别上的诊疗能力信息包括：
基于所述历史患者，统计所述诊断医生处理所述每个历史患者类别上的数量作为所述诊断数量；
统计所述每个历史患者类别中所述历史患者的患者总量；
计算所述患者总量与所述诊断数量的比值，得到所述诊疗能力信息。
根据本发明优选实施例，所述维度信息包括所述诊断医生的工作饱和度及多个反馈信息，所述根据所述维度信息及所述诊疗能力信息生成所述诊断医生在所述每个历史患者类别上的推荐指数包括：
将所述工作饱和度大于或者等于配置饱和度的诊断医生确定为非空闲医生，并将所述工作饱和度小于所述配置饱和度的诊断医生确定为空闲医生；
将所述非空闲医生在所述每个历史患者类别上的推荐指数确定为初始值；
获取所述诊疗能力信息所对应的第一指标权值，并获取所述多个预设维度所对应的第二指标权值，所述第一指标权值大于多个所述第二指标权值；
根据所述维度信息、所述诊疗能力信息、所述第一指标权值及所述第二指标权值生成所述推荐指数，包括：
Figure BDA0003489330380000041
n>1；
其中，y是指所述推荐指数，a1是指所述第一指标权值，a2…at是指多个所述第二指标权值，x1是指所述诊疗能力信息，x2…xt是指所述多个反馈信息，n是指所述工作饱和度。
根据本发明优选实施例，所述目标用户类别包括多个时，所述根据所述推荐指数及所述目标用户类别向所述目标用户推荐所述诊断医生包括：
获取所述目标用户的用户信息；
基于预先训练好的严重度预测模型处理所述用户信息，得到所述目标用户在每个目标用户类别上的类别严重度；
对所述类别严重度进行归一化处理，得到每个目标用户类别的推荐权值；
根据所述推荐权值及所述推荐指数生成所述诊断医生的推荐总分；
根据所述推荐总分从所述诊断医生中选取目标医生；
向所述目标用户推荐所述目标医生。
另一方面，本发明还提出一种智能推荐医生的装置，所述智能推荐医生的装置包括：
采集单元，用于采集历史患者的病历数据，所述病历数据中包括所述历史患者的诊断医生的信息；
分类单元，用于根据所述病历数据对所述历史患者进行分类，得到所述历史患者的历史患者类别；
生成单元，用于根据所述历史患者统计所述诊断医生在多个所述历史患者类别的诊断数量，并根据所述诊断数量生成所述诊断医生在每个历史患者类别上的诊疗能力信息；
获取单元，用于获取所述诊断医生在多个预设维度上的维度信息；
所述生成单元，还用于根据所述维度信息及所述诊疗能力信息生成所述诊断医生在所述每个历史患者类别上的推荐指数；
识别单元，用于当接收到签约请求时，根据所述签约请求识别目标用户所在的目标用户类别；
推荐单元，用于根据所述推荐指数及所述目标用户类别向所述目标用户推荐所述诊断医生。
另一方面，本发明还提出一种电子设备，所述电子设备包括：
存储器，存储计算机可读指令；及
处理器，执行所述存储器中存储的计算机可读指令以实现所述智能推荐医生的方法。
另一方面，本发明还提出一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机可读指令，所述计算机可读指令被电子设备中的处理器执行以实现所述智能推荐医生的方法。
由以上技术方案可以看出，本发明通过所述病历数据能够准确的确定出所述历史患者的历史患者类别，进而根据所述诊断数量能够准确的量化出所述诊断医生在每个历史患者类别上的诊疗能力信息，进一步通过结合所述维度信息及所述诊疗能力信息能够准确的生成所述诊断医生在所述每个历史患者类别上的推荐指数，从而提高签约医生的推荐准确性。
附图说明
图1是本发明智能推荐医生的方法的较佳实施例的流程图。
图2是本发明智能推荐医生的装置的较佳实施例的功能模块图。
图3是本发明实现智能推荐医生的方法的较佳实施例的电子设备的结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面结合附图和具体实施例对本发明进行详细描述。
如图1所示，是本发明智能推荐医生的方法的较佳实施例的流程图。根据不同的需求，该流程图中步骤的顺序可以改变，某些步骤可以省略。
所述智能推荐医生的方法可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用***。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互***、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
所述智能推荐医生的方法应用于一个或者多个电子设备中，所述电子设备是一种能够按照事先设定或存储的计算机可读指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(Application Specific IntegratedCircuit，ASIC)、可编程门阵列(Field－Programmable Gate Array，FPGA)、数字信号处理器(Digital Signal Processor，DSP)、嵌入式设备等。
所述电子设备可以是任何一种可与用户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、个人数字助理(Personal Digital Assistant，PDA)、游戏机、交互式网络电视(Internet Protocol Television，IPTV)、智能穿戴式设备等。
所述电子设备可以包括网络设备和/或用户设备。其中，所述网络设备包括，但不限于单个网络电子设备、多个网络电子设备组成的电子设备组或基于云计算(CloudComputing)的由大量主机或网络电子设备构成的云。
所述电子设备所处的网络包括，但不限于：互联网、广域网、城域网、局域网、虚拟专用网络(Virtual Private Network，VPN)等。
S10，采集历史患者的病历数据，所述病历数据中包括所述历史患者的诊断医生的信息。
在本发明的至少一个实施例中，所述历史患者是指已完成就诊的患者。所述诊断医生是指对所述历史患者进行诊断的医生。
在本发明的至少一个实施例中，所述电子设备采集历史患者的病历数据包括：
接收所述历史患者发送的授权反馈信息；
从所述授权反馈信息中提取患者识别码及密钥；
基于所述患者识别码从预设医疗***中获取密文信息；
根据所述密钥对所述密文信息进行解密处理，得到所述病历数据。
其中，所述授权反馈信息是指由所述历史患者触发生成的结果。
所述患者识别码用于指示所述历史患者，所述密钥可以是由所述历史患者设定的信息。
所述预设医疗***中存储多个有就诊记录的患者的相关信息。
所述密文信息是指与所述患者识别码对应的用户存储在所述预设医疗***中的就诊记录加密后所生成的信息。
通过所述授权反馈信息能够确保所述病历数据的采集合法性，并通过所述患者识别码及所述密钥能够准确的获取到所述病历数据。
S11，根据所述病历数据对所述历史患者进行分类，得到所述历史患者的历史患者类别。
在本发明的至少一个实施例中，所述历史患者类别包括健康人群、慢性病、老年人、婴幼儿、孕产妇、严重精神障碍、结核病、残疾人等类别。
在本发明的至少一个实施例中，所述电子设备根据所述病历数据对所述历史患者进行分类，得到所述历史患者的历史患者类别包括：
获取预先训练好的人群分类模型，所述人群分类模型中包括基础分类网络、疾病实体抽取网络及语义解析网络，所述基础分类网络是根据第一字段训练生成的，所述疾病实体抽取网络是根据第二字段训练生成的，所述语义解析网络是根据第三字段训练生成的；
根据所述第一字段从所述病历数据中抽取第一信息；
从所述基础分类网络中获取基础映射表，并基于所述基础映射表获取与所述第一信息对应的类别作为第一类别；
根据所述第二字段从所述病历数据中抽取第二信息，并基于所述疾病实体抽取网络从所述第二信息中抽取疾病信息；
从所述人群分类模型中获取疾病类别映射表；
计算所述疾病信息与所述疾病类别映射表中每个预设疾病的疾病相似度，并将所述疾病相似度最大的预设疾病所对应的类别确定为第二类别；
根据所述第三字段从所述病历数据中抽取第三信息，并基于所述语义解析网络处理所述第三信息，得到目标症状；
检测所述第二类别中是否存在所述目标症状；
若所述第二类别中存在所述目标症状，则将所述第一类别及所述第二类别确定为所述历史患者类别。
其中，所述第一字段是指年龄、性别等基础字段。
所述基础映射表中存储有多个字段信息与类别的映射关系，例如，所述基础映射表中可以包括，小孩类别：年龄在0至12岁，青壮年：年龄在13-60，老年人：年龄大于60等。
所述第二字段是指病史、家族史等与疾病实体直接对应的字段。
所述疾病类别映射表中存储有多个类别与预设疾病的映射关系。例如，所述疾病类别映射表可以包括，结核病类别：原发性肺结核、血型播散型肺结核、继发型肺结核、结核性胸膜炎等。
所述第三字段是指症状等与体征实体相关的字段。
通过所述基础映射表能够准确的确定出与所述第一信息所对应的第一类别，并通过计算所述疾病相似度能够避免因任一疾病中包含多个疾病学名而造成无法准确的确定出所述第二类别，进一步通过所述语义解析网络能够准确的提炼出所述第三信息中的关键信息，从而提高所述历史患者类别的确定效率。
在本发明的至少一个实施例中，若所述第二类别中不存在所述目标症状，所述方法还包括：
从所述疾病类别映射表获取与所述目标症状对应的类别作为第三类别；
从预设用户库中获取所述第三类别的训练用户；
统计所述训练用户中包含所述目标症状的用户数量，并统计所述训练用户的训练总量；
计算所述用户数量在所述训练总量中的比值，得到所述目标症状的症状概率；
从所述人群分类模型中获取所述疾病实体抽取网络的第一预测权值及所述语义解析网络的第二预测权值；
计算所述第二类别的疾病相似度与所述第一预测权值的乘积，得到所述第二类别的第一分值，并计算所述症状概率与所述第二预测权值的乘积，得到所述第三类别的第二分值；
从所述第一分值及所述第二分值中选取大于预设阈值的分值所对应的类别作为筛选类别；
将所述筛选类别及所述第一类别确定为所述历史患者类别。
其中，所述疾病类别映射表中还包括多个类别与疾病症状的映射关系。
所述预设用户库中包括所述训练用户的相关患病资料。
所述症状概率是指所述第三类别的训练用户患有所述目标症状的概率。
所述第一预测权值及所述第二预测权值是根据所述人群分类模型的学习率调整生成的。
所述预设阈值可以根据需求设定，例如，所述预设阈值可以是0.8。可以理解的是，当所述第一分值及所述第二分值均大于所述预设阈值时，所述第二类别及所述第三类别均为所述筛选类别。
通过对所述第三类别的训练用户进行症状分析，能够快速的确定出所述第三类别患有所述目标症状的症状概率，进而根据所述人群分类模型中的第一预测权值及第二预测权值能够准确的确定出所述第一分值及所述第二分值，通过将所述第一分值及所述第二分值分别于所述预设阈值进行比较，能够避免无法全面并准确的确定出同时兼具多个疾病类别的历史患者所属的历史患者类别。
S12，根据所述历史患者统计所述诊断医生在多个所述历史患者类别的诊断数量，并根据所述诊断数量生成所述诊断医生在每个历史患者类别上的诊疗能力信息。
在本发明的至少一个实施例中，所述诊疗能力信息用于表征所述诊断医生在所述每个历史患者类别上的诊断情况。
在本发明的至少一个实施例中，所述电子设备根据所述历史患者统计所述诊断医生在多个所述历史患者类别的诊断数量，并根据所述诊断数量生成所述诊断医生在每个历史患者类别上的诊疗能力信息包括：
基于所述历史患者，统计所述诊断医生处理所述每个历史患者类别上的数量作为所述诊断数量；
统计所述每个历史患者类别中所述历史患者的患者总量；
计算所述患者总量与所述诊断数量的比值，得到所述诊疗能力信息。
通过上述实施方式，能够快速的量化出所述诊断医生在所述每个历史患者类别上的诊疗能力信息。
S13，获取所述诊断医生在多个预设维度上的维度信息。
在本发明的至少一个实施例中，所述多个预设维度包括工作饱和情况、签约服务反馈评价、医生擅长治疗人群能力自评及人群分类意愿管理情况等。
在本发明的至少一个实施例中，所述电子设备基于医生识别码从信息知识库中获取与所述多个预设维度对应的信息作为所述维度信息。
S14，根据所述维度信息及所述诊疗能力信息生成所述诊断医生在所述每个历史患者类别上的推荐指数。
在本发明的至少一个实施例中，所述推荐指数是指所述诊断医生与所述每个历史患者类别的匹配量化情况。
需要强调的是，为进一步保证上述推荐指数的私密和安全性，上述推荐指数还可以存储于一区块链的节点中。
在本发明的至少一个实施例中，所述维度信息包括所述诊断医生的工作饱和度及多个反馈信息，所述电子设备根据所述维度信息及所述诊疗能力信息生成所述诊断医生在所述每个历史患者类别上的推荐指数包括：
将所述工作饱和度大于或者等于配置饱和度的诊断医生确定为非空闲医生，并将所述工作饱和度小于所述配置饱和度的诊断医生确定为空闲医生；
将所述非空闲医生在所述每个历史患者类别上的推荐指数确定为初始值；
获取所述诊疗能力信息所对应的第一指标权值，并获取所述多个预设维度所对应的第二指标权值，所述第一指标权值大于多个所述第二指标权值；
根据所述维度信息、所述诊疗能力信息、所述第一指标权值及所述第二指标权值生成所述推荐指数，包括：
Figure BDA0003489330380000111
n>1；
其中，y是指所述推荐指数，a1是指所述第一指标权值，a2…at是指多个所述第二指标权值，x1是指所述诊疗能力信息，x2…xt是指所述多个反馈信息，n是指所述工作饱和度。
其中，所述工作饱和度是指对所述诊断医生的工作排配情况的度量。
所述多个反馈信息可以包括：所述历史患者对所述诊断医生的签约服务反馈评价、所述诊断医生对个人擅长治疗人群的能力自评、所述诊断医生对服务人群所在的类别的意愿等。
所述配置饱和度可以根据实际情况设定。
所述初始值通常设定为0。可以理解的是，对于所述非空闲医生，不予向用户进行推荐。
通过所述配置饱和度能够快速的划分出所述非空闲医生及所述空闲医生，进而能够快速的确定出所述非空闲医生的推荐指数，通过所述第一指标权值及所述多个第二指标权值的大小设定，能够准确的确定出合理的所述推荐指数。
S15，当接收到签约请求时，根据所述签约请求识别目标用户所在的目标用户类别。
在本发明的至少一个实施例中，所述签约请求可以由有签约需求的用户触发生成。所述签约请求携带有与所述目标用户相关的用户信息。
在本发明的至少一个实施例中，所述电子设备根据所述签约请求识别目标用户所在的目标用户类别包括：
根据所述签约请求获取所述目标用户的用户信息；
根据所述用户信息对所述目标用户进行分类，得到所述目标用户类别。
具体地，所述电子设备根据所述用户信息对所述目标用户进行分类的方式与所述电子设备根据所述病历数据对所述历史患者进行分类的方式相似，本发明对此不再赘述。
S16，根据所述推荐指数及所述目标用户类别向所述目标用户推荐所述诊断医生。
在本发明的至少一个实施例中，所述目标用户类别包括多个时，所述电子设备根据所述推荐指数及所述目标用户类别向所述目标用户推荐所述诊断医生包括：
获取所述目标用户的用户信息；
基于预先训练好的严重度预测模型处理所述用户信息，得到所述目标用户在每个目标用户类别上的类别严重度；
对所述类别严重度进行归一化处理，得到每个目标用户类别的推荐权值；
根据所述推荐权值及所述推荐指数生成所述诊断医生的推荐总分；
根据所述推荐总分从所述诊断医生中选取目标医生；
向所述目标用户推荐所述目标医生。
其中，所述用户信息可以与所述目标用户的健康有关的信息。
所述严重度预测模型用于预测用户在每个目标用户类别上的患者严重度。所述严重度预测模型可以基于深度学习训练生成的，本发明对所述严重度预测模型的具体训练方式不作限制。
所述目标医生是指所述推荐总分最高的诊断医生。可以理解的是，不同用户对同一诊断医生的推荐总分可能不同。
例如，多个所述目标用户类别包括：“严重精神障碍”标签、“结核病”标签、“孕产妇”标签，所述“严重精神障碍”标签的诊断医生及推荐指数包括，医生A：0.85、医生B：0.65、医生C：0.50、医生D：0.20，所述“结核病”标签的诊断医生及推荐指数包括：医生B：0.75、医生C：0.35、医生A：0.15、医生D：0.10，所述“孕产妇”标签的诊断医生及推荐指数包括：医生D：0.65、医生C：0.55、医生A：0.45、医生B：0.25，经所述严重度预测模型对所述用户信息处理并归一化处理后得到，所述“严重精神障碍”标签的推荐权值为0.4，所述“结核病”标签的推荐权值为0.35，所述“孕产妇”标签的推荐权值为0.25，经计算，医生A的推荐总分为：
0.85*0.4+0.15*0.35+0.45*0.25＝0.505，医生B的推荐总分为：
0.65*0.4+0.75*0.35+0.25*0.25＝0.585，医生C的推荐总分为：
0.50*0.4+0.35*0.35+0.55*0.25＝0.46，医生D的推荐总分为：0.20*0.4+0.10*0.35+0.65*0.25＝0.2775，则所述目标医生为所述医生B。
通过所述严重度预测模型能够准确的预测出所述目标用户在每个目标用户类别上的类别严重度，从而能够准确的确定出所述待推荐用户针对所述目标用户的推荐总分，提高所述目标医生的推荐准确性。
在本发明的至少一个实施例中，所述方法还包括：
获取基于所述签约请求的推荐响应信息，并接收所述目标用户对所述推荐响应信息的推荐反馈；
识别所述推荐反馈的情绪信息；
统计所述情绪信息为消极反馈类别所对应的推荐反馈的反馈数量；
当所述反馈数量大于预设数量时，调整所述第一指标权值及所述多个第二指标权值。
其中，所述推荐响应信息是指所述电子设备基于所述签约请求生成的响应，可以理解的是，所述推荐响应信息包括：向所述目标用户推荐的目标医生的相关信息。
所述情绪信息可以包括开心、生气等情绪。
所述消极反馈类别包括生气、难过等负面情绪。
所述预设数量可以根据对推荐效果的需求设定。
通过识别所述情绪信息，能够准确的确定出所述反馈数量，进而根据所述反馈数量对所述第一指标权值及所述多个第二指标权值进行动态调整，从而提高推荐效果。
由以上技术方案可以看出，本发明通过所述病历数据能够准确的确定出所述历史患者的历史患者类别，进而根据所述诊断数量能够准确的量化出所述诊断医生在每个历史患者类别上的诊疗能力信息，进一步通过结合所述维度信息及所述诊疗能力信息能够准确的生成所述诊断医生在所述每个历史患者类别上的推荐指数，从而提高签约医生的推荐准确性。
如图2所示，是本发明智能推荐医生的装置的较佳实施例的功能模块图。所述智能推荐医生的装置11包括采集单元110、分类单元111、生成单元112、获取单元113、识别单元114、推荐单元115、调整单元116、统计单元117、计算单元118、选取单元119及确定单元120。本发明所称的模块/单元是指一种能够被处理器13所获取，并且能够完成固定功能的一系列计算机可读指令段，其存储在存储器12中。在本实施例中，关于各模块/单元的功能将在后续的实施例中详述。
采集单元110采集历史患者的病历数据，所述病历数据中包括所述历史患者的诊断医生的信息。
在本发明的至少一个实施例中，所述历史患者是指已完成就诊的患者。所述诊断医生是指对所述历史患者进行诊断的医生。
在本发明的至少一个实施例中，所述采集单元110采集历史患者的病历数据包括：
接收所述历史患者发送的授权反馈信息；
从所述授权反馈信息中提取患者识别码及密钥；
基于所述患者识别码从预设医疗***中获取密文信息；
根据所述密钥对所述密文信息进行解密处理，得到所述病历数据。
其中，所述授权反馈信息是指由所述历史患者触发生成的结果。
所述患者识别码用于指示所述历史患者，所述密钥可以是由所述历史患者设定的信息。
所述预设医疗***中存储多个有就诊记录的患者的相关信息。
所述密文信息是指与所述患者识别码对应的用户存储在所述预设医疗***中的就诊记录加密后所生成的信息。
通过所述授权反馈信息能够确保所述病历数据的采集合法性，并通过所述患者识别码及所述密钥能够准确的获取到所述病历数据。
分类单元111根据所述病历数据对所述历史患者进行分类，得到所述历史患者的历史患者类别。
在本发明的至少一个实施例中，所述历史患者类别包括健康人群、慢性病、老年人、婴幼儿、孕产妇、严重精神障碍、结核病、残疾人等类别。
在本发明的至少一个实施例中，所述分类单元111根据所述病历数据对所述历史患者进行分类，得到所述历史患者的历史患者类别包括：
获取预先训练好的人群分类模型，所述人群分类模型中包括基础分类网络、疾病实体抽取网络及语义解析网络，所述基础分类网络是根据第一字段训练生成的，所述疾病实体抽取网络是根据第二字段训练生成的，所述语义解析网络是根据第三字段训练生成的；
根据所述第一字段从所述病历数据中抽取第一信息；
从所述基础分类网络中获取基础映射表，并基于所述基础映射表获取与所述第一信息对应的类别作为第一类别；
根据所述第二字段从所述病历数据中抽取第二信息，并基于所述疾病实体抽取网络从所述第二信息中抽取疾病信息；
从所述人群分类模型中获取疾病类别映射表；
计算所述疾病信息与所述疾病类别映射表中每个预设疾病的疾病相似度，并将所述疾病相似度最大的预设疾病所对应的类别确定为第二类别；
根据所述第三字段从所述病历数据中抽取第三信息，并基于所述语义解析网络处理所述第三信息，得到目标症状；
检测所述第二类别中是否存在所述目标症状；
若所述第二类别中存在所述目标症状，则将所述第一类别及所述第二类别确定为所述历史患者类别。
其中，所述第一字段是指年龄、性别等基础字段。
所述基础映射表中存储有多个字段信息与类别的映射关系，例如，所述基础映射表中可以包括，小孩类别：年龄在0至12岁，青壮年：年龄在13-60，老年人：年龄大于60等。
所述第二字段是指病史、家族史等与疾病实体直接对应的字段。
所述疾病类别映射表中存储有多个类别与预设疾病的映射关系。例如，所述疾病类别映射表可以包括，结核病类别：原发性肺结核、血型播散型肺结核、继发型肺结核、结核性胸膜炎等。
所述第三字段是指症状等与体征实体相关的字段。
通过所述基础映射表能够准确的确定出与所述第一信息所对应的第一类别，并通过计算所述疾病相似度能够避免因任一疾病中包含多个疾病学名而造成无法准确的确定出所述第二类别，进一步通过所述语义解析网络能够准确的提炼出所述第三信息中的关键信息，从而提高所述历史患者类别的确定效率。
在本发明的至少一个实施例中，若所述第二类别中不存在所述目标症状，获取单元113从所述疾病类别映射表获取与所述目标症状对应的类别作为第三类别；
所述获取单元113从预设用户库中获取所述第三类别的训练用户；
统计单元117统计所述训练用户中包含所述目标症状的用户数量，并统计所述训练用户的训练总量；
计算单元118计算所述用户数量在所述训练总量中的比值，得到所述目标症状的症状概率；
所述获取单元113从所述人群分类模型中获取所述疾病实体抽取网络的第一预测权值及所述语义解析网络的第二预测权值；
所述计算单元118计算所述第二类别的疾病相似度与所述第一预测权值的乘积，得到所述第二类别的第一分值，并计算所述症状概率与所述第二预测权值的乘积，得到所述第三类别的第二分值；
选取单元119从所述第一分值及所述第二分值中选取大于预设阈值的分值所对应的类别作为筛选类别；
确定单元120将所述筛选类别及所述第一类别确定为所述历史患者类别。
其中，所述疾病类别映射表中还包括多个类别与疾病症状的映射关系。
所述预设用户库中包括所述训练用户的相关患病资料。
所述症状概率是指所述第三类别的训练用户患有所述目标症状的概率。
所述第一预测权值及所述第二预测权值是根据所述人群分类模型的学习率调整生成的。
所述预设阈值可以根据需求设定，例如，所述预设阈值可以是0.8。可以理解的是，当所述第一分值及所述第二分值均大于所述预设阈值时，所述第二类别及所述第三类别均为所述筛选类别。
通过对所述第三类别的训练用户进行症状分析，能够快速的确定出所述第三类别患有所述目标症状的症状概率，进而根据所述人群分类模型中的第一预测权值及第二预测权值能够准确的确定出所述第一分值及所述第二分值，通过将所述第一分值及所述第二分值分别于所述预设阈值进行比较，能够避免无法全面并准确的确定出同时兼具多个疾病类别的历史患者所属的历史患者类别。
生成单元112根据所述历史患者统计所述诊断医生在多个所述历史患者类别的诊断数量，并根据所述诊断数量生成所述诊断医生在每个历史患者类别上的诊疗能力信息。
在本发明的至少一个实施例中，所述诊疗能力信息用于表征所述诊断医生在所述每个历史患者类别上的诊断情况。
在本发明的至少一个实施例中，所述生成单元112根据所述历史患者统计所述诊断医生在多个所述历史患者类别的诊断数量，并根据所述诊断数量生成所述诊断医生在每个历史患者类别上的诊疗能力信息包括：
基于所述历史患者，统计所述诊断医生处理所述每个历史患者类别上的数量作为所述诊断数量；
统计所述每个历史患者类别中所述历史患者的患者总量；
计算所述患者总量与所述诊断数量的比值，得到所述诊疗能力信息。
通过上述实施方式，能够快速的量化出所述诊断医生在所述每个历史患者类别上的诊疗能力信息。
所述获取单元113获取所述诊断医生在多个预设维度上的维度信息。
在本发明的至少一个实施例中，所述多个预设维度包括工作饱和情况、签约服务反馈评价、医生擅长治疗人群能力自评及人群分类意愿管理情况等。
在本发明的至少一个实施例中，所述获取单元113基于医生识别码从信息知识库中获取与所述多个预设维度对应的信息作为所述维度信息。
所述生成单元112根据所述维度信息及所述诊疗能力信息生成所述诊断医生在所述每个历史患者类别上的推荐指数。
在本发明的至少一个实施例中，所述推荐指数是指所述诊断医生与所述每个历史患者类别的匹配量化情况。
需要强调的是，为进一步保证上述推荐指数的私密和安全性，上述推荐指数还可以存储于一区块链的节点中。
在本发明的至少一个实施例中，所述维度信息包括所述诊断医生的工作饱和度及多个反馈信息，所述生成单元112根据所述维度信息及所述诊疗能力信息生成所述诊断医生在所述每个历史患者类别上的推荐指数包括：
将所述工作饱和度大于或者等于配置饱和度的诊断医生确定为非空闲医生，并将所述工作饱和度小于所述配置饱和度的诊断医生确定为空闲医生；
将所述非空闲医生在所述每个历史患者类别上的推荐指数确定为初始值；
获取所述诊疗能力信息所对应的第一指标权值，并获取所述多个预设维度所对应的第二指标权值，所述第一指标权值大于多个所述第二指标权值；
根据所述维度信息、所述诊疗能力信息、所述第一指标权值及所述第二指标权值生成所述推荐指数，包括：
Figure BDA0003489330380000191
n>1；
其中，y是指所述推荐指数，a1是指所述第一指标权值，a2…at是指多个所述第二指标权值，x1是指所述诊疗能力信息，x2…xt是指所述多个反馈信息，n是指所述工作饱和度。
其中，所述工作饱和度是指对所述诊断医生的工作排配情况的度量。
所述多个反馈信息可以包括：所述历史患者对所述诊断医生的签约服务反馈评价、所述诊断医生对个人擅长治疗人群的能力自评、所述诊断医生对服务人群所在的类别的意愿等。
所述配置饱和度可以根据实际情况设定。
所述初始值通常设定为0。可以理解的是，对于所述非空闲医生，不予向用户进行推荐。
通过所述配置饱和度能够快速的划分出所述非空闲医生及所述空闲医生，进而能够快速的确定出所述非空闲医生的推荐指数，通过所述第一指标权值及所述多个第二指标权值的大小设定，能够准确的确定出合理的所述推荐指数。
当接收到签约请求时，识别单元114根据所述签约请求识别目标用户所在的目标用户类别。
在本发明的至少一个实施例中，所述签约请求可以由有签约需求的用户触发生成。所述签约请求携带有与所述目标用户相关的用户信息。
在本发明的至少一个实施例中，所述识别单元114根据所述签约请求识别目标用户所在的目标用户类别包括：
根据所述签约请求获取所述目标用户的用户信息；
根据所述用户信息对所述目标用户进行人群分类，得到所述目标用户类别。
具体地，所述识别单元114根据所述用户信息对所述目标用户进行分类的方式与所述分类单元111根据所述病历数据对所述历史患者进行分类的方式相似，本发明对此不再赘述。
推荐单元115根据所述推荐指数及所述目标用户类别向所述目标用户推荐所述诊断医生。
在本发明的至少一个实施例中，所述目标用户类别包括多个时，所述推荐单元115根据所述推荐指数及所述目标用户类别向所述目标用户推荐所述诊断医生包括：
获取所述目标用户的用户信息；
基于预先训练好的严重度预测模型处理所述用户信息，得到所述目标用户在每个目标用户类别上的类别严重度；
对所述类别严重度进行归一化处理，得到每个目标用户类别的推荐权值；
根据所述推荐权值及所述推荐指数生成所述诊断医生的推荐总分；
根据所述推荐总分从所述诊断医生中选取目标医生；
向所述目标用户推荐所述目标医生。
其中，所述用户信息可以与所述目标用户的健康有关的信息。
所述严重度预测模型用于预测用户在每个目标用户类别上的患者严重度。所述严重度预测模型可以基于深度学习训练生成的，本发明对所述严重度预测模型的具体训练方式不作限制。
所述目标医生是指所述推荐总分最高的诊断医生。可以理解的是，不同用户对同一诊断医生的推荐总分可能不同。
例如，多个所述目标用户类别包括：“严重精神障碍”标签、“结核病”标签、“孕产妇”标签，所述“严重精神障碍”标签的诊断医生及推荐指数包括，医生A：0.85、医生B：0.65、医生C：0.50、医生D：0.20，所述“结核病”标签的诊断医生及推荐指数包括：医生B：0.75、医生C：0.35、医生A：0.15、医生D：0.10，所述“孕产妇”标签的诊断医生及推荐指数包括：医生D：0.65、医生C：0.55、医生A：0.45、医生B：0.25，经所述严重度预测模型对所述用户信息处理并归一化处理后得到，所述“严重精神障碍”标签的推荐权值为0.4，所述“结核病”标签的推荐权值为0.35，所述“孕产妇”标签的推荐权值为0.25，经计算，医生A的推荐总分为：
0.85*0.4+0.15*0.35+0.45*0.25＝0.505，医生B的推荐总分为：
0.65*0.4+0.75*0.35+0.25*0.25＝0.585，医生C的推荐总分为：
0.50*0.4+0.35*0.35+0.55*0.25＝0.46，医生D的推荐总分为：
0.20*0.4+0.10*0.35+0.65*0.25＝0.2775，则所述目标医生为所述医生B。
通过所述严重度预测模型能够准确的预测出所述目标用户在每个目标用户类别上的类别严重度，从而能够准确的确定出所述待推荐用户针对所述目标用户的推荐总分，提高所述目标医生的推荐准确性。
在本发明的至少一个实施例中，所述获取单元113获取基于所述签约请求的推荐响应信息，并接收所述目标用户对所述推荐响应信息的推荐反馈；
所述识别单元114识别所述推荐反馈的情绪信息；
所述统计单元117统计所述情绪信息为消极反馈类别所对应的推荐反馈的反馈数量；
当所述反馈数量大于预设数量时，调整单元116调整所述第一指标权值及所述多个第二指标权值。
其中，所述推荐响应信息是指电子设备基于所述签约请求生成的响应，可以理解的是，所述推荐响应信息包括：向所述目标用户推荐的目标医生的相关信息。
所述情绪信息可以包括开心、生气等情绪。
所述消极反馈类别包括生气、难过等负面情绪。
所述预设数量可以根据对推荐效果的需求设定。
通过识别所述情绪信息，能够准确的确定出所述反馈数量，进而根据所述反馈数量对所述第一指标权值及所述多个第二指标权值进行动态调整，从而提高推荐效果。
由以上技术方案可以看出，本发明通过所述病历数据能够准确的确定出所述历史患者的历史患者类别，进而根据所述诊断数量能够准确的量化出所述诊断医生在每个历史患者类别上的诊疗能力信息，进一步通过结合所述维度信息及所述诊疗能力信息能够准确的生成所述诊断医生在所述每个历史患者类别上的推荐指数，从而提高签约医生的推荐准确性。
如图3所示，是本发明实现智能推荐医生的方法的较佳实施例的电子设备的结构示意图。
在本发明的一个实施例中，所述电子设备1包括，但不限于，存储器12、处理器13，以及存储在所述存储器12中并可在所述处理器13上运行的计算机可读指令，例如智能推荐医生的方法程序。
本领域技术人员可以理解，所述示意图仅仅是电子设备1的示例，并不构成对电子设备1的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述电子设备1还可以包括输入输出设备、网络接入设备、总线等。
所述处理器13可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器13是所述电子设备1的运算核心和控制中心，利用各种接口和线路连接整个电子设备1的各个部分，及执行所述电子设备1的操作***以及安装的各类应用程序、程序代码等。
示例性的，所述计算机可读指令可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器12中，并由所述处理器13执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机可读指令段，该计算机可读指令段用于描述所述计算机可读指令在所述电子设备1中的执行过程。例如，所述计算机可读指令可以被分割成采集单元110、分类单元111、生成单元112、获取单元113、识别单元114、推荐单元115、调整单元116、统计单元117、计算单元118、选取单元119及确定单元120。
所述存储器12可用于存储所述计算机可读指令和/或模块，所述处理器13通过运行或执行存储在所述存储器12内的计算机可读指令和/或模块，以及调用存储在存储器12内的数据，实现所述电子设备1的各种功能。所述存储器12可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(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据电子设备的使用所创建的数据等。存储器12可以包括非易失性和易失性存储器，例如：硬盘、内存、插接式硬盘，智能存储卡(SmartMedia Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他存储器件。
所述存储器12可以是电子设备1的外部存储器和/或内部存储器。进一步地，所述存储器12可以是具有实物形式的存储器，如内存条、TF卡(Trans-flash Card)等等。
所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机可读指令来指令相关的硬件来完成，所述的计算机可读指令可存储于一计算机可读存储介质中，该计算机可读指令在被处理器执行时，可实现上述各个方法实施例的步骤。
其中，所述计算机可读指令包括计算机可读指令代码，所述计算机可读指令代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机可读指令代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)。
本发明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。
结合图1，所述电子设备1中的所述存储器12存储计算机可读指令实现一种智能推荐医生的方法，所述处理器13可执行所述计算机可读指令从而实现：
采集历史患者的病历数据，所述病历数据中包括所述历史患者的诊断医生的信息；
根据所述病历数据对所述历史患者进行分类，得到所述历史患者的历史患者类别；
根据所述历史患者统计所述诊断医生在多个所述历史患者类别的诊断数量，并根据所述诊断数量生成所述诊断医生在每个历史患者类别上的诊疗能力信息；
获取所述诊断医生在多个预设维度上的维度信息；
根据所述维度信息及所述诊疗能力信息生成所述诊断医生在所述每个历史患者类别上的推荐指数；
当接收到签约请求时，根据所述签约请求识别目标用户所在的目标用户类别；
根据所述推荐指数及所述目标用户类别向所述目标用户推荐所述诊断医生。
具体地，所述处理器13对上述计算机可读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。
所述计算机可读存储介质上存储有计算机可读指令，其中，所述计算机可读指令被处理器13执行时用以实现以下步骤：
采集历史患者的病历数据，所述病历数据中包括所述历史患者的诊断医生的信息；
根据所述病历数据对所述历史患者进行分类，得到所述历史患者的历史患者类别；
根据所述历史患者统计所述诊断医生在多个所述历史患者类别的诊断数量，并根据所述诊断数量生成所述诊断医生在每个历史患者类别上的诊疗能力信息；
获取所述诊断医生在多个预设维度上的维度信息；
根据所述维度信息及所述诊疗能力信息生成所述诊断医生在所述每个历史患者类别上的推荐指数；
当接收到签约请求时，根据所述签约请求识别目标用户所在的目标用户类别；
根据所述推荐指数及所述目标用户类别向所述目标用户推荐所述诊断医生。
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，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。
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关联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步骤，单数不排除复数。所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)

1.一种智能推荐医生的方法，其特征在于，所述智能推荐医生的方法包括：
采集历史患者的病历数据，所述病历数据中包括所述历史患者的诊断医生的信息；
根据所述病历数据对所述历史患者进行分类，得到所述历史患者的历史患者类别；
根据所述历史患者统计所述诊断医生在多个所述历史患者类别的诊断数量，并根据所述诊断数量生成所述诊断医生在每个历史患者类别上的诊疗能力信息；
获取所述诊断医生在多个预设维度上的维度信息；
根据所述维度信息及所述诊疗能力信息生成所述诊断医生在所述每个历史患者类别上的推荐指数；
当接收到签约请求时，根据所述签约请求识别目标用户所在的目标用户类别；
根据所述推荐指数及所述目标用户类别向所述目标用户推荐所述诊断医生。
2.如权利要求1所述的智能推荐医生的方法，其特征在于，所述采集历史患者的病历数据包括：
接收所述历史患者发送的授权反馈信息；
从所述授权反馈信息中提取患者识别码及密钥；
基于所述患者识别码从预设医疗***中获取密文信息；
根据所述密钥对所述密文信息进行解密处理，得到所述病历数据。
3.如权利要求1所述的智能推荐医生的方法，其特征在于，所述根据所述病历数据对所述历史患者进行分类，得到所述历史患者的历史患者类别包括：
获取预先训练好的人群分类模型，所述人群分类模型中包括基础分类网络、疾病实体抽取网络及语义解析网络，所述基础分类网络是根据第一字段训练生成的，所述疾病实体抽取网络是根据第二字段训练生成的，所述语义解析网络是根据第三字段训练生成的；
根据所述第一字段从所述病历数据中抽取第一信息；
从所述基础分类网络中获取基础映射表，并基于所述基础映射表获取与所述第一信息对应的类别作为第一类别；
根据所述第二字段从所述病历数据中抽取第二信息，并基于所述疾病实体抽取网络从所述第二信息中抽取疾病信息；
从所述人群分类模型中获取疾病类别映射表；
计算所述疾病信息与所述疾病类别映射表中每个预设疾病的疾病相似度，并将所述疾病相似度最大的预设疾病所对应的类别确定为第二类别；
根据所述第三字段从所述病历数据中抽取第三信息，并基于所述语义解析网络处理所述第三信息，得到目标症状；
检测所述第二类别中是否存在所述目标症状；
若所述第二类别中存在所述目标症状，则将所述第一类别及所述第二类别确定为所述历史患者类别。
4.如权利要求3所述的智能推荐医生的方法，其特征在于，若所述第二类别中不存在所述目标症状，所述方法还包括：
从所述疾病类别映射表获取与所述目标症状对应的类别作为第三类别；
从预设用户库中获取所述第三类别的训练用户；
统计所述训练用户中包含所述目标症状的用户数量，并统计所述训练用户的训练总量；
计算所述用户数量在所述训练总量中的比值，得到所述目标症状的症状概率；
从所述人群分类模型中获取所述疾病实体抽取网络的第一预测权值及所述语义解析网络的第二预测权值；
计算所述第二类别的疾病相似度与所述第一预测权值的乘积，得到所述第二类别的第一分值，并计算所述症状概率与所述第二预测权值的乘积，得到所述第三类别的第二分值；
从所述第一分值及所述第二分值中选取大于预设阈值的分值所对应的类别作为筛选类别；
将所述筛选类别及所述第一类别确定为所述历史患者类别。
5.如权利要求1所述的智能推荐医生的方法，其特征在于，所述根据所述历史患者统计所述诊断医生在多个所述历史患者类别的诊断数量，并根据所述诊断数量生成所述诊断医生在每个历史患者类别上的诊疗能力信息包括：
基于所述历史患者，统计所述诊断医生处理所述每个历史患者类别上的数量作为所述诊断数量；
统计所述每个历史患者类别中所述历史患者的患者总量；
计算所述患者总量与所述诊断数量的比值，得到所述诊疗能力信息。
6.如权利要求1所述的智能推荐医生的方法，其特征在于，所述维度信息包括所述诊断医生的工作饱和度及多个反馈信息，所述根据所述维度信息及所述诊疗能力信息生成所述诊断医生在所述每个历史患者类别上的推荐指数包括：
将所述工作饱和度大于或者等于配置饱和度的诊断医生确定为非空闲医生，并将所述工作饱和度小于所述配置饱和度的诊断医生确定为空闲医生；
将所述非空闲医生在所述每个历史患者类别上的推荐指数确定为初始值；
获取所述诊疗能力信息所对应的第一指标权值，并获取所述多个预设维度所对应的第二指标权值，所述第一指标权值大于多个所述第二指标权值；
根据所述维度信息、所述诊疗能力信息、所述第一指标权值及所述第二指标权值生成所述推荐指数，包括：
Figure FDA0003489330370000031
n>1；
其中，y是指所述推荐指数，a1是指所述第一指标权值，a2…at是指多个所述第二指标权值，x1是指所述诊疗能力信息，x2…xt是指所述多个反馈信息，n是指所述工作饱和度。
7.如权利要求1所述的智能推荐医生的方法，其特征在于，所述目标用户类别包括多个时，所述根据所述推荐指数及所述目标用户类别向所述目标用户推荐所述诊断医生包括：
获取所述目标用户的用户信息；
基于预先训练好的严重度预测模型处理所述用户信息，得到所述目标用户在每个目标用户类别上的类别严重度；
对所述类别严重度进行归一化处理，得到每个目标用户类别的推荐权值；
根据所述推荐权值及所述推荐指数生成所述诊断医生的推荐总分；
根据所述推荐总分从所述诊断医生中选取目标医生；
向所述目标用户推荐所述目标医生。
8.一种智能推荐医生的装置，其特征在于，所述智能推荐医生的装置包括：
采集单元，用于采集历史患者的病历数据，所述病历数据中包括所述历史患者的诊断医生的信息；
分类单元，用于根据所述病历数据对所述历史患者进行分类，得到所述历史患者的历史患者类别；
生成单元，用于根据所述历史患者统计所述诊断医生在多个所述历史患者类别的诊断数量，并根据所述诊断数量生成所述诊断医生在每个历史患者类别上的诊疗能力信息；
获取单元，用于获取所述诊断医生在多个预设维度上的维度信息；
所述生成单元，还用于根据所述维度信息及所述诊疗能力信息生成所述诊断医生在所述每个历史患者类别上的推荐指数；
识别单元，用于当接收到签约请求时，根据所述签约请求识别目标用户所在的目标用户类别；
推荐单元，用于根据所述推荐指数及所述目标用户类别向所述目标用户推荐所述诊断医生。
9.一种电子设备，其特征在于，所述电子设备包括：
存储器，存储有计算机可读指令；及
处理器，执行所述存储器中存储的计算机可读指令以实现如权利要求1至7中任意一项所述的智能推荐医生的方法。
10.一种计算机可读存储介质，其特征在于：所述计算机可读存储介质中存储有计算机可读指令，所述计算机可读指令被电子设备中的处理器执行以实现如权利要求1至7中任意一项所述的智能推荐医生的方法。
CN202210091349.5A 2022-01-26 2022-01-26 智能推荐医生的方法、装置、设备及存储介质 Pending CN114416967A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210091349.5A CN114416967A (zh) 2022-01-26 2022-01-26 智能推荐医生的方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210091349.5A CN114416967A (zh) 2022-01-26 2022-01-26 智能推荐医生的方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
CN114416967A true CN114416967A (zh) 2022-04-29

Family

ID=81277632

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210091349.5A Pending CN114416967A (zh) 2022-01-26 2022-01-26 智能推荐医生的方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN114416967A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115101192A (zh) * 2022-06-22 2022-09-23 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
CN115148330A (zh) * 2022-05-24 2022-10-04 中国医学科学院北京协和医院 Pop治疗方案形成方法及***
CN116246749A (zh) * 2023-05-11 2023-06-09 西南医科大学附属医院 集成电子病历的内分泌病人个性化健康管理***

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115148330A (zh) * 2022-05-24 2022-10-04 中国医学科学院北京协和医院 Pop治疗方案形成方法及***
CN115148330B (zh) * 2022-05-24 2023-07-25 中国医学科学院北京协和医院 Pop治疗方案形成方法及***
CN115101192A (zh) * 2022-06-22 2022-09-23 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
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
CN116246749A (zh) * 2023-05-11 2023-06-09 西南医科大学附属医院 集成电子病历的内分泌病人个性化健康管理***

Similar Documents

Publication Publication Date Title
US9165116B2 (en) Patient data mining
WO2022267678A1 (zh) 视频问诊方法、装置、设备及存储介质
JP5523342B2 (ja) 類似事例検索を精密化するための方法及び装置
CN114416967A (zh) 智能推荐医生的方法、装置、设备及存储介质
US20080033894A1 (en) Prognosis Modeling From One or More Sources of Information
US20220359050A1 (en) System and method for digital therapeutics implementing a digital deep layer patient profile
US10936962B1 (en) Methods and systems for confirming an advisory interaction with an artificial intelligence platform
CN113707253B (zh) 医疗方案推荐方法、装置、设备及介质
CN116910172B (zh) 基于人工智能的随访量表生成方法及***
US11710572B2 (en) Experience engine-method and apparatus of learning from similar patients
CN110473636B (zh) 基于深度学习的智能医嘱推荐方法及***
CN114783580A (zh) 一种医疗数据质量评估方法及***
CN111415760A (zh) 医生推荐方法、***、计算机设备及存储介质
CN114743647A (zh) 医疗数据处理方法、装置、设备及存储介质
CN112435745B (zh) 就诊策略推荐方法、装置、电子设备及存储介质
US20210133627A1 (en) Methods and systems for confirming an advisory interaction with an artificial intelligence platform
CN113724830A (zh) 基于人工智能的用药风险检测方法及相关设备
WO2023240837A1 (zh) 基于病患数据的服务包生成方法、装置、设备及存储介质
CN112309519B (zh) 基于多模型的电子病历用药结构化处理***
US20210183515A1 (en) Methods and systems for confirming an advisory interaction with an artificial intelligence platform
CN113870996A (zh) 一种足部疾病健康分析方法
Prabhakar et al. Neural language modeling of unstructured clinical notes for automated patient phenotyping
Kakulapati et al. Machine learning analysis of topic modeling re-ranking of clinical records
CN113764061B (zh) 基于多维度数据分析的用药检测方法及相关设备
US20240086771A1 (en) Machine learning to generate service recommendations

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
TA01 Transfer of patent application right

Effective date of registration: 20221020

Address after: Room 2601 (Unit 07), Qianhai Free Trade Building, No. 3048, Xinghai Avenue, Nanshan Street, Qianhai Shenzhen-Hong Kong Cooperation Zone, Shenzhen, Guangdong 518000

Applicant after: Shenzhen Ping An Smart Healthcare Technology Co.,Ltd.

Address before: 1-34 / F, Qianhai free trade building, 3048 Xinghai Avenue, Mawan, Qianhai Shenzhen Hong Kong cooperation zone, Shenzhen, Guangdong 518000

Applicant before: Ping An International Smart City Technology Co.,Ltd.

TA01 Transfer of patent application right