CN114596947A - 诊疗科室推荐方法、装置、电子设备及存储介质 - Google Patents
诊疗科室推荐方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN114596947A CN114596947A CN202210220519.5A CN202210220519A CN114596947A CN 114596947 A CN114596947 A CN 114596947A CN 202210220519 A CN202210220519 A CN 202210220519A CN 114596947 A CN114596947 A CN 114596947A
- Authority
- CN
- China
- Prior art keywords
- patient
- past history
- medical
- information
- department
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 63
- 238000011282 treatment Methods 0.000 title claims abstract description 25
- 238000003745 diagnosis Methods 0.000 title claims abstract description 17
- 208000024891 symptom Diseases 0.000 claims abstract description 29
- 201000010099 disease Diseases 0.000 claims description 36
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 36
- 230000036651 mood Effects 0.000 claims description 23
- 238000004590 computer program Methods 0.000 claims description 16
- 238000000605 extraction Methods 0.000 claims description 16
- 238000012549 training Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 12
- 238000010606 normalization Methods 0.000 claims description 9
- 208000037919 acquired disease Diseases 0.000 claims description 4
- 238000013473 artificial intelligence Methods 0.000 abstract description 10
- 238000004891 communication Methods 0.000 description 13
- 238000005516 engineering process Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 7
- 206010000087 Abdominal pain upper Diseases 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 238000012216 screening Methods 0.000 description 4
- 208000020446 Cardiac disease Diseases 0.000 description 3
- 238000013459 approach Methods 0.000 description 3
- 208000019622 heart disease Diseases 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000001356 surgical procedure Methods 0.000 description 3
- 206010020772 Hypertension Diseases 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000007483 tonsillectomy Methods 0.000 description 2
- 208000000059 Dyspnea Diseases 0.000 description 1
- 206010013975 Dyspnoeas Diseases 0.000 description 1
- 208000012895 Gastric disease Diseases 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000010267 cellular communication Effects 0.000 description 1
- 230000001684 chronic effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000001079 digestive effect Effects 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000011866 long-term treatment Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000000968 medical method and process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 208000013220 shortness of breath Diseases 0.000 description 1
- 239000004984 smart glass Substances 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/20—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the management or administration of healthcare resources or facilities, e.g. managing hospital staff or surgery rooms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/06—Creation of reference templates; Training of speech recognition systems, e.g. adaptation to the characteristics of the speaker's voice
- G10L15/063—Training
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/08—Speech classification or search
- G10L15/16—Speech classification or search using artificial neural networks
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/08—Speech classification or search
- G10L15/18—Speech classification or search using natural language modelling
- G10L15/1822—Parsing for meaning understanding
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/26—Speech to text systems
-
- 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
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
-
- 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)
- Physics & Mathematics (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Computational Linguistics (AREA)
- Multimedia (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Acoustics & Sound (AREA)
- Artificial Intelligence (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Biomedical Technology (AREA)
- General Business, Economics & Management (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本公开提供了一种诊疗科室推荐方法、装置、电子设备及存储介质,涉及知识图谱等人工智能技术领域,可应用于智慧医疗等场景。实现方案为:一种诊疗科室推荐方法,包括:获取用于描述待进行诊疗患者的当前病征的语音信息;对语音信息进行语音识别以获取语音信息中未解码成文字的原始识别结果;从原始识别结果中提取用于确定患者的诊疗科室的关键字,其中,关键字包括患者的当前病征;以及基于关键字确定用于推荐的诊疗科室。
Description
技术领域
本公开涉及知识图谱等人工智能技术领域,可应用于智慧医疗等场景。具体地,涉及一种诊疗科室推荐方法、装置、电子设备、计算机可读存储介质和计算机程序产品。
背景技术
人工智能是研究使计算机模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科,既有硬件层面的技术也有软件层面的技术。人工智能硬件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、大数据处理等技术;人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。
随着人工智能技术的发展,在医疗领域也已逐渐应用人工智能技术来辅助医疗过程中所涉及的各重要环节。由于医疗领域存在专业性强、医疗数据不易接入、模型训练数据稀缺等特点,在该特殊领域中如何更好地适用人工智能技术仍是业界的研究热点之一。
在此部分中描述的方法不一定是之前已经设想到或采用的方法。除非另有指明,否则不应假定此部分中描述的任何方法仅因其包括在此部分中就被认为是现有技术。类似地,除非另有指明,否则此部分中提及的问题不应认为在任何现有技术中已被公认。
发明内容
本公开提供了一种诊疗科室推荐方法、装置、电子设备、计算机可读存储介质和计算机程序产品。
根据本公开的一方面,提供了一种诊疗科室推荐方法。所述方法包括:获取用于描述待进行诊疗患者的当前病征的语音信息;对语音信息进行语音识别以获取语音信息中未解码成文字的原始识别结果;从原始识别结果中提取用于确定患者的诊疗科室的关键字,其中,关键字包括患者的当前病征;以及基于关键字确定用于推荐的诊疗科室。
根据本公开的另一方面,提供了一种诊疗科室推荐装置。所述装置包括:语音获取模块,被配置为获取用于描述待进行诊疗患者的当前病征的语音信息;语音识别模块,被配置为对语音信息进行语音识别以获取语音信息中未解码成文字的原始识别结果;特征提取模块,被配置为从原始识别结果中提取用于确定患者的诊疗科室的关键字,其中,关键字包括患者的当前病征;以及结果确定模块,被配置为基于关键字确定用于推荐的诊疗科室。
根据本公开的另一方面,提供了一种电子设备。所述电子设备包括:至少一个处理器;以及与所述至少一个处理器通信连接的存储器;其中所述存储器存储有能够被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行根据如上所述的方法。
根据本公开的另一方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据如上所述的方法。
根据本公开的另一方面,提供了一种计算机程序产品,包括计算机程序,其中,所述计算机程序在被处理器执行时实现根据如上所述的方法。
根据本公开的一个或多个实施例,可以提升诊疗科室推荐的准确度。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图示例性地示出了实施例并且构成说明书的一部分,与说明书的文字描述一起用于讲解实施例的示例性实施方式。所示出的实施例仅出于例示的目的,并不限制权利要求的范围。在所有附图中,相同的附图标记指代类似但不一定相同的要素。
图1示出了根据本公开实施例的可以在其中实施本文描述的各种方法的示例性***的示意图;
图2示出了根据本公开一个实施例的诊疗科室推荐方法的流程图;
图3示出了根据本公开另一实施例的诊疗科室推荐方法的流程图;
图4示出了在急救场景中根据本公开实施例的诊疗科室推荐方法的示意图;
图5示出了根据本公开一个实施例的诊疗科室推荐装置的结构框图;
图6示出了根据本公开另一实施例的诊疗科室推荐装置的结构框图;
图7示出了能够用于实现本公开实施例的示例性电子设备的结构框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
在本公开中,除非另有说明,否则使用术语“第一”、“第二”等来描述各种要素不意图限定这些要素的位置关系、时序关系或重要性关系,这种术语只是用于将一个要素与另一要素区分开。在一些示例中,第一要素和第二要素可以指向该要素的同一实例,而在某些情况下,基于上下文的描述,它们也可以指代不同实例。
在本公开中对各种所述示例的描述中所使用的术语只是为了描述特定示例的目的,而并非旨在进行限制。除非上下文另外明确地表明,如果不特意限定要素的数量,则该要素可以是一个也可以是多个。此外,本公开中所使用的术语“和/或”涵盖所列出的项目中的任何一个以及全部可能的组合方式。
在相关技术中,受限于医疗领域的专业性强、医疗数据不易接入、模型训练数据稀缺等固有特点,往往难以通过语音识别从有关于医疗领域的语音中准确获取感兴趣的信息。因此,目前在医院或医疗机构中难以部署或应用实现语音识别功能的诊疗科室推荐***,这是因为难以保证从患者提供的病情描述语音中准确获取用于推荐诊疗科室的相关信息。
另外,在患者或其家属通过拨打急救电话等方式以语音描述患者疾病信息的急救场景中,如何从该语音中快速且准确获取患者的个人及其疾病信息变得尤为重要。与此同时,在急救场景中,往往是急救医生在收治患者之后现场再进行筛查和/或通过相关科室医生进行会诊,这可能导致延误治疗时间,从而错失急救时机。
针对以上技术问题中的至少一个,根据本公开实施例的一方面,提出了一种诊疗科室推荐方法。下面将结合附图详细描述本公开的实施例。
在详细描述本公开实施例的方法之前,首先结合图1描述可以在其中实施本公开实施例的方法的示例性***。
图1示出了根据本公开实施例的可以将本文描述的各种方法和装置在其中实施的示例性***100的示意图。参考图1,该***100包括一个或多个客户端设备101、102、103、104、105和106、服务器120以及将一个或多个客户端设备耦接到服务器120的一个或多个通信网络110。客户端设备101、102、103、104、105和106可以被配置为执行一个或多个应用程序。
在本公开的实施例中,服务器120可以运行使得能够执行根据本公开实施例的诊疗科室推荐方法的一个或多个服务或软件应用。
在某些实施例中,服务器120还可以提供可以包括非虚拟环境和虚拟环境的其他服务或软件应用。在某些实施例中,这些服务可以作为基于web的服务或云服务提供,例如在软件即服务(SaaS)模型下提供给客户端设备101、102、103、104、105和/或106的用户。
在图1所示的配置中,服务器120可以包括实现由服务器120执行的功能的一个或多个组件。这些组件可以包括可由一个或多个处理器执行的软件组件、硬件组件或其组合。操作客户端设备101、102、103、104、105和/或106的用户可以依次利用一个或多个客户端应用程序来与服务器120进行交互以利用这些组件提供的服务。应当理解,各种不同的***配置是可能的,其可以与***100不同。因此,图1是用于实施本文所描述的各种方法的***的一个示例,并且不旨在进行限制。
用户可以使用客户端设备101、102、103、104、105和/或106来发出用于描述患者当前病征的语音。客户端设备可以提供使客户端设备的用户能够与客户端设备进行交互的接口。客户端设备还可以经由该接口向用户输出信息。尽管图1仅描绘了六种客户端设备,但是本领域技术人员将能够理解,本公开可以支持任何数量的客户端设备。
客户端设备101、102、103、104、105和/或106可以包括各种类型的计算机设备,例如便携式手持设备、通用计算机(诸如个人计算机和膝上型计算机)、工作站计算机、可穿戴设备、智能屏设备、自助服务终端设备、服务机器人、游戏***、瘦客户端、各种消息收发设备、传感器或其他感测设备等。这些计算机设备可以运行各种类型和版本的软件应用程序和操作***,例如MICROSOFT Windows、APPLE iOS、类UNIX操作***、Linux或类Linux操作***(例如GOOGLE Chrome OS);或包括各种移动操作***,例如MICROSOFT WindowsMobile OS、iOS、Windows Phone、Android。便携式手持设备可以包括蜂窝电话、智能电话、平板电脑、个人数字助理(PDA)等。可穿戴设备可以包括头戴式显示器(诸如智能眼镜)和其他设备。游戏***可以包括各种手持式游戏设备、支持互联网的游戏设备等。客户端设备能够执行各种不同的应用程序,例如各种与Internet相关的应用程序、通信应用程序(例如电子邮件应用程序)、短消息服务(SMS)应用程序,并且可以使用各种通信协议。
网络110可以是本领域技术人员熟知的任何类型的网络,其可以使用多种可用协议中的任何一种(包括但不限于TCP/IP、SNA、IPX等)来支持数据通信。仅作为示例,一个或多个网络110可以是局域网(LAN)、基于以太网的网络、令牌环、广域网(WAN)、因特网、虚拟网络、虚拟专用网络(VPN)、内部网、外部网、公共交换电话网(PSTN)、红外网络、无线网络(例如蓝牙、WIFI)和/或这些和/或其他网络的任意组合。
服务器120可以包括一个或多个通用计算机、专用服务器计算机(例如PC(个人计算机)服务器、UNIX服务器、中端服务器)、刀片式服务器、大型计算机、服务器群集或任何其他适当的布置和/或组合。服务器120可以包括运行虚拟操作***的一个或多个虚拟机,或者涉及虚拟化的其他计算架构(例如可以被虚拟化以维护服务器的虚拟存储设备的逻辑存储设备的一个或多个灵活池)。在各种实施例中,服务器120可以运行提供下文所描述的功能的一个或多个服务或软件应用。
服务器120中的计算单元可以运行包括上述任何操作***以及任何商业上可用的服务器操作***的一个或多个操作***。服务器120还可以运行各种附加服务器应用程序和/或中间层应用程序中的任何一个,包括HTTP服务器、FTP服务器、CGI服务器、JAVA服务器、数据库服务器等。
在一些实施方式中,服务器120可以包括一个或多个应用程序,以分析和合并从客户端设备101、102、103、104、105和/或106的用户接收的数据馈送和/或事件更新。服务器120还可以包括一个或多个应用程序,以经由客户端设备101、102、103、104、105和/或106的一个或多个显示设备来显示数据馈送和/或实时事件。
在一些实施方式中,服务器120可以为分布式***的服务器,或者是结合了区块链的服务器。服务器120也可以是云服务器,或者是带人工智能技术的智能云计算服务器或智能云主机。云服务器是云计算服务体系中的一项主机产品,以解决传统物理主机与虚拟专用服务器(VPS,Virtual Private Server)服务中存在的管理难度大、业务扩展性弱的缺陷。
***100还可以包括一个或多个数据库130。在某些实施例中,这些数据库可以用于存储数据和其他信息。例如,数据库130中的一个或多个可用于存储诸如音频文件和视频文件的信息。数据库130可以驻留在各种位置。例如,由服务器120使用的数据库可以在服务器120本地,或者可以远离服务器120且可以经由基于网络或专用的连接与服务器120通信。数据库130可以是不同的类型。在某些实施例中,由服务器120使用的数据库例如可以是关系数据库。这些数据库中的一个或多个可以响应于命令而存储、更新和检索到数据库以及来自数据库的数据。
在某些实施例中,数据库130中的一个或多个还可以由应用程序使用来存储应用程序数据。由应用程序使用的数据库可以是不同类型的数据库,例如键值存储库,对象存储库或由文件***支持的常规存储库。
图1的***100可以以各种方式配置和操作,以使得能够应用根据本公开实施例所描述的各种方法和装置。
图2示出了根据本公开实施例的诊疗科室推荐方法的流程图。如图2所示,方法200可以包括如下步骤:
在步骤S202,获取用于描述待进行诊疗患者的当前病征的语音信息。
在步骤S204,对语音信息进行语音识别以获取语音信息中未解码成文字的原始识别结果。
在步骤S206,从原始识别结果中提取用于确定患者的诊疗科室的关键字,其中,关键字包括患者的当前病征。
在步骤S208,基于关键字确定用于推荐的诊疗科室。
根据本公开实施例的诊疗科室推荐方法,通过将语音识别与关键字提取级联成使得在不将语音识别结果解码到文字的情况下直接从原始识别结果中提取感兴趣的关键字,可以避免由于文字解码所导致的语音识别误差,由此提高特定于医疗领域的语音识别效果。因此,可以从患者提供的病情描述语音中准确获取与患者当前可能所患疾病有关的信息,继而提升诊疗科室推荐的准确度。
本公开的技术方案中,所涉及的患者信息的获取、存储和应用等,均符合相关法律法规的规定,且不违背公序良俗。
以下将对根据本公开实施例的诊疗科室推荐方法的各步骤的一个或多个方面进行详细描述。
在步骤S202,在示例中,用于描述患者的当前病征的语音可以是患者和/或其家属在普通门诊场景下为了进行就医咨询、挂号等所提供的病情描述语音,或者可以是在急救场景下由患者和/或其家属通过拨打急救电话等方式提供的病情描述语音。该病情描述语音可以包括用于说明患者当前病征的信息。
根据一些实施例,在步骤S202中获取的语音信息可以包括患者在说出语音时所产生的语气信息,并且在步骤S204中获取的原始识别结果可以包括对语气信息进行识别的结果。
以此方式,可以借助于患者语音中的语气信息发掘出患者可能潜在患有的疾病,从而有助于提升诊疗科室推荐的准确度。
在示例中,语气信息可以包括语音信息中的诸如气短、口齿不清等非内容信息。这种非内容信息可以被包含在语音信息的音频数据中。假如患者在其拨打的急救电话的语音中出现了口齿不清的状况,则对关于该语音的语音信息进行语音识别还可以包括对该部分的语气信息进行识别,并且识别的结果可以包括指示患者可能潜在患有中风的信息。该信息可以被包括在对语音信息进行语音识别所获取的原始识别结果中。在另一示例中,语气信息还可以包括语音信息中的诸如语调、气息等非内容信息。
在示例中,为实现语气识别,可以在通用的自动语音识别(ASR,Automatic SpeechRecognition)模型的基础上,通过在输出层添加用于语气识别的适配器来获得具备语气识别功能的经增强的模型。
在步骤S204,获取语音的未解码成文字的原始识别结果旨在避免由于文字解码所导致的语音识别误差。如前所述,应用于医疗领域中的语音识别往往识别率较低,诸如识别结果中可能包含大量错别字等识别误差。如果将如此解码为文字的识别结果传输给后续的语义理解模块以用于提取关键字,可能将会产生更大的误差。因此,在语音识别步骤中获取语音的未解码成文字的原始识别结果。即,在语音识别步骤中不将语音解码到词向量的程度,而是利用其原始识别向量以在后续语言理解中直接提取关键词。
在步骤S206,由于在前的语音识别步骤的结果是未解码成文字的原始识别结果,其可以提供相比于解码成文字的识别结果而言更高的准确率,因而由此可以更准确提取感兴趣的关键字。
换言之,通过将语音识别与关键字提取级联成使得在不将语音识别结果解码到文字的情况下直接从原始识别向量提取感兴趣的关键字,可以避免由于文字解码所导致的语音识别误差,由此提高特定于医疗领域的语音识别效果。
在示例中,步骤S206中的关键字提取步骤可以使用已知的自然语言理解(NLU,Natural Language Understanding)技术。关键字可以进一步包括患者的个人信息,例如姓名、年龄等,该个人信息可以用于获取患者的既往史。需说明的是,本公开的技术方案中,所涉及的患者信息的获取、存储和应用等,均符合相关法律法规的规定,且不违背公序良俗。关键字还可以包括除当前病征外的其他诊疗要素,例如手术史。
根据一些实施例,步骤S204中的语音识别步骤和步骤S204中的关键字提取的步骤中至少一者可以使用预训练的模型,其中,所述预训练的模型可以是在通用模型的基础上,通过在输出层添加针对特定用途的适配器进行训练而获得的模型。在对语音信息进行语音识别的步骤中,预训练的模型可以是通过在用于语音识别的通用模型中的输出层添加针对医疗领域词汇的适配器和针对语气识别的适配器中至少一者以进行训练而获得的模型。在从原始识别结果中提取关键字的步骤中,预训练的模型可以是通过在用于医疗领域语义理解的通用模型中的输出层添加针对感兴趣关键词的适配器以进行训练而获得的模型。
以此方式,可以减小用于模型训练的数据量,且可以提供针对下游任务的经增强的模型。
对于语音识别而言,如前所述,医疗领域中的模型训练数据往往是稀缺的,且患者或家属也可能并非使用专业性医疗词汇而是通俗语言,由此导致难以直接训练出针对医疗领域中的语音识别的完好模型。因此,根据本公开的实施例,可以采用在例如通用ASR模型的基础上,通过在输出层添加针对医疗领域词汇的适配器进行训练来获得经增强的模型。适配器的参数是训练的主要目标,即神经网络的权重。在示例中,用于语音识别的通用模型例如可以是基于Transformer(转换器模型)的通用语音识别模型。
另外,由于语音识别可以进一步包括语气识别,因此也可以在输出层添加针对语气识别的适配器。
类似地,对于语义理解(即关键字提取)而言,可以在例如通用的医疗语言模型的基础上,通过在输出层添加针对一种或多种关键词(例如患者的个人信息、或诸如当前病征等诊疗要素)的适配器进行训练来获得经增强的模型。在示例中,用于语义理解的通用模型可以例如是基于ERNIE-Health(医疗预训练语言模型)的通用医疗语言模型。
在步骤S206,基于关键字确定用于推荐的诊疗科室可以根据是否能够获得患者的既往史而进行不同的考虑。以下将参考图3进一步描述该步骤的实施例。
图3示出了根据本公开另一实施例的诊疗科室推荐方法的流程图。如图3所示,方法300可以包括与参考图2描述的步骤S202、S204和S206类似的步骤S302、S304和S306。因此,这里不再赘述上述步骤的各个方面的细节。
如图3所示,方法300还包括步骤S308,即,基于关键字确定用于推荐的诊疗科室。该步骤S308可以根据是否能够获得患者的既往史而不同地实施。
根据一些实施例,在无法获得患者的既往史的情况下,步骤S308可以包括步骤S3082,即,可以基于关键字中包括的当前病征,从预先取得的疾病知识库中获取适用于患者的诊疗科室。
在示例中,疾病知识库可以是由医疗从业人员、例如医生或医疗领域的专家所构建的。疾病知识库可以包括例如与特定疾病有关的病征、后遗症,不同疾病之间的关联关系等方面的信息。举例而言,在能够接入包含大量病历的病历库(例如来自特定医院或医疗机构)的情况下,可以从病历库中获取用于构建疾病知识库的相关先验医疗知识。因此,能够基于描述特定病征的关键词从疾病知识库检索到对应的诊疗科室。例如,当关键字包括“胃疼”或“胃痛”时,可以从疾病知识库中获取关于“消化内科”的信息。
以此方式,在无法获取到患者既往史的情况下,可以借助于疾病知识库所包含的先验医疗知识来确定适用于患者的诊疗科室。
根据一些实施例,在步骤S308之前,方法300还可以包括用于获取患者的既往史并进行既往史重要性排序的步骤S307。这里,关键字还可以包括患者的个人信息,并且步骤S307可以包括:
在步骤S3072,基于关键字中包括的个人信息,从预先取得的病历库中获取患者的既往史,其中,既往史包括至少一个既往史条目,每个既往史条目包括患者的疾病史和手术史中至少一者;以及在步骤S3074,将所述至少一个既往史条目按重要程度进行排序,以生成经排序的既往史条目。
以此方式,在能够获取到患者既往史的情况下,可以通过结合地考虑该既往史来有助于提供更为准确的诊疗科室推荐。同时,由于既往史是根据重要程度进行排序的,因此能够进一步提升诊疗科室推荐的准确性。
在示例中,在步骤S3072,预先取得的病历库可以是患者所在地区的医院或医疗机构的病历库。在示例中,病历库可以包括电子病历(EMR)库和医院信息***(HIS)库。可以对病历库中所包含的大量病历进行过滤以筛除低质病历(例如形式和/或内涵低质的病历),由此保证病历库的质量。
在步骤S3074,对既往史进行排序可以是基于这样的考量:不同疾病或手术对患者后续生活及治疗可能具有不同影响。例如,有些疾病或手术可能存在严重的后遗症而影响到患者的后续生活。有些疾病可能是慢性疾病,需要长期治疗。因此,对既往史进行重要程度排序以指示不同既往史对患者的不同影响程度。
在示例中,每种既往史即每个既往史条目可以具有对应的重要程度指数以进行排序。该重要程度指数可以根据疾病或手术的时间、严重程度等医学属性来确定。换言之,排序越靠前的既往史条目所对应的疾病或手术对患者的影响越大。例如,患者的既往史可能包括高血压的疾病史和扁桃体切除的手术史,则对应于高血压的既往史条目可以相比于对应于扁桃体切除的既往史条目在排序上更为靠前。
根据一些实施例,步骤S3072中的从预先取得的病历库中获取患者的既往史可以包括如下步骤:从病历库中收集患者的病历;以及提取病历中的指示既往史的指定字段以获取关于所述至少一个既往史条目的信息,其中,指定字段在被提取前经过用于规范化的归一处理。
以此方式,在病历库包含跨多个不同地区的病历或具有不同规范的病历的情况下,可以通过对感兴趣字段进行归一处理来保证所提取的既往史的规范化。
在示例中,可以根据依据国家标准的相关规范将指示疾病史和手术史的指定字段进行归一处理。
根据一些实施例,在能够获得患者的既往史的情况下,步骤S308可以包括步骤S3084,即,基于关键字中包括的当前病征以及经排序的既往史条目,确定适用于患者的至少一个诊疗科室的列表,其中,列表中的所述至少一个诊疗科室按重要程度排序。
以此方式,可以结合患者的既往史发掘出与患者当前病征相关联的潜在最可能的疾病史或手术史,以提升确定诊疗科室的准确性。另外,在急救场景下,可以有助于减少急救医生所需的筛查时间和/或通过相关科室医生进行会诊的时间,从而避免错失急救时机。
在示例中,可以基于当前病征从如前所述的疾病知识库中检索到当前潜在所患疾病,并且可以基于当前潜在所患疾病和既往史所反映的疾病确定适用于患者的至少一个诊疗科室。例如,患者的当前病征可能涉及胃部疼痛,然而,在通过患者既往史获知其具有长期的心脏疾病史的情况下,可能的情况是当前由患者感知的胃部疼痛并非与胃部疾病相关联,而是与长期的心脏疾病史相关联,因为由这样的心脏疾病史所引发的病征有时类似于胃部疼痛,可能会被患者感知为胃部疼痛。由此,通过结合患者的既往史进行考量,可以最大化发掘出患者最可能患有的疾病并确定与其对应的诊疗科室。
根据一些实施例,方法300还可以包括步骤S310,即,基于既往史和关键字中包括的当前病征,生成用于引导患者进行应急处理的清单。
以此方式,通过结合患者的既往史进行考量,可以为患者提供更有针对性的应急处理建议。这在急救场景下可能尤其有益。
在示例中,所生成的清单可以经由诸如手机的移动设备直接发送给患者或其家属。另外,所生成的清单也可以首先发送给相关的急救医生由其进行筛选或补充等处理,然后再发送给患者或其家属。在后者的情况下,用于生成清单的操作可以具有自学习能力,其可以接收来自急救医生的反馈并根据该反馈调整用于生成清单的算法。
如前所述,根据本公开实施例的诊疗科室推荐方法,通过将语音识别步骤与关键字提取步骤级联成使得在不将语音识别结果解码到文字的情况下直接从原始识别结果提取感兴趣的关键字,可以避免由于文字解码所导致的语音识别误差,由此提高特定于医疗领域的语音识别效果。因此,可以从患者提供的病情描述语音中准确获取与患者当前可能所患疾病有关的信息,继而提升诊疗科室推荐的准确度。
图4示出了在急救场景中根据本公开实施例的诊疗科室推荐方法的示意图。
如图4所示,在急救场景中,患者可以通过诸如手机等移动设备拨打急救电话以向医院或其他医疗机构发出急救语音405。急救语音405可以包含描述患者当前病征的信息。
在获取急救语音405之后,可以对急救语音405执行语音识别410。语音识别410可以包括语言识别和语气识别两部分。语言识别可以包括对急救语音405中的内容信息进行识别,即对急救语音本身的语音信息进行识别。语气识别可以对急救语音405中的非内容信息进行识别。例如,患者在说出急救语音405的过程中出现了口齿不清的状况,因此识别结果可以包括指示患者可能潜在患有中风的信息。
语音识别410可以使用预训练的模型。可以在通用ASR模型412的基础上,通过在输出层添加用于医疗领域词汇的语言识别的适配器414和用于语气识别的适配器416进行训练。由此,能够获得适用于医疗领域的语音识别和语气识别的经增强的模型。
语音识别410可以获取急救语音405的未解码成文字的原始识别结果418。这里,获取未解码成文字的原始识别结果旨在避免由于文字解码所导致的语音识别误差。
换言之,经过语音识别410输出的结果可以直接馈送到下游以执行语言理解420。在语言理解420中,可以执行关键字提取422以直接从原始识别结果418提取感兴趣的关键字。这里,感兴趣的关键字可以包括患者的当前病征424以及患者的个人信息426。
基于患者的个人信息426,在能够接入到与患者相关联的病历库430(例如患者所在地区的医院或医疗机构的病历库)的情况下,可以从病历库430中检索患者的既往史,诸如疾病史、手术史等。检索患者的既往史可以包括从病历库430中收集患者的病历,并提取病历中的指示既往史的指定字段。
如果在病历库430中未检索到患者的既往史,则可以基于当前病征424,从疾病知识库440中确定适用于患者的诊疗科室列表450。疾病知识库440中的先验医疗知识也可以从病历库430中获取。
如果在病历库430中检索到患者的既往史,还可以将相关既往史按重要程度进行排序。在此情况下,可以将基于当前病征424从疾病知识库440检索到当前潜在所患疾病与在病历库430中检索到患者的既往史进行综合考量,由此确定适用于患者的诊疗科室列表450。这里,由于能够通过既往史发掘出与患者当前病征424相关联的潜在最可能的疾病史或手术史,因此可以提升确定诊疗科室列表450的准确性。
关于诊疗科室列表450的信息可以被推荐给急救医生以辅助急救诊疗。此外,还可以基于既往史和当前病征424,生成用于引导患者进行应急处理的清单。
在如上所述的急救场景中,得益于根据本公开实施例的诊疗科室推荐方法,可以从患者的急救语音中准确提取与当前病征有关的信息以用于急救诊疗,并且可以有助于减少急救医生所需的筛查时间和/或通过相关科室医生进行会诊的时间,从而避免错失急救时机。
根据本公开的另一方面,还提供了一种诊疗科室推荐装置。
图5示出了根据本公开一个实施例的诊疗科室推荐装置500的结构框图。
如图5所示,装置500包括语音获取模块502、语音识别模块504、特征提取模块506和结果确定模块508。
语音获取模块502被配置为获取用于描述待进行诊疗患者的当前病征的语音信息。
语音识别模块504被配置为对语音信息进行语音识别以获取语音信息中未解码成文字的原始识别结果。
特征提取模块506被配置为从原始识别结果中提取用于确定患者的诊疗科室的关键字,其中,关键字包括患者的当前病征。
结果确定模块508被配置为基于关键字确定用于推荐的诊疗科室。
根据一些实施例,语音信息可以包括患者在发出语音时所产生的语气信息,并且原始识别结果可以包括对语气信息进行识别的结果。
根据一些实施例,语音识别模块504和特征提取模块506中至少一者包括预训练的模型,其中,在语音识别模块504中,所述预训练的模型是通过在用于语音识别的通用模型中的输出层添加针对医疗领域词汇的适配器和针对语气识别的适配器中至少一者以进行训练而获得的模型,在特征提取模块506中,所述预训练的模型是通过在用于医疗领域语义理解的通用模型中的输出层添加针对感兴趣关键词的适配器以进行训练而获得的模型。
上述模块502至508所执行的操作可以与结合图2描述的步骤S202至S208相对应,因此这里不再过多赘述其各个方面的细节。
图6示出了根据本公开另一个实施例的诊疗科室推荐装置600的框图。图6所示的模块602至608可以分别对应于图5所示的模块502至508。除此之外,装置600以及模块602至608中的一个或多个还可以包括进一步的子功能模块,如下将具体说明。
根据一些实施例,结果确定模块608可以包括:第一结果确定单元6080,被配置为基于关键字中包括的当前病征,从预先取得的疾病知识库中获取适用于患者的诊疗科室。
根据一些实施例,关键字还包括患者的个人信息,并且其中,装置600还包括:既往史获取模块610,被配置为基于关键字中包括的个人信息,从预先取得的病历库中获取患者的既往史,其中,既往史包括至少一个既往史条目,每个既往史条目包括患者的疾病史和手术史中至少一者;以及排序模块612,被配置为将至少一个既往史条目按重要程度进行排序,以生成经排序的既往史条目。
根据一些实施例,既往史获取模块610可以包括:收集单元6100,被配置为从病历库中收集患者的病历;以及提取单元6102,被配置为提取病历中的指示既往史的指定字段以获取关于至少一个既往史条目的信息,其中,指定字段在被提取前经过用于规范化的归一处理。
根据一些实施例,结果确定模块608可以包括:第二结果确定单元6082,被配置为基于关键字中包括的当前病征以及经排序的既往史条目,确定适用于患者的至少一个诊疗科室的列表,其中,列表中的至少一个诊疗科室按重要程度排序。
根据一些实施例,装置600还可以包括:清单生成模块614,被配置为基于既往史和关键字中包括的当前病征,生成用于引导患者进行应急处理的清单。
根据本公开的另一方面,还提供了一种电子设备,包括:至少一个处理器;以及与至少一个处理器通信连接的存储器;其中存储器存储有能够被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够执行根据本公开实施例所述的方法。
根据本公开的另一方面,还提供了一种存储有计算机指令的非瞬时计算机可读存储介质,其中,计算机指令用于使计算机执行根据本公开实施例所述的方法。
根据本公开的另一方面,还提供了一种计算机程序产品,包括计算机程序,其中,计算机程序在被处理器执行时实现根据本公开实施例所述的方法。
参考图7,现将描述可以作为本公开的服务器或客户端的电子设备700的结构框图,其是可以应用于本公开的各方面的硬件设备的示例。电子设备旨在表示各种形式的数字电子的计算机设备,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图7所示,电子设备700包括计算单元701,其可以根据存储在只读存储器(ROM)702中的计算机程序或者从存储单元708加载到随机访问存储器(RAM)703中的计算机程序,来执行各种适当的动作和处理。在RAM703中,还可存储电子设备700操作所需的各种程序和数据。计算单元701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
电子设备700中的多个部件连接至I/O接口705,包括:输入单元706、输出单元707、存储单元708以及通信单元709。输入单元706可以是能向电子设备700输入信息的任何类型的设备,输入单元706可以接收输入的数字或字符信息,以及产生与电子设备的用户设置和/或功能控制有关的键信号输入,并且可以包括但不限于鼠标、键盘、触摸屏、轨迹板、轨迹球、操作杆、麦克风和/或遥控器。输出单元707可以是能呈现信息的任何类型的设备,并且可以包括但不限于显示器、扬声器、视频/音频输出终端、振动器和/或打印机。存储单元708可以包括但不限于磁盘、光盘。通信单元709允许电子设备700通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据,并且可以包括但不限于调制解调器、网卡、红外通信设备、无线通信收发机和/或芯片组,例如蓝牙TM设备、802.11设备、WiFi设备、WiMax设备、蜂窝通信设备和/或类似物。
计算单元701可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元701的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元701执行上文所描述的各个方法和处理,例如诊疗科室推荐。例如,在一些实施例中,诊疗科室推荐方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元708。在一些实施例中,计算机程序的部分或者全部可以经由ROM 702和/或通信单元709而被载入和/或安装到电子设备700上。当计算机程序加载到RAM 703并由计算单元701执行时,可以执行上文描述的诊疗科室推荐的一个或多个步骤。备选地,在其他实施例中,计算单元701可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行诊疗科室推荐方法。
本文中以上描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上***的***(SOC)、复杂可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的***和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的***和技术实施在包括后台部件的计算***(例如,作为数据服务器)、或者包括中间件部件的计算***(例如,应用服务器)、或者包括前端部件的计算***(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将***的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,也可以为分布式***的服务器,或者是结合了区块链的服务器。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本公开中记载的各步骤可以并行地执行、也可以顺序地或以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
本公开的技术方案中,所涉及的患者信息的获取、存储和应用等,均符合相关法律法规的规定,且不违背公序良俗。
虽然已经参照附图描述了本公开的实施例或示例,但应理解,上述的方法、***和设备仅仅是示例性的实施例或示例,本发明的范围并不由这些实施例或示例限制,而是仅由授权后的权利要求书及其等同范围来限定。实施例或示例中的各种要素可以被省略或者可由其等同要素替代。此外,可以通过不同于本公开中描述的次序来执行各步骤。进一步地,可以以各种方式组合实施例或示例中的各种要素。重要的是随着技术的演进,在此描述的很多要素可以由本公开之后出现的等同要素进行替换。
Claims (19)
1.一种诊疗科室推荐方法,包括:
获取用于描述待进行诊疗患者的当前病征的语音信息;
对所述语音信息进行语音识别以获取所述语音信息中未解码成文字的原始识别结果;
从所述原始识别结果中提取用于确定所述患者的诊疗科室的关键字,其中,所述关键字包括所述患者的所述当前病征;以及
基于所述关键字确定用于推荐的所述诊疗科室。
2.根据权利要求1所述的方法,其中,所述语音信息包括所述患者在发出语音时所产生的语气信息,并且所述原始识别结果包括对所述语气信息进行识别的结果。
3.根据权利要求1或2所述的方法,其中,所述对所述语音信息进行语音识别的步骤和所述从所述原始识别结果中提取关键字的步骤中至少一者使用预训练的模型,其中,
在所述对所述语音信息进行语音识别的步骤中,所述预训练的模型是通过在用于语音识别的通用模型中的输出层添加针对医疗领域词汇的适配器和针对语气识别的适配器中至少一者以进行训练而获得的模型,
在所述从所述原始识别结果中提取关键字的步骤中,所述预训练的模型是通过在用于医疗领域语义理解的通用模型中的输出层添加针对感兴趣关键词的适配器以进行训练而获得的模型。
4.根据权利要求1至3中任一项所述的方法,其中,基于所述关键字确定用于推荐的所述诊疗科室包括:
基于所述关键字中包括的所述当前病征,从预先取得的疾病知识库中获取适用于所述患者的所述诊疗科室。
5.根据权利要求1至3中任一项所述的方法,其中,所述关键字还包括所述患者的个人信息,并且其中,所述方法还包括:
基于所述关键字中包括的所述个人信息,从预先取得的病历库中获取所述患者的既往史,其中,所述既往史包括至少一个既往史条目,每个既往史条目包括所述患者的疾病史和手术史中至少一者;以及
将所述至少一个既往史条目按重要程度进行排序,以生成经排序的既往史条目。
6.根据权利要求5所述的方法,其中,从预先取得的病历库中获取所述患者的既往史包括:
从所述病历库中收集所述患者的病历;以及
提取所述病历中的指示所述既往史的指定字段以获取关于所述至少一个既往史条目的信息,其中,所述指定字段在被提取前经过用于规范化的归一处理。
7.根据权利要求5或6所述的方法,基于所述关键字确定用于推荐的所述诊疗科室包括:
基于所述关键字中包括的所述当前病征以及所述经排序的既往史条目,确定适用于所述患者的至少一个诊疗科室的列表,其中,所述列表中的所述至少一个诊疗科室按重要程度排序。
8.根据权利要求5至7中任一项所述的方法,还包括:
基于所述既往史和所述关键字中包括的所述当前病征,生成用于引导所述患者进行应急处理的清单。
9.一种诊疗科室推荐装置,包括:
语音获取模块,被配置为获取用于描述待进行诊疗患者的当前病征的语音信息;
语音识别模块,被配置为对所述语音信息进行语音识别以获取所述语音信息中未解码成文字的原始识别结果;
特征提取模块,被配置为从所述原始识别结果中提取用于确定所述患者的诊疗科室的关键字,其中,所述关键字包括所述患者的所述当前病征;以及
结果确定模块,被配置为基于所述关键字确定用于推荐的所述诊疗科室。
10.根据权利要求9所述的装置,其中,所述语音信息包括所述患者在发出语音时所产生的语气信息,并且所述原始识别结果包括对所述语气信息进行识别的结果。
11.根据权利要求9或10所述的装置,其中,所述语音识别模块和所述特征提取模块中至少一者包括预训练的模型,其中,
在所述语音识别模块中,所述预训练的模型是通过在用于语音识别的通用模型中的输出层添加针对医疗领域词汇的适配器和针对语气识别的适配器中至少一者以进行训练而获得的模型,
在所述特征提取模块中,所述预训练的模型是通过在用于医疗领域语义理解的通用模型中的输出层添加针对感兴趣关键词的适配器以进行训练而获得的模型。
12.根据权利要求9至11中任一项所述的装置,其中,所述结果确定模块包括:
第一结果确定单元,被配置为基于所述关键字中包括的所述当前病征,从预先取得的疾病知识库中获取适用于所述患者的所述诊疗科室。
13.根据权利要求9至11中任一项所述的装置,其中,所述关键字还包括所述患者的个人信息,并且其中,所述装置还包括:
既往史获取模块,被配置为基于所述关键字中包括的所述个人信息,从预先取得的病历库中获取所述患者的既往史,其中,所述既往史包括至少一个既往史条目,每个既往史条目包括所述患者的疾病史和手术史中至少一者;以及
排序模块,被配置为将所述至少一个既往史条目按重要程度进行排序,以生成经排序的既往史条目。
14.根据权利要求13所述的装置,其中,所述既往史获取模块包括:
收集单元,被配置为从所述病历库中收集所述患者的病历;以及
提取单元,被配置为提取所述病历中的指示所述既往史的指定字段以获取关于所述至少一个既往史条目的信息,其中,所述指定字段在被提取前经过用于规范化的归一处理。
15.根据权利要求13或14所述的装置,所述结果确定模块包括:
第二结果确定单元,被配置为基于所述关键字中包括的所述当前病征以及所述经排序的既往史条目,确定适用于所述患者的至少一个诊疗科室的列表,其中,所述列表中的所述至少一个诊疗科室按重要程度排序。
16.根据权利要求13至15中任一项所述的装置,还包括:
清单生成模块,被配置为基于所述既往史和所述关键字中包括的所述当前病征,生成用于引导所述患者进行应急处理的清单。
17.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中
所述存储器存储有能够被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-8中任一项所述的方法。
18.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据权利要求1-8中任一项所述的方法。
19.一种计算机程序产品,包括计算机程序,其中,所述计算机程序在被处理器执行时实现权利要求1-8中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210220519.5A CN114596947A (zh) | 2022-03-08 | 2022-03-08 | 诊疗科室推荐方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210220519.5A CN114596947A (zh) | 2022-03-08 | 2022-03-08 | 诊疗科室推荐方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114596947A true CN114596947A (zh) | 2022-06-07 |
Family
ID=81808186
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210220519.5A Pending CN114596947A (zh) | 2022-03-08 | 2022-03-08 | 诊疗科室推荐方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114596947A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104036152A (zh) * | 2014-07-01 | 2014-09-10 | 彩带网络科技(北京)有限公司 | 一种建立问诊通道的方法及装置 |
CN104574246A (zh) * | 2014-12-22 | 2015-04-29 | 百度在线网络技术(北京)有限公司 | 医疗智能分诊方法、装置及设备 |
CN110489566A (zh) * | 2019-08-22 | 2019-11-22 | 上海软中信息***咨询有限公司 | 一种智能导诊服务机器人的导诊方法 |
CN111092798A (zh) * | 2019-12-24 | 2020-05-01 | 东华大学 | 一种基于口语理解的可穿戴*** |
CN112575512A (zh) * | 2020-11-28 | 2021-03-30 | 珠海格力电器股份有限公司 | 一种基于语音识别调整洗衣机洗涤参数的方法和装置 |
CN113724695A (zh) * | 2021-08-30 | 2021-11-30 | 平安国际智慧城市科技股份有限公司 | 基于人工智能的电子病历生成方法、装置、设备及介质 |
CN113823266A (zh) * | 2021-07-22 | 2021-12-21 | 腾讯科技(深圳)有限公司 | 关键词检测方法、装置、设备及存储介质 |
-
2022
- 2022-03-08 CN CN202210220519.5A patent/CN114596947A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104036152A (zh) * | 2014-07-01 | 2014-09-10 | 彩带网络科技(北京)有限公司 | 一种建立问诊通道的方法及装置 |
CN104574246A (zh) * | 2014-12-22 | 2015-04-29 | 百度在线网络技术(北京)有限公司 | 医疗智能分诊方法、装置及设备 |
CN110489566A (zh) * | 2019-08-22 | 2019-11-22 | 上海软中信息***咨询有限公司 | 一种智能导诊服务机器人的导诊方法 |
CN111092798A (zh) * | 2019-12-24 | 2020-05-01 | 东华大学 | 一种基于口语理解的可穿戴*** |
CN112575512A (zh) * | 2020-11-28 | 2021-03-30 | 珠海格力电器股份有限公司 | 一种基于语音识别调整洗衣机洗涤参数的方法和装置 |
CN113823266A (zh) * | 2021-07-22 | 2021-12-21 | 腾讯科技(深圳)有限公司 | 关键词检测方法、装置、设备及存储介质 |
CN113724695A (zh) * | 2021-08-30 | 2021-11-30 | 平安国际智慧城市科技股份有限公司 | 基于人工智能的电子病历生成方法、装置、设备及介质 |
Non-Patent Citations (1)
Title |
---|
陈鹏展: "《个体行为的机器识别与决策协同》", 知识产权出版社 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113807440B (zh) | 利用神经网络处理多模态数据的方法、设备和介质 | |
JP2021108096A (ja) | 情報を出力する方法および装置 | |
CN114612749B (zh) | 神经网络模型训练方法及装置、电子设备和介质 | |
US11847411B2 (en) | Obtaining supported decision trees from text for medical health applications | |
CN112579909A (zh) | 对象推荐方法及装置、计算机设备和介质 | |
CN114611532B (zh) | 语言模型训练方法及装置、目标翻译错误检测方法及装置 | |
CN114613523A (zh) | 线上医疗问诊的医生分配方法、装置、存储介质及设备 | |
CN113656587A (zh) | 文本分类方法、装置、电子设备及存储介质 | |
CN114443989B (zh) | 排序方法、排序模型的训练方法、装置、电子设备及介质 | |
CN114547252A (zh) | 文本识别方法、装置、电子设备和介质 | |
CN116894498A (zh) | 网络模型的训练方法、策略识别方法、装置以及设备 | |
CN115170887B (zh) | 目标检测模型训练方法、目标检测方法及其装置 | |
CN114579626B (zh) | 数据处理方法、数据处理装置、电子设备和介质 | |
CN115862031A (zh) | 文本处理方法、神经网络的训练方法、装置和设备 | |
CN113312511B (zh) | 用于推荐内容的方法、装置、设备和计算机可读存储介质 | |
WO2023084254A1 (en) | Diagnosic method and system | |
CN114596947A (zh) | 诊疗科室推荐方法、装置、电子设备及存储介质 | |
CN114998963A (zh) | 图像检测方法和用于训练图像检测模型的方法 | |
CN114118067A (zh) | 术语名词纠错方法及装置、电子设备和介质 | |
CN112560467A (zh) | 确定文本中要素关系的方法、装置、设备和介质 | |
CN111554387B (zh) | 医生信息推荐的方法、装置、存储介质及电子设备 | |
CN116050543A (zh) | 数据处理方法、装置、电子设备、介质和芯片 | |
CN115795013A (zh) | 文本处理方法、装置、电子设备以及存储介质 | |
CN116151367A (zh) | 模型的训练方法、装置、电子设备和介质 | |
CN114861660A (zh) | 用于处理文本的神经网络的训练方法和处理文本的方法 |
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 |